JP2018202888A - 誤操作判定装置 - Google Patents

Abstract

【課題】車両の操作ペダルを搭乗者が踏み間違えているか否かを相対的に高精度に判定する。
【解決手段】誤操作判定装置（１７）は、搭乗者が第１操作ペダル（１１）を第２操作ペダル（１２）と踏み間違えるという誤操作を行っているか否かを判定するための誤操作判定装置であって、搭乗者による第１操作ペダルの操作内容に関する操作情報（Ｓｐ）を取得する取得手段（１７１）と、取得手段が取得した操作情報に基づいて、搭乗者が誤操作を行っているか否かを判定する判定手段（１７２）とを備え、判定手段は、第１操作ペダルの操作内容及び第２操作ペダルの操作内容の少なくとも一方を学習し、当該学習の結果に基づいて搭乗者が誤操作を行っているか否かを判定する。
【選択図】図２

Description

本発明は、例えば、搭乗者が車両の操作ペダルを踏み間違えているか否かを判定するための誤操作判定装置の技術分野に関する。

このような誤操作判定装置の一例として、特許文献１には、アクセルペダルの踏力が所定の閾値を超えた場合に、搭乗者がアクセルペダルをブレーキペダルと踏み間違えていると判定する誤操作判定装置が開示されている。更に、誤操作判定装置の他の一例として、特許文献２には、前後加速度の絶対値が閾値よりも大きい場合の方が小さい場合よりも同じアクセル開度に対して踏み間違いであるとするアクセル開度の変化量の範囲が広いテーブルを選択し、現在のアクセル開度を選択したテーブルに適用することで搭乗者がアクセルペダルをブレーキペダルと踏み間違えているか否かを判定する誤操作判定装置が開示されている。
その他、誤操作判定装置を開示する文献ではないものの、先行技術文献として、特許文献３があげられる。

特開２０１５−０００６２５号公報 特開２０１２−１４４０５３号公報 国際公開第２０１６／１７０７８６号パンフレット

アクセルペダルやブレーキペダル等の操作ペダルの操作内容は、ばらつく可能性がある。例えば、操作ペダルの操作内容は、搭乗者毎にばらつく可能性がある。或いは、例えば、同じ搭乗者の操作ペダルの操作内容であっても、搭乗者の体調や気分等の違い（或いは、その他の要因）によってはばらつく可能性がある。しかしながら、上述した特許文献１及び２に記載された誤操作判定装置は、このような操作ペダルの操作内容のばらつきを何ら考慮していない。具体的には、上述した特許文献１に記載の誤操作判定装置では、搭乗者がアクセルペダルをブレーキペダルと踏み間違えているか否か判定するために用いる閾値は、操作ペダルの操作内容のばらつきを考慮することなく設定されている。上述した特許文献２に記載の誤操作判定装置では、搭乗者がアクセルペダルをブレーキペダルと踏み間違えているか否かを判定するために用いるテーブルは、操作ペダルの操作内容のばらつきを考慮することなく設定されている。このため、搭乗者がアクセルペダルをブレーキペダルと踏み間違えているか否かの判定精度が悪化する可能性があるという技術的問題が生ずる。

尚、このような技術的問題は、搭乗者がアクセルペダルをブレーキペダルと踏み間違えているか否かを判定する誤操作判定装置のみならず、搭乗者がある操作ペダルを他のペダルと踏み間違えているか否かを判定する誤操作判定装置においても同様に生ずる。

本発明が解決しようとする課題には上記のようなものが一例としてあげられる。本発明は、車両の操作ペダルを搭乗者が踏み間違えているか否かを相対的に高精度に判定可能な誤操作判定装置を提供することを課題とする。

＜１＞

本発明の誤操作判定装置の一の態様は、車両を運転するために搭乗者が夫々操作可能な第１操作ペダル及び第２操作ペダルを備える前記車両において、前記搭乗者が前記第１操作ペダルを前記第２操作ペダルと踏み間違えるという誤操作を行っているか否かを判定するための誤操作判定装置であって、前記搭乗者による前記第１操作ペダルの操作内容に関する操作情報を取得する取得手段と、前記取得手段が取得した前記操作情報に基づいて、前記搭乗者が前記誤操作を行っているか否かを判定する判定手段とを備え、前記判定手段は、前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方を学習し、前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方の学習の結果に基づいて前記搭乗者が前記誤操作を行っているか否かを判定する。

本発明の誤操作判定装置の一の態様によれば、搭乗者が誤操作を行っているか否かを判定する際に、操作情報に加えて、第１操作ペダルの操作内容及び第２操作ペダルの操作内容の少なくとも一方の学習の結果が用いられる。このため、第１操作ペダルの操作内容及び第２操作ペダルの操作内容の学習の結果が用いられない比較例と比較して、誤操作判定装置は、第１操作ペダルの操作内容及び第２操作ペダルの操作内容の少なくとも一方のばらつきを考慮しながら、搭乗者が誤操作を行っているか否かを判定することができる。このため、搭乗者が誤操作を行っているか否かの判定精度の悪化が抑制される。その結果、誤操作判定装置は、搭乗者が誤操作を行っているか否かを相対的に高精度に判定することができる。
＜２＞

上述した誤操作判定装置の他の態様では、前記判定手段は、前記車両が走行している期間の少なくとも一部において前記搭乗者が前記第１操作ペダルを実際に操作した場合の前記第１操作ペダルの操作内容、及び前記搭乗者が前記第２操作ペダルを実際に操作した場合の前記第２操作ペダルの操作内容の少なくとも一方を学習する。

この態様によれば、車両が走行している間に搭乗者の実際の操作内容が学習されるため、搭乗者が誤操作を行っているか否かの判定精度の悪化がより適切に抑制される。
＜３＞

上述した誤操作判定装置の他の態様では、前記判定手段は、前記車両が前進する状況下での前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方と、前記車両が後退する状況下での前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方とを別々に学習する。

車両が前進している状況下での搭乗者による第１操作ペダルの操作内容は、車両が後退している状況下での搭乗者による第１操作ペダルの操作内容とは異なる可能性がある。同様に、車両が前進している状況下での搭乗者による第２操作ペダルの操作内容は、車両が後退している状況下での搭乗者による第２操作ペダルの操作内容とは異なる可能性がある。このような操作内容の違いを踏まえて、この態様では、車両が前進している状況下での操作内容と車両が後退している状況下での操作内容とが別々に学習される。このため、誤操作判定装置は、車両が前進している状況下で搭乗者が誤操作を行っているか否か及び車両が後退している状況下で搭乗者が誤操作を行っているか否かをより一層高精度に判定することができる。
＜４＞

上述したように車両が前進する状況下での操作内容と車両が後退する状況下での操作内容とを別々に学習する誤操作判定装置の他の態様では、前記判定手段は、前記車両が前進する状況下で前記取得手段が取得した前記操作情報と前記車両が前進する状況下での前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方の学習の結果とに基づいて、前記車両が前進している状況下で前記搭乗者が前記誤操作を行っているか否かを判定し、前記判定手段は、前記車両が後退する状況下で前記取得手段が取得した前記操作情報と前記車両が後退する状況下での前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方の学習の結果とに基づいて、前記車両が後退している状況下で前記搭乗者が前記誤操作を行っているか否かを判定する。

この態様によれば、誤操作判定装置は、車両が前進している状況下で搭乗者が誤操作を行っているか否か及び車両が後退している状況下で搭乗者が誤操作を行っているか否かをより一層高精度に判定することができる。
＜５＞

上述した誤操作判定装置の他の態様では、前記判定手段は、前記搭乗者が前記誤操作を行っているか否かを判定する際の判定基準を、前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方の学習の結果に基づいて調整した上で、前記搭乗者が前記誤操作を行っているか否かを判定する。
この態様によれば、誤操作判定装置は、前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方の学習の結果にも基づいて搭乗者が誤操作を行っているか否かを適切に判定することができる。
＜６＞

上述した誤操作判定装置の他の態様では、前記判定手段は、前記操作情報を入力とし且つ前記入力された操作情報が示す操作内容のパターンが前記第１操作ペダルの操作内容のパターンであるのか又は前記第２操作ペダルの操作内容のパターンであるのかに関する判定結果を出力とする学習モデルを用いて、前記搭乗者が前記誤操作を行っているか否かを判定し、前記判定手段は、前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方を前記学習モデルに学習させることで、前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方を学習する。

この態様によれば、判定手段は、学習モデルを用いて、第１操作ペダルの操作内容及び第２操作ペダルの操作内容の少なくとも一方を適切に学習することができる。更に、判定手段は、第１操作ペダルの操作内容及び第２操作ペダルの操作内容の少なくとも一方を学習させた学習モデルを用いて、搭乗者が誤操作を行っているか否かを適切に判定することができる。
＜７＞
上述したように学習モデルを用いる誤操作判定装置の他の態様では、前記学習モデルは、ニューラルネットワークに準拠したモデルである。

この態様によれば、判定手段は、ニューラルネットワークに準拠した学習モデルを用いて、第１操作ペダルの操作内容及び第２操作ペダルの操作内容の少なくとも一方を適切に学習し且つ搭乗者が誤操作を行っているか否かを適切に判定することができる。
＜８＞
上述した誤操作判定装置の他の態様では、前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方の学習は、前記第１操作ペダルの操作内容と前記第２操作ペダルの操作内容との違いの学習を含む。

この態様によれば、判定手段は、第１操作ペダルの操作内容と第２操作ペダルの操作内容との違いの学習結果を用いて、搭乗者が誤操作を行っているか否かを適切に判定することができる。
尚、第１操作ペダルの操作内容及び第２操作ペダルの操作内容のいずれか一方の学習によっても、第１操作ペダルの操作内容と第２操作ペダルの操作内容との違いは学習可能である。なぜならば、第１操作ペダルの操作内容が学習されると、ある操作内容が、第１操作ペダルの操作内容であるのか又はそうでないのかが判定可能となるからである。同様に、第２操作ペダルの操作内容が学習されると、ある操作内容が、第２操作ペダルの操作内容であるのか又はそうでないのかが判定可能となるからである。
＜９＞

上述した誤操作判定装置の他の態様では、前記判定手段は、（ｉ）前記取得手段が取得した前記操作情報が示す操作内容のパターンが、前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方の学習の結果から導かれる前記第１操作ペダルの操作内容のパターンに相当する場合に、前記搭乗者が前記誤操作を行っていないと判定し、（ｉｉ）前記取得手段が取得した前記操作情報が示す操作内容のパターンが、前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方の学習の結果から導かれる前記第２操作ペダルの操作内容のパターンに相当する場合に、前記搭乗者が前記誤操作を行っていると判定する。

この態様によれば、判定手段は、第１操作ペダルの操作内容と第２操作ペダルの操作内容との違いの学習の結果を用いて、搭乗者が誤操作を行っているか否かを適切に判定することができる。
＜１０＞
上述した誤操作判定装置の他の態様では、前記第１操作ペダルは、アクセルペダルであり、前記第２操作ペダルは、ブレーキペダルである。
この態様によれば、判定手段は、搭乗者がアクセルペダルをブレーキペダルと踏み間違えているか否かを判定することができる。
＜１１＞

上述した誤操作判定装置の他の態様では、前記取得手段は、前記搭乗者の状態に関する状態情報を更に取得し、前記判定手段は、前記取得手段が取得した前記操作情報及び前記状態情報の双方に基づいて、前記搭乗者が前記誤操作を行っているか否かを判定し、前記判定手段は、前記搭乗者の状態を学習し、前記搭乗者の状態の学習の結果に基づいて前記搭乗者が前記誤操作を行っているか否かを判定する

第１操作ペダルを操作している搭乗者の状態は、第２操作ペダルを操作している搭乗者の状態と異なる可能性がある。そうすると、この態様によれば、誤操作判定装置は、搭乗者の状態を学習した上で、操作情報及び状態情報並びに上述した第１操作ペダルの操作内容及び第２操作ペダルの操作内容の少なくとも一方の学習の結果及び搭乗者の状態の学習の結果に基づいて搭乗者が誤操作を行っているか否かを判定することができるがゆえに、搭乗者が誤操作を行っているか否かをより一層高精度に判定することができる。
＜１２＞

上述したように搭乗者の状態を学習した上で状態情報に基づいて搭乗者が誤操作を行っているか否かを判定する誤操作判定装置の他の態様では、前記状態情報は、前記搭乗者が前記第１操作ペダルを操作している場合と前記搭乗者が前記第２操作ペダルを操作している場合とで区別可能な前記搭乗者の状態に関する情報を含む。
この態様によれば、状態情報に基づいて、搭乗者が誤操作を行っているか否かをより一層高精度に判定することができる。

図１は、本実施形態の車両の構成を示すブロック図である。 図２（ａ）は、アクセル操作パターンを示すグラフであり、図２（ｂ）は、ブレーキ操作パターンを示すグラフである。 図３は、操作判定ＥＣＵの構成を示すブロック図である。 図４は、特徴抽出器の構成を示すブロック図である。 図５は、分類器の構成を示すブロック図である。 図６（ａ）及び図６（ｂ）は、夫々、特徴抽出器が算出した特徴量ベクトルを、特徴量ベクトルに対する空間上で示すグラフである。 図７は、特徴抽出器が算出した特徴量ベクトルを２つのクラスに分類する超平面を、特徴量ベクトルに対する空間上で示すグラフである。 図８は、制御器の構成を示すブロック図である。 図９は、図８に示す制御器が備えるスイッチの出力を示すテーブルである。 図１０（ａ）及び図１０（ｂ）の夫々は、搭乗者毎の又は搭乗者の体調等の違いに起因したアクセル操作パターン及びブレーキ操作パターンのばらつきを、特徴量ベクトルを用いて示すグラフであり、図１０（ｃ）は、アクセル操作パターン及びブレーキ操作パターンのばらつきを考慮した分類器の学習（つまり、超平面の学習）の様子を模式的に示すグラフである。 図１１（ａ）は、車両が前進している状況下でのアクセル操作パターン及びブレーキ操作パターンを、特徴量ベクトルを用いて示すグラフであり、図１１（ｂ）は、車両が後退している状況下でのアクセル操作パターン及びブレーキ操作パターンを、特徴量ベクトルを用いて示すグラフである。 アクセルペダル及びブレーキペダルとして兼用可能な単一の兼用ペダルを備える車両の構成を示すブロック図である。

以下、誤操作判定装置の実施形態について説明する。以下では、本発明の誤操作判定装置の一実施形態が適用された車両１について説明する。
（１）車両１の構成
はじめに、図１を参照しながら、本実施形態の車両１の構成について説明する。図１は、本実施形態の車両１の構成を示すブロック図である。

図１に示すように、車両１は、「第１操作ペダル」の一具体例であるアクセルペダル１１と、「第２操作ペダル」の一具体例であるブレーキペダル１２と、エンジンＥＣＵ（Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｎｔｒｏｌ Ｕｎｉｔ）１３と、ブレーキＥＣＵ１４と、エンジン１５と、ブレーキ機構１６と、「誤操作判定装置」の一具体例である操作判定ＥＣＵ１７とを備える。

アクセルペダル１１は、車両１の駆動力を調整するために搭乗者が操作可能な（つまり、踏み込むことが可能な）操作ペダルである。ブレーキペダル１２は、車両１の制動力を調整するために搭乗者が操作可能な（つまり、踏み込むことが可能な）操作ペダルである。エンジンＥＣＵ１３は、アクセルペダル１１の操作内容を示すアクセル操作信号Ｓｐａに基づいて、車両１の駆動力を調整するようにエンジン１５を制御する。ブレーキＥＣＵ１４は、ブレーキペダル１２の操作内容を示すブレーキ操作信号Ｓｐｂに基づいて、車両１の制動力を調整するようにブレーキ機構１６を制御する。エンジン１５は、車両１の駆動力を発生する駆動源である。ブレーキ機構１６は、油圧等を用いて車両１の制動力を発生する制動装置である。

操作判定ＥＣＵ１７は、搭乗者がアクセルペダル１１をブレーキペダル１２と踏み間違えているか否か（つまり、誤操作を行っているか否か）を判定する。つまり、操作判定ＥＣＵ１７は、アクセルペダル１１を実際に踏み込んでいる搭乗者が、アクセルペダル１１をブレーキペダル１２であると勘違いしているか否かを判定する。言い換えれば、操作判定ＥＣＵ１７は、ブレーキペダル１２を操作する意図を有している搭乗者が誤ってアクセルペダル１１を操作しているか否かを判定する。

本実施形態では、操作判定ＥＣＵ１７は、アクセル操作パターンとブレーキ操作パターンとの間に差があるという前提の下で、搭乗者が誤操作を行っているか否かを判定する。尚、アクセル操作パターンは、アクセルペダル１１を操作する意図を有している搭乗者がアクセルペダル１１を操作した場合に得られるアクセル操作信号Ｓｐａの時系列パターンである。ブレーキ操作パターンは、ブレーキペダル１２を操作する意図を有している搭乗者がブレーキペダル１２を操作した場合に得られるブレーキ操作信号Ｓｐｂの時系列パターンである。

以下、図２（ａ）及び図２（ｂ）を参照しながら、アクセル操作パターンとブレーキ操作パターンとの差について説明する。図２（ａ）は、アクセル操作パターンを示すグラフである。一方で、図２（ｂ）は、ブレーキ操作パターンを示すグラフである。尚、図２（ａ）では、アクセル操作信号Ｓｐａは、アクセルペダル１１の操作内容を示すパラメータの一例である「アクセルペダル１１のストローク量（つまり、踏み込み量）」を示している。従って、アクセル操作パターンは、アクセルペダル１１のストローク量の時間軸に沿った変化パターンに相当する。しかしながら、アクセル操作信号Ｓｐａは、アクセルペダル１１の操作内容を示す任意のパラメータ（例えば、アクセルペダル１１を踏み込む力の大きさや、アクセルペダル１１を踏み込む速度等）を示していてもよい。同様に、図２（ｂ）では、ブレーキ操作信号Ｓｐｂは、ブレーキペダル１２の操作内容を示すパラメータの一例である「ブレーキペダル１２のストローク量（つまり、踏み込み量）」を示している。従って、ブレーキ操作パターンは、ブレーキペダル１２のストローク量の時間軸に沿った変化パターンに相当する。しかしながら、ブレーキ操作信号Ｓｐｂは、ブレーキペダル１２の操作内容を示す任意のパラメータ（例えば、ブレーキペダル１２を踏み込む力の大きさや、ブレーキペダル１２を踏み込む速度等）を示していてもよい。

図２（ａ）及び図２（ｂ）に示すように、例えば、アクセル操作パターンとブレーキ操作パターンとの間には、アクセルペダル１１が相対的に緩やかに踏み込まれる一方で、ブレーキペダル１２が相対的に急激に踏み込まれるという違いがある。つまり、アクセル操作パターンとブレーキ操作パターンとの間には、アクセル操作パターンではストローク量が相対的に緩やかに増加又は減少する一方で、ブレーキ操作パターンではストローク量が相対的に急激に増加又は減少するという違いがある。更に、例えば、アクセル操作パターンとブレーキ操作パターンとの間には、アクセルペダル１１が相対的に深く踏み込まれにくい一方で、ブレーキペダル１２が相対的に深く踏み込まれやすいという違いがある。つまり、アクセル操作パターンとブレーキ操作パターンとの間には、アクセル操作パターンではストローク量の最大値が相対的に小さい一方で、ブレーキ操作パターンではストローク量の最大値が相対的に大きいという違いがある。更に、例えば、アクセル操作パターンとブレーキ操作パターンとの間には、アクセルペダル１１が相対的に長い期間に渡って踏み込まれ続ける一方で、ブレーキペダル１２が相対的に短い期間だけ踏み込まれるという違いがある。つまり、アクセル操作パターンとブレーキ操作パターンとの間には、アクセル操作パターンではストローク量がゼロより大きくなる期間が相対的に長い一方で、ブレーキ操作パターンではストローク量がゼロより大きくなる期間が相対的に短いという違いがある。

操作判定ＥＣＵ１７は、操作判定ＥＣＵ１７に入力されるアクセル操作信号Ｓｐａが示す実操作パターン（つまり、アクセルペダル１１の操作内容の時系列パターン）が、アクセル操作パターンである（つまり、アクセル操作パターンに相当する例えば、同一である又は類似する）のか又はブレーキ操作パターンであるのかを判定することで、搭乗者が誤操作を行っているか否かを判定する。つまり、操作判定ＥＣＵ１７は、実操作パターンが、アクセル操作パターンに相当する（例えば、同一である又は類似する）のか又はブレーキ操作パターンに相当するのかを判定することで、搭乗者が誤操作を行っているか否かを判定する。実操作パターンがアクセル操作パターンである（つまり、アクセル操作パターンに相当する）場合には、操作判定ＥＣＵ１７は、搭乗者が誤操作を行っていないと判定する。実操作パターンがブレーキ操作パターンである（つまり、ブレーキ操作パターンに相当する）場合には、操作判定ＥＣＵ１７は、搭乗者が誤操作を行っていると判定する。

本実施形態では特に、操作判定ＥＣＵ１７は、搭乗者が誤操作を行っているか否かの判定精度を向上させるように、アクセル操作信号Ｓｐａ及びブレーキ操作信号Ｓｐｂを学習する。以下、搭乗者が誤操作を行っているか否かを判定すると共にアクセル操作信号Ｓｐａ及びブレーキ操作信号Ｓｐｂを学習する操作判定ＥＣＵ１７の構成及び動作について順に説明する。
（２）操作判定ＥＣＵ１７
（２−１）操作判定ＥＣＵ１７の構成
まず、図３を参照しながら、操作判定ＥＣＵ１７の構成について説明する。図３は、操作判定ＥＣＵ１７の構成を示すブロック図である。

図３に示すように、操作判定ＥＣＵ１７は、操作判定ＥＣＵ１７内で論理的に実現される処理ブロック又は操作判定ＥＣＵ１７内に物理的に実現される処理回路として、「取得手段」の一具体例であるコントローラ１７１と、「判定手段」の一具体例であるニューラルネットワーク１７２と、メモリ１７３と、制御器１７４とを備える。コントローラ１７１と、ニューラルネットワーク１７２と、メモリ１７３と、制御器１７４とは、データバス１７５を介して通信可能である。

コントローラ１７１は、操作判定ＥＣＵ１７の動作全体を制御する。特に、コントローラ１７１は、アクセルペダル１１からアクセル操作信号Ｓｐａを取得し、ブレーキペダル１２からブレーキ操作信号Ｓｐｂを取得する。コントローラ１７１は、取得したアクセル操作信号Ｓｐａ及びブレーキ操作信号Ｓｐｂを、ニューラルネットワーク１７２に出力する。コントローラ１７１は、取得したアクセル操作信号Ｓｐａ及びブレーキ操作信号Ｓｐｂをメモリ１７３に格納してもよい。

ニューラルネットワーク１７２は、入力されたアクセル操作信号Ｓｐａに基づいて、搭乗者が誤操作を行っているか否かを判定する。具体的には、ニューラルネットワーク１７２は、アクセル操作信号Ｓｐａが示す実操作パターンがブレーキ操作パターンである確率ｐ（或いは、実操作パターンがアクセル操作パターンである確率）を算出する。言い換えれば、ニューラルネットワーク１７２は、実操作パターンのブレーキ操作パターンに対する類似度（或いは、アクセル操作パターンに対する類似度）を算出する。確率ｐ（言い換えれば、類似度、以下同じ）を算出するために、ニューラルネットワーク１７２は、実操作パターンの特徴を示す特徴量ベクトルＣを算出する特徴抽出器１７６と、特徴量ベクトルＣに基づいて確率ｐを算出する分類器１７７とを備える。尚、特徴抽出器１７６及び分類器１７７の詳細については、操作判定ＥＣＵ１７の動作を説明する際に合わせて説明するため、ここでの説明を省略する。

更に、ニューラルネットワーク１７２は、入力されたアクセル操作信号Ｓｐａ及びブレーキ操作信号Ｓｐｂを学習する。特に、ニューラルネットワーク１７２は、分類器１７７の特性を規定する複数のパラメータを含むパラメータ群ＰＧを調整して確率ｐの算出精度を向上させるように、入力されたアクセル操作信号Ｓｐａ及びブレーキ操作信号Ｓｐｂを学習する。調整されたパラメータ群ＰＧは、メモリ１７３に格納される。

制御器１７４は、ニューラルネットワーク１７２が算出した確率ｐに基づいて、エンジンＥＣＵ１３及びブレーキＥＣＵ１４を制御する。尚、制御器１７４の動作の詳細については、操作判定ＥＣＵ１７の動作を説明する際に合わせて説明するため、ここでの説明を省略する。
（２−２）操作判定ＥＣＵ１７の動作
（２−２−１）ニューラルネットワーク１７２の初期学習

まず、操作判定ＥＣＵ１７を車両１に実装する際に（言い換えれば、車両１が市場に出荷される前に）、ニューラルネットワーク１７２の初期学習が行われる。具体的には、まず、コントローラ１７１によって複数のアクセル操作パターン及びブレーキ操作パターンが収集される。アクセル操作パターンは、テストドライバが実際にアクセルペダル１１を操作することで収集されてもよい。アクセル操作パターンは、アクセルペダル１１を踏み込む搭乗者の動きを模擬するシミュレーションモデルから収集されてもよい。ブレーキ操作パターンは、テストドライバが実際にブレーキペダル１２を操作することで収集されてもよい。ブレーキ操作パターンは、ブレーキペダル１２を踏み込む搭乗者の動きを模擬するシミュレーションモデルから収集されてもよい。

コントローラ１７１は、収集された複数のアクセル操作パターン及び複数のブレーキ操作パターンを、各操作パターンがアクセル操作パターンであるのか又はブレーキ操作パターンであるのかを示す正解データと関連付ける。具体的には、例えば、コントローラ１７１は、複数のアクセル操作パターン（ｘ_ａ１、ｘ_ａ２、・・・、ｘ_ａＮ）の夫々に対して、これらがアクセル操作パターンであることを示す正解データ（ｔ_ａ１、ｔ_ａ２、・・・、ｔ_ａＮ）を関連付ける。尚、Ｎは、収集されたアクセル操作パターンの総数を示し、ｘ_ａｎ（但し、ｎは１≦ｎ≦Ｎを満たす整数）は、ｎ番目のアクセル操作パターン（つまり、ストローク量の時系列データ）を示し、ｔ_ａｎは、アクセル操作パターンｘ_ａｎがアクセル操作パターンであることを示す正解データを示す。更に、コントローラ１７１は、例えば、複数のブレーキ操作パターン（ｘ_ｂ１、ｘ_ｂ２、・・・、ｘ_ｂＭ）の夫々に対して、これらがブレーキ操作パターンであることを示す正解データ（ｔ_ｂ１、ｔ_ｂ２、・・・、ｔ_ｂＭ）を関連付ける。尚、Ｍは、収集されたブレーキ操作パターンの総数を示し、ｘ_ｂｍ（但し、ｍは１≦ｍ≦Ｍを満たす整数）は、ｍ番目のブレーキ操作パターン（つまり、ストローク量の時系列データ）を示し、ｔ_ｂｍは、ブレーキ操作パターンｘ_ｂｍがブレーキ操作パターンであることを示す正解データを示す。

その後、コントローラ１７１は、複数のアクセル操作パターン（ｘ_ａ１、ｘ_ａ２、・・・、ｘ_ａＮ）、正解データ（ｔ_ａ１、ｔ_ａ２、・・・、ｔ_ａＮ）、複数のブレーキ操作パターン（ｘ_ｂ１、ｘ_ｂ２、・・・、ｘ_ｂＭ）及び正解データ（ｔ_ｂ１、ｔ_ｂ２、・・・、ｔ_ｂＭ）が連結された行列（ｘ、ｔ）を生成する。尚、ｘは、複数のアクセル操作パターン（ｘ_ａ１、ｘ_ａ２、・・・、ｘ_ａＮ）と複数のブレーキ操作パターン（ｘ_ｂ１、ｘ_ｂ２、・・・、ｘ_ｂＭ）とを連結することで得られる行列であり、（ｘ_ａ１、ｘ_ａ２、・・・、ｘ_ａＮ、ｘ_ｂ１、ｘ_ｂ２、・・・、ｘ_ｂＭ）という行列で表現される。同様に、ｔは、正解データ（ｔ_ａ１、ｔ_ａ２、・・・、ｔ_ａＮ）と正解データ（ｔ_ｂ１、ｔ_ｂ２、・・・、ｔ_ｂＭ）とが連結されることで得られる行列であり、（ｔ_ａ１、ｔ_ａ２、・・・、ｔ_ａＮ、ｔ_ｂ１、ｔ_ｂ２、・・・、ｔ_ｂＭ）という行列で表現される。従って、行列（ｘ、ｔ）は、行列ｘの各行列成分（つまり、操作パターン）がアクセル操作パターンであるのか又はブレーキ操作パターンであるのかを示す行列となる。

その後、コントローラ１７１の制御下で、行列（ｘ、ｔ）を用いて、ニューラルネットワーク１７２の学習が行われる。具体的には、行列ｘを構成する行列成分ｘ_ａ１が特徴抽出器１７６に入力される。特徴抽出器１７６は、行列成分ｘ_ａ１の特徴量を示す特徴量ベクトルＣ_ａ１を算出する。特徴抽出器１７６は、特徴量を抽出するための既存のアルゴリズムを用いて、特徴量ベクトルＣ_ａ１を算出する。但し、説明の便宜上、本実施形態では、特徴抽出器１７６は、行列成分ｘ_ａ１に畳み込み処理を行うことで特徴量ベクトルＣ_ａ１を算出する。つまり、本実施形態では、ニューラルネットワーク１７２は、畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）である。

この場合、特徴抽出器１７６は、図４に示すように、入力インタフェース１７６１と、畳み込み処理部１７６２と、プーリング処理部１７６３とを備える。尚、畳み込み処理部１７６２が行う畳み込み処理は既存の畳み込み処理と同一であってもよく、プーリング処理部１７６３が行うプーリング処理は既存のプーリング処理と同一であってもよい。このため、説明の簡略化のために、畳み込み処理及びプーリング処理の詳細な説明は省略するが、以下のその概要について簡単に説明する。行列成分ｘ_ａ１（つまり、アクセル操作信号Ｓｐａ又はブレーキ操作信号Ｓｐｂ）は、入力インタフェース１７６１に入力される。入力インタフェース１７６１は、シリアルなデータ配列である行列成分ｘ_ａ１を、パラレルなデータ配列に変換する。入力インタフェース１７６１は、パラレルなデータ配列である行列成分ｘ_ａ１を、畳み込み処理部１７６２に入力する。畳み込み処理部１７６２は、行列成分ｘ_ａ１に対して、所望のフィルタ特性を有する畳み込みフィルタを用いた畳み込み処理を行う。このとき、畳み込み処理部１７６２は、行列成分ｘ_ａ１に対して、異なるフィルタ特性を有する複数の畳み込みフィルタを夫々用いた複数の畳み込み処理を行ってもよいし、単一の畳み込みフィルタを用いた畳み込み処理を行ってもよい。畳み込み処理の結果得られるデータ（いわゆる、特徴マップ）は、プーリング処理部１７６３に入力される。プーリング処理部１７６３は、特徴マップに対して、プーリング処理を行う。その結果、プーリング処理部１７６３は、行列成分ｘ_ａ１の特徴を示すＤ（但し、Ｄは１以上の整数）次元の特徴量ベクトルＣ_ａ１を出力する。

図４に示す例では、特徴抽出器１７６は、畳み込み処理部１７６２及びプーリング処理部１７６３を含む処理ユニットを１つだけ備えている。しかしながら、特徴抽出器１７６は、畳み込み処理部１７６２及びプーリング処理部１７６３を含む処理ユニットを複数備えていてもよい。この場合、ある処理ユニットのプーリング処理部１７６３が出力する特徴量ベクトルＣ_ａ１が、次の段の処理ユニットの畳み込み処理部１７６２に出力される。つまり、畳み込み処理及びプーリング処理が繰り返し行われる。

特徴抽出器１７６が算出した特徴量ベクトルＣ_ａ１は、分類器１７７に入力される。分類器１７７は、特徴量ベクトルＣ_ａ１に基づいて、行列成分ｘ_ａ１が示す操作パターンを２つのクラスのいずれかに分類する。つまり、分類器１７７は、行列成分ｘ_ａ１が示す操作パターンが２つのクラスのうちのいずれに属するかを決定する。従って、分類器１７７は、２クラス分類型の分類器である。ここで、上述したように、ニューラルネットワーク１７２は、入力されるアクセル操作信号Ｓｐａが示す実操作パターンがブレーキ操作パターンである確率ｐを算出する。このため、分類器１７７は、行列成分ｘ_ａ１が示す操作パターンがブレーキ操作パターンである確率ｐ_ａ１を算出するように構成されている。つまり、分類器１７７は、確率ｐ_ａ１を算出することで、行列成分ｘ_ａ１が示す操作パターンが、アクセル操作パターンに対応するクラス及びブレーキ操作パターンに対応するクラスのいずれかに分類する。

このような分類器１７７は、例えば、図５に示すように、Ｄ次元の特徴量ベクトルＣを構成するＤ個の入力値（ｄ１、ｄ２、ｄ３、・・・、ｄＤ）が入力される全結合層１７７１と、全結合層１７７１からの出力に基づいて確率ｐを出力する出力層１７７２とを備えている。

以上説明した確率ｐの算出動作が、行列ｘを構成するその他の行列成分ｘ_ａ２、・・・、ｘ_ａＮ、ｘ_ｂ１、ｘ_ｂ２、・・・、及びｘ_ｂＭに対しても行われる。その結果、行列成分ｘ_ａ２が示す操作パターンがブレーキ操作パターンである確率ｐ_ａ２、・・・、行列成分ｘ_ａＮが示す操作パターンがブレーキ操作パターンである確率ｐ_ａＮ、行列成分ｘ_ｂ１が示す操作パターンがブレーキ操作パターンである確率ｐ_ｂ１、・・・、行列成分ｘ_ｂＭが示す操作パターンがブレーキ操作パターンである確率ｐ_ｂＭが算出される。

その後、コントローラ１７１は、分類器１７７が算出した確率ｐ（＝（ｐ_ａ１、ｐ_ａ２、・・・、ｐ_ａＮ、ｐ_ｂ１、・・・、ｐ_ｂＭ））と正解データｔ（＝（ｔ_ａ１、ｔ_ａ２、・・・、ｔ_ａＮ、ｔ_ｂ１、・・・、ｔ_ｂＭ））の誤差を示す誤差関数Ｅ（ｐ、ｔ）を算出する。その後、コントローラ１７１は、誤差関数Ｅ（ｐ、ｔ）が最小になるように、特徴抽出器１７６及び分類器１７７を学習させる。つまり、コントローラ１７１は、教師あり学習のアルゴリズムを用いて、特徴抽出器１７６及び分類器１７７を学習させる。この場合、特徴抽出器１７６及び分類器１７７がニューラルネットワーク１７２を構成していることから、コントローラ１７１は、誤差逆伝搬法を用いて、特徴抽出器１７６及び分類器１７７に学習させてもよい。但し、コントローラ１７１は、その他のアルゴリズムを用いて、特徴抽出器１７６及び分類器１７７に学習させてもよい。尚、ある操作パターンがブレーキ操作パターンである確率が確率ｐであることから、正解データｔ_ａ１、ｔ_ａ２、・・・、ｔ_ａＮの夫々が「０（＝０％）」を示し、正解データｔ_ｂ１、ｔ_ｂ２、・・・、ｔ_ｂＭの夫々が「１（＝１００％）」を示す。また、誤差関数Ｅ（ｐ、ｔ）として、既存の誤差関数（言い換えれば、損失関数又は目的関数）が用いられてもよいため、誤差関数Ｅ（ｐ、ｔ）の詳細な説明を省略する。

特徴抽出器１７６の学習は、特徴抽出器１７６が用いる畳み込みフィルタのフィルタ特性の調整を含んでいてもよい。調整されたフィルタ特性を示す情報は、パラメータ群ＰＧを構成するパラメータとしてメモリ１７３に格納される。但し、特徴抽出器１７６の学習は、特徴抽出器１７６の任意の特性（特に、特徴量ベクトルＣの算出に関連する特性）の調整を含んでいてもよい。分類器１７７の学習は、全結合層１７７１を構成する複数のノードＮの重みの調整を含んでいてもよい。分類器１７７の学習は、出力層１７７２が用いる活性化関数（いわゆる、ソフトマックス関数）の調整を含んでいてもよい。調整されたノードＮの重み及び活性化関数を示す情報は、パラメータ群ＰＧを構成するパラメータとしてメモリ１７３に格納される。但し、分類器１７７の学習は、分類器１７７の任意の特性（特に、確率ｐの算出に関連する特性）の調整を含んでいてもよい。

このような誤差関数Ｅ（ｐ、ｔ）が最小になるように特徴抽出器１７６の学習が行われた結果、特徴抽出器１７６は、図６（ａ）に示すように、特徴量ベクトルＣに対応するＤ次元の空間内において、アクセル操作パターンに対応する特徴量ベクトルＣとブレーキ操作パターンに対応する特徴量ベクトルＣとが明確に分離されるように、特徴量ベクトルＣを算出可能となる。逆に言えば、アクセル操作パターンに対応する特徴量ベクトルＣとブレーキ操作パターンに対応する特徴量ベクトルＣとが明確に分離可能な特徴量ベクトルＣを算出できるように、特徴抽出器１７６の学習が行われる。その結果、学習前の特徴抽出器１７６によって算出された特徴量ベクトルＣでは図６（ｂ）に示すようにアクセル操作パターンに対応する特徴量ベクトルＣとブレーキ操作パターンに対応する特徴量ベクトルＣとが少なくとも部分的に重複してしまう場合であっても、学習によって、特徴量ベクトルＣとブレーキ操作パターンに対応する特徴量ベクトルＣとが明確に分離されるように特徴量ベクトルＣが算出可能となる。

更に、このような誤差関数Ｅ（ｐ、ｔ）が最小になるように分類器１７７が学習した結果、分類器１７７は、図７に示すように、特徴量ベクトルＣに対応するＤ次元の空間内において、アクセル操作パターンに対応する特徴量ベクトルＣとブレーキ操作パターンに対応する特徴量ベクトルＣとを分離するための超平面（つまり、決定境界）を特定可能である。つまり、分類器１７７の学習（つまり、上述した全結合層１７７１を構成する複数のノードＮの重みの調整や、出力層１７７２が用いる活性化関数の調整）は、実操作パターンがブレーキ操作パターンである確率ｐを算出する際の算出基準に相当する超平面の調整と等価である。従って、メモリ１７３に格納されているパラメータ群ＰＧは、このような超平面を規定するパラメータを実質的に含んでいると言える。特に、特徴抽出器１７６の学習によってアクセル操作パターンに対応する特徴量ベクトルＣとブレーキ操作パターンに対応する特徴量ベクトルＣとが明確に分離されるため、分類器１７７は、アクセル操作パターンに対応する特徴量ベクトルＣとブレーキ操作パターンに対応する特徴量ベクトルＣのいずれからも離れた位置に規定される超平面を特定可能である。このため、分類器１７７が出力する確率ｐは、０に近い値又は１に近い値になる可能性が高い（言い換えれば、０．５に近い値になる可能性が低い）。
（２−２−２）操作判定ＥＣＵ１７による誤操作判定動作

続いて、再び図３を参照しながら、車両１が実際に走行している期間（つまり、搭乗者がアクセルペダル１１を実際に操作している期間）中に操作判定ＥＣＵ１７が行う誤操作判定動作について説明する。

この場合、アクセル操作信号Ｓｐａが特徴抽出器１７６に入力される。その後、特徴抽出器１７６は、アクセル操作信号Ｓｐａの特徴を示す特徴量ベクトルＣ（つまり、実操作パターンの特徴を示す特徴量ベクトルＣ）を算出する。誤操作判定動作における特徴量ベクトルＣの算出動作は、初期学習における特徴量ベクトルＣの算出動作と同じである。

その後、分類器１７７は、特徴量ベクトルＣに基づいて、入力されたアクセル操作信号Ｓｐａが示す実操作パターンがブレーキ操作パターンである確率ｐを算出する。誤操作判定動作における確率ｐの算出動作は、初期学習における確率ｐの算出動作と同じである。

搭乗者がアクセルペダル１１をブレーキペダル１２と踏み間違えていない場合には、実操作パターンは、アクセル操作パターンとなるはずである。なぜならば、搭乗者は、アクセルペダル１１を操作する意図を有してアクセルペダル１１を操作しているからである。このため、分類器１７７は、特徴抽出器１７６が算出した特徴量ベクトルＣを、アクセル操作パターンに対応するクラスに分類する。つまり、分類器１７７は、０に近い確率ｐを算出する。従って、分類器１７７は、０に近い確率ｐを算出することで、実質的には、搭乗者がアクセルペダル１１をブレーキペダル１２と踏み間違えていないと判定している。一方で、搭乗者がアクセルペダル１１をブレーキペダル１２と踏み間違えている場合には、実操作パターンは、ブレーキ操作パターンとなるはずである。なぜならば、搭乗者は、ブレーキペダル１２を操作する意図を有してアクセルペダル１１を操作しているからである。このため、分類器１７７は、特徴抽出器１７６が算出した特徴量ベクトルＣを、ブレーキ操作パターンに対応するクラスに分類する。つまり、分類器１７７は、１に近い確率ｐを算出する。従って、分類器１７７は、１に近い確率ｐを算出することで、実質的には、搭乗者がアクセルペダル１１をブレーキペダル１２と踏み間違えていると判定している。

分類器１７７が算出した確率ｐ（つまり、実質的には、搭乗者がアクセルペダル１１をブレーキペダル１２と踏み間違えているか否かの判定結果）は、制御器１７４に入力される。

制御器１７４は、確率ｐが１に近い（例えば、第１所定閾値（例えば、０．５以上の値であり、０．７、０．８、０．９等）以上となる）場合には、エンジンＥＣＵ１３の動作を制限する。具体的には、制御器１７４は、アクセル操作信号Ｓｐａに基づいてエンジン１５を制御しないように、エンジンＥＣＵ１３の動作を制限する。例えば、制御器１７４は、アクセル操作信号Ｓｐａに関わらず、エンジン１５が駆動力を出力しないように、エンジンＥＣＵ１３の動作を制限する。更に、制御器１７４は、エンジンＥＣＵ１３の動作を制限することに加えて又は代えて、車両１を減速又は停止させるための制動力を発生するように、ブレーキＥＣＵ１４を制御してもよい。その結果、ブレーキ機構１６は、車両１を減速又は停止させるための制動力を発生する。

一方で、制御器１７４は、確率ｐが０に近い（例えば、第２所定閾値（例えば、０．５以下の値であり、０．３、０．２、０．１等）よりも小さい）場合には、エンジンＥＣＵ１３の動作を制限しない。このため、エンジンＥＣＵ１３は、アクセル操作信号Ｓｐａに基づいてエンジン１５を制御する。

このようにエンジンＥＣＵ１３の動作を制限可能な制御器１７４の一例について、図８を参照しながら説明する。図８に示すように、制御器１７４は、２値化処理部１７４１と、スイッチ１７４２と、ラッチ１７４３とを備える。２値化処理部１７４１は、確率ｐを２値化する。例えば、２値化処理部は、１に近い（例えば、上述した第１所定閾値以上となる）確率ｐを１に変換し、０に近い（例えば、上述した第２所定閾値以下となる）確率ｐを０に変換する。スイッチ１７４２は、アクセルペダル１１が操作されている期間中に動作する一方で、ブレーキペダル１２が操作されている期間中に停止する。このため、スイッチ１７４２には、搭乗者が操作している操作ペダルがアクセルペダル１１であるのか又はブレーキペダルであるのかを示すペダル識別信号が入力される。スイッチ１７４２は、マルチプレクサ（ＭＵＸ）である。スイッチ１７４２の一方の入力端子にはゼロが入力され（つまり、スイッチ１７４２の一方の入力端子は接地され）、スイッチ１７４２の一方の入力端子には、２値化処理部１７４１の出力が入力される。従って、スイッチ１７４２は、図９に示すように、搭乗者がアクセルペダル１１をブレーキペダル１２と踏み間違えている期間中に１を出力し、それ以外の期間中にゼロを出力する。ラッチ１７４３は、スイッチ１７４２の出力が１となる場合に１を出力し、スイッチ１７４２の出力が０となる場合に出力をゼロにリセットする。

ラッチ１７４３の出力は、エンジンＥＣＵ１３及びブレーキＥＣＵ１４に出力される。ラッチ１７４３の出力が１である場合には、エンジンＥＣＵ１３の動作が制限される及び／又は車両１を減速又は停止させるための制動力を発生するようにブレーキＥＣＵ１４がブレーキ機構１６を制御する。ラッチ１７４３の出力がゼロである場合には、エンジンＥＣＵ１３の動作が制限されない。

尚、エンジン１５が駆動力を出力しないようにエンジンＥＣＵ１３の動作が制限される場合には、ラッチ１７４３の出力がエンジンＥＣＵ１３に入力される（つまり、ラッチ１７４３の出力に基づいてエンジンＥＣＵ１３の動作が直接的に制限される）ことに加えて又は代えて、ラッチ１７４３の出力に基づいてアクセル操作信号ＳｐａのエンジンＥＣＵ１３への伝達が遮断されてもよい。具体的には、例えば、アクセルペダル１１とエンジンＥＣＵ１３との間に、アクセル操作信号Ｓｐａの伝達を遮断可能なスイッチを配置し、ラッチ１７４３の出力が１である場合に当該スイッチの状態をアクセル操作信号Ｓｐａの伝達を遮断可能な状態に遷移させ、ラッチ１７４３の出力がゼロである場合に当該スイッチの状態をアクセル操作信号Ｓｐａの伝達を遮断しない状態に遷移させてもよい。
（２−２−３）ニューラルネットワーク１７２のオンライン学習

本実施形態では更に、車両１が実際に走行している期間（つまり、搭乗者がアクセルペダル１１を実際に操作している期間）中にコントローラ１７１に入力されたアクセル操作信号Ｓｐａ及びブレーキ操作信号Ｓｐｂの少なくとも一方を用いて、操作判定ＥＣＵ１７によるニューラルネットワーク１７２の学習が行われる。つまり、ニューラルネットワーク１７２のオンライン学習（言い換えれば、リアルタイム学習）が行なわれる。具体的には、アクセル操作信号Ｓｐａ及びブレーキ操作信号Ｓｐｂの少なくとも一方がニューラルネットワーク１７２に入力される都度、ニューラルネットワーク１７２の学習が行なわれる。但し、アクセル操作信号Ｓｐａ及びブレーキ操作信号Ｓｐｂの少なくとも一方が一定量メモリ１７３に格納される都度、ニューラルネットワーク１７２の学習が行なわれてもよい。

ニューラルネットワーク１７２のオンライン学習は、分類器１７７の学習を含む。この場合、コントローラ１７１は、教師あり学習のアルゴリズムを用いて、分類器１７７を学習させてもよい。つまり、コントローラ１７１は、初期学習と同様の学習態様で分類器１７７を学習させてもよい。この場合、正解データは、例えば搭乗者によって入力されてもよい。或いは、コントローラ１７１は、教師なし学習のアルゴリズムを用いて、分類器１７７を学習させてもよい。教師なし学習のアルゴリズムの一例として、ＥＭ（Ｅｘｐｅｃｔａｔｉｏｎ Ｍａｘｉｍａｚａｔｉｏｎ）法等があげられる。ニューラルネットワーク１７２のオンライン学習は、分類器１７７の学習に加えて又は代えて、特徴抽出器１７６の学習を含んでいてもよい。この場合も、コントローラ１７１は、教師あり学習のアルゴリズム及び／又は教師なし学習のアルゴリズムを用いて、特徴抽出器１７６を学習させてもよい。但し、特徴抽出器１７６の学習に要する処理負荷は、分類器１７７の学習に要する処理負荷よりも大きくなる可能性があることから、学習に要する処理負荷を低減させることを目的に、特徴抽出器１７６の学習（つまり、オンライン学習）が行なわれなくてもよい。

ニューラルネットワーク１７２のオンライン学習は、操作判定ＥＣＵ１７内で行われてもよい。或いは、ニューラルネットワーク１７２のオンライン学習は、車両１の外部のデータセンタによって行われてもよい。この場合、アクセル操作信号Ｓｐａ及びブレーキ操作信号Ｓｐｂの少なくとも一方は、ネットワーク網を介して車両１からデータセンタに送信される。データセンタには、ニューラルネットワーク１７２と等価な計算モデルが構築されている。データセンタは、アクセル操作信号Ｓｐａ及びブレーキ操作信号Ｓｐｂの少なくとも一方と計算モデルとを用いて、ニューラルネットワーク１７２の学習をシミュレートする。データセンタによる学習結果は、ネットワーク網を介してデータセンタから操作判定ＥＣＵ１７に送信される。操作判定ＥＣＵ１７は、データセンタによる学習結果に基づいて、ニューラルネットワーク１７２の特性（つまり、パラメータ群ＰＧ）を調整する。
（３）技術的効果

以上説明した操作判定ＥＣＵ１７によれば、アクセル操作パターン及びブレーキ操作パターン（つまり、アクセル操作信号Ｓｐａ及びブレーキ操作信号Ｓｐｂ）を用いたニューラルネットワーク１７２の学習が行われる。つまり、操作判定ＥＣＵ１７は、アクセル操作パターン及びブレーキ操作パターンの学習結果を用いて、実操作パターンがブレーキ操作パターンであるか否か（つまり、搭乗者が誤操作しているか否か）を判定することができる。このため、アクセル操作パターン及びブレーキ操作パターンを学習しない比較例の操作判定ＥＣＵ１７と比較して、搭乗者が誤操作しているか否かの判定精度が向上する。

特に、本実施形態では、車両１が走行している間もニューラルネットワーク１７２のオンライン学習が行われる。つまり、搭乗者によるアクセルペダル１１及びブレーキペダル１２の少なくとも一方の実際の操作内容に合わせてニューラルネットワーク１７２が最適化される。このため、アクセルペダル１１及びブレーキペダル１２の操作内容が運転の習熟度等に起因して搭乗者毎にばらつく場合であっても、操作判定ＥＣＵ１７は、搭乗者が誤操作しているか否かを適切に判定することができる。或いは、アクセルペダル１１及びブレーキペダル１２の操作内容が搭乗者の体調や気分等の違い（或いは、その他の要因）によってばらつく場合であっても、操作判定ＥＣＵ１７は、搭乗者が誤操作しているか否かを適切に判定することができる。

具体的には、例えば、図１０（ａ）は、第１の搭乗者がアクセルペダル１１及びブレーキペダル１２を操作した場合に算出される特徴量ベクトルＣを示すグラフである。一方で、図１０（ｂ）は、第１の搭乗者とは異なる第２の搭乗者がアクセルペダル１１及びブレーキペダル１２を操作した場合に算出される特徴量ベクトルＣを示すグラフである。また、図１０（ａ）及び図１０（ｂ）に示す超平面は、ニューラルネットワーク１７２の初期学習によって特定された超平面である。図１０（ａ）及び図１０（ｂ）に示すように、アクセルペダル１１及びブレーキペダル１２の操作内容は、運転の習熟度等に起因して搭乗者毎にばらつく可能性がある。この場合、初期学習によって特定された超平面は、第１の搭乗者のアクセル操作パターンに対応する特徴量ベクトルＣと第１の搭乗者のブレーキ操作パターンに対応する特徴量ベクトルＣとは明確に分離可能である。一方で、初期学習によって特定された超平面は、第２の搭乗者のアクセル操作パターンに対応する特徴量ベクトルＣと第２の搭乗者のブレーキ操作パターンに対応する特徴量ベクトルＣとを明確に分離可能であるとは言えない。このような状況において第２の搭乗者が車両１を操作している間にニューラルネットワーク１７２のオンライン学習が行われると、図１０（ｃ）に示すように、第２の搭乗者のアクセル操作パターンに対応する特徴量ベクトルＣと第２の搭乗者のブレーキ操作パターンに対応する特徴量ベクトルＣとを明確に分離可能な、第２の搭乗者に最適化された超平面が規定される。その結果、アクセルペダル１１及びブレーキペダル１２の操作内容が運転の習熟度等に起因して搭乗者毎にばらつく場合であっても、操作判定ＥＣＵ１７は、搭乗者が誤操作しているか否かを適切に判定することができる。

或いは、例えば、図１０（ａ）は、体調が良好なある搭乗者がアクセルペダル１１及びブレーキペダル１２を操作した場合に算出される特徴量ベクトルＣを示すグラフであってもよい。一方で、図１０（ｂ）は、体調がよくない同じ搭乗者がアクセルペダル１１及びブレーキペダル１２を操作した場合に算出される特徴量ベクトルＣを示すグラフであってもよい。つまり、図１０（ａ）及び図１０（ｂ）は、アクセルペダル１１及びブレーキペダル１２の操作内容が搭乗者の体調等の違いによってばらつく可能性があることを示していてもよい。この場合、初期学習によって特定された超平面は、体調が良好な搭乗者のアクセル操作パターンに対応する特徴量ベクトルＣと体調が良好な搭乗者のブレーキ操作パターンに対応する特徴量ベクトルＣとは明確に分離可能である。一方で、初期学習によって特定された超平面は、体調がよくない搭乗者のアクセル操作パターンに対応する特徴量ベクトルＣと体調がよくない搭乗者のブレーキ操作パターンに対応する特徴量ベクトルＣとを明確に分離可能であるとは言えない。このような状況において体調がよくない搭乗者が車両１を操作している間にニューラルネットワーク１７２のオンライン学習が行われると、図１０（ｃ）に示すように、体調がよくない搭乗者のアクセル操作パターンに対応する特徴量ベクトルＣと体調がよくない搭乗者のブレーキ操作パターンに対応する特徴量ベクトルＣとを明確に分離可能な、体調がよくない搭乗者に最適化された超平面が規定される。その結果、アクセルペダル１１及びブレーキペダル１２の操作内容が搭乗者の体調等の違いによってばらつく場合であっても、操作判定ＥＣＵ１７は、搭乗者が誤操作しているか否かを適切に判定することができる。
（４）変形例
（４−１）第１変形例

車両１が前進している状況下でのアクセル操作パターンは、車両１が後退している状況下でのアクセル操作パターンとは異なる可能性がある。同様に、車両１が前進している状況下でのブレーキ操作パターンは、車両１が後退している状況下でのブレーキ操作パターンとは異なる可能性がある。この場合、車両１が前進しているか又は後退しているかを考慮することなくニューラルネットワーク１７２の学習及び誤操作判定動作が行われると、搭乗者が誤操作しているか否かの判定精度が悪化する可能性がある。

そこで、第１変形例では、初期学習及びオンライン学習において、ニューラルネットワーク１７２は、車両１が前進している状況下でのアクセル操作パターン（或いは、アクセル操作信号Ｓｐａ）と、車両１が後退している状況下でのアクセル操作パターン（或いは、アクセル操作信号Ｓｐａ）とを別々に学習する。更に、ニューラルネットワーク１７２は、車両１が前進している状況下でのブレーキ操作パターン（或いは、ブレーキ操作信号Ｓｐｂ）と、車両１が後退している状況下でのブレーキ操作パターン（或いは、ブレーキ操作信号Ｓｐｂ）とを別々に学習する。

具体的には、特徴抽出器１７６は、車両１が前進している状況下で取得されたアクセル操作信号Ｓｐａから特徴量ベクトルＣを算出するために用いるフィルタ特性（以降、“前進用フィルタ特性”と称する）と、車両１が後退している状況下で取得されたアクセル操作信号Ｓｐａから特徴量ベクトルＣを算出するために用いるフィルタ特性（以降、“後退用フィルタ特性”と称する）とを別個に調整する。つまり、特徴抽出器１７６は、前進用フィルタ特性を、車両１が前進している状況下でのアクセル操作パターン（或いは、アクセル操作信号Ｓｐａ）及びブレーキ操作パターン（或いは、ブレーキ操作信号Ｓｐｂ）に基づいて調整する。同様に、特徴抽出器１７６は、後退用フィルタ特性を、車両１が後退している状況下でのアクセル操作パターン（或いは、アクセル操作信号Ｓｐａ）及びブレーキ操作パターン（或いは、ブレーキ操作信号Ｓｐｂ）に基づいて調整する。

分類器１７７は、車両１が前進している状況下で取得された実操作パターンがブレーキ操作パターンである確率ｐを算出するために用いる超平面（以降、“前進用超平面”と称する）と、車両１が後退している状況下で取得された実操作パターンがブレーキ操作パターンである確率ｐを算出するために用いる超平面（以降、“後退用超平面”と称する）とを別個に調整する。つまり、分類器１７７は、前進用超平面を、車両１が前進している状況下でのアクセル操作パターン（或いは、アクセル操作信号Ｓｐａ）及びブレーキ操作パターン（或いは、ブレーキ操作信号Ｓｐｂ）に基づいて調整する。同様に、分類器１７７は、後退用超平面を、車両１が後退している状況下でのアクセル操作パターン（或いは、アクセル操作信号Ｓｐａ）及びブレーキ操作パターン（或いは、ブレーキ操作信号Ｓｐｂ）に基づいて調整する。

更に、誤操作判定動作において、車両１が前進している場合には、特徴抽出器１７６は、前進用フィルタ特性を有する畳み込みフィルタを用いて特徴量ベクトルＣを算出する。一方で、車両１が後退している場合には、特徴抽出器１７６は、後退用フィルタ特性を有する畳み込みフィルタを用いて特徴量ベクトルＣを算出する。その結果、図１１（ａ）及び図１１（ｂ）に示すように、特徴抽出器１７６は、車両１が前進している場合及び車両１が後退している場合の双方において、アクセル操作パターンに対応する特徴量ベクトルＣとブレーキ操作パターンに対応する特徴量ベクトルＣとが明確に分離されるように、特徴量ベクトルＣを算出することができる。つまり、特徴抽出器１７６は、車両１が前進している状況下でのアクセル操作パターン及びブレーキ操作パターンと車両１が後退している状況下でのアクセル操作パターン及びブレーキ操作パターンとの違いを考慮した上で、特徴量ベクトルＣを算出することができる。

更に、誤操作判定動作において、車両１が前進している場合には、分類器１７７は、図１１（ａ）に示すように、前進用超平面を用いて確率ｐを算出する。一方で、車両１が後退している場合には、分類器１７７は、図１１（ａ）に示すように、後退用超平面を用いて確率ｐを算出する。つまり、分類器１７７は、車両１が前進している状況下でのアクセル操作パターン及びブレーキ操作パターンと車両１が後退している状況下でのアクセル操作パターン及びブレーキ操作パターンとの違いを考慮した上で、確率ｐを算出することができる。

このような第１変形例では、操作判定ＥＣＵ１７は、車両１が前進している状況下で搭乗者が誤操作を行っているか否か及び車両１が後退している状況下で搭乗者が誤操作を行っているか否かをより一層高精度に判定することができる。
（４−２）第２変形例

アクセルペダル１１を操作している搭乗者の状態は、ブレーキペダル１２を操作している搭乗者の状態と異なる可能性がある。例えば、搭乗者の状態の一具体例である「搭乗者がステアリングホイール（つまり、ハンドル）を握る力」は、アクセルペダル１１を操作している搭乗者がステアリングホイールを握る力が相対的に小さい一方で、ブレーキペダル１２を操作している搭乗者がステアリングホイールを握る力が相対的に大きくなるという特性を有している。なぜならば、上述したようにブレーキペダル１２が相対的に急激に又は深く踏み込まれやすいことに起因して、ブレーキペダル１２を相対的に急激に又は深く踏み込むために搭乗者がステアリングホイールをギュッと握る可能性が高いからである。

このため、このような搭乗者の状態（特に、アクセルペダル１１を操作している時とブレーキペダル１２を操作している時とで変わる（言い換えれば、区分可能な）状態）も、搭乗者が誤操作しているか否かを判定する動作にとって有益な情報であるといえる。そこで、第２変形例では、操作判定ＥＣＵ１７は、アクセル操作信号Ｓｐａに加えて、搭乗者の状態を示す状態情報にも基づいて、搭乗者が誤操作しているか否かを判定する。具体的には、車両１には、搭乗者の状態を検知するためのセンサが搭載される。センサの出力は、アクセル操作信号Ｓｐａと同様に、特徴抽出器１７６に入力される。特徴抽出器１７６は、アクセル操作信号Ｓｐａ及び状態情報を包含した情報の特徴を示す特徴量ベクトルＣを算出する。分類器１７７は、特徴量ベクトルＣから、アクセル操作信号Ｓｐａが示す実操作パターンがブレーキ操作パターンである確率ｐを算出する。

更に、第２変形例では、ニューラルネットワーク１７２は、アクセル操作パターン（或いは、アクセル操作信号Ｓｐａ）及びブレーキ操作パターン（或いは、ブレーキ操作信号Ｓｐｂ）に加えて、搭乗者の状態をも学習する。つまり、特徴抽出器１７６は、アクセル操作パターン（或いは、アクセル操作信号Ｓｐａ）及びブレーキ操作パターン（或いは、ブレーキ操作信号Ｓｐｂ）に加えて、搭乗者の状態を用いて、フィルタ特性を調整する。分類器１７７は、アクセル操作パターン（或いは、アクセル操作信号Ｓｐａ）及びブレーキ操作パターン（或いは、ブレーキ操作信号Ｓｐｂ）に加えて、搭乗者の状態を用いて、超平面を調整する。
このような第２変形例では、操作判定ＥＣＵ１７は、搭乗者が誤操作を行っているか否かをより一層高精度に判定することができる。
（４−３）第３変形例

上述した説明では、操作判定ＥＣＵ１７は、搭乗者がアクセルペダル１１をブレーキペダル１２と踏み間違えているか否かを判定している。ここで、操作判定ＥＣＵ１７は、搭乗者がアクセルペダル１１をブレーキペダル１２と踏み間違えているか否かを判定するために、アクセル操作信号Ｓｐａが示す実操作パターンがブレーキ操作パターンである確率ｐを算出している。この確率ｐを算出する動作は、実質的には、搭乗者がアクセルペダル１１を操作しようとしているのか又はブレーキペダル１２を操作しようとしているのかを特定する動作と等価であると言える。なぜならば、実操作パターンがブレーキ操作パターンである確率ｐが相対的に大きければ、搭乗者がブレーキペダル１２を操作しようとしていると特定でき、実操作パターンがブレーキ操作パターンである確率ｐが相対的に小さければ、搭乗者がアクセルペダル１１を操作しようとしていると特定できるからである。

そうすると、図１２に示すようにアクセルペダル１１及びブレーキペダル１２に代えて、アクセルペダル１１及びブレーキペダル１２として兼用可能な単一の兼用ペダル２１を備える車両２に操作判定ＥＣＵ１７が搭載された場合には、操作判定ＥＣＵ１７は、兼用ペダル２１の操作内容を示す操作信号Ｓｐに基づいて、搭乗者が兼用ペダル２１をアクセルペダル１１として操作しているのか又はブレーキペダル２１として操作しているのかを判定することができる。具体的には、操作判定ＥＣＵ１７は、算出した確率ｐが相対的に小さい場合には、搭乗者が兼用ペダル２１をアクセルペダル１１として操作していると特定する。一方で、操作判定ＥＣＵ１７は、算出した確率ｐが相対的に大きい場合には、搭乗者が兼用ペダル２１をブレーキペダル１２として操作していると特定する。搭乗者が兼用ペダル２１をアクセルペダル１１として操作していると特定される場合には、操作判定ＥＣＵ１７は、操作信号Ｓｐに基づいてエンジン１５を制御するようにエンジンＥＣＵ１３を制御すると共に、操作信号Ｓｐに基づいてブレーキ機構１６を制御しないようにブレーキＥＣＵ１４を制御する。一方で、搭乗者が兼用ペダル２１をブレーキペダル１２として操作していると特定される場合には、操作判定ＥＣＵ１７は、操作信号Ｓｐに基づいてエンジン１５を制御しないようにエンジンＥＣＵ１３を制御すると共に、操作信号Ｓｐに基づいてブレーキ機構１６を制御するようにブレーキＥＣＵ１４を制御する。

つまり、第３変形例では、操作判定ＥＣＵ１７は、車両を運転するために搭乗者が操作可能な操作ペダルを備える前記車両において、前記搭乗者が前記操作ペダルをアクセルペダルとして操作しているか又はブレーキペダルとして操作しているか判定するための操作内容判定装置であって、前記搭乗者による前記操作ペダルの操作内容に関する操作情報を取得する取得手段と、前記取得手段が取得した前記操作情報に基づいて、前記搭乗者が前記操作ペダルを第１の種類のペダルとして操作しているか又は第１の種類のペダルとは異なる第２の種類のペダルとして操作しているか判定する判定手段とを備え、前記判定手段は、前記操作ペダルが第１の種類のペダルとして操作される場合の操作内容及び前記操作ペダルが第２の種類のペダルとして操作される場合の操作内容の少なくとも一方を学習し、当該学習の結果も用いて前記搭乗者が前記操作ペダルを第１の種類のペダルとして操作しているか又は第２の種類のペダルとして操作しているかを判定することを特徴とする操作内容判定装置として機能してもよい。この場合、第１の種類のペダルは、アクセルペダルであってもよいし、第２の種類のペダルは、ブレーキペダルであってもよい。更に、第１の種類のペダルがアクセルペダルであり且つ第２の種類のペダルがブレーキペダルである場合には、操作判定ＥＣＵ１７は、前記搭乗者が前記操作ペダルを第１の種類のペダル（ｔまり、アクセルペダル）として操作していると判定される場合には、前記操作ペダルの操作内容に合わせて前記車両の駆動力を出力する駆動源を制御し、前記搭乗者が前記操作ペダルを第２の種類のペダル（つまり、ブレーキペダル）として操作していると判定される場合には、前記操作ペダルの操作内容に合わせて前記車両の制動力を出力する制動装置を制御する制御手段を更に備える操作内容判定装置として機能してもよい。

このような第３変形例では、操作判定ＥＣＵ１７は、アクセルペダル１１及びブレーキペダル１２として兼用可能な単一の兼用ペダル２１を備える車両２を適切に走行させることができる。
（４−４）その他の変形例

上述した説明では、ニューラルネットワーク１７２は、畳み込みニューラルネットワークである。しかしながら、ニューラルネットワーク１７２は、その他の種類のニューラルネットワークであってもよい。例えば、ニューラルネットワーク１７２は、再帰型ニューラルネットワーク（ＲＮＮ：Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）であってもよい。例えば、ニューラルネットワーク１７２は、ＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ）であってもよい。

上述した説明では、操作判定ＥＣＵ１７は、特徴抽出器１７６及び分類器１７７の双方を備えるニューラルネットワーク１７２を備えている。しかしながら、操作判定ＥＣＵ１７は、アクセル操作信号Ｓｐａ及びブレーキ操作信号Ｓｐｂを学習し且つ搭乗者が誤操作を行っているか否かを判定することができる限りは、特徴抽出器１７６及び分類器１７７の少なくとも一方を備えていないニューラルネットワークを備えていてもよい。例えば、操作判定ＥＣＵ１７は、特徴抽出器１７６を備えるニューラルネットワークと、分類器１７７とを別個に備えていてもよい。この場合、分類器１７７は、ニューラルネットワークによる２値分類法を用いて、実操作パターンがブレーキ操作パターンである確率ｐを算出してもよい。或いは、分類器１７７は、任意の教師あり学習のアルゴリズムに準拠した２値分類法を用いて、実操作パターンがブレーキ操作パターンである確率ｐを算出してもよい。教師あり学習のアルゴリズムに準拠した２値分類法の一例として、ロジスティック回帰法、ＰＡ（Ｐａｓｓｉｖｅ Ａｇｇｒｅｓｓｉｖｅ）法、線形サポートベクターマシーン（ＳＶＭ：Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）法等があげられる。或いは、分類器１７７は、任意の教師なし学習のアルゴリズムを用いた２値分類法を用いて、実操作パターンがブレーキ操作パターンである確率ｐを算出してもよい。教師なし学習のアルゴリズムに準拠した２値分類法の一例として、Ｋ平均（Ｋ ｍｅａｎｓ）法、混合モデル分離法、ａｎｏｍａｌｙ ｄｅｔｅｃｔｉｏｎ法（異常検知法または外れ値検知法）等があげられる。或いは、操作判定ＥＣＵ１７は、分類器１７７を備えるニューラルネットワークと、特徴抽出器１７６とを別個に備えていてもよい。

上述した説明では、操作判定ＥＣＵ１７は、ニューラルネットワーク１７２を備えている。しかしながら、操作判定ＥＣＵ１７は、アクセル操作信号Ｓｐａ及びブレーキ操作信号Ｓｐｂを学習し且つ搭乗者が誤操作を行っているか否かを判定することができる限りは、アクセル操作信号Ｓｐａ及びブレーキ操作信号Ｓｐｂを学習し且つ搭乗者が誤操作を行っているか否かを判定することが可能な任意の学習モデル（例えば、遺伝的アルゴリズムを用いた学習モデルや、任意の機械学習の方法を用いた学習モデル等）を備えていてもよい。

上述した説明では、ニューラルネットワーク１７２は、入力されたアクセル操作信号Ｓｐａに基づいて、搭乗者がアクセルペダル１１をブレーキペダル１２と踏み間違えているか否かを判定している。しかしながら、ニューラルネットワーク１７２は、入力されたブレーキ操作信号Ｓｐｂに基づいて、搭乗者がブレーキペダル１２をアクセルペダル１１と踏み間違えているか否かを判定してもよい。つまり、ニューラルネットワーク１７２は、入力されたブレーキ操作信号Ｓｐｂの特徴量ベクトルＣを算出し、入力されたブレーキ操作信号Ｓｐｂが示す実操作パターンがアクセル操作パターンである確率を算出することで、搭乗者がブレーキペダル１２をアクセルペダル１１と踏み間違えているか否かを判定してもよい。更に、車両１がアクセルペダル１１及びブレーキペダル１２とは異なる他の操作ペダル（例えば、クラッチペダル等）を備えている場合には、ニューラルネットワーク１７２は、他の操作ペダルの操作内容を示す操作信号に基づいて、搭乗者が他の操作ペダルをアクセルペダル１１又はブレーキペダル１２と踏み間違えているか否かを判定してもよい。つまり、車両１が２つの任意の操作ペダルを備えている場合には、ニューラルネットワーク１７２は、一方の操作ペダルの操作内容を示す操作信号に基づいて、搭乗者が一方の操作ペダルを他方の操作ペダルと踏み間違えているか否かを判定してもよい。

本発明は、上述した実施形態に限られるものではなく、特許請求の範囲及び明細書全体から読み取れる発明の要旨或いは思想に反しない範囲で適宜変更可能であり、そのような変更を伴う誤操作判定御装置もまた本発明の技術的範囲に含まれるものである。

１ 車両
１１ アクセルペダル
１２ ブレーキペダル
１３ エンジンＥＣＵ
１４ ブレーキＥＣＵ
１５ エンジン
１６ ブレーキ機構
１７ 操作判定ＥＣＵ
１７１ コントローラ
１７２ ニューラルネットワーク
１７３ メモリ
１７４ 制御器
１７６ 特徴抽出器
１７７ 分類器

Claims (12)

1. 車両を運転するために搭乗者が夫々操作可能な第１操作ペダル及び第２操作ペダルを備える前記車両において、前記搭乗者が前記第１操作ペダルを前記第２操作ペダルと踏み間違えるという誤操作を行っているか否かを判定するための誤操作判定装置であって、
   前記搭乗者による前記第１操作ペダルの操作内容に関する操作情報を取得する取得手段と、
   前記取得手段が取得した前記操作情報に基づいて、前記搭乗者が前記誤操作を行っているか否かを判定する判定手段と
   を備え、
   前記判定手段は、前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方を学習し、前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方の学習の結果に基づいて前記搭乗者が前記誤操作を行っているか否かを判定する
   ことを特徴とする誤操作判定装置。
2. 前記判定手段は、前記車両が走行している期間の少なくとも一部において前記搭乗者が前記第１操作ペダルを実際に操作した場合の前記第１操作ペダルの操作内容、及び前記搭乗者が前記第２操作ペダルを実際に操作した場合の前記第２操作ペダルの操作内容の少なくとも一方を学習する
   ことを特徴とする請求項１に記載の誤操作判定装置。
3. 前記判定手段は、前記車両が前進する状況下での前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方と、前記車両が後退する状況下での前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方とを別々に学習する
   ことを特徴とする請求項１又は２に記載の誤操作判定装置。
4. 前記判定手段は、前記車両が前進する状況下で前記取得手段が取得した前記操作情報と前記車両が前進する状況下での前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方の学習の結果とに基づいて、前記車両が前進している状況下で前記搭乗者が前記誤操作を行っているか否かを判定し、
   前記判定手段は、前記車両が後退する状況下で前記取得手段が取得した前記操作情報と前記車両が後退する状況下での前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方の学習の結果とに基づいて、前記車両が後退している状況下で前記搭乗者が前記誤操作を行っているか否かを判定する
   ことを特徴とする請求項３に記載の誤操作判定装置。
5. 前記判定手段は、前記搭乗者が前記誤操作を行っているか否かを判定する際の判定基準を、前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方の学習の結果に基づいて調整した上で、前記搭乗者が前記誤操作を行っているか否かを判定する
   ことを特徴とする請求項１から４のいずれか一項に記載の誤操作判定装置。
6. 前記判定手段は、前記操作情報を入力とし且つ前記入力された操作情報が示す操作内容のパターンが前記第１操作ペダルの操作内容のパターンであるのか又は前記第２操作ペダルの操作内容のパターンであるのかに関する判定結果を出力とする学習モデルを用いて、前記搭乗者が前記誤操作を行っているか否かを判定し、
   前記判定手段は、前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方を前記学習モデルに学習させることで、前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方を学習する
   ことを特徴とする請求項１から５のいずれか一項に記載の誤操作判定装置。
7. 前記学習モデルは、ニューラルネットワークに準拠したモデルである
   ことを特徴とする請求項６に記載の誤操作判定装置。
8. 前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方の学習は、前記第１操作ペダルの操作内容と前記第２操作ペダルの操作内容との違いの学習を含む
   ことを特徴とする請求項１から７のいずれか一項に記載の誤操作判定装置。
9. 前記判定手段は、（ｉ）前記取得手段が取得した前記操作情報が示す操作内容のパターンが、前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方の学習の結果から導かれる前記第１操作ペダルの操作内容のパターンに相当する場合に、前記搭乗者が前記誤操作を行っていないと判定し、（ｉｉ）前記取得手段が取得した前記操作情報が示す操作内容のパターンが、前記第１操作ペダルの操作内容及び前記第２操作ペダルの操作内容の少なくとも一方の学習の結果から導かれる前記第２操作ペダルの操作内容のパターンに相当する場合に、前記搭乗者が前記誤操作を行っていると判定する
   ことを特徴とする請求項１から８のいずれか一項に記載の誤操作判定装置。
10. 前記第１操作ペダルは、アクセルペダルであり、
    前記第２操作ペダルは、ブレーキペダルである
    ことを特徴とする請求項１から９のいずれか一項に記載の誤操作判定装置。
11. 前記取得手段は、前記搭乗者の状態に関する状態情報を更に取得し、
    前記判定手段は、前記取得手段が取得した前記操作情報及び前記状態情報の双方に基づいて、前記搭乗者が前記誤操作を行っているか否かを判定し、
    前記判定手段は、前記搭乗者の状態を学習し、前記搭乗者の状態の学習の結果に基づいて前記搭乗者が前記誤操作を行っているか否かを判定する
    ことを特徴とする請求項１から１０のいずれか一項に記載の誤操作判定装置。
12. 前記状態情報は、前記搭乗者が前記第１操作ペダルを操作している場合と前記搭乗者が前記第２操作ペダルを操作している場合とで区別可能な前記搭乗者の状態に関する情報を含む
    ことを特徴とする請求項１１に記載の誤操作判定装置。

Images