JP2021154935A - Vehicle simulation system, vehicle simulation method and computer program - Google Patents

Abstract

To improve simulation result usefulness in a vehicle simulation system.SOLUTION: A vehicle simulation system stores a plurality of models with different types of errors as an objective variable, in which a true value of a state around a vehicle is so made as to be an explanatory variable and an error between a detection result of the state around the vehicle by a detection part and the true value is so made as to be an objective variable, deriving multiple types of errors which are the objective variable of the plurality of models by inputting the true value of the state around the vehicle as a simulation parameter to the plurality of models. The vehicle simulation system generates a simulation result image 180 which indicates transition in time series of total error 182 that integrates multiple types of errors.SELECTED DRAWING: Figure 18

Description

本開示はデータ処理技術に関し、特に車両シミュレーションシステム、車両シミュレーション方法およびコンピュータプログラムに関する。 The present disclosure relates to data processing techniques, in particular vehicle simulation systems, vehicle simulation methods and computer programs.

車載機器の開発フェーズや評価フェーズでは、開発や評価に要するコストを削減するため、現実の車両を用いる代わりに、現実の車両の挙動を模擬する車両シミュレーションシステムが用いられることがある。 In the development phase and evaluation phase of in-vehicle equipment, in order to reduce the cost required for development and evaluation, a vehicle simulation system that simulates the behavior of an actual vehicle may be used instead of using an actual vehicle.

特表２０１８−５１４０４２号公報Special Table 2018-514402A

センシングアルゴリズムの評価、課題抽出、改善に貢献できるだけの、車両シミュレーションシステムによるセンシング模擬結果の表示方法は、これまで十分に提案されていない。 So far, a method for displaying sensing simulation results by a vehicle simulation system that can contribute to evaluation, problem extraction, and improvement of sensing algorithms has not been sufficiently proposed.

本開示はこうした状況に鑑みてなされたものであり、１つの目的は、車両シミュレーションシステムにおけるセンシング模擬結果の有用性を高めることにある。 The present disclosure has been made in view of such circumstances, and one purpose is to enhance the usefulness of sensing simulation results in a vehicle simulation system.

上記課題を解決するために、本開示のある態様の車両シミュレーションシステムは、車両周辺の状態を検知する検知部について、車両周辺の状態の真値を説明変数とし、検知部による車両周辺の状態の検知結果と真値との誤差を目的変数とするモデルであって、異なる種類の誤差を目的変数とする複数のモデルを記憶する記憶部と、シミュレーションのパラメータとしての車両周辺の状態の真値を複数のモデルに入力することにより、複数のモデルの目的変数である複数種類の誤差を導出する導出部と、複数種類の誤差を統合した全体誤差の時系列での推移を示す画像を生成する生成部と、を備える。 In order to solve the above problems, in the vehicle simulation system of a certain aspect of the present disclosure, the true value of the state around the vehicle is used as an explanatory variable for the detection unit that detects the state around the vehicle, and the state around the vehicle by the detection unit is used as an explanatory variable. A model that uses the error between the detection result and the true value as the objective variable, and stores a storage unit that stores multiple models that use different types of errors as the objective variable, and the true value of the state around the vehicle as a simulation parameter. By inputting to multiple models, a derivation unit that derives multiple types of errors, which are the objective variables of multiple models, and a generation that integrates multiple types of errors to generate an image showing the transition of the total error over time. It has a part and.

本開示の別の態様は、車両シミュレーション方法である。この方法は、車両周辺の状態を検知する検知部について、車両周辺の状態の真値を説明変数とし、検知部による車両周辺の状態の検知結果と真値との誤差を目的変数とするモデルであって、異なる種類の誤差を目的変数とする複数のモデルを記憶する記憶部にアクセス可能なコンピュータが、シミュレーションのパラメータとしての車両周辺の状態の真値を複数のモデルに入力することにより、複数のモデルの目的変数である複数種類の誤差を導出し、複数種類の誤差を統合した全体誤差の時系列での推移を示す画像を生成する、ことを実行する。 Another aspect of the present disclosure is a vehicle simulation method. This method is a model in which the true value of the state around the vehicle is used as an explanatory variable for the detection unit that detects the state around the vehicle, and the error between the detection result of the state around the vehicle and the true value by the detection unit is used as the objective variable. A computer that can access a storage unit that stores a plurality of models with different types of errors as objective variables inputs the true value of the state around the vehicle as a simulation parameter into the plurality of models. It is executed that a plurality of types of errors, which are the objective variables of the model, are derived, and an image showing the transition of the total error in time series by integrating the multiple types of errors is generated.

なお、以上の構成要素の任意の組合せ、本開示の表現を、装置、コンピュータプログラム、コンピュータプログラムを記録した記録媒体などの間で変換したものもまた、本開示の態様として有効である。 It should be noted that any combination of the above components and the expression of the present disclosure converted between an apparatus, a computer program, a recording medium on which a computer program is recorded, and the like are also effective as aspects of the present disclosure.

本開示によれば、車両シミュレーションシステムにおけるシミュレーション結果の有用性を高めることができる。 According to the present disclosure, the usefulness of the simulation result in the vehicle simulation system can be enhanced.

従来の車両シミュレーションシステムの機能ブロックを示すブロック図である。It is a block diagram which shows the functional block of the conventional vehicle simulation system. センサモデル構築のためのサンプルデータの例を示す図である。It is a figure which shows the example of the sample data for building a sensor model. 第１実施例のセンサモデル生成装置の機能ブロックを示すブロック図である。It is a block diagram which shows the functional block of the sensor model generation apparatus of 1st Example. 第１実施例の車両シミュレーションシステムの機能ブロックを示すブロック図である。It is a block diagram which shows the functional block of the vehicle simulation system of 1st Example. 図４のセンサモデル部の詳細を示すブロック図である。It is a block diagram which shows the detail of the sensor model part of FIG. 曲線フィッティングの例を示す図である。It is a figure which shows the example of curve fitting. 変形例における車両周辺の状態を示す図である。It is a figure which shows the state around the vehicle in the modification. 距離誤差モデル構築のためのサンプルデータの例を示す図である。It is a figure which shows the example of the sample data for building a distance error model. 検知率モデル構築のためのサンプルデータの例を示す図である。It is a figure which shows the example of the sample data for building a detection rate model. ある姿勢についての検知率表の例を示す図である。It is a figure which shows the example of the detection rate table about a certain posture. 第２実施例のシミュレーション制御部の機能ブロックを示すブロック図である。It is a block diagram which shows the functional block of the simulation control part of 2nd Example. シミュレーション結果画像の例を示す図である。It is a figure which shows the example of the simulation result image. シミュレーション結果画像の例を示す図である。It is a figure which shows the example of the simulation result image. シミュレーション結果画像の例を示す図である。It is a figure which shows the example of the simulation result image. 第３実施例のセンサモデル部の機能ブロックを示すブロック図である。It is a block diagram which shows the functional block of the sensor model part of 3rd Example. 第３実施例のシミュレーション制御部の機能ブロックを示すブロック図である。It is a block diagram which shows the functional block of the simulation control part of 3rd Example. 全体誤差の導出例を示す図である。It is a figure which shows the derivation example of the total error. 模擬結果画像の例を示す図である。It is a figure which shows the example of the simulated result image. 模擬結果画像の例を示す図である。It is a figure which shows the example of the simulated result image. 模擬結果画像の例を示す図である。It is a figure which shows the example of the simulated result image. 模擬結果画像の例を示す図である。It is a figure which shows the example of the simulated result image. 模擬結果画像の例を示す図である。It is a figure which shows the example of the simulated result image.

＜第１実施例＞
図１は、従来の車両シミュレーションシステム１００の機能ブロックを示すブロック図である。本開示のブロック図において示される各ブロックは、ハードウェア的には、コンピュータのＣＰＵ・メモリをはじめとする素子や機械装置で実現でき、ソフトウェア的にはコンピュータプログラム等によって実現されるが、ここでは、それらの連携によって実現される機能ブロックを描いている。これらの機能ブロックはハードウェア、ソフトウェアの組合せによっていろいろなかたちで実現できることは、当業者には理解されるところである。 <First Example>
FIG. 1 is a block diagram showing a functional block of a conventional vehicle simulation system 100. Each block shown in the block diagram of the present disclosure can be realized by an element such as a computer CPU / memory or a mechanical device in terms of hardware, and can be realized by a computer program or the like in terms of software. , Draws a functional block realized by their cooperation. Those skilled in the art will understand that these functional blocks can be realized in various forms by combining hardware and software.

車両シミュレーションシステム１００は、シミュレーション制御部１０、ユーザインタフェース１２、環境データ生成部１４、画像解析部１６、車両モデル部１８を備える。シミュレーション制御部１０は、車両の挙動のシミュレーションを制御する。また、シミュレーション制御部１０は、ユーザインタフェース１２、環境データ生成部１４、画像解析部１６、車両モデル部１８とデータを送受信する。 The vehicle simulation system 100 includes a simulation control unit 10, a user interface 12, an environment data generation unit 14, an image analysis unit 16, and a vehicle model unit 18. The simulation control unit 10 controls the simulation of the behavior of the vehicle. Further, the simulation control unit 10 transmits / receives data to / from the user interface 12, the environment data generation unit 14, the image analysis unit 16, and the vehicle model unit 18.

ユーザインタフェース１２は、ユーザ（またはユーザの端末）とのインタフェースを提供する。環境データ生成部１４は、ユーザにより指定されたパラメータ（例えば歩行者までの距離や方位等）に応じて、後述の画像解析部１６に解析させるための画像データ（ＣＧ）を生成する。例えば、環境データ生成部１４は、自車の６メートル先に歩行者がいることを示すＣＧを生成する。 The user interface 12 provides an interface with the user (or the user's terminal). The environment data generation unit 14 generates image data (CG) to be analyzed by the image analysis unit 16 described later according to parameters (for example, distance to a pedestrian, direction, etc.) specified by the user. For example, the environmental data generation unit 14 generates CG indicating that there is a pedestrian 6 meters ahead of the own vehicle.

画像解析部１６は、画像データを解析することにより、車両の自動走行を制御するための車両周辺の状態（障害物の位置等）を検知する。例えば、画像解析部１６は、自車の進行方向６メートル先に歩行者がいることを示すＣＧを解析して、自車と歩行者との距離が６．２メートルであることを検知する。この場合、０．２メートルの誤差が生じている。なお、画像解析部１６による解析対象は、実際の車両では車載カメラによる撮像画像となるが、車両シミュレーションシステム１００では環境データ生成部１４により生成されたＣＧとなる。 By analyzing the image data, the image analysis unit 16 detects the state around the vehicle (position of obstacles, etc.) for controlling the automatic traveling of the vehicle. For example, the image analysis unit 16 analyzes a CG indicating that a pedestrian is 6 meters ahead of the vehicle in the traveling direction, and detects that the distance between the vehicle and the pedestrian is 6.2 meters. In this case, there is an error of 0.2 meters. The analysis target by the image analysis unit 16 is an image captured by an in-vehicle camera in an actual vehicle, but is a CG generated by the environment data generation unit 14 in the vehicle simulation system 100.

車両モデル部１８は、画像解析部１６による解析結果をもとに、車両の挙動を決定し、すなわち、車両の自動走行をシミュレーションする。例えば、画像解析部１６により自車の進行方向の６．２メートル先に歩行者がいることが検知された場合、車両モデル部１８は、ブレーキを作動させること、その結果、歩行者の１メートル手前で停車することを出力してもよい。シミュレーション制御部１０は、車両モデル部１８によるシミュレーション結果を、所定の表示装置に表示させ、または、所定の記憶装置に格納する。 The vehicle model unit 18 determines the behavior of the vehicle based on the analysis result by the image analysis unit 16, that is, simulates the automatic traveling of the vehicle. For example, when the image analysis unit 16 detects that a pedestrian is 6.2 meters ahead of the vehicle's traveling direction, the vehicle model unit 18 activates the brake, and as a result, 1 meter of the pedestrian. You may output that the vehicle stops in front of you. The simulation control unit 10 displays the simulation result by the vehicle model unit 18 on a predetermined display device or stores it in a predetermined storage device.

このように従来の車両シミュレーションシステム１００では、車両周辺の状態を示す画像を作成し、その画像から車両周辺の状態を検知し、自動運転の内容をシミュレーションしていた。シミュレーションの網羅性を高めるためには、車両周辺の明るさ（天気等）や路面状況、障害物までの距離、車両速度等、様々なケースに対応する多くの画像を作成する必要があるが、多くの画像を作成するためには多くの時間や費用を要する。 As described above, in the conventional vehicle simulation system 100, an image showing the state around the vehicle is created, the state around the vehicle is detected from the image, and the content of the automatic driving is simulated. In order to improve the completeness of the simulation, it is necessary to create many images corresponding to various cases such as brightness (weather etc.) around the vehicle, road surface condition, distance to obstacles, vehicle speed, etc. It takes a lot of time and money to create many images.

また、車両周辺の状態を示す画像は、理論モデル（例えば車両速度や明るさ等の複数のパラメータに基づく机上の計算式）をもとに作成することも考えられるが、理論モデルにより作成された画像は、現実の環境と乖離することもある。その結果、車両シミュレーションの結果が、現実の車両の挙動と乖離する可能性がある。 An image showing the state around the vehicle may be created based on a theoretical model (for example, a desk calculation formula based on a plurality of parameters such as vehicle speed and brightness), but the image was created by the theoretical model. The image may deviate from the real environment. As a result, the result of the vehicle simulation may deviate from the actual behavior of the vehicle.

そこで第１実施例では、車両周辺の現実の状態を示す環境データ（言い換えれば現実環境のデータ）と、画像解析結果とに基づいて、数量化分析を用いた統計処理により数理モデル（以下の「センサモデル」とも呼ぶ。）を生成する。そして、センサモデルを使用して、車両の挙動をシミュレーションする。これにより、車両周辺の状態を検知するシミュレーションに、各ケースの画像を作成することが不要になり、シミュレーションのコストを低減でき、また、現実に即した車両挙動をシミュレーションすることができる。 Therefore, in the first embodiment, a mathematical model (hereinafter referred to as "the following" " Also called a "sensor model"). Then, the sensor model is used to simulate the behavior of the vehicle. As a result, it is not necessary to create an image of each case in the simulation for detecting the state around the vehicle, the cost of the simulation can be reduced, and the vehicle behavior can be simulated in a realistic manner.

まず、第１実施例のセンサモデルを説明する。第１実施例のセンサモデルは、車両のシミュレーションシステムにおいて、画像に基づく検知結果（すなわち画像解析部１６および後述の画像解析部２８による検知結果）に関して推定するためのモデルである。図２は、センサモデル構築のためのサンプルデータの例を示す。同図は、歩行者の識別に関するセンサモデルを構築するためのサンプルデータを示している。各サンプルは、歩行者の識別精度に影響を与える２つの要因として、車両から歩行者までの距離と天気とを含む。 First, the sensor model of the first embodiment will be described. The sensor model of the first embodiment is a model for estimating the detection result based on the image (that is, the detection result by the image analysis unit 16 and the image analysis unit 28 described later) in the vehicle simulation system. FIG. 2 shows an example of sample data for building a sensor model. The figure shows sample data for building a sensor model for pedestrian identification. Each sample includes the distance from the vehicle to the pedestrian and the weather as two factors that affect the accuracy of pedestrian identification.

要因「距離」は、車両から歩行者までの複数段階の距離（真値）に対応する１０個のカテゴリを含む。例えば、あるカテゴリは、０．１メートルから２メートルの範囲となり、また、別のカテゴリは、２メートルから４メートルの範囲となる。要因「天気」は、晴れ、曇り、雨の３個のカテゴリを含む。各サンプルは、該当するカテゴリの値を「１」とし、非該当のカテゴリの値を「０」とする。これにより、定量的なデータだけでなく、定性的なデータ（言い換えれば質に関するデータ）も数量として扱うことができる。なお、要因は説明変数とも呼ばれる。また、要因の各カテゴリはダミー変数とも呼ばれる。 The factor "distance" includes 10 categories corresponding to a plurality of steps (true values) from the vehicle to the pedestrian. For example, one category ranges from 0.1 meters to 2 meters, and another category ranges from 2 meters to 4 meters. Factor "weather" includes three categories: sunny, cloudy, and rainy. In each sample, the value of the corresponding category is set to "1", and the value of the non-corresponding category is set to "0". As a result, not only quantitative data but also qualitative data (in other words, data on quality) can be treated as quantity. Factors are also called explanatory variables. Each category of factors is also called a dummy variable.

また、各サンプルは、画像解析の精度を示すデータとして、車両から歩行者までの距離の真値と、画像解析により検知された車両から歩行者までの距離との差（「検知距離誤差」とも呼ぶ。）を含む。実施例のセンサモデルは、車両から検知対象物（歩行者等）までの複数段階の距離に対応する複数個のダミー変数を含む。具体的には、距離の１０カテゴリと天気の３カテゴリの合計１３項目をダミー変数とし、検出距離誤差を目的変数として重回帰分析を行うことにより、各要因の各カテゴリが検出距離誤差に与える影響の大きさを示すセンサモデルを生成する。 In addition, each sample is the difference between the true value of the distance from the vehicle to the pedestrian and the distance from the vehicle to the pedestrian detected by the image analysis (also referred to as "detection distance error") as data indicating the accuracy of the image analysis. Call.) Including. The sensor model of the embodiment includes a plurality of dummy variables corresponding to a plurality of steps of distances from the vehicle to the object to be detected (pedestrian, etc.). Specifically, by performing multiple regression analysis with 10 categories of distance and 3 categories of weather as dummy variables and the detection distance error as the objective variable, the influence of each category of each factor on the detection distance error. Generate a sensor model that shows the size of.

要因の数をｍ、各要因のカテゴリ数をｎ_１、・・・ｎ_ｍ、サンプル数をＮとして一般化すると、センサモデルは式１で表すことができる。

式１のε_ｋは残差であり、ａ^ｉｊはｉ番目の要因のｊ番目のカテゴリを表すダミー変数にかかる係数である（以下「カテゴリ係数」とも呼ぶ。）。実施例のセンサモデル生成装置は、重回帰分析によって、残差の平方和が最小になるように各ダミー変数にかかるカテゴリ係数を導出する。 If the number of factors is m, the number of categories of each factor is n ₁ , ... _nm , and the number of samples is N, the sensor model can be expressed by Equation 1.

In Equation 1, ε _k is the residual, and a ^ij is the coefficient for the dummy variable representing the j-th category of the i-th factor (hereinafter, also referred to as “category coefficient”). The sensor model generator of the embodiment derives the categorical coefficients for each dummy variable by multiple regression analysis so that the sum of squares of the residuals is minimized.

図３は、第１実施例のセンサモデル生成装置２０の機能ブロックを示すブロック図である。センサモデル生成装置２０は、センサデータ記憶部２２、参照データ記憶部２４、タグデータ記憶部２６、画像解析部２８、真値検知部３０、誤差導出部３２、真値量子化部３４、タグ量子化部３６、モデル生成部３８を備える。 FIG. 3 is a block diagram showing a functional block of the sensor model generation device 20 of the first embodiment. The sensor model generator 20 includes a sensor data storage unit 22, a reference data storage unit 24, a tag data storage unit 26, an image analysis unit 28, a true value detection unit 30, an error derivation unit 32, a true value quantization unit 34, and a tag quantum. It includes a quantization unit 36 and a model generation unit 38.

図３に示す複数の機能ブロックの機能を実装した複数のモジュールを含むコンピュータプログラムが、センサモデル生成装置２０のストレージに記憶されてもよい。センサモデル生成装置２０のＣＰＵは、このコンピュータプログラムをメインメモリに読み出して実行することにより、図３に示す各機能ブロックの機能を発揮してもよい。また、図３に示す複数の機能は、複数個の装置に分散されてもよく、それら複数個の装置がシステムとして連携することで実現されてもよい。 A computer program including a plurality of modules implementing the functions of the plurality of functional blocks shown in FIG. 3 may be stored in the storage of the sensor model generator 20. The CPU of the sensor model generation device 20 may exert the function of each functional block shown in FIG. 3 by reading this computer program into the main memory and executing it. Further, the plurality of functions shown in FIG. 3 may be distributed to a plurality of devices, and may be realized by linking the plurality of devices as a system.

センサデータ記憶部２２、参照データ記憶部２４には、現実の車両を用いた試験等において収集されたデータを記憶する。センサデータ記憶部２２は、検知の対象物について各種車載センサによるセンシング結果を記憶する。実施例では、センサデータ記憶部２２は、車載カメラにより撮像された複数の画像データを記憶し、例えば、３メートル先に歩行者がいる状態を映した画像データ、６メートル先に歩行者がいる状態を映した画像データ、・・・等を記憶する。 The sensor data storage unit 22 and the reference data storage unit 24 store data collected in a test or the like using an actual vehicle. The sensor data storage unit 22 stores the sensing results of various in-vehicle sensors for the object to be detected. In the embodiment, the sensor data storage unit 22 stores a plurality of image data captured by the in-vehicle camera, for example, image data showing a state in which a pedestrian is 3 meters away, and a pedestrian 6 meters away. Image data reflecting the state, ..., etc. are stored.

参照データ記憶部２４は、検知の対象物に関する真値検出用のデータを記憶する。実施例では、参照データ記憶部２４は、ＬＩＤＡＲ（Light Detection and Ranging）による収集したデータであり、車両と対象物との距離の真値を含むデータを記憶する。タグデータ記憶部２６は、タグデータとして、ユーザ（開発者や試験者等）により設定されたデータを記憶する。例えば、タグデータ記憶部２６は、車両を用いた試験等がなされた日の天気を示すタグデータを記憶する。タグデータは、路面の種類（例えばアスファルトまたは土）や温度、季節等、様々なデータを含んでもよい。 The reference data storage unit 24 stores data for detecting the true value of the object to be detected. In the embodiment, the reference data storage unit 24 is data collected by LIDAR (Light Detection and Ranging), and stores data including a true value of the distance between the vehicle and the object. The tag data storage unit 26 stores data set by a user (developer, tester, etc.) as tag data. For example, the tag data storage unit 26 stores tag data indicating the weather on the day when a test or the like using a vehicle is performed. The tag data may include various data such as road surface type (for example, asphalt or soil), temperature, season, and the like.

なお、センサモデル生成装置２０、センサデータ記憶部２２、参照データ記憶部２４に格納されるデータであって、同じ試験で収集または入力されたデータは、互いに対応付けられ１組のサンプルデータとなる。センサモデル生成装置２０、センサデータ記憶部２２、参照データ記憶部２４には、複数の組のサンプルデータ（例えば図２で示したように１万組のサンプルデータ）が格納される。 The data stored in the sensor model generator 20, the sensor data storage unit 22, and the reference data storage unit 24, which are collected or input in the same test, are associated with each other and become a set of sample data. .. A plurality of sets of sample data (for example, 10,000 sets of sample data as shown in FIG. 2) are stored in the sensor model generation device 20, the sensor data storage unit 22, and the reference data storage unit 24.

画像解析部２８は、図１の画像解析部１６に対応する。すなわち、画像解析部２８は、センサデータ記憶部２２に記憶された画像データをもとに、車両の自動走行を制御するための車両周辺の状態を検知する。具体的には、画像解析部２８は、センサデータ記憶部２２に記憶された複数のサンプルの画像データをもとに、複数のサンプルにおける車両と歩行者との距離を検知する。画像をもとに車両と歩行者との距離を導出する方法は公知技術を採用してよい。 The image analysis unit 28 corresponds to the image analysis unit 16 in FIG. That is, the image analysis unit 28 detects the state around the vehicle for controlling the automatic traveling of the vehicle based on the image data stored in the sensor data storage unit 22. Specifically, the image analysis unit 28 detects the distance between the vehicle and the pedestrian in the plurality of samples based on the image data of the plurality of samples stored in the sensor data storage unit 22. A known technique may be adopted as a method for deriving the distance between the vehicle and the pedestrian based on the image.

真値検知部３０は、参照データ記憶部２４に記憶されたＬＩＤＡＲデータをもとに、車両周辺の状態を検知する。具体的には、真値検知部３０は、参照データ記憶部２４に記憶された複数のサンプルのＬＩＤＡＲデータをもとに、複数のサンプルにおける車両と歩行者との距離を検知する。ここで、画像を用いた距離検知よりＬＩＤＡＲを用いた距離検知の方が精度が高く、実質的に、ＬＩＤＡＲによる距離検知の結果は、車両と歩行者との距離の真値を示す。すなわち、真値検知部３０は、車両と歩行者との距離の真値を検知するとも言える。 The true value detection unit 30 detects the state around the vehicle based on the lidar data stored in the reference data storage unit 24. Specifically, the true value detection unit 30 detects the distance between the vehicle and the pedestrian in the plurality of samples based on the lidar data of the plurality of samples stored in the reference data storage unit 24. Here, the distance detection using LIDAR is more accurate than the distance detection using images, and the result of the distance detection by LIDAR shows the true value of the distance between the vehicle and the pedestrian. That is, it can be said that the true value detection unit 30 detects the true value of the distance between the vehicle and the pedestrian.

誤差導出部３２は、サンプルごとに、真値検知部３０による検知結果（実施例では車両と歩行者との距離の真値）と、画像解析部２８による検知結果（実施例では画像を用いる車両と歩行者との検知距離）との差である検知距離誤差を算出する。 For each sample, the error derivation unit 32 includes a detection result by the true value detection unit 30 (the true value of the distance between the vehicle and the pedestrian in the embodiment) and a detection result by the image analysis unit 28 (the vehicle using an image in the embodiment). The detection distance error, which is the difference between the detection distance between the vehicle and the pedestrian), is calculated.

真値量子化部３４は、サンプルごとに、真値検知部３０による検知結果（実施例では車両と歩行者との距離の真値）を、予め定められた説明変数の複数のカテゴリのいずれかに分類する。例えば、真値量子化部３４は、図２で示したように、真値検知部３０により検知された車両と歩行者との距離の真値を、１０個のカテゴリのうち該当するカテゴリに分類してもよい。 The true value quantization unit 34 determines the detection result (the true value of the distance between the vehicle and the pedestrian in the embodiment) by the true value detection unit 30 for each sample in any of a plurality of categories of predetermined explanatory variables. Classify into. For example, as shown in FIG. 2, the true value quantization unit 34 classifies the true value of the distance between the vehicle and the pedestrian detected by the true value detection unit 30 into the corresponding category out of 10 categories. You may.

タグ量子化部３６は、サンプルごとに、タグデータ記憶部２６に記憶されたタグデータを、予め定められた説明変数の複数のカテゴリのいずれかに分類する。例えば、タグ量子化部３６は、図２で示したように、天気を示すタグデータを、３個のカテゴリのうち該当するカテゴリに分類してもよい。 The tag quantization unit 36 classifies the tag data stored in the tag data storage unit 26 into one of a plurality of categories of predetermined explanatory variables for each sample. For example, as shown in FIG. 2, the tag quantization unit 36 may classify the tag data indicating the weather into the corresponding category among the three categories.

モデル生成部３８は、誤差導出部３２により算出された誤差と、真値量子化部３４により選択されたカテゴリと、タグ量子化部３６により選択されたカテゴリとの組み合わせをサンプルごとに作成する。モデル生成部３８は、誤差導出部３２により算出された誤差を目的変数とし、真値量子化部３４により選択されたカテゴリと、タグ量子化部３６により選択されたカテゴリとをダミー変数として統計処理（実施例では重回帰分析）を実行することにより、複数のカテゴリにかかる複数のカテゴリ係数を導出する。モデル生成部３８は、カテゴリ係数を設定した回帰式（上記の式１）でセンサモデルとして生成し、センサモデルのデータとして求めた複数のカテゴリの係数をモデル記憶部４０に格納する。 The model generation unit 38 creates a combination of the error calculated by the error derivation unit 32, the category selected by the true value quantization unit 34, and the category selected by the tag quantization unit 36 for each sample. The model generation unit 38 uses the error calculated by the error derivation unit 32 as the objective variable, and statistically processes the category selected by the true value quantization unit 34 and the category selected by the tag quantization unit 36 as dummy variables. By executing (multiple regression analysis in the example), a plurality of category coefficients relating to a plurality of categories are derived. The model generation unit 38 generates the sensor model by the regression equation (the above equation 1) in which the category coefficients are set, and stores the coefficients of a plurality of categories obtained as the data of the sensor model in the model storage unit 40.

次に、センサモデル生成装置２０により生成されたセンサモデルを使用する車両シミュレーションシステムを説明する。図４は、第１実施例の車両シミュレーションシステム１１０の機能ブロックを示すブロック図である。第１実施例の車両シミュレーションシステム１１０は、シミュレーション制御部１０、ユーザインタフェース１２、環境データ生成部１４、車両モデル部１８、センサモデル部５０を備える。 Next, a vehicle simulation system using the sensor model generated by the sensor model generation device 20 will be described. FIG. 4 is a block diagram showing a functional block of the vehicle simulation system 110 of the first embodiment. The vehicle simulation system 110 of the first embodiment includes a simulation control unit 10, a user interface 12, an environment data generation unit 14, a vehicle model unit 18, and a sensor model unit 50.

図４に示す複数の機能ブロックの機能を実装した複数のモジュールを含むコンピュータプログラムが、車両シミュレーションシステム１１０のストレージに記憶されてもよい。車両シミュレーションシステム１１０のＣＰＵ（またはシステム内の装置のＣＰＵ）は、このコンピュータプログラムをメインメモリに読み出して実行することにより、図４に示す各機能ブロックの機能を発揮してもよい。また、図４に示す複数の機能は、複数個の装置に分散されてもよく、それら複数個の装置がシステムとして連携することで実現されてもよい。さらにまた、図４に示す複数の機能は、単一の装置に集約されてもよい。 A computer program including a plurality of modules implementing the functions of the plurality of functional blocks shown in FIG. 4 may be stored in the storage of the vehicle simulation system 110. The CPU of the vehicle simulation system 110 (or the CPU of the device in the system) may exert the function of each functional block shown in FIG. 4 by reading the computer program into the main memory and executing the program. Further, the plurality of functions shown in FIG. 4 may be distributed to a plurality of devices, and may be realized by linking the plurality of devices as a system. Furthermore, the plurality of functions shown in FIG. 4 may be integrated into a single device.

第１実施例の車両シミュレーションシステム１１０の機能ブロックのうち、図１に示した従来の車両シミュレーションシステム１００の機能ブロックと同一または対応する機能ブロックには同一の符号を付している。以下、図１に関連して説明済みの内容は再度の説明を適宜省略する。 Among the functional blocks of the vehicle simulation system 110 of the first embodiment, the same or corresponding functional blocks as the functional blocks of the conventional vehicle simulation system 100 shown in FIG. 1 are designated by the same reference numerals. Hereinafter, the contents already explained in relation to FIG. 1 will be omitted again as appropriate.

環境データ生成部１４は、ユーザインタフェース１２で受け付けられたパラメータ、または、ファイル等の外部ソースから入力されたパラメータに応じて、シミュレーションの前提となる環境データを生成する。環境データは、センサモデルの説明変数の値を含む。実施例の環境データは、真値データとして車両から歩行者までの距離を含み、または、車両から歩行者までの距離の算出に必要なデータを含み、タグデータとして天気を示す値を含む。 The environment data generation unit 14 generates environment data that is a premise of the simulation according to the parameters received by the user interface 12 or the parameters input from an external source such as a file. The environmental data includes the values of the explanatory variables of the sensor model. The environmental data of the embodiment includes the distance from the vehicle to the pedestrian as true value data, or includes data necessary for calculating the distance from the vehicle to the pedestrian, and includes a value indicating the weather as tag data.

センサモデル部５０は、従来の車両シミュレーションシステム１００における画像解析部１６の代替となる機能を提供する。センサモデル部５０は、車両シミュレーションのパラメータとしての車両周辺の状態の真値（実施例では車両から歩行者までの距離）とタグデータをセンサモデルに入力することにより、画像解析部１６が上記状態を示す画像を解析した場合の検知結果を推定する推定部として機能する。 The sensor model unit 50 provides a function that replaces the image analysis unit 16 in the conventional vehicle simulation system 100. The sensor model unit 50 inputs the true value of the state around the vehicle (distance from the vehicle to the pedestrian in the embodiment) and tag data as parameters of the vehicle simulation into the sensor model, so that the image analysis unit 16 is in the above state. It functions as an estimation unit that estimates the detection result when the image showing the above is analyzed.

車両モデル部１８は、センサモデル部５０による推定結果をもとに車両の挙動を決定し、すなわち、車両の自動走行をシミュレーションする。例えば、センサモデル部５０により自車の進行方向の６．２メートル先に歩行者がいるという結果が得られた場合、車両モデル部１８は、ブレーキを作動させること、その結果、歩行者の１メートル手前で停車することを出力してもよい。シミュレーション制御部１０は、車両モデル部１８によるシミュレーション結果を表示装置に表示させてもよく、または、記憶装置に格納してもよい。 The vehicle model unit 18 determines the behavior of the vehicle based on the estimation result by the sensor model unit 50, that is, simulates the automatic traveling of the vehicle. For example, when the sensor model unit 50 obtains a result that a pedestrian is 6.2 meters ahead in the traveling direction of the own vehicle, the vehicle model unit 18 activates the brake, and as a result, the pedestrian 1 It may output that the vehicle stops just before the meter. The simulation control unit 10 may display the simulation result by the vehicle model unit 18 on the display device, or may store the simulation result in the storage device.

図５は、図４のセンサモデル部５０の詳細を示すブロック図である。センサモデル部５０は、タグ量子化部５２、真値量子化部５４、誤差導出部５６、模擬値導出部５８、モデル記憶部４０を含む。モデル記憶部４０は、センサモデル生成装置２０により生成されたセンサモデルを記憶する。 FIG. 5 is a block diagram showing details of the sensor model unit 50 of FIG. The sensor model unit 50 includes a tag quantization unit 52, a true value quantization unit 54, an error derivation unit 56, a simulated value derivation unit 58, and a model storage unit 40. The model storage unit 40 stores the sensor model generated by the sensor model generation device 20.

タグ量子化部５２は、環境データ生成部１４により生成されたタグデータを、シミュレーション制御部１０を介して受け付け、予め定められた説明変数の複数のカテゴリのいずれかに分類する。例えば、タグ量子化部５２は、図２で示したように、天気を示すタグデータを、３個のカテゴリのうち該当するカテゴリに分類してもよい。 The tag quantization unit 52 receives the tag data generated by the environment data generation unit 14 via the simulation control unit 10 and classifies the tag data into one of a plurality of categories of predetermined explanatory variables. For example, as shown in FIG. 2, the tag quantization unit 52 may classify the tag data indicating the weather into the corresponding category among the three categories.

真値量子化部５４は、環境データ生成部１４により生成された真値データ、もしくは真値を算出用のデータ（以下合わせて「真値データ」と称する）を、シミュレーション制御部１０を介して受け付け、予め定められた説明変数の複数のカテゴリのいずれかに分類する。例えば、真値量子化部５４は、図２で示したように、車両から歩行者への距離の真値を、１０個のカテゴリのうち該当するカテゴリに分類してもよい。 The true value quantization unit 54 transmits the true value data generated by the environment data generation unit 14 or the data for calculating the true value (hereinafter collectively referred to as “true value data”) via the simulation control unit 10. Accept and classify into one of multiple categories of predefined explanatory variables. For example, as shown in FIG. 2, the true value quantization unit 54 may classify the true value of the distance from the vehicle to the pedestrian into the corresponding category out of ten categories.

誤差導出部５６は、環境データ生成部１４により生成された真値データおよびタグデータと、モデル記憶部４０に記憶されたセンサモデル（例えば上記の式１）とにしたがって、検知距離誤差を導出する。実施例では、誤差導出部５６は、センサモデルのダミー変数のうち、タグ量子化部５２および真値量子化部５４により選択されたカテゴリに対応するダミー変数の値を１（非選択のカテゴリに対応するダミー変数値は０）に設定することにより、１となるダミー変数の対応するカテゴリの係数を用いてセンサモデルの目的変数である検知距離誤差を算出する。 The error derivation unit 56 derives the detection distance error according to the true value data and tag data generated by the environment data generation unit 14 and the sensor model (for example, the above equation 1) stored in the model storage unit 40. .. In the embodiment, the error derivation unit 56 sets the value of the dummy variable corresponding to the category selected by the tag quantization unit 52 and the true value quantization unit 54 among the dummy variables of the sensor model to 1 (in the non-selected category). By setting the corresponding dummy variable value to 0), the detection distance error, which is the objective variable of the sensor model, is calculated using the coefficient of the corresponding category of the dummy variable which becomes 1.

模擬値導出部５８は、誤差導出部５６により導出された検知距離誤差を、環境データ生成部１４により生成された真値データに足すことにより、画像解析部１６（画像解析部２８）による検知結果をシミュレーションする。例えば、模擬値導出部５８は、現実の車両の６メートル先に歩行者がいる場合に画像解析部１６が検知するであろう歩行者までの距離（誤差を含む値であり、例えば６．２メートル）を導出する。模擬値導出部５８により導出された値（例えば歩行者までの距離）は、シミュレーション制御部１０を介して車両モデル部１８へ入力され、車両の挙動がシミュレーションされる。 The simulated value derivation unit 58 adds the detection distance error derived by the error derivation unit 56 to the true value data generated by the environment data generation unit 14, and the detection result by the image analysis unit 16 (image analysis unit 28). To simulate. For example, the simulated value derivation unit 58 is a distance to a pedestrian (a value including an error, for example 6.2) that the image analysis unit 16 will detect when a pedestrian is 6 meters ahead of the actual vehicle. Meter) is derived. The value derived by the simulated value deriving unit 58 (for example, the distance to a pedestrian) is input to the vehicle model unit 18 via the simulation control unit 10, and the behavior of the vehicle is simulated.

以上の構成による動作を説明する。
まず、図３を参照しつつ、センサモデル生成装置２０に関する動作を説明する。車両シミュレーションシステムを顧客やパートナー企業に提供すべき車載機器の開発者は、実際に車両を走行させて、車載カメラで車外の歩行者を撮像し、複数サンプルの撮像画像をセンサデータ記憶部２２に記憶させる。それとともに開発者は、ＬＩＤＡＲ装置で上記歩行者までの距離を計測させ、複数サンプルの距離の真値を示す計測結果を参照データ記憶部２４に記憶させる。さらにまた、開発者は、天気等の定性的な内容を示す複数サンプルのタグデータをタグデータ記憶部２６に記憶させる。 The operation by the above configuration will be described.
First, the operation of the sensor model generator 20 will be described with reference to FIG. A developer of an in-vehicle device that should provide a vehicle simulation system to a customer or a partner company actually drives the vehicle, images a pedestrian outside the vehicle with an in-vehicle camera, and outputs a plurality of sample images to the sensor data storage unit 22. Remember. At the same time, the developer causes the LIDAR device to measure the distance to the pedestrian, and stores the measurement result indicating the true value of the distance of the plurality of samples in the reference data storage unit 24. Furthermore, the developer stores tag data of a plurality of samples showing qualitative contents such as weather in the tag data storage unit 26.

画像解析部２８は、サンプルごとに、センサデータ記憶部２２に格納された画像から歩行者までの距離を検知する。真値検知部３０は、サンプルごとに、参照データ記憶部２４に格納された計測結果から歩行者までの距離の真値を検知する。誤差導出部３２は、サンプルごとに、画像に基づく検知距離と真値との差である検知距離誤差を導出する。真値量子化部３４は、歩行者までの距離の真値のカテゴリを特定し、タグ量子化部３６は、タグデータのカテゴリを特定する。 The image analysis unit 28 detects the distance from the image stored in the sensor data storage unit 22 to the pedestrian for each sample. The true value detection unit 30 detects the true value of the distance to the pedestrian from the measurement result stored in the reference data storage unit 24 for each sample. The error derivation unit 32 derives a detection distance error, which is the difference between the detection distance based on the image and the true value, for each sample. The true value quantization unit 34 specifies the true value category of the distance to the pedestrian, and the tag quantization unit 36 specifies the tag data category.

モデル生成部３８は、歩行者までの距離の真値のカテゴリと、タグデータのカテゴリとをダミー変数とし、検知距離誤差を目的変数として、複数のサンプルによる重回帰分析を実行することで、センサモデルを生成する。モデル生成部３８は、生成したセンサモデルをモデル記憶部４０に格納する。 The model generation unit 38 uses the category of the true value of the distance to the pedestrian and the category of the tag data as dummy variables, and uses the detection distance error as the objective variable to perform multiple regression analysis using a plurality of samples, thereby performing a sensor. Generate a model. The model generation unit 38 stores the generated sensor model in the model storage unit 40.

第１実施例のセンサモデル生成装置２０によると、車両の挙動をシミュレーションする際に画像解析による検知結果が必要な場合、シミュレーションすべき各ケースの画像を用意すること、また、各ケースの画像を解析することが不要になり、シミュレーションに要する時間および費用を低減できる。また、車両周辺の実際の状態を示すデータを用いてセンサモデルを生成することで、現実に即した結果を出力するセンサモデルを生成できる。 According to the sensor model generator 20 of the first embodiment, when a detection result by image analysis is required when simulating the behavior of a vehicle, an image of each case to be simulated is prepared, and an image of each case is provided. It eliminates the need for analysis and reduces the time and cost required for simulation. Further, by generating a sensor model using data showing an actual state around the vehicle, it is possible to generate a sensor model that outputs a result in line with reality.

次に、図４および図５を参照しつつ、車両シミュレーションシステム１１０に関する動作を説明する。ここでは、車両の近傍に歩行者が存在する場合の車両の挙動をシミュレーションすることとする。ユーザは、車両から歩行者までの距離と、天気とをシミュレーションのパラメータとして車両シミュレーションシステム１１０のユーザインタフェース１２へ入力する。環境データ生成部１４は、ユーザインタフェース１２で受け付けられた車両から歩行者までの距離を示す真値データを生成し、また、ユーザインタフェース１２で受け付けられた天気を示すタグデータを生成する。 Next, the operation of the vehicle simulation system 110 will be described with reference to FIGS. 4 and 5. Here, the behavior of the vehicle when there are pedestrians in the vicinity of the vehicle is simulated. The user inputs the distance from the vehicle to the pedestrian and the weather as simulation parameters into the user interface 12 of the vehicle simulation system 110. The environment data generation unit 14 generates true value data indicating the distance from the vehicle to the pedestrian received by the user interface 12, and also generates tag data indicating the weather received by the user interface 12.

タグ量子化部５２は、タグデータ（例えば図２の天気）のカテゴリを特定し、真値量子化部５４は、真値データ（例えば図２の距離）のカテゴリを特定する。誤差導出部５６は、モデル記憶部４０に記憶されたセンサモデルの説明変数のカテゴリを示すダミー変数のうち、タグ量子化部５２および真値量子化部５４により特定されたカテゴリ（ダミー変数）の値を「１」とし、そのカテゴリに対応する係数（即ち、モデルデータ）をもちいることにより、目的変数である検知距離誤差を得る。模擬値導出部５８は、車両から歩行者までの距離（真値）に検知距離誤差を足すことにより、画像解析部２８により検知される車両から歩行者までの距離（誤差を含む）を推定する。 The tag quantization unit 52 specifies a category of tag data (for example, the weather in FIG. 2), and the true value quantization unit 54 specifies a category of true value data (for example, the distance in FIG. 2). The error derivation unit 56 is a dummy variable of the category (dummy variable) specified by the tag quantization unit 52 and the true value quantization unit 54 among the dummy variables indicating the categories of the explanatory variables of the sensor model stored in the model storage unit 40. By setting the value to "1" and using the coefficient (that is, model data) corresponding to the category, the detection distance error, which is the objective variable, is obtained. The simulated value derivation unit 58 estimates the distance (including the error) from the vehicle to the pedestrian detected by the image analysis unit 28 by adding the detection distance error to the distance (true value) from the vehicle to the pedestrian. ..

車両モデル部１８は、模擬値導出部５８により導出された車両から歩行者までの距離（誤差を含む）に基づいて、車両の挙動を決定する。シミュレーション制御部１０は、車両モデル部１８による決定内容をシミュレーション結果として、所定の出力装置に出力し、または、所定の記憶装置に記憶させる。 The vehicle model unit 18 determines the behavior of the vehicle based on the distance (including an error) from the vehicle to the pedestrian derived by the simulated value derivation unit 58. The simulation control unit 10 outputs the determined content of the vehicle model unit 18 as a simulation result to a predetermined output device or stores it in a predetermined storage device.

第１実施例の車両シミュレーションシステム１１０によると、車両の挙動をシミュレーションする際に画像解析による検知結果が必要な場合、シミュレーションすべき各ケースの画像を用意し、各ケースの画像を解析することが不要になり、シミュレーションに要する時間および費用を低減できる。また、シミュレーションの網羅性を高めやすくなる。さらにまた、車両周辺の実際の状態を用いて生成したセンサモデルを用いることで、現実に即した車両挙動等をシミュレーションすることができる。 According to the vehicle simulation system 110 of the first embodiment, when the detection result by image analysis is required when simulating the behavior of the vehicle, it is possible to prepare an image of each case to be simulated and analyze the image of each case. It becomes unnecessary, and the time and cost required for simulation can be reduced. In addition, it becomes easy to improve the completeness of the simulation. Furthermore, by using a sensor model generated using the actual state around the vehicle, it is possible to simulate the vehicle behavior and the like in line with reality.

以上、本開示を第１実施例をもとに説明した。第１実施例は例示であり、各構成要素あるいは各処理プロセスの組合せにいろいろな変形例が可能なこと、またそうした変形例も本開示の範囲にあることは当業者に理解されるところである。以下変形例を示す。 The present disclosure has been described above based on the first embodiment. The first embodiment is an example, and it will be understood by those skilled in the art that various modifications are possible for each component or combination of each processing process, and that such modifications are also within the scope of the present disclosure. A modified example is shown below.

第１変形例を説明する。車両シミュレーションシステム１１０のセンサモデル部５０は、複数個のダミー変数に係る複数個の係数から、曲線フィッティングにより対象物（例えば歩行者）までの距離の真値に応じた係数をセンサモデルに適用する。 The first modification will be described. The sensor model unit 50 of the vehicle simulation system 110 applies to the sensor model a coefficient corresponding to the true value of the distance to the object (for example, a pedestrian) by curve fitting from a plurality of coefficients related to the plurality of dummy variables. ..

図６は、曲線フィッティングの例を示す。ここでは、センサモデルが、少なくとも５８個のカテゴリ（説明変数）を含むこととする。例えば、車両と歩行者との距離を１０センチ刻みでカテゴリとしてもよい。カテゴリ係数グラフ６０は、センサモデルにおける一つの説明変数（即ち、誤差要因）の５８個のカテゴリのそれぞれの係数（カテゴリ係数）を示す折れ線グラフである。センサモデル部５０の誤差導出部５６は、複数個のカテゴリ係数に対して曲線フィッティングを行うことにより近似曲線６２（二次多項式近似曲線とも言える）を導出する。 FIG. 6 shows an example of curve fitting. Here, it is assumed that the sensor model includes at least 58 categories (explanatory variables). For example, the distance between the vehicle and the pedestrian may be classified as a category in increments of 10 cm. The category coefficient graph 60 is a line graph showing the coefficients (category coefficients) of each of the 58 categories of one explanatory variable (that is, the error factor) in the sensor model. The error derivation unit 56 of the sensor model unit 50 derives an approximate curve 62 (which can also be said to be a quadratic polynomial approximate curve) by performing curve fitting on a plurality of category coefficients.

誤差導出部５６は、車両から歩行者までの距離の真値に対応するカテゴリ係数を近似曲線６２から取得する。例えば、距離が１０センチ刻みの場合、距離の真値が３．２メートルであれば、誤差導出部５６は、カテゴリ番号「３２」における近似曲線６２の値（例えば「０」）をカテゴリ係数として取得してもよい。誤差導出部５６は、近似曲線６２から取得したカテゴリ係数をダミー変数（図２の例ではダミー変数の値は「１」）の重みとして適用し、目的変数の値（例えば検知距離誤差）を導出してもよい。また、距離真値を連続量として横軸の座標に変換し、近似曲線式に代入し算出した値を上記距離真値に対応する係数として適用してもよい。これらの変形例によると、曲線フィッティングにより、入力された説明変数に対する適切な重み付けを実現できる。 The error deriving unit 56 acquires the category coefficient corresponding to the true value of the distance from the vehicle to the pedestrian from the approximate curve 62. For example, when the distance is in increments of 10 cm and the true value of the distance is 3.2 meters, the error derivation unit 56 uses the value of the approximate curve 62 (for example, “0”) in the category number “32” as the category coefficient. You may get it. The error derivation unit 56 applies the category coefficient acquired from the approximate curve 62 as the weight of the dummy variable (the value of the dummy variable is “1” in the example of FIG. 2), and derives the value of the objective variable (for example, the detection distance error). You may. Further, the true distance value may be converted into the coordinates on the horizontal axis as a continuous quantity, substituted into the approximate curve formula, and the calculated value may be applied as a coefficient corresponding to the true distance value. According to these variants, curve fitting can provide appropriate weighting for the input explanatory variables.

第２変形例を説明する。車両シミュレーションシステム１１０のユーザインタフェース１２は、乱数に関するデータの指定をユーザから受け付ける受付部として機能してもよい。センサモデル部５０の模擬値導出部５８は、ユーザから指定された乱数に関するデータをもとに、センサモデルを用いた推定値にホワイトノイズを足してもよい。 A second modification will be described. The user interface 12 of the vehicle simulation system 110 may function as a reception unit that receives designation of data related to random numbers from the user. The simulated value deriving unit 58 of the sensor model unit 50 may add white noise to the estimated value using the sensor model based on the data related to the random number specified by the user.

例えば、ユーザは、乱数に関するデータとして、擬似乱数列を生成するためのシードをユーザインタフェース１２へ入力してもよい。模擬値導出部５８は、ユーザから入力されたシードをもとに擬似乱数列を生成して、その擬似乱数列をもとにホワイトノイズのデータを生成し、車両と歩行者との距離の推定値にホワイトノイズを足してもよい。実環境のデータにはホワイトノイズの成分が含まれるため、本変形例によると、ホワイトノイズを加味して、より現実に即した推定結果を求めることができる。 For example, the user may input a seed for generating a pseudo-random number sequence into the user interface 12 as data related to random numbers. The simulated value derivation unit 58 generates a pseudo-random number sequence based on the seed input from the user, generates white noise data based on the pseudo-random number sequence, and estimates the distance between the vehicle and the pedestrian. White noise may be added to the value. Since the data in the real environment contains a component of white noise, according to this modification, it is possible to obtain a more realistic estimation result by adding white noise.

第３変形例を説明する。上記実施例では、車両と歩行者との距離をセンサモデルにより推定したが、実施例に記載の技術は、車両周辺の状態に関する様々なものをモデルにより推定する場合に適用可能である。第３変形例では、駐車枠（駐車区画とも言える）の位置をセンサモデルにより推定する例を示す。 A third modification will be described. In the above embodiment, the distance between the vehicle and the pedestrian is estimated by the sensor model, but the technique described in the embodiment can be applied to estimate various things related to the state around the vehicle by the model. In the third modification, an example in which the position of the parking frame (which can be said to be a parking lot) is estimated by the sensor model is shown.

図７は、変形例における車両周辺の状態を示す。本変形例では、駐車枠７６をその４隅（ＦＬ、ＦＲ、ＢＬ、ＢＲ）のＸＹ座標と、駐車枠７６の方向（車両の進行方向に対する駐車枠７６の角度であり、図７のθ）で表す。本変形例では、画像解析部により検知された駐車枠７６の４隅それぞれの座標は、上記４隅（ＦＬ、ＦＲ、ＢＬ、ＢＲ）のカメラ７２からの距離（例えば、前方右側のポイントＦＲの場合、Range_R）、カメラ７２の光軸７４との角度（例えば、前方右側のポイントＦＲの場合、β_R）、および駐車枠７６の方向（θ）の影響を受ける。本変形例のセンサモデル生成装置２０は、カメラ７２からの距離、カメラ７２の光軸７４との角度、および駐車枠７６の方向のそれぞれをカテゴライズする。 FIG. 7 shows a state around the vehicle in the modified example. In this modification, the parking frame 76 has the XY coordinates of its four corners (FL, FR, BL, BR) and the direction of the parking frame 76 (the angle of the parking frame 76 with respect to the traveling direction of the vehicle, θ in FIG. 7). It is represented by. In this modification, the coordinates of each of the four corners of the parking frame 76 detected by the image analysis unit are the distances (for example, the point FR on the front right side) from the camera 72 at the four corners (FL, FR, BL, BR). In the case of Range _R ), the angle of the camera 72 with the optical axis 74 (for example, β _{R in} the case of the point FR on the front right side), and the direction (θ) of the parking frame 76. The sensor model generation device 20 of this modification categorizes each of the distance from the camera 72, the angle of the camera 72 with the optical axis 74, and the direction of the parking frame 76.

具体的には、センサモデル生成装置２０の画像解析部２８は、車両の周辺が映る画像データから、車両周辺の状態として、駐車枠の位置（座標等）を検知する。真値検知部３０は、ＬＩＤＡＲ装置の検知結果に基づき、駐車枠の位置（座標等）の真値を検知する。モデル生成部３８は、真値検知部３０により検知された駐車枠７６の座標（ＦＲの座標とする）と、画像解析部２８により検知された駐車枠７６の座標（ＦＲの座標とする）との差を目的変数として識別する。 Specifically, the image analysis unit 28 of the sensor model generation device 20 detects the position (coordinates, etc.) of the parking frame as the state around the vehicle from the image data showing the periphery of the vehicle. The true value detection unit 30 detects the true value of the position (coordinates, etc.) of the parking frame based on the detection result of the LIDAR device. The model generation unit 38 includes the coordinates of the parking frame 76 detected by the true value detection unit 30 (referred to as FR coordinates) and the coordinates of the parking frame 76 detected by the image analysis unit 28 (referred to as FR coordinates). The difference between is identified as the objective variable.

また、モデル生成部３８は、カメラ７２からの距離、カメラ７２の光軸７４との角度、および駐車枠７６の方向θの、カメラの光軸７４との角度を説明変数として扱う。これらのデータは、実施例と同様に、実際の車両を用いた試験により収集され、複数のサンプルが作成される。モデル生成部３８は、複数のサンプルに基づく重回帰分析を実行して、各カテゴリ（ダミー変数）の係数を求める。なお、実際には、駐車枠７６の４隅の座標のそれぞれに対応するセンサモデルが生成されてもよい。 Further, the model generation unit 38 handles the distance from the camera 72, the angle of the camera 72 with the optical axis 74, and the angle of the direction θ of the parking frame 76 with the optical axis 74 of the camera as explanatory variables. Similar to the examples, these data are collected by a test using an actual vehicle, and a plurality of samples are prepared. The model generation unit 38 executes multiple regression analysis based on a plurality of samples to obtain the coefficients of each category (dummy variable). Actually, a sensor model corresponding to each of the coordinates of the four corners of the parking frame 76 may be generated.

車両シミュレーションシステム１１０のシミュレーション制御部１０は、シミュレーションのパラメータとして、４隅（ＦＬ、ＦＲ、ＢＬ、ＢＲ）の座標と駐車枠方向をユーザ等から受け付け（座標系は車両座標系でもよく、センサ座標系でもよい）、それらのパラメータをセンサモデル部５０へ入力する。センサモデル部５０は、シミュレーションのパラメータをセンサモデルへ入力することにより、画像解析部２８による検知結果を推定し、すなわち、駐車枠７６の座標を推定する。具体的には、センサモデル部５０は、まず、入力された上記４隅（ＦＬ、ＦＲ、ＢＬ、ＢＲ）の座標と駐車枠方向を、説明変数であるカメラ７２からの距離、カメラ７２の光軸７４との角度、および駐車枠７６の方向に変換する。次に、センサモデル部５０は、得られた説明変数の値に基づきカテゴリを求め、それに対応する係数を適用する。車両モデル部１８は、センサモデル部５０により推定された駐車枠７６の座標に基づいて、車両の自動走行（例えば駐車枠７６への自動入庫）をシミュレーションする。 The simulation control unit 10 of the vehicle simulation system 110 accepts the coordinates of the four corners (FL, FR, BL, BR) and the parking frame direction from the user or the like as simulation parameters (the coordinate system may be the vehicle coordinate system, or the sensor coordinates. (It may be a system), and those parameters are input to the sensor model unit 50. The sensor model unit 50 estimates the detection result by the image analysis unit 28 by inputting the simulation parameters into the sensor model, that is, estimates the coordinates of the parking frame 76. Specifically, the sensor model unit 50 first sets the input coordinates of the four corners (FL, FR, BL, BR) and the parking frame direction as explanatory variables such as the distance from the camera 72 and the light of the camera 72. The angle with the shaft 74 and the direction of the parking frame 76 are converted. Next, the sensor model unit 50 obtains a category based on the value of the obtained explanatory variable, and applies a coefficient corresponding to the category. The vehicle model unit 18 simulates automatic traveling of the vehicle (for example, automatic warehousing in the parking frame 76) based on the coordinates of the parking frame 76 estimated by the sensor model unit 50.

第１実施例および変形例に記載の技術は、以下の項目によって特定されてもよい。
［項目１］
車両の周辺が映る画像データから、前記車両の自動走行を制御するための前記車両周辺の状態を検知する第１検知部と、
前記推定部より高い精度で、前記車両周辺の状態を検知する第２検知部と、
前記車両のシミュレーションシステムにおいて前記第１検知部による検知結果に関して推定するためのモデルであって、前記第２検知部により検知された状態を説明変数とし、前記第２検知部により検知された状態と、前記第１検知部により検知された状態との差を目的変数とするモデルを生成する生成部と、
を備えるモデル生成装置。
このモデル生成装置によると、車両をシミュレーションする際に第１検知部による検知結果が必要な場合、シミュレーションすべき各ケースの画像を用意すること、また、各ケースの画像を解析することが不要になり、シミュレーションのコストを低減できる。また、モデルの生成において車両周辺の実際の状態を用いることで、現実に即した結果を出力するモデルを生成できる。
［項目２］
車両の周辺が映る画像データから、前記車両の自動走行を制御するための前記車両周辺の状態を検知する検知部について、前記検知部による検知結果に関して推定するためのモデルであって、前記車両周辺の状態の真値を説明変数とし、前記車両周辺の状態の真値と、前記検知部により検知された状態との差を目的変数とするモデルを記憶する記憶部と、
シミュレーションのパラメータとしての前記車両周辺の状態の真値を前記モデルに入力することにより、前記検知部による検知結果を推定する推定部と、
前記推定部による推定結果をもとに前記車両の自動走行をシミュレーションするシミュレーション部と、
を備える車両シミュレーションシステム。
この車両シミュレーションシステムによると、車両をシミュレーションする際に第１検知部による検知結果が必要な場合、シミュレーションすべき各ケースの画像を用意すること、また、各ケースの画像を解析することが不要になり、シミュレーションのコストを低減できる。また、車両周辺の実際の状態を用いて生成したモデルを用いることで、現実に即した車両挙動等をシミュレーションすることができる。
［項目３］
前記モデルは、前記車両周辺の状態の真値である説明変数の複数段階の値に対応する複数個のダミー変数を含み、
前記推定部は、前記複数個のダミー変数に係る各々の係数から、曲線フィッティングにより前記車両周辺の状態の真値である説明変数の連続値に対する係数の連続量を求め、前記係数の連続量の中から前記説明変数の連続値に対応する係数を前記モデルに適用する、
項目２に記載の車両シミュレーションシステム。
この車両シミュレーションシステムによると、曲線フィッティングにより、説明変数に対する適切な重み付けを実現できる。
［項目４］
乱数に関するデータの指定をユーザから受け付ける受付部をさらに備え、
前記推定部は、前記乱数に関するデータをもとに、前記モデルを用いた推定値にホワイトノイズを足す、
項目２または３に記載の車両シミュレーションシステム。
この車両シミュレーションシステムによると、ホワイトノイズを加味して、より現実に即した推定結果を求めることができるとともに、乱数に関するデータの指定を可能にすることで、シミュレーションの再現性も持たせることができる。
［項目５］
第１検知部が、車両の周辺が映る画像データから、前記車両の自動走行を制御するための前記車両周辺の状態を検知し、
第２検知部が、前記第１検知部より高い精度で、前記車両周辺の状態を検知し、
前記車両のシミュレーションシステムにおいて前記第１検知部による検知結果に関して推定するためのモデルであって、前記第２検知部により検知された状態を説明変数とし、前記第２検知部により検知された状態と、前記第１検知部により検知された状態との差を目的変数とするモデルを生成する、
モデル生成方法。
このモデル生成方法によると、車両をシミュレーションする際に第１検知部による検知結果が必要な場合、シミュレーションすべき各ケースの画像を用意すること、また、各ケースの画像を解析することが不要になり、シミュレーションのコストを低減できる。また、モデルの生成において車両周辺の実際の状態を用いることで、現実に即した結果を出力するモデルを生成できる。
［項目６］
車両の周辺が映る画像データから、前記車両の自動走行を制御するための前記車両周辺の状態を検知する検知部について、前記検知部による検知結果に関して推定するためのモデルであって、前記車両周辺の状態の真値を説明変数とし、前記車両周辺の状態の真値と、前記検知部により検知された状態との差を目的変数とするモデルを記憶し、
シミュレーションのパラメータとしての前記車両周辺の状態の真値を前記モデルに入力することにより、前記検知部による検知結果を推定し、
前記推定部による推定結果をもとに前記車両の自動走行をシミュレーションする、
車両シミュレーション方法。
この車両シミュレーション方法によると、車両をシミュレーションする際に第１検知部による検知結果が必要な場合、シミュレーションすべき各ケースの画像を用意すること、また、各ケースの画像を解析することが不要になり、シミュレーションのコストを低減できる。車両周辺の実際の状態を用いて生成したモデルを用いることで、現実に即した車両挙動等をシミュレーションすることができる。
［項目７］
第１検知部が、車両の周辺が映る画像データから、前記車両の自動走行を制御するための前記車両周辺の状態を検知し、
第２検知部が、前記第１検知部より高い精度で、前記車両周辺の状態を検知し、
前記車両のシミュレーションシステムにおいて前記第１検知部による検知結果に関して推定するためのモデルであって、前記第２検知部により検知された状態を説明変数とし、前記第２検知部により検知された状態と、前記第１検知部により検知された状態との差を目的変数とするモデルを生成する、
ことをコンピュータに実行させるためのコンピュータプログラム。
このコンピュータプログラムによると、車両をシミュレーションする際に第１検知部による検知結果が必要な場合、シミュレーションすべき各ケースの画像を用意すること、また、各ケースの画像を解析することが不要になり、シミュレーションのコストを低減できる。また、モデルの生成において車両周辺の実際の状態を用いることで、現実に即した結果を出力するモデルを生成できる。
［項目８］
車両の周辺が映る画像データから、前記車両の自動走行を制御するための前記車両周辺の状態を検知する検知部について、前記検知部による検知結果に関して推定するためのモデルであって、前記車両周辺の状態の真値を説明変数とし、前記車両周辺の状態の真値と、前記検知部により検知された状態との差を目的変数とするモデルを記憶し、
シミュレーションのパラメータとしての前記車両周辺の状態の真値を前記モデルに入力することにより、前記検知部による検知結果を推定し、
前記推定部による推定結果をもとに前記車両の自動走行をシミュレーションする、
ことをコンピュータに実行させるためのコンピュータプログラム。
このコンピュータプログラムによると、車両をシミュレーションする際に第１検知部による検知結果が必要な場合、シミュレーションすべき各ケースの画像を用意すること、また、各ケースの画像を解析することが不要になり、シミュレーションのコストを低減できる。車両周辺の実際の状態を用いて生成したモデルを用いることで、現実に即した車両挙動等をシミュレーションすることができる。 The techniques described in the first embodiment and the modifications may be specified by the following items.
[Item 1]
From the image data showing the surroundings of the vehicle, a first detection unit that detects the state of the surroundings of the vehicle for controlling the automatic running of the vehicle, and
A second detection unit that detects the state around the vehicle with higher accuracy than the estimation unit, and
It is a model for estimating the detection result by the first detection unit in the vehicle simulation system, and the state detected by the second detection unit is used as an explanatory variable, and the state detected by the second detection unit is used. , A generation unit that generates a model with the difference from the state detected by the first detection unit as the objective variable, and
A model generator equipped with.
According to this model generator, when the detection result by the first detection unit is required when simulating a vehicle, it is not necessary to prepare an image of each case to be simulated and to analyze the image of each case. Therefore, the cost of simulation can be reduced. Further, by using the actual state around the vehicle in the model generation, it is possible to generate a model that outputs a realistic result.
[Item 2]
This is a model for estimating the detection result of the detection unit for detecting the state of the vicinity of the vehicle for controlling the automatic traveling of the vehicle from the image data showing the periphery of the vehicle. A storage unit that stores a model in which the true value of the state of is used as an explanatory variable and the difference between the true value of the state around the vehicle and the state detected by the detection unit is used as the objective variable.
An estimation unit that estimates the detection result by the detection unit by inputting the true value of the state around the vehicle as a simulation parameter into the model, and an estimation unit.
A simulation unit that simulates the automatic driving of the vehicle based on the estimation result by the estimation unit,
Vehicle simulation system with.
According to this vehicle simulation system, when the detection result by the first detection unit is required when simulating a vehicle, it is not necessary to prepare an image of each case to be simulated and to analyze the image of each case. Therefore, the cost of simulation can be reduced. In addition, by using a model generated using the actual state around the vehicle, it is possible to simulate the vehicle behavior and the like in line with reality.
[Item 3]
The model includes a plurality of dummy variables corresponding to a multi-step value of an explanatory variable which is a true value of the state around the vehicle.
The estimation unit obtains the continuous amount of the coefficient with respect to the continuous value of the explanatory variable which is the true value of the state around the vehicle by curve fitting from each coefficient related to the plurality of dummy variables, and obtains the continuous amount of the coefficient with respect to the continuous value of the explanatory variable. A coefficient corresponding to the continuous value of the explanatory variable is applied to the model.
The vehicle simulation system according to item 2.
According to this vehicle simulation system, curve fitting can achieve appropriate weighting of explanatory variables.
[Item 4]
It also has a reception unit that accepts data related to random numbers from the user.
The estimation unit adds white noise to the estimated value using the model based on the data related to the random number.
The vehicle simulation system according to item 2 or 3.
According to this vehicle simulation system, it is possible to obtain a more realistic estimation result by adding white noise, and by making it possible to specify data related to random numbers, it is possible to have reproducibility of the simulation. ..
[Item 5]
The first detection unit detects the state around the vehicle for controlling the automatic traveling of the vehicle from the image data showing the periphery of the vehicle.
The second detection unit detects the state around the vehicle with higher accuracy than the first detection unit.
It is a model for estimating the detection result by the first detection unit in the vehicle simulation system, and the state detected by the second detection unit is used as an explanatory variable, and the state detected by the second detection unit is used. , Generate a model with the difference from the state detected by the first detection unit as the objective variable.
Model generation method.
According to this model generation method, when the detection result by the first detection unit is required when simulating a vehicle, it is not necessary to prepare an image of each case to be simulated and to analyze the image of each case. Therefore, the cost of simulation can be reduced. Further, by using the actual state around the vehicle in the model generation, it is possible to generate a model that outputs a realistic result.
[Item 6]
This is a model for estimating the detection result of the detection unit for detecting the state of the vicinity of the vehicle for controlling the automatic traveling of the vehicle from the image data showing the periphery of the vehicle. A model is stored in which the true value of the state of is used as an explanatory variable and the difference between the true value of the state around the vehicle and the state detected by the detection unit is used as the objective variable.
By inputting the true value of the state around the vehicle as a simulation parameter into the model, the detection result by the detection unit is estimated.
Simulate the automatic driving of the vehicle based on the estimation result by the estimation unit.
Vehicle simulation method.
According to this vehicle simulation method, when the detection result by the first detection unit is required when simulating a vehicle, it is not necessary to prepare an image of each case to be simulated and to analyze the image of each case. Therefore, the cost of simulation can be reduced. By using a model generated using the actual state around the vehicle, it is possible to simulate the vehicle behavior and the like in line with reality.
[Item 7]
The first detection unit detects the state around the vehicle for controlling the automatic traveling of the vehicle from the image data showing the periphery of the vehicle.
The second detection unit detects the state around the vehicle with higher accuracy than the first detection unit.
It is a model for estimating the detection result by the first detection unit in the vehicle simulation system, and the state detected by the second detection unit is used as an explanatory variable, and the state detected by the second detection unit is used. , Generate a model with the difference from the state detected by the first detection unit as the objective variable.
A computer program that lets a computer do things.
According to this computer program, when the detection result by the first detection unit is required when simulating a vehicle, it is not necessary to prepare an image of each case to be simulated and to analyze the image of each case. , The cost of simulation can be reduced. Further, by using the actual state around the vehicle in the model generation, it is possible to generate a model that outputs a realistic result.
[Item 8]
This is a model for estimating the detection result of the detection unit for detecting the state of the vicinity of the vehicle for controlling the automatic traveling of the vehicle from the image data showing the periphery of the vehicle. A model is stored in which the true value of the state of is used as an explanatory variable and the difference between the true value of the state around the vehicle and the state detected by the detection unit is used as the objective variable.
By inputting the true value of the state around the vehicle as a simulation parameter into the model, the detection result by the detection unit is estimated.
Simulate the automatic driving of the vehicle based on the estimation result by the estimation unit.
A computer program that lets a computer do things.
According to this computer program, when the detection result by the first detection unit is required when simulating a vehicle, it is not necessary to prepare an image of each case to be simulated and to analyze the image of each case. , The cost of simulation can be reduced. By using a model generated using the actual state around the vehicle, it is possible to simulate the vehicle behavior and the like in line with reality.

＜第２実施例＞
第２実施例の概要を説明する。従来の車両シミュレーションシステムでは、シミュレーション結果において、ＣＧの認識結果のみ、または、シミュレーションにおける車両周辺の状態の真値（理想値とも言え、例えば、自車両近傍の他車両の真の位置）のみを描いていた。そのため、シミュレーション結果が、センシングアルゴリズムや制御アルゴリズムの評価、課題抽出、改善等に対して十分に貢献しないことがあった。 <Second Example>
The outline of the second embodiment will be described. In the conventional vehicle simulation system, only the CG recognition result or the true value of the state around the vehicle in the simulation (which can be said to be an ideal value, for example, the true position of another vehicle in the vicinity of the own vehicle) is drawn in the simulation result. Was there. Therefore, the simulation results may not sufficiently contribute to the evaluation of sensing algorithms and control algorithms, problem extraction, improvement, and the like.

第２実施例の車両シミュレーションシステムは、第１実施例の車両シミュレーションシステムと同様に、センサモデルを用いてセンシング結果（誤差を含む）を推定する。また、第２実施例の車両シミュレーションシステムは、センシング結果の推定値をセンシング対象の真値とともに表示させる。さらにまた、第２実施例の車両シミュレーションシステムは、センシング結果の推定値とセンシング対象の真値との誤差に関する情報をさらに出力する。第２実施例の車両シミュレーションシステムによると、センシングアルゴリズムや制御アルゴリズムの評価、課題抽出、改善等に対して一層有用なシミュレーション結果を提供することができる。 Similar to the vehicle simulation system of the first embodiment, the vehicle simulation system of the second embodiment estimates the sensing result (including the error) using the sensor model. Further, the vehicle simulation system of the second embodiment displays the estimated value of the sensing result together with the true value of the sensing target. Furthermore, the vehicle simulation system of the second embodiment further outputs information regarding an error between the estimated value of the sensing result and the true value of the sensing target. According to the vehicle simulation system of the second embodiment, it is possible to provide more useful simulation results for evaluation of sensing algorithms and control algorithms, problem extraction, improvement, and the like.

以下、第１実施例の構成要素と同一または対応する第２実施例の構成要素には、第１実施例と同じ符号を付して説明する。第２実施例では、第１実施例で説明済の内容は再度の説明を適宜省略し、主に、第１実施例と異なる点を説明する。 Hereinafter, the components of the second embodiment that are the same as or correspond to the components of the first embodiment will be described with the same reference numerals as those of the first embodiment. In the second embodiment, the contents already explained in the first embodiment will be omitted from the description as appropriate, and the points different from those in the first embodiment will be mainly described.

第２実施例のセンサモデルも、第１実施例のセンサモデルと同様に、車両周辺の状態に関する複数項目の真値を説明変数とし、車両に搭載された検知部による車両周辺の状態の検知結果と上記真値との差を目的変数とする数理モデル（例えば回帰式）である。検知部は、車両に搭載されるセンサ装置であり、車両周辺の状態（例えば歩行者や障害物の位置等）を検知する。検知部は、例えば、カメラ、レーダー装置、ライダー装置、ソナーの少なくとも１つを含んでもよい。 Similar to the sensor model of the first embodiment, the sensor model of the second embodiment also uses the true values of a plurality of items related to the state around the vehicle as explanatory variables, and the detection result of the state around the vehicle by the detection unit mounted on the vehicle. This is a mathematical model (for example, a regression equation) in which the difference between the true value and the above true value is used as the objective variable. The detection unit is a sensor device mounted on the vehicle and detects a state around the vehicle (for example, the position of a pedestrian or an obstacle). The detector may include, for example, at least one of a camera, a radar device, a rider device, and a sonar.

第２実施例のセンサモデルは、距離誤差を推定するためのセンサモデル（以下「距離誤差モデル」とも呼ぶ。）と、方位誤差を推定するためのセンサモデル（以下「方位誤差モデル」とも呼ぶ。）を含む。距離誤差モデルにおける目的変数は、車両から検知対象物（例えば歩行者や障害物）までの距離に関する検知結果と真値との差（以下「距離誤差」とも呼ぶ。）である。方位誤差モデルにおける目的変数は、車両に対する検知対象物の方位に関する検知結果と真値との差（以下「方位誤差」とも呼ぶ。）である。距離誤差の単位は「メートル」であってもよい。また、方位誤差の単位は「度」であってもよい。 The sensor model of the second embodiment is also referred to as a sensor model for estimating a distance error (hereinafter, also referred to as a “distance error model”) and a sensor model for estimating an orientation error (hereinafter, also referred to as a “direction error model”). )including. The objective variable in the distance error model is the difference between the true value and the detection result regarding the distance from the vehicle to the detection object (for example, a pedestrian or an obstacle) (hereinafter, also referred to as “distance error”). The objective variable in the directional error model is the difference between the detection result and the true value (hereinafter, also referred to as “direction error”) regarding the orientation of the object to be detected with respect to the vehicle. The unit of distance error may be "meter". Further, the unit of the directional error may be "degree".

図８は、距離誤差モデル構築のためのサンプルデータの例を示す。サンプルデータは、実車を用いた現実のテスト環境における真値が収集されたものである。サンプルデータにおける目的変数の項目「距離誤差」には、上記のテスト環境で計測された値が設定される。距離誤差モデルの説明変数の項目は、距離、方位、照度、姿勢を含む。距離は、車両から検知対象物までの距離であり、具体的には、車両に搭載された検知部から検知対象物までの距離である。方位は、車両に対する検知対象物の方位（方角とも言える）であり、具体的には、車両に搭載された検知部の光軸と検知対象物とがなす角度（例えば−９０°から９０°の範囲内の値）である。照度は、車両周辺の照度である。姿勢は、検知対象物の姿勢である。図８では、検知対象物が歩行者である場合の姿勢の例を示している。 FIG. 8 shows an example of sample data for constructing a distance error model. The sample data is a collection of true values in an actual test environment using an actual vehicle. The value measured in the above test environment is set in the item "distance error" of the objective variable in the sample data. The items of the explanatory variables of the distance error model include distance, direction, illuminance, and attitude. The distance is the distance from the vehicle to the detection target, and specifically, the distance from the detection unit mounted on the vehicle to the detection target. The direction is the direction (which can be said to be the direction) of the object to be detected with respect to the vehicle. Specifically, the angle between the optical axis of the detection unit mounted on the vehicle and the object to be detected (for example, −90 ° to 90 °). Value within the range). The illuminance is the illuminance around the vehicle. The posture is the posture of the object to be detected. FIG. 8 shows an example of a posture when the detection target is a pedestrian.

第１実施例で示したサンプルデータ（図３）と同様に、複数の説明変数のそれぞれは、複数のカテゴリを含む。各サンプルは、実車を用いた現実のテスト環境における真値をもとに、該当するカテゴリの値が「１」に設定され、非該当のカテゴリの値が「０」に設定される。なお、数値型の説明変数（図８では距離、方位、照度）をカテゴライズする場合、刻みは均等でなくてもよい。例えば、照度の場合、０〜１０００ルクスの照度は刻み「１０」とし、１０００ルクスより大きい照度は刻み「１００」としてもよい。 Similar to the sample data (FIG. 3) shown in the first embodiment, each of the plurality of explanatory variables includes a plurality of categories. In each sample, the value of the corresponding category is set to "1" and the value of the non-corresponding category is set to "0" based on the true value in the actual test environment using the actual vehicle. When categorizing numerical explanatory variables (distance, direction, illuminance in FIG. 8), the steps do not have to be uniform. For example, in the case of illuminance, the illuminance of 0 to 1000 lux may be set to "10", and the illuminance larger than 1000 lux may be set to "100".

方位誤差モデル構築のためのサンプルデータについて、目的変数は方位誤差（実測値）となるが、説明変数の項目は距離誤差モデルと同じである。すなわち、方位誤差モデル構築のための説明変数も、距離、方位、照度、姿勢を含み、各説明変数は複数のカテゴリに分けられる。ここで、説明変数の項目数をｍ、説明変数の各項目のカテゴリ数をｎ_１、・・・ｎ_ｍ、サンプル数をＮとして一般化すると、距離誤差モデルおよび方位誤差モデルは、第１実施例に記載の式１で表すことができる。 Regarding the sample data for constructing the directional error model, the objective variable is the directional error (measured value), but the items of the explanatory variables are the same as those of the distance error model. That is, the explanatory variables for constructing the directional error model also include the distance, the azimuth, the illuminance, and the posture, and each explanatory variable is divided into a plurality of categories. Here, if the number of items of the explanatory variable is m, the number of categories of each item of the explanatory variable is n ₁ , ... _nm , and the number of samples is N, the distance error model and the orientation error model are first implemented. It can be expressed by the formula 1 described in the example.

第２実施例のセンサモデル生成装置２０の構成は、第１実施例のセンサモデル生成装置２０の構成（図３）と同様である。センサモデル生成装置２０のモデル生成部３８は、距離誤差モデルのサンプルデータに対する重回帰分析を行って、残差の平方和が最小になるように各説明変数の各カテゴリにかかるカテゴリ係数（重み）を導出する。モデル生成部３８は、導出したカテゴリ係数を設定した回帰式（上記の式１）を距離誤差モデルとして生成し、距離誤差モデルのデータをモデル記憶部４０に格納する。方位誤差モデルの生成方法も同様である。 The configuration of the sensor model generation device 20 of the second embodiment is the same as the configuration of the sensor model generation device 20 of the first embodiment (FIG. 3). The model generation unit 38 of the sensor model generation device 20 performs multiple regression analysis on the sample data of the distance error model, and categorizes the categorical coefficients (weights) applied to each category of each explanatory variable so that the sum of squared residuals is minimized. Is derived. The model generation unit 38 generates a regression equation (the above equation 1) in which the derived category coefficients are set as a distance error model, and stores the data of the distance error model in the model storage unit 40. The method for generating the directional error model is the same.

また、第２実施例のセンサモデルは、車両に搭載された検知部による検知率（すなわち本来検知すべき対象物を検知できる割合）を推定するためのセンサモデル（以下「検知率モデル」とも呼ぶ。）をさらに含む。検知率モデルは、車両周辺の状態に関する複数項目の真値を説明変数とし、検知部による車両周辺の状態の検知有無を目的変数とする数理モデルである。 Further, the sensor model of the second embodiment is a sensor model for estimating the detection rate (that is, the rate at which an object that should be originally detected can be detected) by the detection unit mounted on the vehicle (hereinafter, also referred to as "detection rate model"). .) Is further included. The detection rate model is a mathematical model in which the true values of a plurality of items related to the state around the vehicle are used as explanatory variables, and the presence or absence of detection of the state around the vehicle by the detection unit is used as the objective variable.

図９は、検知率モデル構築のためのサンプルデータの例を示す。検知率モデル構築のための説明変数は、距離誤差モデルと同じである。すなわち、検知率モデル構築のための説明変数も、距離、方位、照度、姿勢を含み、各説明変数は複数のカテゴリに分けられている。検知率モデル構築のための目的変数は、検知ＯＫの場合に「１」、検知ＮＧの場合に「０」が設定される。 FIG. 9 shows an example of sample data for constructing a detection rate model. The explanatory variables for constructing the detection rate model are the same as those for the distance error model. That is, the explanatory variables for constructing the detection rate model also include the distance, the direction, the illuminance, and the posture, and each explanatory variable is divided into a plurality of categories. The objective variable for constructing the detection rate model is set to "1" when the detection is OK and "0" when the detection is NG.

第２実施例のセンサモデル生成装置２０は、検知率モデルを生成するために、検知有無判定部をさらに備える。検知有無判定部は、誤差導出部３２による誤差の導出に代えて、検知すべき対象物を画像解析部２８（すなわちセンシングアルゴリズム）により検知したか否かを判定する。検知有無判定部は、検知したと判定した場合、サンプルデータに検知ＯＫを示す「１」を設定し、検知しなかったと判定した場合、サンプルデータに検知ＮＧを示す「０」を設定する。 The sensor model generation device 20 of the second embodiment further includes a detection presence / absence determination unit in order to generate a detection rate model. The detection presence / absence determination unit determines whether or not the object to be detected is detected by the image analysis unit 28 (that is, the sensing algorithm) instead of the error derivation by the error derivation unit 32. When it is determined that the detection is detected, the detection presence / absence determination unit sets "1" indicating detection OK in the sample data, and sets "0" indicating detection NG in the sample data when it is determined that the detection is not detected.

センサモデル生成装置２０のモデル生成部３８は、距離誤差モデルおよび方位誤差モデルと同様の方法にて検知率モデルを生成する。具体的には、モデル生成部３８は、検知率モデルのサンプルデータに対する重回帰分析を行って、残差の平方和が最小になるように各説明変数の各カテゴリにかかるカテゴリ係数（重み）を導出する。モデル生成部３８は、導出したカテゴリ係数を設定した回帰式（上記の式１）を検知率モデルとして生成し、検知率モデルのデータをモデル記憶部４０に格納する。実施例の検知率モデルは、検知可能性が低いほど０に近い値を出力し、検知可能性が高いほど１に近い値を出力する。 The model generation unit 38 of the sensor model generation device 20 generates a detection rate model in the same manner as the distance error model and the azimuth error model. Specifically, the model generation unit 38 performs multiple regression analysis on the sample data of the detection rate model, and calculates the category coefficient (weight) for each category of each explanatory variable so that the sum of squared residuals is minimized. Derived. The model generation unit 38 generates a regression equation (the above equation 1) in which the derived category coefficient is set as a detection rate model, and stores the data of the detection rate model in the model storage unit 40. The detection rate model of the embodiment outputs a value closer to 0 as the detectability is lower, and outputs a value closer to 1 as the detectability is higher.

変形例として、検知対象物の姿勢ごとに大量のサンプルデータが収集されてもよい。モデル生成部３８は、姿勢ごとにサンプルデータを分類し、分類後のサンプルデータをもとに、距離ｄ、方位θ、照度ｌの組合せごとの検知率（例えば平均値）を導出してもよい。モデル生成部３８は、姿勢ごと、かつ、距離ｄ、方位θ、照度ｌの組合せごとに検知率を並べた表（ここでは「検知率表」と呼ぶ。）を生成してもよい。図１０は、ある姿勢についての検知率表の例を示す。 As a modification, a large amount of sample data may be collected for each posture of the detection object. The model generation unit 38 may classify the sample data for each posture and derive the detection rate (for example, the average value) for each combination of the distance d, the direction θ, and the illuminance l based on the sample data after the classification. .. The model generation unit 38 may generate a table (referred to here as a “detection rate table”) in which the detection rates are arranged for each posture and for each combination of the distance d, the direction θ, and the illuminance l. FIG. 10 shows an example of a detection rate table for a certain posture.

モデル生成部３８は、姿勢ごとの検知率表を用いて、距離、方位、照度を係数とする多項式近似曲線を検知対象物の姿勢ごとに生成してもよい。この多項式近似曲線は式２で表すことができる。

The model generation unit 38 may generate a polynomial approximation curve having distance, direction, and illuminance as coefficients for each posture of the detection object by using the detection rate table for each posture. This polynomial approximation curve can be expressed by Equation 2.

モデル生成部３８は、多項式近似により式２のａ_１、ａ_２、ｂ_１、ｂ_２、ｃ_１、ｃ_２、ｄ_０を導出してもよい。モデル生成部３８は、検知対象物の複数の姿勢に対応する複数の多項式近似曲線（式２）を複数の検知率モデルとしてモデル記憶部４０に格納してもよい。この変形例の車両シミュレーションでは、複数の検知率モデルのうち検知対象物の姿勢に対応する検知率モデルを用いて検知率を推定する。 The model generation unit 38 may derive _{a 1} , a ₂ , b ₁ , b ₂ , c ₁ , c ₂ , d ₀ of Equation 2 by polynomial approximation. The model generation unit 38 may store a plurality of polynomial approximation curves (Equation 2) corresponding to a plurality of postures of the detection target in the model storage unit 40 as a plurality of detection rate models. In the vehicle simulation of this modified example, the detection rate is estimated using the detection rate model corresponding to the posture of the detection target object among the plurality of detection rate models.

第２実施例の車両シミュレーションシステム１１０の構成は、第１実施例の車両シミュレーションシステム１１０の構成（図４）と同様である。また、第２実施例のセンサモデル部５０の構成も、第１実施例のセンサモデル部５０の構成（図５）と同様である。第２実施例のセンサモデル部５０は、車両周辺の状態を検知する検知部について、シミュレーション制御部１０からシミュレーションのパラメータとして車両周辺の状態の真値が与えられた場合に上記検知部による車両周辺の状態の検知結果を推定する推定部として機能する。 The configuration of the vehicle simulation system 110 of the second embodiment is the same as the configuration of the vehicle simulation system 110 of the first embodiment (FIG. 4). Further, the configuration of the sensor model unit 50 of the second embodiment is the same as the configuration of the sensor model unit 50 of the first embodiment (FIG. 5). The sensor model unit 50 of the second embodiment has a detection unit that detects the state around the vehicle. When the simulation control unit 10 gives the true value of the state around the vehicle as a simulation parameter, the detection unit around the vehicle It functions as an estimation unit that estimates the detection result of the state of.

具体的には、センサモデル部５０の誤差導出部５６は、シミュレーションのパラメータとしての車両周辺の状態の真値を距離誤差モデルへ入力し、距離誤差モデルからの出力として距離誤差を取得する。また、誤差導出部５６は、シミュレーションのパラメータとしての車両周辺の状態の真値を方位誤差モデルへ入力し、方位誤差モデルからの出力として方位誤差を取得する。シミュレーションのパラメータは、検知部から検知対象物までの距離と方位、車両周辺の照度、検知対象物の姿勢についてそれぞれの真値を含む。 Specifically, the error derivation unit 56 of the sensor model unit 50 inputs the true value of the state around the vehicle as a simulation parameter into the distance error model, and acquires the distance error as an output from the distance error model. Further, the error derivation unit 56 inputs the true value of the state around the vehicle as a simulation parameter into the directional error model, and acquires the directional error as an output from the directional error model. The simulation parameters include the true values of the distance and direction from the detection unit to the detection target, the illuminance around the vehicle, and the posture of the detection target.

センサモデル部５０の模擬値導出部５８は、第１実施例と同様に、誤差導出部５６により取得された誤差を、シミュレーションにおける車両周辺の状態の真値に加算することで、検知部による検知結果の推定値を導出する。例えば、模擬値導出部５８は、誤差導出部５６により取得された距離誤差を、シミュレーションにおける検知部から検知対象物までの距離真値に加算することで、検知部により検知される距離の推定値を導出する。また、模擬値導出部５８は、誤差導出部５６により取得された方位誤差を、シミュレーションにおける検知部に対する検知対象物の方位真値に加算することで、検知部により検知される方位の推定値を導出する。 Similar to the first embodiment, the simulated value derivation unit 58 of the sensor model unit 50 detects by the detection unit by adding the error acquired by the error derivation unit 56 to the true value of the state around the vehicle in the simulation. Derive an estimate of the result. For example, the simulated value derivation unit 58 adds the distance error acquired by the error derivation unit 56 to the true value of the distance from the detection unit to the detection target in the simulation, so that the estimated value of the distance detected by the detection unit is added. Is derived. Further, the simulated value deriving unit 58 adds the directional error acquired by the error deriving unit 56 to the true directional value of the object to be detected with respect to the detecting unit in the simulation to obtain an estimated value of the directional detected by the detecting unit. Derived.

また、センサモデル部５０の模擬値導出部５８は、シミュレーションのパラメータとしての車両周辺の状態の真値を検知率モデルへ入力し、検知部による検知率の推定値を導出する。例えば、模擬値導出部５８は、シミュレーションのパラメータとして車両周辺の照度、検知対象物の姿勢を検知率モデルへ入力し、さらに、検知部から検知対象物までの距離と方位の複数パターンの組み合わせを検知率モデルへ入力することにより、検知率モデルからの出力として、距離と方位の組み合わせパターンごとの検知率推定値を取得する。すなわち、模擬値導出部５８は、距離と方位の複数パターンの組み合わせに対応する複数個の検知率推定値を取得する。 Further, the simulated value deriving unit 58 of the sensor model unit 50 inputs the true value of the state around the vehicle as a simulation parameter into the detection rate model, and derives the estimated value of the detection rate by the detection unit. For example, the simulated value derivation unit 58 inputs the illuminance around the vehicle and the attitude of the detection object into the detection rate model as simulation parameters, and further, combines a plurality of patterns of the distance and direction from the detection unit to the detection object. By inputting to the detection rate model, the detection rate estimated value for each combination pattern of distance and direction is acquired as the output from the detection rate model. That is, the simulated value derivation unit 58 acquires a plurality of detection rate estimated values corresponding to a combination of a plurality of patterns of distance and direction.

模擬値導出部５８は、シミュレーションの結果として、（１）距離推定に関する情報、（２）方位推定に関する情報、（３）検知率推定に関する情報をシミュレーション制御部１０へ出力する。（１）距離推定に関する情報は、検知部により検知される距離の推定値、シミュレーションにおける距離の真値、距離誤差の値、距離誤差の内訳を含む。（２）方位推定に関する情報は、検知部により検知される方位の推定値、シミュレーションにおける方位の真値、方位誤差の値、方位誤差の内訳を含む。（３）検知率推定に関する情報は、距離と方位の複数パターンの組み合わせに対応する複数個の検知率推定値を含む。 As a result of the simulation, the simulated value deriving unit 58 outputs (1) information related to distance estimation, (2) information related to directional estimation, and (3) information related to detection rate estimation to the simulation control unit 10. (1) The information related to the distance estimation includes the estimated value of the distance detected by the detection unit, the true value of the distance in the simulation, the value of the distance error, and the breakdown of the distance error. (2) The information related to the direction estimation includes the estimated value of the direction detected by the detection unit, the true value of the direction in the simulation, the value of the direction error, and the breakdown of the direction error. (3) The information regarding the detection rate estimation includes a plurality of detection rate estimates corresponding to a combination of a plurality of patterns of distance and direction.

距離誤差の内訳は、距離誤差モデルにおける複数のカテゴリに対する複数のカテゴリ係数のうち、距離誤差の導出において使用されたカテゴリのカテゴリ係数（言い換えれば車両周辺状態の真値が該当するカテゴリのカテゴリ係数であり、以下「有効カテゴリ係数」と呼ぶ。）を含む。実施例での距離誤差の内訳は、距離誤差モデルにおける説明変数の項目名称（例えば「距離」、「方位」等）と有効カテゴリ係数の組を複数組含む。同様に、方位誤差の内訳は、方位誤差モデルにおける複数のカテゴリに対する複数のカテゴリ係数のうち、方位誤差の導出において使用されたカテゴリのカテゴリ係数（言い換えれば車両周辺状態の真値が該当するカテゴリのカテゴリ係数（有効カテゴリ係数）を含む。実施例での方位誤差の内訳は、方位誤差モデルにおける説明変数の項目名称と有効カテゴリ係数の組を複数組含む。 The breakdown of the distance error is the category coefficient of the category used in deriving the distance error (in other words, the category coefficient of the category to which the true value of the vehicle surrounding state corresponds) among the multiple category coefficients for multiple categories in the distance error model. Yes, and includes (hereinafter referred to as "effective category coefficient"). The breakdown of the distance error in the embodiment includes a plurality of sets of the item names (for example, "distance", "direction", etc.) of the explanatory variables in the distance error model and the effective category coefficients. Similarly, the breakdown of the azimuth error is the category coefficient of the category used in deriving the azimuth error (in other words, the true value of the vehicle surrounding state) among the multiple category coefficients for the plurality of categories in the azimuth error model. The categorical coefficient (effective categorical coefficient) is included. The breakdown of the azimuth error in the embodiment includes a plurality of sets of the item name of the explanatory variable and the effective categorical coefficient in the azimuth error model.

第２実施例のシミュレーション制御部１０は、車両シミュレーションの結果を示す画像を生成する機能を含む。図１１は、第２実施例のシミュレーション制御部１０の機能ブロックを示すブロック図である。シミュレーション制御部１０は、パラメータ取得部１２０、パラメータ入力部１２２、模擬値取得部１２４、結果画像生成部１２６、表示制御部１２８を備える。 The simulation control unit 10 of the second embodiment includes a function of generating an image showing the result of the vehicle simulation. FIG. 11 is a block diagram showing a functional block of the simulation control unit 10 of the second embodiment. The simulation control unit 10 includes a parameter acquisition unit 120, a parameter input unit 122, a simulated value acquisition unit 124, a result image generation unit 126, and a display control unit 128.

図１１に示す複数の機能ブロックの機能が実装された複数のモジュールを含むコンピュータプログラムが、車両シミュレーションシステム１１０のストレージに記憶されてもよい。車両シミュレーションシステム１１０のＣＰＵ（またはシステム内の装置のＣＰＵ）は、このコンピュータプログラムをメインメモリに読み出して実行することにより、図１１に示す各機能ブロックの機能を発揮してもよい。また、図１１に示す複数の機能ブロックの複数の機能は、複数個の装置に分散されてもよく、それら複数個の装置がシステムとして連携することで実現されてもよい。さらにまた、図１１に示す複数の機能ブロックの複数の機能は、単一の装置に集約されてもよい。 A computer program including a plurality of modules in which the functions of the plurality of functional blocks shown in FIG. 11 are implemented may be stored in the storage of the vehicle simulation system 110. The CPU of the vehicle simulation system 110 (or the CPU of the device in the system) may exert the function of each functional block shown in FIG. 11 by reading the computer program into the main memory and executing the program. Further, the plurality of functions of the plurality of functional blocks shown in FIG. 11 may be distributed to a plurality of devices, or may be realized by linking the plurality of devices as a system. Furthermore, the plurality of functions of the plurality of functional blocks shown in FIG. 11 may be integrated into a single device.

パラメータ取得部１２０は、ユーザインタフェース１２（ユーザ端末等）に対してユーザ（開発者や試験者等）が入力したシミュレーションのパラメータを取得する。シミュレーションのパラメータは、所定の記憶部に予め格納されてもよく、パラメータ取得部１２０は、その記憶部からシミュレーションのパラメータを読み出してもよい。既述したように、シミュレーションのパラメータは、検知部から検知対象物までの距離と方向、車両周辺の照度、検知対象物の姿勢を含む。 The parameter acquisition unit 120 acquires simulation parameters input by the user (developer, tester, etc.) to the user interface 12 (user terminal, etc.). The simulation parameters may be stored in advance in a predetermined storage unit, and the parameter acquisition unit 120 may read the simulation parameters from the storage unit. As described above, the simulation parameters include the distance and direction from the detection unit to the detection target, the illuminance around the vehicle, and the posture of the detection target.

パラメータ入力部１２２は、パラメータ取得部１２０により取得されたシミュレーションのパラメータをセンサモデル部５０へ出力することにより、センサモデル部５０にシミュレーション処理を実行させる。既述したように、センサモデル部５０は、シミュレーション制御部１０から入力されたシミュレーションのパラメータを距離誤差モデル、方位誤差モデル、検知率モデルに入力し、各モデルの出力値を含むシミュレーション結果をシミュレーション制御部１０へ出力する。 The parameter input unit 122 outputs the simulation parameters acquired by the parameter acquisition unit 120 to the sensor model unit 50, thereby causing the sensor model unit 50 to execute the simulation process. As described above, the sensor model unit 50 inputs the simulation parameters input from the simulation control unit 10 into the distance error model, the orientation error model, and the detection rate model, and simulates the simulation results including the output values of each model. Output to the control unit 10.

模擬値取得部１２４は、センサモデル部５０による車両シミュレーションの結果を取得する。具体的には、模擬値取得部１２４は、センサモデル部５０から出力された上述の（１）距離推定に関する情報、（２）方位推定に関する情報、（３）検知率推定に関する情報を取得する。 The simulated value acquisition unit 124 acquires the result of the vehicle simulation by the sensor model unit 50. Specifically, the simulated value acquisition unit 124 acquires the above-mentioned (1) distance estimation information, (2) direction estimation information, and (3) detection rate estimation information output from the sensor model unit 50.

結果画像生成部１２６は、模擬値取得部１２４により取得されたシミュレーション結果をもとに、そのシミュレーション結果を示す画像（以下「シミュレーション結果画像」とも呼ぶ。）を生成する。結果画像生成部１２６は、シミュレーション結果画像に含まれる後述の複数の要素を生成する。例えば、結果画像生成部１２６は、シミュレーション結果画像として、シミュレーションにおける車両周辺の状態の真値と、車両の検知部による検知結果の推定値とを異なる態様で示す画像を生成する。 The result image generation unit 126 generates an image (hereinafter, also referred to as “simulation result image”) showing the simulation result based on the simulation result acquired by the simulated value acquisition unit 124. The result image generation unit 126 generates a plurality of elements described later included in the simulation result image. For example, the result image generation unit 126 generates, as a simulation result image, an image showing the true value of the state around the vehicle in the simulation and the estimated value of the detection result by the vehicle detection unit in different modes.

表示制御部１２８は、結果画像生成部１２６により生成されたシミュレーション結果画像のデータを表示装置（実施例ではユーザインタフェース１２）へ出力し、シミュレーション結果画像を表示装置に表示させる。 The display control unit 128 outputs the data of the simulation result image generated by the result image generation unit 126 to the display device (user interface 12 in the embodiment), and displays the simulation result image on the display device.

シミュレーション結果画像について詳細に説明する。図１２は、シミュレーション結果画像の例を示す。シミュレーション結果画像１４０は、複数の要素として、車両画像１４１、検知位置画像１４２、真位置画像１４４、距離誤差インジケータ１４６、方位誤差インジケータ１４８、検知範囲画像１５０を含む。車両画像１４１は、シミュレーション対象の検知部を搭載した車両を示す画像である。 The simulation result image will be described in detail. FIG. 12 shows an example of a simulation result image. The simulation result image 140 includes a vehicle image 141, a detection position image 142, a true position image 144, a distance error indicator 146, an orientation error indicator 148, and a detection range image 150 as a plurality of elements. The vehicle image 141 is an image showing a vehicle equipped with a detection unit to be simulated.

検知位置画像１４２は、検知部が検知対象物を検知する位置（シミュレーションにより推定された位置であり、「検知位置」と呼ぶ。）を示す画像である。結果画像生成部１２６は、シミュレーション結果に含まれる距離推定値および方位推定値に基づいて検知位置を求め、その検知位置に検知位置画像１４２を配置する。真位置画像１４４は、シミュレーションにおける検知対象物の真の位置（「真位置」と呼ぶ。）を示す画像である。結果画像生成部１２６は、シミュレーションパラメータとしての距離真値および方位真値に基づいて真位置を求め、その真位置に真位置画像１４４を配置する。 The detection position image 142 is an image showing a position where the detection unit detects an object to be detected (a position estimated by simulation, which is referred to as a “detection position”). The result image generation unit 126 obtains the detection position based on the distance estimated value and the azimuth estimated value included in the simulation result, and arranges the detection position image 142 at the detection position. The true position image 144 is an image showing the true position (referred to as “true position”) of the detection target object in the simulation. The result image generation unit 126 obtains the true position based on the true distance value and the true directional value as simulation parameters, and arranges the true position image 144 at the true position.

また、検知位置画像１４２は、検知位置と、車両画像１４１の検知部の位置とを結ぶ線を含む。また、真位置画像１４４は、真位置と、車両画像１４１の検知部の位置とを結ぶ線を含む。結果画像生成部１２６は、検知位置画像１４２と真位置画像１４４とを異なる態様に設定し、言い換えれば、検知位置画像１４２と真位置画像１４４の外観を異ならせる。例えば、検知位置画像１４２と真位置画像１４４には、異なる態様の図形、線、または塗りつぶしが設定されてもよい。また、検知位置画像１４２と真位置画像１４４には、異なる色彩や、異なるサイズ、点線・実線の違い、陰影の有無の違いが設定されてもよい。これにより、シミュレーション結果において、検知位置と真位置とを直観的に区別でき、その違いを容易に把握することができる。 Further, the detection position image 142 includes a line connecting the detection position and the position of the detection unit of the vehicle image 141. Further, the true position image 144 includes a line connecting the true position and the position of the detection unit of the vehicle image 141. The result image generation unit 126 sets the detection position image 142 and the true position image 144 in different modes, in other words, makes the appearances of the detection position image 142 and the true position image 144 different. For example, the detection position image 142 and the true position image 144 may be set with different forms of figures, lines, or fills. Further, the detection position image 142 and the true position image 144 may be set with different colors, different sizes, differences in dotted lines / solid lines, and differences in the presence / absence of shadows. As a result, the detection position and the true position can be intuitively distinguished in the simulation result, and the difference can be easily grasped.

距離誤差インジケータ１４６は、検知位置と真位置との距離誤差の大きさを示す画像である。距離誤差インジケータ１４６は、検知位置と、車両画像１４１の検知部の位置とを結ぶ線の長さと、真位置と、車両画像１４１の検知部の位置とを結ぶ線の長さとの差分を強調態様（注意喚起色や太線等）で示すものである。結果画像生成部１２６は、シミュレーション結果の距離誤差に応じて距離誤差インジケータ１４６を設定する。これにより、シミュレーション結果において、距離誤差の把握を容易なものにできる。 The distance error indicator 146 is an image showing the magnitude of the distance error between the detection position and the true position. The distance error indicator 146 emphasizes the difference between the length of the line connecting the detection position and the position of the detection unit of the vehicle image 141 and the length of the line connecting the true position and the position of the detection unit of the vehicle image 141. It is indicated by (warning color, thick line, etc.). The result image generation unit 126 sets the distance error indicator 146 according to the distance error of the simulation result. This makes it easy to grasp the distance error in the simulation result.

方位誤差インジケータ１４８は、検知位置と真位置との方位誤差の大きさを示す画像である。方位誤差インジケータ１４８は、車両画像１４１の検知部の位置から検知位置への方位と、車両画像１４１の検知部の位置から真位置への方位との差分を強調態様（注意喚起色や太線等）で示すものである。結果画像生成部１２６は、シミュレーション結果の方位誤差に応じて方位誤差インジケータ１４８を設定する。これにより、シミュレーション結果において、方位誤差の把握を容易なものにできる。 The directional error indicator 148 is an image showing the magnitude of the directional error between the detected position and the true position. The orientation error indicator 148 emphasizes the difference between the orientation from the position of the detection unit of the vehicle image 141 to the detection position and the orientation from the position of the detection unit of the vehicle image 141 to the true position (warning color, thick line, etc.). It is shown by. The result image generation unit 126 sets the directional error indicator 148 according to the directional error of the simulation result. As a result, it is possible to easily grasp the directional error in the simulation result.

検知範囲画像１５０は、車両の検知部による検知範囲を示す画像である。実施例のシミュレーション制御部１０は、検知部の種類や製品特性に応じて予め定まる検知部の検知範囲のデータを予め記憶する検知範囲記憶部（不図示）をさらに備える。結果画像生成部１２６は、車両の検知部の検知範囲のデータを記憶部から取得し、その検知範囲（図１２では扇形の範囲）を示す検知範囲画像１５０を生成する。結果画像生成部１２６は、検知範囲の各位置の色を検知部による検知率に応じた色に設定する。これにより、車両シミュレーション結果において、対象物の位置により異なりうる検知率の把握を容易なものにできる。 The detection range image 150 is an image showing the detection range by the detection unit of the vehicle. The simulation control unit 10 of the embodiment further includes a detection range storage unit (not shown) that stores data in the detection range of the detection unit that is predetermined according to the type of the detection unit and the product characteristics. The result image generation unit 126 acquires the data of the detection range of the vehicle detection unit from the storage unit, and generates the detection range image 150 showing the detection range (fan-shaped range in FIG. 12). The result image generation unit 126 sets the color of each position in the detection range to a color corresponding to the detection rate by the detection unit. This makes it easy to grasp the detection rate that may differ depending on the position of the object in the vehicle simulation result.

具体的には、結果画像生成部１２６は、車両シミュレーション結果としての距離と方位の複数パターンの組み合わせに対応する複数個の検知率推定値にしたがって、検知範囲の各位置の検知率推定値を特定する。結果画像生成部１２６は、検知率推定値が相対的に低い位置には相対的に明度が低い色（暗い色）を設定する一方、検知率推定値が相対的に高い位置には相対的に明度が高い色（明るい色）を設定する。言い換えれば、結果画像生成部１２６は、検知率推定値が低い位置ほど、その位置に設定する色の明度を低くし、検知率推定値が高い位置ほど、その位置に設定する色の明度を高くする。図１３の検知範囲画像１５０は、検知部の光軸１５２近傍では検知率が高く、検知範囲の端付近では検知率が低いことを示している。 Specifically, the result image generation unit 126 specifies the detection rate estimation value of each position in the detection range according to a plurality of detection rate estimation values corresponding to a combination of a plurality of distance and orientation patterns as a vehicle simulation result. do. The result image generation unit 126 sets a color having a relatively low brightness (dark color) at a position where the detection rate estimation value is relatively low, while relatively at a position where the detection rate estimation value is relatively high. Set a color with high brightness (bright color). In other words, the result image generation unit 126 lowers the brightness of the color set at that position as the detection rate estimate value is lower, and increases the brightness of the color set at that position as the detection rate estimate value is higher. do. The detection range image 150 of FIG. 13 shows that the detection rate is high near the optical axis 152 of the detection unit and low near the end of the detection range.

また、シミュレーション結果画像１４０は、ユーザの所定操作に応じて、真位置と検知位置との差の内訳をさらに表示するよう構成される。図１３は、シミュレーション結果画像の例を示す。同図は、シミュレーション結果画像１４０において方位誤差インジケータ１４８を選択する操作が入力された場合に、方位誤差の内訳を示す画像である誤差内訳１５４が表示されることを示している。例えば、結果画像生成部１２６は、シミュレーション結果画像のデータとともにユーザインタフェース１２へ提供する表示制御スクリプトコード（ＪａｖａＳｃｒｉｐｔ（登録商標）等）に、方位誤差インジケータ１４８がマウスオーバーされた場合に誤差内訳１５４をポップアップ表示させるコードを設定してもよい。 Further, the simulation result image 140 is configured to further display the breakdown of the difference between the true position and the detected position according to a predetermined operation of the user. FIG. 13 shows an example of a simulation result image. The figure shows that when the operation of selecting the directional error indicator 148 is input in the simulation result image 140, the error breakdown 154, which is an image showing the breakdown of the directional error, is displayed. For example, the result image generation unit 126 adds an error breakdown 154 to the display control script code (Javascript (registered trademark), etc.) provided to the user interface 12 together with the simulation result image data when the orientation error indicator 148 is moused over. You may set the code to be displayed in a pop-up.

なお、シミュレーション結果画像１４０は、距離誤差インジケータ１４６が選択された場合、距離誤差の内訳を示す誤差内訳１５４を表示させるよう構成される。 The simulation result image 140 is configured to display an error breakdown 154 showing the breakdown of the distance error when the distance error indicator 146 is selected.

第２実施例における誤差内訳１５４は、距離誤差モデルまたは方位誤差モデルにおける複数項目の説明変数それぞれの重みを示すものである。既述したように、センサモデル部５０から出力されるシミュレーション結果は、距離誤差の内訳として、距離誤差モデルにおける説明変数の項目名称と有効カテゴリ係数の組を複数組含む。また、シミュレーション結果は、方位誤差の内訳として、方位誤差モデルにおける説明変数の項目名称と有効カテゴリ係数の組を複数組含む。結果画像生成部１２６は、距離誤差モデルにおける各説明変数の有効カテゴリ係数の比率を示すように距離誤差の内訳を示す誤差内訳１５４を生成する。結果画像生成部１２６は、方位誤差モデルにおける各説明変数の有効カテゴリ係数の比率を示すように方位誤差の内訳を示す誤差内訳１５４を生成する。誤差内訳１５４の表示により、検知位置と真位置との差を生じさせた要因をユーザに分かり易く提示することができる。 The error breakdown 154 in the second embodiment shows the weights of the explanatory variables of the plurality of items in the distance error model or the directional error model. As described above, the simulation result output from the sensor model unit 50 includes a plurality of sets of item names of explanatory variables and effective category coefficients in the distance error model as a breakdown of the distance error. In addition, the simulation result includes a plurality of sets of item names of explanatory variables and effective categorical coefficients in the directional error model as a breakdown of the directional error. The result image generation unit 126 generates an error breakdown 154 showing the breakdown of the distance error so as to show the ratio of the effective category coefficients of each explanatory variable in the distance error model. The result image generation unit 126 generates an error breakdown 154 showing the breakdown of the directional error so as to show the ratio of the effective category coefficients of each explanatory variable in the directional error model. By displaying the error breakdown 154, it is possible to present to the user the factors that caused the difference between the detection position and the true position in an easy-to-understand manner.

図１３の誤差内訳１５４では、各説明変数の有効カテゴリ係数の比率を円グラフで示したが、誤差内訳１５４は、異なる種類の統計図表を含んでもよい。図１４は、各説明変数の有効カテゴリ係数の比率を積み上げ棒グラフにより示す誤差内訳１５６の表示例を示している。図１４の誤差内訳１５６は、方位誤差と距離誤差の両方の内訳を示す。この場合、方位誤差インジケータ１４８と距離誤差インジケータ１４６のどちらが選択された場合にも同じ内容の誤差内訳１５６を表示させてもよい。なお、誤差内訳は、モデルの各説明変数の有効カテゴリ係数の比率以外の情報を示すものでもよい。例えば、誤差内訳は、モデルの各説明変数の名称のみを示すものであってもよく、また、方位誤差の値または距離誤差の値を示すものであってもよい。 In the error breakdown 154 of FIG. 13, the ratio of the effective category coefficients of each explanatory variable is shown in a pie chart, but the error breakdown 154 may include different types of statistical charts. FIG. 14 shows a display example of the error breakdown 156 in which the ratio of the effective category coefficients of each explanatory variable is shown by a stacked bar graph. The error breakdown 156 in FIG. 14 shows the breakdown of both the directional error and the distance error. In this case, the error breakdown 156 having the same contents may be displayed regardless of which of the directional error indicator 148 and the distance error indicator 146 is selected. The error breakdown may indicate information other than the ratio of the effective category coefficients of each explanatory variable of the model. For example, the error breakdown may indicate only the name of each explanatory variable of the model, or may indicate the value of the directional error or the value of the distance error.

以上、本開示を第２実施例をもとに説明した。第２実施例は例示であり、各構成要素あるいは各処理プロセスの組合せにいろいろな変形例が可能なこと、またそうした変形例も本開示の範囲にあることは当業者に理解されるところである。 The present disclosure has been described above based on the second embodiment. The second embodiment is an example, and it will be understood by those skilled in the art that various modifications are possible for each component or combination of each processing process, and that such modifications are also within the scope of the present disclosure.

上記第２実施例では、シミュレーション結果画像をユーザインタフェース１２へ提供して表示させたが、変形例として、シミュレーション結果画像を所定の記憶装置に記憶させてもよい。例えば、シミュレーション制御部１０は、表示制御部１２８に代えて、または表示制御部１２８とともに、複数シチュエーションの車両シミュレーションの結果を示す複数のシミュレーション結果画像１４０を所定の記憶部に記憶させる結果画像保存部（不図示）をさらに備えてもよい。表示制御部１２８は、記憶部に記憶された複数のシミュレーション結果画像のうちユーザから指定された１つ以上のシミュレーション結果画像をユーザインタフェース１２に表示させてもよい。 In the second embodiment, the simulation result image is provided to the user interface 12 and displayed, but as a modification, the simulation result image may be stored in a predetermined storage device. For example, the simulation control unit 10 stores, in place of the display control unit 128, or together with the display control unit 128, a plurality of simulation result images 140 showing the results of vehicle simulations in a plurality of situations in a predetermined storage unit. (Not shown) may be further provided. The display control unit 128 may display one or more simulation result images designated by the user among the plurality of simulation result images stored in the storage unit on the user interface 12.

第２実施例および変形例に記載の技術は、以下の項目によって特定されてもよい。
［項目２−１］
車両の周辺の状態を検知する検知部について、シミュレーションのパラメータとして前記車両の周辺の状態の真値が与えられた場合に前記検知部による前記車両の周辺の状態の検知結果を推定する推定部と、
前記シミュレーションの結果を示す画像として、前記車両の周辺の状態の真値と、前記検知部による検知結果の推定値の両方を含み、前記真値と前記推定値とを異なる態様で示す画像を生成する生成部と、
を備える車両シミュレーションシステム。
この車両シミュレーションシステムによると、車両の周辺の状態の真値と、検知部による検知結果（推定値）との比較が容易なシミュレーション結果を提供できる。これにより、例えば、検知部が用いる検知アルゴリズムの評価や改善を一層効果的に支援することができる。
［項目２−２］
前記シミュレーションの結果を示す画像は、前記真値と前記推定値との差を示す画像をさらに含む、
項目２−１に記載の車両シミュレーションシステム。
この車両シミュレーションシステムによると、車両の周辺の状態の真値と、検知部による検知結果（推定値）との差を直観的に把握可能なシミュレーション結果を提供できる。
［項目２−３］
前記シミュレーションの結果を示す画像は、所定の操作に応じて、前記真値と前記推定値との差の内訳をさらに表示するよう構成される、
項目２−１または２−２に記載の車両シミュレーションシステム。
この車両シミュレーションシステムによると、車両の周辺の状態の真値と、検知部による検知結果（推定値）との差の詳細を把握可能なシミュレーション結果を提供できる。
［項目２−４］
前記推定部は、前記車両の周辺の状態に関する複数項目の真値を説明変数とし、前記検知部による前記車両の周辺の状態の検知結果と真値との差を目的変数とするセンサモデルに、シミュレーションのパラメータとして前記車両の周辺の状態に関する複数項目の真値を入力することにより前記検知部による検知結果を推定し、
前記真値と前記推定値との差の内訳は、複数項目の説明変数の重みを示すものである、
項目２−３に記載の車両シミュレーションシステム。
この車両シミュレーションシステムによると、車両の周辺の状態の真値と、検知部による検知結果（推定値）との差を生じさせた主な要因を把握可能なシミュレーション結果を提供できる。
［項目２−５］
前記生成部は、前記シミュレーションの結果を示す画像として、前記検知部による検知範囲を示す画像をさらに生成し、前記検知範囲の各位置の色を、前記検知部による検知率に応じた色に設定する、
項目１から４のいずれかに記載の車両シミュレーションシステム。
この車両シミュレーションシステムによると、検知部による検知範囲と検知率を直観的に把握可能なシミュレーション結果を提供できる。
［項目２−６］
車両の周辺の状態を検知する検知部について、シミュレーションのパラメータとして前記車両の周辺の状態の真値が与えられた場合に前記検知部による前記車両の周辺の状態の検知結果を推定し、
前記シミュレーションの結果を示す画像として、前記車両の周辺の状態の真値と、前記検知部による検知結果の推定値の両方を含み、前記真値と前記推定値とを異なる態様で示す画像を生成する、
ことをコンピュータが実行する車両シミュレーション方法。
この車両シミュレーション方法によると、車両の周辺の状態の真値と、検知部による検知結果（推定値）との比較が容易なシミュレーション結果を提供できる。これにより、例えば、検知部が用いる検知アルゴリズムの評価や改善を一層効果的に支援することができる。
［項目２−７］
車両の周辺の状態を検知する検知部について、シミュレーションのパラメータとして前記車両の周辺の状態の真値が与えられた場合に前記検知部による前記車両の周辺の状態の検知結果を推定し、
前記シミュレーションの結果を示す画像として、前記車両の周辺の状態の真値と、前記検知部による検知結果の推定値の両方を含み、前記真値と前記推定値とを異なる態様で示す画像を生成する、
ことをコンピュータに実行させるためのコンピュータプログラム。
このコンピュータプログラムによると、車両の周辺の状態の真値と、検知部による検知結果（推定値）との比較が容易なシミュレーション結果を提供できる。これにより、例えば、検知部が用いる検知アルゴリズムの評価や改善を一層効果的に支援することができる。 The techniques described in the second embodiment and the modifications may be specified by the following items.
[Item 2-1]
Regarding the detection unit that detects the state around the vehicle, the estimation unit that estimates the detection result of the state around the vehicle by the detection unit when the true value of the state around the vehicle is given as a simulation parameter. ,
As an image showing the result of the simulation, both the true value of the state around the vehicle and the estimated value of the detection result by the detection unit are included, and an image showing the true value and the estimated value in different modes is generated. Generation part and
Vehicle simulation system with.
According to this vehicle simulation system, it is possible to provide a simulation result that makes it easy to compare the true value of the state around the vehicle with the detection result (estimated value) by the detection unit. Thereby, for example, it is possible to more effectively support the evaluation and improvement of the detection algorithm used by the detection unit.
[Item 2-2]
The image showing the result of the simulation further includes an image showing the difference between the true value and the estimated value.
The vehicle simulation system according to item 2-1.
According to this vehicle simulation system, it is possible to provide a simulation result that can intuitively grasp the difference between the true value of the state around the vehicle and the detection result (estimated value) by the detection unit.
[Item 2-3]
The image showing the result of the simulation is configured to further display the breakdown of the difference between the true value and the estimated value according to a predetermined operation.
The vehicle simulation system according to item 2-1 or 2-2.
According to this vehicle simulation system, it is possible to provide a simulation result capable of grasping the details of the difference between the true value of the state around the vehicle and the detection result (estimated value) by the detection unit.
[Item 2-4]
The estimation unit uses the true values of a plurality of items related to the surrounding state of the vehicle as explanatory variables, and uses the difference between the detection result of the peripheral state of the vehicle and the true value as the objective variable in the sensor model. By inputting the true values of a plurality of items related to the surrounding state of the vehicle as simulation parameters, the detection result by the detection unit is estimated.
The breakdown of the difference between the true value and the estimated value indicates the weights of the explanatory variables of a plurality of items.
The vehicle simulation system according to item 2-3.
According to this vehicle simulation system, it is possible to provide a simulation result capable of grasping the main factors that caused the difference between the true value of the state around the vehicle and the detection result (estimated value) by the detection unit.
[Item 2-5]
The generation unit further generates an image showing the detection range by the detection unit as an image showing the result of the simulation, and sets the color of each position of the detection range to a color corresponding to the detection rate by the detection unit. do,
The vehicle simulation system according to any one of items 1 to 4.
According to this vehicle simulation system, it is possible to provide a simulation result that can intuitively grasp the detection range and the detection rate by the detection unit.
[Item 2-6]
Regarding the detection unit that detects the state around the vehicle, when the true value of the state around the vehicle is given as a simulation parameter, the detection result of the state around the vehicle is estimated by the detection unit.
As an image showing the result of the simulation, both the true value of the state around the vehicle and the estimated value of the detection result by the detection unit are included, and an image showing the true value and the estimated value in different modes is generated. do,
A vehicle simulation method in which a computer performs that.
According to this vehicle simulation method, it is possible to provide a simulation result that makes it easy to compare the true value of the state around the vehicle with the detection result (estimated value) by the detection unit. Thereby, for example, it is possible to more effectively support the evaluation and improvement of the detection algorithm used by the detection unit.
[Item 2-7]
Regarding the detection unit that detects the state around the vehicle, when the true value of the state around the vehicle is given as a simulation parameter, the detection result of the state around the vehicle is estimated by the detection unit.
As an image showing the result of the simulation, both the true value of the state around the vehicle and the estimated value of the detection result by the detection unit are included, and an image showing the true value and the estimated value in different modes is generated. do,
A computer program that lets a computer do things.
According to this computer program, it is possible to provide a simulation result that makes it easy to compare the true value of the state around the vehicle with the detection result (estimated value) by the detection unit. Thereby, for example, it is possible to more effectively support the evaluation and improvement of the detection algorithm used by the detection unit.

＜第３実施例＞
本実施例に関して、第１実施例、第２実施例と相違する点を中心に以下説明し、共通する点の説明を省略する。本実施例の構成要素のうち第１実施例、第２実施例の構成要素と同一または対応する構成要素には同一の符号を付して説明する。なお、第３実施例では、シミュレーションの単位を「フレーム」とも呼ぶ。複数フレームは、一連のシミュレーションのシナリオに沿った同じ時間軸上での複数回のシミュレーションを意味する。 <Third Example>
The present embodiment will be described below focusing on the differences from the first embodiment and the second embodiment, and the common points will be omitted. Among the components of this embodiment, the components that are the same as or correspond to the components of the first embodiment and the second embodiment will be described with the same reference numerals. In the third embodiment, the unit of simulation is also referred to as a "frame". Multiple frames mean multiple simulations on the same time axis along a series of simulation scenarios.

第３実施例の車両シミュレーションシステム１１０の構成は、図４に示す第１実施例および第２実施例の車両シミュレーションシステム１１０の構成と同じである。第３実施例の車両シミュレーションシステム１１０は、第１実施例および第２実施例の車両シミュレーションシステム１１０と同様に、センサモデルを用いて検知部によるセンシング結果を推定する。また、第３実施例の車両シミュレーションシステム１１０は、複数種類のセンサモデル（第３実施例では距離誤差モデル、方位誤差モデル）により推定された複数種類の誤差に関する情報を時系列に表示させる。これにより、車両のセンシングシステム、車両の制御システムやセンシングアルゴリズムの評価や課題抽出、改善に貢献する The configuration of the vehicle simulation system 110 of the third embodiment is the same as the configuration of the vehicle simulation system 110 of the first embodiment and the second embodiment shown in FIG. Similar to the vehicle simulation system 110 of the first embodiment and the second embodiment, the vehicle simulation system 110 of the third embodiment estimates the sensing result by the detection unit using the sensor model. Further, the vehicle simulation system 110 of the third embodiment displays information on a plurality of types of errors estimated by a plurality of types of sensor models (distance error model and directional error model in the third embodiment) in a time series. This will contribute to the evaluation, problem extraction, and improvement of vehicle sensing systems, vehicle control systems, and sensing algorithms.

図１５は、第３実施例のセンサモデル部５０の機能ブロックを示すブロック図である。センサモデル部５０は、モデル記憶部４０、タグ量子化部５２、真値量子化部５４、誤差導出部５６、模擬値導出部５８、出力部１６０を備える。 FIG. 15 is a block diagram showing a functional block of the sensor model unit 50 of the third embodiment. The sensor model unit 50 includes a model storage unit 40, a tag quantization unit 52, a true value quantization unit 54, an error derivation unit 56, a simulated value derivation unit 58, and an output unit 160.

これら複数の機能ブロックの機能が実装されたコンピュータプログラムが、車両シミュレーションシステム１１０のストレージに記憶されてもよい。車両シミュレーションシステム１１０のＣＰＵ（またはシステム内の装置のＣＰＵ）は、このコンピュータプログラムをメインメモリに読み出して実行することにより、図１５に示す各機能ブロックの機能を発揮してもよい。また、図１５に示す複数の機能ブロックは、複数個の装置に分散されてもよく、それら複数個の装置がシステムとして連携することで実現されてもよい。さらにまた、図１５に示す複数の機能ブロックは、単一の装置に集約されてもよい。図１６に関連して後述する、シミュレーション制御部１０の複数の機能ブロックも同様である。 A computer program in which the functions of the plurality of functional blocks are implemented may be stored in the storage of the vehicle simulation system 110. The CPU of the vehicle simulation system 110 (or the CPU of the device in the system) may exert the function of each functional block shown in FIG. 15 by reading the computer program into the main memory and executing the program. Further, the plurality of functional blocks shown in FIG. 15 may be distributed to a plurality of devices, or may be realized by linking the plurality of devices as a system. Furthermore, the plurality of functional blocks shown in FIG. 15 may be integrated into a single device. The same applies to the plurality of functional blocks of the simulation control unit 10, which will be described later in relation to FIG.

モデル記憶部４０は、車両周辺の状態を検知する検知部について、車両周辺の状態の真値を説明変数とし、上記検知部による車両周辺の状態の検知結果と真値との誤差を目的変数とする誤差モデルであって、異なる種類の誤差を目的変数とする複数の誤差モデルを記憶する。第３実施例では、モデル記憶部４０は、複数の誤差モデルとして、第２実施例で説明した距離誤差モデルと方位誤差モデルを記憶する。さらにモデル記憶部４０は、第２実施例で説明した検知率モデルも記憶する。 The model storage unit 40 uses the true value of the state around the vehicle as an explanatory variable and the error between the detection result of the state around the vehicle and the true value as the objective variable for the detection unit that detects the state around the vehicle. It is an error model to be used, and a plurality of error models having different types of errors as objective variables are stored. In the third embodiment, the model storage unit 40 stores the distance error model and the directional error model described in the second embodiment as a plurality of error models. Further, the model storage unit 40 also stores the detection rate model described in the second embodiment.

タグ量子化部５２、真値量子化部５４、誤差導出部５６、模擬値導出部５８は、第２実施例のタグ量子化部５２、真値量子化部５４、誤差導出部５６、模擬値導出部５８と同様であるため詳細な説明を省略する。誤差導出部５６は、シミュレーションのパラメータとしての車両周辺の状態の真値を複数の誤差モデルに入力することにより、複数の誤差モデルの目的変数である複数種類の誤差（第３実施例では距離誤差と方位誤差）を導出する機能を含む。 The tag quantization unit 52, the true value quantization unit 54, the error derivation unit 56, and the simulated value derivation unit 58 are the tag quantization unit 52, the true value quantization unit 54, the error derivation unit 56, and the simulated value of the second embodiment. Since it is the same as the derivation unit 58, detailed description thereof will be omitted. By inputting the true value of the state around the vehicle as a simulation parameter into a plurality of error models, the error derivation unit 56 has a plurality of types of errors (distance error in the third embodiment) which are objective variables of the plurality of error models. And the function to derive the orientation error).

出力部１６０は、誤差導出部５６により導出された距離誤差（第２実施例に記載の距離誤差の内訳を含む）と方位誤差（第２実施例に記載の方位誤差の内訳を含む）をシミュレーション制御部１０へ出力する。また、出力部１６０は、模擬値導出部５８により導出された、検知部により検知される距離の推定値（以下「距離推定値」）と、検知部により検知される方位の推定値（以下「方位推定値」）と、検知率推定値とをシミュレーション制御部１０へ出力する。 The output unit 160 simulates the distance error (including the breakdown of the distance error described in the second embodiment) and the directional error (including the breakdown of the directional error described in the second embodiment) derived by the error deriving unit 56. Output to the control unit 10. Further, the output unit 160 includes an estimated value of the distance detected by the detection unit (hereinafter, “distance estimated value”) derived by the simulated value derivation unit 58 and an estimated value of the direction detected by the detection unit (hereinafter, ““distance estimated value”). The "direction estimated value") and the detection rate estimated value are output to the simulation control unit 10.

図１６は、第３実施例のシミュレーション制御部１０の機能ブロックを示すブロック図である。第３実施例のシミュレーション制御部１０は、第２実施例のシミュレーション制御部１０に対応し、検知部によるセンシングの模擬結果を取得し、その模擬結果をユーザに提示する。第３実施例のシミュレーション制御部１０は、パラメータ取得部１２０、パラメータ入力部１２２、模擬結果記憶部１６２、モデル推定値取得部１６４、合計誤差導出部１６６、画像生成部１６８、画像提供部１７０を備える。 FIG. 16 is a block diagram showing a functional block of the simulation control unit 10 of the third embodiment. The simulation control unit 10 of the third embodiment corresponds to the simulation control unit 10 of the second embodiment, acquires a simulation result of sensing by the detection unit, and presents the simulation result to the user. The simulation control unit 10 of the third embodiment includes a parameter acquisition unit 120, a parameter input unit 122, a simulation result storage unit 162, a model estimation value acquisition unit 164, a total error derivation unit 166, an image generation unit 168, and an image providing unit 170. Be prepared.

模擬結果記憶部１６２は、センサモデルを用いて得られた誤差や推定値を含むデータであり、後述の模擬結果画像１８０を生成するためのデータ（以下「模擬結果データ」とも呼ぶ。）を記憶する。第３実施例の模擬結果データは、シミュレーションにおいて検知すべき対象物（歩行者等）ごとに、時間経過に伴う複数フレームそれぞれの、距離誤差およびその内訳、方位誤差およびその内訳、距離推定値、方位推定値、合計誤差（後述）を含む。また、模擬結果データは、複数フレームそれぞれの、距離と方位の複数パターンの組み合わせに対応する複数個の検知率推定値を含む。なお、模擬結果記憶部１６２は、センサモデルに入力されたシミュレーションのパラメータであり、すなわち、シミュレーションにおいて検知すべき対象物ごとの、各フレームにおける真値（距離真値および方位真値）も記憶する。 The simulated result storage unit 162 is data including errors and estimated values obtained by using the sensor model, and stores data for generating the simulated result image 180 described later (hereinafter, also referred to as “simulated result data”). do. The simulation result data of the third embodiment includes distance error and its breakdown, orientation error and its breakdown, and distance estimation value for each of a plurality of frames with the passage of time for each object (pedestrian, etc.) to be detected in the simulation. Includes azimuth estimates and total error (discussed below). In addition, the simulated result data includes a plurality of detection rate estimates corresponding to a combination of a plurality of patterns of distance and direction for each of the plurality of frames. The simulation result storage unit 162 also stores simulation parameters input to the sensor model, that is, true values (distance true value and directional true value) in each frame for each object to be detected in the simulation. ..

パラメータ取得部１２０とパラメータ入力部１２２は、第２実施例のパラメータ取得部１２０とパラメータ入力部１２２と同様である。ただし、第３実施例では、パラメータ取得部１２０は、時間経過に伴う複数フレーム分のシミュレーションのパラメータを取得する。また、パラメータ取得部１２０は、シミュレーションのパラメータを模擬結果記憶部１６２に格納する。パラメータ入力部１２２は、複数フレーム分のシミュレーションのパラメータをセンサモデル部５０に入力する。各フレームのシミュレーションのパラメータは、検知すべき複数の物体（検知対象物）に関する真値を含む。 The parameter acquisition unit 120 and the parameter input unit 122 are the same as the parameter acquisition unit 120 and the parameter input unit 122 of the second embodiment. However, in the third embodiment, the parameter acquisition unit 120 acquires simulation parameters for a plurality of frames with the passage of time. Further, the parameter acquisition unit 120 stores the simulation parameters in the simulation result storage unit 162. The parameter input unit 122 inputs simulation parameters for a plurality of frames to the sensor model unit 50. The simulation parameters of each frame include true values for a plurality of objects (detection objects) to be detected.

第２実施例に記載したように、シミュレーションのパラメータは、検知部から検知対象物までの距離と方位、車両周辺の照度、検知対象物の姿勢それぞれの真値（シミュレーションにおける真値）を含む。複数フレーム分のパラメータ間では、検知対象物と車両との位置関係（例えば距離と方位）が少しずつ変化していく。センサモデル部５０は、シミュレーション制御部１０から入力された、検知対象物ごとの、複数フレーム分のシミュレーションのパラメータを距離誤差モデル、方位誤差モデル、検知率モデルに入力する。センサモデル部５０は、各モデルの出力値を含む、検知対象物ごとの、複数フレーム分のシミュレーション結果をシミュレーション制御部１０へ出力する。 As described in the second embodiment, the simulation parameters include the true values (true values in the simulation) of the distance and direction from the detection unit to the detection target, the illuminance around the vehicle, and the posture of the detection target. The positional relationship between the detection target and the vehicle (for example, distance and direction) changes little by little between the parameters for a plurality of frames. The sensor model unit 50 inputs the simulation parameters for a plurality of frames for each detection target object input from the simulation control unit 10 into the distance error model, the orientation error model, and the detection rate model. The sensor model unit 50 outputs simulation results for a plurality of frames for each detection target, including output values of each model, to the simulation control unit 10.

モデル推定値取得部１６４は、センサモデル部５０から出力されたシミュレーション結果であり、具体的には、検知対象物ごとの、複数フレームそれぞれの、距離誤差およびその内訳、方位誤差およびその内訳、距離推定値、方位推定値を模擬結果記憶部１６２に格納する。また、モデル推定値取得部１６４は、複数フレームそれぞれの、距離と方位の複数パターンの組み合わせに対応する複数個の検知率推定値を模擬結果記憶部１６２に格納する。 The model estimation value acquisition unit 164 is a simulation result output from the sensor model unit 50. Specifically, the distance error and its breakdown, the orientation error and its breakdown, and the distance of each of a plurality of frames for each detection target are obtained. The estimated value and the directional estimated value are stored in the simulation result storage unit 162. Further, the model estimation value acquisition unit 164 stores a plurality of detection rate estimation values corresponding to a combination of a plurality of distance and orientation patterns for each of the plurality of frames in the simulation result storage unit 162.

合計誤差導出部１６６は、検知対象物ごとに、複数フレームのそれぞれにおける複数種類の誤差を統合した複数フレームそれぞれの全体誤差を導出する。図１７は、或る検知対象物に関する全体誤差の導出例を示す。図１７の各行は、１つのフレームで導出された距離誤差ｅ１と方位誤差ｅ２を示している。第３実施例では、合計誤差導出部１６６は、距離誤差ｅ１と方位誤差ｅ２のそれぞれを、最大値が１、最小値が０なるようスケーリングする。図１７では、スケーリング後の距離誤差をｅ１’、スケーリング後の方位誤差をｅ２’で示している。 The total error derivation unit 166 derives the total error of each of the plurality of frames by integrating a plurality of types of errors in each of the plurality of frames for each detection target. FIG. 17 shows an example of deriving the total error for a certain detection object. Each row in FIG. 17 shows the distance error e1 and the directional error e2 derived in one frame. In the third embodiment, the total error derivation unit 166 scales each of the distance error e1 and the directional error e2 so that the maximum value is 1 and the minimum value is 0. In FIG. 17, the distance error after scaling is shown by e1', and the orientation error after scaling is shown by e2'.

続いて合計誤差導出部１６６は、スケーリング後の距離誤差ｅ１’と、スケーリング後の方位誤差をｅ２’とを重みを付けて正規化（第３実施例では合計する）ことにより、各フレームにおける全体的な誤差の大きさを示す指標値である統合誤差ｅを算出する。ｅ１’とｅ２’それぞれの重みであるｗ１とｗ２は、各種類の誤差の重視度合いに応じて定められる。例えば、距離誤差を重視する場合、ｗ１＝０．６、ｗ２＝０．４であってもよい。また、ｗ１とｗ２の合計を１とするため、統合誤差ｅは０以上１以下の値になる。 Subsequently, the total error derivation unit 166 weights the distance error e1'after scaling and the directional error after scaling e2'and normalizes them (sums them in the third embodiment), thereby performing the whole in each frame. The integration error e, which is an index value indicating the magnitude of the error, is calculated. The weights w1 and w2 of e1'and e2', respectively, are determined according to the degree of importance of each type of error. For example, when the distance error is emphasized, w1 = 0.6 and w2 = 0.4 may be used. Further, since the sum of w1 and w2 is 1, the integration error e is a value of 0 or more and 1 or less.

合計誤差導出部１６６は、検知対象物ごと、かつフレームごとの距離誤差ｅ１と方位誤差ｅ２とをもとに、検知対象物ごと、かつフレームごとの全体誤差を導出する。合計誤差導出部１６６は、検知対象物ごと、かつフレームごとの全体誤差を模擬結果記憶部１６２に格納する。 The total error derivation unit 166 derives the total error for each detection target and for each frame based on the distance error e1 and the orientation error e2 for each detection target and frame. The total error derivation unit 166 stores the total error for each detection target and each frame in the simulation result storage unit 162.

図１６に戻り、画像生成部１６８は、模擬結果記憶部１６２に記憶された模擬結果データをもとに、検知部の性能や特性を示す模擬結果画像のデータを生成する。画像提供部１７０は、画像生成部１６８により生成された模擬結果画像のデータを、ユーザインタフェース１２を介してユーザ端末（ＰＣやスマートフォン、タブレット端末等）へ出力し、ユーザ端末に模擬結果画像を表示させる。 Returning to FIG. 16, the image generation unit 168 generates simulated result image data showing the performance and characteristics of the detection unit based on the simulated result data stored in the simulated result storage unit 162. The image providing unit 170 outputs the data of the simulated result image generated by the image generating unit 168 to the user terminal (PC, smartphone, tablet terminal, etc.) via the user interface 12, and displays the simulated result image on the user terminal. Let me.

以上の構成による車両シミュレーションシステム１１０の動作を説明する。
ユーザは、複数フレーム分の車両シミュレーションのシナリオをユーザ端末に入力する。環境データ生成部１４は、ユーザ端末に入力されたシミュレーションのシナリオを、ユーザインタフェース１２を介して取得する。環境データ生成部１４は、シミュレーションのシナリオにしたがって、複数の検知対象物の、複数フレーム分の真値データとタグデータ（以下「シミュレーションパラメータ」とも呼ぶ。）を生成する。環境データ生成部１４は、複数の検知対象物の、複数フレーム分のシミュレーションパラメータをシミュレーション制御部１０へ出力する。 The operation of the vehicle simulation system 110 with the above configuration will be described.
The user inputs a vehicle simulation scenario for a plurality of frames into the user terminal. The environment data generation unit 14 acquires the simulation scenario input to the user terminal via the user interface 12. The environment data generation unit 14 generates true value data and tag data (hereinafter, also referred to as “simulation parameters”) for a plurality of frames of a plurality of detection objects according to a simulation scenario. The environment data generation unit 14 outputs simulation parameters for a plurality of frames of a plurality of detection objects to the simulation control unit 10.

シミュレーション制御部１０のパラメータ取得部１２０は、環境データ生成部１４で生成された、複数の検知対象物の、複数フレーム分のシミュレーションパラメータを受け付ける。パラメータ入力部１２２は、複数の検知対象物の、複数フレーム分のシミュレーションパラメータをセンサモデル部５０へ入力する。センサモデル部５０は、検知対象物ごとに、複数フレーム分のシミュレーションパラメータを距離誤差モデル、方位誤差モデル、および検知率モデルに入力し、これらのモデルの出力値（目的変数値）を含む複数フレーム分のシミュレーション結果をシミュレーション制御部１０へ出力する。 The parameter acquisition unit 120 of the simulation control unit 10 receives simulation parameters for a plurality of frames of a plurality of detection objects generated by the environment data generation unit 14. The parameter input unit 122 inputs simulation parameters for a plurality of frames of a plurality of detection objects to the sensor model unit 50. The sensor model unit 50 inputs simulation parameters for a plurality of frames for each detection object into a distance error model, an orientation error model, and a detection rate model, and a plurality of frames including output values (objective variable values) of these models. The simulation result of the minute is output to the simulation control unit 10.

シミュレーション制御部１０のモデル推定値取得部１６４は、センサモデル部５０から出力された複数フレーム分のシミュレーション結果を受け付け、模擬結果記憶部１６２に格納する。合計誤差導出部１６６は、検知対象物ごとに、各フレームのシミュレーション結果に含まれる距離誤差と方位誤差とをもとに各フレームの合計誤差を導出し、模擬結果記憶部１６２に格納する。 The model estimation value acquisition unit 164 of the simulation control unit 10 receives the simulation results for a plurality of frames output from the sensor model unit 50 and stores them in the simulation result storage unit 162. The total error derivation unit 166 derives the total error of each frame based on the distance error and the directional error included in the simulation result of each frame for each detection object, and stores the total error in the simulation result storage unit 162.

ユーザが車両シミュレーションの結果を確認すべき際、ユーザ端末は、ユーザの操作に応じて、車両シミュレーション結果を車両シミュレーションシステム１００に要求する。シミュレーション制御部１０の画像生成部１６８は、ユーザインタフェース１２を介して、ユーザ端末からの要求を受け付け、模擬結果記憶部１６２に記憶されたデータをもとに模擬結果画像を生成する。画像提供部１７０は、画像生成部１６８により生成された模擬結果画像を、ユーザインタフェース１２を介してユーザ端末へ送信し、ユーザ端末に模擬結果画像を表示させる。 When the user should confirm the result of the vehicle simulation, the user terminal requests the vehicle simulation result from the vehicle simulation system 100 according to the operation of the user. The image generation unit 168 of the simulation control unit 10 receives a request from the user terminal via the user interface 12 and generates a simulation result image based on the data stored in the simulation result storage unit 162. The image providing unit 170 transmits the simulated result image generated by the image generating unit 168 to the user terminal via the user interface 12, and causes the user terminal to display the simulated result image.

図１８は、模擬結果画像の例を示す。模擬結果画像１８０は、複数種類の誤差（第３実施例では距離誤差１８３および方位誤差１８４）を統合した全体誤差１８２の時系列での推移を示す誤差推移画像１８１を含む。画像生成部１６８は、複数フレームそれぞれの距離誤差、方位誤差、全体誤差を時間軸１８５に並べることにより誤差推移画像１８１を生成する。ここでの距離誤差と方位誤差は、スケーリング後かつ重み付け後の値であり、図１７の（ｅ１’×ｗ１）と（ｅ２’×ｗ２）に対応する。このように、センシングにおける全体誤差の時系列での推移を示すことにより、検知部およびセンシングアルゴリズムの性能や特性を判りやすくユーザに提示できる。 FIG. 18 shows an example of a simulated result image. The simulated result image 180 includes an error transition image 181 showing the transition of the total error 182 in time series by integrating a plurality of types of errors (distance error 183 and orientation error 184 in the third embodiment). The image generation unit 168 generates an error transition image 181 by arranging the distance error, the orientation error, and the total error of each of the plurality of frames on the time axis 185. The distance error and the directional error here are values after scaling and weighting, and correspond to (e1'x w1) and (e2'x w2) in FIG. In this way, by showing the transition of the total error in sensing in time series, the performance and characteristics of the detection unit and the sensing algorithm can be presented to the user in an easy-to-understand manner.

また、画像生成部１６８は、誤差推移画像１８１において、全体誤差１８２に占める距離誤差１８３の成分と方位誤差１８４の成分とを異なる態様（例えば異なる模様や色彩）に設定する。これにより、全体誤差１８２に占める複数種類の誤差の成分比を判りやすくユーザに提示できる。 Further, the image generation unit 168 sets the component of the distance error 183 and the component of the orientation error 184 in the total error 182 in different modes (for example, different patterns and colors) in the error transition image 181. As a result, the component ratios of a plurality of types of errors in the total error 182 can be presented to the user in an easy-to-understand manner.

また、画像生成部１６８は、時間軸１８５上の或る時間位置において複数種類の誤差のうち少なくとも一部の誤差が所定値以上である場合、あるいは、検知率推定値に基づいて生成された推定結果が「検知できない」である場合、その時間位置において車両周辺の状態が検知漏れであることを示すオブジェクト（図１８の検知漏れ区間１８６）を誤差推移画像１８１上に配置する。これにより、車両シミュレーションの期間において対象物を検知できなかった時間位置を判りやすくユーザに提示できる。 Further, the image generation unit 168 estimates that at least a part of the plurality of types of errors is equal to or more than a predetermined value at a certain time position on the time axis 185, or is generated based on the detection rate estimation value. When the result is "undetectable", an object (detection omission section 186 in FIG. 18) indicating that the state around the vehicle is a detection omission at that time position is arranged on the error transition image 181. As a result, the time position at which the object could not be detected during the vehicle simulation period can be presented to the user in an easy-to-understand manner.

また、シミュレーション制御部１０の模擬結果記憶部１６２に記憶される模擬結果データには、検知対象物ごとに、誤検知（存在しない検知対象物を検知すること）が発生した時間位置も記録される。画像生成部１６８は、誤検知が発生した時間位置において誤検知が発生したことを示すオブジェクト（図１８の誤検知区間１８８）を誤差推移画像１８１上に配置する。また、画像生成部１６８は、検知漏れ区間１８６と誤検知区間１８８とを異なる態様（例えば異なる模様や色彩）に設定する。これにより、車両シミュレーションの期間において誤検知が発生した時間位置を判りやすくユーザに提示できる。 Further, in the simulation result data stored in the simulation result storage unit 162 of the simulation control unit 10, the time position at which erroneous detection (detecting a nonexistent detection object) occurs is also recorded for each detection object. .. The image generation unit 168 arranges an object (false positive section 188 in FIG. 18) indicating that the false positive has occurred at the time position where the false positive has occurred on the error transition image 181. Further, the image generation unit 168 sets the detection omission section 186 and the false detection section 188 in different modes (for example, different patterns and colors). As a result, the time position at which the erroneous detection occurred during the vehicle simulation period can be presented to the user in an easy-to-understand manner.

図１９も、模擬結果画像の例を示す。画像生成部１６８は、車両シミュレーションにおける複数の検知対象物の中からユーザが特定の検知対象物を選択した場合、選択された検知対象物に対する全体誤差１８２（距離誤差１８３と方位誤差１８４を含む）の時系列での推移を示す誤差推移画像１８１を生成する。 FIG. 19 also shows an example of a simulated result image. When the user selects a specific detection target from a plurality of detection targets in the vehicle simulation, the image generation unit 168 has an overall error 182 (including a distance error 183 and an orientation error 184) with respect to the selected detection target. An error transition image 181 showing the transition of the above in time series is generated.

具体的には、画像生成部１６８は、複数の検知対象物（例えば歩行者１、歩行者２等）の中からいずれかの検知対象物を選択可能なプルダウンメニュー１９０を模擬結果画像１８０に配置する。例えば、歩行者１に対する全体誤差１８２を示す模擬結果画像１８０がユーザ端末に表示された状況で、ユーザがプルダウンメニュー１９０にて歩行者２を選択した場合、画像生成部１６８は、歩行者２が選択されたことを、ユーザインタフェース１２を介して受け付ける。画像生成部１６８は、歩行者２に対する全体誤差１８２の推移を示す模擬結果画像１８０を新たに生成する。画像提供部１７０は、新たに生成された模擬結果画像１８０をユーザ端末へ送信して表示させる。 Specifically, the image generation unit 168 arranges a pull-down menu 190 capable of selecting one of the detection objects from a plurality of detection objects (for example, pedestrian 1, pedestrian 2, etc.) on the simulated result image 180. do. For example, when the simulated result image 180 showing the overall error 182 with respect to the pedestrian 1 is displayed on the user terminal and the user selects the pedestrian 2 in the pull-down menu 190, the pedestrian 2 is in the image generation unit 168. The selection is accepted via the user interface 12. The image generation unit 168 newly generates a simulated result image 180 showing the transition of the overall error 182 with respect to the pedestrian 2. The image providing unit 170 transmits the newly generated simulated result image 180 to the user terminal and displays it.

これにより、複数の検知対象物に対するシミュレーション結果を、ユーザの操作に応じて切り替えて表示させることができ、検知対象物の種類や位置に応じた検知部の性能や特性を判りやすくユーザに提示できる。 As a result, the simulation results for a plurality of detection objects can be switched and displayed according to the user's operation, and the performance and characteristics of the detection unit according to the type and position of the detection object can be presented to the user in an easy-to-understand manner. ..

図２０も、模擬結果画像の例を示す。画像生成部１６８は、模擬結果画像１８０において或る時間位置（図２０では時間位置１９２）が指定された場合、その時間位置における車両周辺の状態の真値と、検知部による車両周辺の状態の検知結果の推定値とを模擬結果記憶部１６２から取得し、その真値と推定値とを異なる態様で示す新たな画像を生成する。第３実施例における上記の新たな画像は、図２０の誤差詳細画像１９４である。図２０の誤差詳細画像１９４は、プルダウンメニュー１９０で選択された歩行者２の位置の真値と、検知部による歩行者２の位置の検知結果を示している。 FIG. 20 also shows an example of a simulated result image. When a certain time position (time position 192 in FIG. 20) is specified in the simulated result image 180, the image generation unit 168 sets the true value of the state around the vehicle at that time position and the state around the vehicle by the detection unit. The estimated value of the detection result is acquired from the simulated result storage unit 162, and a new image showing the true value and the estimated value in different modes is generated. The new image described above in the third embodiment is the error detail image 194 of FIG. The detailed error image 194 of FIG. 20 shows the true value of the position of the pedestrian 2 selected by the pull-down menu 190 and the detection result of the position of the pedestrian 2 by the detection unit.

第３実施例の誤差詳細画像１９４は、図１２〜図１４に示した第２実施例のシミュレーション結果画像１４０と同じ内容を含む。例えば、誤差詳細画像１９４において距離誤差インジケータまたは方位誤差インジケータがユーザにより選択された場合、距離誤差の内訳または方位誤差の内訳が表示される。画像生成部１６８は、第２実施例におけるシミュレーション結果画像１４０の生成と同じ方法で誤差詳細画像１９４を生成する。画像提供部１７０は、画像生成部１６８により生成された誤差詳細画像１９４をユーザ端末へ送信して、誤差推移画像１８１と誤差詳細画像１９４の両方を含む模擬結果画像１８０をユーザ端末に表示させる。 The error detail image 194 of the third embodiment contains the same contents as the simulation result image 140 of the second embodiment shown in FIGS. 12 to 14. For example, when the distance error indicator or the directional error indicator is selected by the user in the error detail image 194, the breakdown of the distance error or the breakdown of the directional error is displayed. The image generation unit 168 generates the error detail image 194 in the same manner as the generation of the simulation result image 140 in the second embodiment. The image providing unit 170 transmits the error detail image 194 generated by the image generation unit 168 to the user terminal, and causes the user terminal to display the simulated result image 180 including both the error transition image 181 and the error detail image 194.

図２１も、模擬結果画像の例を示す。模擬結果画像１８０に対してユーザから所定の操作（例えば真値の表示を指示する操作）が入力された場合、画像生成部１６８は、ユーザインタフェース１２を介してその操作を受け付ける。画像生成部１６８は、全体誤差１８２の時系列での推移と、車両周辺の状態の真値の時系列での推移とを同じ時間軸１８５に沿って並べた新たな模擬結果画像１８０を生成する。画像提供部１７０は、画像生成部１６８により生成された新たな模擬結果画像１８０をユーザ端末へ送信して表示させる。 FIG. 21 also shows an example of a simulated result image. When a predetermined operation (for example, an operation for instructing the display of a true value) is input to the simulated result image 180 by the user, the image generation unit 168 accepts the operation via the user interface 12. The image generation unit 168 generates a new simulated result image 180 in which the transition of the total error 182 in the time series and the transition of the true value of the state around the vehicle in the time series are arranged along the same time axis 185. .. The image providing unit 170 transmits the new simulated result image 180 generated by the image generating unit 168 to the user terminal and displays it.

図２１の模擬結果画像１８０（上記の新たな模擬結果画像１８０）は、距離真値推移１９６を含む。距離真値推移１９６は、１つの検知対象物について、車両からの距離真値の時系列での推移を示している。誤差推移画像１８１と距離真値推移１９６とを同じ時間軸１８５に並べて提示することにより、ユーザによるシミュレーション結果の分析を支援することができる。図２１の例では、（１）車両と検知対象物との距離が遠い場合に検知漏れが発生すること、（２）車両と検知対象物との距離が近くなるほど、距離の検知誤差が小さくなる傾向があること、を把握することができる。 The simulated result image 180 of FIG. 21 (the new simulated result image 180 described above) includes the distance true value transition 196. The true distance value transition 196 shows the transition of the true distance value from the vehicle in time series for one detection object. By presenting the error transition image 181 and the distance true value transition 196 side by side on the same time axis 185, it is possible to support the analysis of the simulation result by the user. In the example of FIG. 21, (1) detection omission occurs when the distance between the vehicle and the detection target is long, and (2) the closer the distance between the vehicle and the detection target is, the smaller the distance detection error becomes. You can understand that there is a tendency.

図２２も、模擬結果画像の例を示す。図２２の模擬結果画像１８０（上記の新たな模擬結果画像１８０）は、方位真値推移１９８を含む。方位真値推移１９８は、１つの検知対象物について、車両（検知部）からの方位真値の時系列での推移を示している。誤差推移画像１８１と方位真値推移１９８とを同じ時間軸１８５に並べて提示することにより、ユーザによるシミュレーション結果の分析を支援することができる。図２２の例では、（１）検知対象物が検知部の画角の端に位置するときに検知漏れが多いこと、（２）検知対象物が検知部の画角の中央（光軸方向）に寄るほど、方位の検知誤差が小さくなる傾向があること、を把握することができる。 FIG. 22 also shows an example of a simulated result image. The simulated result image 180 of FIG. 22 (the new simulated result image 180 described above) includes the orientation true value transition 198. Orientation true value transition 198 shows the transition of the azimuth true value from the vehicle (detection unit) in time series for one detection target object. By presenting the error transition image 181 and the azimuth true value transition 198 side by side on the same time axis 185, it is possible to support the analysis of the simulation result by the user. In the example of FIG. 22, (1) there are many detection omissions when the detection target is located at the end of the angle of view of the detection unit, and (2) the detection target is in the center of the angle of view of the detection unit (in the optical axis direction). It can be understood that the closer to, the smaller the orientation detection error tends to be.

なお、距離真値推移１９６および方位真値推移１９８の内容は、プルダウンメニュー１９０で選択された検知対象物に応じて切り替えられてよい。例えば、画像生成部１６８は、プルダウンメニュー１９０で特定の検知対象物が選択された場合、選択された検知対象物に関する距離真値推移１９６または方位真値推移１９８を生成し、誤差推移画像１８１と並べて表示させてもよい。 The contents of the distance true value transition 196 and the directional true value transition 198 may be switched according to the detection target selected in the pull-down menu 190. For example, when a specific detection target is selected in the pull-down menu 190, the image generation unit 168 generates a distance true value transition 196 or a directional true value transition 198 for the selected detection target, and sets the error transition image 181 and the error transition image 181. It may be displayed side by side.

以上、本開示を第３実施例をもとに説明した。第３実施例は例示であり、各構成要素あるいは各処理プロセスの組合せにいろいろな変形例が可能なこと、またそうした変形例も本開示の範囲にあることは当業者に理解されるところである。 The present disclosure has been described above based on the third embodiment. The third embodiment is an example, and it will be understood by those skilled in the art that various modifications are possible for each component or combination of each processing process, and that such modifications are also within the scope of the present disclosure.

第１変形例を説明する。上記第３実施例の車両シミュレーションシステム１００は、車両のセンシングシミュレーションにおいて距離誤差モデルと方位誤差モデルを用い、距離誤差、方位誤差、およびこれらに基づく全体誤差を含む模擬結果画像１８０を生成した。変形例として、他の種類の誤差モデルを用い、他の種類の誤差を示す模擬結果画像１８０を生成してもよい。 The first modification will be described. The vehicle simulation system 100 of the third embodiment uses the distance error model and the orientation error model in the vehicle sensing simulation, and generates a simulated result image 180 including the distance error, the orientation error, and the overall error based on these. As a modification, another type of error model may be used to generate a simulated result image 180 showing the other type of error.

例えば、車両のセンシングシミュレーションは、駐車枠の検知に関するものであってもよい。この場合、駐車枠の左端点の距離誤差を目的変数とする左距離誤差モデルと、駐車枠の右端点の距離誤差を目的変数とする右距離誤差モデルと、駐車枠の枠方向の方位誤差を目的変数とする方位誤差モデルを用いてもよい。そして、左端点の距離誤差、右端点の距離誤差、枠方向の方位誤差、およびこれらに基づく全体誤差を含む模擬結果画像１８０を生成してもよい。 For example, the vehicle sensing simulation may relate to the detection of a parking frame. In this case, the left distance error model with the distance error of the left end point of the parking frame as the objective variable, the right distance error model with the distance error of the right end point of the parking frame as the objective variable, and the orientation error in the frame direction of the parking frame are used. An orientation error model as an objective variable may be used. Then, a simulated result image 180 including the distance error of the left end point, the distance error of the right end point, the orientation error in the frame direction, and the overall error based on these may be generated.

また、車両シミュレーションシステムは、静止物体の検知に関するものであってもよい。この場合、静止物体の中心点の位置誤差を目的変数とする中心点位置誤差モデル、静止物体の幾何情報（形状等）の誤差を目的変数とする幾何誤差モデルと、静止物体のサイズの誤差を目的変数とするサイズ誤差モデルを用いてもよい。そして、中心点の位置誤差、幾何情報の誤差、サイズの誤差、およびこれらに基づく全体誤差を含む模擬結果画像１８０を生成してもよい。 Further, the vehicle simulation system may be related to the detection of a stationary object. In this case, the center point position error model with the position error of the center point of the stationary object as the objective variable, the geometric error model with the error of the geometric information (shape, etc.) of the stationary object as the objective variable, and the size error of the stationary object are used. A size error model as an objective variable may be used. Then, a simulated result image 180 including a position error of the center point, an error of geometric information, an error of size, and an overall error based on these may be generated.

第２変形例を説明する。センサモデルの説明変数は、実施例に例示したものに限られない。例えば、車両の検知部のＳｆＭ（Structure from Motion）機能に関するセンサモデル（距離誤差モデルや方位誤差モデル等）では、車両の速度や角速度等の車両移動情報を説明変数に含めてもよい。 A second modification will be described. The explanatory variables of the sensor model are not limited to those illustrated in the examples. For example, in a sensor model (distance error model, orientation error model, etc.) related to the SfM (Structure from Motion) function of the vehicle detection unit, vehicle movement information such as vehicle speed and angular velocity may be included in the explanatory variables.

第３変形例を説明する。第３実施例の模擬結果画像１８０では、図１９に示すように、複数の検知対象物のうち選択された検知対象物についての全体誤差１８２、距離誤差１８３、方位誤差１８４を表示させた。変形例として、画像生成部１６８は、複数の検知対象物それぞれの全体誤差１８２、距離誤差１８３、方位誤差１８４を同時に表示する模擬結果画像１８０を生成してもよい。または、画像生成部１６８は、複数の検知対象物の全体誤差１８２、距離誤差１８３、方位誤差１８４の平均値を表示する模擬結果画像１８０を生成してもよい。 A third modification will be described. In the simulated result image 180 of the third embodiment, as shown in FIG. 19, the overall error 182, the distance error 183, and the orientation error 184 for the detection target selected from the plurality of detection objects are displayed. As a modification, the image generation unit 168 may generate a simulated result image 180 that simultaneously displays the total error 182, the distance error 183, and the orientation error 184 of each of the plurality of detection objects. Alternatively, the image generation unit 168 may generate a simulated result image 180 that displays the average values of the total error 182, the distance error 183, and the azimuth error 184 of the plurality of detection objects.

第３実施例および変形例に記載の技術は、以下の項目によって特定されてもよい。
［項目３−１］
車両周辺の状態を検知する検知部について、前記車両周辺の状態の真値を説明変数とし、前記検知部による前記車両周辺の状態の検知結果と前記真値との誤差を目的変数とするモデルであって、異なる種類の誤差を目的変数とする複数のモデルを記憶する記憶部と、
シミュレーションのパラメータとしての前記車両周辺の状態の真値を前記複数のモデルに入力することにより、前記複数のモデルの目的変数である複数種類の誤差を導出する導出部と、
前記複数種類の誤差を統合した全体誤差の時系列での推移を示す画像を生成する生成部と、
を備える車両シミュレーションシステム。
この車両シミュレーションシステムによると、検知部の性能や特性を把握容易なシミュレーション結果を提供できる。これにより、例えば、検知部が用いる検知アルゴリズムの評価や改善を一層効果的に支援することができる。
［項目３−２］
前記生成部は、前記画像として、前記全体誤差に占める前記複数種類の誤差それぞれの成分を異なる態様で示す画像を生成する、
項目３−１に記載の車両シミュレーションシステム。
この車両シミュレーションシステムによると、全体誤差に占める複数種類の誤差それぞれの成分を判りやすく提示でき、検知部の性能や特性を一層判りやすく提示することができる。
［項目３−３］
前記生成部は、或る時間位置において前記複数種類の誤差のうち少なくとも一部の誤差が所定値以上である場合、前記画像として、前記時間位置において前記車両周辺の状態が検知漏れであることを示す画像を生成する、
項目３−１または３−２に記載の車両シミュレーションシステム。
この車両シミュレーションシステムによると、シミュレーション期間における検知漏れの区間を提示でき、検知部の性能や特性を一層判りやすく提示することができる。
［項目３−４］
前記生成部は、前記画像において或る時間位置が指定された場合、その時間位置における前記車両周辺の状態の真値と、前記検知部による前記車両周辺の状態の検知結果の推定値とを異なる態様で示す新たな画像を生成する、
項目３−１から３−３のいずれかに記載の車両シミュレーションシステム。
この車両シミュレーションシステムによると、車両の周辺の状態の真値と、検知部による検知結果（推定値）との比較が容易なシミュレーション結果をさらに提供でき、検知部が用いる検知アルゴリズムの評価や改善を一層効果的に支援することができる。
［項目３−５］
前記シミュレーションのパラメータは、検知すべき複数の物体に関する真値を含み、
前記生成部は、前記複数の物体の中からユーザが特定の物体を選択した場合、選択された物体に対する全体誤差の時系列での推移を示す画像を生成する、
項目３−１から３−４のいずれかに記載の車両シミュレーションシステム。
この車両シミュレーションシステムによると、検知すべき物体ごとの全体誤差の推移を提示でき、検知部の性能や特性を判りやすく提示することができる。
［項目３−６］
前記生成部は、前記画像として、前記全体誤差の時系列での推移と、前記車両周辺の状態の真値の時系列での推移とを同じ時間軸に並べた画像を生成する、
項目３−１から３−５のいずれかに記載の車両シミュレーションシステム。
この車両シミュレーションシステムによると、全体誤差の推移と真値の推移とを比較容易なシミュレーション結果を提供でき、検知部の性能や特性を一層判りやすく提示することができる。
［項目３−７］
車両周辺の状態を検知する検知部について、前記車両周辺の状態の真値を説明変数とし、前記検知部による前記車両周辺の状態の検知結果と前記真値との誤差を目的変数とするモデルであって、異なる種類の誤差を目的変数とする複数のモデルを記憶する記憶部にアクセス可能なコンピュータが、
シミュレーションのパラメータとしての前記車両周辺の状態の真値を前記複数のモデルに入力することにより、前記複数のモデルの目的変数である複数種類の誤差を導出し、 前記複数種類の誤差を統合した全体誤差の時系列での推移を示す画像を生成する、
ことを実行する車両シミュレーション方法。
この車両シミュレーション方法によると、検知部の性能や特性を把握容易なシミュレーション結果を提供できる。これにより、例えば、検知部が用いる検知アルゴリズムの評価や改善を一層効果的に支援することができる。
［項目３−８］
車両周辺の状態を検知する検知部について、前記車両周辺の状態の真値を説明変数とし、前記検知部による前記車両周辺の状態の検知結果と前記真値との誤差を目的変数とするモデルであって、異なる種類の誤差を目的変数とする複数のモデルを記憶する記憶部にアクセス可能なコンピュータに、
シミュレーションのパラメータとしての前記車両周辺の状態の真値を前記複数のモデルに入力することにより、前記複数のモデルの目的変数である複数種類の誤差を導出し、
前記複数種類の誤差を統合した全体誤差の時系列での推移を示す画像を生成する、
ことを実行させるコンピュータプログラム。
このコンピュータプログラムによると、検知部の性能や特性を把握容易なシミュレーション結果を提供できる。これにより、例えば、検知部が用いる検知アルゴリズムの評価や改善を一層効果的に支援することができる。 The techniques described in the third embodiment and the modifications may be specified by the following items.
[Item 3-1]
For the detection unit that detects the state around the vehicle, the true value of the state around the vehicle is used as an explanatory variable, and the error between the detection result of the state around the vehicle and the true value by the detection unit is used as the objective variable. There is a storage unit that stores multiple models with different types of errors as objective variables,
By inputting the true value of the state around the vehicle as a simulation parameter into the plurality of models, a derivation unit for deriving a plurality of types of errors which are objective variables of the plurality of models, and a derivation unit.
A generation unit that generates an image showing the transition of the total error in time series by integrating the plurality of types of errors, and
Vehicle simulation system with.
According to this vehicle simulation system, it is possible to provide simulation results that make it easy to grasp the performance and characteristics of the detection unit. Thereby, for example, it is possible to more effectively support the evaluation and improvement of the detection algorithm used by the detection unit.
[Item 3-2]
The generation unit generates, as the image, an image showing the components of the plurality of types of errors in the total error in different modes.
The vehicle simulation system according to item 3-1.
According to this vehicle simulation system, the components of each of a plurality of types of errors in the total error can be presented in an easy-to-understand manner, and the performance and characteristics of the detection unit can be presented in an easy-to-understand manner.
[Item 3-3]
When at least a part of the plurality of types of errors is equal to or greater than a predetermined value at a certain time position, the generation unit indicates that the state around the vehicle at the time position is a detection omission as the image. Generate the image to show,
The vehicle simulation system according to item 3-1 or 3-2.
According to this vehicle simulation system, it is possible to present a section of detection omission during the simulation period, and it is possible to present the performance and characteristics of the detection unit in an easy-to-understand manner.
[Item 3-4]
When a certain time position is specified in the image, the generation unit differs between the true value of the state around the vehicle at that time position and the estimated value of the detection result of the state around the vehicle by the detection unit. Generate a new image shown in the embodiment,
The vehicle simulation system according to any one of items 3-1 to 3-3.
According to this vehicle simulation system, it is possible to further provide a simulation result that makes it easy to compare the true value of the state around the vehicle with the detection result (estimated value) by the detection unit, and evaluate and improve the detection algorithm used by the detection unit. We can support more effectively.
[Item 3-5]
The simulation parameters include true values for multiple objects to be detected.
When the user selects a specific object from the plurality of objects, the generation unit generates an image showing the transition of the total error with respect to the selected object in time series.
The vehicle simulation system according to any one of items 3-1 to 3-4.
According to this vehicle simulation system, the transition of the overall error for each object to be detected can be presented, and the performance and characteristics of the detection unit can be presented in an easy-to-understand manner.
[Item 3-6]
As the image, the generation unit generates an image in which the transition of the total error in the time series and the transition of the true value of the state around the vehicle in the time series are arranged on the same time axis.
The vehicle simulation system according to any one of items 3-1 to 3-5.
According to this vehicle simulation system, it is possible to provide a simulation result that makes it easy to compare the transition of the total error and the transition of the true value, and it is possible to present the performance and characteristics of the detection unit in an easy-to-understand manner.
[Item 3-7]
For the detection unit that detects the state around the vehicle, the true value of the state around the vehicle is used as an explanatory variable, and the error between the detection result of the state around the vehicle and the true value by the detection unit is used as the objective variable. There is a computer that can access a storage unit that stores multiple models with different types of errors as objective variables.
By inputting the true value of the state around the vehicle as a simulation parameter into the plurality of models, a plurality of types of errors, which are the objective variables of the plurality of models, are derived, and the entire of the plurality of types of errors is integrated. Generate an image showing the transition of errors over time,
A vehicle simulation method to do that.
According to this vehicle simulation method, it is possible to provide a simulation result that makes it easy to grasp the performance and characteristics of the detection unit. Thereby, for example, it is possible to more effectively support the evaluation and improvement of the detection algorithm used by the detection unit.
[Item 3-8]
For the detection unit that detects the state around the vehicle, the true value of the state around the vehicle is used as an explanatory variable, and the error between the detection result of the state around the vehicle and the true value by the detection unit is used as the objective variable. A computer that can access a storage unit that stores multiple models with different types of errors as objective variables.
By inputting the true value of the state around the vehicle as a simulation parameter into the plurality of models, a plurality of types of errors, which are the objective variables of the plurality of models, are derived.
An image showing the transition of the total error in time series by integrating the plurality of types of errors is generated.
A computer program that lets you do things.
According to this computer program, it is possible to provide a simulation result that makes it easy to grasp the performance and characteristics of the detection unit. Thereby, for example, it is possible to more effectively support the evaluation and improvement of the detection algorithm used by the detection unit.

上述した実施例および変形例の任意の組み合わせもまた本開示の実施の形態として有用である。組み合わせによって生じる新たな実施の形態は、組み合わされる実施例および変形例それぞれの効果をあわせもつ。また、請求項に記載の各構成要件が果たすべき機能は、実施例および変形例において示された各構成要素の単体もしくはそれらの連携によって実現されることも当業者には理解されるところである。 Any combination of the examples and modifications described above is also useful as an embodiment of the present disclosure. The new embodiments resulting from the combination have the effects of the combined examples and the modifications. It is also understood by those skilled in the art that the functions to be fulfilled by each of the constituent elements described in the claims are realized by a single component or a cooperation thereof shown in the examples and modifications.

１０ シミュレーション制御部、 １２ ユーザインタフェース、 ４０ モデル記憶部、 ５０ センサモデル部、 ５６ 誤差導出部、 ５８ 模擬値導出部、 １１０ 車両シミュレーションシステム、 １６６ 合計誤差導出部、 １６８ 画像生成部、 １７０ 画像提供部。 10 Simulation control unit, 12 User interface, 40 Model storage unit, 50 Sensor model unit, 56 Error derivation unit, 58 Simulated value derivation unit, 110 Vehicle simulation system, 166 Total error derivation unit, 168 Image generation unit, 170 Image provision unit ..

Claims (8)

車両周辺の状態を検知する検知部について、前記車両周辺の状態の真値を説明変数とし、前記検知部による前記車両周辺の状態の検知結果と前記真値との誤差を目的変数とするモデルであって、異なる種類の誤差を目的変数とする複数のモデルを記憶する記憶部と、
シミュレーションのパラメータとしての前記車両周辺の状態の真値を前記複数のモデルに入力することにより、前記複数のモデルの目的変数である複数種類の誤差を導出する導出部と、
前記複数種類の誤差を統合した全体誤差の時系列での推移を示す画像を生成する生成部と、
を備える車両シミュレーションシステム。 For the detection unit that detects the state around the vehicle, the true value of the state around the vehicle is used as an explanatory variable, and the error between the detection result of the state around the vehicle and the true value by the detection unit is used as the objective variable. There is a storage unit that stores multiple models with different types of errors as objective variables,
By inputting the true value of the state around the vehicle as a simulation parameter into the plurality of models, a derivation unit for deriving a plurality of types of errors which are objective variables of the plurality of models, and a derivation unit.
A generation unit that generates an image showing the transition of the total error in time series by integrating the plurality of types of errors, and
Vehicle simulation system with. 前記生成部は、前記画像として、前記全体誤差に占める前記複数種類の誤差それぞれの成分を異なる態様で示す画像を生成する、
請求項１に記載の車両シミュレーションシステム。 As the image, the generation unit generates an image showing the components of the plurality of types of errors in the total error in different modes.
The vehicle simulation system according to claim 1. 前記生成部は、或る時間位置において前記複数種類の誤差のうち少なくとも一部の誤差が所定値以上である場合、前記画像として、前記時間位置において前記車両周辺の状態が検知漏れであることを示す画像を生成する、
請求項１または２に記載の車両シミュレーションシステム。 When at least a part of the plurality of types of errors is equal to or greater than a predetermined value at a certain time position, the generation unit indicates that the state around the vehicle at the time position is a detection omission as the image. Generate the image to show,
The vehicle simulation system according to claim 1 or 2. 前記生成部は、前記画像において或る時間位置が指定された場合、その時間位置における前記車両周辺の状態の真値と、前記検知部による前記車両周辺の状態の検知結果の推定値とを異なる態様で示す新たな画像を生成する、
請求項１から３のいずれかに記載の車両シミュレーションシステム。 When a certain time position is specified in the image, the generation unit differs between the true value of the state around the vehicle at that time position and the estimated value of the detection result of the state around the vehicle by the detection unit. Generate a new image shown in the embodiment,
The vehicle simulation system according to any one of claims 1 to 3. 前記シミュレーションのパラメータは、検知すべき複数の物体に関する真値を含み、
前記生成部は、前記複数の物体の中からユーザが特定の物体を選択した場合、選択された物体に対する全体誤差の時系列での推移を示す画像を生成する、
請求項１から４のいずれかに記載の車両シミュレーションシステム。 The simulation parameters include true values for multiple objects to be detected.
When the user selects a specific object from the plurality of objects, the generation unit generates an image showing the transition of the total error with respect to the selected object in time series.
The vehicle simulation system according to any one of claims 1 to 4. 前記生成部は、前記画像として、前記全体誤差の時系列での推移と、前記車両周辺の状態の真値の時系列での推移とを同じ時間軸に並べた画像を生成する、
請求項１から５のいずれかに記載の車両シミュレーションシステム。 As the image, the generation unit generates an image in which the transition of the total error in the time series and the transition of the true value of the state around the vehicle in the time series are arranged on the same time axis.
The vehicle simulation system according to any one of claims 1 to 5. 車両周辺の状態を検知する検知部について、前記車両周辺の状態の真値を説明変数とし、前記検知部による前記車両周辺の状態の検知結果と前記真値との誤差を目的変数とするモデルであって、異なる種類の誤差を目的変数とする複数のモデルを記憶する記憶部にアクセス可能なコンピュータが、
シミュレーションのパラメータとしての前記車両周辺の状態の真値を前記複数のモデルに入力することにより、前記複数のモデルの目的変数である複数種類の誤差を導出し、
前記複数種類の誤差を統合した全体誤差の時系列での推移を示す画像を生成する、
ことを実行する車両シミュレーション方法。 For the detection unit that detects the state around the vehicle, the true value of the state around the vehicle is used as an explanatory variable, and the error between the detection result of the state around the vehicle and the true value by the detection unit is used as the objective variable. There is a computer that can access a storage unit that stores multiple models with different types of errors as objective variables.
By inputting the true value of the state around the vehicle as a simulation parameter into the plurality of models, a plurality of types of errors, which are the objective variables of the plurality of models, are derived.
An image showing the transition of the total error in time series by integrating the plurality of types of errors is generated.
A vehicle simulation method to do that. 車両周辺の状態を検知する検知部について、前記車両周辺の状態の真値を説明変数とし、前記検知部による前記車両周辺の状態の検知結果と前記真値との誤差を目的変数とするモデルであって、異なる種類の誤差を目的変数とする複数のモデルを記憶する記憶部にアクセス可能なコンピュータに、
シミュレーションのパラメータとしての前記車両周辺の状態の真値を前記複数のモデルに入力することにより、前記複数のモデルの目的変数である複数種類の誤差を導出し、
前記複数種類の誤差を統合した全体誤差の時系列での推移を示す画像を生成する、
ことを実行させるコンピュータプログラム。 For the detection unit that detects the state around the vehicle, the true value of the state around the vehicle is used as an explanatory variable, and the error between the detection result of the state around the vehicle and the true value by the detection unit is used as the objective variable. A computer that can access a storage unit that stores multiple models with different types of errors as objective variables.
By inputting the true value of the state around the vehicle as a simulation parameter into the plurality of models, a plurality of types of errors, which are the objective variables of the plurality of models, are derived.
An image showing the transition of the total error in time series by integrating the plurality of types of errors is generated.
A computer program that lets you do things.

Images