JP2014178861A - 異常運転行動検出装置 - Google Patents

Abstract

【課題】異常時行動モデルを用いることなくドライバの異常な運転行動を検出する異常運転行動検出装置を提供する。
【解決手段】異常運転行動検出装置１では、正常時の運転行動をモデル化することで定義された運転モードｚ，行動モデルＡｚを用いて求められるモード確率ｐ（ｚ_t ｜Ｘ_t ）及び乖離量ｄ_z,t を統合した期待値Ｅ_t を用いて、異常な運転行動の有無を検出する。従って、異常運転行動検出装置１によれば、異常な運転行動の有無を、異常時の運転行動をモデル化した異常時行動モデルを用いることなく検出することができる。
【選択図】図１

Description

本発明は、車両の走行状態やドライバの操作状態に基づいてドライバの異常な運転行動を検出する異常運転行動検出装置に関する。

従来、車両の走行状態やドライバの操作状態を表す観測値に基づき、ドライバの異常な運転行動を検出する装置の一つとして、ドライバが正常な運転状態であるときの運転行動をモデル化した行動モデル（正常時行動モデル）と、ドライバが異常な運転状態（例えば、居眠り状態等）であるときの運転行動をモデル化した行動モデル（異常時行動モデル）を使用するものが知られている。具体的には、正常時行動モデルと異常時行動モデルを用いて、過去の観測値から現時点の観測値をそれぞれ推定し、実際に観測された現時点の観測値が、求められた二つの推定値のどちらにより近いかによって、正常，異常を判定するものである（例えば、特許文献１参照）。

特開２００９−１５４６７５号公報

ところで、異常時行動モデルを生成するためには、異常な運転行動をしているときの観測値を収集する必要がある。しかし、そのようなデータは、収集すること自体が非常に困難であるという問題があった。更に、異常な運転行動には様々なバリエーションが存在するため、その全てを想定して準備することは不可能であり、精度の高い異常判定を行うことが困難であるという問題があった。

本発明は、上記問題点を解決するために、異常時行動モデルを用いることなくドライバの異常な運転行動を検出する異常運転行動検出装置を提供することを目的とする。

本発明の異常運転行動検出装置は、観測値取得手段と、モード確率算出手段と、乖離量算出手段と、異常検出手段とを備える。観測値取得手段は、自車両の走行状態及びドライバが自車両を操作したときの操作状態の少なくとも一方の状態を表す観測値を繰り返し取得する。モード確率算出手段は、観測値取得手段が観測値を取得する毎に、正常時の運転行動をモデル化することによって定義された複数の運転モードのうち、現時点の運転モードがいずれに該当するかを確率的に表したモード確率を、観測値の時系列から求める。乖離量算出手段は、正常時の運転行動をモデル化することによって運転モード毎に定義された行動モデルを用いて過去の観測値から推定値を求め、その推定値に対する観測値取得手段で取得された最新の観測値のずれを表した乖離量を求める。異常検出手段は、モード確率及び乖離量から求めた判定値に従って、運転行動の異常の有無を検出する。

なお、運転モード毎に定義された行動モデルは、その運転モードにおける代表的な運転挙動を表すものであり、乖離量は、その代表的な運転挙動からのずれを表したものとなる。また、モード確率は、観測された運転挙動（観測値の系列）が、各運転モードにおいてどの程度の確率で生じるか尤度として推定される各運転モードの確率を表している。

このように本発明の異常運転行動検出装置によれば、正常時の運転行動をモデル化することで定義された運転モード，行動モデルを用いて求められるモード確率及び乖離量を統合した判定値を用いて、異常な運転行動の有無を検出している。従って、本発明の異常検出装置によれば、異常な運転行動の有無を、異常時の行動モデルを用いることなく、ロバストに精度良く検出することができる。

なお、運転モード及び行動モデルは、ベータ過程自己回帰隠れマルコフモデル（ＢＰ−ＡＲ−ＨＭＭ）を利用して定義されたものを使用することが望ましい。この場合、運転モードの数を、モデル化に使用するサンプルデータから決めることができ、サンプルデータの分布から人為的に運転モードの数を決める場合と比較して、運転モードの識別性を向上させることができる。

また、本発明は、前述した異常運転行動検出装置の他、異常運転行動検出装置を構成要素とするシステム、異常運転行動検出装置を構成する各手段としてコンピュータを機能させるためのプログラム、異常運転行動検出方法など、種々の形態で実現することができる。

運転支援システムの全体構成を示すブロック図である。 （ａ）が自己回帰隠れマルコフモデルのパラメータ、（ｂ）がガウス分布のパラメータを示す説明図である。 判定部が実行する異常行動判定処理の内容を示すフローチャートである。 判定部が実行する苦手操作検出処理の内容を示すフローチャートである。 動作例における運転モードと観測値の関係を示した説明図である。 （ａ）が観測値と運転モードとの関係を例示するグラフ、（ｂ）が走行コースを走行中に推定された運転モードと、その運転モードが推定された位置の関係を示すグラフである。 観測値と行動モデルに基づく予測値との関係を例示するグラフである。

以下に本発明の実施形態を図面と共に説明する。
＜全体構成＞
本発明が適用された運転支援システムは、図１に示すように、当該システムを搭載した車両（以下「自車両」という）の走行状態やドライバが自車両を操作したときの操作状態を検出するための各種センサからなる車両センサ群２と、車両センサ群２での検出結果に従って、ドライバの異常な運転行動の有無等を検出する異常運転行動検出装置１と、自車両に搭載されたディスプレイや音響設備からなり、異常運転行動検出装置１での検出結果を、ドライバに対して視覚的（文字，図形，光等）又は聴覚的（音声，警報音等）に情報提供する情報提供装置３を備えている。

車両センサ群２によって検出される走行状態としては、例えば、車速，縦・横加速度、先行車両との距離や相対速度等があり、操作状態としては、例えば、アクセル開度率、ブレーキＭＣ圧、ステアリング操舵角等がある。これらの走行状態や操作状態を検出する個々のセンサは周知のものであるため、説明を省略する。

＜自己回帰隠れマルコフモデル＞
異常運転行動検出装置１では、時系列データのモデリング手法の一つである自己回帰隠れマルコフモデル（ＡＲ−ＨＭＭ）を適用した処理を実行するため、まず、ＡＲ−ＨＭＭで使用するパラメータについて説明する。

図２（ａ）は、運転挙動の生成モデルをＡＲ−ＨＭＭで表したものであり、ｔは時刻、ｘ_t は時刻ｔにおける観測値（ここでは、車両センサ群２から得られる検出結果）、ｚ_t は時刻ｔにおける運転挙動のモード（以下「運転モード」という）のインデクスを表現したものである。なお、隠れ状態である運転モードｚ_t は直接観測できないため、観測値の系列Ｘ_t ＝｛ｘ₁ ，ｘ₂ ，…，ｘ_t ｝から、隠れ状態（運転モード）の系列Ｚ_t ＝｛ｚ₁ ，ｚ₂ ，…，ｚ_t ｝を推測する。

以下では、個々の運転モードを小文字のアルファベットａ，ｂ，ｃ，…で表すものとし、運転モードｚと表記した場合は、複数ある運転モードａ，ｂ，ｃ，…のうちいずれかを指すものとする。この運転モード自体は直接観測できないため、隠れ状態として扱われる。なお、個々の運転モードａ，ｂ，ｃ，…は、ある状況において観測される特定の運転挙動あるいは特定の運転操作を、その運転挙動や運転操作の傾向毎に分割したものである。つまり、運転モードは、車両センサ群２で観測されたデータの時系列挙動を幾つかのまとまりに分割した際のクラスタインデクスであり、これは運転挙動や運転操作を構成する要素として捉えることもできる。

また、運転モードｚでの平常時（異常な運転をしていないとき）の平均的な運転挙動の時間変化を記述したモデルである行動モデルをＡｚ、ガウス分布に従うノイズをε、運転モードｚ間の遷移確率であるモード遷移確率をπｚとすると、自己回帰過程は（１）〜（３）式によって表すことができる。但し、各運転モードａ，ｂ，ｃ，…における観測値の分布はそれぞれガウス分布に従うものとして、図２（ｂ）に示すように、運転モードｚで観測される観測値の確率分布（ガウス分布）を定義するパラメータである平均をμｚ、分散をΣｚ（以下総称して「モード分布パラメータ」ともいう）で表すものとする。また（２）（３）式において、記号「〜」の左辺は、右辺に示す分布からのサンプル値であることを示す。

これらのパラメータＡｚ，πｚ，μｚ，Σｚを定義する際には、平常運転時（異常な運転行動をしていないとき）の観測値を学習データとし、学習アルゴリズムとしては、forward-backward algorithm等の既存のアルゴリズムを利用する。概略的には、各学習データに隠れ状態を割り当てながら、同じ隠れ状態が割り当てられた学習データを利用して個々の運転モードｚのモード分布パラメータμｚ，Σｚを算出する。学習データから推定された運転モードｚの系列を用いて、個々の運転モードｚ間の遷移回数をカウントして、そのカウント結果からモード遷移確率πｚを算出するという処理の流れとなる。ベータ過程自己回帰隠れマルコフモデル（ＢＰ−ＡＲ−ＨＭＭ）を利用すれば運転モードの数も含めて自動的に決定することができる。

このようなＢＰ−ＡＲ−ＨＭＭを利用して各種パラメータを算出する方法の詳細については、例えばE. B. Fox, E. B. Sudderth, M. I. Jordan, and A. S. Willsky, "Sharing features among dynamical systems with beta processes," Advances in Neural Information Processing Systems, Vol. 22, pp. 549-557 (2009)に記述されているため、ここでは説明を省略する。

＜異常運転行動検出装置＞
異常運転行動検出装置１は、ＡＲ−ＨＭＭを定義する各種パラメータを記憶する記憶部１０と、記憶部１０に記憶されたパラメータ及び車両センサ群２から取得した観測値ｘ_t に従って異常な運転行動の有無や苦手な運転操作を検出するための処理等を実行する処理実行部２０とを備える。

記憶部１０は、モード遷移確率πｚを記憶するモード遷移確率記憶部１１と、運転モードｚ毎にその運転モードｚのモード分布パラメータμｚ，Σｚを記憶するモード分布記憶部１２と、運転モードｚ毎にその運転モードｚの行動モデルＡｚを記憶する行動モデル記憶部１３とを備える。

処理実行部２０は、車両センサ群２から繰り返し検出結果（観測値ｘ_t ）を取得する観測値取得部２４と、モード遷移確率πｚ及びモード分布パラメータμｚ，Σｚを用い、過去から現時点までに得られた観測値ｘ_t の時系列Ｘ_t に基づいてモード確率ｐ（ｚ_t ｜Ｘ_t ）を算出するモード確率算出部２１と、行動モデルＡｚ及びモード分布パラメータμｚ，Σｚを用い観測値ｘ_t に基づいて、運転モードｚ毎に、その運転モードｚからのずれの大きさを表す正規化乖離量ｄ_z,t を算出する乖離量算出部２２と、モード確率算出部２１で算出されたモード確率ｐ（ｚ_t ｜Ｘ_t ）と乖離量算出部２２で算出された正規化乖離量ｄ_z,t に基づいて異常行動を判定する判定部２３を備えている。

なお、処理実行部２０は、ＣＰＵ，ＲＯＭ，ＲＡＭからなる周知のマイクロコンピュータを中心に構成されたものである。処理実行部２０を構成する各部２１〜２４は、ＣＰＵが実行する処理によって実現され、ＲＯＭにはその処理を実行するためのプログラムが記憶されている。

<<モード確率算出部>>
モード確率算出部２１では、最初の観測値ｘ₁ を取得したときには、モード分布記憶部１２に記憶されたモード分布パラメータμｚ，Σｚを用いて、全ての運転モードｚについて、観測値ｘ₁ が、それぞれの運転モードｚ＝｛ａ，ｂ，ｃ，…｝から生成された確率ｐ（ｘ₁ ｜ｚ）を求め、これをモード確率ｐ（ｚ_t ｜Ｘ_t ）の初期値とする。

以後、観測値ｘｔを取得すると、モード分布パラメータμｚ，Σｚを用いて確率ｐ（ｘ_t ｜ｚ）を求めると共に、モード遷移確率πｚと前サイクルで求めたモード確率ｐ（ｚ_t-1 ｜Ｘ_t-1 ）とを用いて、運転モードｚ毎に今サイクルで運転モードｚとなる確率Ｐ（ｚ）を推定する。更に、ｐ（ｘ_t ｜ｚ）を尤度、Ｐ（ｚ）を事前確率として使用し、ベイズ推定によってモード確率ｐ（ｚ_t ｜Ｘ_t ）を求める。

このようにして求められるモード確率ｐ（ｚ_t ｜Ｘ_t ）は、いずれかの運転モードｚに従った運転操作が行われている場合には、その運転モード（以下「該当運転モード」という）ｚの確率が大きな値となり、それ以外の運転モードｚの確率は小さな値となる。また、運転操作がいずれの運転モードｚにも従っていない場合には、突出して大きな確率を有する運転モードｚが存在せず、全ての運転モードｚの確率が中間的な値（上述した該当運転モードｚの確率とそれ以外の運転モードｚの確率との間の大きさ）となる。

<<乖離量算出部>>
乖離量算出部２２は、前サイクルの観測値ｘ_t-1 を記憶する観測値記憶部２２１と、今サイクルの観測値（実測値）ｘ_t が、前サイクルの観測値ｘ_t-1 と行動モデルＡｚを用いて予測した観測値（予測値）からどの程度ずれているのかを表す乖離量（ずれ量）ε_z,t を運転モードｚのそれぞれについて求めるずれ量算出部２２２と、ずれ量算出部２２２で算出された乖離量ε_z,t を、各運転モードｚにおいて、その乖離量ε_z,t を持った観測値ｘ_t が生成される確率を利用して正規化した正規化乖離量ｄ_z,t を生成する正規化部２２３を備える。

具体的には、ずれ量算出部２２２では、（４）式に従って乖離量ε_z,t を算出し、正規化部２２３では、（５）式に従って、正規化乖離量ｄ_z,t を算出する。

Ｎ（ε_z,t ｜μｚ，Σｚ）は、運転モードｚにおいて乖離量がε_z,t となる観測値ｘ_t が生成される確率を表しており、乖離量ε_z,t が平均値μｚからはずれるほど小さな値となる。このため、（５）式では、その逆数をとることにより、乖離量ε_z,t が平均値μｚからはずれるほど、大きな値をとる正規化乖離量ｄ_z,t に変換している。以下では、正規化乖離量ｄ_z,t のことを単に乖離量と呼ぶ。

<<判定部>>
判定部２３では、異常行動判定処理２３１と、苦手操作検出処理２３２を実行する。
まず、異常行動判定処理２３１について説明する。本処理は、車両センサ群２から取得した観測値ｘ_t に基づいて、モード確率ｐ（ｚ_t ｜Ｘ_t ）及び乖離量ｄ_z,t が算出される毎に起動する。

本処理が起動すると、図３に示すように、（６）式に従って、モード確率ｐ（ｚ_t ｜Ｘ_t ）を重みとして乖離量ｄ_z,t を重み付け加算することによって乖離量の期待値Ｅ_t を算出する（Ｓ１１０）。

この期待値Ｅ_t は、運転操作がいずれかの運転モードｚ（該当運転モード）に従っている場合、モード確率ｐ（ｚ_t ｜Ｘ_t ）は、該当運転モードｚの確率だけが大きく、それ以外の運転モードｚの確率が低く抑えられる。乖離量ｄ_z,t は、該当運転モードｚで小さく、その他の運転モードｚで大きくなるが、上述のようなモード確率ｐ（ｚ_t ｜Ｘ_t ）が乗じられることで期待値Ｅ_t は小さな値に抑えられる。一方、運転操作がいずれの運転モードｚにも従っていない場合、モード確率ｐ（ｚ_t ｜Ｘ_t ）は、突出して大きな確率を有する運転モードｚが存在せず、いずれの運転モードｚの確率も中間的な大きさを有したものとなる。このため期待値Ｅ_t は大きな値となる。

次に、Ｓ１１０にて算出された期待値Ｅ_t が予め設定された閾値以上であるか否かを判断する（Ｓ１２０）。
期待値Ｅ_t が閾値に満たない場合は、運転行動の異常は検出されないものとして本処理を終了する。一方、期待値Ｅ_t が閾値以上である場合は、運転行動の異常が検出されたものとして、その旨を、情報提供装置３を介して報知する処理を実行して（Ｓ１３０）、本処理を終了する。

次に、苦手操作検出処理２３２について説明する。本処理は、所定個（所定サイクル分）の乖離量ｄ_z,t が蓄積される毎に起動する。この所定個は、本処理によって得られる平均値が、統計的に十分に信頼性のある値となるように設定される。

本処理が起動すると、図４に示すように、蓄積された乖離量ｄ_z,t に基づき、運転モードｚ毎に、乖離量ｄ_z,t の平均値（モード別平均乖離量）を算出し（Ｓ２１０）、算出されたモード別平均乖離量が予め設定された閾値以上となる運転モードｚが存在するか否かを判断する（Ｓ２２０）。

モード別平均乖離量が閾値以上となる運転モードｚが存在しなければ、そのまま本処理を終了する。一方、モード別平均乖離量が閾値以上となる運転モードｚが存在すれば、その運転モードに対応するドライバの操作を苦手操作であるとして抽出し、その旨を、情報提供装置３を介して報知する処理を実行して（Ｓ２４０）本処理を終了する。

＜動作＞
ここでは、理解を容易にするために、運転モードｚがａ，ｂの二つからなり、観測値ｚ_t が二つのパラメータで表現されている場合について説明する。

時刻ｔ＝１で、図５（ａ）に示すような観測値ｘ₁ が観測されたとする。但し、図中の楕円は、運転モードａのときに得られる観測値の分布（モード分布パラメータμａ，Σａで定義される）及び運転モードがｂのときに得られる観測値の分布（モード分布パラメータμｂ，Σｂで定義される）を表す。

このとき、二つの分布のうちどちらからｘ₁ が生成されたかを考える。
運転モードａの分布から生成された確率をｐ（ｘ₁ ｜ａ）、運転モードｂの分布から生成された確率をｐ（ｘ₁ ｜ｂ）で表すものとすると、図５（ａ）の場合は、ｐ（ｘ₁ ｜ａ）＞ｐ（ｘ₁ ｜ｂ）となり、観測値ｘ₁ に対応する隠れ状態（即ち、運転モード）はａである可能性が高いことがわかる。

次に、時刻ｔ＝２で、図５（ｂ）に示すような観測値ｘ₂ が観測されたとする。
このとき、ｔ＝１の場合と同様に、二つの分布のうちどちらからｘ₂ が生成されたかを考えると、ｐ（ｘ₂ ｜ａ）＜ｐ（ｘ₂ ｜ｂ）となり、観測値ｘ₂ に対応する隠れ状態はｂである可能性が高いことになる。

但し、異常運転行動検出装置１では、運転モードａから運転モードｂへの状態遷移が起こる確率（モード遷移確率）πｚを考慮してモード確率ｐ（ｚ_t ｜Ｘ_t ）を求めている。つまり、モード遷移確率πｚが小さい場合（つまり、運転モードａに留まっている確率が高い場合）、確率ｐ（ｘ₂ ｜ｂ）が大きかったとしても、運転モードｂに関するモード確率ｐ（ｚ_t ｜Ｘ_t ）は小さな値に抑えられる。従って、図５（ｂ）に示すような、観測値系列ｘ₁ ，ｘ₂ が観測された場合、異常運転行動装置１では、この観測値系列ｘ₁ ，ｘ₂ から推定される隠れ状態系列がａ，ｂになるとは限らず、モード遷移確率πｚの影響によってａ，ａとなる可能性が高くなる。

図６（ａ）は、観測値ｘ_t を例示するグラフであり、ここではアクセル開度率（accel）、ブレーキＭＣ圧（brake)、ステアリング操舵角（steering）が用いられている。図示されているように、同じ運転モードｚとなる部分では、観測値ｘ_t が同様の傾向となることがわかる。なお、運転モードｚは、その時々でモード確率ｐ（ｚ_t ｜Ｘ_t ）が最も高いものが選択されるものとする。

図６（ｂ）は、周回する走行コースを走行したときに得られた観測値ｘ_t から運転モードｚを推定した結果を、そのときの走行位置に対応づけて記載したものである。運転モードｚとコース形状、ひいてはコース形状に応じた運転操作との間に関連性があることがわかる。

図７は、運転モードａから運転モードｂに切り替わる部分で観測された観測値ｘ_t （ここでは、ブレーキＭＣ圧，ステアリング操舵角を示す）と、行動モデルＡｚから算出される予測値Ａｚ・ｘ_t-1 とを比較したグラフである。図示されているように、予測値Ａｚ・ｘ_t-1 に対する観測値ｘ_t の乖離量が許容範囲（図では、モードａ正常範囲）内であれば、その運転モードｚでのドライバの運転行動に異常はないと判断され、図示はされていないが、許容範囲を超えて乖離量が大きくなった場合に、ドライバの運転行動に異常があると判断されることになる。

＜効果＞
以上説明したように、異常運転行動検出装置１では、正常時の運転行動をモデル化することで定義された運転モードｚ，行動モデルＡｚを用いて求められるモード確率ｐ（ｚ_t ｜Ｘ_t ）及び乖離量ｄ_z,t を統合した期待値Ｅ_t を用いて、異常な運転行動の有無を検出している。従って、異常運転行動検出装置１によれば、異常な運転行動の有無を、異常時の運転行動をモデル化した異常時行動モデルを用いることなく検出することができる。しかも、モード確率ｐ（ｚ_t ｜Ｘ_t ）の算出には、モード遷移確率πが考慮されているため、異常な運転行動の有無を、モード遷移の異常も含めて、ロバストに精度良く検出することができる。

また、異常運転行動検出装置１では、運転モードｚ及び行動モデルＡｚは、ベータ過程自己回帰隠れマルコフモデル（ＢＰ−ＡＲ−ＨＭＭ）を学習させた結果を用いて定義している。その結果、運転モードｚの数が、学習データを用いた学習の過程で自動的に決まり、コンピュータが処理し易いモード数が設定されることになるため、学習データの分布から人為的に運転モードの数を決める場合と比較して、運転モードの識別性を向上させることができる。

また、異常運転行動検出装置１では、個々の運転モードｚ毎に乖離量ｄ_z,t の平均値を求め、その平均値が閾値を超えた場合に、その運転モードｚに対応するドライバの操作を苦手操作として抽出し報知するようにされている。即ち、ＢＰ−ＡＲ−ＨＭＭで抽出された運転モードｚのそれぞれは、運転行動を統計的に説明するに運転の要素を表現しており、更には、その運転要素に対応するプリミティブなドライバの操作要素を表現していると考えられる。このため、平均的に乖離量の大きい運転モードｚは、ドライバの苦手操作であるとみなすことができる。

＜他の実施形態＞
以上、本発明の実施形態について説明したが、本発明は、上記実施形態に限定されることなく、種々の形態を採り得ることは言うまでもない。例えば、一つの構成要素が有する機能を複数の構成要素に分散させたり、複数の構成要素が有する機能を一つの構成要素に統合したりしてもよい。また、上記実施形態の構成の少なくとも一部を、同様の機能を有する公知の構成に置き換えてもよい。

例えば、上記実施形態では、判定部２３での判定結果に従って、情報提供装置３がその判定結果を報知するように構成しているが、判定部２３での判定結果に従って、ドライバの運転操作をアシストするようにブレーキやステアリングを制御するように構成してもよい。

１…異常運転行動検出装置 ２…車両センサ群 ３…情報提供装置 １０…記憶部 １１…モード遷移確率記憶部 １２…モード分布記憶部 １３…行動モデル記憶部 ２０…処理実行部 ２１…モード確率算出部 ２２…乖離量算出部 ２３…判定部 ２２１…観測値記憶部 ２２２…ずれ量算出部 ２２３…正規化部 ２３１…異常行動判定処理 ２３２…苦手操作検出処理

Claims (5)

1. 自車両の走行状態及びドライバが自車両を操作したときの操作状態の少なくとも一方の状態を表す観測値を繰り返し取得する観測値取得手段（３０）と、
   前記観測値取得手段が前記観測値を取得する毎に、正常時の運転行動をモデル化することによって定義された複数の運転モードのうち、現時点の運転モードがいずれに該当するかを確率的に表したモード確率を、前記観測値の時系列から求めるモード確率算出手段（２１）と、
   正常時の運転行動をモデル化することによって前記運転モード毎に定義された行動モデルを用いて過去の観測値から推定値を求め、該推定値に対する前記観測値取得手段で取得された最新の観測値のずれを表した乖離量を求める乖離量算出手段（２２）と、
   前記モード確率及び前記乖離量から求めた判定値に従って、運転行動の異常を検出する異常検出手段（２３１）と、
   を備えることを特徴とする異常運転行動検出装置。
2. 前記運転モードは、ベータ過程自己回帰隠れマルコフモデル（ＢＰ−ＡＲ−ＨＭＭ）を利用して設定されたものを使用することを特徴とする請求項１に記載の異常運転行動検出装置。
3. 前記異常検出手段は、前記モード確率を重みとして前記乖離量を重み付け加算することで求めた期待値を前記判定値として使用し、該判定値が予め設定された閾値を超える場合に異常ありと判定することを特徴とする請求項１又は請求項２に記載の異常運転行動検出装置。
4. 前記乖離量算出手段にて算出された乖離量を、前記運転モード毎に平均したモード別平均乖離量を求め、該モード別平均乖離量が予め設定された閾値を超えた場合に、該運転モードに対応するドライバの操作を苦手操作として検出する苦手操作検出手段（２３２）を備えることを特徴とする請求項１乃至請求項３のいずれか１項に記載の異常運転行動検出装置。
5. 請求項１乃至請求項４のいずれか１項に記載の異常運転行動検出装置を構成する各手段としてコンピュータを機能させるためのプログラム。

Images