CN107924633B - 信息处理设备、信息处理方法和程序 - Google Patents

Abstract

[问题]提出了一种能够给司机提供更多有用信息的信息处理设备、信息处理方法和程序。[解决方案]提供一种信息处理设备，其包括：预测部，其被配置为预测用户驾驶的车辆的事故概率；和输出控制部，其被配置为使得信息输出至所述用户，所述信息对应于增大所述预测部预测的事故概率的因素。

Description

信息处理设备、信息处理方法和程序

技术领域

本公开涉及一种信息处理设备、信息处理方法和程序。

背景技术

近年来，一种使用诸如车载传感器或道路上的监视相机等传感器以提高车辆安全性的交通系统已经引起注意。在该交通系统中，综合了由多个传感器所检测的信息，从而提取有用信息。将该信息通知司机，将该信息看作自动驾驶的输入信息等等是所述信息的用途。

作为这种技术的一个示例，例如，下面的专利文献1公开了一种系统，该系统记录了司机在驾驶过程中估计已经感觉到了危险的地点，并且当靠近该地点的时候发出警告。

引文列表

专利文献

专利文献1：JP2007-47914A

发明内容

技术问题

然而，上述专利文献公开的技术仅仅基于过去的记录发出警告。因此，在过去的记录时间之后情况改变的情况下，提供给司机的信息在某些情况下是没有用的。本公开内容然后提出了一种能够给司机提供更多有用信息的信息处理设备、信息处理方法和程序。

技术方案

根据本公开内容，提供了一种信息处理设备，其包括：预测部，其被配置为预测用户驾驶的车辆的事故概率；和输出控制部，其被配置为将信息输出至用户，所述信息对应于增大由所述预测部预测的事故概率的因素。

另外，根据本公开内容，提供了一种信息处理方法，其包括：预测由用户驾驶的车辆的事故概率；以及使得输出设备将信息输出至用户，所述信息对应于增大所预测的事故概率的因素。

另外，根据本发明，还提供一种程序，该程序使得计算机用作：预测部，其被配置为预测用户驾驶的车辆的事故概率；和输出控制部，其被配置为将信息输出至用户，所述信息对应于增大由所述预测部预测的事故概率的因素。本发明的有益效果

如上所述，根据本公开，可以给司机提供更多有用信息。注意，上述效果不一定是限制性的。通过上述效果或者取代上述效果的是，可以实现本说明书中描述的效果或从本说明书中获得的其它效果中的任何一种。

附图说明

[图1]图1是描述根据本实施例的系统的概述的说明图。

[图2]图2是图示了根据本实施例的传感器设备的逻辑配置的示例的框图。

[图3]图3是图示了根据本实施例的服务器的逻辑配置的示例的框图。

[图4]图4是描述根据本实施例的UI示例的图。

[图5]图5是描述根据本实施例的UI示例的图。

[图6]图6是描述根据本实施例的UI示例的图。

[图7]图7是描述根据本实施例的UI示例的图。

[图8]图8是描述根据本实施例的UI示例的图。

[图9]图9是描述根据本实施例的UI示例的图。

[图10]图10是描述根据本实施例的UI示例的图。

[图11]图11是描述根据本实施例的UI示例的图。

[图12]图12是描述根据本实施例的UI示例的图。

[图13]图13是描述根据本实施例的UI示例的图。

[图14]图14是图示了根据本实施例的系统中执行的预测模型学习处理的流程的示例的序列图。

[图15]图15是图示了根据本实施例的传感器设备中执行的事故概率预测处理的流程的示例的流程图。

[图16]图16是图示了根据本实施例的传感器设备中执行的特征向量生成处理的流程的示例的流程图。

[图17]图17是图示了在根据本实施例的传感器设备中执行并且涉及与地图相关的事故信息的特征向量生成处理的流程的示例的流程图。

[图18]图18是图示了在根据本实施例的传感器设备中执行并且涉及前兆现象的发生概率的特征向量生成处理的流程的示例的流程图。

[图19]图19是图示了车辆系统的示意性配置的示例的框图。

[图20]图20是图示了信息处理设备的硬件配置的示例的框图。。

具体实施方式

在下文中，将参照附图详细描述本公开文本的一个或者多个优选实施例。在本说明书以及附图中，具有基本上相同功能和结构的结构元件以相同的附图标记进行标注，并且省略这些结构元件的重复解释。

描述现在将以下列顺序进行。

1.介绍

1.1.概述

1.2技术问题

2.配置示例

2.1.传感器设备100的配置示例

2.2.服务器30的配置示例

3.技术特征

4.处理流程

5.硬件配置示例

6.结论

<<1.介绍>>

<1.1.概述>

首先，将参照图1描述根据本发明的实施例的系统1的概述。

图1是根据描述本实施例的系统1的概述的说明图。图1图示了车辆10A和车辆10B分别行驶在X方向和Y方向，并且进入交叉口的情形。例如，在车辆10A的司机不能从视觉上识别出车辆10B的情况下，存在车辆10A和车辆10B碰撞的可能性。上述情况也适用于车辆10B的司机。在这种事故的发生被预测的情况下，所期望的是将合适的信息提供给车辆10A和10B的司机。

因此，系统1累积由各种传感器设备所检测的信息，预测事故概率，且将基于预测结果的信息提供至用户。

传感器设备(参照图2描述的传感器设备)例如可安装在诸如车辆10A和10B的可移动物体上。另外，传感器设备可例如安装在诸如交通灯20A和20B的基础设施上。例如，安装在车辆10A上的传感器设备和安装在交通灯20A上的传感器设备执行关于车辆10A的司机或车辆10A的检测。类似地，安装在车辆10B上的传感器设备和安装在交通灯20B上的装置传感器设备执行关于车辆10B的司机或车辆10B的检测。通过累积由这种检测得到的传感器信息，系统1能够基于所累积的传感器信息进行处理。例如，安装在车辆10A上的传感器设备能够提供信息至司机，以避免与车辆10B的事故。注意，通过各个传感器设备获得的传感器信息可在系统1中共享。

基于传感器信息的累积和累积的传感器信息的处理也可以在服务器30中执行。服务器30例如可在云计算上提供。将服务器30例如实施为设置在移动通信的基站处的可移动边缘计算(MEC)服务器在降低服务的延迟时间方面也是有效的。

<1.2.技术问题>

关于上述的系统1，上述专利文献1公开了一种系统，该系统基于传感器获得的信息记录司机在驾驶车辆的同时估计已经感觉到危险的地点，并且在接近所述地点的时候发出警告。然而，在专利文献1公开的系统中，在过去的记录时间之后情况改变的情况下，提供至司机的信息在某些情况下是无用的。进一步，司机仅仅接收警告，但是在某些情况下司机不清楚具体地执行什么事故避免动作。

鉴于这种情况，已设计了根据本发明的实施例的系统1。在根据本实施例的系统1中，可以预测事故概率，且将对应于增大事故概率的因素的信息输出至用户。

另外，例如作为一种用于避免事故的机构，一种技术可以用相机、传感器等来测量与附近的不同车辆或行人的距离，以预测碰撞，从而进行自动停止等等。然而，包括距离在内，还有大量必须加以考虑的信息。因此，根据本实施例的系统1使用影响事故的发生的各种信息以预测事故概率。

另外，基于事故情况分析事故的原因，但是因为事故的小绝对数量，分析有时是困难的。因此，根据本实施例的系统1通过甚至考虑事故的前兆现象来预测事故概率。

<<2.配置示例>>

<2.1.传感器设备100的配置示例>

图2为示出根据本实施例的传感器设备100的逻辑配置的示例的框图。如图2所示，传感器设备100包括检测部110、通信部120、输出部130、存储部140和控制部150。

(1)检测部110

检测部110检测有关车辆、车厢、乘客(司机或占用者)、车辆周围的环境等等的各种信息。检测部110包括诸如相机、雷达、惯性传感器或生物信息传感器的各种传感器，且输出所检测的传感器信息。

(2)通信部120

通信部120是用于以有线/无线的方式向另一个设备发送数据并且从另一个设备接收数据的通信模块。例如，通信部120与另一个传感器设备100或服务器30进行通信。

(3)输出部130

输出部130通过使用视频、图像、声音、振动等等输出信息。例如，在传感器设备100安装在车辆上的情况下，输出部130输出信息至乘客。另外，在传感器设备100安装在交通灯上的情况下，输出部130输出信息至附近车辆的乘客或附近的行人。

(4)存储部140

存储部140暂时或永久地存储程序和各种数据，以用于传感器设备100的操作。

(5)控制部150

控制部150提供传感器设备100的各种功能。控制部150包括预测部152和输出控制部154。注意，不仅包括这些组成元件，控制部150还可以进一步包括其它组成元件。即，控制部150不仅可以执行这些元件的操作，还可以执行其它操作。下面将详细地描述预测部152和输出控制部154的操作。

<2.2.服务器30的配置示例>

图3为示出根据本实施例的服务器30的逻辑配置的示例的框图。如图3所示，服务器30包括通信部310、学习数据数据库(DB)320和控制部330。

(1)通信部310

通信部310是用于以有线/无线的方式向另一个设备发送数据并且从另一个设备接收数据的通信模块。例如，通信部310与传感器设备100或外部DB40通信。

(2)学习数据DB320

学习数据DB320存储学习数据。学习数据是包括特征向量和事故信息的信息。事故信息可以从连接至系统1的传感器设备100或从外部DB40获得。事故信息是包括事故发生是否存在的信息，且在事故发生的情况下，包括事故的细节(地理位置、事故类型、发生日期和时间、发生环境、肇事者和受害人的属性以及与事故有关的车辆的标识信息)。外部DB40是例如由出版部门、交通部门、国家等等使用的DB，且积累事故信息。注意，这里的事故是指诸如导致伤害或死亡的事故的所谓的交通事故，或者是导致财产损失的事故。

(3)控制部330

控制部330提供服务器30的各种功能。控制部330包括存储控制部332和学习部334。注意，控制部330不仅包括这些元件，还可进一步包括其它元件。即,控制部330不仅可执行这些元件的操作，还可以执行其它操作。下面详细地描述存储控制部332和学习部334的操作。

<<3.技术特征>>

接下来，将描述根据本实施例的系统1的技术特征。下面描述技术特征，重点描述安装在车辆上的一个传感器设备100。上面安装有传感器设备100的车辆也称为自己车辆，并且另一个车辆也称为不同车辆。另外,不同于关注的传感器设备100的传感器设备也称为另一个传感器设备。

(1)事故概率预测

传感器设备100(例如预测部152)预测用户(司机)驾驶的车辆(自己车辆)的事故概率。注意，下面除非特别申明，司机将指代自己车辆的司机。

传感器设备100基于有关司机或自己车辆的特征预测事故概率。这使得可以预测为司机或自己车辆个性化的事故概率。另外，传感器设备100可以基于有关不同车辆的特征预测事故概率。这使得有可能预测为司机或自己车辆个性化的事故概率，并且也考虑了与不同车辆的关系。作为一个或多个特征的组合的特征向量可用于预测事故概率。下面详细地描述特征向量的具体示例。

传感器设备100通过各种方法预测事故概率。下面例如描述使用逻辑回归模型的预测方法。预测公式的示例如下面的数学式(1)所示。

[数学式1]

这里，

[数学式2]

y∈{1，0}…(2)

示出事故是否发生。更具体地，y＝1表示事故发生，而y＝0表示没有事故发生。

[数学式3]

x∈R^d…(3)

表示特征向量，并且是预测事故所必须的信息所转换成的数值向量。d表示特征的维度。

[数学式4]

w∈R^d…(4)

是参数，并且根据机械学习进行设置/更新。在服务器30中学习的预测模型(即参数w)用于传感器设备100(例如预测部152)的预测。

服务器30(例如存储控制部332和学习数据DB320)累积从每个车辆(更严格地说是安装在每个车辆上的传感器设备100)传送的特征向量x。进一步地，服务器30累积从每个车辆或外部DB40传送的事故信息。因此，服务器30保持大量的配对(x，y)。服务器30(例如学习部334)将该配对用作学习数据，以学习预测模型(例如参数w)。

例如，将描述用于学习预定时间(例如一分钟之后)之后预测事故概率的预测模型的学习数据是如何。学习数据包括在预定时间(例如一分钟内)发生事故的时刻获得的特征向量x和y＝1的配对。另外，学习数据包括在预定时间(例如一分钟内)没有发生事故的时刻获得的特征向量x和y＝0的配对。

(2)特征向量

传感器设备100(例如预测部152)获取用于预测事故概率的特征向量。特征向量可在传感器设备100中生成或在另一个设备(例如服务器30或另一个传感器设备100)中生成。例如，将描述在传感器设备100中生成特征向量的情况。例如，传感器设备100(例如预测部152)基于检测部110检测的传感器信息或者通过通信部120从另一个设备(例如另一个传感设备100、服务器30等等)获得的信息生成特征向量。假设符号特征被转换成数值向量作为一个one-of-k特征向量。

传感器设备100(例如预测部152)耦接一个或多个获得的特征向量。传感器设备100将耦接的特征向量输入至预测模型中以预测事故概率。

特征向量例如可被分类为驾驶特征向量或属性特征向量。驾驶特征向量是基于实时检测的传感器信息的特征向量。具体而言，驾驶特征向量也可以是有关每个预定时段(每10秒等)的实时驾驶的特征向量。驾驶特征向量用于预测事故概率，从而可以根据实时情况预测事故概率。属性特征向量是基于累积的或注册的信息的特征向量。具体而言，属性特征向量也可以是有关司机或自己车辆的特征的特征向量。属性特征向量用于预测事故概率，从而可以根据司机或自己车辆的特征预测事故概率。

特征向量还可以用于学习事故概率的预测模型。因此，传感器设备100(例如通信部120)定期地发送传感器信息或特征向量至服务器30。在那时，假设传感器设备100发送与自己车辆的标识信息、事故存在与否有关的传感器信息或特征向量，以及在事故发生的情况下发送表示事故细节的信息。

传感器设备100(例如通信部120)可以在事故概率的预测结果大于或等于阈值的时间段内单独发送传感器信息或特征向量。另外，在下面描述的事故或前兆现象发生的时刻之前或者之后的预定时间段内，传感器设备100也可单独发送传感器信息或特征向量。这些实现了数据传输量的减少。另外，这些防止预测模型过分地适应于事故或其前兆现象不会发生的学习数据。

下面具体地描述驾驶特征向量和属性特征向量。

(2.1)驾驶特征向量

下面示出了驾驶特征向量中包括的特征向量的项目的示例。通过耦接下面示出示例的一个或多个特征向量生成驾驶特征向量。

(外部物体信息)

