図面 (/)

技術 周辺走行中の被観測車両の運転特性を推定するプログラム、装置及び方法

出願人 KDDI株式会社
発明者 石川雄一稗圃泰彦横山浩之
出願日 2018年1月26日 (2年11ヶ月経過) 出願番号 2018-011064
公開日 2019年8月1日 (1年4ヶ月経過) 公開番号 2019-127196
状態 未査定
技術分野 交通制御システム タイムレコーダ、ドライブレコーダ、入出管理 駆動装置の関連制御、車両の運動制御
主要キーワード 時間的変位 事故リスク 速度急変 運転トラブル 推定エンジン マナー違反 自動推定 所定運転
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2019年8月1日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (10)

課題

自車両の運転手が、その車両の周辺走行中の他の車両の運転手の心理特性を認識することができるプログラム、装置及び方法を提供する。

解決手段

観測車両の周辺で走行中の被観測車両の運転手の運転特性推定する装置であって、観測車両の速度と、当該観測車両から見た被観測車両との間の距離とを走行データとして、時系列に記憶した走行データ記憶手段と、走行データにおける速度及び距離を要素とした特徴量データを生成する特徴量データ生成手段と、複数の特徴量データを入力し、被観測車両の運転手における所定運転特性の尤度を出力する運転特性推定エンジンとを有する。

概要

背景

従来、運転手心理特性を、走行中の車両における運転信号(例えばハンドル舵角アクセルブレーキペダル踏込度)及び車両信号(例えばエンジン回転数車速加速度・角速度)から推定する技術がある(例えば非特許文献1及び2参照)。この技術によれば、教師データを用いて推定器学習モデル構築する学習ステップと、その推定器を用いて心理特性を推定する推定ステップとからなる。
学習ステップでは予め、運転手毎に、ペーパーテスト等によって取得した心理特性データと、当該運転手が運転する車両から取得した運転信号及び車両信号とを教師データとして、推定器の学習モデルを構築する。
推定ステップでは、走行中の車両から取得した運転信号及び車両信号を推定器へ入力することによって、当該車両における運転手の心理特性を得ることができる。

概要

自車両の運転手が、その車両の周辺で走行中の他の車両の運転手の心理特性を認識することができるプログラム、装置及び方法を提供する。観測車両の周辺で走行中の被観測車両の運転手の運転特性を推定する装置であって、観測車両の速度と、当該観測車両から見た被観測車両との間の距離とを走行データとして、時系列に記憶した走行データ記憶手段と、走行データにおける速度及び距離を要素とした特徴量データを生成する特徴量データ生成手段と、複数の特徴量データを入力し、被観測車両の運転手における所定運転特性の尤度を出力する運転特性推定エンジンとを有する。

目的

本発明は、観測車両から見て、その観測車両の周辺で走行中の被観測車両の運転信号・車両信号を取得できなくても、その被観測車両の運転手の心理特性を推定することができるプログラム、装置及び方法を提供する

効果

実績

技術文献被引用数
0件
牽制数
0件

この技術が所属する分野

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

観測車両周辺走行中の被観測車両の運転手運転特性推定する装置に搭載されたコンピュータを機能させるプログラムであって、観測車両の速度と、当該観測車両から見た被観測車両との間の距離とを走行データとして、時系列に記憶した走行データ記憶手段と、前記走行データにおける速度及び距離を要素とした特徴量データを生成する特徴量データ生成手段と、複数の特徴量データを入力し、被観測車両の運転手における所定運転特性の尤度を出力する運転特性推定エンジンとしてコンピュータを機能させることを特徴するプログラム。

請求項2

前記運転特性推定エンジンの前記所定運転特性は、危険運転特性、情緒不安定性、非協調性速度急変性、急発進性、急停止性蛇行性のいずれか又はそれらの組み合わせであるようにコンピュータを機能させることを特徴とする請求項1に記載のプログラム。

請求項3

前記特徴量データは、所定時間範囲に基づくものであり、前記運転特性推定エンジンは、異なる所定時間範囲の複数の特徴量データを入力し、観測車両の速度の時間的変化が小さいにも拘わらず、被観測車両との間の距離の時間的変化が大きいほど、それら特徴量データを入力した前記運転特性推定エンジンは、被観測車両の所定運転特性の尤度が高くなるように推定するようにコンピュータを機能させることを特徴とする請求項1又は2に記載のプログラム。

請求項4

前記走行データ記憶手段について、観測車両の速度は、当該観測車両に設置された測位センサから出力された位置の時間的変位によって計測されたものであり、被観測車両との間の距離は、当該観測車両に設置された距離センサによって計測されたものであるようにコンピュータを機能させることを特徴とする請求項1から3のいずれか1項に記載のプログラム。

請求項5

前記走行データ記憶手段は、観測車両に対して角速度を更に記憶し、被観測車両に対して角度を更に記憶し、前記特徴量データ生成手段の前記特徴量データは、前記角速度及び角度を要素として更に含むようにコンピュータを機能させることを特徴とする請求項1から4のいずれか1項に記載のプログラム。

請求項6

観測車両から見た被観測車両が映る映像データを記憶した映像データ記憶手段と、前記映像データ記憶手段を用いて、当該被観測車両の映像変化を検出する映像変化検出手段としてコンピュータを機能させ、前記特徴量データ生成手段の前記特徴量データは、前記映像変化を要素として更に含むようにコンピュータを機能させることを特徴とする請求項1から5のいずれか1項に記載のプログラム。

請求項7

前記映像変化検出手段の前記映像変化とは、当該被観測車両のランプの点滅変化であるようにコンピュータを機能させることを特徴とする請求項6に記載のプログラム。

請求項8

観測車両の周辺の音データを記憶した音データ記憶手段と、前記音データ記憶手段を用いて、所定周波数帯音変化を検出する音変化検出手段としてコンピュータを機能させ、前記特徴量データ生成手段の前記特徴量データは、前記音変化を要素として更に含むようにコンピュータを機能させることを特徴とする請求項1から7のいずれか1項に記載のプログラム。

請求項9

前記装置は、スマートフォン又は携帯端末であり、観測車両に設置可能なものであり、当該プログラムは、アプリとしてインストールされたものであることを特徴とする請求項1から8のいずれか1項に記載のプログラム。

請求項10

前記運転特性推定エンジンから出力された尤度が所定閾値以上となった際に、被観測車両の運転手の運転特性を、当該観測車両の運転手にアラームとして表示するアラーム表示手段として更にコンピュータを機能させることを特徴とする請求項1から9のいずれか1項に記載のプログラム。

請求項11

前記走行データ記憶手段は、複数の観測車両について、観測車両毎に、当該観測車両の速度と、当該観測車両から見た被観測車両との間の距離とを時系列に記憶しており、前記走行データ記憶手段を用いて、被観測車両毎に、複数の観測車両からの走行データを時間軸上に統合するデータ統合手段として更に機能させ、前記特徴量データ生成手段は、被観測車両毎に、特徴量データを生成するようにコンピュータを機能させることを特徴とする請求項1から10のいずれか1項に記載のプログラム。

請求項12

前記走行データが所定運転特性に基づく所定条件を満たした際に、当該走行データを含む時系列に複数の走行データを教師データとして選択する学習データ選択手段を更に有し、前記特徴量データ生成手段は、選択された走行データにおける速度及び距離を要素とした特徴量データを生成し、前記運転特性推定エンジンは、複数の特徴量データを、所定運転特性に基づく教師データとして入力することによって、被観測車両の運転手における所定運転特性の尤度を出力するべく学習モデル構築するようにコンピュータを機能させることを特徴する請求項1から11のいずれか1項に記載のプログラム。

請求項13

観測車両の周辺で走行中の被観測車両の運転手の運転特性を推定する学習モデルを構築する装置に搭載されたコンピュータを機能させるプログラムであって、車両の速度と、当該観測車両から見た被観測車両との間の距離とを走行データとして、時系列に記憶した走行データ記憶手段と、前記走行データが所定運転特性に基づく所定条件を満たした際に、当該走行データを含む時系列に複数の走行データを選択する学習データ選択手段と、選択された走行データにおける速度及び距離を要素とした特徴量データを生成する特徴量データ生成手段と、複数の特徴量データを、所定運転特性に基づく教師データとして入力することによって、被観測車両の運転手における所定運転特性の尤度を出力するべく学習モデルを構築する運転特性推定エンジンとしてコンピュータを機能させることを特徴するプログラム。

請求項14

観測車両の周辺で走行中の被観測車両の運転手の運転特性を推定する装置であって、観測車両の速度と、当該観測車両から見た被観測車両との間の距離とを走行データとして、時系列に記憶した走行データ記憶手段と、前記走行データにおける速度及び距離を要素とした特徴量データを生成する特徴量データ生成手段と、複数の特徴量データを入力し、被観測車両の運転手における所定運転特性の尤度を出力する運転特性推定エンジンとを有することを特徴する装置。

請求項15

観測車両の周辺で走行中の被観測車両の運転手の運転特性を推定する装置の運転特性推定方法であって、前記装置は、観測車両の速度と、当該観測車両から見た被観測車両との間の距離とを走行データとして、時系列に記憶した走行データ記憶部を有し、前記装置は、前記走行データにおける速度及び距離を要素とした特徴量データを生成する第1のステップと、複数の特徴量データを入力し、被観測車両の運転手における所定運転特性の尤度を出力する第2のステップとを実行することを特徴する装置の運転特性推定方法。

技術分野

0001

本発明は、車両における運転手心理特性推定する技術に関する。

背景技術

0002

従来、運転手の心理特性を、走行中の車両における運転信号(例えばハンドル舵角アクセルブレーキペダル踏込度)及び車両信号(例えばエンジン回転数車速加速度・角速度)から推定する技術がある(例えば非特許文献1及び2参照)。この技術によれば、教師データを用いて推定器学習モデル構築する学習ステップと、その推定器を用いて心理特性を推定する推定ステップとからなる。
学習ステップでは予め、運転手毎に、ペーパーテスト等によって取得した心理特性データと、当該運転手が運転する車両から取得した運転信号及び車両信号とを教師データとして、推定器の学習モデルを構築する。
推定ステップでは、走行中の車両から取得した運転信号及び車両信号を推定器へ入力することによって、当該車両における運転手の心理特性を得ることができる。

先行技術

0003

原拓磨ら、「車両信号を用いた運転者個人特性の推定」、情報処理学会第78回全国大会、3S-04、3-147〜3-148、[online]、[平成30年1月18日検索]、インターネット<URL:file:///C:/Users/hayah/Documents/%E6%A5%AD%E5%8B%99/KDDI/01%E6%96%B0%E8%A6%8F%E5%87%BA%E9%A1%98/P2017-0382-P0906%E7%9F%B3%E5%B7%9D%E9%9B%84%E4%B8%80/IPSJ-Z78-3S-04.pdf>
充伸ら、「運転信号を用いたドライバ行動及び個人特性の自動推定」、自動車技術会学術講演会前刷集、第128-13号、pp.11-16、[online]、[平成30年1月18日検索]、インターネット<URL:http://jglobal.jst.go.jp/public/20090422/201302216010473907>

発明が解決しようとする課題

0004

しかしながら、推定対象となる車両から得られた運転信号及び車両信号は、その車両の周辺で走行中の他の車両の運転によって影響を受ける場合がある。例えば他の車両の運転手の危険運転が起因となって、事故運転トラブルが発生する場合もある。
近年特に、相手に対する嫌がらせや威嚇となる走行行為として、「煽りあおり)運転」が問題となっている。これは、前方を走行する車両に対して、進路を譲るよう強要したり、車間距離を詰めて異常接近したりして追い回したり、ハイビームパッシングクラクション幅寄せなどをする行為をいう。
また、それ以外にも、周辺走行中の他の車両における運転手に、例えば認知能力衰えがあったり、協調性欠如がある場合、その運転手の注意不足操作ミスが起因となって、事故が発生する場合もある。

0005

これに対し、本願の発明者らは、自車両の運転手が、その車両の周辺で走行中の他の車両の運転手の心理特性を認識することができれば、事故リスクを軽減することができるのではないか、と考えた。

0006

そこで、本発明は、観測車両から見て、その観測車両の周辺で走行中の被観測車両の運転信号・車両信号を取得できなくても、その被観測車両の運転手の心理特性を推定することができるプログラム、装置及び方法を提供することを目的とする。

課題を解決するための手段

0007

本発明によれば、観測車両の周辺で走行中の被観測車両の運転手の運転特性を推定する装置に搭載されたコンピュータを機能させるプログラムであって、
観測車両の速度と、当該観測車両から見た被観測車両との間の距離とを走行データとして、時系列に記憶した走行データ記憶手段と、
走行データにおける速度及び距離を要素とした特徴量データを生成する特徴量データ生成手段と、
複数の特徴量データを入力し、被観測車両の運転手における所定運転特性の尤度を出力する運転特性推定エンジン
してコンピュータを機能させることを特徴する。

0008

本発明のプログラムにおける他の実施形態によれば、
運転特性推定エンジンの所定運転特性は、危険運転特性、情緒不安定性、非協調性、速度急変性、急発進性、急停止性蛇行性のいずれか又はそれらの組み合わせである
ようにコンピュータを機能させることも好ましい。

0009

本発明のプログラムにおける他の実施形態によれば、
特徴量データは、所定時間範囲に基づくものであり、
運転特性推定エンジンは、異なる所定時間範囲の複数の特徴量データを入力し、
観測車両の速度の時間的変化が小さいにも拘わらず、被観測車両との間の距離の時間的変化が大きいほど、それら特徴量データを入力した運転特性推定エンジンは、被観測車両の所定運転特性の尤度が高くなるように推定する
ようにコンピュータを機能させることも好ましい。

0010

本発明のプログラムにおける他の実施形態によれば、
走行データ記憶手段について、
観測車両の速度は、当該観測車両に設置された測位センサから出力された位置の時間的変位によって計測されたものであり、
被観測車両との間の距離は、当該観測車両に設置された距離センサによって計測されたものである
ようにコンピュータを機能させることも好ましい。

0011

本発明のプログラムにおける他の実施形態によれば、
走行データ記憶手段は、観測車両に対して角速度を更に記憶し、被観測車両に対して角度を更に記憶し、
特徴量データ生成手段の特徴量データは、角速度及び角度を要素として更に含む
ようにコンピュータを機能させることも好ましい。

0012

本発明のプログラムにおける他の実施形態によれば、
観測車両から見た被観測車両が映る映像データを記憶した映像データ記憶手段と、
映像データ記憶手段を用いて、当該被観測車両の映像変化を検出する映像変化検出手段と
してコンピュータを機能させ、
特徴量データ生成手段の特徴量データは、映像変化を要素として更に含む
ようにコンピュータを機能させることも好ましい。

0013

本発明のプログラムにおける他の実施形態によれば、
映像変化検出手段の映像変化とは、当該被観測車両のランプの点滅変化である
ようにコンピュータを機能させることも好ましい。

0014

本発明のプログラムにおける他の実施形態によれば、
観測車両の周辺の音データを記憶した音データ記憶手段と、
音データ記憶手段を用いて、所定周波数帯音変化を検出する音変化検出手段と
してコンピュータを機能させ、
特徴量データ生成手段の特徴量データは、音変化を要素として更に含む
ようにコンピュータを機能させることも好ましい。

0015

本発明のプログラムにおける他の実施形態によれば、
装置は、スマートフォン又は携帯端末であり、観測車両に設置可能なものであり、
当該プログラムは、アプリとしてインストールされたものである
ことも好ましい。

0016

本発明のプログラムにおける他の実施形態によれば、
運転特性推定エンジンから出力された尤度が所定閾値以上となった際に、被観測車両の運転手の運転特性を、当該観測車両の運転手にアラームとして表示するアラーム表示手段と
して更にコンピュータを機能させることも好ましい。

0017

本発明のプログラムにおける他の実施形態によれば、
走行データ記憶手段は、複数の観測車両について、観測車両毎に、当該観測車両の速度と、当該観測車両から見た被観測車両との間の距離とを時系列に記憶しており、
走行データ記憶手段を用いて、被観測車両毎に、複数の観測車両からの走行データを時間軸上に統合するデータ統合手段として更に機能させ、
特徴量データ生成手段は、被観測車両毎に、特徴量データを生成する
ようにコンピュータを機能させることも好ましい。

0018

本発明のプログラムにおける他の実施形態によれば、
走行データが所定運転特性に基づく所定条件を満たした際に、当該走行データを含む時系列に複数の走行データを教師データとして選択する学習データ選択手段を更に有し、
特徴量データ生成手段は、選択された走行データにおける速度及び距離を要素とした特徴量データを生成し、
運転特性推定エンジンは、複数の特徴量データを、所定運転特性に基づく教師データとして入力することによって、被観測車両の運転手における所定運転特性の尤度を出力するべく学習モデルを構築する
ようにコンピュータを機能させることも好ましい。

0019

本発明によれば、観測車両の周辺で走行中の被観測車両の運転手の運転特性を推定する学習モデルを構築する装置に搭載されたコンピュータを機能させるプログラムであって、
車両の速度と、当該観測車両から見た被観測車両との間の距離とを走行データとして、時系列に記憶した走行データ記憶手段と、
走行データが所定運転特性に基づく所定条件を満たした際に、当該走行データを含む時系列に複数の走行データを選択する学習データ選択手段と、
選択された走行データにおける速度及び距離を要素とした特徴量データを生成する特徴量データ生成手段と、
複数の特徴量データを、所定運転特性に基づく教師データとして入力することによって、被観測車両の運転手における所定運転特性の尤度を出力するべく学習モデルを構築する運転特性推定エンジンと
してコンピュータを機能させることを特徴する。

0020

本発明によれば、観測車両の周辺で走行中の被観測車両の運転手の運転特性を推定する装置であって、
観測車両の速度と、当該観測車両から見た被観測車両との間の距離とを走行データとして、時系列に記憶した走行データ記憶手段と、
走行データにおける速度及び距離を要素とした特徴量データを生成する特徴量データ生成手段と、
複数の特徴量データを入力し、被観測車両の運転手における所定運転特性の尤度を出力する運転特性推定エンジンと
を有することを特徴する。

0021

本発明によれば、観測車両の周辺で走行中の被観測車両の運転手の運転特性を推定する装置の運転特性推定方法であって、
装置は、観測車両の速度と、当該観測車両から見た被観測車両との間の距離とを走行データとして、時系列に記憶した走行データ記憶部を有し、
装置は、
走行データにおける速度及び距離を要素とした特徴量データを生成する第1のステップと、
複数の特徴量データを入力し、被観測車両の運転手における所定運転特性の尤度を出力する第2のステップと
を実行することを特徴する。

発明の効果

0022

本発明のプログラム、装置及び方法によれば、観測車両から見て、その観測車両の周辺で走行中の被観測車両の運転信号・車両信号を取得できなくても、その被観測車両の運転手の心理特性を推定することができる。

図面の簡単な説明

0023

観測車両の運転手から被観測車両を見た外観図である。
本発明における運転特性推定装置機能構成図である。
推定された被観測車両の軌道を表す座標図である。
第1の特徴量データを表す説明図である。
運転特性推定エンジンの入力及び出力を表す説明図である。
本発明における携帯端末の機能構成図である。
第2の特徴量データを表す説明図である。
複数の観測車両から特定の被観測車両をみた走行データの統合を表す説明図である。
運転特性推定エンジンにおける学習モデルを構築する機能構成図である。

実施例

0024

以下、本発明の実施の形態について、図面を用いて詳細に説明する。

0025

図1は、観測車両の運転手から被観測車両を見た外観図である。

0026

観測車両の運転手は、その周辺を走行中の被観測車両を見ることができる。この被観測車両が例えば危険運転をしている場合、観測車両の運転手は、事故リスクを強く感じて、自らの運転操作も乱されることなる。

0027

図1によれば、観測車両のダッシュボードに、本発明の「運転特性推定装置」として、例えばスマートフォンのような携帯端末1が設置されている。この場合、スマートフォンには、本発明の運転特性推定機能のアプリがインストールされているとする。勿論、スマートフォンに限られず、例えばナビゲーションシステムのような車両と一体的に搭載された専用装置であってもよい。また、被観測車両は、観測車両から見て必ずしも前方を走行しているとは限られず、側方後方を走行していてもよい。

0028

携帯端末1は、測位センサを搭載しており、GPS(Global Positioning System)のような測位電波を受信することによって、現在位置を取得することができる。
また、携帯端末1は、カメラを搭載しており、走行中の被観測車両の映像を撮影することもできる。映像データには、被観測車両のブレーキランプウィンカヘッドライト点滅状態が映り込むと共に、観測車両から見た被観測車両の位置も検出することができる。
更に、携帯端末1は、マイクを搭載しており、クラクションの鳴動のような、走行中の被観測車両の音を収音することもできる。

0029

尚、他の実施形態として、携帯端末1は、狭域無線通信(例えば無線LAN)又は近距離無線通信(例えばBluetooth(登録商標))を介して、観測車両のCAN(Controller Area Network)内で送受信される車両情報を受信するものであってもよい。CANとは、耐ノイズ性強化されており、相互接続された機器間データ転送に使われる規格をいう。
また、携帯端末1は、地図データを保持しており、地図上の現在位置から、走行道路等の情報を取得することもできる。
更に、携帯端末1は、VICS(Vehicle Information and Communication System)(登録商標)から道路交通情報混雑状況交通規制等)を受信することによって、走行中の道路情報交通情報を取得することもできる。

0030

図2は、本発明における運転特性推定装置の機能構成図である。

0031

本発明の運転特性推定装置1は、観測車両の周辺で走行中の被観測車両の運転手の運転特性を推定するものである。図2によれば、運転特性推定装置1は、本発明の基本的機能のみを有する。
勿論、運転特性推定装置1は、インターネットに接続されたサーバとして実行されるものであってもよい。その場合、サーバは、観測車両から走行データを受信し、被観測車両の運転特性を推定することができる。

0032

図2によれば、運転特性推定装置1は、走行データ記憶部10と、特徴量データ生成部11と、運転特性推定エンジン12とを有する。また、オプション的に、データ統合部17(後述の図8参照)も有する。これら機能構成部は、装置に搭載されたコンピュータを機能させるプログラムを実行することによって実現される。また、これら機能構成部の処理の流れは、装置の運転特性推定方法としても理解できる。

0033

[走行データ記憶部10]
走行データ記憶部10は、観測車両の「速度」と、当該観測車両から見た被観測車両との間の「距離」とを走行データとして、時系列に記憶する。
観測車両とは、走行データを取得する車両をいう。
被観測車両とは、観測車両周辺で走行中の他の車両をいう。
本発明の運転特性推定装置1は、観測車両によって取得された走行データを用いて、被観測車両における運転手の運転特性を推定する。

0034

図2によれば、走行データ記憶部10は、観測車両の「速度」と、被観測車両に対する「距離」とを時間的に対応付けた走行データが、時系列に記憶されている。
観測車両の「速度」は、測位センサから出力された位置の時間的変位に基づいて算出されたものである。測位センサとしては、例えばGPSや基地局測位がある。また、観測車両に搭載されたCANのような車載ネットワークから取得されるものであってもよい。尚、観測車両の「加速度」は、速度から算出することができる。

0035

被観測車両の「距離」は、当該観測車両に設置された距離センサによって計測されたものである。
距離センサとしては、例えばLiDAR(Light Detection and Ranging、Laser Imaging Detection and Ranging)がある。これは、パルス状に発光するレーザ照射し、その反射光受光するまでの時間を計測することによって、対象物までの距離を分析する。LiDARは、例えば自動車衝突防止システムとして、前方車両前方物体との間の距離を測定するべく、自動車の前方バンパー周辺やダッシュボード周辺に配置される。
また、距離センサとしては、デプスカメラを用いたものもある。デプスカメラは、例えばRGB(Red-Green-Blue)画像とデプス画像XYZ座標)とを同時に取得し、色情報付きの6次元(RGBXYZ)の点群ポイントクラウドデータ)を出力する。これによって、観測車両から見た、被観測車両の距離を取得することができる。勿論、RGBカメラによって撮影された映像データであっても、映像分析によって車両を検出し、観測車両との車間距離や角度を計算することはできる。

0036

図2によれば、走行データ記憶部10は、観測車両に対して、速度に加えて「角速度」を更に記憶し、被観測車両に対して、距離に加えて「角度」を更に記憶している。
観測車両の「角速度」は、例えば加速度センサジャイロセンサ地磁気センサによって計測された角度の変位から算出することができる。
被観測車両の「角度」は、例えば映像データや点群データから検出することができる。

0037

[特徴量データ生成部11]
特徴量データ生成部11は、走行データを、所定時間範囲(ウィンドウ)毎に区分することにより、速度及び距離を要素とした「特徴量データ」を生成する。特徴量データは、走行データ(少なくとも速度及び距離)を要素とするベクトルである。それらウィンドウ毎の特徴量データは、運転特性推定エンジン12へ出力される。

0038

図3は、推定された被観測車両の軌道を表す座標図である。

0039

図3によれば、地理座標軸上に、観測車両と被観測車両との位置関係プロットされたものである。観測車両の位置は、観測車両によって測位されたものである。一方で、被観測車両の位置は、観測車両の位置から見た、被観測車両の距離及び角度によって算出されたものである。例えば、図3の(3)のタイミングでは、観測車両から見た被観測車両の距離及び角度から、被観測車両の位置Cがプロットされている。
また、時間経過と共に、位置の変移が軌道としてプロットされている。図3からも明らかなとおり、観測車両の軌道と、被観測車両の軌道との間が一定でなく、急変しているような場合、観測車両から見て、被観測車両が何らかの急変させる運転をしているものと推定できる。

0040

図4は、第1の特徴量データを表す説明図である。

0041

図4によれば、経過時間に応じた、観測車両の「速度」の変化と、被観測車両との間の「距離」の変化とが表されている。速度及び距離の縦軸尺度はそれぞれ、任意に設定されたものである。
そして、経過時間をウィンドウ(一定の時間間隔)に分割し、ウィンドウ毎に、速度及び距離を要素とするベクトルを、特徴量データとして生成する。
尚、特徴量データの要素となる速度及び距離は、値そのものに限られず、平均値最大値最小値中央値、第一・第三四分位値、分散、FFT高速フーリエ変換)後の周波数成分毎振幅等であってもよい。

0042

[運転特性推定エンジン12]
運転特性推定エンジン12は、異なる所定時間範囲(ウィンドウ)の複数の特徴量データを入力し、被観測車両の運転手における所定運転特性の尤度を出力する。

0043

運転特性推定エンジン12は、所定運転特性の各尤度に基づく特徴量データを教師データとして構築した「機械学習エンジン」であってもよい。機械学習エンジンの種類は限定しないが、単なる回帰分析であってもよいし、例えばRandom ForestやSupport Vector Machine、Naive Bayes、K-nearest neighborなどであってもよい。
機械学習エンジンを用いる場合、説明変数となる複数の特徴量データと、目的変数となる運転特性とからなる教師データを予め入力し、学習モデルを構築しておく必要がある。

0044

本発明の本質的な特徴として、「観測車両の速度の時間的変化が小さいにも拘わらず、被観測車両との間の距離の時間的変化が大きいほど、被観測車両の運転特性が強く出ている」ことにある。即ち、観測車両の動きに対して、被観測車両の動きが大きいほど、被観測車両が特別な動きをしていると想定できる。そのような特徴量データを入力した運転特性推定エンジン12は、被観測車両における否定的な所定運転特性の尤度を高く推定することが好ましい。これによって、被観測車両の所定運転特性が明確となって出力される。

0045

運転特性推定エンジン12の所定運転特性としては、危険運転特性、情緒不安定性、非協調性、速度急変性、急発進性、急停止性、蛇行性のいずれか又はそれらの組み合わせであってもよい。

0046

「危険運転特性」とは、例えば、交通ルール違反の可能性(速度超過/未達や一時停止違反、信号無視横断歩行者無視、禁止区間での車線変更など)、交通マナー違反の可能性(急な割り込み、急な交差点進入など)、他車妨害運転の可能性(煽り運転、幅寄せなど)、その他の危険運転の可能性(急加速減速急ハンドル、急停止など)を意味する。このように、危険運転として観測された過去多数の特徴量データを教師データとして学習する。

0047

また、危険運転特性に影響する運転手の心理特性として、「情緒不安定性」「非協調性」(ビッグ5パーソナリティとして、その他、「非外向性」「非勤勉性」「経験の閉鎖性」)がある。これらの心理特性は、多数のユーザに対してアンケートによってユーザ毎に予め取得しておき、その心理特性に応じてユーザの運転する車両が観測された過去の特徴量データを教師データとして学習することができる。

0048

更に、危険運転特性に影響する運転操作として、「速度急変性」「急発進性」「急停止性」がある。また、「蛇行性」もあり、例えばカメラによって取得された映像データから、道路区画線に対する車両の変移によって計測される。これら運転操作も、危険運転として観測された過去多数の特徴量データを教師データとして学習することができる。

0049

その他、運転特性推定エンジン12の所定運転特性として、様々な指標を用いることができる。
例えばDSQ(Driving Style Questionnaire)スコア、WSQ(Workload Sensitivity Questionnaire)スコアがある。
DSQは、運転に取り組む態度志向考え方の指標であり、「運転スキルへの自信」「消極性」「せっかち」などの項目について、アンケートに基づいて5点満点のスコアで定量化される。
WSQは、どのような種類の運転負担を強く感じるかの指標であり、「交通状況把握」「道路環境把握」「運転集中阻害」などの項目について、アンケートに基づいて5点満点のスコアで定量化される。
例えば自動車事故対策機構(NASVA)で実施されている「運転者適性診断」によれば、受診者の「認知処理機能」について、危険感受性、注意の配分、判断・動作のタイミング、動作の正確さ、を測定し、定量的なスコアを算出する。また、その他、「心理性格面」について、他人に対する好意気持ちのおおらかさ、協調性、感情の安定性のスコアも算出する。
尚、例えば欧米で運転手の心理特性の測定に用いられているDBQ (Driving Behavior Questionnaire)、DBI(Driving Behavior Inventory)、DAS(Driving Anger Scale)などの、回答結果及び回答結果から算出されるスコアであってもよい。

0050

また、運転特性推定エンジン12の所定運転特性は、運転操作に限定しない一般的な心理特性であってもよい。例えば情動共感性尺度やEAEQ(Everyday Attentional Experiences Questionnaire)、SSS(Sensation Seeking Scale)、FFM(Five Factor Model)などの指標で算出されたスコアであってもよい。

0051

図5は、運転特性推定エンジンの入力及び出力を表す説明図である。

0052

図5によれば、運転特性推定エンジン12は、「情緒不安定性」における尤度(確率やスコア)を出力している。ここでは、情緒不安定性の尤度として「低」「中」「高」のいずれかが出力されている。例えば尤度の分布における相対的なレベル(例えば、平均+標準偏差以上であれば「高」、平均−標準偏差以下であれば「低」、それ以外は「中」)を推定するものであってもよい。
例えば、運転特性推定エンジン12は、特徴量データ(1)に対して「高:0.8」「中:0.1」「低:0.1」を出力している。全ての特徴量データについて尤度を計算した後、平均し、最も尤度が高いラベルを推定結果として出力する。図5によれば、「高」の尤度の平均値が最も高いために、「情緒不安定性:高」として推定結果を出力する。

0053

図6は、本発明における携帯端末の機能構成図である。

0054

図6によれば、携帯端末1は、図2の運転特性推定装置の各機能構成部に加えて、映像データ記憶部130と、映像変化検出部131と、音データ記憶部140と、音変化検出部141と、車両情報記憶部150と、車両情報変化検出部151と、アラーム表示部16と、データ統合部17とを更に有する。これら機能構成部は、装置に搭載されたコンピュータを機能させるプログラムを実行することによって実現される。

0055

[映像データ記憶部130]
映像データ記憶部130は、観測車両から見た被観測車両が映る映像データを記憶したものである。映像データは、カメラ(RGBカメラやデプスカメラ)によって撮影されたものである。

0056

[映像変化検出部131]
映像変化検出部131は、映像データ記憶部130を用いて、当該被観測車両の映像変化を検出する。映像変化としては、観測車両から見た被観測車両の「ランプの点滅変化」を検出することができる。ランプとしては、ブレーキランプやウィンカ、ヘッドライトがある。特に、被観測車両が煽り運転をしている場合、ランプを点滅させることも多い。
また、映像変化として、観測車両から見た被観測車両の「角速度」も検出することができる。
ここで検出された「映像変化」は、特徴量データ生成部11の特徴量データにおける要素として含まれる。

0057

[音データ記憶部140]
音データ記憶部140は、観測車両の周辺の音データを記憶したものである。音データは、マイクによって録音されたものである。

0058

[音変化検出部141]
音変化検出部141は、音データ記憶部140を用いて、所定周波数帯の音変化を検出する。音変化としては、クラクションや人の罵声のような周波数帯を検出する。特に、被観測車両が煽り運転をしている場合に、このような音変化が検出されることも多い。
ここで検出された「音変化」は、特徴量データ生成部11の特徴量データにおける要素として含まれる。

0059

[車両情報記憶部150]
車両情報記憶部150は、CAN(Controller Area Network)内で送受信される車両情報を記憶する。
車両情報としては、以下のように様々な情報がある。
走行状態情報操舵(横方向加速度前輪切れ角など)、制動(停止までの制動距離、前方加速度、タイヤ回転数など)、駆動(車速、後方加速度、タイヤ回転数など)
周囲環境情報)前方/後方/側方の障害物までの距離、車線逸脱状況
運転操作情報)アクセル/ブレーキペダル踏み込み度、ハンドル操舵角操舵角速度ウィンカーワイパーパワーウィンドウなどの各種装置の操作状況

0060

[車両情報変化検出部151]
車両情報変化検出部151は、車両情報記憶部150を用いて、所定の車両情報の変化を検出する。特に、被観測車両が煽り運転をしている場合に、このような車両情報に急激な変化が検出されることも多い。

0061

[アラーム表示部16]
アラーム表示部16は、運転特性推定エンジンから出力された尤度が所定閾値以上となった際に、被観測車両の運転手の運転特性を、当該観測車両の運転手にアラームとして表示する。アラームは、携帯端末1のディスプレイに表示するものであってもよいし、スピーカから音声によって注意を喚起するものであってもよい。
例えば前述した図1のような場合、観測車両の運転手は、前方に見える被観測車両に対する事故リスクに注意して、距離を空けて運転するようにすることができる。

0062

図7は、第2の特徴量データを表す説明図である。

0063

図7によれば、図4と比較して、特徴量データの要素として、角速度及び角度と、ブレーキランプの点滅とが更に含まれている。角速度は、当該観測車両に配置された携帯端末1の加速度センサによって計測することができる。角度及びブレーキランプは、当該被観測車両が映り込んだ映像データから検出することができる。尚、角速度や角度、ブレーキランプの縦軸の尺度はそれぞれ、任意に設定されたものである。
そして、経過時間をウィンドウ(一定の時間間隔)に分割し、ウィンドウ毎に、速度及び距離と、角速度、角度及びブレーキランプを要素とするベクトルを、特徴量データとして生成する。
勿論、図4と同様に、特徴量データの要素となる角速度及び角度は、値そのものに限られず、平均値や最大値、最小値、中央値、第一・第三四分位値、分散、FFT(高速フーリエ変換)後の周波数成分毎の振幅等であってもよい。また、ブレーキランプも、ON/OFFのみならず、継続時間最短、最長、平均等に基づく値を、特徴量データの要素としたものであってもよい。

0064

図8は、複数の観測車両から特定の被観測車両をみた走行データの統合を表す説明図である。

0065

運転特性推定装置1の走行データ記憶部10は、複数の観測車両について、観測車両毎に、当該観測車両の速度と、当該観測車両から見た被観測車両との間の距離とを時系列に記憶するとする。
この場合、データ統合部17は、走行データ記憶部10を用いて、被観測車両毎に、複数の観測車両からの走行データを時間軸上に統合する。これによって、1台の被観測車両に対して、長時間の走行データを得ることができる。また、一方の観測車両から見て当該被観測車両が死角となっていても、他方の観測車両の走行データで補うことができる。
そして、特徴量データ生成部11は、データ統合部17によって統合された被観測車両毎の走行データを入力し、被観測車両毎に、特徴量データに区分する。

0066

図8によれば、1台の被観測車両Aを、5台の観測車両a〜eから見ることができる。即ち、各観測車両a〜eから、被観測車両Aを見た走行データが得られることとなる。
このとき、データ統合部17は、複数の観測車両a〜eによって得られた走行データが、1台の被観測車両Aを見たものであることを特定する必要がある(被観測車両の特定方法)。
その上で、データ統合部17は、被観測車両Aに対して、各観測車両a〜eから得られた走行データを統合する(走行データの統合方法)。

0067

(被観測車両の第1の特定方法)
例えば観測車両から見た被観測車両の走行データの取得時刻における位置を用いることができる。
具体的には、一方の観測車両aは、当該観測車両aの位置と、被観測車両Aとの間の距離(及び角度)とから、被観測車両Aの位置を特定する(例えば図3参照)。同様に、他方の観測車両bも、当該観測車両bの位置と、被観測車両Aとの間の距離(及び角度)とから、被観測車両Aの位置を特定する。2つの位置が所定距離以内であれば、同一の被観測車両として特定することができる。
(被観測車両の第2の特定方法)
例えば観測車両から見た被観測車両の映像データの画像認識結果を用いることもできる。
具体的には、被観測車両が映り込む映像データから、ナンバープレートや形状・色のような車両特徴を認識し、走行データに対応付けて記憶する。同一の車両特徴の走行データは、同一の被観測車両として特定することができる。

0068

図8によれば、経過時間に応じて以下のような時間帯に区分される。
時間帯t1:観測車両aから見た被観測車両Aに対する走行データ
時間帯t2:観測車両a及びbの両方から見た被観測車両Aに対する走行データ
時間帯t3:観測車両bから見た被観測車両Aに対する走行データ
時間帯t1及びt3では、1台の観測車両からの走行データしか得られていないので、データ統合部17は、それら走行データをそのまま出力することができる。

0069

(走行データの第1の統合方法)
時間帯t2では、2台の観測車両a及びbから走行データが得られているので、いずれか一方の走行データを出力するものであってもよい。その場合、被観測車両との距離が短い(近い)方の観測車両によって得られた走行データを選択することが好ましい。また、他の実施形態として、距離センサ(及びカメラ)の精度が高い方の走行データを選択するものであってもよい。その場合、観測車両毎のセンサ精度情報も収集する必要がある。
(走行データの第2の統合方法)
時間帯t2では、2台の観測車両a及びbからの走行データを、値として統合するものであってもよい。この場合、走行データの変化量に基づいて任意の計算式によって算出することも好ましい。

0070

図9は、運転特性推定エンジンにおける学習モデルを構築する機能構成図である。

0071

図9によれば、走行データが所定運転特性に基づく所定条件を満たした際に、当該走行データを含む時系列に複数の走行データを教師データとして選択する学習データ選択部18を更に有する。所定条件とは、例えば危険運転と判断するために予め設定された走行データ(速度、距離と共に、角度、角速度など)の閾値を意味する。
学習データ選択部18は、例えば速度及び距離の関係が所定条件(例えば加速度が所定閾値以上)を満たした場合、そのような走行データは例えば危険運転であるとして選択する。ここでは、所定条件を満たした走行データのみならず、その走行データを含む時系列範囲の複数の走行データを選択する。即ち、その走行データが検出される前段の走行データや後段の走行データも含まれるのが好ましい。
尚、このような所定条件は、CANから得られる道路情報や交通情報によって異なるものとすることも好ましい。道路状況等によって、例えば危険運転の種類も異なることが想定されるためである。

0072

これに対し、特徴量データ生成部11は、選択された走行データを所定時間範囲(ウィンドウ)毎に区分することにより、速度及び距離を要素とした特徴量データを生成する。これら特徴量データは、例えば危険運転に基づく特徴量データとすることができる。

0073

そして、運転特性推定エンジン12は、異なる所定時間範囲(ウィンドウ)の複数の特徴量データを、所定運転特性に基づく教師データとして入力することによって、被観測車両の運転手における所定運転特性の尤度を出力するべく学習モデルを構築する。これによって、実運用の中で、学習モデルを構築することができる。

0074

以上、詳細に説明したように、本発明のプログラム、装置及び方法によれば、観測車両から見て、その観測車両の周辺で走行中の被観測車両の運転信号・車両信号を取得できなくても、その被観測車両の運転手の心理特性を推定することができる。

0075

前述した本発明の種々の実施形態について、本発明の技術思想及び見地の範囲の種々の変更、修正及び省略は、当業者によれば容易に行うことができる。前述の説明はあくまで例であって、何ら制約しようとするものではない。本発明は、特許請求の範囲及びその均等物として限定するものにのみ制約される。

0076

1運転特性推定装置、携帯端末
10走行データ記憶部
11特徴量データ生成部
12 運転特性推定エンジン
130映像データ記憶部
131映像変化検出部
140 音データ記憶部
141音変化検出部
150車両情報記憶部
151 車両情報変化検出部
16アラーム表示部
17データ統合部
18学習データ選択部

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

該当するデータがありません

ページトップへ

技術視点だけで見ていませんか?

この技術の活用可能性がある分野

分野別動向を把握したい方- 事業化視点で見る -

(分野番号表示ON)※整理標準化データをもとに当社作成

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

該当するデータがありません

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