JP2020194489A

JP2020194489A - 異常検出方法、異常検出装置、及び異常検出システム

Info

Publication number: JP2020194489A
Application number: JP2019101236A
Authority: JP
Inventors: 真貴森; Maki Mori; 武藤　健二; Kenji Muto; 健二武藤
Original assignee: Denso Corp
Current assignee: Denso Corp
Priority date: 2019-05-30
Filing date: 2019-05-30
Publication date: 2020-12-03
Anticipated expiration: 2039-05-30
Also published as: US11587372B2; US20200380802A1; JP7230691B2

Abstract

【課題】車両の挙動に関する異常の有無の検出精度を所定の検出精度に近づけることができる異常検出方法、異常検出装置、及び異常検出システムを提供する。【解決手段】コンピュータを用いて、異常の検出対象となる車両の挙動を表す第１の運転情報と、走行環境に異常が認められない場合における第２の運転情報の相違度合いを示す異常度の大きさに応じて、車両の挙動に異常が認められるか検出する場合に、予め蓄積された異常度の集合から生成される異常度分布４を用いて、異常の有無に関する誤判定の確率が予め定めた確率となるような異常度を異常閾値として推定し、推定した異常閾値と、第１の運転情報に対する異常度を比較することで、車両の挙動に異常が認められるか検出する。【選択図】図５

Description

本開示は、道路状況の異常を検出する技術に関する。

非特許文献１には、車両が走行する地点毎に、正常走行時の車両挙動と評価対象となる車両挙動の差異を異常度として定量化し、異常度が予め定めた閾値よりも低い場合に、車両が走行する道路の状況に異常がないと判定する異常検出装置が開示されている。

Kazushi Ikeda, Takatomi Kubo, Hiroaki Sasaki, Masataka Mori, Kentaro Hitomi, Kazuthito Takenaka, Kenji Muto,"Anomaly Detection of Roads from Driving Data Using a Statistical Discrepancy Measure," 2018 21st International Conference on Intelligent Transportation Systems (ITSC), Maui, HI, 2018, pp. 2064-2067.

正常走行時の車両の挙動と、評価対象となる車両の挙動の差異を表す異常度と閾値とを比較して、車両が走行する道路における異常の有無を判断する場合、閾値の設定の仕方によっては、実際には異常がないにも関わらず異常があると誤判定することがある。したがって、異常検出装置における異常の検出精度を所定の検出精度に設定するには、所定の検出精度に対応した閾値を設定する必要がある。

近年、設定する閾値と検出精度の関係についての検討が進められているが、実際の状況において、閾値と検出精度との間に何らかの関係性が成立するための前提条件を満たすことは稀である。したがって、これまで異常の判定に用いられる閾値は、設定した閾値と異常の検出精度の関係を考慮することなく、ユーザの経験や直感によって決め打ちで設定されているのが実情であり、どの程度の確率で誤判定が発生しているのかを検証することが困難であった。

本開示は、運転情報から推定される車両の挙動に関する異常度と、統計的手法に基づくことなく設定した閾値を比較することで、車両の挙動に異常が認められるか検出する場合と比較して、車両の挙動に関する異常の有無の検出精度を所定の検出精度に近づけることができる異常検出方法、異常検出装置、及び異常検出システムを提供することを目的とする。

本開示の第１態様に係る異常検出方法は、コンピュータ（３０）を用いて、異常の検出対象となる車両の挙動を表す第１の運転情報と、走行環境に異常が認められない場合における第２の運転情報の相違度合いを示す異常度の大きさに応じて、前記車両の挙動に異常が認められるか検出する場合に、予め蓄積された前記異常度の集合から生成される異常度分布（４）を用いて、異常の有無に関する誤判定の確率が予め定めた確率となるような前記異常度を異常閾値として推定し、推定した前記異常閾値と、前記第１の運転情報に対する前記異常度を比較することで、前記車両の挙動に異常が認められるか検出する。

本開示の第２態様に係る異常検出装置（２０）は、車両の挙動を表す前記第１の運転情報と、走行環境に異常が認められない場合における第２の運転情報の相違度合いを示す異常度の大きさに応じて、前記車両の挙動に異常が認められるか検出する場合に、予め蓄積された前記異常度の集合から生成される異常度分布（４）を用いて、異常の有無に関する誤判定の確率が予め定めた確率となるような前記異常度を異常閾値として推定する閾値推定部（２４）と、前記閾値推定部で推定された前記異常閾値と、前記第１の運転情報に対する前記異常度を比較することで、前記車両の挙動に異常が認められるか検出する異常検出部（２９）と、を備える

本開示の第３態様に係る異常検出システム（１００）は、車両の挙動を表す第１の運転情報と、前記車両が走行する走行環境を表す属性情報を出力する出力部を備えた出力装置（１０）と、前記出力装置の前記出力部から受け付けた前記第１の運転情報と、走行環境に異常が認められない場合における第２の運転情報の相違度合いを示す異常度の大きさに応じて、前記車両の挙動に異常が認められるか検出する場合に、予め蓄積された前記異常度の集合から生成される異常度分布（４）を用いて、異常の有無に関する誤判定の確率が予め定めた確率となるような前記異常度を異常閾値として推定する閾値推定部（２４）、及び、前記閾値推定部で推定された前記異常閾値と、前記第１の運転情報に対する前記異常度を比較することで、前記車両の挙動に異常が認められるか検出する異常検出部（２９）を備えた異常検出装置（２０）と、を含む。

本開示によれば、運転情報から推定される車両の挙動に関する異常度と、統計的手法に基づくことなく設定した閾値を比較することで、車両の挙動に異常が認められるか検出する場合と比較して、車両の挙動に関する異常の有無の検出精度を所定の検出精度に近づけることができる、という効果を有する。

異常検出システムの構成例を示す図である。異常度の算出状況の一例を示す図である。異常検出装置における電気系統の要部構成例を示す図である。第１実施形態に係る異常検出処理の一例を示すフローチャートである。異常度分布の一例を示す図である。第２実施形態に係る異常検出処理の一例を示すフローチャートである。

以下、本実施の形態について図面を参照しながら説明する。同じ構成及び処理には全図面を通して同じ符合を付与し、重複する説明を省略する。

なお、本実施の形態及び特許請求の範囲に記載した括弧内の符号は、１つの態様として各実施形態に記載の具体的内容との対応関係を示すものであって、本開示の技術的範囲を限定するものではない。

＜第１実施形態＞
図１に示すように、異常検出システム１００は、出力装置１０と異常検出装置２０を含む。出力装置１０と異常検出装置２０は図示しない通信回線で接続されている。

出力装置１０は、各々の車両から受け付けた車両信号を異常検出装置２０に送信する装置である。車両信号とは、車両から予め定めた間隔及び予め定めたタイミングで送信される走行データのことであり、車両の挙動を表す運転情報と、車両が走行する走行地点（以下、単に「地点」という）の走行環境に関する属性情報を含む。

運転情報は、例えば車両の速度、加速度、ヨー角、ロール角、アクセルペダルの操作量、ブレーキペダルの操作量、ステアリングの操舵角、アクセルペダルの操作速度、ブレーキペダルの操作速度、及びステアリングの操舵速度等の情報を含む。すなわち、運転情報は、車両の挙動そのものを表す物理量だけでなく、車両の挙動を引き起こす原因となった、車両の運転者によって行われた操作に関する物理量も含む。なお、運転情報に含まれる情報は上記に列記した情報に限られず、車両の挙動または車両の操作に関する情報であればどのような情報を含んでもよい。逆に、運転情報には必ずしも上述した全ての物理量が含まれる必要はなく、これらの物理量の一部が含まれればよい。

一方、車両には属性情報を取得する各種車載装置が取り付けられ、属性情報が収集される。属性情報とは、車両の走行環境の特徴を表す情報であり、運転情報と対応付けられて収集される。

属性情報は、例えば車両が走行している道路の特徴、走行時の時刻情報、走行している位置を示す位置情報、道路を撮影した画像、及び走行時の気象情報等を含む。

道路の特徴は道路の構造情報及び付帯設備情報によって表され、道路の構造情報は、例えば車線数、曲率、交差する道路数、進行方向に沿った道路の交差点までの距離、制限速度、及び幅員等の情報を含む。また、道路の付帯設備情報は、例えば交差点における信号の有無、中央分離帯の有無、歩道の有無、及び歩道がある場合には車道と歩道を分離する歩道分離帯の有無等の情報を含む。

時刻情報は、時間（または時間帯）、及び曜日を含む。

位置情報は、例えばＧＰＳ(Global Positioning System)といった位置測位システムからの信号に基づいた車両の緯度及び経度を含む。位置情報は必ずしも緯度及び経度で表される必要はなく、例えば車両が走行する地点毎に予め一意に設定した地点ＩＤ(Identification)を用いてもよい。

道路を撮影した画像は、車両が走行中に撮影した道路の画像であっても、道路写真データベースのように予め撮影された道路の画像であってもよい。また、道路を撮影した画像は、航空機から撮影した道路の画像であってもよい。道路を撮影した画像の種類に制約はなく、例えば可視画像、赤外画像、及び撮影した地点から被写体までの距離を色で表した距離画像であってもよく、また、動画であっても静止画であってもよい。

気象情報は、例えば雨量、日射量、並びに、雨量及び日射量から推定した天候（例えば晴れ、くもり、雨、雪といった区分）を含む。

属性情報に含まれる情報は上記に列記した情報に限られず、車両の走行環境の特徴を表す情報であればどのような情報を含んでもよい。逆に、属性情報には必ずしも上述した全ての情報が含まれる必要はなく、これらの情報の一部が含まれればよい。属性情報に含まれ、車両の走行環境の特徴を表す各々の情報は「属性」と呼ばれる。

車両は、各地点における運転情報を当該地点における属性情報と対応付け、車両信号として出力装置１０に送信する。

出力装置１０は、出力部１１および車両信号ＤＢ(Database)１２を含み、車両信号ＤＢ１２は、車両から受け付けた車両信号を車両信号毎に管理する。

出力部１１は、異常検出装置２０から車両信号の要求指示があった場合、車両信号ＤＢ１２で管理される各々の車両信号を異常検出装置２０に送信する。

異常検出装置２０は、異常度計算部２１、閾値推定部２４、及び異常検出部２９の各機能部と、異常度ＤＢ２２、属性情報ＤＢ２３、及び異常閾値ＤＢ２８の各データ記憶領域を含む。

異常度計算部２１は、地点毎に予め用意された基準データセットと、出力装置１０から受け付けた車両信号に含まれる運転情報を運転情報が収集された地点毎にまとめた評価用データセットを、運転情報が収集された地点毎に比較する。

基準データセットとは、走行環境に異常がないと認められた状況で収集された運転情報の集合である。これに対して評価用データは、まだ走行環境に異常があるか否か不明である運転情報の集合である。基準データセットは、特許請求の範囲の第２の運転情報に相当する。

また、「走行環境に異常がある」とは、車両から落下した落下物、道路の陥没、道路の冠水、故障車の放置等、道路に車両の走行を妨げる要因が存在する状況をいう。

走行環境に異常がある場合には、個々の車両の運転者は、正常な運転行動の範囲内で車両の走行を妨げる要因を回避するため、走行する車線を変えて車両の速度を減速するといった、走行環境に異常が認められない場合の運転とは異なる運転を行う。

すなわち、出力装置１０から受け付けた評価用データセットと、当該評価用データセットが収集された地点における基準データセットとの間には、走行環境における異常の有無に応じた車両の挙動の違いが反映されていることになる。

したがって、評価用データセットと当該評価用データセットが収集された地点における基準データセットとを比較することによって、評価用データセットが収集された地点における車両の挙動の異常度（以下、単に「異常度」という）を算出することができる。

異常度とは、評価用データセットで表される車両の挙動と、車両の走行環境に異常が認められない場合における車両の挙動との相違度合いを示す値である。本実施の形態では一例として、異常度が大きいほど、車両の走行環境に異常が認められない場合における車両の挙動との相違度合いが大きいことを表すものとする。

上述したように、車両の走行環境に異常があれば、車両は走行環境に異常が認められない場合の車両の挙動とは異なる挙動をとるため、当該相違度合いが大きくなる。すなわち、異常度が大きいほど、評価用データセットに含まれる各々の運転情報が収集された地点の走行環境に異常が発生している蓋然性が高いことを表す。

異常度計算部２１は、非特許文献１に記載された手法を用いて、評価用データセットに対応する地点の異常度を算出する。

一例として、異常度計算部２１は、評価用データセットに含まれる運転情報の確率分布と、基準データセットに含まれる運転情報の確率分布の非類似度を、正定値カーネルを用いた２標本Ｕ−統計量で推定し、推定した値を異常度として設定する。そして、異常度計算部２１は、算出した異常度を異常度ＤＢ２２に記憶すると共に、異常度の算出に用いられた運転情報と対応付けられている各々の属性情報を属性情報ＤＢ２３に記憶する。

図２は、異常度計算部２１が地点Ｐ₁、地点Ｐ₂、及び地点Ｐ₃の各地点における評価用データセットと各々の地点に対応した基準データセットを用いて、地点Ｐ₁、地点Ｐ₂、及び地点Ｐ₃の各異常度を算出する例を示している。

図２において、グラフ５Ｐ₁は地点Ｐ₁における運転情報の確率分布を示し、グラフ５Ｐ₂は地点Ｐ₂における運転情報の確率分布を示し、グラフ５Ｐ₃は地点Ｐ₃における運転情報の確率分布を示している。グラフ５Ｐ₁〜グラフ５Ｐ₃において、横軸は運転情報を表し、縦軸は対応する運転情報が現れた頻度を表している。また、曲線２は基準データセットに含まれる運転情報の確率分布であり、曲線３は評価用データセットに含まれる運転情報の確率分布である。運転情報には複数の物理量が含まれるため、本来は多次元量として表されるが、説明の便宜上、グラフ５Ｐ₁〜グラフ５Ｐ₃では複数の物理量を１次元の特徴量に次元圧縮し、取得した特徴量、すなわち運転情報を横軸にプロットしている。

異常度計算部２１は、曲線２で表される基準データセットに含まれる運転情報の確率分布と、曲線３で表される評価用データセットに含まれる運転情報の確率分布の非類似度を異常度として算出する。なお、運転情報を２次元以上の特徴量で表してもよく、この場合、曲線２及び曲線３によってそれぞれ表される運転情報の確率分布は多次元確率分布となる。図２の例では、グラフ５Ｐ₁よりもグラフ５Ｐ₂の方が曲線２と曲線３の確率分布の非類似度が大きく、グラフ５Ｐ₂よりもグラフ５Ｐ₃の方が曲線２と曲線３の確率分布の非類似度が大きい。したがって、地点Ｐ₁の異常度は０．３、地点Ｐ₂の異常度は０．７２、地点Ｐ₃の異常度は０．８となっている。

異常度ＤＢ２２は、異常度計算部２１で算出された異常度を管理するデータ記憶領域であり、例えば異常度を一意に識別する識別情報である異常度ＩＤを各々の異常度と対応付けて管理する。異常度ＤＢ２２に蓄積される各々の異常度は、特許請求の範囲の予め蓄積された複数の異常度に相当する。

属性情報ＤＢ２３は、異常度の算出に用いられた運転情報と対応付けられている属性情報を管理するデータ記憶領域である。属性情報ＤＢ２３は、何れの属性情報がどの異常度の算出に用いられた運転情報の属性情報であるか識別可能となるように、対応する運転情報から算出された異常度に設定された異常度ＩＤと同じ異常度ＩＤを属性情報に対応付けて管理する。すなわち、属性情報ＤＢ２３から属性情報を選択した場合、異常度ＩＤを介して、選択した属性情報に対応した異常度が異常度ＤＢ２２から得られることになる。

閾値推定部２４は、異常度計算部２１によって算出された異常度を用いて、車両の挙動に異常が認められるか否かを検出する場合に、異常の有無に関する誤判定の確率が予め定めた確率となるような異常度を異常閾値として推定する。

そのために、閾値推定部２４は、推定単位決定部２５及び推定部２７の各機能部と、推定ＤＢ２６のデータ記憶領域を含む。

推定単位決定部２５は、異常閾値を推定する推定単位を決定する。異常閾値の推定単位とは、属性情報に基づいて決定される異常閾値を計算する単位のことであり、閾値推定部２４は当該単位毎に異常閾値を推定する。具体的には、閾値推定部２４で推定した異常閾値を用いて車両の挙動に異常が認められるか否かを検出する範囲を、特定の属性情報の範囲内に規定したものが異常閾値の推定単位となる。

推定単位決定部２５は、属性情報ＤＢ２３で管理される属性情報で特定される範囲内であれば、異常閾値の推定単位をどのように決定してもよい。例えば推定単位決定部２５は、属性情報ＤＢ２３で管理される属性情報に基づいてユーザが指示した推定単位を異常閾値の推定単位として決定する。

推定単位決定部２５は、決定した推定単位に含まれる異常度を異常度ＤＢ２２から抽出して推定ＤＢ２６に記憶する。

推定ＤＢ２６は、推定単位決定部２５から受け付けた異常度を推定単位毎に記憶する。

一例として、異常閾値の推定単位が、例えば運転情報が収集された全地点に設定された場合、推定単位決定部２５は、異常度ＤＢ２２に記憶される全ての異常度を取得して推定ＤＢ２６に記憶する。

また、異常閾値の推定単位が、例えばユーザによって指定された地点の近隣地域に設定された場合、推定単位決定部２５は属性情報ＤＢ２３を参照して、指定された地点から規定範囲内に含まれる地点の位置情報が設定された属性情報の異常度ＩＤを特定する。そして、推定単位決定部２５は、特定した各々の異常度ＩＤによって表される異常度を異常度ＤＢ２２から抽出して推定ＤＢ２６に記憶する。なお、指定された地点の近隣地域は、必ずしも指定された地点を中心とした円で表される必要はなく、例えば矩形、三角形、及び５角形以上の多角形等、予め定めた任意の形状によって表される。また、指定された地点の近隣地域を、指定した地点に接続する道路リンクに沿った距離で指定してもよい。この場合、指定した地点から指定された距離の範囲内に含まれる、当該地点を通過する道路の形状に沿った道路上の領域が、近隣地域として設定される。

また、異常閾値の推定単位が、例えば１６時台の時間帯に走行する車両の範囲に設定された場合、推定単位決定部２５は属性情報ＤＢ２３を参照して、走行時の時刻情報が１６時台に設定された属性情報の異常度ＩＤを特定する。そして、推定単位決定部２５は、特定した各々の異常度ＩＤによって表される異常度を異常度ＤＢ２２から抽出して推定ＤＢ２６に記憶する。なお、ユーザは異常閾値の推定単位を、例えば雨の日に１６時台の時間帯に走行する車両というように、複数の属性を組み合わせて指定するようにしてもよい。この場合、推定単位決定部２５は属性情報ＤＢ２３を参照して、気象情報が雨に設定され、かつ、走行時の時刻情報が１６時台に設定された属性情報の異常度ＩＤを特定する。そして、推定単位決定部２５は、特定した各々の異常度ＩＤによって表される異常度を異常度ＤＢ２２から抽出して推定ＤＢ２６に記憶すればよい。

更に、異常閾値の推定単位が、例えば指定された属性情報と類似する属性情報の単位に設定された場合、推定単位決定部２５は属性情報ＤＢ２３を参照し、指定された属性情報と類似する属性情報が設定された属性情報の異常度ＩＤを特定する。そして、推定単位決定部２５は、特定した各々の異常度ＩＤによって表される異常度を異常度ＤＢ２２から抽出して推定ＤＢ２６に記憶する。

属性情報が類似するとは、例えば属性情報に含まれる属性毎の類似度を数値化し、類似度が予め定めた基準類似度（例えば９０％）以上である状況をいう。属性情報の類似度の評価は、例えば属性情報に含まれる各属性を要素とするベクトル同士のコサイン距離やマハラノビスといった公知の類似度評価手法を用いることができる。基準類似度はユーザによって変更が可能である。

以降では、指定された異常閾値の推定単位の条件を満たす属性情報と対応付けられた運転情報を用いて算出された異常度のことを「推定単位に含まれる異常度」ということにする。

推定部２７は、推定ＤＢ２６に蓄積された異常度の集合、すなわち、推定単位に含まれる異常度の集合から生成される異常度分布４を用いて、異常の有無に関する誤判定の確率が予め定めた確率となるような異常度を異常閾値として推定する。

異常度分布４とは、例えば横軸を異常度とし、縦軸を異常度の度数とするグラフによって表される、推定単位に含まれる異常度の分布のことである。

また、異常の有無に関する誤判定の確率とは、実際には車両の挙動に異常がないにも関わらず、異常が認められると誤判定してしまう確率、または、実際には車両の挙動に異常が見られるにも関わらず、異常が認められないと誤判定してしまう確率のことをいう。本実施の形態では一例として、実際には車両の挙動に異常がないにも関わらず、異常が認められると誤判定してしまう確率、すなわち偽陽性率を設定する例について説明する。

偽陽性率がａ％(ａは正の実数)に設定された場合、推定部２７は、異常の有無の検出対象となる車両の挙動に対して、偽陽性率がａ％となるような異常閾値を推定する。なお、推定部２７における異常閾値の推定方法については後程詳細に説明する。

推定部２７は推定単位毎に異常閾値を推定した場合、推定した異常閾値を異常閾値ＤＢ２８に記憶する。

このように閾値推定部２４は、異常閾値の推定単位を決定し、異常度ＤＢ２２に予め蓄積された複数の異常度のうち、異常閾値の推定単位に含まれる異常度から異常閾値を推定する。

異常検出部２９は、異常の有無の検出対象となる車両の挙動を表す評価用データセットに対する異常度と、閾値推定部２４が推定した異常閾値を比較することで、車両の挙動に異常が認められるか否かを検出し、検出結果を出力する。具体的には、異常検出部２９は、評価用データセットに対する異常度が異常閾値以上の場合に、車両の挙動に異常が認められると検出し、評価用データセットに対する異常度が異常閾値未満の場合に、車両の挙動に異常は認められないと検出する。

なお、ユーザは、どのような観点に基づいて評価用データセットから異常の有無を検出するか検討し、異常の有無を検出したい観点に対応した推定単位の異常閾値を指定する。異常検出部２９は、ユーザが指定した推定単位の異常閾値を異常閾値ＤＢ２８から取得して、異常の検出に用いる。

例えば評価用データセットが図２に示した地点Ｐ₁における運転情報の集合であるとする。この場合に、ユーザが車両の走行地点に着目して異常の有無を検出したいと指定すれば、異常検出部２９は、位置情報が地点Ｐ₁に設定された属性情報の運転情報を用いて算出された異常度の異常度分布４から推定した異常閾値を異常の検出に用いる。また、ユーザが地点Ｐ₁における車道の車線数に着目して異常の有無を検出したいと指定したとする。この場合、異常検出部２９は、地点Ｐ₁における車道の車線数と同じ車線数を有する属性情報の運転情報を用いて算出された異常度の異常度分布４から推定した異常閾値を異常の検出に用いる。また、ユーザが地点Ｐ₁の走行時の天候（例えば雨とする）に着目して異常の有無を検出したいと指定した場合、異常検出部２９は、指定された天候（すなわち、雨）が設定された属性情報の運転情報から算出された異常度の異常度分布４から推定した異常閾値を異常の検出に用いる。

このように、異常検出部２９は、ユーザが評価用データセットに対して異常の有無を評価したいと指定した観点に対応した推定単位の異常閾値を用いて、車両の挙動に対する異常の有無の検出を行う。

次に、異常検出装置２０における電気系統の要部構成例について説明する。

図３に示すように、異常検出装置２０は例えばコンピュータ３０を用いて構成される。

コンピュータ３０は、異常検出装置２０に係る各機能部を担うＣＰＵ(Central Processing Unit)３１、コンピュータ３０を図１に示した異常検出装置２０の各機能部として機能させる異常検出プログラムを記憶するＲＯＭ(Read Only Memory)３２を備える。また、コンピュータ３０は、ＣＰＵ３１の一時的な作業領域として使用されるＲＡＭ(Random Access Memory)３３、不揮発性メモリ３４、及び入出力インターフェース(Ｉ／Ｏ)３５を備える。そして、ＣＰＵ３１、ＲＯＭ３２、ＲＡＭ３３、不揮発性メモリ３４、及びＩ／Ｏ３５がバス３６を介して各々接続されている。

不揮発性メモリ３４は、不揮発性メモリ３４に供給される電力が遮断されても、記憶した情報が維持される記憶装置の一例であり、例えば半導体メモリが用いられるがハードディスクを用いてもよい。不揮発性メモリ３４は、必ずしもコンピュータ３０に内蔵されている必要はなく、例えばメモリカードのようにコンピュータ３０に着脱可能な可搬型の記憶装置であってもよい。

Ｉ／Ｏ３５には、例えば通信ユニット３７、入力ユニット３８、及び表示ユニット３９が接続される。

通信ユニット３７は図示しない通信回線に接続され、例えば出力装置１０のように図示しない通信回線に接続される各装置との間でデータ通信を行う通信プロトコルを備える。なお、通信ユニット３７に接続される図示しない通信回線は無線回線であっても有線回線であってもよく、また、専用回線であってもインターネットのように不特定多数の装置が接続される公衆回線であってもよい。

入力ユニット３８は、ユーザからの指示を受け付けてＣＰＵ３１に通知する装置であり、例えばボタン、タッチパネル、キーボード、及びマウス等が用いられる。ユーザの指示が音声で行われる場合、入力ユニット３８としてマイクが用いられることがある。

表示ユニット３９は、ＣＰＵ３１によって処理された情報を表示する装置であり、例えば液晶ディスプレイ、有機ＥＬ(Electro Luminescence)ディスプレイ、及びスクリーンに映像を投影するプロジェクタ等が用いられる。

なお、異常検出装置２０は必ずしも単体のコンピュータ３０で構成される必要はなく、例えば図１に示した機能部毎に異なるコンピュータ３０を割り当ててもよい。この場合、異常検出装置２０は複数のコンピュータ３０によって構成される。また、コンピュータ３０の代わりに、例えばインターネットを通じてコンピュータ３０と同じ処理能力を提供するクラウドコンピューティングサービスを用いてもよい。

次に、異常の有無の検出対象となる評価用データセットによって表される車両の挙動から、車両の挙動に異常が認められるか否かを検出する異常検出装置２０の動作について説明する。以降では、異常の有無の検出対象となる評価用データセットのことを、特に「検出対象データセット」ということにする。検出対象データセットは、特許請求の範囲の第１の運転情報に相当する。

図４は、指定された車両の挙動に対する異常の判定指示を受け付けた場合に、異常検出装置２０のＣＰＵ３１によって実行される異常検出処理の一例を示すフローチャートである。異常検出処理を規定する異常検出プログラムは、例えば異常検出装置２０のＲＯＭ３２に予め記憶されている。異常検出装置２０のＣＰＵ３１は、ＲＯＭ３２に記憶される異常検出プログラムを読み込み、異常検出処理を実行する。

なお、異常度ＤＢ２２には、これまでに異常検出装置２０が受け付けた各々の評価用データセットに対する異常度が予め記憶され、属性情報ＤＢ２３には、異常度が算出された評価用データに含まれる各々の運転情報に対応した属性情報が予め記憶されている。また、異常閾値の推定に用いられる偽陽性率は予め指定されているものとする。

一例として異常度ＤＢ２２、属性情報ＤＢ２３、推定ＤＢ２６、及び異常閾値ＤＢ２８は、例えば不揮発性メモリ３４に構築され、ユーザによって指定された偽陽性率も不揮発性メモリ３４に記憶されているものとする。しかしながら、必ずしも異常度ＤＢ２２、属性情報ＤＢ２３、推定ＤＢ２６、及び異常閾値ＤＢ２８が不揮発性メモリ３４に構築され、また、偽陽性率が不揮発性メモリ３４に記憶される必要はない。例えば通信ユニット３７を通じて図示しない通信回線に接続された記憶装置に異常度ＤＢ２２、属性情報ＤＢ２３、推定ＤＢ２６、及び異常閾値ＤＢ２８を構築すると共に、偽陽性率を記憶するようにしてもよい。

まず、ステップＳ１０において、ＣＰＵ３１はユーザが指示した推定単位を、異常閾値を推定する推定単位として決定する。

ステップＳ２０において、ＣＰＵ３１は、ステップＳ１０で決定した推定単位に含まれる異常度を異常度ＤＢ２２から抽出して、推定ＤＢ２６に記憶する。

ステップＳ３０において、ＣＰＵ３１は、ステップＳ２０で推定ＤＢ２６に記憶した推定単位に含まれる異常度を用いて、異常度分布４を生成する。

図５に示す異常度分布４では説明の便宜上、各異常度における度数を表す点を滑らかな曲線で補間しているが、実際には異常度分布４は離散分布となる。異常度分布４は推定単位に含まれる各異常度の度数をプロットすることで得られる分布であるため、未知の分布に従う異常度の出現度合いから推定された経験分布であるということができる。

そして、ＣＰＵ３１は生成した異常度分布４を用いて、異常の有無の検出対象となる車両の挙動に対する偽陽性率が、ユーザによって指定された偽陽性率となるような異常閾値を推定する。ＣＰＵ３１は、推定した異常閾値をステップＳ１０で決定した推定単位と対応付けて不揮発性メモリ３４に記憶する。

生成した異常度分布４とＸ軸によって囲まれた異常度分布４の面積は異常度の発生確率を表す。したがって、ＣＰＵ３１は、生成した異常度分布４とＸ軸によって囲まれた異常度分布４の全面積に対して、異常度の大きい方から取得した、偽陽性率で表される割合の面積に対応した異常度を異常閾値として推定する。

道路の陥没といった走行環境に異常が認められるような状況は確率的に発生しにくいため、異常度ＤＢ２２に記憶される異常度は、車両の挙動に異常が認められない状況下で得られた異常度とみなすことができる。したがって、指定された偽陽性率をａ％とすると、異常度分布４の全面積に対する面積の割合がａ％となるように設定した領域６のＹ軸方向に沿った境界とＸ軸が交差する場所に位置する異常度が、偽陽性率ａ％で表される割合の面積に対応した異常度となる。図５の例では、異常度０．７８が異常閾値として推定されている。

ステップＳ４０において、ＣＰＵ３１は、検出対象データセットから算出された異常度（「検出対象異常度」という）と、ステップＳ３０で推定された異常閾値を比較する。ＣＰＵ３１は検出対象異常度が異常閾値以上である場合、検出対象データセットで表される車両の挙動に異常があると判定し、検出対象異常度が異常閾値未満である場合、検出対象データセットで表される車両の挙動に異常がないと判定した異常検出結果を出力する。

以上により、図４に示す異常検出処理を終了する。

なお、ステップＳ１０で決定した異常閾値の推定単位の内容によって、車両の挙動に対する異常の有無の検出精度に違いが現れることがある。

例えば異常閾値の推定単位が、運転情報が収集された全地点に設定された場合、異常度ＤＢ２２に記憶される全ての異常度が異常閾値の推定単位に含まれる。したがって、異常閾値の推定に用いられなかった新たな異常度が異常度ＤＢ２２に記憶された後に異常閾値を推定し直したとしても、推定単位に含まれる異常度の数に対して新たに推定単位に追加された異常度の数の割合は、異常閾値の推定単位を特定の地点に限定した場合の割合と比較して低く抑えられる。その結果、再推定した異常閾値の変動が抑制されることになる。しかしながら、地点毎に車両の走行環境は異なるため、地点毎に算出された異常度が取り得る範囲（「異常閾値の水準」ともいう）は必ずしも同じになるとは限らない。したがって、異常閾値の推定単位を運転情報が収集された全地点に設定した場合、検出対象データセットが収集された地点によっては、車両の挙動に対する異常の有無の検出精度にばらつきが生じやすくなる。なお、以降では、車両の挙動に対して異常の有無を検出する行為を「異常検出」といい、異常検出における検出精度のことを「異常検出精度」ということにする。

一方、例えば異常閾値の推定単位が、検出対象データセットが収集された地点の近隣地域に設定された場合、異常閾値の推定単位に含まれる異常度は、異常度ＤＢ２２に記憶される全ての異常度の数より少ない異常度の部分集合に限定される。

今、この状況において、異常閾値の推定に用いられなかった新たな異常度が異常度ＤＢ２２に記憶された後に異常閾値の再推定を行うものとする。この場合、推定単位に含まれる異常度の数に対して新たに推定単位に追加された異常度の数の割合は、異常閾値の推定単位を全地点に設定した場合の割合と比較して高くなる。その結果、再推定した異常閾値の変動が大きくなる傾向がみられる。しかしながら、検出対象データセットが収集された地点の走行環境と、当該地点に対する近隣地域の走行環境は隣接する地域であることから類似点も多く、それに伴い、近隣地域における車両の挙動も類似する傾向がみられる。したがって、異常閾値の推定単位を検出対象データセットが収集された地点の近隣地域に設定した場合、異常閾値の推定単位を運転情報が収集された全地点に設定する場合と比較して異常検出精度のばらつきが抑制され、異常検出精度も偽陽性率に近づきやすくなる。

なお、異常閾値の推定単位を、検出対象データセットが収集された地点の属性情報と類似する属性情報の単位に設定した場合も、属性情報が類似することから、属性情報に対応する運転情報によって表される車両の挙動が類似する傾向がみられる。したがって、異常閾値の推定単位を運転情報が収集された全地点に設定する場合と比較して、異常検出精度が指定した偽陽性率に近づきやすくなる。

ユーザは、上述したような推定単位の指定による異常検出精度の変化の傾向を考慮した上で、推定単位を指定することが好ましい。

一方で、例えば異常検出精度を指定した偽陽性率にできるだけ近づけたいとの要求をユーザが指定した上で、例えば異常閾値の推定単位を運転情報が収集された全地点とするような指定をユーザが行ったとする。この場合、ＣＰＵ３１は表示ユニット３９を制御して、異常閾値の推定単位が適切でないことをユーザに通知し、更に、所定の異常検出精度が得られるような推定単位の指定方法を提示してもよい。

このように本実施の形態に係る異常検出装置２０によれば、各地点での異常度が蓄積された異常度ＤＢ２２から推定単位に含まれる異常度を抽出する。そして、異常検出装置２０は抽出した異常度の異常度分布４に基づいて、異常検出精度が所定の偽陽性率となるような異常閾値を推定する。したがって、異常検出装置２０は、異常検出精度と異常閾値との間に存在する理論的な関係が不明であったとしても、所定の異常検出精度で異常検出を行うことができる。

また、異常の有無の検出対象となる地点の属性情報と類似する属性の数が多くなるように異常閾値の推定単位を絞り込むことで、異常度分布４を、異常の有無の検出対象となる地点を走行する車両の挙動に対する実際の異常度の分布に近づけることができる。したがって、異常検出精度を所定の異常検出精度に近づけることができる。

＜第２実施形態＞
車両の挙動に関する異常検出方法は、第１実施形態に示した異常検出方法に限定されない。

したがって、第２実施形態では、異常度分布４の生成に用いられる異常度のデータ数に応じて、異常度分布４から異常閾値を推定する推定方法を切り換える例について説明する。第２実施形態に係る異常検出装置２０の構成は第１実施形態で説明した異常検出装置２０の構成と同じであるため、異常検出装置２０の構成については説明を省略し、相違点を中心に説明する。なお、第２実施形態において第１実施形態で示した符号と同じ符号は、同一の構成及び処理を示すものであって、先行する説明を参照する。

図６は、指定された車両の挙動に対する異常の判定指示を受け付けた場合に、異常検出装置２０のＣＰＵ３１によって実行される、第２実施形態に係る異常検出処理の一例を示すフローチャートである。異常検出処理を規定する異常検出プログラムは、例えば異常検出装置２０のＲＯＭ３２に予め記憶されている。異常検出装置２０のＣＰＵ３１は、ＲＯＭ３２に記憶される異常検出プログラムを読み込み、異常検出処理を実行する。

図６に示すフローチャートが、図４に示した第１実施形態に係る異常検出処理のフローチャートと異なる点は、ステップＳ２２及びステップＳ２４が追加された点であり、その他の処理は図４に示した処理と同じである。

ステップＳ２０で、ステップＳ１０で決定した推定単位に含まれる異常度を異常度ＤＢ２２から抽出した後、ステップＳ２２が実行される。

ステップＳ２２において、ＣＰＵ３１は、推定単位に含まれる異常度のデータ数が基準データ数Ｎ_A以上であるか否かを判定する。

基準データ数Ｎ_Aとは、異常検出精度が指定された偽陽性率となるような異常閾値が得られる異常度分布４を生成するために必要となる、推定単位に含まれる異常度の最低データ数のことであり、正の整数で表される。異常度分布４は推定単位に含まれる異常度から生成されることから、推定単位に含まれる異常度の集合のことを「異常度の母集団」ということがある。

推定単位に含まれる異常度のデータ数が基準データ数Ｎ_A以上である場合には、推定単位に含まれる異常度から生成した異常度分布４を用いて推定した異常閾値は、異常検出精度が指定された偽陽性率となるような異常閾値となる。したがって、ステップＳ３０に移行して、第１実施形態で説明した異常検出処理と同じ推定方法によって異常閾値を推定する。

一方、推定単位に含まれる異常度のデータ数が基準データ数Ｎ_A未満である場合には、異常度のデータ数が基準データ数Ｎ_A以上ある場合に得られる異常度分布４から推定した異常閾値を用いて異常検出を行うよりも、偽陽性率と異常検出精度との差が大きくなる。したがって、ステップＳ２４に移行して、パラメトリック手法を用いた異常閾値の推定を行う。パラメトリック手法とは、推定単位に含まれる異常度が特定の分布に従うことを前提として異常閾値の推定を行う統計分析の一手法である。

ステップＳ２４において、ＣＰＵ３１は、推定単位に含まれる異常度から生成した異常度分布４を、分布傾向が最も似ている公知の確率分布に当てはめてステップＳ３０に移行する。すなわち、ＣＰＵ３１は、推定単位に含まれる異常度の分布がステップＳ２４で当てはめた特定の確率分布に従っているとみなして、異常閾値を推定することになる。

当てはめる確率分布の種類に制約はなく、ＣＰＵ３１は、例えば正規分布、ガンマ分布、及びカイ二乗分布等の確率分布、並びに、複数の公知の確率分布を混合した混合分布を当てはめてもよい。

公知の確率分布が当てはめられた場合、ステップＳ３０において、ＣＰＵ３１は当てはめた確率分布とＸ軸によって囲まれた確率分布の全面積に対して、異常度の大きい方から取得した、偽陽性率で表される割合の面積に対応した異常度を異常閾値として推定する。

なお、異常度のデータ数が基準データ数Ｎ_A以上あることを「異常度のデータ数が統計上充足する」といい、基準データ数Ｎ_A未満であることを「異常度のデータ数が統計上充足しない」という。

異常度分布４を近似する分布として当てはめた公知の確率分布から異常閾値を推定することで、推定単位に含まれる異常度のデータ数が統計上充足しない場合であっても、異常検出精度が指定された偽陽性率となるような異常閾値が推定されることになる。すなわち、推定単位に含まれる異常度のデータ数に応じて異常閾値を推定する推定方法を切り替えることで、異常度のデータ数に関係なく、異常検出精度が指定された偽陽性率となるような異常閾値が推定されることになる。

次に、図６のステップＳ２２の判定処理で用いられる基準データ数Ｎ_Aの具体的な設定値について説明する。

まず、前提として異常度の母集団における異常度の平均値は未知であり、異常度の母集団の分散は“１”の正規分布に従うものとする。また、指定された偽陽性率は５％であり、偽陽性率の誤差は９９％の確率で±１％以内となるように設定されているものとする。偽陽性率の誤差が９９％の確率で±１％以内という条件は、指定された偽陽性率が５％であれば、推定した異常閾値を用いて異常検出を行った場合の実際の偽陽性率が、４％以上６％以下に収まる確率が９９％となることを意味する。

異常度の平均値が未知で、分散が“１”の正規分布に従う異常度の母集団について、偽陽性率と異常閾値との関係は、未知の平均値を“Ｇ”とすれば偽陽性率が６％の場合、異常閾値は(Ｇ＋１．５５５)となる。また、偽陽性率が５％の場合には、異常閾値は(Ｇ＋１．６４５)となり、偽陽性率が４％の場合には、異常閾値は(Ｇ＋１．７５１)となる。この場合、偽陽性率が４％と５％におけるそれぞれの異常閾値の差分は“０．１０６”であり、偽陽性率が５％と６％におけるそれぞれの異常閾値の差分は“０．０９０”である。したがって、異常度の母集団における異常度の平均値が真値から“０．０９０”ずれると、偽陽性率が１％ずれることになる。換言すれば、異常度の母集団における異常度の平均値の真値と、推定される平均値との誤差が“０．０９０”以内であれば、偽陽性率の誤差も１％以内に収まることになる。

一方、Ｎ個(Ｎは正の整数)の異常度を含む異常度の母集団から推定した異常度の平均値は、平均値が異常度の母集団における平均値の真値で、分散が(１／Ｎ)の正規分布に従う。分散は平均値からの異常度のばらつきの大きさを表していることから、分散が小さくなるほど、異常度の平均値の真値に対する誤差が小さくなる確率が高くなる。したがって、Ｎに具体的な数値を代入して誤差の発生確率を計算した結果、Ｎ＝８２０の場合に、異常度の平均値の真値からの誤差が“０．０９０”以内になる確率が９９％になるとの結果が得られる。

したがって、異常検出精度が偽陽性率５％±１％以内に９９％の確率で収まるようにするためには、基準データ数Ｎ_Aを“８２０”に設定すればよいことがわかる。このようにして、ユーザは未知の分布を有する異常度の母集団の分散を仮定した上で、目標とする偽陽性率と、許容される偽陽性率の誤差から基準データ数Ｎ_Aを設定すればよい。

各実施の形態では、異常検出精度を偽陽性率で表した場合に推定される異常閾値を用いて異常検出を行う例について説明した。しかしながら、実際には車両の挙動に異常が見られるにも関わらず、異常が認められないと誤判定してしまう確率、すなわち偽陰性率を用いて異常検出精度を規定してもよい。

この場合、異常検出装置２０は、走行環境に異常が認められる状況で収集された各地点での運転情報の集合を基準データセットとして予め取得し、各々の基準データセットに対応する異常度を異常度ＤＢ２２に記憶しておく。異常検出装置２０は、推定単位に含まれる異常度から生成した図５に示すような異常度分布４とＸ軸によって囲まれた異常度分布４の全面積に対して、異常度の小さい方から取得した、偽陰性率で表される割合の面積に対応した異常度を異常閾値として推定する。

なお、実際の道路において、走行環境に異常が認められる状況は、走行環境に異常が認められない状況よりも発生確率が低い。したがって、異常検出精度を偽陰性率で規定する場合、異常検出精度を偽陽性率で規定する場合よりも基準データセットが取得しにくいため、異常検出精度を偽陽性率で規定する方が好ましい。偽陽性率及び偽陰性率は、特許請求の範囲の予め定めた確率に相当する。

以上、実施の形態を用いて本開示について説明したが、本開示は上述した実施の形態に記載の範囲には限定されない。本開示の要旨を逸脱しない範囲で実施の形態に多様な変更又は改良を加えることができ、当該変更又は改良を加えた形態も本開示の技術的範囲に含まれる。例えば、本開示の要旨を逸脱しない範囲で図４及び図６に示した異常検出処理の処理順序を変更してもよい。

また、実施の形態では、一例として異常検出処理をソフトウェアで実現する形態について説明した。しかしながら、図４及び図６に示した各フローチャートの少なくとも１つのステップに対応する処理と同等の処理を、例えばＡＳＩＣ(Application Specific Integrated Circuit)に実装し、ハードウェアで処理させるようにしてもよい。この場合、異常検出処理をソフトウェアで実現した場合と比較して、処理の高速化が図られる。

また、上述した実施の形態では、異常検出プログラムがＲＯＭ３２にインストールされている形態について説明したが、これに限定されるものではない。本開示に係る異常検出プログラムは、コンピュータで読み取り可能な記憶媒体に記録された形態で提供することも可能である。例えば、本開示に係る異常検出プログラムを、ＣＤ(Compact Disc)−ＲＯＭ、又はＤＶＤ(Digital Versatile Disc)−ＲＯＭ等の光ディスクに記録した形態で提供してもよい。また、本開示に係る情報処理プログラムをＵＳＢ(Universal Serial Bus)メモリ及びメモリカード等の半導体メモリに記録した形態で提供してもよい。更に、異常検出装置２０は図示しない通信回線を通じて、図示しない通信回線と接続される外部装置から、本開示に係る異常検出プログラムをダウンロードするようにしてもよい。

４異常度分布、１０出力装置、２０異常検出装置、２４閾値推定部、２９異常検出部、３０コンピュータ、１００異常検出システム

Claims

コンピュータ（３０）を用いて、異常の検出対象となる車両の挙動を表す第１の運転情報と、走行環境に異常が認められない場合における第２の運転情報の相違度合いを示す異常度の大きさに応じて、前記車両の挙動に異常が認められるか検出する場合に、予め蓄積された前記異常度の集合から生成される異常度分布（４）を用いて、異常の有無に関する誤判定の確率が予め定めた確率となるような前記異常度を異常閾値として推定し、
推定した前記異常閾値と、前記第１の運転情報に対する前記異常度を比較することで、前記車両の挙動に異常が認められるか検出する
異常検出方法。
前記異常度分布の生成に用いられる前記異常度の数に応じて、前記異常度分布から前記異常閾値を推定する推定方法を切り換える
請求項１記載の異常検出方法。
前記異常度分布の生成に用いられる前記異常度のデータ数が予め定めた基準データ数以上である場合、前記異常度分布の全面積に対する、前記異常度の大きい方から前記誤判定の確率で表される割合の面積に対応した前記異常度を前記異常閾値として推定し、前記異常度分布の生成に用いられる前記異常度のデータ数が前記基準データ数未満である場合、前記異常度分布を特定の確率分布に当てはめ、前記確率分布の全面積に対する、前記異常度の大きい方から前記誤判定の確率で表される割合の面積に対応した前記異常度を前記異常閾値として推定する
請求項２記載の異常検出方法。
前記異常閾値の推定単位を決定し、予め蓄積された複数の前記異常度のうち、前記異常閾値の推定単位に含まれる前記異常度から前記異常閾値を推定する
請求項１〜請求項３の何れか１項に記載の異常検出方法。
前記異常閾値の推定単位を、前記車両の走行地点から予め定めた範囲内に含まれる近隣地域の単位に決定し、前記車両の走行地点から前記近隣地域で用いる前記異常閾値を推定する
請求項４記載の異常検出方法。
前記異常閾値の推定単位を、前記車両の走行環境に関する属性情報と類似する属性情報の単位に決定し、前記異常閾値の推定単位に決定した属性情報が含まれる範囲内で用いる前記異常閾値を推定する
請求項４記載の異常検出方法。
車両の挙動を表す第１の運転情報と、走行環境に異常が認められない場合における第２の運転情報の相違度合いを示す異常度の大きさに応じて、前記車両の挙動に異常が認められるか検出する場合に、予め蓄積された前記異常度の集合から生成される異常度分布（４）を用いて、異常の有無に関する誤判定の確率が予め定めた確率となるような前記異常度を異常閾値として推定する閾値推定部（２４）と、
前記閾値推定部で推定された前記異常閾値と、前記第１の運転情報に対する前記異常度を比較することで、前記車両の挙動に異常が認められるか検出する異常検出部（２９）と、
を備えた異常検出装置（２０）。
車両の挙動を表す第１の運転情報と、前記車両が走行する走行環境を表す属性情報を出力する出力部を備えた出力装置（１０）と、
前記出力装置の前記出力部から受け付けた前記第１の運転情報と、走行環境に異常が認められない場合における第２の運転情報の相違度合いを示す異常度の大きさに応じて、前記車両の挙動に異常が認められるか検出する場合に、予め蓄積された前記異常度の集合から生成される異常度分布（４）を用いて、異常の有無に関する誤判定の確率が予め定めた確率となるような前記異常度を異常閾値として推定する閾値推定部（２４）、及び、前記閾値推定部で推定された前記異常閾値と、前記第１の運転情報に対する前記異常度を比較することで、前記車両の挙動に異常が認められるか検出する異常検出部（２９）を備えた異常検出装置（２０）と、
を含む異常検出システム（１００）。