JP7238684B2 - 冠水検知装置、冠水検知システム、及び冠水検知プログラム - Google Patents

Description

本発明は、冠水検知装置、冠水検知システム、及び冠水検知プログラムに関する。

大量の降雨や他の場所に降った雨水などが流入することにより、道路が冠水することがある。このような道路の冠水を検知する技術としては、例えば、特許文献１、２の技術が提案されている。

特許文献１では、車両に液状有体物の存在を検知可能に構成された冠水センサを備えて道路の冠水を検知し、センタサーバに検知結果を送信し、他の車両に通過不能な冠水を通らないルートを設定して迂回ルートの案内を行うことが提案されている。

特許文献２では、車両のワイパの拭き取り速度と動作時間とに基づいて、車両が走行している位置の降雨量を予測し、他車からの予測降雨量を基に、走行ルートに冠水が発生するか否かを予測することが提案されている。

特開２００４－３４１７９５号公報 特開２０１２－２１６１０３号公報

しかしながら、特許文献１の技術では、冠水センサが必要であり、冠水センサは車種毎に取り付け位置が異なるため、車種によって判定結果が異なる可能性がある。また、判定結果を同精度に担保するためには設計的な制約が発生するため、改善の余地がある。

また、特許文献２の技術では、降雨量が同じでも全ての運転者が同じワイパ速度で作動させるとは限らず、冠水を正確に判定するためには改善の余地がある。

本発明は、上記事実を考慮して成されたもので、車両の走行状態データを用いて簡易かつ高精度に道路の冠水を判定可能な冠水検知装置、冠水検知システム、及び冠水検知プログラムを提供することを目的とする。

上記目的を達成するために請求項１に記載の冠水検知装置は、車種を特定する車種情報及び車両の走行に関する複数種類の走行状態データを取得する取得部と、車種毎に予め導出した、車両が走行することにより変化する物理量を求める複数の車両挙動モデルの中から前記取得部によって取得した前記車種情報に対応する車種の前記車両挙動モデルを選択して、選択した前記車両挙動モデルと、前記取得部が取得した現在の前記複数種類の走行状態データとに基づいて予測した前記物理量と、前記取得部が取得した現在の前記走行状態データから得られる前記物理量とを用いて、車両が走行する道路の冠水を検知する検知部と、を含む。

請求項１に記載の発明によれば、取得部では、車種を特定する車種情報及び車両の走行に関する複数種類の走行状態データが取得される。例えば、冠水検知装置は車両に搭載する場合と、車両以外に設ける場合などがあり、車両に搭載される場合には、取得部は、自車両の車種情報及び自車両の走行状態データを取得する。また、冠水検知装置が車両以外に設けられる場合には、取得部は、予め定めた注目車両の車種情報及び予め定めた注目車両の走行状態データを取得する。

そして、検知部では、車種毎に予め導出した、車両が走行することにより変化する物理量を求める複数の車両挙動モデルの中から取得部によって取得した車種情報に対応する車種の車両挙動モデルを選択して、選択した車両挙動モデルと、取得部が取得した現在の複数種類の走行状態データとに基づいて予測した物理量と、取得部が取得した現在の走行状態データから得られる物理量とを用いて、車両が走行する道路の冠水が検知される。これにより、冠水検知センサを用いることなく、冠水を検知することができる。

また、車種毎に予め導出した車両挙動モデルの中から車種情報に対応する車種の車両挙動モデルを用いて物理量を予測するので、車種に起因する予測ばらつきを抑制した冠水検知が可能となる。

請求項２に記載の冠水検知装置は、車両の走行に関する複数種類の走行状態データを取得する取得部と、自車両の車種に応じて予め導出した、車両が走行することにより変化する物理量を求める車両挙動モデルと、前記取得部が取得した現在の前記複数種類の走行状態データとに基づいて予測した前記物理量と、前記取得部が取得した現在の前記走行状態データから得られる前記物理量とを用いて、車両が走行する道路の冠水を検知する検知部と、を含む。

請求項２に記載の発明によれば、取得部では、車種情報及び車両の走行に関する複数種類の走行状態データが取得される。例えば、冠水検知装置は車両に搭載する場合と、車両以外に設ける場合などがあり、車両に搭載される場合には、取得部は、自車両の走行状態データを取得する。また、冠水検知装置が車両以外に設けられる場合には、取得部は、予め定めた注目車両の走行状態データを取得する。

そして、検知部では、自車両の車種に応じて予め導出した、車両が走行することにより変化する物理量を求める車両挙動モデルと、取得部が取得した現在の複数種類の走行状態データとに基づいて予測した物理量と、取得部が取得した現在の走行状態データから得られる物理量とを用いて、車両が走行する道路の冠水が検知される。これにより、冠水検知センサを用いることなく、冠水を検知することができる。

また、自車両の車種に応じて予め導出した車両挙動モデルを用いて物理量を予測するので、車種に起因する予測ばらつきを抑制した冠水検知が可能となる。

請求項３に記載の冠水検知装置は、複数の車両から走行に関する複数種類の走行状態データ、及び車種を特定する車種情報を取得する取得部と、車両が走行することにより変化する物理量を求める車両挙動モデルを、複数の車両から予め取得した前記複数種類の走行状態データと、予め定めた学習モデルとを用いて車種毎に導出する導出部と、前記導出部が導出した前記車両挙動モデルのうち予め定めた注目車両の前記車種情報に対応する車種の前記車両挙動モデルと、前記注目車両から前記取得部が取得した現在の前記複数種類の走行状態データとを用いて予測した前記物理量と、前記注目車両から前記取得部が取得した前記走行状態データから得られる前記物理量とを用いて、前記注目車両が走行する道路の冠水を検知する検知部と、を含む。

請求項３に記載の発明によれば、取得部では、複数の車両から走行に関する複数種類の走行状態データ、及び車種を特定する車種情報が取得される。

導出部では、車両が走行することにより変化する物理量を求める車両挙動モデルが、複数の車両から予め取得した複数種類の走行状態データと、予め定めた学習モデルとを用いて車種毎に導出される。

そして、検知部では、導出部が導出した前記車両挙動モデルのうち予め定めた注目車両の前記車種情報に対応する車種の前記車両挙動モデルと、予め定めた注目車両から取得部が取得した現在の複数種類の走行状態データとを用いて予測した物理量と、注目車両から取得部が取得した走行状態データから得られる物理量とを用いて、注目車両が走行する道路の冠水が検知される。これにより、冠水検知センサを用いることなく、冠水を検知することができる。

また、注目車両の車種に対応する車両挙動モデルを用いて物理量を予測するので、車種に起因する予測ばらつきを抑制した冠水検知が可能となる。

なお、車両挙動モデルは、請求項４に記載の発明のように、車両の駆動力と、車両に作用する空気抵抗、車両に作用する勾配抵抗、及び車両に作用する転がり抵抗を含む走行抵抗と、で構成されたものを適用してもよい。これにより、車両の走行状態データを用いて簡易かつ高精度に道路の冠水を検知することが可能となる。

また、走行抵抗としては、請求項５に記載の発明のように、車両に作用する加速抵抗を更に含んでもよい。

また、検知部は、請求項６に記載の発明のように、予測した物理量と走行状態データから得られる物理量との差が予め定めた閾値以上の場合に、冠水を検知してもよい。これにより、冠水検知センサを用いることなく、冠水を検知することが可能となる。

また、車両挙動モデルは、請求項７に記載の発明のように、重回帰式を学習モデルとして用いて導出してもよい。

また、車両挙動モデルは、請求項８に記載の発明のように、車両の速度、加速度、または、加速度の変化率を物理量として、運動方程式を用いて導出してもよい。

一方、請求項９に記載の冠水検知システムは、車両の走行に関する複数種類の走行状態データを検出する検出部と、前記検出部が検出した前記複数種類の走行状態データ及び車種を特定する車種情報を複数の車両から取得する取得部と、車両が走行することにより変化する物理量を求める車両挙動モデルを、前記取得部が複数の車両から予め取得した前記複数種類の走行状態データと、予め定めた学習モデルとを用いて車種毎に導出する導出部と、前記導出部が導出した前記車両挙動モデルのうち予め定めた注目車両の前記車種情報に対応する車種の前記車両挙動モデルと、前記注目車両から前記取得部が取得した現在の前記複数種類の走行状態データとを用いて予測した前記物理量と、前記注目車両から前記取得部が取得した現在の前記走行状態データから得られる前記物理量とを用いて、前記注目車両が走行する道路の冠水を検知する検知部と、を含む。

請求項９に記載の発明によれば、検出部では、車両の走行に関する複数種類の走行状態データが検出される。

取得部では、検出部が検出した複数種類の走行状態データ及び車種を特定する車種情報が複数の車両から取得される。

導出部では、車両が走行することにより変化する物理量を求める車両挙動モデルが、取得部が複数の車両から予め取得した複数種類の走行状態データと、予め定めた学習モデルとを用いて車種毎に導出される。

そして、検知部では、導出部が導出した車両挙動モデルのうち予め定めた注目車両の車種情報に対応する車種の車両挙動モデルと、予め定めた注目車両から取得部が取得した現在の複数種類の走行状態データとを用いて予測した物理量と、注目車両から取得部が取得した走行状態データから得られる物理量とを用いて、注目車両が走行する道路の冠水が検知される。これにより、冠水検知センサを用いることなく、冠水を検知することができる。

また、注目車両の車種に対応する車両挙動モデルを用いて物理量を予測するので、車種に起因する予測ばらつきを抑制した冠水検知が可能となる。

なお、コンピュータを、請求項１～８のいずれか１項に記載の冠水検知装置の各部として機能させるための冠水検知プログラムとしてもよい。

以上説明したように本発明によれば、車両の走行状態データを用いて簡易かつ高精度に道路の冠水を判定可能な冠水検知装置を提供できる、という効果がある。

本実施形態に係る冠水検知システムの概略構成を示すブロック図である。 車速の予測値と実測値と用いたエラー（冠水）判定の一例を説明するための図である。 車種とモデルの係数とを対応づけたテーブルの一例を示す図である。 本実施形態に係る冠水検知システムの冠水エリア推定センタにおいて、車両挙動モデルを機械学習によって導出する際に中央処理部３で行われる処理の流れの一例を示すフローチャートである。 本実施形態に係る冠水検知システムの冠水エリア推定センタにおいて、冠水を判定する際に中央処理部で行われる処理の流れの一例を示すフローチャートである。 本実施形態に係る冠水検知システムにおいて、冠水エリア推定センタにおいて中央処理部が冠水エリアを推定する処理の流れの一例を示すフローチャートである。 冠水判定を各車両に搭載された情報提供装置側で行う場合の冠水検知システムの構成例を示すブロック図である。 車両挙動モデルの他の例を説明するための図である。

以下、図面を参照して本発明の実施の形態の一例を詳細に説明する。図１は、本実施形態に係る冠水検知システムの概略構成を示すブロック図である。

本実施形態に係る冠水検知システム１０は、複数の車両１２に搭載された情報提供装置１４と、冠水エリア推定センタ３６とが通信ネットワーク３４を介して接続されている。冠水エリア推定センタ３６は、複数の車両１２に搭載された情報提供装置１４から車両１２の走行状態データをＣＡＮ（Controller Area Network）データとして収集する。そして、収集したＣＡＮデータを用いて各車両１２が走行している道路の冠水を判定する処理を行う。また、冠水エリア推定センタ３６は、各車両１２が走行している道路の冠水判定の結果を用いて、冠水エリアを推定する処理を行う。

各車両１２に搭載された情報提供装置１４は、演算部１６、ＧＰＳ受信部１８、加速度センサ２０、表示部２２、車速センサ２４、通信部２６、勾配センサ２８、アクセルペダルセンサ３０、及びブレーキペダルセンサ３２を備えている。なお、加速度センサ２０、車速センサ２４、勾配センサ２８、アクセルペダルセンサ３０、及びブレーキペダルセンサ３２は、検出部に対応する。

演算部１６は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、及びＲＡＭ（Random Access Memory）等を含む一般的なマイクロコンピュータで構成されている。

ＧＰＳ受信部１８は、ＧＰＳ（Global Positioning System）衛生からの信号を受信して受信したＧＰＳ信号を演算部１６に出力する。これにより、演算部１６は、複数のＧＰＳ衛生からのＧＰＳ信号に基づいて、自車両１２の位置を測位する。

加速度センサ２０は、自車両１２に加わる加速度を走行状態データとして検出し、検出結果を演算部１６に出力する。加速度は、車両１２の前後方向、幅方向、及び上下方向の各々の方向を検出してもよいが、車両１２の前後方向の加速度のみを検出してもよい。

表示部２２は、冠水エリア推定センタ３６によって推定された冠水エリアの情報（例えば、地図情報等）や、各種情報を表示する。

車速センサ２４は、自車両１２の走行速度を走行状態データとして検出し、検出結果を演算部１６に出力する。

通信部２６は、通信ネットワーク３４と無線通信を行うことにより、冠水エリア推定センタ３６や、他の車両１２に搭載された情報提供装置１４と通信する。通信ネットワーク３４としては、例えば、携帯電話回線網等の無線通信回線網を含む。

勾配センサ２８は、車両１２の傾きを検出することにより、車両１２が走行している勾配を走行状態データとして検出し、検出結果を演算部１６に出力する。勾配は、車両１２の前後方向の勾配のみを検出してもよいし、車幅方向の勾配も加えて検出してもよい。

アクセルペダルセンサ３０は、アクセルペダルの踏み込み量を走行状態データとして検出し、検出結果を演算部１６に出力する。

ブレーキペダルセンサ３２は、ブレーキペダルの操作状態を走行状態データとして検出し、検出結果を演算部１６に出力する。

本実施形態では、走行状態データとして、加速度センサ２０、車速センサ２４、勾配センサ２８、アクセルペダルセンサ３０、及びブレーキペダルセンサ３２の検出結果を一例として検出する例を説明するが、これらに限るものではない。

演算部１６は、各センサから取得した複数種類の走行状態データ及び車種を識別する車種ＩＤを、通信部２６及び通信ネットワーク３４を介して冠水エリア推定センタ３６に送信する。

一方、冠水エリア推定センタ３６は、中央処理部３８、中央通信部４８、モデル記憶部５０、及びＣＡＮデータベース５２を備えている。

中央通信部４８は、通信ネットワーク３４と無線通信を行うことにより、各車両１２に搭載された情報提供装置１４と通信する。

モデル記憶部５０は、車両１２が走行することにより変化する物理量（詳細は後述）を求める車両挙動モデルと、車種毎に設定された係数テーブルを記憶する。

ＣＡＮデータベース５２は、各車両１２に搭載された情報提供装置１４から取得した走行状態データをＣＡＮデータとして記憶する。

中央処理部３８は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、及びＲＡＭ（Random Access Memory）等を含む一般的なコンピュータで構成されている。中央処理部３８は、予測部４０、判定部４２、冠水エリア推定部４４、及びモデル更新部４６の機能を有する。各機能は、ＲＯＭ等に記憶されたプログラムを実行することにより実現される。なお、中央処理部３８の各機能は、取得部、導出部、検知部、結果収集部、及び推定部に相当し、詳細は後述する処理に対応する。

予測部４０は、モデル記憶部５０に予め記憶した車両挙動モデルを読み出し、車種ＩＤから車種を特定して、車種に対応する係数を選択して車両挙動モデルに適用することで車種毎の車両挙動モデルを導出する。そして、導出した車両挙動モデルにＣＡＮデータを代入することにより、物理量の予測値を算出する。本実施形態では、予測する物理量として車速を適用し、車速を求めるために予め導出した車両挙動モデルに、車種に対応する予め求めた係数を適用して、車速の予測値を算出する。なお、車速を求める車両挙動モデルの詳細については後述する。

判定部４２は、予測部４０によって予測した車速と、情報提供装置１４から取得した実際の車速とを比較して、道路の冠水の有無を判定する。具体的には、予測値と実測値との差が予め定めた閾値以上の場合に冠水と判定することにより道路の冠水を検知する。例えば、図２に示すように、時間経過に対して、実測値と予測値が変化した場合には、実測値と予測値との差が予め定めた閾値以上の状態が所定時間（例えば、５秒以上）継続した区間で、判定部４２は、エラー（冠水）と判定する。

冠水エリア推定部４４は、判定部４２の判定結果を用いて、道路が冠水している冠水エリアを推定する。例えば、地図を四方１００ｍ区画に分割してエリアを定義し、個車の判定部４２の判定結果を収集し、あるエリアにおいて、所定時間内に所定数以上が冠水と判定された場合、そのエリアを冠水エリアとして推定する。

モデル更新部４６は、ＣＡＮデータベース５２に記憶されたＣＡＮデータを用いて車両挙動モデルの係数を機械学習によって導出し、モデル記憶部５０に記憶すると共に、随時モデルの係数テーブルを更新する。

続いて、上述の車速を求める車両挙動モデルの一例について詳細に説明する。本実施形態では、運動方程式を用いて物理量として車速を求める車両挙動モデルを導出する。

まず、運動方程式は、以下の（１）式で表せる。

Ｍ×（ｄｖ/ｄｔ）＝Ｆ ・・・（１）

なお、Ｍは車両重量、ｄｖ/ｄｔは加速度、Ｆは車両１２が前に進む力である。

ここで、ｄｖ/ｄｔは近似的に以下の（２）式で表せる。

ｄｖ/ｄｔ＝（ｖ（ｔ＋Δｔ）－（ｖ（ｔ））／Δｔ ・・・（２）

なお、ｖ（ｔ＋Δｔ）はΔｔ秒後の車速（予測した車速）、ｔは時間、ｖ（ｔ）は現在の時刻の車速である。

（２）式を（１）式に代入すると、以下の（３）式が得られる。

Ｍ×（ｖ（ｔ＋Δｔ）－ｖ（ｔ））／Δｔ＝Ｆ ・・・（３）

ｖ（ｔ＋Δｔ）について整理すると、以下の（４）式となる。

ｖ（ｔ＋Δｔ）＝ｖ（ｔ）＋（Ｆ／Ｍ）×Δｔ ・・・（４）

ここで、Ｆの項は、Ｆ＝Ｆ１（車両１２の駆動力）－Ｆ２（車両１２が受ける抵抗）であるが、ＣＡＮデータを用いると、

Ｆ１＝Ｃ1×Ｒ ・・・（５）

なお、Ｃ1は係数、Ｒはアクセル踏込み量であり、ＣＡＮデータから得られる。

Ｆ２＝空気抵抗＋勾配抵抗＋転がり抵抗＋加速抵抗 ・・・（６）

空気抵抗＝Ｃ21×ｖ（ｔ）^２

勾配抵抗＝Ｃ22×sinθ

転がり抵抗＝Ｃ23×ｖ（ｔ）

加速抵抗＝Ｃ24×ａ（ｔ）

なお、Ｃ21、Ｃ22、Ｃ23、Ｃ24は係数、θは路面勾配、ｖ（ｔ）は車速、ａ（ｔ）は加速度であり、ＣＡＮデータから得られる。

（５）式及び（６）式を（４）式に代入して、下記の重回帰式を車両挙動モデルとして得ることができる。

ｖ（ｔ＋Δｔ）＝ｖ（ｔ）＋｛Ｃ1×Ｒ－（Ｃ21×ｖ（ｔ）^２＋Ｃ22×sinθ＋Ｃ23×ｖ（ｔ）＋Ｃ24×ａ（ｔ））｝×（Δｔ／Ｍ） ・・・（７）

各係数は、複数の車両１２から収集してＣＡＮデータベースに記憶された大量のＣＡＮデータを用いて、重回帰分析の学習モデルにより求めて係数テーブルとしてモデル記憶部５０に記憶する。また、ＣＡＮデータを新たに取得する毎に、モデル記憶部５０に記憶された係数を更新する。また、車種毎に係数が異なるため、車種毎に係数を求めて更新する。例えば、モデル記憶部５０に記憶する係数は、図３に示すように、車種とモデルの係数とを対応づけてテーブルとして記憶する。

続いて、上述のように構成された本実施形態に係る冠水検知システム１０において、冠水エリア推定センタ３６において中央処理部３８が車両挙動モデルを導出する際の処理について説明する。図４は、本実施形態に係る冠水検知システム１０の冠水エリア推定センタ３６において、車両挙動モデルを機械学習によって導出する際に中央処理部３８で行われる処理の流れの一例を示すフローチャートである。なお、図４の処理は、車両挙動モデルの初期の係数を導出する際に行われると共に、ＣＡＮデータベース５２にＣＡＮデータが収集される毎に行われる。

ステップ１００では、モデル更新部４６が、中央通信部４８を介してＣＡＮデータベース５２に収集した走行状態データとしてのＣＡＮデータを取得してステップ１０２へ移行する。なお、ステップ１００は取得部に相当する。

ステップ１０２では、モデル更新部４６が、取得したＣＡＮデータの前処理を行ってステップ１０４へ移行する。前処理としては、例えば、日時及び車種毎にＣＡＮデータをソートし、時間毎及び車種毎に分類する。また、ＣＡＮデータ毎に、時間を統一してデータの欠損に対して補間等の処理を行ってもよい。

ステップ１０４では、モデル更新部４６が、モデル式を決定し、モデル記憶部５０に記憶して一連の処理を終了する。すなわち、ＣＡＮデータを用いて上述の車両挙動モデルとしての重回帰式の各係数を機械学習により導出してモデル記憶部５０に記憶する。既に各係数が記憶されている場合には、各係数を更新する。なお、ステップ１０４は導出部に相当する。

次に、冠水エリア推定センタ３６において中央処理部３８が各車両１２からのＣＡＮデータに基づいて冠水を判定する際に行われる処理について説明する。図５は、本実施形態に係る冠水検知システム１０の冠水エリア推定センタ３６において、冠水を判定する際に中央処理部３８で行われる処理の流れの一例を示すフローチャートである。なお、図５の処理は、例えば、各車両１２の情報提供装置１４からＣＡＮデータを取得する毎、或いは、予め定めた量のＣＡＮデータを取得する毎に開始する。

ステップ２００では、中央処理部３８が、中央通信部４８及び通信ネットワーク３４を介して情報提供装置１４からＣＡＮデータを取得してステップ２０２へ移行する。なお、ステップ２００は取得部に相当し、以降のステップ２０２～２１０の処理が検知部に相当する。

ステップ２０２では、予測部４０が、取得したＣＡＮデータと車両挙動モデルとを用いて車速の予測値を算出してステップ２０４へ移行する。すなわち、モデル記憶部５０に記憶した車両挙動モデルを読み出して、車種ＩＤから車種を特定して車種に対応する係数を選択して車両挙動モデルに適用する。そして、取得したＣＡＮデータを車両挙動モデルに代入することで、車速の予測値を算出する。

ステップ２０４では、判定部４２が、車速の予測値と、情報提供装置１４から取得した実際のＣＡＮデータの車速の実測値とを比較してステップ２０６へ移行する。

ステップ２０６では、判定部４２が、予測値と実測値との差が予め定めた閾値以上であるか否かを判定する。該判定が否定された場合にはステップ２０８へ移行し、肯定された場合にはステップ２１０へ移行する。

ステップ２０８では、判定部４２が、ＣＡＮデータを取得した車両１２が走行する道路が冠水していない非冠水であると判定して一連の処理を終了する。

一方、ステップ２１０では、判定部４２が、ＣＡＮデータを取得した車両１２が走行する道路が冠水していると判定して一連の処理を終了する。

続いて、本実施形態に係る本実施形態に係る冠水検知システム１０において、冠水エリア推定センタ３６において中央処理部３８が冠水エリアを推定する処理について説明する。図６は、本実施形態に係る冠水検知システム１０において、冠水エリア推定センタ３６において中央処理部３８が冠水エリアを推定する処理の流れの一例を示すフローチャートである。

ステップ３００では、冠水エリア推定部４４が、冠水判定情報を収集してステップ３０２へ移行する。すなわち、図５の冠水判定の結果を収集する。なお、ステップ３００は結果収集部に相当する。

ステップ３０２では、冠水エリア推定部４４が、冠水エリアを推定してステップ３０４へ移行する。冠水エリアの推定は、上述したように、判定部４２の判定結果を用いて、道路が冠水している冠水エリアを推定する。例えば、地図を四方１００ｍ区画に分割してエリアを定義し、個車の判定部４２の判定結果を収集し、あるエリアにおいて、所定時間内に所定数以上が冠水と判定された場合、そのエリアを冠水エリアとして推定する。なお、ステップ３０２は推定部に相当する。

ステップ３０４では、冠水エリア推定部４４が、冠水エリア情報を配信して一連の処理を終了する。例えば、中央通信部４８を介して通信ネットワーク３４に接続されている情報提供装置１４に対して冠水エリア情報を配信することにより、各情報提供装置１４を搭載した車両１２では、冠水エリアが分かるので、冠水エリアを通行しないルートを選択することが可能となる。例えば、ナビゲーション装置により、冠水エリアを通るルート案内が行われている場合に、冠水エリアを避けるルートをリルートすることが可能となる。或いは、冠水エリア情報を必要としている天気予報会社等に配信して対価を得るようにしてもよい。

なお、上記の実施形態では、冠水エリア推定センタ３６側で冠水判定を行う例を説明したが、これに限るものではない。例えば、冠水判定は、各車両１２に搭載された情報提供装置１４側で行うようにしてもよい。図７は、冠水判定を各車両１２に搭載された情報提供装置１４側で行う場合の冠水検知システムの構成例を示すブロック図である。この場合には、図７に示すように、予測部４０、判定部４２、及びモデル記憶部５０の機能を情報提供装置１４に持たせる。すなわち、モデル記憶部５０には、情報提供装置１４を搭載する車両１２の車種に応じた車両挙動モデルを予め導出して記憶しておく。或いは、車種毎の複数の車両挙動モデルを予め導出して記憶しておき、使用する際に自車両に対応する車両挙動モデルを選択する構成とする。そして、図５の処理を情報提供装置１４の演算部１６が実行することにより、予測部４０によって予測値を算出して判定部４２による冠水判定を上記実施形態と同様に行うことが可能となる。また、冠水エリアを推定する際には、冠水エリア推定センタ３６の中央処理部３８が各車両１２から冠水の判定結果を収集して図６の処理を行うことで、冠水エリア推定センタ３６が冠水エリアを推定することができる。なお、冠水判定を各車両１２に搭載された情報提供装置１４側で行う場合は、図５の処理を演算部１６が行う処理に適宜変換して行うものとする。また、この場合の演算部１６が実行するステップ２００の処理は取得部に相当し、ステップ２０２～２１０の処理は検知部に相当する。

また、上記の実施形態では、車両挙動モデルとして重回帰式を用いた例を説明したが、車両挙動モデルは、重回帰式による機械学習に限定されるものではない。例えば、車両挙動モデルは、図８に示すように、ＣＡＮデータ（アクセル踏み込み量Ｒ、車速ｖ（ｔ）、路面勾配θ、加速度ｄｖ/ｄｔ等）を予測式の説明変数の各項に用いてΔｔ秒後の予測値ｖ（ｔ＋Δｔ）を求める種々の予測モデルを適用できる。重回帰分析以外の予測モデルの一例としては、ニューラルネットワークや、サポートベクター回帰(SVR：Support Vector Regression)等の各種機械学習モデルを適用してもよい。

また、上記の実施形態では、物理量として車速を求める車両挙動モデルを用いたが、物理量はこれに限るものではなく、例えば、加速度や、加速度の変化率など他の物理量を求める車両挙動モデルを用いてもよい。

また、上記の実施形態では、空気抵抗、勾配抵抗、転がり抵抗、及び加速抵抗を車両が受ける抵抗Ｆ２として、車両挙動モデルを導出したが、車両が受ける抵抗Ｆ２はこれに限定されるものではない。例えば、加速抵抗は他の抵抗に比べて小さいので、加速度抵抗を省略してもよい。

また、上記の各実施形態における冠水検知システム１０の各部で行われる処理は、プログラムを実行することにより行われるソフトウエア処理として説明したが、これに限るものではない。例えば、ハードウエアで行う処理としてもよい。或いは、ソフトウエア及びハードウエアの双方を組み合わせた処理としてもよい。また、ソフトウエアの処理とした場合には、プログラムを各種記憶媒体に記憶して流通させるようにしてもよい。

さらに、本発明は、上記に限定されるものでなく、上記以外にも、その主旨を逸脱しない範囲内において種々変形して実施可能であることは勿論である。

１０ 冠水検知システム
１２ 車両
１４ 情報提供装置
１６ 演算部
３６ 冠水エリア推定センタ
３８ 中央処理部
４０ 予測部
４２ 判定部
４４ 冠水エリア推定部
４６ モデル更新部
４８ 中央通信部
５０ モデル記憶部
５２ ＣＡＮデータベース

Claims (12)

1. 車種を特定する車種情報及び車両の走行に関する複数種類の走行状態データを取得する取得部と、
   車種毎に予め導出した、車両が走行することにより変化する物理量を求める複数の車両挙動モデルの中から前記取得部によって取得した前記車種情報に対応する車種の前記車両挙動モデルを選択して、選択した前記車両挙動モデルと、前記取得部が取得した現在の前記複数種類の走行状態データとに基づいて予測した前記物理量と、前記取得部が取得した現在の前記走行状態データから得られる前記物理量とを用いて、車両が走行する道路の冠水を検知する検知部と、
   を含む冠水検知装置。
2. 車両の走行に関する複数種類の走行状態データを取得する取得部と、
   自車両の車種に応じて予め導出した、車両が走行することにより変化する物理量を求める車両挙動モデルと、前記取得部が取得した現在の前記複数種類の走行状態データとに基づいて予測した前記物理量と、前記取得部が取得した現在の前記走行状態データから得られる前記物理量とを用いて、車両が走行する道路の冠水を検知する検知部と、
   を含む冠水検知装置。
3. 複数の車両から走行に関する複数種類の走行状態データ、及び車種を特定する車種情報を取得する取得部と、
   車両が走行することにより変化する物理量を求める車両挙動モデルを、複数の車両から予め取得した前記複数種類の走行状態データと、予め定めた学習モデルとを用いて車種毎に導出する導出部と、
   前記導出部が導出した前記車両挙動モデルのうち予め定めた注目車両の前記車種情報に対応する車種の前記車両挙動モデルと、前記注目車両から前記取得部が取得した現在の前記複数種類の走行状態データとを用いて予測した前記物理量と、前記注目車両から前記取得部が取得した前記走行状態データから得られる前記物理量とを用いて、前記注目車両が走行する道路の冠水を検知する検知部と、
   を含む冠水検知装置。
4. 前記車両挙動モデルは、車両の駆動力と、車両に作用する空気抵抗、車両に作用する勾配抵抗、及び車両に作用する転がり抵抗を含む走行抵抗と、で構成された請求項１～３の何れか１項に記載の冠水検知装置。
5. 前記走行抵抗は、車両に作用する加速抵抗を更に含む請求項４に記載の冠水検知装置。
6. 前記検知部は、予測した前記物理量と前記走行状態データから得られる前記物理量との差が予め定めた閾値以上の場合に、冠水を検知する請求項１～５のいずれか１項に記載の冠水検知装置。
7. 前記車両挙動モデルは、重回帰式を学習モデルとして用いて導出する請求項１～６のいずれか１項に記載の冠水検知装置。
8. 前記車両挙動モデルは、車両の速度、加速度、または、加速度の変化率を前記物理量として、運動方程式を用いて導出する請求項１～７の何れか１項に記載の冠水検知装置。
9. 車両の走行に関する複数種類の走行状態データを検出する検出部と、
   前記検出部が検出した前記複数種類の走行状態データ及び車種を特定する車種情報を複数の車両から取得する取得部と、
   車両が走行することにより変化する物理量を求める車両挙動モデルを、前記取得部が複数の車両から予め取得した前記複数種類の走行状態データと、予め定めた学習モデルとを用いて車種毎に導出する導出部と、
   前記導出部が導出した前記車両挙動モデルのうち予め定めた注目車両の前記車種情報に対応する車種の前記車両挙動モデルと、前記注目車両から前記取得部が取得した現在の前記複数種類の走行状態データとを用いて予測した前記物理量と、前記注目車両から前記取得部が取得した現在の前記走行状態データから得られる前記物理量とを用いて、前記注目車両が走行する道路の冠水を検知する検知部と、
   を含む冠水検知システム。
10. 複数の車両に対する前記検知部の検知結果を収集する結果収集部と、
    前記結果収集部が収集した前記検知結果に基づいて、冠水エリアを推定する推定部と、
    を更に含む請求項９に記載の冠水検知システム。
11. 前記推定部の推定結果を配信する配信部を更に含む請求項１０に記載の冠水検知システム。
12. コンピュータを、請求項１～８のいずれか１項に記載の冠水検知装置の各部として機能させるための冠水検知プログラム。

Images