JP2013196601A - 予測システム - Google Patents
予測システム Download PDFInfo
- Publication number
- JP2013196601A JP2013196601A JP2012065585A JP2012065585A JP2013196601A JP 2013196601 A JP2013196601 A JP 2013196601A JP 2012065585 A JP2012065585 A JP 2012065585A JP 2012065585 A JP2012065585 A JP 2012065585A JP 2013196601 A JP2013196601 A JP 2013196601A
- Authority
- JP
- Japan
- Prior art keywords
- time
- pedestrian
- spatiotemporal
- prediction
- learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【解決手段】危険予知システム1では、過去において歩行者が移動した移動経路の位置を示す移動経路位置と、移動経路位置に歩行者が存在した時間とが対応付けられた時空間軌道を示す時空間軌道データ、および歩行者の属性を示す歩行者属性データが、複数の歩行者毎に記憶された人流れデータベース12を用いて学習した学習結果を取得し、走行予定経路上の代表点QI(I=1,2,・・・・,IQ)と通過時間が指定された場合に、学習結果に基づいて、代表点QIにおいて移動体が出現する可能性を示す全歩行者確信度CIを予測する。
【選択図】図1
Description
[1. 概要]
本発明が適用された危険予知システム1は、過去の人の流れデータを学習し、予定する走行経路上の日時場所において遭遇する歩行者の数および属性を予測することにより、衝突回避のための危険予知を行うシステムである。
(1)人の存在と属性に関する確信度が時間と場所に回帰すると仮定して人の流れデータを学習し、走行経路上でいつどこに人が出現するかを予測する。
(4)或るエリアで学習対象となる人の数が少ない場合、異なるエリアであってもエリア内の人数の時間変化パターンが歩行者属性(目的、職業、年齢、性別)の個々について似ている場合は学習データとして使用する。
走行予定経路上で歩行者と遭遇する可能性を予測し、運転者に警報を発する運転支援装置に応用する。
本発明が適用された危険予知システム1は、図1に示すように、データベース部10と学習部20と条件設定部30と予測部40を備える。
カーナビゲーション装置11は、車両の現在位置を検出する位置検出器(不図示)と、地図データや各種の情報を記憶可能なデータ記憶装置(不図示)と、ユーザからの各種指示を入力するための操作スイッチ(不図示)と、地図表示画面やTV画面等の各種表示を行うための表示装置(不図示)を備える。そしてカーナビゲーション装置11は、位置検出器の検出結果に基づき車両の現在位置を算出し、データ記憶装置から読み込んだ現在位置付近の地図等を表示装置に表示する地図表示機能を備える。またカーナビゲーション装置11は、操作スイッチの操作に従って目的地を特定し、現在位置から目的地までの最適な走行予定経路を自動的に求める経路計算を行って経路案内を行う経路案内機能を備える。
時空間軌道データ抽出・加工部14は、人の流れデータを人流れデータベース12から抽出し、抽出した人の流れデータを加工することにより、状態行列(後述)と歩行者属性の確信度行列(後述)を作成する。
データ学習部21は、データベース部10で作成された状態行列と確信度行列を用いた学習により、予測特性を示す予測関数を作成する。
予測特性制御部23は、データ学習部21で作成された予測関数か、予測特性データベース22に記憶された予測関数の何れかを、歩行者確信度の算出に用いる予測関数として選択する。
予測条件設定部31は、カーナビゲーション装置11を通じて走行予定経路を通過位置と時間で設定する。
予測部40は、歩行者経路推定部41と、歩行者確信度算出部42と、時空間距離計算部43と、危険度算出部44と、報知部45を備える。
歩行者確信度算出部42は、走行予定軌道マッピング部32で設定された個々の代表点QIについて、歩行者経路推定部41で設定された全て経路についての歩行者確信度を算出する。
危険度算出部44は、歩行者確信度算出部42で算出された歩行者確信度と、時空間距離計算部43で算出された時空間距離と、カーナビゲーション装置11からの各種情報とに基づいて、危険度を算出する。
[3.危険予知処理]
次に、危険予知システム1が実行する危険予知処理の手順の概略を説明する。
その後S200にて、S160またはS170で設定したクラス番号jcに対応するRI個の時空間点について、以下のように歩行者属性に基づく4つのカテゴリ(A),(B),(C),(D)に関する計算を行う。
(B)目的別に確信度の総和をとる。
(C)職業別に確信度の総和をとる。
