JP2011053798A - Driving environment determination device, driving situation estimation device and driving support device - Google Patents
Driving environment determination device, driving situation estimation device and driving support device Download PDFInfo
- Publication number
- JP2011053798A JP2011053798A JP2009200369A JP2009200369A JP2011053798A JP 2011053798 A JP2011053798 A JP 2011053798A JP 2009200369 A JP2009200369 A JP 2009200369A JP 2009200369 A JP2009200369 A JP 2009200369A JP 2011053798 A JP2011053798 A JP 2011053798A
- Authority
- JP
- Japan
- Prior art keywords
- driving
- estimation
- driver
- vehicle
- data
- 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.)
- Granted
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
Description
本発明は、ドライバの運転支援に使用される装置に関する。 The present invention relates to an apparatus used for driving assistance of a driver.
近年、車両の運転環境（道路種別や天候等）やドライバの運転状況（車速，車間距離等）を推定し、その運転環境や運転状況に応じた運転支援を実行するシステムについて各種検討が行われている。 In recent years, various studies have been conducted on systems that estimate the driving environment (road type, weather, etc.) of a vehicle and the driving situation (vehicle speed, distance between vehicles, etc.) of a driver and perform driving support in accordance with the driving environment and driving conditions. ing.
例えば、車間距離が予め設定された閾値以下となった場合に、警報を発生させる装置が知られているが、その閾値の最適値は、ドライバ毎に様々に異なったものとなるだけでなく、同じドライバであっても、運転環境が異なれば変化する。 For example, when an inter-vehicle distance is equal to or less than a preset threshold, a device that generates an alarm is known, but the optimal value of the threshold is not only different for each driver, Even if it is the same driver, it changes if the driving environment is different.
そこで、車両の走行状況を、走行の難易の度合いによって類別化することが提案されている（例えば、特許文献１参照）。
この特許文献１には、走行状況の類別化の方法として、具体的には、（１）車速及び車速の一定時間内での変化量をパラメータとする方法、 （２）（１）に加えファジィ空間を用いて類別化する方法、（３）一定時間内において抽出した定速走行時の車速と、その車速で走行した時間により定義した走行状況判定値をパラメータとする方法、（４）一定時間内での走行距離、最高車速及び最低車速により定義した走行状況判定値をパラメータとする方法が挙げられている。また、類別としては、高速道路走行、市街地走行、渋滞時走行が例示されている。
Therefore, it has been proposed to classify the traveling state of the vehicle according to the degree of difficulty of traveling (see, for example, Patent Document 1).
Specifically, this Patent Document 1 describes, as a method of categorizing traveling conditions, specifically, (1) a method using a vehicle speed and a change amount of the vehicle speed within a certain time as a parameter, and (2) fuzzy in addition to (1). A method of categorizing using space, (3) a method using as parameters the vehicle speed at constant speed extracted within a certain period of time and a running condition determination value defined by the time of traveling at that vehicle speed, and (4) a certain period of time There is a method in which a travel condition determination value defined by a travel distance, a maximum vehicle speed, and a minimum vehicle speed is used as a parameter. Moreover, as a classification, highway driving | running | working, a city area driving | running | working, and driving | running | working at the time of traffic congestion are illustrated.
ところで、市街地走行といっても、それに該当する道路は様々であり、走行している道路種別によって、運転の仕方は異なったものとなる。例えば、同じ６０ｋｍ／ｈ規制になっている一般道の中には、中央分離帯を持つ複数車線道路やガードレール等で明確に歩道との分離がなされている地域高規格道路のような重要道路もあれば、中央分離帯やガードレールのない道路もあり、両道路での運転を比較すると、車間距離の取り方や、それに伴うステアリングやブレーキの操作タイミングや操作量，操作頻度等が大きく異なったものとなる。 By the way, even if it is referred to as urban driving, there are various roads corresponding to it, and the driving method differs depending on the type of road on which the vehicle is traveling. For example, some general roads that have the same 60 km / h regulation include important roads such as multi-lane roads with a central separation zone and regional high-standard roads that are clearly separated from sidewalks by guardrails, etc. If there are roads without a median or guardrail, if you compare the driving on both roads, the method of obtaining the inter-vehicle distance, the operation timing and operation amount of the steering and brakes, the operation frequency, etc. are greatly different It becomes.
従って、上記従来装置の手法のように、速度に関するパラメータを用いるだけでは、運転環境の的確な識別、ひいてはドライバの感覚にあった的確な運転支援を行うことができないという問題があった。 Accordingly, there has been a problem that, as in the above-described conventional device method, it is not possible to accurately identify the driving environment, and thus to provide accurate driving support suitable for the driver's sense, only by using the parameter relating to the speed.
本発明は、上記問題点を解決するために、ドライバに応じた運転支援をより的確に行うことができるようにすることを目的とする。 In order to solve the above-described problems, an object of the present invention is to enable more accurate driving support according to a driver.
上記目的を達成するためになされた本発明の運転環境判定装置では、検出データ取得手段が、車両の挙動を表す挙動データ及びドライバの操作を表す操作データからなる検出データを取得し、環境判定手段が、検出データ取得手段により取得された検出データに基づいて、車両の運転環境を判定する。 In the driving environment determination device of the present invention made to achieve the above object, the detection data acquisition means acquires detection data consisting of behavior data representing the behavior of the vehicle and operation data representing the operation of the driver, and the environment determination means. However, the driving environment of the vehicle is determined based on the detection data acquired by the detection data acquisition means.
このとき、環境判定手段は、様々な運転環境にて取得された検出データをクラスタリングすることで予め生成され、それぞれが異なった運転環境に対応する複数のクラスタからなるクラスタ分布を使用し、検出データ取得手段にて逐次取得される検出データをクラスタ分布と照合することによって運転環境を判定する。 At this time, the environment determination means uses a cluster distribution that is generated in advance by clustering detection data acquired in various driving environments, each of which includes a plurality of clusters corresponding to different driving environments. The operating environment is determined by collating the detection data sequentially acquired by the acquisition means with the cluster distribution.
このように構成された本発明の運転環境判定装置によれば、車両の挙動だけでなく、ドライバの操作も、運転環境の判定の基準となるクラスタ分布の作成に用いられているため、ドライバの感覚にあった運転環境の判定を行うことができ、ひいてはドライバの感覚にあった的確な運転支援を行うことができる。 According to the driving environment determination device of the present invention configured as described above, not only the behavior of the vehicle but also the operation of the driver is used to create a cluster distribution that serves as a reference for determining the driving environment. The driving environment suited to the sense can be determined, and as a result, accurate driving assistance suited to the driver's sense can be performed.
なお、本発明において、環境判定手段は、検出データ取得手段によって連続的に検出された一定量の検出データを用いて判定を行うことが望ましい。
即ち、運転環境は、短い時間間隔で目まぐるしく変化するものではないため、ある一定期間内での検出データの傾向から判定を行うことによって、判定精度を向上させることができる。
In the present invention, it is desirable that the environment determination unit performs the determination using a certain amount of detection data continuously detected by the detection data acquisition unit.
In other words, since the driving environment does not change rapidly at short time intervals, determination accuracy can be improved by performing determination based on the tendency of detected data within a certain period.
また、本発明の運転環境判定装置は、環境判定手段が判定する運転環境以外に、クラスタの分布を変化させる要因に関する分布選択情報を取得する分布選択情報取得手段を備え、クラスタ分布が、要因毎に用意されていると共に、環境判定手段は、分布選択情報取得手段が取得した分布選択情報に基づき、判定に使用するクラスタ分布を切り換えるように構成されていてもよい。 In addition to the driving environment determined by the environment determination means, the driving environment determination device of the present invention includes distribution selection information acquisition means for acquiring distribution selection information related to factors that change the distribution of clusters, and the cluster distribution is determined for each factor. And the environment determination means may be configured to switch the cluster distribution used for the determination based on the distribution selection information acquired by the distribution selection information acquisition means.
即ち、大雨や積雪は、ドライバの運転操作に確実に大きな影響を与えるため、このような要因が存在する時には、専用の別のクラスタ分布を用意することによって、運転環境の判定精度をより向上させることができる。 In other words, heavy rain and snow will surely have a large impact on the driving operation of the driver. Therefore, when such factors exist, the determination accuracy of the driving environment is further improved by preparing a separate dedicated cluster distribution. be able to.
なお、分布選択情報取得手段が取得する分布選択情報は、天気情報，時間帯情報，ドライバの識別情報のうち、少なくとも一つを含んでいることが望ましい。
次に、本発明の運転状況推定装置は、請求項１乃至請求項４のいずれかに記載の運転環判定装置を備えると共に、環境判定装置での判定結果の種類毎に用意され、ドライバの運転傾向をモデル化した推定モデルを記憶するモデル記憶手段を備えている。
It is desirable that the distribution selection information acquired by the distribution selection information acquisition means includes at least one of weather information, time zone information, and driver identification information.
Next, a driving situation estimation device according to the present invention includes the driving ring determination device according to any one of claims 1 to 4 and is prepared for each type of determination result in the environment determination device. Model storage means for storing an estimated model obtained by modeling a tendency is provided.
そして、学習手段が、検出データ取得手段にて取得された検出データに基づいて推定モデルを学習し、選択手段が、運転環境判定装置での判定結果に従って推定モデルを選択し、推定手段が、選択手段にて選択された推定モデルを用い、検出データに基づいてドライバの運転状況を推定する。 The learning unit learns the estimation model based on the detection data acquired by the detection data acquisition unit, the selection unit selects the estimation model according to the determination result in the driving environment determination device, and the estimation unit selects Using the estimation model selected by the means, the driving situation of the driver is estimated based on the detection data.
このように構成された本発明の運転状況推定装置では、環境判定装置での判定結果の種類（即ち、判定可能な運転環境）毎に用意され学習された推定モデルを用いて、運転状況を推定するため、運転環境の影響を受けることなく運転状況を精度よく推定することができる。 In the driving situation estimation apparatus of the present invention configured as described above, the driving situation is estimated using an estimated model prepared and learned for each type of judgment result (that is, a judgmentable driving environment) in the environment judgment apparatus. Therefore, the driving situation can be accurately estimated without being affected by the driving environment.
なお、ここで言う運転状況とは、少なくとも、普段の運転からの逸脱状況や、運転行動の種類（例えば、ブレーキ操作やステアリング操作等の意図）を含むものとする。
そして、本発明の運転状況推定装置は、例えば、検出データに、自車速及び先行車との車間距離が少なくとも含まれている場合、学習手段は、自車速と車間距離に関わる車間パラメータとの関係に基づいて、自車速から車間パラメータの目標値を推定するための推定モデルを生成し、推定手段は、自車速と推定モデルとによって設定された目標値と車間パラメータの実測値との差から運転状況を推定するように構成されていてもよい。
Note that the driving situation referred to here includes at least a deviation situation from normal driving and a type of driving action (for example, intentions such as a brake operation and a steering operation).
And the driving | running condition estimation apparatus of this invention, for example, when the detection data contains at least the own vehicle speed and the inter-vehicle distance with the preceding vehicle, the learning means is the relationship between the own vehicle speed and the inter-vehicle parameter related to the inter-vehicle distance. Based on the vehicle speed, an estimation model for estimating the target value of the inter-vehicle parameter is generated, and the estimation means operates from the difference between the target value set by the host vehicle speed and the estimation model and the actual value of the inter-vehicle parameter. It may be configured to estimate the situation.
また、この場合、学習手段は、自車速と車間パラメータとの関係を表すグラフに対して、ＯＣＳＶＭ（One-Class Support Vector Machine）を用いることで求められる回帰式を、推定モデルとしてもよい。 In this case, the learning means may use, as an estimation model, a regression equation obtained by using OCSVM (One-Class Support Vector Machine) for a graph representing the relationship between the vehicle speed and the inter-vehicle parameter.
なお、ＯＣＳＶＭは、予め設定された割合のデータをアウトライア（異常値）として除去する仕組みを有しているため、学習された推定モデル（回帰式）によって得られる目標値は、受容性の高いものとなる。 In addition, since OCSVM has a mechanism for removing data of a preset ratio as an outlier (abnormal value), the target value obtained by the learned estimation model (regression equation) is highly receptive. It will be a thing.
即ち、アウトライアは不注意等により、意図せず車間距離が縮まってしまった時などに現れやすく、これを含んだデータで車間距離の学習を行うと、実際の普段の車間距離より短めの距離が目標値として設定され目標値の受容性が低下するため、これを除去することで受容性の高い結果を得ることができるのである。 In other words, outliers tend to appear when the distance between vehicles is unintentionally shortened due to carelessness, etc.When learning the distance between vehicles using this data, the distance is shorter than the actual normal distance between vehicles. Is set as a target value, and the acceptability of the target value is lowered. Therefore, by removing this, a highly acceptable result can be obtained.
このように本発明の運転状況推定装置によれば、ＯＣＳＶＭを用いた学習では、アウトライアの要因に対応するパラメータを考慮する必要がないため、推定モデルの生成に用いるパラメータ数を必要最小限に抑えることができる。その結果、学習手段の処理や、推定モデルの生成に必要なデータを記憶する記憶装置の容量を少なく抑えることができ、装置を安価に構成することができる。 As described above, according to the driving state estimation apparatus of the present invention, it is not necessary to consider the parameter corresponding to the outlier factor in learning using the OCSVM, so the number of parameters used for generating the estimation model is minimized. Can be suppressed. As a result, the capacity of the storage device that stores data necessary for processing of the learning means and generation of the estimation model can be reduced, and the device can be configured at low cost.
また、本発明の運転状況推定装置は、例えば、検出データに、ブレーキ操作量が少なくとも含まれている場合、学習手段は、ある時刻でのブレーキ操作量、及びブレーキ操作が開始されてからのその時刻に至るブレーキ操作量の積分値からなる２次元の運転データの状態遷移に基づいて、運転データからドライバのブレーキ意図を推定するための推定モデルを生成し、推定手段は、運転データと推定モデルとによって推定されたブレーキ意図を運転状況の推定結果とするように構成されていてもよい。 In the driving state estimation device according to the present invention, for example, when the detection data includes at least a brake operation amount, the learning unit calculates the brake operation amount at a certain time and the brake operation amount after the brake operation is started. An estimation model for estimating the driver's brake intention is generated from the driving data based on the state transition of the two-dimensional driving data including the integrated value of the brake operation amount up to the time, and the estimation means includes the driving data and the estimation model. The braking intention estimated by the above may be configured to be the estimation result of the driving situation.
この場合、学習手段は、例えば、運転データをクラス分けすると共に、ブレーキの踏み始めから踏み終わりまでを一つのトライアルとして、トライアルの中で最も多くの運転データが属するクラスを、ブレーキ意図の一つを表すトライアルの教師ラベルとし、同一のトライアルを構成する運転データが、クラス間を遷移する確率をＨＭＭ（Hidden Markov Model）を用いて学習するように構成されていてもよい。 In this case, for example, the learning means classifies the driving data and classifies the class to which the most driving data in the trial belongs as one of the brake intentions, from the start to the end of the brake as one trial. May be configured such that the operation data constituting the same trial learns the probability of transition between classes using an HMM (Hidden Markov Model).
また、運転データのクラス分けは、例えば、様々な運転状況で測定した運転データをクラスタリングすることによって予め設定され、それぞれが異なった運転状況に対応した複数のクラスタとの照合により行ってもよい。 Further, the classification of the operation data may be performed by collating with a plurality of clusters that are set in advance by clustering operation data measured in various operation situations, and each correspond to a different operation situation.
次に、本発明の運転支援装置は、請求項５乃至請求項１０のいずれかに記載の運転状況推定装置を備え、支援実行手段が、推定手段での推定結果に応じた運転支援を選択して実行する。 Next, a driving support device according to the present invention includes the driving situation estimation device according to any one of claims 5 to 10, wherein the support execution unit selects driving support according to the estimation result of the estimation unit. And execute.
このように構成された本発明の運転支援装置によれば、運転環境の判定，運転状況の推定が精度よく行われるため、ドライバの感覚に合った的確な運転支援を実行することができる。 According to the driving support device of the present invention configured as described above, since the determination of the driving environment and the estimation of the driving situation are performed with high accuracy, it is possible to execute accurate driving support that matches the feeling of the driver.
なお、本発明の運転支援装置が、学習手段にて学習された推定モデルの履歴を記憶する履歴記憶手段を備えている場合、支援実行手段は、履歴記憶手段に記憶された推定モデルの変化に応じて運転支援の内容を決定してもよい。 When the driving support apparatus of the present invention includes a history storage unit that stores the history of the estimated model learned by the learning unit, the support execution unit changes the estimated model stored in the history storage unit. The content of driving assistance may be determined accordingly.
また、本発明の運転支援装置が多数のドライバの平均的な推定モデルである標準モデルを記憶する標準モデル記憶手段を備えている場合、支援実行手段は、標準推定モデルに対する学習手段にて学習された推定モデルの逸脱度に応じて運転支援の内容を決定してもよい。 Further, when the driving support apparatus of the present invention includes a standard model storage unit that stores a standard model that is an average estimation model of a large number of drivers, the support execution unit is learned by a learning unit for the standard estimation model. The content of driving support may be determined according to the degree of deviation of the estimated model.
以下に本発明の実施形態を図面と共に説明する。
［第１実施形態］
図１は、車両に搭載され、自車速に応じて設定される目標値（目標車間距離，目標衝突余裕時間）に基づいてドライバの運転状況を推定し、その運転状況に応じた運転支援を行う運転支援装置１の全体構成を示すブロック図である。
Embodiments of the present invention will be described below with reference to the drawings.
[First Embodiment]
FIG. 1 shows a driver's driving situation based on a target value (target distance between vehicles, target collision margin time) that is mounted on a vehicle and is set according to the vehicle speed, and performs driving support according to the driving situation. 1 is a block diagram illustrating an overall configuration of a driving support device 1. FIG.
＜全体構成＞
図１に示すように、運転支援装置１は、車両の挙動を検出する挙動検出センサ群２と、ドライバによる運転操作を検出する操作検出センサ群３と、地図データやＶＩＣＳ等により車外から取得した各種情報に基づいて経路設定や経路案内等を実行すると共に、それらの処理に使用される情報の一部を他の車載装置に提供するナビゲーション装置４と、ドライバを識別しその識別結果を表す識別情報ＩＤを他の車載装置に提供するドライバ識別装置５と、挙動検出センサ群２，操作検出センサ群３，ナビゲーション装置４，ドライバ識別装置５から取得する各種情報に基づいて、ドライバによる運転の状況を推定する運転状況推定装置６と、運転状況推定装置６にて運転状況を推定する際に設定される目標値を、ドライバが修正するための目標値修正装置７と、運転状況推定装置６での推定結果に基づいて、運転支援の内容を選択して実行する支援内容選択装置８とを備えている。
<Overall configuration>
As shown in FIG. 1, the driving support device 1 is obtained from outside the vehicle by a behavior detection sensor group 2 that detects the behavior of the vehicle, an operation detection sensor group 3 that detects a driving operation by the driver, map data, VICS, and the like. The navigation device 4 that performs route setting, route guidance, etc. based on various types of information and provides other in-vehicle devices with part of the information used for the processing, and the identification that identifies the driver and the identification result Based on various information acquired from the driver identification device 5 that provides the information ID to other in-vehicle devices, the behavior detection sensor group 2, the operation detection sensor group 3, the navigation device 4, and the driver identification device 5, the situation of driving by the driver And a target for the driver to correct a target value that is set when the driving situation is estimated by the driving situation estimation apparatus 6 A correction device 7, based on the estimation result of the driving state estimation unit 6, and a support content selection device 8 which selects and executes the contents of driving support.
このうち、挙動検出センサ群２には、先行車との車間距離Ｄを少なくとも検出する車間距離センサ、及び自車両の車速（自車速）Ｖを検出する車速センサが少なくとも含まれている。 Among these, the behavior detection sensor group 2 includes at least an inter-vehicle distance sensor that detects an inter-vehicle distance D from the preceding vehicle and a vehicle speed sensor that detects a vehicle speed (own vehicle speed) V of the host vehicle.
なお、先行車との車間距離Ｄを少なくとも検出するするセンサは、レーザやミリ波を用いたレーダセンサや、カメラ画像から先行車との車間距離Ｄを推定するセンサであっても良い。 The sensor for detecting at least the inter-vehicle distance D with the preceding vehicle may be a radar sensor using a laser or millimeter wave, or a sensor for estimating the inter-vehicle distance D with the preceding vehicle from a camera image.
また、操作検出センサ群３には、ステアリングの操作量（操舵角）Ｓを検出する操舵角センサ、及びブレーキの操作量（踏力）Ｂを検出するブレーキ踏力センサが少なくとも含まれている。 The operation detection sensor group 3 includes at least a steering angle sensor that detects a steering operation amount (steering angle) S and a brake pedal force sensor that detects a brake operation amount (stepping force) B.
ナビゲーション装置４が提供する情報には、少なくとも、ＶＩＣＳ等により取得した天気情報Ｗ、現在の時間帯を表す時間帯情報ＴＢが含まれている。
ドライバ識別装置５は、例えば、ドライバからの入力を受け付けるものであってもよいし、ドライバの顔等を撮影した画像に対する画像認識処理によって自動的にドライバを識別するものであってもよい。
The information provided by the navigation device 4 includes at least weather information W acquired by VICS and time zone information TB representing the current time zone.
For example, the driver identification device 5 may accept an input from the driver, or may automatically identify the driver by an image recognition process for an image obtained by photographing the driver's face or the like.
目標値修正装置７は、支援内容選択装置８によって実行される運転支援がドライバの感覚に適合するように、目標値を増減させるドライバの操作を受け付ける装置であり、ボタンスイッチ又はタッチパネル上に設定されたソフトスイッチ等からなる。 The target value correcting device 7 is a device that accepts a driver's operation to increase or decrease the target value so that the driving support executed by the support content selecting device 8 matches the driver's feeling, and is set on a button switch or a touch panel. Soft switch.
＜運転状況推定装置＞
運転状況推定装置６は、車速Ｖ，ステアリング操作量Ｓ，ブレーキ操作量Ｂ，天気情報Ｗ，時間帯情報ＴＢ，識別情報ＩＤに基づいて、運転環境（走行中の道路の走行環境）を判定しその判定結果を表すクラスタ情報ＣＬを出力する運転環境判定部１１と、車間距離Ｄ，車速Ｖに基づいて、衝突余裕時間ＴＴＣを算出する衝突余裕時間算出部１２と、車間距離Ｄ，車速Ｖ，衝突余裕時間ＴＴＣ，クラスタ情報ＣＬに基づいて、クラスタ情報ＣＬで特定される運転環境毎に、目標車間距離ＯＤ及び目標衝突余裕時間ＯＴの設定に使用する推定モデルの学習を行う推定モデル学習部１３と、推定モデル学習部１３で学習された推定モデルやその履歴、及び平均的な推定モデルを表す標準モデル等を記憶するデータ記憶部１４と、クラスタ情報ＣＬから特定される推定モデルを用い、車速Ｖに従って、目標車間距離ＯＤ及び目標衝突余裕時間ＯＴを設定する目標値設定部１５と、目標値設定部１５にて設定された車間距離及び衝突時間の目標値ＯＤ，ＯＴと実際に検出された検出値Ｄ，ＴＴＣとの差等から、ドライバの運転状況を推定する運転状況推定部１６とを備えている。
<Operation status estimation device>
The driving situation estimation device 6 determines the driving environment (the driving environment of the running road) based on the vehicle speed V, the steering operation amount S, the brake operation amount B, the weather information W, the time zone information TB, and the identification information ID. The driving environment determination unit 11 that outputs the cluster information CL representing the determination result, the collision margin time calculation unit 12 that calculates the collision margin time TTC based on the inter-vehicle distance D and the vehicle speed V, the inter-vehicle distance D, the vehicle speed V, Based on the collision margin time TTC and the cluster information CL, an estimation model learning unit 13 that learns an estimation model used for setting the target inter-vehicle distance OD and the target collision margin time OT for each driving environment specified by the cluster information CL. A data storage unit 14 for storing the estimation model learned by the estimation model learning unit 13 and its history, a standard model representing an average estimation model, and the like, and cluster information CL The target value setting unit 15 for setting the target inter-vehicle distance OD and the target collision allowance time OT according to the vehicle speed V, and the target of the inter-vehicle distance and the collision time set by the target value setting unit 15 are used. A driving situation estimation unit 16 that estimates the driving situation of the driver from the difference between the values OD and OT and the actually detected detection values D and TTC is provided.
