JP6671248B2 - 異常候補情報分析装置 - Google Patents

Description

本発明は、車両等の監視対象から収集した情報を分析する装置および該装置に用いられる行動予測装置に関する。

従来から車両において発生した故障を診断する故障診断装置が知られている（下記特許文献１を参照）。同文献に記載された故障診断装置は、車両外の故障診断装置であって、取得手段と、判定基準変更手段と、抽出手段とを有することを特徴としている（同文献、請求項１等を参照）。

前記取得手段は、通信を利用して、車両において検出された故障に関する情報を取得する。前記判定基準変更手段は、一の車両において、一の故障が検出されたときに、該一の車両と車両状態または属性が類似した他の１以上の車種における該一の故障についての故障発生判定基準をより緩やかな基準に変更する。前記抽出手段は、前記他の１以上の車両のうち、前記より緩やかな故障判定基準に従って、前記一の故障が検出された車両に共通する車両状態または車両周辺環境の特徴を抽出する。

前記構成により、ある車両において故障が検出された際に、該車両と類似の車両状態の車両状態の他の車両において該故障が発生しそうな兆候が現れているか否かを調査することができることが、同文献に記載されている。また、この調査によって、兆候が現れている車両の車両状態や車両周辺環境の共通点を探すことにより、当該故障が発生しやすい条件を推測することができること、さらに、この推測結果を利用することによって、故障個所の特定、修理を効率的に行うことができるようになることが、同文献に記載されている（同文献、段落００１２等を参照）。

特開２００６−３４９４２８号公報

特許文献１に記載された故障診断装置は、前記取得手段によって車両において検出された故障に関する情報を取得する。しかし、ある車両において故障が検出されたときに故障に関する情報を取得するだけでは、想定外の異常が発生したことを早期に確認することは困難である。

本発明は、前記課題に鑑みてなされたものであり、車両等の監視対象に想定外の異常が発生したことを早期に確認することができる異常候補情報分析装置および該装置に用いられる行動予測装置を提供することを目的とする。

前記目的を達成すべく、本発明の異常候補情報分析装置は、監視対象の異常候補情報を分析する異常候補情報分析装置であって、前記監視対象に関する監視対象情報、前記監視対象の周囲の環境に関する環境情報、前記監視対象の操作者に関する操作者情報、および前記監視対象で検出された異常候補情報を関連付けて記憶する記憶部と、前記監視対象情報、前記環境情報、および前記操作者情報に関連付けられた前記異常候補情報を抽出し、前記環境情報および前記操作者情報に対する前記異常候補情報の依存度を分析する分析部と、を備えることを特徴とする。

本発明の異常候補情報分析装置によれば、監視対象情報、環境情報、および操作者情報に関連付けて記憶された異常候補情報を抽出して、環境情報および操作者情報に対する異常候補情報の依存度を分析することができる。したがって、車両等の監視対象に想定外の異常が発生したことを早期に確認し、原因を特定することができる。

本発明の異常候補情報分析装置の一実施形態を示すブロック図。 図１に示す異常候補情報分析装置の構成の一例を示すブロック図。 図２に示す運転特性学習部の構成の一例を示すブロック図。 図２に示す運転特性分類部の構成の一例を示すブロック図。 図２に示す分析部の構成の一例を示すブロック図。 異常候補情報分析装置の動作の一例を示すフロー図。 想定異常曲線と異常候補曲線の一例を示すグラフ。 異常候補情報の検出数の環境依存度の一例を示すグラフ。 異常候補情報の検出数の運転特性依存度の一例を示すグラフ。 異常候補情報の出力画面の一例を示す画像図。

以下、図面を参照して本発明の異常候補情報分析装置および行動予測装置の一実施形態を説明する。

図１は、本発明の異常候補情報分析装置の一実施形態を示すブロック図である。

本実施形態の異常候補情報分析装置１００は、たとえば、監視対象である車両１０等に想定外の異常が発生したことを早期に確認するために、車両１０の異常候補情報を分析する装置である。ここで、異常候補情報とは、たとえば、車両１０に発生した想定外の異常の可能性を有する情報であり、車両１０を構成する各種の部品に関する情報を含むことができる。以下では、監視対象を車両１０として説明するが、監視対象は車両１０に限定されず、たとえば工作機械や土木機械等、操作者によって操作される各種の機器を含むことができる。

図１に示すように、本実施形態の異常候補情報分析装置１００は、監視対象の外部に設けられ、記憶部３０および分析部４０を備える監視センター２０として構成することができる。また、本実施形態の異常候補情報分析装置１００は、この監視センター２０、監視対象である車両１０に設けられた検出部５０および通信部６０、ならびに通信拠点７０を備える監視システムとして構成することができる。

車両１０、通信拠点７０および監視センター２０は、規格化された高速ネットワークにより相互に通信可能である。この高速ネットワークは、有線ネットワークおよび無線ネットワークの少なくとも一方によって構成することができる。なお、図１に示す例では、監視センター２０の外部に通信拠点７０を設けているが、監視センター２０は、車両１０の通信部６０と通信する通信部を有してもよい。

記憶部３０は、たとえば、ＣＰＵ等の演算装置、半導体メモリ等の一次記憶装置、ハードディスク等の二次記憶装置、およびリムーバブルメディアドライブ等の三次記憶装置などを含むことができる。記憶部３０は、たとえば、通信拠点７０から取得した各種の情報を記憶することができる。より具体的には、記憶部３０は、監視対象である車両１０に関する監視対象情報、車両１０の周囲の環境に関する環境情報、車両１０の操作者に関する操作者情報、および車両１０で検出された異常候補情報を、関連付けて記憶する。

監視対象情報は、たとえば、車両１０の車種、車台番号、車両ＩＤ、構成部品、部品製造番号、累計走行距離、使用年数または使用月数、位置情報、速度、加速度、加加速度、角速度、ロール、ピッチ、ヨー、トルク、アクセルの操作量、アクセル開度、エンジン回転数、ブレーキの操作量、シフトチェンジ操作、ステアリング操作量、操舵角、車載カメラの画像、レーザレーダの距離情報、燃費などを含むことができる。これらの情報は、たとえば、ＣＡＮ（Control Area Network）等の車内ネットワークを通じて共有される。

環境情報は、たとえば、天候、気温、気圧、湿度、高度、時間帯、路面状況、渋滞状況、傾斜やカーブなどの道路状況、市街地や山地などの周辺環境、有料道路や国道などの道路情報などを含むことができる。

操作者情報は、たとえば、操作者の年齢、性別、国籍、運転特性タイプなどを含むことができる。ここで、運転特性タイプとは、たとえば、監視対象の操作者の操作の傾向、すなわち、車両１０の運転者の運転の傾向によって分類される複数のタイプである。このような運転特性タイプとしては、たとえば、急な操作を好む運転者の運転特性タイプ、緩やかな操作を好む運転者の運転特性タイプ、熟練運転者の運転特性タイプ、運転初心者の運転特性タイプ、高齢者の運転特性タイプ、夜間に運転する運転者の運転特性タイプ、日中に運転する運転者の運転特性タイプなどを例示することができる。

記憶部３０は、たとえば、車種、車台番号、車両ＩＤごとに、監視対象情報、環境情報、操作者情報、および異常候補情報を関連付けて記憶することができる。すなわち、記憶部３０には、監視対象情報、環境情報、操作者情報、および異常候補情報が、たとえば、車種、車台番号、車両ＩＤ、部品、部品製造番号ごとに記憶される。

分析部４０は、たとえば、ＣＰＵ等の演算装置、半導体メモリおよびハードディスク等の記憶装置、該記憶装置に記憶されたプログラム、キーボード等の入力装置、ならびに液晶パネル等の表示装置などによって構成することができる。詳細については後述するが、分析部４０は、記憶部３０に記憶された監視対象情報、環境情報、および操作者情報に関連付けられた異常候補情報を抽出し、環境情報および操作者情報に対する異常候補情報の依存度を分析する。監視センター２０に所属する異常候補情報の分析者は、たとえば、分析部４０を操作して監視対象情報、環境情報、および操作者情報に関連付けられた異常候補情報を抽出し、環境情報および操作者情報に対する異常候補情報の依存度を出力させ、想定外の異常の可能性が高い不具合を早期に発見し、発生状況を分析して原因を究明することができる。

通信拠点７０は、監視センター２０の記憶部３０に対して情報通信可能に接続され、監視対象である車両１０の通信部６０に対して情報通信可能に接続されている。監視対象が車両１０などの移動体である場合には、車両１０と通信拠点７０とは、たとえば無線通信回線によって接続することができる。また、工作機械など、監視対象が移動しない場合には、監視対象と通信拠点７０とは、有線通信回線によって接続することもできる。また、通信拠点７０と監視センター２０の記憶部３０との接続は、無線通信回線による接続でもよいし、有線通信回線による接続でもよい。

車両１０に設けられた検出部５０は、当該車両１０に関する前述の監視対象情報、操作者情報、および異常候補情報の少なくとも一部を検出し、検出した情報を車両１０の通信部６０へ出力する。検出部５０は、たとえば、ＣＰＵ等の演算装置、半導体メモリおよびハードディスク等の記憶装置、該記憶装置に記憶されたプログラム、各種センサ、カメラ、レーザレーダ等によって構成される。

車両１０に設けられた通信部６０は、たとえば、無線通信機によって構成され、車両１０に設けられた検出部５０に接続されている。通信部６０は、検出部５０によって検出された監視対象情報、操作者情報、および異常候補情報の少なくとも一部を通信拠点７０へ送信する。

図２は、図１に示す異常候補情報分析装置１００のより詳細な構成の一例を示すブロック図である。

図１では、車両１０の通信部６０から送信された情報が外部の通信拠点７０によって受信され、外部の通信拠点７０によって受信された情報が監視センター２０の記憶部３０に記憶される構成を例示している。これに対し、図２に示す例では、車両１０の通信部６０から送信された情報を受信する通信部８０が監視センター２０に含まれている。なお、図２に示す例においても、図１に示す例と同様に、監視センター２０の記憶部３０が外部の通信拠点７０を介して車両１０の通信部６０から送信された情報を受信する構成としてもよい。

図２に示す例において、監視対象である車両１０に設けられた検出部５０は、たとえば、車両センサ５１と、運転特性学習部５２と、異常動作検出部５３と、記憶部５４と、を有している。これら検出部５０の各部は、たとえば、ＣＰＵ等の演算装置、半導体メモリやハードディスク等の記憶装置、および該記憶装置に保存されたプログラム等を含むことができる。

車両センサ５１は、たとえば、車両１０の各種の情報を検出する各種のセンサ、カメラ、およびレーザレーダ等を含むことができる。車両センサ５１は、前述の監視対象情報のうち、たとえば、累計走行距離、位置情報、速度、加速度、加加速度、角速度、ロール、ピッチ、ヨー、トルク、アクセルペダルの操作量、アクセル開度、エンジン回転数、ブレーキペダルの操作量、シフトチェンジ操作、ステアリング操作量、操舵角、車載カメラの画像、レーザレーダの距離情報等を検出する。以下の表１に、車両センサ５１によって検出された情報の一例を示す。表１に示すように、車両センサ５１によって検出された情報は、たとえば、時刻等、ＣＡＮ上でやりとりされるあらゆる情報を含むことができる。

運転特性学習部５２は、たとえば、監視対象の操作者が行う操作を監視対象情報の検出値から運転特性として学習して監視対象情報の検出値を予測する。すなわち、運転特性学習部５２は、車両１０の運転者の行動を予測する行動予測装置であって、運転者が行う操作を車両１０に関する情報である監視対象情報の検出値から運転特性として学習して監視対象情報の検出値を予測する。より詳細には、運転特性学習部５２は、たとえば、車両センサ５１によって検出された監視対象情報と、車両１０の通信部６０によって受信された環境情報とに基づいて、ある状況において運転者が行う加減速等の操作を運転者の運転特性として学習する。また、運転特性学習部５２は、たとえば、運転特性の学習結果を、車両１０の記憶部５４および通信部６０を介して監視センター２０の通信部８０へ送信する。また、運転特性学習部５２は、たとえば、運転者の運転特性の学習結果に基づいて、所定時間経過後の車両センサ５１の検出値の予測値を算出し、算出した予測値を異常動作検出部５３へ出力する。この予測値は、たとえば、アクセル開度や車両１０の速度など、運転者が所望する制御量を表している。

異常動作検出部５３は、たとえば、運転特性学習部５２によって予測された監視対象情報の検出値の予測値を閾値として監視対象情報の検出値を異常候補情報として検出する。より詳細には、異常動作検出部５３は、たとえば、車両センサ５１の検出値と、運転特性学習部５２によって算出された予測値とを比較して車両１０の異常動作の可能性がある異常候補情報を検出する。運転特性学習部５２によって算出された予測値は、ある状況で運転者が行った過去の通常の操作に基づく運転者の所望の制御量を表している。そのため、当該予測値と車両センサ５１の検出値とを比較し、これらの差分が大きい場合には、当該車両センサ５１の検出値を、運転者の意図とは異なる車両１０の異常動作の可能性がある異常候補情報として検出することができる。すなわち、異常動作検出部５３は、たとえば、運転特性学習部５２によって算出された予測値を、車両センサ５１の検出値の閾値として用い、監視対象である車両１０の異常候補情報を検出することができる。

さらに、異常動作検出部５３は、たとえば、検出した異常候補情報に関連する部品、すなわち、異常候補部品を検出して出力することができる。より具体的には、たとえば、ある状況において運転特性学習部５２によって算出された車両１０の制動距離よりも、実際に車両センサ５１によって検出された制動距離の方が長くなった場合に、異常動作検出部５３は、制動装置を異常候補部品として検出する。また、たとえば、ある状況において運転特性学習部５２によって算出されたエンジン回転数よりも、実際に車両センサ５１によって検出されたエンジン回転数が低い場合には、異常動作検出部５３は、エンジンを異常候補部品として検出する。

記憶部５４は、たとえば、車両センサ５１、運転特性学習部５２、および異常動作検出部５３によって検出された情報を記憶する。車両１０の通信部６０は、検出部５０の車両センサ５１、運転特性学習部５２、および異常動作検出部５３によって検出または算出され、記憶部５４に記憶された情報を、監視センター２０の通信部８０へ送信する。なお、検出部５０は、記憶部５４を有しなくてもよい。この場合、車両センサ５１、運転特性学習部５２、および異常動作検出部５３によって検出された情報は、車両１０の通信部６０を介して監視センター２０の通信部８０へ送信される。

記憶部５４には、たとえば、車両１０の車両ＩＤ、車台番号、車種、構成部品、部品製造番号等の車両１０の識別情報が予め記憶されている。検出部５０の各部または通信部６０は、たとえば、記憶部５４に予め記憶された車両１０の識別情報と、車両センサ５１、運転特性学習部５２、および異常動作検出部５３によって検出されて記憶部５４に記憶された各種の情報、たとえば、累計走行距離、使用年数、位置情報、運転者の通常時の運転特性の学習結果および異常時の運転特性の学習結果等を関連付ける。通信部６０は、車両１０の識別情報と関連付けられた各種の情報を、監視センター２０へ送信する。車両１０から監視センター２０へ送信された各種の情報は、たとえば監視センター２０の通信部８０によって受信され、環境情報に関連付けられて監視センター２０の記憶部３０に記憶される。すなわち、監視センター２０の記憶部３０は、車両１０から収集された異常候補情報が記憶された異常候補情報データベースである。

図２に示す例において、監視センター２０は、記憶部３０および分析部４０に加えて、通信部８０および運転特性分類部９０を備えている。通信部８０は、たとえば、無線通信機によって構成され、車両１０の通信部６０と情報通信可能に接続され、監視センター２０の記憶部３０および運転特性分類部９０と情報通信可能に接続されている。監視センター２０の通信部８０は、車両１０の通信部６０から受信した情報を、監視センター２０の記憶部３０および運転特性分類部９０へ出力する。

運転特性分類部９０は、操作者情報に含まれる運転特性を複数の運転特性タイプのひとつに分類する。より具体的には、運転特性分類部９０は、車両１０から収集された複数の運転特性の学習結果を、前述の複数の運転特性タイプに分類する。すなわち、運転特性分類部９０は、個人の運転特性の傾向を表す運転特性の学習結果を、類型化されたいくつかの運転特性タイプのひとつに分類する。各車両１０から収集された運転特性の学習結果は、運転者個人の運転の傾向に依存し、運転者個人の運転特性を示す。これに対し、運転特性タイプは、前述のように、複数の運転者に共通する典型的ないくつかの運転特性を示す。運転特性分類部９０は、たとえば、車両１０から収集された複数の運転特性の学習結果を複数の運転特性タイプに分類して、監視センター２０の記憶部３０に記憶させる。

図３は、図２に示す運転特性学習部５２のより詳細な構成の一例を示すブロック図である。

図３に示す例において、運転特性学習部５２は、たとえば、自己符号化器５２ａ，５２ｂと、畳み込み層５２ｃと、再帰型ニューラルネット５２ｄとを備えている。なお、運転特性学習部５２は、再帰型ニューラルネット５２ｄを備える構成に限定されず、たとえば、カルマンフィルターやパーティクルフィルターを備える構成であってもよい。再帰型ニューラルネット５２ｄは、カルマンフィルターやパーティクルフィルターと比較して、学習に関連する処理を一括して行うことができるという利点がある。

一方の自己符号化器５２ａは、たとえば、監視センター２０から車両１０へ送信された環境情報から特徴抽出を行う層である。他方の自己符号化器５２ｂは、たとえば、車載カメラおよびレーザレーダの検出値を除く車両センサ５１の検出値から特徴抽出を行う層である。畳み込み層５２ｃは、たとえば、車両センサ５１の検出値のうち、車載カメラおよびレーザレーダの検出値からから特徴抽出を行う層である。自己符号化器５２ａ，５２ｂおよび畳み込み層５２ｃで抽出された特徴は、再帰型ニューラルネット５２ｄに入力される。

再帰型ニューラルネット５２ｄは、たとえば、ｋ時刻後の車両センサ５１の検出値の予測値を算出して出力する。再帰型ニューラルネット５２ｄは、たとえば、運転者によって逐次的に制御される車両１０の車両センサ５１の検出値を予測するために用いられる。ここで、運転者による車両１０の逐次的な制御は、たとえば、運転者が天候、路面状況、車間距離等の外部環境と、自車の速度やエンジン等の内部環境とを認識して、自車の速度や車間距離を制御することを含む。

再帰型ニューラルネット５２ｄは、たとえば、自己符号化器５２ａ，５２ｂおよび畳み込み層５２ｃを用いることで、運転者の判断の再現に必要な特徴情報を学習することができる。再帰型ニューラルネット５２ｄによる学習は、たとえば、環境情報と車両センサ５１の検出値からｋ時刻後の車両センサ５１の検出値を予測し、その予測値と実際のｋ時刻後の車両センサ５１の検出値との誤差を確率勾配降下法によって逆伝播することによって行うことができる。再帰型ニューラルネット５２ｄは、たとえば、学習結果およびｋ時刻後の予測値を、異常動作検出部５３および記憶部５４へ出力することができる。

再帰型ニューラルネット５２ｄは、たとえば、車両センサ５１に含まれる各種のセンサの各々に対して複数の予測値を出力することができる。より具体的には、運転特性学習部５２は、たとえば、複数の再帰型ニューラルネット５２ｄを備えることができ、個々の再帰型ニューラルネット５２ｄによって、各種のセンサの各々に対して複数の異なる予測値を出力することができる。この場合、複数の再帰型ニューラルネット５２ｄに与える学習データは、たとえば、競合学習と呼ばれる手法によって選択することができる。

より詳細には、たとえば、車両センサ５１の時系列データを複数の再帰型ニューラルネット５２ｄで予測し、各時刻の車両センサ５１の時系列データを最も精度よく予測した再帰型ニューラルネット５２ｄの予測値を学習データとする。この場合、異常動作検出部５３は、たとえば、再帰型ニューラルネット５２ｄの予測値と、車両センサ５１の検出値との最小誤差が、ある閾値以上になった場合に、その車両センサ５１の検出値を異常動作の可能性がある異常候補情報として検出する。すなわち、異常動作検出部５３は、複数の前再帰型ニューラルネット５２ｄの複数の予測値のうち、監視対象情報の検出値に近い予測値を閾値とし、該閾値に基づいて監視対象情報の検出値を異常候補情報として検出する。

実際の運転者は、逐次変化する道路状況に対応するために、常に複数の状況を想定しながら運転を行っている。より具体的には、運転者は、交差点を通過する前に、青信号のまま交差点を通過する状況や、青信号から赤信号に変わって交差点の手前で車両１０を停止させる状況などを想定しながら運転を行っている。そのため、再帰型ニューラルネット５２ｄによって複数の予測値を出力することで、運転者が複数の状況を想定することを模擬できるようになり、運転者の運転特性をより正確に学習することができるようになる。

さらに、運転特性学習部５２は、学習期と予測期を切り替え可能に構成することができる。運転特性学習部５２は、学習期において、ｋ時刻後の車両センサ５１の検出値の予測値に加え、実際の車両センサ５１の検出値と当該予測値との誤差による学習を行う。また、運転特性学習部５２は、予測期において、ｋ時刻後の車両センサ５１の検出値の予測のみを行う。運転特性学習部５２の学習期と予測期は、たとえば、車両センサ５１の挙動から決定することができる。

たとえば、異常動作検出部５３によって異常候補情報が検出されない区間を、運転特性学習部５２の学習期とすることができる。また、たとえば、車両センサ５１の車速の時間差分が一定以下の区間を、運転特性学習部５２の学習期とすることができる。なお、運転特性学習部５２から運転特性分類部９０に送信される運転特性の学習結果は、たとえば、再帰型ニューラルネット５２ｄの各層のパラメータである。

図４は、図２に示す運転特性分類部９０のより詳細な構成の一例を示すブロック図である。

運転特性分類部９０は、たとえば、運転行動計算部９１と、学習結果記憶部９２と、計算結果記憶部９３と、クラスタリング部９４とを備えることができる。運転行動計算部９１は、たとえば、予め入力されて保存された運転行動評価セットを備えることができる。運転行動評価セットは、たとえば、複数の評価パターンを含む。評価パターンとしては、たとえば、自車が先行車に追従する状況や、自車の前方に先行車が存在しない状況などを例示することができる。これらは、シミュレーションによって擬似的な車両センサ５１の情報が運転行動計算部９１に与えられ、運転特性学習部５２で得た再帰型ニューラルネット５２ｄの入力として用いられる。

運転行動計算部９１は、たとえば、車両１０から受信した運転特性学習部５２の学習結果と、運転行動評価セットを用いて、運転者の運転行動を計算する。運転行動計算部９１は、運転行動評価セットに格納されている評価パターンごとに運転行動を計算する。運転行動の計算は、ある評価パターンにおける運転者の車両制御を予測する。すなわち、運転行動の計算は、ある評価パターンにおいて、運転者の制御によって得られるアクセル開度や車両速度を計算する。運転行動の計算結果は、運転特性学習部５２において得られた再帰型ニューラルネット５２ｄの順伝播によって得られる。

学習結果記憶部９２は、複数の車両１０から収集された運転特性学習部５２による運転特性の学習結果を記憶する。計算結果記憶部９３は、車両１０から収集された運転特性学習部５２による運転特性の学習結果および評価パターンと関連付けられた運転行動計算部９１の計算結果を記憶する。

クラスタリング部９４は、計算結果記憶部９３に記憶されている評価パターンごとの運転行動の計算結果の値を用いて、運転者を複数の運転特性タイプにクラスタリングする。ここで、クラスタリングは、たとえばk-meansなどの手法であり、運転行動評価セットの評価パターンごとの運転行動の計算結果をひとつのデータとみなしてクラスタリングを行う。

クラスタリング部９４は、その後、新たに運転特性の学習結果が得られた場合には、運転行動を計算し、得られた運転行動の計算結果から過去の運転者タイプのいずれに分類されるか計算し、運転特性タイプを割り当てる。運転特性タイプの割り当ては、通常時の運転特性の学習結果および異常時の運転特性の学習結果の両方について行われ、他の情報と関連付けられて、監視センター２０の記憶部３０に記憶される。

複数の車両１０から収集される複数の運転特性の学習結果は、それぞれ異なる環境で得られた学習結果である。そのため、上記のように特定の評価パターンで同一の環境を模擬し、その時に得られる運転行動を比較することで、運転特性の類似、相違を定量化できる。

以下の表２および表３に、監視センター２０の記憶部３０に関連付けて記憶された監視対象情報、環境情報、および操作者情報の一例を示す。

表２および表３において、異常候補番号は、異常候補情報ごとに割り当てられる識別番号であり、車両ＩＤは、異常候補情報が検出された車両１０に割り当てられている識別情報である。表２において、発生日時は、異常候補情報が検出された日時である。発生位置は、異常候補情報が検出された位置のＧＰＳの情報や住所等の位置情報である。関連部位は、異常候補情報に関連する車両１０の部位である。車種は、異常候補情報が検出された車両１０の車種である。部品情報は、異常候補情報が検出された車両１０を構成する部品の情報である。通常時運転特性タイプは、運転特性分類部９０によって分類された通常時の運転者の運転特性タイプである。

表３において、異常時運転特性タイプは、運転特性分類部９０によって分類された異常候補情報検出時の運転者の運転特性タイプである。使用年数は、異常候補情報が検出された車両１０の使用年数である。なお、記憶部３０は、車両１０の使用年数だけでなく、部品ごとの使用年数を記憶してもよい。累計走行距離は、異常候補情報が検出された車両１０の累計走行距離である。発生頻度は、異常候補情報が検出された車両１０における異常候補情報の検出頻度であり、たとえば、１０００ｋｍあたりの異常候補情報の検出頻度である。天候は、異常候補情報が検出された日時および地域における天候である。路面状態は、異常候補情報が検出された日時および地域における路面状態である。

表２および表３に示す例において、車両ＩＤ、発生日時、発生位置、関連部位、部品情報、使用年数、累計走行距離、および発生頻度は、監視対象情報に含まれる。また、天候および路面状況は、環境情報に含まれ、通常時運転特性タイプおよび異常時運転特性タイプは、操作者情報に含まれる。なお、記憶部３０に記憶される監視対象情報、環境情報および操作者情報は、表２および表３に示す例に限定されない。記憶部３０は、たとえば、車両１０が頻繁に走行する地域、部品の製造番号および製造年月等を記憶するようにしてもよい。

図５は、図２に示す分析部４０のより詳細な構成の一例を示すブロック図である。

分析部４０は、たとえば、異常候補情報抽出部４１と、発生比算出部４２と、環境依存度算出部４３と、運転特性依存度算出部４４とを備えることができる。異常候補情報抽出部４１は、たとえば、記憶部３０に記憶された異常候補情報から、車種または部品に依存すると推測される異常を抽出する。

記憶部３０は、運転者の意図と異なる車両１０の動作が検出されたときの監視対象情報が異常候補情報として記憶された異常候補情報のデータベースでもある。しかしながら、記憶部３０に記憶された異常候補情報には、車両部品の異常に関連する異常候補情報の他に、外部環境や運転者の運転特性に関連する異常候補情報が含まれる。より具体的には、たとえば、積雪等の天候、路面凍結等の路面状況、見通しの悪い交差点等の道路環境を含む外部環境により、運転者の意図する加減速が得られない場合や、運転者が疲労しているなどの運転者に異常が発生している場合などが、記憶部３０に記憶された異常候補情報に含まれていることがある。

そのため、分析部４０は、特定の環境情報または特定の操作者情報に関連付けられた前記異常候補情報を前記抽出から除外する。より具体的には、分析部４０は、異常候補情報抽出部４１によって、たとえば、記憶部３０に記憶された異常候補情報から、車種または部品に依存すると推測される異常を抽出する。これにより、分析部４０は、特定の外部環境や特定の運転特性に関連する異常候補情報を、抽出する異常候補情報から除外することができる。このような異常候補情報抽出部４１による異常候補情報の抽出と除外は、事前に設定された条件に基づいて行われる。

より具体的には、たとえば、ある積雪量以上の天候および路面状況では、制動装置に関連する異常候補情報は、積雪の影響が大きいため、異常候補情報抽出部４１によって抽出せず、分析部４０によって出力する異常候補情報から除外することができる。また、たとえば、見通しの悪い交差点等、急な減速が頻繁に観測される地点で検出された異常候補情報は、道路環境による影響が大きいため、異常候補情報抽出部４１によって抽出せず、分析部４０によって出力する異常候補情報から除外することができる。また、たとえば、異常候補情報が検出されたときの異常時の運転特性タイプと、通常時の運転特性タイプとが異なる場合には、運転者に異常がある場合として、異常候補情報抽出部４１によって抽出せず、分析部４０によって出力する異常候補情報から除外することができる。

このように、分析部４０が、特定の環境情報または特定の操作者情報に関連付けられた異常候補情報を抽出から除外することで、特定の天候や路面状況または特定の運転特性タイプに依存する異常候補情報を除外し、車種または部品に依存する異常候補情報を抽出することができる。したがって、分析部４０によって、後述する異常候補曲線をより正確に算出することが可能になる。

発生比算出部４２には、たとえば、予め車種および部品別に想定された使用年数と異常発生数に関する異常発生数想定情報が入力および保存されている。発生比算出部４２は、たとえば、予め入力および保存された異常発生数想定情報と、異常候補情報抽出部４１で抽出された異常候補情報とを用いて、異常候補曲線の作成と異常候補情報の発生比の算出を行うことができる。

より具体的には、発生比算出部４２は、たとえば、異常候補情報抽出部４１で抽出された異常候補情報に基づき、車種および部品ごとに使用年数ごとの異常候補情報の検出数を累計することによって、異常候補曲線の作成を行うことができる。また、発生比算出部４２は、たとえば、車種および部品の使用年数ごとに、異常候補情報曲線から得られる実際の異常候補情報の累計検出数を、発生比算出部４２に保存された想定された異常発生数で除算することで、異常候補情報の発生比を算出することができる。すなわち、異常候補情報の発生比は、車種および部品別に想定された使用年数ごとの異常発生数と比較して、実際の異常候補情報がどの程度多く検出されているかを示す値である。

環境依存度算出部４３は、異常候補情報抽出部４１で抽出された異常候補情報に基づき、環境依存度を算出する。環境依存度は、車種または部品に依存する異常候補情報が、どの程度、特定の環境情報に依存しているかを示す値であり、環境情報ごとの異常発生数を異常候補情報抽出部４１で抽出された異常候補情報の検出数で除算した値である。

ここで、環境依存度は、たとえば、想定される環境情報ごとに算出される。たとえば、環境情報として天候を選択した場合、晴天、曇天、雨天、降雪等の異なる天候ごとに異常候補情報の検出数の偏りを確認することになる。また、たとえば、環境情報として地形を選択した場合、交差点付近、直線道路、山道などの地形および道路環境ごとに、異常候補情報の検出数の偏りを確認する。この他にも、環境依存度は、路面状況や頻繁に走行する経路の環境情報などで確認することができる。

運転特性依存度算出部４４は、異常候補情報抽出部４１で抽出された異常候補情報に基づき、運転特性依存度を算出する。運転特性依存度は、環境依存度と同様に運転特性タイプごとの異常候補情報の検出数を、異常候補情報の検出数の総和で除算した値である。すなわち、車種および部品ごとにどのような運転特性のときに異常候補情報が検出されやすいかを示す値となる。

図６は、本実施形態の異常候補情報分析装置１００の動作の一例を示すフロー図である。

本実施形態の異常候補情報分析装置１００は、前述のように、監視対象である車両１０の異常候補情報を生成する車両１０外部の監視センター２０、または、監視センター２０ならびに車両１０に搭載された通信部６０および検出部５０を含む監視システムである。監視センター２０は、監視対象情報、環境情報、操作者情報、および異常候補情報を関連付けて記憶する記憶部３０を備えている。また、監視センター２０は、監視対象情報、環境情報、および操作者情報に関連付けられた異常候補情報を抽出し、環境情報および操作者情報に対する異常候補情報の依存度を分析する分析部４０を備えている。

図６に示すステップＳ１において、分析部４０は、たとえば、図５に示す異常候補情報抽出部４１によって、記憶部３０に記憶された異常候補情報から、車種および部品に依存する異常候補情報を抽出する。

次に、ステップＳ２において、監視センター２０に所属する分析者は、たとえば、分析部４０を操作することで、異常候補情報を表示する車種または部品を選択する。分析部４０は、選択された車種または部品に関連付けられた監視対象情報、環境情報、操作者情報、および異常候補情報等の情報を抽出する。

図７は、想定異常曲線と異常候補曲線の一例を示すグラフである。

図７に示すグラフにおいて、横軸は、車種または部品ごとの使用年数であり、縦軸は、異常候補情報の検出数または想定異常数である。図７において、実線は、選択された車種または部品の異常候補曲線、すなわち使用年数と異常候補情報の検出数との関係を示す曲線である。また、図７において、破線は、選択された車種または部品の想定異常曲線、すなわち使用年数と予め想定された異常発生数との関係を示す曲線である。

分析部４０は、ステップＳ２において、たとえば、図７に示すように、選択された車種または部品ごとに、異常候補曲線と想定異常曲線とを算出して、モニタ等の表示装置に表示させることで、監視センター２０の分析者に提示することができる。分析者は、異常候補曲線が想定異常曲線よりも短い使用年数で増加する場合に、当該異常候補情報を、想定外の異常の可能性がある異常候補情報として判別することができる。

次に、ステップＳ３において、分析部４０は、選択された車種および部品ごとに、たとえば、図５に示す発生比算出部４２によって、異常候補情報の検出数と想定された異常発生数とに基づいて、異常候補情報の発生比を算出する。以下の表４に、発生比算出部４２によって算出された車種および部品ごとの異常候補情報の発生比の一例を示す。

ステップＳ３において、分析部４０は、たとえば、選択された車種または部品ごとに異常候補情報の発生比を算出して、表４に示すように、モニタ等の表示装置に表示させることで、監視センター２０の分析者に提示することができる。分析者は、異常候補情報の発生比が所定の閾値よりも高い場合に、当該異常候補情報を、想定外の異常の可能性がある異常候補情報として判別することができる。

次に、ステップＳ４において、分析部４０は、たとえば、図５に示す環境依存度算出部４３によって、前述のように、想定される環境情報ごとに環境依存度を算出する。

図８は、車種および部品ごとの異常候補情報の検出数の環境依存度の一例を示すグラフである。図８において、縦軸は、異常候補情報の検出数であり、横軸のａ，ｂ，ｃ，ｄは、たとえば、晴天、曇天、雨天、積雪等の環境情報を示している。なお、環境情報は、天候の他に、前述のように、たとえば、気温、気圧、湿度、高度、時間帯、路面状況、渋滞状況、傾斜やカーブなどの道路状況、市街地や山地などの周辺環境、有料道路や国道などの道路情報などを含むことができる。

環境依存度算出部４３は、たとえば、図８に示す各環境情報の間の異常候補情報の検出数の偏りに基づいて、環境依存度を算出する。なお、環境依存度算出部４３は、図８に示すグラフをモニタ等の表示装置に表示することで、監視センター２０の分析者に提示し、分析者がグラフに基づいて環境依存度を判断するようにしてもよい。図８に示す例では、各環境情報の間の異常候補情報の検出数に大きな偏りがないことから、当該異常候補情報の環境依存度は低いことが分かる。

次に、ステップＳ５において、分析部４０は、たとえば、図５に示す運転特性依存度算出部４４によって、前述のように、異常候補情報抽出部４１で抽出された異常候補情報に基づき、運転特性依存度を算出する。

図９は、車種および部品ごとの異常候補情報の検出数の運転特性依存度の一例を示すグラフである。図９において、縦軸は、異常候補情報の検出数であり、横軸は、運転特性タイプ１から４を示している。運転特性タイプは、前述のように、たとえば、車両１０の操作者の操作の傾向、すなわち、運転者の運転の傾向によって分類される複数のタイプである。

運転特性依存度算出部４４は、たとえば、図９に示す各運転特性タイプの間の異常候補情報の検出数の偏りに基づいて、運転特性依存度を算出する。なお、運転特性依存度算出部４４は、図９に示すグラフをモニタ等の表示装置に表示することで、監視センター２０の分析者に提示し、分析者がグラフに基づいて運転特性依存度を判断するようにしてもよい。

図９に示す例では、各運転特性タイプの間の異常候補情報の検出数のうち、運転特性タイプ２において特に異常候補情報の検出数が多いことから、運転特性依存度が高いことが分かる。これにより、分析者は、異常候補情報の再現に運転特性タイプ２が有効であることを判別することができ、異常候補情報の原因究明に活用することができる。

次に、ステップＳ６において、ステップＳ２で算出された異常候補曲線および想定異常曲線、ステップＳ３で算出された異常候補情報の発生比、ステップＳ４で算出された環境依存度、ステップＳ５で算出された運転特性依存度を、選択された車種または部品と関連付けて異常候補情報として生成する。

次に、ステップＳ７において、異常候補情報を生成する必要があるすべての車種または部品についてステップＳ２からステップＳ６の異常候補情報の生成が完了したか否かを判定する。判定の結果、未完了（ＮＯ）であれば、ステップＳ２に戻り、完了（ＹＥＳ）していれば、分析部４０による異常候補情報の生成フローを終了する。

図１０は、分析部４０によって生成された異常候補情報の出力画面の一例を示す画像図である。

分析部４０は、たとえば、監視対象情報を抽出する条件を設定可能な設定部と、設定部で設定条件に基づいて抽出された異常候補情報を表示する表示部とを備えている。分析部４０は、ステップＳ６において生成された異常候補情報を、図１０に示すように、たとえば、モニタ等の表示装置によって構成された表示部４５に表示することができる。図１０に示す例において、表示部４５の表示画面は、車種または部品を選択する選択欄４６を有している。選択欄４６は、たとえば、キーボード等やマウス等の入力装置によって、分析部４０の設定部に対し、抽出条件を入力するために用いることができる。

表示部４５は、たとえば、異常候補情報の検出数および想定される異常数と使用期間との関係と、異常候補情報の検出数と環境情報との関係と、異常候補情報の検出数と操作者情報との関係と、を表示する。より具体的には、表示部４５は、たとえば、選択欄４６で選択された特定の車種または部品に対し、異常候補情報の発生比を示す表４５ａと、異常候補曲線および想定異常曲線のグラフ４５ｂと、異常候補情報の環境依存度を示すグラフ４５ｃと、異常候補情報の運転特性依存度を示すグラフ４５ｄとを表示する。

選択欄４６は、たとえば、複数の車種および複数の部品を選択可能に構成することができる。また、選択欄４６は、たとえば、部品ごとの生産番号、生産時期、使用年数等を選択可能に構成してもよい。また、表示部４５において、異常候補情報は、車種、部品、異常候補情報の発生比によって並べ替えが可能であり、異常候補情報の発生比によって色分けして表示してもよい。

このような構成により、監視センター２０の分析者は、表示部４５に表示された異常候補情報の発生比を示す表４５ａに基づき、異常候補情報の発生比が高い車種や部品、またはその組み合わせを指定することができる。さらに、分析者は、指定した車種および部品とその組み合わせの異常候補情報を確認することで、想定外の異常が発生している可能性の高い車種および部品とその組み合わせを特定することができる。

また、監視センター２０の分析者は、表示部４５に表示された異常候補情報の検出数および想定される異常数と使用期間との関係、すなわち異常候補曲線および想定異常曲線のグラフ４５ｂを確認することで、想定外の異常の発生を判別することができる。なお、異常候補曲線および想定異常曲線のグラフ４５ｂは、たとえば、複数の車種、複数の部品について同時に表示して比較することも可能である。

また、監視センター２０の分析者は、表示部４５に表示された異常候補情報の検出数と環境情報との関係、すなわち異常候補情報の環境依存度を示すグラフ４５ｃを確認することで、異常候補情報が検出されやすい環境を特定しやすくなる。また、分析者は、たとえば、選択欄４６においてグラフ４５ｃに表示する天候、路面状況、地形などの環境情報を任意に選択することができる。また、異常候補情報の環境依存度を示すグラフ４５ｃは、たとえば、複数の車種、複数の部品の異常候補情報の検出数を同時に表示して比較することも可能である。

また、監視センター２０の分析者は、表示部４５に表示された異常候補情報の検出数と操作者情報との関係、すなわち異常候補情報の運転特性依存度を示すグラフ４５ｄを確認することで、異常候補情報が検出されやすい運転特性タイプを特定しやすくなる。また、異常候補情報の運転特性依存度を示すグラフ４５ｄは、たとえば、複数の車種、複数の部品の異常候補情報の検出数を同時に表示して比較することも可能である。

また、監視センター２０の分析者は、抽出する異常候補情報の条件を選択欄４６で設定することができる。これにより、分析者は、異常候補情報を抽出する条件を変更しながら、想定外異常の可能性がある異常候補情報が検出される条件を絞りこむことができる。

以上説明したように、本実施形態の異常候補情報分析装置１００は、監視対象である車両１０の異常候補情報を生成する車両１０外部の監視センター２０、または、監視センター２０ならびに車両１０に搭載された通信部６０および検出部５０を含む監視システムである。監視センター２０は、監視対象情報、環境情報、操作者情報、および異常候補情報を関連付けて記憶する記憶部３０を有している。また、監視センター２０は、監視対象情報、環境情報、および操作者情報に関連付けられた異常候補情報を抽出し、環境情報および操作者情報に対する異常候補情報の依存度を分析する分析部４０を備えている。

このような構成により、分析部４０によって特定の車種や部品等の監視対象情報に基づいて異常候補情報を抽出し、当該異常候補情報の環境情報および操作者情報に対する異常候補情報の依存度を分析することができる。したがって、本実施形態の異常候補情報分析装置１００によれば、車両１０等の監視対象に想定外の異常が発生したことを早期に確認し、原因を特定することができる。そのため、たとえば、車両１０のデータを収集し、収集したデータを分析して運転支援や行先案内などのサービスを提供する複雑な車両システムに対しても、より効率的な車両１０の保守、管理を行うことができる。

また、車両１０の挙動は、車両１０の外部環境や運転者の運転特性、異常の進行度合いなど、多くの要因によって変化する。しかし、従来の異常検知では、外部環境や運転特性といった要因を考慮することが難しかった。たとえば、従来の異常検知は、設計者の決めた閾値による判定であったり、学習した正常時の稼働データとの距離による判定であったりする。このような従来法では、外部環境ごとに運転者の意図する操作量がわからないため、早期の異常検知が困難である。そのため、明らかに運転者の意図と異なるような場合のみ異常として検知していた。これに対し、本実施形態の異常候補情報分析装置１００によれば、外部環境ごとの運転者の意図する操作量が分かるようになるため、従来よりも早期の異常検知が可能となる。

以上、図面を用いて本発明の実施の形態を詳述してきたが、具体的な構成はこの実施形態に限定されるものではなく、本発明の要旨を逸脱しない範囲における設計変更等があっても、それらは本発明に含まれるものである。

１０ 車両（監視対象）
３０ 記憶部
４０ 分析部
４５ 表示部
４５ｂ グラフ（異常候補情報の検出数および想定される異常数と使用期間との関係）
４５ｃ グラフ（異常候補情報の検出数と環境情報との関係）
４５ｄ グラフ（異常候補情報の検出数と操作者情報との関係）
４６ 選択欄（設定部）
５０ 検出部
５２ 運転特性学習部（行動予測装置）
５２ｄ 再帰型ニューラルネット
５３ 異常動作検出部
６０ 通信部
９０ 運転特性分類部
１００ 異常候補情報分析装置

Claims (6)

1. 監視対象の異常候補情報を分析する異常候補情報分析装置であって、
   前記監視対象に関する監視対象情報、前記監視対象の周囲の環境に関する環境情報、前記監視対象の操作者に関する操作者情報、および前記監視対象で検出された異常候補情報を関連付けて記憶する記憶部と、
   前記監視対象情報、前記環境情報、および前記操作者情報に関連付けられた前記異常候補情報を抽出し、前記環境情報および前記操作者情報に対する前記異常候補情報の依存度を分析する分析部と、を備え、
   前記分析部は、特定の前記環境情報または特定の前記操作者情報に関連付けられた前記異常候補情報を前記抽出から除外し、
   前記分析部は、前記監視対象情報を抽出する条件を設定可能な設定部と、前記条件に基づいて抽出された前記異常候補情報を表示する表示部とを備え、
   前記表示部は、前記異常候補情報の検出数および想定される異常数と使用期間との関係と、前記異常候補情報の検出数と前記環境情報との関係と、前記異常候補情報の検出数と前記操作者情報との関係と、を表示することを特徴とする異常候補情報分析装置。
2. 監視対象の異常候補情報を分析する異常候補情報分析装置であって、
   前記監視対象に関する監視対象情報、前記監視対象の周囲の環境に関する環境情報、前記監視対象の操作者に関する操作者情報、および前記監視対象で検出された異常候補情報を関連付けて記憶する記憶部と、
   前記監視対象情報に関連付けられた前記環境情報、前記操作者情報、および前記異常候補情報を抽出し、前記異常候補情報の前記環境情報および前記操作者情報に対する依存度を分析する分析部と、
   前記監視対象に設けられ、前記監視対象情報、前記操作者情報、および前記異常候補情報を検出する検出部と、
   前記監視対象に設けられ、前記検出部によって検出された前記監視対象情報、前記操作者情報、および前記異常候補情報を前記記憶部へ送信する通信部と、を備え、
   前記分析部は、特定の前記環境情報または特定の前記操作者情報に関連付けられた前記異常候補情報を前記抽出から除外し、
   前記分析部は、前記監視対象情報を抽出する条件を設定可能な設定部と、前記条件に基づいて抽出された前記異常候補情報を表示する表示部とを備え、
   前記表示部は、前記異常候補情報の検出数および想定される異常数と使用期間との関係と、前記異常候補情報の検出数と前記環境情報との関係と、前記異常候補情報の検出数と前記操作者情報との関係と、を表示することを特徴とする異常候補情報分析装置。
3. 前記操作者情報に含まれる運転特性を複数の運転特性タイプのひとつに分類する運転特性分類部を備えることを特徴とする請求項１または請求項２に記載の異常候補情報分析装置。
4. 監視対象の異常候補情報を分析する異常候補情報分析装置であって、
   前記監視対象に関する監視対象情報、前記監視対象の周囲の環境に関する環境情報、前記監視対象の操作者に関する操作者情報、および前記監視対象で検出された異常候補情報を関連付けて記憶する記憶部と、
   前記監視対象情報に関連付けられた前記環境情報、前記操作者情報、および前記異常候補情報を抽出し、前記異常候補情報の前記環境情報および前記操作者情報に対する依存度を分析する分析部と、
   前記監視対象に設けられ、前記監視対象情報、前記操作者情報、および前記異常候補情報を検出する検出部と、
   前記監視対象に設けられ、前記検出部によって検出された前記監視対象情報、前記操作者情報、および前記異常候補情報を前記記憶部へ送信する通信部と、を備え、
   前記検出部は、前記監視対象の操作者が行う操作を前記監視対象情報の検出値から運転特性として学習して前記検出値を予測する運転特性学習部と、前記運転特性学習部によって予測された前記検出値の予測値を閾値として前記監視対象情報の前記検出値を前記異常候補情報として検出する異常動作検出部と、を有し、
   前記運転特性学習部は、前記監視対象情報を処理する畳み込み層と、該畳み込み層の処理結果と前記監視対象情報の前記検出値を入力とする再帰型ニューラルネットと、を備えることを特徴とする異常候補情報分析装置。
5. 前記運転特性学習部は、複数の前記再帰型ニューラルネットを備えることを特徴とする請求項４に記載の異常候補情報分析装置。
6. 前記異常動作検出部は、複数の前記再帰型ニューラルネットの複数の予測値のうち、前記監視対象情報の前記検出値に近い予測値を閾値とし、該閾値に基づいて前記監視対象情報の前記検出値を前記異常候補情報として検出することを特徴とする請求項５に記載の異常候補情報分析装置。

Images