JP2012018527A - 車両状態記録装置 - Google Patents

Abstract

【課題】明らかな異常でないが、ユーザが違和感が感じた場合に、運転者の操作がなくても、車両状態情報を記憶可能な車両状態記録装置を提供すること。
【解決手段】車両の位置情報を取得する位置情報取得手段１１と、車両挙動を示す車両挙動情報を取得する車両挙動情報取得手段１５と、位置情報と該位置における標準的な車両挙動情報を関連づけて記憶する標準車両挙動情報記憶手段１６と、現在の位置情報に対応づけて標準車両挙動情報記憶手段１６に記憶された標準的な車両挙動情報に対し、現在の車両挙動情報が異なっているか否かを判定する判定手段２３と、標準的な車両挙動情報と現在の車両挙動情報が異なっていると判定された場合、車両の状態情報を記録する記録手段２４と、を有する車両状態記録装置１００を提供する。
【選択図】図１

Description

本発明は、車両の状態を記録する車両状態記録装置に関し、特に、設計上は想定内の車両挙動でも車両状態を記録できる車両状態記録装置に関する。

車両が異常を検知した場合に、ＥＣＵ（Electronic Control Unit）がダイアグコードを記憶しておくことで、ディーラーなどが不具合調査に記録されたダイアグコードを活用することができるようになっている。

ＥＣＵがダイアグコードを記憶するには、センサが出力する電圧値などが異常と見なせる一定の条件を満たす必要があるため、条件を満たす明らかな異常でないとダイアグコードが記録されない。このため、明らかな異常でないが、車両の挙動がいつもと違うことなどを理由に、ユーザが官能的に違和感を感じた場合に、原因を特定することが困難な場合があった。

ここで、明らかな異常が生じていなくても車両の情報を記録する技術が提案されている（例えば、特許文献１，２参照。）。特許文献１には、運転者による車両操作等から運転者の緊張状態が高まっていることを検知し、走行に関する情報を記憶する車両状況記録装置が開示されている。特許文献２には、運転者が操作可能な操作手段を備え、操作手段が操作された場合に、操作された時の車両情報を記録する車両用情報記録装置が開示されている。

特開２０００−３１８４８２号公報 特開２００６−８８７５０号公報

しかしながら、特許文献１に開示された車両状況記録装置には、例えば、カーブで速度オーバーした場合の緊張状態を検出する例が記載されているが、カーブ走行時の車両操作は運転者によって様々であるので、一律の基準値に基づき緊張状態を検出することは適切ではない。すなわち、実際には運転者が緊張していなくも車両情報を記憶したり、緊張しているのに車両情報が記憶されないおそれがあるという問題がある。

また、特許文献２に記載された車両状態情報記録装置では、運転者が操作しないと車両状態が記録されないという問題がある。

本発明は上記課題に鑑み、明らかな異常でないが、ユーザが違和感が感じた場合に、運転者の操作がなくても、車両状態情報を記憶可能な車両状態記録装置を提供することを目的とする。

上記課題に鑑み、本発明は、車両の位置情報を取得する位置情報取得手段と、車両挙動を示す車両挙動情報を取得する車両挙動情報取得手段と、位置情報と該位置における標準的な車両挙動情報を関連づけて記憶する標準車両挙動情報記憶手段と、現在の位置情報に対応づけて前記標準車両挙動情報記憶手段に記憶された標準的な車両挙動情報に対し、現在の車両挙動情報が異なっているか否かを判定する判定手段と、標準的な車両挙動情報と現在の車両挙動情報が異なっていると判定された場合、車両の状態情報を記録する記録手段と、を有する車両状態記録装置を提供する。

明らかな異常でないが、ユーザが違和感が感じた場合に、運転者の操作がなくても車両状態情報を記憶可能な車両状態記録装置を提供することができる。

車両状態記録装置の概略を説明するフローチャート図の一例である。 車両状態記録装置の概略構成図の一例である。 学習結果を模式的に説明する図の一例である。 車両状態記録装置が車両状態情報を記録する手順を示すフローチャート図の一例である。

