JP7195161B2 - 案内システム、案内方法、およびプログラム - Google Patents

Description

本発明は、案内システム、案内方法、およびプログラムに関する。

車両の乗員の感情に関する情報と、その車両の位置情報とを対応付けたマップを生成し、生成したマップを用いて、不特定多数の車両が通行した複数の経路の中から、案内対象の乗員と感情や趣向が類似している他の乗員を乗せていた車両が過去に通行した経路を選択し、選択した経路を、案内対象の乗員に案内する技術が知られている（例えば、特許文献１参照）。

特開２０１８－１００９３６号公報

しかしながら、従来の技術では、車両のような移動体に搭乗した乗員に案内された経路上で、予期せぬ不測の事態が発生する場合があった。

本発明は、このような事情を考慮してなされたものであり、不測の事態が発生し得ることを移動体の乗員に案内することで、乗員に不測の事態に備えさせることができる案内システム、案内方法、およびプログラムを提供することを目的の一つとする。

本発明に係る案内システム、案内方法、およびプログラムは、以下の構成を採用した。
（１）本発明の一態様は、第１移動体に設けられ、前記第１移動体の室内に情報を出力する出力部と、移動体の乗員の感情に少なくとも起因して発生した所定の事象の発生位置を示す位置情報を取得する第１取得部と、前記第１移動体の位置を示す位置情報を取得する第２取得部と、前記第１取得部によって取得された前記位置情報と、前記第２取得部によって取得された前記位置情報とに基づいて、前記第１移動体に前記所定の事象が発生する可能性があることを前記第１移動体の乗員に案内する案内情報を、前記出力部に出力させる出力制御部と、を備える案内システムである。

（２）の態様は、上記（１）の態様の案内システムにおいて、前記第１移動体の乗員の感情を推定する推定部を更に備え、前記出力制御部が、前記第１取得部によって取得された前記位置情報と、前記第２取得部によって取得された前記位置情報と、前記推定部によって推定された前記乗員の感情とに基づいて、前記案内情報を前記出力部に出力させるものである。

（３）の態様は、上記（２）の態様の案内システムにおいて、前記出力部が、画像を表示する表示部を含み、前記出力制御部が、前記第１取得部によって取得された前記位置情報を重畳させた地図を、前記案内情報として前記表示部に表示させるものである。

（４）の態様は、上記（２）の態様の案内システムにおいて、前記第１移動体に将来走行させる予定の第１経路を示す経路情報を取得する第３取得部を更に備え、前記出力制御部が、前記第３取得部によって取得された前記経路情報が示す前記第１経路と、前記第１取得部によって取得された前記位置情報と、前記推定部によって推定された前記乗員の感情とに基づいて、前記第１経路から、前記第１経路に比して前記所定の事象が発生しない第２経路へと変更することを前記第１移動体の乗員に促す情報を、前記案内情報として前記出力部に出力させるものである。

（５）の態様は、上記（２）の態様の案内システムにおいて、前記第１移動体に将来走行させる予定の第１経路を決定する経路決定部を更に備え、前記経路決定部が、前記経路決定部によって決定された前記第１経路と、前記第１取得部によって取得された前記位置情報と、前記推定部によって推定された前記乗員の感情とに基づいて、前記第１経路を、前記第１経路に比して前記所定の事象が発生しない第２経路へと変更するものである。

（６）の態様は、上記（２）の態様の案内システムにおいて、前記第１移動体の速度および操舵を制御する運転制御部と、前記第１移動体に将来走行させる予定の第１経路を示す経路情報を取得する第３取得部と、を更に備え、前記運転制御部が、前記第３取得部によって取得された前記経路情報が示す前記第１経路と、前記第１取得部によって取得された前記位置情報と、前記推定部によって推定された前記乗員の感情とに基づいて、前記第１移動体を、前記第１経路から、前記第１経路に比して前記所定の事象が発生しない第２経路へと移動させるものである。

（７）の態様は、上記（２）から（６）のうちいずれか一つの態様の案内システムにおいて、前記出力制御部が、前記第２取得部によって取得された前記位置情報が示す前記第１移動体の位置が、前記所定の事象を発生させた地点に至るまでに前記移動体が走行した経路上に存在し、且つ前記推定部によって推定された前記乗員の感情が、前記所定の事象を発生させた地点に至るまでの前記移動体の乗員の感情の履歴に含まれる場合、前記案内情報を前記出力部に出力させるものである。

（８）の態様は、上記（２）から（７）のうちいずれか一つの態様の案内システムにおいて、前記第１移動体の速度を示す速度情報を取得する第４取得部を更に備え、前記出力制御部が、前記第２取得部によって取得された前記位置情報が示す前記第１移動体の位置が、前記所定の事象を発生させた地点に至るまでに前記移動体が走行した経路上に存在し、且つ前記推定部によって推定された前記乗員の感情が、前記所定の事象を発生させた地点に至るまでの前記移動体の乗員の感情の履歴に含まれ、更に、前記第４取得部によって取得された前記速度情報が示す前記第１移動体の速度が、前記所定の事象を発生させた地点に至るまでの前記移動体の速度の履歴に含まれる場合、前記案内情報を前記出力部に出力させるものである。

（９）の態様は、上記（２）から（８）のうちいずれか一つの態様の案内システムにおいて、前記出力制御部が、前記第２取得部によって取得された前記位置情報が示す前記第１移動体の位置が、前記所定の事象を発生させた地点に至るまでに前記移動体が走行した経路上に存在し、且つ前記推定部によって推定された前記乗員の感情が、前記所定の事象を発生させた地点に至るまでの前記移動体の乗員の感情の履歴に含まれ、更に、前記推定部によって前記乗員の感情が推定された時点の天候が、前記所定の事象が発生したときの天候と同じ場合、前記案内情報を前記出力部に出力させるものである。

（１０）の態様は、上記（２）から（９）のうちいずれか一つの態様の案内システムにおいて、前記出力制御部が、前記第２取得部によって取得された前記位置情報が示す前記第１移動体の位置が、前記所定の事象を発生させた地点に至るまでに前記移動体が走行した経路上に存在し、且つ前記推定部によって推定された前記乗員の感情が、前記所定の事象を発生させた地点に至るまでの前記移動体の乗員の感情の履歴に含まれ、更に、前記推定部によって前記乗員の感情が推定された時刻が、前記所定の事象が発生した時刻と同じ場合、前記案内情報を前記出力部に出力させるものである。

（１１）の態様は、上記（２）から（１０）のうちいずれか一つの態様の案内システムにおいて、前記出力制御部が、前記所定の事象を発生させた複数の前記移動体の乗員の感情に所定の傾向がある所定地域に前記第１移動体が存在し、且つ前記推定部によって推定された前記第１移動体の乗員の感情が前記所定の傾向にある場合、前記案内情報を前記出力部に出力させるものである。

（１２）の態様は、上記（１）から（１１）のうちいずれか一つの態様の案内システムにおいて、前記案内情報には、前記第１移動体の乗員に対して、前記第１移動体の経路を変更することを案内する情報、または感情の転換を促す情報が含まれるものである。

（１３）本発明の他の態様は、第１移動体に設けられ、前記第１移動体の室内に情報を出力する出力部と、前記第１移動体の位置を示す位置情報を取得する取得部と、前記第１移動体の乗員の感情を推定する推定部と、移動体の位置と移動体の乗員の感情とを含む情報が入力されると、所定の事象が発生することを予測するように学習されたモデルであって、前記取得部によって取得された前記位置情報が示す前記第１移動体の位置と、前記推定部によって推定された前記第１移動体の乗員の感情とを含む情報が入力された前記モデルの出力結果に基づいて、前記第１移動体に前記所定の事象が発生する可能性があることを前記第１移動体の乗員に案内する案内情報を、前記出力部に出力させる出力制御部と、を備える案内システムである。

（１４）本発明の他の態様は、情報を出力する出力部を備える第１移動体に搭載されたコンピュータが、移動体の乗員の感情に少なくとも起因して発生した所定の事象の発生位置を示す位置情報を取得し、前記第１移動体の位置を示す位置情報を取得し、前記所定の事象の発生位置を示す位置情報と、前記第１移動体の位置を示す位置情報とに基づいて、前記第１移動体に前記所定の事象が発生する可能性があることを前記第１移動体の乗員に案内する案内情報を、前記出力部に出力させる、案内方法である。

（１５）本発明の他の態様は、情報を出力する出力部を備える第１移動体に搭載されたコンピュータに、移動体の乗員の感情に少なくとも起因して発生した所定の事象の発生位置を示す位置情報を取得する処理と、前記第１移動体の位置を示す位置情報を取得する処理と、前記所定の事象の発生位置を示す位置情報と、前記第１移動体の位置を示す位置情報とに基づいて、前記第１移動体に前記所定の事象が発生する可能性があることを前記第１移動体の乗員に案内する案内情報を、前記出力部に出力させる処理と、を実行させるためのプログラムである。

（１）～（１５）のいずれかの態様によれば、不測の事態が発生し得ることを移動体の乗員に案内することで、乗員に不測の事態に備えさせることができる。

第１実施形態に係る案内システム１の構成の一例を示す図である。 第１実施形態に係る案内システム１の一連の処理の流れを示すシーケンス図である。 第１実施形態に係る案内装置１００の構成の一例を示す図である。 第１実施形態に係る案内装置１００の一連の処理の流れを示すフローチャートである。 第１実施形態に係るサーバ装置２００の構成の一例を示す図である。 予測モデルデータ２１２の一例を示す図である。 所定の事象の発生予測を説明するための図である。 第１実施形態に係るサーバ装置２００の一連の処理の流れを示すフローチャートである。 予測モデルＭＤＬの選択処理を説明するための図である。 案内情報の一例を模式的に示す図である。 案内情報の他の例を模式的に示す図である。 案内情報の他の例を模式的に示す図である。 第１実施形態に係るサーバ装置２００の一連の学習処理の流れを示すフローチャートである。 第１実施形態に係るサーバ装置２００の学習処理の一例を模式的に示す図である。 所定の事象が複数の地点で発生したときの様子を模式的に示す図である。 第１実施形態に係る案内装置１００の他の例を示す図である。 第３実施形態に係る案内装置１００を含む車両システム２の構成図である。 第３実施形態に係る車両システム２の一連の処理の流れを示すフローチャートである。

以下、図面を参照し、本発明の案内システム、案内方法、およびプログラムの実施形態について説明する。

＜第１実施形態＞
［システム構成］
図１は、第１実施形態に係る案内システム１の構成の一例を示す図である。第１実施形態に係る案内システム１は、例えば、複数の案内装置１００と、サーバ装置２００とを備える。図示の例のように、各案内装置１００は、車両Ｍに搭載される。車両Ｍは、例えば、二輪や三輪、四輪等の車両である。これらの車両の駆動源は、ディーゼルエンジンやガソリンエンジン等の内燃機関、電動機、或いはこれらの組み合わせであってよい。電動機は、内燃機関に連結された発電機による発電電力、或いは二次電池や燃料電池の放電電力を使用して動作する。

案内装置１００とサーバ装置２００とは、ネットワークＮＷを介して通信可能に接続される。ネットワークＮＷは、ＬＡＮ（Local Area Network）やＷＡＮ（Wide Area Network）などが含まれる。ネットワークＮＷには、例えば、Ｗｉ－ＦｉやＢｌｕｅｔｏｏｔｈ（登録商標、以下省略）など無線通信を利用したネットワークが含まれてよい。

案内装置１００は、車両Ｍの乗員に、車両Ｍが進行する予定の経路上、或いは経路の周辺に所定の事象が発生しやすい、または発生する蓋然性が高い地点が存在することを注意喚起として案内したり、所定の事象がより発生しにくい経路へと案内したりする機能を有する装置である。所定の事象とは、例えば、交通事故や交通渋滞といった車両Ｍの進行を妨げるような事象（出来事）である。所定の事象として扱われる交通事故には、例えば、右折または左折時に歩行者と接触すること、赤信号を見落として交差点に進入すること、先行車と接触することなどが含まれる。

サーバ装置２００は、各車両Ｍに搭載された案内装置１００と通信し、案内装置１００から各種データを収集する。サーバ装置２００は、収集したデータを解析することで、各車両が所定の事象が発生しやすい地点を通過するか否かを予測し、車両が所定の事象が発生しやすい地点を通過することを予測した場合、その車両に搭載された案内装置１００に、注意喚起を促すための情報を送信したり、所定の事象が発生しにくい他の経路への経路変更を促すための情報を送信したりする。以下、注意喚起や経路変更などを促す情報を総括して「案内情報」と称して説明する。

なお、案内装置１００が搭載される移動体は、車両Ｍに限られず、例えば、旅客機や飛行船、ヘリコプターなどの航空機や、旅客船などの船舶といった他の移動体であってもよい。以下、一例として、移動体が車両Ｍであるものとして説明する。

［案内システムのシーケンス］
図２は、第１実施形態に係る案内システム１の一連の処理の流れを示すシーケンス図である。まず、案内装置１００は、車両Ｍの乗員の運転データや乗員のプロファイルデータを収集する（ステップＳ１００）。運転データとは、乗員が車両Ｍを運転する際の車内の状況や車両Ｍの状態などを含むデータであり、より具体的には、車両Ｍの車種や、走行時の天候、走行時の時刻、車両Ｍの速度、同乗者の人数、車両Ｍの現在位置、目的地の所在地、現在位置から目的地までの走行経路、乗員の運転の継続時間、車両Ｍの車内での会話の有無、乗員の感情などが含まれる。プロファイルデータとは、乗員の運転特性に関するデータであり、具体的には、乗員の性別、年齢、運転経歴、自宅の所在地、生活圏、運転傾向などが含まれる。運転傾向は、例えば、運転の継続時間が長い場合、ブレーキが遅いといった傾向や、怒っているときには急発進をしやすいといった傾向、他の乗員と会話している場合、サイドミラーの確認を怠りやすいといった傾向などである。案内装置１００は、車両Ｍのアクセサリー電源やイグニッション電源がオン状態となると、それら電源から電力の供給を受けて起動し、運転データを収集することを所定の周期で繰り返す。

次に、案内装置１００は、収集した運転データとプロファイルデータとをサーバ装置２００に送信する（ステップＳ１０２）。

サーバ装置２００は、案内装置１００から運転データおよびプロファイルデータを受信すると、受信した運転データおよびプロファイルデータに基づいて、運転データおよびプロファイルデータを送信した車両が所定の事象が発生しやすい地点を通過するか否かを予測する（ステップＳ１０４）。

サーバ装置２００は、車両が所定の事象が発生しやすい地点を通過することを予測した場合、その車両に搭載された案内装置１００に案内情報を送信する（ステップＳ１０６）。

案内装置１００は、サーバ装置２００から案内情報を受信すると、その案内情報に従って、車両Ｍの乗員に注意喚起を促したり、経路変更を促したりする（ステップＳ１０８）。なお、このシーケンスではＳ１０２でサーバ装置２００に送信する案内装置１００及びそれが搭載される車両とＳ１０６でサーバ装置２００から受信する案内装置１００及びそれが搭載される車両は同じものとして記載したが、送信と受信は別の装置であってもよい。また、送信のみ行う案内装置１００や受信のみ行う案内装置１００があってもよい。

［案内装置の構成］
図３は、第１実施形態に係る案内装置１００の構成の一例を示す図である。第１実施形態に係る案内装置１００は、例えば、車内カメラ１０２と、マイクロフォン１０４と、車両センサ１０６と、ＧＮＳＳ（Global Navigation Satellite System）受信機１０８と、ＨＭＩ（Human Machine Interface）１１０と、通信部１１２と、記憶部１２０と、制御部１３０とを備える。これらの装置や機器は、ＣＡＮ（Controller Area Network）通信線等の多重通信線やシリアル通信線、無線通信網等によって互いに接続されてよい。図３に示す案内装置１００の構成はあくまでも一例であり、構成の一部が省略されてもよいし、更に別の構成が追加されてもよい。

車内カメラ１０２は、例えば、案内装置１００が搭載された車両Ｍ（以下、自車両Ｍと称する）の車室内に設置され、車室内のシートに着座する各乗員の顔などを撮像する。車内カメラ１０２は、例えば、ＣＣＤ（Charge Coupled Device）やＣＭＯＳ（Complementary Metal Oxide Semiconductor）等の固体撮像素子を利用したデジタルカメラである。車内カメラ１０２は、例えば、所定のタイミングで各乗員を繰り返し撮像する。車内カメラ１０２は、乗員を撮像した画像データを生成し、生成した画像データを制御部１３０に出力する。

マイクロフォン１０４は、自車両Ｍの車室内の音声を収音する音声入力装置である。マイクロフォン１０４は、収音した音声データを制御部１３０に出力する。

車両センサ１０６は、自車両Ｍの向きを検出する方位センサや、自車両Ｍの速度を検出する車速センサ、自車両Ｍの加速度を検出する加速度センサ、自車両Ｍの鉛直軸回りの角速度を検出するヨーレートセンサ、ステアリングホイールの回転軸に与えられた操舵トルクを検出するトルクセンサなどを含む。車両センサ１０６は、検出した方位や速度、加速度などを含むデータ（以下、車両状態データと称する）を制御部１３０に出力する。

ＧＮＳＳ受信機１０８は、ＧＰＳ（Global Positioning System）などの人工衛星から信号（電波）を受信し、受信した信号に基づいて自車両Ｍの位置を特定する。自車両Ｍの位置は、車両センサ１０６によって出力された車両状態データを利用したＩＮＳ（Inertial Navigation System）によって特定または補完されてもよい。ＧＮＳＳ受信機１０８は、特定した自車両の位置を示す位置データを制御部１３０に出力する。

ＨＭＩ１１０は、自車両Ｍの乗員に対して各種情報を提示すると共に、乗員による入力操作を受け付ける。ＨＭＩ１１０は、ディスプレイ、スピーカ、ブザー、タッチパネル、スイッチ、キーなどを含む。ＨＭＩ１１０は、「出力部」の一例である。

通信部１１２は、例えば、アンテナやＮＩＣ（Network Interface Card）などの通信インターフェースを含む。通信部１１２は、ネットワークＮＷを介してサーバ装置２００などと通信する。

記憶部１２０は、例えば、ＨＤＤ、フラッシュメモリ、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）、ＲＯＭ（Read Only Memory）、またはＲＡＭ（Random Access Memory）等により実現される。記憶部１２０には、例えば、後述するプロセッサによって参照されるプログラムのほかに、地図データ１２２などが格納される。また、地図データ１２２は、外部装置（例えばサーバ装置２００）から一時的に取得されて記憶部１２０に格納されたものであってもよい。

地図データ１２２は、例えば、道路を示すリンクと、リンクによって接続されたノードとによって道路形状が表現されたデータである。地図データ１２２には、道路の曲率やＰＯＩ（Point Of Interest）情報などが含まれてよい。

制御部１３０は、例えば、取得部１３２と、経路決定部１３４と、プロファイル生成部１３６と、感情推定部１３８と、出力制御部１４０と、通信制御部１４２とを備える。これらの構成要素は、例えば、ＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）等のプロセッサがプログラム（ソフトウェア）を実行することにより実現される。また、これらの構成要素のうち一部または全部は、ＬＳＩ（Large Scale Integration）やＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）等のハードウェア（回路部；circuitryを含む）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。プログラムは、予め記憶部１２０に格納されていてもよいし、ＤＶＤやＣＤ－ＲＯＭ等の着脱可能な記憶媒体に格納されており、記憶媒体がドライブ装置に装着されることで記憶部１２０にインストールされてもよい。

取得部１３２は、車内カメラ１０２から画像データを取得したり、マイクロフォン１０４から音声データを取得したり、車両センサ１０６から車両状態データを取得したり、ＧＮＳＳ受信機１０８から位置データを取得したりする。また、取得部１３２は、乗員がＨＭＩ１１０に対して入力した入力データを、ＨＭＩ１１０から取得してもよい。入力データには、例えば、目的地の位置データなどが含まれる。ＧＮＳＳ受信機１０８から位置データを取得する取得部１３２は、「第２取得部」の一例である。また、車両センサ１０６から車両状態データを取得する取得部１３２は、「第４取得部」の一例である。

経路決定部１３４は、例えば、地図データ１２２を参照して、ＧＮＳＳ受信機１０８により特定された自車両Ｍの位置、あるいは乗員がＨＭＩ１１０に対して入力した任意の位置から、乗員がＨＭＩ１１０に対して入力した目的地に至るまでの経路を決定する。経路決定部１３４によって決定される経路は、「第１経路」の一例である。また、経路決定部１３４は、「第３取得部」の一例である。

プロファイル生成部１３６は、取得部１３２によって取得された各種データに基づいて、プロファイルデータを生成する。プロファイルデータは、自車両Ｍの所有者や、その所有者の家族といった、自車両Ｍを運転し得る人間の運転特性に関するデータである。

例えば、乗員がＨＭＩ１１０に対して性別や年齢、運転経歴、自宅所在地、生活圏、運転傾向などを入力した場合、プロファイル生成部１３６は、ＨＭＩ１１０に対して入力された入力データに基づいて、プロファイルデータを生成してよい。また、プロファイル生成部１３６は、位置データに基づいて自宅所在地や生活圏を導き出したり、画像データや音声データに基づいて性別を導き出したり、車両状態データに基づいて普段の運転傾向を導き出したりすることで、プロファイルデータを生成してもよい。プロファイル生成部１３６は、プロファイルデータを生成すると、それを記憶部１２０に記憶させる。

なお、プロファイルデータは、プロファイル生成部１３６によって生成されなくてもよい。例えば、乗員が保有するスマートフォンなどの端末装置に対して、乗員の性別や年齢、運転経歴、自宅所在地、生活圏、運転傾向などを含むプロファイルデータが入力された場合、取得部１３２は、通信部１１２をその端末装置と通信させ、端末装置から通信部１１２にプロファイルデータを受信させてもよい。すなわち、取得部１３２は、通信部１１２を介して端末装置からプロファイルデータを取得してもよいし、アカウントに紐づくプロファイルデータが記録された外部装置からアカウント認証の後にプロファイルデータを取得してもよい。

感情推定部１３８は、取得部１３２によって取得された音声データおよび画像データの少なくとも一方または双方に基づいて、自車両Ｍに搭乗した乗員（特に運転者）の感情を推定する。

例えば、感情推定部１３８は、取得部１３２によって取得された音声データから、乗員が発話している期間（以下、発話期間と称する）を抽出し、抽出した発話期間ごとの音声をテキスト化することで、発話内容を表すテキストデータを生成する。そして、感情推定部１３８は、生成したテキストデータに基づいて、乗員の感情を推定する。

具体的には、感情推定部１３８は、抽出した各発話期間の音声信号を、ＢｉＬＳＴＭ（Bi-directional Long short-term memory）やアテンション機構などを含むリカレントニューラルネットワークに入力することで、音声信号が低周波数や高周波数などの複数の周波数帯に分離され、その各周波数帯の音声信号がフーリエ変換されたスペクトログラム（メルスペクトログラム）を得る。リカレントニューラルネットワークは、例えば、学習用の音声から生成されたスペクトログラムに対して、その学習用の音声信号が教師ラベルとして対応付けられた教師データを利用することで、予め学習されていてよい。

感情推定部１３８は、音声信号をスペクトログラムに変換すると、そのスペクトログラムを、複数の隠れ層を含む畳み込みニューラルネットワークに入力することで、スペクトログラムから文字列を得る。畳み込みニューラルネットワークは、例えば、学習用のスペクトログラムに対して、その学習用のスペクトログラムを生成するのに使われた音声信号に対応する文字列が教師ラベルとして対応付けられた教師データを利用することで、予め学習されていてよい。感情推定部１３８は、畳み込みニューラルネットワークから得た文字列のデータを、テキストデータとして生成する。

感情推定部１３８は、テキストデータを生成すると、その生成したテキストデータを、乗員の感情を分析するように予め学習されたディープニューラルネットワークに入力することで、乗員の感情を数値化した指数（以下、感情指数と称する）を導出する。感情指数は、例えば、怒り、不愉快、恐怖、幸福、悲しみ、驚き、といった各種感情のパラメータごとに、その感情の尤もらしさを表すスコアが対応付けられている。そして、感情推定部１３８は、導出した感情指数に基づいて、乗員の感情を推定する。

また、感情推定部１３８は、取得部１３２によって取得された画像データから乗員の顔の特徴（例えば、目、口、鼻、眉など）を抽出し、抽出した顔の特徴に基づいて乗員の感情を推定してもよいし、画像データから乗員の身振り手振りを認識し、その認識した身振り手振りに基づいて、乗員の感情を推定してもよい。

また、感情推定部１３８は、音声データを用いた乗員の感情の推定結果と、画像データを用いた乗員の感情の推定結果とを統合し、その統合した感情の推定結果に基づいて、乗員の感情を推定してもよい。

出力制御部１４０は、地図データ１２２が示す地図の上で、経路決定部１３４によって決定された経路をＨＭＩ１１０のディスプレイに表示させることで、自車両Ｍの乗員に対して、現在位置から目的地までの経路を案内する。また、出力制御部１４０は、通信部１１２がサーバ装置２００から案内情報を受信した場合、その案内情報に従って、ＨＭＩ１１０に、乗員に注意喚起を促す情報や経路変更を促す情報を画像や音声として出力させる。

通信制御部１４２は、通信部１１２を制御して、取得部１３２によって取得された画像データ、音声データ、車両状態データ、位置データ、および入力データの一部または全部と、感情推定部１３８によって推定された乗員の感情を示すデータ（以下、感情推定データと称する）とを合わせたものを、運転データとしてサーバ装置２００に送信する。また、通信制御部１４２は、通信部１１２を制御して、プロファイル生成部１３６によって生成されたプロファイルデータ、または取得部１３２によって取得されたプロファイルデータをサーバ装置２００に送信する。

［案内装置の処理フロー］
以下、第１実施形態に係る案内装置１００の処理についてフローチャートを用いて説明する。図４は、第１実施形態に係る案内装置１００の一連の処理の流れを示すフローチャートである。本フローチャートの処理は、自車両Ｍのアクセサリー電源やイグニッション電源がオン状態となり、案内装置１００がそれら電源から電力の供給を受けている間、所定の周期で繰り返し行われてよい。

まず、取得部１３２は、画像データ、音声データ、車両状態データ、位置データ、入力データといった各種データを取得する（ステップＳ２００）。

次に、感情推定部１３８は、取得部１３２によって取得された画像データおよび音声データの少なくとも一方に基づいて、自車両Ｍの乗員の感情を推定する（ステップＳ２０２）。

次に、プロファイル生成部１３６は、別のタイミングで生成しておいたプロファイルデータを記憶部１２０から取得する（ステップＳ２０４）。例えば、プロファイル生成部１３６は、本フローチャートの処理周期とは別の周期でプロファイルデータを生成し、それを記憶部１２０に記憶させておき、本フローチャートのＳ２０４の処理周期に合わせて、記憶部１２０からプロファイルデータを取得する。なお、プロファイル生成部１３６は、記憶部１２０から予め生成しておいたプロファイルデータを取得する代わりに、Ｓ２０４の処理のタイミングでプロファイルデータを生成してもよい。

次に、通信制御部１４２は、Ｓ２００の処理で取得部１３２によって取得されたデータ、およびＳ２０２の処理で感情推定部１３８によって推定された乗員の感情を示す感情推定データを含む運転データと、Ｓ２０４の処理でプロファイル生成部１３６によって取得または生成されたプロファイルデータとを、通信部１１２を介してサーバ装置２００に送信する（ステップＳ２０６）。

次に、通信制御部１４２は、運転データとプロファイルデータとをサーバ装置２００に送信してから、所定時間が経過するまで、或いは所定距離を走行するまでの間に、通信部１１２がサーバ装置２００から案内情報を受信したか否かを判定する（ステップＳ２０８）。

通信制御部１４２は、通信部１１２がサーバ装置２００から案内情報を受信した場合、ＨＭＩ１１０に案内情報を出力させる（ステップＳ２１０）。これによって本フローチャートの処理が終了する。

［サーバ装置の構成］
図５は、第１実施形態に係るサーバ装置２００の構成の一例を示す図である。第１実施形態に係るサーバ装置２００は、例えば、通信部２０２と、記憶部２１０と、制御部２３０とを備える。図５に示すサーバ装置２００の構成はあくまでも一例であり、構成の一部が省略されてもよいし、更に別の構成が追加されてもよい。

通信部２０２は、例えば、アンテナやＮＩＣなどの通信インターフェースを含む。通信部２０２は、ネットワークＮＷを介して案内装置１００などと通信する。

記憶部２１０は、例えば、ＨＤＤ、フラッシュメモリ、ＥＥＰＲＯＭ、ＲＯＭ、またはＲＡＭ等により実現される。記憶部２１０には、例えば、プロセッサによって参照されるプログラムのほかに、予測モデルデータ２１２などが格納される。

予測モデルデータ２１２は、車両Ｍなどの移動体に所定の事象が発生することを予測するための一つまたは複数の予測モデルＭＤＬを定義した情報（プログラムまたはデータ構造）である。予測モデルＭＤＬは、例えば、あるユーザＡの運転特性に関する特徴量が入力されると、そのユーザＡが運転する車両Ｍに所定の事象が発生する確率（以下、生起確率と称する）を出力するように学習されたモデルである。

予測モデルＭＤＬは、例えば、ディープニューラルネットワークを利用して実現されてよい。また、予測モデルＭＤＬは、ディープニューラルネットワークに限られず、ロジスティック回帰やＳＶＭ（Support Vector Machine）、ｋ－ＮＮ（k-Nearest Neighbor algorithm）、決定木、単純ベイズ分類器、ランダムフォレストといった他のモデルによって実現されてもよい。

図６は、予測モデルデータ２１２の一例を示す図である。図示の例のように、予測モデルデータ２１２は、過去に所定の事象が一度でも発生した地点ＳＰ、または過去に所定の事象が頻繁に発生した地点ＳＰに対して、予測モデルＭＤＬが対応付けられたデータであってよい。これらの各地点ＳＰに対応付けられた予測モデルＭＤＬは、後述する学習部２４２によって学習される。なお、予測モデルＭＤＬが対応付けられる地点ＳＰは、地図上において、座標のように「点」として扱われてもよいし、道路のように「線」として扱われてもよいし、市町村区のように「面」として扱われてもよい。

制御部２３０は、例えば、取得部２３２と、特徴量抽出部２３４と、予測部２３６と、案内情報生成部２３８と、通信制御部２４０と、学習部２４２とを備える。これらの構成要素は、例えば、ＣＰＵやＧＰＵ等のプロセッサがプログラム（ソフトウェア）を実行することにより実現される。また、これらの構成要素のうち一部または全部は、ＬＳＩやＡＳＩＣ、ＦＰＧＡ等のハードウェア（回路部；circuitryを含む）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。プログラムは、予め記憶部２１０に格納されていてもよいし、ＤＶＤやＣＤ－ＲＯＭ等の着脱可能な記憶媒体に格納されており、記憶媒体がドライブ装置に装着されることで記憶部２１０にインストールされてもよい。

取得部２３２は、通信部２０２を介して案内装置１００から、運転データとプロファイルデータとを取得する。

特徴量抽出部２３４は、取得部２３２によって取得された運転データとプロファイルデータとのそれぞれから、乗員の運転特性に関する特徴量を抽出する。

予測部２３６は、特徴量抽出部２３４によって抽出された特徴量に基づいて、運転データおよびプロファイルデータの取得先である車両Ｍ（以下、「予測対象の車両Ｍ」の称する）に、所定の事象が発生することを予測する。例えば、予測部２３６は、特徴量抽出部２３４によって抽出された特徴量を、予測モデルデータ２１２に含まれる予測モデルＭＤＬに入力し、その予測モデルＭＤＬによって出力された生起確率に基づいて、所定の事象の発生有無を予測する。予測対象の車両Ｍは、「第１移動体」の一例である。

図７は、所定の事象の発生予測を説明するための図である。図示の例のように、特徴量抽出部２３４によって抽出される特徴量には、運転データから抽出される第１特徴量と、プロファイルデータから抽出される第２特徴量とが含まれる。

第１特徴量には、例えば、現在位置、目的地、走行経路、時刻、天候、同乗者の人数、乗員の運転継続時間、あるタイミングでの車両の速度、ある期間の車両の速度の履歴、車内での会話の有無、あるタイミングでの乗員の感情、ある期間の乗員の感情の履歴、車種などが含まれる。第２特徴量には、性別、年齢、運転経歴、自宅所在地、生活圏、運転傾向などが含まれる。

このような特徴量が予測モデルＭＤＬに入力されるため、予測モデルＭＤＬは、例えば、雨天のときに、予測対象の車両Ｍの速度が大きく、その車両Ｍが普段の生活圏で運転している経路と異なる経路を走行しており、予測対象の車両Ｍを運転する運転者が高齢者であり、苛立って運転していることから急発進する傾向にあり、更に、車内で他の乗員と会話していることからサイドミラーの確認を怠りやすい傾向にある、といった状況を基にして、所定の事象の生起確率を導出する。

例えば、予測モデルＭＤＬは、上述したような第１特徴量と第２特徴量とが入力されると、所定の事象として予め想定された複数の事象のそれぞれの生起確率を出力してよい。具体的には、予め想定された所定の事象に、右折または左折時に歩行者と接触するという第１事象と、赤信号を見落として交差点に進入するという第２事象と、先行車と接触するという第３事象とが含まれていた場合、予測モデルＭＤＬは、第１事象と、第２事象と、第３事象とをそれぞれ要素とし、第１事象の要素に対応した要素値を第１事象の生起確率Ｐ１とし、第２事象の要素に対応した要素値を第２事象の生起確率Ｐ２とし、第３事象の要素に対応した要素値を第３事象の生起確率Ｐ３としたベクトルＶ（例えば、Ｖ＝［Ｐ１，Ｐ２，Ｐ３］）を出力してよい。

予測部２３６は、予測モデルＭＤＬによって各事象の生起確率を表すベクトルが出力されると、そのベクトルに含まれる各要素の要素値、すなわち各事象の生起確率の値に基づいて、所定の事象の発生有無を予測する。例えば、予測部２３６は、最も大きい生起確率Ｐ１であり、その生起確率Ｐ１が、ある閾値ＴＨ_Ｐ以上である場合、その生起確率Ｐ１に対応付けられた第１事象が発生すると予測する。また、予測部２３６は、閾値ＴＨ_Ｐ以上の生起確率が複数存在する場合、複数の事象が略同時に発生すると予測してよい。また、予測部２３６は、ベクトルに含まれるいずれの生起確率も閾値ＴＨ_Ｐ未満である場合、所定の事象が発生しないと予測してよい。

案内情報生成部２３８は、予測部２３６によって所定の事象が発生すると予測された場合、発生すると予測された事象の種類に応じた案内情報を生成する。例えば、案内情報生成部２３８は、第１事象の生起確率Ｐ１が閾値ＴＨ_Ｐ以上であり、予測対象の車両Ｍに第１事象が発生すると予測された場合、予測対象の車両Ｍの乗員に対して、第１事象が発生することについて注意喚起を促したり、或いは第１事象が発生しにくい他の経路（第２経路の一例）へと経路変更を促したりする案内情報を生成する。

通信制御部２４０は、案内情報生成部２３８によって案内情報が生成されると、通信部２０２を介して予測対象の車両Ｍに搭載された案内装置１００に案内情報を送信する。

学習部２４２は、予測モデルＭＤＬを学習する。予測モデルＭＤＬの学習方法について後述する。

［サーバ装置の処理フロー］
以下、第１実施形態に係るサーバ装置２００の処理についてフローチャートを用いて説明する。図８は、第１実施形態に係るサーバ装置２００の一連の処理の流れを示すフローチャートである。本フローチャートの処理は、所定の周期で繰り返し行われてよい。

まず、取得部２３２は、通信部２０２を介して案内装置１００から、運転データとプロファイルデータとを取得する（ステップＳ３００）。

次に、特徴量抽出部２３４は、取得部２３２によって取得された運転データから第１特徴量を抽出し、プロファイルデータから第２特徴量を抽出する（ステップＳ３０２）。

次に、予測部２３６は、記憶部２１０から予測モデルデータ２１２を読み出し（取得し）、読み出した予測モデルデータ２１２に含まれる一以上の予測モデルＭＤＬの中から、運転データに含まれる走行経路、すなわち、予測対象の車両Ｍが目的地に到着するまでに走行する予定の経路上、またはその経路の近傍（例えば数十メートル以内）の地点に対応付けられた予測モデルＭＤＬを選択する（ステップＳ３０４）。

図９は、予測モデルＭＤＬの選択処理を説明するための図である。図示のように、例えば、第１地点ＳＰ１、第２地点ＳＰ２、第３地点ＳＰ３、第４地点ＳＰ４、第５地点ＳＰ５、第６地点ＳＰ６のそれぞれで過去に所定の事象が発生した場合、それらの各地点ＳＰには予測モデルＭＤＬが対応付けられる。このような場合、予測部２３６は、６つの予測モデルＭＤＬの中から、予測対象の車両Ｍの走行予定の経路Ｒ１上、またはその経路Ｒ１の近傍の地点に対応付けられた予測モデルＭＤＬを選択する。図示の例では、現在位置Ｓから目的地Ｇまでの経路Ｒ１上に、第１地点ＳＰ１および第２地点ＳＰ２が存在している。従って、予測部２３６は、６つの予測モデルＭＤＬの中から、第１地点ＳＰ１に対応付けられた予測モデルＭＤＬ１と、第２地点ＳＰ２に対応付けられた予測モデルＭＤＬ２とを選択する。

図８のフローチャートの説明に戻る。次に、予測部２３６は、予測モデルＭＤＬを選択すると、選択したそれぞれの予測モデルＭＤＬに、特徴量抽出部２３４によって抽出された特徴量を入力する（ステップＳ３０６）。

次に、予測部２３６は、特徴量を入力したそれぞれの予測モデルＭＤＬの出力結果、すなわち各地点における所定の事象の生起確率の導出結果を取得する（ステップＳ３０８）。

次に、予測部２３６は、各地点における所定の事象の生起確率が閾値ＴＨ_Ｐ以上であるか否かを判定する（ステップＳ３１０）。例えば、予測部２３６は、第１地点ＳＰ１に対応付けられた予測モデルＭＤＬ１が出力した生起確率と、第２地点ＳＰ２に対応付けられた予測モデルＭＤＬ２が出力した生起確率とが、ともに閾値ＴＨ_Ｐ未満である場合、走行予定の経路Ｒ１を走行しても予測対象の車両Ｍには所定の事象が発生しないと予測して、本フローチャートの処理を終了する。

一方、予測部２３６は、いずれか一つまたは複数の地点における所定の事象の生起確率が閾値ＴＨ_Ｐ以上である場合、目的地に到着するまでの間に、予測対象の車両Ｍに所定の事象が発生すると予測する（ステップＳ３１２）。所定の事象の生起確率が閾値ＴＨ_Ｐ以上である地点は、「所定の事象の発生位置」の一例であり、予測部２３６は、「第１取得部」の一例である。

例えば、予測部２３６は、第１地点ＳＰ１に対応付けられた予測モデルＭＤＬ１が出力した生起確率と、第２地点ＳＰ２に対応付けられた予測モデルＭＤＬ２が出力した生起確率とのうちいずれか一方または双方が閾値ＴＨ_Ｐ以上である場合、走行予定の経路Ｒ１を走行すると予測対象の車両Ｍに所定の事象が発生すると予測する。

次に、案内情報生成部２３８は、予測部２３６によって発生が予測された事象の種類に応じた案内情報を生成する（ステップＳ３１４）。

図１０は、案内情報の一例を模式的に示す図である。例えば、予測対象の車両が走行する予定の経路Ｒ１上に、過去に所定の事象が発生した第１地点ＳＰ１および第２地点ＳＰ２が存在しており、予測部２３６が、予測対象の車両Ｍが経路Ｒ１を走行した場合、第１地点ＳＰ１および第２地点ＳＰ２のそれぞれで所定の事象が発生すると予測したとする。

この場合、案内情報生成部２３８は、第１地点ＳＰ１において発生すると予測された事象の種類と、第２地点ＳＰ２において発生すると予測された事象の種類とのそれぞれに応じて、生成する案内情報を変更する。

例えば、図示のように、第１地点ＳＰ１において「事象Ｘ」が発生すると予測された場合、案内情報生成部２３８は、現在の感情を維持しながら第１地点ＳＰ１に到達した場合や、第１地点ＳＰ１の３つ手間の交差点で第１の感情にあり、２つ手前の交差点で第２の感情にあり、１つ手前の交差点で第３の感情にある、といったような、ある特定の感情の推移で第１地点ＳＰ１に到達した場合、その第１地点ＳＰ１に対して「事象Ｘ」が発生する可能性があるということを表す文字や画像が重畳された地図を、案内情報として生成してよい。

同様に、例えば、図示のように、第２地点ＳＰ２において「事象Ｙ」が発生すると予測された場合、案内情報生成部２３８は、現在の感情を維持しながら第２地点ＳＰ２に到達した場合や、ある特定の感情の推移で第２地点ＳＰ２に到達した場合、その第２地点ＳＰ２で「事象Ｙ」が発生する可能性があるということを表す文字や画像が重畳された地図を、案内情報として生成してよい。

このように、案内情報生成部２３８は、現在の感情のまま運転を継続した場合に所定の事象が発生しやすくなる地点を地図上で表示することで、予測対象の車両Ｍの乗員に対して、所定の事象の発生要因（特徴量）の一つである「感情」を転換するように促すことができる。この結果、所定の事象が発生することを抑制することができる。

また、案内情報生成部２３８は、所定の事象の発生要因の一つである「感情」に代えて、或いは加えて、他の要因である「車速」を変更するように促したり、他の同乗者との「会話」を止めるように促したり、「運転継続時間」を短くするために休憩を促したり、「経路」や「目的地」を変更するように促したりする案内情報を生成してもよい。

図１１は、案内情報の他の例を模式的に示す図である。図示の例のように、予測対象の車両Ｍが進行予定の経路Ｒ１上に、所定の事象が発生すると予測された第１地点ＳＰ１および第２地点ＳＰ２が存在する場合、案内情報生成部２３８は、他の経路へと経路変更するように促す案内情報を生成する。例えば、案内情報生成部２３８は、現在位置Ｓから目的地Ｇに至る複数の他の経路の中から、現在の経路に比して、所定の事象が発生すると予測された地点ＳＰの数が少なかったり、経路全体の所定の事象の生起確率の平均や合計が小さかったりする経路を選択する。この場合、予測部２３６は、変更先の候補となる各経路について所定の事象が発生するか否かを予測しておくものとする。例えば、案内情報生成部２３８は、現在位置Ｓから目的地Ｇに至る複数の他の経路の中から、所定の事象の発生地点が少ない、或いは所定の事象の生起確率が小さい経路として経路Ｒ２を選択すると、進行予定であった経路Ｒ１から、選択した経路Ｒ２へと経路変更するように促す案内情報を生成してよい。

また、案内情報生成部２３８は、第１地点ＳＰ１において発生すると予測された事象の生起確率と、第２地点ＳＰ２において発生すると予測された事象の生起確率とのそれぞれに応じて、生成する案内情報を変更してもよい。

図１２は、案内情報の他の例を模式的に示す図である。例えば、上述した他の例と同様に、第１地点ＳＰ１において「事象Ｘ」が発生することが予測され、第２地点ＳＰ２において「事象Ｙ」が発生することが予測されたとする。この場合、案内情報生成部２３８は、例えば、各事象の生起確率が大きくなるほど、赤色や黄色といった人間の注意を惹きやすい色で事象の発生地点をカラーリングしたヒートマップを案内情報として生成してよい。例えば、第１地点ＳＰ１において発生することが予測された「事象Ｘ」の生起確率に比して、第２地点ＳＰ２において発生することが予測された「事象Ｙ」の生起確率の方が大きい場合、図示の例のように、案内情報生成部２３８は、ヒートマップにおいて、第１地点ＳＰ１に比べて、第２地点ＳＰ２の色をより濃くしたり、赤色や黄色でカラーリングされた領域をより広くしたりしてよい。

図８のフローチャートの説明に戻る。次に、通信制御部２４０は、通信部２０２を介して予測対象の車両Ｍに搭載された案内装置１００に、案内情報生成部２３８によって生成された案内情報を送信する（ステップＳ３１６）。これによって、本フローチャートの処理が終了する。

案内装置１００の出力制御部１４０は、通信部１１２がサーバ装置２００から案内情報を受信すると、ＨＭＩ１１０に案内情報を出力させる。具体的には、出力制御部１４０は、ＨＭＩ１１０のディスプレイに、図１０や、図１１、図１２に例示するようなヒートマップを表示させることで、自車両Ｍの乗員に、注意喚起を行ったり、感情の転換を促したり、経路変更を促したりする。また、案内装置１００の経路決定部１３４は、案内情報に従って、所定の事象の発生地点が少ない、或いは所定の事象の生起確率が小さい経路へと経路変更してもよい。

また、出力制御部１４０は、所定の事象が発生した地点に自車両Ｍが到達したタイミングで、ＨＭＩ１１０に案内情報を出力させてもよいし、所定の事象が発生した地点よりも所定距離手前の地点に自車両Ｍが到達したタイミングで、ＨＭＩ１１０に案内情報を出力させてもよい。

［学習処理フロー］
以下、第１実施形態に係るサーバ装置２００の学習処理についてフローチャートと模式図を用いて説明する。図１３は、第１実施形態に係るサーバ装置２００の一連の学習処理の流れを示すフローチャートである。また、図１４は、第１実施形態に係るサーバ装置２００の学習処理の一例を模式的に示す図である。本フローチャートの処理は、所定の周期で繰り返し行われてよい。

まず、取得部２３２は、通信部２０２を介して、所定の事象が発生した不特定多数の車両Ｍの案内装置１００から、運転データおよびプロファイルデータを取得する（ステップＳ４００）。

次に、学習部２４２は、Ｓ４００の処理で取得部２３２によって取得された複数の運転データおよびプロファイルデータを、所定の事象が発生した要因が外的要因に依るデータ群と、所定の事象が発生した要因が人的要因に依るデータ群とに分類する（ステップＳ４０２）。

例えば、学習部２４２は、直線道路のように道路の見通しが良く、天候が快晴のような好天であり、運転継続時間が著しく長いような状況下で所定の事象を発生させた車両Ｍの運転データおよびプロファイルデータについては、人的要因に依るデータ群に分類し、カーブ路のように道路の見通しが悪く、天候が雨や雪、濃霧のような悪天候であり、運転継続時間が短いような状況下で所定の事象を発生させた車両Ｍの運転データおよびプロファイルデータについては、外的要因に依るデータ群に分類してよい。なお、学習部２４２は、外的要因か人的要因かに明確に分類できないデータについては、いずれのデータ群にも分類しなくてよい。

次に、特徴量抽出部２３４は、分類した２つのデータ群のうち、人間の感情などの人的要因に依るデータ群に分類された運転データおよびプロファイルデータから特徴量を抽出する（ステップＳ４０４）。特徴量には、上述したように運転データから抽出される第１特徴量と、プロファイルデータから抽出される第２特徴量とが含まれる。

次に、学習部２４２は、Ｓ４０４の処理で特徴量抽出部２３４により抽出された特徴量を用いて、所定の事象が発生した地点に対応付ける予測モデルＭＤＬの学習するための学習データを生成する（ステップＳ４０６）。

例えば、学習部２４２は、特徴量抽出部２３４により人的要因に依るデータ群から抽出された特徴量に対して、生起確率が教師ラベルとして対応付けられた教師データを生成してよい。例えば、学習部２４２は、所定の事象が発生したという事実を踏まえて生起確率を１にしてよい。

次に、学習部２４２は、生成した教師データに基づいて、予測モデルＭＤＬを学習し、その学習した予測モデルＭＤＬを所定の事象の発生地点ＳＰに対応付けた予測モデルデータ２１２を生成する（ステップＳ４０８）。

例えば、学習部２４２は、教師データに含まれる特徴量を予測モデルＭＤＬに入力し、その予測モデルによって出力された生起確率と、予測モデルＭＤＬに入力した特徴量に対して教師ラベルとして対応付けられた生起確率との差分を導出する。そして、学習部２４２は、導出した差分が小さくなるように、確率的勾配法などを利用して、予測モデルＭＤＬの重み係数やバイアス成分などのパラメータを決定する。

このように学習によってパラメータが決定された予測モデルＭＤＬは、学習時に入力された特徴量により類似した特徴量が入力されると、所定の事象の生起確率として、より１に近い値を出力するようになる。例えば、ある車両Ａに所定の事象の一つである事象Ｘが発生したときに、その車両Ａの乗員が焦りや苛立ちを感じていたとする。このような状況下で得られた運転データおよびプロファイルデータを用いて予測モデルＭＤＬが学習された場合に、その事象Ｘが発生した地点に、同じように焦りや苛立ちを感じた乗員が運転する他車両Ｂが通りかかったとき、学習された予測モデルＭＤＬは、他車両Ｂにも、車両Ａに発生した同種の事象Ｘが発生する蓋然性が高いことを示す生起確率を出力するようになる。

また、予測モデルＭＤＬの学習に利用される教師データの特徴量には、所定の事象を発生させた地点に至るまでに車両Ｍが走行した走行経路や、所定の事象を発生させた地点に至るまでの車両Ｍの乗員の感情の履歴が含まれることから、例えば、以下の条件（Ｉ）および（ＩＩ）を満たしている場合、予測モデルＭＤＬは、所定の事象の生起確率として、閾値ＴＨ_Ｐ以上の確率を出力しやすくなる。これによって、案内装置１００のＨＭＩ１１０に案内情報が出力されやすくなる。

条件（Ｉ）：過去に所定の事象が発生した地点に予測対象の車両Ｍが近づいた際に、予測対象の車両Ｍが所定の事象を発生させた車両Ｍの走行経路と同じ経路を走行している。すなわち、所定の事象を発生させた車両Ｍの走行経路上に、予測対象の車両Ｍが位置している。

条件（ＩＩ）：過去に所定の事象が発生した地点に予測対象の車両Ｍが近づいた際に、予測対象の車両Ｍの乗員の感情の推移が、所定の事象を発生させた車両Ｍの乗員の感情の推移と同じ傾向である。すなわち、所定の事象を発生させた車両Ｍの乗員の感情の履歴に、予測対象の車両Ｍの乗員の感情が含まれる。

また、予測モデルＭＤＬの学習に利用される教師データの特徴量には、更に、所定の事象を発生させた地点に至るまでの車両Ｍの速度の履歴が含まれることから、例えば、上述した条件（Ｉ）および（ＩＩ）の一方または双方に加えて、更に条件（ＩＩＩ）を満たしている場合、予測モデルＭＤＬは、所定の事象の生起確率として、さらに閾値ＴＨ_Ｐ以上の確率を出力しやすくなる。これによって、案内装置１００のＨＭＩ１１０に案内情報が出力されやすくなる。

条件（ＩＩＩ）：過去に所定の事象が発生した地点に予測対象の車両Ｍが近づいた際に、予測対象の車両Ｍの速度の推移が、所定の事象を発生させた車両Ｍの速度の推移と同じ傾向である。すなわち、所定の事象を発生させた車両Ｍの速度の履歴に、予測対象の車両Ｍの速度が含まれる。

また、予測モデルＭＤＬの学習に利用される教師データの特徴量には、更に、天候が含まれることから、例えば、上述した条件（Ｉ）から（ＩＩＩ）の一部または全部に加えて、更に条件（ＩＶ）を満たしている場合、予測モデルＭＤＬは、所定の事象の生起確率として、さらに閾値ＴＨ_Ｐ以上の確率を出力しやすくなる。これによって、案内装置１００のＨＭＩ１１０に案内情報が出力されやすくなる。

条件（ＩＶ）：過去に所定の事象が発生した地点に予測対象の車両Ｍが近づいた際の天候が、所定の事象が発生したときの天候と同じである。

また、予測モデルＭＤＬの学習に利用される教師データの特徴量には、更に、時刻が含まれることから、例えば、上述した条件（Ｉ）から（ＩＶ）の一部または全部に加えて、更に条件（Ｖ）を満たしている場合、予測モデルＭＤＬは、所定の事象の生起確率として、さらに閾値ＴＨ_Ｐ以上の確率を出力しやすくなる。これによって、案内装置１００のＨＭＩ１１０に案内情報が出力されやすくなる。

条件（Ｖ）：過去に所定の事象が発生した地点に予測対象の車両Ｍが近づいた際の時刻が、所定の事象が発生したときの時刻と同じである。

また、学習部２４２は、互いに異なる地点ＳＰで発生した複数の所定の事象のそれぞれの発生要因が、車両Ｍを運転する乗員が「焦り」や「苛立ち」を感じていたことが含まれる場合、すなわち、複数の所定の事象の発生要因に、運転者の感情が「焦り」や「苛立ち」といった所定の傾向が含まれる場合、それらの複数の所定の事象の発生地点ＳＰに同じ予測モデルＭＤＬを対応付けてよい。

図１５は、所定の事象が複数の地点で発生したときの様子を模式的に示す図である。図示の例では、ＳＰ１からＳＰ６の計６地点で所定の事象が発生していることを表している。例えば、ＳＰ１、ＳＰ４、ＳＰ５の３地点で、所定の事象の発生要因である運転者の感情が同様の傾向であり、ＳＰ２、ＳＰ３、ＳＰ６の３地点で、所定の事象の発生要因である運転者の感情が同様の傾向であったとする。この場合、学習部２４２は、ＳＰ１、ＳＰ４、ＳＰ５の３地点を、一つの大域的な地域ＳＰ＃１として扱い、ＳＰ１、ＳＰ４、ＳＰ５のいずれかの予測モデルＭＤＬを地域ＳＰ＃１に対応付けた予測モデルデータ２１２を生成する。また、学習部２４２は、ＳＰ２、ＳＰ３、ＳＰ６の３地点を、一つの大域的な地域ＳＰ＃２として扱い、ＳＰ２、ＳＰ３、ＳＰ６のいずれかの予測モデルＭＤＬを地域ＳＰ＃２に対応付けた予測モデルデータ２１２を生成する。

これによって、所定の事象を発生させた複数の車両Ｍの乗員の感情に所定の傾向があった大域的な地域ＳＰ＃（点ではなく面として扱われる領域）内に予測対象の車両Ｍが存在し、且つ予測対象の車両Ｍの乗員の感情が所定の傾向にある場合、大域的な地域ＳＰ＃に対応付けられた予測モデルＭＤＬは、所定の事象の生起確率として、さらに閾値ＴＨ_Ｐ以上の確率を出力しやすくなる。これによって、案内装置１００のＨＭＩ１１０に案内情報が出力されやすくなる。

なお、学習部２４２は、更に、外的要因に依るデータ群から抽出された特徴量を用いて教師データを生成し、その生成した教師データに基づいて、予測モデルＭＤＬを学習してもよい。これによって、人間の感情などの人的要因に起因して所定の事象が発生するか否かを予測することができるとともに、道路の形状や天候といった外的要因に起因して所定の事象が発生するか否かを予測することができる。

以上説明した第１実施形態によれば、車両の乗員の感情に少なくとも起因して発生した所定の事象の発生位置と、ある予測対象の車両Ｍの位置とに基づいて、予測対象の車両Ｍに所定の事象が発生する可能性があることを予測対象の車両Ｍの乗員に案内する案内情報を、ＨＭＩ１１０に出力させるため、車両Ｍの乗員に予期せぬ不測の事態が発生し得ることを案内することができ、車両Ｍの乗員に不測の事態に備えさせることができる。

また、上述した第１実施形態によれば、ＨＭＩ１１０に感情の転換を促す案内情報を出力させるため、人間の感情が要因で発生し得る不測の事態が発生することを抑制することができる。

また、上述した第１実施形態によれば、ＨＭＩ１１０に、所定の事象がより発生しにくい経路へと経路変更するように促す案内情報を出力させるため、人間の感情が要因で発生し得る不測の事態が発生することを抑制することができる。

＜第１実施形態の変形例＞
以下、第１実施形態の変形例について説明する。上述した第１実施形態では、各車両Ｍに搭載された案内装置１００と、サーバ装置２００とが互いに異なる装置であるものとして説明したがこれに限られず、案内装置１００の構成要素の一部または全部が、サーバ装置２００に含まれていてもよいし、サーバ装置２００の構成要素の一部または全部が案内装置１００に含まれていてもよい。例えば、サーバ装置２００は、案内装置１００の制御部１３０の構成要素であってよい。すなわち、サーバ装置２００は、案内装置１００の制御部１３０によって仮想的に実現される仮想マシンであってもよい。

図１６は、第１実施形態に係る案内装置１００の他の例を示す図である。図１６に示すように、案内装置１００の制御部１３０は、上述した取得部１３２、経路決定部１３４、プロファイル生成部１３６、感情推定部１３８、出力制御部１４０、および通信制御部１４２に加えて、更に、特徴量抽出部２３４と、予測部２３６と、案内情報生成部２３８と、学習部２４２とを備えてよい。

また、案内装置１００の記憶部１２０には、地図データ１２２に加えて、更に予測モデルデータ２１２が格納されてよい。

このような構成によって、案内装置１００単体で、所定の事象が発生するか否かを予測できるため、車両Ｍの乗員に予期せぬ出来事が発生し得ることを案内することができる。

また、上述した第１実施形態では、予測モデルＭＤＬによって出力された所定の事象の生起確率が閾値ＴＨ_Ｐ以上である場合に、乗員に注意喚起を促したり、経路変更を促したりする案内情報を出力するものとして説明したがこれに限られない。例えば、サーバ装置２００は、予測モデルＭＤＬによって出力された所定の事象の生起確率が閾値ＴＨ_Ｐ未満であっても、案内情報を案内装置１００に送信してもよい。これによって、例えば、多くの乗員が焦りや苛立ちを感じやすく、車間距離が詰められやすいような傾向を有する経路を自車両Ｍが走行しているときに、自車両Ｍの乗員が冷静沈着に運転している状況下であっても、周囲の他車両の乗員によって所定の事象が引き起こされる蓋然性が高いことを、自車両Ｍの乗員に知らせることができる。

＜第２実施形態＞
以下、第２実施形態について説明する。上述した第１実施形態では、ディープニューラルネットワークや、ロジスティック回帰、ＳＶＭといった学習された予測モデルＭＤＬを利用して、所定の事象の発生有無を予測するものとして説明した。これに対して、第２実施形態では、所定の事象を発生させた車両Ｍの運転データおよびプロファイルデータから抽出された特徴量と、過去に所定の事象が発生した地点を通過する予定の車両Ｍの運転データおよびプロファイルデータから抽出された特徴量との類似度を計算し、その計算した類似度に応じて、所定の事象の発生有無を予測する点で上述した第１実施形態と相違する。以下、第１実施形態との相違点を中心に説明し、第１実施形態と共通する点については説明を省略する。なお、第２実施形態の説明において、第１実施形態と同じ部分については同一符号を付して説明する。

第２実施形態に係るサーバ装置２００の予測部２３６は、所定の事象を発生させた車両Ｍの運転データおよびプロファイルデータから抽出された特徴量と、過去に所定の事象が発生した地点を通過する予定の車両Ｍの運転データおよびプロファイルデータから抽出された特徴量との類似度を計算する。

例えば、予測部２３６は、２つの特徴量をベクトルと見做し、あるベクトル空間において、それら２つのベクトルの内積に基づいて類似度を算出する。具体的には、予測部２３６は、２つの特徴量のベクトルのコサイン類似度を求め、そのコサイン類似度が大きいほど生起確率を大きくし、コサイン類似度が小さいほど生起確率を小さくしてよい。このような類似度計算によって、ディープニューラルネットワークや、ロジスティック回帰、ＳＶＭといったモデルの学習を省略することができ、より簡素な構成で所定の事象の発生有無を予測することができる。

＜第３実施形態＞
以下、第３実施形態について説明する。上述した第１実施形態または第２実施形態では、所定の事象が発生することを予測すると、乗員に注意喚起を行ったり、感情の転換を促したり、経路変更を促したり、或いは、自車両Ｍが進行予定の目的地までの経路を、所定の事象の発生地点が少ない、或いは所定の事象の生起確率が小さい経路へと経路変更したりするものとして説明した。これに対して、第３実施形態では、所定の事象が発生することを予測すると、車両Ｍを自動運転して、所定の事象の発生地点が少ない、或いは所定の事象の生起確率が小さい経路へと移動させる点で上述した第１実施形態および第２実施形態と相違する。以下、第１実施形態または第２実施形態との相違点を中心に説明し、第１実施形態または第２実施形態と共通する点については説明を省略する。なお、第３実施形態の説明において、第１実施形態および第２実施形態と同じ部分については同一符号を付して説明する。

図１７は、第３実施形態に係る案内装置１００を含む車両システム２の構成図である。車両システム２は、例えば、案内装置１００と、カメラ３１０と、レーダ装置３１２と、ファインダ３１４と、物体認識装置３１６と、ＭＰＵ（Map Positioning Unit）３６０と、運転操作子３８０と、自動運転制御装置４００と、走行駆動力出力装置５００と、ブレーキ装置５１０と、ステアリング装置５２０とを備える。これらの装置や機器は、ＣＡＮ（Controller Area Network）通信線等の多重通信線やシリアル通信線、無線通信網等によって互いに接続される。なお、図１７に示す構成はあくまで一例であり、構成の一部が省略されてもよいし、更に別の構成が追加されてもよい。

カメラ３１０は、例えば、ＣＣＤやＣＭＯＳ等の固体撮像素子を利用したデジタルカメラである。カメラ３１０は、車両システム２が搭載される自車両Ｍの任意の箇所に取り付けられる。前方を撮像する場合、カメラ３１０は、フロントウインドシールド上部やルームミラー裏面等に取り付けられる。カメラ３１０は、例えば、周期的に繰り返し自車両Ｍの周辺を撮像する。カメラ３１０は、ステレオカメラであってもよい。

レーダ装置３１２は、自車両Ｍの周辺にミリ波などの電波を放射すると共に、物体によって反射された電波（反射波）を検出して少なくとも物体の位置（距離および方位）を検出する。レーダ装置３１２は、自車両Ｍの任意の箇所に取り付けられる。レーダ装置３１２は、ＦＭ－ＣＷ（Frequency Modulated Continuous Wave）方式によって物体の位置および速度を検出してもよい。

ファインダ３１４は、ＬＩＤＡＲ（Light Detection and Ranging）である。ファインダ３１４は、自車両Ｍの周辺に光を照射し、散乱光を測定する。ファインダ３１４は、発光から受光までの時間に基づいて、対象までの距離を検出する。照射される光は、例えば、パルス状のレーザー光である。ファインダ３１４は、自車両Ｍの任意の箇所に取り付けられる。

物体認識装置３１６は、カメラ３１０、レーダ装置３１２、およびファインダ３１４のうち一部または全部による検出結果に対してセンサフュージョン処理を行って、物体の位置、種類、速度などを認識する。物体認識装置３１６は、認識結果を自動運転制御装置４００に出力する。物体認識装置３１６は、カメラ３１０、レーダ装置３１２、およびファインダ３１４の検出結果をそのまま自動運転制御装置４００に出力してよい。車両システム２から物体認識装置３１６が省略されてもよい。

ＭＰＵ３６０は、例えば、推奨車線決定部３６１を含み、ＨＤＤやフラッシュメモリなどの記憶装置に高精度地図データ３６２を保持している。推奨車線決定部３６１は、案内装置１００によって決定された目的地までの経路を複数のブロックに分割し（例えば、車両進行方向に関して１００［ｍ］毎に分割し）、高精度地図データ３６２を参照してブロックごとに、車両Ｍが走行すべき推奨車線を決定する。推奨車線決定部３６１は、左から何番目の車線を走行するといった決定を行う。

高精度地図データ３６２は、地図データ１２２よりも高精度な地図データである。高精度地図データ３６２は、例えば、車線の中央の情報あるいは車線の境界の情報等を含んでいる。また、高精度地図データ３６２には、道路情報、交通規制情報、住所情報（住所・郵便番号）、施設情報、電話番号情報などが含まれてよい。高精度地図データ３６２は、通信装置２０が他装置と通信することにより、随時、アップデートされてよい。

運転操作子３８０は、例えば、アクセルペダル、ブレーキペダル、シフトレバー、ステアリングホイール、異形ステア、ジョイスティックその他の操作子を含む。運転操作子３８０には、操作子に対する操作の有無を検出したり、操作子がどの程度操作されたのかを操作量として検出したりするセンサが設けられる。センサは、操作の有無や操作量を検出すると、その検出結果を示すデータを、自動運転制御装置４００に出力したり、走行駆動力出力装置５００、ブレーキ装置５１０、およびステアリング装置５２０に出力したりする。

自動運転制御装置４００は、例えば、第１制御部４２０と、第２制御部４６０と、記憶部４８０とを備える。第１制御部４２０および第２制御部４６０のそれぞれは、例えば、ＣＰＵやＧＰＵなどのプロセッサがプログラム（ソフトウェア）を実行することにより実現される。また、これらの構成要素のうち一部または全部は、ＬＳＩやＡＳＩＣ、ＦＰＧＡなどのハードウェア（回路部；circuitryを含む）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。プログラムは、予め記憶部４８０のＨＤＤやフラッシュメモリなどに格納されていてもよいし、ＤＶＤやＣＤ－ＲＯＭなどの着脱可能な記憶媒体に格納されており、その記憶媒体がドライブ装置に装着されることで記憶部４８０にインストールされてもよい。自動運転制御装置４００は、「運転制御部」の一例である。

記憶部４８０は、例えば、ＨＤＤ、フラッシュメモリ、ＥＥＰＲＯＭ、ＲＯＭ、またはＲＡＭなどにより実現される。記憶部４８０は、例えば、プロセッサによって読み出されて実行されるプログラムなどを格納する。

第１制御部４２０は、例えば、認識部４３０と、行動計画生成部４４０とを備える。第１制御部４２０は、例えば、ＡＩ（Artificial Intelligence）による機能と、予め与えられたモデルによる機能とを並行して実現する。例えば、「交差点を認識する」機能は、ディープラーニング等による交差点の認識と、予め与えられた条件（パターンマッチング可能な信号、道路標示などがある）に基づく認識とが並行して実行され、双方に対してスコア付けして総合的に評価することで実現されてよい。これによって、自動運転の信頼性が担保される。

認識部４３０は、カメラ３１０、レーダ装置３１２、およびファインダ３１４から物体認識装置３１６を介して入力された情報、すなわち、センサフュージョンされた検出結果に基づいて、自車両Ｍの周辺状況を認識する。例えば、認識部４３０は、周辺状況として、自車両Ｍの周辺に存在する物体の位置や、速度、加速度などの状態を認識する。周辺状況として認識される物体には、例えば、歩行者や他車両といった移動体や、工事用具などの静止体が含まれる。物体の位置は、例えば、自車両Ｍの代表点（重心や駆動軸中心など）を原点とした座標上の位置として認識され、制御に使用される。物体の位置は、その物体の重心やコーナー等の代表点で表されてもよいし、空間的な広がりをもった領域で表されてもよい。物体の「状態」とは、物体の加速度やジャーク、あるいは「行動状態」（例えば車線変更をしている、またはしようとしているか否か）を含んでもよい。

また、例えば、認識部４３０は、周辺状況として、自車両Ｍが走行している車線（以下、自車線と称する）や、自車線に隣接した隣接車線などを認識する。例えば、認識部４３０は、高精度地図データ３６２から得られる道路区画線のパターン（例えば実線と破線の配列）と、カメラ３１０によって撮像された画像から認識される自車両Ｍの周辺の道路区画線のパターンとを比較することで、自車線や隣接車線を認識する。なお、認識部４３０は、道路区画線に限らず、道路区画線や路肩、縁石、中央分離帯、ガードレールなどを含む走路境界（道路境界）を認識することで、自車線や隣接車線を認識してもよい。この認識において、案内装置１００のＧＮＳＳ受信機１０８によって特定された自車両Ｍの位置やＩＮＳによる処理結果が加味されてもよい。また、認識部４３０は、歩道、停止線（一時停止線を含む）、障害物、赤信号、料金所、道路構造その他の道路事象を認識してもよい。

認識部４３０は、自車線を認識する際に、自車線に対する自車両Ｍの相対的な位置や姿勢を認識する。認識部４３０は、例えば、車線中央に対する自車両Ｍの基準点の乖離、および自車両Ｍの進行方向を示すベクトルと車線中央を連ねた線とのなす角度を、自車線に対する自車両Ｍの相対位置および姿勢として認識してもよい。これに代えて、認識部４３０は、自車線のいずれかの側端部（道路区画線または道路境界）に対する自車両Ｍの基準点の位置などを、自車線に対する自車両Ｍの相対位置として認識してもよい。

行動計画生成部４４０は、推奨車線が決定された経路において自動運転のイベントを決定する。自動運転とは、自車両Ｍの乗員による運転操作子３８０の操作に依らずに、自車両Ｍの操舵または速度のうち一方または双方を制御して自車両Ｍを走行させることである。これに対して、手動運転は、運転操作子３８０に対する乗員の操作に応じて自車両Ｍの操舵および速度が制御されることである。自動運転のイベントとは、上述した自動運転下において自車両Ｍがとるべき挙動の様、すなわち走行態様を規定した情報である。

イベントには、例えば、自車両Ｍを一定の速度で同じ車線を走行させる定速走行イベント、自車両Ｍの前方の所定距離以内（例えば１００［ｍ］以内）に存在し、自車両Ｍに最も近い他車両（以下、前走車両と称する）に自車両Ｍを追従させる追従走行イベント、自車両Ｍを自車線から隣接車線へと車線変更させる車線変更イベント、道路の分岐地点で自車両Ｍを目的側の車線に分岐させる分岐イベント、合流地点で自車両Ｍを本線に合流させる合流イベント、自車両Ｍを一旦隣接車線に車線変更させて前走車両を隣接車線において追い越してから再び元の車線へと車線変更させる追い越しイベント、自車両Ｍの前方に存在する障害物を回避するために自車両Ｍに制動および操舵の少なくとも一方を行わせる回避イベント、自動運転を終了して手動運転に切り替えるためのテイクオーバーイベントなどが含まれてよい。「追従」とは、例えば、自車両Ｍと前走車両との相対距離（車間距離）を一定に維持させる走行態様であってもよいし、自車両Ｍと前走車両との相対距離を一定に維持させることに加えて、自車両Ｍを自車線の中央で走行させる走行態様であってもよい。

行動計画生成部４４０は、自車両Ｍの走行時に認識部４３０により認識された周辺状況に応じて、現在の区間或いは次の区間に対して既に決定したイベントを他のイベントに変更したり、現在の区間或いは次の区間に対して新たなイベントを決定したりしてよい。

行動計画生成部４４０は、原則的には推奨車線決定部３６１により決定された推奨車線を自車両Ｍが走行し、更に、自車両Ｍが推奨車線を走行する際に周辺状況に対応するため、イベントにより規定された走行態様で自車両Ｍを自動的に（運転者の操作に依らずに）走行させる将来の目標軌道を生成する。目標軌道には、例えば、将来の自車両Ｍの位置を定めた位置要素と、将来の自車両Ｍの速度や加速度等を定めた速度要素とが含まれる。

例えば、行動計画生成部４４０は、自車両Ｍが順に到達すべき複数の地点（軌道点）を、目標軌道の位置要素として決定する。軌道点は、所定の走行距離（例えば数［ｍ］程度）ごとの自車両Ｍの到達すべき地点である。所定の走行距離は、例えば、経路に沿って進んだときの道なり距離によって計算されてよい。

また、行動計画生成部４４０は、所定のサンプリング時間（例えば０コンマ数秒程度）ごとの目標速度や目標加速度を、目標軌道の速度要素として決定する。また、軌道点は、所定のサンプリング時間ごとの、そのサンプリング時刻における自車両Ｍの到達すべき位置であってもよい。この場合、目標速度や目標加速度は、サンプリング時間および軌道点の間隔によって決定される。行動計画生成部４４０は、生成した目標軌道を示す情報を、第２制御部４６０に出力する。

第２制御部４６０は、行動計画生成部４４０によって生成された目標軌道を、予定の時刻通りに自車両Ｍが通過するように、走行駆動力出力装置５００、ブレーキ装置５１０、およびステアリング装置５２０のうち一部または全部を制御する。すなわち、第２制御部４６０は、行動計画生成部４４０によって生成された目標軌道に基づいて自車両Ｍを自動運転させる。

第２制御部４６０は、例えば、取得部４６２と、速度制御部４６４と、操舵制御部４６６とを備える。

取得部４６２は、行動計画生成部４４０により生成された目標軌道（軌道点）の情報を取得し、記憶部４８０のメモリに記憶させる。

速度制御部４６４は、メモリに記憶された目標軌道に含まれる速度要素（例えば目標速度や目標加速度等）に基づいて、走行駆動力出力装置５００およびブレーキ装置５１０の一方または双方を制御する。

操舵制御部４６６は、メモリに記憶された目標軌道に含まれる位置要素（例えば目標軌道の曲り具合を表す曲率等）に応じて、ステアリング装置５２０を制御する。

速度制御部４６４および操舵制御部４６６の処理は、例えば、フィードフォワード制御とフィードバック制御との組み合わせにより実現される。一例として、操舵制御部４６６は、自車両Ｍの前方の道路の曲率に応じたフィードフォワード制御と、目標軌道に対する自車両Ｍの乖離に基づくフィードバック制御とを組み合わせて実行する。

走行駆動力出力装置５００は、車両が走行するための走行駆動力（トルク）を駆動輪に出力する。走行駆動力出力装置５００は、例えば、内燃機関、電動機、および変速機などの組み合わせと、これらを制御するパワーＥＣＵ（Electronic Control Unit）とを備える。パワーＥＣＵは、第２制御部４６０から入力される情報、或いは運転操作子３８０から入力される情報に従って、上記の構成を制御する。

ブレーキ装置５１０は、例えば、ブレーキキャリパーと、ブレーキキャリパーに油圧を伝達するシリンダと、シリンダに油圧を発生させる電動モータと、ブレーキＥＣＵとを備える。ブレーキＥＣＵは、第２制御部４６０から入力される情報、或いは運転操作子３８０から入力される情報に従って電動モータを制御し、制動操作に応じたブレーキトルクが各車輪に出力されるようにする。ブレーキ装置５１０は、運転操作子３８０に含まれるブレーキペダルの操作によって発生させた油圧を、マスターシリンダを介してシリンダに伝達する機構をバックアップとして備えてよい。なお、ブレーキ装置５１０は、上記説明した構成に限らず、第２制御部４６０から入力される情報に従ってアクチュエータを制御して、マスターシリンダの油圧をシリンダに伝達する電子制御式油圧ブレーキ装置であってもよい。

ステアリング装置５２０は、例えば、ステアリングＥＣＵと、電動モータとを備える。電動モータは、例えば、ラックアンドピニオン機構に力を作用させて転舵輪の向きを変更する。ステアリングＥＣＵは、第２制御部４６０から入力される情報、或いは運転操作子３８０から入力される情報に従って、電動モータを駆動し、転舵輪の向きを変更させる。

［案内情報に基づく自動運転］
以下、案内情報に基づく自動運転についてフローチャートを用いて説明する。図１８は、第３実施形態に係る車両システム２の一連の処理の流れを示すフローチャートである。本フローチャートの処理は、所定の周期で繰り返し行われてよい。

まず、案内装置１００は、サーバ装置２００から経路変更を促す案内情報を受信するまで待機し（ステップＳ５００）、サーバ装置２００から経路変更を促す案内情報を受信すると、その案内情報に従って目的地までの経路を、所定の事象の発生地点が少ない、或いは所定の事象の生起確率が小さい経路へと変更する（ステップＳ５０２）。

次に、ＭＰＵ３６０は、案内装置１００によって変更された経路に含まれる一以上の車線の中から、推奨車線を決定する（ステップＳ５０４）。

次に、行動計画生成部４４０は、推奨車線が決定された変更後の経路において自動運転のイベントを決定し（ステップＳ５０６）、決定したイベントに応じて目標軌道を生成する（ステップＳ５０８）。

次に、第２制御部４６０は、Ｓ５０８の処理で行動計画生成部４４０によって生成された目標軌道に基づいて、走行駆動力出力装置５００、ブレーキ装置５１０、およびステアリング装置５２０を制御することで、現在の経路から、所定の事象の発生地点が少ない、或いは所定の事象の生起確率が小さい経路に自車両Ｍを移動させる（ステップＳ５１０）。これによって、本フローチャートの処理が終了する。

以上説明した第３実施形態によれば、サーバ装置２００によって経路変更を促す案内情報が生成されると、自動運転制御装置４００が、変更を促された経路へと自車両Ｍを自動運転によって移動させるため、不測の事態が発生しにくい、より適切な経路へと車両Ｍを誘導することができる。

上記説明した実施形態は、以下のように表現することができる。
第１移動体に設けられ、前記第１移動体の室内に情報を出力する出力装置と、
プログラムを記憶したストレージと、
プロセッサと、を備え、
前記プロセッサが前記プログラムを実行することにより、
移動体の乗員の感情に少なくとも起因して発生した所定の事象の発生位置を示す位置情報を取得し、
前記第１移動体の位置を示す位置情報を取得し、
前記所定の事象の発生位置を示す位置情報と、前記第１移動体の位置を示す位置情報とに基づいて、前記第１移動体に前記所定の事象が発生する可能性があることを前記第１移動体の乗員に案内する案内情報を、前記出力部に出力させる、
ように構成されている、車両制御装置。

以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等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内において種々の変形及び置換を加えることができる。

１…案内システム、２…車両システム、１００…案内装置、１０２…車内カメラ、１０４…マイクロフォン、１０６…車両センサ、１０８…ＧＮＳＳ受信機、１１０…ＨＭＩ、１１２…通信部、１２０…記憶部、１２２…地図データ、１３０…制御部、１３２…取得部、１３４…経路決定部、１３６…プロファイル生成部、１３８…感情推定部、１４０…出力制御部、１４２…通信制御部、２００…サーバ装置、２０２…通信部、２１０…記憶部、２１２…予測モデルデータ、２３０…制御部、２３２…取得部、２３４…特徴量抽出部、２３６…予測部、２３８…案内情報生成部、２４０…通信制御部、２４２…学習部、３１０…カメラ、３１２…レーダ装置、３１４…ファインダ、３１６…物体認識装置、３６０…ＭＰＵ、３８０…運転操作子、４００…自動運転制御装置、４２０…第１制御部、４３０…認識部、４４０…行動計画生成部、４６０…第２制御部、４６２…取得部、４６４…速度制御部、４６６…操舵制御部、４８０…記憶部、５００…走行駆動力出力装置、５１０…ブレーキ装置、５２０…ステアリング装置

Claims (15)

1. 第１移動体に設けられ、前記第１移動体の室内に情報を出力する出力部と、
   移動体の乗員の感情に少なくとも起因して発生した所定の事象の発生位置を示す位置情報を取得する第１取得部と、
   前記第１移動体の位置を示す位置情報を取得する第２取得部と、
   前記第１取得部によって取得された前記位置情報と、前記第２取得部によって取得された前記位置情報とに基づいて、前記第１移動体に前記所定の事象が発生する可能性があることを前記第１移動体の乗員に案内する案内情報を、前記出力部に出力させる出力制御部と、
   を備える案内システム。
2. 前記第１移動体の乗員の感情を推定する推定部を更に備え、
   前記出力制御部は、前記第１取得部によって取得された前記位置情報と、前記第２取得部によって取得された前記位置情報と、前記推定部によって推定された前記乗員の感情とに基づいて、前記案内情報を前記出力部に出力させる、
   請求項１に記載の案内システム。
3. 前記出力部は、画像を表示する表示部を含み、
   前記出力制御部は、前記第１取得部によって取得された前記位置情報を重畳させた地図を、前記案内情報として前記表示部に表示させる、
   請求項２に記載の案内システム。
4. 前記第１移動体に将来走行させる予定の第１経路を示す経路情報を取得する第３取得部を更に備え、
   前記出力制御部は、前記第３取得部によって取得された前記経路情報が示す前記第１経路と、前記第１取得部によって取得された前記位置情報と、前記推定部によって推定された前記乗員の感情とに基づいて、前記第１経路から、前記第１経路に比して前記所定の事象が発生しない第２経路へと変更することを前記第１移動体の乗員に促す情報を、前記案内情報として前記出力部に出力させる、
   請求項２に記載の案内システム。
5. 前記第１移動体に将来走行させる予定の第１経路を決定する経路決定部を更に備え、
   前記経路決定部は、前記経路決定部によって決定された前記第１経路と、前記第１取得部によって取得された前記位置情報と、前記推定部によって推定された前記乗員の感情とに基づいて、前記第１経路を、前記第１経路に比して前記所定の事象が発生しない第２経路へと変更する、
   請求項２に記載の案内システム。
6. 前記第１移動体の速度および操舵を制御する運転制御部と、
   前記第１移動体に将来走行させる予定の第１経路を示す経路情報を取得する第３取得部と、を更に備え、
   前記運転制御部は、前記第３取得部によって取得された前記経路情報が示す前記第１経路と、前記第１取得部によって取得された前記位置情報と、前記推定部によって推定された前記乗員の感情とに基づいて、前記第１移動体を、前記第１経路から、前記第１経路に比して前記所定の事象が発生しない第２経路へと移動させる、
   請求項２に記載の案内システム。
7. 前記出力制御部は、前記第２取得部によって取得された前記位置情報が示す前記第１移動体の位置が、前記所定の事象を発生させた地点に至るまでに前記移動体が走行した経路上に存在し、且つ前記推定部によって推定された前記乗員の感情が、前記所定の事象を発生させた地点に至るまでの前記移動体の乗員の感情の履歴に含まれる場合、前記案内情報を前記出力部に出力させる、
   請求項２から６のうちいずれか一項に記載の案内システム。
8. 前記第１移動体の速度を示す速度情報を取得する第４取得部を更に備え、
   前記出力制御部は、前記第２取得部によって取得された前記位置情報が示す前記第１移動体の位置が、前記所定の事象を発生させた地点に至るまでに前記移動体が走行した経路上に存在し、且つ前記推定部によって推定された前記乗員の感情が、前記所定の事象を発生させた地点に至るまでの前記移動体の乗員の感情の履歴に含まれ、更に、前記第４取得部によって取得された前記速度情報が示す前記第１移動体の速度が、前記所定の事象を発生させた地点に至るまでの前記移動体の速度の履歴に含まれる場合、前記案内情報を前記出力部に出力させる、
   請求項２から７のうちいずれか一項に記載の案内システム。
9. 前記出力制御部は、前記第２取得部によって取得された前記位置情報が示す前記第１移動体の位置が、前記所定の事象を発生させた地点に至るまでに前記移動体が走行した経路上に存在し、且つ前記推定部によって推定された前記乗員の感情が、前記所定の事象を発生させた地点に至るまでの前記移動体の乗員の感情の履歴に含まれ、更に、前記推定部によって前記乗員の感情が推定された時点の天候が、前記所定の事象が発生したときの天候と同じ場合、前記案内情報を前記出力部に出力させる、
   請求項２から８のうちいずれか一項に記載の案内システム。
10. 前記出力制御部は、前記第２取得部によって取得された前記位置情報が示す前記第１移動体の位置が、前記所定の事象を発生させた地点に至るまでに前記移動体が走行した経路上に存在し、且つ前記推定部によって推定された前記乗員の感情が、前記所定の事象を発生させた地点に至るまでの前記移動体の乗員の感情の履歴に含まれ、更に、前記推定部によって前記乗員の感情が推定された時刻が、前記所定の事象が発生した時刻と同じ場合、前記案内情報を前記出力部に出力させる、
    請求項２から９のうちいずれか一項に記載の案内システム。
11. 前記出力制御部は、前記所定の事象を発生させた複数の前記移動体の乗員の感情に所定の傾向がある所定地域に前記第１移動体が存在し、且つ前記推定部によって推定された前記第１移動体の乗員の感情が前記所定の傾向にある場合、前記案内情報を前記出力部に出力させる、
    請求項２から１０のうちいずれか一項に記載の案内システム。
12. 前記案内情報には、前記第１移動体の乗員に対して、前記第１移動体の経路を変更することを案内する情報、または感情の転換を促す情報が含まれる、
    請求項１から１１のうちいずれか一項に記載の案内システム。
13. 第１移動体に設けられ、前記第１移動体の室内に情報を出力する出力部と、
    前記第１移動体の位置を示す位置情報を取得する取得部と、
    前記第１移動体の乗員の感情を推定する推定部と、
    移動体の位置と移動体の乗員の感情とを含む情報が入力されると、所定の事象が発生することを予測するように学習されたモデルであって、前記取得部によって取得された前記位置情報が示す前記第１移動体の位置と、前記推定部によって推定された前記第１移動体の乗員の感情とを含む情報が入力された前記モデルの出力結果に基づいて、前記第１移動体に前記所定の事象が発生する可能性があることを前記第１移動体の乗員に案内する案内情報を、前記出力部に出力させる出力制御部と、
    を備える案内システム。
14. 情報を出力する出力部を備える第１移動体に搭載されたコンピュータが、
    移動体の乗員の感情に少なくとも起因して発生した所定の事象の発生位置を示す位置情報を取得し、
    前記第１移動体の位置を示す位置情報を取得し、
    前記所定の事象の発生位置を示す位置情報と、前記第１移動体の位置を示す位置情報とに基づいて、前記第１移動体に前記所定の事象が発生する可能性があることを前記第１移動体の乗員に案内する案内情報を、前記出力部に出力させる、
    案内方法。
15. 情報を出力する出力部を備える第１移動体に搭載されたコンピュータに、
    移動体の乗員の感情に少なくとも起因して発生した所定の事象の発生位置を示す位置情報を取得する処理と、
    前記第１移動体の位置を示す位置情報を取得する処理と、
    前記所定の事象の発生位置を示す位置情報と、前記第１移動体の位置を示す位置情報とに基づいて、前記第１移動体に前記所定の事象が発生する可能性があることを前記第１移動体の乗員に案内する案内情報を、前記出力部に出力させる処理と、
    を実行させるためのプログラム。

Images