そしてS210にて、全てのクラスについて歩行者確信度を算出したか否かを判断する。ここで、全てのクラスについて歩行者確信度を算出していない場合には(S210:NO)、S190に移行して、上述の処理を繰り返す。一方、全てのクラスについて歩行者確信度を算出した場合には(S210:YES)、S220にて、QIにおける全クラスの積算値を上記(A),(B),(C),(D)のカテゴリについて算出する。また、それらを合計して全カテゴリに関する和を求め、これをQIにおける全歩行者確信度CIとする。
[4. 出現予測]
危険予知システム1は、図4に示すように、人の流れデータを時空間軌道として解釈し、データベースの構築、学習、予測という3段階で歩行者の出現予測を行う。以下にその詳細を説明する。
[4−1−1. 対象エリアの選択]
予測対象とするエリアを選択する。まず基準点の位置座標を経度と緯度で表し、それを中心とする例えば1km四方をターゲットエリアとする。
まず、上記ターゲットエリアにおける人のID(以下、PIDという)をPTデータベースから検索する。検索対象となるPTデータベースは、2001年に中京圏26万人を対象として調査された01CHUである。いま、日時に2001年10月1日を設定し、例えば1時間毎のターゲットエリア内のPIDリストを作成する。これにより、1日におけるエリア内の歩行者数の時間変化がわかる。例えば通勤通学時のサンプル時刻として午前8時を選ぶ。
上記PIDリストには8時0分にエリア内に存在した人(のうち、01CHUの調査に参加した人)K人のPIDが記載されているので、これをもとに全ての人について8時から23時59分までの移動経路を1分間隔のPTデータの時系列として検索し、K個の時空間軌道のファイルを得る。ここには、移動経路のみならず、各人の属性(年齢、性別、職業、目的)が記載されている。
上記のK個の時空間軌道ファイルから経度緯度の時系列を1行としてK行の行列を作成することができる。このとき、行方向は時間を表し、T列の経度情報とT列の緯度情報を1行に並べる。したがって、この状態行列Xのサイズは(K×2T)となる。今回、計算負荷低減のため2分毎に時間軸の代表点をとり、その位置データと1分後の位置データとの平均をとることで、T=480とした。
PTデータに含まれる歩行者属性は年齢、性別、職業、目的で合計70次元とする(01CHUの場合)。この歩行者属性が歩行者の確信度を構成すると仮定し、その確信度が時間と位置を説明変数として推定されるというモデルを考える。すなわち、確信度行列Y(K×L)は一般的にY=f(X)と表現され、特にfを線形回帰で表現すればY=XBと表現できる。ただし、Bは線形回帰係数で構成される行列であり、サイズは(2T×L)となる。ただし、L=70であり、学習時の確信度の値は0か1のいずれかである。
多変量線形回帰分析におけるよく知られた手法により、回帰係数行列Bを最小2乗推定で求めると、B=(XTX)-1XTYとなる。このBがPTデータの学習によって得られた、歩行者時空間分布の予測特性となる。
上記の状態行列Xの行サイズKがK<2Tである場合、すなわち時空間軌道のデータ数Kが十分に獲得できない場合は、最小2乗推定における共分散行列S=XTX(サイズは2T×2T)に対して逆行列S-1がランクの問題で順当に計算できなくなる。この場合の対処には以下の方法が考えられる。
(方法2)…「笹木, “人の時空間分布を予報するシステム - 実現可能性の検討 - “, 信学技報ITS2010-76 (2011-03).」で示した方法と同様に、観測状態に主成分分析を施し、上位K個の主成分で構成される固有空間で最小2乗推定を行う。
上記の(方法2)と(方法3)は既知の方法であるので割愛し、以下、(方法1)に関する提案を述べる。
上記ではT=480とし、2分間隔で16時間分の位置データ(経度および緯度の中心位置からの差分値)を学習することを想定した(図5を参照)。しかし、Sを正則にするためのデータ数の最小値Kmin=2Tに対応する960人分のデータを或る時刻に1km四方のエリアで収集することは、よほどの密集地(例えば新宿や渋谷など)でない限り困難である。
走行時間帯におけるデータを高い時間密度(理想的には1分間隔)でサンプルし、その他の時間帯では低い時間密度でサンプルすることにより、(A)よりも広い時間範囲の軌道データを学習することができる(図5を参照)。ただし、走行時間帯のサンプル時刻数と走行時間帯以外のサンプル時刻数の配分(サンプリングの密度関数)は設計者の知見に基づいて任意に設定できる(図6を参照)。
これは、(B)で設定したサンプル時刻のパターンを複数個定義し、各パターンで学習した結果を多変量線形回帰分析の線形性により合成するというものである。これにより、異なる移動パターンを持つ集団を異なるサンプルパターンで学習し、個々の学習結果を重ね合わせることが可能になるため、(B)よりもさらに柔軟な適応化ができると考えられる。
[4−1−8. 類似エリアの利用]
対象とするエリアAのPTデータが少ない場合、上記のように状態行列の次元を低次元化する方法もあるが、類似エリアA’のデータで代用することも考えられる。類似エリアであるかどうかの判定は、エリア内の歩行者属性ごとの集計人数の時間変化パターンが対象エリアと類似しているかどうかを時系列相関の値と平均値の近さで判定する。AとA’はその道路構造と集客施設の配置において差異があると考えられるが、主要な道路リンク(駅から学校までの道、銀行までの道、病院までの道など)についてエリア中心から集客施設までの距離の差が或るしきい値以下の場合のみAとA’を対応付け、A’のリンク上に時刻t’に存在する人の流れの進度r(0以上1以下)をAの道路リンク上の進度rに対応させ、その位置座標x(r)において時刻t’に歩行者が存在したという擬似データを生成することで擬似的な学習データとする(図7を参照)。
[4−2−1. 自車走行経路の設定]
自車の走行経路は、上記の対象エリアからあまり外れない範囲で自由に設定できる。
上記の自車走行経路上の個々の代表点を通過しうる歩行者の経路を設定し、その全ての経路について歩行者確信度の総和を取る。歩行者の移動経路をこのようなモデルで設定すると、道路構造や地理条件がない場合でも大まかに危険範囲内の確信度を算出できる。
上記の70次元の属性について個々の属性で規定される歩行者がどの程度の確信度で想定経路を通過したかは、回帰係数行列Bの線形性に基づき、走行予定経路上の上記代表点について設定した状態ベクトルXsにBの部分行列Bsを作用させることで求められる。また、全ての属性についてその総和をとれば、或る代表点において遭遇する歩行者の全確信度(ただし、相対値)を確率的な出現頻度として算出できる。これが、最も簡単な危険度の予測値(単純危険度)となる。
代表点を中心とする上記の有限個の歩行者経路モデルは歩行者属性を用いることで動的かつ適応的に生成できる。例えば、年齢が20歳以上25歳までは歩行速度5.0km/h、70歳以上は2.5km/hといったように、年齢によって平均歩行速度に差異を設けることにより、同じ時間範囲に対する危険範囲は2倍程度変わってくる。
[4−3−1. 単純危険度]
歩行者出現頻度が高いほど危険度が高いとする危険度を単純危険度と呼ぶことにする。しかし、単純危険度では、次のような場合の危険度を正しく表現できない。
・車道との距離は近いが、ガードレールや歩道橋、地下道、あるいはビルなどの建造物の内部、車道から見て壁やフェンスの向こう側、違うフロアなどに歩行者がいる場合
・車道が高速道路などのように歩行者が侵入できない構造になっている場合
・横断歩道や信号機などの交通施設が充実している場合
そこで、次の危険度を考える。
例えば走行予定経路周辺で歩行者の出現頻度が非常に0に近い少数の場合、運転者が想定しないような歩行者出現がなされる場合がある。この“想定外”を認知困難と解釈すれば、それは以下の要因に起因する。
(a1)出現統計を運転者が全く知らない場合
(a2)出現統計そのものがモデリング不可能で乱数に近い場合
例えば住宅街などでは、歩行者の出現箇所が特定困難であり、要注意である。
(C)認知困難あるいは予想困難な歩行者挙動
すなわち、認知困難という状況を生み出すのは、「認知対象側(歩行者など)」と「認知する側(運転者)」の両方が作用した結果と考えられる。しかし、実際はこれらの認知困難の大半が運転者側のヒューマンエラーであるとして処理されるため、危険予知に関する研究の多くがヒューマンエラーの検出を主たるテーマとしてきた。ところが、実際上は仮に運転者が完璧であったとしても回避できない状況が存在する。例えば直前の子供の飛び出しなどがそれに相当する。
PR:歩行者の車両に対する認知可能性
PA:歩行者が車両を回避できる可能性(車両の認知は完全に行われていると仮定)
VR:車載装置の歩行者に対する認知可能性
VA:車両が歩行者を回避できる可能性(歩行者の認知は完全に行われていると仮定)
DR:運転者の歩行者に対する認知可能性
DA:運転者が歩行者を回避できる可能性(歩行者の認知は完全に行われていると仮定)
これらの各要因を確率値とみなし、0から1の間の値で表現すると、例えば下式(1)により、認知可能性と回避可能性に注目した危険度を最小値0、最大値100として算出できる。ここで、wX(X=P,V,D) は荷重係数である。
以下、RA−PVD危険度を変化させる要因を列挙し、簡単に説明する。
[4−3−3. 車両要因]
(1)自車速度
一般に、車両の速度が高速であるほど上記のP,V,Dに起因する認知可能性と回避可能性は低くなり、RA−PVD危険度は増大する。
車両の大きさや重量は衝突断面積と運動エネルギーの観点から、建造物の破壊や人体の損傷の度合いに影響するとともに、RA−PVD危険度を変化させる。その他、以下の項目も類似の傾向がある。
・車両構造上の死角(後方、測方、他)
(3)その他
以下の項目は特に回避可能性に影響を与える。
[4−3−4. 道路環境要因]
[4−3−4−1. 道路要因]
(1)道路幅
人の流れが大きい場所では一般に道路幅が広く、歩道やガードレール、信号機なども整備されているケースが多い。そのようなエリアでは見通しもよく、認知困難性に基づく事故発生の確率は比較的低い。ただし、人の流れが大きい道路は集客性の高い施設(駅、学校、病院など)への収束路でもあるので、それに至る支流で道幅の狭い道路、見通しの悪い交差点などは認知困難な歩行者出現が起こる可能性がある。したがって、道路幅が大きいと単純危険度は大きくなる傾向にあるが、道路幅が小さいとRA−PVD危険度を増大させると考えられる。
また、等価的に実効的な道路幅を狭める要因として、障害物、駐車車両、対向車、街路樹、交通標識などが上げられる。
路面状況が悪いと、認知、回避の両面に悪影響を与えるため、RA−PVD危険度は増大する。雪道、雨、凍結、台風、がけ崩れ、増水、冠水などに起因した、「滑りやすい」、「見通しがきかない」、「運転困難」などの状況がそれに相当する。