以下、本発明を実施するための形態について図面を参照しながら説明する。
図１は、本実施形態の車両状態記録装置の概略を説明するフローチャート図の一例である。

まず、車両状態記録装置は、不具合が発生するケースが多いと想定されるいくつかのシーンを想定し、シーン毎の車両操作と車両挙動を学習する（Ｓ１）。これにより、この運転者のシーン毎の標準的な車両操作と車両挙動を記録することができ、シーン毎に、その運転者にとって車両操作や車両挙動が標準的か否かの閾値を設定することができる。

そして、車両状態記録装置は、位置情報等からシーンを特定し、閾値以上の非連続な入力が検出されたか否かを判定する（Ｓ２）。非連続な入力とは、監視対象のデータが急激に変化したことをいう。

そして、閾値以上の非連続な入力が検出された場合（Ｓ２のＹｅｓ）、車両状態記録装置は車両状態情報を記録する。

このように、ダイアグコードが記録されるような異常が検出されなくても、シーン毎に運転者の車両操作や車両挙動を学習することで、官能的な不具合を検出して、原因究明に有用な車両状態情報を記憶することができる。

〔構成〕
図２は、車両状態記録装置１００の概略構成図の一例を示す。車両状態記録装置１００は、ＥＣＵ（Electronic Control Unit）１３にＣＡＮ（Controller Area Network）等の車載ＬＡＮや専用線を介して接続された、ＧＰＳ受信機１１、ナビシステム１２、直接検知手段１４、間接検知手段１５及び車両挙動情報記憶手段１６を有する。ＥＣＵ１３は、ＣＰＵ、ＲＡＭ、ＲＯＭ、ＡＳＩＣ（Application Specific Integrated Circuit）及び入出力インターフェイスを備えたコンピュータを有する。ＥＣＵ１３には種々の種類（ナビゲーション用ＥＣＵ、エンジンＥＣＵ、ブレーキＥＣＵ等）があるが、車両状態情報を記録するＥＣＵであればどのようなＥＣＵでもよい。

ＧＰＳ受信機１１は衛星測位装置の一種であり、地球の周りを周回する好ましくは４つ以上のＧＰＳ衛星からの電波の到達時間に基づき、自車両の位置（緯度・経度・標高）を検出する。ナビシステム１２は、ＧＰＳ受信機１１が検出した自車両の位置情報を起点にして、自車両の進行方向に走行距離を累積して、自車両の位置を高精度に推定する。

また、ナビシステム１２は、車両に搭載した道路地図ＤＢから読み出した道路地図又はサーバから受信した道路地図の、最も確からしい道路に自車両の位置をマップマッチングする。道路地図は、位置情報に対応づけられたノード（交差点等）とリンク（道路）それぞれの情報を有するので、車両の位置が特定されれば交差点、坂路、カーブがあるかどうかも特定できる。

・直接検知
直接検知手段１４は、運転者の違和感を直接検知する各種の手段である。運転者が、意図しない車両の挙動を感じたり、意図しない状況が発生した場合、運転者が違和感を感じると考えられる。この場合、例えば、心拍数や血圧が上昇し、運転者が首をすくめたり、目をつむったり、発汗する。

直接検知手段１４は、このような運転者が感じた違和感を検知するため、心拍センサ、血圧センサ（脈波センサ）、顔カメラ及び発汗センサを有する。心拍センサ、血圧センサ、及び、発汗センサは、例えば、ステアリングホイールの中立状態で左右の掌が把持する部位に配置された２つの電極を利用して構成することができる。運転者の左右の掌が独立にそれぞれの電極に触れると電位差が生じ、この電位差を検出、増幅、成形することで心電図波形が得られる。

また、脈波センサは、運転者の指先、又は、アクセルペダルの指先側に配置され、運転者の指先に照射されたＬＥＤの透過光を検出するセンサである。脈動によりヘモグロビン量が変化すると透過光の強度が変わるので、透過光を監視することで脈波が得られる。

血圧の求め方はいくつか提案されているが、例えばＰＷＴＴ（Pulse Wave Transit Time：脈波伝搬時間）から求める方法が知られている。ＰＷＴＴは、心電図波形におけるＲ波の発生時刻から、対応する血圧波形の立ち上がり時の時刻との差として求めることができる。ＰＷＴＴは血圧が上昇すると短縮し、血圧が低下すると長くなるので、血圧センサはこの現象を利用した所定の計算式を用いて血圧を算出する。なお、トノメトリ法により直接、血圧を測定してもよい。

発汗センサは左右の電極に埋め込まれた静電容量センサや電流センサであり、発汗による静電容量や電流値の変化（抵抗の変化）から発汗量又は発汗の有無を検出する。

顔カメラは、ステアリングコラムの上側に配置され、運転者の顔を正面のやや下方から撮影するカメラである。顔カメラが撮影した顔画像は、眼の開閉検知に基づく居眠り検知、脇見の検知などに利用されている。本実施形態では、顔画像から、首をすくめる、目をつぶる等の行動をＥＣＵ１３が検出する。以下、直接検知手段１４が検知する各種の情報を生理情報という。

・間接検知
間接検知手段１５は、運転者の違和感を間接的に検知する各種の手段である。間接検知手段１５は、運転者が、現在、自分が置かれた状況（シーン）にて期待される五感に対する入力と違う入力がなされたことを間接的に検出する。

シーンは、例えば、交差点、駐車場の入り口、坂道、カーブ等である。このようなシーン毎に、運転者に特有の車両操作及び操作の結果の車両挙動があると考えられる。これを検知するため、間接検知手段１５は、各シーン毎に、車両加速度、速度、操作系の加速度、周辺物体との距離等（これらが車両挙動情報となる）を検知する。

運転者は走行状況を五感で検知し適切な車両操作を行うだけでなく、上記の違和感も五感のいずれかで検知する。よって、五感に相当するセンサを用いて走行状況を検知することが好ましい。一方、五感に相当するセンサが、車両操作及び操作の結果の車両挙動を検知するセンサと一致するとは限らないが、ここでは五感に相当するセンサであれば、車両操作及び操作の結果の十分に検知するとして説明する。したがって、車両挙動情報と車両状態情報はいずれも間接検知手段１５により検知される。車両挙動情報と車両状態情報は一部が共通することもあるが、説明のため両者に別々の名前を付けた。

具体的には、間接検知手段１５は、運転者の視覚（外界認識から違和感を感じる場合）を入力するセンサとして、視覚補助センサを有する。視覚補助センサは、車外を撮影する各種のカメラ、ミリ波レーダ、ソナー、インフラ情報の受信機、等である。カメラにより、前方や後方の状況が、ミリ波レーダにより障害物との距離が、ソナーにより車両周囲の障害物と所定値以上に接近したことが、インフラ情報の受信機により渋滞情報や制限速度情報が、得られる。

また、運転者の聴覚（異音から違和感を感じる場合）を入力するセンサとして、聴覚補助センサを有する。聴覚補助センサは、アクチュエータへの通電電流センサ、油圧センサ、温度センサ等である。通電電流センサが過大な電流を検知すること、油圧センサが過大な油圧を検知すること、及び、温度センサが想定外の高温若しくは低温を検知すること、により、車両の可動部などが異音を発し運転者が違和感を感じたと検知される。すなわち、機械的な過負荷状態となったことが検知される。

また、運転者の触覚（触覚から違和感を感じる場合）を入力するセンサとして、触覚補助センサを有する。触覚補助センサは、加減速Ｇセンサ、横Ｇセンサ、ヨーレートセンサ等である。加減速Ｇが過大な加減速Ｇ（前後方向のＧ）を検知すること、横Ｇセンサが過大な横方向のＧを検知すること、及び、ヨーレートセンサが過大なヨーレートを検知することにより、違和感のある挙動を運転者が感じたと検知される。

機器操作検出手段は、運転者の機器操作を検出する各種のセンサである。例えば、アクセルペダルストロークセンサ、マスタシリンダ圧センサ、操舵角センサ等である。

このような間接検知手段１５を有することで、違和感の原因となった入力、その結果の車両操作や車両挙動、を監視することができる。以下、間接検知手段１５が検知する各種の信号値を車両挙動情報という。なお、間接検知手段１５は、学習時と違和感の間接的な検出時の双方において、車両挙動情報を検知する。

〔記録方法〕
運転者が違和感を感じるのは、自分が置かれた状況から期待される車両挙動と異なる車両挙動を感じた場合である。運転者が違和感を感じた場合、何らかの通常の操作と異なる操作を行うと想定される。したがって、シーン毎に、運転者の操作や車両挙動を監視し、何らかの通常の操作と異なる操作や車両挙動を検出したことを車両状態情報の記録のトリガーとすることができる。

このような機能を提供するため、ＥＣＵ１３は、シーン特定手段２１、学習手段２２、判定手段２３、及び、記録手段２４を有する。シーン特定手段２１は、車両の走行状況がどのような状況（シーン）かを特定する。シーンには、例えば、交差点、駐車場の入り口、坂道、カーブ等がある。シーン特定手段２１は、車両の位置情報に基づき道路地図上の場所から、車両のシーンを特定する。例えば、交差点の中心から３０ｍ以内であれば、シーン＝交差点であると特定する。また、運転者が、道路地図の駐車場のある位置で所定の速度以下に減速し、その駐車場の方向にステアリングを操舵した場合、シーン特定手段２１はシーン＝駐車場の入り口であると特定する。なお、駐車場は、各種の商業施設と併設されるものであるから、駐車場を商業施設と置き換えてもよい。

また、車両が道路地図の坂路を走行中、又は、車載された傾斜センサが傾斜を検出している場合、シーン特定手段２１はシーン＝坂道であると特定する。

また、車両が高速道路のランプなど所定の曲率以上のカーブを走行中であれば、シーン＝カーブであると特定する。この他、インフラ情報から取得した事故多発地帯や渋滞走行をシーンの１つに特定することも好ましい。

なお、このような特定のシーンだけでなく直進走行時もシーンの１つに特定することができる。例えば、信号のない直線道路を走行中、シーン＝直進走行中であると特定する。

学習手段２２は、シーン毎の運転者の車両操作又は車両挙動を学習する。学習には様々な手法があるが、ここではシーン毎の標準的な車両操作又は車両挙動を予め登録しておき、その標準的な車両操作又は車両挙動との差分から学習値を求める。標準的な車両操作又は車両挙動そのものから学習値を求めてもよい。

例えば、あるシーンにおける、標準的な車両加速度をα_０１〜α_０ｎ、速度をｖ_０１〜ｖ_０ｎ、操作系の加速度をβ_０１〜β_０ｎ、周辺物体との距離をＬ_０１〜Ｌ_０ｎとする。シーン毎に適切な車両挙動を表す信号や操作系は異なるので、常にこれらの情報が含まれているとは限らない。以下、車両挙動情報に含まれる各情報をパラメータという。

例えば、交差点を左折するというシーンにおいて、交差点の手前１０ｍから左折後の１０ｍまでを略等間隔に区分した際の標準的な速度を、
ｖ_０１＝４０、ｖ_０２＝３０、ｖ_０３＝２０、ｖ_０４＝２０、ｖ_０５＝１０、ｖ_０６＝１０、ｖ_０７＝２０、ｖ_０８＝３０、ｖ_０９＝４０、ｖ_１０＝５０
として、ＥＣＵ１３が予め記憶している。なお、ここでは１０個のデータ数で表したが、１０個以下でも１０個以上でもよい。

これに対し、車両がある交差点を左折した場合の、交差点の手前１０ｍから左折後の１０ｍまでの車速が、
ｖ_１＝４５、ｖ_２＝３４、ｖ_３＝２２、ｖ_４＝２０、ｖ_５＝１５、ｖ_６＝１３、ｖ_７＝２４、ｖ_８＝３５、ｖ_９＝４６、ｖ_１０＝６０
であるとする。

学習手段２２は、これらの対応する位置同士の差を算出する。
Δｖ_１＝−５、Δｖ_２＝−４、Δｖ_３＝−２、Δｖ_４＝０、Δｖ_５＝−５、Δｖ_６＝−３、Δｖ_７＝−４、Δｖ_８＝−５、Δｖ_９＝−６、Δｖ_１０＝−１０
学習手段２２はこのような算出をシーン毎に繰り返し、統計的な処理を施す。例えば、データ点毎に平均値と標準偏差を求めることで、交差点の左折というシーンにおいて、運転者が違和感を感じていない場合の車速を学習することができる。したがって、このような違和感を感じていない状態の一般的な車速から大きく逸脱した車速がある場合、運転者が違和感を感じている可能性が高いことになる。

例えば、標準偏差の性質から、平均値±標準偏差の２倍の範囲内に約９５％のデータが含まれ、平均値±標準偏差の３倍の範囲内に約９９％のデータが含まれることが知られている。したがって、例えば、「平均値＋標準偏差の３倍」以上の車速ｖ、又は、「平均値−標準偏差の３倍」以下の車速ｖ、が検出された場合、通常の車両操作では起こらない車速であるとしてよい。

そこで、学習手段２２は、このように違和感を感じていない状態の一般的な車速に基づき閾値を定め、閾値を基準に、運転者が違和感を感じているか否かを判定する。閾値は、例えば、標準偏差の３倍、又は、余裕を見て「ｋ×標準偏差の３倍（ｋ＞１）」等のように定められる。学習手段２２はパラメータ毎に、以上のような計算を行い閾値を決定する。

図３は、学習結果を模式的に説明する図の一例である。十分な数の交差点で学習処理を繰り返すことで、運転者のくせを反映して車速が連続的に遷移する学習結果が得られる。そして、運転者が違和感を感じていない場合、車速ｖは、平均値±３σ（標準偏差）に含まれると考えられる。

これに対し、運転者が違和感を感じた場合、平均値±３σ（標準偏差）に含まれない車速ｖが生じると考えられる。時系列に車速ｖを監視すれば、車速ｖは、運転者が違和感を感じた場合に、不連続的に変化したように見える。図３では、交差点の中央付近で車速ｖが急に小さくなっている。

学習手段２３は車両挙動情報記憶手段１６に、図３のような学習結果を記憶する。なお、車両挙動情報記憶手段１６はＥＣＵ１３内の不揮発メモリ又はナビシステム１２のＨＤＤ等を実体とする。

判定手段２３は、交差点の各位置毎に、閾値と車速ｖを比較して、閾値を逸脱したデータの点数をカウントする。

１つのシーンには複数のパラメータが含まれる場合があるので、判定手段２３は、パラメータ毎に、閾値と車両挙動情報を比較して、閾値を逸脱したデータの点数をカウントする。そして、これらのカウント結果を用いて、車両状態情報を記録するか否かを判定する。
判定手段２３は、例えば、パラメータのうち１つでも、カウント値が１以上である場合、車両状態情報を記録すると判定する。この場合、運転者が違和感を感じた可能性があれば全てそれを検知することができる。

また、判定手段２３は、例えば、カウント値が１以上のパラメータが幾つあるかをカウントし、パラメータの数が所定値以上（例えば、２以上）の場合に、車両状態情報を記録すると判定する。この場合、異なるパラメータで車両挙動情報が閾値を超えている必要があるので、より厳格に、運転者が違和感を感じたことを検知することができる。

また、判定手段２３は、例えば、各パラメータのカウント値に重み付けをして合計し、合計値が所定値以上の場合に、車両状態情報を記録すると判定する。運転者の違和感を反映しやすいパラメータほど重み付けを大きくすることで、運転者が違和感を感じたことを高精度に検知することができる。

なお、直進走行時というシーンでは、交差点のように位置を特定しにくい。直進走行時、運転者が違和感を感じていなければ、ほぼ一定の車速で巡航走行すると考えられる。これに対し、運転者が違和感を感じた場合、急激な操作や無意識の車両挙動を行う可能性がある。急激な操作としては、例えば、急減速、急操舵、急加速等があり、無意識の車両挙動としては道路の中央を走行するように運転手が操舵しているが不具合により蛇行してしまうことが挙げられる。

このように直進走行時では標準的な車両挙動情報を定めやすいため、平均値や閾値を定めることなく、判定手段３２は、車両挙動情報から、運転者が違和感を感じたと判定することができる。

よって、判定手段２３は、直進走行時というシーンにおいて、車両挙動情報を監視して急激に変化した場合、又は、予め定めた車両挙動と明らかに異なる車両挙動が検出された場合、車両状態情報を記憶すると判定する。なお、急激な変化とは、所定時間内（例えば１秒）に所定値以上（例えば所定時間前の値の５％）の変化をいう。また、予め定めた車両挙動と明らかに異なる車両挙動とは、例えば、車両が蛇行することをいう。車両が蛇行したことは、操舵角の周期的な変動から検出される。

〔生理情報を用いた判定〕
判定手段２３が生理情報を用いて運転者が違和感を感じていることを検知することで、車両挙動情報のみを用いる場合よりも判定基準を厳格化できる。しかしながら、車両状態情報を記録に取ることを優先するなら、必ずしも、運転者が違和感を感じていることの判定に、生理情報を用いなくてもよい。

生理情報に対しても、学習手段２２は、運転者の普段の生理情報のレベルを学習しておくことが好ましい。生理情報は個人差が比較的大きいためである。学習手段２２は、走行中の標準的な運転者の心拍、血圧、発汗量を監視し、運転者の標準的な心拍、血圧、発汗量を学習しておく。なお、顔画像については、特に学習の必要はない。

判定手段２３は、これら学習した標準的な心拍、血圧、発汗量と、走行中に検出した心拍、血圧、発汗量をそれぞれ比較して、閾値以上の差異がある場合に、車両状態情報を記録すると判定する。

また、判定手段２３は、顔画像を画像処理して運転者が首をすくめていることを、肩の位置の変化などから検知する。また、顔画像を画像処理して得られる眼の開度から、目をつむったことを検知する。運転者が首をすくめた場合、又は、目をつむった場合、判定手段２３は車両状態情報を記録すると判定する。

〔車両状態情報の記録〕
記録手段２４は、判定手段２３が車両状態情報を記録すると判定すると、車両状態情報をフラッシュメモリやＨＤＤなどの不揮発メモリに記録する。または、通信装置を使用してセンターに送信してもよい。

車両状態情報は、例えば、ＧＰＳ受信機１１が検出した位置情報、時刻情報、車速、加速度、減速度、横加速度、アクセル開度、ＳＯＣ（Ｓｔａｔｅ ｏｆ ｃｈａｒｇｅ）、シーン名、等である。車両挙動情報を記録するトリガーとなった車両挙動情報も記録することが好ましい。

記録手段２４はこれらの車両状態情報を、判定手段２３が車両状態情報を記録すると判定してから例えば数秒間記録する。

〔動作手順〕
図４は、本実施形態の車両状態記録装置１００が車両状態情報を記録する手順を示すフローチャート図の一例である。図４の手順は例えばイグニッションがオン又はメインシステムがオン（ハイブリッド車又は電気自動車の場合）になるとスタートする。

まず、ＧＰＳ受信機１１とナビシステム１２が車両の位置情報を取得する（Ｓ１０）。一度、ＧＰＳ受信機１１が位置を特定した後は、ナビシステム１２が継続的に位置情報を生成している。

シーン特定手段２１は、位置情報に基づき道路地図を参照し、車両の走行状況が所定のシーンか否かを判定する（Ｓ２０）。図４では「交差点」「駐車場」「直線道路」の３つのシーンに区分しているが、シーン特定手段２１はこの他、シーンとして抽出すべき全てのシーンを特定する。

車両が交差点を走行するシーンの場合（Ｓ２０のＹｅｓ）、学習手段２２は運転者の交差点走行時の車両挙動情報を学習すると共に、閾値を決定する（Ｓ３０）。車両が交差点を走行するシーンでないが（Ｓ２０のＮｏ）、駐車場に駐車するシーンの場合（Ｓ４０のＹｅｓ）、学習手段２２は運転者の駐車時の車両挙動情報を学習すると共に、閾値を決定する（Ｓ５０）。

なお、車両が過去の全ての車両挙動情報を記憶しておくことは困難なので、例えば、過去の１ヶ月程度の車両挙動情報のみを記憶しておきこれから学習することで、運転者の最近の車両操作を学習することができる。

次に、判定手段２３は、閾値以上の不連続な車両挙動情報が検出されたか否かを判定する（Ｓ６０）。判定方法は、上述したとおりである。

なお、図４では、Ｓ６０の判定の前にＳ３０，Ｓ５０で学習手段２２が学習しているが、判定手段２３が閾値以上の不連続な車両挙動情報が検出されないと判定した車両挙動情報から、学習手段２２が学習することが好ましい。こうすることで、学習結果に、運転者が違和感を感じている場合の車両挙動情報が含まれることを防止できる。

次に、図４では、生理情報を用いて運転者が違和感を感じていることを検知するので、判定手段２３は生理情報の増減率が所定値以上か否かを判定する（Ｓ７０）。上記のように、ステップＳ７０の判定はなくてもよい。

生理情報の増減率が所定値以上の場合（Ｓ７０のＹｅｓ）、運転者が違和感を感じている可能性が高いので、記録手段２４が車両状態情報を記録する（Ｓ１００）。

ステップＳ４０に戻り、駐車場に駐車するシーンでない場合（Ｓ４０のＮｏ）、シーン特定手段２１は直進走行中であるとシーンを特定する（Ｓ８０）。

この場合、学習手段２２が学習することなく、判定手段２３は標準的な車両挙動や予め定めた車両挙動から逸脱しているか否かを判定する（Ｓ９０）。すなわち、急激な車両挙動の変化や、蛇行運転等しているか否かを判定する。

標準的な車両挙動や予め定めた車両挙動から逸脱している場合（Ｓ９０のＹｅｓ）、生理情報の判定の後（Ｓ７０）、記録手段２４は車両状態情報を記録する（Ｓ１００）。車両状態記録装置１００は、以上の手順を繰り返す。

以上説明したように、本実施形態の車両状態記録装置１００は、設計上想定された車両挙動が検出されているため、車両状態情報が記録されない状況でも、運転者が操作することなく自動的に車両状態情報を記録することができる。このため、通常は記録が残らない想定外の不具合が生じた場合に、車両状態情報を調査可能となり、違和感の原因を特定する可能性を高めることができる。

１１ ＧＰＳ受信機
１２ ナビシステム
１３ ＥＣＵ
１４ 直接検知手段
１５ 間接検知手段
１００ 車両状態記録装置

Claims (1)

1. 車両の位置情報を取得する位置情報取得手段と、
   車両挙動を示す車両挙動情報を取得する車両挙動情報取得手段と、
   位置情報と該位置における標準的な車両挙動情報を関連づけて記憶する標準車両挙動情報記憶手段と、
   現在の位置情報に対応づけて前記標準車両挙動情報記憶手段に記憶された標準的な車両挙動情報に対し、現在の車両挙動情報が異なっているか否かを判定する判定手段と、
   標準的な車両挙動情報と現在の車両挙動情報が異なっていると判定された場合、車両の状態情報を記録する記録手段と、
   を有する車両状態記録装置。

Images