JP2017146933A - Information processing device, on-vehicle device, storage medium, and computer program - Google Patents
Information processing device, on-vehicle device, storage medium, and computer program Download PDFInfo
- Publication number
- JP2017146933A JP2017146933A JP2016030375A JP2016030375A JP2017146933A JP 2017146933 A JP2017146933 A JP 2017146933A JP 2016030375 A JP2016030375 A JP 2016030375A JP 2016030375 A JP2016030375 A JP 2016030375A JP 2017146933 A JP2017146933 A JP 2017146933A
- Authority
- JP
- Japan
- Prior art keywords
- driving
- information processing
- vehicle
- abnormal
- information
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 145
- 238000003860 storage Methods 0.000 title claims description 29
- 238000004590 computer program Methods 0.000 title claims description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 117
- 238000012545 processing Methods 0.000 claims abstract description 69
- 239000000523 sample Substances 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims description 93
- 230000008569 process Effects 0.000 claims description 88
- 238000004891 communication Methods 0.000 claims description 38
- 238000004519 manufacturing process Methods 0.000 claims 1
- 230000001133 acceleration Effects 0.000 description 30
- 238000001556 precipitation Methods 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000013075 data extraction Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013403 standard screening design Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
Description
本発明は、情報処理装置、車載装置、記憶媒体及びコンピュータプログラムに関する。
具体的には、本発明は、自動走行における異常走行を回避する処理に有用となる情報を生成する技術に関する。
The present invention relates to an information processing device, an in-vehicle device, a storage medium, and a computer program.
Specifically, the present invention relates to a technique for generating information useful for processing for avoiding abnormal running in automatic running.
現在、自動車の自動運転技術の開発が盛んに行われている。自動車の自動運転を明確に分類することは難しいが、概ね、車両の制御システムが搭乗者による運転を支援する支援運転と、完全に無人での運転が可能な自律運転とに大別できる。
支援運転には種々のタイプがあり、例えば、道路の道なりに走行する制御を行うもの(特許文献1)、指令車速となるようにアクセルやブレーキの操作量を制御するもの(特許文献2)、先行車との車間距離を維持する制御を行うもの(特許文献3)などがある。
Currently, development of automatic driving technology for automobiles is actively performed. Although it is difficult to clearly classify automatic driving of automobiles, it can be roughly divided into support driving in which a vehicle control system supports driving by a passenger and autonomous driving capable of completely unattended driving.
There are various types of assisted driving, for example, control that travels along the road (Patent Document 1), and control the amount of operation of the accelerator and brake so that the command vehicle speed is achieved (Patent Document 2). There is one that performs control to maintain the inter-vehicle distance from the preceding vehicle (Patent Document 3).
自律運転の従来例としては、例えば、特許文献4に記載の技術がある。この従来の自律運転は、ナビゲーションシステムにより探索した経路に沿って車両を走行させ、走行途中にソナーなどでセンシングした周囲の物体の挙動を予測し、予測した挙動を行う可能性の高い物体を回避する動作を自車両に行わせるものである。 As a conventional example of autonomous driving, there is a technique described in Patent Document 4, for example. In this conventional autonomous driving, the vehicle is driven along the route searched by the navigation system, and the behavior of surrounding objects sensed by sonar during the traveling is predicted to avoid the object that is likely to perform the predicted behavior. The operation to perform is performed on the own vehicle.
上記の自動運転(支援運転及び自律運転の双方を含む。)は、車載センサの検出信号に基づく制御であるから、自動走行中の自動運転車両は、車載センサの検出範囲から外れた下流側の事象に即座に対応することはできない。
例えば、急カーブや渋滞末尾などの事象が、車載センサの検出範囲から外れた下流側の位置に存在していても、自動運転車両が自動走行中である場合は、車載センサの検出範囲に入るまでは当該事象に対応できず、急減速などの異常走行となる可能性がある。
Since the above automatic driving (including both support driving and autonomous driving) is control based on the detection signal of the in-vehicle sensor, the automatic driving vehicle during automatic driving is located downstream of the detection range of the in-vehicle sensor. An event cannot be responded to immediately.
For example, even if an event such as a sharp curve or the end of a traffic jam is present at a downstream position outside the detection range of the in-vehicle sensor, if the autonomous driving vehicle is running automatically, it enters the detection range of the in-vehicle sensor. Until then, the event cannot be handled and there is a possibility of abnormal driving such as sudden deceleration.
この場合、自車両及び他車両による過去の自動走行の実績から、自動走行中に急減速及び急加速などの異常走行となる要因を自動運転車両が予め察知しておれば、車載センサの検出範囲が届かない場所の事象に対しても、自動走行における異常走行を回避する処理を自動運転車両が実行可能になると考えられる。
しかし、現状では、自動走行における異常走行を回避する処理に有用な情報を生成する装置は、未だ開発されていない。
In this case, the detection range of the in-vehicle sensor can be determined if the automatic driving vehicle detects in advance the cause of abnormal driving such as sudden deceleration and sudden acceleration during the automatic driving from the past results of automatic driving by the own vehicle and other vehicles. It is considered that the automatic driving vehicle can execute the process of avoiding the abnormal driving in the automatic driving even for the event where the vehicle does not reach.
However, at present, an apparatus for generating information useful for processing for avoiding abnormal running in automatic running has not been developed yet.
本発明は、かかる従来の問題点に鑑み、自動走行における異常走行を回避する処理に有用な情報を生成する情報処理装置等を提供することを目的とする。 The present invention has been made in view of such conventional problems, and an object thereof is to provide an information processing apparatus that generates information useful for processing for avoiding abnormal traveling in automatic traveling.
(1) 本発明の一態様に係る情報処理装置は、所定の情報処理を実行する情報処理部を備える情報処理装置であって、前記情報処理には、自動運転車両のプローブ情報と道路地図データに基づいて、自動走行が行われた走行区間における異常走行の有無と、前記異常走行の要因となり得る特徴量の有無又は値とを含む走行リスクデータを生成するデータ生成処理と、生成された複数の前記走行リスクデータに基づいて、前記特徴量の有無又は値ごとの前記異常走行の発生確率を含むリスク判定モデルを生成するモデル化処理と、が含まれる。 (1) An information processing apparatus according to an aspect of the present invention is an information processing apparatus including an information processing unit that executes predetermined information processing. The information processing includes probe information and road map data of an autonomous driving vehicle. A data generation process for generating travel risk data including presence / absence of abnormal travel in the travel section in which automatic travel has been performed and the presence / absence or value of a feature amount that may cause the abnormal travel; Modeling processing for generating a risk determination model including the presence or absence of the feature amount or the occurrence probability of the abnormal driving for each value based on the driving risk data.
(8) 本発明の一態様に係る記憶媒体は、所定の情報処理を情報処理部に実行させるためのコンピュータプログラムが記録されたコンピュータ読み取り可能な記憶媒体であって、前記情報処理には、自動運転車両のプローブ情報と道路地図データに基づいて、自動走行が行われた走行区間における異常走行の有無と、前記異常走行の要因となり得る特徴量の有無又は値とを含む走行リスクデータを生成するデータ生成処理と、生成された複数の前記走行リスクデータに基づいて、前記特徴量の有無又は値ごとの前記異常走行の発生確率を含むリスク判定モデルを生成するモデル化処理と、が含まれる。 (8) A storage medium according to an aspect of the present invention is a computer-readable storage medium in which a computer program for causing an information processing unit to execute predetermined information processing is recorded. Based on the probe information of the driving vehicle and the road map data, travel risk data including the presence / absence of abnormal travel in the travel section in which the automatic travel has been performed and the presence / absence or value of the feature amount that may cause the abnormal travel is generated. A data generation process and a modeling process for generating a risk determination model including the presence / absence of the feature amount or the occurrence probability of the abnormal driving for each value based on the plurality of generated driving risk data are included.
(9) 本発明の一態様に係るコンピュータプログラムは、所定の情報処理を情報処理部に実行させるためのコンピュータプログラムであって、前記情報処理には、自動運転車両のプローブ情報と道路地図データに基づいて、自動走行が行われた走行区間における異常走行の有無と、前記異常走行の要因となり得る特徴量の有無又は値とを含む走行リスクデータを生成するデータ生成処理と、生成された複数の前記走行リスクデータに基づいて、前記特徴量の有無又は値ごとの前記異常走行の発生確率を含むリスク判定モデルを生成するモデル化処理と、が含まれる。 (9) A computer program according to an aspect of the present invention is a computer program for causing an information processing unit to execute predetermined information processing. In the information processing, probe information and road map data of an autonomous driving vehicle are included. A data generation process for generating travel risk data including presence / absence of abnormal travel in the travel section in which the automatic travel has been performed and the presence / absence or value of a feature amount that may cause the abnormal travel; Modeling processing for generating a risk determination model including the presence / absence of the feature amount or the occurrence probability of the abnormal driving for each value based on the driving risk data.
本発明によれば、自動走行における異常走行を回避する処理に有用な情報を生成することができる。 ADVANTAGE OF THE INVENTION According to this invention, the information useful for the process which avoids the abnormal driving | running | working in automatic driving | running | working can be produced | generated.
<本発明の実施形態の概要>
以下、本発明の実施形態の概要を列記して説明する。
(1) 本実施形態の情報処理装置は、所定の情報処理を実行する情報処理部を備える情報処理装置であって、前記情報処理には、自動運転車両のプローブ情報と道路地図データに基づいて、自動走行が行われた走行区間における異常走行の有無と、前記異常走行の要因となり得る特徴量の有無又は値とを含む走行リスクデータを生成するデータ生成処理と、生成された複数の前記走行リスクデータに基づいて、前記特徴量の有無又は値ごとの前記異常走行の発生確率を含むリスク判定モデルを生成するモデル化処理と、が含まれる。
<Outline of Embodiment of the Present Invention>
Hereinafter, an outline of embodiments of the present invention will be listed and described.
(1) An information processing apparatus according to the present embodiment is an information processing apparatus including an information processing unit that executes predetermined information processing. The information processing is based on probe information and road map data of an autonomous driving vehicle. A data generation process for generating travel risk data including presence / absence of abnormal travel in a travel section in which automatic travel has been performed and the presence / absence or value of a feature amount that may cause the abnormal travel; and the plurality of generated travels Modeling processing for generating a risk determination model including the presence / absence of the feature amount or the occurrence probability of the abnormal running for each value based on the risk data.
本実施形態の情報処理装置によれば、情報処理部が、特徴量の有無又は値ごとの異常走行の発生確率を含むリスク判定モデルを生成するので、生成されたリスク判定モデルは、自動走行における異常走行を回避する処理に有用な情報となる。
例えば、リスク判定モデルを用いて、発生確率が高い異常走行の要因と推定される特徴量を含む走行区間を特定し、特定した走行区間の通行を避けるなどにより、自動走行における異常走行を回避できるようになる。
According to the information processing apparatus of the present embodiment, the information processing unit generates a risk determination model including the presence / absence of a feature amount or the occurrence probability of abnormal driving for each value. This information is useful for processing to avoid abnormal running.
For example, it is possible to avoid abnormal driving in automatic driving by specifying a driving section including a feature amount estimated to be a cause of abnormal driving with a high probability of occurrence using a risk determination model, and avoiding the passage of the specified driving section. It becomes like this.
(2) 本実施形態の情報処理装置において、前記データ生成処理には、前記走行区間における前記異常走行の有無を判定する異常走行判定処理と、前記走行区間における前記特徴量の有無又は値を判定する特徴量判定処理と、が含まれる。 (2) In the information processing apparatus according to the present embodiment, the data generation process includes an abnormal travel determination process for determining the presence or absence of the abnormal travel in the travel section, and the presence or value of the feature amount in the travel section. And feature amount determination processing to be performed.
(3) この場合、前記特徴量判定処理の入力データには、気象情報及び交通情報のうちの少なくとも1つと、前記道路地図データとが含まれることが好ましい。
その理由は、気象情報を入力データとする場合には、例えば「降水量」など、プローブ情報では判定できない特徴量を採用できるからである。また、交通情報(例えば、VICS情報)を入力データとすれば、「渋滞末尾」を特徴量として採用する場合に、当該特徴量の値を交通情報から算出可能となるからである。
(3) In this case, it is preferable that the input data of the feature amount determination process includes at least one of weather information and traffic information and the road map data.
The reason is that when the weather information is used as input data, a feature quantity that cannot be determined by the probe information, such as “precipitation”, can be adopted. Further, if traffic information (for example, VICS information) is used as input data, the value of the feature amount can be calculated from the traffic information when “traffic congestion end” is adopted as the feature amount.
(4) 本実施形態の車載装置は、上述の情報処理装置と通信する通信部と、前記通信部が前記情報処理装置から受信した情報を用いて、所定の情報処理を実行する処理部と、を備える自動運転車両の車載装置であって、前記通信部は、前記リスク判定モデルを受信し、前記処理部は、前記リスク判定モデルに含まれる前記特徴量の有無又は値ごとの前記異常走行の発生確率を用いて、自車両の自動走行における異常走行を回避する処理を実行する。 (4) The in-vehicle device of the present embodiment includes a communication unit that communicates with the information processing device described above, a processing unit that performs predetermined information processing using information received from the information processing device by the communication unit, The communication unit receives the risk determination model, and the processing unit includes the presence or absence of the feature amount included in the risk determination model or the abnormal driving for each value. Using the occurrence probability, a process for avoiding abnormal traveling in automatic traveling of the host vehicle is executed.
本実施形態の車載装置によれば、処理部が、リスク判定モデルに含まれる特徴量の有無又は値ごとの異常走行の発生確率を用いて、自車両の自動走行における異常走行を回避する処理を実行するので、自動運転車両が自動走行を行う場合の走行安全性を高めることができる。 According to the in-vehicle device of the present embodiment, the processing unit performs processing for avoiding abnormal traveling in the automatic traveling of the host vehicle using the presence / absence of the feature amount included in the risk determination model or the occurrence probability of abnormal traveling for each value. Since it performs, the driving | running | working safety | security when an autonomous driving vehicle performs automatic driving | running | working can be improved.
(5) 本実施形態の別の車載装置は、上述の情報処理装置と通信する通信部と、前記通信部が前記情報処理装置から受信した情報を用いて、所定の情報処理を実行する処理部と、を備える自動運転車両の車載装置であって、前記通信部は、自動走行における異常走行の種別と、当該異常走行を発生させる要因であると推定される特徴量の種別が含まれるリスク情報を受信し、前記処理部は、前記リスク情報に含まれる異常走行の種別及び特徴量の種別を用いて、自車両の自動走行における異常走行を回避する処理を実行する。 (5) Another in-vehicle device of the present embodiment includes a communication unit that communicates with the information processing device described above, and a processing unit that executes predetermined information processing using information received by the communication unit from the information processing device. And the communication unit includes risk information including a type of abnormal driving in automatic driving and a type of characteristic amount estimated to be a factor causing the abnormal driving. The processing unit executes processing for avoiding abnormal traveling in the automatic traveling of the host vehicle, using the abnormal traveling type and the feature amount type included in the risk information.
本実施形態の別の車載装置によれば、処理部が、リスク情報に含まれる異常走行の種別及び特徴量の種別を用いて、自車両の自動走行における異常走行を回避する処理を実行するので、自動運転車両が自動走行を行う場合の走行安全性を高めることができる。 According to another in-vehicle device of the present embodiment, the processing unit executes processing for avoiding abnormal traveling in the automatic traveling of the host vehicle using the abnormal traveling type and the characteristic amount type included in the risk information. In addition, it is possible to improve traveling safety when the autonomous driving vehicle performs automatic traveling.
(6) 本実施形態の車載装置において、前記異常走行には、自動運転から手動運転に切り替わる自動運転モード停止が含まれ、前記処理部は、前記自動運転モード停止の発生確率が所定値以上となる前記走行区間を自車両が自動走行により通行する場合に、前記自動運転の停止を事前に搭乗者に通知することが好ましい。
このようにすれば、自動走行において自動運転がいきなり停止することに伴う搭乗者の動揺を防止でき、スムーズに手動運転に切り替えることができる。
(6) In the in-vehicle device of the present embodiment, the abnormal running includes an automatic operation mode stop that switches from automatic operation to manual operation, and the processing unit has a probability that the occurrence of the automatic operation mode stop is a predetermined value or more. It is preferable to notify the passenger in advance of the stop of the automatic driving when the own vehicle passes through the traveling section.
In this way, it is possible to prevent the passenger from shaking when the automatic driving suddenly stops in automatic driving, and to smoothly switch to manual driving.
(7) 本実施形態の車載装置において、前記異常走行は、急減速が含まれ、前記処理部は、前記急減速の発生確率が所定値以上となる前記走行区間を自車両が自動走行により通行する場合に、自車両の車両速度を事前に抑制することが好ましい。
このようにすれば、急減速の発生確率が高い走行区間を自車両が比較的低速で自動走行できるので、急減速の回避した自動走行を行うことができる。
(7) In the in-vehicle apparatus according to the present embodiment, the abnormal traveling includes sudden deceleration, and the processing unit passes the traveling section in which the probability of occurrence of sudden deceleration is a predetermined value or more by automatic traveling. In this case, it is preferable to suppress the vehicle speed of the host vehicle in advance.
In this way, the host vehicle can automatically travel at a relatively low speed in a traveling section where the probability of sudden deceleration is high, and therefore it is possible to perform automated traveling that avoids sudden deceleration.
(8) 本実施形態の記憶媒体は、所定の情報処理を情報処理部に実行させるためのコンピュータプログラムが記録されたコンピュータ読み取り可能な記憶媒体であって、前記情報処理には、上述のデータ生成処理及びモデル化処理が含まれる。
従って、本実施形態の記憶媒体は、上述の本実施形態の情報処理装置と同様の作用効果を奏する。
(8) A storage medium according to the present embodiment is a computer-readable storage medium in which a computer program for causing an information processing unit to execute predetermined information processing is recorded. Processing and modeling processing are included.
Therefore, the storage medium of the present embodiment has the same operational effects as the information processing apparatus of the present embodiment described above.
(9) 本実施形態のコンピュータプログラムは、所定の情報処理を情報処理部に実行させるためのコンピュータプログラムであって、前記情報処理には、上述のデータ生成処理及びモデル化処理が含まれる。
従って、本実施形態のコンピュータプログラムは、上述の本実施形態の情報処理装置と同様の作用効果を奏する。
(9) The computer program according to the present embodiment is a computer program for causing an information processing unit to execute predetermined information processing. The information processing includes the above-described data generation processing and modeling processing.
Therefore, the computer program of the present embodiment has the same operational effects as the information processing apparatus of the present embodiment described above.
<本発明の実施形態の詳細>
以下、図面を参照して、本発明の実施形態の詳細を説明する。なお、以下に記載する実施形態の少なくとも一部を任意に組み合わせてもよい。
<Details of Embodiment of the Present Invention>
Hereinafter, details of embodiments of the present invention will be described with reference to the drawings. In addition, you may combine arbitrarily at least one part of embodiment described below.
〔用語の定義〕
本実施形態の詳細を説明するに当たり、まず、本明細書で用いる用語の定義を行う。
「車両」:道路を通行する車両全般のことをいう。自動車、原動機付き自転車、軽車両及びトロリーバスなどの道路交通法上の車両のほか、自動二輪車も本実施形態の車両に該当する。車両の駆動方式は特に限定されない。従って、EV(Electric Vehicle)及びPHV(Plug-in Hybrid Vehicle)なども、本実施形態の車両に該当する。
〔Definition of terms〕
In describing the details of the present embodiment, first, terms used in this specification are defined.
“Vehicle” means all vehicles traveling on the road. In addition to vehicles in the road traffic law such as automobiles, motorbikes, light vehicles, and trolley buses, motorcycles also fall under the vehicle of this embodiment. The driving method of the vehicle is not particularly limited. Therefore, EV (Electric Vehicle), PHV (Plug-in Hybrid Vehicle), and the like also correspond to the vehicle of this embodiment.
「手動運転」:車両の搭乗者が自車両の運転の全部を行うことをいう。すなわち、後述の「自動運転」の対比概念であり、加減速及び操舵などの基本操作の主体がすべて搭乗者である運転のことをいう。
「自動運転」:車両の各種センサによるセンシング結果に基づいて、ECU(Engine Control Unit)などの車両の制御システムが自車両の運転の一部又は全部を自動的に行う運転のことをいう。
"Manual driving": A vehicle occupant performs all driving of the host vehicle. That is, this is a contrast concept of “automatic driving”, which will be described later, and refers to driving in which the subject of basic operations such as acceleration / deceleration and steering are all passengers.
"Automatic driving": Driving in which a vehicle control system such as an ECU (Engine Control Unit) automatically performs part or all of driving of the host vehicle based on sensing results from various sensors of the vehicle.
自動運転には、車両の制御システムが自車両の運転の全部を自動的に行う「自律運転」が含まれる。自律運転では、加減速及び操舵などの基本操作の主体が、搭乗者(人間)ではなく車両の制御システムである。
自動運転には、車両の制御システムが自車両の運転の一部を自動的に行って、搭乗者による自車両の運転を支援する「支援運転」も含まれる。これには、車両の減速又は方向転換の自動的な介入や、音声又は画面表示による搭乗者への注意喚起などがある。
Automatic driving includes “autonomous driving” in which the vehicle control system automatically performs all driving of the host vehicle. In autonomous driving, the subject of basic operations such as acceleration / deceleration and steering is not a passenger (human) but a vehicle control system.
The automatic driving includes “support driving” in which the vehicle control system automatically performs part of the driving of the host vehicle to assist the rider in driving the host vehicle. This includes automatic intervention of vehicle deceleration or turning, alerting passengers by voice or screen display, and the like.
「自動運転車両」:自動運転が可能な制御システムを有する車両のことをいう。本実施形態では、自動運転車両は、搭乗者による操作入力により、自車両の動作モードを「自動運転モード」と「手動運転モード」のいずれかに切り替え可能であるものとする。また、自動運転車両は、自動運転モードで走行中に自動運転の継続が困難と判断した場合、自車両の動作モードを手動運転モードに切り替える。
「自動走行」:自動運転車両が自車両の動作モードを自動運転モードに設定して道路を走行すること、すなわち、自動運転中である自動運転車両の走行のことをいう。
“Automatic driving vehicle”: a vehicle having a control system capable of automatic driving. In the present embodiment, it is assumed that the autonomous driving vehicle can switch the operation mode of the own vehicle to either the “automatic driving mode” or the “manual driving mode” by an operation input by the passenger. Further, when it is determined that it is difficult to continue the automatic driving while traveling in the automatic driving mode, the automatic driving vehicle switches the operation mode of the own vehicle to the manual driving mode.
“Automatic driving”: This means that the autonomous driving vehicle travels on the road with its own operation mode set to the automatic driving mode, that is, the traveling of the autonomous driving vehicle that is in automatic driving.
「プローブ車両」:自車両のプローブ情報を無線送信などによりアップリンク送信する通信機能を有する車両のことをいう。
「プローブ情報」:道路を走行中の車両から得られる当該車両に関する各種情報のことをいう。プローブデータ或いはフローティングカーデータとも称される。プローブ情報には、車両ID、車両位置、車両速度、車両方位及びこれらの発生時刻などの各種の車両データが含まれる。
“Probe vehicle”: refers to a vehicle having a communication function for uplink transmission of probe information of its own vehicle by wireless transmission or the like.
“Probe information”: Various information related to the vehicle obtained from the vehicle traveling on the road. Also called probe data or floating car data. The probe information includes various types of vehicle data such as a vehicle ID, a vehicle position, a vehicle speed, a vehicle direction, and the time of occurrence thereof.
本実施形態では、プローブ車両は、車載LAN(Local Area Network)であるCAN(Controller Area Network)において送受信されるCAN情報も、プローブ情報に含めてアップリンク送信するものとする。
CAN情報には、例えば、車両のアクセル開度、ブレーキ踏力、ハンドル操舵角及び動作モードの状態情報(自動運転モード又は手動運転モードのいずれかを表す識別情報)などの車両データが含まれる。
In the present embodiment, it is assumed that the probe vehicle includes the CAN information transmitted / received in the CAN (Controller Area Network) which is an in-vehicle LAN (Local Area Network) and includes the probe information for uplink transmission.
The CAN information includes, for example, vehicle data such as the accelerator opening of the vehicle, the brake depression force, the steering angle of the steering wheel, and the state information of the operation mode (identification information indicating either the automatic operation mode or the manual operation mode).
「異常走行」:安全とは言えない車両の走行挙動のことをいう。不安全走行ともいう。本実施形態では、異常走行の種別として、少なくとも、急減速、急加速、急操舵及び自動運転モード停止が含まれるものとする。 “Abnormal driving”: A driving behavior of a vehicle that cannot be said to be safe. Also called unsafe driving. In the present embodiment, it is assumed that the types of abnormal traveling include at least rapid deceleration, rapid acceleration, rapid steering, and automatic operation mode stop.
「急減速」:車両の減速度(走行方向と逆向きのため、負値で定義する。)が所定の閾値(例えば−0.45G〜−0.3G)以下である走行のことをいう。ブレーキ踏力で定義する場合は、走行時におけるブレーキ踏力が所定値以上となることをいう。
「急加速」:車両の加速度(走行方向と同じ向きのため、正値で定義する。)が所定の閾値(例えば0.30G〜0.45G)以上である走行のことをいう。アクセル開度で定義する場合は、走行時におけるアクセル開度が所定値以上となることをいう。
“Sudden deceleration”: Refers to traveling in which the deceleration of the vehicle (defined as a negative value because it is opposite to the traveling direction) is a predetermined threshold value (for example, −0.45 G to −0.3 G). When the brake pedal force is defined, it means that the brake pedal force during traveling becomes a predetermined value or more.
“Sudden acceleration”: traveling in which the acceleration of the vehicle (defined as a positive value because it is in the same direction as the traveling direction) is a predetermined threshold (for example, 0.30 G to 0.45 G) or more. When the accelerator opening is defined, it means that the accelerator opening at the time of traveling becomes a predetermined value or more.
「急操舵」:所定の車両速度(例えば、40km/h)以上での走行時における、単位時間当たりの車両方位の変化量である方位角速度が、所定の閾値(例えば、25deg/s)以上となることをいう。
ハンドル操舵角で定義する場合は、所定の車両速度(例えば、40km/h)以上での走行時における、単位時間当たりのハンドル操舵角の変化量である操舵角速度が、所定の閾値以上となることをいう。
“Rapid steering”: the azimuth angular velocity, which is the amount of change in the vehicle azimuth per unit time when traveling at a predetermined vehicle speed (for example, 40 km / h) or higher, is a predetermined threshold (for example, 25 deg / s) or higher. Say that.
When the steering angle is defined by the steering angle, the steering angular velocity, which is the amount of change in the steering angle per unit time when traveling at a predetermined vehicle speed (for example, 40 km / h) or higher, is equal to or higher than a predetermined threshold. Say.
「自動運転モード停止」:動作モードの切り替えが可能な自動運転車両において、自動運転車両の判断あるいは搭乗者による操作入力により、自動運転車両の動作モードが自動運転モードから手動運転モードに切り替えられ、自動運転モードが強制的に停止されることをいう。 “Automatic driving mode stop”: In an automatic driving vehicle capable of switching the operation mode, the operation mode of the automatic driving vehicle is switched from the automatic driving mode to the manual driving mode by the determination of the automatic driving vehicle or the operation input by the passenger. This means that the automatic operation mode is forcibly stopped.
「特徴量」:異常走行が発生する要因となり得る事象のことをいう。特徴量には、道路側の事象である「外部要因」と、車両側の事象である「内部要因」とに分類される。
外部要因には、例えば、プローブ車両が走行中の道路における、「カーブ」の曲率半径、「料金所」の有無、「合流」の有無、「降水量」の多寡、「交通量」の多寡及び「渋滞末尾」の有無などが含まれる。
“Characteristic amount”: An event that can cause abnormal running. The feature amount is classified into an “external factor” that is an event on the road side and an “internal factor” that is an event on the vehicle side.
External factors include, for example, the curvature radius of the “curve” on the road on which the probe vehicle is traveling, the presence / absence of “toll booth”, the presence / absence of “merge”, the amount of precipitation, the amount of traffic Includes the presence or absence of "traffic jam".
手動運転の場合には、内部要因として、例えば、運転者の居眠り、脇見判断ミスなどの人的要因が考えられる。
これに対して、自動走行中の自動運転車両の場合には、内部要因として、自動運転の制御プログラムのアルゴリズム又はパラメータの不備などのソフトウェア要因が考えられる。つまり、そのようなソフトウェア要因が存在する制御プログラムにより自動運転が継続されると、異常走行が発生する可能性が高まると考えられる。
In the case of manual driving, for example, human factors such as a driver's sleep and misunderstanding judgment can be considered as internal factors.
On the other hand, in the case of an autonomous driving vehicle that is running automatically, software factors such as an algorithm or parameter deficiency of an automatic driving control program can be considered as internal factors. That is, if automatic driving is continued by a control program in which such software factors exist, it is considered that the possibility of abnormal running increases.
「走行区間」:プローブ車両が走行した所定単位長の道路区間のことをいう。所定単位長は、距離又は時間のいずれで定義してもよいが、上述の特徴量が異常走行と相関し得る程度に十分に大きい値に設定することが好ましい。
所定単位長を距離で定義する場合には、例えば、500m〜10kmの範囲に含まれる所定距離、或いは、道路地図データの各リンクとすればよい。所定単位長を時間で定義する場合には、例えば、2分〜5分の範囲に含まれる所定時間とすればよい。
“Traveling section”: A road section of a predetermined unit length on which the probe vehicle has traveled. The predetermined unit length may be defined by either distance or time, but is preferably set to a sufficiently large value such that the above-described feature amount can be correlated with abnormal running.
In the case where the predetermined unit length is defined by the distance, for example, a predetermined distance included in the range of 500 m to 10 km or each link of the road map data may be used. In the case where the predetermined unit length is defined by time, for example, it may be a predetermined time included in a range of 2 minutes to 5 minutes.
〔システムの全体構成〕
図1は、本発明の実施形態に係る情報処理システム1の全体構成図である。
図1に示すように、本実施形態の情報処理システム1は、データセンターなどに設置された情報処理装置の一種であるサーバ装置2と、自動走行が可能な複数のプローブ車両3とを備える。
[Overall system configuration]
FIG. 1 is an overall configuration diagram of an
As shown in FIG. 1, the
本実施形態のサーバ装置2は、複数のプローブ車両3が各地でセンシングしたプローブ情報S1などに基づいて、自動走行において発生し得る異常走行の有無と、異常走行に影響する特徴量(要因)の有無などを判定する自動走行分析装置としての機能を有する。
このため、情報処理システム1の構成要素となるプローブ車両3には、少なくとも複数の自動運転車両3Aが含まれる。もっとも、情報処理システム1を構成するプローブ車両3には、自動走行を行わない手動運転車両3Bが含まれていてもよい。
The
For this reason, the
サーバ装置2は、例えば自動車メーカーにより運用され、自社製品である車両の購入者などの登録会員に対して、所定の情報提供サービスを行うコンピュータ装置である。
サーバ装置2の情報提供サービスには、複数のプローブ車両3から取得したプローブ情報S1から生成された、VICS(「VICS」は登録商標である。)情報が得られない道路区間のリンク旅行時間などを提供するサービスや、登録会員の通信端末からの探索要求に応じて、直近のプローブ情報S1を用いた経路探索処理を行い、探索結果を通信端末に通知するサービスなどが含まれる。
The
The information providing service of the
プローブ車両3は、各地の無線基地局4(例えば、携帯電話基地局)との無線通信が可能である。無線基地局4は、インターネットなどの公衆通信網5を介してサーバ装置2と通信可能である。
従って、各地に存在するプローブ車両3は、自車両のプローブ情報S1をサーバ装置2宛てに送信することができる。サーバ装置2は、プローブ情報S1及び道路地図データなどを用いて情報提供サービスを実行する。プローブ車両3は、サーバ装置2から提供されるリンク旅行時間などの提供情報S2を、無線基地局4から受信することができる。
The
Accordingly, the
〔サーバ装置の構成〕
図1に示すように、サーバ装置2は、ワークステーション等よりなるサーバコンピュータ10と、サーバコンピュータ10に接続された各種のデータベース21〜27とを備える。サーバコンピュータ10は、情報処理部11、記憶部12及び通信部13を備える。
記憶部12は、HDD(Hard Disk Drive)及びSSD(Solid State Drive)のうちの少なくとも1つの不揮発性メモリ(記憶媒体)と、ランダムアクセスメモリ等よりなる揮発性メモリ(記憶媒体)とを含む記憶装置である。
[Configuration of server device]
As shown in FIG. 1, the
The
情報処理部11は、記憶部12の不揮発性メモリに格納されたコンピュータプログラム14を読み出し、当該プログラム14に従って情報処理を行うCPU(Central Processing Unit)を含む演算処理装置よりなる。
記憶部12が記憶するコンピュータプログラム14には、通信部13の制御プログラムのほか、後述の「第1情報処理P1」及び「第2情報処理P2」(図2参照)などの処理を情報処理部11に実行させるプログラムなどが含まれる。
The
In addition to the control program of the
通信部13は、公衆通信網5を介して交通情報サーバ6及び気象情報サーバ7などの他の情報提供サーバと通信可能に接続されている。
交通情報サーバ6は、VICSセンターから取得した日本全国のVICS情報を提供する、所定の情報サービス事業者が運営するサーバである。気象情報サーバ7は、各地の気象台などから取得した日本全国の気象情報を提供する、所定の情報サービス事業者が運営するサーバである。
The
The
通信部13は、公衆通信網5を介して無線基地局4と通信可能に接続されている。通信部13は、無線基地局4が自装置にアップリンク送信したプローブ情報S1を受信することができ、自装置で生成されたリンク旅行時間及び探索結果などの提供情報S2を、無線基地局4にダウンリンク送信することができる。
データベース21〜27は、サーバコンピュータ10にそれぞれデータ転送可能に接続された、HDD又はSSDなどを含む大容量ストレージよりなる。
The
The
地図データベース21には、日本全国を網羅する道路地図データ28が記録されている。道路地図データ28には、「交差点データ」と「リンクデータ」が含まれる。
「交差点データ」は、日本全国の交差点に付与された交差点IDと、その交差点位置とを対応付けたデータである。「リンクデータ」は、日本全国の道路に対応して付与された特定リンクのリンクIDに対して、次の情報1)〜4)を対応付けたデータよりなる。
In the
“Intersection data” is data in which intersection IDs assigned to intersections throughout Japan are associated with the intersection positions. The “link data” includes data in which the following information 1) to 4) is associated with the link IDs of specific links assigned corresponding to roads throughout Japan.
1) 特定リンクの始点・終点・補間点の位置
2) 特定リンクの始点に接続するリンクID
3) 特定リンクの終点に接続するリンクID
4) 特定リンクのリンクコスト
1) Position of start point / end point / interpolation point of specific link 2) Link ID connected to start point of specific link
3) Link ID connected to the end point of a specific link
4) Link cost of a specific link
道路地図データ28は、実際の道路線形と走行方向に対応したネットワークを構成するため、例えば図示のように、交差点間の道路区間を向きが異なる有向リンクl(小文字のエル)で表したネットワークになっている。
具体的には、道路地図データ28は、交差点ごとにノードnが設定され、各ノードn間が逆向きの一対のリンクlで繋がった有向グラフよりなる。従って、一方通行の道路の場合は、一方向のリンクlのみで表現される。
Since the
Specifically, the
道路地図データ28には、地図上の各道路に対応する特定のリンクlが、一般道路であるか有料道路であるかを表す道路種別情報や、リンクlに含まれる料金所やパーキングエリアなど施設の種別を表す施設情報なども含まれる。
プローブデータベース22には、日本全国に存在する登録会員のプローブ車両3から通信部13が受信した、多数のプローブ情報S1が蓄積される。交通情報データベース23には、交通情報サーバ6から通信部13が受信した、日本全国のVICS情報よりなる多数の交通情報が蓄積される。
The
The
気象情報データベース24には、気象情報サーバ7から通信部13が受信した、日本全国の多数の気象情報が蓄積される。
各データベース22〜24に蓄積される情報は、当該情報の発生時刻tp(タイムスタンプ)が現時点から遡って所定期間Tp(例えば、所定期間Tpは3か月以上2年以下)に含まれる情報である。従って、各データベース22〜24に含まれる情報は、発生時刻が最新の情報を通信部13が受信するごとに更新され、発生時刻が最も古い情報から順に消去される。
The
The information accumulated in each of the
走行リスクデータベース25には、データベース21〜24に含まれる道路地図データ28、プローブ情報S1、交通情報及び気象情報などから生成された、多数の「走行リスクデータ」が蓄積される。
「走行リスクデータ」とは、プローブ車両3が自動走行により通行した走行区間ごとに、異常走行の有無と当該異常走行に関連し得る特徴量(要因)の値が記録されたデータのことをいう(図3及び図4参照)。
The
“Driving risk data” refers to data in which the presence or absence of abnormal traveling and the value of a characteristic amount (factor) that can be related to the abnormal traveling are recorded for each traveling section in which the
リスク判定データベース26には、走行リスクデータベース25に蓄積された走行リスクデータから統計的手法により生成された、「リスク判定モデル」が格納される。
「リスク判定モデル」とは、想定される要因が自動走行の異常走行に及ぼす度合いを数値化した情報(リスク判定情報)の一種であり、本実施形態では、外部要因である特徴量(カーブ、料金所、合流など)の値に応じて、自動走行時における異常走行の発生確率を算出可能となるように構造化されたモデルが採用されている。
The
The “risk determination model” is a type of information (risk determination information) that quantifies the degree to which an assumed factor affects abnormal driving of automatic driving. In this embodiment, a feature amount (curve, A model that is structured so as to be able to calculate the probability of occurrence of abnormal driving during automatic driving according to the value of a toll booth, merge, etc. is employed.
より具体的には、本実施形態のリスク判定モデルは、異常走行ノードに関連する特徴量ノードがどれであるかを示す有向グラフと、特徴量ノードの値の組み合わせごとの異常走行ノードの発生確率を含む条件付き確率表U1〜U4とから構成されている(図6及び図7参照)。 More specifically, the risk determination model of the present embodiment has a probability of occurrence of an abnormal traveling node for each combination of a directed graph indicating which feature amount node is associated with an abnormal traveling node and the value of the feature amount node. The conditional probability tables U1 to U4 are included (see FIGS. 6 and 7).
疑義ケースデータベース27には、リスク判定データベース26に格納されたリスク判定モデル、或いは、走行リスクデータベース25に蓄積された多数の走行リスクデータから抽出された、「疑義ケースデータ」が格納される。
「疑義ケースデータ」とは、ある種の異常走行が発生した要因が、道路側の外部要因ではなく、自動運転車両3Aの内部要因(例えば、自動運転の制御プログラムの不備などのソフトウェア要因)の疑いがあることを表すデータのことをいう(図9〜図11参照)。
The
“Suspicious case data” means that the cause of a certain type of abnormal driving is not an external factor on the road side but an internal factor of the
〔車載コンピュータの構成〕
図1に示すように、プローブ車両3は、車載装置の一種である車載コンピュータ30を備えている。
車載コンピュータ30は、プローブ車両3の加速、制動及び操舵などに関する運転制御機能と、搭乗者の操作入力に応じて経路探索を行うナビゲーション機能を併有しており、処理部31、記憶部32及び通信部33を有する。
[Configuration of in-vehicle computer]
As shown in FIG. 1, the
The in-
記憶部32は、HDD及びSSDのうちの少なくとも1つの不揮発性メモリ(記憶媒体)と、ランダムアクセスメモリ等よりなる揮発性メモリ(記憶媒体)とを含む記憶装置である。
処理部31は、記憶部32の不揮発性メモリに格納されたコンピュータプログラム34を読み出し、当該プログラム34に従って情報処理を行うCPU及びECUを含む演算処理装置よりなる。
The
The
記憶部32が記憶するコンピュータプログラム34には、通信部33の制御プログラムのほか、処理部31のECUに実行させる運転制御プログラム、自動運転車両3Aが自動走行を行う場合にECUに実行させる自動運転プログラムなどが含まれる。
また、記憶部32が記憶するコンピュータプログラムには、後述の「走行リスク判定処理30」及び「走行リスク回避処理P31」(図8参照)などの処理を処理部31に実行させるプログラムなどが含まれる。
The
The computer program stored in the
通信部33は、プローブ車両3に恒常的に搭載された無線通信機、或いは、プローブ車両3に一時的に搭載されたモバイル端末(例えば、携帯電話機、スマートフォン又はタブレット型コンピュータなど)よりなる。
通信部33は、GPS(Global Positioning System )受信機を有しており、処理部31は、通信部33が受信するGPSの位置情報に基づいて自車両の車両位置をほぼリアルタイムにモニタリングしている。
The
The
処理部31は、自車両の車両位置、車両速度及びCAN情報などの車両データを単位時間(例えば0.1s)ごとに収集し、発生時刻とともに記憶部12に記録する。処理部31は、自車両が自動運転車両3Aである場合には、現時点の動作モードの状態情報も記憶部12に記録する車両データに含める。
記憶部12に所定時間(例えば5分)分の車両データが蓄積されると、通信部33は、蓄積された車両データをプローブ情報S1としてサーバ装置2宛てに送信する。
The
When vehicle data for a predetermined time (for example, 5 minutes) is accumulated in the
〔情報処理の概要〕
図2は、サーバコンピュータ10の情報処理部11が実行する情報処理P0の概要を示す説明図である。
図2に示すように、情報処理部11が実行する情報処理P0には、第1情報処理P1と第2情報処理P2が含まれる。
[Outline of information processing]
FIG. 2 is an explanatory diagram showing an overview of the information processing P0 executed by the
As shown in FIG. 2, the information processing P0 executed by the
第1情報処理P1は、蓄積されたプローブ情報S1と道路地図データなどから前述の「リスク判定モデル」(図6参照)を生成する処理である。
情報処理部11は、プローブ情報S1、道路地図データ28、交通情報及び気象情報を入力データとして第1情報処理P1を実行し、リスク判定モデルを生成する。情報処理部11は、生成したリスク判定モデルをリスク判定データベース26に格納する。
The first information processing P1 is a process of generating the aforementioned “risk determination model” (see FIG. 6) from the accumulated probe information S1 and road map data.
The
リスク判定データベース26に含まれるリスク判定モデルは、自動運転車両3Aの車載コンピュータ30に送信される。
車載コンピュータ30の処理部31に含まれるナビゲーションCPUは、受信したリスク判定モデルを参照して、例えば、異常走行の発生確率が所定値以上に高まる特徴量が含まれる経路を探索対象から除外して経路探索処理を実行する。これにより、自動走行時における異常走行を回避した走行計画が算出される。
The risk determination model included in the
The navigation CPU included in the
第2情報処理P2は、蓄積されたプローブ情報S1と道路地図データ28などから前述の「疑義ケースデータ」(図9〜図11参照)を抽出する処理である。
情報処理部11は、プローブ情報S1、道路地図データ28、交通情報及び気象情報を入力データとして第2分析処理P2を実行し、疑義ケースデータを生成する。情報処理部11は、生成した疑義ケースデータを疑義ケースデータベース27に格納する。
The second information processing P2 is a process of extracting the above-mentioned “question case data” (see FIGS. 9 to 11) from the accumulated probe information S1, the
The
疑義ケースデータベース27に含まれる疑義ケースデータは、例えば、自動車メーカーの技術担当者に提示される。技術担当者は、提示された疑義ケースデータに基づいて自動運転の制御プログラムの見直しを行う。
制御プログラムの見直しの結果、必要な場合には、技術担当者は、制御プログラムのアルゴリズム又はパラメータの変更を行い、変更後の更新プログラムをパーソナルコンピュータなどの通信端末を用いてサーバコンピュータ10に送信する。
The suspicion case data included in the
As a result of the review of the control program, if necessary, the technician changes the algorithm or parameter of the control program, and transmits the updated program to the
サーバコンピュータ10の情報処理部11は、ファームウェアを無線伝送によって更新させるFOTA(Firmware On-The-Air)処理P3を実行することができる。
情報処理部11は、自動運転の更新プログラムを受信すると、受信した更新プログラムを自動運転車両3Aの車載コンピュータ30に送信する。車載コンピュータ20の処理部31に含まれる自動運転ECUは、運用中の制御プログラムを、受信した更新プログラムに置き換える。これにより、自動運転の制御プログラムのアルゴリズム又はパラメータが改善される。
The
When the
〔走行リスクデータの生成処理〕
図3は、サーバコンピュータ10の情報処理部11が実行する第1情報処理P1と第2分析処理P2の具体例を示す説明図である。
図3に示すように、第1情報処理P1には、データ生成処理P10とモデル化処理P21が含まれる。第2分析処理P2には、データ生成処理P10とデータ抽出処理P22が含まれる。従って、データ生成処理P10は、第1及び第2情報処理P1,P2の両者に共通する情報処理である。
[Driving risk data generation process]
FIG. 3 is an explanatory diagram showing a specific example of the first information processing P1 and the second analysis processing P2 executed by the
As shown in FIG. 3, the first information processing P1 includes a data generation process P10 and a modeling process P21. The second analysis process P2 includes a data generation process P10 and a data extraction process P22. Therefore, the data generation process P10 is information processing common to both the first and second information processing P1 and P2.
データ生成処理P10は、蓄積されたプローブ情報S1と道路地図データ28などから前述の「走行リスクデータ」(図4参照)を生成する処理である。この処理には、「異常走行判定処理P11」と「特徴量判定処理P12」が含まれる。
情報処理部11は、蓄積されたプローブ情報S1の中から、動作モードの状態情報がオン(=自動運転)である自動運転車両3Aのプローブ情報S1を抽出し、抽出したプローブ情報S1について各処理P11,P12を実行する。
The data generation process P10 is a process of generating the above-mentioned “travel risk data” (see FIG. 4) from the accumulated probe information S1, the
The
(異常走行判定処理)
本実施形態では、異常走行の種類の例として、「急減速」、「急加速」、「急操舵」及び「自動運転モード停止」の4種類を想定する。
情報処理部11は、上記4種類の事象の有無を例えば以下のように判定し、その判定結果(異常走行なしの場合を含む。)と、異常走行ありの場合の異常走行の開始位置と、異常走行なしの場合の走行区間とを、特徴量判定処理P12の入力情報とする。
(Abnormal driving judgment process)
In the present embodiment, four types of “sudden deceleration”, “sudden acceleration”, “sudden steering”, and “automatic operation mode stop” are assumed as examples of types of abnormal running.
The
急減速の判定:
情報処理部11は、最新時刻Tiの車両速度Viと1期前の時刻Ti−1の車両速度Vi−1とから、加速度A=(Vi−Viー1 )/( Ti−Ti−1 )を算出し、Aが所定の閾値(負値)以下の場合には、急減速ありと判定し、Aが所定の閾値(負値)を超える場合には、急減速なしと判定する。
Judgment of sudden deceleration:
The
情報処理部11は、急減速ありの場合の急減速の開始位置を、時刻Ti−1の車両位置に設定する。
プローブ情報S1にブレーキ踏力が含まれる場合には、最新時刻Tiのブレーキ踏力が所定の閾値より大きい場合に急減速ありと判定してもよい。この場合の急減速の開始位置は、時刻Tiの車両位置である。
The
When the brake pedal force is included in the probe information S1, it may be determined that there is a sudden deceleration when the brake pedal force at the latest time Ti is greater than a predetermined threshold. In this case, the sudden deceleration start position is the vehicle position at time T i .
急加速の判定:
情報処理部11は、最新時刻Tiの車両速度Viと1期前の時刻Ti−1の車両速度Vi−1とから、加速度A=(Vi−Vi−1 )/( Ti−Ti−1 )を算出し、Aが所定の閾値(正値)以上の場合には、急加速ありと判定し、Aが所定の閾値(正値)未満の場合には、急加速なしと判定する。
Judgment of sudden acceleration:
The
情報処理部11は、急加速ありの場合の急加速の開始位置を、時刻Ti−1の車両位置に設定する。
プローブ情報S1にアクセル開度が含まれる場合には、最新時刻Tiのアクセル開度が所定の閾値より大きい場合に急加速ありと判定してもよい。この場合の急加速の開始位置は、時刻Tiの車両位置である。
The
When the accelerator opening is included in the probe information S1, it may be determined that there is rapid acceleration when the accelerator opening at the latest time Ti is larger than a predetermined threshold. In this case, the sudden acceleration start position is the vehicle position at time T i .
急操舵の判定:
情報処理部11は、最新時刻Tiの車両方位Diと1期前の時刻Ti−1の車両方位Di−1から、角速度W=(Di−Di−1 ) /( Ti−Ti−1 )を算出し、Wの絶対値が所定の閾値以上の場合には、急操舵ありと判定し、Wの絶対値が所定の閾値未満の場合には、急操舵なしと判定する。
Judgment of sudden steering:
The
情報処理部11は、急操舵ありの場合の急操舵の開始位置を、時刻Ti−1の車両位置に設定する。
プローブ情報S1にハンドル操舵角が含まれる場合には、最新時刻Tiと1期前の時刻Ti−1のハンドル操舵角とから角速度Wを算出してもよい。
The
When the steering angle is included in the probe information S1, the angular velocity W may be calculated from the latest time T i and the steering angle at the time T i-1 one period before.
自動運転モード停止の判定:
情報処理部11は、1期前の時刻Ti−1における自動運転車両3Aの動作モードの状態情報がオン(=自動運転)である場合に、最新時刻Tiの動作モードの状態情報がオフ(=手動運転)となった場合に、自動運転モード停止ありと判定する。
情報処理部11は、自動運転モード停止ありの場合の自動運転モード停止の開始位置を、時刻Tiの車両位置に設定する。
Judgment of automatic operation mode stop:
The
The
異常走行なし(正常走行)の判定:
情報処理部11は、自動走行中のすべての自動運転車両3Aの全行程のうち、上記の4種類の異常走行を検出しなかった残りの道路区間を複数の走行区間に分割し、分割後の各走行区間についての判定結果を異常走行なしとする。
Judgment of no abnormal driving (normal driving):
The
(特徴量判定処理)
本実施形態では、特徴量の種類の例として、「カーブ」、「料金所」、「合流」、「降水量」、「交通量」及び「渋滞末尾」の6種類を想定する。
情報処理部11は、異常走行判定処理P11が完了したすべての走行区間について、当該走行区間における上記6種類の特徴量の値を決定する。なお、ここでは、特徴量の値を「1」(=あり)及び「0」(=なし)の二値で定義する。
(Feature amount judgment processing)
In the present embodiment, six types of “curve”, “toll booth”, “joining”, “precipitation”, “traffic volume”, and “traffic jam end” are assumed as examples of types of feature quantities.
The
カーブの判定:
情報処理部11は、走行区間に含まれる道路リンクの始点、中間点、終点の座標を用いて、当該点とその前後の点の座標から当該点における曲率半径を算出する。
情報処理部11は、算出した曲率半径が所定値(例えば、高速道路で350m、一般道路で200m)以下である場合には、カーブあり(特徴量の値=1)と判定し、所定値を超える場合には、カーブなし(特徴量の値=0)と判定する。
Judgment of curve:
The
When the calculated radius of curvature is equal to or less than a predetermined value (for example, 350 m on a highway and 200 m on a general road), the
料金所の判定:
情報処理部11は、道路地図データ28を用いて、走行区間に含まれる道路リンクに料金所を表す施設情報が存在するか否かを判定する。
情報処理部11は、料金所の施設情報が存在する場合には、料金所あり(特徴量の値=1)と判定し、存在しない場合には、料金所なし(特徴量の値=0)と判定する。
Toll gate determination:
The
The
合流の判定:
情報処理部11は、道路地図データ28を用いて、走行区間に含まれる道路リンクに合流が存在するか否かを判定する。例えば、走行区間に含まれる道路リンクが複数の進入リンクを有する場合には合流が存在する。
情報処理部11は、合流が存在する場合には、合流あり(特徴量の値=1)と判定し、存在しない場合には、合流なし(特徴量の値=0)と判定する。
Judgment judgment:
The
The
降水量の判定:
情報処理部11は、気象情報から、異常走行の開始位置を内部に含む走行区間を包含する所定の大きさのエリア(例えば、1km四方のメッシュ)の降水量を抽出する。
情報処理部11は、抽出した降水量が所定値(例えば、15mm/h)以上である場合には、降水量あり(特徴量の値=1)と判定し、所定値未満である場合には、降水量なし(特徴量の値=0)と判定する。
Determination of precipitation:
The
The
交通量の判定:
情報処理部11は、蓄積されたすべてのプローブ情報S1のうち、異常走行の発生時刻を含む所定時間(例えば15分)内に、異常走行の開始位置を通過したプローブ車両3の台数を算出する。
情報処理部11は、算出した車両台数が所定値以上である場合には、交通量あり(特徴量の値=1)と判定し、所定値未満である場合には、交通量なし(特徴量の値=0)と判定する。
Judgment of traffic volume:
The
When the calculated number of vehicles is equal to or greater than a predetermined value, the
渋滞末尾の判定:
情報処理部11は、異常走行の開始位置から下流側を通行していたプローブ車両3の車両位置と車両速度を用いて、異常走行の車両の下流側に渋滞末尾が存在していたか否かを判定する。
情報処理部11は、渋滞末尾が存在する場合には、渋滞末尾あり(特徴量の値=1)と判定し、存在しない場合には、渋滞末尾なし(特徴量の値=0)と判定する。
Judgment of traffic jam end:
The
When there is a traffic jam tail, the
なお、異常走行の開始位置を含む道路区間の渋滞情報が、データベース23の交通情報(VICS情報)に含まれる場合には、当該渋滞情報から渋滞末尾の位置を求めることにしてもよい。
In addition, when the traffic information of the road section including the starting position of the abnormal driving is included in the traffic information (VICS information) of the
上記の特徴量判定処理P12が完了すると、情報処理部11は、処理済みの走行区間ごとに、当該走行区間における異常走行の有無と特徴量の値を記した走行リスクデータを生成し、生成した走行リスクデータを走行リスクデータベース25に蓄積する。
When the feature amount determination process P12 is completed, the
図4は、走行リスクデータの一例を示す説明図である。
図4に示すように、走行リスクデータベース25は、走行区間m(m=1〜n)が行に割り当てられ、走行区間mごとの特徴量の値と異常走行の有無が列に割り当てられたテーブルを備える。
1つの走行リスクデータは、1つの行の走行区間mに含まれる複数のセルに記される数値又は記号よりなり、各セルには特徴量の値と異常走行の有無が記される。
FIG. 4 is an explanatory diagram showing an example of travel risk data.
As shown in FIG. 4, the
One travel risk data is composed of numerical values or symbols written in a plurality of cells included in the travel section m of one row, and each cell has a feature value and the presence or absence of abnormal travel.
図4において、「天候」及び「交通情報」(VICS情報)に例示する通り、前述の6種類以外の特徴量(要因)を定義することもできる。
また、「カーブ」、「降水量」及び「交通量」など、有無ではなく数値で表現されることが通常である特徴量の場合は、3つ以上の値で1つの特徴量の多寡を定義してもよいし、R0≦R<R1の第1カーブ、R1≦R<R2の第2カーブのように、カーブの種類を曲率半径の範囲で定義し、それらのカーブの有無を二値で表現することにしてもよい。
In FIG. 4, as exemplified in “weather” and “traffic information” (VICS information), feature quantities (factors) other than the six types described above can be defined.
In addition, for features such as “curve”, “precipitation”, and “traffic” that are usually expressed numerically rather than with or without, define the amount of one feature with three or more values. It is also possible to define the type of curve within the radius of curvature, such as the first curve of R0 ≦ R <R1, and the second curve of R1 ≦ R <R2, and whether these curves are present in binary. It may be expressed.
〔走行リスクデータのモデル化処理〕
図5は、サーバコンピュータ10の情報処理部11が実行する走行リスクデータのモデル化処理P21の一例を示すフローチャートである。図6は、モデル化処理P21により生成されるリスク判定モデルの一例を示す説明図である。
本実施形態では、多数の走行リスクデータに含まれる特徴量と異常走行との因果関係をモデル化する手法として、ベイジアンネットワークを採用している。
[Modeling process of driving risk data]
FIG. 5 is a flowchart illustrating an example of the travel risk data modeling process P <b> 21 executed by the
In the present embodiment, a Bayesian network is adopted as a method for modeling a causal relationship between a feature amount included in a large number of travel risk data and abnormal travel.
ベイジアンネットワークは、因果関係を確率により表現するグラフィカルモデルの1つであり、ノード間の因果関係を有向非巡回グラフ構造により表すとともに、個々の変数の関係を条件付き確率で表す確率推論のモデルである。
以下、図5及び図6を参照しつつ、本実施形態の走行リスクデータのモデル化処理P21と、この処理P21によって得られるリスク判定モデルの具体例を説明する。
A Bayesian network is a graphical model that expresses causal relationships with probabilities. A model for probabilistic reasoning that expresses causal relationships between nodes with a directed acyclic graph structure and conditional relationships between individual variables. It is.
A specific example of the travel risk data modeling process P21 of this embodiment and the risk determination model obtained by this process P21 will be described below with reference to FIGS.
図5に示すように、サーバコンピュータ10の情報処理部11は、まず、有向グラフのノードを生成する(ステップST1)。
具体的には、情報処理部11は、特徴量に対応する有向リンクの起点ノードである6つのノードXj(j=1〜6)と、異常走行に対応する有向リンクの終点ノードである4つのノードYk(k=1〜4)を生成する(図6参照)。
As shown in FIG. 5, the
Specifically, the
次に、情報処理部11は、起点側のノードXjの条件付き確率表Tj(j=1〜6)をそれぞれ生成する(ステップST2)。
例えば、図6の例では、カーブのノードX1の条件付き確率表T1において、カーブありの確率が0.05であり、カーブなしの確率が0.95となっている。この確率は、データベース25に蓄積されたカーブありの走行リスクデータ数(件数)と、カーブなしの走行リスクデータ数(件数)とから算出される。
Next, the
For example, in the example of FIG. 6, in the conditional probability table T1 of the node X1 of the curve, the probability with a curve is 0.05 and the probability without a curve is 0.95. This probability is calculated from the number of running risk data with a curve (number of cases) accumulated in the
次に、情報処理部11は、各ノードYkについて、起点側の親ノードの候補となるノードXjの集合を指定する(ステップST3)。
本実施形態では、ノードXjに対応する特徴量として、ノードYkの要因となり得るものが予め採用されているので、ノードYkに関連する親ノードの候補となるノードXjの集合は、すべてのノードX1〜X6となる。
Next, the
In this embodiment, since the feature quantity corresponding to the node Xj is preliminarily adopted as a feature quantity that can be a factor of the node Yk, the set of nodes Xj that are candidates for the parent node related to the node Yk is all the nodes X1. ~ X6.
次に、情報処理部11は、各ノードYkについて、親ノードの候補の中から正規の親ノードを決定する(ステップST4)。
この親ノードの決定処理は、条件付き確率表T1〜T6に記された確率から算出されるAIC(赤池情報量基準)が最小となるノードXjの組み合わせを、ノードYkの正規の親ノードとすることによって行うことができる。
Next, the
In this parent node determination process, the combination of the node Xj that minimizes the AIC (Akaike information criterion) calculated from the probabilities described in the conditional probability tables T1 to T6 is set as the normal parent node of the node Yk. Can be done.
例えば、任意の1つの候補ノードを親ノードとしたあと、他の候補ノードを1つずつ親ノードに追加して適合度を判定する手法を採用する場合には、追加前後の条件付き確率からそれぞれAICを算出すればよい。
そして、候補ノードの追加によりAICが減少する場合には、当該候補ノードを正規の親ノードとして採用し、増加する場合には、当該候補ノードを正規の親ノードに採用しないようにすればよい。
For example, when adopting a method of determining the fitness by adding any one candidate node to the parent node after making any one candidate node the parent node, the conditional probabilities before and after the addition are determined respectively. What is necessary is just to calculate AIC.
Then, when the AIC decreases due to the addition of the candidate node, the candidate node may be adopted as a regular parent node, and when the AIC increases, the candidate node may not be adopted as the regular parent node.
或いは、正規の親ノードを総当たり的に決定することにしてもよい。すなわち、候補ノードのすべての組み合わせごとにAICを算出し、AICが最小となる組み合わせに含まれる候補ノードを、正規の親ノードに採用すればよい。 Alternatively, the regular parent node may be determined brute force. That is, an AIC is calculated for every combination of candidate nodes, and a candidate node included in a combination that minimizes the AIC may be adopted as a regular parent node.
親ノードの決定処理(ステップST4)が完了すると、図6に示すように、終点側の各ノードYkが、親ノードと判定された起点側のノードXjと有向リンクにより結ばれる。
例えば、図6の例では、急減速のノードY1は、6つの親ノードX1〜X6と結ばれ、急加速のノードY2は、3つの親ノードX2,X3,X5と結ばれている。同様に、急操舵のノードY3は、5つの親ノードX1〜X5と結ばれ、自動運転モード停止のノードY4は、6つの親ノードX1〜X6と結ばれている。
When the parent node determination process (step ST4) is completed, as shown in FIG. 6, each node Yk on the end point side is connected to the node Xj on the start point side determined as the parent node by a directed link.
For example, in the example of FIG. 6, the rapid deceleration node Y1 is connected to six parent nodes X1 to X6, and the rapid acceleration node Y2 is connected to three parent nodes X2, X3, and X5. Similarly, the sudden steering node Y3 is connected to five parent nodes X1 to X5, and the automatic operation mode stop node Y4 is connected to six parent nodes X1 to X6.
上記のようにして、ノードXjとノードYkを結ぶ有向グラフの構造が定まると、情報処理部11は、終点側の各ノードYkに関する条件付き確率表Uk(k=1〜4)を作成する(ステップST5)。
終点側の各ノードYkに関する条件付き確率表Ukは、ノードYkに対応する異常走行のあり/なしに加えて、ノードYkに対応する親ノードXjの値が条件として付加された確率表となっている。
As described above, when the structure of the directed graph connecting the node Xj and the node Yk is determined, the
The conditional probability table Uk related to each node Yk on the end point side is a probability table in which the value of the parent node Xj corresponding to the node Yk is added as a condition in addition to the presence / absence of abnormal running corresponding to the node Yk. Yes.
図7は、異常走行のノードYkに関する条件付き確率表Ukの一例を示す図である。
図7(a)は、急減速のノードY1に関する条件付き確率表U1を示し、図7(b)は、急加速のノードY2に関する条件付き確率表U2を示している。
図7において、Xj=0の場合は、親ノードXjの特徴量が「なし」であることを意味し、Xj=1の場合は、親ノードXjの特徴量が「あり」であることを意味する。また、Xj=N(nul)の場合は、当該ノードXjが親ノードではないことを意味する。
FIG. 7 is a diagram illustrating an example of the conditional probability table Uk related to the abnormally traveling node Yk.
FIG. 7A shows a conditional probability table U1 related to the sudden deceleration node Y1, and FIG. 7B shows a conditional probability table U2 related to the sudden acceleration node Y2.
In FIG. 7, when Xj = 0, it means that the feature quantity of the parent node Xj is “none”, and when Xj = 1, it means that the feature quantity of the parent node Xj is “present”. To do. Further, when Xj = N (null), it means that the node Xj is not a parent node.
図7(a)に示す条件付き確率表U1では、例えば、X1〜X6=0である場合(すべての特徴量がなしの場合)には、急減速が生じる確率が0.002であり、急減速が生じない確率が0,998となっている。
この確率は、データベース25に蓄積された走行リスクデータのうち、X1〜X6=0の場合に急減速が発生した走行リスクデータ数(件数)と、X1〜X6=0の場合に急減速が発生しなかった走行リスクデータ数(件数)とから算出される。
In the conditional probability table U1 shown in FIG. 7A, for example, when X1 to X6 = 0 (when all feature quantities are absent), the probability of sudden deceleration is 0.002, The probability that deceleration does not occur is 0,998.
This probability is based on the number of travel risk data (number of cases) in which sudden deceleration has occurred when X1 to X6 = 0 among the travel risk data stored in the
同様に、X1〜X5=0でかつX6=1である場合(自動運転モード停止のみがありの場合)には、急減速が生じる確率が0.005であり、急減速が生じない確率が0,995となっている。
この確率は、データベース25に蓄積された走行リスクデータのうち、X1〜X5=0でかつX6=1の場合に急減速が発生した走行リスクデータ数(件数)と、X1〜X5=0でかつX6=1の場合に急減速が発生しなかった走行リスクデータ数(件数)とから算出される。
Similarly, when X1 to X5 = 0 and X6 = 1 (when only the automatic operation mode is stopped), the probability of sudden deceleration is 0.005, and the probability that sudden deceleration does not occur is 0. , 995.
This probability is calculated based on the number of driving risk data (number of cases) in which sudden deceleration has occurred when X1 to X5 = 0 and X6 = 1 among the driving risk data stored in the
図7(b)に示す条件付き確率表U2では、例えば、X2,X3,X5=0である場合には、急加速が生じる確率が0.003であり、急加速が生じない確率が0,997となっている。
この確率は、データベース25に蓄積された走行リスクデータのうち、X2,X3,X5=0の場合に急加速が発生した走行リスクデータ数(件数)と、X2,X3,X5=0の場合に急加速が発生しなかった走行リスクデータ数(件数)とから算出される。
In the conditional probability table U2 shown in FIG. 7B, for example, when X2, X3, and X5 = 0, the probability that sudden acceleration occurs is 0.003, and the probability that sudden acceleration does not occur is 0, 997.
This probability is calculated when the driving risk data accumulated in the
同様に、X2,X3=0でかつX5=1である場合(交通量のみがありの場合)には、急減速が生じる確率が0.015であり、急減速が生じない確率が0,985となっている。
この確率は、データベース25に蓄積された走行リスクデータのうち、X2,X3=0でかつX5=1の場合に急加速が発生した走行リスクデータ数(件数)と、X2,X3=0でかつX5=1の場合に急加速が発生しなかった走行リスクデータ数(件数)とから算出される。
Similarly, when X2, X3 = 0 and X5 = 1 (when there is only traffic), the probability that sudden deceleration will occur is 0.015, and the probability that sudden deceleration will not occur is 0,985. It has become.
This probability is calculated based on the number of driving risk data (number of cases) in which sudden acceleration has occurred when X2, X3 = 0 and X5 = 1, and X2, X3 = 0. It is calculated from the number of travel risk data (number of cases) in which rapid acceleration did not occur when X5 = 1.
〔リスク判定モデルの利用例〕
図8は、車載コンピュータ30の処理部31が実行する、走行リスク判定処理P30と走行リスク回避処理P31の概要を示す説明図である。
図8に示すように、サーバ装置2は、リスク判定モデル(図6参照)を車載コンピュータ30に送信可能である。車載コンピュータ30の処理部31は、受信したリスク判定モデルを用いて走行リスク判定処理P30を実行する。
[Usage example of risk judgment model]
FIG. 8 is an explanatory diagram showing an outline of the travel risk determination process P30 and the travel risk avoidance process P31 executed by the
As shown in FIG. 8, the
走行リスク判定処理P30は、リスク判定モデルに基づいて「リスク情報」を生成する処理である。リスク情報とは、自動走行における異常走行の種別と、当該異常走行を発生させる要因であると推定される特徴量の種別が含まれる情報である。 The travel risk determination process P30 is a process for generating “risk information” based on the risk determination model. The risk information is information including the type of abnormal driving in automatic driving and the type of feature amount estimated to be a factor causing the abnormal driving.
具体的には、処理部31は、リスク判定モデルの条件付き確率表U1〜U6に含まれる異常走行の発生確率(Yk=ありの場合の確率)が、所定の閾値(例えば0.40)以上となる異常走行のノードYkを抽出する。
次に、処理部31は、抽出した異常走行のノードYkに繋がる親ノードXjの中から、Xj=1である親ノードXjを選択することにより、異常走行のノードYkの要因であると推定される特徴量の種別を特定し、特定した種別をリスク情報に含める。
Specifically, the
Next, the
例えば、ノードY1(急減速)の発生確率が0.45であり、ノードY1に対応する親ノードX1〜X6の値が「1,0,1,0,0,0」である場合には、処理部31は、ノードY1の「急減速」、ノードX1の「カーブ」及びノードX3の「合流」をリスク情報に含める。
For example, when the occurrence probability of the node Y1 (rapid deceleration) is 0.45 and the values of the parent nodes X1 to X6 corresponding to the node Y1 are “1, 0, 1, 0, 0, 0”, The
同様に、ノードY6(自動運転モード停止)の発生確率が0.50であり、ノードY6に対応する親ノードX1〜X6の値が「0,1,0,1,0,0」である場合には、処理部31は、ノードY6の「自動運転モード停止」、ノードX2の「料金所」及びノードX4の「降水量」をリスク情報に含める。
走行リスク回避処理P31は、走行リスク判定処理P33によって得られたリスク情報を用いて、自動走行における異常走行の発生を回避する処理である。
Similarly, the occurrence probability of the node Y6 (automatic operation mode stop) is 0.50, and the values of the parent nodes X1 to X6 corresponding to the node Y6 are “0, 1, 0, 1, 0, 0”. The
The travel risk avoidance process P31 is a process for avoiding the occurrence of abnormal travel in automatic travel using the risk information obtained by the travel risk determination process P33.
走行リスク回避処理P31には、出発地と目的地を含むナビ入力情報、道路地図データ、交通情報及び気象情報などを入力データとして経路探索処理を実行する場合に、更にリスク情報を考慮して当該経路探索処理を行うことにより、自動走行における異常走行の発生を回避した走行計画を生成する処理が含まれる。 In the travel risk avoidance process P31, when the route search process is executed using navigation input information including a departure point and a destination, road map data, traffic information, weather information, and the like as input data, the risk information is further taken into consideration. By performing the route search process, a process of generating a travel plan that avoids the occurrence of abnormal travel in automatic travel is included.
例えば、「急減速」、「カーブ」及び「合流」がリスク情報に含まれる場合には、処理部31は、カーブと合流が含まれる1つの走行区間(以下、「第1リスク区間」という。)を探索対象から除外する、或いは、第1リスク区間のリンクコストを通常よりも高くして経路探索処理を実行する。
これにより、急減速の発生確率が高い第1リスク区間を含む走行計画(探索結果)の出力が防止又は抑制され、急減速の発生を回避した走行計画を生成することができる。
For example, when “rapid deceleration”, “curve”, and “merging” are included in the risk information, the
Thereby, the output of the travel plan (search result) including the first risk section where the probability of occurrence of sudden deceleration is high can be prevented or suppressed, and a travel plan that avoids sudden deceleration can be generated.
走行リスク回避処理P31には、リスク情報に含まれる特徴量を含む走行区間を自動走行により通行する場合に、異常走行の発生を回避する運転制御も含まれる。 The driving risk avoiding process P31 includes driving control for avoiding the occurrence of abnormal driving when the driving section including the characteristic amount included in the risk information passes through automatic driving.
例えば、「急減速」、「カーブ」及び「合流」がリスク情報に含まれる場合には、処理部31は、第1リスク区間を自動走行する場合の車両速度を、事前に通常よりも低速に設定する自動運転を実行する。
これにより、急減速の発生確率が高い第1リスク区間を自動運転車両が比較的低速で自動走行することになり、急減速の発生を回避した自動走行を行うことができる。
For example, when “rapid deceleration”, “curve”, and “merging” are included in the risk information, the
As a result, the autonomous driving vehicle automatically travels at a relatively low speed in the first risk section where the probability of sudden deceleration is high, and automatic traveling that avoids sudden deceleration can be performed.
走行リスク回避処理P31には、リスク情報に含まれる特徴量に該当する走行区間を自動走行により通行する場合に、リスク情報に含まれる異常走行の発生を搭乗者に予め通知する処理が含まれる。 The travel risk avoidance process P31 includes a process of notifying the passenger in advance of the occurrence of an abnormal travel included in the risk information when the travel section corresponding to the feature amount included in the risk information passes through automatic travel.
例えば、「自動運転モード停止」、「料金所」及び「降水量」がリスク情報に含まれる場合には、処理部31は、料金所を含みかつ降水量が15mm/h以上である1つの走行区間(以下、「第2リスク区間」という。)を自動走行で通行する前に、予め自動運転モードから手動運転モードに切り替わることを搭乗者に通知する。
これにより、第2リスク区間での自動走行において自動運転モードがいきなり停止することに伴う搭乗者の動揺を防止でき、スムーズに手動運転に切り替えることができる。
For example, when “automatic operation mode stop”, “toll gate”, and “precipitation amount” are included in the risk information, the
As a result, it is possible to prevent passengers from shaking due to sudden stoppage of the automatic driving mode in automatic driving in the second risk section, and to smoothly switch to manual driving.
図8では、走行リスク判定処理P30と走行リスク回避処理P31を車載コンピュータ30の処理部31が実行する場合を例示したが、走行リスク判定処理P30と、走行リスク回避処理P31のうちの、自動走行における異常走行の発生を回避した走行計画を生成する処理については、サーバコンピュータ10の情報処理部11が実行することにしてもよい。
Although FIG. 8 illustrates the case where the
また、走行リスク判定処理P30をサーバコンピュータ10の情報処理部11が実行し、走行リスク回避処理P31を車載コンピュータ30の処理部31が実行することにしてもよい。
この場合、サーバコンピュータ10がリスク情報を生成して車載コンピュータ30に送信し、車載コンピュータ30は、受信したリスク情報を用いて走行リスク回避処理P31を実行することになる。
Alternatively, the travel risk determination process P30 may be executed by the
In this case, the
〔リスク判定モデルからの疑義ケースデータの抽出処理〕
図3に示すように、サーバコンピュータ10の情報処理部11が実行するデータ抽出処理P22には、リスク判定データベース26に格納されたリスク判定モデルから、疑義ケースデータを抽出する処理が含まれる。
[Extraction processing of suspicious case data from risk judgment model]
As shown in FIG. 3, the data extraction process P <b> 22 executed by the
図9は、情報処理部11がリスク判定モデルから抽出可能な疑義ケースデータの一例を示す説明図である。
図9に示す疑義ケースデータは、急減速のノードY1がすべてのノードX1〜X6と有向リンクで繋がる場合において、ノードX1〜X6の値がすべて0(=特徴量なし)であり、かつ、ノードY1の発生確率が所定値(例えば、0.30)以上であるケースを示している。
FIG. 9 is an explanatory diagram illustrating an example of suspicious case data that can be extracted from the risk determination model by the
The suspicious case data shown in FIG. 9 indicates that when the sudden deceleration node Y1 is connected to all the nodes X1 to X6 by the directed links, the values of the nodes X1 to X6 are all 0 (= no feature amount), and This shows a case where the occurrence probability of the node Y1 is a predetermined value (for example, 0.30) or more.
本実施形態では、異常走行に関連する特徴量(要因)のうち、道路側の事象である外部要因のみがノードX1〜X6に採用されている。従って、ノードX1〜X6の値がオールゼロであるのに、ノードY1(急減速)の発生確率が高いということは、車両側の内部要因が急減速に影響していると推定される。
ここで、急減速に影響する内部要因としては、ブレーキシステムや前方用の画像センサの故障などのハードウェア要因が考えられる。
In the present embodiment, among the feature quantities (factors) related to abnormal running, only external factors that are road-side events are employed in the nodes X1 to X6. Therefore, the fact that the occurrence probability of the node Y1 (rapid deceleration) is high although the values of the nodes X1 to X6 are all zero is estimated that the internal factor on the vehicle side affects the rapid deceleration.
Here, hardware factors such as a failure of the brake system and the image sensor for the front can be considered as internal factors affecting the sudden deceleration.
しかし、同種の機械的な故障が多数のプローブ車両3に同時期に発生することは、通常は殆どないと考えるのが自然である。
従って、多数のプローブ情報S1を用いて統計的手法で作成されたリスク判定モデルにおいて、外部要因の特徴量が発生していないのに所定値以上の確率で急減速が発生するということは、自動運転の制御プログラムのアルゴリズム又はパラメータの不備などの、ソフトウェア要因の影響である疑いが高いと考えられる。
However, it is natural to think that almost no mechanical failure of the same type occurs in
Therefore, in a risk determination model created by a statistical method using a large number of probe information S1, the fact that a sudden deceleration occurs with a probability equal to or greater than a predetermined value even though no feature amount of an external factor has occurred is There is a high suspicion that it is an influence of software factors such as deficiencies in the algorithm or parameters of the operation control program.
図9では、急減速のノードY1に関する疑義ケースデータを例示しているが、他の種別の異常走行(ノードY2〜Y4)の場合も同様である。
すなわち、ノードX1〜X6の値がオールゼロであるのにノードY2(急加速)の発生確率が所定値以上であるケース、ノードX1〜X6の値がオールゼロであるのにノードY3(急操舵)の発生確率が所定値以上であるケース、及び、ノードX1〜X6の値がオールゼロであるのにノードY4(自動運転モード停止)の発生確率が所定値以上であるケースも、それぞれ疑義ケースデータに該当する。
In FIG. 9, suspicious case data relating to the sudden deceleration node Y1 is illustrated, but the same applies to other types of abnormal running (nodes Y2 to Y4).
That is, when the values of the nodes X1 to X6 are all zero but the occurrence probability of the node Y2 (rapid acceleration) is not less than a predetermined value, the values of the nodes X1 to X6 are all zero and the node Y3 (rapid steering) Cases in which the probability of occurrence is greater than or equal to a predetermined value and cases in which the occurrence probability of node Y4 (automatic operation mode stop) is greater than or equal to a predetermined value even though the values of nodes X1 to X6 are all zero correspond to suspicious case data, respectively. To do.
そこで、サーバコンピュータ10の情報処理部11は、図6のリスク判定モデルにおいて、ノードX1〜X6の値がすべて0であり、かつ、発生確率が所定値以上であるノードYkが存在するか否かを探索する。
探索の結果、上記のようなノードYkが存在する場合には、当該ノードYkとこれに繋がるノードX1〜X6とからなる有向グラフを生成し、生成した有向グラフを疑義ケースデータとしてデータベース27に格納する。
Therefore, the
If the node Yk as described above exists as a result of the search, a directed graph including the node Yk and nodes X1 to X6 connected to the node Yk is generated, and the generated directed graph is stored in the
図10は、情報処理部11がリスク判定モデルから抽出可能な疑義ケースデータの別例を示す説明図である。
図10に示す疑義ケースデータは、急加速のノードY2がノードX1のみと有向リンクで繋がっており、ノードX1の値が1(=特徴量あり)であり、かつ、ノードY2の発生確率が所定値(例えば、0.30)以上であるケースを示している。
FIG. 10 is an explanatory diagram illustrating another example of questionable case data that can be extracted from the risk determination model by the
In the suspicious case data shown in FIG. 10, the node Y2 of rapid acceleration is connected to only the node X1 by a directed link, the value of the node X1 is 1 (= feature), and the occurrence probability of the node Y2 is A case of a predetermined value (for example, 0.30) or more is shown.
このケースは、自動走行における急加速(ノードY2)の外部要因がカーブ(ノードX1)のみであり、しかも、当該急加速が高い確率で発生することを意味する。
しかし、手動運転ではカーブで減速するのが通常であるから、多数のプローブ情報S1を用いて統計的手法で作成されたリスク判定モデルにおいて、上記のケースが所定値以上の確率で発生するということは、自動運転の制御プログラムが手動運転とは異なる不自然な操作を車両に指示していると推定され、ソフトウェア要因の影響である疑いが高いと考えられる。
This case means that the external factor of the sudden acceleration (node Y2) in automatic traveling is only the curve (node X1), and that the sudden acceleration occurs with a high probability.
However, in manual operation, it is normal to decelerate along a curve, so in the risk judgment model created by a statistical method using a lot of probe information S1, the above case occurs with a probability of a predetermined value or more. It is presumed that the control program for automatic driving instructs the vehicle to perform an unnatural operation different from that for manual driving.
そこで、サーバコンピュータ10の情報処理部11は、例えば図10のように、手動運転では関連性がない所定のノードXj,Yk同士が有向リンクで結ばれ、発生確率が所定値以上であるノードYkが存在するか否かを探索する。
探索の結果、上記のようなノードYkが存在する場合には、当該ノードYkとこれに繋がるノードXjとからなる有向グラフを生成し、生成した有向グラフを疑義ケースデータとしてデータベース27に格納する。
Accordingly, the
As a result of the search, when the node Yk as described above exists, a directed graph composed of the node Yk and the node Xj connected to the node Yk is generated, and the generated directed graph is stored in the
本実施形態では、サーバコンピュータ10の情報処理部11が、リスク判定モデルに基づくデータ抽出処理P22を実行するが、リスク判定モデルを取得した他のコンピュータ装置が当該抽出処理P22を実行することにしてもよい。
また、リスク判定モデルのディスプレイ表示又は印刷出力(紙媒体)に基づいて、自動車メーカーの技術担当者などが人手で疑義ケースデータを抽出することにしてもよい。
In the present embodiment, the
In addition, based on the display or print output (paper medium) of the risk determination model, a technical person in charge of an automobile manufacturer may manually extract suspicious case data.
〔走行リスクデータからの疑義ケースデータの抽出処理〕
図3に示すように、サーバコンピュータ10の情報処理部11が実行するデータ抽出処理P22には、走行リスクデータベース25に蓄積された走行リスクデータから、疑義ケースデータを抽出する処理であってもよい。
[Extraction processing of suspicious case data from driving risk data]
As shown in FIG. 3, the data extraction process P22 executed by the
図11は、情報処理部11が走行リスクデータから抽出可能な疑義ケースデータの一例を示す説明図である。
図11に示す疑義ケースデータは、所定の異常走行(例えば、急減速)の発生回数を車種(例えば、普通自動車C1と大型車両C2)ごとにカウントすることにより生成された数値データよりなる。
FIG. 11 is an explanatory diagram illustrating an example of suspicious case data that can be extracted from the travel risk data by the
The suspicious case data shown in FIG. 11 includes numerical data generated by counting the number of occurrences of predetermined abnormal traveling (for example, rapid deceleration) for each vehicle type (for example, the ordinary automobile C1 and the large vehicle C2).
図11では、走行区間1〜mまでの普通自動車C1については、急減速の発生回数が500回であり、走行区間m+1〜nまでの大型車両C2については、急減速の発生回数が5回である場合を示している。なお、走行区間のデータ数はほぼ同じとする。
ここで、普通自動車C1で採用されている自動運転の制御プログラムと、大型車両C2で採用されている自動運転の制御プログラムが異なると仮定すれば、急減速の発生回数に上記のような大差が存在する場合には、普通自動車C1の制御プログラム又は制御パラメータ(定数)に何らかの修正が必要であると推測される。
In FIG. 11, the number of occurrences of sudden deceleration is 500 times for the ordinary car C1 up to the traveling
Here, assuming that the control program for automatic driving adopted in the ordinary car C1 is different from the control program for automatic driving adopted in the large vehicle C2, there is a large difference as described above in the number of occurrences of sudden deceleration. If it exists, it is estimated that some correction is necessary for the control program or control parameter (constant) of the ordinary automobile C1.
そこで、サーバコンピュータ10の情報処理部11は、走行リスクデータベース25に含まれる異常走行の発生回数を車種ごとにカウントし、車種ごとの発生回数(発生確率でもよい。)に有意な差があるか否かを判定する。
判定の結果、発生回数などに有意な差が認められる場合には、カウントした車種ごとの発生回数(または発生確率)を、疑義ケースデータとしてデータベース27に格納する。
Therefore, the
As a result of the determination, if a significant difference is observed in the number of occurrences, the counted number of occurrences (or occurrence probability) for each vehicle type is stored in the
本実施形態では、サーバコンピュータ10の情報処理部11が、走行リスクデータに基づくデータ抽出処理P22を実行するが、走行リスクデータを取得した他のコンピュータ装置が当該抽出処理P22を実行することにしてもよい。
また、走行リスクデータのディスプレイ表示又は印刷出力(紙媒体)に基づいて、自動車メーカーの技術担当者などが人手で疑義ケースデータを抽出することにしてもよい。
In the present embodiment, the
In addition, based on the display or print output (paper medium) of the travel risk data, a technician in charge of an automobile manufacturer or the like may manually extract suspicious case data.
〔その他の変形例〕
今回開示した実施形態はすべての点で例示であって制限的なものではない。本発明の権利範囲は、上述の実施形態に限定されるものではなく、特許請求の範囲に記載された構成と均等の範囲内でのすべての変更が含まれる。
[Other variations]
The embodiments disclosed herein are illustrative and non-restrictive in every respect. The scope of rights of the present invention is not limited to the above-described embodiments, but includes all modifications within the scope equivalent to the configurations described in the claims.
例えば、上述の実施形態では、特徴量と異常走行をノードとするベイジアンネットワークに基づくリスク判定モデルを構成しているが、その他の確率推論モデルによりリスク判定モデルを構成することにしてもよい。 For example, in the above-described embodiment, the risk determination model based on the Bayesian network having the feature amount and abnormal running as nodes is configured, but the risk determination model may be configured by other probability reasoning models.
1 情報処理システム
2 サーバ装置(情報処理装置)
3 プローブ車両
3A 自動運転車両
3B 手動運転車両
4 無線基地局
5 公衆通信網
6 交通情報サーバ
7 気象情報サーバ
10 サーバコンピュータ
11 情報処理部
12 記憶部
13 通信部
14 コンピュータプログラム
20 車載コンピュータ(車載装置)
21 地図データベース
22 プローブデータベース
23 交通情報データベース
24 気象情報データベース
25 走行リスクデータベース
26 リスク判定データベース
27 疑義ケースデータベース
28 道路地図データ
30 車載コンピュータ
31 処理部
32 記憶部
33 通信部
34 コンピュータプログラム
P0 情報処理
P1 第1情報処理
P2 第2情報処理
P10 データ生成処理
P11 異常走行判定処理
P12 特徴量判定処理
P21 モデル化処理
P22 データ抽出処理
P30 走行リスク判定処理
P31 走行リスク回避処理
1
DESCRIPTION OF
21
Claims (9)
前記情報処理には、
自動運転車両のプローブ情報と道路地図データに基づいて、自動走行が行われた走行区間における異常走行の有無と、前記異常走行の要因となり得る特徴量の有無又は値とを含む走行リスクデータを生成するデータ生成処理と、
生成された複数の前記走行リスクデータに基づいて、前記特徴量の有無又は値ごとの前記異常走行の発生確率を含むリスク判定モデルを生成するモデル化処理と、が含まれる情報処理装置。 An information processing apparatus including an information processing unit that executes predetermined information processing,
For the information processing,
Based on the probe information of the autonomous driving vehicle and the road map data, driving risk data including the presence or absence of abnormal driving in the driving section where the automatic driving has been performed and the presence or absence of a feature amount that may cause the abnormal driving is generated. Data generation processing to
And a modeling process for generating a risk determination model including the presence or absence of the feature amount or the occurrence probability of the abnormal driving for each value based on the plurality of generated driving risk data.
前記走行区間における前記異常走行の有無を判定する異常走行判定処理と、
前記走行区間における前記特徴量の有無又は値を判定する特徴量判定処理と、が含まれる請求項1に記載の情報処理装置。 For the data generation process,
Abnormal running determination processing for determining the presence or absence of the abnormal running in the running section;
The information processing apparatus according to claim 1, further comprising: a feature amount determination process that determines presence or absence or a value of the feature amount in the travel section.
前記通信部が前記情報処理装置から受信した情報を用いて、所定の情報処理を実行する処理部と、を備える自動運転車両の車載装置であって、
前記通信部は、前記リスク判定モデルを受信し、
前記処理部は、前記リスク判定モデルに含まれる前記特徴量の有無又は値ごとの前記異常走行の発生確率を用いて、自車両の自動走行における異常走行を回避する処理を実行する車載装置。 A communication unit that communicates with the information processing apparatus according to any one of claims 1 to 3,
A processing unit that performs predetermined information processing using information received from the information processing device by the communication unit, and an in-vehicle device for an autonomous driving vehicle,
The communication unit receives the risk determination model,
The in-vehicle device that performs processing for avoiding abnormal traveling in automatic traveling of the host vehicle, using the probability of occurrence of abnormal traveling for each value or presence or absence of the feature amount included in the risk determination model.
前記通信部が前記情報処理装置から受信した情報を用いて、所定の情報処理を実行する処理部と、を備える自動運転車両の車載装置であって、
前記通信部は、自動走行における異常走行の種別と、当該異常走行を発生させる要因であると推定される特徴量の種別が含まれるリスク情報を受信し、
前記処理部は、前記リスク情報に含まれる異常走行の種別及び特徴量の種別を用いて、自車両の自動走行における異常走行を回避する処理を実行する車載装置。 A communication unit that communicates with the information processing apparatus according to any one of claims 1 to 3,
A processing unit that performs predetermined information processing using information received from the information processing device by the communication unit, and an in-vehicle device for an autonomous driving vehicle,
The communication unit receives risk information including a type of abnormal driving in automatic driving and a type of feature amount estimated to be a factor causing the abnormal driving,
The processing unit is an in-vehicle device that executes processing for avoiding abnormal traveling in automatic traveling of the host vehicle using the type of abnormal traveling and the type of feature amount included in the risk information.
前記処理部は、前記自動運転モード停止の発生確率が所定値以上となる前記走行区間を自車両が自動走行により通行する場合に、前記自動運転の停止を事前に搭乗者に通知する請求項4又は請求項5に記載の車載装置。 The abnormal running includes an automatic operation mode stop that switches from automatic operation to manual operation,
The processing unit notifies a passenger of the stop of the automatic driving in advance when the own vehicle passes through the traveling section in which the occurrence probability of the automatic driving mode stop is a predetermined value or more by automatic driving. Or the vehicle-mounted apparatus of Claim 5.
前記処理部は、前記急減速の発生確率が所定値以上となる前記走行区間を自車両が自動走行により通行する場合に、自車両の車両速度を事前に抑制する請求項4〜請求項6のいずれか1項に記載の車載装置。 The abnormal running includes sudden deceleration,
The said process part suppresses the vehicle speed of the own vehicle in advance, when the own vehicle passes by the said driving | running | working area where the generation | occurrence | production probability of the said rapid deceleration becomes a predetermined value or more by automatic driving | running | working. The in-vehicle device according to any one of the above.
前記情報処理には、
自動運転車両のプローブ情報と道路地図データに基づいて、自動走行が行われた走行区間における異常走行の有無と、前記異常走行の要因となり得る特徴量の有無又は値とを含む走行リスクデータを生成するデータ生成処理と、
生成された複数の前記走行リスクデータに基づいて、前記特徴量の有無又は値ごとの前記異常走行の発生確率を含むリスク判定モデルを生成するモデル化処理と、が含まれる記憶媒体。 A computer-readable storage medium storing a computer program for causing an information processing unit to execute predetermined information processing,
For the information processing,
Based on the probe information of the autonomous driving vehicle and the road map data, driving risk data including the presence or absence of abnormal driving in the driving section where the automatic driving has been performed and the presence or absence of a feature amount that may cause the abnormal driving is generated. Data generation processing to
And a modeling process for generating a risk determination model including the presence or absence of the feature amount or the occurrence probability of the abnormal driving for each value based on the plurality of generated driving risk data.
前記情報処理には、
自動運転車両のプローブ情報と道路地図データに基づいて、自動走行が行われた走行区間における異常走行の有無と、前記異常走行の要因となり得る特徴量の有無又は値とを含む走行リスクデータを生成するデータ生成処理と、
生成された複数の前記走行リスクデータに基づいて、前記特徴量の有無又は値ごとの前記異常走行の発生確率を含むリスク判定モデルを生成するモデル化処理と、が含まれるコンピュータプログラム。 A computer program for causing an information processing unit to execute predetermined information processing,
For the information processing,
Based on the probe information of the autonomous driving vehicle and the road map data, driving risk data including the presence or absence of abnormal driving in the driving section where the automatic driving has been performed and the presence or absence of a feature amount that may cause the abnormal driving is generated. Data generation processing to
And a modeling process for generating a risk determination model including the presence / absence of the feature quantity or the occurrence probability of the abnormal driving for each value based on the plurality of generated driving risk data.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016030375A JP6686513B2 (en) | 2016-02-19 | 2016-02-19 | Information processing device, in-vehicle device, storage medium, and computer program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016030375A JP6686513B2 (en) | 2016-02-19 | 2016-02-19 | Information processing device, in-vehicle device, storage medium, and computer program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017146933A true JP2017146933A (en) | 2017-08-24 |
JP6686513B2 JP6686513B2 (en) | 2020-04-22 |
Family
ID=59680851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016030375A Active JP6686513B2 (en) | 2016-02-19 | 2016-02-19 | Information processing device, in-vehicle device, storage medium, and computer program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6686513B2 (en) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019159429A1 (en) * | 2018-02-14 | 2019-08-22 | 住友電気工業株式会社 | Management device, in-vehicle device, data collection system, data collection method and data collection program |
JP2020008996A (en) * | 2018-07-04 | 2020-01-16 | 株式会社デンソーテン | Road information collection support server, road information collection device, road information collection system, and road information collection method |
CN111191957A (en) * | 2020-01-07 | 2020-05-22 | 深圳广联赛讯有限公司 | UBI scoring method, UBI scoring device and readable storage medium |
WO2020161855A1 (en) * | 2019-02-07 | 2020-08-13 | 三菱電機株式会社 | Information collection device and information collection method |
WO2020235393A1 (en) * | 2019-05-21 | 2020-11-26 | 株式会社デンソー | Vehicle control device |
JPWO2019167257A1 (en) * | 2018-03-02 | 2021-03-18 | 本田技研工業株式会社 | Notification system and notification method |
JP2021144362A (en) * | 2020-03-10 | 2021-09-24 | 株式会社デンソー | Accident pattern determination device, accident pattern determination method, and accident pattern determination program |
JP2023521115A (en) * | 2020-04-10 | 2023-05-23 | 華為技術有限公司 | Prediction method, device, and system for autonomous driving manual handover |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002318844A (en) * | 2001-02-15 | 2002-10-31 | Hitachi Ltd | Method for managing vehicle |
JP2009176216A (en) * | 2008-01-28 | 2009-08-06 | Aisin Aw Co Ltd | Operation support apparatus, operation support method, and operation support program |
JP2011100298A (en) * | 2009-11-06 | 2011-05-19 | Fujitsu Ten Ltd | Information processing device, on-vehicle device, information processing system, information processing method, and program |
WO2014157359A1 (en) * | 2013-03-28 | 2014-10-02 | 本田技研工業株式会社 | Map generation system, map generation device, map generation method, and program |
JP2014186398A (en) * | 2013-03-21 | 2014-10-02 | Fujitsu Ltd | Information providing method, output control method, information providing device, information providing program, on-vehicle device and output control program |
JP2015118438A (en) * | 2013-12-17 | 2015-06-25 | みこらった株式会社 | Automatic driving car |
CN104751665A (en) * | 2013-12-26 | 2015-07-01 | 上海博泰悦臻网络技术服务有限公司 | Dangerous road section analysis method and dangerous road section analysis device |
JP2015153048A (en) * | 2014-02-12 | 2015-08-24 | 株式会社デンソー | Drive support device |
-
2016
- 2016-02-19 JP JP2016030375A patent/JP6686513B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002318844A (en) * | 2001-02-15 | 2002-10-31 | Hitachi Ltd | Method for managing vehicle |
JP2009176216A (en) * | 2008-01-28 | 2009-08-06 | Aisin Aw Co Ltd | Operation support apparatus, operation support method, and operation support program |
JP2011100298A (en) * | 2009-11-06 | 2011-05-19 | Fujitsu Ten Ltd | Information processing device, on-vehicle device, information processing system, information processing method, and program |
JP2014186398A (en) * | 2013-03-21 | 2014-10-02 | Fujitsu Ltd | Information providing method, output control method, information providing device, information providing program, on-vehicle device and output control program |
WO2014157359A1 (en) * | 2013-03-28 | 2014-10-02 | 本田技研工業株式会社 | Map generation system, map generation device, map generation method, and program |
JP2015118438A (en) * | 2013-12-17 | 2015-06-25 | みこらった株式会社 | Automatic driving car |
CN104751665A (en) * | 2013-12-26 | 2015-07-01 | 上海博泰悦臻网络技术服务有限公司 | Dangerous road section analysis method and dangerous road section analysis device |
JP2015153048A (en) * | 2014-02-12 | 2015-08-24 | 株式会社デンソー | Drive support device |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2019159429A1 (en) * | 2018-02-14 | 2021-02-12 | 住友電気工業株式会社 | Management equipment, in-vehicle equipment, data collection system, data collection method and data collection program |
JP7136178B2 (en) | 2018-02-14 | 2022-09-13 | 住友電気工業株式会社 | Management device, in-vehicle device, data collection system, data collection method and data collection program |
WO2019159429A1 (en) * | 2018-02-14 | 2019-08-22 | 住友電気工業株式会社 | Management device, in-vehicle device, data collection system, data collection method and data collection program |
JPWO2019167257A1 (en) * | 2018-03-02 | 2021-03-18 | 本田技研工業株式会社 | Notification system and notification method |
JP2020008996A (en) * | 2018-07-04 | 2020-01-16 | 株式会社デンソーテン | Road information collection support server, road information collection device, road information collection system, and road information collection method |
WO2020161855A1 (en) * | 2019-02-07 | 2020-08-13 | 三菱電機株式会社 | Information collection device and information collection method |
JPWO2020161855A1 (en) * | 2019-02-07 | 2021-09-09 | 三菱電機株式会社 | Information collection device and information collection method |
WO2020235393A1 (en) * | 2019-05-21 | 2020-11-26 | 株式会社デンソー | Vehicle control device |
CN111191957A (en) * | 2020-01-07 | 2020-05-22 | 深圳广联赛讯有限公司 | UBI scoring method, UBI scoring device and readable storage medium |
CN111191957B (en) * | 2020-01-07 | 2023-09-22 | 深圳广联赛讯股份有限公司 | UBI scoring method, UBI scoring device and readable storage medium |
JP2021144362A (en) * | 2020-03-10 | 2021-09-24 | 株式会社デンソー | Accident pattern determination device, accident pattern determination method, and accident pattern determination program |
JP7415686B2 (en) | 2020-03-10 | 2024-01-17 | 株式会社デンソー | Accident pattern determination device, accident pattern determination method, and accident pattern determination program |
JP2023521115A (en) * | 2020-04-10 | 2023-05-23 | 華為技術有限公司 | Prediction method, device, and system for autonomous driving manual handover |
Also Published As
Publication number | Publication date |
---|---|
JP6686513B2 (en) | 2020-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6620589B2 (en) | Information processing apparatus, data extraction method, program update method, storage medium, and computer program | |
JP6686513B2 (en) | Information processing device, in-vehicle device, storage medium, and computer program | |
US11664043B2 (en) | Real-time verbal harassment detection system | |
JP6822564B2 (en) | Vehicle information storage method, vehicle travel control method, and vehicle information storage device | |
CN110155083B (en) | Autonomous vehicle rollback request | |
US11714971B2 (en) | Explainability of autonomous vehicle decision making | |
CN113748316B (en) | System and method for vehicle telemetry | |
US11804136B1 (en) | Managing and tracking scouting tasks using autonomous vehicles | |
US11932278B2 (en) | Method and apparatus for computing an estimated time of arrival via a route based on a degraded state of a vehicle after an accident and/or malfunction | |
CN103247185A (en) | Anti-rollover reminding system and method for vehicle entering turn | |
US11620987B2 (en) | Generation of training data for verbal harassment detection | |
US11341847B1 (en) | Method and apparatus for determining map improvements based on detected accidents | |
US11670286B2 (en) | Training mechanism of verbal harassment detection systems | |
US11851091B2 (en) | Immobility detection within situational context | |
EP3267419B1 (en) | Method and system for maintaining a database comprising reported traffic-affecting events | |
JP2018149934A (en) | Driving support device, program and driving support method | |
US20240001954A1 (en) | Methods for preventing service disruption through chokepoint monitoring | |
KR102426233B1 (en) | Apparatus and method for intelligent road information collection based on user terminal | |
US20240085193A1 (en) | Automated dynamic routing unit and method thereof | |
US20220342804A1 (en) | Vehicle software shadow mode testing | |
US11480436B2 (en) | Method and apparatus for requesting a map update based on an accident and/or damaged/malfunctioning sensors to allow a vehicle to continue driving | |
US11845454B2 (en) | Operational envelope detection with situational assessment | |
JP7428555B2 (en) | Control device, system, program, and control method | |
JP2021140768A (en) | Data processing method, server and program | |
US20230408276A1 (en) | Methods and apparatuses for late lane change prediction and mitigation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180821 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190718 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190730 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190910 |
|
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: 20200303 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200316 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6686513 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |