JP6330651B2 - 異常検出装置 - Google Patents

Description

本発明は、道路状況の異常を検出する異常検出装置に関する。

上記の異常検出装置として、道路脇に設置されたカメラにて撮像された車両の走行状況を画像処理することによって道路状況の異常を検出するものが知られている（例えば、特許文献１参照）。

特許第２９７２４７９号公報

しかしながら、上記異常検出装置では、カメラの撮像範囲内でしか車両の走行状況を正確に判断できないため、正確な判断を行うためには多数のカメラを設置する必要があるという問題点があった。

そこで、このような問題点を鑑み、道路状況の異常を検出する異常検出装置において、より簡素な構成で道路状況の異常を検出できるようにすることを本発明の目的とする。

本発明の異常検出装置において、走行パターンデータ取得手段は、車両が走行する領域を多数に分割したグリッドにおいて、グリッドの何れかを走行する車両についての運転行動のパターンを表す走行パターンデータをグリッドに対応付けて取得する。そして、対応データ取得手段は、グリッド毎に、多数のドライバが車両を運転する際の運転行動のパターンをデータ化したものを通常運転データとして、通常運転データのうちの走行パターンデータが対応するグリッドでのデータを表す対応データを取得する。

また、異常度演算手段は、走行パターンデータおよび対応データを対比し、対応データに対する走行パターンデータの異常度を演算する。そして、出力手段は、異常度に基づく情報を異常の程度として出力する。

このような異常検出装置によれば、走行パターンデータが対応データから乖離する程度に応じて道路状況の異常を判定するので、道路状況の異常を良好に検出することができる。

なお、各請求項の記載は、可能な限りにおいて任意に組み合わせることができる。この際、一部構成を除外してもよい。

異常検出システム１の全体構成図である。 運転トピックの生成過程、および運転トピックを利用したトピック割合の演算仮定を示す説明図である。 特徴量分布生成部で生成される特徴量分布を例示するグラフである。 潜在的ディリクレ配分法（ＬＤＡ：Latent Dirichlet Allocation ）で仮定されるグラフィカルモデルである。 基底特徴分布のうち運転挙動データに関する分布を例示した説明図である。 サーバ２００の車両信号受信部２１が実行する正常データ登録処理を示すフローチャートである。 グリッドの一例を示す平面図である。 運転トピック割合の対比を示す説明図である。 サーバ２００の異常判定部２３が実行する異常判定処理を示すフローチャートである。 サーバ２００の異常道路状況マップ作成部２４が実行するマップ作成処理を示す説明図である。 地図上において異常データが蓄積されていく様子を示す説明図である。 ドライバに対する情報提供画像の一例を示す画像図である。 逸脱度ｄと関数ｆ（ｄ）との関係の一例を示すグラフである。 異常を送信した車両の台数と関数ｆ（ｄ）との関係の一例を示すグラフ（その１）である。 異常を送信した車両の台数と関数ｆ（ｄ）との関係の一例を示すグラフ（その２）である。

以下に本発明が適用された実施形態について、図面を用いて説明する。
＜全体構成＞
異常検出システム１は、図１に示すように、車両側装置１００とサーバ２００とを備えている。車両側装置１００は、例えば乗用車等の車両に搭載されており、車両外に備えられたサーバ２００に対して周知の構成を利用してデータ通信可能に構成されている。例えば、車両側装置１００とサーバ２００とは、図示しない携帯電話会社の無線ネットワークやインターネット網等を介して互いに接続する構成等、任意の構成を採用することができる。

車両側装置１００は、運転挙動データ収集部２と、環境データ収集部３と、正規化部４と、運転シーン離散化部５と、運転シーンデータベース６と、特徴量分布生成部７と、トピック割合演算部８と、運転トピックデータベース９と、車両信号送信部１０と、異常道路状況マップ受信部１６と、情報提供部１７と、を備える。また、サーバ２００は、車両信号受信部２１と、通常運転モデルデータベース２２と、異常判定部２３と、異常道路状況マップ作成部２４と、異常道路状況マップ送信部２５と、を備える。

車両側装置１００およびサーバ２００の構成は、周知のコンピュータによって実現され、各部の処理は、コンピュータが備える図示しないＣＰＵが所定のプログラムを実行することによって実現されるものである。つまり、図１は、ＣＰＵによって実現される各種機能を機能ブロック毎に分けて図示したものである。ただし、これら各部は必ずしもソフトウェアにて実現されている必要はなく、その全部または一部をロジック回路等のハードウェアにて実現してもよい。

［車両側装置１００の構成］
＜運転挙動データ収集部＞
運転挙動データ収集部２は、ドライバによる運転操作に関する運転操作データや、その運転操作の結果として現れる車両の挙動に関する車両挙動データを、車両に搭載された各種センサを介して繰り返し収集する。また、運転挙動データ収集部２は、運転操作データや車両挙動データをそれぞれ微分した微分データを生成し、これら、運転操作データ、車両挙動データ、微分データからなる多次元データを運転挙動データとして出力する。

運転操作データとしては、例えば、アクセルペダルの操作量、ブレーキペダルの操作量、ステアリングホイールの操作量（操舵角）、方向指示器の操作状態、トランスミッションのシフト位置などを用いることができる。車両挙動データとしては、例えば、車両の速度、ヨーレートなどを用いることができる。

