JP6731819B2 - 移動体軌道予測システム - Google Patents

Description

本発明は，車両から収集したデータを分析するための装置及び方法に関する。

自動車の自動運転の実現に向けて，車載カメラなどにより周囲状況をセンシングするセンシング技術，センシングしたデータに基づいて自車の状態と周囲環境を認識する認識技術，前記認識情報に基づいて走行速度や操舵角などを制御する制御技術などの開発が進められている。認識技術においては，自車周辺に存在する地物や移動体を認識し，それらの将来位置を正確に予測する予測技術が求められる。

自車やその周辺に存在する移動体の将来位置を予測する検討はこれまでも行われてきた。例えば特許文献１では，移動体同士の相互作用を推定することで移動体の将来位置予測を行う仕組みが検討されている。

特開２０１３−２４２６１５号公報

車両や歩行者，二輪車などの移動体の移動行動（以下，軌道と記載）には，道路などの起伏や信号などの周辺地物やその状況，他の移動体との直接あるいは間接的な相互作用などの様々な要因が影響する。また，車両，歩行者などの移動体の種別毎に予測すべき軌道が異なることや，抜け道のような地点固有の軌道など予測すべき軌道は多岐に渡る。

特許文献１では移動体同士や信号などとの相互作用を考慮しているものの，実際の軌道予測に必要な道路起伏などの周辺地物地形情報（地図情報）やその状態について考慮されていないため，多様な移動体の将来位置を高精度に予測することが難しい。

そこで，本発明は，移動体の将来位置を高精度に予測することができる移動体軌道予測システムを提供することを目的とする。

本発明は，移動体の軌道を予測する移動体軌道予測システムであって，走行環境に関する環境情報を取得する環境情報取得部と，他の移動体に関する移動体情報を取得する移動体情報取得部と，自車両に関する自車両情報を取得する自車両情報取得部と，前記環境情報と前記移動体情報と前記自車両情報とに基づいてマップ情報を生成するマップ生成部と，移動体の軌道予測モデルを記憶する軌道予測モデル記憶部と，前記軌道予測モデルを選択する軌道予測モデル選択部と，前記マップ情報と軌道予測モデルとから，移動体の将来位置もしくは移動量を予測し，移動体の軌道を予測して出力する軌道予測部と，を備える。

本発明によれば，移動体の将来位置を高精度に予測することが可能となる。

本実施例のシステムを示した図である。 車両とデータセンタの構成を示した図である。 マップ生成部で生成されるマップの概要を示した図である。 移動体軌道データ記憶部の構成を示した図である。 軌道予測モデル学習部の処理の概要を示した図である。 軌道予測モデル学習部の構成を示した図である。 軌道予測モデルの構成例を示した図である。 複数軌道予測モデルの構成例を示した図である。 軌道予測モデル記憶部の構成を示した図である。

以下，図面を用いて本発明の実施例について説明する。

図１は本実施例のシステムを説明する図である。本実施例のシステムは，車両１０１，通信拠点１０２，データセンタ１０３によって構成される。

車両１０１の内部には多数のセンサが内蔵されている。車両１０１は通信拠点１０２を経由してデータセンタ１０３と情報の送受信を行う。データセンタ１０３は，車両から受信したデータの管理，軌道予測モデルの学習を行う。車両１０１，通信拠点１０２，データセンタ１０３は規格化された高速ネットワークにより相互に通信が可能である。この高速ネットワークは有線，及び無線の少なくとも１つを含みうる。

図２は車両とデータセンタの構成を示した図である。車両は環境情報取得部２０１，移動体情報取得部２０２，自車両情報取得部２０３，マップ生成部２０４，軌道予測モデル選択部２０９，軌道予測部２１０，車両制御部２１１によって構成される。また，データセンタは移動体軌道データ記憶部２０５，軌道予測モデル学習部２０６，軌道予測モデル評価部２０７，軌道予測モデル記憶部２０８によって構成される。

環境情報取得部２０１は車両周辺の環境情報を取得する。ここで環境情報とは，道路や走行レーン，駐車場などの地図情報と標高，道路勾配，カーブの曲率半径などの地形情報と，水溜りや積雪，落下物などの路面状況と，信号の状態などの交通情報などによって構成される。環境情報取得部２０１は車両に備え付けられたカメラ，レーダ，ライダー，ソナーなどのセンサとセンサから得られる値を処理した結果，地図データ，もしくはデータセンタから配信される情報を用いて，車両周辺の環境情報を，取得環境の位置情報と合わせて取得する。この環境情報の取得は一定間隔，特定のイベント発生時など所定のタイミングで実行され，取得された環境情報はマップ生成部２０４へ出力される。

移動体情報取得部２０２は車両周辺の移動体情報を取得する。ここで移動体とは，他の車両，歩行者，二輪車，自転車，荷物，動物などの移動する物体である。移動体情報とは，前述の移動体の位置，速度，属性，物体ＩＤなどに関する情報である。移動体情報取得部２０２は車両に備え付けられたカメラ，レーダ，ライダー，ソナーなどのセンサとセンサから得られる値を処理した結果，もしくはデータセンタから配信される情報を用いて，移動体情報を取得する。この移動体情報の取得は一定間隔，特定のイベント発生時など所定のタイミングで実行され，取得された移動体情報はマップ生成部２０４へ出力される。

自車両情報取得部２０３は自車両情報を取得する。ここで自車両情報とは自車両の位置，速度などに関する情報である。この自車両情報はＧＰＳやＣＡＮ，Ｅｔｈｅｒｎｅｔなどから取得される。自車両情報の取得は一定間隔，特定のイベント発生時など所定のタイミングで実行され，取得された自車両情報はマップ生成部２０４へ出力される。

マップ生成部２０４は環境情報取得部２０１，移動体情報取得部２０２，自車両情報取得部２０３から取得した環境情報，移動体情報，自車両情報を用いてマップ情報を作成する。マップ生成部２０４は，自車両の位置と対応させてマップ情報を生成する。

図３にマップ生成部２０４で生成されるマップ情報の概要を示す。マップ情報３０１は複数のレイヤー情報３０２で構成されている。レイヤー情報３０２は，車両周辺の情報を位置情報ごとに整理したものである。レイヤー情報３０２は車両周辺の領域を切り出しグリッドで仕切った情報であり，各マスはそれぞれ現実の位置情報と対応している。各マスの位置情報に対応する情報が格納されている。例えば，道路情報のような１次元の２値で表現される情報であれば，道路上となる位置情報に対応するマスに１が格納され，道路以外の位置情報に対応するマスには０が格納される。また，速度情報のような２次元の連続値で表現される情報であれば，レイヤー情報を２層に渡り，方向１速度成分，方向２速度成分が格納される。ここで方向１，方向２とは例えば車両の進行方向，横方向や北方向，東方向といったものである。また，速度情報をレイヤー情報に変換する場合には，自車両もしくは移動体の存在する位置情報に対応するマスに情報を格納する。

このようにレイヤー情報３０２は環境情報取得部２０１，移動体情報取得部２０２，自車両情報取得部２０３から取得した環境情報，移動体情報，自車両情報の一部または全てに対して，取得情報の次元数以下のレイヤーに亘って，取得情報の位置情報と対応したマスへ情報が格納されたものである。また，取得情報が落下物や移動体のように特定の位置にのみ存在する情報に関するものである場合には，対応する位置情報のマスに情報が格納される。マップ情報３０２は種々の生成されたレイヤー情報３０２を積み上げた構造をしている。レイヤー情報３０２を積み上げる際には，各レイヤーのマスの持つ位置情報が一致するようにする。マップ情報３０１は，マップ情報３０１が生成される度，もしくは所定の量のマップ情報３０１が生成された時点，所定の時間が経過した時点などの所定のタイミングで移動体軌道データ記憶部２０５に格納される。

