JP2016525983A

JP2016525983A - 車両内の設定を調整する方法

Info

Publication number: JP2016525983A
Application number: JP2016517794A
Authority: JP
Inventors: ニコヴスキ、ダニエル・エヌ; ジョーンズ、マイケル
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2013-08-12
Filing date: 2014-07-11
Publication date: 2016-09-01
Also published as: DE112014003714T5; DE112014003714B4; WO2015022838A1; US20150046060A1

Abstract

車両内の設定が、トレーニング中に車両サブシステムから取り込まれたセンサデータの入力ベクトルに対応する出力ベクトルの予測モデルを最初に学習することによって調整される。各入力ベクトルは車両に関連付けられる既知のコンテキストを規定する。車両の後のオペレーティング中に、サブシステムから更なる入力ベクトルが得られ、その後、設定を調整する対応する出力ベクトルが予測モデルから求められる。

Description

本発明は、包括的には車両内の調整可能な設定の自動カスタマイゼーションに関し、より詳細には、乗員の快適性を最大化し、運転者の注意力散漫を最小化するように設定を調整することに関する。

最新の車両は、運転者および乗員の快適性を改善するために、車両設定をカスタマイズおよびパーソナライズできるようになっている。例えば、車両は、高さ、位置、傾斜および温度を調整可能な座席と、調整可能な車外および車内バックミラーと、インフォテイメントコンソールと、温度、ファン速度、および複数の吹出し口のための気流方向を調整可能な空調システム（環境制御システム）等を含むことができる。

カスタマイゼーションは乗る人の快適性を最大化することができるが、複数のユーザが同じ車両を異なる時点において定期的に運転する可能性があることも多く、ユーザはこれらの変更可能な設定に対して非常に異なる位置を好む可能性がある。最も頻繁には、これは、車両の使用が定期的に共有されるときに生じる。多くの場合に、各ユーザは、他のユーザによって選択された設定を不快であると感じることになり、特に車両の始動時に「中立（ｎｅｕｔｒａｌ）」設定があらかじめ選択されているときにはそうであり、現在のユーザは好みおよび設定を調整せざるを得ない。調整は不便であり、時間を要するだけでなく、運転者が、設定が悪いことに気が付かなかったために、または運転者が時間を節約しようとしているか、もしくは現在の運転および交通状況、もしくは外気温度のような他の条件に合うように設定を調整しようとしているために、車両が移動しているときに調整する場合、非常に危険である可能性もある。

この問題に対する１つの取り得る解決策は、運転者の身元を認識し、設定の組を特定の運転者に関連付けることである。運転者の身元を認識する１つの取り得る手段は、車両キー内に識別情報（ＩＤ）を埋め込み、運転者ごとに異なるキーを使用することである。特許文献１は、許可のために使用されるスマートカードキーによって運転者の身元を認識し、カードに関連付けられるユーザに関する好ましい性能および乗車パラメータを記憶するための方法を記述している。

特許文献２は、キーのユーザごとに好ましい座席位置を記憶する１組の異なるイグニションキーに基づいて自動的に座席を位置決めするための方法を記述している。

運転者の身元を認識するために、生体認証を使用することもできる。生体認証は、顔、指紋または網膜認識法に基づくことができる。特許文献３は、車両内のカメラによって取り込まれた画像から顔を認識することによって運転者を識別するための方法を記述している。特許文献４は、指紋および網膜スキャナを使用する車両セキュリティシステムを記述している。特許文献５は、幾つかの生体認証技法を用いるマルチモーダルアルゴリズムに基づいて運転者の身元を確認するための方法を記述している。特許文献６は、ユーザの物理的特徴を示すデータに基づく車両パーソナライゼーションシステムを記述している。それらの方法の利点は、運転者が、認識されるべきいかなる特殊なデバイスも携帯する必要がないことである。

しかしながら、運転者を識別するためのキーに基づく方法および生体認証方法にはいずれも、著しく不都合な点がある。第１の不都合な点は、スマートカードキー、カメラ、指紋および網膜スキャナ等の専用機器と、これらの機器を製造するシステムとを必要とすることである。第２の不都合な点は、車両設定をパーソナライズするのに運転者の身元がわかれば十分であると仮定することから生じる。これは、カスタマイズされた設定を必要とする車両内の人が運転者だけであるなら当てはまることになる。しかしながら、それは多くの場合に当てはまらない。例えば、車室内温度は、全ての乗員の好みに基づき、運転者の好みだけには基づかない。ラジオ放送局のプリセットは、運転者と同程度に、乗員によって使用される可能性もある。

例えば、全座席における専用のＩＤバッジまたは生体認証機能によって、車両占有者の複数の身元を認識することはできるが、そのような認識は厄介であり、および／またはパーソナライゼーションによって提供される利便性と比べて法外に費用がかかる可能性がある。

米国特許第６，１９８，９９６号米国特許第４，９２０，３３８号米国特許第６，８１０，３０９号米国特許第５，６８６，７６５号米国特許第８，３４４，８４９号米国特許出願公開第２００８／０２２８３５８号

本発明の実施形態は、車両内の運転者および他の乗員に関する複雑で、費用がかかる識別を必要とすることなく、車両の設定を動的に調整する方法およびシステムを提供する。

そのシステムは、エンジン制御ユニット（ＥＣＵ）および車両ナビゲーションシステムのような車両のサブシステムからセンサデータを取り込み、センサデータを既知の設定に関連付ける。正確な関連付けは、現在のオペレーティングコンテキストの適切な表現に対して作用する機械学習手順（ＭＬＰ）によって確立される。信頼性のある予測モデルが構成された後に、そのモデルを定期的に用いて、現在のコンテキストのための正確な設定を予測し、それらの設定が現在の設定と異なる場合には、自動的に調整が開始される。そのモデルは、経時的に、または要求に応じて更新することができる。

本発明の実施形態による、車両内の設定をカスタマイズし、調整する方法およびシステムのためのシステムおよび方法のブロック図である。本発明の実施形態による、トレーニング段階のブロック図である。

本発明の実施形態は、車両内の設定を自動的にカスタマイズし、調整する方法およびシステムを提供する。本発明は、車両内の運転者および他の乗員に関する複雑で、費用がかかる識別を必要とすることなく、車両設定をパーソナライズする問題に対処する。本発明は、任意の所与の時点において、好ましい設定は現在の運転者に特有ではなく、むしろ、現在のコンテキストに特有であるという着想に基づく。コンテキストの認識は、車両の決められた動作中に車両の動作のサブシステムから取り込まれたセンサデータから可能である。好ましい実施形態では、その方法およびシステムは、所望により専用センサを使用することもできるが、既に設置されているセンサまたは識別デバイス以外に、車両内に更なるセンサまたは識別デバイスを一切必要としない。また、乗員の身元は明確に知られる必要はない。

コンテキスト
本明細書において定義されるときに、「コンテキスト」は、同一であるのではなく、オペレーティング上の何らかの共通点によって特徴付けられる、１組の状況である。コンテキストの一例は、車両運転者、またはおそらく別の乗員による通勤または通学である。この場合、共通点は、外気温度、移動時間等の、他の変化があるか否かに関係ない、時刻（朝）および日タイプ（出勤日／登校日）である。１組の好ましい設定は、このコンテキストと、このコンテキスト中の車両の想定されるユーザとに関連付けることができる。

別の例は、運転席および客席が占有されるときのコンテキストである。この場合、このコンテキストに関連付けられる１組の好ましい設定は、両方の占有者にとって快適である設定、例えば、「中立」温度に対応する。これらの設定は、車両内に１人の占有者しかいないときの２つの別々のコンテキストのためのいずれか１組の好ましい設定における設定とは異なる可能性があることに留意されたい。

運転者の身元はコンテキストを規定する共通点とすることもできるので、車両コンテキストの概念は、運転者識別情報に基づく車両パーソナライゼーションに対する手法を包含する。例えば、運転者Ａが車両を運転しているときの１組の状況が１つのコンテキストを規定することができ、同様に、運転者Ｂが車両を運転しているときの１組の状況が別のコンテキストを規定する。しかしながら、本発明者らによる手法では、コンテキストは、従来技術のように運転者ＩＤによって識別されるのではなく、むしろ、センサデータ内の意味のある共通点によって識別される。

したがって、本発明者らは、車両パーソナライゼーションの問題を、運転者および／または乗員を識別するタスクではなく、好ましい設定を得るためにセンサデータによって規定されるコンテキスト間を関連付けるタスクに帰着させる。このタスクにおける主な問題は、好ましい設定における既知の変化を予測するコンテキストを認識することにある。

方法システム概説
図１に示されるように、その方法およびシステムは、トレーニング段階２００およびオペレーティング段階３００を含む。トレーニングは、一度とすることもできるし、定期的にすることもできるし、連続的にすることもできるし、要求に応じてすることもできる。トレーニング中に、トレーニングセンサデータ１０１が、車両１０２内のサブシステム（後に示される）から取り込まれる。トレーニングデータは、被観測入力ベクトル３０１および被観測出力ベクトル１０３の対を含む。入力ベクトルは、現在のコンテキストを規定する。出力ベクトルは、調整することができるデバイスのための現在の設定を規定する。トレーニングデータは、機械学習手順（ＭＬＰ）２１０を使用して予測モデル２５０を構成するために用いられる。ＭＬＰの目的は、入力ベクトル（コンテキスト）と出力ベクトル（このコンテキストに対応する設定）との間の因果関係を確立することである。

オペレーティング３００中に、トレーニング段階と全く同じように、センサデータの入力ベクトルｘ３０１が定期的に構成される。オペレーティング中に、現在のコンテキストに対する正確な出力ベクトルは未知であり、予測モデル２５０を用いて、正確な出力を求めることが予測方法の目的である。入力ベクトル３０１は、車両の通常動作中にサブシステムから取り込まれたセンサデータから得ることができる。センサデータは、以下に示されるように、時系列である。その後、予測モデルを用いて、対応する出力ベクトルｙ_ｐｒｅｄ３０２を生成し、次に出力ベクトルによって、現在のコンテキストに応じて車両設定ｚ１１０を自動的に調整する。

その方法のステップは、当該技術分野において既知であるように、メモリ１０９および入／出力インターフェースに接続されるプロセッサ１００において実行することができる。インターフェースは本明細書において説明されるバスに接続することができる。

トレーニング
図２に示されるように、ＭＬＰ２１０は、入力ベクトルｘ、出力ベクトルｙおよび設定ｚの間の隠れた関係を発見することができる。センサデータは、Ｍ個の例からなるトレーニングセットに編成される。ただし、各例は対（ｘ^（ｋ），ｙ^（ｋ））であり、ｋ＝１，．．．，Ｍである。入力ベクトルｘ＝［ｘ_１，ｘ_２，．．．，ｘ_Ｎ］はＮ個の成分を有し、それらの成分は、車両サブシステム２２０から直接（２０１）測定されるセンサデータとすることもできるし、以下に説明されるように、式、関数または抽出手順によって間接的に（２０２）導出されるセンサデータとすることもできる。出力ベクトルｙ＝［ｙ_１，ｙ_２，．．．，ｙ_Ｐ］はＰ個の成分を有し、それらの成分は、サブシステムの独立して調整可能な設定ｚ_ｉに関連付けられるが、必ずしも一致しない。ただし、ｉ＝１，．．．，Ｌである。

入力ベクトルの構成中に使用することができるセンサデータは、限定はしないが、エンジン制御ユニット（ＥＣＵ）、車両加速度、制動力、エンジン毎分回転数（ｒｐｍ）、燃費効率、バッテリ充電等からの変数、およびコントローラエリアネットワーク（ＣＡＮ）バスに接続されるデバイスからの変数を含むことができる。ＣＡＮバスは、マイクロコントローラおよびデバイスがホストコンピュータを用いることなく互いに通信できるように設計された車両バス規格である。ＣＡＮバスは、エンジン制御ユニット、パワートレイン制御モジュール、トランスミッション、エアバッグ、アンチロックブレーキング、クルーズコントロール、電動パワーステアリング、オーディオシステム、ウインドウ、ドア、ミラー調整の制御のためのユニット、ハイブリッド自動車または電気自動車のためのバッテリシステムおよび再充電システム、燃料システム、車室内温度、乗員座席占有インジケーター、時刻、日付、速度、方向、行先、推定到着時刻を指示することができる車両ナビゲーションユニット、並びにインフォテイメントシステム等の種々のサブシステムのための、おそらく約百個の電子制御ユニット（ＥＣＵ）を有する最新の車両において特に有用である。

間接データ２０２は、限定はしないが、日タイプ（就業日対週末）、曜日、一日の中の時間帯（午前、午後、夕方、夜間）等を含むことができる。

調整可能な設定ｚ１１０は、限定はしないが、座席高、位置、傾斜および温度、バックミラー位置（車内ミラー、左側ミラーおよび右側ミラー）、ラジオ放送局のプリセット、空調システム温度設定点（別々に利用可能な場合には、運転者側および乗員側）、ファン速度、全ての吹出し口に対する気流方向等を含むことができる。

トレーニングおよびオペレーティング中に入力ベクトルｘを構成し、出力ベクトルｙを生成する幾つかの方法がある。入力ベクトルｘを構成するための１つの方法は、直接データ２０１および間接データ２０２を含む。この方法は、これらの変数のうちの１つまたは複数によって決まるコンテキストを認識する際に非常に実効的である可能性がある。例えば、１人のユーザが平日のみ車両を運転し、別のユーザが週末のみ車両を運転する場合には、このようにして構成される入力ベクトルは、パーソナライゼーションのために関連する２つのコンテキストを区別するために必要な全ての情報を有する。この場合、導出されるデータは、例えば、日タイプである。２人以上のユーザ間の重なり合わない他のタイムシェアリングも、このタイプの入力ベクトルによって取り扱うことができる。

より複雑なコンテキスト認識は、最新のセンサデータおよび現在時刻前のより長い期間例えば、車両が始動された時点から、現在時刻まで暫くの間、車両が移動している期間からのデータが使用されるように、入力ベクトルに含むために考慮されるデータの範囲を広げることによって実現することができる。この後者の条件は、運転者が同じであり、他の占有者の位置が変わっていないと仮定する。このデータを利用できることにより、はるかに広い範囲の取り得るコンテキスト、例えば、運転者が開始する具体的な行動シーケンスだけでなく、加速および制動のパターンによって示されるような、現在の運転者の運転スタイルによって規定されるコンテキストを捕らえることができる。例えば、１人の運転者が常に、エンジンを始動し、その後、シートベルトは嵌め込む場合があるのに対して、他の運転者はこれら２つの作業を逆の順序で実行する。行動の順序の違いに注目することによって、関連付け手順は、２人の運転者を、そしてそのコンテキストを区別することができる。

より大きな１組のセンサデータが使用される場合には、その問題は、高次の時系列と現在の設定との間の関連付けの１つになる。ここで、実際に検討すべき事柄は、１つの時系列内の大きなデータセットデータを取り扱う方法である。入力ベクトルｘは一定の次元数を有するのに対して、時系列データは経時的に増加するので、そのデータの全てを入力ベクトルｘに含むことは不可能である。１つの可能性は、時系列の持続時間を制限することである。しかし、この場合であっても、ｘのサイズは急速に増大し、ｘと出力ベクトルｙとの間の関係の信頼性のある推定は、法外な量のトレーニングデータを必要とすることになる。

この問題に対処する１つの取り得る方法は、短いサブシーケンスが出力ベクトルを十分に予測するという特性を用いて、高次元の時系列全体内の限られた数のこれらの短いサブシーケンスを探索することである。

そのようなサブシーケンスはモチーフまたはシェイプレット（ｓｈａｐｅｌｅｔｓ）として知られており、計算効率のよい手順によって、１組の時系列全体において発見することができる。トレーニング中に、探索手順が時系列全体を解析して、高度予測サブシーケンス（ＨＰＳ：ｈｉｇｈｌｙｐｒｅｄｉｃｔｉｖｅｓｕｂｓｅｑｕｅｎｃｅｓ）を検出し、サブシーケンスごとのブールインジケーター変数ｘ_ｉを構成する。ＨＰＳのインジケーター変数によって増補された入力ベクトルが、簡潔な入力表現を構成する。

１つの方法は、出力変数ｙ_ｉの値が、調整可能な設定ｚ_ｉ、例えば、左側バックミラーの角度の値に等しいように、すなわちｙ_ｉ＝ｚ_ｉであるように、調整可能な設定に関連する全ての変数を出力ベクトルに含む。このタイプの出力変数は、上記の第１のタイプの入力特徴とともに用いることができ、ただし、先行するデータは使用されないか、または入手することができない。このタイプの出力変数は通常、全ての出力変数が離散的（ブールまたは多項式）であるときに、ＨＰＳを発見するために用いられる。

別の可能性は、量子化手順、例えば、クラスタリング手順によって個々のユーザに対応する設定を識別する。その場合、出力変数ｙ_ｉは、クラスタリング段階中に識別されたクラスタに対応する離散値をとる。大抵の場合に、１つのクラスタは、１人のユーザのみに対応し、そのユーザが調整可能な設定のために選択する値の一般的な間隔を記述する。出力表現は実際には必然的に離散的であり（ブールまたは多項式）、両方のタイプの入力表現とともに用いることができる。

トレーニング例の対（ｘ^（ｋ），ｙ^（ｋ））、ｋ＝１，．．．，Ｍのデータベースが構成された後に、入力変数と出力変数との間のマッピングをＭＬＰ２１０、例えば、ニューラルネットワーク、サポートベクトルマシン、ｋ最近傍法、ガウス混合モデル、ベイズモデル、決定木、確率論的グラフィカルモデル、および放射基底関数分類器によって識別することができる。

設定をパーソナライズするために、その方法は、トレーニングから得られた予測モデルと、規則的な間隔において、例えば、毎分入手可能なセンサデータとを使用する。入力ベクトルｘは、入力ベクトルがトレーニング中に構成された方法と全く同じように構成される。その際、その方法は、最も可能性が高い出力ベクトルｙ_ｐｒｅｄを生成することができる。その後、設定ｚ_ｉが、出力ベクトルｙ_ｐｒｅｄに関連付けられるコンテキストに対応するように調整される。

Claims

車両内の設定を調整する方法であって、
トレーニングするステップと、
オペレーティングするステップと、
を備え、
前記トレーニングするステップは、
車両サブシステムから取り込まれたセンサデータから入力ベクトルを構成するステップであって、各入力ベクトルはコンテキストを規定する、ステップと、
入力ベクトルごとに、現在のコンテキストにおいて記録された調整可能な設定から対応する出力ベクトルを構成するステップと、
メモリ内に、前記入力ベクトルおよび前記出力ベクトルの対を含む、トレーニングデータベースを累積するステップと、
前記トレーニングデータベースから予測モデルを学習するステップであって、前記予測モデルは、前記入力ベクトルから前記対応する出力ベクトルを予測する、ステップと、
をさらに含み、
前記オペレーティングするステップは、
前記コンテキストを規定する車両サブシステムから取り込まれたセンサデータから前記入力ベクトルを構成するステップと、
前記予測モデルを用いて、最も可能性が高い出力ベクトルを予測するステップと、
前記最も可能性が高い出力ベクトルに従って前記設定を調整するステップと、
をさらに含み、
前記方法は、プロセッサにおいて実行される、
車両内の設定を調整する方法。
前記入力ベクトルは、現時点で測定可能な変数からなる、
請求項１に記載の方法。
前記入力ベクトルは、現時点で測定可能な変数と、過去に測定された変数とからなる、請求項１に記載の方法。
前記最も可能性が高い出力ベクトルは、実数値の調整可能な設定を直接符号化する、
請求項１に記載の方法。
前記最も可能性が高い出力ベクトルは、離散的なクラスタ識別情報からなり、前記実数値の調整可能な設定にクラスタリング手順が適用される、
請求項４に記載の方法。
前記予測モデルは、ニューラルネットワーク、サポートベクトルマシン、決定木または確率論的グラフィカルモデルによって表される、
請求項１に記載の方法。
前記サブシステムは、エンジン制御ユニット、車両ナビゲーションシステムおよび環境制御システムを含む、
請求項１に記載の方法。
前記コンテキストは、オペレーティング上の共通点である、
請求項１に記載の方法。
前記トレーニングするステップは、一度であるか、定期的であるか、連続的であるか、または要求に応じる、
請求項１に記載の方法。
前記学習するステップは、前記入力ベクトルおよび前記出力ベクトルと、前記設定との間の隠れた関係を発見する、
請求項１に記載の方法。
前記センサデータは、時系列データであり、
サブシーケンスが前記最も可能性が高い出力ベクトルを十分に予測するという特性を用いて、前記時系列内の限られた数の短い前記サブシーケンスを探索するステップをさらに備えた、
請求項１に記載の方法。
前記サブシーケンスは、モチーフまたはシェイプレットである、
請求項１１に記載の方法。
前記最も可能性が高い出力ベクトルは、離散値をとる、
請求項１に記載の方法。