なお、運転状況推定装置６は、ＣＰＵ，メモリ（ＲＯＭ，ＲＡＭ等）からなる周知のマイクロコンピュータを中心に構成され、上記データ記憶部１４は、メモリ上に設定される一部の領域からなり、それ以外の各部１１〜１３，１５，１６は、ＣＰＵが実行する処理によって実現される。 The driving state estimation device 6 is configured around a known microcomputer including a CPU and a memory (ROM, RAM, etc.), and the data storage unit 14 is composed of a part of an area set on the memory. The other units 11 to 13, 15, and 16 are realized by processing executed by the CPU.
＜＜運転環境判定部＞＞
運転環境判定部１１では、ステアリング操作量Ｓ，ブレーキ操作量Ｂに基づいて定義される規格化操作量Ｈｓｂ、及び車速Ｖに基づいて、現在の運転環境が、予め設定された四つのクラスのいずれであるかを判定する。
<< Operating environment judgment part >>
In the driving environment determination unit 11, the current driving environment is selected from any of the four classes set in advance based on the standardized operation amount Hsb defined based on the steering operation amount S, the brake operation amount B, and the vehicle speed V. It is determined whether it is.
なお、規格化操作量Ｈｓｂは、種類の異なる操作量Ｓ，Ｂを、比較が可能となるように規格化した上で加算したものである。具体的には、様々な運転環境において計測した各操作量Ｓ，Ｂの平均，分散をそれぞれ求め、互いの分散が同じ大きさ（例えば１）となるように各操作量Ｓ，Ｂを規格化する変換式を求めておき、この変換式を用いて、操作量Ｓ，Ｂを規格化する。 Note that the standardized operation amount Hsb is obtained by adding the operation amounts S and B of different types after standardizing them so that they can be compared. Specifically, the average and variance of each manipulated variable S and B measured in various driving environments are obtained, and each manipulated variable S and B is normalized so that the mutual variance is the same (for example, 1). A conversion equation to be obtained is obtained, and the manipulated variables S and B are normalized using the conversion equation.
また、四つのクラスは、高速・低操作負荷の運転環境を表すクラス１、低速・中操作負荷の運転環境を表すクラス２、超低速・高操作負荷の運転環境を表すクラス３、中速・低操作負荷の運転環境を表すクラス４からなる。 The four classes are: Class 1 representing the driving environment for high speed / low operating load, Class 2 representing the driving environment for low speed / medium operating load, Class 3 representing the driving environment for ultra low speed / high operating load, Medium speed / It consists of class 4 representing the driving environment with low operating load.
そして、図２に示すように、規格化操作量Ｈｓｂと車速Ｖをパラメータとする二次元グラフ上に、各クラス１〜４に対応するクラスタ１〜４を予め定義しておき、逐次検出されるパラメータＨｓｂ，Ｖの組みが、どのクラスタに属するかによってクラスを判定する。 Then, as shown in FIG. 2, clusters 1 to 4 corresponding to the classes 1 to 4 are defined in advance on the two-dimensional graph using the standardized operation amount Hsb and the vehicle speed V as parameters, and sequentially detected. The class is determined according to which cluster the set of parameters Hsb and V belongs to.
なお、二次元グラフ上におけるクラスタの定義は、具体的には、以下のように行う。
まず、様々な運転環境（ここでは、高速道路／地域高規格道路／一般道路／繁華街）を走行することで蓄積されたステアリング操作量Ｓ，ブレーキ操作量Ｂ，車速Ｖのデータを用いて、図２に示すように、規格化操作量Ｈｓｂと車速Ｖをパラメータとする散布図を作成する。
Specifically, the definition of the cluster on the two-dimensional graph is performed as follows.
First, using the data of the steering operation amount S, the brake operation amount B, and the vehicle speed V accumulated by traveling in various driving environments (here, highways / regional high-standard roads / general roads / business districts) As shown in FIG. 2, a scatter diagram with the normalized operation amount Hsb and the vehicle speed V as parameters is created.
この散布図をクラスタリングすることによって、四つのクラスタ（以下、その四つを総称して環境判定クラスタ分布という）を抽出する。
なお、運転環境の分類を表すクラスタを四つに設定した理由は、散布図に表された分布について、ディリクレ過程混合ガウスのクラスタ数・平均・分散を変分ベイズで推定すると、クラスタの平均・分散の値は多少異なるものの、多数（ｎ＝２３）の被験者で共に４つのクラスに分類されたことによる。
By clustering this scatter diagram, four clusters (hereinafter, the four are collectively referred to as environment determination cluster distribution) are extracted.
The reason for setting four clusters to represent the classification of the operating environment is that the number of clusters, average, and variance of Dirichlet process Gaussian clusters are estimated by variational Bayes for the distribution shown in the scatter diagram. Although the variance values are slightly different, many (n = 23) subjects are classified into four classes together.
この４つのクラスタは、実際の運転行動から考えて次の意味づけが可能である。
即ち、車速が早く、ステアリング操作もブレーキ操作も比較的少ない高速道路での走行は、高速・低操作負荷領域（クラスタ１）に分類される。
These four clusters can be given the following meaning in view of actual driving behavior.
That is, traveling on an expressway where the vehicle speed is fast and the steering operation and braking operation are relatively small is classified into a high-speed / low-operation load region (cluster 1).
交通量が多くスピードが低い上、駐車車両等の障害物回避や車線変更、信号停止等、頻繁にステアリング・ブレーキ操作が要求される繁華街や市街地の一部での走行は、超低速・高操作負荷領域（クラスタ３）に分類される。 Traveling in downtown and parts of urban areas where frequent steering and braking operations are required, such as avoiding obstacles such as parked vehicles, changing lanes, stopping signals, etc. The operation load area (cluster 3) is classified.
交通量が多く、速度が中低速域となり且つ操作負荷が中くらいとなる一部の市街地や近郊の主要道での走行は、低速・中操作負荷領域（クラスタ２）に分類される。
比較的速度も高く、運転操作も頻繁ではない道路、例えば、近郊でも中速で流れがスムーズな道路の一部や地域高規格道路等での走行は、中速・低操作負荷領域（クラスタ４）に分類される。
Travel in some urban areas and suburban main roads where the traffic volume is high, the speed is in the medium / low speed range, and the operation load is medium is classified as the low / medium operation load area (cluster 2).
When driving on roads with relatively high speed and infrequent driving operations, such as some roads in the suburbs where the flow is smooth at medium speed and regional high-standard roads, etc. )are categorized.
なお、クラスタ１〜４の分布は、ドライバによって異なり、また、同じドライバであっても、極端な天気（大雨，雪等）や、時間帯（夜明／日暮れ，昼，夜など）によっては異なったものとなる。従って、環境判定クラスタ分布は、識別情報ＩＤ，天気情報Ｗ，時間帯情報ＴＢ（以下では、これらを総称して「分布選択情報」という）によって定義される分類毎に用意されている。 The distribution of clusters 1 to 4 varies depending on the driver. Even with the same driver, the distribution varies depending on the extreme weather (heavy rain, snow, etc.) and the time zone (daylight / nightfall, daytime, night, etc.). It will be a thing. Therefore, the environment determination cluster distribution is prepared for each classification defined by the identification information ID, weather information W, and time zone information TB (hereinafter collectively referred to as “distribution selection information”).
このため、運転環境判定部１１の出力となるクラスタ情報ＣＬは、分布選択情報により選択される環境判定クラスタ分布と、パラメータＨｓｂ，Ｖにより判定されたクラスとを示すものとなっている。 Therefore, the cluster information CL that is output from the driving environment determination unit 11 indicates the environment determination cluster distribution selected by the distribution selection information and the class determined by the parameters Hsb and V.
なお、選択情報は、ナビゲーション装置４やドライバ識別装置５から提供される情報に限らず、例えば、激しい雨であれば、ワイパースピード等を情報源としてもよい。
ここで、運転環境判定部１１が実行する処理を、図３に示すフローチャートに沿って説明する。なお、本処理は、予め設定された一定時間間隔（例えば、１００ｍｓ）毎に起動する。
Note that the selection information is not limited to the information provided from the navigation device 4 or the driver identification device 5. For example, if the rain is heavy, the wiper speed may be used as the information source.
Here, the process which the driving environment determination part 11 performs is demonstrated along the flowchart shown in FIG. Note that this process is started at predetermined time intervals (for example, 100 ms).
本処理が起動すると、まずＳ１１０では、分布選択情報ＩＤ，Ｗ，ＴＢを取得し、続くＳ１２０では、分布選択情報ＩＤ，Ｗ，ＴＢに変化があるか否かを判断する。
変化がない場合には、そのままＳ１４０に進み、変化がある場合には、Ｓ１３０にて、分布選択情報ＩＤ，Ｗ，ＴＢに応じた環境判定クラスタ分布を選択してＳ１４０に進む。
When this process starts, first, distribution selection information ID, W, and TB are acquired in S110, and in subsequent S120, it is determined whether or not there is a change in distribution selection information ID, W, and TB.
If there is no change, the process directly proceeds to S140, and if there is a change, the environment determination cluster distribution corresponding to the distribution selection information ID, W, TB is selected in S130, and the process proceeds to S140.
Ｓ１４０では、クラスの判定に必要なデータ（車速Ｖ，ステアリング操作量Ｓ，ブレーキ操作量Ｂ）を取得し、続くＳ１５０では、ステアリング操作量Ｓ及びブレーキ操作量Ｂから、規格化操作量Ｈｓｂを算出し、この規格化操作量Ｈｓｂ及び車速Ｖを、クラス判定に用いるパラメータとして、現在選択されている環境判定クラスタ分布に対応付けて記憶する。 In S140, data required for class determination (vehicle speed V, steering operation amount S, brake operation amount B) is acquired. In subsequent S150, the standardized operation amount Hsb is calculated from the steering operation amount S and the brake operation amount B. The standardized operation amount Hsb and the vehicle speed V are stored as parameters used for class determination in association with the currently selected environment determination cluster distribution.
Ｓ１６０では、クラス判定を行う判定タイミングであるか否かを判断する。具体的には、運転環境（現在走行している道路環境）は、頻繁かつ急激に変化するものではないため、例えば、環境判定クラスタ分布の切り替わり後、一定時間間隔（例えば５分）が経過する毎のタイミングを判定タイミングとする。 In S160, it is determined whether it is the determination timing for performing the class determination. Specifically, since the driving environment (the road environment where the vehicle is currently traveling) does not change frequently and rapidly, for example, a certain time interval (for example, 5 minutes) elapses after the environment determination cluster distribution is switched. Each timing is set as a determination timing.
そして、判定タイミングでなければ、そのまま本処理を終了し、判定タイミングであれば、Ｓ１７０にて、その一定時間間隔の間に蓄積された、パラメータＨｓｂ，Ｖの分布から、どのクラスタに属するか（最も近いか）を判定し、そのクラスタに対応するクラス、及び判定に使用した環境判定クラスタ分布を特定するクラスタ情報ＣＬを、推定モデル学習部１３及び目標値設定部１５に対して出力して、本処理を終了する。 If it is not the determination timing, this processing is terminated as it is. If it is the determination timing, which cluster belongs to the distribution of the parameters Hsb and V accumulated during the predetermined time interval in S170 ( Cluster information CL for identifying the class corresponding to the cluster and the environment determination cluster distribution used for the determination is output to the estimation model learning unit 13 and the target value setting unit 15, This process ends.
＜＜衝突余裕時間算出部＞＞
衝突余裕時間算出部１２では、車速Ｖと先行車との車間距離Ｄとから相対車速、相対加速度を算出し、等加速度運動を仮定した先行車との衝突余裕時間ＴＴＣを算出する。なお、この技術は周知技術であるため、詳細な説明は省略する。
<< Collision margin calculation part >>
The collision margin time calculation unit 12 calculates the relative vehicle speed and the relative acceleration from the vehicle speed V and the inter-vehicle distance D between the preceding vehicle and calculates the collision margin time TTC with the preceding vehicle assuming equal acceleration motion. In addition, since this technique is a well-known technique, detailed description is abbreviate | omitted.
＜＜推定モデル学習部＞＞
推定モデル学習部１３は、クラスタ情報ＣＬで特定される運転環境毎に、目標車間距離ＯＤを算出するための推定モデル、及び目標衝突余裕時間ＯＴを算出するための推定モデルを作成する。
<< Estimated model learning unit >>
The estimation model learning unit 13 creates an estimation model for calculating the target inter-vehicle distance OD and an estimation model for calculating the target collision allowance time OT for each driving environment specified by the cluster information CL.
具体的には、車速Ｖと車間距離の逆数Ｄ-1とをパラメータとする散布図、及び車速Ｖと衝突余裕時間の逆数ＴＴＣ-1とをパラメータとする散布図を求め（図５参照）、これらの散布図に、それぞれＯＣＳＶＭ（One-Class Support Vector Machine）を適用することで、散布図上に引かれる境界線（ここでは直線）を表す回帰式が、推定モデルとなる。 Specifically, a scatter diagram using the vehicle speed V and the reciprocal D −1 of the inter-vehicle distance as parameters, and a scatter diagram using the vehicle speed V and the reciprocal TTC −1 of the collision margin time as parameters are obtained (see FIG. 5). By applying OCSVM (One-Class Support Vector Machine) to each of these scatter diagrams, a regression equation representing a boundary line (here, a straight line) drawn on the scatter diagram becomes an estimation model.
そして、ＯＣＳＶＭでは、散布図上に設定される基準点からの距離を尺度として、予め設定された閾値ｔｈ（例えば初期値を５％とする）のデータをアウトライア（異常値）として除去する（ここでは境界線の上側に位置する）ように境界線を引く。なお、閾値ｔｈは、変更可能なパラメータである。 Then, in OCSVM, the distance from the reference point set on the scatter diagram is used as a scale, and data of a preset threshold th (for example, the initial value is 5%) is removed as an outlier (abnormal value) ( Here, the boundary line is drawn so as to be located above the boundary line. The threshold th is a parameter that can be changed.
ここで、推定モデル学習部１３が実行する処理の流れを、図４に示すフローチャートに沿って説明する。
本処理は、運転環境判定部１１での処理と同様に、予め設定された一定時間間隔（例えば、１００ｍｓ）毎に起動する。
Here, the flow of processing executed by the estimation model learning unit 13 will be described with reference to the flowchart shown in FIG.
This process is started at predetermined time intervals (for example, 100 ms) as in the process in the driving environment determination unit 11.
本処理が起動すると、まず、Ｓ２１０では、運転環境判定部１１からのクラスタ情報ＣＬを取得し、続くＳ２２０では、クラスタ情報ＣＬに変化があったか否かを判断する。
変化がない場合は、そのままＳ２４０に進み、変化がある場合は、Ｓ２３０にて、クラスタ情報ＣＬに従って学習対象となる推定モデルを切り換えてＳ２４０に進む。
When this processing is started, first, in S210, the cluster information CL is acquired from the driving environment determination unit 11, and in subsequent S220, it is determined whether or not the cluster information CL has changed.
If there is no change, the process directly proceeds to S240. If there is a change, the estimated model to be learned is switched according to the cluster information CL in S230, and the process proceeds to S240.
Ｓ２４０では、学習対象となる推定モデルが学習済みであるか否かを判断し、学習済みである場合は、Ｓ２７０に進み、学習済みでない場合は、Ｓ２５０にて、目標値設定部１５からの再学習指令があるか否かを判断する。 In S240, it is determined whether or not the estimation model to be learned has been learned. If it has been learned, the process proceeds to S270, and if it has not been learned, the process returns to S250 from the target value setting unit 15. It is determined whether there is a learning command.
再学習指令がない場合は、そのまま本処理を終了し、再学習指令がある場合は、Ｓ２６０にて、現在の推定モデルを履歴として保存すると共に、再学習指令に示された指示に従って、回帰式を求める際に使用する閾値ｔｈを変更してＳ２７０に進む。 If there is no re-learning command, the process is terminated as it is. If there is a re-learning command, the current estimation model is saved as a history in S260, and the regression equation is followed according to the instruction indicated in the re-learning command. The threshold value th used when obtaining is changed, and the process proceeds to S270.
なお、再学習指令において、目標値ＯＤ，ＯＴが大き過ぎる旨が示されている場合には、閾値ｔｈを予め設定された所定値（例えば０．５％）だけ減少させ、逆に、目標値ＯＤ，ＯＴが小さ過ぎる旨が示されている場合には、閾値ｔｈを上記所定値だけ増加させる。 When the relearning command indicates that the target values OD and OT are too large, the threshold value th is decreased by a predetermined value (for example, 0.5%), and conversely, the target value If it is indicated that OD and OT are too small, the threshold value th is increased by the predetermined value.
Ｓ２７０では、学習に用いるデータ（車速Ｖ，車間距離Ｄ，衝突余裕時間ＴＴＣ）を取得して、現在の学習対象推定モデルに対応づけて記憶し、続くＳ２８０では、記憶されたデータが、十分な精度が得られる量に達していれば、推定モデルとなる回帰式の算出を行い、これをデータ記憶部１４に保存して、本処理を終了する。 In S270, data used for learning (vehicle speed V, inter-vehicle distance D, collision margin time TTC) is acquired and stored in association with the current learning target estimation model. In subsequent S280, the stored data is sufficient. If the accuracy is reached, a regression equation as an estimation model is calculated, stored in the data storage unit 14, and the present process is terminated.
なお、図５は、学習に用いるデータの散布図と、その散布図に基づく回帰直線の算出結果を、それぞれ３名の被験者について例示したものであり、（ａ）がクラス３における車速Ｖと車間距離の逆数Ｄ-1の散布図、（ｂ）がクラス１における車速Ｖと車間距離の逆数Ｄ-1の散布図、（ｃ）がクラス１における車速Ｖと衝突余裕時間の逆数ＴＴＣ-1の散布図である。 FIG. 5 exemplifies the scatter diagram of the data used for learning and the calculation result of the regression line based on the scatter diagram for each of three subjects. (A) is the vehicle speed V and the inter-vehicle distance in class 3 Scatter chart of reciprocal distance D −1 , (b) Scatter chart of vehicle speed V and inter-vehicle distance D −1 in class 1, and (c) of vehicle speed V in class 1 and reciprocal TTC −1 of collision margin time. It is a scatter diagram.
散布図において、回帰直線より上側は、普段の車間距離や衝突余裕時間より短いこと、即ち危険側を意味し、回帰直線より下側は、普段の車間距離や衝突余裕時間より長いこと、即ち安全側を意味する。 In the scatter diagram, the upper side of the regression line means that it is shorter than the usual inter-vehicle distance and collision margin time, that is, the danger side, and the lower side of the regression line is that it is longer than the usual inter-vehicle distance and collision margin time, that is, safety. Means side.
＜＜目標値設定部＞＞
目標値設定部１５は、クラスタ情報ＣＬによって特定される学習済みの推定モデルが、データ記憶部１４に記憶されている場合には、その推定モデル（回帰式）に基づき、車速Ｖに対応する目標車間距離ＯＤ、目標衝突余裕時間ＯＴを設定する。
<< Target value setting section >>
When the learned estimated model specified by the cluster information CL is stored in the data storage unit 14, the target value setting unit 15 determines the target corresponding to the vehicle speed V based on the estimated model (regression equation). Set the inter-vehicle distance OD and the target collision allowance time OT.
なお、設定された目標値ＯＤ，ＯＴに対して、目標値修正装置７から目標値を修正する指令が入力された場合は、算出に用いた推定モデルに対応付けられたカウント値を、目標値ＯＤ，ＯＴを増加させる修正が行われた場合には＋１、減少させる修正が行われた場合には−１する。 When a command for correcting the target value is input from the target value correction device 7 to the set target values OD and OT, the count value associated with the estimation model used for the calculation is set to the target value. When correction for increasing OD and OT is performed, +1 is set. When correction for decreasing OD and OT is performed, +1 is set.
そして、カウント値の絶対値が予め設定された閾値を超えた場合、カウント値が＋（プラス）であれば目標値ＯＤ，ＯＴを減少させる旨、カウント値が−（マイナス）であれば目標値ＯＤ，ＯＴを増加させる旨を指示する再学習指令ＲＳを、推定モデル学習部１３に対して出力する。 When the absolute value of the count value exceeds a preset threshold value, the target value OD or OT is decreased if the count value is + (plus), and the target value if the count value is − (minus). A relearning command RS for instructing to increase OD and OT is output to the estimated model learning unit 13.
＜＜運転状況推定部＞＞
運転状況推定部１６は、目標値設定部１５で設定された車間距離及び衝突余裕時間の目標値ＯＤ，ＯＴと、最新の検出値Ｄ，ＴＴＣとを比較し、検出値Ｄ，ＴＴＣの目標値ＯＤ，ＯＴからの逸脱度ΔＤ（＝Ｄ−ＯＤ），ΔＴ（＝ＴＴＣ−ＯＤ）を算出、その逸脱度ΔＤ１，ΔＴ１（そのドライバにとっての通常の運転状況を基準とした逸脱度）を第１の運転状況として出力する。
<< Operational state estimation unit >>
The driving situation estimation unit 16 compares the target values OD and OT of the inter-vehicle distance and the collision margin time set by the target value setting unit 15 with the latest detection values D and TTC, and the target values of the detection values D and TTC. Deviation degrees ΔD (= D−OD) and ΔT (= TTC−OD) from OD and OT are calculated, and the deviation degrees ΔD1 and ΔT1 (deviation degrees based on the normal driving situation for the driver) are first calculated. Is output as the driving status.
また、運転状況推定部１６は、データ記憶部１４に記憶されている標準的な推定モデル（多数のドライバの平均値）から設定される標準的な目標値ＳＤ，ＳＴに基づき、その標準的な目標値からの逸脱度ΔＤ２，ΔＴ２（一般的なドライバの運転状況を基準とした逸脱度）を第２の運転状況として出力する。 The driving situation estimation unit 16 is based on standard target values SD and ST set from standard estimation models (average values of a large number of drivers) stored in the data storage unit 14. Deviation degrees ΔD2 and ΔT2 from the target value (deviation degrees based on the driving situation of a general driver) are output as the second driving situation.
更に、運転状況推定部１６は、データ記憶部１４に、ある一定期間（例えば、６ヶ月，１年，３年など）前の推定モデルが記憶されている場合には、それらの推定モデルから設定される過去の目標値に対する現在の目標値ＯＤ，ＯＴの変化量（そのドライバの運転状況の長期的な変化傾向）を、第３の運転状況として出力する。 Furthermore, when the estimation model before a certain fixed period (for example, 6 months, 1 year, 3 years, etc.) is memorize | stored in the data storage part 14, the driving | running condition estimation part 16 sets from those estimation models. The amount of change in the current target values OD and OT with respect to the past target value (the long-term change tendency of the driving status of the driver) is output as the third driving status.
＜支援内容選択装置＞
支援内容選択装置８は、例えば、車間距離について以下の運転支援を実行する。
即ち、図６に示すように、現車速で先行車にこれ以上接近すると急ブレーキをかけても衝突が避けられない距離を衝突不可避距離ＸＤとして、目標車間距離ＯＤから衝突不可避距離に至る車間距離の範囲を４分割し、車間距離の広い順に、レベル１（ディスプレイに情報提供），レベル２（インジケータによる注意喚起），レベル３（ブザーによる警報），レベル４（車両による自動ブレーキ）の制御エリアとする。
<Support content selection device>
The assistance content selection device 8 executes the following driving assistance for the inter-vehicle distance, for example.
That is, as shown in FIG. 6, the distance between the target inter-vehicle distance OD and the inevitable collision distance is defined as a collision inevitable distance XD, which is a distance in which collision is unavoidable even when sudden braking is applied when approaching the preceding vehicle at the current speed. The range is divided into four, and the control areas of level 1 (providing information on the display), level 2 (warning by an indicator), level 3 (alarm by a buzzer), and level 4 (automatic braking by a vehicle) in descending order of the inter-vehicle distance And
そして、車間距離の逸脱度ΔＤ１が、どのレベルの制御エリアに属するかによって、運転支援内容を決定して実行する。
なお、ドライバが定常的に危険な運転（車間距離が極端に短い）をしている場合には、推定モデルでは、その挙動を正常な挙動として学習してしまい、警報などを発生させることができなくなる可能性がある。
Then, the driving assistance content is determined and executed depending on which level of the control area the deviation degree ΔD1 of the inter-vehicle distance belongs to.
Note that if the driver is constantly driving dangerously (the distance between vehicles is extremely short), the estimation model learns the behavior as a normal behavior and can generate an alarm or the like. There is a possibility of disappearing.
このため、支援内容選択装置８では、第２の運転状況に従って、逸脱度が異常レベルにある場合、即ち、多くの人の平均的な運転挙動からかけ離れた運転挙動を示している場合には、それがそのドライバの平均的な運転挙動であったとしても、警報を発する等の運転支援制御を実行する。 For this reason, in the support content selection device 8, according to the second driving situation, when the deviation degree is at an abnormal level, that is, when the driving behavior is far from the average driving behavior of many people, Even if it is the average driving behavior of the driver, driving support control such as issuing an alarm is executed.
更に、第３の運転状況に基づき、運転状況がある変化傾向を示している（例えば、車間距離が年々短くなる（又は長くなる）傾向にある等）ことが明らかになった場合に、その旨をドライバに通知し、注意喚起をすることによって運転支援を行う。また、運転状況の変化傾向に応じて運転支援の内容を変化させてもよい。 Furthermore, when it becomes clear based on the third driving situation that the driving situation shows a certain change tendency (for example, the inter-vehicle distance tends to become shorter (or longer) year by year). Is provided to the driver, and driving assistance is provided by calling attention. Moreover, you may change the content of driving assistance according to the change tendency of a driving | running state.
＜効果＞
以上説明したように、運転支援装置１では、運転環境を分類してその運転環境毎に、ドライバの運転状況の推定に用いる推定モデルを学習により生成するようにされている。しかも、運転環境を判定する際には、車両の挙動（車速Ｖ）だけでなく、ドライバの操作（ステアリング操作量Ｓ，ブレーキ操作量Ｂ）も考慮されている。
<Effect>
As described above, the driving support device 1 classifies the driving environment and generates an estimation model used for estimating the driving situation of the driver by learning for each driving environment. In addition, when determining the driving environment, not only the behavior of the vehicle (vehicle speed V) but also the operation of the driver (the steering operation amount S, the brake operation amount B) is considered.
従って、運転支援装置１によれば、ドライバの運転操作に影響を与える運転環境を精度よく判定することができ、その運転環境に適した推定モデルを用いて運転状況の推定が行われるため、よりドライバの感覚にあった推定を行うことができ、ひいてはドライバの感覚にあった的確な運転支援を実行することができる。 Therefore, according to the driving assistance device 1, the driving environment that affects the driving operation of the driver can be accurately determined, and the driving situation is estimated using the estimation model suitable for the driving environment. The estimation suitable for the driver's feeling can be performed, and the driving assistance suitable for the driver's feeling can be executed.
また、運転支援装置１では、運転環境を判定する際に、一定期間の間に連続的に検出された一定量のデータＶ，Ｓ，Ｂに基づくパラメータＨｓｂ，Ｖを用いて、それらパラメータＨｓｂ，Ｖの傾向から判定を行っているため、データが検出される毎に逐次判定を行う場合と比較して、判定精度を向上させることができる。 Further, in the driving support device 1, when determining the driving environment, the parameters Hsb, V based on the constant amounts of data V, S, B continuously detected during a predetermined period are used. Since the determination is performed based on the tendency of V, the determination accuracy can be improved as compared with the case where the determination is sequentially performed every time data is detected.
また、運転支援装置１では、ＯＣＳＶＭによって推定モデルを学習することによって、閾値ｔｈによって決まる一定量のデータがアウトライア（異常値）として除去されるため、異常値の影響が抑制された再現性の高い推定モデルを得ることができ、ひいては、その推定モデルに基づいて受容性の高い推定結果を得ることができる。 Further, in the driving support device 1, by learning the estimation model by OCSVM, a certain amount of data determined by the threshold th is removed as an outlier (abnormal value), so that the influence of the abnormal value is suppressed. A high estimation model can be obtained. As a result, a highly acceptable estimation result can be obtained based on the estimation model.
＜実験＞
図５に示した散布図から求めた推定モデルを用い、被験者１〜３に、自身に適合させた推定モデル、他人に適合させた推定モデルの両方について、同じ道路を走行して注意喚起や警報のタイミングを確認した。
<Experiment>
Using the estimation model obtained from the scatter diagram shown in FIG. 5, subjects 1 to 3 both on the estimation model adapted to themselves and the estimation model adapted to others are driven on the same road to alert and warn I confirmed the timing.
これにより、被験者毎に注意喚起や警報のタイミングが異なること、また、他の被験者に適合させた推定モデルを使用すると、注意喚起や警報のタイミングに明らかな違和感を感じることが確認された。 As a result, it was confirmed that the timing of alerting and alarming differed for each subject, and that when using an estimation model adapted to other subjects, a clear sense of incongruity was felt in the alerting and alerting timing.
＜発明との対応＞
本実施形態において、Ｓ１４０が検出データ取得手段、Ｓ１７０が環境判定手段、Ｓ１１０が分布選択情報取得手段、運転環境判定部１１が運転環境判定装置、データ記憶部１４がモデル記憶手段，履歴記憶手段，標準モデル記憶手段、推定モデル学習部１３が学習手段、目標値設定部１５及び運手状況推定部１６が推定手段、支援内容選択装置８が支援実行手段に相当する。
<Correspondence with Invention>
In this embodiment, S140 is detection data acquisition means, S170 is environment determination means, S110 is distribution selection information acquisition means, driving environment determination section 11 is a driving environment determination apparatus, data storage section 14 is model storage means, history storage means, The standard model storage unit, the estimation model learning unit 13 corresponds to the learning unit, the target value setting unit 15 and the maneuver situation estimation unit 16 correspond to the estimation unit, and the support content selection device 8 corresponds to the support execution unit.
＜変形例＞
本実施形態では、推定モデル学習部１３は、一定期間のデータを蓄積してから推定モデル（回帰式）を求めているが、オンラインで（即ち、前回の処理で算出された回帰式と、今回の検出データとで）回帰式が導ける演算方式に変更してもよい。この場合、推定モデルの学習を行う際に蓄積すべきデータ数を大幅に削減することができる。
<Modification>
In the present embodiment, the estimated model learning unit 13 obtains an estimated model (regression equation) after accumulating data for a certain period, but online (that is, the regression equation calculated in the previous process and the current time). It is also possible to change to a calculation method that can derive a regression equation (with the detected data). In this case, the number of data to be accumulated when learning the estimation model can be greatly reduced.
また、本実施形態では、推定モデルの学習が一端終了すると、再学習指令ＲＳを受けた場合に限り再学習を行っているが、推定モデルの学習を、常時実行したり、ある一定期間毎に繰り返して実行したりしてもよい。 In this embodiment, once learning of the estimation model is completed, relearning is performed only when a re-learning command RS is received. However, learning of the estimation model is always performed or every certain period of time. It may be executed repeatedly.
また、推定モデルの学習が終了していない場合は、標準モデルを用いて推定を行ってもよく、特に、オンラインで回帰式（推定モデル）を導く場合は、標準モデルを回帰式の初期値として学習を進めるように構成してもよい。 If learning of the estimation model has not been completed, estimation may be performed using the standard model. In particular, when the regression equation (estimation model) is derived online, the standard model is used as the initial value of the regression equation. You may comprise so that learning may be advanced.
また、推定モデルを推定に使用できるか否か（学習が終了しているか否か）をドライバに通知するようにしてもよい。この場合、推定に使用できるか否かの判断は、例えば、学習に使用したデータ量や、推定誤差の収束（例えば、第１の運転状況を表す逸脱度ΔＤ１，ΔＴ１の平均値が許容値以下）などによって行うことが考えられる。なお、実験では、同一クラスタの挙動データＶ，Ｄが１時間分程度あれば、ある程度許容できるレベルの回帰式が得られることが確認されている。 In addition, the driver may be notified whether or not the estimation model can be used for estimation (whether or not learning has been completed). In this case, for example, whether or not it can be used for estimation is determined based on, for example, the amount of data used for learning or the convergence of the estimation error (for example, the average value of the deviation degrees ΔD1 and ΔT1 representing the first driving situation is below the allowable value) ) Etc. In the experiment, it has been confirmed that if the behavior data V and D of the same cluster are about one hour, a regression equation having a level acceptable to some extent can be obtained.
本実施形態では、挙動データとして車速Ｖ及び車間距離Ｄを用いているが、これらに限るものではなく、加速度やヨーレートなど、その他の運転挙動を表すパラメータを用いてもよい。 In the present embodiment, the vehicle speed V and the inter-vehicle distance D are used as the behavior data. However, the present invention is not limited to these, and parameters representing other driving behaviors such as acceleration and yaw rate may be used.
本実施形態では、目標値の手動変更の傾向によって再学習指令ＲＳを出力するように構成したが、例えば、アクセルやブレーキ操作が所定以上の頻度で実施される場合に、目標値ＯＤ，ＯＴが不適切であるものとして再学習指令ＲＳを出力するように構成してもよい。この場合、アクセル操作が多く実施されるならば閾値ｔｈを減少させ、ブレーキ操作が多く実施されるならば閾値ｔｈを増加させて再学習を実施すればよい。 In the present embodiment, the re-learning command RS is output according to the tendency of manual change of the target value. However, for example, when the accelerator or brake operation is performed at a predetermined frequency or more, the target values OD and OT are The re-learning command RS may be output as being inappropriate. In this case, the threshing may be performed by decreasing the threshold th if many accelerator operations are performed, and increasing the threshold th if many braking operations are performed.
［第２実施形態］
次に、第２実施形態について説明する。
図７は、車両に搭載され、ブレーキの操作パターン（時系列的な状態遷移）からにブレーキで行った運転行動（ブレーキ意図）を推定し、その運転行動に応じた運転支援を行う運転支援装置１ａの全体構成を示すブロック図である。
[Second Embodiment]
Next, a second embodiment will be described.
FIG. 7 shows a driving support apparatus that is mounted on a vehicle and estimates driving behavior (brake intention) performed by a brake from a brake operation pattern (time-series state transition), and performs driving support according to the driving behavior. It is a block diagram which shows the whole structure of 1a.
＜全体構成＞
図７に示すように、運転支援装置１ａは、車両の挙動を検出する挙動検出センサ群２と、ドライバによる運転操作を検出する操作検出センサ群３と、地図データやＶＩＣＳ等により車外から取得した各種情報に基づいて経路設定や経路案内等を実行すると共に、それらの処理に使用される情報の一部を他の車載装置に提供するナビゲーション装置４と、ドライバを識別しその識別結果を表す識別情報ＩＤを他の車載装置に提供するドライバ識別装置５と、挙動検出センサ群２，操作検出センサ群３，ナビゲーション装置４，ドライバ識別装置５から取得する各種情報に基づいて、ドライバの運転行動を推定する運転行動推定装置６ａと、運転行動推定装置６ａでの推定結果に基づいて、運転支援の内容を選択して実行する支援内容選択装置８ａとを備えている。
<Overall configuration>
As shown in FIG. 7, the driving assistance device 1a is acquired from outside the vehicle by a behavior detection sensor group 2 that detects the behavior of the vehicle, an operation detection sensor group 3 that detects a driving operation by the driver, map data, VICS, and the like. The navigation device 4 that performs route setting, route guidance, etc. based on various types of information and provides other in-vehicle devices with part of the information used for the processing, and the identification that identifies the driver and the identification result Based on various information acquired from the driver identification device 5 that provides the information ID to other in-vehicle devices, the behavior detection sensor group 2, the operation detection sensor group 3, the navigation device 4, and the driver identification device 5, the driving behavior of the driver is determined. Driving activity estimation device 6a to be estimated, and support content selection device 8 that selects and executes the content of driving assistance based on the estimation result in driving behavior estimation device 6a It is equipped with a door.
このうち、操作検出センサ群３，ナビゲーション装置４，ドライバ識別装置５については、第１実施形態と同様の構成であるため、説明を省略する。
挙動検出センサ群２には、自車両の車速（自車速）Ｖを検出する車速センサが少なくとも含まれている。
Among these, the operation detection sensor group 3, the navigation device 4, and the driver identification device 5 have the same configuration as that of the first embodiment, and thus description thereof is omitted.
The behavior detection sensor group 2 includes at least a vehicle speed sensor that detects a vehicle speed (own vehicle speed) V of the host vehicle.
＜運転行動推定装置＞
運転行動推定装置６ａは、車速Ｖ，ステアリング操作量Ｓ，ブレーキ操作量Ｂ，天気情報Ｗ，時間帯情報ＴＢ，識別情報ＩＤに基づいて、運転環境（走行中の道路の走行環境）を判定しその判定結果を表すクラスタ情報ＣＬを出力する運転環境判定部１１と、ブレーキ操作量Ｂ及びクラスタ情報ＣＬに基づいて、クラスタ情報ＣＬで特定される運転環境毎に、ドライバの運転行動の推定に使用する推定モデルの学習を行う推定モデル学習部２３と、推定モデル学習部２３で学習された推定モデルやその履歴、及び平均的な推定モデルを表す標準モデル等を記憶するデータ記憶部２４と、クラスタ情報ＣＬから特定される推定モデルを用い、ブレーキ操作量Ｂに従って、ドライバの運転行動を推定する運転行動推定部２５とを備えている。
<Driving behavior estimation device>
The driving behavior estimation device 6a determines the driving environment (the driving environment of the road on which the vehicle is traveling) based on the vehicle speed V, the steering operation amount S, the brake operation amount B, the weather information W, the time zone information TB, and the identification information ID. Based on the driving environment determination unit 11 that outputs the cluster information CL representing the determination result, the brake operation amount B, and the cluster information CL, it is used for estimating the driving behavior of the driver for each driving environment specified by the cluster information CL. An estimation model learning unit 23 that learns an estimation model to be performed, a data storage unit 24 that stores an estimation model learned by the estimation model learning unit 23, its history, a standard model representing an average estimation model, and the like, a cluster A driving behavior estimation unit 25 that estimates the driving behavior of the driver according to the brake operation amount B using an estimation model identified from the information CL is provided.
なお、運転行動推定装置６ａは、ＣＰＵ，メモリ（ＲＯＭ，ＲＡＭ等）からなる周知のマイクロコンピュータを中心に構成され、上記データ記憶部２４は、メモリ上に設定される一部の領域からなり、それ以外の各部１１，２３，２５は、ＣＰＵが実行する処理によって実現される。 The driving behavior estimation device 6a is configured around a known microcomputer including a CPU and a memory (ROM, RAM, etc.), and the data storage unit 24 includes a partial area set on the memory. The other units 11, 23, 25 are realized by processing executed by the CPU.
このうち、運転環境判定部１１については、第１実施形態と同様の構成であるため、説明を省略する。
＜＜推定モデル学習部＞＞
推定モデル学習部２３は、ブレーキ操作量Ｂから求めた運転データに基づき、ブレーキの踏み始めから踏み終わりに至る一連の運転データ（以下、トライアルという）が、予め設定された四つのクラスのいずれに属するかを判断することにより、各トライアルに教師ラベルを付与すると共に、その教師ラベル毎に、ブレーキ操作をモデル化したＨＭＭでの状態遷移確率の学習とを行う。
Among these, about the driving | running environment determination part 11, since it is the structure similar to 1st Embodiment, description is abbreviate | omitted.
<< Estimated model learning unit >>
Based on the driving data obtained from the brake operation amount B, the estimation model learning unit 23 stores a series of driving data (hereinafter referred to as a trial) from the start to the end of the brake into any of the four classes set in advance. By determining whether or not it belongs, a teacher label is assigned to each trial, and for each teacher label, learning of the state transition probability in the HMM that models the brake operation is performed.
具体的には、運転データは、一定時間間隔（例えば１００ｍｓ）毎に検出されるブレーキ操作量Ｂに基づいて生成され、ブレーキ操作量Ｂに応じた大きさとなるブレーキ踏力と、自身が属するトライアルの開始からの踏力の和（以下「踏力積分値」という）とからなる。 Specifically, the driving data is generated based on the brake operation amount B detected at regular time intervals (for example, 100 ms), and the brake depression force having a magnitude corresponding to the brake operation amount B and the trial to which the driver belongs. It consists of the sum of the treading force from the start (hereinafter referred to as “treading force integral value”).
また、四つのクラス（教師ラベル）は、ブレーキの踏み始め、あるいは操作量が小さい状況に対応するラベル１、操作量が大きく踏力を一定に保っている状況に対応するラベル２、それらの中間の状況に対応するラベル３、ブレーキを踏んでいない状況に対応するラベル４からなる。 The four classes (teacher labels) include a label 1 corresponding to the situation where the brake is started or the operation amount is small, a label 2 corresponding to the situation where the operation amount is large and the pedal force is kept constant, and an intermediate between them. It consists of a label 3 corresponding to the situation and a label 4 corresponding to the situation where the brake is not depressed.
そして、図８に示すように、運転データを表すブレーキ踏力，踏力積分値をパラメータとする二次元グラフ上にラベル１〜ラベル４に対応するクラスタを予め定義しておき、逐次検出される運転データが、どのクラスタに属するかによってクラスを判別し、そのクラスに対応するラベルを付与する。 Then, as shown in FIG. 8, clusters corresponding to labels 1 to 4 are defined in advance on a two-dimensional graph using the brake pedal force and the pedal force integrated value representing the driving data as parameters, and the driving data detected sequentially. Determines a class according to which cluster it belongs to, and assigns a label corresponding to the class.
更に、同一のトライアルに属する運転データに付与されたラベルの中で、最も数が多いラベルを、そのトライアルの教師ラベルとする。
ここで、図９は、上段がブレーキ踏力の時間変化を例示したものであり、下段が、その時々の運転データがどのクラスタに属するかを判断した結果を例示したものである。図９において、１，２，５番目のトライアルはラベル１に分類され、３，４，７番目のトライアルはラベル２に分類され、６番目のトライアルはラベル３に分類されることになる。
Furthermore, among the labels assigned to the operation data belonging to the same trial, the label with the largest number is set as the teacher label of the trial.
Here, FIG. 9 illustrates the time change of the brake pedal force on the upper stage, and illustrates the result of determining which cluster the driving data at that time belongs to the lower stage. In FIG. 9, the first, second, and fifth trials are classified as label 1, the third, fourth, and seventh trials are classified as label 2, and the sixth trial is classified as label 3.
なお、ラベル付けに用いるクラスタ分布の定義は、具体的には以下のように行う。
まず、ブレーキ操作を伴った様々な運転行動が行われている時に検出された運転データを蓄積し、その蓄積された運転データに対して、ＧＭＭ（混合ガウスモデル）を適用して混合数４でクラスタリングする。
The definition of the cluster distribution used for labeling is specifically performed as follows.
First, the driving data detected when various driving actions accompanied by a brake operation are performed are accumulated, and a GMM (mixed Gaussian model) is applied to the accumulated driving data with a mixing number of four. Clustering.
図８は、ブレーキ踏力と踏力積分値をパラメータとする散布図であり、散布図中の運転データは、クラスタリングした結果に従って、属するクラスタ毎に異なる点（△，○，×，▲）で表されている。具体的には、△で示され縦軸周辺に伸びるクラスタをラベル１、○で示され水平方向に密集して伸びるクラスタをラベル２、Ｘで示され水平方向に疎に分布するクラスタをラベル３、▲で示され原点付近に存在するクラスタをラベル４とする。 FIG. 8 is a scatter diagram with the brake pedal force and the pedal force integrated value as parameters. The operation data in the scatter diagram is represented by different points (△, ○, ×, ▲) for each cluster to which it belongs according to the clustering result. ing. Specifically, a cluster indicated by Δ and extending around the vertical axis is labeled 1, a cluster indicated by ○ and densely extending in the horizontal direction is labeled 2, and a cluster indicated by X and sparsely distributed in the horizontal direction is labeled 3 A cluster indicated by, ▲ and existing near the origin is labeled 4.
本実施形態では、このラベル１〜４の付与に用いるクラスタの分布は学習の対象ではなく、予め用意されたものを用いるが、個人毎に学習しても構わない。
次に、図１０（ａ）は、運転データの時系列からなるトライアルのクラスタリングに使用するＨＭＭを表す状態遷移図である。
In the present embodiment, the distribution of clusters used for assigning the labels 1 to 4 is not a learning target and is prepared in advance, but may be learned for each individual.
Next, FIG. 10A is a state transition diagram showing an HMM used for clustering of trials composed of time series of operation data.
ここでは、状態数が５のleft-to-right ＨＭＭを用いている。即ち、ブレーキを踏んでない状況を表すラベル４（図中Ｓ１）から始まって、ラベル１（図中Ｓ２），ラベル２（図中Ｓ３），ラベル３（図中Ｓ４）と遷移し、最後にブレーキを踏んでいないラベル４（図中Ｓ５）に戻るものとし、遷移は多くとも次の状態までのモデルを扱う。 Here, a left-to-right HMM with 5 states is used. That is, it starts from label 4 (S1 in the figure) indicating that the brake is not depressed, transitions to label 1 (S2 in the figure), label 2 (S3 in the figure), label 3 (S4 in the figure), It is assumed that the process returns to the label 4 (S5 in the figure) that is not stepped on, and the transition deals with the model up to the next state at most.
ＨＭＭの出力はガウス分布に基づくとし、初期値には、ＧＭＭクラスタリング（図８参照）で導いた各クラスタ中心と分散を用いる。
学習するに当たり、遷移状態Ｓi（ｉ＝１，２，３，４，５）に対して、状態Ｓｉから状態Ｓｊに遷移する確率をＡijで表すものとして、初期状態遷移確率は、上三角形行列で、対角行列（即ち、自身に遷移する確率Ａ11，Ａ22，Ａ33，Ａ44，Ａ55）とその次の列（即ち、ある状態から次の状態に遷移する確率Ａ12，Ａ23，Ａ34，Ａ45）を０．５とし、それ以外の確率は０とした。但し、終了の状態を加味するために、Ｓ５からＳ５への遷移確率はＡ55＝１とした。
It is assumed that the output of the HMM is based on a Gaussian distribution, and each cluster center and variance derived by GMM clustering (see FIG. 8) are used as initial values.
In learning, the transition state Si (i = 1, 2, 3, 4, 5) is represented by A ij as the probability of transition from the state Si to the state Sj. And a diagonal matrix (ie, probabilities A 11 , A 22 , A 33 , A 44 , A 55 ) and the next column (ie, probabilities A 12 , A from one state to the next state) 23 , A 34 , A 45 ) is 0.5, and the other probabilities are 0. However, the transition probability from S5 to S5 is set to A 55 = 1 in consideration of the end state.
図１０（ｂ）は、教師ラベル１〜３が付与されたトライアルを教師データとして、ＨＭＭの状態遷移確率の学習を行った結果を示す。但し、上からラベル１，ラベル２，ラベル３である。 FIG. 10B shows a result of learning the state transition probability of the HMM using the trials with the teacher labels 1 to 3 as teacher data. However, label 1, label 2, and label 3 from the top.
なお、各ラベルに対応する運転行動は、ラベル１が先行車に対する接近のブレーキ、ラベル２が信号待ちのブレーキ、ラベル３が右左折によるブレーキである。
ここで、推定モデル学習部１３が実行する処理の流れを、図１１に示すフローチャートに沿って説明する。
The driving behavior corresponding to each label is a brake for approaching the preceding vehicle, label 2 for a signal waiting brake, and label 3 for a left / right turn brake.
Here, the flow of processing executed by the estimation model learning unit 13 will be described with reference to the flowchart shown in FIG.
本処理は、運転環境判定部１１での処理と同様に、予め設定された一定時間間隔（例えば、１００ｍｓ）毎に起動する。
本処理が起動すると、まず、Ｓ３１０では、運転環境判定部１１からのクラスタ情報ＣＬを取得し、続くＳ３２０では、クラスタ情報ＣＬに変化があったか否かを判断する。
This process is started at predetermined time intervals (for example, 100 ms) as in the process in the driving environment determination unit 11.
When this process is started, first, in S310, the cluster information CL is acquired from the driving environment determination unit 11, and in subsequent S320, it is determined whether or not the cluster information CL has changed.
変化がない場合は、そのままＳ３４０に進み、変化がある場合は、Ｓ３３０にて、クラスタ情報ＣＬに従って学習対象となる推定モデルを切り換えてＳ３４０に進む。
Ｓ３４０では、学習に用いるブレーキ操作量Ｂを取得し、続くＳ３５０では、そのブレーキ操作量Ｂに基づいて、運転データ（ブレーキ踏力，踏力積分値）を求める。
If there is no change, the process directly proceeds to S340. If there is a change, the estimated model to be learned is switched according to the cluster information CL in S330, and the process proceeds to S340.