移動体軌道データ記憶部２０５はマップ生成部２０４で生成された情報を記憶する。図４に移動体軌道データ記憶部２０５の格納データ例を示す。移動体軌道データ記憶部２０５は少なくとも地点情報４０１，詳細地点情報４０２，時刻情報４０３，マップ情報４０４を含む。地点情報４０１は地点ＩＤ情報を格納されている。ここで地点ＩＤ情報は地図を複数の領域に分割した際に，領域を特定するためのＩＤ情報である。この地点ＩＤ情報は予め設定されており，車両によってマップが生成されたタイミングで車両がいる地点に割り振られている地点ＩＤ情報が格納される。詳細地点情報４０２は車両によってマップが生成されたタイミングで車両がいる地点を特定するための情報であり，例えば車両の緯度，経度である。ここで詳細地点情報４０２は車両の存在する点の情報であるが，地点情報４０１は車両の存在する領域の情報である。時刻情報４０３は車両によってマップが生成された時刻の情報である。マップ情報４０４は車両によって生成されたマップ情報である。

軌道予測モデル学習部２０６は移動体の軌道を予測するための軌道予測モデルを移動体軌道データ記憶部２０５に格納されている情報から学習する。なお，軌道予測モデルは，マップ情報に基づく所定空間における，移動体の標準的な行動特徴（パターン化された行動軌跡情報）である。図５に移動体の軌道予測について概要を示す。自車両５０１は自車両である。駐車車両５０２は駐車されている車両であり，自車両５０１は駐車車両５０２の横を通り抜ける。歩行者５０３は歩行者であり，歩行者５０３は進行方向にある駐車車両５０２を避けるために歩行者軌道５０４ａ，０４ｂ，５０４ｃ，５０４ｄ，５０４ｅを今後辿る。そのため，歩行者５０３は自車両５０１の進行方向に飛び出してくることが予測されるため，衝突しないように自車両５０１は速度，操舵角などを適切に制御する必要がある。自車両５０１は衝突を回避するために，衝突の可能性のある移動体の将来の軌道を予測する必要がある。軌道予測モデル学習部２０６は移動体軌道データ記憶部２０５の情報を用いて，歩行者５０３のような衝突可能性のある移動体の将来軌道５０４ａ〜５０４ｅを予測するためのモデルを学習する。この軌道予測モデルの学習はあらかじめ定められている所定のタイミングで実行される。

図６に軌道予測モデル学習部２０６の構成を示す。軌道予測モデル学習部２０６は位置データ生成部６０１と位置予測モデル学習部６０２，移動量データ生成部６０３と移動量予測モデル学習部６０４によって構成される。本実施例では軌道予測モデルとして位置情報を直接予測する位置予測モデルと移動量を予測する移動量予測モデルを示す。

位置データ生成部６０１は移動体軌道データ記憶部２０５に格納されている情報から，物体ＩＤ毎の位置データ及び移動体周辺マップ情報，及び将来位置データを抽出する。ここで位置データとは，位置データを作成する物体ＩＤの地点ＩＤにおける位置情報である。物体ＩＤはマップ生成部２０４で生成されるマップ情報３０１のひとつのレイヤー情報３０２として生成され，物体ＩＤが存在する位置情報に対応するマスに格納される物体ＩＤから特定される。また，地点ＩＤにおける位置情報とは，地図を分割した領域である地点ＩＤの中心を原点として，地点ＩＤの領域内を所定の値で正規化した際の位置情報である。例えば地図上から１ｋｍ四方の領域を切り出し，領域内の位置情報を５００ｍで除算すると，切り出された領域は各辺が［−１，１］の範囲のデータとなる。この領域内の（０。５，０。５）という位置情報は，切り出した領域の北から２５０ｍ，東から２５０ｍの地点になる。

このように，地図をある大きさの領域に分割し，その領域内で位置情報を正規化した値として再度保持することで，位置情報の予測がしやすくなる。これは，位置情報を直接予測する際に，世界地図もしくはある国や地域の地図の縮尺と車両制御に必要な地図の縮尺が大きく異なるためである。そのため地図上での位置情報の僅かな誤差が車両制御で用いる位置情報では大きな誤差となってしまい予測モデルの学習の妨げとなる。そこで，地図をある大きさの領域で分割し，領域内の位置情報を再定義することで地図上の誤差情報と車両制御での位置情報の誤差を同等に扱えるようになり予測モデルを学習しやすくなる。また，本実施例でしめした領域の大きさや正規化するための値は例であり，実際には前述の値以外も取りうる。

以上のように生成された位置データは移動体軌道データ記憶部２０５に格納されている時刻情報と関連付けられており，特定の物体ＩＤ毎に位置情報を時間方向で追跡できる。位置予測モデル学習部６０２では，各時刻のある物体ＩＤの位置情報とある物体ＩＤ周辺のマップ情報から，所定時刻後のある物体ＩＤの位置情報を予測するように位置予測モデルを学習する。また，予測は位置情報のみでなく速度情報などに対しても行うことが出来る。この場合に関しても位置情報と同様に，位置予測モデル学習部６０２は各時刻のある物体ＩＤの速度情報とある物体ＩＤ周辺のマップ情報から，所定時刻後のある物体ＩＤの速度情報を予測するように位置予測モデルを学習する。また，位置情報と速度情報の予測は同時に行っても良い。

前述した位置予測モデルでは，地点ＩＤ毎に学習する必要がある。これは同じ位置情報であっても地点ＩＤが異なる場合には，位置情報の持つ意味が変わってしまうためである。また，位置情報を予測することで特定の地域で頻繁に発生するが他の地点ＩＤでは発生しない特殊な軌道を学習できる利点がある。

これに対し，移動量データ生成部６０３は位置データ生成部６０１と同様に移動体軌道データ２０５に格納されている詳細地図情報４０２，時刻情報４０３，マップ情報４０４から，物体ＩＤ毎の軌道データを生成する。ただし，移動量データ生成部６０３では各時刻の物体ＩＤの，前時刻からの移動量及び所定時刻後までの移動量を抽出する。ここで移動量とは２時刻間での位置情報の差分である。移動量予測モデル学習部６０４は各時刻のある物体ＩＤの移動量情報とある物体ＩＤ周辺のマップ情報から，所定時刻後までのある物体ＩＤの移動量を予測する移動量予測モデルを学習する。また，移動量予測モデルの場合でも位置予測モデルの場合と同様に速度情報もしくは移動量と速度情報両方の予測を行っても良い。また，速度情報も移動量同様に差分を取り予測値として良い。

図５において位置予測モデルは歩行者５０３の位置から直接歩行者軌道５０４ａ〜５０４ｅの位置情報を予測するモデルである。これに対して移動量予測モデルは歩行者５０３の前時刻からの移動量から，歩行者軌道５０４ａ〜５０４ｅの位置情報と歩行者５０３の位置の差分を予測するモデルである。そのため，移動量予測モデルの場合には，歩行者５０３の移動量を予測し現在の歩行者５０３の位置情報に加算することで将来の歩行者５０３の位置情報を予測する。

このように差分を予測するモデルにすることで，予測する地点に関する情報を打ち消すことが出来る。そのため，位置予測モデルと異なり，学習した地点ＩＤと異なる地点ＩＤにおいても予測モデルを適用することが可能である。また，位置予測モデル及び移動量予測モデルはどちらも学習した物体ＩＤと異なる物体ＩＤでも同様に予測に用いることができる。

図７に軌道予測モデルの構成を示す。本実施例では予測モデルは深層学習と呼ばれる技術によって構成され学習，予測を行う。軌道予測モデルはマップデータ７０１，現在時刻予測データ７０２，マップ特徴抽出層７０３，リカレントニューラルネットワーク７０４，将来時刻予測データ７０５によって構成される。マップデータ７０１は，位置データ生成部６０１もしくは移動量データ生成部６０２で生成された軌道を予測される物体ＩＤの周辺のマップ情報である。このマップ情報は移動体軌道データ記憶部２０５に格納されている該当時刻の該当物体ＩＤの位置座標周辺の所定の大きさの領域をマップ情報４０４から抽出したものである。現在時刻予測データ７０２は現在時刻の予測データが格納される。ここで予測データとは位置予測モデルを学習する場合には軌道を予測される物体ＩＤの位置情報であり，移動量予測モデルを学習する場合には軌道を予測される物体ＩＤの移動量である。マップ特徴抽出部７０３はマップデータから特徴抽出を行う。これは例えば畳み込みネットワークや自己符号化器，パーセプトロン，ボルツマンマシン，制約ボルツマンマシンなどのニューラルネットワーク一種もしくは組み合わせによって行われる。またこれらを多層に積み重ねたものでも良い。

マップデータ７０１はマップ特徴抽出部７０３で処理され特徴抽出された後に現在時刻予測データと合わせてリカレントニューラルネットワーク７０４に入力される。リカレントニューラルネットワーク７０４は前時刻の発火状態と入力されたデータから将来時刻予測データ７０５を予測する。本実施例ではリカレントニューラルネットワークを用いたが，ニューラルネットワーク７０４はＧＲＵやＬＳＴＭと呼ばれる他の時系列認識が可能なニューラルネットワークを用いてもよい。また，将来時刻予測データ７０５はある一点の時刻のみではなく複数時刻の予測結果であってもよい。

予測時には将来時刻予測データ７０５の予測のみを行うが，学習時には得られた将来時刻予測データ７０５の値と，位置データ生成部６０１または移動量データ生成部６０３で生成された将来時刻の予測データから損失関数を計算し，損失が最小化されるように誤差逆伝播法でリカレントニューラルネットワーク７０４，マップ特徴抽出部７０３のパラメータを更新する。ここで損失関数とは例えば平均二乗誤差であったり，負の対数尤度関数であったりする。損失関数が平均二乗誤差の場合には将来時刻予測データ７０５では位置情報や移動量を直接予測し，実際の将来時刻データとの誤差の二乗の平均を最小化するようにニューラルネットワークのパラメータ更新を行う。また，損失関数が負の対数尤度関数の場合には将来時刻予測データ７０５は将来時刻データの分布を表す。例えば将来時刻データの分布を正規分布として予測する場合には将来時刻予測データ７０５は将来時刻における位置情報もしくは移動量の平均値，分散値を予測する。その後，得られた分布から実際の将来時刻データの負の対数尤度関数を計算し，負の対数尤度関数を最小化するようにニューラルネットワークのパラメータ更新を行う。

以上のようなニューラルネットワークの構成をとることで，マップ特徴抽出部７０３は環境情報，移動体情報，自車両情報を位置情報と関連付けたマップデータ７０１から将来軌道予測に有効な特徴を抽出できるようになる。そのため，マップ特徴抽出部７０３はマップデータ７０１から物体間の相互作用や道路形状，信号などの交通情報といった特徴を学習するため，精度良く軌道予測を行えるようになる。

また，予測モデルは物体ＩＤの属性ごとに学習する。ここで物体ＩＤの属性とは移動体情報取得部２０２で取得される属性情報であり，マップ生成部２０４で物体ＩＤと同様の位置情報に対応するマスで，物体ＩＤとは異なるレイヤーに格納される，車両，歩行者，二輪車，自転車，荷物，動物などの移動体の種別に関する情報である。移動体の軌道は移動体の属性ごとに特徴があるため，予測モデルは移動体の属性ごとに学習を行う必要がある。

また，本実施例で示した軌道予測モデル構成は一例であり，マップ特徴抽出層７０３およびリカレントニューラルネットワーク７０４の前後に例えば全結合層などの他のニューラルネットワークが介在してもよい。

また，予測モデルは複数軌道を同時に予測することも可能である。図８に複数軌道予測モデルの構成を示す。複数軌道予測モデルはマップデータ８０１，現在時刻予測データ８０２，マップ特徴抽出層８０３，リカレントニューラルネットワーク８０４，将来時刻予測データ８０５ａ〜８０５ｎによって構成される。マップデータ８０１，現在時刻予測データ８０２，マップ特徴抽出層８０３，リカレントニューラルネットワーク８０４は図７の軌道予測モデルにおけるマップデータ７０１，現在時刻予測データ７０２，マップ特徴抽出層７０３，リカレントニューラルネットワーク７０４と同様の構成である。複数軌道予測モデルにおいてはＮ個の将来時刻予測データ１〜Ｎを出力する。その後これを競合学習と呼ばれる学習方法によって学習する。この場合には，図７の軌道予測モデルの場合と同様に将来時刻予測データ８０５ａ〜ｎに関してそれぞれ損失関数を算出する。その後値の小さい損失関数のみ誤差逆伝播を行い，リカレントニューラルネットワーク８０４，マップ特徴抽出部８０３のパラメータ更新量を算出し，パラメータ更新を行う。このような学習により同一状況で発生した複数の軌道を同時に予測することが可能となる。

また，本実施例で示した複数軌道予測モデル構成は一例であり，マップ特徴抽出層８０３およびリカレントニューラルネットワーク８０４の前後に例えば全結合層などの他のニューラルネットワークが介在してもよい。

軌道予測モデル評価部２０７は軌道予測モデル学習部２０６で生成された位置予測モデル及び移動量予測モデルの精度評価を行う。前述の通り，位置予測モデルは特定の地点ＩＤでのみ適用できるが地点特有の軌道を学習できるため予測精度が高い。反対に移動量予測モデルは地点特有の軌道を予測することは出来ないが，どの地点ＩＤでも共通して適用できる。そのため，学習のためのデータを十分取得することが可能な地点ＩＤでは位置予測モデルを，学習のためにデータを十分取得できない地点ＩＤでは移動量予測モデルを用いて予測することで，いずれの地点ＩＤでも精度の良い予測ができるようになる。

まず，地点ＩＤ毎に各地点ＩＤのデータで位置予測モデルを学習し，複数の地点ＩＤのデータで移動量予測モデルを学習する。その後，各地点ＩＤのデータを位置予測モデルと移動量予測モデルを用いて精度比較を行う。ここでの精度とは軌道予測モデルの予測結果と実際の将来軌道から算出される損失関数の値である。また，精度比較の際には交差検証を行い，学習に使用していないデータで精度比較を行なう。そして地点ＩＤ毎に位置予測モデル，移動量予測モデルからより精度のよいモデルを実際に使用するモデルとして起動予測モデル記憶部２０８に格納する。

軌道予測モデル記憶部２０８は軌道予測モデル学習部２０６で生成された軌道予測モデルを格納する。軌道予測モデル記憶部２０８の構成例を図９に示す。軌道予測モデル記憶部２０８は地点情報９０１，移動体属性情報９０２，予測種別情報９０３，予測モデル情報９０４が格納される。地点情報９０１は移動体軌道データ記憶部２０５における地点情報４０１と同様の情報で地点ＩＤ情報が格納される。移動体属性情報９０２は移動体情報取得部２０２で取得される移動体の属性情報が格納される。予測種別情報９０３は軌道予測モデル評価部２０７で精度がより良いと判定された予測モデルの種別が格納される。ここで予測モデルの種別とは，位置予測モデルの精度がより高いと判定された場合には位置予測であり，移動量予測モデルの精度がより高いと判定された場合には移動量予測となる。予測モデル情報９０４は軌道予測モデル学習部２０６で学習結果として出力される予測モデルに関する情報が格納される。ここで予測モデルに関する情報とはマップ特徴抽出層７０３および８０３，リカレントニューラルネットワーク７０４および８０４で用いられるニューラルネットワークの種類とそのパラメータである。また，マップ特徴抽出層７０３および８０３，リカレントニューラルネットワーク７０４および８０４の前後に異なるニューラルネットワークが挿入される場合には，挿入されるニューラルネットワークの種類とそのパラメータも予測モデル情報９０４に格納される。

軌道予測モデル選択部２０９は軌道予測モデル記憶部２０８から移動体の予測に適したモデルを選択する。上述のように軌道予測モデル２０８には，地点情報９０１，移動体属性情報９０２，予測種別情報９０３，予測モデル情報９０４が関連付けられて格納されている。そのため，車両は移動体を検知し軌道予測を行う際に，車両のＧＰＳなどの詳細地点情報から該当する地点情報９０１，移動体の属性と合致する移動体属性情報９０２から予測種別情報９０３および予測モデル情報９０４を軌道予測モデル２０８から読み込むことができる。その後，軌道予測部２１０は読み込んだ予測種別情報９０３，予測モデル情報９０４を用いて移動体の軌道予測を行う。

軌道予測部２１０は移動体の軌道予測を行う。軌道予測部２１０はマップ生成部２０４で生成されたマップ情報に格納されている移動体の物体ＩＤおよび属性情報を読み取る。その後，移動体の物体ＩＤ毎に軌道予測モデルを設定する。これは軌道予測モデルを設定する物体ＩＤが直近時刻に存在せず新たに軌道予測を行う場合には軌道予測モデル選択部２０９を用いて軌道予測モデル記憶部２０８から軌道予測モデルを読み込むことで行う。軌道予測モデルを設定する物体ＩＤが前時刻までに設定済みの場合には，物体ＩＤに設定済みの軌道予測モデルを設定する。また，軌道予測モデルを設定済みの物体ＩＤが一定期間マップ生成部２０４から生成されるマップ情報に含まれない場合には設定済みの軌道予測モデルを破棄する。その後，物体ＩＤ毎に設定された予測モデルと予測モデルの予測種別情報９０３に従って物体ＩＤ毎の軌道予測を行う。軌道予測ではマップ情報から軌道予測する物体ＩＤの位置情報，もしくは移動量情報と物体ＩＤ周辺のマップ情報を抽出し，抽出した情報を用いて軌道予測モデルで軌道を予測する。ここで，マップ情報から位置情報，移動量情報のいずれを抽出するかは，物体ＩＤ毎に設定された軌道予測モデルの予測種別情報９０３と同じものが選択される。また，位置情報もしくは移動量情報の抽出は軌道予測モデル学習部２０６の位置データ生成部６０１もしくは移動量データ生成部６０３と同様の仕掛けで実行される。また，軌道予測は図７もしくは図８に記載の予測モデル構成によって行われる。軌道予測部２１０で予測された軌道は車両制御部２１１に出力される。

また，軌道予測部２１０による軌道予測は一定時刻ごと，マップ情報が更新される度など予め決められている所定のタイミングで実行される。

車両制御部２１１は軌道予測部２１０から出力される移動体の予測軌道に従い，移動体を衝突しないように車両を制御する。

また本実施例では環境情報取得部２０１，移動体情報取得部２０２，自車両情報取得部２０３，マップ生成部２０４，軌道予測モデル選択部２０９，軌道予測部２１０，車両制御部２１１は車両に配置し，移動体軌道データ記憶部２０５，軌道予測モデル学習部２０６，軌道予測モデル評価部２０７，軌道予測モデル記憶部２０８はデータセンタに配置したが，これらの機能はいずれも車両，データセンタのどちらにあってもよい。また，これらの機能の入出力となるマップ情報，軌道予測モデル情報，予測軌道などの各種データはＣＡＮ，Ｅｔｈｅｒｎｅｔ，無線通信を介してやりとりされる。

なお，本発明は上記実施例に限定されるものではなく様々な変形例が含まれる。上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり，必ずしも説明した全ての構成を備えるものに限定されるものではない。また，ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり，また，ある実施例の構成に他の実施例の構成を加えることも可能である。また，各実施例の構成の一部について，他の構成の追加・削除・置換をすることが可能である。

１０１・・・車両
１０２・・・通信拠点
１０３・・・データセンタ

Claims (12)

1. 移動体の軌道を予測する移動体軌道予測システムであって、
   走行環境に関する環境情報を取得する環境情報取得部と、他の移動体に関する移動体情報を取得する移動体情報取得部と、自車両に関する自車両情報を取得する自車両情報取得部と、
   前記環境情報と前記移動体情報と前記自車両情報とに基づいてマップ情報を生成するマップ生成部と、
   移動体の軌道予測モデルを記憶する軌道予測モデル記憶部と、
   前記軌道予測モデルを選択する軌道予測モデル選択部と、
   前記マップ情報と前記軌道予測モデルとから、移動体の将来位置もしくは移動量を予測し、移動体の軌道を予測して出力する軌道予測部と、
   前記マップ情報を時刻情報と関連付けて記憶する移動体軌道データ記憶部と、
   前記移動体軌道データ記憶部から、移動軌跡に沿って順にマップ情報を読み込み、移動体の種別、移動体の状態、移動体の周囲の環境情報、地図情報に基づく移動体の行動特徴を学習し、前記軌道予測モデルを作成する軌道予測モデル生成部とを有し、
   前記軌道予測モデル生成部は、前記移動体軌道データ記憶部から移動体の時系列の位置情報を抽出し、抽出した位置情報より移動体の位置を学習し予測するモデルを生成する位置予測モデル生成部と、
   前記移動体軌道データ記憶部から移動体の時系列の移動量を抽出し、抽出した移動量より移動体の移動量を学習し予測するモデルを生成する移動量予測モデル生成部と、を有し、
   さらに前記位置予測モデル生成部により生成された位置予測モデルの精度と前記移動量予測モデル生成部により生成された移動量予測モデルの精度とを比較し、精度の良い方のモデルを前記軌道予測モデル記憶部に格納する軌道予測モデル評価部を有し、
   前記軌道予測部は、前記マップ情報と前記精度の良いモデルとから、前記将来位置もしくは前記移動量を予測することを特徴とする移動体軌道予測システム。
   
   
   
   
   
   
   
2. 前記環境情報は、道路、走行レーン、駐車場、標高、道路勾配、カーブの曲率半径の少なくとも一つを含む地図情報である請求項１記載の移動体軌道予測システム。
3. 前記環境情報は、水溜り、積雪、落下物の少なくとも一つに関する路面状況である請求項１記載の移動体軌道予測システム。
4. 前記環境情報は、交通情報である、請求項１記載の移動体軌道予測システム。
5. 前記移動体は、他の車両、歩行者、二輪車、自転車、荷物、動物の少なくとも一つであり、
   前記移動体情報は、前記移動体の位置、速度、属性、物体ＩＤの少なくとも一つである請求項１記載の移動体軌道予測システム。
6. 前記自車両情報は、自車両の位置、速度の少なくとも一つである請求項１記載の移動体軌道予測システム。
7. 前記軌道予測モデルは、前記マップ情報に基づく所定空間における、移動体の標準的な行動特徴である請求項１記載の移動体軌道予測システム。
8. 前記軌道予測モデル選択部は、前記マップ情報から取得した移動体の物体ＩＤごとに該当する地点情報、移動体の属性情報から適切な軌道予測モデル情報を前記軌道予測モデル記憶部から選択し軌道予測部に出力する請求項１記載の移動体軌道予測システム。
9. 前記移動体軌道データ記憶部は、前記マップ生成部によって生成されたマップ情報と、
   地図を複数に分割した領域に関する地点情報と、緯度経度からなる詳細地点情報と、マップ情報が生成された時刻に関する時刻情報と、を記憶し、
   前記軌道予測モデル生成部は、前記移動体軌道データ記憶部に記憶されている情報から軌道予測モデルを学習し、
   前記軌道予測モデル記憶部は、前記予測モデル生成部で生成された軌道予測モデルを軌道予測モデル情報として記憶する
   請求項１記載の移動体軌道予測システム。
10. 前記軌道予測モデルは、
    前記マップ情報から軌道予測に必要なマップ特徴をニューラルネットワークで抽出するマップ特徴抽出層と、
    前記マップ特徴抽出層で抽出したマップ特徴と、位置情報もしくは移動量情報からなる予測データを合わせてリカレントニューラルネットワークに入力し将来の予測データを予測するリカレントニューラルネットワーク層と、
    を備えて構成される請求項１記載の移動体軌道予測システム。
11. 前記軌道予測モデルは、複数の出力層を持ち、複数の軌道を予測する請求項１０記載の移動体軌道予測システム。
12. 前記移動体軌道予測システムが実装される請求項１記載の車載制御装置。

Images