JP7437241B2 - 運行支援方法、運行支援システム及び運行支援サーバ - Google Patents
運行支援方法、運行支援システム及び運行支援サーバ Download PDFInfo
- Publication number
- JP7437241B2 JP7437241B2 JP2020100060A JP2020100060A JP7437241B2 JP 7437241 B2 JP7437241 B2 JP 7437241B2 JP 2020100060 A JP2020100060 A JP 2020100060A JP 2020100060 A JP2020100060 A JP 2020100060A JP 7437241 B2 JP7437241 B2 JP 7437241B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- accident risk
- vehicle
- biometric
- driver
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 45
- 238000013058 risk prediction model Methods 0.000 claims description 60
- 210000000467 autonomic pathway Anatomy 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 31
- 238000010801 machine learning Methods 0.000 claims description 23
- 238000010183 spectrum analysis Methods 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 25
- 230000007613 environmental effect Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 238000013480 data collection Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 230000001133 acceleration Effects 0.000 description 11
- 206010039203 Road traffic accident Diseases 0.000 description 9
- 210000005037 parasympathetic nerve Anatomy 0.000 description 9
- 230000003595 spectral effect Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000008035 nerve activity Effects 0.000 description 5
- 230000002889 sympathetic effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 210000003403 autonomic nervous system Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 230000035790 physiological processes and functions Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Description
図2は、運行支援システムで行われる処理の概要を示す図である。まず、事故リスク定義生成部32が、予め設定された危険発生データ45と、過去に収集した車載センサデータ40-m1を入力して、危険が発生する確率を事故リスクとして推定する事故リスク定義モデル48を生成する(S1)。なお、事故リスク定義モデル48は、車両7の走行状態を示す車載センサデータ40-m2を入力として危険が発生する確率を推定する。
次に、運行支援システムで使用する各データについて説明する。
次に、運行支援システムで行われる処理について説明する。
以上のように、上記実施例の運行支援方法は、以下のような構成とすることができる。
なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に記載したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加、削除、又は置換のいずれもが、単独で、又は組み合わせても適用可能である。
2 プロセッサ
3 メモリ
4 ストレージ装置
7 車両
8 車載センサ
12 生体センサ
31 生体指標計算部
32 事故リスク定義生成部
33 事故リスク予測モデル生成部
34 予測モデル選択部
35 事故リスク予測部
36 事故リスク報知部
40 車載センサデータ
41 生体センサデータ
42 業務データ
43 事故リスク予測モデル
44 事故リスク予測データ
45 危険発生データ
46 生体指標データ
47 環境データ
48 事故リスク定義モデル
50 事故リスク推定データ
Claims (15)
- プロセッサとメモリを有する計算機が、車両の運行を支援する運行支援方法であって、
過去に収集した車両の走行状態を示す第1の車載センサデータと、前記第1の車載センサデータから危険が発生した情報を予め設定した危険発生データと、を入力として、機械学習によって危険が発生する確率を事故リスクとして推定する事故リスク定義モデルを生成する第1のステップと、
