车辆控制装置、车辆控制方法及存储介质与流程

1.本发明涉及车辆控制装置、车辆控制方法及存储介质。


背景技术：

2.以往公开了一种在推定出交通标识的周边的强风的情况下进行警报的行驶控制装置(日本特开2018
‑
091794号公报、日本特开2018
‑
205909号公报)。该行驶控制装置从气象信息数据库取得风速信息。
3.然而，上述的装置有时不能根据车辆的周边状况而适当地进行车辆的控制。


技术实现要素：

4.本发明是考虑这样的情况而完成的，其目的之一在于提供一种能够进行更与周边状况相应的车辆的控制的车辆控制装置、车辆控制方法及存储介质。
5.用于解决课题的方案
6.本发明的车辆控制装置、车辆控制方法及存储介质采用了以下的结构。
7.(1)：一种车辆控制装置，其中，所述车辆控制装置具备：确定部，其基于由对车辆的周边进行拍摄的摄像部拍摄到的图像，来确定物体、所述物体的属性、对所述物体产生影响的风的强度及朝向；设定部，其基于由所述确定部确定的所述物体的属性和所述风的强度及朝向，来对所述物体设定风险区域；以及控制部，其基于由所述设定部设定的风险区域来控制所述车辆的速度及转向。
8.(2)：在上述(1)的方案中，所述设定部根据所述风的影响，来设定所述物体的下风侧的风险区域。
9.(3)：在上述(2)的方案中，所述风对所述物体的影响越大，则所述设定部将所述物体的下风侧的风险区域设定得越大，或者将所述下风侧的风险区域的潜在风险值设定得越高。
10.(4)：在上述(1)至(3)中的任一方案中，所述车辆控制装置还具备取得部，该取得部取得表示所述车辆所存在的周边的风的强度及朝向的气象信息，所述设定部还考虑所述气象信息来设定所述风险区域。
11.(5)：在上述(1)至(4)中的任一方案中，所述确定部基于所述物体的特征，来确定所述物体受风的影响的影响度，所述设定部还考虑由所述确定部确定的影响度来设定所述风险区域。
12.(6)：在上述(5)的方案中，所述物体的特征包括所述物体的重量及大小中的一方或双方。
13.(7)：在上述(1)至(6)中的任一方案中，所述确定部基于图像所包含的人的衣着、人的头发、道路周边的植物及道路周边的落下物中的任意方的状态，来确定风的强度及朝向。
14.(8)：本发明的一方案的车辆控制方法使计算机进行如下处理：基于由对车辆的周
边进行拍摄的摄像部拍摄到的图像，来确定物体、所述物体的属性、对所述物体产生影响的风的强度及朝向；基于所述确定的所述物体的属性和所述风的强度及朝向，来对所述物体设定风险区域；以及基于所述设定的风险区域来控制所述车辆的速度及转向。
15.(9)：本发明的一方案存储介质存储有程序，所述程序使计算机进行如下处理：基于由对车辆的周边进行拍摄的摄像部拍摄到的图像，来确定物体、所述物体的属性、对所述物体产生影响的风的强度及朝向；基于所述确定的所述物体的属性和所述风的强度及朝向，来对所述物体设定风险区域；以及基于所述设定的风险区域来控制所述车辆的速度及转向。
16.发明效果
17.根据(1)～(8)，车辆控制装置基于由确定部确定的物体的属性及风的强度及朝向，来对物体设定风险区域，并基于设定的风险区域来控制车辆的速度及转向，由此能够进行更与周边状况相应的车辆的控制。而且，车辆控制装置使用图像，由此能够更迅速且简便地确定风的强度及朝向。
18.根据(4)，车辆控制装置还考虑气象信息，由此能够设定更与环境相应的适当的风险区域。
19.根据(5)或(6)，车辆控制装置还考虑物体的特征，能够设定更与物体和风的影响相适的风险区域。
附图说明
20.图1是利用了实施方式的车辆控制装置的车辆系统的结构图。
21.图2是第一控制部及第二控制部的功能结构图。
22.图3是表示基于图像而识别出的物体的一例的图。
23.图4是表示属性信息的内容的一例的图。
24.图5是表示向学习完毕模型输入的图像、以及学习完毕模型所输出的信息的一例的图。
25.图6是表示向学习完毕模型输入的时间序列数据、以及学习完毕模型所输出的信息的一例的图。
26.图7是表示特征信息的内容的一例的图。
27.图8是表示基于物体的属性而生成的风险区域的一例的图。
28.图9是表示基于风的强度及朝向和以物体的特征为根据而得出的影响度来设定的风险区域的一例的图。
29.图10是表示未考虑风的强度及朝向和物体的特征的情况下的对物体分别设定的风险区域的一例的图。
30.图11是表示考虑了风的强度及朝向和物体的特征的情况下的对物体分别设定的风险区域的一例的图。
31.图12是表示由自动驾驶控制装置执行的处理的流程的一例的流程图。
32.图13是用于说明未考虑风的强度及朝向的情况下的潜在风险值的图。
33.图14是用于说明考虑了风的强度及朝向的情况下的潜在风险值的图。
34.图15是表示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
35.以下，参照附图来说明本发明的车辆控制装置、车辆控制方法及存储介质的实施方式。
36.[整体结构]
[0037]
图1是表示利用了实施方式的车辆控制装置的车辆系统1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、或者它们的组合。电动机使用由与内燃机连结的发电机发出的发电电力、或者二次电池、燃料电池的放电电力来进行动作。
[0038]
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、设备由can(controller area network)通信线等多路通信线、串行通信线、无线通信网等互相连接。图1所示的结构只不过是一例，既可以省略结构的一部分，也可以还追加别的结构。
[0039]
相机10例如是利用了ccd(charge coupled device)、cmos(complementary metal oxide 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(以下称作本车辆m)的任意部位。在对前方进行拍摄的情况下，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例如周期性地反复对本车辆m的周边进行拍摄。相机10也可以是立体相机。
[0040]
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的电波(反射波)来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。
[0041]
lidar14向本车辆m的周边照射光(或者接近光的波长的电磁波)，并测定散射光。lidar14基于从发光到受光的时间，来检测到对象为止的距离。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。
[0042]
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，来识别物体的位置、种类(属性)、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中省略物体识别装置16。
[0043]
通信装置20例如利用蜂窝网、wi
‑
fi网、bluetooth(注册商标)、dsrc(dedicated short range communication)等，与存在于本车辆m的周边的其他车辆通信，或者经由无线基站与各种服务器装置通信。
[0044]
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。
[0045]
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、以及检测本车辆m的朝向的方位传感器等。
[0046]
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卫星接收的信号，来确定本车辆m的位置。本车辆m的位置也可以通过利用了车辆传感器40的输出的ins(inertial navigation system)来确定或补充。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确定的本车辆m的位置(或者输入的任意的位置)到由乘员使用导航hmi52输入的目的地的路径(以下称作地图上路径)。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来表现道路形状的信息。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来实现。导航装置50也可以经由通信装置20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。
[0047]
mpu60例如包括推荐车道决定部61，并在hdd、闪存器等存储装置中保持第二地图信息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)，并参照第二地图信息62按每个区块来决定推荐车道。推荐车道决定部61进行在从左数第几个车道上行驶这样的决定。推荐车道决定部61在地图上路径存在分支部位的情况下，决定推荐车道，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。
[0048]
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者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更新。
[0049]
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、操纵杆及其他的操作件。在驾驶操作件80安装有检测操作量或者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。
[0050]
自动驾驶控制装置100例如具备第一控制部120、第二控制部160及存储部180。第一控制部120和第二控制部160分别例如通过cpu(central processing unit)等硬件处理器执行程序(软件)来实现。这些构成要素中的一部分或全部也可以由lsi(large scale integration)、asic(application specific integrated circuit)、fpga(field
‑
programmable gate array)、gpu(graphics processing unit)等硬件(包括电路部：circuitry)来实现，也可以通过软件与硬件的协同配合来实现。程序也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)，还可以保存于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)装配于驱动装置而安装于自动驾驶控制装置100的hdd、闪存器。自动驾驶控制装置100是“车辆控制装置”的一例。
[0051]
存储部180例如由hdd、闪存器、eeprom(electrically erasable programmable read only memory、rom(read only memory)、或ram(random access memory)等实现。在存
储部180中，例如存储有属性信息182、学习完毕模型184及特征信息186。关于这些信息的详细情况，见后述。
[0052]
图2是第一控制部120及第二控制部160的功能结构图。第一控制部120例如具备信息取得部122、识别部130及行动计划生成部140。第一控制部120例如并行实现基于ai(artificial intelligence：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“并行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，并对双方进行评分而综合地评价”来实现。由此，确保自动驾驶的可靠性。
[0053]
信息取得部122取得表示车辆m所存在的周边的风的强度及朝向的气象信息。信息取得部122经由通信装置20从气象信息提供服务器装置(未图示)取得车辆m的周边的气象信息。在气象信息中包括风的强度(风速)及朝向。
[0054]
识别部130基于从相机10、雷达装置12及lidar14经由物体识别装置16输入的信息，来识别处于本车辆m的周边的物体的位置、及速度、加速度等的状态。物体的位置例如识别为以本车辆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，并使用于控制。物体的位置也可以由该物体的重心、角部等代表点表示，也可以由表现出的区域来表示。物体的“状态”也可以包括物体的加速度、加加速度、或者“行动状态”(例如是否正在进行车道变更或者正要进行车道变更)。
[0055]
识别部130例如识别本车辆m正在行驶的车道(行驶车道)。例如，识别部130通过将从第二地图信息62得到的道路划分线的图案(例如实线与虚线的排列)与根据由相机10拍摄到的图像识别出的本车辆m的周边的道路划分线的图案进行比较，来识别行驶车道。识别部130不限于识别道路划分线，也可以通过识别道路划分线、包括路肩、缘石、中央隔离带、护栏等在内的行驶路边界(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、基于ins的处理结果。识别部130识别暂时停止线、障碍物、红灯、收费站及其他的道路现象。
[0056]
识别部130在识别行驶车道时，识别本车辆m相对于行驶车道的位置、姿态。识别部130例如也可以将本车辆m的基准点从车道中央的偏离、以及本车辆m的行进方向相对于将车道中央相连的线所成的角度识别为本车辆m相对于行驶车道的相对位置及姿态。也可以代替于此，识别部130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)的位置等识别为本车辆m相对于行驶车道的相对位置。
[0057]
识别部130例如具备第一处理部132和第二处理部134。第一处理部132取得物体识别装置16识别到的物体的位置、属性、移动方向。第一处理部132也可以基于由对车辆m的周边进行拍摄的摄像部拍摄到的图像，来识别物体，并确定(推定)所识别的物体的位置、属性、移动方向。第二处理部134基于由对车辆m的周边进行拍摄的摄像部拍摄到的图像，来确定(推定)对物体产生影响的风的强度及朝向。关于这些处理的详细情况，见后述。
[0058]
行动计划生成部140以原则上在由推荐车道决定部61决定的推荐车道上行驶、并且能够应对本车辆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。目标轨道例如包含速度要素。例如，目标轨道表现为将本车辆m应该到达的地点(轨道点)依次排列而成的轨道。轨道点是按沿途距离计每隔规定的行驶距离(例如几[m]程度)的本车辆m应该到达的地点，有别于此，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的在该采样时刻本车辆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来表现。
[0059]
行动计划生成部140在生成目标轨道时，可以设定自动驾驶的事件。在自动驾驶的事件中，存在定速行驶事件、低速追随行驶事件、车道变更事件、分支事件、汇合事件、接管事件等。行动计划生成部140生成与起动了的事件相应的目标轨道。
[0060]
行动计划生成部140具备设定部142。设定部142基于由第一处理部132推定的物体的属性及风的强度及朝向，来对物体设定风险区域。
[0061]“风险区域”是指设定潜在风险值的区域。所谓“潜在风险值”，是表示车辆m进入了设定有潜在风险值的区域的情况下的风险的高低的指标值。风险区域是设定有规定的大小的指标值(超过零的指标值)即潜在风险值的区域。“物体”是存在对车辆m的行驶产生影响的可能性的物体，包括车辆、行人、二轮车、障碍物等各种动体。
[0062]
第二控制部160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按预定的时刻通过由行动计划生成部140生成的目标轨道。
[0063]
返回图2，第二控制部160例如具备取得部162、速度控制部164及转向控制部166。取得部162取得由行动计划生成部140生成的目标轨道(轨道点)的信息，并使存储器(未图示)存储该信息。速度控制部164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166根据存储于存储器的目标轨道的弯曲情况，来控制转向装置220。速度控制部164及转向控制部166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166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执行。
[0064]
行驶驱动力输出装置200将用于使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、以及控制它们的ecu(electronic control unit)。ecu按照从第二控制部160输入的信息、或者从驾驶操作件80输入的信息，来控制上述的结构。
[0065]
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、以及制动ecu。制动ecu按照从第二控制部160输入的信息、或者从驾驶操作件80输入的信息来控制电动马达，以使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所包含的制动踏板的操作而产生的液压经由主液压缸向液压缸传递的机构作为备用。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160输入的信息来控制致动器而使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。
[0066]
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160输入的信息、或者从驾驶操作件80输入的信息，来驱动电动马达，使转向轮的朝向变更。
[0067]
[设定风险区域的处理]
[0068]
设定部142基于物体的属性及风的强度及朝向，来对物体设定风险区域。设定部142基于推定为行人的衣着、行人的头发、道路周边的植物、存在于道路周边的塑料袋等物体承受着的风的强度(例如风速)、朝向来设定风险区域。以下说明该处理。
[0069]
(基于物体的属性来生成风险区域的处理)
[0070]
设定部142基于物体的属性来对物体设定风险区域。图3是表示基于图像而识别到的物体的一例的图。第一处理部132取得由物体识别装置16确定的物体的位置、物体的朝向(物体的移动方向)及属性。例如，在图3的例子中，第一处理部132确定出在位置p1存在行人、且该行人正朝向跟前方向(图3的箭头方向)走来。
[0071]
设定部142参照属性信息182，基于由第一处理部132提供的物体的位置及属性，来生成对行人设定的风险区域。图4是表示属性信息182的内容的一例的图。属性信息182是风险区域与物体的属性建立了关联的信息。在图4的例子中，物体的属性是大人、儿童、自行车、普通机动车、卡车等。风险区域是在属性信息182中建立了关联的属性所对应的风险区域。例如，推定为单位时间的移动量大、注视的程度比其他物体高的属性的物体与更大的风险区域建立了关联。与物体的属性建立了关联的风险区域考虑了物体行进的方向。例如，物体行进的方向的风险区域被设定为小于与行进的方向相反的方向的风险区域。
[0072]
(推定对物体产生影响的风的强度及朝向的处理(其1))
[0073]
第一处理部132基于由物体识别装置16提供的图像，来推定对物体产生影响的风的强度及朝向。第一处理部132例如将图像向学习完毕模型184输入，并取得学习完毕模型184输出的结果中包含的风的强度及朝向。由此，第一处理部132推定对物体产生影响的风的强度及朝向。
[0074]
图5是表示向学习完毕模型184输入的图像、以及学习完毕模型184所输出的信息的一例的图。学习完毕模型184是利用了机器学习、神经网络的模型。学习完毕模型184是当学习数据被学习并输入图像时输出风的强度和朝向的信息的模型。学习数据是包含拍摄到风景的图像、以及在该风景的环境中实际上吹着的风的强度和朝向在内的信息。学习完毕模型184是以当输入拍摄到风景的图像时输出表示在该风景的环境中实际上吹着的风的强度和朝向的信息的方式进行了学习的模型。
[0075]
例如，当向学习完毕模型184输入树枝被风吹动的风景的第一图像时，学习完毕模型184输出表示该风景的风的强度和朝向的信息。例如，当向学习完毕模型184输入树枝未被风吹动的风景的第二图像时，学习完毕模型184输出表示该风景的风的强度和朝向的信息。在输入了第一图像的情况下输出的风的强度例如比在输入了第二图像的情况下输出的风的强度弱。
[0076]
当向学习完毕模型184输入第三图像
‑
第六图像时，学习完毕模型184输出表示该图像的风景的环境的风的强度和朝向的信息。在输入了第三图像的情况下输出的风的强度例如比在输入了第四图像的情况下输出的风的强度弱。第三图像是在道路的单侧滞留有垃圾这样的风景的图像。第四图像是未在道路的单侧滞留有垃圾这样的风景的图像。
[0077]
在输入了第五图像的情况下输出的风的强度例如比在输入了第六图像的情况下输出的风的强度弱。第五图像是行人的头发正随风飘动这样的风景的图像。第六图像是行人的头发未随风飘动这样的风景的图像。
[0078]
学习完毕模型184也可以是rnn(recurrent neural network)等当输入时间序列数据时输出与时间序列数据相应的输出结果的模型。在该情况下，学习数据是包含按时间序列拍摄到风景的图像和在该风景的环境中实际上吹着的风的强度及朝向在内的信息。
[0079]
图6是表示向学习完毕模型184输入的时间序列数据、以及学习完毕模型184所输
出的信息的一例的图。例如，在时刻t拍摄到的第七图像向学习完毕模型184输入，而且在时刻t 1拍摄到的第八图像向学习完毕模型184输入，之后学习完毕模型184输出表示风的强度和朝向的信息。第七图像是在道路的规定的位置掉落有塑料袋的图像。第八图像是在塑料袋在风的作用下移动到比道路的规定的位置靠跟前的位置时拍摄到的图像。当向学习完毕模型184输入第七图像及第八图像时，学习完毕模型184输出风的强度及朝向。
[0080]
如上述那样，第一处理部132基于由物体识别装置16提供的图像，来推定(确定)对物体产生影响的风的强度及朝向。
[0081]
第一处理部132使用学习完毕模型184来推定风的强度及朝向的处理是“基于图像中包含的人的衣着、人的头发、道路周边的植物及道路周边的落下物中的任意方的状态(变化程度)，来推定风的强度及朝向”的处理的一例。在学习完毕模型184的学习阶段中，利用图像中包含的人的衣着、人的头发、道路周边的植物及道路周边的落下物中的任意方的状态、以及表示每个状态的风的强度及朝向的正确解数据作为学习数据进行学习。学习完毕模型184基于图像中包含的人的衣着
···
落下物等中的任意方的状态，来输出表示风的强度及方向的信息。
[0082]
第一处理部132也可以根据时间序列图像中的对象的物体的状态的变化来推定风的强度及朝向。第一处理部132例如也可以如前述的图6那样基于时间序列图像中的塑料袋的位置的变化和表示与变化建立了关联的风的强度及朝向的信息，来推定朝向物体吹着的风的强度及朝向。例如，第一处理部132也可以参照物体的属性、该物体的变化模式、以及风的强度及朝向建立了关联的信息，来推定风的强度及朝向。
[0083]
(推定对物体产生影响的风的强度及朝向的处理(其2))
[0084]
第一处理部132也可以考虑信息取得部122取得的气象信息，来推定风的强度及朝向。例如，第一处理部132也可以对对象的环境中的气象信息的风的强度及朝向、以及由学习完毕模型184输出的风的强度及朝向进行统计处理，并将它们适用于规定的函数，来取得风的强度和朝向。
[0085]
(推定物体受风的影响的影响度的处理)
[0086]
第二处理部134基于图像，来推定物体受风的影响的影响度。第二处理部134参照特征信息186，来推定上述的影响度。图7是表示特征信息186的内容的一例的图。特征信息186是物体的特征、影响度以及加法运算度(增加度)互相建立了关联的信息。物体的特征是指物体的高度、物体的大小、物体的面积、物体的重量等。第二处理部134也可以基于图像，来推定物体的特征，也可以采用学习完毕模型、使用了预先准备的物体的模板的图案匹配等方法来推定物体的特征。学习完毕模型184是当输入拍摄有物体的图像时输出物体的特征的模型。
[0087]
例如，在特征信息186中规定了在物体承受风时物体在风的影响下越倾向于发生位置变化、或者越倾向于移动，则影响度越大。加法运算度是针对风险区域而根据影响度而进行加法运算的风险区域的大小。例如，在特征信息186中规定了影响度越大则加法运算度越大。
[0088]
(设定风险区域的处理)
[0089]
设定部142基于风的强度及朝向、以及以物体的特征为根据得到的影响度，来修正基于物体的属性而生成的风险区域，并设定在生成行动计划时参照的风险区域。
[0090]
图8是表示基于物体的属性而生成的风险区域的一例的图。设定部142基于物体的属性、以及该物体行进的方向，来生成风险区域ar。
[0091]
图9是表示基于风的强度及朝向、以及以物体的特征为根据得到的影响度而设定的风险区域的一例的图。例如，在风正从行人pd的左方向吹着的情况下，设定对风险区域ar附加了风险区域α的风险区域。风险区域α是向行人的右侧的前方向附加了的与风的强度及物体的特征相应的区域。
[0092]
在道路(车道及人行道)上存在多个物体的情况下，设定部142对这些物体分别设定考虑了风的强度及朝向和物体的特征的风险区域。图10是表示未考虑风的强度及朝向和物体的特征的情况下的对物体分别设定的风险区域的一例的图。若在图10的状况下，则车辆m生成躲避风险区域而在道路上行进的行动计划。
[0093]
图11是表示考虑了风的强度及朝向和物体的特征的情况下的对物体分别设定的风险区域的一例的图。在考虑了风、特征的情况下，向下风侧扩大风险区域。由于如图11的状况那样扩大了风险区域，不再存在车辆m躲避风险区域行进的空间。在该情况下，车辆m在规定的位置停车，以免进入风险区域。
[0094]
如上述那样，自动驾驶控制装置100考虑风的影响、物体的特征，来设定风险区域，由此能够精度良好地设定风险区域。而且，自动驾驶控制装置100基于设定的风险区域，来控制车辆m，由此能够实现更与周边状况相应的适当的行驶。
[0095]
[流程图]
[0096]
图12是表示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。本处理以规定周期执行。
[0097]
首先，自动驾驶控制装置100的物体识别装置16取得由相机10拍摄到的图像(步骤s100)。接着，物体识别装置16识别取得的图像中包含的物体的位置、属性及朝向(移动方向)(步骤s102)。接着，第一处理部132将物体识别装置16识别到的信息(物体信息)向设定部142提供(步骤s104)。设定部142基于在步骤s104提供的信息(物体信息)、以及属性信息182，来生成风险区域(步骤s106)。
[0098]
接着，第二处理部134基于由相机10拍摄到的图像，来取得风的强度及朝向(步骤s108)。此时，第二处理部134也可以参照气象信息而考虑风的强度及朝向。
[0099]
接着，第二处理部134基于物体的特征，来取得物体承受的风的影响度(步骤s110)。接着，设定部142基于风的强度、风的朝向及影响度，来设定向下风侧扩大了风险区域的风险区域(步骤s112)。
[0100]
接着，行动计划生成部140基于在步骤s112设定的风险区域，来生成行动计划(步骤s114)。车辆m基于生成的行动计划来行驶、或者停车。由此，本流程图的1个例程的处理结束。
[0101]
根据以上说明的第一实施方式，自动驾驶控制装置100基于物体的属性、风的强度及朝向来设定风险区域，并基于设定的风险区域来控制车辆m，由此能够进行更与周边状况相应的车辆的控制。
[0102]
<第二实施方式>
[0103]
以下，说明第二实施方式。在第一实施方式中，设定部142根据风的强度及朝向来扩大风险区域。与此相对，在第二实施方式中，维持或扩大风险区域，风险区域中的潜在风
险值根据风的强度及朝向而变更。以下，以与第一实施方式的不同点为中心进行说明。
[0104]
图13是用于说明未考虑风的强度及朝向的情况下的潜在风险值的图。在图13的例子中，示出了区域l的潜在风险值。在距行人pd规定距离以内的区域，潜在风险值为潜在风险值po1，在不是距行人pd规定距离以内的区域，潜在风险值小于潜在风险值po1。
[0105]
图14是用于说明考虑了风的强度及朝向的情况下的潜在风险值的图。在图14的例子中，示出了区域l的潜在风险值。在距行人pd规定距离以内的区域及下风侧的区域，潜在风险值为潜在风险值po1，在上述的区域以外的区域，潜在风险值小于潜在风险值po1。这样，设定部142以下风侧的风险区域的潜在风险值比不考虑风的影响的情况下的潜在风险值高的方式进行设定。例如，车辆m避免向潜在风险值为阈值以上的区域进入、或者在不能避免向阈值以上的区域进入的情况下，慢行、以规定速度以下的速度而更加注意地进入。
[0106]
根据以上说明的第二实施方式，风对物体的影响越大，则设定部142将下风侧的风险区域的潜在风险值设定得越高，由此起到与第一实施方式同样的效果。
[0107]
[硬件结构]
[0108]
图15是表示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等由内部总线或者专用通信线相互连接而成的结构。通信控制器100
‑
1进行与自动驾驶控制装置100以外的构成要素之间的通信。在存储装置100
‑
5中，保存有供cpu100
‑
2执行的程序100
‑
5a。该程序由dma(direct memory access)控制器(未图示)等向ram100
‑
3展开，并由cpu100
‑
2执行。由此，实现第一控制部120、第二控制部160、以及它们包含的功能部中的一部分或全部。
[0109]
上述说明的实施方式能够如以下这样表现。
[0110]
一种车辆控制装置，其构成为具备：
[0111]
存储装置，其存储有程序；以及
[0112]
硬件处理器，
[0113]
所述硬件处理器通过执行存储于所述存储装置的程序来进行如下处理：
[0114]
基于由对车辆的周边进行拍摄的摄像部拍摄到的图像，来推定物体、所述物体的属性、对所述物体产生影响的风的强度及朝向；
[0115]
基于所述推定的所述物体的属性和所述风的强度及朝向，来对所述物体设定风险区域；以及
[0116]
基于所述设定的风险区域来控制所述车辆的速度及转向。
[0117]
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。