JP7413498B1 - 情報処理装置、情報処理方法及び情報処理プログラム - Google Patents

Abstract

【課題】監視者の監視負担を軽減することを可能とする。【解決手段】本願に係る情報処理装置は、自動運転車に関するイベントを遠隔から監視する監視者によるイベントに対する処理の習熟度に基づいて、監視者が処理対象のイベントを処理することにより感じる疲労の度合いを示すイベント疲労度を推定する推定部と、監視者の生体情報に基づいて、監視者にとって許容できる疲労の度合いを示す許容疲労度を算出する算出部と、イベント疲労度および許容疲労度に基づいて、監視者の中から処理対象のイベントの処理に割り当てる対象監視者を選択する選択部と、を備える。【選択図】図２

Description

本発明は、情報処理装置、情報処理方法及び情報処理プログラムに関する。

従来、自動運転に関する技術開発が盛んに行われている。自動運転技術は、運転者が運転操作を行う代わりに、車両に搭載された制御システム（以下、「自動運転システム」）を用いて、車両の運転操作を自動化する技術である。以下では、運転者によって行われる運転操作のことを「手動運転」と記載し、自動運転システムによって行われる運転操作のことを「自動運転」と記載する場合がある。

ここで、自動運転技術のレベル（以下、「自動運転レベル」）は、運転操作を行う主体等によって、例えば、レベル１からレベル５までの５段階に分類される（なお、無人での自動運転可能なレベルまで含めた場合には、６段階に分類される）。自動運転レベル４または自動運転レベル５では、運転者がいない状態で自動運転が行われるが、想定外の事態が発生した場合に対応できるように、安全運転に係る監視を遠隔で行う監視者を配置することが求められる。

そこで、近年、自動運転車に関するイベントを遠隔から監視する監視者の割り当てに関する技術開発が盛んに行われている。例えば、複数の自動運転車両の各々が送信するアラームに基づいて、監視者が自動運転車両を監視する作業負荷の度合いを示す指標である監視コストを導出する。そして、監視コストに基づいて、複数の監視者の各々に監視させる自動運転車両を割り当てる技術が知られている。

特開２０２０－５２９０６号公報

しかしながら、上記の従来技術では、監視コストに基づいて、複数の監視者の各々に監視させる自動運転車両を割り当てるに過ぎないため、監視者の監視負担を軽減することを可能とすることができるとは限らない。

そこで、本開示では、監視者の監視負担を軽減することを可能とすることができる情報処理装置、情報処理方法及び情報処理プログラムを提供することを目的とする。

本願に係る情報処理装置は、自動運転車に関するイベントを遠隔から監視する監視者による前記イベントに対する処理の習熟度に基づいて、前記監視者が処理対象のイベントを処理することにより感じる疲労の度合いを示すイベント疲労度を推定する推定部と、前記監視者の生体情報に基づいて、前記監視者にとって許容できる疲労の度合いを示す許容疲労度を算出する算出部と、前記イベント疲労度および前記許容疲労度に基づいて、前記監視者の中から前記処理対象のイベントの処理に割り当てる対象監視者を選択する選択部と、を備える。

実施形態の一態様によれば、監視者の監視負担を軽減することを可能とすることができる。

図１は、実施形態に係る情報処理システムの構成例を示す図である。 図２は、実施形態に係る情報処理の概要を示す図である。 図３は、実施形態に係る情報処理装置の構成例を示す図である。 図４は、実施形態に係るイベント情報記憶部に記憶される情報の一例を示す図である。 図５は、実施形態に係る生体情報記憶部に記憶される情報の一例を示す図である。 図６は、実施形態に係る情報処理の詳細を示す図である。 図７は、情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る情報処理装置、情報処理方法及び情報処理プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る情報処理装置、情報処理方法及び情報処理プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

（実施形態）
〔１．はじめに〕
今後、自動運転技術の向上が進むことで、運転者がいない状態で運行が行われる自動運転レベル４や自動運転レベル５の自動運転での運行サービスが実現可能となると考えられる。また、自動運転レベル４や自動運転レベル５では、安全運転に係る監視を遠隔で行う監視者を配置し、自動運転システムでは判断できないような想定外の事態が発生した場合に、監視者が判断等の対応をできる状態での運行が求められる。すなわち、監視者による処理の対象となるイベントが発生した場合、自動運転システムに代わって、監視者がイベントに対処するための処理を行うことが求められる。

ここで、監視者に求められる判断は、機械学習により多くのシナリオを学習してきた自動運転システムでさえも判断できない事態や状況に対する判断となるため、困難な判断となり、求められる判断に対する監視者の負荷は非常に高いものとなる可能性がある。

具体的には、監視者による処理の対象となるイベントは、複数の事象が絡み合っており、監視者に対して複雑な判断が求められる。例えば、発生したイベントに対して監視者による対応が求められるケースがある。このようなケースとして、例えば、自動運転車の走行経路上に、事故や工事により走行ができない事象が発生した場合などに、監視者に対して運行継続の判断が求められるケースがある。また、例えば、車両の目の前で急な人の飛び出しなどが発生したことで、車内の乗客が転倒等の事故を起こし、監視者に対して今後の運転継続方法についての判断が求められるケースがある。また、注意を要する場合に監視者による対応が求められるケースがある。このようなケースとして、例えば、事故の多い地点などの危険道路を走行する場合に、監視者による運行の監視が求められるケースがある。また、運行遅延が発生している場合に監視者による対応が求められるケースがある。このようなケースとして、例えば、渋滞などにより予定の到着時間から遅れていることで、その後の運行全体が遅延し始めているケースがある。

また、自動運転により運転される車両（以下、「自動運転車」ともいう）が注意すべき箇所（例えば、注意すべき運転を要する箇所）を走行する際は、監視者による監視が行われることが想定されるが、監視者は自ら自動運転車を運転している訳ではないため、どのような運転が行われるか想像がつかない場合もありうると考えられる。そのため、この場合も、監視作業に対する監視者の負荷は非常に高いものとなる可能性がある。

これに対し、実施形態に係る情報処理装置は、自動運転車に関するイベントを遠隔から監視する監視者によるイベントに対する処理の習熟度に基づいて、監視者による処理の対象となるイベント（例えば、自動運転システムでは判断できないような想定外の事態や状況など、監視者による判断等の対応が求められるイベント）を監視者が処理することにより感じる疲労の度合いを示すイベント疲労度を推定する。また、情報処理装置は、遠隔監視を行っている全ての監視者の生体情報を取得し、各監視者の生体情報に基づいて、各監視者にとって許容できる疲労の度合いを示す許容疲労度を算出する。また、情報処理装置は、イベント疲労度および許容疲労度に基づいて、全ての監視者の中から処理対象のイベントの処理に割り当てる対象監視者を選択する。

一般的に、自動運転システムでは判断できないような想定外の事態や状況など、監視者による判断等の対応が求められるイベント（以下、「処理対象のイベント」と記載する場合がある）を監視者が処理することにより感じる疲労の度合い（以下、「イベント疲労度」）は、監視者による処理対象のイベントに対する処理の習熟度に応じて異なると考えられる。また、監視者にとって許容できる疲労の度合い（以下、「許容疲労度」）は、処理対象のイベントの発生日におけるイベントの発生時点までに各監視者が処理したイベントの件数やイベント種類、および、各監視者の個体差により、監視者ごとに異なると考えられる。これに対し、情報処理装置は、各監視者の習熟度に応じたイベント疲労度に基づいて、例えば、監視者の許容疲労度がイベント疲労度を上回らないような監視者を選択して、処理対象のイベントに割り当てることができる。これにより、情報処理装置は、各監視者に対して、各監視者が疲労しすぎないイベントを割り当てることができるので、監視者の監視負担を軽減することを可能とすることができる。また、情報処理装置は、各監視者に対して、各監視者が疲労しすぎないイベントを割り当てることができるので、監視者によるイベントの処理結果に関する成功率を向上させることができる。したがって、情報処理装置は、処理対象のイベントが発生した際に、処理対象のイベントに対して、全ての監視者の中から最適な監視者を選択して割り当てることができる。

以下では、本実施形態に係る車両（以下、車両）は、公知の自動運転システムを備える。具体的には、車両は、自車の周辺の状況に関する情報を認識する機能を備える。例えば、車両は、カメラ、LiDAR（ライダー）、ミリ波レーダーまたは超音波センサなどの各種センサを備え、車両の周囲や前方を常時監視し、センサが取得した画像データなどから他の車両や歩行者、道路上の白線、標識などを認識する。

また、車両は、GPSなどの衛星測位システム（GNSS）を備え、自車位置を特定する。また、車両は、タイヤの回転数から距離を計測する走行距離計（DMI）や、角速度や加速度を計測する慣性計測装置（IMU）を備え、自車位置を特定してもよい。また、車両は、SLAM技術を用いて、自車位置を特定してもよい。

また、車両は、道路標識や車線情報などを含めた高精度な3次元地図情報を用いて、自車の位置情報とセンサデータを突合させることで、自車位置の特定精度を向上させてもよい。

〔２．情報処理システムの構成〕
まず、図１を用いて、実施形態に係る情報処理システム１の構成について説明する。図１は、実施形態に係る情報処理システム１の構成例を示す図である。図１に示すように、情報処理システム１には、車載装置１０と、センサ装置２０と、情報処理装置１００とが含まれる。車載装置１０と、センサ装置２０と、情報処理装置１００とは所定のネットワークＮを介して、有線または無線により通信可能に接続される。なお、図１に示した情報処理システム１には、複数台の車載装置１０や、複数台のセンサ装置２０や、複数台の情報処理装置１００が含まれてもよい。

車載装置１０は、車両に搭載された情報処理装置である。車載装置１０は、公知の自動運転システムを備える。具体的には、車載装置１０は、車両が認識した自車の周辺の状況に関する情報に基づいて、車両の振る舞いを判断する機能を備える。例えば、車載装置１０は、目的地までの情報に基づいて、どの経路を走行していくかといった行動計画を作成する機能を備える。また、車載装置１０は、計画した経路を走行しながら、渋滞情報等に基づいて、経路の変更やレーンチェンジといった判断を行う機能を備える。また、車載装置１０は、車両の振る舞いに関する判断に基づいて、車両を制御する機能を備える。例えば、車載装置１０は、ステアリングやアクセルペダルなどを制御する機能を備える。また、車載装置１０は、自動運転システムでは判断できないような想定外の事態や状況であるイベントが発生した場合に、発生したイベントに対して監視者を割り振るよう要求する要求情報を情報処理装置１００に対して送信する。

センサ装置２０は、監視者の生体情報を検知する機能を有する。センサ装置２０は、常時、監視者の生体情報を検知してよい。具体的には、センサ装置２０は、生体センサである。例えば、センサ装置２０は、心拍、脈拍、血圧、発汗量、呼吸、脳波、または筋電等を検知する各種センサであってよい。ここで、生体情報は、生体センサにより検知された情報であって、監視者の心拍、脈拍、血圧、発汗量、呼吸、脳波、または筋電等を示す情報である。例えば、センサ装置２０は、人体に装着するタイプ（接触型ともいう）の生体センサであってよい。例えば、センサ装置２０は、頭部に装着するメガネ型、手首に装着する時計型、または、腕に装着するリストバンド型のウェアラブルデバイスであってよい。監視者は勤務時間中に常時センサ装置２０を装着する。また、接触型のセンサ装置２０は、加速度センサやジャイロセンサを搭載し、生体情報の一例として、監視者の様々な行動情報を取得してよい。例えば、センサ装置２０は、監視者の頭部動作をメガネ型のウェアラブルデバイスによって取得し、頭部動作の加速度から監視者の頭部ジェスチャを認識してよい。

なお、センサ装置２０は、非接触型のセンサであってもよい。例えば、センサ装置２０は、カメラまたはマイクロフォン等であってよい。例えば、センサ装置２０は、生体情報の一例として、カメラにより撮像された監視者の顔画像から脈拍間隔（脈拍と脈拍の時間間隔）を示す情報を検出してよい。また、センサ装置２０は、生体情報の一例として、マイクロフォンにより収音された監視者の音声情報を検出してよい。また、センサ装置２０は、以上説明した複数種類のセンサが複数個設けられていてもよい。また、センサ装置２０は、所定時間ごとに各監視者の生体情報を情報処理装置１００に対して送信する。

情報処理装置１００は、車載装置１０から要求情報を受信した場合、発生したイベントに対して、自動運転車に関するイベントを遠隔から監視する監視者（以下、「監視者」）を割り振る情報処理装置である。また、情報処理装置１００は、センサ装置２０から所定時間ごとに各監視者の生体情報を取得し、各監視者の生体情報の履歴を記憶する。

