JPH1199847A - 運転行動パターン認識装置 - Google Patents
運転行動パターン認識装置Info
- Publication number
- JPH1199847A JPH1199847A JP26522297A JP26522297A JPH1199847A JP H1199847 A JPH1199847 A JP H1199847A JP 26522297 A JP26522297 A JP 26522297A JP 26522297 A JP26522297 A JP 26522297A JP H1199847 A JPH1199847 A JP H1199847A
- Authority
- JP
- Japan
- Prior art keywords
- driving behavior
- driving
- behavior pattern
- data
- recognition
- 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.)
- Granted
Links
Landscapes
- Auxiliary Drives, Propulsion Controls, And Safety Devices (AREA)
- Traffic Control Systems (AREA)
Abstract
(57)【要約】
【課題】 運転行動パターンの連続認識が可能な運転行
動パターン認識装置を提供すること。 【解決手段】 運転操作量、車両状態量の少なくともい
ずれかを含む時系列データである運転行動データを入力
する運転行動データ入力手段1と、観測データ系列バッ
ファ5に格納された運転行動データが各運転行動パター
ンから出力される確率を、運転行動パターンパラメータ
学習手段3によって推定されたパラメータと出力確率算
出アルゴリズムを用いて算出し、出力確率の最も高い運
転行動パターンを認識結果として出力する運転行動パタ
ーン認識手段7とを有する構成とする。
動パターン認識装置を提供すること。 【解決手段】 運転操作量、車両状態量の少なくともい
ずれかを含む時系列データである運転行動データを入力
する運転行動データ入力手段1と、観測データ系列バッ
ファ5に格納された運転行動データが各運転行動パター
ンから出力される確率を、運転行動パターンパラメータ
学習手段3によって推定されたパラメータと出力確率算
出アルゴリズムを用いて算出し、出力確率の最も高い運
転行動パターンを認識結果として出力する運転行動パタ
ーン認識手段7とを有する構成とする。
Description
【0001】
【発明の属する技術分野】本発明は、車両を運転する運
転者の運動行動パターンの認識を行う装置に関するもの
である。
転者の運動行動パターンの認識を行う装置に関するもの
である。
【0002】
【従来の技術】車両を運転する運転者の操作量、車両状
態量等の時系列データから、運転行動パターンを認識す
る技術としては、例えば、『Nissan Cambr
idge Basic Research Annua
l Report 1996,Nissan Camb
ridge Basic Research,Niss
an Research and Developem
ent Inc.』に記載されている方法がある。この
従来技術は、自動車運転時の右折、左折、制動停止、レ
ーンチェンジなどの運転行動パターンを認識対象のカテ
ゴリ、自車速度、自車前後加速度、操舵角、操舵角速度
の時系列データを観測シンボル系列にそれぞれし、隠れ
マルコフモデルに基づいて、最尤法を用いて認識を行う
方法であり、極めて高い正認識率(全サンプルデータ数
中、認識結果として正しいカテゴリが出現したサンプル
データ数の割合)が報告されている。
態量等の時系列データから、運転行動パターンを認識す
る技術としては、例えば、『Nissan Cambr
idge Basic Research Annua
l Report 1996,Nissan Camb
ridge Basic Research,Niss
an Research and Developem
ent Inc.』に記載されている方法がある。この
従来技術は、自動車運転時の右折、左折、制動停止、レ
ーンチェンジなどの運転行動パターンを認識対象のカテ
ゴリ、自車速度、自車前後加速度、操舵角、操舵角速度
の時系列データを観測シンボル系列にそれぞれし、隠れ
マルコフモデルに基づいて、最尤法を用いて認識を行う
方法であり、極めて高い正認識率(全サンプルデータ数
中、認識結果として正しいカテゴリが出現したサンプル
データ数の割合)が報告されている。
【0003】
【発明が解決しようとする課題】この従来の方法では、
認識実行時には、各運転行動パターンの開始から終了ま
での時間区間を切り出した、あらかじめ用意しておいた
時系列データを用いていた。しかしながら、このような
方法では、例えば、車両走行時に得られる連続データを
用いてリアルタイムに認識を行おうとした場合には、運
転行動パターンの開始および終了のタイミングが明示的
に与えられていないため、認識を実行できない、という
問題点があった。
認識実行時には、各運転行動パターンの開始から終了ま
での時間区間を切り出した、あらかじめ用意しておいた
時系列データを用いていた。しかしながら、このような
方法では、例えば、車両走行時に得られる連続データを
用いてリアルタイムに認識を行おうとした場合には、運
転行動パターンの開始および終了のタイミングが明示的
に与えられていないため、認識を実行できない、という
問題点があった。
【0004】本発明は、このような従来の問題点に着目
してなされたもので、運転行動パターンの連続認識が可
能な技術を提供することを目的とする。
してなされたもので、運転行動パターンの連続認識が可
能な技術を提供することを目的とする。
【0005】
【課題を解決するための手段】上述の課題を解決するた
めに、請求項1に記載の発明は、隠れマルコフモデルを
用いた運転行動パターンの認識において、運転行動パタ
ーンパラメータ学習手段で推定されたパラメータと、連
続的に入力される運転行動データのうち、認識実行時点
から過去所定時間までの区間の運転行動データを観測デ
ータ系列として用いるために一時的に格納する観測デー
タ系列バッファを設け、観測データ系列バッファに格納
された観測シンボル系列が、運転行動パターンパラメー
タ学習手段によって推定されたパラメータで表される各
運転行動パターンモデルから出力される確率を算出し、
出力確率の最も高い運転行動パターンを認識結果として
出力する運転行動パターン認識手段とを設ける構成とし
ている。
めに、請求項1に記載の発明は、隠れマルコフモデルを
用いた運転行動パターンの認識において、運転行動パタ
ーンパラメータ学習手段で推定されたパラメータと、連
続的に入力される運転行動データのうち、認識実行時点
から過去所定時間までの区間の運転行動データを観測デ
ータ系列として用いるために一時的に格納する観測デー
タ系列バッファを設け、観測データ系列バッファに格納
された観測シンボル系列が、運転行動パターンパラメー
タ学習手段によって推定されたパラメータで表される各
運転行動パターンモデルから出力される確率を算出し、
出力確率の最も高い運転行動パターンを認識結果として
出力する運転行動パターン認識手段とを設ける構成とし
ている。
【0006】また、請求項2に記載の発明は、時間長の
異なる複数個の観測データ系列バッファと、各運転行動
パターンが出力される確率の算出を時間長の異なる少な
くとも一つ以上のバッファに格納された観測データ系列
を用いて行い、出力確率の最も高い運転行動パターンを
認識結果として出力する運転行動パターン認識手段とを
設ける構成としている。
異なる複数個の観測データ系列バッファと、各運転行動
パターンが出力される確率の算出を時間長の異なる少な
くとも一つ以上のバッファに格納された観測データ系列
を用いて行い、出力確率の最も高い運転行動パターンを
認識結果として出力する運転行動パターン認識手段とを
設ける構成としている。
【0007】また、請求項3に記載の発明は、観測デー
タ系列バッファの時間長を、可変で設定する手段を設け
る構成としている。
タ系列バッファの時間長を、可変で設定する手段を設け
る構成としている。
【0008】さらに、請求項4に記載の発明は、前記観
測データ系列バッファの時間長を、車両速度等の走行状
況に応じて可変で設定する構成としている。
測データ系列バッファの時間長を、車両速度等の走行状
況に応じて可変で設定する構成としている。
【0009】以下、本発明の作用を説明する。請求項1
に記載の発明では、連続的に得られる運転行動データの
うち、認識実行時点から直前の所定時間区間を一時的に
バッファに格納することによって、認識に使用される観
測データ系列が運転行動パターンの開始および終了時点
を含む構成とすることにより、運転行動パターンの開始
または終了時点が明示的でない運転行動データを用いた
運転行動パターンを連続的に認識できる。
に記載の発明では、連続的に得られる運転行動データの
うち、認識実行時点から直前の所定時間区間を一時的に
バッファに格納することによって、認識に使用される観
測データ系列が運転行動パターンの開始および終了時点
を含む構成とすることにより、運転行動パターンの開始
または終了時点が明示的でない運転行動データを用いた
運転行動パターンを連続的に認識できる。
【0010】また、請求項2に記載の発明では、時間長
の異なる複数個の観測データ系列バッファを設け、運転
行動データが各運転行動パターンモデルから出力される
確率の算出を、時間長の異なる少なくとも一つ以上のバ
ッファに格納された観測データ系列を用いて行い、出力
確率の最も高い運転行動パターンを認識結果として出力
する構成としたので、認識対象とする運転行動パターン
間でパターンの開始から終了までの平均時間長が異なる
場合にも、より適切に運転行動パターンの認識を行える
ようにする。
の異なる複数個の観測データ系列バッファを設け、運転
行動データが各運転行動パターンモデルから出力される
確率の算出を、時間長の異なる少なくとも一つ以上のバ
ッファに格納された観測データ系列を用いて行い、出力
確率の最も高い運転行動パターンを認識結果として出力
する構成としたので、認識対象とする運転行動パターン
間でパターンの開始から終了までの平均時間長が異なる
場合にも、より適切に運転行動パターンの認識を行える
ようにする。
【0011】また、請求項3に記載の発明では、各運転
行動パターンの出力確率の算出に用いるために設ける少
なくとも一つ以上の観測データ系列バッファの時間長
を、可変で設定する手段を有する構成とすることによ
り、運転行動パターンの連続認識が、より適切に行える
ようにする。
行動パターンの出力確率の算出に用いるために設ける少
なくとも一つ以上の観測データ系列バッファの時間長
を、可変で設定する手段を有する構成とすることによ
り、運転行動パターンの連続認識が、より適切に行える
ようにする。
【0012】さらに、請求項4に記載の発明では、前記
観測データ系列バッファの時間長は、車速等の走行状況
に応じて可変とすることにより、運転行動パターンの連
続認識が、より適切に行えるようにする。
観測データ系列バッファの時間長は、車速等の走行状況
に応じて可変とすることにより、運転行動パターンの連
続認識が、より適切に行えるようにする。
【0013】
【発明の実施の形態】以下、本発明による運転行動パタ
ーン認識装置の実施の形態を添付図面を参照して詳細に
説明する。
ーン認識装置の実施の形態を添付図面を参照して詳細に
説明する。
【0014】(第1の実施の形態)図1〜図4を用い