In S340, the brake operation amount B used for learning is acquired, and in subsequent S350, driving data (brake pedal force, integrated pedal force) is obtained based on the brake operation amount B.
Ｓ３６０では、運転データに基づきトライアルが終了したか否かを判断し、終了していなければ（今回の運転データが非ゼロ）、Ｓ３７０にて、運転データに対するラベル付けを行って本処理を終了する。 In S360, it is determined whether or not the trial has been completed based on the operation data. If it has not been completed (the current operation data is non-zero), the operation data is labeled in S370 and the process is terminated. .
一方、トライアルが終了している場合（前回の運転データが非ゼロで且つ今回が運転データがゼロ）は、Ｓ３８０にて、トライアルに対するラベル（教師ラベル）付けを行い、続くＳ３９０にて、その教師ラベルに対応した推定モデル（ＨＭＭ）の状態遷移確率の学習を行って本処理を終了する。 On the other hand, if the trial has been completed (the previous operation data is non-zero and the current operation data is zero), a label (teacher label) is attached to the trial in S380, and the teacher is subsequently transmitted in S390. The state transition probability of the estimation model (HMM) corresponding to the label is learned, and this process is terminated.
＜＜運転行動推定部＞＞
運転行動推定部２５は、クラスタ情報ＣＬに対応した推定モデル（ラベル１〜３に対応した３個一組のＨＭＭ）に運転データを入力し、対数尤度が最大となるＨＭＭを選択し、その選択されたＨＭＭのラベル（ひいてはそのラベルに対応する運転行動）、推定結果として支援内容選択装置８ａに出力する。
<< Driving behavior estimation unit >>
The driving behavior estimation unit 25 inputs driving data to an estimation model (a set of three HMMs corresponding to labels 1 to 3) corresponding to the cluster information CL, selects an HMM having the maximum log likelihood, The label of the selected HMM (and thus the driving action corresponding to the label) and the estimation result are output to the support content selection device 8a.
なお、推定モデルが、十分な精度が得られるまでは、運転行動の推定を禁止するように構成されていてもよい。
＜支援内容選択装置＞
支援内容選択装置８ａは、推定結果のラベルに対応する運転行動に応じた運転支援を実行する。
Note that the estimation model may be configured to prohibit estimation of driving behavior until sufficient accuracy is obtained.
<Support content selection device>
The assistance content selection device 8a performs driving assistance corresponding to the driving action corresponding to the label of the estimation result.
例えば、推定されたブレーキラベルと実際の運転行動に頻繁に差異が生じる場合（例えば推定されたブレーキラベルはラベル１の先行車に対する接近のブレーキパターンであることを示しているにもかかわらず、右左折の運転行動を伴っている場合等）、現在の運転状態はあせりや眠気など普段の運転状態とは異なると判断し、運転者に注意喚起や警報を与えたりする。 For example, if there is a frequent difference between the estimated brake label and the actual driving behavior (e.g., the estimated brake label indicates that the brake pattern is approaching the preceding vehicle of label 1 When driving with a left turn, etc.), it is determined that the current driving state is different from the normal driving state such as drowsiness or drowsiness, and a warning or warning is given to the driver.
＜効果＞
以上説明したように、運転支援装置１ａでは、運転環境を分類してその運転環境毎に、ドライバの運転行動の推定に用いる推定モデル（ＨＭＭ）を学習により生成するようにされている。しかも、運転環境を判定する際には、車両の挙動（車速Ｖ）だけでなく、ドライバの操作（ステアリング操作量Ｓ，ブレーキ操作量Ｂ）も考慮されている。
<Effect>
As described above, in the driving support apparatus 1a, the driving environment is classified, and for each driving environment, an estimation model (HMM) used for estimating the driving behavior of the driver is generated by learning. In addition, when determining the driving environment, not only the behavior of the vehicle (vehicle speed V) but also the operation of the driver (the steering operation amount S, the brake operation amount B) is considered.
従って、運転支援装置１ａによれば、ドライバの運転行動に影響を与える運転環境を精度よく判定することができ、その運転環境に適した推定モデルを用いて運転行動の推定が行われるため、推定精度を向上させることができ、ひいてはドライバの運転行動に応じた的確な運転支援を実行することができる。 Therefore, according to the driving assistance device 1a, the driving environment that affects the driving behavior of the driver can be accurately determined, and the driving behavior is estimated using the estimation model suitable for the driving environment. The accuracy can be improved, and as a result, accurate driving support according to the driving behavior of the driver can be executed.
＜実験＞
図８に示すクラスタ分布、図１０（ｂ）に示すＨＭＭを用いて実際に運転行動を推定したところ、推定出力された運転行動は、実際の運転行動（実際にブレーキをかけた時に行った行動）と良く一致していることを確認した。
<Experiment>
When the driving behavior is actually estimated using the cluster distribution shown in FIG. 8 and the HMM shown in FIG. 10B, the estimated driving behavior is the actual driving behavior (the behavior performed when the brake is actually applied). ).
＜発明との対応＞
本実施形態において、データ記憶部２４がモデル記憶手段、推定モデル学習部２３が学習手段、運転行動推定部２５が推定手段、支援内容選択装置８ａが支援実行手段に相当する。
<Correspondence with Invention>
In this embodiment, the data storage unit 24 corresponds to a model storage unit, the estimated model learning unit 23 corresponds to a learning unit, the driving behavior estimation unit 25 corresponds to an estimation unit, and the support content selection device 8a corresponds to a support execution unit.
［他の実施形態］
以上本発明の実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、本発明の要旨を逸脱しない範囲において、様々な態様にて実施することが可能である。
[Other Embodiments]
Although the embodiments of the present invention have been described above, the present invention is not limited to the above-described embodiments, and can be implemented in various modes without departing from the gist of the present invention.
例えば、上記実施形態では、分布選択情報ＩＤ，Ｗ，ＴＢによって選択される環境判定クラスタ分布を構成するクラスタの数を４としているが、これに限るものではなく、クラスタ数は２以上であればよい。 For example, in the above-described embodiment, the number of clusters constituting the environment determination cluster distribution selected by the distribution selection information ID, W, and TB is four. However, the number of clusters is not limited to this, and the number of clusters is two or more. Good.
また、分布選択情報も、識別情報ＩＤ，天気情報Ｗ，時間帯情報ＴＢに限るものではなく、例えば、ナビゲーション装置４から、道路種別（高速道路／一般道路）や道路形状（急カーブ，直進等）等を取得して、これらによって使用する環境判定クラスタ分布を切り換えるように構成してもよい。 Also, the distribution selection information is not limited to the identification information ID, weather information W, and time zone information TB. For example, from the navigation device 4, the road type (highway / general road) and road shape (steep curve, straight ahead, etc.) ) And the like, and the environment determination cluster distribution to be used by these may be switched.
１，１ａ…運転支援装置 ２，２ａ…挙動検出センサ群 ３…操作検出センサ群 ４…ナビゲーション装置 ５…ドライバ識別装置 ６，６ａ…運転状況推定装置 ７…目標値修正装置 ８，８ａ…支援内容選択装置 １１…運転環境判定部 １２…衝突余裕時間算出部 １３，２３…推定モデル学習部 １４，２４…データ記憶部 １５…目標値設定部 １６…運転状況推定部 DESCRIPTION OF SYMBOLS 1, 1a ... Driving assistance device 2, 2a ... Behavior detection sensor group 3 ... Operation detection sensor group 4 ... Navigation device 5 ... Driver identification device 6, 6a ... Driving condition estimation device 7 ... Target value correction device 8, 8a ... Support content Selection device 11 ... Driving environment determination unit 12 ... Collision margin time calculation unit 13, 23 ... Estimated model learning unit 14, 24 ... Data storage unit 15 ... Target value setting unit 16 ... Driving situation estimation unit
Claims (13)
前記検出データ取得手段により取得された検出データに基づいて、車両の運転環境を判定する環境判定手段と、
を備え、
前記環境判定手段は、様々な運転環境にて取得された前記検出データをクラスタリングすることで予め生成され、それぞれが異なった運転環境に対応する複数のクラスタからなるクラスタ分布を使用し、前記検出データ取得手段にて逐次取得される検出データを前記クラスタ分布と照合することによって前記運転環境を判定することを特徴とする運転環境判定装置。 Detection data acquisition means for acquiring detection data consisting of behavior data representing the behavior of the vehicle and operation data representing the operation of the driver;
An environment determination unit that determines a driving environment of the vehicle based on the detection data acquired by the detection data acquisition unit;
With
The environment determination means uses a cluster distribution that is generated in advance by clustering the detection data acquired in various driving environments, each consisting of a plurality of clusters corresponding to different driving environments, and the detection data A driving environment determination device characterized in that the driving environment is determined by comparing detection data sequentially acquired by an acquisition unit with the cluster distribution.
前記クラスタ分布が、前記要因毎に用意されていると共に、
前記環境判定手段は、前記分布選択情報取得手段が取得した分布選択情報に基づき、判定に使用する前記クラスタ分布を切り換えることを特徴とする請求項１又は請求項２に記載の運転環境判定装置。 In addition to the driving environment determined by the environment determination means, the distribution selection information acquisition means for acquiring distribution selection information related to factors that change the distribution of the cluster,
The cluster distribution is prepared for each factor,
The driving environment determination device according to claim 1 or 2, wherein the environment determination unit switches the cluster distribution used for determination based on the distribution selection information acquired by the distribution selection information acquisition unit.
前記環境判定装置での判定結果の種類毎に用意され、ドライバの運転傾向をモデル化した推定モデルを記憶するモデル記憶手段と、
前記検出データ取得手段にて取得された検出データに基づいて前記推定モデルを学習する学習手段と、
前記運転環境判定装置での判定結果に従って選択した推定モデルを用い、前記検出データに基づいてドライバの運転状況を推定する推定手段と、
を備えることを特徴とする運転状況推定装置。 A driving ring determination device according to any one of claims 1 to 4,
Model storage means for storing an estimation model prepared for each type of determination result in the environment determination apparatus and modeling a driving tendency of a driver;
Learning means for learning the estimation model based on the detection data acquired by the detection data acquisition means;
Using an estimation model selected according to the determination result in the driving environment determination device, estimating means for estimating the driving situation of the driver based on the detection data;
A driving situation estimation device comprising:
前記学習手段は、前記自車速と前記車間距離に関わる車間パラメータとの関係に基づいて、前記自車速から前記車間パラメータの目標値を推定するための推定モデルを生成し、
前記推定手段は、前記自車速と前記推定モデルとによって設定された目標値と前記車間パラメータの実測値との差から前記運転状況を推定することを特徴とする請求項５に記載の運転状況推定装置。 The detection data includes at least the host vehicle speed and the inter-vehicle distance with the preceding vehicle,
The learning means generates an estimation model for estimating a target value of the inter-vehicle parameter from the own vehicle speed based on the relationship between the own vehicle speed and the inter-vehicle parameter related to the inter-vehicle distance.
6. The driving condition estimation according to claim 5, wherein the estimating means estimates the driving condition from a difference between a target value set by the host vehicle speed and the estimation model and an actual value of the inter-vehicle parameter. apparatus.
前記学習手段は、ある時刻でのブレーキ操作量、及びブレーキ操作が開始されてからのその時刻に至る前記ブレーキ操作量の積分値からなる２次元の運転データの状態遷移に基づいて、前記運転データからドライバのブレーキ意図を推定するための推定モデルを生成し、
前記推定手段は、前記運転データと前記推定モデルとによって推定されたブレーキ意図を前記運転状況の推定結果とすることを特徴とする請求項５に記載の運転状況推定装置。 The detection data includes at least a brake operation amount,
The learning means, based on a state transition of two-dimensional driving data consisting of a brake operation amount at a certain time and an integrated value of the brake operation amount up to that time after the brake operation is started, Generate an estimation model for estimating the driver's brake intention from
6. The driving situation estimation apparatus according to claim 5, wherein the estimation means uses a braking intention estimated by the driving data and the estimation model as an estimation result of the driving situation.
前記推定手段での推定結果に応じた運転支援を選択して実行する支援実行手段と、
を備えることを特徴とする運転支援装置。 The driving state estimation device according to any one of claims 5 to 10,
Support execution means for selecting and executing driving support according to the estimation result of the estimation means;
A driving support apparatus comprising:
前記支援実行手段は、前記履歴記憶手段に記憶された推定モデルの変化に応じて運転支援の内容を決定することを特徴とする請求項１１に記載の運転支援装置。 A history storage means for storing the history of the estimated model learned by the learning means;
The driving support apparatus according to claim 11, wherein the support execution unit determines the content of driving support in accordance with a change in the estimated model stored in the history storage unit.
前記支援実行手段は、前記標準推定モデルに対する前記学習手段にて学習された推定モデルの逸脱度に応じて運転支援の内容を決定することを特徴とする請求項１１又は請求項１２に記載の運転支援装置。 A standard model storage means for storing a standard model that is an average estimation model of a large number of drivers;
The driving according to claim 11 or 12, wherein the support execution unit determines the content of driving support according to a deviation degree of the estimation model learned by the learning unit with respect to the standard estimation model. Support device.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2009200369A JP5385056B2 (en) | 2009-08-31 | 2009-08-31 | Driving status estimation device, driving support device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2009200369A JP5385056B2 (en) | 2009-08-31 | 2009-08-31 | Driving status estimation device, driving support device |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2013117260A Division JP5643386B2 (en) | 2013-06-03 | 2013-06-03 | Driving status estimation device, driving support device |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2011053798A true JP2011053798A (en) | 2011-03-17 |
| JP5385056B2 JP5385056B2 (en) | 2014-01-08 |
Family
ID=43942761
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2009200369A Active JP5385056B2 (en) | 2009-08-31 | 2009-08-31 | Driving status estimation device, driving support device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5385056B2 (en) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012238245A (en) * | 2011-05-12 | 2012-12-06 | Fuji Heavy Ind Ltd | Environment recognition device and environment recognition method |
| JPWO2013042260A1 (en) * | 2011-09-22 | 2015-03-26 | トヨタ自動車株式会社 | Driving assistance device |
| JP2015135552A (en) * | 2014-01-16 | 2015-07-27 | 株式会社デンソー | Learning system, on-vehicle device, and server |
| JP6099845B1 (en) * | 2016-03-22 | 2017-03-22 | 三菱電機株式会社 | Information device, navigation device, work procedure guidance device, and load status determination method |
| KR101802858B1 (en) * | 2015-10-07 | 2017-11-29 | 주식회사 성우모바일 | Integrated data processing system and method for vehicle |
| 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 |
| WO2018070050A1 (en) * | 2016-10-14 | 2018-04-19 | 富士通株式会社 | Road data analysis program, road data analysis method and road data analysis device |
| JP2018092406A (en) * | 2016-12-05 | 2018-06-14 | 株式会社日立製作所 | Equipment diagnosis apparatus, equipment diagnosis system, and equipment diagnosis method |
| JP2019117493A (en) * | 2017-12-27 | 2019-07-18 | クラリオン株式会社 | Server device and on-vehicle device deployment management method |
| JP2019220084A (en) * | 2018-06-22 | 2019-12-26 | 矢崎総業株式会社 | Analysis device, on-vehicle device, and pattern analysis support device |
| US10611379B2 (en) | 2016-08-16 | 2020-04-07 | Toyota Jidosha Kabushiki Kaisha | Integrative cognition of driver behavior |
| DE112018004885T5 (en) | 2017-08-31 | 2020-06-10 | Panasonic Intellectual Property Management Co., Ltd. | Assistance method and assistance system and assistance device using the same |
| JP2021033505A (en) * | 2019-08-21 | 2021-03-01 | 株式会社デンソーテン | Driving assistance device, driving assistance system, and driving assistance method |
| 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 |
| CN114692713A (en) * | 2020-12-29 | 2022-07-01 | 郑州宇通客车股份有限公司 | Driving behavior evaluation method and device for automatic driving vehicle |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05155291A (en) * | 1991-12-03 | 1993-06-22 | Mitsubishi Electric Corp | Warning device for vehicle |
| JPH08207624A (en) * | 1995-01-31 | 1996-08-13 | Mazda Motor Corp | Judging method and judging device for traveling environment |
| JP2844113B2 (en) * | 1990-06-29 | 1999-01-06 | 明星電気株式会社 | Vehicle collision warning system |
| JPH1199849A (en) * | 1997-09-30 | 1999-04-13 | Nissan Motor Co Ltd | Operating behavior pattern recognizing device |
| JPH11245833A (en) * | 1998-03-02 | 1999-09-14 | Toyota Motor Corp | Steering controller for vehicle |
| JPH11315734A (en) * | 1998-04-28 | 1999-11-16 | Aisin Aw Co Ltd | Vehicle control device, vehicle control method and program recording medium for vehicle control method |
| JP2000315300A (en) * | 1999-05-06 | 2000-11-14 | Nissan Motor Co Ltd | Inter-vehicle distance alarm device |
| JP2003051097A (en) * | 2001-08-03 | 2003-02-21 | Toyota Motor Corp | Device and method for deciding car driving mentality and device and method for supporting driving |
| JP2007272834A (en) * | 2006-03-31 | 2007-10-18 | Equos Research Co Ltd | Driver model creation device, drive support device, and drive behavior determination device |
| WO2009013816A1 (en) * | 2007-07-24 | 2009-01-29 | Nissan Motor Co., Ltd. | Drive assistance apparatus for vehicle and vehicle equipped with the apparatus |
| JP2009157606A (en) * | 2007-12-26 | 2009-07-16 | Toyota Central R&D Labs Inc | Driver status estimation device and program |
-
2009
- 2009-08-31 JP JP2009200369A patent/JP5385056B2/en active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2844113B2 (en) * | 1990-06-29 | 1999-01-06 | 明星電気株式会社 | Vehicle collision warning system |
| JPH05155291A (en) * | 1991-12-03 | 1993-06-22 | Mitsubishi Electric Corp | Warning device for vehicle |
| JPH08207624A (en) * | 1995-01-31 | 1996-08-13 | Mazda Motor Corp | Judging method and judging device for traveling environment |
| JPH1199849A (en) * | 1997-09-30 | 1999-04-13 | Nissan Motor Co Ltd | Operating behavior pattern recognizing device |
| JPH11245833A (en) * | 1998-03-02 | 1999-09-14 | Toyota Motor Corp | Steering controller for vehicle |
| JPH11315734A (en) * | 1998-04-28 | 1999-11-16 | Aisin Aw Co Ltd | Vehicle control device, vehicle control method and program recording medium for vehicle control method |
| JP2000315300A (en) * | 1999-05-06 | 2000-11-14 | Nissan Motor Co Ltd | Inter-vehicle distance alarm device |
| JP2003051097A (en) * | 2001-08-03 | 2003-02-21 | Toyota Motor Corp | Device and method for deciding car driving mentality and device and method for supporting driving |
| JP2007272834A (en) * | 2006-03-31 | 2007-10-18 | Equos Research Co Ltd | Driver model creation device, drive support device, and drive behavior determination device |
| WO2009013816A1 (en) * | 2007-07-24 | 2009-01-29 | Nissan Motor Co., Ltd. | Drive assistance apparatus for vehicle and vehicle equipped with the apparatus |
| JP2009157606A (en) * | 2007-12-26 | 2009-07-16 | Toyota Central R&D Labs Inc | Driver status estimation device and program |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012238245A (en) * | 2011-05-12 | 2012-12-06 | Fuji Heavy Ind Ltd | Environment recognition device and environment recognition method |
| JPWO2013042260A1 (en) * | 2011-09-22 | 2015-03-26 | トヨタ自動車株式会社 | Driving assistance device |
| JP2015135552A (en) * | 2014-01-16 | 2015-07-27 | 株式会社デンソー | Learning system, on-vehicle device, and server |
| US11494685B2 (en) | 2014-01-16 | 2022-11-08 | Denso Corporation | Learning system, in-vehicle device, and server |
| KR101802858B1 (en) * | 2015-10-07 | 2017-11-29 | 주식회사 성우모바일 | Integrated data processing system and method for vehicle |
| JP6099845B1 (en) * | 2016-03-22 | 2017-03-22 | 三菱電機株式会社 | Information device, navigation device, work procedure guidance device, and load status determination method |
| WO2017163309A1 (en) * | 2016-03-22 | 2017-09-28 | 三菱電機株式会社 | State estimation device, navigation device, and operation procedure guidance device |
| 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 |
| 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 |
| JPWO2018070050A1 (en) * | 2016-10-14 | 2019-06-24 | 富士通株式会社 | Road data analysis program, road data analysis method and road data analysis device |
| WO2018070050A1 (en) * | 2016-10-14 | 2018-04-19 | 富士通株式会社 | Road data analysis program, road data analysis method and road data analysis device |
| JP2018092406A (en) * | 2016-12-05 | 2018-06-14 | 株式会社日立製作所 | Equipment diagnosis apparatus, equipment diagnosis system, and equipment diagnosis method |
| DE112018004885T5 (en) | 2017-08-31 | 2020-06-10 | Panasonic Intellectual Property Management Co., Ltd. | Assistance method and assistance system and assistance device using the same |
| US11685390B2 (en) | 2017-08-31 | 2023-06-27 | Panasonic Intellectual Property Management Co., Ltd. | Assistance method and assistance system and assistance device using assistance method that execute processing relating to a behavior model |
| JP2019117493A (en) * | 2017-12-27 | 2019-07-18 | クラリオン株式会社 | Server device and on-vehicle device deployment management method |
| JP6993870B2 (en) | 2017-12-27 | 2022-01-14 | フォルシアクラリオン・エレクトロニクス株式会社 | Server device and in-vehicle device deployment management method |
| JP2019220084A (en) * | 2018-06-22 | 2019-12-26 | 矢崎総業株式会社 | Analysis device, on-vehicle device, and pattern analysis support device |
| JP2021033505A (en) * | 2019-08-21 | 2021-03-01 | 株式会社デンソーテン | Driving assistance device, driving assistance system, and driving assistance method |
| CN114692713A (en) * | 2020-12-29 | 2022-07-01 | 郑州宇通客车股份有限公司 | Driving behavior evaluation method and device for automatic driving vehicle |
Also Published As
| Publication number | Publication date |
|---|---|
| JP5385056B2 (en) | 2014-01-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5643386B2 (en) | Driving status estimation device, driving support device | |
| JP5385056B2 (en) | Driving status estimation device, driving support device | |
| JP5407764B2 (en) | Driving assistance device | |
| CN103303306B (en) | The unsafe condition just occurring is made warning method to vehicle driver | |
| US12090995B2 (en) | Method for predictive assessment of a current driving situation and assessment module | |
| JP5521893B2 (en) | Driving support system, in-vehicle device | |
| US10825339B2 (en) | Method for providing drowsiness alerts in vehicles | |
| US20150206001A1 (en) | Method and device for classifying a behavior of a pedestrian when crossing a roadway of a vehicle as well as passenger protection system of a vehicle | |
| CN110488802A (en) | A kind of automatic driving vehicle dynamic behaviour decision-making technique netted under connection environment | |
| JP7119365B2 (en) | Driving behavior data generator, driving behavior database | |
| JP2009003650A (en) | Vehicle travel estimation device | |
| US11661061B2 (en) | Method and device for assisting a driver in a vehicle | |
| US20100023223A1 (en) | Adaptive vehicle control system with driving style recognition | |
| JP2016091039A (en) | Hazard predicting device, and drive supporting system | |
| US20100152951A1 (en) | Adaptive vehicle control system with driving style recognition based on vehicle accelerating and decelerating | |
| US20100023296A1 (en) | Adaptive vehicle control system with driving style recognition based on vehicle u-turn maneuvers | |
| US20100019880A1 (en) | Adaptive vehicle control system with driving style recognition based on traffic sensing | |
| CN101102916A (en) | Driver assistance system with driving path prediction | |
| JP4947028B2 (en) | Driving support apparatus and driving support method for automobile | |
| US20100023180A1 (en) | Adaptive vehicle control system with driving style recognition based on lane-change maneuvers | |
| JP4182131B2 (en) | Arousal level determination device and arousal level determination method | |
| US20100152950A1 (en) | Adaptive vehicle control system with driving style recognition based on vehicle stopping | |
| JP5691237B2 (en) | Driving assistance device | |
| CN111038502A (en) | Safe vehicle distance pre-estimation, correction, early warning and driving qualification evaluation method and system | |
| US20200180614A1 (en) | Vehicle control device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20120125 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20120125 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20130327 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130402 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20130910 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20131003 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 Ref document number: 5385056 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |