JP7602706B2 - 立体認知能力評価システム、立体認知能力評価装置、立体認知能力評価プログラム、および立体認知能力評価方法 - Google Patents

Description

本開示は、立体認知能力評価システム、立体認知能力評価装置、立体認知能力評価プログラム、および立体認知能力評価方法に関する。

従来、被測定者の反応に基づいて被測定者の認知機能を評価するシステムが知られている。たとえば、特許第６０００９６８号公報（特許文献１）には、視覚に関する測定を利用して認知機能を評価するシステムとして、携帯型タッチスクリーンパーソナルコンピューティングデバイスを使用したシステムが開示されている。当該システムにおいては、表示された認知評価刺激に対する反応速度に基づき個人の認知評価を実行する。認知評価試験においては、パーソナルコンピューティングデバイスのディスプレイに文字が表示されてから、ボタンの押下というユーザの応答までの反応時間が測定される。

特表２０１５－５０２２３８号公報（特許文献２）には、被験者が短時間提示される視覚刺激を見つける検査を含む、被験者の周辺視野をマッピングするためのビデオゲームを提供するシステムが開示されている。当該システムにおいては、ディスプレイにターゲットが表示され、それに対するユーザの反応に基づいて、緑内障の視野欠損の計測が行われる。

特許第６０００９６８号公報 特表２０１５－５０２２３８号公報

立体認知能力は、物体の遠近を認識し、それに適切に対応できるかという能力であり、たとえば、遠近感としても表現され得る。近年、高齢者などで認知機能が低下する際に、立体認知能力も同様に低下するという傾向が知られている。そのため、立体認知能力を評価することは、認知機能の評価に近い効果を有する可能性がある。

しかし、特許文献１に開示されているシステムにおいては、表示した物体が移動されるが、当該物体に対するユーザの遠近感に関しては考慮されていない。また、当該システムにおいては、被測定者の集中度、あるいは操作方法の習熟度のような各種属性によっても認知機能の測定結果が左右されるため、ユーザの立体認知能力を客観的に評価することは困難である。さらに、特許文献２に開示されているシステムにおいては、被験者とモニタとの間の距離は計測されるが、表示されるターゲットに対する被験者の遠近感に関しては考慮されていない。

本開示は、上述のような課題を解決するためになされたものであり、その目的は、立体認知能力の客観的な評価を実現することである。

本開示の一局面に係る立体認知能力評価システムは、被測定者に操作されて移動する移動オブジェクトの位置の変化に基づいて被測定者の立体認知能力を評価する。立体認知能力評価システムは、位置取得部と、立体認知能力判定部とを備える。位置取得部は、移動オブジェクトの位置に関する情報を取得する。立体認知能力判定部は、移動オブジェクトの進行方向において移動オブジェクトよりも先行する基準オブジェクトと移動オブジェクトとの間の第１距離を少なくとも１回時間微分した値から導かれる第１特徴量、および移動オブジェクトの進行方向に沿う基準線と移動オブジェクトとの間の第２距離から導かれる第２特徴量の少なくとも１つから被測定者の立体認知能力を判定する。

本開示の他の局面に係る立体認知能力評価システムは、被測定者に操作されて移動する移動オブジェクトの挙動の変化に基づいて被測定者の立体認知能力を評価する。立体認知能力評価システムは、挙動取得部と、立体認知能力判定部とを備える。挙動取得部は、移動オブジェクトの挙動に関する情報を取得する。立体認知能力判定部は、移動オブジェクトの進行方向において移動オブジェクトよりも先行する基準オブジェクトと移動オブジェクトとの間の第１距離を少なくとも１回時間微分した値から導かれる第１特徴量、および移動オブジェクトの進行方向に沿う基準線と移動オブジェクトとの間の第２距離に関する第２特徴量の少なくとも１つから立体認知能力を判定する。

本開示の他の局面に係る立体認知能力評価装置は、被測定者に操作されて移動する移動オブジェクトの位置の変化に基づいて被測定者の立体認知能力を評価する。立体認知能力評価装置は、位置取得部と、立体認知能力判定部と、筐体とを備える。位置取得部は、移動オブジェクトの位置に関する情報を取得する。立体認知能力判定部は、移動オブジェクトの進行方向において移動オブジェクトよりも先行する基準オブジェクトと移動オブジェクトとの間の第１距離を少なくとも１回時間微分した値から導かれる第１特徴量、および移動オブジェクトの進行方向に沿う基準線と移動オブジェクトとの間の第２距離から導かれる第２特徴量の少なくとも１つから被測定者の立体認知能力を判定する。筐体は、位置取得部および立体認知能力判定部を収容する。

本開示の他の局面に係る立体認知能力評価装置は、被測定者に操作されて移動する移動オブジェクトの挙動の変化に基づいて被測定者の立体認知能力を評価する。立体認知能力評価装置は、挙動取得部と、立体認知能力判定部と、筐体とを備える。挙動取得部は、移動オブジェクトの挙動に関する情報を取得する。立体認知能力判定部は、移動オブジェクトの進行方向において移動オブジェクトよりも先行する基準オブジェクトと移動オブジェクトとの間の第１距離を少なくとも１回時間微分した値から導かれる第１特徴量、および移動オブジェクトの進行方向に沿う基準線と移動オブジェクトとの間の第２距離に関する第２特徴量の少なくとも１つから立体認知能力を判定する。筐体は、挙動取得部および立体認知能力判定部を収容する。

本開示の他の局面に係る立体認知能力評価プログラムは、コンピュータによって実行されることにより、コンピュータに、被測定者に操作されて移動する移動オブジェクトの位置の変化に基づいて被測定者の立体認知能力を評価するための立体認知能力評価装置を構成させる。立体認知能力評価装置は、位置取得部と、立体認知能力判定部とを備える。位置取得部は、移動オブジェクトの位置に関する情報を取得する。立体認知能力判定部は、移動オブジェクトの進行方向において移動オブジェクトよりも先行する基準オブジェクトと移動オブジェクトとの間の第１距離を少なくとも１回時間微分した値から導かれる第１特徴量、および移動オブジェクトの進行方向に沿う基準線と移動オブジェクトとの間の第２距離から導かれる第２特徴量の少なくとも１つから被測定者の立体認知能力を評価する。

本開示の他の局面に係る立体認知能力評価プログラムは、コンピュータによって実行されることにより、コンピュータに、被測定者に操作されて移動する移動オブジェクトの挙動の変化に基づいて被測定者の立体認知能力を評価するための立体認知能力評価装置を構成させる。立体認知能力評価装置は、挙動取得部と、立体認知能力判定部とを備える。挙動取得部は、移動オブジェクトの挙動に関する情報を取得する。立体認知能力判定部は、移動オブジェクトの進行方向において移動オブジェクトよりも先行する基準オブジェクトと移動オブジェクトとの間の第１距離を少なくとも１回時間微分した値から導かれる第１特徴量、および移動オブジェクトの進行方向に沿う基準線と移動オブジェクトとの間の第２距離に関する第２特徴量の少なくとも１つから立体認知能力を評価する。

本開示の他の局面に係る立体認知能力評価方法は、被測定者に操作されて移動する移動オブジェクトの位置の変化に基づいて被測定者の立体認知能力を評価する。立体認知能力評価方法は、移動オブジェクトの位置に関する情報を取得するステップを含む。立体認知能力評価方法は、移動オブジェクトの進行方向において移動オブジェクトよりも先行する基準オブジェクトと移動オブジェクトとの間の第１距離を少なくとも１回時間微分した値から導かれる第１特徴量、および移動オブジェクトの進行方向に沿う基準線と移動オブジェクトとの間の第２距離から導かれる第２特徴量の少なくとも１つから被測定者の立体認知能力を判定するステップをさらに含む。

本開示の他の局面に係る立体認知能力評価方法は、被測定者に操作されて移動する移動オブジェクトの挙動の変化に基づいて被測定者の立体認知能力を評価する。立体認知能力評価方法は、移動オブジェクトの挙動に関する情報を取得するステップを含む。立体認知能力評価方法は、移動オブジェクトの進行方向において移動オブジェクトよりも先行する基準オブジェクトと移動オブジェクトとの間の第１距離を少なくとも１回時間微分した値から導かれる第１特徴量、および移動オブジェクトの進行方向に沿う基準線と移動オブジェクトとの間の第２距離に関する第２特徴量の少なくとも１つから立体認知能力を判定するステップをさらに含む。

本開示に係る立体認知能力評価システム、立体認知能力評価装置、立体認知能力評価プログラム、および立体認知能力評価方法によれば、基準オブジェクトと移動オブジェクトとの間の第１距離を少なくとも１回時間微分した値から導かれる第１特徴量、および基準線と移動オブジェクトとの間の第２距離に関する第２特徴量の少なくとも１つから被測定者の立体認知能力を判定することにより、被測定者の立体認知能力の客観的な評価を実現することができる。

実施の形態１に係る立体認知能力評価システムの構成を示すブロック図である。 図１の立体認知能力評価システムのハードウェア構成を示す図である。 図２のプロセッサの、立体認知能力の評価機能の構成を示す機能ブロック図である。 図２のプロセッサの、機械学習機能の構成を示す機能ブロック図である。 図２の評価モデルに入力される特徴量を導出するために必要な自動車に関する距離を説明するための図である。 図５の先行車および自動車の各々の速度のタイムチャートである。 図６のタイムチャートにおいて先行車が等速走行している区間が特定された結果を示すタイムチャートである。 複数の区間の走行データから導出される複数の特徴量を示す図である。 立体認知能力が高いことを意味するラベルが付された運転者によって自動車が運転される場合の、図５の先行車の軌跡および自動車の軌跡を併せて示す図である。 立体認知能力が低いことを意味するラベルが付された運転者によって自動車が運転される場合の、図５の先行車の軌跡および自動車の軌跡を併せて示す図である。 図２の決定木の一例であり、間隔加速度から導かれる特徴量を説明変数として含む決定木を示す図である。 図１１の決定木の分類対象に立体認知能力が低い運転者を追加した場合の分類結果を示す図である。 図２の決定木の他の例であり、スライド量の絶対値およびスライド速度の絶対値から導かれる特徴量を説明変数として含む決定木ＤＴ２を示す図である。 図２の決定木の他の例であり、スライド量の絶対値、スライド速度の絶対値、およびスライド加速度の絶対値から導かれる特徴量を説明変数として含む決定木を示す図である。 図２の決定木の他の例であり、スライド量の絶対値、スライド速度の絶対値、およびスライド加速度の絶対値から導かれる特徴量を説明変数として含む決定木を示す図である。 図２の決定木の他の例であり、スライド量から導かれる特徴量を説明変数として含む決定木を示す図である。 図２の決定木の他の例であり、スライド量から導かれる特徴量を説明変数として含む決定木を示す図である。 図２の立体認知能力評価プログラムを実行するプロセッサによって行われる立体認知能力評価方法における処理の流れを示すフローチャートである。 実施の形態１の変形例に係る立体認知能力評価システムの構成を示すブロック図である。 図１９の立体認知能力評価システムのハードウェア構成を示す図である。 実施の形態２に係る立体認知能力評価システムにおいて、被測定者の立体認知能力がドライブシミュレーションによる測定テストによって測定されている様子を示す図である。 図２１の立体認知能力評価システムによるドライブシミュレーションにおいて立体認知能力評価装置を介して被測定者に表示される画面の一例を示す図である。 図２１の立体認知能力評価装置の外観斜視図である。 図２３の立体認知能力評価装置のハードウェア構成を示す図である。 眼の機能の測定に使用する視標の概念を表わす図である。 瞳孔近距離反射による、視標距離（被測定者の眼と視標の間の距離）と瞳孔径との関係を示す図である。 視標距離と瞳孔位置（輻輳開散運動）との関係を示す図である。 図２４のプロセッサの立体認知能力の評価機能の構成を示す機能ブロック図である。 図２４の立体認知能力評価プログラムを実行するプロセッサによって行われる立体認知能力評価方法における処理の流れを示すフローチャートである。 実施の形態３に係る立体認知能力評価システムのハードウェア構成を示す図である。 図３０のプロセッサの、立体認知能力の評価機能の構成を示す機能ブロック図である。 図３０のプロセッサの、機械学習機能の構成を示す機能ブロック図である。 実施の形態３の変形例に係る立体認知能力評価システムのハードウェア構成を示す図である。

以下、本開示の実施の形態について、図面を参照しながら詳細に説明する。なお、図中同一または相当部分には同一符号を付してその説明は原則として繰り返さない。

［実施の形態１］
図１は、実施の形態１に係る立体認知能力評価システム１００の構成を示すブロック図である。図１に示されるように、立体認知能力評価システム１００は、情報処理装置１１０（立体認知能力評価装置）と、被測定者Ｓｂ１の端末装置８００と、自動車Ｃｓ１（移動オブジェクト）に搭載されたドライブレコーダ９００（移動記録装置）とを備える。情報処理装置１１０と、端末装置８００と、自動車Ｃｓ１と、ドライブレコーダ９００とは、ネットワークＮＷを介して互いに接続されている。ネットワークＮＷは、たとえばインターネット、ＬＡＮ（Local Area Network）、あるいはクラウドシステムを含む。

被測定者Ｓｂ１は、立体認知能力評価システム１００によって立体認知能力が測定される対象である。被測定者Ｓｂ１は、自動車Ｃｓ１に乗車して自動車Ｃｓ１を運転する。被測定者Ｓｂ１によって運転された自動車Ｃｓ１の走行データ（動画データ）は、ドライブレコーダ９００によって記録される。

情報処理装置１１０は、ドライブレコーダ９００から被測定者Ｓｂ１の走行データを取得する。情報処理装置１１０は、当該走行データから被測定者Ｓｂ１に操作されて移動する自動車Ｃｓ１の位置の変化を特徴付ける指標（特徴量）を導出する。情報処理装置１１０は、当該特徴量に基づいて被測定者Ｓｂ１の立体認知能力を評価する。情報処理装置１１０は、立体認知能力の評価結果を被測定者Ｓｂ１の端末装置８００に送信する。情報処理装置１１０は、たとえばパーソナルコンピュータあるいはワークステーションを含む。情報処理装置１１０は、自動車Ｃｓ１に搭載されていてもよい。

被測定者Ｓｂ１は、端末装置８００とネットワークＮＷとの接続を確立可能な場所であればどこにいても端末装置８００を参照することにより、当該評価結果を確認することができる。端末装置８００は、たとえば無線通信が可能なスマートフォンを含む。

図２は、図１の立体認知能力評価システム１００のハードウェア構成を示す図である。図２に示されるように、情報処理装置１１０は、プロセッサ１０１と、ＲＡＭ（Random Access Memory）１０２と、ストレージ１０３と、通信部１０４と、メモリインターフェース１０５と、筐体Ｈｓ１とを含む。筐体Ｈｓ１は、プロセッサ１０１と、ＲＡＭ（Random Access Memory）１０２と、ストレージ１０３と、通信部１０４と、メモリインターフェース１０５とを収容している。

プロセッサ１０１は、情報処理装置１１０の動作を制御する各種の機能を実行するための処理回路である。プロセッサ１０１は、たとえばコンピュータのような情報機器を動作させるＣＰＵ（Central Processing Unit）あるいはＧＰＵ（Graphics Processing Unit）を含む。

ＲＡＭ１０２は、揮発性メモリを含む。ＲＡＭ１０２は、プロセッサ１０１が動作する際のワークエリア、あるいは一時的なデータの格納領域などとして使用される。

ストレージ１０３は、たとえばフラッシュＲＯＭ（Read Only Memory）あるいはＳＳＤ（Solid State Drive）のような不揮発性メモリを含む。ストレージ１０３には、コンピュータプログラムおよびそれの実行時に参照されるデータが保存されている。たとえば、ストレージ１０３には、当該コンピュータプログラムとして、ＯＳ（Operating System）プログラム（不図示）と、立体認知能力評価プログラム１０３ａと、機械学習プログラム１０３ｂとが保存されている。また、ストレージ１０３には、コンピュータプログラムの実行時に参照されるデータとして、評価モデル１０３ｃ（特定モデル）と、学習データ１０３ｄとが保存されている。

評価モデル１０３ｃは、被測定者Ｓｂ１の走行データから導かれた特徴量から被測定者Ｓｂ１の立体認知能力を評価する。評価モデル１０３ｃは、被測定者Ｓｂ１の立体認知能力を予め定められた複数のレベルのいずれかに分類する分類モデルであってもよいし、当該立体認知能力に対応する数値を出力する回帰モデルであってもよい。当該評価モデル１０３ｃは、立体認知能力評価プログラム１０３ａによって参照される。評価モデル１０３ｃは、決定木ＤＴ（Decision Tree）を含む。評価モデル１０３ｃは、たとえば、ニューラルネットワークあるいはサポートベクターマシンを含んでいてもよい。学習データ１０３ｄは、機械学習プログラム１０３ｂによって参照される。機械学習プログラム１０３ｂは、機械学習アルゴリズムとして、たとえばＣＡＲＴ（Classification and Regression Trees）を実行する。学習データ１０３ｄは、運転者の認知能力によって予めラベル付けされた当該運転者の走行データ（教師データ）を含む。走行データに付されるラベルとしては、たとえば、メンタルローテーション課題、視覚能力評価テスト、「見る力」理解力テスト、Ｋ－ＡＢＣ（Kaufman Assessment Battery for Children）検査、視知覚スキル検査、運動除外視覚認知テストなどの既存の視空間認知評価バッテリー、運転者の運転技能、職業、年齢、または運転歴等（被測定者の属性に関する情報）から予め判断された立体認知能力のレベルを挙げることができる。

通信部１０４は、ネットワークＮＷを介して、端末装置８００、自動車Ｃｓ１、およびドライブレコーダ９００の各々と通信する。通信部１０４とネットワークＮＷとは、有線通信（たとえばイーサネット（登録商標））によって接続されてもよいし、無線通信（たとえばＷｉ－Ｆｉ（登録商標））によって接続されてもよい。

メモリインターフェース１０５は、情報処理装置１１０の外部の記憶媒体へのアクセスを可能にする。メモリインターフェース１０５は、ＳＤ（Secure Digital）カードおよびＵＳＢ（Universal Serial Bus）に対応する。

情報処理装置１１０には、ユーザからの入力を受けるとともに、プロセッサ１０１の処理結果をユーザに表示する入出力部（不図示）が接続されていてもよい。当該入出力部は、たとえば、ディスプレイ、タッチパネル、キーボード、スピーカ、ランプ、およびマウスを含む。

ドライブレコーダ９００は、プロセッサ９０１と、カメラ９０２と、ＲＡＭ９０３と、通信部９０４と、ストレージ９０５と、メモリインターフェース９０６と、位置測定部９０７とを含む。プロセッサ９０１、ＲＡＭ９０３、通信部９０４、メモリインターフェース９０６は、情報処理装置１１０のプロセッサ１０１、ＲＡＭ１０２、通信部１０４、メモリインターフェース１０５とそれぞれほぼ同様の機能を有するため、プロセッサ９０１、ＲＡＭ９０３、通信部９０４、およびメモリインターフェース９０６の当該機能についての説明を繰り返さない。

カメラ９０２は、自動車Ｃｓ１の運転席から自動車Ｃｓ１の進行方向を見た場合の走行データ９０５ａを生成する。走行データ９０５ａは、ストレージ９０５に保存される。走行データ９０５ａは、通信部９０４によって情報処理装置１１０に送信される。位置測定部９０７は、ＧＰＳ（Global Positioning System）等のＧＮＳＳ（Global Navigation Satellite System）を利用して自動車Ｃｓ１の位置を測定する。

自動車Ｃｓ１は、自動車Ｃｓ１を操作する被測定者Ｓｂ１の反応に関するデータを情報処理装置１１０に送信する。具体的には、自動車Ｃｓ１は、ハンドル、アクセルペダル、およびブレーキペダル等への被測定者の入力情報（たとえば、ハンドルの回転角、アクセルペダルの踏度、およびブレーキペダルの踏度）に基づいて、被測定者Ｓｂ１の反応に関するデータを情報処理装置１１０に送信する。なお、反応とは、移動オブジェクトの遠近を認識し、対応することを意味する。

立体認知能力評価システム１００の立体認知能力の評価機能は、ストレージ１０３に保存された立体認知能力評価プログラム１０３ａをプロセッサ１０１が読み出してＲＡＭ１０２のワークエリアを利用して実行することにより実現される。立体認知能力評価プログラム１０３ａが実行されることにより立体認知能力評価に関する各種の機能を実現するモジュールが形成され、当該モジュールが当該機能を実現する動作を実行する。

図３は、図２のプロセッサ１０１の、立体認知能力の評価機能の構成を示す機能ブロック図である。立体認知能力評価システム１００においては、ストレージ１０３に保存された立体認知能力評価プログラム１０３ａがプロセッサ１０１によって実行されることにより、位置取得部１０１ｂ、反応入力部１０１ｄ、および立体認知能力判定部１０１ｅという機能ブロックを形成するモジュールが構成される。したがって、図３においては、図２のプロセッサ１０１および立体認知能力評価プログラム１０３ａに替えて、それらによって実現される機能ブロックが示されている。以下、それらの機能ブロックについて説明する。

位置取得部１０１ｂは、ドライブレコーダ９００から被測定者Ｓｂ１の走行データおよび自動車Ｃｓ１の位置の測定結果（測位結果）を取得する。位置取得部１０１ｂは、当該走行データおよび測位結果から自動車Ｃｓ１の位置に関する情報を取得する。位置取得部１０１ｂは、立体認知能力判定部１０１ｅに自動車Ｃｓ１の位置に関する情報を出力する。自動車Ｃｓ１の位置に関する情報は、自動車Ｃｓ１と先行する別の自動車（先行車）との間の車間距離を１回時間微分した値（間隔速度）、当該距離を２回時間微分した値（間隔加速度）、自動車Ｃｓ１の進行方向に沿う基準線と自動車Ｃｓ１との間の距離（スライド量）、スライド量を１回時間微分した値（スライド速度）、およびスライド量を２回時間微分した値（スライド加速度）の少なくとも１つを導出可能な情報を含む。たとえば、自動車Ｃｓ１の位置に関する情報は、時刻と自動車Ｃｓ１の三次元空間座標との対応関係、少なくとも１つの基準位置の各々の三次元空間座標、および三次元空間における基準線を特定可能な情報を含む。

反応入力部１０１ｄは、被測定者Ｓｂ１が認識した自動車Ｃｓ１の三次元位置に対応してなされる被測定者Ｓｂ１の能動的な反応の入力を受ける。反応入力部１０１ｄは、自動車Ｃｓ１のハンドル、アクセルペダル、およびブレーキペダル等への被測定者の入力情報に基づいて、自動車Ｃｓ１を運転する被測定者Ｓｂ１の反応を特定する。反応入力部１０１ｄは、当該反応に関する情報を立体認知能力判定部１０１ｅに出力する。

なお、能動的な反応とは、所定の目的を達成するための積極的な操作を意味し、具体的には、自動車Ｃｓ１の位置によって位置が動的に定められる目標に対して行なわれる操作を意味する。能動的な反応には、たとえば、自動車Ｃｓ１を所定の場所に近付ける操作が含まれる。この場合、自動車Ｃｓ１の位置によって、自動車Ｃｓ１の位置と所定の場所の位置との差分が動的に決定され、当該差分を減少させることが目標となる。また、能動的な反応には、たとえば、自動車Ｃｓ１と先行して走行する別の自動車（先行車）との間の距離を一定に保つ操作が含まれる。この場合、先行車の位置によって、先行車と自動車Ｃｓ１との差分が動的に決定され、当該差分を一定に保つことが目標となる。

立体認知能力判定部１０１ｅは、自動車Ｃｓ１の位置に関する情報に基づいて、自動車Ｃｓ１の間隔速度、間隔加速度、スライド量の絶対値、スライド速度の絶対値、スライド加速度の絶対値、スライド量、スライド速度、およびスライド加速度の少なくとも１つから導かれる特徴量を導出する。立体認知能力判定部１０１ｅは、評価モデル１０３ｃを用いて、当該特徴量から、被測定者Ｓｂ１の立体認知能力を判定する。被測定者Ｓｂ１の立体認知能力の判定に、反応入力部１０１ｄからの反応に関する情報が使用されてもよい。立体認知能力判定部１０１ｅは、通信部１０４を介して、立体認知能力の評価結果を被測定者Ｓｂ１の端末装置８００に送信する。

立体認知能力評価システム１００においては、プロセッサ１０１によって機械学習プログラム１０３ｂが実行されることにより、情報処理装置１１０が学習済みの評価モデル１０３ｃを生成する学習装置として機能する。

図４は、図２のプロセッサ１０１の、機械学習機能の構成を示す機能ブロック図である。図４に示されるように、立体認知能力評価システム１００においては、機械学習プログラム１０３ｂがプロセッサ１０１によって実行されることにより、位置取得部１１１ｂ、および学習部１０１ｆという機能ブロックを形成するモジュールが構成される。したがって、図４においては、図２のプロセッサ１０１および機械学習プログラム１０３ｂに替えて、それらによって実現される機能ブロックが示されている。以下、それらの機能ブロックについて説明する。

位置取得部１１１ｂは、学習データ１０３ｄから走行データを取得する。位置取得部１１１ｂは、図３の位置取得部１０１ｂと同様に、当該走行データに対応する自動車の位置に関する情報を取得する。位置取得部１１１ｂは、学習部１０１ｆに当該自動車の位置に関する情報および当該走行データに付されたラベルを出力する。

学習部１０１ｆは、位置取得部１１１ｂから取得した自動車の位置に関する情報に基づいて、当該自動車の間隔速度、間隔加速度、スライド量の絶対値、スライド速度の絶対値、スライド加速度の絶対値、スライド量、スライド速度、およびスライド加速度の少なくとも１つから導かれる特徴量を導出する。学習部１０１ｆは、当該特徴量および当該自動車の位置に関する情報に付されたラベルを用いて評価モデル１０３ｃに対して機械学習を行って、評価モデル１０３ｃを学習済みモデルとする。たとえば、学習部１０１ｆは、ＣＡＲＴを実行することにより、当該特徴量に対応する運転者の立体認知能力を目的変数とするとともに、当該特徴量を説明変数とする決定木ＤＴを生成する。

基準オブジェクトと移動オブジェクトとの間隔を第１距離と定義し、移動オブジェクトの進行方向に沿う基準線と移動オブジェクトとの間の距離（スライド量）を第２距離と定義すると、本開示は以下のような範囲の実施の態様を含む。

すなわち、本開示の立体認知能力評価システムは、被測定者に操作されて移動する移動オブジェクトの位置の変化に基づいて被測定者の立体認知能力を評価する。立体認知能力評価システムは、位置取得部と、立体認知能力判定部とを備える。位置取得部は、移動オブジェクトの位置に関する情報を取得する。

立体認知能力判定部は、移動オブジェクトの進行方向において移動オブジェクトよりも先行する基準オブジェクトと移動オブジェクトとの間の第１距離に関する第１特徴量、および移動オブジェクトの進行方向に沿う基準線と移動オブジェクトとの間の第２距離に関する第２特徴量の少なくとも１つから被測定者の立体認知能力を判定する。

また、上記位置取得部は、上記移動オブジェクトの位置に関する情報を取得し、上記第１特徴量および／または上記第２特徴量は、上記移動オブジェクトの位置に関する情報から導かれる。上記第１特徴量は、第１距離の値、第１距離を１回時間微分した値、第１距離を２回時間微分した値のいずれか１から導かれてもよい。上記第２特徴量は、第２距離の値、第２距離を１回時間微分した値、第２距離を２回時間微分した値のいずれか１つから導かれてもよい。

図５は、図２の評価モデル１０３ｃに入力される特徴量を導出するために必要な自動車Ｃｓ１に関する距離を説明するための図である。図５に示されるように、被測定者Ｓｂ１によって運転される自動車Ｃｓ１に先行して、先行車Ｃａ１が走行している。先行車Ｃａ１および自動車Ｃｓ１は、進行方向Ｄｒ１に沿って走行している。スライド方向Ｄｒ２は、進行方向Ｄｒ１に直交する。先行車Ｃａ１は、先行車Ｃａ１の位置として定義された基準位置Ｐｒ１を含む。自動車Ｃｓ１は、自動車Ｃｓ１の位置として定義された基準位置Ｐｒ０を含む。自動車Ｃｓ１と先行車Ｃａ１との間の距離（第１距離）は、基準位置Ｐｒ０から基準位置Ｐｒ１に向かうベクトルＶｃ１の大きさとして定義される。

基準線ＶＬ１は、進行方向Ｄｒ１に平行であり、基準位置Ｐｒ１を通過する。基準線ＶＬ１は、基準位置Ｐｒ２を含む。基準位置Ｐｒ２からＰｒ０へ向かうベクトルＶｃ２は、進行方向Ｄｒ１と直交する。自動車Ｃｓ１と基準線ＶＬ１との間の距離（第２距離）は、ベクトルＶｃ２の大きさに、スライド方向Ｄｒ２におけるベクトルＶｃ２の方向に応じた符号を付した値として定義される。すなわち、ベクトルＶｃ２がスライド方向Ｄｒ２のプラス方向に向かう場合、スライド量はプラスの値となる。ベクトルＶｃ２がスライド方向Ｄｒ２のマイナス方向に向かう場合、スライド量はマイナスの値となる。なお、スライド量は、先行車Ｃａ１がいない場合でも定義可能である。この場合の基準線ＶＬ１は、たとえば自動車Ｃｓ１が走行する車線のセンターラインである。そのため、先行車Ｃａ１がいない場合であっても、スライド量から導かれる特徴量を用いて被測定者Ｓｂ１の立体認知能力を評価可能である。

以下では図６～図８を用いて、立体認知能力評価システム１００において、被測定者Ｓｂ１の立体認知能力を評価のためにどのような特徴量が導出されるかを具体的に説明する。図６は、図５の先行車Ｃａ１および自動車Ｃｓ１の各々の速度のタイムチャートである。グラフＣｖａは、サンプリングタイム毎に測定された先行車Ｃａ１の速度と、当該サンプリングタイムとの対応関係を示す。グラフＣｖｓは、サンプリングタイム毎に測定された自動車Ｃｓ１の速度と、当該サンプリングタイムとの対応関係を示す。

図７は、図６のタイムチャートにおいて先行車Ｃａ１が等速走行している区間が特定された結果を示すタイムチャートである。なお、先行車Ｃａ１が等速走行している区間とは、先行車Ｃａ１の速度の変化が所定の範囲に含まれている区間である。図７に示されるように、先行車Ｃａ１が等速走行している区間として複数の区間Ｓｃ１，Ｓｃ２，Ｓｃ３，Ｓｃ４，Ｓｃ５，Ｓｃ６が特定されている。先行車Ｃａ１が等速走行している区間として、５以下の区間が抽出されてもよいし、７以上の区間が抽出されてもよい。先行車Ｃａ１が等速運転している区間の走行データを用いて特徴量を導出することにより、特徴量にノイズ（立体認知能力に関係性の低い情報）が含まれることを低減することができる。その結果、被測定者Ｓｂ１の立体認知能力の評価の精度を向上させることができる。なお、先行車Ｃａ１が等速運転していない区間の走行データから導出された特徴量を用いても、被測定者Ｓｂ１の立体認知能力を評価することは可能である。

図８は、複数の区間の走行データから導出される複数の特徴量を示す図である。なお、以下では、「Ｘ＿ｍ」は値Ｘの１区間の平均値（区間平均値）を表し、「Ｘ＿ｓ」は値Ｘの１区間の標準偏差（区間標準偏差）を表す。「Ｘ＿ｍｍ」は値Ｘの区間平均値（区間代表値）の平均値（区間代表平均値）を表し、「Ｘ＿ｍｓ」は値Ｘの区間平均値の標準偏差（区間代表標準偏差）を表す。「Ｘ＿ｓｍ」は値Ｘの区間標準偏差（区間代表値）の平均値（区間代表平均値）を表し、「Ｘ＿ｓｓ」は値Ｘの区間標準偏差の標準偏差（区間代表標準偏差）を表す。値Ｘ１は値Ｘ０が１回時間微分された値を表し、値Ｘ２は値Ｘ０が２回時間微分された値を表す。

図８に示されるように、サンプリングタイム毎の走行データから、当該サンプリングタイムにおける車間距離Ｄ０、間隔速度Ｄ１、間隔加速度Ｄ２、スライド量Ｓ０、スライド速度Ｓ１、スライド加速度Ｓ２、スライド量Ｓ０の絶対値ＡＳ０、スライド速度の絶対値ＡＳ１、およびスライド加速度の絶対値ＡＳ２が算出される。

区間ＳｃＮ（Ｎは自然数）に着目する場合、車間距離Ｄ０に関して区間平均値Ｄ０＿ｍおよび区間標準偏差Ｄ０＿ｓが特徴量として算出される。間隔速度Ｄ１に関して区間平均値Ｄ１＿ｍおよび区間標準偏差Ｄ１＿ｓが特徴量として算出される。間隔加速度Ｄ２に関して区間平均値Ｄ２＿ｍおよび区間標準偏差Ｄ２＿ｓが特徴量として算出される。

スライド量Ｓ０に関して区間平均値Ｓ０＿ｍおよび区間標準偏差Ｓ０＿ｓが特徴量として算出される。スライド速度Ｓ１に関して区間平均値Ｓ１＿ｍおよび区間標準偏差Ｓ１＿ｓが特徴量として算出される。スライド加速度Ｓ２に関して区間平均値Ｓ２＿ｍおよび区間標準偏差Ｓ２＿ｓが特徴量として算出される。

スライド量Ｓ０の絶対値ＡＳ０に関して区間平均値ＡＳ０＿ｍおよび区間標準偏差ＡＳ０＿ｓが特徴量として算出される。スライド速度の絶対値ＡＳ１に関して区間平均値ＡＳ１＿ｍおよび区間標準偏差ＡＳ１＿ｓが特徴量として算出される。スライド加速度の絶対値ＡＳ２に関して区間平均値ＡＳ２＿ｍおよび区間標準偏差ＡＳ２＿ｓが特徴量として算出される。

各区間の区間平均値Ｄ０＿ｍ，Ｄ１＿ｍ，Ｄ２＿ｍおよび区間標準偏差Ｄ０＿ｓ，Ｄ１＿ｓ，Ｄ２＿ｓから、区間代表平均値Ｄ０＿ｍｍ，Ｄ１＿ｍｍ，Ｄ２＿ｍｍ，Ｄ０＿ｓｍ，Ｄ１＿ｓｍ，Ｄ２＿ｓｍがそれぞれ特徴量として算出されるとともに、区間代表標準偏差Ｄ０＿ｍｓ，Ｄ１＿ｍｓ，Ｄ２＿ｍｓ，Ｄ０＿ｓｓ，Ｄ１＿ｓｓ，Ｄ２＿ｓｓがそれぞれ特徴量として算出される。

各区間の区間平均値Ｓ０＿ｍ，Ｓ１＿ｍ，Ｓ２＿ｍおよび区間標準偏差Ｓ０＿ｓ，Ｓ１＿ｓ，Ｓ２＿ｓから、区間代表平均値Ｓ０＿ｍｍ，Ｓ１＿ｍｍ，Ｓ２＿ｍｍ，Ｓ０＿ｓｍ，Ｓ１＿ｓｍ，Ｓ２＿ｓｍがそれぞれ特徴量として算出されるとともに、区間代表標準偏差Ｓ０＿ｍｓ，Ｓ１＿ｍｓ，Ｓ２＿ｍｓ，Ｓ０＿ｓｓ，Ｓ１＿ｓｓ，Ｓ２＿ｓｓがそれぞれ特徴量として算出される。

各区間の区間平均値ＡＳ０＿ｍ，ＡＳ１＿ｍ，ＡＳ２＿ｍおよび区間標準偏差ＡＳ０＿ｓ，ＡＳ１＿ｓ，ＡＳ２＿ｓから、区間代表平均値ＡＳ０＿ｍｍ，ＡＳ１＿ｍｍ，ＡＳ２＿ｍｍ，ＡＳ０＿ｓｍ，ＡＳ１＿ｓｍ，ＡＳ２＿ｓｍがそれぞれ特徴量として算出されるとともに、区間代表標準偏差ＡＳ０＿ｍｓ，ＡＳ１＿ｍｓ，ＡＳ２＿ｍｓ，ＡＳ０＿ｓｓ，ＡＳ１＿ｓｓ，ＡＳ２＿ｓｓがそれぞれ特徴量として算出される。

立体認知能力評価システム１００においては、車間距離を少なくとも１回時間微分した値から導かれる特徴量（第１特徴量）およびスライド量から導かれる特徴量（第２特徴量）の少なくとも１つを用いて、被測定者Ｓｂ１の立体認知能力の評価が行われる。すなわち、当該評価においては、図８において点線で囲まれた領域Ｒｇに含まれる特徴量の少なくとも１つが用いられる。

以下では、図９および図１０を用いて、スライド量と立体認知能力との関係について説明する。図９は、立体認知能力が高いことを意味するラベルが付された運転者によって自動車Ｃｓ１が運転される場合の、図５の先行車Ｃａ１の軌跡Ｔｒａ１および自動車Ｃｓ１の軌跡Ｔｒｓ１を併せて示す図である。図１０は、立体認知能力が低いことを意味するラベルが付された運転者によって自動車Ｃｓ１が運転される場合の、図５の先行車Ｃａ１の軌跡Ｔｒａ２および自動車Ｃｓ１の軌跡Ｔｒｓ２を併せて示す図である。図９に示されるように、軌跡Ｔｒｓ１は、ほぼ軌跡Ｔｒａ１に追従するように変化している。一方、図１０に示されるように、軌跡Ｔｒｓ２は、軌跡Ｔｒａ２から離れることが多く、蛇行している。立体認知能力が相対的に低い運転者は、立体認知能力が相対的に高い運転者よりも、自動車の進行方向を維持する能力が低い傾向がある。したがって、スライド量から導かれる特徴量は、自動車の進行方向を維持する能力を反映する特徴量として、当該自動車の運転者（被測定者）の立体認知能力の評価に有効である。

以下では、図１１～図１７を用いて、図２の決定木ＤＴの具体例について説明する。図１１は、図２の決定木ＤＴの一例であり、間隔加速度Ｄ２から導かれる特徴量を説明変数として含む決定木ＤＴ１を示す図である。図１１に示されるように、決定木ＤＴ１は、ルートノードＲｎ１０と、分岐ノードＢｎ１１と、リーフノードＬｎ１１，Ｌｎ１２，Ｌｎ１３とを含む。ルートノードＲｎ１０において分類対象となる１９人の運転者（学習データとしての走行データ）のうち、１４人の運転者に立体認知能力（目的変数）が高いことを示すラベル（「高」）が付され、５人の運転者に立体認知能力が低いことを示すラベル（「低」）が付されている。

ルートノードＲｎ１０は、説明変数として特徴量Ｄ２＿ｍｓ（間隔加速度Ｄ２の区間平均値の区間代表標準偏差）を含む。運転者の特徴量Ｄ２＿ｍｓが０．４１７以下である場合、当該運転者はリーフノードＬｎ１１に分類される。運転者の特徴量Ｄ２＿ｍｓが０．４１７より大きい場合、当該運転者は分岐ノードＢｎ１１に分類される。ルートノードＲｎ１０における分類対象である１９人の運転者のうち、１３人の運転者がリーフノードＬｎ１１に分類され、６人の運転者が分岐ノードＢｎ１１に分類されている。リーフノードＬｎ１１に分類された全運転者に「高」のラベルが付されている。分岐ノードＢｎ１１に分類された６人の運転者のうち、１人の運転者に「高」のラベルが付され、５人の運転者に「低」のラベルが付されている。

分岐ノードＢｎ１１は、説明変数として特徴量Ｄ２＿ｓｓ（間隔加速度Ｄ２の区間標準偏差の区間代表標準偏差）を含む。運転者の特徴量Ｄ２＿ｓｓが１．５９４以下である場合、当該運転者はリーフノードＬｎ１２に分類される。運転者の特徴量Ｄ２＿ｓｓが１．５９４より大きい場合、当該運転者はリーフノードＬｎ１３に分類される。分岐ノードＢｎ１１における分類対象である６人の運転者のうち、５人の運転者がリーフノードＬｎ１２に分類され、１人の運転者がリーフノードＬｎ１３に分類されている。リーフノードＬｎ１２に分類された全運転者に「低」のラベルが付されている。リーフノードＬｎ１３に分類された全運転者に「高」のラベルが付されている。

以上のように、決定木ＤＴ１は、説明変数として特徴量Ｄ２＿ｍｓ，Ｄ２＿ｓｓを含む。決定木ＤＴ１は、立体認知能力が高い被測定者をリーフノードＬｎ１１，Ｌｎ１３に分類し、立体認知能力が低い被測定者をリーフノードＬｎ１２に分類する。

なお、決定木ＤＴ１の各ノードに示されるジニ係数は、当該ノードに対応する運転者に付されたラベルに複数の種類がどの程度混ざっているか（不純度）を示す指標値である。ジニ係数が大きいほど、運転者に付されたラベルに複数の種類が混ざっている程度が高い。たとえばリーフノードＬｎ１１～Ｌｎ１３の各々に分類された運転者に付されたラベルの種類は１種類であり、他のラベルが混ざっていないため、当該リーフノードのジニ係数は最小値の０となる。一方、たとえば分岐ノードＢｎ１１に分類された運転者に付されたラベルには「高」のラベルと「低」のラベルが混ざっているため、ジニ係数は０より大きい。

図１２は、図１１の決定木ＤＴ１の分類対象に立体認知能力が低い運転者を追加した場合の分類結果を示す図である。図１２に示されるように、図１１のルートノードＲｎ１０の分類対象に「低」のラベルが付された２人の運転者が追加されている。当該運転者は、ルートノードＲｎ１０から分岐ノードＢｎ１１を介して、図１１と同様にリーフノードＬｎ１２に分類されている。決定木ＤＴ１は学習データ以外の走行データに対する汎用性を有しているため、高精度に被測定者の立体認知能力を判定することができる。

図１３は、図２の決定木ＤＴの他の例であり、スライド量Ｓ０の絶対値ＡＳ０およびスライド速度Ｓ１の絶対値ＡＳ１から導かれる特徴量を説明変数として含む決定木ＤＴ２を示す図である。図１３に示されるように、決定木ＤＴ２は、ルートノードＲｎ２０と、分岐ノードＢｎ２１，Ｂｎ２２，Ｂｎ２３と、リーフノードＬｎ２１，Ｌｎ２２，Ｌｎ２３，Ｌｎ２４，Ｌｎ２５とを含む。ルートノードＲｎ２０において分類対象となる２１人の運転者のうち、１４人の運転者に「高」のラベルが付され、７人の運転者に「低」のラベルが付されている。

ルートノードＲｎ２０は、説明変数として特徴量ＡＳ０＿ｓｓ（スライド量Ｓ０の絶対値ＡＳ０の区間標準偏差の区間代表標準偏差）を含む。運転者の特徴量ＡＳ０＿ｓｓが０．０９３以下である場合、当該運転者は分岐ノードＢｎ２１に分類される。運転者の特徴量ＡＳ０＿ｓｓが０．０９３より大きい場合、当該運転者はリーフノードＬｎ２１に分類される。ルートノードＲｎ２０における分類対象である２１人の運転者のうち、１６人の運転者が分岐ノードＢｎ２１に分類され、５人の運転者がリーフノードＬｎ２１に分類されている。リーフノードＬｎ２１に分類された全運転者に「低」のラベルが付されている。分岐ノードＢｎ２１に分類された１６人の運転者のうち、１４人の運転者に「高」のラベルが付され、２人の運転者に「低」のラベルが付されている。

分岐ノードＢｎ２１は、説明変数として年齢を含む。運転者の年齢が６０歳以下である場合、当該運転者は分岐ノードＢｎ２２に分類される。運転者の年齢が６０歳より高い場合、当該運転者はリーフノードＬｎ２２に分類される。分岐ノードＢｎ２１における分類対象である１６人の運転者のうち、１５人の運転者が分岐ノードＢｎ２２に分類され、１人の運転者がリーフノードＬｎ２２に分類されている。リーフノードＬｎ２２に分類された全運転者に「低」のラベルが付されている。分岐ノードＢｎ２２に分類された１５人の運転者のうち、１４人の運転者に「高」のラベルが付され、１人の運転者に「低」のラベルが付されている。

分岐ノードＢｎ２２は、説明変数として特徴量ＡＳ０＿ｍｓ（スライド量Ｓ０の絶対値ＡＳ０の区間平均値の区間代表標準偏差）を含む。運転者の特徴量ＡＳ０＿ｍｓが０．２０６以下である場合、当該運転者はリーフノードＬｎ２３に分類される。運転者の特徴量ＡＳ０＿ｍｓが０．２０６より大きい場合、当該運転者は分岐ノードＢｎ２３に分類される。分岐ノードＢｎ２２における分類対象である１５人の運転者のうち、１３人の運転者がリーフノードＬｎ２３に分類され、２人の運転者が分岐ノードＢｎ２３に分類されている。リーフノードＬｎ２３に分類された全運転者に「高」のラベルが付されている。分岐ノードＢｎ２３に分類された２人の運転者のうち、１人の運転者に「高」のラベルが付され、１人の運転者に「低」のラベルが付されている。

分岐ノードＢｎ２３は、説明変数として特徴量ＡＳ１＿ｓｍ（スライド速度Ｓ１の絶対値ＡＳ１の区間標準偏差の区間代表平均値）を含む。運転者の特徴量ＡＳ１＿ｓｍが０．００１以下である場合、当該運転者はリーフノードＬｎ２４に分類される。運転者の特徴量ＡＳ１＿ｓｍが０．００１より大きい場合、当該運転者はリーフノードＬｎ２５に分類される。分岐ノードＢｎ２３における分類対象である２人の運転者のうち、１人の運転者がリーフノードＬｎ２４に分類され、１人の運転者が分岐ノードＢｎ２５に分類されている。リーフノードＬｎ２４に分類された全運転者に「低」のラベルが付されている。リーフノードＬｎ２５に分類された全運転者に「低」のラベルが付されている。

以上のように、決定木ＤＴ２は、説明変数として特徴量ＡＳ０＿ｓｓ，ＡＳ０＿ｍｓ，ＡＳ１＿ｓｍ、および年齢を含む。決定木ＤＴ２は、立体認知能力が高い被測定者をリーフノードＬｎ２３，Ｌｎ２５に分類し、立体認知能力が低い被測定者をリーフノードＬｎ２１，Ｌｎ２２，Ｌｎ２４に分類する。

図１４は、図２の決定木ＤＴの他の例であり、スライド量Ｓ０の絶対値ＡＳ０、スライド速度Ｓ１の絶対値ＡＳ１、およびスライド加速度Ｓ２の絶対値ＡＳ２から導かれる特徴量を説明変数として含む決定木ＤＴ３を示す図である。図１４に示されるように、決定木ＤＴ３は、ルートノードＲｎ３０と、分岐ノードＢｎ３１，Ｂｎ３２と、リーフノードＬｎ３１，Ｌｎ３２，Ｌｎ３３，Ｌｎ３４とを含む。ルートノードＲｎ３０において分類対象となる２１人の運転者のうち、１４人の運転者に「高」のラベルが付され、７人の運転者に「低」のラベルが付されている。

ルートノードＲｎ３０は、説明変数として特徴量ＡＳ０＿ｓｓ（スライド量Ｓ０の絶対値ＡＳ０の区間標準偏差の区間代表標準偏差）を含む。運転者の特徴量ＡＳ０＿ｓｓが０．０９３以下である場合、当該運転者は分岐ノードＢｎ３１に分類される。運転者の特徴量ＡＳ０＿ｓｓが０．０９３より大きい場合、当該運転者はリーフノードＬｎ３１に分類される。ルートノードＲｎ３０における分類対象である２１人の運転者のうち、１６人の運転者が分岐ノードＢｎ３１に分類され、５人の運転者がリーフノードＬｎ３１に分類されている。リーフノードＬｎ３１に分類された全運転者に「低」のラベルが付されている。分岐ノードＢｎ３１に分類された１６人の運転者のうち、１４人の運転者に「高」のラベルが付され、２人の運転者に「低」のラベルが付されている。

分岐ノードＢｎ３１は、説明変数として特徴量ＡＳ２＿ｍｍ（スライド加速度Ｓ２の絶対値ＡＳ２の区間平均値の区間代表平均値）を含む。運転者の特徴量ＡＳ２＿ｍｍが０．０以下である場合、当該運転者はリーフノードＬｎ３２に分類される。運転者の特徴量ＡＳ２＿ｍｍが０．０より大きい場合、当該運転者は分岐ノードＢｎ３２に分類される。分岐ノードＢｎ３１における分類対象である１６人の運転者のうち、１２人の運転者がリーフノードＬｎ３２に分類され、４人の運転者が分岐ノードＢｎ３２に分類されている。リーフノードＬｎ３２に分類された全運転者に「高」のラベルが付されている。分岐ノードＢｎ３２に分類された４人の運転者のうち、２人の運転者に「高」のラベルが付され、２人の運転者に「低」のラベルが付されている。

分岐ノードＢｎ３３は、説明変数として特徴量ＡＳ１＿ｍｍ（スライド速度Ｓ１の絶対値ＡＳ１の区間平均値の区間代表平均値）を含む。運転者の特徴量ＡＳ１＿ｍｍが０．０以下である場合、当該運転者はリーフノードＬｎ３３に分類される。運転者の特徴量ＡＳ１＿ｍｍが０．０より大きい場合、当該運転者はリーフノードＬｎ３４に分類される。分岐ノードＢｎ３２における分類対象である４人の運転者のうち、２人の運転者がリーフノードＬｎ３３に分類され、２人の運転者がリーフノードＬｎ３４に分類されている。リーフノードＬｎ３３に分類された全運転者に「高」のラベルが付されている。リーフノードＬｎ３４に分類された全運転者に「低」のラベルが付されている。

以上のように、決定木ＤＴ３は、説明変数として特徴量ＡＳ０＿ｓｓ，ＡＳ２＿ｍｍ，ＡＳ１＿ｍｍを含む。決定木ＤＴ３は、立体認知能力が高い被測定者をリーフノードＬｎ３２，Ｌｎ３３に分類し、立体認知能力が低い被測定者をリーフノードＬｎ３１，Ｌｎ３４に分類する。

図１５は、図２の決定木ＤＴの他の例であり、スライド量Ｓ０の絶対値ＡＳ０、スライド速度Ｓ１の絶対値ＡＳ１、およびスライド加速度Ｓ２の絶対値ＡＳ２から導かれる特徴量を説明変数として含む決定木ＤＴ４を示す図である。図１５に示されるように、決定木ＤＴ４は、ルートノードＲｎ４０と、分岐ノードＢｎ４１，Ｂｎ４２と、リーフノードＬｎ４１，Ｌｎ４２，Ｌｎ４３，Ｌｎ４４とを含む。ルートノードＲｎ４０において分類対象となる２１人の運転者のうち、１４人の運転者に「高」のラベルが付され、７人の運転者に「低」のラベルが付されている。

ルートノードＲｎ４０は、説明変数として特徴量ＡＳ２＿ｍｓ（スライド加速度Ｓ２の絶対値ＡＳ２の区間平均値の区間代表標準偏差）を含む。運転者の特徴量ＡＳ２＿ｍｓが０．０以下である場合、当該運転者は分岐ノードＢｎ４１に分類される。運転者の特徴量ＡＳ２＿ｍｓが０．０より大きい場合、当該運転者は分岐ノードＢｎ４２に分類される。ルートノードＲｎ４０における分類対象である２１人の運転者のうち、１４人の運転者が分岐ノードＢｎ４１に分類され、７人の運転者が分岐ノードＢｎ４２に分類されている。分岐ノードＢｎ４１に分類された１４人の運転者のうち、１３人の運転者に「高」のラベルが付され、１人の運転者に「低」のラベルが付されている。分岐ノードＢｎ４２に分類された７人の運転者のうち、１人の運転者に「高」のラベルが付され、６人の運転者に「低」のラベルが付されている。

分岐ノードＢｎ４１は、説明変数として特徴量ＡＳ１＿ｍｓ（スライド速度Ｓ１の絶対値ＡＳ１の区間平均値の区間代表標準偏差）を含む。運転者の特徴量ＡＳ１＿ｍｓが０．００１以下である場合、当該運転者はリーフノードＬｎ４１に分類される。運転者の特徴量ＡＳ１＿ｍｓが０．００１より大きい場合、当該運転者はリーフノードＬｎ４２に分類される。リーフノードＬｎ４１に分類された全運転者に「高」のラベルが付されている。リーフノードＬｎ４２に分類された全運転者に「低」のラベルが付されている。

分岐ノードＢｎ４２は、説明変数として特徴量ＡＳ０＿ｍｍ（スライド量Ｓ０の絶対値ＡＳ０の区間平均値の区間代表平均値）を含む。運転者の特徴量ＡＳ０＿ｍｍが０．４６７以下である場合、当該運転者はリーフノードＬｎ４３に分類される。運転者の特徴量ＡＳ０＿ｍｍが０．４６７より大きい場合、当該運転者はリーフノードＬｎ４４に分類される。リーフノードＬｎ４３に分類された全運転者に「高」のラベルが付されている。リーフノードＬｎ４４に分類された全運転者に「低」のラベルが付されている。

以上のように、決定木ＤＴ４は、説明変数として特徴量ＡＳ２＿ｍｓ，ＡＳ１＿ｍｓ，ＡＳ０＿ｍｍを含む。決定木ＤＴ４は、立体認知能力が高い被測定者をリーフノードＬｎ４１，Ｌｎ４３に分類し、立体認知能力が低い被測定者をリーフノードＬｎ４２，Ｌｎ４４に分類する。

図１６は、図２の決定木ＤＴの他の例であり、スライド量Ｓ０から導かれる特徴量を説明変数として含む決定木ＤＴ５を示す図である。図１６に示されるように、決定木ＤＴ５は、ルートノードＲｎ５０と、分岐ノードＢｎ５１，Ｂｎ５２，Ｂｎ５３，Ｂｎ５４と、リーフノードＬｎ５１，Ｌｎ５２，Ｌｎ５３，Ｌｎ５４，Ｌｎ５５，Ｌｎ５６とを含む。ルートノードＲｎ５０において分類対象となる２１人の運転者のうち、１４人の運転者に「高」のラベルが付され、７人の運転者に「低」のラベルが付されている。

ルートノードＲｎ５０は、説明変数として特徴量Ｓ０＿ｓ（スライド量Ｓ０の区間標準偏差）を含む。運転者の特徴量Ｓ０＿ｓが０．３１４以下である場合、当該運転者は分岐ノードＢｎ５１に分類される。運転者の特徴量Ｓ０＿ｓが０．３１４より大きい場合、当該運転者はリーフノードＬｎ５１に分類される。ルートノードＲｎ５０における分類対象である２１人の運転者のうち、１７人の運転者が分岐ノードＢｎ５１に分類され、４人の運転者がリーフノードＬｎ５１に分類されている。リーフノードＬｎ５１に分類された全運転者に「低」のラベルが付されている。分岐ノードＢｎ５１に分類された１７人の運転者のうち、１４人の運転者に「高」のラベルが付され、３人の運転者に「低」のラベルが付されている。

分岐ノードＢｎ５１は、説明変数として特徴量Ｓ０＿ｓを含む。運転者の特徴量Ｓ０＿ｓが０．１５６以下である場合、当該運転者はリーフノードＬｎ５２に分類される。運転者の特徴量Ｓ０＿ｓが０．１５６より大きい場合、当該運転者は分岐ノードＢｎ５２に分類される。分岐ノードＢｎ５１における分類対象である１７人の運転者のうち、１０人の運転者がリーフノードＬｎ５２に分類され、７人の運転者が分岐ノードＢｎ５２に分類されている。リーフノードＬｎ５２に分類された全運転者に「高」のラベルが付されている。分岐ノードＢｎ５２に分類された７人の運転者のうち、４人の運転者に「高」のラベルが付され、３人の運転者に「低」のラベルが付されている。

分岐ノードＢｎ５２は、説明変数として特徴量Ｓ０＿ｓを含む。運転者の特徴量Ｓ０＿ｓが０．１７３以下である場合、当該運転者はリーフノードＬｎ５３に分類される。運転者の特徴量Ｓ０＿ｓが０．１７３より大きい場合、当該運転者は分岐ノードＢｎ５３に分類される。分岐ノードＢｎ５２における分類対象である７人の運転者のうち、２人の運転者がリーフノードＬｎ５３に分類され、５人の運転者が分岐ノードＢｎ５３に分類されている。リーフノードＬｎ５３に分類された全運転者に「低」のラベルが付されている。分岐ノードＢｎ５３に分類された５人の運転者のうち、４人の運転者に「高」のラベルが付され、１人の運転者に「低」のラベルが付されている。

分岐ノードＢｎ５３は、説明変数として特徴量Ｓ０＿ｍを含む。運転者の特徴量Ｓ０＿ｍが０．６１３以下である場合、当該運転者はリーフノードＬｎ５４に分類される。運転者の特徴量Ｓ０＿ｍが０．６１３より大きい場合、当該運転者は分岐ノードＢｎ５４に分類される。分岐ノードＢｎ５３における分類対象である５人の運転者のうち、３人の運転者がリーフノードＬｎ５４に分類され、２人の運転者が分岐ノードＢｎ５４に分類されている。リーフノードＬｎ５４に分類された全運転者に「高」のラベルが付されている。分岐ノードＢｎ５４に分類された２人の運転者のうち、１人の運転者に「高」のラベルが付され、１人の運転者に「低」のラベルが付されている。

分岐ノードＢｎ５４は、説明変数として特徴量Ｓ０＿ｍを含む。運転者の特徴量Ｓ０＿ｍが０．８５３以下である場合、当該運転者はリーフノードＬｎ５５に分類される。運転者の特徴量Ｓ０＿ｍが０．８５３より大きい場合、当該運転者はリーフノードＬｎ５６に分類される。分岐ノードＢｎ５４における分類対象である２人の運転者のうち、１人の運転者がリーフノードＬｎ５５に分類され、１人の運転者がリーフノードＬｎ５６に分類されている。リーフノードＬｎ５５に分類された全運転者に「低」のラベルが付されている。リーフノードＬｎ５６に分類された全運転者に「高」のラベルが付されている。

以上のように、決定木ＤＴ５は、説明変数として特徴量Ｓ０＿ｓ，Ｓ０＿ｍを含む。決定木ＤＴ５は、立体認知能力が高い被測定者をリーフノードＬｎ５２，Ｌｎ５４，Ｌｎ５６に分類し、立体認知能力が低い被測定者をリーフノードＬｎ５１，Ｌｎ５３，Ｌｎ５５に分類する。

図１７は、図２の決定木ＤＴの他の例であり、スライド量Ｓ０から導かれる特徴量を説明変数として含む決定木ＤＴ６を示す図である。図１７に示されるように、決定木ＤＴ６は、ルートノードＲｎ６０と、分岐ノードＢｎ６１，Ｂｎ６２と、リーフノードＬｎ６１，Ｌｎ６２，Ｌｎ６３，Ｌｎ６４とを含む。ルートノードＲｎ６０において分類対象となる２１人の運転者のうち、１４人の運転者に「高」のラベルが付され、７人の運転者に「低」のラベルが付されている。

ルートノードＲｎ６０は、説明変数として特徴量Ｓ０＿ｓを含む。運転者の特徴量Ｓ０＿ｓが０．３１４以下である場合、当該運転者は分岐ノードＢｎ６１に分類される。運転者の特徴量Ｓ０＿ｓが０．３１４より大きい場合、当該運転者はリーフノードＬｎ６１に分類される。ルートノードＲｎ６０における分類対象である２１人の運転者のうち、１７人の運転者が分岐ノードＢｎ６１に分類され、４人の運転者がリーフノードＬｎ６１に分類されている。リーフノードＬｎ６１に分類された全運転者に「低」のラベルが付されている。分岐ノードＢｎ６１に分類された１７人の運転者のうち、１４人の運転者に「高」のラベルが付され、３人の運転者に「低」のラベルが付されている。

分岐ノードＢｎ６１は、説明変数として年齢を含む。運転者の年齢が４７歳以下である場合、当該運転者はリーフノードＬｎ６２に分類される。運転者の年齢が４７歳より高い場合、当該運転者は分岐ノードＢｎ６２に分類される。分岐ノードＢｎ６１における分類対象である１７人の運転者のうち、１２人の運転者がリーフノードＬｎ６２に分類され、５人の運転者が分岐ノードＢｎ６２に分類されている。リーフノードＬｎ６２に分類された全運転者に「高」のラベルが付されている。分岐ノードＢｎ６２に分類された５人の運転者のうち、２人の運転者に「高」のラベルが付され、３人の運転者に「低」のラベルが付されている。

分岐ノードＢｎ６２は、説明変数として特徴量Ｓ０＿ｓを含む。運転者の特徴量Ｓ０＿ｓが０．１３４以下である場合、当該運転者はリーフノードＬｎ６３に分類される。運転者の特徴量Ｓ０＿ｓが０．１３４より大きい場合、当該運転者はリーフノードＬｎ６４に分類される。分岐ノードＢｎ６２における分類対象である５人の運転者のうち、２人の運転者がリーフノードＬｎ６３に分類され、３人の運転者がリーフノードＬｎ６４に分類されている。リーフノードＬｎ６３に分類された全運転者に「高」のラベルが付されている。リーフノードＬｎ６４に分類された全運転者に「低」のラベルが付されている。

以上のように、決定木ＤＴ６は、説明変数として特徴量Ｓ０＿ｓおよび年齢を含む。決定木ＤＴ６は、立体認知能力が高い被測定者をリーフノードＬｎ６２，Ｌｎ６３に分類し、立体認知能力が低い被測定者をリーフノードＬｎ６１，Ｌｎ６４に分類する。

図１６の決定木ＤＴ５と図１７の決定木ＤＴ６とを比較すると、ルートノードに含まれる説明変数に関する条件、および分類対象が互いに同じである。一方、説明変数に関して、決定木ＤＴ５の説明変数には被測定者の属性に関する情報が含まれないが、決定木ＤＴ６の説明変数には被測定者の属性に関する情報が含まれる。その結果、分岐の回数（ルートノードおよび分岐ノードの数）に関して、決定木ＤＴ５は５回であるのに対して、決定木ＤＴ６は３回である。このように、説明変数に被測定者の属性に関する情報が含まれることにより、効率的な分岐構造を有する決定木の生成が可能になる。

図１８は、図２の立体認知能力評価プログラム１０３ａを実行するプロセッサ１０１によって行われる立体認知能力評価方法における処理の流れを示すフローチャートである。以下ではステップを単にＳと記載する。

図１８に示されるように、プロセッサ１０１は、Ｓ１０１において、自動車Ｃｓ１の運転者として被測定者Ｓｂ１を選択し、処理をＳ１０２に進める。プロセッサ１０１は、Ｓ１０２において、被測定者Ｓｂ１に関する演算データ（たとえば以前の走行データから導出された特徴量）をストレージ１０３から読み込んで、処理をＳ１０３に進める。プロセッサ１０１は、Ｓ１０３において今回の走行データをドライブレコーダ９００から取得して、処理をＳ１０５に進める。プロセッサ１０１は、Ｓ１０５においてスライド量に関する特徴量を演算し、処理をＳ１０６に進める。プロセッサ１０１は、Ｓ１０６において、先行車が存在するかどうかを判定する。

先行車が存在していない場合（Ｓ１０６においてＮＯ）、プロセッサ１０１は、Ｓ１０７において運転者が変更されたか否かを判定する。運転者が変更されていない場合（Ｓ１０７においてＮＯ）、プロセッサ１０１は、処理をＳ１０２に戻し、Ｓ１０５で演算された特徴量等を含む演算データをストレージ１０３に書き込む。運転者が変更された場合（Ｓ１０７においてＹＥＳ）、プロセッサ１０１は、Ｓ１０８において、Ｓ１０５で演算された特徴量等を含む演算データをストレージ１０３に書き込んで処理をＳ１０９に進める。プロセッサ１０１は、Ｓ１０９において、評価モデル１０３ｃを用いて、スライド量に関する特徴量に基づいて被測定者Ｓｂ１の立体認知能力を評価して、処理をＳ１１４に進める。

先行車が存在する場合（Ｓ１０６においてＹＥＳ）、プロセッサ１０１は、Ｓ１１０において、車間距離に関する特徴量を演算し、処理をＳ１１１に進める。プロセッサ１０１は、Ｓ１１１において運転者が変更されたか否かを判定する。運転者が変更されていない場合（Ｓ１１１においてＮＯ）、プロセッサ１０１は、処理をＳ１０２に戻し、Ｓ１０５，Ｓ１１０の各々で演算された特徴量等を含む演算データをストレージ１０３に書き込む。運転者が変更された場合（Ｓ１１１においてＹＥＳ）、プロセッサ１０１は、Ｓ１１２において、Ｓ１０５，Ｓ１１０の各々で演算された特徴量等を含む演算データをストレージ１０３に書き込んで処理をＳ１１３に進める。プロセッサ１０１は、Ｓ１１３において、評価モデル１０３ｃを用いて、スライド量および車間距離に関する特徴量に基づいて被測定者Ｓｂ１の立体認知能力を評価して、処理をＳ１１４に進める。プロセッサ１０１は、Ｓ１１４において立体認知能力の評価結果を被測定者Ｓｂ１の端末装置に送信して、処理を終了する。

立体認知能力評価システム１００によれば、機械学習によって生成された学習済みの評価モデル１０３ｃを用いて、定量化された特徴量（図８参照）に基づいて、被測定者の立体認知能力を客観的に評価することができる。

［実施の形態１の変形例］
実施の形態１においては、情報処理装置１１０が立体認知能力の評価機能、および評価モデルを学習済みとする学習機能の両方を有している構成について説明した。実施の形態１の変形例においては、立体認知能力の評価機能を有する装置と、学習機能を有する装置とが別である構成について説明する。

図１９は、実施の形態１の変形例に係る立体認知能力評価システム１００Ａの構成を示すブロック図である。立体認知能力評価システム１００Ａの構成は、図１の情報処理装置１１０が１１０Ａに置き換えられているとともに、学習装置６００が追加された構成である。これら以外の立体認知能力評価システム１００Ａの構成は、図１の立体認知能力評価システム１００の構成と同様であるため、当該構成についての説明を繰り返さない。図１９に示されるように、情報処理装置１１０Ａと、学習装置６００と、端末装置８００と、自動車Ｃｓ１と、ドライブレコーダ９００とは、ネットワークＮＷを介して互いに接続されている。

図２０は、図１９の立体認知能力評価システム１００Ａのハードウェア構成を示す図である。情報処理装置１１０Ａのハードウェア構成は、図２のストレージ１０３から機械学習プログラム１０３ｂおよび学習データ１０３ｄが除かれた構成である。これら以外の情報処理装置１１０Ａのハードウェア構成は、図２の情報処理装置１１０のハードウェア構成と同様であるため、当該ハードウェア構成についての説明を繰り返さない。

図２０に示されるように、学習装置６００は、プロセッサ６０１と、ＲＡＭ６０２と、ストレージ６０３と、通信部６０４と、メモリインターフェース６０５と、筐体Ｈｓ１１とを含む。筐体Ｈｓ１１は、プロセッサ６０１と、ＲＡＭ６０２と、ストレージ６０３と、通信部６０４と、メモリインターフェース６０５とを収容している。プロセッサ６０１、ＲＡＭ６０２、ストレージ６０３、通信部６０４、およびメモリインターフェース６０５は、図２のプロセッサ１０１、ＲＡＭ１０２、ストレージ１０３、通信部１０４、およびメモリインターフェース１０５とそれぞれ同様の機能を有するため、プロセッサ６０１、ＲＡＭ６０２、ストレージ６０３、通信部６０４、およびメモリインターフェース６０５の当該同様の機能についての説明を繰り返さない。

ストレージ６０３には、機械学習プログラム１０３ｂと、評価モデル１０３ｃと、学習データ１０３ｄとが保存されている。プロセッサ６０１は、機械学習プログラム１０３ｂを実行することによって学習済みの評価モデル１０３ｃを生成する。プロセッサ６０１は、通信部６０４を介して、学習済みの評価モデル１０３ｃを情報処理装置１１０Ａに提供する。

以上、実施の形態１および変形例に係る立体認知能力評価システム、立体認知能力評価装置、立体認知能力評価プログラム、および立体認知能力評価方法によれば、立体認知能力の客観的な評価を実現することができる。

［実施の形態２］
実施の形態１および変形例においては、現実の世界において被測定者によって操作される移動オブジェクトの位置の変化に基づいて当該被測定者の立体認知能力を評価する構成について説明した。実施の形態２においては、仮想現実（仮想空間）において被測定者によって操作される移動オブジェクトの位置の変化に基づいて当該被測定者の立体認知能力を評価する構成について説明する。なお、実施の形態２においても実施の形態１と同様に移動オブジェクトが自動車である場合について説明するが、移動オブジェクトは自動車に限定されない。被測定者の操作に応じて移動オブジェクトの位置が変化すれば移動オブジェクトはどのようなものであってもよく、たとえばバイク、自転車、飛行機、あるいは船であってもよい。

図２１は、実施の形態２に係る立体認知能力評価システム２００において、被測定者Ｓｂ２の立体認知能力がドライブシミュレーションによる測定テストによって測定されている様子を示す図である。図２１に示されるように、立体認知能力評価システム２００は、立体認知能力評価装置２１０と、コントロール装置Ｃｄとを備える。立体認知能力評価装置２１０と、コントロール装置Ｃｄとは、互いに無線または有線によって接続されている。コントロール装置Ｃｄは、ハンドルＨｄと、アクセルペダルＡｐと、ブレーキペダルＢｐとを含む。立体認知能力評価システム２００は、実施の形態１に係る立体認知能力評価システムと同様に、車間距離を少なくとも１回時間微分した値から導かれる特徴量、およびスライド量から導かれる特徴量の少なくとも１つを用いて、被測定者Ｓｂ２の立体認知能力の評価を行う。

図２２は、図２１の立体認知能力評価システム２００によるドライブシミュレーションにおいて立体認知能力評価装置２１０を介して被測定者Ｓｂ２に表示される画面の一例を示す図である。図２２に示されるように、被測定者Ｓｂ２には、仮想空間において被測定者Ｓｂ２が運転する自動車Ｃｓ２（移動オブジェクト）の運転席からの風景が表示される。当該風景には、自動車Ｃｓ２の前方を走行する先行車Ｃａ２（基準オブジェクト）が表示される。図２１のコントロール装置への被測定者Ｓｂ２の入力に応じて、自動車Ｃｓ２が仮想空間において移動する。なお、自動車Ｃｓ２のスライド量に関する特徴量を用いて被測定者Ｓｂ２の立体認知能力が評価される場合には、先行車Ｃａ２は表示されていなくてもよい。

図２３は、図２１の立体認知能力評価装置２１０の外観斜視図である。図２３において、破線で示された構成は、立体認知能力評価装置２１０の筐体Ｈｓ２の内部に収容され、外部からは視認することができない。当該構成の詳細については、後に図２４を参照しながら説明する。立体認知能力評価装置２１０は、被測定者に移動オブジェクトを視認させ、それに対する被測定者の反応を評価することによって被測定者の立体認知能力を評価する。

立体認知能力評価装置２１０は、典型的には、三次元の仮想現実を表わす動画像を表示する電子ディスプレイを備えたヘッドマウントディスプレイ（ゴーグル）であり、仮想現実ヘッドセットの形態をとる。立体認知能力評価装置２１０には、典型的にはゴムバンドのような装着用バンドＲｂが取り付けられている。ユーザ（被測定者）は、立体認知能力評価装置２１０を目の周りを覆うように当てて、装着用バンドＲｂを頭部に巻き付けることにより、立体認知能力評価装置２１０を目の周囲に装着する。

図２４は、図２３の立体認知能力評価装置２１０のハードウェア構成を示す図である。図２４に示されるように、立体認知能力評価装置２１０は、プロセッサ２０１と、ＲＡＭ２０２と、ストレージ２０３と、通信部２０４と、メモリインターフェース２０５と、電子ディスプレイ２１１と、視線・瞳孔センサ２１２とを含む。プロセッサ２０１、ＲＡＭ２０２、ストレージ２０３、通信部２０４、およびメモリインターフェース２０５は、図２のプロセッサ１０１、ＲＡＭ１０２、ストレージ１０３、通信部１０４、およびメモリインターフェース１０５とそれぞれ同様の機能を有するため、プロセッサ２０１、ＲＡＭ２０２、ストレージ２０３、通信部２０４、およびメモリインターフェース２０５の当該同様の機能についての説明を繰り返さない。

ストレージ２０３には、ＯＳ（Operating System）プログラム（不図示）と、立体認知能力評価プログラム２０３ａと、機械学習プログラム２０３ｂと、評価モデル２０３ｃ（特定モデル）と、学習データ２０３ｄとが保存されている。

電子ディスプレイ２１１は、たとえば、ＬＣＤ（Liquid Crystal Display）、または有機ＥＬ（Electro Luminescence）ディスプレイなどのようなフラットパネルディスプレイを含む。電子ディスプレイ２１１は、被測定者側に配置された接眼レンズを介して、立体認知能力評価装置２１０を目の周囲に装着した被測定者に対して、仮想空間において移動する移動オブジェクトの動画像を表示する。動画像のデータが電子ディスプレイ２１１のデータバッファ領域にプロセッサ２０１から転送されると、電子ディスプレイ２１１はデータバッファ領域から画像のデータを読み出して、それが表わす動画像を表示する。電子ディスプレイ２１１は、右眼用と左眼用が独立しており、それぞれ、接眼レンズを介してユーザが視認する。電子ディスプレイ２１１に表示されるオブジェクトは、それの位置が無限遠の場合は、右眼用と左眼用の電子ディスプレイ２１１において同じ位置に表示される。その結果、左右の眼で視差が生じず、左右の眼が開散状態となることにより、被測定者に無限遠に存在している感覚を与えることができる。当該オブジェクトは、それの位置がユーザ側に近付くにつれ、右眼用の電子ディスプレイ２１１と左眼用の電子ディスプレイ２１１とで内側寄りに表示される。その結果、左右の眼で視差が生じ、左右の眼が輻輳状態となることにより、被測定者に近くに存在している感覚を与えることができる。

視線・瞳孔センサ２１２は、電子ディスプレイ２１１の上側などに被測定者側に向けて配置された、左右の眼のそれぞれの視線方向、および瞳孔の大きさを検出する。視線・瞳孔センサ２１２は、左右の眼のそれぞれの画像をカメラのような画像取得手段で取得し、画像中の瞳の位置および瞳孔の大きさを特定することにより、視線の方向および瞳孔の大きさを求め、それらを視線情報としてプロセッサ２０１に出力する。カメラとしては、可視光カメラや赤外カメラを使用することができる。被測定者が移動オブジェクトを視認していることの判定のためには、まず、視線の方向が重要なデータである。左右の眼の視線（瞳孔の中心部の法線）のそれぞれが正確に当該移動オブジェクトを通過していることを確認することによって、移動オブジェクトの視認を確認することができる。この際、近くの移動オブジェクトを視認していれば、視差により左右の眼の視線が内側寄りになって輻輳状態となる。また、近づいている移動オブジェクトを被測定者が連続的に視認していることの判定のためには、瞳孔径を追加的に使用することができる。近づいている移動オブジェクトを被測定者が連続的に視認している場合は、瞳孔近距離反射により、瞳孔径が次第に小さくなるため、それを検出することによって視認の成否を確認できる。

立体認知能力は、視覚情報の取得のための正常な眼の機能（たとえば瞳孔調節、あるいは眼球運動）を前提としている。そのため、立体認知能力は、たとえば移動オブジェクトなどを被測定者が見たときに、当該移動オブジェクトの視覚情報からその位置関係を脳で正確に把握し、その把握した位置関係に基づいて適切かつ正確に当該移動オブジェクトに対応する動作を行うことができる能力と定義される。

正常な眼の機能を確認する方法として、たとえば、瞳孔測定および近点距離測定という手法が知られている。これらの測定は、トライイリスという機器を用いて行うことができる。瞳孔測定は、視標からの可視光刺激に対する瞳孔反応（対光反応）を測定すること、および、移動視標を見ているときの瞳孔変化を測定することを少なくとも含む。具体的には、瞳孔変化は、瞳孔近距離反射により起こり、視標が近方に移動すると瞳孔が縮小する。また、近点距離測定は、具体的には、被測定者が、定屈折速度で接近する視標が観察中にぼやけたところで手元スイッチを押し、そのときの視標位置が近点距離として記録される。これらの測定は、眼球の状態（瞳孔）とぼやけた時点でのスイッチ押下により近点距離の測定であるが、その主目的は、近点距離の測定である。

立体認知能力は、特に移動オブジェクトを眼で正確に追尾し、その位置を正しく認識し、それに対して的確に反応する能力も含む。移動オブジェクトを眼で追尾する機能を測定するためには、瞳孔調節と輻輳反応とを測定する方法が特に有用と考えられる。これらの測定方法について以下で説明する。図２５は、眼の機能の測定に使用する視標の概念を表わす図である。視標（先行車Ｃａ２）は、被測定者の眼の前方で視認されるように、遠ざかる方向と近づく方向との間で移動する。指標を反復させて、その都度、被測定者の眼の様子を確認することが望ましい。

図２６は、瞳孔近距離反射による、視標距離（被測定者の眼と視標の間の距離）と瞳孔径との関係を示す図である。図２６（Ａ）には視標距離が近い時は瞳孔径が小さくなることが示されている。図２６（Ｂ）には視標距離が遠い時は瞳孔径が大きくなることが示されている。図２６（Ｃ）には、横軸を視標距離とし、縦軸を瞳孔径としたときのグラフを示す。実線は左眼のグラフを示し、一点鎖線は右眼のグラフを示す。これらのグラフには、視標距離が近い場合に瞳孔径が小さくなり、視標距離が遠い場合に瞳孔径が大きくなることが示されている。また、視標距離にかかわらず、右眼と左眼とはほぼ同じ瞳孔径となることも示されている。

図２７は、視標距離と瞳孔位置（輻輳開散運動）との関係を示す図である。図２７（Ａ）には視標距離が近い場合に左右の眼が内側寄りの輻輳状態になることが示されている。図２７（Ｂ）には視標距離が遠い場合に左右の眼が平行状態の開散状態になることが示されている。図２７（Ｃ）には、横軸を視標距離とし、縦軸を瞳孔位置としたときのグラフが示されている。実線が左眼のグラフを示し、一点鎖線が右眼のグラフを示す。これらのグラフには、視標距離が近い場合に左右の眼の瞳孔の間の距離が小さくなって輻輳の状態であること、および視標距離が遠い場合に左右の眼の瞳孔の間の距離が大きくなって開散の状態であることが示されている。

被測定者が見ている視標の遠近を変化させるように指標を移動させると、それに伴って、上述の瞳孔径の変化および輻輳開散運動のような被測定者の反応が発生する。被測定者の視認の機能が衰えている場合、それらの反応は低下する。したがって、視標の遠近を変化させたときの被測定者の瞳孔径の変化および輻輳開散運動を測定することによって、視認の機能を測定することができる。立体認知能力評価システム２００によれば、視標の遠近を変化させるような大掛かりな装置が不要であるため、立体認知能力評価システム２００を小型化することができる。

図２８は、図２４のプロセッサ２０１の立体認知能力の評価機能の構成を示す機能ブロック図である。立体認知能力評価システム２００においては、ストレージ２０３に保存された立体認知能力評価プログラム２０３ａがプロセッサ２０１によって実行されることにより、移動オブジェクト表示部２０１ａ、位置取得部２０１ｂ、視認判定部２０１ｃ、反応入力部２０１ｄ、および立体認知能力判定部２０１ｅという機能ブロックを形成するモジュールが構成される。したがって、図２８においては、図２４のプロセッサ２０１および立体認知能力評価プログラム２０３ａに替えて、それらによって実現される機能ブロックが示されている。以下、それらの機能ブロックについて説明する。

移動オブジェクト表示部２０１ａは、自動車Ｃｓ２の運転席から被測定者Ｓｂ２が見る前方の風景の画像を自動車Ｃｓ２の進行に合わせて三次元レンダリングによって連続的に生成し、動画データとして電子ディスプレイ２１１のデータバッファ領域に転送する。動画データは、電子ディスプレイ２１１における右眼および左眼各々のデータである。動画データは、移動オブジェクトの位置に応じて、右眼用の動画データと左眼用の動画データとの間で、自動車Ｃｓ２から被測定者Ｓｂ２に見える風景における位置に視差を生じさせる。そのため、動画データを電子ディスプレイ２１１で見た被測定者は、現実的な遠近感でボールを見ることができる。移動オブジェクト表示部２０１ａは、当該動画データに基づく自動車Ｃｓ２の走行データを位置取得部２０１ｂに送信する。

位置取得部２０１ｂは、移動オブジェクト表示部２０１ａから被測定者Ｓｂ２の走行データを取得する。位置取得部２０１ｂは、当該走行データから自動車Ｃｓ２の位置に関する情報を取得する。位置取得部２０１ｂは、視認判定部２０１ｃおよび立体認知能力判定部２０１ｅに自動車Ｃｓ２の位置に関する情報を出力する。

視認判定部２０１ｃは、自動車Ｃｓ２の位置に対して、視線方向が正しく対応しているかどうかを判定することによって、被測定者Ｓｂ２が自動車Ｃｓ２を視覚により空間的に認識しているかを判定する。視認判定部２０１ｃは、視線・瞳孔センサ２１２が感知した、被測定者Ｓｂ２の左右の眼の視線の方向のデータを受信し、左右の眼のそれぞれの視線の方向が、移動オブジェクト表示部２０１ａから送信された自動車Ｃｓ２の位置と対応しているか否かを判定することによって、被測定者Ｓｂ２が自動車Ｃｓ２を空間的に認識しているか否かを判定する。視認判定部２０１ｃは、視線・瞳孔センサ２１２によって感知された被測定者Ｓｂ２の左右の眼の瞳孔径のデータをさらに受信してもよい。視認判定部２０１ｃは、先行車Ｃａ２の位置が所定の視点に近づいて遠近距離が小さくなる間に、両眼の瞳孔径が次第に小さくなっているとさらに判定した場合（遠近距離が小さくなることに応じた瞳孔近距離反射が発生している場合）に、被測定者が物体を空間的に認識していると判定するように動作してもよい。視認判定部２０１ｃは、判定結果を視認情報として立体認知能力判定部２０１ｅに出力する。

反応入力部２０１ｄは、被測定者Ｓｂ２が認識した自動車Ｃｓ２の仮想空間における三次元位置に対応して行われる被測定者Ｓｂ２の能動的な反応の入力を受ける。反応入力部２０１ｄは、コントロール装置Ｃｄへの被測定者Ｓｂ２の入力情報に基づいて、自動車Ｃｓ２を運転する被測定者Ｓｂ２の反応を特定する。反応入力部２０１ｄは、当該反応に関する情報を立体認知能力判定部２０１ｅに出力する。

立体認知能力判定部２０１ｅは、自動車Ｃｓ２の位置に関する情報に基づいて、自動車Ｃｓ２の間隔速度、間隔加速度、スライド量の絶対値、スライド速度の絶対値、スライド加速度の絶対値、スライド量、スライド速度、およびスライド加速度の少なくとも１つから導かれる特徴量を導出する。立体認知能力判定部２０１ｅは、評価モデル２０３ｃを用いて、当該特徴量および視認判定部２０１ｃからの視認情報から、被測定者Ｓｂ２の立体認知能力を判定する。被測定者Ｓｂ２の立体認知能力の判定に、当該視認情報が使用されなくてもよい。また、被測定者Ｓｂ２の立体認知能力の判定に、反応入力部２０１ｄからの反応に関する情報が使用されてもよい。立体認知能力判定部２０１ｅは、通信部２０４を介して、立体認知能力の評価結果を被測定者Ｓｂ２の端末装置８２０に送信する。

立体認知能力評価システム２００においては、プロセッサ２０１によって機械学習プログラム２０３ｂが実行されることにより、立体認知能力評価装置２１０が学習済みの評価モデル２０３ｃを生成する学習装置として機能する。実施の形態１の変形例と同様に、立体認知能力評価装置２１０とは別個の学習装置によって評価モデル２０３ｃに対する機械学習が行われてもよい。

図２９は、図２４の立体認知能力評価プログラム２０３ａを実行するプロセッサ２０１によって行われる立体認知能力評価方法における処理の流れを示すフローチャートである。図２９に示される処理は、図１８に示されるフローチャートのＳ１０３とＳ１０５との間にＳ２０４が追加されているとともに、Ｓ１０９，Ｓ１１３がＳ２０９，Ｓ２１３にそれぞれ置き換えられたフローチャートである。

図２９に示されるように、プロセッサ２０１は、実施の形態１と同様にＳ１０１～Ｓ１０３を実行した後、Ｓ２０４において視線・瞳孔センサ２１２から視線情報を取得し、処理をＳ１０５に進める。プロセッサ２０１は、実施の形態１と同様にＳ１０５～Ｓ１０８またはＳ１０５，１０６，Ｓ１１０～Ｓ１１２を実行した後、Ｓ２０９，Ｓ２１３の各々において、評価モデル２０３ｃを用いて、スライド量に関する特徴量および視認情報に基づいて被測定者Ｓｂ２の立体認知能力を評価して、処理をＳ１１４に進める。プロセッサ２０１は、実施の形態１と同様にＳ１１４を実行して処理を終了する。

以上、実施の形態２に係る立体認知能力評価システム、立体認知能力評価装置、立体認知能力評価プログラム、および立体認知能力評価方法によれば、立体認知能力の客観的な評価を実現することができる。

［実施の形態３］
実施の形態１においては、ドライブレコーダの位置測定部によって測定された移動オブジェクトの位置から特徴量を演算する構成について説明した。実施の形態３においては、ドライブレコーダの加速度センサによって特徴量を直接に測定する構成について説明する。

図３０は、実施の形態３に係る立体認知能力評価システム３００のハードウェア構成を示す図である。図３０の情報処理装置３１０の構成は、図２の立体認知能力評価プログラム１０３ａ、機械学習プログラム１０３ｂ、評価モデル１０３ｃ、および学習データ１０３ｄが、立体認知能力評価プログラム３０３ａ、機械学習プログラム３０３ｂ、評価モデル３０３ｃ、および学習データ３０３ｄにそれぞれ置き換えられた構成である。また、図３０のドライブレコーダ９３０は、図２の位置測定部９０７が加速度センサ９３７に置き換えられた構成である。加速度センサ９３７は、たとえば、自動車Ｃｓ１の進行方向に沿う基準線と直交する方向（横方向）の自動車Ｃｓ１の加速度を測定する。加速度センサ９３７は、当該基準線の方向の自動車Ｃｓ１の加速度を測定してもよい。これら以外の立体認知能力評価システム３００の構成は、立体認知能力評価システム１００の構成と同様であるため、同様の構成についての説明を繰り返さない。

図３１は、図３０のプロセッサ１０１の、立体認知能力の評価機能の構成を示す機能ブロック図である。立体認知能力評価システム３００においては、ストレージ１０３に保存された立体認知能力評価プログラム３０３ａがプロセッサ１０１によって実行されることにより、挙動取得部３０１ｂ、反応入力部３０１ｄ、および立体認知能力判定部３０１ｅという機能ブロックを形成するモジュールが構成される。したがって、図３１においては、図３０のプロセッサ１０１および立体認知能力評価プログラム３０３ａに替えて、それらによって実現される機能ブロックが示されている。以下、それらの機能ブロックについて説明する。

図３１に示されるように、挙動取得部３０１ｂは、ドライブレコーダ９３０から被測定者の走行データ、および自動車Ｃｓ１の挙動に関する情報として加速度センサ９３７の測定結果を取得する。挙動取得部３０１ｂは、当該走行データおよび測定結果から自動車Ｃｓ１の加速度（たとえばスライド加速度）を取得する。挙動取得部３０１ｂは、立体認知能力判定部３０１ｅに自動車Ｃｓ１の加速度を出力する。なお、挙動取得部３０１ｂは、ドライブレコーダ９３０からの被測定者の走行データおよび自動車Ｃｓ１の位置の測位結果から、自動車Ｃｓ１の挙動に関する情報として、自動車Ｃｓ１の位置に関する情報を取得してもよい。

反応入力部３０１ｄは、被測定者が認識した自動車Ｃｓ１の三次元位置に対応してなされる被測定者の能動的な反応の入力を受ける。反応入力部３０１ｄは、自動車Ｃｓ１のハンドル、アクセルペダル、およびブレーキペダル等への被測定者の入力情報に基づいて、自動車Ｃｓ１を運転する被測定者の反応を特定する。反応入力部３０１ｄは、当該反応に関する情報を立体認知能力判定部３０１ｅに出力する。

立体認知能力判定部３０１ｅは、評価モデル３０３ｃを用いて、自動車Ｃｓ１の加速度から、被測定者の立体認知能力を判定する。被測定者の立体認知能力の判定に、反応入力部３０１ｄからの反応に関する情報が使用されてもよい。立体認知能力判定部３０１ｅは、実施の形態１の立体認知能力判定部１０１ｅと同様に、通信部１０４を介して、立体認知能力の評価結果を被測定者の端末装置８００に送信する。

図３２は、図３０のプロセッサ１０１の、機械学習機能の構成を示す機能ブロック図である。立体認知能力評価システム３００においては、機械学習プログラム３０３ｂがプロセッサ１０１によって実行されることにより、挙動取得部３１１ｂ、および学習部３０１ｆという機能ブロックを形成するモジュールが構成される。したがって、図３２においては、図３０のプロセッサ１０１および機械学習プログラム３０３ｂに替えて、それらによって実現される機能ブロックが示されている。以下、それらの機能ブロックについて説明する。

図３２に示されるように、挙動取得部３１１ｂは、学習データ３０３ｄから走行データを取得する。挙動取得部３１１ｂは、図３１の挙動取得部３０１ｂと同様に、当該走行データに対応する自動車の加速度を取得する。挙動取得部３１１ｂは、学習部３０１ｆに当該加速度および当該走行データに付されたラベルを出力する。

学習部３０１ｆは、挙動取得部３１１ｂからの加速度およびラベルを用いて評価モデル３０３ｃに対して機械学習を行って、評価モデル３０３ｃを学習済みモデルとする。

以下の表１は、複数の被測定者に関して、加速度センサ９３７によって取得されるスライド加速度から導かれる特徴量Ｓ０＿ｓ，Ｓ１＿ｓ，Ｓ２＿ｓの各々と、実施の形態２に係る立体認知能力評価システムによって取得された仮想空間におけるスライド量から導かれる特徴量Ｓ０＿ｓ，ＡＳ１＿ｓの各々との相関係数の一例を示す。なお、表１に示される各特徴量は、当該特徴量と同じ文字列の図８に示される特徴量に対応する。

加速度センサ９３７によって取得されるスライド加速度から導かれる特徴量に関して、特徴量Ｓ２＿ｓは、加速度センサ９３７によって取得されるスライド加速度の区間標準偏差である。特徴量Ｓ１＿ｓは、スライド速度の区間標準偏差であり、特徴量Ｓ２＿ｓを１回時間積分することによって導かれる。特徴量Ｓ０＿ｓは、スライド量の区間標準偏差であり、特徴量Ｓ１＿ｓを１回時間積分する（特徴量Ｓ２＿ｓを２回時間積分する）ことによって導かれる。加速度センサ９３７によって取得されるスライド加速度は、たとえば、Ｓ字カーブ、クランク、および直線等を含む自動車教習所のコースを走行する教習車のドライブレコーダから取得することができる。

仮想空間におけるスライド量から導かれる特徴量に関して、特徴量Ｓ０＿ｓは、スライド量の区間標準偏差である。特徴量ＡＳ１＿ｓは、スライド速度の絶対値の区間標準偏差である。

表１に示されるように、特徴量Ｓ０＿ｓ，Ｓ１＿ｓ，Ｓ２＿ｓの各々と、実施の形態２の仮想空間において取得されたスライド量から導かれる特徴量Ｓ０＿ｓ，ＡＳ１＿ｓの各々との間には、正の相関が認められる。したがって、仮想空間におけるスライド量から導かれる特徴量Ｓ０＿ｓ，ＡＳ１＿ｓと同様に、加速度センサ９３７によって取得されたスライド量に関する特徴量Ｓ０＿ｓ，Ｓ１＿ｓ，Ｓ２＿ｓによっても、立体認知能力の客観的な評価を実現することができる。

基準オブジェクトと移動オブジェクトとの間隔を第１距離と定義し、移動オブジェクトの進行方向に沿う基準線と移動オブジェクトとの間の距離（スライド量）を第２距離と定義すると、本開示は以下のような範囲の実施の態様を含んでいる。

本開示の立体認知能力評価システムは、被測定者に操作されて移動する移動オブジェクトの挙動の変化に基づいて被測定者の立体認知能力を評価する。立体認知能力評価システムは、挙動取得部と、立体認知能力判定部とを備える。

立体認知能力判定部は、移動オブジェクトの進行方向において移動オブジェクトよりも先行する基準オブジェクトと移動オブジェクトとの間の第１距離に関する第１特徴量、および移動オブジェクトの進行方向に沿う基準線と移動オブジェクトとの間の第２距離に関する第２特徴量の少なくとも１つから被測定者の立体認知能力を判定する。また、上記挙動取得部は、上記移動オブジェクトの加速度に関する情報を取得する。

上記第１特徴量及び／又は第２特徴量は、上記移動オブジェクトの加速度に関する情報から導かれる特徴量である。また、上記第１距離に関する第１特徴量は、第１距離方向の加速度の値、第１距離方向の加速度を１回時間積分した値、第１距離方向の加速度を２回時間積分した値のいずれか１から導かれてもよい。また、上記第２距離に関する第２特徴量は、第２距離方向の加速度の値、第２距離方向の加速度を１回時間積分した値、第２距離方向の加速度を２回時間積分した値のいずれか１から導かれてもよい。

なお、実施の形態３においては加速度センサを用いる構成について説明したが、加速度センサの代わりにジャイロセンサ（角速度センサ）を用いてもよく、加速度センサおよびジャイロセンサの両方を一緒に用いてもよい。ジャイロセンサを用いる場合、立体認知能力を判定する特徴量は、角速度の値、角速度を１回時間積分した値、および角速度を２回時間積分した値のいずれか１つから導かれてもよい。

［実施の形態３の変形例］
図３３は、実施の形態３の変形例に係る立体認知能力評価システム３００Ａのハードウェア構成を示す図である。図３３のドライブレコーダ９３０は、図２のドライブレコーダ９００に図３０の加速度センサ９３７が追加された構成である。これら以外の立体認知能力評価システム３００Ａの構成は、立体認知能力評価システム１００の構成と同様であるため、同様の構成についての説明を繰り返さない。

以上、実施の形態３および変形例に係る立体認知能力評価システム、立体認知能力評価装置、立体認知能力評価プログラム、および立体認知能力評価方法によれば、立体認知能力の客観的な評価を実現することができる。

［実施の形態４］
実施の形態３の変形例においては、自動車に設置されたドライブレコーダの加速度センサまたは位置測定部によって測定されるデータを用いる構成について説明したが、実施の形態４では、スマートフォン等の携帯可能なモバイル端末に含まれる、カメラ、加速度センサ、あるいは位置測定部によって測定されるデータを用いる構成について説明する。なお、各種プログラムを格納する情報処理装置は、モバイル端末に含まれていてもよいし、通信部を介してモバイル端末と通信する、モバイル端末とは別個の装置であってもよい。

実施の形態４においては、モバイル端末がカメラ、加速度センサ、あるいは位置測定部を備えているため、移動オブジェクトは自動車に限定されない。移動オブジェクトは、被測定者とともに移動し、被測定者の操作に応じて移動オブジェクトの位置が変化すればどのようなものであってもよく、たとえば、自転車、自動二輪車、飛行機、あるいは船舶であってもよい。

以上、実施の形態４に係る立体認知能力評価システム、立体認知能力評価装置、立体認知能力評価プログラム、および立体認知能力評価方法によれば、立体認知能力の客観的な評価を実現することができる。

本開示の実現例である実施の形態１～４において説明された立体認知能力の客観的な評価は、様々な場面において活用され得る。たとえば、当該評価は、人間の成長過程における高次脳機能の発達の指標として利用可能である。特に、従来、立体認知能力は、クイズ形式で問題を解くこと、あるいはスポーツ等競技における経験則に基づいて評価されている。しかし、本明細書に記載の立体認知能力評価システム、立体認知能力評価装置、立体認知能力評価プログラム、および立体認知能力評価方法を用いて立体認知能力を定量的に評価することにより、より精度の高い立体認知能力の評価が可能になる。

本明細書に記載の立体認知能力評価システム、立体認知能力評価装置、立体認知能力評価プログラム、および立体認知能力評価方法は、自動車運転等の日常生活の活動中の継続的な立体認知能力の評価を可能にする。その結果、一定時間内で行うクイズ形式の評価方法等の従来の評価方法では得られない立体認知能力の客観的な評価が可能になる。

本明細書に記載の立体認知能力の客観的な評価の活用の他の例として、脳損傷、精神疾患、あるいは認知症等における、認知障害の評価への活用を挙げることができる。この例において、被測定者の状況に応じた仮想現実（仮想空間）を用いることにより安全に立体認知能力を客観的に評価することができる。また、服薬による立体認知能力の回復、あるいは悪影響等の変化を確認することも可能になる。

さらなる他の例として、自動車等の移動オブジェクトの運転に必要な能力を客観的に定義における活用を挙げることができる。具体的には、立体認知能力を当該能力の１つとして規定することができる。特に加齢による高齢者の立体認知能力の低下は、事故につながる可能性があり、運転の適性を判断する上でも立体認知能力の客観的な評価は重要である。また、高齢者の他に、運転未熟者、疲労度の高い運転者、あるいは注意力の低い運転者等の被測定者の立体認知能力を客観的に評価することにより、被測定者の立体認知能力の低下を早期に察知することができる。その結果、被測定者の立体認知能力の低下を警告することにより事故を未然に防ぐことも可能となる。なお、立体認知能力を客観的に評価が可能な被測定者は、自動車の運転者に限定されず、直線および曲線状に走行可能な移動オブジェクトの操作者を含む。直線および曲線状に走行可能な移動オブジェクトには、たとえば、自転車、自動二輪車、飛行機、または船舶等が含まれる。また、立体認知能力を客観的に評価は、立体認知能力の低下を補うような補助機能を備えた移動オブジェクトの設計の指標にもなり得る。

今回開示された各実施の形態は、矛盾しない範囲で適宜組み合わされて実施されることも予定されている。今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本開示の範囲は上記した説明ではなくて請求の範囲によって示され、請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

１００，１００Ａ，２００，３００，３００Ａ 立体認知能力評価システム、１０１，２０１，６０１，９０１ プロセッサ、１０１ｂ，１１１ｂ，２０１ｂ 位置取得部、１０１ｄ，２０１ｄ，３０１ｄ 反応入力部、１０１ｅ，２０１ｅ，３０１ｅ 立体認知能力判定部、１０１ｆ，３０１ｆ 学習部、１０２，２０２，６０２，９０３ ＲＡＭ、１０３，２０３，６０３，９０５ ストレージ、１０３ａ，２０３ａ，３０３ａ 立体認知能力評価プログラム、１０３ｂ，２０３ｂ，３０３ｂ 機械学習プログラム、１０３ｃ，２０３ｃ，３０３ｃ 評価モデル、１０３ｄ，２０３ｄ，３０３ｄ 学習データ、１０４，２０４，６０４，９０４ 通信部、１０５，２０５，６０５，９０６ メモリインターフェース、１１０，１１０Ａ，３１０ 情報処理装置、２０１ａ 移動オブジェクト表示部、２０１ｃ 視認判定部、２１０ 立体認知能力評価装置、２１１ 電子ディスプレイ、２１２ 瞳孔センサ、３０１ｂ，３１１ｂ 挙動取得部、６００ 学習装置、８００，８２０ 端末装置、９００ ドライブレコーダ、９０２ カメラ、９０５ａ 走行データ、Ａｐ アクセルペダル、Ｂｐ ブレーキペダル、Ｃａ１，Ｃａ２ 先行車、Ｃｄ コントロール装置、Ｃｓ１，Ｃｓ２ 自動車、ＤＴ，ＤＴ１～ＤＴ６ 決定木、Ｈｄ ハンドル、Ｈｓ１，Ｈｓ２，Ｈｓ１１ 筐体、ＮＷ ネットワーク、Ｒｂ 装着用バンド、Ｓｂ１，Ｓｂ２ 被測定者。

Claims (20)

1. 被測定者に操作されて移動する移動オブジェクトの位置の変化に基づいて前記被測定者の立体認知能力を評価するための立体認知能力評価システムであって、
   前記移動オブジェクトの位置に関する情報を取得する位置取得部と、
   学習済みの特定モデルを用いて前記立体認知能力を判定する立体認知能力判定部とを備え、
   前記特定モデルの説明変数は、前記移動オブジェクトの進行方向において前記移動オブジェクトよりも先行する基準オブジェクトと前記移動オブジェクトとの間の第１距離を少なくとも１回時間微分した値から導かれる第１特徴量、および前記移動オブジェクトの進行方向に沿う基準線と前記移動オブジェクトとの間の第２距離から導かれる第２特徴量の少なくとも１つを含み、
   前記特定モデルは、前記移動オブジェクトの操作者の立体認知能力によって予めラベル付けされた、当該操作者によって操作されて移動する前記移動オブジェクトの位置に関する情報を教師データとする機械学習によって学習済みモデルとされる、立体認知能力評価システム。
2. 前記第２特徴量は、前記第２距離を少なくとも１回時間微分した値から導かれる特徴量を含む、請求項１に記載の立体認知能力評価システム。
3. 前記第２特徴量は、前記第２距離を少なくとも２回時間微分した値から導かれる特徴量を含む、請求項１に記載の立体認知能力評価システム。
4. 前記第１特徴量は、前記第１距離を少なくとも２回時間微分した値から導かれる特徴量を含む、請求項１に記載の立体認知能力評価システム。
5. 前記特定モデルは、前記立体認知能力を目的変数とする決定木を含む、請求項４に記載の立体認知能力評価システム。
6. 前記説明変数は、前記被測定者の属性に関する情報をさらに含む、請求項５に記載の立体認知能力評価システム。
7. 前記移動オブジェクトに搭載された移動記録装置をさらに備え、
   前記移動記録装置は、前記移動オブジェクトから前記移動オブジェクトの進行方向を見た場合の動画データを生成するカメラと、
   前記移動オブジェクトの位置を測定する位置測定部とを含み、
   前記位置取得部は、前記基準オブジェクトおよび前記基準線の少なくとも１つを含む前記動画データおよび前記位置測定部の測定結果から前記移動オブジェクトの位置に関する情報を取得する、請求項１に記載の立体認知能力評価システム。
8. 前記移動オブジェクトは仮想現実によって提供され、
   前記立体認知能力評価システムは、
   前記仮想現実の動画像を表示するための電子ディスプレイを含む仮想現実ヘッドセットと、
   前記仮想現実において移動する前記移動オブジェクトの動画像を前記電子ディスプレイに表示させる移動オブジェクト表示部とをさらに備え、
   前記位置取得部は、前記移動オブジェクト表示部で表示される前記仮想現実における前記移動オブジェクトの位置を取得する、請求項１に記載の立体認知能力評価システム。
9. 被測定者に操作されて移動する移動オブジェクトの挙動の変化に基づいて前記被測定者の立体認知能力を評価するための立体認知能力評価システムであって、
   前記移動オブジェクトの挙動に関する情報を取得する挙動取得部と、
   学習済みの特定モデルを用いて前記立体認知能力を判定する立体認知能力判定部とを備え、
   前記特定モデルの説明変数は、前記移動オブジェクトの進行方向において前記移動オブジェクトよりも先行する基準オブジェクトと前記移動オブジェクトとの間の第１距離を少なくとも１回時間微分した値から導かれる第１特徴量、および前記移動オブジェクトの進行方向に沿う基準線と前記移動オブジェクトとの間の第２距離に関する第２特徴量の少なくとも１つを含み、
   前記特定モデルは、前記移動オブジェクトの操作者の立体認知能力によって予めラベル付けされた、当該操作者によって操作されて移動する前記移動オブジェクトの位置に関する情報を教師データとする機械学習によって学習済みモデルとされる、立体認知能力評価システム。
10. 前記挙動取得部は、前記移動オブジェクトの位置に関する情報を取得し、
    前記第１特徴量および／または前記第２特徴量は、前記移動オブジェクトの位置に関する情報から導かれる、請求項９に記載の立体認知能力評価システム。
11. 前記挙動取得部は、前記移動オブジェクトの加速度に関する情報を取得し、
    前記立体認知能力判定部は、前記第２特徴量から前記立体認知能力を判定する、請求項９に記載の立体認知能力評価システム。
12. 前記第２特徴量は、前記移動オブジェクトの加速度から導かれる、請求項１１に記載の立体認知能力評価システム。
13. 前記移動オブジェクトに搭載された移動記録装置をさらに備え、
    前記移動記録装置は、前記移動オブジェクトから前記移動オブジェクトの進行方向を見た場合の動画データを生成するカメラと、
    前記移動オブジェクトの加速度を測定する加速度センサとを含み、
    前記挙動取得部は、前記動画データおよび前記加速度センサの測定結果から前記移動オブジェクトの加速度に関する情報を取得する、請求項１１に記載の立体認知能力評価システム。
14. 前記被測定者の端末装置と、
    前記立体認知能力判定部の判定結果を前記端末装置に送信する通信部とをさらに備える、請求項１～１３のいずれか１項に記載の立体認知能力評価システム。
15. 被測定者に操作されて移動する移動オブジェクトの位置の変化に基づいて前記被測定者の立体認知能力を評価するための立体認知能力評価装置であって、
    前記移動オブジェクトの位置に関する情報を取得する位置取得部と、
    学習済みの特定モデルを用いて前記立体認知能力を判定する立体認知能力判定部と、
    前記位置取得部および前記立体認知能力判定部を収容する筐体とを備え、
    前記特定モデルの説明変数は、前記移動オブジェクトの進行方向において前記移動オブジェクトよりも先行する基準オブジェクトと前記移動オブジェクトとの間の第１距離を少なくとも１回時間微分した値から導かれる第１特徴量、および前記移動オブジェクトの進行方向に沿う基準線と前記移動オブジェクトとの間の第２距離から導かれる第２特徴量の少なくとも１つを含み、
    前記特定モデルは、前記移動オブジェクトの操作者の立体認知能力によって予めラベル付けされた、当該操作者によって操作されて移動する前記移動オブジェクトの位置に関する情報を教師データとする機械学習によって学習済みモデルとされる、立体認知能力評価装置。
16. 被測定者に操作されて移動する移動オブジェクトの挙動の変化に基づいて前記被測定者の立体認知能力を評価するための立体認知能力評価装置であって、
    前記移動オブジェクトの挙動に関する情報を取得する挙動取得部と、
    学習済みの特定モデルを用いて前記立体認知能力を判定する立体認知能力判定部と、
    前記挙動取得部および前記立体認知能力判定部を収容する筐体とを備え、
    前記特定モデルの説明変数は、前記移動オブジェクトの進行方向において前記移動オブジェクトよりも先行する基準オブジェクトと前記移動オブジェクトとの間の第１距離を少なくとも１回時間微分した値から導かれる第１特徴量、および前記移動オブジェクトの進行方向に沿う基準線と前記移動オブジェクトとの間の第２距離に関する第２特徴量の少なくとも１つを含み、
    前記特定モデルは、前記移動オブジェクトの操作者の立体認知能力によって予めラベル付けされた、当該操作者によって操作されて移動する前記移動オブジェクトの位置に関する情報を教師データとする機械学習によって学習済みモデルとされる、立体認知能力評価装置。
17. コンピュータによって実行されることにより、前記コンピュータに、被測定者に操作されて移動する移動オブジェクトの位置の変化に基づいて前記被測定者の立体認知能力を評価するための立体認知能力評価装置を構成させるための立体認知能力評価プログラムであって、前記立体認知能力評価装置は、
    前記移動オブジェクトの位置に関する情報を取得する位置取得部と、
    学習済みの特定モデルを用いて前記立体認知能力を判定する立体認知能力判定部とを備え、
    前記特定モデルの説明変数は、前記移動オブジェクトの進行方向において前記移動オブジェクトよりも先行する基準オブジェクトと前記移動オブジェクトとの間の第１距離を少なくとも１回時間微分した値から導かれる第１特徴量、および前記移動オブジェクトの進行方向に沿う基準線と前記移動オブジェクトとの間の第２距離から導かれる第２特徴量の少なくとも１つを含み、
    前記特定モデルは、前記移動オブジェクトの操作者の立体認知能力によって予めラベル付けされた、当該操作者によって操作されて移動する前記移動オブジェクトの位置に関する情報を教師データとする機械学習によって学習済みモデルとされる、立体認知能力評価プログラム。
18. コンピュータによって実行されることにより、前記コンピュータに、被測定者に操作されて移動する移動オブジェクトの挙動の変化に基づいて前記被測定者の立体認知能力を評価するための立体認知能力評価装置を構成させるための立体認知能力評価プログラムであって、前記立体認知能力評価装置は、
    前記移動オブジェクトの挙動に関する情報を取得する挙動取得部と、
    学習済みの特定モデルを用いて前記立体認知能力を判定する立体認知能力判定部とを備え、
    前記特定モデルの説明変数は、前記移動オブジェクトの進行方向において前記移動オブジェクトよりも先行する基準オブジェクトと前記移動オブジェクトとの間の第１距離を少なくとも１回時間微分した値から導かれる第１特徴量、および前記移動オブジェクトの進行方向に沿う基準線と前記移動オブジェクトとの間の第２距離に関する第２特徴量の少なくとも１つを含み、
    前記特定モデルは、前記移動オブジェクトの操作者の立体認知能力によって予めラベル付けされた、当該操作者によって操作されて移動する前記移動オブジェクトの位置に関する情報を教師データとする機械学習によって学習済みモデルとされる、立体認知能力評価プログラム。
19. コンピュータによって実行されることにより、前記コンピュータに、被測定者に操作されて移動する移動オブジェクトの位置の変化に基づいて前記被測定者の立体認知能力を評価させるための立体認知能力評価方法であって、
    前記移動オブジェクトの位置に関する情報を取得するステップと、
    学習済みの特定モデルを用いて前記立体認知能力を判定するステップとを含み、
    前記特定モデルの説明変数は、前記移動オブジェクトの進行方向において前記移動オブジェクトよりも先行する基準オブジェクトと前記移動オブジェクトとの間の第１距離を少なくとも１回時間微分した値から導かれる第１特徴量、および前記移動オブジェクトの進行方向に沿う基準線と前記移動オブジェクトとの間の第２距離から導かれる第２特徴量の少なくとも１つを含み、
    前記特定モデルは、前記移動オブジェクトの操作者の立体認知能力によって予めラベル付けされた、当該操作者によって操作されて移動する前記移動オブジェクトの位置に関する情報を教師データとする機械学習によって学習済みモデルとされる、立体認知能力評価方法。
20. コンピュータによって実行されることにより、前記コンピュータに、被測定者に操作されて移動する移動オブジェクトの挙動の変化に基づいて前記被測定者の立体認知能力を評価させるための立体認知能力評価方法であって、
    前記移動オブジェクトの挙動に関する情報を取得するステップと、
    学習済みの特定モデルを用いて前記立体認知能力を判定するステップとを含み、
    前記特定モデルの説明変数は、前記移動オブジェクトの進行方向において前記移動オブジェクトよりも先行する基準オブジェクトと前記移動オブジェクトとの間の第１距離を少なくとも１回時間微分した値から導かれる第１特徴量、および前記移動オブジェクトの進行方向に沿う基準線と前記移動オブジェクトとの間の第２距離に関する第２特徴量の少なくとも１つを含み、
    前記特定モデルは、前記移動オブジェクトの操作者の立体認知能力によって予めラベル付けされた、当該操作者によって操作されて移動する前記移動オブジェクトの位置に関する情報を教師データとする機械学習によって学習済みモデルとされる、立体認知能力評価方法。

Images