CN114641812A - 生成用于指导的信息的系统 - Google Patents
生成用于指导的信息的系统 Download PDFInfo
- Publication number
- CN114641812A CN114641812A CN202080076428.8A CN202080076428A CN114641812A CN 114641812 A CN114641812 A CN 114641812A CN 202080076428 A CN202080076428 A CN 202080076428A CN 114641812 A CN114641812 A CN 114641812A
- Authority
- CN
- China
- Prior art keywords
- guidance
- driver
- type
- driving
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 230000006872 improvement Effects 0.000 claims description 75
- 238000005259 measurement Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 14
- 230000003287 optical effect Effects 0.000 claims 6
- 238000012549 training Methods 0.000 description 35
- 230000000694 effects Effects 0.000 description 26
- 238000012545 processing Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 230000006399 behavior Effects 0.000 description 10
- 238000000605 extraction Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 5
- 230000002354 daily effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3697—Output of additional, non-guidance related information, e.g. low fuel level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/09626—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages where the origin of the information is within the own vehicle, e.g. a local storage device, digital map
Abstract
生成用于指导驾驶员的信息的系统包含处理器与存储装置。存储装置储存与驾驶员相应的指导履历。处理器根据指导履历生成基于抽象后的指导种类的异同的特征量。处理器基于特征量决定与驾驶员相应的指导种类。处理器根据驾驶员的车辆监视信息,生成用于对驾驶员进行指导种类的指导的信息。
Description
参照引用
本申请主张2019年10月29日提出申请的日本申请特愿2019-195877的优先权,通过参照其内容而组入本申请。
技术领域
本公开涉及生成用于指导的信息的系统。
背景技术
专利文献1中公开了:“一种支援装置,对于具有多辆具备车载终端3的车辆的企业进行支援,对由车载终端3收集的运行信息进行加工处理来制作加工信息,检测加工信息中所包含的交通事故的征兆信息,检索与该征兆信息相关的交通安全的指导计划来制作指导书(例如参照说明书摘要)。”
现有技术文献
专利文献
专利文献1:日本特开2006-113546号公报
发明内容
发明所要解决的课题
专利文献1能够在规定期间内针对危险度最高的、成为事故的征兆的驾驶实施指导。但是,可能会发生:若持续相同的指导则形成陋习而无法获得期待的指导效果、若长期不接受指导则可能遗忘、若短时间内集中实施各种指导则无法记住等与人的特性相关的问题。因此,期望生成用于进行更有效的指导的信息的技术。
用于解决课题的手段
本公开的代表性的一例为生成用于指导驾驶员的信息的系统,包含:一个以上的处理器;以及一个以上的存储装置,储存所述一个以上的处理器执行的命令码,所述一个以上的存储装置储存与所述驾驶员相应的指导履历,所述一个以上的处理器根据所述指导履历,生成基于抽象后的指导种类的异同的特征量,基于所述特征量决定与所述驾驶员相应的指导种类,根据所述驾驶员的车辆监视信息,生成用于对所述驾驶员进行所述指导种类的指导的信息。
发明效果
根据本发明的代表性的一例,能够生成用于进行有效的指导的信息。上述以外的课题、构成以及效果通过以下的实施方式的说明而清楚。
附图说明
图1A是表示实施例1的指导信息提示系统的逻辑构成例。
图1B是表示指导信息提示系统1的硬件构成例。
图2是表示车辆计测数据的构成例。
图3是表示驾驶特征量数据的构成例。
图4是表示危险种类判定规则的例子。
图5是表示危险种类判定结果的构成例。
图6是表示指导教师的构成例。
图7是表示指导对象危险种类数据的构成例。
图8是表示指导履历的构成例。
图9是表示指导履历特征量数据的构成例。
图10是表示驾驶分数改善度数据的构成例。
图11是表示训练用指导履历特征量数据的构成例。
图12是表示指导信息提示系统的主要处理的流程图。
图13是表示驾驶特征量数据生成的详细的流程图。
图14是表示危险种类判定的详细内容的流程图。
图15是表示指导效果推断的详细内容的流程图。
图16是表示针对一名驾驶员的指导用画面的例子。
图17是表示针对多名驾驶员的指导用画面的例子。
图18是表示用于生成改善推断模型的流程图。
图19是表示评价指导的遵守情况的画面的例子。
图20是表示实施例2的指导信息提示系统的逻辑构成例。
图21是表示工作计划的构成例。
图22是表示工作进展的构成例。
具体实施方式
以下,使用附图对实施例进行说明。在以下说明的发明的构成中,对于相同或者类似的构成或功能标注相同的附图标记,并省略重复的说明。
【实施例1】
以下,说明从车辆的举动中检测危险场景,生成并提示用于进行驾驶员的指导的信息的指导信息提示系统的例子。本例的指导信息提示系统对于运输或客运车辆的驾驶员,在工作结束后进行的点名中,根据记录了同日的驾驶中的车辆举动的车辆监视信息,生成用于指导的信息,并且基于过去的指导履历按每个驾驶员决定有效的指导种类,从而支援对安全驾驶有效的指导。例如分析卡车的车辆举动并检测危险场景,在卡车的驾驶员结束工作返回(归来)营业所的点名时,显示该日的危险场景的短时间视频,从而支援安全指导。
出于工作原因,每天的指导仅限于归来后的几分钟左右,需要在该有限的时间内实施有效的安全指导。具体而言,在归来时输出包含当日的危险驾驶的场景的视频,管理者在场一边观看视频一边回顾,由管理者进行指导。为了进行有效的指导,每天的指导内容的组合方式非常重要。即使危险度较高,若每天继续相同的指导则有可能形成陋习而无法落实下来,因此考虑到这样的人的特性来决定每天的指导内容非常重要。
根据发明人的研究,可知为了促进人的持续性的成长,指导履历中的指导种类的异同的观点中的特征量非常重要,而非指导种类(指导内容)其本身,无需按每个指导种类(指导内容)制作特征量。本实施例能够根据指导履历、计算基于抽象后的指导种类的异同的指导履历的特征量,并推断有效的指导。通过着眼于指导种类的异同,能够削减计算所需的特征量数量,能够削减所需的训练数据量。
另外,以下,说明基于一天的工作中的卡车驾驶的举动来指导卡车的驾驶员(司机)的例子,但本公开的特征不限于卡车的驾驶,也能够应用于出租车、装卸车辆等其他车辆的驾驶的指导。此外,成为指导的对象的驾驶期间不限于一天,例如既可以为多天也可以为一天的几个小时等。
图1A是表示指导信息提示系统的逻辑构成例。指导信息提示系统1包含执行处理的功能部以及功能部生成、更新、使用的信息(数据)。信息包括车辆计测数据11、驾驶特征量数据12、危险种类判定规则13、危险种类判定结果14、指导教师15、指导对象危险种类数据16、指导履历17、指导履历特征量数据18、危险种类判定结果履历19、驾驶分数改善度数据20、以及训练用指导履历特征量数据21。
功能部包括驾驶特征量生成部51、危险种类判定部52、指导履历特征量生成部53、指导效果推断部54、改善推断模型55、视频提取画面输出部56以及驾驶分数改善度计算部57。功能部例如能够通过按照程序(命令码)来动作的处理器、逻辑电路或者其组合来实现。
驾驶特征量生成部51根据分别由一名或者多名驾驶员驾驶的车辆的车辆计测数据11,生成驾驶特征量数据12。危险种类判定部52基于危险种类判定规则13,根据驾驶特征量数据12生成危险种类判定结果14。指导履历特征量生成部53根据各驾驶员的指导履历17以及本次指导的指导种类候选,生成指导履历特征量数据18。此外,指导履历特征量生成部53根据指导履历17生成训练用指导履历特征量数据21。
指导效果推断部54使用训练完毕的改善推断模型55,并根据指导履历特征量数据18,推断各驾驶员的指导种类候选各自的驾驶改善度。指导效果推断部54基于驾驶改善度,对于各驾驶员从指导种类候选中选择一个以上的指导种类。指导效果推断部54参照指导教师15,决定与对于各驾驶员所选择的一个以上的指导种类对应的危险种类,生成指导对象危险种类数据16。
视频提取画面输出部56基于危险种类判定结果14以及指导对象危险种类数据16,从基于各驾驶员的行车记录仪(drive recorder)的驾驶影像中提取用于指导的场景,生成并显示各驾驶员的指导用画面。改善推断模型55将驾驶分数改善度数据20以及训练用指导履历特征量数据21作为训练数据进行训练。驾驶分数改善度数据20由驾驶分数改善度计算部57根据危险种类判定结果履历19来生成。
图1B是表示指导信息提示系统1的硬件构成例。指导信息提示系统1能够具有计算机构成。指导信息提示系统1包含处理器121、存储器(主存储装置)122、辅助存储装置123、输出装置124、输入装置125、以及通信接口(I/F)127。上述构成要素通过总线相互连接。存储器122、辅助存储装置123或者其组合为存储装置,储存有处理器121所使用的程序及数据。
存储器122例如由半导体存储器构成,主要用于保持执行中的程序、数据。处理器121按照在存储器122中储存的程序,执行各种处理。处理器121按照程序进行动作,由此各种功能部得以实现。
例如,处理器121通过按照对应的程序进行动作,从而作为驾驶特征量生成部51、危险种类判定部52、指导履历特征量生成部53、指导效果推断部54、改善推断模型55、视频提取画面输出部56以及驾驶分数改善度计算部57发挥功能。
辅助存储装置123例如由硬盘驱动器、固态硬盘等大容量存储装置构成,用于长期保持程序、数据。
处理器121能够通过单一的处理单元或者多个处理单元构成,能够包含单一或多个运算单元、或者多个处理核。处理器121能够作为一个或者多个中央处理装置、微处理器、微计算机、微控制器、数字信号处理器、状态机、逻辑电路、图形处理装置、芯片上系统(system on a chip)以及/或者基于控制指示来操作信号的任意的装置进行安装。
在辅助存储装置123中储存的程序以及数据在启动时或者必要时向存储器122中加载,并由处理器121执行程序,从而执行指导信息提示系统1的各种处理。因此,以下由指导信息提示系统1执行的处理是由处理器121或者程序进行的处理。
输入装置125是用户用于向指导信息提示系统1输入指示、信息等的硬件设备。输出装置124是提示输入输出用的各种图像的硬件设备,例如是显示设备或者印刷设备。通信I/F 127是用于与网络连接的接口。
指导信息提示系统1的功能能够安装于由一个以上的计算机构成的计算机系统,该计算机包含包括一个以上的处理器以及非瞬态存储介质在内的一个以上的存储装置。多个计算机经由网络进行通信。例如,也可以是指导信息提示系统1的多个功能的一部分安装于一个计算机,其他一部分安装于其他计算机。
以下,对指导信息提示系统1所保持的信息的例子进行说明。在以下说明的例子中,各种信息储存于表中,但各种信息也可以保持于任意的数据构造中。在以下说明的例子中,在针对各驾驶员的一个对象驾驶期间的指导(一次的指导)中,进行一个指导种类的指导。由此,能够提高对驾驶员的各指导的效果。在一次的指导中,也可以实施多个指导种类的指导(多个指导)。由此,能够针对指导对象期间的多种危险驾驶进行指导。
图2是表示车辆计测数据11的构成例。车辆计测数据11储存有由一名或者多名驾驶员分别进行的驾驶中的车辆的举动的计测数据。车辆计测数据通过设置于车辆的计测系统进行计测。车辆计测数据11与基于未图示的行车记录仪的影像一同包含在车辆监视信息中。在图2的例子中,车辆计测数据11包含车辆ID栏201、驾驶员ID栏202、日期和时间栏203、速度栏204、加速度栏205、以及车间距离栏206。
车辆ID栏201以及驾驶员ID栏202分别表示被计测数据的车辆的ID以及驾驶员的ID。日期和时间栏203表示被计测数据的日期和时间。速度栏204、加速度栏205、以及车间距离栏206分别表示车辆的速度、加速度以及车间距离的计测值。
在图2的例子中,计测值以一定间隔(例如1秒)被记录。另外,驾驶员当值时向车载机器登记自身的信息。因此,车辆计测数据11能够包含车辆ID以及驾驶员ID。车辆计测数据11的构造为任意构造,车辆计测表、表示各当值日的车辆与驾驶员的对应关系的表也可以分开。速度、加速度以及车间距离为计测数据的例子,也可以代替或除此之外还储存有其他计测值。
图3是表示驾驶特征量数据12的构成例。如上述那样,驾驶特征量数据12根据车辆计测数据11而生成。驾驶特征量数据12储存有各驾驶员的车辆计测数据中的特征量。在图3的例子中,各记录示出了按照预先设定的规则被分割后的时间段各自的信息。
在各个时间段中,决定驾驶的危险种类,通过时间区分的信息进行指导种类的指导。如此,通过将驾驶履历的计测数据分割为多个时间段,从而能够适当地提取驾驶员的危险驾驶,而且,能够从表示驾驶员的驾驶履历的影像中容易且适当地提取用于指导的场景。
在图3的例子中,驾驶特征量数据12包含车辆ID栏221、驾驶员ID栏222、开始日期和时间栏223、结束日期和时间栏224、平均速度栏225、最高速度栏226、最低速度栏227、以及时间长度栏228。平均速度栏225、最高速度栏226、最低速度栏227、时间长度栏228表示用于危险判定的特征量。
车辆ID栏221以及驾驶员ID栏222表示车辆的ID以及驾驶员的ID。开始日期和时间栏223以及结束日期和时间栏224表示各记录的时间段的开始日期和时间以及结束日期和时间。平均速度栏225、最高速度栏226以及最低速度栏227表示各记录的时间段中的平均速度、最高速度以及最低速度。危险判定对于各记录、即车辆与驾驶员的各组合的各时间段执行。另外,图3所示的特征量为例子,能够是除此之外、或者代替其中一部分地包含其他特征量。
图4是表示危险种类判定规则13的例子。危险种类判定规则13是表示用于根据驾驶特征量数据12所示的各时间段的特征量来判定各时间段的驾驶的危险种类的规则。危险种类判定规则13被预先设定。危险种类的判定对对象时间段的驾驶是否为危险驾驶进行判定,而且在为危险驾驶的情况下,判定其种类。
对危险种类判定规则13的生成步骤的一个例子进行说明。例如,从过去的驾驶特征量数据中提出多个样本(例:几百件)。观察各样本的车辆以及时间段的影像(行车记录仪等),标记是否为危险驾驶、原因为该驾驶员的责任(自责)还是其他驾驶员的责任(他责)、以及危险的情况的种类(车间距离较短、减速开始较晚等)等的标签。此时,也可以一并标记是高速道路还是通常道路、交通是否阻塞这类的外部环境信息等的标签。
进行将驾驶特征量设为解释变量、将标签设为目标变量来分类的有监督学习,从而生成危险种类判定规则的模型。图4示出了决策树的模型的内容。危险种类判定规则13的形式不限于图4的例子。危险种类判定规则13的描述格式依据所使用的学习库。
图5是表示危险种类判定结果14的构成例。危险种类判定结果14是表示与驾驶特征量数据12的各记录相应的危险种类的判定结果。如上述那样,危险种类判定结果14通过危险种类判定部52根据驾驶特征量数据12来生成。危险种类判定结果履历19为危险种类判定结果14的过去的履历,能够具有与危险种类判定结果14相同的表结构。
危险种类判定结果14包含车辆ID栏241、驾驶员ID栏242、开始日期和时间栏243、结束日期和时间栏244、平均速度栏245、最高速度栏246、最低速度栏247、时间长度栏248、以及危险种类栏249。危险种类栏249以外的栏与驾驶特征量数据12的栏相同。在图5的例子中,危险种类栏249表示各记录的驾驶的危险种类。在驾驶不属于危险驾驶的情况下,危险种类栏249示出短横线。
图6是表示指导教师15的构成例。指导教师15将危险种类与指导种类建立对应。指导教师15被预先设定。在图6的例子中,指导教师15表示危险种类栏261、危险种类的说明栏262、指导种类栏263、以及指导内容栏264。危险种类的说明栏262是表示危险种类栏261所示的各个危险种类的说明。指导种类栏263表示分别与危险种类栏261所示的危险种类对应的指导种类。指导内容栏264表示指导种类栏263所示的指导种类各自的指导内容。
图7是表示指导对象危险种类数据16的构成例。指导对象危险种类数据16表示关于决定对各驾驶员进行的指导的信息。如上述那样,指导对象危险种类数据16通过指导效果推断部54,使用改善推断模型55,基于指导教师15以及指导履历特征量数据18而生成。
在图7的例子中,指导对象危险种类数据16包含驾驶员ID栏281、危险种类栏282、指导内容栏283、以及推断改善度栏284。驾驶员ID栏281表示被指导的驾驶员各自的ID。危险种类栏282表示与各驾驶员相应的成为指导的对象的危险种类。指导内容栏283表示与各驾驶员相应的指导内容。推断改善度栏284表示通过针对各驾驶员的、对应的指导内容而推断的驾驶改善度。
图8是表示指导履历17的构成例。指导履历17表示驾驶员各自的过去的实际的指导履历。指导履历17例如由用户或者指导信息提示系统1(例如指导效果推断部54)更新。
在图8的例子中,指导履历17包含驾驶员ID栏301、指导日栏302、指导种类栏303、以及危险种类栏304。驾驶员ID栏301表示被指导的驾驶员的ID。指导日栏302表示对驾驶员实施的指导的日期。在本例中,对于一天的工作中的驾驶,实施一次指导。指导种类栏303以及危险种类栏304表示一次指导中的指导种类以及指导对象的危险种类。
图9是表示指导履历特征量数据18的构成例。指导履历特征量数据18表示各驾驶员的指导履历中的特征量。如上述那样,指导履历特征量数据18通过指导履历特征量生成部53,根据指导履历17而生成。一条记录表示与针对一名驾驶员的一个指导种类候选对应的信息。例如,指导履历特征量数据18包含针对各驾驶员的所有指导种类候选的记录。
在图9的例子中,指导履历特征量数据18包含驾驶员ID栏321、基准日栏322、指导种类栏323、N日内的指导数栏324、N日内的指导种类数栏325、N日内最大连续被指导的指导天数栏326、以及N日内与基准日为相同的指导的数量栏327。N日内的指导数栏324、N日内的指导种类数栏325、N日内最大连续被指导的指导天数栏326、N日内与基准日为相同的指导的数量栏327表示用于选择指导对象的危险种类的特征量。N日表示规定天数。另外,也可以仅其中一部分(至少一个)被用作指导对象选择的特征量。通过这些特征量能够选择指导效果较高的危险种类。
驾驶员ID栏321表示指导对象的驾驶员的ID。基准日栏322是用于计算指导履历中的特征量的基准日,在图9的例子中为指导对象的当值日。指导种类栏323表示对驾驶员进行的指导的指导种类候选。指导种类候选是对指导对象当值日的驾驶进行的指导种类的候选。例如已定义的所有指导种类成为候选。
N日内的指导数栏324是表示从基准日起过去N日内的指导数。N为2以上的整数,指导数包含基准日的指导种类候选。在本例中,在一次指导中进行一个指导种类的指导,因此指导数、指导天数以及指导次数相同。在能够通过一次的指导进行多个(多种)指导的情况下,为各次指导数(指导种类数)的总和。例如在N为2,基准日的前一日进行指导1以及指导2的指导,基准日的指导种类候选仅为指导2的情况下,指导数为3。
N日内的指导种类数栏325表示从基准日起过去N日内的指导种类的数量。种类数的计数对象包含基准日的指导种类候选。例如在N为5,过去4日的指导种类为指导1、指导2、指导2、指导2,基准日的指导种类候选为指导1的情况下,指导种类数为2。在能够通过一次指导进行多个(多种)指导的情况下也能够同样进行计数。例如在N为2,基准日的前一日进行指导1以及指导2的指导,基准日的指导种类候选仅为指导2的情况下,指导种类数为2。
N日内最大连续被指导的指导天数栏326表示从基准日起过去N日内、连续实施的指导种类的最大连续天数。例如在N为5,过去4日的指导种类为指导1、指导2、指导2、指导2,基准日的指导种类候选为指导1的情况下,最大连续天数为3。在能够通过一次的指导进行多个(多种)指导的情况下也能够同样进行计数。
N日内与基准日为相同的指导的数量栏327表示从基准日起过去N日内、与基准日的指导种类候选为相同种类的指导数。例如在N为5,过去4日的指导种类为指导1、指导2、指导2、指导2,基准日的指导种类候选为指导1的情况下,栏327的值为1。在基准日存在多个指导种类候选的情况下,栏327的值例如可以为分别与多个指导种类候选相同种类的指导的数量的总和。例如在N为5,过去4日的指导种类为指导1、指导2、指导3、指导2,基准日的指导种类候选为指导1以及指导2的情况下,栏327的值为3。
如图9的例子所示,指导履历特征量数据18表示将指导种类抽象化,从指导种类的异同的观点出发计算出的指导履历的特征量。例如根据指导1、指导2、指导1、指导(候选)3的指导履历计算的特征量与根据指导3、指导1、指导3、指导(候选)2的指导履历计算的特征量相同。能够通过改善推断模型55的较少运算量以及训练数据,从基于指导种类的异同的指导履历的特征量来推断有效的指导。
在图9的例子中,N日内最大连续被指导的指导的天数是表示指导种类的异同的模式的特征量的例子。表示指导种类的异同的模式的特征量的其他例子为,表示与前一日的指导种类的异同的位串。如上述那样,通过包含表示指导种类的异同的模式的特征量,能够推断更有效的指导种类。如图9的例子所示,通过将指导对象的当值日的指导日设为基准日,能够决定与该当值日的驾驶相应的更适当的指导种类。
图10是表示驾驶分数改善度数据20的构成例。驾驶分数改善度数据20表示过去的指导履历中的驾驶分数的改善度,是改善推断模型55的训练中使用的训练数据。如上述那样,驾驶分数改善度数据20通过驾驶分数改善度计算部57根据危险种类判定结果履历19而生成。
各记录表示一次指导的信息。在图10的例子中,驾驶分数改善度数据20包含驾驶员ID栏341、指导日栏342以及驾驶分数改善度栏343。驾驶员ID栏341以及指导日栏342分别表示指导对象的驾驶员的ID以及实施了指导的日期。驾驶分数改善度栏343表示基于指导的驾驶分数的改善度。
某日d的驾驶分数Sd例如通过下述数式表示。
Sd=(k1,d(危险1的次数)+k1,d(危险2的次数)+···)/驾驶时间
k1,d、k1,d是分别对危险种类1以及危险种类2预先分配的系数。对于所有危险种类,系数被预先分配。系数被设定为例如危险驾驶次数越少则驾驶分数Sd越大。
驾驶分数改善度例如通过从日d的次日起后L日(例如7日)的驾驶分数的平均(指导后驾驶分数)减去从日d起前M日(例如7日)的驾驶分数的平均(指导前驾驶分数)而得的值来表示。L以及M为2以上的整数。表示驾驶的安全性的驾驶分数以及表示其改善度的驾驶分数改善度的计算方法为任意的方法,不限于上述例子。
图11是表示训练用指导履历特征量数据21的构成例。训练用指导履历特征量数据21表示各驾驶员的指导履历中的特征量,是改善推断模型55的训练中使用的训练数据。如上述那样,训练用指导履历特征量数据21通过指导履历特征量生成部53,根据指导履历17而生成。
在图11的例子中,训练用指导履历特征量数据21包含驾驶员ID栏361、基准日栏362、N日内的指导数栏363、N日内的指导种类数栏364、N日内最大连续被指导的指导的天数栏365、以及N日内与基准日为相同的指导的数量栏366。训练用指导履历特征量数据21的构成具有从图9所示的指导履历特征量数据18中排除指导种类栏323后的表构成。训练用指导履历特征量数据21的栏分别对应于指导履历特征量数据18的同名的栏。
驾驶分数改善度数据20以及训练用指导履历特征量数据21为改善推断模型55的训练数据。驾驶分数改善度数据20的输入为指导履历特征量(N日内的指导数、N日内的指导种类数、N日内最大连续被指导的指导的天数、N日内与基准日为相同指导的数量)。输出为驾驶分数改善度的推断值。例如,改善推断模型55通过训练用指导履历特征量的线性函数(线性回归模型),即加权系数与训练用指导履历特征量乘积之和来表示。加权系数为学习参数。改善推断模型55的构成(函数)为任意的构成,不限于上述例子。
以下,说明指导信息提示系统1的处理的例子。以下,说明以白天行驶时生成的车辆计测数据为基础,提取应当指导的危险场景,并在归来时与视频一同作为安全指导画面输出的例子。为了容易说明,对生成以及提示用于指导一名驾驶员的信息例子进行说明。相同的处理能够对于多名驾驶员分别执行。
图12是表示指导信息提示系统1的主要处理的流程图。图12是表示用于从白天的驾驶数据(车辆计测数据)中选定指导对象的每日的处理的流程图。如图12所示,指导信息提示系统1执行驾驶特征量数据生成(S11)。接下来,指导信息提示系统1执行危险种类判定(S12)。接下来,指导信息提示系统1执行基于指导种类的异同的特征量生成(S13)。接下来,指导信息提示系统1执行指导效果推断(S14)。接下来,指导信息提示系统1执行视频提取以及画面输出(S15)。
以下,对图12的流程图的步骤的详细内容进行说明。图13是表示驾驶特征量数据生成S11的详细内容的流程图。首先,指导信息提示系统1从车载传感器等取得车辆计测数据11(S21)。
接下来,驾驶特征量生成部51按照预先设定的规则,将车辆计测数据11划分为多个时间段(S22)。驾驶特征量生成部51基于车辆测定数据所示的车辆的举动,决定分割的时间段。驾驶特征量生成部51从危险驾驶的观点出发将示出特征性的举动的时间段决定为切出的时间段。
例如,驾驶特征量生成部51将车间距离为阈值以下的状态持续的时间段,决定为切出的时间段。如果车间距离小于10m的状态从12:00:00持续至12:00:54,则该时间段被切出。除此之外,速度超过阈值的时间段、超过阈值的加速度的时间段等可被切出。示出特征性的举动的时间段之间的、未示出特征性的举动的时间段也被决定为一个时间段。
驾驶特征量生成部51对于各时间段分别生成表示驾驶举动的特征量。例如,时间段中的平均速度、最高速度、最低速度、速度偏差、时间长度等被定义为特征量。这些仅为示例,不限于此。图3所示的驾驶特征量数据12通过将上述那样生成的数据以表的形式而输出。
接下来,对危险种类判定S12进行说明。图14是表示危险种类判定S12的详细内容的流程图。首先,危险种类判定部52取得驾驶特征量数据12(图3)(S31)。接下来,危险种类判定部52取得危险种类判定规则13(图4)(S32)。危险种类判定部52对驾驶特征量数据12应用危险种类判定规则13,决定针对各时间段的判定结果。危险种类判定结果14(图5)通过将上述这样生成的数据以表的形式而输出。
接下来,对基于指导种类的异同的特征量生成S13进行说明。指导履历特征量生成部53使用驾驶员的最近的指导履历(接受指导的履历),生成基于指导种类的异同的特征量。如图8所示,指导履历17储存有驾驶员、指导日、指导对象的危险种类以及与危险种类对应的指导种类的信息。
如参照图9说明那样,指导履历特征量生成部53将指导种类抽象化,并生成基于指导种类的异同的特征量。如上述那样,本实施例以当值日的车辆计测数据为基础,决定该日的指导内容。因而,当值日成为基准日。由于该日的指导未实施,因此不存在基准日的指导履历。
如参照图9说明那样,指导履历特征量生成部53计算所有指导种类候选各自的特征量的组合。例如所有指导种类设为指导1、指导2、指导3。指导履历特征量生成部53生成当日的指导种类为指导1的情况下的特征量的组合、当日的指导种类为指导2的情况下的特征量的组合、以及当日的指导种类为指导3的情况下的特征量的组合。
接下来,对指导效果推断S14进行说明。图15是表示指导效果推断S14的详细内容的流程图。指导效果推断部54取得危险种类判定结果14以及指导履历特征量数据18(S41)。指导效果推断部54取得改善推断模型55(S42)。
指导效果推断部54通过改善推断模型55推断驾驶分数改善度(S43)。指导效果推断部54将指导履历特征量数据18的各记录的特征量组合输入至改善推断模型55。改善推断模型55输出驾驶分数改善度的推断值。如上述那样,存在指导种类候选各自的指导履历特征量组合。指导效果推断部54生成指导种类候选各自的驾驶分数改善度推断值。
接下来,指导效果推断部54基于驾驶分数改善度的推断值,选择指导对象的危险种类(S44)。指导效果推断部54基于驾驶分数改善度的推断值从指导种类候选中选择实施的指导种类,并参照指导教师15辨别(确定)与所选择的指导种类对应的危险种类。通过参照驾驶分数改善度,能够选择有望改善驾驶的有效的指导种类。
例如指导效果推断部54选择与驾驶分数改善度的推断值表示最大的改善的指导种类候选对应的危险种类。也可以进一步参照与驾驶分数改善度不同的条件,以选择危险种类。在相同的驾驶分数改善度的危险种类存在多个的情况下,指导效果推断部54例如也可以在危险种类判定结果14中选择产生次数最多的危险种类。
指导对象危险种类数据16(图7)通过将上述这样生成的数据以表的形式而输出。图7是表示在一次指导中选择一个指导种类(危险种类)的例子。指导效果推断部54从指导教师15(图6)引用与指导对象的危险种类对应的指导内容,储存在指导内容栏283中。另外,在归来时,在有进行针对多个危险种类的指导的时间的情况下,也可以选择多个危险种类。
接下来,对视频提取以及画面输出S15进行说明。视频提取画面输出部56在危险种类判定结果14中,选择与该驾驶员的上述所选择的危险种类相应的时间段。在该危险种类的时间段存在多个的情况下,视频提取画面输出部56按照预先设定的规则选择一个即可。例如,选择被认为容易留在驾驶员的记忆中的最近的时间段等,能够使用任意的选定基准。
视频提取画面输出部56从行车记录仪的影像中提取所选择的时间段的场景。视频提取画面输出部56使用上述指导对象危险种类的信息、行车记录仪的影像,生成、输出指导用画面。
图16是表示针对一名驾驶员的指导用画面的例子。例如,输出装置124显示指导用画面500。指导用画面500包含危险驾驶的影像501、指导对象危险种类的信息511、危险驾驶的时间段的特征量的信息512、以及指导履历的信息512。通过与危险驾驶的影像501一同提示附带的信息,能够更有效地进行与驾驶员相应的指导。另外,信息511、512、513的一部分或者全部也可以省略。
图17是表示针对多名驾驶员的指导用画面的例子。例如,输出装置124显示指导用画面550。指导用画面550示出附加排序后的危险种类的列表以及危险种类各自的代表场景的影像551。例如,按照驾驶分数的改善度从高到低的顺序选择、显示规定数量的危险种类。通过指导用画面550,能够对多名驾驶员同时适当地进行指导。
接下来,对生成(训练)改善推断模型55的方法进行说明。图18是表示用于生成改善推断模型55的流程图。改善推断模型55通过基于过去履历的训练而生成。图18的处理例如几个月执行一次左右。
首先,指导履历特征量生成部53根据指导履历17生成训练用指导履历特征量数据21(图11)(S51)。指导履历特征量生成部53在指导履历17的各驾驶员的指导履历中,从能够生成训练用指导履历特征量数据21的记录的基准日,选择规定数量(例如全部)的基准日。如参照图11说明那样,特征量的计算需要从基准日起过去的数据。指导履历特征量生成部53生成驾驶员以及所选择的基准日的组合各自的、训练用指导履历特征量数据21的记录。
接下来,驾驶分数改善度计算部57计算分别与训练用指导履历特征量数据21的记录对应的驾驶分数改善度,生成驾驶分数改善度数据20(S52)。驾驶分数改善度计算部57使用危险种类判定结果履历19。危险种类判定结果履历19具有与危险种类判定结果14(图5)相同的表构造,是累积了危险种类判定结果14的过去的履历。
具体而言,驾驶分数改善度计算部57如参照图10说明那样,根据危险种类判定结果履历19,计算各驾驶员的各当值日的驾驶分数。驾驶分数改善度计算部57根据计算出的驾驶分数,如参照图10说明那样对基于训练用指导履历特征量数据21所示的基准日的指导的驾驶分数改善度进行计算。如上述那样,基于基准日的指导的驾驶分数改善度的计算需要基准日的过去以及未来的驾驶分数。在训练用指导履历特征量数据21中,放弃不能计算驾驶分数改善度的记录。
接下来,改善推断模型训练部(未图示)通过进行改善推断模型55的训练(学习),生成改善推断模型55(S53)。改善推断模型训练部将训练用指导履历特征量数据21以及驾驶分数改善度数据20用作训练数据,进行有监督学习。训练用指导履历特征量数据21所示的一个基准日(记录)的特征量组合为解释变量(输入),该基准日的驾驶分数改善度为目标变量(输出)。驾驶分数改善度数据20表示驾驶分数改善度的希望的值(教师数据)。通过以上的处理,生成训练完毕的改善推断模型55。
接下来,对指导用画面的其他例子进行说明。图16或者17所示的指导用画面对于从驾驶履历中检测出的危险驾驶进行指摘。在其他例子中,指导信息提示系统1也可以提示对显示出驾驶改善的驾驶员进行评价的指导用画面。图19是表示对指导的遵守情况进行评价的画面560的例子。指导信息提示系统1例如参照危险种类判定结果履历19,评价各驾驶员的每个危险种类的产生频度的推移。在被认为产生频度有减少趋势的情况下,指导信息提示系统1在评价画面560中,提示该信息。
指导用画面560包含在驾驶员的驾驶中被认为产生频度减少的危险种类的列表561、以及在列表561中被选择的条目的详细信息562。列表561是驾驶员与危险种类的组合的列表。详细信息562表示所选择的危险种类的频度的变化。在图19的例子中,详细信息562表示所选择的危险种类每日的频度的柱形图。
【实施例2】
实施例1以在白天的行驶时生成的车辆计测数据为基础,对归来的驾驶员进行基于指导用画面的指导。以下说明的实施例2依次实施在工作中的车辆计测数据中提取应当指导的危险场景的处理,当发现工作时间中的空闲时间时实施指导。以下主要说明与实施例1的不同点。
图20是表示指导信息提示系统1的逻辑构成例。指导信息提示系统1除了图1A所示的构成之外,还包含工作信息25以及指导时机(定时)控制部61。图21以及22表示工作信息25所含的信息。具体而言,图21表示工作计划31,图22表示工作进展32。
工作计划31包含驾驶员ID栏381、开始日期和时间栏382、结束日期和时间栏383、以及作业栏384。驾驶员ID栏381表示驾驶员的ID。开始日期和时间栏382以及结束日期和时间栏383表示驾驶员ID栏381所示的驾驶员的计划进行的作业各自的开始日期和时间以及结束日期和时间。作业栏384表示计划进行的作业。
工作进展32表示从车载传感器、车载的工作管理系统取得的驾驶员的实际的进展状况。在图22的例子中,工作进展32包含驾驶员ID栏401、日期和时间栏402、以及状况栏403。驾驶员ID栏401表示驾驶员的ID。日期和时间栏402表示日期和时间。状况栏403表示日期和时间栏402所示的各日期和时间内的、驾驶员ID栏401所示的驾驶员的实际的状况。
指导时机控制部61进行基于驾驶员的工作状况的指导时机控制。指导时机控制部61基于工作计划31以及工作进展32,判定当前状况是否是能够对驾驶员进行指导的状况。例如,指导时机控制部61对工作计划31以及工作进展32进行比较,对工作被提前执行且驾驶员非驾驶中的状况进行检测。
指导时机控制部61在判定为有对驾驶员进行指导的空闲时间的情况下,例如向驾驶员携带的智能设备进行通知,呈现图16所示那样的指导用画面500。指导用画面500是基于从当日的前一次的指导、或者在为当日首次的指导的情况下从当日的工作开始,至本次的指导为止的驾驶中的车辆计测数据而生成。
在需要由常驻营业所负责安全方面的安全管理者进行对话的情况下,指导时机控制部61也可以通知安全管理者。安全管理者在判断为需要对驾驶员进行指导的情况下,与驾驶员进行联络。此时,安全管理者将图16的指导用画面500的URL通知给驾驶员。驾驶员一边与安全管理者共享指导用画面500的画面,一边从安全管理者接受安全指导。
另外,在本实施例中说明的画面中揭示的信息为一例,并不一定限于具备所说明的全部构成,也可以进行其他构成的追加/删除/置换。例如,对于未在本实施例中说明的构成,也可以追加专家能够设定的信息。
另外,本发明不限于上述实施例,而是包含各种变形例。例如上述实施例为了使本发明容易理解而详细进行了说明,并不一定限于具备所说明的全部构成。此外,能够将某实施例的构成的一部分置换为其他实施例的构成,此外,也能够对某实施例的构成追加其他实施例的构成。此外,对于各实施例的构成的一部分,能够进行其他构成的追加/删除/置换。
此外,上述各构成、功能、处理部、处理方式等也可以通过将其一部分或者全部例如通过集成电路设计等而由硬件来实现。此外,上述各构成、功能等也可以通过处理器编译、执行实现各个功能的程序而由软件来实现。实现各功能的程序、表、文件等信息能够保存在存储器、硬盘、SSD(Solid State Drive:固态硬盘)等记录装置,或者IC卡、SD卡、DVD等记录介质中。
Claims (8)
1.一种生成用于指导驾驶员的信息的系统,包含:
一个以上的处理器;以及
一个以上的存储装置,储存所述一个以上的处理器执行的命令码,
所述一个以上的存储装置储存与所述驾驶员相应的指导履历,
所述一个以上的处理器根据所述指导履历,生成基于抽象后的指导种类的异同的特征量,基于所述特征量决定与所述驾驶员相应的指导种类,根据所述驾驶员的车辆监视信息,生成用于对所述驾驶员进行所述指导种类的指导的信息。
2.如权利要求1所述的系统,
所述一个以上的处理器基于所述特征量,推断基于多个指导种类候选的各个指导的所述驾驶员的驾驶改善度,基于所述驾驶改善度从所述多个指导种类候选中选择所述指导种类。
3.如权利要求2所述的系统,
所述一个以上的处理器将对所述驾驶员进行指导种类的指导之日作为基准日,根据从所述基准日起过去规定天数的指导履历来生成所述特征量。
4.如权利要求3所述的系统,
所述特征量包含所述过去规定天数内的指导数、指导种类数、最大连续指导种类的次数、与所述基准日的指导种类相同种类的指导数中的至少一个。
5.如权利要求1所述的系统,
所述特征量包含表示指导种类的异同的模式的特征量。
6.如权利要求1所述的系统,
所述一个以上的处理器基于预先设定的规则,将所述车辆监视信息中所包含的车辆计测数据分割为多个时间段,在所述时间段的各自中决定驾驶的危险种类,根据与所述指导种类对应的危险种类的时间段的信息,生成用于对所述驾驶员进行所述指导种类的指导的信息。
7.如权利要求1所述的系统,
所述一个以上的存储装置储存所述驾驶员的工作计划以及工作进展的信息,
所述一个以上的处理器基于所述工作计划以及所述工作进展,决定在所述驾驶员的工作中对所述驾驶员提示所述指导种类的指导的时机。
8.一种通过系统来生成用于指导驾驶员的信息的方法,
所述系统根据与驾驶员相应的指导履历,生成基于抽象后的指导种类的异同的特征量,
所述系统基于所述特征量,决定与所述驾驶员相应的指导种类,
所述系统根据所述驾驶员的车辆监视信息,生成用于对所述驾驶员进行所述指导种类的指导的信息。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019195877A JP7362426B2 (ja) | 2019-10-29 | 2019-10-29 | 指導のための情報を生成するシステム |
JP2019-195877 | 2019-10-29 | ||
PCT/JP2020/039445 WO2021085251A1 (ja) | 2019-10-29 | 2020-10-20 | 指導のための情報を生成するシステム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114641812A true CN114641812A (zh) | 2022-06-17 |
Family
ID=75713141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080076428.8A Pending CN114641812A (zh) | 2019-10-29 | 2020-10-20 | 生成用于指导的信息的系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220404161A1 (zh) |
JP (1) | JP7362426B2 (zh) |
CN (1) | CN114641812A (zh) |
WO (1) | WO2021085251A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220334592A1 (en) * | 2021-04-16 | 2022-10-20 | Toyota Motor North America, Inc. | Transport modification based on comparative characteristics |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104641406A (zh) * | 2012-09-17 | 2015-05-20 | 沃尔沃卡车集团 | 用于向车辆驾驶员提供指导消息的方法和系统 |
CN106133801A (zh) * | 2014-03-27 | 2016-11-16 | 三菱电机株式会社 | 驾驶辅助信息生成系统、驾驶辅助信息提供装置、驾驶辅助信息生成方法以及驾驶辅助信息生成程序 |
CN107531245A (zh) * | 2015-04-21 | 2018-01-02 | 松下知识产权经营株式会社 | 信息处理系统、信息处理方法、以及程序 |
CN107531252A (zh) * | 2015-04-21 | 2018-01-02 | 松下知识产权经营株式会社 | 驾驶辅助方法以及利用了该驾驶辅助方法的驾驶辅助装置、自动驾驶控制装置、车辆、驾驶辅助程序 |
JP2018049477A (ja) * | 2016-09-21 | 2018-03-29 | 株式会社日立製作所 | 運転支援装置、センタ装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5375805B2 (ja) * | 2010-11-26 | 2013-12-25 | トヨタ自動車株式会社 | 運転支援システム及び運転支援管理センター |
JP6899740B2 (ja) | 2017-08-31 | 2021-07-07 | キムラユニティー株式会社 | 運転支援システム及び運転支援方法及び運転支援システム用サーバコンピュータ |
JP6827204B2 (ja) | 2018-12-21 | 2021-02-10 | パナソニックIpマネジメント株式会社 | 指導情報の出力方法および指導情報の出力システム |
-
2019
- 2019-10-29 JP JP2019195877A patent/JP7362426B2/ja active Active
-
2020
- 2020-10-20 CN CN202080076428.8A patent/CN114641812A/zh active Pending
- 2020-10-20 US US17/772,328 patent/US20220404161A1/en active Pending
- 2020-10-20 WO PCT/JP2020/039445 patent/WO2021085251A1/ja active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104641406A (zh) * | 2012-09-17 | 2015-05-20 | 沃尔沃卡车集团 | 用于向车辆驾驶员提供指导消息的方法和系统 |
CN106133801A (zh) * | 2014-03-27 | 2016-11-16 | 三菱电机株式会社 | 驾驶辅助信息生成系统、驾驶辅助信息提供装置、驾驶辅助信息生成方法以及驾驶辅助信息生成程序 |
CN107531245A (zh) * | 2015-04-21 | 2018-01-02 | 松下知识产权经营株式会社 | 信息处理系统、信息处理方法、以及程序 |
CN107531252A (zh) * | 2015-04-21 | 2018-01-02 | 松下知识产权经营株式会社 | 驾驶辅助方法以及利用了该驾驶辅助方法的驾驶辅助装置、自动驾驶控制装置、车辆、驾驶辅助程序 |
JP2018049477A (ja) * | 2016-09-21 | 2018-03-29 | 株式会社日立製作所 | 運転支援装置、センタ装置 |
Also Published As
Publication number | Publication date |
---|---|
JP7362426B2 (ja) | 2023-10-17 |
WO2021085251A1 (ja) | 2021-05-06 |
JP2021071751A (ja) | 2021-05-06 |
US20220404161A1 (en) | 2022-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ossen et al. | Heterogeneity in car-following behavior: Theory and empirics | |
JP2000171267A (ja) | 運転傾向性の分析が可能な運行管理システム及びその構成装置 | |
EP3211540A1 (en) | Information presentation device, method, and computer program product | |
CN109636047B (zh) | 用户活跃度预测模型训练方法、系统、设备及存储介质 | |
EP3226116A1 (en) | Methods for analysing user interactions with a user interface | |
EP3174000B1 (en) | Information presentation device, method, and program | |
US20210012228A1 (en) | Inference apparatus, learning apparatus, inference method, and learning method | |
EP3929800A1 (en) | Skill word evaluation method and device, electronic device, and computer readable medium | |
CN114641812A (zh) | 生成用于指导的信息的系统 | |
CN116648698A (zh) | 动态分面排序 | |
JP7027369B2 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
CN114005093A (zh) | 基于视频分析的驾驶行为告警方法、装置、设备及介质 | |
CN115080683B (zh) | 车辆行程处理方法、设备和存储介质 | |
US11520576B1 (en) | Methods and apparatus for automatically labeling data processing events in autonomous driving vehicles via machine learning | |
US20210229694A1 (en) | Collision Visualization Device For Visualizing Driving State Of Vehicle And Recording Medium | |
EP4250272A1 (en) | Driving assessment system, learning device, assessment result output device, method, and program | |
Dawam et al. | Smart city lane detection for autonomous vehicle | |
US20220351614A1 (en) | Accident risk diagnosis method, accident risk diagnosis apparatus, and accident risk diagnosis system | |
CN111341106B (zh) | 交通预警方法、装置和设备 | |
WO2016006021A1 (ja) | データ分析装置、データ分析装置の制御方法、およびデータ分析装置の制御プログラム | |
CN112001097A (zh) | 自动驾驶仿真结果的分析和可视化方法和计算机设备 | |
CN113147791A (zh) | 车辆的控制方法及装置、自动驾驶车辆 | |
WO2022259881A1 (ja) | 運行管理補助システムおよび運行管理補助方法 | |
CN110717475A (zh) | 自动驾驶场景分类方法及系统 | |
EP4270270A1 (en) | Information processing apparatus, factor analysis method, computer program, and computer-readable recording medium |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Tokyo Applicant after: Luojidi Co.,Ltd. Address before: Tokyo Applicant before: HITACHI TRANSPORT SYSTEM, LTD. |