過去に収集した車両の走行状態を示す第2の車載センサデータを前記事故リスク定義モデルへ入力して、危険が発生する確率を推定して事故リスク推定データを生成する第2のステップと、
前記第2の車載センサデータを収集したときの運転者の生体データから予め算出した第1の生体指標データと、前記事故リスク推定データと、を入力として、所定時間後の事故リスクを予測する事故リスク予測モデルを機械学習によって生成する第3のステップと、
車両を運転中の運転者の生体データを取得して、前記生体データから前記運転者の状態を示す第2の生体指標データを算出する第4のステップと、
前記事故リスク予測モデルに前記第2の生体指標データを入力して、前記所定時間後の事故リスクを予測する第5のステップと、
を含み、
前記第4のステップは、
前記生体データとして前記運転者の心拍データを取得するステップと、
前記心拍データから当該心拍データのR波の間隔であるRRIを算出して心拍変動時系列データを生成するステップと、
前記心拍変動時系列データの周波数スペクトル解析を行うステップと、
前記周波数スペクトル解析の結果からパワースペクトル密度の低周波成分の強度と、高周波成分の強度の和を自律神経トータルパワーとして算出して生体指標データとするステップと、
を含むことを特徴とする運行支援方法。 - 請求項1に記載の運行支援方法であって、
前記所定時間後の事故リスクの予測値が予め設定された閾値以上の場合にはアラートを生成して出力する第6のステップを、さらに含むことを特徴とする運行支援方法。 - 請求項1に記載の運行支援方法であって、
前記第5のステップは、
前記事故リスク予測モデルに前記パワースペクトル密度の低周波成分の強度と高周波成分の強度を入力し、前記事故リスク予測モデルが前記運転者の状態を示す解釈データを出力することを特徴とする運行支援方法。 - 請求項2に記載の運行支援方法であって、
前記第6のステップは、
前記車両の位置情報を取得して、前記車両の位置情報と前記運転者の状態を示す情報とを表示する画面を出力することを特徴とする運行支援方法。 - プロセッサとメモリを有するサーバと、
走行状態を検出する車載センサと、運転者の生体データを検出する生体センサを有する車両と、を含んで前記車両の運行を支援する運行支援システムであって、
前記サーバは、
過去に収集した車両の走行状態を示す第1の車載センサデータと、前記第1の車載センサデータから危険が発生した情報を予め設定した危険発生データと、を入力として、機械学習によって危険が発生する確率を事故リスクとして推定する事故リスク定義モデルを生成し、過去に収集した車両の走行状態を示す第2の車載センサデータを前記事故リスク定義モデルへ入力して、危険が発生する確率を推定して事故リスク推定データを生成する事故リスク定義生成部と、
前記第2の車載センサデータを収集したときの運転者の生体データから予め算出した第1の生体指標データと、前記事故リスク推定データと、を入力として、所定時間後の事故リスクを予測する事故リスク予測モデルを機械学習によって生成する事故リスク予測モデル生成部と、
前記車両の前記生体センサから運転中の前記運転者の生体データを取得して、前記生体データから前記運転者の状態を示す第2の生体指標データを算出する生体指標計算部と、
前記事故リスク予測モデルに前記第2の生体指標データを入力して、前記所定時間後の事故リスクを予測する事故リスク予測部と、
を有し、
前記生体指標計算部は、前記生体データとして前記運転者の心拍データを取得し、前記心拍データから当該心拍データのR波の間隔であるRRIを算出して心拍変動時系列データを生成し、前記心拍変動時系列データの周波数スペクトル解析を行い、前記周波数スペクトル解析の結果からパワースペクトル密度の低周波成分の強度と、高周波成分の強度の和を自律神経トータルパワーとして算出して生体指標データとすることを特徴とする運行支援システム。 - 請求項5に記載の運行支援システムであって、
前記所定時間後の事故リスクの予測値が予め設定された閾値以上の場合にはアラートを生成して出力する事故リスク報知部を、さらに有することを特徴とする運行支援システム。 - 請求項6に記載の運行支援システムであって、
前記事故リスク予測部は、
前記事故リスク予測モデルに前記パワースペクトル密度の低周波成分の強度と高周波成分の強度を入力し、前記事故リスク予測モデルが前記運転者の状態を示す解釈データを出力することを特徴とする運行支援システム。 - 請求項6に記載の運行支援システムであって、
前記事故リスク報知部は、
前記車両の車載センサから位置情報を取得して、前記車両の位置情報と前記運転者の状態を示す情報とを表示する画面を出力することを特徴とする運行支援システム。 - プロセッサとメモリを有して、車両の運行を支援する運行支援サーバであって、
過去に収集した車両の走行状態を示す第1の車載センサデータと、前記第1の車載センサデータから危険が発生した情報を予め設定した危険発生データと、を入力として、機械学習によって危険が発生する確率を事故リスクとして推定する事故リスク定義モデルを生成し、過去に収集した車両の走行状態を示す第2の車載センサデータを前記事故リスク定義モデルへ入力して、危険が発生する確率を推定して事故リスク推定データを生成する事故リスク定義モデル生成部と、
前記第2の車載センサデータを収集したときの運転者の生体データから予め算出した第1の生体指標データと、前記事故リスク推定データと、を入力として所定時間後の事故リスクを予測する事故リスク予測モデルを機械学習によって生成する事故リスク予測モデル生成部と、
前記車両を運転中の前記運転者の生体データを取得して、前記生体データから前記運転者の状態を示す第2の生体指標データを算出する生体指標計算部と、
前記事故リスク予測モデルに前記第2の生体指標データを入力して、前記所定時間後の事故リスクを予測する事故リスク予測部と、
を有し、
前記生体指標計算部は、前記生体データとして前記運転者の心拍データを取得し、前記心拍データから当該心拍データのR波の間隔であるRRIを算出して心拍変動時系列データを生成し、前記心拍変動時系列データの周波数スペクトル解析を行い、前記周波数スペクトル解析の結果からパワースペクトル密度の低周波成分の強度と、高周波成分の強度の和を自律神経トータルパワーとして算出して生体指標データとすることを特徴とする運行支援サーバ。 - 請求項9に記載の運行支援サーバであって、
前記所定時間後の事故リスクの予測値が予め設定された閾値以上の場合にはアラートを生成して出力する事故リスク報知部を、さらに有することを特徴とする運行支援サーバ。 - 請求項9に記載の運行支援サーバであって、
前記事故リスク予測部は、
前記事故リスク予測モデルに前記パワースペクトル密度の低周波成分の強度と高周波成分の強度を入力し、前記事故リスク予測モデルが前記運転者の状態を示す解釈データを出力することを特徴とする運行支援サーバ。 - 請求項10に記載の運行支援サーバであって、
前記事故リスク報知部は、
前記車両の車載センサから位置情報を取得して、前記車両の位置情報と前記運転者の状態を示す情報とを表示する画面を出力することを特徴とする運行支援サーバ。 - プロセッサとメモリを有する計算機が、車両の運行を支援する運行支援方法であって、
過去に収集した車両の走行状態を示す第1の車載センサデータと、前記第1の車載センサデータから危険が発生した情報を予め設定した危険発生データと、を入力として、機械学習によって危険が発生する確率を事故リスクとして推定する事故リスク定義モデルを生成する第1のステップと、
過去に収集した車両の走行状態を示す第2の車載センサデータを前記事故リスク定義モデルへ入力して、危険が発生する確率を推定して事故リスク推定データを生成する第2のステップと、
前記第2の車載センサデータを収集したときの運転者の生体データから予め算出した第1の生体指標データと、前記事故リスク推定データと、を入力として、所定時間後の事故リスクを予測する事故リスク予測モデルを機械学習によって生成する第3のステップと、
車両を運転中の運転者の生体データを取得して、前記生体データから前記運転者の状態を示す第2の生体指標データを算出する第4のステップと、
前記事故リスク予測モデルに前記第2の生体指標データを入力して、前記所定時間後の事故リスクを予測する第5のステップと、
を含み、
前記第4のステップは、
前記生体データとして前記運転者の心拍データを取得するステップと、
前記心拍データから当該心拍データのR波の間隔であるRRIを算出して心拍変動時系列データを生成するステップと、
前記心拍変動時系列データについて隣接するRRIの差分値を算出して差分系列ΔRRI(t)を生成するステップと、
前記差分系列ΔRRI(t)から前記差分値が所定値XXmsec以上になる差分値の総数を自律神経NNXXとして算出して生体指標データとするステップと、
を含むことを特徴とする運行支援方法。 - プロセッサとメモリを有するサーバと、
走行状態を検出する車載センサと、運転者の生体データを検出する生体センサを有する車両と、を含んで前記車両の運行を支援する運行支援システムであって、
前記サーバは、
過去に収集した車両の走行状態を示す第1の車載センサデータと、前記第1の車載センサデータから危険が発生した情報を予め設定した危険発生データと、を入力として、機械学習によって危険が発生する確率を事故リスクとして推定する事故リスク定義モデルを生成し、過去に収集した車両の走行状態を示す第2の車載センサデータを前記事故リスク定義モデルへ入力して、危険が発生する確率を推定して事故リスク推定データを生成する事故リスク定義生成部と、
前記第2の車載センサデータを収集したときの運転者の生体データから予め算出した第1の生体指標データと、前記事故リスク推定データと、を入力として、所定時間後の事故リスクを予測する事故リスク予測モデルを機械学習によって生成する事故リスク予測モデル生成部と、
前記車両の前記生体センサから運転中の前記運転者の生体データを取得して、前記生体データから前記運転者の状態を示す第2の生体指標データを算出する生体指標計算部と、
前記事故リスク予測モデルに前記第2の生体指標データを入力して、前記所定時間後の事故リスクを予測する事故リスク予測部と、
を有し、
前記生体指標計算部は、
前記生体データとして前記運転者の心拍データを取得し、前記心拍データから当該心拍データのR波の間隔であるRRIを算出して心拍変動時系列データを生成し、前記心拍変動時系列データについて隣接するRRIの差分値を算出して差分系列ΔRRI(t)を生成し、前記差分系列ΔRRI(t)から前記差分値が所定値XXmsec以上になる差分値の総数を自律神経NNXXとして算出して生体指標データとすることを特徴とする運行支援システム。 - プロセッサとメモリを有して、車両の運行を支援する運行支援サーバであって、
過去に収集した車両の走行状態を示す第1の車載センサデータと、前記第1の車載センサデータから危険が発生した情報を予め設定した危険発生データと、を入力として、機械学習によって危険が発生する確率を事故リスクとして推定する事故リスク定義モデルを生成し、過去に収集した車両の走行状態を示す第2の車載センサデータを前記事故リスク定義モデルへ入力して、危険が発生する確率を推定して事故リスク推定データを生成する事故リスク定義モデル生成部と、
前記第2の車載センサデータを収集したときの運転者の生体データから予め算出した第1の生体指標データと、前記事故リスク推定データと、を入力として所定時間後の事故リスクを予測する事故リスク予測モデルを機械学習によって生成する事故リスク予測モデル生成部と、
前記車両を運転中の前記運転者の生体データを取得して、前記生体データから前記運転者の状態を示す第2の生体指標データを算出する生体指標計算部と、
前記事故リスク予測モデルに前記第2の生体指標データを入力して、前記所定時間後の事故リスクを予測する事故リスク予測部と、
を有し、
前記生体指標計算部は、
前記生体データとして前記運転者の心拍データを取得し、前記心拍データから当該心拍データのR波の間隔であるRRIを算出して心拍変動時系列データを生成し、前記心拍変動時系列データについて隣接するRRIの差分値を算出して差分系列ΔRRI(t)を生成し、前記差分系列ΔRRI(t)から前記差分値が所定値XXmsec以上になる差分値の総数を自律神経NNXXとして算出して生体指標データとすることを特徴とする運行支援サーバ。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020100060A JP7437241B2 (ja) | 2020-06-09 | 2020-06-09 | 運行支援方法、運行支援システム及び運行支援サーバ |
US17/928,046 US20230211780A1 (en) | 2020-06-09 | 2021-06-07 | Operation support method, operation support system, and operation support server |
CN202180027297.9A CN115398509A (zh) | 2020-06-09 | 2021-06-07 | 运行辅助方法、运行辅助系统和运行辅助服务器 |
PCT/JP2021/021634 WO2021251351A1 (ja) | 2020-06-09 | 2021-06-07 | 運行支援方法、運行支援システム及び運行支援サーバ |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020100060A JP7437241B2 (ja) | 2020-06-09 | 2020-06-09 | 運行支援方法、運行支援システム及び運行支援サーバ |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021196625A JP2021196625A (ja) | 2021-12-27 |
JP7437241B2 true JP7437241B2 (ja) | 2024-02-22 |
Family
ID=79195427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020100060A Active JP7437241B2 (ja) | 2020-06-09 | 2020-06-09 | 運行支援方法、運行支援システム及び運行支援サーバ |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7437241B2 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20240223659A1 (en) * | 2022-01-28 | 2024-07-04 | Tripodworks Co., Ltd. | Edge device |
JP2023142475A (ja) | 2022-03-25 | 2023-10-05 | ロジスティード株式会社 | 運行支援方法、運行支援システム及びサーバ |
CN115938128B (zh) * | 2023-03-15 | 2023-10-03 | 天津所托瑞安汽车科技有限公司 | 交通事故预测方法、装置、终端及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017038166A1 (ja) | 2015-08-28 | 2017-03-09 | ソニー株式会社 | 情報処理装置、情報処理方法及びプログラム |
US20190102689A1 (en) | 2017-10-03 | 2019-04-04 | International Business Machines Corporation | Monitoring vehicular operation risk using sensing devices |
-
2020
- 2020-06-09 JP JP2020100060A patent/JP7437241B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017038166A1 (ja) | 2015-08-28 | 2017-03-09 | ソニー株式会社 | 情報処理装置、情報処理方法及びプログラム |
US20190102689A1 (en) | 2017-10-03 | 2019-04-04 | International Business Machines Corporation | Monitoring vehicular operation risk using sensing devices |
Also Published As
Publication number | Publication date |
---|---|
JP2021196625A (ja) | 2021-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7437241B2 (ja) | 運行支援方法、運行支援システム及び運行支援サーバ | |
EP3730375B1 (en) | Method and system for analysing the control of a vehicle | |
WO2021251351A1 (ja) | 運行支援方法、運行支援システム及び運行支援サーバ | |
US10643477B2 (en) | Systems and methods for performing driver and vehicle analysis and alerting | |
US10078871B2 (en) | Systems and methods to identify and profile a vehicle operator | |
JP2021503678A (ja) | 衝突の評価 | |
JP7459891B2 (ja) | 情報処理装置、情報処理システム、および情報処理方法、並びにプログラム | |
US20170243518A1 (en) | Information Presentation Apparatus and Method, and Computer Program Product | |
US20160055764A1 (en) | Method, device and computer program product for managing driver safety, method for managing user safety and method for defining a route | |
CN104274192A (zh) | 检测操作者疲劳的计算机辅助系统 | |
JP2016018314A (ja) | 運転者危機管理装置、運転者危機管理方法、および運転者危機管理プログラム | |
EP3174000B1 (en) | Information presentation device, method, and program | |
JPWO2018180347A1 (ja) | 情報処理装置、情報処理システム、および情報処理方法、並びにプログラム | |
Atwood et al. | Evaluate driver response to active warning system in level-2 automated vehicles | |
JP2022051216A (ja) | 安全運行支援方法、安全運行支援システム及び安全運行支援サーバ | |
Vasudevan et al. | Driver drowsiness monitoring by learning vehicle telemetry data | |
Guo et al. | How many crashes does cellphone use contribute to? Population attributable risk of cellphone use while driving | |
US20190143990A1 (en) | Apparatus and method for estimating driver readiness and method and system for assisting driver | |
Kim et al. | Design of driver readiness evaluation system in automated driving environment | |
KR20110066883A (ko) | 지능형 차량 사고 경고 장치 | |
JP2019061498A (ja) | 点呼・点検支援装置、点呼・点検支援システム及び点呼・点検支援プログラム | |
US11881064B2 (en) | Technologies for determining driver efficiency | |
WO2020225956A1 (ja) | 運転の危険リスクを予測するシステム | |
US20180304902A1 (en) | Enhanced message delivery | |
WO2022259881A1 (ja) | 運行管理補助システムおよび運行管理補助方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230104 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231114 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240115 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240123 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240209 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7437241 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |