JP7203514B2 - 走行領域判定装置、走行領域判定方法、および路面画像機械学習モデルの生成方法 - Google Patents

Description

開示の実施形態は、走行領域判定装置、走行領域判定方法、および路面画像機械学習モデルの生成方法に関する。

従来、車両の周辺が撮像された画像と、障害物の形状を予め想定して作成されたパターンマッチング用データとを比較することで、車両と衝突する可能性がある障害物を検知する障害物検知装置がある（例えば、特許文献１参照）。この障害物の検知結果は、障害物（走行不適領域）の報知や、逆に走行に支障がない走行好適領域の報知、また自動運転制御のための情報として用いられる。

特開２００９－１４００２３号公報

しかしながら、障害物の形状を予め想定して作成されたパターンマッチング用データを使用して障害物を検知する装置は、想定外の障害物を検知することができないため、路面上において障害物が存在する可能性がある領域を正確に判定できないことがある。

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、車両が走行する道路において走行不適領域あるいは走行好適領域を精度よく判定する装置および方法、例えば、車両が走行する路面において障害物が存在する可能性がある領域を正確に判定することができる走行領域判定装置および走行領域判定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走行領域判定装置は、取得部と、判定部とを備える。取得部は、撮像装置から車両の周囲が撮像された画像を取得する。判定部は、被写体が路面であることが既知の複数の画像を機械学習した機械学習モデルにより、前記取得部によって取得された画像における特定領域を判定する。

実施形態の一態様に係る走行領域判定装置および走行領域判定方法は、車両が走行する道路において走行不適領域あるいは走行好適領域を精度よく判定することができる。

図１は、実施形態に係る走行領域判定方法の概要を示す説明図である。 図２は、実施形態に係る走行領域判定装置の構成の一例を示すブロック図である。 図３は、実施形態に係る路面画像集の一例を示す説明図である。 図４は、実施形態に係る走行領域判定装置の動作の一例を示す説明図である。 図５は、実施形態に係る走行領域判定装置の制御部が実行する処理の一例を示すフローチャートである。 図６は、実施形態の変形例に係る走行領域判定装置の構成の一例を示すブロック図である。

以下、添付図面を参照して、走行領域判定装置、走行領域判定方法、および路面画像機械学習モデルの生成方法の実施形態を詳細に説明する。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。図１は、実施形態に係る走行領域判定方法の概要を示す説明図である。

実施形態に係る走行領域判定装置は、車両に搭載される撮像装置によって撮像される車両周辺の画像を解析することによって、画像における特定領域を判定する。そして、走行領域判定装置は、特定領域が車両の走行に好適な走行好適領域か否かを判定する。

走行領域判定装置は、予め被写体が路面であることが既知の複数枚の画像を機械学習した路面画像機械学習モデルを記憶している。路面画像機械学習モデルは、画像が入力された場合に、その画像の中で事前に機械学習した路面の特徴と類似する特徴がある領域を路面と判定する判定結果を出力するプログラムである。

走行領域判定装置は、例えば、図１（ａ）に示すように、車両の進路上に箱状の落下物１０１がある画像１００が撮像装置から入力される場合、かかる画像を路面画像機械学習モデルに入力する。

路面画像機械学習モデルは、図１（ｂ）に示すように、画像１００における車両の走行車線（同方向車線含）の中で事前に機械学習した路面の特徴と類似する特徴がある領域Ａ１を路面（車両の走行に好適な走行好適領域の一例）と判定する。

このとき、路面画像機械学習モデルは、落下物１０１が存在する領域については、そこに存在する物体が何なのかを判定することはできないが、事前に機械学習した路面の特徴とは異なるため、少なくとも路面ではないと判定することができる。

そこで、走行領域判定装置は、図１（ｃ）に示すように、車両の走行車線の中で路面画像機械学習モデルによって路面と判定された領域Ａ１以外の領域Ａ２を障害物が存在する可能性がある領域（車両の走行に不適な走行不適領域の一例）と判定する。

なお、図１（ａ）、（ｂ）、（ｃ）に示す領域Ａは、道路領域（自車走行道路（対向車線は除く））画像機械学習モデルにより、判定した画像１００における車両の走行車線（同方向車線含）を除く道路外領域であり、この領域は走行不可領域となる。

また、この領域は路面画像機械学習モデルによる判定の対象外領域となる。また、走行領域判定装置は、画像１００における地平線よりも上の領域についても路面画像機械学習モデルによる判定の対象外領域とする。

また、路面画像機械学習モデルを、走行可能な道路領域を示す画像データ（対向車線領域を路面と見なさない画像データ等）で学習生成することにより、上述の道路領域にかかる処理に変えることができる。

この場合、乗り越えられない（中央）分離帯が無い側の道路は路面と見なす画像データでの学習処理により路面画像機械学習モデルを生成する方法も考えられが、この場合、その結果を用いた車両制御等を行う際に、対向車をその速度を含めて障害物判定する等の処理が別途必要となる。

これにより、走行領域判定装置は、路面上にあるはずがないような障害物が存在する場合に、パターンマッチング用データを使用して障害物を検知する装置よりも、障害物が存在する可能性がある領域Ａ２を正確に判定することができる。

具体的には、パターンマッチング用データを使用して障害物を検知する装置は、障害物が車両や歩行者等のように、路面上に存在することが想定される障害物であれば、障害物がある領域を判定することはできる。

しかしながら、路面上には、時として路上にあるはずがないような物が存在する場合がある。例えば、路上には、家財道具や建築資材等、通常であれば路上にあるはずのないような物が何等かの原因で落下している場合がある。

かかる落下物は、車両や歩行者等とは異なり、形状が多種多様である。このため、パターンマッチング用データを使用して障害物を検知する装置では、かかる落下物を障害物として検知することが困難である。

なお、家財道具や建築資材等の全ての物品について、パターンマッチング用データを用意しておけば、落下物を障害物として検知することは可能であるが、かかる手法は、膨大な量のパターンマッチング用データを用意する必要があるので現実的ではない。

これに対して、実施形態に係る走行領域判定方法では、障害物を特定するのではなく、車両の走行車線の中で路面画像機械学習モデルによって路面と判定された領域Ａ１以外の領域Ａ２を障害物が存在する可能性がある領域と判定する。

このため、実施形態に係る走行領域判定方法によれば、障害物の種類や形状を問わず、通常であれば路上にあるはずのないような物体が路面上に落下していても、その物体が存在する可能性がある領域を正確に判定することができる。

なお、以上の説明では、路面判定されなかった領域を障害物として判断したが、路面判定情報を用いて（障害物判定は行わない）走行路（走行好適領域）を案内表示したり、自動走行制御に用いる等することも可能である。

次に、図２を参照し、実施形態に係る走行領域判定装置１の構成の一例について説明する。図２は、実施形態に係る走行領域判定装置１の構成の一例を示すブロック図である。図２に示すように、走行領域判定装置１は、撮像装置４１、警告装置４２、画像表示装置４３、および車両制御装置４４と接続される。

なお、路面画像集１１０は、障害物が写っていない様々な路面だけが写った複数枚の画像を含む画像集である。路面画像集１１０に含まれる各画像は、それぞれ被写体が路面であることを示す情報が付与されている。かかる路面画像集１１０は、路面画像の教師あり機械学習の教材として走行領域判定装置１によって使用される。路面画像集１１０の一例については、図３を参照して後述する。

撮像装置４１は、例えば、走行領域判定装置１が搭載される車両の前部に設置されて車両の前方を撮像する車載カメラである。なお、撮像装置４１は、車両の側部や後部に設けられ、車両の周囲を撮像する車載カメラであってもよい。撮像装置４１は、撮像した画像を走行領域判定装置１へ出力する。

警告装置４２は、走行領域判定装置１によって障害物が存在する可能性がある領域が判定された場合に、その旨を車両のユーザへ警告する装置であり、例えば、警告音を出音するスピーカや障害物の存在を報知するインジケータランプである。画像表示装置４３は、例えば、撮像装置４１によって撮像された画像等を表示する液晶ディスプレイである。

車両制御装置４４は、例えば、車両全体を統括制御するＥＣＵ（Electronic Control Unit）である。車両制御装置４４は、例えば、走行領域判定装置１によって障害物が存在する可能性がある領域が判定された場合に、車両の速度制御、操舵制御、および制動制御を行うことによって車両に障害物を回避させる。

走行領域判定装置１は、制御部２と記憶部３とを備える。記憶部３は、例えば、データフラッシュ等の情報記憶デバイスであり、路面画像機械学習モデル３１を記憶する。制御部２は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）などを有するマイクロコンピュータや各種の回路を含む。

制御部２は、ＣＰＵがＲＯＭに記憶されたプログラムを、ＲＡＭを作業領域として使用して実行することにより機能する学習部２１、取得部２２、分割部２３、路面判定部２４、合成部２５、障害物判定部２６、表示制御部２７、および設定部２８を備える。

なお、制御部２は、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等のハードウェアで構成されてもよい。制御部２が備える上記した複数の処理部は、それぞれ以下に説明する情報処理の作用を実現または実行する。なお、制御部２の内部構成は、図２に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。

学習部２１は、路面画像集１１０から複数枚（例えば、数千枚）の路面画像を取得し、路面画像を教師あり機械学習の教材として使用して路面画像機械学習モデル３１を生成して記憶部３に記憶させる。

ここで、図３を参照し、実施形態に係る路面画像集１１０の一例について説明する。図３は、実施形態に係る路面画像集１１０の一例を示す説明図である。図３に示すように、路面画像集１１０には、例えば、路面に実線の中央線１１１ａが設けられた路面画像１１１、路面に破線の中央線１１２ａが設けられた路面画像１１２、および中央線に安全地帯１１３ａが設けられた路面画像１１３が含まれている。

また、路面画像集１１０には、例えば、路面に走行速度の上限の文字１１４ａが記載された路面画像１１４、この先に横断歩道があることを示すマーク１１５ａが記載された路面画像１１５、および路面に横断歩道１１６ａが設けられた路面画像１１６が含まれる。

また、路面画像集１１０には、例えば、路面にマンホール１１７ａがある路面画像１１７、路面に道路のつなぎ目１１８ａがある路面画像１１８、および路面に溝蓋１１９ａがある路面画像１１９等が含まれている。このように、路面画像集１１０には、様々な道路構成物を含む路面画像１１１～１１９等が含まれている。

学習部２１は、これらの被写体が路面であることが既知の各路面画像１１１～１１９について、路面の色、道路構成物の色、形、および配置等の特徴を教師あり機械学習して路面画像機械学習モデル３１を生成する。

図２へ戻り、制御部２が備える学習部２１以外の処理部の説明を進める。ここでは、図４を合わせて参照しながら説明する。図４は、実施形態に係る走行領域判定装置１の動作の一例を示す説明図である。

取得部２２は、撮像装置４１から車両周辺が撮像された画像を取得する。ここでは、取得部２２は、図４（ａ）に示すように、車両の進路上に箱状の落下物１０１がある画像１００を取得するものとする。

取得部２２は、撮像装置４１から取得した画像１００を分割部２３へ出力する。分割部２３は、図４（ａ）に示すように、取得部２２から入力される画像１００を複数の分割領域に分割し、各分割領域の画像を路面判定部２４へ出力する。路面判定部２４は、記憶部３から路面画像機械学習モデル３１を読出し、路面画像機械学習モデル３１へ分割部２３から入力される各分割領域の画像を入力する。

路面画像機械学習モデル３１は、概念的には、図４（ｂ）に示すように、入力層３１ａ、中間層３１ｂ、および出力層３１ｃという３層構造の処理層を備える。なお、図４（ａ）では、中間層３１ｂが１層である場合を示しているが、中間層３１ｂは複数層設けられてもよい。

入力層３１ａ、中間層３１ｂ、および出力層３１ｃは、各分割領域の画像の路面判定を並行して行う複数のノード３１ｚを備える。入力層３１ａの各ノード３１ｚは、それぞれ中間層３１ｂの全ノード３１ｚと接続される。中間層３１ｂの各ノード３１ｚは、それぞれ出力層３１ｃの全ノード３１ｚと接続される。このように、路面画像機械学習モデル３１は、ノード３１ｚ同士が接続されたニューラルネットワーク構造となっている。

入力層３１ａの各ノード３１ｚは、分割部２３から順次入力される各分割領域の画像が路面か否かを判定し、路面である可能性が高い程高い重み付けをした判定結果を中間層３１ｂのノード３１ｚへ出力する。

中間層３１ｂの各ノード３１ｚも同様に、各分割領域の画像が路面か否かを判定し、路面である可能性が高い程高い重み付けをした判定結果を出力層３１ｃのノード３１ｚへ出力する。

出力層３１ｃの各ノード３１ｚは、各分割領域の画像が路面か否かを判定し、判定結果３１ｄを出力する。なお、図４（ｂ）には、画像１００における下から２行目の分割領域の判定結果３１ｄを示している。

図４（ｂ）に示す例では、路面画像機械学習モデル３１は、画像１００における下から２行目の分割領域について、左から２番目および３番目の分割領域の画像以外を路面と判定している。

路面判定部２４は、各分割領域の画像に対して路面画像機械学習モデル３１による判定結果３１ｄを付与して合成部２５へ出力する。合成部２５は、図４（ｃ）に示すように、路面判定部２４から入力される分割領域の画像を画像合成して分割前の画像１００に戻して障害物判定部２６へ出力する。

障害物判定部２６は、合成部２５から入力される画像合成された画像１００の各分割領域に付与された路面か否かを示す判定結果に基づいて、画像１００の分割領域毎に障害物が存在する可能性がある領域があるか否かを判定する。

障害物判定部２６は、画像１００の各分割領域に付与された路面か否かを示す判定結果に基づいて、画像１００の分割領域毎に障害物が存在する可能性がない領域があるか否かについても判定する。このように、障害物判定部２６は、画像１００の分割領域毎に判定することによって、障害物が存在する可能性がある領域を正確に判定することができる。

また、障害物判定部２６は、障害物が存在する可能性がある領域がある場合、走行車線における障害物が存在する可能性がある領域の位置および大きさが車両の走行に支障をきたす場合に警告が必要と判定し、警告装置４２によって車両の運転者へ警告させる。そして、障害物判定部２６は、合成部２５から入力される画像１００と、画像１００における障害物が存在する可能性がある領域の位置を示す情報を表示制御部２７へ出力する。

表示制御部２７は、障害物判定部２６から入力される画像１００を画像表示装置４３によって表示させる。さらに、表示制御部２７は、図４（ｃ）に示すように、画像１００における車両の走行車線の中で障害物判定部２６によって障害物が存在する可能性があると判定された領域Ａ２以外の領域Ａ１を走行可能領域として画像表示装置４３により強調表示させる。

これにより、表示制御部２７は、車両の走行可能領域をユーザに対して明確に報知することができる。その後、表示制御部２７は、画像１００における障害物が存在する可能性がある領域の位置を示す情報を設定部２８へ出力する。

設定部２８は、画像１００における障害物が存在する可能性がある領域の位置を回避する走行経路Ｌ１（走行可能領域を繋いだ経路）を導出し、導出した走行経路Ｌ１を示す情報を車両制御装置４４へ出力して走行経路の設定を行う。これにより、車両制御装置４４は、設定される走行経路Ｌ１を走行するように車両を制御することによって、落下物１０１を回避させることができる。

次に、図５を参照し、実施形態に係る走行領域判定装置１の制御部２が実行する処理の一例について説明する。図５は、実施形態に係る走行領域判定装置１の制御部２が実行する処理の一例を示すフローチャートである。制御部２は、走行領域判定装置１の動作中（車両駆動中やエンジン動作中等）の期間に図５に示すフローチャートの処理を繰り返し実行する。

図５に示すように、制御部２は、まず、撮像装置４１から車両の周囲が撮像された画像を取得する（ステップＳ１０１）。その後、制御部２は、取得した画像を複数の分割領域に分割する（ステップＳ１０２）。

続いて、制御部２は、分割領域内の画像が路面か否かの路面判定を行い（ステップＳ１０３）、各分割領域に対して判定結果を付与する（ステップＳ１０４）。その後、制御部２は、１フレームの画像の中で未判定の分割領域があるか否かを判定する（ステップＳ１０５）。

そして、制御部２は、未判定の分割領域があると判定した場合（ステップＳ１０５，Ｙｅｓ）、未判定の分割領域がなくなるまでステップＳ１０３～ステップＳ１０５の処理を繰り返す。

また、制御部２は、未判定の分割領域がないと判定した場合（ステップＳ１０５，Ｎｏ）、分割領域の画像を画像合成して（ステップＳ１０６）画像を分割前の画像に戻す。その後、制御部２は、各分割領域に付与した判定結果に基づいて障害物が存在する可能性がある障害物領域があるか否かを分割領域毎に判定する（ステップＳ１０７）。

そして、制御部２は、障害物領域がないと判定した場合（ステップＳ１０７，Ｎｏ）、処理を終了する。また、制御部２は、障害物領域があると判定した場合（ステップＳ１０７，Ｙｅｓ）、警告が必要か否かを判定する（ステップＳ１０８）。

制御部２は、障害物の位置が路肩であったり、障害物領域の大きさ（面積）が閾値以下であったりして、車両の走行に支障をきたさない場合に、警告が必要ないと判定する。そして、制御部２は、警告が必要でないと判定した場合（ステップＳ１０８，Ｎｏ）、処理を終了する。また、制御部２は、警告が必要であると判定した場合（ステップＳ１０８，Ｙｅｓ）、警告装置４２によって警告を行わせる（ステップＳ１０９）。

続いて、制御部２は、画像表示装置４３によって表示させる車両周囲の画像の中で車両の走行車線における障害物領域以外の走行可能領域を強調表示させる（ステップＳ１１０）。なお、制御部２は、このとき、障害物領域を強調表示させることもできる。また、制御部２は、このとき、障害物領域を回避する走行経路を表示画像中に重畳表示させることもできる。

その後、制御部２は、障害物領域を回避する走行経路を示す情報を車両制御装置４４へ出力して走行経路設定を行い（ステップＳ１１１）、処理を終了する。制御部２は、撮像装置４１から画像を取得する毎に、かかるステップＳ１０１～ステップＳ１１０の処理を実行する。

なお、制御部２が実行する処理は、図５に示す処理に限定されるものではない。制御部２は、例えば、上記したステップＳ１０１の処理の後に、道路外領域（図１に示す領域Ａや画像１００における地平線よりも上の領域）を判定して、路面判定処理の処理範囲を限定したり、道路外領域の表示に用いることもできる。

また、上述した実施形態では、走行領域判定装置１が路面画像機械学習モデル３１を使用して画像が路面であるか否かを判定したが、画像が路面であるか否かをパターンマッチング処理によって判定してもよい。次に、図６を参照して画像が路面であるか否かをパターンマッチング処理によって判定する走行領域判定装置１ａについて説明する。

図６は、実施形態の変形例に係る走行領域判定装置１ａの構成の一例を示すブロック図である。ここでは、図６に示す構成要素のうち、図２に示す構成要素と同一の構成要素については、図２に示す構成要素と同一の符号を付することにより、その説明を省略する。

図６に示すように、走行領域判定装置１ａは、制御部２ａの構成および記憶部３ａに記憶される情報が図２に示す走行領域判定装置１とは異なる。記憶部３ａは、道路形成物画像３２を記憶する。

道路形成物画像３２は、例えば、図３に示す道路、実線の中央線１１１ａ、破線の中央線１１２ａ、安全地帯１１３ａ、文字１１４ａ、マーク１１５ａ、横断歩道１１６ａ、マンホール１１７ａ、道路のつなぎ目１１８ａ、および溝蓋１１９ａ等の画像が含まれる。

また、制御部２ａは、取得部２２、路面判定部２４ａ、障害物判定部２６、表示制御部２７、および設定部２８を備える。制御部２ａが備えるこれら複数の処理部のうち、路面判定部２４ａ以外の処理部は、図２示す取得部２２、障害物判定部２６、表示制御部２７、および設定部２８と同様の処理を行う。

路面判定部２４ａは、取得部２２から入力される車両の周囲が撮像された画像に対して、道路形成物画像３２に含まれる複数種類の道路形成物の画像を使用したパターンマッチング処理を行うことによって、画像における路面の領域を判定する。

そして、路面判定部２４ａは、車両の走行車線の中で路面と判定した領域の位置を示す情報を障害物判定部２６へ出力する。これにより、障害物判定部２６は、車両の走行車線の中で路面判定部２４ａによって路面と判定された領域以外の領域を障害物が存在する可能性がある障害物領域と判定することができる。

このように、走行領域判定装置１ａは、パターンマッチング処理によって画像が路面か否かを判定することができるので、路面画像機械学習モデル３１を使用しなくても、より簡易な処理で障害物が存在する可能性がある障害物領域と判定することができる。

なお、上述した実施形態では、走行領域判定装置１が学習部２１を備える場合について説明したが、実施形態に係る走行領域判定装置は、必ずしも学習部２１を備えていなくてもよい。走行領域判定装置は、他の機械学習装置によって被写体が路面であることが既知の複数の画像を用いて機械学習して生成された路面画像機械学習モデル３１を記憶しておくことで上述した障害物判定処理を行うことができる。

この場合、例えば、車両に搭載される走行領域判定装置１と無線通信可能に接続されるセンター側の情報処理装置は、被写体が路面であることが既知の複数の画像を取得する。
そして、情報処理装置は、取得した複数の画像を機械学習することによって路面画像機械学習モデル（車両が安全に走行可能な走行領域の機械学習モデル）を生成し、走行領域判定装置１へ配信する。

これにより、走行領域判定装置１は、センター側の情報処理装置から配信される路面画像機械学習モデルを使用することによって、上述した障害物判定処理を行うことができる。なお、センター側の情報処理装置は、走行領域判定装置１に加え、車両の道路走行を支援する任意の道路走行支援装置へ路面画像機械学習モデルを配信して道路走行支援に使用させることもできる。

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。したがって、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。

１，１ａ 走行領域判定装置
２，２ａ 制御部
２１ 学習部
２２ 取得部
２３ 分割部
２４，２４ａ 路面判定部
２５ 合成部
２６ 障害物判定部
２７ 表示制御部
２８ 設定部
３，３ａ 記憶部
３１ 路面画像機械学習モデル
３２ 道路形成物画像
４１ 撮像装置
４２ 警告装置
４３ 画像表示装置
４４ 車両制御装置

Claims (8)

1. 撮像装置から車両の周囲が撮像された画像を取得する取得部と、
   既知の複数の路面画像のみを用いて機械学習した路面機械学習モデルにより、前記取得部によって取得された画像における特定領域が路面であることを判定する判定部を備え、
   前記判定部は、路面であると判定されなかった領域を前記車両の走行に不適な走行不適領域と判定する
   ことを特徴とする走行領域判定装置。
2. 前記取得部によって取得された画像を複数に分割して前記特定領域とする分割部
   をさらに備える
   ことを特徴とする請求項１に記載の走行領域判定装置。
3. 前記判定部は、
   路面と判定した前記特定領域を走行好適領域と判定する
   ことを特徴とする請求項１または請求項２に記載の走行領域判定装置。
4. 前記判定部は、
   前記取得部によって取得された画像における前記車両の走行車線内の領域について前記特定領域を判定する
   ことを特徴とする請求項１～３のいずれか一つに記載の走行領域判定装置。
5. 前記取得部によって取得された画像における前記車両の走行車線の中で前記判定部によって走行好適領域と判定された領域を表示装置によって強調表示させる表示制御部
   をさらに備えることを特徴とする請求項３に記載の走行領域判定装置。
6. 前記取得部によって取得された画像における前記走行好適領域を前記車両の走行経路として設定する設定部
   をさらに備えることを特徴とする請求項３または請求項５に記載の走行領域判定装置。
7. 撮像装置から車両の周囲が撮像された画像を取得する取得工程と、
   既知の複数の路面画像のみを用いて機械学習した路面機械学習モデルにより、前記取得工程によって取得された画像における特定領域が路面であることを判定する判定工程とを含み、
   前記判定工程は、路面であると判定されなかった領域を前記車両の走行に不適な走行不適領域と判定する
   ことを特徴とする走行領域判定方法。
8. 道路走行支援を行う道路走行支援装置によって使用される車両の走行に不適な走行不適領域である路面障害物を検出する路面画像機械学習モデルの生成方法であって、
   被写体が路面であることが既知の複数の画像から路面のみを機械学習して、路面画像機械学習モデルを生成する生成工程
   を含むことを特徴とする路面画像機械学習モデルの生成方法。

Images