JP7301245B2 - モデル幾何学学習を用いて移動物体の拡大状態を追跡するためのシステムおよび方法 - Google Patents

Description

関連出願
本願は、２０２０年２月１３日に出願された係属中の米国特許出願１６／７８９，９３１の一部継続出願である。

本発明は、概して自動車物体追跡に関し、より具体的には物体の拡大状態を追跡するためのシステムおよび方法に関する。

自動運転車両または半自動運転車両のいずれかである車両に採用される制御システムは、他の車両または歩行者等の障害物との衝突を回避するために、車両の安全な運動または経路を予測し、制御システムはまた、車両の動作に対応付けられるいくつかの基準を最適化する。道路端、歩行者、および他の車両等の周辺は、車両のセンサによって検知される。車載レーダーは、既存のＡＤＡＳ（先端運転支援システム（advanced driver assistance system））から新興の自動運転支援システムまで、その役割を明らかにしている。超音波、カメラおよびＬＩＤＡＲセンサとともに、車載レーダーは、手頃なコストおよびスケーラブルな生産により、全天候条件において環境を検知し識別するというタスクを支援する。特に、車載レーダーは、視線速度、長い動作範囲、ミリメートルまたはサブテラヘルツ周波数帯の小さなサイズ、および高空間解像度の、直接的な測定値を提供する。

車両の制御システムは、車両を制御するために、他の車両の物体状態（物体状態は運動学的状態を含む）を、車載レーダー測定値に基づいて追跡する。１回のスキャン当たりの測定値が複数の測定値である拡張物体追跡（ＥＯＴ：extended object tracking）は、物体状態を、運動学的のみの状態から運動学的状態と拡張状態との双方まで拡げることにより、１回のスキャン当たりの測定値が１つだけである従来の点物体追跡と比較して、改善された物体追跡を示している。拡張状態は、追跡中の物体の寸法および方位を提供する。これを実現するには、空間分布（すなわち車載レーダー測定値が物体の周りでどのように空間分布しているか）を、センサノイズとともに捕捉する必要がある。現在の方法は、剛体上の固定されたポイントのセットのフレームワークを含み、これは、固定されたポイントのセットと、車載レーダーの検出との間の非スケーラブルなデータの対応付けを、単一物体追跡の場合でさえ、必要とする。輪郭モデルおよび表面モデル等の空間モデルは、煩雑なデータの対応付けのステップを回避する。

車載レーダー測定値の場合、輪郭モデルは、物体（たとえば剛体）の輪郭に沿って測定値分布を反映し、表面モデルは、レーダー測定値が２次元形状の内側の面から発生すると仮定する。輪郭モデルの例は、ランダムハイパー表面モデルまたはガウスプロセスモデルのいずれかによってモデル化される、単純な矩形形状およびより一般的な星状凸形状を含む。ガウス楕円および階層ガウス楕円モデル等の表面モデルは、より複雑な形状を記述するためにより多くの自由度を必要とする輪郭モデルよりも、計算上遥かに単純である。しかしながら、物体の測定値はノイズの影響を受け、反射は物体の表面からしか受けないので、上記モデルは実世界の車載レーダー測定値から離れており、その理由は、実世界の車載レーダー測定値が、ある特定の体積を有する剛性物体のエッジまたは表面の周りに割り当てられていることが観察されることにある。

したがって、実世界の車載レーダー測定値を捕捉することによって物体の運動学的状態と拡張状態との双方を追跡するためのシステムおよび方法が必要とされている。

いくつかの実施形態の目的は、物体の拡大状態を追跡するためのシステムおよび方法を提供することである。物体の拡大状態は、物体の位置を示す運動学的状態と、物体の寸法および方位のうちの一方または組み合わせを示す拡張状態とを含む。いくつかの実施形態は、物体の拡大状態を、中心切断分布（centre-truncated distribution）および対応する基礎となる非切断ガウス分布とを用いて推定できる、という認識に基づいている。

いくつかの実施形態は、車載レーダー測定値を用いて物体を追跡するという目的に基づいている。そのため、いくつかの実施形態において、１回のスキャン当たり１つの測定値を物体から受ける点物体追跡を利用して物体を追跡する。点物体追跡は、物体の運動学的状態（位置）のみを提供する。さらに、運動学的状態の分布を有する測定モデルとともに確率的フィルタを利用することにより、物体を追跡する。いくつかの実施形態は拡大物体追跡（ＥＯＴ：expanded object tracking）に基づいており、この場合、複数の物体が追跡され１時間ステップ当たり複数の測定値が各物体に対応して生成される。測定値は、物体の周りに空間的に構成される。拡大物体追跡は、物体の運動学的状態および拡張状態（寸法および方位）の双方を提供する。運動学的状態および拡張状態を組み合わせて拡大状態と呼ぶ。拡大状態の分布を有する測定モデルとともに確率的フィルタを利用して物体を追跡する。

しかしながら、実世界の車載レーダー測定分布は、物体からの複数の反射が複雑であることを示している。この複雑さに起因して、測定モデルの設計は複雑になる。したがって、通常の測定モデルは、運動学的状態にしか適用することができず、拡張状態には適用できない。

そのため、いくつかの実施形態では、輪郭モデルおよび表面モデル等の空間モデルを使用して、実世界の車載レーダー測定値を捕捉する。しかしながら、上記空間モデルは不正確である。いくつかの実施形態は、実世界の車載レーダー測定値が、ある特定の体積を有する物体のエッジまたは表面の周りに分布しており、これが表面体積モデルを生じさせる、という認識に基づいている。表面体積モデルは、輪郭モデルと、より現実的な特徴を有する表面モデルとのバランスを取る一方で、ＥＯＴを正確に保つ。それでもなお表面体積モデルは計算という点で複雑である。そのため、いくつかの実施形態は、分布の密度が中心ではなく端部に発生し、実世界の車載レーダー測定値に類似しこれを捕捉するようにするモデルを定式化する、という目的に基づいている。

これを実現するために、中心切断分布を、確率的フィルタによって繰り返し推定する。中心切断分布は、測定値のフィッティングのために使用される。中心切断分布は、中心の切断間隔に基づいており、切断間隔の内側の、中心切断分布の中心における測定値についてはより小さな確率を提供し、切断間隔の外側の測定値についてはより大きな確率を提供する。そのため、いくつかの実施形態は、中心切断分布を用いて実世界の測定値を表すことができる、という認識に基づいている。

中心切断分布は、切断間隔に従い、基礎となる非切断ガウス分布を切断したものである。基礎となるガウス分布の中心は、分布の平均にあり、分散は、分布の広がりおよび幅を測定する。

そのため、いくつかの実施形態は、測定値にフィットする中心切断分布を推定し、次に、推定した中心切断分布に対応する、基礎となるガウス分布の平均および分散を推定する、という目的に基づいている。いくつかの実施形態は、基礎となるガウス分布の平均が拡大状態の物体の位置を示し基礎となるガウス分布の分散が拡大状態の物体の寸法および方位を示す、という認識に基づいている。そのため、いくつかの実施形態は、中心切断分布と基礎となるガウス分布とのペアを用いて物体の運動学的状態および拡大状態の双方を推定することができる、という認識に基づいている。また、これは、拡大状態の追跡のパラメータ化を単純にする。さらに、中心切断分布と基礎となるガウス分布とのペアを用いて計算の次元数を低減する。

測定値はノイズの影響を受けるので、いくつかの実施形態は、測定値からノイズを除去するという目的に基づいている。いくつかの実施形態において、確率的フィルタは、中心切断ガウス分布に従って測定値のノイズなしのソースの尤度を評価する前に、測定値からノイズを除去するように構成され、よって、確率的フィルタは、測定値のノイズなしのソースにフィットする中心切断分布を生成する。さらに、ノイズなしの測定値のソースについて、切断間隔を決定する。いくつかの実施形態に従うと、測定モデルは、測定値の各々に対してノイズなしのソースの隠れ測定値の確率的パラメータを規定する階層測定モデルである。

そのため、いくつかの実施形態は、階層測定モデルが、本質的に、空間分布を、すなわち車載レーダー測定値が物体の周りでどのように空間分布しているかを、捕捉するだけでなく、センサノイズの特徴も捕捉する、という認識に基づいている。さらに、ベイズＥＯＴアルゴリズムを、運動学的状態および拡張状態の双方について、階層測定モデルに基づいて定式化する。いくつかの実施形態において、ベイズＥＯＴアルゴリズムを、階層測定モデルに従い、再帰的に拡大状態を予測し拡大状態および切断間隔を更新することによって発展させる。切断間隔は切断境界とも呼ばれる。

いくつかの実施形態は、訓練データから、切断境界と、測定モデルに対応付けられた他のパラメータとを学習するために、大規模なオフライン訓練データセットを活用することにより、状態更新ステップにおける境界推定の負担を軽減することが可能である、というもう１つの認識に基づいている。

そのため、いくつかの実施形態において、確率分布を切断するための切断間隔の値を含む切断境界が、メモリに、たとえば、拡大状態の結合確率を追跡する確率的フィルタを実行するように構成されたプロセッサに作動的に接続されたメモリに、格納される。いくつかの実装形態において、メモリは、さまざまな状況に適用可能な切断間隔の値の１つおよび／または複数の組み合わせを格納することができる。

これに加えてまたはこれに代えて、メモリは、測定モデルの他の予め定められたパラメータを格納することができる。たとえば、いくつかの実施形態において、メモリは、訓練データから学習された測定モデルの構造幾何学パラメータを格納する。構造幾何学パラメータの例は、切断間隔の範囲を定める切断境界と、物体の方位に対する切断間隔の方位とを含む。切断境界がわかっているので、ＥＯＴ追跡の計算の複雑さは軽減される。

さらに、いくつかの実施形態において、制限された不確かさを有する拡大状態の車両のモデルを用いて車両のコントローラに対する制御入力を決定し、この制御入力に従って車両を制御する。車両のモデルは、プロセスノイズの影響を受ける物体の運動モデルと、測定ノイズの影響を受ける物体の測定モデルとを含み、プロセスノイズおよび測定ノイズのうちの一方または組み合わせが、物体の拡大状態の不確かさを制限する。

したがって、一実施形態は、物体の位置を示す運動学的状態と物体の寸法および方位のうちの一方または組み合わせを示す拡張状態とを含む物体の拡大状態を追跡するためのシステムを開示し、このシステムは、１または複数回の信号送信を用いて、移動している物体を含むシーンを探査することにより、送信一回当たり物体の１つまたは複数の測定値を生成するように構成された、少なくとも１つのセンサと、物体の運動モデルおよび物体の測定モデルによって推定された物体の拡大状態の結合確率を追跡する確率的フィルタを実行するように構成されたプロセッサとを備え、測定モデルは切断間隔を有する中心切断分布を含み、中心切断分布は、切断間隔の内側の中心切断分布の中心の測定値に対してより小さな確率を提供し、切断間隔の外側の測定値に対してより大きな確率を提供し、中心切断分布は、切断間隔に従い、基礎となる非切断ガウス分布を切断したものであり、確率的フィルタは、測定値にフィットする中心切断分布を推定し中心切断分布に対応する基礎となるガウス分布の平均および分散を生成するように構成され、基礎となるガウス分布の平均は、拡大状態の物体の位置を示し、基礎となるガウス分布の分散は、拡大状態の物体の寸法および方位を示し、システムはさらに、物体の拡大状態を出力するように構成された出力インターフェイスを備える。

したがって、もう１つの実施形態は、物体の位置を示す運動学的状態と物体の寸法および方位のうちの一方または組み合わせを示す拡張状態とを含む物体の拡大状態を追跡する方法を開示し、方法はメモリに結合されたプロセッサを使用し、メモリは、プロセッサによって実行されると方法のステップを実行する命令を格納し、方法は、１または複数回の信号送信を用いて、移動している物体を含むシーンを、少なくとも１つのセンサによって探査することにより、送信一回当たり物体の１つまたは複数の測定値を生成するステップと、物体の運動モデルおよび物体の測定モデルによって推定された物体の拡大状態の結合確率を追跡する確率的フィルタを実行するステップとを含み、測定モデルは切断間隔を有する中心切断分布を含み、中心切断分布は、切断間隔の内側の中心切断分布の中心の測定値に対してより小さな確率を提供し、切断間隔の外側の測定値に対してより大きな確率を提供し、中心切断分布は、切断間隔に従い、基礎となる非切断ガウス分布を切断したものであり、確率的フィルタは、測定値にフィットする中心切断分布を推定し中心切断分布に対応する基礎となるガウス分布の平均および分散を生成し、基礎となるガウス分布の平均は、拡大状態の物体の位置を示し、基礎となるガウス分布の分散は、拡大状態の物体の寸法および方位を示し、方法はさらに、物体の拡大状態を出力インターフェイスを介して出力するステップを含む。

ここに開示される実施形態について、添付の図面を参照しながらさらに説明する。示されている図面は、必ずしも一定の縮尺で描かれておらず、代わりに、ここに開示されている実施形態の原理の説明のために全体的に強調が加えられている。

物体の拡大状態を追跡するためにいくつかの実施形態によって使用されるいくつかの原理の第１の概要を示す図である。 物体の拡大状態を追跡するためにいくつかの実施形態によって使用されるいくつかの原理の第２の概要を示す図である。 物体の拡大状態を追跡するためにいくつかの実施形態によって使用されるいくつかの原理の第３の概要を示す図である。 いくつかの実施形態に係る、物体の拡大状態を追跡するためのシステムのブロック図を示す。 いくつかの実施形態に係る、再帰的ベイズフィルタリングを使用する物体の拡大状態の事後密度の再帰的計算の概略図を示す。 いくつかの実施形態に係る、再帰的ベイズフィルタリングを使用する物体の拡大状態の事後密度の再帰的計算の概略図を示す。 いくつかの実施形態に係る、隠れ測定ソース変数の分布および観察可能な測定値の分布の一例を示す図である。 いくつかの実施形態に係る、物体の前面または背面がセンサに面する場合の、具体例としての切断間隔適応化を示す図である。 いくつかの実施形態に係る、物体がセンサに対して横向きに方向付けられている場合の、具体例としての切断間隔適応化を示す図である。 いくつかの実施形態に係る、拡大状態予測ステップの概略図を示す。 いくつかの実施形態に係る、拡大状態更新ステップの概略図を示す。 いくつかの実施形態に係る、具体例としての疑似測定値を示す図である。 いくつかの実施形態に係る、疑似測定値の生成、切断境界更新、および拡大状態更新の、概略図である。 いくつかの実施形態に係る、切断範囲更新ステップの概略図を示す。 いくつかの実施形態に係る、物体座標系におけるフィルタリングされたスキャン・アグリゲーションを示す図である。 いくつかの実施形態に係る、９０の時間ステップの間、ターンのコースにわたって物体が移動するというシナリオのシミュレーションを示す図である。 いくつかの実施形態に係る、理想的な測定モデルを用いた場合の性能評価グラフを示す図である。 理想的な測定モデルの場合の、通常のランダム行列（ＲＭ）および階層切断ガウスランダム行列（ＨＴＧ－ＲＭ）に対応する、物体の運動学的状態および拡張状態の、二乗平均平方根誤差（ＲＭＳＥ）を示す、表形式の図である。 いくつかの実施形態に係る、モデル不一致の場合の性能評価グラフを示す図である。 モデル不一致の場合の、ＲＭおよびＨＴＧ－ＲＭに対応する物体の運動学的および拡張状態推定のＲＭＳＥを示す表の図である。 いくつかの実施形態の原理を採用するシステムと通信するコントローラを含む車両の概略図を示す。 いくつかの実施形態に係る、コントローラと車両のコントローラとの間のやり取りの概略図を示す。 いくつかの実施形態を用いてその制御入力が生成される自動または半自動制御車両の概略図を示す。 いくつかの実施形態に係る、幾何学関連構造モデルパラメータを学習するための方法のフローチャートを示す図である。 いくつかの実施形態に係る、異なる物体の異なる運動から収集された訓練データの、共通単位座標系への変換の概略図を示す。 いくつかの実施形態に係る、異なる物体の異なる運動から収集された訓練データの、共通単位座標系への変換の概略図を示す。 いくつかの実施形態に係る、異なる物体の異なる運動から収集された訓練データの、共通単位座標系への変換の概略図を示す。 いくつかの実施形態に係る、ＨＴＧモデルの形成の展開の概略図を示す。 、いくつかの実施形態によって使用される、物体の状態、自車、ならびに自車（ＶＣ）、センサ（ＳＣ）、および物体（ＯＣ）座標系の概略図を示す。 車両を追跡するためのモデルのパラメータを推定する、いくつかの実施形態に係る、オフライン空間モデル学習ワークフローのフローチャートを示す図である。 いくつかの実施形態に係る、異なるアスペクト角に対する測定モデルの学習の例を示す図である。 いくつかの実施形態に係る、異なるアスペクト角に対する測定モデルの学習の例を示す図である。 一実施形態に係る、物体の拡張状態を追跡するための方法のブロック図を示す。 いくつかの実施形態に係る、移動物体の拡大状態のランダム行列（ＲＭ）更新のブロック図を示す。

以下の記載では、説明のために、本開示が十分に理解されるよう多数の具体的な詳細事項を述べる。しかしながら、本開示はこれらの具体的な詳細事項なしで実施し得ることが当業者には明らかであろう。その他の場合では、本開示を不明瞭にするのを回避することだけのために装置および方法をブロック図の形式で示す。

本明細書および請求項で使用される、「たとえば（for example）」、「例として（for instance）」、および「～のような（such as）」という用語、ならびに「備える（comprising）」、「有する（having）」、「含む（including）」、およびこれらの動詞の他の形態は、１つ以上の構成要素またはその他のアイテムの列挙とともに使用される場合、その列挙がさらに他の構成要素またはアイテムを除外するとみなされてはならないことを意味する、オープンエンドと解釈されねばならない。「～に基づく」という用語は、少なくとも部分的に基づくことを意味する。さらに、本明細書で使用される文体および術語は、説明のためのものであって限定とみなされてはならないことが理解されるはずである。本明細書で使用されるいかなる見出しも、便宜的なものにすぎず、法的または限定効果を持つものではない。

図１Ａ、図１Ｂおよび図１Ｃは、物体の拡大状態を追跡するためにいくつかの実施形態によって使用されるいくつかの原理の概要を示す図である。センサ１０４（たとえば車載レーダー）を用いて物体（車両１０６等）を追跡する。点物体追跡１００の場合、１回のスキャン当たり１つの測定値１０８を車両１０６から受ける。点物体追跡は、車両の運動学的状態（位置）のみを提供する。さらに、運動学的状態の分布を有する測定モデルとともに確率的フィルタを利用して車両１０６を追跡する。拡張物体追跡（ＥＯＴ：extended object tracking）１０２の場合、１回のスキャン当たり複数の測定値１１０を受ける。複数の測定値１１０は車両１０６の周りにおいて空間的に構成される。拡張物体追跡は、車両１０６の運動学的状態と拡張状態（寸法および／または方位）との双方を提供する。運動学的状態および拡張状態を組み合わせたものを拡大状態と呼ぶ。拡張状態の分布を有する測定モデルとともに確率的フィルタを利用して車両１０６を追跡する。しかしながら、実世界の車載レーダー測定値１１２の分布は、車両１０６からの複数の反射が複雑であることを示している。この複雑さに起因して、測定モデルの設計は複雑になる。したがって、通常の測定モデルは、運動学的状態にしか適用することができず、拡大状態には適用できない。

そのため、いくつかの実施形態では、輪郭モデル１１６および表面モデル１１８等の空間モデル１１４を使用して、実世界の車載レーダー測定値１１２を捕捉する。しかしながら、上記空間モデル１１４は不正確である。いくつかの実施形態は、実世界の車載レーダー測定値が、ある特定の体積を有する物体（車両１０６）のエッジまたは表面の周りに分布しており、これが表面体積モデル１２０を生じさせる、という認識に基づいている。表面体積モデル１２０は、輪郭モデル１１６と、より現実的な特徴を有する表面モデル１１８とのバランスを取る一方で、ＥＯＴを正確に保つ。それでもなお表面体積モデル１２０は計算という点で複雑である。そのため、いくつかの実施形態は、１２２に示されるように、分布の密度が中心ではなく１つ以上の寸法の端部に発生し、実世界の車載レーダー測定値１１２に類似しこれを捕捉するようにするモデルを定式化する、という目的に基づいている。

これを実現するために、いくつかの実施形態において、中心切断分布１２４を推定する。図１Ｃは、適切なスケーリング／正規化による１次元中心切断分布１２４と、基礎となる非切断ガウス分布１３２とを示す。中心切断分布１２４は、中心１２６における切断間隔に基づいている。切断間隔は、たとえばａ＜ｘ＜ｂによって与えられる。中心切断分布１２４は、測定値１１０のフィッティングのために使用される。さらに、中心切断分布１２４は、中心切断分布の中心１２６（すなわち切断間隔の内側）における測定値についてはより小さな確率を提供し、切断間隔の外側１２８、１３０の測定値についてはより大きな確率を提供する。そのため、いくつかの実施形態は、中心切断分布１２４を用いて実世界の測定値１１２を表すことができる、という認識に基づいている。

この概念は、当然、１つ以上の次元に拡大することができる。たとえば、物体の長さおよび幅についての２次元中心切断分布、ならびに、物体の長さ、幅、および高さについての３次元中心切断分布である。多次元中心切断分布の場合、切断領域は、正方形または矩形以外のより複雑な形状になる可能性がある。

中心切断分布１２４は、適切な正規化／スケーリングを用いて、基礎となる非切断ガウス分布を切断したものである。基礎となる非切断ガウス分布１３２は、中心切断分布に基づいて得られる。中心切断分布１２４の平均および分散は、基礎となる非切断ガウス分布１３２の平均１３６および分散１３４とは異なる。いくつかの実施形態において、基礎となる非切断ガウス分布１３２の平均１３６および分散１３４は、中心切断分布１２４の平均および分散から導き出すことができる。したがって、いくつかの実施形態は、中心切断分布１２４と基礎となる非切断ガウス分布１３２との間には相互関係が存在する、という認識に基づいている。そのため、いくつかの実施形態において、基礎となる非切断ガウス分布１３２の平均１３６および分散１３４は、中心切断分布１２４の平均および分散から導き出すことができる。

いくつかの実施形態は、基礎となる非切断ガウス分布１３２を車両１０６の拡大状態推定に利用することができる、という認識に基づいている。そのため、いくつかの実施形態において、中心切断分布１２４は、測定ソースをフィッティングし、推定された中心切断分布１２４に対応する基礎となる非切断ガウス分布１３２の平均１３６および分散１３４を、確率的フィルタによって繰り返し推定する。基礎となる非切断ガウス分布１３２の中心は、この分布の平均１３６にあり、分散１３４は、分布の広がり、幅を測定する。基礎となる非切断ガウス分布１３２のの平均１３６は、拡大状態の物体の位置を示し、基礎となるガウス分布１３２の分散１３４は、拡大状態の物体の寸法および方位を示す。