次に、図２を用いて、実施形態に係る情報処理の概要について説明する。図２は、実施形態に係る情報処理の概要を示す図である。図２で説明する情報処理は、情報処理装置１００によって実行される。

図２では、簡単のため、遠隔監視を行っている全ての監視者が、ベテランの監視者であるＡさん、初心者の監視者であるＢさん、および、初心者かつ心配性の監視者であるＣさんの３人である場合について説明する。なお、監視者の習熟度には、監視者の性格などの監視者のタイプが考慮されてよい。例えば、図２では、初心者かつ心配性の監視者であるＣさんの習熟度は、初心者の監視者であるＢさんの習熟度よりも低い。また、図２では、ベテランの監視者であるＡさんの習熟度は、初心者の監視者であるＢさんの習熟度よりも高い。以下では、Ｃさんの習熟度を「１」、Ｂさんの習熟度を「２」、Ａさんの習熟度を「３」として説明する。

まず、情報処理装置１００は、監視者によるイベントに対する処理の習熟度に基づいて、監視者による処理の対象となるイベントを監視者が処理することにより感じる疲労の度合いを示すイベント疲労度を推定する。ここで、同じイベントに関するイベント疲労度であっても、習熟度が低い監視者が感じるイベント疲労度は、習熟度が高い監視者が感じるイベント疲労度よりも大きいと推定される。そこで、情報処理装置１００は、学習対象の監視者の習熟度に応じて異なる複数の機械学習モデルを生成し、監視者の習熟度に応じた機械学習モデルを用いて、イベント疲労度を推定する。

また、イベント疲労度は、自動運転車の種類（車種）、自動運転車に搭載された自動運転システムの種類、イベントが発生した際に自動運転車が走行している道路の種類、および、イベントの種類に関する情報に応じて異なると推定される。例えば、自動運転システムの精度の高さに応じて、自動運転システムの種類に「高級」（精度が高い）、「中級」（精度が普通）、「低級」（精度が低い）の３種類がある場合、自動運転システムの種類が「低級」である場合に監視者が感じるイベント疲労度が最も大きく、自動運転システムの種類が「高級」である場合に監視者が感じるイベント疲労度が最も小さいと推定される。車種についても、自動運転システムの種類と同様に推定される。また、一般的に、私道を走行する際は、公道を走行する際よりも注意が必要なので、道路の種類が「公道」である場合に監視者が感じるイベント疲労度よりも、道路の種類が「私道」である場合に監視者が感じるイベント疲労度の方が大きいと推定される。また、対向車の接近（以下、「対向車接近」）、人の飛び出し（以下、「人飛び出し」）、または、目の前の車が急ブレーキで止まる（以下、「目の前の車の急ブレーキ」）といった種類のイベントへの対応は、注意地域の監視といった種類のイベントと比べると、監視者の負荷が高いと考えられる。そのため、対向車接近、人飛び出し、または、目の前の車の急ブレーキといった種類のイベントを処理する場合に監視者が感じるイベント疲労度は、注意地域の監視といった種類のイベントを処理する場合に監視者が感じるイベント疲労度よりも大きいと推定される。

そこで、情報処理装置１００は、自動運転車の種類（車種）、自動運転車に搭載された自動運転システムの種類、イベントが発生した際に自動運転車が走行している道路の種類、および、イベントの種類に関する情報に基づいて、総合的にイベント疲労度を推定する。具体的には、情報処理装置１００は、学習対象の自動運転車の車種、学習対象の自動運転車に搭載された自動運転システムの種類、学習対象のイベントが発生した際に自動運転車が走行している道路の種類、および、学習対象のイベントの種類に関する情報が入力情報として入力された場合に、学習対象のイベントに関するイベント疲労度を出力情報として出力するよう学習された機械学習モデルを用いて、イベント疲労度を推定する。

図２では、車両Ａ～Ｃは、それぞれ自動運転車の種類が異なる。また、自動運転システムＡ～Ｃは、それぞれ自動運転システムの種類が異なる。図２では、自動運転システムＡを搭載した車両Ａが私道を走行している際に対向車接近という種類のイベント（以下、第１イベント）が発生した。このとき、情報処理装置１００は、習熟度「１」の監視者に対応する機械学習モデルＭ３を用いて、習熟度「１」の監視者であるＣさんが第１イベントを処理することにより感じるイベント疲労度を「９」であると推定する。また、情報処理装置１００は、習熟度「２」の監視者に対応する機械学習モデルＭ２を用いて、習熟度「２」の監視者であるＢさんが第１イベントを処理することにより感じるイベント疲労度を「８」であると推定する。また、情報処理装置１００は、習熟度「３」の監視者に対応する機械学習モデルＭ１を用いて、習熟度「３」の監視者であるＡさんが第１イベントを処理することにより感じるイベント疲労度を「５」であると推定する。

また、図２では、自動運転システムＢを搭載した車両Ｂが公道を走行している際に人飛び出しという種類のイベント（以下、第２イベント）が発生した。このとき、情報処理装置１００は、習熟度「１」の監視者に対応する機械学習モデルＭ３を用いて、習熟度「１」の監視者であるＣさんが第２イベントを処理することにより感じるイベント疲労度を「３５」であると推定する。また、情報処理装置１００は、習熟度「２」の監視者に対応する機械学習モデルＭ２を用いて、習熟度「２」の監視者であるＢさんが第２イベントを処理することにより感じるイベント疲労度を「３０」であると推定する。また、情報処理装置１００は、習熟度「３」の監視者に対応する機械学習モデルＭ１を用いて、習熟度「３」の監視者であるＡさんが第２イベントを処理することにより感じるイベント疲労度を「２５」であると推定する。

また、図２では、自動運転システムＣを搭載した車両Ｃが公道を走行している際に目の前の車の急ブレーキという種類のイベント（以下、第３イベント）が発生した。このとき、情報処理装置１００は、習熟度「１」の監視者に対応する機械学習モデルＭ３を用いて、習熟度「１」の監視者であるＣさんが第３イベントを処理することにより感じるイベント疲労度を「２０」であると推定する。また、情報処理装置１００は、習熟度「２」の監視者に対応する機械学習モデルＭ２を用いて、習熟度「２」の監視者であるＢさんが第３イベントを処理することにより感じるイベント疲労度を「１８」であると推定する。また、情報処理装置１００は、習熟度「３」の監視者に対応する機械学習モデルＭ１を用いて、習熟度「３」の監視者であるＡさんが第３イベントを処理することにより感じるイベント疲労度を「１５」であると推定する。

続いて、情報処理装置１００は、遠隔監視を行っている全ての監視者の生体情報を取得し、各監視者の生体情報に基づいて、各監視者にとって許容できる疲労の度合いを示す許容疲労度を算出する。具体的には、情報処理装置１００は、イベント発生当日の各監視者の生体情報を取得して、各監視者の許容疲労度を算出する。ここで、各監視者の許容疲労度は、各監視者の個体差により、監視者ごとに異なると考えられる。

図２では、情報処理装置１００は、Ａさんの生体情報を取得し、Ａさんの生体情報に基づいて、Ａさんの許容疲労度を「３０」と算出する。また、情報処理装置１００は、Ｂさんの生体情報を取得し、Ｂさんの生体情報に基づいて、Ｂさんの許容疲労度を「２０」と算出する。また、情報処理装置１００は、Ｃさんの生体情報を取得し、Ｃさんの生体情報に基づいて、Ｃさんの許容疲労度を「１０」と算出する。

続いて、情報処理装置１００は、イベント疲労度および許容疲労度に基づいて、全ての監視者の中から処理対象のイベントの処理に割り当てる対象監視者を選択する。例えば、情報処理装置１００は、イベント疲労度よりも許容疲労度の方が大きい監視者を対象監視者として選択する。

図２では、情報処理装置１００は、第１イベントについては、監視者Ａ、Ｂ、Ｃそれぞれが第１イベントを処理することにより感じるイベント疲労度がそれぞれ「５」、「８」、「９」であり、監視者Ａ、Ｂ、Ｃそれぞれの許容疲労度がそれぞれ「３０」、「２０」、「１０」である。この場合、監視者Ａ、Ｂ、Ｃいずれの監視者についても、イベント疲労度よりも許容疲労度の方が大きいため、どの監視者を対象監視者として選択してもよい。しかしながら、監視者ＡおよびＢの許容疲労度は、第１イベントのイベント疲労度との差分が大きいため、監視者ＡおよびＢが第１イベントを処理すると、監視者ＡおよびＢは能力を持て余すことになる。そこで、情報処理装置１００は、監視者Ａ、Ｂ、Ｃのうち、イベント疲労度と許容疲労度との差分が最も小さい監視者Ｃを対象監視者として選択する。これにより、情報処理装置１００は、監視者の能力に応じたイベントを割り振ることができる。

また、図２では、情報処理装置１００は、第２イベントについては、監視者Ａ、Ｂ、Ｃそれぞれが第２イベントを処理することにより感じるイベント疲労度がそれぞれ「２５」、「３０」、「３５」であり、監視者Ａ、Ｂ、Ｃそれぞれの許容疲労度がそれぞれ「３０」、「２０」、「１０」である。この場合、監視者Ａ、Ｂ、Ｃのうち、イベント疲労度よりも許容疲労度の方が大きいのは、監視者Ａのみである。したがって、情報処理装置１００は、イベント疲労度「２５」よりも許容疲労度「３０」の方が大きい監視者Ａを対象監視者として選択する。

また、図２では、情報処理装置１００は、第３イベントについては、監視者Ａ、Ｂ、Ｃそれぞれが第３イベントを処理することにより感じるイベント疲労度がそれぞれ「１５」、「１８」、「２０」であり、監視者Ａ、Ｂ、Ｃそれぞれの許容疲労度がそれぞれ「３０」、「２０」、「１０」である。この場合、監視者Ａ、Ｂ、Ｃのうち、イベント疲労度よりも許容疲労度の方が大きいのは、監視者ＡおよびＢである。このとき、情報処理装置１００は、第１イベントの場合と同様に、監視者ＡおよびＢのうち、イベント疲労度と許容疲労度との差分が最も小さい監視者Ｂを対象監視者として選択する。

〔３．情報処理装置の構成〕
次に、図３を用いて、実施形態に係る情報処理装置１００の構成について説明する。図３は、実施形態に係る情報処理装置１００の構成例を示す図である。図３に示すように、情報処理装置１００は、通信部１１０と、記憶部１２０と、制御部１３０を有する。

（通信部１１０）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。通信部１１０は、ネットワークＮを介して車載装置１０と有線または無線で接続され、車載装置１０との間で情報の通信を司る通信インターフェイスである。

（記憶部１２０）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、又は、ハードディスク、光ディスク等の記憶装置によって実現される。記憶部１２０は、制御部１３０が実行するプログラム（情報処理プログラムの一例）、または、制御部１３０が処理するデータを記憶する。

また、図３に示すように、記憶部１２０は、イベント情報記憶部１２１と、生体情報記憶部１２２を有する。以下、これらに記憶される情報について順を追って説明する。

（イベント情報記憶部１２１）
イベント情報記憶部１２１は、自動運転システムでは判断できないような想定外の事態や状況など、監視者による判断等の対応が求められるイベント（以下、「処理対象のイベント」ともいう）に関する各種の情報を記憶する。ここで、図４を用いて、イベント情報記憶部１２１が記憶する情報の一例を説明する。図４は、実施形態に係るイベント情報記憶部に記憶される情報の一例を示す図である。

図４に示す例において、イベント情報記憶部１２１は、「道路ＩＤ」、「取得日時」、「処理結果」、「イベントの種類（１）」、「イベントの種類（２）」、「監視者」、「対象車種」、「道路種別」、「心拍数（ＨＲ）」、「自律神経（ＣＶＲＲ）」という項目に係る情報を紐付けて記憶する。

「道路ＩＤ」は、処理対象のイベントが発生した道路を識別する識別情報を示す。具体的には、「道路ＩＤ」は、全国の交通網における各リンクを識別する識別情報であってよい。「取得日時」は、受信部１３１が処理対象のイベントに対して監視者を割り当てるよう要求する要求情報を車載装置１０から受信した日時を示す。「処理結果」は、処理対象のイベントに対して割り当てられた監視者による処理対象のイベントの処理結果を示す。例えば、処理結果「×」は、監視者によるイベントの処理が失敗したことを示す。また、処理結果「○」は、監視者によるイベントの処理が成功したことを示す。「イベントの種類（１）」は、イベントの種類または内容を示す。「イベントの種類（２）」は、イベントの具体的な種類または内容を示す。「監視者」は、監視者に関する情報を示す。具体的には、「監視者」は、処理対象のイベントに対して割り当てられた監視者を識別する識別情報（例えば、監視者ＩＤや監視者の氏名など）と監視者の習熟度を識別可能な情報（例えば、習熟度の高さを示す数値など）とを対応付けた情報を示す。「対象車種」は、処理対象のイベントに関する要求情報を送信した車両の種類を示す。「道路種別」は、処理対象のイベントが発生した道路の種類を示す。

「心拍数（ＨＲ）」は、処理対象のイベントの処理前後における監視者の心拍数の変化量を示す。例えば、イベントの処理前後における監視者の心拍数の変化量が大きいことは、イベントの処理によって監視者が感じた疲労の度合いが大きいことを示す。一方、イベントの処理前後における監視者の心拍数の変化量が小さいことは、イベントの処理によって監視者が感じた疲労の度合いが小さいことを示す。「自律神経（ＣＶＲＲ）」は、処理対象のイベントの処理前後における監視者の心拍変動係数の変化量を示す。一般的に、心臓が拍動してから次に拍動するまでの時間間隔のことを心拍間隔と呼ぶ。心拍変動とは、心拍間隔の周期的な変動のことを指す。心拍変動は、自律神経の調整機能を示し指標であり、心拍変動が小さいことは、交感神経が優位であり、ストレスが大きい（つまり、疲労の度合いが大きい）ことを示す。一方、心拍変動が大きいことは、副交感神経が優位であり、ストレスが小さい（つまり、疲労の度合いが小さい）ことを示す。なお、心拍変動係数（ＣＶＲＲ）は、自律神経機能を検査するために用いられる生体情報である。例えば、イベントの処理前後における監視者の心拍変動係数の変化量が大きいことは、イベントの処理によって監視者が感じた疲労の度合いが大きいことを示す。一方、イベントの処理前後における監視者の心拍変動係数の変化量が小さいことは、イベントの処理によって監視者が感じた疲労の度合いが小さいことを示す。

なお、イベント情報記憶部１２１に記憶される情報は、「道路ＩＤ」、「取得日時」、「処理結果」、「イベントの種類（１）」、「イベントの種類（２）」、「監視者」、「対象車種」、「道路種別」、「心拍数（ＨＲ）」、「自律神経（ＣＶＲＲ）」という項目に係る情報に限定されるものではなく、その他の任意の処理対象のイベントに関する情報が記憶されてよい。

（生体情報記憶部１２２）
生体情報記憶部１２２は、監視者の生体情報に関する各種の情報を記憶する。生体情報記憶部１２２は、監視者の生体情報の履歴を記憶する。ここで、図５を用いて、生体情報記憶部１２２が記憶する情報の一例を説明する。図５は、実施形態に係る生体情報記憶部に記憶される情報の一例を示す図である。

図５に示す例において、生体情報記憶部１２２は、「取得日時」、「監視者」、「心拍数（ＨＲ）」、「自律神経（ＣＶＲＲ）」という項目に係る情報を紐付けて記憶する。

「取得日時」は、監視者の生体情報を取得した日時を示す。「監視者」は、監視者を識別する識別情報を示す。「心拍数（ＨＲ）」は、取得日時における監視者の心拍数を示す。「自律神経（ＣＶＲＲ）」は、取得日時における監視者の心拍変動係数を示す。

なお、生体情報記憶部１２２に記憶される情報は、「取得日時」、「監視者」、「心拍数（ＨＲ）」、「自律神経（ＣＶＲＲ）」という項目に係る情報に限定されるものではなく、その他の任意の監視者の生体情報に関する情報が記憶されてよい。

（制御部１３０）
制御部１３０は、コントローラ（Controller）であり、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等によって、情報処理装置１００の内部の記憶装置に記憶されている各種プログラム（情報処理プログラムの一例に相当）がＲＡＭ等の記憶領域を作業領域として実行されることにより実現される。図３に示す例では、制御部１３０は、受信部１３１と、推定部１３２と、算出部１３３と、選択部１３４と、計画部１３５とを有する。

以下では、図６を用いて、実施形態に係る情報処理の詳細について説明する。図６は、実施形態に係る情報処理の詳細を示す図である。なお、図６に示す３人の監視者Ａ～Ｃは、図２に示す３人の監視者Ａ～Ｃと同じ監視者である。

（受信部１３１）
受信部１３１は、処理対象のイベントに対して監視者を割り当てるよう要求する要求情報を車載装置１０から受信する。図６に示す例では、受信部１３１は、注意すべき箇所を走行する際の監視（以下「注意地域の監視」）を行う監視者を割り当てるよう要求する要求情報を車両Ｖ１に搭載された車載装置１０－１から受信する（ステップＳ１－１）。また、受信部１３１は、図２で説明した第２イベントに対して監視者を割り当てるよう要求する要求情報を車両Ｖ２に搭載された車載装置１０－２から受信する（ステップＳ１－２）。

また、受信部１３１は、センサ装置２０から所定時間ごとに各監視者の生体情報を取得する。例えば、受信部１３１は、センサ装置２０が接触型である場合は、各監視者によって装着された各センサ装置２０から所定時間ごとに各監視者の生体情報を取得する。また、受信部１３１は、センサ装置２０が非接触型である場合は、各監視者を識別した上で、各監視者の生体情報を取得する。例えば、受信部１３１は、センサ装置２０がカメラである場合には、公知の顔認証技術を用いて、複数の監視者が撮像された画像から、各監視者の顔を識別してよい。また、受信部１３１は、センサ装置２０がマイクロフォンである場合には、公知の音声認識技術を用いて、各監視者の音声を識別してよい。受信部１３１は、各監視者の生体情報を取得すると、各監視者を識別可能な情報および各監視者の習熟度を示す情報と、各監視者の生体情報とを対応付けて生体情報記憶部１２２に格納する。図６に示す例では、受信部１３１は、センサ装置２０が接触型であり、監視者Ａによって装着されたセンサ装置２０－Ａから監視者Ａの心拍数を示す情報を取得する。また、受信部１３１は、監視者Ｂによって装着されたセンサ装置２０－Ｂから監視者Ｂの心拍数を示す情報を取得する。また、受信部１３１は、監視者Ｃによって装着されたセンサ装置２０－Ｃから監視者Ｃの心拍数を示す情報を取得する。

（推定部１３２）
推定部１３２は、受信部１３１によって要求情報が受信された場合、自動運転車に関するイベントを遠隔から監視する監視者によるイベントに対する処理の習熟度に基づいて、監視者が処理対象のイベントを処理することにより感じる疲労の度合いを示すイベント疲労度を推定する。具体的には、推定部１３２は、学習対象の自動運転車の車種、学習対象の自動運転車に搭載された自動運転システムの種類、学習対象のイベントが発生した際に自動運転車が走行している道路の種類、および、学習対象のイベントの種類に関する情報が入力情報として入力された場合に、学習対象のイベントに関するイベント疲労度を出力情報として出力するよう学習された機械学習モデルを用いて、イベント疲労度を推定する。より具体的には、推定部１３２は、学習対象の監視者の習熟度に応じて異なる複数の機械学習モデルを生成し、監視者の習熟度に応じた機械学習モデルを用いて、イベント疲労度を推定する。

図６に示す例では、推定部１３２は、習熟度「３」、習熟度「２」、および、習熟度「１」それぞれに対応する機械学習モデルＭ１～Ｍ３それぞれを生成する。例えば、推定部１３２は、イベント情報記憶部１２１を参照して、習熟度「３」の監視者に割り当てられたイベントに紐づいた自動運転車の車種、自動運転車に搭載された自動運転システムの種類、イベントが発生した際に自動運転車が走行している道路の種類、および、イベントの種類に関する情報を入力情報として機械学習モデルＭ１に入力した場合に、習熟度「３」の監視者に割り当てられたイベントに紐づいた監視者の心拍数の変化量を出力情報として出力するよう機械学習モデルＭ１を学習させる。ここで、監視者の心拍数の変化量は、イベント疲労度に対応する。なお、推定部１３２は、心拍数の変化量の代わりに、心拍変動係数（ＣＶＲＲ）の変化量を出力情報として出力するよう機械学習モデルＭ１を学習させてもよい。この場合、心拍変動係数（ＣＶＲＲ）の変化量が、イベント疲労度に対応する。また、推定部１３２は、心拍数の変化量および心拍変動係数（ＣＶＲＲ）の変化量に基づくスコアを算出してもよい。この場合、推定部１３２は、心拍数の変化量の代わりに、算出したスコアを出力情報として出力するよう機械学習モデルＭ１を学習させてもよい。この場合、算出したスコアが、イベント疲労度に対応する。このようにして、推定部１３２は、習熟度「３」に対応する機械学習モデルＭ１を生成する。同様にして、推定部１３２は、習熟度「２」に対応する機械学習モデルＭ２、および、習熟度「１」に対応する機械学習モデルＭ３を生成する。

なお、図６では、推定部１３２が、心拍数の変化量または心拍変動係数の変化量に基づいて、イベント疲労度を推定する場合について説明したが、推定部１３２は、心拍数の変化量および心拍変動係数の変化量以外の生体情報に基づいて、イベント疲労度を推定してもよい。例えば、推定部１３２は、カメラで撮影した監視者の顔画像から脈拍間隔（脈拍と脈拍の時間間隔）を検出する。続いて、推定部１３２は、脈拍間隔の時系列データを周波数解析することにより、自律神経機能の状態を表す指標を算出してもよい。例えば、推定部１３２は、自律神経機能の状態を表す指標として、ＬＦ（交感神経の活動を反映）、ＨＦ（副交感神経の活動を反映）、および、ＬＦ／ＨＦ（交感神経と副交感神経のバランスを反映）の値を算出する。続いて、推定部１３２は、心拍数の変化量または心拍変動係数の変化量を出力情報として出力する代わりに、自律神経機能の状態を表す指標（例えば、ＬＦ／ＨＦ）を出力情報として出力するよう各習熟度に対応する機械学習モデルを学習させてもよい。この場合、ＬＦ／ＨＦの値が、イベント疲労度に対応する。例えば、ＬＦ／ＨＦの値が大きいことは、イベントの処理によって監視者が感じた疲労の度合いが大きいことを示す。一方、ＬＦ／ＨＦの値が小さいことは、イベントの処理によって監視者が感じた疲労の度合いが小さいことを示す。

また、図６では、監視者の習熟度が習熟度「１」～習熟度「３」の３段階である場合について説明したが、監視者の習熟度は、２段階であってもよいし、４段階以上であってもよい。例えば、推定部１３２は、監視者の習熟度が「初心者」と「ベテラン」の２段階である場合は、監視者の習熟度「初心者」および監視者の習熟度「ベテラン」それぞれに対応する２種類の機械学習モデルを生成してよい。また、推定部１３２は、監視者の習熟度が習熟度「１」～習熟度「５」の５段階である場合には、監視者の習熟度「１」～習熟度「５」それぞれに対応する５種類の機械学習モデルを生成してよい。

また、推定部１３２は、自動運転車の車種、自動運転車に搭載された自動運転システムの種類、イベントが発生した際に自動運転車が走行している道路の種類、および、イベントの種類に関する情報に基づいて、イベント疲労度を推定する。

図６に示す例では、推定部１３２は、機械学習モデルＭ１を用いて、監視者Ａの受信部１３１が受信した注意地域の監視に関するイベント疲労度を推定する。例えば、推定部１３２は、監視者Ａの受信部１３１が受信した注意地域の監視に関する自動運転車の車種、自動運転車に搭載された自動運転システムの種類、イベントが発生した際に自動運転車が走行している道路の種類、および、イベントの種類に関する情報を入力情報として機械学習モデルＭ１に入力することで、監視者Ａのイベント疲労度を推定する。同様にして、推定部１３２は、機械学習モデルＭ２を用いて、監視者Ｂの注意地域の監視に関するイベント疲労度を推定する。また、推定部１３２は、機械学習モデルＭ３を用いて、監視者Ｃの注意地域の監視に関するイベント疲労度を推定する（ステップＳ２－１）。

また、推定部１３２は、機械学習モデルＭ１を用いて、監視者Ａの受信部１３１が受信した第２イベントに関するイベント疲労度を推定する。例えば、推定部１３２は、監視者Ａの受信部１３１が受信した第２イベントに関する自動運転車の車種、自動運転車に搭載された自動運転システムの種類、イベントが発生した際に自動運転車が走行している道路の種類、および、イベントの種類に関する情報を入力情報として機械学習モデルＭ１に入力することで、監視者Ａのイベント疲労度を推定する。同様にして、推定部１３２は、機械学習モデルＭ２を用いて、監視者Ｂの第２イベントに関するイベント疲労度を推定する。また、推定部１３２は、機械学習モデルＭ３を用いて、監視者Ｃの第２イベントに関するイベント疲労度を推定する（ステップＳ２－２）。

（算出部１３３）
算出部１３３は、受信部１３１によって要求情報が受信された場合、監視者の生体情報に基づいて、監視者にとって許容できる疲労の度合いを示す許容疲労度を算出する。具体的には、算出部１３３は、監視者が過去に処理したイベントの処理実績に基づいて、監視者の一日の最大許容疲労度を算出する。例えば、算出部１３３は、イベント情報記憶部１２１を参照して、各監視者が一日に処理したイベントに関するイベント疲労度の合計の平均を算出する。続いて、算出部１３３は、算出した平均を各監視者の一日の最大許容疲労度とする。

続いて、算出部１３３は、処理対象のイベントの発生日に監視者が処理対象のイベントの発生時点までに処理した各イベントのイベント疲労度の合計を算出する。続いて、算出部１３３は、処理対象のイベントの発生日におけるイベント疲労度の合計を最大許容疲労度から減算することで、許容疲労度を算出する（ステップＳ３－１、３－２）。

（選択部１３４）
選択部１３４は、イベント疲労度および許容疲労度に基づいて、監視者の中から処理対象のイベントの処理に割り当てる対象監視者を選択する（ステップＳ４－１、４－２）。具体的には、選択部１３４は、イベント疲労度よりも許容疲労度の方が大きい監視者を対象監視者として選択する。また、選択部１３４は、イベント疲労度よりも許容疲労度の方が大きい監視者が複数存在する場合は、イベント疲労度と許容疲労度との差分が最も小さい監視者を対象監視者として選択する。

（計画部１３５）
計画部１３５は、過去に処理されたイベントの処理実績における監視者の処理結果を示す情報に基づいて、各地域における監視者の割り当て計画を作成する。具体的には、計画部１３５は、監視者の処理結果を示す情報のうち、各地域におけるイベントの処理の失敗を示す情報の割合が所定の閾値を下回るように、各地域における監視者の割り当て計画を作成する（ステップＳ５）。

〔４．効果〕
上述してきたように、実施形態に係る情報処理装置１００は、推定部１３２と算出部１３３と選択部１３４とを備える。推定部１３２は、自動運転車に関するイベントを遠隔から監視する監視者によるイベントに対する処理の習熟度に基づいて、監視者が処理対象のイベントを処理することにより感じる疲労の度合いを示すイベント疲労度を推定する。算出部１３３は、監視者の生体情報に基づいて、監視者にとって許容できる疲労の度合いを示す許容疲労度を算出する。選択部１３４は、イベント疲労度および許容疲労度に基づいて、監視者の中から処理対象のイベントの処理に割り当てる対象監視者を選択する。

一般的に、自動運転システムでは判断できないような想定外の事態や状況など、監視者による判断等の対応が求められるイベント（以下、「処理対象のイベント」と記載する場合がある）を監視者が処理することにより感じる疲労の度合い（以下、「イベント疲労度」）は、監視者による処理対象のイベントに対する処理の習熟度に応じて異なると考えられる。また、監視者にとって許容できる疲労の度合い（以下、「許容疲労度」）は、処理対象のイベントの発生当日におけるイベントの発生時点までに各監視者が処理したイベントの件数やイベント種類、および、各監視者の個体差により、監視者ごとに異なると考えられる。これに対し、情報処理装置１００は、各監視者の習熟度に応じたイベント疲労度に基づいて、例えば、監視者の許容疲労度がイベント疲労度を上回らないような監視者を選択して、処理対象のイベントに割り当てることができる。これにより、情報処理装置１００は、各監視者に対して、各監視者が疲労しすぎないイベントを割り当てることができるので、監視者の監視負担を軽減することを可能とすることができる。また、情報処理装置１００は、各監視者に対して、各監視者が疲労しすぎないイベントを割り当てることができるので、監視者によるイベントの処理結果に関する成功率を向上させることができる。したがって、情報処理装置１００は、処理対象のイベントが発生した際に、処理対象のイベントに対して、全ての監視者の中から最適な監視者を選択して割り当てることができる。

また、選択部１３４は、イベント疲労度よりも許容疲労度の方が大きい監視者を対象監視者として選択する。

これにより、情報処理装置１００は、各監視者に対して、各監視者が疲労しすぎないイベントを割り当てることができるので、監視者の監視負担を軽減することを可能とすることができる。また、情報処理装置１００は、各監視者に対して、各監視者が疲労しすぎないイベントを割り当てることができるので、監視者によるイベントの処理結果に関する成功率を向上させることができる。

また、推定部１３２は、自動運転車の車種、自動運転車に搭載された自動運転システムの種類、イベントが発生した際に自動運転車が走行している道路の種類、または、イベントの種類に関する情報のうち少なくともいずれか１つに基づいて、イベント疲労度を推定する。

これにより、情報処理装置１００は、イベント疲労度の推定精度を向上させることができる。

また、推定部１３２は、学習対象の自動運転車の車種、学習対象の自動運転車に搭載された自動運転システムの種類、学習対象のイベントが発生した際に自動運転車が走行している道路の種類、または、学習対象のイベントの種類に関する情報のうち少なくともいずれか１つが入力情報として入力された場合に、学習対象のイベントに関するイベント疲労度を出力情報として出力するよう学習された機械学習モデルを用いて、イベント疲労度を推定する。

これにより、情報処理装置１００は、イベント疲労度の推定精度を向上させることができる。

また、推定部１３２は、学習対象の監視者の習熟度に応じて異なる複数の機械学習モデルを生成し、監視者の習熟度に応じた機械学習モデルを用いて、イベント疲労度を推定する。

上述したように、イベント疲労度は、監視者による処理対象のイベントに対する処理の習熟度に応じて異なると考えられる。これにより、情報処理装置１００は、イベント疲労度の推定精度をさらに向上させることができる。

また、算出部１３３は、監視者が過去に処理したイベントの処理実績に基づいて、監視者の一日の最大許容疲労度を算出し、処理対象のイベントの発生日に監視者が処理対象のイベントの発生時点までに処理した各イベントのイベント疲労度の合計を最大許容疲労度から減算することで、許容疲労度を算出する。

これにより、情報処理装置１００は、処理対象のイベントの発生当日に監視者が処理したイベントの件数や種類、および、監視者の個体差を考慮した上で、許容疲労度を算出することができるため、監視者に応じた許容疲労度を精度よく算出することができる。

また、算出部１３３は、監視者の生体情報として、監視者の心拍数または自律神経に関する情報に基づいて、許容疲労度を算出する。

一般的に、生体情報は、個体差を反映すると考えられる。また、心拍数または自律神経に関する情報は、人間の疲労の度合いを精度よく反映する生体情報として知られている。これにより、情報処理装置１００は、監視者に応じた許容疲労度を精度よく算出することができる。

また、情報処理装置１００は、計画部１３５をさらに備える。計画部１３５は、過去に処理されたイベントの処理実績における監視者の処理結果を示す情報に基づいて、各地域における監視者の割り当て計画を作成する。

これにより、情報処理装置１００は、例えば、監視者の処理結果を示す情報のうち、各地域におけるイベントの処理の失敗を示す情報の割合が少なくなるように（または、各地域におけるイベントの処理の成功を示す情報の割合が多くなるように）各地域における監視者の割り当て計画を作成することができる。したがって、情報処理装置１００は、各地域におけるイベントの処理結果に関する失敗率を低下させる（つまり、成功率を向上させる）ことができる。

また、計画部１３５は、監視者の処理結果を示す情報のうち、各地域におけるイベントの処理の失敗を示す情報の割合が所定の閾値を下回るように、各地域における監視者の割り当て計画を作成する。

これにより、情報処理装置１００は、各地域におけるイベントの処理結果に関する失敗率を低下させる（つまり、成功率を向上させる）ことができる。

〔５．ハードウェア構成〕
また、上述してきた実施形態に係る情報処理装置１００等の情報処理装置は、例えば図７に示すような構成のコンピュータ１０００によって実現される。以下、実施形態に係る情報処理装置１００を例に挙げて説明する。図７は、情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を備える。

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、所定の通信網を介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータを所定の通信網を介して他の機器へ送信する。

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

例えば、コンピュータ１０００が実施形態に係る情報処理装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置から所定の通信網を介してこれらのプログラムを取得してもよい。

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

〔６．その他〕
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

１ 情報処理システム
１０ 車載装置
２０ センサ装置
１００ 情報処理装置
１１０ 通信部
１２０ 記憶部
１２１ イベント情報記憶部
１２２ 生体情報記憶部
１３０ 制御部
１３１ 受信部
１３２ 推定部
１３３ 算出部
１３４ 選択部
１３５ 計画部

Claims (10)

1. 自動運転車に関するイベントを遠隔から監視する監視者による前記イベントに対する処理の習熟度に基づいて、前記監視者が処理対象のイベントを処理することにより感じる疲労の度合いを示すイベント疲労度を推定する推定部と、
   前記監視者の生体情報に基づいて、前記監視者にとって許容できる疲労の度合いを示す許容疲労度を算出する算出部と、
   前記イベント疲労度および前記許容疲労度に基づいて、前記監視者の中から前記処理対象のイベントの処理に割り当てる対象監視者を選択する選択部と、
   を備える情報処理装置。
2. 前記選択部は、
   前記イベント疲労度よりも前記許容疲労度の方が大きい前記監視者を前記対象監視者として選択する、
   請求項１に記載の情報処理装置。
3. 前記推定部は、
   前記自動運転車の車種、前記自動運転車に搭載された自動運転システムの種類、前記イベントが発生した際に前記自動運転車が走行している道路の種類、または、前記イベントの種類に関する情報のうち少なくともいずれか１つに基づいて、前記イベント疲労度を推定する、
   請求項１に記載の情報処理装置。
4. 前記推定部は、
   学習対象の自動運転車の車種、学習対象の自動運転車に搭載された自動運転システムの種類、学習対象のイベントが発生した際に自動運転車が走行している道路の種類、または、学習対象のイベントの種類に関する情報のうち少なくともいずれか１つが入力情報として入力された場合に、学習対象のイベントに関するイベント疲労度を出力情報として出力するよう学習された機械学習モデルを用いて、前記イベント疲労度を推定する、
   請求項３に記載の情報処理装置。
5. 前記推定部は、
   学習対象の監視者の習熟度に応じて異なる複数の前記機械学習モデルを生成し、前記監視者の習熟度に応じた前記機械学習モデルを用いて、前記イベント疲労度を推定する、
   請求項４に記載の情報処理装置。
6. 前記算出部は、
   前記監視者が過去に処理したイベントの処理実績に基づいて、前記監視者の一日の最大許容疲労度を算出し、前記処理対象のイベントの発生日に前記監視者が前記処理対象のイベントの発生時点までに処理した各イベントのイベント疲労度の合計を前記最大許容疲労度から減算することで、前記許容疲労度を算出する、
   請求項１に記載の情報処理装置。
7. 前記算出部は、
   前記監視者の生体情報として、前記監視者の心拍数または自律神経に関する情報に基づいて、前記許容疲労度を算出する、
   請求項１に記載の情報処理装置。
8. 過去に処理されたイベントの処理実績における監視者の処理結果を示す情報に基づいて、各地域における監視者の割り当て計画を作成する計画部をさらに備える、
   請求項１に記載の情報処理装置。
9. 情報処理装置が実行するプログラムにより実現される情報処理方法であって、
   自動運転車に関するイベントを遠隔から監視する監視者による前記イベントに対する処理の習熟度に基づいて、前記監視者が処理対象のイベントを処理することにより感じる疲労の度合いを示すイベント疲労度を推定する推定工程と、
   前記監視者の生体情報に基づいて、前記監視者にとって許容できる疲労の度合いを示す許容疲労度を算出する算出工程と、
   前記イベント疲労度および前記許容疲労度に基づいて、前記監視者の中から前記処理対象のイベントの処理に割り当てる対象監視者を選択する選択工程と、
   を含む情報処理方法。
10. 自動運転車に関するイベントを遠隔から監視する監視者による前記イベントに対する処理の習熟度に基づいて、前記監視者が処理対象のイベントを処理することにより感じる疲労の度合いを示すイベント疲労度を推定する推定手順と、
    前記監視者の生体情報に基づいて、前記監視者にとって許容できる疲労の度合いを示す許容疲労度を算出する算出手順と、
    前記イベント疲労度および前記許容疲労度に基づいて、前記監視者の中から前記処理対象のイベントの処理に割り当てる対象監視者を選択する選択手順と、
    をコンピュータに実行させる情報処理プログラム。

Images