て、本発明による運転行動パターン認識装置の第1の実
施の形態を説明する。図1は、第1の実施の形態の概略
構成を示すブロック図、図2は、第1の実施の形態の機
能構成を示すブロック図である。
て、本発明による運転行動パターン認識装置の第1の実
施の形態を説明する。図1は、第1の実施の形態の概略
構成を示すブロック図、図2は、第1の実施の形態の機
能構成を示すブロック図である。
【0015】まず、図1を用いて構成を説明する。運転
操作量、車両状態量の少なくともいずれかを含む時系列
データである運転行動データを入力する運転行動データ
入力手段1と、認識対象とする各運転行動パターンを隠
れマルコフモデルとして表現するために必要な統計的特
徴量を、各運転行動パターンの運転行動データを観測シ
ンボル系列に用いて推定する運転行動パターンパラメー
タ学習手段3と、認識実行時点から直近の所定時間区間
の前記運転行動データを格納する観測データ系列バッフ
ァ5と、観測データ系列バッファ5に格納された運転行
動データが各運転行動パターンから出力される確率を、
運転行動パターンパラメータ学習手段3によって推定さ
れたパラメータと出力確率算出アルゴリズムを用いて算
出し、出力確率の最も高い運転行動パターンを認識結果
として出力する運転行動パターン認識手段7とを有する
構成とする。
操作量、車両状態量の少なくともいずれかを含む時系列
データである運転行動データを入力する運転行動データ
入力手段1と、認識対象とする各運転行動パターンを隠
れマルコフモデルとして表現するために必要な統計的特
徴量を、各運転行動パターンの運転行動データを観測シ
ンボル系列に用いて推定する運転行動パターンパラメー
タ学習手段3と、認識実行時点から直近の所定時間区間
の前記運転行動データを格納する観測データ系列バッフ
ァ5と、観測データ系列バッファ5に格納された運転行
動データが各運転行動パターンから出力される確率を、
運転行動パターンパラメータ学習手段3によって推定さ
れたパラメータと出力確率算出アルゴリズムを用いて算
出し、出力確率の最も高い運転行動パターンを認識結果
として出力する運転行動パターン認識手段7とを有する
構成とする。
【0016】以下、本発明における実施の形態を説明す
るための一例として、右折、左折、制動停止、車線変
更、追い越しの5種類の運転行動パターンを認識する認
識システムを想定し説明する。このうち、車線変更は自
車右側の車線と自車左側の車線への車線変更の2種類が
考えられるため、別の運転行動パターンとして扱うこと
とする。したがって、6種類の運転行動パターンの認識
を考える。
るための一例として、右折、左折、制動停止、車線変
更、追い越しの5種類の運転行動パターンを認識する認
識システムを想定し説明する。このうち、車線変更は自
車右側の車線と自車左側の車線への車線変更の2種類が
考えられるため、別の運転行動パターンとして扱うこと
とする。したがって、6種類の運転行動パターンの認識
を考える。
【0017】運転行動データは、運転者の操作量とし
て、例えばアクセルペダル開度、ステアリング角度を、
車両状態量として、例えば自車速度、自車前後加速度な
どの運転行動に関するデータであり、これらは各種セン
サ11で測定される。隠れマルコフモデルを用いた運転
行動パターンの認識システムは、コンピュータ13を用
いて構築される。隠れマルコフモデルの認識プロセス
は、パラメータの推定と、推定されたパラメータを用い
た認識に大きく分けることができる。第1の実施の形態
では、コンピュータ13において、前者はパラメータ推
定処理部15で、後者は認識処理部17で、それぞれ処
理が行われるものとする。
て、例えばアクセルペダル開度、ステアリング角度を、
車両状態量として、例えば自車速度、自車前後加速度な
どの運転行動に関するデータであり、これらは各種セン
サ11で測定される。隠れマルコフモデルを用いた運転
行動パターンの認識システムは、コンピュータ13を用
いて構築される。隠れマルコフモデルの認識プロセス
は、パラメータの推定と、推定されたパラメータを用い
た認識に大きく分けることができる。第1の実施の形態
では、コンピュータ13において、前者はパラメータ推
定処理部15で、後者は認識処理部17で、それぞれ処
理が行われるものとする。
【0018】隠れマルコフモデルを用いて時系列データ
のパターン認識を行うためには、あらかじめ認識対象と
するカテゴリのパラメータλ={π,A,B}を推定す
る必要がある。ここで、πは各状態の初期発生確率集
合、Aは状態間遷移確率集合、Bは出力確率集合をそれ
ぞれ示す。各種センサ11で得られた運転行動データ
は、前処理部19で認識対象とする運転行動パターン別
に分類された後、運転行動データ格納メモリ21に格納
され、観測シンボル系列として用いる。
のパターン認識を行うためには、あらかじめ認識対象と
するカテゴリのパラメータλ={π,A,B}を推定す
る必要がある。ここで、πは各状態の初期発生確率集
合、Aは状態間遷移確率集合、Bは出力確率集合をそれ
ぞれ示す。各種センサ11で得られた運転行動データ
は、前処理部19で認識対象とする運転行動パターン別
に分類された後、運転行動データ格納メモリ21に格納
され、観測シンボル系列として用いる。
【0019】パラメータ推定部23では、認識対象であ
る各運転行動パターンに対して、隠れマルコフモデルの
パラメータである初期確率π、状態間遷移確率A、出力
確率Bを運転行動データ格納メモリ21に格納された多
数の観測シンボル系列を用いて、運転行動データから出
力される確率P(λ|O)が最大になるように推定す
る。
る各運転行動パターンに対して、隠れマルコフモデルの
パラメータである初期確率π、状態間遷移確率A、出力
確率Bを運転行動データ格納メモリ21に格納された多
数の観測シンボル系列を用いて、運転行動データから出
力される確率P(λ|O)が最大になるように推定す
る。
【0020】隠れマルコフモデルのパラメータ推定に
は、一般的にはBaum−Welchアルゴリズムが用
いられる。なお、Baum−Welchアルゴリズム、
および後述するForwardアルゴリズム、Vite
rbiアルゴリズムは、例えば、文献『X.D.Hua
ng,Y.Ariki,and M.A.Jack.H
idden Markov Models for S
peech Recognition. Edinbu
rgh University Press,Edin
burgh,1990』によって、その内容が知られた
ものである。以上の手続きで得た隠れマルコフモデルの
パラメータを用いて、運転行動パターンの認識を行う。
推定されたパラメータはパラメータ格納メモリ25に記
憶しておく。
は、一般的にはBaum−Welchアルゴリズムが用
いられる。なお、Baum−Welchアルゴリズム、
および後述するForwardアルゴリズム、Vite
rbiアルゴリズムは、例えば、文献『X.D.Hua
ng,Y.Ariki,and M.A.Jack.H
idden Markov Models for S
peech Recognition. Edinbu
rgh University Press,Edin
burgh,1990』によって、その内容が知られた
ものである。以上の手続きで得た隠れマルコフモデルの
パラメータを用いて、運転行動パターンの認識を行う。
推定されたパラメータはパラメータ格納メモリ25に記
憶しておく。
【0021】観測データ系列バッファ27には、認識実
行時点から直前の所定時間区間Tの区間の運転行動デー
タが一時的にメモリに記憶されている。運転行動パター
ン認識実行部29では、隠れマルコフモデルの出力確率
算出アルゴリズムであるForwardアルゴリズム、
またはViterbiアルゴリズムを使用して、上記の
運転行動データを観測シンボル系列と推定されたパラメ
ータを用いて、各運転行動パターンの行動確率P(O|
λ)を算出し、最も出力確率の高い運転行動パターンを
認識結果として、認識結果出力用メモリ31に出力す
る。
行時点から直前の所定時間区間Tの区間の運転行動デー
タが一時的にメモリに記憶されている。運転行動パター
ン認識実行部29では、隠れマルコフモデルの出力確率
算出アルゴリズムであるForwardアルゴリズム、
またはViterbiアルゴリズムを使用して、上記の
運転行動データを観測シンボル系列と推定されたパラメ
ータを用いて、各運転行動パターンの行動確率P(O|
λ)を算出し、最も出力確率の高い運転行動パターンを
認識結果として、認識結果出力用メモリ31に出力す
る。
【0022】次に、認識処理部17での処理ルーチンに
ついて説明する。認識処理部17起動後、割り込みタイ
マを利用してサンプリング周期Ts毎に発生する割り込
み信号がステップS101で検出されると、観測データ
系列バッファ27の更新を行う。ここで、説明のため、
バッファは、サンプリング周期Ts、サンプリングデー
タ個数m、バッファ長L秒とする。
ついて説明する。認識処理部17起動後、割り込みタイ
マを利用してサンプリング周期Ts毎に発生する割り込
み信号がステップS101で検出されると、観測データ
系列バッファ27の更新を行う。ここで、説明のため、
バッファは、サンプリング周期Ts、サンプリングデー
タ個数m、バッファ長L秒とする。
【0023】まず、ステップS103で、バッファに蓄
えられているデータを1フレームずつ後方に移動させ
る。次に、ステップS105で、センサから出力された
信号をA/D変換を介して読み込み、ステップS107
で書き込む。この操作をサンプリング周期毎に行うこと
により、常に認識実行時点から直前のL秒間の運転行動
データがバッファに保持される。
えられているデータを1フレームずつ後方に移動させ
る。次に、ステップS105で、センサから出力された
信号をA/D変換を介して読み込み、ステップS107
で書き込む。この操作をサンプリング周期毎に行うこと
により、常に認識実行時点から直前のL秒間の運転行動
データがバッファに保持される。
【0024】第1の実施の形態における運転行動データ
とデータ系列バッファとの対応例として、右折時のデー
タ例を図4に示す。
とデータ系列バッファとの対応例として、右折時のデー
タ例を図4に示す。
【0025】次に、同様に割り込みタイマを利用して認
識実行周期Tc毎に発生する割り込み信号がステップS
109で検出されると、ステップS111で、各運転行
動パターンの出力確率P(O|λ)を算出し、最も出力
確率の高い運転行動パターンを認識結果とする。認識結
果は、ステップS113で、認識結果出力用メモリに格
納される。
識実行周期Tc毎に発生する割り込み信号がステップS
109で検出されると、ステップS111で、各運転行
動パターンの出力確率P(O|λ)を算出し、最も出力
確率の高い運転行動パターンを認識結果とする。認識結
果は、ステップS113で、認識結果出力用メモリに格
納される。
【0026】(第2の実施の形態)図3及び図5を用い
て、本発明による運転行動パターン認識装置の第2の実
施の形態を説明する。
て、本発明による運転行動パターン認識装置の第2の実
施の形態を説明する。
【0027】第2の実施の形態では、異なる時間長のバ
ッファを複数個設ける。説明のための例として、上記の
6種類の運転行動パターンに対してn個のバッファO1
〜On を設ける。
ッファを複数個設ける。説明のための例として、上記の
6種類の運転行動パターンに対してn個のバッファO1
〜On を設ける。
【0028】認識処理部17の処理フロー(図3参照)
におけるステップS103でのバッファ更新、ステップ
S107でのデータのバッファへの書き込みは、各バッ
ファO1 〜On に対して行う。さらに、出力確率の計算
は、運転行動パターンiに対応する少なくとも一つ以上
のバッファOj を用いて出力確率Pij=P(Oj |
λi )の算出を行う。このとき、バッファOj の時間長
を、パラメータ推定に用いた運転行動パターンの平均時
間長等を参考に、最適な認識性能が得られるように設定
するOn を設ける。さらに、各認識カテゴリλi が使用
するバッファOj との対応はあらかじめ定めておき、そ
の内容を認識処理部17に持たせておく。
におけるステップS103でのバッファ更新、ステップ
S107でのデータのバッファへの書き込みは、各バッ
ファO1 〜On に対して行う。さらに、出力確率の計算
は、運転行動パターンiに対応する少なくとも一つ以上
のバッファOj を用いて出力確率Pij=P(Oj |
λi )の算出を行う。このとき、バッファOj の時間長
を、パラメータ推定に用いた運転行動パターンの平均時
間長等を参考に、最適な認識性能が得られるように設定
するOn を設ける。さらに、各認識カテゴリλi が使用
するバッファOj との対応はあらかじめ定めておき、そ
の内容を認識処理部17に持たせておく。
【0029】第2の実施の形態における運転行動データ
とデータ系列バッファとの対応例を、図5に示す。
とデータ系列バッファとの対応例を、図5に示す。
【0030】(第3の実施の形態)図6〜図8を用い
て、本発明による運転行動パターン認識装置の第3の実
施の形態を説明する。図6は、第3の実施の形態の概略
構成を示すブロック図であり、第1及び第2の実施の形
態と異なる点は、データ系列バッファ長可変設定手段9
を設けている点である。また、図7は、第3の実施の形
態の機能構成を示すブロック図であり、第1及び第2の
実施の形態と異なる点は、スイッチ41と、スイッチ4
1の操作内容を処理するスイッチ操作処理部43を新た
に設けている点である。
て、本発明による運転行動パターン認識装置の第3の実
施の形態を説明する。図6は、第3の実施の形態の概略
構成を示すブロック図であり、第1及び第2の実施の形
態と異なる点は、データ系列バッファ長可変設定手段9
を設けている点である。また、図7は、第3の実施の形
態の機能構成を示すブロック図であり、第1及び第2の
実施の形態と異なる点は、スイッチ41と、スイッチ4
1の操作内容を処理するスイッチ操作処理部43を新た
に設けている点である。
【0031】図8は、認識処理部17aでの処理フロー
を示したものである。認識処理部17aが起動される
と、ステップS201で、規定値にバッファ長が初期設
定される。ステップS203で、バッファ長を指定する
スイッチの操作が検出されると、ステップS205で、
操作内容が検出され、ステップS207で、変更対象で
あるバッファのバッファ長の再設定を行う。以降は、図
3に示すフローと同様の処理なので、説明を省略する。
を示したものである。認識処理部17aが起動される
と、ステップS201で、規定値にバッファ長が初期設
定される。ステップS203で、バッファ長を指定する
スイッチの操作が検出されると、ステップS205で、
操作内容が検出され、ステップS207で、変更対象で
あるバッファのバッファ長の再設定を行う。以降は、図
3に示すフローと同様の処理なので、説明を省略する。
【0032】なお、第2の実施の形態におけるスイッチ
41の具体的な例としては、コンピュータ13上のディ
ップスイッチ、電子回路に実装するROMの交換、認識
実行用ソフトウェアの変数値設定、等が使用可能であ
る。
41の具体的な例としては、コンピュータ13上のディ
ップスイッチ、電子回路に実装するROMの交換、認識
実行用ソフトウェアの変数値設定、等が使用可能であ
る。
【0033】(第4の実施の形態)図9及び図10を用
いて、本発明による運転行動パターン認識装置の第4の
実施の形態を説明する。
いて、本発明による運転行動パターン認識装置の第4の
実施の形態を説明する。
【0034】認識実行時には、バッファに含まれる時系
列データが、ある運転行動パターン開始から終了までの
時間区間を確実に含み、かつ、開始以前または終了後の
異なる運転行動パターンのデータを含まないことが、認
識精度を向上させるうえで望ましいといえる。
列データが、ある運転行動パターン開始から終了までの
時間区間を確実に含み、かつ、開始以前または終了後の
異なる運転行動パターンのデータを含まないことが、認
識精度を向上させるうえで望ましいといえる。
【0035】しかしながら、通常の認識システムでは複
数のカテゴリを認識対象とするので、カテゴリ間で運転
行動パターンの開始から終了までの平均時間長が異なる
場合があることが考えられる。第4の実施の形態では、
コンピュータ13に実装可能なメモリに制約があり、十
分な個数のバッファを設定できないような場合において
も、走行状況に応じてバッファ長を可変で設定すること
により、より認識精度の良い認識が行えるようにするこ
とをねらいとしている。
数のカテゴリを認識対象とするので、カテゴリ間で運転
行動パターンの開始から終了までの平均時間長が異なる
場合があることが考えられる。第4の実施の形態では、
コンピュータ13に実装可能なメモリに制約があり、十
分な個数のバッファを設定できないような場合において
も、走行状況に応じてバッファ長を可変で設定すること
により、より認識精度の良い認識が行えるようにするこ
とをねらいとしている。
【0036】このような実施の形態の一例として、車両
前方状況の画像処理を用いた認識方法を利用する例につ
いて説明する。車両前方状況を撮影した画像をコンピュ
ータ上で画像処理し、走行状況を認識することにより、
市街路で交差点に接近しているか、高速道路を走行中で
あるかが判定可能であるとする。
前方状況の画像処理を用いた認識方法を利用する例につ
いて説明する。車両前方状況を撮影した画像をコンピュ
ータ上で画像処理し、走行状況を認識することにより、
市街路で交差点に接近しているか、高速道路を走行中で
あるかが判定可能であるとする。
【0037】図9は、第4の実施の形態の機能構成を示
すブロック図であり、第1〜第3の実施の形態と異なる
点は、撮像装置51と、画像処理装置53と、走行状況
判定部55を、新たに設けた点である。
すブロック図であり、第1〜第3の実施の形態と異なる
点は、撮像装置51と、画像処理装置53と、走行状況
判定部55を、新たに設けた点である。
【0038】撮像装置51から入力された画像データ
は、画像処理装置53で画像処理され、走行状況判定部
55で走行状況の判定が行われる。走行状況判定部55
で、交差点接近中であると判定された場合には、認識実
行部17bに設定されているバッファ長を右折または左
折の運転行動パターンの平均時間長近辺に、また、高速
道路走行中であると判定された場合には、バッファ長を
追い越し、またはレーンチェンジの平均時間長近辺に、
それぞれ再設定する。
は、画像処理装置53で画像処理され、走行状況判定部
55で走行状況の判定が行われる。走行状況判定部55
で、交差点接近中であると判定された場合には、認識実
行部17bに設定されているバッファ長を右折または左
折の運転行動パターンの平均時間長近辺に、また、高速
道路走行中であると判定された場合には、バッファ長を
追い越し、またはレーンチェンジの平均時間長近辺に、
それぞれ再設定する。
【0039】図10は、認識処理部17bでの処理フロ
ーを示したものである。ステップS301では、走行状
況とバッファ長の対応内容を読み込み、初期設定を行
う。ステップS303では、走行状況認識結果を入力す
る。ステップS305では、走行状況判定部55からの
判定結果から走行状況変化の有無を判定する。走行状況
変化が生じた場合には、ステップS307で、判定され
た走行状況に対応するバッファ長に変更する。以降は、
図3に示すフローと同様の処理なので、説明を省略す
る。
ーを示したものである。ステップS301では、走行状
況とバッファ長の対応内容を読み込み、初期設定を行
う。ステップS303では、走行状況認識結果を入力す
る。ステップS305では、走行状況判定部55からの
判定結果から走行状況変化の有無を判定する。走行状況
変化が生じた場合には、ステップS307で、判定され
た走行状況に対応するバッファ長に変更する。以降は、
図3に示すフローと同様の処理なので、説明を省略す
る。
【0040】以上、本発明を実施の形態に基づいて具体
的に説明したが、本発明は前記実施の形態に限定される
ものではなく、その要旨を逸脱しない範囲において種々
変更可能であることはいうまでもない。
的に説明したが、本発明は前記実施の形態に限定される
ものではなく、その要旨を逸脱しない範囲において種々
変更可能であることはいうまでもない。
【0041】
【発明の効果】以上、詳細に説明したように、本発明に
よれば、隠れマルコフモデルを用いた運転行動パターン
の認識において、認識実行時点から直前の所定時間区間
の運転行動データを用いて運転行動パターンの認識を行
う構成としたので、運転行動パターンの連続認識が可能
である。
よれば、隠れマルコフモデルを用いた運転行動パターン
の認識において、認識実行時点から直前の所定時間区間
の運転行動データを用いて運転行動パターンの認識を行
う構成としたので、運転行動パターンの連続認識が可能
である。
【図面の簡単な説明】
【図1】本発明による運転行動パターン認識装置の第1
の実施の形態の概略構成を示すブロック図である。
の実施の形態の概略構成を示すブロック図である。
【図2】第1の実施の形態の機能構成を示すブロック図
である。
である。
【図3】認識処理部における処理フローを示す図であ
る。
る。
【図4】運転行動データとデータ系列バッファの対応例
(右折時)を示す図である。
(右折時)を示す図である。
【図5】複数個設けられた運転行動データとデータ系列
バッファとの対応例を示す図である。
バッファとの対応例を示す図である。
【図6】第3の実施の形態の概略構成を示すブロック図
である。
である。
【図7】第3の実施の形態の機能構成を示すブロック図
である。
である。
【図8】第3の実施の形態の認識処理部における処理フ
ローを示す図である。
ローを示す図である。
【図9】第4の実施の形態の機能構成を示すブロック図
である。
である。
【図10】第4の実施の形態の認識処理部における処理
フローを示す図である。
フローを示す図である。
1 運転行動データ入力手段 3 運転行動パターンパラメータ学習手段 5 観測データ系列バッファ 7 運転行動パターン認識手段 9 データ系列バッファ長可変設定手段 11 各種センサ 13 コンピュータ 15 パラメータ推定処理部 17,17a,17b 認識処理部 19 前処理部 21 運転行動データ格納メモリ 23 パラメータ推定部 25 パラメータ格納メモリ 27,27a,27b 観測データ系列バッファ 29 運転行動パターン認識実行部 31 認識結果出力用メモリ 41 スイッチ 43 スイッチ操作処理部 51 撮像装置 53 画像処理装置 55 走行状況判定部
Claims (4)
- 【請求項1】 運転操作量、車両状態量の少なくともい
ずれかを含む時系列データである運転行動データを入力
する運転行動データ入力手段と、 認識対象とする各運転行動パターンを隠れマルコフモデ
ルとして表現するために必要な統計的特徴量を、各運転
行動パターンの運転行動データを観測シンボル系列に用
いて推定する運転行動パターンパラメータ学習手段と、 認識実行時点から直近の所定時間区間の前記運転行動デ
ータを格納する観測データ系列バッファと、 前記観測データ系列バッファに格納された運転行動デー
タが、前記運転行動パターンパラメータ学習手段によっ
て推定されたパラメータで表される各運転行動パターン
モデルから出力される確率を、出力確率算出アルゴリズ
ムを用いて算出し、出力確率の最も高い運転行動パター
ンを認識結果として出力する運転行動パターン認識手段
とを有することを特徴とする運転行動パターン認識装
置。 - 【請求項2】 請求項1に記載の運転行動パターン認識
装置において、 時間長の異なる複数個の観測データ系列バッファと、 各運転行動パターンの出力確率算出に用いられる隠れマ
ルコフモデル観測シンボル系列として、算出対象となる
運転行動パターンに対して前記少なくとも一つ以上の観
測データ系列バッファの中から設定された観測データ系
列バッファを用いる運転行動パターン認識手段とを有す
ることを特徴とする運転行動パターン認識装置。 - 【請求項3】 請求項1または2に記載の運転行動パタ
ーン認識装置において、 前記観測データ系列バッファの時間長を可変で設定する
データ系列バッファ長可変設定手段を有することを特徴
とする運転行動パターン認識装置。 - 【請求項4】 請求項1乃至3のいずれかに記載の運転
行動パターン認識装置において、 自車両の車両走行データ、自車周囲等のデータから、自
車両の走行状況を判定し、走行状況データ系列バッファ
長を走行状況に応じて可変で設定するデータ系列バッフ
ァ長可変設定手段を有することを特徴とする運転行動パ
ターン認識装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP26522297A JP3780656B2 (ja) | 1997-09-30 | 1997-09-30 | 運転行動パターン認識装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP26522297A JP3780656B2 (ja) | 1997-09-30 | 1997-09-30 | 運転行動パターン認識装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH1199847A true JPH1199847A (ja) | 1999-04-13 |
JP3780656B2 JP3780656B2 (ja) | 2006-05-31 |
Family
ID=17414228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP26522297A Expired - Fee Related JP3780656B2 (ja) | 1997-09-30 | 1997-09-30 | 運転行動パターン認識装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3780656B2 (ja) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005125819A (ja) * | 2003-10-21 | 2005-05-19 | Toyota Motor Corp | ドライバモデル構築方法、操作予測方法および操作予測装置 |
JP2008084318A (ja) * | 2007-09-21 | 2008-04-10 | Nissan Motor Co Ltd | 運転意図推定装置、車両用運転操作補助装置および車両用運転操作補助装置を備えた車両 |
US7555367B2 (en) | 2004-06-02 | 2009-06-30 | Nissan Motor Co., Ltd. | Adaptive intention estimation method and system |
JP2009173182A (ja) * | 2008-01-25 | 2009-08-06 | Denso It Laboratory Inc | 車両搭載機器の制御装置及び制御方法 |
JP2010070171A (ja) * | 2008-09-22 | 2010-04-02 | Denso It Laboratory Inc | 車載機器の制御装置及び制御方法 |
US7805240B2 (en) | 2006-11-22 | 2010-09-28 | Denso Corporation | Driving behavior prediction method and apparatus |
US7962441B2 (en) | 2006-09-22 | 2011-06-14 | Denso Corporation | Air conditioner for vehicle and controlling method thereof |
US8696358B2 (en) | 2003-08-27 | 2014-04-15 | John Thomas Flanagan | System and method for facilitating responsible behaviour |
JP2014178861A (ja) * | 2013-03-14 | 2014-09-25 | Denso Corp | 異常運転行動検出装置 |
WO2015053423A1 (ko) * | 2013-10-11 | 2015-04-16 | (주)나노포인트 | 운전 습관 분석 진단 시스템 및 방법 |
JP2019220084A (ja) * | 2018-06-22 | 2019-12-26 | 矢崎総業株式会社 | 解析装置、車載器、及びパターン解析補助装置 |
CN111126438A (zh) * | 2019-11-22 | 2020-05-08 | 北京理工大学 | 一种驾驶行为识别方法及系统 |
-
1997
- 1997-09-30 JP JP26522297A patent/JP3780656B2/ja not_active Expired - Fee Related
