雷达系统、雷达信号处理装置、车辆行驶控制装置以及方法及电脑程序的制作方法
雷达系统、雷达信号处理装置、车辆行驶控制装置以及方法及电脑程序的制作方法
【技术领域】
[0001] 本发明设及一种通过雷达识别一台或多台前方行驶车辆的配置的技术。
【背景技术】
[0002] W往，在车载雷达系统中使用利用FMCW (Rrequen巧Modulated Continuous Wave :频率调制连续波）雷达、多频率CW(Continuous Wave :连续波）雷达W及脉冲雷达的 方式的电子扫描式雷达。在运样的雷达系统中，一般地，将被调制的连续波或脉冲波作为 "发送波"从发送天线放射，将通过前方行驶车辆反射而返回到接收天线的入射波作为"接 收波"接收。然后，基于利用接收波的天线信号（接收信号）推断前方行驶车辆的位置W及 速度。W搭载有雷达系统的车辆为基准，通过到前方行驶车辆的距离W及前方行驶车辆的 方向规定前方行驶车辆的位置。另外，在本说明书中，将搭载有雷达系统的车辆称为"本车 辆"，将行驶在本车辆前面的车辆称为"前方行驶车辆"。"前方行驶车辆"行驶在与本车辆行 驶的车道相同的车道上或与该车道相邻的同一方向的车道上。
[0003] 在车载雷达系统中，前方行驶车辆的"方向"可W通过包含道路的面（近似"平 面"）内的方位（azimuth)规定。因此，在本说明书中，对于被雷达探测的物体，存在将"方 向（direction)"与"方位（azimuth)"作为相同含义的用语来使用的情况。 阳004] 前方行驶车辆的方向能够用入射波的入射方向值0A direction Of Arrival)」的 角度表示。在雷达技术的领域中，像前方行驶车辆那样反射发送波的物体有时被称为"目标 (target)"。目标作为"反射波"的波源发挥功能。目标为到达至接收天线的波、即接收波 的信号源。
[0005] 在车载用的雷达系统中，追求使用小型且价格低廉的天线。例如将四个或五个天 线元件作为构成构件的阵列天线用作接收用天线。在阵列天线中，根据天线元件的排列方 式有直线阵列式、平面阵列式、环形阵列式W及共形阵列式。
[0006] 若基于从运样的阵列天线的各天线元件获得的接收信号，能够通过信号处理技 术，推断反射发送波的物体的方位（入射方向）。然而，在反射发送波的物体的个数为多个 时，通过各个物体产生的反射波W不同的角度入射到接收天线上。因此，从接收天线生成多 个入射波重叠的复杂的信号。并且，在车载雷达系统中，物体的配置关系W及距离相对于阵 列天线动态变化。因此，为了基于阵列天线的接收信号正确推断一台或多台前方行驶车辆 的各方位，需要使用电脑高速进行庞大的运算。
[0007] 为了推断入射方向，提出了处理阵列天线的接收信号的各种算法的方案。公知的 入射方向推断算法包括W下方法（参照专利文献1及2)。
[0008] (1)数字波束（DBF :Digital Beam Former)法
[0009] (2) Capon 法
[0010] 做线形预测法 柳川 （4)最小范数法
[0012] (5)MUSIC(M叫tiple SI即al Classification:多重信号分类）法
[0013] (6)ESPRIT(Estimation of Signal Parameters via Rotational Invariance Techniques:利用旋转不变因子技术来推断信号参数）法
[0014] 一般地，方向推断的角度分辨率越高，信号处理所需的运算的量就越大。在上述的 入射方向推断方法（1)到（6)中，角度分辨率W从方法（1)到方法（6)的顺序变高，运算量 增加。角度分辨率特别高的MUSIC法W及ESPR口法也被称为"超分辨率算法"，对阵列天线 的接收信号需要高速进行运算量较多的处理。具体来说，根据超分辨率算法，从各阵列天线 的接收信号的数据作成自相关矩阵。然后，通过该自相关矩阵的特征值展开（eigenvalue decomposition)来推断接收波的入射方向。矩阵的特征值展开指的是将矩阵分解成在对角 成分中具有特征值的对角矩阵，也被称为"特征值分解"。在进行自相关矩阵的特征值展开 时，求自相关矩阵的特征值W及特征矢量（例如专利文献3)。
[0015] 入射方向的推断精度随着去除自相关矩阵的噪声成分而提高。因为遍历性，能 够使总体均值与时间平均值相等，因此用接收数据的时间平均值作成自相关矩阵。例如， 在FMCW雷达中，优选尽量使差频信号的数据组（能够转换成频率区域的数据的恒定时间区 间的时间序列数据）的样本数、即快照数目多，来使用平均化的自相关矩阵。因此，为了在 前方行驶车辆的位置可W总是变化的情况下提高入射方向推断的精度，需要进行高速的抽 样，被抽样的数据的存储器容量也增大。
[0016] 在先技术文献
[0017] 专利文献
[0018] 专利文献1 :日本特开2009-156582号公报
[0019] 专利文献2 :日本特开2006-275840号公报
[0020] 专利文献3 :日本特开2006-047282号公报
[0021] 专利文献4 :日本特开2007-040806号公报
[0022] MUSIC等超分辨率算法的运算处理量较多。为了与运样的运算处理量相对应，需要 高速动作、且高价的车载用微处理器。从运样的情况出发，进行了用于降低运算处理量的尝 试，W使性能相对较低的微处理器也可W工作（例如，参照专利文献4)。
[0023] 然而，即使通过专利文献4等技术降低了运算处理量，处理量也依然很多。因此， 需要一种能够利用于车载用雷达、将处理量抑制得更低的识别目标的技术。
【发明内容】
[0024] 本发明的例示性的雷达系统构成为包括：阵列天线，其具有分别响应一个或多个 入射波而输出接收信号的多个天线元件；W及信号处理电路，其构筑有已学习完的神经网 络，所述信号处理电路构接收所述接收信号，将所述接收信号或从所述接收信号生成的二 次信号向所述神经网络输入，用所述接收信号或所述二次信号、W及所述神经网络的学习 数据进行运算，从所述神经网络输出表示所述入射波的个数的信号。
[0025] 根据本发明的例示性的雷达系统，能够将接收信号或从所述接收信号生成的二次 信号向已学习完的神经网络输入，来获得表示入射波的个数的信号。神经网络的运算所需 的运算处理量与MCUSIC等超分辨率算法所需的运算处理相比是相对非常少的，并且，通过 预先充分地进行神经网络的学习，能够提高入射波的个数的判断精度。
[00%] 在某方式中，将上述入射波的个数作为表示前方行驶车辆的配置的信息进行获 取。
【附图说明】
[0027] 图1为示出利用本发明的车辆的识别处理的步骤的图。
[0028] 图2的（a)为示出具有直线状配置的Μ个天线元件的阵列天线AA与多个入射波 k化为1到Κ的整数）的关系的图，图2的化）为示出接收第k个入射波的阵列天线ΑΑ的 图。
[0029] 图3为示出一般的层次型神经网络的结构模型的图。
[0030] 图4为示出高斯型核函数的波形的概要的图。
[0031] 图5的（a)、化）、（C)、（d)为示出本车辆5行驶在第一车道时的前方行驶车辆 巧-1) W及/或巧-2)的行驶情况和教师信号Τι的图。 阳03引图6的（a)、化）、（C)、（d)为示出本车辆5行驶在第二车道时的前方行驶车辆 巧-1) W及/或巧-2)的行驶情况和教师信号T2的图。
[003引图7的（a)、化）、（C)、（d)、（e)为本车辆5行驶在S个车道中的中央车道时的前 方行驶车辆巧-1)、巧-2) W及/或巧-3)的行驶情况和教师信号T3的图。
[0034] 图8为示出学习处理的步骤的流程图。
[0035] 图9为示出前方行驶车辆的识别处理的步骤的流程图。
[0036] 图10为示出利用本发明的车辆行驶控制装置1的基本构成的一个例子的框图。
[0037] 图11为示出利用本发明的车辆行驶控制装置1的基本构成的其他例子的框图。
[0038] 图12为用于详细地说明本发明的更加具体的实施方式的框图。
[0039] 图13为示出本实施方式的雷达系统100的更加详细的构成例的框图。
[0040] 图14为示出基于Ξ角波生成电路生成的信号调制的发送信号的频率变化的图。
[0041] 图15为示出"上行"期间的拍频化化及"下行"期间的拍频fd的图。
[00创图16为示出通过具有处理器PR W及存储器装置MD的硬件实现信号处理电路30 的方式的框图。
[0043] 图17为示出作为向神经网络的输入不利用差频信号的雷达系统100a的构成例的 框图。 W44] 图18为示出车辆行驶控制装置1 (图12)的处理步骤的流程图。 W45] 图19为示出利用SAGE法的入射方向推断处理的步骤的流程图。
[0046] 标号说明
[0047] 1车辆行驶控制装置
[0048] 10雷达天线
[0049] 11i、1!2、…、叫天线元件
[0050] 20、20a收发电路
[0051] 21 Ξ角波生成电路 阳化 2] 22 VC0 阳05引 23分配器 阳054] 24混频器 阳化5] 25、25a滤波器
[0056] 26、26a 开关
[0057] 27、27a A/D 转换器 阳05引 28控制器
[0059] 30、30a信号处理电路 W60] 31存储器
[0061] 32接收强度计算部 阳0创 33距离检测部 阳〇6引 34速度检测部
[0064] 35 DBF (数字波束形成）处理部 W65] 36方位检测部
[0066] 37目标转移处理部
[0067] 50车载摄像头 W側 52图像处理电路
[0069] 60行驶支援电子控制装置
[0070] 82 电脑 阳07U 84数据库 阳0巧 80通信设备
[0073] 100、100a 雷达系统
[0074] 300雷达信号处理装置 阳0巧]400、400a物体检测装置 阳076] 500车载摄像头系统
[0077] AA阵列天线 阳〇7引 TA发送天线
[0079] 順神经网络
[0080] AU入射方向推断单元 W81] PR处理器
[0082] MD存储器装置
[0083] 化"上行"期间的拍频
[0084] fd "下行"期间的拍频 阳0化]Si、S2、...，Βμ接收信号
[0086] Θ剧Θ Κ入射方向的角度
【具体实施方式】
[0087] <用语说明>
[0088] "车辆"为包括产生用于行驶的驱动力的发动机W及/或电动机的在道路上行驶的 交通工具（Vehicle)。车辆包括四轮汽车、Ξ轮汽车W及鞍乘式摩托车。车辆行驶的一部分 或全部既可W通过自动控制执行，也可W构成为无人行驶。
[0089] "接收信号"是来自阵列天线的各天线元件的输出信号（包括模拟?数字运两者）。
[0090] "二次信号"意味着处理接收信号而获得的信号。二次信号例如包括：差频信号、 含有相关系数的非对角成分的信号W及解析信号（analytic signal)。在此，"解析信号" 指的是用接收信号（实数成分）与接收信号的正交信号（虚数成分）之和表示的复信号。 接收信号的正交信号例如可W通过希尔伯特变换从接收信号生成。
[0091] "学习数据"为适用于向神经网络各节点的各输入的权重值。
[0092] "入射波"为从目标（波源或信号源）来到阵列天线的电磁波。在阵列天线搭载于 本车辆的前面时，作为入射波的波源发挥功能的目标的典型例子是前方行驶车辆。
[0093] <本申请发明人的想法>
[0094] 在汽车的防碰撞系统和自动驾驶等安全技术中，并排在仅到本车辆相同距离的位 置行驶（并行）的多个车辆（目标）的识别是尤其不可缺少的。在本说明书中，"相同距 离"不仅是完全相同的距离，也包括具有与雷达系统的距离相关的分辨率W下的差值的情 况。在那样的情况下，考虑到对于车辆的识别，推断入射波的方向是必不可少的。
[0095] W往进行的用阵列天线推断入射波的方向的技术W如何正确地确定各入射波的 入射方向（角度）为目的。正确地确定各入射波是因为意味着正确地确定前方行驶车辆的 位置。
[0096] 如上所述，开发了使用自相关矩阵的各种方法，来实现能够W较高的精度确定来 方向的分辨率。然而，用于自相关矩阵的生成W及特征矢量的计算的运算量依然非常多，需 要使用具有与其相符的处理能力的处理器。高性能的处理器成为使成本增加的原因。
[0097] 另外，在使用自相关矩阵的各种方法中，当检测相关高的多个入射波时，需要使用 空间平均法。在计算时，由于阵列天线的阵列的次元减少一个，因此能够检测的入射波数量 也同时减少。虽然 SAGE (Space-Alternating Generalized Expectation-maximization ： 空间交替期望最大化）法等最大似然推断法能够检测相关高的多个入射波，但作为预备知 识需要入射波数量的信息。
[0098] 在将入射波的方向推断技术应用于车载用雷达系统的情况下，优选实现较为高速 的响应。其理由是因为，在道路中，本车辆的位置及速度W及前方行驶车辆的位置及速度时 刻变化，因此需要正确且高速地进行识别。并且，为了进行车辆的防碰撞、碰撞被害减轻W 及车道保持辅助，需要不断用图像传感器W及其他雷达获取周围的信息，来进行各种信号 处理。W进行运样的各种信号处理为目的，不可W无止境地搭载处理能力高的处理器。并 且，即使采用高性能的处理器，也未必能够获得所谓的足够程度的高速响应。因此，对削减 入射方向推断算法的运算量进行了各种研究。
[0099] 本申请发明者们从与W往完全不同的观点研究了用于减少雷达系统的信号处理 所需的运算量的方法。W往，欲W较高的精度识别各入射波的入射方向的理由是因为若利 用其识别结果，则能够正确地掌握前方行驶车辆的台数和位置。然而，最终想获取的信息还 是存在几台前方行驶车辆W及各前方行驶车辆在哪个车道上行驶。
[0100] 本申请发明者们不计算各入射波的入射方向，而是进行了判断前方行驶车辆的台 数W及前方行驶车辆行驶的车道的方法的研究。其结果是，发现若对阵列天线的信号处理 使用神经网络，则即使没有正确地求出各个前方行驶车辆的方向（反射波的入射方向），也 能够直接确定前方行驶车辆的台数W及前方行驶车辆行驶的车道。由此，能够大幅削减用 于掌握前方行驶车辆的行驶情况的所需的信号处理的计算量。 阳1〇U 另外，在通过自适应巡航控制（W下，有时记述为"ACC"。）处理方式行驶的情况 下，若存在表示在同一车道（W及相邻的车道）上是否存在前方行驶车辆的信息W及表示 到前方行驶车辆的距离和前方行驶车辆的速度的信息，则大多没有必要求得 表示前方行驶 车辆的正确的方位的角度。 阳102] <本发明所设及的原理的说明>
[0103] W下，在说明实施方式之前，对通过本申请发明者们获得的想法的基本原理进行 说明。
[0104] 在本说明书中，分别对神经网络的学习处理化及使用已学习完的神经网络的前方 行驶车辆的数量W及配置的识别处理进行说明。若进行一次学习处理，则之后能够进行识 别处理。在本发明的车载用的雷达系统中，典型地，学习处理在雷达系统安装前进行，识别 处理可W通过W搭载于车辆的处理器为代表的信号处理电路在由驾驶员驾驶时进行。
[01化]利用神经网络的优点之一在于，与用高分辨率算法推断入射波的入射方向来检测 前方行驶车辆的数量W及配置的处理相比，能够大幅降低识别处理所需的计算资源。W下， 首先参照图1说明识别处理，之后，与识别处理相关的各步骤的说明一同对学习处理的内 容进行说明。 阳106] 图1示出了利用本发明的车辆的识别处理的步骤。图1的各处理通过信号处理电 路执行。 阳107] 首先，在步骤S1中，信号处理电路对Μ个天线元件（M为3 W上的整数。下同。） 的阵列天线ΑΑ获取的阵列接收信号进行前处理，生成输入矢量b。关于输入矢量b的内容 将在后文进行叙述。该阵列接收信号包含杂音。
[0108] 在步骤S2中，信号处理电路将输入矢量b向已学习完的神经网络输入。
[0109] 在步骤S3中，信号处理电路从神经网络的输出Y判断各车道的车辆的有无。
[0110] W下，分别对步骤S1到S3进行说明。 阳11U 图2的（a)示出具有呈直线状配置的Μ个天线元件的阵列天线AA与多个入射波 k化为1至Κ的整数。下同。Κ的含义将在后文叙述。）的关系。阵列天线ΑΑ从不同的角 度同时接收入射的多个入射波。入射波的入射角度（表示入射方向的角度）表示W阵列天 线AA的宽边B (与天线元件组排列的直线方向垂直的方向）为基准的角度。
[0112] 现在，关注第k个入射波。"第k个入射波"意味着从存在于不同方位的K个目标 向阵列天线入射K个入射波时的通过入射角Θ k识别的入射波。
[0113] 图2的化）示出了接收第k个入射波的阵列天线AA。阵列天线AA接收的信号作 为具有Μ个构件的"矢量"，可如数式1表示。 阳m](数式1) 阳 115] S = [Si, S2,…，SjjT
[0116] 在此，Sm(m为1至Μ的整数；下同。）为第m个天线元件接收的信号的值。上标的 T表示倒置的意思。S为列矢量。列矢量S通过根据阵列天线的结构确定的方向矢量（转 向矢量或处理方式矢量）与表示波源（信号源、即目标）的信号的复矢量的乘积而被提供。 在波源的个数为K时，从各波源到达各天线元件的信号的波线性重叠。此时，公知Sm可如 数式2表示。
[0117] 【数式2】 阳11引
[0119] 数式2的a,、Θ kW及牠分别是第k个入射波的振幅、入射波的入射角度（表示入 射方向的角度）W及初期相位。并且，λ为入射波的波长，j为虚数单位。
[0120] 如从数式2理解的那样，Sm表现为由实部巧e)与虚部（Im)构成的复数。 阳12U 若考虑噪声（内部噪声或热噪声）来进一步一般化，则阵列接收信号X可如数式 3 表 〇
[0122](数式扣 阳 123] X = S+N 阳124] N为噪声的矢量表不。
[01巧]在图1的步骤S1中，信号处理电路用数式3所示的阵列接收信号X求入射波的自 相关矩阵Rxx (数式4)，进一步生成包含自相关矩阵Rxx的非对角成分的信号（数式5)。 阳126]【数式4】 阳 127]
[0128] 在此，上标的Η表示复共辆转置（厄米共辆）。 阳129]【数式5】 阳 130] b〇= [Re 巧XX 12)，Im 巧χχ?2)…，Re 巧xXiM)，Im 巧xXiM)，
[0131] Re (Rxx23)，Im (Rxx23)，…，Re (Rxx2m)，Im (RxXzm)， 阳m]…，Re 胞x(M DM)，Im 胞x(M i)M]T
[0133] 矢量b。是将自相关矩阵Rxx的除去对角成分的上Ξ角矩阵的构件分成实部与虚 部来表现的列矢量。"Re(RxXpq)"表示自相关矩阵的（P，q)成分的实部，"Im(RxXpq)"表示 自相关矩阵的（P，q)成分的虚部。
[0134] 信号处理电路使上述矢量b。单位矢量化（标准化），求作为向神经网络输入的矢 量b。 阳135] 数式6 阳 136]
阳137] 右边的分母（Mb。II)表示矢量b。的范数。
[0138] 进行数式6那样的标准化的理由是为了防止向神经网络的输入变得过大。但是， 标准化并不是必须的。上述矢量beW及/或b在本说明书中有时被记述成从接收信号生 成的二次信号。
[0139] 在上述的说明中，直接利用通过阵列天线AA获得的接收信号X来求自相关矩阵。 然而，也可W利用从接收信号X获得的其他的信号来求上述自相关矩阵。其他信号的一个 例子为利用发送信号和接收信号生成的差频信号。
[0140] 接下来，对在图1的步骤S2中使用的神经网络进行详细地说明。 阳141] 图3示出了一般的层次型神经网络的结构模型。在本说明书中，使用作为层次型 神经网络的一个例子的RBF(Radial Basis化nction:放射基底函数）神经网络进行说明， 但也可W利用其他层次型神经网络或非层次型的神经网络。 阳142] 如图3所示，RBF神经网络具有接收输入信号α为1到I的整数）的节点1到 I的输入层Xi、节点1到J的中间层Φ，(j为1到J的整数）W及节点1到Κ的输出层y,化 为1到K的整数）。
[014引 RBF网络的输出Yk(x)可如数式7表不。 阳144]【数式7】
[0145]
[0146] 在数式7中，J为中间层的神经元数，Wk,为中间层的第j个神经元与输出层第k个 神经元间的权重，C，为中间层的第j个神经元的中屯、矢量，X为输入矢量。并且，Φ ,为数式 8所示的高斯型核函数。
[0147] 【数式8】
[0148]
阳149] 在数式8中，σ j为表示中间层的第j个神经元的中屯、矢量的宽度的参数。
[0150] 图4示出数式8所示的高斯型核函数的波形的概要。横轴为输入，纵轴为输出。如 从图4理解的那样，示出了中间层的各神经元只在输入矢量接近RBF的中屯、矢量的情况下 的较大的反应。目P，各中间层只对特定的输入产生反应。 阳151] 能够使RBF神经网络学习向输入层提供的模式与从输出层y,输出的模式（教 师信号）的关系。
[0152] 本申请发明者们设想了在用雷达系统识别在本车辆的前方行驶的一台或多台前 方行驶车辆的数量W及配置时利用RBF神经网络的方式。
[0153] 在使RBF神经网络学习时，向RBF神经网络的输入层提供的模式为从阵列接收 信号获得的数式6中记载的矢量b。另一方面，作为教师信号，提供确定获得其矢量b时的 一台或多台前方行驶车辆的数量W及配置的信号（矢量表示）。通过反复该对应关系的学 习，在向输入层提供某个模式时输出的信号成为反映学习结果的高精度地确定一台或多 台前方行驶车辆的数量W及配置的信号。
[0154] W下，具体说明RBF神经网络的学习方法。
[0155] 本申请发明者们对搭载了利用本发明的雷达系统的本车辆的行驶情况进行了如 下设想。 阳156] (Α)本车辆行驶在同一方向相邻的两车道（第一及第二车道）中的第一车道上。 阳157] 度）本车辆行驶在同一方向相邻的两车道（第一及第二车道）中的第二车道上。
[0158] (C)本车辆行驶在同一方向连续的Ξ车道（第一至第Ξ车道）中的第二车道（中 央车道）上。
[0159] 图5的（a)、化）、（C)、（d)示出了本车辆5行驶在第一车道时的前方行驶车辆 (5-1) W及/或巧-?的行驶情况和教师信号V图5与上述（A)对应。另外，在本说明 书中，从附图的上方朝向下方依次称为第一车道、第二车道。 阳160] 图6的（a)、化）、（C)、（d)示出了本车辆5行驶在第二车道时的前方行驶车辆 巧-1) W及/或巧-2)的行驶情况和教师信号T2。图6与上述度）对应。 阳161] 图7的（a)、化）、（C)、（d)、（e)示出了本车辆5行驶在Ξ车道中的中央车道时的 前方行驶车辆巧-1)、巧-2) W及/或巧-3)的行驶情况和教师信号T3。图7与上述（C)对 应。 阳162] 在本说明书中，为了方便起见，将图5的（d)及图6的（d)从利用雷达系统检测前 方行驶车辆的模式中排除。W下，对图5及图6各自的（a)到（C) Ξ个模式进行说明。 阳163] 并且，希望留意图7的（a)、化）、（C)、（d)、（e)没有包罗所有的行驶情况。实际 上，全部存在8种模式的行驶情况。具体来说，省略了在图7的（e)的第Ξ车道上行驶的一 个目标在第二车道上行驶的模式、在第一车道上行驶的模式W及不存在目标的模式。关于 图7,也为了方便起见，将不存在前方行驶车辆的模式从利用雷达系统检测目标的模式中排 除。
[0164] 与上述（C) W及图7相关，也可W不设想本车辆在同一方向连续的Ξ车道的第一 车道W及第Ξ车道上行驶的理由是因为考虑到雷达系统能够识别车道变更时的相邻车道 的其他车辆即可运一动作条件。在本车辆欲从第一车道向第二车道移动时，能够识别第一 车道W及第二车道的车辆即可。在那种情况下，可W视为是上述的（A)或度）的情况。也 与本车辆欲从第Ξ车道向第一车道移动时完全相同。
[01化]图8为示出学习处理的步骤的流程图。通过学习处理构筑Ξ种神经网络。具体来 说，分别是同一方向的两车道中的第一车道上存在本车辆时（图5)的神经网络、同一方向 的两车道中的第二车道上存在本车辆时（图6)的神经网络W及同一方向的Ξ车道中的第 二车道上存在本车辆时（图7)的神经网络。 阳166] 学习处理在图5的例子中由（a)到（C)所示的Ξ个模式构筑一个神经网络。在图 6的例子中，由（a)到（C)所示的S个模式构筑一个神经网络。在图7的例子中，由包含（a) 到（e)的屯个模式构筑一个神经网络。而且，学习处理根据各模式变更条件的同时至少进 行大约80次。条件指的是本车辆与前方行驶车辆的车间距离。具体来说，学习处理将车间 距离从20m到100m每隔Im进行设定来随时放射电波，利用从接收的反射波获得的阵列接 收信号，生成各个车间距离的输入矢量b (数式6)。使该输入矢量b与图5、图6及图7所 示的各个模式的教师信号高精度地对应的权重是应求的学习结果。 阳167] W下，对图8进行说明。图8所示的处理在图5至图7各自的情况下进行。另外， 图8的各处理通过信号处理电路执行。该信号处理电路例如是安装在制造车载用的雷达系 统的厂商所拥有的设备上的CPU。
[0168] 在步骤S10中，信号处理电路对RBF神经网络设定权重的初始值。
[0169] 在步骤S11中，信号处理电路设定成为学习的对象的模式。 阳170] 在步骤S12中，信号处理电路设定响应模式的教师信号。 阳171] 在步骤S13中，信号处理电路设定车间距离。初始值为20m。
[0172] 在步骤S14中，信号处理电路由阵列接收信号矢量X(数式3)来求入射波的自相 关矩阵Rxx (数式4)。
[0173] 在步骤S15中，信号处理电路利用自相关矩阵的非对角成分生成列矢量b。（数式 5) 〇
[0174] 在步骤S16中，信号处理电路使列矢量b。标准化来求列矢量b (数式6)。
[01巧]在步骤S17中，信号处理电路进行利用了数式7及数式8的运算（前向计算）。 [0176] 在步骤S18中，信号处理电路对求得的结果与作为目标的教师信号的平均二次误 差进行求解，进行修正权重的运算（逆计算），W使平均误差变得最小。修正的权重被利用 于之后的学习。 阳177] 在步骤S19中，信号处理电路判断所有的车间距离的学习是否结束。判断为结束 时，处理前进至步骤S20,判断为未结束时，处理返回至步骤S13。当返回至步骤S13时，设 定距离Im的车间距离。
[0178] 在步骤S20中，信号处理电路判断所有的模式的学习是否结束。判断为结束时，处 理前进至步骤S21，判断为未结束时，处理返回至步骤S11。当返回至步骤S11时，设定其他 模式。
[0179] 在步骤S21中，信号处理电路将获得的权重作为学习的结果（学习数据）抽出。 阳180] W上，学习处理结束。 阳181] 上述的步骤S14至S16也可W预先进行。可W在改变车间距离的同时连续获取阵 列接收信号来保存其信息，另外进行自相关矩阵的生成W及利用非对角成分的列矢量的生 成等。
[0182] 在上述的说明中，将作为两车道的例子的图5及图6与作为Ξ车道的例子的图7 分开进行说明，但运是一个例子。也可W组合两车道的模式来代替Ξ车道的模式。例如，图 7的（a)的模式可W通过图5的（a) W及图6的（a)运两个模式的组合来实现。图7的化） 的模式可W通过图5的（a) W及图6的（C)运两个模式的组合来实现。并且，图7的（C) 的模式可W通过图5的（C) W及图6的化）运两个模式的组合来实现。图7的（d)的模式 可W通过图5的化）W及图6的（a)运两个模式的组合来实现。图7的（e)的模式可W通 过图5的（C) W及图6的（d)运两个模式的组合来实现。另外，图5的（d) W及图6的（d) 的模式的识别例如可W通过使用摄像头的图像识别处理来实现。 阳183] 也能够组合两车道的模式来确定未在图7中示出的其他模式。若采用运样的变形 例，则学习处理变成W如图5及图6所示的两车道为对象即可。
[0184] 图9为示出前方行驶车辆的识别处理的步骤的流程图。该处理在进行了图8所 示的学习处理之后，使用获得的学习数据执行。另外，图9的各处理也再次通过信号处理 电路执行。但是，该信号处理电路不需要与执行图8的处理的信号处理电路相同。执行 图9的各处理的信号处理电路例如可W包含在搭载于车辆的雷达系统的电子控制单元 (ECU:Electronic Control Unit)中。 阳化5] 图9包括作为与图8相同的处理的步骤S14至S17。对运些标注相同的步骤编号， 且省略其说明。 阳186] 在步骤S30中，信号处理电路对RBF神经网络设定通过学习处理获得的权重（学 习数据）。 阳187] 在步骤S31中，信号处理电路设定本车辆行驶的同一方向的道路的车道总数和本 车辆当前的车道位置。在本说明书中，车道总数为两个或Ξ个。并且，本车辆当前的车道位 置在同一方向存在两车道的情况下为第一车道或第二车道，在同一方向存在Ξ车道的情况 下为第一车道、第二车道或第Ξ车道。在Ξ车道的例子中，在本车辆位于第一车道或第Ξ车 道的情况下，将视为车道总数为2的例子来对待即可。
[0188] 接下来，在步骤S14中，信号处理电路由阵列接收信号矢量X(数式3)求入射波的 自相关矩阵Rxx (数式4)。此时，无需确定本车辆与前方行驶车辆的车间距离，但优选为从 进行学习的20m到100m的范围内。之后，依次进行步骤S15至S17。
[0189] 在步骤 S32中，信号处理电路输出在步骤S17中进行的运算结果T。运算结果T的 输出例如下。 阳 190] (a)T=[10]T
[0191]化)Τ=[0 1]τ 阳 192] (c)T=[11]t 阳193] 左边的运算结果T表示各个车道的前方车辆的有无。在两车道中，列矢量的第一 行表示第一车道的前方行驶车辆的有无，列矢量的第二行表示第二车道的前方行驶车辆的 有无。例如，上述化）的输出结果T表示在第一车道上不存在前方行驶车辆，而在第二车道 上存在前方行驶车辆。
[0194] 在上述的图8及图9的步骤S14中，由阵列接收信号矢量求入射波的自相关矩阵。 如上所述，也可W用差频信号的矢量来代替阵列接收信号矢量。 阳1巧]W上，说明了本发明的原理。
[0196] 在对各个目标推断入射方向的情况下，可W根据到目标的距离而要求非常高的推 断精度。例如，在100m左右的前方多台车辆并行的情况下，为了识别通过各车辆反射的反 射波（向本车辆的入射波）的方向，需要大约1度或不足1度的角度分辨率（各前方行驶 车辆的波源的位置的间隔设为2m)。对于通过W往的技术来实现运样的角度分辨率，需要进 行伴随着庞大的运算的高分辨率入射方向推断算法。
[0197] 然而，根据本申请发明者们使用神经网络的前方行驶车辆的台数识别技术，通过 预先进行与在上述情况下对应的学习，可W通过简单的运算直接求解存在几台前方行驶车 辆W及各前方行驶车辆在哪条车道上行驶。
[0198] 在上述的说明中，列举实数型神经网络（RBF神经网络）进行了说明，但也可W利 用复神经网络。复神经网络公知为将实数型神经网络的输入输出信号和权重扩充为复数的 神经网络。因此，决定中间层节点的输出的激活函数也变成复函数。
[0199] 在利用复神经网络的情况下，进行与求上述的自相关矩阵Rxx W及矢量b。或b的 运算不同的运算。具体来说，由各天线元件的接收信号Im(t)求与该实信号在复平面上正 交的正交信号Qm(t)。然后，将Im(t)+jQm(t)用作向各个复神经网络的输入。上述的接收信 号Im(t)与前面的Sm对应。正交信号Q(t)例如通过对各天线元件的接收信号进行希尔伯 特变换而获得。另外，在进行接收信号Im(t)的希尔伯特变换时，使用公知的希尔伯特变换 器即可。复神经网络的学习、W及学习后的识别处理除权重和激活函数不同W外，可W与后 述图8及图9的处理相同地，通过信号处理电路进行。省略在复神经网络中使用的激活函 数的具体例子。 阳200] <实施方式> 阳201] W下，适当参照附图对利用本发明的实施方式进行详细地说明。但是，存在省略不 必要的详细的说明的情况。例如，存在省略对已熟知的事项的详细说明和实质上为相同结 构的重复说明的情况。运是为了避免W下的说明不必要地变得冗长，W使行内人易于理解。 本申请发明者们提供附图W及W下的说明，W便本行业者充分理解本发明。并不是意图通 过运些来限定专利申请的范围内所记载的主题。 阳202] 首先，参照图10。图10是示出利用本发明的车辆行驶控制装置1的基本构成的 一个例子的框图。图10所示的车辆行驶控制装置1包括：安装于车辆的雷达系统100 及连接于雷达系统100的行驶支援电子控制装置60。雷达系统100具有：阵列天线AA，其 具有分别响应一个或多个入射波来输出接收信号的多个天线元件；W及雷达信号处理装置 300。需要将雷达系统100中的阵列天线AA安装于车辆，但雷达信号处理装置300的至少 一部分的功能也可W通过设置于车辆行驶控制装置1的外部（例如本车辆外）的电脑82 W及数据库84实现。在那种情况下，在雷达信号处理装置300中，位于车辆内的部分可W 通过车辆所具有的通信设备80 W及一般的通信网络常时或随时连接于设置于车辆的外部 的电脑82 W及数据库84, W进行信号或数据的双向通信。 阳203] 数据库84也可W存储用于神经网络的学习数据W及规定各种信号处理算法的程 序。雷达系统100的动作所需的数据W及程序的内容可W通过通信设备80从外部更新。像 运样，雷达系统100的至少一部分的功能可W通过云计算的技术在本车辆的外部（包括其 他车辆的内部）实现。因此，本发明的"车载"的雷达系统不需要将所有结构元件搭载于车 辆。但是，在本申请中，为了方便起见，只要没有另外说明，对本发明的所有结构元件搭载于 一台车辆（本车辆）的方式进行说明。 阳204] 雷达信号处理装置300具有构筑了已学习完的神经网络順的信号处理电路30。 神经网络順的构成化及动作如上所述。该信号处理电路30从阵列天线AA直接或间接地接 收接收信号，将接收信号或由接收信号生成的二次信号向神经网络順输入。由接收信号生 成二次信号的电路（未图示）的一部分或全部不需要设置于信号处理电路30的内部。运 样的电路（前处理电路）的一部分或全部也可W设置于阵列天线AA与雷达信号处理装置 300之间。 阳205] 信号处理电路30构成为使用接收信号或二次信号、W及神经网络順的学习数据 进行运算，输出表示入射波的个数的信号。在此，"表示入射波的个数的信号"为典型地表示 上述"车辆的配置"的信号。"表示入射波的个数的信号"也能够表示在本车辆的前方行驶 的一台或多台并行的前方行驶车辆的数量。 阳206] 该信号处理电路30也可W构成为执行公知的雷达信号处理装置所进行的各种信 号处理。例如，信号处理电路30可W构成为执行MUSIC法、ESra口法W及SAGE法等"超分 辨率算法"（超级分解方法）或分辨率相对较低的其他入射方向推断算法。
[0207] 在图10所示的例子中，入射波推断单元AU相对于神经网络順独立地设置于信号 处理电路30内。该入射波推断单元AU构成为通过任意的入射方向推断算法，推断表示入 射波的方位的角度，输出表示推断结果的信号。该信号处理电路30能够构成为通过入射波 推断单元AU执行的公知的算法，推断到作为入射波的波源的目标的距离、目标的相对速度 W及目标的方位，输出表示推断结果的信号。若具有运样的入射波推断单元AU，即使在不能 够通过神经网络順检测车辆的配置模式的情况下，也能够获取前方行驶车辆的位置信息 而利用于行驶支援。 阳20引本发明的"信号处理电路"的用语不仅限于单独的电路，也包括将多个电路的组 合概念性的捕捉为一个功能部件的形态。信号处理电路也可W通过一个或多个片上系统 (SoC)实现。例如，信号处理电路30的一部分或全部也可W是作为可编程逻辑器件（PLD) 的FPGA(现场可编程口阵列）。在那种情况下，信号处理电路30包括多个运算元件（例如 通用逻辑W及乘法器）W及多个存储器元件（例如查询表或存储器模块）。或者，信号处理 电路30也可W是通用处理器W及主存储器装置的集合。信号处理电路30还可W为包括处 理器内核和存储器的电路。它们可W作为本发明的信号处理电路发挥功能。特别是，神经 网络順可W根据在并行处理方面优异的车载电脑的出现，通过将执行本发明的算法的软 件与通用的硬件配合而轻易地实现。 阳209] 在本说明书中，信号处理电路只要能够不论是否具有存储元件，都提供被给予的 信号作为向神经网络的输入，应用存储于存储元件的学习数据进行运算，输出结果即可。将 能够进行运样的动作的信号处理电路也称为"构筑有已学习完的神经网络的信号处理电 路"。
[0210] 行驶支援电子控制装置60构成为基于从雷达信号处理装置300输出的各种信号 进行车辆的行驶支援。行驶支援电子控制装置60对各种电子控制单元进行指示，W发挥W 下的功能。运些功能例如包括：在到前方行驶车辆的距离（车间距离）比预先设定的值小 时产生警报来促使驾驶员进行制动操作的功能、控制制动的功能W及控制加速器的功能。 例如，在进行本车辆的自适应巡航控制的动作处理方式时，行驶支援电子控制装置60向各 种电子控制单元（未图示）W及致动器发送规定的信号，来将从本车辆到前方行驶车辆的 距离维持在预先设定的值，并将本车辆的行驶速度维持在预先设定的值。 阳211] 根据在行驶支援电子控制装置60中进行的控制的内容，有可能需要使信号处理 电路30工作。例如，信号处理电路30根据行驶控制条件可W只利用神经网络順化及入射 波推断单元AU中的一方，也可W相互转换，还可W依次利用它们进行动作。其结果是，信号 处理电路30将一台或多台并行的前方行驶车辆的配置的模式、或推断的表示入射波的方 位的角度的信息向行驶支援电子控制装置60输出。 阳212] 信号处理电路30也可W包括只输出表示一个或多个并行的前方行驶车辆的配置 的模式的信号的动作处理方式。在该动作处理方式时，神经网络順被利用，而入射波推断 单元AU不工作。
[0213] 或者，信号处理电路30也可W构成为对利用神经网络順的第一处理方式与利用 入射波推断单元AU的第二处理方式进行切换来使其动作。对切换第一处理方式与第二处 理方式的行驶控制条件进行了种种考虑。例如，信号处理电路30在ACC工作时选择第一处 理方式，在ACC非工作时选择第二处理方式。后者的一个例子是自动紧急刹车（AEB)处理 方式的工作时。在选择第一处理方式时，来自神经网络順的输出表示前方行驶车辆的配置 的模式。
[0214] 若通过神经网络順知道前方行驶车辆的配置，则能够知道前方行驶车辆的个数、 即入射波的个数。若知道入射波的个数，则不需要为了进行公知的入射方向推断算法而进 行必要的特征值分解。换言之，能够基于通过神经网络順检测到的入射波的个数的信息， 用与W往相比较少的运算量执行入射方向推断算法（例如SAGE法），从而W较高的精度推 断前方行驶车辆的方向。
[0215] 作为其他例子，信号处理电路30也可W根据车间距离W及本车辆的速度来切换 第一处理方式与第二处理方式。或者，信号处理电路30也可W首先通过第一处理方式获取 表示前方行驶车辆的配置的模式的信号，之后，切换到第二处理方式来使入射波推断单元 AU动作，利用其配置的模式来推断入射波的入射方向。在利用MUSIC法的情况下，表示入射 波的个数的信号求自相关矩阵的各特征值，获得作为具有通过它们中的热噪声决定的规定 值W上的值的特征值（信号空间特征值）的个数。求各特征值的运算的运算量非常大。省 略特征值的运算意味着能够抑制计算资源。
[0216] 在图10所示的例子中，雷达系统100不需要具有放射发送波的发送天线。发送天 线（未示出）例如可W固定于道路或建筑物，也可W搭载于其他车辆。
[0217] 接下来，参照图11。图11为示出利用本发明的车辆行驶控制装置的基本构成的其 他例子的框图。图11的车辆行驶控制装置1的雷达系统100具有：包括搭载于车辆的阵列 天线AA W及发送天线TA的雷达天线10 ; W及物体检测装置400。发送天线TA例如是放射 可W为毫米波的发送波的天线。该物体检测装置400包括：连接于雷达天线10的收发电路 20 及具有上述结构的雷达信号处理装置300。
[0218] 收发电路20构成为将用于发送波的发送信号向发送天线TA发送，并且，进行利用 通过阵列天线AA接收的接收波的接收信号的"前处理"。前处理的一部分或全部也可W通 过雷达信号处理装置300的信号处理电路30执行。收发电路20进行前处理的典型例可 W包括：从接收信号生成差频信号；W及将模拟形式的接收信号转换成数字形式的接收信 号。
[0219] 图10及图11示出了雷达系统100搭载于车辆，构成车辆行驶控制装置1的一部 分的方式。由于在该雷达系统100的信号处理电路30构筑了进行了之前的学习的神经网 络順，因此不会使用需要W往的过大的运算量的算法来推断前方行驶车辆的方位，也能够 掌握前方行驶车辆的配置。若通过神经网络知道前方行驶车辆的配置，则即使不求前方 行驶车辆的方位的正确的推断值，也可W进行自动巡航等行驶支援。
[0220] 另外，利用本发明的雷达系统不限于搭载于车辆的方式的例子，也可W固定于道 路或建筑物上来使用。 阳221] W下，对本发明的更加具体的实施方式进行详细地说明。 阳222] 参照图12。图12所示的本实施方式的车辆行驶控制装置1包括雷达系统100和 车载摄像头系统500。作为基本的结构，雷达系统100具有雷达天线10、连接于雷达天线10 的收发电路20 W及构筑有已学习完的神经网络順的信号处理电路30。另外，为了简化，省 略了对图10及图11中记载的入射方向推断单元AU的记载。 阳223] 车载摄像头系统500具有：搭载于车辆的车载摄像头50 ; W及对通过车载摄像头 50获取的图像或影像进行处理的图像处理电路52。 阳224] 本实施方式的车辆行驶控制装置1包括：连接于雷达天线10 W及车载摄像头50 的物体检测装置400 ; W及连接于物体检测装置400的行驶支援电子控制装置60。该物体 检测装置400在上述信号处理电路30的基础上也包括收发电路20 W及图像处理电路52。 本实施方式的物体检测装置400不仅能够利用通过雷达系统100获得的信息，也能够利用 通过图像处理电路52获得的信息，检测道路上或道路附近的目标。例如，本车辆在同一方 向的两条W上的车道中的任意一条上行驶中，能够通过图像处理电路52判断车辆行驶的 车道是哪一个车道，并将其判断的结果提供给信号处理电路30。信号处理电路30能够在通 过神经网络順识别前方行驶车辆的配置时，通过参照来自图像处理电路30的信息，提供关 于前方行驶车辆的配置的可靠性较高的信息。 阳225]另外，车载摄像头系统500是确定本车辆行驶的车道是哪一个车道的方法的一 个例子。也可W利用其它方法确定本车辆的车道位置。例如，能够利用超宽带无线技术 0JWB:叫tra Wide Band)确定本车辆在多个车道中的哪一个车道上行驶。公知超宽带无线 技术能够作为位置测定W及/或雷达被利用。若利用超宽带无线技术，则能够确定到路边 的护栏或中央分离带的距离。各车道的宽度通过各国的法律等被预先规定。利用运些信息， 能够确定本车辆当前行驶中的车道的位置。另外，超宽带无线技术是一个例子。也可W利 用使用其他无线的电波。或者，还可W使用激光雷达。 阳226] 雷达天线10可W为一般的车载用毫米波雷达天线。本实施方式的发送天线TA将 毫米波作为发送波向车辆的前方放射。发送波的一部分典型地被作为前方行驶车辆的目标 反射，产生将目标作为波源的反射波。反射波的一部分作为入射波到达至阵列天线（接收 天线）AA。构成阵列天线AA的多个天线元件分别响应一个或多个入射波，输出接收信号。 在作为反射波的波源发挥功能的目标的个数为K个化为1 W上的整数）的情况下，入射波 的个数为K个，但入射波的个数K并不是已知的。通过执行使用上述神经网络的信号处理， 能够W与W往相比较少的运算量来推断入射波的个数K。 阳227] 本实施方式的雷达天线10配置在车辆的前面，W能够检测位于车辆前方的目标。 配置于车辆的雷达天线10的个数W及位置没有被限定为确定的个数W及确定的位置。雷 达天线10也可W配置在车辆的后面，W检测位于车辆后方的目标。并且，也可W在车辆的 前面或后面配置多个雷达天线10。雷达天线10也可W配置在车辆的室内。特别是，在构成 阵列天线AA的各天线元件为卿趴天线的情况下，具有那样的天线元件的阵列天线可W配 置在空间富余的车辆的室内。在阵列天线AA W及发送天线TA搭载于同一车辆的情况下， 阵列天线AA与发送天线TA的距离例如可W距离100毫米W上。
[0228] 信号处理电路30从自阵列天线AA接收接收信号并进行处理。该处理包括：向神经 网络输入接收信号；或从接收信号生成二次信号来向神经网络输入二次信号。神经网络 构成为用接收信号或二次信号与学习数据进行运算，来输出表示入射波的个数的信号。
[0229] 在图12的例子中，接收从信号处理电路30输出的信号化及从图像处理电路52输 出的信号的选择电路54设置于物体检测装置400内。选择电路54将从信号处理电路30 输出的信号W及从图像处理电路52输出的信号中的一方或双方提供给行驶支援电子控制 装置60。 阳230] 图13为示出本实施方式的雷达系统100的更加详细的构成例的框图。 阳231] 如图13所示，雷达天线10包括：进行毫米波的发送的发送天线ΤΑ 及接收通过 目标反射的入射波的阵列天线AA。阵列天线AA具有Μ个（M为3 W上的整数）天线元件 111、112、…、11m。多个天线元件111、112、…、11m分别响应入射波，输出接收信号Si、S2、…、 Sm (图 2)。 阳232] 在阵列天线AA中，天线元件111至11m例如隔开固定的间隔配置成直线状或面状。 入射波从相对于配置有天线元件111到11m的面的法线的角度Θ的方向向阵列天线AA入 射。因此，入射波的入射方向由该角度Θ规定。 阳233] 在来自一个目标的入射波向阵列天线AA入射时，能够与从同一角度Θ的方位向 天线元件111到11 Μ入射平面波相似。在从处于不同方位的K个目标向阵列天线AA入射K 个入射波时，能够通过相互不同的角度θι到Θ Κ识别各个入射波。
[0234] 如图13所示的那样，物体检测装置400包括收发电路20和信号处理电路30。
[0235] 收发电路20包括Ξ角波生成电路21、VCCKVoltageContlledOscillator :压控振 荡器）22、分配器23、混频器24、滤波器25、开关26、A/D转换器27、W及控制器28。本实施 方式的雷达系统构成为通过FMCW方式进行毫米波的收发，但本发明的雷达系统并不限于 该方式。收发电路20构成为基于来自阵列天线AA的接收信号和用于发送天线TA的发送 信号生成差频信号。 阳236] 信号处理电路30包括距离检测部33、速度检测部34 W及方位检测部36。信号处 理电路30构成为处理来自收发电路20的A/D转换器27的信号，并分别输出表示到被检测 的目标的距离、目标的相对速度W及目标的方位的信号。 阳237] 首先，对收发电路20的结构W及动作进行详细地说明。
[0238] Ξ角波生成电路21生成Ξ角波信号，并提供至VC022。VC022输出具有基于Ξ角 波信号进行调制的频率的发送信号。图14示出了基于Ξ角波生成电路21生成的信号进行 调制的发送信号的频率变化。该波形的调制宽度为A f，中屯、频率为fO。像运样做，频率被 调制的发送信号提供至分配器23。分配器23将从VC022得到的发送信号分配至各混频器 24 W及发送天线TA。运样，如图14所示的那样，发送天线放射具有呈Ξ角波状调制的频率 的毫米波。 阳239] 在图14中，记载有在发送信号的基础上，利用通过单独的前方行驶车辆反射的入 射波的接收信号的例子。接收信号与发送信号相比延迟。该延迟与本车辆与前方行驶车辆 的距离成比例。并且，接收信号的频率根据多普勒效应随着前方行驶车辆的相对速度而增 减。
[0240] 若将接收信号与发送信号混合，则基于频率的差异生成差频信号。该差频信号的 频率（拍频）在发送信号的频率增加的期间（上行）与发送信号的频率减小的期间（下 行）不同。若求各期间的拍频，则基于运些拍频，计算到目标的距离和目标的相对速度。
[0241] 图15示出了 "上行"期间的拍频化W及"下行"期间的拍频fd。在图15的图表 中，横轴为频率，纵轴为信号强度。运样的图表通过进行差频信号的时间-频率转换获得。 若得到拍频化、fd，则基于公知的式子，来计算出到目标的距离和目标的相对速度。在本 实施方式中，能够通过W下说明的结构W及动作，求与阵列天线AA的各天线元件对应的拍 频，并基于此推断目标的位置信息。 阳242] 在图13所示的例子中，来自与各天线元件11剧11m对应的信道化剧化Μ的接收 信号通过放大器放大，输入至对应的混频器24。各个混频器24向被放大的接收信号混合 发送信号。通过该混合，生成与存在于接收信号与发送信号之间的频率差对应的差频信号。 生成的差频信号提供至对应的滤波器25。滤波器25进行信道化1到化Μ的差频信号的频 带限制，将被频带限制的差频信号提供至开关26。 阳243] 开关26响应从控制器28输入的采样信号执行开关。控制器28例如可W由微型 计算机构成。控制器28基于存储于ROM等存储器中的电脑程序控制收发电路20的整体。 控制器28也可W不必设置于收发电路20的内部而设置于信号处理电路30的内部。也就 是说，收发电路20也可W根据来自信号处理电路30的控制信号动作。或者，还可W通过控 制收发电路20 W及信号处理电路30的整体的中央运算单元等来实现控制器28的功能的 一部分或全部。
[0244] 通过各个滤波器25的信道化1到化Μ的差频信号经由开关26依次提供给A/D转 换器27。A/D转换器27与采样信号同步地将从开关26输入的信道化1到化Μ的差频信号 与采样信号同步地转换成数字信号。
[0245] W下，对信号处理电路30的构成W及动作进行详细地说明。在本实施方式中，通 过FMCW方式，推断到目标的距离W及目标的相对速度。本发明的雷达系统并不限于W下说 明的FMCW方式，也能够用双频CW或展频等其他方式实施。 阳246] 在图13所示的例子中，信号处理电路30包括存储器31、接收强度计算部32、距离 检测部33、速度检测部34、DBF(数字波束形成）处理部35、方位检测部36、目标转移处理 部37、相关矩阵生成部（Rxx)38化及已学习完的神经网络順。如上所述，信号处理电路30 的一部分或全部既可W通过FPGA实现，也可W通过通用处理器W及主存储器装置的集合 实现。存储器31、接收强度计算部32、DBF处理部35、距离检测部33、速度检测部34、方位 检测部36、目标转移处理部37 W及神经网络順分别可W是一个信号处理电路的功能上的 模块，而不是通过单独的硬件实现的各个部件。另外，在神经网络順为复神经网络的情况 下，不需要设置相关矩阵生成部38。可W代替相关矩阵生成部38,设置生成解析信号的电 路即可。 阳247] 图16示出了信号处理电路30通过具有处理器PRW及存储器装置MD硬件来实现 的方式的例子。具有运样的构成的信号处理电路30也通过存储于存储器装置MD的电脑程 序的作用，可W实现接收强度计算部32、DBF处理部35、距离检测部33、速度检测部34、方 位检测部36、目标转移处理部37、相关矩阵生成部38 W及已学习完的神经网络順的功能。
[0248] 本实施方式的信号处理电路30构成为将转换成数字信号的各差频信号作为接收 信号的二次信号，推断前方行驶车辆的位置信息，输出表示推断结果的信号。W下，对本实 施方式的信号处理电路30的构成W及动作进行详细地说明。
[0249] 信号处理电路30内的存储器31将从A/D转换器27输出的数字信号存储于各个 信道化1~化M。存储器31例如可W由半导体存储器、硬盘W及/或光盘等普通的存储媒 体构成。 阳巧0] 接收强度计算部32对存储于存储器31的各个信道化1~化Μ的差频信号（图14 的下图）进行傅里叶变换。在本说明书中，将傅里叶变换后的复数数据的振幅称为"信号强 度"。接收强度计算部32将多个天线元件中的任意一个接收信号的复数数据、或多个天线 元件的所有接收信号的复数数据的相加值转换成频谱。能够检测与运样获得的频谱的各峰 值对应的拍频、即检测依赖于距离的目标（前方行驶车辆）的存在。若将整个天线元件的 接收信号的复数数据相加，由于使噪声成分平均化，从而S/N比提高。 阳251] 在目标、即前方行驶车辆为一个的情况下，傅里叶变换的结果如图15所示，在频 率增加的期间（"上行"期间）w及减少的期间（"下行"期间）分别获得具有一个峰值的 频谱。将"上行"期间的峰值的拍频设为"化"、将"下行"期间的峰值的拍频设为"fd"。 阳巧2] 接收强度计算部32通过从各个拍频的信号强度检测超过预先设定的数值（阔值） 的信号强度，判断目标存在。在检测出信号强度的峰的情况下，接收强度计算部32将峰值 的拍频（化、fd)作为对象物频率向距离检测部33、速度检测部34输出。接收强度计算部 32将表示调频宽度Δ f的信息向距离检测部33输出，将表示中屯、频率fO的信息向速度检 测部34输出。 阳253] 在检测出与多个目标对应的信号强度的峰的情况下，接收强度计算部32利用预 先设定的条件将上行的峰值与下行的峰值相关联。对判断为来自同一目标的信号的峰标注 同一编号，并提供至距离检测部33 W及速度检测部34。 阳巧4] 在存在多个目标的情况下，在傅里叶变换后的差频信号的上行部分和差频信号的 下行部分中分别呈现与目标的数量相同数量的峰。由于雷达与目标的距离成比例，接收信 号延迟，图14的接收信号向右方移动，因此雷达与目标的距离越远，差频信号的频率越小。 阳巧5] 距离检测部33基于从接收强度计算部32输入的拍频化、fd，利用下式计算出距 离R，并向目标转移处理部37提供。 阳巧6] R = {C · T/ (2 · Δ f)} . {(fu+fd) /2} 阳巧7] 并且，速度检测部34基于从接收强度计算部32输入的拍频化、fd，利用下式计算 出相对速度V，并向目标转移处理部37提供。 阳巧8] V = (C/ (2 · fO)} · {(fu-fd) /2} 阳巧9] 在计算距离R及相对速度V的式子中，C为光速度、Τ为调制周期。 阳260] 另外，距离R的分辨率下限值用C/(2 Af)表示。因此，Af越大，距离R的分辨率 越高。在频率fO约76吉赫师Z)带的情况下，将Af设定为600兆赫（MHz)左右时，距离 R的分辨率例如是0. 7米（m)左右。因此，会存在两台前方行驶车辆并行时，用FMCW方式难 W识别车辆是一台还是两台。在运种情况下，若执行角度分辨率极高的入射方向推断算法， 则也可W分开检测两台前方行驶车辆的方位。然而，如上所述，对运种入射方向推断算法的 执行需要高速地执行庞大的运算。并且，在前方行驶车辆的行驶情况突变的情况下，会存在 运算追跟不上变化而弄错误将两台并行的前方行驶车辆的数量，推断为一台的可能。而根 据本实施方式，由于能够利用神经网络順W较少的运算量迅速地掌握前方行驶车辆的配 置，因此易避免那样的错误。 阳261] DBF处理部35利用天线元件111、112、…、11m的信号的相位差，将在与输入的各天 线对应的时间轴进行傅里叶变换后的复数数据，在天线元件的排列方向进行傅里叶变换。 然后，DBF处理部35计算表示与角度分辨率对应的每个角度信道的频谱的强度的空间复数 数据，在每个拍频输出至方位检测部36。 阳262] 方位检测部36相对于通过神经网络順识别前方行驶车辆的配置的进程独立，或 为了利用与那样的前方行驶车辆的配置相关的信息来推断前方行驶车辆的方位而设置。方 位检测部36将计算出的每个拍频的空间复数数据的值的大小中的取最大的值的角度Θ作 为对象物所在的方位输出至目标转移处理部37。另外，推断表示入射波的入射方向的角度 Θ的方法并不限于该例。能够用上述各种入射方向推断算法进行。特别是根据本发明的实 施方式，为了能够检测前方行驶车辆的配置，入射波的个数是已知的。其结果是，降低了利 用入射方向推断算法的运算量，而能够推断高分辨率的方位。 阳％3]目标转移处理部37计算当前计算出的对象物的距离、相对速度、方位的值、与从 存储器31读取的在前一循环计算出的对象物的距离、相对速度、方位的值各自的差分的绝 对值。然后，在差分的绝对值小于对各个值的每一个决定的值的情况下，差分的绝对值的计 算部判断为前一循环检测到的目标与当前检测到的目标是相同的。在该情况下，目标转移 处理部37将从存储器31读取的该目标的转移处理次数只增加一次。
[0264] 在差分的绝对值大于决定的值的情况下，目标转移处理部37判断为检测到了新 的对象物。目标转移处理部37将当前对象物的距离、相对速度、方位W及该对象物的目标 转移处理次数保存到存储器31中。
[02化]通过信号处理电路30能够用将基于接收的反射波生成的信号、即差频信号进行 频率解析而获得的频谱，来检测与对象物的距离和相对速度。 阳％6] 相关矩阵生成部38用存储于存储器31的各个信道化1到化Μ的差频信号（图14 的下图）求自相关矩阵。在数式4的自相关矩阵中，各矩阵的成分为由差频信号的实部及 虚部表示的值。相关矩阵生成部38依照数式5进行运算来求矢量b。，进而依照数式6来求 标准化的矢量b。相关矩阵生成部38将得到的矢量b向神经网络順输入。 阳％7] 另外，关联到数式5,说明了矢量b。为将去除自相关矩阵Rxx的对角成分后的上Ξ 角矩阵的要素分成实部与虚部来表示的列矢量。但是，相关矩阵生成部38也可W不利用上 Ξ角矩阵的全部而只利用上Ξ角矩阵的一部分的成分，来生成矢量b。。或相关矩阵生成部 38也可W在上Ξ角矩阵的全部或一部分的基础上，生成包含对角成分的矢量b。。在本说明 书中，自相关矩阵至少包含上Ξ角矩阵的一部分即可。 阳268] 在图12所示的例子中，图像处理电路52从影像获取物体的信息，来从该物体的信 息检测目标位置信息。图像处理电路52例如W通过检测已获取的影像内的对象的深度值 来推断物体的距离信息、或从影像的特征量检测物体的大小的信息等，来检测预先设定的 物体的位置信息的方式构成。
[0269] 选择电路54选择性地将从信号处理电路30 W及图像处理电路52接收的位置信 息提供给行驶支援电子控制装置60。选择电路54例如将信号处理电路30的物体位置信息 中所含有的从本车辆检测出的到物体的距离、即第一距离与图像处理电路52的物体位置 信息中所含有的从本车辆检测出的到物体的距离、即第二距离进行比较，来判断哪一个是 相对于本车辆较近的距离。例如，可W基于判断的结果，选择电路54选择到本车辆较近的 物体位置信息输出至行驶支援电子控制装置60。另外，在判断的结果为第一距离与第二距 离是相同的值的情况下，选择电路54可W将任意一个或两者输出至行驶支援电子制御装 置60。 阳270] 利用物体检测装置400接收先行物体的位置信息的行驶支援电子控制装置60根 据预先设定的条件，与物体位置信息的距离、大小、本车辆的速度、降雨、降雪、晴天等路面 状态等的条件一同，进行对驾驶本车辆的驾驶员来说使操作变得安全或容易的控制。例如， 在物体位置信息中没有检测到物体的情况下，行驶支援电子控制装置60向加速器控制部 76发送控制信号，控制加速器控制部76进行与深踩油口踏板同等的动作，W加速至预先设 定的速度。 阳271] 在物体位置信息中检测出物体的情况下，若知道到本车辆是规定的距离，则行驶 支援电子控制装置60根据线控制动等结构通过制动控制部74进行制动的控制。目P，进行 如使速度下降，保持车间距离恒定那样的操作。行驶支援电子控制装置60接收物体位置信 息，来向警报控制部72发送控制信号，控制从车内扬声器发出的声音或灯的点亮，W将先 行物体靠近的消息通知 给驾驶员。行驶支援电子控制装置60接收含有前方行驶车辆的配 置的物体位置信息，若为预先设定的行驶速度的范围，则能够自动地进行容易向左右某个 方向操作转向，W进行与前方行驶物体的碰撞回避支援，或进行控制转向侧的油压等，W强 制性地变更车轮的方向。 阳272] 在多次检测出与多个对象物对应的信号强度的峰的情况下，接收强度计算部32 对各个上行部分W及下行部分的峰值从频率最小的起按顺序编号，向目标输出处理部39 输出。在此，在上行部分及下行部分中，同一编号的峰对应同一对象物，将各自的识别编号 作为对象物的编号。另外，为了避免繁杂化，在图13中，省略了对从接收强度计算部32向 目标输出处理部39的引出线的记载。 阳273] 在对象物为前方结构物构造物的情况下，目标输出处理部39将该对象物的识别 编号作为目标输出。在目标输出处理部39接收多个对象物的判断结果、其均为前方结构物 构造物的情况下，将位于本车辆的车道上的对象物的识别编号作为存在目标的物体位置信 息输出。并且，在目标输出处理部39接收多个对象物的判断结果、其均为前方结构物构造 物的情况下，且在两个W上的对象物位于本车辆的车道上的情况下，将从存储器31读取的 目标转移处理次数较多的对象物的识别编号作为存在目标的物体位置信息输出。 阳274]另外，在从接收强度计算部32输入了没有目标候选运样的信息的情况下，目标输 出处理部39将作为没有目标的0作为物体位置信息输出。然后，选择电路54通过与基于 来自目标输出处理部39的物体位置信息而预先设定的阔值相比，来选择使用信号处理电 路30还是图像处理电路52的物体位置信息。
[02巧]上述物体检测装置400能够通过将一般的电脑利用作为上述的各构成要素根据 使发挥功能的程序来动作而实现。该程序可W通过通信线路配发，也可W写入半导体存储 器或CD-ROM等存储媒体来配发。 阳276] 在物体检测装置400中，若通过选择电路54在前一检测循环中恒定时间连续检测 出的物体位置信息的数据，对当前检测循环下不能够检测的数据关联通过摄像头检测出的 来自摄像头影像的表示先行物体的物体位置信息，则进行使追踪继续的判断，也可W优先 输出来自信号处理电路30的物体位置信息。
[0277] 用于在选择电路54中选择信号处理电路30和图像处理电路52的输出的具体的 构成例W及动作例在日本特开2014-119348号公报中有所公开。在此，援用该公报的全部 内容。
[0278] 图17示出了作为向神经网络的输入，不利用差频信号的雷达系统100a的构成例。 对雷达系统100a的硬件构件中的与图13的雷达系统100相同的硬件构件标注相同的参照 标记，其说明在没有特别需要的情况下省略对其的说明。
[0279] 雷达系统100a的物体检测装置400a不生成差频信号而将各天线元件的阵列接收 信号发送至信号处理电路30a。各阵列接收信号利用滤波器25a去除不需要的信号，通过开 关26a W及A/D转换器27a转换成数字信号。信号处理电路30a用从自相关矩阵得到的非 对角成分生成列矢量b。（数式5)，用作向神经网络的输入。
[0280] 各阵列接收信号具有与发送波大致相同的频率。例如，若频率约76吉赫（GHz)带， 则阵列接收信号的频率也约76吉赫（GHz)带。阵列接收信号的频率可W根据产生多普勒 转换的程度而变动。 阳281] 在图17所示的构成例中，也省略了图13所示的相关矩阵生成部38。运意味着直 接用各天线元件的阵列接收信号进行神经网络的学习。由于也不需要求自相关矩阵，因 此能够大幅降低信号处理电路30a的运算处理量。 阳28引另外，也可W从阵列接收信号求自相关矩阵，用其非对角成分进行神经网络順的 学习。在那种情况下，设置图13所示的相关矩阵生成部38即可。相关矩阵生成部38从阵 列接收信号求自相关矩阵，将其非对角成分向神经网络順输入即可。 阳283] 另外，在附图中，物体检测装置400a没有图13所示的混频器24,但运不过是为了 记载上的便利而进行的省略。信号处理电路30a的距离检测部33 W及速度检测部34基于 差频信号检测距离W及速度。因此，依然需要生成差频信号的构成。图17的Ξ角波生成电 路21、VC022等为W生成差频信号为前提的构成。 阳284] 图18是示出车辆行驶控制装置1 (图12)的处理步骤的流程图。将自适应巡航控 制处理方式时的车辆控制作为一个例子进行说明。 阳285] 在步骤S40中，车辆行驶控制装置1用车载摄像头系统500识别本车辆当前行驶 的车道。如上所述，也可W代替车载摄像头系统500或与车载摄像头系统500 -同利用电 波来识别车道。 阳286] 在步骤S41中，信号处理电路30基于从车载摄像头系统500的图像处理电路52 输出的车道位置的信息W及从收发电路20输出的接收信号，进行利用神经网络NN的车辆 识别处理。 阳287] 在步骤S42中，信号处理电路30利用来自神经网络順的输出来识别前方行驶车 辆的配置。 阳28引在步骤S43中，信号处理电路30判断在本车辆的车道上是否存在前方行驶车辆。 在存在前方行驶车辆的情况下，处理前进至步骤S44,在不存在前方行驶车辆的情况下，处 理前进至步骤S45。 阳289] 在步骤S44中，行驶支援电子控制装置60指示制动器控制部74来控制制动，W及 /或指示加速器控制部76来控制燃料喷射量。由此，行驶支援电子控制装置60能够使本车 辆在设定速度W下行驶。 阳290] 即使在步骤S45中，行驶支援电子控制装置60也指示制动器控制部74来控制制 动，W及/或指示加速器控制部76来控制燃料喷射量。由此，行驶支援电子控制装置60在 满足设定速度W及设定距离的同时能够使本车辆追随前方行驶车辆。 阳291] W上，对利用本发明的具体的实施方式进行了说明。 阳292] 在上述说明中，直接识别W到本车辆相同距离并行的前方行驶车辆的台数W及前 方行驶车辆行驶的车道，并进一步利用该信息，举例说明了自适应巡航控制处理方式时的 车辆控制方法。 阳293] W下，进一步地对利用直接识别W到本车辆相同距离并行的前方行驶车辆的台数 W及前方行驶车辆行驶的车道的结果的其他例子进行说明。 阳294] 如上所述，对W较高的分辨率推断表示入射方向的角度的超分辨率入射方向推断 用MUSIC法W及ESPR口法运两种算法。在MUSIC法W及ESPR口法中，对于阵列天线的接 收信号的自相关矩阵需要进行特征值展开来推断入射波的个数的程序。例如，在MUSIC法 中，需要对自相关矩阵的特征值中的与热噪声功率的分散相比具有较大的值的特征值进行 计数。若该特征值的计数不正确，则会错误推断入射方向。 阳295]运些算法在快照数目较少的情况下W及相干反射波入射时，其推断的精度下降。 [0296]与MUSIC法W及ESPR口法同样地作为高分辨率入射方向推断算法，基于最大似然 推断的SAGE法备受瞩目。SAGE法公知为即使在利用MUSIC法W及ESPR口法精度下降的环 境下，也能够期待较高的推断精度的算法。 阳297] 但是，在SAGE法中，作为预备知识需要入射波的个数的信息。作为推断入射 波的个数的方法，存在AIC(Aka化e In化rmation化iteria:赤池信息量准则）W及 MDL(Minimum Description Length :最小描述长度）。在运些方法中，进行多次的数据收集， 通过评价该分散性来进行入射波数量的推断。 阳29引能够利用本发明所设及的神经网络的输出作为上述入射波数量的推断结果。是因 为若识别出前方行驶车辆的台数，则能够利用该识别结果作为波源的数量、即入射波数量。 [0299] 图19为示出了利用SAGE法的入射方向推断处理的步骤的流程图。该处理例如可 W通过信号处理电路30执行。 阳300] 在步骤S50中，车辆行驶控制装置1识别本车辆当前行驶的车道。然后，在步骤 S51中，信号处理电路30进行利用神经网络順的车辆识别处理。 阳301] 由于步骤S50及S51与图18的步骤S40及S41的处理相对应，因此省略了再次的 详细的说明。 阳302] 在步骤S52中，信号处理电路30从神经网络的输出确定入射波数量N。在作为输 出结果得到T = [X y]T或T = [X y Z] T的情况下，X、y、Z的值对1的个数进行计数，信号 处理电路30将该数确定为入射波数量N。
[0303] 接下来的步骤S53之后相当于SA(iE法的算法。SA(iE法为加速公知的 EM巧xpectation-Maximization :最大期望算法）算法的收敛速度的算法。 阳304] 在步骤S53中，信号处理电路30用已确定的入射波数量N的信息，将EM算法的进 行推断的参数的集合Η分成N个部分集合。入射波数量N的信息被利用为相当于SA(iE法 的部分集合的分割。 阳305] 在步骤S54中，将第η (1兰η兰脚个部分集合作为化，固定第i次的推断值化W (η声1)，来通过EM算法更新Hi [1]。 阳306] EM算法为由E步骤和Μ步骤构成的按序算法。E步骤及Μ步骤通过如下式子表现。 阳307] Ε 步骤：Q 化 hW) = Ε [f 化 Η) IΥ，Η^] 阳30引 Μ 步骤：Η[ι"] = arg maxQ 化，Η [。） 阳309] 在上述步骤中，f化Η)表示对数似然函数，Q化Η^)表示带条件的对数似然函数， 表示第i次的Η的推断值，Ε[ I ]表示带条件的平均操作。
[0310] 在步骤S55中，信号处理电路30判断η的值是否为Ν。在不为η = Ν时，处理前 进至骤S56,在为η = Ν时，处理前进至步骤S57。 阳311] 在步骤S56中，信号处理电路30将i的值递增为（i+1)，再次执行步骤S54的处 理。
[0312] 通过反复上述处理，渐近地向最大似然推断的推断值收敛。 阳313] 在步骤S57中，信号处理电路30输出运算结果。
[0314] 如上述处理作为一个例子来理解，利用使用本发明所设及的神经网络的车辆识别 处理的结果作为入射波数量的推断值，能够整体使求表示入射波的入射方向的角度的处理 高速化。
[0315] 在上述实施方式的说明中，说明了雷达系统设置于车辆的前部，来获得表示前方 行驶车辆的配置的信息。然而，也可W将雷达系统设置于车辆的后部。在该情况下，变成雷 达系统输出表示行驶在本车辆后面的后续车辆的配置的信息。在此说的"后续车辆"行驶 在与本车辆行驶的车道相同的车道上、或行驶在与该车道相邻的同一方向的车道上。在变 更车道时，提前把握后续车辆的配置是很重要的。 阳316] 本发明例如能够利用在需要识别前方行驶车辆W及/或者后续车辆的配置的处 理的车载用雷达系统。而且本发明将识别的前方行驶车辆W及/或者后续车辆的配置用作 入射波的波数的信息，能够利用于SAGE法等最大似然推断法等的前处理。
【主权项】
1. 一种雷达系统，其特征在于， 所述雷达系统构成为包括： 阵列天线，其具有分别响应一个或多个入射波而输出接收信号的多个天线元件；以及 信号处理电路，其构筑有已学习完的神经网络， 所述信号处理电路接收所述接收信号，将所述接收信号或从所述接收信号生成的二次 信号向所述神经网络输入，用所述接收信号或所述二次信号、以及所述神经网络的学习数 据进行运算，从所述神经网络输出表示所述入射波的个数的信号。2. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出。3. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路将表示在所述本车辆行驶的本车道上、以及与本车道相邻的任意一 个相邻车道上分别是否存在前方行驶车辆的信号作为表示所述一台或多台并行的前方行 驶车辆的配置的模式的信号输出。4. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路将表示在所述本车辆行驶的本车道上、以及与本车道相邻的任意一 个相邻车道上分别是否存在前方行驶车辆的信号作为表示所述一台或多台并行的前方行 驶车辆的配置的模式的信号输出， 所述信号处理电路输出用数值表示所述一台或多台并行的前方行驶车辆的配置的模 式的信号。5. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包 含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入， 所述信号处理电路基于所述接收信号推断所述入射波的入射方向。6. 根据权利要求3所述的雷达系统，其构成为： 所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包 含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入， 所述信号处理电路基于所述接收信号推断所述入射波的入射方向。7. 根据权利要求4所述的雷达系统，其构成为： 所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包 含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入， 所述信号处理电路基于所述接收信号推断所述入射波的入射方向。8. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包 含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入， 所述信号处理电路基于所述接收信号推断所述入射波的入射方向， 所述信号处理电路选择性地通过用表示从所述神经网络输出的所述入射波的个数的 信号推断所述入射波的入射方向的第一处理方式、以及不用表示所述入射波的个数的信号 而推断所述入射波的入射方向的第二处理方式中的任意一个动作， 所述第二处理方式利用入射方向推断算法推断所述入射波的入射方向。9. 根据权利要求6所述的雷达系统，其构成为： 所述信号处理电路选择性地通过用表示从所述神经网络输出的所述入射波的个数的 信号推断所述入射波的入射方向的第一处理方式、以及不用表示所述入射波的个数的信号 而推断所述入射波的入射方向的第二处理方式中的任意一个动作， 所述第二处理方式利用入射方向推断算法推断所述入射波的入射方向。10. 根据权利要求7所述的雷达系统，其构成为： 所述信号处理电路选择性地通过用表示从所述神经网络输出的所述入射波的个数的 信号推断所述入射波的入射方向的第一处理方式、以及不用表示所述入射波的个数的信号 而推断所述入射波的入射方向的第二处理方式中的任意一个动作， 所述第二处理方式利用入射方向推断算法推断所述入射波的入射方向。11. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时 ， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包 含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入， 所述信号处理电路基于所述接收信号推断所述入射波的入射方向， 所述信号处理电路选择性地通过用表示从所述神经网络输出的所述入射波的个数的 信号推断所述入射波的入射方向的第一处理方式、以及不用表示所述入射波的个数的信号 而推断所述入射波的入射方向的第二处理方式中的任意一个动作， 所述第二处理方式利用入射方向推断算法推断所述入射波的入射方向， 所述信号处理电路在自适应巡航控制动作时选择所述第一处理方式，在所述自适应巡 航控制非动作时选择所述第二处理方式。12. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包 含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入， 所述信号处理电路基于所述接收信号推断所述入射波的入射方向， 所述信号处理电路选择性地通过用表示从所述神经网络输出的所述入射波的个数的 信号推断所述入射波的入射方向的第一处理方式、以及不用表示所述入射波的个数的信号 而推断所述入射波的入射方向的第二处理方式中的任意一个动作， 所述第二处理方式利用入射方向推断算法推断所述入射波的入射方向， 所述信号处理电路在自适应巡航控制动作时选择所述第一处理方式，在所述自适应巡 航控制非动作时选择所述第二处理方式， 所述自适应巡航控制非动作时指的是自动紧急制动处理方式的动作时。13. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包 含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入， 所述信号处理电路基于所述接收信号推断所述入射波的入射方向， 所述信号处理电路选择性地通过用表示从所述神经网络输出的所述入射波的个数的 信号推断所述入射波的入射方向的第一处理方式、以及不用表示所述入射波的个数的信号 而推断所述入射波的入射方向的第二处理方式中的任意一个动作， 所述第二处理方式利用入射方向推断算法推断所述入射波的入射方向， 所述信号处理电路根据车间距离以及所述本车辆的速度切换所述第一处理方式与所 述第二处理方式。14. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路将表示在所述本车辆行驶的本车道上、以及与本车道相邻的任意一 个相邻车道上分别是否存在前方行驶车辆的信号作为表示所述一台或多台并行的前方行 驶车辆的配置的模式的信号输出， 所述信号处理电路包括不推断所述入射波的入射方向而输出表示所述一台或多台并 行的前方行驶车辆的配置的模式的信号的处理方式。15. 根据权利要求4所述的雷达系统， 所述信号处理电路包括不推断所述入射波的入射方向而输出表示所述一台或多台并 行的前方行驶车辆的配置的模式的信号的处理方式。16. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路将表示在所述本车辆行驶的本车道上、以及与本车道相邻的任意一 个相邻车道上分别是否存在前方行驶车辆的信号作为表示所述一台或多台并行的前方行 驶车辆的配置的模式的信号输出， 所述信号处理电路包括不推断所述入射波的入射方向而输出表示所述一台或多台并 行的前方行驶车辆的配置的模式的信号的处理方式， 所述信号处理电路还包括不用表示所述入射波的个数的信号而推断所述入射波的入 射方向的处理方式， 所述信号处理电路在利用输出表示所述前方行驶车辆的配置的模式的信号的处理方 式获取所述前方行驶车辆的配置的模式之后，切换成推断所述入射波的入射方向的处理方 式，利用所述前方行驶车辆的配置的模式来推断所述入射波的入射方向。17. 根据权利要求15所述的雷达系统，其构成为： 所述信号处理电路还包括不用表示所述入射波的个数的信号而推断所述入射波的入 射方向的处理方式， 所述信号处理电路在利用输出表示所述前方行驶车辆的配置的模式的信号的处理方 式获取所述前方行驶车辆的配置的模式之后，切换成推断所述入射波的入射方向的处理方 式，利用所述前方行驶车辆的配置的模式来推断所述入射波的入射方向。18. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路构成为用摄像头或电波确定所述本车辆行驶的车道， 对预先规定的本车辆行驶的各个车道构筑所述已学习完的神经网络， 所述信号处理电路按照所述本车辆行驶的车道选择已学习完的神经网络，输出表示所 述前方行驶车辆的配置的模式的信号。19. 根据权利要求1所述的雷达系统，其构成为： 所述信号处理电路基于所述接收信号检测一个或多个目标，来决定到所述目标的距离 以及所述目标相对于所述阵列天线的相对速度。20. 根据权利要求7所述的雷达系统，其构成为： 所述信号处理电路基于所述接收信号检测一个或多个目标，来决定到所述目标的距离 以及所述目标相对于所述阵列天线的相对速度。21. 根据权利要求11所述的雷达系统，其构成为： 所述信号处理电路基于所述接收信号检测一个或多个目标，来决定到所述目标的距离 以及所述目标相对于所述阵列天线的相对速度。22. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路将表示在所述本车辆行驶的本车道上、以及与本车道相邻的任意一 个相邻车道上分别是否存在前方行驶车辆的信号作为表示所述一台或多台并行的前方行 驶车辆的配置的模式的信号输出， 在同一方向相邻的两车道上分别存在其他车辆以及不存在其他车辆的情况下，所述神 经网络使用利用所述接收信号分别求得的自相关矩阵与各情况下的表示各个车道的车辆 的配置的教师信号进行学习。23. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路将表示在所述本车辆行驶的本车道上、以及与本车道相邻的任意一 个相邻车道上分别是否存在前方行驶车辆的信号作为表示所述一台或多台并行的前方行 驶车辆的配置的模式的信号输出， 所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包 含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入， 所述信号处理电路基于所述接收信号推断所述入射波的入射方向， 在同一方向相邻的两车道上分别存在其他车辆以及不存在其他车辆的情况下，所述神 经网络使用利用所述接收信号分别求得的自相关矩阵与各情况下的表示各个车道的车辆 的配置的教师信号进行学习。24. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路将表示在所述本车辆行驶的本车道上、以及与本车道相邻的任意一 个相邻车道上分别是否存在前方行驶车辆的信号作为表示所述一台或多台并行的前方行 驶车辆的配置的模式的信号输出， 所述信号处理电路输出用数值表示所述一台或多台并行的前方行驶车辆的配置的模 式的信号， 所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包 含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入， 所述信号处理电路基于所述接收信号推断所述入射波的入射方向， 在同一方向相邻的两车道上分别存在其他车辆以及不存在其他车辆的情况下，所述神 经网络使用利用所述接收信号分别求得的自相关矩阵与各情况下的表示各个车道的车辆 的配置的教师信号进行学习。25. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路将表示在所述本车辆行驶的本车道上、以及与本车道相邻的任意一 个相邻车道上分别是否存在前方行驶车辆的信号作为表示所述一台或多台并行的前方行 驶车辆的配置的模式的信号输出， 所述信号处理电路输出用数值表示所述一台或多台并行的前方行驶车辆的配置的模 式的信号， 所述信号处理电路包括不推断所述入射波的入射方向而输出表示所述一台或多台并 行的前方行驶车辆的配置的模式的信号的处理方式， 在同一方向相邻的两车道上分别存在其他车辆以及不存在其他车辆的情况下，所述神 经网络使用利用所述接收信号分别求得的自相关矩阵与各情况下的表示各个车道的车辆 的配置的教师信号进行学习。26. 根据权利要求1所述的雷达系统， 所述信号处理电路为可编程逻辑器件， 所述信号处理电路具有： 多个运算元件，其进行所述运算，以及 多个存储器元件，其存储所述神经网络的学习数据。27. 根据权利要求1所述的雷达系统， 所述信号处理电路具有： 处理器，其进行所述运算；以及 存储装置，其存储所述神经网络的学习数据。28. 根据权利要求1至27中的任一项所述的雷达系统， 所述学习数据为应用于向所述神经网络的各节点的各输入的权重值。29. -种雷达信号处理装置，其搭载于车辆，构成为包括： 第一端子，其从阵列天线获取所述接收信号； 信号处理电路，其构筑有已学习完的神经网络；以及 第二端子，其发送从所述信号处理电路输出的信号， 其中，所述阵列天线具有分别响应一个或多个入射波来输出接收信号的多个天线元 件， 所述信号处理电路通过所述第一端子接收所述接收信号，并将所述接收信号或从所述 接收信号生成的二次信号向所述神经网络输入，用所述接收信号或所述二次信号、以及所 述神经网络的学习数据进行运算，从所述神经网络输出表示所述入射波的个数的信号。30. 根据权利要求29所述的雷达信号处理装置，其构成为： 所述信号处理电路还输出表示用所述接收信号运算的、在本车道上以及与所述本车道 相邻的任意一个相邻车道上的前方行驶车辆与本车辆的距离以及相对速度的信号输出。31. -种搭载于车辆的车辆行驶控制装置，其特征在于， 所述车辆行驶控制装置包括： 阵列天线，其具有分别响应一个或多个入射波来输出接收信号的多个天线元件； 雷达信号处理装置；以及 电子控制装置，其用从所述雷达信号处理装置输出的、分别表示所述距离、所述相对速 度以及所述入射波的个数的信号进行所述本车辆的自适应巡航控制，来控制所述本车辆的 速度， 所述雷达信号处理装置构成为包括： 第一端子，其从阵列天线获取所述接收信号； 信号处理电路，其构筑有已学习完的神经网络；以及 第二端子，其发送从所述信号处理电路输出的信号， 其中，所述阵列天线具有分别响应一个或多个入射波来输出接收信号的多个天线元 件， 所述信号处理电路通过所述第一端子接收所述接收信号，并将所述接收信号或从所述 接收信号生成的二次信号向所述神经网络输入，用所述接收信号或所述二次信号、以及所 述神经网络的学习数据进行运算，从所述神经网络输出表示所述入射波的个数的信号， 所述信号处理电路还输出表示用所述接收信号运算的、在本车道上以及与所述本车道 相邻的任意一个相邻车道上的前方行驶车辆与本车辆的距离以及相对速度的信号输出。32. -种车辆行驶控制方法，其特征在于， 用具有分别响应一个或多个入射波来输出接收信号的多个天线元件的阵列天线获取 接收信号， 将所述接收信号或从所述接收信号生成的二次信号向构筑有已学习完的神经网络的 信号处理电路输入， 使用所述信号处理电路，用所述接收信号或所述二次信号、以及所述神经网络的学习 数据进行运算， 从所述神经网络输出表示所述入射波的个数的信号， 用所述接收信号输出与所述入射波对应的表示本车道上、以及与本车道相邻的任意一 个相邻车道上的前方行驶车辆与本车辆的距离以及相对速度的信号， 用分别表示所述距离、所述相对速度以及所述入射波的个数的信号进行所述本车辆的 自适应巡航控制，来控制所述本车辆的速度。33. -种由搭载于车辆的处理器执行的电脑程序，其特征在于， 所述车辆具有阵列天线，所述阵列天线具有分别响应一个或多个入射波来输出接收信 号的多个天线元件， 所述电脑程序使所述处理器接收所述接收信号， 将所述接收信号或从所述接收信号生成的二次信号向已学习完的神经网络输入， 用所述接收信号或所述二次信号、以及所述神经网络的学习数据进行运算， 从所述神经网络输出表示所述入射波的个数的信号。34. -种搭载于车辆的雷达系统，其特征在于， 所述雷达系统构成为包括： 阵列天线，其具有分别响应一个或多个入射波来输出接收信号的多个天线元件；以及 信号处理电路，其构筑有已学习完的神经网络， 在与车辆的行驶方向相同方向上的相邻两个车道上分别存在其他车辆以及不存在其 他车辆的情况下，所述神经网络利用阵列天线的各接收信号，用分别求得的自相关矩阵的 非对角成分和表示各情况下的各个车道的车辆的配置的教师信号预先进行学习， 所述信号处理电路接收所述接收信号，并将所述接收信号或从所述接收信号生成的二 次信号向所述神经网络输入，作为来自所述神经网络的输出，输出表示所述两车道各自的
【专利摘要】本发明提供一种雷达系统、雷达信号处理装置、车辆行驶控制装置以及方法及电脑程序。本发明涉及直接识别以到本车辆相同距离并行的前方行驶车辆的台数以及前方行驶车辆行驶的车道的技术。各个雷达系统包括：具有响应一个或多个入射波输出接收信号的多个天线元件的阵列天线；以及构筑了已学习完的神经网络的信号处理电路。信号处理电路构成为接收信号，将接收信号或从接收信号生成的二次信号向神经网络输入，用接收信号或二次信号、以及神经网络的学习数据进行运算，从神经网络输出表示入射波的个数的信号。
【IPC分类】G01S13/93, G01S13/34, G05D1/02, G01S13/58, G01S3/74
【公开号】CN105487070
【申请号】CN201510644426
【发明人】加茂宏幸, 桑原义彦
【申请人】日本电产艾莱希斯株式会社, 国立大学法人静冈大学
【公开日】2016年4月13日
【申请日】2015年10月8日
【公告号】US20160097853
【技术领域】
[0001] 本发明设及一种通过雷达识别一台或多台前方行驶车辆的配置的技术。
【背景技术】
[0002] W往，在车载雷达系统中使用利用FMCW (Rrequen巧Modulated Continuous Wave :频率调制连续波）雷达、多频率CW(Continuous Wave :连续波）雷达W及脉冲雷达的 方式的电子扫描式雷达。在运样的雷达系统中，一般地，将被调制的连续波或脉冲波作为 "发送波"从发送天线放射，将通过前方行驶车辆反射而返回到接收天线的入射波作为"接 收波"接收。然后，基于利用接收波的天线信号（接收信号）推断前方行驶车辆的位置W及 速度。W搭载有雷达系统的车辆为基准，通过到前方行驶车辆的距离W及前方行驶车辆的 方向规定前方行驶车辆的位置。另外，在本说明书中，将搭载有雷达系统的车辆称为"本车 辆"，将行驶在本车辆前面的车辆称为"前方行驶车辆"。"前方行驶车辆"行驶在与本车辆行 驶的车道相同的车道上或与该车道相邻的同一方向的车道上。
[0003] 在车载雷达系统中，前方行驶车辆的"方向"可W通过包含道路的面（近似"平 面"）内的方位（azimuth)规定。因此，在本说明书中，对于被雷达探测的物体，存在将"方 向（direction)"与"方位（azimuth)"作为相同含义的用语来使用的情况。 阳004] 前方行驶车辆的方向能够用入射波的入射方向值0A direction Of Arrival)」的 角度表示。在雷达技术的领域中，像前方行驶车辆那样反射发送波的物体有时被称为"目标 (target)"。目标作为"反射波"的波源发挥功能。目标为到达至接收天线的波、即接收波 的信号源。
[0005] 在车载用的雷达系统中，追求使用小型且价格低廉的天线。例如将四个或五个天 线元件作为构成构件的阵列天线用作接收用天线。在阵列天线中，根据天线元件的排列方 式有直线阵列式、平面阵列式、环形阵列式W及共形阵列式。
[0006] 若基于从运样的阵列天线的各天线元件获得的接收信号，能够通过信号处理技 术，推断反射发送波的物体的方位（入射方向）。然而，在反射发送波的物体的个数为多个 时，通过各个物体产生的反射波W不同的角度入射到接收天线上。因此，从接收天线生成多 个入射波重叠的复杂的信号。并且，在车载雷达系统中，物体的配置关系W及距离相对于阵 列天线动态变化。因此，为了基于阵列天线的接收信号正确推断一台或多台前方行驶车辆 的各方位，需要使用电脑高速进行庞大的运算。
[0007] 为了推断入射方向，提出了处理阵列天线的接收信号的各种算法的方案。公知的 入射方向推断算法包括W下方法（参照专利文献1及2)。
[0008] (1)数字波束（DBF :Digital Beam Former)法
[0009] (2) Capon 法
[0010] 做线形预测法 柳川 （4)最小范数法
[0012] (5)MUSIC(M叫tiple SI即al Classification:多重信号分类）法
[0013] (6)ESPRIT(Estimation of Signal Parameters via Rotational Invariance Techniques:利用旋转不变因子技术来推断信号参数）法
[0014] 一般地，方向推断的角度分辨率越高，信号处理所需的运算的量就越大。在上述的 入射方向推断方法（1)到（6)中，角度分辨率W从方法（1)到方法（6)的顺序变高，运算量 增加。角度分辨率特别高的MUSIC法W及ESPR口法也被称为"超分辨率算法"，对阵列天线 的接收信号需要高速进行运算量较多的处理。具体来说，根据超分辨率算法，从各阵列天线 的接收信号的数据作成自相关矩阵。然后，通过该自相关矩阵的特征值展开（eigenvalue decomposition)来推断接收波的入射方向。矩阵的特征值展开指的是将矩阵分解成在对角 成分中具有特征值的对角矩阵，也被称为"特征值分解"。在进行自相关矩阵的特征值展开 时，求自相关矩阵的特征值W及特征矢量（例如专利文献3)。
[0015] 入射方向的推断精度随着去除自相关矩阵的噪声成分而提高。因为遍历性，能 够使总体均值与时间平均值相等，因此用接收数据的时间平均值作成自相关矩阵。例如， 在FMCW雷达中，优选尽量使差频信号的数据组（能够转换成频率区域的数据的恒定时间区 间的时间序列数据）的样本数、即快照数目多，来使用平均化的自相关矩阵。因此，为了在 前方行驶车辆的位置可W总是变化的情况下提高入射方向推断的精度，需要进行高速的抽 样，被抽样的数据的存储器容量也增大。
[0016] 在先技术文献
[0017] 专利文献
[0018] 专利文献1 :日本特开2009-156582号公报
[0019] 专利文献2 :日本特开2006-275840号公报
[0020] 专利文献3 :日本特开2006-047282号公报
[0021] 专利文献4 :日本特开2007-040806号公报
[0022] MUSIC等超分辨率算法的运算处理量较多。为了与运样的运算处理量相对应，需要 高速动作、且高价的车载用微处理器。从运样的情况出发，进行了用于降低运算处理量的尝 试，W使性能相对较低的微处理器也可W工作（例如，参照专利文献4)。
[0023] 然而，即使通过专利文献4等技术降低了运算处理量，处理量也依然很多。因此， 需要一种能够利用于车载用雷达、将处理量抑制得更低的识别目标的技术。
【发明内容】
[0024] 本发明的例示性的雷达系统构成为包括：阵列天线，其具有分别响应一个或多个 入射波而输出接收信号的多个天线元件；W及信号处理电路，其构筑有已学习完的神经网 络，所述信号处理电路构接收所述接收信号，将所述接收信号或从所述接收信号生成的二 次信号向所述神经网络输入，用所述接收信号或所述二次信号、W及所述神经网络的学习 数据进行运算，从所述神经网络输出表示所述入射波的个数的信号。
[0025] 根据本发明的例示性的雷达系统，能够将接收信号或从所述接收信号生成的二次 信号向已学习完的神经网络输入，来获得表示入射波的个数的信号。神经网络的运算所需 的运算处理量与MCUSIC等超分辨率算法所需的运算处理相比是相对非常少的，并且，通过 预先充分地进行神经网络的学习，能够提高入射波的个数的判断精度。
[00%] 在某方式中，将上述入射波的个数作为表示前方行驶车辆的配置的信息进行获 取。
【附图说明】
[0027] 图1为示出利用本发明的车辆的识别处理的步骤的图。
[0028] 图2的（a)为示出具有直线状配置的Μ个天线元件的阵列天线AA与多个入射波 k化为1到Κ的整数）的关系的图，图2的化）为示出接收第k个入射波的阵列天线ΑΑ的 图。
[0029] 图3为示出一般的层次型神经网络的结构模型的图。
[0030] 图4为示出高斯型核函数的波形的概要的图。
[0031] 图5的（a)、化）、（C)、（d)为示出本车辆5行驶在第一车道时的前方行驶车辆 巧-1) W及/或巧-2)的行驶情况和教师信号Τι的图。 阳03引图6的（a)、化）、（C)、（d)为示出本车辆5行驶在第二车道时的前方行驶车辆 巧-1) W及/或巧-2)的行驶情况和教师信号T2的图。
[003引图7的（a)、化）、（C)、（d)、（e)为本车辆5行驶在S个车道中的中央车道时的前 方行驶车辆巧-1)、巧-2) W及/或巧-3)的行驶情况和教师信号T3的图。
[0034] 图8为示出学习处理的步骤的流程图。
[0035] 图9为示出前方行驶车辆的识别处理的步骤的流程图。
[0036] 图10为示出利用本发明的车辆行驶控制装置1的基本构成的一个例子的框图。
[0037] 图11为示出利用本发明的车辆行驶控制装置1的基本构成的其他例子的框图。
[0038] 图12为用于详细地说明本发明的更加具体的实施方式的框图。
[0039] 图13为示出本实施方式的雷达系统100的更加详细的构成例的框图。
[0040] 图14为示出基于Ξ角波生成电路生成的信号调制的发送信号的频率变化的图。
[0041] 图15为示出"上行"期间的拍频化化及"下行"期间的拍频fd的图。
[00创图16为示出通过具有处理器PR W及存储器装置MD的硬件实现信号处理电路30 的方式的框图。
[0043] 图17为示出作为向神经网络的输入不利用差频信号的雷达系统100a的构成例的 框图。 W44] 图18为示出车辆行驶控制装置1 (图12)的处理步骤的流程图。 W45] 图19为示出利用SAGE法的入射方向推断处理的步骤的流程图。
[0046] 标号说明
[0047] 1车辆行驶控制装置
[0048] 10雷达天线
[0049] 11i、1!2、…、叫天线元件
[0050] 20、20a收发电路
[0051] 21 Ξ角波生成电路 阳化 2] 22 VC0 阳05引 23分配器 阳054] 24混频器 阳化5] 25、25a滤波器
[0056] 26、26a 开关
[0057] 27、27a A/D 转换器 阳05引 28控制器
[0059] 30、30a信号处理电路 W60] 31存储器
[0061] 32接收强度计算部 阳0创 33距离检测部 阳〇6引 34速度检测部
[0064] 35 DBF (数字波束形成）处理部 W65] 36方位检测部
[0066] 37目标转移处理部
[0067] 50车载摄像头 W側 52图像处理电路
[0069] 60行驶支援电子控制装置
[0070] 82 电脑 阳07U 84数据库 阳0巧 80通信设备
[0073] 100、100a 雷达系统
[0074] 300雷达信号处理装置 阳0巧]400、400a物体检测装置 阳076] 500车载摄像头系统
[0077] AA阵列天线 阳〇7引 TA发送天线
[0079] 順神经网络
[0080] AU入射方向推断单元 W81] PR处理器
[0082] MD存储器装置
[0083] 化"上行"期间的拍频
[0084] fd "下行"期间的拍频 阳0化]Si、S2、...，Βμ接收信号
[0086] Θ剧Θ Κ入射方向的角度
【具体实施方式】
[0087] <用语说明>
[0088] "车辆"为包括产生用于行驶的驱动力的发动机W及/或电动机的在道路上行驶的 交通工具（Vehicle)。车辆包括四轮汽车、Ξ轮汽车W及鞍乘式摩托车。车辆行驶的一部分 或全部既可W通过自动控制执行，也可W构成为无人行驶。
[0089] "接收信号"是来自阵列天线的各天线元件的输出信号（包括模拟?数字运两者）。
[0090] "二次信号"意味着处理接收信号而获得的信号。二次信号例如包括：差频信号、 含有相关系数的非对角成分的信号W及解析信号（analytic signal)。在此，"解析信号" 指的是用接收信号（实数成分）与接收信号的正交信号（虚数成分）之和表示的复信号。 接收信号的正交信号例如可W通过希尔伯特变换从接收信号生成。
[0091] "学习数据"为适用于向神经网络各节点的各输入的权重值。
[0092] "入射波"为从目标（波源或信号源）来到阵列天线的电磁波。在阵列天线搭载于 本车辆的前面时，作为入射波的波源发挥功能的目标的典型例子是前方行驶车辆。
[0093] <本申请发明人的想法>
[0094] 在汽车的防碰撞系统和自动驾驶等安全技术中，并排在仅到本车辆相同距离的位 置行驶（并行）的多个车辆（目标）的识别是尤其不可缺少的。在本说明书中，"相同距 离"不仅是完全相同的距离，也包括具有与雷达系统的距离相关的分辨率W下的差值的情 况。在那样的情况下，考虑到对于车辆的识别，推断入射波的方向是必不可少的。
[0095] W往进行的用阵列天线推断入射波的方向的技术W如何正确地确定各入射波的 入射方向（角度）为目的。正确地确定各入射波是因为意味着正确地确定前方行驶车辆的 位置。
[0096] 如上所述，开发了使用自相关矩阵的各种方法，来实现能够W较高的精度确定来 方向的分辨率。然而，用于自相关矩阵的生成W及特征矢量的计算的运算量依然非常多，需 要使用具有与其相符的处理能力的处理器。高性能的处理器成为使成本增加的原因。
[0097] 另外，在使用自相关矩阵的各种方法中，当检测相关高的多个入射波时，需要使用 空间平均法。在计算时，由于阵列天线的阵列的次元减少一个，因此能够检测的入射波数量 也同时减少。虽然 SAGE (Space-Alternating Generalized Expectation-maximization ： 空间交替期望最大化）法等最大似然推断法能够检测相关高的多个入射波，但作为预备知 识需要入射波数量的信息。
[0098] 在将入射波的方向推断技术应用于车载用雷达系统的情况下，优选实现较为高速 的响应。其理由是因为，在道路中，本车辆的位置及速度W及前方行驶车辆的位置及速度时 刻变化，因此需要正确且高速地进行识别。并且，为了进行车辆的防碰撞、碰撞被害减轻W 及车道保持辅助，需要不断用图像传感器W及其他雷达获取周围的信息，来进行各种信号 处理。W进行运样的各种信号处理为目的，不可W无止境地搭载处理能力高的处理器。并 且，即使采用高性能的处理器，也未必能够获得所谓的足够程度的高速响应。因此，对削减 入射方向推断算法的运算量进行了各种研究。
[0099] 本申请发明者们从与W往完全不同的观点研究了用于减少雷达系统的信号处理 所需的运算量的方法。W往，欲W较高的精度识别各入射波的入射方向的理由是因为若利 用其识别结果，则能够正确地掌握前方行驶车辆的台数和位置。然而，最终想获取的信息还 是存在几台前方行驶车辆W及各前方行驶车辆在哪个车道上行驶。
[0100] 本申请发明者们不计算各入射波的入射方向，而是进行了判断前方行驶车辆的台 数W及前方行驶车辆行驶的车道的方法的研究。其结果是，发现若对阵列天线的信号处理 使用神经网络，则即使没有正确地求出各个前方行驶车辆的方向（反射波的入射方向），也 能够直接确定前方行驶车辆的台数W及前方行驶车辆行驶的车道。由此，能够大幅削减用 于掌握前方行驶车辆的行驶情况的所需的信号处理的计算量。 阳1〇U 另外，在通过自适应巡航控制（W下，有时记述为"ACC"。）处理方式行驶的情况 下，若存在表示在同一车道（W及相邻的车道）上是否存在前方行驶车辆的信息W及表示 到前方行驶车辆的距离和前方行驶车辆的速度的信息，则大多没有必要求得 表示前方行驶 车辆的正确的方位的角度。 阳102] <本发明所设及的原理的说明>
[0103] W下，在说明实施方式之前，对通过本申请发明者们获得的想法的基本原理进行 说明。
[0104] 在本说明书中，分别对神经网络的学习处理化及使用已学习完的神经网络的前方 行驶车辆的数量W及配置的识别处理进行说明。若进行一次学习处理，则之后能够进行识 别处理。在本发明的车载用的雷达系统中，典型地，学习处理在雷达系统安装前进行，识别 处理可W通过W搭载于车辆的处理器为代表的信号处理电路在由驾驶员驾驶时进行。
[01化]利用神经网络的优点之一在于，与用高分辨率算法推断入射波的入射方向来检测 前方行驶车辆的数量W及配置的处理相比，能够大幅降低识别处理所需的计算资源。W下， 首先参照图1说明识别处理，之后，与识别处理相关的各步骤的说明一同对学习处理的内 容进行说明。 阳106] 图1示出了利用本发明的车辆的识别处理的步骤。图1的各处理通过信号处理电 路执行。 阳107] 首先，在步骤S1中，信号处理电路对Μ个天线元件（M为3 W上的整数。下同。） 的阵列天线ΑΑ获取的阵列接收信号进行前处理，生成输入矢量b。关于输入矢量b的内容 将在后文进行叙述。该阵列接收信号包含杂音。
[0108] 在步骤S2中，信号处理电路将输入矢量b向已学习完的神经网络输入。
[0109] 在步骤S3中，信号处理电路从神经网络的输出Y判断各车道的车辆的有无。
[0110] W下，分别对步骤S1到S3进行说明。 阳11U 图2的（a)示出具有呈直线状配置的Μ个天线元件的阵列天线AA与多个入射波 k化为1至Κ的整数。下同。Κ的含义将在后文叙述。）的关系。阵列天线ΑΑ从不同的角 度同时接收入射的多个入射波。入射波的入射角度（表示入射方向的角度）表示W阵列天 线AA的宽边B (与天线元件组排列的直线方向垂直的方向）为基准的角度。
[0112] 现在，关注第k个入射波。"第k个入射波"意味着从存在于不同方位的K个目标 向阵列天线入射K个入射波时的通过入射角Θ k识别的入射波。
[0113] 图2的化）示出了接收第k个入射波的阵列天线AA。阵列天线AA接收的信号作 为具有Μ个构件的"矢量"，可如数式1表示。 阳m](数式1) 阳 115] S = [Si, S2,…，SjjT
[0116] 在此，Sm(m为1至Μ的整数；下同。）为第m个天线元件接收的信号的值。上标的 T表示倒置的意思。S为列矢量。列矢量S通过根据阵列天线的结构确定的方向矢量（转 向矢量或处理方式矢量）与表示波源（信号源、即目标）的信号的复矢量的乘积而被提供。 在波源的个数为K时，从各波源到达各天线元件的信号的波线性重叠。此时，公知Sm可如 数式2表示。
[0117] 【数式2】 阳11引
[0119] 数式2的a,、Θ kW及牠分别是第k个入射波的振幅、入射波的入射角度（表示入 射方向的角度）W及初期相位。并且，λ为入射波的波长，j为虚数单位。
[0120] 如从数式2理解的那样，Sm表现为由实部巧e)与虚部（Im)构成的复数。 阳12U 若考虑噪声（内部噪声或热噪声）来进一步一般化，则阵列接收信号X可如数式 3 表 〇
[0122](数式扣 阳 123] X = S+N 阳124] N为噪声的矢量表不。
[01巧]在图1的步骤S1中，信号处理电路用数式3所示的阵列接收信号X求入射波的自 相关矩阵Rxx (数式4)，进一步生成包含自相关矩阵Rxx的非对角成分的信号（数式5)。 阳126]【数式4】 阳 127]
[0128] 在此，上标的Η表示复共辆转置（厄米共辆）。 阳129]【数式5】 阳 130] b〇= [Re 巧XX 12)，Im 巧χχ?2)…，Re 巧xXiM)，Im 巧xXiM)，
[0131] Re (Rxx23)，Im (Rxx23)，…，Re (Rxx2m)，Im (RxXzm)， 阳m]…，Re 胞x(M DM)，Im 胞x(M i)M]T
[0133] 矢量b。是将自相关矩阵Rxx的除去对角成分的上Ξ角矩阵的构件分成实部与虚 部来表现的列矢量。"Re(RxXpq)"表示自相关矩阵的（P，q)成分的实部，"Im(RxXpq)"表示 自相关矩阵的（P，q)成分的虚部。
[0134] 信号处理电路使上述矢量b。单位矢量化（标准化），求作为向神经网络输入的矢 量b。 阳135] 数式6 阳 136]
阳137] 右边的分母（Mb。II)表示矢量b。的范数。
[0138] 进行数式6那样的标准化的理由是为了防止向神经网络的输入变得过大。但是， 标准化并不是必须的。上述矢量beW及/或b在本说明书中有时被记述成从接收信号生 成的二次信号。
[0139] 在上述的说明中，直接利用通过阵列天线AA获得的接收信号X来求自相关矩阵。 然而，也可W利用从接收信号X获得的其他的信号来求上述自相关矩阵。其他信号的一个 例子为利用发送信号和接收信号生成的差频信号。
[0140] 接下来，对在图1的步骤S2中使用的神经网络进行详细地说明。 阳141] 图3示出了一般的层次型神经网络的结构模型。在本说明书中，使用作为层次型 神经网络的一个例子的RBF(Radial Basis化nction:放射基底函数）神经网络进行说明， 但也可W利用其他层次型神经网络或非层次型的神经网络。 阳142] 如图3所示，RBF神经网络具有接收输入信号α为1到I的整数）的节点1到 I的输入层Xi、节点1到J的中间层Φ，(j为1到J的整数）W及节点1到Κ的输出层y,化 为1到K的整数）。
[014引 RBF网络的输出Yk(x)可如数式7表不。 阳144]【数式7】
[0145]
[0146] 在数式7中，J为中间层的神经元数，Wk,为中间层的第j个神经元与输出层第k个 神经元间的权重，C，为中间层的第j个神经元的中屯、矢量，X为输入矢量。并且，Φ ,为数式 8所示的高斯型核函数。
[0147] 【数式8】
[0148]
阳149] 在数式8中，σ j为表示中间层的第j个神经元的中屯、矢量的宽度的参数。
[0150] 图4示出数式8所示的高斯型核函数的波形的概要。横轴为输入，纵轴为输出。如 从图4理解的那样，示出了中间层的各神经元只在输入矢量接近RBF的中屯、矢量的情况下 的较大的反应。目P，各中间层只对特定的输入产生反应。 阳151] 能够使RBF神经网络学习向输入层提供的模式与从输出层y,输出的模式（教 师信号）的关系。
[0152] 本申请发明者们设想了在用雷达系统识别在本车辆的前方行驶的一台或多台前 方行驶车辆的数量W及配置时利用RBF神经网络的方式。
[0153] 在使RBF神经网络学习时，向RBF神经网络的输入层提供的模式为从阵列接收 信号获得的数式6中记载的矢量b。另一方面，作为教师信号，提供确定获得其矢量b时的 一台或多台前方行驶车辆的数量W及配置的信号（矢量表示）。通过反复该对应关系的学 习，在向输入层提供某个模式时输出的信号成为反映学习结果的高精度地确定一台或多 台前方行驶车辆的数量W及配置的信号。
[0154] W下，具体说明RBF神经网络的学习方法。
[0155] 本申请发明者们对搭载了利用本发明的雷达系统的本车辆的行驶情况进行了如 下设想。 阳156] (Α)本车辆行驶在同一方向相邻的两车道（第一及第二车道）中的第一车道上。 阳157] 度）本车辆行驶在同一方向相邻的两车道（第一及第二车道）中的第二车道上。
[0158] (C)本车辆行驶在同一方向连续的Ξ车道（第一至第Ξ车道）中的第二车道（中 央车道）上。
[0159] 图5的（a)、化）、（C)、（d)示出了本车辆5行驶在第一车道时的前方行驶车辆 (5-1) W及/或巧-?的行驶情况和教师信号V图5与上述（A)对应。另外，在本说明 书中，从附图的上方朝向下方依次称为第一车道、第二车道。 阳160] 图6的（a)、化）、（C)、（d)示出了本车辆5行驶在第二车道时的前方行驶车辆 巧-1) W及/或巧-2)的行驶情况和教师信号T2。图6与上述度）对应。 阳161] 图7的（a)、化）、（C)、（d)、（e)示出了本车辆5行驶在Ξ车道中的中央车道时的 前方行驶车辆巧-1)、巧-2) W及/或巧-3)的行驶情况和教师信号T3。图7与上述（C)对 应。 阳162] 在本说明书中，为了方便起见，将图5的（d)及图6的（d)从利用雷达系统检测前 方行驶车辆的模式中排除。W下，对图5及图6各自的（a)到（C) Ξ个模式进行说明。 阳163] 并且，希望留意图7的（a)、化）、（C)、（d)、（e)没有包罗所有的行驶情况。实际 上，全部存在8种模式的行驶情况。具体来说，省略了在图7的（e)的第Ξ车道上行驶的一 个目标在第二车道上行驶的模式、在第一车道上行驶的模式W及不存在目标的模式。关于 图7,也为了方便起见，将不存在前方行驶车辆的模式从利用雷达系统检测目标的模式中排 除。
[0164] 与上述（C) W及图7相关，也可W不设想本车辆在同一方向连续的Ξ车道的第一 车道W及第Ξ车道上行驶的理由是因为考虑到雷达系统能够识别车道变更时的相邻车道 的其他车辆即可运一动作条件。在本车辆欲从第一车道向第二车道移动时，能够识别第一 车道W及第二车道的车辆即可。在那种情况下，可W视为是上述的（A)或度）的情况。也 与本车辆欲从第Ξ车道向第一车道移动时完全相同。
[01化]图8为示出学习处理的步骤的流程图。通过学习处理构筑Ξ种神经网络。具体来 说，分别是同一方向的两车道中的第一车道上存在本车辆时（图5)的神经网络、同一方向 的两车道中的第二车道上存在本车辆时（图6)的神经网络W及同一方向的Ξ车道中的第 二车道上存在本车辆时（图7)的神经网络。 阳166] 学习处理在图5的例子中由（a)到（C)所示的Ξ个模式构筑一个神经网络。在图 6的例子中，由（a)到（C)所示的S个模式构筑一个神经网络。在图7的例子中，由包含（a) 到（e)的屯个模式构筑一个神经网络。而且，学习处理根据各模式变更条件的同时至少进 行大约80次。条件指的是本车辆与前方行驶车辆的车间距离。具体来说，学习处理将车间 距离从20m到100m每隔Im进行设定来随时放射电波，利用从接收的反射波获得的阵列接 收信号，生成各个车间距离的输入矢量b (数式6)。使该输入矢量b与图5、图6及图7所 示的各个模式的教师信号高精度地对应的权重是应求的学习结果。 阳167] W下，对图8进行说明。图8所示的处理在图5至图7各自的情况下进行。另外， 图8的各处理通过信号处理电路执行。该信号处理电路例如是安装在制造车载用的雷达系 统的厂商所拥有的设备上的CPU。
[0168] 在步骤S10中，信号处理电路对RBF神经网络设定权重的初始值。
[0169] 在步骤S11中，信号处理电路设定成为学习的对象的模式。 阳170] 在步骤S12中，信号处理电路设定响应模式的教师信号。 阳171] 在步骤S13中，信号处理电路设定车间距离。初始值为20m。
[0172] 在步骤S14中，信号处理电路由阵列接收信号矢量X(数式3)来求入射波的自相 关矩阵Rxx (数式4)。
[0173] 在步骤S15中，信号处理电路利用自相关矩阵的非对角成分生成列矢量b。（数式 5) 〇
[0174] 在步骤S16中，信号处理电路使列矢量b。标准化来求列矢量b (数式6)。
[01巧]在步骤S17中，信号处理电路进行利用了数式7及数式8的运算（前向计算）。 [0176] 在步骤S18中，信号处理电路对求得的结果与作为目标的教师信号的平均二次误 差进行求解，进行修正权重的运算（逆计算），W使平均误差变得最小。修正的权重被利用 于之后的学习。 阳177] 在步骤S19中，信号处理电路判断所有的车间距离的学习是否结束。判断为结束 时，处理前进至步骤S20,判断为未结束时，处理返回至步骤S13。当返回至步骤S13时，设 定距离Im的车间距离。
[0178] 在步骤S20中，信号处理电路判断所有的模式的学习是否结束。判断为结束时，处 理前进至步骤S21，判断为未结束时，处理返回至步骤S11。当返回至步骤S11时，设定其他 模式。
[0179] 在步骤S21中，信号处理电路将获得的权重作为学习的结果（学习数据）抽出。 阳180] W上，学习处理结束。 阳181] 上述的步骤S14至S16也可W预先进行。可W在改变车间距离的同时连续获取阵 列接收信号来保存其信息，另外进行自相关矩阵的生成W及利用非对角成分的列矢量的生 成等。
[0182] 在上述的说明中，将作为两车道的例子的图5及图6与作为Ξ车道的例子的图7 分开进行说明，但运是一个例子。也可W组合两车道的模式来代替Ξ车道的模式。例如，图 7的（a)的模式可W通过图5的（a) W及图6的（a)运两个模式的组合来实现。图7的化） 的模式可W通过图5的（a) W及图6的（C)运两个模式的组合来实现。并且，图7的（C) 的模式可W通过图5的（C) W及图6的化）运两个模式的组合来实现。图7的（d)的模式 可W通过图5的化）W及图6的（a)运两个模式的组合来实现。图7的（e)的模式可W通 过图5的（C) W及图6的（d)运两个模式的组合来实现。另外，图5的（d) W及图6的（d) 的模式的识别例如可W通过使用摄像头的图像识别处理来实现。 阳183] 也能够组合两车道的模式来确定未在图7中示出的其他模式。若采用运样的变形 例，则学习处理变成W如图5及图6所示的两车道为对象即可。
[0184] 图9为示出前方行驶车辆的识别处理的步骤的流程图。该处理在进行了图8所 示的学习处理之后，使用获得的学习数据执行。另外，图9的各处理也再次通过信号处理 电路执行。但是，该信号处理电路不需要与执行图8的处理的信号处理电路相同。执行 图9的各处理的信号处理电路例如可W包含在搭载于车辆的雷达系统的电子控制单元 (ECU:Electronic Control Unit)中。 阳化5] 图9包括作为与图8相同的处理的步骤S14至S17。对运些标注相同的步骤编号， 且省略其说明。 阳186] 在步骤S30中，信号处理电路对RBF神经网络设定通过学习处理获得的权重（学 习数据）。 阳187] 在步骤S31中，信号处理电路设定本车辆行驶的同一方向的道路的车道总数和本 车辆当前的车道位置。在本说明书中，车道总数为两个或Ξ个。并且，本车辆当前的车道位 置在同一方向存在两车道的情况下为第一车道或第二车道，在同一方向存在Ξ车道的情况 下为第一车道、第二车道或第Ξ车道。在Ξ车道的例子中，在本车辆位于第一车道或第Ξ车 道的情况下，将视为车道总数为2的例子来对待即可。
[0188] 接下来，在步骤S14中，信号处理电路由阵列接收信号矢量X(数式3)求入射波的 自相关矩阵Rxx (数式4)。此时，无需确定本车辆与前方行驶车辆的车间距离，但优选为从 进行学习的20m到100m的范围内。之后，依次进行步骤S15至S17。
[0189] 在步骤 S32中，信号处理电路输出在步骤S17中进行的运算结果T。运算结果T的 输出例如下。 阳 190] (a)T=[10]T
[0191]化)Τ=[0 1]τ 阳 192] (c)T=[11]t 阳193] 左边的运算结果T表示各个车道的前方车辆的有无。在两车道中，列矢量的第一 行表示第一车道的前方行驶车辆的有无，列矢量的第二行表示第二车道的前方行驶车辆的 有无。例如，上述化）的输出结果T表示在第一车道上不存在前方行驶车辆，而在第二车道 上存在前方行驶车辆。
[0194] 在上述的图8及图9的步骤S14中，由阵列接收信号矢量求入射波的自相关矩阵。 如上所述，也可W用差频信号的矢量来代替阵列接收信号矢量。 阳1巧]W上，说明了本发明的原理。
[0196] 在对各个目标推断入射方向的情况下，可W根据到目标的距离而要求非常高的推 断精度。例如，在100m左右的前方多台车辆并行的情况下，为了识别通过各车辆反射的反 射波（向本车辆的入射波）的方向，需要大约1度或不足1度的角度分辨率（各前方行驶 车辆的波源的位置的间隔设为2m)。对于通过W往的技术来实现运样的角度分辨率，需要进 行伴随着庞大的运算的高分辨率入射方向推断算法。
[0197] 然而，根据本申请发明者们使用神经网络的前方行驶车辆的台数识别技术，通过 预先进行与在上述情况下对应的学习，可W通过简单的运算直接求解存在几台前方行驶车 辆W及各前方行驶车辆在哪条车道上行驶。
[0198] 在上述的说明中，列举实数型神经网络（RBF神经网络）进行了说明，但也可W利 用复神经网络。复神经网络公知为将实数型神经网络的输入输出信号和权重扩充为复数的 神经网络。因此，决定中间层节点的输出的激活函数也变成复函数。
[0199] 在利用复神经网络的情况下，进行与求上述的自相关矩阵Rxx W及矢量b。或b的 运算不同的运算。具体来说，由各天线元件的接收信号Im(t)求与该实信号在复平面上正 交的正交信号Qm(t)。然后，将Im(t)+jQm(t)用作向各个复神经网络的输入。上述的接收信 号Im(t)与前面的Sm对应。正交信号Q(t)例如通过对各天线元件的接收信号进行希尔伯 特变换而获得。另外，在进行接收信号Im(t)的希尔伯特变换时，使用公知的希尔伯特变换 器即可。复神经网络的学习、W及学习后的识别处理除权重和激活函数不同W外，可W与后 述图8及图9的处理相同地，通过信号处理电路进行。省略在复神经网络中使用的激活函 数的具体例子。 阳200] <实施方式> 阳201] W下，适当参照附图对利用本发明的实施方式进行详细地说明。但是，存在省略不 必要的详细的说明的情况。例如，存在省略对已熟知的事项的详细说明和实质上为相同结 构的重复说明的情况。运是为了避免W下的说明不必要地变得冗长，W使行内人易于理解。 本申请发明者们提供附图W及W下的说明，W便本行业者充分理解本发明。并不是意图通 过运些来限定专利申请的范围内所记载的主题。 阳202] 首先，参照图10。图10是示出利用本发明的车辆行驶控制装置1的基本构成的 一个例子的框图。图10所示的车辆行驶控制装置1包括：安装于车辆的雷达系统100 及连接于雷达系统100的行驶支援电子控制装置60。雷达系统100具有：阵列天线AA，其 具有分别响应一个或多个入射波来输出接收信号的多个天线元件；W及雷达信号处理装置 300。需要将雷达系统100中的阵列天线AA安装于车辆，但雷达信号处理装置300的至少 一部分的功能也可W通过设置于车辆行驶控制装置1的外部（例如本车辆外）的电脑82 W及数据库84实现。在那种情况下，在雷达信号处理装置300中，位于车辆内的部分可W 通过车辆所具有的通信设备80 W及一般的通信网络常时或随时连接于设置于车辆的外部 的电脑82 W及数据库84, W进行信号或数据的双向通信。 阳203] 数据库84也可W存储用于神经网络的学习数据W及规定各种信号处理算法的程 序。雷达系统100的动作所需的数据W及程序的内容可W通过通信设备80从外部更新。像 运样，雷达系统100的至少一部分的功能可W通过云计算的技术在本车辆的外部（包括其 他车辆的内部）实现。因此，本发明的"车载"的雷达系统不需要将所有结构元件搭载于车 辆。但是，在本申请中，为了方便起见，只要没有另外说明，对本发明的所有结构元件搭载于 一台车辆（本车辆）的方式进行说明。 阳204] 雷达信号处理装置300具有构筑了已学习完的神经网络順的信号处理电路30。 神经网络順的构成化及动作如上所述。该信号处理电路30从阵列天线AA直接或间接地接 收接收信号，将接收信号或由接收信号生成的二次信号向神经网络順输入。由接收信号生 成二次信号的电路（未图示）的一部分或全部不需要设置于信号处理电路30的内部。运 样的电路（前处理电路）的一部分或全部也可W设置于阵列天线AA与雷达信号处理装置 300之间。 阳205] 信号处理电路30构成为使用接收信号或二次信号、W及神经网络順的学习数据 进行运算，输出表示入射波的个数的信号。在此，"表示入射波的个数的信号"为典型地表示 上述"车辆的配置"的信号。"表示入射波的个数的信号"也能够表示在本车辆的前方行驶 的一台或多台并行的前方行驶车辆的数量。 阳206] 该信号处理电路30也可W构成为执行公知的雷达信号处理装置所进行的各种信 号处理。例如，信号处理电路30可W构成为执行MUSIC法、ESra口法W及SAGE法等"超分 辨率算法"（超级分解方法）或分辨率相对较低的其他入射方向推断算法。
[0207] 在图10所示的例子中，入射波推断单元AU相对于神经网络順独立地设置于信号 处理电路30内。该入射波推断单元AU构成为通过任意的入射方向推断算法，推断表示入 射波的方位的角度，输出表示推断结果的信号。该信号处理电路30能够构成为通过入射波 推断单元AU执行的公知的算法，推断到作为入射波的波源的目标的距离、目标的相对速度 W及目标的方位，输出表示推断结果的信号。若具有运样的入射波推断单元AU，即使在不能 够通过神经网络順检测车辆的配置模式的情况下，也能够获取前方行驶车辆的位置信息 而利用于行驶支援。 阳20引本发明的"信号处理电路"的用语不仅限于单独的电路，也包括将多个电路的组 合概念性的捕捉为一个功能部件的形态。信号处理电路也可W通过一个或多个片上系统 (SoC)实现。例如，信号处理电路30的一部分或全部也可W是作为可编程逻辑器件（PLD) 的FPGA(现场可编程口阵列）。在那种情况下，信号处理电路30包括多个运算元件（例如 通用逻辑W及乘法器）W及多个存储器元件（例如查询表或存储器模块）。或者，信号处理 电路30也可W是通用处理器W及主存储器装置的集合。信号处理电路30还可W为包括处 理器内核和存储器的电路。它们可W作为本发明的信号处理电路发挥功能。特别是，神经 网络順可W根据在并行处理方面优异的车载电脑的出现，通过将执行本发明的算法的软 件与通用的硬件配合而轻易地实现。 阳209] 在本说明书中，信号处理电路只要能够不论是否具有存储元件，都提供被给予的 信号作为向神经网络的输入，应用存储于存储元件的学习数据进行运算，输出结果即可。将 能够进行运样的动作的信号处理电路也称为"构筑有已学习完的神经网络的信号处理电 路"。
[0210] 行驶支援电子控制装置60构成为基于从雷达信号处理装置300输出的各种信号 进行车辆的行驶支援。行驶支援电子控制装置60对各种电子控制单元进行指示，W发挥W 下的功能。运些功能例如包括：在到前方行驶车辆的距离（车间距离）比预先设定的值小 时产生警报来促使驾驶员进行制动操作的功能、控制制动的功能W及控制加速器的功能。 例如，在进行本车辆的自适应巡航控制的动作处理方式时，行驶支援电子控制装置60向各 种电子控制单元（未图示）W及致动器发送规定的信号，来将从本车辆到前方行驶车辆的 距离维持在预先设定的值，并将本车辆的行驶速度维持在预先设定的值。 阳211] 根据在行驶支援电子控制装置60中进行的控制的内容，有可能需要使信号处理 电路30工作。例如，信号处理电路30根据行驶控制条件可W只利用神经网络順化及入射 波推断单元AU中的一方，也可W相互转换，还可W依次利用它们进行动作。其结果是，信号 处理电路30将一台或多台并行的前方行驶车辆的配置的模式、或推断的表示入射波的方 位的角度的信息向行驶支援电子控制装置60输出。 阳212] 信号处理电路30也可W包括只输出表示一个或多个并行的前方行驶车辆的配置 的模式的信号的动作处理方式。在该动作处理方式时，神经网络順被利用，而入射波推断 单元AU不工作。
[0213] 或者，信号处理电路30也可W构成为对利用神经网络順的第一处理方式与利用 入射波推断单元AU的第二处理方式进行切换来使其动作。对切换第一处理方式与第二处 理方式的行驶控制条件进行了种种考虑。例如，信号处理电路30在ACC工作时选择第一处 理方式，在ACC非工作时选择第二处理方式。后者的一个例子是自动紧急刹车（AEB)处理 方式的工作时。在选择第一处理方式时，来自神经网络順的输出表示前方行驶车辆的配置 的模式。
[0214] 若通过神经网络順知道前方行驶车辆的配置，则能够知道前方行驶车辆的个数、 即入射波的个数。若知道入射波的个数，则不需要为了进行公知的入射方向推断算法而进 行必要的特征值分解。换言之，能够基于通过神经网络順检测到的入射波的个数的信息， 用与W往相比较少的运算量执行入射方向推断算法（例如SAGE法），从而W较高的精度推 断前方行驶车辆的方向。
[0215] 作为其他例子，信号处理电路30也可W根据车间距离W及本车辆的速度来切换 第一处理方式与第二处理方式。或者，信号处理电路30也可W首先通过第一处理方式获取 表示前方行驶车辆的配置的模式的信号，之后，切换到第二处理方式来使入射波推断单元 AU动作，利用其配置的模式来推断入射波的入射方向。在利用MUSIC法的情况下，表示入射 波的个数的信号求自相关矩阵的各特征值，获得作为具有通过它们中的热噪声决定的规定 值W上的值的特征值（信号空间特征值）的个数。求各特征值的运算的运算量非常大。省 略特征值的运算意味着能够抑制计算资源。
[0216] 在图10所示的例子中，雷达系统100不需要具有放射发送波的发送天线。发送天 线（未示出）例如可W固定于道路或建筑物，也可W搭载于其他车辆。
[0217] 接下来，参照图11。图11为示出利用本发明的车辆行驶控制装置的基本构成的其 他例子的框图。图11的车辆行驶控制装置1的雷达系统100具有：包括搭载于车辆的阵列 天线AA W及发送天线TA的雷达天线10 ; W及物体检测装置400。发送天线TA例如是放射 可W为毫米波的发送波的天线。该物体检测装置400包括：连接于雷达天线10的收发电路 20 及具有上述结构的雷达信号处理装置300。
[0218] 收发电路20构成为将用于发送波的发送信号向发送天线TA发送，并且，进行利用 通过阵列天线AA接收的接收波的接收信号的"前处理"。前处理的一部分或全部也可W通 过雷达信号处理装置300的信号处理电路30执行。收发电路20进行前处理的典型例可 W包括：从接收信号生成差频信号；W及将模拟形式的接收信号转换成数字形式的接收信 号。
[0219] 图10及图11示出了雷达系统100搭载于车辆，构成车辆行驶控制装置1的一部 分的方式。由于在该雷达系统100的信号处理电路30构筑了进行了之前的学习的神经网 络順，因此不会使用需要W往的过大的运算量的算法来推断前方行驶车辆的方位，也能够 掌握前方行驶车辆的配置。若通过神经网络知道前方行驶车辆的配置，则即使不求前方 行驶车辆的方位的正确的推断值，也可W进行自动巡航等行驶支援。
[0220] 另外，利用本发明的雷达系统不限于搭载于车辆的方式的例子，也可W固定于道 路或建筑物上来使用。 阳221] W下，对本发明的更加具体的实施方式进行详细地说明。 阳222] 参照图12。图12所示的本实施方式的车辆行驶控制装置1包括雷达系统100和 车载摄像头系统500。作为基本的结构，雷达系统100具有雷达天线10、连接于雷达天线10 的收发电路20 W及构筑有已学习完的神经网络順的信号处理电路30。另外，为了简化，省 略了对图10及图11中记载的入射方向推断单元AU的记载。 阳223] 车载摄像头系统500具有：搭载于车辆的车载摄像头50 ; W及对通过车载摄像头 50获取的图像或影像进行处理的图像处理电路52。 阳224] 本实施方式的车辆行驶控制装置1包括：连接于雷达天线10 W及车载摄像头50 的物体检测装置400 ; W及连接于物体检测装置400的行驶支援电子控制装置60。该物体 检测装置400在上述信号处理电路30的基础上也包括收发电路20 W及图像处理电路52。 本实施方式的物体检测装置400不仅能够利用通过雷达系统100获得的信息，也能够利用 通过图像处理电路52获得的信息，检测道路上或道路附近的目标。例如，本车辆在同一方 向的两条W上的车道中的任意一条上行驶中，能够通过图像处理电路52判断车辆行驶的 车道是哪一个车道，并将其判断的结果提供给信号处理电路30。信号处理电路30能够在通 过神经网络順识别前方行驶车辆的配置时，通过参照来自图像处理电路30的信息，提供关 于前方行驶车辆的配置的可靠性较高的信息。 阳225]另外，车载摄像头系统500是确定本车辆行驶的车道是哪一个车道的方法的一 个例子。也可W利用其它方法确定本车辆的车道位置。例如，能够利用超宽带无线技术 0JWB:叫tra Wide Band)确定本车辆在多个车道中的哪一个车道上行驶。公知超宽带无线 技术能够作为位置测定W及/或雷达被利用。若利用超宽带无线技术，则能够确定到路边 的护栏或中央分离带的距离。各车道的宽度通过各国的法律等被预先规定。利用运些信息， 能够确定本车辆当前行驶中的车道的位置。另外，超宽带无线技术是一个例子。也可W利 用使用其他无线的电波。或者，还可W使用激光雷达。 阳226] 雷达天线10可W为一般的车载用毫米波雷达天线。本实施方式的发送天线TA将 毫米波作为发送波向车辆的前方放射。发送波的一部分典型地被作为前方行驶车辆的目标 反射，产生将目标作为波源的反射波。反射波的一部分作为入射波到达至阵列天线（接收 天线）AA。构成阵列天线AA的多个天线元件分别响应一个或多个入射波，输出接收信号。 在作为反射波的波源发挥功能的目标的个数为K个化为1 W上的整数）的情况下，入射波 的个数为K个，但入射波的个数K并不是已知的。通过执行使用上述神经网络的信号处理， 能够W与W往相比较少的运算量来推断入射波的个数K。 阳227] 本实施方式的雷达天线10配置在车辆的前面，W能够检测位于车辆前方的目标。 配置于车辆的雷达天线10的个数W及位置没有被限定为确定的个数W及确定的位置。雷 达天线10也可W配置在车辆的后面，W检测位于车辆后方的目标。并且，也可W在车辆的 前面或后面配置多个雷达天线10。雷达天线10也可W配置在车辆的室内。特别是，在构成 阵列天线AA的各天线元件为卿趴天线的情况下，具有那样的天线元件的阵列天线可W配 置在空间富余的车辆的室内。在阵列天线AA W及发送天线TA搭载于同一车辆的情况下， 阵列天线AA与发送天线TA的距离例如可W距离100毫米W上。
[0228] 信号处理电路30从自阵列天线AA接收接收信号并进行处理。该处理包括：向神经 网络输入接收信号；或从接收信号生成二次信号来向神经网络输入二次信号。神经网络 构成为用接收信号或二次信号与学习数据进行运算，来输出表示入射波的个数的信号。
[0229] 在图12的例子中，接收从信号处理电路30输出的信号化及从图像处理电路52输 出的信号的选择电路54设置于物体检测装置400内。选择电路54将从信号处理电路30 输出的信号W及从图像处理电路52输出的信号中的一方或双方提供给行驶支援电子控制 装置60。 阳230] 图13为示出本实施方式的雷达系统100的更加详细的构成例的框图。 阳231] 如图13所示，雷达天线10包括：进行毫米波的发送的发送天线ΤΑ 及接收通过 目标反射的入射波的阵列天线AA。阵列天线AA具有Μ个（M为3 W上的整数）天线元件 111、112、…、11m。多个天线元件111、112、…、11m分别响应入射波，输出接收信号Si、S2、…、 Sm (图 2)。 阳232] 在阵列天线AA中，天线元件111至11m例如隔开固定的间隔配置成直线状或面状。 入射波从相对于配置有天线元件111到11m的面的法线的角度Θ的方向向阵列天线AA入 射。因此，入射波的入射方向由该角度Θ规定。 阳233] 在来自一个目标的入射波向阵列天线AA入射时，能够与从同一角度Θ的方位向 天线元件111到11 Μ入射平面波相似。在从处于不同方位的K个目标向阵列天线AA入射K 个入射波时，能够通过相互不同的角度θι到Θ Κ识别各个入射波。
[0234] 如图13所示的那样，物体检测装置400包括收发电路20和信号处理电路30。
[0235] 收发电路20包括Ξ角波生成电路21、VCCKVoltageContlledOscillator :压控振 荡器）22、分配器23、混频器24、滤波器25、开关26、A/D转换器27、W及控制器28。本实施 方式的雷达系统构成为通过FMCW方式进行毫米波的收发，但本发明的雷达系统并不限于 该方式。收发电路20构成为基于来自阵列天线AA的接收信号和用于发送天线TA的发送 信号生成差频信号。 阳236] 信号处理电路30包括距离检测部33、速度检测部34 W及方位检测部36。信号处 理电路30构成为处理来自收发电路20的A/D转换器27的信号，并分别输出表示到被检测 的目标的距离、目标的相对速度W及目标的方位的信号。 阳237] 首先，对收发电路20的结构W及动作进行详细地说明。
[0238] Ξ角波生成电路21生成Ξ角波信号，并提供至VC022。VC022输出具有基于Ξ角 波信号进行调制的频率的发送信号。图14示出了基于Ξ角波生成电路21生成的信号进行 调制的发送信号的频率变化。该波形的调制宽度为A f，中屯、频率为fO。像运样做，频率被 调制的发送信号提供至分配器23。分配器23将从VC022得到的发送信号分配至各混频器 24 W及发送天线TA。运样，如图14所示的那样，发送天线放射具有呈Ξ角波状调制的频率 的毫米波。 阳239] 在图14中，记载有在发送信号的基础上，利用通过单独的前方行驶车辆反射的入 射波的接收信号的例子。接收信号与发送信号相比延迟。该延迟与本车辆与前方行驶车辆 的距离成比例。并且，接收信号的频率根据多普勒效应随着前方行驶车辆的相对速度而增 减。
[0240] 若将接收信号与发送信号混合，则基于频率的差异生成差频信号。该差频信号的 频率（拍频）在发送信号的频率增加的期间（上行）与发送信号的频率减小的期间（下 行）不同。若求各期间的拍频，则基于运些拍频，计算到目标的距离和目标的相对速度。
[0241] 图15示出了 "上行"期间的拍频化W及"下行"期间的拍频fd。在图15的图表 中，横轴为频率，纵轴为信号强度。运样的图表通过进行差频信号的时间-频率转换获得。 若得到拍频化、fd，则基于公知的式子，来计算出到目标的距离和目标的相对速度。在本 实施方式中，能够通过W下说明的结构W及动作，求与阵列天线AA的各天线元件对应的拍 频，并基于此推断目标的位置信息。 阳242] 在图13所示的例子中，来自与各天线元件11剧11m对应的信道化剧化Μ的接收 信号通过放大器放大，输入至对应的混频器24。各个混频器24向被放大的接收信号混合 发送信号。通过该混合，生成与存在于接收信号与发送信号之间的频率差对应的差频信号。 生成的差频信号提供至对应的滤波器25。滤波器25进行信道化1到化Μ的差频信号的频 带限制，将被频带限制的差频信号提供至开关26。 阳243] 开关26响应从控制器28输入的采样信号执行开关。控制器28例如可W由微型 计算机构成。控制器28基于存储于ROM等存储器中的电脑程序控制收发电路20的整体。 控制器28也可W不必设置于收发电路20的内部而设置于信号处理电路30的内部。也就 是说，收发电路20也可W根据来自信号处理电路30的控制信号动作。或者，还可W通过控 制收发电路20 W及信号处理电路30的整体的中央运算单元等来实现控制器28的功能的 一部分或全部。
[0244] 通过各个滤波器25的信道化1到化Μ的差频信号经由开关26依次提供给A/D转 换器27。A/D转换器27与采样信号同步地将从开关26输入的信道化1到化Μ的差频信号 与采样信号同步地转换成数字信号。
[0245] W下，对信号处理电路30的构成W及动作进行详细地说明。在本实施方式中，通 过FMCW方式，推断到目标的距离W及目标的相对速度。本发明的雷达系统并不限于W下说 明的FMCW方式，也能够用双频CW或展频等其他方式实施。 阳246] 在图13所示的例子中，信号处理电路30包括存储器31、接收强度计算部32、距离 检测部33、速度检测部34、DBF(数字波束形成）处理部35、方位检测部36、目标转移处理 部37、相关矩阵生成部（Rxx)38化及已学习完的神经网络順。如上所述，信号处理电路30 的一部分或全部既可W通过FPGA实现，也可W通过通用处理器W及主存储器装置的集合 实现。存储器31、接收强度计算部32、DBF处理部35、距离检测部33、速度检测部34、方位 检测部36、目标转移处理部37 W及神经网络順分别可W是一个信号处理电路的功能上的 模块，而不是通过单独的硬件实现的各个部件。另外，在神经网络順为复神经网络的情况 下，不需要设置相关矩阵生成部38。可W代替相关矩阵生成部38,设置生成解析信号的电 路即可。 阳247] 图16示出了信号处理电路30通过具有处理器PRW及存储器装置MD硬件来实现 的方式的例子。具有运样的构成的信号处理电路30也通过存储于存储器装置MD的电脑程 序的作用，可W实现接收强度计算部32、DBF处理部35、距离检测部33、速度检测部34、方 位检测部36、目标转移处理部37、相关矩阵生成部38 W及已学习完的神经网络順的功能。
[0248] 本实施方式的信号处理电路30构成为将转换成数字信号的各差频信号作为接收 信号的二次信号，推断前方行驶车辆的位置信息，输出表示推断结果的信号。W下，对本实 施方式的信号处理电路30的构成W及动作进行详细地说明。
[0249] 信号处理电路30内的存储器31将从A/D转换器27输出的数字信号存储于各个 信道化1~化M。存储器31例如可W由半导体存储器、硬盘W及/或光盘等普通的存储媒 体构成。 阳巧0] 接收强度计算部32对存储于存储器31的各个信道化1~化Μ的差频信号（图14 的下图）进行傅里叶变换。在本说明书中，将傅里叶变换后的复数数据的振幅称为"信号强 度"。接收强度计算部32将多个天线元件中的任意一个接收信号的复数数据、或多个天线 元件的所有接收信号的复数数据的相加值转换成频谱。能够检测与运样获得的频谱的各峰 值对应的拍频、即检测依赖于距离的目标（前方行驶车辆）的存在。若将整个天线元件的 接收信号的复数数据相加，由于使噪声成分平均化，从而S/N比提高。 阳251] 在目标、即前方行驶车辆为一个的情况下，傅里叶变换的结果如图15所示，在频 率增加的期间（"上行"期间）w及减少的期间（"下行"期间）分别获得具有一个峰值的 频谱。将"上行"期间的峰值的拍频设为"化"、将"下行"期间的峰值的拍频设为"fd"。 阳巧2] 接收强度计算部32通过从各个拍频的信号强度检测超过预先设定的数值（阔值） 的信号强度，判断目标存在。在检测出信号强度的峰的情况下，接收强度计算部32将峰值 的拍频（化、fd)作为对象物频率向距离检测部33、速度检测部34输出。接收强度计算部 32将表示调频宽度Δ f的信息向距离检测部33输出，将表示中屯、频率fO的信息向速度检 测部34输出。 阳253] 在检测出与多个目标对应的信号强度的峰的情况下，接收强度计算部32利用预 先设定的条件将上行的峰值与下行的峰值相关联。对判断为来自同一目标的信号的峰标注 同一编号，并提供至距离检测部33 W及速度检测部34。 阳巧4] 在存在多个目标的情况下，在傅里叶变换后的差频信号的上行部分和差频信号的 下行部分中分别呈现与目标的数量相同数量的峰。由于雷达与目标的距离成比例，接收信 号延迟，图14的接收信号向右方移动，因此雷达与目标的距离越远，差频信号的频率越小。 阳巧5] 距离检测部33基于从接收强度计算部32输入的拍频化、fd，利用下式计算出距 离R，并向目标转移处理部37提供。 阳巧6] R = {C · T/ (2 · Δ f)} . {(fu+fd) /2} 阳巧7] 并且，速度检测部34基于从接收强度计算部32输入的拍频化、fd，利用下式计算 出相对速度V，并向目标转移处理部37提供。 阳巧8] V = (C/ (2 · fO)} · {(fu-fd) /2} 阳巧9] 在计算距离R及相对速度V的式子中，C为光速度、Τ为调制周期。 阳260] 另外，距离R的分辨率下限值用C/(2 Af)表示。因此，Af越大，距离R的分辨率 越高。在频率fO约76吉赫师Z)带的情况下，将Af设定为600兆赫（MHz)左右时，距离 R的分辨率例如是0. 7米（m)左右。因此，会存在两台前方行驶车辆并行时，用FMCW方式难 W识别车辆是一台还是两台。在运种情况下，若执行角度分辨率极高的入射方向推断算法， 则也可W分开检测两台前方行驶车辆的方位。然而，如上所述，对运种入射方向推断算法的 执行需要高速地执行庞大的运算。并且，在前方行驶车辆的行驶情况突变的情况下，会存在 运算追跟不上变化而弄错误将两台并行的前方行驶车辆的数量，推断为一台的可能。而根 据本实施方式，由于能够利用神经网络順W较少的运算量迅速地掌握前方行驶车辆的配 置，因此易避免那样的错误。 阳261] DBF处理部35利用天线元件111、112、…、11m的信号的相位差，将在与输入的各天 线对应的时间轴进行傅里叶变换后的复数数据，在天线元件的排列方向进行傅里叶变换。 然后，DBF处理部35计算表示与角度分辨率对应的每个角度信道的频谱的强度的空间复数 数据，在每个拍频输出至方位检测部36。 阳262] 方位检测部36相对于通过神经网络順识别前方行驶车辆的配置的进程独立，或 为了利用与那样的前方行驶车辆的配置相关的信息来推断前方行驶车辆的方位而设置。方 位检测部36将计算出的每个拍频的空间复数数据的值的大小中的取最大的值的角度Θ作 为对象物所在的方位输出至目标转移处理部37。另外，推断表示入射波的入射方向的角度 Θ的方法并不限于该例。能够用上述各种入射方向推断算法进行。特别是根据本发明的实 施方式，为了能够检测前方行驶车辆的配置，入射波的个数是已知的。其结果是，降低了利 用入射方向推断算法的运算量，而能够推断高分辨率的方位。 阳％3]目标转移处理部37计算当前计算出的对象物的距离、相对速度、方位的值、与从 存储器31读取的在前一循环计算出的对象物的距离、相对速度、方位的值各自的差分的绝 对值。然后，在差分的绝对值小于对各个值的每一个决定的值的情况下，差分的绝对值的计 算部判断为前一循环检测到的目标与当前检测到的目标是相同的。在该情况下，目标转移 处理部37将从存储器31读取的该目标的转移处理次数只增加一次。
[0264] 在差分的绝对值大于决定的值的情况下，目标转移处理部37判断为检测到了新 的对象物。目标转移处理部37将当前对象物的距离、相对速度、方位W及该对象物的目标 转移处理次数保存到存储器31中。
[02化]通过信号处理电路30能够用将基于接收的反射波生成的信号、即差频信号进行 频率解析而获得的频谱，来检测与对象物的距离和相对速度。 阳％6] 相关矩阵生成部38用存储于存储器31的各个信道化1到化Μ的差频信号（图14 的下图）求自相关矩阵。在数式4的自相关矩阵中，各矩阵的成分为由差频信号的实部及 虚部表示的值。相关矩阵生成部38依照数式5进行运算来求矢量b。，进而依照数式6来求 标准化的矢量b。相关矩阵生成部38将得到的矢量b向神经网络順输入。 阳％7] 另外，关联到数式5,说明了矢量b。为将去除自相关矩阵Rxx的对角成分后的上Ξ 角矩阵的要素分成实部与虚部来表示的列矢量。但是，相关矩阵生成部38也可W不利用上 Ξ角矩阵的全部而只利用上Ξ角矩阵的一部分的成分，来生成矢量b。。或相关矩阵生成部 38也可W在上Ξ角矩阵的全部或一部分的基础上，生成包含对角成分的矢量b。。在本说明 书中，自相关矩阵至少包含上Ξ角矩阵的一部分即可。 阳268] 在图12所示的例子中，图像处理电路52从影像获取物体的信息，来从该物体的信 息检测目标位置信息。图像处理电路52例如W通过检测已获取的影像内的对象的深度值 来推断物体的距离信息、或从影像的特征量检测物体的大小的信息等，来检测预先设定的 物体的位置信息的方式构成。
[0269] 选择电路54选择性地将从信号处理电路30 W及图像处理电路52接收的位置信 息提供给行驶支援电子控制装置60。选择电路54例如将信号处理电路30的物体位置信息 中所含有的从本车辆检测出的到物体的距离、即第一距离与图像处理电路52的物体位置 信息中所含有的从本车辆检测出的到物体的距离、即第二距离进行比较，来判断哪一个是 相对于本车辆较近的距离。例如，可W基于判断的结果，选择电路54选择到本车辆较近的 物体位置信息输出至行驶支援电子控制装置60。另外，在判断的结果为第一距离与第二距 离是相同的值的情况下，选择电路54可W将任意一个或两者输出至行驶支援电子制御装 置60。 阳270] 利用物体检测装置400接收先行物体的位置信息的行驶支援电子控制装置60根 据预先设定的条件，与物体位置信息的距离、大小、本车辆的速度、降雨、降雪、晴天等路面 状态等的条件一同，进行对驾驶本车辆的驾驶员来说使操作变得安全或容易的控制。例如， 在物体位置信息中没有检测到物体的情况下，行驶支援电子控制装置60向加速器控制部 76发送控制信号，控制加速器控制部76进行与深踩油口踏板同等的动作，W加速至预先设 定的速度。 阳271] 在物体位置信息中检测出物体的情况下，若知道到本车辆是规定的距离，则行驶 支援电子控制装置60根据线控制动等结构通过制动控制部74进行制动的控制。目P，进行 如使速度下降，保持车间距离恒定那样的操作。行驶支援电子控制装置60接收物体位置信 息，来向警报控制部72发送控制信号，控制从车内扬声器发出的声音或灯的点亮，W将先 行物体靠近的消息通知 给驾驶员。行驶支援电子控制装置60接收含有前方行驶车辆的配 置的物体位置信息，若为预先设定的行驶速度的范围，则能够自动地进行容易向左右某个 方向操作转向，W进行与前方行驶物体的碰撞回避支援，或进行控制转向侧的油压等，W强 制性地变更车轮的方向。 阳272] 在多次检测出与多个对象物对应的信号强度的峰的情况下，接收强度计算部32 对各个上行部分W及下行部分的峰值从频率最小的起按顺序编号，向目标输出处理部39 输出。在此，在上行部分及下行部分中，同一编号的峰对应同一对象物，将各自的识别编号 作为对象物的编号。另外，为了避免繁杂化，在图13中，省略了对从接收强度计算部32向 目标输出处理部39的引出线的记载。 阳273] 在对象物为前方结构物构造物的情况下，目标输出处理部39将该对象物的识别 编号作为目标输出。在目标输出处理部39接收多个对象物的判断结果、其均为前方结构物 构造物的情况下，将位于本车辆的车道上的对象物的识别编号作为存在目标的物体位置信 息输出。并且，在目标输出处理部39接收多个对象物的判断结果、其均为前方结构物构造 物的情况下，且在两个W上的对象物位于本车辆的车道上的情况下，将从存储器31读取的 目标转移处理次数较多的对象物的识别编号作为存在目标的物体位置信息输出。 阳274]另外，在从接收强度计算部32输入了没有目标候选运样的信息的情况下，目标输 出处理部39将作为没有目标的0作为物体位置信息输出。然后，选择电路54通过与基于 来自目标输出处理部39的物体位置信息而预先设定的阔值相比，来选择使用信号处理电 路30还是图像处理电路52的物体位置信息。
[02巧]上述物体检测装置400能够通过将一般的电脑利用作为上述的各构成要素根据 使发挥功能的程序来动作而实现。该程序可W通过通信线路配发，也可W写入半导体存储 器或CD-ROM等存储媒体来配发。 阳276] 在物体检测装置400中，若通过选择电路54在前一检测循环中恒定时间连续检测 出的物体位置信息的数据，对当前检测循环下不能够检测的数据关联通过摄像头检测出的 来自摄像头影像的表示先行物体的物体位置信息，则进行使追踪继续的判断，也可W优先 输出来自信号处理电路30的物体位置信息。
[0277] 用于在选择电路54中选择信号处理电路30和图像处理电路52的输出的具体的 构成例W及动作例在日本特开2014-119348号公报中有所公开。在此，援用该公报的全部 内容。
[0278] 图17示出了作为向神经网络的输入，不利用差频信号的雷达系统100a的构成例。 对雷达系统100a的硬件构件中的与图13的雷达系统100相同的硬件构件标注相同的参照 标记，其说明在没有特别需要的情况下省略对其的说明。
[0279] 雷达系统100a的物体检测装置400a不生成差频信号而将各天线元件的阵列接收 信号发送至信号处理电路30a。各阵列接收信号利用滤波器25a去除不需要的信号，通过开 关26a W及A/D转换器27a转换成数字信号。信号处理电路30a用从自相关矩阵得到的非 对角成分生成列矢量b。（数式5)，用作向神经网络的输入。
[0280] 各阵列接收信号具有与发送波大致相同的频率。例如，若频率约76吉赫（GHz)带， 则阵列接收信号的频率也约76吉赫（GHz)带。阵列接收信号的频率可W根据产生多普勒 转换的程度而变动。 阳281] 在图17所示的构成例中，也省略了图13所示的相关矩阵生成部38。运意味着直 接用各天线元件的阵列接收信号进行神经网络的学习。由于也不需要求自相关矩阵，因 此能够大幅降低信号处理电路30a的运算处理量。 阳28引另外，也可W从阵列接收信号求自相关矩阵，用其非对角成分进行神经网络順的 学习。在那种情况下，设置图13所示的相关矩阵生成部38即可。相关矩阵生成部38从阵 列接收信号求自相关矩阵，将其非对角成分向神经网络順输入即可。 阳283] 另外，在附图中，物体检测装置400a没有图13所示的混频器24,但运不过是为了 记载上的便利而进行的省略。信号处理电路30a的距离检测部33 W及速度检测部34基于 差频信号检测距离W及速度。因此，依然需要生成差频信号的构成。图17的Ξ角波生成电 路21、VC022等为W生成差频信号为前提的构成。 阳284] 图18是示出车辆行驶控制装置1 (图12)的处理步骤的流程图。将自适应巡航控 制处理方式时的车辆控制作为一个例子进行说明。 阳285] 在步骤S40中，车辆行驶控制装置1用车载摄像头系统500识别本车辆当前行驶 的车道。如上所述，也可W代替车载摄像头系统500或与车载摄像头系统500 -同利用电 波来识别车道。 阳286] 在步骤S41中，信号处理电路30基于从车载摄像头系统500的图像处理电路52 输出的车道位置的信息W及从收发电路20输出的接收信号，进行利用神经网络NN的车辆 识别处理。 阳287] 在步骤S42中，信号处理电路30利用来自神经网络順的输出来识别前方行驶车 辆的配置。 阳28引在步骤S43中，信号处理电路30判断在本车辆的车道上是否存在前方行驶车辆。 在存在前方行驶车辆的情况下，处理前进至步骤S44,在不存在前方行驶车辆的情况下，处 理前进至步骤S45。 阳289] 在步骤S44中，行驶支援电子控制装置60指示制动器控制部74来控制制动，W及 /或指示加速器控制部76来控制燃料喷射量。由此，行驶支援电子控制装置60能够使本车 辆在设定速度W下行驶。 阳290] 即使在步骤S45中，行驶支援电子控制装置60也指示制动器控制部74来控制制 动，W及/或指示加速器控制部76来控制燃料喷射量。由此，行驶支援电子控制装置60在 满足设定速度W及设定距离的同时能够使本车辆追随前方行驶车辆。 阳291] W上，对利用本发明的具体的实施方式进行了说明。 阳292] 在上述说明中，直接识别W到本车辆相同距离并行的前方行驶车辆的台数W及前 方行驶车辆行驶的车道，并进一步利用该信息，举例说明了自适应巡航控制处理方式时的 车辆控制方法。 阳293] W下，进一步地对利用直接识别W到本车辆相同距离并行的前方行驶车辆的台数 W及前方行驶车辆行驶的车道的结果的其他例子进行说明。 阳294] 如上所述，对W较高的分辨率推断表示入射方向的角度的超分辨率入射方向推断 用MUSIC法W及ESPR口法运两种算法。在MUSIC法W及ESPR口法中，对于阵列天线的接 收信号的自相关矩阵需要进行特征值展开来推断入射波的个数的程序。例如，在MUSIC法 中，需要对自相关矩阵的特征值中的与热噪声功率的分散相比具有较大的值的特征值进行 计数。若该特征值的计数不正确，则会错误推断入射方向。 阳295]运些算法在快照数目较少的情况下W及相干反射波入射时，其推断的精度下降。 [0296]与MUSIC法W及ESPR口法同样地作为高分辨率入射方向推断算法，基于最大似然 推断的SAGE法备受瞩目。SAGE法公知为即使在利用MUSIC法W及ESPR口法精度下降的环 境下，也能够期待较高的推断精度的算法。 阳297] 但是，在SAGE法中，作为预备知识需要入射波的个数的信息。作为推断入射 波的个数的方法，存在AIC(Aka化e In化rmation化iteria:赤池信息量准则）W及 MDL(Minimum Description Length :最小描述长度）。在运些方法中，进行多次的数据收集， 通过评价该分散性来进行入射波数量的推断。 阳29引能够利用本发明所设及的神经网络的输出作为上述入射波数量的推断结果。是因 为若识别出前方行驶车辆的台数，则能够利用该识别结果作为波源的数量、即入射波数量。 [0299] 图19为示出了利用SAGE法的入射方向推断处理的步骤的流程图。该处理例如可 W通过信号处理电路30执行。 阳300] 在步骤S50中，车辆行驶控制装置1识别本车辆当前行驶的车道。然后，在步骤 S51中，信号处理电路30进行利用神经网络順的车辆识别处理。 阳301] 由于步骤S50及S51与图18的步骤S40及S41的处理相对应，因此省略了再次的 详细的说明。 阳302] 在步骤S52中，信号处理电路30从神经网络的输出确定入射波数量N。在作为输 出结果得到T = [X y]T或T = [X y Z] T的情况下，X、y、Z的值对1的个数进行计数，信号 处理电路30将该数确定为入射波数量N。
[0303] 接下来的步骤S53之后相当于SA(iE法的算法。SA(iE法为加速公知的 EM巧xpectation-Maximization :最大期望算法）算法的收敛速度的算法。 阳304] 在步骤S53中，信号处理电路30用已确定的入射波数量N的信息，将EM算法的进 行推断的参数的集合Η分成N个部分集合。入射波数量N的信息被利用为相当于SA(iE法 的部分集合的分割。 阳305] 在步骤S54中，将第η (1兰η兰脚个部分集合作为化，固定第i次的推断值化W (η声1)，来通过EM算法更新Hi [1]。 阳306] EM算法为由E步骤和Μ步骤构成的按序算法。E步骤及Μ步骤通过如下式子表现。 阳307] Ε 步骤：Q 化 hW) = Ε [f 化 Η) IΥ，Η^] 阳30引 Μ 步骤：Η[ι"] = arg maxQ 化，Η [。） 阳309] 在上述步骤中，f化Η)表示对数似然函数，Q化Η^)表示带条件的对数似然函数， 表示第i次的Η的推断值，Ε[ I ]表示带条件的平均操作。
[0310] 在步骤S55中，信号处理电路30判断η的值是否为Ν。在不为η = Ν时，处理前 进至骤S56,在为η = Ν时，处理前进至步骤S57。 阳311] 在步骤S56中，信号处理电路30将i的值递增为（i+1)，再次执行步骤S54的处 理。
[0312] 通过反复上述处理，渐近地向最大似然推断的推断值收敛。 阳313] 在步骤S57中，信号处理电路30输出运算结果。
[0314] 如上述处理作为一个例子来理解，利用使用本发明所设及的神经网络的车辆识别 处理的结果作为入射波数量的推断值，能够整体使求表示入射波的入射方向的角度的处理 高速化。
[0315] 在上述实施方式的说明中，说明了雷达系统设置于车辆的前部，来获得表示前方 行驶车辆的配置的信息。然而，也可W将雷达系统设置于车辆的后部。在该情况下，变成雷 达系统输出表示行驶在本车辆后面的后续车辆的配置的信息。在此说的"后续车辆"行驶 在与本车辆行驶的车道相同的车道上、或行驶在与该车道相邻的同一方向的车道上。在变 更车道时，提前把握后续车辆的配置是很重要的。 阳316] 本发明例如能够利用在需要识别前方行驶车辆W及/或者后续车辆的配置的处 理的车载用雷达系统。而且本发明将识别的前方行驶车辆W及/或者后续车辆的配置用作 入射波的波数的信息，能够利用于SAGE法等最大似然推断法等的前处理。
【主权项】
1. 一种雷达系统，其特征在于， 所述雷达系统构成为包括： 阵列天线，其具有分别响应一个或多个入射波而输出接收信号的多个天线元件；以及 信号处理电路，其构筑有已学习完的神经网络， 所述信号处理电路接收所述接收信号，将所述接收信号或从所述接收信号生成的二次 信号向所述神经网络输入，用所述接收信号或所述二次信号、以及所述神经网络的学习数 据进行运算，从所述神经网络输出表示所述入射波的个数的信号。2. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出。3. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路将表示在所述本车辆行驶的本车道上、以及与本车道相邻的任意一 个相邻车道上分别是否存在前方行驶车辆的信号作为表示所述一台或多台并行的前方行 驶车辆的配置的模式的信号输出。4. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路将表示在所述本车辆行驶的本车道上、以及与本车道相邻的任意一 个相邻车道上分别是否存在前方行驶车辆的信号作为表示所述一台或多台并行的前方行 驶车辆的配置的模式的信号输出， 所述信号处理电路输出用数值表示所述一台或多台并行的前方行驶车辆的配置的模 式的信号。5. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包 含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入， 所述信号处理电路基于所述接收信号推断所述入射波的入射方向。6. 根据权利要求3所述的雷达系统，其构成为： 所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包 含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入， 所述信号处理电路基于所述接收信号推断所述入射波的入射方向。7. 根据权利要求4所述的雷达系统，其构成为： 所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包 含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入， 所述信号处理电路基于所述接收信号推断所述入射波的入射方向。8. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包 含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入， 所述信号处理电路基于所述接收信号推断所述入射波的入射方向， 所述信号处理电路选择性地通过用表示从所述神经网络输出的所述入射波的个数的 信号推断所述入射波的入射方向的第一处理方式、以及不用表示所述入射波的个数的信号 而推断所述入射波的入射方向的第二处理方式中的任意一个动作， 所述第二处理方式利用入射方向推断算法推断所述入射波的入射方向。9. 根据权利要求6所述的雷达系统，其构成为： 所述信号处理电路选择性地通过用表示从所述神经网络输出的所述入射波的个数的 信号推断所述入射波的入射方向的第一处理方式、以及不用表示所述入射波的个数的信号 而推断所述入射波的入射方向的第二处理方式中的任意一个动作， 所述第二处理方式利用入射方向推断算法推断所述入射波的入射方向。10. 根据权利要求7所述的雷达系统，其构成为： 所述信号处理电路选择性地通过用表示从所述神经网络输出的所述入射波的个数的 信号推断所述入射波的入射方向的第一处理方式、以及不用表示所述入射波的个数的信号 而推断所述入射波的入射方向的第二处理方式中的任意一个动作， 所述第二处理方式利用入射方向推断算法推断所述入射波的入射方向。11. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时 ， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包 含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入， 所述信号处理电路基于所述接收信号推断所述入射波的入射方向， 所述信号处理电路选择性地通过用表示从所述神经网络输出的所述入射波的个数的 信号推断所述入射波的入射方向的第一处理方式、以及不用表示所述入射波的个数的信号 而推断所述入射波的入射方向的第二处理方式中的任意一个动作， 所述第二处理方式利用入射方向推断算法推断所述入射波的入射方向， 所述信号处理电路在自适应巡航控制动作时选择所述第一处理方式，在所述自适应巡 航控制非动作时选择所述第二处理方式。12. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包 含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入， 所述信号处理电路基于所述接收信号推断所述入射波的入射方向， 所述信号处理电路选择性地通过用表示从所述神经网络输出的所述入射波的个数的 信号推断所述入射波的入射方向的第一处理方式、以及不用表示所述入射波的个数的信号 而推断所述入射波的入射方向的第二处理方式中的任意一个动作， 所述第二处理方式利用入射方向推断算法推断所述入射波的入射方向， 所述信号处理电路在自适应巡航控制动作时选择所述第一处理方式，在所述自适应巡 航控制非动作时选择所述第二处理方式， 所述自适应巡航控制非动作时指的是自动紧急制动处理方式的动作时。13. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包 含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入， 所述信号处理电路基于所述接收信号推断所述入射波的入射方向， 所述信号处理电路选择性地通过用表示从所述神经网络输出的所述入射波的个数的 信号推断所述入射波的入射方向的第一处理方式、以及不用表示所述入射波的个数的信号 而推断所述入射波的入射方向的第二处理方式中的任意一个动作， 所述第二处理方式利用入射方向推断算法推断所述入射波的入射方向， 所述信号处理电路根据车间距离以及所述本车辆的速度切换所述第一处理方式与所 述第二处理方式。14. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路将表示在所述本车辆行驶的本车道上、以及与本车道相邻的任意一 个相邻车道上分别是否存在前方行驶车辆的信号作为表示所述一台或多台并行的前方行 驶车辆的配置的模式的信号输出， 所述信号处理电路包括不推断所述入射波的入射方向而输出表示所述一台或多台并 行的前方行驶车辆的配置的模式的信号的处理方式。15. 根据权利要求4所述的雷达系统， 所述信号处理电路包括不推断所述入射波的入射方向而输出表示所述一台或多台并 行的前方行驶车辆的配置的模式的信号的处理方式。16. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路将表示在所述本车辆行驶的本车道上、以及与本车道相邻的任意一 个相邻车道上分别是否存在前方行驶车辆的信号作为表示所述一台或多台并行的前方行 驶车辆的配置的模式的信号输出， 所述信号处理电路包括不推断所述入射波的入射方向而输出表示所述一台或多台并 行的前方行驶车辆的配置的模式的信号的处理方式， 所述信号处理电路还包括不用表示所述入射波的个数的信号而推断所述入射波的入 射方向的处理方式， 所述信号处理电路在利用输出表示所述前方行驶车辆的配置的模式的信号的处理方 式获取所述前方行驶车辆的配置的模式之后，切换成推断所述入射波的入射方向的处理方 式，利用所述前方行驶车辆的配置的模式来推断所述入射波的入射方向。17. 根据权利要求15所述的雷达系统，其构成为： 所述信号处理电路还包括不用表示所述入射波的个数的信号而推断所述入射波的入 射方向的处理方式， 所述信号处理电路在利用输出表示所述前方行驶车辆的配置的模式的信号的处理方 式获取所述前方行驶车辆的配置的模式之后，切换成推断所述入射波的入射方向的处理方 式，利用所述前方行驶车辆的配置的模式来推断所述入射波的入射方向。18. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路构成为用摄像头或电波确定所述本车辆行驶的车道， 对预先规定的本车辆行驶的各个车道构筑所述已学习完的神经网络， 所述信号处理电路按照所述本车辆行驶的车道选择已学习完的神经网络，输出表示所 述前方行驶车辆的配置的模式的信号。19. 根据权利要求1所述的雷达系统，其构成为： 所述信号处理电路基于所述接收信号检测一个或多个目标，来决定到所述目标的距离 以及所述目标相对于所述阵列天线的相对速度。20. 根据权利要求7所述的雷达系统，其构成为： 所述信号处理电路基于所述接收信号检测一个或多个目标，来决定到所述目标的距离 以及所述目标相对于所述阵列天线的相对速度。21. 根据权利要求11所述的雷达系统，其构成为： 所述信号处理电路基于所述接收信号检测一个或多个目标，来决定到所述目标的距离 以及所述目标相对于所述阵列天线的相对速度。22. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路将表示在所述本车辆行驶的本车道上、以及与本车道相邻的任意一 个相邻车道上分别是否存在前方行驶车辆的信号作为表示所述一台或多台并行的前方行 驶车辆的配置的模式的信号输出， 在同一方向相邻的两车道上分别存在其他车辆以及不存在其他车辆的情况下，所述神 经网络使用利用所述接收信号分别求得的自相关矩阵与各情况下的表示各个车道的车辆 的配置的教师信号进行学习。23. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路将表示在所述本车辆行驶的本车道上、以及与本车道相邻的任意一 个相邻车道上分别是否存在前方行驶车辆的信号作为表示所述一台或多台并行的前方行 驶车辆的配置的模式的信号输出， 所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包 含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入， 所述信号处理电路基于所述接收信号推断所述入射波的入射方向， 在同一方向相邻的两车道上分别存在其他车辆以及不存在其他车辆的情况下，所述神 经网络使用利用所述接收信号分别求得的自相关矩阵与各情况下的表示各个车道的车辆 的配置的教师信号进行学习。24. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路将表示在所述本车辆行驶的本车道上、以及与本车道相邻的任意一 个相邻车道上分别是否存在前方行驶车辆的信号作为表示所述一台或多台并行的前方行 驶车辆的配置的模式的信号输出， 所述信号处理电路输出用数值表示所述一台或多台并行的前方行驶车辆的配置的模 式的信号， 所述信号处理电路从所述接收信号生成包含自相关矩阵的非对角成分的信号，并将包 含所述自相关矩阵的非对角成分的信号作为所述二次信号向所述神经网络输入， 所述信号处理电路基于所述接收信号推断所述入射波的入射方向， 在同一方向相邻的两车道上分别存在其他车辆以及不存在其他车辆的情况下，所述神 经网络使用利用所述接收信号分别求得的自相关矩阵与各情况下的表示各个车道的车辆 的配置的教师信号进行学习。25. 根据权利要求1所述的雷达系统，其构成为： 在所述雷达系统搭载于车辆时， 所述信号处理电路将表示所述入射波的个数的信号作为表示在本车辆的前方行驶的 一台或多台并行的前方行驶车辆的数量的信号输出， 所述信号处理电路将表示在所述本车辆行驶的本车道上、以及与本车道相邻的任意一 个相邻车道上分别是否存在前方行驶车辆的信号作为表示所述一台或多台并行的前方行 驶车辆的配置的模式的信号输出， 所述信号处理电路输出用数值表示所述一台或多台并行的前方行驶车辆的配置的模 式的信号， 所述信号处理电路包括不推断所述入射波的入射方向而输出表示所述一台或多台并 行的前方行驶车辆的配置的模式的信号的处理方式， 在同一方向相邻的两车道上分别存在其他车辆以及不存在其他车辆的情况下，所述神 经网络使用利用所述接收信号分别求得的自相关矩阵与各情况下的表示各个车道的车辆 的配置的教师信号进行学习。26. 根据权利要求1所述的雷达系统， 所述信号处理电路为可编程逻辑器件， 所述信号处理电路具有： 多个运算元件，其进行所述运算，以及 多个存储器元件，其存储所述神经网络的学习数据。27. 根据权利要求1所述的雷达系统， 所述信号处理电路具有： 处理器，其进行所述运算；以及 存储装置，其存储所述神经网络的学习数据。28. 根据权利要求1至27中的任一项所述的雷达系统， 所述学习数据为应用于向所述神经网络的各节点的各输入的权重值。29. -种雷达信号处理装置，其搭载于车辆，构成为包括： 第一端子，其从阵列天线获取所述接收信号； 信号处理电路，其构筑有已学习完的神经网络；以及 第二端子，其发送从所述信号处理电路输出的信号， 其中，所述阵列天线具有分别响应一个或多个入射波来输出接收信号的多个天线元 件， 所述信号处理电路通过所述第一端子接收所述接收信号，并将所述接收信号或从所述 接收信号生成的二次信号向所述神经网络输入，用所述接收信号或所述二次信号、以及所 述神经网络的学习数据进行运算，从所述神经网络输出表示所述入射波的个数的信号。30. 根据权利要求29所述的雷达信号处理装置，其构成为： 所述信号处理电路还输出表示用所述接收信号运算的、在本车道上以及与所述本车道 相邻的任意一个相邻车道上的前方行驶车辆与本车辆的距离以及相对速度的信号输出。31. -种搭载于车辆的车辆行驶控制装置，其特征在于， 所述车辆行驶控制装置包括： 阵列天线，其具有分别响应一个或多个入射波来输出接收信号的多个天线元件； 雷达信号处理装置；以及 电子控制装置，其用从所述雷达信号处理装置输出的、分别表示所述距离、所述相对速 度以及所述入射波的个数的信号进行所述本车辆的自适应巡航控制，来控制所述本车辆的 速度， 所述雷达信号处理装置构成为包括： 第一端子，其从阵列天线获取所述接收信号； 信号处理电路，其构筑有已学习完的神经网络；以及 第二端子，其发送从所述信号处理电路输出的信号， 其中，所述阵列天线具有分别响应一个或多个入射波来输出接收信号的多个天线元 件， 所述信号处理电路通过所述第一端子接收所述接收信号，并将所述接收信号或从所述 接收信号生成的二次信号向所述神经网络输入，用所述接收信号或所述二次信号、以及所 述神经网络的学习数据进行运算，从所述神经网络输出表示所述入射波的个数的信号， 所述信号处理电路还输出表示用所述接收信号运算的、在本车道上以及与所述本车道 相邻的任意一个相邻车道上的前方行驶车辆与本车辆的距离以及相对速度的信号输出。32. -种车辆行驶控制方法，其特征在于， 用具有分别响应一个或多个入射波来输出接收信号的多个天线元件的阵列天线获取 接收信号， 将所述接收信号或从所述接收信号生成的二次信号向构筑有已学习完的神经网络的 信号处理电路输入， 使用所述信号处理电路，用所述接收信号或所述二次信号、以及所述神经网络的学习 数据进行运算， 从所述神经网络输出表示所述入射波的个数的信号， 用所述接收信号输出与所述入射波对应的表示本车道上、以及与本车道相邻的任意一 个相邻车道上的前方行驶车辆与本车辆的距离以及相对速度的信号， 用分别表示所述距离、所述相对速度以及所述入射波的个数的信号进行所述本车辆的 自适应巡航控制，来控制所述本车辆的速度。33. -种由搭载于车辆的处理器执行的电脑程序，其特征在于， 所述车辆具有阵列天线，所述阵列天线具有分别响应一个或多个入射波来输出接收信 号的多个天线元件， 所述电脑程序使所述处理器接收所述接收信号， 将所述接收信号或从所述接收信号生成的二次信号向已学习完的神经网络输入， 用所述接收信号或所述二次信号、以及所述神经网络的学习数据进行运算， 从所述神经网络输出表示所述入射波的个数的信号。34. -种搭载于车辆的雷达系统，其特征在于， 所述雷达系统构成为包括： 阵列天线，其具有分别响应一个或多个入射波来输出接收信号的多个天线元件；以及 信号处理电路，其构筑有已学习完的神经网络， 在与车辆的行驶方向相同方向上的相邻两个车道上分别存在其他车辆以及不存在其 他车辆的情况下，所述神经网络利用阵列天线的各接收信号，用分别求得的自相关矩阵的 非对角成分和表示各情况下的各个车道的车辆的配置的教师信号预先进行学习， 所述信号处理电路接收所述接收信号，并将所述接收信号或从所述接收信号生成的二 次信号向所述神经网络输入，作为来自所述神经网络的输出，输出表示所述两车道各自的
【专利摘要】本发明提供一种雷达系统、雷达信号处理装置、车辆行驶控制装置以及方法及电脑程序。本发明涉及直接识别以到本车辆相同距离并行的前方行驶车辆的台数以及前方行驶车辆行驶的车道的技术。各个雷达系统包括：具有响应一个或多个入射波输出接收信号的多个天线元件的阵列天线；以及构筑了已学习完的神经网络的信号处理电路。信号处理电路构成为接收信号，将接收信号或从接收信号生成的二次信号向神经网络输入，用接收信号或二次信号、以及神经网络的学习数据进行运算，从神经网络输出表示入射波的个数的信号。
【IPC分类】G01S13/93, G01S13/34, G05D1/02, G01S13/58, G01S3/74
【公开号】CN105487070
【申请号】CN201510644426
【发明人】加茂宏幸, 桑原义彦
【申请人】日本电产艾莱希斯株式会社, 国立大学法人静冈大学
【公开日】2016年4月13日
【申请日】2015年10月8日
【公告号】US20160097853
最新回复(0)