将来行动推定装置、将来行动推定方法及存储介质

摘要

提供能够进行符合实际的交通场景的预测的将来行动推定装置、将来行动推定方法及存储介质。将来行动推定装置具备存储有程序的存储装置和硬件处理器，通过所述硬件处理器执行存储于所述存储装置的程序而执行以下处理：识别多个交通参加者的位置；基于所述识别的结果来决定所述多个交通参加者各自将来要到达的临时目的地，为了推定所述多个交通参加者各自的将来的行动，使用移动模型来模拟所述多个交通参加者各自去往所述临时目的地的移动过程。

说明书

技术领域

本发明涉及将来行动推定装置、将来行动推定方法及存储介质。

背景技术

以往，关于推定存在于道路的行人、自行车等的将来的行动(移动)正在推进研究。参考文献：

(A)D·赫尔宾和P·莫尔纳，“行人动态特性的社会力模型”，1998年5月20日(D.Helbing and P.Molnar，“Social Force Model for Pedestrian Dynamics”，20May1998.)

(B)G·阿雷查瓦莱塔和J·洛蒙德，“人体运动的非完整性质：建模研究”，2001年2月(G.Arechavaleta and J.Laumond，“The nonholonomic nature of human locomotion：a modeling study”，February2001.)

(C)K·蒙鲍尔和A·张，“从人到仿人运动-从人到仿人运动的逆最优控制方法-逆最优”，2009年12月31号(K.Mombaur and A.Truong，“From human to humanoidlocomotion-An inverse optimal control approach From human to humanoidlocomotion-an inverse optimal”，31December，2009.)

(D)M·卢伯，J·A·斯托克，G·D·蒂帕尔迪，和K·O·阿拉斯，“采用源自社会力的人体移动预测进行的对人追踪，”程序-电气和电子工程师协会.机器人自动化国际会议，页码.464-469，2010年(M.Luber，J.A.Stork，G.D.Tipaldi，and K.O.Arras，“Peopletracking with human motion predictions from social forces，”Proc.-IEEEInt.Conf.Robot.Autom.，pp.464-469，2010.)

(E)F·法里纳，D·范达涅利，A·加鲁利，A·詹尼特拉帕尼，和D·普拉蒂奇佐，“当赫尔宾遇见洛蒙德：领先的社会力模型”，2016年12月12-14日(F.Farina，D.Fontanelli，A.Garulli，A.Giannitrapani，and D.Prattichizzo，“When Helbing MeetsLaumond：：The Headed Social Force Model.”12-14December，2016.)

发明内容

文献(A)所记载的技术以“行人的目的地等作为已知的信息而给出”为前提来进行推定，有时无法进行符合实际的交通场景的预测。

本发明的方案考虑这样的情况而完成，其目的之一在于提供能够进行符合实际的交通场景的预测的将来行动推定装置、将来行动推定方法及存储介质。

用于解决课题的手段

本发明的将来行动推定装置、将来行动推定方法及存储介质采用了以下的结构。

(1)：本发明的一方案的将来行动推定装置具备存储有程序的存储装置和硬件处理器，通过所述硬件处理器执行存储于所述存储装置的程序而执行以下处理：识别多个交通参加者的位置；基于所述识别的结果来决定所述多个交通参加者各自将来要到达的临时目的地；以及为了推定所述多个交通参加者各自的将来的行动，使用移动模型来模拟所述多个交通参加者各自去往所述临时目的地的移动过程。

(2)：在上述(1)的方案中，所述硬件处理器关于所述多个交通参加者分别进行如下处理：基于所述识别到的所述多个交通参加者的位置的履历和表示道路构造的信息来设定多个临时目的地候补，求出进行所述交通参加者分别去往所述多个临时目的地候补的模拟而得出的结果与基于所述交通参加者的姿态得到的移动方向之间的偏离，将偏离最小的临时目的地候补决定为所述临时目的地。

(3)：在上述(1)的方案中，所述移动模型反映对所述多个交通参加者分别作用的假想的力而模拟将来的各步骤中的所述交通参加者的移动过程，所述硬件处理器基于所述多个交通参加者的周边环境来推定所述假想的力。

(4)：在上述(3)的方案中，所述硬件处理器设为对所述多个交通参加者分别作用所述假想的力的影响因素限定于存在于以各交通参加者的正面方向为中心的扇形的范围的影响因素、且从范围脱离的影响因素不作用力，来推定所述假想的力。

(5)：在上述(3)的方案中，所述力推定部推定的假想的力包括用于所述交通参加者自身要以希望速度移动而加减速的力，所述硬件处理器基于所述交通参加者的过去的位置的履历来推定所述希望速度。

(6)：在上述(3)的方案中，所述力推定部推定的假想的力包括在所述交通参加者之间互相排斥的力，所述硬件处理器推定所述多个交通参加者中的形成了组的交通参加者，在推定为属于相同组的交通参加者之间，使所述互相排斥的力比未推定为属于相同组的交通参加者之间小。

(7)：在上述(1)的方案中，所述硬件处理器基于所述推定出的所述多个交通参加者各自的将来的行动来进行车辆的行驶控制。

(8)：本发明的其他方案的将来行动推定方法通过使用计算机而执行，其中，所述将来行动推定方法包括以下处理：识别多个交通参加者的位置；基于所述识别的结果来决定所述多个交通参加者各自将来要到达的临时目的地；以及为了推定所述多个交通参加者各自的将来的行动，使用移动模型来模拟所述多个交通参加者各自去往所述决定出的临时目的地的移动过程。

(9)：本发明的其他方案的存储介质是非暂时性的存储介质，其存储有程序，其中，所述程序使计算机执行以下处理：识别多个交通参加者的位置；基于所述识别的结果来决定所述多个交通参加者各自将来要到达的临时目的地；以及为了推定所述多个交通参加者各自的将来的行动，使用移动模型来模拟所述多个交通参加者各自去往所述决定出的临时目的地的移动过程。

发明效果

根据上述(1)～(9)的方案，能够进行符合实际的交通场景的预测。

附图说明

图1是利用了实施方式的将来行动推定装置的车辆系统的结构图。

图2是第一控制部及第二控制部的功能结构图。

图3是示意性地示出交通参加者监视部识别的本车辆的周围的状况的图。

图4是用于对由临时目的地选择部进行的处理的内容进行说明的图。

图5是用于对由希望速度推定部进行的处理进行说明的图。

图6是用于对求出本地体系(local frame)的力的处理进行说明的图。

图7是示出由自动驾驶控制装置执行的处理的流程的一例的流程图。

图8是示出实施方式的自动驾驶控制装置的硬件结构的一例的图。

具体实施方式

以下，参照附图，对本发明的将来行动推定装置、将来行动推定方法及存储介质的实施方式进行说明。

[整体结构]

图1是利用了实施方式的将来行动推定装置的车辆系统l的结构图。搭载车辆系统1的车辆例如是二轮、三轮、四轮等的车辆，其驱动源是柴油发动机、汽油发动机等内燃机、电动机或它们的组合。电动机使用连结于内燃机的发电机的发电电力或二次电池、燃料电池的放电电力来进行动作。

车辆系统1例如具备相机10、雷达装置12、LIDAR(Light Detection and Ranging)14、物体识别装置16、通信装置20、HMI(Human Machine Interface)30、车辆传感器40、导航装置50、MPU(Map Positioning Unit)60、驾驶操作件80、自动驾驶控制装置100、行驶驱动力输出装置200、制动装置210及转向装置220。这些装置、设备通过CAN(ControllerAreaNetwork)通信线等多路通信线、串行通信线、无线通信网等而互相连接。图1所示的结构只不过是一例，也可以省略结构的一部分，还可以进一步追加别的结构。

相机10例如是利用了CCD(Charge Coupled Device)、CMOS(Complementary MetalOxide Semiconductor)等固体摄像元件的数码相机。相机10安装于搭载车辆系统1的车辆(以下，记为本车辆M)的任意部位。在拍摄前方的情况下，相机10安装于前风窗玻璃上部、车室内后视镜背面等。相机10例如周期性地反复拍摄本车辆M的周边。相机10也可以是立体相机。

雷达装置12向本车辆M的周边放射毫米波等电波，并且检测由物体反射出的电波(反射波)而至少检测物体的位置(距离及方位)。雷达装置12安装于本车辆M的任意部位。雷达装置12也可以通过FM-CW(Frequency Modulated Continuous Wave)方式来检测物体的位置及速度。

LIDAR14向本车辆M的周边照射光(或接近光的波长的电磁波)，测定散射光。LIDAR14基于从发光到受光为止的时间来检测距对象的距离。照射的光例如是脉冲状的激光。LIDAR14安装于本车辆M的任意部位。

物体识别装置16对由相机10、雷达装置12及LIDAR14中的一部分或全部检测的检测结果进行传感器融合处理而识别物体的位置、种类、速度等。物体识别装置16将识别结果向自动驾驶控制装置100输出。物体识别装置16可以将相机10、雷达装置12及LIDAR14的检测结果直接向自动驾驶控制装置100输出。也可以从车辆系统1省略物体识别装置16。

通信装置20例如利用蜂窝网、Wi-Fi网、Bluetooth(注册商标)、DSRC(DedicatedShort Range Communication)等来与存在于本车辆M的周边的其他车辆通信，或者经由无线基站而与各种服务器装置通信。

HMI30对本车辆M的乘员提示各种信息，并且接受由乘员进行的输入操作。HMI30包括各种显示装置、扬声器、蜂鸣器、触摸面板、开关、按键等。

车辆传感器40包括检测本车辆M的速度的车速传感器、检测加速度的加速度传感器、检测绕铅垂轴的角速度的横摆角速度传感器、检测本车辆M的朝向的方位传感器等。

导航装置50例如具备GNSS(Global Navigation Satellite System)接收机51、导航HMI52及路径决定部53。导航装置50在HDD(Hard Disk Drive)、闪存器等存储装置中保持有第一地图信息54。GNSS接收机51基于从GNSS卫星接收到的信号来确定本车辆M的位置。本车辆M的位置也可以由利用了车辆传感器40的输出的INS(Inertial Navigation System)确定或补充。导航HMI52包括显示装置、扬声器、触摸面板、按键等。导航HMI52也可以一部分或全部与前述的HMI30共用化。路径决定部53例如参照第一地图信息54来决定从由GNSS接收机51确定出的本车辆M的位置(或输入的任意的位置)到由乘员使用导航HMI52输入的目的地为止的路径(以下，记为地图上路径)。第一地图信息54例如是通过表示道路的线路和由线路连接的节点而表现了道路形状的信息。第一地图信息54也可以包括道路的曲率、POI(Point Of Interest)信息等。地图上路径向MPU60输出。导航装置50也可以基于地图上路径来进行使用了导航HMI52的路径引导。导航装置50例如也可以由乘员持有的智能手机、平板终端等终端装置的功能实现。导航装置50也可以经由通信装置20而向导航服务器发送当前位置和目的地，并从导航服务器取得与地图上路径同等的路径。

MPU60例如包括推荐车道决定部61，在HDD、闪存器等存储装置中保持有第二地图信息62。推荐车道决定部61将从导航装置50提供的地图上路径分割为多个区块(例如，在车辆行进方向上每隔100[m]进行分割)，参照第二地图信息62来针对每个区块决定推荐车道。推荐车道决定部61进行在从左侧起的第几车道上行驶之类的决定。推荐车道决定部61在地图上路径中存在分支部位的情况下，以使本车辆M能够在用于向分支目的地行进的合理的路径上行驶的方式决定推荐车道。

第二地图信息62是比第一地图信息54高精度的地图信息。第二地图信息62例如包括车道的中央的信息或车道的边界的信息等。在第二地图信息62中可以包括道路信息、交通限制信息、住所信息(住所·邮政编码)、设施信息、电话号码信息等。第二地图信息62可以通过通信装置20与其他装置通信而随时被更新。

驾驶操作件80例如包括油门踏板、制动踏板、换挡杆、转向盘、异形方向盘、操纵杆及其他操作件。在驾驶操作件80安装有检测操作量或操作的有无的传感器，其检测结果向自动驾驶控制装置100、或者行驶驱动力输出装置200、制动装置210及转向装置220中的一部分或全部输出。

自动驾驶控制装置100例如具备第一控制部120和第二控制部180。第一控制部120和第二控制部180分别例如通过CPU(Central Processing Unit)等硬件处理器执行程序(软件)而实现。这些构成要素中的一部分或全部也可以由LSI(Large ScaleIntegration)、ASIC(Application Specific Integrated Circuit)、FPGA(Field-Programmable Gate Array)、GPU(Graphics Processing Unit)等硬件(包括电路部：circuitry)实现，还可以通过软件与硬件的协同配合来实现。程序可以预先保存于自动驾驶控制装置100的HDD、闪存器等存储装置(具备非暂时性的存储介质的存储装置)，也可以保存于DVD、CD-ROM等能够装卸的存储介质，并通过存储介质(非暂时性的存储介质)向驱动装置装配而向自动驾驶控制装置100的HDD、闪存器安装。

图2是第一控制部120及第二控制部180的功能结构图。第一控制部120例如具备识别部130和行动计划生成部160。第一控制部120例如并列实现基于AI(ArtificialIntelligence；人工智能)的功能和基于预先给出的模型的功能。例如，“识别交叉路口”的功能可以通过“并列执行基于深度学习等的交叉路口的识别和基于预先给出的条件(存在能够图案匹配的信号、道路标示等)的识别，对双方评分而综合性地评价”而实现。由此，自动驾驶的可靠性被确保。

识别部130例如具备本车位置识别部132、物体位置识别部134及交通参加者监视部140。

本车位置识别部132基于从相机10、雷达装置12及LIDAR14经由物体识别装置16而输入的信息来识别本车辆M正在行驶的车道(行驶车道)、本车辆M相对于行驶车道的位置。例如，本车位置识别部132通过将从第二地图信息62得到的道路划分线的图案(例如实线和虚线的排列)与根据由相机10拍摄到的图像而识别出的本车辆M的周边的道路划分线的图案进行比较来识别行驶车道。本车位置识别部132不限于道路划分线，也可以通过识别道路划分线、包括路肩、缘石、中央隔离带、护栏等的行驶路边界(道路边界)来识别行驶车道。在该识别中，也可以考虑从导航装置50取得的本车辆M的位置、由INS处理的处理结果。

本车位置识别部132识别本车辆M相对于行驶车道的位置、姿态。本车位置识别部132例如可以将本车辆M的基准点(例如重心、后轮轴中心等)从行驶车道的中央部的偏离及本车辆M的行进方向相对于将行驶车道的中央部相连而得到的线所成的角度作为本车辆M相对于行驶车道的相对位置及姿态而识别。取代于此，本车位置识别部132也可以将本车辆M的基准点相对于行驶车道的任意侧端部(道路划分线或道路边界)的位置等作为本车辆M相对于行驶车道的相对位置而识别。

物体位置识别部134基于从相机10、雷达装置12及LIDAR14经由物体识别装置16而输入的信息，通过进行卡尔曼滤波等处理来识别处于本车辆M的周边的物体的位置、种类、速度、加速度等。物体的位置例如作为以本车辆M的代表点(重心、驱动轴中心等)为原点的绝对坐标上的位置而识别，在控制中使用。物体的位置可以由该物体的重心、角落等代表点表示，也可以由表现出的区域表示。物体的“状态”也可以包括物体的加速度、加加速度或“行动状态”(例如是否正在进行或将要进行车道变更)。物体的种类被分类成行人、自行车、车辆、障碍物之类的种类。将物体中的行人或包括行人和自行车的物体称作“交通参加者”。因此，物体位置识别部134识别包括交通参加者的物体的位置等。

交通参加者监视部140监视由物体识别部识别到的交通参加者的行动。关于交通参加者监视部140的结构及动作，见后述。

行动计划生成部160以原则上在由推荐车道决定部61决定出的推荐车道上行驶而且能够应对本车辆M的周边状况的方式，生成本车辆M自动地(不依赖于驾驶员的操作地)将来行驶的目标轨道。“以能够应对本车辆M的周边状况的方式”包括以相对于交通参加者的将来的位置尽量不接近的方式生成目标轨道。目标轨道例如包括速度要素。例如，目标轨道表现为将本车辆M应该到达的地点(轨道点)依次排列而得到的轨道。轨道点是按沿途距离计每隔规定的行驶距离(例如数[m]程度)的本车辆M应该到达的地点，相对于此而言另外地，每隔规定的采样时间(例如零点几[sec]程度)的目标速度及目标加速度作为目标轨道的一部分而生成。轨道点也可以是每隔规定的采样时间在该采样时刻下本车辆M应该到达的位置。在该情况下，目标速度、目标加速度的信息由轨道点的间隔表现。

第二控制部180控制行驶驱动力输出装置200、制动装置210及转向装置220，以使本车辆M按照预定的时刻通过由行动计划生成部160生成的目标轨道。

第二控制部180例如具备取得部182、速度控制部184及转向控制部186。取得部182取得由行动计划生成部160生成的目标轨道(轨道点)的信息，并向存储器(未图示)存储。速度控制部184基于存储于存储器的目标轨道所附带的速度要素来控制行驶驱动力输出装置200或制动装置210。转向控制部186根据存储于存储器的目标轨道的弯曲状况来控制转向装置220。速度控制部184及转向控制部186的处理例如通过前馈控制与反馈控制的组合来实现。作为一例，转向控制部186将与本车辆M的前方的道路的曲率相应的前馈控制和基于从目标轨道的偏离的反馈控制组合而执行。

行驶驱动力输出装置200将用于供车辆行驶的行驶驱动力(转矩)向驱动轮输出。行驶驱动力输出装置200例如具备内燃机、电动机及变速器等的组合和控制它们的ECU(Electronic Control Unit)。ECU按照从第二控制部180输入的信息或从驾驶操作件80输入的信息来控制上述的结构。

制动装置210例如具备制动钳、向制动钳传递液压的液压缸、使液压缸产生液压的电动马达及制动ECU。制动ECU按照从第二控制部180输入的信息或从驾驶操作件80输入的信息来控制电动马达，使得与制动操作相应的制动转矩向各车轮输出。制动装置210可以具备将通过驾驶操作件80中包含的制动踏板的操作而产生的液压经由主液压缸而向液压缸传递的机构作为备用件。制动装置210不限于上述说明的结构，也可以是按照从第二控制部180输入的信息来控制致动器从而将主液压缸的液压向液压缸传递的电子控制式液压制动装置。

转向装置220例如具备转向ECU和电动马达。电动马达例如使力作用于齿条-小齿轮机构来变更转向轮的朝向。转向ECU按照从第二控制部180输入的信息或从驾驶操作件80输入的信息来驱动电动马达，使转向轮的朝向变更。

[将来行动的推定]

以下，对由交通参加者监视部140进行的处理的内容进行说明。图3是示意性地示出交通参加者监视部140识别的本车辆M的周围的状况的图。如图所示，在交通参加者监视部140识别的本车辆M的周围的状况中，例如存在人行道SW、车道RW、人行横道CR、建筑物FC(具体而言是其壁面、入口等)、障碍物OB等。交通参加者监视部140识别它们在地上坐标系等坐标系中所占的范围。交通参加者监视部140基于物体位置识别部134的识别结果而按照时间序列识别多个交通参加者TP的位置。交通参加者监视部140基于这些识别的结果而进行以下说明的处理。

交通参加者监视部140例如具备临时目的地决定部142、希望速度推定部144、力推定部146及模拟部148。

临时目的地决定部142决定多个交通参加者TP的各自将来要到达的目的地即临时目的地。临时目的地的设定随着时间的经过而反复进行。临时目的地最终接近正式目的地。临时目的地是预测为在第一期间T1(例如4[sec])后会到达的地点。临时目的地在各预测步骤中被更新。

临时目的地决定部142例如具备临时目的地候补设定部142A和临时目的地选择部142B。

临时目的地候补设定部142A基于从自当前追溯了第二期间T2(例如2[sec])的时间点起的交通参加者TP的位置的履历和基于从相机10、雷达装置12及LIDAR14经由物体识别装置16而输入的信息、地图信息而识别的与道路构造相关的信息，设定m-1个临时目的地候补Gpc(p)(p＝1～m-1)。例如，临时目的地候补设定部142A基于(1)交通参加者TP在人行道SW上继续移动、(2)交通参加者TP穿过人行横道CR、(3)交通参加者TP去往最近的设施FC之类的预先设想的情境来决定临时目的地候补Gpc(k)。例如，临时目的地候补设定部142A基于离散选择模型(在各选择中包括暂时性的目标的选择)来决定临时目的地候补Gpc(k)。该离散选择模型基于以本车辆M处于交叉路口、存在人行横道、处于商店街之类的内容分类的驾驶场景来定义预先决定的存在可能性的选择的组(暂时性的目标的候补)。临时目的地候补设定部142A基于由物体位置识别部134识别到的人行道、人行横道、交叉路口等的存在和由MPU60识别的高速公路(free way)、商店街等的位置来决定选择哪个离散集合(情境)。在图的例子中，临时目的地候补设定部142A基于(1)的情境，将作为交通参加者TP的当前的移动方向的前方的人行道SW的一地点设为临时目的地候补Gpc(1)，基于(2)的情境，将与交通参加者TP所在一侧相反的一侧的人行道SW与人行横道CR的交点设为临时目的地候补Gpc(2)，基于(3)的情境，将设施FC的入口设为临时目的地候补Gpc(3)。在交通参加者TP现在正在横穿人行横道CR的情况下，可以选择上述(2)和(4)折返这2个作为情境。

而且，临时目的地候补设定部142A将物体位置识别部134中的卡尔曼滤波处理的预测结果外插，假定为交通参加者继续当前的移动方向，决定其他的临时目的地候补Gpc(m)。由此，临时目的地候补设定部142A设定合计m个临时目的地候补Gpc(p)。

临时目的地选择部142B计算交通参加者TP打算的移动方向θ，使用移动方向θ来求出参照目的地位置Gref。移动方向θ通过式(1)而求出。式中，w1、w2、w3、w4是系数。这些系数可以是固定值，也可以随时通过机器学习等而更新。例如，临时目的地选择部142B通过将由相机10拍摄到的图像向导出上身的朝向及脸部朝向的已学习模型输入来取得上身的朝向及脸部朝向的信息。取代于此，临时目的地选择部142B也可以通过对由相机10拍摄到的图像进行某些规则库的处理来取得上身的朝向及脸部朝向的信息。例如，临时目的地选择部142B也可以进行以鼻梁等特征部位在脸部区域中占据的位置的偏倚和基于黑眼珠的位置等的视线的朝向为输入参数的运算而计算脸部朝向。识别速度矢量是由物体位置识别部134识别的信息。道路构造的影响例如是在上身的朝向、脸部朝向及识别速度矢量正在朝向从人行横道、人行道脱离的方向的情况下用于取消其成分的修正项。

移动方向θ＝w1×(上身的朝向)+w2×(脸部朝向)+w3×(识别速度矢量)+w4×(道路构造的影响)…(1)

取代上述，临时目的地选择部142B也可以在输入上身的朝向、脸部朝向、识别速度矢量、道路构造的影响等时，通过对输出移动方向θ的模型输入上身的朝向、脸部朝向、识别速度矢量、道路构造的影响等而取得移动方向θ。

临时目的地选择部142B假定为交通参加者TP朝向移动方向θ以规定的速度在第一期间T1内移动而求出参照目的地位置Gref。例如，使用在规定循环(例如2循环)前取得的交通参加者TP的速度作为规定速度。然后，临时目的地选择部142B将各个临时目的地候补Gpc(p)向移动模拟模型输入，求出将来的第一期间T1内的多个时间点下的交通参加者TP的推定位置。移动模拟模型例如与在后述的模拟部148执行的模拟中使用的模型相同。然后，临时目的地选择部142B将从交通参加者TP的当前的位置到参照目的地位置Gref为止以直线或与道路构造相应的曲线、折线等连结而得到的基准线与每个临时目的地候补Gpc(p)的多个时间点下的交通参加者TP的推定位置进行比较，将偏离最小的临时目的地候补Gpc(p)决定为临时目的地Gp。图4是用于对由临时目的地选择部142B进行的处理的内容进行说明的图。例如，临时目的地选择部142B将基准线与针对每个临时目的地候补Gpc(p)计算出的多个时间点(例如1～u)下的交通参加者TP的推定位置P

取代上述，临时目的地决定部142也可以使用本车辆M的周边状况作为情景(context)信息，使用SVM(Support Vector Machine)模型、基于多变量回归分析的方法的模型来决定交通参加者TP的临时目的地Gp。该模型基于在实际的交通局面中收集到的交通参加者TP的行动而学习。情景信息例如是人行横道与交通参加者TP的距离、道路构造物的影响、与车辆的位置关系、交通参加者TP的头部的动作等。

希望速度推定部144使用交通参加者TP的过去的位置的履历来推定交通参加者TPi的希望速度矢量→vi0。以下，设为“→”表示矢量。将物体位置识别部134正在识别的第i个交通参加者TP称作交通参加者TPi。i是交通参加者TP的辨识信息。为了求出希望速度的大小vi0，希望速度推定部144求出过去的第三期间T3(例如2[sec])的多个步骤中的速度的加权移动平均。图5是用于对由希望速度推定部144进行的处理进行说明的图。希望速度推定部144例如可以使第三期间T3的接近终端(接近当前)的第四期间T4(例如0.5[sec])的权重比其以外的期间大。希望速度推定部144将希望速度矢量→vi0的方向设为从交通参加者TPi的当前的位置去往临时目的地GPi的方向。

力推定部146基于多个交通参加者TP的周边环境来推定对多个交通参加者TP分别作用的假想的力。力推定部146例如针对每个交通参加者TP推定从自身接受的力、互相作用的力及从物体作用的力。这些力是成为推定对象的假想的力。力推定部146分别推定自发力F1i、社会力F2i、物理力F3i，将它们合计而求出作用于交通参加者TPi的力(以下，省略“假想的”)。以下，使用数学式来说明力推定部146进行的运算、处理的内容。式(2)表示力推定部146关于交通参加者TP计算的力。在式(2)中，省略了表示矢量的“→”。式中，k包括交通参加者TPi以外的交通参加者TP和车辆、障碍物、墙壁、横穿状态(正在横穿车道这一事实)、人行道边界(以下，将它们称作影响因素)，设为存在n个。力推定部146设为对交通参加者TPi作用力的影响因素限定于存在于以交通参加者TPi的正面方向为中心的扇形的范围的影响因素且从范围偏离的影响因素不作用力，进行以下的计算。式(2)中的F

自发力F1i是为了交通参加者TPi以希望速度移动而交通参加者TPi对自身作用的力。力推定部146基于希望速度矢量→vi0来算出自发力F1i。自发力F1i将“要以希望速度矢量→vi0移动而结果由交通参加者TPi进行加减速”以力的维度表示。自发力→Fli例如由式(3)表示。式中，→vi是交通参加者TPi的当前的速度矢量，τ是使速度矢量→vi与希望速度矢量→vi0一致所需的时间。

F1(F

社会力F2i和物理力F3i分别通过求出从影响因素作用的排斥力、压迫力、摩擦力这3个成分之和(或加权和)而推定。

式(2)中的F

F

t

关于式(5)中的Aped，力推定部146也可以预先推定交通参加者TPi和影响因素k(在该情况下是其他交通参加者)是否形成了组，在推定为属于相同组的交通参加者之间，相比于未推定为属于相同组的交通参加者之间，将值减小(零附近，或者也可以设为负)。这是因为，形成了组的交通参加者彼此经常维持距离为一定的距离以内的状态而移动。力推定部146在两名交通参加者的过去的一定期间内的位置处于规定范围内且一定期间内的移动方向(速度矢量的方向)之差小于阈值的情况下，推定为该两名交通参加者形成了组，在三人以上的情况下也可以同样地波及性地进行推定。

关于自行车，可以作为行人来处理，使其包含于F

F

F

F

F

F

当这样求出临时目的地Gp、希望速度→vi0及各种力后，模拟部148关于物体位置识别部134正在识别的全部的交通参加者及车辆，将临时目的地Gp、希望速度→vi0及各种力向移动模型输入，由此，通过模拟而求出将来的第一期间T1内的多个步骤(时间点)中的位置。在第二期间T2内，临时目的地Gp及希望速度→vi0固定。当经过第二期间T2后，模拟部148与临时目的地候补设定部142A及临时目的地选择部142B同样地选择临时目的地Gp，在朝向临时目的地Gp移动的前提下模拟交通参加者的移动。在该模拟中，若不作用任何力，则交通参加者以最短路径朝向临时目的地Gp移动，在作用有力的情况下，例如，交通参加者朝向将去往临时目的地Gp的方向和力的方向以与力的大小相应的比率合成后的方向而移动。即，模拟部148为了推定多个交通参加者各自的将来的行动，使用移动模型来模拟多个交通参加者各自去往由临时目的地决定部142决定出的临时目的地Gp的移动过程。移动模型例如是非专利文献2所记载的人体运动模型。不限定于此，移动模型只要基于上述的输入信息而通过模拟来推定将来的多个时间点下的位置即可，可以是任意的模型。此时，模拟部148也可以不是使基于他人的接近的力作用的方向直接作用于交通参加者，而是变换为本地体系的力并进行运算。图6是用于对求出本地体系的力的处理进行说明的图。图中，→vi是交通参加者TPi的速度矢量，→vk是影响因素k的速度矢量，→F

图7是示出由自动驾驶控制装置100执行的处理的流程的一例的流程图。在本流程图中，着眼于交通参加者的将来行动预测的部分，关于本车位置识别等处理省略说明。

首先，物体位置识别部134识别包括交通参加者在内的物体的位置(步骤S100)。

接着，临时目的地决定部142及希望速度推定部144针对每个交通参加者执行步骤S102～S108的处理(步骤S102)。首先，临时目的地候补设定部142A设定临时目的地候补Gpc(p)，临时目的地选择部142B针对每个临时目的地候补Gpc(p)实施模拟(步骤S104)。临时目的地选择部142B选择与直到参照目的地位置Gref为止的路径的偏离最小的Gpc(p)作为临时目的地(步骤S106)。希望速度推定部144推定希望速度(步骤S108)。

接着，力推定部146基于由步骤S100识别到的当前位置或在下一步骤S112中求出的将来位置，推定作用于每个交通参加者的力(步骤S110)。模拟部148使用移动模型来进行基于临时目的地Gp及力的模拟，求出1个循环后的交通参加者的将来位置(步骤S112)。交通参加者监视部140判定是否将步骤S110及S112的处理执行了规定循环数(步骤S114)。在判定为未执行规定循环数的情况下，处理返回步骤S110。在判定为执行了规定循环数的情况下，行动计划生成部160基于交通参加者等的当前位置及将来位置来进行车辆控制(步骤S116)。例如，行动计划生成部160在决定本车辆M的将来的行动时，设定以将来的时间点下的交通参加者等的位置为中心的风险区域，生成抑制了向风险区域的接近的目标轨道。

[硬件结构]

图8是示出实施方式的自动驾驶控制装置100的硬件结构的一例的图。如图所示，自动驾驶控制装置100成为了通信控制器100-1、CPU100-2、作为工作存储器使用的RAM(Random Access Memory)100-3、保存引导程序等的ROM(Read Only Memory)100-4、闪存器、HDD(Hard Disk Drive)等存储装置100-5、驱动装置100-6等通过内部总线或专用通信线而相互连接的结构。通信控制器100-1进行与自动驾驶控制装置100以外的构成要素的通信。在存储装置100-5中保存有CPU100-2执行的程序100-5a。该程序由DMA(Direct MemoryAccess)控制器(未图示)等向RAM100-3展开，由CPU100-2执行。由此，实现识别部130、行动计划生成部160、第二控制部180中的一部分或全部。

根据以上说明的实施方式，具备：物体位置识别部(134)，其识别多个交通参加者的位置；临时目的地决定部(142)，其基于物体位置识别部的识别结果来决定多个交通参加者各自将来要到达的临时目的地；以及模拟部(148)，其为了推定多个交通参加者各自的将来的行动，使用移动模型来模拟多个交通参加者各自去往由临时目的地决定部决定出的临时目的地的移动过程，由此，能够进行符合实际的交通场景的预测。

以上使用实施方式说明了本发明的具体实施方式，但本发明丝毫不被这样的实施方式限定，在不脱离本发明的主旨的范围内能够施加各种变形及替换。