JP6626549B1 - 判定装置および判定方法 - Google Patents

Abstract

【課題】事故発生の予兆が映像やセンサの出力値に表れない場合であっても、事故の発生の可能性が相対的に高い状況にあることを判定する。【解決手段】判定装置（１）は、複数の作業用車両が走行する施設において集音された音声であって、事故発生直前の状況または事故の発生の可能性が相対的に高い状況に特有の音声から生成された教師データを用いた機械学習により生成された学習済みモデルを用いて、対象作業用車両の周囲の音声から、上記対象作業用車両が、事故の発生の可能性が相対的に高い状況にあるか否かを判定する判定部（１０４）を備えている。【選択図】図１

Description

本発明は、対象作業用車両が事故の発生の可能性が相対的に高い状況にあるか否かを判定する判定装置等に関する。

フォークリフト等の作業用車両を用いた作業が行われる工場や倉庫などの施設では、見通しが悪く道幅の狭い通路を複数の作業用車両が走行することが多く、車両間や車両と積荷との接触事故等、種々の事故が発生するリスクが高い。このような問題の解決策を提示する先行技術文献としては、例えば下記の特許文献１が挙げられる。この文献には、交差点に進入する主移動体の進入路に対して他の進入路から交差点に進入する副移動体を検出して、主移動体に対して副移動体がいずれの方向から交差点に進入するかを表示する技術が開示されている。

特開２００２−２８７８２５号公報

ここで、上記文献の技術では、赤外線や超音波を利用した物体検知センサまたはカメラを用いることにより移動体を検出している。しかし、事故発生の予兆はカメラで撮影した映像に表れているとは限らない。また、物体検知センサを用いて、交差点以外で起こる事故についても予防しようとした場合、事故発生の可能性のあるあらゆる場所に物体検知センサを設置する必要があるが、そのように多数の物体検知センサを設置することは現実的ではない。

本発明は、上述の問題点に鑑みてなされたものであり、その目的は、事故発生の予兆が撮影した映像や物体検知センサの出力値に表れない場合であっても、事故の発生の可能性が相対的に高い状況にあることを判定することができる判定装置等を提供することにある。

上記の課題を解決するために、本発明の一態様に係る判定装置は、複数の作業用車両が走行する施設において集音された音声であって、事故発生直前の状況または事故の発生の可能性が相対的に高い状況に特有の音声から生成された教師データを用いた機械学習により生成された学習済みモデルを用いて、対象作業用車両の周囲の音声から、上記対象作業用車両が、事故の発生の可能性が相対的に高い状況にあるか否かを判定する判定部を備えている。

また、上記の課題を解決するために、本発明の一態様に係る判定方法は、判定装置による判定方法であって、複数の作業用車両が走行する施設において集音された音声であって、事故発生直前の状況または事故の発生の可能性が相対的に高い状況に特有の音声から生成された教師データを用いた機械学習により生成された学習済みモデルを用いて、対象作業用車両の周囲の音声から、上記対象作業用車両が、事故の発生の可能性が相対的に高い状況にあるか否かを判定する判定ステップを含む。

本発明の一態様によれば、事故発生の予兆が、撮影した映像や物体検知センサの出力値に表れない場合であっても、音声に基づいて事故の発生の可能性が相対的に高い状況にあることを判定することができる。

本発明の実施形態１に係る判定装置の要部構成の一例を示すブロック図である。 上記判定装置が行う判定の概要を示す図である。 上記判定装置が実行する処理の一例を示すフローチャートである。 本発明の実施形態２に係る判定装置の概要を説明する図である。 本発明の実施形態３に係る判定装置の概要を説明する図である。

〔実施形態１〕
（判定の概要）
本実施形態の判定装置による判定の概要を図２に基づいて説明する。図２は、判定装置１が行う判定の概要を示す図である。判定装置１は、対象作業用車両の周囲の音声から、上記対象作業用車両が、事故の発生の可能性が相対的に高い状況にあるか否かを判定する装置である。なお、本明細書で使用する「音声」には、人が発する声と、車両などの物体が発生させる音の少なくとも何れかが含まれる。

図２の例では、複数の作業用車両が走行する施設において、対象作業用車両の一例であるフォークリフトＡを運転者ａが運転しており、他の作業用車両の一例であるフォークリフトＢを運転者ｂが運転している。また、フォークリフトＡ、Ｂは何れも図２にて「プー、プー」との擬音で示す所定の後退音を発しながら後退している。そして、この音声は集音装置Ｃにより取得され、取得された音声が判定装置１に入力されている。なお、図２では、対象作業用車両の例としてフォークリフトＡを記載しているが、対象作業用車両は、作業に用いられる車両であればよく、フォークリフトに限られない。他の作業用車両も同様であり、フォークリフトに限られない。

判定装置１は、入力された上記音声に基づいてフォークリフトＡが事故の発生の可能性が相対的に高い状況にあるか否かを判定する。例えば、図２の例のようにフォークリフトＡ、Ｂの後退音が重なって、運転者ａがフォークリフトＢの接近に気付き難い状況である場合、判定装置１は、上記音声に基づいて事故の発生の可能性が相対的に高い状況にあると判定する。そして、判定装置１は、事故の発生の可能性が高い状況であることを運転者ａに報知する。

このように、判定装置１は、フォークリフトＡの周囲の音声に基づき、事故の発生の可能性が高い状況であるか否かを判定することができる。また、判定装置１は、事故の発生の可能性が高い状況であると判定した場合に、運転者ａへの報知を行う。これにより、事故の発生を効果的に防ぐことができる。

本実施形態のように、１台のフォークリフトＡについて１台の判定装置１が判定を行う場合、判定装置１をフォークリフトＡに搭載してもよい。本実施形態では、判定装置１をフォークリフトＡに搭載した例を説明する。なお、複数台のフォークリフトの周囲で集音された音声をそれぞれ取得すれば、１台の判定装置１によって複数台の作業用車両についての判定を行うこともできる。

（判定装置の要部構成）
判定装置１の要部構成について図１に基づいて説明する。図１は、判定装置１の要部構成の一例を示すブロック図である。なお、図１では、図２に示した集音装置Ｃのブロックと、フォークリフトＡのブロックについても併せて示している。図示のように、判定装置１は、判定装置１の各部を統括して制御する制御部１０と、判定装置１が使用する各種データを記憶する記憶部２０と、判定装置１が情報を出力するための出力部３０とを備えている。また、制御部１０には、操作検出部１０１、集音制御部１０２、入力データ生成部１０３、判定部１０４、および報知部１０５が含まれている。

集音装置Ｃは、周囲の音声を取得する装置であり、例えばマイクである。本実施形態では、図２に基づいて説明したように集音装置ＣはフォークリフトＡに搭載されているので、集音装置ＣによってフォークリフトＡの周囲の音声が取得される。集音装置Ｃによって取得された音声は判定装置１に入力される。

操作検出部１０１は、フォークリフトＡに対して所定の操作が行われたことを検出する。具体的には、操作検出部１０１は、フォークリフトＡを後退させる操作が行われたことを検出する。なお、上記検出の方法は特に限定されず、例えばフォークリフトＡと通信することにより検出してもよいし、フォークリフトＡまたはその運転者を撮影した画像を解析することにより検出してもよいし、センサ等を用いて検出してもよい。詳細は以下で説明するが、操作検出部１０１による上記操作の検出を契機として、事故の発生の可能性が高い状況であるか否かの判定に関する処理が開始される。

集音制御部１０２は、集音装置Ｃの動作を制御してフォークリフトＡの周囲の音声を取得させる。本実施形態では、集音制御部１０２が、操作検出部１０１がフォークリフトＡを後退させる操作が行われたことを検出したことを契機として、集音装置Ｃに音声取得を開始させる例を説明する。

入力データ生成部１０３は、集音装置Ｃによって集音された、フォークリフトＡの周囲の音声から、判定部１０４が判定に使用する学習済みモデルに対する入力データを生成する。なお、入力データの詳細は後述する。

判定部１０４は、機械学習によって生成された学習済みモデルを用いて、フォークリフトＡの周囲の音声から、フォークリフトＡが事故の発生の可能性が相対的に高い状況にあるか否かを判定する。より詳細には、判定部１０４は、上記学習済みモデルに入力データ生成部１０３が生成する入力データを入力して得られる出力データに基づいてフォークリフトＡが事故の発生の可能性が相対的に高い状況にあるか否かを判定する。学習済みモデルと、該学習済みモデルを用いた判定の詳細については後述する。

報知部１０５は、判定部１０４が、フォークリフトＡが事故の発生の可能性が相対的に高い状況にあると判定した場合に、その旨を所定の対象（典型的には運転者ａ）に報知する。具体的には、報知部１０５は、出力部３０を制御して、事故の発生の可能性が高い状況であることを示す情報を出力させることにより上記の報知を行う。本実施形態では、判定装置１がフォークリフトＡに搭載されていることを想定しているので、出力部３０に上記の情報を出力させることにより、運転者ａへの報知を行うことができる。

なお、上記情報の出力態様は特に限定されず、例えば出力部３０が表示部であれば表示出力させればよいし、音声出力部であれば音声出力させればよい。この他、出力部３０を警告灯とし、報知部１０５は該警告灯を点灯させることによって報知してもよい。また、判定装置１がフォークリフトＡから離れた位置にある場合、報知部１０５は、フォークリフトＡと通信することにより、フォークリフトＡが備える出力部に上記情報を出力させてもよい。この他にも、例えば、報知部１０５は、運転者ａの所持する端末装置や、運転者ａの作業を管理する管理者の端末装置等の他の装置に上記情報を出力させることにより報知してもよい。また、報知部１０５は、フォークリフトＢの運転者ｂにも報知してもよい。

（学習済みモデルと判定部の判定について）
判定部１０４が使用する学習済みモデルは、フォークリフトＡが事故の発生の可能性が相対的に高い状況にあるか否かの判定を行うことができるように、教師データを用いた機械学習、つまり教師あり機械学習により生成された学習済みモデルである。上記教師データとしては、例えば、複数の作業用車両が走行する施設において集音された音声であって、事故発生直前の状況または事故の発生の可能性が相対的に高い状況に特有の音声から生成されたデータを用いることができる。

上記のような教師データを用いた機械学習で生成した学習済みモデルに対し、フォークリフトＡの周囲の音声から生成した入力データを入力すると、フォークリフトＡが事故の発生の可能性が相対的に高い状況にある確率を示す出力データを得ることができる。よって、判定部１０４は、入力データ生成部１０３が生成した入力データを上記学習済みモデルに入力して出力データを得て、この出力データに基づいてフォークリフトＡが事故の発生の可能性が相対的に高い状況にあるか否かを判定することができる。例えば、判定部１０４は、出力データが示す確率が所定の閾値以上である場合に、フォークリフトＡが事故の発生の可能性が相対的に高い状況にあると判定してもよい。

学習済みモデルの生成に用いる教師データは、事故発生直前の状況に特有の音声から生成されたデータ、つまり実際に事故が発生した事例において集音された音声から生成されたデータであってもよい。また、上記教師データは、事故の発生の可能性が相対的に高い状況に特有の音声から生成されたデータであってもよく、この場合、実際に事故が発生しているか否かは問わない。

本実施形態では、事故の発生の可能性が相対的に高い上記状況として、ある作業用車両が後退している周囲で他の作業用車両が後退しており、各作業用車両が発する後退音が重なっている状況を想定している。このため、このような状況においてフォークリフトＡが事故の発生の可能性が相対的に高い状況にあると判定されるように機械学習した学習済みモデルを用いる。

具体的には、本実施形態の判定部１０４が使用する学習済みモデルは、後退する作業用車両が発する後退音と、該作業用車両の周囲で後退する他の作業用車両が発する後進音とを含む音声から生成された教師データを用いた機械学習により生成されたモデルである。この学習済みモデルに対し、図２の例のように、フォークリフトＡ、Ｂの後退音が重なって聞こえるような状況で集音された音声から生成された入力データを入力すると、出力データが示す確率の値は大きい値となる。よって、判定部１０４は、図２の例のような、フォークリフトＡ、Ｂの後退音が重なって運転者ａがフォークリフトＢの存在を認識し難い状況において、フォークリフトＡが事故の発生の可能性が相対的に高い状況にあると適切に判定することができる。

なお、判定部１０４は、上記の状況を複数種類学習させた学習済みモデルを用いて、何れの種類の状況に該当するかを判定してもよい。そして、この場合、報知部１０５は、該当すると判定された種類に応じた報知を行ってもよい。例えば、報知部１０５は、フォークリフトＡ、Ｂの後退音が重なって聞こえるような状況では後方への注意を促す報知を行い、フォークリフトＡの車体または周囲から異音が聞こえるような状況では車体または周囲の状況確認を促す報知を行ってもよい。これにより、状況毎に適切な報知を行うことができ、より効果的に事故の発生を回避することができる。

なお、上記学習済みモデルは、音声などの時系列信号を画像として捉えて処理するのに好適なＣＮＮ（Convolutional Neural Network）を用いて生成してもよい。また、例えば、ＣＮＮとＲＮＮ（Recurrent Neural Network）、あるいはＣＮＮとＬＳＴＭ（Long Short-Term Memory）を組み合わせた学習済みモデルを用いてもよい。ＲＮＮやＬＳＴＭのような時系列データの扱いに適したモデルと、音声などの時系列信号を画像として捉えて処理するのに好適なＣＮＮとを組み合わせることにより、信頼性の高い出力データを得ることができる。

（入力データについて）
入力データ生成部１０３は、上述の学習済みモデルに入力する入力データを生成する。具体的には、入力データ生成部１０３は、フォークリフトＡの周囲の音声から上記入力データを生成する。

入力データの生成に用いる音声は、学習済みモデルの機械学習用の教師データに用いた音声と同様の条件で集音したものであることが好ましい。上記条件には、例えば、集音装置ＣとフォークリフトＡの位置関係等が含まれる。条件を揃えるため、例えばフォークリフトの所定位置に固定された集音装置Ｃで集音した音声から教師データを生成した場合、フォークリフトＡにおける上記所定位置と同じ位置に固定した集音装置Ｃで集音した音声から入力データを生成することが好ましい。

入力データ生成部１０３は、集音装置Ｃで集音した音声に対して所定の処理を施して入力データを生成することが好ましい。本実施形態では、上記所定の処理が短時間フーリエ変換であり、入力データが時系列の短時間フーリエ変換係数である例を説明する。ただし、上記所定の処理は、事故発生直前の状況または事故の発生の可能性が相対的に高い状況に特有の音声が有する特徴を明瞭化することができるものであればよく、短時間フーリエ変換に限られない。

なお、入力データ生成部１０３は、教師データと同じ形式の入力データを生成する必要がある。例えば、入力データ生成部１０３が、集音装置Ｃで集音した音声を短時間フーリエ変換して生成した、時系列の短時間フーリエ変換係数を入力データとする場合、学習済みモデルも時系列の短時間フーリエ変換係数を入力データとして機械学習したものを用いる。

（処理の流れ）
判定装置１が実行する処理の流れを図３に基づいて説明する。図３は、判定装置１が実行する処理（判定方法）の一例を示すフローチャートである。

Ｓ１では、操作検出部１０１が、フォークリフトＡが後退開始したか否か、すなわちフォークリフトＡを後退させる操作が検出されたか否かを判定する。ここで、フォークリフトＡが後退開始していた場合（Ｓ１でＹＥＳ）にはＳ２の処理に進み、後退開始していなかった場合（Ｓ１でＮＯ）にはＳ１の処理が継続する。

Ｓ２では、集音制御部１０２が集音装置Ｃに集音を開始させ、入力データ生成部１０３は集音装置Ｃが集音した音声を取得して入力データの生成を開始する。ここで、入力データ生成部１０３は、集音装置Ｃが集音した音声を所定時間毎に区切って、各区切りに対応する入力データを順次生成していく。上記所定時間は、事故発生直前の状況または事故の発生の可能性が相対的に高い状況に特有の音声が有する特徴を読み取ることができる程度の時間とすればよく、例えば３〜１５秒としてもよい。

Ｓ３（判定ステップ）では、判定部１０４が、Ｓ２で生成された入力データを学習済みモデルに入力し、学習済みモデルの出力データに基づいて、フォークリフトＡが事故の発生の可能性が相対的に高い状況にあるか否かを判定する。ここで判定部１０４が、事故発生の可能性が高いと判定した場合（Ｓ３でＹＥＳ）にはＳ４に進み、事故発生の可能性が高くはないと判定した場合（Ｓ３でＮＯ）にはＳ５に進む。

Ｓ４では、報知部１０５が、フォークリフトＡが事故の発生の可能性が相対的に高い状況にあることを運転者ａに報知する。報知の態様は上述したとおりであるからここでは説明を繰り返さない。なお、報知部１０５は、学習済みモデルの出力データが示す確率が高いほど運転者ａの注意をより強く喚起するように、確率に応じて異なる態様で報知を行ってもよい。例えば、報知部１０５は、音声による報知を行う場合、上記確率が高いほどその音量を大きくしてもよい。

Ｓ５では、操作検出部１０１が、フォークリフトＡが後退終了したか否か、すなわちフォークリフトＡを後退させる操作が検出されていた状態から検出されない状態に変化したか否かを判定する。ここで後退終了したと判定された場合（Ｓ５でＹＥＳ）、図３の処理は終了する。一方、後退終了していないと判定された場合（Ｓ５でＮＯ）、Ｓ３の処理に戻る。この場合、Ｓ３では、前回の同ステップにおける判定で使用した入力データの次の区切り時間の音声から生成された入力データを用いて事故発生の可能性が高いか否かが判定される。

なお、図３の例では、フォークリフトＡの後退中に事故発生の可能性が高いか否かを判定しているが、フォークリフトＡの前進中や停車中に事故発生の可能性が高いか否かを判定してもよいことは言うまでもない。ただし、後退中は、前進中や停車中と比べて、事故発生の可能性が高い。このため、図３のように後退中に事故発生の可能性が高いか否かを判定することにより、判定を行う期間を事故発生の可能性が高い状況に絞り込んで、効率のよい判定および報知を行うことができる。

また、本実施形態のように、フォークリフトＡの後退中に判定を行う場合、フォークリフトＡの後退音は当然集音される。このため、学習済みモデルはフォークリフトＡとは異なる他の作業用車両（例えばフォークリフトＢ）の後退音を学習させたモデルとしてもよい。そして、判定部１０４は、学習済みモデルの出力データに基づいて他の作業用車両の後退音を検出し、該検出時に事故発生の可能性が高いと判定してもよい。

（実施形態１のまとめ）
以上のように、本実施形態の判定装置１は、学習済みモデルを用いて、フォークリフトＡの周囲の音声から、フォークリフトＡが事故の発生の可能性が相対的に高い状況にあるか否かを判定する判定部１０４を備えている。そして、上記学習済みモデルは、複数のフォークリフトが走行する施設において集音された音声であって、事故発生直前の状況または事故の発生の可能性が相対的に高い状況に特有の音声から生成された教師データを用いた機械学習により生成されたものである。

上記の構成によれば、フォークリフトＡの周囲でどのような音声が発せられているかに基づいて、事故の発生の可能性が相対的に高い状況にあることを判定することができる。これにより、カメラによる撮影や物体検知センサの設置を行うことなく、事故の発生の可能性が相対的に高い状況にあることを判定することができる。また、判定装置１は、この判定結果を利用して、事故の発生の可能性が相対的に高い状況にあることを報知する報知部１０５を備えているので、上記状況を運転者等に報知して事故の発生を未然に回避することもできる。

なお、本実施形態の判定装置１は、カメラによる撮影や物体検知センサの出力値に基づいた、事故の発生の可能性の判定を補完するために使用することもできる。これにより、カメラの死角や、物体検知センサの検知範囲外に事故発生の予兆となる事象が生じている場合であっても、その事象が音声を伴うものであれば、判定装置１により事故の発生の可能性が高いと判定することができる。つまり、判定装置１によれば、事故発生の予兆が、撮影した映像や物体検知センサの出力値に表れない場合であっても、事故の発生の可能性が相対的に高い状況にあることを判定することができる。

〔実施形態２〕
本実施形態では、学習済みモデルを用いた処理に加えて、音声解析を行う例を説明する。なお、説明の便宜上、上記実施形態１にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。実施形態３以降も同様である。

図４は、本実施形態の判定装置１を説明する図である。図４の（ａ）に示すように、本実施形態の判定装置１は、制御部１０に音声解析部１２１が含まれている点で、実施形態１の判定装置１（図１参照）と相違している。音声解析部１２１は、フォークリフトＡの周囲の音声を解析するものであり、接近判定部１２２と、運転者状態判定部１２３と、種類判定部１２４と、速度判定部１２５を含む。以下説明するように、音声解析部１２１による音声解析の結果は、判定部１０４の判定に利用される。

（使用する学習済みモデル）
本実施形態では、フォークリフトＡの周囲で集音された音声から、フォークリフトＡの周囲に位置する他の作業用車両が発する音声を検出するための学習済みモデルを使用する例を説明する。このような学習済みモデルは、各種作業用車両が発する様々な音声（実施形態１で説明した後退音の他、ブレーキ音、エンジン音、急旋回時のタイヤ音、フォーク等を駆動する際の作動音など）を教師データとした機械学習により生成可能である。フォークリフトＡの周囲に他の作業用車両が位置している場合、周囲に他の作業用車両が位置していない場合と比べて事故の発生の可能性が高い。このため、本実施形態の学習済みモデルも、事故の発生の可能性が相対的に高い状況に特有の音声から生成された教師データを用いた機械学習により構築された学習済みモデルといえる。

判定部１０４は、このような学習済みモデルに、入力データ生成部１０３が生成した入力データを入力することにより、フォークリフトＡの周囲に位置する他の作業用車両が発する音声を検出することができる。

（接近判定）
接近判定部１２２は、フォークリフトＡの周囲に位置する他の作業用車両が発する音声の音量から、フォークリフトＡに他の作業用車両が近付いているか否かを判定する。なお、以下では、上記他の作業用車両がフォークリフトＢであるとして説明を行う。

ここで、上述のように、本実施形態の判定部１０４は、フォークリフトＡの周囲で集音された音声のうちフォークリフトＢが発する音声を検出する。接近判定部１２２は、この検出結果に基づいて、フォークリフトＡの周囲で集音された音声に含まれる各音声成分の中から、フォークリフトＢが発する音声成分の音量の時系列変化を特定する。そして、接近判定部１２２は、フォークリフトＢが発する音声成分の音量が時系列で増加していればフォークリフトＢは近付いていると判定し、変動がないか減少していればフォークリフトＢは近付いていないと判定する。

そして、本実施形態の判定部１０４は、接近判定部１２２がフォークリフトＡにフォークリフトＢが近付いていると判定した場合に、フォークリフトＡが事故の発生の可能性が相対的に高い状況にあると判定する。よって、フォークリフトＡの周囲にフォークリフトＢが存在しており、しかもフォークリフトＢがフォークリフトＡに近付いているという、事故の発生の可能性が相対的に高い状況にあることを的確に判定することができる。

（運転者が発した音声の考慮）
運転者状態判定部１２３は、フォークリフトＡの周囲の音声のうち、運転者ａが発した音声を解析して、運転者ａが事故を起こす可能性の高い状態であるか否かを判定する。具体的には、運転者状態判定部１２３は、運転者ａが事故を起こす可能性の高い状態で発することの多い音声を検出したときに、運転者ａが事故を起こす可能性の高い状態であると判定する。例えば、運転者状態判定部１２３は、運転者が疲労しているときに発することの多い「疲れた」やこれに類する発話の音声、ため息などの音声、あるいは運転者が集中力を欠いているときに発することの多いあくびなどの音声を検出対象としてもよい。また、運転者状態判定部１２３は、運転者ａが事故を起こす可能性の高い状態を、疲労状態や、集中力が欠如した状態等の種類別に判定してもよい。さらに、運転者状態判定部１２３は、運転者ａの発話における声のトーンなどについても加味して、運転者ａが事故を起こす可能性の高い状態であるか否かを判定してもよい。

そして、本実施形態の判定部１０４は、運転者状態判定部１２３による解析結果と、上述の学習済みモデルの出力とに基づいて、フォークリフトＡが事故の発生の可能性が相対的に高い状況にあるか否かを判定する。また、判定部１０４が、事故の発生の可能性が相対的に高い状況にあると判定した場合、報知部１０５はその旨を運転者ａに報知するが、この報知においても、運転者状態判定部１２３による解析結果を反映させてもよい。

例えば、図４の（ｂ）の例では、運転者ａが「疲れた…」と発話している。本実施形態の判定装置１では、運転者状態判定部１２３が、フォークリフトＡの周囲の音声から、上記発話音声を検出する。なお、運転者状態判定部１２３が判定に用いる上記音声は、上記実施形態で説明した集音装置Ｃが集音したものであってもよいし、他の集音装置で集音したものであってもよい。これは、音声解析部１２１に含まれる各部の処理に共通である。そして、運転者状態判定部１２３は、運転者ａが疲労状態にあると判定する。

そして、判定部１０４は、運転者状態判定部１２３による判定結果を考慮した判定を行う。例えば、判定部１０４が、学習済みモデルからの出力データに基づき、フォークリフトＢが発生させる音を検出していたとする。この場合、運転者状態判定部１２３が運転者ａは疲労状態であると判定したことを条件として、事故の発生の可能性が高い状況であると判定してもよい。これにより、フォークリフトＡの周囲にフォークリフトＢが存在し、かつ、運転者ａが疲労状態であれば、事故の発生の可能性が高い状況であると判定される。

そして、図４の（ｂ）の例では、報知部１０５は、運転者状態判定部１２３による判定結果を考慮した報知を行っている。この例では、報知部１０５は、運転者状態判定部１２３による判定結果、すなわち運転者ａが疲労状態にあることを考慮したメッセージを出力部３０に出力させている。具体的には、疲労状態にあることを運転者ａに知らせる「お疲れのご様子ですね。」とのメッセージと、事故のリスクが高いことを知らせると共に事故に対する注意を促す「事故のリスクが高い状況です。ご注意ください。」とのメッセージを出力させている。

以上のように、本実施形態の判定部１０４は、運転者ａが発した音声を運転者状態判定部１２３が解析した解析結果と、上述の学習済みモデルの出力とに基づいて事故の発生の可能性が高い状況であるか否かを判定する。運転者ａが発した音声は運転者の状態を反映しており、運転者の状態は事故の発生の可能性に相関があるから、この構成によれば事故の発生の可能性が高い状況を的確に判定することができる。また、報知部１０５は、運転者状態判定部１２３による判定結果を考慮した報知を行うので、運転者ａに自身の状態（疲労している、注意力が欠けている等）を認識させて、事故の発生を効果的に回避することができる。

（フォークリフトの種類の考慮）
種類判定部１２４は、フォークリフトＡの周囲の音声を解析し、フォークリフトＡの周囲に位置する他の作業用車両（図２の例ではフォークリフトＢ）の種類を判定する。具体的には、種類判定部１２４は、学習済みモデルにより検出された、フォークリフトＢが発する音声から、フォークリフトＢが大型車であるか否かを判定する。上述のように、本実施形態の判定部１０４は、フォークリフトＡの周囲で集音された音声のうちフォークリフトＢが発する音声を検出する。そこで、種類判定部１２４は、この検出結果に基づいて、フォークリフトＡの周囲で集音された音声に含まれる各音声成分の中からフォークリフトＢが発する音声成分を特定し、該音声成分を解析して、フォークリフトＢが大型車であるか否かを判定する。

そして、判定部１０４は、種類判定部１２４の判定結果に基づいて、フォークリフトＡが、事故の発生の可能性が相対的に高い状況にあるか否かを判定する。また、判定部１０４が、事故の発生の可能性が相対的に高い状況にあると判定した場合、報知部１０５はその旨を運転者ａに報知するが、この報知においても、種類判定部１２４の判定結果を反映させてもよい。

例えば、図４の（ｃ）の例では、フォークリフトＡに、図示しない大型のフォークリフトＢが接近しつつあることを想定している。このような場合、判定部１０４が、学習済みモデルからの出力データに基づき、フォークリフトＢが発生させる音声を検出すると共に、接近判定部１２２が、フォークリフトＡにフォークリフトＢが近付いていると判定する。なお、この段階では、判定部１０４は、事故の発生の可能性が相対的に高い状況にあるか否かの判定を保留としている。また、フォークリフトＢがフォークリフトＡに近付いていなかったとしても、フォークリフトＡの近くに大型のフォークリフトＢが存在していれば事故の危険性は高まるので、接近判定部１２２による判定は省略してもよい。

ここで、種類判定部１２４は、判定部１０４が検出した、フォークリフトＢが発する音声を解析して、フォークリフトＢが大型車であるか否かを判定する。そして、判定部１０４は、種類判定部１２４の判定結果を考慮して、保留としていた、事故の発生の可能性が相対的に高い状況にあるか否かの判定を行う。具体的には、判定部１０４は、種類判定部１２４が大型車であると判定したことを条件として、事故の発生の可能性が高い状況であると判定してもよい。

そして、図４の（ｃ）の例では、報知部１０５は、種類判定部１２４の判定結果を考慮した報知を行っている。この例において、報知部１０５は、種類判定部１２４の判定結果、すなわち接近しつつあるフォークリフトＢが大型車であることを考慮したメッセージを出力部３０に出力させている。具体的には、大型車が接近しつつあることを運転者ａに知らせる「大型車が接近しています。」とのメッセージと、事故に対する注意を促す「ご注意ください。」とのメッセージを出力させている。

以上のように、本実施形態の判定装置１の判定部１０４は、フォークリフトＡの周囲に位置する他の作業用車両が発する音声を検出するための学習済みモデルを用いて、集音された音声からフォークリフトＢが発した音声を検出する。また、本実施形態の判定装置１は、検出された上記音声（フォークリフトＢが発した音声）から、フォークリフトＢの種類を判定する種類判定部１２４を備えている。そして、判定部１０４は、種類判定部１２４の判定結果に基づいて、フォークリフトＡが事故の発生の可能性が相対的に高い状況にあるか否かを判定する。

フォークリフトＡの周囲に位置する他の作業用車両の種類は、事故の発生の可能性に相関がある。例えば、フォークリフトＡの周囲に存在するフォークリフトＢが死角の多い大型車である場合、フォークリフトＢが、死角が少なく小回りの利く中型車や小型車である場合と比べて、接触事故が発生する危険性は高い。

よって、上記構成によれば事故の発生の可能性が高い状況を的確に判定することができる。また、報知部１０５は、種類判定部１２４による判定結果を考慮した報知を行うので、フォークリフトＡの周囲に存在するフォークリフトＢがどのような車両であるかを認識させて、事故の発生を効果的に回避することができる。

なお、種類判定部１２４が判定する「種類」は、事故の発生の可能性に相関のあるものであればよい。例えば、種類判定部１２４は、フォークリフトＡの周囲に存在するフォークリフトＢが大型車であるか否かを判定する代わりに、フォークリフトＢの車種を判定してもよい。

また、フォークリフトＡが大型車である場合、周囲に存在するフォークリフトＢが中型車や小型車等のフォークリフトＡの死角に入り込みやすい車両であるときに、事故が発生しやすい。よって、このような場合には、判定部１０４は、種類判定部１２４が、フォークリフトＡの周囲に存在するフォークリフトＢが大型車ではないと判定したときに、事故の発生の可能性が相対的に高い状況にあると判定してもよい。

（フォークリフトの移動速度の考慮）
速度判定部１２５は、フォークリフトＡの周囲の音声を解析し、フォークリフトＡの周囲に位置する他の作業用車両（図２の例ではフォークリフトＢ）の移動速度を判定する。上述のように、本実施形態の判定部１０４は、フォークリフトＡの周囲で集音された音声のうちフォークリフトＢが発する音声を検出する。そこで、速度判定部１２５は、この検出結果に基づいて、フォークリフトＡの周囲で集音された音声に含まれる各音声成分の中からフォークリフトＢが発する音声成分を特定し、その音声成分の大きさの時系列変化からフォークリフトＢの移動速度を算出する。そして、速度判定部１２５は、算出した移動速度と所定の閾値とを比較することにより、フォークリフトＢの移動速度が速いか否かを判定する。

そして、判定部１０４は、速度判定部１２５の判定結果に基づいて、フォークリフトＡが事故の発生の可能性が相対的に高い状況にあるか否かを判定する。また、判定部１０４が、事故の発生の可能性が相対的に高い状況にあると判定した場合、報知部１０５はその旨を運転者ａに報知するが、この報知においても、速度判定部１２５の判定結果を反映させてもよい。

例えば、図４の（ｄ）の例では、フォークリフトＡに、図示しないフォークリフトＢが速い速度で接近しつつあることを想定している。このような場合、判定部１０４が、学習済みモデルからの出力データに基づき、フォークリフトＢが発生させる音声を検出すると共に、接近判定部１２２が、フォークリフトＡにフォークリフトＢが近付いていると判定する。なお、この段階では、判定部１０４は、事故の発生の可能性が相対的に高い状況にあるか否かの判定を保留としている。また、フォークリフトＡにフォークリフトＢが近付いていなかったとしても、フォークリフトＡの近くでフォークリフトＢが高速で移動していれば事故の危険性は高まるので、接近判定部１２２による判定は省略してもよい。

ここで、速度判定部１２５は、フォークリフトＡの周囲の音声を解析して、フォークリフトＢの移動速度を算出すると共に、算出した移動速度が所定の閾値を超えるか否かを判定する。そして、判定部１０４は、速度判定部１２５の判定結果を考慮して、保留としていた、事故の発生の可能性が相対的に高い状況にあるか否かの判定を行う。例えば、判定部１０４は、速度判定部１２５がフォークリフトＢの移動速度が閾値を超えると判定したことを条件として、事故の発生の可能性が高い状況であると判定してもよい。

そして、図４の（ｄ）の例では、報知部１０５は、速度判定部１２５の判定結果を考慮した報知を行っている。この例において、報知部１０５は、速度判定部１２５の判定結果、すなわちフォークリフトＢが高速で移動しているであることを考慮したメッセージを出力部３０に出力させている。具体的には、高速で車両が接近しつつあることを運転者ａに知らせる「高速で車両が接近しています。」とのメッセージと、事故に対する注意を促す「ご注意ください。」とのメッセージを出力させている。

以上のように、本実施形態の判定装置１の判定部１０４は、フォークリフトＡの周囲に位置する他の作業用車両が発する音声を検出するための学習済みモデルを用いて、集音された音声からフォークリフトＢが発した音声を検出する。また、本実施形態の判定装置１は、検出された上記音声（フォークリフトＢが発した音声）から、フォークリフトＢの移動速度を判定する速度判定部１２５を備えている。そして、判定部１０４は、速度判定部１２５の判定結果に基づいて、フォークリフトＡが事故の発生の可能性が相対的に高い状況にあるか否かを判定する。

フォークリフトＡの周囲に位置する他の作業用車両の速度は、事故の発生の可能性に相関がある。すなわち、フォークリフトＡの周囲に存在するフォークリフトＢが高速で移動している場合、フォークリフトＢが低速で移動している場合と比べて、接触事故等が発生する危険性は高い。

よって、上記構成によれば、事故の発生の可能性が高い状況を的確に判定することができる。また、報知部１０５は、速度判定部１２５による判定結果を考慮した報知を行うので、フォークリフトＡの周囲に存在するフォークリフトＢが高速で移動していることを認識させて、事故の発生を効果的に回避することができる。

なお、判定装置１は、接近判定部１２２と、運転者状態判定部１２３と、種類判定部１２４と、速度判定部１２５の一部のみを備えていてもよい。また、判定装置１は、接近判定部１２２と、運転者状態判定部１２３と、種類判定部１２４と、速度判定部１２５のうち、少なくとも２つ以上を備えている場合、これら各判定部の判定結果と、学習済みモデルの出力データとに基づいて、フォークリフトＡが事故の発生の可能性が相対的に高い状況にあるか否かを判定してもよい。

〔実施形態３〕
本実施形態では、フォークリフトＡに接近しつつあるフォークリフトＢが走行している地点と、フォークリフトＡが存在する地点との間に通路が存在するか否かに応じて、事故の発生の可能性が相対的に高い状況であるか否かを判定する例を説明する。

図５は、本実施形態の判定装置１を説明する図である。図５の（ａ）に示すように、本実施形態の判定装置１は、制御部１０に接近方向特定部１３１と通路有無判定部１３２が含まれている点で、実施形態１の判定装置１（図１参照）と相違している。なお、図５には示していないが、本実施形態の判定装置１は、少なくとも水平方向における位置が異なる、少なくとも２つの集音装置Ｃで取得された音声を取得する。また、本実施形態においても、実施形態２と同様に、判定部１０４が、学習済みモデルを用いて、フォークリフトＡの周囲に位置する他の作業用車両（フォークリフトＢ）が発する音声を検出する例を説明する。

接近方向特定部１３１は、フォークリフトＡの周囲の音声から、フォークリフトＡの周囲に位置する他の作業用車両（図５の例ではフォークリフトＢ）が何れの方向からフォークリフトＡに接近しているかを特定する。具体的には、判定部１０４が、学習済みモデルを用いてフォークリフトＢが発する音声を検出する。このため、接近方向特定部１３１は、上記検出結果に基づいて、複数の集音装置Ｃで集音された音声のそれぞれについて、該音声に含まれる音声成分の中から、フォークリフトＢが発する音声成分を特定する。そして、接近方向特定部１３１は、複数の集音装置Ｃで集音された音声からそれぞれ特定した音声成分間のずれと、各集音装置の位置に基づいて、フォークリフトＡに対して何れの方向からフォークリフトＢが発する音声が到来しているかを特定する。接近方向特定部１３１は、この音声の到来方向を、フォークリフトＢの接近方向として特定する。

通路有無判定部１３２は、接近方向特定部１３１が特定した方向に、上記他の作業用車両（図５の例ではフォークリフトＢ）が通行可能な通路が存在するか否かを判定する。具体的には、通路有無判定部１３２は、フォークリフトＡおよびＢが走行する施設において、フォークリフトＡおよびＢが走行可能な通路を示す地図情報と、フォークリフトＡの現在位置および正面方向とに基づいて上記判定を行う。なお、フォークリフトＡの現在位置と正面方向の特定方法は特に限定されない。例えば、施設内の各所にフォークリフトＡを検知するセンサを設けておき、そのセンサの検出結果からフォークリフトＡの現在位置を特定してもよい。また、フォークリフトＡの正面方向は、例えば、フォークリフトＡが走行する施設内を撮影する監視カメラの映像を解析する等により特定してもよい。

以下、本実施形態の判定装置１による判定と報知の例を、施設内を走行するフォークリフトＡおよびＢを上方から見た様子を示す図５の（ｂ）（ｃ）に基づいて説明する。図５の（ｂ）の例では、後退しているフォークリフトＡに対して、後退しているフォークリフトＢが接近しつつある。このような場合、判定部１０４が、学習済みモデルからの出力データに基づき、フォークリフトＢが発生させる音声を検出する。この段階では、判定部１０４は、事故の発生の可能性が相対的に高い状況にあるか否かの判定を保留とする。

ここで、接近方向特定部１３１は、判定部１０４が検出した、フォークリフトＢが発する音声を解析して、フォークリフトＢの接近方向を特定する。そして、通路有無判定部１３２は、接近方向特定部１３１が特定した方向に、フォークリフトＢが通行可能な通路が存在するか否かを判定する。例えば、図５の（ｂ）の例では、フォークリフトＢは、フォークリフトＡの右後方から接近していると特定される。そして、フォークリフトＡの現在位置と、フォークリフトＡの右後方の位置とは通路でつながっているから、通行可能な通路が存在すると判定される。

そして、判定部１０４は、通路有無判定部１３２の判定結果を考慮して、保留としていた、事故の発生の可能性が相対的に高い状況にあるか否かの判定を行う。具体的には、判定部１０４は、通路有無判定部１３２が通行可能な通路が存在すると判定したことを条件として、事故の発生の可能性が高い状況であると判定する。

そして、図５の（ｂ）の例では、報知部１０５は、接近方向特定部１３１の特定結果を考慮した報知を行っている。この例において、報知部１０５は接近方向特定部１３１の特定結果、すなわちフォークリフトＢがフォークリフトＡの右後方から接近していることを考慮したメッセージを出力部３０に出力させている。具体的には、フォークリフトＢの接近方向を運転者ａに知らせると共に事故に対する注意を促す「右後方にご注意ください。」とのメッセージを出力させている。

また、図５の（ｃ）の例においても、後退しているフォークリフトＡに対して、後退しているフォークリフトＢが接近しつつある。よって、判定部１０４は、フォークリフトＢが発生させる音声を検出し、事故の発生の可能性が相対的に高い状況にあるか否かの判定は保留とする。

図５の（ｃ）の例では、フォークリフトＢは、フォークリフトＡの真後ろから接近しているから、接近方向特定部１３１は接近方向が真後ろであると特定する。そして、通路有無判定部１３２は、フォークリフトＡの真後ろの方向に通路があるか否かを判定する。図５の（ｃ）の例では、フォークリフトＡの現在位置と、フォークリフトＡの真後ろの方向に位置するフォークリフトＢとの間には通路がない（通路が途切れている）ため、通行可能な通路は存在しないと判定される。

そして、判定部１０４は、通路有無判定部１３２の判定結果を考慮して、保留としていた、事故の発生の可能性が相対的に高い状況にあるか否かの判定を行う。具体的には、判定部１０４は、通路有無判定部１３２が通行可能な通路が存在しないと判定しているため、事故の発生の可能性が高い状況ではないと判定する。このため、図５の（ｃ）の例では、報知部１０５は報知を行わない。

以上のように、本実施形態の判定装置１は、フォークリフトＡの周囲の音声からフォークリフトＢが何れの方向からフォークリフトＡに接近しているかを特定する接近方向特定部１３１を備えている。また、本実施形態の判定装置１は、接近方向特定部１３１が特定した方向に、フォークリフトＢが通行可能な通路が存在するか否かを判定する通路有無判定部１３２を備えている。そして、判定部１０４は、通路有無判定部１３２の判定結果と、学習済みモデルの出力とに基づいて、フォークリフトＡが事故の発生の可能性が相対的に高い状況にあるか否かを判定する。

上記の構成によれば、事故の発生の可能性が高い状況を的確に判定することができる。つまり、フォークリフトＢが接近してくる方向に、フォークリフトＢが通行可能な通路が存在しており、フォークリフトＢとの接触の危険性がある場合には事故の発生の可能性が高い状況であると判定することができる。一方、フォークリフトＢが接近してくる方向に、フォークリフトＢが通行可能な通路が存在しておらず、フォークリフトＢとの接触の危険性がない場合には事故の発生の可能性が高い状況ではないと判定することができる。

なお、判定装置１は、接近方向特定部１３１と通路有無判定部１３２のうち、接近方向特定部１３１のみを備えていてもよい。この場合、報知部１０５は、図５の（ｂ）の例のように、接近方向特定部１３１の特定結果を考慮した報知を行うことができる。これによりフォークリフトＢの接近方向を運転者ａに認識させ、事故の発生を効果的に回避することができる。また、本実施形態の判定装置１は、実施形態２の判定装置１が備えている音声解析部１２１に含まれている各部の少なくとも１つをさらに備えていてもよい。これにより、実施形態２で説明したような、各種音声解析結果を加味した判定を行うことが可能になる。

〔分散処理について〕
上記各実施形態で説明した判定装置１の実行する処理の一部は、判定装置１と通信接続された１または複数の装置に実行させてもよい。例えば、学習済みモデルを用いた演算処理を、判定装置１と通信接続されたＡＩサーバに実行させてもよい。この場合、判定装置１は、入力データを生成してＡＩサーバに送信し、該ＡＩサーバから出力データを受信して事故発生の可能性が高い否かの判定を行う。

〔ソフトウェアによる実現例〕
判定装置１の制御ブロック（特に制御部１０に含まれる各部）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。

後者の場合、判定装置１は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

１ 判定装置
１０４ 判定部
１２２ 接近判定部
１２４ 種類判定部
１２５ 速度判定部
１３１ 接近方向特定部
１３２ 通路有無判定部

Claims (8)

1. 複数の作業用車両が走行する施設において集音された音声であって、事故発生直前の状況または事故の発生の可能性が相対的に高い状況に特有の音声から生成された教師データを用いた機械学習により生成された学習済みモデルを用いて、対象作業用車両の周囲の音声から、上記対象作業用車両が、事故の発生の可能性が相対的に高い状況にあるか否かを判定する判定部を備え、
   上記特有の音声は、後退する作業用車両が発する後退音と、該作業用車両の周囲で後退する他の作業用車両が発する後進音とを含む音声であることを特徴とする判定装置。
2. 上記学習済みモデルは、集音された上記音声から、上記作業用車両の周囲に位置する他の作業用車両が発する音声を検出するためのモデルであり、
   上記学習済みモデルにより検出された、上記他の作業用車両が発する音声の音量から、上記対象作業用車両に上記他の作業用車両が近付いているか否かを判定する接近判定部を備え、
   上記判定部は、上記接近判定部が上記対象作業用車両に上記他の作業用車両が近付いていると判定した場合に、上記対象作業用車両が事故の発生の可能性が相対的に高い状況にあると判定することを特徴とする請求項１に記載の判定装置。
3. 上記判定部は、上記対象作業用車両の運転者が発した音声の解析結果と、上記学習済みモデルの出力とに基づいて、上記対象作業用車両が、事故の発生の可能性が相対的に高い状況にあるか否かを判定することを特徴とする請求項１または２に記載の判定装置。
4. 上記学習済みモデルは、集音された上記音声から、上記作業用車両の周囲に位置する他の作業用車両が発する音声を検出するためのモデルであり、
   上記学習済みモデルにより検出された、上記他の作業用車両が発する音声から当該他の作業用車両の種類を判定する種類判定部を備え、
   上記判定部は、上記種類判定部の判定結果に基づいて、上記対象作業用車両が事故の発生の可能性が相対的に高い状況にあるか否かを判定することを特徴とする請求項１から３の何れか１項に記載の判定装置。
5. 上記学習済みモデルは、集音された上記音声から、上記作業用車両の周囲に位置する他の作業用車両が発する音声を検出するためのモデルであり、
   上記学習済みモデルにより検出された、上記他の作業用車両が発する音声から、当該他の作業用車両の移動速度を判定する速度判定部を備え、
   上記判定部は、上記速度判定部の判定結果に基づいて、上記対象作業用車両が、事故の発生の可能性が相対的に高い状況にあるか否かを判定することを特徴とする請求項１から４の何れか１項に記載の判定装置。
6. 複数の作業用車両が走行する施設において集音された音声であって、事故発生直前の状況または事故の発生の可能性が相対的に高い状況に特有の音声から生成された教師データを用いた機械学習により生成された学習済みモデルを用いて、対象作業用車両の周囲の音声から、上記対象作業用車両が、事故の発生の可能性が相対的に高い状況にあるか否かを判定する判定部と、
   上記対象作業用車両の周囲の音声から、上記対象作業用車両の周囲に位置する他の作業用車両が、何れの方向から上記作業用車両に接近しているかを特定する接近方向特定部と、
   上記接近方向特定部が特定した方向に、上記他の作業用車両が通行可能な通路が存在するか否かを判定する通路有無判定部と、を備え、
   上記判定部は、上記通路有無判定部の判定結果と、上記学習済みモデルの出力とに基づいて、上記対象作業用車両が、事故の発生の可能性が相対的に高い状況にあるか否かを判定することを特徴とする判定装置。
7. 判定装置による判定方法であって、
   複数の作業用車両が走行する施設において集音された音声であって、事故発生直前の状況または事故の発生の可能性が相対的に高い状況に特有の音声から生成された教師データを用いた機械学習により生成された学習済みモデルを用いて、対象作業用車両の周囲の音声から、上記対象作業用車両が、事故の発生の可能性が相対的に高い状況にあるか否かを判定する判定ステップを含み、
   上記特有の音声は、後退する作業用車両が発する後退音と、該作業用車両の周囲で後退する他の作業用車両が発する後進音とを含む音声であることを特徴とする判定方法。
8. 判定装置による判定方法であって、
   複数の作業用車両が走行する施設において集音された音声であって、事故発生直前の状況または事故の発生の可能性が相対的に高い状況に特有の音声から生成された教師データを用いた機械学習により生成された学習済みモデルを用いて、対象作業用車両の周囲の音声から、上記対象作業用車両が、事故の発生の可能性が相対的に高い状況にあるか否かを判定する判定ステップを含むと共に、
   上記対象作業用車両の周囲の音声から、上記対象作業用車両の周囲に位置する他の作業用車両が、何れの方向から上記作業用車両に接近しているかを特定するステップと、
   上記ステップにて特定した方向に、上記他の作業用車両が通行可能な通路が存在するか否かを判定するステップと、を含み、
   上記判定ステップでは、上記他の作業用車両が通行可能な通路が存在するか否かの判定結果と、上記学習済みモデルの出力とに基づいて、上記対象作業用車両が、事故の発生の可能性が相対的に高い状況にあるか否かを判定することを特徴とする判定方法。

Images