JP2012079325A - 車両用運転支援装置および車両用運転支援方法 - Google Patents

Abstract

【課題】ドライバごとのばらつき等によってドライバの運転特性の検出精度が低下してしまう。
【解決手段】車両用運転支援装置は、現在の走行状態と運転操作を示す短時間のデータと、その日の走行状態と運転操作を示す中時間のデータをそれぞれ取得する。そして、短時間のデータの分布と中時間のデータの分布とを比較することにより、運転診断を行う。
【選択図】図３

Description

本発明は、運転者の操作を支援する車両用運転支援装置に関する。

従来の車両用運転支援装置は、先行車への接近時に減速を開始した時点での余裕時間を学習し、学習した値に基づいて警報を発生している（例えば特許文献１参照）。この装置は、減速動作開始時の余裕時間から、その運転者の予測時間を推定し、推定した予測時間後の車間距離の予測値が警報距離よりも小さくなったときに警報を発生する。

特開平７−１５９５２５号公報 特開２００５−７１１８４号公報

上述したような従来の装置は、減速動作開始時の余裕時間に基づいてドライバの運転特性を検出しているが、ドライバごとのばらつき（個人間差）や同一ドライバの中でのばらつき（個人内差）によって発生するノイズにより、検出精度が低下してしまうという問題があった。

本発明による車両用運転支援装置は、車両の走行状態を検出する走行状態検出手段と、運転者による運転操作を検出する運転操作検出手段と、走行状態検出手段によって検出される走行状態と運転操作検出手段によって検出される運転操作から、運転者の運転特性を推定し、推定した運転特性に基づいて運転者の運転を診断する運転診断手段とを備える。

本発明による車両用運転支援方法は、車両の走行状態を検出し、運転者による運転操作を検出し、検出された走行状態と検出された運転操作から、運転者の運転特性を推定し、推定した運転特性に基づいて運転者の運転を診断する。

本発明によれば、車両の走行状態と運転者の運転操作から判断／検出される運転特性に基づいて運転診断を行うので、精度よく運転診断を行うことができる。

本発明の第１の実施の形態による車両用運転支援装置のシステム図。 図１に示した車両用運転支援装置を搭載した車両の構成図。 第１の実施の形態における運転支援制御プログラムの処理手順を示すフローチャート。 走行道路データベースの構造を説明する図。 データ構造を説明する図。 ドライバ運転診断処理の処理手順を示すフローチャート。 （ａ）（ｂ）車間時間ＴＨＷの分布と正規分布とを説明する図。 （ａ）〜（ｄ）逸脱度の算出方法を説明する図。 （ａ）（ｂ）「この日」に対する「このとき」の逸脱度の算出方法を説明する図。 視覚情報呈示の一例を示す図。 視覚情報呈示の別の一例を示す図。 第２の実施の形態における運転支援制御プログラムの処理手順を示すフローチャート。 第２の実施の形態におけるデータ構造を説明する図。 ドライバ運転診断処理の処理手順を示すフローチャート。 視覚情報呈示の一例を示す図。 第３の実施の形態における運転支援制御プログラムの処理手順を示すフローチャート。 ドライバ運転診断処理の処理手順を示すフローチャート。 ビンの設定方法を説明する図。 （ａ）（ｂ）ビンに入れる初期値の設定方法を説明する図。 最頻値を用いた逸脱度算出方法を説明する図。 本発明の第４の実施の形態による車両用運転支援装置のシステム図。 第４の実施の形態における運転支援制御プログラムの処理手順を示すフローチャート。 操舵角エントロピー算出に利用する記号を説明する図。 操舵角エントロピーの算出処理の処理手順を説明するフローチャート。 操舵角の区分を示す図。 長期間操舵角エントロピー算出結果の分類例を示す図。 長期間操舵角エントロピー分類と報知内容の関係の例を示す図。 第４の実施の形態の変形例１における運転支援制御プログラムの処理手順を示すフローチャート。 第４の実施の形態の変形例１における運転支援制御プログラムの処理手順を示すフローチャート。 基準状態のα値の算出処理手順を示すフローチャート。 操舵誤差の分類を示す図。 操舵誤差の度数分布を示す図。 中期間操舵角エントロピー算出結果の分類例を示す図。 中期間操舵角エントロピー分類と報知内容の関係の例を示す図。 以前の中期間操舵角エントロピーと計測された中期間操舵角エントロピーの比較結果の分類例を示す図。 以前と計測された中期間操舵角エントロピーとの比較結果の分類と報知内容の関係を示す図。 操舵角誤差分布α値の算出結果の分類例を示す図。 操舵角誤差分布α値の分類と報知内容の関係の例を示す図。 第４の実施の形態の変形例２における運転支援制御プログラムの処理手順を示すフローチャート。 短期間操舵角エントロピー算出結果の分類例を示す図。 短期間操舵角エントロピー分類と報知内容の関係の例を示す図。 第５の実施の形態における操舵角エントロピーの算出処理手順を示すフローチャート。 操舵角推定誤差データを用いて区分の確率を再帰的に方法を説明するフローチャート。 基準状態のα値の算出処理手順を示すフローチャート。 操舵角推定誤差データを用いて度数分布を再帰的に求める方法を説明するフローチャート。 本発明の第６の実施の形態による車両用運転支援装置のシステム図。 第６の実施の形態における運転支援制御プログラムの処理手順を示すフローチャート。 アクセルペダル開度エントロピーの算出処理手順を示すフローチャート。 長期間アクセルペダル開度エントロピー算出結果の分類例を示す図。 長期間アクセルペダル開度エントロピー分類と報知内容の関係の例を示す図。 第６の実施の形態の変形例１における運転支援制御プログラムの処理手順を示すフローチャート。 第６の実施の形態の変形例１における運転支援制御プログラムの処理手順を示すフローチャート。 基準状態のαap値の算出方法を説明するフローチャート。 中期間アクセルペダル開度エントロピー算出結果の分類例を示す図。 中期間アクセルペダル開度エントロピー分類と報知内容の関係の例を示す図。 以前の中期間アクセルペダル開度エントロピーと計測された中期間アクセルペダル開度エントロピーの比較結果の分類例を示す図。 以前と計測された中期間アクセルペダル開度エントロピーの比較結果の分類と報知内容の関係の例を示す図。 アクセルペダル開度誤差分布α値算出結果の分類例を示す図。 アクセルペダル開度誤差分布α値分類と報知内容の関係の例を示す図。 第６の実施の形態の変形例２における運転支援制御プログラムの処理手順を示すフローチャート。 短期間アクセルペダル開度エントロピー算出結果の分類例を示す図。 短期間アクセルペダル開度エントロピー分類と報知内容の関係の例を示す図。 本発明の第７の実施の形態による車両用運転支援装置のシステム図。 図６３に示した車両用運転支援装置を搭載した車両の構成図。 第７の実施の形態における運転支援制御プログラムの処理手順を示すフローチャート。 データ構造を説明する図。 ドライバ運転診断処理の処理手順を示すフローチャート。 （ａ）〜（ｄ）逸脱度の算出方法を説明する図。 （ａ）（ｂ）余裕時間ＴＴＣを用いた逸脱度の算出方法を説明する図。 視覚情報呈示の一例を示す図。 視覚情報呈示の別の一例を示す図。 本発明の第８の実施の形態による車両用運転支援装置のシステム図。 第８の実施の形態における運転支援制御プログラムの処理手順を示すフローチャート。 レーン逸脱時間の時間変化の一例を示す図。 レーン逸脱時間の頻度分布の一例を示す図。 レーン逸脱時間の変化例を示す図。 ドライバ運転診断処理の処理手順を示すフローチャート。 第９の実施の形態における運転支援制御プログラムの処理手順を示すフローチャート。 ドライバ運転診断処理の処理手順を示すフローチャート。 第１０の実施の形態における運転支援制御プログラムの処理手順を示すフローチャート。 ドライバ運転診断処理の処理手順を示すフローチャート。 第１１の実施の形態における運転支援制御プログラムの処理手順を示すフローチャート。 ドライバ運転診断処理の処理手順を示すフローチャート。 視覚情報呈示の一例を示す図。 視覚情報呈示の別の一例を示す図。 （ａ）（ｂ）制限車速を利用した逸脱度の算出方法を説明する図。 本発明の第１２の実施の形態による車両用運転支援装置のシステム図。 第１２の実施の形態における運転支援制御プログラムの処理手順を示すフローチャート。 ドライバ運転診断処理の処理手順を示すフローチャート。 視覚情報呈示の一例を示す図。 視覚情報呈示の別の一例を示す図。

《第１の実施の形態》
本発明の第１の実施の形態による車両用運転支援装置について、図面を用いて説明する。図１は、本発明の第１の実施の形態による車両用運転支援装置１の構成を示すシステム図であり、図２は、車両用運転支援装置１を搭載した車両の構成図である。

まず、車両用運転支援装置１の構成を説明する。

レーザレーダ１０は、車両の前方グリル部もしくはバンパ部等に取り付けられ、水平方向に赤外光パルスを照射して自車両の前方領域を走査する。レーザレーダ１０は、前方にある複数の反射物（通常、先行車の後端）で反射された赤外光パルスの反射波を計測し、反射波の到達時間より、複数の障害物までの車間距離と相対速度をそれぞれ検出する。検出した車間距離及び相対速度はコントローラ１００へ出力される。レーザレーダ１０によりスキャンされる前方の領域は、自車正面に対して±６deg 程度であり、この範囲内に存在する前方物体が検出される。

車速センサ３０は、車輪の回転数や変速機の出力側の回転数を計測することにより自車両の車速を検出し、検出した自車速をコントローラ１００に出力する。

ナビゲーションシステム５０は、ＧＰＳ受信機、地図データベース、および表示モニタ等を備えており、経路探索および経路案内等を行うシステムである。ナビゲーションシステム５０は、ＧＰＳ受信機から得られる自車両の現在位置と地図データベースに格納された道路情報に基づいて、自車両が走行する道路の種別や道路幅員等の情報を取得することができる。

ブレーキペダルストロークセンサ６０は、運転者がブレーキペダルを踏み込み操作した際の踏み込み量（ブレーキペダル操作量）を検出する。ブレーキペダルストロークセンサ６０は、検出したブレーキペダル操作量をコントローラ１００に出力する。ウィンカスイッチ６５は、運転者によるウィンカレバー操作の有無を検出して、検出信号をコントローラ１００に出力する。

コントローラ１００は、ＣＰＵと、ＲＯＭおよびＲＡＭ等のＣＰＵ周辺部品とから構成され、車両用運転支援装置１全体の制御を行う。コントローラ１００は、レーザレーダ１０、車速センサ３０、ブレーキペダルストロークセンサ６０、およびウィンカスイッチ６５等から入力される信号に基づいて運転者の運転特性を分析し、運転診断を行う。そして、運転診断結果に基づいて、運転者への情報提供を行う。運転者への情報提供としては、運転者への警報や、運転操作の改善示唆等を行う。コントローラ１００における具体的な制御内容は、後述する。

スピーカ１３０は、コントローラ１００からの信号に応じてブザー音や音声により運転者への情報提供を行う。表示ユニット１８０は、コントローラ１００からの信号に応じて運転者への運転に対する警報や改善示唆を与えるような表示を行う。表示ユニット１８０は、例えばナビゲーションシステム５０の表示モニタやコンビメータ等を利用することができる。

次に、第１の実施の形態による車両用運転支援装置１の動作を説明する。まず、その概要を説明する。

コントローラ１００は、自車両の走行状態と運転者の運転操作に基づいて、運転者の運転診断を行い、運転診断結果に応じて運転者への警報や運転操作の改善示唆を行う。具体的には、自車両が先行車に追従して走行している場合の運転特性を検出し、検出した運転特性を指標として運転診断を行う。そして、運転診断結果から運転者が普段の運転よりもリスクが高まるような運転を行っている場合、すなわち運転者の運転がハイリスク方向に逸脱している場合には、警報を与えてハイリスクな状態に陥る前に運転者に報知する。一方、運転診断結果から運転者の運転が世間一般の基準と比べて良ければ、安全運転意識をより向上させるように運転者の運転を褒めるような内容の情報提示、すなわち改善示唆を行う。

このように、第１の実施の形態における車両用運転支援装置１は、運転診断により運転者の運転を検出する機能と、検出結果に応じて運転者に警報を与える機能と、検出結果に応じて運転者に改善示唆を与える機能という３つの機能を備え、自己の運転特性を客観的に知ることで運転者に内省を促すとともに、運転特性に応じた助言を呈示することで運転者にとってはリスクをより低くする運転方法を学ぶことができる。

第１の実施の形態による車両用運転支援装置１の動作を、図３を用いて詳細に説明する。図３は、第１の実施の形態のコントローラ１００における運転支援制御処理の処理手順のフローチャートである。本処理内容は、一定間隔、例えば５０ｍｓｅｃ毎に連続的に行われる。

まず、ステップＳ４００で、自車両の走行状態を検出する。ここで、自車両の走行状態として、車速センサ３０によって検出される自車速Ｖと、レーザレーダ１０によって検出される自車両と先行車との車間距離Ｄおよび相対速度Ｖｒを取得する。ステップＳ４０５では、運転者の操作状態を検出する。ここで、運転者の操作状態として、ブレーキペダルストロークセンサ６０によって検出されるブレーキペダル操作量、およびウィンカスイッチ６５によって検出されるウィンカレバー操作の有無を取得する。

ステップＳ４０７では、後述する自車両の走行シーン判断のために、自車両と先行車との余裕時間ＴＴＣおよび車間時間ＴＨＷを算出する。余裕時間ＴＴＣは、先行車に対する現在の自車両の接近度合を示す物理量である。余裕時間ＴＴＣは、現在の走行状況が継続した場合、つまり自車速Ｖおよび相対車速Ｖｒが一定の場合に、何秒後に、車間距離Ｄがゼロとなり自車両と先行車とが接触するかを示す値であり、以下の（式１）により求められる。

ＴＴＣ＝Ｄ／Ｖｒ ・・・（式１）
車間時間ＴＨＷは、自車両が先行車に追従走行している場合に、想定される将来の先行車の車速変化による余裕時間ＴＴＣへの影響度合、つまり相対車速Ｖｒが変化すると仮定したときの影響度合を示す物理量である。車間時間ＴＨＷは、車間距離Ｄを自車速Ｖで除したものであり、先行車の現在位置に自車両が到達するまでの時間を示す。車間時間ＴＨＷは以下の（式２）から求められる。

ＴＨＷ＝Ｄ／Ｖ ・・・（式２）
ステップＳ４１０では、自車両の走行シーン判断を行う。車両走行状態や運転者の操作状態といった条件を限定して運転診断の精度向上を図るとともに、運転診断結果に応じて情報提供を行う際に運転者に与える違和感を軽減するために、自車両の走行シーンを判断し、特定の走行シーンである場合のみ、運転診断を行うようにする。具体的には、自車両が同一の先行車に安定して追従している走行シーンに限定して、運転診断を行う。

安定した追従走行シーンの条件の一例は、以下の通りである。
（ａ）同一の先行車に追従している（例えば、車間距離が前回測定値から４ｍ以上変化していない）
（ｂ）急な接近状態でない（例えば、余裕時間ＴＴＣが１０秒を上回る）
（ｃ）車間時間ＴＨＷが所定値以内（例えば、車間時間ＴＨＷが４秒未満）
（ｄ）運転者によるブレーキ操作がない（例えば、ブレーキペダル操作量が実質的に０）
（ｅ）運転者によるウィンカレバー操作がない（例えば、ウィンカスイッチ６５からのオン信号の入力がない）
（ｆ）上記（ａ）〜（ｅ）の状態が継続している（例えば、５秒以上継続中）
これら（ａ）〜（ｆ）の条件が全て満たされると、自車両の走行シーンが安定した追従走行シーンであると判断し、運転診断を行うためにステップＳ４１２へ進む。一方、（ａ）〜（ｆ）のいずれかの条件が満たされない場合は、特定の走行シーンに該当しないと判断し、運転診断は行わずにこの処理を終了する。なお、安定した追従走行シーンであるか否かを判断するための条件は、上記（ａ）〜（ｆ）には限定されず、また、ブレーキ操作の有無やウィンカレバー操作の有無を別の検出手段により検出することも可能である。

ステップＳ４１２では、走行場所の判断を行う。具体的には、ナビゲーションシステム５０の地図情報に記述されたリンクＩＤに、データベースに基づいてインデックス番号をラベリングする。リンクＩＤは、道路属性の変化する属性変化点であるノード同士を接続するリンクに割り付けられたＩＤであり、各リンクは、道路種別やリンクの長さ（ノード間の距離）等のデータを保有している。ステップＳ４１４では、現在時刻の記録を行う。

ステップＳ４１６では、ステップＳ４１２およびＳ４１４のラベリング結果に基づいて、運転者の運転診断を行うために用いるデータを保存する。ここでは、例えば、図４に示すように、リンクＩＤごとに現在時刻、すなわちそのリンクを走行した時刻、走行距離、リンク内の追従特性指標、そのリンクの走行回数等を構造体形式に書き込み、走行道路データベースを構築する。第１の実施の形態では、運転者の追従特性を表す物理量として、車間時間ＴＨＷを用いる。追従特性および追従特性指標の算出方法については、運転診断処理において詳細に説明する。

つづくステップＳ４２０では、ステップＳ４１６で保存したデータを用いて運転者の運転診断を行う。運転診断は、自車両が安定して先行車に追従する走行シーンにおける運転者の運転特性に基づいて行う。追従走行時の運転特性としては、例えば自車両と先行車との車間時間ＴＨＷ、車間時間ＴＨＷの逆数、車間距離、および車間距離の逆数等があるが、第１の実施の形態では、車間時間ＴＨＷを用いる場合を例として説明する。

図５に、車両用運転支援装置１のデータ構造を示す。Ａ層は、運転者の現在の運転状態を示す比較的短時間の「このとき」のデータ量を表す。Ｂ層は、「このとき」よりも長時間の、運転者のその日の運転状態を示す「この日」のデータ量を表す。Ｃ層は、「この日」よりもさらに長時間の、運転者の普段の運転状態、すなわち個人特性を示す「普段」のデータ量を表す。Ｄ層は、各運転者の運転を一般的な運転者と比較して診断するための「世間一般」の運転特性を示すデータ量を表す。

Ａ層からＤ層へと下位の層へ進むほど、データ量は多くなる。各層に含まれるデータ量は、「このとき」「この日」「普段」における車間時間ＴＨＷの平均値を算出する際の標本数に対応し、標本数を変えることによって、図５に示すようなデータ構造を実現している。各層に含まれるデータの数値は、以下に説明するリアルタイムの計算によって随時更新される。

運転診断処理では、Ａ層〜Ｄ層のそれぞれのデータを用いて、異なるタイムスパンでの運転、すなわち、「このとき」「この日」「普段」の運転者の運転を検出する。ステップＳ４２０で実行される運転診断処理を、図６のフローチャートを用いて詳細に説明する。

ステップＳ４２２では、運転者の「このとき」の運転診断を行うために、「このとき」の運転者の追従特性値を算出する。運転者の追従特性値として、「このとき」を定義する所定時間内の車間時間ＴＨＷの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、「このとき」を定義する所定時間は、例えば６０秒とし、ステップＳ４１０で判断した安定した追従走行シーンで検出された過去から現在までの６０秒分のデータを用いて車間時間ＴＨＷの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。平均値Mean_x(n)と標準偏差Stdev_x(n)を算出するために、以下のパラメータを用いる。

x(n)：今回取得したデータ、すなわちステップＳ４０７で算出した車間時間THW
K：所定時間内に算出されたTHWのデータ個数
M₁(n)：今回計算する所定時間内のTHWの合計値
M₂(n)：今回計算する所定時間内のTHWの自乗和
M₁(n-1)：前回計算した所定時間内のTHWの合計値
M₂(n-1)：前回計算した所定時間内のTHWの自乗和
Mean_x(n)：今回のデータの平均値、すなわちTHWの平均値
Var_x(n)：今回のデータの分散、すなわちTHWの分散
Stdev_x(n)：今回のデータの標準偏差、すなわちTHWの標準偏差
ここで、データ個数Kは、所定時間×１秒間当たりのサンプリング(標本)数で決定する。すなわち、「このとき」の所定時間を６０秒とし、サンプリング数を５Ｈｚとすると、データ個数K＝３００となる。

合計値M₁(n)と自乗和M₂(n)は、これらのパラメータを用いて以下の（式３）(式４)からそれぞれ算出することができる。

M₁(n)＝M₁(n−1)＋x(n)−M₁(n−1)／K ・・・（式３）
M₂(n)＝M₂(n−1)＋(x(n))²−M₂(n−1)／K ・・・（式４）
「このとき」における車間時間ＴＨＷの平均値Mean_x(n)、分散Var_x(n)、および標準偏差Stdev_x(n)は、それぞれ以下の（式５）（式６）（式７）から算出することができる。

Mean_x(n)＝M₁(n)／K ・・・（式５）
Var_x(n)＝M₂(n)／K−(M₁(n))²／K² ・・・（式６）
Stdev_x(n)＝√（Var_x(n)） ・・・（式７）
ステップＳ４２４では、運転者の「この日」の運転診断を行うために、「この日」の運転者の追従特性値、すなわち、「この日」を定義する所定時間内の車間時間ＴＨＷの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、「この日」を定義する所定時間は、例えば３６０秒とし、ステップＳ４１０で判断した安定した追従走行シーンで検出された過去から現在までの３６０秒分のデータを用いて車間時間ＴＨＷの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。

具体的には、「このとき」と同じように、上記（式５）および（式７）を用いて平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、データ個数Kは、「この日」の所定時間を３６０秒とし、サンプリング数を５Ｈｚとすると、データ個数K＝１８００となる。

ステップＳ４２６では、運転者の「普段」の運転診断を行うために、「普段」の運転者の追従特性値、すなわち、「普段」を定義する所定時間内の車間時間ＴＨＷの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、「普段」を定義する所定時間は、例えば２１６０秒とし、ステップＳ４１０で判断した安定した追従走行シーンで検出された過去から現在までの２１６０秒分のデータを用いて車間時間ＴＨＷの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。

具体的には、「このとき」と同じように、上記（式５）および（式７）を用いて平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、データ個数Kは、「普段」の所定時間を２１６０秒とし、サンプリング数を５Ｈｚとすると、データ個数K＝１０８００となる。

続くステップＳ４２８以降の処理では、ステップＳ４２２，Ｓ４２４，Ｓ４２６で算出した追従特性値を用いて運転者の運転診断を行う。ここでは、異なるタイムスパンで得られたデータに基づく運転者の追従特性をそれぞれ比較し、両者がどの程度乖離しているかに基づいて運転者の運転を診断する。すなわち、図５に示すデータ構造において、上位層（例えばＡ層）を下位層（例えばＢ層）と比較することで、運転診断を行う。

まず、ステップＳ４２８では、「この日」の運転者の追従特性に対して「このとき」の運転者の追従特性がどの程度乖離しているかを表す逸脱度を算出する。ここで、「この日」に対する「このとき」の逸脱度は、「この日」の車間時間ＴＨＷの分布と、「このとき」の車間時間ＴＨＷの分布の差異を示すものである。「この日」に対する「このとき」の逸脱度を算出するために、「この日」の車間時間ＴＨＷの分布を長時間の行動分布を表す基準の分布として用い、「このとき」の車間時間ＴＨＷの分布を短時間の行動分布を表す比較対象の分布として用いる。

逸脱度の算出方法として、ここでは、長時間（例えば「この日」）の行動分布の「平均値−標準偏差」の位置（比較値ｘ_stdとする）で、短時間（例えば「このとき」）と長時間（例えば「この日」）の分布関数を比較するという手法を用いる。

逸脱度算出のために、ステップＳ４２２、Ｓ４２４で算出した車間時間ＴＨＷの平均値Mean_x(n)と標準偏差Stdev_x(n)を用いて、車間時間ＴＨＷを正規分布と仮定して確率密度関数を算出する。図７（ａ）に、実際に算出された車間時間ＴＨＷの度数分布と正規分布で近似した車間時間ＴＨＷの確率密度分布（実線で表す）を示し、図７（ｂ）にこれらの累積分布を示す。図７（ａ）（ｂ）に示すように、車間時間ＴＨＷを正規分布と仮定した場合の分布と実際の分布がよく合致することがわかる。

そこで、図８（ａ）（ｂ）に示すように、所定値（比較値ｘ_std）に基づいて設定される比較対象の領域において、基準となる長時間の正規分布に対して比較対象の短時間の正規分布がどれほど逸脱しているかを、逸脱度Dist_diffとして算出する。具体的には、比較値ｘ_stdよりも車間時間ＴＨＷの短い領域における比較分布と基準分布との差（図８（ａ）においてハッチングを施した部分の面積、図８（ｂ）における矢印の長さ）が、逸脱度Dist_diffに相当する。図８（ｃ）（ｄ）に示す算出方法については、後述する。

図９（ａ）（ｂ）に、実際の公道実験から得られた結果をもとに算出した確率密度分布と累積分布を示す。図９（ａ）において、「このとき」の平均値Mean_x(n)と標準偏差Stdev_x(n)を用いて車間時間ＴＨＷを正規分布で近似した場合の確率密度分布を一点鎖線で示し、「この日」の平均値Mean_x(n)と標準偏差Stdev_x(n)を用いて車間時間ＴＨＷを正規分布で近似した場合の確率密度分布を実線で示す。図９（ｂ）において、「このとき」の累積分布を一点鎖線で示し、「この日」の累積分布を実線で示す。図９（ａ）（ｂ）において、「このとき」の車間時間ＴＨＷの平均値Mean_x(n)＝１．２２、標準偏差Stdev_x(n)＝０．８０であり、「この日」の車間時間ＴＨＷの平均値Mean_x(n)＝１．６３、標準偏差Stdev_x(n)＝１．００である。

まず、基準分布の平均値Mean_stdと標準偏差Stdev_stdとから、以下の（式８）より比較値ｘ_stdを算出する。

ｘ_std＝Mean_std−Stdev_std ・・・（式８）
比較値ｘ_stdは、基準分布と比較分布とをどの位置で比較するかを表す車間時間ＴＨＷの値であり、図８（ａ）（ｂ）においては破線で示す位置に相当する。

次に、基準分布の比較値ｘ_stdにおける累積分布の値を算出する。正規分布の確率密度関数ｆ（ｘ）は、平均値をμ、標準偏差をσとすると、以下の（式９）から算出できる（図８（ａ）参照）。

（式９）で算出した確率密度関数ｆ（ｘ）を積分すると、以下の（式１０）で示すように累積分布関数Ｆ（ｘ）が得られる（図８（ｂ）参照）。

基準分布の平均値をμ_std、標準偏差をσ_stdと置くと、比較値ｘ_stdにおける累積分布の確率F_std（ｘ）は、以下の（式１１）で算出される。

次に、比較分布の比較値ｘ_stdにおける累積分布の値を算出する。比較分布の平均値をμ_comp、標準偏差をσ_compと置くと、比較値ｘ_stdにおける累積分布の確率F_comp（ｘ）は、以下の（式１２）で算出される。

基準の累積分布の確率F_std(x)と比較対象の累積分布の確率F_comp(x)との差を、「この日」に対する「このとき」の逸脱度Dist_diffとして、以下の（式１３）から算出する。

Dist_diff＝F_comp(x)−F_std(x) ・・・（式１３）
逸脱度Dist_diffがプラス方向に大きくなるほど、「このとき」の運転者の運転が「この日」の運転よりも車間時間ＴＨＷが短くなる方向、すなわちハイリスク方向に偏っていることを表す。逸脱度Dist_diffがマイナス方向に大きくなるほど、「このとき」の運転者の運転が「この日」の運転よりも車間時間ＴＨＷが長くなる傾向、すなわちリスクの低下する傾向にあることを表す。運転者が常に同じ追従特性で運転を行う場合には逸脱度Dist_diffは０となる。

また、ステップＳ４２８では、「普段」に対する「このとき」の逸脱度Dsit_diffも算出する。この場合は、「普段」の車間時間ＴＨＷの分布を長時間の行動分布を表す基準の分布として用い、「このとき」の車間時間ＴＨＷの分布を短時間の行動分布を表す比較対象の分布として用いる。そして、「普段」の累積分布の確率F_std(x)と「このとき」の累積分布の確率F_comp(x)とを用いて、上述した（式１３）から「普段」に対する「このとき」の逸脱度Dist_diffを算出する。

このように、ステップＳ４２８で「この日」に対する「このとき」、および「普段」に対する「このとき」の逸脱度Dist_diffをそれぞれ算出した後、ステップＳ４３０へ進む。ステップＳ４３０では、ステップＳ４２８での処理と同様に、「普段」に対する「この日」の逸脱度Dist_diffを算出する。なお、ここでは、「普段」の車間時間ＴＨＷの分布を長時間の行動分布を表す基準の分布として用い、「この日」の車間時間ＴＨＷの分布を短時間の行動分布を表す比較対象の分布として用いる。

つづくステップＳ４３２では、ステップＳ４２８での処理と同様に、「世間一般」に対する「普段」の逸脱度Dist_diffを算出する。なお、ここでは、「世間一般」の車間時間ＴＨＷの分布を長時間の行動分布を表す基準の分布として用い、「普段」の車間時間ＴＨＷの分布を短時間の行動分布を表す比較対象の分布として用いる。「世間一般」の追従特性値、すなわち車間時間ＴＨＷの平均値および標準偏差は、固定値として予め適切な値を設定しておく。

このように、ステップＳ４２０で異なる複数のタイムスパンで得られたデータを用いて運転者の運転診断を行った後、ステップＳ４４０へ進む。なお、以降では説明の便宜上、「普段」に対する「このとき」の逸脱度Dist_diffをDist_1a、「この日」に対する「このとき」の逸脱度Dist_diffをDist_1b、「普段」に対する「この日」の逸脱度Dist_diffをDist_2、「世間一般」に対する「普段」の逸脱度Dist_diffをDist_3とする。

ステップＳ４４０では、ステップＳ４２０の運転診断結果に基づいて警報呈示処理を実行するか否かを判断する。ここでは、ステップＳ４２８で算出した「普段」に対する「このとき」の逸脱度Dist_1a、「この日」に対する「このとき」の逸脱度Dist_1b、またはステップＳ４３０で算出した「普段」に対する「この日」の逸脱度Dist_2が、警報呈示を行うか否かを判断するための閾値（たとえば０．３０）よりも大きいか否かを判定する。逸脱度Dist_1a、Dist_1b、またはDist_2が閾値よりも大きい場合は、ステップＳ４５０へ進み、運転者への警報呈示を行う。警報呈示を行った後、この処理を終了する。

例えば、「普段」に対する「この日」の逸脱度Dist_2が閾値よりも大きい場合には、スピーカ１３０によってブザー音とともに「今日は車間距離がいつもよりも短めです。余裕をもって運転しましょう」という音声を出力する。音声情報は、現在、運転者が普段よりも短めの車間距離をとる傾向にあることを知らせるように、あるいは、現在の車間距離よりも長めの車間距離をとるように促す内容を設定する。「普段」に対する「このとき」の逸脱度Dist_1aが閾値よりも大きい場合には、スピーカ１３０によってブザー音とともに、例えば「お急ぎですか？余裕をもって運転しましょう」という音声を出力する。なお、具体的な音声情報は、これらには限定されない。「この日」に対する「このとき」の逸脱度Dist_1bが閾値より大きい場合にも、予め設定された適切な音声情報を出力する。

ステップＳ４４０が否定判定され、警報呈示を行わない場合は、ステップＳ４６０へ進み、ステップＳ４２０の運転診断結果に基づいて指導呈示処理を実行するか否かを判断する。ここでは、ステップＳ４３２で算出した「世間一般」に対する「普段」の逸脱度Dist_3が、指導（改善示唆）呈示を行うか否かを判断するための閾値（例えば０．０７）よりも小さいか否かを判定する。ここで、指導呈示を行うかを判断するための閾値は、同一の運転者であればほぼ常に逸脱度がその範囲内に収まるような値として予め適切に設定しておく。上述した「０．０７」という値は、被験者１５人による実車実験の結果に基づいて設定されたものである。この実験結果によると、同一被験者ごとに算出された逸脱度は、常に０．０７以内に収まった。

Dist_3が閾値よりも小さい場合は、ステップＳ４７０へ進み、運転者への指導呈示を行う。指導呈示を行った後、この処理を終了する。

例えば、指導呈示内容として、運転者の運転を褒める内容の表示および音声を出力する。例えば、「普段」の逸脱度Dist_3を点数に換算して表示する。具体的には、逸脱度Dist_3の符号を反転させた後、５０を加算した値を、運転者の普段の運転操作の点数として表示ユニット１８０に表示する。つまり、リスクが高くなる傾向にある運転者の点数は５０点以下、安全運転を心掛ける優良な運転者の点数は５０点以上となる。なお、点数は、０〜１００の範囲内で表示し、逸脱度Dist_3を換算した点数が１００以上の場合は、１００点、０以下の場合は０点とする。

また、図１０に示すように、世間一般の車間距離の分布を模式的に表示ユニット１８０に表示し、運転者の「普段」の車間距離が世間一般に対してどの程度であるかがわかるように表示を行う。図１０では、世間一般の車間距離の平均値に対して、運転者の車間距離が２段階分長いことを示しており、世間一般に比べてより余裕を持った追従特性を有していることを視覚情報として運転者に提供している。

また、世間一般の運転者に比べて運転者の普段の車間距離が長い傾向にあり、余裕をもった追従走行を行う優良ドライバであることをスピーカ１３０から出力する音声で運転者に知らせる。例えば、「安全運転を心掛けていますね。この調子でがんばりましょう」という音声を出力する。このように、世間一般の運転者に対して運転者個人の追従運転特性が優れていることを運転者に知らせ、良好な運転を維持するように、あるいはより向上させるように促すための表示や音声の出力を行う。

なお、表示や音声出力を行う場合に、運転者に馴染みの深い「車間距離」ということばを用いる例を説明したが、「車間時間」ということばを用いて表示や音声出力を行うことももちろん可能である。表示内容や音声情報の内容は、運転の傾向を運転者にわかりやすく効果的に伝え、ハイリスクな状態に至らないように警報を行ったり、良好な運転をより改善していくように改善示唆を行ったりすることができれば、上述した例には限定されない。

運転診断結果に基づく表示の別の例を図１１に示す。図１１において、縦軸は世間一般の追従特性に対する運転者個人の特性を示し、横軸は運転者の普段の追従特性に対する現在の状態を示す。追従特性は、例えば上述したように車間時間ＴＨＷや車間距離を用いることができる。ステップＳ４３０で算出した「普段」に対する「この日」の逸脱度が大きいほど、図中のマーカＭを右方向、すなわちハイリスク方向に移動する。また、ステップＳ４３２で算出した「世間一般」に対する「普段」の逸脱度が大きいほど、図中のマーカＭを上方向、すなわちハイリスク方向に移動する。

このように、図１１に示す表示例では、「世間一般」を基準とした運転診断結果と、「普段」、すなわち運転者の個人特性を基準とした運転診断結果とを、２軸から設定される二次元的なマップ上に表示した。なお、横軸は、「この日」に対する「このとき」の逸脱度や、「普段」に対する「このとき」の逸脱度を設定するようにすることもできる。また、縦軸と横軸とを入れ替えて表示することも可能である。

また、図１１に示すように二次元マップを複数のブロックに分割し、運転者の追従特性がどの辺りにあるのかを分かりやすくするように各ブロックを色分けすることもできる。例えば、図１１の最も右上のブロックを赤で表示し、左下に移動するほど色を薄くして、最も左下のブロックを水色で表示するように設定することもできる。

このように以上説明した第１の実施の形態においては、以下のような作用効果を奏することができる。
（１）車両用運転支援装置１は、車両の走行状態と運転者による運転操作をそれぞれ検出し、走行状態と運転操作から運転者の運転特性を推定する。そして、推定した運転特性に基づいて運転者の運転を診断する。運転者が実際に行う運転操作は、運転者の個人特性と、走行状態等の環境に左右されるので、運転操作と走行状態から運転特性を検出することにより、運転診断を精度よく行うことができる。
（２）車両用運転操作補助装置１は、検出された走行状態と運転操作のデータを蓄積し、蓄積したデータのうち、時間的位置と範囲を限定したデータを用いて運転診断を行う。ここで、時間的位置とは、データが、時間軸上のどの時点（例えば現在、１日前、１０日前等）で検出されたかを示し、時間的範囲とは、データが検出された期間／時間帯（例えば１分、１０分、１日等）を示す。これにより、運転者の運転がどのような時間変化を示すかを把握して精度よく運転診断を行うことができる。
（３）コントローラ１００は、走行状態と運転操作のデータが所定量以上蓄積されると、蓄積されたデータを用いて運転診断を行う。すなわち、運転者の運転特性を判断するために十分な量のデータを用いて運転診断を行うので、精度よい運転診断を行うことができる。
（４）コントローラ１００は、検出された走行状態と運転操作について、時間的範囲を複数個設定し、それぞれの時間的範囲で得られるデータをリアルタイムに更新し、複数のデータ間で比較することにより、運転診断を行う。例えば、長期間にわたって取得されたデータと、短期間で取得されたデータとをそれぞれリアルタイムに更新し、データ間で比較を行う。これにより、運転者自身の運転操作がどのような時間変化を示しているかを検出して精度よい運転診断を行うことができる。
（５）現在の走行状態と運転操作を示す第１の時間帯のデータ（短時間のデータ）と、その日の走行状態と運転操作を示し、第１の時間帯よりも長い第２の時間帯のデータ（中時間のデータ）を取得し、第１の時間帯のデータと第２の時間帯のデータとを比較することにより、運転診断を行う。これにより、その日１日の運転と比較して運転者の現在の運転がどのように変化しているかを検出し、現在の運転が良好であるかを精度良く診断することができる。
（６）運転者の普段の走行状態と運転操作を示すデータ（長時間のデータ）を取得し、このデータを取得した時間的範囲以外の時間的範囲で得られた別のデータと比較することにより、運転診断を行う。具体的には、長時間のデータを、世間一般の運転者のデータや、短時間のデータ等と比較することにより、運転診断を行う。これにより、運転者の普段の運転が、世間一般に対して良好であるか、あるいは現在の運転が普段に対してどう変化しているかといった観点から、運転診断を精度よく行うことができる。
（７）コントローラ１００は、時間的範囲の異なる複数のデータについて、データ間の所定範囲の値の差分から、運転診断を行う。例えば、図８（ａ）（ｂ）に示したように、２つの車間時間分布のデータについて、比較値ｘstd以下の領域における確率の差分を算出する。これにより、車間時間ＴＨＷの小さいリスクの高まる領域において運転特性のずれを把握し、的確な運転診断を行うことができる。
（８）コントローラ１００は、時間的範囲の異なる複数のデータの分布をそれぞれ所定の形状であると仮定し、その分布パラメータを求めることにより複数のデータ分布を算出する。具体的には、データ分布を正規分布と仮定し、データ分布の平均値と標準偏差を求めることにより複数のデータ分布を算出する。図７（ａ）（ｂ）に示したように、実際のデータは正規分布とよく合致するので、正規分布に近似することで、データの比較を効果的に行うことができる。
（９）コントローラ１００は、複数のデータのそれぞれについてデータ分布を算出し、算出した複数のデータ分布のうちの基準となるデータ分布から所定範囲を設定し、設定した所定範囲における複数のデータ間の値の差分により、運転診断を行う。具体的には、基準となる分布の平均値と標準偏差から比較値ｘｓｔｄを算出する。これにより、基準となるデータ分布に対して、比較対象のデータ分布がどれほどずれているかを的確に算出することができる。なお、図８（ａ）（ｂ）に示した例では、比較値ｘｓｔｄ以下の領域を所定範囲として設定しているが、比較値ｘｓｔｄよりも大きな領域を所定範囲として設定したり、比較値ｘｓｔｄを車間時間ＴＨＷの大きな領域について設定することもできる。
（１０）コントローラ１００は、複数のデータのうち、時間的範囲が最も広いデータから算出されたデータ分布を基準となるデータ分布として用いる。例えば、運転者の普段のデータと、このときのデータとが取得された場合、普段のデータから得られるデータ分布を基準として利用する。このように、時間的範囲がより広いデータを基準として利用することにより、比較対象のデータを客観的に判断して的確な運転診断を行うことができる。
（１１）運転者の運転特性を表す指標として、自車両が先行車に追従して走行する場合の自車両と先行車との車間時間ＴＨＷを算出する。車間時間ＴＨＷは、自車両が先行車の現在位置に到達するまでの時間を表すので、自車両が先行車に追従して走行するときの運転者の特性を表す指標として利用することにより、追従走行シーンにおいて的確な運転診断を行うことができる。
−第１の実施の形態の変形例−
以下に、逸脱度Dist_diffの別の算出方法について説明する。ここでは、長時間（例えば「この日」）の行動分布と短時間（例えば「このとき」）の行動分布をそれぞれ正規分布で近似し、２つの正規分布が重ならない領域の面積の大きさを逸脱度Dist_diffとして算出する。

具体的には、図８（ｃ）（ｄ）に示すように、基準分布と比較分布との交点αよりも車間時間ＴＨＷの短い領域における比較分布と基準分布との差、すなわち基準分布よりもはみ出した部分の比較分布の面積の大きさを、逸脱度Dist_diffとして算出する。

上述した（式９）に基準分布の平均値μ_stdと標準偏差σ_std、および比較分布の平均値μ_compと標準偏差σ_compとを代入して計算すると、基準分布の確率密度関数f_std(x)と比較分布の確率密度関数f_comp(x)は、それぞれ以下の（式１４）（式１５）で表される。

これらの（式１４）（式１５）の連立方程式を求めると、２点α、β（α＜β）においてそれぞれの分布の頻度が一致する。交点αより車間時間ＴＨＷが短い領域において２つの正規分布が重ならない範囲の面積を求めるためには、基準分布の累積分布関数を求める上記（式１１）、および比較分布の累積分布関数を求める上記（式１２）に交点αを代入する。そして、交点αにおける比較分布の累積分布の確率F_comp(α)から、基準分布の累積分布の確率F_std(α)を減算する。

逸脱度Dist_diffは、以下の（式１６）で算出できる。

-Dist_diff＝F_comp(α)−F_std(α) ・・・（式１６）
なお、２つの正規分布の重なっている面積Dist_corrは、以下の（式１７）で求められる。

-Dist_corr＝１−-Dist_diff ・・・（式１７）
このように、時間的範囲の異なる複数のデータの分布を比較し、分布の一致度合、すなわち分布の重なり面積を算出し、運転診断を行うこともできる。
《第２の実施の形態》
以下に、本発明の第２の実施の形態による車両用運転支援装置について説明する。第２の実施の形態による車両用運転支援装置の基本構成は、図１に示した第１の実施の形態と同様である。ここでは、上述した第１の実施の形態との相違点を主に説明する。

第２の実施の形態による車両用運転支援装置１では、１日のうちの時間帯や場所といった走行条件が合致する場合に、過去の走行データと現在の走行データとを比較して運転者の運転診断を行う。

第２の実施の形態による車両用運転支援装置１の動作を、図１２を用いて詳細に説明する。図１２は、第２の実施の形態のコントローラ１００における運転支援制御処理の処理手順のフローチャートである。本処理内容は、一定間隔、例えば５０ｍｓｅｃ毎に連続的に行われる。

まず、ステップＳ５００で、自車両の走行状態として、車速センサ３０によって検出される自車速Ｖと、レーザレーダ１０によって検出される自車両と先行車との車間距離Ｄおよび相対速度Ｖｒを取得する。ステップＳ５０２では、運転者の操作状態として、ブレーキペダルストロークセンサ６０によって検出されるブレーキペダル操作量、およびウィンカスイッチ６５によって検出されるウィンカレバー操作の有無を取得する。ステップＳ５０３では、後述する自車両の走行シーン判断のために、自車両と先行車との余裕時間ＴＴＣおよび車間時間ＴＨＷを算出する。

ステップＳ５０４では、走行場所の判断を行い、ステップＳ５０６では、走行時間の記録を行う。そして、ステップＳ５０８でステップＳ５０４およびＳ５０６のラベリング結果に基づいて、運転者の運転診断を行うために用いるデータを保存する。データ保存までの処理は、上述した第１の実施の形態と基本的に同じである。ただし、走行シーンの判断を、走行履歴の判断後に行う。

続くステップＳ５１０では、ステップＳ５０８で作成した走行道路データベースより、自車両が現在走行している道路のデータベースがあるか否かを判断する。すなわち、現在走行中の道路を自車両が以前にも走行したことがあり、自車両の現在位置に対応する空間的位置および範囲が一致する過去のデータが保存されているか否かを判断する。データベースがある場合は、ステップＳ５１５へ進み、データベースがない場合は、この処理を終了する。

ステップＳ５１５では、自車両の走行シーン判断を行う。上述した（ａ）〜（ｆ）の条件が全て満たされると、自車両の走行シーンが安定した追従走行シーンであると判断し、運転診断を行うためにステップＳ５２０へ進む。一方、（ａ）〜（ｆ）のいずれかの条件が満たされない場合は、特定の走行シーンに該当しないと判断し、運転診断は行わずにこの処理を終了する。

つづくステップＳ５２０では、ステップＳ５０８で保存したデータを用いて運転者の運転診断を行う。運転診断は、同一の走行条件、すなわち同一の空間的位置および範囲において自車両が安定して先行車に追従する走行シーンにおける運転者の運転特性に基づいて行う。追従走行時の運転特性としては、例えば自車両と先行車との車間時間ＴＨＷ、車間時間ＴＨＷの逆数、車間距離、および車間距離の逆数等があるが、第２の実施の形態では、車間時間ＴＨＷを用いる場合を例として説明する。

図１３に、第２の実施の形態における車両用運転支援装置１のデータ構造を示す。Ａ層は、運転者の現在の運転状態を示す比較的短時間の「このとき」のデータ量を表す。Ｂ層は、「このとき」よりも長時間の、運転者のその日の運転状態を示す「この日」のデータ量を表す。Ｃ層は、「この日」よりもさらに長時間の、運転者の普段の運転状態、すなわち個人特性を示す「普段」のデータ量を表す。Ｄ層は、各運転者の運転を一般的な運転者と比較して診断するための「世間一般」の運転特性を示すデータ量を表す。

Ａ層からＤ層へと下位の層へ進むほど、データ量は多くなる。各層に含まれるデータ量は、「このとき」「この日」「普段」における車間時間ＴＨＷの平均値を算出する際の標本数に対応し、標本数を変えることによって、図１３に示すようなデータ構造を実現している。各層に含まれるデータの数値は、第１の実施の形態で説明したリアルタイムの計算によって随時更新される。

第２の実施の形態では、同一道路を過去に走行した際の追従特性に関するデータが保存されており、前回走行時のデータ、または過去に走行した際の全てのデータと、今回のデータとを比較することによって、「このとき」「この日」の運転者の運転を見極める。ステップＳ５２０で実行される運転診断処理を、図１４のフローチャートを用いて詳細に説明する。

ステップＳ５２２では、運転者の「このとき」の運転診断を行うために、「このとき」の運転者の追従特性値、すなわち「このとき」を定義する所定時間内の車間時間ＴＨＷの平均値Mean_x(n)と標準偏差Stdev_x(n)を、上述した（式５）（式７）を用いて算出する。ステップＳ５２４では、運転者の「この日」の運転診断を行うために、「この日」の運転者の追従特性値、すなわち、「この日」を定義する所定時間内の車間時間ＴＨＷの平均値Mean_x(n)と標準偏差Stdev_x(n)を、上記（式５）および（式７）を用いて算出する。

ステップＳ５２６では、現在の追従特性と比較するための基準となる過去のデータの読み込みを行う。ここでは、同一道路の前回走行時の追従特性値のデータ、具体的には車間時間ＴＨＷの平均値Mean_x(n)と標準偏差Stdev_x(n)をデータベースから読み込む。

つづくステップＳ５２８，Ｓ５３０の処理では、ステップＳ５２２，Ｓ５２４で算出した追従特性値を用いて運転者の運転診断を行う。ここでは、現在の運転者の追従特性を同一道路を前回走行した時に得られたデータに基づく運転者の追従特性と比較し、両者がどの程度乖離しているかに基づいて運転者の運転を診断する。すなわち、図１３に示すデータ構造において、例えば、今回のＡ層を前回のＡ層と比較することで、運転診断を行う。

まず、ステップＳ５２８では、前回走行時の「このとき」の運転者の追従特性に対して今回の「このとき」の運転者の追従特性がどの程度乖離しているかを表す逸脱度を算出する。ここで、前回走行時の「このとき」に対する今回の「このとき」の逸脱度は、前回走行時時の「このとき」の車間時間ＴＨＷの分布と、今回の「このとき」の車間時間ＴＨＷの分布の差異を示すものである。前回走行時の「このとき」の車間時間ＴＨＷの分布を基準分布として用い、今回の「このとき」の車間時間ＴＨＷの分布を比較対象の分布として用いる。

具体的には、第１の実施の形態で説明した図８（ａ）（ｂ）に示す算出方法、もしくは図８（ｃ）（ｄ）に示す算出方法を用いて、上述した（式１３）もしくは（式１６）から、前回走行時の「このとき」に対する今回の「このとき」の逸脱度Dist_diffを算出する。

ステップＳ５３０では、ステップＳ５２８と同様に、前回走行時の「この日」に対する今回の「この日」の逸脱度Dist_diffを算出する。なお、ここでは、同一道路を前回走行した時の「この日」の車間時間ＴＨＷの分布を基準の分布として用い、今回の「この日」の車間時間ＴＨＷの分布を比較対象の分布として用いる。

このように、同一道路を過去に走行した際のデータと今回走行時のデータとを用いて運転者の運転診断を行った後、ステップＳ５４０へ進む。なお、以降では説明の便宜上、前回走行時の「このとき」に対する今回の「このとき」の逸脱度Dist_diffをDist_10、前回走行時の「この日」に対する今回の「この日」の逸脱度Dist_diffをDist_20とする。

ステップＳ５４０では、ステップＳ５２０の運転診断結果に基づいて警報呈示処理を実行するか否かを判断する。ここでは、ステップＳ５２８で算出した前回の「このとき」に対する今回の「このとき」の逸脱度Dist_10、またはステップＳ５３０で算出した前回の「この日」に対する今回の「この日」の逸脱度Dist_20が、警報呈示を行うか否かを判断するための閾値（たとえば０．３０）よりも大きいか否かを判定する。逸脱度Dist_10またはDist_20が閾値よりも大きい場合は、ステップＳ５５０へ進み、運転者への警報呈示を行う。警報呈示を行った後、この処理を終了する。

例えば、前回よりも「この日」の逸脱度Dist_20が閾値よりも大きい場合には、スピーカ１３０によってブザー音とともに「今日は、車間距離がいつもより短めです。余裕をもって運転しましょう」という音声を出力する。音声情報は、現在、前回よりも短めの車間距離をとる傾向にあることを知らせるように、あるいは、現在の車間距離よりも長めの車間距離をとるように促す内容を設定する。なお、前回に対する「この日」の逸脱度Dist_20が閾値よりも大きい場合と、前回に対する「このとき」の逸脱度Dist_10が閾値よりも大きい場合と、両方の逸脱度Dist_10、Dist_20が閾値よりも大きい場合とで、それぞれ音声情報の内容を変更することもできる。

さらに、図１５に示すように、現在の車間距離の傾向を表示ユニット１８０に表示する視覚情報として運転者に提供することもできる。図１５に示す表示例では、基準の分布（例えば、前回走行時の車間距離の分布や世間一般の車間距離の分布等）を模式的に表示し、運転者の今回の車間距離がどの程度であるかがわかるように表示を行う。図１５では、基準の分布における平均値に対して、運転者の車間距離が２段階分短いことを示しており、現在の運転者の車間距離の取り方が短い傾向にあることを視覚情報として運転者に呈示している。

ステップＳ５４０が否定判定され、警報呈示を行わない場合は、ステップＳ５６０へ進み、ステップＳ５２０の運転診断結果に基づいて指導呈示処理を実行するか否かを判断する。ここでは、ステップＳ５２８で算出した前回の「このとき」に対する今回の「このとき」の逸脱度Dist_10、またはステップＳ５３０で算出した前回の「この日」に対する今回の「この日」の逸脱度Dist_20が、負の値であるか否かを判定する。

Dist_10またはDist_20が負の値で、前回よりも運転者の運転操作が改善されている場合は、ステップＳ５７０へ進み、運転者への指導呈示を行う。指導呈示を行った後、この処理を終了する。例えば、指導呈示内容として、運転者の運転を褒める内容の表示および音声を出力する。例えば、「安全運転を心掛けていますね。この調子でがんばりましょう」という音声を出力する。

なお、表示や音声出力を行う場合に、運転者に馴染みの深い「車間距離」ということばを用いる例を説明したが、「車間時間」ということばを用いて表示や音声出力を行うことももちろん可能である。また、上述した第１の実施の形態と同様の表示や音声出力を行うように構成することもできる。

上記第２の実施の形態では、走行条件として、同一の道路を走行している場合に、運転者の運転診断を行うように構成した。すなわち、走行条件として、運転者の運転操作に関して空間的な範囲が合致するかを判断した。ここで、走行条件として、走行時間帯等、運転操作に関して時間的な範囲が合致するか否かを判断することもできる。また、同一道路を同じ時間帯に走行しているかといった、運転操作の空間的な範囲および時間的な範囲が合致するかを、走行条件として判断することもできる。

このように以上説明した第２の実施の形態においては、上述した第１の実施の形態による効果に加えて、以下のような作用効果を奏することができる。
（１）検出した走行状態と運転操作のうち、自車両が走行する空間的位置と範囲を限定したデータを用いて運転診断を行うことにより、走行場所を限定して精度良く運転診断を行うことができる。
（２）具体的には、自車両が現在走行中の空間的範囲において走行状態と運転操作のデータを取得し、同じ空間的範囲で過去に取得・記録したデータと比較することにより運転診断を行う。これにより、運転者の運転が過去と比べてどのように変化しているかを、走行場所を限定して精度良く判断することができる。
−第２の実施の形態の変形例−
現在の追従特性と比較するための基準となる過去のデータとして、過去に同一の道路を走行した際に算出／蓄積した複数のデータを用いることもできる。具体的には、データベースに記憶された同一道路走行時の過去の全ての追従特性値のデータを読み込んで用いる。

複数個の追従特性値のデータを取り扱う場合は、これらのデータをその代表値に置き換える。例えば、追従特性値として車間時間ＴＨＷの平均値Mean_x(n)と標準偏差Stdev_x(n)を用いる場合は、加法定理を使って代表値を算出する。例えば、過去に取得した２組のデータを用いる場合、分布をＮ、平均値をμ、標準偏差をσと表すと、N₁（μ₁、σ₁ ²）とN₂（μ₂、σ₂ ²）の代表値は、N（μ₁＋μ₂，σ₁ ²＋σ₂ ²）となる。
《第３の実施の形態》
以下に、本発明の第３の実施の形態による車両用運転支援装置について説明する。第３の実施の形態による車両用運転支援装置の基本構成は、図１に示した第１の実施の形態と同様である。ここでは、上述した第１の実施の形態との相違点を主に説明する。

第３の実施の形態による車両用運転支援装置１では、上述した第１の実施の形態と同様に、先行車に追従走行する際の運転者の追従特性を確率密度関数として算出し、異なるタイムスパンで取得された複数の確率密度分布の差異を表す逸脱度Dist_diffを算出して運転診断を行う。ここで、第３の実施の形態においては、追従走行する際の車両の走行状態のデータおよび運転者の操作状態のデータを用いて、追従特性を表す確率密度関数を再帰的（Recursive）に算出する。

第３の実施の形態による車両用運転支援装置１の動作を、図１６を用いて詳細に説明する。図１６は、第３の実施の形態のコントローラ１００における運転支援制御処理の処理手順のフローチャートである。本処理内容は、一定間隔、例えば５０ｍｓｅｃ毎に連続的に行われる。ステップＳ６００〜Ｓ６１６での処理は、図３に示したフローチャートのステップＳ４００〜Ｓ４１６での処理と同様であるので説明を省略する。

ステップＳ６２０では、ステップＳ６１６で保存したデータを用いて運転者の運転診断を行う。運転診断は、自車両が安定して先行車に追従する走行シーンにおける運転者の運転特性に基づいて行う。追従走行時の運転特性としては、例えば自車両と先行車との車間時間ＴＨＷ、車間時間ＴＨＷの逆数、車間距離、および車間距離の逆数等があるが、第３の実施の形態では、車間時間ＴＨＷを用いる場合を例として説明する。

車両用運転支援装置１のデータ構造は、図５に示した第１の実施の形態と同様である。Ａ層は、運転者の現在の運転状態を示す比較的短時間の「このとき」のデータ量を、Ｂ層は、「このとき」よりも長時間の、運転者のその日の運転状態を示す「この日」のデータ量を表す。Ｃ層は、「この日」よりもさらに長時間の、運転者の普段の運転状態、すなわち個人特性を示す「普段」のデータ量を表し、Ｄ層は、各運転者の運転を一般的な運転者と比較して診断するための「世間一般」の運転特性を示すデータ量を表す。

Ａ層からＤ層へと下位の層へ進むほど、データ量は多くなる。各層に含まれるデータ量は、「このとき」「この日」「普段」における車間時間ＴＨＷの平均値を算出する際の標本数に対応し、標本数を変えることによって、図５に示すようなデータ構造を実現している。各層に含まれるデータの数値は、以下に説明するリアルタイムの計算によって随時更新される。

運転診断処理では、Ａ層〜Ｄ層のそれぞれのデータを用いて、異なるタイムスパンでの運転、すなわち、「このとき」「この日」「普段」の運転者の運転を見極める。ステップＳ６２０で実行される運転診断処理を、図１７のフローチャートを用いて詳細に説明する。

ステップＳ６２２では、運転者の「このとき」の運転診断を行うために、「このとき」の運転者の追従特性値を算出する。運転者の追従特性値として、「このとき」を定義する所定時間内の車間時間ＴＨＷの分布を算出する。ここで、「このとき」を定義する所定時間（タイムウィンドウ）は、例えば６０秒とし、ステップＳ６１０で判断した安定した追従走行シーンで検出された過去から現在までの６０秒分のデータを用いて車間時間ＴＨＷの分布を算出する。

具体的に、車間時間ＴＨＷの分布を算出するために、「このとき」を定義する所定時間内の車間時間ＴＨＷの確率密度を再帰的（Recursive）に算出する。そこで、まず、図１８に示すように車間時間ＴＨＷのデータをいれる複数のビンを用意する。各ビンはＴＨＷ＝０からＴＨＷ＝４まで、０．２刻みで設定され、合計２１個のビンBin（配列）が用意される。図１８に示す例では、THW0.0（Bin_1）という左端のビンに０．０から０．１のTHWのデータを入れるように設定し、THW0.２（Bin_2）という左から２番目のビンに０．１から０．３のデータを入れるように設定している。

次に、それぞれのビンBin_1〜Bin_21に初期値として所定値を入れる。

所定値は、全部のビンに入れられた所定値の総和が１になるような値を設定する。例えば、図１９（ａ）に示すように、全てのビンBin_1〜Bin_21に同じ値（１／２１）を入れるように所定値（＝１／ビンの総数）を設定することができる。ただし、ある値を中央に持つつりがね状の分布を示すような車間時間ＴＨＷなどの場合は、図１９（ｂ）に示すように、前回算出した分布を所定値にすることが望ましい。すなわち、前回算出した分布の確率密度を各ビンBin_1〜Bin_21のそれぞれの初期値として設定する。これにより、より精度よく分布を算出することができる。なお、図１９（ａ）（ｂ）の横軸は車間時間ＴＨＷ(s)、縦軸は確率密度をそれぞれ示している。

「このとき」を定義する所定時間（タイムウィンドウ）は、上述したように例えば６０秒とする。設定したタイムウィンドウ内のデータ個数をNと定義する。

次に、確率密度をリアルタイムに計算する。

車間時間ＴＨＷの新しいデータを取得するたびに、新しい車間時間ＴＨＷがどのビンに該当するかを判断する。新しいデータが入るビンと入らないビンと確率密度の計算方法が異なる。新しいデータが入るビンの確率密度Bin_x(n)は、以下の（式１８）を用いて算出する。

Bin_x(n)＝｛Bin_x(n−1)＋1／N｝÷（1＋1／N） ・・・（式１８）
新しいデータが入らないビンの確率密度Bin_x(n)は、以下の（式１９）を用いて算出する。

Bin_x(n)＝｛Bin_x(n−1)｝÷（1＋1／N） ・・・（式１９）
このように、「このとき」の車間時間ＴＨＷの確率密度をリアルタイムで算出することにより、実際の分布によく合致した車間時間ＴＨＷの分布を得ることができる。図２０に、車間時間ＴＨＷの分布の一例を示す。図２０に示す分布は、Bin_5でモード値（最頻値）が現れている。なお、見やすくするためにBin_1〜Bin_10の１０個のビンのみを示している。

ステップＳ６２４では、運転者の「この日」の運転診断を行うために、「この日」の運転者の追従特性値、すなわち、「この日」を定義する所定時間内の車間時間ＴＨＷの分布を算出する。ここで、「この日」を定義する所定時間（タイムウィンドウ）は、例えば３６０秒とし、ステップＳ６１０で判断した安定した追従走行シーンで検出された過去から現在までの３６０秒分のデータを用いて、上述した「このとき」と同様に車間時間ＴＨＷの分布を算出する。

ステップＳ６２６では、運転者の「普段」の運転診断を行うために、「普段」の運転者の追従特性値、すなわち、「普段」を定義する所定時間内の車間時間ＴＨＷの分布を算出する。ここで、「普段」を定義する所定時間（タイムウィンドウ）は、例えば２１６０秒とし、ステップＳ６１０で判断した安定した追従走行シーンで検出された過去から現在までの２１６０秒分のデータを用いて、上述した「このとき」と同様に車間時間ＴＨＷの分布を算出する。

続くステップＳ６２８以降の処理では、ステップＳ６２２，Ｓ６２４，Ｓ６２６で算出した異なるタイムスパンで得られたデータに基づく運転者の追従特性をそれぞれ比較し、両者がどの程度乖離しているかに基づいて運転者の運転を診断する。すなわち、図５に示すデータ構造において、上位層（例えばＡ層）を下位層（例えばＢ層）と比較することで、運転診断を行う。

まず、ステップＳ６２８では、「この日」の運転者の追従特性に対して「このとき」の運転者の追従特性がどの程度乖離しているかを表す逸脱度を算出する。ここで、「この日」に対する「このとき」の逸脱度は、「この日」の車間時間ＴＨＷの分布と、「このとき」の車間時間ＴＨＷの分布の差異を示すものである。

そこで、基準の分布である「この日」の車間時間ＴＨＷの分布のモード値、および比較対象の分布である「このとき」の車間時間ＴＨＷの分布のモード値をそれぞれ算出する。そして、それぞれのモード値よりも車間時間ＴＨＷが短い側、すなわちハイリスクな方向に分布する車間時間ＴＨＷの確率を求める。ハイリスク側の基準分布の確率F_std、および比較分布の確率F_compは、それぞれ以下の（式２０）（式２１）から算出できる。

「この日」に対する「このとき」の逸脱度Dist_diffは、以下の（式２２）から算出することができる。

Dist_diff＝F_comp−F_std ・・・（式２２）
逸脱度Dist_diffがプラス方向に大きくなるほど、「このとき」の運転者の運転が「この日」の運転よりも車間時間ＴＨＷが短くなる方向、すなわちハイリスク方向に偏っていることを表す。逸脱度Dist_diffがマイナス方向に大きくなるほど、「このとき」の運転者の運転が「この日」の運転よりも車間時間ＴＨＷが長くなる傾向、すなわちリスクの低下する傾向にあることを表す。運転者が常に同じ追従特性で運転を行う場合には逸脱度Dist_diffは０となる。

また、ステップＳ６２８では、「普段」に対する「このとき」の逸脱度Dsit_diffも算出する。この場合は、「普段」の車間時間ＴＨＷの分布を長時間の行動分布を表す基準の分布として用い、「このとき」の車間時間ＴＨＷの分布を短時間の行動分布を表す比較対象の分布として用いる。そして、ハイリスク側の「普段」の確率F_stdと「このとき」の確率F_compとを用いて、上述した（式２２）から「普段」に対する「このとき」の逸脱度Dist_diffを算出する。

このように、ステップＳ６２８で「この日」に対する「このとき」の逸脱度Dist_diffを算出した後、ステップＳ６３０へ進む。ステップＳ６３０では、ステップＳ６２８での処理と同様に、「普段」に対する「この日」の逸脱度Dist_diffを算出する。なお、ここでは、「普段」の車間時間ＴＨＷの分布を基準の分布として用い、「この日」の車間時間ＴＨＷの分布を比較対象の分布として用いる。

つづくステップＳ６３２では、ステップＳ６２８での処理と同様に、「世間一般」に対する「普段」の逸脱度Dist_diffを算出する。なお、ここでは、「世間一般」の車間時間ＴＨＷの分布を基準の分布として用い、「普段」の車間時間ＴＨＷの分布を比較対象の分布として用いる。「世間一般」の追従特性値、すなわちモード値よりもハイリスク側の確率F_stdは、固定値として予め適切な値を設定しておく。

このように、ステップＳ６２０で異なる複数のタイムスパンで得られたデータを用いて運転者の運転診断を行った後、ステップＳ６４０へ進む。なお、以降では説明の便宜上、「普段」に対する「このとき」の逸脱度Dist_diffをDist_1a、「この日」に対する「このとき」の逸脱度Dist_diffをDist_1b、「普段」に対する「この日」の逸脱度Dist_diffをDist_2、「世間一般」に対する「普段」の逸脱度Dist_diffをDist_3とする。

ステップＳ６４０では、ステップＳ６２０の運転診断結果に基づいて警報呈示処理を実行するか否かを判断する。ここでは、ステップＳ６２８で算出した「普段」に対する「このとき」の逸脱度Dist_diffをDist_1a、「この日」に対する「このとき」の逸脱度Dist_diffをDist_1b、またはステップＳ６３０で算出した「普段」に対する「この日」の逸脱度Dist_2が、警報呈示を行うか否かを判断するための閾値（たとえば０．３０）よりも大きいか否かを判定する。逸脱度Dist_1a、Dist_1b、またはDist_2が閾値よりも大きい場合は、ステップＳ６５０へ進み、運転者への警報呈示を行う。警報呈示の内容は、上述した第１の実施の形態と同様である。警報呈示を行った後、この処理を終了する。

ステップＳ６４０が否定判定され、警報呈示を行わない場合は、ステップＳ６６０へ進み、ステップＳ６２０の運転診断結果に基づいて指導呈示処理を実行するか否かを判断する。ここでは、ステップＳ６３２で算出した「世間一般」に対する「普段」の逸脱度Dist_3が、指導（改善示唆）呈示を行うか否かを判断するための閾値（例えば０．０７）よりも小さいか否かを判定する。ここで、指導呈示を行うかを判断するための閾値は、同一の運転者であればほぼ常に逸脱度がその範囲内に収まるような値として予め適切に設定しておく。

Dist_3が閾値よりも小さい場合は、ステップＳ６７０へ進み、運転者への指導呈示を行う。指導呈示の内容は、上述した第１の実施の形態と同様である。指導呈示を行った後、この処理を終了する。

このように、以上説明した第３の実施の形態においては、上述した第１〜２の実施の形態による効果に加えて、以下のような作用効果を奏することができる。
（１）走行状態と運転操作のデータから、運転特性を表す確率密度関数を再帰的に算出する。これにより、データ分布をリアルタイムに判定することができ、実際の分布により近いデータ分布を得ることができる。また、再帰的に算出することにより、データ蓄積に要するメモリ容量を少なくすることができ、効率的である。
（２）異なる時定数をもつ複数の確率密度関数をそれぞれ再帰的に算出することにより、過去の長期間のデータに基づく確率密度関数を算出する場合でも、より実際に近いデータ分布を取得することができるとともに、データ蓄積のためのメモリ容量を少なくすることができる。
《第４の実施の形態》
以下に、本発明の第４の実施の形態による車両用運転支援装置について説明する。図２１に、第４の実施の形態による車両用運転支援装置２の構成を示すシステム図を示す。

まず、車両用運転支援装置２の構成を説明する。

舵角センサ５は、例えばステアリングコラムもしくはステアリングホイール（不図示）付近に取り付けられた角度センサであり、ステアリングシャフトの回転からドライバの転舵による操舵角を検出する。検出した操舵角は、コントローラ２００に出力される。

前方カメラ１５は、フロントウィンドウ上部に取り付けられた小型のＣＣＤカメラ、またはＣＭＯＳカメラ等であり、前方道路の状況を画像として検出する。コントローラ２００は、前方カメラ１５からの画像信号に画像処理を施し、自車両前方領域に存在するレーンマーカ等を検出する。なお、前方カメラ１５による検知領域は車両の前後方向中心線に対して水平方向に±３０deg程度であり、この領域に含まれる前方道路風景が画像として取り込まれる。

車速センサ３０は、車輪の回転数や変速機の出力側の回転数を計測することにより自車両の車速を検出し、検出した自車速をコントローラ２００に出力する。

ナビゲーションシステム５０は、ＧＰＳ受信機、地図データベース、および表示モニタ等を備えており、経路探索および経路案内等を行うシステムである。ナビゲーションシステム５０は、ＧＰＳ受信機から得られる自車両の現在位置と地図データベースに格納された道路情報に基づいて、自車両が走行する道路の種別や道路幅員等の情報を取得することができる。

コントローラ２００は、ＣＰＵと、ＲＯＭおよびＲＡＭ等のＣＰＵ周辺部品とから構成される電子制御ユニットであり、車両用運転支援装置２全体の制御を行う。コントローラ２００は、舵角センサ５、前方カメラ１５、車速センサ３０、ナビゲーションシステム５０等から入力される信号に基づいて運転者の運転特性を分析し、運転診断を行う。そして、運転診断結果に基づいて、運転者への情報提供を行う。運転者への情報提供としては、運転者への警報や、運転操作の改善示唆等を行う。コントローラ２００における具体的な制御内容は、後述する。

スピーカ１３０は、コントローラ２００からの信号に応じてブザー音や音声により運転者への情報提供を行う。表示ユニット１８０は、コントローラ２００からの信号に応じて運転者への運転に対する警報や改善示唆を与えるような表示を行う。表示ユニット１８０は、例えばナビゲーションシステム５０の表示モニタやコンビメータ等を利用することができる。

次に、第４の実施の形態による車両用運転支援装置２の動作を説明する。まず、その概要を説明する。

車両用運転支援装置２のコントローラ２００は、自車両の走行状態と運転者の運転操作に基づいて、運転者の運転診断を行い、運転診断結果に応じて運転者への警報や運転操作の改善示唆を行う。具体的には、操舵角信号を用いて運転操作の不安定な状態を検出し、運転者の運転診断を行う。運転操作の不安定な状態を検出するために、第４の実施の形態においては、ステアリングエントロピー法を用いる。これは、ステアリング操作（操舵角）の滑らかさから運転者の運転操作の不安定度を算出する手法である。

そして、運転診断結果から運転者が普段の運転よりもリスクが高まるような運転を行っている場合、すなわち運転者の運転がハイリスク方向に逸脱している場合には、警報を与えてハイリスクな状態に陥る前に運転者に報知する。一方、運転診断結果から運転者の運転が世間一般の基準と比べて良ければ、安全運転意識をより向上させるように運転者の運転を褒めるような内容の情報提示、すなわち改善示唆を行う。

このように、第４の実施の形態における車両用運転支援装置１は、運転診断により運転者の運転を検出する機能と、検出結果に応じて運転者に警報を与える機能と、検出結果に応じて運転者に改善示唆を与える機能という３つの機能を備え、自己の運転特性を客観的に知ることで運転者に内省を促すとともに、運転特性に応じた助言を呈示することで運転者にとってはリスクをより低くする運転方法を学ぶことができる。

ここで、ステアリングエントロピー法について説明する。

一般的に、運転者の注意が運転に集中していない状態では、操舵が行われない時間が運転に集中した正常運転時よりも長くなり、大きな操舵角の誤差が蓄積される。したがって、運転者の注意が運転に戻ったときの修正操舵量が大きくなる。ステアリングエントロピー法は、この特性に着目したものであり、特性値としてα値と、α値を基準に算出された操舵角エントロピーＨｐを用いる。基準となる操舵角エントロピーと、計測された操舵角に基づいて算出された操舵角エントロピーとを比較することにより、基準に対する運転操作の不安定な状態を検出する。

なお、α値は、操舵角の時系列データに基づいて一定時間内の操舵誤差、すなわちステアリングが滑らかに操作されたと仮定した場合の操舵角の推定値と実際の操舵角との差を求め、操舵誤差の分布（ばらつき）を測定して９０パーセントタイル値（操舵誤差の９０％が含まれる分布の範囲）を算出したものである。

ステアリングエントロピー値、すなわちＨｐ値は、操舵誤差分布のあいまいさ（不確実性）を表す。Ｈｐ値は、α値と同様に、ステアリング操作が滑らかで安定している場合は小さくなり、ガクガクと不安定な場合は大きくなる。Ｈｐ値はα値によって補正され、運転者の技量や癖により影響を受けない運転者不安定度として用いることができる。

第４の実施の形態においては、一般運転者群の操舵誤差分布を用いて算出した操舵エントロピーを基準状態とする。そして、計測された運転者の操舵誤差分布を用いて操舵角エントロピーを算出し、運転者が基本的に有する運転操作の不安定な状態を検出することにより、運転診断を行う。

なお、操舵誤差は、道路線形や運転者の負荷の状態に影響を受けるため、運転者が無負荷の状態で、基準となる操舵誤差分布を計測する必要がある。そこで、第４の実施の形態においては、これらの影響を受けにくくするために、直線路とみなせる道路線形走行時の操舵角データを用いるとともに、長時間計測した操舵角データに基づいて操舵誤差分布を求める。

第４の実施の形態による車両用運転支援装置２の動作を、図２２を用いて詳細に説明する。図２２は、第４の実施の形態のコントローラ２００における運転支援制御処理の処理手順のフローチャートである。本処理内容は、一定間隔、例えば５０msec毎に連続的に行われる。

ステップＳ１０１１では、舵角センサ５で検出された操舵角信号θを読み込む。ステップＳ１０１３では、自車両が走行する道路の道路曲率信号ρを読み込む。ここで、自車両の走行道路の道路曲率信号ρは、例えば、ナビゲーションシステム５０の道路地図データベースに含まれる道路曲率データや道路線形情報を利用して取得することができる。あるいは、前方カメラ１５で撮影された自車両前方画像に画像処理を施してレーンマーカを検出し、検出したレーンマーカから道路曲率を算出することもできる。ステップＳ１０１５で、車速センサ３０によって検出された自車両の車速信号Ｖを読み込む。

つづくステップＳ１０１７およびＳ１０１９で、操舵角エントロピーの算出を行うか否かを判定する。具体的には、ステップＳ１０１７で、ステップＳ１０１３で読み込んだ道路曲率信号ρが直線路走行中と判定するための道路曲率所定値ρoより小さいか否かを判定する。道路曲率信号ρが所定値ρo以下の場合は自車両が直線路を走行中であると判断して、ステップＳ１０１９へ進む。ρ＞ρoの場合は、この処理を終了する。

ステップＳ１０１９では、ステップＳ１０１５で読み込んだ車速信号Ｖが所定値Ｖoより大きいか否かを判定する。所定値Ｖoは、障害物の多い市街路等以外の道路を自車両が安定した車速で走行しているか否かを判断するためのしきい値であり、例えばＶo＝６０km/h程度に設定する。車速信号Ｖが所定値Ｖoよりも大きい場合は、ステップＳ１０１１へ進み、所定Ｖo以下の場合は、この処理を終了する。

ステップＳ１０２１では、道路曲率信号ρが所定値ρo以下、かつ自車速Ｖが所定値Ｖoより大きいという条件の下で計測された操舵角信号θのサンプル数ｎが、所定値Ｎ１よりも大きいか否かを判定する。ここで、所定値Ｎ１は、運転者の負荷の状態の影響を受けにくくするために十分な長期間のデータを取得したかを判断するためのしきい値であり、例えばＮ１＝１０００００個とする。なお、１０００００個のデータは、３週間程度の走行期間で得られると予測される。サンプル数ｎが所定値Ｎ１よりも多い場合は、ステップＳ１０２３へ進み、所定値Ｎ１以下の場合は、この処理を終了する。

ステップＳ１０２３では、長期間に計測された操舵角信号θを用いて操舵角エントロピーＨｐ１（以降、長期間操舵角エントロピーと呼ぶ）を算出する。長期間操舵角エントロピーＨｐ１は、運転者が基本的に有する運転操作の不安定な状態を表す値であり、運転者の普段の不安定度であるといえる。

ここで、図２３に、操舵角エントロピーを算出するために用いる特殊記号とその名称を示す。操舵角円滑値θn-tildeは、量子化ノイズの影響を低減した操舵角である。操舵角の推定値θn-hatは、ステアリングが滑らかに操作されたと仮定してサンプリング時点における操舵角を推定した値である。操舵角推定値θn-hatは、以下の（式２３）に示すように、操舵角円滑値θn-tildeに対して二次のテイラー展開を施して得られる。

（式２３）において、ｔｎは操舵角θｎのサンプリング時刻である。

操舵角円滑値θn-tildeは、量子化ノイズの影響を低減するために、３個の隣接操舵角θｎの平均値として以下の（式２４）から算出される。

（式２４）において、ｌは、操舵角円滑値θn-tildeの算出時間間隔を１５０msec、すなわち手動操作において人間が断続的に操作可能な最小時間間隔とした場合に、１５０msec内に含まれる操舵角θｎのサンプル数を表す。

操舵角θｎのサンプリング間隔をＴｓとすると、サンプル数ｌは、以下の（式２５）で表される。

ｌ＝round（０．１５／Ｔｓ） ・・・（式２５）
（式２４）において、ｋ＝１，２，３の値をとり、（ｋ＊１）により１５０msec間隔の操舵角とそれに隣接する合計３個の操舵角θｎに基づいて、円滑値θn-tildeを求めることができる。したがって、このような円滑値θn-tildeに基づいて算出される推定値θn-hatは、実質的に１５０msec間隔で得られた操舵角θにより算出されたことになる。

サンプリング時点における操舵誤差ｅｎは、ステアリング操作が滑らかに行われたと仮定した場合の操舵角推定値θn-hatと実際の操舵角θｎとの差として、以下の（式２６）から算出できる。

ただし、操舵誤差ｅｎは、人間が断続的に操作可能な最小時間間隔、１５０msecごとの操舵角θｎに対してのみ算出するものとする。

これらの用語を参照して、長期間操舵角エントロピーＨｐ１の算出処理を、図２４のフローチャートを用いて説明する。

ステップＳ１０３１で、上述した道路曲率および車速の条件下でサンプリング間隔Ｔｓで計測されたｎ個の操舵角信号θｎの時系列データを収集する。サンプリング間隔Ｔｓは、例えば５０msecとする。

ステップＳ１０３２では、１５０msec間隔の隣接する３個の操舵角θｎを用いて、上記（式２４）から３個の操舵角円滑値θn-tildeを算出する。３個の操舵角円滑値θn-tildeは、以下の（式２７）で表される。

ステップＳ１０３３では、ステップ１０３２で算出した３個の操舵角円滑値θn-tildeを用いて、上記（式２３）から操舵角の推定値θn-hatを算出する。推定値θｎ-hatは、以下の（式２８）で表される。

ステップＳ１０３４では、ステップＳ１０３３で算出した操舵角推定値θn-hatと実際の操舵角信号θｎとを用いて、上記（式２６）から操舵誤差ｅｎを算出する。

ステップＳ１０３５では、ステップＳ１０３４で算出された操舵誤差ｅｎを、図２５に示すように、基準状態のα値（＝αo）による９区分ｂ１〜ｂ９に分類し、各区分ｂｉに含まれる操舵誤差ｅｎの度数の全度数に対する確率Ｐｉを求める。ここで、基準状態のα値（＝αo）は、一般運転者群（世間一般の運転者）の操舵角信号に基づいて予め設定し、コントローラ２００のメモリに格納しておく。そして、図２２に示すプログラム実行時に区分ｂｉを設定しておく。

つづくステップＳ１０３６では、ステップＳ１０３５で算出した確率Ｐｉを用いて、以下の（式２９）から長期間操舵角エントロピーＨｐ１を算出する。

なお、長期間操舵角エントロピーＨｐ１の「ｐ」は、操舵角エントロピーが確率分布Ｐ＝｛Ｐｉ｝に従うことを示す。

長期間操舵角エントロピーＨｐ１値は、操舵誤差ｅｎの分布の峻険度を表し、操舵誤差ｅｎが各区分ｂｉに等分に含まれる場合に、Ｈｐ１値が１となるように、底が９の対数により演算する。なお、操舵誤差ｅｎの分布の中心の３区分ｂ４〜ｂ６に全度数の９０％が含まれるように区分を設定しているので、基準状態ではＨｐ１値が１になることはない。

長期間操舵角エントロピーＨｐ１が小さいほど操舵誤差ｅｎの分布の峻険度が大きく、操舵誤差ｅｎの分布が一定の範囲に収まっている。すなわち、ステアリング操作が滑らかに行われ、運転が安定な状態にあることを示す。反対に、長期間操舵角エントロピーＨｐ１値が大きいほど操舵誤差ｅｎの分布の峻険度が小さく、操舵誤差ｅｎの分布がばらついている。すなわち、ステアリング操作がガクガクしており、運転が不安定な状態にあることを示す。

このように、ステップＳ１０２３で長期間操舵角エントロピーＨｐ１を算出した後、ステップＳ１０２５へ進む。ステップＳ１０２５では、長期間操舵角エントロピーＨｐ１に応じて運転者に警報あるいは指導（改善示唆）の呈示を行う。長期間操舵角エントロピーＨｐ１が大きいほど、一般運転者群（世間一般）の平均的な操舵角エントロピーと比較して運転操作の不安定度が大きいと考えることができる。

そこで、例えば図２６に示すように、長期間操舵角エントロピーＨｐ１の大きさを５段階のレベル（SSS,SS,SM,SL,SLL）に分類し、算出された長期間操舵角エントロピーＨｐ１のレベルを運転者に知らせる。なお、図２６に示す分類において、一般運転者群（世間一般）の平均的な操舵角エントロピーが中央のレベルＳＭに入るように、５段階のレベルを適切に設定しておく。

図２７に、長期間操舵角エントロピーＨｐ１の分類結果に応じた報知内容の一例を示す。長期間操舵角エントロピーＨｐ１の分類結果がレベルＳＬＬの場合には、「運転の不安定度が大きいタイプです」という内容のテキストを、表示ユニット１８０の表示モニタに表示する。分類結果がレベルＳＬの場合は、「運転の不安定度がやや大きいタイプです」という内容のテキストを表示する。分類結果がレベルＳＭで、一般運転者群の平均的な操舵角エントロピーと同等の場合には、「運転の不安定度は普通です」という内容のテキストを表示する。分類結果がレベルＳＳの場合は、「運転の不安定度がやや小さいタイプです」という内容のテキストを表示する。分類結果がレベルＳＳＳの場合は、「運転の不安定度が小さいタイプです」という内容のテキストを表示する。なお、図２７に示した報知内容を、スピーカ１３０からの音声出力により運転者に提供することもできる。

このように、以上説明した第４の実施の形態においては、上述した第１〜３の実施の形態による効果に加えて、以下のような作用効果を奏することができる。

運転操作として操舵角θを検出し、運転特性を表す指標として、操舵角を用いて運転者による操舵操作の不安定度を表す操舵角エントロピーＨｐを算出する。これにより、自車両の左右方向に関する運転操作について、精度良く運転診断を行うことができる。
−第４の実施の形態の変形例１−
ここでは、長期間に計測された運転者の操舵角誤差分布を用いて算出した長期間操舵角エントロピーＨｐ１を基準状態とする。そして、中期間に計測された運転者の操舵誤差分布を用いて操舵角エントロピーを算出し、運転者が基本的に有する運転操作の不安定な状態からの逸脱を検出することにより、運転診断を行う。

第４の実施の形態の変形例１による車両用運転支援装置２の動作を、図２８，２９を用いて詳細に説明する。図２８，２９は、第４の実施の形態の変形例１のコントローラ２００における運転支援制御処理の処理手順のフローチャートである。本処理内容は、一定間隔、例えば５０msec毎に連続的に行われる。ステップＳ１０４１〜Ｓ１０５３での処理は、図２２に示したフローチャートのステップＳ１０１１〜Ｓ１０２３での処理と同様であるので説明を省略する。ただし、ステップＳ１０５１でサンプル数ｎが所定値Ｎ１以下であると判定された場合は、処理を終了せずに、図２９のステップＳ１０５７へ進む。

ステップＳ１０５３で基準状態を表す長期間操舵角エントロピーＨｐ１を算出した後、ステップＳ１０５５では、中期間の操舵角エントロピーを算出するために用いるα値を算出する。ここでは、長期間に計測された操舵角信号θを用いて、運転者個人のα値（以降、α１値とする）を算出する。ここでの処理を、図３０のフローチャートを用いて説明する。

ステップＳ１０８１では、上述した道路曲率および車速の条件下でサンプリング間隔Ｔｓで計測されたｎ個の操舵角信号θｎの時系列データを収集する。サンプリング間隔Ｔｓは、例えば５０msecとする。ステップＳ１０８２では、１５０msec間隔の隣接する３個の操舵角θｎを用いて、上記（式２４）から３個の操舵角円滑値θn-tildeを算出する。

ステップＳ１０８３では、ステップ１０８２で算出した３個の操舵角円滑値θn-tildeを用いて、上記（式２３）から操舵角の推定値θn-hatを算出する。ステップＳ１０８４では、ステップＳ１０８３で算出した操舵角推定値θn-hatと実際の操舵角信号θｎとを用いて、上記（式２６）から操舵誤差ｅｎを算出する。

続くステップＳ１０８５では、所定の操舵誤差ごとに操舵誤差ｅｎの度数を数える。ここで、所定の操舵誤差は、舵角センサ５の分解能を考慮して決定する。ここでは、例えば図３１に示すように、０．００１radごとに操舵誤差ｅｎを分類する。図３２に、操舵誤差ｅｎの度数の分布の一例を示す。ステップＳ１０８６では、操舵誤差の区分を示すｉに０を設定する。

ステップＳ１０８７では、全ての操舵誤差の全度数に対して、操舵誤差ｅｎ＝０．０００radにおける度数Ｔ０．０００の確率Ｐが９０％以上であるか否かを判定する。度数Ｔ０．０００の確率Ｐが９０％以上の場合は、ステップＳ１０９０へ進む。この場合、ｉ＝０であるので、α１値は、α１＝０．０００radとなる。ステップＳ１０８７が否定判定されると、ステップＳ１０８８へ進む。ステップＳ１０８８では、ｉを１インクリメントして（ｉ＋１）に設定する。

ステップＳ１０８９では、操舵誤差の区分を広げて、−０．００１radから＋０．００１radまでの操舵誤差ｅｎの度数（Ｔ０．０００＋Ｔ０．００１＋Ｔ−０．００１）の、全ての操舵誤差の全度数に対する確率Ｐが９０％以上か否かを判定する。確率Ｐが９０％以上の場合は、ステップＳ１０９０へ進む。この場合、ｉ＝１であるので、α１値は、α１＝０．００１となる。ステップＳ１０８９が否定判定されると、ステップＳ１０８８へ戻り、再びｉをインクリメントしてステップＳ１０８９の判定を繰り返す。

このようにステップＳ１０５５でα１値を算出した後、図２９のステップＳ１０５７へ進む。ステップＳ１０５７では、道路曲率信号ρが所定値ρo以下、かつ自車速Ｖが所定値Ｖoより大きいという条件の下で計測された操舵角信号θのサンプル数ｎが、所定値Ｎ２よりも大きいか否かを判定する。ここで、所定値Ｎ２は、運転者の普段の運転操作からの逸脱を判定するために十分な中期間（例えば１日程度の走行期間）のデータを取得したかを判断するためのしきい値であり、例えばＮ２＝７２００個とする。サンプル数ｎが所定値Ｎ２よりも多い場合は、ステップＳ１０５９へ進み、所定値Ｎ２以下の場合は、この処理を終了する。

ステップＳ１０５９では、中期間に計測された操舵角信号θを用いて中期間操舵角エントロピーＨｐ２を算出する。中期間操舵角エントロピーＨｐ２は、長期間に計測された操舵角信号θを基準状態として中期間計測された操舵角信号θを用いて算出される値であり、運転者が基本的に有する運転操作の不安定な状態からの逸脱（ずれ）を表す値であるといえる。中期間操舵角エントロピーＨｐ２の算出方法は、図２４のフローチャートを用いて説明した長期間操舵角エントロピーＨｐ１と同様である。ただし、ステップＳ１０５５で算出した運転者個人のα１値をα値として利用する。

ステップＳ１０６１では、ステップＳ１０５３で算出した長期間操舵角エントロピーＨｐ１と、ステップＳ１０５９で算出した中期間操舵角エントロピーＨｐ２との差分ΔＨｐ２（＝Ｈｐ２−Ｈｐ１）を算出する。そして、算出した差分ΔＨｐ２を用いて運転操作不安定状態の判定を行う。中期間操舵角エントロピーＨｐ２が長期間操舵角エントロピーＨｐ１に対して大きいほど、運転者が基本的に有する運転の不安定度と比較して運転操作の不安定度が大きくなっていると考えることができる。そこで、例えば操舵角エントロピーの差分ΔＨｐ２が所定値ＴＨ２よりも大きい場合は、運転操作が不安定な状態にあると判定し、ステップＳ１０６３へ進む。

ステップＳ１０６３では、運転者の運転操作が不安定状態にあることを報知する。ここでは、例えば図３３に示すように、所定値ＴＨ２以上の領域において、操舵角エントロピーの差分ΔＨｐ２の大きさに応じて２段階のレベル(D2P,D2PP)に分類する。そして、ステップＳ１０６１で算出された操舵角エントロピーの差分ΔＨｐ２が該当するレベルを運転者に知らせる。

図３４に、操舵角エントロピーの差分ΔＨｐ２の分類結果に応じた報知内容の一例を示す。差分ΔＨｐ２の分類結果が所定値ＴＨ２Ｌ（＞ＴＨ２）よりも大きいレベルＤ２ＰＰの場合には、「普段より運転の不安定度が大きくなっています」という内容のテキストを、表示ユニット１８０の表示モニタに表示する。分類結果が所定値ＴＨ２よりも大きいレベルＤ２Ｐの場合は、「普段より運転の不安定度がやや大きくなっています」という内容のテキストを表示する。なお、図３４に示した報知内容を、スピーカ１３０からの音声出力により運転者に提供することもできる。

ステップＳ１０６１が否定判定されると、ステップＳ１０６３における不安定状態の報知処理はスキップする。このように、普段の運転操作の不安定状態からの逸脱を検出して運転者に報知した後、ステップＳ１０６５以降の処理で、過去と現在の中期間操舵角エントロピーの比較結果に基づく運転者への報知を行う。具体的には、過去に算出された中期間操舵角エントロピー（以降、Ｈｐ２ｐと表す）と、最新の中期間操舵角エントロピーＨｐ２を比較することで、中期間の運転操作の不安定度の変化を検出して運転者に報知する。

まず、ステップＳ１０６５では、同一の運転者について過去に算出され、記憶されていた過去の中期間操舵角エントロピーＨｐ２ｐと、ステップＳ１０５９で算出された最新の中期間操舵角エントロピーＨｐ２の差分ΔＨｐ２ｐを算出する。そして、算出した差分ΔＨｐ２ｐを用いて運転操作の不安定度の変化を判定する。過去の中期間操舵角エントロピーＨｐ２ｐに対して最新の中期間操舵角エントロピーＨｐ２が小さいほど、すなわち、差分ΔＨｐ２ｐの符号が負で、値が大きいほど、以前と比較して運転操作の不安定度が小さくなる方向に変化したと考えることができる。そこで、例えば操舵角エントロピーの差分ΔＨｐ２ｐが所定値ＴＨ２ｐよりも小さい場合は、運転操作の不安定度が小さくなっていると判定し、ステップＳ１０６７へ進む。

ステップＳ１０６７では、運転者の運転操作の不安定度が小さくなって操舵操作が滑らかになってきていることを報知する（運転改善示唆）。ここでは、例えば図３５に示すように、所定値ＴＨ２Ｐより小さい領域において、操舵角エントロピーの差分ΔＨｐ２ｐの大きさに応じて２段階のレベル(D2PＭ,D2PＭＭ)に分類する。そして、ステップＳ１０６５で算出された操舵角エントロピーの差分ΔＨｐ２ｐが該当するレベルを運転者に知らせる。

図３６に、操舵角エントロピーの差分ΔＨｐ２ｐの分類結果に応じた報知内容の一例を示す。差分ΔＨｐ２ｐの分類結果が所定値ＴＨ２Ｐよりも小さいレベルＤ２ＰＭの場合には、「以前より運転の不安定度がやや小さくなっています」という内容のテキストを、表示ユニット１８０の表示モニタに表示する。分類結果が所定値ＴＨ２ＰＬ（＜ＴＨ２Ｐ）よりも小さいレベルＤ２ＰＭＭの場合は、「以前より運転の不安定度が小さくなっています」という内容のテキストを表示する。なお、図３６に示した報知内容を、スピーカ１３０からの音声出力により運転者に提供することもできる。

ステップＳ１０６５が否定判定されると、ステップＳ１０６７における運転改善示唆処理をスキップしてステップＳ１０６９へ進む。ステップＳ１０６９では、次回の処理に備えて、ステップＳ１０５９で算出した中期間操舵角エントロピーＨｐ２を、過去の中期間操舵角エントロピーＨｐ２ｐとしてセットする。

ステップＳ１０７１以降の処理では、運転者の長期間の操舵角信号θに基づいて算出された運転者個人のα１値を用いて、運転者に対する運転改善示唆を行う。α１値は、上述したように、運転者の長期間の操舵角信号データに基づいて算出された操舵誤差の分布における９０％タイル値を算出したものである。したがって、α１値は、運転者の長期間の操舵誤差の分布を表すファクターであるといえる。

ステップＳ１０７１では、ステップＳ１０５５で算出したα１値を所定値ＴＨα１と比較する。運転者の長期間のα１値が所定値ＴＨα１よりも小さい場合は、運転者の運転操作の不安定度が小さいと考えることができる。そこで、α１値が所定値ＴＨα１よりも小さい場合は、ステップＳ１０７３へ進む。

ステップＳ１０７３では、運転者の運転操作の不安定度が小さく操舵操作が滑らかであることを報知する（運転改善示唆）。ここでは、例えば図３７に示すように、所定値ＴＨα１より小さい領域において、α１値に応じて２段階のレベル(α１Ｓ，α１ＳＳ)に分類する。そして、ステップＳ１０５５で算出されたα１値が該当するレベルを運転者に知らせる。

図３８に、α１値の分類結果に応じた報知内容の一例を示す。α１値の分類結果が所定値ＴＨα１よりも小さいレベルα１Ｓの場合には、「運転の不安定度がやや小さいです」という内容のテキストを、表示ユニット１８０の表示モニタに表示する。分類結果が所定値ＴＨα１Ｓ（＜ＴＨα１）よりも小さいレベルα１ＳＳの場合は、「運転の不安定度が小さいです」という内容のテキストを表示する。なお、図３８に示した報知内容を、スピーカ１３０からの音声出力により運転者に提供することもできる。

これにより、今回の処理を終了する。なお、ステップＳ１０７１が否定判定されると、ステップＳ１０７３における運転改善示唆の処理をスキップして今回の処理を終了する。
−第４の実施の形態の変形例２−
ここでは、長期間に計測された運転者の操舵角誤差分布を用いて算出した長期間操舵角エントロピーＨｐ１を基準状態とする。そして、短期間に計測された運転者の操舵誤差分布を用いて操舵角エントロピーを算出し、運転者が基本的に有する運転操作の不安定な状態からの短期間の逸脱を検出することにより、運転診断を行う。

第４の実施の形態の変形例２による車両用運転支援装置２の動作を、図３９を用いて詳細に説明する。図３９は、第４の実施の形態の変形例２のコントローラ２００における運転支援制御処理の処理手順のフローチャートである。本処理内容は、一定間隔、例えば５０msec毎に連続的に行われる。ステップＳ１１１１〜Ｓ１１２５での処理は、図２８に示したフローチャートのステップＳ１０４１〜Ｓ１０５５での処理と同様であるので説明を省略する。

ステップＳ１１２５でα１値を算出した後、ステップＳ１１２７へ進む。ステップＳ１１２７では、道路曲率信号ρが所定値ρo以下、かつ自車速Ｖが所定値Ｖoより大きいという条件の下で計測された操舵角信号θのサンプル数ｎが、所定値Ｎ３よりも大きいか否かを判定する。ここで、所定値Ｎ３は、運転者の普段の運転操作からの短期的な逸脱を判定するための短期間（例えば５分程度の走行期間）のデータを取得したかを判断するためのしきい値であり、例えばＮ３＝１２００個とする。サンプル数ｎが所定値Ｎ３よりも多い場合は、ステップＳ１１２９へ進み、所定値Ｎ３以下の場合は、この処理を終了する。

ステップＳ１１２９では、短期間に計測された操舵角信号θを用いて短期間操舵角エントロピーＨｐ３を算出する。短期間操舵角エントロピーＨｐ３は、長期間に計測された操舵角信号θを基準状態として短期間計測された操舵角信号θを用いて算出される値であり、運転者が基本的に有する運転操作の不安定な状態からの短期的な逸脱（ずれ）を表す値であるといえる。短期間操舵角エントロピーＨｐ３の算出方法は、図２４のフローチャートを用いて説明した長期間操舵角エントロピーＨｐ１と同様である。ただし、ステップＳ１１２５で算出した運転者個人のα１値をα値として利用する。

ステップＳ１１３１では、ステップＳ１１２３で算出した長期間操舵角エントロピーＨｐ１と、ステップＳ１１２９で算出した短期間操舵角エントロピーＨｐ３との差分ΔＨｐ３（＝Ｈｐ３−Ｈｐ１）を算出する。そして、算出した差分ΔＨｐ３を用いて運転操作不安定状態の判定を行う。短期間操舵角エントロピーＨｐ３が長期間操舵角エントロピーＨｐ１に対して大きいほど、運転者が基本的に有する運転の不安定度と比較して現在の運転操作の不安定度が大きくなっていると考えることができる。そこで、例えば操舵角エントロピーの差分ΔＨｐ３が所定値ＴＨ３よりも大きい場合は、運転操作が不安定な状態にあると判定し、ステップＳ１１３３へ進む。

ステップＳ１１３３では、運転者の現在の運転操作が不安定状態にあることを報知する。ここでは、例えば図４０に示すように、所定値ＴＨ３以上の領域において、操舵角エントロピーの差分ΔＨｐ３の大きさに応じて２段階のレベル(D3P,D3PP)に分類する。そして、ステップＳ１１３１で算出された操舵角エントロピーの差分ΔＨｐ３が該当するレベルを運転者に知らせる。

図４１に、操舵角エントロピーの差分ΔＨｐ３の分類結果に応じた報知内容の一例を示す。差分ΔＨｐ３の分類結果が所定値ＴＨ３Ｌ（＞ＴＨ３）よりも大きいレベルＤ３ＰＰの場合には、「運転の不安定度が大きい状態です」という内容のテキストを、表示ユニット１８０の表示モニタに表示する。分類結果が所定値ＴＨ３よりも大きいレベルＤ３Ｐの場合は、「運転の不安定度がやや大きい状態です」という内容のテキストを表示する。なお、図４１に示した報知内容を、スピーカ１３０からの音声出力により運転者に提供することもできる。

これにより、今回の処理を終了する。なお、ステップＳ１１３１が否定判定されると、ステップＳ１１３３における不安定状態の報知処理をスキップして、今回の処理を終了する。
《第５の実施の形態》
以下に、本発明の第５の実施の形態による車両用運転支援装置について説明する。第５の実施の形態による車両用運転支援装置の基本構成は、図２１に示した第４の実施の形態と同様である。ここでは、上述した第４の実施の形態およびその変形例１，２との相違点を主に説明する。

第５の実施の形態による車両用運転支援装置２では、上述した第４の実施の形態と同様に、操舵角信号を用いて操舵角エントロピーを算出することにより運転操作の不安定な状態を検出し、運転者の運転診断を行う。そして、運転診断結果から運転者が普段の運転よりもリスクが高まるような運転を行っている場合、すなわち運転者の運転がハイリスク方向に逸脱している場合には、警報を与えてハイリスクな状態に陥る前に運転者に報知する。一方、運転診断結果から運転者の運転が世間一般の基準と比べて良ければ、安全運転意識をより向上させるように運転者の運転を褒めるような内容の情報提示、すなわち運転改善示唆を行う。

ここで、操舵角エントロピーを求める際には、操舵角の推定誤差が９分割された基準分布のどの区分に属するかを判定し、各区分の確率を計算する必要がある。また、α値（上述したα１）を求めるために、操舵誤差の度数分布を求める必要がある。これらの処理は、サンプル数の全データに対して行うため、予めデータ個数分のバッファメモリを用意しておく必要がある。

そこで、第５の実施の形態においては、長期間の直近の操舵角データを一時的に保存する必要がある場合でも、少量のメモリで各区分の確率の計算が可能となるように、再帰的（Recursive）に各区分の確率を計算する。

以下に、第５の実施の形態による車両用運転支援装置２における長期間操舵角エントロピーＨｐ１の算出処理の処理手順を、図４２のフローチャートを用いて説明する。この処理は、第４の実施の形態で説明した図２２のフローチャートのステップＳ１０２３で実行される。ステップＳ１２３１〜Ｓ１２３４での処理は、図２４のステップＳ１０３１〜Ｓ１０３４での処理と同様であるので説明を省略する。

ステップＳ１２３５では、ステップＳ１２３４で算出された操舵誤差ｅｎを、図２５に示すように、基準状態のα値（＝αo）による９区分ｂ１〜ｂ９に分類し、各区分ｂｉに含まれる操舵誤差ｅｎの度数の全度数に対する確率Ｐｉを再帰的に求める。ここで、基準状態のα値（＝αo）は、一般運転者群（世間一般の運転者）の操舵角信号に基づいて予め設定し、コントローラ２００のメモリに格納しておく。操舵誤差ｅｎが配分される区分の判定と、各区分の確率Ｐｉを再帰的に求める方法を、図４３のフローチャートを用いて説明する。

まず、ステップＳ１２４１では、操舵誤差の区分を示すｉに１を設定する。ステップＳ１２４２では、ｉが９よりも大きいか否かを判定する。ｉ＞９の場合は、９区分のそれぞれの確率Ｐｉの算出が終了していると判断して、この処理を終了する。ｉ≦９の場合は、各区分における確率Ｐｉを算出するために、ステップＳ１２４３へ進む。

ステップＳ１２４３では、ステップＳ１２３４で算出した操舵誤差ｅｎがターゲットの区分ｂｉに該当するか否かを判定する。操舵誤差が区分ｂｉに該当する場合は、ステップＳ１２４４へ進む。ステップＳ１２４４では、以下の（式３０）から区分ｂｉに含まれる操舵誤差ｅｎの確率Ｐｉ（ｎ）を算出する。ここで、データ個数をＮとする。

Pi（n）＝｛Pi(n−1)＋1／N｝÷（1＋1／N） ・・・(式３０)
一方、操舵誤差が区分ｂｉに該当しない場合は、ステップＳ１２４５へ進み、その区分ｂｉに含まれる操舵誤差ｅｎの確率Ｐｉ（ｎ）を、以下の（式３１）から算出する。

Pi（n）＝｛Pi（n−1）｝÷（1＋1／N） ・・・（式３１）
ステップＳ１２４６では、ｉとして（ｉ＋１）をセットする。その後、ステップＳ１２４２へ戻り、全９区分の確率Ｐｉを算出するまで、ステップＳ１２４３〜Ｓ１２４６の処理を繰り返す。

このように、ステップＳ１２３５で各区分ｂｉに含まれる操舵誤差ｅｎの確率Ｐｉを再帰的に算出した後、ステップＳ１２３６へ進む。ステップＳ１２３６では、ステップＳ１２３５で算出した確率Ｐｉを用いて、上述した（式２９）から長期間操舵角エントロピーＨｐ１を算出する。これにより、長期間操舵角エントロピーＨｐ１の算出処理を終了する。

次に、第４の実施の形態の変形例１で説明したα１値を算出するために、再帰的に度数計算を行う方法を説明する。以下に、第５の実施の形態による車両用運転支援装置２におけるα１値の算出処理の処理手順を、図４４のフローチャートを用いて説明する。この処理は、第４の実施の形態の変形例１で説明した図２８のフローチャートのステップＳ１０５５で実行される。ステップＳ１２５１〜Ｓ１２５４での処理は、図３０のステップＳ１０８１〜Ｓ１０８４での処理と同様であるので説明を省略する。

ステップＳ１２５５では、所定の操舵誤差ごとの操舵誤差ｅｎの度数を再帰的に計算する。ここでの処理を、図４５のフローチャートを用いて説明する。

まず、ステップＳ１２７１では、操舵誤差の度数分布の区分を示すＴに１を設定する。ステップＳ１２７２では、Ｔが全区分数Ｔｎよりも大きいか否かを判定する。全区分数Ｔｎは、例えば４０とし、各区分の刻みを０．００１に設定する。Ｔ＞Ｔｎで、全区分にいおいて度数計算が終了した場合は、この処理を終了する。Ｔ≦Ｔｎの場合は、各区分の度数Ｔｉ（ｎ）を算出するために、ステップＳ１２７３へ進む。

ステップＳ１２７３では、ステップＳ１２５４で算出した操舵誤差ｅｎがターゲットの区分Ｔｉに該当するか否かを判定する。操舵誤差が区分Ｔｉに該当する場合は、ステップＳ１２７４へ進む。ステップＳ１２７４では、以下の（式３２）から区分Ｔｉに含まれる操舵誤差ｅｎの度数Ｔｉ（ｎ）を算出する。ここで、データ個数をＮとする。

Ti（n）＝｛Ti(n−1)＋1／N｝÷（1＋1／N） ・・・(式３２)
一方、操舵誤差が区分Ｔｉに該当しない場合は、ステップＳ１２７５へ進み、その区分Ｔｉに含まれる操舵誤差ｅｎの度数Ｔｉ（ｎ）を、以下の（式３３）から算出する。

Ti（n）＝｛Ti（n−1）｝÷（1＋1／N） ・・・（式３３）
ステップＳ１２７６では、ｉとして（ｉ＋１）をセットする。その後、ステップＳ１２７２へ戻り、全区分Ｔｎの度数Ｔｉを算出するまで、ステップＳ１２７３〜Ｓ１２７６の処理を繰り返す。

このように、ステップＳ１２５５で度数分布を再帰的に計算した後、ステップＳ１２５６へ進む。ステップＳ１２５６以降の処理では、上述した第４の実施の形態の変形例１と同様に、ステップＳ１２５５で算出した度数分布を用いてα１値を算出する。

以上説明したように、操舵角エントロピーＨｐを再帰的に求めることにより、データ蓄積のためのメモリ容量を少なくすることができるとともに、算出ステップが少なくなるため算出処理を簡素化することができる。また、操舵角エントロピーＨｐをリアルタイムに算出することができる。
《第６の実施の形態》
以下に、本発明の第６の実施の形態による車両用運転支援装置について説明する。図４６に、第６の実施の形態による車両用運転支援装置３の構成を示すシステム図を示す。第６の実施の形態においては、上述した第４の実施の形態と同様の機能を有する箇所には同一の符号を付して説明を省略する。ここでは、第４の実施の形態との相違点を主に説明する。

車両用運転支援装置３は、レーザレーダ１０、前方カメラ１５、車速センサ３０、加速度センサ３５、ナビゲーションシステム５０、アクセルペダル開度センサ５５、コントローラ２５０、スピーカ１３０、および表示ユニット１８０を備えている。

レーザレーダ１０は、車両の前方グリル部もしくはバンパ部等に取り付けられ、水平方向に赤外光パルスを照射して自車両の前方領域を走査する。レーザレーダ１０は、前方にある複数の反射物（通常、先行車の後端）で反射された赤外光パルスの反射波を計測し、反射波の到達時間より、複数の障害物までの車間距離と相対速度をそれぞれ検出する。検出した車間距離及び相対速度はコントローラ２５０へ出力される。レーザレーダ１０によりスキャンされる前方の領域は、自車正面に対して±６deg 程度であり、この範囲内に存在する前方物体が検出される。

加速度センサ３５は、自車両の前後方向の加速度を検出するセンサであり、検出した前後加速度をコントローラ２５０へ出力する。アクセルペダル開度センサ５５は、アクセルペダル（不図示）の踏み込み操作量（アクセルペダル開度）を検出するセンサである。アクセルペダル開度センサ５５は、例えば、リンク機構を介してサーボモータの回転角に変換されたアクセルペダル開度を検出して、コントローラ２５０へ出力する。

コントローラ２５０は、ＣＰＵと、ＲＯＭおよびＲＡＭ等のＣＰＵ周辺部品とから構成される電子制御ユニットであり、車両用運転支援装置３全体の制御を行う。コントローラ２５０は、レーザレーダ１０、前方カメラ１５、車速センサ３０、加速度センサ３５、ナビゲーションシステム５０、およびアクセルペダル開度センサ５５等から入力される信号に基づいて運転者の運転特性を分析し、運転診断を行う。そして、運転診断結果に基づいて、運転者への情報提供を行う。運転者への情報提供としては、運転者への警報や、運転操作の改善示唆等を行う。コントローラ２５０における具体的な制御内容は、後述する。

次に、第６の実施の形態による車両用運転支援装置３の動作を説明する。まず、その概要を説明する。

車両用運転支援装置３のコントローラ２５０は、自車両の走行状態と運転者の運転操作に基づいて、運転者の運転診断を行い、運転診断結果に応じて運転者への警報や運転操作の改善示唆を行う。具体的には、アクセルペダル開度信号を用いて運転操作の不安定な状態を検出し、運転者の運転診断を行う。運転操作の不安定な状態を検出するために、第６の実施の形態においては、上述した第４および第５の実施の形態で用いたステアリングエントロピー法をアクセルペダル操作に応用する。ステアリングエントロピー法は自車両の横方向の制御に関連する操舵角を用いた手法であるが、第６の実施の形態では、自車両の前後方向の制御に関連するアクセルペダル開度信号を用いて、自車両の前後方向の運転操作の不安定な状態を検出する。

そして、運転診断結果から運転者が普段の運転よりもリスクが高まるような運転を行っている場合、すなわち運転者の運転がハイリスク方向に逸脱している場合には、警報を与えてハイリスクな状態に陥る前に運転者に報知する。一方、運転診断結果から運転者の運転が世間一般の基準と比べて良ければ、安全運転意識をより向上させるように運転者の運転を褒めるような内容の情報提示、すなわち改善示唆を行う。

第６の実施の形態で用いるα値（以降、αap値とする）は、アクセルペダル開度の時系列データに基づいて一定時間内のペダル操作誤差、すなわちアクセルペダルが滑らかに操作されたと仮定した場合のアクセルペダル開度の推定値と実際のアクセルペダル開度との差を求め、アクセルペダル開度誤差の分布（ばらつき）を測定して９０パーセントタイル値（アクセルペダル開度誤差の９０％が含まれる分布の範囲）を算出したものである。

アクセルペダル開度エントロピー値（以降、Hp_apとする）は、アクセルペダル開度誤差分布のあいまいさ（不確実性）を表す。Ｈｐ_ap値は、αap値と同様に、アクセルペダル操作が滑らかで安定している場合は小さくなり、ガクガクと不安定な場合は大きくなる。Ｈｐ_ap値はαap値によって補正され、運転者の技量や癖により影響を受けない運転者不安定度として用いることができる。

第６の実施の形態においては、一般運転者群のアクセルペダル開度誤差分布を用いて算出したアクセルペダル開度エントロピーを基準状態とする。そして、計測された運転者のアクセルペダル開度誤差分布を用いてアクセルペダル開度エントロピーを算出し、運転者が基本的に有する運転操作の不安定な状態を検出することにより、運転診断を行う。

なお、アクセルペダル開度誤差は、道路線形、先行車との関係、および運転者の負荷の状態等に影響を受けるため、運転者が無負荷の状態で、基準となるアクセルペダル開度誤差分布を計測する必要がある。そこで、第６の実施の形態においては、これらの影響を受けにくくするために、直線路とみなせる道路線形走行時で、かつ一定車速で走行可能な場面におけるアクセルペダル開度データを用いるとともに、長時間計測したアクセルペダル開度データに基づいてアクセルペダル開度分布を求める。

第６の実施の形態による車両用運転支援装置３の動作を、図４７を用いて詳細に説明する。図４７は、第６の実施の形態のコントローラ２５０における運転支援制御処理の処理手順のフローチャートである。本処理内容は、一定間隔、例えば５０msec毎に連続的に行われる。

ステップＳ１３３１では、アクセルペダル開度センサ５５で検出されたアクセルペダル開度信号dapを読み込む。ステップＳ１３３３では、自車両が走行する道路の道路曲率信号ρを読み込む。ステップＳ１３３５で、車速センサ３０によって検出された自車両の車速信号Vapを読み込む。ステップＳ１３３７では、レーザレーダ１０によって検出される自車両前方の障害物、具体的には先行車との車間距離ｄｄおよび相対速度ｖｒを読み込む。ステップＳ１３３９では、加速度センサ３５によって検出される自車両の前後加速度ｘｇを読み込む。

つづくステップＳ１３４１〜Ｓ１３４９で、アクセルペダル開度エントロピーの算出を行うか否かを判定する。具体的には、ステップ１３４１で、ステップＳ１３３３で読み込んだ道路曲率信号ρが直線路走行中と判定するための道路曲率所定値ρapoより小さいか否かを判定する。道路曲率信号ρが所定値ρapo以下の場合は自車両が直線路を走行中であると判断して、ステップＳ１３４３へ進む。ρ＞ρapoの場合は、この処理を終了する。

ステップＳ１３４３では、ステップＳ１３３５で読み込んだ車速信号Vapが所定値Vapoより大きいか否かを判定する。所定値Vapoは、例えば高速道路等、自車両が一定車速で走行可能な場面を走行しているかを判断するためのしきい値であり、例えばVapo＝６０km/h程度に設定する。車速信号Vapが所定値Vapoよりも大きい場合は、ステップＳ１３４５へ進み、所定Vapo以下の場合は、この処理を終了する。

ステップＳ１３４５では、まず、ステップＳ１３３７で読み込んだ車間距離ｄｄと相対速度ｖｒを用いて、先行車に対する自車両の余裕時間ｔｔｃを算出する。余裕時間ｔｔｃは、自車速Vapおよび相対車速ｖｒが一定の場合に自車両と先行車とが接触するまでの余裕時間を表し、以下の（式３４）から算出する。

ｔｔｃ＝ｄｄ／ｖｒ ・・・（式３４）
そして、（式３４）から算出した余裕時間ｔｔｃを所定値ttcapoと比較する。所定値ttcapoは、自車両が十分な余裕時間ｔｔｃを保って先行車に追従しているかを判断するためのしきい値である。余裕時間ｔｔｃが所定値ttcapoより大きく、自車両が先行車に追従している場合は、ステップＳ１３４７へ進む。ｔｔｃ≦ttcapの場合は、この処理を終了する。

ステップＳ１３４７では、ステップＳ１３３９で算出した前後加速度ｘｇを所定値xg_apoと比較する。所定値xg_apoは、自車両が略一定車速で走行中であるか否かを判定するためのしきい値である。ｘｇ＜xg_apoで自車両が略一定車速で走行中と判断されると、ステップＳ１３４９へ進み、ｘｇ≧xg_apoの場合は、この処理を終了する。

ステップＳ１３４９では、ステップＳ１３３１で算出したアクセルペダル開度dapを所定値dapoと比較する。所定値dapoは、運転者がアクセルペダルを踏み込み操作中であるかを判断するためのしきい値である。dap＞dapoでアクセルペダル操作中であると判断されると、ステップ１３５１へ進み、dap≦dapoの場合は、この処理を終了する。

ステップＳ１３５１では、上述した条件の下で計測されたアクセルペダル開度信号dapのサンプル数ｎが、所定値Nap1よりも大きいか否かを判定する。ここで、所定値Nap1は、運転者の負荷の状態の影響を受けにくくするために十分な長期間のデータを取得したかを判断するためのしきい値であり、例えばNap1＝１０００００個とする。なお、１０００００個のデータは、３週間程度の走行期間で得られると予測される。サンプル数ｎが所定値Nap1よりも多い場合は、ステップＳ１３５３へ進み、所定値Nap1以下の場合は、この処理を終了する。

ステップＳ１３５３では、長期間に計測されたアクセルペダル開度信号dapを用いてアクセルペダル開度エントロピーＨｐ_ap１（以降、長期間アクセルペダル開度エントロピーと呼ぶ）を算出する。長期間アクセルペダル開度エントロピーＨｐ_ap１は、運転者が基本的に有する運転操作の不安定な状態を表す値であり、運転者の普段の不安定度であるといえる。なお、アクセルペダル開度エントロピーＨｐ_ap1の算出方法は、基本的に上述した操舵角エントロピーＨｐと同様である。ただし、以降の説明において、アクセルペダル開度の円滑値をdapn-tildeと表し、アクセルペダル開度の推定値をdapn-hatと表し、アクセルペダル開度誤差をe_apnと表す。

長期間アクセルペダル開度エントロピーＨｐ_ap１の算出処理を、図４８のフローチャートを用いて説明する。ステップＳ１３６１で、上述した条件下でサンプリング間隔Ｔｓで計測されたｎ個のアクセルペダル開度信号dapnの時系列データを収集する。サンプリング間隔Ｔｓは、例えば５０msecとする。

ステップＳ１３６２では、１５０msec間隔の隣接する３個のアクセルペダル開度dapnを用いて、上記（式２４）に従って３個のアクセルペダル開度円滑値dapn-tildeを算出する。ステップＳ１３６３では、ステップ１３６２で算出した３個のアクセルペダル開度円滑値dapn-tildeを用いて、上記（式２３）に従ってアクセルペダル開度の推定値dapn-hatを算出する。ステップＳ１３６４では、ステップＳ１３６３で算出したアクセルペダル開度推定値dapn-hatと実際のアクセルペダル開度信号dapnとを用いて、上記（式２６）に従ってアクセルペダル開度誤差e_apnを算出する。

ステップＳ１３６５では、ステップＳ１３６４で算出されたアクセルペダル開度誤差e_apnを、図２５に示すような基準状態のα値（＝αo_ap）による９区分ｂ１〜ｂ９に分類し、各区分ｂｉに含まれるアクセルペダル開度誤差e_apnの度数の全度数に対する確率Ｐｉを求める。ここで、基準状態のα値（＝αo_ap）は、一般運転者群（世間一般の運転者）のアクセルペダル開度信号に基づいて予め設定し、コントローラ２５０のメモリに格納しておく。そして、図４７に示すプログラム実行時に区分ｂｉを設定しておく。

つづくステップＳ１３６６では、ステップＳ１３６５で算出した確率Ｐｉを用いて、上記（式２９）に従って長期間アクセルペダル開度エントロピーＨｐ_ap１を算出する。

長期間アクセルペダル開度エントロピーＨｐ_ap１が小さいほどアクセルペダル開度誤差e_apnの分布の峻険度が大きく、アクセルペダル開度誤差e_apnの分布が一定の範囲に収まっている。すなわち、アクセルペダル操作が滑らかに行われ、運転が安定な状態にあることを示す。反対に、長期間アクセルペダル開度エントロピーＨｐ_ap１値が大きいほどアクセルペダル開度誤差e_apnの分布の峻険度が小さく、アクセルペダル開度誤差e_apnの分布がばらついている。すなわち、アクセルペダル操作がガクガクしており、運転が不安定な状態にあることを示す。

このように、ステップＳ１３５３で長期間アクセルペダル開度エントロピーＨｐ_ap１を算出した後、ステップＳ１３５５へ進む。ステップＳ１３５５では、長期間アクセルペダル開度エントロピーＨｐ_ap１に応じて運転者に警報あるいは指導（改善示唆）の呈示を行う。長期間アクセルペダル開度エントロピーＨｐ_ap１が大きいほど、一般運転者群（世間一般）の平均的なアクセルペダル開度エントロピーと比較して運転操作の不安定度が大きいと考えることができる。

そこで、例えば図４９に示すように、長期間アクセルペダル開度エントロピーＨｐ_ap１の大きさを５段階のレベル（SSS,SS,SM,SL,SLL）に分類し、算出された長期間アクセルペダル開度エントロピーＨｐ_ap１のレベルを運転者に知らせる。なお、図４９に示す分類において、一般運転者群（世間一般）の平均的なアクセルペダル開度エントロピーが中央のレベルＳＭに入るように、５段階のレベルを適切に設定しておく。

図５０に、長期間アクセルペダル開度エントロピーＨｐ_ap１の分類結果に応じた報知内容の一例を示す。長期間アクセルペダル開度エントロピーＨｐ_ap１の分類結果がレベルＳＬＬの場合には、「運転の不安定度が大きいタイプです」という内容のテキストを、表示ユニット１８０の表示モニタに表示する。分類結果がレベルＳＬの場合は、「運転の不安定度がやや大きいタイプです」という内容のテキストを表示する。分類結果がレベルＳＭで、一般運転者群の平均的なアクセルペダル開度エントロピーと同等の場合には、「運転の不安定度は普通です」という内容のテキストを表示する。分類結果がレベルＳＳの場合は、「運転の不安定度がやや小さいタイプです」という内容のテキストを表示する。分類結果がレベルＳＳＳの場合は、「運転の不安定度が小さいタイプです」という内容のテキストを表示する。なお、図５０に示した報知内容を、スピーカ１３０からの音声出力により運転者に提供することもできる。

このように、以上説明した第６の実施の形態においては、上述した第１〜５の実施の形態による効果に加えて、以下のような作用効果を奏することができる。

運転操作としてアクセルペダル操作量を検出し、運転者の運転特性を表す指標として、アクセルペダル操作量を用いて、運転者によるアクセルペダル操作の不安定度を表すアクセルペダル開度エントロピーＨｐ＿ａｐを算出する。これにより、自車両の前後方向に関する運転操作について、精度良く運転診断を行うことができる。
−第６の実施の形態の変形例１−
ここでは、長期間に計測された運転者のアクセルペダル開度誤差分布を用いて算出した長期間アクセルペダル開度エントロピーＨｐ_ap１を基準状態とする。そして、中期間に計測された運転者のアクセルペダル開度誤差分布を用いてアクセルペダル開度エントロピーを算出し、運転者が基本的に有する運転操作の不安定な状態からの逸脱を検出することにより、運転診断を行う。

第６の実施の形態の変形例１による車両用運転支援装置３の動作を、図５１，５２を用いて詳細に説明する。図５１，５２は、第６の実施の形態の変形例１のコントローラ２５０における運転支援制御処理の処理手順のフローチャートである。本処理内容は、一定間隔、例えば５０msec毎に連続的に行われる。ステップＳ１３７１〜Ｓ１３９３での処理は、図４７に示したフローチャートのステップＳ１３３１〜Ｓ１３５３での処理と同様であるので説明を省略する。ただし、ステップＳ１３９でサンプル数ｎが所定値Nap1以下であると判定された場合は、処理を終了せずに、図５２のステップＳ１３９７へ進む。

ステップＳ１３９３で基準状態を表す長期間アクセルペダル開度エントロピーＨｐ_ap１を算出した後、ステップＳ１３９５では、中期間のアクセルペダル開度エントロピーを算出するために用いるα値を算出する。ここでは、長期間に計測されたアクセルペダル開度dapを用いて、運転者個人のα値（以降、αap１値とする）を算出する。ここでの処理を、図５３のフローチャートを用いて説明する。

ステップＳ１４２１では、上述した条件下でサンプリング間隔Ｔｓで計測されたｎ個のアクセルペダル開度dapnの時系列データを収集する。サンプリング間隔Ｔｓは、例えば５０msecとする。ステップＳ１４２２では、１５０msec間隔の隣接する３個のアクセルペダル開度dapnを用いて、上記（式２４）に従って３個のアクセルペダル開度円滑値dapn-tildeを算出する。

ステップＳ１４２３では、ステップ１４２２で算出した３個のアクセルペダル開度円滑値dapn-tildeを用いて、上記（式２３）に従ってアクセルペダル開度の推定値dapn-hatを算出する。ステップＳ１４２４では、ステップＳ１４２３で算出したアクセルペダル開度推定値dapn-hatと実際のアクセルペダル開度信号dapnとを用いて、上記（式２６）に従ってアクセルペダル開度誤差e_apnを算出する。

続くステップＳ１４２５では、所定のアクセルペダル開度誤差ごとにアクセルペダル開度誤差e_apnの度数を数える。ここで、所定のアクセルペダル開度誤差は、アクセルペダル開度センサ５５の分解能を考慮して決定する。ここでは、例えば操舵誤差分布の算出に用いた図３１の表に示したように、０．００１ごとにアクセルペダル開度誤差e_apnを分類する。ステップＳ１４２６では、アクセルペダル開度誤差の区分を示すｉ_apに０を設定する。

ステップＳ１４２７では、全てのアクセルペダル開度誤差の全度数に対して、アクセルペダル開度誤差e_apn＝０．０００における度数Ｔap０．０００の確率Ｐapが９０％以上であるか否かを判定する。度数Ｔap０．０００の確率Ｐapが９０％以上の場合は、ステップＳ１４３０へ進む。この場合、ｉ_ap＝０であるので、αap１値は、αap１＝０．０００となる。ステップＳ１４２７が否定判定されると、ステップＳ１４２８へ進む。ステップＳ１４２８では、ｉ_apを１インクリメントして（ｉ_ap＋１）に設定する。

ステップＳ１４２９では、アクセルペダル開度誤差の区分を広げて、−０．００１から＋０．００１までのアクセルペダル開度誤差e_apnの度数（Ｔap０．０００＋Ｔap０．００１＋Ｔap−０．００１）の、全てのアクセルペダル開度誤差の全度数に対する確率Ｐapが９０％以上か否かを判定する。確率Ｐapが９０％以上の場合は、ステップＳ１４３０へ進む。この場合、ｉ_ap＝１であるので、αap１値は、αap１＝０．００１となる。ステップＳ１４２９が否定判定されると、ステップＳ１４２８へ戻り、再びｉ_apをインクリメントしてステップＳ１４２９の判定を繰り返す。

このようにステップＳ１３９５でα_ap１値を算出した後、図５２のステップＳ１３９７へ進む。ステップＳ１３９７では、上記条件の下で計測されたアクセルペダル開度dapのサンプル数ｎが、所定値Ｎap２よりも大きいか否かを判定する。ここで、所定値Ｎap２は、運転者の普段の運転操作からの逸脱を判定するために十分な中期間（例えば１日程度の走行期間）のデータを取得したかを判断するためのしきい値であり、例えばＮap２＝７２００個とする。サンプル数ｎが所定値Ｎap２よりも多い場合は、ステップＳ１３９９へ進み、所定値Ｎap２以下の場合は、この処理を終了する。

ステップＳ１３９９では、中期間に計測されたアクセルペダル開度信号dapを用いて中期間操舵角エントロピーＨｐ_ap２を算出する。中期間アクセルペダル開度エントロピーＨｐ_ap２は、長期間に計測されたアクセルペダル開度信号dapを用いた長期間アクセルペダル開度エントロピーＨｐ_ap1を基準状態として、中期間計測されたアクセルペダル開度信号dapを用いて算出される値であり、運転者が基本的に有する運転操作の不安定な状態からの逸脱（ずれ）を表す値であるといえる。中期間アクセルペダル開度エントロピーＨｐ_ap２の算出方法は、図４８のフローチャートを用いて説明した長期間アクセルペダル開度エントロピーＨｐ_ap１と同様である。ただし、ステップＳ１３９５で算出した運転者個人のαap１値をα値として利用する。

ステップＳ１４０１では、ステップＳ１３９３で算出した長期間アクセルペダル開度エントロピーＨｐ_ap１と、ステップＳ１３９９で算出した中期間アクセルペダル開度エントロピーＨｐ_ap２との差分ΔＨｐ_ap２（＝Ｈｐ_ap２−Ｈｐ_ap１）を算出する。そして、算出した差分ΔＨｐ_ap２を用いて運転操作不安定状態の判定を行う。中期間アクセルペダル開度エントロピーＨｐ_ap２が長期間アクセルペダル開度エントロピーＨｐ_ap１に対して大きいほど、運転者が基本的に有する運転の不安定度と比較して運転操作の不安定度が大きくなっていると考えることができる。そこで、例えばアクセルペダル開度エントロピーの差分ΔＨｐ_ap２が所定値ＴＨap２よりも大きい場合は、運転操作が不安定な状態にあると判定し、ステップＳ１４０３へ進む。

ステップＳ１４０３では、運転者の運転操作が不安定状態にあることを報知する。ここでは、例えば図５４に示すように、所定値ＴＨap２以上の領域において、アクセルペダル開度エントロピーの差分ΔＨｐ_ap２の大きさに応じて２段階のレベル(D2Pap,D2PPap)に分類する。そして、ステップＳ１４０１で算出されたアクセルペダル開度エントロピーの差分ΔＨｐ_ap２が該当するレベルを運転者に知らせる。

図５５に、アクセルペダル開度エントロピーの差分ΔＨｐ２の分類結果に応じた報知内容の一例を示す。差分ΔＨｐ２の分類結果が所定値ＴＨap2L（＞ＴＨap２）よりも大きいレベルＤ２ＰＰapの場合には、「普段より運転の不安定度が大きくなっています」という内容のテキストを、表示ユニット１８０の表示モニタに表示する。分類結果が所定値ＴＨap２よりも大きいレベルＤ２Ｐapの場合は、「普段より運転の不安定度がやや大きくなっています」という内容のテキストを表示する。なお、図５５に示した報知内容を、スピーカ１３０からの音声出力により運転者に提供することもできる。

ステップＳ１４０１が否定判定されると、ステップＳ１４０３における不安定状態の報知処理はスキップする。このように、普段の運転操作の不安定状態からの逸脱を検出して運転者に報知した後、ステップＳ１４０５以降の処理で、過去と現在の中期間アクセルペダル開度エントロピーの比較結果に基づく運転者への報知を行う。具体的には、過去に算出された中期間アクセルペダル開度エントロピー（以降、Ｈｐ_ap２ｐと表す）と、最新の中期間アクセルペダル開度エントロピーＨｐ_ap２を比較することで、中期間の運転操作の不安定度の変化を検出して運転者に報知する。

まず、ステップＳ１４０５では、同一の運転者について過去に算出され、記憶されていた過去の中期間アクセルペダル開度エントロピーＨｐ_ap２ｐと、ステップＳ１３９９で算出された最新の中期間アクセルペダル開度エントロピーＨｐ_ap２の差分ΔＨｐ_ap２ｐを算出する。そして、算出した差分ΔＨｐ_ap２ｐを用いて運転操作の不安定度の変化を判定する。過去の中期間アクセルペダル開度エントロピーＨｐ_ap２ｐに対して最新の中期間アクセルペダル開度エントロピーＨｐ_ap２が小さいほど、すなわち、差分ΔＨｐ_ap２ｐの符号が負で、値が大きいほど、以前と比較して運転操作の不安定度が小さくなる方向に変化したと考えることができる。そこで、例えばアクセルペダル開度エントロピーの差分ΔＨｐ_ap２ｐが所定値ＴＨap２Ｐよりも小さい場合は、運転操作の不安定度が小さくなっていると判定し、ステップＳ１４０７へ進む。

ステップＳ１４０７では、運転者の運転操作の不安定度が小さくなってアクセルペダル操作が滑らかになってきていることを報知する（運転改善示唆）。ここでは、例えば図５６に示すように、所定値ＴＨap２Ｐより小さい領域において、アクセルペダル開度エントロピーの差分ΔＨｐ_ap２ｐの大きさに応じて２段階のレベル(D2PＭap,D2PＭＭap)に分類する。そして、ステップＳ１４０５で算出されたアクセルペダル開度エントロピーの差分ΔＨｐ_ap２ｐが該当するレベルを運転者に知らせる。

図５７に、アクセルペダル開度エントロピーの差分ΔＨｐ_ap２ｐの分類結果に応じた報知内容の一例を示す。差分ΔＨｐ_ap２ｐの分類結果が所定値ＴＨap２Ｐよりも小さいレベルＤ２ＰＭａｐの場合には、「以前より運転の不安定度がやや小さくなっています」という内容のテキストを、表示ユニット１８０の表示モニタに表示する。分類結果が所定値ＴＨap２ＰＬ（＜ＴＨap２Ｐ）よりも小さいレベルＤ２ＰＭＭａｐの場合は、「以前より運転の不安定度が小さくなっています」という内容のテキストを表示する。なお、図５７に示した報知内容を、スピーカ１３０からの音声出力により運転者に提供することもできる。

ステップＳ１４０５が否定判定されると、ステップＳ１４０７における運転改善示唆処理をスキップしてステップＳ１４０９へ進む。ステップＳ１４０９では、次回の処理に備えて、ステップＳ１３９９で算出した中期間アクセルペダル開度エントロピーＨｐ_ap２を、過去の中期間アクセルペダル開度エントロピーＨｐ_ap２ｐとしてセットする。

ステップＳ１４１１以降の処理では、運転者の長期間のアクセルペダル開度信号dapに基づいて算出された運転者個人のαap１値を用いて、運転者に対する運転改善示唆を行う。αap１値は、上述したように、運転者の長期間のアクセルペダル開度信号データに基づいて算出されたアクセルペダル開度誤差の分布における９０％タイル値を算出したものである。したがって、αap１値は、運転者の長期間のアクセルペダル開度誤差の分布を表すファクターであるといえる。

ステップＳ１４１１では、ステップＳ１４３０で算出したαap１値を所定値ＴＨαap１と比較する。運転者の長期間のαap１値が所定値ＴＨαap１よりも小さい場合は、運転者の運転操作の不安定度が小さいと考えることができる。そこで、αap１値が所定値ＴＨαap１よりも小さい場合は、ステップＳ１４１３へ進む。

ステップＳ１４１３では、運転者の運転操作の不安定度が小さくアクセルペダル操作が滑らかであることを報知する（運転改善示唆）。ここでは、例えば図５８に示すように、所定値ＴＨαap１より小さい領域において、αap１値に応じて２段階のレベル(α１apＳ，α１apＳＳ)に分類する。そして、ステップＳ１４３０で算出されたαap１値が該当するレベルを運転者に知らせる。

図５９に、αap１値の分類結果に応じた報知内容の一例を示す。αap１値の分類結果が所定値ＴＨαap１よりも小さいレベルα１apＳの場合には、「運転の不安定度がやや小さいです」という内容のテキストを、表示ユニット１８０の表示モニタに表示する。分類結果が所定値ＴＨαap１Ｓ（＜ＴＨαap１）よりも小さいレベルα１apＳＳの場合は、「運転の不安定度が小さいです」という内容のテキストを表示する。なお、図５９に示した報知内容を、スピーカ１３０からの音声出力により運転者に提供することもできる。

これにより、今回の処理を終了する。なお、ステップＳ１４１１が否定判定されると、ステップＳ１４１３における運転改善示唆の処理をスキップして今回の処理を終了する。
−第６の実施の形態の変形例２−
ここでは、長期間に計測された運転者のアクセルペダル開度誤差分布を用いて算出した長期間アクセルペダル開度エントロピーＨｐ_ap１を基準状態とする。そして、短期間に計測された運転者のアクセルペダル開度誤差分布を用いてアクセルペダル開度エントロピーを算出し、運転者が基本的に有する運転操作の不安定な状態からの短期間の逸脱を検出することにより、運転診断を行う。

第６の実施の形態の変形例２による車両用運転支援装置３の動作を、図６０を用いて詳細に説明する。図６０は、第６の実施の形態の変形例２のコントローラ２５０における運転支援制御処理の処理手順のフローチャートである。本処理内容は、一定間隔、例えば５０msec毎に連続的に行われる。ステップＳ１１４１〜Ｓ１４６５での処理は、図５１に示したフローチャートのステップＳ１３７１〜Ｓ１３９５での処理と同様であるので説明を省略する。

ステップＳ１３９５でαap１値を算出した後、ステップＳ１４６７へ進む。ステップＳ１４６７では、上記条件の下で計測されたアクセルペダル開度信号dapのサンプル数ｎが、所定値Ｎap３よりも大きいか否かを判定する。ここで、所定値Ｎap３は、運転者の普段の運転操作からの短期的な逸脱を判定するための短期間（例えば５分程度の走行期間）のデータを取得したかを判断するためのしきい値であり、例えばＮap３＝１２００個とする。サンプル数ｎが所定値Ｎap３よりも多い場合は、ステップＳ１４６９へ進み、所定値Ｎap３以下の場合は、この処理を終了する。

ステップＳ１４６９では、短期間に計測されたアクセルペダル開度信号dapを用いて短期間アクセルペダル開度エントロピーＨｐ_ap３を算出する。短期間アクセルペダル開度エントロピーＨｐ_ap３は、長期間に計測されたアクセルペダル開度信号dapを用いたアクセルペダル開度誤差分布を基準状態として、短期間計測されたアクセルペダル開度信号dapを用いて算出される値であり、運転者が基本的に有する運転操作の不安定な状態からの短期的な逸脱（ずれ）を表す値であるといえる。短期間アクセルペダル開度エントロピーＨｐ_ap３の算出方法は、図４８のフローチャートを用いて説明した長期間アクセルペダル開度エントロピーＨｐ_ap１と同様である。ただし、ステップＳ１４６５で算出した運転者個人のαap１値をα値として利用する。

ステップＳ１４７１では、ステップＳ１４６３で算出した長期間アクセルペダル開度エントロピーＨｐ_ap１と、ステップＳ１４６９で算出した短期間アクセルペダル開度エントロピーＨｐ_ap３との差分ΔＨｐ_ap３（＝Ｈｐ_ap３−Ｈｐ_ap１）を算出する。そして、算出した差分ΔＨｐ_ap３を用いて運転操作不安定状態の判定を行う。短期間アクセルペダル開度エントロピーＨｐ_ap３が長期間アクセルペダル開度エントロピーＨｐ_ap１に対して大きいほど、運転者が基本的に有する運転の不安定度と比較して現在の運転操作の不安定度が大きくなっていると考えることができる。そこで、例えばアクセルペダル開度エントロピーの差分ΔＨｐ_ap３が所定値ＴＨap３よりも大きい場合は、運転操作が不安定な状態にあると判定し、ステップＳ１４７３へ進む。

ステップＳ１４７３では、運転者の現在の運転操作が不安定状態にあることを報知する。ここでは、例えば図６１に示すように、所定値ＴＨap３以上の領域において、アクセルペダル開度エントロピーの差分ΔＨｐ_ap３の大きさに応じて２段階のレベル(D3Pap,D3PPap)に分類する。そして、ステップＳ１４７１で算出されたアクセルペダル開度エントロピーの差分ΔＨｐ_ap３が該当するレベルを運転者に知らせる。

図６２に、アクセルペダル開度エントロピーの差分ΔＨｐ_ap３の分類結果に応じた報知内容の一例を示す。差分ΔＨｐ_ap３の分類結果が所定値ＴＨap３Ｌ（＞ＴＨap３）よりも大きいレベルＤ３ＰＰapの場合には、「運転の不安定度が大きい状態です」という内容のテキストを、表示ユニット１８０の表示モニタに表示する。分類結果が所定値ＴＨap３よりも大きいレベルＤ３Ｐapの場合は、「運転の不安定度がやや大きい状態です」という内容のテキストを表示する。なお、図６２に示した報知内容を、スピーカ１３０からの音声出力により運転者に提供することもできる。

これにより、今回の処理を終了する。なお、ステップＳ１４７１が否定判定されると、ステップＳ１４７３における不安定状態の報知処理をスキップして、今回の処理を終了する。
《第７の実施の形態》
以下に、本発明の第７の実施の形態による車両用運転支援装置について説明する。図６３に、第７の実施の形態による車両用運転支援装置４の構成を示すシステム図であり、図６４は、車両用運転支援装置４を搭載した車両の構成図である。

まず、車両用運転支援装置４の構成を説明する。

レーザレーダ１０は、車両の前方グリル部もしくはバンパ部等に取り付けられ、水平方向に赤外光パルスを照射して自車両の前方領域を走査する。レーザレーダ１０は、前方にある複数の反射物（通常、先行車の後端）で反射された赤外光パルスの反射波を計測し、反射波の到達時間より、複数の障害物までの車間距離と相対速度をそれぞれ検出する。検出した車間距離及び相対速度はコントローラ３００へ出力される。レーザレーダ１０によりスキャンされる前方の領域は、自車正面に対して±６deg 程度であり、この範囲内に存在する前方物体が検出される。

車速センサ３０は、車輪の回転数や変速機の出力側の回転数を計測することにより自車両の車速を検出し、検出した自車速をコントローラ３００に出力する。

ナビゲーションシステム５０は、ＧＰＳ受信機、地図データベース、および表示モニタ等を備えており、経路探索および経路案内等を行うシステムである。ナビゲーションシステム５０は、ＧＰＳ受信機から得られる自車両の現在位置と地図データベースに格納された道路情報に基づいて、自車両が走行する道路の種別や道路幅員等の情報を取得することができる。

アクセルペダルストロークセンサ５５は、例えば、リンク機構を介してサーボモータの回転角に変換されたアクセルペダルのストローク量（アクセルペダル操作量）を検出して、コントローラ３００へ出力する。ブレーキペダルストロークセンサ６０は、運転者がブレーキペダルを踏み込み操作した際の踏み込み量（ブレーキペダル操作量）を検出する。ブレーキペダルストロークセンサ６０は、検出したブレーキペダル操作量をコントローラ３００に出力する。ウィンカスイッチ６５は、運転者によるウィンカレバー操作の有無を検出して、検出信号をコントローラ３００に出力する。

コントローラ３００は、ＣＰＵと、ＲＯＭおよびＲＡＭ等のＣＰＵ周辺部品とから構成される電子制御ユニットであり、車両用運転支援装置４全体の制御を行う。コントローラ３００は、レーザレーダ１０、車速センサ３０、ナビゲーションシステム５０、アクセルペダルストロークセンサ５５、ブレーキペダルストロークセンサ６０、およびウィンカスイッチ６５等から入力される信号に基づいて運転者の運転特性を分析し、運転診断を行う。そして、運転診断結果に基づいて、運転者への情報提供を行う。運転者への情報提供としては、運転者への警報や、運転操作の改善示唆等を行う。コントローラ３００における具体的な制御内容は、後述する。

スピーカ１３０は、コントローラ３００からの信号に応じてブザー音や音声により運転者への情報提供を行う。表示ユニット１８０は、コントローラ３００からの信号に応じて運転者への運転に対する警報や改善示唆を与えるような表示を行う。表示ユニット１８０は、例えばナビゲーションシステム５０の表示モニタやコンビメータ等を利用することができる。

次に、第７の実施の形態による車両用運転支援装置４の動作を説明する。まず、その概要を説明する。

コントローラ３００は、自車両の走行状態と運転者の運転操作に基づいて、運転者の運転診断を行い、運転診断結果に応じて運転者への警報や運転操作の改善示唆を行う。具体的には、自車両が先行車に追従して走行している状態からアクセルペダルを離したときの運転特性を検出し、検出した運転特性を指標として運転診断を行う。そして、運転診断結果から運転者が普段の運転よりもリスクが高まるような運転を行っている場合、すなわち運転者の運転がハイリスク方向に逸脱している場合には、警報を与えてハイリスクな状態に陥る前に運転者に報知する。一方、運転診断結果から運転者の運転が世間一般の基準と比べて良ければ、安全運転意識をより向上させるように運転者の運転を褒めるような内容の情報提示、すなわち改善示唆を行う。

このように、第７の実施の形態における車両用運転支援装置４は、運転診断により運転者の運転を検出する機能と、検出結果に応じて運転者に警報を与える機能と、検出結果に応じて運転者に改善示唆を与える機能という３つの機能を備え、自己の運転特性を客観的に知ることで運転者に内省を促すとともに、運転特性に応じた助言を呈示することで運転者にとってはリスクをより低くする運転方法を学ぶことができる。第７の実施の形態では、とくに、運転者の前後方向の運転操作に関する運転診断を行う。

第７の実施の形態による車両用運転支援装置４の動作を、図６５を用いて詳細に説明する。図６５は、第７の実施の形態のコントローラ３００における運転支援制御処理の処理手順のフローチャートである。本処理内容は、一定間隔、例えば５０ｍｓｅｃ毎に連続的に行われる。

まず、ステップＳ１００で、自車両の走行状態を検出する。ここで、自車両の走行状態として、車速センサ３０によって検出される自車速Ｖと、レーザレーダ１０によって検出される自車両と先行車との車間距離Ｄおよび相対速度Ｖｒを取得する。ステップＳ１０２では、運転者の操作状態を検出する。ここで、運転者の操作状態として、アクセルペダルストロークセンサ５５によって検出されるアクセルペダル操作量、ブレーキペダルストロークセンサ６０によって検出されるブレーキペダル操作量、およびウィンカスイッチ６５によって検出されるウィンカレバー操作の有無を取得する。

ステップＳ１０４では、後述する自車両の走行シーン判断のために、自車両と先行車との余裕時間ＴＴＣおよび車間時間ＴＨＷを算出する。余裕時間ＴＴＣは、先行車に対する現在の自車両の接近度合を示す物理量である。余裕時間ＴＴＣは、現在の走行状況が継続した場合、つまり自車速Ｖおよび相対車速Ｖｒが一定の場合に、何秒後に、車間距離Ｄがゼロとなり自車両と先行車とが接触するかを示す値であり、以下の（式３５）により求められる。

ＴＴＣ＝Ｄ／Ｖｒ ・・・（式３５）
車間時間ＴＨＷは、自車両が先行車に追従走行している場合に、想定される将来の先行車の車速変化による余裕時間ＴＴＣへの影響度合、つまり相対車速Ｖｒが変化すると仮定したときの影響度合を示す物理量である。車間時間ＴＨＷは、車間距離Ｄを自車速Ｖで除したものであり、先行車の現在位置に自車両が到達するまでの時間を示す。車間時間ＴＨＷは以下の（式３６）から求められる。

ＴＨＷ＝Ｄ／Ｖ ・・・（式３６）
ステップＳ１０６では、アクセルペダルオフ操作が行われたか否かを判定する。例えば、ステップＳ１０２で検出された今回のアクセルペダル操作量が実質的に０になり、アクセルペダルが踏み込まれていた状態から解放されたことが検出されると、ステップＳ１１０へ進む。アクセルペダルが踏み込まれている場合は、この処理を終了する。なお、以降の説明では、踏み込んでいたアクセルペダルを離す操作をアクセルペダルオフ操作とし、アクセルペダルが離された時点をアクセルペダルオフ時とする。

ステップＳ１１０では、自車両の走行シーン判断を行う。車両走行状態や運転者の操作状態といった条件を限定して運転診断の精度向上を図るとともに、運転診断結果に応じて情報提供を行う際に運転者に与える違和感を軽減するために、自車両の走行シーンを判断し、特定の走行シーンである場合のみ、運転診断を行うようにする。具体的には、自車両が同一の先行車に安定して追従している状態からアクセルペダルを解放したという走行シーンに限定して、運転診断を行う。

安定した追従走行シーンの条件の一例は、以下の通りである。
（ａ）同一の先行車に追従している（例えば、車間距離が前回測定値から４ｍ以上変化していない）
（ｂ）急な接近状態でない（例えば、余裕時間ＴＴＣが１０秒を上回る）
（ｃ）車間時間ＴＨＷが所定値以内（例えば、車間時間ＴＨＷが４秒未満）
（ｄ）運転者によるブレーキ操作がない（例えば、ブレーキペダル操作量が実質的に０）
（ｅ）運転者によるウィンカレバー操作がない（例えば、ウィンカスイッチ６５からのオン信号の入力がない）
（ｆ）上記（ａ）〜（ｅ）の状態が継続している（例えば、５秒以上継続中）
これら（ａ）〜（ｆ）の条件が全て満たされると、自車両の走行シーンが安定した追従走行シーンであると判断し、運転診断を行うためにステップＳ１１２へ進む。一方、（ａ）〜（ｆ）のいずれかの条件が満たされない場合は、特定の走行シーンに該当しないと判断し、運転診断は行わずにこの処理を終了する。なお、安定した追従走行シーンであるか否かを判断するための条件は、上記（ａ）〜（ｆ）には限定されず、また、ブレーキ操作の有無やウィンカレバー操作の有無を別の検出手段により検出することも可能である。

ステップＳ１１２では、走行場所の判断を行う。具体的には、ナビゲーションシステム５０の地図情報に記述されたリンクＩＤに、データベースに基づいてインデックス番号をラベリングする。リンクＩＤは、道路属性の変化する属性変化点であるノード同士を接続するリンクに割り付けられたＩＤであり、各リンクは、道路種別やリンクの長さ（ノード間の距離）等のデータを保有している。ステップＳ１１４では、現在時刻の記録を行う。

ステップＳ１１６では、ステップＳ１１２およびＳ１１４のラベリング結果に基づいて、運転者の運転診断を行うために用いるデータを保存する。ここでは、例えば、リンクＩＤごとに現在時刻、すなわちそのリンクを走行した時刻、走行距離、リンク内の運転特性指標、そのリンクの走行回数等を構造体形式に書き込み、走行道路データベースを構築する。第７の実施の形態では、運転者の運転特性を表す物理量として、アクセルペダル解放時の余裕時間ＴＴＣを用いる。運転特性および運転特性指標の算出方法については、運転診断処理において詳細に説明する。

つづくステップＳ１２０では、ステップＳ１１６で保存したデータを用いて運転者の運転診断を行う。運転診断は、自車両が安定して先行車に追従している状態からアクセルペダルを解放したときの運転者の運転特性に基づいて行う。追従走行時の運転特性としては、例えば自車両と先行車との車間時間ＴＨＷ、車間時間ＴＨＷの逆数、自車両と先行車との余裕時間ＴＴＣ，車間距離、および車間距離の逆数等があるが、第７の実施の形態では、アクセルペダルを解放した時点での余裕時間ＴＴＣを用いる場合を例として説明する。

なお、アクセルペダル解放時の余裕時間ＴＴＣは、アクセルペダルのオフ操作時点前後の車間距離Ｄおよび相対速度Ｖｒのデータから、前後両方向のフィルタ等を利用してロバストに算出する。

図６６に、車両用運転支援装置４のデータ構造を示す。Ａ層は、運転者の現在の運転状態を示す比較的短時間の「このとき」のデータ量を表す。Ｂ層は、「このとき」よりも長時間の、運転者のその日の運転状態を示す「この日」のデータ量を表す。Ｃ層は、「この日」よりもさらに長時間の、運転者の普段の運転状態、すなわち個人特性を示す「普段」のデータ量を表す。Ｄ層は、各運転者の運転を一般的な運転者と比較して診断するための「世間一般」の運転特性を示すデータ量を表す。

Ａ層からＤ層へと下位の層へ進むほど、データ量は多くなる。各層に含まれるデータ量は、「このとき」「この日」「普段」における車間時間ＴＨＷの平均値を算出する際の標本数に対応し、標本数を変えることによって、図６６に示すようなデータ構造を実現している。各層に含まれるデータの数値は、以下に説明するリアルタイムの計算によって随時更新される。

運転診断処理では、Ａ層〜Ｄ層のそれぞれのデータを用いて、異なるタイムスパンでの運転、すなわち、「このとき」「この日」「普段」の運転者の運転を検出する。ステップＳ１２０で実行される運転診断処理を、図６７のフローチャートを用いて詳細に説明する。

ステップＳ１２２では、運転者の「このとき」の運転診断を行うために、「このとき」の運転者の運転特性値を算出する。運転者の運転特性値として、「このとき」を定義する所定時間内のアクセルペダルオフ時の余裕時間ＴＴＣの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、「このとき」を定義する所定時間は、例えば６０秒とし、ステップＳ１１０で判断した安定した追従走行シーンにおいてアクセルペダルオフ時に検出された過去から現在までの６０秒分のデータを用いて余裕時間ＴＴＣの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。平均値Mean_x(n)と標準偏差Stdev_x(n)を算出するために、以下のパラメータを用いる。

x(n)：今回取得したデータ、すなわちステップＳ１０６で算出したアクセルペダルオフ時の余裕時間ＴＴＣ
K：所定時間内に算出されたＴＴＣのデータ個数
M₁(n)：今回計算する所定時間内のＴＴＣの合計値
M₂(n)：今回計算する所定時間内のＴＴＣの自乗和
M₁(n-1)：前回計算した所定時間内のＴＴＣの合計値
M₂(n-1)：前回計算した所定時間内のＴＴＣの自乗和
Mean_x(n)：今回のデータの平均値、すなわちＴＴＣの平均値
Var_x(n)：今回のデータの分散、すなわちＴＴＣの分散
Stdev_x(n)：今回のデータの標準偏差、すなわちＴＴＣの標準偏差
ここで、データ個数Kは、所定時間×１秒間当たりのサンプリング(標本)数で決定する。すなわち、「このとき」の所定時間を６０秒とし、サンプリング数を５Ｈｚとすると、データ個数K＝３００となる。

合計値M₁(n)と自乗和M₂(n)は、これらのパラメータを用いて以下の（式３７）(式３８)からそれぞれ算出することができる。

M₁(n)＝M₁(n−1)＋x(n)−M₁(n−1)／K ・・・（式３７）
M₂(n)＝M₂(n−1)＋(x(n))²−M₂(n−1)／K ・・・（式３８）
「このとき」におけるアクセルペダルオフ時の余裕時間ＴＴＣの平均値Mean_x(n)、分散Var_x(n)、および標準偏差Stdev_x(n)は、それぞれ以下の（式３９）（式４０）（式４１）から算出することができる。

Mean_x(n)＝M₁(n)／K ・・・（式３９）
Var_x(n)＝M₂(n)／K−(M₁(n))²／K² ・・・（式４０）
Stdev_x(n)＝√（Var_x(n)） ・・・（式４１）
ステップＳ１２４では、運転者の「この日」の運転診断を行うために、「この日」の運転者の追従特性値、すなわち、「この日」を定義する所定時間内のアクセルペダルオフ時の余裕時間ＴＴＣの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、「この日」を定義する所定時間は、例えば３６０秒とし、ステップＳ１１０で判断した安定した追従走行シーンにおいてアクセルペダルオフ時に検出された過去から現在までの３６０秒分のデータを用いてアクセルペダルオフ時の余裕時間ＴＴＣの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。

具体的には、「このとき」と同じように、上記（式３９）および（式４１）を用いて平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、データ個数Kは、「この日」の所定時間を３６０秒とし、サンプリング数を５Ｈｚとすると、データ個数K＝１８００となる。

ステップＳ１２６では、運転者の「普段」の運転診断を行うために、「普段」の運転者の追従特性値、すなわち、「普段」を定義する所定時間内のアクセルペダルオフ時の余裕時間ＴＴＣの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、「普段」を定義する所定時間は、例えば２１６０秒とし、ステップＳ１１０で判断した安定した追従走行シーンにおけるアクセルペダルオフ時に検出された過去から現在までの２１６０秒分のデータを用いてアクセルペダルオフ時の余裕時間ＴＴＣの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。

具体的には、「このとき」と同じように、上記（式３９）および（式４１）を用いて平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、データ個数Kは、「普段」の所定時間を２１６０秒とし、サンプリング数を５Ｈｚとすると、データ個数K＝１０８００となる。

続くステップＳ１２８以降の処理では、ステップＳ１２２，Ｓ１２４，Ｓ１２６で算出した運転特性値を用いて運転者の運転診断を行う。ここでは、異なるタイムスパンで得られたデータに基づく運転者の運転特性をそれぞれ比較し、両者がどの程度乖離しているかに基づいて運転者の運転を診断する。すなわち、図６６に示すデータ構造において、上位層（例えばＡ層）を下位層（例えばＢ層）と比較することで、運転診断を行う。

まず、ステップＳ１２８では、「この日」の運転者の運転特性に対して「このとき」の運転者の運転特性がどの程度乖離しているかを表す逸脱度を算出する。ここで、「この日」に対する「このとき」の逸脱度は、「この日」のアクセルペダルオフ時の余裕時間ＴＴＣの分布と、「このとき」のアクセルペダルオフ時の余裕時間ＴＴＣの分布の差異を示すものである。「この日」に対する「このとき」の逸脱度を算出するために、「この日」のアクセルペダルオフ時の余裕時間ＴＴＣの分布を長時間の行動分布を表す基準の分布として用い、「このとき」のアクセルペダルオフ時の余裕時間ＴＴＣの分布を短時間の行動分布を表す比較対象の分布として用いる。

逸脱度の算出方法として、ここでは、長時間（例えば「この日」）の行動分布の「平均値−標準偏差」の位置（比較値ｘ_stdとする）で、短時間（例えば「このとき」）と長時間（例えば「この日」）の分布関数を比較するという手法を用いる。

逸脱度算出のために、ステップＳ１２２、Ｓ１２４で算出したアクセルペダルオフ時の余裕時間ＴＴＣの平均値Mean_x(n)と標準偏差Stdev_x(n)を用いて、アクセルペダルオフ時の余裕時間ＴＴＣを正規分布と仮定して確率密度関数を算出する。

そこで、図６８（ａ）（ｂ）に示すように、所定値（比較値ｘ_std）に基づいて設定される比較対象の領域において、基準となる長時間の正規分布に対して比較対象の短時間の正規分布がどれほど逸脱しているかを、逸脱度Dist_diffとして算出する。具体的には、比較値ｘ_stdよりも余裕時間ＴＴＣの短い領域における比較分布と基準分布との差（図６８（ａ）においてハッチングを施した部分の面積、図６８（ｂ）における矢印の長さ）が、逸脱度Dist_diffに相当する。図６８（ｃ）（ｄ）に示す算出方法については、後述する。

図６９（ａ）（ｂ）に、実際の公道実験から得られた結果をもとに算出した確率密度分布と累積分布を示す。図６９（ａ）において、「このとき」の平均値Mean_x(n)と標準偏差Stdev_x(n)を用いてアクセルペダルオフ時の余裕時間ＴＴＣを正規分布で近似した場合の確率密度分布を一点鎖線で示し、「この日」の平均値Mean_x(n)と標準偏差Stdev_x(n)を用いてアクセルペダルオフ時の余裕時間ＴＴＣを正規分布で近似した場合の確率密度分布を実線で示す。図６９（ｂ）において、「このとき」の累積分布を一点鎖線で示し、「この日」の累積分布を実線で示す。図６９（ａ）（ｂ）において、「このとき」のアクセルペダルオフ時の余裕時間ＴＴＣの平均値Mean_x(n)＝１．２２、標準偏差Stdev_x(n)＝０．８０であり、「この日」のアクセルペダルオフ時の余裕時間ＴＴＣの平均値Mean_x(n)＝１．６３、標準偏差Stdev_x(n)＝１．００である。

まず、基準分布の平均値Mean_stdと標準偏差Stdev_stdとから、以下の（式４２）より比較値ｘ_stdを算出する。

ｘ_std＝Mean_std−Stdev_std ・・・（式４２）
比較値ｘ_stdは、基準分布と比較分布とをどの位置で比較するかを表す余裕時間ＴＴＣの値であり、図６９（ａ）（ｂ）においては破線で示す位置に相当する。

次に、基準分布の比較値ｘ_stdにおける累積分布の値を算出する。正規分布の確率密度関数ｆ（ｘ）は、平均値をμ、標準偏差をσとすると、以下の（式４３）から算出できる（図６９（ａ）参照）。

（式４３）で算出した確率密度関数ｆ（ｘ）を積分すると、以下の（式４４）で示すように累積分布関数Ｆ（ｘ）が得られる（図６９（ｂ）参照）。

基準分布の平均値をμ_std、標準偏差をσ_stdと置くと、比較値ｘ_stdにおける累積分布の確率F_std（ｘ）は、以下の（式４５）で算出される。

次に、比較分布の比較値ｘ_stdにおける累積分布の値を算出する。比較分布の平均値をμ_comp、標準偏差をσ_compと置くと、比較値ｘ_stdにおける累積分布の確率F_comp（ｘ）は、以下の（式４６）で算出される。

基準の累積分布の確率F_std(x)と比較対象の累積分布の確率F_comp(x)との差を、「この日」に対する「このとき」の逸脱度Dist_diffとして、以下の（式４７）から算出する。

Dist_diff＝F_comp(x)−F_std(x) ・・・（式４７）
逸脱度Dist_diffがプラス方向に大きくなるほど、「このとき」の運転者の運転が「この日」の運転よりも余裕時間ＴＴＣが短くなる方向、すなわちハイリスク方向に偏っていることを表す。逸脱度Dist_diffがマイナス方向に大きくなるほど、「このとき」の運転者の運転が「この日」の運転よりも余裕時間ＴＴＣが長くなる傾向、すなわちリスクの低下する傾向にあることを表す。運転者が常に同じ運転特性で運転を行う場合には逸脱度Dist_diffは０となる。

また、ステップＳ１２８では、「普段」に対する「このとき」の逸脱度Dsit_diffも算出する。この場合は、「普段」のアクセルペダルオフ時のＴＴＣの分布を長時間の行動分布を表す基準の分布として用い、「このとき」のアクセルペダルオフ時の余裕時間ＴＴＣの分布を短時間の行動分布を表す比較対象の分布として用いる。そして、「普段」の累積分布の確率F_std(x)と「このとき」の累積分布の確率F_comp(x)とを用いて、上述した（式４７）から「普段」に対する「このとき」の逸脱度Dist_diffを算出する。

このように、ステップＳ１２８で「この日」に対する「このとき」、および「普段」に対する「このとき」の逸脱度Dist_diffをそれぞれ算出した後、ステップＳ１３０へ進む。ステップＳ１３０では、ステップＳ１２８での処理と同様に、「普段」に対する「この日」の逸脱度Dist_diffを算出する。なお、ここでは、「普段」のアクセルペダルオフ時の余裕時間ＴＴＣの分布を長時間の行動分布を表す基準の分布として用い、「この日」のアクセルペダルオフ時の余裕時間ＴＴＣの分布を短時間の行動分布を表す比較対象の分布として用いる。

つづくステップＳ１３２では、ステップＳ１２８での処理と同様に、「世間一般」に対する「普段」の逸脱度Dist_diffを算出する。なお、ここでは、「世間一般」のアクセルペダルオフ時の余裕時間ＴＴＣの分布を長時間の行動分布を表す基準の分布として用い、「普段」のアクセルペダルオフ時の余裕時間ＴＴＣの分布を短時間の行動分布を表す比較対象の分布として用いる。「世間一般」の運転特性値、すなわちアクセルペダルオフ時の余裕時間ＴＴＣの平均値および標準偏差は、固定値として予め適切な値を設定しておく。

このように、ステップＳ１２０で異なる複数のタイムスパンで得られたデータを用いて運転者の運転診断を行った後、ステップＳ１４０へ進む。なお、以降では説明の便宜上、「普段」に対する「このとき」の逸脱度Dist_diffをDist_1a、「この日」に対する「このとき」の逸脱度Dist_diffをDist_1b、「普段」に対する「この日」の逸脱度Dist_diffをDist_2、「世間一般」に対する「普段」の逸脱度Dist_diffをDist_3とする。

ステップＳ１４０では、ステップＳ１２０の運転診断結果に基づいて警報呈示処理を実行するか否かを判断する。ここでは、ステップＳ１２８で算出した「普段」に対する「このとき」の逸脱度Dist_1a、「この日」に対する「このとき」の逸脱度Dist_1b、またはステップＳ１３０で算出した「普段」に対する「この日」の逸脱度Dist_2が、警報呈示を行うか否かを判断するための閾値（たとえば０．３０）よりも大きいか否かを判定する。逸脱度Dist_1a、Dist_1b、またはDist_2が閾値よりも大きい場合は、ステップＳ１５０へ進み、運転者への警報呈示を行う。警報呈示を行った後、この処理を終了する。

例えば、「普段」に対する「この日」の逸脱度Dist_2が閾値よりも大きい場合には、スピーカ１３０によってブザー音とともに「前方車に近づきすぎる傾向にあります」という音声を出力する。音声情報は、現在、運転者が普段よりも短めの車間距離をとる傾向にあることを知らせるように、あるいは、現在の車間距離よりも長めの車間距離をとるように促す内容を設定する。なお、具体的な音声情報は、これには限定されない。「普段」に対する「このとき」の逸脱度Dist_1a、「この日」に対する「このとき」の逸脱度Dist_1bが閾値より大きい場合にも、予め設定された適切な音声情報を出力する。

ステップＳ１４０が否定判定され、警報呈示を行わない場合は、ステップＳ１６０へ進み、ステップＳ１２０の運転診断結果に基づいて指導呈示処理を実行するか否かを判断する。ここでは、ステップＳ１３２で算出した「世間一般」に対する「普段」の逸脱度Dist_3が、指導（改善示唆）呈示を行うか否かを判断するための閾値（例えば０．０７）よりも小さいか否かを判定する。ここで、指導呈示を行うかを判断するための閾値は、同一の運転者であればほぼ常に逸脱度がその範囲内に収まるような値として予め適切に設定しておく。上述した「０．０７」という値は、被験者１５人による実車実験の結果に基づいて設定されたものである。この実験結果によると、同一被験者ごとに算出された逸脱度は、常に０．０７以内に収まった。

Dist_3が閾値よりも小さい場合は、ステップＳ１７０へ進み、運転者への指導呈示を行う。指導呈示を行った後、この処理を終了する。

例えば、指導呈示内容として、運転者の運転を褒める内容の表示および音声を出力する。例えば、「普段」の逸脱度Dist_3を点数に換算して表示する。具体的には、逸脱度Dist_3の符号を反転させた後、５０を加算した値を、運転者の普段の運転操作の点数として表示ユニット１８０に表示する。つまり、リスクが高くなる傾向にある運転者の点数は５０点以下、安全運転を心掛ける優良な運転者の点数は５０点以上となる。なお、点数は、０〜１００の範囲内で表示し、逸脱度Dist_3を換算した点数が１００以上の場合は、１００点、０以下の場合は０点とする。

また、図７０に示すように、世間一般の車間距離の分布を模式的に表示ユニット１８０に表示し、運転者の「普段」の車間距離が世間一般に対してどの程度であるかがわかるように表示を行う。図７０では、世間一般の車間距離の平均値に対して、運転者の車間距離が２段階分長いことを示しており、世間一般に比べてより余裕を持った運転特性を有していることを視覚情報として運転者に提供している。

また、世間一般の運転者に比べて運転者の普段の車間距離が長い傾向にあり、余裕をもった追従走行を行う優良ドライバであることをスピーカ１３０から出力する音声で運転者に知らせる。例えば、「安全運転を心掛けていますね。この調子でがんばりましょう」という音声を出力する。このように、世間一般の運転者に対して運転者個人の追従運転特性が優れていることを運転者に知らせ、良好な運転を維持するように、あるいはより向上させるように促すための表示や音声の出力を行う。

なお、表示や音声出力を行う場合に、運転者に馴染みの深い「車間距離」ということばを用いる例を説明したが、「車間時間」ということばを用いて表示や音声出力を行うことももちろん可能である。表示内容や音声情報の内容は、運転の傾向を運転者にわかりやすく効果的に伝え、ハイリスクな状態に至らないように警報を行ったり、良好な運転をより改善していくように改善示唆を行ったりすることができれば、上述した例には限定されない。

運転診断結果に基づく表示の別の例を図７１に示す。図７１において、縦軸は世間一般の運転特性に対する運転者個人の特性を示し、横軸は運転者の普段の運転特性に対する現在の状態を示す。ここでは、上述したように追従走行からアクセルペダルオフ操作した時点の余裕時間ＴＴＣを運転特性として用いることができる。ステップＳ１３０で算出した「普段」に対する「この日」の逸脱度が大きいほど、図中のマーカＭを右方向、すなわちハイリスク方向に移動する。また、ステップＳ１３２で算出した「世間一般」に対する「普段」の逸脱度が大きいほど、図中のマーカＭを上方向、すなわちハイリスク方向に移動する。

このように、図７１に示す表示例では、「世間一般」を基準とした運転診断結果と、「普段」、すなわち運転者の個人特性を基準として運転診断結果とを、２軸から設定される二次元的なマップ上に表示した。なお、横軸は、「この日」に対する「このとき」の逸脱度や、「普段」に対する「このとき」の逸脱度を設定するようにすることもできる。また、縦軸と横軸とを入れ替えて表示することも可能である。

また、図７１に示すように二次元マップを複数のブロックに分割し、運転者の運転特性がどの辺りにあるのかを分かりやすくするように各ブロックを色分けすることもできる。例えば、図７１の最も右上のブロックを赤で表示し、左下に移動するほど色を薄くして、最も左下のブロックを水色で表示するように設定することもできる。

このように以上説明した第７の実施の形態においては、上述した第１〜６の実施の形態による効果に加えて、以下のような作用効果を奏することができる。

運転特性を表す指標として、アクセルペダルが解放されたときの自車両と先行車との余裕時間ＴＴＣを算出する。余裕時間ＴＴＣは、自車速Ｖおよび相対車速Ｖｒが一定の場合に、自車両と先行車とが接触するまでの時間を表すので、自車両が先行車に追従して走行するときの運転者の特性を表す指標として利用することにより、追従走行シーンにおいて的確な運転診断を行うことができる。
−第７の実施の形態の変形例−
以下に、逸脱度Dist_diffの別の算出方法について説明する。ここでは、長時間（例えば「この日」）の行動分布と短時間（例えば「このとき」）の行動分布をそれぞれ正規分布で近似し、２つの正規分布が重ならない領域の面積の大きさを逸脱度Dist_diffとして算出する。

具体的には、図６８（ｃ）（ｄ）に示すように、基準分布と比較分布との交点αよりも余裕時間ＴＴＣの短い領域における比較分布と基準分布との差、すなわち基準分布よりもはみ出した部分の比較分布の面積の大きさを、逸脱度Dist_diffとして算出する。

上述した（式４４）に基準分布の平均値μ_stdと標準偏差σ_std、および比較分布の平均値μ_compと標準偏差σ_compとを代入して計算すると、基準分布の確率密度関数f_std(x)と比較分布の確率密度関数f_comp(x)は、それぞれ以下の（式４８）（式４９）で表される。

これらの（式４８）（式４９）の連立方程式を求めると、２点α、β（α＜β）においてそれぞれの分布の頻度が一致する。交点αより余裕時間ＴＴＣが短い領域において２つの正規分布が重ならない範囲の面積を求めるためには、基準分布の累積分布関数を求める上記（式４５）、および比較分布の累積分布関数を求める上記（式４６）に交点αを代入する。そして、交点αにおける比較分布の累積分布の確率F_comp(α)から、基準分布の累積分布の確率F_std(α)を減算する。

逸脱度Dist_diffは、以下の（式５０）で算出できる。

-Dist_diff＝F_comp(α)−F_std(α) ・・・（式５０）
なお、２つの正規分布の重なっている面積Dist_corrは、以下の（式５１）で求められる。

-Dist_corr＝１−-Dist_diff ・・・（式５１）
《第８の実施の形態》
以下に、本発明の第８の実施の形態による車両用運転支援装置について説明する。図７２に、第８の実施の形態による車両用運転支援装置５の構成を示すシステム図を示す。第８の実施の形態においては、上述した第７の実施の形態と同様の機能を有する箇所には同一の符号を付して説明を省略する。ここでは、第７の実施の形態との相違点を主に説明する。

図７２に示すように、車両用運転支援装置５は、舵角センサ５、レーザレーダ１０、前方カメラ１５、車速センサ３０、ナビゲーションシステム５０、ブレーキペダルストロークセンサ６０、ウィンカスイッチ６５、コントローラ３５０、スピーカ１３０、および表示ユニット１８０を備えている。

舵角センサ５は、例えばステアリングコラムもしくはステアリングホイール（不図示）付近に取り付けられた角度センサであり、ステアリングシャフトの回転からドライバの転舵による操舵角を検出する。検出した操舵角は、コントローラ３５０に出力される。

前方カメラ１５は、フロントウィンドウ上部に取り付けられた小型のＣＣＤカメラ、またはＣＭＯＳカメラ等であり、前方道路の状況を画像として検出する。コントローラ３５０は、前方カメラ１５からの画像信号に画像処理を施し、自車両前方領域に存在するレーンマーカ等を検出する。なお、前方カメラ１５による検知領域は車両の前後方向中心線に対して水平方向に±３０deg程度であり、この領域に含まれる前方道路風景が画像として取り込まれる。

コントローラ３５０は、ＣＰＵと、ＲＯＭおよびＲＡＭ等のＣＰＵ周辺部品とから構成される電子制御ユニットであり、車両用運転支援装置５全体の制御を行う。コントローラ３５０は、舵角センサ５、レーザレーダ１０、前方カメラ１５、車速センサ３０、ナビゲーションシステム５０、ブレーキペダルストロークセンサ６０およびウィンカスイッチ６５等から入力される信号に基づいて運転者の運転特性を分析し、運転診断を行う。そして、運転診断結果に基づいて、運転者への情報提供を行う。運転者への情報提供としては、運転者への警報や、運転操作の改善示唆等を行う。コントローラ３５０における具体的な制御内容は、後述する。

第８の実施の形態においては、自車両の走行状態と運転者の運転操作に基づいて、運転者の運転診断を行い、運転診断結果に応じて運転者への警報や運転操作の改善示唆を行う。具体的には、運転者の運転特性として自車両が走行中の走行レーンから逸脱するまでの時間（レーン逸脱時間）を検出し、検出した運転特性を指標として運転診断を行う。すなわち、運転者の左右方向の運転操作に関する運転診断を行う。

第８の実施の形態による車両用運転支援装置５の動作を、図７３を用いて詳細に説明する。図７３は、第８の実施の形態のコントローラ３５０における運転支援制御処理の処理手順のフローチャートである。本処理内容は、一定間隔、例えば５０ｍｓｅｃ毎に連続的に行われる。

まず、ステップＳ２００で、自車両の走行状態を検出する。ここで、自車両の走行状態として、車速センサ３０によって検出される自車速Ｖと、レーザレーダ１０によって検出される自車両と先行車との車間距離Ｄおよび相対速度Ｖｒを取得する。さらに、前方カメラ１５によって撮像される自車両前方領域の撮像画像に画像処理を施し、自車両の走行レーンを検出する。

ステップＳ２０２では、運転者の操作状態を検出する。ここで、運転者の操作状態として、ブレーキペダルストロークセンサ６０によって検出されるブレーキペダル操作量、およびウィンカスイッチ６５によって検出されるウィンカレバー操作の有無を取得する。さらに、舵角センサ５によって検出される操舵角θを取得する。

ステップＳ２０４では、後述する運転診断において、運転者の自車両の左右方向の運転特性として用いるレーン逸脱時間（Time to Lace Crossing）ＴＬＣを算出する。レーン逸脱時間ＴＬＣは、自車両が走行中の走行レーンから逸脱するまでの時間を表す物理量であり、自車両の現在位置からレーンマーカまでの左右方向距離ＤＬと自車速Ｖとを用いて、以下の（式５２）から算出できる。

ＴＬＣ＝ＤＬ／Ｖ ・・・（式５２）
ステップＳ２０６では、修正操舵が行われたか否かを判定する。具体的には、ほぼ一定の操舵角で保たれていたステアリング操作状態から、所定値以上の操舵角でステアリング操作が行われた場合に、修正操舵が行われたと判断する。ここで、修正操舵の有無を判断するための閾値は、道路の車幅や車線数等に応じて予め設定されている。修正操舵の有無を判断する際は、ナビゲーションシステム５０や前方カメラ１５から得られる自車両の走行レーンの車幅や車線数等に応じて閾値を選択する。修正操舵ありと判定されると、ステップＳ２１０へ進み、修正操舵がない場合は、この処理を終了する。

ステップＳ２１０では、自車両の走行シーン判断を行う。車両走行状態や運転者の操作状態といった条件を限定して運転診断の精度向上を図るとともに、運転診断結果に応じて情報提供を行う際に運転者に与える違和感を軽減するために、自車両の走行シーンを判断し、特定の走行シーンである場合のみ、運転診断を行うようにする。具体的には、自車両が安定して走行している状態から修正操舵を行ったという走行シーンに限定して、運転診断を行う。

安定した走行状態の条件の一例は、以下の通りである。
（ａ）運転者によるブレーキ操作がない（例えば、ブレーキペダル操作量が実質的に０）
（ｂ）運転者によるウィンカレバー操作がない（例えば、ウィンカスイッチ６５からのオン信号の入力がない）
（ｃ）車速変動が少ない（例えば、自車速Ｖの変化が±１０km/h以下）
（ｄ）上記（ａ）〜（ｃ）の状態が継続している（例えば、５秒以上継続中）
これら（ａ）〜（ｄ）の条件が全て満たされると、自車両が安定した走行状態にあると判断し、運転診断を行うためにステップＳ２１２へ進む。一方、（ａ）〜（ｄ）のいずれかの条件が満たされない場合は、特定の走行シーンに該当しないと判断し、運転診断は行わずにこの処理を終了する。なお、安定した走行状態であるか否かを判断するための条件は、上記（ａ）〜（ｄ）には限定されず、また、ブレーキ操作の有無やウィンカレバー操作の有無を別の検出手段により検出することも可能である。

ステップＳ２１２では、走行場所の判断を行う。ステップＳ２１４では、現在時刻の記録を行う。ステップＳ２１６では、ステップＳ２１２およびＳ２１４のラベリング結果に基づいて、運転者の運転診断を行うために用いるデータを保存する。ここでは、例えば、リンクＩＤごとに現在時刻、すなわちそのリンクを走行した時刻、走行距離、リンク内の運転特性指標、そのリンクの走行回数等を構造体形式に書き込み、走行道路データベースを構築する。

第８の実施の形態では、運転者の運転特性を表す物理量として、修正操舵が行われたときのレーン逸脱時間ＴＬＣを用いる。具体的には、操舵方向に存在するレーンマーカから自車両が逸脱するまでの時間を用いる。運転特性および運転特性指標の算出方法については、運転診断処理において詳細に説明する。

つづくステップＳ２２０では、ステップＳ２１６で保存したデータを用いて運転者の運転診断を行う。運転診断は、安定した走行状態から運転者が修正操舵を行ったときの運転者の運転特性に基づいて行う。修正操舵時の運転特性として、ここでは、修正操舵を行ったときのレーン逸脱時間ＴＬＣを用いる場合を例として説明する。

図７４に、レーン逸脱時間ＴＬＣの時間変化の一例を示し、図７５に、レーン逸脱時間ＴＬＣの頻度分布の一例を示す。図７５に示すように、自車両が安定した走行状態にあるとき、通常、レーン逸脱時間ＴＬＣの分布は２．０秒程度でピークとなる。図７６は、修正操舵時のレーン逸脱時間ＴＬＣの変化の一例を示す。図７６に示すように、運転者が漫然と運転操作を行っている場合は、修正操舵が遅くなるためレーン逸脱時間ＴＬＣが短くなる傾向にあり、緊張して運転操作を行っている場合は、早いタイミングで修正操舵を行うためレーン逸脱時間ＴＬＣが長くなる傾向にある。

運転診断処理では、図６６に示すデータ構造のＡ層〜Ｄ層のそれぞれのデータを用いて、異なるタイムスパンでの運転、すなわち、「このとき」「この日」「普段」の運転者の運転を見極める。ステップＳ２２０で実行される運転診断処理を、図７７のフローチャートを用いて詳細に説明する。

ステップＳ２２２では、運転者の「このとき」の運転診断を行うために、「このとき」の運転者の運転特性値を算出する。運転者の運転特性値として、「このとき」を定義する所定時間内の修正操舵時のレーン逸脱時間ＴＬＣの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、「このとき」を定義する所定時間は、例えば６０秒とし、ステップＳ２１０で判断した安定した走行シーンにおいて修正操舵時に検出された過去から現在までの６０秒分のデータを用いて、レーン逸脱時間ＴＬＣの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。平均値Mean_x(n)と標準偏差Stdev_x(n)は、第７の実施の形態と同様に、（式３９）（式４１）を利用してそれぞれ算出することができる。

ステップＳ２２４では、運転者の「この日」の運転診断を行うために、「この日」の運転者の追従特性値、すなわち、「この日」を定義する所定時間内の修正操舵時のレーン逸脱時間ＴＬＣの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、「この日」を定義する所定時間は、例えば３６０秒とし、ステップＳ２１０で判断した安定した走行状態において修正操舵時に検出された過去から現在までの３６０秒分のデータを用いて、レーン逸脱時間ＴＬＣの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。

具体的には、「このとき」と同じように、上記（式３９）および（式４１）を用いて平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、データ個数Kは、「この日」の所定時間を３６０秒とし、サンプリング数を５Ｈｚとすると、データ個数K＝１８００となる。

ステップＳ２２６では、運転者の「普段」の運転診断を行うために、「普段」の運転者の追従特性値、すなわち、「普段」を定義する所定時間内の修正操舵時のレーン逸脱時間ＴＬＣの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、「普段」を定義する所定時間は、例えば２１６０秒とし、ステップＳ２１０で判断した安定した走行シーンにおける修正操舵時に検出された過去から現在までの２１６０秒分のデータを用いてレーン逸脱時間ＴＬＣの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。

具体的には、「このとき」と同じように、上記（式３９）および（式４１）を用いて平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、データ個数Kは、「普段」の所定時間を２１６０秒とし、サンプリング数を５Ｈｚとすると、データ個数K＝１０８００となる。

続くステップＳ２２８以降の処理では、ステップＳ２２２，Ｓ２２４，Ｓ２２６で算出した運転特性値を用いて運転者の運転診断を行う。ここでは、異なるタイムスパンで得られたデータに基づく運転者の運転特性をそれぞれ比較し、両者がどの程度乖離しているかに基づいて運転者の運転を診断する。すなわち、図６６に示すデータ構造において、上位層（例えばＡ層）を下位層（例えばＢ層）と比較することで、運転診断を行う。

まず、ステップＳ２２８では、「この日」の運転者の運転特性に対して「このとき」の運転者の運転特性がどの程度乖離しているかを表す逸脱度を算出する。ここで、「この日」に対する「このとき」の逸脱度は、「この日」の修正操舵時のレーン逸脱時間ＴＬＣの分布と、「このとき」の修正操舵時の逸脱時間ＴＬＣの分布の差異を示すものである。「この日」に対する「このとき」の逸脱度を算出するために、「この日」の修正操舵時のレーン逸脱時間ＴＬＣの分布を長時間の行動分布を表す基準の分布として用い、「このとき」の修正操舵時のレーン逸脱時間ＴＬＣの分布を短時間の行動分布を表す比較対象の分布として用いる。

ここでは、第７の実施の形態と同様に、上述した（式４７）もしくは（式５０）を利用して逸脱度Dist_diffを算出する。また、「普段」に対する「このとき」の逸脱度Dsit_diffも算出する。この場合は、「普段」の修正操舵時のＴＬＣの分布を長時間の行動分布を表す基準の分布として用い、「このとき」の修正操舵時のＴＬＣの分布を短時間の行動分布を表す比較対象の分布として用いる。そして、「普段」の累積分布の確率F_std(x)と「このとき」の累積分布の確率F_comp(x)とを用いて、上述した（式４７）もしくは（式５０）から「普段」に対する「このとき」の逸脱度Dist_diffを算出する。

このように、ステップＳ２２８で「この日」に対する「このとき」、および「普段」に対する「このとき」の逸脱度Dist_diffをそれぞれ算出した後、ステップＳ２３０へ進む。ステップＳ２３０では、ステップＳ２２８での処理と同様に、「普段」に対する「この日」の逸脱度Dist_diffを算出する。なお、ここでは、「普段」の修正操舵時のレーン逸脱時間ＴＬＣの分布を長時間の行動分布を表す基準の分布として用い、「この日」の修正操舵時のレーン逸脱時間ＴＬＣの分布を短時間の行動分布を表す比較対象の分布として用いる。

つづくステップＳ２３２では、ステップＳ２２８での処理と同様に、「世間一般」に対する「普段」の逸脱度Dist_diffを算出する。なお、ここでは、「世間一般」の修正操舵時のレーン逸脱時間ＴＬＣの分布を長時間の行動分布を表す基準の分布として用い、「普段」の修正操舵時のレーン逸脱時間ＴＬＣの分布を短時間の行動分布を表す比較対象の分布として用いる。「世間一般」の運転特性値、すなわち修正操舵時のレーン逸脱時間ＴＬＣの平均値および標準偏差は、固定値として予め適切な値を設定しておく。

このように、ステップＳ２２０で異なる複数のタイムスパンで得られたデータを用いて運転者の運転診断を行った後、ステップＳ２４０へ進む。なお、以降では説明の便宜上、「普段」に対する「このとき」の逸脱度Dist_diffをDist_1a、「この日」に対する「このとき」の逸脱度Dist_diffをDist_1b、「普段」に対する「この日」の逸脱度Dist_diffをDist_2、「世間一般」に対する「普段」の逸脱度Dist_diffをDist_3とする。

ステップＳ２４０では、ステップＳ２２０の運転診断結果に基づいて警報呈示処理を実行するか否かを判断する。ここでは、ステップＳ２２８で算出した「普段」に対する「このとき」の逸脱度Dist_1a、「この日」に対する「このとき」の逸脱度Dist_1b、またはステップＳ２３０で算出した「普段」に対する「この日」の逸脱度Dist_2が、警報呈示を行うか否かを判断するための閾値（たとえば０．３０）よりも大きいか否かを判定する。逸脱度Dist_1a、Dist_1b、またはDist_2が閾値よりも大きい場合は、ステップＳ２５０へ進み、運転者への警報呈示を行う。警報呈示を行った後、この処理を終了する。

例えば、「普段」に対する「この日」の逸脱度Dist_2が閾値よりも大きい場合には、スピーカ１３０によってブザー音とともに「レーン超えに注意が必要です」という音声を出力する。音声情報は、現在、運転者の修正操舵の開始が遅い傾向にあることを知らせるように、あるいは、ステアリング操作の安定を促す内容を設定する。なお、具体的な音声情報は、これには限定されない。「普段」に対する「このとき」の逸脱度Dist_1a、「この日」に対する「このとき」の逸脱度Dist_1bが閾値より大きい場合にも、予め設定された適切な音声情報を出力する。

ステップＳ２４０が否定判定され、警報呈示を行わない場合は、ステップＳ２６０へ進み、ステップＳ２２０の運転診断結果に基づいて指導呈示処理を実行するか否かを判断する。ここでは、ステップＳ２３２で算出した「世間一般」に対する「普段」の逸脱度Dist_3が、指導（改善示唆）呈示を行うか否かを判断するための閾値（例えば０．０７）よりも小さいか否かを判定する。ここで、指導呈示を行うかを判断するための閾値は、同一の運転者であればほぼ常に逸脱度がその範囲内に収まるような値として予め適切に設定しておく。上述した「０．０７」という値は、被験者１５人による実車実験の結果に基づいて設定されたものである。この実験結果によると、同一被験者ごとに算出された逸脱度は、常に０．０７以内に収まった。

Dist_3が閾値よりも小さい場合は、ステップＳ２７０へ進み、運転者への指導呈示を行う。指導呈示を行った後、この処理を終了する。

例えば、指導呈示内容として、運転者の運転を褒める内容の表示および音声を出力する。例えば、「普段」の逸脱度Dist_3を点数に換算して表示する。具体的には、逸脱度Dist_3の符号を反転させた後、５０を加算した値を、運転者の普段の運転操作の点数として表示ユニット１８０に表示する。つまり、修正操舵が遅い傾向にある運転者の点数は５０点以下、早めの安定したステアリング操作を行う優良な運転者の点数は５０点以上となる。なお、点数は、０〜１００の範囲内で表示し、逸脱度Dist_3を換算した点数が１００以上の場合は、１００点、０以下の場合は０点とする。

なお、音声により改善示唆を行うこともできる。このように、世間一般の運転者に対して運転者個人の追従運転特性が優れていることを運転者に知らせ、良好な運転を維持するように、あるいはより向上させるように促すための表示や音声の出力を行う。また、図７１に示したような二次元マップを用いて運転診断結果を表示することもできる。

このように以上説明した第８の実施の形態においては、上述した第１〜７の実施の形態による効果に加えて、以下のような作用効果を奏することができる。

運転特性を表す指標として、修正操舵が行われたときの、自車両が走行レーンから逸脱するまでのレーン逸脱時間ＴＬＣを算出する。レーン逸脱時間ＴＬＣは、自車両がレーン境界に到達し自車線から逸脱するまでの時間を表すので、運転者の特性を表す指標として利用することにより、運転者が漫然と運転しているか、緊張して運転しているかといった観点から、的確な運転診断を行うことができる。
《第９の実施の形態》
以下に、本発明の第９の実施の形態による車両用運転支援装置について説明する。第９の実施の形態による車両用運転支援装置の基本構成は、図６３に示した第７の実施の形態と同様である。ここでは、第７の実施の形態との相違点を主に説明する。なお、第９の実施の形態の車両用運転支援装置においては、アクセルペダルストロークセンサ５５を省略することもできる。

第９の実施の形態では、自車両が先行車に追従して走行している状態からブレーキペダルを踏み込み操作したときの運転特性を検出し、検出した運転特性を指標として運転診断を行う。

第９の実施の形態による車両用運転支援装置４の動作を、図７８を用いて詳細に説明する。図７８は、第９の実施の形態のコントローラ３００における運転支援制御処理の処理手順のフローチャートである。本処理内容は、一定間隔、例えば５０ｍｓｅｃ毎に連続的に行われる。

まず、ステップＳ８００で、自車両の走行状態を検出する。ここで、自車両の走行状態として、車速センサ３０によって検出される自車速Ｖと、レーザレーダ１０によって検出される自車両と先行車との車間距離Ｄおよび相対速度Ｖｒを取得する。ステップＳ８０２では、運転者の操作状態を検出する。ここで、運転者の操作状態として、ブレーキペダルストロークセンサ６０によって検出されるブレーキペダル操作量、およびウィンカスイッチ６５によって検出されるウィンカレバー操作の有無を取得する。ステップＳ８０４では、後述する自車両の走行シーン判断のために、上述した（式３５）（式３６）を用いて、自車両と先行車との余裕時間ＴＴＣおよび車間時間ＴＨＷを算出する。

ステップＳ８０６では、ブレーキペダルが踏み込まれているか否かを判定する。例えば、ブレーキペダル操作量が０よりも大きい場合に、ブレーキペダルが踏み込まれていると判定する。ブレーキペダルが踏み込まれている場合は、ステップＳ８１０へ進み、ブレーキペダルが踏み込まれていない場合は、この処理を終了する。なお、以降の説明では、ブレーキペダルが踏み込み操作されている状態を、ブレーキ操作時とする。

ステップＳ８１０では、自車両の走行シーン判断を行う。車両走行状態や運転者の操作状態といった条件を限定して運転診断の精度向上を図るとともに、運転診断結果に応じて情報提供を行う際に運転者に与える違和感を軽減するために、自車両の走行シーンを判断し、特定の走行シーンである場合のみ、運転診断を行うようにする。具体的には、自車両が同一の先行車に安定して追従している状態においてブレーキペダルを操作しているという走行シーンに限定して、運転診断を行う。

安定した追従走行シーンの条件の一例は、以下の通りである。
（ａ）同一の先行車に追従している（例えば、車間距離が前回測定値から４ｍ以上変化していない）
（ｂ）急な接近状態でない（例えば、余裕時間ＴＴＣが１０秒を上回る）
（ｃ）車間時間ＴＨＷが所定値以内（例えば、車間時間ＴＨＷが４秒未満）
（ｄ）運転者によるウィンカレバー操作がない（例えば、ウィンカスイッチ６５からのオン信号の入力がない）
（ｅ）上記（ａ）〜（ｄ）の状態が継続している（例えば、５秒以上継続中）
これら（ａ）〜（ｅ）の条件が全て満たされると、自車両の走行シーンが安定した追従走行シーンであると判断し、運転診断を行うためにステップＳ８１２へ進む。一方、（ａ）〜（ｅ）のいずれかの条件が満たされない場合は、特定の走行シーンに該当しないと判断し、運転診断は行わずにこの処理を終了する。なお、安定した追従走行シーンであるか否かを判断するための条件は、上記（ａ）〜（ｅ）には限定されず、また、ブレーキ操作の有無やウィンカレバー操作の有無を別の検出手段により検出することも可能である。

ステップＳ８１２では、走行場所の判断を行う。ステップＳ８１４では、現在時刻の記録を行う。ステップＳ８１６では、ステップＳ８１２およびＳ８１４のラベリング結果に基づいて、運転者の運転診断を行うために用いるデータを保存する。ここでは、例えば、リンクＩＤごとに現在時刻、すなわちそのリンクを走行した時刻、走行距離、リンク内の運転特性指標、そのリンクの走行回数等を構造体形式に書き込み、走行道路データベースを構築する。第９の実施の形態では、運転者の運転特性を表す物理量として、ブレーキ操作時に算出される余裕時間ＴＴＣの最低値（最低余裕時間）を用いる。

つづくステップＳ８２０では、ステップＳ８１６で保存したデータを用いて運転者の運転診断を行う。運転診断は、安定した追従走行において運転者がブレーキペダルを踏み込んでいる場合の運転者の運転特性に基づいて行う。ブレーキ操作時の運転特性としては、自車両と先行車との車間時間ＴＨＷ，車間時間の逆数１／ＴＨＷ，車間距離Ｄ、車間距離の逆数等が挙げられるが、ここでは、ブレーキペダルを踏み込んでいる場合の最低余裕時間ＴＴＣを用いる場合を例として説明する。

運転診断処理では、図６６に示すデータ構造のＡ層〜Ｄ層のそれぞれのデータを用いて、異なるタイムスパンでの運転、すなわち、「このとき」「この日」「普段」の運転者の運転を見極める。ステップＳ８２０で実行される運転診断処理を、図７９のフローチャートを用いて詳細に説明する。

ステップＳ８２２では、運転者の「このとき」の運転診断を行うために、「このとき」の運転者の運転特性値を算出する。運転者の運転特性値として、「このとき」を定義する所定時間内のブレーキ操作時の最低余裕時間ＴＴＣの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、「このとき」を定義する所定時間は、例えば６０秒とし、ステップＳ８１０で判断した安定した追従走行状態においてブレーキ操作時に検出された過去から現在までの６０秒分のデータを用いて、最低余裕時間ＴＴＣの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。平均値Mean_x(n)と標準偏差Stdev_x(n)は、第７の実施の形態と同様に、（式３９）（式４１）を利用してそれぞれ算出することができる。

ステップＳ８２４では、運転者の「この日」の運転診断を行うために、「この日」の運転者の運転特性値、すなわち、「この日」を定義する所定時間内のブレーキ操作時の最低余裕時間ＴＴＣの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、「この日」を定義する所定時間は、例えば３６０秒とし、ステップＳ８１０で判断した安定した追従走行状態においてブレーキ操作時に検出された過去から現在までの３６０秒分のデータを用いて、最低余裕時間ＴＴＣの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。

具体的には、「このとき」と同じように、上記（式３９）および（式４１）を用いて平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、データ個数Kは、「この日」の所定時間を３６０秒とし、サンプリング数を５Ｈｚとすると、データ個数K＝１８００となる。

ステップＳ８２６では、運転者の「普段」の運転診断を行うために、「普段」の運転者の追従特性値、すなわち、「普段」を定義する所定時間内のブレーキ操作時の最低余裕時間ＴＴＣの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、「普段」を定義する所定時間は、例えば２１６０秒とし、ステップＳ８１０で判断した安定した追従走行シーンにおけるブレーキ操作時に検出された過去から現在までの２１６０秒分のデータを用いて最低余裕時間ＴＴＣの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。

具体的には、「このとき」と同じように、上記（式３９）および（式４１）を用いて平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、データ個数Kは、「普段」の所定時間を２１６０秒とし、サンプリング数を５Ｈｚとすると、データ個数K＝１０８００となる。

続くステップＳ８２８以降の処理では、ステップＳ８２２，Ｓ８２４，Ｓ８２６で算出した運転特性値を用いて運転者の運転診断を行う。ここでは、異なるタイムスパンで得られたデータに基づく運転者の運転特性をそれぞれ比較し、両者がどの程度乖離しているかに基づいて運転者の運転を診断する。すなわち、図６６に示すデータ構造において、上位層（例えばＡ層）を下位層（例えばＢ層）と比較することで、運転診断を行う。

まず、ステップＳ８２８では、「この日」の運転者の運転特性に対して「このとき」の運転者の運転特性がどの程度乖離しているかを表す逸脱度を算出する。ここで、「この日」に対する「このとき」の逸脱度は、「この日」のブレーキ操作時の最低余裕時間ＴＴＣの分布と、「このとき」のブレーキ操作時の最低余裕時間ＴＴＣの分布の差異を示すものである。「この日」に対する「このとき」の逸脱度を算出するために、「この日」のブレーキ操作時の最低余裕時間ＴＴＣの分布を長時間の行動分布を表す基準の分布として用い、「このとき」のブレーキ操作時の最低余裕時間ＴＴＣの分布を短時間の行動分布を表す比較対象の分布として用いる。

ここでは、第７の実施の形態と同様に、上述した（式４７）もしくは（式５０）を利用して逸脱度Dist_diffを算出する。また、「普段」に対する「このとき」の逸脱度Dsit_diffも算出する。この場合は、「普段」のブレーキ操作時の最低余裕時間ＴＴＣの分布を長時間の行動分布を表す基準の分布として用い、「このとき」のブレーキ操作時の最低余裕時間ＴＴＣの分布を短時間の行動分布を表す比較対象の分布として用いる。そして、「普段」の累積分布の確率F_std(x)と「このとき」の累積分布の確率F_comp(x)とを用いて、上述した（式４７）もしくは（式５０）から「普段」に対する「このとき」の逸脱度Dist_diffを算出する。

このように、ステップＳ８２８で「この日」に対する「このとき」、および「普段」に対する「このとき」の逸脱度Dist_diffをそれぞれ算出した後、ステップＳ８３０へ進む。ステップＳ８３０では、ステップＳ８２８での処理と同様に、「普段」に対する「この日」の逸脱度Dist_diffを算出する。なお、ここでは、「普段」のブレーキ操作時の最低余裕時間ＴＴＣの分布を長時間の行動分布を表す基準の分布として用い、「この日」のブレーキ操作時の最低余裕時間ＴＴＣの分布を短時間の行動分布を表す比較対象の分布として用いる。

つづくステップＳ８３２では、ステップＳ８２８での処理と同様に、「世間一般」に対する「普段」の逸脱度Dist_diffを算出する。なお、ここでは、「世間一般」のブレーキ操作時の最低余裕時間ＴＴＣの分布を長時間の行動分布を表す基準の分布として用い、「普段」のブレーキ操作時の最低余裕時間ＴＴＣの分布を短時間の行動分布を表す比較対象の分布として用いる。「世間一般」の運転特性値、すなわちブレーキ操作時の最低余裕時間ＴＴＣの平均値および標準偏差は、固定値として予め適切な値を設定しておく。

このように、ステップＳ８２０で異なる複数のタイムスパンで得られたデータを用いて運転者の運転診断を行った後、ステップＳ８４０へ進む。なお、以降では説明の便宜上、「普段」に対する「このとき」の逸脱度Dist_diffをDist_1a、「この日」に対する「このとき」の逸脱度Dist_diffをDist_1b、「普段」に対する「この日」の逸脱度Dist_diffをDist_2、「世間一般」に対する「普段」の逸脱度Dist_diffをDist_3とする。

ステップＳ８４０では、ステップＳ８２０の運転診断結果に基づいて警報呈示処理を実行するか否かを判断する。ここでは、ステップＳ８２８で算出した「普段」に対する「このとき」の逸脱度Dist_1a、「この日」に対する「このとき」の逸脱度Dist_1b、またはステップＳ８３０で算出した「普段」に対する「この日」の逸脱度Dist_2が、警報呈示を行うか否かを判断するための閾値（たとえば０．３０）よりも大きいか否かを判定する。逸脱度Dist_1またはDist_2が閾値よりも大きい場合は、ステップＳ８５０へ進み、運転者への警報呈示を行う。警報呈示を行った後、この処理を終了する。

例えば、「普段」に対する「この日」の逸脱度Dist_2が閾値よりも大きい場合には、スピーカ１３０によってブザー音とともに「ブレーキ操作が遅い傾向があります」という音声を出力する。音声情報は、現在、運転者のブレーキペダル操作が遅い傾向にあることを知らせるように、あるいは、早めのブレーキ操作を促す内容を設定する。なお、具体的な音声情報は、これには限定されない。「普段」に対する「このとき」の逸脱度Dist_1a、「この日」に対する「このとき」の逸脱度Dist_1bが閾値より大きい場合にも、予め設定された適切な音声情報を出力する。

ステップＳ８４０が否定判定され、警報呈示を行わない場合は、ステップＳ８６０へ進み、ステップＳ８２０の運転診断結果に基づいて指導呈示処理を実行するか否かを判断する。ここでは、ステップＳ８３２で算出した「世間一般」に対する「普段」の逸脱度Dist_3が、指導（改善示唆）呈示を行うか否かを判断するための閾値（例えば０．０７）よりも小さいか否かを判定する。

Dist_3が閾値よりも小さい場合は、ステップＳ８７０へ進み、運転者への指導呈示を行う。指導呈示を行った後、この処理を終了する。例えば、指導呈示内容として、運転者の運転を褒める内容の表示および音声を出力する。例えば、「普段」の逸脱度Dist_3を点数に換算して表示する。具体的には、逸脱度Dist_3の符号を反転させた後、５０を加算した値を、運転者の普段の運転操作の点数として表示ユニット１８０に表示する。つまり、ブレーキ操作が遅い傾向にある運転者の点数は５０点以下、早めの安定したブレーキ操作を行う優良な運転者の点数は５０点以上となる。なお、点数は、０〜１００の範囲内で表示し、逸脱度Dist_3を換算した点数が１００以上の場合は、１００点、０以下の場合は０点とする。

なお、音声により改善示唆を行うこともできる。このように、世間一般の運転者に対して運転者個人の追従運転特性が優れていることを運転者に知らせ、良好な運転を維持するように、あるいはより向上させるように促すための表示や音声の出力を行う。また、図７１に示したような二次元マップを用いて運転診断結果を表示することもできる。

このように以上説明した第９の実施の形態においては、上述した第１〜８の実施の形態による効果に加えて、以下のような作用効果を奏することができる。

運転特性を表す指標として、ブレーキ操作が行われたときの自車両と先行車との余裕時間ＴＴＣの最低値を利用する。余裕時間ＴＴＣは、自車速Ｖおよび相対車速Ｖｒが一定の場合に、自車両と先行車とが接触するまでの時間を表す。自車両が先行車に追従走行している状態からブレーキ操作を行った場合に、余裕時間ＴＴＣがどの程度まで低下するかを把握して運転者の特性を表す指標として利用することにより、追従走行シーンにおいてブレーキ操作を行う場合について的確な運転診断を行うことができる。
《第１０の実施の形態》
以下に、本発明の第１０の実施の形態による車両用運転支援装置について説明する。第１０の実施の形態による車両用運転支援装置の基本構成は、図６３に示した第７の実施の形態と同様である。ここでは、第７の実施の形態との相違点を主に説明する。なお、第１０の実施の形態の車両用運転支援装置においては、アクセルペダルストロークセンサ５５を省略することもできる。

第１０の実施の形態では、自車両が先行車を追い越す場合の運転特性を検出し、検出した運転特性を指標として運転診断を行う。

第１０の実施の形態による車両用運転支援装置４の動作を、図８０を用いて詳細に説明する。図８０は、第１０の実施の形態のコントローラ３００における運転支援制御処理の処理手順のフローチャートである。本処理内容は、一定間隔、例えば５０ｍｓｅｃ毎に連続的に行われる。

まず、ステップＳ９００で、自車両の走行状態を検出する。ここで、自車両の走行状態として、車速センサ３０によって検出される自車速Ｖと、レーザレーダ１０によって検出される自車両と先行車との車間距離Ｄおよび相対速度Ｖｒを取得する。また、ナビゲーションシステム５０から自車両が走行する道路の情報を取得する。ステップＳ９０２では、運転者の操作状態を検出する。ここで、運転者の操作状態として、ブレーキペダルストロークセンサ６０によって検出されるブレーキペダル操作量、およびウィンカスイッチ６５によって検出されるウィンカレバー操作の有無を取得する。ステップＳ９０４では、後述する自車両の走行シーン判断のために、上述した（式３５）（式３６）を用いて、自車両と先行車との余裕時間ＴＴＣおよび車間時間ＴＨＷを算出する。

ステップＳ９０６では、自車両が追越動作を行っているか否かを判定する。具体的には、自車両が片側２車線以上の道路を走行中に、ウィンカレバーを操作して加速しながら前方障害物を追い越している状態であるか否かを判定する。例えば、ナビゲーションシステム５０から取得された道路情報から片側２車線以上の道路を走行中であることが検出され、ウィンカレバーが操作されている場合に、追越動作中であると判定する。追越動作中である場合は、ステップＳ９１０へ進み、追越動作中でない場合は、この処理を終了する。

ステップＳ９１０では、自車両の走行シーン判断を行う。車両走行状態や運転者の操作状態といった条件を限定して運転診断の精度向上を図るとともに、運転診断結果に応じて情報提供を行う際に運転者に与える違和感を軽減するために、自車両の走行シーンを判断し、特定の走行シーンである場合のみ、運転診断を行うようにする。具体的には、自車両が同一の先行車に安定して追従している状態から追越動作を行う走行シーンに限定して、運転診断を行う。

安定した追従走行シーンの条件の一例は、以下の通りである。
（ａ）同一の先行車に追従している（例えば、車間距離が前回測定値から４ｍ以上変化していない）
（ｂ）急な接近状態でない（例えば、余裕時間ＴＴＣが１０秒を上回る）
（ｃ）車間時間ＴＨＷが所定値以内（例えば、車間時間ＴＨＷが４秒未満）
（ｄ）運転者によるブレーキペダル操作がない（例えば、ブレーキペダル操作量が０）
（ｅ）上記（ａ）〜（ｄ）の状態が継続している（例えば、５秒以上継続中）
これら（ａ）〜（ｅ）の条件が全て満たされると、自車両の走行シーンが安定した追従走行シーンであると判断し、運転診断を行うためにステップＳ９１２へ進む。一方、（ａ）〜（ｅ）のいずれかの条件が満たされない場合は、特定の走行シーンに該当しないと判断し、運転診断は行わずにこの処理を終了する。なお、安定した追従走行シーンであるか否かを判断するための条件は、上記（ａ）〜（ｅ）には限定されず、また、ブレーキ操作の有無やウィンカレバー操作の有無を別の検出手段により検出することも可能である。

ステップＳ９１２では、走行場所の判断を行う。ステップＳ９１４では、現在時刻の記録を行う。ステップＳ９１６では、ステップＳ９１２およびＳ９１４のラベリング結果に基づいて、運転者の運転診断を行うために用いるデータを保存する。ここでは、例えば、リンクＩＤごとに現在時刻、すなわちそのリンクを走行した時刻、走行距離、リンク内の運転特性指標、そのリンクの走行回数等を構造体形式に書き込み、走行道路データベースを構築する。第１０の実施の形態では、運転者の運転特性を表す物理量として、追越動作時に検出される車間距離Ｄの最低値（最低車間距離）を用いる。

つづくステップＳ９２０では、ステップＳ９１６で保存したデータを用いて運転者の運転診断を行う。運転診断は、安定した追従走行において運転者が先行車を追い越す場合の運転者の運転特性に基づいて行う。追越時の運転特性としては、自車両と先行車との車間時間ＴＨＷ，車間時間の逆数１／ＴＨＷ，余裕時間ＴＴＣ、車間距離の逆数等が挙げられるが、ここでは、追越時の最低車間距離Ｄを用いる場合を例として説明する。具体的には、自車両が車線変更を行う前の走行車線に存在する先行車と自車両との車間距離を利用する。なお、車線変更後の走行車線において自車両前方を走行する車両と自車両との車間距離を利用することも可能である。

運転診断処理では、図６６に示すデータ構造のＡ層〜Ｄ層のそれぞれのデータを用いて、異なるタイムスパンでの運転、すなわち、「このとき」「この日」「普段」の運転者の運転を見極める。ステップＳ９２０で実行される運転診断処理を、図８１のフローチャートを用いて詳細に説明する。

ステップＳ９２２では、運転者の「このとき」の運転診断を行うために、「このとき」の運転者の運転特性値を算出する。運転者の運転特性値として、「このとき」を定義する所定時間内の追越時の最低車間距離Ｄの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、「このとき」を定義する所定時間は、例えば６０秒とし、ステップＳ９１０で判断した安定した追従走行状態において追越時に検出された過去から現在までの６０秒分のデータを用いて、最低車間距離Ｄの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。平均値Mean_x(n)と標準偏差Stdev_x(n)は、第７の実施の形態と同様に、（式３９）（式４１）を利用してそれぞれ算出することができる。

ステップＳ９２４では、運転者の「この日」の運転診断を行うために、「この日」の運転者の運転特性値、すなわち、「この日」を定義する所定時間内の追越時の最低車間距離Ｄの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、「この日」を定義する所定時間は、例えば３６０秒とし、ステップＳ９１０で判断した安定した追従走行状態において追越時に検出された過去から現在までの３６０秒分のデータを用いて、最低車間距離Ｄの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。

具体的には、「このとき」と同じように、上記（式３９）および（式４１）を用いて平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、データ個数Kは、「この日」の所定時間を３６０秒とし、サンプリング数を５Ｈｚとすると、データ個数K＝１８００となる。

ステップＳ９２６では、運転者の「普段」の運転診断を行うために、「普段」の運転者の追従特性値、すなわち、「普段」を定義する所定時間内の追越時の最低車間距離Ｄの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、「普段」を定義する所定時間は、例えば２１６０秒とし、ステップＳ９１０で判断した安定した追従走行シーンにおける追越時に検出された過去から現在までの２１６０秒分のデータを用いて最低車間距離Ｄの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。

具体的には、「このとき」と同じように、上記（式３９）および（式４１）を用いて平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、データ個数Kは、「普段」の所定時間を２１６０秒とし、サンプリング数を５Ｈｚとすると、データ個数K＝１０８００となる。

続くステップＳ９２８以降の処理では、ステップＳ９２２，Ｓ９２４，Ｓ９２６で算出した運転特性値を用いて運転者の運転診断を行う。ここでは、異なるタイムスパンで得られたデータに基づく運転者の運転特性をそれぞれ比較し、両者がどの程度乖離しているかに基づいて運転者の運転を診断する。すなわち、図６６に示すデータ構造において、上位層（例えばＡ層）を下位層（例えばＢ層）と比較することで、運転診断を行う。

まず、ステップＳ９２８では、「この日」の運転者の運転特性に対して「このとき」の運転者の運転特性がどの程度乖離しているかを表す逸脱度を算出する。ここで、「この日」に対する「このとき」の逸脱度は、「この日」の追越時の最低車間距離Ｄの分布と、「このとき」の追越時の最低車間距離Ｄの分布の差異を示すものである。「この日」に対する「このとき」の逸脱度を算出するために、「この日」の追越時の最低車間距離Ｄの分布を長時間の行動分布を表す基準の分布として用い、「このとき」の追越時の最低車間距離Ｄの分布を短時間の行動分布を表す比較対象の分布として用いる。

ここでは、第７の実施の形態と同様に、上述した（式４７）もしくは（式５０）を利用して逸脱度Dist_diffを算出する。また、「普段」に対する「このとき」の逸脱度Dsit_diffも算出する。この場合は、「普段」の追越時の最低車間距離Ｄの分布を長時間の行動分布を表す基準の分布として用い、「このとき」の追越時の最低車間距離Ｄの分布を短時間の行動分布を表す比較対象の分布として用いる。そして、「普段」の累積分布の確率F_std(x)と「このとき」の累積分布の確率F_comp(x)とを用いて、上述した（式４７）もしくは（式５０）から「普段」に対する「このとき」の逸脱度Dist_diffを算出する。

このように、ステップＳ９２８で「この日」に対する「このとき」、および「普段」に対する「このとき」の逸脱度Dist_diffをそれぞれ算出した後、ステップＳ９３０へ進む。ステップＳ９３０では、ステップＳ９２８での処理と同様に、「普段」に対する「この日」の逸脱度Dist_diffを算出する。なお、ここでは、「普段」の追越時の最低車間距離Ｄの分布を長時間の行動分布を表す基準の分布として用い、「この日」の追越時の最低車間距離Ｄの分布を短時間の行動分布を表す比較対象の分布として用いる。

つづくステップＳ９３２では、ステップＳ９２８での処理と同様に、「世間一般」に対する「普段」の逸脱度Dist_diffを算出する。なお、ここでは、「世間一般」の追越時の最低車間距離Ｄの分布を長時間の行動分布を表す基準の分布として用い、「普段」の追越時の最低車間距離Ｄの分布を短時間の行動分布を表す比較対象の分布として用いる。「世間一般」の運転特性値、すなわち追越時の最低車間距離Ｄの平均値および標準偏差は、固定値として予め適切な値を設定しておく。

このように、ステップＳ９２０で異なる複数のタイムスパンで得られたデータを用いて運転者の運転診断を行った後、ステップＳ９４０へ進む。なお、以降では説明の便宜上、「普段」に対する「このとき」の逸脱度Dist_diffをDist_1a、「この日」に対する「このとき」の逸脱度Dist_diffをDist_1b、「普段」に対する「この日」の逸脱度Dist_diffをDist_2、「世間一般」に対する「普段」の逸脱度Dist_diffをDist_3とする。

ステップＳ９４０では、ステップＳ９２０の運転診断結果に基づいて警報呈示処理を実行するか否かを判断する。ここでは、ステップＳ９２８で算出した「普段」に対する「このとき」の逸脱度Dist_1a、「この日」に対する「このとき」の逸脱度Dist_1b、またはステップＳ９３０で算出した「普段」に対する「この日」の逸脱度Dist_2が、警報呈示を行うか否かを判断するための閾値（たとえば０．３０）よりも大きいか否かを判定する。逸脱度Dist_1a、Dist_1b、またはDist_2が閾値よりも大きい場合は、ステップＳ９５０へ進み、運転者への警報呈示を行う。警報呈示を行った後、この処理を終了する。

例えば、「普段」に対する「この日」の逸脱度Dist_2が閾値よりも大きい場合には、スピーカ１３０によってブザー音とともに「追越時に前方車へ近づきすぎる傾向があります」という音声を出力する。音声情報は、前方車両を追い越す際に近づきすぎる傾向があることを知らせ、追越時により長い車間距離をとるよう促す内容を設定する。なお、具体的な音声情報は、これには限定されない。「普段」に対する「このとき」の逸脱度Dist_1a、「この日」に対する「このとき」の逸脱度Dist_1bが閾値より大きい場合にも、予め設定された適切な音声情報を出力する。

ステップＳ９４０が否定判定され、警報呈示を行わない場合は、ステップＳ９６０へ進み、ステップＳ９２０の運転診断結果に基づいて指導呈示処理を実行するか否かを判断する。ここでは、ステップＳ９３２で算出した「世間一般」に対する「普段」の逸脱度Dist_3が、指導（改善示唆）呈示を行うか否かを判断するための閾値（例えば０．０７）よりも小さいか否かを判定する。

Dist_3が閾値よりも小さい場合は、ステップＳ９７０へ進み、運転者への指導呈示を行う。指導呈示を行った後、この処理を終了する。例えば、指導呈示内容として、運転者の運転を褒める内容の表示および音声を出力する。例えば、「普段」の逸脱度Dist_3を点数に換算して表示する。具体的には、逸脱度Dist_3の符号を反転させた後、５０を加算した値を、運転者の普段の運転操作の点数として表示ユニット１８０に表示する。つまり、追越時に前方車に近づきすぎる傾向にある運転者の点数は５０点以下、余裕を持って追い越しを行う優良な運転者の点数は５０点以上となる。なお、点数は、０〜１００の範囲内で表示し、逸脱度Dist_3を換算した点数が１００以上の場合は、１００点、０以下の場合は０点とする。

なお、音声により改善示唆を行うこともできる。このように、世間一般の運転者に対して運転者個人の追従運転特性が優れていることを運転者に知らせ、良好な運転を維持するように、あるいはより向上させるように促すための表示や音声の出力を行う。また、図７１に示したような二次元マップを用いて運転診断結果を表示することもできる。

このように以上説明した第１０の実施の形態においては、上述した第１〜９の実施の形態による効果に加えて、以下のような作用効果を奏することができる。

運転特性を表す指標として、追越中の自車両と先行車との車間距離Ｄの最低値を利用する。ウィンカ操作をして運転者が意図的に先行車を追い越していく場合に先行車にどの程度まで接近しているかを運転者の特性を表す指標として利用することにより、追越シーンにおいて的確な運転診断を行うことができる。
《第１１の実施の形態》
以下に、本発明の第１１の実施の形態による車両用運転支援装置について説明する。第１１の実施の形態による車両用運転支援装置の基本構成は、図６３に示した第７の実施の形態と同様である。ここでは、第７の実施の形態との相違点を主に説明する。

第１１の実施の形態では、自車両が安定した単独走行を行っている状態での運転特性を検出し、検出した運転特性を指標として運転診断を行う。

第１１の実施の形態による車両用運転支援装置４の動作を、図８２を用いて詳細に説明する。図８２は、第１１の実施の形態のコントローラ３００における運転支援制御処理の処理手順のフローチャートである。本処理内容は、一定間隔、例えば５０ｍｓｅｃ毎に連続的に行われる。

まず、ステップＳ３００で、自車両の走行状態を検出する。ここで、自車両の走行状態として、車速センサ３０によって検出される自車速Ｖと、レーザレーダ１０によって検出される先行車の有無を取得する。ステップＳ３０５では、運転者の操作状態を検出する。ここで、運転者の操作状態として、アクセルペダルストロークセンサ５５によって検出されるアクセルペダル操作量、ブレーキペダルストロークセンサ６０によって検出されるブレーキペダル操作量、およびウィンカスイッチ６５によって検出されるウィンカレバー操作の有無を取得する。

ステップＳ３０６では、自車両が走行する道路の状態を取得する。具体的には、走行路状態を示すパラメータとして、自車両が走行する道路の道路種別（高規格幹線道路または一般道路であるか）、現在の走行路の制限車速等の情報を、ナビゲーションシステム５０から取得する。

ステップＳ３１０では、自車両の走行シーン判断を行う。車両走行状態や運転者の操作状態といった条件を限定して運転診断の精度向上を図るとともに、運転診断結果に応じて情報提供を行う際に運転者に与える違和感を軽減するために、自車両の走行シーンを判断し、特定の走行シーンである場合のみ、運転診断を行うようにする。具体的には、自車両が安定して単独走行を行っている走行シーンに限定して、運転診断を行う。

安定した単独走行状態の条件の一例は、以下の通りである。
（ａ）レーザレーダ１０の検知領域内に先行車が存在しないこと
（ｂ）同一種別の道路を走行中
（ｃ）同一制限車速の下で走行中
（ｄ）運転者による大きなアクセルペダル操作もブレーキペダル操作もないこと（例えば、全操作量に対して３０％未満の操作量であること）
（ｅ）運転者によるウィンカレバー操作がないこと（例えば、ウィンカスイッチ６５からのオン信号入力がない）
（ｆ）上記（ａ）〜（ｅ）の状態が継続している（例えば、５秒以上継続中）
これら（ａ）〜（ｆ）の条件が全て満たされると、自車両が安定した単独走行状態であると判断し、運転診断を行うためにステップＳ３１２へ進む。一方、（ａ）〜（ｆ）のいずれかの条件が満たされない場合は、特定の走行シーンに該当しないと判断し、運転診断は行わずにこの処理を終了する。なお、安定した単独走行状態であるか否かを判断するための条件は、上記（ａ）〜（ｆ）には限定されず、また、ブレーキ操作の有無やウィンカレバー操作の有無を別の検出手段により検出することも可能である。

ステップＳ３１２では、走行場所の判断を行う。ステップＳ３１４では、現在時刻の記録を行う。ステップＳ３１６では、ステップＳ３１２およびＳ３１４のラベリング結果に基づいて、運転者の運転診断を行うために用いるデータを保存する。ここでは、例えば、リンクＩＤごとに現在時刻、すなわちそのリンクを走行した時刻、走行距離、リンク内の運転特性指標、そのリンクの走行回数等を構造体形式に書き込み、走行道路データベースを構築する。第１１の実施の形態では、運転者の運転特性を表す物理量として、単独走行時に検出される自車速Ｖを用いる。

つづくステップＳ３２０では、ステップＳ３１６で保存したデータを用いて運転者の運転診断を行う。運転診断は、安定した単独走行状態における車速特性に基づいて行う。運転診断処理では、図６６に示すデータ構造のＡ層〜Ｄ層のそれぞれのデータを用いて、異なるタイムスパンでの運転、すなわち、「このとき」「この日」「普段」の運転者の運転を見極める。ステップＳ３２０で実行される運転診断処理を、図８３のフローチャートを用いて詳細に説明する。

ステップＳ３２２では、運転者の「このとき」の運転診断を行うために、「このとき」の運転者の単独走行車速特性値を算出する。運転者の車速特性値として、「このとき」を定義する所定時間内の自車速Ｖの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、「このとき」を定義する所定時間は、例えば６０秒とし、ステップＳ３１０で判断した安定した単独走行状態において検出された過去から現在までの６０秒分のデータを用いて、自車速Ｖの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。平均値Mean_x(n)と標準偏差Stdev_x(n)は、第７の実施の形態と同様に、（式３９）（式４１）を利用してそれぞれ算出することができる。

ステップＳ３２４では、運転者の「この日」の運転診断を行うために、「この日」の運転者の単独走行車速特性値、すなわち、「この日」を定義する所定時間内の自車速Ｖの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、「この日」を定義する所定時間は、例えば３６０秒とし、ステップＳ３１０で判断した安定した単独走行状態において検出された過去から現在までの３６０秒分のデータを用いて、自車速Ｖの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。

具体的には、「このとき」と同じように、上記（式３９）および（式４１）を用いて平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、データ個数Kは、「この日」の所定時間を３６０秒とし、サンプリング数を５Ｈｚとすると、データ個数K＝１８００となる。

ステップＳ３２６では、運転者の「普段」の運転診断を行うために、「普段」の運転者の単独走行車速特性値、すなわち、「普段」を定義する所定時間内の自車速Ｖの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、「普段」を定義する所定時間は、例えば２１６０秒とし、ステップＳ３１０で判断した安定した単独走行状態において検出された過去から現在までの２１６０秒分のデータを用いて自車速Ｖの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。

具体的には、「このとき」と同じように、上記（式３９）および（式４１）を用いて平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、データ個数Kは、「普段」の所定時間を２１６０秒とし、サンプリング数を５Ｈｚとすると、データ個数K＝１０８００となる。

続くステップＳ３２８以降の処理では、ステップＳ３２２，Ｓ３２４，Ｓ３２６で算出した運転特性値を用いて運転者の運転診断を行う。ここでは、異なるタイムスパンで得られたデータに基づく運転者の運転特性をそれぞれ比較し、両者がどの程度乖離しているかに基づいて運転者の運転を診断する。すなわち、図６６に示すデータ構造において、上位層（例えばＡ層）を下位層（例えばＢ層）と比較することで、運転診断を行う。

まず、ステップＳ３２８では、「この日」の運転者の運転特性に対して「このとき」の運転者の運転特性がどの程度乖離しているかを表す逸脱度を算出する。ここで、「この日」に対する「このとき」の逸脱度は、「この日」の自車速Ｖの分布と、「このとき」の自車速Ｖの分布の差異を示すものである。「この日」に対する「このとき」の逸脱度を算出するために、「この日」の自車速Ｖの分布を長時間の行動分布を表す基準の分布として用い、「このとき」の自車速Ｖの分布を短時間の行動分布を表す比較対象の分布として用いる。ここでは、第７の実施の形態と同様に、上述した（式４７）もしくは（式５０）を利用して逸脱度Dist_diffを算出する。

このように、ステップＳ３２８で「この日」に対する「このとき」、および「普段」に対する「このとき」の逸脱度Dist_diffをそれぞれ算出した後、ステップＳ３３０へ進む。ステップＳ３３０では、ステップＳ３２８での処理と同様に、「普段」に対する「この日」の逸脱度Dist_diffを算出する。なお、ここでは、「普段」の自車速Ｖの分布を長時間の行動分布を表す基準の分布として用い、「この日」の自車速Ｖの分布を短時間の行動分布を表す比較対象の分布として用いる。

つづくステップＳ３３２では、ステップＳ３２８での処理と同様に、「世間一般」に対する「普段」の逸脱度Dist_diffを算出する。なお、ここでは、「世間一般」の自車速Ｖの分布を長時間の行動分布を表す基準の分布として用い、「普段」の自車速Ｖの分布を短時間の行動分布を表す比較対象の分布として用いる。「世間一般」の単独走行車速特性値、すなわち単独走行時の自車速Ｖの平均値および標準偏差は、固定値として予め適切な値を設定しておく。

ステップＳ３３３では、過去に検出した「この日」の単独車速特性と、今回の「この日」の単独車速特性とを比較して、「過去」に対する「今回」の逸脱度Dist_diffを算出する。具体的には、前回周期（例えば前日）で検出した「この日」の自車速Ｖの分布を長時間の行動分布を表す基準の分布として用い、今回検出した「この日」の自車速Ｖの分布を短時間の行動分布を表す比較対象の分布として、上述した（式４７）もしくは（式５０）を利用して逸脱度Dist_diffを算出する。

このように、ステップＳ３２０で異なる複数のタイムスパンで得られたデータを用いて運転者の運転診断を行った後、ステップＳ３４０へ進む。なお、以降では説明の便宜上、「この日」に対する「このとき」の逸脱度Dist_diffをDist_1、「普段」に対する「この日」の逸脱度Dist_diffをDist_2、「世間一般」に対する「普段」の逸脱度Dist_diffをDist_3、「過去のこの日」に対する「今回のこの日」の逸脱度Dist_diffをDist_4とする。

ステップＳ３４０では、ステップＳ３２０の運転診断結果に基づいて警報呈示処理を実行するか否かを判断する。ここでは、ステップＳ３２８で算出した「この日」に対する「このとき」の逸脱度Dist_1、ステップＳ３３０で算出した「普段」に対する「この日」の逸脱度Dist_2、またはステップＳ３３３で算出した「過去のこの日」に対する「今回のこの日」の逸脱度Dist_4が、警報呈示を行うか否かを判断するための閾値（たとえば０．３０）よりも大きいか否かを判定する。逸脱度Dist_1、Dist_2、またはDist_4が閾値よりも大きい場合は、ステップＳ３５０へ進み、運転者への警報呈示を行う。警報呈示を行った後、この処理を終了する。

図８４に、視覚情報により警報呈示を行う場合の表示例を示す。この日の単独走行車速の傾向（中期間の取得データ結果）を普段の単独走行車速の傾向（長期間の取得データ結果）と比較できるような表示とする。図８４においては、普段に対して今日の車速が高い傾向にあることが示されている。

聴覚情報により警報呈示を行う場合は、逸脱度に応じた音声情報をスピーカ１３０から出力する。例えば、「普段」に対する「この日」の逸脱度Dist_2が閾値よりも大きい場合には、「走行車速が普段より高めです」という音声を出力する。「この日」に対する「このとき」の逸脱度Dist_1が閾値よりも大きい場合は、「走行車速が高めです」という音声を出力する。「過去のこの日」に対する「今回のこの日」の逸脱とDist_4が閾値よりも大きい場合は、「走行車速が以前より高めです」という音声を出力する。

ステップＳ３４０が否定判定され、警報呈示を行わない場合は、ステップＳ３６０へ進み、ステップＳ３２０の運転診断結果に基づいて指導呈示処理を実行するか否かを判断する。ここでは、ステップＳ３３２で算出した「世間一般」に対する「普段」の逸脱度Dist_3が、指導（改善示唆）呈示を行うか否かを判断するための閾値（例えば０．０７）よりも小さいか否かを判定する。

Dist_3が閾値よりも小さい場合は、ステップＳ３７０へ進み、運転者への指導呈示を行う（改善示唆）。指導呈示を行った後、この処理を終了する。図８５に、視覚情報により指導呈示を行う場合の表示例を示す。運転者の普段の単独走行の車速特性を世間一般の単独走行の車速特性と比較できるような表示とする。図８５においては、世間一般に対して運転者の車速が低い特性にあることが示されている。また、「普段」の逸脱度Dist_3を点数に換算して表示することもできる。具体的には、逸脱度Dist_3の符号を反転させた後、５０を加算した値を、運転者の普段の運転操作の点数として表示ユニット１８０に表示する。

聴覚情報により指導呈示を行う場合は、例えば、「あなたの運転を分析した結果、世間一般の車速より低めです」という音声を出力し、運転者が日ごろから低い車速で走行する傾向にあり、運転者の運転を褒める内容の音声を出力する。また、図７１に示したような二次元マップを用いて運転診断結果を表示することもできる。

このように以上説明した第１１の実施の形態においては、上述した第１〜１０の実施の形態による効果に加えて、以下のような作用効果を奏することができる。

運転特性を表す指標として、単独走行時の自車速Ｖを利用するので、先行車が存在せず、運転者の意志により車速を設定できる走行シーンにおいて的確な運転診断を行うことができる。
−第１１の実施の形態の変形例−
以下に、逸脱度Dist_diffの別の算出方法について説明する。ここでは、基準分布の「制限車速」の位置における比較対象の分布との差分を、逸脱度Dist_diffとして算出する。具体的には、図８６（ａ）（ｂ）に示すように、制限車速Vlmtよりも車速Ｖの低い領域における比較分布と基準分布との差を、逸脱度Dist_diffとして算出する。

基準分布の平均値をμ_std、標準偏差をσ_stdと置くと、制限車速Vlmtにおける累積分布の確率F_std（ｘ）は、以下の（式５３）で算出される。

次に、比較分布の制限車速Vlmtにおける累積分布の値を算出する。比較分布の平均値をμ_comp、標準偏差をσ_compと置くと、制限車速Vlmtにおける累積分布の確率F_comp（ｘ）は、以下の（式５４）で算出される。

基準の累積分布の確率F_std(v_lmt)と比較対象の累積分布の確率F_comp(v_lmt)との差を、逸脱度Dist_diffとして、以下の（式５５）から算出する。

Dist_diff＝F_comp(v_lmt )−F_std(v_lmt ) ・・・（式５５）
《第１２の実施の形態》
以下に、本発明の第１２の実施の形態による車両用運転支援装置について説明する。図８７に、第１２の実施の形態による車両用運転支援装置６のシステム図を示す。図８７において、図６３に示した第７の実施の形態と同様の機能を有する箇所には同一の符号を付して説明を省略する。ここでは、第７の実施の形態との相違点を主に説明する。

第１２の実施の形態による車両用運転支援装置６は、レーザレーダ１０、前方カメラ１５、車速センサ３０、加速度センサ３５、ナビゲーションシステム５０、アクセルペダルストロークセンサ５５、コントローラ４００、スピーカ１３０、および表示ユニット１８０等を備えている。

前方カメラ１５は、フロントウィンドウ上部に取り付けられた小型のＣＣＤカメラ、またはＣＭＯＳカメラ等であり、前方道路の状況を画像として検出する。コントローラ４００は、前方カメラ１５からの画像信号に画像処理を施し、自車両前方領域に存在するレーンマーカ等を検出する。なお、前方カメラ１５による検知領域は車両の前後方向中心線に対して水平方向に±３０deg程度であり、この領域に含まれる前方道路風景が画像として取り込まれる。加速度センサ３５は、自車両の前後方向の加速度を検出するセンサであり、検出した前後加速度をコントローラ４００へ出力する。

第１２の実施の形態では、自車両発進時の運転特性を検出し、検出した運転特性を指標として運転診断を行う。

第１２の実施の形態による車両用運転支援装置６の動作を、図８８を用いて詳細に説明する。図８８は、第１２の実施の形態のコントローラ４００における運転支援制御処理の処理手順のフローチャートである。本処理内容は、一定間隔、例えば５０ｍｓｅｃ毎に連続的に行われる。

まず、ステップＳ７００で、自車両の走行状態を検出する。ここで、自車両の走行状態として、車速センサ３０によって検出される自車速Ｖ、レーザレーダ１０によって検出される先行車の有無、加速度センサ３５によって検出される前後加速度ｘｇを取得する。さらに、前後加速度ｘｇを９．８m/s²で除算することにより、Ｇ値を算出する。また、前後加速度ｘｇを時間微分することにより、ジャーク値を算出する。前後加速度ｘｇやジャーク値は、車両発進時の乗りごごちや不快感を表す主な指標である。

ステップＳ７０５では、運転者の操作状態を検出する。ここで、運転者の操作状態として、アクセルペダルストロークセンサ５５によって検出されるアクセルペダル操作量を取得する。さらに、アクセルペダル操作量を時間微分することにより、アクセルペダル操作速度を算出する。

ステップＳ７０６では、自車両が存在する道路の状態を取得する。具体的には、自車両が存在する道路の形状を、ナビゲーションシステム５０や前方カメラ１５の撮像画像から取得する。

ステップＳ７１０では、自車両の走行シーン判断を行う。車両走行状態や運転者の操作状態といった条件を限定して運転診断の精度向上を図るとともに、運転診断結果に応じて情報提供を行う際に運転者に与える違和感を軽減するために、自車両の走行シーンを判断し、特定の走行シーンである場合のみ、運転診断を行うようにする。具体的には、前方に障害物の存在しない状態で停車から発進を行う走行シーンに限定して、運転診断を行う。

単独発進の走行シーンの条件の一例は、以下の通りである。
（ａ）レーザレーダ１０の検知領域内に先行車が存在しないこと
（ｂ）自車両の存在する道路がほぼ直線路（Ｒ≧800ｍ）であること
（ｃ）停車状態（自車速0ｋｍ/ｈ）からの発進直後であること（例えば発進後、10秒以内）
これら（ａ）〜（ｃ）の条件が全て満たされると、自車両が単独で発進する走行シーンであると判断し、運転診断を行うためにステップＳ７１２へ進む。一方、（ａ）〜（ｃ）のいずれかの条件が満たされない場合は、特定の走行シーンに該当しないと判断し、運転診断は行わずにこの処理を終了する。

ステップＳ７１２では、走行場所の判断を行う。ステップＳ７１４では、現在時刻の記録を行う。ステップＳ７１５では、停車状態から発進して１０秒以内における、発進時加速特性指標の最大値を算出する。発進時加速特性を表す指標としては、例えば前後加速度ｘｇ、Ｇ値、ジャーク値、アクセルペダル操作量、およびアクセルペダル操作速度等が挙げられるが、ここでは、前後加速度ｘｇを用いる場合を例として説明する。

ステップＳ７１６では、ステップＳ７１２およびＳ７１４のラベリング結果に基づいて、運転者の運転診断を行うために用いるデータを保存する。ここでは、例えば、リンクＩＤごとに現在時刻、すなわちそのリンクを走行した時刻、走行距離、リンク内の発進時加速特性指標、そのリンクの走行回数等を構造体形式に書き込み、走行道路データベースを構築する。

つづくステップＳ７２０では、ステップＳ７１６で保存したデータを用いて運転者の運転診断を行う。運転診断は、単独発進の走行シーンにおける加速特性に基づいて行う。運転診断処理では、図６６に示すデータ構造のＡ層〜Ｄ層のそれぞれのデータを用いて、異なるタイムスパンでの運転、すなわち、「このとき」「この日」「普段」の運転者の運転を見極める。ステップＳ７２０で実行される運転診断処理を、図８９のフローチャートを用いて詳細に説明する。

ステップＳ７２２では、運転者の「このとき」の運転診断を行うために、「このとき」の運転者の発進時加速特性値を算出する。運転者の発進時加速特性値として、「このとき」を定義する所定期間内の前後加速度ｘｇの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、「このとき」を定義する所定期間は、例えば直近３回の発進時とし、直近３回の発進時に検出されたデータを用いて（データ個数Ｋ＝３）、前後加速度ｘｇの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。平均値Mean_x(n)と標準偏差Stdev_x(n)は、第７の実施の形態と同様に、（式３９）（式４１）を利用してそれぞれ算出することができる。

ステップＳ７２４では、運転者の「この日」の運転診断を行うために、「この日」の運転者の発進時加速特性値、すなわち、「この日」を定義する所定期間内の前後加速度ｘｇの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、「この日」を定義する所定期間は、例えば直近１８回とし、直近１８回の発進時に検出されたデータを用いて（データ個数Ｋ＝１８）、前後加速度ｘｇの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。

ステップＳ７２６では、運転者の「普段」の運転診断を行うために、「普段」の運転者の発進時加速特性値、すなわち、「普段」を定義する所定期間内の前後加速度ｘｇの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。ここで、「普段」を定義する所定期間は、例えば直近１０８回とし、直近１０８回の発進時に検出されたデータを用いて（データ個数Ｋ＝１０８）、前後加速度ｘｇの平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。

具体的には、「このとき」と同じように、上記（式３９）および（式４１）を用いて平均値Mean_x(n)と標準偏差Stdev_x(n)を算出する。

続くステップＳ７２８以降の処理では、ステップＳ７２２，Ｓ７２４，Ｓ７２６で算出した運転特性値を用いて運転者の運転診断を行う。ここでは、異なるタイムスパンで得られたデータに基づく運転者の運転特性をそれぞれ比較し、両者がどの程度乖離しているかに基づいて運転者の運転を診断する。すなわち、図６６に示すデータ構造において、上位層（例えばＡ層）を下位層（例えばＢ層）と比較することで、運転診断を行う。

まず、ステップＳ７２８では、「この日」の運転者の運転特性に対して「このとき」の運転者の運転特性がどの程度乖離しているかを表す逸脱度を算出する。ここで、「この日」に対する「このとき」の逸脱度は、「この日」の加速度ｘｇの分布と、「このとき」の加速度ｘｇの分布の差異を示すものである。「この日」に対する「このとき」の逸脱度を算出するために、「この日」の加速度ｘｇの分布を長時間の行動分布を表す基準の分布として用い、「このとき」の加速度ｘｇの分布を短時間の行動分布を表す比較対象の分布として用いる。ここでは、第７の実施の形態と同様に、上述した（式４７）もしくは（式５０）を利用して逸脱度Dist_diffを算出する。

このように、ステップＳ７２８で「この日」に対する「このとき」、および「普段」に対する「このとき」の逸脱度Dist_diffをそれぞれ算出した後、ステップＳ７３０へ進む。ステップＳ７３０では、ステップＳ７２８での処理と同様に、「普段」に対する「この日」の逸脱度Dist_diffを算出する。なお、ここでは、「普段」の加速度ｘｇの分布を長時間の行動分布を表す基準の分布として用い、「この日」の加速度ｘｇの分布を短時間の行動分布を表す比較対象の分布として用いる。

つづくステップＳ７３２では、ステップＳ７２８での処理と同様に、「世間一般」に対する「普段」の逸脱度Dist_diffを算出する。なお、ここでは、「世間一般」の加速度ｘｇの分布を長時間の行動分布を表す基準の分布として用い、「普段」の加速度ｘｇの分布を短時間の行動分布を表す比較対象の分布として用いる。「世間一般」の発進時加速特性値、すなわち単独発進時の加速度ｘｇの平均値および標準偏差は、固定値として予め適切な値を設定しておく。

ステップＳ７３３では、過去に検出した「この日」の発進時加速特性と、今回の「この日」の発進時加速特性とを比較して、「過去」に対する「今回」の逸脱度Dist_diffを算出する。具体的には、前回周期（例えば前日）で検出した「この日」の加速度ｘｇの分布を長時間の行動分布を表す基準の分布として用い、今回検出した「この日」の加速度ｘｇの分布を短時間の行動分布を表す比較対象の分布として、上述した（式４７）もしくは（式５０）を利用して逸脱度Dist_diffを算出する。

このように、ステップＳ７２０で異なる複数のタイムスパンで得られたデータを用いて運転者の運転診断を行った後、ステップＳ７４０へ進む。なお、以降では説明の便宜上、「この日」に対する「このとき」の逸脱度Dist_diffをDist_1、「普段」に対する「この日」の逸脱度Dist_diffをDist_2、「世間一般」に対する「普段」の逸脱度Dist_diffをDist_3、「過去のこの日」に対する「今回のこの日」の逸脱度Dist_diffをDist_4とする。

ステップＳ７４０では、ステップＳ７２０の運転診断結果に基づいて警報呈示処理を実行するか否かを判断する。ここでは、ステップＳ７２８で算出した「この日」に対する「このとき」の逸脱度Dist_1、ステップＳ７３０で算出した「普段」に対する「この日」の逸脱度Dist_2、またはステップＳ７３３で算出した「過去のこの日」に対する「今回のこの日」の逸脱度Dist_4が、警報呈示を行うか否かを判断するための閾値（たとえば０．３０）よりも大きいか否かを判定する。逸脱度Dist_1、Dist_2、またはDist_4が閾値よりも大きい場合は、ステップＳ７５０へ進み、運転者への警報呈示を行う。警報呈示を行った後、この処理を終了する。

図９０に、視覚情報により警報呈示を行う場合の表示例を示す。この日の発進時加速度の傾向（中期間の取得データ結果）を普段の発進時加速度の傾向（長期間の取得データ結果）と比較できるような表示とする。図９０においては、普段に対して今日の加速度が高い傾向にあることが示されている。

聴覚情報により警報呈示を行う場合は、逸脱度に応じた音声情報をスピーカ１３０から出力する。例えば、「普段」に対する「この日」の逸脱度Dist_2が閾値よりも大きい場合には、「発進加速度が普段より高めです」という音声を出力する。「この日」に対する「このとき」の逸脱度Dist_1が閾値よりも大きい場合は、「発進加速度が高めです」という音声を出力する。「過去のこの日」に対する「今回のこの日」の逸脱度Dist_4が閾値よりも大きい場合は、「発進加速度が以前より高めです」という音声を出力する。

ステップＳ７４０が否定判定され、警報呈示を行わない場合は、ステップＳ７６０へ進み、ステップＳ７２０の運転診断結果に基づいて指導呈示処理を実行するか否かを判断する。ここでは、ステップＳ７３２で算出した「世間一般」に対する「普段」の逸脱度Dist_3が、指導（改善示唆）呈示を行うか否かを判断するための閾値（例えば０．０７）よりも小さいか否かを判定する。

Dist_3が閾値よりも小さい場合は、ステップＳ７７０へ進み、運転者への指導呈示を行う。指導呈示を行った後、この処理を終了する。図９１に、視覚情報により指導呈示を行う場合の表示例を示す。運転者の普段の発進時加速度を世間一般の発進時加速度と比較できるような表示とする。図９１においては、世間一般に対して運転者の発進時加速度が低い特性にあることが示されている。また、「普段」の逸脱度Dist_3を点数に換算して表示することもできる。具体的には、逸脱度Dist_3の符号を反転させた後、５０を加算した値を、運転者の普段の運転操作の点数として表示ユニット１８０に表示する。

聴覚情報により指導呈示を行う場合は、例えば、「あなたの運転を分析した結果、世間一般の発進加速度より低めです」という音声を出力し、運転者が日ごろから低い車速で発進する傾向にあり、運転者の運転を褒める内容の音声を出力する。また、図７１に示したような二次元マップを用いて運転診断結果を表示することもできる。

このように以上説明した第１２の実施の形態においては、上述した第１〜１１の実施の形態による効果に加えて、以下のような作用効果を奏することができる。

運転特性を表す指標として、車両発進時の前後加速度ｘｇの最大値を利用するので、先行車が存在せず、車両発進時において的確な運転診断を行うことができる。

なお、以上説明した第１〜第１２の実施の形態においては、運転診断を行った後、運転診断結果に応じて警報呈示処理または改善示唆処理を行うように構成した。ただし、これには限定されず、車両用運転支援装置として、走行状態と運転操作から運転診断のみを行うように構成することもできる。この場合、運転診断結果は例えば運転者が所望するときのみ提示したり、データを収集する基地局等へ運転診断結果を送信するように構成することも可能である。

以上説明した第１〜第１２の実施の形態において、レーザレーダ１０、前方カメラ１５、車速センサ３０、加速度センサ３５、およびナビゲーションシステム５０が走行状態検出手段として機能し、舵角センサ５、アクセルペダルストロークセンサ５５、ブレーキペダルストロークセンサ６０、およびウィンカスイッチ６５が運転操作検出手段として機能し、コントローラ１００，２００，２５０，３００，３５０，４００が運転診断手段として機能することができる。なお、走行状態検出手段および運転操作検出手段は、これらには限定されず、例えばレーザレーダ１０の代わりに別方式のレーダを利用することもできる。なお、以上の説明はあくまで一例であり、発明を解釈する際、上記の実施形態の記載事項と特許請求の範囲の記載事項の対応関係になんら限定も拘束もされない。

５：舵角センサ、１０：レーザレーダ、１５：前方カメラ、３０：車速センサ、３５：加速度センサ、５０：ナビゲーションシステム、５５：アクセルペダル開度センサ、６０：ブレーキペダルストロークセンサ、６５：ウィンカスイッチ、１００，２００，２５０，３００，３５０，４００：コントローラ、１３０：スピーカ、１８０：表示ユニット

本発明による車両用運転支援装置は、車両の走行状態を検出する走行状態検出手段と、運転者による運転操作を検出する運転操作検出手段と、走行状態検出手段で検出される走行状態と運転操作検出手段で検出される運転操作のデータを蓄積する蓄積手段と、走行状態検出手段で検出された走行状態と運転操作検出手段によって検出された運転操作のうち、蓄積手段に蓄積された、時間的位置と範囲を限定したデータを用いて、運転者の運転特性を推定し、推定した運転特性に基づいて運転者の運転を診断する運転診断手段とを備え、運転診断手段は、走行状態検出手段で検出された走行状態と運転操作検出手段によって検出された運転操作について、時間的範囲を複数個設定し、それぞれの時間的範囲で得られるデータをリアルタイムに更新し、複数のデータ間で比較することにより運転診断を行う。
本発明による車両用運転支援装置は、車両の走行状態を検出する走行状態検出手段と、運転者による運転操作を検出する運転操作検出手段と、走行状態検出手段で検出される走行状態と運転操作検出手段で検出される運転操作のデータを蓄積する蓄積手段と、走行状態検出手段によって検出される走行状態と運転操作検出手段によって検出される運転操作のうち、蓄積手段に蓄積された、自車両が走行する空間的位置と範囲を限定したデータを用いて、運転者の運転特性を推定し、推定した運転特性に基づいて運転者の運転を診断する運転診断手段とを備え、運転診断手段は、自車両が現在走行中の空間的範囲において、走行状態と運転操作のデータを取得し、同じ空間的範囲で過去に取得・記録したデータと比較することにより、運転診断を行う。

本発明による車両用運転支援方法は、車両の走行状態を検出し、運転者による運転操作を検出し、検出された走行状態と検出された運転操作のデータを蓄積し、検出された走行状態と検出された運転操作のうち、蓄積された時間的位置と範囲を限定したデータを用いて、運転者の運転特性を推定し、推定した運転特性に基づいて運転者の運転を診断し、運転診断において、検出された走行状態と検出された運転操作について、時間的範囲を複数個設定し、それぞれの時間的範囲で得られるデータをリアルタイムに更新し、複数のデータ間で比較することにより運転診断を行う。

Claims (28)

1. 車両の走行状態を検出する走行状態検出手段と、
   運転者による運転操作を検出する運転操作検出手段と、
   前記走行状態検出手段によって検出される前記走行状態と前記運転操作検出手段によって検出される前記運転操作から、前記運転者の運転特性を推定し、推定した前記運転特性に基づいて前記運転者の運転を診断する運転診断手段とを備えることを特徴とする車両用運転支援装置。
2. 請求項１に記載の車両用運転支援装置において、
   前記走行状態検出手段で検出される前記走行状態と前記運転操作検出手段で検出される前記運転操作のデータを蓄積する蓄積手段をさらに備え、
   前記運転診断手段は、前記走行状態検出手段で検出された前記走行状態と前記運転操作検出手段によって検出された前記運転操作のうち、前記蓄積手段に蓄積された、時間的位置と範囲を限定したデータを用いて、運転診断を行うことを特徴とする車両用運転支援装置。
3. 請求項１に記載の車両用運転支援装置において、
   前記走行状態検出手段で検出される前記走行状態と前記運転操作検出手段で検出される前記運転操作のデータを蓄積する蓄積手段をさらに備え、
   前記運転診断手段は、前記走行状態検出手段で検出された前記走行状態と前記運転操作検出手段によって検出された前記運転操作のうち、前記蓄積手段に蓄積された、自車両が走行する空間的位置と範囲を限定したデータを用いて、運転診断を行うことを特徴とする車両用運転支援装置。
4. 請求項１に記載の車両用運転支援装置において、
   前記走行状態検出手段で検出される前記走行状態と前記運転操作検出手段で検出される前記運転操作のデータを蓄積する蓄積手段をさらに備え、
   前記運転診断手段は、前記走行状態検出手段で検出された前記走行状態と前記運転操作検出手段によって検出された前記運転操作のデータが所定量以上蓄積されると、蓄積されたデータを用いて運転診断を行うことを特徴とする車両用運転支援装置。
5. 請求項２に記載の車両用運転支援装置において、
   前記運転診断手段は、前記走行状態検出手段で検出された前記走行状態と前記運転操作検出手段によって検出された前記運転操作について、時間的範囲を複数個設定し、それぞれの時間的範囲で得られるデータをリアルタイムに更新し、複数のデータ間で比較することにより運転診断を行うことを特徴とする車両用運転支援装置。
6. 請求項５に記載の車両用運転支援装置において、
   前記運転診断手段は、現在の走行状態と運転操作を示す第１の時間帯のデータと、その日の走行状態と運転操作を示し前記第１の時間帯よりも長い第２の時間帯のデータを取得し、前記第１の時間帯のデータと前記第２の時間帯のデータとを比較することにより、運転診断を行うことを特徴とする車両用運転支援装置。
7. 請求項５に記載の車両用運転支援装置において、
   前記運転診断手段は、前記運転者の普段の走行状態と運転操作を示すデータを取得し、前記データを取得した時間的範囲以外の時間的範囲で得られた別のデータと比較することにより、運転診断を行うことを特徴とする車両用運転支援装置。
8. 請求項３に記載の車両用運転支援装置において、
   前記運転診断手段は、自車両が現在走行中の空間的範囲において、前記走行状態と前記運転操作のデータを取得し、同じ空間的範囲で過去に取得・記録したデータと比較することにより、運転診断を行うことを特徴とする車両用運転支援装置。
9. 請求項１から請求項８のいずれか１項に記載の車両用運転支援装置において、
   前記運転診断手段は、前記走行状態と前記運転操作のデータから、前記運転特性を表す運転操作データの分布を再帰的に算出することを特徴とする車両用運転支援装置。
10. 請求項５に記載の車両用運転支援装置において、
    前記運転診断手段は、前記時間的範囲の異なる複数のデータから、前記運転特性として、異なる時定数を持つ複数の運転操作データの分布をそれぞれ再帰的に算出することを特徴とする車両用運転支援装置。
11. 請求項９に記載の車両用運転支援装置において、
    前記運転診断手段は、前記運転操作データの分布として、確率密度関数を再帰的に算出することを特徴とする車両用運転支援装置。
12. 請求項１０に記載の車両用運転支援装置において、
    前記運転診断手段は、前記運転操作データの分布として、異なる時定数を持つ複数の確率密度関数をそれぞれ再帰的に算出することを特徴とする車両用運転支援装置。
13. 請求項５に記載の車両用運転支援装置において、
    前記運転診断手段は、前記時間的範囲の異なる複数のデータ間の所定範囲の値の差分から、運転診断を行うことを特徴とする車両用運転支援装置。
14. 請求項５に記載の車両用運転支援装置において、
    前記運転診断手段は、前記時間的範囲の異なる複数のデータの分布を比較し、分布の一致度合より運転診断を行うことを特徴とする車両用運転支援装置。
15. 請求項５に記載の車両用運転支援装置において、
    前記運転診断手段は、前記時間的範囲の異なる複数のデータの分布をそれぞれ所定の形状であると仮定し、その分布パラメータを求めることにより複数のデータ分布を算出することを特徴とする車両用運転支援装置。
16. 請求項１３に記載の車両用運転支援装置において、
    前記運転診断手段は、前記複数のデータのそれぞれについてデータ分布を算出し、算出した複数のデータ分布のうちの基準となるデータ分布から前記所定範囲を設定し、設定した前記所定範囲における前記複数のデータ間の値の差分により、運転診断を行うことを特徴とする車両用運転支援装置。
17. 請求項１６に記載の車両用運転支援装置において、
    前記運転診断手段は、前記複数のデータのうち、時間的範囲が最も広いデータから算出されたデータ分布を前記基準となるデータ分布として用いることを特徴とする車両用運転支援装置。
18. 請求項１から請求項１７のいずれか１項に記載の車両用運転支援装置において、
    前記運転診断手段は、前記運転特性を表す指標として、自車両が先行車に追従して走行する場合の前記自車両と前記先行車との車間時間を算出することを特徴とする車両用運転支援装置。
19. 請求項１から請求項１７のいずれか１項に記載の車両用運転支援装置において、
    前記運転操作検出手段は、前記運転操作として操舵角を検出し、
    前記運転診断手段は、前記運転特性を表す指標として、前記検出された操舵角を用いて前記運転者による操舵操作の不安定度を表す操舵角エントロピーを算出することを特徴とする車両用運転支援装置。
20. 請求項１から請求項１７のいずれか１項に記載の車両用運転支援装置において、
    前記運転操作検出手段は、前記運転操作としてアクセルペダル操作量を検出し、
    前記運転診断手段は、前記運転特性を表す指標として、前記検出されたアクセルペダル操作量を用いて、前記運転者によるアクセルペダル操作の不安定度を表すアクセルペダル開度エントロピーを算出することを特徴とする車両用運転支援装置。
21. 請求項１から請求項９、請求項１１、請求項１３から請求項１７のいずれか１項に記載の車両用運転支援装置において、
    前記運転診断手段は、前記運転特性を表す指標として、アクセルペダルが解放されたときの自車両と先行車との余裕時間を算出することを特徴とする車両用運転支援装置。
22. 請求項１から請求項９、請求項１１、請求項１３から請求項１７のいずれか１項に記載の車両用運転支援装置において、
    前記運転診断手段は、前記運転特性を表す指標として、修正操舵が行われたときの、自車両が走行レーンから逸脱するまでのレーン逸脱時間を算出することを特徴とする車両用運転支援装置。
23. 請求項１から請求項９、請求項１１、請求項１３から請求項１７のいずれか１項に記載の車両用運転支援装置において、
    前記運転診断手段は、前記運転特性を表す指標として、単独走行時の自車速を用いることを特徴とする車両用運転支援装置。
24. 請求項１から請求項９、請求項１１、請求項１３から請求項１７のいずれか１項に記載の車両用運転支援装置において、
    前記運転診断手段は、前記運転特性を表す指標として、自車両発進時の最大加速度を用いることを特徴とする車両用運転支援装置。
25. 請求項１から請求項９、請求項１１、請求項１３から請求項１７のいずれか１項に記載の車両用運転支援装置において、
    前記運転診断手段は、前記運転特性を表す指標として、ブレーキ操作時の自車両と先行車との最低余裕時間を算出することを特徴とする車両用運転支援装置。
26. 請求項１から請求項９、請求項１１、請求項１３から請求項１７のいずれか１項に記載の車両用運転支援装置において、
    前記運転診断手段は、前記運転特性を表す指標として、追越中の自車両と先行車との最低車間距離を用いることを特徴とする車両用運転支援装置。
27. 車両の走行状態を検出し、
    運転者による運転操作を検出し、
    検出された前記走行状態と検出された前記運転操作から、前記運転者の運転特性を推定し、推定した前記運転特性に基づいて前記運転者の運転を診断することを特徴とする車両用運転支援方法。
28. 請求項１から請求項２７のいずれか１項に記載の車両用運転支援装置を備えることを特徴とする車両。

Images