勾配が大きいほどRA−PVD危険度は増大すると考えられる。
分岐数が大きいほどRA−PVD危険度は増大すると考えられる。
曲率、道路標示の有無、側溝の有無、路肩幅員などが要因としてあげられる。
[4−3−4−2. 交通施設]
次のような交通施設がある場合は、歩行者と走行経路との時空間距離が小さくても、複合危険度を小さく設定できる。
信号機がない場合、歩行者側の横断判断に委ねられるが、この場合、単純に考えれば、出現頻度が高いほど事故発生確率は高いはずである。ところが、運転者側がある程度の認知判断能力を有する場合が大半であるので、出現頻度が高くても大抵の場合は衝突が回避される。出現頻度が高いことが逆に運転者側の注意を喚起するというしくみも作動する。すなわち、単純危険度の増大がRA−PVD危険度を減少させるケースとなる。
回避可能性は上がるが、認知可能性は低下する。一般的には前者の効果が大きく、総合的にはRA−PVD危険度は下がると見られる。ただし、車両速度や道路幅、車両の大きさおよびヒューマンエラーによって危険度は増大する。
歩道がない場合よりはあるほうがRA−PVD危険度は小さくなる。
(4)歩道橋
ほぼ危険度は0に近くなる。
横断歩道がない場合よりはあるほうがRA−PVD危険度は小さくなる。
(6)地下道
ほぼ危険度は0に近くなる。
標識、ミラー、遮断機の有無あるいは不良状態が危険度に影響する。
[4−3−5. 交通状況要因]
交通量、渋滞、車線内の位置関係、救急車両の有無、不当な追い越し、ふらつき、大型車両による死角や二輪車による死角からの出現、蛇行運転、取り締まりの有無、信号のタイミングなどが危険度に影響を与えると考えられる。
建物、山、川、街路樹、起伏、海岸、湖岸、平地、田園、住宅街、観光地、城、官公庁、会社、工場、駅、港、公園、病院、学校、スクールゾーン、商店街、銀行、ショッピングセンター、都市構造などをキーワードとして認知可能性、回避可能性、人の流れなどに影響を与え、危険度を変化させると考えられる。
(1)出現形態
これは上述の「人の流れ」で扱われているので省略する。
人の動き、歩行速度、動作、違法性、飛び出し、ふらつき、不注意、行動特性(特に児童や不審者など予想がつきにくい者)などをキーワードとして危険度に影響を与える。
通学団、通勤集団、都市部の回遊行動、デモ、パレード、行列、イベントへの集結、デパートや駅への入出の群れなどをキーワードとして危険度に影響を与える。
歩行者の特徴を記述する属性情報として、年齢、性別、住所、職業、目的、交通手段、視力、聴力、体格、性格、趣味などがあげられる。これらはいずれも危険度に影響を与えるが、プライバシーに比較的影響の少ない範囲で収集可能な属性はすでに上述したようにPTデータに記載されている{年齢、性別、住所、職業、目的、交通手段}である。これらはすでに上記で扱っているので割愛する。
(1)運転者
運転者のヒューマンエラーに関してはすでに多くの研究業績があるので本実施形態では直接扱わない。危険度に関連するキーワードは、高齢者、情報不足、安全確認不履行、運転技量、無免許、ミラー確認不履行、挙動の違法性、飲酒運転、体調不良、睡眠不足、精神状態、あせり、急ぎ、思い込み、アクセル・ハンドル・ブレーキの誤操作、などである。さらに、上述の歩行者要因で述べたのと同様の個人属性(プロファイル)も影響する。
子供、高齢者、シートベルト、などが危険度に関連するキーワードとなる。さらに、上述の歩行者要因で述べたのと同様の個人属性(プロファイル)も影響する。
上述の[4−1−6. 回帰係数行列の推定]で得られた回帰係数行列Bを走行予定経路のみならず対象エリアの全域にわたって適用すれば、状態行列Xの列サイズ2Tの半分に割り当てられたT個のサンプル時刻について、70次元の歩行者確信度ベクトルの空間分布が得られる。この段階では個々の確信度ベクトルは複数の歩行者を複合して表しているため、個々の歩行者の時空間軌道を再現することはできていない。しかし、ある時空間範囲(例えば上述の走行経路周辺の危険範囲)内の歩行者確信度ベクトルc(70×1)について「20代、女性、買い物目的、会社員」といった歩行者クラスを表す70次元の確信度ベクトルcqとの内積で表される評価関数p=cTcqを用いて各時刻のpが極大値を取る位置座標を連結し、時空間的に連続な点列が抽出できれば、それは「20代、女性、買い物目的、会社員」である歩行者の時空間軌道の候補とすることができる(図8を参照)。
本実施形態の危険予知システム1では、過去において歩行者が移動した移動経路の位置を示す移動経路位置と、移動経路位置に歩行者が存在した時間とが対応付けられた時空間軌道を示す時空間軌道データ、および歩行者の属性を示す歩行者属性データが、複数の歩行者毎に記憶された人流れデータベース12を用いて学習した学習結果を取得し(S40,S90)、走行予定経路上の代表点QI(I=1,2,・・・・,IQ)と通過時間が指定された場合に、学習結果に基づいて、代表点QIにおいて歩行者が出現する可能性を示す全歩行者確信度CIを予測する(S100〜S220)。
Claims (6)
- 過去において移動体が移動した移動経路の位置を示す移動経路位置と、前記移動経路位置に前記移動体が存在した時間とが対応付けられた時空間軌道を示す時空間軌道データ、および前記移動体の属性を示す移動体属性データが、複数の前記移動体毎に記憶された移動体データベース(12)を用いて学習した学習結果を取得する取得手段(S10〜S90)と、
時間と位置とを示す時空間点が指定された場合に、指定された前記時空間点を指定時空間点とし、前記取得手段により取得された学習結果に基づいて、前記指定時空間点において前記移動体が出現する可能性を予測する予測手段(S100〜S220)とを備える
ことを特徴とする予測システム(1)。 - 前記移動体は人間であり、
前記学習結果は、
前記人間の存在と属性に関する確信度が時間と場所に回帰すると仮定した回帰分析により学習した結果であり、
前記予測手段は、車両が走行を予定している経路である走行予定経路の少なくとも一部を前記指定時空間点とし、前記指定時空間点において前記人間が出現する可能性として前記確信度を算出する
ことを特徴とする請求項1に記載の予測システム。 - 前記予測手段は、前記走行予定経路のうち前記指定時空間点として指定された部分を含む予め設定された時空間範囲内の複数の前記時空間点で前記確信度を算出し、
前記複数の前記時空間点で算出された前記確信度の総和を危険度として算出する危険度算出手段(S220)を備える
ことを特徴とする請求項2に記載の予測システム。 - 前記予測手段は、
性別、年齢、および交通手段で構成するクラスに応じて前記時空間範囲を変化させる
ことを特徴とする請求項3に記載の予測システム。 - 前記取得手段は、
前記時空間範囲内において学習対象となる前記移動体の数が少ない場合には、前記時空間範囲の時間帯において、その他の時間帯よりも高い時間密度でサンプリングすることによって、前記回帰分析の状態行列を低次元化することで学習し、この結果を前記学習結果として取得する
ことを特徴とする請求項3または請求項4に記載の予測システム。 - 前記取得手段は、
前記時空間範囲内において学習対象となる歩行者の数が少ない場合には、前記歩行者の移動パターンが前記時空間範囲と類似する他のエリアでのデータを前記移動体データベースから抽出して、抽出したデータを用いて学習し、この結果を前記学習結果として取得する
ことを特徴とする請求項3または請求項4に記載の予測システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012065585A JP5838879B2 (ja) | 2012-03-22 | 2012-03-22 | 予測システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012065585A JP5838879B2 (ja) | 2012-03-22 | 2012-03-22 | 予測システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2013196601A true JP2013196601A (ja) | 2013-09-30 |
JP5838879B2 JP5838879B2 (ja) | 2016-01-06 |
Family
ID=49395406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012065585A Expired - Fee Related JP5838879B2 (ja) | 2012-03-22 | 2012-03-22 | 予測システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5838879B2 (ja) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106414221A (zh) * | 2014-05-08 | 2017-02-15 | 沃尔沃汽车公司 | 用于提供对象预测表示的方法 |
CN107010086A (zh) * | 2017-03-29 | 2017-08-04 | 宁夏凯速德科技有限公司 | 高铁线路安全控制方法及系统 |
US10166677B2 (en) | 2014-12-26 | 2019-01-01 | Honda Motor Co., Ltd. | State prediction system |
JP2019125261A (ja) * | 2018-01-18 | 2019-07-25 | 日本電信電話株式会社 | データ作成装置、パラメータ推定装置、経路別人数推定装置、データ作成方法、パラメータ推定方法、経路別人数推定方法及びプログラム |
JP2019149855A (ja) * | 2018-02-26 | 2019-09-05 | 日本電気株式会社 | 情報処理装置 |
JP2020066365A (ja) * | 2018-10-25 | 2020-04-30 | 国立研究開発法人宇宙航空研究開発機構 | 予測装置、予測方法、及び予測プログラム |
WO2020136978A1 (ja) * | 2018-12-27 | 2020-07-02 | 本田技研工業株式会社 | 経路決定方法 |
CN112215423A (zh) * | 2020-10-13 | 2021-01-12 | 西安交通大学 | 一种基于趋势引导与稀疏交互的行人轨迹预测方法及系统 |
KR20210034096A (ko) * | 2018-08-20 | 2021-03-29 | 웨이모 엘엘씨 | 자율주행 차량들을 위한 행렬들의 검출 및 그에 대한 대응 |
JP2022009309A (ja) * | 2018-01-18 | 2022-01-14 | 日本電信電話株式会社 | パラメータ推定装置、経路別人数推定装置、パラメータ推定方法、経路別人数推定方法及びプログラム |
CN114241765A (zh) * | 2021-12-15 | 2022-03-25 | 重庆中信科信息技术有限公司 | 基于时空逻辑的定向车道交通违法分析方法、装置及存储介质 |
US11645916B2 (en) | 2017-12-18 | 2023-05-09 | Hitachi Astemo, Ltd. | Moving body behavior prediction device and moving body behavior prediction method |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101785823B1 (ko) * | 2016-01-31 | 2017-10-16 | 광운대학교 산학협력단 | 빅 데이터 기반 위험 예측 장치 및 방법 |
KR20180051838A (ko) | 2016-11-09 | 2018-05-17 | 삼성전자주식회사 | 보행자 및 차량의 탑승자에게 상대방의 접근을 알리는 방법 및 장치 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003318792A (ja) * | 2002-04-26 | 2003-11-07 | Matsushita Electric Ind Co Ltd | 到来波方向推定装置及びこの到来波方向推定装置を具備する受信装置 |
US20050073438A1 (en) * | 2003-09-23 | 2005-04-07 | Rodgers Charles E. | System and method for providing pedestrian alerts |
JP2006330822A (ja) * | 2005-05-23 | 2006-12-07 | Equos Research Co Ltd | 車載装置 |
JP2009014440A (ja) * | 2007-07-03 | 2009-01-22 | Ntt Docomo Inc | 危険度通知システム、サーバ装置及び危険度通知方法 |
WO2009128398A1 (ja) * | 2008-04-15 | 2009-10-22 | 日本電気株式会社 | 移動体警告装置、移動体警告方法および移動体警告プログラム |
-
2012
- 2012-03-22 JP JP2012065585A patent/JP5838879B2/ja not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003318792A (ja) * | 2002-04-26 | 2003-11-07 | Matsushita Electric Ind Co Ltd | 到来波方向推定装置及びこの到来波方向推定装置を具備する受信装置 |
US20050073438A1 (en) * | 2003-09-23 | 2005-04-07 | Rodgers Charles E. | System and method for providing pedestrian alerts |
JP2006330822A (ja) * | 2005-05-23 | 2006-12-07 | Equos Research Co Ltd | 車載装置 |
JP2009014440A (ja) * | 2007-07-03 | 2009-01-22 | Ntt Docomo Inc | 危険度通知システム、サーバ装置及び危険度通知方法 |
WO2009128398A1 (ja) * | 2008-04-15 | 2009-10-22 | 日本電気株式会社 | 移動体警告装置、移動体警告方法および移動体警告プログラム |
Non-Patent Citations (1)
Title |
---|
笹木美樹男: "人の時空間分布を予報するシステム", 電子情報通信学会技術研究報告 ITS2010-76, vol. 110, no. 469, JPN6015007126, 4 March 2011 (2011-03-04), JP, pages 53 - 58, ISSN: 0003012730 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10435017B2 (en) | 2014-05-08 | 2019-10-08 | Volvo Car Corporation | Method for providing an object prediction representation |
CN106414221A (zh) * | 2014-05-08 | 2017-02-15 | 沃尔沃汽车公司 | 用于提供对象预测表示的方法 |
CN106414221B (zh) * | 2014-05-08 | 2018-09-04 | 沃尔沃汽车公司 | 用于提供对象预测表示的方法 |
US10166677B2 (en) | 2014-12-26 | 2019-01-01 | Honda Motor Co., Ltd. | State prediction system |
CN107010086A (zh) * | 2017-03-29 | 2017-08-04 | 宁夏凯速德科技有限公司 | 高铁线路安全控制方法及系统 |
US11645916B2 (en) | 2017-12-18 | 2023-05-09 | Hitachi Astemo, Ltd. | Moving body behavior prediction device and moving body behavior prediction method |
JP2019125261A (ja) * | 2018-01-18 | 2019-07-25 | 日本電信電話株式会社 | データ作成装置、パラメータ推定装置、経路別人数推定装置、データ作成方法、パラメータ推定方法、経路別人数推定方法及びプログラム |
JP2022009309A (ja) * | 2018-01-18 | 2022-01-14 | 日本電信電話株式会社 | パラメータ推定装置、経路別人数推定装置、パラメータ推定方法、経路別人数推定方法及びプログラム |
JP7294383B2 (ja) | 2018-01-18 | 2023-06-20 | 日本電信電話株式会社 | パラメータ推定装置、経路別人数推定装置、パラメータ推定方法、経路別人数推定方法及びプログラム |
JP2019149855A (ja) * | 2018-02-26 | 2019-09-05 | 日本電気株式会社 | 情報処理装置 |
US11400828B2 (en) | 2018-02-26 | 2022-08-02 | Nec Corporation | Information processing apparatus |
US11860631B2 (en) | 2018-08-20 | 2024-01-02 | Waymo Llc | Detecting and responding to processions for autonomous vehicles |
KR102534960B1 (ko) | 2018-08-20 | 2023-05-26 | 웨이모 엘엘씨 | 자율주행 차량들을 위한 행렬들의 검출 및 그에 대한 대응 |
KR20210034096A (ko) * | 2018-08-20 | 2021-03-29 | 웨이모 엘엘씨 | 자율주행 차량들을 위한 행렬들의 검출 및 그에 대한 대응 |
JP7195588B2 (ja) | 2018-10-25 | 2022-12-26 | 国立研究開発法人宇宙航空研究開発機構 | 予測装置、予測方法、及び予測プログラム |
WO2020085412A1 (ja) * | 2018-10-25 | 2020-04-30 | 国立研究開発法人宇宙航空研究開発機構 | 予測装置、予測方法、及び予測プログラム |
JP2020066365A (ja) * | 2018-10-25 | 2020-04-30 | 国立研究開発法人宇宙航空研究開発機構 | 予測装置、予測方法、及び予測プログラム |
JPWO2020136978A1 (ja) * | 2018-12-27 | 2021-09-27 | 本田技研工業株式会社 | 経路決定方法 |
JP7130062B2 (ja) | 2018-12-27 | 2022-09-02 | 本田技研工業株式会社 | 経路決定方法 |
CN113242998A (zh) * | 2018-12-27 | 2021-08-10 | 本田技研工业株式会社 | 路径决定方法 |
WO2020136978A1 (ja) * | 2018-12-27 | 2020-07-02 | 本田技研工業株式会社 | 経路決定方法 |
CN113242998B (zh) * | 2018-12-27 | 2024-04-02 | 本田技研工业株式会社 | 路径决定方法 |
CN112215423A (zh) * | 2020-10-13 | 2021-01-12 | 西安交通大学 | 一种基于趋势引导与稀疏交互的行人轨迹预测方法及系统 |
CN112215423B (zh) * | 2020-10-13 | 2023-06-06 | 西安交通大学 | 一种基于趋势引导与稀疏交互的行人轨迹预测方法及系统 |
CN114241765A (zh) * | 2021-12-15 | 2022-03-25 | 重庆中信科信息技术有限公司 | 基于时空逻辑的定向车道交通违法分析方法、装置及存储介质 |
CN114241765B (zh) * | 2021-12-15 | 2023-01-03 | 重庆中信科信息技术有限公司 | 基于时空逻辑的定向车道交通违法分析方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JP5838879B2 (ja) | 2016-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5838879B2 (ja) | 予測システム | |
Biswas et al. | An automatic traffic density estimation using Single Shot Detection (SSD) and MobileNet-SSD | |
US11216004B2 (en) | Map automation—lane classification | |
US10296795B2 (en) | Method, apparatus, and system for estimating a quality of lane features of a roadway | |
Rankavat et al. | Pedestrians risk perception of traffic crash and built environment features–Delhi, India | |
CN109641589B (zh) | 用于自主车辆的路线规划 | |
US9355063B2 (en) | Parking lot detection using probe data | |
JP5246248B2 (ja) | 予測装置 | |
US20190094858A1 (en) | Parking Location Prediction | |
CN107305131A (zh) | 以节点为中心的导航优化 | |
CN110068343A (zh) | 构建和更新多层道路网络高清数字地图的行为层 | |
CN102003965A (zh) | 操作导航系统以提供路线指引的方法 | |
CN110851741A (zh) | 出租车载客热点识别推荐算法 | |
CN102003964A (zh) | 操作导航系统以提供路线指引的方法 | |
Apardian et al. | An analysis of pedestrian crashes using a spatial count data model | |
US20220194426A1 (en) | Method and apparatus for increasing passenger safety based on accident/road link correlation | |
US20210270629A1 (en) | Method and apparatus for selecting a path to a destination | |
JP6272198B2 (ja) | 移動可能領域データ生成システムおよび交通行動推定装置 | |
Lian et al. | Advances in estimating pedestrian measures through artificial intelligence: From data sources, computer vision, video analytics to the prediction of crash frequency | |
Bomberg et al. | Incorporating user based perspective of livability projects in SF-CHAMP mode choice models | |
Iwanski et al. | A computational model for predicting the location of crime attractors on a road network | |
US11473928B2 (en) | System and method for generating origin-independent access maps | |
Lee et al. | Generating Route-Level Mutually Exclusive Service Areas: Comparative Study of Alternative Methods | |
Chae | Simulation of Pedestrian-vehicle Interactions at Roundabouts. | |
CN102235868A (zh) | 操作导航系统以提供路线指引的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20140616 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20150224 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20150225 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20150409 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20151013 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20151026 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 5838879 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |