JP2023165316A - 個人特性管理装置、個人特性管理方法、プログラム及び学習済みモデルの生成方法 - Google Patents

Abstract

【課題】高い精度で個人特性を推定可能な個人特性管理装置、個人特性管理方法、プログラム及び学習済みモデルの生成方法を得る。【解決手段】個人特性管理装置はデータ取得部を含んでおり、データ取得部は、予め設定された複数の運転評価項目に関する運転データを車両又は車両の外部から取得する。また、個人特性管理装置は個人特性推定部を含んでおり、個人特性推定部は、データ取得部で取得された運転データに基づいて、運転者の個人特性を推定する。【選択図】図８

Description

本発明は、個人特性管理装置、個人特性管理方法、プログラム及び学習済みモデルの生成方法に関する。

特許文献１には、給油のタイミングの相対頻度に応じて「せっかち度」を判定し、車両の走行履歴から「規則忠実度」を判定するドライバ正確判定装置が開示されている。

特開２００７－３２７８７２号公報

しかしながら、上記特許文献１に記載された装置では、給油のタイミング及び車両の走行履歴に基づいて運転者の性格を推定するため、高い精度で運転者の個人特性を推定することはできない。

本発明は、高い精度で個人特性を推定可能な個人特性管理装置、個人特性管理方法、プログラム及び学習済みモデルの生成方法を得ることを目的とする。

請求項１に係る個人特性管理装置は、予め設定された複数の運転評価項目に関する運転データを取得するデータ取得部と、前記データ取得部で取得された前記運転データに基づいて運転者の個人特性を推定する個人特性推定部と、を有する。

請求項１に係る個人特性管理装置では、予め設定された複数の運転評価項目に関する運転データに基づいて運転者の個人特性を推定するため、精度の高い推定を行うことができる。

請求項２に係る個人特性管理装置は、請求項１において、前記個人特性推定部は、個人特性として、運転特性及び認知特性を含む特性を推定する。

請求項２に係る個人特性管理装置では、利用者が運転特性及び認知特性を含む特性を把握することができる。なお、ここでいう「運転特性」とは、利用者の運転操作に関する傾向を示す特性であり、「認知特性」とは、利用者が周辺状況を認知する度合いを示す特性である。

請求項３に係る個人特性管理装置は、請求項１において、前記データ取得部は、運転評価項目として、少なくとも車両の加減速及び操舵を含む運転データを取得する。

請求項３に係る個人特性管理装置では、車両の加減速及び操舵を含む運転データに基づいて運転者の個人特性が推定される。

請求項４に係る個人特性管理装置は、請求項３において、前記データ取得部は、運転評価項目として、さらに車両の周辺を撮像する周辺カメラで撮像された情報及び運転者を撮像するドライバ用カメラで撮像された情報を取得する。

請求項４に係る個人特性管理装置では、車両の加減速及び操舵などの車両操作の運転データに加えて、周辺カメラ及びドライバ用カメラで撮像された情報に基づいて運転者の個人特性が推定される。

請求項５に係る個人特性管理装置は、請求項１～４の何れか１項において、前記個人特性推定部は、個人特性を推定するための機械学習を行った学習済みモデルに対して前記データ取得部で取得された運転データを入力し、前記学習済みモデルの演算処理を実行することで、個人特性を推定する。

請求項５に係る個人特性管理装置では、個人特性を推定するための機械学習を行った学習済みモデルを用いて個人特性を推定することで、複雑な演算を必要とせずに高精度で個人特性を推定することができる。

請求項６に係る個人特性管理方法は、予め設定された複数の運転評価項目に関する運転データを取得し、取得された前記運転データに基づいて運転者の個人特性を推定する。

請求項７に係るプログラムは、予め設定された複数の運転評価項目に関する運転データを取得し、取得された前記運転データに基づいて運転者の個人特性を推定する、処理をコンピュータに実行させる。

請求項８に係る学習済みモデルの生成方法は、予め設定された複数の運転評価項目に関する情報と、運転特性及び認知特性のそれぞれの正解値とを対応付けた教師データを取得し、取得した教師データに基づいて、運転評価項目に関するデータを入力した場合に、運転特性及び認知特性を含む個人特性を推定する学習済みモデルを生成する処理をコンピュータに実行させる。

以上説明したように、本発明に係る個人特性管理装置、個人特性管理方法、プログラム及び学習済みモデルの生成方法によれば、高い精度で個人特性を推定することができる。

実施形態に係る個人特性管理システムの全体構成を示す概略図である。 実施形態に係る個人特性管理装置のハードウェア構成を示すブロック図である。 実施形態に係る車載器のハードウェア構成を示すブロック図である。 実施形態に係る個人特性管理装置の機能構成を示すブロック図である。 実施形態における学習フェーズを説明するためのブロック図である。 運転評価項目の一例を示す表である。 運転特性及び認知特性の一例を示す表である。 実施形態における個人特性推定処理の流れの一例を示すシーケンス図である。

実施形態に係る個人特性管理装置１０を含むシステムＳについて、図面を参照して説明する。

図１に示されるように、本実施形態のシステムＳは、個人特性管理装置１０、サーバ１２及び車両Ｖを含んで構成されている。そして、個人特性管理装置１０、サーバ１２及び車両Ｖは、ネットワークＮによって接続されている。なお、ネットワークＮには複数の車両Ｖが接続されているが、図１では説明の便宜上、一台の車両Ｖのみが図示されている。

本実施形態の個人特性管理装置１０は一例として、車両Ｖの外部に設けられた制御装置とされている。また、車両Ｖには、車載器１４が搭載されている。

サーバ１２は、複数の車両Ｖの管理者が保有するサーバである。すなわち、複数の車両Ｖを管理する管理者がサーバ１２を保有しており、本実施形態では一例として、車両Ｖは利用者を乗せて走行するタクシーとして用いられる車両である。また、サーバ１２は、タクシー会社が保有している。

ここで、本実施形態の個人特性管理装置１０は、各車両Ｖを運転する運転者の運転データに基づいて運転者の個人特性を推定する。

（個人特性管理装置１０のハードウェア構成）
図２は、個人特性管理装置１０のハードウェア構成を示すブロック図である。この図２に示されるように、個人特性管理装置１０は、制御部としてのＥＣＵ（Electronic Control Unit）１１を備えている。ＥＣＵ１１は、ＣＰＵ（Central Processing Unit：プロセッサ）２０、ＲＯＭ（Read Only Memory）２２、ＲＡＭ（Random Access Memory）２４、ストレージ２６、通信Ｉ／Ｆ（通信インタフェース）２８及び入出力Ｉ／Ｆ（入出力インタフェース）３０を含んで構成されている。各構成は、バス３２を介して相互に通信可能に接続されている。

ＣＰＵ２０は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ２０は、ＲＯＭ２２又はストレージ２６からプログラムを読み出し、ＲＡＭ２４を作業領域としてプログラムを実行する。ＣＰＵ２０は、ＲＯＭ２２又はストレージ２６に記録されているプログラムに従って、上記各構成の制御および各種の演算処理を行う。

ＲＯＭ２２は、各種プログラムおよび各種データを格納する。ＲＡＭ２４は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ２６は、ＨＤＤ（Hard Disk Drive）又はＳＳＤ（Solid State Drive）により構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。本実施形態では、ＲＯＭ２２又はストレージ２６には、個人特性推定処理を行うためのプログラム及び各種データなどが格納されている。

通信Ｉ／Ｆ２８は、個人特性管理装置１０がサーバ１２及び他の機器と通信するためのインタフェースであり、たとえば、ＣＡＮ（Controller Area Network）、イーサネット（登録商標）、ＬＴＥ（Long Term Evolution）、ＦＤＤＩ（Fiber Distributed Data Interface）、Ｗｉ－Ｆｉ（登録商標）などの規格が用いられる。

入出力Ｉ／Ｆ３０は、入力装置３４及び表示装置３６と電気的に接続されている。入力装置３４は、個人特性管理装置１０に対して所定の指示を入力するための装置であり、例えば、マウス及びキーボードなどを含んで構成されている。表示装置３６は、個人特性管理装置１０から出力された情報を表示するためのディスプレイなどの装置である。

（車載器１４のハードウェア構成）
図３は、車載器１４のハードウェア構成を示すブロック図である。この図３に示されるように、車載器１４は、ＣＰＵ（Central Processing Unit：プロセッサ）４０、ＲＯＭ（Read Only Memory）４２、ＲＡＭ（Random Access Memory）４４、ストレージ４６、通信Ｉ／Ｆ（通信インタフェース）４８及び入出力Ｉ／Ｆ（入出力インタフェース）５０を含んで構成されている。各構成は、バス５２を介して相互に通信可能に接続されている。

ＣＰＵ４０は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ４０は、ＲＯＭ４２又はストレージ４６からプログラムを読み出し、ＲＡＭ４４を作業領域としてプログラムを実行する。ＣＰＵ４０は、ＲＯＭ４２又はストレージ４６に記録されているプログラムに従って、上記各構成の制御および各種の演算処理を行う。

ＲＯＭ４２は、各種プログラムおよび各種データを格納する。ＲＡＭ４４は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ４６は、ＨＤＤ（Hard Disk Drive）又はＳＳＤ（Solid State Drive）により構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。本実施形態では、ＲＯＭ４２又はストレージ４６には、各種処理を行うためのプログラム及び各種データなどが格納されている。

通信Ｉ／Ｆ４８は、車載器１４がサーバ１２及び他の機器と通信するためのインタフェースであり、たとえば、ＣＡＮ、イーサネット（登録商標）、ＬＴＥ、ＦＤＤＩ、Ｗｉ－Ｆｉ（登録商標）などの規格が用いられる。

入出力Ｉ／Ｆ５０は、加速度センサ５４、舵角センサ５６、周辺カメラ５８及びドライバ用カメラ６０と電気的に接続されている。

加速度センサ５４は、車両Ｖの加速度を検出する。舵角センサ５６は、車両Ｖの操舵角を検出する。加速度センサ５４で検知された加速度のデータは、例えば、車両Ｖの急加減速の有無を判定するために用いられる。また、舵角センサ５６で検知された操舵角のデータは、例えば、急操舵やＵターンの有無を判定するために用いられる。なお、加速度センサ５４に代えて、アクセルポジションセンサ及びブレーキセンサなどのセンサ類から直接アクセル及びブレーキの操作量などを検出してもよい。

周辺カメラ５８は、車両Ｖの周囲に設けられて車両Ｖの周辺を撮像する。例えば、周辺カメラ５８は、車両Ｖの前方を撮像する前方カメラ、車両Ｖの後方を撮像する後方カメラ、及び車両Ｖの側方を撮像する側方カメラなどを含んで構成されている。そして、周辺カメラ５８で撮像された画像データは、例えば、先行車両との車間距離を算出するために用いられる。また、周辺カメラ５８で撮像された画像データは、例えば、標識を検出するために用いられる。

ドライバ用カメラ６０は、運転者を撮像するためのカメラであり、例えば、インストルメントパネルに設けられており、運転者へ向けて配置されている。ドライバ用カメラ６０で撮像された画像データは、例えば、脇見運転などを検出するために用いられる。

（個人特性管理装置１０の機能構成）
個人特性管理装置１０は、上記のハードウェア資源を用いて、各種の機能を実現する。個人特性管理装置１０が実現する機能構成について図４を参照して説明する。

図４に示されるように、個人特性管理装置１０は、機能構成として、データ取得部６２、スコア算出部６４、学習部６６及び個人特性推定部６８を含んで構成されている。なお、各機能構成は、ＣＰＵ２０がＲＯＭ２２又はストレージ２６に記憶されたプログラムを読み出し、実行することにより実現される。

データ取得部６２は、予め設定された複数の運転評価項目に関する運転データを取得する。本実施形態では一例として、運転データは車両Ｖからサーバ１２へ送信されており、サーバ１２に運転データが蓄積されている。このため、データ取得部６２は、サーバ１２から運転データを取得する。データ取得部６２が取得する運転データは、例えば、車両Ｖの加減速及び操舵に関する情報、周辺カメラ５８で撮像された情報及びドライバ用カメラ６０で撮像された情報などである。また、データ取得部６２は、スコア算出部６４によって算出されたスコア及び計測回数を含むデータを運転データとして取得する。

スコア算出部６４は、データ取得部６２で取得した運転データに基づいて、運転評価項目のそれぞれに対してスコアの算出及び回数の計測を行う。ここで、図６を参照して運転評価項目の一例について説明する。

図６に示されるように、本実施形態では一例として、運転評価項目の診断種別は、安全、法令順守及びドライバ状態に区分されている。

安全の診断種別は、アクセル操作、ブレーキ操作、ステアリング操作及び危険操作に分類されている。また、アクセル操作としては、発進及び急加速についてそれぞれ評価が行われる。具体的には、発進の項目では、車両Ｖに設けられた加速度センサ５４で検知されたデータに基づいて、車両Ｖの停止状態から所定の速度に到達するまでの間のアクセル操作が評価される。また、発進の評価は、０から１００のスコアで算出される。急加速、急制動、停止、右折及び左折の評価も同様に０から１００のスコアで算出される。

例えば、発進の項目では、車両Ｖの停止状態から所定の速度に到達するまでの時間と、所定の速度に到達するまでの間における加速度の変化量とに基づいて、スコアを算出してもよい。また、最も理想的な発進状態のスコアを１００に設定し、停止状態からアクセルを全開にした発進状態のスコアを０に設定しておき、実際の発進状態と対比することでスコアを算出してもよい。

急加速の項目では、急加速が行われた度合いがスコアとして算出される。例えば、車両Ｖに設けられた加速度センサ５４で検知された加速度に基づいて、比較的短い時間で加速度の増加量が大きい場合にスコアが低く算出してもよい。

ブレーキ操作としては、急制動及び停止についてそれぞれ評価が行われる。急制動の項目では、急制動が行われた度合いがスコアとして算出される。例えば、車両Ｖに設けられた加速度センサ５４で検知されたデータに基づいて、比較的短い時間で加速度の減少量が大きい場合にスコアを低く算出してもよい。また、停止の項目では、所定の速度から車両Ｖが停止するまでの時間と、停止するまでの間における加速度の変化量とに基づいて、スコアを算出してもよい。

ステアリング操作としては、右折及び左折についてそれぞれ評価が行われる。例えば、右折の項目では、舵角センサ５６で検知された車両Ｖの操舵角に基づいて、所定時間内における操舵角の変化量が予め設定された理想の状態に近いほどスコアを高くしてもよい。左折の項目は、右折の項目と同様にスコアが算出される。

危険操作としては、Ｕターン、ウインカ忘れ及び車間距離についてそれぞれ評価が行われる。これらの評価は、スコアではなく、検出回数によって評価される。

Ｕターンの項目では、Ｕターンが行われた回数がカウントされる。例えば、舵角センサ５６で検知された車両Ｖの操舵角と走行距離とに基づいて、Ｕターンが行われたと判断してもよい。ウインカ忘れの項目では、右左折前にターンシグナルランプの灯火が行われなかった回数がカウントされる。例えば、舵角センサ５６で検知された車両Ｖの操舵角に基づいて右左折が行われたと判断された状態において、車両Ｖに搭載された図示しないターンシグナルスイッチが事前にＯＮになっていなかった場合に、ウインカ忘れであると判断してもよい。

車間距離の項目では、先行車両との車間距離が近くなった回数がカウントされる。例えば、周辺カメラ５８で撮像された画像データに基づいて算出された先行車両との車間距離が、所定の車間距離以下となった場合に、先行車両との車間距離が近くなったと判断してもよい。

法令順守の診断種別は、信号及び標識に分類されている。信号としては、信号を無視した回数がカウントされる。標識としては、制限速度違反、一時停止違反及び駐車禁止についてそれぞれ評価が行われる。

制限速度の項目では、制限速度を超過した回数がカウントされる。例えば、周辺カメラ５８で撮像された画像データに基づいて標識に表示された制限速度を検出し、車両Ｖに搭載された図示しない車速センサで検出された車速が制限速度よりも大きい場合に制限速度を超過したと判断してもよい。

一時停止違反の項目では、一時停止位置で停止しなかった回数がカウントされる。例えば、周辺カメラ５８で撮像された画像データに基づいて一時停止の標識を検出し、この一時停止の位置において車速が０にならなかった場合に一時停止違反であると判断してもよい。

駐車禁止の項目では、駐車禁止の場所で駐車を行った回数がカウントされる。例えば、周辺カメラ５８で撮像された画像データに基づいて駐車禁止の標識を検出し、この駐車禁止の場所においてシフトポジションがパーキングになった場合に駐車禁止であると判断してもよい。なお、制限速度違反の項目については、周辺カメラ５８で撮像された画像データに基づいて標識を検出する方法に代えて、ナビゲーションシステムに登録されている情報と車両Ｖの現在位置とから、車両Ｖが走行している道路の制限速度の情報を取得してもよい。同様に、ナビゲーションシステムに登録されている情報と車両Ｖの現在位置とから、一時停止及び駐車禁止の場所であることを検知してもよい。なお、車両Ｖの現在位置情報は、車両Ｖ搭載された図示しないＧＰＳ（Global Positioning System）装置が受信した電波に基づいて取得される。

ドライバ状態の診断種別では、低覚醒度及び脇見運転の項目がそれぞれ評価される。低覚醒度の項目では、運転者の覚醒度が低いと判断された回数がカウントされる。例えば、ドライバ用カメラ６０で撮像された運転者の顔の画像データに基づいて運転者の覚醒度を算出し、覚醒度が予め設定された閾値よりも低い場合に、覚醒度が低いと判断してもよい。

脇見運転の項目では、運転者が運転中によそ見をした回数がカウントされる。例えば、ドライバ用カメラ６０で撮像された運転者の顔の画像データから運転者の視線方向を検出し、運転者の視線方向が所定時間以上、進行方向とは異なる方向へ向けられている場合に、脇見運転を行っていると判断してもよい。

図４に示される学習部６６は、機械学習によって学習済みモデルＭを生成する機能を有する。具体的には、図５に示されるように、学習部６６は、複数の運転評価項目に関する情報としての運転データと、運転特性及び認知特性のそれぞれの正解値とを対応付けた教師データを取得し、取得した教師データに基づいて、運転評価項目に関するデータを入力した場合に、運転特性及び認知特性を含む個人特性を推定する学習済みモデルＭを生成する。運転特性及び認知特性については後述する。

なお、学習済みモデルＭとしては、例えば、ディープニューラルネットワークが適用される。本実施形態の学習済モデルＭは一例として、ＲＮＮ（Recursive Neural Network）の一種であるＬＳＴＭ（Long Short Term Memory）が適用されている。また、学習済みモデルＭの生成には、例えば、誤差逆伝播法が用いられる。学習済みモデルＭは、運転データが入力された場合に、運転特性及び認知特性が出力されるように、ディープニューラルネットワークモデルを機械学習させることによって生成される。

また、運転特性の正解値は、例えば、独立行政法人自動車事故対策機構などの外部機関で実施されている運転者適正診断の診断結果を利用してもよい。また、認知特性の正解値は、ＭＭＳＥ（Mini-Mental State Examination）などの認知機能を評価する検査の検査結果を利用してもよい。

個人特性推定部６８は、データ取得部６２で取得された、スコアを含む運転データに基づいて運転者の個人特性を推定する。具体的には、個人特性推定部６８は、学習部６６で生成された学習済みモデルＭに対してデータ取得部６２で取得された運転データを入力し、学習済みモデルＭの演算処理を実行することで、個人特性を推定する。また、本実施形態では一例として、個人特性推定部６８は、運転特性及び認知特性を個人特性として推定する。

ここで、図７を参照して、個人特性としての運転特性及び認知特性の一例について説明する。図７に示されるように、本実施形態では運転特性として、判断のタイミング、動作の正確さ、安全運転、感情安定性、危険感受性及び思いやり運転のそれぞれに対して推定する。推定結果は、０から１００のスコアで算出される。

判断のタイミングの項目では、運転者が車両Ｖの周囲の状況を迅速に判断できる度合いと、迅速に動作を行うことができる度合いについての特性が推定される。動作の正確さの項目では、車両Ｖの操作の正確さの度合いについての特性が推定される。

安全運転の項目では、運転者が安全な運転を心がけている度合いについての特性が推定される。また、感情安定性の項目では、感情的な運転が行われずに冷静さの度合いについての特性が推定される。危険感受性の項目では、危険な状況を迅速に判断できる度合いについての特性が推定される。思いやり運転の項目では、自車両の周囲の車両及び歩行者への思いやりについての特性が推定される。

認知特性としては、認知能力の項目が０から１００のスコアで算出される。

（作用）
次に、本実施形態の作用を説明する。

（個人特性推定処理）
個人特性推定処理の流れの一例について、図８に示されているシーケンス図を用いて説明する。なお、個人特性管理装置１０における処理は、ＣＰＵ２０がデータ取得部６２、スコア算出部６４及び個人特性推定部６８として機能することにより実現される。

ステップＳ１０２では、車両Ｖからサーバ１２へ運転データが送信される。具体的には、車両Ｖに搭載された加速度センサ５４及び舵角センサ５６などのセンサ類で検出された信号が運転データとしてサーバ１２へ送信される。また、周辺カメラ５８及びドライバ用カメラ６０で撮像された画像データが運転データとしてサーバ１２へ送信される。このとき、車両Ｖ側で予めデータを加工したものを運転データとしてサーバ１２へ送信してもよい。

サーバ１２では、車両Ｖから受信した運転データが車両Ｖごと、又は運転者ごとに蓄積される。

ステップＳ１０４では、個人特性管理装置１０がデータ取得部６２の機能によってサーバ１２へ運転データを要求する。ステップＳ１０６では、サーバ１２から個人特性管理装置１０へ運転データが送信される。

ステップＳ１０８では、個人特性管理装置１０がスコア算出処理を行う。具体的には、個人特性管理装置１０は、スコア算出部６４の機能により、運転データから運転評価項目のそれぞれに対してスコアの算出及び回数のカウントを行う。本実施形態では、個人特性管理装置１０のストレージ２６に予めスコア算出用の数式などが格納されており、この数式を用いてスコアが算出される。

ステップＳ１１０では、個人特性管理装置１０が個人特性推定処理を行う。具体的には、個人特性管理装置１０は、個人特性推定部６８の機能により、学習済みモデルＭに対してデータ取得部６２で取得された運転データ及びスコア算出部６４で算出されたスコアを入力し、学習済みモデルＭの演算処理を実行することで、個人特性を推定する。

ステップＳ１１２では、個人特性推定処理によって推定された個人特性のデータがサーバ１２へ送信される。なお、サーバ１２に蓄積された個人特性データは、種々の用途に利用することができる。例えば、個人特性データに基づいて運転者ごとに適切な方法で運転のアドバイスを行うようにしてもよい。また、個人特性データに基づいて運転者ごとに車両Ｖの制御方法を変化させてもよい。

以上のように、本実施形態に係る個人特性管理装置１０では、予め設定された複数の運転評価項目に関する運転データに基づいて運転者の個人特性を推定するため、精度の高い推定を行うことができる。

また、本実施形態では、個人特性として運転特性及び認知特性を含む特性が推定されるため、利用者が運転特性及び認知特性を含む特性を把握することができる。

さらに、本実施形態では、車両Ｖの加減速及び操舵を含む運転データに加えて、周辺カメラ及びドライバ用カメラで撮像された情報に基づいて運転者の個人特性を推定することができる。また、個人特性を推定するための機械学習を行った学習済みモデルＭを用いて個人特性を推定することで、複雑な演算を必要とせずに高精度で個人特性を推定することができる。

以上、実施形態に係る個人特性管理装置１０について説明したが、本発明の要旨を逸脱しない範囲において、種々なる態様で実施し得ることは勿論である。例えば、上記実施形態では、個人特性管理装置１０を車両Ｖの外部に設けたが、これに限定されず、車両Ｖに個人特性管理装置１０が搭載された構成としてもよい。この場合、車両Ｖの運転データをサーバ１２へ送信せず、個人特性管理装置１０が車両Ｖから直接運転データを取得してもよい。

また、スコア算出部６４によるスコア算出処理は、個人特性管理装置１０の内部で実行してもよく、必要なデータをサーバ１２へ送信してサーバ１２側で実行してもよい。さらに、個人特性推定部６８による個人特性推定処理は、個人特性管理装置１０の内部で実行してもよく、必要なデータをサーバ１２へ送信してサーバ１２側で実行してもよい。スコア算出処理及び個人特性推定処理をサーバ１２側で実行する場合、スコア算出に必要な数式などのデータ、及び学習済みモデルＭがサーバ１２に格納してもよい。

さらに、上記実施形態では、個人特性推定部６８は、学習済みモデルＭに対して運転データなどを入力し、学習済みモデルＭの演算処理を実行することで、個人特性を推定したが、これに限定されない。例えば、学習済みモデルＭを用いずに個人特性を推定してもよい。この場合、予め運転データのスコア及び計測回数と個人特性とを関連付けたテーブルを保持しておき、このテーブルを参照して個人特性を推定する方法を用いてもよい。

さらにまた、上記実施形態では、個人特性として、運転特性及び認知特性を推定する構成について説明したが、これに限定されない。例えば、個人特性として、運転特性及び認知特性に加えて、心理特性、視覚機能及び健康状態を個人特性として推定してもよい。心理特性としては、知的好奇心、誠実性、外向性、協調性及び情緒不安定性などが含まれる。視覚機能として、静止視力、動体視力、夜間視力及び水平視野などが含まれる。

また、上記実施形態では、アクセル操作、ブレーキ操作、ステアリング操作、危険操作、信号順守、標識順守及びドライバ状態を含むデータを運転データとしたが、これに限定されない。例えば、上記データの一部を運転データとして用いてもよい。また、上記データに加えて、煽り運転の有無、車線逸脱の有無、軽衝突の有無などを含むデータを運転データとして用いてもよい。

さらに、上記実施形態でＣＰＵ２０がプログラムを読み込んで実行した処理を、ＣＰＵ２０以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Field-Programmable Gate Array）等の製造後に回路構成を変更可能なＰＬＤ（Programmable Logic Device）、及びＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、上記処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせで実行してもよく、例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。

さらに、上記実施形態では、ストレージ２６及びストレージ４６に種々のデータを記憶させる構成としたが、これに限定されない。例えば、ＣＤ（Compact Disk）、ＤＶＤ（Digital Versatile Disk）、及びＵＳＢ（Universal Serial Bus）メモリ等の非一時的記録媒体を記憶部としてもよい。この場合、これらの記録媒体に各種プログラム及びデータなどが格納されることとなる。

１０ 個人特性管理装置
５８ 周辺カメラ
６０ ドライバ用カメラ
６２ データ取得部
６８ 個人特性推定部
Ｍ 学習済みモデル
Ｖ 車両

Claims (8)

1. 予め設定された複数の運転評価項目に関する運転データを取得するデータ取得部と、
   前記データ取得部で取得された前記運転データに基づいて運転者の個人特性を推定する個人特性推定部と、
   を有する個人特性管理装置。
2. 前記個人特性推定部は、個人特性として、運転特性及び認知特性を含む特性を推定する請求項１に記載の個人特性管理装置。
3. 前記データ取得部は、運転評価項目として、少なくとも車両の加減速及び操舵を含む運転データを取得する請求項１に記載の個人特性管理装置。
4. 前記データ取得部は、運転評価項目として、さらに車両の周辺を撮像する周辺カメラで撮像された情報及び運転者を撮像するドライバ用カメラで撮像された情報を取得する請求項３に記載の個人特性管理装置。
5. 前記個人特性推定部は、個人特性を推定するための機械学習を行った学習済みモデルに対して前記データ取得部で取得された運転データを入力し、前記学習済みモデルの演算処理を実行することで、個人特性を推定する請求項１～４の何れか１項に記載の個人特性管理装置。
6. 予め設定された複数の運転評価項目に関する運転データを取得し、
   取得された前記運転データに基づいて運転者の個人特性を推定する、
   個人特性管理方法。
7. 予め設定された複数の運転評価項目に関する運転データを取得し、
   取得された前記運転データに基づいて運転者の個人特性を推定する、
   処理をコンピュータに実行させるプログラム。
8. 予め設定された複数の運転評価項目に関する情報と、運転特性及び認知特性のそれぞれの正解値とを対応付けた教師データを取得し、
   取得した教師データに基づいて、運転評価項目に関するデータを入力した場合に、運転特性及び認知特性を含む個人特性を推定する学習済みモデルを生成する処理をコンピュータに実行させる、
   学習済みモデルの生成方法。