JP2007272834A - ドライバモデル作成装置、運転支援装置、及び運転行動判定装置 - Google Patents

Abstract

【課題】正常状態における運転状態の評価基準としてより精度の高いドライバモデルを作成する。
【解決手段】ドライバの生体情報を検出することで、ドライバの平常状態か否かを認識する。そしてドライバの運転中に運転状態のデータ（自車両情報、例えば、アクセル、ブレーキ、ステアリングの操作量、車速、車間距離、加速度など）を収集し、その運転状態データのうち、ドライバが平常状態で運転している部分を抽出してドライバモデルを作成する。これにより、ドライバに意識させることなく、正常時のドライバモデルを自動的に作成することができる。また、ドライバの生体情報を元に正常状態で運転している場合のみを正常時の運転行動としてドライバモデルを作成するので、より精度の高いニュートラルなドライバモデルとすることができる。
【選択図】図１０

Description

本発明は、ドライバモデル作成装置及び運転支援装置に係り、例えば、運転状態の評価基準となるドライバモデルの作成装置、及びドライバモデルを使用した運転状態の評価と運転支援を行う装置に関する。

車両運転者（ドライバ）の運転操作のモデル化、及びその応用について種々の提案がされている。
例えば、特許文献１記載技術では、ファジールールやニューラルネットワークを使用したドライバモデルにより、交差点道路の危険度を評価する技術について提案されている。
特開２００２−１４０７８６

このようなドライバモデルを使用することで、ドライバモデルから推定される運転操作等の運転状態を正常な運転状態として推定し、これと現在の運転状態とを比較することで、現在の運転に対する評価を行うことができる。
しかし、ドライバモデルから推定される運転状態は、必ずしもその運転者にとっての正常な運転状態であるとは限らなかった。
また、特定の運転者が実際に車両を運転することで運転状態のデータを収集し、これに基づいて予めドライバモデルを作成したとしても、必ずしも正常状態での運転が行われているとは限らなかった。

そこで本発明は、運転状態の評価基準となる、より精度の高いドライバモデルを作成することを第１の目的とする。
また、該ドライバモデルを使用した、より精度の高い運転状態の評価と運転支援を行う運転支援装置を提供することを第２の目的とする。
また、ドライバの運転行動に対して、より精度の高い運転状態の評価を行うことを第３の目的とする。

（１）請求項１に記載の発明では、運転者の状態を判断する状態判断手段と、車両走行における運転操作情報を取得する運転操作情報取得手段と、前記取得した運転操作情報に基づいて運転者の状態に応じた運転操作のドライバモデルを作成するドライバモデル作成手段と、をドライバモデル作成装置に具備させて前記目的を達成する。
（２）請求項２に記載した発明では、請求項１に記載のドライバモデル作成装置において、前記状態判断手段は、少なくとも運転者の状態が正常か否かを判断する、ことを特徴とする。
（３）請求項３に記載した発明では、請求項１又は請求項２に記載のドライバモデル作成装置において、特定の走行環境を検出する走行環境取得手段と、走行環境毎に前記運転操作情報を蓄積し、前記ドライバモデル作成手段は、前記走行環境毎にドライバモデルを作成する、ことを特徴とする。
（４）請求項４に記載した発明では、請求項１、請求項２又は請求項３に記載のドライバモデル作成装置において、運転者の生体情報を取得する生体情報取得手段を備え、前記状態判断手段は、前記取得した生体情報に基づいて運転者の状態を判断する、ことを特徴とする。
（５）請求項５に記載した発明では、正常状態における運転操作のドライバモデルを取得するドライバモデル取得手段と、前記取得したドライバモデルを使用し、正常状態で通常運転される運転操作を推定する運転操作推定手段と、前記推定した運転操作と、現在の運転操作情報に基づく運転操作とから、ドライバの運転行動を判定する運転行動判定手段と、前記判定した運転行動に応じた運転支援を行う運転支援手段と、を運転支援装置に具備させて前記第２の目的を達成する。
（６）請求項６に記載した発明では、請求項５に記載の運転支援装置において、前記ドライバモデル取得手段は、走行環境毎に作成された正常状態における運転操作のドライバモデルから、現在の走行環境に対応するドライバモデルを取得する、ことを特徴とする。
（７）請求項７に記載した発明では、請求項５又は請求項６に記載の運転支援装置において、運転者の生体情報から運転者の状態を判定する運転者状態判定手段を備え、前記運転支援手段は、前記判定した運転行動と前記判定した運転者状態とに応じた運転支援を行うことを特徴とする。
（８）請求項８に記載した発明では、請求項５、請求項６、又は請求項７に記載の運転支援装置において、運転支援手段は、判定内容に応じて、音声又は画像による注意喚起、情報提供、振動、休憩所の案内のうちの少なくとも１以上の運転支援を行う、ことを特徴とする。
（９）請求項９に記載した発明では、正常状態における運転操作のドライバモデルを取得するドライバモデル取得手段と、前記取得したドライバモデルを使用し、正常状態で通常運転される運転操作を推定する運転操作推定手段と、前記推定した運転操作と、現在の運転操作情報に基づく運転操作とから、ドライバの運転行動を判定する運転行動判定手段と、を運転行動判定装置に具備させることで第３の目的を達成する。

請求項１から請求項４記載の本発明では、運転者の状態に応じた運転操作のドライバモデル作成するので、より精度の高いドライバモデルを得ることができる。
請求項５から請求項８記載の本発明では、正常状態における運転操作のドライバモデルを使用して推定した正常状態で通常運転される運転操作と、現在の運転操作情報に基づく運転操作とから、ドライバの運転行動を判定し、判定した運転行動に応じた運転支援を行うので、より精度の高い運転状態の評価と運転支援を行うことができる。
請求項９記載の発明では、正常状態における運転操作のドライバモデルを使用し推定した正常状態で通常運転される運転操作と、現在の運転操作情報に基づく運転操作とから、ドライバの運転行動を判定するので、より精度の高い運転状態の評価を行うことができる。

以下、本発明のドライバモデル作成装置及び運転支援装置における好適な実施の形態について、図１から図２３を参照して詳細に説明する。
（１）実施形態の概要
本実施形態では、ドライバの生体情報を検出することで、ドライバの平常状態か否かをを認識する。そしてドライバの運転中に運転状態のデータ（自車両情報、例えば、アクセル、ブレーキ、ステアリングの操作量、車速、車間距離、加速度など）を収集し、その運転状態データのうち、ドライバが平常状態で運転している部分を抽出してドライバモデルを作成する。
これにより、ドライバに意識させることなく、正常時のドライバモデルを自動的に作成することができる。
また、ドライバの生体情報を元に正常状態で運転している場合のみを正常時の運転行動としてドライバモデルを作成するので、より精度の高いニュートラルなドライバモデルとすることができる。

