JP2022063484A - 道路推定プログラム、道路推定方法及び道路推定装置 - Google Patents

Abstract

【課題】測位データから道路を推定する精度を向上する。【解決手段】道路推定プログラムは、少なくとも１つの車両による複数の走行の測位データが入力される入力ステップと、前記測位データに基づいて、前記複数の走行の各走行経路を夫々示す複数の走行線を生成する走行線生成ステップと、前記複数の走行線の通過頻度に基づいて前記複数の走行線の集合の代表線を生成し、前記生成した代表線を道路線として特定する道路特定ステップと、をコンピュータに実行させる。【選択図】図２

Description

本発明は、道路を推定するプログラム、方法及び装置に関する。

複数の衛星測位データに基づいて、地図情報に存在しない新規道路の情報を生成する地図情報生成システムが提案されている（例えば、特許文献１参照）。特許文献１に開示されたシステムでは、衛星測位データから得られる複数の走行軌跡のうち離間距離が所定距離以内にある走行軌跡を同一グループとし、同一グループにおける走行軌跡間の中心線を代表線として特定する---ことで新規道路情報を生成している。

特許第５０２９００９号公報

しかし、各走行軌跡の離間距離に基づいてグループ化を行うと、互いに異なる道路の近接度や衛星測位データの誤差のバラつき具合によっては、異なる道路の走行軌跡を同一の道路と誤判断し得る。例えば、十字路やＹ字路のように新規道路が交差点を含む場合には、交差点付近において隣接道路同士が近接するため、走行軌跡間の中間点を代表点として特定すると、道路の存在しない場所を新規道路とみなし得る。

そこで本発明は、測位データから道路を推定する精度を向上することを目的とする。

本発明の一態様に係る道路推定プログラムは、少なくとも１つの車両による複数の走行の測位データが入力される入力ステップと、前記測位データに基づいて、前記複数の走行の各走行経路を夫々示す複数の走行線を生成する走行線生成ステップと、前記複数の走行線の通過頻度に基づいて前記複数の走行線の集合の代表線を生成し、前記生成した代表線を道路線として特定する道路特定ステップと、をコンピュータに実行させる。

本発明の一態様に係る道路推定方法は、走行毎の通過座標位置を示す複数の測位データを取得する測位データ取得ステップと、前記複数の測位データに基づいて、走行線として走行経路毎の座標情報を生成する走行線生成ステップと、前記走行線生成ステップで得られた複数の走行線のうちから、道路の座標を特定すべき対象座標領域に含まれる、複数の走行線を抽出する候補抽出ステップと、前記候補抽出ステップで抽出した前記複数の走行線を、前記対象座標領域に重畳した重畳情報を生成し、前記重畳情報においては、座標ごとに前記複数の走行線の通過頻度に応じた頻度値が設定される重畳情報生成ステップと、前記重畳情報における座標ごとの頻度に基づいて、前記対象座標領域で１つの代表線を生成し、前記生成された代表線を道路線として特定する道路特定ステップと、備える。

なお、前記道路特定プログラムは、非一時的（non-transitory）な記憶媒体に記憶され得る。前記記憶媒体は、コンピュータ（例えば、携帯情報端末、パーソナルコンピュータ、サーバ等）に内蔵または外付けされ、コンピュータ読み取り可能な装置である。前記記憶媒体は、例えば、ハードディスク、フラッシュメモリ、ＲＯＭ、ＲＡＭ、光ディスク等とし得る。前記記憶媒体に記憶された道路特定プログラムは、前記記憶媒体が直接接続されるコンピュータが実行してもよいし、ネットワーク（例えば、インターネット）を介して前記記憶媒体に接続されたコンピュータに実行されてもよい。

本発明の一態様に係る道路推定装置は、少なくとも１つの車両による複数の走行の測位データが入力される入力部と、前記測位データに基づいて、前記複数の走行の各走行経路を夫々示す複数の走行線を生成する走行線生成部と、前記複数の走行線の通過頻度に基づいて、前記複数の走行線の集合の代表線を生成し、前記生成した代表選を道路線として特定する道路特定部と、を備える。

前記各態様によれば、測位データから生成された走行線の通過頻度（重なり度合）に基づいて、代表線が生成される。このように、複数走行の通過頻度を考慮して代表線が生成されることで、十字路やＹ字路等において異なる道路の走行軌跡を同一の道路と誤判断し難くなる。よって、道路の推定精度を向上することができる。

本発明の一態様によれば、測位データから道路を推定する精度を向上することができる。

図１は、実施形態に係る道路推定システムの模式図である。 図２は、図１の道路推定システムのブロック図である。 図３は、車両側の送信機からサーバに送信される信号のフォーマットの図面である。 図４は、図２のサーバの道路推定処理のフローチャートである。 図５は、図２のサーバの道路特定部に用いられる学習モデルの概念図である。 図６（Ａ）は、複数の走行線を含む線画像であり、図６（Ｂ）は、線画像から生成された代表線（道路線）を示す図面である。 図７（Ａ）は、十字路を通る複数の走行線を含む線画像であり、図７（Ｂ）は、Ｙ字路を通る複数の走行線を含む線画像である。 図８は、図６（Ｂ）の代表線から離散的な代表点を特定するための探索領域を示す図面である。 図９は、図６（Ａ）の線画像から代表線を生成する別の方法を説明する図面である。

以下、図面を参照して実施形態を説明する。

図１は、実施形態に係る道路推定システム１の模式図である。図１に示すように、道路特定システム１は、ネットワーク２（例えば、インターネット）に接続可能な車両側装置４が夫々設けられた複数の車両３と、ネットワーク２に接続可能なサーバ５（道路推定装置）とを備える。車両側装置４及びサーバ５は、プロセッサ、メモリ、通信インタフェース等を備えたコンピュータである。

車両３は、特に限定されないが、道路幅に対して車幅が比較的小さい鞍乗車両（例えば、自動二輪車等）であると好適である。車両３は、複数ではなく単一であってもよい。車両側装置４は、車両３に内蔵又は後付けされた情報処理装置でもよいし、車両３に乗車したユーザが所持する携帯情報端末でもよい。なお、装置４を所持したユーザが車両３を用いずに自転車や徒歩で走行するようにしてもよい。即ち、装置４が付随する移動体は、走行駆動源を持つ車両３に限られず、例えば、自転車やユーザ（人間）でもよい。

図２は、図１の道路特定システム１のブロック図である。図２に示すように、車両側装置４は、測位部１１、測位データ記憶部１２、送信機１３等を備える。測位部１１は、車両とともに移動し、衛星測位システム（例えば、ＧＰＳや準天頂衛星システム等）を利用して地球上における車両３の位置座標を測位データとして所定時間ごとに受信する。なお、衛星による測位データには比較的大きな誤差が生じるため、同一の道路を複数回走行する場合であっても各走行軌跡の不一致が生じ得る。

測位データは、複数の位置座標データであるが、衛星測位システムにより求めるものに限られない。例えば、測位部１１は、車載された加速度センサが検出する加速度の方向から走行方向を取得し、車載された車輪回転数センサが検出する車輪回転数から走行変位量を取得し、その走行方向及び走行変位量から測位データを求めるようにしてもよい。衛星測位可能なときには衛星測位を用いて測位データを求め、衛星測位不可能なとき（例えば、ビルやトンネルの影響を受けるとき）には衛星測位を用いない車載センサ（例えば、加速度センサや速度センサ）を用いて測位データを求める構成として、衛星測位及び車載センサの両方を用いてもよい。

測位データ記憶部１２は、測位部１１が受信した測位データを、受信時刻とともに順次記憶する。送信機１３は、後述するサーバ５と通信可能に構成される。本実施形態では、送信機１３は、ネットワーク回線２（例えば、公衆データ通信網、無線ＬＡＮ等）を介してサーバ５と通信可能に構成されている。送信機１３がサーバ５に送信する情報は、測位データ（座標）、測位データの受信時刻、移動体毎の識別情報の他、移動体の種別（自動四輪車、自動二輪車、自転車、ユーザ等）を表す種別情報を含んでもよい。

サーバ５は、入力部２１、収集部２２、測位データ記憶部２３、プログラム記憶部２４、走行線生成部２５、道路特定部２６及び地図データベース２７を備える。入力部２１は、ネットワーク２を介して各車両３の車両側装置４の送信機１３から送信される信号６（図３参照）を受信する。即ち、入力部２１には、各車両側装置４の測位部１１で夫々検出された複数の走行の測位データを含む信号６が入力される。収集部２２は、入力部２１に入力された信号６から測位データを収集する。測位データ記憶部２３は、収集部２２が収集した測位データを蓄積保存する。即ち、測位データ記憶部２３は、各車両側装置４から順次送られる測位データを保存する。

プログラム記憶部２４は、サーバ５にインストールされた道路推定プログラムを記憶している。走行線生成部２５及び道路特定部２６は、プロセッサが道路推定プログラムをメインメモリに読み出して実行することで実現される。走行線生成部２５は、測位データ記憶部２３に保存された測位データに基づいて、複数の走行の各走行経路を夫々示す複数の走行線を生成する。走行線は、走行ごとに複数の位置座標を結んだ座標群を示す線情報である。

言い換えると、走行線は、所定時間ごとに順番に検出される測位データ（車両位置座標）を結ぶ線を表す。例えば、走行線は、座標情報の集まり示す線を表したものであってもよいし、線を表した座標情報の関数であってもよい。例えば、代表線は、隣接する測位データを直線で結んだ情報であってもよい。なお、各走行線は、複数の車両３が夫々走行した経路を示す線であってもよいし、単一の車両３が同じ道路を複数回走行した各経路を示す線であってもよい。

道路特定部２６は、走行線生成部２５が生成した複数の走行線から代表線を道路線として特定する。地図データベース２７は、地図情報を保存している。地図データベース２７は、道路特定部２６によって新たに特定された道路の情報が当該地図情報に追加されることで更新される。

図３は、車両側装置４の送信機１３からサーバ５に送信される信号６のフォーマットの図面である。図３に示すように、車両側装置４から送信される信号６は、宛先情報、車両ＩＤ情報、時刻情報、測位データ情報等を含む。前記宛先情報は、サーバ５を送信先として指定するサーバ５の識別情報である。前記車両ＩＤ情報は、車両側装置４の識別情報である。前記時刻情報は、信号６に含まれる測位データが計測された時刻（測位部１１の測位データ取得時刻）である。前記測位データ情報は、測位部１１が検出した測位データの情報である。

図４は、図２のサーバ５の道路推定処理のフローチャートである。図５は、図２のサーバ５の道路特定部２６に用いられる学習モデル１０の概念図である。図６（Ａ）は、複数の走行線３１ａ，３１ｂ，３１ｃ，３１ｄ，３１ｅ・・・を含む線画像３０であり、図６（Ｂ）は、線画像３０から生成された代表線３３（道路線）を示す図面である。以下、図４のフローに従いつつ図２，４～６を適宜参照しながら道路推定処理について説明する。

先ず、複数の車両３が夫々走行するときに車両側装置４の測位部１１が検出した時系列的な測位データは、送信機１３からサーバ５に送信される。そして、サーバ５の入力部２１に入力された測位データは、測位データ記憶部２３に保存される（ステップＳ１：入力ステップ）。送信機１３は、車両３の走行中にリアルタイムで測位データを送信してもよいし、測位データ記憶部１２に保存された測位データを車両３の走行終了後に纏めて送信してもよい。

走行線生成部２５は、測位データ記憶部２３に保存された測位データ（複数の位置座標データ）、即ち、走行毎の通過座標位置を示す複数の測位データを取得する（ステップＳ２：測位データ取得ステップ）。

走行線生成部２５は、その取得した複数の測位データに基づいて、複数の走行の各走行経路を夫々示す複数の走行線３１ａ，３１ｂ，３１ｃ，３１ｄ，３１ｅ・・・を生成する（ステップＳ２：走行線生成ステップ）。走行線は、走行経路毎の２次元座標情報を含む。

道路特定部２６は、それら走行線３１ａ～ｅ・・・のうちから、道路の座標（緯度・経度）を特定すべき対象座標領域に含まれる複数の走行線を抽出する（ステップＳ３：候補抽出ステップ）。道路特定部２６は、所定の緯度範囲と所定の経度範囲とで画定される領域を１画素とし、複数の画素が集まった画像領域を線画像３０として設定する。前記対象座標領域は、図６（Ａ）の線画像３０の領域であり、線画像３０の領域の大きさはサーバ５の演算能力等に応じて任意に決定される。

道路特定部２６は、前記対象座標領域において抽出された複数の走行線３１ａ～ｅが重畳した走行線集合３１（重畳情報）を生成する（ステップＳ４：重畳情報生成ステップ）。例えば、道路特定部２６は、複数の走行線３１ａ～ｅの各々を含む各画像が互いに重ねられたレイヤーとして互いに合わさって走行線集合３１を表示した線画像３０を生成する。走行線集合３１では、画素ごとに複数の走行線３１ａ～ｅ・・・の通過頻度に対応する頻度値が設定される。

例えば、画素ごとの頻度値が高くなるにつれて、明度が低くなるようなグレースケール画像（例えば、２５６諧調）に変換された線画像３０が生成される。即ち、複数の走行線３１ａ～ｅ・・・を含むグレースケール多諧調の画像であって走行線３１ａ～ｅ・・・の重なり度合いが増加するについて走行線を示す画素の濃さが増加（明度が減少）する線画像３０が生成される。線画像３０は、複数の走行線３１ａ～ｅ・・・を含む矩形画像である。このように、線画像３０では、２次元座標に加えて座標ごとに諧調値が設定された３次元情報が生成される。

線画像３０の領域は対象座標領域に対応し、線画像３０における画素の位置が、座標（緯度・経度）を意味し、線画像３０における画素ごとの濃さが、座標（画素）ごとの頻度値を意味する。なお、線画像３０は、走行線３１ａ～ｅ・・・の重なり度合いが増加するについて走行線を示す画素の濃さが減少（明度が増加）するものとしてもよい。

道路特定部２６は、道路特定規則を取得する（ステップＳ５：規則取得ステップ）。具体的には、図５に示すように、道路特定規則として、機械学習された学習モデル１０が用いられる。学習モデル１０は、例えば、ＣＮＮモデル（畳み込みニューラルネットワークモデル）である。本実施形態では、学習モデル１０において、第１～６層はバイアスをゼロとして活性化関数をＬｅＲＵとしている。第３及び第４層にはdropoutが設けられてｐ＝０．５としている。第７層のバイアスは１として活性化関数をsigmoidとしている。

座標のばらついた複数の走行線データを含む線画像を入力データとし、それら走行線が実際に通過した真の道路座標データ（道路線データ）を含む代表線画像３２を出力データとするように教師データを予め準備し、学習モデル１０に予め機械学習を行わせておく。教師データにおいて、入力データとしての複数の走行線データは二次元正規分布のばらつきを有し、出力データとしての真の道路座標データは当該二次元正規分布のピークを呈する座標としてもよい。即ち、真の道路座標データは、複数の走行線データの集合のうち走行線の発生頻度（重なり度合）が最も高い座標としてもよい。

道路特定部２６は、このような学習モデル１０に線画像３０を入力データとして入力し、学習モデル１０から出力される代表線画像３２を得る。即ち、道路特定部２６は、線画像３０における画素ごとの濃さに基づいて走行線集合３１から１つの代表線３３を生成し、その生成された代表線３３を道路線として特定する（ステップＳ６：道路特定ステップ）。これにより、走行線３１ａ～ｅ・・・の発生頻度（通過頻度）が高い座標群に基づいて１つの代表線３３が生成されることになる。

このようにすることで、道路が十字路であって走行路集合が概ね十字状を呈する場合（図７（Ａ）参照）や、道路がＹ字路であって走行路集合が概ねＹ字路を呈する場合（図７（Ｂ）参照）等に、図７（Ａ）（Ｂ）に示された破線の位置を誤って代表線として特定することが防止される。

更に、道路特定部２６は、道路特定ステップにおいて、前記生成された代表線３３を含む代表線画像３２の部分領域である探索領域４０を、代表線画像３２において順次移動させながら順次設定する（探索領域設定ステップ）。図８に示すように、探索領域４０は、縦（２ｍ＋１）個で横（２ｍ＋１）個の画素からなる（ｍは自然数）。道路特定部２６は、探索領域４０の中心の画素が探索領域４０内の最大濃度（明度が最小）である場合に、その探索領域４０の中心の座標を、代表線３３を構成する代表点の座標として特定する（代表点特定ステップ）。

このようにして、道路特定部２６は、代表線３３を離散化した複数の代表点を取得する。即ち、それら代表点は、代表線３３の一部を離散的に構成する点であり、各点の座標情報を有するものである。これら代表点を滑らかに接続すれば（代表点の間を補間すれば）、代表線３３を逆算することが可能となる。なお、この代表点を求める工程は省略されてもよい。

道路特定部２６は、それら代表点を用いて地図データベース２７の地図情報を更新する（ステップＳ６：地図データベース更新ステップ）。即ち、道路特定部２６は、地図データベース２７の地図情報において道路情報の無い地域に、ステップＳ７で推定した代表線３３又はその代表点の並びを新しい道路として追加する。

図９は、図６（Ａ）の線画像３０から代表線を生成する別の方法を説明する図面である。道路特定部２６は、道路特定規則として、学習モデル１０を用いる代わりに以下の手法を用いてもよい。図９に示すように、線画像３０において、走行線集合３１を構成する１つの走行線３１ａに直交する交差線５０を設定し、その交差線を走行線３１ａに沿って順次移動させていく。

そして、交差線５０上に存在する画素のうち最大濃度（最小明度）の画素を特定していくことで、順次設定される交差線ごとに最大濃度であるとして特定された画素の集合を代表線３３（図６（Ｂ）参照）とする。このようにしても、線画像３０から代表線３３を道路線として特定することができる。

なお、複数の走行線の重なる部分が濃くなるグレースケール多諧調の画像から代表線を抽出する方法については、既存の他の画像処理方法が用いられてもよい。代表線を構成する画素に選ばれる優先度について、頻度が多い（濃度が大きい）画素の優先度が、頻度が少ない（濃度が小さい）画素の優先度よりも高くなるようにしてもよい。即ち、頻度が多いほど代表として選ばれるための重み付けを高くしてもよい。道路特定規則は、道路線の最小曲率半径は所定値より大きいとの規則や、隣接する走行線同士の離隔幅が所定値より大きい場合にはそれら走行線を１つの道路線の候補としないとの規則等を含んでもよい。

以上に説明した構成によれば、測位データから生成された走行線３１ａ～ｅ・・・の通過頻度（重なり度合）に基づいて、代表線３３が道路線として生成される。このように、複数走行の通過頻度を考慮して代表線３３が生成されることで、十字路やＹ字路等において異なる道路の走行軌跡を同一の道路と誤判断し難くなる。よって、道路の推定精度を向上することができる。

即ち、道路を繰り返し走行することで当該道路の位置を高精度に推定でき、路面計測を不要とすることができる。例えば、地図データベース２７の地図情報にない道路（例えば、新設道路や、四輪車では走行できない道路）であっても、繰り返し走行の測位データに基づく推定によって道路の位置情報を取得することができる。また、移動体の種類（例えば、二輪車又は四輪車）ごとに道路推定を行うことで、道路をより高精度に推定することができる。

線画像３０における画素の濃さに基づいて代表線３３を特定するため、簡易な処理で道路の誤判断を低減できる。学習モデル１０を用いて線画像３０から代表線３３を特定することで、機械学習によって高精度に道路を推定できる。機械学習ではなくても、図９に示すように走行線の通過頻度に基づいて走行線集合３１の代表線を生成することで高精度に道路を推定できる。

代表線３３を構成する代表点を離散的に特定することで、線画像３０における走行線の重なり度合が大きい所を代表点として簡易に代表線を特定できると共に。データ量が膨大になることを防止できる。また、前記推定された道路を走行する各車両の状態値を走行位置ごとに相互評価するような場合において、車両ごとに道路延在方向における測位データ発生位置がバラついても、道路情報として離散化した代表点を設定することで評価が行いやすくなる。

即ち、道路線に沿った方向における代表点と代表点との間の空白領域に存在するような測位データは、それに最も近い代表点に存在しているとみなすことで、走行する車両毎の状態（例えば、バンク角、車速、加速度、タイヤ力、ブレーキ圧、スロットル開度、操舵角等）を同一の走行位置にて互いに比較することができる。評価対象の車両状態値と比較対象の状態値（例えば、平均値や特定車両の状態値）とを容易に比較できる。

車両ＩＤ情報（識別情報）が、測位データ及び受信時刻と関連付けられることで、同時刻に複数の測位データがサーバ５に記憶されたとしても、車両ＩＤ情報毎の走行線として生成でき、誤った走行線の生成を防ぐことができる。

なお、前述した道路推定は、移動体の種類（例えば、自動四輪車、自動二輪車、自転車及び歩行）ごとに分けて実施されてもよい。これにより、移動体の種類ごとに道路に対する走行位置が異なる場合の推定誤差を抑制できる。また、移動体の種類ごとに推定座標を補正して道路を推定してもよい。これによっても、移動体の種類ごとに道路に対する走行位置が異なる場合の推定誤差を抑制できる。

信号６は、測位データ情報が衛星測位によるデータであるか車載センサによる測位データであるかを識別する情報を含んでもよい。例えば、車載センサによる測位データに基づく道路推定においては、道路特定に必要な測位データの数を、衛星測位に比べて増やすようにしてもよい。これによって、車載センサによる測位データの誤差が大きくなりやすい場合でも、道路推定の精度低下を防ぐことができる。

機械学習以外の道路特定規則として、上述した道路として成り立つ条件（例えば、旋回半径及び／又は、道路幅）を予め設定し、その条件を満足する代表線が道路線として特定されてもよい。例えば、走行速度及び方向指示器の動作情報のような車両追加情報に応じて異なる道路特定規則を用いることで、車両状況に応じて道路種別（例えば、高速道路及び市街地）を分類でき、道路推定精度を向上させることができる。例えば、高速走行している車両状況であれば高速道路用の道路特定規則が用いられてもよい。発進および停車の繰り返しが生じている車両状況であれば、市街地用の道路特定規則が用いられてもよい。リーン車両（例えば、自動二輪車）のバンク角の変化が大きく繰り返される車両状況であれば、ワインディングロードの道路特定規則が用いられてもよい。

サーバ５に限らず、携帯端末や車体に搭載される処理装置が道路推定装置であってもよい。例えば、走行時にすれ違う各車両の処理装置が測位データを交換し合うことで、記憶される測位データの数を増やして、道路推定精度を向上してもよい。

走行方向に関する情報を参照して道路推定がなされてもよい。例えば、走行方向が逆方向である測位データを除いて道路推定することで、反対車線を走行する車両の測位データを除くことができ、精度向上を図ることができる。

１ 道路推定システム
３ 車両
４ 車両側装置
５ サーバ（道路推定装置）
１０ 学習モデル
２１ 入力部
２５ 走行線生成部
２６ 道路特定部
３０ 線画像
３１ 走行線集合
３１ａ～ｅ 走行線
３２ 代表線画像
３３ 代表線
４０ 探索領域

Claims (8)

1. 少なくとも１つの車両による複数の走行の測位データが入力される入力ステップと、
   前記測位データに基づいて、前記複数の走行の各走行経路を夫々示す複数の走行線を生成する走行線生成ステップと、
   前記複数の走行線の通過頻度に基づいて前記複数の走行線の集合の代表線を生成し、前記生成した代表線を道路線として特定する道路特定ステップと、
   をコンピュータに実行させる、道路推定プログラム。
2. 前記走行線生成ステップでは、前記複数の走行線を含む多諧調の線画像であって、前記走行線の重なり度合いが増加するについて前記走行線を示す画素の濃さが変化する線画像を生成し、
   前記道路特定ステップでは、前記線画像における画素の濃さに基づいて、前記複数の走行線の代表線を生成する、請求項１に記載の道路推定プログラム。
3. 前記道路特定ステップでは、予め準備された複数の走行経路を示す複数の走行線を含む多諧調の線画像と予め準備された道路線とを教師データとして機械学習した学習モデルを用い、前記走行線生成ステップで生成された前記線画像に基づいて前記代表線を特定する、請求項２に記載の道路推定プログラム。
4. 前記道路特定ステップは、
   前記生成された代表線を含む代表線画像３２の部分領域である探索領域を、前記代表線画像３２において順次移動させながら順次設定する探索領域設定ステップと、
   前記探索領域の中心の画素が前記探索範囲内の最大濃度である場合に、前記探索領域の中心の座標を、前記代表線を構成する代表点の座標として特定する代表点特定ステップと、
   を含む、請求項１乃至３のいずれか１項に記載の道路推定プログラム。
5. 走行毎の通過座標位置を示す複数の測位データを取得する測位データ取得ステップと、
   前記複数の測位データに基づいて、走行線として走行経路毎の座標情報を生成する走行線生成ステップと、
   前記走行線生成ステップで得られた複数の走行線のうちから、道路の座標を特定すべき対象座標領域に含まれる、複数の走行線を抽出する候補抽出ステップと、
   前記候補抽出ステップで抽出した前記複数の走行線を、前記対象座標領域に重畳した重畳情報を生成し、前記重畳情報においては、座標ごとに前記複数の走行線の通過頻度に応じた頻度値が設定される重畳情報生成ステップと、
   前記重畳情報における座標ごとの頻度に基づいて、前記対象座標領域で１つの代表線を生成し、前記生成された代表線を道路線として特定する道路特定ステップと、備える、道路推定方法。
6. 前記道路特定ステップでは、前記頻度が高い座標群に基づいて、前記１つの代表線を生成する、請求項５に記載の道路推定方法。
7. 道路特定規則を取得する規則取得ステップを更に備え、
   前記道路特定ステップでは、前記重畳情報における座標ごとの前記頻度と前記道路生成規則とに基づいて、前記道路線を特定する、請求項５又は６に記載の道路推定方法。
8. 少なくとも１つの車両による複数の走行の測位データが入力される入力部と、
   前記測位データに基づいて、前記複数の走行の各走行経路を夫々示す複数の走行線を生成する走行線生成部と、
   前記複数の走行線の通過頻度に基づいて、前記複数の走行線の集合の代表線を生成し、前記生成した代表選を道路線として特定する道路特定部と、を備える、道路推定装置。

Images