汽车用运算装置的制作方法

1.此处公开的技术属于与汽车用运算装置相关的技术领域。


背景技术：

2.最近，利用使用神经网络进行的深度学习，来识别车内外环境的技术也应用到汽车上了。
3.例如，专利文献1公开了一种推测装置，推测乘员相对于车辆装备的状态。该推测装置包括存储部和处理部，该存储部中存储有通过利用神经网络进行的深度学习构筑的模型；含有装备的图像输入该处理部，该处理部使用模型推测乘员的状态并输出表示乘员的特定部位即骨骼位置的第一信息和表示乘员相对于装备的状态的第二信息。
4.专利文献1：日本公开专利公报特开2018－132996号公报


技术实现要素：

5.－发明要解决的技术问题－
6.最近，全国正在推进自动驾驶系统的开发。自动驾驶系统，一般是通过摄像头等获取车外环境信息，根据获取到的车外环境信息计算汽车应行驶的路径。在该路径的计算过程中，车外环境的认定很重要，人们已经在进行将深度学习用于该车外环境的认定上这样的研发工作。
7.此处，例如在汽车功能安全标准(iso 26262)中，提出了以asil(automotive safety integrity level：汽车安全完整性等级)作为评价危害的指标，这也是负责自动驾驶的运算装置中的功能安全的软件设计的理念，这还能够被应用到构成程序的多个部的功能安全的设计上。进行设计阶段的开发时，要求符合asil中的asil－a到asil－d各功能安全等级。
8.相对于此，利用深度学习进行的车外环境的认定和路径的计算还处于发展阶段，大致停留在asil－b这一等级上。因此，为了在具有自动驾驶功能的汽车中大致达到asil－d这一等级的功能安全等级，仅由利用深度学习的功能构成运算装置是不够的。
9.此处公开的技术正是为解决上述技术问题而完成的，其目的在于：提高具有利用深度学习之功能的运算装置的功能安全等级。
10.－用以解决技术问题的技术方案－
11.为了解决上述问题，此处公开的技术以安装在汽车上的汽车用运算装置为对象，采用以下构成：该汽车用运算装置包括车外环境推测部、路径计算部、对象物认定部、静态安全区域设定部以及目标运动决定部。所述车外环境推测部根据来自获取车外环境信息的信息获取装置的输出，利用深度学习推测车外环境；所述路径计算部根据所述车外环境推测部的推测结果，计算候选路径；所述对象物认定部根据来自所述信息获取装置的输出，不利用深度学习而按照规定的规则认定车外的对象物；所述静态安全区域设定部根据所述对象物认定部的结果，设定能够避开所述对象物的区域即静态安全区域；所述目标运动决定
部接收来自所述路径计算部的输出和来自所述静态安全区域的输出，决定所述汽车的目标运动。当所述第一候选路径全部在所述静态安全区域内时，所述目标运动决定部选择该第一候选路径作为所述汽车应行驶的路径，决定所述汽车的目标运动以便使该汽车通过所述第一候选路径，而当所述第一候选路径的至少一部分脱离了所述静态安全区域时，所述目标运动决定部不选择该第一候选路径作为所述汽车应行驶的路径。
12.根据该构成方式，除了通过深度学习推测车外环境以外，还按照规定的规则认定车外的对象物。此处所说的规定的规则是现有技术在汽车等中所采用的人与物等的认定方法，基于规定的规则的对象物认定功能达到相当于asil－d的功能安全等级。因此，根据对象物认定部的结果计算出的安全区域可以说是安全性较高的区域。
13.并且，当根据通过深度学习推测出的车外环境计算出的候选路径(以下称为推测候选路径)在安全区域内时，目标运动决定部将该推测候选路径定为汽车应行驶的路径。这样一来，能够使汽车在安全性较高的路径上行驶。而当推测候选路径脱离了安全区域时，目标运动决定部不选择该候选路径作为汽车应行驶的路径。此时，例如根据按照规定的规则认定的对象物信息再次计算通过安全区域的路径，或者驾驶员在汽车上的情况下将驾驶交给该驾驶员负责，由此能够使汽车在安全性较高的路径上行驶。
14.因此，能够提高具有利用深度学习的功能的运算装置的功能安全等级。
15.也可以是这样的构成，在所述汽车用运算装置中，所述汽车用运算装置还包括动态安全区域设定部，所述动态安全区域设定部根据所述车外环境推测部的推测结果，设定所述汽车能通过的区域即动态安全区域，所述第一候选路径是通过由所述动态安全区域设定部计算出的所述动态安全区域的路径。
16.在所述汽车用运算装置的一实施方式中，所述汽车用运算装置还包括第二路径计算部，所述第二路径计算部计算仅通过所述静态安全区域的第二候选路径，当所述第一候选路径的至少一部分脱离了所述静态安全区域时，所述目标运动决定部选择第二候选路径作为所述汽车应行驶的路径，决定所述汽车的目标运动以便使该汽车通过所述第二候选路径。
17.根据该构成方式，能够使汽车在安全性较高的路径上行驶。也就是说，根据按照规定的规则进行的对象物认定计算出路径且使该路径可选，由此可得到相当于asil－d的功能安全等级，这是在仅利用深度学习的运算装置中无法得到的功能安全等级。
18.也可以是这样的构成，在所述一实施方式中，所述第一路径计算部计算多个所述第一候选路径，当多个所述第一候选路径中的至少一个候选路径是仅通过所述静态安全区域的路径时，所述目标运动决定部选择仅通过该静态安全区域的该第一候选路径作为所述汽车应行驶的路径，而当多个所述第一候选路径全部是具有脱离所述静态安全区域的部分的路径时，所述目标运动决定部选择所述第二候选路径作为所述汽车应行驶的路径。
19.根据该构成方式，能够更有效地使汽车在安全性较高的路径上行驶。例如，当多个第一候选路径中的一部分候选路径脱离了安全区域且剩余候选路径在安全区域内时，选择该剩余的第一候选路径中的一个候选路径作为汽车应行驶的路径。而当多个第一候选路径全部脱离了安全区域时，如前所述，选择第二候选路径路径，该第二候选路径是根据按照规定的规则认定的对象物信息计算出的，由此能够使汽车在安全性较高的路径上行驶。
20.也可以是这样的构成，在所述一实施方式中，所述第一路径计算部和所述第二路
径计算部分别将目的地设置在所述汽车的前侧，并分别计算到达该目的地的所述第一候选路径和所述第二候选路径，而且，当所述汽车到达所述目的地时，所述第一路径计算部和所述第二路径计算部分别重新设定另一个目的地，并分别计算到达该另一个目的地的另一个第一候选路径和个另一第二候选路径。
21.此外，也可以是这样的构成，在所述一实施方式中，该汽车用运算装置包括第一运算系统和第二运算系统，在所述第一运算系统中安装有所述第一路径计算部，在所述第二运算系统中安装有所述第二路径计算部，且所述第二运算系统与所述第一运算系统独立。
22.此外，也可以是这样的构成，在包括所述第一运算系统和所述第二运算系统的所述一实施方式中，在所述第一运算系统中安装有动态安全区域设定部，所述动态安全区域设定部根据所述车外环境推测部的推测结果，设定所述汽车能通过的区域即动态安全区域，在所述第二运算系统中安装有所述静态安全区域设定部。
23.－发明的效果－
24.如上所述，根据此处公开的技术，能够提高具有利用深度学习的功能的运算装置的功能安全等级。
附图说明
25.图1是示出安装有第一实施方式所涉及的运算装置的汽车的简图；
26.图2是示出运算装置的功能构成的方框图；
27.图3是示出由运算装置设定的行驶路径之一例的图；
28.图4是将由第一运算系统设定的安全区域和由第二运算系统设定的安全区域加以比较的图；
29.图5是示出根据通过深度学习推测出的车外环境计算出的候选路径与安全区域之间的关系之一例的图；
30.图6是示出根据通过深度学习推测出的车外环境计算出的候选路径与安全区域之间的关系的另一图；
31.图7是决定汽车的驾驶路径之际的流程图；
32.图8是示出第二实施方式所涉及的汽车用运算装置的功能构成的方框图。
具体实施方式
33.下面，参照附图对示例性实施方式进行详细的说明。
34.(第一实施方式)
35.图1概略地示出了安装有本第一实施方式所涉及的汽车用运算装置(以下略称为运算装置100)的汽车1。运算装置100例如是安装在四轮汽车1上的运算装置。汽车1是能进行手动驾驶、辅助驾驶以及自动驾驶的汽车，手动驾驶为根据驾驶员对油门等的操作使汽车1行驶；辅助驾驶为辅助驾驶员的操作来使汽车1行驶；自动驾驶为在没有驾驶员操作的情况下使汽车1行驶。需要说明的是，在下述说明中，为了将安装有运算装置100的汽车1与其他车辆加以区分，有时称之为本车辆1。
36.运算装置100是计算机硬件，具体而言，具有包括cpu的处理器和存储有多个模块的存储器。运算装置100具有负责处理器与存储器之间的通信的存储器i/f、负责处理器101
与运算装置100的外部之间的通信的输入/输出控制器等。
37.图2示出运算装置100的构成的一部分。此处，示出的是运算装置100的构成中用于发挥本实施方式所涉及的功能(后述的路径生成功能)的构成，并未示出运算装置100所具有的全部功能。
38.如图2所示，运算装置100根据来自多个传感器等的输出，决定汽车1的目标运动，控制装置工作。向运算装置100输出信息的传感器等包括设在汽车1的车身等上且拍摄车外环境的多个摄像头50、设在汽车1的车身等上且检测车外的人与物等的多个雷达51、检测汽车1的绝对速度的车速传感器52、检测对汽车1的油门踏板的踩踏量的油门开度传感器53、检测汽车1的方向盘的旋转角度(方向盘转角)的方向盘转角传感器54、检测汽车1的制动踏板的踩踏量的制动传感器55、利用全球定位系统(global positioning system：gps)检测汽车1的位置(车辆位置信息)的位置传感器56。另一方面，运算装置100的控制对象包括发动机10、制动器20以及转向器30。
39.各摄像头50布置成能够在水平方向360
°
的范围内对汽车1的周围进行拍摄。各摄像头50拍摄表示车外环境的光学图像并生成图像数据。各摄像头50将生成的图像数据输出给运算装置100。摄像头50是获取车外环境信息的信息获取装置之一例。
40.与摄像头50一样，各雷达51分别布置成将检测范围扩大到汽车1周围水平方向360
°
。雷达51的种类没有特别限定，例如能够采用毫米波雷达或红外线雷达。雷达51是获取车外环境信息的信息获取装置之一例。
41.发动机10是动力驱动源，包括内燃机(汽油发动机、柴油发动机)。当需要使汽车1加速或减速时，运算装置100向发动机10输出发动机输出变更信号。手动驾驶时，根据驾驶员对油门踏板的操作量等控制发动机10；辅助驾驶和自动驾驶时，根据由运算装置100计算出的目标运动控制发动机10。需要说明的是，发动机10的旋转轴与利用发动机10的输出发电的发电机相连结，省略图示。
42.制动器20在此处为电动制动器。当需要使汽车1减速时，运算装置100向制动器20输出制动要求信号。接收到制动要求信号的制动器20根据该制动要求信号使制动执行器(brake actuator)省略图示)工作，从而使汽车1减速。手动驾驶时，根据驾驶员对制动踏板的操作量等控制制动器20；辅助驾驶和自动驾驶时，根据由运算装置100计算出的目标运动控制制动器20。
43.转向器30在此处为eps(electric power steering：电动助力转向器)。当需要变更汽车1的前进方向时，运算装置100向转向器30输出转向方向变更信号。手动驾驶时，根据驾驶员对转向盘(所谓的方向盘)的操作量等控制转向器30；辅助驾驶和自动驾驶时，根据由运算装置100计算出的目标运动控制转向器30。
44.变速器40是有级变速器。运算装置100根据应输出的驱动力，向变速器40输出档位变更信号。手动驾驶时，根据驾驶员对变速杆的操作和驾驶员对油门踏板的操作量等控制变速器40；辅助驾驶和自动驾驶时，根据由运算装置100计算出的目标运动控制变速器40。
45.手动驾驶时，运算装置100将基于油门开度传感器52等的输出的控制信号发送给发动机10等。另一方面，辅助驾驶时和自动驾驶时，运算装置100设定汽车1的行驶路径，向发动机10等输出控制信号以便使汽车1在该行驶路径上行驶。运算装置100具有第一运算系统110、第二运算系统120、目标运动决定部130以及能量管理部140作为在辅助驾驶时和自
动驾驶时用于生成向发动机10等输出的控制信号的构成。其中，第一运算系统110具有利用深度学习推测车外环境的功能；第二运算系统120具有不利用深度学习而根据规定的规则认定对象物的功能；目标运动决定部130接收来自第一、第二运算系统110、120的输出决定汽车1的目标运动；能量管理部140计算对各种装置(后述的发动机10等)的控制量，以便在实现了由目标运动决定部130决定出的目标运动以后，能量效率达到最佳。第一运算系统110、第二运算系统120、目标运动决定部130以及能量管理部140是存储在存储器中的模块之一例。
46.第一运算系统110具有车外环境推测部111、第一安全区域设定部112以及第一路径计算部113。其中，车外环境推测部111根据来自摄像头50和雷达51的输出，利用深度学习推测车外环境；第一安全区域设定部112针对由车外环境推测部111推测出的车外环境，设定第一安全区域sa1(参照图4)；第一路径计算部113根据车外环境推测部111的推测结果和由第一安全区域设定部112设定的第一安全区域sa1计算第一候选路径。车外环境推测部111、第一安全区域设定部112以及第一路径计算部113是第一运算系统110所具有的模块之一例。
47.车外环境推测部111根据来自摄像头50和雷达51的输出，通过采用深度学习进行的图像识别处理来推测车外环境。具体而言，车外环境推测部111根据来自摄像头50的图像数据通过深度学习构筑物体识别信息，并整合该物体识别信息与雷达的定位信息来绘制表示车外环境的3d地图。此外，将基于深度学习而做出的对各物体行为的预测等该3d地图相整合而生成环境模型。在深度学习中，使用多层神经网络(deep neural network：dnn，深度神经网络)。多层神经网络例如有cnn(convolutional neural network：卷积神经网络)。
48.第一安全区域设定部112针对由车外环境推测部111绘制的3d地图，设定第一安全区域sa1。使用利用深度学习构筑的模型将该第一安全区域sa1设为本车辆能通过的区域。模型通过以下方法构筑：例如，根据驾驶员过去的驾驶历史等对事先构筑的汽车1的每个车型的模型进行再构筑即可。需要说明的是，第一安全区域sa1基本上是指在道路上不存在其他车辆和行人等动态障碍物及中央分隔带和中央警示柱等静态障碍物的区域。第一安全区域sa1可以包括能紧急驻车的路肩空间。第一安全区域设定部112相当于动态安全区域设定部。
49.第一路径计算部113计算通过由第一安全区域设定部112设定出的第一安全区域sa1内的第一候选路径。第一路径计算部113利用强化学习计算第一候选路径。强化学习具有下述功能：给一系列模拟结果(此处为候选路径)设定评价函数，对符合某个目的的模拟给予较高的评价；对不符合该目的的结果给予较低的评价，由此学习到符合目的的候选路径。实际的计算方法后述。
50.第二运算系统120具有对象物认定部121、第二安全区域设定部122以及第二路径计算部123。其中，对象物认定部121根据来自摄像头50和雷达51的输出，不利用深度学习而按照规定的规则认定车外的对象物；第二安全区域设定部122根据对象物认定部121的结果，计算第二安全区域sa2(参照图5)；第二路径计算部123根据对象物认定部121的结果和由第二安全区域设定部122设定的第二安全区域sa2，计算第二候选路径。对象物认定部121、第二安全区域设定部122以及第二路径计算部123是第二运算系统120所具有的模块之一例。
51.对象物认定部121根据现有技术中使用的对象物认定规则认定对象物。对象物例如是行驶车辆、驻车车辆、行人等。对象物认定部121对本车辆与对象物之间的相对距离和相对速度也进行认定。此外，对象物认定部121根据来自摄像头50和雷达51的输出，对车行道(包括分界线等)也进行认定。
52.第二安全区域设定部122将第二安全区域sa2设定为能够避免与对象物认定部121已认定出的对象物发生碰撞的区域。该第二安全区域sa2例如是根据规定的规则设定的，该规则例如是将对象物周围几米的范围视为无法避开范围等。第二安全区域设定部122构成为能考虑着行驶车辆的速度和行人的速度设定第二安全区域sa2。需要说明的是，与第一安全区域sa1一样，第二安全区域sa2基本上是指在道路上不存在其他车辆和行人等动态障碍物及中央分隔带和中央警示柱等静态障碍物的区域。第二安全区域sa2可以包括能紧急停车的路肩空间。第二安全区域设定部122相当于静态安全区域设定部。
53.第二路径计算部123计算通过在由第二安全区域设定部122设定的第二安全区域sa2内的第二候选路径。实际的计算方法后述。
54.目标运动决定部130接收来自第一、第二运算系统110、120的输出，尤其是接收第一、第二安全区域sa1、sa2的信息、第一候选路径和第二候选路径的信息来决定汽车1的目标运动。目标运动决定部130设定汽车1应行驶的路径，决定要求各种装置(主要是发动机10、制动器20、转向器30、变速器40)工作的工作量(例如，发动机扭矩和制动执行器的工作量等)，以便使汽车1在该路径上行驶。
55.能量管理部140计算对各种装置(后述的发动机10等)的控制量，以便在实现了由目标运动决定部130决定下来的对各种装置的要求量以后，使能量效率达到最佳。
56.例如，在汽车输出由目标运动决定部130决定下来的要求驱动力时，能量管理部140计算变速器40的级数、进排气门(省略图示)的开关时刻、燃料喷射器(省略图示)的燃料喷射时刻等，以便使发动机10的燃料消耗量达到最少。此外，在汽车输出目标制动力时，能量管理部140通过增大与发动机10相连的所述发电机的再生发电量和制冷用压缩机的驱动负荷生成所述制动力，以便使发动机制动力达到最小。能量管理部140对车速和转角进行控制，以便使转弯时作用于汽车1的滚动阻力达到最小。具体而言，调节制动力的产生和转向时刻，以便使侧倾和汽车1的前部下沉的纵倾同步发生而产生斜前方侧倾(diagonal roll)姿势。通过产生斜前方侧倾姿势，作用于前侧的转弯外轮的载荷会增大。因此能够以较小的转角转弯，从而能够减小作用于汽车1的滚动阻力。
57.下面，参照图3说明对第一候选路径的计算方法。在图3中省略了第一安全区域sa1的图示，要计算的第一候选路径是通过在第一安全区域sa1内的路径。需要说明的是，在汽车1的驾驶模式为辅助驾驶或自动驾驶时，计算第一候选路径；在手动驾驶时不计算第一候选路径。
58.首先，如图3所示，第一路径计算部121根据车行道信息，执行栅格点设定处理。在栅格点设定处理中，ecu10首先确定车行道5的形状(即，车行道5的延伸方向、车行道宽度等)，然后，在车行道5上设定包括栅格点gn(n＝1、2
……
n)的栅格区域rw。
59.栅格区域rw沿车行道5从本车辆1的周围向本车辆1的前方延伸一规定距离。该距离(纵向长度)l是根据本车辆1当前的车速计算出的。在本实施方式中，距离l是估计的以当前的车速(v)行驶规定的固定时间t(例如3秒)后的距离(l＝v
×
t)。但是，距离l还可以是规
定的固定距离(例如100m)，也可以是车速(和加速度)的函数。此外，将栅格区域rw的宽度w设为车行道5的宽度。
60.栅格区域rw由分别沿车行道5的延伸方向x和宽度方向(横向)y延伸的多条栅格线划分为很多矩形栅格区块。x方向和y方向的栅格线的交点为栅格点gn。将栅格点gn在x方向上的间距和在y方向上的间距分别设定为固定值。在本实施方式中，例如，x方向上的间距为10m，y方向上的间距为0.875m。但是，栅格间距也可以根据车速等设为可变值。
61.需要说明的是，在图3中，因为车行道5是直线区间，所以栅格区域rw和栅格区块被设定为矩形。在车行道包括曲线区间的情况下，栅格区域和栅格区块可以设定为矩形，也可以设定为非矩形。
62.然后，第一路径计算部113在第一候选路径的计算中，根据外部信号将栅格区域rw内规定的栅格点gt设定为目标到达位置pe，并设定在目标到达位置pe(gt)处的目标速度。外部信号例如是从安装在本车辆1上的导航系统(省略图示)发送来的前往目的地(驻车区等)的引导指示信号。
63.接着，第一路径计算部113执行候选路径计算处理。在该候选路径计算处理中，第一路径计算部113首先执行计算多个第一候选路径r1m(m＝1、2、3
……
)的候选路径计算处理。该处理与现有的采用状态栅格(state lattice)法的候选路径计算相同。
64.下面，说明候选路径的计算概要。第一路径计算部113绘制从本车辆1当前的位置ps(起点)到栅格区域rw内的各栅格点gn(终点)的候选路径。第一路径计算部113还设定终点的速度信息。
65.起点和终点通过一个或多个栅格点gn相连结，或者不通过栅格点gn而相连结。第一路径计算部113针对各第一候选路径r1m利用路径曲线模式对栅格点之间进行拟合来计算位置信息，计算速度变化曲线，以便与速度变化模式相匹配。速度变化模式以急加速(例如0.3g)、缓加速(例如0.1g)、维持车速、缓减速(例如－0.1g)、急减速(例如－0.3g)的组合而生成，不是针对每个栅格设定速度变化模式，而是跨越该第一候选路径r1m的规定长度(例如50m～100m)设定速度变化模式。
66.而且，第一路径计算部113针对各候选路径设定采样点sp，计算采样点sp处的速度信息。在图3中，仅示出很多候选路径中的三个第一候选路径r11、r12、r13。需要说明的是，在本实施方式中，各第一候选路径r1m是从起点到固定时间(例如3秒)过后所到达的位置的路径。
67.然后，第一路径计算部113计算已得到的第一候选路径r1m的路径代价。在各第一候选路径r1m的路径代价的计算中，第一路径计算部113例如能够针对各采样点sp，计算车辆1运动产生的惯性力fi、与障碍物(此处为其他车辆3)的碰撞概率pc以及乘员因该碰撞而承受的冲击力fc(或者是碰撞的反作用力)，根据上述值计算作用于乘员的外力fc，将第一候选路径r1m上所有采样点sp处的外力fc(绝对值)的合计值作为第一候选路径r1m的路径代价(候选路径代价)epm计算出来。
68.并且，第一路径计算部113将所有第一候选路径r1m和第一候选路径r1m各自的路径代价信息一起输出给目标运动决定部130。
69.按以上所述，候选路径即被设定下来。第二候选路径也基本上是采用与上述相同的方法计算出的。不过，选择所述路径代价最小的路径作为第二候选路径，并输出给目标运
动决定部130。
70.此处，在本第一实施方式中，候选路径有：由第一运算系统110计算出的第一候选路径和由第二运算系统120计算出的第二候选路径，但目标运动决定部130基本上采用第一候选路径。这是因为，利用深度学习和强化学习设定的第一候选路径是容易成为反映了驾驶员的想法的路径，即该路径不会让驾驶员产生在避开障碍物时过于谨慎等的拖沓感之故。
71.但是，利用深度学习对车外环境的认定还处于发展阶段。也就是说，利用深度学习构筑的环境模型，对于由摄像头50等得到的信息和作为环境模型基础的信息相类似的范围来说，能够计算出准确的信息。但如果由摄像头50等得到的实际车外环境等与环境模型有较大的差异，推测出的车外环境就会与实际的车外环境相背离。
72.例如，在图4中，示出由第一安全区域设定部112设定的第一安全区域sa1和由第二安全区域设定部122设定的第二安全区域sa2。第一安全区域sa1是图4的阴影部分，第二安全区域sa2是从图4的阴影部分中除去虚线框内侧后留下的部分。如图4所示，在第一安全区域sa1，其他车辆3的一部分也设在安全区域内。这可能会在利用深度学习进行的图像认定中无法准确推测其他车辆3的车宽的情况下等发生。
73.像这样，因为在利用深度学习进行的车外环境的认定中，有时会推测出与实际的车外环境相背离的车外环境，所以利用深度学习的功能在汽车功能安全标准(iso 26262)中提出的功能安全等级(asil)中相当于asil－b。因此，需要下功夫提高功能安全等级。
74.于是，在本第一实施方式中，当第一候选路径在第二安全区域sa2内时，运算装置中100的目标运动决定部130便选择该第一候选路径作为汽车1(本车辆1)应行驶的路径，决定汽车1的目标运动，以便使该汽车1通过第一候选路径，而在第一候选路径脱离第二安全区域sa2时，目标运动决定部130则不选择该第一候选路径作为汽车1应行驶的路径。更具体而言，如果在计算第一候选路径之际得知被设定为候选路径的多个第一候选路径r1n(n＝1、2、3
……
)全部脱离了第二安全区域sa2，目标运动决定部130则选择第二候选路径作为汽车1应行驶的路径。
75.例如，如图5所示，由第一路径计算部113设定第一候选路径r11、r12、r13。该三个路径即第一候选路径r11～r13中，路径r11、r12的一部分脱离了第二安全区域sa2，而路径r13通过第二安全区域sa2。此时，目标运动决定部130不选择脱离了第二安全区域sa2的路径r11、r12作为汽车1应行驶的路径，而选择路径r13作为汽车1应行驶的路径。
76.另一方面，如图6所示，假设由第一路径计算部113设定第一候选路径r14、r15、r16。在第一候选路径r14～r16这三者中，所有路径的一部分都脱离了第二安全区域sa2。此时，目标运动决定部130选择由第二运算系统120计算出的多个第二候选路径中路径代价最小的第二候选路径r2作为汽车1应行驶的路径。
77.因为对象物认定部121根据现有技术中存在的规定的规则认定对象物，所以能够以良好的精度认定对象物的大小等。此外，因为第二安全区域设定部122根据将对象物周围几米的范围视为无法避开范围等的规定的规则来设定第二安全区域sa2，所以在要避开其他车辆3时，第二候选路径也能够保证与其他车辆3之间有足够的距离。也就是说，能够使第二运算系统120的功能相当于asil－d。因此，如果在计算第一候选路径之际得知被设定为候选路径的多个第一候选路径r1n全部脱离了第二安全区域sa2，目标运动决定部130则选
择第二候选路径作为汽车1应行驶的路径，由此而能够使汽车1在安全性较高的路径上行驶。这样一来，能够提高具有利用深度学习的功能的运算装置100的功能安全等级。
78.下面，参照图7的流程图对决定汽车1的驾驶路径时的运算装置100的处理工作进行说明。需要说明的是，汽车1的驾驶模式为辅助驾驶或自动驾驶。
79.首先，在步骤s1中，运算装置100读取来自各摄像头50、各雷达51以及各传感器52～56的信息。
80.然后，运算装置100并列地进行第一候选路径的计算和第二候选路径的计算。
81.在步骤s2中，运算装置100利用深度学习推测车外环境。
82.在接下来的步骤s3中，运算装置100设定第一安全区域sa1。
83.在接下来的步骤s4中，运算装置100使用强化学习计算第一候选路径。
84.另一方面，在步骤s5中，运算装置100按照规定的规则认定对象物。
85.在所述步骤s6中，运算装置100设定第二安全区域sa2。
86.在所述步骤s7中，运算装置100按照规定的规则计算第二候选路径。
87.在接下来的步骤s8中，运算装置100向目标运动决定部130输出所述步骤s4和步骤s5的信息，在目标运动决定部130中判断第一候选路径是否在第二安全区域sa2内。在该步骤s8中，当多个第一候选路径中存在整个路径都包含在第二安全区域sa2内的路径(判断为是)时，进入步骤s9，而当多个第一候选路径全部是路径的至少一部分脱离了第二安全区域sa2(判断为否)时，进入步骤s10。
88.在上述步骤s9中，目标运动决定部130选择第一候选路径作为汽车1应行驶的路径。
89.另一方面，在上述步骤s10中，目标运动决定部130选择第二候选路径作为汽车1应行驶的路径。
90.在接下来的步骤s11中，目标运动决定部130计算汽车1的目标运动。
91.在接下来的步骤s12中，能量管理部140设定目标控制量，以便实现在所述步骤s11中计算出的目标运动且使能量效率达到最大。
92.在接下来的步骤s13中，运算装置100进行各装置的运转控制，以便使对各装置的控制量达到在所述步骤s12中计算出的目标控制量。步骤s13结束后，返回。
93.因此，在本第一实施方式中，运算装置100包括车外环境推测部111、第一路径计算部113、对象物认定部121、第二安全区域设定部122以及目标运动决定部130。其中，车外环境推测部111根据来自获取车外环境信息的信息获取装置的输出，利用深度学习推测车外环境；第一路径计算部113根据车外环境推测部111的推测结果，计算第一候选路径；对象物认定部121根据来自信息获取装置的输出，不利用深度学习而按照规定的规则认定车外的对象物；第二安全区域设定部122根据对象物认定部的结果，计算安全区域；目标运动决定部130接收来自第一路径计算部113的输出和来自第二安全区域设定部122的输出，决定汽车1的目标运动。当第一候选路径在第二安全区域sa2内时，目标运动决定部130选择该第一候选路径作为汽车1应行驶的路径，决定汽车1的目标运动，以便使该汽车1通过第一候选路径sa1，而当候选路径脱离了安全区域时，目标运动决定部130则不选择候选路径作为汽车1应行驶的路径。
94.根据该构成方式，这样便能够提高具有利用深度学习的功能的运算装置100的功
能安全等级。
95.(第二实施方式)
96.下面，参照附图对第二实施方式进行详细的说明。需要说明的是，在下述说明中，用相同的符号表示与所述第一实施方式相同的部分，并省略其详细说明。
97.在本第二实施方式中，运算装置200的第二运算系统220的构成与所述第一实施方式中的运算装置100不同。具体而言，与所述第一实施方式不同，在本第二实施方式中，第二运算系统220不包括第二路径计算部。
98.在该构成下，也是如果由第一运算系统110计算出的第一候选路径全部脱离了第二安全区域sa2，目标运动决定部130就不选择第一候选路径作为汽车1应行驶的路径。在本第二实施方式中，当目标运动决定部130没有选择第一候选路径时，例如，通过将汽车1的驾驶模式切换为手动驾驶等，就能够使汽车1在安全的路径上行驶。此时，如果要从自动驾驶朝着手动驾驶切换，最好通过蜂鸣器等将驾驶模式要变化这一情况告知驾驶员。
99.因此，本第二实施方式也一样，能够提高具有利用深度学习的功能的运算装置200的功能安全等级。
100.(其他实施方式)
101.此处公开的技术并不限于上述实施方式，在不脱离权利要求书主旨的范围内可以进行替换。
102.例如，在上述第一、第二实施方式中，由目标运动决定部130决定目标运动之后，由能量管理部140设定目标控制量，以便实现目标运动且使能量效率达到最大。不限于此，也可以省去能量管理部140。也就是说，也可以由目标运动决定部130设定实现目标运动的目标控制量。
103.上述实施方式仅为示例而已，不得对本公开的范围做限定性解释。本公开的范围由权利要求书的范围定义，属于权利要求书的等同范围的任何变形、变更都包括在本公开的范围内。
104.－产业实用性－
105.此处公开的技术，作为安装在汽车上的汽车用运算装置很有用。
106.－符号说明－
107.1汽车
108.100汽车用运算装置
109.110第一运算系统
110.111车外环境推测部
111.112第一安全区域设定部(动态安全区域设定部)
112.113第一路径计算部
113.120第二运算系统
114.121对象物认定部
115.122第二安全区域设定部(静态安全区域设定部)
116.130目标运动决定部
117.220第二运算系统
118.221对象物认定部
119.222第二安全区域设定部