そのため、いくつかの実施形態は、中心切断分布と、対応する、基礎となる非切断ガウス分布とのペアを用いて、物体の拡大状態を追跡することができる、という認識に基づいている。また、これは、拡大状態の追跡のパラメータ化を単純にする。さらに、中心切断分布と基礎となるガウス分布とのペアを用いて計算の次元数を低減する。なぜなら、基礎となるガウス分布１３２は、実際の測定値を表す複雑な分布よりも少ないパラメータで表されるからである。

図２は、いくつかの実施形態に係る、物体の拡大状態を追跡するためのシステム２００のブロック図を示す。この物体は、自動車、オートバイ／自転車、バス、またはトラック等の車両であってもよいが、これらに限定される訳ではない。また、車両は、自動運転車両または半自動運転車両であってもよい。拡大状態は、物体の位置を示す運動学的状態と、物体の寸法および／または方位を示す拡張状態とを含む。いくつかの実施形態に従うと、運動学的状態は、物体の、速度、加速度、進行方向およびターンレート（turn-rate）等の運動パラメータに対応する。その他いくつかの実施形態において、運動学的状態は、その運動パラメータを有する物体の位置に対応する。システム２００は、センサ２０２を含み得る、または、１回または複数回の信号送信を用いてシーンを調べることにより１回の送信当たり１つまたは複数の物体測定値を生成する一組のセンサに作動的に接続されてもよい。いくつかの実施形態に従うと、センサ２０２は車載レーダーであってもよい。いくつかの実施形態において、上記シーンは移動している物体を含む。他のいくつかの実施形態において、上記シーンは、移動物体および静止物体の双方を含む１つ以上の物体を含み得る。

システム２００は、システム２００を他のシステムおよび装置と接続するいくつかのインターフェイスを有することができる。たとえば、ネットワークインターフェイスコントローラ（ＮＩＣ）２１４は、システム２００を上記作動的に接続された一組のセンサと接続するネットワーク２１６に、システム２００をバス２１２を通して接続するように適合させたものである。ネットワーク２１６を通し、無線または有線のいずれかで、システム２００は、１回または複数回の信号送信の反射のデータを受信して、１回の送信当たり１つまたは複数の物体測定値を生成する。これに加えてまたはこれに代えて、システム２００は、制御入力をコントローラ２２２に送信するように構成された制御インターフェイス２２８を含む。

システム２００は、格納された命令を実行するように構成されたプロセッサ２０４と、プロセッサ２０４による実行が可能な命令を格納するメモリ２０６とを含む。プロセッサ２０４は、シングルコアプロセッサ、マルチコアプロセッサ、コンピューティングクラスタ、または任意の数の他の構成であってもよい。メモリ２０６は、ランダムアクセスメモリ（ＲＡＭ）、読出専用メモリ（ＲＯＭ）、フラッシュメモリ、または任意の他の適切なメモリシステムを含み得る。プロセッサ２０４は、バス２１２を通して１つ以上の入力および出力装置に接続される。これらの命令は、物体の拡大状態を追跡するための方法を実現する。

そのため、システム２００は、運動モデル２０８と測定モデル２１０とを含む。いくつかの実施形態において、システム２００は確率的フィルタ２２４を含む。確率的フィルタ２２４はプロセッサ２０４によって実行される。確率的フィルタは、繰り返し運動モデル２０８を実行することによって拡大状態を予測し、測定モデル２１０を実行することによって運動モデル２０８によって予測された物体の拡大状態を更新する。運動モデル２０８の実行により、寸法が固定され方位が変化する物体の拡大状態の予測が生成され、よって、物体の寸法を更新するのは測定モデル２１０のみであり、物体の方位を更新するのは運動モデル２０８および測定モデル２１０の双方である。

いくつかの実施形態は、測定モデル２１０が、切断間隔を有する中心切断分布１２４を含む、という認識に基づいている。いくつかの実施形態において、中心切断分布１２４は、中心切断ガウス分布である。いくつかの他の実施形態において、中心切断分布１２４は、中心切断スチューデントｔ分布である。中心切断分布１２４は、切断間隔に従い、基礎となる非切断ガウス分布を切断したものである。いくつかの実施形態において、確率的フィルタ２２４は、測定値にフィットする中心切断分布１２４を推定するように構成される。確率的フィルタ２２４による測定モデル２１０の実行は、確率的フィルタの前の繰り返し中に決定された前の切断間隔を繰り返し更新することにより、運動モデルによって予測された拡大状態にフィットする現在の切断間隔を生成する。さらに、確率的フィルタ２２４は、現在の切断間隔を有する中心切断ガウス分布を有する測定モデル２１０を用いて拡大状態を更新する。いくつかの実施形態に従うと、確率的フィルタ２２４は、ベイズフィルタ、カルマンフィルタ、および粒子フィルタのうちの１つまたは組み合わせである。ベイズフィルタは、さまざまなタイプの分布に使用できる汎用フィルタである。カルマンフィルタは、ガウス分布に対して効率良く機能する。いくつかの実施形態において、プロセッサ２０４は、センサ２０２に対する物体の方位の変化に応じて切断間隔を変更する。

さらに、確率的フィルタ２２４は、推定された中心切断ガウス分布に対応する、基礎となるガウス分布の平均および分散を生成するように構成され、平均は拡大状態の物体の位置を示し、分散は拡大状態の物体の寸法および方位を示す。そのため、いくつかの実施形態は、推定された中心切断ガウス分布と基礎となるガウス分布とを用いて物体の拡大状態を推定できる、という認識に基づいている。いくつかの実施形態において、測定モデル２１０の実行により、測定値にフィットする共分散行列が出力される。共分散行列の対角要素が物体の寸法を規定し、共分散行列の非対角要素が物体の方位を規定する。

測定値はノイズの影響を受けるので、いくつかの実施形態は、測定値からノイズを除去するという目的に基づいている。そのため、いくつかの実施形態において、確率的フィルタ２２４は、中心切断ガウス分布に従って測定値のノイズなしのソースの尤度を評価する前に、測定値からノイズを除去するように構成され、よって、確率的フィルタ２２４は、測定値のノイズなしのソースにフィットする中心切断分布１２４を生成する。さらに、ノイズなしの測定値のソースについて、切断間隔を決定する。いくつかの実施形態に従うと、測定モデル２１０は、測定値の各々に対してノイズなしのソースの隠れ測定値の確率的パラメータを規定する階層測定モデルである。

システム２００は、プロセスノイズの影響を受ける物体の運動モデル２０８と測定ノイズの影響を受ける物体の測定モデル２１０とを含む、車両のモデル２２６を含み、プロセスノイズおよび測定ノイズのうちの一方または組み合わせが、物体の拡大状態の不確かさを制限する。システム２００は車両に作動的に接続される。プロセッサ２０４は、制限された不確かさを有する拡大状態の車両のモデル２２６を用いて、車両のコントローラ２２２に対する制御入力を決定し制御入力に従って車両を制御するように、構成されている。

いくつかの実施形態において、プロセッサ２０４は、物体の運動モデル２０８および物体の測定モデル２１０によって推定された物体の拡大状態の結合確率を追跡する確率的フィルタ２２４を実行するように構成されている。結合確率は、確率的フィルタ２２４の以前の繰り返し中に推定された拡大状態を条件とする事後確率である。さらに、システム２００は、物体の拡大状態を出力する出力インターフェイス２２０を含む。いくつかの実施形態において、出力インターフェイス２２０は、物体の拡大状態をコントローラ２２２に出力するように構成されている。

図３Ｂは、いくつかの実施形態に係る、既知の切断境界を用いた図３Ａの再帰的計算の概略図を示す。これらの実施形態において、確率分布を切断するための切断間隔の値を含む切断境界３１９が、メモリに、たとえば、拡大状態の結合確率を追跡する確率的フィルタ２２４を実行するように構成されたプロセッサ２０４に作動的に接続されたメモリ２０６に、格納される。異なる実施形態において、メモリは、さまざまな状況に適用可能な切断間隔の値の１つおよび／または複数の組み合わせを格納することができる。

これに加えてまたはこれに代えて、メモリは、測定モデルの他の予め定められたパラメータを格納することができる。たとえば、いくつかの実施形態において、メモリは、訓練データから学習された測定モデルの構造幾何学パラメータを格納する。構造幾何学パラメータの例は、切断間隔の範囲を定める切断境界と、物体の方位に対する切断間隔の方位とを含む。切断境界がわかっているので、ＥＯＴ追跡の計算の複雑さは軽減される。
階層測定モデル

物体の測定値１１０はノイズの影響を受け、反射は物体の表面からしか受けないので、ノイズが多い測定値を用いて確率的フィルタを実行すると、拡大状態の不正確な推定が生じ、結果として不正確な物体追跡になる可能性がある。そのため、切断間隔を、測定値のノイズなしのソース（測定ソースとも呼ぶ）について決定し、確率的フィルタが、測定値のノイズなしのソースにフィットする中心切断ガウス分布を生成するようにしなければならない。いくつかの実施形態は、確率的フィルタが、中心切断ガウス分布に従って測定値のノイズなしのソースの尤度を評価する前に、測定値からノイズを除去するように構成される、という認識に基づいている。

小さなノイズというシナリオの場合、いくつかの実施形態は、確率的フィルタが、階層中心切断ガウス分布に従ってノイズが多い測定値の尤度を評価するように構成される、という認識に基づいている。

図５Ａは、いくつかの実施形態に係る、物体の前面５０６また背面５０２がセンサ５００に面している場合の、具体例としての切断間隔適応化を示す。例として、物体が、長さ「ｌ」５０４および幅「ｗ」５１０を有しその背面５０２がセンサ５００に面するように方向付けられている車両（たとえば車両１０６）であると考える。センサ５００は、車両の部分図、すなわち後方から見た車両に対応する測定値を取得する。切断間隔は、たとえばａ＜ｘ＜ｂによって与えられる。いくつかの実施形態において、切断間隔は、センサ５００に対する物体の方位を反映するために無限大で終わるオープンエンドの間隔を含み、たとえばａ＜ｘ＜∞である。いくつかの他の実施形態において、切断間隔は、最大値で終わるオープンエンドの間隔を含み、たとえばａ＜ｘ＜ｎ_ｍａｘである。上記方位の場合（後方から見た場合）、車両の長さ５０４についての切断間隔は、車両の、センサ５００の反対側５０６（前面）において無限大で終わる。次に、対応する確率密度５０８を求める。これに代えて、いくつかの実施形態において、車両の長さ５０４についての切断間隔は、車両の、センサ５００の反対側５０６（前面）において最大値で終わり、対応する確率密度を求めることができる。

図５Ｂは、いくつかの実施形態に係る、センサ５００に対して物体が横向きの場合の、具体例としての切断間隔適応化を示す。例として、物体は、図５Ａで考察した車両と同一であるが、センサ５００に対して横向きに方向付けられているものとする。センサ５００は、車両の部分図、すなわち側方から見た車両に対応する測定値を取得する。そのような場合、車両の幅５１０についての切断間隔は、車両の、センサと反対側５１２において無限大で終わる。次に、対応する確率密度５１４を求める。これに代えて、いくつかの実施形態において、車両の幅５１０についての切断間隔は、車両の、センサと反対側５１２において最大値で終わる。そのため、いくつかの実施形態は、階層切断モデルが、完全に観察されたレーダー測定値だけでなく部分的に観察されたレーダー測定値の記述に対して柔軟に対応する、という認識に基づいている。
拡張物体追跡（ＥＯＴ）アルゴリズム

ベイズＥＯＴアルゴリズムを、運動学的状態および拡張状態の双方について、階層測定モデルに基づいて定式化する。ベイズＥＯＴアルゴリズムは、階層切断ガウスランダム行列（ＨＴＧ－ＲＭ（hierarchical truncated Gaussian random matrix））アルゴリズムとも呼ばれる。いくつかの実施形態において、ベイズＥＯＴアルゴリズムを、階層測定モデルに従い、再帰的に拡大状態を予測し拡大状態および切断間隔を更新することによって発展させる。切断間隔は切断境界とも呼ばれる。通常のランダム行列ベースの方法と同様に、予測された拡大状態密度および更新された拡大状態密度の双方が、運動学的状態および拡張状態の因数分解された形態を共有すると仮定する。

拡大状態の予測

拡大状態の更新

図７Ａは、いくつかの実施形態に係る、拡大状態更新ステップ３１８の概略図を示す。ローカル観察測定値３２２は、任意のスキャン・アグリゲーション３１６および切断境界更新３１８の後に得られる。車載レーダー測定値の表面体積分布に基づいて、２つの十分な統計、すなわちサンプル平均およびサンプルの拡がり（分散）を、通常のランダム行列方式を用いて計算することができる。しかしながら、通常のランダム行列方式を使用したサンプル平均および分散の計算は、物体の運動学的状態および拡張状態の双方について偏った推定値をもたらす場合がある。

切断境界更新

図９Ｂは、いくつかの実施形態に係る、理想的な測定モデルによる性能評価グラフを示す。車載レーダー測定値が、シミュレートされた軌道のコースにわたって階層切断ガウスモデルに従うという理想的なケースについて考える。さらに、いくつかの実施形態において、各時間ステップにおける測定値の数を、平均８のポアソン分布から得る。図９Ａは、現実的なレーダー測定値の優れた指標である、物体の周囲の合成された車載レーダー測定値の２つのスナップショット９００を示す。これらのレーダー測定値のほとんどが物体エッジ９０２の周囲にあるように見えることがわかる。１００回のモンテカルロ実行から、通常のランダム行列（ＲＭで示される）と階層切断ガウスランダム行列（ＨＴＧ－ＲＭと呼ばれる）アルゴリズムとの間で、物体追跡性能が比較される。図９Ｂは、理想的な測定モデルによる、合計９０の時間ステップのローカライゼーション誤差（位置）、物体の長さおよび幅の誤差に関する物体追跡性能を示す。図９Ｂから、ＨＴＧ－ＲＭアルゴリズムは、いくつかの態様における通常のランダム行列方式よりも性能が優れていることが明らかである。特に、ＨＴＧ－ＲＭアルゴリズムは、ある時間にわたり、物体の長さおよび幅に関してより一貫した推定を提供する。さらに、物体の運動学的および拡張状態推定の対応する二乗平均平方根誤差（ＲＭＳＥ：root mean squared error）が分析される。

図９Ｃは、理想的な測定モデルによる、ＲＭおよびＨＴＧ－ＲＭに対応する物体の運動学的および拡張状態推定のＲＭＳＥを示す、表形式の図である。ＨＴＧ－ＲＭにおける物体の運動学的および拡張状態推定の二乗平均平方根誤差は、ＲＭにおける物体の運動学的および拡張状態推定と比較して非常に小さい。具体的には、ＨＴＧ－ＲＭは、ＲＭと比較して、物体の長さｌおよび幅ｗの推定において、非常に小さなＲＭＳＥをもたらす。

図１０Ａは、いくつかの実施形態に係る、モデル不一致の場合の性能評価を示す。リアルタイムで実世界の車載レーダー測定値を完全に記述し得る測定モデルはない。そのため、いくつかの実施形態は、モデル不一致の場合のＨＴＧ－ＲＭアルゴリズムのロバスト性を評価するために、アグリゲートされた実世界の車載レーダー測定値からから学習された、５０のガウス混合成分の変分レーダーモデルを、図９Ａのコースにわたってレーダー測定値を生成するように適合させる、という認識に基づいている。図１０Ａは、モデル不一致の場合の全９０の時間ステップの、ローカライゼーション誤差（位置）、物体の長さおよび幅の誤差に関する物体追跡性能を示す。

図１０Ａから、ＨＴＧ－ＲＭアルゴリズムが依然として通常のＲＭ方式よりも性能が優れていることは、明らかである。図９Ｂの理想的な測定モデルの場合と比較して、ＨＴＧ－ＲＭ性能はわずかに低下し、これは、異なる表面体積測定モデルに対するＨＴＧ－ＲＭアルゴリズムのロバスト性を示す。これは、ＲＭの運動学的および拡張状態推定のＲＭＳＥをＨＴＧ－ＲＭの運動学的および拡張状態推定値のＲＭＳＥと比較することによってさらに確認される。

図１０Ｂは、モデル不一致の場合の、ＲＭおよびＨＴＧ－ＲＭに対応する、物体の運動学的および拡張状態推定のＲＭＳＥを示す表である。ＨＴＧ－ＲＭにおける物体の運動学的および拡張状態推定のＲＭＳＥは、ＲＭにおける物体の運動学的および拡張状態推定と比較して大幅に小さい。この表形態から、特にＨＴＧ－ＲＭの場合の物体の長さおよび幅の推定のＲＭＳＥは、ＲＭの場合の物体の長さおよび幅の推定よりも大幅に小さいことが、明らかである。

図１１Ａは、いくつかの実施形態の原理を採用するシステム２００と通信するコントローラ１１０２を含む車両１１００の概略図を示す。車両１１００は、乗用車、バス、またはローバー等の任意の種類の車輪自動車であればよい。また、車両１１００は、自動運転車両または半自動運転車両であってもよい。たとえば、いくつかの実施形態は、車両１１００の運動を制御する。この運動の例は、車両１１００のステアリングシステム１１０４によって制御される車両の横方向の運動を含む。一実施形態において、ステアリングシステム１１０４はコントローラ１１０２によって制御される。これに加えてまたはこれに代えて、ステアリングシステム１１０４は車両１１００の運転者によって制御されてもよい。

いくつかの実施形態において、車両は、コントローラ１１０２によってまたは車両１１００の他の構成要素によって制御可能なエンジン１１１０を含み得る。いくつかの実施形態において、車両は、エンジン１１１０の代わりに電気モータを含んでいてもよく、コントローラ１１０２によってまたは車両１１００の他の構成要素によって制御することができる。車両はまた、周辺環境を検知する１つ以上のセンサ１１０６を含み得る。センサ１１０６の例は、レーダー等の測距装置を含む。いくつかの実施形態において、車両１１００は、その現在の運動パラメータおよび内部ステータスを検知する１つ以上のセンサ１１０８を含む。１つ以上のセンサ１１０８の例は、全地球測位システム（ＧＰＳ）、加速度計、慣性計測装置、ジャイロスコープ、シャフト回転センサ、トルクセンサ、撓みセンサ、圧力センサ、および流量センサを含む。センサは情報をコントローラ１１０２に提供する。車両は、コントローラ１１０２が有線または無線通信チャネルを通していくつかの実施形態のシステム２００と通信する機能を可能にするトランシーバ１１１０を備えていてもよい。たとえば、コントローラ１１０２は、トランシーバ１１１０を通してシステム２００から制御入力を受信する。

図１１Ｂは、いくつかの実施形態に係る、コントローラ１１０２と車両１１００のコントローラ１１１２との間のやり取りの概略図を示す。たとえば、いくつかの実施形態において、車両１１００のコントローラ１１１２は、車両１１００の回転および加速度を制御するステアリング制御部１１１４およびブレーキ／スロットル制御部１１１６である。そのような場合、コントローラ１１０２は、制御入力に基づいて、制御コマンドをコントローラ１１１４および１１１６に出力することにより、車両の運動学的状態を制御する。いくつかの実施京地あにおいて、コントローラ１１１２はまた、ハイレベルコントローラを、たとえばコントローラ１１０２の制御コマンドをさらに処理する車線維持アシストコントローラ１１１８を含む。どちらの場合も、コントローラ１１１２は、車両の運動を制御するために、コントローラ１１０２の出力、すなわち制御コマンドを利用して、車両の少なくともアクチュエータ、たとえば車両のステアリングホイールおよび／またはブレーキを、制御する。

図１１Ｃは、いくつかの実施形態を用いてその制御入力が生成される自動または半自動制御車両１１２０の概略図を示す。被制御車両１１２０はシステム２００を備えていてもよい。いくつかの実施形態において、障害物１１２２の各々が、被制御車両１１２０によって追跡され、その後、この障害物の追跡に基づいて制御入力が生成される。いくつかの実施形態において、制御入力は、車両の車輪のステアリング角度および車輪の回転速度のうちの一方または組み合わせの値を指定するコマンドを含み、測定値は、車両の回転数および車両の加速度のうちの一方または組み合わせの値を含む。

生成された制御入力は、被制御車両１１２０を道路１１２４の特定の境界内で維持することを目的とし、かつ、制御されていない他の車両、すなわち被制御車両１１２０の障害物１１２２を回避することを目的とする。たとえば、自動または半自動制御車両１１２０は、制御入力に基づいて、たとえば、左側もしくは右側の別の車両を追い越すまたはその代わりに道路１１２４の現在の車線内の別の車両の後方に留まってもよい。
機械学習を使用しオフライン訓練データセットを用いて測定モデルの幾何学的パラメータを推定

いくつかの実施形態は、実世界車載レーダー測定値の空間的特徴の複雑さの理解に基づいている。この複雑さは、切断ガウス分布を用いて測定値の複雑さを表す階層切断ガウス（ＨＴＧ：hierarchical truncated Gaussian）測定モデルの導入により、部分的に緩和される。実際、ＨＴＧ測定モデルは、車両上の実世界車載レーダー測定値の空間分布を適切に近似することができる。これは、全体測定値および／または物体の自己遮蔽に起因する部分測定値についてのオンライン切断境界推定および修正された状態更新ステップを用いる、ＲＭベースの方式に組み込むこともできる。しかしながら、いくつかの実施形態は、訓練データから、ＨＴＧ測定モデルに対応付けられた切断境界およびその他のパラメータを学習するために、大規模オフライン訓練データセットを活用することにより、状態更新ステップにおいて境界推定の負担を軽減することが可能である、というもう１つの認識に基づいている。

図１２は、いくつかの実施形態に係る、幾何学関連構造モデルパラメータを学習するための方法のフローチャートを示す。構造幾何学パラメータの例は、切断境界、それらの方位、およびＨＴＧ測定モデルのスケール因子のうちの１つまたは組み合わせを含む。いくつかの実装形態において、測定尤度における運動学的平均および拡がりの共分散行列等の、状態関連パラメータは、学習されるパラメータの一部ではない。

これらの実施形態において、測定モデルは階層切断ガウスモデルを含み、構造幾何学パラメータは訓練データから学習される。訓練データ（１２１０）は、異なる物体の異なる運動の異なる測定値を含む。訓練データの不一致に対処するために、構造幾何学パラメータが、機械学習を用いて、訓練データ（１２１０）を共通座標系に変換する（１２２０）ことにより、学習される（１２３０）。このようにして、実施形態は機械学習の訓練データ欠落問題を克服する。

図１３Ａ、図１３Ｂおよび図１３Ｃは、いくつかの実施形態に係る、異なる物体の異なる運動から収集された訓練データの、共通単位座標系への変換の概略図を示す。異なる軌道１３１０および１３１５の追跡から収集された測定値は、物体中心（ＯＣ：object-centered）座標系１３２０および１３２５に変換される。次に、変換された測定値がアグリゲートされる（１３３０）。いくつかの実装形態において、測定値は、たとえば類似するクラスの車両の運動から、類似するタイプの物体の運動について収集される。たとえば、実施形態は、各軌道ごとに、各時間ステップの測定値を、グローバル座標（ＧＣ）から物体中心（ＯＣ）座標に変換し、同様のサイズの車両（たとえばセダン）のすべての軌道からのＯＣ測定値をアグリゲートする。

次に、図１３Ｂに示されるように、実施形態は、アグリゲートされたＯＣ（１３３０）測定値を、単位座標（ＵＣ：unit coordinate）系（１３４０）に変換する。いくつかの実装形態において、変換ＵＣ系は、変換された訓練データを機械学習に使用できるようにする各種正規化技術によって実行される。図１３Ｃは、いくつかの実施形態によって使用されるＵＣ系における実世界データセット（ｎｕＳｃｅｎｅｓ）からアグリゲートされた測定値の例１３５０を示す。

階層切断モデル

いくつかの実施形態は、ノイズが多い車載レーダー測定値をモデル化するために、階層切断ガウス（ＨＴＧ）空間分布を使用する。いくつかの実施形態は、オフライン訓練データからこの分布を学習する。これらの実施形態は、測定値がノイズの影響を受けるという理解に基づいている。したがって、測定値は、ノイズで修正された測定値のソースを含むように表すことができる。そのような表現は、ノイズの除去後の測定値のソースから階層切断ガウスモデルの構造幾何学パラメータを学習することを可能にする。

階層切断測定モデルの学習

図１５Ａは、いくつかの実施形態によって使用される、物体の状態、自車、ならびに自車（ＶＣ）、センサ（ＳＣ）、および物体（ＯＣ）座標系の概略図を示す。

次元削減後に、すべての車両検出の位置が、物体の状態、たとえば位置、長さ、および幅とは無関係の正規化された物体座標系に変換される。

アスペクト角に対する測定モデルの依存

図１６Ａおよび図１６Ｂは、いくつかの実施形態に係る、異なるアスペクト角に対する測定モデルの学習の例を示す。たとえば、モデル１６２０は測定値１６１０から学習され、モデル１６４０は測定値１６３０から学習される。測定値１６１０および１６３０は、異なる種類の遮蔽に対応する部分測定値であり、たとえば異なるアスペクト角によって注釈が付けられる。

このようにして、切断間隔の異なる値が、センサに対する物体の異なる種類の遮蔽に対して予め定められ、これにより、プロセッサは、遮蔽の種類の変化の検出に応じて切断間隔の現在の値の選択を更新することができる。

図１７は、一実施形態に係る、物体の拡張状態を追跡するための方法のブロック図を示す。この実施形態において、メモリは、訓練データから学習された異なるアスペクト角について、１５５０の対応付けられたパラメータとともに、複数の学習された空間モデルを、格納する（１７１０）。確率的フィルタの実行の現在の繰り返しの中で、実施形態は、物体方位角（拡大状態の１要素）を対応するアスペクト角に変換し（１７４０）、更新されたアスペクト角について、学習された空間モデルをメモリから選択する（１７２０）。新たな測定値および予測された拡大状態とともに、実施形態は、選択された空間モデルを用いて尤度関数を計算し、拡大状態を更新する（１７３０）。次の繰り返しについて、拡大状態の物体方位角が再び変換され（１７４０）、上記プロセスが繰り返される。
学習された階層切断モデルのためのランダム行列方式

各種実施形態において、先に述べたように、確率的フィルタは、繰り返し、運動モデルを使用して、拡大状態を予測し、測定モデルを使用して、運動モデルによって予測された拡大状態を更新し、更新は、物体の拡大状態のランダム行列（ＲＭ）更新を使用する。これに加えてまたはこれに代えて、いくつかの実施形態は、学習した階層切断モデルを用いてＲＭ方式を修正する。修正されたＲＭ方式は、オンライン境界更新を、学習された空間モデルに置き換える。特に、修正されたＲＭは、新たなＲＭ状態更新ステップを使用する。予測密度および事後密度の双方が因数分解された形態を有すると仮定する。

学習されたＨＴＧ測定モデル１８１９は物体状態に依存するので、物体状態は再帰的に更新される（１８２０）。学習された階層切断モデルに対する完全状態更新ステップは、収束基準が満たされるまで、２つの要素、１）アスペクト角を条件とする学習された階層切断モデルの選択、および２）変換された測定統計を用いた物体状態の更新、にわたり、繰り返し実行される（１８３０）。ある繰り返しから次の繰り返しにかけて、より正確な物体状態推定により改良されたＨＴＧモデルを得ることができる。

修正されていないＲＭにおける前の更新ステップと比較して、学習されたＨＴＧモデルの更新ステップは、オフラインで学習されたモデルパラメータＢ、θ、ρおよびＲを直接使用する。これが、新たな更新ステップを計算上単純にする。なぜなら、境界更新をスキップしより早く収束するからである。学習された測定モデルを更新ステップに取り入れることにより、提案されている方法は、疎測定値を用いて改善されたＥＯＴ機能も示す。

以下の説明は、具体例としての実施形態を提供するだけであって、本開示の範囲、適用可能性、または構成を限定することを意図していない。むしろ、具体例としての実施形態の以下の説明は、具体例としての１つ以上の実施形態の実現を可能にする説明を当業者に提供するであろう。添付の請求項に記載されている開示された主題の精神および範囲から逸脱することなく要素の機能および構成に対してなされ得る各種変更が意図されている。

具体的な詳細事項は、以下の説明において、実施形態の十分な理解を得るために与えられている。しかしながら、これらの具体的な詳細事項がなくても実施形態を実行できることを、当業者は理解できる。たとえば、開示された主題におけるシステム、プロセス、および他の要素は、実施形態を不必要な詳細で不明瞭にしないために、ブロック図の形態で構成要素として示される場合がある。他の例において、実施形態を不明瞭にしないよう、周知のプロセス、構造、および技術は、不必要な詳細事項なしで示される場合がある。さらに、各種図面における同様の参照番号および名称は同様の要素を示す。

また、個々の実施形態は、フローチャート、フロー図、データフロー図、構造図、またはブロック図として示されるプロセスとして説明される場合がある。フローチャートは動作を逐次プロセスとして説明する場合があるが、動作の多くは並行してまたは同時に実行することができる。加えて、動作の順序は並べ替えられてもよい。プロセスは、その動作が完了したときに終了されてもよいが、論じられていないかまたは図に含まれていない追加のステップを有する場合がある。さらに、具体的に記載されている何らかのプロセスにおけるすべての動作がすべての実施形態に起こり得る訳ではない。プロセスは、方法、関数、手順、サブルーチン、サブプログラムなどに対応し得る。プロセスが関数に対応する場合、関数の終了は、呼び出し関数または主関数に関数を戻すことに対応し得る。

さらに、開示されている主題の実施形態は、少なくとも一部が、手作業または自動のいずれかで実装されてもよい。手作業または自動の実装は、マシン、ハードウェア、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語、またはその任意の組み合わせを通じて、実行されてもよく、または、少なくとも支援されてもよい。ソフトウェア、ファームウェア、ミドルウェアまたはマイクロコードで実装される場合、必要なタスクを実行するためのプログラムコードまたはコードセグメントは、マシン読取可能媒体に格納されてもよい。プロセッサ（複数のプロセッサ）が必要なタスクを実行してもよい。

本明細書で概要を述べた各種方法またはプロセスは、さまざまなオペレーティングシステムまたはプラットフォームのうちのいずれか１つを採用した１つ以上のプロセッサ上で実行可能なソフトウェアとして符号化されてもよい。加えて、このようなソフトウェアは、複数の好適なプログラミング言語および／またはプログラミングもしくはスクリプトツールのうちのいずれかを用いて記述されてもよく、フレームワークもしくは仮想マシン上で実行される、実行可能なマシン言語コードまたは中間符号としてコンパイルされてもよい。典型的に、プログラムモジュールの機能は、各種実施形態において所望される通りに組み合わせても分散させてもよい。

本開示の実施形態は、方法として実施されてもよく、その一例が提供されている。この方法の一部として実行される動作の順序は任意の適切なやり方で決められてもよい。したがって、実施形態は、例示されている順序と異なる順序で動作が実行されるように構成されてもよく、これは、いくつかの動作を、例示されている実施形態では一連の動作として示されるが、同時に実行することを含み得る。

特定の好ましい実施形態を参照しつつ本開示について説明してきたが、本開示の精神および範囲の中でその他各種の改変および修正が可能であることが理解されるはずである。したがって、本開示の真の精神および範囲に含まれるこのような変形および修正のすべてをカバーすることが添付の請求項の態様である。

Claims (15)

1. 移動している物体の位置を示す運動学的状態と前記物体の寸法および方位のうちの一方または組み合わせを示す拡張状態とを含む前記物体の拡大状態を追跡するためのシステムであって、前記システムは、
   複数回の信号送信を用いて、移動している物体を含むシーンを探査することにより、前記送信一回当たり前記物体の複数の測定値を生成するように構成された、少なくとも１つのセンサと、
   確率分布を切断するための切断間隔の値を格納するように構成されたメモリと、
   前記物体の運動モデルおよび前記物体の測定モデルによって推定された前記物体の前記拡大状態の結合確率を追跡する確率的フィルタを実行するように構成されたプロセッサとを備え、前記測定モデルは切断間隔を有する中心切断分布を含み、前記中心切断分布は、前記切断間隔の内側の前記中心切断分布の中心の前記測定値に対してより小さな確率を提供し、前記切断間隔の外側の前記測定値に対してより大きな確率を提供し、前記中心切断分布は、前記切断間隔に従い、基礎となる非切断分布を切断したものであり、前記確率的フィルタは、前記測定値にフィットする前記中心切断分布を推定し前記中心切断分布に対応する基礎となる非切断分布の平均および分散を生成するように構成され、前記基礎となる非切断分布の前記平均は、前記拡大状態の前記物体の位置を示し、前記基礎となる非切断分布の前記分散は、前記拡大状態の前記物体の寸法および方位を示し、前記システムはさらに、
   前記物体の前記拡大状態を出力するように構成された出力インターフェイスを備える、システム。
2. 前記測定モデルは、訓練データから学習された構造幾何学パラメータを有する階層切断ガウスモデルを含み、前記構造幾何学パラメータは前記切断間隔を含み、前記確率的フィルタは、ベイズフィルタ、カルマンフィルタ、および粒子フィルタのうちの１つまたは組み合わせであり、前記結合確率は、前記確率的フィルタの以前の繰り返し中に推定された前記拡大状態を条件とする事後確率である、請求項１に記載のシステム。
3. 前記訓練データは、異なる物体の異なる運動の異なる測定値を含み、前記構造幾何学パラメータは、機械学習を用いて、前記訓練データを共通単位座標系に変換することにより、学習される、請求項２に記載のシステム。
4. 前記訓練データから学習された前記構造幾何学パラメータは、前記切断間隔の範囲を規定する切断境界と、前記物体の方位に対する前記切断間隔の方位とを含む、請求項２に記載のシステム。
5. 前記測定値はノイズの影響を受け、前記測定値はノイズで修正された前記測定値のソースを含み、前記階層切断ガウスモデルの前記構造幾何学パラメータは、前記ノイズの除去の後に前記測定値のソースから学習される、または
   前記ノイズは、前記訓練データから学習されたノイズ共分散行列によって規定され、前記階層切断ガウスモデルは、前記ノイズ共分散行列に従う前記中心切断分布の拡がりを含む、請求項４に記載のシステム。
6. 前記メモリは、前記訓練データにおける異なるアスペクト角について学習された前記切断間隔の異なる値を有する複数の測定モデルを格納し、前記確率的フィルタの実行の現在の繰り返しの中で、前記プロセッサは、前記確率的フィルタの以前の繰り返し中に収集された前記測定値に基づいて前記切断間隔の現在の値を有する現在の測定モデルを前記メモリから選択し、前記切断間隔の前記現在の値を有する前記中心切断分布を有する前記現在の測定モデルを用いて前記拡大状態を更新する、請求項３に記載のシステム。
7. 前記切断間隔の前記異なる値は、前記センサに対する前記物体の遮蔽の異なる種類に対して予め定められ、前記プロセッサは、前記遮蔽の種類の変化の検出に応じて前記切断間隔の前記現在の値の選択を更新する、または
   前記メモリに格納された少なくとも１つの切断間隔は、無限大で終わるオープンエンドの間隔である、請求項６に記載のシステム。
8. 前記運動モデルは、前記物体の前記寸法が固定値であり前記物体の方位が変化する場合の前記物体の前記拡大状態を予測し、前記物体の前記寸法は、前記測定モデルのみによって更新され、前記物体の前記方位は、前記運動モデルおよび前記測定モデルの双方によって更新される、請求項３に記載のシステム。
9. 前記測定モデルの実行により、前記測定値にフィットする共分散行列が出力され、前記共分散行列の対角要素が前記物体の前記寸法を規定し、前記共分散行列の非対角要素が前記物体の前記方位を規定する、または
   前記基礎となる非切断分布はガウス分布であり、前記中心切断分布は中心切断ガウス分布である、請求項１に記載のシステム。
10. 前記確率的フィルタは、繰り返し、前記運動モデルを使用して、前記拡大状態を予測し、前記測定モデルを使用して、前記運動モデルによって予測された前記拡大状態を更新し、前記更新は、前記物体の前記拡大状態のランダム行列ベースの更新を使用する、請求項１に記載のシステム。
11. 前記ランダム行列ベースの更新は、前記物体の前記拡大状態を繰り返し更新することにより、前記測定値の分布の統計に収束する、請求項１０に記載のシステム。
12. 前記測定値は、ノイズ共分散行列によって規定されるノイズの影響を受け、前記切断間隔は前記ノイズがない前記測定値のソースについて決定され、前記確率的フィルタは、前記中心切断分布に従って前記測定値の前記ノイズなしのソースの尤度を評価する前に前記測定値から前記ノイズを除去するように構成され、前記確率的フィルタは、前記測定値の前記ノイズなしのソースにフィットする前記中心切断分布を生成する、請求項１に記載のシステム。
13. 前記測定値はノイズの影響を受け、前記切断間隔は測定値について直接決定され、前記確率的フィルタは、階層制の前記中心切断分布に従って前記測定値の尤度を評価するように構成され、前記確率的フィルタは、前記測定値にフィットする前記階層制の前記中心切断分布を生成する、請求項１に記載のシステム。
14. 前記物体は車両であり、前記拡大状態の更新は、グローバル座標系から前記車両のローカル座標系に変換された測定値のスキャン・アグリゲーションを含む、請求項１に記載のシステム。
15. 前記メモリは前記車両のモデルを格納するように構成され、前記車両のモデルは、プロセスノイズの影響を受ける前記物体の前記運動モデルと、測定ノイズの影響を受ける前記物体の前記測定モデルとを含み、前記プロセスノイズおよび前記測定ノイズのうちの一方または組み合わせが、前記車両の前記拡大状態の不確かさを制限し、前記プロセッサは、制限された不確かさを有する前記拡大状態の前記車両の前記モデルを用いて車両のコントローラに対する制御入力を決定し、前記制御入力に従って前記車両を制御するように構成される、請求項１４に記載のシステム。

Images