特開 2024-71332 情報処理装置及びプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024071332

(43)【公開日】2024-05-24

(54)【発明の名称】情報処理装置及びプログラム

(51)【国際特許分類】

   B60W 40/10 20120101AFI20240517BHJP

【ＦＩ】

B60W40/10

【審査請求】未請求

【請求項の数】6

【出願形態】ＯＬ

(21)【出願番号】P 2023062335

(22)【出願日】2023-04-06

(31)【優先権主張番号】P 2022182131

(32)【優先日】2022-11-14

(33)【優先権主張国・地域又は機関】JP

(71)【出願人】

【識別番号】591280485

【氏名又は名称】ソフトバンクグループ株式会社

(74)【代理人】

【識別番号】110001519

【氏名又は名称】弁理士法人太陽国際特許事務所

(72)【発明者】

【氏名】孫 正義

【テーマコード（参考）】

3D241

【Ｆターム（参考）】

3D241BA51

3D241BB52

3D241CA09

3D241CE08

3D241DA39Z

3D241DA52Z

3D241DB16Z

3D241DB29Z

3D241DB32Z

3D241DB42Z

3D241DB48Z

3D241DC28Z

3D241DC45Z

3D241DC46Z

3D241DC49Z

(57)【要約】

【課題】車両に搭載されたセンサの組み合わせで取得したインデックス値に基づいて自動運転を制御する。
【解決手段】車両に備えた複数のセンサ情報のうち、予め定められた数のセンサ情報の複数の組み合わせ毎に、前記車両の４つの車輪それぞれの車輪速、傾き、及び前記車輪を支持するサスペンション毎の、当該車輪速、当該傾き、及び当該サスペンションを制御するためのインデックス値を算出し、前記インデックス値を集約して当該車輪速、当該傾き、及び当該サスペンション毎の制御変数を算出する算出部と、前記制御変数に基づいて、自動運転を制御する制御部と、を備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

車両に備えた複数のセンサ情報のうち、予め定められた数のセンサ情報の複数の組み合わせ毎に、前記車両の４つの車輪それぞれの車輪速、傾き、及び前記車輪を支持するサスペンション毎の、当該車輪速、当該傾き、及び当該サスペンションを制御するためのインデックス値を算出し、前記インデックス値を集約して当該車輪速、当該傾き、及び当該サスペンション毎の制御変数を算出する算出部と、
前記制御変数に基づいて、自動運転を制御する制御部と、を備える、
情報処理装置。

【請求項2】

前記算出部は、深層学習を用いた積分法による多変量解析により、前記インデックス値から前記制御変数を算出する、
請求項１に記載の情報処理装置。

【請求項3】

前記傾きが、舵角とキャンバ角とを含む、請求項１記載の情報処理装置。

【請求項4】

前記算出部は、車輪速、傾き、及びサスペンションを少なくとも含む自動運転制御対象のために、前記複数のセンサ情報の組み合わせを選択し、選択されたセンサ情報の組み合わせによって、前記自動運転制御対象毎に予め定められた数のインデックス値を算出する、請求項１記載の情報処理装置。

【請求項5】

前記算出部は、前記車両の走行状況に応じて変更された前記複数のセンサ情報の組み合わせに基づいて、前記自動運転制御対象毎に予め定められた数のインデックス値を算出する、請求項４記載の情報処理装置。

【請求項6】

コンピュータを、
請求項１～請求項５の何れか１項記載の情報処理装置として機能させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理装置及びプログラムに関する。

【背景技術】

【0002】

特許文献１には、自動運転機能を有する車両について記載されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２２－０３５１９８号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

本発明は、車両に搭載されたセンサの組み合わせで取得したインデックス値に基づいて自動運転を制御することができる情報処理装置、プログラムを得ることが目的である。

【課題を解決するための手段】

【0005】

本発明の一実施態様によれば、情報処理装置が提供される。前記情報処理装置は、車両に備えた複数のセンサ情報のうち、予め定められた数のセンサ情報の複数の組み合わせ毎に、前記車両の４つの車輪それぞれの車輪速、傾き、及び前記車輪を支持するサスペンション毎の、当該車輪速、当該傾き、及び当該サスペンションを制御するためのインデックス値を算出し、前記インデックス値を集約して当該車輪速、当該傾き、及び当該サスペンション毎の制御変数を算出する算出部と、前記制御変数に基づいて、自動運転を制御する制御部と、を備える。

【0006】

前記情報処理装置では、前記算出部は、前記深層学習を用いた積分法による多変量解析により、前記インデックス値から前記制御変数を算出する。

【0007】

前記情報処理装置では、前記制御部は、前記制御変数に基づいて、１０億分の１秒単位で前記自動運転を制御する。

【0008】

本発明において、前記傾きが、舵角とキャンバ角とを含むことを特徴としている。

【0009】

自動運転の際、車両の走行方向を制御する舵角は重要であり、また、道路の傾斜によるキャンバ角は、車両の走行に大きな影響を与える要素の１つである。

【0010】

本発明において、前記算出部は、車輪速、傾き、及びサスペンションを少なくとも含む自動運転制御対象のために、前記複数のセンサ情報の組み合わせを選択し、選択されたセンサ情報の組み合わせによって、前記自動運転制御対象毎に予め定められた数のインデックス値を算出することを特徴としている。

