JP2021017079A - 踏切危険度判別プログラム - Google Patents
踏切危険度判別プログラム Download PDFInfo
- Publication number
- JP2021017079A JP2021017079A JP2019132022A JP2019132022A JP2021017079A JP 2021017079 A JP2021017079 A JP 2021017079A JP 2019132022 A JP2019132022 A JP 2019132022A JP 2019132022 A JP2019132022 A JP 2019132022A JP 2021017079 A JP2021017079 A JP 2021017079A
- Authority
- JP
- Japan
- Prior art keywords
- information
- railroad crossing
- risk
- crossing
- degree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
Abstract
【課題】踏切内の電車との接触による危険度を事前に察知し、事故を未然に防止する 。【解決手段】踏切の危険度を判別するための踏切危険度判別プログラムにおいて、踏切への電車の接近情報を取得するとともに、当該接近情報の取得時点における踏切内の音声情報を取得する情報取得ステップと、踏切への電車の参照用接近情報と、当該参照用接近情報の取得時点における参照用音声情報とを有する組み合わせと、当該組み合わせに対する踏切の危険度との3段階以上の連関度を参照し、上記情報取得ステップを介して取得した接近情報と音声情報とに基づき、上記踏切内の危険度を判別する判別ステップとをコンピュータに実行させることを特徴とする。【選択図】図3
Description
本発明は、踏切内の危険度を判別するための踏切危険度判別プログラムに関する。
従来より、踏切における移動体(車両、人)と電車との接触による事故が問題になっている。線路の高架化が進んでいるものの、未だ踏切を数多く通過する路線も数多くあることから、踏切内における移動体と電車との接触による危険度を事前に察知し、事故を未然に防止することが求められる。このような危険度を自動的に、しかも高精度に行う必要がある。
上述した特許文献1の開示技術では、踏切に人工知能の学習機能を設けている点は記載されているが、人工知能を活用して踏切内の危険度を判別することについて何ら記載されていない。
そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、踏切内の移動体と電車との接触による危険度を事前に察知し、事故を未然に防止するために、踏切内の危険度を人工知能を利用して自動的に判別する踏切危険度判別プログラムを提供することにある。
本発明に係る踏切危険度判別プログラムは、踏切の危険度を判別するための踏切危険度判別プログラムにおいて、踏切への電車の接近情報を取得するとともに、当該接近情報の取得時点における踏切内の音声情報を取得する情報取得ステップと、踏切への電車の参照用接近情報と、当該参照用接近情報の取得時点における参照用音声情報とを有する組み合わせと、当該組み合わせに対する踏切の危険度との3段階以上の連関度を参照し、上記情報取得ステップを介して取得した接近情報と音声情報とに基づき、上記踏切内の危険度を判別する判別ステップとをコンピュータに実行させる。
踏切内の電車との接触による危険度を事前に察知し、事故を未然に防止するために、踏切内の危険度を人工知能を利用して自動的に判別することができる。
以下、本発明を適用した踏切危険度判別プログラムについて、図面を参照しながら詳細に説明をする。
図1は、本発明を適用した踏切危険度判別プログラムが実装される踏切危険度判別システム1の全体構成を示すブロック図である。踏切危険度判別システム1は、情報取得部9と、情報取得部9に接続された判別装置2と、判別装置2に接続されたデータベース3とを備えている。
情報取得部9は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部9は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部9は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部9は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部9は、後述する判別装置2と一体化されていてもよい。情報取得部9は、検知した情報を判別装置2へと出力する。情報取得部9は、検知した情報を推定装置2へと出力する。また情報取得部9は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。また、情報取得部9は、作業者の頭部又は眼鏡に一体又は部分的に装着されるユーザ端末や、スマートフォン、タブレット型端末、ウェアラブル端末、デジタルカメラ、ビデオカメラ、その他携帯端末等、映像情報(動画像又は静止画像)を取得できるカメラ等で構成されていてもよい。作業者の頭部又は眼鏡に一体又は部分的に装着されるユーザ端末の例としては、撮像する映像情報に基づいて生成された情報を透過状態で表示する表示部を備えるものであってもよい。ユーザ端末は、例えば、HMD(ヘッドマウントディスプレイ)の1種類であるホロレンズ(登録商標)であってもよい。ユーザは、ユーザ端末の表示情報をヘッドマウントディスプレイ又はホロレンズ等のような透過して表示する表示部を介して、作業エリアや評価対象の機器を透過して確認することができる。
データベース3は、踏切において以前発生した事故、或いは事故まで至らなかったものの、危険度が高かった事例等、踏切内の危険度に関する情報を蓄積している。データベース3は、実際に情報取得部9を構成するカメラにより以前撮像した画像情報、当該参照用接近情報の撮影時点における当該踏切への電車の参照用接近情報、踏切を横断する移動体の横断頻度を示す参照用横断頻度、踏切を横断する移動体の動線(その動線の時系列変化も含む)を抽出した参照用動線情報等が蓄積されている。データベース3は、参照用接近情報の撮影時点における電車の参照用ダイヤ情報、参照用接近情報の撮影時点における電車の参照用遅延情報、参照用接近情報の撮影時点における踏切内の参照用音声情報、参照用接近情報の撮影時点における踏切の参照用開閉時間帯情報、参照用接近情報の撮影時点における踏切の参照用設備情報、参照用接近情報に基づいて判別した踏切内を横断する参照用横断オブジェクト、参照用横断オブジェクトの動きを検出した参照用動き情報、参照用接近情報の撮影時点における踏切外の各位置から踏切に向けて画像を撮影することによる踏切への参照用視認性情報等も記録されている。
判別装置2は、例えば、パーソナルコンピュータ(PC)等を始めとした電子機器で構成されているが、PC以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この判別装置2による探索解を得ることにより、踏切における危険度を判別することができる。
図2は、判別装置2の具体的な構成例を示している。この判別装置2は、判別装置2全体を制御するための制御部24と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部25と、有線通信又は無線通信を行うための通信部26と、各種判断を行う判断部27と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部28とが内部バス21にそれぞれ接続されている。さらに、この内部バス21には、実際に情報を表示するモニタとしての表示部23が接続されている。
制御部24は、内部バス21を介して制御信号を送信することにより、判別装置2内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部24は、操作部25を介した操作に応じて各種制御用の指令を内部バス21を介して伝達する。
操作部25は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部25は、上記実行命令がユーザから入力された場合には、これを制御部24に通知する。この通知を受けた制御部24は、判断部27を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部25は、前述した情報取得部9として具現化されるものであってもよい。
判断部27は、踏切の危険度に関する各種判断を担う。この判断部27は、推定動作を実行するに当たり、必要な情報として記憶部28に記憶されている各種情報や、データベース3に記憶されている各種情報を読み出す。この判断部27は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。
表示部23は、制御部24による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部23は、例えば、液晶ディスプレイ(LCD)等によって実現される。
記憶部28は、ハードディスクで構成される場合において、制御部24による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部28には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部24により読み出されて実行されることになる。
上述した構成からなる踏切危険度判別システム1における動作について説明をする。
踏切危険度判別システム1では、例えば図3に示すように、参照用接近情報と、参照用ダイヤ情報との組み合わせが形成されていることが前提となる。参照用接近情報とは、電車があと何分後に接近してくるかを示すものであり、例えば、電車が踏切に接近している時間として、「下り電車、30秒後」、「上り電車、45秒後」等であるものとする。接近情報の取得は、電鉄会社が管理する電車の運行状況のデータを直接取得するようにしてもよい。また接近情報は、電車のダイヤ情報、電車の遅延情報の何れか1以上に基づいて取得するようにしてもよい。実際にある踏切に電車が何分後に到着するかは、現在時刻、電車のダイヤ、遅延情報、気候や天気等に基づく。これらの情報から実際に踏切に電車が何分後に到着するかを計算する。また、接近情報の取得は、踏切の手前50m地点を電車が通過したか否かに基づくものであってもよい。つまり踏切の手前50m地点を電車が通過したことをセンサにより検知した場合は、電車が接近していることを判別し、検知していない場合は、まだ電車が接近していないことを判別し、これを接近情報に含めるようにしてもよい。これらの接近情報の取得方法は、上述した参照用接近情報を取得する際も同様である。
参照用音声情報は、踏切内の音声を録音した情報であり、音の大きさのレベルや、例えば音波の周波数情報や音声を様々な音波の帯域でスペクトル分析をしたデータで具現化されていてもよい。また参照用接近情報が動画像であれば、その動画像の時間軸に重ね合わせた音声のデータとされていてもよい。
図3の例では、例えば参照用接近情報が、参照用接近情報P11〜P13、参照用音声情報として、P17〜P20であるものとする。
入力データとしては、このような参照用接近情報と、参照用音声情報が並んでいる。このような入力データとしての、参照用接近情報に対して参照用音声情報が組み合わさったものが、図3に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、踏切内の危険度が、パーセンテージとして表示されている。
参照用接近情報と参照用音声情報との各組み合わせ(中間ノード)は、この出力解としての、踏切内の危険度に対して3段階以上の連関度を通じて互いに連関しあっている。参照用接近情報と参照用音声情報がこの連関度を介して左側に配列し、各危険度が連関度を介して右側に配列している。連関度は、左側に配列された参照用接近情報と参照用音声情報に対して、何れの危険度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用接近情報と参照用音声情報が、いかなる危険度に紐付けられる可能性が高いかを示す指標であり、参照用接近情報と参照用音声情報から最も確からしい危険度を選択する上での的確性を示すものである。図3の例では、連関度としてw13〜w22が示されている。このw13〜w22は以下の表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力としての踏切内の危険度と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力としての踏切内の危険度と互いに関連度合いが低いことを示している。
判別装置2は、このような図3に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり判別装置2は、実際の危険度の判別を行う上で、参照用接近情報と、参照用音声情報、並びにその場合の危険度がどの程度であったかのデータを蓄積しておき、これらを分析、解析することで図3に示す連関度を作り上げておく。
例えば、参照用接近情報P11が「上り電車 38秒後に通過」であるものとする。この画像撮像時点における参照用音声情報がP18であるものとする。このとき以前のデータにおいて事故が起きたか否か、また事故に至らなくても事故が起きてもおかしくない程度の危険度であったか否かを抽出する。これらのデータは、電鉄会社や各駅において保存されている過去の事故データや、ヒヤリとした場面のデータから抽出するようにしてもよい。危険度の数値化は、上記参照用接近情報を複数人で視認し、危険度に関するアンケート調査等を集計して求めるようにしてもよい。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用接近情報P11で、かつ参照用音声情報P19である場合に、実際に事故が起きたか否か、或いは事故には至らなかったものの危険性が高かったか否かを過去のデータから分析する。事故が起きた事例が多いほど危険度の高い出力につながる連関度をより高く設定し、事故が起きた事例が少ないほど危険度の低い出力につながる連関度をより高く設定する。例えば中間ノード61aの例では、危険度90%と、危険度30%の出力にリンクしているが、以前の事例から危険度が極めて高いケースであるため、危険度90%につながるw13の連関度を7点に、危険度30%につながるw14の連関度を2点に設定している。
また、この図3に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
図3に示す連関度の例で、ノード61bは、参照用接近情報P11に対して、参照用音声情報P17の組み合わせのノードであり、危険度60%の連関度がw15、危険度0%の連関度がw16となっている。ノード61cは、参照用接近情報P12に対して、参照用音声情報P18、P20の組み合わせのノードであり、危険度30%の連関度がw17、危険度70%の連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに踏切において新たに危険度を判別する際において、上述した学習済みデータを利用して危険度を判別することとなる。かかる場合には、接近情報を新たに取得するとともに、音声情報を取得する。
このようにして新たに取得した接近情報と、音声情報に基づいて、実際にその新たに接近情報と音声情報とを取得した時点における危険度を求める。かかる場合には、予め取得した図3(表1)に示す連関度を参照する。例えば、新たに取得した接近情報がP12と同一かこれに類似するものである場合であって、その取得時点における音声情報が参照用音声情報P20と同一又は類似である場合には、連関度を介してノード61dが関連付けられており、このノード61dは、「危険度60%」がw19、「危険度70%」が連関度w20で関連付けられている。かかる場合には、連関度のもっと高い「危険度60%」を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる「危険度70%」を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
また、入力から伸びている連関度w1〜w12の例を以下の表2に示す。
この入力から伸びている連関度w1〜w12に基づいて中間ノード61が選択されていてもよい。つまり連関度w1〜w12が大きいほど、中間ノード61の選択における重みづけを重くしてもよい。しかし、この連関度w1〜w12は何れも同じ値としてもよく、中間ノード61の選択における重みづけは何れも全て同一とされていてもよい。
図4は、上述した参照用接近情報と、参照用開閉時間情報との組み合わせと、当該組み合わせに対する踏切内の危険度との3段階以上の連関度が設定されている例を示している。
入力データとしては、このような参照用接近情報と、参照用開閉時間情報が並んでいる。このような入力データとしての、参照用接近情報に対して、参照用開閉時間情報が組み合わさったものが、図4に示す中間ノードである。
参照用開閉時間情報は、踏切の開閉時間を示す情報であり、例えば踏切が開く時間が、15時28分、15時45分、15時59分、・・・等として登録されており、踏切が閉まる時間が、15時34分〜36分等のように登録されている。
判別装置2は、このような図4に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり判別装置2は、実際の危険度の判別を行う上で、参照用接近情報と、参照用開閉時間情報、並びにその場合の危険度がどの程度であったかのデータを蓄積しておき、これらを分析、解析することで図4に示す連関度を作り上げておく。
図4に示す連関度の例で、ノード61bは、参照用接近情報P11に対して、参照用参照用開閉時間情報P21の組み合わせのノードであり、危険度60%の連関度がw15、危険度0%の連関度がw16となっている。
このような連関度が設定されている場合も同様に、新たに取得した接近情報と、その撮影時点に近い開閉時間情報に基づいて、危険度を求める。この開閉時間情報の取得方法は、電鉄会社が管理しているデータベースから直接取り込むようにしてもよい。
この危険度を求める上で予め取得した図4に示す連関度を参照する。例えば、取得した画像が参照用接近情報P11に同一又は類似で、取得した開閉時間情報が参照用開閉時間情報P21と同一又は類似である場合、その組み合わせはノード61bが関連付けられており、このノード61bにおける出力との連関度から危険度を求めていくことになる。
図5は、上述した参照用接近情報と、参照用設備情報との組み合わせと、当該組み合わせに対する踏切内の危険度との3段階以上の連関度が設定されている例を示している。
入力データとしては、このような参照用接近情報と、参照用設備情報が並んでいる。このような入力データとしての、参照用接近情報に対して、参照用設備情報が組み合わさったものが、図5に示す中間ノードである。
参照用設備情報は、踏切の設備に関する情報であり、例えば遮断機があるか否か、警報機があるか否か、またその取付位置や種類、警報音の大きさ等を示す情報であり、図面、画像、文字列等で表現されていてもよい。
判別装置2は、このような図5に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり判別装置2は、実際の危険度の判別を行う上で、参照用接近情報と、参照用設備情報、並びにその場合の危険度がどの程度であったかのデータを蓄積しておき、これらを分析、解析することで図5に示す連関度を作り上げておく。
図5に示す連関度の例で、ノード61bは、参照用接近情報P11に対して、参照用設備情報P26の組み合わせのノードであり、危険度60%の連関度がw15、危険度0%の連関度がw16となっている。
このような連関度が設定されている場合も同様に、新たに取得した接近情報と、その撮影対象の踏切の設備情報に基づいて、危険度を求める。この設備情報の取得方法は、電鉄会社が管理しているデータベースや図面から直接取り込むようにしてもよいし、その踏切を撮像した画像を、人工知能を利用して解析することにより、設備情報を抽出、特定するようにしてもよい。また設備情報をユーザが手入力するようにしてもよいし、スキャナ等で取り込むようにしてもよい。
この危険度を求める上で予め取得した図5に示す連関度を参照する。例えば、取得した画像が参照用接近情報P11に同一又は類似で、取得した設備情報が参照用設備情報P26と同一又は類似である場合、その組み合わせはノード61bが関連付けられており、このノード61bにおける出力との連関度から危険度を求めていくことになる。
図6は、上述した参照用接近情報と、参照用横断オブジェクトとの組み合わせと、当該組み合わせに対する踏切内の危険度との3段階以上の連関度が設定されている例を示している。
入力データとしては、このような参照用接近情報と、参照用横断オブジェクトが並んでいる。このような入力データとしての、参照用接近情報に対して、参照用横断オブジェクトが組み合わさったものが、図6に示す中間ノードである。
横断オブジェクトは、踏切内を横断する横断オブジェクト(通行人、車両)を具体的に特定したものである。この横断オブジェクトは、通行人、車両といった大雑把な分類でもよいが、車両であれば具体的な種類(バス、トラック、乗用車、キャンピングカー、建機、二輪車、バイク等)、更にその具体的な車種まで分類するものであってもよい。通行人については、子供、大人、高齢者、身体障害者等のレベルで分類してもよいし、更に大人であっても、男女、サラリーマン風、主婦等のレベルで分類してもよい。また高齢者も杖をついているか否か等、身体障害者も車いすを利用しているか否か等のレベルで分類してもよい。この横断オブジェクトの抽出は、踏切について撮像した画像情報から取得してもよい。画像情報に映り込んでいる横断オブジェクトを画像解析や周知のディープラーニング技術を利用し、抽出、分類を行う。かかる場合には予め学習用データとして、これら横断オブジェクトの各分類の画像データを学習させておき、これと照らし合わせながら、画像情報を解析し、横断オブジェクトを特定し、これを参照用横断オブジェクトとする。
判別装置2は、このような図6に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり判別装置2は、実際の危険度の判別を行う上で、参照用接近情報と、参照用横断オブジェクト、並びにその場合の危険度がどの程度であったかのデータを蓄積しておき、これらを分析、解析することで図7に示す連関度を作り上げておく。
図6に示す連関度の例で、ノード61bは、参照用接近情報P11に対して、参照用横断オブジェクトP30の組み合わせのノードであり、危険度60%の連関度がw15、危険度0%の連関度がw16となっている。
このような連関度が設定されている場合も同様に、新たに取得した接近情報と、画像情報から抽出、分類した横断オブジェクトに基づいて、危険度を求める。この横断オブジェクトの取得方法は、画像情報に映り込んでいる横断オブジェクトを画像解析や周知のディープラーニング技術を利用し、抽出、分類を行う。かかる場合には予め学習用データとして、これら横断オブジェクトの各分類の画像データを学習させておき、これと照らし合わせながら、画像情報を解析し、横断オブジェクトを特定する。
この危険度を求める上で予め取得した図6に示す連関度を参照する。例えば、取得した画像が参照用接近情報P11に同一又は類似で、取得した横断オブジェクトが参照用横断オブジェクトP30と同一又は類似である場合、その組み合わせはノード61bが関連付けられており、このノード61bにおける出力との連関度から危険度を求めていくことになる。
図7は、上述した参照用接近情報と、参照用横断オブジェクトに加えて、更に参照用横断オブジェクトの動きを検出した参照用動き情報との組み合わせと、当該組み合わせに対する踏切内の危険度との3段階以上の連関度が設定されている例を示している。
参照用動き情報とは、参照用横断オブジェクトの動きを検出したものである。この参照用横断オブジェクトの動きは、画像解析を通じて特定するようにしてもよく、画像情報に映り込んでいる横断オブジェクトの動きを画像解析や周知のディープラーニング技術を利用して抽出するようにしてもよい。この参照用横断オブジェクトの動きは、移動速度、移動方向、移動形態、途中で立ち止まる間隔や速度、規則性、不規則性、特徴的な動き等を抽出し、分類してもよい。
かかる場合において、連関度は、図7に示すように、参照用接近情報と、参照用横断オブジェクトと、参照用動き情報との組み合わせの集合が上述と同様に中間ノードのノード61a〜61eとして表現されることとなる。
例えば、図7において、ノード61cは、参照用接近情報P12が連関度w3で、参照用横断オブジェクトP30が連関度w7で、参照用動き情報P34が連関度w11で連関している。
このような連関度が設定されている場合も同様に、新たに取得した接近情報と、横断オブジェクトと、動き情報に基づいて、危険度を求める。ここでいう動き情報の取得方法は、新たに取得した接近情報の横断オブジェクトから抽出するものであり、参照用動き情報の抽出方法と同様である。
この危険度を求める上で予め取得した図7に示す連関度を参照する。例えば、取得した接近情報が参照用接近情報P12に同一又は類似で、取得した横断オブジェクトが参照用横断オブジェクトP30に同一又は類似で、取得した動き情報が参照用動き情報P34に同一又は類似である場合、その組み合わせはノード61cが関連付けられており、このノード61cは、危険度30%が連関度w17で、また危険度70%が連関度w18で関連付けられている。このような連関度の結果、w17、w18に基づいて、危険度を求めていくことになる。
図8は、上述した参照用接近情報と、参照用視認性情報との組み合わせと、当該組み合わせに対する踏切内の危険度との3段階以上の連関度が設定されている例を示している。
入力データとしては、このような参照用接近情報と、参照用視認性情報が並んでいる。このような入力データとしての、参照用接近情報に対して、参照用設視認性情報が組み合わさったものが、図8に示す中間ノードである。
参照用視認性情報は、参照用接近情報の取得時点において、踏切外の各位置から踏切に向けて画像を撮影することにより踏切への視認性を確認するための情報である。この参照用視認性情報は、踏切を横断する車両や通行人が、通過する電車の視認性を確認しやすいか否かを示すものである。参照用視認性情報は、撮像した画像そのもので表現されるものであってもよいし、文字列、図面や、ランクや記号等で表示するものであってもよい。建築構造物や塀等により、視認性が悪い場合には、例えばそのランクを示す数値が低くなる。このような参照用視認性情報は、例えば踏切外の各位置から踏切に向けて撮像した画像から画像解析、周知のディープラーニング技術等を通じて抽出、分析するようにしてもよい。
判別装置2は、このような図8に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり判別装置2は、実際の危険度の判別を行う上で、参照用接近情報と、参照用視認性情報、並びにその場合の危険度がどの程度であったかのデータを蓄積しておき、これらを分析、解析することで図8に示す連関度を作り上げておく。
図8に示す連関度の例で、ノード61bは、参照用接近情報P11に対して、参照用視認性情報P35の組み合わせのノードであり、危険度60%の連関度がw15、危険度0%の連関度がw16となっている。
このような連関度が設定されている場合も同様に、新たに取得した接近情報と、その視認性情報に基づいて、危険度を求める。この視認性情報の取得方法は、参照用視認性情報の取得方法と同様である。
この危険度を求める上で予め取得した図8に示す連関度を参照する。例えば、取得した画像が参照用接近情報P11に同一又は類似で、取得した視認性情報が参照用視認性情報P35と同一又は類似である場合、その組み合わせはノード61bが関連付けられており、このノード61bにおける出力との連関度から危険度を求めていくことになる。
図9は、上述した参照用接近情報と、参照用開閉時間情報に加えて、更に参照用音声情報との組み合わせと、当該組み合わせに対する踏切内の危険度との3段階以上の連関度が設定されている例を示している。
かかる場合において、連関度は、図9に示すように、参照用接近情報と、参照用開閉時間情報に加えて、更に参照用音声情報との組み合わせの集合が上述と同様に中間ノードのノード61a〜61eとして表現されることとなる。
このような連関度が設定されている場合も同様に、新たに取得した接近情報と、開閉時間情報と、その音声情報とを取得し、上述した連関度を参照して危険度を求めることができる。
なお、上述した連関度では、参照用接近情報と、参照用ダイヤ情報に加えて、更に参照用音声情報の組み合わせに対して連関度が形成される場合を例にとり説明をしたが、これに限定されるものではない。参照用接近情報、参照用音声情報、参照用開閉時間帯情報、参照用設備情報、参照用横断オブジェクト、参照用動き情報、参照用視認性情報等の何れか2以上の組み合わせに対して、上記連関度が関連付けられるものであってもよい。
上述した連関度においては、10段階評価で連関度を表現しているが、これに限定されるものではなく、3段階以上の連関度で表現されていればよく、逆に3段階以上であれば100段階でも1000段階でも構わない。一方、この連関度は、2段階、つまり互いに連関しているか否か、1又は0の何れかで表現されるものは含まれない。
なお、危険度は、0〜100%の百分率で記載されている場合を例にとり説明をしたが、これに限定されるものではない。この危険度は、例えば、「危険性が高い」、「危険性が低い」の2段階で表現されていてもよい。かかる場合において連関度を形成する際には、危険性が高いか否か判断事例を分析する際に、参照用接近情報と他の参照情報等との組み合わせを「危険性が高い」、「危険性が低い」の結果に紐づけて分析、判別していくことになる。これらの作業も人工知能により代替させてもよいことは勿論である。
上述した構成からなる本発明によれば、踏切における危険度の判断を、特段の熟練を要することなく、少ない労力で容易に行うことが可能となる。また本発明によれば、この踏切における危険度の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能(ニューラルネットワーク等)で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。
また、本発明によれば、3段階以上に設定されている連関度を介して最適な物性や生成機構の探索を行う点に特徴がある。連関度は、上述した5段階以外に、例えば0〜100%までの数値で記述することができるが、これに限定されるものではなく3段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。
このような3段階以上の数値で表される連関度に基づいて最も確からしい危険度を探索することで、踏切上において危険性が高くなる可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。このように連関度の高い順にユーザに表示できれば、より確からしい危険度を優先的に表示することも可能となり、危険度が高くなることによる注意を促すこともできる。
特により危険度が高い場合には、音声等を通じて移動体に注意を喚起したり、踏切に入ってくる電車に危険性が高いことを通知して自主的に停止を促すなどの処理動作を先行して行うことができ、乗客の安全を守ることができる。また本発明によれば、危険度の検出精度が高いため、むやみに電車を停止させることなく、本当に必要なケースのみに絞り電車を停止させる動作を行えばよいため、円滑な交通に悪影響を及ぼすことを防止することもできる。また、危険度に紐付けて電車への停止信号を送信するか否かを探索解として出力するものであってもよい。
これに加えて、本発明によれば、連関度が1%のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。
更に本発明によれば、このような3段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が1%のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な危険度を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。
更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また電鉄会社や駅等が独自に撮像したカメラ画像や独自に取得した各種参照情報等に基づいて、入力パラメータと、出力解(危険度)との関係性について新たな知見が発見された場合には、当該知見に応じて連関度を上昇させ、或いは下降させる。
つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。
また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。
この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。
また上述した各組み合わせの連関度は、一のファクタと他のファクタとを有する組み合わせの連関度であり、これら以外の他の要素が当該連関度に関連付けられていてもよいことは勿論である。
1 踏切危険度判別システム
2 判別装置
21 内部バス
23 表示部
24 制御部
25 操作部
26 通信部
27 推定部
28 記憶部
61 ノード
2 判別装置
21 内部バス
23 表示部
24 制御部
25 操作部
26 通信部
27 推定部
28 記憶部
61 ノード
Claims (6)
- 踏切の危険度を判別するための踏切危険度判別プログラムにおいて、
踏切への電車の接近情報を取得するとともに、当該接近情報の取得時点における踏切内の音声情報を取得する情報取得ステップと、
踏切への電車の参照用接近情報と、当該参照用接近情報の取得時点における参照用音声情報とを有する組み合わせと、当該組み合わせに対する踏切の危険度との3段階以上の連関度を参照し、上記情報取得ステップを介して取得した接近情報と音声情報とに基づき、上記踏切内の危険度を判別する判別ステップとをコンピュータに実行させること
を特徴とする踏切危険度判別プログラム。 - 踏切の危険度を判別するための踏切危険度判別プログラムにおいて、
踏切への電車の接近情報を取得するとともに、当該接近情報の取得時点における踏切の開閉時間帯情報を取得する情報取得ステップと、
踏切への電車の参照用接近情報と、当該参照用接近情報の取得時点における踏切の参照用開閉時間帯情報とを有する組み合わせと、当該組み合わせに対する踏切の危険度との3段階以上の連関度を参照し、上記情報取得ステップを介して取得した接近情報と開閉時間帯情報とに基づき、上記踏切内の危険度を判別する判別ステップとをコンピュータに実行させること
を特徴とする踏切危険度判別プログラム。 - 踏切の危険度を判別するための踏切危険度判別プログラムにおいて、
踏切への電車の接近情報を取得するとともに、当該踏切の設備情報を取得する情報取得ステップと、
踏切への電車の参照用接近情報と、当該踏切の参照用設備情報とを有する組み合わせと、当該組み合わせに対する踏切の危険度との3段階以上の連関度を参照し、上記情報取得ステップを介して取得した接近情報と設備情報とに基づき、上記踏切内の危険度を判別する判別ステップとをコンピュータに実行させること
を特徴とする踏切危険度判別プログラム。 - 踏切の危険度を判別するための踏切危険度判別プログラムにおいて、
踏切への電車の接近情報を取得するとともに、新たに踏切内の画像を撮影した画像情報に基づいて判別した踏切内を横断する移動体の横断オブジェクトを取得する情報取得ステップと、
踏切への電車の参照用接近情報と、当該踏切内の画像を撮影した画像情報に基づいて判別した踏切内を横断する移動体の参照用横断オブジェクトとを有する組み合わせと、当該組み合わせに対する踏切の危険度との3段階以上の連関度を参照し、上記情報取得ステップを介して取得した接近情報と横断オブジェクトとに基づき、上記踏切内の危険度を判別する判別ステップとをコンピュータに実行させること
を特徴とする踏切危険度判別プログラム。 - 上記情報取得ステップでは、更に上記横断オブジェクトの動きを検出した動き情報を取得し、
上記判別ステップでは、更に上記参照用横断オブジェクトの動きを検出した参照用動き情報とを有する上記組み合わせと、当該組み合わせに対する踏切の危険度との3段階以上の連関度を参照し、上記情報取得ステップを介して取得した接近情報と横断オブジェクトと動き情報とに基づき、上記踏切内の危険度を判別すること
を特徴とする請求項4記載の踏切危険度判別プログラム。 - 踏切の危険度を判別するための踏切危険度判別プログラムにおいて、
踏切への電車の接近情報を取得するとともに、当該接近情報の取得時点における踏切外の各位置から踏切に向けて画像を撮影することにより踏切への視認性情報を取得する情報取得ステップと、
踏切への電車の参照用接近情報と、当該参照用接近情報の取得時点における踏切外の各位置から踏切に向けて画像を撮影することによる踏切への参照用視認性情報とを有する組み合わせと、当該組み合わせに対する踏切の危険度との3段階以上の連関度を参照し、上記情報取得ステップを介して取得した接近情報と視認性情報とに基づき、上記踏切内の危険度を判別する判別ステップとをコンピュータに実行させること
を特徴とする踏切危険度判別プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019132022A JP2021017079A (ja) | 2019-07-17 | 2019-07-17 | 踏切危険度判別プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019132022A JP2021017079A (ja) | 2019-07-17 | 2019-07-17 | 踏切危険度判別プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021017079A true JP2021017079A (ja) | 2021-02-15 |
Family
ID=74563919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019132022A Pending JP2021017079A (ja) | 2019-07-17 | 2019-07-17 | 踏切危険度判別プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021017079A (ja) |
-
2019
- 2019-07-17 JP JP2019132022A patent/JP2021017079A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6583947B1 (ja) | 踏切危険度判別プログラム及びシステム | |
JP6587268B1 (ja) | プラットホーム危険度判別プログラム及びシステム | |
JP6837650B1 (ja) | 危険度判別プログラム及びシステム | |
JP6621092B1 (ja) | 危険度判別プログラム及びシステム | |
JP2021017079A (ja) | 踏切危険度判別プログラム | |
JP2021017080A (ja) | 踏切危険度判別プログラム | |
JP2021017078A (ja) | 踏切危険度判別プログラム | |
JP6739115B6 (ja) | 危険度判別プログラム及びシステム | |
JP2021017225A (ja) | 踏切危険度判別プログラム | |
JP6797436B1 (ja) | ダイヤ修正プログラム及びシステム、後続列車遅延時間推定プログラム | |
JP6739119B6 (ja) | 危険度判別プログラム及びシステム | |
JP2021060774A (ja) | プラットホーム危険度判別プログラム及びシステム | |
JP6801902B1 (ja) | 子供虐待兆候判別プログラム及びシステム | |
JP2021039709A (ja) | プラットホーム危険度判別プログラム及びシステム | |
JP7309189B2 (ja) | 危険度判別プログラム及びシステム | |
JP2021039409A (ja) | プラットホーム危険度判別プログラム及びシステム | |
JP2021012525A (ja) | 運転保険提案プログラム、運転保険条件包含可能性判断プログラム | |
JP2021179875A (ja) | イベント混雑予想プログラム | |
JP2021037903A (ja) | ダイヤ作成プログラム及びシステム | |
JP2022019268A (ja) | 混雑度合予測プログラム、配車計画提案プログラム | |
JP2021026384A (ja) | 動産保険提案プログラム、動産保険条件包含可能性判断プログラム | |
JP2023009963A (ja) | 通過可否判定プログラム | |
JP2023009964A (ja) | 感染リスク判定プログラム | |
JP2021166663A (ja) | 認知症兆候判別プログラム | |
CN117876956A (zh) | 异常行为检测方法和装置、电子设备及存储介质 |