JP2009234442A - Driving operation support device - Google Patents

Driving operation support device Download PDF

Info

Publication number
JP2009234442A
JP2009234442A JP2008083690A JP2008083690A JP2009234442A JP 2009234442 A JP2009234442 A JP 2009234442A JP 2008083690 A JP2008083690 A JP 2008083690A JP 2008083690 A JP2008083690 A JP 2008083690A JP 2009234442 A JP2009234442 A JP 2009234442A
Authority
JP
Japan
Prior art keywords
driver model
driver
vehicle
model
driving operation
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
JP2008083690A
Other languages
Japanese (ja)
Inventor
Yoshitaka Masuda
吉孝 増田
Seiichi Takeda
清一 武田
Yoichi Nomoto
洋一 野本
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.)
Equos Research Co Ltd
Original Assignee
Equos Research Co Ltd
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 Equos Research Co Ltd filed Critical Equos Research Co Ltd
Priority to JP2008083690A priority Critical patent/JP2009234442A/en
Publication of JP2009234442A publication Critical patent/JP2009234442A/en
Pending legal-status Critical Current

Links

Images

Landscapes

  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

<P>PROBLEM TO BE SOLVED: To give a proper instruction to a driver by predicting the driving act of the driver. <P>SOLUTION: A vehicle 2 stores an individual driver model 12 and the best driver model 14. The vehicle 2 inputs measurement data 11 to those driver models, and predicts an operation 13 which seems to be performed by the driver of the vehicle 2 and the best operation 15 which seems to be performed by the best driver, and presents an advice 17 to the driver by using the difference 16 between the predicted operation. In the meantime, the vehicle 2 uploads the measurement data 11 to a driver model server 3 while traveling. The driver model server 3 creates the driver model of the driver of the vehicle 2 by using the uploaded measurement data, and determines the superiority/inferiority of this driver model and the currently stored best driver model. When the newly created driver model is superior to the best driver model, the driver model server 3 updates the best driver model with the newly created driver model. <P>COPYRIGHT: (C)2010,JPO&INPIT

Description

本発明は、運転操作支援装置に関し、例えば、ドライバモデルを用いて運転者の運転を支援するものに関する。   The present invention relates to a driving operation support device, for example, a device that supports a driver's driving using a driver model.

近年、ドライバ自身の状態や運転行動などをセンシングし、そのデータを用いてドライバへ運転を支援する技術の開発が行われている。
このような運転支援技術の1つにドライバモデルを用いたものがあり、各種のタイプのものがあるが、統計的なデータを用いた例として、次の特許文献1の「運転行動推定装置、運転支援装置、及び車両評価システム」がある。
特開2007−176396公報
In recent years, a technology for sensing a driver's own state and driving behavior and using the data to assist the driver in driving has been developed.
One of such driving support technologies uses a driver model, and there are various types. As an example using statistical data, the following “driving behavior estimation device, Driving support device and vehicle evaluation system ".
JP 2007-176396 A

この技術は、GMM(混合ガウスモデル)を用いて、ドライバの運転行動(運転操作)をモデル化するものであり、車速などのパラメータを入力すると、ドライバが行うアクセル操作やブレーキ操作を予測することができるものである。
このようなドライバモデルを用いることにより、現状の運転環境(道路環境)に対するドライバの運転操作を予測し、ドライバに適切な警告・注意喚起、ナビゲーションによる案内経路の変更などを行ったり、また、車両制御などを行うことができる。
This technology uses GMM (mixed Gaussian model) to model the driver's driving behavior (driving operation), and predicts the accelerator operation and brake operation performed by the driver when parameters such as vehicle speed are input. It is possible to do.
By using such a driver model, the driver's driving operation with respect to the current driving environment (road environment) is predicted, and appropriate warnings and warnings are given to the driver, the guidance route is changed by navigation, etc. Control can be performed.

ところで、近年、原油の高騰や地球環境保護の意識の高まりなどにより、よりエネルギー効率のよい運転操作(以下、エコドライブ)の必要性が認識されている。
例えば、次の特許文献2の「ネットワーク型エコドライブ診断システム」では、車両をネットワークで接続し、エコドライブを行っている車両をランクづけするものである。これによって、ドライバの燃費向上意識を高めることができる。
特開2007−315335公報
By the way, in recent years, the need for more energy-efficient driving operation (hereinafter, eco-driving) has been recognized due to soaring crude oil prices and increasing awareness of global environmental protection.
For example, in the “network type eco-drive diagnosis system” of the following Patent Document 2, vehicles are connected by a network, and vehicles that are performing eco-drive are ranked. As a result, the driver's awareness of improving fuel efficiency can be increased.
JP 2007-315335 A

しかしながらこのシステムでは各ドライバの相対的なランキングは分かるが、具体的にどのように運転操作を行えば、燃費を向上させることができるかという技術的な側面に関しては、各ドライバが試行錯誤して自ら発見するよりなかった。このため、自分自身ができるエコドライブの限界を超えることは困難であった。   However, in this system, the relative ranking of each driver can be known. However, each driver has tried and errored about the technical aspect of how to improve driving efficiency by specifically driving. There was nothing more to discover than myself. For this reason, it was difficult to exceed the limits of eco-driving that I can do.

エコドライブに限らず、安全運転等の運転技術の向上を図るためには、ドライバの特徴に応じたアドバイスを個別に与える必要があるが、そのためには、ドライバが行う運転操作を予測し、これを手本となる運転操作と比較して指示を与えるのが好適である。
しかし、従来は、このように各ドライバに、その運転操作の特徴に応じた固有のアドバイスを与えることは行われていなかった。
In order to improve not only eco-driving but also driving technology such as safe driving, it is necessary to give advice according to the characteristics of the driver individually. It is preferable to give an instruction in comparison with a driving operation as a model.
However, conventionally, no specific advice according to the characteristics of the driving operation has been given to each driver.

そこで、本発明は、運転者の運転操作を予測し、その予測に基づいた適切な指示を与えることを目的とする。   Therefore, an object of the present invention is to predict a driver's driving operation and to give an appropriate instruction based on the prediction.

(1)前記目的を達成するために、請求項1に記載の発明では、ドライバモデルに入力することにより予測値を計算するためのパラメータを取得するパラメータ取得手段と、運転者の個人ドライバモデルを取得する個人ドライバモデル取得手段と、基準となる基準ドライバモデルを取得する基準ドライバモデル取得手段と、前記取得した個人ドライバモデルに前記取得したパラメータを入力して前記運転者の運転操作を予測する個人運転操作予測手段と、前記取得した基準ドライバモデルに前記取得したパラメータを入力して基準となる運転操作を予測する基準運転操作予測手段と、前記予測した前記運転者の運転操作と前記予測した基準となる運転操作の差分を出力する差分出力手段と、を具備したことを特徴とする運転操作支援装置を提供する。
(2)請求項2に記載の発明では、所定のサーバに基準ドライバモデルを要求する基準ドライバモデル要求手段を具備し、前記基準ドライバモデル取得手段は、前記所定のサーバが送信してきた基準ドライバモデルを取得することを特徴とする請求項1に記載の運転操作支援装置を提供する。
(3)請求項3に記載の発明では、基準ドライバモデルは、前記運転者が運転する車両の属性と走行する環境に対応して用意されており、前記基準ドライバモデル要求手段は、前記車両の属性と走行する環境に対応した基準ドライバモデルを要求することを特徴とする請求項2に記載の運転操作支援装置を提供する。
(4)請求項4に記載の発明では、前記個人ドライバモデルと、前記基準ドライバモデルは、車両走行に伴い検出されるN種類の特徴量の時系列データを学習データとし、N次元空間における各データが存在する確率分布によって規定されていることを特徴とする請求項1、請求項2、又は請求項3に記載の運転操作支援装置を提供する。
(1) In order to achieve the above object, according to the first aspect of the present invention, there is provided parameter acquisition means for acquiring a parameter for calculating a predicted value by inputting to a driver model, and a driver's personal driver model. Individual driver model acquisition means for acquiring, reference driver model acquisition means for acquiring a reference driver model serving as a reference, and an individual who inputs the acquired parameters to the acquired individual driver model and predicts the driving operation of the driver Driving operation prediction means, reference driving operation prediction means for inputting the acquired parameter to the acquired reference driver model and predicting a driving operation as a reference, the predicted driving operation of the driver, and the predicted reference And a difference output means for outputting a difference of the driving operation to be provided. To.
(2) According to the invention described in claim 2, there is provided reference driver model requesting means for requesting a reference driver model from a predetermined server, and the reference driver model acquisition means is a reference driver model transmitted from the predetermined server. The driving operation support device according to claim 1 is obtained.
(3) In the invention described in claim 3, the reference driver model is prepared corresponding to the attribute of the vehicle driven by the driver and the driving environment, and the reference driver model requesting means The driving operation support apparatus according to claim 2, wherein a reference driver model corresponding to the attribute and the driving environment is requested.
(4) In the invention according to claim 4, the personal driver model and the reference driver model use N-type feature time-series data detected as the vehicle travels as learning data, 4. The driving operation support apparatus according to claim 1, wherein the driving operation support apparatus is defined by a probability distribution in which data exists.

(1)請求項1に記載の発明によれば、ドライバモデルを用いて運転者の運転操作を予測し、これを基準となるドライバモデルの運転操作と比較することができる。
(2)請求項2に記載の発明によれば、サーバから基準ドライバモデルをダウンロードすることができるため、多種多様な基準ドライバモデルを車両に提供することができる。
(3)請求項3に記載の発明によれば、運転者の現在の環境に適合した基準ドライバモデルを車両に提供することができる。
(4)請求項4に記載の発明によれば、確率分布によってドライバモデルを構成するため、運転者の運転操作を確率的な手法により予測することができる。
(1) According to the first aspect of the present invention, the driver's driving operation can be predicted using the driver model, and this can be compared with the driving operation of the reference driver model.
(2) According to the invention described in claim 2, since the reference driver model can be downloaded from the server, a wide variety of reference driver models can be provided to the vehicle.
(3) According to the invention described in claim 3, it is possible to provide the vehicle with a reference driver model adapted to the current environment of the driver.
(4) According to the invention described in claim 4, since the driver model is configured by the probability distribution, the driving operation of the driver can be predicted by a probabilistic method.

(1)実施の形態の概要
図1(a)は、本実施の形態の概要を説明するための図である。
車両2は、ドライバの個人に対して作成された個人ドライバモデル12を記憶すると共に、例えば、エコドライブに関して最良のドライバの個人ドライバモデルである最良ドライバモデル14をドライバモデルサーバ3からダウンロードして記憶している。
個人ドライバモデル12と最良ドライバモデル14は、例えば、GMMなどの確率密度分布を用いたモデルによって構成されており、車速などの所定のパラメータを入力すると、ドライバの次の運転操作(例えば、ブレーキ操作)を予測することができる。
(1) Outline of Embodiment FIG. 1A is a diagram for explaining the outline of the present embodiment.
The vehicle 2 stores the personal driver model 12 created for the individual driver and, for example, downloads the best driver model 14 which is the best driver individual driver model for the eco-drive from the driver model server 3 and stores it. is doing.
The personal driver model 12 and the best driver model 14 are configured by a model using a probability density distribution such as GMM, for example. When a predetermined parameter such as a vehicle speed is input, the driver's next driving operation (for example, a brake operation) ) Can be predicted.

このように、車両2は、個人ドライバモデル12と最良ドライバモデル14を用意した上で、車速などの測定データ11をパラメータとしてこれらドライバモデルに入力し、車両2のドライバが行うであろうドライバの操作13と、車両2のドライバが最良のドライバだった場合に、当該最良のドライバが行うであろう最良の操作15を予測する。   As described above, the vehicle 2 prepares the personal driver model 12 and the best driver model 14 and inputs the measurement data 11 such as the vehicle speed to the driver model as a parameter, and the driver of the vehicle 2 will perform. When the driver 13 of the vehicle 2 is the best driver, the best operation 15 that the best driver will perform is predicted.

この差分16が、即ち、車両2のドライバが最良のドライバに近づくために埋める必要がある運転操作技術の差であって、車両2は、この差分16を用いてアドバイス17をドライバに提示する。
ドライバは、アドバイス17に従って、これから行おうとする運転操作を最良のドライバの運転操作に倣うことにより、最良のドライバの運転操作を学び、自己の運転技術を向上させることができる。
This difference 16, that is, a difference in driving operation technology that needs to be filled in order for the driver of the vehicle 2 to approach the best driver, and the vehicle 2 presents the advice 17 to the driver using this difference 16.
According to the advice 17, the driver can learn the best driver's driving operation and improve his / her driving skill by imitating the driving operation to be performed from the best driver's driving operation.

一方、車両2は、このようにドライバにアドバイス17を与える一方、走行しながら(あるいは走行後にまとめて)測定データ11をドライバモデルサーバ3にアップロードする。
ドライバモデルサーバ3は、測定データ11を用いて車両2のドライバのドライバモデルを作成し、例えば、燃費などの所定の条件に従って、現在記憶している最良ドライバモデルとの優劣を判断する。
On the other hand, the vehicle 2 gives the advice 17 to the driver as described above, and uploads the measurement data 11 to the driver model server 3 while traveling (or collectively after traveling).
The driver model server 3 creates a driver model of the driver of the vehicle 2 using the measurement data 11, and determines superiority or inferiority with the currently stored best driver model according to a predetermined condition such as fuel consumption.

新たに作成したドライバモデルの方が優れている場合、ドライバモデルサーバ3は、記憶している最良ドライバモデル14を新たに作成したドライバモデルに更新する。
このようにして、ドライバモデルサーバ3は、現時点で最も優れたドライバモデルを車両2に送信することができる。
If the newly created driver model is superior, the driver model server 3 updates the stored best driver model 14 to the newly created driver model.
In this way, the driver model server 3 can transmit the most excellent driver model at the present time to the vehicle 2.

図1(b)は、本実施の形態の運用イメージである。
車両2は、ナビゲーションによるルート探索により出発地点(図ではS)から目的地点(図ではG)まで走行する。
例えば、エコドライブする場合、このルートで最も燃費のよかった走行パラメータ通りに走行すれば最も燃費がよくなるが、ルートの交通量や周辺車両、時刻、天候などの影響により、同じ条件で走行をすることは不可能である。このため、ドライバモデルを使用する意義が生じる。
即ち、車両2が現在おかれた状況で、最良のドライバが行う運転操作を最良ドライバモデル14から予測することができるため、ドライバは最良ドライバモデル14に倣って運転することにより、現在の状況下で最も燃費のよい運転操作を行うことができる。
FIG. 1B is an operational image of the present embodiment.
The vehicle 2 travels from a departure point (S in the figure) to a destination point (G in the figure) by route search by navigation.
For example, when eco-driving, driving according to the driving parameters with the best fuel efficiency on this route will result in the best fuel efficiency, but driving under the same conditions due to the traffic volume of the route, surrounding vehicles, time, weather, etc. Is impossible. For this reason, the significance of using a driver model arises.
In other words, since the driving operation performed by the best driver can be predicted from the best driver model 14 in the situation where the vehicle 2 is currently placed, the driver performs driving according to the best driver model 14, so The most fuel efficient driving operation can be performed.

ドライバモデルでは、「加速時には○m/s・sになるようにアクセルペダルを踏む。○km/h走行時にはエンジン回転数が○×1000rpmになっている。車間距離が○から△mになったときにエンジン回転数を□rpm上げる。坂道の○m手前で速度を○km/hにする。・・・」といったドライバに固有の運転操作がモデル化されているため、最良ドライバモデル14に倣って運転することによりドライバは運転技術を向上させることができる。
このように、ドライバモデルを用いることによって次に起こりうる事象に対する運転操作が分かるため、ドライバモデル同士を比較することによって、その操作の違いを表すことができ、これにより、自己の運転操作と最良のドライバの運転操作の差が分かる。
According to the driver model, “Depress the accelerator pedal so that it becomes ○ m / s · s when accelerating. ○ The engine speed is ○ × 1000rpm when driving ○ km / h. The inter-vehicle distance has changed from ○ to Δm. Sometimes the engine speed is increased by □ rpm. The speed is set to ○ km / h just before the slope, and the driving operation unique to the driver is modeled. Driving, the driver can improve driving skills.
In this way, since the driving operation for the next possible event can be understood by using the driver model, it is possible to express the difference in the operation by comparing the driver models with each other. You can see the difference in driving operation of the driver.

なお、本実施の形態では、ドライバモデルとしてGMMを用いるが、これは、同一人物でも運転操作にばらつきが生じるため、確率密度分布における偏差によってドライバの運転行動のモデルを構築するGMM法が適しているためである。
また、個人ドライバモデル12と最良ドライバモデル14の前提とする条件(交通量、周辺車両)が全く同一ということもないため、両者を比較する際に偏差によって比べて両者がどれくらいの割合で適合するか、また差分があるかを判定することができるためである。
In this embodiment, the GMM is used as the driver model. However, since the driving operation varies even for the same person, the GMM method for constructing the driver's driving behavior model based on the deviation in the probability density distribution is suitable. Because it is.
In addition, since the conditions (traffic volume, surrounding vehicles) on which the individual driver model 12 and the best driver model 14 are presupposed are not exactly the same, when they are compared, the ratio of the two matches according to the deviation. This is because it is possible to determine whether there is a difference.

(2)実施の形態の詳細
図2は、本実施形態による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の推定に関する概念を説明するための図である。
本実施の形態では、ドライバの運転操作は、所定の特徴量によって記述されると仮定している。
具体的には、ドライバは、現在の車速V、車間距離F、これらの1次の動的特徴量ΔV、ΔF(時間による1階微分値)、2次の動的特徴量ΔΔV、ΔΔF(時間による2階微分値)といった特徴量に基づいてアクセルペダルの操作(アクセル操作量Gと次の動的特徴量ΔG)とブレーキペダルの操作(ブレーキ操作量Bと1次の動的特徴量ΔB)を行っていると仮定する。
ここで、1次や2次の量を考慮してモデル化したのは、時間的に滑らかでより自然な運転操作の予測を行えるようにするためである。
(2) Details of Embodiment FIG. 2 is a diagram for explaining a concept related to creation of a driver model according to the present embodiment and estimation of driving operation based on the created driver model.
In the present embodiment, it is assumed that the driving operation of the driver is described by a predetermined feature amount.
Specifically, the driver determines the current vehicle speed V, the inter-vehicle distance F, and the primary dynamic feature amounts ΔV and ΔF (first-order differential values according to time) and the secondary dynamic feature amounts ΔΔV and ΔΔF (time). Accelerator pedal operation (accelerator operation amount G and next dynamic feature amount ΔG) and brake pedal operation (brake operation amount B and primary dynamic feature amount ΔB) Assuming that
Here, the reason why the modeling is performed in consideration of the primary and secondary quantities is to enable smoother and more natural driving operation prediction.

まず、ドライバモデルは、次のようにして作成される。
まず、車両が走行する際に、所定のサンプリングレートにて、時刻t1、t2、・・・におけるアクセル操作量、ブレーキペダル操作量、車速、車間距離から構成される走行データ101をサンプリングする。1階微分値、2階微分値は、これらから計算することができる。
First, the driver model is created as follows.
First, when the vehicle travels, travel data 101 composed of the accelerator operation amount, the brake pedal operation amount, the vehicle speed, and the inter-vehicle distance at times t1, t2,... Is sampled at a predetermined sampling rate. The first-order differential value and the second-order differential value can be calculated from these.

このようにして収集された走行データに対してEMアルゴリズムを適用するとGMMによるドライバモデルが作成される。
収集したデータにEMアルゴリズムを適用してGMMを作成(推定)する手法に関しては、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)に記載されている。
When the EM algorithm is applied to the travel data collected in this way, a driver model by GMM is created.
A method for creating (estimating) a GMM by applying an EM algorithm to collected data is described in, for example, Seiichi Nakagawa, “Voice Recognition Using a Stochastic Model” (The Institute of Electronics, Information and Communication Engineers 1988, P51 to P54). Yes.

以上のようにして作成されたドライバモデルは、運転操作が特徴量の同時分布によって特徴付けられており、与えられた条件下において最も確率の高い運転操作(アクセルペダル操作量、ブレーキペダル操作量)を推定する問題は、所謂条件確率の最大化の問題となる。
本実施の形態では、ドライバの運転操作(例えば、アクセル操作量やブレーキ操作量)を推定する場合、対応するGMMによるドライバモデル102(例えば、アクセルモデルやブレーキモデル)を使用し、時刻tにおける走行データの測定値(V、F、ΔV、…)に対する最大事後確率計算104をEMアルゴリズムによる数値解析などにより計算することで、当該ドライバが操作するであろうアクセル操作量105を推定することができる。
In the driver model created as described above, the driving operation is characterized by the simultaneous distribution of feature values, and the driving operation with the highest probability (accelerator pedal operation amount, brake pedal operation amount) under given conditions. Is a problem of maximizing the so-called conditional probability.
In the present embodiment, when a driver's driving operation (for example, an accelerator operation amount or a brake operation amount) is estimated, a corresponding GMM driver model 102 (for example, an accelerator model or a brake model) is used to drive at time t. By calculating the maximum a posteriori probability calculation 104 for the measured data values (V, F, ΔV,...) By numerical analysis using the EM algorithm, the accelerator operation amount 105 that the driver will operate can be estimated. .

以下、より具体的に説明する。
(A)ドライバモデルの作成
GMMを用いたドライバモデルでは、ドライバの運転操作を学習するための学習データを必要とし、特徴量として走行データ101を使用する。
走行データ101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)ごとの時系列データを使用する。
走行データ101は、ドライバモデル生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、予め測定、保存しておいた走行データ101を使用することで、オフラインの学習が可能になる。また、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101を使用するようにしてもよい。
More specific description will be given below.
(A) Creation of Driver Model In a driver model using GMM, learning data for learning a driver's driving operation is required, and traveling data 101 is used as a feature amount.
The travel data 101 uses time-series data for each predetermined measurement interval s (s is arbitrary, but s = 0.1 seconds in the present embodiment).
The travel data 101 is data actually driven by a driver for which a driver model is to be generated, and offline learning is possible by using the travel data 101 that has been measured and stored in advance. Further, the travel data 101 measured and collected in real time when the driver is actually driving may be used.

本実施形態では、各ドライバごとにGMMを生成することで、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101)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。
先に述べたように、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。
In this embodiment, by generating a GMM for each driver, modeling that matches the characteristics of each driver is possible.
As described above, the driver model feature amount (travel data 101) includes the vehicle speed, the inter-vehicle distance, and the primary, secondary dynamic feature amount, accelerator pedal operation amount, and primary order of the accelerator pedal operation amount. Of dynamic features are used.
As described above, by adding the dynamic feature amount to the feature amount and modeling, the time relationship before and after is taken into consideration, and a smooth and highly natural estimation result can be obtained.
In the description, the case where the primary and secondary dynamic feature quantities are used will be described. However, only the primary dynamic feature quantity may be used.

同様に、ブレーキペダルに関するドライバモデル化も可能である。
なお、アクセルペダル用、ブレーキペダル用、車間距離範囲用等の複数のドライバモデルを生成する場合には、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。
Similarly, a driver model for the brake pedal is also possible.
When generating a plurality of driver models for the accelerator pedal, the brake pedal, the inter-vehicle distance range, etc., data other than the accelerator pedal operation amount, the brake pedal operation amount, etc. (V, F, ΔV, ΔF,... ) May use the same data.

本実施形態において、走行データ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。   In the present embodiment, the dynamic feature amount of the travel data is calculated from the measured values of the accelerator operation amount, the vehicle speed, and the inter-vehicle distance, but may be actually measured.

そして、本実施形態では、走行データ101に対する混合ガウス分布を計算することで、ドライバモデルを生成する。
すなわち、走行データ101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、全角共分散行列を用いている。
In this embodiment, a driver model is generated by calculating a mixed Gaussian distribution for the travel data 101.
That is, the joint probability density distribution for the running data 101 is calculated using the EM algorithm, and the parameters of the calculated joint probability density function = {λi, → μi, Σi | i = 1, 2, 3,. The driver model is stored in a storage means such as a database.
Here, λi represents a weight, → μi represents an average vector group, Σi represents a variance-covariance matrix group, and M represents the number of mixtures. In addition, a symbol that is previously displayed as → μi means a vector.
As described above, the GMM according to the present embodiment uses the full-width covariance matrix in consideration of the correlation between the feature dimensions.

(B)運転操作(アクセルペダル及びブレーキペダル操作量)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。
(B) Estimation of driving operation (accelerator pedal and brake pedal operation amount) The driver determines the operation amount of the accelerator pedal and the brake pedal based on the current vehicle speed, the inter-vehicle distance, and their primary and secondary dynamic feature amounts. Based on the assumption that it is determined, the motor behavior such as the pedal operation amount is estimated.
That is, from the simultaneous distribution of the feature amount, the motion behavior such as the accelerator pedal operation amount having the highest probability under the given condition is estimated.

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。
すなわち、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。
This is a problem of maximizing conditional probability, and is based on the calculation of maximum posterior probability.
That is, the accelerator pedal operation amount ∧G (t) and the brake pedal operation amount ∧B (t) are estimates of the value x (t) that maximizes the conditional probability under the condition where y (t) is given. The maximum posterior probabilities are calculated by the following equations (1) and (2), respectively.

∧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)
∧G (t) = arg max p (G | ΔG, V (t), F (t), ΔV (t), ΔF (t), ΔΔV (t), ΔΔF (t)) Equation (1)
∧ B (t) = arg max p (B | ΔB, V (t), F (t), ΔV (t), ΔF (t), ΔΔV (t), ΔΔF (t)) Equation (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。
Here, like ∧G (t), the previous ∧ is an estimated value.
Also,
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}
It is.

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。   In Expressions (1) and (2), t represents time, and G, B, V, F, and Δ represent accelerator pedal operation amount, brake pedal operation amount, vehicle speed, inter-vehicle distance, and dynamic feature amount, respectively.

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。
このように、本実施の形態で用いるドライバモデル(個人ドライバモデル、最良ドライバモデル)は、一般に、車両走行に伴い検出されるN種類の特徴量の時系列データを学習データとし、N次元空間における各データが存在する確率分布によって規定されている。
However, the value of the accelerator pedal and the brake pedal that maximizes the conditional probability is obtained by performing numerical integration with a certain step size (for example, 100 steps from 0 to 10,000) in the interval from the minimum value to the maximum value. The value of the accelerator pedal and the brake pedal when the probability is calculated and the probability becomes the maximum may be used as the estimation result.
As described above, the driver model (individual driver model, best driver model) used in the present embodiment generally uses time-series data of N types of feature amounts detected as the vehicle travels as learning data, and in the N-dimensional space. It is defined by the probability distribution that each data exists.

図3は、本実施の形態による運転操作支援システム1のネットワーク構成を示した図である。
運転操作支援システム1は、ドライバモデルサーバ3、車両2、2、・・・(以下車両2)、AP4、4、・・・(以下AP4)などから構成されている。
FIG. 3 is a diagram showing a network configuration of the driving operation support system 1 according to the present embodiment.
The driving operation support system 1 includes a driver model server 3, vehicles 2, 2,... (Hereinafter referred to as vehicle 2), AP4, 4,.

ドライバモデルサーバ3は、通信ネットワークを介してAP4(アクセスポイント)と接続しており、AP4を介して車両2と通信することができる。
ドライバモデルサーバ3は、車両2の求めに応じて最良ドライバモデルを車両2に送信すると共に、車両2で測定された測定データなどで構成されたドライバモデル作成情報を車両2から受信する。
The driver model server 3 is connected to the AP 4 (access point) via the communication network, and can communicate with the vehicle 2 via the AP 4.
The driver model server 3 transmits the best driver model to the vehicle 2 in response to the request of the vehicle 2 and receives driver model creation information including measurement data measured by the vehicle 2 from the vehicle 2.

そして、ドライバモデルサーバ3は、ドライバモデル作成情報を用いて車両2のドライバのドライバモデルを作成し、これを最良ドライバモデルと優劣を比較して、作成したドライバモデルの方が最良ドライバモデルよりも優れている場合、作成したドライバモデルによって最良ドライバモデルを更新する。   Then, the driver model server 3 creates a driver model of the driver of the vehicle 2 using the driver model creation information, compares this with the best driver model, and the created driver model is more than the best driver model. If so, update the best driver model with the created driver model.

車両2は、AP4と無線通信を行うことができ、AP4を介してドライバモデルサーバ3と通信することができる。
車両2は、ドライバの個人ドライバモデルを記憶すると共に、走行するに際してドライバモデルサーバ3に最良ドライバモデルを要求してこれをダウンロードして記憶する。
そして、車両2は、走行しながら、個人ドライバモデルを用いてドライバモデルが行う運転操作を予測し、かつ、最良ドライバモデルを用いて最良ドライバが行う運転操作を予測し、両予測の差分を用いてドライバにアドバイスを提示する。
The vehicle 2 can perform wireless communication with the AP 4 and can communicate with the driver model server 3 via the AP 4.
The vehicle 2 stores the driver's personal driver model, and requests the driver model server 3 for the best driver model when traveling to download and store it.
And while driving | running | working, the vehicle 2 estimates the driving operation which a driver model performs using a personal driver model, and also predicts the driving operation which a best driver performs using a best driver model, and uses the difference of both predictions And give advice to the driver.

アドバイスの提示は、例えば、スピードメータにおいて現在の車両2のスピードを表す実指針43と最良ドライバモデルによるスピードを表す目標指針42を提示することにより行うことができる。
最良ドライバモデルがエコドライブに関するものであった場合、ドライバは目標指針42が実指針43に一致するようにスピード調整することによりエコドライブを行うことができる。
また、車両2は、走行しながら、各種測定や情報収集を行い、これらからドライバモデル作成情報を生成してドライバモデルサーバ3に逐次送信する。
The advice can be presented, for example, by presenting an actual guide 43 representing the current speed of the vehicle 2 and a target guide 42 representing the speed by the best driver model on a speedometer.
If the best driver model relates to eco-driving, the driver can perform eco-driving by adjusting the speed so that the target pointer 42 matches the actual pointer 43.
Further, the vehicle 2 performs various measurements and information collection while traveling, generates driver model creation information from these, and sequentially transmits them to the driver model server 3.

AP4は、車両2と無線通信回線を確立して無線通信すると共に、通信ネットワークを介してドライバモデルサーバ3と接続し、車両2とドライバモデルサーバ3の通信を中継する。   The AP 4 establishes a wireless communication line with the vehicle 2 to perform wireless communication, and connects to the driver model server 3 through the communication network, and relays communication between the vehicle 2 and the driver model server 3.

なお、本実施の形態では、車両2は、ドライバの運転操作から当該ドライバの個人ドライバモデルを作成して記憶することとするが、ドライバモデル作成情報を用いてドライバモデルサーバ3が個人ドライバを作成し、これを走行の際に車両2に送信するように構成することもできる。
このように、個人ドライバモデルをドライバモデルサーバ3で管理するように構成すると、例えば、ドライバがレンタカーなど他の車両2を運転する際に、当該ドライバのドライバモデルをドライバモデルサーバ3から当該他の車両2にダウンロードして使用するといったような運用が可能になる。
In the present embodiment, the vehicle 2 creates and stores a personal driver model of the driver from the driving operation of the driver, but the driver model server 3 creates a personal driver using the driver model creation information. And it can also comprise so that this may be transmitted to the vehicle 2 at the time of driving | running | working.
As described above, when the driver model server 3 is configured to manage the personal driver model, for example, when the driver drives another vehicle 2 such as a rental car, the driver model of the driver is transferred from the driver model server 3 to the other driver model. Operation such as downloading to the vehicle 2 and using it becomes possible.

図4は、車両2に搭載された情報処理システム20の構成を示したブロック図である。
情報処理システム20は、走行情報取得部22、外部環境情報取得部23、周辺環境情報取得部24、車両環境情報取得部25、情報処理部21、通信部26、最良ドライバモデル記憶部27、個人ドライバモデル記憶部28などから構成されており、運転操作支援装置として機能する。
FIG. 4 is a block diagram showing a configuration of the information processing system 20 mounted on the vehicle 2.
The information processing system 20 includes a travel information acquisition unit 22, an external environment information acquisition unit 23, a surrounding environment information acquisition unit 24, a vehicle environment information acquisition unit 25, an information processing unit 21, a communication unit 26, a best driver model storage unit 27, an individual The driver model storage unit 28 and the like function as a driving operation support device.

走行情報取得部22は、車両2の走行データを取得する機能部であって、例えば、ガソリンの流量を検出するガソリン流量センサ、エンジンの回転数を検出するエンジン回転数センサ、アクセルペダルの踏力を検出するアクセス踏力センサ、車速を検出する車速センサ、ジャイロの出力を検出するジャイロセンサ、ギア比を検出するギア比センサなどを備えている。   The travel information acquisition unit 22 is a functional unit that acquires travel data of the vehicle 2. For example, the travel information acquisition unit 22 detects a gasoline flow rate sensor that detects a gasoline flow rate, an engine speed sensor that detects an engine speed, and an accelerator pedal depressing force. An access pedal force sensor for detecting, a vehicle speed sensor for detecting vehicle speed, a gyro sensor for detecting gyro output, a gear ratio sensor for detecting gear ratio, and the like are provided.

外部環境情報取得部23は、車両2が走行している際の一般的な外部環境を取得する機能部であって、例えば、GPS(Global Positioning Systems)衛星からの電波を受信するGPS情報取得装置、道路交通情報などを受信するVICS(Vehicle Information and Communication System)情報取得装置、地図情報を記憶した地図DB(データベース)、ナビゲーション装置による経路案内を取得するナビゲーション案内経路情報取得部、現在時刻を取得する現在時刻取得部、天候を取得する天候情報取得部、路面の情報を取得する路面情報取得部などから構成されている。   The external environment information acquisition unit 23 is a functional unit that acquires a general external environment when the vehicle 2 is traveling. For example, a GPS information acquisition device that receives radio waves from a GPS (Global Positioning Systems) satellite. , VICS (Vehicle Information and Communication System) information acquisition device for receiving road traffic information, map DB (database) storing map information, navigation guidance route information acquisition unit for acquiring route guidance by navigation device, acquiring current time A current time acquisition unit, a weather information acquisition unit for acquiring weather, a road surface information acquisition unit for acquiring road surface information, and the like.

周辺環境情報取得部24は、車両周辺の環境情報を取得する機能部であり、例えば、カメラ、レーザ、ミリ波などを用いて車両周辺を認識する車両周辺認識装置、同様にカメラ、レーザ、ミリ波などを用いて障害物を認識する障害物認識装置、車間距離を測定する車間距離測定装置などから構成されている。   The surrounding environment information acquisition unit 24 is a functional unit that acquires environment information around the vehicle. For example, a vehicle periphery recognition device that recognizes the periphery of the vehicle using a camera, laser, millimeter wave, and the like, as well as a camera, laser, millimeter An obstacle recognition device that recognizes an obstacle using a wave or the like, an inter-vehicle distance measurement device that measures an inter-vehicle distance, and the like.

車両環境情報取得部25は、車両自体の環境情報を取得する機能部であり、例えば、車種、年式、ナンバなどを特定する車両コードを取得する車両コード取得装置、搭乗人数又は搭乗者の重量を計測して取得する搭乗人数取得装置、重量などの積載重量を計測して取得する積載重量取得装置などから構成されている。   The vehicle environment information acquisition unit 25 is a functional unit that acquires environment information of the vehicle itself. For example, a vehicle code acquisition device that acquires a vehicle code that specifies a vehicle type, year, number, etc., the number of passengers or the weight of the passenger It includes a passenger number acquisition device that measures and acquires the weight, a loading weight acquisition device that measures and acquires the loading weight such as weight.

情報処理部21は、ECU(Engine Control Unit)などに形成されており、CPU(Central Processing Unit)、ROM(Read Only Memory)、RAM(Random Access Memory)などのデバイスや素子などによって構成されたコンピュータであって、各種プログラムを実行し、各種情報処理や、車両2の各部の制御などを行う。
情報処理部21が実行するプログラムには、例えば、AP4を介してドライバモデルサーバ3と通信するデータ送受信プログラム、個人ドライバモデルと最良ドライバモデルによる予測値を算出し、その差分でアドバイスをドライバに提示するドライバモデル比較プログラム、走行データからドライバの個人ドライバモデルを作成する個人ドライバモデル作成プログラム、その他のプログラムがある。
The information processing unit 21 is formed in an ECU (Engine Control Unit) or the like, and is configured by a device or element such as a CPU (Central Processing Unit), a ROM (Read Only Memory), or a RAM (Random Access Memory). Then, various programs are executed to perform various information processing, control of each part of the vehicle 2, and the like.
As the program executed by the information processing unit 21, for example, a data transmission / reception program that communicates with the driver model server 3 via the AP 4, a predicted value based on the personal driver model and the best driver model is calculated, and advice is presented to the driver based on the difference. A driver model comparison program, a personal driver model creation program for creating a driver's personal driver model from driving data, and other programs.

通信部26は、AP4と通信回線を確立し、AP4を介してドライバモデルサーバ3と通信する通信装置である。
情報処理システム20は、通信部26を介して、ドライバモデル作成情報をドライバモデルサーバ3に送信したり、ドライバモデルサーバ3に対して最良ドライバモデルを要求し、ドライバモデルサーバ3から最良ドライバモデルをダウンロードしたりする。
なお、本実施の形態では、情報処理システム20は、走行情報取得部22、外部環境情報取得部23、周辺環境情報取得部24、車両環境情報取得部25で取得した情報を全てドライバモデル作成情報としてドライバモデルサーバ3に送信する。
The communication unit 26 is a communication device that establishes a communication line with the AP 4 and communicates with the driver model server 3 via the AP 4.
The information processing system 20 transmits driver model creation information to the driver model server 3 via the communication unit 26, requests the driver model server 3 for the best driver model, and obtains the best driver model from the driver model server 3. Or download it.
In the present embodiment, the information processing system 20 uses all the information acquired by the travel information acquisition unit 22, the external environment information acquisition unit 23, the surrounding environment information acquisition unit 24, and the vehicle environment information acquisition unit 25 as driver model creation information. To the driver model server 3.

また、車両2で作成した個人ドライバモデルをドライバモデルサーバ3に送信し、ドライバモデルサーバ3がこれを最良ドライバモデルと比較するように構成することもできるが、データをドライバモデルサーバ3に送信してドライバモデルサーバ3でドライバモデルを作成するように構成することにより、ドライバモデルサーバ3でのデータ加工の自由度を高めることができる。   It is also possible to send the personal driver model created in the vehicle 2 to the driver model server 3 and the driver model server 3 compares it with the best driver model, but sends data to the driver model server 3. By configuring the driver model server 3 to create a driver model, the degree of freedom of data processing in the driver model server 3 can be increased.

最良ドライバモデル記憶部27は、例えば、RAMなどに形成され、ドライバモデルサーバ3からダウンロードした最良ドライバモデルを記憶する。
ドライバモデルサーバ3は、最良ドライバモデル記憶部27に記憶した最良ドライバモデルを用いて最良ドライバの運転操作を予測する。
The best driver model storage unit 27 is formed in a RAM or the like, for example, and stores the best driver model downloaded from the driver model server 3.
The driver model server 3 predicts the driving operation of the best driver using the best driver model stored in the best driver model storage unit 27.

個人ドライバモデル記憶部28は、例えば、ハードディスクや不揮発性の半導体メモリなどに形成され、情報処理部21が作成した個人ドライバモデルを記憶している。
個人ドライバモデルは、ドライバの運転操作の個性がモデル化されているため、個人1、個人2、・・・などと車両2を運転する個人ごとに作成される。
また、同じドライバであっても、昼間運転と夜間での運転、交通量の少ない道路での運転と渋滞での運転、晴天時の運転と雨天時の運転、片側複数車線道路などの広い道路での運転と一車線で上下線を兼用するような狭い道路での運転、道路の舗装状態、上り坂や下り坂などの状況に応じて、運転の特性、あるいは運転の特徴が変化することが考えられるため、本実施の形態では、これらをラベルによってカテゴリ分けしてカテゴリごとに記憶することにより、現在のドライバの状況により対応した個人ドライバモデルを使用できるようにしている。
The personal driver model storage unit 28 is formed in, for example, a hard disk or a non-volatile semiconductor memory, and stores the personal driver model created by the information processing unit 21.
The individual driver model is created for each person who drives the vehicle 2, such as the person 1, the person 2,.
Even with the same driver, it can be used on wide roads such as daytime driving and driving at night, driving on low-traffic roads and driving in heavy traffic, driving in fine weather and driving in rainy weather, multi-lane roads on one side, etc. It is considered that driving characteristics or driving characteristics may change according to driving on narrow roads that use both upper and lower lines in one lane, road pavement conditions, uphill and downhill conditions, etc. Therefore, in the present embodiment, these are classified into categories by labels and stored for each category, so that a personal driver model corresponding to the current driver situation can be used.

図5は、ドライバモデルサーバ3の構成を示したブロック図である。
ドライバモデルサーバ3は、通信部31、情報処理部32、最良ドライバモデル記憶部33などから構成されており、ドライバモデル処理装置として機能している。
通信部31は、通信ネットワークに接続しており、AP4を介して各車両2の情報処理システム20と通信することができる。
ドライバモデルサーバ3は、通信部31を用いて、車両2からドライバモデル作成情報を受信するほか、車両2からの要求に応じて車両2に最良ドライバモデルを送信する。
ここで、通信部31は、複数の車両2と通信する通信手段として機能している。
FIG. 5 is a block diagram showing the configuration of the driver model server 3.
The driver model server 3 includes a communication unit 31, an information processing unit 32, a best driver model storage unit 33, and the like, and functions as a driver model processing device.
The communication unit 31 is connected to a communication network, and can communicate with the information processing system 20 of each vehicle 2 via the AP 4.
The driver model server 3 uses the communication unit 31 to receive driver model creation information from the vehicle 2 and transmits the best driver model to the vehicle 2 in response to a request from the vehicle 2.
Here, the communication unit 31 functions as a communication unit that communicates with the plurality of vehicles 2.

情報処理部32は、CPU、ROM、RAM、ハードディスクなどの大容量記憶装置、その他の情報処理用のデバイスを用いて構築されており、各種プログラムに従って、これらプログラムで規定されている情報処理や通信を行う。
情報処理部32が実行するプログラムには、車両2と通信して各種データを送受信する機能を発揮させるデータ送受信プログラム、車両2から受信したドライバモデル作成データを用いてドライバモデルを作成するドライバモデル作成プログラム、ドライバモデルの優劣を判断し、最良ドライバモデルが常に最良のドライバモデルとなるように最良ドライバモデルを管理するドライバモデル管理プログラム、車両2からの要求に従って車両2のドライバに適合する最良ドライバモデルを選択するドライバモデル選択プログラム、その他のプログラムがある。
The information processing unit 32 is constructed using a mass storage device such as a CPU, ROM, RAM, and hard disk, and other information processing devices. Information processing and communication defined by these programs are performed according to various programs. I do.
The program executed by the information processing unit 32 includes a data transmission / reception program that exhibits a function of transmitting and receiving various data by communicating with the vehicle 2, and a driver model creation that creates a driver model using the driver model creation data received from the vehicle 2. A driver model management program that judges the superiority or inferiority of the program and driver model and manages the best driver model so that the best driver model is always the best driver model, and the best driver model that matches the driver of the vehicle 2 according to the request from the vehicle 2 There are driver model selection programs and other programs for selecting.

最良ドライバモデル記憶部33は、例えば、ハードディスクなどの大容量の記憶装置を用いて構成されており、情報処理部32が作成したドライバモデルのうち、最良のものを最良ドライバモデルとして記憶している。
又は、複数のドライバモデルを記憶してこれらをランキングづけし、最も上位のドライバモデルを最良ドライバモデルとしてドライバモデルサーバ3が認識するように構成してもよい。
The best driver model storage unit 33 is configured using, for example, a large-capacity storage device such as a hard disk, and stores the best driver model created by the information processing unit 32 as the best driver model. .
Alternatively, a plurality of driver models may be stored and ranked so that the driver model server 3 recognizes the highest driver model as the best driver model.

最良ドライバモデル記憶部33では、例えば、「エコドライバモデル」、「安全運転ドライバモデル」などと、用途・条件別のデータベースが形成されており、各データベースには、当該用途・条件に適合する最良ドライバモデルが記憶されている。
ここで、エコドライバモデルとは、例えば、燃費がよくて二酸化炭素の排出量が少ない運転のドライバモデルであり、安全運転ドライバモデルとは、例えば、制限速度の範囲内で走行し、急ブレーキ、急加速の頻度が小さいドライバモデルである。
In the best driver model storage unit 33, for example, an “eco-driver model”, a “safe driving driver model”, and the like are formed for each use / condition database, and each database is best suited to the use / condition. The driver model is stored.
Here, the eco-driver model is, for example, a driver model for driving with good fuel efficiency and low carbon dioxide emission, and the safe driving driver model is for example driving within a speed limit range, sudden braking, This is a driver model with a low frequency of rapid acceleration.

このように、ドライバモデルの用途・条件は、ドライバのニーズに従って各種用意することができる。
また、各用途・条件には、ドライバモデルの優劣を数値化して比較するための数式と基準が設けられている。
例えば、エコドライバモデルでは、搭乗者1人当たりの単位走行距離当たりの燃料消費量を基準とし、安全運転ドライバモデルでは、制限速度と超過する頻度、急ブレーキと急加速の頻度をパラメータとして安全運転度を算出する計算式を定義されておりこれを基準とする。
As described above, various uses and conditions of the driver model can be prepared according to the needs of the driver.
Each application / condition is provided with a mathematical formula and a reference for numerically comparing the superiority and inferiority of the driver model.
For example, the eco-driver model is based on fuel consumption per unit mileage per passenger, and the safe driving driver model uses the speed limit and frequency of excess, and the frequency of sudden braking and acceleration as parameters. The calculation formula for calculating is defined and is based on this.

また、各データベースに格納されている最良ドライバモデルは、同じ用途・条件内でラベルによって区別されている。
このラベルは、車両2の環境にできるだけ近い状況で作成された最良ドライバモデルを車両2に提供するためのものであり、ドライバモデルサーバ3が最良ドライバモデルを作成する際に、当該最良ドライバモデルの作成元となった車両2のデータによって設定したものである。
ドライバモデルサーバ3は、車両2から送信されてきたドライバモデル作成情報を用いて車両2の環境などに適合するラベルの最良ドライバモデルを選択し、車両2に送信する。
The best driver model stored in each database is distinguished by a label within the same use / condition.
This label is for providing the vehicle 2 with the best driver model created in a situation as close as possible to the environment of the vehicle 2, and when the driver model server 3 creates the best driver model, This is set based on the data of the vehicle 2 that is the creation source.
The driver model server 3 uses the driver model creation information transmitted from the vehicle 2 to select the best driver model with a label suitable for the environment of the vehicle 2 and transmits it to the vehicle 2.

図6は、ドライバモデルサーバ3によるドライバモデル作成の概念を示した図である。
サービスサーバ6は、車両2からドライバモデル作成情報を受信すると、受信したデータを車種などのラベル別に振り分け、EMアルゴリズムを適用してドライバモデルを作成する。
そして、用途・条件別に、対応するラベルの最良ドライバモデルとの優劣を比較し、作成したドライバモデルの方が優れている場合には、これによって最良ドライバモデルを更新する。
図の例では、一例として、用途・条件別を「GMMによる低燃費マイスターモデル」、「GMMによるエコドライバモデル」、「GMMによるエコ無関心モデル」を示しているが、図5に示した例や、最速で走行する「最速走行モデル」やスポーティーな走行を楽しむ「スポーツ走行モデル」、高齢者に適した運転操作を提供する「高齢者モデル」、初心者に適した運転操作を提供する「初心者モデル」など、各種のものを用意することができる。
FIG. 6 is a diagram showing the concept of driver model creation by the driver model server 3.
When the service server 6 receives the driver model creation information from the vehicle 2, the service server 6 sorts the received data according to the label such as the vehicle type and applies the EM algorithm to create a driver model.
Then, the superiority and inferiority of the corresponding label with the best driver model of the corresponding label are compared for each application and condition. If the created driver model is superior, the best driver model is updated accordingly.
In the example of the figure, as an example, “low fuel consumption Meister model by GMM”, “eco-driver model by GMM”, and “eco-indifference model by GMM” are shown for each use and condition, but the example shown in FIG. The "fastest driving model" that runs at the highest speed, the "sports driving model" that enjoys sporty driving, the "elderly model" that provides driving operations suitable for the elderly, and the "beginners" that provide driving operations suitable for the beginners Various models such as “model” can be prepared.

図7は、ドライバモデルサーバ3がドライバモデルにラベルを設定する概念を示した図である。
ドライバモデルサーバ3は、車両2の走行情報取得部22、外部環境情報取得部23、周辺環境情報取得部24、車両環境情報取得部25で取得されたデータをドライバモデル作成情報として取得し、車種、走行経路、交通状況、・・・などを用いて各ドライバモデルにラベルを設定する。
このラベルによって、ドライバモデルサーバ3は、車両2と同等の車種、同じ又は同等の走行経路、類似する交通状況にて作成された最良ドライバモデルを選択することができる。
FIG. 7 is a diagram showing a concept that the driver model server 3 sets a label on the driver model.
The driver model server 3 acquires data acquired by the travel information acquisition unit 22, the external environment information acquisition unit 23, the surrounding environment information acquisition unit 24, and the vehicle environment information acquisition unit 25 of the vehicle 2 as driver model creation information. A label is set for each driver model using the driving route, traffic conditions, and so on.
By this label, the driver model server 3 can select the best driver model created in the same vehicle type as the vehicle 2, the same or equivalent travel route, and similar traffic conditions.

ラベルに走行経路を含めると、最良ドライバモデルが走行経路ごとに作成されることになる。
また、走行経路を、交差点単位や、ナビゲーション装置で経路探索に用いるノードなどの区分に分割し、区間ごとに最良ドライバモデルを用意することもできる。
この場合、車両2は、走行する区分が代わるごとに、現在走行している区分の最良ドライバモデルをドライバモデルサーバ3からダウンロードする。
When the travel route is included in the label, the best driver model is created for each travel route.
In addition, it is possible to divide the travel route into sections such as intersection units and nodes used for route search by the navigation device, and prepare the best driver model for each section.
In this case, the vehicle 2 downloads, from the driver model server 3, the best driver model of the currently traveling section every time the traveling section changes.

あるいは、車両2で出発地点と目的地点が設定されている場合、車両2は、ドライバモデルサーバ3から出発地点から目的地点までの区間ごとの最良ドライバモデルを一括してダウンロードしたり、目的地点が設定されていない場合には、車両2周辺の区間のドライバモデルをドライバモデルサーバ3から一括してダウンロードしたりすることもできる。   Alternatively, when the departure point and the destination point are set in the vehicle 2, the vehicle 2 downloads the best driver model for each section from the departure point to the destination point from the driver model server 3, or the destination point is If it is not set, the driver model in the section around the vehicle 2 can be downloaded from the driver model server 3 at once.

また、ドライバは、同じ環境・状況におかれた場合、何れの道路を走行しているかに関わらず、同じ運転操作をすると考えられる。
このため、最良ドライバモデルを走行経路に対応させずに、類似する環境の最良ドライバモデルを車両2に提供するように構成すると、例えば、北海道の最良ドライバの最良ドライバモデルを沖縄のドライバが利用するといったように、全国レベルでの最良ドライバモデルをドライバモデルに提供することができる。
In addition, when the driver is in the same environment / situation, it is considered that the driver performs the same driving operation regardless of which road the vehicle is traveling on.
For this reason, if the best driver model in a similar environment is provided to the vehicle 2 without making the best driver model correspond to the driving route, for example, the best driver model of the best driver in Hokkaido is used by the Okinawa driver. Thus, the best driver model at the national level can be provided to the driver model.

次に、以上のように構成された運転操作支援システム1の動作について説明する。
図8は、運転操作支援システム1が車両2のドライバの運転操作を支援する手順を示したフローチャートである。
以下の車両2の処理は、車両2が搭載した情報処理システム20が行うものである。
まず、ドライバは車両2を起動し、自己特定する情報を車両2に入力する。
これによって、車両2は、ドライバを認識し、当該ドライバの個人ドライバモデルを選択することができるようになる。
また、車両2は、ドライバモデルサーバ3にアクセスし、通信回線を確立し、ドライバモデルサーバ3も車両2と通信回線を確立して車両2を特定する。
Next, the operation of the driving operation support system 1 configured as described above will be described.
FIG. 8 is a flowchart illustrating a procedure in which the driving operation support system 1 supports the driving operation of the driver of the vehicle 2.
The following processing of the vehicle 2 is performed by the information processing system 20 mounted on the vehicle 2.
First, the driver activates the vehicle 2 and inputs self-identifying information to the vehicle 2.
As a result, the vehicle 2 can recognize the driver and select the personal driver model of the driver.
The vehicle 2 accesses the driver model server 3 to establish a communication line, and the driver model server 3 also establishes a communication line with the vehicle 2 to identify the vehicle 2.

ドライバが車両2の運転操作を開始すると、情報処理システム20は、走行情報取得部22、外部環境情報取得部23、周辺環境情報取得部24、車両環境情報取得部25で取得した情報からドライバモデル作成情報を生成し、ドライバモデルサーバ3に対するドライバモデル作成情報の送信を開始する(ステップ5)。
そして、ドライバモデルサーバ3は、車両2からドライバモデル作成情報の受信を開始する(ステップ10)。
以後、車両2は、ドライバモデルサーバ3に対して刻々とドライバモデル作成情報を送信する。
When the driver starts driving operation of the vehicle 2, the information processing system 20 determines the driver model from the information acquired by the travel information acquisition unit 22, the external environment information acquisition unit 23, the surrounding environment information acquisition unit 24, and the vehicle environment information acquisition unit 25. Generation information is generated, and transmission of driver model generation information to the driver model server 3 is started (step 5).
Then, the driver model server 3 starts to receive driver model creation information from the vehicle 2 (step 10).
Thereafter, the vehicle 2 transmits driver model creation information to the driver model server 3 every moment.

次に、ドライバは、情報処理システム20において要求する最良ドライバモデルの用途・条件を、例えば、「エコドライブ」などと指定する。
車両2は、これを受けて、ドライバが指定した用途・条件の最良ドライバモデルをドライバモデルサーバ3に要求する(ステップ15)。
Next, the driver designates the usage / condition of the best driver model requested in the information processing system 20 as, for example, “eco-drive”.
In response to this, the vehicle 2 requests the driver model server 3 for the best driver model for the application / condition specified by the driver (step 15).

ドライバモデルサーバ3は、車両2から最良ドライバモデルの要求を受けると、ドライバが指定した用途・条件のデータベースから、車両2の車種や、車両2の走行している経路、車両2のおかれた環境などに適合するラベルの最良ドライバモデルを選択して車両2に送信する(ステップ20)。   When the driver model server 3 receives a request for the best driver model from the vehicle 2, the model of the vehicle 2, the route on which the vehicle 2 is traveling, and the vehicle 2 are placed from the database of usage / conditions designated by the driver. The best driver model with a label suitable for the environment is selected and transmitted to the vehicle 2 (step 20).

車両2は、ドライバモデルサーバ3から最良ドライバモデルを受信して最良ドライバモデル記憶部27に記憶すると共に、現在の環境に適合する個人ドライバモデルを個人ドライバモデル記憶部28から読み出す。
そして、車両2は、両ドライバモデルを用いて後述のドライバモデル比較処理を行い(ステップ25)、ドライバの運転操作が最良ドライバの運転操作に倣ってより優れた運転操作となるように指示を行う。
The vehicle 2 receives the best driver model from the driver model server 3 and stores it in the best driver model storage unit 27, and reads out an individual driver model suitable for the current environment from the personal driver model storage unit 28.
Then, the vehicle 2 performs a driver model comparison process, which will be described later, using both driver models (step 25), and gives an instruction so that the driving operation of the driver becomes a better driving operation following the driving operation of the best driver. .

このように、車両2(情報処理システム20)は、ドライバモデルサーバ3などの所定のサーバに運転操作の基準となる基準ドライバモデルを要求する基準ドライバモデル要求手段を備えており、当該所定のサーバが送信してきた基準ドライバモデルを取得する。
そして、運転操作の基準となる基準ドライバモデルは、ラベルによって運転者が運転する車両の属性と走行する環境に対応して用意されており、情報処理システム20は、ドライバモデル作成情報を用いて、車両2の属性と走行する環境に対応した基準ドライバモデルを要求している。
As described above, the vehicle 2 (information processing system 20) includes a reference driver model requesting unit that requests a reference driver model as a reference for driving operation from a predetermined server such as the driver model server 3, and the predetermined server. Get the reference driver model sent by.
The reference driver model that serves as a reference for driving operation is prepared according to the attributes of the vehicle driven by the driver and the environment in which the driver drives by the label, and the information processing system 20 uses the driver model creation information, A reference driver model corresponding to the attributes of the vehicle 2 and the driving environment is required.

車両2は、目的地に到達すると、ドライバモデル作成情報送信の終了をドライバモデルサーバ3に通知する(ステップ30)。
ドライバモデルサーバ3は、当該通知を受信すると、車両2から受信したドライバモデル作成情報を用いて後述のドライバモデル作成処理を行う(ステップ35)。
When the vehicle 2 reaches the destination, the vehicle 2 notifies the driver model server 3 of the end of transmission of the driver model creation information (step 30).
When the driver model server 3 receives the notification, the driver model server 3 performs driver model creation processing described later using the driver model creation information received from the vehicle 2 (step 35).

図9は、ステップ25のドライバモデル比較処理を説明するためのフローチャートである。
情報処理システム20は、個人ドライバモデルを個人ドライバモデル記憶部28からRAMの所定領域などに読み込み(ステップ50)、ドライバモデルサーバ3から最良ドライバモデルを受信して最良ドライバモデル記憶部27に記憶する(ステップ55)。
このように、情報処理システム20は、運転者の個人ドライバモデルを取得する個人ドライバモデル取得手段と、運転操作の基準となる基準ドライバモデル(ここでは、最良ドライバモデル)を取得する基準ドライバモデル取得手段を備えている。
FIG. 9 is a flowchart for explaining the driver model comparison processing in step 25.
The information processing system 20 reads the personal driver model from the personal driver model storage unit 28 into a predetermined area of the RAM (step 50), receives the best driver model from the driver model server 3, and stores it in the best driver model storage unit 27. (Step 55).
In this way, the information processing system 20 acquires the personal driver model acquisition means for acquiring the driver's personal driver model, and the reference driver model acquisition for acquiring the reference driver model (here, the best driver model) that serves as a reference for driving operation. Means.

次に、情報処理システム20は、現在の車速や車間距離などの特徴量を取得してこれを個人ドライバモデルに入力し、次に起こりうる事象、即ち、次にドライバが行うであろう運転操作(アクセルペダルの操作やブレーキペダルの操作)を予測する(ステップ60)。
このように、情報処理システム20は、ドライバモデルに入力することにより予測値を計算するためのパラメータ(車速などの特徴量)を取得するパラメータ取得手段と、個人ドライバモデルに当該取得したパラメータを入力して運転者(ドライバ)の運転操作を予測する個人運転操作予測手段を備えている。
Next, the information processing system 20 acquires the feature quantity such as the current vehicle speed and the inter-vehicle distance and inputs it to the personal driver model, and the next possible event, that is, the driving operation that the driver will perform next. (Accelerator pedal operation and brake pedal operation) are predicted (step 60).
In this way, the information processing system 20 inputs parameters obtained by inputting parameters to the driver model (features such as vehicle speed) for calculating a predicted value, and the obtained parameters to the individual driver model. Thus, an individual driving operation prediction means for predicting the driving operation of the driver (driver) is provided.

また、情報処理システム20は、個人ドライバモデルによる予測と共に、最良ドライバモデルに対しても特徴量を入力して、最良ドライバであったら行うであろう運転操作を予測し、これを個人ドライバモデルによる予測値と比較する(ステップ65)。
このように、情報処理システム20は、基準ドライバモデル(最良ドライバモデル)にパラメータを入力して基準となる運転操作を予測する基準運転操作予測手段を備えている。
Also, the information processing system 20 predicts the driving operation that would be performed if the driver was the best driver by inputting the feature quantity to the best driver model together with the prediction based on the individual driver model, and this is predicted based on the individual driver model. The predicted value is compared (step 65).
As described above, the information processing system 20 includes the reference driving operation prediction unit that inputs a parameter to the reference driver model (best driver model) and predicts a reference driving operation.

次に、情報処理システム20は、比較の結果、運転操作に差分が存在するか判断し(ステップ70)、差分が存在する場合、(ステップ70;Y)、情報処理システム20は、その差分を、例えば、スピードメータの指針などによってドライバに報知する(ステップ75)。
この差分があるか否かの判断は、差分が所定の閾値以上である場合には差分があると判断し、所定の閾値未満である場合には差分がないと判断するように構成してもよい。
このように、情報処理システム20は、予測した運転者(ドライバ)の運転操作と予測した基準となる運転操作の差分を出力する差分出力手段を備えている。
Next, the information processing system 20 determines whether there is a difference in the driving operation as a result of the comparison (step 70). If there is a difference (step 70; Y), the information processing system 20 determines the difference. For example, the driver is notified by a speedometer pointer or the like (step 75).
The determination of whether or not there is a difference may be configured such that if there is a difference greater than or equal to a predetermined threshold, it is determined that there is a difference, and if the difference is less than the predetermined threshold, it is determined that there is no difference. Good.
In this manner, the information processing system 20 includes a difference output unit that outputs a difference between the predicted driving operation of the driver (driver) and the predicted driving operation as a reference.

ステップ75で差分を報知した後、及び、ステップ70で差分がない場合、あるいは、所定の閾値未満である場合には(ステップ70;N)、ステップ80に移行し、運転が終了したか否かを判断する(ステップ80)。
運転が終了しない場合(ステップ80;N)、情報処理システム20は、ステップ60に戻り、引き続き個人ドライバモデルと最良ドライバモデルによる比較を継続する。
運転が終了した場合(ステップ80;Y)、情報処理システム20は、ドライバモデル比較処理を終了する。
After notifying the difference in step 75, and if there is no difference in step 70, or if the difference is less than a predetermined threshold (step 70; N), the process proceeds to step 80, and whether or not the operation is completed. Is determined (step 80).
If the driving does not end (step 80; N), the information processing system 20 returns to step 60 and continues the comparison with the individual driver model and the best driver model.
When the driving is finished (step 80; Y), the information processing system 20 finishes the driver model comparison process.

図10は、ステップ35のドライバモデル作成処理を説明するためのフローチャートである。
ドライバモデルサーバ3は、車両2からドライバモデル作成データを刻々と受信し(ステップ100)、これを記憶しておく。
FIG. 10 is a flowchart for explaining the driver model creation processing in step 35.
The driver model server 3 receives driver model creation data from the vehicle 2 every moment (step 100) and stores it.

車両2の走行が終わると、ドライバモデルサーバ3は、記憶したドライバモデル作成データを用いてドライバモデルを作成する(ステップ105)。
なお、本実施の形態では、車両2の走行が終了してからドライバモデルを作成するが、車両2からドライバモデル作成データを受信し、ある程度データが蓄積された段階でドライバモデルを作成してもよい。
When the vehicle 2 finishes traveling, the driver model server 3 creates a driver model using the stored driver model creation data (step 105).
In the present embodiment, the driver model is created after the vehicle 2 has finished traveling. However, the driver model creation data may be received from the vehicle 2 and the driver model may be created when data is accumulated to some extent. Good.

このように、ドライバモデルサーバ3は、通信手段を用いて複数の車両からデータを取得し、当該データを用いてドライバモデルを作成することによりドライバモデルを取得するドライバモデル取得手段を備えている。
また、ドライバモデルサーバ3が、車両2で作成した個人ドライバモデルを受信するように構成する場合、ドライバモデルサーバ3は、通信手段を用いて複数の車両2と通信することにより、車両2のデータに基づく当該車両2の運転者(ドライバ)のドライバモデルを取得するドライバモデル取得手段を備えている。
As described above, the driver model server 3 includes driver model acquisition means for acquiring data from a plurality of vehicles using communication means and acquiring a driver model by creating a driver model using the data.
Further, when the driver model server 3 is configured to receive the personal driver model created by the vehicle 2, the driver model server 3 communicates with the plurality of vehicles 2 using the communication means, so that the data of the vehicle 2 is obtained. Driver model acquisition means for acquiring the driver model of the driver (driver) of the vehicle 2 based on the above.

次に、ドライバモデルサーバ3は、作成したドライバモデルの用途・条件を設定する(110)。
この用途・条件は、例えば、ドライバが要求している最良ドライバモデルの用途・条件と同じとする。
これは、例えば、ドライバがエコドライブの最良ドライバモデルをドライバモデルサーバ3に要求している場合には、ドライバはエコドライブを心がけて運転操作を行うことが期待でき、この結果、車両2から受信するドライバモデル作成情報に適切な用途・条件は、エコドライブとなるからである。
Next, the driver model server 3 sets usage / conditions of the created driver model (110).
This use / condition is, for example, the same as the use / condition of the best driver model requested by the driver.
This is because, for example, when the driver requests the driver model server 3 for the best driver model for eco-driving, the driver can expect driving operation while keeping eco-driving in mind. This is because the appropriate usage and conditions for the driver model creation information to be used are eco-driving.

次に、ドライバモデルサーバ3は、車両2から受信したドライバモデル作成情報を解析し、ドライバモデルに対応するラベルを設定する(ステップ115)。
ここで、ドライバモデルに設定された用途・条件、及びラベルは、ドライバモデルを分類するためのカテゴリとして機能し、ドライバモデルサーバ3は、ドライバモデルの取得元の車両2から当該ドライバモデルをラベルにてカテゴリ別に分類するための分類情報(用途・カテゴリを設定するのに用いるドライバが要求している最良ドライバモデルの用途・条件、ラベルを設定するのに用いるドライバモデル作成情報)を取得する分類情報取得手段を備えている。
Next, the driver model server 3 analyzes the driver model creation information received from the vehicle 2 and sets a label corresponding to the driver model (step 115).
Here, the usage / conditions and label set in the driver model function as a category for classifying the driver model, and the driver model server 3 labels the driver model from the vehicle 2 from which the driver model is obtained. Classification information to obtain classification information (driver model creation information used to set the best driver model usage / conditions requested by the driver used to set the usage / category) An acquisition means is provided.

次に、ドライバモデルサーバ3は、作成したドライバモデルと、当該ドライバモデルに設定した用途・条件、及びラベルに対応する最良ドライバモデルの優劣を判断する(ステップ120)。
この優劣判断は、例えば、用途・条件がエコドライブである場合、単位距離当たりの燃料消費量によって判断するなど、用途・条件に対して設定された所定の条件に基づいて行われる。
このように、ドライバモデルサーバ3は、ドライバモデルの所定基準に基づく優劣を判断する優劣判断手段を備えている。
Next, the driver model server 3 determines the superiority or inferiority of the best driver model corresponding to the created driver model, the use / condition set in the driver model, and the label (step 120).
This superiority or inferiority determination is made based on a predetermined condition set for the application / condition, for example, when the application / condition is eco-drive, the determination is made based on the fuel consumption per unit distance.
As described above, the driver model server 3 includes superiority / inferiority determining means for determining superiority or inferiority based on a predetermined standard of the driver model.

判断の結果、作成したドライバモデルの方が最良ドライバモデルよりも優れている場合(ステップ125;Y)、ドライバモデルサーバ3は、作成したドライバモデルを新たな最良ドライバモデルとし、これを用いて現在記憶している最良ドライバモデルを上書き更新する(ステップ130)。
一方、判断の結果、作成したドライバモデルより最良ドライバモデルの方が優れている場合(ステップ125;N)、ドライバモデルサーバ3は、作成したドライバモデルを破棄し(ステップ135)、最良ドライバモデルの更新は行わない。
As a result of the determination, if the created driver model is superior to the best driver model (step 125; Y), the driver model server 3 sets the created driver model as a new best driver model and uses this as the current best driver model. The stored best driver model is overwritten and updated (step 130).
On the other hand, as a result of the determination, if the best driver model is superior to the created driver model (step 125; N), the driver model server 3 discards the created driver model (step 135) and determines the best driver model. Do not update.

このように、ドライバモデルサーバ3は、優劣判断手段で優れていると判断されたドライバモデルを記憶するドライバモデル記憶手段(最良ドライバモデル記憶部33)と、当該優劣判断手段で、当該記憶したドライバモデルよりも優れていると判断されたドライバモデルがある場合、当該ドライバモデル記憶手段で記憶するドライバモデルを当該優れていると判断されたドライバモデルで更新する更新手段を備えている。
また、ドライバモデルサーバ3は、ドライバモデルの優劣判断をカテゴリ(用途・条件、及びラベル)ごとに判断し、当該カテゴリごとにドライバモデルを記憶し、また、当該カテゴリごとにドライバモデルを更新している。
As described above, the driver model server 3 includes a driver model storage unit (best driver model storage unit 33) that stores a driver model that is determined to be superior by the superiority / inferiority determination unit, and the stored driver by the superiority / inferiority determination unit. When there is a driver model determined to be superior to the model, an update unit is provided to update the driver model stored in the driver model storage unit with the driver model determined to be superior.
In addition, the driver model server 3 determines whether the driver model is superior or inferior for each category (use / condition and label), stores the driver model for each category, and updates the driver model for each category. Yes.

以上のようにして、ドライバモデルサーバ3は、各車両2から送信されてきたドライバモデル作成情報によって、各ドライバのドライバモデルを得ることができ、これを最良ドライバモデルと比較して最良ドライバモデルを更新することにより、常に最良のドライバモデルを車両2に提供することができる。
なお、本実施の形態では、車両2から送信されてきたドライバモデル作成情報をドライバモデルサーバ3が処理してドライバモデルを作成するように構成したが、車両2でドライバモデルを作成し、これをドライバモデルサーバ3に送信するように構成することもできる。
As described above, the driver model server 3 can obtain the driver model of each driver based on the driver model creation information transmitted from each vehicle 2, and compares the best driver model with the best driver model. By updating, it is possible to always provide the vehicle 2 with the best driver model.
In the present embodiment, the driver model creation information transmitted from the vehicle 2 is processed by the driver model server 3 so as to create a driver model. It can also be configured to transmit to the driver model server 3.

次に、車両2が行う運転操作指示の提示例について説明する。
図11(a)は、車両2のメータパネル40の一例を示した図である。
メータパネル40は、スピードメータ41、タコメータ44、アクセル表示47、燃費表示48などを備えている。
Next, a presentation example of a driving operation instruction performed by the vehicle 2 will be described.
FIG. 11A is a diagram illustrating an example of the meter panel 40 of the vehicle 2.
The meter panel 40 includes a speedometer 41, a tachometer 44, an accelerator display 47, a fuel consumption display 48, and the like.

スピードメータ41は、実際の車両2が走行しているスピードを指示する実指針43と、スピードの目標値を指示する目標指針42を備えている。
スピードの目標値は、ドライバが行おうとする運転操作の予測値と最良のドライバが行うであろうと予測した運転操作の予測値の差分を用いて計算されたスピードである。
このようにして、情報処理システム20は、例えば、エコドライブであったら、もう少し速度を落として運転するといったような示唆をドライバに対して行うことができる。
そのため、ドライバは、目標指針42に向けて運転操作を行うことにより最良のドライバの運転操作に倣うことができる。
The speedometer 41 includes an actual pointer 43 that indicates the speed at which the actual vehicle 2 is traveling, and a target pointer 42 that indicates a target value of speed.
The target value of the speed is a speed calculated by using a difference between a predicted value of the driving operation that the driver is going to perform and a predicted value of the driving operation that is predicted to be performed by the best driver.
In this way, the information processing system 20 can make an indication to the driver that, for example, if the vehicle is an eco-drive, the vehicle is driven at a slightly lower speed.
Therefore, the driver can follow the driving operation of the best driver by performing the driving operation toward the target pointer 42.

タコメータ44は、実際の車両2のエンジンの回転数を指示する実指針46と、エンジン回転数の目標値を指示する目標指針45を備えている。
エンジンの回転数の目標値は、ドライバが行おうとする運転操作の予測値と最良のドライバが行うであろうと予測した運転操作の予測値の差分を用いて計算された回転数である。
そのため、ドライバは、目標指針45に向けて運転操作を行うことにより最良のドライバの運転操作に倣うことができる。
The tachometer 44 includes an actual pointer 46 that indicates the actual engine speed of the vehicle 2 and a target pointer 45 that indicates a target value of the engine speed.
The target value of the engine speed is a speed calculated by using a difference between a predicted value of a driving operation to be performed by the driver and a predicted value of a driving operation predicted to be performed by the best driver.
Therefore, the driver can follow the driving operation of the best driver by performing the driving operation toward the target pointer 45.

アクセル表示47は、ユーザにアクセルペダルの踏み過ぎを警告するための表示であって、警告する場合と警告しない場合で表示色が変化する。
情報処理システム20は、ドライバが行おうとするアクセルペダルの踏量と最良のドライバが行おうとするアクセルペダルの踏量を計算し、この差分によって踏み過ぎか否かを判断する。
The accelerator display 47 is a display for warning the user that the accelerator pedal has been depressed too much, and the display color changes depending on whether the warning is given or not.
The information processing system 20 calculates the amount of depression of the accelerator pedal that the driver wants to perform and the amount of depression of the accelerator pedal that the best driver wants to perform, and determines whether or not it is excessively depressed based on this difference.

燃費表示48は、現在の車両2の走行による燃費をバーで表示し、燃費がよいほど長いバーが表示される。
そして、車両2がエコドライブで走行している場合には、燃費の目標値が「エコ」なる表示と共に表示される。
この燃費の目標値は、ドライバが行おうとする運転操作の予測値による燃費と最良のドライバが行うであろうと予測した運転操作の予測値による燃費の差分を用いて計算されたものである。
そのため、ドライバは、目標値に向けて運転操作を行うことにより最良のドライバの運転操作に倣うことができる。
The fuel consumption display 48 displays the current fuel consumption of the vehicle 2 as a bar, and the longer the fuel consumption, the longer the bar.
When the vehicle 2 is traveling on an eco drive, the target value of fuel consumption is displayed together with a display “Eco”.
This target value of fuel consumption is calculated using the difference between the fuel consumption based on the predicted value of the driving operation to be performed by the driver and the fuel consumption based on the predicted value of the driving operation predicted to be performed by the best driver.
Therefore, the driver can follow the driving operation of the best driver by performing the driving operation toward the target value.

図11(b)は、情報処理システム20が行った指示に基づいてドライバが運転操作を行った場合のメータパネル40を示している。
スピードメータ41では、実指針43が目標指針42に一致し、タコメータ44では、実指針46がタコメータ44に一致し、アクセル表示47では警告が解除され、燃費表示48では、現在の燃費と燃費の目標値が一致している。
この状態で、車両2のドライバは、最良ドライバが行うと予測される運転操作と同様に運転操作をしており、このようにしてドライバは最良のドライバと同じ運転操作を行うと共に、最良のドライバの運転操作を習得することができる。
FIG. 11B shows the meter panel 40 when the driver performs a driving operation based on an instruction given by the information processing system 20.
In the speedometer 41, the actual pointer 43 matches the target pointer 42, in the tachometer 44, the actual pointer 46 matches the tachometer 44, the warning is released in the accelerator display 47, and the fuel consumption display 48 shows the current fuel consumption and fuel consumption. The target value matches.
In this state, the driver of the vehicle 2 performs the driving operation in the same manner as the driving operation predicted to be performed by the best driver. In this way, the driver performs the same driving operation as the best driver and the best driver. You can learn how to drive.

以上のように、本実施の形態では、各種の用途・条件の最良ドライバモデルを提供することができるが、近年の地球環境に対する関心の高まりから、主要な用途・条件の1つとしてエコドライブが上げられる。
これは、低燃費車の需要が増えてきていることからも明らかであるが、一層の低燃費化を図るためには、車両側の省エネ技術を推進すると共に、ドライバの運転操作技術についても改善・向上を図ることが重要である。
As described above, this embodiment can provide the best driver model for various applications and conditions. However, due to the recent growing interest in the global environment, eco-driving is one of the major applications and conditions. Raised.
This is evident from the growing demand for fuel-efficient vehicles, but in order to further reduce fuel consumption, we will promote energy-saving technology on the vehicle side and improve driver operation technology.・ It is important to improve.

即ち、車両の低燃費化のうち、車両側の技術により解決できる分に関しては、車両メーカーの努力によって改善することができるが、運転操作の技術・技量に依存する部分については、個々のドライバごとに運転の特性(癖)が異なり、また、道路種類や形状、交通状況などの外部環境や、車体重量や搭乗人数、積載量などのトータル重量などの個別の状況によっても最適なアクセル操作、ブレーキ操作、ステアリング操作などが異なるため自力では改善が困難である。   In other words, the part of vehicle fuel efficiency that can be solved by the technology on the vehicle side can be improved by the efforts of the vehicle manufacturer, but the parts that depend on the technology and skill of the driving operation are Depending on the driving characteristics (癖) and the external environment such as road type, shape and traffic conditions, and the individual conditions such as total weight such as vehicle weight, number of passengers, and loading capacity, the optimum accelerator operation and braking Since operation, steering operation, etc. are different, it is difficult to improve by yourself.

そこで、本実施の形態のように、ある車種に乗車しているドライバの個人ドライバモデルと、同車種をより低燃費で運転するドライバの最良ドライバモデルとを通信ネットワークを介して比較し、その差分を用いてドライバに手本となる運転操作の方法やノウハウを教授することにより、車両のより一層の低燃費化に資することができる。   Therefore, as in the present embodiment, a personal driver model of a driver who is in a certain vehicle type is compared with the best driver model of a driver who drives the same vehicle type with lower fuel consumption through a communication network, and the difference By teaching the driver how to operate and know-how, the vehicle can contribute to further reduction in fuel consumption of the vehicle.

以上に説明した本実施の形態により次のような効果を得ることができる。
(1)情報処理システム20は、個人ドライバモデルと最良ドライバモデルを用いることにより、車両2のドライバが行うと予測される運転操作と、最良のドライバが車両2を運転していた場合に行うと予測される運転操作を比較することができる。
(2)情報処理システム20は、比較の結果、その差分に基づく運転操作指示をドライバモデルに提示することができる。
(3)ドライバは、これから行う運転操作に先立って指示を受けることにより、最良のドライバに倣って運転操作を行うことができる。
The following effects can be obtained by the present embodiment described above.
(1) When the information processing system 20 uses the personal driver model and the best driver model, the driving operation predicted to be performed by the driver of the vehicle 2 and when the best driver is driving the vehicle 2 Predicted driving operations can be compared.
(2) As a result of the comparison, the information processing system 20 can present a driving operation instruction based on the difference to the driver model.
(3) The driver can perform the driving operation in accordance with the best driver by receiving an instruction prior to the driving operation to be performed.

(4)ドライバモデルサーバ3は、各車両2からドライバモデル作成情報を受信して各ドライバのドライバモデルを作成することができる。
(5)ドライバモデルサーバ3は、作成したドライバモデルの優劣を判断し、最も優れているドライバモデルを最良ドライバモデルとすることができる。
(6)ドライバモデルサーバ3は、最良ドライバモデルを用途・条件やラベルによってカテゴリ分けして管理することにより、車両2に最も適した最良ドライバモデルを送信することができる。
(4) The driver model server 3 can receive driver model creation information from each vehicle 2 and create a driver model for each driver.
(5) The driver model server 3 can determine the superiority or inferiority of the created driver model, and can select the best driver model as the best driver model.
(6) The driver model server 3 can transmit the best driver model most suitable for the vehicle 2 by managing the best driver model by categorizing and managing the best driver model according to use / conditions and labels.

また、本実施の形態は、複数の車両と通信する通信手段と、前記通信手段を用いて複数の車両と通信することにより、前記車両のデータに基づく当該車両の運転者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の所定基準に基づく優劣を判断する優劣判断手段と、を具備したことを特徴とするドライバモデル処理装置を提供することができる(第1の構成)。
第1の構成において、前記ドライバモデル取得手段は、前記通信手段を用いて前記複数の車両からデータを取得し、当該データを用いてドライバモデルを作成することによりドライバモデルを取得するように構成することができる(第2の構成)。
第1の構成において、前記ドライバモデル取得手段は、前記通信手段を用いて前記複数の車両からドライバモデルを取得するように構成することができる(第3の構成)。
第1の構成、第2の構成、又は第3の構成において、前記優劣判断手段で優れていると判断されたドライバモデルを記憶するドライバモデル記憶手段と、前記優劣判断手段で、前記記憶したドライバモデルよりも優れていると判断されたドライバモデルがある場合、前記ドライバモデル記憶手段で記憶するドライバモデルを当該優れていると判断されたドライバモデルで更新する更新手段と、を具備するように構成することもできる(第4の構成)。
第1の構成から第4の構成までのうちの何れか1の構成において、ドライバモデルの取得元の車両から前記ドライバモデルをカテゴリ別に分類するための分類情報を取得する分類情報取得手段を具備し、前記優劣判断手段は、前記カテゴリごとにドライバモデルを判断し、前記ドライバモデル記憶手段は、前記カテゴリごとにドライバモデルを記憶し、前記更新手段は、前記カテゴリごとにドライバモデルを更新するように構成することもできる(第5の構成)。
第1の構成から第5の構成までのうちの何れか1の構成において、前記ドライバモデルは、車両走行に伴い検出されるN種類の特徴量の時系列データを学習データとし、N次元空間における各データが存在する確率分布によって規定されているように構成することもできる(第6の構成)。
In the present embodiment, the driver model of the driver of the vehicle based on the data of the vehicle is acquired by communicating with the plurality of vehicles using the communication unit and the communication unit that communicates with the plurality of vehicles. It is possible to provide a driver model processing apparatus comprising a driver model acquisition unit and an superiority / inferiority determination unit that determines superiority or inferiority based on a predetermined criterion of the acquired driver model (first configuration).
In the first configuration, the driver model acquisition unit is configured to acquire data from the plurality of vehicles using the communication unit, and to acquire a driver model by creating a driver model using the data. (Second configuration).
In the first configuration, the driver model acquisition unit may be configured to acquire a driver model from the plurality of vehicles using the communication unit (third configuration).
In the first configuration, the second configuration, or the third configuration, a driver model storage unit that stores a driver model that is determined to be superior by the superiority or inferiority determination unit, and the driver that is stored by the superiority / inferiority determination unit And updating means for updating the driver model stored in the driver model storage means with the driver model determined to be superior when there is a driver model determined to be superior to the model. It is also possible (fourth configuration).
In any one of the configurations from the first configuration to the fourth configuration, classification information acquisition means for acquiring classification information for classifying the driver model by category from the vehicle from which the driver model is acquired is provided. The superiority / inferiority determining means determines a driver model for each category, the driver model storage means stores a driver model for each category, and the updating means updates the driver model for each category. It can also be configured (fifth configuration).
In any one configuration from the first configuration to the fifth configuration, the driver model uses time-series data of N types of feature amounts detected as the vehicle travels as learning data, and in the N-dimensional space It can also be configured so as to be defined by a probability distribution in which each data exists (sixth configuration).

本実施の形態の概要を説明するための図である。It is a figure for demonstrating the outline | summary of this Embodiment. ドライバモデルの概念などを説明するための図である。It is a figure for demonstrating the concept etc. of a driver model. 運転操作支援システムのネットワーク構成を示した図である。It is the figure which showed the network structure of the driving operation assistance system. 情報処理システムの構成を示したブロック図である。It is the block diagram which showed the structure of the information processing system. ドライバモデルサーバの構成を示したブロック図である。It is the block diagram which showed the structure of the driver model server. ドライバモデル作成の概念を示した図である。It is the figure which showed the concept of driver model creation. ドライバモデルにラベルを設定する概念を示した図である。It is the figure which showed the concept which sets a label to a driver model. 運転操作支援システムが運転操作を支援する手順を示したフローチャートである。It is the flowchart which showed the procedure in which a driving operation assistance system supports driving operation. ドライバモデル比較処理を説明するためのフローチャートである。It is a flowchart for demonstrating a driver model comparison process. ドライバモデル作成処理を説明するためのフローチャートである。It is a flowchart for demonstrating a driver model creation process. 運転操作指示の提示例について説明するための図である。It is a figure for demonstrating the example of presentation of a driving operation instruction | indication.

符号の説明Explanation of symbols

1 運転操作支援システム
2 車両
3 ドライバモデルサーバ
20 情報処理システム
21 情報処理部
22 走行情報取得部
23 外部環境情報取得部
24 周辺環境情報取得部
25 車両環境情報取得部
26 通信部
27 最良ドライバモデル記憶部
28 個人ドライバモデル記憶部
31 通信部
32 情報処理部
33 最良ドライバモデル記憶部
40 メータパネル
41 スピードメータ
42 目標指針
43 実指針
44 タコメータ
45 目標指針
46 実指針
47 アクセル表示
48 燃費表示
DESCRIPTION OF SYMBOLS 1 Driving operation support system 2 Vehicle 3 Driver model server 20 Information processing system 21 Information processing part 22 Running information acquisition part 23 External environment information acquisition part 24 Ambient environment information acquisition part 25 Vehicle environment information acquisition part 26 Communication part 27 Best driver model memory | storage Unit 28 personal driver model storage unit 31 communication unit 32 information processing unit 33 best driver model storage unit 40 meter panel 41 speedometer 42 target pointer 43 actual pointer 44 tachometer 45 target pointer 46 actual pointer 47 accelerator display 48 fuel consumption display

Claims (4)

ドライバモデルに入力することにより予測値を計算するためのパラメータを取得するパラメータ取得手段と、
運転者の個人ドライバモデルを取得する個人ドライバモデル取得手段と、
基準となる基準ドライバモデルを取得する基準ドライバモデル取得手段と、
前記取得した個人ドライバモデルに前記取得したパラメータを入力して前記運転者の運転操作を予測する個人運転操作予測手段と、
前記取得した基準ドライバモデルに前記取得したパラメータを入力して基準となる運転操作を予測する基準運転操作予測手段と、
前記予測した前記運転者の運転操作と前記予測した基準となる運転操作の差分を出力する差分出力手段と、
を具備したことを特徴とする運転操作支援装置。
Parameter acquisition means for acquiring a parameter for calculating a predicted value by inputting to the driver model;
Personal driver model acquisition means for acquiring a driver's personal driver model;
A reference driver model acquisition means for acquiring a reference driver model as a reference;
Personal driving operation prediction means for predicting the driving operation of the driver by inputting the acquired parameter to the acquired personal driver model;
Reference driving operation prediction means for inputting the acquired parameter to the acquired reference driver model and predicting a driving operation as a reference;
A difference output means for outputting a difference between the predicted driving operation of the driver and the predicted driving operation as a reference;
A driving operation support apparatus comprising:
所定のサーバに基準ドライバモデルを要求する基準ドライバモデル要求手段を具備し、
前記基準ドライバモデル取得手段は、前記所定のサーバが送信してきた基準ドライバモデルを取得することを特徴とする請求項1に記載の運転操作支援装置。
Comprising a reference driver model requesting means for requesting a reference driver model from a predetermined server;
The driving operation support apparatus according to claim 1, wherein the reference driver model acquisition unit acquires a reference driver model transmitted from the predetermined server.
基準ドライバモデルは、前記運転者が運転する車両の属性と走行する環境に対応して用意されており、前記基準ドライバモデル要求手段は、前記車両の属性と走行する環境に対応した基準ドライバモデルを要求することを特徴とする請求項2に記載の運転操作支援装置。   The reference driver model is prepared corresponding to the attribute of the vehicle driven by the driver and the driving environment, and the reference driver model requesting means determines the reference driver model corresponding to the attribute of the vehicle and the driving environment. The driving operation support device according to claim 2, wherein the driving operation support device is requested. 前記個人ドライバモデルと、前記基準ドライバモデルは、車両走行に伴い検出されるN種類の特徴量の時系列データを学習データとし、N次元空間における各データが存在する確率分布によって規定されていることを特徴とする請求項1、請求項2、又は請求項3に記載の運転操作支援装置。   The personal driver model and the reference driver model are defined by a probability distribution in which time series data of N types of feature amounts detected as the vehicle travels is used as learning data and each data in the N-dimensional space exists. The driving operation support device according to claim 1, wherein the driving operation support device is characterized by the following.
JP2008083690A 2008-03-27 2008-03-27 Driving operation support device Pending JP2009234442A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2008083690A JP2009234442A (en) 2008-03-27 2008-03-27 Driving operation support device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2008083690A JP2009234442A (en) 2008-03-27 2008-03-27 Driving operation support device

Publications (1)

Publication Number Publication Date
JP2009234442A true JP2009234442A (en) 2009-10-15

Family

ID=41248943

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2008083690A Pending JP2009234442A (en) 2008-03-27 2008-03-27 Driving operation support device

Country Status (1)

Country Link
JP (1) JP2009234442A (en)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012073745A1 (en) * 2010-11-30 2012-06-07 トヨタ自動車株式会社 Target status determination device for movable object, and program
WO2015159341A1 (en) * 2014-04-14 2015-10-22 三菱電機株式会社 Driving assistance device and driving assistance method
JP2016536220A (en) * 2013-12-11 2016-11-24 インテル コーポレイション Computerized assistance or autonomous driving of vehicles adapted to individual driving preferences
JP2016216021A (en) * 2015-04-21 2016-12-22 パナソニックIpマネジメント株式会社 Driving support method, and driving support device, automatic driving control device, vehicle and program utilizing the same
WO2017081851A1 (en) * 2015-11-12 2017-05-18 パナソニックIpマネジメント株式会社 Driving improvement detection device and driving improvement detection system
JP2018027776A (en) * 2016-08-16 2018-02-22 トヨタ自動車株式会社 Individualized adaptation of driver action prediction models
KR101911293B1 (en) * 2016-05-12 2018-10-24 엘지전자 주식회사 Control device for a vehhicle
CN109515441A (en) * 2017-09-19 2019-03-26 上汽通用汽车有限公司 Vehicle speed control system for intelligent driving vehicle
JP2019074849A (en) * 2017-10-13 2019-05-16 株式会社デンソー Drive data analyzer
WO2019142484A1 (en) 2018-01-16 2019-07-25 株式会社日立製作所 Fault diagnosis support device
US10611379B2 (en) 2016-08-16 2020-04-07 Toyota Jidosha Kabushiki Kaisha Integrative cognition of driver behavior
US10627813B2 (en) 2015-04-21 2020-04-21 Panasonic Intellectual Property Management Co., Ltd. Information processing system, information processing method, and program
WO2020023746A3 (en) * 2018-07-25 2020-04-30 Continental Powertrain USA, LLC Driver behavior learning and driving coach strategy using artificial intelligence
CN111091192A (en) * 2018-10-23 2020-05-01 大众汽车有限公司 Method, device, central device and system for identifying distribution shift
US10759446B2 (en) 2015-04-21 2020-09-01 Panasonic Intellectual Property Management Co., Ltd. Information processing system, information processing method, and program
US11120353B2 (en) 2016-08-16 2021-09-14 Toyota Jidosha Kabushiki Kaisha Efficient driver action prediction system based on temporal fusion of sensor data using deep (bidirectional) recurrent neural network

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007008203A (en) * 2005-06-28 2007-01-18 Aisin Aw Co Ltd Vehicle control auxiliary device and vehicle control auxiliary method
JP2007125959A (en) * 2005-11-02 2007-05-24 Nissan Motor Co Ltd Steering device for vehicle
JP2007272834A (en) * 2006-03-31 2007-10-18 Equos Research Co Ltd Driver model creation device, drive support device, and drive behavior determination device

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007008203A (en) * 2005-06-28 2007-01-18 Aisin Aw Co Ltd Vehicle control auxiliary device and vehicle control auxiliary method
JP2007125959A (en) * 2005-11-02 2007-05-24 Nissan Motor Co Ltd Steering device for vehicle
JP2007272834A (en) * 2006-03-31 2007-10-18 Equos Research Co Ltd Driver model creation device, drive support device, and drive behavior determination device

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012118741A (en) * 2010-11-30 2012-06-21 Toyota Central R&D Labs Inc Target state determination device for movable object and program
CN103250196A (en) * 2010-11-30 2013-08-14 丰田自动车株式会社 Target status determination device for movable object, and program
KR101512428B1 (en) 2010-11-30 2015-04-16 도요타 지도샤(주) Target status determination device for movable object, and method
US9132775B2 (en) 2010-11-30 2015-09-15 Toyota Jidosha Kabushiki Kaisha Mobile object target state determination device and program
WO2012073745A1 (en) * 2010-11-30 2012-06-07 トヨタ自動車株式会社 Target status determination device for movable object, and program
JP2016536220A (en) * 2013-12-11 2016-11-24 インテル コーポレイション Computerized assistance or autonomous driving of vehicles adapted to individual driving preferences
US9919717B2 (en) 2014-04-14 2018-03-20 Mitsubishi Electric Corporation Driving assistance device and driving assistance method
CN106232443A (en) * 2014-04-14 2016-12-14 三菱电机株式会社 Drive supporting device and driving support method
JPWO2015159341A1 (en) * 2014-04-14 2017-04-13 三菱電機株式会社 Driving support device and driving support method
WO2015159341A1 (en) * 2014-04-14 2015-10-22 三菱電機株式会社 Driving assistance device and driving assistance method
JP2016216021A (en) * 2015-04-21 2016-12-22 パナソニックIpマネジメント株式会社 Driving support method, and driving support device, automatic driving control device, vehicle and program utilizing the same
US10627813B2 (en) 2015-04-21 2020-04-21 Panasonic Intellectual Property Management Co., Ltd. Information processing system, information processing method, and program
US10759446B2 (en) 2015-04-21 2020-09-01 Panasonic Intellectual Property Management Co., Ltd. Information processing system, information processing method, and program
WO2017081851A1 (en) * 2015-11-12 2017-05-18 パナソニックIpマネジメント株式会社 Driving improvement detection device and driving improvement detection system
KR101911293B1 (en) * 2016-05-12 2018-10-24 엘지전자 주식회사 Control device for a vehhicle
US10315657B2 (en) 2016-05-12 2019-06-11 Lg Electronics Inc. Vehicle control device
JP2018027776A (en) * 2016-08-16 2018-02-22 トヨタ自動車株式会社 Individualized adaptation of driver action prediction models
US11120353B2 (en) 2016-08-16 2021-09-14 Toyota Jidosha Kabushiki Kaisha Efficient driver action prediction system based on temporal fusion of sensor data using deep (bidirectional) recurrent neural network
US10611379B2 (en) 2016-08-16 2020-04-07 Toyota Jidosha Kabushiki Kaisha Integrative cognition of driver behavior
CN109515441A (en) * 2017-09-19 2019-03-26 上汽通用汽车有限公司 Vehicle speed control system for intelligent driving vehicle
CN109515441B (en) * 2017-09-19 2020-08-21 上汽通用汽车有限公司 Vehicle speed control system for intelligent driving vehicle
JP2019074849A (en) * 2017-10-13 2019-05-16 株式会社デンソー Drive data analyzer
JP7053213B2 (en) 2017-10-13 2022-04-12 株式会社デンソー Operation data analysis device
WO2019142484A1 (en) 2018-01-16 2019-07-25 株式会社日立製作所 Fault diagnosis support device
EP3741626A1 (en) * 2018-01-16 2020-11-25 Hitachi, Ltd. Fault diagnosis support device
EP3741626A4 (en) * 2018-01-16 2021-10-27 Hitachi, Ltd. Fault diagnosis support device
US11769355B2 (en) 2018-01-16 2023-09-26 Hitachi, Ltd. Fault diagnosis support device
WO2020023746A3 (en) * 2018-07-25 2020-04-30 Continental Powertrain USA, LLC Driver behavior learning and driving coach strategy using artificial intelligence
CN113165665A (en) * 2018-07-25 2021-07-23 纬湃科技美国有限责任公司 Driver behavior learning and driving coaching strategies using artificial intelligence
CN111091192A (en) * 2018-10-23 2020-05-01 大众汽车有限公司 Method, device, central device and system for identifying distribution shift
CN111091192B (en) * 2018-10-23 2023-09-05 大众汽车有限公司 Method, apparatus, central device and system for identifying distribution shifts

Similar Documents

Publication Publication Date Title
JP5051542B2 (en) Driver model processor
JP2009234442A (en) Driving operation support device
US11176845B2 (en) Adaptive analysis of driver behavior
JP5375805B2 (en) Driving support system and driving support management center
CN106767874B (en) Method and apparatus for group-aware fuel consumption prediction and cost estimation in a vehicle navigation system
JP4781104B2 (en) Driving action estimation device and driving support device
RU2683902C2 (en) Vehicle, method and system for scheduling vehicle modes using the studied user&#39;s preferences
US10346888B2 (en) Systems and methods to obtain passenger feedback in response to autonomous vehicle driving events
US9898936B2 (en) Recording, monitoring, and analyzing driver behavior
CN111439250B (en) Technique for assisting a vehicle in the event of a change in road conditions
EP2387698B1 (en) Method for creating speed profiles for digital maps
US9081651B2 (en) Route navigation with optimal speed profile
US20220187087A1 (en) Systems and methods for predicting fuel consumption efficiency
JP4997011B2 (en) Automotive fuel consumption estimation system, route search system, and driving guidance system
CN103364006B (en) For determining the system and method for vehicle route
CN102171534B (en) Fuel efficient routing
US8560216B1 (en) Method and apparatus to provide guidance to a vehicle based on vehicle characteristics
US20140032087A1 (en) Reducing fuel consumption by accommodating to anticipated road and driving conditions
US20220204043A1 (en) Autonomous driving pattern profile
EP4127608A1 (en) Vehicle efficiency prediction and control
Grubwinkler et al. A modular and dynamic approach to predict the energy consumption of electric vehicles
JP4919172B2 (en) Vehicle guidance device
EP4138057B1 (en) Method of selecting a route for recording vehicle
US20240193626A1 (en) Vehicle Activity Clustering and Electric Charging Station Prediction Generation
Sciarretta et al. Eco-Driving Practical Implementation

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20100225

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20120208

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20120330

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20120928