【0011】

自動運転制御対象間、例えば、車輪速と、傾き及びサスペンションとにおいて、車輪速度のインデックス値を算出するために有用なセンサ種と、傾き及びサスペンションのインデックス値を算出するために有用なセンサ種とは異なる場合がある。

【0012】

そこで、自動運転制御対象毎のインデックス値をセンサ情報の種類を選択することによって、異なるインデックス値群としてもよい。

【0013】

例えば、車輪速の制御変数は、車輪速の算出に不必要なインデックス値を除き車輪速を算出するために必要なインデックス値のみを３００個用意し、サスペンションの制御変数は、サスペンションを算出するために必要なインデックス値のみを３００個用意し、傾きの制御変数は、傾きを算出するために必要なインデックス値のみを３００個用意する。

【0014】

すなわち、必要十分なセンサ情報から算出される各要素のインデックス値を用いる自動運転制御は、同じ種類のセンサ情報から算出される各要素のインデックス値を用いる自動運転制御の精度を上げることができる。算出部は、車両の走行状況に応じて変更された複数のセンサ情報の組み合わせに基づいて、自動運転制御対象毎に予め定められた数のインデックス値を算出するようにしてもよい。

【0015】

本発明の一実施態様によれば、コンピュータを、前記情報処理装置として機能させるためのプログラムが提供される。

【0016】

なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となり得る。

【発明の効果】

【0017】

以上説明したように本発明では、車両に搭載されたセンサの組み合わせで取得したインデックス値に基づいて自動運転を制御することができる。

【図面の簡単な説明】

【0018】

【図1】第１の実施の形態に係る超高性能自動運転のＡＩの危険予測能力について概略的に示す図である。

【図2】第１の実施の形態に係る車両内のネットワーク構成の一例を概略的に示す図である。

【図3】第１の実施の形態に係るＣｅｎｔｒａｌ Ｂｒａｉｎにより実行されるフローチャートである。

【図4】第１の実施の形態に係るＣｅｎｔｒａｌ Ｂｒａｉｎによる自動運転の制御例を説明する第１の説明図である。

【図5】第１の実施の形態に係るＣｅｎｔｒａｌ Ｂｒａｉｎによる自動運転の制御例を説明する第２の説明図である。

【図6】第１の実施の形態に係るＣｅｎｔｒａｌ Ｂｒａｉｎによる自動運転の制御例を説明する第３の説明図である。

【図7】第１の実施の形態に係るＣｅｎｔｒａｌ Ｂｒａｉｎによる自動運転の制御例を説明する第４の説明図である。

【図8】第１の実施の形態に係るＣｅｎｔｒａｌ Ｂｒａｉｎによる自動運転の制御例を説明する第５の説明図である。

【図9】Ｃｅｎｔｒａｌ Ｂｒａｉｎとして機能するコンピュータのハードウェア構成の一例を概略的に示す図である。

【図10】第２の実施の形態に係るＣｅｎｔｒａｌ Ｂｒａｉｎにより実行されるフローチャートである。

【発明を実施するための形態】

【0019】

以下、発明の実施の形態を通じて本発明を説明するが、以下の実施の形態は特許請求の範囲にかかる発明を限定するものではない。また、実施の形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

【0020】

［第１の実施の形態］
図１は、第１の実施の形態に係る超高性能自動運転のＡＩの危険予測の能力について概略的に示す。第１の実施の形態においては、複数種類のセンサ情報をＡＩデータ化してクラウドに蓄積する。ＡＩがナノセカンド（１０億分の１秒）ごとに状況のベストミックスを予測、判断し、車両１２の運行を最適化する。

【0021】

図２は、Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０の車両１２内の構成を説明するための図である。Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０は、情報処理装置の一例である。

【0022】

図２に示されているように、Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０には、複数のＧａｔｅ Ｗａｙが通信可能に接続されている。Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０は、Ｇａｔｅ Ｗａｙを介して外部のクラウドに接続されている。Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０は、Ｇａｔｅ Ｗａｙを介して外部のクラウドへアクセスすることができるように構成されている。その一方で、Ｇａｔｅ Ｗａｙの存在により、外部からＣｅｎｔｒａｌ Ｂｒａｉｎ１２０へ直接アクセスすることはできないように構成されている。

【0023】

Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０は、所定時間が経過する毎に、要求信号をサーバへ出力する。具体的には、Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０は、１０億分の１秒毎に、問い合わせを表す要求信号をサーバへ出力する。

【0024】

第１の実施の形態において使用する車両１２に備えたセンサの例として、レーダー、ＬｉＤＡＲ、高画素・望遠・超広角・３６０度・高性能カメラ、ビジョン認識、微細音、超音波、振動、赤外線、紫外線、電磁波、温度、湿度、スポットＡＩ天気予報、高精度マルチチャネルＧＰＳ、低高度衛星情報、ロングテールインシデントＡＩ ｄａｔａ等が挙げられる。

【0025】

ロングテールインシデントＡＩ ｄａｔａとはレベル５の実装した自動車のＴｒｉｐデータである。

【0026】

複数種類のセンサから取り入れるセンサ情報として、体重の重心移動、道路の材質の検知、外気温度の検知、外気湿度の検知、坂道の上下横斜め傾き角度の検知、道路の凍り方、水分量の検知、それぞれのタイヤの材質、摩耗状況、空気圧の検知、道路幅、追い越し禁止有無、対向車、前後車両の車種情報、それらの車のクルージング状態、周囲の状況（鳥、動物、サッカーボール、事故車、地震、火事、風、台風、大雨、小雨、吹雪、霧、など）等が挙げられ、第１の実施の形態では、これらの検知を１０億分の１秒毎に実施する。

【0027】

第１の実施の形態においては、Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０は、上記のセンサにより検知されたセンサ情報のうち、予め定められた数のセンサ情報の複数の組み合わせ毎に、車両の４つの車輪それぞれの車輪速、傾き、及び車輪を支持するサスペンション毎の、車輪速、傾き、及びサスペンションを制御するための制御変数を算出する算出部として機能する。なお、車輪の傾きは、道路に対して水平な軸に対する車輪の傾き（言い換えれば、車体に対して前輪が右または左に切れている角度であり、舵角という）、及び道路に対して垂直な軸に対する車輪の傾き（言い換えれば、正面から車をまっすぐ見たときのタイヤと地面の角度であり、キャンバ角という）の双方を含む。なお、自動運転制御対象は、上記車輪速、傾き、及びサスペンション以外に、制動力、ピッチ角、車高等、他の自動運転制御対象を含めてもよい。

【0028】

なお、車輪速、傾き（舵角、キャンバ角）、及びサスペンションは、自動運転を制御するための自動運転制御要素ということができる。

【0029】

ここで、予め定められた数は、例えば３個である。３個のセンサ情報に基づいて、車輪速、傾き（舵角、キャンバ角）、及びサスペンションを制御するためのインデックス値を算出する。３個のセンサ情報の組み合わせから算出するインデックス値の数は、例えば３個である。車輪速、傾き（舵角、キャンバ角）、及びサスペンションを制御するためのインデックス値には、例えば、センサ情報のうち空気抵抗に関する情報から算出したインデックス値、センサ情報のうち道路抵抗に関する情報から算出したインデックス値、センサ情報のうち滑り係数に関する情報から算出したインデックス値などが含まれる。そして、センサ情報の組み合わせが異なる複数のセンサ情報の組み合わせ毎に算出したインデックス値を集約して、車輪速、傾き（舵角、キャンバ角）、及びサスペンションを制御するための制御変数を算出する。例えば、センサ１、２及び３の組み合わせで複数のインデックス値を算出し、センサ４、５及び６の組み合わせで複数のインデックス値を算出し、センサ１、３及び７の組み合わせで複数のインデックス値を算出し、このインデックス値を集約して制御変数を算出する。このように、センサ情報の組み合わせを変えながら予め定められた数、例えば３００個のインデックス値を算出し、制御変数を算出する。具体的には、算出部は、機械学習、より詳しくは深層学習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）を用いて、センサ情報から制御変数を算出することが可能なものであってよい。換言すると、算出部はＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）で構成することができる。

【0030】

この算出部は、多くのセンサ群等で収集したナノ秒毎のデータを、Ｌｅｖｅｌ６の計算力を用い、例えば、車輪速Ｖについては、下記式（１）に示すような積分法による多変量解析（例えば式（２）参照）を行うことで、正確な制御変数を求め得る。より詳しくは、Ｌｅｖｅｌ６の計算力で各種Ｕｌｔｒａ Ｈｉｇｈ Ｒｅｓｏｌｕｔｉｏｎのデルタ値の積分値を求めながら、エッジレベルで且つリアルタイムで各変数のインデックス化された値を求め、次のナノ秒に発生する結果を最も高い確率論値を取得し得る。

【0031】

【数1】

【0032】

【数2】

【0033】

なお、式中のＤＬは深層学習を示し、Ａ，Ｂ，Ｃ，Ｄ，…，Ｎは、センサ情報から算出したインデックス値であり、例えば空気抵抗から算出したインデックス値、道路抵抗から算出したインデックス値、道路要素から算出したインデックス値及び滑り係数から算出したインデックス値等を示す。予め定められた数のセンサ情報の組み合わせを変えながら算出されたインデックス値が３００個の場合は、式中のＡ～Ｎのインデックス値も３００個となり、３００個のインデックス値を集約する。

【0034】

また、上記の式（１）及び式（２）では、車輪速（Ｖ）について算出しているが、傾き（舵角、キャンバ角）、及びサスペンションを制御するための制御変数についても同様に算出する。

【0035】

すなわち、傾き（舵角Ｒ）については、下記式（３）に示すような積分法による多変量解析（例えば式（４）参照）を行うことで、正確な制御変数を求め得る。

【0036】

【数3】

【0037】

【数4】

【0038】

また、傾き（キャンバ角Ｃ）については、下記式（５）に示すような積分法による多変量解析（例えば式（６）参照）を行うことで、正確な制御変数を求め得る。

【0039】

【数5】

【0040】

【数6】

【0041】

さらに、サスペンションＳについては、下記式（７）に示すような積分法による多変量解析（例えば式（８）参照）を行うことで、正確な制御変数を求め得る。

【0042】

【数7】

【0043】

【数8】

【0044】

具体的には、Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０は、４つの車輪それぞれの車輪速、道路に対して水平な軸に対する４つの車輪それぞれの傾き（舵角、キャンバ角）、道路に対して垂直な軸に対する４つの車輪それぞれの傾き（舵角、キャンバ角）、及び４つの車輪それぞれを支持するサスペンションを制御するための計１６の制御変数を算出する。第１の実施の形態では、上記１６の制御変数の算出を１０億分の１秒毎に実施する。

【0045】

なお、上記の４つの車輪それぞれの車輪速は「４つの車輪にそれぞれ搭載されたインホイールモータのスピン数（回転数）」と言うことができる。

【0046】

上記の道路に対して水平な軸に対する４つの車輪それぞれの傾き(舵角)は「４つの車輪それぞれの水平アングル」と言うことができる。

【0047】

上記の道路に対して垂直な軸に対する４つの車輪それぞれの傾き（キャンバ角)は「４つの車輪それぞれの垂直アングル」と言うことができる。

【0048】

上記の道路に対して車輪の位置を決めるサスペンション（コイルスプリング、ショックアブソーバー）は「４つの車輪それぞれの道路から受ける衝撃を吸収する減衰量」と言うことができる。

【0049】

そして、上記の制御変数は、例えば、車両が山道を走行する場合には当該山道に合わせた最適なステアリングを行うための数値となり、車両を駐車場に駐車する場合には当該駐車場に合わせた最適なアングルで走行するための数値となる。

【0050】

また、第１の実施の形態においては、Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０は、４つの車輪それぞれの車輪速、道路に対して水平な軸に対する４つの車輪それぞれの傾き(舵角)、道路に対して垂直な軸に対する４つの車輪それぞれの傾き（キャンバ角）、及び４つの車輪それぞれを支持するサスペンションを制御するための計１６の制御変数を算出するが、この算出はＣｅｎｔｒａｌ Ｂｒａｉｎ１２０である必要は無く、上記の制御変数を算出する専用のアンカーチップを別途設けても良い。この場合にも式中（２）のＤＬは深層学習を示し、Ａ，Ｂ，Ｃ，Ｄ，…，Ｎは、センサ情報から算出したインデックス値を示す。集約するインデックスの数が上述したように３００個の場合は、かかる式中のインデックスの数も３００個となる。

【0051】

また、第１の実施の形態においては、Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０は、上記で算出した制御変数に基づいて、１０億分の１秒単位で自動運転を制御する制御部として機能する。具体的には、Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０は、上記１６の制御変数に基づいて、４つの車輪にそれぞれ搭載されたインホイールモータを制御することで、車両１２の４つの車輪それぞれの車輪速、傾き（舵角、キャンバ角）、及び４つの車輪それぞれを支持するサスペンションを制御して自動運転を行う。

【0052】

Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０は、図３に示されているフローチャートを繰り返し実行する。

【0053】

ステップＳ１０において、Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０は、センサにより検知された道路情報を含むセンサ情報を取得する。そして、Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０は、ステップＳ１１に進む。

【0054】

ステップＳ１１において、Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０は、ステップＳ１０で取得したセンサ情報に基づいて、上記１６の制御変数を算出する。そして、ＣｅｎｔｒａｌＢｒａｉｎ１２０は、ステップＳ１２に進む。

【0055】

ステップＳ１２において、Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０は、ステップＳ１１で算出した制御変数に基づいて、自動運転を制御する。そして、Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０は、当該フローチャートの処理を終了する。

【0056】

図４から図８は、Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０による自動運転の制御例を説明する説明図である。なお、図４から図６は、車両１２を前方から見た視点の説明図であり、図７及び図８は、車両１２を下方から見た視点の説明図である。

【0057】

図４は、車両１２が平坦な道路Ｒ１を走行中の場合を示している。Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０は、道路Ｒ１に合わせて算出した上記１６の制御変数に基づいて、４つの車輪３０にそれぞれ搭載されたインホイールモータ３１を制御することで、４つの車輪３０それぞれの車輪速、傾き（舵角、キャンバ角）、及び４つの車輪３０それぞれを支持するサスペンション３２を制御して自動運転を行う。

【0058】

図５は、車両１２が山道Ｒ２を走行中の場合を示している。Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０は、山道Ｒ２に合わせて算出した上記１６の制御変数に基づいて、４つの車輪３０にそれぞれ搭載されたインホイールモータ３１を制御することで、４つの車輪３０それぞれの車輪速、傾き（舵角、キャンバ角）、及び４つの車輪３０それぞれを支持するサスペンション３２を制御して自動運転を行う。

【0059】

図６は、車両１２が水たまりＲ３を走行中の場合を示している。Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０は、水たまりＲ３に合わせて算出した上記１６の制御変数に基づいて、４つの車輪３０にそれぞれ搭載されたインホイールモータ３１を制御することで、４つの車輪３０それぞれの車輪速、傾き（舵角、キャンバ角）、及び４つの車輪３０それぞれを支持するサスペンション３２を制御して自動運転を行う。

【0060】

図７は、車両１２が矢印Ａ１で示す方向にカーブする場合を示している。Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０は、進入するカーブ路に合わせて算出した上記１６の制御変数に基づいて、４つの車輪３０にそれぞれ搭載されたインホイールモータ３１を制御することで、４つの車輪３０それぞれの車輪速、傾き（舵角、キャンバ角）、及び４つの車輪３０それぞれを支持するサスペンション３２（図示せず）を制御して自動運転を行う。

【0061】

図８は、車両１２が矢印Ａ２で示す方向に平行移動する場合を示している。Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０は、矢印Ａ２で示す方向への平行移動に合わせて算出した上記１６の制御変数に基づいて、４つの車輪３０にそれぞれ搭載されたインホイールモータ３１を制御することで、４つの車輪３０それぞれの車輪速、傾き（舵角、キャンバ角）、及び４つの車輪３０それぞれを支持するサスペンション３２（図示せず）を制御して自動運転を行う。

【0062】

なお、図４から図８で示す車輪３０及びサスペンション３２の状態（傾き（舵角、キャンバ角））は、あくまで一例であり、各図で示す状態とは異なる車輪３０及びサスペンション３２の状態が生じうることは言うまでもない。

【0063】

ここで、従来の車両に搭載されたインホイールモータは、それぞれの駆動輪を独立して制御することができるが、当該車両では、道路状況等を分析してインホイールモータを制御することまではできなかった。そのため、当該車両では、例えば、山道又は水たまり等を走行する場合に道路状況等に基づく適切な自動運転が行えなかった。

【0064】

しかし、第１の実施の形態に係る車両１２によれば、上記で説明した構成に基づいて、道路状況等の環境に適してスピード及びステアリング等が制御された自動運転を行うことができる。

【0065】

［第２の実施の形態］
以下に本発明の第２の実施の形態について説明する。なお、第２の実施の形態の基本構成は、図１及び図２に示す第１の実施の形態の構成と同様であるため、第１の実施の形態として示した図面を適宜参照する。

【0066】

第２の実施の形態の特徴は、インデックス値を取得するときのセンサ情報の選択にある。

【0067】

第１の実施の形態では、予め定められた数（例えば３個）のセンサ情報に基づいて、車輪速、傾き（舵角、キャンバ角）、及びサスペンションを制御するためのインデックス値を算出する。

【0068】

すなわち、センサ情報の組み合わせが異なる複数のセンサ情報の組み合わせ毎に算出したインデックス値を集約して、車輪速、傾き（舵角、キャンバ角）、及びサスペンションを制御するための制御変数を算出することで、センサ情報の組み合わせを変えながら予め定められた数、例えば３００個のインデックス値を算出し、制御変数を算出するようにした。

【0069】

しかしながら、車輪速、傾き（舵角、キャンバ角）、及びサスペンションの各要素（自動運転制御要素）は、全てのセンサの情報が必要とは限らず、取得した３００個のインデックス値の中には、寄与度が低いデータが含まれる場合がある。

【0070】

そこで、第２の実施の形態では、車輪速、傾き（舵角、キャンバ角）、及びサスペンションの自動運転制御要素毎に、センサを取捨選択し、選択したセンサの組み合わせによって、予め定められた数、例えば３００個のインデックス値を算出するようにした。

【0071】

すなわち、車輪速の制御変数は、車輪速の算出に必要な３００個のインデンックス値が用意され、傾き（舵角、キャンバ角）の制御変数は、傾き（舵角、キャンバ角）の算出に必要な３００個のインデックス値が用意され、サスペンションの制御変数は、サスペンションの算出に必要な３００個のインデックス値が用意されることになる。

【0072】

第２の実施の形態に係るＣｅｎｔｒａｌ Ｂｒａｉｎ１２０は、図１０に示さるフローチャートを繰り返し実行する。図１０では、ソフトウェアプログラムによる処理の流れの如く説明しており、当該フローチャートが、１０億分の１秒で実行することが可能であることを想定している。

【0073】

なお、ソフトウェアプログラムに限らず、図１０に示すフローチャートを１０億分の１秒で確実に実行するために、ＡＳＩＣ（application specific integrated circuit）、ＦＰＧＡ（Field Programmable Gate Array）、ＣＰＬＤ（Complex Programmable Logic Device）等の半導体集積回路を用いることが好ましい。

【0074】

ステップ１００では、自動運転制御要素の１つである車輪速のインデックス値Ｖの算出に有用なセンサの取捨選択処理を実行し、ステップ１０２へ移行する。

【0075】

ステップ１０２では、ステップ１００で選択したセンサからの情報（センサ情報）を取得し、ステップ１０４へ移行する。

【0076】

ステップ１０４では、センサ情報に基づいて、車輪速のインデックス値Ｖｎ（ｎ＝約３００個）を算出し、ステップ１０６へ移行して、算出した車輪速のインデックス値を一時格納して、ステップ１０８へ移行する。

【0077】

ステップ１０８では、自動運転制御要素の１つである傾き（舵角）のインデックス値Ｒの算出に有用なセンサの取捨選択処理を実行し、ステップ１１０へ移行する。

【0078】

ステップ１１０では、ステップ１０８で選択したセンサからの情報（センサ情報）を取得し、ステップ１１２へ移行する。

【0079】

ステップ１１２では、センサ情報に基づいて、傾き（舵角）のインデックス値Ｒｎ（ｎ＝約３００個）を算出し、ステップ１１４へ移行して、算出した傾き（舵角）のインデックス値を一時格納して、ステップ１１６へ移行する。

【0080】

ステップ１１６では、自動運転制御要素の１つである傾き（キャンバ角）のインデックス値Ｃの算出に有用なセンサの取捨選択処理を実行し、ステップ１１８へ移行する。

【0081】

ステップ１１８では、ステップ１１６で選択したセンサからの情報（センサ情報）を取得し、ステップ１２０へ移行する。

【0082】

ステップ１２０では、センサ情報に基づいて、傾き（キャンバ角）のインデックス値Ｃｎ（ｎ＝約３００個）を算出し、ステップ１２２へ移行して、算出した傾き（キャンバ角）のインデックス値を一時格納して、ステップ１２４へ移行する。

【0083】

ステップ１２４では、自動運転制御要素の１つであるサスペンションのインデックス値Ｓの算出に有用なセンサの取捨選択処理を実行し、ステップ１２６へ移行する。

【0084】

ステップ１２６では、ステップ１２４で選択したセンサからの情報（センサ情報）を取得し、ステップ１２８へ移行する。

【0085】

ステップ１２８では、センサ情報に基づいて、サスペンションのインデックス値Ｓｎ（ｎ＝約３００個）を算出し、ステップ１３０へ移行する。

【0086】

ステップ１３０では、ステップ１０６で一時格納した車輪速のインデックス値Ｖｎ、ステップ１１４で一時格納した傾き（舵角）のインデックス値Ｒｎ、及び、ステップ１２２で一時格納した傾き（キャンバ角）のインデックス値Ｃｎを読み出し、ステップ１３２へ移行して、ステップ１２８で算出したサスペンションのインデックス値Ｓｎを含め、制御変数を算出し、次いで、ステップ１３４へ移行する。

【0087】

ステップ１３４では、ステップ１３２で算出した制御変数に基づいて、自動運転を制御する。なお、センサの取捨選択は、車両状況に応じて適宜、取捨選択要件を変更してもよい。

【0088】

図９は、Ｃｅｎｔｒａｌ Ｂｒａｉｎ１２０として機能するコンピュータ１２００のハードウェア構成の一例を概略的に示す。コンピュータ１２００にインストールされたプログラムは、コンピュータ１２００を、第１の実施の形態及び第２の実施の形態に係る装置の１又は複数の「部」として機能させ、又はコンピュータ１２００に、第１の実施の形態及び第２の実施の形態に係る装置に関連付けられるオペレーション又は当該１又は複数の「部」を実行させることができ、及び／又はコンピュータ１２００に、第１の実施の形態及び第２の実施の形態に係るプロセス又は当該プロセスの段階を実行させることができる。そのようなプログラムは、コンピュータ１２００に、本明細書に記載のフローチャート及びブロック図のブロックのうちのいくつか又はすべてに関連付けられた特定のオペレーションを実行させるべく、ＣＰＵ１２１２によって実行されてよい。

【0089】

第１の実施の形態及び第２の実施の形態によるコンピュータ１２００は、ＣＰＵ１２１２、ＲＡＭ１２１４、及びグラフィックコントローラ１２１６を含み、それらはホストコントローラ１２１０によって相互に接続されている。コンピュータ１２００はまた、通信インタフェース１２２２、記憶装置１２２４、ＤＶＤドライブ、及びＩＣカードドライブのような入出力ユニットを含み、それらは入出力コントローラ１２２０を介してホストコントローラ１２１０に接続されている。ＤＶＤドライブは、ＤＶＤ－ＲＯＭドライブ及びＤＶＤ－ＲＡＭドライブ等であってよい。記憶装置１２２４は、ハードディスクドライブ及びソリッドステートドライブ等であってよい。コンピュータ１２００はまた、ＲＯＭ１２３０及びキーボードのようなレガシの入出力ユニットを含み、それらは入出力チップ１２４０を介して入出力コントローラ１２２０に接続されている。

【0090】

ＣＰＵ１２１２は、ＲＯＭ１２３０及びＲＡＭ１２１４内に格納されたプログラムに従い動作し、それにより各ユニットを制御する。グラフィックコントローラ１２１６は、ＲＡＭ１２１４内に提供されるフレームバッファ等又はそれ自体の中に、ＣＰＵ１２１２によって生成されるイメージデータを取得し、イメージデータがディスプレイデバイス１２１８上に表示されるようにする。

【0091】

通信インタフェース１２２２は、ネットワークを介して他の電子デバイスと通信する。記憶装置１２２４は、コンピュータ１２００内のＣＰＵ１２１２によって使用されるプログラム及びデータを格納する。ＤＶＤドライブは、プログラム又はデータをＤＶＤ－ＲＯＭ等から読み取り、記憶装置１２２４に提供する。ＩＣカードドライブは、プログラム及びデータをＩＣカードから読み取り、及び／又はプログラム及びデータをＩＣカードに書き込む。

【0092】

ＲＯＭ１２３０はその中に、アクティブ化時にコンピュータ１２００によって実行されるブートプログラム等、及び／又はコンピュータ１２００のハードウェアに依存するプログラムを格納する。入出力チップ１２４０はまた、様々な入出力ユニットをＵＳＢポート、パラレルポート、シリアルポート、キーボードポート、マウスポート等を介して、入出力コントローラ１２２０に接続してよい。

【0093】

プログラムは、ＤＶＤ－ＲＯＭ又はＩＣカードのようなコンピュータ可読記憶媒体によって提供される。プログラムは、コンピュータ可読記憶媒体から読み取られ、コンピュータ可読記憶媒体の例でもある記憶装置１２２４、ＲＡＭ１２１４、又はＲＯＭ１２３０にインストールされ、ＣＰＵ１２１２によって実行される。これらのプログラム内に記述される情報処理は、コンピュータ１２００に読み取られ、プログラムと、上記様々なタイプのハードウェアリソースとの間の連携をもたらす。装置又は方法が、コンピュータ１２００の使用に従い情報のオペレーション又は処理を実現することによって構成されてよい。

【0094】

例えば、通信がコンピュータ１２００及び外部デバイス間で実行される場合、ＣＰＵ１２１２は、ＲＡＭ１２１４にロードされた通信プログラムを実行し、通信プログラムに記述された処理に基づいて、通信インタフェース１２２２に対し、通信処理を命令してよい。通信インタフェース１２２２は、ＣＰＵ１２１２の制御の下、ＲＡＭ１２１４、記憶装置１２２４、ＤＶＤ－ＲＯＭ、又はＩＣカードのような記録媒体内に提供される送信バッファ領域に格納された送信データを読み取り、読み取られた送信データをネットワークに送信し、又はネットワークから受信した受信データを記録媒体上に提供される受信バッファ領域等に書き込む。

【0095】

また、ＣＰＵ１２１２は、記憶装置１２２４、ＤＶＤドライブ（ＤＶＤ－ＲＯＭ）、ＩＣカード等のような外部記録媒体に格納されたファイル又はデータベースの全部又は必要な部分がＲＡＭ１２１４に読み取られるようにし、ＲＡＭ１２１４上のデータに対し様々なタイプの処理を実行してよい。ＣＰＵ１２１２は次に、処理されたデータを外部記録媒体にライトバックしてよい。

【0096】

様々なタイプのプログラム、データ、テーブル、及びデータベースのような様々なタイプの情報が記録媒体に格納され、情報処理を受けてよい。ＣＰＵ１２１２は、ＲＡＭ１２１４から読み取られたデータに対し、本開示の随所に記載され、プログラムの命令シーケンスによって指定される様々なタイプのオペレーション、情報処理、条件判断、条件分岐、無条件分岐、情報の検索／置換等を含む、様々なタイプの処理を実行してよく、結果を

【0097】

ＲＡＭ１２１４に対しライトバックする。また、ＣＰＵ１２１２は、記録媒体内のファイル、データベース等における情報を検索してよい。例えば、各々が第２の属性の属性値に関連付けられた第１の属性の属性値を有する複数のエントリが記録媒体内に格納される場合、ＣＰＵ１２１２は、当該複数のエントリの中から、第１の属性の属性値が指定されている条件に一致するエントリを検索し、当該エントリ内に格納された第２の属性の属性値を読み取り、それにより予め定められた条件を満たす第１の属性に関連付けられた第２の属性の属性値を取得してよい。

【0098】

上で説明したプログラム又はソフトウエアモジュールは、コンピュータ１２００上又はコンピュータ１２００近傍のコンピュータ可読記憶媒体に格納されてよい。また、専用通信ネットワーク又はインターネットに接続されたサーバシステム内に提供されるハードディスク又はＲＡＭのような記録媒体が、コンピュータ可読記憶媒体として使用可能であり、それによりプログラムを、ネットワークを介してコンピュータ１２００に提供する。

【0099】

第１の実施の形態及び第２の実施の形態におけるフローチャート及びブロック図におけるブロックは、オペレーションが実行されるプロセスの段階又はオペレーションを実行する役割を持つ装置の「部」を表わしてよい。特定の段階及び「部」が、専用回路、コンピュータ可読記憶媒体上に格納されるコンピュータ可読命令と共に供給されるプログラマブル回路、及び／又はコンピュータ可読記憶媒体上に格納されるコンピュータ可読命令と共に供給されるプロセッサによって実装されてよい。専用回路は、デジタル及び／又はアナログハードウェア回路を含んでよく、集積回路（ＩＣ）及び／又はディスクリート回路を含んでよい。プログラマブル回路は、例えば、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、及びプログラマブルロジックアレイ（ＰＬＡ）等のような、論理積、論理和、排他的論理和、否定論理積、否定論理和、及び他の論理演算、フリップフロップ、レジスタ、並びにメモリエレメントを含む、再構成可能なハードウェア回路を含んでよい。

【0100】

コンピュータ可読記憶媒体は、適切なデバイスによって実行される命令を格納可能な任意の有形なデバイスを含んでよく、その結果、そこに格納される命令を有するコンピュータ可読記憶媒体は、フローチャート又はブロック図で指定されたオペレーションを実行するための手段を作成すべく実行され得る命令を含む、製品を備えることになる。コンピュータ可読記憶媒体の例としては、電子記憶媒体、磁気記憶媒体、光記憶媒体、電磁記憶媒体、半導体記憶媒体等が含まれてよい。コンピュータ可読記憶媒体のより具体的な例としては、フロッピー（登録商標）ディスク、ディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、消去可能プログラマブルリードオンリメモリ（ＥＰＲＯＭ又はフラッシュメモリ）、電気的消去可能プログラマブルリードオンリメモリ（ＥＥＰＲＯＭ）、静的ランダムアクセスメモリ（ＳＲＡＭ）、コンパクトディスクリードオンリメモリ（ＣＤ－ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、ブルーレイ（登録商標）ディスク、メモリスティック、集積回路カード等が含まれてよい。

【0101】

コンピュータ可読命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、又はＳｍａｌｌｔａｌｋ（登録商標）、ＪＡＶＡ（登録商標）、Ｃ＋＋等のようなオブジェクト指向プログラミング言語、及び「Ｃ」プログラミング言語又は同様のプログラミング言語のような従来の手続型プログラミング言語を含む、１又は複数のプログラミング言語の任意の組み合わせで記述されたソースコード又はオブジェクトコードのいずれかを含んでよい。

【0102】

コンピュータ可読命令は、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサ、又はプログラマブル回路が、フローチャート又はブロック図で指定されたオペレーションを実行するための手段を生成するために当該コンピュータ可読命令を実行すべく、ローカルに又はローカルエリアネットワーク（ＬＡＮ）、インターネット等のようなワイドエリアネットワーク（ＷＡＮ）を介して、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサ、又はプログラマブル回路に提供されてよい。プロセッサの例としては、コンピュータプロセッサ、処理ユニット、マイクロプロセッサ、デジタル信号プロセッサ、コントローラ、マイクロコントローラ等を含む。

【0103】

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更又は改良を加えることが可能であることが当業者に明らかである。その様な変更又は改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。

【0104】

特許請求の範囲、明細書、及び図面中において示した装置、システム、プログラム、及び方法における動作、手順、ステップ、及び段階などの各処理の実行順序は、特段「より前に」、「先立って」などと明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、及び図面中の動作フローに関して、便宜上「まず、」、「次に、」などを用いて説明したとしても、この順で実施することが必須であることを意味するものではない。

【符号の説明】

【0105】

１２０ Ｃｅｎｔｒａｌ Ｂｒａｉｎ、１２００ コンピュータ、１２１０ ホストコントローラ、１２１２ ＣＰＵ、１２１４ ＲＡＭ、１２１６ グラフィックコントローラ、１２１８ ディスプレイデバイス、１２２０ 入出力コントローラ、１２２２ 通信インタフェース、１２２４ 記憶装置、１２３０ ＲＯＭ、１２４０ 入出力チップ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】