JP2023095976A - 運転評価モデル生成装置、運転評価モデル生成方法及びプログラム - Google Patents
運転評価モデル生成装置、運転評価モデル生成方法及びプログラム Download PDFInfo
- Publication number
- JP2023095976A JP2023095976A JP2023076571A JP2023076571A JP2023095976A JP 2023095976 A JP2023095976 A JP 2023095976A JP 2023076571 A JP2023076571 A JP 2023076571A JP 2023076571 A JP2023076571 A JP 2023076571A JP 2023095976 A JP2023095976 A JP 2023095976A
- Authority
- JP
- Japan
- Prior art keywords
- evaluation
- information
- learning
- data
- evaluation model
- 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
- 238000013210 evaluation model Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 63
- 238000010801 machine learning Methods 0.000 description 34
- 238000013523 data management Methods 0.000 description 12
- 230000007613 environmental effect Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000013500 data storage Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
【課題】運転経験や生活地域などによる感覚の違いを考慮した運転評価モデルを生成する。【解決手段】運転評価モデル生成装置は、移動体が走行する場所の画像情報を記憶する第1記憶部と、画像情報に対して判定者が評価した運転に関する評価情報を、当該判定者のプロフィールに関連付けて記憶する第2記憶部とを備える。そして、生成部は、画像情報及び評価情報に基づいて運転評価モデルを生成する。ここで、生成部は、一の評価条件に対応する運転評価モデルを生成する際、当該一の評価条件に該当する場合の画像情報及び評価情報に加えて、当該一の評価条件に該当しない場合の画像情報及び評価情報を用いて前記運転評価モデルを生成する。【選択図】図3
Description
本発明は、運転に関する評価を行うモデルを生成する方法に関する。
従来から、複数の車両からデータをサーバ装置に集約し、サーバ装置が機械学習により得た学習結果に関する情報を配信するシステムが知られている。例えば、特許文献1には、各車両の走行時の天候、時間帯などの状況を環境データとして収集し、環境データが示す状況ごとに学習するシステムが開示されている。
運転時の状況認識及び状況判断については、運転者の経験等に基づく個人差があり、運転者によって認識や判断が異なる場合がある。この点、特許文献1は、このような個人差については何ら勘案していない。
本発明の解決しようとする課題としては、上記のものが一例として挙げられる。本発明は、運転経験や生活地域などによる感覚の違いを考慮した運転評価モデルを生成することを目的とする。
請求項1に記載の発明は、運転評価モデル生成装置であって、移動体が走行する場所の画像情報を記憶する第1記憶部と、前記画像情報に対して判定者が評価した運転に関する評価情報を、当該判定者のプロフィールに関連付けて記憶する第2記憶部と、一の評価条件に対応する運転評価モデルを生成する際、当該一の評価条件に該当する場合の画像情報及び評価情報に加えて、当該一の評価条件に該当しない場合の画像情報及び評価情報を用いて前記運転評価モデルを生成する生成部と、を備える。
請求項6に記載の発明は、運転評価モデル生成装置により実行される運転評価モデル生成方法であって、移動体が走行する場所の画像情報を取得する第1取得工程と、前記画像情報に対して判定者が評価した運転に関する評価情報を、当該判定者のプロフィールに関連付けて取得する第2取得工程と、一の評価条件に対応する運転評価モデルを生成する際、当該一の評価条件に該当する場合の画像情報及び評価情報に加えて、当該一の評価条件に該当しない場合の画像情報及び評価情報を用いて前記運転評価モデルを生成する生成工程と、を備える。
請求項7に記載の発明は、コンピュータを備える装置により実行されるプログラムであって、移動体が走行する場所の画像情報を取得する第1取得工程、前記画像情報に対して判定者が評価した運転に関する評価情報を、当該判定者のプロフィールに関連付けて取得する第2取得工程、一の評価条件に対応する運転評価モデルを生成する際、当該一の評価条件に該当する場合の画像情報及び評価情報に加えて、当該一の評価条件に該当しない場合の画像情報及び評価情報を用いて前記運転評価モデルを生成する生成工程、を前記コンピュータに実行させる。
本発明の1つの好適な実施形態では、運転評価モデル生成装置は、移動体が走行する場所の画像情報を記憶する第1記憶部と、前記画像情報に対して判定者が評価した運転に関する評価情報を、当該判定者のプロフィールに関連付けて記憶する第2記憶部と、一の評価条件に対応する運転評価モデルを生成する際、当該一の評価条件に該当する場合の画像情報及び評価情報に加えて、当該一の評価条件に該当しない場合の画像情報及び評価情報を用いて前記運転評価モデルを生成する生成部と、を備える。
上記の運転評価モデル生成装置は、移動体が走行する場所の画像情報を記憶する第1記憶部と、画像情報に対して判定者が評価した運転に関する評価情報を、当該判定者のプロフィールに関連付けて記憶する第2記憶部とを備える。そして、生成部は、一の評価条件に対応する運転評価モデルを生成する際、当該一の評価条件に該当する場合の画像情報及び評価情報に加えて、当該一の評価条件に該当しない場合の画像情報及び評価情報を用いて前記運転評価モデルを生成する。これにより、評価条件に該当しない状況においても適切な挙動を示す汎用的な運転評価モデルを生成することが可能となる。
上記の運転評価モデル生成装置の一態様では、前記一の評価条件は、地域に関する情報を含み、前記生成部は、一の地域に対応する運転評価モデルを生成する際、当該一の地域において得られた画像情報及び評価情報に加えて、当該一の地域とは異なる地域、より好適には当該一の地域と反対の地域で得られた画像情報及び評価情報を用いて前記運転評価モデルを生成する。この態様では、評価条件が示す地域以外の地域においても適切な挙動を示す運転評価モデルを生成することができる。
上記の運転評価モデル生成装置の他の一態様では、前記一の評価条件は、前記移動体の環境に関する情報を含み、前記生成部は、一の環境に対応する運転評価モデルを生成する際、当該一の環境において得られた画像情報及び評価情報に加えて、当該一の環境とは異なる環境、より好適には当該一の環境と反対の環境において得られた画像情報及び評価情報を用いて前記運転評価モデルを生成する。この態様では、評価条件が示す環境以外の環境においても適切な挙動を示す運転評価モデルを生成することができる。
本発明の他の好適な実施形態では、運転評価モデル生成装置により実行される運転評価モデル生成方法は、移動体が走行する場所の画像情報を取得する第1取得工程と、前記画像情報に対して判定者が評価した運転に関する評価情報を、当該判定者のプロフィールに関連付けて取得する第2取得工程と、一の評価条件に対応する運転評価モデルを生成する際、当該一の評価条件に該当する場合の画像情報及び評価情報に加えて、当該一の評価条件に該当しない場合の画像情報及び評価情報を用いて運転評価モデルを生成する生成工程と、を備える。この方法によっても、評価条件に該当しない状況においても適切な挙動を示す汎用的な運転評価モデルを生成することが可能となる。
本発明の他の好適な実施形態では、コンピュータを備える装置により実行されるプログラムは、移動体が走行する場所の画像情報を取得する第1取得工程、前記画像情報に対して判定者が評価した運転に関する評価情報を、当該判定者のプロフィールに関連付けて取得する第2取得工程、一の評価条件に対応する運転評価モデルを生成する際、当該一の評価条件に該当する場合の画像情報及び評価情報に加えて、当該一の評価条件に該当しない場合の画像情報及び評価情報を用いて運転評価モデルを生成する生成工程、を前記コンピュータに実行させる。このプログラムをコンピュータで実行することにより、上記の運転評価モデル生成装置を実現することができる。このプログラムは、記憶媒体に記憶して取り扱うことができる。
以下、図面を参照して本発明の好適な実施例について説明する。
[システム構成]
図1は、本発明の運転評価モデル生成装置の一実施例である学習システムの構成を示す。学習システム10は、例えばサーバ装置など、コンピュータを備える装置により実現される。図示のように、学習システム10は、画像データ蓄積部11と、教師データ管理部12と、学習データ制御部13と、機械学習部14と、運転評価モデルデータベース(以下、「データベース」を「DB」と表記する。)と、を備える。
[システム構成]
図1は、本発明の運転評価モデル生成装置の一実施例である学習システムの構成を示す。学習システム10は、例えばサーバ装置など、コンピュータを備える装置により実現される。図示のように、学習システム10は、画像データ蓄積部11と、教師データ管理部12と、学習データ制御部13と、機械学習部14と、運転評価モデルデータベース(以下、「データベース」を「DB」と表記する。)と、を備える。
画像データ蓄積部11には、車両のカメラから撮影された画像データが蓄積される。典型的な例では、画像データは、車両の走行中に車載カメラにより撮影され、インターネットを介した無線通信などにより、サーバとして構成される学習システム10へ供給される。画像データは、車両の走行している環境、具体的には、車両前方の道路とその周辺を含む画像となっている。画像データは、その識別情報である画像データIDに対応付けて画像データ蓄積部11に保存されている。
教師データ管理部12は、画像データが示す走行環境について、判定者が教師として運転に関する評価を行った結果を記憶する。図2は、教師データ管理部12の記憶データの例を示す。教師データ管理部12には、複数の教師データが記憶される。1つの記憶データは、画像データIDと、プロフィールと、環境情報と、判定値とにより構成される。教師データ管理部12に記憶された教師データは、後述の機械学習部14による学習に使用される。なお、教師データは、例えば実際に走行している車両又はその車両に搭載されたカーナビゲーション装置などから送信されたプローブデータから生成することができる。また、アンケート方式により、画像データを判定者に見せて運転に関する評価をしてもらうと同時にその判定者のプロフィールやそのときの環境情報を取得して教師データを生成しても良い。
「画像データID」は、判定者による判定の対象となる画像データの識別情報である。「プロフィール」は、運転評価の機械学習を行う際の教師のプロフィールであり、実際には画像データについての判定を行う判定者のプロフィールを示す。プロフィールは、教師識別子と、性別と、生年と、居住地と、運転歴とを含む。
「教師識別子」は、教師を一意に示す識別情報であり、具体的には判定者のIDなどである。「性別」は判定者の性別であり、「生年」は判定者の生まれた年である。なお、生年の代わりに年齢を用いてもよい。「居住地域」は判定者が居住している地域を示し、本例では都市部と郊外に分類されている。「運転歴」は判定者の運転歴であり、本例では運転経験年数を用いている。
「環境情報」は、各画像データが撮影された際の環境を示す情報であり、天候、道路種別、時間帯を含む。「天候」は、画像データの撮影時の天候であり、晴れ、曇り、雨、雪などが使用される。「道路種別」は、画像データに含まれる道路、即ち、撮影の際に車両が走行している道路の種別であり、高速道路、国道、県道、細街路などが使用される。「時間帯」は、画像データの撮影時の時間帯を示す。
「判定値」は、判定者による画像データの評価結果であり、画像データが示す走行環境を判定者が評価した結果である。本例では、判定値は「運転しにくい」と「運転しやすい」の2値が割り当てられているが、運転しやすさを3段階や5段階に分類し、3値や5値の判定値を用いてもよい。
なお、図2に示す例では、教師識別子が「K1116」、「H1117」、「T1110」の3人の判定者がそれぞれ2枚の画像データについて運転しやすさの判定を行った結果が教師データとして記憶されている。
図1に戻り、学習データ制御部13は、画像データ蓄積部11に記憶された画像データと、教師データ管理部12に記憶された教師データに基づいて学習データを生成し、機械学習部14へ供給する。「学習データ」とは、機械学習部14に入力されて機械学習に使用されるデータであり、教師データと学習用データとを含む。ここで、「教師データ」とは、教師データ管理部12に記憶されている判定値であり、「学習用データ」は判定値に対応する画像データである。即ち、学習データは、画像データと、その画像データに対する判定者の判定値とを紐付けたデータである。詳細は後述するが、学習データ制御部13は、教師データをそのプロフィール又は環境情報の共通性によりグループ化して教師モデルを生成し、教師モデル毎に学習用データを生成して機械学習部14へ供給する。
機械学習部14は、学習データ制御部13から供給された学習データを利用して教師あり学習を行う。そして、機械学習部13は、学習結果として、画像データが示す走行環境が運転しやすいか否かを判定するためのモデル(以下、「運転評価モデル」と呼ぶ。)を生成する。即ち、運転評価モデルは、教師あり機械学習による得られたパターン識別器であって、例えばニューラルネットワークを適用した学習により得られた学習結果である。
ここで、上述のように学習データ制御部13は教師モデル毎に学習データを生成して機械学習部14に供給するので、機械学習部14は教師モデル毎に学習結果を生成し、運転評価モデルとして運転評価モデルDB15に記憶する。例えば、ディープラーニングによる学習の場合、運転評価モデルは、ネットワークデータ、教師モデル(教師モデルの作成に用いた教師のプロフィール)、環境データ(学習時に用いられた環境情報のパラメータ)などにより構成される。
上記の構成において、画像データ蓄積部11は本発明の第1記憶部の一例であり、教師データ管理部12は本発明の第2記憶部の一例であり、学習データ制御部13及び機械学習部14は本発明の生成部の一例である。
[学習処理]
次に、学習システム10による学習処理について説明する。
(第1実施例)
第1実施例の学習処理では、居住地域に関するプロフィールを指定することにより教師モデルを設定し、その教師モデルに対応する運転評価モデルを作成する。
次に、学習システム10による学習処理について説明する。
(第1実施例)
第1実施例の学習処理では、居住地域に関するプロフィールを指定することにより教師モデルを設定し、その教師モデルに対応する運転評価モデルを作成する。
図3は、第1実施例による学習処理のフローチャートである。この処理は、主として図1に示す学習システム10の学習データ制御部13及び機械学習部14により実行される。なお、学習システム10がサーバなどのコンピュータ装置により構成される場合、学習処理はそのコンピュータ装置が予め用意されたプログラムを実行することにより実現される。
まず、学習データ制御部13は、教師データ管理部12に記憶されている教師データから、居住地域に関するプロフィールの共通性により教師をグループ化して教師モデルを作成する(ステップS11)。図2の例では、プロフィールとして、性別、生年、居住地域、運転歴が記憶されている。学習データ制御部13は、これらのうち、居住地域に関するプロフィールが共通する判定者によりグループを作成する。例えば、学習データ制御部13は、都市部に居住する判定者の教師データにより「都市部居住者」というグループを作成し、これを教師モデルとする。
次に、学習データ制御部13は、ステップS11で作成した教師モデルに属する教師データから、その居住地域、及び、その居住地域と異なる又は反対の地域の画像データと判定値を取得する(ステップS12)。上記の例では、教師モデル「都市部居住者」が作成されているので、学習データ制御部13は、学習データとして使用する画像データ及び判定値として、教師モデル「都市部居住者」の居住地域である都市部において撮影された画像データのみならず、それと異なる又は反対の地域である「郊外」で撮影された画像データ及び判定値をも取得する。いま、図2の例において、画像データID「107」及び「109」の画像が都市部で撮影された画像データであり、画像データID「108」及び「110」の画像が郊外で撮影された画像データであるものと仮定する。この場合、学習データ制御部13は、教師モデル「都市部居住者」について、都市部居住者である2名の判定者(教師識別子=L1116及びH1117)の教師データであって、都市部で撮影された画像データ(画像データID=「107」、「109」)とその判定値のみならず、郊外で撮影された画像データ(画像データID=「108」、「110」)とその判定値をも取得する。
そして、学習データ制御部13は、取得した画像データと判定値を、その教師モデルの学習データとして保存する(ステップS13)。こうして、ステップS11で作成された教師モデルについて使用する学習データが用意される。
こうして作成された学習データは機械学習部14に供給され、機械学習部14は学習データを用いて機械学習を実行する(ステップS14)。そして、機械学習部14は、機械学習により得られた学習結果を保存する(ステップS15)。具体的に、機械学習により得られた学習結果は、ステップS11で作成された教師モデルに対応する運転評価モデルとなる。即ち、上記の例では、学習結果として教師モデル「都市部居住者」の運転評価モデルが得られる。そして、機械学習部14は、この運転評価モデルを運転評価モデルDB15に保存する。
なお、ステップS13で、教師モデルに属する教師(判定者)について画像データと判定値を取得して学習データを生成する際に、同じ教師モデルに属する判定者から異なる判定値が得られる場合がある。例えば、教師モデル「都市部居住者」に属する判定者による同一の画像データに対する判定値が「運転しやすい」と「運転しにくい」に割れるケースが考えられる。この場合、得られた画像データと判定値は、そのままでは、学習データとして画像データと判定値を一対一で入力する機械学習処理に利用することができない。よって、学習データ制御部13は、以下の方法で同一の画像データに対応する判定値を1つに統一する。
学習データ制御部13は、基本的に多数決により判定値を1つに決定する。即ち、学習データ制御部13は、同一の画像データに対する判定値の出現回数をそれぞれカウントし、最も出現回数の多い判定値をその画像データに対する判定値として採用する。上記の例では、教師モデル「都市部居住者」に属する判定者による、同一の画像に対する判定値「運転しにくい」と「運転しやすい」の数をそれぞれカウントし、多い方の判定値をその画像データの判定値として採用する。
なお、上記の多数決方式に信頼性の判断を加えて、同一の画像データに対する判定値を1つに決定してもよい。具体的には、異なる判定値の出現回数に大差がない場合には、精度が不十分となる可能性があるので、その画像データ及びそれに対する判定値を学習データとして採用しないこととしてもよい。
また、最も多い出現回数が、他の判定値の出現回数と比較して優位性が認められる程度の差異があることを出現回数の比率で判定し、そのような差異がある場合に限り、最も多い出現回数の判定値を採用することとしてもよい。例えば、最も多い出現回数が全体の70%以上である、又は、最も多い出現回数が2番目に多い出現回数より10%以上大きい、などの条件が満たされる場合に、最も多い出現回数の判定値を採用することとしてもよい。
このように、第1実施例では、居住地域に関するプロフィールにより教師モデルを設定して機械学習を行う際に、教師モデルの居住地域で得られた画像データ及びその評価情報のみならず、それと異なる又は反対の地域で得られた画像データ及びその評価情報を学習データとして使用する。これにより、どのような地域を走行する場合においても適切な挙動を示す、汎用的な運転評価モデルを生成することが可能となる。即ち、生成された「都市部居住者」の運転評価モデルは、都市部を走行している場合のみならず、郊外を走行している場合においても適切な挙動を示すようになる。
(第2実施例)
第2実施例の学習処理では、環境情報により教師モデルを設定し、その教師モデルに対応する運転評価モデルを作成する。
第2実施例の学習処理では、環境情報により教師モデルを設定し、その教師モデルに対応する運転評価モデルを作成する。
図4は、第2実施例による学習処理のフローチャートである。この処理は、主として図1に示す学習システム10の学習データ制御部13及び機械学習部14により実行される。なお、学習システム10がサーバなどのコンピュータ装置により構成される場合、学習処理はそのコンピュータ装置が予め用意されたプログラムを実行することにより実現される。
まず、学習データ制御部13は、教師データ管理部12に記憶されている教師データから、環境情報の共通性により教師をグループ化して教師モデルを作成する(ステップS21)。例えば、学習データ制御部13は、天候が「雨」である教師データにより「降雨時」というグループを作成し、これを教師モデルとする。
次に、学習データ制御部13は、ステップS21で作成した教師モデル「降雨時」に属する教師データから、画像データと判定値を取得する(ステップS12)。上記の例では、学習データ制御部13は、図2に示す教師データのうち、天候が「雨」である教師データについて、画像データと判定値を取得する。
さらに、学習データ制御部13は、教師モデルの環境と異なる又は反対の環境の画像データと判定値も取得する(ステップS23)。上記の例では、学習データ制御部13は、教師モデルの環境「雨」と異なる又は反対の環境である「晴れ」及び「曇り」の教師データから画像データと判定値を取得する。
そして、学習データ制御部13は、取得した画像データと判定値を、その教師モデルの学習データとして保存する(ステップS24)。こうして、ステップS21で作成された教師モデルについて使用する学習データが用意される。
こうして作成された学習データは機械学習部14に供給され、機械学習部14は学習データを用いて機械学習を実行する(ステップS25)。そして、機械学習部14は、機械学習により得られた学習結果を保存する(ステップS26)。具体的に、機械学習により得られた学習結果は、ステップS21で作成された教師モデルに対応する運転評価モデルとなる。即ち、上記の例では、学習結果として教師モデル「降雨時」の運転評価モデルが得られる。そして、機械学習部14は、この運転評価モデルを運転評価モデルDB15に保存する。
このように、第2実施例では環境情報である天候「雨」に関する教師モデル「降雨時」についての運転評価モデルを生成する際に、学習データとして、その環境と異なる又は反対の環境である「晴れ」及び「曇り」の画像データと判定値をも利用している。これにより、機械学習部14が利用する学習データを多様化し、汎用性の高い運転評価モデルを生成することが可能となる。即ち、生成された「降雨時」の運転評価モデルは、降雨時のみならず、晴れや曇りの走行時においても適切な挙動を示すようになる。
なお、環境情報における「異なる環境」としては、天候に関して「晴れ」、「曇り」、「雨」、「雪」、道路種別に関して「高速道路」、「国道」、「県道」、「細街路」、時間帯に関して「朝」、「昼」、「夜」などが挙げられる。また、「反対の環境」としては、天候に関して「晴れ」と「雨」又は「雪」、道路種別に関して「高速道路」又は「国道」と「細街路」、時間帯に関して「朝」又は「昼」と「夜」などが挙げられる。
[変形例]
上記の実施例では、居住地域又は環境情報により教師モデルを設定しているが、居住地域と環境情報の組み合わせ、又は、複数の環境情報の組み合わせにより教師モデルを設定してもよい。例えば、「都市居住者(降雨時)」、「晴れの夜」などの教師モデルを設定してもよい。ここで、教師モデル「都市居住者(降雨時)」については、居住地域が「都市部」である教師データであって、降雨時に都市部で撮影された画像データのみならず、晴れや曇りのときに都市部及び郊外で撮影された画像データが学習データとして用いられる。また、教師モデル「晴れの夜」については、晴れの夜に撮影された画像データのみならず、雨や曇りの朝や夜に撮影された画像データが学習データとして用いられる。
上記の実施例では、居住地域又は環境情報により教師モデルを設定しているが、居住地域と環境情報の組み合わせ、又は、複数の環境情報の組み合わせにより教師モデルを設定してもよい。例えば、「都市居住者(降雨時)」、「晴れの夜」などの教師モデルを設定してもよい。ここで、教師モデル「都市居住者(降雨時)」については、居住地域が「都市部」である教師データであって、降雨時に都市部で撮影された画像データのみならず、晴れや曇りのときに都市部及び郊外で撮影された画像データが学習データとして用いられる。また、教師モデル「晴れの夜」については、晴れの夜に撮影された画像データのみならず、雨や曇りの朝や夜に撮影された画像データが学習データとして用いられる。
10 学習システム
11 画像データ蓄積部
12 教師データ管理部
13 学習データ制御部
14 機械学習部
15 運転評価モデルデータベース
11 画像データ蓄積部
12 教師データ管理部
13 学習データ制御部
14 機械学習部
15 運転評価モデルデータベース
Claims (1)
- 移動体が走行する場所の画像情報を記憶する第1記憶部と、
前記画像情報に対して判定者が評価した運転に関する評価情報を、当該判定者のプロフィールに関連付けて記憶する第2記憶部と、
一の評価条件に対応する運転評価モデルを生成する際、当該一の評価条件に該当する場合の画像情報及び評価情報に加えて、当該一の評価条件に該当しない場合の画像情報及び評価情報を用いて前記運転評価モデルを生成する生成部と、
を備え、
前記一の評価条件は、地域に関する情報を含み、
前記生成部は、一の地域に対応する運転評価モデルを生成する際、当該一の地域において得られた画像情報及び評価情報に加えて、当該一の地域と反対の地域で得られた画像情報及び評価情報を用いて前記運転評価モデルを生成する運転評価モデル生成装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023076571A JP2023095976A (ja) | 2016-11-01 | 2023-05-08 | 運転評価モデル生成装置、運転評価モデル生成方法及びプログラム |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016214336A JP2018073235A (ja) | 2016-11-01 | 2016-11-01 | 運転評価モデル生成装置、運転評価モデル生成方法及びプログラム |
JP2021140007A JP2022002101A (ja) | 2016-11-01 | 2021-08-30 | 運転評価モデル生成装置、運転評価モデル生成方法及びプログラム |
JP2023076571A JP2023095976A (ja) | 2016-11-01 | 2023-05-08 | 運転評価モデル生成装置、運転評価モデル生成方法及びプログラム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021140007A Division JP2022002101A (ja) | 2016-11-01 | 2021-08-30 | 運転評価モデル生成装置、運転評価モデル生成方法及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023095976A true JP2023095976A (ja) | 2023-07-06 |
Family
ID=62114238
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016214336A Pending JP2018073235A (ja) | 2016-11-01 | 2016-11-01 | 運転評価モデル生成装置、運転評価モデル生成方法及びプログラム |
JP2021140007A Pending JP2022002101A (ja) | 2016-11-01 | 2021-08-30 | 運転評価モデル生成装置、運転評価モデル生成方法及びプログラム |
JP2023076571A Pending JP2023095976A (ja) | 2016-11-01 | 2023-05-08 | 運転評価モデル生成装置、運転評価モデル生成方法及びプログラム |
Family Applications Before (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016214336A Pending JP2018073235A (ja) | 2016-11-01 | 2016-11-01 | 運転評価モデル生成装置、運転評価モデル生成方法及びプログラム |
JP2021140007A Pending JP2022002101A (ja) | 2016-11-01 | 2021-08-30 | 運転評価モデル生成装置、運転評価モデル生成方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (3) | JP2018073235A (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109177979B (zh) * | 2018-08-27 | 2021-01-05 | 百度在线网络技术(北京)有限公司 | 评估乘车舒适度的数据处理方法、装置及可读存储介质 |
-
2016
- 2016-11-01 JP JP2016214336A patent/JP2018073235A/ja active Pending
-
2021
- 2021-08-30 JP JP2021140007A patent/JP2022002101A/ja active Pending
-
2023
- 2023-05-08 JP JP2023076571A patent/JP2023095976A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
JP2018073235A (ja) | 2018-05-10 |
JP2022002101A (ja) | 2022-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104331953B (zh) | 一种基于物联网技术的汽车行为数据识别与管理方法 | |
US20180080991A1 (en) | Method and system for predicting energy consumption of a vehicle through application of a statistical model utilizing environmental and road condition information | |
CN110753892A (zh) | 在自动驾驶车辆中用于经由交叉模态验证的即时物体标记的方法和系统 | |
CN106347359A (zh) | 用于操作自动驾驶车辆的方法和装置 | |
CN111325230B (zh) | 车辆换道决策模型的在线学习方法和在线学习装置 | |
WO2017051411A1 (en) | Near real-time modeling of pollution dispersion | |
CN110753953A (zh) | 用于自动驾驶车辆中经由交叉模态验证的以物体为中心的立体视觉的方法和系统 | |
CN110869936A (zh) | 用于自动驾驶车辆中的分布式学习与适应的方法和系统 | |
CN105892471A (zh) | 汽车自动驾驶方法和装置 | |
US11919545B2 (en) | Scenario identification for validation and training of machine learning based models for autonomous vehicles | |
JP2015230694A (ja) | 運転コンテキスト情報生成装置 | |
CN107368069A (zh) | 基于车联网的自动驾驶控制策略的生成方法与生成装置 | |
JP2023095976A (ja) | 運転評価モデル生成装置、運転評価モデル生成方法及びプログラム | |
US20150300828A1 (en) | Cooperative learning method for road infrastructure detection and characterization | |
CN113159403B (zh) | 路口行人轨迹预测的方法及装置 | |
WO2015167772A1 (en) | System and method for analytics-based advertising | |
Xue et al. | A context-aware framework for risky driving behavior evaluation based on trajectory data | |
US20230391357A1 (en) | Methods and apparatus for natural language based scenario discovery to train a machine learning model for a driving system | |
CN113742163A (zh) | 一种故障预警方法、装置、设备及存储介质 | |
CN110254435B (zh) | 一种驾驶风格识别方法 | |
US20230177892A1 (en) | Systems And Methods Of Determining Effectiveness Of Vehicle Safety Features | |
CN106651133B (zh) | 一种使用手机实现基于adas的用户驾驶行为评分方法 | |
CN104183135A (zh) | 车辆行进开销的估计方法及系统 | |
CN114492544B (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 | |
CN115564800A (zh) | 行动轨迹预测方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230508 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240528 |