本実施形態では、例えば、片道３車線の国道で、信号が青の交差点を右折専用車線から右折する場合で、対向車があり、横断歩道に歩行者がいる場合、というように、走行中における自車両周辺環境の各場面（シチュエーション）毎にドライバモデルが作成される。

また、作成したドライバモデルから推定される正常時の運転行動と、現在のドライバの運転行動とをリアルタイムに比較することで、現在のドライバの運転行動が「いつもどおり」であるか、又は逸脱しているかを監視する。
「いつもの」運転と現在の運転の比較を行う際の指標として、例えばドライバの「反応速度」と「ふらつき」を用いる。

更に、本実施形態では、ドライバモデルに基づく運転行動の変化を評価するだけでなく、生体情報の変化も加味することで、ドライバの状態を示す情報を複合的に判断し、より高精度にドライバの疲労や注意力の低下を検知する。

その結果、ドライバ本来の運転行動から逸脱があった場合、これについて注意喚起、警告や情報提示を行うことで、その人に合った安全運転支援を行うことができる。
また、明らかな疲労や注意力の低下を発現する前の前兆段階でのドライバ状態の検知を可能とし、予め疲労がピークに達する前に休憩を促すなどの高度な案内が可能となる。

本実施形態では、ドライバモデルにＧＭＭ（ガウス混合モデル）を用いることで、各ドライバ毎のドライバモデルを簡便に生成することができ、さらに、条件付き確率を最大化する計算により、運転操作行動を容易に推定し出力する。

すなわち、本実施形態のドライバモデル作成装置、運転支援装置、及び運転行動判定装置では、アクセル操作量、車速、ブレーキ操作量、ステアリングの操作量、車間距離、加速度等の複数種類の特徴量からなる走行データを学習データとしてＥＭ（Ｅｘｐｅｃｔａｔｉｏｎ Ｍａｘｉｍｉｚａｔｉｏｎ）アルゴリズムにより算出したガウス混合モデルをドライバモデルとして採用する。
このガウス混合モデルは、ＥＭアルゴリズムにより、同時確率密度分布を計算することで得られる同時確率密度関数のパラメータで構成され、必要に応じて各ドライバ毎、更にドライバのアクセル操作用、ブレーキ操作用、車間距離維持範囲用等の推定する特徴量毎に生成される。

そして、ドライバモデルに使用した複数の特徴量のうちの特定の特徴量ｘを除く走行データＹ（＝ｙ１、ｙ２、…）を測定し、この走行データＹに対するドライバモデルにおける最大事後確率を算出することで、特徴量ｘを推定する。

例えば、車両周辺の走行環境（シチュエーション）と同一のシチュエーションにおけるドライバモデルを用い、現在の自車状態をドライバモデルに入力し、それ以降の運転状態（例えば、特徴量ｘ＝アクセル操作量）の時間変化を推定し、実際の運転状態と比較することで、操作の遅れや操作のふらつき等の有無が判定される。

（２）実施形態の詳細
図１は、ドライバモデル作成装置を適用した運転支援装置の構成を表したものである。
運転支援装置は、ＥＣＵ（電子制御装置）１０、自車両情報取得部１１、自車両周辺環境情報取得部１２、生体情報取得部１３、情報提供部１４、ドライバモデル処理部１５、データ記憶部１６を備えている。
なお、図１により説明する運転支援装置の構成については、その全てが必要ということではなく、本実施形態にけるドライバモデルの作成及び運転支援を行う為に使用可能な各部や装置について説明するものであり、採用する運転支援装置の機能等に応じて適宜選択して運転支援装置を構成することが可能であり、また、同様な機能を有する他の機器、装置を追加使用することが可能である。

ＥＣＵ１０は、ＣＰＵ、ＲＯＭ、ＲＡＭ、インターフェイスの各部を備えたコンピュータシステムで構成されている。
ＥＣＵ１０は、自車両情報取得部１１の取得情報に基づくドライバ運転行動の監視、生体情報取得部１３の取得情報に基づくドライバ生体情報の監視、運転支援としてのドライバアシスト内容の情報提供部１４への指示、を行うようになっている。ＥＣＵ１０は、また、ドライバモデルの作成、出力に必要なデータをドライバモデル処理部１５に供給するようになっている。

自車両情報取得部１１は、ハンドル舵角センサ１１１、アクセルペダルセンサ１１２、ブレーキペダルセンサ１１３、速度計１１４、加速度センサ１１５、エレキ動作状況取得部１１６、タイマー１１７、その他のセンサを備えている。
図２は、自車両情報取得部１１で取得する、運転操作情報としての自車両情報を例示したものである。
図２に示されるように、ハンドル舵角センサ１１１はハンドル操作量（角度）、アクセルペダルセンサ１１２はアクセル操作量、ブレーキペダルセンサ１１３はブレーキ操作量を、速度計１１４は車速を検出する。
加速度センサ１１５は、ヨー軸加速度、ピッチ軸加速度、ロール軸加速度を検出する。

エレキ動作状況取得部１１６は、ウィンカー動作状況、ライト動作状況、ワイパー動作状況を検出する。
タイマー１１７は、運転時刻、運転時間等の各種時間を計測する。

自車両周辺環境情報取得部１２は、車両周辺情報取得部１２１、道路情報取得部１２２、及びネットワーク部１２３を備えている。
車両周辺情報取得部１２１は、赤外線センサ、ミリ波センサ、超音波センサ、画像認識装置、車間距離センサ等の各種センサを備えている。画像認識装置は、画像入力装置で撮像された車外画像の画像処理を行い、車両周辺の障害物や、歩行者、車両等の存在対象を認識する。

図３は、車両周辺情報取得部１２１で取得する車両周辺環境情報を例示したものである。
この図３に示されるように、車両周辺情報取得部１２１により、車両、歩行者、障害物、その他各種情報が取得される。
具体的に取得される情報としては、例えば、検出した周辺に存在する車両の種類（乗用車、バイク、自転車等）、車間距離、相対速度、属性（対向車、並走車、直行（左、右）車、等が各車両毎に取得される。
同様に、歩行者、障害物に対しても、その各々に対する情報が取得される。

道路情報取得部１２２は、車両の現在位置を検出するＧＰＳ装置や、検出した現在位置に対応する道路情報や信号の有無等の周辺情報を取得するための地図情報を備えている。
また、道路情報取得部１２２は、標識や道路環境を認識する画像認識装置を備えているが、この画像認識装置は車両周辺情報取得部１２１の画像認識と共有されている。

図４は、道路情報取得部１２２で取得する車両周辺環境情報を例示したものである。
道路情報取得部１２２では図４に示されるように、道路種別、道路形状、道路幅、自車位置、路面状況、道の明るさ、信号の有無と状態、道路属性（交通規則）、その他の各種情報が取得される。

ネットワーク部１２３は、ＶＩＣＳ等の交通情報網や気象情報センタと接続して、交通情報や気象情報を取得する。
図５は、ネットワーク部１２３で取得する車両周辺環境情報を例示したものである。
図５に示されるように、ＶＩＣＳ等で取得する渋滞情報には、渋滞の距離、混雑の距離、事故の有無、通行止めの有無、チェーン規制の有無等がある。
また、気象情報センタで取得する気象情報には、晴れ、曇り、雨等の天候情報、降水確率、気温、その他の情報がある。

自車両周辺環境情報取得部１２で取得した自車両周辺環境情報は、上記した自車両情報取得部１１で取得した自車両情報の一部（例えば、ハンドル操作量に基づく、直進、右折、左折等の情報）と共に、後述するシチュエーションテーブル１６３に従って、シチュエーションの設定に使用される。

生体情報取得部１３は、車両の運転中におけるドライバが正常状態か異常状態かを判断するための生体情報を取得し、そのためのセンサとして、心電計、血圧計、心拍センサ、発汗センサその他の各種センサを備えている。
生体情報取得部１３は、車両が走行を開始すると、所定時間間隔で心拍数と発汗量を検出してＥＣＵ１０に供給するようになっている。
心拍センサは、例えば、ステアリングに配置された電極により、運転中の運転者の手から心拍信号を採取することで心拍数を検出するようになっている。なお、心拍センサは、専用のセンサを手首等の運転者の身体に配置するようにしてもよい。
発汗センサは、ステアリングに配置され、発汗状態によって流れる電流値の変化から発汗状態を検出する。

図６は、生体情報取得部１３で取得する生体情報を例示したものである。
生体情報取得部１３では、心電位、Ｒ−Ｒ間隔、心拍、呼吸数、体温、血圧、皮膚電位、失水分量（発汗量）、筋電位、脳波電位等が取得対象となる。

情報提供部１４は、ドライバの運転状態に応じた運転操作アシストや警告を行うための運転操作アシスト部、音声出力部、画面出力部を備えている。
図７は、情報提供部１４で提供する情報、アシストの内容を例示したものである。
この図７に示されるように、運転操作アシスト部は、ドライバによる運転操作を補正するアシストとして、ハンドル操作アシスト、アクセル操作アシスト、ブレーキ操作アシスト等を行うため、各操作部のトルク値の出力を制御する。例えば、運転者によるハンドル操作にふらつきがある場合にはステアリングが重くなるようにトルク操作をし、ブレーキの踏み力が弱い場合にブレーキの踏み込み量に対する出力が大きくなるようにアシストする。
また、運転者の状態に応じて、音声出力部は警告音声を出力し、画面出力部は警告画面を表示する。

ドライバモデル処理部１５は、ドライバモデル作成部１５１、ドライバモデル記憶部１５２、ドライバモデル出力部１５３を備えている。
ドライバモデル作成部１５１は、ドライバモデル作成装置として機能し、自車両情報取得部１１で取得した自車両情報のうち、運転者の状態が正常状態である場合の自車両情報を蓄積し、該正常状態の自車両情報からドライバモデルを作成する。
正常状態の自車両情報は、該情報を取得した際に自車両周辺環境情報取得部１２で取得した自車両周辺環境情報から決定されるシチュエーション毎に蓄積され、各シチュエーション毎にドライバモデルが作成される。

ドライバモデル記憶部１５２は、ドライバモデル作成部１５１で作成されたドライバモデルが各シチュエーション毎に保存される。
ドライバモデル作成部１５１では、各シチュエーションに対する自車両情報が所定量蓄積されると、そのシチュエーションのドライバモデルを作成し、ドライバモデル記憶部１５２に記憶する。そして、新たな自車両情報が取得される毎に、対応するシチュエーションのドライバモデルがそれ以前に蓄積済みの自車両情報と併せて新たにドライバモデルを作成し、ドライバモデルを更新する。なお、ドライバモデルの更新は、対応するシチュエーションの新たな自車両情報を取得する毎ではなく、所定量の追加蓄積がある毎に作成、更新を行うようにしてもよい。

図８はドライバモデル記憶部１５２の記憶内容を概念的に表したものである。
この図８に示されるように、ドライバモデルは、シチュエーション毎に分類されている。記憶される各ドライバモデルａ、ｂ、ｃ、…は、対応するシチュエーションデータ（シチュエーションａ、ｂ、ｃ、…）に紐付けされており、システムがドライバモデルを引用する為のタグとして機能する。
こうすることでドライバモデルの検索時に、「ドライバがあるレベルでの疲労具合」のケースのドライバモデルを一括取得しておくなどのキャッシュ操作が可能になる。

ドライバモデル出力部１５３は、特定のシチュエーションｎに対応するドライバモデルｎに基づいて、正常状態におけるドライバの操作量、すなわち、シチュエーションｎに対するいつもの（正常時の）運転操作量を推定し、出力する。
この推定運転操作量と、現在の自車両情報とを比較することで、後述する運転行動の状態（反応遅れ、ふらつき等）を判断するための基礎データである、運転行動逸脱データが所定時間間隔毎に得られる。

なお、ドライバモデル処理部１５におけるドライバモデル作成部１５１とドライバモデル出力部１５３の両機能をＥＣＵ１０で実現し、ドライバモデル記憶部１５２をデータ記憶部１６に保存するようにしてもよい。

データ記憶部１６には、本実施形態によるドライバモデル作成処理、及び運転操作アシスト処理に必要な各種データやテーブルが格納される。
データ記憶部１６は、フレキシブルディスク、ハードディスク、磁気テープ等の磁気記録媒体、メモリチップやＩＣカード等の半導体記録媒体、ＣＤ−ＲＯＭやＭＯ、ＰＤ（相変化書換型光ディスク）等の光学的に情報が読み取られる記録媒体、その他各種方法でデータやコンピュータプログラムが記録される記録媒体が含まれる。
記録媒体には、記録内容に応じて異なる媒体を使用するようにしてもよい。

データ記憶部１６には、運転行動逸脱データ１６１、自車両情報１６２が保存され、また、シチュエーションテーブル１６３が格納されている。
運転行動逸脱データ１６１は、現在走行中のシチュエーションｎに対してドライバモデルｎから推定される正常時の運転操作量と、実際の自車両情報に基づく操作量との差分データであり、現在走行中のシチュエーションｎに対して所定時間間隔毎に算出され、保存される。
自車両情報１６２は、正常状態で走行した際の自車両情報が各シチュエーション毎に蓄積される。この自車両情報が所定量蓄積された次点で、そのシチュエーションに対するドライバモデルが作成される。ドライバモデルは、一度作成された以後は、対応するシチュエーションの自車両情報を取得する毎に更新される。

シチュエーションテーブル１６３は、取得した自車両情報と自車両周辺環境情報から、対応するシチュエーションａ、ｂ、ｃ、…を決定するためのテーブルである。
図９は、シチュエーションデータの内容を概念的に表したものである。
この図９に示されるように、ドライバモデルａ、ｂ、ｃ、…に対応する各シチュエーションａ、ｂ、ｃ、…毎に、そのシチュエーションとなるためのシチュエーションフラグが設定されている。
シチュエーションフラグは、自車両情報と自車両周辺環境情報における各小項目毎に１つのデータが選択されている。

次に、以上のように構成された運転支援装置による各種処理動作について説明する。
図１０は、ドライバの「普段の運転行動」（正常時）のドライバモデルを作成するドライバモデル作成処理の処理動作を表したフローチャートである。
本実施形態において、ドライバモデルの作成は、車両走行中において実行されるが、ドライバの生体情報、自車両情報、自車両周辺環境情報の収集と蓄積を走行中に行い、シチュエーションフラグの設定及びドライバモデルの作成については、車両走行中以外に行うようにしてもよい。

ドライバモデル作成部１５１は、車両走行中において生体情報取得部１３から各時点における生体情報を収集、蓄積する（ステップ１０）。なお、生体情報等の各種情報はＥＣＵ１０を介して収集する（以下同じ）。
次いでドライバモデル作成部１５１は、収集、蓄積した生体情報からその変化状態を監視することで、現在のドライバの状態が正常状態か否かを判断する（ステップ１１）。

図１１〜図１３は、ドライバが正常状態か否かを判断する方法について概念的に表したものである。
図１１は、ドライバの心拍数の変動から動揺や焦りに起因する精神的（メンタル）な変化を監視する状態について表したものである。
図１１（ａ）に示されるように、所定の上下の閾値ｈ１とｈ２間に心拍の測定値が入っている場合には正常な状態（安定している状態）と判断する。
一方、図１１（ｂ）に示されるように、心拍の測定値が下側閾値ｈ１以下、又は上側閾値ｈ２以上を検出した場合には動揺や焦りに起因した異常な状態（不安定な状態）と判断する。
なお、本実施形態では図１１（ｂ）に示されるように、所定時間内に上下閾値ｈ１、ｈ２間の両側から外れた場合に異常状態と判断するが、いずれか一方の閾値を所定時間超えている場合も異常と判断するようにしてもよい。

図１２は、心電図のローレンツプロット解析からメンタルな変化を監視する状態について表したものである。
ローレンツプロット解析では、任意の時刻ｎにおける心電位のＲ−Ｒ間隔をＲＲｎとし、次の時刻ｎ＋１における心電位のＲ−Ｒ間隔をＲＲｎ＋１とした場合に、横軸をＲＲｎの値、縦軸をＲＲｎ＋１の値に取ったグラフが作成される。ここで、Ｒ−Ｒ間隔は、心電位のピーク値から次のピーク値までの時間間隔で、心拍の間隔が該当する。

このローレンツプロット解析によると、極度の緊張状態である場合には、図１２（ａ）に示されるように、心拍間隔が同一間隔となり、プロット点の集合はｙ＝ｘ線の一カ所に集中する。
また適度な緊張状態（適度な注意力がある状態）では、心拍間隔が適度のゆれをもって観測され、図１２（ｂ）に示されるように、プロット点の集合はｙ＝ｘ線上に細長くプロットされる。
また、注意力が散漫な状態では、心拍間隔の揺れが大きくなり、図１２（ｃ）に示されるように、プロット点の集合もｙ＝ｘ線上で原点方向及びこれと直角方向にも膨らむような集合が観測される。
また、眠気がある状態では、図１２（ｄ）に示されるように、プロット点の集合は、心拍間隔はｙ＝ｘ線方向のプロット領域が広がるが、原点側の幅が狭く原点から離れるに従って広くなる傾向がある。

このローレンツプロット解析により、正常な状態（適度な緊張状態）と、正常でない状態（極度の緊張状態、注意力が散漫な状態、眠気がある状態）が判断される。

図１３は、取得した生体情報から、交感神経系優位の状態か、副交感神経系優位の状態かによって正常状態か否かを判断する場合について表したものである。
この図１３に示されるように、例えば、ドライバの撮像画像から瞳孔の大きさを測定し、その大きさが散大である場合には、交換神経系が最も優位であり極度の緊張状態で注意力が低い可能性があると判断される。逆に、瞳孔の大きさが収縮状態である場合には、副交感神経系が優位な弛緩状態であり、収縮の程度に応じて、注意力が低い、注意力が極めて低い可能性があると判断される。
一方、交換神経系が適度に優位である瞳孔サイズの場合に、適度の緊張状態で注意力が高い正常状態と判断される。

瞳孔のサイズを含め、図１３に示した作用項目（心拍数、心臓収縮力等）の各測定項目毎に、極度の緊張、適度の緊張、弛緩状態（注意力が低い）、弛緩状態（注意力が極めて低い）の４状態に区分する為の値が予め決められている。
なお、ドライバモデルの作成においては、正常状態か正常状態でないかについて判断されるが、後述するドライバ生体情報監視処理（図２０参照）におけるドライバ生体情報ケース判定（ステップ４２）では、極度の緊張状態、適度の緊張状態、注意力が散漫な状態、弛緩状態、眠気がある状態の５つの状態が、図１１〜図１３で説明した方法に基づいて判定される。

以上のように、生体情報からドライバが正常状態か否かを判断し、正常であれば（ステップ１１；Ｙ）、ドライバモデル作成部１５１は、正常ドライバモデル作成用の情報として、正常時の自車両情報と自車両周辺環境情報を、自車両情報取得部１１と自車両周辺環境情報取得部１２から収集する（ステップ１２）。

図１４は、交差点を右折する際に自車両情報取得部１１と自車両周辺環境情報取得部１２で取得される自車両情報と自車両周辺環境情報について例示したものである。
この図１４に示されるような交差点を右折する場合には、取得される情報として、道路種別、道路状況、自車速度、自車位置、進行方向、自車側の信号の状態（赤、青、黄等）、前方車両の有無、前方車両の種類、前方車両相対位置、前方車両相対速度、対向車の有無、対向車車種、対向車相対位置、対向車相対速度、歩行者の有無、歩行者の種類、歩行者の位置、歩行者の進行方向、天気、等が取得される。
なお、本実施形態ではこれらの情報について取得し後述のシチュエーションの設定に使用されるが、必ずしもその全てを使用する必要はなく、いずれか一部の情報に基づくシチュエーションの設定を行ってもよく、逆に、より詳細な情報によるシチュエーションの設定を行うようにしてもよい。

ドライバモデル作成部１５１は、収集した自車両情報と自車両周辺環境情報から、シチュエーションテーブル１６３（図９参照）に従ってシチュエーションフラグを設定し、収集した正常時の自車両情報を、該当するシチュエーションの自車両情報１６２に蓄積する（ステップ１３）。

次いで、ドライバモデル作成部１５１は、収集及び蓄積した正常時の自車両情報１６２に従って、ステップ１３で設定したシチュエーションに対応する正常時用の正常ドライバモデルを作成し（ステップ１４）、メインルーチンにリターンする。

一方、生体情報からドライバが正常状態か否かを判断し、正常でなければ（ステップ１１；Ｎ）、ドライバモデル作成部１５１は、正常時と同様に、異常ドライバモデル作成用の情報として、異常時の自車両情報と自車両周辺環境情報を、自車両情報取得部１１と自車両周辺環境情報取得部１２から収集する（ステップ１５）。

ドライバモデル作成部１５１は、収集した自車両情報と自車両周辺環境情報から、シチュエーションテーブル１６３（図９参照）に従ってシチュエーションフラグを設定し、収集した異常時の自車両情報を、該当するシチュエーションの自車両情報１６２に蓄積する（ステップ１６）。

次いで、ドライバモデル作成部１５１は、収集及び蓄積した異常時の自車両情報１６２に従って、ステップ１６で設定したシチュエーションに対応する異常時用の異常ドライバモデルを作成し（ステップ１７）、メインルーチンにリターンする。

なお、本実施形態では生体情報が正常か異常かに応じて正常ドライバモデルと異常ドライバモデルを作成する場合について説明したが、例えば、異常状態として、生体情報が所定の上下の閾値よりも高い、低いのように、生体情報の状態に応じたドライバモデルをそれぞれ作成するようにしてもよい。

ここで、ドライバモデル作成部１５１によるドライバモデルの作成について説明する。
本実施形態では、ドライバモデルをＧＭＭにより作成する。
図１５は、本実施形態における運転支援装置（ドライバモデル作成装置）による、正常時のドライバモデルの作成と、作成したドライバモデルに基づく運転操作量の推定に関する原理を表したものである。
なお、ドライバモデルの作成と運転行動の推定については、特徴量として車速Ｖ、前方車両との車間距離Ｆと、これらの１次の動的特徴量ΔＶ、ΔＦ（１階微分値）、２次の動的特徴量ΔΔＶ、ΔΔＦ（２階微分値）、及びアクセル操作のドライバモデルとしてアクセル操作量Ｇと１次の動的特徴量ΔＧ、ブレーキ操作のドライバモデルとしてブレーキ操作量Ｂと１次の動的特徴量ΔＢを使用する場合について説明するが、特徴量については、自車両情報取得部１１で取得した全ての情報のうちの他の情報の組合せを使用して作成するようにしてもよい。

本実施形態の運転支援装置では、アクセル操作量、車速、車間距離等から構成される各シチュエーション毎の走行データ１（自車両情報）を学習データとして、各シチュエーションに対応するＧＭＭによるドライバモデル２をＥＭアルゴリズムにより予め作成する。
なお、ドライバモデルは各ドライバ毎に作成するようにしてもよい。

そして、ドライバの運転行動（例えば、アクセル操作量）を推定する場合、対応するドライバモデル２を使用し、時刻ｔにおける走行データ１の測定値（Ｖ、Ｆ、ΔＶ、…）３に対する最大事後確率４を計算することで、該ドライバが操作するであろうアクセル操作量５を推定するようになっている。
このようにして推定した各操作量を走行データとして次の操作量を推定し、各時刻毎の実測値（自車両情報）と比較することで運転行動逸脱データが算出される。

この例の運転支援装置では、ドライバは現在の車速、車間距離、及びそれらの１次、２次の動的特徴量に基づいてアクセルペダルとブレーキペダルの操作量を決めているとの仮定に基づいている。

以下、ドライバモデルの作成と運転行動の推定の原理について詳細に説明する。
（Ａ）ドライバモデルの学習
ＧＭＭを用いたドライバモデル２では、学習データを必要とし、特徴量として走行データ１（自車両情報）を使用した。
走行データ１は、所定の測定間隔ｓ（ｓは任意であるが本実施形態ではｓ＝０．１秒）毎の時系列データを使用する。
走行データ１は、ドライバモデル作成の対象となるドライバが実際に運転したデータであり、実際にドライバが運転している際にリアルタイムで測定、収集した走行データ１を使用する。また、予め測定し蓄積しておいた走行データ１を使用することで、オフラインの学習を行うようにしてもよい。

本実施形態の運転支援装置では、各ドライバごとにＧＭＭを作成することで、各ドライバの特性に合ったモデル化が可能となる。
ドライバモデルの特徴量（走行データ１）としては、上述したように、車速、車間距離、及びそれらの１次、２次の動的特徴量とアクセルペダル操作量、及びアクセルペダル操作量の１次の動的特徴量が使用される。
このように、特徴量に動的特徴量を加えてモデル化することで、前後の時間関係を考慮することになり、滑らかで自然性の高い推定結果を得ることができる。
なお、説明では、１次及び２次の動的特徴量を使用した場合について説明するが、１次の動的特徴量だけ使用するようにしてもよい。

同様に、ブレーキペダルの操作量、その他の各種操作量に関するドライバモデル化も行われる。
なお、アクセルペダル用、ブレーキペダル用等の複数のドライバモデルを作成する場合には、アクセルペダル操作量、ブレーキペダル操作量等以外のデータ（Ｖ、Ｆ、ΔＶ、ΔＦ、…）は同一のデータを使用してもよい。

本実施形態において、走行データ１のうち動的特徴量についてはアクセル操作量、車速、車間距離の測定値から計算により求めているが、実際に測定するようにしてもよい。

そして、本実施形態では、走行データ１に対する混合ガウス分布（ＧＭＭ）を計算することで、ドライバモデル２を作成する。
すなわち、走行データ１に対する同時確率密度分布をＥＭアルゴリズムを使用して算出し、算出した同時確率密度関数のパラメータ＝｛λｉ，→μｉ，Σｉ｜ｉ＝１，２，３，…Ｍ｝をＧＭＭによるドライバモデル２としてデータベース等の記憶手段に記憶しておく。
ここで、λｉは重みを、→μｉは平均ベクトル群を、Σｉは分散共分散行列群を、Ｍは混合数を表す。また、→μｉのように前に→を表示したものはベクトルを意味する。
このように、本実施形態のＧＭＭでは特徴次元間の相関も考慮して、全共分散行列を用いている。

なお、ＥＭアルゴリズムとしては、例えば、中川聖一著、「確率モデルによる音声認識」（電子情報通信学会 １９８８、Ｐ５１〜Ｐ５４）に従って、混合ガウス分布のＥＭアルゴリズムによる推定を行う。

（Ｂ）運転行動（アクセルペダル操作量、ブレーキペダル操作量等の各種操作量）の推定
ドライバは現在の車速、車間距離、及びそれらの１次、２次の動的特徴量に基づいてアクセルペダルとブレーキペダルの操作量を決めているという仮定に基づき、ペダルの操作量等の運動行動を推定する。
すなわち、特徴量の同時分布から、与えられた条件下において最も確率の高いアクセルペダル操作量等の運動行動を推定する。

これは、条件付確率の最大化の問題であり、最大事後確率の計算による。
例えば、アクセルペダル操作量∧G(t)と、ブレーキペダル操作量∧B(t)は、ｙ（ｔ）が与えられた条件で条件付き確率を最大にする値ｘ（ｔ）の推定であり、最大事後確率として、それぞれ次の式（１）、（２）で計算される。

∧G(t)＝arg max p（G｜ΔG,V(t),F(t),ΔV(t),ΔF(t),ΔΔV(t),ΔΔF(t)） 式（１）
∧B(t)＝arg max p（B｜ΔB,V(t),F(t),ΔV(t),ΔF(t),ΔΔV(t),ΔΔF(t)） 式（２）

ここで、∧G(t)のように、前に∧を表示したものは推定値であることを意味する。
また、
p（G｜ΔG,V,F,ΔV,ΔF,ΔΔV,ΔΔF）
＝｛p（G,V,F,ΔV,ΔF,ΔΔV,ΔΔF,ΔG）｝／｛∫∫…∫p（G,V,F,ΔV,ΔF,ΔΔV,ΔΔF,ΔG）ｄΔG,ｄV,ｄF,ｄΔV,ｄΔF,ｄΔΔV,ｄΔΔF｝
p（B｜ΔB,V,F,ΔV,ΔF,ΔΔV,ΔΔF）
＝｛p（B,V,F,ΔV,ΔF,ΔΔV,ΔΔF,ΔB）｝／｛∫∫…∫p（B,V,F,ΔV,ΔF,ΔΔV,ΔΔF,ΔB）ｄΔB,ｄV,ｄF,ｄΔV,ｄΔF,ｄΔΔV,ｄΔΔF｝
である。

式（１）、（２）において、tは時刻、G,B,V,F,Δはそれぞれ、アクセルペダル操作量、ブレーキペダル操作量、車速、車間距離、及び動的特徴量を表す。

ただし、条件付確率を最大にするアクセルペダル及びブレーキペダルの値は、最小値から最大値までの区間において、ある刻み幅（例えば、０から１００００まで１００刻み）で数値積分を行うことにより確率を算出し、その確率が最大となったときのアクセルペダル及びブレーキペダルの値を推定結果としてもよい。

図１６は、最大事後確率による運転行動の推定に関する概略を表したものである。
この図１６では、簡単のため、ある時刻ｔの特徴量ｙ(t)が与えられたときに→ｘ(t)を推定する場合を示している。

以上のようにして各シチュエーション毎に作成されたドライバモデルを使用して、ドライバの運転行動の状態を特定するドライバ運転行動監視処理について説明する。
図１７は、ドライバ運転行動監視処理の処理動作を表したフローチャートである。
ＥＣＵ１０は、自車両情報と自車両周辺環境情報を、自車両情報取得部１１と自車両周辺環境情報取得部１２から収集する（ステップ２０）。

次に、ＥＣＵ１０は、図１８（ａ）に示されるように、取得した自車両情報と自車両周辺環境情報を元に、シチュエーションフラグを設定する（ステップ２１）。
そしてＥＣＵ１０は、設定したシチュエーションフラグを元に、シチュエーションテーブル１６３とマッチング処理を行い、取得した自車両周辺環境情報等の現状に適合するシチュエーションを検索することで、対応するドライバモデルが存在するか否かを判断する（ステップ２２）。
対応するドライバモデルが存在しない場合には（ステップ２２；Ｎ）メインルーチンにリターンする。

一方、図１８（ｂ）に示されるように、現状に適合するシチュエーションが検索され、対応するドライバモデルが存在する場合（ステップ２２；Ｙ）、ＥＣＵ１０は、適合するシチュエーションに紐付けされたドライバモデルをドライバモデル記憶部１５２から読み出し、ドライバモデル出力部１５３に出力する（ステップ２３）。

次に、ＥＣＵ１０は、自車両情報取得部１１で時刻ｔにおいて取得した自車両情報（実測値）を初期値（ｔ）としてドライバモデル出力部１５３に入力する（ステップ２４）。
すると、ドライバモデル出力部１５３は、時刻ｔにおける自車両情報（ｔ）をドライバモデルに入力し、最大事後確率を計算することで時刻ｔ＋１における運転行動データ（操作量）の推定値「ｔ＋１」をＥＣＵ１０に出力する（ステップ２５）。

ついでＥＣＵ１０は、現在（時刻ｔ＋１）における自車両情報（ｔ＋１）を取得し（ステップ２６）、時刻ｔ＋１における運転行動逸脱データ（「ｔ＋１」−（ｔ＋１））を算出して運転行動逸脱データ１６１に記憶する（ステップ２７）。
そしてＥＣＵ１０は、記憶した運転行動逸脱データ１６１が所定数蓄積したか否かを判断し（ステップ２８）、所定数未満であれば（ステップ２８；Ｎ）、ステップ２５で推定した操作量の推定値「ｔ＋１」を（ｔ）としてドライバモデルに入力し（ステップ２９）、ステップ２５に移行することで、更に次時刻の運転行動逸脱データ１６１の蓄積を継続する（ステップ２５〜２７）。

一方、所定数の運転行動逸脱データ１６１が蓄積されると（ステップ２８；Ｙ）、ＥＣＵ１０は、運転行動逸脱データ１６１の状態から運転行動逸脱傾向を判断し、出力して（ステップ３０）、メインルーチンにリターンする。
本実施形態では、運転行動の逸脱傾向としては、「反応速度の遅れ」の有無と、「操作のふらつき」の有無の２項目について判断する。

図１９は、ドライバモデル出力部１５３から出力された正常状態における運転操作量（いつもの運転）の推定値と、現在の運転の操作量（自車両情報）とを概念的に比較したものである。
この図１９において、ドライバモデルから出力された運転操作量（いつもの運転）は、ドライバモデルに現在の運転操作量の初期値を入力し、ドライバが正常時において普段取る運転行動として最も確率の高い操作量の出力値を表したもので、正常時であれば通常このような運転をするはず（操作量であるはず）である、という仮想の操作量を表している。

この仮想の操作量に対して、現在の運転の操作量を照らし合わせて反応速度の遅れと操作のふらつきの傾向を判断する。
例えば、図１９（ａ）に示すように、ドライバモデルで推定した操作量は時間経過と共に増加する場合において、所定時間経過後に自車両情報による操作量が自車両情報取得部１１で取得される場合には、反応速度の遅れ傾向があると判断される。
また、図１９（ｂ）に示すように、ドライバモデルで推定した操作量と比較して、取得される自車両情報による操作量が時間経過と共に増加したり、減少したりする場合で増加、減少量（運転行動逸脱データの絶対値）が所定値以上である場合には、運転操作にふらつきがあるものと判断される。

一方、ドライバモデルで推定した操作量と、取得される自車両情報による操作量とがほぼ一致する場合、すなわち、運転行動逸脱データの絶対値が所定値以下の状態が継続する場合には、反応遅れ、ふらつき共にない正常状態と判断される。

次に、走行中におけるドライバの生体情報の監視処理について図２０のフローチャートに従って説明する。
まず、ＥＣＵ１０は、車両走行中において生体情報取得部１３から各時点における生体情報を収集、蓄積する（ステップ４１）
次いでＥＣＵ１０は、収集、蓄積した生体情報からその変化状態を監視することで、図１１〜図１３で説明した方法と同様の方法により、現在のドライバ生体情報の状態（ケース）を判定し（ステップ４２）、メインルーチンにリターンする。

なお、以上説明したドライバ生体情報監視処理は、図１０で説明した走行中におけるドライバモデル作成処理におけるドライバ生体情報収集（ステップ１０）と、ドライバ生体情報の変化が正常化否かの判断（ステップ１１）で兼用することが可能である。
この場合、ドライバモデル作成処理では、ステップ１１でドライバの状態が正常状態であることを監視しているのに対して、図１０において説明したように、正常状態でない場合にどの状態に該当しているのかについても図１１〜図１３に従って判定し、出力する。

なお、該判定を兼用する場合には、ドライバモデル作成部１５１、ＥＣＵ１０のいずれかがその判定を行う。

また、図２１（ａ）、（ｂ）に示されるように、ドライバの目の状態から正常状態と、眠気、疲労状態を判定するようにしてもよい。
この目の状態からの判定は、ドライバモデル作成処理（ステップ１１）、及びドライバ生体情報監視処理（ステップ４２）の何れか一方、又は双方において使用するようにしてもよい。

具体的には、図２１（ａ）に示すように、ドライバの状態として、瞬き回数、瞬き時間、瞼の開度、視線の動きを画像処理により検出し、その値や状態に応じて眠気の状態を判定する。
また、図２１（ｂ）に示すように、瞬き回数が増大している場合や、瞼の動きが痙攣している場合、目をこすっている場合、目頭をもんでいる場合に、疲労していると判定する。

図２２は、ドライバの運転状態及び生体情報ケースに基づく運転支援処理の動作を表したフローチャートである。
ＥＣＵ１０は、ドライバの状態として、ドライバ運転行動監視処理（図１７）のステップ３０で判断され出力された運転行動逸脱傾向を取得する（ステップ５１）と共に、ドライバ生体情報監視処理（図２０）のステップ４２で判定され出力されたドライバ生体情報ケースを取得する（ステップ５２）。
そして、ＥＣＵ１０は、取得した運転行動逸脱傾向と生体情報ケースとから、運転支援の内容を決定しドライバへのアプローチを行い（ステップ５３）、メインルーチンにリターンする。

図２３は、取得した運転行動と生体情報ケースとから推定されるドライバの状態（ａ）と、推定されるドライバの状態に対応して行う運転支援の内容を表にしたものである。
なお、図２３（ｂ）の表は、ＥＣＵ１０のＲＯＭに格納されている。
図２３（ａ）に示すように、各運転行動（反応遅れ、ふらつき、反応遅れ＋ふらつき、両者なし）と、各生体情報ケース（極度の緊張状態、適度な緊張状態、注意力が散漫な状態、弛緩状態、眠気がある状態）との組合せに応じて、何かに気を取られていた、疲れてきた、漫然運転、眠気、焦り、よそ見等といったドライバの状態が推定される。
そして、これら各組合せから推定される各状態に対応して、図２３（ｂ）に示されるように、ＥＣＵ１０は、音声や振動による注意喚起、施設情報を提供して休憩を勧める、注意喚起＋α１、情報を提供して気分を紛らわす、等の運転支援を情報提供部１４から行う。

なお、図２３における運転支援のうち、ＥＣＵ１０は＋α１に対して、運転以外に集中して危険なため、注意の喚起を促すと共に前方車両との車間距離を自動的に大きく開ける制御などを行う。
また、ＥＣＵ１０は、＋α２に対して、運転に集中するよう注意喚起を行うと共に、ドライバが何に対して運転が疎かになるほど負荷を感じているのか、会話機能やセンサを用いてリサーチし、一服させるための休憩を案内したり、悩み相談に乗ったり、ドライバが抱える問題を改善する動作を行う。
またＥＣＵ１０は、＋α３に対して、目を覚ますよう注意喚起を行うと共に、すぐに休憩を取らせるなどの案内を行う。
また、ＥＣＵ１０は、注意喚起の内容として、運転操作や生体情報の何がどう問題であったから警告している、などのドライバの納得を得やすくするための具体的な説明を行っても良い。

以上、本発明のドライバモデル作成装置及び運転支援装置における１実施形態について説明したが、本発明は説明した実施形態に限定されるものではなく、各請求項に記載した範囲において各種の変形を行うことが可能である。
例えば、説明した実施形態では、判定した運転行動と生体情報ケースとから運転支援の内容を決定する場合について説明したが、判定した運転行動から運転支援内容を決定するようにしてもよい。

本願発明の１実施形態におけるドライバモデル作成装置を適用した運転支援装置の構成図である。 自車両情報取得部で取得する自車両情報を例示した説明図である。 車両周辺情報取得部で取得する車両周辺環境情報を例示した説明図である。 道路情報取得部で取得する車両周辺環境情報を例示した説明図である。 ネットワーク部で取得する車両周辺環境情報を例示した説明図である。 生体情報取得部で取得する生体情報を例示した説明図である。 情報提供部で提供する情報、アシストの内容を例示した説明図である。 ドライバモデル記憶部の記憶内容を概念的に表した説明図である。 シチュエーションデータの内容を概念的に表した説明図である。 ドライバの「普段の運転行動」（正常時）のドライバモデルを作成するドライバモデル作成処理の処理動作を表したフローチャートである。 ドライバの心拍数の変動からメンタルな変化を監視する状態について表した説明図である。 心電図のローレンツプロット解析からメンタルな変化を監視する状態について表した説明図である。 取得した生体情報から、正常状態か否かを判断する場合について表した説明図である。 交差点を右折する際に自車両情報取得部と自車両周辺環境情報取得部で取得される自車両情報と自車両周辺環境情報について例示した説明図である。 ドライバモデルの生成と、生成したドライバモデルに基づく運転行動の推定に関する原理を表した説明図である。 最大事後確率による運転行動の推定に関する概略を表した説明図である。 ドライバ運転行動監視処理の処理動作を表したフローチャートである。 自車両情報と自車両周辺環境情報からシチュエーションフラグの設定と、適合するシチュエーションの検索についての説明図である。 ドライバモデル出力部から出力された正常状態における運転操作量（いつもの運転）の推定値と、現在の運転の操作量（自車両情報）とを概念的に比較した説明図である。 走行中におけるドライバの生体情報の監視処理についてのフローチャートである。 ドライバの目の状態から正常状態と、眠気、疲労状態を判定する場合の説明図である。 ドライバ運転状態及び生体情報ケースに基づく運転支援処理の動作を表したフローチャートである。 取得した運転行動と生体情報ケースとから推定されるドライバの状態と、推定されるドライバの状態に対応して行う運転支援の内容を表にした説明図である。

符号の説明

１０ ＥＣＵ
１１ 自車両情報取得部
１２ 自車両周辺環境情報取得部
１２１ 車両周辺情報取得部
１２２ 道路情報取得部
１２３ ネットワーク部
１３ 生体情報取得部
１４ 情報提供部
１５ ドライバモデル処理部
１５１ ドライバモデル作成部
１５２ ドライバモデル記憶部
１５３ ドライバモデル出力部
１６ データ記憶部

Claims (9)

1. 運転者の状態を判断する状態判断手段と、
   車両走行における運転操作情報を取得する運転操作情報取得手段と、
   前記取得した運転操作情報に基づいて運転者の状態に応じた運転操作のドライバモデルを作成するドライバモデル作成手段と、
   を具備したことを特徴とするドライバモデル作成装置。
   
2. 前記状態判断手段は、少なくとも運転者の状態が正常か否かを判断する、
   ことを特徴とする請求項１に記載のドライバモデル作成装置。
   
3. 特定の走行環境を検出する走行環境取得手段と、
   走行環境毎に前記運転操作情報を蓄積し、
   前記ドライバモデル作成手段は、前記走行環境毎にドライバモデルを作成する、ことを特徴とする請求項１又は請求項２に記載のドライバモデル作成装置。
   
4. 運転者の生体情報を取得する生体情報取得手段を備え、
   前記状態判断手段は、前記取得した生体情報に基づいて運転者の状態を判断する、
   ことを特徴とする請求項１、請求項２又は請求項３に記載のドライバモデル作成装置。
   
5. 正常状態における運転操作のドライバモデルを取得するドライバモデル取得手段と、
   前記取得したドライバモデルを使用し、正常状態で通常運転される運転操作を推定する運転操作推定手段と、
   前記推定した運転操作と、現在の運転操作情報に基づく運転操作とから、ドライバの運転行動を判定する運転行動判定手段と、
   前記判定した運転行動に応じた運転支援を行う運転支援手段と、
   を具備したことを特徴とする運転支援装置。
   
6. 前記ドライバモデル取得手段は、走行環境毎に作成された正常状態における運転操作のドライバモデルから、現在の走行環境に対応するドライバモデルを取得する、
   ことを特徴とする請求項５に記載の運転支援装置。
   
7. 運転者の生体情報から運転者の状態を判定する運転者状態判定手段を備え、
   前記運転支援手段は、前記判定した運転行動と前記判定した運転者状態とに応じた運転支援を行うことを特徴とする請求項５又は請求項６に記載の運転支援装置。
   
8. 運転支援手段は、判定内容に応じて、音声又は画像による注意喚起、情報提供、振動、休憩所の案内のうちの少なくとも１以上の運転支援を行う、ことを特徴とする請求項５、請求項６、又は請求項７に記載の運転支援装置。
   
9. 正常状態における運転操作のドライバモデルを取得するドライバモデル取得手段と、
   前記取得したドライバモデルを使用し、正常状態で通常運転される運転操作を推定する運転操作推定手段と、
   前記推定した運転操作と、現在の運転操作情報に基づく運転操作とから、ドライバの運転行動を判定する運転行動判定手段と、
   を具備したことを特徴とする運転行動判定装置。

Images