JP2020132124A - 走行制御システム - Google Patents

Abstract

【課題】個人の嗜好を反映可能な走行制御システムを実現する。【解決手段】ドライバセンシング部１は、各センサＡ１〜ＡＮの計測結果に基づいて、自車両の走行時のドライバ状態を判断し、車両周辺認識・認知部２は、センサＢ１〜ＢＭによる計測結果に基づいて、自車両の周辺の状況を認識し、車両情報保持部５は、自車両の挙動に関する車両情報を保持し、機械学習部４は、外界情報を基に対応付けられた車両情報の変化に伴うドライバ情報の変化に基づいて、ドライバの嗜好性である安全志向または俊敏志向が反映された車両情報を学習する。【選択図】図１

Description

本発明は、個人の嗜好を反映可能な走行制御システムに関する。

自動運転車両では、走行制御が自動で行われるため、乗車するドライバや乗員が不快と感じるタイミングまたはシーンでの走行が行われることもある。

例えば、走行シーンによっては、ドライバの意図しないブレーキまたはアクセルなどのアクチュエータの制御が入り、ドライバなどが不快に感じる場合もある。また、走行制御によって不快に感じるかどうかの度合は、個人差が大きい。

個人の嗜好に合わせた運転を実現するための一例として、例えば、特許文献１に記載された技術がある。特許文献１には、道路情報、車両情報およびドライバ情報を基に、総合的な制御条件を定めて、アクチュエータを制御する技術が開示されている。

特開２０１６−２０１７７号公報

しかしながら、特許文献１では、道路情報、車両情報およびドライバ情報に基づいて個人の嗜好を反映させた運転制御を導出する方法については、開示がない。

本発明は、上記事情に鑑みなされたものであり、その目的は、個人の嗜好を反映可能な走行制御システムを提供することにある。

上記目的を達成するため、第１の観点に係る走行制御システムは、自車両に乗車中の個人の生体情報を取得する生体情報取得部と、前記自車両の周辺の外界情報に基づいて前記自車両の周辺の状況を認識する車両周辺認識部と、前記自車両の周辺の状況に応じた前記生体情報の変化の方向に基づいて、前記自車両の挙動に関する車両情報を変化させることで、前記自車両の周辺の状況に応じて前記個人に適用される車両情報を学習する学習部とを備える。

本発明によれば、個人の嗜好を反映可能な走行制御システムおよび走行制御方法を実現することができる。

図１は、実施形態に係る走行制御システムの構成を示すブロック図である。 図２は、図１の走行制御システムの交差点停止時の車両情報の更新方法の一例を示す図である。 図３は、図１の走行制御システムの交差点停止時の車両情報の更新方法のその他の例を示す図である。 図４は、図１の走行制御システムの加速度をパラメータとしたときの速度と停止距離との関係を示す図である。 図５は、図１の走行制御システムのカーブ旋回時の車両情報の更新方法の一例を示す図である。 図６は、図１の走行制御システムのカーブ旋回時の車両情報の更新方法のその他の例を示す図である。 図７は、図１の走行制御システムの横加速度をパラメータとしたときの速度とカーブ半径との関係を示す図である。 図８は、図１の走行制御システムの車両情報の更新方法をフローチャートである。 図９は、図１の走行制御システムのハードウェア構成を示すブロック図である。

実施形態について、図面を参照して説明する。なお、以下に説明する実施形態は特許請求の範囲に係る発明を限定するものではなく、また、実施形態の中で説明されている諸要素およびその組み合わせの全てが発明の解決手段に必須であるとは限らない。

図１は、実施形態に係る走行制御システムの構成を示すブロック図である。
図１において、走行制御システムは、ドライバセンシング部１、車両周辺認識・認知部２、判断・制御部３、機械学習部４、車両情報保持部５およびアクチュエータ６を備える。

ドライバセンシング部１は、センサＡ１〜ＡＮ（Ｎは正の整数）およびドライバ状態判断部１４を備える。各センサＡ１〜ＡＮは、自車両に乗車中のドライバのドライバ情報を取得する。ドライバ情報は、自車両に乗車中のドライバの生体情報である。生体情報は、例えば、心拍数、体温、発汗の有無および呼吸の乱れである。センサＡ１〜ＡＮは、例えば、カメラ、脈拍測定センサ、圧力センサ、体温センサおよび赤外線サーモグラフィである。カメラおよび赤外線サーモグラフィは、自車両のシートの斜め上方にドライバおよび同乗者の方向に向けて設置することができる。脈拍測定センサ、圧力センサおよび体温センサは、自車両のシートまたはハンドルに設置することができる。

ドライバ状態判断部１４は、各センサＡ１〜ＡＮの計測結果に基づいて、自車両の走行時のドライバ状態を判断する。ドライバ状態は、例えば、自車両の走行時のドライバの不快感である。ドライバ状態判断部１４は、ドライバの平静時の生体情報からのずれに基づいてドライバの不快感を判断することができる。ドライバの不快感は、例えば、ドライバの緊張感、不安感、恐怖感、イライラ感および焦燥感である。

ドライバ状態判断部１４は、ドライバの平静時に比べて、心拍数の上昇、体温の上昇、発汗または呼吸の乱れがあるときに、ドライバに不快感があると判断することができる。また、ドライバ状態判断部１４は、心拍数の上昇、体温の上昇、発汗および呼吸の乱れに基づいて、ドライバの不快感の程度を判断することができる。例えば、心拍数の上昇、体温の上昇、発汗および呼吸の乱れが全てありの場合は、ドライバの不快感は大きく、心拍数の上昇、体温の上昇、発汗および呼吸の乱れのうちのいずれか１つのみがありの場合は、ドライバの不快感は小さいと判断することができる。あるいは、ドライバ状態判断部１４は、心拍数の上昇、体温の上昇、発汗または呼吸の乱れの程度に応じて、ドライバの不快感の程度を判断するようにしてもよい。

車両周辺認識・認知部２は、センサＢ１〜ＢＭ（Ｍは正の整数）および認知部２４を備える。センサＢ１〜ＢＭは、自車両の周辺の外界情報を取得する。センサＢ１〜ＢＭは、例えば、カメラ、レーダ、ライダー、ソナーおよびＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）である。認知部２４は、センサＢ１〜ＢＭによる計測結果に基づいて、自車両の周辺の状況を認識する。例えば、認知部２４は、センサＢ１〜ＢＭが計測可能な領域に存在する対象物を認識し、それらの対象物の情報を組合わせて時刻同期座標変換を行い、自車両の周辺の状況を確定する。この自車両の周辺の状況は、例えば、交差点停止時の状況、カーブ旋回時の状況、先行者の有無、後続車の有無および歩道上の人の有無である。交差点停止時の状況は、停止線迄の距離を含む。カーブ旋回時の状況は、カーブ半径を含む。認知部２４は、例えば、自車両の走行位置に対応する地図上の道路情報に基づいて、自車両がカーブを旋回するときのカーブ半径を求めることができる。

車両情報保持部５は、自車両の挙動に関する車両情報を保持する。この車両情報は、例えば、速度情報５１、加速度情報５２およびステアリング切れ角／速度情報５３である。

機械学習部４は、自車両の周辺の状況に応じた生体情報の変化の方向に基づいて、自車両の挙動に関する車両情報を変化させることで、自車両の周辺の状況に応じてドライバごとに適用される車両情報を学習する。このとき、機械学習部４は、生体情報の変化の方向に基づいて、車両情報の変化の方向を決定し、その決定した方向に車両情報を変化させることで、自車両の周辺の状況に応じてドライバごとに適用される車両情報を学習する。この学習済みの車両情報は、ドライバの嗜好性が反映された車両情報である。ドライバの嗜好性は、例えば、安全志向および俊敏志向を想定することができる。安全志向は、自車両の安全性を優先させる志向である。俊敏志向は、自車両の俊敏性を優先させる志向である。

機械学習部４は、外界情報に基づいて認知された自車両の周辺の状況ごとに車両情報とドライバ情報を対応付けたテーブルを保持する。このとき、機械学習部４は、ドライバ情報の変化に伴う車両情報の変化をテーブルに登録することができる。そして、機械学習部４は、ドライバ情報で特定されるドライバの不快感がなくなるまでドライバの不快感の変化に伴う車両情報の変化の登録を繰り返し、ドライバの不快感がなくなったときの自車両の挙動を示す車両情報をドライバの嗜好性に合致した車両情報として学習することができる。

例えば、機械学習部４は、自車両の走行中に交差点で先行車が停止または信号が赤のために自車両が停車する場合、自車両の周辺の状況が交差点停止時の状況であることを車両周辺認識・認知部２から通知される。そして、機械学習部４は、ブレーキが作動した際の先行車または信号迄の距離、自車両が停止するまでの加速度および加加速度およびドライバ状態を学習し、交差点で自車両が停車する場合のドライバの嗜好性に合致した自車両の挙動を習得する。

例えば、ドライバの緊張時には、心拍数の向上、呼吸の乱れ、体温の上昇または発汗等が発生する。このため、機械学習部４は、先行車が停止または信号が赤のために自車両が停車する場合、心拍数の向上、呼吸の乱れ、体温の上昇または発汗等が発生しない加速度をドライバの嗜好性に合致した加速度として学習する。

なお、急ブレーキなどでドライバがひやっとした場合だけではなく、自車両の速度が遅い時にドライバがイライラする場合にも、拍数の向上、呼吸の乱れ、体温の上昇または発汗等が発生する。このため、機械学習部４は、安全性の増大方向に車両情報を更新したときに、ドライバの不快感が増大した場合、俊敏性の増大方向に車両情報を更新する。一方、機械学習部４は、俊敏性の増大方向に車両情報を更新したときに、ドライバの不快感が増大した場合、安全性の増大方向に車両情報を更新する。そして、機械学習部４は、ドライバの不快感の増減に応じて車両情報の更新を繰り返し、ドライバの不快感が解消されたときの車両情報をドライバの嗜好性に合致した車両情報として学習することができる。

これにより、ドライバが安全志向の傾向がある場合だけでなく、ドライバが俊敏志向の傾向がある場合においても、機械学習部４は、ドライバの嗜好性に合致した車両情報を学習することができる。

なお、学習内容は、自車両の停止時のみならず、発進時の状態、右左折時の速度、横加速度（カーブのＲ）、障害物の回避方法（例えば、どれだけ手前から障害物を避けるか、あるいは障害物との距離との取り方）等、車両の制御に変化が及ぶ全ての情報が対象となり得る。

また、機械学習部４は、渋滞が発生しているか否かや、自車両の走行場所に応じて、それぞれ異なった走行が可能な学習値を学習することも可能である。例えば、機械学習部４は、渋滞発生時の発進では、加速を抑えるように学習したり、都会では地方に比べて早めに減速するように学習したりすることができる。なお、渋滞の発生状況は、車両周辺認識・認知部２から取得することができる。走行場所は、地図連携・自己位置推定により判断することができる。

また、自車両に複数名が乗車している場合、機械学習部４は、ドライバに最も大きな重み付けを行い、前席を後席の同乗者より重視し、それぞれの乗員の状態を反映した学習値を学習することも可能である。ドライバに最も大きな重み付けを行う方法は、自動運転のレベル３以下の場合に有効である。自動運転のレベル４移行ではドライバレスのため、ドライバに依存しない重み付けを用いることができる。

判断・制御部３は、行動計画部３１、軌道計画部３２および制御情報生成部３３を備える。行動計画部３１は、認知部２４で確定された自車両の周辺の状況に基づいて、追従および車線変更等の運転行動候補を決定する。軌道計画部３２は、道路の形状および車両の運動特性に基づいて軌道候補を生成し、リスクを加味した自車両の周辺の状況および機械学習部４に保持されている学習データに基づいて、軌道候補から走行軌道を生成する。制御情報生成部３３は、軌道計画部３２で生成された走行軌道に基づいて、ステアリング制御情報３０１、アクセル制御情報３０２およびブレーキ制御情報３０３を生成し、アクチュエータ６を制御する。

アクチュエータ６は、自車両の運動を司る。アクチュエータ５は、例えば、駆動装置、操舵装置および制動装置である。駆動装置は、例えば、エンジン、変速機、インバータまたは３相モータである。

図２および図３は、図１の走行制御システムの交差点停止時の車両情報の更新方法の一例を示す図である。なお、図２のテーブルＴＢ１は、安全志向のドライバの学習データの一例、図３のテーブルＴＢ２は、俊敏志向のドライバの学習データの一例を示す。
図２および図３において、各テーブルＴＢ１、ＴＢ２は、交差点停止時の基準値となるパラメータの組合せとして、車両情報である走行速度［ｋｍ／ｈ］および減速度［Ｇ］、周辺情報である停止線迄の距離［ｍ］、先行車の有無、後続車の有無および歩道上に人がいるか否かの情報を有している。図２および図３では、交差点停止時の基準値となる走行速度が２５、減速度が０．１５０、停止線迄の距離が１６である例を示した。なお、以下の説明では、簡単化のため、先行車なし、後続車なしおよび歩道上に人がいない場合を例にとる。

自車両の走行中に図１の車両周辺認識・認知部２は、その１の交差点の赤信号を認知すると、判断・制御部３は、その１の交差点で停止するための走行計画を生成する。このとき、判断・制御部３は、テーブルＴＢ１、ＴＢ２の基準値となるパラメータの組合せに基づいて、ハンドル切れ角、アクセル開度およびブレーキの制御値を決定し、アクチュエータ６を制御する。

また、ドライバセンシング部１は、心拍数の向上、体温の上昇、発汗および呼吸の乱れを確認する。機械学習部４は、その１の交差点での停車時にドライバセンシング部１で確認された心拍数の向上、体温の上昇、発汗および呼吸の乱れを各テーブルＴＢ１、ＴＢ２のその１に登録する。ここで、機械学習部４は、心拍数の向上、体温の上昇、発汗または呼吸の乱れがありの場合、ドライバが不快と感じたと判断し、まずは安全に制御するため、安全性の増大方向に各テーブルＴＢ１、ＴＢ２のオフセット値を更新する。交差点停止時では、安全性の増大方向に各テーブルＴＢ１、ＴＢ２のオフセット値を更新するために、減速度が減少する方向に各テーブルＴＢ１、ＴＢ２のオフセット値を変更する。

このとき、機械学習部４は、交差点停止時の安全性を増大させるために、減速度を減少させた値を各テーブルＴＢ１、ＴＢ２の車両情報のその２に登録する。例えば、機械学習部４は、各テーブルＴＢ１、ＴＢ２のその２の減速度を０．０８５に設定する。さらに、機械学習部４は、各テーブルＴＢ１、ＴＢ２のその２の走行速度および減速度に基づいて、停止線迄の距離を算出し、各テーブルＴＢ１、ＴＢ２の周辺情報のその２に登録する。例えば、機械学習部４は、自車両の走行速度が２５、減速度が０．０８５の場合、停止線迄の距離が２９であると計算し、各テーブルＴＢ１、ＴＢ２のその２の停止線迄の距離を２９に設定する。

図１の車両周辺認識・認知部２は、自車両の走行中にその２の交差点の赤信号を認知すると、判断・制御部３は、その２の交差点で停止するための走行計画を生成する。このとき、判断・制御部３は、テーブルＴＢ１、ＴＢ２のその２のパラメータの組合せに基づいて、ハンドル切れ角、アクセル開度およびブレーキの制御値を決定し、アクチュエータ６を制御する。

また、ドライバセンシング部１は、心拍数の向上、体温の上昇、発汗および呼吸の乱れを確認する。機械学習部４は、自車両のその２の交差点での停車時にドライバセンシング部１で確認された心拍数の向上、体温の上昇、発汗および呼吸の乱れを各テーブルＴＢ１、ＴＢ２のその２に登録する。

ここで、機械学習部４は、自車両のその２の交差点での停車時において、心拍数の向上、体温の上昇、発汗または呼吸の乱れがありの場合、各テーブルＴＢ１、ＴＢ２のその１のドライバ状態と、各テーブルＴＢ１、ＴＢ２のその２のドライバ状態とを比較する。そして、機械学習部４は、その１のドライバ状態よりもその２のドライバ状態の方が良好な場合、自車両の挙動の変化の方向が安全性の増大方向とするのが正しいと判断し、図２のテーブルＴＢ１に示すように、交差点停止時の安全性をさらに増大させる。このとき、機械学習部４は、減速度をさらに減少させた値をテーブルＴＢ１の車両情報のその３に登録する。例えば、機械学習部４は、テーブルＴＢ１のその３の減速度を０．０４０に設定する。さらに、機械学習部４は、テーブルＴＢ１のその３の走行速度および減速度に基づいて、停止線迄の距離を算出し、テーブルＴＢ１の周辺情報のその３に登録する。例えば、機械学習部４は、自車両の走行速度が２５、減速度が０．０４０の場合、停止線迄の距離が６２であると計算し、テーブルＴＢ１のその３の停止線迄の距離を６２に設定する。

図１の車両周辺認識・認知部２は、自車両の走行中にその３の交差点の赤信号を認知すると、判断・制御部３は、その３の交差点で停止するための走行計画を生成する。このとき、判断・制御部３は、テーブルＴＢ１のその３のパラメータの組合せに基づいて、ハンドル切れ角、アクセル開度およびブレーキの制御値を決定し、アクチュエータ６を制御する。

また、ドライバセンシング部１は、心拍数の向上、体温の上昇、発汗および呼吸の乱れを確認する。機械学習部４は、自車両のその３の交差点での停車時にドライバセンシング部１で確認された心拍数の向上、体温の上昇、発汗および呼吸の乱れをテーブルＴＢ１のその３に登録する。

ここで、機械学習部４は、自車両のその３の交差点での停車時において、心拍数の向上、体温の上昇、発汗または呼吸の乱れがなしの場合、その３の交差点停止時の自車両の挙動がドライバの嗜好性に合致したと判断する。そして、車両周辺認識・認知部２が、それ以降の交差点の赤信号を認知した場合、判断・制御部３は、当該ドライバに対しては、テーブルＴＢ１のその３のパラメータの組合せに基づいて、ハンドル切れ角、アクセル開度およびブレーキの制御値を決定し、アクチュエータ６を制御する。

一方、機械学習部４は、各テーブルＴＢ１、ＴＢ２のその１のドライバ状態と、各テーブルＴＢ１、ＴＢ２のその２のドライバ状態とを比較したときに、ドライバ状態が悪化した場合または変化しない場合、自車両の挙動の変化の方向が俊敏性の増大方向とするのが正しいと判断し、図３のテーブルＴＢ２に示すように、交差点停止時の俊敏性を増大させる。このとき、機械学習部４は、減速度をその１よりも増大させた値をテーブルＴＢ２の車両情報のその３に登録する。例えば、機械学習部４は、テーブルＴＢ２のその３の減速度を０．２００に設定する。さらに、機械学習部４は、テーブルＴＢ２のその３の走行速度および減速度に基づいて、停止線迄の距離を算出し、テーブルＴＢ２の周辺情報のその３に登録する。例えば、機械学習部４は、自車両の走行速度が２５、減速度が０．２００の場合、停止線迄の距離が１２であると計算し、テーブルＴＢ２のその３の停止線迄の距離を１２に設定する。

図１の車両周辺認識・認知部２は、自車両の走行中にその３の交差点の赤信号を認知すると、判断・制御部３は、その３の交差点で停止するための走行計画を生成する。このとき、判断・制御部３は、テーブルＴＢ２のその３のパラメータの組合せに基づいて、ハンドル切れ角、アクセル開度およびブレーキの制御値を決定し、アクチュエータ６を制御する。

また、ドライバセンシング部１は、心拍数の向上、体温の上昇、発汗および呼吸の乱れを確認する。機械学習部４は、自車両のその３の交差点での停車時にドライバセンシング部１で確認された心拍数の向上、体温の上昇、発汗および呼吸の乱れをテーブルＴＢ２のその３に登録する。

ここで、機械学習部４は、自車両のその３の交差点での停車時において、心拍数の向上、体温の上昇、発汗または呼吸の乱れがありの場合、テーブルＴＢ２のその２のドライバ状態と、テーブルＴＢ２のその３のドライバ状態とを比較する。そして、機械学習部４は、その２のドライバ状態よりもその３のドライバ状態の方が良好な場合、自車両の挙動の変化の方向が俊敏性の増大方向とするのが正しいと判断し、図３のテーブルＴＢ２に示すように、交差点停止時の俊敏性をさらに増大させる。このとき、機械学習部４は、減速度をさらに増大させた値をテーブルＴＢ２の車両情報のその４に登録する。例えば、機械学習部４は、テーブルＴＢ２のその４の減速度を０．３００に設定する。さらに、機械学習部４は、テーブルＴＢ２のその４の走行速度および減速度に基づいて、停止線迄の距離を算出し、テーブルＴＢ２の周辺情報のその４に登録する。例えば、機械学習部４は、自車両の走行速度が２５、減速度が０．２００の場合、停止線迄の距離が８であると計算し、テーブルＴＢ２のその４の停止線迄の距離を８に設定する。

図１の車両周辺認識・認知部２は、自車両の走行中にその４の交差点の赤信号を認知すると、判断・制御部３は、その４の交差点で停止するための走行計画を生成する。このとき、判断・制御部３は、テーブルＴＢ２のその４のパラメータの組合せに基づいて、ハンドル切れ角、アクセル開度およびブレーキの制御値を決定し、アクチュエータ６を制御する。

また、ドライバセンシング部１は、心拍数の向上、体温の上昇、発汗および呼吸の乱れを確認する。機械学習部４は、自車両のその４の交差点での停車時にドライバセンシング部１で確認された心拍数の向上、体温の上昇、発汗および呼吸の乱れをテーブルＴＢ２のその４に登録する。

ここで、機械学習部４は、自車両のその４の交差点での停車時において、心拍数の向上、体温の上昇、発汗または呼吸の乱れがなしの場合、その４の交差点停止時の自車両の挙動がドライバの嗜好性に合致したと判断する。そして、車両周辺認識・認知部２が、それ以降の交差点の赤信号を認知した場合、判断・制御部３は、当該ドライバに対しては、テーブルＴＢ２のその４のパラメータの組合せに基づいて、ハンドル切れ角、アクセル開度およびブレーキの制御値を決定し、アクチュエータ６を制御する。

これにより、走行制御によって不快に感じるかどうかの度合の個人差が大きい場合においても、機械学習部４は、乗車するドライバや乗員の不快感が起こらないように、交差点での停車時の自車両の挙動を学習することができ、乗車するドライバや乗員の快適性を向上させることができる。

なお、上述した実施形態では、速度を一定として減速度と減速開始距離を調整したが、交差点手前の減速度を一定のまま、交差点停止前の走行速度を可変として、減速開始位置を調整する更新方法でもよい。

また、本実施形態では、簡単化のために、詳細な説明は割愛したが、学習値には、周辺情報である先行車有無、後続車有無および歩道上に人がいるか否かの情報も加味してもよく、例えば、機械学習部４は、交差点での停止時において複数の減速度を周辺環境とともに学習するようにしてもよい。

また、自動走行の車両は、シェアサービス向けに運用されることも想定されている。このため、機械学習部４は、基準値に対する減速度のオフセット値を個人ごとに学習保存し、ハンドル切れ角、アクセル開度およびブレーキの制御値を個人ごとに生成できるようにしてもよい。この際、個人の特定には、指紋、声紋または虹彩などのドライバ情報に基づいて、個人と特定することができる。個人を特定するドライバ情報を手動で登録したり、切替えたりしてもよい。

また、基準値はひとつではなく、性別および年齢ごとに別々に基準値を保持し、個人の特定時に性別および年齢別の基準値を切替えることにより、学習期間を短縮して個人が快適と思う制御を実現可能としてもよい。

図４は、図１の走行制御システムの加速度をパラメータとしたときの速度と停止距離との関係を示す図である。
図１の機械学習部４は、減速度の基準値に対して、ドライバの嗜好性に適合した減速度が得られる速度と停止距離(ブレーキポイント)を学習する。その際、機械学習部４は、先行車または後続車の有無(または、先行車または後続車の台数および速度)、歩道上の人の有無(または、歩道上の人の人数)ごとに関連付けた学習を行う。機械学習部４は、図４の関係を保持し、減速度および速度が与えられたときに、図４の関係を参照することにより、停止距離［ｍ］を取得することができる。

あるいは、機械学習部４は、減速度および速度が与えられたときに、以下の式から停止距離［ｍ］を計算することができる。

停止距離［ｍ］＝（速度［ｍ／ｓ］）^２／（加速度［Ｇ］＊９．８＊２）

図５および図６は、図１の走行制御システムのカーブ旋回時の車両情報の更新方法の一例を示す図である。なお、図５のテーブルＴＢ３は、安全志向のドライバの学習データの一例、図６のテーブルＴＢ４は、俊敏志向のドライバの学習データの一例を示す。
図５および図６において、各テーブルＴＢ３、ＴＢ４は、カーブ旋回時の基準値となるパラメータの組合せとして、車両情報である走行速度［ｋｍ／ｈ］および横加速度［Ｇ］、周辺情報であるカーブ半径［ｍ］、先行車の有無、後続車の有無および歩道上に人がいるか否かの情報を有している。図５および図６では、カーブ旋回時の基準値となる走行速度が５０、横加速度が０．１９６である例を示した。なお、以下の説明では、簡単化のため、先行車なし、後続車なしおよび歩道上に人がいない場合を例にとる。

自車両の走行中に図１の車両周辺認識・認知部２は、その１のカーブを認知すると、判断・制御部３は、その１のカーブを旋回するための走行計画を生成する。このとき、判断・制御部３は、テーブルＴＢ３、ＴＢ４の基準値となるパラメータの組合せに基づいて、ハンドル切れ角、アクセル開度およびブレーキの制御値を決定し、アクチュエータ６を制御する。

また、ドライバセンシング部１は、心拍数の向上、体温の上昇、発汗および呼吸の乱れを確認する。機械学習部４は、その１のカーブ旋回時にドライバセンシング部１で確認された心拍数の向上、体温の上昇、発汗および呼吸の乱れを各テーブルＴＢ３、ＴＢ４のその１に登録する。ここで、機械学習部４は、心拍数の向上、体温の上昇、発汗または呼吸の乱れがありの場合、ドライバが不快と感じたと判断し、まずは安全に制御するため、安全性の増大方向に各テーブルＴＢ３、ＴＢ４のオフセット値を更新する。カーブ旋回時では、安全性の増大方向に各テーブルＴＢ３、ＴＢ４のオフセット値を更新するために、横加速度が減少する方向に各テーブルＴＢ３、ＴＢ４のオフセット値を変更する。

このとき、機械学習部４は、カーブ旋回時の安全性を増大させるために、横加速度を減少させた値を各テーブルＴＢ３、ＴＢ４の車両情報のその２に登録する。例えば、機械学習部４は、各テーブルＴＢ３、ＴＢ４のその２の横加速度を０．１２５に設定する。

図１の車両周辺認識・認知部２は、自車両の走行中にその２のカーブを認知すると、その２のカーブのカーブ半径も認知する。

このとき、機械学習部４は、各テーブルＴＢ３、ＴＢ４のその２の横加速度およびカーブ半径に基づいて、走行速度を算出し、各テーブルＴＢ３、ＴＢ４の車両情報のその２に登録する。例えば、機械学習部４は、自車両の横加速度が０．１２５、カーブ半径が１００の場合、走行速度が４０であると計算し、各テーブルＴＢ３、ＴＢ４のその２の走行速度を４０に設定する。

そして、判断・制御部３は、その２のカーブを旋回するための走行計画を生成する。このとき、判断・制御部３は、テーブルＴＢ３、ＴＢ４のその２のパラメータの組合せに基づいて、ハンドル切れ角、アクセル開度およびブレーキの制御値を決定し、アクチュエータ６を制御する。

また、ドライバセンシング部１は、心拍数の向上、体温の上昇、発汗および呼吸の乱れを確認する。機械学習部４は、自車両のその２のカーブ旋回時にドライバセンシング部１で確認された心拍数の向上、体温の上昇、発汗および呼吸の乱れを各テーブルＴＢ３、ＴＢ４のその２に登録する。

ここで、機械学習部４は、自車両のその２のカーブ旋回時において、心拍数の向上、体温の上昇、発汗または呼吸の乱れがありの場合、各テーブルＴＢ３、ＴＢ４のその１のドライバ状態と、各テーブルＴＢ３、ＴＢ４のその２のドライバ状態とを比較する。そして、機械学習部４は、その１のドライバ状態よりもその２のドライバ状態の方が良好な場合、自車両の挙動の変化の方向が安全性の増大方向とするのが正しいと判断し、図５のテーブルＴＢ３に示すように、カーブ旋回時の安全性をさらに増大させる。このとき、機械学習部４は、横加速度をさらに減少させた値をテーブルＴＢ３の車両情報のその３に登録する。例えば、機械学習部４は、テーブルＴＢ３のその３の横加速度を０．０７０に設定する。

図１の車両周辺認識・認知部２は、自車両の走行中にその３のカーブを認知すると、その３のカーブのカーブ半径も認知する。

このとき、機械学習部４は、テーブルＴＢ３のその３の横加速度およびカーブ半径に基づいて、走行速度を算出し、テーブルＴＢ３の車両情報のその３に登録する。例えば、機械学習部４は、自車両の横加速度が０．０７０、カーブ半径が１００の場合、走行速度が３０であると計算し、テーブルＴＢ３のその３の走行速度を３０に設定する。

そして、判断・制御部３は、その３のカーブを旋回するための走行計画を生成する。このとき、判断・制御部３は、テーブルＴＢ３のその３のパラメータの組合せに基づいて、ハンドル切れ角、アクセル開度およびブレーキの制御値を決定し、アクチュエータ６を制御する。

また、ドライバセンシング部１は、心拍数の向上、体温の上昇、発汗および呼吸の乱れを確認する。機械学習部４は、自車両のその３のカーブ旋回時にドライバセンシング部１で確認された心拍数の向上、体温の上昇、発汗および呼吸の乱れをテーブルＴＢ３のその３に登録する。

ここで、機械学習部４は、自車両のその３のカーブ旋回時において、心拍数の向上、体温の上昇、発汗または呼吸の乱れがなしの場合、その３のカーブ旋回時の自車両の挙動がドライバの嗜好性に合致したと判断する。そして、車両周辺認識・認知部２が、それ以降のカーブを認知した場合、判断・制御部３は、当該ドライバに対しては、テーブルＴＢ３のその３の横加速度およびそれ以降のカーブのカーブ半径に基づいて、ハンドル切れ角、アクセル開度およびブレーキの制御値を決定し、アクチュエータ６を制御する。

一方、機械学習部４は、各テーブルＴＢ３、ＴＢ４のその１のドライバ状態と、各テーブルＴＢ３、ＴＢ４のその２のドライバ状態とを比較したときに、ドライバ状態が悪化した場合または変化しない場合、自車両の挙動の変化の方向が俊敏性の増大方向とするのが正しいと判断し、俊敏性の増大方向に図６のテーブルＴＢ４のオフセット値を更新する。カーブ旋回時では、俊敏性の増大方向にテーブルＴＢ４のオフセット値を更新するために、横加速度が増加する方向に各テーブルＴＢ４のオフセット値を変更する。

このとき、機械学習部４は、横加速度をその１よりも増大させた値をテーブルＴＢ４の車両情報のその３に登録する。例えば、機械学習部４は、テーブルＴＢ４のその３の横加速度を０．２３８に設定する。

図１の車両周辺認識・認知部２は、自車両の走行中にその３のカーブを認知すると、その３のカーブのカーブ半径も認知する。

このとき、機械学習部４は、テーブルＴＢ４のその３の横加速度およびカーブ半径に基づいて、走行速度を算出し、テーブルＴＢ４の車両情報のその３に登録する。例えば、機械学習部４は、自車両の横加速度が０．２３８、カーブ半径が１００の場合、走行速度が５５であると計算し、テーブルＴＢ４のその３の走行速度を５５に設定する。

そして、判断・制御部３は、その３のカーブを旋回するための走行計画を生成する。このとき、判断・制御部３は、テーブルＴＢ４のその３のパラメータの組合せに基づいて、ハンドル切れ角、アクセル開度およびブレーキの制御値を決定し、アクチュエータ６を制御する。

また、ドライバセンシング部１は、心拍数の向上、体温の上昇、発汗および呼吸の乱れを確認する。機械学習部４は、自車両のその３のカーブ旋回時にドライバセンシング部１で確認された心拍数の向上、体温の上昇、発汗および呼吸の乱れをテーブルＴＢ４のその３に登録する。

ここで、機械学習部４は、自車両のその３のカーブ旋回時において、心拍数の向上、体温の上昇、発汗または呼吸の乱れがありの場合、テーブルＴＢ４のその２のドライバ状態と、テーブルＴＢ４のその３のドライバ状態とを比較する。そして、機械学習部４は、その２のドライバ状態よりもその３のドライバ状態の方が良好な場合、自車両の挙動の変化の方向が俊敏性の増大方向とするのが正しいと判断し、図６のテーブルＴＢ４に示すように、カーブ旋回時の俊敏性をさらに増大させる。このとき、機械学習部４は、横加速度をさらに減少させた値をテーブルＴＢ４の車両情報のその４に登録する。例えば、機械学習部４は、テーブルＴＢ４のその４の横加速度を０．２８３に設定する。

図１の車両周辺認識・認知部２は、自車両の走行中にその４のカーブを認知すると、その４のカーブのカーブ半径も認知する。

このとき、機械学習部４は、テーブルＴＢ４のその４の横加速度およびカーブ半径に基づいて、走行速度を算出し、テーブルＴＢ４の車両情報のその４に登録する。例えば、機械学習部４は、自車両の横加速度が０．２８３、カーブ半径が１００の場合、走行速度が６０であると計算し、テーブルＴＢ４のその４の走行速度を６０に設定する。

そして、判断・制御部３は、その４のカーブを旋回するための走行計画を生成する。このとき、判断・制御部３は、テーブルＴＢ４のその４のパラメータの組合せに基づいて、ハンドル切れ角、アクセル開度およびブレーキの制御値を決定し、アクチュエータ６を制御する。

また、ドライバセンシング部１は、心拍数の向上、体温の上昇、発汗および呼吸の乱れを確認する。機械学習部４は、自車両のその４のカーブ旋回時にドライバセンシング部１で確認された心拍数の向上、体温の上昇、発汗および呼吸の乱れをテーブルＴＢ４のその４に登録する。

ここで、機械学習部４は、自車両のその４のカーブ旋回時において、心拍数の向上、体温の上昇、発汗または呼吸の乱れがなしの場合、その４のカーブ旋回時の自車両の挙動がドライバの嗜好性に合致したと判断する。そして、車両周辺認識・認知部２が、それ以降のカーブを認知した場合、判断・制御部３は、当該ドライバに対しては、テーブルＴＢ４のその４の横加速度およびそれ以降のカーブのカーブ半径に基づいて、ハンドル切れ角、アクセル開度およびブレーキの制御値を決定し、アクチュエータ６を制御する。

これにより、走行制御によって不快に感じるかどうかの度合の個人差が大きい場合においても、機械学習部４は、乗車するドライバや乗員の不快感が起こらないように、カーブ旋回時の自車両の挙動を学習することができ、乗車するドライバや乗員の快適性を向上させることができる。

また、本実施形態では、簡単化のために、詳細な説明は割愛したが、学習値には、周辺情報である先行車有無、後続車有無および歩道上に人がいるか否かの情報も加味してもよく、例えば、機械学習部４は、カーブ旋回時において複数の横加速度を周辺環境とともに学習するようにしてもよい。

また、自動走行の車両は、シェアサービス向けに運用されることも想定されている。このため、機械学習部４は、基準値に対する横加速度のオフセット値を個人ごとに学習保存し、ハンドル切れ角、アクセル開度およびブレーキの制御値を個人ごとに生成できるようにしてもよい。この際、個人の特定には、指紋、声紋または虹彩などのドライバ情報に基づいて、個人と特定することができる。個人を特定するドライバ情報を手動で登録したり、切替えたりしてもよい。

また、基準値はひとつではなく、性別および年齢ごとに別々に基準値を保持し、個人の特定時に性別および年齢別の基準値を切替えることにより、学習期間を短縮して個人が快適と思う制御を実現可能としてもよい。

図７は、図１の走行制御システムの横加速度をパラメータとしたときの速度とカーブ半径との関係を示す図である。
図１の機械学習部４は、横加速度の基準値に対して、ドライバの嗜好性に適合した横加速度が得られる速度とカーブ半径を学習する。機械学習部４は、先行車または後続車の有無(または、先行車または後続車の台数および速度)、歩道上の人の有無(または、歩道上の人の人数)ごとに関連付けた学習を行う。機械学習部４は、図７の関係を保持し、横加速度およびカーブ半径が与えられたときに、図７の関係を参照することにより、速度［ｋｍ／ｈ］を取得することができる。

あるいは、機械学習部４は、横加速度およびカーブ半径が与えられたときに、以下の式から速度［ｍ／ｓ］を計算することができる。

Ｒ［ｍ］＝（速度［ｍ／ｓ］）２／（加速度［Ｇ］＊９．８＊２）

図８は、図１の走行制御システムの車両情報の更新方法をフローチャートである。
図８において、図１の機械学習部４は、まずは安全に制御するため、車両情報の変化の方向を安全性の増大方向に設定する（Ｓ０）。

次に、車両周辺認識・認知部２は、所定の自車両の周辺の状況を認識したがどうかを判断し（Ｓ１）、所定の自車両の周辺の状況を認識すると、判断・制御部３は、その自車両の周辺の状況に応じた今回の車両情報に基づいて走行制御する（Ｓ２）。なお、所定の自車両の周辺の状況は、例えば、交差点停止時の状況、カーブ旋回時の状況、発進時の状態、右左折時の速度および障害物の回避方法などである。

次に、ドライバセンシング部１は、ドライバの不快感がないかどうかを判断し（Ｓ３）、ドライバの不快感がない場合、機械学習部４は、今回の車両情報をそのドライバの嗜好に合った車両情報として学習する（Ｓ４）。

一方、ドライバの不快感がある場合、機械学習部４は、ドライバの不快感が減少したかどうかを判断し（Ｓ５）、ドライバの不快感が減少した場合、車両情報の変化の方向を維持し（Ｓ６）、その車両情報の変化の方向に従って車両情報を更新し（Ｓ７）、Ｓ１に戻る。

一方、ドライバの不快感が変化しない場合またはドライバの不快感が増加した場合、機械学習部４は、車両情報の変化の方向を逆転し、（Ｓ８）、Ｓ７に進む。例えば、車両情報の変化の方向が安全性の増大方向に設定されている場合、車両情報の変化の方向を俊敏性の増大方向に変更する。

図９は、図１の走行制御システムのハードウェア構成を示すブロック図である。
図９において、走行制御システム１００は、プロセッサ１０１、通信制御デバイス１０２、通信インターフェース１０３、主記憶デバイス１０４および外部記憶デバイス１０５を備える。プロセッサ１０１、通信制御デバイス１０２、通信インターフェース１０３、主記憶デバイス１０４および外部記憶デバイス１０５は、内部バス１０６を介して相互に接続されている。主記憶デバイス１０４および外部記憶デバイス１０５は、プロセッサ１０１からアクセス可能である。

走行制御システム１００の外部には、センサ１２０およびアクチュエータ１３０が設けられている。センサ１２０およびアクチュエータ１３０は、入出力インターフェース１０７を介して内部バス１０６に接続されている。

プロセッサ１０１は、走行制御システム１００全体の動作制御を司るハードウェアである。プロセッサ１０１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）であってもよいし、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）であってもよい。プロセッサ１０１は、シングルコアロセッサであってもよいし、マルチコアロセッサであってもよい。プロセッサ１０１は、処理の一部または全部を行うハードウェア回路（例えば、ＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）またはＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ））を備えていてもよい。プロセッサ１０１は、ニューラルネットワークを備えていてもよい。

主記憶デバイス１０４は、例えば、ＳＲＡＭまたはＤＲＡＭなどの半導体メモリから構成することができる。主記憶デバイス１０４には、プロセッサ１０１が実行中のプログラムを格納したり、プロセッサ１０１がプログラムを実行するためのワークエリアを設けたりすることができる。

外部記憶デバイス１０５は、大容量の記憶容量を有する記憶デバイスであり、例えば、ハードディスク装置またはＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）である。外部記憶デバイス１０５は、各種プログラムの実行ファイルを保持することができる。外部記憶デバイス１０５には、走行制御プログラム１０５Ａを格納することができる。走行制御プログラム１０５Ａは、走行制御システム１００にインストール可能なソフトウェアであってもよいし、走行制御システム１００にファームウェアとして組み込まれていてもよい。

通信制御デバイス１０２は、外部との通信を制御する機能を有するハードウェアである。通信制御デバイス１０２は、通信インターフェース１０３を介してネットワーク１０９に接続される。ネットワーク１０９は、例えば、ＣＡＮ（Ｃｏｎｔｒｏｌ Ａｒｅａ Ｎｅｔｗａｏｒｋ）やＦｌｅｘＲａｙ、ＬＩＮ（Ｌｏｃａｌ Ｉｎｔｅｒｃｏｎｎｅｃｔ Ｎｅｔｗｏｒｋ）、Ｅｔｈｅｒｎｅｔ（登録商標）等の車載ネットワークである。

入出力インターフェース１０７は、センサ１２０から入力されるデータをプロセッサ１０７が処理可能なデータ形式に変換したり、プロセッサ１０１から出力されるデータをアクチュエータ１３０が処理可能なデータ形式に変換したりする。

プロセッサ１０１が走行制御プログラム１０５Ａを主記憶デバイス１０４に読み出し、走行制御プログラム１０５Ａを実行することにより、図１のドライバ状態判断部１４、認知部２４、判断・制御部３および機械学習部４の各機能を実現することができる。なお、走行制御プログラム１０５Ａの実行は、複数のプロセッサやコンピュータに分担させてもよい。

１…ドライバセンシング部、Ａ１〜ＡＮ、Ｂ１〜ＢＭ、Ｃ１〜ＣＫ…センサ、１４…ドライバ状態判断部、２…車両周辺認識・認知部、２４…認知部、３…判断・制御部、３１…行動計画部、３２…軌道計画部、３３…制御情報生成部、３０１…ステアリング制御情報、３０２…アクセル制御情報、３０３…ブレーキ制御情報、４…機械学習部、５…車両情報保持部、５１…速度情報、５２…加速度情報、５３…ステアリング切れ角/速度情報、６…アクチュエータ

Claims (11)

1. 自車両に乗車中の個人の生体情報を取得する生体情報取得部と、
   前記自車両の周辺の外界情報に基づいて前記自車両の周辺の状況を認識する車両周辺認識部と、
   前記自車両の周辺の状況に応じた前記生体情報の変化の方向に基づいて、前記自車両の挙動に関する車両情報を変化させることで、前記自車両の周辺の状況に応じて前記個人に適用される車両情報を学習する学習部とを備える走行制御システム。
2. 前記学習部は、前記生体情報の変化の方向に基づいて、前記車両情報の変化の方向を決定し、前記決定した変化の方向に前記車両情報を変化させることで、前記自車両の周辺の状況に応じて前記個人に適用される車両情報を学習する請求項１に記載の走行制御システム。
3. 前記生体情報に基づいて、前記自車両の走行時の前記個人の不快感を判断する状態判断部を備え、
   前記学習部は、前記車両情報を変化させたときに、前記不快感が変化しない場合または前記不快感が増加した場合、前記車両情報の変化の方向を逆転させ、前記不快感がなくなったときの車両情報を前記個人ごとに学習する請求項２に記載の走行制御システム。
4. 前記学習部は、
   自車両の安全性の増大方向に前記車両情報を更新したときに、前記不快感が増大した場合、前記自車両の俊敏性の増大方向に前記車両情報を更新し、
   前記俊敏性の増大方向に前記車両情報を更新したときに、前記不快感が増大した場合、前記安全性の増大方向に前記車両情報を更新する請求項３に記載の走行制御システム。
5. 前記学習部は、
   前記安全性の増大方向に前記車両情報を更新したときに、前記不快感が減少した場合、前記不快感がなくなるまで前記安全性の増大方向に前記車両情報の更新を繰り返し、
   前記俊敏性の増大方向に前記車両情報を更新したときに、前記不快感が減少した場合、前記不快感がなくなるまで前記俊敏性の増大方向に前記車両情報の更新を繰り返す請求項４に記載の走行制御システム。
6. 前記自車両の周辺の状況は、交差点停止時の状況またはカーブ旋回時の状況である請求項５に記載の走行制御システム。
7. 前記交差点停止時では、前記安全性の増大方向は、前記自車両の減速度の減少方向であり、
   前記カーブ旋回時では、前記安全性の増大方向は、前記自車両の横加速度の減少方向である請求項６に記載の走行制御システム。
8. 前記学習部は、
   前記自車両の周辺の状況ごとに前記車両情報と前記生体情報を対応付けたテーブルを保持し、
   前記生体情報の変化に対する前記車両情報の変化を前記テーブルに登録する請求項１に記載の走行制御システム。
9. 前記学習部は、前記自車両の周辺の状況に応じた前記生体情報が、前記個人の平静時の生体情報に一致したときの車両情報を学習する請求項８に記載の走行制御システム。
10. 前記学習部は、前記自車両の周辺の状況に応じて前記個人ごとに別々のテーブルを保持する請求項８に記載の走行制御システム。
11. 前記自車両の挙動をまずは安全に制御するため、安全性の増大方向から前記テーブルのオフセット値を変更する請求項８に記載の走行制御システム。
    
    

Images