JP6916552B2 - 走行途中に発生する走行シナリオを検出して、運転者の走行習慣を評価するための情報の提供する方法及び装置 - Google Patents
走行途中に発生する走行シナリオを検出して、運転者の走行習慣を評価するための情報の提供する方法及び装置 Download PDFInfo
- Publication number
- JP6916552B2 JP6916552B2 JP2020006496A JP2020006496A JP6916552B2 JP 6916552 B2 JP6916552 B2 JP 6916552B2 JP 2020006496 A JP2020006496 A JP 2020006496A JP 2020006496 A JP2020006496 A JP 2020006496A JP 6916552 B2 JP6916552 B2 JP 6916552B2
- Authority
- JP
- Japan
- Prior art keywords
- specific
- driving
- event
- learning
- scenario
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 118
- 239000013598 vector Substances 0.000 claims description 125
- 238000012360 testing method Methods 0.000 claims description 88
- 230000008569 process Effects 0.000 claims description 59
- 238000004364 calculation method Methods 0.000 claims description 36
- 238000011156 evaluation Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 21
- 230000002093 peripheral effect Effects 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000007619 statistical method Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 230000000306 recurrent effect Effects 0.000 claims description 8
- 230000004397 blinking Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 2
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- G06Q50/40—
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
- B60K35/00—Arrangement of adaptations of instruments
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
- B60W2050/146—Display means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo or light sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2540/00—Input parameters relating to occupants
- B60W2540/30—Driving style
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/60—Traffic rules, e.g. speed limits or right of way
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Combustion & Propulsion (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Description
本発明は、走行途中に発生する走行シナリオを検出して、運転者の走行習慣を評価するための情報の提供する方法及び装置{METHOD AND DEVICE FOR PROVIDING INFORMATION FOR EVALUATING DRIVING HABITS OF DRIVER BY DETECTING DRIVING SCENARIOS OCCURRING DURING DRIVING}に関する。
Claims (28)
- 走行中に発生する走行イベントを検出することにより、前記走行イベントのうちの少なくとも一部を含む走行シナリオを検出するための学習方法において、
(a)学習装置が、特定走行イベントそれぞれについての各情報を特定の順序で特定成分として含む少なくとも一つの特定列挙(enumerated)イベントベクトルが取得されると、RNN(Recurrent Neural Network)をもって、前記特定列挙イベントベクトルの前記特定成分に前記特定の順序で少なくとも一つのRNN演算を適用することにより、前記特定走行イベントのうちの少なくとも一部を含む少なくとも一つの特定予測走行シナリオを検出するようにする段階;及び
(b)前記学習装置が、ロスモジュールをもって、前記特定予測走行シナリオ及び取得済み特定GT(Ground−Truth)走行シナリオを参照してRNNロスを生成するようにし、前記RNNロスを用いて時系列バックプロパゲーション(BPTT;Backpropagation Through Time)を遂行するようにすることにより、前記RNNのパラメータのうち少なくとも一部を学習する段階;
を含むことを特徴とする方法。 - 前記(a)段階以前に、
(a0)(i)走行シナリオ生成装置が、前記特定走行イベントを含むそれぞれの走行イベントに対応するそれぞれのグラフィック物体をディスプレイ装置によって提供するプロセス、(ii)前記特定走行イベントに対応する特定グラフィック物体がユーザによって前記特定の順序で選択されると、前記走行シナリオ生成装置が、前記選択された特定走行イベントそれぞれについての各情報を前記特定の順序で利用して前記特定列挙イベントベクトルを生成するプロセス、(ii)前記走行シナリオ生成装置が、前記特定の順序で前記特定走行イベントに対応する前記特定GT走行シナリオを生成するプロセス、及び(iv)前記走行シナリオ生成装置が、前記特定列挙イベントベクトル及び前記特定GT走行シナリオを前記学習装置に伝達するプロセスを遂行することにより、前記走行シナリオ生成装置と連動する前記学習装置が、前記特定列挙イベントベクトル及び前記特定GT走行シナリオを取得する段階;
をさらに含むことを特徴とする請求項1に記載の方法。 - 前記走行シナリオ生成装置は、前記特定走行イベントが前記走行イベントの中から選択されると、前記特定走行イベントのうちの少なくとも一つに少なくとも一つの変調演算を適用し、前記変調演算が適用された状態の前記特定走行イベントを利用して少なくとも一つの変調特定列挙イベントベクトル及び少なくとも一つの変調特定GT走行シナリオをさらに生成することを特徴とする請求項2に記載の方法。
- 前記(a)段階以前に、
(a1)(i)走行シナリオ生成装置が、GAN(Generative Adversarial Network)をもって、少なくとも一つのGAN演算を遂行するようにして、(i−1)前記走行イベントの中から前記特定走行イベントを前記特定の順序で選択し、(i−2)前記特定走行イベントに対する各情報を前記特定の順序で利用して、前記特定列挙イベントベクトルを生成し、(i−3)前記特定の順序で前記特定走行イベントに対応する前記特定GT走行シナリオを生成するプロセス、及び(ii)前記走行シナリオ生成装置が、前記特定列挙イベントベクトル及び前記特定GT走行シナリオを前記学習装置に伝達するプロセスを遂行することにより、前記走行シナリオ生成装置と連動する前記学習装置が、前記特定列挙イベントベクトル及び前記特定GT走行シナリオを取得する段階;
をさらに含むことを特徴とする請求項1に記載の方法。 - 前記走行シナリオ生成装置が、前記GANに含まれている事前学習済み生成ネットワークをもって、前記GAN演算の少なくとも一部である少なくとも一つの生成演算を遂行するようにすることにより、前記特定走行イベントを前記特定の順序で選択して前記特定列挙イベントベクトルを生成することを特徴とする請求項4に記載の方法。
- 前記GANは、(i)前記生成ネットワークをもって、それぞれの学習用第1順序の学習用第1走行イベントの第1グループそれぞれに対応する学習用第1列挙イベントベクトルそれぞれを生成するようにし、(ii)判別ネットワークをもって、前記学習用第1列挙イベントベクトルと、管理者によって生成された学習用第2列挙イベントベクトルとのうちの少なくとも一つである、前記判別ネットワークに入力された少なくとも一つのイベントベクトルが前記管理者によって生成されたものか、それとも前記生成ネットワークによって生成されたものかに対する確率を示す予測識別点数を生成するようにし、(iii)前記予測識別点数及びGT識別点数を参照してGANロスを生成し、(iv)前記GANロスを利用してバックプロパゲーション(backpropagation)を遂行することにより、前記判別ネットワーク及び前記生成ネットワークに含まれているパラメータのうちの少なくとも一部を学習した状態であることを特徴とする請求項5に記載の方法。
- 前記(a)段階以前に、
(a3)前記特定列挙イベントベクトル及び前記特定GT走行シナリオが予め設定された検証規則を満たす場合、走行シナリオ生成装置と連動する前記学習装置が、前記走行シナリオ生成装置によって前記特定列挙イベントベクトル及び前記特定GT走行シナリオを取得する段階;
をさらに含むことを特徴とする請求項1に記載の方法。 - 過去の特定時間範囲の間に、予め設定された回数だけ運転者によって違反された一つ以上の特定道路規則に対応する前記検証規則は、管理者によって前記走行シナリオ生成装置に入力され、
前記走行シナリオ生成装置は、前記検証規則を参照して、前記特定道路規則を遵守または違反する一つ以上の状況が前記特定列挙イベントベクトル及び前記特定GT走行シナリオに反映されている場合、前記特定列挙イベントベクトル及び前記特定GT走行シナリオが前記検証規則を満たすと決定することを特徴とする請求項7に記載の方法。 - 前記学習装置が、前記RNNをもって(i)LSTM(Long−Short Term Memory)手法と(ii)GRU(Gated Recurrent Unit)手法との中から選択された手法を利用して前記RNN演算を遂行するようにすることを特徴とする請求項1に記載の方法。
- 走行中に発生する走行シナリオを検出することにより対象運転者の走行習慣を評価するテスティング方法において、
(a)(1)学習装置が、学習用特定走行イベントそれぞれについての各情報を学習用特定の順序で学習用特定成分として含む少なくとも一つの学習用特定列挙イベントベクトルが取得されると、RNNをもって、前記学習用特定列挙イベントベクトルの前記学習用特定成分に前記学習用特定の順序で少なくとも一つのRNN演算を適用することにより、前記学習用特定走行イベントのうちの少なくとも一部を含む少なくとも一つの学習用特定予測走行シナリオを検出するようにし、(2)前記学習装置が、ロスモジュールをもって、前記学習用特定予測走行シナリオ及び取得済み特定GT走行シナリオを参照してRNNロスを生成するようにし、前記RNNロスを利用して時系列バックプロパゲーション(BPTT)を遂行するようにすることで、前記RNNのパラメータのうちの少なくとも一部を学習した状態で、対象車両と連動するテスティング装置が、一つ以上のテスト用走行イベントが検出されると、前記RNNをもって、前記テスト用走行イベントそれぞれに対する各情報に前記RNN演算を順番に適用することにより、前記テスト用走行イベントのうちの少なくとも一部を含む一つ以上のテスト用予測走行シナリオを検出するようにする段階;及び
(b)前記テスティング装置が、評価モジュールをもって、前記テスト用予測走行シナリオを参照して前記対象車両の前記対象運転者の前記走行習慣を評価するために利用される評価情報を生成するようにする段階;
を含むことを特徴とするテスティング方法。 - 前記(a)段階で、
前記テスティング装置がイベント検出モジュールをもって、前記対象車両に搭載された(i)電子制御ユニット(ECU)と(ii)外部環境モニタリングユニットとのうちの少なくとも一つと連動して、走行中に前記対象車両の内部及び外部で起こる前記テスト用走行イベントを検出するようにすることを特徴とする請求項10に記載のテスティング方法。 - 前記テスティング装置が前記イベント検出モジュールをもって、前記ECUと連動して、方向情報と、速度情報と、方向指示器情報と、非常点滅表示灯情報とのうちの少なくとも一部を含む内部動作情報の中の少なくとも一部を取得することにより、前記テスト用走行イベントのうちの少なくとも一部を検出するようにすることを特徴とする請求項11に記載のテスティング方法。
- 前記テスティング装置が前記イベント検出モジュールをもって、前記外部環境モニタリングユニットの、外部カメラとV2X(vehicle−to−evertying)通信モジュールとの中の少なくとも一つと連動して、前記対象車両から第1閾値距離以下に位置した信号機の表示情報と、前記対象車両から第2閾値距離以下に位置した周辺車両の周辺運動情報と、前記対象車両が位置した車道に対する車道情報とのうちの少なくとも一部を含む外部環境情報のうちの少なくとも一部を取得することにより、前記テスト用走行イベントのうちの少なくとも一部を検出することを特徴とする請求項11に記載のテスティング方法。
- 前記(b)段階で、
前記テスティング装置が、前記評価モジュールをもって、前記テスト用予測走行シナリオを参照して取得された、前記対象運転者が道路規則を違反した回数及び頻度のうちの少なくとも一つに対して統計的分析演算を遂行するようにし、前記統計的分析演算の結果を含む前記評価情報を生成するようにすることを特徴とする請求項10に記載のテスティング方法。 - 走行中に発生する走行イベントを検出することにより、前記走行イベントのうちの少なくとも一部を含む走行シナリオを検出するための学習装置において、
インストラクションを格納する少なくとも一つのメモリ;及び
(I)特定走行イベントそれぞれについての各情報を特定の順序で特定成分として含む少なくとも一つの特定列挙イベントベクトルが取得されると、RNNをもって、前記特定列挙イベントベクトルの前記特定成分に前記特定の順序で少なくとも一つのRNN演算を適用することにより、前記特定走行イベントのうちの少なくとも一部を含む少なくとも一つの特定予測走行シナリオを検出するようにするプロセス、及び(II)ロスモジュールをもって、前記特定予測走行シナリオ及び取得済み特定GT走行シナリオを参照してRNNロスを生成するようにし、前記RNNロスを利用して時系列バックプロパゲーション(BPTT)を遂行するようにすることで、前記RNNのパラメータのうちの少なくとも一部を学習するプロセスを遂行するための、前記インストラクションを実行するように構成された少なくとも一つのプロセッサ;
を含むことを特徴とする学習装置。 - 前記(I)プロセス以前に、
前記プロセッサが、(I1)(i)走行シナリオ生成装置が、前記特定走行イベントを含むそれぞれの走行イベントに対応するそれぞれのグラフィック物体をディスプレイ装置によって提供するプロセス、(ii)前記特定走行イベントに対応する特定グラフィック物体がユーザによって前記特定の順序で選択されると、前記走行シナリオ生成装置が、前記選択された特定走行イベントそれぞれについての各情報を前記特定の順序で利用して前記特定列挙イベントベクトルを生成するプロセス、(iii)前記走行シナリオ生成装置が、前記特定の順序で前記特定走行イベントに対応する前記特定GT走行シナリオを生成するプロセス、及び(iv)前記走行シナリオ生成装置が、前記特定列挙イベントベクトル及び前記特定GT走行シナリオを前記学習装置に伝達するプロセスを遂行することにより、前記特定列挙イベントベクトル及び前記特定GT走行シナリオを取得するプロセスをさらに遂行することを特徴とする請求項15に記載の学習装置。 - 前記走行シナリオ生成装置は、前記特定走行イベントが前記走行イベントの中から選択されると、前記特定走行イベントのうちの少なくとも一つに少なくとも一つの変調演算を適用し、前記変調演算が適用された状態の前記特定走行イベントを利用して少なくとも一つの変調特定列挙イベントベクトル及び少なくとも一つの変調特定GT走行シナリオをさらに生成することを特徴とする請求項16に記載の学習装置。
- 前記(I)プロセス以前に、
前記プロセッサが、(I2)(i)前記学習装置と連動する走行シナリオ生成装置が、GANをもって、少なくとも一つのGAN演算を遂行するようにして、(i−1)前記走行イベントの中のから記特定走行イベントを前記特定の順序で選択し、(i−2)前記特定走行イベントに対する各情報を前記特定の順序で利用して、前記特定列挙イベントベクトルを生成し、(i−3)前記特定の順序で前記特定走行イベントに対応する前記特定GT走行シナリオを生成するプロセス、及び(ii)前記走行シナリオ生成装置が、前記特定列挙イベントベクトル及び前記特定GT走行シナリオを前記学習装置に伝達するプロセスを遂行することにより、前記特定列挙イベントベクトル及び前記特定GT走行シナリオを取得するプロセスをさらに遂行することを特徴とする請求項15に記載の学習装置。 - 前記走行シナリオ生成装置が、前記GANに含まれている事前学習済み生成ネットワークをもって、前記GAN演算の少なくとも一部である少なくとも一つの生成演算を遂行されることにより、前記特定走行イベントを前記特定の順序で選択して前記特定列挙イベントベクトルを生成することを特徴とする請求項18に記載の学習装置。
- 前記GANは、(i)前記生成ネットワークをもって、それぞれの学習用第1順序の学習用第1走行イベントの第1グループそれぞれに対応する学習用第1列挙イベントベクトルそれぞれを生成するようにし、(ii)判別ネットワークをもって、前記学習用第1列挙イベントベクトルと、管理者によって生成された学習用第2列挙イベントベクトルとのうちの少なくとも一つである、前記判別ネットワークに入力された少なくとも一つのイベントベクトルが前記管理者によって生成されたものか、それとも前記生成ネットワークによって生成されたものかに対する確率を示す予測識別点数を生成するようにし、(iii)前記予測識別点数及びGT識別点数を参照してGANロスを生成し、(iv)前記GANロスを利用してバックプロパゲーションを遂行することにより、前記判別ネットワーク及び前記生成ネットワークに含まれているパラメータのうちの少なくとも一部を学習した状態であることを特徴とする請求項19に記載の学習装置。
- 前記(I)プロセス以前に、
前記プロセッサが、(I3)前記特定列挙イベントベクトル及び前記特定GT走行シナリオが予め設定された検証規則を満たす場合、前記学習装置と連動する走行シナリオ生成装置によって前記特定列挙イベントベクトル及び前記特定GT走行シナリオを取得するプロセスをさらに遂行することを特徴とする請求項15に記載の学習装置。 - 過去の特定時間範囲の間に、予め設定された回数だけ運転者によって違反された一つ以上の特定道路規則に対応する前記検証規則は、管理者によって前記走行シナリオ生成装置に入力され、
前記走行シナリオ生成装置は、前記検証規則を参照して、前記特定道路規則を遵守または違反する一つ以上の状況が前記特定列挙イベントベクトル及び前記特定GT走行シナリオに反映されている場合、前記特定列挙イベントベクトル及び前記特定GT走行シナリオが前記検証規則を満たすと決定することを特徴とする請求項21に記載の学習装置。 - 前記プロセッサが、前記RNNをもって(i)LSTM(Long−Short Term Memory)手法と(ii)GRU(Gated Recurrent Unit)手法との中から選択された手法を利用して前記RNN演算を遂行するようにすることを特徴とする請求項15に記載の学習装置。
- 走行中に発生する走行シナリオを検出することにより対象運転者の走行習慣を評価するテスティング装置において、
インストラクションを格納する少なくとも一つのメモリ;及び
(I)(1)学習装置が、学習用特定走行イベントそれぞれについての各情報を学習用特定の順序で学習用特定成分として含む少なくとも一つの学習用特定列挙イベントベクトルが取得されると、RNNをもって、前記学習用特定列挙イベントベクトルの前記学習用特定成分に前記学習用特定の順序で少なくとも一つのRNN演算を適用することにより、前記学習用特定走行イベントのうちの少なくとも一部を含む少なくとも一つの学習用特定予測走行シナリオを検出するようにし、(2)前記学習装置が、ロスモジュールをもって、前記学習用特定予測走行シナリオ及び取得済み特定GT走行シナリオを参照してRNNロスを生成するようにし、前記RNNロスを利用して時系列バックプロパゲーションを遂行するようにすることで、前記RNNのパラメータのうちの少なくとも一部を学習した状態で、一つ以上のテスト用走行イベントが検出されると、前記RNNをもって、前記テスト用走行イベントそれぞれに対する各情報に前記RNN演算を順番に適用することにより、前記テスト用走行イベントのうちの少なくとも一部を含む一つ以上のテスト用予測走行シナリオを検出するようにするプロセス;及び(II)評価モジュールをもって、前記テスト用予測走行シナリオを参照して、前記テスティング装置と連動する対象車両の前記対象運転者の前記走行習慣を評価するために用いられる評価情報を生成するようにするプロセスを遂行するための前記インストラクションを実行するように構成された少なくとも一つのプロセッサ;
を含むことを特徴とするテスティング装置。 - 前記(I)プロセスで、
前記プロセッサが、イベント検出モジュールをもって、前記対象車両に搭載された、(i)電子制御ユニット(ECU)と(ii)外部環境モニタリングユニットとのうちの少なくとも一つと連動して、走行中に前記対象車両の内部及び外部で起きる前記テスト用走行イベントを検出するようにすることを特徴とする請求項24に記載のテスティング装置。 - 前記プロセッサが、前記イベント検出モジュールをもって、前記ECUと連動して、方向情報と、速度情報と、方向指示器情報と、非常点滅表示灯情報とのうちの少なくとも一部を含む内部動作情報の中の少なくとも一部を取得することにより、前記テスト用走行イベントのうちの少なくとも一部を検出するようにすることを特徴とする請求項25に記載のテスティング装置。
- 前記プロセッサが、前記イベント検出モジュールをもって、前記外部環境モニタリングユニットの、外部カメラとV2X通信モジュールとの中の少なくとも一つと連動して、前記対象車両から第1閾値距離以下に位置した信号機の表示情報と、前記対象車両から第2閾値距離以下に位置した周辺車両の周辺運動情報と、前記対象車両が位置した車道に対する車道情報とのうちの少なくとも一部を含む外部環境情報のうちの少なくとも一部を取得することにより、前記テスト用走行イベントのうちの少なくとも一部を検出することを特徴とする請求項25に記載のテスティング装置。
- 前記(II)プロセスで、
前記プロセッサが前記評価モジュールをもって、前記テスト用予測走行シナリオを参照して取得された、前記対象運転者が道路規則を違反した回数及び頻度ののうちの少なくとも一つに対して統計的分析演算を遂行するようにし、前記統計的分析演算の結果を含む前記評価情報を生成するようにすることを特徴とする請求項24に記載のテスティング装置。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962798618P | 2019-01-30 | 2019-01-30 | |
US62/798618 | 2019-01-30 | ||
US16/724747 | 2019-12-23 | ||
US16/724,747 US10832140B2 (en) | 2019-01-30 | 2019-12-23 | Method and device for providing information for evaluating driving habits of driver by detecting driving scenarios occurring during driving |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020123333A JP2020123333A (ja) | 2020-08-13 |
JP6916552B2 true JP6916552B2 (ja) | 2021-08-11 |
Family
ID=69190629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020006496A Active JP6916552B2 (ja) | 2019-01-30 | 2020-01-20 | 走行途中に発生する走行シナリオを検出して、運転者の走行習慣を評価するための情報の提供する方法及び装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10832140B2 (ja) |
EP (1) | EP3690795A1 (ja) |
JP (1) | JP6916552B2 (ja) |
KR (1) | KR102237873B1 (ja) |
CN (1) | CN111508101B (ja) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112061136A (zh) * | 2020-08-26 | 2020-12-11 | 西北工业大学 | 基于长短期记忆网络的司机驾驶行为自动化分析方法 |
US11798321B2 (en) * | 2020-08-28 | 2023-10-24 | ANI Technologies Private Limited | Driver score determination for vehicle drivers |
CN112712695B (zh) * | 2020-12-30 | 2021-11-26 | 桂林电子科技大学 | 一种交通流预测方法、装置及存储介质 |
CN112677983B (zh) * | 2021-01-07 | 2022-04-12 | 浙江大学 | 一种识别驾驶员驾驶风格的系统 |
KR102609830B1 (ko) * | 2021-01-22 | 2023-12-08 | 오병훈 | 배달자격 검증 시스템 |
CN112991750B (zh) * | 2021-05-14 | 2021-11-30 | 苏州博宇鑫交通科技有限公司 | 基于强化学习与生成式对抗网络的局部交通优化方法 |
KR102636106B1 (ko) * | 2021-12-27 | 2024-02-14 | 한국자동차연구원 | 운전자의 운전 능력 평가 장치 및 방법 |
KR102589270B1 (ko) | 2022-03-07 | 2023-10-17 | 부산대학교 산학협력단 | 가변하는 운전성향을 고려한 운전자 식별 장치 및 방법 그리고 시스템 |
US20240051568A1 (en) * | 2022-08-09 | 2024-02-15 | Motional Ad Llc | Discriminator network for detecting out of operational design domain scenarios |
CN115798215B (zh) * | 2023-02-03 | 2023-06-09 | 江苏天一航空工业股份有限公司 | 一种用于民航机场车路协同行为能力测试方法 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8706872B2 (en) * | 2012-07-09 | 2014-04-22 | Parentsware, Llc | Agreement compliance controlled information throttle |
US20180174446A1 (en) * | 2015-02-09 | 2018-06-21 | Kevin Sunlin Wang | System and method for traffic violation avoidance |
WO2016170786A1 (ja) * | 2015-04-21 | 2016-10-27 | パナソニックIpマネジメント株式会社 | 情報処理システム、情報処理方法、およびプログラム |
US9914475B2 (en) * | 2015-10-05 | 2018-03-13 | Delphi Technologies, Inc. | Humanized steering model for automated vehicles |
US9645577B1 (en) * | 2016-03-23 | 2017-05-09 | nuTonomy Inc. | Facilitating vehicle driving and self-driving |
US10407078B2 (en) * | 2016-04-26 | 2019-09-10 | Sivalogeswaran Ratnasingam | Dynamic learning driving system and method |
JP6671248B2 (ja) * | 2016-06-08 | 2020-03-25 | 株式会社日立製作所 | 異常候補情報分析装置 |
CN106203626A (zh) * | 2016-06-30 | 2016-12-07 | 北京奇虎科技有限公司 | 汽车驾驶行为检测方法及装置、汽车 |
US11120353B2 (en) | 2016-08-16 | 2021-09-14 | Toyota Jidosha Kabushiki Kaisha | Efficient driver action prediction system based on temporal fusion of sensor data using deep (bidirectional) recurrent neural network |
US10318827B2 (en) * | 2016-12-19 | 2019-06-11 | Waymo Llc | Object detection neural networks |
US20180218262A1 (en) * | 2017-01-31 | 2018-08-02 | Panasonic Intellectual Property Corporation Of America | Control device and control method |
KR102195317B1 (ko) * | 2017-05-19 | 2020-12-28 | 한국과학기술원 | 비디오 게임을 활용한 차량 사고 예측 방법 |
US20190012755A1 (en) * | 2017-07-10 | 2019-01-10 | Benjamin Williams | Multi-driver, multi-law enforcement officer tracking, mapping, matching, and communication system for traffic stops using encrypted volunteered driver information |
US10657804B2 (en) * | 2017-08-11 | 2020-05-19 | Here Global B.V. | Updating maps and road status |
CN107492251B (zh) * | 2017-08-23 | 2020-02-14 | 武汉大学 | 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法 |
CN107697070B (zh) | 2017-09-05 | 2020-04-07 | 百度在线网络技术(北京)有限公司 | 驾驶行为预测方法和装置、无人车 |
JP7053213B2 (ja) * | 2017-10-13 | 2022-04-12 | 株式会社デンソー | 運転データ解析装置 |
CN107918963A (zh) * | 2017-11-16 | 2018-04-17 | 百度在线网络技术(北京)有限公司 | 用于车辆的信息生成方法和装置 |
CN108920805B (zh) * | 2018-06-25 | 2022-04-05 | 大连大学 | 具有状态特征提取功能的驾驶员行为建模系统 |
US10672136B2 (en) * | 2018-08-31 | 2020-06-02 | Snap Inc. | Active image depth prediction |
US11921473B2 (en) * | 2019-06-28 | 2024-03-05 | Intel Corporation | Methods and apparatus to generate acceptability criteria for autonomous systems plans |
-
2019
- 2019-12-23 US US16/724,747 patent/US10832140B2/en active Active
-
2020
- 2020-01-06 KR KR1020200001728A patent/KR102237873B1/ko active IP Right Grant
- 2020-01-19 CN CN202010058346.2A patent/CN111508101B/zh active Active
- 2020-01-20 JP JP2020006496A patent/JP6916552B2/ja active Active
- 2020-01-23 EP EP20153261.1A patent/EP3690795A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
JP2020123333A (ja) | 2020-08-13 |
EP3690795A1 (en) | 2020-08-05 |
KR20200095362A (ko) | 2020-08-10 |
CN111508101A (zh) | 2020-08-07 |
US10832140B2 (en) | 2020-11-10 |
US20200242477A1 (en) | 2020-07-30 |
CN111508101B (zh) | 2022-04-08 |
KR102237873B1 (ko) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6916552B2 (ja) | 走行途中に発生する走行シナリオを検出して、運転者の走行習慣を評価するための情報の提供する方法及び装置 | |
CN111506980B (zh) | 对虚拟驾驶环境生成交通场景的方法及装置 | |
CN112703459B (zh) | 对抗场景的迭代生成 | |
JP6857371B2 (ja) | 安全な自律走行を支援する学習方法、そしてこれを利用した学習装置、テスト方法、及びテスト装置 | |
KR102373456B1 (ko) | 자동 주차 시스템을 제공하기 위해 결정 지점 간의 관계 및 결정 지점에 대한 리그레션 결과를 이용하여 주차 공간을 검출하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치 | |
WO2022221979A1 (zh) | 一种自动驾驶场景的生成方法、装置及系统 | |
JP6964354B2 (ja) | 最近の走行経路に対する軌跡基盤行動分析を遂行して、車両のモードを手動走行モードから自律走行モードに変更するか否かを判断する学習方法及び学習装置 | |
KR20200094641A (ko) | 강화 학습에 기초하여 협업 주행에서 다중 에이전트 센서 퓨전을 수행하는 방법 및 장치 | |
CN109739216A (zh) | 自动驾驶系统实际路测的测试方法及系统 | |
CN110686906B (zh) | 车辆自动驾驶测试方法及装置 | |
CN114077541A (zh) | 验证用于自动驾驶车辆的自动控制软件的方法和系统 | |
JP6846070B2 (ja) | 自律走行ネットワークの検出プロセスを検証する説明可能な人工知能を利用して運転者に潜在的リスクの状況について警告することにより機能的安全性を提供する学習方法及び学習装置、そしてこれを用いたテスティング方法及びテスティング装置{learning method and learning device for providing functional safety by warning driver about potential dangerous situation by using explainable ai which verifies detection processes of autonomous driving network, and testing method and testing device using the same} | |
CN112784485A (zh) | 一种基于强化学习的自动驾驶关键场景生成方法 | |
CN117056153A (zh) | 校准和验证驾驶员辅助系统和/或自动驾驶系统的方法、系统和计算机程序产品 | |
JP6921443B2 (ja) | 自律走行モジュールまたは運転者のステアリング意図を対象車両のステアリング装置へより正確に伝達するための方法及び装置 | |
CN117413257A (zh) | 用于测试车辆用司机辅助系统的方法和系统 | |
Kang et al. | A control policy based driving safety system for autonomous vehicles | |
Zhang et al. | Finding critical scenarios for automated driving systems: The data extraction form | |
Schütt et al. | Exploring the Range of Possible Outcomes by means of Logical Scenario Analysis and Reduction for Testing Automated Driving Systems | |
Zipfl et al. | Scene-Extrapolation: Generating Interactive Traffic Scenarios | |
CN116187091A (zh) | 自动驾驶测试场景库生成方法及装置、存储介质 | |
CN116820993A (zh) | 一种自动驾驶轨迹预测模型鲁棒性及泛化性测试方法 | |
CN116380490A (zh) | 自动驾驶测试任务难度调整方法及装置、存储介质 | |
CN117391168A (zh) | 轨迹预测网络模型构建方法、训练方法、装置及存储介质 | |
CN116776288A (zh) | 一种智能驾驶感知模型的优化方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200120 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20200706 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20200710 |
|
RD13 | Notification of appointment of power of sub attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7433 Effective date: 20201022 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210319 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210603 |
|
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: 20210705 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210709 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6916552 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |