JP6993136B2 - レーダ装置および物標検知方法 - Google Patents

Description

開示の実施形態は、レーダ装置および物標検知方法に関する。

従来、検知した物標を追跡するためにフィルタ処理を行うレーダ装置が知られている（例えば、特許文献１参照）。

特開２０１５－０２８４４０号公報

しかしながら、上記レーダ装置では、物標の種類、例えば、行動パターンが異なる車や、自転車や、歩行者を追跡することは考慮されていない。

実施形態の一態様は、上記に鑑みてなされたものであって、種類が異なる物標を追跡可能なレーダ装置および物標検知方法を提供することを目的とする。

実施形態の一態様に係るレーダ装置は、識別部と、設定部と、生成部とを備える。識別部は、物標の種類を識別する。設定部は、時系列フィルタリングによって物標に関する物標データを生成するフィルタ処理が物標の種類に応じて異なるように、フィルタの種類およびフィルタのパラメータ値の少なくともいずれかが異なるフィルタを設定する。生成部は、設定されたフィルタを用いて物標に関する物標データを生成する。

実施形態の一態様によれば種類が異なる物標を追跡することができる。

図１は、実施形態に係る物標検知方法を説明する図である。 図２は、実施形態に係るレーダ装置の構成を示すブロック図である。 図３は、信号処理部の前段処理から信号処理部におけるピーク抽出処理までの処理説明図である。 図４Ａは、角度推定処理の処理説明図である。 図４Ｂは、ペアリング処理の処理説明図（その１）である。 図４Ｃは、ペアリング処理の処理説明図（その２）である。 図５は、歩行者および他車両におけるパワー値を示す図である。 図６は、歩行者および他車両における速度広がりを示す図である。 図７は、物標までの距離と最大強度および強度広がりとの関係を示す図である。 図８は、実施形態に係る物標データ生成処理を説明するフローチャートである。

以下、添付図面を参照して、本願の開示するレーダ装置および物標検知方法を説明する。なお、以下に示す実施形態によりこの発明が限定されるものではない。

以下では、レーダ装置１がＦＭ－ＣＷ（Frequency Modulated Continuous Wave）方式である場合を例に挙げて説明するが、レーダ装置１は、例えばＦＣＭ（Fast-Chirp Modulation）方式といった他の方式であってもよい。

まず、レーダ装置１による物標検知方法について図１を参照し説明する。図１は、実施形態に係る物標検知方法を説明する図である。

レーダ装置１は、例えば、車両のフロントグリル内等に搭載され、自車両ＭＣの進行方向に存在する物標（例えば、他車両（車）や、自転車や、歩行者（人）等）を検出する。なお、レーダ装置１の搭載箇所は、例えばフロントガラスやリアグリル、左右の側部（例えば、左右のドアミラー）等他の箇所に搭載されてもよい。

レーダ装置１は、物標に向けて送信された送信波と、物標による送信波の反射波とに基づいて観測値を検出する（Ｓ１）。

次に、レーダ装置１は、観測値に基づいて物標の種類を識別する（Ｓ２）。レーダ装置１は、教師あり機械学習による識別処理を用いて物標の種類を識別する。なお、機械学習については、後述する。レーダ装置１は、機械学習による識別処理により、物標の種類を識別する。具体的には、レーダ装置１は、「他車両」、「自転車」、「歩行者」の物標を識別する。

次に、レーダ装置１は、識別した物標の種類に対応するフィルタを設定する（Ｓ３）。レーダ装置１は、物標の種類ごとにフィルタ処理で用いるフィルタを設定する。具体的には、レーダ装置１は、物標が「他車両」、「自転車」、「歩行者」であるかによって、用いるフィルタを設定する。すなわち、レーダ装置１は、行動パターンが異なる物標ごとに、フィルタ処理で用いるフィルタを設定する。

用いられるフィルタは、例えば、線形フィルタである線形カルマンフィルタや、非線形フィルタである拡張カルマンフィルタや、非線形フィルタであるパーティクルフィルタである。

カルマンフィルタは、誤差を含む最新の観測値と、誤差を含む前回の状態データとに基づいて双方の誤差が最小となる最適カルマンゲインを算出し、最適カルマンゲインを用いて前回の状態データから最新の状態データを予測するものである。

実施形態に係る線形カルマンフィルタは、得られた最新の観測値および前回の物標データ双方に誤差が含まれると仮定して、前回の物標データを運動モデル（等速直線モデル）に従って移動させた場合に、誤差が最小となる最適カルマンゲインを算出する。そして、線形カルマンフィルタは、運動モデルと最適カルマンゲインを用いて、前回の物標データに基づく今回の予測値および最新の観測値から今回の物標データを生成する。線形カルマンフィルタは、例えばパーティクルフィルタに比べて処理負荷が小さく、短い時間当たりの移動変動、具体的には進行方向の変動が小さい物標を追跡する際に好適である。例えば、他車両の場合は、短い時間（例えば、１秒の間）に進行方向が直進方向から後退方向に切り替わる可能性は低いが、歩行者の場合は、短い時間に進行方向が変化する可能性が高い。そのため、後述のように他車両の場合は、線形カルマンフィルタが用いられる。

拡張カルマンフィルタは、非線形モデルに対し、線形近似を行うことで上記した線形カルマンフィルタの手法を適用するフィルタである。拡張カルマンフィルタは、線形カルマンフィルタよりも、短い時間当たりの移動変動が大きい物標を追跡する際に好適である。例えば、自転車の場合は、短い時間に進行方向が変化する可能性が、他車両よりも高く、また歩行者よりも低い。そのため、後述のように自転車の場合は、拡張カルマンフィルタが用いられる。

パーティクルフィルタは、所定数の粒子データと観測値とを所定の状態空間にプロットするとともに、状態空間における位置関係を解析することによって、物標データを推定し、生成する。

具体的には、パーティクルフィルタでは、「予測」、「割り当て」、「重み付け」、「リサンプリング」および「データ生成」の処理が行われることで、観測値から物標データが生成される。

「予測」は、最新の周期で用いる粒子データの状態空間での分布状態を予測する処理である。具体的には、「予測」は、１つ前の周期である前回の粒子データにおける分布状態から最新の周期である今回の粒子データにおける分布状態を予測する予測処理である。

「割り当て」は、最新の周期である今回の観測値を予測した今回の粒子データへ割り当てる処理である。「割り当て」では、例えば、前回の物標データから所定の割り当て範囲に存在する観測値を今回の粒子データへ割り当てる。

「重み付け」は、割り当てられた今回の観測値に基づいて今回の粒子データそれぞれに対して重み付けする処理である。

「リサンプリング」は、「重み付け」による今回の粒子データそれぞれの重みに基づいて今回の粒子データそれぞれを再配置（リサンプリング）する処理である。

「データ生成」は、リサンプリングされた今回の粒子データに基づいて今回の観測値から今回の物標データを生成する処理である。

パーティクルフィルタは、粒子データの数が多く必要となり、線形カルマンフィルタや、拡張カルマンフィルタよりも処理負荷が大きいが、短い時間当たりの移動変動が大きい物標を追跡する際に好適である。

レーダ装置１は、物標の種類が「他車両」である場合には、上述のように移動変動が小さいと判定し、フィルタ処理で用いるフィルタを線形カルマンフィルタに設定する。

また、レーダ装置１は、物標の種類が「自転車」である場合には、上述のように移動変動が「他車両」よりも大きいと判定し、フィルタ処理で用いるフィルタを拡張カルマンフィルタに設定する。

さらに、レーダ装置１は、物標の種類が「歩行者」である場合には、移動変動が「他車両」および「自転車」よりも大きいと判定し、フィルタ処理で用いるフィルタをパーティクルフィルタに設定する。

このように、レーダ装置１は、物標の現在までの動作（例えば、進行方向や速度）と、次の動作との変化（移動変動）が大きく異なる可能性が高い物標については、物標の動作の変化に対して追従性の高いパーティクルフィルタを採用する。またレーダ装置１は、物標の移動変動が大きく異なる可能性が低い物標については、物標の動作の変化に対する追従性はパーティクルフィルタよりも低いが、処理負荷が軽減される線形カルマンフィルタや拡張カルマンフィルタを適用する。

なお、移動変動が大きく異なるとは、例えば、短い時間（例えば、１秒）で速度差が、２０ｋｍ／ｈ以上異なる場合をいい、具体的には、走っている人が急に止まる場合である。その他に移動変動が大きく異なるとは、進行方向が逆方向になる場合をいい、具体的には、歩行者が一方の歩道側から車道に設けられた横断歩道上を他方の歩道側に向けて移動中に、進行方向を逆方向に変更して一方の歩道側に戻る場合である。また、移動変動が低いとは、例えば、短い時間で速度差が２０ｋｍ／ｈ未満となる車両の加減速等である。

次に、レーダ装置１は、物標の種類に対応して設定した各フィルタを用いて、物標ごとにフィルタ処理を行い、物標の観測値に対応する物標データを生成する（Ｓ４）。すなわち、レーダ装置１は、種類が異なる物標ごとに設定されたフィルタを用いて、物標ごとに物標データを生成する。このように、レーダ装置１は、種類が異なる物標を、異なるフィルタを用いて追跡する。

レーダ装置１は、物標の種類に適したフィルタを用いて物標データを生成することで、種類が異なる物標の追跡性を向上させることができる。

次に、実施形態に係るレーダ装置１の構成について図２を参照し説明する。図２は、実施形態に係るレーダ装置１の構成を示すブロック図である。

レーダ装置１は、送信部１０と、受信部２０と、処理部３０とを備える。レーダ装置１は、自車両ＭＣの挙動を制御する車両制御装置２と接続される。

車両制御装置２は、レーダ装置１による物標の検出結果に基づいて、ＰＣＳ（Pre-crash Safety System）やＡＥＢ(Advanced Emergency Braking System)などの車両制御を行う。

送信部１０は、信号生成部１１と、発振器１２と、送信アンテナ１３とを備える。信号生成部１１は、後述する送受信制御部３１の制御により、三角波で周波数変調されたミリ波を送信するための変調信号を生成する。発振器１２は、信号生成部１１によって生成された変調信号に基づいて送信信号を生成し、送信アンテナ１３へ出力する。なお、図２に示すように、発振器１２によって生成された送信信号は、後述するミキサ２２に対しても分配される。

送信アンテナ１３は、発振器１２からの送信信号を送信波へ変換し、送信波を自車両ＭＣの外部へ出力する。送信アンテナ１３が出力する送信波は、三角波で周波数変調された連続波である。送信アンテナ１３から自車両ＭＣの外部、例えば前方へ送信された送信波は、先行車ＬＣなどの物標で反射されて反射波となる。

受信部２０は、アレーアンテナを形成する複数の受信アンテナ２１と、複数のミキサ２２と、複数のＡ／Ｄ変換部２３とを備える。ミキサ２２およびＡ／Ｄ変換部２３は、受信アンテナ２１ごとに設けられる。

各受信アンテナ２１は、物標からの反射波を受信波として受信し、受信波を受信信号へ変換してミキサ２２へ出力する。なお、図２に示す受信アンテナ２１の数は４つであるが、３つ以下または５つ以上であってもよい。

受信アンテナ２１から出力された受信信号は、図示略の増幅器（例えば、ローノイズアンプ）で増幅された後にミキサ２２へ入力される。ミキサ２２は、分配された送信信号と、受信アンテナ２１から入力される受信信号との一部をミキシングし不要な信号成分を除去してビート信号を生成し、Ａ／Ｄ変換部２３へ出力する。

ビート信号は、送信波と反射波との差分波であって、送信信号の周波数（以下、「送信周波数」と記載する）と受信信号の周波数（以下、「受信周波数」と記載する）との差となるビート周波数を有する。ミキサ２２で生成されたビート信号は、Ａ／Ｄ変換部２３でデジタル信号に変換された後に、処理部３０へ出力される。

処理部３０は、送受信制御部３１と、信号処理部３２と、記憶部３３とを備える。

送受信制御部３１は、信号生成部１１を含む送信部１０、および、受信部２０を制御する。信号処理部３２は、一連の信号処理を周期的に実行する。

記憶部３３は、履歴データ３３ａを記憶する。履歴データ３３ａは、信号処理部３２が実行する一連の信号処理における物標データの履歴を含む情報である。

処理部３０は、例えば、ＣＰＵ（Central Processing Unit）、記憶部３３に対応するＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）、レジスタ、その他の入出力ポートなどを含むマイクロコンピュータであり、レーダ装置１全体を制御する。

マイクロコンピュータのＣＰＵがＲＯＭに記憶されたプログラムを読み出して実行することによって、送受信制御部３１および信号処理部３２として機能する。なお、送受信制御部３１および信号処理部３２は全部をＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）などのハードウェアで構成することもできる。

信号処理部３２は、周波数解析部３２ａと、ピーク抽出部３２ｂと、観測値生成部３２ｃと、識別部３２ｄと、フィルタ設定部３２ｅと、フィルタ処理部３２ｆとを備える。

周波数解析部３２ａは、各Ａ／Ｄ変換部２３から入力されるビート信号に対して高速フーリエ変換（ＦＦＴ：Fast Fourier Transform）処理（以下、「ＦＦＴ処理」と記載する）を行い、結果をピーク抽出部３２ｂへ出力する。ＦＦＴ処理の結果は、ビート信号の周波数スペクトルであり、ビート信号の周波数ごと（周波数分解能に応じた周波数間隔で設定された周波数ビンごと）のパワー値（信号レベル）である。

ピーク抽出部３２ｂは、周波数解析部３２ａによるＦＦＴ処理の結果においてピークとなるピーク周波数を抽出して、抽出結果を観測値生成部３２ｃへ出力する。なお、ピーク抽出部３２ｂは、後述するビート信号の「ＵＰ区間」および「ＤＮ区間」のそれぞれについてピーク周波数を抽出する。

観測値生成部３２ｃは、ピーク抽出部３２ｂにおいて抽出されたピーク周波数のそれぞれに対応する反射波の到来角度とそのパワー値を算出する角度推定処理を実行する。なお、角度推定処理の実行時点で、到来角度は、物標が存在すると推定される角度であることから、以下では「推定角度」と記載する場合がある。

また、観測値生成部３２ｃは、算出した推定角度とパワー値との算出結果に基づいて「ＵＰ区間」および「ＤＮ区間」それぞれのピーク周波数の正しい組み合わせを判定するペアリング処理を実行する。

また、観測値生成部３２ｃは、判定した組み合わせ結果から各物標に対応する観測値の自車両ＭＣに対する距離および相対速度を算出する。

説明を分かりやすくするために、信号処理部３２の前段処理から信号処理部３２におけるここまでの処理の流れを図３～図４Ｃに示す。図３は、信号処理部３２の前段処理から信号処理部３２におけるピーク抽出処理までの処理説明図である。

また、図４Ａは、角度推定処理の処理説明図である。また、図４Ｂおよび図４Ｃは、ペアリング処理の処理説明図（その１）および（その２）である。なお、図３は、２つの太い下向きの白色矢印で３つの領域に区切られている。以下では、各領域を順に、上段、中段、下段と記載する。

図３の上段に示すように、送信信号ｆｓ（ｔ）は、送信アンテナ１３から送信波として送出された後、物標において反射されて反射波として到来し、受信アンテナ２１において受信信号ｆｒ（ｔ）として受信される。

このとき、図３の上段に示すように、受信信号ｆｒ（ｔ）は、自車両ＭＣと物標との距離に応じて、送信信号ｆｓ（ｔ）に対して時間差Ｔだけ遅延している。この時間差Ｔと、自車両ＭＣおよび物標の相対速度に基づくドップラー効果とにより、ビート信号は、周波数が上昇する「ＵＰ区間」の周波数ｆｕｐと、周波数が下降する「ＤＮ区間」の周波数ｆｄｎとが繰り返される信号として得られる（図３の中段参照）。

図３の下段には、ビート信号を周波数解析部３２ａにおいてＦＦＴ処理した結果を、「ＵＰ区間」側および「ＤＮ区間」側のそれぞれについて模式的に示している。

図３の下段に示すように、ＦＦＴ処理後には、「ＵＰ区間」側および「ＤＮ区間」側のそれぞれの周波数領域における波形が得られる。ピーク抽出部３２ｂは、波形においてピークとなるピーク周波数を抽出する。

例えば、図３の下段に示した例の場合、ピーク抽出閾値が用いられ、「ＵＰ区間」側においては、ピークＰｕ１～Ｐｕ３がそれぞれピークとして判定され、ピーク周波数ｆｕ１～ｆｕ３がそれぞれ抽出される。

また、「ＤＮ区間」側においては、同じくピーク抽出閾値により、ピークＰｄ１～Ｐｄ３がそれぞれピークとして判定され、ピーク周波数ｆｄ１～ｆｄ３がそれぞれ抽出される。

ここで、ピーク抽出部３２ｂが抽出した各ピーク周波数の周波数成分には、複数の物標からの反射波が混成している場合がある。そこで、観測値生成部３２ｃは、各ピーク周波数のそれぞれについて方位演算する角度推定処理を行い、ピーク周波数ごとに対応する物標の存在を解析する。

なお、観測値生成部３２ｃにおける方位演算は、例えばＥＳＰＲＩＴ（Estimation of Signal Parameters via Rotational Invariance Techniques）などの公知の到来方向推定手法を用いて行うことができる。

図４Ａは、観測値生成部３２ｃの方位演算結果を模式的に示すものである。観測値生成部３２ｃは、方位演算結果の各ピークＰｕ１～Ｐｕ３から、これらピークＰｕ１～Ｐｕ３にそれぞれ対応する各物標（各反射点）の推定角度を算出する。また、各ピークＰｕ１～Ｐｕ３の大きさがパワー値となる。観測値生成部３２ｃは、図４Ｂに示すように、角度推定処理を「ＵＰ区間」側および「ＤＮ区間」側のそれぞれについて行う。

そして、観測値生成部３２ｃは、方位演算結果において、推定角度およびパワー値の近い各ピークを組み合わせるペアリング処理を行う。また、その組み合わせ結果から、観測値生成部３２ｃは、各ピークの組み合わせに対応する各物標（各反射点）の距離および相対速度を算出する。

距離は、「距離∝（ｆｕｐ＋ｆｄｎ）」の関係に基づいて算出することができる。相対速度は、「速度∝（ｆｕｐ－ｆｄｎ）」の関係に基づいて算出することができる。その結果、図４Ｃに示すように、自車両ＭＣに対する、各反射点ＲＰの推定角度、距離および相対速度の瞬時値を示すペアリング処理結果が得られる。

また、観測値生成部３２ｃは、判定した組み合わせ結果からクラスタリングし、例えば、検出位置が近い、および相対速度が近いといった所定の条件を満たす観測値を１つの物標に対応する観測値として検出する。すなわち、観測値生成部３２ｃは、観測値をグループ化する。

また、観測値生成部３２ｃは、物標の推定角度、距離および相対速度を、最新周期（最新スキャン）分の観測値として識別部３２ｄへ出力する。

図２に戻り、識別部３２ｄは、グループ化した観測値の種類、すなわち物標の種類を識別する。識別部３２ｄは、教師あり機械学習による識別処理を用いて物標の種類を識別する。識別部３２ｄは、例えば、ＳＶＭ（Support Vector Machine）によって物標の種類を識別する。

機械学習では、事前に行われる学習処理によって、教師データを入力とし、物標の種類を分離する分離線を生成する。分離線の情報は、記憶部３３に記憶されている。識別部３２ｄは、物標の特徴量を抽出し、記憶された分離線および抽出した物標の特徴量に基づいて物標の識別を行う。

物標の特徴量は、レンジ広がり、最大強度、強度広がりおよび速度広がりである。

レンジ広がりは、各ピーク周波数が抽出される波形において、ピーク抽出閾値となる２つの値の周波数差（距離）である。

レンジ広がりは、図５に示すように、物標が「他車両」である場合には、物標が「歩行者」である場合よりも大きくなる。図５は、歩行者および他車両におけるパワー値を示す図である。図５では、自車両ＭＣからの距離が近い位置に他車両が検出され、他車両よりも遠い位置に歩行者が検出された場合のパワー値を示している。レンジ広がりは、物標が大きくなると大きくなり、「歩行者」、「自転車」、「他車両」の順に大きくなる。

最大強度および強度広がりは、物標における反射強度を示している。最大強度は、ピーク周波数におけるパワー値である。強度広がりは、ピーク周波数におけるパワー値と、ピーク抽出閾値との差である。

図５に示すように、物標が「他車両」の場合には、物標が「歩行者」である場合よりも、最大強度および強度広がりが大きくなる。最大強度および強度広がりは、「歩行者」、「自転車」、「他車両」の順に大きくなる。

速度広がりは、物標に含まれる観測値の速度のバラツキであり、図６において、点で示すように、物標が「歩行者」の場合には大きくなり、物標が「他車両」の場合には、直線で示すように小さくなる。図６は、歩行者および他車両における速度広がりを示す図である。なお、図６では、他車両の車速が一定の場合を示している。物標が「歩行者」の場合には、送信波が、手や足など動きが多い箇所からも反射され、観測値の速度のバラツキが大きくなり、速度広がりが大きくなる。また、物標が「他車両」の場合には、観測値の速度のバラツキが小さいため、速度広がりは小さくなる。このように、速度広がりは、物標における動きが多い場合には、大きくなり、「他車両」、「自転車」、「歩行者」の順に大きくなる。

なお、上記した特徴量は、距離変化による影響を受け、特に、強度広がり、最大強度については、反射波の受信強度が距離の４乗で減衰するため、距離変化による影響が大きくなる。

例えば、図７に示すように、自車両ＭＣから物標までの距離が長くなるにつれて、最大強度および強度広がりは小さくなる。図７は、物標までの距離と最大強度および強度広がりとの関係を示す図である。図７では、最大強度の変化を実線で示し、強度広がりの変化を破線で示す。

そのため、例えば、物標までの距離に応じて複数のレンジグループに区分し、レンジグループ毎に機械学習を行い、分離線を生成してもよい。例えば、図７に示すように、３つのレンジグループ（Ａグループ、Ｂグループ、Ｃグループ）に区分し、グループ毎に分離線を生成してもよい。

識別部３２ｄは、分離線の情報および抽出した特徴量に基づいて物標の種類を識別する。なお、識別部３２ｄは、上記識別方法に限られることはなく、例えば、ディープラーニングにより物標の種類を識別してもよい。また、特徴量は、上記特徴量に限られることはなく、他の特徴量が用いられてもよい。

フィルタ設定部３２ｅは、識別部３２ｄによって識別された物標の種類に対応するフィルタを設定する。すなわち、フィルタ設定部３２ｅは、物標の種類に応じてフィルタ処理が異なるように、フィルタの種類が異なるフィルタを設定する。

フィルタ設定部３２ｅは、物標の種類が「他車両」である場合には、フィルタを線形フィルタである線形カルマンフィルタに設定する。なお、フィルタは、線形フィルタであるαβフィルタまたはαβγフィルタであってもよい。

フィルタ設定部３２ｅは、物標の種類が「自転車」である場合には、フィルタを非線形フィルタである拡張カルマンフィルタに設定する。なお、フィルタは、非線形フィルタである無香カルマンフィルタであってもよい。

フィルタ設定部３２ｅは、物標の種類が「歩行者」である場合には、フィルタを非線形フィルタであるパーティクルフィルタに設定する。なお、フィルタは、非線形フィルタである無香パーティクルフィルタであってもよい。

フィルタ処理部３２ｆは、設定されたフィルタを用いて物標ごとにフィルタ処理を行い、物標ごとに物標データを生成する。フィルタ処理部３２ｆは、物標ごとの観測値に対し、設定されたフィルタを用いて時系列フィルタリングを行い、フィルタ値としての物標データを生成する。

フィルタ処理部３２ｆは、「他車両」であると識別された物標の観測値に線形カルマンフィルタを用いたフィルタ処理を行い、「他車両」であると識別された物標についての物標データを生成する。

また、フィルタ処理部３２ｆは、「自転車」であると識別された物標の観測値に拡張カルマンフィルタを用いたフィルタ処理を行い、「自転車」であると識別された物標についての物標データを生成する。

さらに、フィルタ処理部３２ｆは、「歩行者」であると識別された物標の観測値にパーティクルフィルタを用いたフィルタ処理を行い、「歩行者」であると識別された物標についての物標データを生成する。

次に、実施形態に係る物標データ生成処理について図８のフローチャートを用いて説明する。図８は、実施形態に係る物標データ生成処理を説明するフローチャートである。

レーダ装置１は、周波数変調された送信波と物標による送信波の反射波とに基づいて物標に対応する観測値を検出する（Ｓ１０）。

レーダ装置１は、観測値をグループ化し（Ｓ１１）、グループ化した観測値、すなわち物標の種類を識別する（Ｓ１２）。

レーダ装置１は、識別した物標の種類に対応するフィルタを設定する（Ｓ１３）。そして、レーダ装置１は、設定したフィルタを用いて物標の種類に応じたフィルタ処理を行い、物標データを生成する（Ｓ１４）。

次に、実施形態に係るレーダ装置１の効果について説明する。

レーダ装置１は、物標の種類を識別し、識別した物標の種類に応じたフィルタを設定する。そして、レーダ装置１は、設定したフィルタを用いてフィルタ処理を行い、物標データを生成する。これにより、種類が異なる物標を追跡することができる。また、動作の変化（行動パターン）が異なる物標に対する追跡性を向上させることができる。

また、レーダ装置１は、識別した物標の種類ごとにフィルタを設定し、物標データを生成することで、物標を追跡する際の処理負荷を小さくすることができる。例えば、「他車両」の物標を追跡し、「他車両」の物標データを生成する場合には、「他車両」の観測値の近くの「歩行者」の観測値は、物標の種類が異なるので、考慮されない。すなわち、或る種類の物標を追跡する際に、他の種類の物標の情報を排除することができる。そのため、物標を追跡するための処理負荷を低減することができる。また、他の種類の物標の情報を排除することができるため、物標の追跡性を向上させることができる。

レーダ装置１は、物標が「他車両」である場合には、フィルタ処理で用いるフィルタを線形フィルタに設定し、物標が「自転車」または「歩行者」である場合には、フィルタ処理で用いるフィルタを非線形フィルタに設定する。これにより、移動変動が「他車両」よりも大きい「自転車」および「歩行者」に対する追跡性を向上させることができる。

レーダ装置１は、物標が「他車両」である場合には、フィルタ処理で用いるフィルタを線形フィルタである線形カルマンフィルタに設定する。これにより、「他車両」を追跡する際の処理負荷を小さくすることができる。

レーダ装置１は、物標が「自転車」である場合には、フィルタ処理で用いるフィルタを非線形フィルタである拡張カルマンフィルタに設定する。これにより、「他車両」よりも移動変動が大きい「自転車」の追跡性を向上させることができる。

レーダ装置１は、物標が「歩行者」である場合には、フィルタ処理で用いるフィルタを非線形フィルタであるパーティクルフィルタに設定する。これにより、「他車両」および「自転車」よりも移動変動が大きい「歩行者」の追跡性を向上させることができる。

次に、上記実施形態に係るレーダ装置１の変形例について説明する。

上記実施形態では、物標の種類ごとにフィルタ処理で用いるフィルタを設定したが、これに限られることはない。変形例に係るレーダ装置１は、複数種類の物標で同じフィルタを設定してもよい。例えば、変形例に係るレーダ装置１は、物標が「他車両」である場合に、フィルタ処理で用いるフィルタを線形カルマンフィルタに設定し、物標が「自転車」および「歩行者」である場合に、フィルタ処理で用いるフィルタをパーティクルフィルタに設定してもよい。

上記実施形態では、フィルタ処理が物標の種類に応じて異なるように、フィルタの種類が異なるフィルタを設定したが、これに限られることはない。変形例に係るレーダ装置１は、フィルタ処理が物標の種類に応じて異なるように、フィルタの設計パラメータ（パラメータ値）が異なるフィルタを設定してもよい。すなわち、変形例に係るレーダ装置１は、同一のフィルタであり、設計パラメータが異なるフィルタを物標の種類に応じて設定する。

例えば、物標の種類に関わらず、フィルタ処理で用いるフィルタを線形カルマンフィルタとした場合に、変形例に係るレーダ装置１は、駆動雑音共分散を、物標の種類に応じて変更する。線形カルマンフィルタでは、運動モデルのあいまいさを表す駆動雑音共分散が設定されている。線形カルマンフィルタは、駆動雑音共分散を変更することで、平滑性と追跡性を制御できることが知られている。この駆動雑音共分散を、物標の種類に応じて変更することで、線形カルマンフィルタを、物標の種類に対応したフィルタとして用いることができる。

例えば、駆動雑音共分散を小さくすると、物標の移動方向が急変した場合の追跡性が低くなるが、物標データのバラツキを小さくすることができる。また、駆動雑音共分散を大きくすると、物標データのバラツキが大きくなるが、物標の移動方向が急変した場合でも追跡性が高くなる。

そのため、移動変動が小さい「車」については、駆動雑音共分散を小さくし、移動変動が大きい「歩行者」については、駆動雑音共分散を大きくする。このように、フィルタの設計パラメータを物標に応じて設定することで、変形例に係るレーダ装置１は、同一のフィルタを用いて異なる種類の物標に対して物標データを生成することができる。すなわち、変形例に係るレーダ装置１は、同一のフィルタを用いて、種類の異なる物標を追跡することができる。

なお、線形カルマンフィルタの設計パラメータとしては、駆動雑音共分散の他に、誤差共分散行列の初期値があり、誤差共分散行列の初期値を物標の種類に対応して設定してもよい。

また、例えば、線形カルマンフィルタを同一のフィルタとするフィルタ処理において設計パラメータを変更して実行する場合、歩行者の場合は、前回の処理で検出した結果に基づく今回の予測値の重み付けを、今回の処理で検出した結果である観測値よりも小さい重み付けにしてもよい。歩行者は移動変動が大きく、歩行者の動作は予測が困難な場合があるため、前回の処理で検出した結果に基づく今回の予測値の重み付けを大きくすると、歩行者が予測と異なる動作を行った場合に、誤った検出結果となる。そのため、変形例に係るレーダ装置１は、今回の処理で検出した結果である観測値の重み付けを、今回の予測値よりも大きくする（信頼度を大きくする）ことで、歩行者に関する物標について正確な検出結果を取得することができる。

また、例えば、物標の種類に関わらず、パーティクルフィルタを同一のフィルタとしてフィルタ処理で用いる場合には、物標の種類に対応してパーティクル数や、パーティクルのばらつきを設定する。例えば、物標が「他車両」、「自転車」、「歩行者」となるにつれてパーティクル数を多くする。これにより、同一のフィルタを用いて、種類の異なる物標を追跡することができる。

また、変形例に係るレーダ装置１は、カメラによって取得した画像データに基づいて物標の種類を識別してもよい。

また、変形例に係るレーダ装置１は、自車両ＭＣの周辺環境に応じてフィルタ処理で用いるフィルタを設定してもよい。変形例に係るレーダ装置１は、例えば、カメラや、ナビゲーションシステムを用いて検出された周辺環境に応じてフィルタを設定する。周辺環境は、例えば、前方の横断歩道やトンネルの有無や、自車両ＭＣが走行している道路の種類（一般道路、高速道路、スクールゾーンなど）である。

変形例に係るレーダ装置１は、例えば、自車両ＭＣが高速道路を走行している場合には、フィルタ処理で用いるフィルタを線形カルマンフィルタに設定する。また、変形例に係るレーダ装置１は、例えば、自車両ＭＣが一般道路を走行している場合には、フィルタ処理で用いるフィルタを拡張カルマンフィルタに設定する。また、変形例に係るレーダ装置１は、例えば、自車両ＭＣがスクールゾーンを走行している場合には、フィルタ処理で用いるフィルタをパーティクルフィルタに設定する。このように、自車両ＭＣの周辺環境に応じてフィルタを設定することで、周辺環境に応じて物標を検出し、追跡することができる。

なお、変形例に係るレーダ装置１は、自車両ＭＣが走行している時間帯に応じて、フィルタ処理で用いるフィルタを設定してもよい。変形例に係るレーダ装置１は、例えば、自車両ＭＣがスクールゾーンを走行しており、かつ登下校の時間帯には、フィルタ処理で用いるフィルタをパーティクルフィルタに設定し、それ以外の時間帯には、フィルタ処理で用いるフィルタを拡張カルマンフィルタに設定する。

また、変形例に係るレーダ装置１は、検出された物標の数に応じてフィルタ処理で用いるフィルタを変更してもよい。例えば、変形例に係るレーダ装置１は、検出された物標の数が少ない場合（例えば、所定閾値以下。）には、フィルタ処理で用いるフィルタをパーティクルフィルタに設定する。これにより、物標に対する追跡性を向上させることができる。

また、変形例に係るレーダ装置１は、検出された物標の数が多い場合（例えば、所定閾値よりも多い。）には、フィルタ処理で用いるフィルタを線形カルマンフィルタに設定する。これにより、物標の数が多い場合に、処理負荷を小さくすることができる。

また、物標の種類は、「他車両」、「自転車」、「歩行者」に限られない。例えば、さらなる物標の種類として、「自動二輪車」が含まれ、「自動二輪車」に対応するフィルタを設定してもよい。

なお、上記実施形態に係るレーダ装置１と変形例に係るレーダ装置１とを組み合わせて適用してもよい。すなわち、レーダ装置１は、フィルタ処理が物標の種類に応じて異なるように、フィルタの種類およびフィルタの設計パラメータの少なくともいずれかが異なるフィルタを設定し、設定したフィルタにより物標データを生成することで、種類が異なる物標を追跡することができる。

さらなる効果や変形例は、当業者によって容易に導き出すことができる。このため、本発明のより広範な態様は、以上のように表しかつ記述した特定の詳細および代表的な実施形態に限定されるものではない。従って、添付の特許請求の範囲およびその均等物によって定義される総括的な発明の概念の精神または範囲から逸脱することなく、様々な変更が可能である。

１ レーダ装置
３０ 処理部
３２ 信号処理部
３２ｄ 識別部
３２ｅ フィルタ設定部（設定部）
３２ｆ フィルタ処理部（生成部）
ＭＣ 自車両

Claims (3)

1. 物標の種類を識別する識別部と、
   時系列フィルタリングによって前記物標に関する物標データを生成するフィルタ処理が前記物標の種類に応じて異なるように、フィルタの種類およびフィルタのパラメータ値の少なくともいずれかが異なるフィルタを設定する設定部と、
   設定された前記フィルタを用いて前記物標データを生成する生成部と
   を備え、
   前記設定部は、
   前記物標が車である場合に、前記フィルタを線形フィルタに設定し、
   前記物標が自転車である場合に、前記フィルタを、非線形フィルタであるカルマンフィルタに設定し、
   前記物標が人である場合に、前記フィルタをパーティクルフィルタに設定することを特徴とするレーダ装置。
2. 前記設定部は、
   自車両の周辺環境に応じて前記フィルタの種類および前記フィルタのパラメータ値の少なくともいずれかが異なる前記フィルタを設定する
   ことを特徴とする請求項１に記載のレーダ装置。
3. 物標の種類が識別される識別工程と、
   時系列フィルタリングによって前記物標に関する物標データを生成するフィルタ処理が前記物標の種類に応じて異なるように、フィルタの種類およびフィルタのパラメータ値の少なくともいずれかが異なるフィルタが設定される設定工程と、
   設定されたフィルタ処理を用いて前記物標に関する物標データが生成される生成工程と
   を含み、
   前記設定工程では、
   前記物標が車である場合に、前記フィルタが線形フィルタに設定され、
   前記物標が自転車である場合に、前記フィルタが非線形フィルタであるカルマンフィルタに設定され、
   前記物標が人である場合に、前記フィルタがパーティクルフィルタに設定されることを特徴とする物標検知方法。

Images