JP7013722B2 - 運転支援装置 - Google Patents

Description

本開示は、ドライバの特性に応じた運転支援を行う運転支援装置に関する。

下記特許文献１には、ドライバの傾向を表す運転タイプと事故事例及びヒヤリ事例との関連を紐付けした事例データベースを構築しておき、走行中に類似シーンに遭遇したときには、ドライバの運転タイプに紐づいた事例を、事例データベースから読み出してドライバに提示することで支援する技術が知られている。

特開２００８－４６７５９号公報

しかしながら、発明者の詳細な検討の結果、上述の従来技術には以下の課題が見出された。即ち、従来技術では、運転技能、法遵守傾向、及び情報収集能力からなる３つの特性を主観でそれぞれ２分割することで分類される８つの運転タイプが定義されている。つまり、分類の作成者が想定している以外の運転タイプを識別することができないため、運転タイプの網羅性を担保することができない。その結果、ドライバによっては、適切な運転支援が受けられないおそれがあった。

また、いずれにも分類することが困難な運転タイプが存在する場合、その運転タイプは、既存のいずれかの運転タイプに無理やり分類され、運転タイプと事例との間で不適切な紐付けが行われることになる。その結果、個々の運転タイプの特徴があいまいになり、運転タイプ毎の効果的な運転支援を実現できないおそれがあった。

本開示では、ドライバの分類の網羅性を担保し、どのようなドライバに対しても効果的な支援を実現する運転支援装置を提供する。

本開示の１つの局面による運転支援装置は、モデル記憶部（１７）と、データ収集部（１１）と、分布生成部（１８：Ｓ２１０～Ｓ２３０）と、タイプ特定部（１８：Ｓ２４０）と、支援実行部（１８：Ｓ３１０～Ｓ３４０）と、を備える。

モデル記憶部は、事象分類モデル及びドライバ分類モデルを記憶する。事象分類モデルは、複数のドライバについて収集された、事故及びヒヤリハットの少なくとも一方に関するデータである事象データを、データドリブンで分類することで生成される複数の事象タイプを有する。ドライバ分類モデルは、前記ドライバ毎に、前記事象分類モデルに含まれる複数の事象タイプのそれぞれが運転中に表れる頻度を示した分布である複数の事象タイプ分布を、データドリブンで分類することで生成される複数のドライバタイプを有する。

データ収集部は、運転支援の対象となるドライバである対象ドライバについての前記事象データである対象データを収集する。分布生成部は、前記データ収集部にて収集された前記対象データ及び前記モデル記憶部に記憶された前記事象分類モデルを用いて、前記対象ドライバについての事象タイプ分布である対象タイプ分布を生成する。タイプ特定部は、前記分布生成部にて生成された前記対象タイプ分布と前記モデル記憶部に記憶されたドライバ分類モデルとを比較することで、前記対象ドライバが属するドライバタイプである対象ドライバタイプを特定する。支援実行部は、前記タイプ特定部にて特定された対象ドライバタイプに応じた運転支援を実行する。

このような構成によれば、分類の対象となるデータをデータドリブンで分類することで生成された事象分類モデル及びドライバ分類モデルが用いられている。つまり、従来技術では、様々な事象を発生させる「要因」の一部に基づいてドライバタイプを分類しているのに対して、本開示では、様々な事象が発生した「結果」として得られる事象データに基づいてドライバタイプを分類している。

従って、本開示によれば、過去に認識されていない未知のドライバタイプであっても、事象データから客観的に抽出されるため、ドライバタイプの網羅性を担保することができる。更に、その網羅的に抽出されたドライバタイプを利用することで、ドライバに対して適切な事例を提示すること、ひいては効果的な支援を実現することができる。

なお、この欄及び特許請求の範囲に記載した括弧内の符号は、一つの態様として後述する実施形態に記載の具体的手段との対応関係を示すものであって、本開示の技術的範囲を限定するものではない。

運転支援装置の構成を示すブロック図である。 事象データに関する説明図である。 モデル学習処理のフローチャートである。 事象タイプを表す事象クラスタを示す説明図である。 事象タイプ分布を例示する説明図である。 ドライバタイプを表すドライバクラスタを示す説明図である。 モデル適用処理のフローチャートである。 対象データと事象タイプとの関係を示す説明図である。 対象タイプ分布とドライバタイプとの関係を示す説明図である。 事象選定の手法を示す説明図である。 事象選定の他の手法を示す説明図である。 支援実行処理のフローチャートである。 ドライバタイプ間の距離を示す説明図である。 ドライバタイプ間の違いを示す説明図である。

以下、図面を参照しながら、本開示の実施形態を説明する。
［１．構成］
図１に示す運転支援システムは、運転支援装置１と、センタ装置５と、を備える。

運転支援装置１は、例えば乗用車等の車両に搭載され、車載センサ群２を介して収集した情報に基づいて、ドライバの運転傾向を表すドライバタイプを特定する。また、特定したドライバタイプに応じて運転支援の内容を決定し、決定された運転支援を、車載機器群３を介して実現する。ドライバの運転傾向とは、ある特定状況下において実施される運転操作や、その操作タイミング等に現れる傾向のことである。運転支援装置１と車載センサ群２及び車載機器群３とは、例えば、ＣＡＮを介して接続される。ＣＡＮは登録商標である。

車載センサ群２には、車速センサ、加速度センサ、アクセル開度センサ、ステアリングセンサ、ブレーキセンサ、アクセル開度センサ、車両周囲の所定角度範囲をそれぞれの撮像範囲とする複数の画像センサ、車両周囲の所定角度範囲をそれぞれの検知範囲とする複数のレーダセンサ、及び車両の現在地を検出する位置センサ等のうち少なくとも一つが含まれる。車載センサ群２から出力される信号である車両信号のうち、予め設定された取得条件が成立したときに予め設定された期間の間に取得される多次元の時系列データを事象データという。取得条件は、例えば、車両信号が安全運転と見なされる範囲から外れた値を示した場合等が考えられる。事象データは、個々のセンサから個別に取得されるものを用いてもよいし、車両にドライブレコーダが搭載されている場合は、このドライブレコーダ経由で取得されるものを用いてもよい。

車載機器群３には、地図や各種画像情報を表示させるディスプレイ、音声を出力するスピーカ、及び車両の挙動を変化させる各種アクチュエータが含まれる。また、これらを利用した制御を実行するナビゲーション装置、及びアダプティブクルーズコントロール又はレーンキープアシスト等の自動走行制御を行う装置のうち少なくとも一つが含まれていてもよい。

センタ装置５は、運転支援装置１を搭載した複数の車両との通信により、各車両からデータを収集して蓄積し、蓄積されたデータに基づいて、後述する事象分類モデル及びドライバ分類モデルを作成し、作成された両モデルを各車両に配信する。

なお、運転支援装置１とセンタ装置５との間の通信は、路車間通信を用いてもよいし、公衆無線通信を用いてもよい。
［２．センタ装置］
［２－１．構成］
センタ装置５は、データ受信部５１と、データ保存部５２と、統合事象データベース５３と、モデル学習部５４と、モデル配信部５５とを備える。

データ受信部５１は、運転支援装置１を搭載した複数の車両から、事象データを取得する。
データ保存部５２は、データ受信部５１が受信した事象データを、統合事象データベース５３に蓄積する。データ保存部５２は、蓄積する事象データを、予め設定された条件に従って絞り込むように構成されていてもよい。つまり、事象データの取得条件は、取得漏れがないように緩めに設定されるため、事象データは過検出傾向にあり、危険度の低いシーンに関する事象データが数多く含まれる。このような危険度の低い事象データを、手動で又はデータを解析することで自動で、可能な限り除去することが望ましい。

統合事象データベース５３に蓄積される事象データは、図２に示すように、データＩＤ、ドライバＩＤ、画像、アクセル操作量、ブレーキ操作量、操舵角、速度、及び加速度を含む。事象データは、これらの一部だけが含まれてもよいし、これら以外のデータが含まれてもよい、データＩＤは、個々の事象データを識別する識別子である。ドライバＩＤは、事象データの生成時に車両を運転していたドライバを識別する識別子である。画像は、画像センサにて取得され、ここでは前後左右と車内の５種類の画像を有する。アクセル操作量、ブレーキ操作量、操舵角は、これらのデータの時系列である。速度、加速度は、いずれも車両の車長方向である縦成分の値と、車幅方向である横成分の値を有する。

モデル学習部５４は、ＣＰＵ５４１と、例えば、ＲＡＭ又はＲＯＭ等の半導体メモリ（以下、メモリ５４２）と、を有するマイクロコンピュータを備える。モデル学習部５４は、事象分類モデル及びドライバ分類モデルを生成するモデル学習処理を少なくとも実行する。その詳細については、後述する。

モデル配信部５５は、モデル学習部５４で生成された事象分類モデル及びドライバ分類モデルを、運転支援装置１を搭載する各車両に送信する。
［２－２．モデル学習処理］
次に、モデル学習部５４が実行するモデル学習処理について、図３のフローチャートを用いて説明する。本処理は、統合事象データベース５３に、予め設定された数の事象データが蓄積される毎、又は予め設定された一定期間毎に実行される。

本処理が実行されると、Ｓ１１０にて、モデル学習部５４は、統合事象データベース５３に蓄積されている事象データのそれぞれに対して既存の時系列特徴抽出手法を適用して特徴量を抽出する。時系列特徴抽出手法として、例えば、特開２０１３－２５０６６３号公報等に記載されている手法を用いることができる。この手法では、事象データを表す多次元のデータ系列を、所定の車両状態ごとに区分けして記号を付与することで記号列に変換し、この記号列を所定の運転状態を意味するドライビングワードに分節する。但し、時系列特徴抽出手法は、これに限定されるものではない。

ここで、個々の事象データＸ（ｎ）を、Ｄ次元データのＴサンプル時系列で表すものとすると、Ｎ個の事象データは、（１）式で表現される。また、個々の事象データＸ（ｎ）の特徴量ｆ（ｎ）は、次元が圧縮されたＫ次元のデータで表すものとすると、Ｎ個の事象データから生成されるＮ個の特徴量は、（２）式で表現される。以下、個々の特徴量のことを事象ベクトルともいう。事象ベクトルは、Ｋ次元のユークリッド空間（以下、事象表現空間）上の点として表現される。

Ｓ１２０にて、モデル学習部５４は、Ｓ１１０で生成されたＮ個の事象ベクトルに対して、教師なし学習アルゴリズムによるクラスタリングを実施する。つまり、事象ベクトルをデータドリブンで分類する。このクラスタリングは、事象データによって表現される事象を、事象表現空間上で分類することを意味する。教師なし学習アルゴリズムでは、クラスタの数が自動的に決まる手法と、外部から与えられる手法とがあるが、いずれであってもよい。クラスタリングにより生成されるクラスタ（以下、事象クラスタ）は、それぞれが何らかの事故やヒヤリハットの事象を表現する。以下では、生成された事象クラスタのそれぞれを事象タイプという。事象タイプは、事象クラスタを識別するＩＤ番号である。なお、このような事象の分類に使用する学習アルゴリズムは、教師無し学習アルゴリズムに限るものではない。

更に、モデル学習部５４は、事象タイプのそれぞれについて代表値を算出することで、事象分類モデルを作成する。具体的には、図４に示すように、事象クラスタのクラスタ重心を表す事象ベクトルである平均事象ベクトルを、代表値として算出する。

ここで、（３）式は、ｎで識別される事象ベクトルのそれぞれに、クラスタ番号ｃ、つまり事象タイプを表す番号を割り振ることを意味する。（４）式は、事象タイプｃに属するＮｃ個の事象ベクトルｆｃの集合を意味する。（５）式は、事象タイプｃの平均事象ベクトルＦｃが、事象タイプｃに属する全ての事象ベクトルｆｃの平均をとることで算出されることを表す。（６）式は、生成された事象タイプの数をＣ個として、全ての事象タイプの平均事象ベクトルＦｃを列挙した集合を表す。つまり、この集合が事象分類モデルの実体である。

Ｓ１３０にて、モデル学習部５４は、統合事象データベース５３に蓄積されている事象データと、Ｓ１２０で生成した事象分類モデルを用いて、ドライバ毎に、ドライバの運転傾向を表す事象タイプ分布を生成する。具体的には、事象タイプ分布は、図５に示すように、着目するドライバについて蓄積された複数の事象ベクトルを用いて、各事象ベクトルが、どの事象タイプｃに属するかをカウントすることで生成される。図５では、個々の事象タイプを＃１～＃７で示す。なお、事象タイプ分布は、該事象タイプ分布の生成に使用した事象データの数の違いによるばらつきを抑えるために、事象データの総数で除算することで正規化してもよい。

ここで、（７）式は、Ｎ個の事象ベクトルのそれぞれが属する事象タイプの番号を列挙した集合を表す。（８）式は、Ｎ個の事象ベクトルがＭ人のドライバについて収集されたものであり、ｍで識別されるドライバの特徴データがＮｍ個存在するものとして、（７）式の集合を、Ｍ個（即ち、ドライバ毎）の部分集合に分割することを表す。（９）式は、Ｍ個の部分集合のそれぞれについて、（８）式で表現された部分集合内での事象タイプの発生数をカウントすることで生成されるヒストグラムを表す。（９）式の右辺において、ｇ^ｃ（ｍ）は、ｍで識別されるドライバについての事象タイプｃのカウント数を表す。（９）式で表現されるＭ個のヒストグラムのそれぞれが事象タイプ分布である。事象タイプ分布は、図６に示すように、事象タイプｃを座標軸に持つＣ次元のユークリッド空間（以下、ドライバ表現空間）上の点として表現される。

Ｓ１４０では、モデル学習部５４は、Ｓ１３０で生成されたＭ個の事象タイプ分布に対して、Ｓ１２０での処理と同様に、教師なし学習アルゴリズムによるクラスタリングを実施する。つまり、事象タイプ分布をデータドリブンで分類する。このクラスタリングは、ドライバ表現空間上でドライバを分類することを意味する。クラスタリングにより生成されるクラスタ（以下、ドライバクラスタ）は、それぞれが運転時に現れるドライバの運転傾向を表現する。以下では、生成されたドライバクラスタのそれぞれをドライバタイプαという。ドライバタイプは、ドライバクラスタを識別するＩＤ番号である。

更に、モデル学習部５４は、ドライバタイプαのそれぞれについて代表値を算出することで、ドライバ分類モデルを作成して、本処理を終了する。具体的には、図６に示すように、ドライバクラスタのクラスタ重心を表す事象タイプ分布である平均事象タイプ分布を、代表値として算出する。

ここで、（１０）式は、ｍで識別されるドライバの事象タイプ分布のそれぞれに、クラスタ番号α、つまりドライバタイプを表す番号を割り振ることを意味する。（１１）式は、ドライバタイプαに属するＭ_α個の事象タイプ分布ｇ_αの集合を意味する。（１２）式は、ドライバタイプαの平均事象タイプ分布Ｇ_αが、ドライバタイプαに属する全ての事象タイプ分布ｇ_αの平均をとることによって算出することを表す。（１３）式は、生成されたドライバタイプαの数をＡ個として、全てのドライバタイプαについての平均事象タイプ分布Ｇ_αの集合を表す。この集合がドライバ分類モデルの実体である。

つまり、モデル学習部５４は、事象データの特徴量を表す事象ベクトルを用いて、事象表現空間にて各事象を分類することで、複数の事象タイプを生成する。また、これら事象タイプのそれぞれについて、平均事象ベクトルを求めることで、事象分類モデルを作成する。

更に、モデル学習部５４は、事象分類モデルを用いて、複数のドライバのそれぞれについて事象タイプ分布を作成し、この事象タイプ分布を用いて、ドライバ表現空間にて各ドライバを分類することで、複数のドライバタイプを生成する。また、これらドライバタイプのそれぞれについて、平均事象タイプ分布を求めることで、ドライバ分類モデルを作成する。

［３．運転支援装置］
［３－１．構成］
運転支援装置１は、データ収集部１１と、データ保存部１２と、個別事象データベース１３と、データ送信部１４と、モデル受信部１５と、モデル更新部１６と、モデルデータベース１７と、制御部１８と、を備える。

データ収集部１１は、車載センサ群２から、事故やヒヤリハットに関する事象データを収集する。事象データは、多次元データの系列であり、例えば、安全走行と見なされる範囲から外れた走行状態の急激な変化を捉えるように設定された取得条件が成立した場合に、その前後所定期間の間収集される。

データ収集部１１が収集するデータには、ドライバを識別するドライバＩＤが含まれていてもよい。データ収集部１１は、例えば、図示しない読取装置により、ドライバが携帯する記憶媒体に記憶されたドライバＩＤを読み取るように構成されていてもよい。データ保存部１２は、データ収集部１１にて収集された事象データを、ドライバＩＤと対応づけて、個別事象データベース１３に記憶する。

データ送信部１４は、データ収集部１１にて収集された事象データを、ドライバＩＤと対応づけて、センタ装置５に送信する。事象データは、データ収集部１１にて収集される毎に送信されてもよいし、個別事象データベース１３に一端蓄積され、まとめて送信されてもよい。

モデル受信部１５は、センタ装置５から配信される事象分類モデル及びドライバ分類モデルを受信する。
モデル更新部１６は、モデル受信部１５が受信した事象分類モデル及びドライバ分類モデルによって、モデルデータベース１７の記憶内容を更新する。

制御部１８は、ＣＰＵ１８１と、例えば、ＲＡＭ又はＲＯＭ等の半導体メモリ（以下、メモリ１８２）と、を有するマイクロコンピュータを備える。制御部１８は、モデル適用処理及び支援実行処理を少なくとも実行する。

［３－２．モデル適用処理］
次に、制御部１８が実行するモデル適用処理について、図７のフローチャートを用いて説明する。本処理は、個別事象データベース１３に、予め設定された量の事象データが蓄積された場合、モデルデータベース１７の内容が更新された場合、及び一定時間が経過した場合のうち、少なくともいずれか一つを条件として実行される。また、本処理は、個別事象データベース１３に複数のドライバＩＤについての事象データが記憶されている場合は、ドライバＩＤ毎に同様の処理が繰り返される。以下では、処理の対象となるドライバを、対象ドライバという。

本処理が実行されると、Ｓ２１０にて、制御部１８は、対象ドライバについて、個別事象データベース１３に蓄積されている事象データのそれぞれについて、事象ベクトルを算出する。事象ベクトルを算出する手法は、Ｓ１１０での説明と同様である。

Ｓ２２０にて、制御部１８は、Ｓ１１０で求めた事象ベクトルが、事象分類モデルに示された複数の事象タイプのいずれに分類されるかを判断する。具体的には、図８に示すように、事象表現空間において、着目する事象ベクトルと各事象タイプの代表値である平均事象ベクトルとの距離を算出し、距離が最も近い事象タイプｃを、着目する事象ベクトルに割り当てる。なお、距離が近いほど両ベクトルが類似していることを意味する。これを数式では（１４）式によって表される。これにより、対象ドライバについて収集された全ての事象ベクトルｆに対して、いずれかの事象タイプｃ（ｆ）が割り当てられる。

Ｓ２３０では、Ｓ２２０での算出結果に基づき、モデルデータベース１７に記憶された事象分類モデルを用いて、対象ドライバの運転傾向の特徴を表す事象タイプ分布（以下、対象タイプ分布）を作成する。

Ｓ２４０では、モデルデータベース１７に記憶されたドライバ分類モデルを用いて、Ｓ２３０で作成された対象タイプ分布が、どのドライバタイプに属するかを判断することによって、対象ドライバのドライバタイプを特定する。以下では、特定されたドライバタイプを対象ドライバタイプという。

具体的には、図９に示すように、ドライバ表現空間において、対象タイプ分布ｇと各ドライバタイプの平均事象タイプ分布ｇ_αとの距離を算出し、距離が最も近いドライバタイプαを、対象ドライバタイプとする。これを数式では（１５）式によって表される。なお、距離が近いほど両分布が類似していることを意味する。

Ｓ２５０では、Ｓ２４０にて特定された対象ドライバタイプに従い、予め設定された選定条件に従って、対象ドライバに対する運転支援の対象とする事象タイプである選定事象タイプを選定して本処理を終了する。具体的には、例えば、図１０に示すように、対象ドライバタイプの平均事象タイプ分布の中で、頻度が高い事象タイプの上位所定個（例えば、３個）に入ることを選定条件とする。つまり、対象ドライバタイプに属するドライバが遭遇する可能性の高い事象を運転支援の対象として選定する。

これに限らず、例えば、図１１に示すように、対象ドライバタイプの平均事象タイプ分布には存在するが、対象タイプ分布には存在しないことを選定条件としてもよい。この場合、対象ドライバタイプに属するドライバが遭遇する可能性の高い事象であるが、対象ドライバが未だ遭遇していない事象を、運転支援の対象として選定することになる。また、対象ドライバタイプの平均事象タイプ分布と対象タイプ分布とで頻度差が大きい事象を、運転支援の対象として選定してもよい。

［３－３．支援実行処理］
次に、制御部１８が実行する支援実行処理について、図１２に示すフローチャートを用いて説明する。本処理は、車両が走行可能な状態にある間、繰り返し実行される。

本処理が実行されると、Ｓ３１０にて、制御部１８は、車載センサ群２から事象データを構成するＤ次元のデータをリアルタイムで取得して、運転中のドライバである対象ドライバについての事象ベクトルである対象ベクトルｆを生成する。

Ｓ３２０では、制御部１８は、Ｓ２５０で選定された事象タイプである選定事象タイプのそれぞれについて、平均事象ベクトルＦｃと、Ｓ３１０で生成した対象ベクトルとの距離Ｒを（１６）式を用いて算出する。ここで距離Ｒは、平均事象ベクトルと対象ベクトルとの遠さを表す乖離度の一例である。

Ｓ３３０では、制御部１８は、距離Ｒが、予め設定された閾値ＴＨより小さい選定事象タイプが存在するか否かを判定する。つまり、対象ベクトルとの乖離度が、閾値ＴＨで表される基準値より低い選定事象タイプが存在するか否かを判定する。Ｒ＜ＴＨとなる選定事象タイプを支援事象タイプとして、支援事象タイプが一つも存在しなければ、そのまま本処理を終了する。支援事象タイプが一つでも存在すれば、Ｓ３４０に移行する。つまり、対象ベクトルとの乖離度が低いことを条件として、支援事象タイプを抽出する。

Ｓ３４０では、制御部１８は、支援事象タイプのそれぞれについて、予め設定された支援を、車載機器群３を動作させる等して実行した後、本処理を終了する。支援の内容として、例えば、車両のアクセル、ブレーキ、ステアリングを制御してもよいし、スピーカやディスプレイを用いたドライバに対する各種報知を行ってもよい。

なお、運転支援システムにおいて、モデル学習部５４及び制御部１８の各機能は、ＣＰＵ５４１及び１８１が非遷移的実体的記録媒体に格納されたプログラムを実行することにより実現される。この例では、メモリ５４２及び１８２が、プログラムを格納した非遷移的実体的記録媒体に該当する。また、このプログラムが実行されることで、プログラムに対応する方法が実行される。なお、モデル学習部５４及び制御部１８は、１つのマイクロコンピュータを備えてもよいし、複数のマイクロコンピュータを備えてもよい。モデル学習部５４及び制御部１８の機能を実現する手法はソフトウェアに限るものではなく、その一部又は全部の機能は、一つあるいは複数のハードウェアを用いて実現されてもよい。例えば、上記機能がハードウェアである電子回路によって実現される場合、その電子回路は、デジタル回路、又はアナログ回路、あるいはこれらの組合せによって実現されてもよい。

［４．運転支援］
ここで、対象タイプ分布の上位所定個の事象タイプを選定事象タイプとした場合の支援の具体例について説明する。

［４－１．オンライン支援］
まず、支援実行処理で示したように、自車両の状況が選定事象タイプに対応する状況に近い場合に、運転中に実施されるオンライン支援について説明する。

例えば、選定事象タイプに対応する状況が発生する可能性があることを、音声により注意喚起したり、その状況をナビゲーション装置の表示画面に描画したりしてもよい。また、選定事象タイプに対応する状況に陥ることが回避されるように、ナビゲーション装置や自動運転装置等で使用されるルート又はパスを、危険箇所を迂回するようなルート又はパスに変更してもよい。また、選定事象タイプに対応する状況が発生したとしても、ドライバが対処できるように、車両を減速させてもよい。

上述した支援実行処理では、自車両の状況が、選定事象タイプに対応する状況に近い場合に運転支援を実行しているが、自車両の周囲に存在する車両（以下、注意車両）の状況が、選定事象タイプに対応する状況に近い状況にある場合に、運転支援を実行してもよい。この場合、注意車両の挙動に注意する必要があることを音声で警告したり、注意車両をナビゲーションの画面上で特定したりしてもよい。また、ナビゲーション装置や自動運転装置等で使用されるルート又はパスを、注意車両に接近しないようなルート又はパスに変更してもよい。さらに、注意車両との間に安全な車間距離が確保されるように、車両を減速させてもよい。

［４－２．オフライン支援］
運転支援処理では、選定事象タイプを、運転中に運転支援を実行するオンライン支援に用いる例について説明したが、特定されたドライバタイプや選定事象タイプの情報を車両から読み出して、運転指導などに用いるいわゆるオフライン支援に用いてもよい。

運転指導の具体例として、例えば、対象ドライバの事象タイプ分布（即ち、対象タイプ分布）に基づき、対象ドライバが未経験又は経験の少ない事象を優先して運転指導するようにしてもよい。対象ドライバが分類されるドライバタイプである対象ドライバタイプの平均事象タイプ分布に基づき、対象ドライバタイプに分類されるドライバが遭遇する可能性の高い事象を優先して運転指導するようにしてもよい。

また、運転指導の対象となる複数のドライバを、ドライバタイプによってグループ分けして、グループ毎にグループの特性、即ち、各ドライバタイプの平均事象タイプ分布から特定される各事象の発生傾向に沿った効果的な運転指導をしてもよい。

また、図１３に示すように、各ドライバタイプ間の平均事象タイプ分布の距離を算出し、互いの距離が大きくなるようにドライバタイプのペアを設定し、ペアに設定された二つのドライバタイプに属するドライバ間で、互いの運転方法や一般的な推奨方法にはない各ドライバのノウハウを共有するようにしてもよい。例えば、ドライバタイプ１とドライバタイプ３の平均事象タイプ分布Ｇ１，Ｇ３が、図１４に示すようなものである場合、以下の支援が考えられる。つまり、事象タイプ＃４、＃６については、ドライバタイプ３の事象を、ドライバタイプ１のドライバに提供することで、事象タイプ＃４、＃６に関するヒヤリを起こしにくいドライバタイプ１に属するドライバのノウハウを共有させる。事象タイプ＃１、＃３、＃５については、逆に、ドライバタイプ１の事象を、ドライバタイプ３のドライバに提供することで、事象タイプ＃１、＃３、＃５に関するヒヤリを起こしにくいドライバタイプ３に属するドライバのノウハウを共有させる。

［５．効果］
以上詳述した実施形態によれば、以下の効果を奏する。
（５ａ）運転支援装置１では、事象データをデータドリブンで分類すること生成された事象分類モデルと、その事象分類モデルを利用してドライバ毎に生成された事象タイプ分布をデータドリブンで分類することで生成されたドライバ分類モデルとを用いて、運転支援を行っている。従って、各モデルに含まれる事象タイプ及びドライバタイプが、設計者が想定したタイプだけに限定されてしまう従来技術とは異なり、例えば因果関係の把握や言語化が困難な事象やドライバの運転傾向等でも抽出されているため、モデルの客観性及び網羅性を確保できる。

（５ｂ）運転支援装置１では、事故又はヒヤリハットの発生時に検出された事象データに基づいて生成された事象タイプ分布を利用して、対象ドライバを分類することで対象ドライバタイプを特定するため、対象ドライバタイプの平均事象タイプ分布から、対象ドライバタイプに分類されるドライバが注意すべき事象を簡単に認識することができる。つまり、ドライバ分類に事故又はヒヤリハットという事象に直接結びついた事象データを用いている。このため、運転支援等において提示すべき事象（例えば、ヒヤリシーンなど）が決まると、これに対応した事象データに直接アクセスすることができる。例えば、ドライバ分類に車両信号から抽出した運転特徴を用いる従来技術では、ドライバの運転傾向がわかるだけで、具体的な事象と対応づけた支援を実現することができない点で、従来技術にはない効果が得られる。

（５ｃ）運転支援装置１では、事象分類モデル及びドライバ分類モデルを用いて、対象ドライバの事象タイプ分布の生成及び対象ドライバタイプの特定を行っているため、対象ドライバを的確なドライバタイプに分類すること、ひいては分類されたドライバタイプの特性に基づく効果的な支援を実行することができる。

（５ｄ）運転支援装置１では、リアルタイムで検出される対象ベクトルが、選定事象タイプの平均事象ベクトルに近い場合に、運転支援を実行する。このため、選定事象タイプに対応する状況に至る前に、ドライバの注意を喚起したり、選定事象の状況を避けるような運転支援を実行したりすることができる。

（５ｅ）センタ装置５で多くのドライバの事象データを収集し、学習することで、常時モデルを更新し、更新したモデルを各車両に配信している。従って、各車両に搭載された運転支援装置１では、常に最新のモデルに属する最新の事象タイプを取得することができ、より適切な事象選定、ひいては効果的な支援を実現することができる。

（５ｆ）センタ装置５では、収集した事象データから、危険度の低い事象に対応する事象データを自動または手動で排除することで、モデルの生成に使用するデータを絞り込んでいる。ことため、不必要な事象がモデルに含まれること、ひいては運転支援時に不必要な事象が提示されることが抑制されるため、より効果的な支援を実現することができる。

（５ｇ）事象分類モデルに属する各事象タイプは、その事象タイプに属する事象データの典型例に当たるクラスタ中心によって表現されている。つまり、典型例を用いることにより、一部のドライバに限らず、全てのドライバに対して効果的な運転支援を行うことができる。

［６．他の実施形態］
以上、本開示の実施形態について説明したが、本開示は上述の実施形態に限定されることなく、種々変形して実施することができる。

（６ａ）上記実施形態では、個別事象データベース１３及び統合事象データベース５３に、事象データとして、生データの時系列を蓄積しているが、これに限定されるものではない。例えば、事象データから特徴量を抽出することで生成される事象ベクトルを蓄積するように構成されていてもよい。この場合、データベースの容量を削減することができる。

（６ｂ）上記実施形態では、事象分類モデルに属する事象タイプをすべて同等に扱っているが、これに限定されるものではない。例えば、事象タイプのそれぞれに、予め危険度を設定しておき、危険度の高い事象を優先して選定事象に選定したり、事象の危険度に応じて支援の強さを調整したりする等、危険度を加味した制御を行ってもよい。

（６ｃ）上記実施形態では、事象分類モデル及びドライバ分類モデルの生成を、センタ装置５が行うように構成されているが、各車両の運転支援装置１に、何等かの方法で他のドライバの事象データを取得させ、運転支援装置１が事象分類モデル及びドライバ分類モデルの作成を行うように構成されていてもよい。

（６ｄ）上記実施形態では、事象分類モデルを各事象クラスタの代表値の集合により定義し、ドライバ分類モデルを各ドライバクラスタの代表値の集合により定義しているが、これに限定されるものではない。例えば、代表値を用いることなくクラスタそのもので定義してもよい。この場合、どのクラスタに属するかの判断は、例えば、Ｋ近傍法を用いてもよい。

（６ｅ）上記実施形態では、事象分類モデルに属する事象タイプを、収集した事象ベクトルをクラスタリングすることで生成しているが、事象ベクトルのサンプルが少なく、クラスタリングがうまく働かない場合、例えば、事象ベクトルのそれぞれが異なるクラスタとして分類されてしまうような場合には、予め用意された事象タイプを用いてもよい。

（６ｆ）上記実施形態における１つの構成要素が有する複数の機能を、複数の構成要素によって実現したり、１つの構成要素が有する１つの機能を、複数の構成要素によって実現したりしてもよい。また、複数の構成要素が有する複数の機能を、１つの構成要素によって実現したり、複数の構成要素によって実現される１つの機能を、１つの構成要素によって実現したりしてもよい。また、上記実施形態の構成の一部を省略してもよい。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から特定される技術思想に含まれるあらゆる態様が本開示の実施形態である。

（６ｇ）上述した運転支援装置及びセンタ装置の他、当該運転支援装置及びセンタ装置を構成要素とするシステム、当該運転支援装置及びセンタ装置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半導体メモリ等の非遷移的実態的記録媒体など、種々の形態で本開示を実現することもできる。

１…運転支援装置、２…車載センサ群、３…車載機器群、５…センタ装置、１１…データ収集部、１２…データ保存部、１３…個別事象データベース、１４…データ送信部、１５…モデル受信部、１６…モデル更新部、１７…モデルデータベース、１８…制御部、５１…データ受信部、５２…データ保存部、５３…統合事象データベース、５４…モデル学習部、５５…モデル配信部。

Claims (12)

1. 複数のドライバについて収集された、事故及びヒヤリハットの少なくとも一方に関するデータである事象データを、データドリブンで分類することで生成される複数の事象タイプを有する事象分類モデル、及び前記ドライバ毎に、前記事象分類モデルに含まれる複数の事象タイプのそれぞれが運転中に表れる頻度を示した分布である複数の事象タイプ分布を、データドリブンで分類することで生成される複数のドライバタイプを有するドライバ分類モデルを記憶するように構成されたモデル記憶部（１７）と、
   運転支援の対象となるドライバである対象ドライバについての前記事象データである対象データを収集するように構成されたデータ収集部（１１）と、
   前記データ収集部にて収集された前記対象データ及び前記モデル記憶部に記憶された前記事象分類モデルを用いて、前記対象ドライバについての事象タイプ分布である対象タイプ分布を生成するように構成された分布生成部（１８：Ｓ２１０～Ｓ２３０）と、
   前記分布生成部にて生成された前記対象タイプ分布と前記モデル記憶部に記憶されたドライバ分類モデルとを比較することで、前記対象ドライバが属するドライバタイプである対象ドライバタイプを特定するように構成されたタイプ特定部（１８：Ｓ２４０）と、
   前記タイプ特定部にて特定された対象ドライバタイプに応じた運転支援を実行するように構成された支援実行部（１８：Ｓ３１０～Ｓ３４０）と、
   前記対象ドライバタイプに含まれる複数のドライバについての前記事象タイプ分布の平均である平均事象タイプ分布に基づいて、予め設定された選定条件を満たす一つ以上の前記事象タイプを選定する事象選定部（Ｓ２５０）と、
   を備え、
   前記支援実行部は、前記事象選定部により選定された事象タイプのそれぞれについて、リアルタイムで収集される前記対象データとの遠さを表す乖離度を算出し、前記類似度が予め設定された条件を満たす前記事象タイプに関する運転支援を少なくとも実行するように構成され、
   前記事象選定部は、前記対象ドライバタイプの平均事象タイプ分布の中で頻度の高さが、上位所定個以内であることを、前記選定条件として用いるように構成された、
   運転支援装置。
2. 請求項１に記載の運転支援装置であって、
   前記事象選定部は、前記対象ドライバタイプの平均事象タイプ分布と前記対象タイプ分布とを前記対象ドライバタイプ毎に比較し、前記平均事象タイプ分布には現れるが前記対象タイプ分布には現れないことを、前記選定条件として用いるように構成された、
   運転支援装置。
3. 複数のドライバについて収集された、事故及びヒヤリハットの少なくとも一方に関するデータである事象データを、データドリブンで分類することで生成される複数の事象タイプを有する事象分類モデル、及び前記ドライバ毎に、前記事象分類モデルに含まれる複数の事象タイプのそれぞれが運転中に表れる頻度を示した分布である複数の事象タイプ分布を、データドリブンで分類することで生成される複数のドライバタイプを有するドライバ分類モデルを記憶するように構成されたモデル記憶部（１７）と、
   運転支援の対象となるドライバである対象ドライバについての前記事象データである対象データを収集するように構成されたデータ収集部（１１）と、
   前記データ収集部にて収集された前記対象データ及び前記モデル記憶部に記憶された前記事象分類モデルを用いて、前記対象ドライバについての事象タイプ分布である対象タイプ分布を生成するように構成された分布生成部（１８：Ｓ２１０～Ｓ２３０）と、
   前記分布生成部にて生成された前記対象タイプ分布と前記モデル記憶部に記憶されたドライバ分類モデルとを比較することで、前記対象ドライバが属するドライバタイプである対象ドライバタイプを特定するように構成されたタイプ特定部（１８：Ｓ２４０）と、
   前記タイプ特定部にて特定された対象ドライバタイプに応じた運転支援を実行するように構成された支援実行部（１８：Ｓ３１０～Ｓ３４０）と、
   前記対象ドライバタイプに含まれる複数のドライバについての前記事象タイプ分布の平均である平均事象タイプ分布に基づいて、予め設定された選定条件を満たす一つ以上の前記事象タイプを選定する事象選定部（Ｓ２５０）と、
   を備え、
   前記支援実行部は、前記事象選定部により選定された事象タイプのそれぞれについて、リアルタイムで収集される前記対象データとの遠さを表す乖離度を算出し、前記類似度が予め設定された条件を満たす前記事象タイプに関する運転支援を少なくとも実行するように構成され、
   前記事象選定部は、前記対象ドライバタイプの平均事象タイプ分布と前記対象タイプ分布とを前記対象ドライバタイプ毎に比較し、前記平均事象タイプ分布には現れるが前記対象タイプ分布には現れないことを、前記選定条件として用いるように構成された、
   運転支援装置。
4. 請求項１から請求項３のいずれか１項に記載の運転支援装置であって、
   前記支援実行部は、前記運転支援の一つとして、前記対象タイプ分布及び前記対象ドライバタイプの平均事象タイプ分布を外部に出力するオフライン処理を含むように構成された、
   運転支援装置。
5. 複数のドライバについて収集された、事故及びヒヤリハットの少なくとも一方に関するデータである事象データを、データドリブンで分類することで生成される複数の事象タイプを有する事象分類モデル、及び前記ドライバ毎に、前記事象分類モデルに含まれる複数の事象タイプのそれぞれが運転中に表れる頻度を示した分布である複数の事象タイプ分布を、データドリブンで分類することで生成される複数のドライバタイプを有するドライバ分類モデルを記憶するように構成されたモデル記憶部（１７）と、
   運転支援の対象となるドライバである対象ドライバについての前記事象データである対象データを収集するように構成されたデータ収集部（１１）と、
   前記データ収集部にて収集された前記対象データ及び前記モデル記憶部に記憶された前記事象分類モデルを用いて、前記対象ドライバについての事象タイプ分布である対象タイプ分布を生成するように構成された分布生成部（１８：Ｓ２１０～Ｓ２３０）と、
   前記分布生成部にて生成された前記対象タイプ分布と前記モデル記憶部に記憶されたドライバ分類モデルとを比較することで、前記対象ドライバが属するドライバタイプである対象ドライバタイプを特定するように構成されたタイプ特定部（１８：Ｓ２４０）と、
   前記タイプ特定部にて特定された対象ドライバタイプに応じた運転支援を実行するように構成された支援実行部（１８：Ｓ３１０～Ｓ３４０）と、
   前記対象ドライバタイプに含まれる複数のドライバについての前記事象タイプ分布の平均である平均事象タイプ分布に基づいて、予め設定された選定条件を満たす一つ以上の前記事象タイプを選定する事象選定部（Ｓ２５０）と、
   を備え、
   前記支援実行部は、前記事象選定部により選定された事象タイプのそれぞれについて、リアルタイムで収集される前記対象データとの遠さを表す乖離度を算出し、前記類似度が予め設定された条件を満たす前記事象タイプに関する運転支援を少なくとも実行し、かつ、前記運転支援の一つとして、前記対象タイプ分布及び前記対象ドライバタイプの平均事象タイプ分布を外部に出力するオフライン処理を含むように構成された、
   運転支援装置。
6. 請求項１から請求項５のいずれか１項に記載の運転支援装置であって、
   複数のドライバに関する前記事象データを収集して蓄積するように構成されたデータ蓄積部（５１～５３）と、
   データ蓄積部に蓄積されたデータを用いて、前記事象タイプの分類を実行することで、前記事象分類モデルを生成するように構成された事象分類部（５４：Ｓ１１０～Ｓ１２０）と、
   前記事象分類部が生成した前記事象分類モデルに従って、前記ドライバ分類モデルを生成するように構成されたドライバ分類部（５４：Ｓ１３０～Ｓ１４０）と、
   前記事象分類部が生成した前記事象分類モデル及び前記ドライバ分類部が生成したドライバ分類モデルを各車両に配信するように構成されたモデル配信部（５５）と、
   を更に備える運転支援装置。
7. 複数のドライバについて収集された、事故及びヒヤリハットの少なくとも一方に関するデータである事象データを、データドリブンで分類することで生成される複数の事象タイプを有する事象分類モデル、及び前記ドライバ毎に、前記事象分類モデルに含まれる複数の事象タイプのそれぞれが運転中に表れる頻度を示した分布である複数の事象タイプ分布を、データドリブンで分類することで生成される複数のドライバタイプを有するドライバ分類モデルを記憶するように構成されたモデル記憶部（１７）と、
   運転支援の対象となるドライバである対象ドライバについての前記事象データである対象データを収集するように構成されたデータ収集部（１１）と、
   前記データ収集部にて収集された前記対象データ及び前記モデル記憶部に記憶された前記事象分類モデルを用いて、前記対象ドライバについての事象タイプ分布である対象タイプ分布を生成するように構成された分布生成部（１８：Ｓ２１０～Ｓ２３０）と、
   前記分布生成部にて生成された前記対象タイプ分布と前記モデル記憶部に記憶されたドライバ分類モデルとを比較することで、前記対象ドライバが属するドライバタイプである対象ドライバタイプを特定するように構成されたタイプ特定部（１８：Ｓ２４０）と、
   前記タイプ特定部にて特定された対象ドライバタイプに応じた運転支援を実行するように構成された支援実行部（１８：Ｓ３１０～Ｓ３４０）と、
   前記対象ドライバタイプに含まれる複数のドライバについての前記事象タイプ分布の平均である平均事象タイプ分布に基づいて、予め設定された選定条件を満たす一つ以上の前記事象タイプを選定する事象選定部（Ｓ２５０）と、
   複数のドライバに関する前記事象データを収集して蓄積するように構成されたデータ蓄積部（５１～５３）と、
   データ蓄積部に蓄積されたデータを用いて、前記事象タイプの分類を実行することで、前記事象分類モデルを生成するように構成された事象分類部（５４：Ｓ１１０～Ｓ１２０）と、
   前記事象分類部が生成した前記事象分類モデルに従って、前記ドライバ分類モデルを生成するように構成されたドライバ分類部（５４：Ｓ１３０～Ｓ１４０）と、
   前記事象分類部が生成した前記事象分類モデル及び前記ドライバ分類部が生成したドライバ分類モデルを各車両に配信するように構成されたモデル配信部（５５）と、
   を備え、
   前記支援実行部は、前記事象選定部により選定された事象タイプのそれぞれについて、リアルタイムで収集される前記対象データとの遠さを表す乖離度を算出し、前記類似度が予め設定された条件を満たす前記事象タイプに関する運転支援を少なくとも実行するように構成された、
   運転支援装置。
8. 請求項１から請求項７のいずれか１項に記載の運転支援装置であって、
   前記支援実行部は、前記事象選定部により選定された事象タイプのそれぞれについて、前記対象ドライバが運転する車両の周囲に存在する車両である他車両からリアルタイムに取得される前記事象データとの遠さを表す乖離度を算出し、該乖離度が予め設定された条件を満たす前記事象タイプに関する運転支援を少なくとも実行するように構成された、
   を備える、運転支援装置。
9. 請求項１から請求項８のいずれか１項に記載の運転支援装置であって、
   前記乖離度は、前記事象タイプと前記対象データとの距離に基づいて算出され、
   該距離が近いほど前記乖離度が低いと判断される、
   運転支援装置。
10. 請求項１から請求項９のいずれか１項に記載の運転支援装置であって、
    前記支援実行部は、前記運転支援の一つとして、前記事象タイプに対応する事故またはヒヤリハットに対する注意を促すための報知を含むように構成された、
    運転支援装置。
11. 請求項１から請求項１０のいずれか１項に記載の運転支援装置であって、
    前記支援実行部は、前記運転支援の一つとして、前記事象タイプに対応する事故またはヒヤリハットの発生が抑制されるように実施される、ルート又はパスの変更、及び車両制御のうち少なくとも一方を含むように構成され、
    前記ルート又はパスは、ナビゲーション及び自動走行制御のうち少なくとも一方にて使用される、
    運転支援装置。
12. 複数のドライバについて収集された、事故及びヒヤリハットの少なくとも一方に関するデータである事象データを、データドリブンで分類することで生成される複数の事象タイプを有する事象分類モデル、及び前記ドライバ毎に、前記事象分類モデルに含まれる複数の事象タイプのそれぞれが運転中に表れる頻度を示した分布である複数の事象タイプ分布を、データドリブンで分類することで生成される複数のドライバタイプを有するドライバ分類モデルを記憶するように構成されたモデル記憶部（１７）と、
    運転支援の対象となるドライバである対象ドライバについての前記事象データである対象データを収集するように構成されたデータ収集部（１１）と、
    前記データ収集部にて収集された前記対象データ及び前記モデル記憶部に記憶された前記事象分類モデルを用いて、前記対象ドライバについての事象タイプ分布である対象タイプ分布を生成するように構成された分布生成部（１８：Ｓ２１０～Ｓ２３０）と、
    前記分布生成部にて生成された前記対象タイプ分布と前記モデル記憶部に記憶されたドライバ分類モデルとを比較することで、前記対象ドライバが属するドライバタイプである対象ドライバタイプを特定するように構成されたタイプ特定部（１８：Ｓ２４０）と、
    前記タイプ特定部にて特定された対象ドライバタイプに応じた運転支援を実行するように構成された支援実行部（１８：Ｓ３１０～Ｓ３４０）と、
    複数のドライバに関する前記事象データを収集して蓄積するように構成されたデータ蓄積部（５１～５３）と、
    データ蓄積部に蓄積されたデータを用いて、前記事象タイプの分類を実行することで、前記事象分類モデルを生成するように構成された事象分類部（５４：Ｓ１１０～Ｓ１２０）と、
    前記事象分類部が生成した前記事象分類モデルに従って、前記ドライバ分類モデルを生成するように構成されたドライバ分類部（５４：Ｓ１３０～Ｓ１４０）と、
    前記事象分類部が生成した前記事象分類モデル及び前記ドライバ分類部が生成したドライバ分類モデルを各車両に配信するように構成されたモデル配信部（５５）と、
    を備える運転支援装置。

Images