CN112349084A - 驾驶行为评价装置、方法以及记录介质 - Google Patents

Abstract

本发明提供驾驶行为评价装置、驾驶行为评价方法以及记录有驾驶行为评价程序的记录介质。驾驶行为评价装置使用由车载相机拍摄到的图像以及本车辆的位置信息中的至少一者来特定驾驶场景，并通过执行与多个驾驶场景分别对应的多个评价逻辑中的仅与特定的驾驶场景对应的评价逻辑，来推导出对驾驶行为的评价。

Description

驾驶行为评价装置、方法以及记录介质

技术领域

本公开涉及评价车辆驾驶行为的驾驶行为评价装置、驾驶行为评价方法以及存储有驾驶行为评价程序的记录介质。

背景技术

在日本特开2015-125560号公报中公开了从本车辆接近交叉路口到通过交叉路口为止的本车辆的行驶状态推导出车辆的驾驶行为的评价的技术。

发明内容

发明所要解决的课题

但是，日本特开2015-125560号公报所记载的技术是在从接近交叉路口到通过交叉路口为止这一特定的驾驶场景下推导出驾驶行为的评价的技术，但在实际的行驶环境中设想各种各样的驾驶场景。通常，在具有高级驾驶辅助系统或自动驾驶系统的车辆中，需要针对各种各样的驾驶场景，始终并行地执行驾驶者的驾驶行为的评价处理(包括是否执行驾驶辅助的判定处理)。在这种情况下，由于运算处理成为高负荷，因此在高效地进行驾驶行为的评价方面存在改善的余地。

本公开的目的在于，在各种各样的驾驶场景中高效地执行车辆的驾驶行为的评价(包括驾驶辅助的执行)。

用于解决课题的技术方案

第一方式的驾驶行为评价装置具备：特定部，使用由车载相机拍摄到的图像以及本车辆的位置信息中的至少一者来特定驾驶场景；及推导部，通过执行与多个驾驶场景分别对应的多个评价逻辑中的仅与由所述特定部所特定的驾驶场景对应的评价逻辑，来推导出对驾驶行为的评价。

根据第一方式的驾驶行为评价装置，使用由车载相机拍摄到的图像以及本车辆的位置信息中的至少一者来特定驾驶场景。并且，通过执行与多个驾驶场景分别对应的多个评价逻辑中的仅与特定的驾驶场景对应的评价逻辑，来推导出对驾驶行为的评价。因此，能够在各种各样的驾驶场景中高效地进行车辆的驾驶行为的评价。

就第二方式的驾驶行为评价装置而言，在第一方式的驾驶行为评价装置中，所述评价逻辑是如下的逻辑：通过将与本车辆的行为有关的数据输入到学习完毕模型而得到的输出的数据和所述与本车辆的行为有关的数据之间的差越小，对驾驶行为的评价越高，所述学习完毕模型是将与车辆的行为有关的数据作为输入和输出而预先学习过的模型。

在第二方式的驾驶行为评价装置中，由于评价逻辑是使用学习完毕模型的逻辑，因此能够在各种各样的驾驶场景中更高效地进行车辆的驾驶行为的评价。

就第三方式的驾驶行为评价装置而言，在第二方式的驾驶行为评价装置中，所述学习完毕模型的输入和输出是所述与行为有关的数据的时间序列数据。

在第三方式的驾驶行为评价装置中，由于学习完毕模型的输入和输出使用时间序列数据，因此能够在各种各样的驾驶场景中高精度地进行车辆的驾驶行为的评价。

就第四方式的驾驶行为评价装置而言，在第二或第三方式的驾驶行为评价装置中，所述与行为有关的数据包括车速、加速踏板的操作量、制动踏板的操作量、方向盘的转向角、车辆的角速度、车辆的宽度方向的加速度以及车辆的前后方向的加速度。

在第四方式的驾驶行为评价装置中，由于作为与车辆的行为有关的数据使用各种各样的数据，因此能够在各种各样的驾驶场景中高精度地进行车辆的驾驶行为的评价。

第五方式的驾驶行为评价方法中，计算机执行如下处理：使用由车载相机拍摄到的图像以及本车辆的位置信息中的至少一者来特定驾驶场景；及通过执行与多个驾驶场景分别对应的多个评价逻辑中的仅与特定的驾驶场景对应的评价逻辑，来推导出对驾驶行为的评价。

根据第五方式的驾驶行为评价方法，与第一方式的驾驶行为评价装置同样地，能够在各种各样的驾驶场景中高效地进行车辆的驾驶行为的评价。

第六方式的驾驶行为评价程序使计算机执行如下处理：使用由车载相机拍摄到的图像以及本车辆的位置信息中的至少一者来特定驾驶场景；及通过执行与多个驾驶场景分别对应的多个评价逻辑中的仅与特定的驾驶场景对应的评价逻辑，来推导出对驾驶行为的评价。

根据第六方式的驾驶行为评价程序，与第一方式的驾驶行为评价装置同样地，能够在各种各样的驾驶场景中高效地进行车辆的驾驶行为的评价。

发明效果

根据本公开，能够在各种各样的驾驶场景中高效地进行车辆的驾驶行为的评价。

附图说明

图1是表示驾驶行为评价系统的结构的一例的框图。

图2是表示信息处理装置的硬件结构的一例的框图。

图3是表示学习用数据的一例的图。

图4是表示信息处理装置的功能性结构的一例的框图。

图5是用于说明学习完毕模型的图。

图6是表示学习处理的一例的流程图。

图7是表示控制装置的硬件结构的一例的框图。

图8是表示特定表的一例的图。

图9是表示控制装置的功能性结构的一例的框图。

图10是表示驾驶场景特定处理的一例的流程图。

图11是表示驾驶行为评价处理的一例的流程图。

具体实施方式

以下，参照附图详细说明用于实施本公开的实施例。

首先，参照图1对本实施方式所涉及的驾驶行为评价系统10的结构进行说明。如图1所示，驾驶行为评价系统10包括与因特网等网络N连接的信息处理装置12。信息处理装置12能够经由网络N与多个车辆分别进行信息的发送和接收。各车辆例如通过无线通信与网络N连接。作为信息处理装置12的例子，可举出服务器计算机。

下面，参照图2对本实施方式所涉及的信息处理装置12的硬件结构进行说明。如图2所示，信息处理装置12包括CPU(Central Processing Unit：中央处理单元)20、作为临时存储区域的存储器21以及非易失性的存储部22。另外，信息处理装置12包括液晶显示器等显示部23、键盘和鼠标等输入部24以及与网络N连接的网络I/F(InterFace：接口)25。CPU20、存储器21、存储部22、显示部23、输入部24以及网络I/F25与总线26连接。

存储部22通过HDD(Hard Disk Drive：硬盘驱动器)、SSD(Solid State Drive：固态驱动器)、或闪速存储器等来实现。在作为非暂时性存储介质的存储部22存储学习程序30。CPU20从存储部22读出学习程序30并展开到存储器21中，加载并执行展开后的学习程序30。另外，在存储部22存储学习用数据32以及多个学习完毕模型34。

参照图3，对本实施方式所涉及的学习用数据32进行说明。如图3所示，在学习用数据32存储与驾驶场景相对应并以规定的时间间隔取得的与车辆的行为有关的数据(以下称为“车辆行为关联数据”)的时间序列数据。在本实施方式中，车辆行为关联数据包括车速、加速踏板的操作量、制动踏板的操作量、方向盘的转向角、车辆的角速度、车辆的宽度方向的加速度以及车辆的前后方向的加速度。另外，学习用数据32中包含的数据仅为在进行驾驶行为的评价相对较高的驾驶时所取得的数据。这里所说的驾驶行为的评价相对较高的驾驶是指，例如满足交通法规且不妨碍交通流的驾驶。

关于学习完毕模型34的详细情况将后述，但学习完毕模型34是使用学习用数据32进行学习所得的模型，并且是与多个驾驶场景分别对应的多个模型。

下面，参照图4对本实施方式所涉及的信息处理装置12的功能性结构进行说明。如图4所示，信息处理装置12包括取得部40和学习部42。信息处理装置12的CPU20通过执行存储部22中所存储的学习程序30，从而作为图4所示的取得部40和学习部42发挥作用。

取得部40从存储于存储部22的学习用数据32中，针对每个驾驶场景取得车辆行为关联数据。

学习部42针对每个驾驶场景，将由取得部40取得的每个驾驶场景的车辆行为关联数据作为教师数据而使模型进行机械学习，由此生成与多个驾驶场景分别对应的多个学习完毕模型34。并且，学习部42将所生成的多个学习完毕模型34存储于存储部22。作为学习完毕模型34，例如应用LSTM(Long Short-Term Memory：长短期记忆)自动编码器。

详细而言，作为一例，如图5所示，学习部42针对每个驾驶场景生成学习完毕模型34，该学习完毕模型34将车辆行为关联数据的时间序列数据作为输入，并将与输入相同数量的车辆行为关联数据的时间序列数据作为输出。更详细而言，学习部42通过使模型进行学习，以使输入了车辆行为关联数据的时间序列数据的情况下的输出的车辆行为关联数据的时间序列数据与输入的车辆行为关联数据的时间序列数据相等，由此生成学习完毕模型34。

如前文所述，在本实施方式中，将学习用数据32中包含的数据设为在进行驾驶行为的评价相对较高的驾驶时所取得的数据。因此，越为从评价高的驾驶行为远离的驾驶行为，即驾驶行为的评价越低，学习完毕模型34的输入与输出之间的差越大。另外，学习完毕模型34的输入和输出的车辆行为关联数据的个数没有特别限定，例如可例示出预先决定为30个等的形态。另外，例如，也可以不是个数，而是预先设定期间，诸如设为30秒的车辆行为关联数据的时间序列数据等。

下面，参照图6，对本实施方式所涉及的信息处理装置12的作用进行说明。此外，图6是表示本实施方式所涉及的由信息处理装置12的CPU20执行的学习处理的流程的一例的流程图。通过CPU20执行存储部22中所存储的学习程序30来执行图6所示的学习处理。

在图6的步骤S10中，如前文所述，取得部40从存储于存储部22的学习用数据32针对每个驾驶场景取得车辆行为关联数据。

在步骤S12中，如前文所述，学习部42针对每个驾驶场景，将由取得部40取得的每个驾驶场景的车辆行为关联数据作为教师数据而使模型进行机械学习，由此生成与多个驾驶场景分别对应的多个学习完毕模型34。然后，学习部42将所生成的多个学习完毕模型34存储于存储部22。当步骤S12的处理结束时，学习处理结束。

接着，参照图7对本实施方式所涉及的搭载于车辆的控制装置14的硬件结构进行说明。如图7所示，控制装置14包括CPU50、作为临时存储区域的存储器51以及非易失性的存储部52。另外，控制装置14包括与网络N连接的网络I/F53和输入输出I/F54。在输入输出I/F54连接GPS(Global Positioning System:全球定位系统)装置56、检测部57、显示装置58以及车载相机59。CPU50、存储器51、存储部52、网络I/F53以及输入输出I/F54与总线55连接。控制装置14是公开的技术所涉及的驾驶行为评价装置的一例。作为控制装置14的例子，可举出ECU(Electronic Control Unit：电子控制单元)。

存储部52由HDD、SSD或闪速存储器等实现。在作为非暂时性存储介质的存储部52存储驾驶行为评价程序60。CPU50从存储部52读出驾驶行为评价程序60之后将其展开到存储器51，并执行展开后的驾驶行为评价程序60。此外，在存储部52存储由信息处理装置12生成的学习完毕模型34。控制装置14例如经由网络N从信息处理装置12取得学习完毕模型34。此外，控制装置14例如也可以经由存储卡等非暂时性存储介质从信息处理装置12取得学习完毕模型34。另外，在存储部52存储由后述的检测部57以规定的时间间隔(例如一秒间隔)检测出的本车辆的车辆行为关联数据的时间序列数据。

另外，在存储部52存储驾驶场景的特定所使用的特定表62。参照图8，对本实施方式所涉及的特定表62进行说明。如图8所示，在特定表62中，由车载相机59拍摄到的图像中包含的物体、以及本车辆的位置中的至少一者与驾驶场景对应地存储。例如，由车载相机59拍摄到的图像中包含的物体为交通信号灯并且本车辆的位置为交叉路口的周围10m以内这一组合，与“暂时停止”这一驾驶场景对应。另外，例如，在由车载相机59拍摄到的图像中包含的物体是水坑和人的情况下，与“注意行人”这一驾驶场景对应。另外，例如，在本车辆的位置是弯曲的道路上的情况下，与“弯道行驶”这一驾驶场景对应。另外，也可以将多个驾驶场景与由车载相机59拍摄到的图像中包含的物体以及本车辆的位置的一个组合对应。

GPS装置56从多个GPS卫星接收GPS信号而对本车辆的位置进行定位，并将表示定位到的本车辆的位置的位置信息输出到控制装置14。检测部57检测本车辆的车辆行为关联数据，并将检测出的本车辆的车辆行为关联数据输出到控制装置14。详细而言，检测部57包括分别检测本车辆的车速、加速踏板的操作量、制动踏板的操作量、方向盘的转向角、角速度、车辆的宽度方向的加速度以及车辆的前后方向的加速度的传感器组。

显示装置58显示从控制装置14输入的信息。作为显示装置58的例子，可举出汽车导航系统的显示器。显示装置58也可以是通过无线通信与控制装置14连接的便携信息终端的显示器。车载相机59搭载于本车辆的车厢内，并将拍摄车辆前方的图像而得到的图像数据输出到控制装置14。

下面，参照图9对本实施方式所涉及的控制装置14的功能性结构进行说明。如图9所示，控制装置14包括取得部70、特定部72、推导部74和输出部76。控制装置14的CPU50通过执行存储在存储部52中的驾驶行为评价程序60，从而作为图9所示的取得部70、特定部72、推导部74以及输出部76发挥功能。

取得部70从车载相机59取得通过由车载相机59进行的拍摄而得到的图像数据。另外，取得部70从GPS装置56取得表示本车辆的位置的位置信息。

特定部72使用由取得部70取得的图像数据所表示的图像以及本车辆的位置信息中的至少一者来特定驾驶场景。详细而言，特定部72对由取得部70取得的图像数据进行公知的物体检测处理，由此检测由取得部70取得的图像数据所表示的图像中包含的物体。作为该物体检测处理的例子，可举出Faster R-CNN(Regions with Convolutional NeuralNetworks)、YOLO(You Only Look Once)、以及SSD(Single Shot Multibox Detector)等。

另外，特定部72特定由取得部70取得的位置信息所表示的位置是哪种道路上的位置。例如可以在地图信息中与位置信息对应地包含与交叉路口和弯道等道路相关的信息，并使用本车辆的位置和地图信息来进行上述特定。

然后，特定部72参照特定表62，将与所特定的物体和位置的组合对应的驾驶场景、仅与所特定的物体对应的驾驶场景、以及仅与所特定的位置对应的驾驶场景特定为本车辆的驾驶场景。在本实施方式中，特定部72每隔预先决定的第一期间(例如10秒)进行以上的驾驶场景的特定。另外，特定部72也可以使用学习完毕模型来特定本车辆的驾驶场景，所述学习完毕模型是将图像数据所表示的图像以及车辆的位置信息作为输入，并将驾驶场景作为输出，通过预先使用了教师数据的机械学习而得到的。

推导部74通过执行与多个驾驶场景分别对应的多个评价逻辑中的仅与由特定部72特定的驾驶场景对应的评价逻辑，来推导出对驾驶行为的评价。具体而言，推导部74向存储于存储部52的多个学习完毕模型34中的仅与由特定部72特定的驾驶场景对应的学习完毕模型34输入本车辆的最近的车辆行为关联数据的时间序列数据。对应于该输入，从学习完毕模型34输出与输入相同数量的车辆行为关联数据的时间序列数据。

推导部74将从学习完毕模型34输出的车辆行为关联数据的时间序列数据与输入到学习完毕模型34的车辆行为关联数据的时间序列数据之间的差推导为对驾驶行为的评价。如前文所述，在本实施方式中，该差越小，对驾驶行为的评价越高。作为该差，例如可以应用马哈拉诺比斯(Mahalanobis)距离。在本实施方式中，推导部74每隔比第一期间短的第二期间(例如，1秒)进行以上的对驾驶行为的评价。即，每当特定部72特定了一次驾驶场景时，推导部74就多次推导对驾驶行为的评价。另外，推导部74例如也可以将推导出的评价换算为10等级评价等预先决定的等级数的评价值。以上的推导部74执行的使用学习完毕模型34来评价驾驶行为的逻辑相当于公开的技术所涉及的评价逻辑。

输出部76输出由推导部74推导出的评价。详细而言，输出部76通过将由推导部74推导出的评价输出到显示装置58，由此通知给本车辆的驾驶者。例如，在由推导部74推导出的评价不满足预先决定的基准的情况下，即，在为预先决定的阈值以上的情况下，输出部76也可以通过将敦促安全驾驶的消息输出到显示装置58，来对本车辆的驾驶员进行警告。另外，输出部76也可以通过将由推导部74推导出的评价输出到搭载于车辆的扬声器等声音输出装置，由此利用声音向本车辆的驾驶者进行报知。

另外，输出部76也可以通过将由推导部74推导出的评价经由网络N输出到信息处理装置12而进行发送。在这种情况下，信息处理装置12积累从各车辆定期发送来的对驾驶行为的评价。另外，在这种情况下，信息处理装置12例如以一个月一次等定期的定时，汇总针对每个车辆所积累的评价，并通过电子邮件等向车辆的所有者通知汇总结果。另外，对各车辆的驾驶行为的评价例如也可以用于保险费的计算等。

接着，参照图10及图11，对本实施方式所涉及的控制装置14的作用进行说明。此外，图10是表示本实施方式所涉及的由控制装置14的CPU50执行的驾驶场景特定处理的流程的一例的流程图。另外，图11是表示本实施方式所涉及的由控制装置14的CPU50执行的驾驶行为评价处理的流程的一例的流程图。图10所示的驾驶场景特定处理和图11所示的驾驶行为评价处理通过由CPU50执行存储在存储部52中的驾驶行为评价程序60来执行。图10所示的驾驶场景特定处理每隔前文所述的第一期间被执行，图11所示的驾驶行为评价处理每隔前文所述的第二期间被执行。

在图10的步骤S20中，取得部70从车载相机59取得通过由车载相机59进行的拍摄而得到的图像数据。另外，取得部70从GPS装置56取得表示本车辆的位置的位置信息。

在步骤S22中，如前文所述，特定部72使用在步骤S20中取得的图像数据所表示的图像、以及本车辆的位置信息中的至少一者来特定驾驶场景。当步骤S22的处理结束时，图10所示的驾驶场景特定处理结束。

在图11的步骤S24中，如前文所述，推导部74通过执行与多个驾驶场景分别对应的多个评价逻辑中的仅与在紧前的步骤S22中特定的驾驶场景对应的评价逻辑，由此推导出对驾驶行为的评价。

在步骤S26中，如前文的所述，输出部76通过将在步骤S24中推导出的评价输出到显示装置58，由此报知给本车辆的驾驶者。当步骤S26的处理结束时，图11所示的驾驶行为评价处理结束。

如以上所说明的那样，根据本实施方式，通过执行与多个驾驶场景分别对应的多个评价逻辑中的仅与特定的驾驶场景对应的评价逻辑，来推导出对驾驶行为的评价。因此，不需要按情况分为各种各样的场景，并且仅执行与特定的驾驶场景对应的评价逻辑，因此能够减少运算量。其结果，能够在各种各样的驾驶场景中高效地进行车辆的驾驶行为的评价。

另外，在上述实施方式中，信息处理装置12也可以具有控制装置14所具有的功能部的至少一部分。在该情况下，例示信息处理装置12具有特定部72及推导部74的功能的形态。在这种情况下，在信息处理装置12的存储部52存储学习完毕模型34和特定表62。另外，控制装置14将表示由车载相机59拍摄到的图像的图像数据以及表示由GPS装置56定位到的本车辆的位置的位置信息发送到信息处理装置12。信息处理装置12与上述实施方式所涉及的控制装置14同样地，使用从控制装置14发送来的图像数据所表示的图像、以及车辆的位置信息中的至少一者来特定驾驶场景。然后，信息处理装置12通过执行与多个驾驶场景分别对应的多个评价逻辑中的仅与特定的驾驶场景对应的评价逻辑，来推导出对驾驶行为的评价。

另外，上述实施方式中的由CPU20、50进行的处理作为通过执行程序而进行的软件处理进行了说明，但也可以是由ASIC(Application Specific Integrated Circuit：应用专用集成电路)以及FPGA(Field-Programmable Gate Array：现场可编程门阵列)等硬件进行的处理。另外，由CPU20、50进行的处理也可以是将软件和硬件这两者组合进行的处理。另外，存储于存储部22的学习程序30以及存储于存储部52的驾驶行为评价程序60也可以存储在各种非暂时性存储介质中而流通。

另外，本公开并不限定于上述的实施例，除了上述的实施例以外，也可以在不脱离其主旨的范围内进行各种变形来实施。

Claims (12)

1.一种驾驶行为评价装置，该驾驶行为评价装置具备：

特定部，使用由车载相机拍摄到的图像以及本车辆的位置信息中的至少一者来特定驾驶场景；及

推导部，通过执行与多个驾驶场景分别对应的多个评价逻辑中的仅与由所述特定部所特定的驾驶场景对应的评价逻辑，来推导出对驾驶行为的评价。

2.根据权利要求1所述的驾驶行为评价装置，其中，

所述评价逻辑是如下的逻辑：通过将与本车辆的行为有关的数据输入到学习完毕模型而得到的输出的数据和所述与本车辆的行为有关的数据之间的差越小，对驾驶行为的评价越高，

所述学习完毕模型是将与车辆的行为有关的数据作为输入和输出而预先学习过的模型。

3.根据权利要求2所述的驾驶行为评价装置，其中，

所述学习完毕模型的输入和输出是所述与车辆的行为有关的数据的时间序列数据。

4.根据权利要求2或3所述的驾驶行为评价装置，其中，

所述与车辆的行为有关的数据包括车速、加速踏板的操作量、制动踏板的操作量、方向盘的转向角、车辆的角速度、车辆的宽度方向的加速度以及车辆的前后方向的加速度。

5.一种驾驶行为评价方法，由计算机执行如下处理：

使用由车载相机拍摄到的图像以及本车辆的位置信息中的至少一者来特定驾驶场景；及

通过执行与多个驾驶场景分别对应的多个评价逻辑中的仅与特定的驾驶场景对应的评价逻辑，来推导出对驾驶行为的评价。

6.根据权利要求5所述的驾驶行为评价方法，其中，

所述评价逻辑是如下的逻辑：通过将与本车辆的行为有关的数据输入到学习完毕模型而得到的输出的数据和所述与本车辆的行为有关的数据之间的差越小，对驾驶行为的评价越高，

所述学习完毕模型是将与车辆的行为有关的数据作为输入和输出而预先学习过的模型。

7.根据权利要求6所述的驾驶行为评价方法，其中，

所述学习完毕模型的输入和输出是所述与车辆的行为有关的数据的时间序列数据。

8.根据权利要求6或7所述的驾驶行为评价方法，其中，

所述与车辆的行为有关的数据包括车速、加速踏板的操作量、制动踏板的操作量、方向盘的转向角、车辆的角速度、车辆的宽度方向的加速度以及车辆的前后方向的加速度。

9.一种记录介质，其记录有驾驶行为评价程序，该驾驶行为评价程序用于使计算机执行如下处理：

使用由车载相机拍摄到的图像以及本车辆的位置信息中的至少一者来特定驾驶场景；及

通过执行与多个驾驶场景分别对应的多个评价逻辑中的仅与特定的驾驶场景对应的评价逻辑，来推导出对驾驶行为的评价。

10.根据权利要求9所述的记录介质，其中，

所述评价逻辑是如下的逻辑：通过将与本车辆的行为有关的数据输入到学习完毕模型而得到的输出的数据和所述与本车辆的行为有关的数据之间的差越小，对驾驶行为的评价越高，

所述学习完毕模型是将与车辆的行为有关的数据作为输入和输出而预先学习过的模型。

11.根据权利要求10所述的记录介质，其中，

所述学习完毕模型的输入和输出是所述与车辆的行为有关的数据的时间序列数据。

12.根据权利要求10或11所述的记录介质，其中，

所述与车辆的行为有关的数据包括车速、加速踏板的操作量、制动踏板的操作量、方向盘的转向角、车辆的角速度、车辆的宽度方向的加速度以及车辆的前后方向的加速度。

Images