JP2009175929A - ドライバ状態推定装置及びプログラム - Google Patents
ドライバ状態推定装置及びプログラム Download PDFInfo
- Publication number
- JP2009175929A JP2009175929A JP2008012499A JP2008012499A JP2009175929A JP 2009175929 A JP2009175929 A JP 2009175929A JP 2008012499 A JP2008012499 A JP 2008012499A JP 2008012499 A JP2008012499 A JP 2008012499A JP 2009175929 A JP2009175929 A JP 2009175929A
- Authority
- JP
- Japan
- Prior art keywords
- state
- states
- driver
- driving
- detected
- 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
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Traffic Control Systems (AREA)
Abstract
【課題】ドライバの運転適否状態を精度よく推定することができるようにする。
【解決手段】アクセル開度センサ12、車速センサ14、及び車間距離計測部16によって、自車両の走行状態及び操作状態を検出する。そして、運転信号生成部26によって、正常運転状態及び異常運転状態の各々における混合ガウス分布、及び検出された走行状態及び操作状態に基づいて、正常運転状態及び異常運転状態の各々について、混合ガウス分布における条件付確率が最大となるアクセル開度を次時刻のアクセル開度として推定する。そして、ドライバ状態推定部28によって、推定された正常運転状態及び異常運転状態の各々における次時刻のアクセル開度と、当該次時刻に検出されたアクセル開度とを比較し、比較結果に基づいて、ドライバの運転適否状態を推定する。
【選択図】図1
【解決手段】アクセル開度センサ12、車速センサ14、及び車間距離計測部16によって、自車両の走行状態及び操作状態を検出する。そして、運転信号生成部26によって、正常運転状態及び異常運転状態の各々における混合ガウス分布、及び検出された走行状態及び操作状態に基づいて、正常運転状態及び異常運転状態の各々について、混合ガウス分布における条件付確率が最大となるアクセル開度を次時刻のアクセル開度として推定する。そして、ドライバ状態推定部28によって、推定された正常運転状態及び異常運転状態の各々における次時刻のアクセル開度と、当該次時刻に検出されたアクセル開度とを比較し、比較結果に基づいて、ドライバの運転適否状態を推定する。
【選択図】図1
Description
本発明は、ドライバ状態推定装置及びプログラムに係り、特に、車両の走行状態やドライバの操作状態に基づいて、ドライバの運転適否状態を推定するドライバ状態推定装置及びプログラムに関する。
従来より、加減速の滑らかさを表す車両のジャークを算出し、ジャークに関する正常運転時との異なりに基づいて、ドライバ状態を推定する運転状態推定装置が知られている(例えば、特許文献1)。
また、走行レーンの曲率から基準となるハンドル操作量を算出し、現在のハンドル操作量と基準操作量とのずれの標準偏差に基づいて、ドライバの覚醒度を推定する車両用覚醒度検出装置が知られている(例えば、特許文献2)。
特開2006−335277号公報
特開平7−9879号公報
しかしながら、上記の特許文献1、2に記載の技術では、現在の車両信号と、基準となる車両信号との異なりに基づいて、ドライバの状態を推定しており、基準とどれだけ異なっていれば異常と推定することが可能か、という点と、信号が基準と異なっている場合は必ず異常状態であるか、という点とに関して、明確な基準が与えられていないため、誤推定が生じてしまう、という問題があった。
本発明は、上記の問題点を解決するためになされたもので、ドライバの運転適否状態を精度よく推定することができるドライバ状態推定装置及びプログラムを提供することを目的とする。
上記の目的を達成するために本発明に係るドライバ状態推定装置は、自車両の走行状態及びドライバが自車両を操作したときの操作状態の少なくとも一方の状態を検出する状態検出手段と、予め求められた複数の運転適否状態の各々における前記状態の確率分布、及び前記状態検出手段によって検出された前記状態に基づいて、該状態が検出されたタイミングより後のタイミングにおける前記複数のドライバの運転適否状態の各々に対する前記状態として、前記運転適否状態の前記確率分布における前記検出された前記状態に対する確率より前記確率が高くなる前記状態を推定する状態推定手段と、前記状態推定手段によって推定された前記複数の運転適否状態に対する前記状態の各々と、前記状態検出手段によって該タイミングに検出された前記状態とを比較し、比較結果に基づいて、前記ドライバの運転適否状態を推定するドライバ状態推定手段とを含んで構成されている。
本発明に係るプログラムは、コンピュータを、自車両の走行状態及びドライバが自車両を操作したときの操作状態の少なくとも一方の状態を検出する状態検出手段によって検出された前記状態、及び予め求められた複数の運転適否状態の各々における前記状態の確率分布に基づいて、該状態が検出されたタイミングより後のタイミングにおける前記複数のドライバの運転適否状態の各々に対する前記状態として、前記運転適否状態の前記確率分布における前記検出された前記状態に対する確率より前記確率が高くなる前記状態を推定する状態推定手段、及び前記状態推定手段によって推定された前記複数の運転適否状態に対する前記状態の各々と、前記状態検出手段によって該タイミングに検出された前記状態とを比較し、比較結果に基づいて、前記ドライバの運転適否状態を推定するドライバ状態推定手段として機能させるためのプログラムである。
本発明によれば、状態検出手段によって、自車両の走行状態及びドライバが自車両を操作したときの操作状態の少なくとも一方の状態を検出する。そして、状態推定手段によって、予め求められた複数の運転適否状態の各々における状態の確率分布、及び状態検出手段によって検出された状態に基づいて、該状態が検出されたタイミングより後のタイミングにおける複数のドライバの運転適否状態の各々に対する状態として、運転適否状態の確率分布における検出された状態に対する確率より確率が高くなる状態を推定する。
そして、ドライバ状態推定手段によって、状態推定手段によって推定された複数の運転適否状態に対する状態の各々と、状態検出手段によって該タイミングに検出された状態とを比較し、比較結果に基づいて、ドライバの運転適否状態を推定する。
このように、複数の運転適否状態の各々に対して運転適否状態の確率分布における確率が高くなるように推定された状態の各々と、検出された状態とを比較して、ドライバの運転適否状態を推定することにより、ドライバの運転適否状態を精度よく推定することができる。
上記の状態検出手段は、複数種類の状態を検出し、状態推定手段は、予め求められた複数の運転適否状態の各々における複数種類の状態の組み合わせの確率分布、及び状態検出手段によって検出された複数種類の状態に基づいて、後のタイミングにおける複数の運転適否状態の各々に対する複数種類の状態の何れか一つとして、運転適否状態の確率分布における検出された複数種類の状態に対する確率より確率が高くなる複数種類の状態の何れか一つを推定し、ドライバ状態推定手段は、状態推定手段によって推定された複数の運転適否状態に対する複数種類の状態の何れか一つの各々と、状態検出手段によって該タイミングに検出された複数種類の状態の何れか一つとを比較し、比較結果に基づいて、ドライバの運転適否状態を推定することができる。これによって、複数種類の状態を検出し、複数種類の状態の組み合わせの確率分布に基づいて推定された複数種類の状態の何れか一つと比較することにより、ドライバの運転適否状態を精度よく推定することができる。
以上説明したように、本発明のドライバ状態推定装置及びプログラムによれば、複数の運転適否状態の各々に対して運転適否状態の確率分布における確率が高くなるように推定された状態の各々と、検出された状態とを比較して、ドライバの運転適否状態を推定することにより、ドライバの運転適否状態を精度よく推定することができる、という効果が得られる。
以下、図面を参照して本発明の実施の形態を詳細に説明する。なお、車両に搭載されたドライバ状態推定装置に本発明を適用した場合を例に説明する。
図1に示すように、本発明の実施の形態に係るドライバ状態推定装置10は、ドライバが自車両を操作したときの操作状態としてのアクセル開度を検出するアクセル開度センサ12と、自車両の走行状態としての車速を検出する車速センサ14と、走行状態としての車間距離を計測する車間距離計測部16と、アクセル開度センサ12、車速センサ14、及び車間距離計測部16からの出力に基づいて、ドライバの運転適否状態が正常運転状態及び異常運転状態の何れであるかを推定し、推定されたドライバの運転適否状態に応じて、表示装置40に警告メッセージを表示させるコンピュータ18とを備えている。
アクセル開度センサ12は、検出したアクセル開度を示すアクセル開度信号を出力し、車速センサ14は、検出した自車両の車速を示す車速信号を出力し、また、車間距離計測部16は、計測した前方車両との車間距離を示す前方車間距離信号を出力する。また、アクセル開度センサ12、車速センサ14、及び車間距離計測部16は、ある一定間隔で(例えば、100ms毎)で、各信号をコンピュータ18に入力する。
コンピュータ18は、CPUと、RAMと、後述するドライバ状態推定処理ルーチンを実行するためのプログラムを記憶したROMとを備え、機能的には次に示すように構成されている。コンピュータ18は、アクセル開度センサ12から入力されたアクセル開度信号、車速センサ14から入力された車速信号、及び車間距離計測部16から入力された前方車間距離信号の各々について、1次微分及び2次微分を算出する微分算出部20と、ドライバが正常運転状態であるときの運転行動をモデル化した行動モデルとして、正常運転状態におけるアクセル開度、車速、及び車間距離の各々の1次微分及び2次微分と車速と車間距離との組み合わせの確率分布を表わす混合ガウス分布を記憶した正常運転時行動モデル記憶部22と、ドライバが異常運転状態として例えば居眠り状態であるときの運転行動をモデル化した行動モデルとして、異常運転状態におけるアクセル開度、車速、及び車間距離の各々の1次微分及び2次微分と車速と車間距離との組み合わせの確率分布を表わす混合ガウス分布を記憶した異常運転時行動モデル記憶部24と、微分算出部20により算出された時刻tのアクセル開度、車速信号、及び車間距離の各々の1次微分及び2次微分と、車速センサ14から入力された時刻tの車速信号と、車間距離計測部16から入力された時刻tの前方車間距離信号との組み合わせ、正常運転状態に対する混合ガウス分布、並びに異常運転状態に対する混合ガウス分布に基づいて、次の時刻t+1における正常運転状態に対するアクセル開度信号、及び時刻t+1における異常運転状態に対するアクセル開度信号を生成する運転信号生成部26と、アクセル開度センサ12から入力されたアクセル開度信号、及び運転信号生成部26によって生成された各運転適否状態に対するアクセル開度信号とを比較して、ドライバの運転適否状態を推定するドライバ状態推定部28と、ドライバ状態推定部28によって推定されたドライバの運転適否状態に応じて、表示装置40に警告メッセージを表示させる表示制御部30とを備えている。
微分算出部20は、以下に説明するように、アクセル開度、車速、及び車間距離の各々の1次微分及び2次微分を算出する。
まず、ある時刻tに入力された車速信号が示す車速又は前方車間距離信号が示す車間距離をx(t)とすると、車速又は車間距離の1次微分量Δx(t)は、以下の(1)式によって算出される。
ここで、Cは予め定められた定数である。
また、上記(1)式において、x(t)を1次微分量Δx(t)に置き換えた式に従って、車速又は車間距離の1次微分量に基づいて、車速又は車間距離の2次微分量が算出される。
また、時刻tに入力されたアクセル開度信号が示すアクセル開度をx(t)とすると、アクセル開度の1次微分量Δx(t)は、以下の(2)式によって算出される。
また、上記(2)式において、x(t)を1次微分量Δx(t)に置き換えた式に従って、アクセル開度の1次微分量に基づいて、アクセル開度の2次微分量が算出される。
また、車速センサ14から入力された車速信号が示す車速、車間距離計測部16から入力された前方車間距離信号が示す車間距離、及び微分算出部20によって算出された各信号の1次微分と2次微分とは、FIFO型バッファ(図示省略)に格納される。ここで、FIFO型バッファのバッファサイズをTとし、バッファインデックスiのバッファの値は、現在からT−i+1時刻前の各信号を表すものとする。
正常運転時行動モデル記憶部22には、正常運転状態時の行動モデルを表現する確率分布としての混合ガウス分布を決定するパラメータが記憶されている。ここで、正常運転状態に対する混合ガウス分布の混合要素mの条件付確率p(x|θnm)は、以下の(3)式で表される。
ここで、θnmは正常運転状態に対する混合ガウス分布を決定するパラメータであり、θnm={anm,μnm,Σnm}である。また、anmは、正常運転状態に対する混合ガウス分布の混合要素mの混合重み係数であり、μnmは、正常運転状態に対する混合ガウス分布の混合要素mの平均ベクトルであり、Σnmは、正常運転状態に対する混合ガウス分布の混合要素mの共分散行列であり、Dは次元数である。なお、この実施例においては、アクセル開度、車間距離、及び車速の各々の1次微分量及び2次微分量と車間距離と車速とからなる8種類の値を用いるため、D=8である。
上記のパラメータθnmは学習によって予め求められ、正常運転時行動モデル記憶部22に記憶されている。
また、異常運転時行動モデル記憶部24には、異常運転状態時の行動モデルを表現する確率分布としての混合ガウス分布を決定するパラメータが記憶されている。正常運転時行動モデル記憶部22と同様に、異常運転状態に対する混合ガウス分布を決定するパラメータθim(θim={aim,μim,Σim})が、異常運転時行動モデル記憶部24に記憶されている。ただし、aimは、異常運転状態に対する混合ガウス分布の混合要素mの混合重み係数であり、μimは、異常運転状態に対する混合ガウス分布の混合要素mの平均ベクトルであり、Σimは、異常運転状態に対する混合ガウス分布の混合要素mの共分散行列である。
運転信号生成部26は、FIFO型バッファ中のインデックスtに含まれる各信号、各信号の1次微分、及び各信号の2次微分と、正常運転状態に対する混合ガウス分布を決定するパラメータとに基づいて、正常運転状態に対する、次の時刻t+1のアクセル開度を算出して、時刻t+1のアクセル開度信号を生成する。
ここで、次時刻のアクセル開度A(i+1)のハットは、以下の(4)式に示すように、条件付確率を最大化するアクセル開度A(i+1)を解くことによって求められる。
ただし、A(i)は時刻iのアクセル開度、v(i)は時刻iの車速、d(i)は時刻iの車間距離である。また、ΔA(i)は時刻iのアクセル開度の1次微分量、Δv(i)は時刻iの車速の1次微分量、Δd(i)は時刻iの車間距離の1次微分量、ΔΔv(i)は時刻iの車速の2次微分量、ΔΔd(i)は時刻iの車間距離の2次微分量である。
上記(4)式の解は、例えば、以下の(5)式を最大にするA(i+1)を求めることによって得られる。
ただし、pm、qm、rmは以下の式で表される。
なお、μnm,vは、速度vの平均ベクトルであり、μnm,ΔA(i)は、アクセル開度の1次微分量ΔA(i)の平均ベクトルであり、μnm,A(i+1)は、アクセル開度A(i+1)の平均ベクトルである。
上記(5)式に従って、時刻iの信号値と全ての混合要素のガウス分布との交点のうち、最大確率を与えるアクセル開度を初期値として、確率密度値が高くなるように山登り法によって逐次的にアクセル開度の値を更新し、最大確率が得られるアクセル開度A(i+1)を、求めるべき次時刻のアクセル開度の推定値とする。
上記のように、バッファ中に含まれる信号から、正常運転状態時の行動モデルのパラメータに基づいて、次時刻のアクセル開度信号を繰り返し生成し、生成されたアクセル開度信号の時系列データを正常時算出用バッファ(図示省略)に格納する。この生成処理では、バッファのインデックスiの各信号の情報から、時刻iの次の時刻i+1のアクセル開度信号を求める処理を、時刻1〜T−1に対応するバッファのインデックス1〜T−1の各々に対して繰り返して行うことで、時刻2〜Tまでのアクセル開度信号の時系列データを得て、アクセル開度信号の時系列データを正常時算出用バッファのインデックス2〜Tに格納する。
また、運転信号生成部26は、正常運転状態時に対するアクセル開度信号を生成する場合と同様に、バッファ中に含まれる信号から、異常運転状態時の行動モデルのパラメータに基づいて、次時刻のアクセル開度信号を繰り返し生成し、生成されたアクセル開度信号の時系列データを異常時算出用バッファ(図示省略)に格納する。この生成処理では、バッファのインデックスiの各信号の情報から、時刻iの次の時刻i+1のアクセル開度信号を求める処理を、時刻1〜T−1に対応するバッファのインデックス1〜T−1の各々に対して繰り返して行うことで、時刻2〜Tまでのアクセル開度信号の時系列データを得て、アクセル開度信号の時系列データを異常時算出用バッファのインデックス2〜Tに格納する。
ドライバ状態推定部28は、運転信号生成部26によって生成された正常時算出用バッファ中のインデックス2〜Tの正常時のアクセル開度信号(sig)と、バッファ(buf)中のインデックス2〜Tのアクセル開度信号との差の総和dnを、以下の(6)式によって計算する。
同様に、ドライバ状態推定部28は、異常時算出用バッファ中のインデックス2〜Tの異常時のアクセル開度信号(sig)と、バッファ(buf)中のインデックス2〜Tのアクセル開度信号との差の総和daを求める。そして、求めた差の総和dn、daの大小比較から、ドライバの運転適否状態が正常運転状態および異常運転状態の何れであるかを推定する。
表示制御部30は、ドライバ状態推定部28によってドライバの運転適否状態が異常運転状態であると判定された場合に、異常運転状態であることを示す警告メッセージを表示装置40に表示させる。
次に、本実施の形態に係るドライバ状態推定装置10の作用について説明する。まず、以下に説明するような学習処理が行われる。正常運転に関する学習処理では、予め用意した正常運転状態時の複数の学習データ(アクセル開度の1次微分及び2次微分、車速の1次微分及び2次微分、車間距離の1次微分及び2次微分、車速、並びに車間距離の組み合わせからなる学習データ)から、確率分布としての混合ガウス分布を決定するパラメータを求め、正常運転時行動モデル記憶部22に記憶する。
また、異常運転に関する学習処理では、予め用意した異常運転状態時の複数の学習データ(アクセル開度の1次微分及び2次微分、車速の1次微分及び2次微分、車間距離の1次微分及び2次微分、車速、並びに車間距離の組み合わせからなる学習データ)から、確率分布としての混合ガウス分布を決定するパラメータを求め、異常運転時行動モデル記憶部24に記憶する。
そして、ドライバ状態推定装置10を搭載した車両の走行中に、コンピュータ18において、図2に示すドライバ状態推定処理ルーチンが実行される。
まず、ステップ102において、アクセル開度センサ12、車速センサ14、及び車間距離計測部16の各々から連続して出力された信号を取得する。
そして、ステップ104では、上記ステップ102で取得したアクセル開度信号、車速信号、及び車間距離信号の各々について、1次微分及び2次微分を算出し、次のステップ106では、上記ステップ102で取得した車速信号及び車間距離信号と、上記ステップ104で算出したアクセル開度信号、車速信号、及び車間距離信号の各々の1次微分及び2次微分との組み合わせからなる信号ベクトルの時系列データを、FIFO型バッファに格納する。
そして、ステップ112において、変数tを初期値1に設定し、ステップ114で、バッファのインデックスtから、車速信号及び車間距離信号と、アクセル開度信号、車速信号、及び車間距離信号の各々の1次微分及び2次微分とを読み込んで取得する。そして、ステップ116において、時刻t+1における正常運転状態時のアクセル開度信号を生成する。上記ステップ116では、正常運転時行動モデル記憶部22に記憶された正常運転状態時の混合ガウス分布を決定するパラメータと、上記ステップ114で取得した各信号とを用いて、上記(4)式に従って、正常運転状態時に対する混合ガウス分布において条件付確率を最大化するアクセル開度信号を、時刻t+1におけるアクセル開度信号として生成する。
次のステップ118において、上記ステップ116で生成されたアクセル開度信号を、正常時算出用バッファのインデックスt+1に格納する。
そして、ステップ120において、時刻t+1における異常運転状態時のアクセル開度信号を算出して生成する。上記ステップ120では、異常運転時行動モデル記憶部24に記憶された異常運転状態時の混合ガウス分布を決定するパラメータと、上記ステップ114で取得した各信号とを用いて、上記(4)式と同様の式に従って、異常運転状態時に対する混合ガウス分布において条件付確率を最大化するアクセル開度信号を、時刻t+1におけるアクセル開度信号として生成する。
次のステップ122では、上記ステップ120で生成されたアクセル開度信号を、異常時算出用バッファのインデックスt+1に格納する。
そして、ステップ124において、変数tが定数T−1以上であるか否かを判定し、変数tがT−1未満である場合には、ステップ126で、変数tをインクリメントして、ステップ114へ戻る。一方、上記ステップ124において、変数tがT−1に達した場合には、ステップ128へ移行する。
ステップ128では、上記(6)式に従って、正常時算出用バッファの値とバッファの値との差の総和dnを算出し、ステップ130において、異常時算出用バッファの値とバッファの値との差の総和daを算出する。
そして、ステップ132において、上記ステップ128で算出した差の総和dnが、上記ステップ130で算出した差の総和daより大きいか否かを判定し、dnがdaより大きい場合には、ドライバの運転適否状態が異常運転状態であると推定されるため、ステップ134で、ドライバの運転適否状態が異常運転状態であることを示す警告メッセージを表示装置40に表示させて、ドライバ状態推定処理ルーチンを終了する。一方、上記ステップ132において、dnがda以下である場合には、ドライバの運転適否状態が正常運転状態であると推定されるため、ステップ136において、ドライバの運転適否状態が正常運転状態であることを示すメッセージを表示装置40に表示させて、ドライバ状態推定処理ルーチンを終了する。
以上説明したように、本実施の形態に係るドライバ状態推定装置によれば、正常運転状態及び異常運転状態の各々における各センサから出力される信号や微分量の組み合わせの混合ガウス分布に基づいて、条件付確率が最大となるように推定された次時刻のアクセル開度信号の各々と、当該次時刻に検出されたアクセル開度信号とを比較して、ドライバの運転適否状態を推定することにより、ドライバの運転適否状態を精度よく推定することができる。
また、複数種類の操作状態又は走行状態として、車速、アクセル開度、及び車間距離を検出して、車速、アクセル開度、及び車間距離の各々の1次微分及び2次微分と、車速と、車間距離との組み合わせの確率モデルを表わす混合ガウス分布に基づいて、次の時刻のアクセル開度を推定することにより、正常運転状態および異常運転状態の各々におけるアクセル開度を精度よく推定することができる。
また、各センサから得られる信号列に基づいて、正常運転状態および異常運転状態における運転行動を、確率モデルによってモデル化し、これらの2つの確率モデルに基づいて、正常運転状態および異常運転状態において推定される信号を生成する。ドライバの運転適否状態が正常運転状態であれば、センサから検出された信号は、正常運転状態の確率モデルから生成された信号との差が小さくなることが期待されるため、生成された信号とセンサから検出された信号との差を比較して、ドライバの運転適否状態を精度よく推定することが可能となる。
また、運転適否状態として、居眠り状態、飲酒状態、漫然状態等、正常とは異なるドライバの状態を、検出される走行状態や操作状態によって推定することが可能となる。
また、センサから検出される信号について、正常運転状態の確率モデルから生成される信号との差が大きかったとしても、異常運転状態の確率モデルから生成される信号との差が、それ以上に大きければ、ドライバの運転適否状態が正常運転状態であると推定することができるため、誤推定が生じることを防止することができる。
従来技術では、異常運転状態を、対象信号(例えばハンドル操作量)の標準偏差に基づいて判定していた。これは、時々刻々変化する多様な運転環境を、対象信号の変化としてのみ捕らえているに過ぎない。また、直線、カーブといったおおまかな走行路の区別だけでなく、前方車両が接近している場合、アクセルを強く踏み込んでいる場合などにも、ハンドル操作量の特性が変化することが予想されるが、ハンドル操作量の標準偏差では、そのような変化を捉えることはできない。一方、本実施の形態では、運転状態を表わす信号の組み合わせの確率分布である混合ガウス分布によって運転行動モデルのモデル化を行ない、混合ガウス分布に基づいて、最も尤もらしい行動を示す信号を生成することによって、様々な状況下でドライバがどのように運転するかを推定することができる。
なお、上記の実施の形態では、バッファに記憶された信号の時系列データから、各時刻の次の時刻のアクセル開度信号を生成する場合を例に説明したが、これに限定されるものではなく、各センサから信号が検出される毎に、リアルタイムに次の時刻のアクセル開度信号を予測するようにしてもよい。この場合には、正常運転状態及び異常運転状態の各々について予測された次時刻のアクセル開度信号と、当該次時刻にアクセル開度センサから検出されたアクセル開度信号とを比較して、ドライバの運転適否状態を推定すればよい。
また、混合ガウス分布において条件付確率が最大となるアクセル開度を、次の時刻のアクセル開度として推定する場合を例に説明したが、これに限定されるものではなく、混合ガウス分布から得られる確率が、各センサから検出された信号等に対する確率より大きくなるようなアクセル開度を、次の時刻のアクセル開度として推定するようにしてもよい。
また、検出する操作状態又は走行状態の特徴量として、車速、車間距離、及びアクセル開度を採用した場合を例に説明したが、これに限定されるものではなく、他の特徴量の組み合わせであってもよい。例えば、アクセル開度、ブレーキ操作量、及びハンドル操作量などの操作状態の特徴量の組み合わせを検出するようにしてもよい。また、走行状態を表わす特徴量のみを検出するようにしてもよい。
また、1種類の特徴量だけを検出するようにしてもよい。例えば、アクセル開度を検出し、検出されたアクセル開度から、正常運転状態及び異常運転状態の確率モデルに基づいて次の時刻のアクセル開度を推定して、センサから検出されたアクセル開度と比較するようにしてもよい。
また、ドライバの運転適否状態が、正常運転状態及び異常運転状態の何れであるかを推定する場合を例に説明したが、ドライバの運転適否状態の異常運転状態として、居眠り状態や飲酒状態など複数種類の状態の何れかであるかを推定するようにしてもよい。この場合には、複数種類の異常運転状態の各々における運転行動を、混合ガウス分布でモデル化すればよい。
また、運転行動をモデル化した確率モデルとして、混合ガウス分布を用いた場合を例に説明したが、これに限定されるものではなく、混合確率分布を用いてもよい。
10 ドライバ状態推定装置
12 アクセル開度センサ
14 車速センサ
16 車間距離計測部
18 コンピュータ
20 微分算出部
22 正常運転時行動モデル記憶部
24 異常運転時行動モデル記憶部
26 運転信号生成部
28 ドライバ状態推定部
12 アクセル開度センサ
14 車速センサ
16 車間距離計測部
18 コンピュータ
20 微分算出部
22 正常運転時行動モデル記憶部
24 異常運転時行動モデル記憶部
26 運転信号生成部
28 ドライバ状態推定部
Claims (3)
- 自車両の走行状態及びドライバが自車両を操作したときの操作状態の少なくとも一方の状態を検出する状態検出手段と、
予め求められた複数の運転適否状態の各々における前記状態の確率分布、及び前記状態検出手段によって検出された前記状態に基づいて、該状態が検出されたタイミングより後のタイミングにおける前記複数のドライバの運転適否状態の各々に対する前記状態として、前記運転適否状態の前記確率分布における前記検出された前記状態に対する確率より前記確率が高くなる前記状態を推定する状態推定手段と、
前記状態推定手段によって推定された前記複数の運転適否状態に対する前記状態の各々と、前記状態検出手段によって該タイミングに検出された前記状態とを比較し、比較結果に基づいて、前記ドライバの運転適否状態を推定するドライバ状態推定手段と、
を含むドライバ状態推定装置。 - 前記状態検出手段は、複数種類の状態を検出し、
前記状態推定手段は、予め求められた前記複数の運転適否状態の各々における前記複数種類の状態の組み合わせの確率分布、及び前記状態検出手段によって検出された前記複数種類の状態に基づいて、前記後のタイミングにおける前記複数の運転適否状態の各々に対する前記複数種類の状態の何れか一つとして、前記運転適否状態の前記確率分布における前記検出された前記複数種類の状態に対する確率より前記確率が高くなる前記複数種類の状態の何れか一つを推定し、
前記ドライバ状態推定手段は、前記状態推定手段によって推定された前記複数の運転適否状態に対する前記複数種類の状態の何れか一つの各々と、前記状態検出手段によって該タイミングに検出された前記複数種類の状態の何れか一つとを比較し、比較結果に基づいて、前記ドライバの運転適否状態を推定する請求項1記載のドライバ状態推定装置。 - コンピュータを、
自車両の走行状態及びドライバが自車両を操作したときの操作状態の少なくとも一方の状態を検出する状態検出手段によって検出された前記状態、及び予め求められた複数の運転適否状態の各々における前記状態の確率分布に基づいて、該状態が検出されたタイミングより後のタイミングにおける前記複数のドライバの運転適否状態の各々に対する前記状態として、前記運転適否状態の前記確率分布における前記検出された前記状態に対する確率より前記確率が高くなる前記状態を推定する状態推定手段、及び
前記状態推定手段によって推定された前記複数の運転適否状態に対する前記状態の各々と、前記状態検出手段によって該タイミングに検出された前記状態とを比較し、比較結果に基づいて、前記ドライバの運転適否状態を推定するドライバ状態推定手段
として機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008012499A JP2009175929A (ja) | 2008-01-23 | 2008-01-23 | ドライバ状態推定装置及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008012499A JP2009175929A (ja) | 2008-01-23 | 2008-01-23 | ドライバ状態推定装置及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2009175929A true JP2009175929A (ja) | 2009-08-06 |
Family
ID=41030966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008012499A Pending JP2009175929A (ja) | 2008-01-23 | 2008-01-23 | ドライバ状態推定装置及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2009175929A (ja) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012157192A1 (ja) * | 2011-05-18 | 2012-11-22 | 日産自動車株式会社 | 運転不安定度判定装置 |
CN104665848A (zh) * | 2013-11-28 | 2015-06-03 | 现代摩比斯株式会社 | 驾驶员状态感知装置及其方法 |
US9111400B2 (en) | 2013-03-14 | 2015-08-18 | Denso Corporation | System for detecting abnormal driving behavior |
WO2019102525A1 (ja) * | 2017-11-21 | 2019-05-31 | 三菱電機株式会社 | 異常検知装置及び異常検知方法 |
CN110263811A (zh) * | 2019-05-21 | 2019-09-20 | 上海应势信息科技有限公司 | 一种基于数据融合的设备运行状态监测方法及系统 |
JP2020047087A (ja) * | 2018-09-20 | 2020-03-26 | いすゞ自動車株式会社 | 車両用監視装置 |
JP2020091527A (ja) * | 2018-12-03 | 2020-06-11 | 株式会社チームボックス | モニタリング装置、モニタリングシステム、モニタリング方法及びモニタリングプログラム |
CN112365706A (zh) * | 2020-09-14 | 2021-02-12 | 江苏大学 | 一种基于多源信息的异常车距辨识方法 |
JP2021510433A (ja) * | 2018-01-12 | 2021-04-22 | ゼネラル・エレクトリック・カンパニイ | ロボットの自律的動作計画及びナビゲーションのためのシステム並びに方法連邦政府による資金提供を受けた研究開発の記載 |
US11077859B2 (en) | 2018-03-23 | 2021-08-03 | Denso Corporation | State determination device, state determination program, and computer-readable non-transitory tangible storage medium |
-
2008
- 2008-01-23 JP JP2008012499A patent/JP2009175929A/ja active Pending
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8577566B2 (en) | 2011-05-18 | 2013-11-05 | Nissan Motor Co., Ltd. | Driving instability determination device |
JP5621921B2 (ja) * | 2011-05-18 | 2014-11-12 | 日産自動車株式会社 | 運転不安定度判定装置 |
WO2012157192A1 (ja) * | 2011-05-18 | 2012-11-22 | 日産自動車株式会社 | 運転不安定度判定装置 |
US9111400B2 (en) | 2013-03-14 | 2015-08-18 | Denso Corporation | System for detecting abnormal driving behavior |
CN104665848A (zh) * | 2013-11-28 | 2015-06-03 | 现代摩比斯株式会社 | 驾驶员状态感知装置及其方法 |
CN111344762A (zh) * | 2017-11-21 | 2020-06-26 | 三菱电机株式会社 | 异常检测装置和异常检测方法 |
WO2019102525A1 (ja) * | 2017-11-21 | 2019-05-31 | 三菱電機株式会社 | 異常検知装置及び異常検知方法 |
CN111344762B (zh) * | 2017-11-21 | 2022-03-01 | 三菱电机株式会社 | 异常检测装置和异常检测方法 |
JPWO2019102525A1 (ja) * | 2017-11-21 | 2020-04-02 | 三菱電機株式会社 | 異常検知装置及び異常検知方法 |
JP2021510433A (ja) * | 2018-01-12 | 2021-04-22 | ゼネラル・エレクトリック・カンパニイ | ロボットの自律的動作計画及びナビゲーションのためのシステム並びに方法連邦政府による資金提供を受けた研究開発の記載 |
US11077859B2 (en) | 2018-03-23 | 2021-08-03 | Denso Corporation | State determination device, state determination program, and computer-readable non-transitory tangible storage medium |
US11760359B2 (en) | 2018-03-23 | 2023-09-19 | Denso Corporation | State determination device, state determination program, and computer-readable non-transitory tangible storage medium |
WO2020059807A1 (ja) * | 2018-09-20 | 2020-03-26 | いすゞ自動車株式会社 | 車両用監視装置 |
JP2020047087A (ja) * | 2018-09-20 | 2020-03-26 | いすゞ自動車株式会社 | 車両用監視装置 |
US11267478B2 (en) | 2018-09-20 | 2022-03-08 | Isuzu Motors Limited | Vehicle monitoring device |
JP7180228B2 (ja) | 2018-09-20 | 2022-11-30 | いすゞ自動車株式会社 | 車両用監視装置 |
JP2020091527A (ja) * | 2018-12-03 | 2020-06-11 | 株式会社チームボックス | モニタリング装置、モニタリングシステム、モニタリング方法及びモニタリングプログラム |
CN110263811B (zh) * | 2019-05-21 | 2021-03-26 | 上海应势信息科技有限公司 | 一种基于数据融合的设备运行状态监测方法及系统 |
CN110263811A (zh) * | 2019-05-21 | 2019-09-20 | 上海应势信息科技有限公司 | 一种基于数据融合的设备运行状态监测方法及系统 |
CN112365706A (zh) * | 2020-09-14 | 2021-02-12 | 江苏大学 | 一种基于多源信息的异常车距辨识方法 |
CN112365706B (zh) * | 2020-09-14 | 2021-11-23 | 江苏大学 | 一种基于多源信息的异常车距辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2009175929A (ja) | ドライバ状態推定装置及びプログラム | |
EP2201496B1 (en) | Inattentive state determination device and method of determining inattentive state | |
JP5411284B2 (ja) | 実際の軌道を進行している車両の横方向のずれを、推定された仮想道路に基づいて決定し、横方向のずれに基づき運転者の横方向制御能力を決定するための方法、システム及びコンピュータプログラム製品 | |
EP2701137B1 (en) | Information provision device for use in vehicle | |
JP2009157606A (ja) | ドライバ状態推定装置及びプログラム | |
US20150352999A1 (en) | Driving context generation system | |
US9064419B2 (en) | Driver condition assessment device | |
JP2010033352A (ja) | 車線変更警報装置及びプログラム | |
JP2008507721A (ja) | 運転モニタシステム及び方法 | |
CN108073076B (zh) | 车辆控制方法和装置 | |
JP2009145951A (ja) | ドライバ状態推定装置及びプログラム | |
JP2012059058A (ja) | 危険推定装置及びプログラム | |
JP5895728B2 (ja) | 車群管理装置 | |
CN115993597A (zh) | 一种视觉雷达感知融合方法及终端设备 | |
Carmona et al. | Embedded system for driver behavior analysis based on GMM | |
Albousefi et al. | A support vector machine approach to unintentional vehicle lane departure prediction | |
JP2012128739A (ja) | 衝突危険判定装置及びプログラム | |
JP2009154675A (ja) | ドライバ状態推定装置及びプログラム | |
KR102337034B1 (ko) | 자율 주행 상황 인지 프로그램 성능 테스트 방법 및 동일 방법을 수행하기 위한 자율 주행 상황 인지 프로그램 성능 테스트 장치 | |
SE1150180A1 (sv) | System och metod för bedömning av kökörning | |
JP2010224788A (ja) | 車線逸脱予測装置 | |
Scanlon | Evaluating the Potential of an Intersection Driver Assistance System to Prevent US Intersection Crashes | |
JPWO2020170301A1 (ja) | 情報処理装置、プログラム及び情報処理方法 | |
KR102228559B1 (ko) | 운전자 피로 감지 방법 및 시스템 | |
Damerow et al. | Spatio-temporal trajectory similarity and its application to predicting lack of interaction in traffic situations |