JP7099368B2 - 支援時間提示システム - Google Patents

Description

本開示は、支援時間提示システムに関する。

近年、車両の自動運転システムの研究が進められている。自動運転システムでは、何らかの原因により車両の自動運転が不能になった場合に、乗員から呼び出された遠隔操作者が遠隔地から運転を支援することが検討されている（例えば、特許文献１参照）。

特開２０１８－７７６４９号公報

しかし、乗員は、遠隔支援に要する時間がわからず、不安になる可能性がある。そのため、遠隔支援に要する時間を精度良く推定し、乗員に提示することのできる技術が求められている。

本開示は、以下の形態として実現することが可能である。

本開示の一形態によれば、支援時間提示システム（１０）が提供される。この支援時間提示システムは、学習対象車両の周辺情報の特徴量と、前記学習対象車両に対する遠隔支援時間との相関を学習することによって得られたモデルを記憶する記憶部（ＤＢ４）と、支援対象車両の周辺情報を取得して、取得された前記周辺情報から特徴量を抽出する周辺情報抽出部（１２０）と、前記周辺情報抽出部によって抽出された前記特徴量に基づき、前記モデルを用いて、前記支援対象車両に対する遠隔支援時間を推定する支援時間推定部（２３０）と、前記支援時間推定部により推定された前記遠隔支援時間に関する情報を提示する情報提示部（１４０）と、を備える。

この形態の支援時間提示システムでは、学習対象車両の周辺情報の特徴量と遠隔支援時間との相関を学習することによって得られたモデルを用いることによって、支援対象車両に対する遠隔支援時間を推定する。そのため、遠隔支援に要する時間を車両の周辺情報に応じて精度良く推定して乗員に提示することができ、乗員の不安を和らげることができる。

本開示は、支援時間提示システム以外の種々の形態で実現することも可能である。例えば、支援時間提示システムに用いられる車載器や、遠隔支援を行うための遠隔支援装置等の形態で実現できる。

支援時間提示システムの概念図。 車載装置およびセンタ側装置のブロック図。 周辺情報から周辺情報特徴量への変換処理の例を示す図。 周辺情報から周辺情報特徴量への他の変換処理の例を示す図。 シーンラベル学習処理の概念図。 モデルを用いた分類処理を簡易的に示す図。 学習済モデル保持用データベースのデータ構造を示す第１の図。 シーン分類適用時用データベースのデータ構造を示す図。 シーンラベルの統計を示すグラフ。 支援時間推定学習用データベースのデータ構造を示す図。 学習済モデル保持用データベースのデータ構造を示す第２の図。 支援時間推定モデルを用いた支援時間推定の第１の説明図。 支援時間推定モデルを用いた支援時間推定の第２の説明図。 タスク管理用データベースのデータ構造を示す第１の図。 オペレータ毎に算出された支援開始時間を示す図。 タスク管理用データベースのデータ構造を示す第２の図。 情報提示部による情報の提示例を示す図。

Ａ．第１実施形態：
図１に示すように、本開示における支援時間提示システム１０では、車両が自動運転できない状況に陥った場合に、遠隔地にいる遠隔操作者（オペレータ）が呼び出され、オペレータから、車両に対する遠隔支援がなされる。遠隔支援には、例えば、遠隔操縦や経路計画の変更などが含まれる。車両が運転できない状況に陥ることを、以下では「スタック」という。本実施形態の支援時間提示システム１０では、車両がスタックした場合に、その車両の遠隔支援が開始されるまでの時間が支援開始時間として計算されるとともに、その車両の遠隔支援が完了するまでの時間が支援完了時間として計算される。そして、それらの時間が、スタックした車両の乗員に提示される。図１には、これらの時間が、「現在他の車両を支援中です。あなたを支援するまで約Ｙ分Ｚ秒です。支援完了まで約Ｗ分Ｕ秒です。しばらくお待ちください。」というメッセージによって乗員に提示された例を示している。

図２に示すように、支援時間提示システム１０は、車載装置１００とセンタ側装置２００とを含む。車載装置１００は、自動運転車両に搭載され、センタ側装置２００は、遠隔支援センタに配置される。これらは無線通信によって通信可能に構成されている。車載装置１００が搭載される車両は、例えば、自動運転レベル４に相当する車両である。自動運転レベル４では、高度自動運転が行われる。高度自動運転では、車両の加速、制動、操舵が自動で行われ、さらに、運転環境の監視や安全運行のための適切な対応も、車両側で行われる。本実施形態では、車両側で自動運転の対応できなくなった際に、車載装置１００によって遠隔支援センタに対してオペレータの呼び出しが行われる。以下では、遠隔支援を要する車両のことを、「支援対象車両」という。

車載装置１００は、センサ群１１０と、周辺情報抽出部１２０と、第１通信部１３０と、情報提示部１４０とを備える。周辺情報抽出部１２０は、ＣＰＵおよびメモリを備えるコンピュータによって構成されており、ＣＰＵがメモリに記憶された所定のプログラムを実行することで実現される機能部である。なお、周辺情報抽出部１２０は、各種の回路によって実現されてもよい。

センサ群１１０には、例えば、車両の周辺を撮像するカメラや、他車両までの距離を測定するＬｉＤＡＲ（Light Detection and Ranging、Laser Imaging Detection and Ranging）、車両の現在位置を測定するＧＮＳＳ（Global Navigation Satellite System）センサ等が含まれる。

周辺情報抽出部１２０は、センサ群１１０を用いて、車両がスタックした場所における周辺情報から特徴量を抽出する。周辺情報には、例えば、時刻情報や、位置情報、道路上に存在する周辺物体の情報が含まれる。周辺情報抽出部１２０は、車車間通信によってこれらの情報を取得してもよい。

第１通信部１３０は、無線通信回路によって構成され、第１送信部１３２と第１受信部１３４とを含む。第１送信部１３２は、センサ群１１０によって取得された情報や、周辺情報抽出部１２０によって抽出された特徴量を表すデータを、センタ側装置２００へ送信する。第１受信部１３４は、センタ側装置２００から、図１に示したメッセージや、遠隔操作を行う担当オペレータの映像等をＨＭＩ（Human machine interface）情報として受信する。

情報提示部１４０は、第１受信部１３４がセンタ側装置２００から受信した情報を車両の乗員に提示する。情報提示部１４０は、例えば、表示装置や音声再生装置を含み、映像や音声を用いて、図１に示したメッセージを乗員に提示する。

センタ側装置２００は、第２通信部２１０と、シーン分類部２２０と、支援時間推定部２３０と、タスク管理部２４０と、センタ側カメラ２５０とを備える。シーン分類部２２０と支援時間推定部２３０とタスク管理部２４０とは、ＣＰＵおよびメモリを備えるコンピュータによって構成されており、ＣＰＵがメモリに記憶された所定のプログラムを実行することで実現される機能部である。なお、これらの機能部は、回路によって実現されてもよい。センタ側装置２００は、また、ハードディスクドライブ等によって構成された記憶部を備えており、記憶部には、シーン分類モデル学習用データベースＤＢ１、学習済モデル保持用データベースＤＢ２、シーン分類適用時用データベースＤＢ３、支援時間推定学習用データベースＤＢ４、タスク管理用データベースＤＢ５が記憶されている。

第２通信部２１０は、無線通信回路によって構成され、第２受信部２１２と第２送信部２１４とを含む。第２受信部２１２は、車載装置１００の第１通信部１３０から、センサ群１１０によって取得された情報や、周辺情報抽出部１２０によって抽出された特徴量を表すデータを受信する。第２送信部２１４は、図１に示したメッセージや、遠隔操作を行う担当オペレータの映像等をＨＭＩ情報として車載装置１００の第１受信部１３４に送信する。

シーン分類部２２０は、学習対象車両のスタックシーンを学習して、シーン分類モデルを作成する。また、シーン分類部２２０は、そのシーン分類モデルを用いて、支援対象車両が遠隔支援の対象となったスタックシーンを推定する。シーン分類部２２０によって行われる具体的な処理内容は後述する。「学習対象車両」および「支援対象車両」という名称は、便宜的に付けた名称であり、支援対象車両は、遠隔支援が不要の場合は、学習対象車両に成り得る。また、学習対象車両は、遠隔支援が必要となったときには、支援対象車両に成り得る。学習対象車両には、センタ側装置２００に対して情報を送信可能なあらゆる車両が含まれる。

支援時間推定部２３０は、第２受信部２１２によって受信された特徴量に基づき、学習済モデル保持用データベースＤＢ２に格納されたモデルを用いて、支援対象車両の支援に要する時間（遠隔支援時間）を推定する。支援時間推定部２３０によって行われる具体的な処理内容は後述する。

タスク管理部２４０は、オペレータのタスク管理を行い、支援開始時間および支援完了時間の算出を行う。タスク管理部２４０によって行われる具体的な処理内容は後述する。

センタ側カメラ２５０は、オペレータを撮像する。撮像された映像は、第２送信部２１４を通じて車載装置１００に送信され、必要に応じて、情報提示部１４０により、乗員に提示される。

以下では、図２に示した各部において実行される処理を説明する。車載装置１００の周辺情報抽出部１２０は、図３に示すように、車両がスタックした場所において抽出された周辺情報を、周辺情報特徴量に変換する。具体的には、スタックした位置から前方への所定の距離をｎ［ｍ］、道路幅をｍ［ｍ］とした場合に、その面積空間Ｓをａ［ｍ］×ｂ［ｍ］毎に分割する。そして、面積空間Ｓを行列Ｓ’と見なして、道路上に存在している物体（例えば、駐車車両）の行列Ｓ’上の位置（グリッド）に「１」を、物体が存在していない行列Ｓ’上のグリッドに「０」を代入する。そして、行列Ｓ’を１次元のベクトルである周辺情報特徴量に変換する。

周辺情報抽出部１２０は、図３に示した周辺情報特徴量以外にも他の形式の周辺情報特徴量を求めてもよい。例えば、図４に示すように、センサ群１１０によって撮像された映像から、他車両などの周辺物体を検出し、それら周辺物体の個々について、相対座標を求める。そして、それらの相対座標を、１次元のベクトルに変換することで、周辺情報特徴量を求めることができる。つまり、周辺情報抽出部１２０は、周辺情報に基づき、車両が通行する領域における物体の位置や通行可能な領域が判別できるような特徴量化を行うことにより、周辺情報特徴量を求めればよい。

図５には、シーン分類部２２０によって実行されるシーンラベル学習処理の概念を示している。シーン分類部２２０は、車両に遠隔支援が必要となる支援シーンを予め想定し、それらのシーンの分類を行う。支援シーンのことを、以下では、スタックシーンという。具体的には、まず、シーン分類部２２０は、車載装置１００の有無を問わず、センタ側装置２００と通信可能な学習対象車両から、それらの車両の運転挙動情報や周辺物体情報のデータを、スタックが生じ得る位置ごとに収集する。運転挙動情報としては、例えば、運転トピック特徴量の系列を用いることができる。運転トピック特徴量の系列は、例えば、車両から取得されるＣＡＮ（Controller Area Network）信号に、特開２０１３－２５０６６３号や特開２０１４－２３５６０５号に開示された記号化技術を適用することで取得することができる。周辺物体情報としては、例えば、周辺物体との距離情報や、自車両から見た物体への相対角度などの情報の系列を用いることができる。学習対象車両は、周辺物体との距離を、例えば、ＬｉＤＡＲを用いて取得することができ、自車両から見た物体への相対角度を、例えば、カメラの画像を解析することで取得することができる。

シーン分類部２２０は、上述した運転挙動情報および周辺物体情報と対応するシーンラベルの情報を、シーン分類モデル学習用データベースＤＢ１に格納する。そして、シーンラベルと運転挙動情報と周辺物体情報との関係を、ディープラーニングなどのクラス分類モデルを用いて学習し、シーン分類モデルＭsceneを最適化する。クラス分類モデルとしては、例えば、ＬＳＴＭ（Long short-term memory）を用いたニューラルネットワークを用いることができる。

図６には、こうして生成されたシーン分類モデルＭsceneを簡略化して示している。シーン分類モデルＭsceneに対して、運転挙動情報および周辺物体情報を入力すると、出力としてシーンラベルが出力される。

図７には、学習済モデル保持用データベースＤＢ２のデータ構造を示している。学習済モデル保持用データベースＤＢ２には、上記のように学習された学習済みのシーン分類モデルＭsceneのモデルパラメータが格納される。モデルパラメータとは、モデルを表すニューラルネットワークの各ノードに適用される重みや係数である。シーン分類部２２０は、学習済モデル保持用データベースＤＢ２に格納されたモデルパラメータを用いてシーン分類モデルＭsceneを再現し、そのシーン分類モデルＭsceneを用いて、図６に示したように、運転挙動情報および周辺物体情報からシーンラベルを分類する。なお、シーン分類の手法は、上述した例に限らず、例えば、特開２０１５－５６０５８号に開示された教師なし分類によって行われてもよい。その場合、トピックのクラスタリングによって得られるクラスタが本実施形態におけるシーンに対応する。

図８には、シーン分類適用時用データベースＤＢ３のデータ構造を示している。シーン分類部２２０は、学習対象車両から、逐次、データを取得してシーン分類適用時用データベースＤＢ３に格納し、保持する。シーン分類部２２０が学習対象車両から取得するデータは、上述したシーン分類モデルＭsceneの学習時にも取得した運転トピック特徴量と物体情報に加え、各車両の識別ＩＤと、時刻と、位置情報である。

車載装置１００を備えた支援対象車両は、スタックが生じた時に、そのスタックが生じた位置の位置情報と時刻とを第１通信部１３０を用いてセンタ側装置２００に送信する。センタ側装置２００は、第２通信部２１０を用いてそれらの情報を受信すると、シーン分類部２２０が、受信した位置情報と時刻とを基に、過去の近似した時刻において、スタック位置に近似した位置に存在した学習対象車両をシーン分類適用時用データベースＤＢ３から検索する。過去の近似した時刻とは、例えば、現在から１時間前までの範囲であり、所定の閾値を設けることにより判断される。スタック位置に近似した位置とは、例えば、スタック位置から道路に沿って前後Ｌ［ｍ］の範囲であり、所定の上限を設けることにより判断される。シーン分類部２２０は、シーン分類適用時用データベースＤＢ３から検索された学習対象車両の運転トピック特徴量の系列と物体情報の系列とから、学習済みのシーン分類モデルＭsceneを用いて、シーンラベルを推定する。この推定処理では、シーン分類適用時用データベースＤＢ３から検索された車両の数だけシーンラベルが推定される。

図９に示すように、シーン分類部２２０は、推定されたシーンラベルの統計を求める。そして、最も頻度の高かったシーンラベルに該当するシーンを、支援対象車両のスタックシーンと判定する。図９に示した例では、路駐車、店舗入口、渋滞、ゴミ収集、事故といったシーンラベルのうち、最頻値である路駐車がスタックシーンとして特定される。このように、本実施形態では、過去の学習対象車両の様々な状況から、スタックした支援対象車両のスタックシーンを判断している。これは、支援対象車両はスタックしているため、運転トピック特徴量の系列や周辺情報の系列を直接的に取得することができないためである。

続いて、支援時間推定部２３０において実行される支援時間の学習処理について説明する。支援時間推定部２３０は、オペレータによって車両の遠隔支援が行われている間、逐次、支援時間の学習に必要な情報を、支援時間推定学習用データベースＤＢ４に格納する。具体的には、図１０に示すように、遠隔支援ごとに、オペレータＩＤと、その遠隔支援が行われる要因となった周辺情報特徴量（図３，４参照）と、その遠隔支援に要した所要時間と、その遠隔支援を行うに際して推定されたシーンラベルとが格納される。

支援時間推定部２３０は、支援時間の学習にあたり、まず、推定シーンラベルをクエリとして、支援所要時間と周辺情報特徴量とを支援時間推定学習用データベースＤＢ４を参照して取得する。そして、周辺情報特徴量を入力として、支援所要時間を出力するような関数ｆ、すなわち、周辺情報特徴量と遠隔支援時間との相関を表す関数ｆ、を学習する。関数ｆの推定には、例えば、ｎ次多項式をベースとした線形回帰を行ってもよいし、ニューラルネットワークなどを用いることにより非線形回帰を行ってもよい。そして、支援時間推定部２３０は、このような学習を、シーンラベル毎に行うことにより、シーンラベル毎に、支援時間推定モデルＭtimeを生成する。なお、支援時間推定部２３０は、推定シーンラベルだけではなく、オペレータＩＤをクエリとして、支援所要時間と周辺情報特徴量とを支援時間推定学習用データベースＤＢ４から取得し、学習を行えば、オペレータＩＤごと、および、推定シーンラベルごと、に支援時間推定モデルＭtimeを生成することができる。

支援時間推定部２３０は、以上のようにして支援時間の学習を行い、支援時間推定モデルＭtimeを生成すると、支援時間推定モデルＭtimeを、学習済モデル保持用データベースＤＢ２に格納する。図１１に示すように、学習済モデル保持用データベースＤＢ２には、オペレータＩＤごと、および推定シーンラベルごとに、支援時間推定モデルＭtimeのモデルパラメータが格納される。なお、本実施形態において、学習済モデル保持用データベースＤＢ２には、図７および図１１に示すように、シーン分類に用いられるシーン分類モデルＭsceneと、支援時間の推定に用いられる支援時間推定モデルＭtimeとが格納される。

支援時間推定部２３０は、学習済モデル保持用データベースＤＢ２に格納された支援時間推定モデルＭtimeを用いて、支援時間の推定を行う。具体的には、シーン分類部２２０によって推定されたスタックシーン（図９参照）のシーンラベルと、車載装置１００から取得した周辺情報特徴量と、遠隔支援を行うオペレータのＩＤとを用いて、学習済モデル保持用データベースＤＢ２から、支援時間の推定に用いる支援時間推定モデルＭtimeを特定する。そして、図１２に示すように、その支援時間推定モデルＭtimeを用いて、周辺情報特徴量から、支援時間を推定する。図１３には、様々なスタックシーンに対応する支援時間を例示している。図１３に示すように、例えば、スタック地点周辺の状況が複雑であるほど、支援時間推定モデルＭtimeを用いて推定される支援時間は長くなる。

支援時間推定部２３０によって推定された支援時間は、タスク管理部２４０によってオペレータ毎に管理される。図１４に示すように、タスク管理部２４０は、支援時間推定部２３０から、推定された支援時間とオペレータＩＤとを取得し、取得した順番を表すインデックス番号に対応付けて、それらオペレータＩＤと支援時間とをタスク管理用データベースＤＢ５に格納する。以下では、インデックス番号と、オペレータＩＤと、推定支援時間との組み合わせを、タスクという。各オペレータは、インデックス番号順に、自己のオペレータＩＤに対応する遠隔支援を実施していく。タスク管理部２４０は、支援が終わったタスクについては、タスク管理用データベースＤＢ５から削除する。

タスク管理部２４０は、新しい遠隔支援のタスクがタスク管理用データベースＤＢ５に格納されたときには、そのタスク以前に処理が必要なタスクの推定支援時間の合計と、そのタスクを含めた推定支援時間の合計とを算出する。前者は支援開始時間であり、後者は支援完了時間である。例えば、図１４において、インデックスの０００５番が新たに追加されたタスクだとすると、ＩＤが０００１番のオペレータによって行われる遠隔支援の支援開始時間は、６０秒＋３６０秒で４２０秒となり、支援完了時間は、４２０秒＋１５０秒で５７０秒となる。

図１５に示すように、タスク管理部２４０は、逐次、各オペレータの支援開始時間を計算してタスク管理用データベースＤＢ５に格納しておいてもよい。そうすると、タスク管理部２４０は、新たなタスクを効率的にオペレータに割り振ることが可能である。例えば、図１６に示すタスクの状況において、インデックス００１２番が新たに登録された場合、タスク管理部２４０は、図１５に示した各オペレータの支援開始時間を参照する。すると、図１５に示したオペレータの中で、ＩＤが０００３番のオペレータが最も手が空いている状況であると判断できる。そこで、タスク管理部２４０は、図１６に示す新たなタスク（インデックス００１２番）に対して、ＩＤが０００３番のオペレータを割り当てる。

タスク管理部２４０によって、支援開始時間および支援完了時間が計算されると、タスク管理部２４０は、それらを第２通信部２１０に出力する。第２通信部２１０は、第２送信部２１４により、支援開始時間および支援完了時間を含むＨＭＩ情報を車載装置１００に送信する。車載装置１００の第１通信部１３０は、第１受信部１３４によってＨＭＩ情報を受信し、図１７に示すように、情報提示部１４０によってそのＨＭＩ情報を乗員に提示する。情報提示部１４０は、情報提示部１４０によって提示される支援開始時間および支援完了時間を、所定のタイミングで更新する。もしくは、情報提示部１４０は、情報提示部１４０によって提示される支援開始時間および支援完了時間をカウントダウン形式で提示する。情報提示部１４０は、これらの情報の提示を、映像によって行ってもよいし、音声によって行ってもよい。また、図１７に示すように、情報提示部１４０は、遠隔支援を行うオペレータの名前や会社名を乗員に提示してもよい。遠隔支援時において、情報提示部１４０は、センタ側装置２００のセンタ側カメラ２５０によって撮影されたオペレータの映像を、ユーザに提示してもよい。

以上で説明した本実施形態の支援時間提示システム１０によれば、学習対象車両の周辺情報の特徴量と遠隔支援時間との相関を学習することによって得られた支援時間推定モデルＭtimeを用いて、支援対象車両に対する遠隔支援時間を推定するので、遠隔支援に要する時間を車両の周辺情報に応じて精度良く推定して乗員に提示することができる。この結果、乗員の不安を和らげることができる。

また、本実施形態では、図２に示したように、支援対象車両の周辺情報から特徴量を抽出する周辺情報抽出部１２０が、車載装置１００に搭載されており、車両側で、周辺情報特徴量を求める。そのため、車載装置１００からセンサ群１１０によって取得された各種のデータをそのままセンタ側装置２００に送信してセンタ側装置２００で周辺情報特徴量を求めるよりも、車載装置１００からセンタ側装置２００に送信するデータ量を削減できる。

また、本実施形態では、オペレータ毎に支援時間推定モデルＭtimeを学習するので、実際に遠隔支援を行うオペレータに対応する支援時間推定モデルＭtimeを用いて遠隔支援時間を推定することができる。そのため、より精度良く、遠隔支援に要する時間を推定することができる。

また、本実施形態では、支援時間推定モデルＭtimeが、学習対象車両の運転挙動情報（運転トピック特徴量）と周辺物体情報とに応じて予め分類されたシーン毎に生成されるので、支援対象車両のスタックシーンに応じた支援時間推定モデルＭtimeを用いて遠隔支援時間を推定することができる。そのため、より精度良く、遠隔支援に要する時間を推定することができる。例えば、配送車が停車していることによるスタックと、店舗入口が渋滞していることによるスタックとでは、遠隔支援の際、通行する経路も変化するため、そのようなスタックの状況の違いを支援時間の推定に的確に反映することができる。

また、本実施形態では、学習対象車両の運転挙動情報および周辺物体情報が、学習対象車両のスタックシーンにおける位置および時刻とともにシーン分類適用時用データベースＤＢ３に逐次記憶される。そして、シーン分類部２２０は、そのシーン分類適用時用データベースＤＢ３を参照して、支援対象車両の位置および時刻に近似する位置および時刻の学習対象車両の運転挙動情報および周辺物体情報に基づき、支援対象車両のスタックシーンを推定する。そのため、支援対象車両がスタックしている状況下でも、支援対象車両のスタックシーンを精度良く推定できる。

また、本実施形態では、タスク管理部２４０において、支援対象車両に対する遠隔支援が開始されるまでの時間を、他の支援対象車両に対して推定された遠隔支援時間に基づき、支援開始時間として算出するとともに、遠隔支援が完了するまでの時間を支援完了時間として算出する。そして、それら遠隔開始時間と支援完了時間とを、情報提示部１４０によって、乗員に提示する。そのため、乗員の苛立ちや不安を和らげ、安心感を与えることができる。

また、本実施形態では、オペレータ毎に算出された遠隔支援時間の合計に基づいて、新たなタスクを担当するオペレータを決定することができるので、個々のオペレータに負荷が偏ることを抑制できる。そのため、効率的な遠隔支援を行うことができる。

Ｂ．他の実施形態：
（Ｂ－１）上記実施形態において、センタ側装置２００のシーン分類部２２０は、支援対象車両がスタックした場合に、過去に近似した時刻、近似した位置に存在した学習対象車両の運転トピック特徴量および物体情報をシーン分類適用時用データベースＤＢ３（図８）から検索し、それらの情報に基づきスタックシーンを推定している。これに対して、シーン分類部２２０は、シーン分類適用時用データベースＤＢ３に、学習対象車両から送信されたデータ（例えば、各車両の識別ＩＤや時刻、位置情報）を格納するタイミングで、その学習対象車両の運転トピック特徴量および物体情報から予めシーンラベルを推定し、推定されたシーンラベルをシーン分類適用時用データベースＤＢ３に逐次格納してもよい。この場合、例えば、車両の識別ＩＤが一致するものに対して、Ｌ［ｍ］の区間幅毎、所定のタイミングで、シーンラベルを推定して、格納していく処理を逐次的に行っていく。このように、シーン分類適用時用データベースＤＢ３にデータが格納されるタイミングなどの所定のタイミングで事前にシーン分類を行っておけば、支援対象車両のスタック時には、その位置に対応するシーンラベルを読み出すだけでシーン分類を行うことができるので、スタック時にシーンラベルの推定を行う処理が不要になる。従って、支援対象車両のスタックシーンを迅速に判定することができ、支援時間提示までのインターバルを短縮することができる。

（Ｂ－２）上記実施形態では、スタックシーン毎、オペレータ毎に生成された支援時間推定モデルＭtimeを用いて遠隔支援時間を推定している。これに対して、支援時間推定モデルＭtimeは、スタックシーン毎に生成されていなくてもよいし、オペレータ毎に生成されていなくてもよい。また、例えば、支援時間推定モデルＭtimeは、スタックシーンやオペレータにかかわらず、学習対象車両の周辺情報特徴量と遠隔支援時間のみから生成されてもよい。つまり、遠隔支援時間は、スタックシーンやオペレータにかかわらず、支援対象車両の周辺情報特徴量のみから推定されてもよい。

（Ｂ－３）上記実施形態では、周辺情報抽出部１２０が車載装置１００側に備えられている。これに対して、周辺情報抽出部１２０は、センタ側装置２００に備えられてもよい。この場合、車載装置１００のセンサ群１１０によって取得された種々のデータがセンタ側装置２００に送信され、センタ側装置２００の周辺情報抽出部１２０によって周辺情報特徴量が抽出される。

（Ｂ－４）上記実施形態では、支援対象車両は、自動運転車両であるものとしたが、支援対象車両は、自動運転機能を備えない車両であってもよい。

（Ｂ－５）上記実施形態では、車載装置１００の情報提示部１４０によって、支援開始時間と支援完了時間とが乗員に提示されるものとしたが、これらのうちのいずれか一方のみを提示してもよいし、遠隔支援時間のみを提示してもよい。

本開示は、上述の実施形態に限られるものではなく、その趣旨を逸脱しない範囲において種々の構成で実現することができる。例えば、各実施形態中の技術的特徴は、上述の課題の一部又は全部を解決するために、あるいは、上述の効果の一部又は全部を達成するために、適宜、差し替えや、組み合わせを行うことが可能である。また、その技術的特徴が本明細書中に必須なものとして説明されていなければ、適宜、削除することが可能である。

１０ 支援時間提示システム、１００ 車載装置、１１０ センサ群、１２０ 周辺情報抽出部、１３０ 第１通信部、１３２ 第１送信部、１３４ 第１受信部、１４０ 情報提示部、２００ センタ側装置、２１０ 第２通信部、２１２ 第２受信部、２１４ 第２送信部、２２０ シーン分類部、２３０ 支援時間推定部、２４０ タスク管理部、２５０ センタ側カメラ、ＤＢ１ シーン分類モデル学習用データベース、ＤＢ２ 学習済モデル保持用データベース、ＤＢ３ シーン分類適用時用データベース、ＤＢ４ 支援時間推定学習用データベース、ＤＢ５ タスク管理用データベース

Claims (8)

1. 支援時間提示システム（１０）であって、
   学習対象車両の周辺情報の特徴量と、前記学習対象車両に対する遠隔支援時間との相関を学習することによって得られたモデルを記憶する記憶部（ＤＢ４）と、
   支援対象車両の周辺情報を取得して、取得された前記周辺情報から特徴量を抽出する周辺情報抽出部（１２０）と、
   前記周辺情報抽出部によって抽出された前記特徴量に基づき、前記モデルを用いて、前記支援対象車両に対する遠隔支援時間を推定する支援時間推定部（２３０）と、
   前記支援時間推定部により推定された前記遠隔支援時間に関する情報を提示する情報提示部（１４０）と、
   を備える支援時間提示システム。
2. 請求項１に記載の支援時間提示システムであって、
   前記周辺情報抽出部が、前記支援対象車両に備えられた、支援時間提示システム。
3. 請求項１または請求項２に記載の支援時間提示システムであって、
   前記記憶部は、遠隔操作者ごとに前記モデルを記憶し、
   前記支援時間推定部は、前記支援対象車両に対して遠隔支援を行う遠隔操作者に対応するモデルを用いて前記遠隔支援時間を推定する、支援時間提示システム。
4. 請求項１から請求項３までのいずれか一項に記載の支援時間提示システムであって、
   前記記憶部に記憶された前記モデルは、前記学習対象車両の運転挙動情報と周辺物体情報とに応じて予め分類された支援シーン毎に生成され、
   前記支援対象車両が遠隔支援の対象となった支援シーンを推定するシーン分類部（２２０）を備え、
   前記支援時間推定部は、推定された前記支援シーンに対応する前記モデルを用いて前記遠隔支援時間を推定する、支援時間提示システム。
5. 請求項４に記載の支援時間提示システムであって、
   前記記憶部には、前記学習対象車両の運転挙動情報および周辺物体情報が、前記学習対象車両の支援シーンにおける位置および時刻とともに逐次記憶され、
   前記シーン分類部は、前記記憶部を参照し、前記支援対象車両の位置および時刻に近似する位置および時刻の前記学習対象車両の前記運転挙動情報および前記周辺物体情報に基づき、前記支援対象車両の支援シーンを推定する、支援時間提示システム。
6. 請求項４に記載の支援時間提示システムであって、
   前記記憶部には、前記学習対象車両の支援シーンが、予め推定されて逐次格納され、
   前記シーン分類部は、前記支援対象車両が遠隔支援の対象となった支援シーンを、前記記憶部に予め格納された前記学習対象車両の支援シーンに基づき判定する、支援時間提示システム。
7. 請求項１から請求項６までのいずれか一項に記載の支援時間提示システムであって、
   前記支援対象車両に対する遠隔支援が開始されるまでの時間を、個々の支援対象車両に対して推定された前記遠隔支援時間に基づき、支援開始時間として算出するとともに、前記遠隔支援が完了するまでの時間を支援完了時間として算出するタスク管理部（２４０）を備え、
   前記情報提示部は、前記遠隔支援時間に関する情報として、前記支援開始時間と前記支援完了時間とを提示する、支援時間提示システム。
8. 請求項７に記載の支援時間提示システムであって、
   前記タスク管理部は、遠隔操作者毎に算出した前記遠隔支援時間の合計に基づいて、前記支援対象車両に対して遠隔支援を行う遠隔操作者を決定する、支援時間提示システム。

Images