5．付 録 遠心校正装置に内蔵された信号変換器の評価方法について 説明する．通常，遠心校正装置は定期的に円盤の回転を停止 させた状態で標準ひずみ発生器もしくは電圧発生器を用いて ひずみ信号もしくは電圧信号を入力し信号変換器の校正を行 い，精度管理が図られている．今回，遠心校正装置を所有す る各参加機関先でラウンドロビンテストを実施する際，特別 に製作されたひずみ発生器を用いて回転中の信号変換器の評 価を行った．ひずみ発生器の出力は直接回転中の信号変換器 に入力されるため，加速度計校正時と同じ条件で評価するこ とができる．ひずみ発生器から出力されるひずみ値は，トレ ーサビリティの取得された計測器で保証されたものとなって いる．ひずみ発生器による既知のひずみ値に対して，各参加 機関先における遠心校正装置の信号変換器の電圧偏差をまと めると，以下の通りであった． Input strain
（×10-6） Deviation from input strain （％） -1489 -0.07～0.15 1498 -0.16～0.03 -18349 -0.03～0.25 18349 -0.03～0.01 各参加機関における遠心校正装置の信号変換器のGain Participants ASD-B-1KV 7264C-2000 KYOWA ×200 ×20 TTDC ×200 ×20 JARI ×200 ×20 NICS ×400 ×20 参 考 文 献 (1) 野里英明：ノンダンピング型加速度計の周波数特性とリニ アリティに関する研究，自動車技術会論文集，Vol.45， No.3，ｐ.547-552 (2014)
(2) ISO 5347-7，Methods for the calibration of vibration and shock pick-ups – Part 7: Primary calibration by centrifuge
(3) ISO 16063-13，Methods for the calibration of vibration and shock transducers: Part 13. Primary shock calibration using laser interferometry (4) 野里英明：衝撃加速度を用いた加速度計校正のラウンドロ ビンテスト -国家標準にトレーサブルな衝撃加速度校正 装置の開発-， 精密工学会誌， Vol.77， No.8， p.800-806 (2011) (5) JIS Z 8405 試験所間比較による技能試験のための統計的方 法 (2008)
(6) ISO 17025， General requirements for the competence of testing calibration laboratories (2005)
(7) ISO 6487， Road vehicles – Measurement techniques in impact tests – Instrumentation (2012)
カメラの白線検知と地図の道路曲率を用いた走行車線位置判定
今井 正人）坂田 雅男）Driving Lane Evaluation Using Camera and Map Data
Masato Imai Masao SakataIdentifying the vehicle’s position on the multi-lane roads is necessary for the route guidance system. The basic method to figure out the running lane is to detect the lane change behavior by using cameras. When the vehicle runs on the roads with unclear lane markings, a yaw rate sensor is useful to detect the lane change maneuver. But through the curve, it is difficult for the system to distinguish turning maneuver and lane-change maneuver only from the yaw rate sensor's signal. To distinguish those two maneuvers, we used the radius of road curvature from the map data additionally.
KEY WORDS : Safety, Intelligent vehicle, Road environment recognition, Road Curvature (C1)
．ま え が き 近年における情報処理技術やエレクトロニクス技術の発展 に伴い，,76（高度道路交通システム）における運転支援技術 が注目を集めるようになった．将来的には，,76 環境下におい ては高度な運転支援システムによって経路誘導を行い，目的 地まで安全に到着できる自動運転が実現できるようになると 考えられる．しかし，自動車を取り巻く環境は複雑であり， このようなシステムを実現するためには，自車周辺の道路環 境を正確に認識して適切な運転支援を行う必要がある．すな わち，高精度な自車位置の取得と高度な自車周辺のセンシン グ技術がキーとなる． 道路単位で自車位置を推定している現状のカーナビゲーシ ョンシステム（以下，ナビ）においては，自車が走行中の車 線位置が分かることで経路案内の自由度が増し，ユーザに分 かりやすく情報を提示することが可能となる．また，自動運 転の実現のために必須となる経路誘導機能においては，自車 が走行中の車線位置を正確に把握する必要がある． 自車が走行中の車線位置を判定するためには，地図情報（車 線数，車線幅など）と白線情報（線種，自車との位置関係な ど）が必要である．この白線情報を取得する手法としては車 載カメラで撮影された画像を処理する手法が一般的であり， 従来から様々な手法が提案されている ．また，これら の情報から自車が走行中の車線位置を判定する手法が提案さ れている が，これらの手法は，白線が正しく検知できて いることが条件となっている．実際には白線がかすれて見え にくい場所，夜間や天候状態ではカメラで検出することが困 難な状況があるため，車線位置の判定が不安定になる場合が あった． 本報告では，車両の慣性センサを用いて自車の挙動を計算 する自律航法を用いて，白線が検知できない場所での自車位 置を補完し車線位置を判定する手法を提案し，評価実験を行 った．また，廉価なシステムにも適用可能とするため，駐車 支援用に普及しつつあるリアカメラを用いた構成とした． ．走行車線位置判定 システム構成と課題 図 に本システムの構成図を示す．本システムは，左右白 線までの距離をリアカメラから，ヨーレートをヨーレートセ ンサから，車速を車輪速センサからそれぞれ &$1（&RQWUROOHU $UHD1HWZRUN）経由でナビに取り込む構成としている．そし て，ナビ内のロケータに走行車線位置判定ロジックを実装し， 地図情報から道路曲率，車線数，車線幅を取り込む構成とす る．さらに，判定した車線位置を外部に出力可能な構成とす ることで，$'$6（先進運転支援システム）コントローラ（例 えば，自動運転用コントローラ等）で車線位置の情報が利用 可能となる．
Fig.1 System configuration diagram 年 月 日受理． 年 月 日自動車技術会秋季 学術講演会において発表． 株 日立製作所 茨城県ひたちなか市堀口 ）クラリオン 株 埼玉県さいたま市中央区新都心
＊
次に，本システムの課題について説明する．図 に白線検 知と自律航法を組合せた車線判定方式の概要を示す．基本的 にはカメラで検知した白線までの距離の情報を用いて自車の 走行車線を判定する方式であり，白線が検知できない区間は 自律航法を用いて軌跡を外挿することで連続性が確保できる． しかし，自律航法は車速と方位変化から軌跡を算出するため， 以下 つの課題を有する． （ⅰ）方位変化が道路形状によるものか車線変更によるもの かの区別ができなく，カーブでの車線変更が対応困難 （ⅱ）自律航法で求める自車位置は積分値となるために，位 置と方位を適宜初期化する必要がある 前者に関して具体的には，図 に示す状況でどちらも同じ軌 跡を描く場合，自律航法の情報のみでは自車が道路に沿って 走行しているのか，車線変更（意図して横方向に移動）して いるのかの判断が困難である． 図 において，区間 $% で白線を検知できなくなった（白線 をロストした）場合，地点 $ まではカメラで検知した白線ま での距離の情報で道路端までの距離を求め，地点 $ において 自律航法の位置と方位を初期化して区間 $% の軌跡を自律走行 で外挿するのだが，道路が右カーブのために単純に自律航法 の軌跡で外挿すると下グラフの点線のようになり，元の右車 線に戻ってしまう．実際には下グラフの破線のように自律航 法で外挿して左車線に車線変更後に地点 % で白線検知結果に つなげることが望ましいが，道路形状が不明であると単純な 自律航法での外挿を用いた車線位置の判定は困難である． 上記 つの課題に対して，（ⅰ）に関しては 節にて， （ⅱ）に関しては 節でそれぞれ解決策を述べる．
Fig.2 The conventional judgment of the driving lane
Fig.3 Problem of dead reckoning 方位変化の判別方法 自律航法を用いてカーブでの車線内位置を求めるために，ヨ ーレートセンサから出力される方位変化に地図の道路曲率を 利用した補正項を加えて車線内方位（車線に対して接線方向 を 度，時計回りをプラス方向とする）を推定する．そして， この車線内方位と車速を用いた自律航法により軌跡を演算す ることで，車線内位置（道路端からの距離）を求めることが できる． 図 を用いて，カーブにおける車線内方位について説明する． 図 （D）において，初期方位θNが でそのまま直進すると車 線内方位が徐々にマイナス方向にずれていき，車線内位置も カーブの外側の方へとずれていく．一方，図 （E）において は，道路に沿って走行しているため，車線内方位も車線内位 置もずれていない．具体的には，微小時間ΔW後の車線内方位 θNは，初期方位θN，ヨーレートω，ΔWの間に進む距離&， 道路の曲率半径5（右カーブがプラス）を用いて（）式で計 算できる．
R
C
t
k k
1 （） ここで，&5 が車線内方位を求めるための補正項であり， ΔWの間に変化する角度ψに相当する（ψ&5）．したがって， 図 （D）では，初期方位θNおよびヨーレートωが のため， ΔW後のθNは（）式のように－ψとなり，図 （E）では， 初期方位θNが ，ヨーレートω（ ψΔW）を展開してΔW後 のθNは（）式のように となる．
k1
k
t
C
R
0
0
t
C
R
（）0
0
1
t
C
R
t
R
C
R
C
t
k k
（） 以上のように，地図の道路曲率を利用することでカーブにお ける車線内の方位を求めることができ，この車線内方位と車 速を用いた自律航法により車線内位置が計測可能となる．(a)Straight path (b)Turning path Fig.4 The direction on corners 走行車線位置判定ロジック ここでは，カメラで検知した白線までの距離と地図の道路 曲率を利用した自律航法を用いて車線内位置を計測し，自車 が走行している車線位置を判定する方法を説明する． まず，図 において言葉（変数名など）を定義する．自車 の進行方向は図面上右で，カメラの測定点（白線までの距離 を計測する位置；車両より所定距離後方）を $ とする．この カメラ測定点 $ で計測される左右の白線までの距離をそれぞ れG，Gとし，同点における車線内方位を
ˆ
とする．また， 実際に計測したい地点はリアカメラ測定点 $ から手前に(だ けずらした地点（例えばナビ本体まで）であり，この地点で の道路左端の白線からの距離を横位置yˆ
とする．さらに，車 線幅をZとし，車線位置/は一番左車線を ，左から 番目の 車線を ，左から 番目の車線を ，･･･と定義する．なお， これらの定義は日本など左側通行の地域を前提としており， 米国などの右側通行の地域においては道路右端の白線からの 距離を横位置yˆ
とし，車線位置/は一番右車線を ，･･･と定 義する．Fig.5 Variable definition
次に，図 の機能ブロック図を用いて車線判定ロジックを 説明する．カメラから左右白線までの距離 G，Gを，車速セ ンサで検出した車速から単位時間あたりの走行距離& を，ヨ ーレートセンサからヨーレートωを，ナビから道路の曲率半 径5，車線数，車線幅Zの各情報を入力し，車線内方位
ˆ
，横 位置yˆ
を演算して車線位置/を判定する構成とした．ここで，Fig.6 Functional block diagram
方位推定と横位置推定にカルマンフィルタを用いているが， これはカメラと自律航法のそれぞれの誤差による影響を最小 化するためである．各ブロックの詳細を以下で説明する． ①方位演算 ここでは，カメラから入力される左右白線までの距離G， Gに基づいて車線内方位φ/，φ5を演算する．具体的には， 左右白線までの距離G，Gを過去複数個記憶し，直線回帰（最 小二乗法）にて傾きを求める．なお，ヨーレートωは，過大 な方位変化が発生した場合に計算を抑制するために用いる． ②方位推定 カルマンフィルタ 車線内方位
ˆ
と①で求めた車線内方位φ/，φ5との関係は， ヨーレートωの積分にカーブに対応した補正項を加えると， （）式および（）式でモデル化できる． k k k k k k1
t
C
R
v
1
（4）
k k k k kr
w
l
w
R
L
1
1
1
1
（5） ただし，ΔWは演算周期，&はΔWの間に進む距離，5は曲 率半径，Yはモデル誤差（ωの積分誤差，&の演算誤差など）， ZOとZUはカメラ方位誤差である．これにカルマンフィルタ を適用すると，予測の漸化式は（）式と（）式で，更新の 漸化式は（）式～（）式で表せる． k k k k k k k
t
C
R
ˆ
\ 1ˆ
1\ 1 （6） k k k k kP
V
P
ˆ
1
\ 1
ˆ
1
1\ 1
1
（7）
\ 1
1 1 \1
ˆ
1
1
1
1
1
1
1
1
ˆ
1
kk kk k kP
P
W
K
（8）
\1 \ 1 \1
ˆ
1
1
ˆ
ˆ
kk k k k k k k kR
L
K
（9）次に，本システムの課題について説明する．図 に白線検 知と自律航法を組合せた車線判定方式の概要を示す．基本的 にはカメラで検知した白線までの距離の情報を用いて自車の 走行車線を判定する方式であり，白線が検知できない区間は 自律航法を用いて軌跡を外挿することで連続性が確保できる． しかし，自律航法は車速と方位変化から軌跡を算出するため， 以下 つの課題を有する． （ⅰ）方位変化が道路形状によるものか車線変更によるもの かの区別ができなく，カーブでの車線変更が対応困難 （ⅱ）自律航法で求める自車位置は積分値となるために，位 置と方位を適宜初期化する必要がある 前者に関して具体的には，図 に示す状況でどちらも同じ軌 跡を描く場合，自律航法の情報のみでは自車が道路に沿って 走行しているのか，車線変更（意図して横方向に移動）して いるのかの判断が困難である． 図 において，区間 $% で白線を検知できなくなった（白線 をロストした）場合，地点 $ まではカメラで検知した白線ま での距離の情報で道路端までの距離を求め，地点 $ において 自律航法の位置と方位を初期化して区間 $% の軌跡を自律走行 で外挿するのだが，道路が右カーブのために単純に自律航法 の軌跡で外挿すると下グラフの点線のようになり，元の右車 線に戻ってしまう．実際には下グラフの破線のように自律航 法で外挿して左車線に車線変更後に地点 % で白線検知結果に つなげることが望ましいが，道路形状が不明であると単純な 自律航法での外挿を用いた車線位置の判定は困難である． 上記 つの課題に対して，（ⅰ）に関しては 節にて， （ⅱ）に関しては 節でそれぞれ解決策を述べる．
Fig.2 The conventional judgment of the driving lane
Fig.3 Problem of dead reckoning 方位変化の判別方法 自律航法を用いてカーブでの車線内位置を求めるために，ヨ ーレートセンサから出力される方位変化に地図の道路曲率を 利用した補正項を加えて車線内方位（車線に対して接線方向 を 度，時計回りをプラス方向とする）を推定する．そして， この車線内方位と車速を用いた自律航法により軌跡を演算す ることで，車線内位置（道路端からの距離）を求めることが できる． 図 を用いて，カーブにおける車線内方位について説明する． 図 （D）において，初期方位θNが でそのまま直進すると車 線内方位が徐々にマイナス方向にずれていき，車線内位置も カーブの外側の方へとずれていく．一方，図 （E）において は，道路に沿って走行しているため，車線内方位も車線内位 置もずれていない．具体的には，微小時間ΔW後の車線内方位 θNは，初期方位θN，ヨーレートω，ΔWの間に進む距離&， 道路の曲率半径5（右カーブがプラス）を用いて（）式で計 算できる．
R
C
t
k k
1 （） ここで，&5 が車線内方位を求めるための補正項であり， ΔWの間に変化する角度ψに相当する（ψ&5）．したがって， 図 （D）では，初期方位θNおよびヨーレートωが のため， ΔW後のθNは（）式のように－ψとなり，図 （E）では， 初期方位θNが ，ヨーレートω（ ψΔW）を展開してΔW後 のθNは（）式のように となる．
k1
k
t
C
R
0
0
t
C
R
（）0
0
1
t
C
R
t
R
C
R
C
t
k k
（） 以上のように，地図の道路曲率を利用することでカーブにお ける車線内の方位を求めることができ，この車線内方位と車 速を用いた自律航法により車線内位置が計測可能となる．(a)Straight path (b)Turning path Fig.4 The direction on corners 走行車線位置判定ロジック ここでは，カメラで検知した白線までの距離と地図の道路 曲率を利用した自律航法を用いて車線内位置を計測し，自車 が走行している車線位置を判定する方法を説明する． まず，図 において言葉（変数名など）を定義する．自車 の進行方向は図面上右で，カメラの測定点（白線までの距離 を計測する位置；車両より所定距離後方）を $ とする．この カメラ測定点 $ で計測される左右の白線までの距離をそれぞ れG，Gとし，同点における車線内方位を
ˆ
とする．また， 実際に計測したい地点はリアカメラ測定点 $ から手前に(だ けずらした地点（例えばナビ本体まで）であり，この地点で の道路左端の白線からの距離を横位置yˆ
とする．さらに，車 線幅をZとし，車線位置/は一番左車線を ，左から 番目の 車線を ，左から 番目の車線を ，･･･と定義する．なお， これらの定義は日本など左側通行の地域を前提としており， 米国などの右側通行の地域においては道路右端の白線からの 距離を横位置yˆ
とし，車線位置/は一番右車線を ，･･･と定 義する．Fig.5 Variable definition
次に，図 の機能ブロック図を用いて車線判定ロジックを 説明する．カメラから左右白線までの距離 G，Gを，車速セ ンサで検出した車速から単位時間あたりの走行距離 &を，ヨ ーレートセンサからヨーレートωを，ナビから道路の曲率半 径5，車線数，車線幅Zの各情報を入力し，車線内方位
ˆ
，横 位置yˆ
を演算して車線位置/を判定する構成とした．ここで，Fig.6 Functional block diagram
方位推定と横位置推定にカルマンフィルタを用いているが， これはカメラと自律航法のそれぞれの誤差による影響を最小 化するためである．各ブロックの詳細を以下で説明する． ①方位演算 ここでは，カメラから入力される左右白線までの距離G， Gに基づいて車線内方位φ/，φ5を演算する．具体的には， 左右白線までの距離G，Gを過去複数個記憶し，直線回帰（最 小二乗法）にて傾きを求める．なお，ヨーレートωは，過大 な方位変化が発生した場合に計算を抑制するために用いる． ②方位推定 カルマンフィルタ 車線内方位
ˆ
と①で求めた車線内方位φ/，φ5との関係は， ヨーレートωの積分にカーブに対応した補正項を加えると， （）式および（）式でモデル化できる． k k k k k k1
t
C
R
v
1
（4）
k k k k kr
w
l
w
R
L
1
1
1
1
（5） ただし，ΔWは演算周期，&はΔWの間に進む距離，5は曲 率半径，Yはモデル誤差（ωの積分誤差，&の演算誤差など）， ZOとZUはカメラ方位誤差である．これにカルマンフィルタ を適用すると，予測の漸化式は（）式と（）式で，更新の 漸化式は（）式～（）式で表せる． k k k k k k k
t
C
R
ˆ
\ 1ˆ
1\ 1 （6） k k k k kP
V
P
ˆ
1
\ 1
ˆ
1
1\ 1
1
（7）
\ 1
1 1 \1
ˆ
1
1
1
1
1
1
1
1
ˆ
1
kk kk k kP
P
W
K
（8）
\1 \ 1 \1
ˆ
1
1
ˆ
ˆ
kk k k k k k k kR
L
K
（9）1 \ 1 \
1
ˆ
1
1
1
1
1
ˆ
k kk k kK
P
P
（10） ただし，9はYの分散，3は推定誤差の分散，:Oと:U はZOとZUの分散であり，
r
W
l
W
W
1
0
0
1
1
である． 以上により，車線内方位 k k \ˆ
の最適推定値 が求められる． ③測定点補正 ここでは，リアカメラで計測した白線までの距離を実際に 計測したい地点（ナビ本体の位置）に補正する．図 に示す ように，実際に計測したい地点での白線までの距離 'は，リ アカメラで計測した白線までの距離G，車線内方位θ，リアカ メラ測定点から実際に計測したい地点までの距離 (を用いて （）式で計算できる．
E
d
D
cos
tan
（11）Fig.7 Measurement point correction ④横位置演算 ここでは，③でリアカメラの測定点補正を行った後の左右 白線までの距離を，前回の車線判定結果（車線位置/）とナビ からの車線数，車線幅Zの情報を用いて横位置（道路左端の 白線までの距離）に変換する． ⑤横位置推定 カルマンフィルタ 自律航法とカメラによる横位置の関係は，（）式および （）式でモデル化できる． k k k k k
y
C
v
y
1
sin
2
（12）
k k k k kr
w
l
w
y
DR
DL
2
2
1
1
（13） ただし，ΔWは演算周期，Yはモデル誤差（&の演算誤差， θの演算誤差など），ZOとZUはカメラ横位置誤差である． これにカルマンフィルタを適用すると，予測の漸化式は（） 式と（）式で，更新の漸化式は（）式～（）式で表せ る． k k k k k ky
C
y
ˆ
\ 1
ˆ
1\ 1
sin
（14） k k k k kP
V
P
ˆ
2
\ 1
ˆ
2
1\ 1
2
（15）
\ 1
1 1 \1
ˆ
2
1
1
2
1
1
1
2
ˆ
2
kk kk k kP
P
W
K
（16）
\ 1 \ 1 \1
ˆ
1
2
ˆ
ˆ
kk k k k k k k kDR
y
DL
K
y
y
（17） 1 \ 1 \1
ˆ
2
1
2
1
2
ˆ
k kk k kK
P
P
（18） ただし，9はYの分散，3は推定誤差の分散，:Oと:U はZOとZUの分散であり，
r
W
l
W
W
2
0
0
2
2
である． 以上により，横位置の最適推定値 k ky
ˆ
\ が求められる． ⑥車線判定 ⑤で求めた横位置と，地図からの車線数，車線幅Zの情報 を用いて現在走行中の車線位置 /を求める．具体的には，横 位置yˆ
と車線幅Zの関係により，車線位置/は以下のように 求められる． 0 ≦yˆ
＜ w ・・・ L = 1 w ≦yˆ
＜ 2w ・・・ L = 2 2w ≦yˆ
＜ 3w・・・ L = 3 ： ： 以上のように，カルマンフィルタを用いてカメラと自律航 法のそれぞれの誤差による影響を最小化して車線内方位およ び横位置を推定することで，自律航法の初期値設定が不要と なり，カーブでの車線変更中の自車位置の推定が可能となる． ．実験結果 実験方法 本手法の有効性を確認するため，都市間高速道路を走行し たデータを取得し，机上でシミュレーションを実施した．実 験 デ ータ は ，実 験車 両 でリア カ メラ の 映像 と 車 両 &$1 （&RQWUROOHU$UHD1HWZRUN）の情報を時間同期して記録し， 記録したデータを時間同期して出力可能な機器を用いて実験 した． 図 および図 に本システムの実験構成を示す．図 が実 車での走行データを取得する際のシステム構成図であり，地 図情報（道路曲率，車線数，車線幅）をナビから，ヨーレー トをヨーレートセンサから，車速を車輪速センサからそれぞ れ &$1 経由で，リアカメラ映像を 176&（1DWLRQDO7HOHYLVLRQ 6\VWHP&RPPLWWHH）経由で記録装置に入力する．また，図 が実車で取得した走行データを再生して机上で評価する際の システム構成図であり，再生装置は車両 &$1 から取得した情 報とリアカメラ映像を時間同期して出力し，リアカメラ映像 は画像処理ユニットで処理され，左右白線までの距離を算出 して &$1 上に出力する．そして，これらの &$1 情報を走行車 線位置判定ロジックを実装した評価用 3& に取り込んで本手法 の評価および解析が可能な構成とした． また，実験条件は，天候：晴れ曇り，時間帯：日中，路面 状態：ドライ，車線数：片側 車線もしくは 車線であり， 常磐自動車道において周囲の車両の走行の妨げにならないよ うに通常の車線変更を行った． 本システムは，とくに，駐車支援用の広角レンズを備えた リアカメラを用いるため，図 に示す通り，白線の検出範囲 が近傍（車両後方 P 程度）に限られている．都市間高速道路 の車線境界線（破線）は概ね P の白線と P の空白区間で構 成されるため，通常の走行でも白線の検知と不検知を繰り返 しており，車線変更などで横方向に大きく移動する際には完 全に白線をロストして自車位置を見失ってしまう．また，銅 図に示すように白線がかすれているような場所も白線が検知 できずに自車位置を見失ってしまう可能性がる．さらに，一 旦自車位置を見失うと再び白線を検知し始めるまでにしばら く時間を要するため，今回の実験では，この白線をロストし ている状態を地図の道路曲率を用いた自律航法で補完できる ことを確認した．Fig.8 Data recording system on car
Fig.9 Evaluation system using recorded data
Fig.10 Scene of lane missing 実験結果および考察 図 および図 に常磐自動車道での走行データ（美野里 3$ 手前～石岡方面）を利用した車線判定ロジックの評価結果 を示す．それぞれのグラフは上から順に地図の曲率半径Ｒ， 車線内方位，横位置
yˆ
，車線位置Ｌを示す． 図 においては， 車線道路を約 ｋｍ走行中に 回の 車線変更を実施した．カルマンフィルタ処理後の車線内方位 はほぼ連続性を確保して推移していることが分かる．また， 横位置も車線変更中に大きくずれることなく推定できている ことが分かり，車線位置も良好に判定できていることから， 横位置の変化が車線変更によるものかカーブ走行によるもの かの区別ができていると判断できる． 図 は図 の ｍ～ｍの範囲を拡大したグラフで ある．ここでは 回の車線変更を実施している．細かく見る と図中の点線の領域で横位置のずれが発生していることが分 かる．この横位置のずれの原因として，地図の曲率半径の誤 差が考えられる．ただし，この横位置のずれは最大で ｍ程 度であり，日本の道路では通常車線幅は P 以上のため，車線 位置を判定する際には問題ないレベルである． Fig.11 Experimental result on express wayDetail -> Fig.12 3rd lane 2nd lane 1st lane 1st lane Longitudinal position [m] R
ˆ
yˆ
L
ˆ
1 \ 1 \
1
ˆ
1
1
1
1
1
ˆ
k kk k kK
P
P
（10） ただし，9はYの分散，3は推定誤差の分散，:Oと:U はZOとZUの分散であり，
r
W
l
W
W
1
0
0
1
1
である． 以上により，車線内方位 k k \ˆ
の最適推定値 が求められる． ③測定点補正 ここでは，リアカメラで計測した白線までの距離を実際に 計測したい地点（ナビ本体の位置）に補正する．図 に示す ように，実際に計測したい地点での白線までの距離 'は，リ アカメラで計測した白線までの距離G，車線内方位θ，リアカ メラ測定点から実際に計測したい地点までの距離 (を用いて （）式で計算できる．
E
d
D
cos
tan
（11）Fig.7 Measurement point correction ④横位置演算 ここでは，③でリアカメラの測定点補正を行った後の左右 白線までの距離を，前回の車線判定結果（車線位置/）とナビ からの車線数，車線幅Zの情報を用いて横位置（道路左端の 白線までの距離）に変換する． ⑤横位置推定 カルマンフィルタ 自律航法とカメラによる横位置の関係は，（）式および （）式でモデル化できる． k k k k k
y
C
v
y
1
sin
2
（12）
k k k k kr
w
l
w
y
DR
DL
2
2
1
1
（13） ただし，ΔWは演算周期，Yはモデル誤差（&の演算誤差， θの演算誤差など），ZOとZUはカメラ横位置誤差である． これにカルマンフィルタを適用すると，予測の漸化式は（） 式と（）式で，更新の漸化式は（）式～（）式で表せ る． k k k k k ky
C
y
ˆ
\1
ˆ
1\ 1
sin
（14） k k k k kP
V
P
ˆ
2
\ 1
ˆ
2
1\1
2
（15）
\ 1
1 1 \1
ˆ
2
1
1
2
1
1
1
2
ˆ
2
kk kk k kP
P
W
K
（16）
\ 1 \ 1 \1
ˆ
1
2
ˆ
ˆ
kk k k k k k k kDR
y
DL
K
y
y
（17） 1 \ 1 \1
ˆ
2
1
2
1
2
ˆ
k kk k kK
P
P
（18） ただし，9はYの分散，3は推定誤差の分散，:Oと:U はZOとZUの分散であり，
r
W
l
W
W
2
0
0
2
2
である． 以上により，横位置の最適推定値 k ky
ˆ
\ が求められる． ⑥車線判定 ⑤で求めた横位置と，地図からの車線数，車線幅Zの情報 を用いて現在走行中の車線位置 /を求める．具体的には，横 位置yˆ
と車線幅Zの関係により，車線位置/は以下のように 求められる． 0 ≦yˆ
＜ w ・・・ L = 1 w ≦yˆ
＜ 2w ・・・ L = 2 2w ≦yˆ
＜ 3w・・・ L = 3 ： ： 以上のように，カルマンフィルタを用いてカメラと自律航 法のそれぞれの誤差による影響を最小化して車線内方位およ び横位置を推定することで，自律航法の初期値設定が不要と なり，カーブでの車線変更中の自車位置の推定が可能となる． ．実験結果 実験方法 本手法の有効性を確認するため，都市間高速道路を走行し たデータを取得し，机上でシミュレーションを実施した．実 験 デ ータ は ，実 験車 両 でリア カ メラ の 映像 と 車 両 &$1 （&RQWUROOHU$UHD1HWZRUN）の情報を時間同期して記録し， 記録したデータを時間同期して出力可能な機器を用いて実験 した． 図 および図 に本システムの実験構成を示す．図 が実 車での走行データを取得する際のシステム構成図であり，地 図情報（道路曲率，車線数，車線幅）をナビから，ヨーレー トをヨーレートセンサから，車速を車輪速センサからそれぞ れ &$1 経由で，リアカメラ映像を 176&（1DWLRQDO7HOHYLVLRQ 6\VWHP&RPPLWWHH）経由で記録装置に入力する．また，図 が実車で取得した走行データを再生して机上で評価する際の システム構成図であり，再生装置は車両 &$1 から取得した情 報とリアカメラ映像を時間同期して出力し，リアカメラ映像 は画像処理ユニットで処理され，左右白線までの距離を算出 して &$1 上に出力する．そして，これらの &$1 情報を走行車 線位置判定ロジックを実装した評価用 3& に取り込んで本手法 の評価および解析が可能な構成とした． また，実験条件は，天候：晴れ曇り，時間帯：日中，路面 状態：ドライ，車線数：片側 車線もしくは 車線であり， 常磐自動車道において周囲の車両の走行の妨げにならないよ うに通常の車線変更を行った． 本システムは，とくに，駐車支援用の広角レンズを備えた リアカメラを用いるため，図 に示す通り，白線の検出範囲 が近傍（車両後方 P 程度）に限られている．都市間高速道路 の車線境界線（破線）は概ね P の白線と P の空白区間で構 成されるため，通常の走行でも白線の検知と不検知を繰り返 しており，車線変更などで横方向に大きく移動する際には完 全に白線をロストして自車位置を見失ってしまう．また，銅 図に示すように白線がかすれているような場所も白線が検知 できずに自車位置を見失ってしまう可能性がる．さらに，一 旦自車位置を見失うと再び白線を検知し始めるまでにしばら く時間を要するため，今回の実験では，この白線をロストし ている状態を地図の道路曲率を用いた自律航法で補完できる ことを確認した．Fig.8 Data recording system on car
Fig.9 Evaluation system using recorded data
Fig.10 Scene of lane missing 実験結果および考察 図 および図 に常磐自動車道での走行データ（美野里 3$ 手前～石岡方面）を利用した車線判定ロジックの評価結果 を示す．それぞれのグラフは上から順に地図の曲率半径Ｒ， 車線内方位，横位置
yˆ
，車線位置Ｌを示す． 図 においては， 車線道路を約 ｋｍ走行中に 回の 車線変更を実施した．カルマンフィルタ処理後の車線内方位 はほぼ連続性を確保して推移していることが分かる．また， 横位置も車線変更中に大きくずれることなく推定できている ことが分かり，車線位置も良好に判定できていることから， 横位置の変化が車線変更によるものかカーブ走行によるもの かの区別ができていると判断できる． 図 は図 の ｍ～ｍの範囲を拡大したグラフで ある．ここでは 回の車線変更を実施している．細かく見る と図中の点線の領域で横位置のずれが発生していることが分 かる．この横位置のずれの原因として，地図の曲率半径の誤 差が考えられる．ただし，この横位置のずれは最大で ｍ程 度であり，日本の道路では通常車線幅は P 以上のため，車線 位置を判定する際には問題ないレベルである． Fig.11 Experimental result on express wayDetail -> Fig.12 3rd lane 2nd lane 1st lane 1st lane Longitudinal position [m] R
ˆ
yˆ
L
ˆ
Fig.12 Experimental result (Detail)
今回の実験では，曲率半径 P 以上のカーブを有する都市 間高速道路において合計 回の車線変更を実施し，すべて のシーンで車線位置の判定に成功した． なお，今回の実験は比較的カーブが緩やかでかつ白線状態 が良い場所で実施したが，都市高速（首都高速など）や一般 道で本方式を適用した場合，以下のような課題が挙がるもの と考える． ・白線のかすれやはがれなどで白線を検知できない時間が 長い場合の誤差の蓄積 ・曲率半径の誤差による方位推定誤差 ・交差点など特殊な場所での誤判定 今後，自動運転に向けた開発が活発化してくると，高精度な デジタル地図の普及が加速すると考える．したがって，高精 度地図の普及により上記の課題のいくつかは解決可能と考え る．ただし，地図の高精度化に加え，センシング技術の高度 化も必要なことは言うまでもなく，白線検知の安定化，高信 頼化が要求される． ．ま と め 本報告では，自車が走行中の車線位置を判定するため，カ メラによる白線検知と地図の道路曲率を加味した自律航法を 組み合わせた手法を提案した．本手法により，自車の方位変 化が道路形状によるものか（道路に沿って走行しているのか） 車線変更（意図して横方向に移動）によるものかの区別が可 能となったため，カーブで白線が検知できない場合の車線変 更にも対応可能となった．また，カルマンフィルタを用いて カメラの検知結果と自律航法を組み合わせたことで自律航法 の位置と方位の初期化が不要となり，推定結果の連続性を確 保することが可能となった． とくに今回の評価においては，曲率半径 P 以上のカーブ を有する都市間高速道路（比較的カーブが緩やかでかつ白線 状態が良い場所）において合計 回の車線変更を実施し， すべてのシーンで車線位置の判定に成功している． 本手法により，自車の走行している車線位置が判定可能な 見込みとなり，今後の経路案内経路誘導機能への適用の見通 しを得た． 参 考 文 献 7DNHPXUD0,PDL0.L\RKDUD0,ULH.HWDO 'HYHORSPHQWRI/HQV&RQGLWLRQ'LDJQRVLVIRU/DQH'HSDUWXUH :DUQLQJ E\ 8VLQJ 2XWVLGH &DPHUD 6$( 7HFKQLFDO 3DSHU
-RHO&0F&DOODQG0RKDQ07ULYHGL 9LGHR%DVHG/DQH (VWLPDWLRQ DQG 7UDFNLQJ IRU 'ULYHU $VVLVWDQFH 6XUYH\ 6\VWHPDQG(YDOXDWLRQ,(((7UDQVDFWLRQVDQ,QWHOOLJHQW 7UDQVSRUWDWLRQV\VWHPV9RO1RS 二宮芳樹，高橋新，太田充彦：高速パターン照合手法を 利用したレーン認識システム，電子情報通信学会論文誌 'Ⅱ， 9RO-'Ⅱ，1R，S 小野口一則：画像認識による白線認識アルゴリズムの開 発，自動車技術会学術講演会前刷集，1R ，S， 西村明彦，長谷川孝明：走行車線認識システムの一検討， 電子情報通信学会技術研究報告，,76 ，S 本多充知，加藤博一，西田正吾：時空間画像を用いた自 車 両 走 行 レ ー ン 位 置 認 識 ， 情 報 処 理 学 会 研 究 報 告 ， &9,0，S 安達栄輔，栗田多喜夫：車の安全運転支援システムのた めの車線状態の推定法，電子情報通信学会技術研究報告， 3508，S 3rd lane 2nd lane
1st lane : Lane missing area
Longitudinal position [m] R
ˆ
yˆ
L車両追従モデルを組み込んだデュアルフィルタによる車群走行車両の車間距離推定
鈴木 宏典1） 生駒 哲一2) 中辻 隆3）Headway Estimation of Platooned Vehicles by Dual Filter Integrated with Car-Following Model
Hironori Suzuki Norikazu Ikoma Takashi NakatsujiThis paper applies a dual Unscented Kalman filter (DUKF) and a dual particle filter (DPF) for estimating the headway distance of vehicles traveling in a longitudinal platoon. Assuming that prior knowledge on the car-following model parameter is different from what is observed in a real car-following, DUKF and DPF attempt to estimate the headway by measuring the acceleration rate and velocity of all vehicles in the platoon. Numerical analysis showed that DUKF and DPF estimated the headway accurately with a satisfactorily level of estimation precision.
KEY WORDS: Safety, Active safety, Intelligent vehicle, Information processing, Dual Filter, Headway Estimation,
Unscented Kalman Filter, Particle Filter (C1) 1．は じ め に 車群追従走行する車両の車間距離は，特に追突のリスク評 価を行う上では非常に重要な情報であり，常に高い精度が求 められる．被害軽減ブレーキに代表されるように，ミリ波レー ダー等を用いて車間距離を「直接」計測して運転支援を行う 技術が急速に普及しつつある(1)が，今現在の普及率を考えると， 必ずしも車群内のすべての車両で車間距離を直接計測できる 状態に至っているとは言えない．一方，車両の加速度や速度 は，車間距離に比べ容易に計測が可能でコストも低いため， 「直接的」に車間距離を計測することの他に，容易に観測可 能なデータに基づいて車間距離を「間接的」に推定するアプ ローチも一つの有効な手段と考えられる． 筆者らは，この車間距離推定問題に対して，拡張カルマン フィルタ(EKF)，ニューラルカルマンフィルタ(NKF)，アンセ ンティッドカルマンフィルタ(UKF)，パーティクルフィルタ (PF)を適用し，推定精度の検証を行ってきた(2)-(4)．UKF はカル マンゲインの計算に解析的な状態方程式や観測方程式を必要 とせず，これらを入出力関係が規定されたシミュレーション モデルで置き換えることも可能で，EKF よりも精度が高い(5)． PF はシステム誤差や観測誤差がガウス分布である必要が無い ことから適用範囲が広く，様々な分野で応用されている(6)-(9)． 筆者らによるこれまでの研究で，車間距離推定問題に対し *2014 年 10 月 24 日受理．2014 年 10 月 24 日自動車技術会秋季学術講 演会において発表． 1）日本工業大学（345-8501 埼玉県南埼玉郡宮代町学園台 4-1）(Email: [email protected]) 2) 九州工業大学（804-8550 福岡県北九州市戸畑区仙水町 1 番 1 号） 3）北海道大学（060-8628 北海道札幌市北区北 13 条西 8 丁目） ては，UKF と PF はほぼ同様の推定精度を有することを確認 してきた．しかしながら，現在までの解析では，観測方程式 に組み込んだ車両追従モデル（以下，追従モデル）のパラメー タは「真」であると仮定しており，ドライバの追従挙動のバ ラツキを考慮すると，この仮定は現実的ではない．すなわち 観測方程式としての追従モデルには予めパラメータを設定す るが，実際の観測値はこのパラメータに従って得られたもの と必ずしも一致するものではない． そこで本研究では，モデルパラメータと状態変数を同時に 推定する「デュアルフィルタ(5)」の概念に基づいたDual UKF (DUKF)と Dual PF (DPF)を適用し，車間距離及び追従モデルの パラメータの同時推定を試みる． 2. 車間距離推定の状態空間モデル 追従走行する車群を想定し，i を先頭車から数えた車両番号， 時刻k における車両 i の加速度，速度，車間距離を ai (k), vi(k), ℓi(k)とする．車間距離は相対速度の時間微分，速度は加速度の 時間微分であるため，差分方程式として次式で定義できる． ここに，Δt を時間間隔とする．
