JP2024030605A - 情報処理装置 - Google Patents

Abstract

【課題】乗員毎の乗物酔い状態をより精度良く事前に推定することができる情報処理装置を得る。【解決手段】情報処理装置２０は、乗物挙動推定部２４、頭部挙動推定部２６、乗物酔い予測部２８、及び更新部３２を備える。乗物挙動推定部２４は、走行する乗物の走行ルートに基づいて乗物挙動を推定する。頭部挙動推定部２６は、推定された乗物挙動と、走行する乗物に乗る乗員の乗員情報とに基づいて走行する乗物に乗車する乗員の頭部挙動を推定する。乗物酔い予測部２８は、推定された頭部挙動に基づいて、乗員の乗物酔いレベルを予測する。頭部挙動取得部３０は、走行ルートの走行時に、乗員の頭部挙動を取得する。更新部３２は、取得された頭部挙動に基づいて、頭部挙動推定部２６を更新する。【選択図】図２

Description

本発明は、情報処理装置に関する。

特許文献１には、車両に乗車した乗員を撮像することにより乗員の頭部の運動量を算出し、この運動量が予め定められた閾値以上である場合に、乗員が酔い状態であると判定する酔い予測システムが開示されている。

特開２０２１－１２６１７４号公報

特許文献１に記載された酔い予測システムでは、車両の走行時における乗員の頭部の運動量から酔い状態を判定しているため、車両が走行する前、すなわち事前に乗員の酔いの程度を推定することはできない。また、事前に乗員の酔いの程度を推定する際には、乗員の体型や姿勢等の要因による推定誤差が生じてしまう場合がある。

本発明は上記事実を考慮し、乗員毎の乗物酔い状態をより精度良く事前に推定することができる情報処理装置を得ることを目的とする。

請求項１に記載の本発明に係る情報処理装置は、走行する乗物の走行ルートに基づいて乗物挙動を推定する乗物挙動推定部と、該乗物挙動推定部により推定された乗物挙動と、前記走行する乗物に乗る乗員の乗員情報とに基づいて前記走行する乗物に乗車する乗員の頭部挙動を推定する頭部挙動推定部と、該頭部挙動推定部により推定された頭部挙動に基づいて、前記乗員の乗物酔いレベルを予測する乗物酔い予測部と、前記走行ルートの走行時に、前記乗員の頭部挙動を取得する頭部挙動取得部と、該頭部挙動取得部により取得された頭部挙動に基づいて、前記頭部挙動推定部を更新する更新部と、を備える。

請求項１に記載の本発明に係る情報処理装置では、乗物挙動推定部が、走行する乗物の走行ルートに基づいて乗物挙動を推定し、頭部挙動推定部が、推定された乗物挙動と、走行する乗物に乗る乗員の乗員情報とに基づいて乗員の頭部挙動を推定している。また、乗物酔い予測部が、推定された乗員の頭部挙動に基づいて、乗員の乗物酔いレベルを予測している。そのため、請求項１に記載の本発明に係る情報処理装置では、走行する走行ルートに応じた乗員の乗物酔いレベルを事前に予測することができる。

また、請求項１に記載の本発明に係る情報処理装置では、頭部挙動取得部が、走行ルートの走行時に、乗員の頭部挙動を取得し、更新部が、取得した頭部挙動に基づいて、頭部挙動推定部を更新している。そのため、更新部により、走行時に実際に取得された乗員の頭部挙動が、次回、頭部挙動推定部により推定される乗員の頭部挙動に反映されるので、乗員毎の乗物酔い状態をより精度良く推定することができる。

請求項２に記載の本発明に係る情報処理装置は、請求項１に記載の情報処理装置において、前記頭部挙動推定部が、走行ルートにおける乗物の乗物挙動と、当該乗物に乗る乗員の乗員情報とを入力した場合に、当該乗員の頭部挙動が出力されるように学習された学習済モデルを使用して乗員の頭部挙動を推定する。

請求項２に記載の本発明に係る情報処理装置では、走行ルートにおける乗物の乗物挙動と、当該乗物に乗る乗員の乗員情報とを入力した場合に、当該乗員の頭部挙動が出力されるように学習された学習済モデルを使用して乗員の頭部挙動が推定されている。そのため、学習済モデルに、乗物の乗物挙動とこの乗物に乗る乗員の乗員情報とを入力するだけで、容易に乗員の頭部挙動を推定することができる。

請求項３に記載の本発明に係る情報処理装置は、請求項２に記載の情報処理装置において、前記更新部は、走行ルートにおける乗物の乗物挙動と、当該乗物に乗る乗員の乗員情報とを入力した場合に、前記頭部挙動取得部により取得された頭部挙動が出力されるように前記学習済モデルを学習させることで前記頭部挙動推定部を更新する。

請求項３に記載の本発明に係る情報処理装置では、更新部が、走行ルートにおける乗物の乗物挙動と、当該乗物に乗る乗員の乗員情報とを入力した場合に、前記頭部挙動取得部により取得された頭部挙動が出力されるように前記学習済モデルを学習させている。すなわち、更新部は、走行時に実際に取得された乗員の頭部挙動を使用して学習済モデルを学習させているので、学習モデルにより出力される乗員の頭部挙動の精度を高めることができる。

請求項４に記載の本発明に係る情報処理装置は、請求項１に記載の情報処理装置において、前記乗物酔い予測部により予測される乗物酔いレベルが、複数の走行ルートの中で一番小さい走行ルートを提案するルート提案部をさらに備える。

請求項４に記載の本発明に係る情報処理装置では、ルート提案部が、乗物酔い予測部により予測される乗物酔いレベルが複数の走行ルートの中で一番小さい走行ルートを提案する。そのため、提案された走行ルートを走行することにより乗員の乗物酔いを低減させることができる。

以上説明したように、本発明に係る情報処理装置は、乗員毎の酔い状態をより精度良く事前に推定することができる、という優れた効果を有する。

本発明の一実施形態に係る情報処理装置を含む車両システムのハードウェア構成を示すブロック図である。 本実施形態に係る情報処理装置の機能構成を示すブロック図である。 地図において現在地から目的地までの走行ルートの一例を示す表示図である。 走行ルート毎の車両挙動の一例を示すグラフである。 学習済モデルを説明する説明図である。 各乗員に対応する頭部挙動の一例を示すグラフである。 乗物酔いレベルの一例を示すグラフである。 本実施形態に係る情報処理装置の一連の処理を示すフローチャートである。

以下に添付図面を参照しながら、本発明の一実施形態に係る情報処理装置としての車両ＥＣＵ（Electronic Control Unit）２０を含む車両システム１０について説明する。本実施形態の車両システム１０は、車両（図示省略）に搭載されており、図１に示されるように、車両ＥＣＵ２０、車載カメラ１２、及びナビゲーションシステム１４を備えている。

車両ＥＣＵ２０は、ＣＰＵ(Central Processing Unit：プロセッサ)２０Ａ、ＲＯＭ(Read Only Memory)２０Ｂ、ＲＡＭ(Random Access Memory)２０Ｃ、ストレージ２０Ｄ、通信インタフェース（通信Ｉ／Ｆ）２０Ｅ及び入出力インタフェース（入出力Ｉ／Ｆ）２０Ｆを含んで構成されている。各構成は、公知の技術が使用されており、バス２０Ｇを介して相互に通信可能に接続されている。

入出力Ｉ／Ｆ２０Ｆには、車載カメラ１２及びナビゲーションシステム１４等が接続されている。車載カメラ１２は、カラーＣＣＤ(Charge Coupled Device)カメラ等で構成されている。車載カメラ１２は、車両に乗車した乗員の頭部を含む車両用シートを撮影可能な位置に設置されており、車両の走行時に乗員の頭部を撮影する。本実施形態においては、一例として、車両の各車両用シートに設置されている。

ナビゲーションシステム１４は、公知のナビゲーションシステムであり、図３に示されるように、現在値Ａから目的地Ｂまでの走行ルートを検索して表示画面に表示された地図上に表示させる。本実施形態においては、検索結果の一例として第１の走行ルートＲ１と第２の走行ルートＲ２の２つの走行ルートが検出されている。なお、一例として、図３に示されるように、第１の走行ルートＲ１は第２の走行ルートＲ２よりもカーブが多い。

車両ＥＣＵ２０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。図２に示されるように、車両ＥＣＵ２０は、機能構成として、ルート設定部２２、乗物挙動推定部２４、頭部挙動推定部２６、乗物酔い予測部２８、頭部挙動取得部３０、及び更新部３２を含んで構成されている。なお、各機能構成は、ＣＰＵ２０ＡがＲＯＭ２０Ｂ又はストレージ２０Ｄ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。

ルート設定部２２は、車両の走行ルートを設定する。具体的には、ナビゲーションシステム１４により検出された複数の走行ルートの中から実際に走行する走行ルートを設定する。本実施形態においては、ルート設定部２２は、乗物酔い予測部２８により予測された乗物酔いレベルが複数の走行ルートの中で一番小さい走行ルートを提案するルート提案部としても機能する。

乗物挙動推定部２４は、走行する車両の走行ルートに基づいて乗物（車両）の挙動（以下、乗物挙動という）を推定する。具体的には、乗物挙動推定部２４は、ドライバモデルと車両モデルとを使用して車両挙動を推定する。ここで、ドライバモデルは、走行ルートの道路形状等の走行条件、及び車両の走行軌跡を入力として、車両のドライバのハンドルの切り方や、アクセル及びブレーキの踏み方等の運転操作挙動を出力する。なお、ドライバモデルは走行区間の道路形状別に予め定められている。ドライバモデルは、多数の車両から取得されたドライバの運転操作情報を統計的にモデル化（例えば平均化）したものであってもよいし、機械学習を用いて走行ルートの道路形状等の走行条件、及び車両の走行軌跡を入力とした際に、運転操作挙動が出力されるように学習された学習済モデルにより構成されていてもよい。

また、車両モデルは、上述したドライバモデルにより出力された運転操作挙動を入力として、車両に固有の走行状態の情報として乗物挙動を出力する。なお、車両モデルは走行区間の道路形状別に予め定められている。車両モデルは、例えば、多数の車両から取得されたドライバの車両の走行状態の情報を統計的にモデル化（例えば平均化）したものであってもよいし、機械学習を用いて運転操作挙動を入力とした際に、乗物挙動が出力されるように学習された学習済モデルにより構成されていてもよい。

本実施形態において乗物挙動は、一例として図４に示されるように、時間経過毎の加速度として表される。なお、図４において、横軸は時間（sec）、縦軸は加速度（m/sec²）をそれぞれ示している。また、実線は第１の走行ルートＲ１の乗物挙動を示し、点線は第２の走行ルートＲ２を示している。図４に示されるように、第１の走行ルートＲ１の方が、第２の走行ルートＲ２よりも加速度の起伏が激しい。すなわち、第１の走行ルートＲ１の方が車両の揺れが激しいと推測できる。

頭部挙動推定部２６は、乗物挙動推定部２４により推定された乗物挙動と、走行する車両に乗車する乗員の乗員情報とに基づいて、乗員の頭部挙動を推定する。具体的には、走行ルートにおける車両の乗物挙動と、この車両に乗車する乗員の乗員情報とを入力した場合に、乗車した乗員の頭部挙動が出力されるように学習された学習済モデルＭを使用して乗員の頭部挙動を推定する。ここで、乗員情報は、一例として、乗員の身長、体重、及び関節の硬さ等を示す情報である。なお、乗員情報は、さらに、乗員の座高を示す情報等が含まれていてもよい。

図５に示されるように、学習済モデルＭは、乗物挙動と車両に乗車する乗員の乗員情報を示す第１のデータＤ１と、この乗員の頭部挙動を示す第２のデータＤ２との組で構成される複数の学習用データセットＤを教師データとして学習される。本実施形態においては、一例として学習済モデルＭは、ディープラーニング（深層学習）等の公知の手法により機械学習される。このように機械学習された学習済モデルＭは、乗物挙動と車両に乗車する乗員の乗員情報が入力されると、この乗員の頭部挙動を出力する。

本実施形態において乗員の頭部挙動は、一例として図６に示されるように、時間経過毎の頭部の角度として表される。なお、図６は、第１の走行ルートＲ１を車両が走行する際の乗員の頭部挙動であり、横軸は時間（sec）、縦軸は頭部の角度（°）をそれぞれ示している。また、実線は乗員Ａの頭部挙動を示し、点線は乗員Ｂの頭部挙動を示している。図４に示されるように、第１の走行ルートＲ１を車両が走行する際には、乗員Ａの方が、乗員Ｂよりも頭部の角度の幅が大きい。すなわち、乗員Ａの方が頭部の揺れが激しいと推測できる。

乗物酔い予測部２８は、頭部挙動推定部２６により推定された頭部挙動に基づいて、乗員の乗物酔いレベルを予測する。本実施形態においては、一例として、頭部挙動を入力した際に、乗員の乗物酔いレベルが出力される乗物酔いレベルの推定モデル（図示省略）が使用される。なお、乗物酔いレベルは、例えば、動揺病発症率（ＭＳＩ：Motion Sickness Incidence）で示される。ＭＳＩは、物理刺激に対して嘔吐に至る人数の割合である。

一般的に、乗物酔い（動揺病）の原因としては、感覚矛盾説が知られている。感覚矛盾としては、感覚信号間の矛盾や、感覚情報と過去の経験から期待される情報間の矛盾等がある。近年では、これらの考えに基づいて、多くの動揺病数理モデルが提案されている。

動揺病数理モデルとしては、例えば、「運動感覚情報の数理モデリングとその応用」和田隆弘著；システム／制御／情報，Vol.62, No.1, pp. 14-20, 2018に記載されたＳＶＣ(Subjective Vertical Conflict)仮説の１自由度の数理モデル（第２図参照）や６自由度数理モデル（第３図参照）がある。また、例えば、「乗員の動揺知覚特性に基づく車酔いのモデル化に関する研究」上地徳昌、丸尾智之、和田隆弘、土居俊一著；自動車技術論文集 Vol.39, No.2, March 2008に記載されたFig.5に記載された数理モデルもある。これらの数理モデルにおいては、頭部挙動を入力すると、ＭＳＩが出力されている。本実施形態においては、一例としてこれらの数理モデルを乗物酔いレベルの推定モデルとして使用することができる。

本実施形態においては、乗員の乗物酔いレベルは、一例として図７に示されるように、時間経過毎の乗物酔いレベルとして表される。なお、図７は、一例として乗員Ａの乗物酔いレベルであり、横軸は時間（sec）、縦軸は乗物酔いレベル（％）をそれぞれ示している。また、実線は第１の走行ルートＲ１における乗員Ａの乗物酔いレベルを示し、点線は第２の走行ルートＲ２における乗員Ａの乗物酔いレベルを示している。図７に示されるように、第１の走行ルートＲ１を走行する方が、第２の走行ルートＲ２を走行するよりも乗物酔いレベルが大きい。すなわち、第２の走行ルートＲ２の方が乗物酔いレベルが小さいと推測できる。

本実施形態においては、ルート設定部２２は、乗物酔いレベルが小さい第２の走行ルートＲ２をドライバに提案する。具体的には、一例としてルート設定部２２は、表示画面に表示された第１の走行ルートＲ１と第２の走行ルートＲ２のうち、第２の走行ルートＲ２を強調して表示させる。なお、ドライバへの提案方法としてはこれに限られず、例えば、音声によって提案してもよいし、乗物酔いレベルを表示させてもよいし、適宜変更することができる。

頭部挙動取得部３０は、走行ルートの走行時に、乗員の頭部挙動を取得する。具体的には、頭部挙動取得部３０は、車載カメラ１２によって撮像された乗員の頭部を含む画像を取得し、取得した画像を解析することにより、頭部挙動を導出する。具体的には、車両の上下方向（鉛直方向）からの頭部の傾き角度を検出する。一例として、時計回りを正の値、反時計回りを負の値として表す。

更新部３２は、頭部挙動取得部３０により取得された頭部挙動に基づいて、頭部挙動推定部２６を更新する。具体的には、走行ルートにおける車両の乗物挙動と、車両に乗車した乗員の乗員情報とを入力した場合に、頭部挙動取得部３０により取得された頭部挙動が出力されるように学習済モデルＭを学習させる。

次に、車両ＥＣＵ２０において実行される一連の処理について、図８に示されるフローチャートを用いて説明する。なお、車両ＥＣＵ２０において実行される表示処理は、ＣＰＵ２０ＡがＲＯＭ２０Ｂ又はストレージ２０Ｄからプログラムを読み出して、ＲＡＭ２０Ｃに展開して実行することによって実行される。なお、本実施形態においては、一例として乗員Ａ及び乗員Ｂの２人の乗員が車両に乗車する。

図８に示されるように、先ずステップＳ１１にて、ルート設定部２２は、ナビゲーションシステム１４において目的地が入力されたか否かを判断する。入力されていな場合（ステップＳ１１；ＮＯ）、目的地が入力されるまでステップＳ１１の処理を繰り返し行う。ステップＳ１１にて目的地が入力された場合（ステップＳ１１；ＹＥＳ）、ステップＳ１２にてナビゲーションシステム１４によって検索された走行ルートを取得する。本実施形態においては、図３に示されるように、ルート設定部２２は、一例として第１の走行ルートＲ１と第２の走行ルートＲ２を取得する。

次に、ステップＳ１３にて、乗物挙動推定部２４は走行ルート毎、すなわち第１の走行ルートＲ１と第２の走行ルートＲ２の車両挙動を推定する（図４参照）。次に、ステップＳ１４にて、頭部挙動推定部２６は、学習済モデルＭを使用して乗員の頭部挙動を推定する（図６参照）。なお、本実施形態においては、頭部挙動推定部２６は、乗員Ａ及び乗員Ｂの頭部挙動を推定している。

次に、ステップＳ１５にて、乗物酔い予測部２８は乗員Ａ及び乗員Ｂについて、各々第１の走行ルートＲ１と第２の走行ルートＲ２における乗物酔いレベルを予測する。ルート設定部２２は、乗物酔いレベルが小さい方の走行ルートである第２の走行ルートＲ２を提案する。ここで、乗員Ａ及び乗員Ｂにおいて乗物酔いレベルが小さい走行ルートが異なっている場合には、ドライバでない方の乗員の乗物酔いレベルを参照する。また、例えばドライバでない乗員が複数いる場合には、乗物酔いレベルの平均値がより小さい走行ルートを提案することができる。なお、本発明は、平均値に限られず、中間値であってもよいし、公知の技術を使用して決定することができる。

次に、ステップＳ１７にて、車両が第２の走行ルートＲ２で走行開始すると、頭部挙動取得部３０は車載カメラ１２に乗員の頭部を含む画像の撮像を開始させる。そして、ステップＳ１８にて、頭部挙動取得部３０は乗員の頭部挙動を取得する。

次に、ステップＳ１９にて、更新部３２は、頭部挙動推定部２６により推定された頭部挙動と、頭部挙動取得部３０により取得された頭部挙動との間に所定値以上の差があるか否かを判断する。差がない場合（ステップＳ１９；ＮＯ）、車両ＥＣＵ２０は一連の処理を終了する。ステップＳ１９にて差がある場合（ステップＳ１９；ＹＥＳ）、ステップＳ２０にて更新部３２は頭部挙動推定部２６の学習済モデルＭを更新して、車両ＥＣＵ２０は一連の処理を終了する。

（作用効果）
次に、本実施形態の作用効果について説明する。

本実施形態に係る車両ＥＣＵ２０では、乗物挙動推定部２４が、走行する車両の走行ルートに基づいて乗物挙動を推定し、頭部挙動推定部２６が、推定された乗物挙動と、走行する車両に乗車する乗員の乗員情報とに基づいて乗員の頭部挙動を推定している。また、乗物酔い予測部２８が、推定された乗員の頭部挙動に基づいて、乗員の乗物酔いレベルを予測している。そのため、車両ＥＣＵ２０では、走行する走行ルートに応じた乗員の乗物酔いレベルを事前に予測することができる。

また、本実施形態の車両ＥＣＵ２０では、頭部挙動取得部３０が、走行ルートの走行時に、乗員の頭部挙動を取得し、更新部３２が、取得した頭部挙動に基づいて、頭部挙動推定部２６の学習済モデルＭを更新している。そのため、更新部３２により、走行時に実際に取得された乗員の頭部挙動が、次回、頭部挙動推定部２６により推定される乗員の頭部挙動に反映されるので、乗員毎の乗物酔い状態をより精度良く推定することができる。

また、本実施形態の車両ＥＣＵ２０では、走行ルートにおける車両の乗物挙動と、この車両に乗る乗員の乗員情報とを入力した場合に、この乗員の頭部挙動が出力されるように学習された学習済モデルＭを使用して乗員の頭部挙動が推定されている。そのため、学習済モデルＭに、車両の乗物挙動と車両に乗る乗員の乗員情報とを入力するだけで、容易に乗員の頭部挙動を推定することができる。

また、本実施形態の車両ＥＣＵ２０では、更新部３２が、走行ルートにおける車両の乗物挙動と、この車両に乗る乗員の乗員情報とを入力した場合に、頭部挙動取得部３０により取得された頭部挙動が出力されるように学習済モデルＭを学習させている。すなわち、更新部３２は、走行時に実際に取得された乗員の頭部挙動を使用して学習済モデルＭを学習させているので、学習モデルにより出力される乗員の頭部挙動の精度を高めることができる。

また、本実施形態の車両ＥＣＵ２０では、ルート提案部として機能するルート設定部２２が、乗物酔い予測部２８により予測される乗物酔いレベルが複数の走行ルートの中で一番小さい走行ルートを提案している。そのため、提案された走行ルートを走行することにより乗員の乗物酔いを低減させることができる。

なお、上記実施形態においては、乗物挙動推定部２４はドライバモデルと車両モデルを使用して車両挙動を推定しているが、本発明はこれに限られない。例えば、乗物挙動推定部２４が、走行ルートの道路形状等の走行条件、及び車両の走行軌跡を入力した際に、乗物挙動が出力されるように学習された学習済モデルにより構成されていてもよい。

なお、上記実施形態においては、乗物酔い予測部２８は、上述した数理モデルを乗物酔いレベルの推定モデルとして使用しているが、本発明はこれに限られない。例えば、複数の乗員の頭部挙動と、当該頭部挙動を取得した乗員の乗物酔いレベルの実測値を取得しておく。乗物酔いレベルの実測値は、一例として酔い無し（レベル１）から、とても酔っている（レベル５）までの５段階のレベルで取得しておく。そして、頭部挙動と乗物酔いレベルの実測値の組のデータセットを複数使用して、乗員の頭部挙動を入力した際に、乗物酔いレベルが出力されるように学習させた学習済モデルを作成し、この学習済モデルを乗物酔いレベルの推定モデルとして使用することもできる。

また、上記実施形態においては、頭部挙動取得部３０は車載カメラ１２によって撮像された画像を使用して頭部挙動を取得しているが、本発明はこれに限られない。乗車した乗員の頭部に加速度センサや角速度センサ等のセンサを取り付けて、これらの出力から頭部挙動を取得することもできる。また、車載カメラ１２が撮像した画像とこれらセンサの出力の両方を使用して頭部挙動を取得することもできる。

また、上記実施形態においては、図８のフローチャートにおいて、更新部３２が頭部挙動推定部２６により推定された頭部挙動と、頭部挙動取得部３０により取得された頭部挙動との間に所定値以上の差があるか否かを判断したが、本発明はこれに限られない。更新部３２は、上記差があってもなくても、学習済モデルＭを更新するようにしてもよい。

また、上記実施形態においては、乗物の一例としての車両に情報処理装置としての車両ＥＣＵ２０を搭載しているが、本発明は車両に限られない。例えば、船舶や飛行機等の乗物に本発明の情報処理装置を搭載してもよい。

以上、本発明の一実施形態について説明したが、本発明はこうした実施形態に限定されるものでなく、一実施形態と各種の変形例を適宜組み合わせて用いても良いし、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。

＜付記＞
（第１の態様）
走行する乗物の走行ルートに基づいて乗物挙動を推定する乗物挙動推定部と、
該乗物挙動推定部により推定された乗物挙動と、前記走行する乗物に乗る乗員の乗員情報とに基づいて前記走行する乗物に乗車する乗員の頭部挙動を推定する頭部挙動推定部と、
該頭部挙動推定部により推定された頭部挙動に基づいて、前記乗員の乗物酔いレベルを予測する乗物酔い予測部と、
前記走行ルートの走行時に、前記乗員の頭部挙動を取得する頭部挙動取得部と、
該頭部挙動取得部により取得された頭部挙動に基づいて、前記頭部挙動推定部を更新する更新部と、
を備える情報処理装置。
（第２の態様）
前記頭部挙動推定部は、走行ルートにおける乗物の乗物挙動と、当該乗物に乗る乗員の乗員情報とを入力した場合に、当該乗員の頭部挙動が出力されるように学習された学習済モデルを使用して乗員の頭部挙動を推定する第１の態様に記載の情報処理装置。
（第３の態様）
前記更新部は、走行ルートにおける乗物の乗物挙動と、当該乗物に乗る乗員の乗員情報とを入力した場合に、前記頭部挙動取得部により取得された頭部挙動が出力されるように前記学習済モデルを学習させることで前記頭部挙動推定部を更新する第２の態様に記載の情報処理装置。
（第４の態様）
前記乗物酔い予測部により予測される乗物酔いレベルが、複数の走行ルートの中で一番小さい走行ルートを提案するルート提案部をさらに備える第１の態様～第３の態様の何れかの態様に記載の情報処理装置。

２０ 車両ＥＣＵ（情報処理装置）
２２ ルート設定部（ルート提案部）
２４ 乗物挙動推定部
２６ 頭部挙動推定部
２８ 乗物酔い予測部
３０ 頭部挙動取得部
３２ 更新部
Ｍ 学習済モデル

Claims (4)

1. 走行する乗物の走行ルートに基づいて乗物挙動を推定する乗物挙動推定部と、
   該乗物挙動推定部により推定された乗物挙動と、前記走行する乗物に乗る乗員の乗員情報とに基づいて前記走行する乗物に乗車する乗員の頭部挙動を推定する頭部挙動推定部と、
   該頭部挙動推定部により推定された頭部挙動に基づいて、前記乗員の乗物酔いレベルを予測する乗物酔い予測部と、
   前記走行ルートの走行時に、前記乗員の頭部挙動を取得する頭部挙動取得部と、
   該頭部挙動取得部により取得された頭部挙動に基づいて、前記頭部挙動推定部を更新する更新部と、
   を備える情報処理装置。
2. 前記頭部挙動推定部は、走行ルートにおける乗物の乗物挙動と、当該乗物に乗る乗員の乗員情報とを入力した場合に、当該乗員の頭部挙動が出力されるように学習された学習済モデルを使用して乗員の頭部挙動を推定する請求項１に記載の情報処理装置。
3. 前記更新部は、走行ルートにおける乗物の乗物挙動と、当該乗物に乗る乗員の乗員情報とを入力した場合に、前記頭部挙動取得部により取得された頭部挙動が出力されるように前記学習済モデルを学習させることで前記頭部挙動推定部を更新する請求項２に記載の情報処理装置。
4. 前記乗物酔い予測部により予測される乗物酔いレベルが、複数の走行ルートの中で一番小さい走行ルートを提案するルート提案部をさらに備える請求項１に記載の情報処理装置。