JP2023017632A - 推定装置、推定方法、推定プログラム、及び学習モデル生成装置 - Google Patents

Abstract

【課題】特殊な検出装置を用いることなく、導電性を有する柔軟材料を備えた車両用シートの電気特性を利用して、車両用シートの乗員の動きを伴う姿勢状態を示す姿勢状態情報を推定する。【解決手段】推定装置は導電性を有し、かつ付与された圧力の変化に応じて電気特性が変化する柔軟材料を備えた車両用シートにおける複数の検出点の間の電気特性を検出部で検出する。推定部は、学習モデルを用いて車両用シートの電気特性から車両用シートの乗員の動きを伴う姿勢状態を推定する。車両用シートに圧力を与えた際の電気特性と、車両用シートに圧力を与える乗員の動きを伴う姿勢状態を示す姿勢状態情報とを学習用データとして用いて、その電気特性を入力とし、姿勢状態情報を出力するように学習された学習モデルに対して、電気特性を入力し、入力した電気特性に対応する乗員の動きを伴う姿勢状態を出力するように学習される。【選択図】図１

Description

本開示は、推定装置、推定方法、推定プログラム、及び学習モデル生成装置に関する。

従来より、車両用シートに着座した乗員の姿勢を同定するために、車両用シートに生じる形状変化を検出し、当該検出結果を用いて乗員の姿勢を推定することが行われている。車両用シートに生じる形状変化を検出する側面では、車両用シートの変形を阻害せずに変形を検出することは困難である。また、金属変形等の剛体の検出に用いられる歪センサは車両用シートに利用困難なため、車両用シートの変形を検出するためには、特殊な検出装置が要求される。例えば、カメラによる物体の変位と振動を測定して、変形画像を取得し、変形量を抽出する技術が知られている（例えば、特許文献１参照）。また、光の透過量から変形量を推定する柔軟触覚センサに関する技術も知られている（例えば、特許文献２参照）。

また、車両用シートに着座した乗員の姿勢を適切な状態に維持する側面では、自動車の車両用シートに着座した乗員の体圧を体圧センサにより検出し、検出された体圧に応じてシートバックやシートクッション等に設けられたサポート部材を駆動することにより、着座時の体圧分布を適切な分布状態に維持する技術が知られている（例えば、特許文献３参照）。

国際公開２０１７－０２９９０５号公報 特開２０１３－１０１０９６号公報 特開２０１９－１３７２８６号公報

しかしながら、車両用シートに生じる形状変化を検出する側面では、カメラ及び画像解析手法を用いて物体の変位等の変形量を検出する場合、カメラ及び画像解析等を含むシステムは、大規模なものとなり、装置の大型化を招くので好ましくはない。また、カメラを用いた光学手法ではカメラに撮像されない隠れた部分の計測は出来ない。従って、車両用シートの変形を検出するのには改善の余地がある。

また、車両用シートに着座した乗員の姿勢を推定する側面では、圧電素子等のセンサによって検出された振動を用いる場合、センサ自体が車両用シートの変形を阻害する虞がある。また、振動の検出では、車両用シートの変形に起因する姿勢状態を考慮できない虞もあり、姿勢状態を推定するのには改善の余地がある。特に、車両用シートの乗員の動きを伴う姿勢状態を推定するのには改善の余地がある。

本開示は、特殊な検出装置を用いることなく、導電性を有する柔軟材料を備えた車両用シートの電気特性を利用して、車両用シートの乗員の動きを伴う姿勢状態を示す姿勢状態情報を推定することができる推定装置、推定方法、推定プログラム、及び学習モデル生成装置を提供することを目的とする。

上記目的を達成するために、第１態様は、
導電性を有し、かつ与えられた圧力の変化に応じて電気特性が変化する柔軟材料を備えた車両用シートの前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部と、
前記柔軟材料に圧力を与えた際の時系列の電気特性と、前記柔軟材料に圧力を与える前記車両用シートの乗員の動きを伴う姿勢状態を示す姿勢状態情報とを学習用データとして用いて、前記時系列の電気特性を入力とし、前記姿勢状態情報を出力するように学習された学習モデルに対して、前記検出部で検出された時系列の電気特性を入力し、入力した時系列の電気特性に対応する前記乗員の動きを伴う姿勢状態を示す姿勢状態情報を推定する推定部と、
を含む推定装置である。

第２態様は、第１態様の推定装置において、
前記電気特性は、体積抵抗であり、
前記車両用シートは、シートクッション、シートバック、ヘッドレスト、及びアームレストの少なくとも１つを含み、
前記姿勢状態は、前記車両用シートへの乗員の動きを伴う着座状態を含み、
前記学習モデルは、検出された電気特性に対応する乗員の動きを伴う着座状態を示す情報を前記姿勢状態情報として出力するように学習される。

第３態様は、第２態様の推定装置において、
前記車両用シートは、繊維状及び網目状の少なくとも一方の骨格を有する構造、又は内部に微小な空気泡が複数散在する構造のウレタン材の少なくとも一部に導電性が付与された材料を含む。

第４態様は、第２態様又は第３態様の推定装置において、
前記動きを伴う着座状態は、前記車両用シートの乗員の呼吸に関する状態、前記乗員の座り方の動作に関する状態、及び前記車両用シートの乗員のリクライニング動作に関する状態を含み、
前記学習モデルは、検出された電気特性に対応する乗員の呼吸に関する状態、前記乗員の座り方の動作に関する状態、及び前記車両用シートの乗員のリクライニングの動作に関する状態の少なくとも１つを示す情報を前記姿勢状態情報として出力するように学習される。

第５態様は、第１態様から第４態様の何れか１態様の推定装置において、
前記学習モデルは、前記柔軟材料をリザーバとして当該リザーバを用いたリザーバコンピューティングによるネットワークを用いて学習させることで生成されたモデルを含む。

第６態様は、
コンピュータが
導電性を有し、かつ与えられた圧力の変化に応じて電気特性が変化する柔軟材料を備えた車両用シートの前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部から前記電気特性を取得し、
前記柔軟材料に圧力を与えた際の時系列の電気特性と、前記柔軟材料に圧力を与える前記車両用シートの乗員の動きを伴う姿勢状態を示す姿勢状態情報とを学習用データとして用いて、前記時系列の電気特性を入力とし、前記姿勢状態情報を出力するように学習された学習モデルに対して、前記検出部で検出された時系列の電気特性を入力し、入力した時系列の電気特性に対応する前記乗員の動きを伴う姿勢状態を示す姿勢状態情報を推定する
推定方法である。

第７態様は、
コンピュータに
導電性を有し、かつ与えられた圧力の変化に応じて電気特性が変化する柔軟材料を備えた車両用シートの前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部から前記電気特性を取得し、
前記柔軟材料に圧力を与えた際の時系列の電気特性と、前記柔軟材料に圧力を与える前記車両用シートの乗員の動きを伴う姿勢状態を示す姿勢状態情報とを学習用データとして用いて、前記時系列の電気特性を入力とし、前記姿勢状態情報を出力するように学習された学習モデルに対して、前記検出部で検出された時系列の電気特性を入力し、入力した時系列の電気特性に対応する前記乗員の動きを伴う姿勢状態を示す姿勢状態情報を推定する
処理を実行させるための推定プログラムである。

第８態様は、
導電性を有し、かつ与えられた圧力の変化に応じて電気特性が変化する柔軟材料を備えた車両用シートの前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部からの前記電気特性と、前記柔軟材料に圧力を与える前記車両用シートの乗員の動きを伴う姿勢状態を示す姿勢状態情報と、を取得する取得部と、
前記取得部の取得結果に基づいて、前記柔軟材料に圧力を与えた際の時系列の電気特性を入力とし、前記柔軟材料に圧力を与える前記乗員の動きを伴う姿勢状態を示す姿勢状態情報を出力する学習モデルを生成する学習モデル生成部と、
を含む学習モデル生成装置である。

本開示によれば、特殊な検出装置を用いることなく、導電性を有する柔軟材料を備えた車両用シートの電気特性を利用して、車両用シートの乗員の動きを伴う姿勢状態を示す姿勢状態情報を推定することができる、という効果を有する。

実施形態に係る姿勢状態推定装置の構成の一例を示す図である。 実施形態に係る車両用シートに関する図である。 実施形態に係る導電性を有する部材の検出点に関する図である。 実施形態に係る導電性を有する部材に関する図である。 実施形態に係る導電性を有する部材に関する図である。 実施形態に係る導電性を有する部材に関する図である。 実施形態に係る学習処理に関する図である。 実施形態に係る学習データ収集処理の一例を示すフローチャートである。 実施形態に係る学習処理部における学習処理に関する図である。 実施形態に係る学習処理の流れの一例を示すフローチャートである。 実施形態に係る学習処理部における学習処理に関する図である。 実施形態に係る姿勢状態推定装置の構成の一例を示す図である。 実施形態に係る推定処理の流れの一例を示すフローチャートである。 実施形態に係る車両用シートに関係する特性を示す図である。 実施形態に係る車両用シートに関係する特性を示す図である。 実施形態に係る車両用シートに関係する特性を示す図である。 実施形態に係る車両用シートに関係する特性を示す図である。 実施形態に係る車両用シートに関係する特性を示す図である。 実施形態に係る導電性を有する部材に関する図である。

以下、図面を参照して本開示の技術を実現する実施形態を詳細に説明する。
なお、作用、機能が同じ働きを担う構成要素及び処理には、全図面を通して同じ符合を付与し、重複する説明を適宜省略する場合がある。また、本開示は、以下の実施形態に何ら限定されるものではなく、本開示の目的の範囲内において、適宜変更を加えて実施することができる。また、本開示では、主として非線形に変形する部材に対する物理量の推定を説明するが、線形に変形する部材に対する物理量の推定に適用可能であることは言うまでもない。

本開示において「車両用シート」とは、一例として自動車等の車両の運転席、助手席、及び２列目以降の後部座席等の乗員が着座する座席であり、乗員が着座する座面部としてのシートクッション、乗員の背中を支える背もたれ部としてのシートバック、乗員の頭部を支えるヘッドレスト、及び乗員の腕を乗せるアームレストを含む概念である。「車両用シート」とは、外部力が与えられることによって少なくとも一部が撓み等のように変形可能な材料を含む概念である。外部力の一例には、車両用シートに与えられる刺激として圧力が挙げられる。「車両用シートに着座した乗員の動きを伴う姿勢状態」とは、柔軟材料が変形する柔軟材料に圧力を与える乗員の状態を含む概念であり、車両用シートに着座した乗員の姿勢や動き等の乗員の挙動を含む。本実施形態では、姿勢状態は、車両用シートに乗員が着座する着座状態である場合について説明する。この場合、「車両用シートの乗員の動きを伴う着座状態」とは、車両用シートの乗員の呼吸に関する状態、乗員の座り方の動作に関する状態、及び車両用シートの乗員のリクライニング動作に関する状態を含む概念である。また、車両用シートの乗員の呼吸に関する状態とは、深呼吸をしたか否かを表す状態、あくびをしたか否かを表す状態等を含む。また、車両用シートの乗員の座り方の動作に関する状態とは、車両用シートに深く座り、その後座り直して浅く座り、再び座り直して深く座る等の座り直しの動作を表す状態、身体を前後左右にゆする状態、車両用シートに対して勢いよく座る及び静かに座る等の座り始める際の強弱に関する状態、アクセルペダル及びブレーキペダル等の車両の運転に関するペダルを踏み替える動作を表す状態、左右の足を組み替える動作を表す状態、左右両方又は片方の腿を上げる状態等を含む。また、車両用シートの乗員のリクライニング動作に関する状態とは、車両用シートのシートバックの角度を切り替える動作を表す状態等を含む。

本開示において「柔軟材料」とは、外部力が与えられることによって少なくとも一部が撓み等のように変形可能な材料を含む概念であり、ゴム材料等の柔らかい弾性体、繊維状及び網目状の少なくとも一方の骨格を有する構造体、及び内部に微小な空気泡が複数散在する構造体を含む。外部力の一例には圧力が挙げられる。繊維状及び網目状の少なくとも一方の骨格を有する構造体、及び内部に微小な空気泡が複数散在する構造体の一例には、ウレタン材などの高分子材料が挙げられる。「導電性が付与された柔軟材料」とは、導電性を有する材料を含む概念であり、導電性を付与するために導電材を柔軟材料に付与した材料、及び柔軟材料が導電性を有する材料を含む。また、導電性が付与された柔軟材料は、変形に応じて電気特性が変化する機能を有する。なお、変形に応じて電気特性が変化する機能を生じさせる物理量の一例には柔軟材料に与えられる圧力による刺激（以下、圧力刺激という。）を示す圧力値が挙げられる。柔軟材料は、乗員による着座状態等で生じる外部力、例えば圧力刺激の分布に応じて変形する。この変形に応じて変化する電気特性を表す物理量の一例には、電気抵抗値が挙げられる。また、他例には、電圧値、又は電流値が挙げられる。電気抵抗値は、柔軟材料の体積抵抗値と捉えることが可能である。

柔軟材料は、導電性を与えることで、圧力による変形に応じた電気特性が現れる。すなわち、導電性が付与された柔軟材料は、電気経路が複雑に連携し、変形に応じて電気経路が伸縮したり膨縮したりする。また、電気経路が一時的に切断される挙動、及び以前と異なる接続が生じる挙動を示す場合もある。従って、柔軟材料は、所定距離を隔てた位置（例えば電極が配置された検出点の位置）の間では、与えられた力（例えば圧力刺激）の大きさや分布に応じて異なる電気特性を有する挙動を示す。このため、柔軟材料に与えられた力（例えば圧力刺激）の大きさや分布に応じて電気特性が変化する。なお、導電性が付与された柔軟材料を用いるため、人間等の物体によって柔軟材料に圧力が与えられる箇所の全てに電極等の検出点を設ける必要はない。柔軟材料の圧力が与えられる箇所を挟む任意の少なくとも２箇所に電極等の検出点が設けられていればよい。

本開示の推定装置は、学習済みの学習モデルを用いて、車両用シートに備えられた導電性を有する柔軟材料における電気特性から車両用シートに着座した乗員の動きを伴う姿勢状態を推定する。柔軟材料は、車両用シートに配置することが可能である。学習モデルは、導電性を有する柔軟材料に圧力を与えた際の時系列の電気特性と、その柔軟材料に圧力を与える車両用シートに着座した乗員の動きを伴う姿勢状態を示す姿勢状態情報とを学習用データとして用いる。学習モデルは、時系列の電気特性を入力とし、その時系列の電気特性に対応する車両用シートに着座した乗員の動きを伴う姿勢状態を示す姿勢状態情報を出力するように学習される。

以下の説明では、車両用シートとして、導電性を有する柔軟材料としてウレタン部材の全部または少なくとも一部に導電材料を浸潤又は配合したシート部材（以下、導電性ウレタンという。）が配置された車両用シートを適用した場合を説明する。なお、導電性ウレタンは、シートクッション、シートバック、ヘッドレスト、及びアームレストの少なくとも１つに設けられる。また、導電性ウレタンは、シートクッション、シートバック、ヘッドレスト、及びアームレストに個別に設けられても良く、一体的に設けられても良い。すなわち、導電性ウレタンは、車両用シートに乗員が着座したときに接触する範囲のうちの少なくとも一部の範囲に少なくとも１つ以上設けられる。導電性ウレタンの厚みは、例えば１ｍｍ以上であることが好ましい。また、導電性ウレタンの体積抵抗値は、例えば１０^７Ω・ｃｍ以下であることが好ましい。また、導電性ウレタンを変形させる物理量としては車両用シートに与えられる圧力刺激を示す値（圧力値）を適用し、動きを伴う姿勢状態としては車両用シートに着座した乗員の動きを伴う着座状態を適用する。また、圧力刺激に応じて変化する物理量としては、導電性ウレタンの電気抵抗値を適用した場合を説明する。

図１に、本開示の推定装置としての姿勢状態推定装置１の構成の一例を示す。

姿勢状態推定装置１における推定処理は、学習済みの学習モデル５１を用いて、未知の車両用シートに着座した乗員の動きを伴う姿勢状態として、車両用シート２に着座した乗員ＯＰの姿勢や動きに関係する乗員の動きを伴う着座状態を推定し、出力する。これにより、特殊な装置や大型の装置を用いたり車両用シート２に含まれる柔軟材料の変形を直接計測することなく、車両用シート２に着座した乗員の動きを伴う姿勢状態を同定することが可能となる。学習モデル５１は、車両用シート２への乗員の動きを伴う姿勢状態（例えば、着座状態値）をラベルとし、当該動きを伴う姿勢状態における車両用シート２の電気特性（すなわち、車両用シート２に配置された導電性ウレタンの電気抵抗値）を入力として学習される。学習モデル５１の学習については後述する。

本実施形態では、例えば、車両用シート２は、シートクッション２１Ａ、シートバック２１Ｂ、及びヘッドレスト２１Ｃを含んで構成される。そして、シートクッション２１Ａに導電性ウレタン２２Ａが、シートバック２１Ｂに導電性ウレタン２２Ｂが、ヘッドレスト２１Ｃに導電性ウレタン２２Ｃが配置されて構成される。導電性ウレタン２２Ａ、２２Ｂ、２２Ｃは、電気特性検出部７６（図３参照）に接続されている。なお、導電性ウレタン２２Ａ、２２Ｂ、２２Ｃは同じ導電性ウレタンで構成される。以下では、シートクッション２１Ａ、シートバック２１Ｂ、及びヘッドレスト２１Ｃを一体とみなしてシート２１と称する。また、導電性ウレタン２２Ａ、２２Ｂ、２２Ｃを一体とみなして導電性ウレタン２２と称する。

導電性ウレタン２２が配置されたシート２１により構成される車両用シート２は、検出部として機能する。導電性ウレタン２２は、図２に示すように、シート２１の少なくとも一部に配置すればよく、内部に配置してもよいし外部に配置してもよい。なお、図２では、説明を簡単にするために車両用シート２を単純な平面形状で表している。具体的な一例には、車両用シート２のＡ－Ａ断面をシート断面２－１として示すように、シート２１の内部を全て導電性ウレタン２２で構成しても良い。また、シート断面２－２に示すように、シート２１の内部における乗員側（表面側）に導電性ウレタン２２を形成しても良く、シート断面２－３に示すように、シート２１の内部における乗員側とは反対側（裏面側）に導電性ウレタン２２を形成しても良い。さらに、シート断面２－４に示すように、シート２１の内部に導電性ウレタン２２を形成しても良い。

また、シート断面２－５に示すように、シート２１の乗員側（表面側）の外側に導電性ウレタン２２を配置しても良く、シート断面２－６に示すように、乗員側とは反対側（裏面側）の外部に導電性ウレタン２２を配置しても良い。導電性ウレタン２２をシート２１の外部に配置する場合、導電性ウレタン２２とシート２１とを積層するのみでもよく、導電性ウレタン２２とシート２１とを接着等により一体化してもよい。なお、導電性ウレタン２２をシート２１の外部に配置する場合であっても、導電性ウレタン２２が導電性を有するウレタン部材であるため、シート２１の柔軟性は阻害されない。

以降では、説明を簡単にするため、シート２１の乗員側（表面側）の外側に導電性ウレタン２２を配置して車両用シート２を形成する一例を説明する（シート断面２－５）。

本実施形態では、図３に示すように、距離を隔てて配置された複数（図３では２個）の検出点７５からの信号によって、導電性ウレタン２２の電気特性（すなわち、電気抵抗値である体積抵抗値）を検出することが可能である。図３に示す例では、導電性ウレタン２２上で距離を隔てて対角位置に配置された複数の検出点７５からの信号により電気抵抗値を検出する第１の検出セット＃１が示されている。なお、複数の検出点７５の配置は、図３に示す位置に限定されるものではなく、導電性ウレタン２２の電気特性を検出可能な位置であれば何れの位置でもよい。なお、導電性ウレタン２２の電気特性は、電気特性（すなわち、電気抵抗値である体積抵抗値）の検出する電気特性検出部７６を検出点７５に接続し、その出力を用いればよい。

上述した姿勢状態は、車両用シート２に対する乗員の付勢を示す付勢状態を含む。付勢状態は、乗員の姿勢状態のうち、車両用シート２に対する乗員の付勢を示す状態である。例えば、導電性ウレタン２２を備えたシート２１で構成される車両用シート２において検出される電気抵抗値は、車両用シート２に圧力刺激が与えられた際の導電性ウレタン２２の変形によって、少なくとも圧力刺激が与えられる前後で変化する。従って、車両用シート２に対する圧力刺激を伴う乗員の付勢の前後で、電気抵抗値が変化する。よって、時系列の電気抵抗値の検出、すなわち、車両用シート２に圧力刺激が与えられていない状態からの電気抵抗値の変化を検出（例えば予め定めた閾値を超えた電気抵抗値を検出）することで、車両用シート２に対する乗員の付勢を検出することが可能となる。具体的には、車両用シート２に対する乗員の付勢を示す付勢状態は、車両用シート２に対する乗員の接触であっても圧力刺激を伴うため、接触状態を含む。よって、車両用シート２に導電性ウレタン２２を配置することで、車両用シート２に対する乗員の接触を検出可能となる。また、車両用シート２に与えられた圧力刺激の位置や分布、及び大きさの何れか１つが変化しても電気抵抗値は変化する。従って、時系列に変化した電気抵抗値から、車両用シート２に対する乗員の接触位置を含む接触状態を検出することも不可能ではない。

なお、付勢状態は、車両用シート２への乗員の着座を示す着座状態である。すなわち、着座状態は、圧力刺激の位置や分布、及び大きさにより同定可能であって、時系列に変化した電気抵抗値から、着座開始を含む着座状態を検出することも不可能ではない。

なお、導電性ウレタン２２の電気特性の検出精度を向上するため、図３に示す検出点（２個）より多くの検出点を用いてもよい。

一例としては、各々検出点が配置された複数の導電性ウレタン片からなる列を１列または複数列並べて導電性ウレタン２２を形成し、複数の導電性ウレタン片毎に電気特性を検出してもよい。例えば、導電性ウレタン片２３（図４）を、配列して導電性ウレタン２２を構成してもよい（図５、図６）。図４に示す例は、距離を隔てて対角位置に配置された検出点７５Ａからの信号により電気抵抗値を検出する第１の検出セット＃１と、他の対角位置に配列された検出点７５Ｂからの信号により電気抵抗値を検出する第２の検出セット＃２とを示している。また、図５に示す例では、導電性ウレタン片２３（図４）を、シート２１の長手方向に配列（４ｘ１）して導電性ウレタン２２を構成し、順に、第１の検出セット＃１から第８の検出セット＃８を構成することを示している。さらに、図６に示す例では、導電性ウレタン片２３（図４）において各々第１の検出セット＃１を採用し、シート２１の長手方向及び幅方向に配列（４ｘ２）して導電性ウレタン２２を構成し、第１の検出セット＃１から第８の検出セット＃８を構成することを示している。

また、他例としては、導電性ウレタン２２上における検出範囲を分割して分割した検出範囲毎に検出点を設けて検出範囲毎に電気特性を検出してもよい。例えば、図５及び図６に示す導電性ウレタン片２３の大きさに相当する領域を検出範囲として導電性ウレタン２２に設定し、設定した検出範囲毎に検出点を配置して、検出範囲毎に電気特性を検出すればよい。

図１に示すように、姿勢状態推定装置１は、推定部５を備えている。推定部５には、導電性ウレタン２２における電気抵抗の大きさ（電気抵抗値）を表す時系列の入力データ４が入力される。入力データ４は、車両用シート２に着座した乗員の姿勢や動き等の乗員の挙動を示す乗員の動きを伴う着座状態３に対応する。また、推定部５は、推定結果として車両用シート２に着座した乗員の動きを伴う着座状態を示す物理量（着座状態値）を表す出力データ６を出力する。なお、推定部５は、学習済みの学習モデル５１を含む。

学習モデル５１は、乗員の動きを伴う着座状態３に応じた圧力刺激により変化する導電性ウレタン２２の電気抵抗（入力データ４）から、乗員の動きを伴う着座状態、すなわち車両用シート２に着座した乗員の姿勢や動き等の乗員の挙動を示す乗員の動きを伴う着座状態（出力データ６）を導出する学習を済ませたモデルである。学習モデル５１は、例えば、学習済みのニューラルネットワークを規定するモデルであり、ニューラルネットワークを構成するノード（ニューロン）同士の間の結合の重み（強度）の情報の集合として表現される。

学習モデル５１は、学習処理部５２（図７）の学習処理により生成される。学習処理部５２は、乗員の動きを伴う着座状態３により生じる圧力刺激で変化する導電性ウレタン２２における電気特性（入力データ４）を用いて学習処理を行う。すなわち、乗員の動きを伴う着座状態３をラベルとして導電性ウレタン２２における電気抵抗を時系列に測定した大量のデータを学習データとする。具体的には、学習データは、電気抵抗値（入力データ４）を含んだ入力データと、その入力データに対応する乗員の動きを伴う着座状態３を示す情報（出力データ６）と、のセットを大量に含む。ここでは、導電性ウレタン２２の電気抵抗値（入力データ４）の各々に測定時刻を示す情報を付与することで時系列情報が対応付けられる。この場合、乗員の動きを伴う着座状態３として定まる期間について、導電性ウレタン２２における時系列な電気抵抗値のセットに測定時刻を示す情報を付与して時系列情報を対応付けてもよい。

次に、学習処理部５２について説明する。
学習処理部５２が行う学習処理では、上述した導電性ウレタン２２が配置されたシート２１により構成される車両用シート２が検出部として適用され、乗員の動きを伴う着座状態３、及び導電性ウレタン２２による電気抵抗値（入力データ４）が学習データとして用いられる。例えば、乗員ＯＰに、車両用シート２上で所定の姿勢や動き等の挙動を示す動きを伴う着座状態を維持または動作を指示し、そのときの電気抵抗値を検出して、動きを伴う着座状態と対応付けて学習データとする。

なお、動きを伴う着座状態は、時系列な乗員の挙動を示す状態を含む。この時系列な乗員の挙動を示す状態は、車両用シート２上で時系列に変化する複数の姿勢や動きによる動的状態を含む。また、電気特性（すなわち、電気抵抗値である体積抵抗値）は、電気特性検出部７６（図３）を検出点７５に接続して検出すればよい。

具体的には、学習処理部５２は、図示しないＣＰＵを含むコンピュータを含んで構成可能であり、学習データ収集処理及び学習処理を実行する。図８に、図示しないＣＰＵが実行する学習データ収集処理の一例を示す。学習処理部５２は、ステップＳ１００で、車両用シート２（導電性ウレタン２２）における動きを伴う着座状態を乗員ＯＰに指示し、ステップＳ１０２で、動きを伴う着座状態に応じた圧力刺激により変化する電気抵抗値を時系列に取得する。次のステップＳ１０４では、取得した時系列の電気抵抗値に動きを伴う着座状態３をラベルとして付与して、記憶する。学習処理部５２は、これら着座者の動きを伴う着座状態３、及び導電性ウレタン２２の電気抵抗値のセットが予め定めた所定数、又は予め定めた所定時間に達するまで（ステップＳ１０６で、肯定判断されるまで否定判断し）、上記処理を繰り返す。これにより、学習処理部５２は、乗員の動きを伴う着座状態毎に、導電性ウレタン２２における電気抵抗値を時系列に取得し、記憶することが可能となり、記憶された乗員の動きを伴う着座状態毎の時系列な導電性ウレタン２２の電気抵抗値のセットが学習データとなる。

ところで、乗員ＯＰの動きを伴う着座状態（姿勢）は、車両用シート２に対する乗員ＯＰの各部位の相対的な位置関係、各部位による圧力刺激の分布、大きさ、及び頻度等の各物理量の変化や維持等の少なくとも一部により同定可能である。従って、これら時系列の物理量の一部には、乗員ＯＰの動きを伴う着座状態（姿勢）を示す特徴を含むと考えられる。本実施形態では、導電性ウレタン２２を用いることで、これらの物理量が反映された電気特性（体積抵抗）を時系列に検出することが可能である。

図１４に、導電性ウレタン２２が配置されたシート２１により構成される車両用シート２における電気特性の一例を示す。図１４（Ａ）～（Ｈ）は、図１９に示すように、８個の検出セット＃１～＃８が設けられた導電性ウレタン２２が配置されたシート２１により構成される車両用シート２における電気特性である。図１４（Ａ）～（Ｄ）は、シートバック２１Ｂを上部から下部にかけて４分割した場合における各位置の電気特性を示す。また、図１４（Ｅ）～（Ｈ）は、シートクッション２１Ａを座面の奥から手前にかけて４分割した場合の各位置の電気特性を示す。図１４（Ａ）～（Ｈ）は、図１９に示す検出セット＃１～＃８の各検出結果を示す。また、図１４に示す例は、動的状態の一例を示したもので、乗員の動きを伴う着座状態の一例としての呼吸に関する状態として、乗員が深呼吸することにより変化した乗員の呼吸状態における電気特性を示す。

図１４に示す乗員の動きを伴う着座状態における電気特性、すなわち、シートクッション２１Ａ及びシートバック２１Ｂの各々における検出セット＃１～＃８の各々で検出された電気特性（電気抵抗値の時間特性）の各々が、乗員の動きを伴う着座状態として、深呼吸等の呼吸に関する状態に対する特徴パターンである。

また、図１５には、乗員の動きを伴う着座状態として、乗員がシートクッション２１Ａに深く座り、その後座り直して浅く座り、再び座り直して深く座る一連の座り方の動作に関する状態における電気特性を示す。図１５（Ａ）～（Ｈ）は、図１９に示す検出セット＃１～＃８の各検出結果である。なお、深く座るとは、乗員がシートクッション２１Ａの奥側に座ることである。また、浅く座るとは、乗員がシートクッション２１Ａの手前側に座ることである。そして、シートクッション２１Ａ及びシートバック２１Ｂの各々における検出セット＃１～＃８の各々で検出された電気特性の各々が、動きを伴う着座状態として、乗員が一連の座り直し動作を行った状態に対する特徴パターンである。例えば、図１５（Ｅ）に示されるシートクッション２１Ａの検出セット＃５で検出された検出結果のパターンが、特徴パターンとして現れていると考えられる。時間Ｔ１の時間における電気特性は、最初に着座した状態における特徴的な電気特性に対応すると考えられる。また、時間Ｔ２の時間における電気特性は、座り直そうとした状態における特徴的な電気特性に対応すると考えられる。また、時間Ｔ３の時間における電気特性は、浅く座った状態における特徴的な電気特性に対応すると考えられる。また、時間Ｔ４の時間における電気特性は、再び座り直して深く座った状態における特徴的な電気特性に対応すると考えられる。これらの特徴パターンは、他の検出セットで検出された検出結果のパターンにも関係する。よって、導電性ウレタン２２で時系列に検出された電気特性に、乗員の動きを伴う着座状態の特徴が含まれる。

動きを伴う着座状態を示す着座状態値は、例えば深く座る、座り直そうとする、浅く座る、及び再び深く座る、の順序を示す情報値を対応付けてもよく、深く座る、座り直そうとする、浅く座る、及び再び深く座る、の一部を抽出した情報値を対応付けてもよい。動きを伴う着座状態として一部を抽出する場合、動きを伴う着座状態の特徴が現れる一部のパターンを少なくとも含む電気特性（例えば時間Ｔ３の電気特性）に該当する範囲の各パターン（図１４（Ｅ）以外に示される電気特性におけるパターン）を関連づければよい。これらの特徴パターンが車両用シート２に対する乗員ＯＰの動きを伴う着座状態に対応すると考えられ、学習処理において有効に機能する。

従って、指示した動きを伴う着座状態に応じて乗員ＯＰが姿勢を変更することによって車両用シート２への圧力刺激が変化し、その圧力刺激の変化に対応する電気特性を時系列に取得することで、着座者の動きを伴う着座状態（動きを伴う姿勢状態）に時系列の電気特性を対応付けて記憶することが可能となる。当該時系列の電気特性および指示した動きを伴う着座状態を示す着座状態値とのセットが学習データとなる。

なお、上述した呼吸に関する状態には、深呼吸の他にあくびをしたか否かを示す状態を含む。また、座り方の動作に関する状態には、車両用シート２に対して勢いよく座る及び静かに座る等の座り始める際の強弱に関する状態、アクセルペダル及びブレーキペダル等の車両の運転に関するペダルを踏み替える動作を表す状態、左右の足を組み替える動作を表す状態等を含む。図１６には、乗員の動きを伴う着座状態として、乗員があくびをした場合における電気特性を示す。また、図１７には、乗員の動きを伴う着座状態として、乗員がペダルを踏み替える動作をした場合における電気特性を示す。また、図１８には、乗員が左右の足を組み替える動作をした場合における電気特定を示す。図１６（Ａ）～（Ｈ）、図１７（Ａ）～（Ｈ）、図１８（Ａ）～（Ｈ）は、それぞれ図１９に示す検出セット＃１～＃８の各検出結果である。また、上述した動きを伴う着座状態は、深呼吸及びあくび等の呼吸に関する状態、座り方の動作に関する状態の他にも種々の状態を含む。例えば動きを伴う着座状態は、車両用シート２の乗員のリクライニング動作に関する状態、すなわちシートクッション２１Ａに対するシートバック２１Ｂの角度を変更する動作に関する状態を含む。これらの動きを伴う着座状態は、上述した乗員ＯＰの動きを伴う着座状態（姿勢）と同様に、車両用シート２に対する乗員ＯＰの各部位の相対的な位置関係、各部位による圧力刺激の分布、大きさ、及び頻度等の各物理量の変化や維持等の少なくとも一部により同定可能である。従って、時系列の物理量の一部に、それぞれの動きを伴う着座状態（姿勢）を示す特徴を含むと考えられ、導電性ウレタン２２を用いることで、これらの状態における物理量が反映された電気特性（体積抵抗）を時系列に検出することが可能である。

上述した学習データの一例を次に表で示す。表１は、動きを伴う着座状態に関する学習データとして、時系列の電気抵抗値データ（ｒ）と着座状態値とを対応付けた動的状態のデータの一例である。表２は、上述した図１５に示す各検出セットで検出された時系列の電気抵抗値を示す特性データ（Ｊ）のセットと、着座状態値とを対応付けたデータの一例である。このセットに含まれる何れかの特性データ（Ｊ）に動きを伴う着座状態の特徴、すなわち、特徴パターンが含まれる。各特性データ（Ｊ）は、全て学習データとして用いる。例えば、車両用シート２で検出された複数の特性データ（Ｊ）と着座状態値とを学習データとして用いる。

次に、学習処理部５２における学習処理について説明する。図９は、学習処理において学習処理部５２の図示しないＣＰＵにおける機能を示す図である。
学習処理部５２の図示しないＣＰＵは、生成器５４及び演算器５６の機能部を含む。生成器５４は、入力である時系列に取得された電気抵抗値の前後関係を考慮して出力を生成する機能を有する。

また、学習処理部５２は、学習用データとして、上述した入力データ４（電気抵抗値）と、導電性ウレタン２２に圧力刺激を与えた乗員の動きを伴う着座状態３である出力データ６とのセットを多数保持している。

生成器５４は、入力層５４０、中間層５４２、および出力層５４４を含んで、公知のニューラルネットワーク（ＮＮ：Neural Network）を構成する。ニューラルネットワーク自体は公知の技術であるため詳細な説明は省略するが、中間層５４２は、ノード間結合およびフィードバック結合を有するノード群（ニューロン群）を多数含む。その中間層５４２には、入力層５４０からのデータが入力され、中間層５４２の演算結果のデータは、出力層５４４へ出力される。

生成器５４は、入力された入力データ４（電気抵抗）から乗員の動きを伴う着座状態を表す生成出力データ６Ａを生成するニューラルネットワークである。生成出力データ６Ａは、入力データ４（電気抵抗）から導電性ウレタン２２に圧力刺激が与えられた乗員の動きを伴う着座状態を推定したデータである。生成器５４は、時系列に入力された入力データ４（電気抵抗）から、乗員の動きを伴う着座状態に近い状態を示す生成出力データを生成する。生成器５４は、多数の入力データ４（電気抵抗）を用いて学習することで、車両用シート２すなわち導電性ウレタン２２に圧力刺激が与えられた乗員の動きを伴う着座状態に近い生成出力データ６Ａを生成できるようになる。他の側面では、時系列に入力された入力データ４である電気特性をパターンとして捉え、当該パターンを学習することで、車両用シート２すなわち導電性ウレタン２２に圧力刺激が与えられた乗員の動きを伴う着座状態に近い生成出力データ６Ａを生成できるようになる。

演算器５６は、生成出力データ６Ａと、学習データの出力データ６とを比較し、その比較結果の誤差を演算する演算器である。学習処理部５２は、生成出力データ６Ａ、および学習データの出力データ６を演算器５６に入力する。これに応じて、演算器５６は、生成出力データ６Ａと、学習データの出力データ６との誤差を演算し、その演算結果を示す信号を出力する。

学習処理部５２は、演算器５６で演算された誤差に基づいて、ノード間の結合の重みパラメータをチューニングする、生成器５４の学習を行う。具体的には、生成器５４における入力層５４０と中間層５４２とのノード間の結合の重みパラメータ、中間層５４２内のノード間の結合の重みパラメータ、および中間層５４２と出力層５４４とのノード間の結合の重みパラメータの各々を例えば勾配降下法や誤差逆伝搬法等の手法を用いて、生成器５４にフィードバックする。すなわち、学習データの出力データ６を目標として、生成出力データ６Ａと学習データの出力データ６との誤差を最小化するように全てのノード間の結合を最適化する。

学習モデル５１は、学習処理部５２の学習処理により生成される。学習モデル５１は、学習処理部５２による学習結果のノード間の結合の重みパラメータ（重み又は強度）の情報の集合として表現される。

図１０に学習処理の流れの一例を示す。学習処理部５２は、ステップＳ１１０で、時系列に測定した結果の学習データである、乗員ＯＰの動きを伴う着座状態を示す情報をラベルとした入力データ４（電気抵抗）を取得する。学習処理部５２は、ステップＳ１１２で、時系列に測定した結果の学習データを用いて学習モデル５１を生成する。すなわち、上記のようにして多数の学習データを用いて学習した学習結果のノード間の結合の重みパラメータ（重み又は強度）の情報の集合を得る。そして、ステップＳ１１４で、学習結果のノード間の結合の重みパラメータ（重み又は強度）の情報の集合として表現されるデータを学習モデル５１として記憶する。

なお、生成器５４は、時系列入力の前後関係を考慮して出力を生成する機能を有する再帰型ニューラルネットワークを用いてもよく、他の手法を用いてもよい。

そして、上記姿勢状態推定装置１では、以上に例示した手法により生成した学習済みの生成器５４（すなわち、学習結果のノード間の結合の重みパラメータの情報の集合として表現されるデータ）を学習モデル５１として用いる。十分に学習した学習モデル５１を用いれば、車両用シート２、すなわち導電性ウレタン２２における時系列な電気抵抗値から乗員の動きを伴う着座状態を同定することも不可能ではない。

なお、学習処理部５２による処理は、本開示の学習モデル生成装置の処理の一例である。また、姿勢状態推定装置１は、本開示の推定部および推定装置の一例である。動きを伴う着座状態３を示す情報である出力データ６は、本開示の姿勢状態情報の一例である。

ところで、上述したように、導電性ウレタン２２は、上述したように電気経路が複雑に連携し、変形に応じた電気経路の伸縮、膨縮、一時的な切断、及び新たな接続が生じる等の挙動を示し、結果的に、与えられた力（例えば圧力刺激）に応じて異なる電気特性を有する挙動を示す。このことは、導電性ウレタン２２を、導電性ウレタン２２の変形に関するデータを貯留するリザーバとして扱うことが可能である。すなわち、姿勢状態推定装置１は、物理的なリザーバコンピューティング（ＰＲＣ：Physical Reservoir Computing）と呼ばれるネットワークモデル（以下、ＰＲＣＮという。）に、導電性ウレタン２２を適用することが可能である。ＰＲＣおよびＰＲＣＮ自体は公知の技術であるため、詳細な説明を省略するが、すなわち、ＰＲＣ、及びＰＲＣＮは、導電性ウレタン２２の変形に関する情報の推定に好適に適用可能である。

図１１に、導電性ウレタン２２を含む車両用シート２を、導電性ウレタン２２を含む車両用シート２の変形に関するデータを貯留するリザーバとして扱って学習する学習処理部５２の一例を示す。導電性ウレタン２２は、多様な圧力刺激の各々に応じた電気特性（電気抵抗値）となり、電気抵抗値を入力する入力層として機能し、また、導電性ウレタン２２の変形に関するデータを貯留するリザーバ層として機能する。導電性ウレタン２２は、乗員の動きを伴う着座状態３により与えられた圧力刺激に応じて異なる電気特性（入力データ４）を出力するので、推定層で、導電性ウレタン２２の電気抵抗値から与えられた圧力刺激３（押圧部材の形状）を推定することが可能である。従って、学習処理では、推定層を学習すればよい。

上述の姿勢状態推定装置１は、例えば、コンピュータに上述の各機能を表すプログラムを実行させることにより実現可能である。

図１２に、姿勢状態推定装置１の各種機能を実現する処理を実行する実行装置としてコンピュータを含んで構成した場合の一例を示す。

姿勢状態推定装置１として機能するコンピュータは、図１２に示すコンピュータ本体１００を備えている。コンピュータ本体１００は、ＣＰＵ１０２、揮発性メモリ等のＲＡＭ１０４、ＲＯＭ１０６、ハードディスク装置（ＨＤＤ）等の補助記憶装置１０８、及び入出力インターフェース（Ｉ／Ｏ）１１０を備えている。これらのＣＰＵ１０２、ＲＡＭ１０４、ＲＯＭ１０６、補助記憶装置１０８、及び入出力Ｉ／Ｏ１１０は、相互にデータ及びコマンドを授受可能にバス１１２を介して接続された構成である。また、入出力Ｉ／Ｏ１１０には、外部装置と通信するための通信部１１４、及びディスプレイやキーボード等の操作表示部１１６が接続されている。通信部１１４は、導電性ウレタン２２を含む車両用シート２との間で、入力データ４（電気抵抗）を取得する機能する。すなわち、通信部１１４は、検出部である、導電性ウレタン２２が配置された車両用シート２を含み、導電性ウレタン２２における検出点７５に接続された電気特性検出部７６から入力データ４（電気抵抗）を取得することが可能である。

補助記憶装置１０８には、コンピュータ本体１００を本開示の推定装置の一例として姿勢状態推定装置１として機能させるための制御プログラム１０８Ｐが記憶される。ＣＰＵ１０２は、制御プログラム１０８Ｐを補助記憶装置１０８から読み出してＲＡＭ１０４に展開して処理を実行する。これにより、制御プログラム１０８Ｐを実行したコンピュータ本体１００は、本開示の推定装置の一例として姿勢状態推定装置１として動作する。

なお、補助記憶装置１０８には、学習モデル５１を含む学習モデル１０８Ｍ、及び各種データを含むデータ１０８Ｄが記憶される。制御プログラム１０８Ｐは、ＣＤ－ＲＯＭ等の記録媒体により提供するようにしても良い。

次に、コンピュータにより実現された姿勢状態推定装置１における推定処理について説明する。

図１３に、コンピュータ本体１００において、実行される制御プログラム１０８Ｐによる推定処理の流れの一例を示す。
図１３に示す推定処理は、コンピュータ本体１００に電源投入されると、ＣＰＵ１０２により実行される。すなわち、ＣＰＵ１０２は、制御プログラム１０８Ｐを補助記憶装置１０８から読み出し、ＲＡＭ１０４に展開して処理を実行する。

まず、ＣＰＵ１０２は、ステップＳ２００で、補助記憶装置１０８の学習モデル１０８Ｍから学習モデル５１を読み出し、ＲＡＭ１０４に展開することで、学習モデル５１を取得する。具体的には、学習モデル５１として表現された重みパラメータによるノード間の結合となるネットワークモデル（図９、図１１参照）を、ＲＡＭ１０４に展開する。よって、重みパラメータによるノード間の結合が実現された学習モデル５１が構築される。

次に、ＣＰＵ１０２は、ステップＳ２０２で、導電性ウレタン２２に与えられた圧力刺激による押圧部材の形状を推定する対象となる未知の入力データ４（電気抵抗）を、通信部１１４を介して時系列に取得する。

次に、ＣＰＵ１０２は、ステップＳ２０４で、ステップＳ２００で取得した学習モデル５１を用いて、ステップＳ２０２において取得した入力データ４（電気抵抗）に対応する出力データ６（未知の動きを伴う着座状態）を推定する。

そして、次のステップＳ２０６で、推定結果の出力データ６（乗員の動きを伴う着座状態）を、通信部１１４を介して出力して、本処理ルーチンを終了する。

なお、図１３に示す推定処理は、本開示の推定方法で実行される処理の一例である。

以上説明したように、本開示によれば、導電性ウレタン２２に対して、動きを伴う着座状態３により与えられた圧力刺激に応じて変化する入力データ４（電気抵抗）から、乗員の動きを伴う着座状態を推定することが可能となる。すなわち、特殊な装置や大型の装置を用いたり柔軟部材の変形を直接計測することなく、未知の乗員の動きを伴う着座状態を推定することが可能となる。

また、乗員ＯＰの挙動により各検出セットによる電気特性が変化し、当該電気特性（時系列な電気抵抗）に動きを伴う着座状態が反映されるので、導電性ウレタン２２において時系列に変化する電気抵抗値から乗員の動きを伴う着座状態を推定可能である。すなわち、様々な動きを伴う着座状態であっても、上述した学習モデルを用いることで、乗員の動きを伴う着座状態を同定可能であり、乗員の動きを伴う着座状態を推定できる。それにより、乗員の快適度や疲労度、乗り物酔いの推定が可能となる。

また、上記着座状態の変化の他に、長時間の着座により血流が停滞し尻部などにしびれなどを感じると、乗員は尻部を前後左右に動かすことによって血流を促し、しびれを除去しようとする。また、同じ姿勢を長時間維持することにより、同じ部位の筋肉が疲労するため、着座状態の変化だけでなく、身体を動かして筋肉の硬直を和らげようとする。本実施形態では、このような乗員の身体の動きを感知することが出来るため、乗員の疲労度の判定にも応用できる。

上述した学習処理によって学習された学習モデル５１を用いた姿勢状態推定装置１では、未知の様々な動きを伴う着座状態における導電性ウレタン２２の電気特性を入力することで、対応する着座者の動きを伴う着座状態を推定できることを確認した。

上述したように、本開示では、柔軟部材の一例として導電性ウレタンを適用した場合を説明したが、柔軟部材は導電性ウレタンに限定されないことは勿論である。

また、本開示の技術的範囲は上記実施形態に記載の範囲には限定されない。要旨を逸脱しない範囲で上記実施形態に多様な変更または改良を加えることができ、当該変更または改良を加えた形態も本開示の技術的範囲に含まれる。

また、上記実施形態では、推定処理及び学習処理を、フローチャートを用いた処理によるソフトウエア構成によって実現した場合について説明したが、これに限定されるものではなく、例えば各処理をハードウェア構成により実現する形態としてもよい。

また、推定装置の一部、例えば学習モデル等のニューラルネットワークを、ハードウェア回路として構成してもよい。

１ 姿勢状態推定装置
２ 車両用シート
３ 動きを伴う着座状態
４ 入力データ
５ 推定部
６ 出力データ
６Ａ 生成出力データ
２２ 導電性ウレタン
２３ 導電性ウレタン片
５１ 学習モデル
５２ 学習処理部
５４ 生成器
５６ 演算器
７５ 検出点
７６ 電気特性検出部

Claims (8)

1. 導電性を有し、かつ与えられた圧力の変化に応じて電気特性が変化する柔軟材料を備えた車両用シートの前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部と、
   前記柔軟材料に圧力を与えた際の時系列の電気特性と、前記柔軟材料に圧力を与える前記車両用シートの乗員の動きを伴う姿勢状態を示す姿勢状態情報とを学習用データとして用いて、前記時系列の電気特性を入力とし、前記姿勢状態情報を出力するように学習された学習モデルに対して、前記検出部で検出された時系列の電気特性を入力し、入力した時系列の電気特性に対応する前記乗員の動きを伴う姿勢状態を示す姿勢状態情報を推定する推定部と、
   を含む推定装置。
2. 前記電気特性は、体積抵抗であり、
   前記車両用シートは、シートクッション、シートバック、ヘッドレスト、及びアームレストの少なくとも１つを含み、
   前記動きを伴う姿勢状態は、前記車両用シートへの乗員の動きを伴う着座状態を含み、
   前記学習モデルは、検出された電気特性に対応する乗員の動きを伴う着座状態を示す情報を前記姿勢状態情報として出力するように学習される
   請求項１に記載の推定装置。
3. 前記車両用シートは、繊維状及び網目状の少なくとも一方の骨格を有する構造、又は内部に微小な空気泡が複数散在する構造のウレタン材の少なくとも一部に導電性が付与された材料を含む
   請求項２に記載の推定装置。
4. 前記動きを伴う着座状態は、前記車両用シートの乗員の呼吸に関する状態、前記乗員の座り方の動作に関する状態、及び前記車両用シートの乗員のリクライニング動作に関する状態を含み、
   前記学習モデルは、検出された電気特性に対応する乗員の呼吸に関する状態、前記乗員の座り方の動作に関する状態、及び前記車両用シートの乗員のリクライニング動作に関する状態の少なくとも１つを示す情報を前記姿勢状態情報として出力するように学習される
   請求項２又は請求項３に記載の推定装置。
5. 前記学習モデルは、前記柔軟材料をリザーバとして当該リザーバを用いたリザーバコンピューティングによるネットワークを用いて学習させることで生成されたモデルを含む
   請求項１から請求項４の何れか１項に記載の推定装置。
6. コンピュータが
   導電性を有し、かつ与えられた圧力の変化に応じて電気特性が変化する柔軟材料を備えた車両用シートの前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部から前記電気特性を取得し、
   前記柔軟材料に圧力を与えた際の時系列の電気特性と、前記柔軟材料に圧力を与える前記車両用シートの乗員の動きを伴う姿勢状態を示す姿勢状態情報とを学習用データとして用いて、前記時系列の電気特性を入力とし、前記姿勢状態情報を出力するように学習された学習モデルに対して、前記検出部で検出された時系列の電気特性を入力し、入力した時系列の電気特性に対応する前記乗員の動きを伴う姿勢状態を示す姿勢状態情報を推定する
   推定方法。
7. コンピュータに
   導電性を有し、かつ与えられた圧力の変化に応じて電気特性が変化する柔軟材料を備えた車両用シートの前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部から前記電気特性を取得し、
   前記柔軟材料に圧力を与えた際の時系列の電気特性と、前記柔軟材料に圧力を与える前記車両用シートの乗員の動きを伴う姿勢状態を示す姿勢状態情報とを学習用データとして用いて、前記時系列の電気特性を入力とし、前記姿勢状態情報を出力するように学習された学習モデルに対して、前記検出部で検出された時系列の電気特性を入力し、入力した時系列の電気特性に対応する前記乗員の動きを伴う姿勢状態を示す姿勢状態情報を推定する
   処理を実行させるための推定プログラム。
8. 導電性を有し、かつ与えられた圧力の変化に応じて電気特性が変化する柔軟材料を備えた車両用シートの前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部からの前記電気特性と、前記柔軟材料に圧力を与える前記車両用シートの乗員の動きを伴う姿勢状態を示す姿勢状態情報と、を取得する取得部と、
   前記取得部の取得結果に基づいて、前記柔軟材料に圧力を与えた際の時系列の電気特性を入力とし、前記柔軟材料に圧力を与える前記乗員の動きを伴う姿勢状態を示す姿勢状態情報を出力する学習モデルを生成する学習モデル生成部と、
   を含む学習モデル生成装置。

Images