JP7149171B2 - 物体認識方法及び物体認識装置 - Google Patents

Description

本発明は、物体認識方法及び物体認識装置に関する。

従来より、レーザレーダを用いた物体のトラッキング方法が知られている（特許文献１）。特許文献１に記載された発明は、レーザレーダによって検出された検出点を用いてクラスタを作成し、クラスタに含まれる検出点の移動量に基づいてクラスタの形状の一致度を算出し、算出された形状の一致度が所定閾値以上の場合にクラスタを１つの物体として特定する。これにより、特許文献１に記載された発明は、物体を特定でき、さらに物体の速度も算出することができる。

特開２０１３－２２８２５９号公報

自車両に大きなヨーレートが発生するシーン（急カーブ、交差点の右折（左折）など）において、自車両から見た物体の見え方が大きく変化する。例えば、急カーブの先に停止車両が居たり、交差点の右折（左折）先に駐車車両が居たりする場合、自車両から見た停止車両または駐車車両の見え方が大きく変化する。しかしながら、特許文献１に記載された発明は、自車両に大きなヨーレートが発生するシーンについて言及しておらず、このようなシーンにおいて物体の速度を精度よく算出することができないおそれがある。

本発明は、上記問題に鑑みて成されたものであり、その目的は、物体の速度を精度よく算出することができる物体認識方法及び物体認識装置を提供することである。

本発明の一態様に係る物体認識方法は、自車両が将来進む軌道を推定する。物体認識方法は、第１の時刻において複数の第１の検出点を検出し、第１の時刻とは異なる第２の時刻において複数の第２の検出点を検出する。物体認識方法は、複数の第１の検出点から軌道までの距離を用いて、複数の第１の検出点の中から、軌道までの距離が最も短い検出点である自車両に最も近い第１の検出点を抽出し、複数の第２の検出点から軌道までの距離を用いて、複数の第２の検出点の中から、軌道までの距離が最も短い検出点である自車両に最も近い第２の検出点を抽出する。物体認識方法は、抽出された第１の検出点及び第２の検出点の位置の時間変化から、自車両に最も近い検出点の速度ベクトルを算出する。物体認識方法は、速度ベクトルを軌道の接線方向の速度成分及び法線方向の速度成分に分解し、接線方向の速度成分を自車両に対する物体の相対速度として算出する。

本発明によれば、物体の速度を精度よく算出することができる。

図１は、本発明の第１実施形態に係る物体認識装置の概略構成図である。 図２は、本発明の第１実施形態に係る物体認識装置の一動作例を説明するフローチャートである。 図３は、走行シーンの一例を説明する図である。 図４は、検出点を分類する方法の一例を説明する図である。 図５は、検出点を追跡する方法の一例を説明する図である。 図６は、速度ベクトルの一例を説明する図である。 図７は、速度ベクトルの分解の一例を説明する図である。 図８は、本発明の第２実施形態に係る物体認識装置の概略構成図である。 図９は、本発明の第２実施形態に係る物体認識装置の一動作例を説明するフローチャートである。

以下、本発明の実施形態について、図面を参照して説明する。図面の記載において同一部分には同一符号を付して説明を省略する。

（第１の実施形態）
（物体認識装置１の構成例）
図１を参照して、物体認識装置１の構成例を説明する。図１に示すように、物体認識装置１は、センサ１０と、地図データベース１１と、ＧＰＳ受信機１２と、コントローラ２０と、アクチュエータ３０と、スピーカ３１と、ディスプレイ３２と、を備える。

物体認識装置１は、自動運転機能を有する車両に搭載されてもよく、自動運転機能を有しない車両に搭載されてもよい。また、物体認識装置１は、自動運転と手動運転とを切り替えることが可能な車両に搭載されてもよい。なお、本実施形態における自動運転とは、例えば、ブレーキ、アクセル、ステアリングなどのアクチュエータの内、少なくとも何れかのアクチュエータが乗員の操作なしに制御されている状態を指す。そのため、その他のアクチュエータが乗員の操作により作動していたとしても構わない。また、自動運転とは、加減速制御、横位置制御などのいずれかの制御が実行されている状態であればよい。また、本実施形態における手動運転とは、例えば、ブレーキ、アクセル、ステアリングを乗員が操作している状態を指す。

センサ１０は、自車両に搭載され、自車両の周囲の物体を検出する装置である。センサ１０は、ライダ、レーダ、ミリ波レーダ、レーザレンジファインダ、ソナーなどを含む。センサ１０は、自車両の周囲の物体として、他車両、バイク、自転車、歩行者を含む移動物体、及び、障害物、落下物、駐車車両を含む静止物体を検出する。また、センサ１０は、移動物体及び静止物体の自車両に対する位置、姿勢（ヨー角）、大きさ、速度、加速度、減速度、ヨーレートを検出する。また、センサ１０は、車輪速センサ、操舵角センサ、及びジャイロセンサなどを含んでもよい。センサ１０は、検出した情報をコントローラ２０に出力する。

本実施形態では、センサ１０は、ライダまたはレーダとして説明する。ライダまたはレーダは、電波を物体に向けて走査し、その反射波を測定することにより、物体までの距離や方向を測定する。また、ライダまたはレーダは、物体のポイントクラウドを検出点として取得する。ポイントクラウドとは、コントローラ２０が処理する点の集合である。通常、ポイントクラウドは、３次元座標（ｘ、ｙ、ｚ）で表現される。なお、物体のポイントクラウドを取得する方法は、ライダまたはレーダに限定されない。例えば、カメラ画像からそれぞれ周囲の画素と区別可能な特徴を持つ画素をポイントクラウドとして取得する方法が挙げられる。この方法には、例えば非特許文献「Jianbo Shi and Carlo Tomasi, "Good Features to Track," 1994 IEEE Conference on Computer Vision and Pattern Recognition (CVPR'94), 1994, pp.593 - 600.」に記載の方法が用いられる。

地図データベース１１は、カーナビゲーション装置などに記憶されているデータベースであって、道路情報、施設情報など経路案内に必要となる各種データが記憶されている。また、地図データベース１１には、道路の構造、道路の車線数、車線の位置、道路境界線、物標などの情報が記憶されている。地図データベース１１は、コントローラ２０の要求に応じて地図情報をコントローラ２０に出力する。なお、道路情報、物標情報などの各種データは必ずしも地図データベース１１から取得されるものに限定されず、センサ１０により取得されてもよく、また車車間通信、路車間通信を用いて取得されてもよい。また、道路情報、物標情報などの各種データが外部に設置されたサーバに記憶されている場合、コントローラ２０は、通信により随時これらのデータをサーバから取得してもよい。また、コントローラ２０は、外部に設置されたサーバから定期的に最新の地図情報を入手して、保有する地図情報を更新してもよい。

ＧＰＳ受信機１２は、人工衛星からの電波を受信することにより、地上における自車両の位置（以下、自己位置と称する場合がある）及び自車両の姿勢を検出する。ＧＰＳ受信機１２は、検出した自車両の位置情報及び姿勢情報をコントローラ２０に出力する。

コントローラ２０は、ＣＰＵ（中央処理装置）、メモリ、及び入出力部を備える汎用のマイクロコンピュータである。マイクロコンピュータには、物体認識装置１として機能させるためのコンピュータプログラムがインストールされている。コンピュータプログラムを実行することにより、マイクロコンピュータは、物体認識装置１が備える複数の情報処理回路として機能する。なお、ここでは、ソフトウェアによって物体認識装置１が備える複数の情報処理回路を実現する例を示すが、もちろん、以下に示す各情報処理を実行するための専用のハードウェアを用意して、情報処理回路を構成することも可能である。また、複数の情報処理回路を個別のハードウェアにより構成してもよい。コントローラ２０は、複数の情報処理回路として、軌道推定部２１と、抽出部２２と、追跡部２３と、相対速度算出部２４と、運転支援部２５と、を備える。

軌道推定部２１は、自己位置及び自車両の姿勢を用いて、自車両が将来進む軌道を推定する。

抽出部２２は、センサ１０によって検出された検出点の中から、自車両に最も近い検出点を抽出する。

追跡部２３は、抽出部２２によって抽出された自車両に最も近い検出点を追跡する。また、追跡部２３は、追跡結果に基づいて自車両に最も近い検出点の速度ベクトルを算出する。

相対速度算出部２４は、追跡部２３によって算出された速度ベクトルを用いて自車両に対する物体の相対速度を算出する。

運転支援部２５は、相対速度算出部２４によって算出された相対速度と、自車両に最も近い検出点までの距離Ｌに基づいて運転支援を行う。運転支援部２５は、スピーカ３１またはディスプレイ３２を介して乗員に報知したり、アクチュエータ３０を制御したりする。なお、アクチュエータ３０には、ブレーキアクチュエータ、アクセルアクチュエータ、ステアリングアクチュエータなどが含まれる。

次に、図２～図７を参照して、物体認識装置１の一動作例を説明する。

図２に示すステップＳ１０１において、センサ１０は、自車両４０の周囲の物体（図３に示す停止車両４１）を検出する。図３に示す停止車両４１は、自車両４０の前方に位置し、停止している。センサ１０は、停止車両４１の表面上にある複数の検出点を検出する。なお、図３に示す例では、説明の都合上、一つの検出点６０が図示されているが、実際には停止車両４１の表面上において複数の検出点が検出される。複数の検出点については後述する。なお、複数の検出点は、一つの物体の表面上にある複数の検出点を意味する場合と、自車両４０の周囲の様々な物体の検出点を意味する場合がある。

処理はステップ１０３に進み、ＧＰＳ受信機１２は、自己位置及び自車両４０の姿勢を検出する。

処理はステップ１０５に進み、コントローラ２０は、自己位置と、自車両４０の姿勢と、地図データベース１１とを用いて、自車両４０が走行している車線を取得する。なお、以下では、自車両４０が走行している車線を単に自車線という。本実施形態に係る物体認識装置１は、図３に示すカーブのように、自車両４０に大きなヨーレートが発生するシーンで適用されるものとして説明する。自車両４０に大きなヨーレートが発生するシーンには、カーブ、交差点の右折（左折）などが含まれる。もちろん、本実施形態に係る物体認識装置１は、自車両４０に大きなヨーレートが発生するシーン以外に適用されてもよい。

処理はステップ１０７に進み、軌道推定部２１は、自己位置及び自車両４０の姿勢を用いて、自車線上における自車両４０が将来進む軌道５０を推定する（図３参照）。軌道５０は、一例として、図３に示すように、自車線の中心を通る。

処理はステップＳ１０９に進み、抽出部２２は、自車両４０に最も近い検出点を抽出する。自車両４０に最も近い検出点について図４を参照して説明する。図４に示すように、センサ１０は、自車両４０の周囲において複数の検出点７０～７３を検出する。これらの検出点には、自車両４０の走行に関係する検出点と、自車両４０の走行に関係しない検出点が含まれる。一例として、自車線上で検出された検出点は、自車両４０の走行に関係する検出点と判断され、自車線から離れた位置で検出された検出点は、自車両４０の走行に関係しない検出点と判断される。

検出点７０～７３の中から、自車両４０の走行に関係しない検出点は、ノイズとして除去されることが求められる。その方法の一例として、検出点から軌道５０までの距離を用いる方法が考えられる。理由は、検出点から軌道５０までの距離が短いほど、その検出点は自車両４０の走行に関係する検出点である可能性が高いからである。換言すれば、検出点から軌道５０までの距離が長いほど、その検出点は自車両４０の走行に関係する検出点である可能性は低い。

そこで、抽出部２２は、図４に示すように検出点７０～７３から、軌道５０に向かってそれぞれ垂線を引く。抽出部２２は、垂線の長さ８０～８３と、所定値とを比較する。本実施形態において、長さ８０は、所定値より長く、長さ８１～８３は、所定値以下である。この場合、抽出部２２は、長さ８１～８３の中から、最も短い距離を選択する。つまり、抽出部２２は、検出点７１～７３の中から、軌道５０までの距離が最も短い検出点を抽出する。軌道５０までの距離が最も短い検出点が、自車両４０に最も近い検出点である。図４に示す例では、検出点７１が自車両４０に最も近い検出点である。なお、所定値と比較する理由は、所定値より長い場所に位置する検出点７０は、自車両４０の走行に関係しない検出点であり、このような検出点７０を除去するためである。

処理はステップＳ１１１に進み、追跡部２３は、ステップＳ１０９で抽出された自車両４０に最も近い検出点を追跡する。自車両４０に最も近い検出点の追跡について図５を参照して説明する。図５に示すように、時刻ｔにおいて、センサ１０は、停止車両４１の表面上にある複数の検出点を検出する。なお、図５に示す例では、説明の都合上、一つの検出点６０が図示されているが、実際には停止車両４１の表面上において複数の検出点が検出される。抽出部２２は、軌道５０までの距離が最も短い検出点６０を、自車両４０に最も近い検出点として抽出する。つまり、時刻ｔにおいて、検出点６０は自車両４０に最も近い検出点である。

時間は進み、時刻ｔ＋１において、図５に示すように、自車両４０は少し進み、停止車両４１は停止したままである。時刻ｔ＋１において、センサ１０は、停止車両４１の表面上にある複数の検出点（検出点６０、６１、６２）を検出する。抽出部２２は、検出点６０、６１、６２の中から、軌道５０までの距離が最も短い検出点６２を、自車両４０に最も近い検出点として抽出する。

時刻ｔにおいて、自車両４０に最も近い検出点は検出点６０であり、時刻ｔ＋１において、自車両４０に最も近い検出点は検出点６２である。追跡部２３は、時間が時刻ｔから時刻ｔ＋１に進んだ場合、検出点６０、検出点６２の順に追跡する。図６に示すように、追跡部２３が検出点６０、検出点６２の順に追跡した結果、検出点６０から検出点６２に向かう速度ベクトル９０が得られる。つまり、追跡部２３は、検出点６０及び検出点６２の位置の時間変化（検出点６０から検出点６２への推移）から、自車両４０に最も近い検出点の速度ベクトルを算出する。

処理はステップＳ１１３に進み、相対速度算出部２４は、図７に示すように、ステップ１１１で算出された速度ベクトル９０を、軌道５０の接線方向の速度成分Ｖｔ及び法線方向の速度成分Ｖｎに分解する。そして、相対速度算出部２４は、速度成分Ｖｔを自車両４０に対する停止車両４１の相対速度として算出する。

処理はステップＳ１１５に進み、運転支援部２５は、ステップ１１３で算出された相対速度と、自車両４０に最も近い検出点までの距離Ｌ（図４参照）に基づいて運転支援を行う。例えば、相対速度と距離Ｌから算出されるＴＴＣ（Ｔｉｍｅ Ｔｏ Ｃｏｌｌｉｓｉｏｎ）が所定値より小さい場合、運転支援部２５は、スピーカ３１またはディスプレイ３２を介して乗員に報知したり、アクチュエータ３０を制御して減速を行ったりする。

処理はステップＳ１１７に進み、自車両４０の乗員が、イグニッションをオフした場合（ステップＳ１１７でＹｅｓ）、一連の処理は終了する。ユーザが、イグニッションをオフしていない場合（ステップＳ１１７でＮｏ）、処理はステップＳ１０１に戻る。なお、本実施形態におけるイグニッションのオフは、自車両４０の停止、自車両４０の電源システムの停止を含む。イグニッションのオフは、自車両４０の車室内に設けられたイグニッションスイッチをオフすることによって実現されてもよく、自車両４０の車室内に設けられた電源システムスイッチをオフすることによって実現されてもよい。

（作用効果）
以上説明したように、第１実施形態に係る物体認識装置１によれば、以下の作用効果が得られる。

物体認識装置１は、自己位置及び自車両４０の姿勢を用いて、自車線上における自車両４０が将来進む軌道５０を推定する（図３参照）。物体認識装置１は、第１の時刻（図５に示す時刻ｔ）において、センサ１０を用いて複数の第１の検出点（図５に示す検出点６０）を検出する。物体認識装置１は、第１の時刻とは異なる第２の時刻（図５に示す時刻ｔ＋１）においてセンサ１０を用いて複数の第２の検出点（図５に示す検出点６０～６２）を検出する。物体認識装置１は、複数の第１の検出点の位置及び軌道５０を用いて、複数の第１の検出点の中から、自車両４０に最も近い第１の検出点（図５に示す検出点６０）を抽出する。物体認識装置１は、複数の第２の検出点の位置及び軌道５０を用いて、複数の第２の検出点の中から、自車両４０に最も近い第２の検出点（図５に示す検出点６２）を抽出する。物体認識装置１は、抽出された自車両４０に最も近い第１の検出点及び自車両４０に最も近い第２の検出点の位置の時間変化から、自車両４０に最も近い検出点の速度ベクトル９０を算出する（図６参照）。物体認識装置１は、速度ベクトル９０を軌道５０の接線方向の速度成分Ｖｔ及び法線方向の速度成分Ｖｎに分解する。物体認識装置１は、接線方向の速度成分Ｖｔを自車両４０に対する停止車両４１の相対速度として算出する。これにより物体認識装置１は、自車両４０から見た停止車両４１の見え方が大きく変化するシーン（自車両に大きなヨーレートが発生するシーン）において、停止車両４１の速度を精度よく算出することができる。もちろん、物体認識装置１が検出する物体は、停止車両４１に限定されない。物体認識装置１は、停止していない車両の速度も、同様の方法により精度よく算出することができる。

また、物体認識装置１は、複数の検出点７０～７３から軌道５０に向かってそれぞれ垂線を引き、垂線の長さ８０～８３が所定値以下の検出点の中から自車両４０に最も近い検出点を抽出する（図４参照）。図４において、長さ８１～８３が、所定値以下である。物体認識装置１は、長さ８１～８３に対応する検出点７１～７３の中から自車両４０に最も近い検出点を抽出する。このように軌道５０から所定の範囲内の検出点のみ用いられるため、自車両４０の走行に関係する物体のみ抽出される。

また、物体認識装置１は、垂線の長さが最も短い検出点を自車両４０に最も近い検出点として抽出する。図４において、垂線の長さ８１が最も短い検出点７１が自車両４０に最も近い検出点である。これにより、物体認識装置１は、道路形状が複雑であっても、精度よく物体を追跡することができる。

また、物体認識装置１は、地図データベース１１と、自己位置とに基づいて、軌道５０を算出する。これにより、物体認識装置１は、高精度な軌道５０を遠方まで設定することができる。これにより、物体認識装置１は、より早期に物体を認識することができる。

（第２の実施形態）
（物体認識装置２の構成例）
次に、図８～図９を参照して、本発明の第２実施形態について説明する。第１実施形態と重複する構成については符号を引用してその説明は省略する。以下、相違点を中心に説明する。

図８に示すように、第２実施形態に係る物体認識装置２は、カメラ１３と、クラスタ抽出部２６をさらに備える。

カメラ１３は、自車両４０に搭載され、自車両４０の周囲を撮影する。カメラ１３は、ＣＣＤ（ｃｈａｒｇｅ－ｃｏｕｐｌｅｄ ｄｅｖｉｃｅ）やＣＭＯＳ（ｃｏｍｐｌｅｍｅｎｔａｒｙ ｍｅｔａｌ ｏｘｉｄｅ ｓｅｍｉｃｏｎｄｕｃｔｏｒ）などの撮像素子を有する。カメラ１３は、画像処理機能を有しており、撮像した画像（カメラ画像）から白線、道路境界線、道路端、物標（例えば縁石）などを検出する。

クラスタ抽出部２６は、複数の検出点をクラスタ（物体）として抽出する。このような方法は、クラスタリングと呼ばれる。クラスタ抽出部２６は、一例として、複数の検出点の中から、２点間の距離が所定値以下の検出点をクラスタリングする。図５に示す例では、時刻ｔ＋１において、検出点６０～６２がクラスタリングされ、停止車両４１を示すクラスタとして抽出される。

次に、図９のフローチャートを参照して、物体認識装置２の一動作例を説明する。

ステップＳ２０１～２０３、２０７、２１３～２１９は、図２に示すステップＳ１０１～１０３、１０７、１１１～１１７と同じため、説明を省略する。

ステップＳ２０５において、コントローラ２０は、自己位置と、カメラ画像とを用いて、自車両４０が走行している車線（自車線）を取得する。第２実施形態において、コントローラ２０は、地図データベース１１の代わりにカメラ画像を用いて自車線を取得するため、道路構造が地図データベース１１に反映されていない地域であっても、自車線を取得できる。

ステップＳ２０９において、クラスタ抽出部２６は、ステップＳ２０１で検出された複数の検出点の中から、第１実施形態と同様に軌道５０までの距離が所定値以下の検出点を抽出する。このように抽出された検出点の中から、クラスタ抽出部２６は、２点間の距離が所定値以下の検出点をクラスタリングする。これにより、クラスタ抽出部２６は、軌道５０に近接するクラスタを抽出することができる。

ステップＳ２１１において、抽出部２２は、ステップＳ２０９で抽出されたクラスタに含まれる検出点の中から、軌道５０までの距離が最も短い検出点を自車両４０に最も近い検出点として抽出する。

（作用効果）
以上説明したように、第２実施形態に係る物体認識装置２によれば、以下の作用効果が得られる。

物体認識装置２は、第１実施形態と同様に複数の検出点から軌道５０に向かってそれぞれ垂線を引き、垂線の長さが所定値以下の検出点を抽出する。このように抽出された検出点の中から、物体認識装置２は、２点間の距離が所定値以下の検出点をクラスタリングする。これにより、物体認識装置２は、軌道５０に近接するクラスタを抽出することができる。そして、物体認識装置２は、クラスタリングされたクラスタに含まれる検出点の中から、軌道５０までの距離が最も短い検出点を自車両４０に最も近い検出点として抽出する。このように、物体認識装置２は、検出点をクラスタリングした後に、自車両４０に最も近い検出点を抽出するため、ノイズを除去することができ、精度よく物体を認識することができる。

物体認識装置２は、カメラ１３によって取得された自車両４０の前方の道路構造に基づいて、軌道５０を算出する。これにより、物体認識装置２は、道路構造が地図データベース１１に反映されていない地域であっても、自車線を取得できる。

上述の実施形態に記載される各機能は、１または複数の処理回路により実装され得る。処理回路は、電気回路を含む処理装置等のプログラムされた処理装置を含む。処理回路は、また、記載された機能を実行するようにアレンジされた特定用途向け集積回路（ＡＳＩＣ）や回路部品等の装置を含む。また、物体認識装置１及び物体認識装置２は、コンピュータの機能を改善しうる。

上記のように、本発明の実施形態を記載したが、この開示の一部をなす論述及び図面はこの発明を限定するものであると理解すべきではない。この開示から当業者には様々な代替実施の形態、実施例及び運用技術が明らかとなろう。

１、２ 物体認識装置
１０ センサ
１１ 地図データベース
１２ ＧＰＳ受信機
１３ カメラ
２０ コントローラ
２１ 軌道推定部
２２ 抽出部
２３ 追跡部
２４ 相対速度算出部
２５ 運転支援部
２６ クラスタ抽出部
３０ アクチュエータ
３１ スピーカ
３２ ディスプレイ

Claims (7)

1. 自車両に搭載されたセンサを用いて、前記自車両の周囲の物体の表面上にある複数の検出点を検出し、前記センサによって検出された前記複数の検出点を用いて前記物体を認識する物体認識方法であって、
   前記自車両が将来進む軌道を推定し、
   第１の時刻において前記センサを用いて前記複数の第１の検出点を検出し、
   前記第１の時刻とは異なる第２の時刻において前記センサを用いて複数の第２の検出点を検出し、
   前記複数の第１の検出点から前記軌道までの距離を用いて、前記複数の第１の検出点の中から、前記軌道までの距離が最も短い検出点である前記自車両に最も近い第１の検出点を抽出し、
   前記複数の第２の検出点から前記軌道までの距離を用いて、前記複数の第２の検出点の中から、前記軌道までの距離が最も短い検出点である前記自車両に最も近い第２の検出点を抽出し、
   抽出された前記自車両に最も近い前記第１の検出点及び前記自車両に最も近い前記第２の検出点の位置の時間変化から、前記自車両に最も近い検出点の速度ベクトルを算出し、
   前記速度ベクトルを前記軌道の接線方向の速度成分及び法線方向の速度成分に分解し、
   前記接線方向の速度成分を前記自車両に対する前記物体の相対速度として算出する
   ことを特徴とする物体認識方法。
2. 前記複数の検出点から前記軌道に向かってそれぞれ垂線を引き、
   前記垂線の長さが所定値以下の検出点の中から前記自車両に最も近い検出点を抽出する
   ことを特徴とする請求項１に記載の物体認識方法。
3. 前記垂線の長さが最も短い検出点を前記自車両に最も近い検出点として抽出する
   ことを特徴とする請求項２に記載の物体認識方法。
4. 前記複数の検出点から前記軌道に向かってそれぞれ垂線を引き、
   前記垂線の長さが所定値以下の検出点の中から、２点間の距離が所定値以下の検出点をクラスタリングし、
   クラスタリングされたクラスタに含まれる検出点の中から、前記自車両に最も近い検出点を抽出する
   ことを特徴とする請求項１～３のいずれか１項に記載の物体認識方法。
5. 地図データベースと、前記自車両の位置とに基づいて、前記軌道を算出する
   ことを特徴とする請求項１～４のいずれか１項に記載の物体認識方法。
6. 前記自車両に搭載されたカメラによって取得された、前記自車両の前方の道路構造に基づいて、前記軌道を算出する
   ことを特徴とする請求項１～４のいずれか１項に記載の物体認識方法。
7. 自車両に搭載されたセンサを用いて、前記自車両の周囲の物体の表面上にある複数の検出点を検出し、前記センサによって検出された前記複数の検出点を用いて前記物体を認識するコントローラを備える物体認識装置であって、
   前記コントローラは、
   前記自車両が将来進む軌道を推定し、
   第１の時刻において前記センサを用いて前記複数の第１の検出点を検出し、
   前記第１の時刻とは異なる第２の時刻において前記センサを用いて複数の第２の検出点を検出し、
   前記複数の第１の検出点から前記軌道までの距離を用いて、前記複数の第１の検出点の中から、前記軌道までの距離が最も短い検出点である前記自車両に最も近い第１の検出点を抽出し、
   前記複数の第２の検出点から前記軌道までの距離を用いて、前記複数の第２の検出点の中から、前記軌道までの距離が最も短い検出点である前記自車両に最も近い第２の検出点を抽出し、
   抽出された前記自車両に最も近い前記第１の検出点及び前記自車両に最も近い前記第２の検出点の位置の時間変化から、前記自車両に最も近い検出点の速度ベクトルを算出し、
   前記速度ベクトルを前記軌道の接線方向の速度成分及び法線方向の速度成分に分解し、
   前記接線方向の速度成分を前記自車両に対する前記物体の相対速度として算出する
   ことを特徴とする物体認識装置。

Images