外部物体信息是有关由相机、雷达等等检测到的并且在自己车辆外部存在的物体的特征向量。外部物体信息例如可包括物体的坐标、大小、速度和方向、以及加速度和方向、信息的可靠性和检测时间。

(车辆运动信息)

车辆运动信息是示出由加速度传感器等等检测的自己车辆的运动状态的特征向量。车辆运动信息例如可包括自己车辆的速度和加速度及其方向。

(车辆操作信息)

车辆运行信息是示出司机对自己车辆的操作状态的特征向量。车辆操作信息可例如包括下面信息。

-指示灯是否在操作

-挡风玻璃刮水器是否在操作

-每个反射镜的角度

-每个窗户是否打开，以及开放的程度

-灯是否打开

-变速杆的位置

-踩刹车的程度

-踩加速器的程度

-是否踩在离合板上

(生物信息)

生物信息是表示乘客(具体是司机)的生物信息的特征向量。生物信息可例如包括表示血压、心率、体温、血糖和流汗量的信息。生物信息可以由设置在车厢上的生物信息传感器检测。可替代地，生物信息可以由设置在乘客携带的移动装置上的生物信息传感器检测，并且发送至系统1(例如安装在乘客乘坐的车辆上的传感器设备100)。生物信息也可以是统计值，例如是测量值的按时间顺序变化的平均值。

(生物状况信息)

生物状况信息是基于生物信息估计的并且表示乘客的状况的特征向量。生物状况信息可包括表示注意力度、饥饿度、困倦度等等的信息。这些种类的信息可例如基于血糖值、贬眼频率、视线偏差度等等进行估计。

(车厢环境信息)

车厢环境信息是表示车厢环境的特征向量。车厢环境信息可例如包括表示乘客数量的信息。表示乘客数量的信息可例如由设置在车厢座位上的相机或压力感测传感器识别。车厢环境信息可例如包括表示温度、湿度或大气压的信息。车厢环境信息可例如包括表示窗户模糊程度的信息。表示窗户模糊程度的信息可例如基于由车厢的相机拍摄的窗户的拍摄图像识别。车厢环境信息可例如包括表示谈话是否正在进行的信息。表示谈话是否正在进行的信息可例如基于由车厢的麦克风所拾取的声音识别。车厢环境信息可例如包括表示音乐的音量的信息。表示音乐的音量的信息可例如是汽车立体声的设定值或者基于由车厢的麦克风拾取的声音识别出。车厢环境信息也可以是诸如测量值的按时间顺序变化的平均值等的统计值。

(司机身体状况信息)

司机身体状况信息是表示司机的身体状况的特征向量。司机身体状况信息可例如包括表示司机的视线的信息。表示司机的视线的信息可以例如是表示眼球在预定时间段内的运动以及瞳孔的状况和在其中的改变的信息，并且可以基于通过拍摄眼球获得的拍摄图像通过图像识别来识别。司机身体状况信息可例如包括表示司机如何转动方向盘的信息。表示如何转动方向盘的信息可以例如是表示转动方向盘的模式的信息，或者也可以是诸如方向盘的角速度的按时间变化的平均值等的统计值。司机身体状况信息可例如包括表示司机如何握持方向盘的信息。表示如何握持方向盘的信息可以例如是表示方向盘是否通过双手握持、或握持位置的信息，并且可通过图象识别或设置在方向盘上的传感器识别出。司机身体状况信息可例如包括表示司机的姿态的信息。表示司机的姿态信息可以例如是表示座位的状况(就座面和背面的位置和角度)的信息，并且可通过设置在座位上的传感器识别出。司机身体状况信息可以例如是表示司机是否扣紧他或她的安全带的信息，并且可通过设置在安全带上的带扣的传感器识别出。

(天气信息)

天气信息是表示自己车辆的驾驶位置的天气的特征向量。天气信息可例如包括下面信息。

-是否存在雨或雪

-温度和湿度

-是否有雾

(驾驶路线信息)

驾驶路线信息是表示自己车辆的驾驶路线的状况的特征向量。驾驶路线信息可例如基于车辆外部的相机拍摄的拍摄图像的图象识别结果或地图信息识别。驾驶路线信息可例如包括下面的信息。

-是否是斜坡

-是否是高速公路

-是否是桥

-是否是铺设的驾驶道路

(与地图相关的事故信息)

与地图相关的事故信息是表示在过去发生的事故的特征向量，并且包括与事故发生位置的位置信息相关的信息。例如，从与某个交叉口或弯道相距预定距离内发生的事故信息的每一项中，创建并且耦接所述交叉口或弯道的特征向量。作为一种用于预测事故概率的特征向量，可采用预测出在预定时间内由自己车辆通过的交叉口或弯道的特征向量的总和。注意,预测出在预定时间内由自己车辆将要通过的交叉口或弯道被认为是在假设自己车辆沿道路直行的情况下预测将要通过的交叉口或弯道，并且保持自己车辆在预测的时候的速度。

(累积的驾驶时间信息)

累积的驾驶时间信息是表示司机的驾驶时间的累积值的特征向量。例如，驾驶时间的累积值可以是从最后停车开始的累积值。

(2.2)属性特征向量

下面示出了属性特征向量中包括的特征向量的项目的示例。通过耦接下面示出示例的一个或多个特征向量生成属性特征向量。

(驾驶历史路线信息)

驾驶历史信息是表示在最近的预定时段(例如一年)内的司机的驾驶历史的特征向量。作为表示驾驶历史的信息，可例如包括自己车辆的速度、驾驶路线、制动时刻等等的信息。驾驶历史信息也可以是诸如测量值按时间顺序变化的平均值的统计值。驾驶历史信息可以与司机或自己车辆相关。

(司机属性信息)

司机属性信息是司机的属性信息的特征向量。司机属性信息可例如包括司机的驾驶经验的年数、年龄、性别等等。

(车辆属性信息)

车辆属性信息是自己车辆的属性信息的特征向量。车辆属性信息例如可包括汽车类型、型号名称、油耗、制造年份、过去的维修历史等等。

(驾驶熟练水平信息)

驾驶熟练水平信息是表示司机的驾驶熟练水平的特征向量。驾驶熟练水平信息例如按照五点标度来表达，并且可由司机报告。传感器设备100(例如控制部150)可以用回归模型为没进行报告的司机设置驾驶熟练水平。因此，传感器设备100将驾驶熟练水平视为响应变量并且作为驾驶历史信息和驾驶属性信息输入，并且通过机器学习创建回归模型。

(司机的习惯信息)

司机的习惯信息是表示司机的习惯的特征向量。司机的习惯信息例如是在关于多个司机的驾驶历史信息的分组结果中、目标司机所属的分组的ID。分组可例如在服务器30中进行。通过为一些司机预先定义习惯标签，通过机器学习来学习分类模型作为分类问题，该分类问题将关于各个习惯标签的输入视为驾驶历史信息，并且提供习惯标签至司机来进行分组。作为一种特定习惯，例如包括频繁改变车道、粗鲁驾驶等等。

(2.3)补充的信息

当预测事故概率时，例如，传感器设备100(例如预测部152)耦接并且使用各个上述的特征向量。在那时，可耦接在预测事故概率的时候实际获得的特征向量，或者可以耦接预测为在预测目标时间(例如一分钟之后)将要获得的特征向量。

另外，传感器设备100不仅可耦接和使用自己车辆的特征向量，而且也可以耦接并且使用在附近的不同车辆的特征向量。例如，可耦接预测出在预定时间之后(例如30秒之后)在附近(例如100m内)将要定位(假设一个或多个不同车辆沿道路直行的情况下通过，并且保持当前速度)的一个或多个不同车辆的特征向量的总和。

另外，一对特征向量可以视为一个特征向量。例如，司机的习惯信息和与地图相关的事故信息结合，以致于可表达有可能导致特定事故的司机的特定习惯，并且可以提高预测事故概率的准确性。

(3)学习

服务器30(例如学习部334)学习传感器设备100用于预测事故概率的预测模型。

例如，服务器30基于学习数据DB320中累积的特征向量以及表示是否有事故发生的信息，学习上述数学式(1)中的参数w。服务器30(例如通信部310)然后将表示学习结果的信息(例如参数w)通知连接至系统1的所有传感器设备100。在多个传感器设备100之间使用公共预测模型，但是特征向量被个性化。因此，可以预测个性化的事故概率。

传感器设备100(例如存储部140)存储表示学习结果的信息，服务器30将该学习结果通知传感器设备100。在预测的时候，传感器设备100(例如预测部152)然后使用存储的信息以构造预测模型。因此，在预测的时候，传感器设备100必须与服务器30通信。

不仅考虑事故，服务器30也可通过考虑事故的前兆现象(所谓的幸免事故)发生(诸如急转向或急刹车)的概率学习预测模型。通过使用考虑事故的前兆现象发生的概率所学习的预测模型，使得传感器设备100(例如预测部152)可以预测事故概率。考虑到将事故概率的预测结果通知(通常为警告)了司机，可以不仅防止事故，而且可以防止其前兆现象发生。因此，可以进一步提升自己车辆的安全性。这里，为了生成考虑前兆现象的预测模型以预测事故概率，与自己车辆的标识信息、表示前兆现象是否存在的信息以及表示前兆现象发生的情况下前兆现象的细节的信息相关联，假设传感器设备100发送传感器信息或特征向量至服务器30。

注意，关于急转向，在方向盘的转动加速度的改变以及自己车辆的加速度和方向的改变分别大于或等于阈值的情况下，确定为急转向。关于急制动，在踩刹车踏板的程度的改变以及自己车辆的加速度的改变分别大于或等于阈值的情况下，可以确定为急制动。注意，事故的前兆现象另外可以包括忽视交通灯、发动机失速、偏离道路、滑动、打滑等等。

下面描述用于使用前兆现象以预测事故概率的方法的示例。

-第一示例

例如，类似于事故概率的预测模型，服务器30(例如学习部334)学习前兆现象发生的概率的预测模型(例如类似于数学式(1)的模型)。服务器30然后包括特征向量中的前兆现象发生的概率，并且学习与事故概率有关的预测模型。传感器设备100(例如预测部152)首先预测前兆现象发生的概率，并且然后将前兆现象发生的概率耦接至特征向量以预测事故概率。-第二示例

例如，服务器30(例如学习部334)将前兆现象发生的概率的预测看作是事故概率的预测的另一个任务，并且执行转移学习。这里，

[数学式5]

z∈{1，0}…(5)

被引入以表示前兆现象是否发生。z＝1表示前兆现象发生，并且z＝0表示没有前兆现象发生。

类似于事故概率的预测模型，服务器30通过逻辑回归模型学习前兆现象发生的概率的预测模型。假设由学习得到的参数是w′。服务器30使用下面公式的评估函数以学习事故概率的预测模型。

[数学式6]

这里，n表示学习数据的数目，并且α表示任何常数。上述第一项表示可能性。通过考虑前兆现象发生的概率的预测模型(从而使得作为预测模型的输出离得太远)，上述第二项使服务器30学习事故概率的预测模型。

(4)用户界面

传感器设备100输出关于事故概率的预测结果的信息(例如输出控制部154使得输出部130进行输出)。参照图4至13，下面描述UI示例，其中，传感器设备100安装在车辆上。图4至13是用于描述根据本实施例的UI示例的图。

(4.1)关于事故概率本身的UI

传感器设备100可以输出表示事故概率的信息至司机。这使得司机可以在实时掌握事故概率的波动的同时进行驾驶。UI示例如图4所示。在如图4所示的示例中，速度计410和事故概率计420设置在仪表板400(输出部130)上。事故概率计420沿圆形的边缘具有从0至10的标度。事故概率计420通过使用指针421指向对应于预测的事故概率(从0至1)乘以10所获得的值的刻度，从而输出事故概率。指针421围绕圆的中心枢轴转动。在事故概率计420中，强调具有高数值的区域422。

传感器设备100可以以对数标度输出事故概率。如果考虑事故发生的频率通常较低，将事故概率表达为对数可以防止事故概率看起来像接近0％的值突然地切换至接近100％的值。UI示例如图5所示。在如图5所示的示例中，速度计410和事故概率计430设置在仪表板400(输出部130)上。在事故概率计430中，如圆形的边缘上的标度所示，事故概率表达为对数刻度。在事故概率计430中，强调具有高数值的区域432。

传感器设备100可输出表示事故概率按时间顺序过渡的信息。这使得司机在驾驶的同时，可以实时掌握事故概率从过去到当前的波动。进一步，传感器设备100可以基于未来事故概率的预测结果输出事故概率从当前到未来的按时间顺序的过渡。UI示例如图6所示。图6所示的UI表示事故概率的按时间顺序的过渡。纵轴表示事故概率，并且横轴表示时间。图6所示的UI可显示在例如设置在仪表板或汽车导航系统上的显示器上。

传感器设备100可输出基于事故概率的累积值的信息。例如，传感器设备100首先从标准值(例如预先定义的从驾驶开始90分钟)中减去或增加基于生物状况信息的修正项(例如注意力度、饥饿度或困倦度)，从而计算驾驶持续时间。传感器设备100然后计算从驾驶开始的事故概率的累积值，并且随着累积值的增大，减小并且输出驾驶持续时间或者基于驾驶持续时间计算出的驾驶持续距离。随着累积值增大，这种输出提示司机更专心于驾驶或休息一下。因此，可以进一步提升安全性。UI示例如图7所示。在图7所示的UI中，根据剩余燃料计算出的巡航持续距离显示在设置在速度计410的中部的显示器440的上部441上，并且上述驾驶持续时间显示在下部442上。作为基于事故概率的累积值的显示项，可以另外想到表示剩余体力值(HP)的项443、表示驾驶持续距离的项444以及表示在目的地之前需要休息的次数的项445。

传感器设备100可以输出有关事故概率的信息在地图上。例如，传感器设备100使用单独用属性特征模型构建的预测模型，以预测交叉口或弯道的事故概率，并且输出表示事故概率超过阈值的地点的信息。在那种情况下，期望的是，在“与地图相关的事故信息”的特征向量根据计划的驾驶路线上的交叉口或弯道更新之后预测事故概率。输出表示事故的概率超过阈值的地点的信息使得可以警告司机到了事故有可能发生的位置，并且提升安全性。为了相似目的，也可输出表示在过去发生事故的位置的信息。另外，传感器设备100可以表示事故概率较低的路线的信息。在那种情况下，可以提示司机在安全的路线上驾驶，并且提升安全性。由于相似目的，也可输出表示在过去没有事故发生或很少发生事故的路线的信息。UI示例如图8和9所示。在图8所示的UI中，在地图上显示自己车辆的当前位置450、计划的驾驶路线451以及事故概率超过阈值的地点452。另外，在图8所示的UI中，显示消息453以发出事故概率超过阈值的地点452存在的警告。在图9所示的UI中，在地图上显示自己车辆的当前位置450、计划的驾驶路线451、在过去大量事故发生的地点455以及事故概率较低的路线454。此外，在图9所示的UI中，显示了消息457和消息456，他们分别表示在过去大量事故发生的地点455的存在，以及事故概率较低的路线454的存在。这样，在地图上强调并且显示有关事故概率的信息(例如事故概率超过阈值的地点或事故概率较低的路线)，可以进一步提升安全性。

(4.2)有关事故概率增大的因素的UI

传感器设备100可输出对应于增大事故概率的因素的信息至司机。例如，传感器设备100输出表示该因素的信息。这使司机可以意识到增大事故概率的因素并且被警告，并且使得可能提升安全性。因素可以是特征本身、从该特征估计的信息或从对应于该特征的传感器类型估计的信息。在某些情况下，多个因素增大事故概率。在那种情况下，传感器设备100可以根据对增大事故概率的贡献的程度，输出表示从一个或多个因素选择出的因素的信息。具体而言，传感器设备100可以输出表示对于增大事故概率具有高度贡献的因素的信息(具有超过阈值的贡献度的因素或分别具有高等级的贡献度的预定数量的因素)。例如，当事故概率通过上述数学式(1)计算出时，可输出本身对于增大事故概率具有高度贡献的特征、从该特征估计的信息或者从对应于所述特征的传感器类型估计的信息。在逻辑回归模型用于预测的情况下，特征值和对应于所述特征的参数的值的乘积可用作贡献值。这种输出使司机识别出尤其具有高增加率的因素并且被警告，并且使得可以提升安全性。UI示例如图10所示。在图10所示的UI中，显示了消息460，以表示在图5所示的UI中事故概率的增大的因素。不仅例如可以显示该消息，也可以显示为每个因素预先定义的图标。

传感器设备100可以输出发出关于司机应该执行以减小事故概率的动作的指令的信息。具体而言，传感器设备100输出用于除去增大事故概率的上述因素的消息。这使得可以提示司机执行特定动作并且提升安全性。UI示例如图11所示。在图11所示的UI中，显示消息461以发出图10所示的UI中关于司机应该执行减小事故概率的动作的指令。

(4.3)其它

传感器设备100另外可以提供各种UI。图12和13图示了示例之一。

在图12所示的UI中，对应于驾驶情况的声音消息471被反馈，就如同显示在显示器470上的人物给出声音消息471。例如，传感器设备100产生反馈，以责备司机进行危险的操作，例如可导致事故的急加速以及急刹车，并且产生称赞司机进行安全驾驶的反馈。这种反馈使得司机专注于安全驾驶，如同司机玩游戏那样。

在图13所示的UI中，输出自己车辆480和不同车辆481A～481C之间的位置关系、以及表示事故发生情况下的疏忽比率的信息482A～信息482C。例如，根据信息482A，在自己车辆480和不同车辆481A导致事故的情况下，自己车辆480相对于不同车辆481A的疏忽比率预测为10～0。另外，根据信息482B，自己车辆480相对于不同车辆481A的疏忽比率预测为0～10。另外，根据信息482C，自己车辆480相对于不同车辆481A的疏忽比率预测为7～3。这种UI使司机从视觉上掌握司机注意哪个不同车辆。注意，图13所示的UI可显示在例如设置在仪表板或汽车导航系统上的显示器上。<<4.处理流程>>

接下来，参考图14～18，将描述将要在根据本实施例的系统1中执行的处理流程的示例。

(预测模型学习处理)

图14是图示了在根据本实施例的系统1中执行的预测模型学习处理的流程的示例的顺序图。在当前的顺序中，包括传感器设备100和服务器30。

如图14所示，传感器设备100(例如检测部110)首先检测传感器信息(步骤S102)。传感器设备100(例如预测部152)然后基于检测到的传感器信息生成特征向量(步骤S104)。接下来，传感器设备100(例如通信部)发送生成的特征向量至服务器(步骤S106)。尽管图14未示出，连接至系统1的多个传感器设备100发送特征向量至服务器30。

接下来，服务器30(例如存储控制部332和学习数据DB320)将通过将从一个或多个传感器设备100接收的特征向量与车辆的标识信息、事故发生是否存在、以及事故的细节相关联而获得的信息存储为学习数据(步骤S108)。服务器30(例如学习部334)然后从学习数据学习预测模型(步骤S110)。在预测模型是数学式(1)中所示的逻辑回归模型的情况下，服务器30学习参数w。接下来，服务器30(例如通信部310)在控制下发送表示学习结果的信息(例如参数w)至所有传感器设备100(步骤S112)。

传感器设备100(例如预测部152)然后基于接收到的表示学习结果的信息更新预测模型(步骤S114)。例如，预测部152用接收到的参数替换预测模型的参数。

这里处理结束。

(事故概率预测处理)

图15是图示了在根据本实施例的传感器设备100中执行的事故概率预测处理的流程的示例的流程图。

如图15所示，传感器设备100(例如检测部110)首先检测传感器信息(步骤S202)。传感器设备100(例如预测部152)然后基于检测到的传感器信息生成特征向量(步骤S204)。注意，此时生成的特征向量可不仅包括自己车辆的司机或自己车辆的特征向量，而且可包括不同车辆的司机或不同车辆的特征向量。接下来，传感器设备100(例如预测部)输入特征向量进入预测模型以预测事故概率(步骤S206)。传感器设备100(例如预测部152)然后执行输出处理(步骤S208)。例如，输出控制部154使得输出部130输出与事故概率本身有关的UI或与事故概率的增大的因素有关的UI。

这里处理结束。

(特征向量生成处理)

图16是图示了在根据本实施例的传感器设备100中执行的特征向量生成处理的流程的示例的流程图。本流程对应于上述步骤S104和步骤S204中的处理。

如图16所示，传感器设备100(例如预测部152)首先基于最近的传感器信息产生驾驶特征向量(步骤S302)。传感器设备100(例如预测部152)然后基于驾驶特征向量更新属性特征向量(步骤S304)。传感器设备100(例如预测部152)然后耦接驾驶特征向量和属性特征向量(步骤S306)。

这里处理结束。

接下来，作为单个的特征向量的生成处理的示例，将描述有关与地图相关的事故信息的特征向量的生成处理以及有关前兆现象的发生概率的特征向量的生成处理。

图17是图示了在根据本实施例的传感器设备100中执行的特征向量生成处理的流程的示例的流程图并且涉及与地图相关的事故信息。

如图17所示，传感器设备100(例如预测部152)首先识别预测的为在预定未来期间内将要通过的交叉口或弯道(步骤S402)。传感器设备100(例如预测部152)然后从服务器30获取与识别的交叉口或弯道相关的事故信息(步骤S404)。传感器设备100(例如预测部152)然后为每一条获得的事故信息生成特征向量(步骤S406)。传感器设备100(例如预测部152)然后获得一个或多个特征向量的总和，并且将总和耦接至驾驶特征向量(S408)。

这里处理结束。

图18是图示了在根据本实施例的传感器设备100中执行的特征向量生成处理的流程的示例的流程图并且涉及前兆现象的发生概率。

如图18所示，传感器设备100(例如预测部152)首先用预测模型预测前兆现象的发生概率(步骤S502)。该预测模型是前兆现象的发生概率的预测模型。接下来，传感器设备100(预测部152)将前兆现象的发生概率耦接至驾驶特征向量(步骤S504)。

这里处理结束。

<<5.硬件配置示例>>

本公开的技术适用于各种产品。例如，传感器设备100可以实现为安装在诸如汽车、电动车、混合电动车或摩托车的任何类型车辆上的设备。另外，传感器设备100的至少一些元件可以实现为用于安装在车辆上的设备的模块(例如包括一个晶片的集成电路模块)。

<5.1.车辆控制系统的配置示例>

图19是图示了可以应用本公开的技术的车辆控制系统900的示意性配置的示例的框图。车辆控制系统900包括电子控制单元902、存储设备904、输入设备906、车辆外部传感器908、车辆状况传感器910、乘客传感器912、通信IF914、输出设备916、动力生成设备918、制动设备920、转向设备922以及灯激活设备924。

电子控制单元902用作操作处理设备和控制设备，并且根据各种程序控制车辆控制系统900的总体操作。电子控制单元902可与下述的存储设备904一起被构造成电子控制单元(ECU)。车辆控制系统900中可以包括多个ECU(即电子控制单元902和存储设备904)。例如，可以设置用于控制各种传感器或者各种驱动系统的ECU，并且可进一步设置用于控制多个ECU的ECU。多个这些ECU通过车内通信网络来连接，车内通信网络例如是符合任何标准的控制器局域网(CAN)、局部互连网络(LIN)、局域网(LAN)或Flexray。图2所示的控制部150中例如包括电子控制单元902。

存储设备904是用于数据存储的设备，其被配置为车辆控制系统900的存储部的示例。存储设备904例如实施为诸如HDD的磁存储设备、半导体存储设备、光存储设备、磁光存储设备等等。存储设备904可包括记录介质、在记录介质中记录数据的记录设备、从记录介质读取数据的读出设备以及删除记录介质中记录的数据的删除设备。存储设备904存储电子控制单元902应该执行的程序、各种类型的数据、从外部获得的各种类型的数据等等。例如在图2所示的存储部140中可以包括存储设备904。

输入设备906通过乘客(司机或占有者)输入信息的诸如鼠标、键盘、触摸屏、按钮、麦克风、开关和手柄来实现。另外，输入设备906例如可以是使用红外线或其它无线电波的远距离控制设备，或者可以是对应于车辆控制系统900的操作的诸如移动电话或PDA的外部连接装置。另外，输入设备906可以例如是相机。在那种情况下，乘客可根据手势输入信息。进一步，输入设备906可例如包括基于用户使用上述输入设备输入的信息生成输入信号的输入控制电路等等，并且输出所生成的输入信号至电子控制单元902。乘客能够通过操作输入设备906输入各种数据至车辆控制系统900或命令车辆控制系统900进行处理操作。例如在图2所示的检测部110中可以包括输入设备906。

车辆外部传感器908通过检测车辆外部的信息的传感器来实现。例如，车辆外部传感器908可包括声纳设备、雷达设备、光检测和测距或者激光摄像检测和测距(LIDAR)设备、相机、立体摄影机、飞行时间(ToF)相机、红外传感器、环境传感器、麦克风等等。例如在图2所示的检测部110中可以包括车辆外部传感器908。

车辆状况传感器910通过检测有关车辆状况的信息的传感器来实现。例如，车辆状况传感器910可包括检测由司机执行的操作(诸如油门开启度、制动器踩踏力或方向盘角度)的传感器。另外，车辆状况传感器910可包括检测电源的状况(诸如内燃机或电机的旋转速度或扭矩)的传感器。另外，车辆状况传感器910可包括用于检测有关车辆的运动的信息的传感器(诸如陀螺仪传感器或加速度传感器)。另外，车辆状况传感器910可包括从GNSS卫星接收GNSS信号(例如来自于GPS卫星的全球定位系统(GPS)信号)的全球卫星导航系统(GNSS)模块，并且测量包括设备的纬度、经度和高度的位置信息。注意，关于位置信息，车辆状况传感器910可通过Wi-Fi(注册商标)、从可移动电话/PHS/智能电话等等收发、近场通信等等检测位置。在图2所示的检测部110中例如可以包括车辆状况传感器910。

乘客传感器912可通过检测关于乘客的信息的传感器来实现。例如，乘客传感器912可包括设置在车厢上的相机、麦克风和环境传感器来实现。另外，乘客传感器912可包括检测乘客的生物信息的生物传感器。生物传感器例如附接在座面、方向盘等等上，并且能够检测就坐在座位上的乘客或握持方向盘的司机的生物信息。在图2所示的检测部110中例如可以包括乘客传感器912。

注意，诸如车辆外部传感器908、车辆状况传感器910以及乘客传感器912的各种传感器各自输出表示检测结果的信息至电子控制单元902。这些各种传感器可基于电子控制单元902的控制设置检测区域、精确度等等。另外，这些各种传感器可包括基于原始数据执行识别处理的识别模块，所述识别处理诸如是基于拍摄的拍摄图像中包括的车道线的位置识别出道路上的自己车辆的驾驶位置的处理。

通信IF914是车辆控制系统900执行的与另一个设备进行通信的通信接口。通信IF914可例如包括V2X通信模块。注意，V2X通信是包括车对车通信以及车对基础设施通信的概念。此外，通信IF914也可包括用于无线局域网(LAN)、Wi-Fi(注册商标)、3G、长期演进(LTE)、蓝牙(注册商标)、近场通信(NFC)或无线USB(WUSB)的通信模块。例如，通信IF914能够按照预定协议(例如TCP/IP)从互联网或车辆外部的其它通信设备收发信号。图2所示的通信部120中例如包括通信IF914。

输出设备916实现为能够为从视觉上或听觉上将获得的信息通知乘客的设备。这种设备包括诸如仪表板、抬头显示器、投影仪或灯的显示设备以及诸如扬声器或耳机的声音输出设备。具体而言，显示设备以各种形式(诸如文字、图像、表格和图形)从视觉上显示由车辆控制系统900执行的各种处理获得的结果。在那时，可显示诸如增强现实(AR)对象的虚拟对象。同时，音频输出设备将包括再现音频数据、声数据等等的音频信号转换为模拟信号，并且听觉上输出模拟信号。在图2所示的输出部130中例如可包括上述显示设备和上述声音输出设备。

动力生成设备918是用于为车辆生成驱动力的装置。动力生成设备918可例如实现为内燃机。在那种情况下，动力生成设备918基于来自电子控制单元902的控制命令执行起动控制、停止控制、油门开启度控制、燃油喷射控制、废气再循环(EGR)控制等等。另外，动力生成设备可例如实现为电机、逆变器和电池。在那种情况下，动力生成设备918可基于来自电子控制单元902的控制命令通过逆变器从电池提供电力至电机，并且执行电机操作(所谓的供电)以输出正扭矩，并且执行再生操作以使得电机吸收扭矩以产生电力，并且给电池充电。

制动设备920是用于提供制动力至车辆或使得车辆减速或停止的设备。制动设备920例如可包括安装在每一个轮子处的制动器以及用于传输踩踏在刹车踏板上的力至制动器的制动器管路、电子电路等等。另外，制动设备920可包括诸如反锁制动系统(ABS)或电子稳定控制(ESC)的控制设备，以用于激活防止由制动控制导致的滑动或者滑行的机构。

转向设备922是用于控制车辆的前进方向(转向角度)的装置。转向设备922可例如包括方向盘、转向轴、转向齿轮、拉杆等等。另外，转向设备922可包括用于协助司机转向的动力转向设备。另外，转向设备922可包括电源(诸如用于实现自动转向的电机)。

灯激活设备924是激活各种灯(诸如车头灯、转向指示灯、位置灯、雾灯或停车灯)的设备。灯激活设备924例如控制灯的闪烁、光量、光照射方向等等。

注意，动力生成设备918、制动设备920、转向设备922以及灯激活设备924可基于司机执行的手动操作或基于电子控制单元902执行的自动操作而进入操作。

<5.2.信息处理设备的配置示例>

图20为示出根据本实施例的信息处理设备的硬件配置的示例的方框图。注意，图20所示的信息处理设备1000可例如实现图3所示的服务器30。根据本实施例的服务器30执行的信息处理通过软件与下述的硬件协同而实现。

如图20所示，信息处理设备1000包括中央处理器(CPU)1001、只读存储器(ROM)1002、随机存取存储器(RAM)1003以及主总线1004a。另外，信息处理设备1000包括桥1004、外部总线1004b、接口1005、输入设备1006、输出设备1007、存储设备1008、驱动器1009、连接端口1011以及通信设备1013。代替CPU1001或者与CPU1001结合，信息处理设备1000可包括处理电路(诸如DSP或ASIC)。

CPU1001用作操作处理设备和控制设备，并且根据各种程序控制信息处理设备1000的总体操作。另外，CPU1001可以是微处理器。ROM1002存储CPU1001使用的程序、操作参数等等。RAM1003暂时存储CPU1001的执行中使用的程序以及在执行期间适当地改变的参数等等。图3所示的控制部330中例如包括CPU1001。

CPU1001、ROM1002和RAM1003通过包括CPU总线等等的主总线1004a相互连接。另外，主总线1004a经由桥1004连接至诸如外围组件互连/接口(PCI)等外部总线1004b。注意，主总线1004a、桥1004和外部总线1004b不一定被配置为不同的组件，而是其功能可以在一个总线中实现。

输入设备906通过用户用于输入信息的诸如鼠标、键盘、触摸屏、按钮、麦克风、开关和手柄的设备来实现。另外，输入设备1006例如可以是使用红外线或其它无线电波的远程控制设备，或者可以是对应于信息处理设备1000的操作的诸如移动电话或PDA的外部连接装置。进一步，输入设备1006可例如包括基于用户使用上述输入设备输入的信息生成输入信号的输入控制电路等等，并且输出输入信号至CPU1001。信息处理设备1000的用户能够输入各种数据至信息处理设备1000，并且通过操作该输入设备1006命令信息处理设备1000进行处理操作。

输出设备1007包括能够从视觉上或听觉上通知用户获得的信息的设备。这种设备包括诸如CRT显示设备、液晶显示设备、等离子显示设备，EL显示设备、激光投影仪、LED投影仪和灯等显示设备，以及诸如扬声器和耳机等的音频输出设备，打印机设备等。输出设备1007例如输出从由信息处理设备1000执行的各种处理获得的结果。具体而言，显示设备以各种形式(文字、图像、表格和图形)从视觉上显示从信息处理设备1000执行的各种处理获得的结果。同时，音频输出设备将包括再现音频数据、声数据等等的音频信号转换为模拟信号，并且听觉上输出模拟信号。

存储设备1008是用于数据存储的设备，其被配置为信息处理设备1000的存储部的示例。存储设备1008例如实施为诸如HDD的磁存储装置、半导体存储装置、光存储器装置、磁光存储装置等等。存储设备1008可包括记录介质、在记录介质中记录数据的记录设备、从记录介质读取数据的读出设备以及删除记录介质中记录的数据的删除设备。存储设备1008存储将要由CPU1001执行的程序、各种数据、从外部获得的各种数据等等。在图3所示的学习数据DB320中例如包括存储设备1008。

驱动器1009是用于存储介质的读写器，并且内置或从外部附接至信息处理设备1000。驱动器1009读出记录在可移除存储介质(诸如安装的磁盘、光盘、磁光盘和半导体存储器)上的信息，并且输出读出的信息至RAM1003。另外，驱动器1009也能够将信息写入至可移除存储介质中。

连接端口1011是连接至外部装置的接口，并且是例如通过通用串行总线(USB)连接能够进行数据传输的外部装置的端口。

通信设备1013例如是用于连接至网络1020的包括通信装置等等的通信接口。通信设备1013例如可以是用于有线或者无线局域网(LAN)、长期演进(LTE)、蓝牙(注册商标)、无线USB(WUSB)等等的通信卡。另外，通信设备1013可以是用于光通信的路由器、用于非对称数字用户线(ADSL)的路由器、用于各种通信的调制解调器等等。该通信设备1013能够按照预定的协议(例如TCP/IP)例如从互联网或其它通信装置收发信号。图3所示的通信部310中例如包括通信设备1013。

注意，网络1020是信息从连接至网络1020的设备传送所经过的有线或者无线传输路径。网络1020可包括诸如互联网、电话网络和卫星网络等公共网络、包括以太网(注册商标)的各种局域网(LAN)、以及广域网(WAN)。另外，网络1020也可包括诸如互联网协议虚拟私人网络(IP-VPN)的专用线路网。

<5.3.补充信息>

上面已经描述了实现根据本实施例的传感器设备100或服务器30的功能的硬件配置的示例。上述元件的每一个可被配置为通用构件，并且也可被配置为每一个组件的功能中专用的硬件。因此，所使用的硬件配置可以根据本实施例实施时的技术水平适当地进行变换。

注意，可以创建实现根据上述实施例的传感器设备100或服务器30的各个功能的计算机程序，并且实现在ECU等等中的计算机程序。另外，还可以设置计算机可读取记录介质以将计算机程序存储在其中。记录介质的示例包括磁盘、光盘、磁光盘、闪存等等。另外，计算机程序也可不使用记录介质而例如通过网络来分配。

<<6.结论>>

上面参照图1～19详细地描述了本发明的实施例。如上所述，根据本实施例的传感器设备100预测用户驾驶的车辆的事故概率，并且将对应于增大预测的事故概率的因素的信息输出至用户。这清楚地显示出在事故概率高的情况下将要具体执行什么事故避免动作。因此，用户可以容易地执行事故避免动作，并且可以提升安全性。

另外，根据本实施例的传感器设备100使用各种影响事故的发生的各种特征向量以预测事故概率。例如，传感器设备100使用可影响事故的发生的以预测事故概率，各种特征向量例如是忘记打开转向灯(车辆操作信息)、注意力的降低(生物状况信息)、处于坏的形状(生物信息)、窗户变模糊(车厢环境信息)、雨或晚上(天气信息)，不观看周围(司机身体状况信息)、用一个手转动方向盘(司机身体状况信息)、事故很可能发生的交叉口(与地图相关的事故信息)、粗鲁的驾驶(司机的习惯信息)以及处于交叉口前面的蛮横的汽车(附近的不同车辆的驾驶熟练水平信息或事故概率)。这使得可以提高预测事故概率的准确性。

以上参考附图已经描述了本公开的优选的实施例，同时本公开并不限于上述示例。本领域技术人员在所附权利要求的范围内可发现各种改变和修改，并且应理解它们将自然地落入本公开的技术范围内。

例如，在上述实施例中，已经主要地描述了传感器设备100安装在车辆上的示例，本发明并不限于所述示例。例如，传感器设备100可安装在诸如飞机，自行车或摩托车的可移动物体上。另外，传感器设备100可以实现为诸如智能手机或头戴式显示器(HMD)的用户装置。另外，传感器设备100可实现为安装在环境中的交通灯，监视相机，数字signage或电子消息板的装置。在那种情况下，传感器设备100输出信息至例如在附近区域移动的车辆的司机。

另外，本文描述的每一个设备可实现为单个设备，或者其部分或全部可实现为不同设备。例如，在图2所示的传感器设备100的功能元件示例中，存储部140和控制部150可包括经由网络等等连接至检测部110、通信部120和输出部130的设备中。

另外，本文参照流程图和顺序图描述的处理不一定按照图示的顺序执行。一些处理步骤可并行执行。另外，也可以采用额外的处理步骤，同时可忽略一些处理步骤。

进一步，在本说明书中描述的效果仅仅是说明性或示例性的效果，而不是限制性的。即，从说明书的描述中，本领域技术人员显而易见的是，根据本公开的技术不仅具有上述效果或者替代上述效果的是，还可以实现其他效果。

此外，本发明也可被配置如下：

(1)

一种信息处理设备，其包括：

预测部，其被配置为预测用户驾驶的车辆的事故概率；和

输出控制部，其被配置为使得信息输出至所述用户，所述信息对应于增大所述预测部预测的所述事故概率的因素。

(2)

根据(1)所述的信息处理设备，其中，

所述输出控制部使得信息被输出，所述信息表示所述因素。

(3)

根据(2)所述的信息处理设备，其中，

所述输出控制部使得所述信息被输出，所述信息表示根据对增大所述事故概率的贡献程度从一个或多个所述因素中选出的所述因素。

(4)

根据(1)至(3)中的任何一个的信息处理设备，其中，

所述输出控制部使得信息被输出，所述信息发出关于用户应该执行的动作以减小所述事故概率的指令。

(5)

根据(1)至(4)中的任何一个的信息处理设备，其中，

所述输出控制部使得信息被输出，所述信息表示所述事故概率。

(6)

根据(5)所述的信息处理设备，其中，

所述输出控制部使得所述事故概率以对数标度输出。

(7)

根据(5)或(6)的信息处理设备，其中，

所述输出控制部使得信息被输出，所述信息表示所述事故概率的按照时间顺序的过渡。

(8)

根据(5)至(7)中的任何一个的信息处理设备，其中，

所述输出控制部使得信息被输出，所述信息基于所述事故概率的累积值。

(9)

根据(5)至(8)中的任何一个的信息处理设备，其中，

所述输出控制部使得有关所述事故概率的信息输出在地图上。

(10)

根据(1)至(9)中的任何一个的信息处理设备，其中，

所述预测部使用预测模型以预测所述事故概率，所述预测模型是通过考虑事故的前兆现象的发生概率而学习的。

(11)

根据(10)所述的信息处理设备，其中，

所述前兆现象是急刹车或急转向。

(12)

根据(1)至(11)中的任何一个的信息处理设备，其中，

预测部基于有关所述用户或所述车辆的特征预测所述事故概率。

(13)

根据(12)所述的信息处理设备，其中，

所述特征是实时检测的信息。

(14)

根据(12)所述的信息处理设备，其中，

所述特征是累积的或登记的信息。

(15)

根据(12)至(14)中的任何一个的信息处理设备，其中，

所述预测部基于有关另一个车辆的特征来预测所述事故概率。

(16)

一种信息处理方法，其包括：

预测用户驾驶的车辆的事故概率；以及

使得输出设备输出信息至所述用户，所述信息对应于增大所预测的所述事故概率的因素。

(17)

一种程序，其用于使得计算机用作：

预测部，其被配置为预测用户驾驶的车辆的事故概率；以及

输出控制部，其被配置为使得信息输出至所述用户，所述信息对应于增大所述预测部预测的事故概率的因素。

附图标记列表

1 系统

100 传感器设备

110 检测部

120 通信部

130 输出部

140 存储部

150 控制部

152 预测部

154 输出控制部

30 服务器

310 通信部

320 学习数据DB

330 控制部

332 存储控制部

334 学习部

40 外部DB。

Claims (13)

1.一种信息处理设备，其包括：

预测部，其被配置为预测用户驾驶的车辆的事故概率；和

输出控制部，其被配置为使得信息输出至所述用户，所述信息对应于增大所述预测部预测的所述事故概率的因素，

其中，所述输出控制部使得信息被输出，所述信息表示所述事故概率，并且

其中，所述输出控制部使得所述事故概率以对数标度输出，

其中，所述输出控制部使得表示根据对增大所述事故概率的贡献程度从一个或多个所述因素中选出的所述因素的信息被输出。

2.根据权利要求1所述的信息处理设备，其中，所述输出控制部使得发出关于用户应该执行的动作以减小所述事故概率的指令的信息被输出。

3.根据权利要求1所述的信息处理设备，其中，所述输出控制部使得表示所述事故概率的按照时间顺序的过渡的信息被输出。

4.根据权利要求1所述的信息处理设备，其中，所述输出控制部使得基于所述事故概率的累积值的信息被输出。

5.根据权利要求1所述的信息处理设备，其中，所述输出控制部使得有关所述事故概率的信息输出在地图上。

6.根据权利要求1所述的信息处理设备，其中，所述预测部使用预测模型以预测所述事故概率，所述预测模型是通过考虑事故的前兆现象的发生概率而学习的。

7.根据权利要求6所述的信息处理设备，其中，所述前兆现象是急刹车或急转向。

8.根据权利要求1所述的信息处理设备，其中，所述预测部基于有关所述用户或所述车辆的特征预测所述事故概率。

9.根据权利要求8所述的信息处理设备，其中，所述特征是实时检测的信息。

10.根据权利要求8所述的信息处理设备，其中，所述特征是累积的或登记的信息。

11.根据权利要求8所述的信息处理设备，其中，所述预测部基于有关另一个车辆的特征来预测所述事故概率。

12.一种信息处理方法，其包括：

预测用户驾驶的车辆的事故概率；以及

使得输出设备输出信息至所述用户，所述信息对应于增大所预测的所述事故概率的因素，

其中，所述输出设备使得信息被输出，所述信息表示所述事故概率，并且

其中，所述输出设备使得所述事故概率以对数标度输出，

其中，所述输出设备使得表示根据对增大所述事故概率的贡献程度从一个或多个所述因素中选出的所述因素的信息被输出。

13.一种存储介质，所述存储介质包括程序，当所述程序被包括所述存储介质的计算机执行时，使所述计算机用作：

预测部，其被配置为预测用户驾驶的车辆的事故概率；以及

输出控制部，其被配置为使得信息输出至所述用户，所述信息对应于增大所述预测部预测的所述事故概率的因素，

其中，所述输出控制部使得信息被输出，所述信息表示所述事故概率，并且

其中，所述输出控制部使得所述事故概率以对数标度输出，

其中，所述输出控制部使得表示根据对增大所述事故概率的贡献程度从一个或多个所述因素中选出的所述因素的信息被输出。

Images