JP2016119080A - 運転者にメッセージを提供する適切な時を決定するシステムおよび方法 - Google Patents

Abstract

【課題】自動車を運転しているユーザに宛てたメッセージを提供する適切な時を決定する。【解決手段】自動車１３の運転者のためにメッセージが受信される。サーバ２１は自動車の動きを監視し、運転者への動きの親密性を決定する。自動車によって感知されたデータが取得され、動きの親密性および感知されたデータに基づいて、運転者の認知的負荷を計算する。サーバ２１は計算された認知的負荷が低いとき、メッセージを運転者に提供する。【選択図】図１

Description

本出願は、一般にメッセージ送信に関し、より具体的には、運転者にメッセージを提供する適切な時を決定するコンピュータ実装システムおよび方法に関する。

技術改良に伴い、個人は、会議中、夕食のテーブルで、および運転中を含め、彼らの携帯電話および手持ち式モバイル機器に、より多くの時間を費やしている。多くの州は、電話または機器の使用が原因で事故が起こるのを防止するために、運転者が運転中に話すことや携帯メールをすることを制限または防止する法律を制定している。しかしながら、法律の変更にもかかわらず、運転中であっても、メッセージアラートを聞いた後に彼らの電話または機器をチェックし、電話で話すこと、携帯メール、またはインターネットサーフィンをし続ける誘惑に抵抗できない個人もいる。

車両での電話利用の管理に対処する現行の試みがなされている。例えば、Ｙｅｎらに対する、米国特許第８，２７５，３４８号明細書は、車両での通話の管理に焦点を当てている。着信の受信者が乗っている車両の現在の状態に基づいて、異なった種類の応答が着信に提供される。車両状態の評価は、状況が、運転者が着信に注意を払うのに十分安全であるかどうか、決定する。評価は、明瞭度およびバックチャネル応答を含む、会話の認知的負荷の指標を考慮する。したがって、Ｙｅｎは、車両状態および認知的負荷に基づいて状況の安全性を評価することによって電話利用を管理することを教示するが、呼出をより良く受信することができる将来の機会をまったく考慮できない。さらに、Ｙｅｎは、認知的負荷決定を、運転者の過去の行動および彼の過去の行動に基づく運転者のメッセージを扱う能力を考慮するよりむしろ、専ら既に進行中の着信の間の運転者の会話的指標に基づいて行う。

Ｖｏｌｖｏ Ｔｅｃｈｎｏｌｏｇｙ ＣｏｒｐｏｒａｔｉｏｎのＷｅｒｎｅｒ Ｏｔｔｏによる、欧州特許出願第ＥＰ２３１４２０７号明細書は、運転者の注意負荷を監視し管理するためのプロセスを開示する。具体的には、運転者の注意散漫を検出した上で、運転者の注視を、車両の正面フロントガラスを通してなどの前方の運転風景に向ける。運転者の注視が検出されたところに応じて光波は始まる。波の後に、運転者の注意を集中させるようにＬＥＤライトの中心線と同様に、大きな円が点灯する。この出願は、運転者の注意を向け直すことに焦点を当てているが、過去の運転経験に基づく運転者の着信メッセージを扱う能力、または運転者の認知的負荷を考慮することはできない。

したがって、運転者の認知的負荷と同様に、運転者の従前の運転パターンに基づいて運転者にメッセージを提供する適切な時を決定することへの取り組みの必要がある。

自動車を運転しているユーザに宛てた着信メッセージを受信すると、運転者が赤信号で停止しているとき、運転者が交通渋滞にいるとき、または運転者が家に近く、慣れた道路上にいるときなどの、運転者にメッセージを提供する適切な時について決定がなされる。適切な時は、運転者の認知的負荷に基づいて決定することができる。運転者の認知的負荷が低いとき、メッセージを直ちに送信することができる。しかしながら、認知的負荷が高い、または高水準に隣接している場合、メッセージを提供する将来の機会を見積ることができ、メッセージを直ちに送信するべきかまたは異なった時に送信するべきか決断するのを支援するために通知の重要性を決定することができる。例えば、より良い機会がまもなく近づいてくるとき、メッセージは、より良い機会の時点において送信することができる。対照的に、メッセージが極めて重要である場合、ユーザの認知的負荷にもかかわらず、メッセージを直ちに配信することができる。

実施形態は、運転者にメッセージを提供する適切な時を決定するコンピュータ実装システムおよび方法を提供する。自動車の運転者のためにメッセージが受信される。自動車の動きが監視され、運転者への動きの親密性が決定される。自動車によって感知されたデータが取得され、動きの親密性および感知されたデータに基づいて、運転者の認知的負荷が計算される。計算された認知的負荷が低いとき、メッセージは運転者に提供される。

本発明のさらに他の実施形態は、本発明を実施するために企図される最良の態様を例示する目的で発明の実施形態が説明される、以下の詳細な説明から、当業者に容易に明らかになるであろう。理解されるように、本発明は、他のおよび異なった実施形態が可能であり、そのいくつかの詳細は、すべて本発明の精神および適用範囲から逸脱することなく、さまざまな明らかな点で修正が可能である。したがって、図面および詳細な説明は、本質的に例示的なものであって、限定的ではないとみなされるべきである。

図１は、１つの実施形態による、運転者にメッセージを提供する適切な時を決定するコンピュータ実装システムを示すブロック図である。 図２は、１つの実施形態による、運転者にメッセージを提供する適切な時を決定するコンピュータ実装方法を示す流れ図である。 図３は、メッセージ配信の適切性を決定するプロセスを、例として示す流れ図である。 図４は、運転者の認知的負荷を決定するプロセスを、例として示す流れ図である。 図５は、運転者の認知的負荷を決定する決定木を、例として示すブロック図である。 図６は、運転者にメッセージを提供する将来の機会を決定するプロセスを、例として示す流れ図である。 図７は、配信されるべきメッセージの重要性を決定するプロセスを、例として示す流れ図である。 図８は、適切性スコアを決定するプロセスを、例として示すブロック図である。

運転中に電話で話すことや携帯メールをすることは危険であると知っているにもかかわらず、多くの個人は彼らの電話およびモバイル機器にあまりにも接続しているので、彼らは運転を続けて、そして通話または携帯メールをする。現行の技術は、運転中の電話の使用を規制するのに役立つが、それでもなお、メッセージを配信する適切な時を正確に決定するために使用可能なメッセージ受信者の過去の運転経験などの多くの重要な要因を考慮することができない。適切な時を決定することおよび適切であるときだけ着信メッセージを送ることは、運転者がメッセージを受信する時期と運転者および他の運転者の安全との折衷を容易にする。

メッセージを送る適切な時は、運転されている車両から取得されるデータを含む、複数の要因に基づいて決定できる。図１は、１つの実施形態による、運転者にメッセージを提供する適切な時を決定するコンピュータ実装システムを示すブロック図である。送信者は、自動車１３を運転していると判断されたユーザ受信者に宛てたメッセージ２９を送信する。メッセージは、携帯メールのメッセージ、勧告、電子メールメッセージまたはソーシャルネットワークのアラートを含むことができ、携帯電話１２、ラップトップ（図示されない）、デスクトップコンピュータ（図示されない）、タブレット（図示されない）、または別の移動型手持ち式機器を介して送信者から送信され得る。メッセージは、インターネットなどの相互接続ネットワークを介して携帯電話１２に相互接続されるサーバ２１によって遮断され、サーバ２１に接続されたデータベース２６に格納される。事故を防止するために、メッセージは、メッセージを送る適切な時が決定された後に、ユーザ受信者に配信され得る。

サーバ２１は、認知的決定モジュール２２、機会決定モジュール２３、重要性決定モジュール２４、およびスコアリングモジュール２５を含む。認知的決定モジュール２２は、サードパーティデータベースから交通データおよび道路条件に関する情報を取得する。例えば、認知的決定モジュール２２は、交通サーバ１６に相互接続されたデータベース１７から地図１９または交通データ２０を取得することができる。さらに、認知的決定モジュール２２は、天候サーバ１４に相互接続されたデータベース１５に格納された天候データ１８を取得することができる。他の種類のデータを取得することができる。認知的決定モジュール２２は同様に、自動車１３に装着されたセンサ３０ａ〜ｃからデータにアクセスすることができる。センサ３０ａ〜ｃは、他の感知データと同様に、他の車両の近接、車両の速度または加速、車両がブレーキをかけているか、または回転しているかどうか、および警笛が鳴っているかどうかを検出するように、車両１３の正面３０ａ、中央部３０ｂ、または背面３０ｃに装着することができる。道路条件、天候、およびセンサデータが収集された後、認知的決定モジュール２２は、特定の位置での運転者の認知的負荷を決定し、決定された認知的負荷に対するスコアを割り当てることができる。

一方、機会決定モジュール２３は、近い将来にユーザにメッセージを提供するのにより良い機会が存在するかどうか決定するために、データベース２６からユーザに対する過去の運転記録２７および頻繁に走行した経路２８にアクセスする。重要性決定モジュール２４は、メッセージの送信者およびメッセージ２９の内容に基づいてメッセージ２９の重要性を決定する。最後に、スコアリングモジュール２５は、現時点がユーザにメッセージを送信するのに適切であるかどうか、またはメッセージは将来の機会に提供されるべきであるかどうかを決定するために、ユーザの認知的負荷、既存の将来の機会、およびメッセージの重要性を解析する。

デスクトップコンピュータ、移動型計算機器、およびサーバは、各々中央処理ユニットおよび本明細書に開示された実施形態を実施する１つまたは複数のモジュールを含み得る。モジュールは、コンピュータプログラムすなわち従来のプログラミング言語でソースコードとして書かれた手続きとして実装でき、オブジェクトまたはバイトコードとして中央処理ユニットによる実行のために提示される。あるいは、モジュールは同様に、集積回路としてあるいはリードオンリメモリ構成要素に焼かれてハードウェアに実装でき、計算機器の各々およびサーバは特化されたコンピュータとして役割を果たす。例えば、モジュールがハードウェアとして実装されるとき、その特定のハードウェアはメッセージの優先順位づけを実行するように特化され、他のコンピュータは使用できない。さらに、モジュールがリードオンリメモリ構成要素に焼かれるとき、リードオンリメモリを格納している計算機器またはサーバは他のコンピュータができないメッセージの優先順位づけを実行するように特化される。ソースコードならびにオブジェクトおよびバイトコードのさまざまな実装は、フロッピー（登録商標）ディスク、ハードディスクドライブ、デジタルビデオディスク（ＤＶＤ）、ランダム・アクセス・メモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）および同様の記憶媒体などのコンピュータ可読記憶媒体上に保持することができる。他の種類のモジュールおよびモジュール機能は、他の物理的ハードウェア構成要素と同様に可能である。

運転中にユーザにメッセージを提供する適切な時を決定することは、ユーザが最も忙しくなく、最も良く着信メッセージを扱うことができるときにメッセージを配信するだけのことによって、事故を防止するのに役立ち得る。図２は、１つの実施形態による、運転者にメッセージを提供する適切な時を決定するコンピュータ実装方法４０を示す流れ図である。送信者からのユーザに向けられたメッセージが受信される（ブロック４１）。メッセージおよびユーザの運転状況が解析される（ブロック４２）。現時点、すなわちメッセージの受信時点がユーザにメッセージを配信するのに適切かどうか、またはより良い機会が存在するかどうかについて、決定がなされる（ブロック４３）。決定は、図３、図４、図６および図７を参照して以下にさらに説明されるように、ＧＰＳデータ、車両からのセンサ情報、ユーザの過去の運転の経路および記録、道路および交通情報、および他の種類のデータに基づいて計算できる、適切性スコアに基づくことができる。

高い適切性スコアは、現時点がメッセージを送るのに最も適切であることを示し、他方、低いスコアは、現時点がメッセージを送信するのにそれほど適切でないことを示す。１つの実施形態で、現時点に対するスコアが適切であるとみなされるのに十分高いかどうか決定するために適切性閾値を適用することができる（ブロック４４）。もしそうであるならば、メッセージを提供することができる（ブロック４５）。しかしながら、スコアが閾値を満足できない場合、現時点は不適切であるとみなされ（ブロック４４）、さらなる解析が起こり得る。さらなる解析は、適切な時が決定されメッセージが配信されるまで、所定の時間間隔でまたはランダムに起こり得る。

適切性スコアを決定するために、運転者の精神的処理のレベル、運転者を取り巻く環境および条件、ならびにメッセージの重要性を含む、複数の要因が考慮される。図３は、適切性スコアを決定するプロセスを、例として示す流れ図である。最初に、運転者が現在メッセージの受信およびメッセージの受信によって引き起こされる注意散漫を扱うことができるかどうか決定するために、運転者の認知的負荷が計算される（ブロック５１）。ユーザの認知的負荷は、ユーザのワーキングメモリに課された活動の総量、したがって、ユーザに要求される精神的処理の量を意味する。例えば、運転者の認知的負荷が高いとき、運転者は高い量の精神的処理を要求されるためメッセージを見ることを扱うことがそれほど可能でない。逆に、運転者の認知的負荷が低いとき、運転者によってそれほど処理が必要とされないので、運転者はより良くメッセージを見ることを扱うことが可能となり得る。認知的負荷の決定は、図４を参照して以下にさらに説明する。

さらに、メッセージを提示するために将来により良い機会が存在するかどうか（ブロック５２）に関する決定がなされる。具体的には、運転者の経路が決定され、現時点より運転者にメッセージを提示するのに良い機会となり得る経路に沿った位置を決定するために使用される。将来の機会が存在するかどうかの決定は、図６に関して、下記に詳細に論じる。メッセージ重要性は、メッセージが直ちにユーザに配信されるべきかどうか、またはメッセージ配信がより良い機会まで待機可能かどうかを識別するのに役立つように、同様に決定される（ブロック５３）。メッセージ重要性の決定は、図７を参照して以下にさらに論じる。その後、適切性スコアは認知的負荷、将来の機会、およびメッセージ重要性の要因に基づいて決定される（ブロック５４）。

認知的負荷要因は、ユーザの周囲の環境および運転条件に基づいてユーザによって必要とされる精神的処理のレベルを提供する。図４は、運転者の認知的負荷を決定するプロセス６０を、例として示す流れ図である。運転者の認知的負荷は、特定の時点および位置における運転者の現在の運転条件を取り巻く複数の要因に基づくことができる。ユーザの位置は、例えば、車両の位置を決定するためにユーザの自動車の上または中に配置することができる全地球測位システム（「ＧＰＳ」）を使用して識別される。自動車の位置はそれから、運転者が信号灯もしくは標識でまたは交通渋滞で停止しているか、などの運転者の位置の周囲の環境および運転条件を決定するためにＧＰＳ座標を使用して地図上で識別され得る。

ユーザが運転している道路の条件が決定される（ブロック６１）。道路条件は、他の条件と同様に、速度制限、交通量、交通信号、および車線数を含み得る。道路条件に関する情報は、カリフォルニア州マウンテンビューのグーグル社によるＧｏｏｇｌｅマップおよびローカルニュース局からのトラフィックレポートなどの、サードパーティによって提供されるデータから取得することができる。他の種類の情報および情報源が可能である。さらに、ユーザの表情と同様に、天候または他の車両への自動車の近接などの条件を追跡するためにカメラを使用できる。

運転者の自動車からのレーダセンサ読取値を同様に取得し（ブロック６２）、認知的負荷決定で使用することができる。センサは、運転者の前の車両までの距離および運転者の後の車両までの距離を含むデータを取得するために、車両の正面、背面、上面、底面、または側面の上などの自動車の上または中に配置することができる。車内センサは、乗車率データ、あるいは、ブレーキがかかっているかどうか、ハンドルのポジション、警笛が押されているかどうか、または方向指示器もしくは非常灯が点灯しているかどうか、などの自動車による動作に関する情報を取得するために使用することができる。乗車率を決定するために、センサは各々の車の座席の下に配置することができ、人が座席の１つに座るとき、センサが人の重量を感知する。さらに、センサは、自動車の速度および加速を決定する（ブロック６３）ために使用することができる。

道路条件およびセンサ読取値を与えられた、ユーザの動作の例外スコアが計算される（ブロック６４）。例外スコアは、「通常」または正規の動作からのユーザの逸脱または偏差を測定し、速度例外、経路例外、および他の種類の例外を含み得る。速度例外は、ユーザの現在の速度と平均速度との間の偏差の量を測定する。例えば、ユーザは一般に、不慣れな場所では通常よりゆっくり運転するようになる。経路例外は、ユーザの他のどの従前の走行ルートとも異なる、ユーザによって走行された経路を識別する。例外は、ユーザが不慣れな場所で運転しているときのように、ユーザの高い認知的負荷を示し得る。

例外は、サポート・ベクタ・マシン（「ＳＶＭ」）を使用して、またはクラスタ化を介して決定することができる。ＳＶＭが使用されるとき、例外モデルは最初に運転者の過去のデータを用いて構築される。具体的には、過去のデータは、通常範囲の境界を越える既知の例外を含む。例外は識別され、例外として分類され、他方、通常のまたは平均的なデータは別に分類される。過去のデータは、ある期間にわたって取得される、道路条件、センサ読取値、および速度パラメータについての運転者の過去の記録を含む。一度構築されると、モデルは、通常または予想されるデータ、および例外に対する別個の分類の表現である。新しいデータが受信されると、データは、予想されるデータまたは例外に類似するかどうか決定するために、モデルを使用してマッピングされる。新しいデータがモデルに対して位置しているところに基づいて、例外スコアが割り当てられる。

さらなる実施形態で、例外スコアは、Ｋ平均法などの、標準的なクラスタ化アルゴリズムを介して決定することができる。例えば、運転者の過去のデータはクラスタ化される。新しいデータが受信されると、データは各々の前もって形成されたクラスタの中心と比較され、クラスタ中心の各々からのデータの距離が決定される。例外スコアは、クラスタの１つへのデータの距離であると決定される。距離がより長いほど、データはクラスタからより非類似であり、例外性はより高くなる。

１つの実施例で、ユーザ、ビルは、ラッシュ時間の交通の中、ワシントン大学からシアトルのダウンタウンまで運転している。ビルは、放課後、彼のインターンシップに参加するために月曜日から金曜日までこの経路を走行する。通常、ビルは一人で走行する。しかしながら、今日、彼の友人達の２人は、彼らがダウンタウンの映画館で映画を見られるように、ビルの車に乗せてもらうように頼んだ。送信者、レズリーがビルに宛てた携帯メールのメッセージを送信するとき、ビルおよび彼の友人達は、４５番通り北東から離れて入口ランプからＩ−５ハイウェイにちょうど入った。携帯メールのメッセージはメッセージサーバによって遮断され、明日期限であるグループプロジェクトの直前の修正を実行するようにというビルに対する要請を含む。

ビルの位置はＧＰＳを介して識別され、ビルの現在位置の道路条件を決定するために使用される。さらに、レーダセンサ読取値は、速度パラメータを決定するために自動車から取得される。位置データに基づいて、ビルは複数車線を有するＩ−５ハイウェイ上にいると決定され、ビルの位置における道路条件は、他の車両が彼を取り巻いており、どの停止信号の近くでもなく、彼が交通渋滞にいることを示す。具体的には、レーダセンサからの読取値は、自動車が運転者の自動車の３フィート前に位置しており、別の自動車が運転者の自動車の２フィート後ろに位置していることを示す。センサは、ビルの自動車がゆっくり動いていて、ブレーキは用いられておらず、２人の乗客が自動車に乗っていることを同様に示す。ビルは同じ時間にこの同じ経路を頻繁に走行するので、速度または経路に関する例外は識別されない。しかしながら、ビルの友人達が車内にいると識別され、ビルは通常一人でシアトルのダウンタウンまで運転するので、それはビルの「通常」動作から逸脱している。乗客の識別にあたり、乗客の存在はビルの認知的負荷を増加させ得るので、例外スコアが生成される。

最後に、道路条件、センサ読取値、速度パラメータ、および例外スコアに基づき、ユーザの認知的負荷スコアが決定される（ブロック６５）。以下にさらに説明されるように、全体的な認知的負荷は、特定分野の専門家によって書かれたルールまたは機械学習を介して決定され得る。一度決定されると、認知的負荷は、受信時点で受信者にメッセージを送るべきかどうか決定する上で役割を果たす。認知的負荷スコアは、ゼロと１との間の値とすることができる。高い認知的負荷スコアは一般に、ユーザは注意散漫で、メッセージを扱うことができる可能性は低いと想定する。一方、ユーザの認知的負荷がより低い場合、ユーザはメッセージに注意を集中させるより多くの処理能力を有する。

ルールベースの決定は、複数の要因がユーザの認知的負荷にどのように影響を与えるかについて見識を提供する。図５は、運転者の認知的負荷を決定する決定木７０を、例として示すブロック図である。決定木７０は、ユーザによって経験された認知的負荷のレベルについて決定を導く専門家によって提供されたルールから生成される。例えば、専門家によって提供されたルールは以下を含む。

ルール１：道路が１車線街路であるとき７１、ユーザは低い認知的負荷を経験する７６。

ルール２：道路が１車線街路でなく７１、ブレーキが用いられているとき７２、ユーザは低い認知的負荷を経験する７７。

ルール３：道路が１車線街路でなく７１、ブレーキが用いられておらず７２、ユーザの自動車が車に取り巻かれていないとき７３、ユーザは中程度の認知的負荷を経験する７８。

ルール４：道路が１車線街路でなく７１、ブレーキが用いられておらず７２、ユーザの自動車が車に取り巻かれており７３、車両の速度が高いとき７４、ユーザは高い認知的負荷を経験する７９。

ルール５：道路が１車線街路でなく７１、ブレーキが用いられておらず７２、ユーザの自動車が車に取り巻かれており７３、車両の速度が高くなく７４、乗員が存在しているとき７５、ユーザは高い認知的負荷を経験する８０。

ルール６：道路が１車線街路でなく７１、ブレーキが用いられておらず７２、ユーザの自動車が車に取り巻かれており７３、車両の速度が高くなく７４、乗員が存在していないとき７５、ユーザは中程度の認知的負荷を経験する８１。

図５に示すように、ルールは決定木に入力される。取得された現在の車両データはそれから、ユーザの認知的負荷を決定するために決定木に適用される。決定木は、ルールに基づいて組織化される一連のノードとエッジを含み得る。車両データに基づいて木をトラバースするとき、２進値または重みを割り当てることができる。例えば、ビルと彼の友人達についての上記の実施例に戻ると、ビルの認知的負荷は、収集されたデータに基づいて決定木の中をトラバースすることによって決定される。ノード７１を出発して、ビルは複数車線のハイウェイであるＩ−５上を運転しているので、解析はビルがブレーキを用いたかどうか考慮するノード７２に移動する。ビルは現在ブレーキを用いていないので、ノード７３で交通の密度が解析される。ビルは交通渋滞におり、彼の車両は他の車両に取り巻かれている。次に、ノード７４で、ビルの自動車の速度について決定がなされる。ビルはゆっくり運転しており７４、ノード７５で乗員が存在していると決定される。ビルは２人の乗客を車で送っているので、ビルの認知的負荷は中程度のレベルであると決定され、０．５の認知的負荷スコアが割り当てられる。

さらなる実施形態で、ノードから延びる各々のエッジに特定の値を割り当てることができる。例えば、ノード７１に関して、ユーザが１車線のハイウェイを運転している場合、ユーザは０または０．１の値を受け得るのに対して、彼が１車線道路を運転していない場合、ユーザは０．４の値を受けることになる。決定木の中をトラバースした後、値は認知的スコアとして合計されてもよいし、または、合計値の平均が認知的スコアとして計算されてもよい。

認知的負荷は、機械学習を使用して同様に決定することができる。上述したように、モデルが最初に生成される。認知的負荷に対するモデルは、車両データの過去の記録を含む、訓練データを使用して構築することができる。１つの実施形態で、モデルは、複数の要因のベクトル、および、要因に基づく各々のベクトルに関連した認知的レベルを含み得る。過去のデータは、他の運転者の母集団からのものであってもよいし、または、現在のユーザから取得されてもよく、平均速度、ブレーキデータ、幹線街路対脇道の好みなどの好まれる経路、および乗車率データを含むことができる。あるいは、モデルは、ユーザの一般的な母集団に基づき、その後、個人化されたデータに基づいてユーザ用に洗練されてもよい。その後、ユーザに対して取得された現在の車両データは、ユーザの認知的負荷を決定するためにモデルを介してマッピングされる。具体的には、さまざまな車両データ要因を持つベクトルを現在のデータに対して形成することができ、０と１との間、または２進値などの数値を各々の要因に割り当てることができる。例えば、

のように、ベクトルは速度、経路、および乗車率に対する要因を含み得る。その後、ベクトルはモデルベクトルと比較され、認知的負荷に対するスコアが決定される。

さらなる実施形態で、ユーザが彼の電話または他のモバイル機器を利用する時および状況などの、過去のデータ観察は、認知的負荷を決定するのに役立つように使用できる。ユーザは一般に、彼が低いストレス状況にあり、話すまたはメッセージを読む能力があるときに彼の電話を使用する可能性がいっそう高い。例えば、ユーザは、彼が赤信号で停止している間、ブレーキの上に足を乗せている間、交通量の少ない地域を運転している間、または乗員がいない間に、メッセージを開き読むことができる。対照的に、過去の記録は、ユーザが速い速度でまたは乗員を乗せて高速道路を運転しているとき彼の電話を使用しないことを示し得る。このように、ユーザが彼の電話を使用する時またはシナリオは、ユーザの低い認知的負荷として識別することができ、他方、ユーザが彼の電話を使用しない時またはシナリオは、高い認知的負荷として識別することができる。過去の電話利用記録は、運転者が電話を使用するのに都合がよい時と考える内容と時期についてデータを提供し、ユーザの定義による、都合がよい時間中のメッセージの送信を促進する。

メッセージは、ユーザの認知的負荷にのみ基づいて送信することができる。しかしながら、認知的負荷が１．０のうち０．５または０．６などの中程度のとき、現時点がユーザにメッセージを提供するのに本当に適切であるかどうか確認するためにさらなる要因を考慮するべきである。メッセージを提供する将来の機会およびメッセージ重要性は、ユーザにメッセージを送信する適切な時を決定するのに役立ち得る要因である。図６は、運転者にメッセージを提供する将来の機会を決定するプロセス８４を、例として示す流れ図である。具体的には、ユーザに限定された注意散漫でメッセージを提示する将来の機会があるかどうかに関する見積りが決定される。最初に、ユーザの過去の運転記録が最近ｎヶ月にわたって取得される（ブロック８５）。ｎヶ月の数は、自動的に決定してもよいし、システムまたは専門家を介して前もって決定してもよい。過去の運転記録は、ユーザの以前に走行した経路を含むことができる。以前に走行した経路から、運転者の現在の運転方向と一致する１つまたは複数の頻繁に走行した経路が識別される（ブロック８６）。頻繁に走行した経路は、少なくともｋ回使用された、これらの以前に走行した経路として、識別することができる。ｋの値は、自動的に決定してもよいし、システムまたは専門家を介して前もって決定してもよい。

頻繁に走行した経路が何も識別されない場合（ブロック８６）、ユーザの方向で他の運転者の間で最も人気のある経路が選択される（ブロック８７）。最も人気のある経路は、さまざまな運転者から集約された過去のデータに基づく、または特定分野の専門家によるラベル付けされた経路に基づくことができる。頻繁に走行した経路または最も人気のある経路はそれから解析され（ブロック８８）、経路のうちの１つが選択される（ブロック８９）。複数の頻繁に走行した経路または人気のある経路が存在するとき、経路の各々の平均時間が決定される。それから、運転者の現在の運転時間に最も近い平均時間を有する経路が選択される。あるいは、ただ１つの頻繁に走行した経路または人気のある経路のみ存在する場合、その経路が選択される。最後に、選択された経路は、運転者に通知を提示する良い機会が存在するかどうか識別する（ブロック８６）ために使用され、将来の機会スコアが生成される。特定分野の専門家によって設計された専門家ルールは、良い機会が存在するかどうか決定するために使用できる。例えば、良い機会は、低速の街路、およびまれに走行した道路と同様、停止信号または停止標識を含み得る。将来の機会スコアを計算するために、ルールの各々に値を関連づけることができる。

上記の実施例に戻って、ビルはワシントン大学からシアトルのダウンタウンまで走行している。ビルはＩ−５で南に向かっているので、ビルの過去の運転記録は、ビルの現在の運転方向に一致する以前に走行した経路があるかどうか決定するために解析される。ビルは仕事に行くために月曜日から金曜日までこの経路を運転するので、ワシントン大学からビルの仕事場までの経路は、ワシントン大学から、ビルがしばしば行く、ウェストシアトルのビルのお気に入りのレストランまでの経路と同様に、識別される。ウェストシアトルはシアトルのダウンタウンの南西に位置し、ビルはウェストシアトルまで運転するときダウンタウンを通過する。ビルの現在の経路に一致する複数の頻繁な経路があるので、各々の経路の平均時間が再検討される。仕事の経路は２０分であり、レストランの経路は３０分である。上記のように、送信者がビルに宛てた携帯メールのメッセージを送信するとき、ビルはちょうどＩ−５ハイウェイに入ったところであった。この時点では、ビルは約６分間運転していた。したがって、この経路がビルの現在の運転時間に最も近いので、ビルの仕事への経路が選択される。さらなる実施形態で、時刻が考慮され得る。例えば、ビルが月曜日の朝に午前７時３０分に運転していて、Ｉ−５で南に向かっている場合、彼は仕事に行こうとしている可能性が最も高い。

選択された仕事の経路は解析され、メッセージを提供する将来の機会は、この直線コースは通常いつでも渋滞していて交通が毎時約２０マイルと非常に遅いので、４５番通り入口とマーサー・ストリート出口との間のＩ−５の直線コース上で識別される。さらなる将来の機会は、ビルの現在位置から約７分である、ユニオン・ストリート出口において識別される。停止信号は、交通量の多い交差点に出口からすぐに位置しているので、赤信号の長さはかなり長い場合がある。将来の機会の複数の事例、各々の将来の機会の質および将来の機会の近接に基づいて、０．８の高い将来の機会スコアが提供される。

ユーザにメッセージを配信する適切な時を決定するのに使用される別の要因は、メッセージ重要性を含む。例えば、重要なメッセージは、より高い認知的負荷にもかかわらず、タイムリーなやり方でユーザにより適切に提供される。図７は、メッセージ重要性を決定するプロセス９０を、例として示す流れ図である。２０１４年１２月２３日出願の、事件番号第２０１２０３３６ＵＳ０１号の、「Ｃｏｍｐｕｔｅｒ−Ｉｍｐｌｅｍｅｎｔｅｄ Ｓｙｓｔｅｍ ａｎｄ Ｍｅｔｈｏｄ ｆｏｒ Ｐｒｉｏｒｉｔｉｚｉｎｇ Ｅｌｅｃｔｒｏｎｉｃ Ｍｅｓｓａｇｅｓ Ｂａｓｅｄ ｏｎ Ｉｍｐｏｒｔａｎｃｅ（重要性に基づいて電子メッセージに優先順位をつけるコンピュータ実装システムおよび方法）」と題した、共同所有の米国特許出願第１４／５８１，９４５号明細書にさらに詳細に説明されるように、メッセージ重要性は、複数の要因に基づくことができる。メッセージ重要性を決定するために、運転者に宛てたメッセージはメッセージの送信者を決定するために解析され、送信者のユーザに対する重要性に基づいて、スコアが割り当てられる（ブロック９１）。送信者に基づいて認識される重要性は、複数の通信チャネル、ソーシャルネットワークおよびコンテキストにわたって決定される。スコアは次に送信者の重要性を決定するために通信パターンに基づく。例えば、送信者が複数のソーシャルネットワークにわたってユーザと関連していて頻繁にユーザと通信するとき、送信者は重要だとみなされる。１つの実施形態で、スコアは重要な送信者を示す１つの値を持つ２値とすることができ、他方の値は重要でない送信者を示す。あるいは、送信者の重要性を表すために、０と１との間などの連続性のスコアリングを使用してもよい。

メッセージは、メッセージが要請または提案された動作を含むかどうか決定するためにさらに解析される（ブロック９２）。要請または動作が存在しているかどうか決定するために、要請または動作を代表する、メッセージ中の用語を識別するように、言語行為分類基準がメッセージに適用される。言語行為分類基準は、動詞および名詞に分けることができ、他方各々の電子メールメッセージは１つまたは複数の動詞−名詞対によって表される。例えば、会合を提案する電子メールは「提案する」および「会合」というラベルを含むことになる。要請または動作を識別するための最も一般的な言語行為動詞は、配信する、要請する、約束する、および提案するであり、最も一般的な名詞は、会合およびデータである。メッセージ中の言語行為を識別するために前もって訓練された言語予測器が使用される。予測器は、サポート・ベクタ・マシンなどの機械学習方法を使用して大量の電子メールデータセットに基づいて言語行為を認識するように訓練することができる。より高いスコアは、高い要請または提案スコアを持つそれらのメッセージなどの、ユーザからの即座の動作を必要とするメッセージに割り当てられる。

さらに、メッセージを読むために必要な時間の長さは、言語の難しさおよび使用される文構造の複雑さなどの他の要因と同様に、メッセージの長さに基づいて決定される（ブロック９３）。１つの実施形態で、読取持続時間Ｄは、次式を使用して、メッセージに含まれる用語の総数ｃに基づいて近似される。

式中ｅは自然対数の底であり、ｅ^ｘはｘの指数値を計算する。

メッセージに対するルールベースのスコアは同様に決定される（ブロック９４）。ルールは、送信者の識別情報に基づいて特定のスコアを割り当てること、メッセージ内に出現する特定の単語に基づいてスコアを割り当てること、および識別された単語の組合せに基づいて特定のスコアを割り当てることを含み得る。ルールの各々がメッセージに適用され、ルールの各々に基づいてスコアが割り当てられる。その後、スコアは、全体的なルールベースのスコアのために合計される。

送信者重要性、要請または動作の包含、メッセージ持続期間、および適用されたルールを含む、４つの重要性要因の各々に一度スコアが割り当てられると、メッセージの重要性を代表するスコアを決定するためにスコアは合計される（ブロック９５）。スコアを合計するのに先立って、要因の各々にさらなる異なった重みを関連づけることができる。

上記の実施例に戻ると、レズリーは、「明日のプレゼンテーションのために配布資料を校正してください」を含むビルに宛てたメッセージを送信する。ビルとレズリーは、プロジェクトでの彼らの共有作業のために頻繁に互いにメッセージを送っていて、複数のソーシャル・ネットワーキング・サイトを介して接続されているので、送信者、レズリーは、重要であると識別される。レズリーによって要請された動作が識別され、メッセージを確認するのに必要な時間の長さは短いと決定される。０．７の値がメッセージ重要性スコアとして割り当てられる。

最後に、ユーザに宛てたメッセージを提供するべきかどうか決定する適切性スコアは、認知的負荷、将来の機会、およびメッセージ重要性に基づいて決定することができる。図８は、適切性スコア１０１を計算するプロセス１００を、例として示すブロック図である。適切性スコア１０１は、特定分野の専門家によって書かれたルール１０２、機械学習方法１０３を介して、または認知的負荷、将来の機会、およびメッセージ重要性に対する個々のスコアを合計すること１０４によって、決定することができる。高い適切性スコアは、メッセージがユーザに配信するのに最も適切であることを示し、他方、低い適切性スコアは、メッセージを送るのにそれほど適切でないことを示す。

適切性スコアを決定するのに先立って、認知的スコアおよび将来の機会スコアを正規化することができる。上記のように、高い認知的負荷は、高いレベルの精神的処理がユーザに要求されており、したがって、ユーザは、さらなる精神的処理を必要とすることになるメッセージを扱うことができる可能性は低く、メッセージを送ることは不適切であることを示す。一方、高い将来の機会スコアは、一般に現時点においてメッセージを提供する適切性を減少させる、１つまたは複数の将来の機会が存在することを示し、他方、低いスコアは、将来の機会は可能性が低く、ユーザにメッセージを提供する適切性が高いことを示す。したがって、認知的負荷スコアおよび将来の機会スコアは、適切性スコアを計算するために要因が適正に考慮されるように正規化すべきである。正規化は認知的負荷および将来の機会のスコアの各々を反転させることを含み得る。反転は、認知的負荷が低いときおよび将来の機会が低いとき適切性スコアが高いことを保証する。他の種類の正規化が可能である。

適切性スコアのためのルールベースのスコアリングは、専門家によって書かれたルールを信頼する。例えば、認知的負荷スコアが０．２を超え、将来の機会スコアが０．３５を超え、メッセージ重要性が０．５を超える場合、メッセージは直ちにユーザに提供される。さらに、認知的負荷スコアが０．３を超え、将来の機会スコアが０．６を超え、メッセージ重要性が０．５を超える場合、最も早い将来の機会を待機する。他のルールベースの実施例は１つまたは複数の要因を考慮することができる。例えば、認知的負荷に対する正規化されたスコアが１０以上であるとき、ユーザのワーキングメモリに課された活動の総量は低く、ユーザはメッセージの受信を扱うことができる可能性が高いので、メッセージはユーザに直ちに送信されるべきである。さらに、認知的負荷スコアが７のようにやや低いが、メッセージが極めて重要である場合、メッセージは、将来の機会について考慮することなく直ちにユーザに提供され得る。必要と決定された任意の数のルールが定義され得る。あるいは、適切性スコア決定を単純化するために、所定数のルールが適用されてもよい。

適切性スコアを決定するための機械学習方法１０３は、サポート・ベクタ・マシンを利用することができる。運転者の認知的スコア、将来の機会スコア、およびメッセージ重要性スコアの組合せは、運転者の認知的スコア、将来の機会スコア、およびメッセージ重要性スコアのさらなる受信された組合せに対して適切性スコアを割り当てるためのモデルを構築するために、特定分野の専門家によって適切性スコアを用いてラベルを付けられ、訓練材料として提供される。モデルは、ユーザの意思決定を取り巻く環境と同様に、ユーザ（複数可）が以前にメッセージを受け入れたとき、およびユーザ（複数可）が以前にメッセージを拒否したときを識別する過去の記録を含む訓練データを使用して構築することができる。その後、取得された認知的スコア、将来の機会スコア、およびメッセージ重要性はモデルと比較され、現時点においてユーザにメッセージを提供する適切性が決定される。

さらにまた、適切性スコアは、認知的負荷、将来の機会、およびメッセージ重要性のスコアを合計するか、スコアの平均を取るか、またはスコアの算術平均を計算することにより、計算できる。１つの実施形態で、以下の式によって示されるように定義済みの重みを要因の各々に割り当てることができる。

Ａ＝ｗ_１＊ＣＬ＋ｗ_２＊ＦＯ＋ｗ_３＊ＭＩ （２）
式中、ＣＬは認知的負荷に対する正規化されたスコアであり、ＦＯは将来の機会に対する正規化されたスコアであり、ＭＩはメッセージ重要性に対するスコアである。重みの各々はｗ_１、ｗ_２、およびｗ_３によって表される。適切性スコアを計算するために他のプロセスまたは式が可能である。

状況がユーザにメッセージを提供するために必要とされる適切性のレベルに生じるかどうか決定するために、閾値を適用することができる。１つの実施例で、閾値は９とすることができ、閾値と等しいまたはそれを超える任意の適切性スコアは、ユーザにメッセージを提供することを指示することができる。他の閾値の値が可能である。

例えば、上記の実施例に戻ると、ビルは現在Ｉ−５高速道路に入っていて、ユニオン・ストリートで、３出口で降りることになる。０．５の認知的負荷スコアが割り当てられており、ビルに宛てたメッセージを提供する２つの将来の機会が識別されて０．８のスコアが割り当てられ、メッセージはビルが明日の前に完了しなければならない動作を含むのでメッセージの重要性は０．７として決定される。認知的負荷および将来の機会のスコアは、逆数を取ることによって正規化され、正規化されたスコアは今、認知的負荷に対して２であり、将来の機会に対して１．２５である。認知的負荷、将来の機会、およびメッセージ重要性に対するスコアを合計することにより、３．９５の適切性スコアが計算される。ユーザにメッセージを提供することに対する定義済みの閾値は９である。したがって、適切性スコアは閾値を下回るので、メッセージは現在ビルに提供されない。しかしながら、ビルの位置および活動はまだ監視され、メッセージは、その機会における適切性スコアに基づいて識別された将来の機会の１つになどの、さらなる時に提供される。

適切性スコアを決定する上記で識別されたプロセスは、メッセージが現在ユーザに提供されるべきかどうかに関してイエスまたはノーの答えを提供する。しかしながら、ユーザの経路に沿ったメッセージを提供する最良の機会が識別され得るように、ユーザにメッセージを提供するべきかどうかの決定は、適切性スコアが、識別された将来の機会に割り当てられるのと同様に、ユーザに宛てたメッセージがサーバによって受信されるとき現在の事例に割り当てられるような、スコアリングの連続に基づくことができる。識別された将来の機会においてメッセージを提供することに対する適切性は、ユーザの現在位置からの将来の機会の距離および将来の機会の質を含む、他の要因と同様に、ユーザの認知的負荷、他の将来の機会、およびメッセージ重要性に基づくことができる。例えば、交通信号灯は、将来の機会として識別することができ、機会の質は、交差点における赤信号の長さに基づくことができる。ユーザは赤信号で停止し、通常低い認知的負荷を有するので、赤信号が長いほど、機会は高い質となる。

さらなる実施形態で、２０１４年１２月２３日出願の、事件番号第２０１３０８２６ＵＳ０１号の、「Ｓｙｓｔｅｍ ａｎｄ Ｍｅｔｈｏｄ ｆｏｒ Ｆａｃｉｌｉｔａｔｉｎｇ Ｄｒｉｖｅｒ Ｃｏｍｍｕｎｉｃａｔｉｏｎ ｖｉａ ａｎ Ａｕｄｉｏ Ｃｅｎｔｒｉｃ Ｎｅｔｗｏｒｋ（音声中心ネットワークを介して運転者通信を容易にするシステムおよび方法）」と題した、米国特許出願第１４／５８２，００５号明細書に説明されるように、運転者にメッセージを送る適切な時を決定することは、音声中心ネットワーク内での運転者通信のために使用することができる。具体的には、近くの周辺にいる運転者は、所定の範囲内の別の運転者を選択し交信を始めることによって、運転中に互いに口頭で通信できる。

Claims (10)

1. 運転者にメッセージを提供する適切な時を決定するコンピュータ実装システムであって、
   自動車の運転者に対するメッセージを受信する受信モジュールと、
   前記自動車の動きを監視し、前記運転者への前記動きの親密性を決定するセンサと、
   前記自動車によって感知されたデータを取得するデータモジュールと、
   前記動きの前記親密性および前記感知されたデータに基づいて、前記運転者の認知的負荷を計算する認知的決定モジュールと、
   前記計算された認知的負荷が低いとき前記運転者に前記メッセージを提供する配信モジュールと、
   を備える、コンピュータ実装システム。
2. 将来の時点が前記運転者に前記メッセージを提供するより良い機会を提供すると決定する、時機決定モジュールと、
   前記計算された認知的負荷が高いとき、前記将来の時点において前記運転者に前記メッセージを送信する送信モジュールと、
   をさらに備える、請求項１に記載のコンピュータ実装システム。
3. 運転中に前記運転者の携帯電話利用を記録する監視モジュールと、
   前記運転者が運転する際に前記携帯電話を使用している時および場所のうち少なくとも１つを識別する識別モジュールと、
   前記運転者が前記携帯電話を使用していると決定されるとき低い認知的サブスコアを割り当てる割当モジュールと、
   をさらに備える、請求項１に記載のコンピュータ実装システム。
4. 前記認知的負荷に対するスコアを計算するスコア計算モジュールであって、
   前記運転者が前記自動車を運転している道路の条件を決定する条件モジュールと、
   車内に配置されたレーダセンサの読取値を取得する読取モジュールと、
   前記自動車の速度を決定する速度決定モジュールと、
   前記道路条件、レーダセンサ読取値および自動車速度に基づいて、前記運転者が従前の動作と類似した前記自動車を運転している間の動作を実行しているかどうかを決定する動作決定モジュールと、
   決定された前記動作の類似性、前記道路条件、前記レーダセンサ読取値、および前記自動車速度に基づいて、前記運転者の前記認知的スコアを決定するスコア決定モジュールと、
   を備える、スコア計算モジュールをさらに備える、請求項１に記載のコンピュータ実装システム。
5. 決定木および機械学習のうちの１つを介して前記認知的負荷を決定する負荷決定モジュール、
   をさらに備える、請求項１に記載のコンピュータ実装システム。
6. 運転者にメッセージを提供する適切な時を決定するコンピュータ実装方法であって、
   自動車の運転者に対するメッセージを受信することと、
   前記自動車の動きを監視し、前記運転者への前記動きの親密性を決定することと、
   前記自動車によって感知されたデータを取得することと、
   前記動きの前記親密性および前記感知されたデータに基づいて、前記運転者の認知的負荷を計算することと、
   前記計算された認知的負荷が低いとき前記運転者に前記メッセージを提供することと、
   を備える、コンピュータ実装方法。
7. 将来の時点が前記運転者に前記メッセージを提供するより良い機会を提供すると決定することと、
   前記計算された認知的負荷が高いとき、前記将来の時点において前記運転者に前記メッセージを送信することと、
   をさらに備える、請求項６に記載のコンピュータ実装方法。
8. 運転中に前記運転者の携帯電話利用を記録することと、
   前記運転者が運転する際に前記携帯電話を使用している時および場所のうち少なくとも１つを識別することと、
   前記運転者が前記携帯電話を使用していると決定されるとき低い認知的サブスコアを割り当てることと、
   をさらに備える、請求項６に記載のコンピュータ実装方法。
9. 前記認知的負荷に対するスコアを計算することであって、
   前記運転者が前記自動車を運転している道路の条件を決定することと、
   車内に配置されたレーダセンサの読取値を取得することと、
   前記自動車の速度を決定することと、
   前記道路条件、レーダセンサ読取値および自動車速度に基づいて、前記運転者が従前の動作と類似した前記自動車を運転している間の動作を実行しているかどうかを決定することと、
   決定された前記動作の類似性、前記道路条件、前記レーダセンサ読取値、および前記自動車速度に基づいて、前記運転者の前記認知的スコアを決定することと、
   を備える、前記認知的負荷に対するスコアを計算することをさらに備える、請求項６に記載のコンピュータ実装方法。
10. 決定木および機械学習のうちの１つを介して前記認知的負荷を決定すること、
    をさらに備える、請求項６に記載のコンピュータ実装方法。

Images