JP2018024340A - 運転性向判定装置および運転性向判定システム - Google Patents

Abstract

【課題】車両の運転者の運転性向を判定する運転性向判定装置及び運転性向判定システムを提供する。
【解決手段】運転性向判定装置は、判定対象者の車両運転時に測定された車両の加速度と加加速度を示す情報を取得する取得部と、任意の運転者による車両運転時に測定された加速度と加加速度の時系列がプロットされた二次元平面を含む判定画像を用いて学習した人工知能機能を実装した演算部と、を備える。演算部は、判定対象者の車両運転時に測定された加速度及び加加速度の情報に基づき複数の判定画像を生成し、複数の判定画像を人工知能機能に入力することにより判定対象者の運転性向を判定する。
【選択図】図９

Description

本開示は、車両の運転者の運転性向を判定する運転性向判定装置及び運転判定システムに関する。

特許文献１は、加速度の変化量等に基づいて車両の運転操作状態を判定する車両用運転支援装置を開示する。

特許文献１の車両用運転支援装置は、車両の加速度の変化量に関連する第１関連値を算出する変化量算出手段と、車両の躍度に関連する第２関連値を算出する躍度算出手段と、車両の加速度の絶対値に関連する第３関連値を算出する加速度算出手段と、第１ないし第３関連値に基づいて車両の運転操作状態を判定する状態判定手段とを備える。

状態判定手段は、変化量算出手段により算出された第１関連値が所定値以上のときに、第１判定マップを用いて、第１関連値と第２関連値とに基づいて、車室内の質点の動きを表す振動モデルを用いて算出された、車両の加速度の変化量に対するその変化の終了時における質点の運動エネルギーの比に基づいて予め設定された判定基準に従って、車両の運転操作状態を判定する。また、第１関連値が所定値よりも小さいときは、状態判定手段は、第１判定マップとは異なる第２判定マップを用いて、第１関連値と第３関連値とに基づいて車両の運転操作状態を判定する。この構成により、車両の運転操作状態を、加速度の変化量の大きさに拘わらず精度良く判定することを可能としている。

特開２０１２−１９８３４５号公報

本開示は、車両の運転者の運転性向を判定できる運転性向判定装置及び運転性向判定システムを提供する。

本開示の第一の態様において、運転性向判定装置が提供される。運転性向判定装置は、判定対象者の車両運転時に測定された車両の加速度と加加速度を示す情報を取得する取得部と、任意の運転者による車両運転時に測定された加速度と加加速度の時系列がプロットされた二次元平面を含む判定画像を用いて学習した人工知能機能を実装した演算部と、を備える。演算部は、判定対象者の車両運転時に測定された加速度及び加加速度の情報に基づき複数の判定画像を生成し、複数の判定画像を人工知能機能に入力することにより判定対象者の運転性向を判定する。

本開示の第二の態様において、運転性向判定システムが提供される。運転性向判定システムは、車両の加速度を測定する測定装置と、測定装置から測定した加速度を示す情報を受信して前記運転性向判定装置へ転送する携帯端末と、携帯端末から前記加速度を示す情報を受信し、受信した情報に基づき人工知能機能を学習させる上記の運転性向判定装置と、を備える。

本開示の運転性向検出装置及び運転性向システムによれば、車両運転時に測定された加速度及び加加速度の情報に基づき車両の運転者の運転性向を判定することができる。

本開示の実施の形態１における運転性向判定システムの構成を示す図 実施の形態１におけるテレメータユニットの構成を示すブロック図 実施の形態１における携帯端末の構成を示すブロック図 実施の形態１におけるデータサーバ（運転性向判定装置）の構成を示すブロック図 実施の形態１における運転性向データの流れを説明するための図 勾配を下りながらの車両運転中に急ブレーキをかけたときの車両速度の変化を説明した図 勾配を下りながらの車両運転中に急ブレーキをかけたときの加速度の変化を説明した図 Ｊ（加加速度）−Ｇ（加速度）平面を説明するための図 Ｊ（加加速度）−Ｇ（加速度）平面上での危険運転と判定される領域を説明した図 ＡＩ（人工知能）機能における畳み込みニューラルネットワークを示す図 機械学習に用いる画像（Ｊ−Ｇ平面画像）の生成方法を説明した図 畳み込みニューラルネットワークの学習手順を説明した図 テレメータユニットから携帯端末への運転性向データの送信処理を示すフローチャート データサーバにおける運転性向判定処理を示すフローチャート 本開示の実施の形態２における運転性向判定システムの構成を示す図 実施の形態２における運転性向データの流れを説明するための図 本開示の実施の形態３における運転性向判定システムの構成を示す図 実施の形態３における運転性向データの流れを説明するための図

以下、適宜図面を参照しながら、実施の形態を詳細に説明する。但し、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明や実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になるのを避け、当業者の理解を容易にするためである。
なお、発明者（ら）は、当業者が本開示を十分に理解するために添付図面および以下の説明を提供するのであって、これらによって特許請求の範囲に記載の主題を限定することを意図するものではない。

（実施の形態１）
［１−１．構成］
［１−１−１．システム構成］
以下、添付の図面を参照して本発明に係る運転性向判定システムの実施の形態を説明する。以下の実施形態で説明する運転性向判定システムは、車両の運転者の運転性向を検出するシステムである。図１に、本開示の一実施形態の運転性向判定システムの構成を示す。

図１に示すように、運転性向判定システム１００は、テレメータユニット１０と、携帯端末４０と、データサーバ５０とを含む。テレメータユニット１０は、車両３０内に配置され、車両３０が運転されたときの車両３０の挙動を検出し、その挙動から車両の運転者の運転傾向（または運転操作状態）を示すデータ（以下「運転性向データ」という）を求め、外部に送信する。携帯端末４０は、テレメータユニット１０から運転性向データを受信し、ネットワーク２００を介してデータサーバ５０へ送信する。データサーバ５０は、受信した運転性向データに基づきデータベースを更新する。

以下、テレメータユニット１０、携帯端末４０およびデータサーバ５０それぞれの要素の具体的な構成を説明する。

［１−１−２．テレメータユニット］
図２は、テレメータユニット１０の構成を説明した図である。テレメータユニット１０は、コントローラ１１と、加速度センサ１５と、ＷｉＦｉやＢｌｕｅｔｏｏｔｈ（登録商標）等の通信規格にしたがい他の電子機器との無線通信を可能とする通信インタフェース１８と、データ等を格納するメモリ１７と、を備える。

コントローラ１１はＣＰＵやＭＰＵで構成され、メモリ１７に格納されたプログラムを実行することで、後述する所定の機能を実現する。コントローラ１１で実行されるプログラムはネットワーク２００を介して提供されてもよいし、ＣＤ−ＲＯＭ等の記録媒体によって提供されてもよい。

加速度センサ１５は、３つの直交方向（Ｘ、Ｙ、Ｚ方向）における車両３０の加速度を検出するセンサである。ここで、車両３０の幅方向をＸ方向とし、車両３０の進行方向（前方方向）をＹ方向とし、車両３０の上方向（天頂方向）をＺ方向としている。

メモリ１７は種々のデータを格納する記録媒体であり、例えば、フラッシュメモリのような半導体記憶素子で構成される。メモリ１７は、コントローラ１１により実行されるプログラムやデータを格納する。なお、メモリ１７に代えて、着脱可能なメモリカード等の記録媒体や、ハードディスクを用いてもよい。

通信インタフェース１８は、ＷｉＦｉやＢｌｕｅｔｏｏｔｈ等の通信規格にしたがい無線通信を行うモジュールである。通信インタフェース１８は、ＬＴＥや３Ｇ等の通信規格にしたがい通信を行なってもよい。なお、通信インタフェース１８は無線通信に限らず有線による通信を行うものであっても良い。

［１−１−３．携帯端末］
携帯端末４０はテレメータユニット１０と通信可能である。また、携帯端末４０は、データサーバ５０に対して、ネットワーク２００を介して情報を送信することができる。本実施形態では、携帯端末４０の一例としてスマートフォンを想定するが、携帯端末４０はＰＤＡ、携帯電話等であってもよい。

図３は、携帯端末４０の構成を説明した図である。携帯端末４０は、画像を撮影する撮像部４２と、画像等の情報を表示する表示部４３と、操作部４５とを備えている。さらに、携帯端末４０は、ネットワークに接続するために通信を行なう第１通信インタフェース４８と、他の電子機器と通信を行うための第２通信インタフェース４９と、を備える。さらに、携帯端末４０は、データ等を格納するＲＡＭ４６及びデータ格納部４７と、携帯端末４０の全体動作を制御するコントローラ４１とを備える。携帯端末４０は後述するように加速度センサを備えてもよい。

撮像部４２は、ＣＣＤやＣＭＯＳイメージセンサ等の画像センサを備え、被写体を撮像して画像データを生成する。

表示部４３は例えば液晶ディスプレイや有機ＥＬディスプレイで構成される。操作部４５は、表示部４３の上面に重ねて配置され、ユーザによるタッチ操作を受け付けるタッチパネルを含む。操作部４５はさらに操作ボタンを含む。操作ボタンには、携帯端末４０の本体に物理的に設けられたボタンや、表示部４３とタッチパネル機能により実現される仮想的なボタンが含まれる。

第１通信インタフェース４８はネットワークと接続するための通信モジュールであり、ＬＴＥや３Ｇ等の通信規格にしたがい通信を行なう。第２通信インタフェース４９は比較的近距離で他の電子機器と無線通信するための通信モジュールであり、ＷｉＦｉやＢｌｕｅｔｏｏｔｈ等の通信規格にしたがい通信を行なう。第２通信インタフェース４９はケーブルを介して他の電子機器と通信を行なうものでもよく、例えば、ＵＳＢ（Universal Serial Bus）等の規格に準拠してデータ通信を行ってもよい。

ＲＡＭ４６はプログラムやデータを一時的に記憶する記憶素子であり、コントローラ４１の作業領域として機能する。データ格納部４７は、プログラムや種々のデータを格納する記録媒体であり、ハードディスク、半導体メモリまたは着脱可能なメモリカード等の記録媒体で構成され得る。データ格納部４７には、コントローラ４１により実行されるプログラム（ＯＳ、アプリケーションプログラム４７ａ）やデータが格納される。

コントローラ４１はＣＰＵやＭＰＵで構成され、データ格納部４７に格納されたアプリケーションプログラム４７ａを実行することで、後述する所定の機能を実現する。アプリケーションプログラム４７ａはネットワーク２００を介して提供されてもよいし、ＣＤ−ＲＯＭ等の記録媒体によって提供されてもよい。

［１−１−４．データサーバ］
図４は、データサーバ５０の構成を説明した図である。データサーバ５０は例えばパーソナルコンピュータのような情報処理装置で構成される。データサーバ５０は、その全体動作を制御するコントローラ５１と、画面表示を行う表示部５３と、ユーザが操作を行う操作部５５と、データやプログラムを記憶するＲＡＭ５６及びデータ格納部５７とを備える。表示部５３は例えば、液晶ディスプレイや有機ＥＬディスプレイで構成される。操作部５５は、キーボード、マウス、タッチパネル等で構成される。

データサーバ５０はさらに、プリンタ等の外部機器に接続するための機器インタフェース５８と、ネットワークに接続するためのネットワークインタフェース５９とを含む。機器インタフェース５８は、ＵＳＢ、ＨＤＭＩ（登録商標）、ＩＥＥＥ１３９４等に準拠してデータ等の通信を行う通信モジュールである。ネットワークインタフェース５９は、ＩＥＥＥ８０２．１１、ＷｉＦｉ等の規格に準拠してデータ通信を行う通信モジュールである。

コントローラ５１はＣＰＵやＭＰＵで構成され、データ格納部５７に格納された所定の制御プログラム５７ａを実行することで所定の機能を実現する。コントローラ５１で実行される制御プログラムはネットワーク２００を介して提供されてもよいし、ＣＤ−ＲＯＭ等の記録媒体で提供されてもよい。

ＲＡＭ５６はプログラムやデータを一時的に格納する記憶素子であり、コントローラ５１の作業領域として機能する。データ格納部５７は機能を実現するために必要なパラメータ、データ及びプログラムを記憶する記録媒体であり、コントローラ５１で実行される制御プログラムや各種のデータを格納している。データ格納部５７は例えばハードディスク（ＨＤＤ）や半導体記憶装置（ＳＳＤ）で構成される。データ格納部５７には後述する機能を実現するための制御プログラム５７ａがインストールされている。コントローラ５１はこの制御プログラム５７ａを実行することで、後述する種々の機能を実現する。データ格納部５７は、また、運転者の運転性向に関するデータベース５７ｂを格納する。データ格納部５７はコントローラ５１の作業領域としても機能する。

データベース５７ｂは各ドライバに対する運転性向を示すデータ（以下「運転性向データ」という）を管理する。運転性向データは、運転者を識別するための運転者ＩＤと、車両を識別するための車両ＩＤと、データのサンプリング日時と、加速度を示す情報と、加加速度を示す情報とを含む。

［１−２．動作］
以上のように構成された運転性向判定システム１００の動作を以下に説明する。

図５は、運転性向判定システム１００における運転性向データの流れを説明するための図である。運転性向判定システムにおいて、テレメータユニット１０は、車両３０の加速度のデータに基づき運転者の運転性向を示す運転性向データを算出し（Ｓ１）、通信インタフェース１８を介して携帯端末４０に送信する（Ｓ２）。携帯端末４０は、第２通信インタフェース４９を介してテレメータユニット１０から運転性向データを受信し（Ｓ２）、受信した運転性向データを第１通信インタフェース４８を介してデータサーバ５０へ送信する（Ｓ３）。データサーバ５０は、携帯端末４０から運転性向データを受信し（Ｓ３）、受信した運転性向データに基づきデータベース５７ｂを更新する（Ｓ４）。以上のようにして、テレメータユニット１０で検出された運転性向データがデータサーバ５０に送信され、その運転性向データによりデータベース５７ｂが更新される。データベース５７ｂを参照することで、車両の運転者の運転性向を認識することができる。

［１−２−１．運転性向データ］
運転性向の判定に用いる運転性向データを説明する。

一般に車両運転時の加速度と運転性向とは相関関係があることが知られている。例えば、普通の街中での運転において、自動車でのおとなしい加速は最大でも０．１５Ｇ程度であり、０．３Ｇを超えると、「乱暴な運転」であると判断できる。

図６は、緩やかな坂道を下りながらの車両運転中に急ブレーキをかけたときに測定された車両速度の変化を説明した図である。この例では、加速度センサにより、ミニバン（２名乗車）を緩やかな坂道を下る運転において、約５０km/hの速度から通常の減速を行い、２０km/hの速度に達した時点で急ブレーキをかけて一気に０km/hまで減速した場合の車両の加速度の変化を測定した。測定はサンプリング間隔２０msで約１１秒間行った。

図６において、２０km/hの速度に達して急ブレーキがかけられるまでは「安全運転」であり、急ブレーキ開始後、停止するまでが「危険運転」となる。

図７は、図６に示すような車両の挙動に対して加速度センサにより測定された加速度の変化を説明した図である。プロットＸはＸ方向（車両の幅方向）における加速度を示し、プロットＹはＹ方向（車両の進行（前後）方向）における加速度を示し、プロットＺはＺ方向（車両の上方向）における加速度を示している。図７に示すように、時刻ｔ１にて急ブレーキが開始されたときに、Ｙ方向（進行方向）の加速度は大きく変化している。このとき、車両が坂道を緩やかに下っていることから、Ｙ方向の加速度において０．３のオフセットが常時発生している。このオフセットの大きさは、坂道の傾斜角度や車両の重量によって変化する。このように、加速度にオフセットが発生することから、加速度のみでは、「安全運転状態」なのか「危険運転状態」なのかを精度よく判定することは難しい。

そこで、本発明者は、鋭意研究した結果、加速度に加えて加加速度（「躍度」ともいう）をも考慮して運転性向を判定することで精度よく、運転性向（すなわち、運転状態）を検出できることを見出した。なお、加加速度とは、加速度の変化率を示す量であり、加速度の微分により得られる。

図８Ａは、図６に示す車両の挙動に対して所定期間（例えば、１１秒間）の間、測定されたサンプリング点のＹ軸方向（進行方向）の加速度および加加速度の変化を二次元平面（以下「Ｊ−Ｇ平面」という）上にプロットした図である。図８Ａに示すＪ−Ｇ平面において、横軸は加加速度（Ｊ）を示し、縦軸が加速度（Ｇ）を示す。

本発明者は、このようなＪ−Ｇ平面上において、車両の急激な挙動の変化により、サンプリング点のプロットが特異な軌跡を描くことを発見した。具体的には、図６、７に示すように安全運転がなされている状況においては、図８Ｂに示すように、Ｊ−Ｇ平面上で加加速度（Ｊ）および加速度（Ｇ）が比較的小さい範囲Ｐ（一点鎖線で示す領域）内にプロットが集中する。その後、急ブレーキがなされ、危険運転状況になると、Ｊ−Ｇ平面上で範囲Ｐを大きく超えて反時計周りにプロットの軌跡Ｑが描かれる。

このようにＪ−Ｇ平面にサンプリング点をプロットした画像は、急ブレーキに対応して現れる軌跡Ｑのように、運転者の運転性向に対応した情報を含む。発明者はこの点に着目し、Ｊ−Ｇ平面の画像（以下「Ｊ−Ｇ平面画像」という）を、畳み込みニューラルネットワークを用いて機械学習させることで、Ｊ−Ｇ平面画像に基づき運転者の運転性向を分類できると考えた。このため、データサーバ５０のコントローラ５１はＡＩ（人工知能）機能を実装している。以下、コントローラ５１のＡＩ機能について説明する。

［１−２−２．畳み込みニューラルネットワーク］
本実施形態のデータサーバ５０のコントローラ５１は、図９に示すように、ＡＩ機能において畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）モデルを用いる。この畳み込みニューラルネットワークに対して、運転者の長期間の運転性向データから生成した画像（Ｊ−Ｇ平面画像）を学習させる。畳み込みニューラルネットワークに対する機械学習に用いる画像（Ｊ−Ｇ平面画像）のデータを次のようにして求める。

図１０は、機械学習に用いる画像（Ｊ−Ｇ平面画像）の生成方法を説明した図である。テレメータユニット１０により、ある運転者に対する長期間（例えば、３０時間）の加速度および加加速度のデータ（運転性向データ）３００が測定されているとする。この長期間の運転性向データ３００から、所定の期間（例えば１１秒）毎に、その期間に測定された加速度及び加加速度のデータをＪ−Ｇ平面上にプロットしてＪ−Ｇ平面画像３１０を作成する。この所定期間は、図８Ｂに示すように、急ブレーキから車両停止までの車両の挙動の情報が１つのＪ−Ｇ平面に含まれるように設定される（例えば１１秒）。このとき、長期間（例えば、３０時間）に亘って測定した運転性向データ３００からは、複数のＪ−Ｇ平面画像３１０が生成される（図１０参照）。すなわち、一人の運転者に対して、長期間に亘って測定された運転性向データから複数のＪ−Ｇ平面画像（Ｊ−Ｇ平面画像群）が生成される。そして、多数の運転者に対するＪ−Ｇ平面画像群を畳み込みニューラルネットワークに機械学習させる。

図１１は、畳み込みニューラルネットワークの学習手順を説明した図である。畳み込みニューラルネットワークの学習は、（１）非教師深層学習（クラシフィケ−ション）、（２）教師付深層学習（クラスタリングされたグループへの重み付け）、（３）推論の３つのステップの実行により行われる。それぞれのステップについて説明する。

（１）非教師深層学習（クラシフィケーション）
多数の運転者に対するＪ−Ｇ平面画像群を畳み込みニューラルネットワークに入力する。畳み込みニューラルネットワークは、クラスタリングを行い、Ｊ−Ｇ平面画像群から自動的に特徴グループを構築（クラスタリング）する。例えば、図９に示すように、クラスタ（特徴グループ）Ｃ１、Ｃ２、Ｃ３が構築される。

（２）教師付深層学習（クラスタリングされたグループへの重み付け）
実際に事故を発生させた運転者のデータを教師信号として畳み込みニューラルネットワークに入力する。畳み込みニューラルネットワークは、高く応答するクラスタを事故発生確率の高い運転者のグループである「事故予備群」としてクラス分けする。すなわち、教師信号として、任意の運転者が事故を発生した履歴情報（事故発生日時等）を与えることにより、その運転性向のクラスタグループに事故予備群の重み付けを行う。例えば、クラスタＣ１が、事故発生確率の高い運転者のグループである「事故予備群」としてクラス分けされる。クラスタＣ２は、事故発生確率がやや高い運転者のグループである「やや危険運転群」としてクラス分けされる。クラスタＣ３が、安全運転を行う運転者のグループである「安全運転群」としてクラス分けされる。

（３）推論
上記（１）（２）の学習が終了後、畳み込みニューラルネットワークに対して任意のＪ−Ｇ平面画像群を入力し、そのＪ−Ｇ平面画像群に基づく判定結果を推論させ、推論結果の正誤を教師信号としてフィードバックする。このように、畳み込みニューラルネットワークに対して、Ｊ−Ｇ平面画像群よる推論をさせながら、推論と教師信号による補正を繰り返して、畳み込みニューラルネットワークの推論精度を高めていく。補正は、例えば、事故予備群として分類されたクラスタＣ１について、推論結果が間違いの場合、クラスタＣ１内のサブクラスタＣ１−１の重みを下げて、推論結果が正解の場合は、クラスタ内のサブクラスタ(例えば、Ｃ１−２）の重みを上げることにより行う。例えば、ある対象者についての推論結果としてその対象者が「事故予備群」にクラス分けされたが、実際にはその対象者が事故を起こしていない場合、その推論が誤りであったことを教師信号でフィードバックする。これにより、クラスタＣ１−１、Ｃ１−２が更新される。

このように、画像データを繰り返し入力し、推論を実施させながら適宜推論の正解とエラーを教示しながら深層学習を進め、Similarity Matchingによりクラスタグループを細分化して、事故予備群をより高確度に抽出できるように収束させていく。推論結果の正答率が所定の確率以上になると、推論ステップを終了し、畳み込みニューラルネットワークの学習を終了する。

以上のようにして十分な量のＪ−Ｇ平面画像を用いて畳み込みニューラルネットワークを学習させる。

［１−２−２．テレメータユニットからのデータ送信処理］
図１２は、テレメータユニット１０から携帯端末４０への運転性向データの送信処理を示すフローチャートである。以下、図１２を参照し、テレメータユニット１０における運転性向データの送信処理を説明する。図１２に示す処理は主としてテレメータユニット１０のコントローラ１１により実行される。

車両運転中、テレメータユニット１０において、加速度センサ１５により所定のサンプリング間隔（例えば２０msec）で車両３０の加速度（Ｇ）が検出（測定）され、検出（測定）された加速度を示す情報がメモリ１７に蓄積されている。

図１２に示す処理が開始されると、テレメータユニット１０のコントローラ１１は、メモリ１７から、所定期間（例えば１ヶ月）内に測定された加速度（Ｇ）の情報を読み出して取得する（Ｓ１１）。

コントローラ１１は、読み出したＹ方向の各加速度（Ｇ）からサンプリング点における加加速度（Ｊ）を算出する（Ｓ１２）。各サンプリング点の加速度と加加速度の情報から運転性向データを生成する。

その後、コントローラ１１は、運転性向データを、通信インタフェース１８を介して携帯端末４０へ送信する（Ｓ１４）。このとき、テレメータユニット１０のメモリ１７に蓄積されていた加速度のデータに基づき求められた運転性向データ、すなわち、ある期間に測定された運転性向データが携帯端末４０へ送信される。

携帯端末４０は、テレメータユニット１０から第２通信インタフェース４９を介して運転性向データを受信し、受信した運転性向データを、第１通信インタフェース４８を介して、ネットワーク２００に接続するデータサーバ５０へ送信する。データサーバ５０は、ネットワークインタフェース５９を介して運転性向データを受信し、受信した運転性向データをデータベース５７ｂに蓄積する（図５参照）。

［１−２−３．運転性向の判定］
図１３のフローチャートを参照して、データサーバ５０における運転性向判定処理を説明する。

利用者は、データサーバ５０の操作部５５を介して運転性向の判定を行いたい対象者を指定する情報（ＩＤ番号、氏名等）を入力する。データサーバ５０のコントローラ５１は、対象者を指定する情報を受けると、データベース５７ｂにアクセスしてその対象者に対する、長期間（例えば３０時間分）の運転性向データを取得し、取得した運転性向データに基づきＪ−Ｇ平面画像群を作成する（Ｓ２１）。

コントローラ５１は、対象者について生成されたＪ−Ｇ平面画像群を畳み込みニューラルネットワークに入力し、対象者に対する運転性向を判定する（Ｓ２２）。畳み込みニューラルネットワークは、対象者のＪ−Ｇ平面画像に基づき分類した結果を、Ｊ−Ｇ平面画像毎にその対象者の運転性向の判定結果として出力する。コントローラ５１は、畳み込みニューラルネットワークから得られた、運転性向の判定結果を示す情報を表示部５３に出力する（Ｓ２３）。

例えば、畳み込みニューラルネットワークに対して運転性向判定のために複数のＪ−Ｇ画像を入力したときに、Ｊ−Ｇ画像毎に、いずれかのクラスタ（例えば、Ｃ１〜Ｃ３）に分類され、分類されたクラスタを示す情報が出力される。そのような場合、入力したＪ−Ｇ画像の総数に対する、出力されたクラスタ毎の比率を求め、判定結果として表示部に表示してもよい。具体的には、畳み込みニューラルネットワークに入力したＪ−Ｇ画像群の画像毎に出力された結果を、クラスタ毎にカウントする。そして、判定のために入力したＪ−Ｇ画像の総数に対するクラスタＣ３に分類された結果の数の比率（％）を「安全運転率」（事故を起こす確率がきわめて低いことを示す率）として求める。さらに、Ｊ−Ｇ画像群の総数に対するクラスタＣ２に分類された結果の数の比率（％）を、「やや危険運転率」（事故を起こす確率がやや高いことを示す率）とする。さらに、Ｊ−Ｇ画像群の総数に対するクラスタＣ１に分類された結果の数の比率（％）を、「危険運転率」（事故を起こす確率が非常に高いことを示す率）とする。そして、運転性向の判定結果として、それぞれの項目に対する比率を表示部５３に表示させてもよい。例えば、「安全運転率：８０％ やや危険運転率：１５％ 危険運転率：５％」と表示してもよい。

なお、運転性向の判定結果は、データ格納部５７に格納されてもよいし、ネットワークインタフェース５９や機器インタフェース５８を介して他の機器に送信されてもよい。

以上のように、本実施の形態のデータサーバ５０は、対象者のＪ−Ｇ平面画像群からその対象者の運転性向を判定することができる。

［１−３．効果等］
以上のように、本実施の形態のデータサーバ５０（運転性向判定装置の一例）は、判定対象者の車両運転時に測定された車両の加速度と加加速度を示す情報を取得する取得部（ネットワークインタフェース５９、データ格納部５７等）と、任意の運転者による車両運転時に測定された加速度と加加速度の時系列がプロットされた二次元平面を含む判定画像を用いて学習した人工知能機能を実装したコントローラ５１（演算部）と、を備える。コントローラ５１は、判定対象者の車両運転時に測定された加速度及び加加速度の情報に基づき複数のＪ−Ｇ平面画像（判定画像の一例）を生成し、複数のＪ−Ｇ平面画像を人工知能機能に入力することにより判定対象者の運転性向を判定する。

また、運転性向判定システム１００は、車両の加速度を測定するテレメータユニット１０（測定装置の一例）と、テレメータユニット１０から測定した加速度を示す情報を受信して転送する携帯端末４０と、携帯端末４０から加速度を示す情報を受信し、受信した情報に基づき人工知能機能を学習させるデータサーバ５０と、を備える。

以上のように本実施形態のデータサーバ５０は、判定対象者に対して測定された車両の加速度と加加速度を二次元平面上にプロットしたＪ−Ｇ平面画像を、事前に学習させた畳み込みニューラルネットワークに入力することで、判定対象者の運転性向の判定結果を得ることができる。特に本実施の形態では、人工知能機能を学習させる際に入力する情報として、複数のＪ−Ｇ平面画像、すなわち、長期間に亘って測定された運転性向データを用いている。このため、それらのデータにおいて運転者の運転の傾向がより確実に含まれていることから、精度のよい判定が可能となる。

画像ビッグデータの深層学習に関する様々な手法やナレッジ、ＡＰＩ等が運転性向の深層学習や事故発生確率推論等で応用できるようになり、特別なアルゴリズム開発を必要とすることなく、事故を起こし易いドライバの運転性向を自動クラスタ分類でき、クラスタと事故との関連づけも自動化できる。かつ最終目的である推論（事故予測）まで含めて、共通したプラットホーム上で実施できるようになる。

（実施の形態２）
図１４は、本開示の実施の形態２における運転性向判定システム１００ｂの構成を示す図である。実施の形態１では、テレメータユニット１０と、携帯端末４０と、データサーバ５０とで運転性向判定システム１００を構成した。これに対して本実施の形態の運転性向判定システム１００ｂは、車両に搭載されたテレメータユニット１０と、データサーバ５０とで構成される。すなわち、テレメータユニット１０は、携帯端末４０を介さず、直接、データサーバ５０へデータを送信する。なお、テレメータユニット１０は、データサーバ５０と通信するために、通信インタフェース１８を介してネットワーク２００に接続することができる。

図１５は、実施の形態２における運転性向データの流れを説明するための図である。同図に示すように、テレメータユニット１０は、運転性向データを算出し（Ｓ４１）、算出した運転性向データをデータサーバ５０に送信する（Ｓ４２）。データサーバ５０は、受信したデータに基づきデータベース５７ｂを更新する（Ｓ４３）。

テレメータユニット１０は、所定期間（例えば１ケ月）毎に運転性向データをデータサーバ５０に送信してもよい。または、テレメータユニット１０は、ユーザによる指示や、車両の所定の動作（エンジンスタート等）があったときにデータを送信するようにしてもよい。

（実施の形態３）
本実施の形態では、携帯端末４０が、テレメータユニット１０の上記機能を備えた構成を説明する。すなわち、実施の形態１では、テレメータユニット１０が車両３０の加速度を検出し、運転性向データを算出したが、携帯端末４０が車両３０のこれらの機能を実行してもよい。

図１６は、本開示の実施の形態３における運転性向判定システム１００ｃの構成を示す図である。本実施形態の運転性向判定システム１００ｃは、携帯端末４０と、データサーバ５０とで構成する。本実施形態の携帯端末４０は、直交する三方向（ＸＹＺ方向）の加速度が検出できる加速度センサを備えている。携帯端末４０は、車両３０の進行方向（前方方向）をＹ方向とし、車両の上方向をＺ方向とするように車両３０内に配置される。携帯端末４０は、そのようにして車両３０内に配置された状態で、車両３０の運転中における車両３０の加速度を定期的に測定し、記録する。

図１７は、実施の形態３における運転性向データの流れを説明するための図である。同図に示すように、携帯端末４０は、前述の方法にしたがい、測定した加速度データから運転性向データを算出し（Ｓ５１）、算出した運転性向データをデータサーバ５０に送信する（Ｓ５２）。データサーバ５０は、受信した運転性向データに基づきデータベース５７ｂを更新する（Ｓ５３）。

携帯端末４０は、所定期間（例えば１ケ月）毎に運転性向データをデータサーバ５０に送信してもよいし、または、ユーザによる所定の操作（送信指示等）があったときにデータを送信するようにしてもよい。

（他の実施の形態）
以上のように、本出願において開示する技術の例示として、実施の形態１〜３を説明した。しかしながら、本開示における技術は、これに限定されず、適宜、変更、置き換え、付加、省略などを行った実施の形態にも適用可能である。また、上記実施の形態１〜３で説明した各構成要素を組み合わせて、新たな実施の形態とすることも可能である。そこで、以下、他の実施の形態を例示する。

実施の形態１〜３では、運転性向検出装置の一例としてテレメータユニット１０を説明した。運転性向検出装置はテレメータユニット１０に限定されない。携帯端末４０やデータサーバ５０を運転性向検出装置として構成することもできる。

例えば、実施の形態１では、図５に示すように、運転性向データはテレメータユニット１０において生成されたが、テレメータユニット１０以外の装置すなわち携帯端末４０またはデータサーバ５０において生成されてもよい。

より具体的には、運転性向データを携帯端末４０において算出する場合は、テレメータユニット１０は、検出した加速度のデータの時系列を携帯端末４０に送信する。携帯端末４０は、第２通信インタフェース４９（取得部の一例）を介して加速度データの時系列を受信し、作業のためデータ格納部４７に記憶する。携帯端末４０は、受信した加速度データに基づき加加速度（Ｊ）を算出し、加速度（Ｇ）および加加速度（Ｊ）を示すデータを、運転性向データとして、データサーバ５０に送信する（図１２のステップＳ１２、Ｓ１３参照）。このような構成により、携帯端末４０は運転性向検出装置として動作することができる。

また、運転性向データをデータサーバ５０において算出する場合は、テレメータユニット１０は、加速度データを携帯端末４０に送信する。携帯端末４０は、受信した加速度データをデータサーバ５０に転送する。データサーバ５０は、ネットワークインタフェース５９（取得部の一例）を介して加速度データの時系列を受信し、作業のためデータ格納部５７に記憶する。データサーバ５０は、受信した加速度データに基づき加加速度（Ｊ）を算出し、加速度および加加速度を示すデータから運転性向データを生成し、生成した運転性向データでデータベース５７ｂを更新する。このような構成により、データサーバ５０は運転性向検出装置として動作することができる。

上記の実施形態では、コントローラ１１、４１、５１は、ＣＰＵまたはＭＰＵを含み、所定のプログラム（ソフトウェア）を実行することで後述する所定の機能を実現する例を説明した。このようにコントローラ１１、４１、５１の機能はハードウェアとソフトウェアの協働により実現してもよいし、ハードウェア回路のみで実現してもよい。例えば、コントローラ１１、４１、５１は、ＣＰＵ、ＭＰＵ、ＤＳＰ、ＦＰＧＡ、ＡＳＩＣ、ＡＳＳＰ等で実現することができる。

以上のように、本開示における技術の例示として、実施の形態を説明した。そのために、添付図面および詳細な説明を提供した。

したがって、添付図面および詳細な説明に記載された構成要素の中には、課題解決のために必須な構成要素だけでなく、上記技術を例示するために、課題解決のためには必須でない構成要素も含まれ得る。そのため、それらの必須ではない構成要素が添付図面や詳細な説明に記載されていることをもって、直ちに、それらの必須ではない構成要素が必須であるとの認定をするべきではない。

また、上述の実施の形態は、本開示における技術を例示するためのものであるから、特許請求の範囲またはその均等の範囲において種々の変更、置き換え、付加、省略などを行うことができる。

本開示は、車両の運転者の運転性向を判定する装置に適用できる。

１０ テレメータユニット
１１ テレメータユニットのコントローラ
１５ 加速度センサ
１７ メモリ
１８ 通信インタフェース
３０ 車両
４０ 携帯端末
４１ 携帯端末のコントローラ
４７ａ アプリケーションプログラム
４８ 第１通信インタフェース
４９ 第２通信インタフェース
５０ データサーバ
５１ データサーバのコントローラ
５７ａ 制御プログラム
５９ ネットワークインタフェース
１００ 運転性向判定システム
２００ ネットワーク

Claims (5)

1. 判定対象者の車両運転時に測定された車両の加速度と加加速度を示す情報を取得する取得部と、
   任意の運転者による車両運転時に測定された加速度と加加速度の時系列がプロットされた二次元平面を含む判定画像を用いて学習した人工知能機能を実装した演算部と、を備え、
   前記演算部は、
   前記判定対象者の車両運転時に測定された加速度及び加加速度の情報に基づき複数の判定画像を生成し、
   前記複数の判定画像を前記人工知能機能に入力することにより前記判定対象者の運転性向を判定する、
   運転性向判定装置。
2. 前記演算部は、第１の期間内に測定された車両の加速度を示す情報と、それに対応する加加速度を示す情報とを用いて、前記第１の期間よりも短い第２の期間毎に、前記第２の期間内に測定された車両の加速度と加加速度の組の時系列を二次元平面上にプロットすることにより前記複数の判定画像を生成する、
   請求項１に記載の運転性向判定装置。
3. 前記加速度は所定のサンプリング期間毎に測定され、
   前記第２の期間は、前記加速度と前記加加速度の複数の組のプロットを含む期間に設定される、請求項１に記載の運転性向判定装置。
4. 前記人工知能機能は、畳み込みニューラルネットワークモデルを含む、請求項１に記載の運転性向判定装置。
5. 車両の加速度を測定する測定装置と、
   測定装置から測定した加速度を示す情報を受信して転送する携帯端末と、
   前記携帯端末から前記加速度を示す情報を受信し、受信した情報に基づき前記人工知能機能を学習させる請求項１ないし４のいずれかに記載の運転性向判定装置と、を備えた、
   運転性向判定システム。

Images