JP2020135110A - エージェント装置、エージェント装置の制御方法、およびプログラム - Google Patents

Abstract

【課題】より自然な使用感でエージェント機能を提供することができるエージェント装置、エージェント装置の制御方法およびプログラムを提供する。【解決手段】エージェント装置１００は、複数のエージェント機能部１５０−１〜３と、複数のスピーカを含むスピーカユニット３０と、音声制御部１１８を備える。複数のエージェント機能部のそれぞれは、車両の乗員の発話に応じて、音声による応答を含むサービスを提供する。音声制御部は、複数のエージェント機能部のそれぞれに対し、音声の音像を定位させる位置を設定し、設定した位置に音像を定位させるように複数のスピーカの出力をそれぞれ制御する。【選択図】図２

Description

本発明は、エージェント装置、エージェント装置の制御方法、およびプログラムに関する。

従来、車両の乗員と対話を行いながら、乗員の要求に応じた運転支援に関する情報や車両の制御、その他のアプリケーション等を提供するエージェント機能に関する技術が開示されている（例えば、特許文献１参照）。

特開２００６−３３５２３１号公報

近年では、複数のエージェント機能を車両に搭載することについて実用化が進められているが、その場合の音声の出力態様について十分に検討されていなかった。このため、従来の技術では、自然な使用感を乗員に提供することができない場合があった。

本発明は、このような事情を考慮してなされたものであり、より自然な使用感でエージェント機能を提供することができるエージェント装置、エージェント装置の制御方法、およびプログラムを提供することを目的の一つとする。

この発明に係るエージェント装置、エージェント装置の制御方法、およびプログラムは、以下の構成を採用した。
（１）：この発明の一態様に係るエージェント装置は、車両の乗員の発話に応じて、音声による応答を含むサービスを提供する複数のエージェント機能部と、前記複数のエージェント機能部のそれぞれに対し、前記音声の音像を定位させる位置を設定し、前記設定した位置に音像を定位させるように複数のスピーカの出力をそれぞれ制御する音声制御部と、を備えるものである。

（２）：上記（１）の態様において、前記音声制御部は、前記複数のエージェント機能部のうち使用頻度の高いエージェント機能部による音声の音像を、前記車両の座席のうち最も近い座席が助手席である位置に定位させるものである。

（３）：上記（１）の態様において、前記複数のエージェント機能部は、車両機器を制御する権限が付与された車両エージェント機能部を含み、前記音声制御部は、前記車両エージェント機能部による音声の音像を、前記車両の座席のうち最も近い座席が助手席である位置に定位させるものである。

（４）：上記（１）または（２）の態様において、前記複数のエージェント機能部は、車両機器を制御する権限が付与された車両エージェント機能部を含み、前記音声制御部は、前記車両エージェント機能部による音声の音像を、前記車両の座席のうち最も近い座席が運転席である位置に定位させるものである。

（５）：上記（１）〜（４）の態様において、前記音声制御部は、前記複数のエージェント機能部のうち使用頻度の低いエージェント機能部による音声の音像を、前記車両の座席のうち最も近い座席が後部座席である位置に定位させるものである。

（６）：上記（１）〜（５）の態様において、前記音声制御部は、乗員の着座位置を認識する着座位置認識部の認識結果に基づいて、前記複数のエージェント機能部のそれぞれに対し、前記音声の音像を定位させる位置を設定するものである。

（７）：上記（６）の態様において、前記音声制御部は、前記着座位置認識部が、乗員が各座席に着座していることを認識した場合、前記複数のエージェント機能部のそれぞれによる前記音声の音像を定位させる位置を、車室の天井付近に設定するものである。

（８）：上記（１）〜（７）の態様において、少なくとも運転者の顔向きを検知する顔向き検知部の検知結果を参照し、前記運転者が顔を向けている位置に音像が定位されているエージェント機能部を起動させる起動エージェント選択部を更に備えるものである。

（９）：本発明の他の態様に係るエージェント装置の制御方法は、コンピュータが、複数のエージェント機能部のうちいずれかを起動させ、前記起動したエージェント機能部の機能として、車両の乗員の発話に応じて、音声による応答を含むサービスを提供し、前記複数のエージェント機能部のそれぞれに対し、前記音声の音像を定位させる位置を設定し、前記設定した位置に音像を定位させるように複数のスピーカの出力をそれぞれ制御するものである。

（１０）：本発明の他の態様に係るプログラムは、コンピュータに、複数のエージェント機能部のうちいずれかを起動させる処理と、前記起動したエージェント機能部の機能として、車両の乗員の発話に応じて、音声による応答を含むサービスを提供する処理と、前記複数のエージェント機能部のそれぞれに対し、前記音声の音像を定位させる位置を設定し、前記設定した位置に音像を定位させるように複数のスピーカの出力をそれぞれ制御する処理と、を実行させるものである。

（１）〜（１０）の態様によれば、より自然な使用感でエージェント機能を提供することができる。

エージェント装置１００を含むエージェントシステム１の構成図である。 第１実施形態に係るエージェント装置１００の構成と、車両Ｍに搭載された機器とを示す図である。 表示・操作装置２０の配置例を示す図である。 スピーカユニット３０の配置例を示す図である。 音像が定位する位置が定まる原理について説明するための図である。 エージェントサーバ２００の構成と、エージェント装置１００の構成の一部とを示す図である。 音像定位位置の第１例を示す図である。 音像定位位置の第２例を示す図である。 音像定位位置の第３例を示す図である。 音像定位位置の第４例を示す図である。 音像定位位置の第５例を示す図である。 音像定位位置の第６例を示す図である。 第２実施形態に係るエージェント装置１００Ａの構成と、車両Ｍに搭載された機器とを示す図である。 起動エージェント選択部１２０の動作について説明するための図である。

以下、図面を参照し、本発明のエージェント装置、エージェント装置の制御方法、およびプログラムの実施形態について説明する。エージェント装置は、エージェントシステムの一部または全部を実現する装置である。以下では、エージェント装置の一例として、車両（以下、車両Ｍ）に搭載され、複数種類のエージェント機能を備えたエージェント装置について説明する。エージェント機能とは、例えば、車両Ｍの乗員と対話をしながら、乗員の発話の中に含まれる要求（コマンド）に基づく各種の情報提供を行ったり、ネットワークサービスを仲介したりする機能である。複数種類のエージェントはそれぞれに果たす機能、処理手順、制御、出力態様・内容がそれぞれ異なってもよい。また、エージェント機能の中には、車両内の機器（例えば運転制御や車体制御に関わる機器）の制御等を行う機能を有するものがあってよい。

エージェント機能は、例えば、乗員の音声を認識する音声認識機能（音声をテキスト化する機能）に加え、自然言語処理機能（テキストの構造や意味を理解する機能）、対話管理機能、ネットワークを介して他装置を検索し、或いは自装置が保有する所定のデータベースを検索するネットワーク検索機能等を統合的に利用して実現される。これらの機能の一部または全部は、ＡＩ（Artificial Intelligence）技術によって実現されてよい。また、これらの機能を行うための構成の一部（特に、音声認識機能や自然言語処理解釈機能）は、車両Ｍの車載通信装置または車両Ｍに持ち込まれた汎用通信装置と通信可能なエージェントサーバ（外部装置）に搭載されてもよい。以下の説明では、構成の一部がエージェントサーバに搭載されており、エージェント装置とエージェントサーバが協働してエージェントシステムを実現することを前提とする。また、エージェント装置とエージェントサーバが協働して仮想的に出現させるサービス提供主体（サービス・エンティティ）をエージェントと称する。

＜全体構成＞
図１は、エージェント装置１００を含むエージェントシステム１の構成図である。エージェントシステム１は、例えば、エージェント装置１００と、複数のエージェントサーバ２００−１、２００−２、２００−３、…とを備える。符号の末尾のハイフン以下数字は、エージェントを区別するための識別子であるものとする。いずれのエージェントサーバであるかを区別しない場合、単にエージェントサーバ２００と称する場合がある。図１では３つのエージェントサーバ２００を示しているが、エージェントサーバ２００の数は２つであってもよいし、４つ以上であってもよい。それぞれのエージェントサーバ２００は、互いに異なるエージェントシステムの提供者が運営するものである。従って、本発明におけるエージェントは、互いに異なる提供者により実現されるエージェントである。提供者としては、例えば、自動車メーカー、ネットワークサービス事業者、電子商取引事業者、携帯端末の販売者や製造者などが挙げられ、任意の主体（法人、団体、個人等）がエージェントシステムの提供者となり得る。

エージェント装置１００は、ネットワークＮＷを介してエージェントサーバ２００と通信する。ネットワークＮＷは、例えば、インターネット、セルラー網、Ｗｉ−Ｆｉ網、ＷＡＮ（Wide Area Network）、ＬＡＮ（Local Area Network）、公衆回線、電話回線、無線基地局などのうち一部または全部を含む。ネットワークＮＷには、各種ウェブサーバ３００が接続されており、エージェントサーバ２００またはエージェント装置１００は、ネットワークＮＷを介して各種ウェブサーバ３００からウェブページを取得することができる。

エージェント装置１００は、車両Ｍの乗員と対話を行い、乗員からの音声をエージェントサーバ２００に送信し、エージェントサーバ２００から得られた回答を、音声出力や画像表示の形で乗員に提示する。

＜第１実施形態＞
［車両］
図２は、第１実施形態に係るエージェント装置１００の構成と、車両Ｍに搭載された機器とを示す図である。車両Ｍには、例えば、一以上のマイク１０と、表示・操作装置２０と、スピーカユニット３０と、ナビゲーション装置４０と、車両機器５０と、車載通信装置６０と、乗員認識装置８０と、エージェント装置１００とが搭載される。また、スマートフォンなどの汎用通信装置７０が車室内に持ち込まれ、通信装置として使用される場合がある。これらの装置は、ＣＡＮ（Controller Area Network）通信線等の多重通信線やシリアル通信線、無線通信網等によって互いに接続される。なお、図２に示す構成はあくまで一例であり、構成の一部が省略されてもよいし、更に別の構成が追加されてもよい。

マイク１０は、車室内で発せられた音声を収集する収音部である。表示・操作装置２０は、画像を表示すると共に、入力操作を受付可能な装置（或いは装置群）である。表示・操作装置２０は、例えば、タッチパネルとして構成されたディスプレイ装置を含む。表示・操作装置２０は、更に、ＨＵＤ（Head Up Display）や機械式の入力装置を含んでもよい。スピーカユニット３０は、例えば、車室内の互いに異なる位置に配設された複数のスピーカ（音出力部）を含む。表示・操作装置２０は、エージェント装置１００とナビゲーション装置４０とで共用されてもよい。これらの詳細については後述する。

ナビゲーション装置４０は、ナビＨＭＩ（Human machine Interface）と、ＧＰＳ（Global Positioning System）などの位置測位装置と、地図情報を記憶した記憶装置と、経路探索などを行う制御装置（ナビゲーションコントローラ）とを備える。マイク１０、表示・操作装置２０、およびスピーカユニット３０のうち一部または全部がナビＨＭＩとして用いられてもよい。ナビゲーション装置４０は、位置測位装置によって特定された車両Ｍの位置から、乗員によって入力された目的地まで移動するための経路（ナビ経路）を探索し、経路に沿って車両Ｍが走行できるように、ナビＨＭＩを用いて案内情報を出力する。経路探索機能は、ネットワークＮＷを介してアクセス可能なナビゲーションサーバにあってもよい。この場合、ナビゲーション装置４０は、ナビゲーションサーバから経路を取得して案内情報を出力する。なお、エージェント装置１００は、ナビゲーションコントローラを基盤として構築されてもよく、その場合、ナビゲーションコントローラとエージェント装置１００は、ハードウェア上は一体に構成される。

車両機器５０は、例えば、エンジンや走行用モータなどの駆動力出力装置、エンジンの始動モータ、ドアロック装置、ドア開閉装置、窓、窓の開閉装置及び窓の開閉制御装置、シート、シート位置の制御装置、ルームミラー及びその角度位置制御装置、車両内外の照明装置及びその制御装置、ワイパーやデフォッガー及びそれぞれの制御装置、方向指示灯及びその制御装置、空調装置、走行距離やタイヤの空気圧の情報や燃料の残量情報などの車両情報装置などを含む。

車載通信装置６０は、例えば、セルラー網やＷｉ−Ｆｉ網を利用してネットワークＮＷにアクセス可能な無線通信装置である。

乗員認識装置８０は、例えば、着座センサ、車室内カメラ、画像認識装置などを含む。着座センサは座席の下部に設けられた圧力センサ、シートベルトに取り付けられた張力センサなどを含む。車室内カメラは、車室内に設けられたＣＣＤ（Charge Coupled Device）カメラやＣＭＯＳ（Complementary Metal Oxide Semiconductor）カメラである。画像認識装置は、車室内カメラの画像を解析し、座席ごとの乗員の有無、顔向きなどを認識する。本実施形態において、乗員認識装置８０は、着座位置認識部の一例である。

図３は、表示・操作装置２０の配置例を示す図である。表示・操作装置２０は、例えば、第１ディスプレイ２２と、第２ディスプレイ２４と、操作スイッチＡＳＳＹ２６とを含む。表示・操作装置２０は、更に、ＨＵＤ２８を含んでもよい。

車両Ｍには、例えば、ステアリングホイールＳＷが設けられた運転席ＤＳと、運転席ＤＳに対して車幅方向（図中Ｙ方向）に設けられた助手席ＡＳとが存在する。第１ディスプレイ２２は、インストルメントパネルにおける運転席ＤＳと助手席ＡＳとの中間辺りから、助手席ＡＳの左端部に対向する位置まで延在する横長形状のディスプレイ装置である。第２ディスプレイ２４は、運転席ＤＳと助手席ＡＳとの車幅方向に関する中間あたり、且つ第１ディスプレイの下方に設置されている。例えば、第１ディスプレイ２２と第２ディスプレイ２４は、共にタッチパネルとして構成され、表示部としてＬＣＤ（Liquid Crystal Display）や有機ＥＬ（Electroluminescence）、プラズマディスプレイなどを備えるものである。操作スイッチＡＳＳＹ２６は、ダイヤルスイッチやボタン式スイッチなどが集積されたものである。表示・操作装置２０は、乗員によってなされた操作の内容をエージェント装置１００に出力する。第１ディスプレイ２２または第２ディスプレイ２４が表示する内容は、エージェント装置１００によって決定されてよい。

図４は、スピーカユニット３０の配置例を示す図である。スピーカユニット３０は、例えば、スピーカ３０Ａ〜３０Ｈを含む。スピーカ３０Ａは、運転席ＤＳ側の窓柱（いわゆるＡピラー）に設置されている。スピーカ３０Ｂは、運転席ＤＳに近いドアの下部に設置されている。スピーカ３０Ｃは、助手席ＡＳ側の窓柱に設置されている。スピーカ３０Ｄは、助手席ＡＳに近いドアの下部に設置されている。スピーカ３０Ｅは、右側後部座席ＢＳ１側に近いドアの下部に設置されている。スピーカ３０Ｆは、左側後部座席ＢＳ２側に近いドアの下部に設置されている。スピーカ３０Ｇは、第２ディスプレイ２４の近傍に設置されている。スピーカ３０Ｈは、車室の天井（ルーフ）に設置されている。

係る配置において、例えば、専らスピーカ３０Ａおよび３０Ｂに音を出力させた場合、音像は運転席ＤＳ付近に定位することになる。また、専らスピーカ３０Ｃおよび３０Ｄに音を出力させた場合、音像は助手席ＡＳ付近に定位することになる。また、専らスピーカ３０Ｅに音を出力させた場合、音像は右側後部座席ＢＳ１付近に定位することになる。また、専らスピーカ３０Ｆに音を出力させた場合、音像は左側後部座席ＢＳ２付近に定位することになる。また、専らスピーカ３０Ｇに音を出力させた場合、音像は車室の前方付近に定位することになり、専らスピーカ３０Ｈに音を出力させた場合、音像は車室の上方付近に定位することになる。これに限らず、スピーカユニット３０は、ミキサーやアンプを用いて各スピーカの出力する音の配分を調整することで、車室内の任意の位置に音像を定位させることができる。

［エージェント装置］
図２に戻り、エージェント装置１００は、管理部１１０と、エージェント機能部１５０−１、１５０−２、１５０−３と、ペアリングアプリ実行部１５２とを備える。管理部１１０は、例えば、音響処理部１１２と、エージェントごとＷＵ（Wake Up）判定部１１４と、表示制御部１１６と、音声制御部１１８とを備える。いずれのエージェント機能部であるか区別しない場合、単にエージェント機能部１５０と称する。３つのエージェント機能部１５０を示しているのは、図１におけるエージェントサーバ２００の数に対応させた一例に過ぎず、エージェント機能部１５０の数は、２つであってもよいし、４つ以上であってもよい。図２に示すソフトウェア配置は説明のために簡易に示しており、実際には、例えば、エージェント機能部１５０と車載通信装置６０の間に管理部１１０が介在してもよいように、任意に改変することができる。

エージェント装置１００の各構成要素は、例えば、ＣＰＵ（Central Processing Unit）などのハードウェアプロセッサがプログラム（ソフトウェア）を実行することにより実現される。これらの構成要素のうち一部または全部は、ＬＳＩ（Large Scale Integration）やＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、ＧＰＵ（Graphics Processing Unit）などのハードウェア（回路部；circuitryを含む）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。プログラムは、予めＨＤＤ（Hard Disk Drive）やフラッシュメモリなどの記憶装置（非一過性の記憶媒体を備える記憶装置）に格納されていてもよいし、ＤＶＤやＣＤ−ＲＯＭなどの着脱可能な記憶媒体（非一過性の記憶媒体）に格納されており、記憶媒体がドライブ装置に装着されることでインストールされてもよい。

管理部１１０は、ＯＳ（Operating System）やミドルウェアなどのプログラムが実行されることで機能する。

管理部１１０の音響処理部１１２は、エージェントごとに予め設定されているウエイクアップワードを認識するのに適した状態になるように、入力された音に対して音響処理を行う。

エージェントごとＷＵ判定部１１４は、エージェント機能部１５０−１、１５０−２、１５０−３のそれぞれに対応して存在し、エージェントごとに予め定められているウエイクアップワードを認識する。エージェントごとＷＵ判定部１１４は、音響処理が行われた音声（音声ストリーム）から音声の意味を認識する。まず、エージェントごとＷＵ判定部１１４は、音声ストリームにおける音声波形の振幅と零交差に基づいて音声区間を検出する。エージェントごとＷＵ判定部１１４は、混合ガウス分布モデル（ＧＭＭ；Gaussian mixture model) に基づくフレーム単位の音声識別および非音声識別に基づく区間検出を行ってもよい。

次に、エージェントごとＷＵ判定部１１４は、検出した音声区間における音声をテキスト化し、文字情報とする。そして、エージェントごとＷＵ判定部１１４は、テキスト化した文字情報がウエイクアップワードに該当するか否かを判定する。ウエイクアップワードであると判定した場合。エージェントごとＷＵ判定部１１４は、対応するエージェント機能部１５０を起動させる。なお、エージェントごとＷＵ判定部１１４に相当する機能がエージェントサーバ２００に搭載されてもよい。この場合、管理部１１０は、音響処理部１１２によって音響処理が行われた音声ストリームをエージェントサーバ２００に送信し、エージェントサーバ２００がウエイクアップワードであると判定した場合、エージェントサーバ２００からの指示に従ってエージェント機能部１５０が起動する。なお、各エージェント機能部１５０は、常時起動しており且つウエイクアップワードの判定を自ら行うものであってよい。この場合、管理部１１０がエージェントごとＷＵ判定部１１４を備える必要はない。

エージェント機能部１５０は、対応するエージェントサーバ２００と協働してエージェントを出現させ、車両の乗員の発話に応じて、音声による応答を含むサービスを提供する。エージェント機能部１５０には、車両機器５０を制御する権限が付与されたものが含まれてよい。また、エージェント機能部１５０には、ペアリングアプリ実行部１５２を介して汎用通信装置７０と連携し、エージェントサーバ２００と通信するものがあってよい。例えば、エージェント機能部１５０−１には、車両機器５０を制御する権限が付与されている。エージェント機能部１５０−１は、車載通信装置６０を介してエージェントサーバ２００−１と通信する。エージェント機能部１５０−２は、車載通信装置６０を介してエージェントサーバ２００−２と通信する。エージェント機能部１５０−３は、ペアリングアプリ実行部１５２を介して汎用通信装置７０と連携し、エージェントサーバ２００−３と通信する。ペアリングアプリ実行部１５２は、例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）によって汎用通信装置７０とペアリングを行い、エージェント機能部１５０−３と汎用通信装置７０とを接続させる。なお、エージェント機能部１５０−３は、ＵＳＢ（Universal Serial Bus）などを利用した有線通信によって汎用通信装置７０に接続されるようにしてもよい。以下、エージェント機能部１５０−１とエージェントサーバ２００−１が協働して出現させるエージェントをエージェント１、エージェント機能部１５０−２とエージェントサーバ２００−２が協働して出現させるエージェントをエージェント２、エージェント機能部１５０−３とエージェントサーバ２００−３が協働して出現させるエージェントをエージェント３と称する場合がある。

表示制御部１１６は、エージェント機能部１５０からの指示に応じて第１ディスプレイ２２または第２ディスプレイ２４に画像を表示させる。以下では、第１ディスプレイ２２を使用するものとする。表示制御部１１６は、一部のエージェント機能部１５０の制御により、例えば、車室内で乗員とのコミュニケーションを行う擬人化されたエージェントの画像（以下、エージェント画像と称する）を生成し、生成したエージェント画像を第１ディスプレイ２２に表示させる。エージェント画像は、例えば、乗員に対して話しかける態様の画像である。エージェント画像は、例えば、少なくとも観者（乗員）によって表情や顔向きが認識される程度の顔画像を含んでよい。例えば、エージェント画像は、顔領域の中に目や鼻に擬したパーツが表されており、顔領域の中のパーツの位置に基づいて表情や顔向きが認識されるものであってよい。また、エージェント画像は、立体的に感じられ、観者によって三次元空間における頭部画像を含むことでエージェントの顔向きが認識されたり、本体（胴体や手足）の画像を含むことで、エージェントの動作や振る舞い、姿勢等が認識されるものであってもよい。また、エージェント画像は、アニメーション画像であってもよい。

音声制御部１１８は、エージェント機能部１５０からの指示に応じて、スピーカユニット３０に含まれるスピーカのうち一部または全部に音声を出力させる。音声制御部１１８は、複数のスピーカユニット３０を用いて、エージェント画像の表示位置に対応する位置にエージェント音声の音像を定位させる制御を行ってもよい。エージェント画像の表示位置に対応する位置とは、例えば、エージェント画像がエージェント音声を喋っていると乗員が感じると予測される位置であり、具体的には、エージェント画像の表示位置付近（例えば、２〜３［ｃｍ］以内）の位置である。また、音像が定位するとは、例えば、乗員の左右の耳に伝達される音の大きさを調節することにより、乗員が感じる音源の空間的な位置を定めることである。

図５は、音像が定位する位置が定まる原理について説明するための図である。図５では、説明を簡略化するために、上述したスピーカ３０Ｂ、３０Ｄ、および３０Ｇを用いる例を示しているが、スピーカユニット３０に含まれる任意のスピーカが使用されてよい。音声制御部１１８は、各スピーカに接続されたアンプ（ＡＭＰ）３２およびミキサー３４を制御して音像を定位させる。例えば、図５に示す空間位置ＭＰ１に音像を定位させる場合、音声制御部１１８は、アンプ３２およびミキサー３４を制御することにより、スピーカ３０Ｂに最大強度の５％の出力を行わせ、スピーカ３０Ｄに最大強度の８０％の出力を行わせ、スピーカ３０Ｇに最大強度の１５％の出力を行わせる。この結果、乗員Ｐの位置からは、図５に示す空間位置ＭＰ１に音像が定位しているように感じることになる。

また、図５に示す空間位置ＭＰ２に音像を定位させる場合、音声制御部１１８は、アンプ３２およびミキサー３４を制御することにより、スピーカ３０Ｂに最大強度の４５％の出力を行わせ、スピーカ３０Ｄに最大強度の４５％の出力を行わせ、スピーカ３０Ｇに最大強度の４５％の出力を行わせる。この結果、乗員Ｐの位置からは、図５に示す空間位置ＭＰ２に音像が定位しているように感じることになる。このように、車室内に設けられる複数のスピーカとそれぞれのスピーカから出力される音の大きさを調整することで、音像が定位される位置を変化させることができる。なお、より詳細には、音像の定位する位置は、音源が元々保有している音特性や、車室内環境の情報、頭部伝達関数（HRTF；Head-related transfer function）に基づいて定まるため、音声制御部１１８は、予め官能試験などで得られた最適な出力配分でスピーカユニット３０を制御することで、音像を所定の位置に定位させる。

［エージェントサーバ］
図６は、エージェントサーバ２００の構成と、エージェント装置１００の構成の一部とを示す図である。以下、エージェントサーバ２００の構成と共にエージェント機能部１５０等の動作について説明する。ここでは、エージェント装置１００からネットワークＮＷまでの物理的な通信についての説明を省略する。

エージェントサーバ２００は、通信部２１０を備える。通信部２１０は、例えばＮＩＣ（Network Interface Card）などのネットワークインターフェースである。更に、エージェントサーバ２００は、例えば、音声認識部２２０と、自然言語処理部２２２と、対話管理部２２４と、ネットワーク検索部２２６と、応答文生成部２２８とを備える。これらの構成要素は、例えば、ＣＰＵなどのハードウェアプロセッサがプログラム（ソフトウェア）を実行することにより実現される。これらの構成要素のうち一部または全部は、ＬＳＩやＡＳＩＣ、ＦＰＧＡ、ＧＰＵなどのハードウェア（回路部；circuitryを含む）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。プログラムは、予めＨＤＤやフラッシュメモリなどの記憶装置（非一過性の記憶媒体を備える記憶装置）に格納されていてもよいし、ＤＶＤやＣＤ−ＲＯＭなどの着脱可能な記憶媒体（非一過性の記憶媒体）に格納されており、記憶媒体がドライブ装置に装着されることでインストールされてもよい。

エージェントサーバ２００は、記憶部２５０を備える。記憶部２５０は、上記の各種記憶装置により実現される。記憶部２５０には、パーソナルプロファイル２５２、辞書ＤＢ（データベース）２５４、知識ベースＤＢ２５６、応答規則ＤＢ２５８などのデータやプログラムが格納される。

エージェント装置１００において、エージェント機能部１５０は、音声ストリーム、或いは圧縮や符号化などの処理を行った音声ストリームを、エージェントサーバ２００に送信する。エージェント機能部１５０は、ローカル処理（エージェントサーバ２００を介さない処理）が可能な音声コマンドを認識した場合は、音声コマンドで要求された処理を行ってよい。ローカル処理が可能な音声コマンドとは、エージェント装置１００が備える記憶部（不図示）を参照することで回答可能な音声コマンドであったり、エージェント機能部１５０−１の場合は車両機器５０を制御する音声コマンド（例えば、空調装置をオンにするコマンドなど）であったりする。従って、エージェント機能部１５０は、エージェントサーバ２００が備える機能の一部を有してもよい。

音声ストリームを取得すると、音声認識部２２０が音声認識を行ってテキスト化された文字情報を出力し、自然言語処理部２２２が文字情報に対して辞書ＤＢ２５４を参照しながら意味解釈を行う。辞書ＤＢ２５４は、文字情報に対して抽象化された意味情報が対応付けられたものである。辞書ＤＢ２５４は、同義語や類義語の一覧情報を含んでもよい。音声認識部２２０の処理と、自然言語処理部２２２の処理は、段階が明確に分かれるものではなく、自然言語処理部２２２の処理結果を受けて音声認識部２２０が認識結果を修正するなど、相互に影響し合って行われてよい。

自然言語処理部２２２は、例えば、認識結果として、「今日の天気は」、「天気はどうですか」等の意味が認識された場合、標準文字情報「今日の天気」に置き換えたコマンドを生成する。これにより、リクエストの音声に文字揺らぎがあった場合にも要求にあった対話をし易くすることができる。また、自然言語処理部２２２は、例えば、確率を利用した機械学習処理等の人工知能処理を用いて文字情報の意味を認識したり、認識結果に基づくコマンドを生成してもよい。

対話管理部２２４は、自然言語処理部２２２の処理結果（コマンド）に基づいて、パーソナルプロファイル２５２や知識ベースＤＢ２５６、応答規則ＤＢ２５８を参照しながら車両Ｍの乗員に対する発話の内容を決定する。パーソナルプロファイル２５２は、乗員ごとに保存されている乗員の個人情報、趣味嗜好、過去の対話の履歴などを含む。知識ベースＤＢ２５６は、物事の関係性を規定した情報である。応答規則ＤＢ２５８は、コマンドに対してエージェントが行うべき動作（回答や機器制御の内容など）を規定した情報である。

また、対話管理部２２４は、音声ストリームから得られる特徴情報を用いて、パーソナルプロファイル２５２と照合を行うことで、乗員を特定してもよい。この場合、パーソナルプロファイル２５２には、例えば、音声の特徴情報に、個人情報が対応付けられている。音声の特徴情報とは、例えば、声の高さ、イントネーション、リズム（音の高低のパターン）等の喋り方の特徴や、メル周波数ケプストラム係数（Mel Frequency Cepstrum Coefficients）等による特徴量に関する情報である。音声の特徴情報は、例えば、乗員の初期登録時に所定の単語や文章等を乗員に発声させ、発声させた音声を認識することで得られる情報である。

対話管理部２２４は、コマンドが、ネットワークＮＷを介して検索可能な情報を要求するものである場合、ネットワーク検索部２２６に検索を行わせる。ネットワーク検索部２２６は、ネットワークＮＷを介して各種ウェブサーバ３００にアクセスし、所望の情報を取得する。「ネットワークＮＷを介して検索可能な情報」とは、例えば、車両Ｍの周辺にあるレストランの一般ユーザによる評価結果であったり、その日の車両Ｍの位置に応じた天気予報であったりする。

応答文生成部２２８は、対話管理部２２４により決定された発話の内容が車両Ｍの乗員に伝わるように、応答文を生成し、エージェント装置１００に送信する。応答文生成部２２８は、乗員がパーソナルプロファイルに登録された乗員であることが特定されている場合に、乗員の名前を呼んだり、乗員の話し方に似せた話し方にした応答文を生成してもよい。

エージェント機能部１５０は、応答文を取得すると、音声合成を行って音声を出力するように音声制御部１１８に指示する。また、エージェント機能部１５０は、音声出力に合わせてエージェントの画像を表示するように表示制御部１１６に指示する。このようにして、仮想的に出現したエージェントが車両Ｍの乗員に応答するエージェント機能が実現される。

［音像制御］
以下、エージェント装置１００において実行される音像制御について説明する。音声制御部１１８は、複数のエージェント機能部１５０のそれぞれに対し、音声の音像を定位させる位置を設定し、設定した位置に音像を定位させるようにスピーカユニット３０に含まれる複数のスピーカの出力をそれぞれ制御する。以下は、音声制御部１１８により音像の定位する位置を設定する規則を例示したものである。以下に示す各規則は、排他的でないものと排他的なものが含まれているが、排他的でないものについては組み合わせて使用されてよい。

（規則１）
音声制御部１１８は、例えば、複数のエージェント機能部１５０のうち使用頻度の高いエージェント機能部１５０（換言すると、使用頻度の高いエージェント）による音声の音像を、車両Ｍの座席のうち最も近い座席が助手席ＡＳである位置（以下、助手席近傍位置）に定位させる。より具体的に、音声制御部１１８は、複数のエージェント機能部１５０のうち使用頻度の「最も高い」エージェント機能部１５０による音声の音像を助手席近傍位置に定位させる。これに代えて音声制御部１１８は、複数のエージェント機能部１５０のうち使用頻度が「高い方から上位ｎ個まで」のエージェント機能部１５０による音声の音像を、車両Ｍの座席のうち最も近い座席が助手席ＡＳである位置に定位させてもよい（ｎは自然数）。助手席近傍位置は、例えば、第１ディスプレイ２２における助手席ＡＳに対向する位置である。図７は、音像定位位置の第１例を示す図である。ここでは、エージェント２の使用頻度が最も高く、エージェント１およびエージェント３はエージェント２よりも使用頻度が低いものとする。ＭＰ（２）はエージェント２による音声の音像の定位する位置（助手席近傍位置）であり、ＭＰ（１、３）はエージェント１および３による音声の音像の定位する位置である。このとき、第１ディスプレイ２２には、エージェント２の動作状態に合わせて動作するアニメーション画像であるエージェント画像ＥＧ（２）が表示されてよい。エージェント画像ＥＧ（２）は、発話者が運転者である場合、運転席ＤＳの方を向いているように感じられるグラフィックで形成される。このように音像の定位する位置を設定することによって、エージェントを使用する機会が多いと考えられる運転席ＤＳに着座した乗員（運転者）Ｐからすると、助手席ＡＳ付近に居る（或いはエージェント画像ＥＧ（２）を表示しない場合、仮想的に助手席ＡＳに着座したように感じられる）エージェントに何かを問い合わせるような使用感で、エージェント機能を利用することができる。この結果、エージェント装置１００は、自然な使用感でエージェント機能を提供することができる。

エージェントの使用頻度は、例えば管理部１１０によって起動回数などを基準としてカウントされ、メモリに保存されている。

（規則２）
音声制御部１１８は、車両機器５０を制御する権限が付与されたエージェント機能部１５０−１による音声の音像を、車両の座席のうち最も近い座席が運転席ＤＳである位置（以下、運転席近傍位置）に定位させてもよい。運転席近傍位置は、例えば、ＨＵＤ２８の表示面が存在する位置の付近である。図８は、音像定位位置の第２例を示す図である。ＭＰ（１）はエージェント１による音声の音像の定位する位置（運転席近傍位置）であり、ＭＰ（２、３）はエージェント２および３による音声の音像の定位する位置である。このとき、例えばＨＵＤ２８に、エージェント１の動作状態に合わせて動作するアニメーション画像であるエージェント画像ＥＧ（１）が表示されてよい。車両機器５０をスイッチ等で操作する場合、スイッチは運転席の周辺に設けられるのが通常であるから、このように音像の定位する位置を設定することによって、運転席ＤＳに着座した乗員（運転者）Ｐにとって、エージェント機能を使用せずに車両機器５０を操作するのと同じような使用感で、エージェント機能を利用することができる。この結果、エージェント装置１００は、自然な使用感でエージェント機能を提供することができる。

（規則３）
音声制御部１１８は、複数のエージェント機能部１５０のうち使用頻度の低いエージェント機能部１５０（換言すると、使用頻度の低いエージェント）による音声の音像を、車両Ｍの座席のうち最も近い座席が後部座席（以下、後部座席付近位置）である位置に定位させてもよい。より具体的に、音声制御部１１８は、複数のエージェント機能部１５０のうち使用頻度の「最も低い」エージェント機能部１５０による音声の音像を、後部座席付近位置に定位させる。これに代えて音声制御部１１８は、複数のエージェント機能部１５０のうち使用頻度が「低い方から下位ｋ個まで」のエージェント機能部１５０による音声の音像を、後部座席付近位置に定位させてもよい（ｋは自然数）。後部座席付近位置は、例えば、スピーカ３０Ｆとスピーカ３０Ｅとを結ぶ直線上（或いは幅を持たせた空間領域）における任意の位置である。図９は、音像定位位置の第３例を示す図である。なお本図は、規則１、２、３を組み合わせた例を示している。ＭＰ（１）はエージェント１による音声の音像の定位する位置であり、ＭＰ（２）はエージェント２による音声の音像の定位する位置であり、ＭＰ（３）はエージェント３による音声の音像の定位する位置（後部座席付近位置）である。ここでは、エージェント２の使用頻度が最も高く、エージェント３の使用頻度が最も低いものとする。このとき、例えば、エージェント１が起動している場合、ＨＵＤ２８にエージェント画像ＥＧ（１）が表示され、エージェント２が起動している場合、第１ディスプレイ２２にエージェント画像ＥＧ（２）が表示されてよい。このように音像の定位する位置を設定することによって、運転席ＤＳに着座した乗員（運転者）Ｐにとって、稀にしか使用しないエージェントの音声は自身から遠い位置から聞こえるようにすることができる。この結果、エージェント装置１００は、自然な使用感でエージェント機能を提供することができる。

（規則４）
音声制御部１１８は、例えば、車両機器５０を制御する権限が付与されたエージェント機能部１５０−１による音声の音像を、助手席近傍位置に定位させてもよい。図１０は、音像定位位置の第４例を示す図である。ＭＰ（１）はエージェント１による音声の音像の定位する位置（助手席近傍位置）であり、ＭＰ（２）はエージェント２による音声の音像の定位する位置であり、ＭＰ（３）はエージェント３による音声の音像の定位する位置である。この場合において、例えば、エージェント１との対話のステージの遷移に応じて、ＭＰ（１）を、運転席近傍位置に移動させてもよい。例えば、音声制御部１１８は、エージェント１が乗員Ｐの要望を聞いている段階では、ＭＰ（１）を助手席近傍位置に設定し、エージェントサーバ２００−１からの返信に基づいてエージェント１が詳細説明をする段階ではＭＰ（１）を運転席近傍位置に設定するようにしてもよい。また、これに併せてエージェント画像ＥＧ（１）を、第１ディスプレイ２２における助手席近傍位置に近い位置からＨＵＤ２８に移動させてよい。このように、車両機器５０を制御可能な使い勝手の良いエージェント１を、自然に対話できる助手席近傍位置に設定することで、運転席に着座した乗員（運転者）Ｐは、自然に対話を開始することができる。また、詳細説明を聞く段階では自身に近い位置にエージェント１の音像や画像が移動して来るため、人と会話をしているような使用感を提供することができる。これらの結果、エージェント装置１００は、自然な使用感でエージェント機能を提供することができる。

（規則５）
音声制御部１１８は、例えば、乗員認識装置８０により認識された乗員の着座位置に基づいて、複数のエージェント機能部１５０のそれぞれに対し、音声の音像を定位させる位置を設定してもよい。図１１は、音像定位位置の第５例を示す図である。本図において、運転席ＤＳには乗員Ｐ１が着座しており、助手席ＡＳには乗員Ｐ２が着座しており、左側後部座席には乗員Ｐ３が着座している。ＭＰ（１）はエージェント１による音声の音像の定位する位置（運転席近傍位置）であり、ＭＰ（２）はエージェント２による音声の音像の定位する位置（助手席近傍位置）であり、ＭＰ（３）はエージェント３による音声の音像の定位する位置（後部座席付近位置のうち、左側後部座席に偏した位置）である。このように音像の定位する位置を設定することで、各乗員に対して一人のエージェントが応答しているような環境を提供することができる。

図１２は、音像定位位置の第６例を示す図である。本図において、運転席ＤＳ、助手席ＡＳ、右側後部座席ＢＳ１、左側後部座席ＢＳ２の全てに乗員が着座している。この場合、音声制御部１１８は、例えば、複数のエージェント機能部１５０のそれぞれによる音声の音像を定位させる位置を、車室の天井付近（図中、ＭＰ）に設定するこうすることで、乗員の全てに対してエージェントが同時に応答しているような環境を提供することができる。これらの結果、エージェント装置１００は、自然な使用感でエージェント機能を提供することができる。

以上のように、音声制御部１１８が音像の定位する位置を設定することについて説明したが、音声制御部１１８は、エージェントごとの音像が定位する位置の初期設定を、乗員の操作に従って行ってもよい。この場合、乗員が第１ディスプレイ22などを使用して入力操作を行うと、音声制御部１１８は、入力操作の内容に応じて初期設定を行う。その後は、エージェントの使用頻度に応じて音像の定位する位置を順次変更してもよい。

上記説明した第１実施形態のエージェント装置１００によれば、より自然な使用感でエージェント機能を提供することができる。

また、エージェント装置１００によれば、更に、エージェントの判別を容易にすることもできる。例えば、複数のエージェントが同時に起動している場合を想定すると、音声の声色が似ている場合、どのエージェントが発話をしたのか区別がつかなくなることが想定される。また、乗員が、どのエージェントを起動させたのか忘れてしまう可能性もあり、その場合、今から行う要求が起動中のエージェントに対して有効なのかどうか、乗員が悩んでしまうことも想定される。これに対し、実施形態のエージェント装置１００では、ある程度、固定的にエージェントの音声の音像が定位する位置を設定するため、音声が聞こえてくる方向に基づいて、乗員が起動中のエージェントを判別することができる。

＜第２実施形態＞
以下、第２実施形態について説明する。図１３は、第２実施形態に係るエージェント装置１００Ａの構成と、車両Ｍに搭載された機器とを示す図である。第２実施形態における乗員認識装置８０は、顔向き認識部の一例である。顔向きの認識は、例えば、画像における顔領域で抽出された鼻梁などの特徴的な部位の配置に基づいて行われる。第２実施形態のエージェント装置１００Ａは、第１実施形態と比較すると、起動エージェント選択部１２０を更に備える。

音声制御部１１８がエージェント機能部１５０による音声の音像を定位させる位置を設定する仕組みについては第１実施形態と同様である。

第１実施形態では、エージェント機能部１５０ごとのウエイクアップワードが決まっており、発話されたウエイクアップワードに応じたエージェント機能部１５０が起動するものとした。第２実施形態では、エージェントを特定しないフリー起動が可能であることを前提とする。フリー起動を実現するには、乗員同士の発話であるか、エージェントに向けた発話であるかを判別する必要があるが、本発明において、係る判別の手法について特段の制約は存在しないため、詳細な説明を省略する。

起動エージェント選択部１２０は、乗員の発した音声の声色、その後に続く返答の有無などに基づいて、乗員が、ウエイクアップワードではないが、「起動させるエージェントを特定せずにエージェントの応答を求める発話」（以下、フリー起動発話）を行ったことを認識する。その際に、起動エージェント選択部１２０は、乗員認識装置８０により認識された、発話した乗員の顔向きを取得する。そして、起動エージェント選択部１２０は、発話した乗員の顔向きの先にある位置に、音像の定位する位置が設定されているエージェントを選択して起動させる。

図１４は、起動エージェント選択部１２０の動作について説明するための図である。図１４の上図において、エージェント１の音声の音像は運転者近傍位置に設定され、エージェント２の音声の音像は左側後部座席ＢＳ２の付近に設定され、エージェント３の音声の音像は右側後部座席ＢＳ１の付近に設定されている。この状態において、乗員（運転者）Ｐが左斜め後方に顔を向けてフリー起動発話を行った場合、図１４の下図に示すように、起動エージェント選択部１２０は、乗員Ｐから見て左斜め後方に音声の音像が定位するように設定されていたエージェント２を起動させる。図中、Ｄ_Ｐは乗員認識装置８０により認識された乗員Ｐの顔向きを示している。

係る制御によって、第２実施形態に係るエージェント装置１００Ａは、乗員がエージェントの起動方法を忘れてしまった場合であっても、「過去にその方向に音声の音像が定位していたエージェント」位の記憶が残っている場合には、同じエージェントを起動させることができる。この結果、利便性を向上させることができる。

以上説明した第２実施形態のエージェント装置１００Ａによれば、第１実施形態と同様の効果を奏するのに加えて、利便性を更に向上させることができる。

以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。

１０ マイク
２０ 表示・操作装置
３０ スピーカユニット
４０ ナビゲーション装置
５０ 車両機器
６０ 車載通信装置
７０ 汎用通信装置
８０ 乗員認識装置
１００、１００Ａ エージェント装置
１１０ 管理部
１１２ 音響処理部
１１４ エージェントごとＷＵ判定部
１１６ 表示制御部
１１８ 音声制御部
１２０ 起動エージェント選択部
１５０ エージェント機能部
１５２ ペアリングアプリ実行部
２００ エージェントサーバ

Claims (10)

1. 車両の乗員の発話に応じて、音声による応答を含むサービスを提供する複数のエージェント機能部と、
   前記複数のエージェント機能部のそれぞれに対し、前記音声の音像を定位させる位置を設定し、前記設定した位置に音像を定位させるように複数のスピーカの出力をそれぞれ制御する音声制御部と、
   を備えるエージェント装置。
2. 前記音声制御部は、前記複数のエージェント機能部のうち使用頻度の高いエージェント機能部による音声の音像を、前記車両の座席のうち最も近い座席が助手席である位置に定位させる、
   請求項１記載のエージェント装置。
3. 前記複数のエージェント機能部は、車両機器を制御する権限が付与された車両エージェント機能部を含み、
   前記音声制御部は、前記車両エージェント機能部による音声の音像を、前記車両の座席のうち最も近い座席が助手席である位置に定位させる、
   請求項１記載のエージェント装置。
4. 前記複数のエージェント機能部は、車両機器を制御する権限が付与された車両エージェント機能部を含み、
   前記音声制御部は、前記車両エージェント機能部による音声の音像を、前記車両の座席のうち最も近い座席が運転席である位置に定位させる、
   請求項１または２記載のエージェント装置。
5. 前記音声制御部は、前記複数のエージェント機能部のうち使用頻度の低いエージェント機能部による音声の音像を、前記車両の座席のうち最も近い座席が後部座席である位置に定位させる、
   請求項１から４のうちいずれか１項記載のエージェント装置。
6. 前記音声制御部は、乗員の着座位置を認識する着座位置認識部の認識結果に基づいて、前記複数のエージェント機能部のそれぞれに対し、前記音声の音像を定位させる位置を設定する、
   請求項１から５のうちいずれか１項記載のエージェント装置。
7. 前記音声制御部は、前記着座位置認識部が、乗員が各座席に着座していることを認識した場合、前記複数のエージェント機能部のそれぞれによる前記音声の音像を定位させる位置を、車室の天井付近に設定する、
   請求項６記載のエージェント装置。
8. 少なくとも運転者の顔向きを認識する顔向き認識部の認識結果を参照し、前記運転者が顔を向けている位置に音像が定位されているエージェント機能部を起動させる起動エージェント選択部を更に備える、
   請求項１から７のうちいずれか１項記載のエージェント装置。
9. コンピュータが、
   複数のエージェント機能部のうちいずれかを起動させ、
   前記起動したエージェント機能部の機能として、車両の乗員の発話に応じて、音声による応答を含むサービスを提供し、
   前記複数のエージェント機能部のそれぞれに対し、前記音声の音像を定位させる位置を設定し、前記設定した位置に音像を定位させるように複数のスピーカの出力をそれぞれ制御する、
   エージェント装置の制御方法。
10. コンピュータに、
    複数のエージェント機能部のうちいずれかを起動させる処理と、
    前記起動したエージェント機能部の機能として、車両の乗員の発話に応じて、音声による応答を含むサービスを提供する処理と、
    前記複数のエージェント機能部のそれぞれに対し、前記音声の音像を定位させる位置を設定し、前記設定した位置に音像を定位させるように複数のスピーカの出力をそれぞれ制御する処理と、
    を実行させるプログラム。

Images