JP7167958B2 - 走行支援装置、走行支援方法、及び走行支援プログラム - Google Patents

Description

本開示は、走行支援装置、走行支援方法、及び走行支援プログラムに関する。

自動運転の進展に伴い、需要等に基づいて適切な場所に車両を配車又は回送するための技術が検討されている。

例えば、予測されたタクシー利用者の需要予測情報に基づいてタクシーの車両を適切に配車する技術がある（特許文献１参照）。

特開２０１９－９１２７４号公報

もっとも、特許文献１の手法では、ドライバーが存在する車両を前提としており、自動運転車両における道路上の障害物による走行不能状態の発生という問題が考慮されていない。そのため、道路上に障害物が存在する場合、該当エリアのサービスの継続ができなくなる場合がある。また、サービスの継続がいつまで続くのかも、障害物の種類によって様々である。このように、走行不能な経路についての情報が考慮されていない。

また、このような問題の解決策として、センサを持つ車両から得られた情報に基づく動的な障害物監視が提案されているが、障害物の監視には車両の移動が必須となる。そのため、監視のための移動を行う場合、サービスにおける運用コストをどれだけ効率化できるかが問題となる。

本開示は上記事情を鑑みてなされたものであり、需要及び障害物の状況を考慮した走行支援を行う走行支援装置、走行支援方法、及び走行支援プログラムを提供することを目的とする。

本開示に係る走行支援装置は、走行ルートを含むエリアごとの車両の需要を予測するための需要予測モデルに基づいて、エリアごとの需要を予測する需要予測部と、前記エリアを分割した領域ごとの障害物の発生頻度を予測するための頻度モデルに基づいて、領域ごとの障害物の発生頻度を予測する頻度予測部と、予測された、前記エリアごとの需要と、前記障害物の発生頻度とに基づいて、車両の走行ルートを生成する走行ルート生成部と、を含む。

本開示に係る走行支援方法は、走行ルートを含むエリアごとの車両の需要を予測するための需要予測モデルに基づいて、エリアごとの需要を予測し、前記エリアを分割した領域ごとの障害物の発生頻度を予測するための頻度モデルに基づいて、領域ごとの障害物の発生頻度を予測し、予測された、前記エリアごとの需要と、前記障害物の発生頻度とに基づいて、車両の走行ルートを生成する、処理をコンピュータに実行させる。

本開示に係る走行支援プログラムは、走行ルートを含むエリアごとの車両の需要を予測するための需要予測モデルに基づいて、エリアごとの需要を予測し、前記エリアを分割した領域ごとの障害物の発生頻度を予測するための頻度モデルに基づいて、領域ごとの障害物の発生頻度を予測し、予測された、前記エリアごとの需要と、前記障害物の発生頻度とに基づいて、車両の走行ルートを生成する、処理をコンピュータに実行させる。

本開示の走行支援装置、走行支援方法、及び走行支援プログラムによれば、需要及び障害物の状況を考慮した走行支援を行うことができる。

需要予測モデル、頻度モデル、及び監視時のコストの考慮事項一覧を示した図である。 高精度地図の一例を示す図である。 需要予測モデルによるエリアごとの需要予測に係るイメージ図である。 障害物によって走行できない領域が発生するケースの例を示す図である。 走行区画において走行不可領域が生じた場合の時間的な推移のイメージ図である。 本開示の実施形態に係る走行支援システムの構成を示すブロック図である。 走行支援装置のハードウェア構成を示すブロック図である。 配車制御処理ルーチンの一例を示す図である。 回送制御処理ルーチンの一例を示す図である。 監視制御処理ルーチンの一例を示す図である。

以下、本開示の実施形態について図面を用いて説明する。

まず、本実施形態の概要を説明する。

本実施形態では、自動運転車両の走行支援を行うことを想定する。従来の自動運転の走行支援では、需要予測モデルと運行状況から売上を最大化するように回送車両の配車計画を策定することが行われている。ここでは、運行実績、及び種々の外部データ（例えば、天候、運行情報、及びイベント等）をもとにした需要予測を行っていた。一方で、上述した課題において挙げたように、走行不能な経路が考慮されていない。

そこで、本実施形態の走行支援システムでは、道路の通行可否状態、障害物の種類、及び売上に影響を及ぼす障害物のコストをモデル化した頻度モデルに基づいて、障害物の発生頻度を予測する。そして、需要予測モデルによるエリアの収益予測、頻度モデルで予測される障害物の発生頻度による収益機会の損失、及び監視時のコスト等に基づいて、車両の走行ルートを生成する。図１は、需要予測モデル、頻度モデル、及び監視時のコストの考慮事項一覧を示した図である。需要予測モデルにおいては、各時間帯におけるエリアごとの需要の度合いが求まる。頻度モデルにおいては、各時間帯におけるエリアの領域ごとに障害物の発生確率が求まる。地図上のエリアを道路データに基づいて分割したのが領域である。領域は、道路の一区画、走行レーン等様々な単位で分割された、例えばグリッドの単位の任意の領域である。監視時のコストの考慮事項の一覧は、車両種類、道路の通行可否状態、及び監視方法が挙げられる。車両種類は、「自動運転車両」、「自動運転車両＋遠隔支援」、「ドライバー付き車両（障害物検出センサー有り）」、及び「ドライバー付き車両（障害物検出センサー無し）」等が考慮事項の例として挙げられる。道路の通行可否状態では、「正常」、「特定レーンの走行不可」、「自動運転車両走行不可」、及び「区間通行不可」等が考慮事項の例として挙げられる。監視方法では、「進行方向の別レーンから監視」、「対向方向の車線から監視」、「交差方向の車線から監視」、及び「障害物のあるレーンを手動／遠隔支援で走行」等が考慮事項の例として挙げられる。

次に、自動運転車両の運用に係る前提となる技術について説明する。自動運転車両の運用には、既存の道路データが利用される。自動運転車両の運用では、高精度地図と呼ばれる道路をレーンレベルで管理する地図情報をもとに走行が行われる。図２は、高精度地図の一例を示す図である。自動運転車両の運行では、まず、図２に示したような高精度地図をもとに走行可能領域が決定される。自動運転車両の実際の走行においては、道路自体に規定される交通ルールと、実際の路上にある他の走行車両、歩行者、障害物、標識、信号等を、車両１１０が持つセンサによりリアルタイムに検知して、走行を行う。つまり、自動運転車両の走行については、（１）行先に応じたルートの設定を行う（長期の予測）、（２）実際の周囲の車両や障害物・交通規制情報をもとに、走行領域を決定、（３）周囲を監視しながら走行の３点が考慮される。

需要予測モデルは、走行データ、及び外部データを用いて学習及び更新が行われる。図３は、需要予測モデルによるエリアごとの需要予測に係るイメージ図である。図３に示したように、需要予測モデルの学習には走行データ、及び外部データの各種データを用いる。走行データとしては、自動運転車両として運行されるタクシー等の運行実績が含まれる。過去の運行実績のデータから曜日による需要差異及び直近の需要増加のデータを抽出し、周期的及び短期的な需要傾向を捉えるために活用する。また、外部データとしては、気象情報、交通サービスの運行情報、イベント情報、人口動態等が挙げられる。気象情報は、気温、及び雨量といった気象予報データである。気象予報データにより寒暖及び雨の有無による需要の変化の影響が予測可能となる。交通サービスの運行情報は、電車の遅延、及び運休といった運行状況の速報データを用いる。運行見合わせなど種々の影響によるタクシー需要の変化を反映できる。イベント情報は、コンサート及びスポーツ等のイベント開催予定データである。イベントに参加する人によるタクシー需要の増加が発生すると予測できる。人口動態は、移動や滞在などの人の動きを加味した人口動態予報データである。他の外部データからは得られない実際の人の動きによるタクシー需要の変化を捉えるために利用される。

次に、頻度モデルについて説明する。配車サービスの予約に応じて該当領域への自動運転車両の配車を実施した際、配車先の周囲の障害物の回避に伴い、該当区域へのサービスの提供が直前で行えなくなる場合がある。その場合、自動運転車両以外による配車することも考えられるが、その場合は待ち時間の大幅な増加に繋がり、ユーザへのサービス提供のキャンセルが発生する。本問題について、車両先の障害物の発生を予測する頻度モデルを作ることで、該当区間での障害物の有無を事前に予測する。頻度モデルは、障害物発生情報と外部データとを用いて学習する。障害物の発生を予測することにより、自動運転車両とドライバーによる一般車両のどちらを配車するかを決定し、サービスの機会損失を最小化する。

次に、障害物発生情報の検出手法について説明する。高精度地図は道路構造といった静的情報のみであり、実際の運用で考慮する必要がある工事及び事故などによる通行可否区間、及びレーン上の駐車車両等の障害物によるレーンレベルの走行不可などは考慮されていない。この問題を解決する提案として、参考文献１に記載のコネクテッドカーが持つセンサを活用した道路上の障害物発生情報の管理を利用できる。参考文献１では、例えば、各車両からの情報として、物体検出及び特徴抽出を行い、センター側で、同じエリアを走行した車両から得られた情報をデータベース登録し、近接物体の取得、類似判定、障害物及び走行不可領域の登録を行う。
［参考文献１］特開2019-185756号公報

ここで、障害物と走行不可レーンとの対応について説明する。例えば、自動運転車両は、自動運転を行うシステムのスペックにより走行可能領域が決定される。これにより、道路上の障害物によって走行ができない領域が発生する。図４は、障害物によって走行できない領域が発生するケースの例を示す図である。図４の左は、はみ出し禁止レーンでの前方障害物がある場合であり、対向車両との衝突リスクを踏まえて走行の停止が必要である。図４の右は、交差点手前の駐車車両が障害物としてある場合であり、侵入禁止領域でのレーン変更が禁止されている場合、左折をせずに直進して迂回する必要が生じる。このような障害物がある場合については、センター側で障害物情報を管理し、走行先の走行不可領域を事前に検知する。このようにして走行不可領域をルート及びレーンレベルで選択することで、障害物を事前に回避したルート設定が行える。

また、例えば、一般車両のドライバーによる運転の場合、仮に障害物が周囲にあった場合でも、路上での一時的な停止をしてから乗降する。一方で、自動運転車両の場合、次のような交通ルールに違反する場合は停止が行えず、結果として該当区間でのサービス提供が行えないことがある。例えば、道路側に十分なスペースがない場合、自動運転車両は停止ができない。上述した図４のような事例の場合に先を需要のある回送先、走行リスクを考慮した結果、障害物をはみ出して避けるのではなく、事前にレーン変更をして、安全に避けることが優先されることがある。その場合、障害物を安全に避けるためにレーン変更を実施する。その後にレーン変更不可区間がある場合、該当区間でのサービス提供ができなくなる。そのため、以降の区間における乗客へのサービス提供ができなくなり、本来の需要予測で想定された売上がたたなくなってしまうことが想定される。

図５は、走行区画において走行不可領域が生じた場合の時間的な推移のイメージ図である。図５に示すように、障害物が発生した場合、障害物を避けて安全に走行するため、道路上に走行不可領域が発生する。その場合、該当領域についてはそもそも自動運転車両の走行が行われないようにセンター側で管理されるため、その間はそのエリアでのサービス提供が行われない。また、一度走行不可となった領域を正常領域に戻すには、コネクテッドカーの走行情報による障害物情報の更新が必要となる。しかし、コネクテッドカーとして最も活用される自動運転車両が走行できないため、該当領域の障害がクリアされたとしても、該当領域の正常領域への復帰が長時間行われないという問題が発生する。本問題を解決するため、需要予測モデルをもとにした監視ルートを生成する等、該当領域の確認方法を決定し、サービスの提供機会の損失を減らすことを実現する。障害物の具体的な監視方法については後述する。

以上が本実施形態の手法に係る概要である。以下、本実施形態の構成及び作用について説明する。

図６は、本開示の実施形態に係る走行支援システム１００の構成を示すブロック図である。図６に示すように、走行支援システム１００は、車両１１０と、ユーザ端末１２０と、走行支援装置１３０とがネットワークＮを介して接続されている。

車両１１０は、走行支援システム１００の管理対象である自動運転車両である。車両１１０の構成としては、送受信部１１１と、各種センサ１１２と、車載カメラ１１３と、障害検出部１１４と、ルート管理部１１５とを含む。

ユーザ端末１２０は、表示及び入出力のインタフェースを備えている（図示省略）。ユーザ端末１２０は、ユーザからの入力操作により配車リクエストを受け付けて、配車リクエストを走行支援装置１３０に送信する。配車リクエストは配車希望時間、現在地、及び目的地の各種配車に必要な情報を含む。また、ユーザ端末１２０は、走行支援装置１３０からユーザ配車情報を受信し、表示インタフェースによりユーザにユーザ配車情報を提示する。ユーザ配車情報は、配車予定時間、配車位置等を示す情報である。

走行支援装置１３０は、送受信部１３１と、車両情報更新部１３２と、学習部１３３と、配車制御部１３５と、回送制御部１３６と、監視制御部１３７と、を含む。また、走行支援装置１３０は、需要予測部１３８と、頻度予測部１３９と、走行ルート生成部１４０と、記憶部１５０とを含む。記憶部１５０は、走行データ記憶部１５１と、障害物情報記憶部１５２と、道路データ記憶部１５３と、外部データ記憶部１５４と、需要予測モデル記憶部１５５と、頻度モデル記憶部１５６と、滞在予測モデル記憶部１５７とを含む。

車両１１０の各部について説明する。送受信部１１１は、走行支援装置１３０と各種データを送受信する。本実施形態では、送受信部１１１では、配車情報、回送情報、又は監視情報の受信が行われる。配車情報は、ユーザが配車リクエストにより指定した目的地までの走行ルートを含む情報であり、ユーザが対応付けられている。回送情報は、走行支援装置１３０によって指定された回送先となる目的地までの走行ルートを含む情報である。監視情報は、監視対象の障害物を監視するための走行ルート、及び監視対象の障害物の位置を含む情報である。また、送受信部１１１では、走行支援装置１３０に対して、位置情報を含む走行データの送信、障害情報の送信、及び監視情報における監視対象の障害物の差分の送信を行う。

各種センサ１１２は、ミリ波センサ、雨滴センサ、及び衝突センサ等の車載センサである。また、各種センサ１１２は、位置情報、時間情報、走行ルート、及び運転挙動等の運転状況を取得する計測センサを有する。運転挙動には、自動運転中か否かを示す状態のほか、車速、加速度、ステアリング、アクセル、及びブレーキの踏み込みなどが含まれる。運転状況は定期的に走行支援装置１３０に送信する。

車載カメラ１１３は、車両の走行中の映像を撮影するカメラである。車載カメラ１１３に撮影したカメラ画像（又はカメラ映像）を、障害情報を送信するタイミングで走行支援装置１３０に送信する。なお、カメラ画像は定期的に送信してもよい。

障害検出部１１４は、各種センサ１１２の状態、及び車載カメラ１１３の画像を監視し、走行経路上に存在する障害物を検出する。障害検出部１１４は、物体検出手法を用いて障害物の有無を検出する。障害検出部１１４は、検出した障害情報を走行支援装置１３０に送信する。なお、障害物の推定は、障害検出部１１４において、画像解析を行い障害物の推定を行ってもよい。また、障害検出部１１４は、監視情報における監視対象の障害物の差分を検出し、障害情報に含めて走行支援装置１３０に送信する。

ルート管理部１１５は、受信した配車情報、回送情報、又は監視情報に基づく目的地までの走行ルートを設定する。このように走行支援装置１３０から配車情報、回送情報、又は監視情報が送信されてきた場合には、車両１１０側で走行ルートの設定を行う。

走行支援装置１３０の各部について説明する。送受信部１３１は、車両１１０から走行データ、及び障害情報を受信する。送受信部１３１は、ユーザ端末１２０から配車リクエストの受信を行う。送受信部１３１は、ユーザ端末１２０にユーザ配車情報を送信する。送受信部１３１は、車両１１０に配車情報、回送情報、又は監視情報を送信する。なお、走行支援装置１３０は、車両１１０からだけでなく、エリアに配置された外部センサから障害情報を取得してもよい。

車両情報更新部１３２は、車両１１０から受信した走行データを走行データ記憶部１５１に格納する。車両情報更新部１３２は、車両１１０から受信した障害情報に基づいて、エリア内の走行区画に存在する障害物を推定し、障害物及び当該障害物による走行不可領域を求めた障害物発生情報として障害物情報記憶部１５２に格納する。また、車両１１０から監視対象の障害物の差分を受信して障害物発生情報を更新する。ここで、障害物発生情報には、障害物の種類、及び滞留時間の情報を含む。障害物の種類によって、その障害物が一時的な障害物であるか、又は定常的に存在する障害物であるかを判別できる。一時的な障害物とは例えば単に車両が停止している場合であり、定常的な障害物とは倒木等の移動が困難な障害物の場合である。また、障害物発生情報は、監視制御によって監視ルートが割り当てられた車両１１０から得られる障害物情報によっても更新されるため、予測した滞在時間に応じて障害物の有無が更新されていく。障害物発生情報が、過去に発生した障害物による走行できない領域に関する情報の一例である。

ここで、記憶部１５０の各部について説明する。走行データ記憶部１５１には、車両１１０から受信した走行データが格納される。また、ここで格納される走行データは、車両１１０の各々の現在位置、車両自体の費用単価、走行状態、及び車両をタクシー等とした場合の運行実績を含む。ここで走行状態とは、配車対応状態、巡回状態（回送又は監視）、及び指示待ち状態等の情報である。走行状態は一例において重複してもよく、例えば回送による巡回状態で巡回が終了するエリアに入った際に指示待ち状態も追加されること等により、状態が重複する。以下、走行データを用いる場合には走行データ記憶部１５１から読み出すとして記載を省略する。他の記憶部についても同様とする。

障害物情報記憶部１５２には、車両情報更新部１３２で求めた障害物発生情報が格納される。道路データ記憶部１５３には、各エリアの道路の構造を示す道路構造情報の道路データが格納される。外部データ記憶部１５４には、上述した気象情報、交通サービスの運行情報、イベント情報、人口動態等の外部データが格納される。外部データは適宜受信して更新される。

需要予測モデル記憶部１５５には、需要予測モデル学習部１３３Ａで学習又は更新された需要予測モデルが格納される。需要予測モデルは上述したように各時間帯におけるエリアごとの車両の需要を予測するためのモデルである。

頻度モデル記憶部１５６には、頻度モデル学習部１３３Ｂで学習又は更新された頻度モデルが格納される。頻度モデルは上述したように各時間帯におけるエリアに含まれる領域ごとの障害物の発生頻度を予測するためのモデルである。

滞在予測モデル記憶部１５７には、滞在予測モデル学習部１３３Ｃで学習又は更新された滞在予測モデルが格納される。滞在予測モデルは、障害物発生情報において存在する障害物の滞在時間を予測するためのモデルである。

学習部１３３は、需要予測モデル学習部１３３Ａと、頻度モデル学習部１３３Ｂと、滞在予測モデル学習部１３３Ｃとを含む。需要予測モデル学習部１３３Ａは、走行支援装置１３０において定めた必要に応じて、需要予測モデルを学習し、適宜更新する。需要予測モデルの学習は、ニューラルネットワークを用いた深層学習等の手法を用いて、記憶部１５０の対応する各部に格納されている過去の走行データと、外部データとを学習データとして用いて学習する。需要予測モデルは、各時間帯におけるエリアごとの需要の予測結果を出力するように学習する。

頻度モデル学習部１３３Ｂは、走行支援装置１３０において定めた必要に応じて、頻度モデルを学習し、適宜更新する。頻度モデルの学習は、ニューラルネットワークを用いた深層学習等の手法を用いて、記憶部１５０の対応する各部に格納されている過去の障害物発生情報と、外部データと、道路データとを学習データとして用いて学習する。頻度モデルは、各時間帯におけるエリアの領域ごとの障害物の発生頻度の予測結果を出力するように学習する。ここでの学習においては道路データの道路構造、信号、及び標識等の属性情報を含めて学習を行う。

滞在予測モデル学習部１３３Ｃは、障害物発生情報の更新があるごとに、滞在予測モデルを学習し、適宜更新する。滞在予測モデルの学習は、ニューラルネットワークを用いた深層学習等の手法を用いて、記憶部１５０の対応する各部に格納されている障害物発生情報と、外部データと、道路データとを学習データとして用いて学習する。滞在予測モデルは、障害物発生情報において発生中の障害物が領域に滞在する滞在時間の予測結果を出力するように学習する。

配車制御部１３５は、ユーザ端末１２０からの配車リクエストに基づいて、頻度予測を行って、頻度予測に応じて走行が可能な走行ルートを求め、走行ルートに応じた配車手配を行う。頻度予測は頻度予測部１３９に実行させ、走行ルートは走行ルート生成部１４０により生成する。配車手配は、例えば、車両１１０に対する配車の割り当て及び配車情報の送信、及びユーザ端末１２０へのユーザ配車情報を送信する処理等である。

回送制御部１３６は、走行支援装置１３０において定めた必要に応じて、需要予測、及び頻度予測を行って、需要予測に応じて需要があり、かつ、頻度予測に応じて走行が可能な走行ルートを求め、走行ルートに応じた回送制御を行う。需要予測は需要予測部１３８に実行させる。頻度予測及び走行ルートの生成は配車制御部１３５と同様である。回送制御は、例えば、車両１１０に対する回送先の割り当て及び回送情報を送信する処理等である。

監視制御部１３７は、走行ルートに存在する対象の障害物について、滞在予測モデルを用いて、対象の障害物の滞在時間を予測し、予測結果に応じた監視ルートを生成する。ここで走行ルートに存在する対象の障害物とは、障害物発生情報の更新で新たに追加された障害物である。監視制御部１３７は、監視ルートを含む監視情報を、車両１１０に送信する。ここで、監視情報には差分検出のための情報を含んでいてもよい。なお、ここで、障害物の種類を参照して、一時的な障害物、又は定常的に存在する障害物かを識別してもよい。この場合、一時的な障害物についてのみ監視ルートを生成するようにしてもよい。また、定常的な障害物については、監視ルートを生成しないようにするか、又は監視ルートを生成する時間間隔を一時的な障害物よりも長くするようにしてもよい。

需要予測部１３８は、回送制御部１３６の要求に応じて、需要予測モデルに基づいて、各時間帯におけるエリアごとの需要を予測する。ここで求められる需要の予測結果とは、乗車の見込み需要を示す度合いである。なお、予め定期処理として需要の予測結果を求めておき、回送制御部１３６の要求に応じて需要の予測結果を返却するようにしてもよい。定期処理としては、例えば、一日ごとに一日分の需要の予測結果を求めておく、数時間単位で求めておく等である。

頻度予測部１３９は、配車制御部１３５、又は回送制御部１３６の要求に応じて、頻度モデルに基づいて、各時間帯のエリアの領域ごとの障害物の発生頻度を予測する。なお、予め定期処理として障害物の発生頻度の予測結果を求めておき、回送制御部１３６の要求に応じて需要の予測結果を返却するようにしてもよい。定期処理としては、例えば、一日ごとに一日分の需要の予測結果を求めておく、数時間単位で求めておく等である。

走行ルート生成部１４０は、配車制御部１３５、又は回送制御部１３６の要求に応じて、車両の走行ルートを生成する。ここでは配車の場合と、回送の場合とで処理が分けられる。

配車の場合には、車両１１０のうちの配車候補の車両ごとに、頻度モデルによる障害物の発生頻度の予測結果に基づいて、配車の走行ルートを生成する。ここでは、当該配車候補の車両ごとに、配車リクエストの配車先までの道路候補を道路データを元に抽出する。道路候補とは、走行ルートに用い得る道路の領域の候補である。また、走行ルートについて、頻度モデルを用いて得られる障害物の発生頻度に応じた障害物による走行可否のリスクを表す障害物予測係数を計算する。また、障害物発生情報に記録されている現在実際に発生している障害物についての障害物影響係数を計算する。障害物予測係数は、例えば、発生頻度の一定以上に高い領域には障害物があり、走行する場合のコストが高くなるように定めればよい。障害物影響係数は、例えば、障害物発生情報を取得して、領域に障害物が存在するか否か、どのような障害物であるか、等に応じて定めればよい。当該配車候補の車両ごとに、道路候補と、障害物予測係数と、障害物影響係数とに基づいて走行ルートを生成する。走行ルートに係る移動コスト（移動時間）と、当該配車候補の車両に割り当てられた費用単価とに基づいて配車コストを計算する。当該配車候補の車両ごとの配車コストに応じて、配車対象とする車両を決定する。これにより、配車対象とする車両について、配車に係る走行ルートが定まり、車両及び当該車両の走行ルートが配車情報として設定される。障害物予測係数が第１係数の一例であり、障害物影響係数が第２係数の一例である。

回送の場合は、車両１１０のうちの回送対象の車両ごとに、需要予測モデルによる需要の予測結果と、頻度モデルによる障害物の発生頻度の予測結果とに基づいて、回送先まで走行ルートを生成する。まず、需要の予測結果によりエリアの領域ごとの需要を元に、回送先の候補とする回送候補の領域ｋ（ｋ∈Ｋ：Ｋは回送候補の領域の集合）を設定する。そして、設定した回送候補の領域ｋごとに、領域ｋまでの道路候補の各々を道路データを元に抽出する。また、道路候補の障害物予測係数、及び障害物影響係数を計算する。そして、回送候補の領域ｋごとに、道路候補と、障害物予測係数と、障害物影響係数とに基づいて走行ルートを生成する。次に、障害物予測係数と、障害物影響係数と、走行ルートに係る移動コスト（移動時間）と、当該領域ｋの車両一台あたりの売上見込みとに基づいて、領域ｋにおける回送売上見込みを計算する。領域ｋにおける回送売上見込みは、例えば、領域ｋの車両一台あたりの売上見込み×障害物予測係数×障害物影響係数－移動コスト、等の計算により求めればよい。そして、領域ｋのうち回送売上見込みが最大になる領域ｋを回送先とする領域ｋ’として、当該回送先を当該回送対象の車両の回送先に決定する。これにより、回送対象の車両ごとに、回送先とする領域までの走行ルートが生成される。また、走行ルートが回送情報として設定される。回送売上見込みが、成果見込みの一例である。

図７は、走行支援装置１３０のハードウェア構成を示すブロック図である。図７に示すように、走行支援装置１３０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３、ストレージ１４、入力部１５、表示部１６及び通信インタフェース（Ｉ／Ｆ）１７を有する。各構成は、バス１９を介して相互に通信可能に接続されている。

ＣＰＵ１１は、中央演算処理ユニットであり、走行支援プログラムを含む各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４からプログラムを読み出し、ＲＡＭ１３を作業領域としてプログラムを実行する。ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。本実施形態では、ＲＯＭ１２又はストレージ１４には、支援管理処理プログラムが格納されている。

ＲＯＭ１２は、各種プログラム及び各種データを格納する。ＲＡＭ１３は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ１４は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）又はＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶装置により構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。

入力部１５は、マウス等のポインティングデバイス、及びキーボードを含み、各種の入力を行うために使用される。

表示部１６は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部１６は、タッチパネル方式を採用して、入力部１５として機能してもよい。

通信インタフェース１７は、端末等の他の機器と通信するためのインタフェースであり、例えば、イーサネット（登録商標）、ＦＤＤＩ、Ｗｉ－Ｆｉ（登録商標）等の規格が用いられる。

以上が走行支援装置１３０のハードウェア構成の一例の説明である。

図８～図１０は、本開示の実施形態に係る走行支援システム１００の走行支援装置１３０に係る処理ルーチンを示すフローチャートである。走行支援装置１３０の走行支援処理は、主に配車制御処理、回送制御処理、及び監視制御処理の各々に分けられる。なお、学習部１３３の各種学習処理は予め行っておき各種モデルは学習済みとする。また、以下の処理で用いる障害物発生情報は車両１１０から障害情報を受信するごとに随時更新される。監視制御処理に伴う障害物の差分についても障害情報により随時更新される。

まず、配車制御処理について説明する。図８は配車制御処理ルーチンの一例を示す図である。配車制御処理は、ＣＰＵ１１が配車制御部１３５、又は配車制御部１３５により要求を受けた需要予測部１３８、頻度予測部１３９、又は走行ルート生成部１４０等として以下の各ステップの処理を実行する。

ステップＳ１００では、ＣＰＵ１１は、頻度モデル、及び障害物発生情報を取得する。

ステップＳ１０２では、ＣＰＵ１１は、配車リクエストに係る配車先のエリアの周囲の車両１１０を走行データから取得し、配車候補の車両を選別する。

ステップＳ１０４では、ＣＰＵ１１は、配車候補の車両について、道路データを元に、配車先のエリアまでの道路候補の各々を抽出する。道路候補は、エリアの各領域として求まる。

ステップＳ１０６では、ＣＰＵ１１は、配車候補の車両の道路候補について、頻度モデルを用いて、障害物予測係数を計算する。障害物予測係数は、道路候補の領域の各々を、頻度モデルへの入力として、当該領域の各々の障害物の発生頻度として求めればよい。

ステップＳ１０８では、ＣＰＵ１１は、配車候補の車両の道路候補について、障害物発生情報を用いて、障害物影響係数を計算する。障害物影響係数は、道路候補の領域の各々について、障害物発生情報に記録された領域に存在する障害物の有無により求めればよい。ここで、例えば、障害物の種類、滞留時間等に応じて障害物影響係数を変化させてもよい。例えば、障害物の種類がバスであると記録されている場合には、移動する可能性が高いため障害物影響係数を低くするように計算してもよい。逆に障害物の種類が、樹木等の倒壊物である場合には移動される可能性が低いため障害物影響係数を高くするように計算してもよい。また、滞留時間が長い場合には移動する可能性が高いとして、障害物影響係数を低くするように計算してもよい。逆に滞留時間が短い場合には移動する可能性が低いとして、障害物影響係数を高くするように計算してもよい。

ステップＳ１１０では、ＣＰＵ１１は、配車候補の車両について、既存のアルゴリズムを用いて、道路候補と、障害物予測係数と、障害物影響係数とに基づいて、移動に係るコストを最小化する走行ルートを生成する。また、走行ルートに係る移動コスト（移動時間）も併せて計算する。ここで、障害物予測係数により障害物が発生する可能性が高い領域がある場合、又は障害物影響係数により障害物が存在する領域がある場合には、それらの領域を迂回する必要があるため、移動時間が長い走行ルートが生成されると想定される。

ステップＳ１１２では、ＣＰＵ１１は、ステップＳ１１０で生成した走行ルートにおいて配車可能であるか否かを判定し、配車可能であればステップＳ１１４へ移行し、配車不可能であればステップＳ１０２に戻って次の配車候補の車両を選別する。判定の可否は、走行ルートにおける走行不可領域に応じて判定すればよい。

ステップＳ１１４では、ＣＰＵ１１は、配車候補の車両について、走行ルートに係る移動コスト（移動時間）と、当該配車候補の車両に割り当てられた費用単価とに基づいて配車コストを計算する。

ステップＳ１１６では、ＣＰＵ１１は、全ての配車候補の車両について配車コストの計算を終了したか否かを判定する。終了した場合にはステップＳ１１８へ移行し、終了していない場合にはステップＳ１０２に戻って次の配車候補車両を選別して処理を繰り返す。

ステップＳ１１８では、ＣＰＵ１１は、配車候補の車両ごとの配車コストに応じて、配車候補の車両の中から、配車対象とする車両を決定する。なお、当該処理をステップＳ１１６の前に行い、逐次、配車リクエストに対して最適な配車対象の車両を選別するように処理してもよい。

ステップＳ１２０では、配車対象とする車両１１０に配車情報、ユーザ端末１２０にユーザ配車情報を送信する。

次に、回送制御処理について説明する。図９は回送制御処理ルーチンの一例を示す図である。回送制御処理は、ＣＰＵ１１が回送制御部１３６として以下の各ステップの処理を実行する。

ステップＳ２００では、ＣＰＵ１１は、現在の走行データに含まれる走行状態を元に、各エリアの回送対象の車両を取得する。ここでは、例えば、走行状態が指示待ち状態である車両を回送対象の車両として取得し、以下の各ステップの処理は、回送対象の車両ごとに行うこととする。なお、ステップＳ２０２、Ｓ２０４、及びＳ２０６等で重複する処理については共通の処理結果を用いるようにしてよい。

ステップＳ２０２では、ＣＰＵ１１は、需要予測モデル、頻度モデル、及び障害物発生情報を取得する。

ステップＳ２０４では、ＣＰＵ１１は、需要予測モデルに基づいて、各時間帯におけるエリアごとの需要を予測する。ここでは、現在時刻を含む時間帯付近の需要を予測すればよい。

ステップＳ２０６では、ＣＰＵ１１は、ステップＳ２０４の需要の予測結果によるエリアの領域ごとの需要を元に、回送先の候補とする回送候補の領域ｋ（ｋ∈Ｋ：Ｋは回送候補の領域の集合：ｋ＝１，２，３．．．，Ｋ）を設定する。初期値はｋ＝１とする。例えば、エリアに含まれる各領域の需要の度合いの合計が一定以上の場合に回送先の候補の対象とするエリアとして、当該エリアの中で更に需要が一定以上領域を回送先候補の領域ｋとして設定すればよい。

ステップＳ２０８では、ＣＰＵ１１は、設定した領域ｋについて、道路データを元に、領域ｋまでの道路候補の各々を抽出する。

ステップＳ２１０では、ＣＰＵ１１は、領域ｋに係る道路候補の各々について、頻度モデルを用いて、障害物予測係数を計算する。

ステップＳ２１２では、ＣＰＵ１１は、領域ｋに係る道路候補の各々について、障害物発生情報を用いて、障害物影響係数を計算する。

ステップＳ２１４では、ＣＰＵ１１は、既存のアルゴリズムを用いて、道路候補と、障害物予測係数と、障害物影響係数とに基づいて、領域ｋまでの走行ルートを生成する。また、走行ルートに係る移動コスト（移動時間）も併せて計算する。

ステップＳ２１６では、ＣＰＵ１１は、障害物予測係数と、障害物影響係数と、走行ルートに係る移動コスト（移動時間）と、当該領域ｋの車両一台あたりの売上見込みとに基づいて、領域ｋにおける回送売上見込みを計算する。

ステップＳ２１８では、ＣＰＵ１１は、全ての領域ｋについて回送売上見込みの計算を終了したか否かを判定する。判定はｋ＜Ｋであるか否かにより行う。終了した場合にはステップＳ２２２へ移行し、終了していない場合にはステップＳ２２０においてｋ＝ｋ＋１と加算しステップ２０６に戻って次の領域ｋを設定して処理を繰り返す。

ステップＳ２２２では、ＣＰＵ１１は、領域ｋのうち回送売上見込みが最大になる領域ｋを回送先とする領域ｋ’として、当該回送先を当該回送対象の車両の回送先に決定する。なお、当該処理をステップＳ２１８の前に行い、逐次、回送売上見込みを最大とする領域ｋを選別するように処理してもよい。

ステップＳ２２４では、ＣＰＵ１１は、回送情報を回送対象の車両１１０に送信する。

次に、監視制御処理について説明する。図１０は監視制御処理ルーチンの一例を示す図である。監視制御処理は、ＣＰＵ１１が回送制御部１３６として以下の各ステップの処理を実行する。監視制御処理は、障害物発生情報においてエリアの領域に障害物が追加された場合に、以下の処理を障害物ごとに実行する。なお、監視制御処理は、必要に応じて、回送制御処理で用いたデータを用いて行うようにする。

ステップＳ３００では、ＣＰＵ１１は、現在の走行データに含まれる走行状態を元に、障害物を含む領域の周囲にいる監視巡回が可能な車両を選別する。ここでは、例えば、走行状態が指示待ち状態である車両で、かつ、障害物を含む領域の周囲の所定の範囲に存在する車両を、監視巡回が可能な車両として選別する。以下の各ステップの処理は、監視巡回が可能な車両ごとに行うこととする。

ステップＳ３０２では、ＣＰＵ１１は、需要予測モデル、頻度モデル、及び障害物発生情報を取得する。

ステップＳ３０４では、ＣＰＵ１１は、需要予測モデルに基づいて、各時間帯におけるエリアごとの需要を予測する。ここでは、当該監視巡回が可能な車両について、監視対象の障害物の周囲に回送した場合を想定し、周囲のエリアについて現在時刻を含む時間帯付近の需要を予測すればよい。

ステップＳ３０６では、ＣＰＵ１１は、当該監視巡回が可能な車両について、道路データを元に、配車先のエリアまでの道路候補の各々を抽出する。抽出対象は、監視対象領域、及び周囲の領域の各々とする。

ステップＳ３０８では、ＣＰＵ１１は、監視巡回が可能な車両の道路候補について、頻度モデルを用いて、障害物予測係数を計算する。

ステップＳ３１０では、ＣＰＵ１１は、監視巡回が可能な車両の道路候補について、障害物発生情報を用いて、障害物影響係数を計算する。

ステップＳ３１２では、ＣＰＵ１１は、当該監視巡回が可能な車両について、既存のアルゴリズムを用いて、道路候補と、障害物予測係数と、障害物影響係数とに基づいて、監視対象領域、及び周囲の領域のそれぞれについての走行ルートを生成する。

ステップＳ３１４では、ＣＰＵ１１は、障害物発生情報の走行不可領域に基づいて、監視対象までの監視ルートを巡回可能であるか否かを判定する。可能である場合にはステップＳ３１６へ移行し、可能でない場合にはステップＳ３００に戻って次の車両を選別する。

ステップＳ３１６では、ＣＰＵ１１は、当該監視巡回が可能な車両について、監視対象領域、及び周囲の領域の回送時のそれぞれについて、回送先の領域における回送売上見込みを計算する。ここでは、ステップＳ２０６からＳ２２２と同様の処理を行えばよいため説明を簡略化する。

ステップＳ３１８では、ＣＰＵ１１は、監視対象領域の回送売上見込み（Ｃ１）が、周囲の領域の配車コストを加算した回送売上見込み（Ｃ２）を超えるか否かを判定する。超える場合にはステップＳ３２０へ移行して当該監視巡回が可能な車両について障害物監視を実行するように設定し、超えない場合には障害物監視を行わずにステップＳ３００に戻って次の車両を選別する。ここで、周囲の領域の配車コストを加算した回送売上見込みは一例であり、単に周辺の領域の回送売上見込みだけでもよい。周囲の領域の配車コストを加味する場合には、監視対象領域が周囲の領域よりさらに売上見込みがある場合にのみ監視が行われることになる。

ステップＳ３２２では、ＣＰＵ１１は、監視ルートを含む監視情報を当該監視巡回が可能な車両１１０に送信する。

以上説明したように、本開示の実施形態に係る走行支援システムによれば、需要及び障害物の状況を考慮した走行支援を行うことができる。

なお、本開示は、上述した実施の形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

上述した実施形態では、走行支援処理として、配車制御処理、回送制御処理、監視制御処理のそれぞれを行う場合について説明したが、これに限定されない。例えば、回送制御処理のみを行う、又は回送制御処理及び配車制御処理を行い、監視制御処理は別装置で行う等組み合わせて実施してもよい。

また、本願明細書中において、プログラムが予めインストールされている実施形態として説明したが、当該プログラムを、コンピュータ読み取り可能な記録媒体に格納して提供することも可能である。

なお、上記実施形態でＣＰＵがソフトウェア（プログラム）を読み込んで実行した走行支援処理を、ＣＰＵ以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、及びＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、走行支援処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。

また、上記実施形態では、走行支援プログラムが記憶部に予め記憶（インストール）されている態様を説明したが、これに限定されない。プログラムは、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、ＵＳＢメモリ等の非遷移的実体的記憶媒体（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ ｔａｎｇｉｂｌｅ ｓｔｏｒａｇｅ ｍｅｄｉｕｍ）に記憶された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。

１００ 走行支援システム
１１０ 車両
１１１ 送受信部
１１２ 各種センサ
１１３ 車載カメラ
１１４ 障害検出部
１１５ ルート管理部
１２０ ユーザ端末
１３０ 走行支援装置
１３１ 送受信部
１３２ 車両情報更新部
１３３ 学習部
１３３Ａ 需要予測モデル学習部
１３３Ｂ 頻度モデル学習部
１３３Ｃ 滞在予測モデル学習部
１３５ 配車制御部
１３６ 回送制御部
１３７ 監視制御部
１３８ 需要予測部
１３９ 頻度予測部
１４０ 走行ルート生成部
１５０ 記憶部
１５１ 走行データ記憶部
１５２ 障害物情報記憶部
１５３ 道路データ記憶部
１５４ 外部データ記憶部
１５５ 需要予測モデル記憶部
１５６ 頻度モデル記憶部
１５７ 滞在予測モデル記憶部

Claims (7)

1. 走行ルートを含むエリアごとの車両の需要を予測するための需要予測モデルに基づいて、エリアごとの需要を予測する需要予測部と、
   前記エリアを分割した領域ごとの障害物の発生頻度を予測するための頻度モデルに基づいて、領域ごとの障害物の発生頻度を予測する頻度予測部と、
   前記需要に基づく回送候補の領域ごとに、前記障害物の発生頻度に応じた障害物による走行可否のリスクを表す第１係数と、前記走行ルートに存在する障害物の影響を表す第２係数と、予測された、前記エリアごとの需要における車両一台あたりの需要とを用いて成果見込みを計算することで、回送先までのルートとして車両の走行ルートを生成する走行ルート生成部と、
   を含む、
   走行支援装置。
2. 前記頻度モデルは、過去に発生した障害物による走行できない領域に関する情報と、所定の外部データと、前記領域の道路構造とに基づいて予め学習したモデルとする請求項１に記載の走行支援装置。
3. 前記走行ルートに存在する対象の障害物について、障害物の滞在時間を予測するための滞在予測モデルを用いて、前記対象の障害物の滞在時間を予測し、予測結果に応じた監視ルートを生成する監視制御部を更に含む請求項１又は請求項２に記載の走行支援装置。
4. 前記対象の障害物は、前記滞在予測モデルにおいて、一時的な障害物、又は定常的に存在する障害物として反映して前記滞在時間を予測する請求項３に記載の走行支援装置。
5. 前記走行ルート生成部は、ユーザからの配車リクエストと、予測された前記障害物の発生頻度とに基づいて、配車対象の車両、及び当該車両の走行ルートを生成する請求項１～請求項４の何れか１項に記載の走行支援装置。
6. 走行ルートを含むエリアごとの車両の需要を予測するための需要予測モデルに基づいて、エリアごとの需要を予測し、
   前記エリアを分割した領域ごとの障害物の発生頻度を予測するための頻度モデルに基づいて、領域ごとの障害物の発生頻度を予測し、
   前記需要に基づく回送候補の領域ごとに、前記障害物の発生頻度に応じた障害物による走行可否のリスクを表す第１係数と、前記走行ルートに存在する障害物の影響を表す第２係数と、予測された、前記エリアごとの需要における車両一台あたりの需要とを用いて成果見込みを計算することで、回送先までのルートとして車両の走行ルートを生成する、
   処理をコンピュータに実行させる走行支援方法。
7. 走行ルートを含むエリアごとの車両の需要を予測するための需要予測モデルに基づいて、エリアごとの需要を予測し、
   前記エリアを分割した領域ごとの障害物の発生頻度を予測するための頻度モデルに基づいて、領域ごとの障害物の発生頻度を予測し、
   前記需要に基づく回送候補の領域ごとに、前記障害物の発生頻度に応じた障害物による走行可否のリスクを表す第１係数と、前記走行ルートに存在する障害物の影響を表す第２係数と、予測された、前記エリアごとの需要における車両一台あたりの需要とを用いて成果見込みを計算することで、回送先までのルートとして車両の走行ルートを生成する、
   処理をコンピュータに実行させる走行支援プログラム。

Images