＜環境データ収集部＞
環境データ収集部３は、各種車載機器から出力されるデータを繰り返し取得し、これらを個別の環境データとして出力する。各種車載機器には、例えば、車両周辺を撮影するように設置されたカメラ、レーダ波（超音波やミリ波など）を利用して車両周辺の物標の位置や相対速度を検出するレーダセンサが挙げられる。また、各種車載機器には、例えば、全地球測位システム（ＧＰＳ：Global Positioning System ）衛星からの信号を受信して３次元の位置情報等を生成するＧＰＳ受信機、ジャイロや加速度計を用いて３次元の角速度および加速度を求める慣性計測装置（ＩＭＵ：Inertial Measurement Unit ）が挙げられる。

また、各種車載機器には、例えば、時間帯，天候，周囲に存在するインフラの状態などを検出するセンサあるいはこれらの状態を外部から取得する通信機が挙げられる。なお、必ずしも上述した全てのデータを取得するものである必要はなく、これらデータのうちの少なくとも一部を取得するものであってもよい。

＜正規化部＞
正規化部４は、運転挙動データ収集部２から供給されるデータを、車種毎もしくは車両タイプ毎に予め用意された正規化パラメータμ_ｖ、σ_ｖ、Ｘ_{ｍａｘ，ｖ}、Ｘ_{ｍｉｎ，ｖ}を利用し、（１）または（２）式を用いて正規化する。なお、μ_ｖはデータの平均、σ_ｖはデータの分散であり、Ｘ_{ｍａｘ，ｖ}はデータの最大値、Ｘ_{ｍｉｎ，ｖ}はデータの最小値を表す。

車種毎もしくは車両タイプ毎に異なる正規化パラメータを使用する理由は以下の通りである。すなわち、排気量の大きなエンジンを搭載した車両と排気量の小さなエンジンを搭載した車両では、同じ運転シーンかつ同じドライバであっても、アクセルの操作（踏み込み量、踏み込み早さ等）に大きな違いが生じる。

このため、正規化していない両データを運転シーン離散化部５にて離散化した場合、互いに異なったシーンとして認識されてしまう場合がある。これに対して、車種毎もしくは車両タイプ毎に用意された正規化パラメータを用いて、運転挙動データ収集部２からのデータを正規化することにより、車種や車両タイプの違いを吸収することができる。

＜運転シーン離散化部＞
運転シーン離散化部５は、ドライバの環境認知から操作に至るモデルを利用して、運転挙動データ収集部２から得られる運転挙動データを統計解析し、ドライバ個人（もしくは一般のドライバ）が感じる運転シーンの切り替わり点を抽出することにより、運転挙動デ
ータの時系列を、それぞれが何等かの運転シーンを表す複数の部分系列（以下単に「運転シーン」という）に分節化（離散化）する。

具体的には、二重分節構造を利用した教師なし運転シーン分割法によって分節化を行う二重分節解析器（ＤＡＡ：Double Articulation Analyzer）を利用する。
ＤＡＡでは、まず、運転挙動データの値域を表す多次元の空間で運転挙動データから把握される各種の車両の状態を表すクラスタと、各クラスタ間の遷移確率とを予め定義しておく。そして、ＤＡＡは、これらの情報を用いて、運転挙動データ収集部２から取得した運転挙動データがいずれのクラスタに属するかを統計的に処理することにより、運転挙動データの時系列を、区分単位となる車両の状態毎（つまり、クラスタ毎）に区分けする。

ただし、各クラスタには予め識別用の記号を対応づけておくことにより、運転挙動データの時系列は、どのクラスタに属しているかを表す記号列に変換される。この記号列の生成には、例えば、隠れ状態とその状態間の確率的遷移で表現されるモデルの一つである階層ディリクレ過程隠れマルコフモデル（ＨＤＰ−ＨＭＭ：Hierarchical Dirichlet Process Hidden Markov Model）を利用することができる。なお、ＨＤＰ−ＨＭＭにおいてはクラスタ、および各クラスタ間の遷移確率は、予め取得された運転挙動データからの学習によって生成されたものを使用する。

次に、ＤＡＡは、生成された記号列を、統計情報を利用した離散文字列の教師なしチャンク化手法の一例であるNested Pitman-Yor Language Model（ＮＰＹＬＭ）を用いて、何等かの意味を持つ部分系列（運転シーン）に分節化する。この際、運転シーンの並びからなる記号列全体の生成確率が最大となるように分節化を行うことで、運転挙動データから運転シーンへの分節化が可能になる。ただし、運転シーンを表現する記号列をリスト化した辞書、運転シーン間の遷移確率、および運転シーンの生成確率は、学習によって予め算出されたものを使用する。

なお、ＨＤＰ−ＨＭＭやＮＰＹＬＭを適用したＤＡＡについては、非特許文献、T. Taniguchi et al, "Semiotic Prediction of Driving Behavior using Unsupervised Double
Articulation Analyzer," IEEE Intelligent Vehicles Symposium, 2012、および、K. Takenaka et al, " Contextual Scene Segmentation of Driving Behavior based on Double Articulation Analyzer," IEEE/RSJ International Conference on Intelligent Robots and Systems, 2012、等に詳述されているため、ここでは説明を省略する。また、記号の生成や記号の分節化に用いる手法は、ＨＤＰ−ＨＭＭやＮＰＹＬＭに限定されるものではなく他の手法を用いてもよい。

＜運転シーンデータベース＞
運転シーンデータベース６は、運転シーン離散化部５が実行する処理で使用する各種データを記憶する。具体的には、運転挙動データの時系列が、どのクラスタに属しているかを表す記号列を生成する際に使用するクラスタおよび各クラスタ間の遷移確率、その記号列を運転シーンに分割する際に使用する運転シーン間の遷移確率および運転シーンの生成確率等を記憶する。これら運転シーンデータベース６に記憶するデータは、様々な車種および車両タイプについて運転挙動データを収集し、その運転挙動データを正規化部４での手法を用いて正規化した正規化運転挙動データに基づいて学習されたものを用いる。

＜特徴量分布生成部＞
特徴量分布生成部７は、運転挙動データ収集部２から出力される時系列の運転挙動データ、および環境データ収集部３から出力される時系列の環境データを、運転シーン離散化部５で分節化された運転シーン毎に、その運転シーン中に現れる特徴量の分布を生成する（図２参照）。

本実施形態では、図２に示すように、運転挙動データについては、アクセルペダルの操作量（accel）、ブレーキペダルの操作量（brake）、ステアリングの操作量（steering）、車速（velocity）、およびそれらの微分データΔaccel、Δbrake、Δsteering、Δvelocityのそれぞれを特徴量とし、特徴量分布の生成対象とする。この場合、特徴量分布は、特徴量の値域を表す特徴空間を複数に分割（ここでは特徴量の最小値〜最大値を２０等分）したものをビンとして、そのビン毎に、特徴量の出現頻度を表現したヒストグラムからなる（図３参照）。

運転挙動データに関する特徴量分布は、これに限るものではなく、例えば、アクセルペダル操作量、ブレーキペダル操作量、ステアリング操作量、車両速度、およびこれらの各々の微分データからなる８次元データを、特徴量分布の生成対象としてもよい。この場合、８次元データの値域を表す特徴空間をｋ−ｍｅａｎｓ等の周知のクラスタリング手法を用いてクラスタリングし、その結果として得られたクラスタを特徴量分布のビンとすればよい。

また、環境データについては、例えば、車載カメラからの入力画像を用いる場合、局所特徴量の一つであるＳＩＦＴ（Scale-Invariant Feature Transform ）特徴量を特徴量分布の生成対象とする。具体的には、例えば、入力画像を所定サイズ（例えば、３２０×２４０ピクセル）に圧縮し、その圧縮画像データを、一定間隔（例えば、５ピクセル）毎に所定サイズ（例えば、２４×２４ピクセル）を有する複数（ここでは３０７２点）の局所領域を設定し、その局所領域毎に求めたＳＩＦＴ特徴量を用いる。

この場合、特徴量分布のビンは、予め学習によって決定したものを利用する。例えば、ＳＩＦＴ特徴量の値域を表す特徴空間を、ｋ−ｍｅａｎｓ等の周知のクラスタリング手法を用いてクラスタリングし、その結果として得られた各クラスタを特徴量分布のビンとする。なお、画像データに対して使用する特徴量はＳＩＦＴ特徴量に限定されるものではなく他の周知の局所特徴量を用いてもよい。

また、環境データから所定の交通オブジェクトを抽出することができる場合、各交通オブジェクトをインデックスとし、着目する交通オブジェクトが運転シーン中に存在する確からしさを特徴量とする特徴量分布を生成してもよい。ここで、交通オブジェクトは、車両や歩行者、自転車などダイナミックに動くものの他に、交通標識や信号、レーンマークや車線数など静的なオブジェクトや、渋滞の有無や天候などの運転を取り巻く状況も含んでよい。また、この場合、交通オブジェクトが存在する確からしさ（特徴量）としては、運転シーンの全期間のうち着目する交通オブジェクトが抽出されている期間の割合を用いてもよいし、交通オブジェクトが存在する位置からの距離や、その位置に到達するまでに要する時間等に基づいて算出された値を用いてもよい。

＜運転トピックデータベース＞
運転トピックデータベース９には、特徴量分布生成部７で生成される特徴量分布群を、複数の分布の混合によって表現する場合に基底として使用される複数（例えば２５個）の運転トピックが予め格納されている。また、各運転トピックは、特徴量のそれぞれに対応する特徴量と同数（ｎ個）の基底分布（基底特徴分布、基底トピック分布）によって構成されている（図２参照）。

ここで運転トピックの生成方法について説明する。
運転トピックの生成には、それぞれが運転シーンを表す各部分系列を「一つの文書」、観測された特徴量を「一つの単語」と見なすことで、自然言語処理分野で利用されている潜在トピック推定手法を利用する。

特に、ここでは、複数種類の特徴量分布を用いて、複数のモダリティに跨る運転トピックを推定するため、潜在的ディリクレ配分法（ＬＤＡ：Latent Dirichlet Allocation ）を拡張した手法であるマルチモーダルＬＤＡを利用してもよい。

ＬＤＡでは、図４に示すようなグラフィカルモデルを仮定する。ただし、Ｄがシーン総数、Ｍ_ｄがｄ番目のシーンでのフレーム総数、Ｋがトピック総数、ｗ_ｄ，ｍがｄ番目のシーンのｍフレームで観測された特徴（すなわち運転特徴量）、ｚ_ｄ，ｍが特徴ｗ_ｄ，ｍに対して割り当てられるトピックを指示するトピック指示変数（１〜Ｋの自然数をとる）、θ_ｄがｄ番目のシーンに含まれるトピックの割合を示す多項分布パラメータ、φ_ｋはｋ番目のトピックから各特徴量が生成される割合を示す多項分布パラメータ、α，βはそれぞれθ、φのパラメータである。また、θ_ｄ，φ_ｋ，ｚ_ｄ，ｍ，ｗ_ｄ，ｍは、Ｄｉｒをディリクレ分布、Ｍｕｌｔを多項分布として、（３）〜（６）式で定義される。

このモデルを利用してθ、φを推定することになるが、これらの推定には変分ベイズ、ギブスサンプリングなどの近似手法を使用することができる。これらの手法の詳細については、例えば、D. Blei et al, "Latent Dirichlet Allocation," Journal of Machine Learning Research, 2003、や、T. Griffiths & M. Steyvers, "Finding Scientific Topics," Proceedings of the National Academy of Sciences, 2004 等に記載されているため、ここでは説明を省略する。

またマルチモーダルＬＤＡへの拡張についても、T. Nakamura, et al, "Grounding of word meanings in multimodal concepts using LDA," IEEE/RSJ International Conference on Intelligent Robots and Systems, 2009などに記載されているため、ここでは説明を省略する。ただし、運転トピックは例えば、次のようにして生成された学習用の特徴量分布を利用して生成される。

まず、実際に車両を走行させて、運転挙動データ収集部２、環境データ収集部３、正規化部４、運転シーン離散化部５、特徴量分布生成部７を作動させることで、学習用画像に対応した学習用の特徴量分布を生成する。

このようにして用意された学習用の特徴量分布を用いてマルチモーダルＬＤＡにより、基底となる分布（基底特徴分布および基底オブジェクト分布）を推定した結果が運転トピックとなる。このようにして生成された各運転トピックは、それぞれが運転時に繰り返し出現する特定の状況を表したものとなる。図５は、運転挙動データに基づく基底特徴量分布の例を５種類の運転トピックＴＰ１〜ＴＰ５について示したものである。図中、トーンが明るいほど頻度が高いことを表す。

＜トピック割合演算部＞
トピック割合演算部８では、特徴量分布生成部７から出力される特徴量分布が、運転トピックデータベース９に格納された基底特徴分布を混合することで表現されるものとして
、その混合比であるトピック割合（各基底特徴分布の含有割合）を算出する（図２参照）。トピック割合は、具体的には、マルチモーダルＬＤＡの推定を実現するＥステップおよびＭステップの処理のうち、Ｅステップだけを実行することで求めることができる。

＜車両信号送信部＞
車両信号送信部１０は、トピック割合演算部８で求められたトピック割合の情報を含むデータと、このトピック割合が得られた車両位置を示す車両位置情報とを含むデータを車両信号としてサーバ２００に送信する。

＜異常道路状況マップ受信部＞
異常道路状況マップ受信部１６は、サーバ２００によって生成された道路の異常個所を可視化したマップを示す異常道路状況マップをサーバ２００から受信する。そして、異常道路状況マップ受信部１６は、受信した異常道路状況マップに基づく画像信号や音声信号を生成し、情報提供部１７に送る。

＜情報提供部＞
情報提供部１７は、周知のディスプレイやスピーカとして構成されている。情報提供部１７は、異常道路状況マップ受信部１６から受信した異常道路状況マップに基づく画像信号や音声信号に基づく画像や音声を車両の乗員に対して提供する。

［サーバ２００の構成］
サーバ２００は、車両外の任意の場所に配置されており、１または複数の車両側装置１００と通信可能とされている。

＜車両信号受信部＞
車両信号受信部２１は、車両側装置１００からトピック割合を含む車両信号を受信し、受信したデータを通常運転モデルデータベース２２に登録したり、異常判定部２３に送ったりする。なお、サーバ２００は、サーバ２００の通常運転モデルデータベース２２に記録されたトピック割合の数が予め設定された基準数よりも少ないときなど、予め設定された収集条件が成立するときには、通常運転モデルを収集する収集モードに設定される。このときには、後述する正常データ登録処理を実施する。

ただし、サーバ２００のユーザが収集モードに切り替える指令を入力したとき等に、収集モードに切り替えられてもよい。
＜通常運転モデルデータベース＞
通常運転モデルデータベース２２は、異常ではない通常の運転が行われたときのトピック割合を示す通常運転モデルが位置情報にて特定される所定のグリッド（図７参照）毎に格納される。

＜異常判定部＞
異常判定部２３は、通常運転モデルデータベース２２に記録された通常運転モデルと、新たに車両側装置１００から取得された車両信号と、において、トピック割合を比較することによって、道路に異常が発生しているか否かを判定する。異常判定部２３は、収集モードに設定されていないときに、後述する異常判定処理を実施することによって、道路の異常を判定する。

＜異常道路状況マップ作成部＞
異常道路状況マップ作成部２４は、異常道路状況マップを生成する。異常道路状況マップ作成部２４は、後述するマップ作成処理を実施する。

＜異常道路状況マップ送信部＞
異常道路状況マップ送信部２５は、作成された異常道路状況マップを車両側装置１００に送る。

［サーバ２００による処理］
このように構成された異常検出システム１において、サーバ２００は、以下に示す処理を実施する。まず図６に示す、正常データ登録処理は、例えばサーバ２００が収集モードに設定されおり、車両側装置１００からの車両信号を検知すると開始される処理である。

正常データ登録処理では、まず、検知した車両信号を受信し（Ｓ１０）、車両信号に含まれる車両位置が何れのグリッドに該当するかを推定する（Ｓ２０）。ここで、サーバ２００においては、図７に示すように、予め地図上の領域を車両位置に応じて多数のグリッドに区分している。各グリッドは、例えば１０ｍ四方毎に設定される。

続いて、車両位置を含むグリッドを中心とした８近傍のクリッド分のデータを抽出する（Ｓ３０）。つまり、ＧＰＳの誤差を考慮して実際に通過したグリッドの周囲の隣接するグリッドにおけるデータを抽出する。

図７においては、車両位置をＰとして、この車両位置Ｐが含まれるグリッドを中心に、その周囲に隣接する８つのグリッド（ハッチングで表示）を選択する。そして、これらのグリッドに対応付けられた通常運転モデルと仮データとを取得する。

なお、ここで取得する通常運転モデルは、通常運転モデルデータベース２２に格納されたデータ（通常運転データ）のうちの該当グリッドに対応するものであり、仮データはＲＡＭ等のメモリに記録されたものである。また、仮データとは、後述するＳ１１０の処理にてメモリに記録されるデータである。

続いて、抽出した９つのグリッドに基準数（例えば１０程度）以上のデータがあるか否かを判定する（Ｓ４０）。９つのグリッドに基準数以上のデータがあれば（Ｓ４０：ＹＥＳ）、逸脱度ｄと閾値ＴＨとを比較する（Ｓ５０）。ただし、逸脱度ｄは、データの値の異常の程度（異常度）を表す値であり、ここでは特に、正常とするデータ範囲から外れた程度を表す。

ここで、９つのグリッドに対応するデータ（対応データ）は、図８に示すように、複数の車両（車両１、車両２、…）から得られたそれぞれ固有のトピック割合を有するものである。この処理では、これらのデータに対する今回得られたデータ（車両Ｎ：走行パターンデータ）の逸脱度ｄを演算する。

逸脱度ｄは、例えば、グリッドに対応して登録されたデータのうち、ユークリッド距離の意味で最も近い5つ（5-best）との平均距離を利用する。なお、逸脱度ｄは、登録されているデータをk-means clustering法や混合ガウス法を利用して、トピック割合に応じて特定の数のクラスタに分類した後、観測されたトピック割合と最も近いクラスタ中心との距離を利用してもよい。また、逸脱度ｄは、主成分分析等を利用して部分空間に射影したのちに距離を算出してもよい。

逸脱度ｄが閾値ＴＨ未満であれば（Ｓ５０：ＹＥＳ）、取得した車両信号に含まれるデータを、対応するグリッドに対応付けて、通常運転モデルデータベース２２に登録する（Ｓ６０）。つまり、取得した最新のデータを通常運転モデルの一部とする。このような処理が終了すると、正常データ登録処理を終了する。また、逸脱度ｄが閾値ＴＨ以上であれば（Ｓ５０：ＮＯ）、正常データ登録処理を終了する。

また、Ｓ４０の処理にて、９つのグリッドに基準数未満のデータしかなければ（Ｓ４０：ＮＯ）、取得した車両信号に含まれるデータを、対応するグリッドに対応付けて、ＲＡＭ等のメモリに仮データとして登録する（Ｓ１１０）。仮データは、通常運転モデルデータベース２２に登録されるデータと同様のものであるが、仮データは相対的に数が少なく信頼性に乏しいデータを表す。

続いて、９つのグリッドにおいて予め設定された基準数の仮データが存在するか否かを判定する（Ｓ１２０）。仮データの数が基準数未満であれば（Ｓ１２０：ＮＯ）、正常データ登録処理を終了する。

また、仮データの数が基準数以上であれば（Ｓ１２０：ＹＥＳ）、９つのグリッドにおける仮データのそれぞれについての逸脱度ｄと閾値ＴＨとを比較する（Ｓ１３０）。この処理では、Ｓ５０の処理と同様に、各仮データについて逸脱度ｄを求め、それぞれの逸脱度ｄを閾値ＴＨと比較する。

９つのグリッドにおいて全ての仮データの逸脱度ｄが閾値ＴＨ未満であれば（Ｓ１３０：ＹＥＳ）、９つのグリッドの全ての仮データを正常データ（通常運転モデル）として通常運転モデルデータベース２２に記録する（Ｓ１４０）。また、９つのグリッドにおいて仮データの逸脱度ｄが閾値ＴＨ以上のものがあれば（Ｓ１３０：ＮＯ）、逸脱度ｄが閾値ＴＨ以上の仮データを削除し（Ｓ１５０）、正常データ登録処理を終了する。

このような正常データ登録処理において異常判定を行うのに必要なデータ量（９グリッドにつき基準数以上のデータ）が得られると、サーバ２００は通常モードに移行する。なお、サーバ２００のユーザによって収集モードから通常モードに切り替えられてもよい。

通常モードになると、異常判定部２３は、図９に示す異常判定処理を実施する。異常判定処理は、例えば、車両信号受信部２１にて受信された車両信号が異常判定部２３に送られると開始される処理である。

異常判定処理では、図９に示すように、まず、正常データ登録処理のＳ１０，Ｓ２０の処理と同様に、検知した車両信号を受信し（Ｓ２１０）、車両信号に含まれる車両位置が何れのグリッドに該当するかを推定する（Ｓ２２０）。そして、Ｓ３０の処理と同様に、車両位置を含むグリッドを中心とした８近傍のクリッド（９つのグリッド）分のデータを抽出する（Ｓ２３０）。なお、この処理では、通常運転モデルを抽出し、仮データは含まない。

続いて、Ｓ４０の処理と同様に、抽出した９つのグリッドに基準数（例えば１０程度）以上のデータがあるか否かを判定する（Ｓ２４０）。９つのグリッドに基準数以上のデータがあれば（Ｓ２４０：ＹＥＳ）、Ｓ５０の処理と同様に、逸脱度ｄと閾値ＴＨとを比較する（Ｓ２５０）。

逸脱度ｄが閾値ＴＨより大きければ（Ｓ２５０：ＹＥＳ）、取得した車両信号に含まれるデータを異常データと判定し（Ｓ２６０）、異常判定処理を終了する。なお、異常データと判定した場合には、このグリッドに関連付けて異常である旨をＲＡＭ等のメモリにおいて記録する。

また、逸脱度ｄが閾値ＴＨ以下であれば（Ｓ２５０：ＮＯ）、取得した車両信号に含まれるトピック割合を、対応するグリッドに対応付けて、通常運転モデルデータベース２２に登録し（Ｓ２７０）、異常判定処理を終了する。なお、Ｓ２６０、Ｓ２７０の処理では
、逸脱度ｄについてもメモリまたは通常運転モデルデータベース２２に記録させる。

次に、異常道路状況マップ作成部２４は、図１０に示すマップ作成処理を実施する。マップ作成処理は、図１０に示すように、まず、異常判定部２３にて算出された逸脱度ｄを取得し（Ｓ３１０）、取得した車両信号に含まれる車両位置を中心とした９つのグリッドにおける逸脱度ｄを抽出する（Ｓ３２０）。このとき、例えば、９つのグリッドにおける最新の所定個数（例えば１０個程度）の逸脱度ｄを選択する。

続いて、重みｗを所定の関数ｆ（ｄ）に応じて設定する（Ｓ３３０）。例えば、関数ｆ（ｄ）は、異常データと判定されたものに対して、異常データと判定されていないものよりも重みｗを大きくしたり、異常度の大きいものに対して相対的に大きな重みがかかる様にしたりする等が考えられる。

続いて、このグリッドに対応する累積異常度ｄｎ（ｄｎについては上部の横線を省略している。）を求める。

この式（７）では、異常データが蓄積されるほど累積異常度ｄｎの値が大きくなるよう設定される。例えば、図１１では、左上図に示すように、予め設定された異常箇所を車両が通過する度に、累積異常度が高くなる様子を示している。つまり、車両信号を送信する車両の位置毎にマップ作成処理が繰り返し実施されることで、異常データと判定されたグリッドに対応する累積異常度が、次第に大きくなる様子を示している。

図１１では、あるグリッドまたはその近傍を走行する１〜ｉ番目までの全ての車両から異常を示す信号が出力される例を示しており、グリッドの累積異常度をその位置に配置されるマーカのトーンの濃淡によって表現している。つまり、通過する車両が増加するに従って異常箇所でのトーンが濃くなっており、累積異常度が大きくなっていることが分かる。このようにマップ作成処理では、マップに設定されたグリッド毎に累積異常度が対応付けられたマップが作成されることになる。

このような処理が終了すると、マップ作成処理を終了する。このようなマップは、異常道路状況マップ送信部２５から車両側装置１００に提供され、ドライバに提供される。なお、ドライバに提供される情報は、累積異常度が高い位置に接近したときに、音（音声）や光を利用してアラートを発してもよい。また、累積異常度が高い位置に接近したときに、図１２に示すように、ナビゲーション装置の画面やヘッドアップディスプレイ（ＨＵＤ）に警告を表示してもよい。

［本実施形態による効果］
以上のように詳述した異常検出システム１において、サーバ２００の異常判定部２３は、車両が走行する領域を多数に分割したグリッドにおいて、グリッドの何れかを走行する車両についての運転行動のパターンを表す走行パターンデータをグリッドに対応付けて取得する（Ｓ２１０）。そして、異常判定部２３は、グリッド毎に、多数のドライバが車両を運転する際の運転行動のパターンをデータ化したものを通常運転データとして、通常運転データのうちの走行パターンデータが対応するグリッドでのデータを表す対応データを取得する（Ｓ２２０）。また、異常判定部２３は、走行パターンデータおよび対応データ
を対比し、対応データに対する走行パターンデータの異常度を演算する（Ｓ２５０）。そして、異常道路状況マップ作成部２４および異常道路状況マップ送信部２５は、異常度に基づく情報を異常の程度として出力する。

このような異常検出システム１によれば、走行パターンデータが対応データから乖離する程度に応じて道路状況の異常を判定するので、道路状況の異常を良好に検出することができる。具体的には、インフラセンサの設置しきれない道路全域に渡った監視を行うことができるので、例えば、路面凍結に起因するような微細な行動の異常検出が可能となる。また、時系列の車両挙動データに時空間的な幅を持たせることにより、地図上の各地点にて、一連の運転行動を通常モデルとして蓄積することを可能とすることができる。

また、異常検出システム１によれば、時系列運転挙動データを一度運転記号へと分節化するので、時間・空間的な領域を持たせることができる。また、これを地図上にマップするので、従来車線変更が頻出しない区間で多くの車両が車線変更を行っていることや、減速、急旋回等の事象からその区間の道路状況に異常があることを検出できる。

検出された異常状況は、サーバ２００から位置情報と共に周囲のサービス利用車両（複数の車両側装置１００）にブロードキャスト、または、周囲のサービス利用車両からの要求に応じて配信される。周囲の車両は受信した内容と自車の位置によりドライバに対して情報提供を行う。このとき、異常を示す車両が連続で観測されると、道路状況の異常度を加算していく構成を採用しているので、単体の車両（ドライバ）の異常行動や誤検出にロバストに対応した異常検出ができる。なの、一台の車両のデータのみから異常状況の判断を行ってもよい。

また、異常検出システム１においてサーバ２００の異常道路状況マップ作成部２４および異常道路状況マップ送信部２５は、異常の程度に応じたオブジェクトをこの異常の程度が対応する位置に配置した地図情報を生成し、出力する。

このような異常検出システム１によれば、異常の程度に応じたオブジェクト（本実施形態ではマーカ）を配置した地図情報を出力するので、視覚的に異常のある場所とその程度を報知することができる。

また、異常検出システム１においてサーバ２００の異常判定部２３は、複数の車両についての走行パターンデータを取得し、複数の車両についての走行パターンデータのそれぞれの異常度を演算する。そして、異常道路状況マップ作成部２４および異常道路状況マップ送信部２５は、それぞれの異常度に基づく情報を異常の程度として出力する。

このような異常検出システム１によれば、複数の車両の異常度に基づく情報を異常の程度として出力するので、異常を検出する際の信頼性を向上させることができる。
また、異常検出システム１においてサーバ２００の異常判定部２３は、複数の車両についての走行パターンデータを取得したタイミングに応じて演算した異常度に重み付けを行う。

このような異常検出システム１によれば、走行パターンデータを取得したタイミングに応じて重み付けを行うので、タイミングによってその走行パターンデータをどの程度重視するかを設定することができる。

また、異常検出システム１においてサーバ２００は、複数の車両についての走行パターンデータの異常度の個々の大きさに応じて各異常度に重み付けを行う。
このような異常検出システム１によれば、異常度の大きさに応じて重み付けを行うので
、異常度が大きさに応じてその走行パターンデータをどの程度重視するかを設定することができる。

また、異常検出システム１においては、通常運転データおよび走行パターンデータが、運転行動のパターンを記号として表現されたものとして取り扱う。
このような異常検出システム１によれば、通常運転データおよび走行パターンデータを記号として表現するので、これらをデータ量が少ない小さなデータとして取り扱うことができる。

また、異常検出システム１においてサーバ２００は、通常運転データおよび走行パターンデータは、運転行動のパターン毎に特徴量の分布で表現した特徴量分布を混合することで表現され、特徴量分布の混合比を示す運転トピック割合とされている。

このような異常検出システム１によれば、通常運転データおよび走行パターンデータを運転トピック割合として取り扱うので、運転行動のパターンをより可視化しやすくすることができる。

［その他の実施形態］
本発明は、上記の実施形態によって何ら限定して解釈されない。また、上記の実施形態の説明で用いる符号を特許請求の範囲にも適宜使用しているが、各請求項に係る発明の理解を容易にする目的で使用しており、各請求項に係る発明の技術的範囲を限定する意図ではない。上記実施形態における１つの構成要素が有する機能を複数の構成要素として分散させたり、複数の構成要素が有する機能を１つの構成要素に統合させたりしてもよい。また、上記実施形態の構成の少なくとも一部を、同様の機能を有する公知の構成に置き換えてもよい。また、上記実施形態の構成の一部を、課題を解決できる限りにおいて省略してもよい。また、上記実施形態の構成の少なくとも一部を、他の上記実施形態の構成に対して付加又は置換してもよい。なお、特許請求の範囲に記載した文言のみによって特定される技術思想に含まれるあらゆる態様が本発明の実施形態である。

上述した異常検出システム１の他、当該異常検出システム１の構成要素となる車両側装置１００やサーバ２００、当該異常検出システム１としてコンピュータを機能させるためのプログラム、このプログラムを記録した媒体、異常検出方法など、種々の形態で本発明を実現することもできる。

例えば、上記実施形態においては、トピック割合を演算する処理を車両側装置１００で実施し、トピック割合を用いた異常判定を行う処理をサーバ２００で実施したが、これらの各処理は車両側装置１００およびサーバ２００の何れで実施してもよい。処理を車両側装置１００およびサーバ２００で分散する場合、本処理のように必要に応じてデータのやりとりをすればよい。

また、上述した式（７）中において異常度を加算していく際の重みＷｉは、任意の値を取り得る。例えば、図１３に示すように、異常度（逸脱度ｄ）が大きい場合はこれを強調する形で大きくなるように設定してもよいし、逆にごく小さい異常度（つまり正常状態）の際にも大きくなるように設定してもよい。

また、例えば、図１４に示すように、異常を示した車両の台数がある程度増加すると、段階的に重みを大きく設定してもよいし、図１５に示すように、異常を示した車両の台数がある程度増加すると、連続的に重みを大きく設定してもよい。また、逸脱度ｄは、時間的に減衰するように設定して、一定時間後には異常度が小さくなるように設定してもよい。

［実施形態の構成と本発明の手段との対応関係］
上記実施形態におけるサーバ２００は本発明でいう異常検出装置に相当し、上記実施形態における異常道路状況マップ作成部２４，異常道路状況マップ送信部２５は本発明でいう出力手段に相当する。また、異常判定部２３が実施する処理において、Ｓ２１０の処理は本発明でいう走行パターンデータ取得手段に相当し、Ｓ２２０の処理は本発明でいう対応データ取得手段に相当する。また、上記実施形態においてＳ２５０の処理は、本発明でいう異常度演算手段に相当する。

１…異常検出システム、２…運転挙動データ収集部、３…環境データ収集部、４…正規化部、５…運転シーン離散化部、６…運転シーンデータベース、７…特徴量分布生成部、８…トピック割合演算部、９…運転トピックデータベース、１０…車両信号送信部、１６…異常道路状況マップ受信部、１７…情報提供部、２１…車両信号受信部、２２…通常運転モデルデータベース、２３…異常判定部、２４…異常道路状況マップ作成部、２５…異常道路状況マップ送信部、１００…車両側装置、２００…サーバ。

Claims (7)

1. 道路状況の異常を検出する異常検出装置（２００）であって、
   車両が走行する領域を多数に分割したグリッドにおいて、該グリッドの何れかを走行する車両についての運転行動のパターンを表す走行パターンデータを前記グリッドに対応付けて取得する走行パターンデータ取得手段（２３、Ｓ２１０）と、
   前記グリッド毎に、多数のドライバが車両を運転する際の運転行動のパターンをデータ化したものを通常運転データとして、前記通常運転データのうちの前記走行パターンデータが対応するグリッドでのデータを表す対応データを取得する対応データ取得手段（Ｓ２２０）と、
   前記走行パターンデータおよび前記対応データを対比し、前記対応データに対する前記走行パターンデータの異常度を演算する異常度演算手段（Ｓ２５０）と、
   前記異常度に基づく情報を異常の程度として出力する出力手段（２４，２５）と、
   を備えたことを特徴とする異常検出装置。
2. 請求項１に記載の異常検出装置において、
   前記出力手段は、異常の程度に応じたオブジェクトを該異常の程度が対応する位置に配置した地図情報を生成し、出力すること
   を特徴とする異常検出装置。
3. 請求項１または請求項２に記載の異常検出装置において、
   前記走行パターンデータ取得手段は、複数の車両についての走行パターンデータを取得し、
   前記異常度演算手段は、複数の車両についての走行パターンデータのそれぞれの異常度を演算し、
   前記出力手段は、前記それぞれの異常度に基づく情報を異常の程度として出力すること
   を特徴とする異常検出装置。
4. 請求項３に記載の異常検出装置において、
   前記異常度演算手段は、複数の車両についての走行パターンデータを取得したタイミングに応じて演算した異常度に重み付けを行うこと
   を特徴とする異常検出装置。
5. 請求項３または請求項４に記載の異常検出装置において、
   前記異常度演算手段は、複数の車両についての走行パターンデータの異常度の個々の大きさに応じて各異常度に重み付けを行うこと
   を特徴とする異常検出装置。
6. 請求項１〜請求項５の何れか１項に記載の異常検出装置において、
   前記通常運転データおよび前記走行パターンデータは、運転行動のパターンを記号として表現したものとされていること
   を特徴とする異常検出装置。
7. 請求項１〜請求項６の何れか１項に記載の異常検出装置において、
   前記通常運転データおよび前記走行パターンデータは、運転行動のパターン毎に特徴量の分布で表現した特徴量分布を混合することで表現され、前記特徴量分布の混合比を示す運転トピック割合とされていること
   を特徴とする異常検出装置。