CN108688675B - 车辆驾驶支援系统 - Google Patents

Abstract

本发明提供一种车辆驾驶支援系统，在个人驾驶员模型与一般驾驶员模型的制作中，能够实现数据处理负荷的降低。车辆驾驶支援系统具备：一般驾驶员模型学习部(1)，基于多个驾驶者的驾驶数据，学习用于对上述多个驾驶者进行应用的一般驾驶员模型(Ma)；个人驾驶员模型学习部(3)，基于特定驾驶者的驾驶数据，学习上述特定驾驶者所固有的个人驾驶员模型(Mb)；以及第1同步引擎(40)，将对上述个人驾驶员模型学习部(3)从上述特定驾驶者的特定车辆(A)接收到的上述特定驾驶者的驾驶数据执行第1数据转换处理而得到的驾驶数据向上述一般驾驶员模型学习部提供。

Description

车辆驾驶支援系统

技术领域

本发明涉及一种车辆驾驶支援系统，尤其涉及利用了驾驶员模型的车辆驾驶支援系统。

背景技术

近年来，为了对车辆控制进行支援，而提出了利用驾驶员模型(例如参照专利文献1)。专利文献1特别记载了与驾驶操作相关的驾驶员模型。在专利文献1的驾驶员模型处理装置中，使用为了该车辆用而制作的个人驾驶员模型、以及通过车外的驾驶员模型服务器制作的最佳驾驶员模型。在该装置中，以基于来自多台车辆的数据制作的最佳驾驶员模型为基准，在个人驾驶员模型与最佳驾驶员模型之间产生差分的情况下，与差分对应地向驾驶者提供建议。

专利文献1：日本特开2009-237937号公报

基于1台特定车辆的数据来制作个人驾驶员模型。另一方面，基于多台车辆的数据来制作一般驾驶员模型。因此，需要在个人驾驶员模型学习部与一般驾驶员模型学习部之间共有数据。

此外，一般驾驶员模型是基于多台车辆的数据而制作的，由此能够期待作为模型的精度提高。然而，由于对大容量的车辆的数据进行处理，因此存在一般驾驶员模型学习部需要处理速度较快的高性能的计算机系统这样的问题。

发明内容

本发明是为了解决这样的课题而进行的，其目的在于提供一种车辆驾驶支援系统，在个人驾驶员模型以及一般驾驶员模型的制作中，能够实现数据处理负荷的降低。

为了实现上述目的，本发明的车辆驾驶支援系统具备：一般驾驶员模型学习部，基于多个驾驶者的驾驶数据，学习用于对多个驾驶者进行应用的一般驾驶员模型；个人驾驶员模型学习部，基于特定驾驶者的驾驶数据，学习特定驾驶者所固有的个人驾驶员模型；以及第1同步引擎，将对个人驾驶员模型学习部从特定驾驶者的特定车辆接收到的特定驾驶者的驾驶数据执行第1数据转换处理而得到的驾驶数据，向一般驾驶员模型学习部提供。

根据如此构成的本发明，个人驾驶员模型学习部对特定车辆的驾驶数据进行学习而构建个人驾驶员模型，而一般驾驶员模型学习部对包括特定车辆在内的多个驾驶数据进行学习而构建一般驾驶员模型。因此，与个人驾驶员模型学习部相比，一般驾驶员模型学习部需要对更大容量的数据进行处理。因此，一般驾驶员模型学习部要求能够进行更高速计算的计算处理装置。但是，采用能够进行更高速计算的计算处理装置会导致成本升高，不是实用的解决方法。因此，在本发明中，通过第1同步引擎，将对个人驾驶员模型学习部从特定驾驶者的特定车辆接收到的特定驾驶者的驾驶数据执行第1数据转换处理而得到的驾驶数据向一般驾驶员模型学习部提供，由此能够实现一般驾驶员模型学习部中的计算处理的减轻化。由此，能够抑制一般驾驶员模型学习部中的处理速度的恶化、以及对一般驾驶员模型学习部要求的计算处理能力的增大。

此外，在本发明中优选为，第1数据转换处理执行第1数据量降低处理，该第1数据量降低处理对从特定车辆接收到的驾驶数据进行处理，以使向一般驾驶员模型学习部提供的驾驶数据的数据量小于从特定车辆接收到的驾驶数据的数据量。

根据如此构成的本发明，通过第1同步引擎，将以缩小数据量的方式进行数据转换而得到的驾驶数据从个人驾驶员模型学习部向一般驾驶员模型学习部提供，由此能够实现一般驾驶员模型学习部中的计算处理的减轻化。

此外，在本发明中优选为，第1数据转换处理执行第1关联性转换处理，该第1关联性转换处理对构成从特定车辆接收到的驾驶数据的多个个别数据间的关联性进行变更。

根据如此构成的本发明，通过第1同步引擎，对驾驶数据的多个个别数据间的关联性进行变更，并从个人驾驶员模型学习部向一般驾驶员模型学习部提供，由此能够实现一般驾驶员模型学习部中的计算处理的减轻化。

此外，在本发明中优选为，第1数据转换处理执行第1时间轴变更处理，该第1时间轴变更处理执行从特定车辆接收到的驾驶数据所包含的规定的时间变化数据在时间轴上的选择性的提取处理或者统计处理。

根据如此构成的本发明，通过第1同步引擎，执行驾驶数据所包含的规定的时间变化数据在时间轴上的选择性的提取处理或者统计处理，并从个人驾驶员模型学习部向一般驾驶员模型学习部提供，由此能够实现一般驾驶员模型学习部中的计算处理的减轻化。

此外，在本发明中优选为，还具备设置于特定车辆的车载控制器，该车载控制器具备第2同步引擎，该第2同步引擎将对在特定车辆中取得的驾驶数据执行第2数据转换处理而得到的驾驶数据向个人驾驶员模型学习部发送，第2数据转换处理执行第2数据量降低处理，该第2数据量降低处理对在特定车辆中取得的驾驶数据进行处理，以使向个人驾驶员模型学习部发送的驾驶数据的数据量小于在特定车辆中取得的驾驶数据的数据量。

根据如此构成的本发明，车载控制器不像个人驾驶员模型学习部那样进行学习个人驾驶员模型的处理。因此，个人驾驶员模型学习部被要求比车载控制器更高负荷的数据处理。因此，在本发明中，通过第2同步引擎，将以缩小数据量的方式进行数据转换而得到的驾驶数据从车载控制器向个人驾驶员模型学习部提供，由此能够实现个人驾驶员模型学习部中的计算处理的减轻化。由此，能够抑制个人驾驶员模型学习部中的处理速度的恶化、以及对个人驾驶员模型学习部要求的计算处理能力的增大。

此外，在本发明中优选为，还具备设置于特定车辆的车载控制器，该车载控制器具备第2同步引擎，该第2同步引擎将对在特定车辆中取得的驾驶数据执行第2数据转换处理而得到的驾驶数据向个人驾驶员模型学习部发送，第2数据转换处理执行第2关联性转换处理，该第2关联性转换处理对构成在特定车辆中取得的驾驶数据的多个个别数据间的关联性进行变更。

根据如此构成的本发明，车载控制器不像个人驾驶员模型学习部那样进行学习个人驾驶员模型的处理。因此，个人驾驶员模型学习部被要求比车载控制器更高负荷的数据处理。因此，在本发明中，通过第2同步引擎对驾驶数据的多个个别数据间的关联性进行变更，并从车载控制器向个人驾驶员模型学习部提供，由此能够实现个人驾驶员模型学习部中的计算处理的减轻化。由此，能够抑制个人驾驶员模型学习部中的处理速度的恶化、以及对个人驾驶员模型学习部要求的计算处理能力的增大。

此外，在本发明中，还具备设置于特定车辆的车载控制器，该车载控制器具备第2同步引擎，该第2同步引擎将对在特定车辆中取得的驾驶数据执行第2数据转换处理而得到的驾驶数据向个人驾驶员模型学习部发送，第2数据转换处理执行第2时间轴变更处理，该第2时间轴变更处理在时间轴上选择性地提取在特定车辆中取得的驾驶数据所包含的规定的时间变化数据。

根据如此构成的本发明，车载控制器不像个人驾驶员模型学习部那样进行学习个人驾驶员模型的处理。因此，个人驾驶员模型学习部被要求比车载控制器更高负荷的数据处理。因此，在本发明中，通过第2同步引擎执行驾驶数据所包含的规定的时间变化数据在时间轴上的选择性的提取处理或者统计处理，并从车载控制器向个人驾驶员模型学习部提供，由此能够实现个人驾驶员模型学习部中的计算处理的减轻化。由此，能够抑制个人驾驶员模型学习部中的处理速度的恶化、以及对个人驾驶员模型学习部要求的计算处理能力的增大。

此外，在本发明中优选为，第1同步引擎执行第1数据转换处理，以便在基于一般驾驶员模型学习部以及个人驾驶员模型学习部的驾驶数据的运算处理中，由在运算处理中进行处理的每单位时间的数据量、运算负荷、以及目标响应时间的相乘值表示的信息熵大致相等。

根据如此构成的本发明，通过信息熵的均匀化，在一般驾驶员模型学习部以及个人驾驶员模型学习部中，能够使数据无等待时间而顺畅地流动。

此外，在本发明中优选为，第2同步引擎执行第2数据转换处理，以便在基于个人驾驶员模型学习部以及车载控制器的驾驶数据的运算处理中，由在运算处理中进行处理的每单位时间的数据量、运算负荷、以及目标响应时间的相乘值表示的信息熵大致相等。

根据如此构成的本发明，通过信息熵的均匀化，在个人驾驶员模型学习部以及车载控制器中，能够使数据无等待时间而顺畅地流动。

发明的效果

根据本发明，能够提供一种车辆驾驶支援系统，在个人驾驶员模型以及一般驾驶员模型的制作中，能够实现数据处理负荷的降低。

附图说明

图1是本发明的实施方式的车辆驾驶支援系统的构成图。

图2是本发明的实施方式的车辆驾驶支援系统的各构成要素的功能框图。

图3是本发明的实施方式的车辆内的车辆控制块内的功能框图。

图4是本发明的实施方式的共有服务器、个人服务器、车载控制器中的数据的流动的说明图。

图5是本发明的实施方式的同步引擎的动作的说明图。

图6是本发明的实施方式的参数更新处理的说明图。

图7是本发明的实施方式的控制推荐处理的说明图。

图8是本发明的实施方式的改变例的车辆驾驶系统的构成图。

符号的说明

1：共有服务器；3：个人服务器；5：车载控制器；8：车辆传感器；9a：信息提示装置；9b：车载设备；9c：信息通信装置；9d：车辆控制系统；11：学习引擎；31：学习引擎；32：参数更新引擎；33：推荐引擎；33a：状态分析块；33b：推荐块；34：差分分析引擎；35：结果验证引擎；40：第1同步引擎；51：车辆控制块；51a：现状状态分析块；51b：理想状态分析块；51c：差分计算块；52a：娱乐控制块；52b：安全控制块；53：推荐判定块；60：第2同步引擎；A：车辆；Da、Db：蓄积数据；Ma：一般驾驶员模型；Mb：个人驾驶员模型；Mi：理想驾驶员模型；P：控制参数；S、S2：车辆驾驶支援系统。

具体实施方式

以下，参照附图对本发明的实施方式的车辆驾驶支援系统进行说明。首先，参照图1～图3对车辆驾驶支援系统的构成进行说明。图1是车辆驾驶支援系统的构成图，图2是车辆驾驶支援系统的各构成要素的功能框图，图3是车辆内的车辆控制块内的功能框图。

如图1所示，车辆驾驶支援系统S具备共有服务器1、个人服务器3以及车辆A内的车载控制器(ECU)5。它们通过无线或者有线的通信线路N连接为能够相互通信。

共有服务器1以及个人服务器3是构成人工智能的计算机系统，分别对一般驾驶员模型、个人驾驶员模型进行学习并逐次进行更新。共有服务器1具有运算部1a、存储部1b以及通信部1c等。同样，个人服务器3具有运算部3a、存储部3b以及通信部3c等。

车载控制器5也同样具有运算部5a(处理器)、存储部5b以及通信部5c等。该车载控制器5执行车辆A的车辆控制处理。车辆控制处理除了包含驾驶控制处理以外还包含驾驶支援处理。

如图2所示，在共有服务器1中，由人工智能构成的学习引擎11(运算部1a)，学习从多个个人服务器3接收到的驾驶数据、以及从外部信息系统(信息提供服务中心等)7a接收到的一般数据，由此构建一般驾驶员模型Ma。通过学习新的驾驶数据、一般数据，由此该一般驾驶员模型Ma被逐次更新。驾驶数据、一般数据作为蓄积数据Da而蓄积于存储部1b。

一般数据例如是人(驾驶者)的声音数据、行为数据、图像数据等。一般数据主要用于构建情绪推测模型，该情绪推测模型构成一般驾驶员模型Ma的一部分。另外，一般驾驶员模型Ma的更新，要求学习由来自多个个人服务器3的驾驶数据以及来自外部信息源的一般数据构成的大数据。因此，一般驾驶员模型Ma的处理速度(更新间隔)非常慢(例如，1个小时以上)。

一般驾驶员模型Ma是用于对一般驾驶者进行应用而不是对驾驶车辆A的特定驾驶者进行应用的模型。因此，使用与特定驾驶者以外的多个驾驶者有关的驾驶数据、以及表示一般的人的特性的情绪推测用数据(一般数据)。一般驾驶员模型Ma包含多个子模型。学习引擎11对于被赋予的或者新发现的各子模型的主题，根据驾驶数据、一般数据来学习一般驾驶者的行为、状态的随时间变化，对子模型进行制作以及更新。子模型包括各种状况下的驾驶者的行为倾向模型、行驶判断基准模型、情绪推测模型等。并且，一般驾驶员模型Ma具有一般知识数据。一般知识数据是根据驾驶数据、一般数据取得的各种一般的信息，例如，特定的道路部位的注意点、娱乐场所信息(餐馆信息等)。

列举一般驾驶员模型Ma的子模型的例子。一般驾驶者的各种情绪(喜怒哀乐、尤其是感到快乐时)的声音模型。快乐的状态模型(表示各种状态(驾驶者、周围环境、车辆)与快乐之间的关联性的关联性模型)。基于地图数据、驾驶者表情数据等生成的、与漫不经心、瞌睡的产生相关的子模型(例如，确定容易产生的特定地点、驾驶者状态(例如行驶时间)等)。基于行驶履历数据、操作履历数据等生成的、驾驶操作特性模型(例如，障碍物的回避行为开始位置)。

学习引擎11在学习油门以及制动器的操作模型的情况下，将驾驶数据中包含的与驾驶者、行驶场所、周边环境、时间带、油门开度、制动传感器数据等相关的数据作为一组数据来使用，学习如何根据前方车辆、行人的位置、速度、数量等来进行油门以及制动器的操作并制作模型。

此外，学习引擎11在学习情绪推测模型中包含的笑脸判定模型的情况下，分析一般驾驶者或者一般人的声音数据以及与声音数据相关联的图像数据，并分析一般驾驶者感到快乐时的面部的表情特征。由此，生成以及更新表示从外观(即，面部的表情)提取的特征部分的变化(嘴角的角度、眼角的角度等)与笑脸之间的关联性的笑脸判定模型。通过使用笑脸判定模型，能够根据特征部分的信息(嘴角的角度等)来推测驾驶者是否为笑脸(或者是否感到快乐)。特征部分可以是预先指定的部分，也可以是学习引擎11新检测到的部分。

此外，一般驾驶员模型Ma包含表示车辆状态与驾驶者的情绪状态之间的关联性的关联性模型(情绪产生模型)。根据驾驶者状态数据来分析情绪状态。学习引擎11分析情绪状态的变迁，并分析对情绪状态造成影响的车辆状态(运动状态：车速、横向加速度、前后加速度等，车载设备工作状态：空调温度、座椅位置、音乐等)，学习哪种车辆状态对情绪状态造成影响，并学习车辆状态与情绪状态之间的关联性。对情绪状态造成影响的车辆状态(控制因素)，可以预先设定，也可以由人工智能通过分析来发现新的控制因素而追加设定。

情绪状态的分析所使用的驾驶者状态数据，为声音数据、图像数据、脑波数据等。为了进行情绪分析，例如，对声音数据(说话声音)进行解析，而进行基于声带的不随意运动的声波的频率分析。此外，进行基于图像数据的面部表情分析、由于血流变化而产生的面部颜色分析。此外，进行自主神经系统的交感神经/副交感神经的比例分析。通过使用这些分析中的一个或者多个，例如，能够在将喜怒哀乐表现在坐标上的情绪映射、拉舍尔圆环模型上确定情绪状态。学习引擎11对情绪状态的变化(即，在情绪映射、圆环模型上的移动)以及车辆状态的变化进行分析。

学习引擎11例如在学习表示温度环境与情绪状态之间的关联性的关联性模型的情况下，将驾驶数据中包含的与驾驶者、情绪状态、行驶场所、时间带、车内外温度、天气等相关的数据作为一组数据来使用，例如，学习车内温度与车外温度之差、天气等温度环境对情绪状态造成的影响，并更新该关联性模型。

此外，当学习到未包含于已有的关联性模型的新的控制因素对情绪状态造成变化时(例如，在车辆状态的多个项目被组合时感到快乐等)，生成基于新的控制因素的新的关联性模型。如此，学习引擎11从大数据中检测对驾驶者的情绪状态造成影响的控制因素而构建模型。

在个人服务器3中，通过由人工智能构成的学习引擎31(运算部3a)，学习从车辆A接收到的驾驶数据(包含声音数据)、从外部信息系统7b取得的一般数据、从特定驾驶者的便携式信息终端装置7c取得的通信数据(通话声音数据、邮件文本数据、设备设定信息等)，由此构建个人驾驶员模型Mb。该个人驾驶员模型Mb也被逐次更新。个人服务器3使用驾驶数据等，学习驾驶者的行为、车辆举动、车辆性能等的随时间变化或者履历。因此，与车辆A中的各种控制处理相比，个人驾驶员模型Mb的处理速度为低速(例如，1秒以上)。

另外，个人服务器3所取得的一般数据，是可以认为驾驶倾向共通的驾驶者集团(例如，具有相同车种的车辆的驾驶者的集团)中包含的多个驾驶者的声音数据、行为数据、以及图像数据。此外，设备设定信息例如是便携式信息终端装置的互联网浏览器应用程序中登记的书签信息等。

此外，通过车辆A的麦克风取得的声音数据，虽然也包含在经由车载控制器5的第2同步引擎60取得的驾驶数据中，但经由通信设备实时地向个人服务器3直接输出。在个人服务器3中，该声音数据被声音识别。驾驶数据、一般数据、以及声音数据作为蓄积数据Db而蓄积于存储部3b。

此外，个人服务器3的第1同步引擎40对存储于存储部3b的蓄积数据进行数据转换，并向共有服务器1发送。

个人驾驶员模型Mb是用于对特定驾驶者进行应用的模型。因此，使用驾驶车辆A的特定驾驶者的驾驶数据、以及可以认为具有比较接近该特定驾驶者的驾驶特性的其他驾驶者的一般数据。个人驾驶员模型Mb也与一般驾驶员模型Ma同样地包含多个子模型。此外，个人驾驶员模型Mb具有从所取得的驾驶数据中提取的周边环境状态数据、车辆状态数据。学习引擎31也学习与学习引擎11同样的多个子模型(个人驾驶员模型Mb的子模型的例子，参照一般驾驶员模型Ma的子模型的例子)。此外，学习引擎31与学习引擎11同样地检测对驾驶者的情绪状态造成影响的控制因素而更新模型，此外，构建新的模型。

在车载控制器5中，基于车辆传感器8的传感器数据，由车辆控制块(运算部)51来执行规定的车辆控制处理。车辆控制块51使用对车辆控制处理进行规定的车辆控制算法(车辆控制程序)50，通过规则库对车辆A的各种车载设备以及系统进行控制。即，基于传感器数据并按照预先决定的规则(算法)来执行各种控制(规则库处理)。因此，在车载控制器5所进行的车辆控制处理中，实现较快的处理速度(例如，10m秒以下)。

车辆控制处理除了包含驾驶控制处理以外，还包含驾驶支援处理。驾驶支援处理中包含制动驾驶支援处理、支援信息提示处理、以及车载设备控制处理。

在制动驾驶支援处理中，向车辆控制系统9d(引擎、制动器、转向器)输出指令信号，油门、制动器、转向驱动装置被自动操作。

在支援信息提示处理中，经由车内的信息提示装置9a(导航装置、仪表、扬声器等)提供用于对驾驶者的驾驶操作进行支援的各种支援信息，此外，经由信息通信装置9c(车载通信部、便携式信息终端装置等)向外部的信息系统、信息终端装置、以及家电产品等提供信息。

在车载设备控制处理中，为了改善驾驶环境，车载设备9b(空调装置、窗、灯、门等)自动地工作。例如，自动地进行空调装置的温度设定、开启关闭，自动地进行窗的开闭。

车辆传感器8中包含车内摄像机、生物体传感器、麦克风、车外摄像机、雷达、导航装置、车辆举动传感器、驾驶者操作检测传感器、车车间通信器、车辆-基础设施间通信器、以及远程控制器等。

车内摄像机对车辆A内的驾驶者、其他乘员进行摄像，并输出车内图像数据。

生物体传感器计测驾驶者的心拍、脉搏、出汗、脑波等，并输出生物体数据。

麦克风收集驾驶者、其他乘员的声音，并输出声音数据。

车外摄像机对车辆A的前方、侧方、后方的图像进行摄像，并输出车外图像数据。

雷达朝向车辆A的前方、侧方、后方照射电波、声波或者激光，并接收来自车辆A周围的车外物体(先行车、其他车辆、行人、地上固定物、障碍物等)的反射波，输出物体的相对位置、相对速度等(例如，先行车位置、先行车相对速度等)车外物体数据。

导航装置取得车辆位置信息，并与内部地图信息、从外部取得的交通拥堵信息、输入信息(目的地、途经地等)进行组合，而输出导航数据(多个路线信息、由驾驶者选择的路线信息等)。

车辆举动传感器以及驾驶者操作检测传感器中包含速度传感器、前后加速度传感器、横向加速度传感器、横摆率传感器、油门开度传感器、引擎转速传感器、AT变速器位置传感器、制动开关传感器、制动液压传感器、转向角传感器、转向扭矩传感器、转向指示灯开关位置传感器、刮水器开关位置传感器、灯开关位置传感器、以及车内外温度传感器等。

车车间通信器、车辆-基础设施间通信器、远程控制器分别取得来自其他车辆的通信数据、来自交通基础设施的交通数据(交通拥堵信息、限速信息等)、以及来自外部的远程操作数据，并输出这些数据。

来自车辆传感器8的输出数据作为驾驶数据输入至车辆控制块51。此外，输出数据由规定的装置(未图示)或者由车载控制器5内的数据处理块，数据转换成对适合于车辆控制块51中的处理的执行的各种物理量进行表示的驾驶数据，之后向车辆控制块51输入。通过数据转换，一个输出数据被转换成表示一个或者多个信息的驾驶数据。数据转换也包含不对输出数据进行转换处理的情况。

例如，车外摄像机的车外图像数据被数据转换成先行车、车道的位置数据、从基准线(车道中央、设定路径)偏移(偏离)的偏移(偏离)数据等。此外，转向角传感器的转向角数据被数据转换成变动数据(转向角的不稳定数据；变动幅度、变动周期等)等。此外，车内摄像机的图像数据被数据转换成个人特定数据(基于预先登记的驾驶者图像的驾驶者认证的结果、以及对所认证的驾驶者进行确定的个人数据)、用于驾驶者的笑脸判断等的表情数据(嘴角角度、眼角角度等)等。

驾驶数据是与驾驶者、周边环境、车辆相关的各种数据，包含驾驶者状态数据、周边环境数据、以及车辆状态数据。这些数据分别由多个个体数据构成。

驾驶者状态数据是表示驾驶者的身体状态的数据，包含车内图像数据(包含驾驶者的摄像数据)、声音数据、生物体数据(包含心拍数据)等。

周边环境数据是表示车辆A周边的其他车辆、行人、障碍物、道路形状、交通状况等车外物体的状况的数据，包含车外图像数据、车外物体数据、导航数据、车车间数据、以及车基础设施间数据等。

车辆状态数据是表示车辆运动状态、车载设备的工作状态的数据，包含基于车辆举动传感器的测定数据、基于驾驶者操作检测传感器的表示车载设备的开关位置等的驾驶者操作数据、以及个人特定数据。具体而言，作为一例，车辆状态数据中包含车速、前后加速度、横向加速度、横摆率、油门开度、引擎转速、AT变速器位置、制动开关位置、制动液压、前方车间距离、与先行车的相对速度、转向角、转向扭矩、转向指示灯开关位置、刮水器开关位置、车灯开关位置、车内外温度、以及个人特定信息等。

车载控制器5的第2同步引擎60对暂时存储于存储部5b的驾驶数据进行数据转换，并向个人服务器3发送。

如图3所示，车辆控制块51具有现状状态分析块51a、理想状态分析块51b、差分计算块51c、娱乐(entertainment)控制块52a、以及安全控制块52b。

驾驶数据被向现状状态分析块51a以及理想状态分析块51b输入。在现状状态分析块51a中，从驾驶数据中取出现状驾驶者状态、现状设备操作状态、现状周边环境状态、以及现状车辆状态。另一方面，在理想状态分析块51b中，基于由多个控制参数P规定的车辆控制模型(理想模型)，根据驾驶数据来计算理想驾驶者状态、理想设备操作状态、理想周边环境状态、以及理想车辆状态。

驾驶者状态例如根据驾驶者的心拍数据、以及不稳定分析数据等来确定。周边环境状态例如根据摄像机图像数据、以及雷达测定数据等来确定。车辆状态例如根据横向加速度数据、引擎功率数据、以及制动器磨损量数据等来确定。

在差分计算块51c中，对于从现状状态分析块51a以及理想状态分析块51b输出的现状状态以及理想状态(驾驶者状态、设备操作状态、周边环境状态、车辆状态)的各种项目计算差分，并作为差分数据输出。

娱乐控制块52a以及安全控制块52b基于该差分数据执行各种处理。

安全控制块52b对与车辆控制系统9d的工作相伴随的安全控制处理进行控制，此外，还对与信息提示装置9a、车载设备9b、信息通信装置9c的工作相伴随的支援信息提示处理进行控制。另一方面，娱乐控制块52a对与信息提示装置9a、车载设备9b、信息通信装置9c的工作相伴随的娱乐控制处理进行控制，但是不执行与车辆控制系统9d的工作相伴随的控制处理。

娱乐控制块52a以及安全控制块52b基于差分数据向信息提示装置9a、车载设备9b、以及信息通信装置9c输出工作指示。此外，安全控制块52b还向车辆控制系统9d输出工作指示。另外，经由信息通信装置9c向外部的信息系统7b发送的数据，能够由信息系统7b蓄积，进而向个人服务器3提供。

例如，假设现状状态分析块51a分析出在意识水平较高的正常状态下驾驶者使车辆A以60km行驶。另一方面，理想状态分析块51b基于车辆控制算法50的理想模型，计算(预测)在该状态下驾驶者在前方30m的弯道转弯时的预定行驶路径(包含位置以及速度)。此外，现状状态分析块51a继续进行状态分析，因此将车辆A实际行驶的行驶路径作为分析结果进行输出。

差分计算块51c计算基于理想状态分析块51b的预定行驶路径与基于现状状态分析块51a的实际的行驶路径之间的差分。并且，例如，安全控制块52b在预定速度与实际速度大致相等的情况下不执行特别的处理，在预定速度与实际速度之间的速度差较小的情况下执行产生制动操作警报的处理，在速度差较大的情况下执行自动地使制动器工作的处理。

此外，在实际的转向操作定时比由预定行驶路径规定的转向操作定时延迟规定时间以上的情况下，显示催促使转向操作定时提前的消息。

此外，在规定状况下，在基于理想模型的预测心拍数比实际的心拍数大规定值以上时(推测为兴奋状态)，娱乐控制块52a执行显示催促休息的消息、催促播放使气氛平静的音乐的消息的处理。

接着，参照图4以及图5对个人服务器3的第1同步引擎40以及车载控制器5的第2同步引擎60进行说明。图4是共有服务器、个人服务器、以及车载控制器中的数据的流动的说明图，图5是同步引擎的动作的说明图。

如图4所示，车载控制器5基于驾驶数据(信息量“中”)，通过规则库来执行认知、判断、以及行为决定。因此，在车载控制器5中作为目标的信息速度较快(＜10m秒)。并且，车辆控制系统9d、车载设备9b等为，当从车载控制器5接收到工作指令(信息量“小”)时，按照行为决定的指令进行工作。因此，信息速度非常快(＜1m秒)。

另一方面，个人服务器3基于来自车载控制器5的驾驶数据以及来自外部的信息系统7b等的数据(信息量“大”)进行学习、成长。因此，个人服务器3中的信息速度较慢(＞1秒)。并且，共有服务器1基于来自多个个人服务器3的驾驶数据以及来自外部的信息系统7a等的大数据(信息量“极大”)进行学习、成长。因此，共有服务器1中的信息速度非常慢(＞1小时)。即，与下位层相比上位层所处理的信息量更大，但信息速度变慢。共有服务器1为最上位，车载控制器5为最下位。

因此，为了在各阶层中都顺畅地进行数据处理(即，为了在任一个阶层中数据处理的流程都不变差)，在本实施方式中，实现信息熵的均匀化。概略地说，假设在各阶层中执行的处理的运算负荷(处理程序的全部步骤数)以及执行全部处理步骤时的目标响应时间为已知，而对在各阶层中每单位时间所处理的数据量进行调整，由此能够实现各瞬间(每单位时间)的处理负荷的均匀化。

在本实施方式中，信息熵由“每单位时间的数据量×处理速度”来定义。处理速度由“处理程序的全部步骤数(全部程序行数)×目标响应时间”来定义。

信息熵＝数据量×全部步骤数×目标响应时间

例如，在车载控制器5中，在数据量为10MB、步骤数为1000行、目标响应时间为10m秒的情况下，在个人服务器3中分别设定为100KB、10000行、1秒，在共有服务器1中分别设定为10B、100000行、1000秒。

由于如此地调整各阶层中的数据量，因此在从下位层向上位层发送驾驶数据时，通过下位层的同步引擎进行驾驶数据的数据转换，以便在上位层容易处理驾驶数据。通过该数据转换，驾驶数据的量、质、时间被转换。车载控制器5具有第2同步引擎60，个人服务器3具有第1同步引擎40。

如图5所示，车载控制器5逐次接受基于车辆传感器8的输出数据的驾驶数据，并执行车辆控制处理。另一方面，第2同步引擎60对驾驶数据执行第2数据转换处理(量、质、时间)，并将数据转换后的驾驶数据向个人服务器3发送。在个人服务器3中，将所接受到的驾驶数据作为驾驶者的行为履历数据以及状态履历数据而蓄积于存储部3b，并且用于规定的处理。而且，第1同步引擎40对所接受到的驾驶数据执行第1数据转换处理(量、质、时间)，并将数据转换后的驾驶数据向共有服务器1发送。在共有服务器1中，将所接受到的驾驶数据作为驾驶者的行为履历数据以及状态履历数据而蓄积于存储部1b，并且用于规定的处理。

上位层的同步请求块21、41根据在上位层的处理中要求的方式，对下位层的同步引擎40、60发出请求发送所需要的信息属性的驾驶数据的取得请求指令。接受到该指令之后，下位层的同步引擎执行与所请求的信息属性相应的数据转换处理。下位层的同步引擎向相同下位层的其他数据处理块(未图示)发出数据转换指示，使其进行数据转换，并将数据转换后的驾驶数据向上位层输出。此外，下位层监视上位层。同步请求块21、41分别对第1同步引擎40、第2同步引擎60输出例如对数据量减少方式、个别数据的建立关联以及分离方式(多个个别数据的指定)、以及时间轴设定方式(提取方式、统计处理方式)进行规定的取得请求指令。

在与数据的量相关的数据转换处理中，驾驶数据的数据量减少。例如，进行基于特征量的提取、信息量的转换等的数据量减少处理。在第1同步引擎40、第2同步引擎60中，分别执行第1数据量减少处理、第2数据量减少处理。

在特征量的提取中，以包含上位层的处理中的所需最小限度的信息的方式减小数据尺寸。例如，图像数据被转换成从该图像数据提取的特征量的数据(嘴角的角度、车道的信息等)。

在信息量的转换中，驾驶数据被转换成摘要统计量(平均化、时间轴滤波等)。例如，从中心线的偏离量(每10m秒的偏离量数据)被转换成100秒间隔的平均偏离量数据。此外，每10m秒的转向角数据被转换成以5秒为单位的不稳定度判定数据。

同步引擎能够使其他处理块执行特征量的提取、信息量的转换。

在与数据的质相关的数据转换处理中，进行对驾驶数据中包含的多个项目的信息间的关联性进行转换的数据关联性转换处理。在第1同步引擎40、第2同步引擎60中，分别执行第1数据关联性转换处理、第2数据关联性转换处理。

在关联性的转换中，多个个别数据被选择性地赋予关联。例如，个人特定数据与心拍数据、时间数据与心拍数据、位置数据与心拍数据分别被赋予关联。也可以将个人特定数据、心拍数据、时间数据、位置数据赋予关联为一个数据。通过赋予关联，由此能够在某个目的的处理中将赋予关联数据作为一体的数据进行处理，因此能够减少上位层的处理。例如，为了用于笑脸判定模型的学习，能够将嘴角的角度数据(通过数据量减少处理而获得的特征量数据)、声音数据、驾驶操作数据、以及车内环境数据(空调、音响等)赋予关联。

此外，在关联性的转换中，根据被赋予关联的多个信息进行特定信息的删除。例如，个人特定数据被分离。在个人服务器3中，使用特定的个别数据与个人特定数据被赋予关联而得到的复合数据，但在共有服务器1中，为了确保该复合数据的匿名性，而使用从复合数据中分离了个人特定数据之后的复合数据。此外，在个人特定数据包含姓名、年龄、性别、住址等的情况下，也可以仅分离特定项目(姓名、性别)。

在与数据的时间相关的数据转换处理中，进行时间轴变更处理，该时间轴变更处理进行驾驶数据的时间轴加工。在第1同步引擎40、第2同步引擎60中，分别执行第1时间轴变更处理、第2时间轴变更处理。

在时间轴加工中，在时间轴上选择性地提取(采样)规定的时间变化数据。例如，在数据的质相同的情况下，在时间轴方向上间隔剔除信息。例如，10m秒间隔的心拍数据被间隔剔除成100m秒间隔的心拍数据。此外，例如，在为了检测脉律不齐而使用心拍数据的情况下，通过时间轴加工，仅选择性地提取表示有意义的数值(超过规定的阈值)的心拍数据。此外，在时间轴加工中，通过统计处理，进行驾驶数据向摘要统计量的转换(平均化、时间轴滤波)、向统计信息(例如频数分布等)的转换。在时间轴加工中，根据一般驾驶员模型Ma、个人驾驶员模型Mb的更新处理时间(目标响应时间)，来设定时间轴上的选择性的提取时间间隔(一定或者不定)、统计处理时间间隔。因而，目标响应时间越长，则通过时间轴加工而输出的驾驶数据的数据间隔越长。

另外，在本实施方式中，在阶层间(共有服务器1、个人服务器3、车载控制器5)进行数据量的调整，但并不限定于此，在各阶层内的功能块(例如，分别构成个人服务器3的学习引擎31、参数更新引擎32、推荐引擎33、差分分析引擎34、结果验证引擎35的计算机)间也可以同样地进行数据量的调整。

接着，参照图6对参数更新处理进行说明。图6是参数更新处理的说明图。个人服务器3具有参数更新引擎32。

参数更新引擎32从共有服务器1取得一般驾驶员模型Ma，从车载控制器5取得规定车辆控制处理的各种控制参数P、驾驶数据(包含声音数据、车辆状态数据)，参照个人驾驶员模型Mb对控制参数P进行更新。

参数更新引擎32在原则上判断由学习引擎31进行的个人驾驶员模型Mb的更新，并与该更新相应地对与更新部分相关联的车辆控制算法50进行更新。具体而言，车辆控制算法50中包含的控制参数P(包括控制参数的值、控制参数的种类)被变更。

因此，参数更新引擎32将更新前的个人驾驶员模型Mb与最新的个人驾驶员模型Mb进行比较，并提取更新部分。然后，参数更新引擎32根据从车辆A取得的各种控制参数P，提取与更新部分对应的控制参数P。此外，参数更新引擎32取得与该控制参数P对应的个人驾驶员模型Mb的驾驶员模型参数。

然后，将所取得的驾驶员模型参数与对应的控制参数P进行比较(差分分析)。另外，在驾驶员模型参数与控制参数P相关联但不直接对应的情况下，对驾驶员模型参数进行转换以使它们直接对应，并将该转换值与控制参数P进行比较。

作为差分分析的结果，在差分超过根据控制参数P的种类而设定的阈值的情况下，将驾驶员模型参数(或者转换值)设定为更新参数。进而，参数更新引擎32判断是否满足规定的更新条件。当满足更新条件时，参数更新引擎32为了将该控制参数P更新为更新参数而输出控制参数更新指令。当车载控制器5接收到该控制参数更新指令时，将与其对应的控制参数P更新为新的更新参数。

在本实施方式中，作为规定的更新条件，规定有更新内容以及更新时期。关于更新内容，在要更新的控制参数P为与行驶、停止以及转弯相关联的与行驶安全相关的车辆控制处理(车辆行驶安全控制处理)的控制参数P的情况下，禁止更新。当与车辆安全相关的控制处理的控制参数P被变更时，在驾驶操作时有可能会对驾驶者带来不适感，因此不更新。具体而言，车辆行驶安全控制处理是与自动油门控制、自动制动控制、以及自动转向控制相伴随的控制处理。例如，车辆行驶安全控制处理中包含用于防止与障碍物碰撞或者脱离行驶路的危险回避控制处理。并且，不稳定判定处理也包含在与行驶安全相关的车辆控制处理中。

另外，在是能够更新的更新内容的情况下，参数更新引擎32根据驾驶数据(车辆状态数据)来判断更新时期(停止时、IG断开时)，当满足更新时期条件时，发送控制参数更新指令。此外，在本实施方式中，参数更新引擎32进行更新条件的判断，但也可以是接收到控制参数更新指令的车载控制器5进行更新条件的判断。

此外，与更新内容相应地规定更新时期。更新时期中包含即时(个人驾驶员模型Mb的更新时)、车辆停止时、以及点火开关断开时(IG断开时)。允许行驶中的变更的控制参数P的更新时期被设定为“即时”。“即时”的例子例如为笑脸判定处理中的笑脸判定参数(嘴角的角度)、空调装置设定温度、以及事故信息等。

此外，适合车辆停止时的更新的控制参数的更新时期被设定为“车辆停止时”。“车辆停止时”的例子例如为自动停车判定处理中的自动停车判定参数(驾驶者图像数据中的驾驶者的身体角度等)、车辆座椅位置、以及镜角度。

此外，适合IG断开时的更新的控制参数的更新时期被设定为“IG断开时”。“IG断开时”的例子例如为一般地图信息。

此外，在更新后的个人驾驶员模型Mb生成了新的子模型的情况、由学习引擎31判断为与已有的子模型相比另外的子模型与规定的处理相对应而更有效的情况下，也可以与这些子模型相对应地追加新的控制参数P。例如，作为学习的结果，分析出与嘴角的角度相比眼角的角度对于驾驶者的笑脸判定来说更有效，而生成基于眼角的角度的新的笑脸判定模型。在该情况下，代替已有的基于嘴角的角度的子模型或者追加地设定控制参数P。具体而言，车辆控制处理中包含的笑脸判定处理中的笑脸判定逻辑所使用的控制参数P的种类被从嘴角的角度替换成眼角的角度，控制参数P的值被从嘴角的角度阈值变更为眼角的角度阈值。

此外，对在车辆控制处理中在判断为驾驶者感到困倦的情况下执行规定的处理(行驶路线提议顺序的变更、转向振动、扬声器音量增加等)的例子进行说明。学习引擎31作为困倦判定模型，而学习基于转向的不稳定角度的大小的子模型。与此对应，在车辆A的困倦判定处理中，当转向的不稳定角度(变动幅度)超过判断阈值时，判断为困倦较大。当学习引擎31学习为平常车辆A的不稳定角度也较大时，更新子模型，与此相伴，将判断阈值(控制参数的值)更新为较大的值。

另一方面，在学习引擎31学习为与转向的不稳定角度的大小相比变动周期对于困倦的判定更有效的情况下，作为困倦判定模型，追加基于转向的不稳定角度的变动周期的子模型。与此相伴，在车辆A的困倦判定处理中，控制参数的种类被变更为不稳定角度的变动周期，控制参数的值(判断阈值、变动周期)也被变更。

此外，当追加基于图像数据的困倦判定子模型时，与此相伴，在车辆A中控制参数的种类被变更为图像数据的某个特征量，控制参数的值(判断阈值)也被变更。

此外，对在参数更新处理中将一般驾驶员模型Ma考虑在内的情况下的处理进行说明。即，当车辆A的特定驾驶者反复进行与通常不同的极端的驾驶操作时，个人驾驶员模型Mb以及车辆控制处理(控制参数P)有可能被更新为使它们的安全性降低。因此，在个人驾驶员模型Mb从一般驾驶员模型Ma较大地背离的情况下，为了确保安全性，基于一般驾驶员模型Ma来更新控制参数P。

参数更新引擎32取得一般驾驶员模型Ma、以及控制参数P。此外，当个人驾驶员模型Mb被更新时，提取更新部分。然后，取得与该更新部分对应的控制参数P。进而，取得该更新部分(或者与所取得的控制参数P对应)的个人驾驶员模型Mb的个人驾驶员模型参数、以及一般驾驶员模型Ma的一般驾驶员模型参数。

接着，参数更新引擎32将所取得的个人驾驶员模型参数与一般驾驶员模型参数进行比较，并计算出差分。并且，在差分为规定值以下的情况下，基于个人驾驶员模型参数，对用于更新控制参数P的更新参数进行运算。另一方面，在差分大于规定值的情况下，基于一般驾驶员模型参数，对用于更新控制参数P的更新参数进行运算。更新参数的运算与上述实施方式相同。

当如此地对更新参数进行运算时，与上述实施方式相同，在满足了规定的更新条件的情况下，输出用于将控制参数P更新为更新参数的控制参数更新指令。

此外，说明如下情况下的处理：在参数更新处理中，在基于个人驾驶员模型Mb进行了更新之后，根据规定条件，基于一般驾驶员模型Ma再次进行更新。即，在虽然根据个人驾驶员模型Mb更新了控制参数P，但在车辆控制处理中并未确认到改善的情况下，基于一般驾驶员模型Ma对更新后的控制参数P再次进行更新。

用于再次更新的规定条件为，在更新前后驾驶者的情绪状态是否改善。在驾驶者的情绪状态未改善的情况下，进行控制参数P的再次更新。因此，参数更新引擎32根据基于驾驶数据(声音数据)的驾驶者的情绪分析数据来分析驾驶者的情绪状态。

另外，情绪分析可以由参数更新引擎32逐次执行，也可以由其他功能块(驾驶者状态分析部)持续地执行并存储为情绪分析履历。另外，情绪状态的改善是指，情绪状态从不愉快的负面情绪(悲伤、怨恨、愤怒、焦虑、紧张、不满等)向愉快的正面情绪(喜悦、快乐、安心、放松、满足等)移动的情况。

参数更新引擎32取得控制参数P。此外，当个人驾驶员模型Mb被更新时，提取更新部分。然后，提取与该更新部分对应的控制参数P。进而，取得该更新部分(或者与所取得的控制参数P对应)的个人驾驶员模型Mb的个人驾驶员模型参数。然后，基于该个人驾驶员模型参数，对用于更新控制参数P的更新参数进行运算。

在满足规定的更新条件的情况下，输出用于将控制参数P更新为更新参数的控制参数更新指令。进而，当车载控制器5接收到该控制参数更新指令时，将与其对应的控制参数P更新为新的更新参数。

参数更新引擎32在由于个人驾驶员模型Mb的更新而引起的控制参数P的更新的前后，判定驾驶者的情绪状态是否改善。在判定为驾驶者的情绪状态改善的情况下，结束控制参数P的更新处理。另一方面，在判定为驾驶者的情绪状态未改善的情况下，参数更新引擎32取得与控制参数P对应的一般驾驶员模型Ma的一般驾驶员模型参数。

然后，基于该一般驾驶员模型参数对用于更新控制参数P的新的更新参数进行运算。在满足规定的更新条件的情况下，输出用于将控制参数P更新为新的更新参数的控制参数更新指令。进而，当车载控制器5接收到该控制参数更新指令时，将与其对应的控制参数P更新为新的更新参数。

例如，关于弯道行驶时的转向操作定时的子模型，在基于个人驾驶员模型Mb更新了车辆A的对应的控制参数P(驾驶支援中的转向操作引导定时等)之后，在弯道上行驶时的压力(基于心拍、声音分析等)与更新前相比并未降低，在该情况下，基于一般驾驶员模型Ma更新相同的控制参数P。

接着，参照图7对推荐处理(控制推荐处理)进行说明。图7是控制推荐处理的说明图。个人服务器3具有推荐引擎(车辆控制推荐部)33。

推荐引擎33使用从共有服务器1取得的一般驾驶员模型Ma、从车辆A取得的驾驶数据(包含声音数据)、以及个人驾驶员模型Mb，向车载控制器5指示或者提议推荐处理的执行。车载控制器5在满足规定的条件的情况下执行推荐处理。

推荐引擎33具有状态分析块33a以及推荐块33b。

状态分析块33a基于驾驶数据(包含声音数据)、一般驾驶员模型Ma、以及个人驾驶员模型Mb，对驾驶者状态、周边环境状态、以及车辆状态进行分析。分析包括当前状态的分析、不久将来(例如，30分钟后、1小时后)的状态的分析。

推荐块33b基于状态分析块33a的分析输出、驾驶数据、一般驾驶员模型Ma、以及个人驾驶员模型Mb，导出以及输出适合于驾驶者的最佳的推动力(推荐处理)。另外，推荐引擎33进行使用了较多蓄积数据的高度的状态分析，因此在驾驶者从车辆A离开的期间也进行工作，并适当地导出推荐处理。

驾驶者状态包含驾驶者的心理、身体、行为的状态。在心理(情绪)状态中包含注意状态、清醒度、情绪、压力度、驾驶负荷、驾驶动力、感动、紧张度、语言前后关系等。在身体(人体)状态中包含疲劳度、健康状态、冷热感、设备目视确认性、设备操作性、驾驶舒适度、乘坐舒适度、人体信息等。在行为状态中包含注视位置/对象、注意状态、姿态、设备操作、驾驶行为/操作/姿势、对话、习惯、生活行为、行为意图等。

心理状态(尤其是情绪状态)可以根据声音数据(例如，使用了内分泌模型的情绪分析)、驾驶者的图像数据、以及心拍数据来直接分析，也可以根据其他驾驶数据(包含驾驶者的摄像数据、心拍数据)而使用个人驾驶员模型Mb来推测。

周边环境状态是车辆A周边的环境，包括交通/行驶环境、风险事先掌握(拥堵、路面冰冻等)、以及通信环境等。

车辆状态是车辆A的行驶状态，包括驾驶难度、不稳定等。

推荐块作为推荐控制而至少进行车室空间推荐、行驶推荐、以及信息提示推荐。

车室空间推荐是要提供适合于驾驶者的车室环境的推荐控制，包括座椅/镜位置·角度、空调、音乐、欢迎演出等的提供。

行驶推荐是要提供适合于驾驶者的行驶路线的推荐控制，包括推荐路线、舒适路线、驾驶难度较高的挑战路线、危险回避路线等的提示。

信息提示推荐包括基于适当的定时与适当的提示方法的、对驾驶者有用的信息的提示、以及高度的状态推测结果的提示。在对驾驶者有用的信息的提示中包括路线上的值得看的地方的信息(景色、餐馆、名胜等)、道路交通/天气/新闻、提醒注意(遗忘物品、防止迟到)、ToDo(待办事项)列表、回忆的图像等的信息提示。在高度的状态推测结果的提示中包括高度的自动停车判定、高度的笑脸判定的信息提示。

推荐块33b能够使用对基于状态分析块33a的分析状态与规定的推荐处理之间的关联性进行记述的基本的关联表格，导出适当的推荐控制。此外，还能够通过个人驾驶员模型Ma、一般驾驶员模型Mb对该关联表格进行学习并进行更新。

车载控制器5根据推荐信号向信息提示装置9a、车载设备9b、信息通信装置9c、以及车辆控制系统9d输出指令。因此，车载控制器5也可以存储在接受到各推荐信号的情况下执行的处理程序。

在本实施方式中，例如，根据状态分析块33a进行了分析的各驾驶者状态(疲劳度、情绪、压力、注意状态、清醒度等)，考虑到周边环境状态、车辆状态，推荐块33b导出能够实现且适当的推荐处理，并输出推荐信号。

例如，状态分析块33a推测身体的状态。此处，假设分析为驾驶者感到了疲劳度。与此对应，推荐块33b根据状况从车室空间推荐信号、行驶路线推荐信号、信息提示推荐信号中选择适当的推荐信号并输出。

车室空间推荐信号例如是指示使空调装置工作的处理、使空调温度重新设定(降低)的处理、使规定的音乐频道广播从扬声器输出的处理、变更音乐频道的处理、变更为与疲劳度相应的座椅位置以及镜角度的处理等的信号。行驶路线推荐信号例如是对催促从难度较高(例如弯道较多)的当前设定路线向难度较低(直线道路较多)的新路线变更的处理等进行指示的信号。信息提示推荐信号是对使显示画面显示劝告休息、速度降低的规定的消息的显示处理等进行指示的信号。此外，在分析出规定的身体的状态、规定的心理(情绪)的状态时，选择适当的推荐信号。

此外，个人驾驶员模型Mb包含表示驾驶者对于车载设备的设定的喜好(空调温度、广播频道、座椅位置、镜角度等)的子模型。例如，在驾驶者开始了驾驶时、分析出规定的身体的状态或者规定的心理(情绪)的状态时，当状态分析块33a分析出车载设备的设定与驾驶者的喜好的设定不同时，推荐块33b输出指示变更为喜好的设定的车室空间推荐信号。在该指示中，作为工作参数值(喜好的设定值)而指定空调温度、广播频道、座椅位置、镜角度等。

对信息提示推荐的例子进行说明。假设通过状态分析块33a参照个人驾驶员模型Mb而分析出车辆A正在接近容易引起漫不经心、困倦的特定场所(周边环境状态)。与此对应，推荐块33b输出推荐信号，以便在离特定场所为规定距离的近前的地点(适当的定时)执行基于声音等的提醒注意处理。

并且，当状态分析块33a参照一般驾驶员模型Ma而分析出上述特定场所对于一般驾驶者来说也是容易引起漫不经心、困倦的场所时，推荐块33b输出推荐信号，以便在离特定场所更远的近前的地点(适当的定时)执行提前的提醒注意处理。

此外，个人驾驶员模型Mb包含基于从便携式信息终端装置7c取得的通信数据(通话声音数据、邮件文本数据、设备设定信息等)构建的、表示驾驶者的喜好(食物、兴趣、体育运动等)的子模型。例如，在“食物”的喜好的子模型中，基于作为设备设定信息的书签等，对喜欢的料理的种类(日本料理、法国料理、意大利料理等)进行分级。

当基于该子模型，状态分析块33a分析出驾驶者开始感到空腹的预想时间时，推荐块33b与该预想时间相匹配地(适当的定时)输出在导航地图上显示喜欢的料理种类的餐馆信息(料理种类、餐馆名)的推荐信号。另外，并不限定于空腹度，也可以构成为，当分析出规定的身体的状态时、分析出规定的心理(情绪)的状态时，选择上述推荐信号。

此外，对行驶路线推荐的例子进行说明。状态分析块33a参照个人驾驶员模型Mb、一般驾驶员模型Ma，根据驾驶数据来推测驾驶者的情绪状态或者身体的状态。此处，假定为推测出驾驶者所感到的快乐度较低的情况(或者，预测出随着驾驶动力的降低而在1小时以内会感到无聊)。

推荐块33b接收到表示该推测(预测)的分析输出，而导出用于使其感到快乐(或者，用于使其不产生无聊)的推荐处理。例如，基于个人驾驶员模型Mb、一般驾驶员模型Ma，在离当前位置为规定距离的范围内，搜索作为一般的驾驶者或者车辆A的驾驶者感到快乐的场所而登记的场所(海岸线的道路、景点等)，并输出催促变更为将该场所作为途经地的路线的推荐信号。当车载控制器5接收到该推荐信号时，将推荐信号中包含的途经地输入至导航装置。由此，导航装置进行新的路线计算，由此在显示画面上显示新的推荐路线。

此外，当状态分析块33a根据外部气温、天气等推测出路面冰冻时，推荐块33b输出指示回避被推测为路面冰冻的场所那样的路线的推荐信号。

车载控制器5具有判定是否执行基于推荐信号的推荐处理的推荐判定块53。推荐判定块53在推荐处理为娱乐控制处理的情况下允许执行，在推荐处理为安全控制处理的情况下拒绝执行。在车载控制器5中，在由推荐判定块53允许执行的情况下，娱乐控制块52a根据推荐信号执行推荐处理。

另外，在本实施方式中，根据推荐处理是娱乐控制处理和安全控制处理中的哪一个，来判断能否执行推荐处理。但是，并不限定于此，也可以构成为，即便推荐处理是娱乐控制处理，在车辆驾驶有可能变得不安全的情况下，也拒绝执行推荐处理。例如，在推荐处理是使制动操作定时延迟了的情况下的警报产生定时延迟的处理的情况下，由于不安全性增加，因此拒绝执行，但在是使警报产生定时提前的处理的情况下，相反地，由于安全性增加，因此允许执行。

此外，推荐判定块53在推荐处理是与车载控制器5的车辆控制处理相矛盾或者使其无效的处理的情况下，也拒绝执行推荐处理。例如，在车辆控制处理中，由于天气(雨天、视野降低时)的原因，而执行使对于制动操作延迟的警报产生定时提前的处理，但是在推荐处理是使警报产生定时延迟的处理的情况下，与由于天气原因的上述处理相矛盾或者使其无效，因此被拒绝执行，但在是使警报产生定时提前的处理的情况下，与由于天气原因的上述处理不矛盾、也不会使其无效，因此允许执行。

接着，对基于一般驾驶员模型的个人驾驶员模型的补充处理进行说明。车辆A被限定为基于特定的地域、特定的行驶动作的行驶，因此，个人驾驶员模型Mb所使用的基准数据(驾驶数据、一般数据)与一般驾驶员模型Ma所使用的基准数据相比大幅度减少。因此，根据这样的数据量的差，在个人驾驶员模型Mb与一般驾驶员模型Ma之间产生差。

推荐引擎33内的比较块(未图示)取得个人驾驶员模型Mb以及一般驾驶员模型Ma，并进行比较处理。通过该比较处理，提取存在于一般驾驶员模型Ma但不存在于个人驾驶员模型Mb的子模型、一般知识等。所提取的差分数据(子模型、一般知识等)经由结果验证引擎35而存储为蓄积数据，并由学习引擎31学习。由此，能够适合于车辆A的子模型、一般知识等被附加于个人驾驶员模型Mb。

接着，参照图2对推荐指示的验证处理进行说明。个人服务器3还具有理想驾驶员模型Mi、差分分析引擎34、以及结果验证引擎35。

理想驾驶员模型Mi是基于专家驾驶者的驾驶操作来制作的，是表示在驾驶者所拥有的驾驶技术与行驶难度相平衡的状态下驾驶者集中并享受驾驶操作的状态的理想状态的模型。

差分分析引擎34将该理想驾驶员模型Mi中的驾驶者状态与基于驾驶者的声音数据分析出的实际的驾驶者状态进行比较。

结果验证引擎35对来自差分分析引擎34的差分数据进行分析，由此，通过执行基于推荐信号的推荐处理来验证驾驶者状态受到了何种影响，并将验证结果蓄积于存储部3b。验证结果是通过推荐处理的执行而差分缩小了何种程度(接近理想状态)或者差分增大了何种程度(远离理想状态)的评价。学习引擎31学习该验证结果，由此个人驾驶员模型Mb被更新为更适合于特定驾驶者。

接着，参照图8对改变例所涉及的车辆驾驶支援系统进行说明。图8是改变例所涉及的车辆驾驶系统的构成图。

改变例所涉及的车辆驾驶支援系统S2与上述实施方式的车辆驾驶支援系统S不同，个人服务器3搭载于车辆A。即，车载控制器5与个人服务器3以能够通信的方式搭载于车辆A。数据的流动与车辆驾驶支援系统S相同。

在该车辆驾驶支援系统S2中，车载控制器5与个人服务器3在经由具有安全功能的网关而分割的状态下连接。因此，车载控制器5与个人服务器3构成为分体的单元。

在将车载控制器5与个人服务器3构成为一体的单元的情况下，由于要求高度的处理的个人驾驶员模型的学习处理而运算能力暂时不足，车辆控制处理有可能延迟。但是，在本改变例中，通过分体的单元构成车载控制器5与个人服务器3，因此，与上述实施方式相同，车载控制器5仅执行车辆控制处理即可，因此不会产生车辆控制处理的延迟。

此外，人工智能技术当前正处于进行研发的阶段，进步的程度较快。因此，在本改变例中，能够容易地将分体地构成的个人服务器3更新为更高性能的个人服务器。

接着，对本实施方式的车辆驾驶支援系统的作用进行说明。

本实施方式的车辆驾驶支援系统具备：一般驾驶员模型学习部1，基于多个驾驶者的驾驶数据，学习用于对多个驾驶者进行应用的一般驾驶员模型Mb；个人驾驶员模型学习部3，基于特定驾驶者的驾驶数据，学习特定驾驶者所固有的个人驾驶员模型Mb；以及第1同步引擎40，将对个人驾驶员模型学习部从特定驾驶者的特定车辆A接收到的特定驾驶者的驾驶数据执行第1数据转换处理而得到的驾驶数据向一般驾驶员模型学习部提供。

由此，在本实施方式中，个人驾驶员模型学习部3学习特定车辆A的驾驶数据而构建个人驾驶员模型Mb，但一般驾驶员模型学习部1学习包括特定车辆A在内的多个驾驶数据而构建一般驾驶员模型Ma。因此，与个人驾驶员模型学习部3相比，一般驾驶员模型学习部1需要对更大容量的数据进行处理。因此，一般驾驶员模型学习部1要求能够进行更高速计算的计算处理装置。但是，采用能够进行更高速计算的计算处理装置会导致成本升高，不是实用的解决方法。因此，在本实施方式中，通过第1同步引擎40，将对个人驾驶员模型学习部从特定驾驶者的特定车辆A接收到的特定驾驶者的驾驶数据执行第1数据转换处理而得到的驾驶数据向一般驾驶员模型学习部1提供，由此能够实现一般驾驶员模型学习部1中的计算处理的减轻化。由此，能够抑制一般驾驶员模型学习部1中的处理速度的恶化、以及对一般驾驶员模型学习部1要求的计算处理能力的增大。

此外，在本实施方式中，第1数据转换处理执行第1数据量降低处理，该第1数据量降低处理对从特定车辆接收到的驾驶数据进行处理，以使向一般驾驶员模型学习部1提供的驾驶数据的数据量小于从特定车辆A接收到的驾驶数据的数据量。

由此，在本实施方式中，通过第1同步引擎40，将以缩小数据量的方式进行数据转换而得到的驾驶数据从个人驾驶员模型学习部3向一般驾驶员模型学习部1提供，由此能够实现一般驾驶员模型学习部1中的计算处理的减轻化。

此外，在本实施方式中，第1数据转换处理执行第1关联性转换处理，该第1关联性转换处理对构成从特定车辆A接收到的驾驶数据的多个个别数据间的关联性进行变更。

由此，在本实施方式中，通过第1同步引擎40，对驾驶数据的多个个别数据间的关联性进行变更，并从个人驾驶员模型学习部3向一般驾驶员模型学习部1提供，由此能够实现一般驾驶员模型学习部1中的计算处理的减轻化。

此外，在本实施方式中，第1数据转换处理执行第1时间轴变更处理，该第1时间轴变更处理执行从特定车辆A接收到的驾驶数据所包含的规定的时间变化数据在时间轴上的选择性的提取处理或者统计处理。

由此，在本实施方式中，通过第1同步引擎40执行驾驶数据所包含的规定的时间变化数据在时间轴上的选择性的提取处理或者统计处理，并从个人驾驶员模型学习部3向一般驾驶员模型学习部1提供，由此能够实现一般驾驶员模型学习部1中的计算处理的减轻化。

此外，在本实施方式中，还具备设置于特定车辆4的车载控制器5，该车载控制器5具备第2同步引擎60，该第2同步引擎60将对在特定车辆A中取得的驾驶数据执行第2数据转换处理而得到的驾驶数据向个人驾驶员模型学习部3发送，第2数据转换处理执行第2数据量降低处理，该第2数据量降低处理对在特定车辆A中取得的驾驶数据进行处理，以使向个人驾驶员模型学习部3发送的驾驶数据的数据量小于在特定车辆A中取得的驾驶数据的数据量。

由此，在本实施方式中，车载控制器5不像个人驾驶员模型学习部3那样进行学习个人驾驶员模型Mb的处理。因此，个人驾驶员模型学习部3被要求比车载控制器5更高负荷的数据处理。因此，在本实施方式中，通过第2同步引擎60，将以缩小数据量的方式进行数据转换而得到的驾驶数据从车载控制器5向个人驾驶员模型学习部3提供，由此能够实现个人驾驶员模型学习部3中的计算处理的减轻化。由此，能够抑制个人驾驶员模型学习部3中的处理速度的恶化、以及对个人驾驶员模型学习部3要求的计算处理能力的增大。

此外，在本实施方式中，还具备设置于特定车辆A的车载控制器5，该车载控制器5具备第2同步引擎60，该第2同步引擎60将对在特定车辆A中取得的驾驶数据执行第2数据转换处理而得到的驾驶数据向个人驾驶员模型学习部3发送，第2数据转换处理执行第2关联性转换处理，该第2关联性转换处理对构成在特定车辆A中取得的驾驶数据的多个个别数据间的关联性进行变更。

由此，在本实施方式中，车载控制器5不像个人驾驶员模型学习部3那样进行学习个人驾驶员模型Mb的处理。因此，个人驾驶员模型学习部3被要求比车载控制器5更高负荷的数据处理。因此，在本实施方式中，通过第2同步引擎60，对驾驶数据的多个个别数据间的关联性进行变更，并从车载控制器5向个人驾驶员模型学习部3提供，由此能够实现个人驾驶员模型学习部3中的计算处理的减轻化。由此，能够抑制个人驾驶员模型学习部3中的处理速度的恶化、以及对个人驾驶员模型学习部3要求的计算处理能力的增大。

此外，在本实施方式中，还具备设置于特定车辆A的车载控制器5，该车载控制器5具备第2同步引擎60，该第2同步引擎60将对在特定车辆A中取得的驾驶数据执行第2数据转换处理而得到的驾驶数据向个人驾驶员模型学习部3发送，第2数据转换处理执行第2时间轴变更处理，该第2时间轴变更处理在时间轴上选择性地提取在特定车辆A中取得的驾驶数据所包含的规定的时间变化数据。

由此，在本实施方式中，车载控制器5不像个人驾驶员模型学习部3那样进行学习个人驾驶员模型Mb的处理。因此，个人驾驶员模型学习部3被要求比车载控制器5更高负荷的数据处理。因此，在本实施方式中，通过第2同步引擎60执行驾驶数据所包含的规定的时间变化数据在时间轴上的选择性的提取处理或者统计处理，并从车载控制器5向个人驾驶员模型学习部3提供，由此实现个人驾驶员模型学习部3中的计算处理的减轻化。由此，能够抑制个人驾驶员模型学习部3中的处理速度的恶化、以及对个人驾驶员模型学习部3要求的计算处理能力的增大。

此外，在本实施方式中，第1同步引擎30执行第1数据转换处理，以便在基于一般驾驶员模型学习部1以及个人驾驶员模型学习部3的驾驶数据的运算处理中，由在运算处理中进行处理的每单位时间的数据量、运算负荷、以及目标响应时间的相乘值表示的信息熵大致相等。

由此，在本实施方式中，通过信息熵的均匀化，在一般驾驶员模型学习部1以及个人驾驶员模型学习部3中，能够使数据无等待时间而顺畅地流动。

此外，在本实施方式中，第2同步引擎60执行第2数据转换处理，在基于个人驾驶员模型学习部3以及车载控制器5的驾驶数据的运算处理中，由在运算处理中进行处理的每单位时间的数据量、运算负荷以及目标响应时间的相乘值表示的信息熵大致相等。

由此，在本实施方式中，通过信息熵的均匀化，在个人驾驶员模型学习部3以及车载控制器5中，能够使数据无等待时间而顺畅地流动。

Claims (8)

1.一种车辆驾驶支援系统，具备：

一般驾驶员模型学习部，基于多个驾驶者的驾驶数据，学习用于对上述多个驾驶者进行应用的一般驾驶员模型；

个人驾驶员模型学习部，基于特定驾驶者的驾驶数据，学习上述特定驾驶者所固有的个人驾驶员模型；以及

第1同步引擎，将对上述个人驾驶员模型学习部从上述特定驾驶者的特定车辆接收到的上述特定驾驶者的驾驶数据执行第1数据转换处理而得到的驾驶数据向上述一般驾驶员模型学习部提供，

上述第1同步引擎执行上述第1数据转换处理，以便在基于上述一般驾驶员模型学习部以及上述个人驾驶员模型学习部的驾驶数据的运算处理中，由在上述运算处理中进行处理的每单位时间的数据量、运算负荷、以及目标响应时间的相乘值表示的信息熵大致相等。

2.如权利要求1所述的车辆驾驶支援系统，其中，

上述第1数据转换处理执行第1数据量降低处理，该第1数据量降低处理对从上述特定车辆接收到的驾驶数据进行处理，以使向上述一般驾驶员模型学习部提供的驾驶数据的数据量小于从上述特定车辆接收到的驾驶数据的数据量。

3.如权利要求1所述的车辆驾驶支援系统，其中，

上述第1数据转换处理执行第1关联性转换处理，该第1关联性转换处理对构成从上述特定车辆接收到的驾驶数据的多个个别数据间的关联性进行变更。

4.如权利要求1所述的车辆驾驶支援系统，其中，

上述第1数据转换处理执行第1时间轴变更处理，该第1时间轴变更处理执行从上述特定车辆接收到的驾驶数据所包含的规定的时间变化数据在时间轴上的选择性的提取处理或者统计处理。

5.如权利要求2所述的车辆驾驶支援系统，其中，

还具备设置于上述特定车辆的车载控制器，

该车载控制器具备第2同步引擎，该第2同步引擎将对在上述特定车辆中取得的驾驶数据执行第2数据转换处理而得到的驾驶数据向上述个人驾驶员模型学习部发送，

上述第2数据转换处理执行第2数据量降低处理，该第2数据量降低处理对在上述特定车辆中取得的驾驶数据进行处理，以使向上述个人驾驶员模型学习部发送的驾驶数据的数据量小于在上述特定车辆中取得的驾驶数据的数据量。

6.如权利要求3所述的车辆驾驶支援系统，其中，

还具备设置于上述特定车辆的车载控制器，

该车载控制器具备第2同步引擎，该第2同步引擎将对在上述特定车辆中取得的驾驶数据执行第2数据转换处理而得到的驾驶数据向上述个人驾驶员模型学习部发送，

上述第2数据转换处理执行第2关联性转换处理，该第2关联性转换处理对构成在上述特定车辆中取得的驾驶数据的多个个别数据间的关联性进行变更。

7.如权利要求4所述的车辆驾驶支援系统，其中，

还具备设置于上述特定车辆的车载控制器，

该车载控制器具备第2同步引擎，该第2同步引擎将对在上述特定车辆中取得的驾驶数据执行第2数据转换处理而得到的驾驶数据向上述个人驾驶员模型学习部发送，

上述第2数据转换处理执行第2时间轴变更处理，该第2时间轴变更处理在时间轴上选择性地提取在上述特定车辆中取得的驾驶数据所包含的规定的时间变化数据。

8.如权利要求5～7中任一项所述的车辆驾驶支援系统，其中，

上述第2同步引擎执行上述第2数据转换处理，以便在基于上述个人驾驶员模型学习部以及上述车载控制器的驾驶数据的运算处理中，由在上述运算处理中进行处理的每单位时间的数据量、运算负荷、以及目标响应时间的相乘值表示的信息熵大致相等。

Images