特許 7444141 処理システム、処理装置、処理方法、処理プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-02-27

(45)【発行日】2024-03-06

(54)【発明の名称】処理システム、処理装置、処理方法、処理プログラム

(51)【国際特許分類】

   G06T 7/00 20170101AFI20240228BHJP

   G08G 1/16 20060101ALI20240228BHJP

【ＦＩ】

G06T7/00 650B

G08G1/16 C

【請求項の数】 23

(21)【出願番号】P 2021115163

(22)【出願日】2021-07-12

(65)【公開番号】P2023011352

(43)【公開日】2023-01-24

【審査請求日】2023-06-08

(73)【特許権者】

【識別番号】000004260

【氏名又は名称】株式会社デンソー

(74)【代理人】

【識別番号】100106149

【弁理士】

【氏名又は名称】矢作 和行

(74)【代理人】

【識別番号】100121991

【弁理士】

【氏名又は名称】野々部 泰平

(74)【代理人】

【識別番号】100145595

【弁理士】

【氏名又は名称】久保 貴則

(72)【発明者】

【氏名】清水 駿

【審査官】小太刀 慶明

(56)【参考文献】

【文献】特開２０２０－４６７６２（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｔ ７／００ － ７／９０

Ｇ０６Ｖ １０／００ － ２０／９０

Ｇ０６Ｖ ３０／４１８

Ｇ０６Ｖ ４０／１６

Ｇ０６Ｖ ４０／２０

Ｇ０８Ｇ １／００ － ９９／００

(57)【特許請求の範囲】

【請求項1】

プロセッサ（１２）を有し、ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行する処理システムであって、
前記プロセッサは、
前記ホスト移動体からの距離（Ｌｈ）に対して前記ターゲット移動体が存在する確率分布（Ｄｐ）を、前記ホスト移動体の走行エリア（Ａｄ）に応じて取得することと、
前記ターゲット移動体を認識する認識率を、複数の認識モデル（Ｍｎ）毎に取得することと、
各前記認識モデル毎に前記認識率と前記確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各前記認識モデルによる認識データをフュージョンすることとを、実行するように構成され、
前記確率分布を取得することは、
前記走行エリアにおける移動体の速度分布（Ｄｖ）及び加速度分布（Ｄａ）に基づき、前記確率分布を取得することを、含む処理システム。

【請求項2】

前記確率分布を取得することは、
前記走行エリアにおける移動体の臨界ギャップ（ｔｃ）と、前記走行エリアにおける前記ホスト移動体の認識必要時間（ｔｓ）とのうち、大側において前記ホスト移動体が移動する移動距離範囲（ΔＬ）内での前記確率分布を取得することを、含む請求項１に記載の処理システム。

【請求項3】

前記認識データをフュージョンすることは、
前記確率分布において前記距離に依存する存在確率により前記認識率を補正した、各前記認識モデル毎の前記認識スコアに基づき、前記フュージョン率を最適化することを、含む請求項１又は２に記載の処理システム。

【請求項4】

プロセッサ（１２）を有し、ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行する処理システムであって、
前記プロセッサは、
前記ホスト移動体からの距離（Ｌｈ）に対して前記ターゲット移動体が存在する確率分布（Ｄｐ）を、前記ホスト移動体の走行エリア（Ａｄ）に応じて取得することと、
前記ターゲット移動体を認識する認識率を、複数の認識モデル（Ｍｎ）毎に取得することと、
各前記認識モデル毎に前記認識率と前記確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各前記認識モデルによる認識データをフュージョンすることとを、実行するように構成され、
前記認識データをフュージョンすることは、
前記確率分布において前記距離に依存する存在確率により前記認識率を補正した、各前記認識モデル毎の前記認識スコアに基づき、前記フュージョン率を最適化することを、含む処理システム。

【請求項5】

前記認識データをフュージョンすることは、
前記走行エリアを複数に分割したメッシュエリア（Ａｍ）別の前記認識率を前記存在確率により補正した、各前記認識モデル毎の前記認識スコアに基づき、前記フュージョン率を最適化することを、含む請求項３又は４に記載の処理システム。

【請求項6】

前記プロセッサは、
各前記認識モデル毎且つ各前記メッシュエリア別の前記認識スコアを前記フュージョン率により重み付けした加重平均（Ｋ）に基づき、自動運転モードでの前記ホスト移動体に対する運行設計領域の制約を設定することを、さらに実行するように構成される請求項５に記載の処理システム。

【請求項7】

前記認識データをフュージョンすることは、
現実に対する認識の一致度（ＴＰ，ＴＮ）である前記認識率を前記確率分布により補正した、各前記認識モデル毎の前記認識スコアに基づき、前記フュージョン率を最適化することを、含む請求項１～６のいずれか一項に記載の処理システム。

【請求項8】

前記認識データをフュージョンすることは、
現実に対する認識の不一致度（ＦＰ，ＦＮ）である前記認識率を前記確率分布により補正した、各前記認識モデル毎の前記認識スコアに基づき、前記フュージョン率を最適化することを、含む請求項１～７のいずれか一項に記載の処理システム。

【請求項9】

記憶媒体（１０）を有し、
前記プロセッサは、
前記フュージョン率を前記記憶媒体に記憶することを、さらに実行するように構成される請求項１～８のいずれか一項に記載の処理システム。

【請求項10】

プロセッサ（１２）を有し、ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行する処理システムであって、
前記プロセッサは、
前記ホスト移動体からの距離（Ｌｈ）に対して前記ターゲット移動体が存在する確率分布（Ｄｐ）を、前記ホスト移動体の走行エリア（Ａｄ）に応じて取得することと、
現実に対する認識の一致度（ＴＰ，ＴＮ）及び不一致度（ＦＰ，ＦＮ）のうち、少なくとも一種類である認識率を、前記ターゲット移動体を認識する複数の認識モデル（Ｍｎ）毎に取得することと、
各前記認識モデル毎の前記認識率と前記確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各前記認識モデルによる認識データをフュージョンすることとを、実行するように構成され、
前記確率分布を取得することは、
前記走行エリアにおける移動体の速度分布（Ｄｖ）及び加速度分布（Ｄａ）に基づき、前記確率分布を取得することを、含む処理システム。

【請求項11】

プロセッサ（１２）を有し、ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行する処理システムであって、
前記プロセッサは、
前記ホスト移動体からの距離（Ｌｈ）に対して前記ターゲット移動体が存在する確率分布（Ｄｐ）を、前記ホスト移動体の走行エリア（Ａｄ）に応じて取得することと、
現実に対する認識の一致度（ＴＰ，ＴＮ）及び不一致度（ＦＰ，ＦＮ）のうち、少なくとも一種類である認識率を、前記ターゲット移動体を認識する複数の認識モデル（Ｍｎ）毎に取得することと、
各前記認識モデル毎の前記認識率と前記確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各前記認識モデルによる認識データをフュージョンすることとを、実行するように構成され、
前記認識データをフュージョンすることは、
前記確率分布において前記距離に依存する存在確率により前記認識率を補正した、各前記認識モデル毎の前記認識スコアに基づき、前記フュージョン率を最適化することを、含む処理システム。

【請求項12】

プロセッサ（１２）を有し、ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行する処理装置であって、
前記プロセッサは、
前記ホスト移動体からの距離（Ｌｈ）に対して前記ターゲット移動体が存在する確率分布（Ｄｐ）を、前記ホスト移動体の走行エリア（Ａｄ）に応じて取得することと、
前記ターゲット移動体を認識する認識率を、複数の認識モデル（Ｍｎ）毎に取得することと、
各前記認識モデル毎に前記認識率と前記確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各前記認識モデルによる認識データをフュージョンすることとを、実行するように構成され、
前記確率分布を取得することは、
前記走行エリアにおける移動体の速度分布（Ｄｖ）及び加速度分布（Ｄａ）に基づき、前記確率分布を取得することを、含む処理装置。

【請求項13】

プロセッサ（１２）を有し、ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行する処理装置であって、
前記プロセッサは、
前記ホスト移動体からの距離（Ｌｈ）に対して前記ターゲット移動体が存在する確率分布（Ｄｐ）を、前記ホスト移動体の走行エリア（Ａｄ）に応じて取得することと、
前記ターゲット移動体を認識する認識率を、複数の認識モデル（Ｍｎ）毎に取得することと、
各前記認識モデル毎に前記認識率と前記確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各前記認識モデルによる認識データをフュージョンすることとを、実行するように構成され、
前記認識データをフュージョンすることは、
前記確率分布において前記距離に依存する存在確率により前記認識率を補正した、各前記認識モデル毎の前記認識スコアに基づき、前記フュージョン率を最適化することを、含む処理装置。

【請求項14】

プロセッサ（１２）を有し、ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行する処理装置であって、
前記プロセッサは、
前記ホスト移動体からの距離（Ｌｈ）に対して前記ターゲット移動体が存在する確率分布（Ｄｐ）を、前記ホスト移動体の走行エリア（Ａｄ）に応じて取得することと、
現実に対する認識の一致度（ＴＰ，ＴＮ）及び不一致度（ＦＰ，ＦＮ）のうち、少なくとも一種類である認識率を、前記ターゲット移動体を認識する複数の認識モデル（Ｍｎ）毎に取得することと、
各前記認識モデル毎の前記認識率と前記確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各前記認識モデルによる認識データをフュージョンすることとを、実行するように構成され、
前記確率分布を取得することは、
前記走行エリアにおける移動体の速度分布（Ｄｖ）及び加速度分布（Ｄａ）に基づき、前記確率分布を取得することを、含む処理装置。

【請求項15】

プロセッサ（１２）を有し、ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行する処理装置であって、
前記プロセッサは、
前記ホスト移動体からの距離（Ｌｈ）に対して前記ターゲット移動体が存在する確率分布（Ｄｐ）を、前記ホスト移動体の走行エリア（Ａｄ）に応じて取得することと、
現実に対する認識の一致度（ＴＰ，ＴＮ）及び不一致度（ＦＰ，ＦＮ）のうち、少なくとも一種類である認識率を、前記ターゲット移動体を認識する複数の認識モデル（Ｍｎ）毎に取得することと、
各前記認識モデル毎の前記認識率と前記確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各前記認識モデルによる認識データをフュージョンすることとを、実行するように構成され、
前記認識データをフュージョンすることは、
前記確率分布において前記距離に依存する存在確率により前記認識率を補正した、各前記認識モデル毎の前記認識スコアに基づき、前記フュージョン率を最適化することを、含む処理装置。

【請求項16】

ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行するためにプロセッサ（１２）により実行される処理方法であって、
前記ホスト移動体からの距離（Ｌｈ）に対して前記ターゲット移動体が存在する確率分布（Ｄｐ）を、前記ホスト移動体の走行エリア（Ａｄ）に応じて取得することと、
前記ターゲット移動体を認識する認識率を、複数の認識モデル（Ｍｎ）毎に取得することと、
各前記認識モデル毎に前記認識率と前記確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各前記認識モデルによる認識データをフュージョンすることとを、含み、
前記確率分布を取得することは、
前記走行エリアにおける移動体の速度分布（Ｄｖ）及び加速度分布（Ｄａ）に基づき、前記確率分布を取得することを、含む処理方法。

【請求項17】

ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行するためにプロセッサ（１２）により実行される処理方法であって、
前記ホスト移動体からの距離（Ｌｈ）に対して前記ターゲット移動体が存在する確率分布（Ｄｐ）を、前記ホスト移動体の走行エリア（Ａｄ）に応じて取得することと、
前記ターゲット移動体を認識する認識率を、複数の認識モデル（Ｍｎ）毎に取得することと、
各前記認識モデル毎に前記認識率と前記確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各前記認識モデルによる認識データをフュージョンすることとを、含み、
前記認識データをフュージョンすることは、
前記確率分布において前記距離に依存する存在確率により前記認識率を補正した、各前記認識モデル毎の前記認識スコアに基づき、前記フュージョン率を最適化することを、含む処理方法。

【請求項18】

ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行するためにプロセッサ（１２）により実行される処理方法であって、
前記ホスト移動体からの距離（Ｌｈ）に対して前記ターゲット移動体が存在する確率分布（Ｄｐ）を、前記ホスト移動体の走行エリア（Ａｄ）に応じて取得することと、
現実に対する認識の一致度（ＴＰ，ＴＮ）及び不一致度（ＦＰ，ＦＮ）のうち、少なくとも一種類である認識率を、前記ターゲット移動体を認識する複数の認識モデル（Ｍｎ）毎に取得することと、
各前記認識モデル毎の前記認識率と前記確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各前記認識モデルによる認識データをフュージョンすることとを、含み、
前記確率分布を取得することは、
前記走行エリアにおける移動体の速度分布（Ｄｖ）及び加速度分布（Ｄａ）に基づき、前記確率分布を取得することを、含む処理方法。

【請求項19】

ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行するためにプロセッサ（１２）により実行される処理方法であって、
前記ホスト移動体からの距離（Ｌｈ）に対して前記ターゲット移動体が存在する確率分布（Ｄｐ）を、前記ホスト移動体の走行エリア（Ａｄ）に応じて取得することと、
現実に対する認識の一致度（ＴＰ，ＴＮ）及び不一致度（ＦＰ，ＦＮ）のうち、少なくとも一種類である認識率を、前記ターゲット移動体を認識する複数の認識モデル（Ｍｎ）毎に取得することと、
各前記認識モデル毎の前記認識率と前記確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各前記認識モデルによる認識データをフュージョンすることとを、含み、
前記認識データをフュージョンすることは、
前記確率分布において前記距離に依存する存在確率により前記認識率を補正した、各前記認識モデル毎の前記認識スコアに基づき、前記フュージョン率を最適化することを、含む処理方法。

【請求項20】

ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行するために記憶媒体（１０）に記憶され、プロセッサ（１２）に実行させる命令を含む処理プログラムであって、
前記命令は、
前記ホスト移動体からの距離（Ｌｈ）に対して前記ターゲット移動体が存在する確率分布（Ｄｐ）を、前記ホスト移動体の走行エリア（Ａｄ）に応じて取得させることと、
前記ターゲット移動体を認識する認識率を、複数の認識モデル（Ｍｎ）毎に取得させることと、
各前記認識モデル毎に前記認識率と前記確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各前記認識モデルによる認識データをフュージョンさせることとを、含み、
前記確率分布を取得させることは、
前記走行エリアにおける移動体の速度分布（Ｄｖ）及び加速度分布（Ｄａ）に基づき、前記確率分布を取得させることを、含む処理プログラム。

【請求項21】

ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行するために記憶媒体（１０）に記憶され、プロセッサ（１２）に実行させる命令を含む処理プログラムであって、
前記命令は、
前記ホスト移動体からの距離（Ｌｈ）に対して前記ターゲット移動体が存在する確率分布（Ｄｐ）を、前記ホスト移動体の走行エリア（Ａｄ）に応じて取得させることと、
前記ターゲット移動体を認識する認識率を、複数の認識モデル（Ｍｎ）毎に取得させることと、
各前記認識モデル毎に前記認識率と前記確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各前記認識モデルによる認識データをフュージョンさせることとを、含み、
前記認識データをフュージョンさせることは、
前記確率分布において前記距離に依存する存在確率により前記認識率を補正した、各前記認識モデル毎の前記認識スコアに基づき、前記フュージョン率を最適化させることを、含む処理プログラム。

【請求項22】

ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行するために記憶媒体（１０）に記憶され、プロセッサ（１２）に実行させる命令を含む処理プログラムであって、
前記命令は、
前記ホスト移動体からの距離（Ｌｈ）に対して前記ターゲット移動体が存在する確率分布（Ｄｐ）を、前記ホスト移動体の走行エリア（Ａｄ）に応じて取得させることと、
現実に対する認識の一致度（ＴＰ，ＴＮ）及び不一致度（ＦＰ，ＦＮ）のうち、少なくとも一種類である認識率を、前記ターゲット移動体を認識する複数の認識モデル（Ｍｎ）毎に取得させることと、
各前記認識モデル毎の前記認識率と前記確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各前記認識モデルによる認識データをフュージョンさせることとを、含み、
前記確率分布を取得させることは、
前記走行エリアにおける移動体の速度分布（Ｄｖ）及び加速度分布（Ｄａ）に基づき、前記確率分布を取得させることを、含む処理プログラム。

【請求項23】

ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行するために記憶媒体（１０）に記憶され、プロセッサ（１２）に実行させる命令を含む処理プログラムであって、
前記命令は、
前記ホスト移動体からの距離（Ｌｈ）に対して前記ターゲット移動体が存在する確率分布（Ｄｐ）を、前記ホスト移動体の走行エリア（Ａｄ）に応じて取得させることと、
現実に対する認識の一致度（ＴＰ，ＴＮ）及び不一致度（ＦＰ，ＦＮ）のうち、少なくとも一種類である認識率を、前記ターゲット移動体を認識する複数の認識モデル（Ｍｎ）毎に取得させることと、
各前記認識モデル毎の前記認識率と前記確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各前記認識モデルによる認識データをフュージョンさせることとを、含み、
前記認識データをフュージョンさせることは、
前記確率分布において前記距離に依存する存在確率により前記認識率を補正した、各前記認識モデル毎の前記認識スコアに基づき、前記フュージョン率を最適化させることを、含む処理プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、ホスト移動体におけるターゲット移動体の認識に関連した、認識関連処理を遂行する技術に関する。

【背景技術】

【0002】

特許文献１に開示される技術は、ホスト移動体としての車両においてターゲット移動体としての歩行者を認識するために、認識モデルとしての辞書を複数利用している。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２００８－２０９５１号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１の開示技術は、演算時間を低減するために、最低解像度となる辞書を探索して選択的に利用している。しかし、辞書に対して求められる要求認識性能は、車両の走行エリアに応じて変化するため、最低解像度の辞書に基づく認識だけでは認識精度の確保が困難となるおそれがあった。

【0005】

本開示の課題は、ホスト移動体におけるターゲット移動体の認識精度を確保する処理システムを、提供することにある。本開示の別の課題は、ホスト移動体におけるターゲット移動体の認識精度を確保する処理装置を、提供することにある。本開示のまた別の課題は、ホスト移動体におけるターゲット移動体の認識精度を確保する処理方法を、提供することにある。本開示のさらに別の課題は、ホスト移動体におけるターゲット移動体の認識精度を確保する処理プログラムを、提供することにある。

【課題を解決するための手段】

【0006】

以下、課題を解決するための本開示の技術的手段について、説明する。尚、特許請求の範囲及び本欄に記載された括弧内の符号は、後に詳述する実施形態に記載された具体的手段との対応関係を示すものであり、本開示の技術的範囲を限定するものではない。

【0007】

本開示の第一態様は、
プロセッサ（１２）を有し、ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行する処理システムであって、
プロセッサは、
ホスト移動体からの距離（Ｌｈ）に対してターゲット移動体が存在する確率分布（Ｄｐ）を、ホスト移動体の走行エリア（Ａｄ）に応じて取得することと、
ターゲット移動体を認識する認識率を、複数の認識モデル（Ｍｎ）毎に取得することと、
各認識モデル毎に認識率と確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各認識モデルによる認識データをフュージョンすることとを、実行するように構成され、
確率分布を取得することは、
走行エリアにおける移動体の速度分布（Ｄｖ）及び加速度分布（Ｄａ）に基づき、確率分布を取得することを、含む。
本開示の第二態様は、
プロセッサ（１２）を有し、ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行する処理システムであって、
プロセッサは、
ホスト移動体からの距離（Ｌｈ）に対してターゲット移動体が存在する確率分布（Ｄｐ）を、ホスト移動体の走行エリア（Ａｄ）に応じて取得することと、
ターゲット移動体を認識する認識率を、複数の認識モデル（Ｍｎ）毎に取得することと、
各認識モデル毎に認識率と確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各認識モデルによる認識データをフュージョンすることとを、実行するように構成され、
認識データをフュージョンすることは、
確率分布において距離に依存する存在確率により認識率を補正した、各認識モデル毎の認識スコアに基づき、フュージョン率を最適化することを、含む。
本開示の第三態様は、
プロセッサ（１２）を有し、ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行する処理システムであって、
プロセッサは、
ホスト移動体からの距離（Ｌｈ）に対してターゲット移動体が存在する確率分布（Ｄｐ）を、ホスト移動体の走行エリア（Ａｄ）に応じて取得することと、
現実に対する認識の一致度（ＴＰ，ＴＮ）及び不一致度（ＦＰ，ＦＮ）のうち、少なくとも一種類である認識率を、ターゲット移動体を認識する複数の認識モデル（Ｍｎ）毎に取得することと、
各認識モデル毎の認識率と確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各認識モデルによる認識データをフュージョンすることとを、実行するように構成され、
確率分布を取得することは、
走行エリアにおける移動体の速度分布（Ｄｖ）及び加速度分布（Ｄａ）に基づき、確率分布を取得することを、含む。
本開示の第四態様は、
プロセッサ（１２）を有し、ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行する処理システムであって、
プロセッサは、
ホスト移動体からの距離（Ｌｈ）に対してターゲット移動体が存在する確率分布（Ｄｐ）を、ホスト移動体の走行エリア（Ａｄ）に応じて取得することと、
現実に対する認識の一致度（ＴＰ，ＴＮ）及び不一致度（ＦＰ，ＦＮ）のうち、少なくとも一種類である認識率を、ターゲット移動体を認識する複数の認識モデル（Ｍｎ）毎に取得することと、
各認識モデル毎の認識率と確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各認識モデルによる認識データをフュージョンすることとを、実行するように構成され、
認識データをフュージョンすることは、
確率分布において距離に依存する存在確率により認識率を補正した、各認識モデル毎の認識スコアに基づき、フュージョン率を最適化することを、含む。

【0008】

本開示の第五態様は、
プロセッサ（１２）を有し、ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行する処理装置であって、
プロセッサは、
ホスト移動体からの距離（Ｌｈ）に対してターゲット移動体が存在する確率分布（Ｄｐ）を、ホスト移動体の走行エリア（Ａｄ）に応じて取得することと、
ターゲット移動体を認識する認識率を、複数の認識モデル（Ｍｎ）毎に取得することと、
各認識モデル毎に認識率と確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各認識モデルによる認識データをフュージョンすることとを、実行するように構成され、
確率分布を取得することは、
走行エリアにおける移動体の速度分布（Ｄｖ）及び加速度分布（Ｄａ）に基づき、確率分布を取得することを、含む。
本開示の第六態様は、
プロセッサ（１２）を有し、ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行する処理装置であって、
プロセッサは、
ホスト移動体からの距離（Ｌｈ）に対してターゲット移動体が存在する確率分布（Ｄｐ）を、ホスト移動体の走行エリア（Ａｄ）に応じて取得することと、
ターゲット移動体を認識する認識率を、複数の認識モデル（Ｍｎ）毎に取得することと、
各認識モデル毎に認識率と確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各認識モデルによる認識データをフュージョンすることとを、実行するように構成され、
認識データをフュージョンすることは、
確率分布において距離に依存する存在確率により認識率を補正した、各認識モデル毎の認識スコアに基づき、フュージョン率を最適化することを、含む。
本開示の第七態様は、
プロセッサ（１２）を有し、ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行する処理装置であって、
プロセッサは、
ホスト移動体からの距離（Ｌｈ）に対してターゲット移動体が存在する確率分布（Ｄｐ）を、ホスト移動体の走行エリア（Ａｄ）に応じて取得することと、
現実に対する認識の一致度（ＴＰ，ＴＮ）及び不一致度（ＦＰ，ＦＮ）のうち、少なくとも一種類である認識率を、ターゲット移動体を認識する複数の認識モデル（Ｍｎ）毎に取得することと、
各認識モデル毎の認識率と確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各認識モデルによる認識データをフュージョンすることとを、実行するように構成され、
確率分布を取得することは、
走行エリアにおける移動体の速度分布（Ｄｖ）及び加速度分布（Ｄａ）に基づき、確率分布を取得することを、含む。
本開示の第八態様は、
プロセッサ（１２）を有し、ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行する処理装置であって、
プロセッサは、
ホスト移動体からの距離（Ｌｈ）に対してターゲット移動体が存在する確率分布（Ｄｐ）を、ホスト移動体の走行エリア（Ａｄ）に応じて取得することと、
現実に対する認識の一致度（ＴＰ，ＴＮ）及び不一致度（ＦＰ，ＦＮ）のうち、少なくとも一種類である認識率を、ターゲット移動体を認識する複数の認識モデル（Ｍｎ）毎に取得することと、
各認識モデル毎の認識率と確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各認識モデルによる認識データをフュージョンすることとを、実行するように構成され、
認識データをフュージョンすることは、
確率分布において距離に依存する存在確率により認識率を補正した、各認識モデル毎の認識スコアに基づき、フュージョン率を最適化することを、含む。

【0009】

本開示の第九態様は、
ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行するためにプロセッサ（１２）により実行される処理方法であって、
ホスト移動体からの距離（Ｌｈ）に対してターゲット移動体が存在する確率分布（Ｄｐ）を、ホスト移動体の走行エリア（Ａｄ）に応じて取得することと、
ターゲット移動体を認識する認識率を、複数の認識モデル（Ｍｎ）毎に取得することと、
各認識モデル毎に認識率と確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各認識モデルによる認識データをフュージョンすることとを、含み、
確率分布を取得することは、
走行エリアにおける移動体の速度分布（Ｄｖ）及び加速度分布（Ｄａ）に基づき、確率分布を取得することを、含む。
本開示の第十態様は、
ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行するためにプロセッサ（１２）により実行される処理方法であって、
ホスト移動体からの距離（Ｌｈ）に対してターゲット移動体が存在する確率分布（Ｄｐ）を、ホスト移動体の走行エリア（Ａｄ）に応じて取得することと、
ターゲット移動体を認識する認識率を、複数の認識モデル（Ｍｎ）毎に取得することと、
各認識モデル毎に認識率と確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各認識モデルによる認識データをフュージョンすることとを、含み、
認識データをフュージョンすることは、
確率分布において距離に依存する存在確率により認識率を補正した、各認識モデル毎の認識スコアに基づき、フュージョン率を最適化することを、含む。
本開示の第十一態様は、
ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行するためにプロセッサ（１２）により実行される処理方法であって、
ホスト移動体からの距離（Ｌｈ）に対してターゲット移動体が存在する確率分布（Ｄｐ）を、ホスト移動体の走行エリア（Ａｄ）に応じて取得することと、
現実に対する認識の一致度（ＴＰ，ＴＮ）及び不一致度（ＦＰ，ＦＮ）のうち、少なくとも一種類である認識率を、ターゲット移動体を認識する複数の認識モデル（Ｍｎ）毎に取得することと、
各認識モデル毎の認識率と確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各認識モデルによる認識データをフュージョンすることとを、含み、
確率分布を取得することは、
走行エリアにおける移動体の速度分布（Ｄｖ）及び加速度分布（Ｄａ）に基づき、確率分布を取得することを、含む。
本開示の第十二態様は、
ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行するためにプロセッサ（１２）により実行される処理方法であって、
ホスト移動体からの距離（Ｌｈ）に対してターゲット移動体が存在する確率分布（Ｄｐ）を、ホスト移動体の走行エリア（Ａｄ）に応じて取得することと、
現実に対する認識の一致度（ＴＰ，ＴＮ）及び不一致度（ＦＰ，ＦＮ）のうち、少なくとも一種類である認識率を、ターゲット移動体を認識する複数の認識モデル（Ｍｎ）毎に取得することと、
各認識モデル毎の認識率と確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各認識モデルによる認識データをフュージョンすることとを、含み、
認識データをフュージョンすることは、
確率分布において距離に依存する存在確率により認識率を補正した、各認識モデル毎の認識スコアに基づき、フュージョン率を最適化することを、含む。

【0010】

本開示の第十三態様は、
ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行するために記憶媒体（１０）に記憶され、プロセッサ（１２）に実行させる命令を含む処理プログラムであって、
命令は、
ホスト移動体からの距離（Ｌｈ）に対してターゲット移動体が存在する確率分布（Ｄｐ）を、ホスト移動体の走行エリア（Ａｄ）に応じて取得させることと、
ターゲット移動体を認識する認識率を、複数の認識モデル（Ｍｎ）毎に取得させることと、
各認識モデル毎に認識率と確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各認識モデルによる認識データをフュージョンさせることとを、含み、
確率分布を取得させることは、
走行エリアにおける移動体の速度分布（Ｄｖ）及び加速度分布（Ｄａ）に基づき、確率分布を取得させることを、含む。
本開示の第十四態様は、
ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行するために記憶媒体（１０）に記憶され、プロセッサ（１２）に実行させる命令を含む処理プログラムであって、
命令は、
ホスト移動体からの距離（Ｌｈ）に対してターゲット移動体が存在する確率分布（Ｄｐ）を、ホスト移動体の走行エリア（Ａｄ）に応じて取得させることと、
ターゲット移動体を認識する認識率を、複数の認識モデル（Ｍｎ）毎に取得させることと、
各認識モデル毎に認識率と確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各認識モデルによる認識データをフュージョンさせることとを、含み、
認識データをフュージョンさせることは、
確率分布において距離に依存する存在確率により認識率を補正した、各認識モデル毎の認識スコアに基づき、フュージョン率を最適化させることを、含む。
本開示の第十五態様は、
ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行するために記憶媒体（１０）に記憶され、プロセッサ（１２）に実行させる命令を含む処理プログラムであって、
命令は、
ホスト移動体からの距離（Ｌｈ）に対してターゲット移動体が存在する確率分布（Ｄｐ）を、ホスト移動体の走行エリア（Ａｄ）に応じて取得させることと、
現実に対する認識の一致度（ＴＰ，ＴＮ）及び不一致度（ＦＰ，ＦＮ）のうち、少なくとも一種類である認識率を、ターゲット移動体を認識する複数の認識モデル（Ｍｎ）毎に取得させることと、
各認識モデル毎の認識率と確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各認識モデルによる認識データをフュージョンさせることとを、含み、
確率分布を取得させることは、
走行エリアにおける移動体の速度分布（Ｄｖ）及び加速度分布（Ｄａ）に基づき、確率分布を取得させることを、含む。
本開示の第十六態様は、
ホスト移動体（２）におけるターゲット移動体（３）の認識に関連した、認識関連処理を遂行するために記憶媒体（１０）に記憶され、プロセッサ（１２）に実行させる命令を含む処理プログラムであって、
命令は、
ホスト移動体からの距離（Ｌｈ）に対してターゲット移動体が存在する確率分布（Ｄｐ）を、ホスト移動体の走行エリア（Ａｄ）に応じて取得させることと、
現実に対する認識の一致度（ＴＰ，ＴＮ）及び不一致度（ＦＰ，ＦＮ）のうち、少なくとも一種類である認識率を、ターゲット移動体を認識する複数の認識モデル（Ｍｎ）毎に取得させることと、
各認識モデル毎の認識率と確率分布とに相関する、認識スコア（Ｓｎ）に基づいたフュージョン率（ωｎ）に従って、各認識モデルによる認識データをフュージョンさせることとを、含み、
認識データをフュージョンさせることは、
確率分布において距離に依存する存在確率により認識率を補正した、各認識モデル毎の認識スコアに基づき、フュージョン率を最適化させることを、含む。

【0011】

これら第一～第十六態様によると、ホスト移動体からの距離に対してターゲット移動体の存在する確率分布が、ホスト移動体の走行エリアに応じて取得される。そこで第一～第十六態様では、ターゲット移動体を認識する、複数認識モデル毎の認識率と、こうして取得の確率分布とに相関する、認識スコアに基づいたフュージョン率に従って、それら各認識モデルによる認識データがフュージョンされる。これによれば、走行エリアに応じて求められる要求認識性能が変化したとしても、当該変化が確率分布によって反映され得る認識スコアに合わせたフュージョン率に従うことで、適正なフュージョンを実現することができる。故に、ホスト移動体におけるターゲット移動体の認識精度を、確保することが可能となる。

【図面の簡単な説明】

【0012】

【図1】一実施形態の全体構成を示すブロック図である。

【図2】一実施形態の適用されるホスト車両の走行環境を示す模式図である。

【図3】一実施形態による処理システムの機能構成を示すブロック図である。

【図4】一実施形態による処理フローを示すフローチャートである。

【図5】一実施形態による確率分布を説明するためのグラフである。

【図6】一実施形態による速度分布を説明するためのグラフである。

【図7】一実施形態による加速度分布を説明するためのグラフである。

【図8】一実施形態による軌道交差シーンを示す模式図である。

【図9】一実施形態による軌道交差シーンを示す模式図である。

【図10】一実施形態による軌道交差シーンを示す模式図である。

【図11】一実施形態による軌道交差シーンを示す模式図である。

【図12】一実施形態による軌道交差シーンを示す模式図である。

【図13】一実施形態による臨界ギャップを示す特性表である。

【図14】一実施形態による複数の認識モデルを示すブロック図である。

【図15】一実施形態による認識率を説明するための模式図である。

【図16】一実施形態による認識率を説明するための特性表である。

【図17】一実施形態による認識スコアを説明するための特性表である。

【図18】一実施形態によるフュージョン率の最適化演算を説明するための特性表である。

【図19】一実施形態による運行設計領域の制約を説明するための模式図である。

【発明を実施するための形態】

【0013】

以下、本開示の一実施形態を図面に基づき説明する。

【0014】

図１に示す一実施形態の処理システム１は、ホスト移動体としての図２に示すホスト車両２におけるターゲット移動体３の認識に関連した、認識関連処理を遂行する。ホスト車両２を中心とする視点において、ホスト車両２は自車両（ego-vehicle）であるともいえる。ホスト車両２は、乗員の搭乗状態において走行路を走行可能な、例えば自動車等の移動体である。ホスト車両２を中心とする視点において、ターゲット移動体３は他道路ユーザであるともいえる。ターゲット移動体３は、例えば自動車、バイク、自転車、ドローン、歩行者、及び動物等のうち、少なくとも一種類を含む。

【0015】

ホスト車両２においては、運転タスクにおける乗員の手動介入度に応じてレベル分けされる、自動運転モードが与えられる。自動運転モードは、条件付運転自動化、高度運転自動化、又は完全運転自動化といった、作動時のシステムが全ての運転タスクを実行する自律走行制御により、実現されてもよい。自動運転モードは、運転支援、又は部分運転自動化といった、乗員が一部若しくは全ての運転タスクを実行する高度運転支援制御により、実現されてもよい。自動運転モードは、それら自律走行制御と高度運転支援制御とのいずれか一方、組み合わせ、又は切り替えにより実現されてもよい。

【0016】

ホスト車両２には、図１に示すセンサ系４、通信系５、情報提示系６、及び地図データベース７が搭載される。センサ系４は、処理システム１により利用可能なセンサ情報を、ホスト車両２の外界及び内界の検出により取得する。そのためにセンサ系４は、外界センサ４０及び内界センサ４２を含んで構成されている。

【0017】

外界センサ４０は、ホスト車両２の周辺環境となる外界から、センサ情報としての外界情報を取得する。外界センサ４０は、ホスト車両２の外界に存在する物標を検知することで、外界情報を取得してもよい。物標検知タイプの外界センサ４０は、例えばカメラ、ＬｉＤＡＲ（Light Detection and Ranging / Laser Imaging Detection and Ranging）、レーダ、及びソナー等のうち、少なくとも一種類である。

【0018】

内界センサ４２は、ホスト車両２の内部環境となる内界から、処理システム１により利用可能な内界情報を取得する。内界センサ４２は、ホスト車両２の内界において特定の運動物理量を検知することで、内界情報を取得してもよい。物理量検知タイプの内界センサ４２は、例えば走行速度センサ、加速度センサ、及びジャイロセンサ等のうち、少なくとも一種類である。内界センサ４２は、ホスト車両２の内界において乗員の特定状態を検知することで、内界情報を取得してもよい。乗員検知タイプの内界センサ４２は、例えばドライバーステータスモニター（登録商標）、生体センサ、着座センサ、アクチュエータセンサ、及び車内機器センサ等のうち、少なくとも一種類である。

【0019】

通信系５は、処理システム１により利用可能な通信情報を、無線通信により取得する。通信系５は、ホスト車両２の外界に存在するＧＮＳＳ（Global Navigation Satellite System）の人工衛星から、測位信号を受信してもよい。測位タイプの通信系５は、例えばＧＮＳＳ受信機等である。通信系５は、ホスト車両２の外界に存在するＶ２Ｘシステムとの間において、通信信号を送受信してもよい。Ｖ２Ｘタイプの通信系５は、例えばＤＳＲＣ（Dedicated Short Range Communications）通信機、及びセルラＶ２Ｘ（C-V2X）通信機等のうち、少なくとも一種類である。通信系５は、ホスト車両２の内界に存在する端末との間において、通信信号を送受信してもよい。端末通信タイプの通信系５は、例えばブルートゥース（Bluetooth：登録商標）機器、Ｗｉ－Ｆｉ（登録商標）機器、及び赤外線通信機器等のうち、少なくとも一種類である。

【0020】

情報提示系６は、ホスト車両２の乗員へ向けた報知情報を提示する。情報提示系６は、乗員の視覚を刺激することで、報知情報を提示してもよい。視覚刺激タイプの情報提示系６は、例えばＨＵＤ（Head-Up Display）、ＭＦＤ（Multi-Function Display）、コンビネーションメータ、ナビゲーションユニット、及び発光ユニット等のうち、少なくとも一種類である。情報提示系６は、乗員の聴覚を刺激することで、報知情報を提示してもよい。聴覚刺激タイプの情報提示系６は、例えばスピーカ、ブザー、及びバイブレーションユニット等のうち、少なくとも一種類である。

【0021】

地図データベース７は、処理システム１により利用可能な地図情報を、記憶する。地図データベース７は、例えば半導体メモリ、磁気媒体、及び光学媒体等のうち、少なくとも一種類の非遷移的実体的記憶媒体（non-transitory tangible storage medium）を含んで構成されている。地図データベース７は、ホスト車両２の自己位置を含む自己状態量を推定するロケータの、データベースであってもよい。地図データベース７は、ホスト車両２の走行経路をナビゲートするナビゲーションユニットの、データベースであってもよい。地図データベース７は、これらのデータベース等のうち複数種類の組み合わせにより、構成されていてもよい。

【0022】

地図データベース７は、例えばＶ２Ｘタイプの通信系５を介した外部センタとの通信等により、最新の地図情報を取得して記憶する。ここで地図情報は、ホスト車両２の走行環境を表す情報として、二次元又は三次元にデータ化されている。特に三次元の地図データとしては、高精度地図のデジタルデータが採用されるとよい。地図情報は、例えば道路自体の位置、形状、及び路面状態等のうち、少なくとも一種類を表した道路情報を含んでいてもよい。地図情報は、例えば道路に付属する標識及び区画線の位置並びに形状等のうち、少なくとも一種類を表した標示情報を含んでいてもよい。地図情報は、例えば道路に面する建造物及び信号機の位置並びに形状等のうち、少なくとも一種類を表した構造物情報を含んでいてもよい。

【0023】

処理システム１は、例えばＬＡＮ（Local Area Network）回線、ワイヤハーネス、内部バス、及び無線通信回線等のうち、少なくとも一種類を介してセンサ系４、通信系５、情報提示系６、及び地図データベース７に接続されている。処理システム１は、少なくとも一つの専用コンピュータを含んで構成されている。

【0024】

処理システム１を構成する専用コンピュータは、ホスト車両２の運転を制御する、運転制御ＥＣＵ（Electronic Control Unit）であってもよい。処理システム１を構成する専用コンピュータは、ホスト車両２の走行経路をナビゲートする、ナビゲーションＥＣＵであってもよい。処理システム１を構成する専用コンピュータは、ホスト車両２の自己状態量を推定する、ロケータＥＣＵであってもよい。処理システム１を構成する専用コンピュータは、ホスト車両２の走行アクチュエータを制御する、アクチュエータＥＣＵであってもよい。処理システム１を構成する専用コンピュータは、ホスト車両２において情報提示系６による情報提示を制御する、ＨＣＵ（HMI（Human Machine Interface） Control Unit）であってもよい。処理システム１を構成する専用コンピュータは、例えばＶ２Ｘタイプの通信系５を介して通信可能な外部センタ又はモバイル端末等を構成する、ホスト車両２以外のコンピュータであってもよい。

【0025】

処理システム１を構成する専用コンピュータは、メモリ１０及びプロセッサ１２を、少なくとも一つずつ有している。メモリ１０は、コンピュータにより読み取り可能なプログラム及びデータ等を非一時的に記憶する、例えば半導体メモリ、磁気媒体、及び光学媒体等のうち、少なくとも一種類の非遷移的実体的記憶媒体（non-transitory tangible storage medium）である。プロセッサ１２は、例えばＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＲＩＳＣ（Reduced Instruction Set Computer）－ＣＰＵ、ＤＦＰ（Data Flow Processor）、及びＧＳＰ（Graph Streaming Processor）等のうち、少なくとも一種類をコアとして含んでいる。

【0026】

処理システム１においてプロセッサ１２は、ホスト車両２における認識関連処理を遂行するためにメモリ１０に記憶された、処理プログラムに含まれる複数の命令を実行する。これにより処理システム１は、ホスト車両２における認識関連処理を遂行するための機能ブロックを、複数構築する。処理システム１において構築される複数の機能ブロックには、図３に示すように分布取得ブロック１００、認識率取得ブロック１１０、フュージョンブロック１２０、及び制約ブロック１３０が含まれている。

【0027】

これらのブロック１００，１１０の共同により、処理システム１がホスト車両２における認識関連処理を遂行するための処理方法は、図４に示す処理フローに従って実行される。本処理フローは、ホスト車両２の起動中に繰り返し実行される。尚、本処理フローにおける各「Ｓ」は、処理プログラムに含まれた複数命令によって実行される複数ステップを、それぞれ意味している。

【0028】

処理フローのＳ１０１において分布取得ブロック１００は、センサ系４、通信系５、及び地図データベース７の取得又は記憶情報に基づき、ホスト車両２の自己位置を含む走行シーンを判断することで、ホスト車両２の走行エリアＡｄ（図２参照）を特定する。このとき走行エリアＡｄは、ホスト車両２の横方向の左右と縦方向の前後とにおいて、ホスト車両２がターゲット移動体３を認識する必要のある距離範囲のエリアに、特定される。

【0029】

処理フローのＳ１０２において分布取得ブロック１００は、図５に示すように、ホスト車両２からの距離Ｌｈに対してターゲット移動体３が存在する確率分布Ｄｐを、ホスト車両２の走行エリアＡｄに応じて取得する。

【0030】

具体的にＳ１０２の分布取得ブロック１００は、走行エリアＡｄにおいて移動体の取る速度ｖｍが図６に示すように連続分散、若しくは断続分散（即ち、ヒストグラム分散）する状況を表した速度分布Ｄｖを、センサ系４、通信系５、及び地図データベース７の取得又は記憶情報に基づき取得する。それと共にＳ１０２の分布取得ブロック１００は、走行エリアＡｄにおいて移動体の取る加速度ａｍが図７に示すように連続分散、若しくは断続分散する状況を表した加速度分布Ｄａを、センサ系４、通信系５、及び地図データベース７の取得又は記憶情報に基づき取得する。これら速度分布Ｄｖ及び加速度分布Ｄａは、対象とする速度ｖｍ若しくは加速度ａｍを取る移動体の頻度として、全体割合又は数を提供する。そこで速度分布Ｄｖ及び加速度分布Ｄａは、走行エリアＡｄ毎に特有のデータとして、例えば外部センタに蓄積された最新の交通情報等を用いて取得されるとよい。

【0031】

Ｓ１０２の分布取得ブロック１００は、走行エリアＡｄにおける移動体の臨界ギャップｔｃと、走行エリアＡｄにおけるホスト車両２の認識必要時間ｔｓとのうち、数１及び図５に示すように大側となる一方を上限時間ｔｍとして取得する。

【数1】

【0032】

ここで臨界ギャップｔｃは、例えば図８～１２に示すように複数移動体の走行軌道が交錯する交差点進入、合流、又は車線変更等の軌道交錯シーンにおいて、走行軌道を変化させる側の移動体が当該軌道変化を実行する確率と、当該軌道変化を見送る確率との、等しくなるギャップを意味する。尚、図８～１２では、走行軌道を変化させる側の移動体がホスト車両２として描かれ、ギャップを形成する側の移動体がターゲット移動体３として描かれている。

【0033】

そこで臨界ギャップｔｃは、例えば外部センタに蓄積された最新のギャップアクセスタンス情報等を用いて、図１３に例示するように取得されるとよい。また臨界ギャップｔｃは、ホスト車両２において軌道交錯シーンが想定されていない場合には、０値に強制されるとよい。

【0034】

一方で認識必要時間ｔｓは、走行エリアＡｄにおいてホスト車両２がターゲット移動体３を認識する必要のある最大時間を、意味する。そこで認識必要時間ｔｓは、例えばホスト車両２における経路計画情報等を用いて、取得されるとよい。また認識必要時間ｔｓは、例えば軌道交錯シーンでは、ホスト車両２が現在から軌道変化を開始するまでの時間等に、設定されるとよい。

【0035】

Ｓ１０２の分布取得ブロック１００は、図５に示すように、現在から上限時間ｔｍの間にホスト車両２が移動する移動距離範囲ΔＬ内において、走行エリアＡｄに応じた確率分布Ｄｐを取得する。ここで確率分布Ｄｐは、ホスト車両２からの距離Ｌｈに対してターゲット移動体３が存在する全体割合又は数の分散状況を、示している。即ち確率分布Ｄｐは、距離Ｌｈに依存したターゲット移動体３の存在確率として、分散した全体割合又は数を提供する。そこで確率分布Ｄｐは、上限時間ｔｍを変数とした数２を満たすように、速度分布Ｄｖ及び加速度分布Ｄａが合成されることで、取得される。

【数2】

【0036】

図４に示す処理フローのＳ１０３において認識率取得ブロック１１０は、走行エリアＡｄにおいてターゲット移動体３を認識する認識率を、複数の認識モデルＭｎ毎に取得する。ここで各認識モデルＭｎは、走行エリアＡｄでの走行シーンに応じてターゲット移動体３を認識するためのルールモデル（即ち、認識ロジック）又は機械学習モデルとして、図１４に示すようにメモリ１０に記憶されている。尚、符号Ｍｎにおけるサフィックスｎは、Ｎ個の認識モデルＭｎをそれぞれ識別するためのインデックスとして、１～Ｎの整数を意味する。

【0037】

具体的に各認識モデルＭｎは、ホスト車両２の横方向の左右と縦方向の前後とにおいて、図１５に示すように走行エリアＡｄをそれぞれ複数ずつの矩形格子状に分割したメッシュエリア（即ち、グリッドともいう）Ａｍ毎に、認識率を規定している。こうした各メッシュエリアＡｍの形状は、それらメッシュエリアＡｍ間に隙間エリアが発生しない限りにおいて、矩形格子状以外の形状に設定されてもよい。尚、図１５において各メッシュエリアＡｍ内の数値は、それぞれ認識率を表している。

【0038】

本実施形態の各認識モデルＭｎにおいてメッシュエリアＡｍ毎に規定される認識率は、図１６に示すように、現実世界と認識とでの一致度ＴＰ，ＴＮ、及び現実世界と認識とでの不一致度ＦＰ，ＦＮのうち、少なくとも一種類を含んでいる。ここで一致度ＴＰ（True Psitive）は、現実世界でのターゲット移動体３の存在有りに対して、認識結果が存在有りと一致する、認識成功率である。一致度ＴＮ（True Negative）は、現実世界でのターゲット移動体３の存在無しに対して、認識結果が存在無しと一致する、認識成功率である。不一致度ＦＰ（False Psitive）は、現実世界でのターゲット移動体３の存在無しに対して、認識結果が存在有りの不一致となる、誤認識率である。不一致度ＦＮ（False Negative）は、現実世界でのターゲット移動体３の存在有りに対して、認識結果が存在無しの不一致となる、誤認識率である。

【0039】

図４に示す処理フローのＳ１０４においてフュージョンブロック１２０は、各認識モデルＭｎによる認識データを、センサ系４、通信系５、及び地図データベース７の取得又は記憶情報に基づき取得する。各認識モデルＭｎによる認識データは、それぞれターゲット移動体３に関するデータとして、例えば位置、速度、形状、種別、及び認識自信度（即ち、認識信頼度）等のうち、少なくとも一種類を含んで取得される。

【0040】

処理フローのＳ１０５においてフュージョンブロック１２０は、各認識モデルＭｎ毎に認識率と確率分布Ｄｐとに図１７に示すように相関する、認識スコアＳｎに基づいたフュージョン率ωｎに従って、各認識モデルＭｎによる認識データをフュージョンする。尚、符号Ｓｎ，ωｎにおけるサフィックスｎも、Ｎ個の認識モデルＭｎにそれぞれ対応する認識スコアＳｎ及びフュージョン率ωｎを識別するためのインデックスとして、１～Ｎの整数を意味する。

【0041】

具体的にＳ１０５のフュージョンブロック１２０は、各認識モデルＭｎ毎の認識率を確率分布Ｄｐにより補正することで、それら各認識モデルＭｎ毎の認識スコアＳｎを取得する。このとき認識スコアＳｎを取得する補正は、確率分布Ｄｐにおいて距離Ｌｈに依存したターゲット移動体３の存在確率を、図１７の如く各認識モデルＭｎ毎の認識率に乗算することで、実現される。

【0042】

そこで、ホスト車両２からエリア中心位置までの距離Ｌｈが確率分布Ｄｐの移動距離範囲ΔＬ内となる複数メッシュエリアＡｍでは、当該距離Ｌｈに対する存在確率の乗算によって各認識モデルＭｎ毎に認識率を補正した、認識スコアＳｎの取得を実行する。ここで、一致度ＴＰ，ＴＮ及び不一致度ＦＰ，ＦＮのうち複数種類ずつを各認識モデルＭｎ毎の認識率が含む場合、それら各種類別に存在確率が乗算されることになる。一方、一致度ＴＰ，ＴＮ及び不一致度ＦＰ，ＦＮのうち一種類ずつを各認識モデルＭｎ毎の認識率が含む場合、当該一種類に存在確率が乗算されることになる。但し、ホスト車両２からエリア中心位置までの距離Ｌｈが確率分布Ｄｐの移動距離範囲ΔＬ外となる少なくとも一つのメッシュエリアＡｍでは、各認識モデルＭｎ毎での認識スコアＳｎの取得が中止される。

【0043】

Ｓ１０５のフュージョンブロック１２０は、各認識モデルＭｎ毎に取得した認識スコアＳｎに基づくことで、それら各認識モデルＭｎ毎のフュージョン率ωｎを最適化する。このとき、エリア中心位置までの距離Ｌｈが移動距離範囲ΔＬ内となる各メッシュエリアＡｍ別の認識スコアＳｎに関して、それらメッシュエリアＡｍでの例えば総和値又は平均値等が、各認識モデルＭｎ毎のスコア代表値Ｓ＾ｎ（後述の図１８参照）として用いられる。尚、符号Ｓ＾ｎにおけるサフィックスｎも、Ｎ個の認識モデルＭｎにそれぞれ対応するスコア代表値Ｓ＾ｎを識別するためのインデックスとして、１～Ｎの整数を意味する。

【0044】

そこでＳ１０５のフュージョンブロック１２０は、各認識モデルＭｎ毎のスコア代表値Ｓ＾ｎを、各認識モデルＭｎ毎のフュージョン率ωｎにより重み付けして図１８の加重平均Ｊを求める、数３を定義する。この定義の下、数３を用いたフュージョン率ωｎの最適化演算として、図１８に示す演算Ｃ１～Ｃ７のうち、いずれかが採用される。

【数3】

【0045】

演算Ｃ１は、一致度ＴＰ，ＴＮにそれぞれ相関する認識スコアＳｎの和のスコア代表値Ｓ＾ｎを用いた加重平均Ｊ（ＴＰ＋ＴＮ）が最大となるように、フュージョン率ωｎを最適化する。あるいは演算Ｃ１は、一致度ＴＰ，ＴＮにそれぞれ相関する認識スコアＳｎの和のスコア代表値Ｓ＾ｎを用いた加重平均Ｊ（ＴＰ＋ＴＮ）の逆数が最小となるように、フュージョン率ωｎを最適化する。

【0046】

演算Ｃ２は、不一致度ＦＰ，ＦＮにそれぞれ相関する認識スコアＳｎの和のスコア代表値Ｓ＾ｎを用いた加重平均Ｊ（ＦＰ＋ＦＮ）の逆数が最大となるように、フュージョン率ωｎを最適化する。あるいは演算Ｃ２は、不一致度ＦＰ，ＦＮにそれぞれ相関する認識スコアＳｎの和のスコア代表値Ｓ＾ｎを用いた加重平均Ｊ（ＦＰ＋ＦＮ）が最小となるように、フュージョン率ωｎを最適化する。

【0047】

演算Ｃ３は、不一致度ＦＰに相関する認識スコアＳｎのスコア代表値Ｓ＾ｎを用いた加重平均Ｊ（ＦＰ）の逆数が最大となるように、フュージョン率ωｎを最適化する。あるいは演算Ｃ３は、不一致度ＦＰに相関する認識スコアＳｎのスコア代表値Ｓ＾ｎを用いた加重平均Ｊ（ＦＰ）が最小となるように、フュージョン率ωｎを最適化する。

【0048】

演算Ｃ４は、不一致度ＦＮに相関する認識スコアＳｎのスコア代表値Ｓ＾ｎを用いた加重平均Ｊ（ＦＮ）の逆数が最大となるように、フュージョン率ωｎを最適化する。あるいは演算Ｃ４は、不一致度ＦＮに相関する認識スコアＳｎのスコア代表値Ｓ＾ｎを用いた加重平均Ｊ（ＦＮ）が最小となるように、フュージョン率ωｎを最適化する。

【0049】

演算Ｃ５は、一致度ＴＰ，ＴＮにそれぞれ相関する認識スコアＳｎの和のスコア代表値Ｓ＾ｎを用いた加重平均Ｊ（ＴＰ＋ＴＮ）と、不一致度ＦＰ，ＦＮにそれぞれ相関する認識スコアＳｎの和のスコア代表値Ｓ＾ｎを用いた加重平均Ｊ（ＦＰ＋ＦＮ）の逆数との、総和が最大となるように、フュージョン率ωｎを最適化する。あるいは演算Ｃ５は、一致度ＴＰ，ＴＮにそれぞれ相関する認識スコアＳｎの和のスコア代表値Ｓ＾ｎを用いた加重平均Ｊ（ＴＰ＋ＴＮ）の逆数と、不一致度ＦＰ，ＦＮにそれぞれ相関する認識スコアＳｎの和のスコア代表値Ｓ＾ｎを用いた加重平均Ｊ（ＦＰ＋ＦＮ）との、総和が最小となるように、フュージョン率ωｎを最適化する。

【0050】

演算Ｃ６は、一致度ＴＰ，ＴＮにそれぞれ相関する認識スコアＳｎの和のスコア代表値Ｓ＾ｎを用いた加重平均Ｊ（ＴＰ＋ＴＮ）と、不一致度ＦＰに相関する認識スコアＳｎのスコア代表値Ｓ＾ｎを用いた加重平均Ｊ（ＦＰ）の逆数との、総和が最大となるように、フュージョン率ωｎを最適化する。あるいは演算Ｃ６は、一致度ＴＰ，ＴＮにそれぞれ相関する認識スコアＳｎの和のスコア代表値Ｓ＾ｎを用いた加重平均Ｊ（ＴＰ＋ＴＮ）の逆数と、不一致度ＦＰに相関する認識スコアＳｎのスコア代表値Ｓ＾ｎを用いた加重平均Ｊ（ＦＰ）との、総和が最小となるように、フュージョン率ωｎを最適化する。

【0051】

演算Ｃ７は、一致度ＴＰ，ＴＮにそれぞれ相関する認識スコアＳｎの和のスコア代表値Ｓ＾ｎを用いた加重平均Ｊ（ＴＰ＋ＴＮ）と、不一致度ＦＮに相関する認識スコアＳｎのスコア代表値Ｓ＾ｎを用いた加重平均Ｊ（ＦＮ）の逆数との、総和が最大となるように、フュージョン率ωｎを最適化する。あるいは演算Ｃ７は、一致度ＴＰ，ＴＮにそれぞれ相関する認識スコアＳｎの和のスコア代表値Ｓ＾ｎを用いた加重平均Ｊ（ＴＰ＋ＴＮ）の逆数と、不一致度ＦＮに相関する認識スコアＳｎのスコア代表値Ｓ＾ｎを用いた加重平均Ｊ（ＦＮ）との、総和が最小となるように、フュージョン率ωｎを最適化する

【0052】

Ｓ１０５のフュージョンブロック１２０は、各認識モデルＭｎによる認識データを、最適化したフュージョン率ωｎにより重み付けすることで、統合データへとフュージョンする。このとき、例えば各認識モデルＭｎによる認識データがターゲット移動体３の位置座標を含む場合、各認識モデルＭｎによる当該位置座標がフュージョン率ωｎにより重み付けされることで、加重平均後の位置座標が統合データとして出力されるとよい。

【0053】

また、例えば各認識モデルＭｎによる認識データがターゲット移動体３に対する認識自信度及び他種類データを含む場合、当該認識自信度が許容範囲外まで低下した認識モデルＭｎのフュージョン率ωｎは、０値に強制されてもよい。ここで後者の例示において、認識自信度が低下した認識モデルＭｎ以外となる認識モデルＭｎでは、フュージョン率ωｎが正規化されることで、他種類データがフュージョンされるとよい。このように、認識自信度が低い認識モデルＭｎにより取得の他種類データは、最適化されたフュージョン率ωｎに拘らず、統合データへのフュージョンから除外されもよいのである。

【0054】

Ｓ１０５のフュージョンブロック１２０は、最適化したフュージョン率ωｎと、それによってフュージョンした認識データとのうち、少なくとも一方をタイムスタンプと関連付けて、メモリ１０に記憶してもよい。Ｓ１０５のフュージョンブロック１２０は、最適化したフュージョン率ωｎと、それによってフュージョンした認識データとのうち、少なくとも一方をタイムスタンプと関連付けた情報として通信系５を通じて外部サーバへと送信することで、当該外部サーバに蓄積させてもよい。Ｓ１０５のフュージョンブロック１２０は、最適化したフュージョン率ωｎによってフュージョンした認識データを、情報提示系６から表示出力させてもよい。

【0055】

図４に示す処理フローのＳ１０６において制約ブロック１３０は、最適化された各認識モデルＭｎ毎のフュージョン率ωｎにより、各認識モデルＭｎ毎且つ各メッシュエリアＡｍ別の認識スコアＳｎを重み付けして図１９の加重平均Ｋを求める、数４を定義する。この定義の下、Ｓ１０５の制約ブロック１３０は、自動運転モードでのホスト車両２に対する運行設計領域（ODD:Operational Design Domain）に関して、制約を加重平均Ｋに基づき設定する。このとき、一致度ＴＰ，ＴＮ及び不一致度ＦＰ，ＦＮのうち少なくとも一種類に相関する認識スコアＳｎを用いての加重平均Ｋが、設定範囲外となっているメッシュエリアＡｍは、制約対象として図１９に×印を付して例示するように、ＯＤＤから外されることになる。

【数4】

【0056】

ここで、一致度ＴＰ，ＴＮのうち少なくとも一方に相関する認識スコアＳｎを用いた加重平均Ｋは、当該一致度ＴＰ，ＴＮ側の許容範囲外まで低下した場合に、メッシュエリアＡｍの制約トリガとなる。一方で、不一致度ＦＰ，ＦＮのうち少なくとも一方に相関する認識スコアＳｎを用いた加重平均Ｋは、当該不一致度ＦＰ，ＦＮ側の許容範囲外まで上昇した場合に、メッシュエリアＡｍの制約トリガとなる。

【0057】

（作用効果）
以上説明した本実施形態の作用効果を、以下に説明する。

【0058】

本実施形態によると、ホスト車両２からの距離Ｌｈに対してターゲット移動体３の存在する確率分布Ｄｐが、ホスト車両２の走行エリアＡｄに応じて取得される。そこで本実施形態では、ターゲット移動体３を認識する複数認識モデルＭｎ毎に認識率と、こうして取得の確率分布Ｄｐとに相関する、認識スコアＳｎに基づいたフュージョン率ωｎに従って、それら各認識モデルＭｎによる認識データがフュージョンされる。これによれば、走行エリアＡｄに応じて求められる要求認識性能が変化したとしても、当該変化が確率分布Ｄｐによって反映され得る認識スコアＳｎに合わせたフュージョン率ωｎに従うことで、適正なフュージョンを実現することができる。故に、ホスト車両２におけるターゲット移動体３の認識精度を、確保することが可能となる。

【0059】

本実施形態によると、走行エリアＡｄにおける移動体の速度分布Ｄｖ及び加速度分布Ｄａに基づくことで、確率分布Ｄｐが取得される。これによれば、走行エリアＡｄの確率分布Ｄｐを左右する速度分布Ｄｖ及び加速度分布Ｄａに応じて要求認識性能が変化したとしても、当該変化の反映され得る認識スコアＳｎに合わせたフュージョン率ωｎにより、適正なフュージョンを実現することができる。故に、ホスト車両２におけるターゲット移動体３の認識精度を、高めることが可能となる。

【0060】

本実施形態によると、走行エリアＡｄにおける移動体の臨界ギャップｔｃと、走行エリアＡｄにおけるホスト車両２の認識必要時間ｔｓとのうち、大側においてホスト車両２が移動する移動距離範囲ΔＬ内での確率分布Ｄｐが取得される。これによれば、臨界ギャップｔｃ及び認識必要時間ｔｓのうち、安全側での移動距離範囲ΔＬ内に限定される確率分布Ｄｐに応じて要求認識性能が変化したとしても、当該変化の反映され得る認識スコアＳｎに合わせたフュージョン率ωｎにより、適正なフュージョンを実現することができる。故に、ホスト車両２におけるターゲット移動体３の認識精度を、可及的に短い処理時間にて確保することが可能となる。

【0061】

本実施形態によると、現実に対する認識の一致度ＴＰ，ＴＮのうち少なくとも一方である認識率を確率分布Ｄｐによって補正した、各認識モデルＭｎ毎の認識スコアＳｎに基づくことで、フュージョン率ωｎが最適化される。これによれば、フュージョン後において現実に対する認識の一致を担保するように、フュージョン率ωｎを最適化することができる。故に、ホスト車両２におけるターゲット移動体３の認識精度を、高精度に確保することが可能となる。

【0062】

本実施形態によると、現実に対する認識の不一致度ＦＰ，ＦＮのうち少なくとも一方である認識率を確率分布Ｄｐによって補正した、各認識モデルＭｎ毎の認識スコアＳｎに基づくことで、フュージョン率ωｎが最適化される。これによれば、フュージョン後において現実に対する認識の不一致を低減するように、フュージョン率ωｎを最適化することができる。故に、ホスト車両２におけるターゲット移動体３の認識精度を、高精度に確保することが可能となる。

【0063】

本実施形態によると、確率分布Ｄｐにおいてホスト車両２からの距離Ｌｈに依存する存在確率により認識率を補正した、各認識モデルＭｎ毎の認識スコアＳｎに基づくことで、フュージョン率ωｎが最適化される。これによれば、求められる要求認識性能が変化したとしても、走行エリアＡｄでの距離Ｌｈに応じて当該変化が反映され得る認識スコアＳｎに合わせたフュージョン率ωｎにより、適正なフュージョンを実現することができる。故に、ターゲット移動体３の認識精度を、ホスト車両２の走行エリアＡｄに亘って確保することが可能となる。

【0064】

本実施形態によると、走行エリアＡｄを複数に分割したメッシュエリアＡｍ別の認識率を確率分布Ｄｐの存在確率によって補正した、各認識モデルＭｎ毎の認識スコアＳｎに基づくことで、フュージョン率ωｎが最適化される。これによれば、ホスト車両２からの距離Ｌｈに応じた各メッシュエリアＡｍでの要求認識性能に対して、フュージョン率ωｎを緻密に最適化することができる。故に、ホスト車両２の走行エリアＡｄに亘るターゲット移動体３の認識精度を、高精度且つ短時間に確保することが可能となる。

【0065】

本実施形態によると、各認識モデルＭｎ毎且つ各メッシュエリアＡｍ別の認識スコアＳｎをフュージョン率ωｎによって重み付けした加重平均Ｋに基づくことで、自動運転モードでのホスト車両２に対するＯＤＤの制約が設定される。これによれば、走行エリアＡｄに応じて求められる要求認識性能が変化したとしても、当該変化の反映され得る認識スコアＳｎ及びフュージョン率ωｎに合わせたＯＤＤの制約を、自動運転モードのホスト車両２に対して与えることができる。故にホスト車両２では、ターゲット移動体３の認識精度に加え、ＯＤＤの設定精度も確保することが可能となる。

【0066】

（他の実施形態）
以上、一実施形態について説明したが、本開示は、当該説明の実施形態に限定して解釈されるものではなく、本開示の要旨を逸脱しない範囲内において種々の実施形態に適用することができる。

【0067】

変形例において処理システム１を構成する専用コンピュータは、デジタル回路及びアナログ回路のうち、少なくとも一方をプロセッサとして有していてもよい。ここでデジタル回路とは、例えばＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）、ＳＯＣ（System on a Chip）、ＰＧＡ（Programmable Gate Array）、及びＣＰＬＤ（Complex Programmable Logic Device）等のうち、少なくとも一種類である。またこうしたデジタル回路は、プログラムを記憶したメモリを、有していてもよい。

【0068】

変形例の分布取得ブロック１００によるＳ１０２では、臨界ギャップｔｃにおいてホスト車両２が移動する距離範囲に、移動距離範囲ΔＬが限定されてもよい。変形例の分布取得ブロック１００によるＳ１０２では、認識必要時間ｔｓにおいてホスト車両２が移動する距離範囲に、移動距離範囲ΔＬが限定されてもよい。変形例の分布取得ブロック１００によるＳ１０２では、これら変形例以外の固定値に移動距離範囲ΔＬが限定されてもよい。変形例の分布取得ブロック１００によるＳ１０２では、走行エリアＡｄ毎に特有の確率分布Ｄｐ自体が、例えば外部センタ等から取得されてもよい。

【0069】

変形例の認識率取得ブロック１１０によるＳ１０３では、走行エリアＡｄのうちホスト車両２を中心とした少なくとも一部の方位において、距離Ｌｈに対して連続分散する認識率が、各認識モデルＭｎ毎に取得されてもよい。この場合にフュージョンブロック１２０によるＳ１０５では、走行エリアＡｄのうちホスト車両２を中心とした少なくとも一部の方位において、距離Ｌｈに対して連続分散する認識スコアＳｎが、各認識モデルＭｎ毎に取得されてもよい。

【0070】

変形例の認識率取得ブロック１１０によるＳ１０３では、各認識モデルＭｎ毎の認識率が、走行エリアＡｄの全域に亘る共通値として取得されてもよい。この場合にフュージョンブロック１２０によるＳ１０５では、各認識モデルＭｎ毎の認識スコアＳｎが、走行エリアＡｄの全域に亘る共通値として取得される。

【0071】

変形例のフュージョンブロック１２０によるＳ１０５では、演算Ｃ１～Ｃ７のうち複数が組み合わされることで、フュージョン率ωｎの最適化が実行されてもよい。変形例において制約ブロック１３０によるＳ１０６は、省かれてもよい。変形例において処理システム１の適用されるホスト移動体は、例えば走行をリモート制御可能なドローン等であってもよい。

【0072】

ここまでの説明形態の他、上述の実施形態及び変形例による処理システム１は、ホスト車両２に搭載の処理装置（例えば処理ＥＣＵ等）として、実施されてもよい。また、上述の実施形態及び変形例は、処理システム１のプロセッサ１２及びメモリ１０を少なくとも一つずつ有した半導体装置（例えば半導体チップ等）として、実施されてもよい。

【符号の説明】

【0073】

１：処理システム、２：ホスト車両、３：ターゲット車両、１０：メモリ、１２：プロセッサ、Ａｄ：走行エリア、Ａｍ：メッシュエリア、Ｄａ：加速度分布、Ｄｐ：確率分布、Ｄｖ：速度分布、ＦＰ，ＦＮ：不一致度、Ｊ，Ｋ：加重平均、Ｌｈ：距離、Ｍｎ：認識モデル、Ｓｎ：認識スコア、Ｓ＾ｎ：スコア代表値、ＴＰ，ＴＮ：一致度、ｔｃ：臨界ギャップ、ｔｓ：認識必要時間、ΔＬ：移動距離範囲、ωｎ：フュージョン率

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】