JP5185554B2 - オンラインリスク学習システム - Google Patents
オンラインリスク学習システム Download PDFInfo
- Publication number
- JP5185554B2 JP5185554B2 JP2007077625A JP2007077625A JP5185554B2 JP 5185554 B2 JP5185554 B2 JP 5185554B2 JP 2007077625 A JP2007077625 A JP 2007077625A JP 2007077625 A JP2007077625 A JP 2007077625A JP 5185554 B2 JP5185554 B2 JP 5185554B2
- Authority
- JP
- Japan
- Prior art keywords
- risk
- learning
- information
- state
- online
- 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.)
- Expired - Fee Related
Links
Landscapes
- Traffic Control Systems (AREA)
Description
(b)画像データからの画像特徴量の決定・選択(画像特徴量抽出部5)
(c)画像特徴量から状態への変換(状態認識部6)
(d)状態とリスクとの相関認識(リスク認識部7)
前述したように、本形態では、車両操作情報からのリスク抽出に際して、リスク情報抽出部4では学習を行わず、予め設定したルールを用いてドライバの操作情報からリスク情報を抽出するようにしている。このルールに従ったリスク情報の抽出処理においては、リスク情報をレベル付きの1次元データとして扱う。
フレーム間のブレーキ圧力の差分に応じてリスクレベルを設定する。例えば、ブレーキ圧力の差分が1×102kPa以上ならリスク有り、1×102kPaでリスク5、1×103kPaでリスク10とし、リスク5とリスク10との間は、ブレーキ圧力の差分に応じて線形に設定する。
所定の車速以上で、ブレーキ圧力に応じてリスクレベルを設定する。例えば、車速10km/h以上で、ブレーキ圧力が20×102kPa以上の場合はリスク10、ブレーキ圧力が10×102kPa以上の場合はリスク6、ブレーキ圧力が5×102kPa以上の場合はリスク2とする。
ウインカーが出ていない状態で、フレーム間のハンドル角の差分の絶対値が設定値(例えば10deg)以上の場合、リスク5とする。
所定の車速以上で、フレーム間のアクセル開度の差分に応じてリスクレベルを設定する。例えば、車速5km/h以上でアクセル開度の差分が−1%以下の場合、リスク4とする。
加速中のアクセル開度に応じてリスクレベルを設定する。加速中であるか否かは、車速の微分値で判断し、車速の微分値0以上(加速中)でアクセル開度1%以下の場合、リスク2とする。
この画像特徴量抽出処理では、以降のリスク認識のためのデータを抽出するが、一般に、リスク認識に相関がないデータは認識に悪影響を与える。つまり、この特徴量抽出処理においては、むやみに特徴量を増やすということは得策でなく、逆に、必要な特徴量を用いないことも精度を悪化させる。
入力画像に対して、ソベル、縦方向ソベル、横方向ソベル、フレーム間差分、輝度、彩度の6種類のフィルタ処理を行い、6次元の特徴量データを抽出する。
フィルタ処理された画像の画素値に対して、平均、分散、最大値、最小値、横方向重心、縦方向重心、コントラスト、均一性、エントロピー、フラクタル次元の10種類の計算処理を行い、10次元の特徴量データを抽出する。
図2に示すように、画像内に領域A0を設定し、この設定領域A0の全体、設定領域A0内の左側の領域A1、右側の領域A2、中央の領域A3の4種類の領域について、4次元の特徴量データを抽出する。
状態認識部6では、画像特徴量抽出部5で得られたN次元の特徴量データを1次元の状態という量に圧縮変換する。つまり、状態認識部6は、入力された画像特徴量データから状態という量を出力する識別器として機能する(但し、この識別器の出力は、1状態を確定せずに確率的に扱うこともできる)。本処理における学習は、この識別器の内部構造を入力データ、教師データを用いて実環境に適応させることになるが、ここでの学習における教師は、この入力データがどの状態であるかを直接教えるのではなく、出力された状態から認識されるリスクを、できるだけ効率的に、且つ精度良く認識できるようにするものである。
識別器としての認識処理は、入力データに対してプロトタイプ型の識別処理を行う。ここで、状態番号をSとすると、各状態は代表値を持ち、これをprots(i)とする。状態代表値prots(i)は、N次元のベクトルであり、i=0,1,…,N−1となる。
L(s)=(Σi(prots(i)−In(i))2)1/2 …(1)
K=mins(L(s)) …(2)
P(s)=(exp(−L(s)/σ))/z …(3)
z=Σsexp(−L(s)/σ) …(4)
次に、状態認識部6の学習処理では、入力データ及び教師情報から、各状態の代表値の学習(更新)を行う。学習は、階層型ニューラルネットワークの一種である自己組織化マップ(SOM;Self-Organization Maps)の学習をベースとする。
prots(i)→prots(i)+α(In(i)−prots(i) …(5)
α=a・b(t)・c(D(s,K),t)・e(t) …(6)
但し、a :学習係数
b :時間減衰係数
c :領域減衰係数
D(s,K):更新対象のユニットと勝者ベクトル間のつながりにおける距離
e :教師情報係数
リスク認識部7では、状態認識部6で求めた状態により、リスクを出力する。前述したように、各状態はそれぞれリスク確率分布を持つため、状態sでのリスクの確率分布をp(R│s)と表すことにする。尚、ここでのリスクは、リスク情報抽出部4でのリスクと対応しており、11段階のレベルに分けているので、リスクレベルRとリスク確率(分布)p(R│s)とは、例えば図7に示すような関係で表される。
E=ΣRR・p(R│s) …(7)
E=ΣsΣRP(s)・R・p(R│s) …(8)
リスク確率の学習は毎フレームに行われ、リスク確率は逐次更新される。リスク確率は、基本的に、過去に経験したリスクレベルの頻度分布を用いて算出する。しかし、本システムは、オンライン学習なので無限遠過去のデータまで持つことは難しく、また遠い過去の経験に現在と同じ重要度を持たせることは好ましくないと考えられる。従って、ここでは、以下の方法でリスク確率を更新する。
pt+1(R│st)=pt(R│st)+β…(9)
pt+1(R│st)←pt+1(R│st)/ΣRpt+1(R│st) …(10)
p(r│st-1)=p(r│st-1)+η・(RI(r)+γ・p(r│st)−p(r│st-1))
+h・η・(γ・p(r−1│st)−p(r−1│st-1))
+h・η・(γ・p(r+1│st)−p(r+1│st-1)) …(11)
但し、h:リスクレベル方向の伝播の大きさを表すパラメータ
γ:時系列の伝播の大きさを表すパラメータ
η:一回の学習での更新の大きさを表すパラメータ
RI(r)=1 (r=Q) …(12)
RI(r)=0 (r≠Q) …(13)
R≠0のとき、
e(t)=10・R・p(R│st) …(14)
R=0のとき、
e(t)=const …(15)
前述したように、本システムの仕様は、初めにオフラインである程度事前学習を行った後、オンラインで学習を行うという形態を想定しており、オンライン学習の流れでは、ドライバデータから時間的に部分的な教師情報を抽出し、学習を行っている。そのため、部分的な学習であり、教師情報の抽出精度が充分でない場合には、事前学習が効率的に進められていないことが原因であると予想される。
2 画像入力部
3 画像特徴量抽出部
4 リスク情報抽出部
5 画像特徴量抽出部
6 状態認識部
7 リスク認識部
8 リスク情報出力部
Claims (20)
- 移動体の外界環境を検出し、この外界環境に含まれる危険度を学習的に認識するオンラインリスク学習システムであって、
上記移動体の操作情報から上記危険度に係るリスク情報を抽出し、処理目標となる教師情報をオンラインで作成するリスク情報抽出部と、
上記外界環境の検出情報を処理して上記外界環境に含まれる多次元の特徴量を抽出する特徴量抽出部と、
上記多次元の特徴量を1次元の状態として認識する状態認識部と、
上記状態と上記教師情報との相関に基づいて上記状態の危険度を適応的に学習し、上記外界環境に含まれる危険度を認識するリスク認識部とを備え、
上記リスク情報を、上記移動体を操縦する人の運転操作情報から並列化したルールによって抽出すると共に、上記特徴量を、上記外界環境を撮像した画像に対する前処理フィルタと特徴量計算と領域設定とを組み合わせて抽出することを特徴とするオンラインリスク学習システム。 - 上記多次元の特徴量の個々の時系列的な変動を計算し、該変動情報も特徴量として用いることを特徴とする請求項1記載のオンラインリスク学習システム。
- 上記特徴量を、上記危険度の認識精度を基準として学習的に選択或いは最適な組み合わせにより抽出することを特徴とする請求項1記載のオンラインリスク学習システム。
- 上記多次元の特徴量の分布を事前に評価して各特徴量の最大値及び最小値を求め、該最大値及び最小値に基づいて各特徴量を正規化することを特徴とする請求項1記載のオンラインリスク学習システム。
- 上記最大値及び最小値を、入力データに応じて動的に変化させることを特徴とする請求項4記載のオンラインリスク学習システム。
- 上記状態を、上記各特徴量との距離に応じた尺度で確率的に決定することを特徴とする請求項1記載のオンラインリスク学習システム。
- 上記状態を、上記状態の確率に応じた学習によって更新することを特徴とする請求項6記載のオンラインリスク学習システム。
- 上記状態の学習を、事前学習フェーズとオンライン学習フェーズに分け、各学習フェーズで学習のパラメータを変えて学習することを特徴とする請求項7記載のオンラインリスク学習システム。
- 上記状態の学習の強さを、上記危険度の認識状態に応じて変更することを特徴とする請求項7記載のオンラインリスク学習システム。
- 上記状態の学習を自己組織化マップを用いて行い、上記状態の確率が一定値以下のときには、自身を勝者とする更新は行わないことを特徴とする請求項7記載のオンラインリスク学習システム。
- 上記状態は、上記危険度の認識状態に応じた確率分布を持つことを特徴とする請求項1記載のオンラインリスク学習システム。
- 上記確率分布の更新時に、現在と過去の情報の重みを制御可能な一定値を加算して正規化を行うことを特徴とする請求項11記載のオンラインリスク学習システム。
- 上記教師情報を上記危険度の認識方向に拡大し、上記リスク情報を適応的に学習することを特徴とする請求項1記載のオンラインリスク学習システム。
- 上記教師情報を時間軸方向に伝播し、上記リスク情報を適応的に学習することを特徴とする請求項1記載のオンラインリスク学習システム。
- 上記教師情報を、上記危険度の認識方向に伝播し、上記リスク情報を適応的に学習することを特徴とする請求項1記載のオンラインリスク学習システム。
- 上記危険度の認識結果の確率を用いて、上記状態認識部における学習の教師を作成することを特徴とする請求項1記載のオンラインリスク学習システム。
- 上記教師情報の有無に応じて、上記リスク認識部における学習の強さを設定することを特徴とする請求項1記載のオンラインリスク学習システム。
- 上記教師情報が有る場合と上記教師情報が無い場合とで上記リスク認識部における学習量が同じになるように調整することを特徴とする請求項17記載のオンラインリスク学習システム。
- 上記リスク認識部における上記危険度の認識結果を、確率分布の期待値として出力することを特徴とする請求項1記載のオンラインリスク学習システム。
- 上記リスク情報の抽出を行うことなく、上記教師情報を上記リスク認識部に直接与える事前学習を行うことを特徴とする請求項1記載のオンラインリスク学習システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007077625A JP5185554B2 (ja) | 2007-03-23 | 2007-03-23 | オンラインリスク学習システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007077625A JP5185554B2 (ja) | 2007-03-23 | 2007-03-23 | オンラインリスク学習システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2008238831A JP2008238831A (ja) | 2008-10-09 |
JP5185554B2 true JP5185554B2 (ja) | 2013-04-17 |
Family
ID=39910697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007077625A Expired - Fee Related JP5185554B2 (ja) | 2007-03-23 | 2007-03-23 | オンラインリスク学習システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5185554B2 (ja) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5530106B2 (ja) * | 2009-02-05 | 2014-06-25 | 富士重工業株式会社 | 運転行動誘導システム |
JP5547913B2 (ja) * | 2009-06-26 | 2014-07-16 | 富士重工業株式会社 | オンラインリスク学習システム |
JP5572339B2 (ja) * | 2009-07-03 | 2014-08-13 | 富士重工業株式会社 | オンラインリスク認識システム |
JP5475138B2 (ja) | 2010-09-08 | 2014-04-16 | トヨタ自動車株式会社 | 移動物予測装置、仮想可動物予測装置、プログラム、移動物予測方法、及び仮想可動物予測方法 |
JP5747593B2 (ja) * | 2011-03-22 | 2015-07-15 | 株式会社豊田中央研究所 | 規範車速算出装置及びプログラム |
JP5360143B2 (ja) * | 2011-07-04 | 2013-12-04 | 株式会社豊田中央研究所 | 走行場面認識モデル生成装置、運転支援装置、及びプログラム |
FR3041589B1 (fr) * | 2015-09-24 | 2017-10-20 | Renault Sas | Dispositif d'aide a la conduite pour estimation du danger d'une situation |
JP6889274B2 (ja) * | 2017-10-17 | 2021-06-18 | 本田技研工業株式会社 | 走行モデル生成システム、走行モデル生成システムにおける車両、処理方法およびプログラム |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4070437B2 (ja) * | 2001-09-25 | 2008-04-02 | ダイハツ工業株式会社 | 前方車両認識装置及び認識方法 |
JP4023228B2 (ja) * | 2002-06-19 | 2007-12-19 | 日産自動車株式会社 | 車載用障害物検知装置 |
JP4367180B2 (ja) * | 2004-03-03 | 2009-11-18 | 日産自動車株式会社 | 車両用運転操作補助装置および車両用運転操作補助装置を備える車両 |
JP4577046B2 (ja) * | 2005-03-02 | 2010-11-10 | トヨタ自動車株式会社 | 車両用制御装置 |
JP4483827B2 (ja) * | 2006-04-18 | 2010-06-16 | 日産自動車株式会社 | 車両用運転操作補助装置 |
-
2007
- 2007-03-23 JP JP2007077625A patent/JP5185554B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2008238831A (ja) | 2008-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5185554B2 (ja) | オンラインリスク学習システム | |
JP2011014037A (ja) | リスク予測システム | |
JP5572339B2 (ja) | オンラインリスク認識システム | |
CN108725440B (zh) | 前向碰撞控制方法和装置、电子设备、程序和介质 | |
JP2009096365A (ja) | リスク認識システム | |
JP5204552B2 (ja) | リスク融合認識システム | |
US11242050B2 (en) | Reinforcement learning with scene decomposition for navigating complex environments | |
KR20190026116A (ko) | 객체 인식 방법 및 장치 | |
KR20180051335A (ko) | 신경망 학습에 기반한 입력 처리 방법 및 이를 위한 장치 | |
CN110789517A (zh) | 自动驾驶横向控制方法、装置、设备及存储介质 | |
EP1255177A2 (en) | Image recognizing apparatus and method | |
CN111605565A (zh) | 基于深度强化学习的自动驾驶行为决策方法 | |
CN110516380B (zh) | 一种基于车辆行驶仿真数据的深度强化测试方法和系统 | |
JP2011003076A (ja) | リスク認識システム | |
CN111583716B (zh) | 一种车辆避障方法、装置、电子设备及存储介质 | |
Rekabdar et al. | Dilated convolutional neural network for predicting driver's activity | |
CN113435356B (zh) | 一种克服观察噪声与感知不确定性的轨迹预测方法 | |
CN113807298B (zh) | 行人过街意图预测方法、装置、电子设备及可读存储介质 | |
WO2022044210A1 (ja) | 運転支援装置、学習装置、運転支援方法、運転支援プログラム、学習済モデルの生成方法、学習済モデル生成プログラム | |
JP6905433B2 (ja) | 車両行動予測装置、車両行動予測方法および車両行動予測用のニューラルネットワークの学習方法 | |
CN112529011A (zh) | 目标检测方法及相关装置 | |
JP2010267134A (ja) | リスク認識システム | |
JP5547913B2 (ja) | オンラインリスク学習システム | |
CN115129886A (zh) | 驾驶场景的识别方法、装置及车辆 | |
CN118238832B (zh) | 一种基于视觉感知的智能驾驶方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20091203 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20110825 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20111004 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20111128 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120529 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120725 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20130115 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130118 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5185554 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20160125 Year of fee payment: 3 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |