JP2003344196A - 乗員状態検知方法及び装置 - Google Patents

乗員状態検知方法及び装置

Info

Publication number
JP2003344196A
JP2003344196A JP2002150260A JP2002150260A JP2003344196A JP 2003344196 A JP2003344196 A JP 2003344196A JP 2002150260 A JP2002150260 A JP 2002150260A JP 2002150260 A JP2002150260 A JP 2002150260A JP 2003344196 A JP2003344196 A JP 2003344196A
Authority
JP
Japan
Prior art keywords
occupant
state detection
pattern recognition
seated
pressure
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
Application number
JP2002150260A
Other languages
English (en)
Inventor
Tomoji Suzuki
知二 鈴木
Shinichi Tamura
震一 田村
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Denso Corp
Original Assignee
Denso Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Denso Corp filed Critical Denso Corp
Priority to JP2002150260A priority Critical patent/JP2003344196A/ja
Priority to US10/444,063 priority patent/US6889129B2/en
Publication of JP2003344196A publication Critical patent/JP2003344196A/ja
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/015—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting the presence or position of passengers, passenger seats or child seats, and the related safety parameters therefor, e.g. speed or timing of airbag inflation in relation to occupant position or seat belt use
    • B60R21/01512—Passenger detection systems
    • B60R21/0153—Passenger detection systems using field detection presence sensors
    • B60R21/01532—Passenger detection systems using field detection presence sensors using electric or capacitive field sensors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
    • B60N2/00—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles
    • B60N2/002—Seats provided with an occupancy detection means mounted therein or thereon
    • B60N2/0021—Seats provided with an occupancy detection means mounted therein or thereon characterised by the type of sensor or measurement
    • B60N2/0023—Seats provided with an occupancy detection means mounted therein or thereon characterised by the type of sensor or measurement for detection of driver fatigue
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
    • B60N2/00—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles
    • B60N2/002—Seats provided with an occupancy detection means mounted therein or thereon
    • B60N2/0021—Seats provided with an occupancy detection means mounted therein or thereon characterised by the type of sensor or measurement
    • B60N2/0024—Seats provided with an occupancy detection means mounted therein or thereon characterised by the type of sensor or measurement for identifying, categorising or investigation of the occupant or object on the seat
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
    • B60N2/00—Seats specially adapted for vehicles; Arrangement or mounting of seats in vehicles
    • B60N2/002—Seats provided with an occupancy detection means mounted therein or thereon
    • B60N2/0021—Seats provided with an occupancy detection means mounted therein or thereon characterised by the type of sensor or measurement
    • B60N2/003—Seats provided with an occupancy detection means mounted therein or thereon characterised by the type of sensor or measurement characterised by the sensor mounting location in or on the seat
    • B60N2/0033—Seats provided with an occupancy detection means mounted therein or thereon characterised by the type of sensor or measurement characterised by the sensor mounting location in or on the seat mounted on or in the foam cushion
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/015—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting the presence or position of passengers, passenger seats or child seats, and the related safety parameters therefor, e.g. speed or timing of airbag inflation in relation to occupant position or seat belt use
    • B60R21/01556—Child-seat detection systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
    • B60N2210/00—Sensor types, e.g. for passenger detection systems or for controlling seats
    • B60N2210/40—Force or pressure sensors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60N—SEATS SPECIALLY ADAPTED FOR VEHICLES; VEHICLE PASSENGER ACCOMMODATION NOT OTHERWISE PROVIDED FOR
    • B60N2230/00—Communication or electronic aspects
    • B60N2230/20—Wireless data transmission
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/015—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting the presence or position of passengers, passenger seats or child seats, and the related safety parameters therefor, e.g. speed or timing of airbag inflation in relation to occupant position or seat belt use
    • B60R21/01512—Passenger detection systems
    • B60R21/0153—Passenger detection systems using field detection presence sensors

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Transportation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Seats For Vehicles (AREA)
  • Air Bags (AREA)
  • Force Measurement Appropriate To Specific Purposes (AREA)

Abstract

(57)【要約】 【課題】 認識アルゴリズムの自動生成が可能で、且つ
着座乗員の状態を高精度に推定することができる乗員状
態検知方法及び装置を提供する。 【解決手段】 乗員の着座により圧力が生ずるシート部
分に複数のセンサ部を配置して圧力パタンを計測し（Ｓ
１）、その計測された圧力パタンデータをＳＶＭに入力
し、ＳＶＭにより特徴抽出及びＳＶＭ分離曲面による識
別を行い（Ｓ２）、着座乗員について大人／子供のクラ
ス判別をする（Ｓ３）。従って、圧力パタンデータを用
いて非侵襲的に着座乗員の状態を高精度に推定すること
ができる。また、ＳＶＭは学習により認識アルゴリズム
が自動生成されるので、設計工数の低減を図ることがで
きる。

Description

【発明の詳細な説明】
【０００１】
【発明の属する技術分野】本発明は、自動車等のシート
に着座する乗員の状態を非侵襲的に検知する乗員状態検
知方法及び装置に関する。
【０００２】
【従来の技術】従来、例えば、車両用エアバッグシステ
ムに採用されるシートの着座状態判定方法として、特許
協力条約ＷＯ９９／３８７３１号公報や欧州特許条約Ｅ
Ｐ０８９１８９８Ａ１号公報に記載された乗員着座時の
圧力パタンから面積や尻幅を用いて体格を評価しチャイ
ルドシートを判定する方法や、米国特許第５，７３２，
３７５号明細書に記載された荷重総和で体格を判定し、
荷重総和と荷重分布とからチャイルドシートを判定する
方法が提案されている。また、本願出願人により、特開
２００１−３３３２４号公報や特開２００１−２０１４
１２号公報において、圧力分布のテンプレートマッチン
グや、面積等を用いて着座乗員を判定する装置が提案さ
れている。
【０００３】
【発明が解決しようとする課題】しかしながら、上述し
た従来技術はいずれも設計者の直感と経験とに基づくト
ップダウン的な知識に依存して着座乗員の認識を行うも
のであり、データの持つ特徴を十分に活用できないとい
う問題があった。また、車両への適合作業の大部分を手
動で行う必要があり、システムの設計に多くの労力を必
要とするという問題もある。
【０００４】本発明は、上述した問題点に鑑みてなされ
たものであり、認識アルゴリズムの自動生成が可能で、
且つ着座乗員の状態を高精度に推定することができる乗
員状態検知方法及び装置を提供することを解決すべき課
題とする。
【０００５】
【課題を解決するための手段】この目的を達成するため
に、請求項１に記載の乗員状態検知方法は、乗員の着座
により圧力が生ずるシート部分に複数のセンサ部を配置
して圧力パタンを計測する計測ステップを有し、その計
測ステップにおいて計測された圧力パタンデータに基づ
いて着座乗員の状態を推定する乗員状態検知方法におい
て、前記計測ステップにおいて計測された圧力パタンデ
ータに基づいてサポートベクトルマシンによるパタン認
識を行うことにより前記着座乗員の状態を推定するパタ
ン認識ステップ、を備えたことを特徴とする。
【０００６】従って、計測ステップでは、乗員の着座に
より圧力が生ずるシート部分に複数のセンサ部を配置し
て圧力パタンを計測し、パタン認識ステップでは、計測
ステップにおいて計測された圧力パタンデータに基づい
てサポートベクトルマシンによるパタン認識を行うこと
により前記着座乗員の状態を推定する。
【０００７】これによれば、着座乗員の圧力パタンデー
タを用いて、非侵襲的に着座乗員の状態を高精度に推定
することができる。
【０００８】また、請求項２に記載の乗員状態検知方法
は、前記サポートベクトルマシンが、前記圧力パタンデ
ータを学習データとして使用し、且つその学習データに
対応する着座乗員の状態を教師信号として使用して学習
したものであることを特徴とする。
【０００９】従って、圧力パタンデータの持つ特徴を活
用してサポートベクトルマシンの学習を行うことによ
り、手動に頼ることなく、認識精度の高いパタン認識ア
ルゴリズムを自動的に生成することができ、設計工数の
大幅な低減を図ることができる。
【００１０】また、請求項３に記載の乗員状態検知方法
は、前記計測ステップにおいて計測された圧力パタンデ
ータに基づいて独立成分分析による特徴量の抽出を行う
独立成分分析ステップを備え、前記パタン認識ステップ
では、前記独立成分分析手段により抽出された特徴量を
用いてサポートベクトルマシンによるパタン認識を行う
ことを特徴とする。
【００１１】従って、独立成分分析ステップにおいて、
圧力パタンデータから互いに統計的に独立な特徴量を抽
出し、これを用いてサポートベクトルマシンによるパタ
ン認識を行うので、より高い精度で着座乗員の状態を推
定することができる。
【００１２】また、請求項４に記載の乗員状態検知方法
は、前記サポートベクトルマシンが、学習を行いつつ、
誤認識率を最小化するように前記独立成分分析手段によ
り抽出された特徴量を削減したものであることを特徴と
する。
【００１３】従って、サポートベクトルマシンの学習に
おいて、独立成分分析により抽出された特徴量の内で不
要な特徴量を削除して誤認識率を最小化するようにした
ので、誤認識率の低減を図りつつ、計算量及びメモリ容
量の低減を図ることができる。
【００１４】また、請求項５に記載の乗員状態検知方法
は、前記計測ステップにおいて計測された圧力パタンデ
ータから主成分分析によりノイズを除去する主成分分析
ステップを備えたことを特徴とする。
【００１５】従って、主成分分析ステップにおいて圧力
パタンデータからノイズを除去した後にサポートベクト
ルマシンによるパタン認識を行うので、誤認識率の低減
を図りつつ、計算量及びメモリ容量の低減を図ることが
できる。
【００１６】また、請求項６に記載の乗員状態検知方法
は、乗員の着座により圧力が生ずるシート部分に複数の
センサ部を配置して圧力パタンを計測する計測ステップ
を有し、その計測ステップにおいて計測された圧力パタ
ンデータに基づいて着座乗員の状態を推定する乗員状態
検知方法において、前記計測ステップにおいて計測され
た圧力パタンデータに基づいて独立成分分析による特徴
抽出を行う独立成分分析ステップと、その独立成分分析
ステップにおいて抽出された特徴量を用いてパタン認識
を行うことにより前記着座乗員の状態を推定するパタン
認識ステップと、を備えたことを特徴とする。
【００１７】従って、計測ステップでは、乗員の着座に
より圧力が生ずるシート部分に複数のセンサ部を配置し
て圧力パタンを計測し、独立成分分析ステップでは、計
測ステップにおいて計測された圧力パタンデータに基づ
いて独立成分分析による特徴抽出を行い、パタン認識ス
テップでは、独立成分分析ステップにおいて抽出された
特徴量を用いてパタン認識を行うことにより前記着座乗
員の状態を推定する。
【００１８】これによれば、独立成分分析ステップにお
いて、圧力パタンデータから互いに統計的に独立な特徴
量を抽出し、これらの特徴量を用いてパタン認識を行う
ので、非侵襲的に着座乗員の状態を高精度に推定するこ
とができる。
【００１９】また、請求項７に記載の乗員状態検知方法
は、前記パタン認識ステップにおいて前記着座乗員の種
類を推定することを特徴とする。
【００２０】従って、圧力パタンデータから着座乗員の
種類を高い精度で推定することができる。
【００２１】また、請求項８に記載の乗員状態検知方法
は、前記パタン認識ステップにおいて前記着座乗員の種
類が大人又は子供のいずれであるかを推定することを特
徴とする。
【００２２】従って、圧力パタンデータから着座乗員の
種類が大人又は子供（チャイルドシートを使用していな
い子供及びチャイルドシートに着座した子供の両方を含
む）のいずれであるかを高い精度で推定することができ
る。
【００２３】また、請求項９に記載の乗員状態検知方法
は、前記パタン認識ステップにおいて前記着座乗員の種
類が大人、チャイルドシートを使用していない子供、又
はチャイルドシートに着座した子供のいずれであるかを
推定することを特徴とする。
【００２４】従って、圧力パタンデータから着座乗員の
種類が大人、チャイルドシートを使用していない子供又
はチャイルドシートに着座した子供のいずれであるかを
高い精度で推定することができる。
【００２５】また、請求項１０に記載の乗員状態検知方
法は、前記パタン認識ステップにおいて前記着座乗員の
疲労度を推定することを特徴とする。
【００２６】従って、圧力パタンデータから着座乗員の
疲労度を高い精度で推定することができる。
【００２７】また、請求項１１に記載の乗員状態検知方
法は、前記パタン認識ステップにおいて前記着座乗員の
覚醒度を推定することを特徴とする。
【００２８】従って、圧力パタンデータから着座乗員の
覚醒度を高い精度で推定することができる。
【００２９】また、請求項１２に記載の乗員状態検知装
置は、乗員の着座により圧力が生ずるシート部分に複数
のセンサ部を配置して圧力パタンを計測する計測手段を
有し、その計測手段により計測された圧力パタンデータ
に基づいて着座乗員の状態を推定するように構成された
乗員状態検知装置において、前記計測手段により計測さ
れた圧力パタンデータに基づいてサポートベクトルマシ
ンによるパタン認識を行うことにより前記着座乗員の状
態を推定するパタン認識手段、を備えたことを特徴とす
る。
【００３０】従って、計測手段は、乗員の着座により圧
力が生ずるシート部分に複数のセンサ部を配置して圧力
パタンを計測し、パタン認識手段は、計測手段により計
測された圧力パタンデータに基づいてサポートベクトル
マシンによるパタン認識を行うことにより前記着座乗員
の状態を推定する。
【００３１】これによれば、着座乗員の圧力パタンデー
タから、非侵襲的に着座乗員の状態を高精度に推定する
ことができる。
【００３２】また、請求項１３に記載の乗員状態検知装
置は、前記サポートベクトルマシンは、前記圧力パタン
データを学習データとして使用し、且つその学習データ
に対応する着座乗員の状態を教師信号として使用して学
習したものであることを特徴とする。
【００３３】従って、圧力パタンデータの持つ特徴を活
用してサポートベクトルマシンの学習を行うことによ
り、手動に頼ることなく、認識精度の高いパタン認識ア
ルゴリズムを自動的に生成することができ、設計工数の
大幅な低減を図ることができる。
【００３４】また、請求項１４に記載の乗員状態検知装
置は、前記計測手段により計測された圧力パタンデータ
に基づいて独立成分分析による特徴量の抽出を行う独立
成分分析手段を備え、前記パタン認識手段は、前記独立
成分分析手段により抽出された特徴量を用いてサポート
ベクトルマシンによるパタン認識を行うことを特徴とす
る。
【００３５】従って、独立成分分析手段が圧力パタンデ
ータから互いに統計的に独立な特徴量を抽出し、パタン
認識手段が、これらの特徴量を用いてサポートベクトル
マシンによるパタン認識を行うので、より高い精度で着
座乗員の状態を推定することができる。
【００３６】また、請求項１５に記載の乗員状態検知装
置は、前記サポートベクトルマシンが、学習を行いつ
つ、誤認識率を最小化するように前記独立成分分析手段
により抽出された特徴量を削減したものであることを特
徴とする。
【００３７】従って、サポートベクトルマシンの学習に
おいて、独立成分分析により抽出された特徴量の内で不
要な特徴量を削除して誤認識率を最小化するようにした
ので、誤認識率の低減を図りつつ、計算量及びメモリ容
量の低減を図ることができる。
【００３８】また、請求項１６に記載の乗員状態検知装
置は、前記計測手段により計測された圧力パタンデータ
から主成分分析によりノイズを除去する主成分分析手段
を備えたことを特徴とする。
【００３９】従って、主成分分析手段により圧力パタン
データからノイズを除去した後にサポートベクトルマシ
ンによるパタン認識を行うので、誤認識率の低減を図り
つつ、計算量及びメモリ容量の低減を図ることができ
る。
【００４０】また、請求項１７に記載の乗員状態検知装
置は、乗員の着座により圧力が生ずるシート部分に複数
のセンサ部を配置して圧力パタンを計測する計測手段を
有し、その計測手段により計測された圧力パタンデータ
に基づいて着座乗員の状態を推定するように構成された
乗員状態検知装置において、前記計測手段により計測さ
れた圧力パタンデータに基づいて独立成分分析による特
徴抽出を行う独立成分分析手段と、その独立成分分析手
段により抽出された特徴量を用いてパタン認識を行うこ
とにより前記着座乗員の状態を推定するパタン認識手段
と、を備えたことを特徴とする。
【００４１】従って、計測手段が乗員の着座により圧力
が生ずるシート部分に複数のセンサ部を配置して圧力パ
タンを計測し、独立成分分析手段が計測手段により計測
された圧力パタンデータに基づいて独立成分分析による
特徴抽出を行い、パタン認識手段が独立成分分析手段に
より抽出された特徴量を用いてパタン認識を行うことに
より前記着座乗員の状態を推定する。
【００４２】これによれば、独立成分分析手段が圧力パ
タンデータから互いに統計的に独立な特徴量を抽出し、
パタン認識手段がこれらの特徴量を用いてパタン認識を
行うので、非侵襲的に着座乗員の状態を高精度に推定す
ることができる。
【００４３】また、請求項１８に記載の乗員状態検知装
置は、前記パタン認識手段が、前記着座乗員の種類を推
定するように構成されたことを特徴とする。
【００４４】従って、圧力パタンデータから着座乗員の
種類を高い精度で推定することができる。
【００４５】また、請求項１９に記載の乗員状態検知装
置は、前記パタン認識手段が、前記着座乗員が、大人又
は子供のいずれであるかを推定することを特徴とする。
【００４６】従って、圧力パタンデータから着座乗員の
種類が大人又は子供（チャイルドシートを使用していな
い子供及びチャイルドシートに着座した子供の両方を含
む）のいずれであるかを高い精度で推定することができ
る。
【００４７】また、請求項２０に記載の乗員状態検知装
置は、前記パタン認識手段が、前記着座乗員が、大人、
チャイルドシートを使用していない子供、又はチャイル
ドシートに着座した子供のいずれであるかを推定するこ
とを特徴とする。
【００４８】従って、圧力パタンデータから着座乗員の
種類が大人、チャイルドシートを使用していない子供又
はチャイルドシートに着座した子供のいずれであるかを
高い精度で推定することができる。
【００４９】また、請求項２１に記載の乗員状態検知装
置は、前記パタン認識手段が、前記着座乗員の疲労度を
推定するように構成されたことを特徴とする。
【００５０】従って、圧力パタンデータから着座乗員の
疲労度を高い精度で推定することができる。
【００５１】また、請求項２２に記載の乗員状態検知装
置は、前記パタン認識手段が、前記着座乗員の覚醒度を
推定するように構成されたことを特徴とする。
【００５２】従って、圧力パタンデータから着座乗員の
覚醒度を高い精度で推定することができる。
【００５３】また、請求項２３に記載のエアバッグ制御
装置は、請求項１６乃至１８のいずれかに記載の乗員状
態検知装置と、前記パタン認識手段により推定された前
記着座乗員の種類に応じてエアバッグの作動を制御する
制御手段と、を備えたことを特徴とする。
【００５４】従って、請求項１８乃至２０のいずれかに
記載の乗員状態検知装置が圧力パタンデータから着座乗
員の種類を高い精度で推定し、制御手段がパタン認識手
段により推定された着座乗員の種類に応じてエアバッグ
の作動を制御する。ここで、制御装置は、例えば、着座
乗員が大人であると推定された場合にはエアバッグを通
常に作動させ、一方、着座乗員が子供であると推定され
た場合にはエアバッグを不作動とするように制御する。
【００５５】これにより、着座乗員の種類に応じてエア
バッグの作動を制御し、車両の安全性をより高めること
ができる。
【００５６】また、請求項２４に記載の車両の安全装置
は、請求項２１又は２２に記載の乗員状態検知装置と、
前記パタン認識手段による推定結果に応じて前記着座乗
員への警報を行う警報手段と、を備えたことを特徴とす
る。
【００５７】従って、請求項２１又は２２に記載の乗員
状態検知装置が圧力パタンデータから着座乗員の種類を
高い精度で推定し、警報手段がパタン認識手段による推
定結果に応じて着座乗員への警報を行う。ここで、警報
手段は、例えば、車両室内に設けた警報ランプ、警報ブ
ザー、音声案内装置等からなり、運転者に疲労度又は覚
醒度を警報して早めに休憩を取ることを、光、ブザー
音、音声等により促すように構成される。
【００５８】これにより、着座乗員の疲労度や覚醒度に
応じて警報手段による警報を行うことにより、居眠り運
転等を防止して車両走行時の安全性をより高めることが
できる。
【００５９】
【発明の実施の形態】以下、本発明を具体化した乗員状
態検知方法及び装置の各実施形態について図面を参照し
つつ説明する。
【００６０】まず、本発明の乗員状態検知方法の概略に
ついて説明する。
【００６１】本発明の乗員状態検知方法は、乗員の着座
により圧力が生ずる車両のシート部分に複数のセンサ部
を配置して圧力パタンを計測し、その計測ステップにお
いて計測された圧力パタンデータをパタン認識アルゴリ
ズムに入力し、そのパタン認識アルゴリズムからの出力
により着座乗員の状態を推定するものである。
【００６２】ここで、パタン認識は、一般に、設計段階
と使用段階とに分けて考えることができる。図１（ａ）
は、パタン認識の設計段階におけるフローチャートであ
り、（ｂ）は使用段階におけるフローチャートである。
【００６３】設計段階とは、パタン認識アルゴリズムを
生成することを意味し、学習データから特徴量を生成
し、それらの特徴量を用いてクラス分けを行う分離曲面
の設計が行われる（図１（ａ））。尚、本発明では、学
習データとして着座乗員の圧力パタンデータが入力さ
れ、教師信号としては、例えば、着座乗員の種類（大人
又は子供等）が入力される。また、クラス分けとは、例
えば、着座乗員の種類を判別することを意味する。
【００６４】使用段階とは、設計段階において設計され
たパタン認識アルゴリズムに実際のデータを入力するこ
とにより、特徴抽出を行い、さらに設計段階で生成され
た分離曲面によりクラス判別を行うことを意味する（図
１（ｂ））。尚、本発明では、パタン認識アルゴリズム
に圧力パタンデータが入力され、その出力により、例え
ば、着座乗員の種類（大人又は子供等）がクラス判別さ
れる。
【００６５】そして、本願発明者は、パタン認識手法の
一つであるサポートベクトルマシン（Support Vector M
achine, 以下、ＳＶＭと略記する）が、高い認識率を得
ることができ、且つ汎化性能に優れている点に着目し、
パタン認識アルゴリズムとしてＳＶＭを採用して着座乗
員の圧力パタンデータから乗員の状態を推定する乗員状
態検知方法及び装置の発明を完成するに至ったものであ
る。尚、本発明において用いるＳＶＭの理論について
は、B.Scholkopf, C.J.C.Burges, A.J.Smola, Advancws
in Kernel Methods pp.1-pp.15, MIT Press 1998を参
照されたい。
【００６６】次に、本発明の第一の実施形態について図
２乃至図７を参照しつつ説明する。
【００６７】第一の実施形態は、図２の概略フローチャ
ートに示すように、乗員の着座により圧力が生ずるシー
ト部分に複数のセンサ部を配置して圧力パタンを計測し
（ステップ１、以下Ｓ１と略記する。他のステップも同
様。）、その計測された圧力パタンデータをＳＶＭに入
力し、ＳＶＭによる特徴抽出及びＳＶＭ分離曲面による
識別を行い（Ｓ２）、大人／子供のクラス判別をする
（Ｓ３）ようにしたものである。ここで、本明細書で単
に「大人／子供の判別」と記載する場合、「子供」に
は、チャイルドシートを使用していない子供及びチャイ
ルドシートに着座した子供の両方が含まれることとす
る。尚、Ｓ１が本発明の計測ステップに、Ｓ２〜３がパ
タン認識ステップに相当するものである。
【００６８】図３は本実施形態に係る乗員状態検知装置
１のブロック図である。当該自動車は、図４にて示すよ
うなシート１０を車室内に備えており、このシート１０
は、当該自動車の車室内床面Ｌ上に固定した着座部１０
ａと、背もたれ部１０ｂとにより構成されている。
【００６９】当該乗員状態検知装置１は、図５にて示す
ごとく、シートセンサ２０と、このシートセンサ２０に
接続したマイクロコンピュータ３０とを備えている。シ
ートセンサ２０は、平板状のもので、このシートセンサ
２０は、図４にて示すごとく、着座部１０ａ内にその着
座面１１に並行に埋設されている。
【００７０】シートセンサ２０は、図５（ｂ）にて示す
ごとく、電気絶縁性を有する弾性樹脂材料からなる上下
両壁２１、２２を備えており、これら上下両壁２１、２
２は剛性材料からなる隔壁２３を介して互いに平行に設
けられている。隔壁２３は、上下両壁２１、２２間に狭
隙（例えば、０．２ｍｍ）を与えるように当該上下両壁
２１、２２により挟持されており、この隔壁２３は、上
下両壁２１、２２間の狭隙をマトリクス状に区画して複
数の狭隙部２３ａを形成している。
【００７１】各狭隙部２３ａは、図５（ａ）にて示すご
とく、円形の平面形状を有しており、これら各狭隙部２
３ａの上下両内面には、各抵抗膜２３ｂ、２３ｃが、導
電性抵抗材料により形成されている（図５（ｂ）参
照）。
【００７２】このように構成したシートセンサ２０にお
いては、狭隙部２３ａ毎に、狭隙部２３ａ、その両抵抗
膜２３ｂ、２３ｃ及び上下両壁２１、２２のうち当該狭
隙部２３ａに対応する各壁部が、それぞれセンサ部Ｐを
構成する。なお、図５では、便宜上、９個のセンサ部Ｐ
しか示されていないが、これら各センサ部Ｐは、さら
に、多い数でマトリクス状に位置している。
【００７３】しかして、乗員が着座部１０ａ上に着座し
たとき或いはチャイルドシートが着座部１０ａ上におか
れたとき、センサ部Ｐ毎に、上壁２１が狭隙部２３ａに
対応する壁部にて下方に撓んで抵抗膜２３ｂが対応の抵
抗膜２３ｃに接触したとき、この接触圧力の大きさに逆
比例して抵抗値を変化させる。ここで、各センサ部Ｓは
互いに並列接続されており、当該各センサ部Ｐは、それ
ぞれ、その抵抗値に応じた荷重ｍを表す出力を発生す
る。
【００７４】マイクロコンピュータ３０は、図３に示す
ように、ＣＰＵ３１と、ＲＯＭ３２と、ＲＡＭ３３とか
ら構成されている。ＲＯＭ３２には、乗員状態検知プロ
グラム３２ａが格納されており、ＣＰＵ３１は、ＲＯＭ
３２より乗員状態検知プログラム３２ａを読み出して実
行し、この実行中において、乗員状態の判定処理を行
う。また、ＲＡＭ３３には、シートセンサ２０からの圧
力データが順次記憶されると共に、ＣＰＵ３１によりワ
ーク用のメモリとして使用される。
【００７５】乗員状態検知プログラム３２には、設計段
階において学習されたＳＶＭの識別関数が含まれてお
り、後述する図７に示す処理内容のコンピュータ読み取
り可能なプログラムが記述されている。
【００７６】ここで、ＳＶＭは、特徴抽出と分離曲面生
成を同時に行うことが可能なパタン認識アルゴリズムで
あって、数式１に示す識別関数により表現される。
【００７７】
【数１】
【００７８】ここで、ｘは入力データである。ｘiは各
学習データであり、ｙiは各学習データのクラスラベル
であり、学習データがクラスＡ（大人）に属していれ
ば、ｙi＝＋１、クラスＢ（子供（チャイルドシートを
使用していない子供及びチャイルドシートに着座した子
供の両方を含む））に属していれば、ｙi＝−１とす
る。また、Ｋはカーネル関数、αi、ｂは学習時点で決
定されるパラメータである。また、ｓｉｇｎは、値の符
号が正である場合に＋１を、負である場合に−１を出力
する関数である。
【００７９】カーネル関数には、例えば、数式２に示す
多項式カーネルや数式３に示すガウネシアンカーネルが
あり、学習時点で選択する。
【００８０】
【数２】
【００８１】
【数３】
【００８２】設計段階においては、実験により取得した
圧力データ（Ｎ次元データ、Ｎはセンサ部Ｓの数）ｘi
を２つのクラス、大人と子供（チャイルドシートを使用
していない子供及びチャイルドシートに着座した子供の
両方を含む）とに分割し、ラベル付け（ｙi＝＋１、−
１）を行う。そして、これらのデータを使用して、ＳＶ
Ｍの学習を行い、誤認識率が最小となるように、パラメ
ータαi、ｂを自動的に決定する。すなわち、ＳＶＭの
学習は数式４及び５の二次計画問題に帰着する。
【００８３】パラメータαiは、ＳＶＭの学習において
次式の出力を最大化するように決定される。
【００８４】
【数４】
【００８５】ここで、Ｃは、どこまで制約条件を緩める
かを指定するパラメータである。
【００８６】また、学習によって求められたαｉの中
で、０＜αi＜Ｃとなる任意の学習データ（ｘi，ｙi）
を次式に代入することにより、ｂが決定される。
【００８７】
【数５】
【００８８】このように構成した本実施形態において、
ＣＰＵ３１が図７のフローチャートに従い乗員状態検知
プログラム３２ａの実行を開始すれば、ステップ１００
においてシートセンサ２０の出力が入力される。具体的
には、各センサ部Ｓの出力ｍがＳ１００にてマイクロコ
ンピュータ３０に入力される。
【００８９】ここで、以下の説明においては、図５
（ａ）において各センサ部Ｐに対し図示最上列から最下
列にかけ、かつ図示左側から右側にかけて順次番号を付
すことで、センサ部Ｐ１、Ｐ２、・・・、Ｐｉ、・・
・、ＰＮとする（図６参照）。これに対応して、各セン
サ部Ｐ１、Ｐ２、・・・、Ｐｉ、・・・の出力ｍを、そ
れぞれ、出力ｍ１、ｍ２、・・・、ｍｉ、・・・、ｍＮ
として表す。従って、ステップ１００においては、セン
サ部Ｐｉの出力ｍｉ（ｉ＝１、２、・・・、Ｎ）がセン
サ部Ｐ１からセンサ部ＰＮにかけて順次入力される。但
し、現段階では、シート１０の着座部１０ａには乗員が
着座しているものとする。
【００９０】次に、Ｓ１０１において、出力ｍｉ（ｉ＝
１、２、・・・、Ｎ）からなるＮ次元のベクトルｘ＝
（ｍ１、ｍ２、・・・ｍＮ）を、数式１に示すＳＶＭの
識別関数ｆ（ｘ）に入力する。尚、数式１のベクトルｘ
i、クラスｙi、パラメータαi、及びｂには学習時点で
決定された値が設定されている。
【００９１】次に、Ｓ１０２において、Ｓ１０１におけ
る識別関数の出力ｆ（ｘ）が＋１であるか否かが判断さ
れる。
【００９２】ｆ（ｘ）の値が＋１である場合は（Ｓ１０
２：Ｙｅｓ）、着座乗員が大人であると判定される（Ｓ
１０３）。一方、ｆ（ｘ）の値が−１である場合は（Ｓ
１０２：Ｎｏ）、着座乗員が子供であると判定される
（Ｓ１０４）。
【００９３】上述したことから明らかなように、本実施
形態によれば、着座乗員の圧力パタンデータを用いて、
非侵襲的に着座乗員の状態を高精度に推定することがで
きるという効果を奏する。
【００９４】また、ＳＶＭは、圧力パタンデータを学習
データとして使用し、且つその学習データに対応する着
座乗員の状態を教師信号として使用して学習したもので
あるので、圧力パタンデータの持つ特徴を活用して、手
動に頼ることなく認識精度の高いパタン認識アルゴリズ
ムを自動的に生成することができるという効果を奏す
る。
【００９５】さらに、かかる乗員状態検知装置をエアバ
ッグ制御装置に組み込んで、常時、乗員状態を検知する
ことにより、推定された乗員の種類に応じて制御手段に
よりエアバッグの作動を制御するように構成することが
できる。制御装置は、例えば、着座乗員が大人であると
推定された場合にはエアバッグを通常に作動させ、一
方、着座乗員が子供であると推定された場合にはエアバ
ッグを不作動とするように制御する。これにより、着座
乗員の種類に応じてエアバッグの作動を適切に制御し、
車両の安全性をより一層高めることができる。
【００９６】次に、本発明の第二の実施形態について、
図８及び図９を参照しつつ説明する。尚、前記第一の実
施形態と同一の構成については同一の符号を付し、それ
らについての詳細な説明は省略する。
【００９７】第二の実施形態は、図８の概略フローチャ
ートに示すように、乗員の着座により圧力が生ずるシー
ト部分に複数のセンサ部を配置して圧力パタンを計測し
（Ｓ１１）、その計測された圧力パタンデータに基づい
て独立成分分析（Independent Component Analysis、以
下、ＩＣＡと略記する）による特徴抽出を行い（Ｓ１
２）、抽出された特徴量をＳＶＭに入力してＳＶＭ分離
曲面による識別を行い（Ｓ１３）、大人／子供のクラス
判別をする（Ｓ１４）ようにしたものである。尚、Ｓ１
１が本発明の計測ステップに、Ｓ１２が独立成分分析ス
テップに、Ｓ１３〜１４がパタン認識ステップに相当す
るものである。
【００９８】すなわち、上述した第一の実施形態では、
シートセンサの各センサ部から出力されるｎ次元データ
をＳＶＭに直接入力する構成であったが、実市場におけ
る車両へ搭載するにあたっては、演算量を少なくし且つ
使用メモリをより小さくすることが望まれる。本実施形
態は、計測された圧力パタンデータに基づいてＩＣＡに
よる特徴抽出を行い、その特徴量をＳＶＭの学習により
選別することにより、不要な特徴量を削除しつつ誤認識
率を最小化する方法を提供するものである。
【００９９】一般に、特徴量は互いに冗長性を含まず、
統計的に独立であることが望ましい。ＩＣＡは、統計的
に独立な特徴量を抽出できる手法である。計測データｘ
（ｎ）∈ＲNを統計的に独立なベクトルｓ（ｎ）の線形
結合で表現すると次式のように表される。
【０１００】
【数６】
【０１０１】ここで、ＡはＮ×Ｎの行列である。数式６
より、ｘ（ｎ）の統計的独立な特徴がｓ1（ｎ）、・・
・、ｓN（ｎ）である。ＩＣＡでは、ｓ（ｎ）が統計的
に独立であるという仮定にのみ基づき、数式７の復元モ
デルにおいて、ｙ（ｎ）がｓ（ｎ）の推定量、Ｗ-1がＡ
の推定量になるように、学習を行う。
【０１０２】
【数７】
【０１０３】尚、本実施形態にて用いるＩＣＡの理論に
ついては、T-W.Lee, M.Girolami, A.J.Bell and T.J. S
ejnowski, "A Unifying Information-theoretic Framew
orkfor Independent Component Analysis," computers
& mathmatics with applications, Vol 31(11), pp.1-p
p.21, March 2000を参照されたい。また、特徴抽出に関
しては、例えば、J-H.Lee, H-J.Jung, T-W.Lee and S-
Y.Lee, "Speech Feature Extraction Using Independen
t Component Analysis," IEEE InternationalConferenc
e on Acoustics, Speech and Signal Processing, Proc
eedings Vol.III pp.1631-pp.1634, June 2000を参照さ
れたい。
【０１０４】Ｎ次元のデータからＩＣＡを用いて特徴抽
出することにより、Ｎ個の特徴量が得られるが、これら
のどの特徴量を選択してパタン認識に使用すべきかとい
う一般的な指標は存在しない。必要とされるのは、パタ
ン認識における誤認識率が小さい特徴量である。ここ
で、Ｎ個の特徴量の全ての組み合わせについて試すとい
う方法も考えられるが、Ｎが大きい場合には計算量が莫
大になるため、現在の高速コンピュータを用いるとして
も非現実的である。そこで、本願発明者は、ＳＶＭによ
る学習を行いながら不要な特徴量を削除し、誤認識率を
最小化する方法を考案した。
【０１０５】図９は、ＳＶＭの学習段階における特徴量
削減のフローチャートである。まず、Ｍの初期値として
ＩＣＡにより得られた特徴量の個数Ｎを代入する（Ｓ２
００）。そして、Ｍ次元の特徴ベクトル空間から任意の
１個の特徴量を削除してＳＶＭによる学習を行い、テス
トデータに対する誤認識率を求める処理をＭ個全ての特
徴量について行う。つまり、ｉ＝１〜Ｍの範囲で、ｉの
値を順次１ずつインクリメントしながら、ｉ番目の特徴
ベクトルを除き他（Ｍ−１）次元空間にてＳＶＭによる
学習を行い、誤認識率Ｔｅｓｔ Ｅｒｒｏｒ Ｅ（ｉ）
を計算する処理を繰り返す（Ｓ２０１〜２０４）。次
に、Ｍ個の特徴量の中で誤認識率が最小となるもの（Ｅ
（ｉ）の最小値）を求め、これをＥ（Ｌ）とする（Ｓ２
０５）。そして、Ｌ番目の特徴量を削除し、（Ｍ−１）
次元空間とする（Ｓ２０６）。すなわち、削除しても誤
認識率が上昇しない特徴量を選択して削除し、これによ
りＭ−１次元の特徴空間ができる。次に、Ｍをデクリメ
ントして（Ｓ２０７）、Ｍ＝１となるまでステップ２０
１〜２０７を繰り返す（Ｓ２０８）。以上のステップに
より、誤認識率が最小となるＫ次元（１＜Ｋ＜Ｍ）の特
徴空間が見つかる。
【０１０６】このように構成した本実施形態において、
マイクロコンピュータ３０が図９のフローチャートに従
い乗員状態検知プログラム３２ａの実行を開始すれば、
Ｓ３００においてシートセンサ２０の出力が入力され
る。具体的には、各センサ部Ｐの出力ｍがＳ３００にて
マイクロコンピュータ３０に入力される。
【０１０７】次に、Ｓ３０１において、出力ｍｉ（ｉ＝
１、２、・・・、Ｎ）からＩＣＡによりＮ個の特徴量を
抽出する。次に、ＳＶＭの学習において誤認識率を最小
化するＫ次元（Ｋ＜Ｎ）の特徴空間（すなわち、Ｋ個の
特徴量）を用いて、ＳＶＭの識別関数ｆ（ｘ）の演算を
行う（Ｓ３０２）。つまり、ベクトルｘ＝（ｍ１、ｍ
２、・・・ｍＫ）を、数式１に示すＳＶＭの識別関数に
入力する。
【０１０８】次に、Ｓ３０３において、Ｓ３０２におけ
る識別関数の出力ｆ（ｘ）が＋１であるか否かが判断さ
れる。
【０１０９】ｆ（ｘ）の値が＋１である場合は（Ｓ３０
３：Ｙｅｓ）、着座乗員が大人であると判定される（Ｓ
３０４）。一方、ｆ（ｘ）の値が−１である場合は（Ｓ
３０３：Ｙｅｓ）、着座乗員が子供であると判定される
（Ｓ３０５）。
【０１１０】以上より、本実施形態によれば、誤認識率
を上昇させることなく、ＳＶＭにおける計算量及びメモ
リ容量（ＲＯＭ３２及びＲＡＭ３３の容量）の低減を図
ることが可能となり、より安価に乗員状態検知装置を製
造することができる。
【０１１１】次に、本発明の第三の実施形態について、
図１１を参照しつつ説明する。
【０１１２】第三の実施形態は、図１１の概略フローチ
ャートに示すように、乗員の着座により圧力が生ずるシ
ート部分に複数のセンサ部を配置して圧力パタンを計測
し（Ｓ２１）、その計測された圧力パタンデータより主
成分分析によりノイズを除去し（Ｓ２２）、ノイズが除
去された圧力パタンデータに基づいてＩＣＡによる特徴
抽出を行い（Ｓ２３）、抽出された特徴量をＳＶＭに入
力してＳＶＭ分離曲面による識別を行い（Ｓ２４）、大
人／子供のクラス判別をする（Ｓ２５）ようにしたもの
である。尚、Ｓ２１が本発明の計測ステップに、Ｓ２２
が主成分分析ステップに、Ｓ２３が独立成分分析ステッ
プに、Ｓ２４〜２５がパタン認識ステップに相当するも
のである。
【０１１３】すなわち、上述した第二の実施形態では、
Ｎ次元圧力データに基づいてＩＣＡによる特徴抽出を行
う構成であったが、本実施形態では、Ｎ次元の圧力デー
タに基づいて主成分分析を行ってノイズとなる圧力デー
タを除去し、ノイズ除去後のＪ次元（Ｊ＜Ｎ）データに
基づいてＩＣＡによる特徴抽出を行うようにしたもので
ある。
【０１１４】つまり、入力データである圧力パタンデー
タには、大人と子供との識別以外の多くの情報が含まれ
ており、本発明の目的のためにはこれらはノイズと見な
すことができる。本実施形態では、これらのノイズを除
去するために主成分分析を用いている。主成分分析によ
り得られる固有値は各固有ベクトル方向のデータの分散
を表しており、固有値の小さい固有ベクトルを削除する
ことで二乗誤差ミニマムの意味で最適なノイズの除去が
可能である。
【０１１５】本実施形態によれば、圧力パタンデータか
ら主成分分析によりノイズを除去した後にＩＣＡによる
特徴量の抽出を行うので、パタン認識の精度をより高め
ることができ、且つ計算量及びメモリ容量の低減をより
一層図ることが可能となる。
【０１１６】尚、本発明は上述した各実施形態に限定さ
れるものではなく、本発明の主旨を逸脱しない範囲で種
々の変更を施すことが可能である。
【０１１７】例えば、前記各実施形態では、着座乗員の
種類が、大人又は子供（チャイルドシートを使用してい
ない子供及びチャイルドシートに着座した子供の両方を
含む）の２種類の内、いずれであるかを推定する構成で
あったが、３種類以上に識別するように構成してもよ
い。例えば、大人、チャイルドシートを使用していない
子供、又はチャイルドシートに着座した子供のいずれで
あるかを推定するように構成してもよい。すなわち、Ｓ
ＶＭは、基本的には２値の識別を行うものであるが、例
えば、ＳＶＭを複数段組み合わせれば、多値の識別を行
うように構成することも可能である。例えば、ＳＶＭを
二段構成として、第一段目のＳＶＭで人間とチャイルド
シートとの識別を行い、次に、第一段目のＳＶＭで人間
であると識別されたものに対して第二段目のＳＶＭで大
人と子供とを識別するように構成することにより、大
人、チャイルドシートを使用していない子供、チャイル
ドシートに着座した子供のいずれであるかを推定するこ
とが可能となる。
【０１１８】また、前記各実施形態の乗員状態検知装置
は、着座乗員の種類を推定する構成であったが、着座乗
員（特に、運転者）の疲労度を推定する構成としてもよ
い。すなわち、疲労の程度によって、乗員の着座状態す
なわち圧力パタンが変化することが知られており、これ
をパタン認識することにより疲労度を推定することが可
能である。すなわち、学習データとしての圧力パタンデ
ータに対して、疲労の度合い（重度、中度、軽度等）を
表すデータを教師信号として使用してＳＶＭの学習を行
うことにより、乗員状態検知装置において疲労度の推定
を可能な構成とすることができる。また、かかる乗員検
知装置を車両の安全装置に組み込むことにより、検知さ
れた疲労度を、車両室内に設けた警報ランプ、警報ブザ
ー、音声案内装置等により運転者に警報し、早めに休憩
を取ることを促すように構成してもよい。これにより、
運転者の疲労による操作ミスに起因する交通事故を未然
に防止することができる。
【０１１９】また、上述した変形例において、疲労の判
別に代えて運転者の覚醒度を判別する構成としてもよ
い。この変形例においては、学習データとしての圧力パ
タンデータに対して、運転者の覚醒の度合い（高、中、
低等）を表すデータを教師信号として使用してＳＶＭの
学習を行うことにより、乗員状態検知装置において運転
者の覚醒度を推定可能な構成とすることができる。ま
た、かかる乗員状態検知装置を車両の安全装置に組み込
み、検知された覚醒度に応じて車両室内に設けた警報ブ
ザー、音声案内装置等により警報して運転者の覚醒度を
高め、あるいは早めに休憩を取ることを促すように構成
してもよい。これにより、運転者の居眠り運転等を防止
して、走行時のおける安全性をより一層高めることがで
きる。
【０１２０】
【実施例】次に、上述した各実施形態について実際に着
座乗員の認識実験を行った結果について説明する。
【０１２１】実験に用いた圧力パタンデータは、大人、
チャイルドシートを使用していない子供、チャイルドシ
ートに着座した子供を含む約６０００個のデータであ
り、半数の約３０００個をＳＶＭの学習データとして用
い、残りの約３０００個を評価用のテストデータとして
使用して、着座乗員が大人又は子供（チャイルドシート
を使用していない子供及びチャイルドシートに着座した
子供の両方を含む）のいずれであるかを識別する実験を
行った。表１は、第１の実施形態を適用した実施例１、
及び従来方法による比較例において、それぞれテストデ
ータに対する誤認識率を示している。尚、比較例は、重
量、着座面積、大人・子供を代表する参照パタンとのテ
ンプレートマッチング等を用いて設計者が手動で識別を
行う従来方法によるものである。
【０１２２】
【表１】
【０１２３】表１より、比較例において誤認識率が１．
２％であったのに対し、実施例１では誤認識率が０．５
％となっており、本発明による実施例１の方が従来法に
よる比較例よりも誤認識率が低いことがわかる。
【０１２４】さらに、上述した第三の実施形態を適用し
た実施例２において特徴量削減及び着座乗員の認識実験
を行った結果について説明する。
【０１２５】まず、７４個のセンサ部を有するシートセ
ンサから出力される７４個の圧力データを主成分分析に
よりノイズを除去し、３６次元データとした。次に、３
６次元データを用いてＩＣＡによる特徴抽出を行った。
次に、図９のフローチャートに示すように、ＳＶＭの学
習を行いつつ不要な特徴量の削除（特徴空間の次元削
減）を行った。図１２は、特徴空間の次元削減に伴う誤
認識率の変化を示すものであり、ＳＶＭの学習を行いつ
つ３６次元より１ずつ次元削減していったところ、２８
次元において誤認識率が最小となった。
【０１２６】そして、実施例２においてテストデータを
使用して２８次元の特徴空間（すなわち、２８個の特徴
量）を用いてＳＶＭによる認識実験を行ったところ、誤
認識率は表２のようになった。
【０１２７】
【表２】
【０１２８】表２より、７４次元の特徴空間を用いてＳ
ＶＭによる着座乗員の判別を行った実施例１における誤
認識率が０．５％であるのに対し、２８次元の特徴空間
を用いてＳＶＭによる着座乗員の判別を行った実施例２
における誤認識率が０．４％となっており、実施例２に
おいて、特徴空間の次元を削減しつつ、誤認識率の低減
を図ることができたことがわかる。
【０１２９】
【発明の効果】以上述べたように本発明の乗員状態検知
方法又は乗員状態検知装置によれば、着座乗員の圧力パ
タンデータに基づいてサポートベクトルマシンによるパ
タン認識を行うことにより、非侵襲的に着座乗員の状態
を高精度に推定することができるという効果を奏する。
また、圧力パタンデータの持つ特徴を活用してサポート
ベクトルマシンの学習を行うことにより、手動に頼るこ
となく、認識精度の高いパタン認識アルゴリズムを自動
的に生成し、設計工数の低減を図ることができるという
効果をも奏する。
【図面の簡単な説明】
【図１】 本発明の乗員状態検知方法における圧力パタ
ン認識の概略を説明するフローチャートである。
【図２】 第一の実施形態におけるＳＶＭを用いた乗員
状態検知方法の概略を示すフローチャートである。
【図３】 乗員状態検知装置の全体構成を示すブロック
図である。
【図４】 シートに対する乗員の着座状態及びシートセ
ンサの埋設図状態を示す模式的側面図である。
【図５】（ａ）は図３のシートセンサの模式的平面図で
あり、（ｂ）は当該シートセンサの部分拡大断面図であ
る。
【図６】 シートセンサにおける各センサ部Ｐｉの模式
的表示図である。
【図７】 第一の実施形態における乗員状態検知プログ
ラムの流れを説明するフローチャートである。
【図８】 第二の実施形態におけるＩＣＡ及びＳＶＭを
用いた乗員状態検知方法の概略を示すフローチャートで
ある。
【図９】 ＳＶＭによる特徴量削減処理の流れを示すフ
ローチャートである。
【図１０】 第二の実施形態における乗員状態検知プロ
グラムの流れを説明するフローチャートである。
【図１１】 第三の実施形態における主成分分析、ＩＣ
Ａ及びＳＶＭを用いた乗員状態検知方法の概略を示すフ
ローチャートである。
【図１２】 特徴空間の次元削減に伴う誤認識率の変化
を示すグラフである。
【符号の説明】
１…乗員状態検知装置、２０…シートセンサ（計測手
段）、３０…マイクロプロセッサ（パタン認識手段，独
立成分分析手段，主成分分析手段）、３２ａ…状態検知
プログラム（パタン認識手段，独立成分分析手段，主成
分分析手段）、Ｓ１，Ｓ１１，Ｓ２１…計測ステップ、
Ｓ２〜Ｓ３，Ｓ１３〜Ｓ１４，Ｓ２４〜Ｓ２５…パタン
認識ステップ、Ｓ１２，Ｓ２３…独立成分分析ステッ
プ、Ｓ２２…主成分分析ステップ。
───────────────────────────────────────────────────── フロントページの続き Ｆターム(参考） 2F051 AA01 AB07 BA07 3B087 DE08 3D054 EE11

Claims (24)

    【特許請求の範囲】
  1. 【請求項１】 乗員の着座により圧力が生ずるシート部
    分に複数のセンサ部を配置して圧力パタンを計測する計
    測ステップを有し、その計測ステップにおいて計測され
    た圧力パタンデータに基づいて着座乗員の状態を推定す
    る乗員状態検知方法において、 前記計測ステップにおいて計測された圧力パタンデータ
    に基づいてサポートベクトルマシンによるパタン認識を
    行うことにより前記着座乗員の状態を推定するパタン認
    識ステップ、 を備えたことを特徴とする乗員状態検知方法。
  2. 【請求項２】 前記サポートベクトルマシンは、前記圧
    力パタンデータを学習データとして使用し、且つその学
    習データに対応する着座乗員の状態を教師信号として使
    用して学習したものであることを特徴とする請求項１に
    記載の乗員状態検知方法。
  3. 【請求項３】 前記計測ステップにおいて計測された圧
    力パタンデータに基づいて独立成分分析による特徴量の
    抽出を行う独立成分分析ステップを備え、 前記パタン認識ステップでは、前記独立成分分析手段に
    より抽出された特徴量を用いてサポートベクトルマシン
    によるパタン認識を行うことを特徴とする請求項１又は
    ２に記載の乗員状態検知方法。
  4. 【請求項４】 前記サポートベクトルマシンは、学習を
    行いつつ、誤認識率を最小化するように前記独立成分分
    析手段により抽出された特徴量を削減したものであるこ
    とを特徴とする請求項３に記載の乗員状態検知方法。
  5. 【請求項５】 前記計測ステップにおいて計測された圧
    力パタンデータから主成分分析によりノイズを除去する
    主成分分析ステップを備えたことを特徴とする請求項１
    乃至４のいずれかに記載の乗員状態検知方法。
  6. 【請求項６】 乗員の着座により圧力が生ずるシート部
    分に複数のセンサ部を配置して圧力パタンを計測する計
    測ステップを有し、その計測ステップにおいて計測され
    た圧力パタンデータに基づいて着座乗員の状態を推定す
    る乗員状態検知方法において、 前記計測ステップにおいて計測された圧力パタンデータ
    に基づいて独立成分分析による特徴抽出を行う独立成分
    分析ステップと、 その独立成分分析ステップにおいて抽出された特徴量を
    用いてパタン認識を行うことにより前記着座乗員の状態
    を推定するパタン認識ステップと、 を備えたことを特徴とする乗員状態検知方法。
  7. 【請求項７】 前記パタン認識ステップにおいて前記着
    座乗員の種類を推定することを特徴とする請求項１乃至
    ６のいずれかに記載の乗員状態検知方法。
  8. 【請求項８】 前記パタン認識ステップにおいて前記着
    座乗員の種類が大人又は子供のいずれであるかを推定す
    ることを特徴とする請求項７に記載の乗員状態検知方
    法。
  9. 【請求項９】 前記パタン認識ステップにおいて前記着
    座乗員の種類が大人、チャイルドシートを使用していな
    い子供、又はチャイルドシートに着座した子供のいずれ
    であるかを推定することを特徴とする請求項７に記載の
    乗員状態検知方法。
  10. 【請求項１０】 前記パタン認識ステップにおいて前記
    着座乗員の疲労度を推定することを特徴とする請求項１
    乃至６のいずれかに記載の乗員状態検知方法。
  11. 【請求項１１】 前記パタン認識ステップにおいて前記
    着座乗員の覚醒度を推定することを特徴とする請求項１
    乃至６のいずれかに記載の乗員状態検知方法。
  12. 【請求項１２】 乗員の着座により圧力が生ずるシート
    部分に複数のセンサ部を配置して圧力パタンを計測する
    計測手段を有し、その計測手段により計測された圧力パ
    タンデータに基づいて着座乗員の状態を推定するように
    構成された乗員状態検知装置において、 前記計測手段により計測された圧力パタンデータに基づ
    いてサポートベクトルマシンによるパタン認識を行うこ
    とにより前記着座乗員の状態を推定するパタン認識手
    段、 を備えたことを特徴とする乗員状態検知装置。
  13. 【請求項１３】 前記サポートベクトルマシンは、前記
    圧力パタンデータを学習データとして使用し、且つその
    学習データに対応する着座乗員の状態を教師信号として
    使用して学習したものであることを特徴とする請求項１
    ２に記載の乗員状態検知装置。
  14. 【請求項１４】 前記計測手段により計測された圧力パ
    タンデータに基づいて独立成分分析による特徴量の抽出
    を行う独立成分分析手段を備え、 前記パタン認識手段は、前記独立成分分析手段により抽
    出された特徴量を用いてサポートベクトルマシンによる
    パタン認識を行うことを特徴とする請求項１２又は１３
    に記載の乗員状態検知装置。
  15. 【請求項１５】 前記サポートベクトルマシンは、学習
    を行いつつ、誤認識率を最小化するように前記独立成分
    分析手段により抽出された特徴量を削減したものである
    ことを特徴とする請求項１４に記載の乗員状態検知装
    置。
  16. 【請求項１６】 前記計測手段により計測された圧力パ
    タンデータから主成分分析によりノイズを除去する主成
    分分析手段を備えたことを特徴とする請求項１２乃至１
    ５のいずれかに記載の乗員状態検知装置。
  17. 【請求項１７】 乗員の着座により圧力が生ずるシート
    部分に複数のセンサ部を配置して圧力パタンを計測する
    計測手段を有し、その計測手段により計測された圧力パ
    タンデータに基づいて着座乗員の状態を推定するように
    構成された乗員状態検知装置において、 前記計測手段により計測された圧力パタンデータに基づ
    いて独立成分分析による特徴抽出を行う独立成分分析手
    段と、 その独立成分分析手段により抽出された特徴量を用いて
    パタン認識を行うことにより前記着座乗員の状態を推定
    するパタン認識手段と、 を備えたことを特徴とする乗員状態検知装置。
  18. 【請求項１８】 前記パタン認識手段は、前記着座乗員
    の種類を推定するように構成されたことを特徴とする請
    求項１２乃至１７のいずれかに記載の乗員状態検知装
    置。
  19. 【請求項１９】 前記パタン認識手段は、前記着座乗員
    が、大人又は子供のいずれであるかを推定することを特
    徴とする請求項１８に記載の乗員状態検知装置。
  20. 【請求項２０】 前記パタン認識手段は、前記着座乗員
    が、大人、チャイルドシートを使用していない子供、又
    はチャイルドシートに着座した子供のいずれであるかを
    推定することを特徴とする請求項１８に記載の乗員状態
    検知装置。
  21. 【請求項２１】 前記パタン認識手段は、前記着座乗員
    の疲労度を推定するように構成されたことを特徴とする
    請求項１２乃至１７のいずれかに記載の乗員状態検知装
    置。
  22. 【請求項２２】 前記パタン認識手段は、前記着座乗員
    の覚醒度を推定するように構成されたことを特徴とする
    請求項１２乃至１７のいずれかに記載の乗員状態検知装
    置。
  23. 【請求項２３】 請求項１８乃至２０のいずれかに記載
    の乗員状態検知装置と、 前記パタン認識手段により推定された前記着座乗員の種
    類に応じてエアバッグの作動を制御する制御手段と、 を備えたことを特徴とするエアバッグ制御装置。
  24. 【請求項２４】 請求項２１又は２２に記載の乗員状態
    検知装置と、 前記パタン認識手段による推定結果に応じて前記着座乗
    員への警報を行う警報手段と、 を備えたことを特徴とする車両の安全装置。
JP2002150260A 2002-05-24 2002-05-24 乗員状態検知方法及び装置 Pending JP2003344196A (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2002150260A JP2003344196A (ja) 2002-05-24 2002-05-24 乗員状態検知方法及び装置
US10/444,063 US6889129B2 (en) 2002-05-24 2003-05-23 Vehicle seat occupant classifying method and apparatus based on a support vector machine

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2002150260A JP2003344196A (ja) 2002-05-24 2002-05-24 乗員状態検知方法及び装置

Publications (1)

Publication Number Publication Date
JP2003344196A true JP2003344196A (ja) 2003-12-03

Family

ID=29545313

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2002150260A Pending JP2003344196A (ja) 2002-05-24 2002-05-24 乗員状態検知方法及び装置

Country Status (2)

Country Link
US (1) US6889129B2 (ja)
JP (1) JP2003344196A (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009229244A (ja) * 2008-03-24 2009-10-08 Advanced Telecommunication Research Institute International 触覚センサを有するロボット
KR20140118157A (ko) * 2013-03-28 2014-10-08 현대모비스 주식회사 기계학습기법에 의한 자동차 충돌 경보 시스템 및 방법
JP2021096094A (ja) * 2019-12-14 2021-06-24 鳥光　慶一 力覚表面、及びこれを有する荷重刺激のセンシングシステムとこれに用いるコンピュータプログラム、並びにこれらに関連する学習済みモデルと推測システム
CN115284976A (zh) * 2022-08-10 2022-11-04 东风柳州汽车有限公司 车辆座椅自动调节方法、装置、设备及存储介质

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7660437B2 (en) * 1992-05-05 2010-02-09 Automotive Technologies International, Inc. Neural network systems for vehicles
US7188050B2 (en) * 2004-08-25 2007-03-06 Siemens Corporate Research, Inc. Method and apparatus for detecting out-of-range conditions in power generation equipment operations
US7475903B2 (en) * 2005-04-08 2009-01-13 Robert Bosch Gmbh Weight based occupant classification system
WO2007081344A1 (en) * 2006-01-13 2007-07-19 New Jersey Institute Of Technology Method for identifying marked content
DE102007002834B4 (de) * 2007-01-19 2019-08-14 Robert Bosch Gmbh Steuergerät und Verfahren zur Ansteuerung von Personenschutzmitteln
DE102007027649B4 (de) * 2007-06-15 2015-10-01 Robert Bosch Gmbh Verfahren und Steuergerät zur Ansteuerung von Personenschutzmitteln sowie Computerprogramm und Computerprogrammprodukt
FR2919406B1 (fr) * 2007-07-23 2009-10-23 Commissariat Energie Atomique Procede et dispositif de reconnaissance de position ou de mouvement d'un dispositif ou d'un etre vivant.
DE102008001215A1 (de) * 2008-04-16 2009-10-22 Robert Bosch Gmbh Verfahren und Steuergerät zur Ansteuerung von zumindest einem Sicherheitsmittel
US9462262B1 (en) * 2011-08-29 2016-10-04 Amazon Technologies, Inc. Augmented reality environment with environmental condition control
CN103407341B (zh) * 2013-08-05 2015-10-28 江苏大学 主动悬架支持向量机广义逆复合控制器及其构造方法
KR101575051B1 (ko) * 2014-06-13 2015-12-21 엘지전자 주식회사 웨어러블 디바이스 및 그 제어방법
CN110843714B (zh) * 2019-11-15 2020-11-24 江苏理工学院 一种延时引爆汽车安全气囊及其控制方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5732375A (en) 1995-12-01 1998-03-24 Delco Electronics Corp. Method of inhibiting or allowing airbag deployment
LU90106B1 (de) 1997-07-18 1999-01-19 Iee Sarl Verfahren und Vorrichtung zum Erfassen verschiedener Parameter einer auf einer Unterlage sitzenden Person
US6104100A (en) * 1998-01-27 2000-08-15 Sheldahl, Inc. Charge transfer load sensor
LU90202B1 (de) 1998-01-28 1999-07-29 Iee Sarl Auswerteverfahren fuer einen Sitzbelegungssensor
JP3919978B2 (ja) 1999-07-23 2007-05-30 株式会社デンソー 車両用シートの着座乗員判定装置
US6327221B1 (en) * 1999-09-20 2001-12-04 Honeywell International Inc. Steered beam ultrasonic sensor for object location and classification
JP4513190B2 (ja) 1999-11-09 2010-07-28 株式会社デンソー 車両用シートの着座乗員判定装置
US6728616B1 (en) * 2000-10-20 2004-04-27 Joseph A. Tabe Smart seatbelt control system

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009229244A (ja) * 2008-03-24 2009-10-08 Advanced Telecommunication Research Institute International 触覚センサを有するロボット
KR20140118157A (ko) * 2013-03-28 2014-10-08 현대모비스 주식회사 기계학습기법에 의한 자동차 충돌 경보 시스템 및 방법
KR102044193B1 (ko) * 2013-03-28 2019-12-02 현대모비스 주식회사 기계학습기법에 의한 자동차 충돌 경보 시스템 및 방법
JP2021096094A (ja) * 2019-12-14 2021-06-24 鳥光　慶一 力覚表面、及びこれを有する荷重刺激のセンシングシステムとこれに用いるコンピュータプログラム、並びにこれらに関連する学習済みモデルと推測システム
JP7502764B2 (ja) 2019-12-14 2024-06-19 ビヨンドエス株式会社 力覚表面、及びこれを有する荷重刺激のセンシングシステムとこれに用いるコンピュータプログラム、並びにこれらに関連する学習済みモデルと推測システム
CN115284976A (zh) * 2022-08-10 2022-11-04 东风柳州汽车有限公司 车辆座椅自动调节方法、装置、设备及存储介质
CN115284976B (zh) * 2022-08-10 2023-09-12 东风柳州汽车有限公司 车辆座椅自动调节方法、装置、设备及存储介质

Also Published As

Publication number Publication date
US20030218321A1 (en) 2003-11-27
US6889129B2 (en) 2005-05-03

Similar Documents

Publication Publication Date Title
JP2003344196A (ja) 乗員状態検知方法及び装置
JP6865366B2 (ja) 人の状態認識を基盤として身体部位の長さ及び顔情報を使用して乗客の身長及び体重を予測する方法及び装置
CN108770351B (zh) 车辆座椅调整方法及车辆座椅调整装置
JP4675106B2 (ja) 支持面の占有形式を識別するための装置
US20070127824A1 (en) Method and apparatus for classifying a vehicle occupant via a non-parametric learning algorithm
JP5666383B2 (ja) 眠気推定装置及び眠気推定方法
CN101506001B (zh) 用于控制人身保护装置的方法及装置
JP2004522932A (ja) 車両内の物体の存在及び姿勢を識別するシステムを開発する方法
JP2003267182A (ja) イメージ処理システム及びそのための方法
JPWO2021240777A5 (ja) 乗員検出装置、子供置き去り警報システム、乗員検出方法および子供置き去り警報方法
US20230147411A1 (en) Device and method for controlling seat of vehicle
JP2018131110A (ja) 推定装置、推定方法、及び推定プログラム
JP2012166579A (ja) 状態判定装置、状態判定方法及びプログラム
EP3528693B1 (en) System for predicting egress from an occupant support
CN114347999B (zh) 一种基于多特征融合的乘员类型识别方法、系统、装置
JP6772775B2 (ja) 運転支援装置および運転支援方法
Mangshor et al. A real-time drowsiness and fatigue recognition using support vector machine
Nie et al. Scaling approach in predicting the seatbelt loading and kinematics of vulnerable occupants: How far can we go?
CN115703420A (zh) 用于安全和定制应用的多模态乘员座位映射
CN114861291A (zh) 后视镜参数优化方法、系统、可读存储介质及计算机设备
Yates Protection of Rear Seat Occupants Using Finite Element Analysis
Hannan et al. Decision fusion via integrated sensing system for a smart airbag deployment scheme
JP3919978B2 (ja) 車両用シートの着座乗員判定装置
JP6406041B2 (ja) 情報処理装置、判定方法、及びプログラム
US20050154516A1 (en) Method and a system for processing measurement signals for characterizing the state of occupancy of a motor vehicle seat

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20040608

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20051216

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20060915

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20070202