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8696358B2 (en) | 2003-08-27 | 2014-04-15 | John Thomas Flanagan | System and method for facilitating responsible behaviour |
JP2005125819A (ja) * | 2003-10-21 | 2005-05-19 | Toyota Motor Corp | ドライバモデル構築方法、操作予測方法および操作予測装置 |
US7555367B2 (en) | 2004-06-02 | 2009-06-30 | Nissan Motor Co., Ltd. | Adaptive intention estimation method and system |
US7962441B2 (en) | 2006-09-22 | 2011-06-14 | Denso Corporation | Air conditioner for vehicle and controlling method thereof |
US7805240B2 (en) | 2006-11-22 | 2010-09-28 | Denso Corporation | Driving behavior prediction method and apparatus |
JP2008084318A (ja) * | 2007-09-21 | 2008-04-10 | Nissan Motor Co Ltd | 運転意図推定装置、車両用運転操作補助装置および車両用運転操作補助装置を備えた車両 |
JP2009173182A (ja) * | 2008-01-25 | 2009-08-06 | Denso It Laboratory Inc | 車両搭載機器の制御装置及び制御方法 |
JP2010070171A (ja) * | 2008-09-22 | 2010-04-02 | Denso It Laboratory Inc | 車載機器の制御装置及び制御方法 |
JP2014178861A (ja) * | 2013-03-14 | 2014-09-25 | Denso Corp | 異常運転行動検出装置 |
WO2015053423A1 (ko) * | 2013-10-11 | 2015-04-16 | (주)나노포인트 | 운전 습관 분석 진단 시스템 및 방법 |
JP2019220084A (ja) * | 2018-06-22 | 2019-12-26 | 矢崎総業株式会社 | 解析装置、車載器、及びパターン解析補助装置 |
CN111126438A (zh) * | 2019-11-22 | 2020-05-08 | 北京理工大学 | 一种驾驶行为识别方法及系统 |
CN111126438B (zh) * | 2019-11-22 | 2023-11-14 | 北京理工大学 | 一种驾驶行为识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
JP3780656B2 (ja) | 2006-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Berndt et al. | Continuous driver intention recognition with hidden markov models | |
CN105761329B (zh) | 基于驾驶习惯的驾驶员辨别方法 | |
US20190071100A1 (en) | Autonomous driving adjustment method, apparatus, and system | |
JP3780656B2 (ja) | 運転行動パターン認識装置 | |
US20220080980A1 (en) | Device for predicting speed of vehicle and method thereof | |
JP4556794B2 (ja) | ナビゲーション装置 | |
JP5255945B2 (ja) | 車両用運転評価装置 | |
JPH11321690A (ja) | レーンキープシステム | |
CN110765807A (zh) | 驾驶行为分析、处理方法、装置、设备和存储介质 | |
CN112793576B (zh) | 一种基于规则与机器学习融合的换道决策方法及系统 | |
Jin et al. | Driver intention recognition based on continuous hidden Markov model | |
JP4096384B2 (ja) | 運転行動パターン認識装置 | |
JP2008225899A (ja) | 覚醒度判定装置及び覚醒度判定方法 | |
CN106339692A (zh) | 一种基于路线偏移检测的疲劳驾驶状态信息确定方法及系统 | |
CN115489336B (zh) | 基于大数据的电机扭矩输出优化方法和装置 | |
JP7415471B2 (ja) | 運転評価装置、運転評価システム、車載装置、車外評価装置、および運転評価プログラム | |
CN114842432A (zh) | 一种基于深度学习汽车灯光控制方法及系统 | |
CN112542041A (zh) | 驾驶行为评价装置、方法及计算机可读存储介质 | |
JP4486897B2 (ja) | 運転行動認識装置 | |
CN114973425A (zh) | 一种交警手势识别方法及装置 | |
CN112498341B (zh) | 基于路况的紧急制动方法、装置及计算机可读存储介质 | |
CN112896166A (zh) | 车辆换道方法、装置和电子设备 | |
JPH1199848A (ja) | 車両挙動推定装置 | |
CN115169477A (zh) | 辅助驾驶系统的安全感评估方法、装置、设备及存储介质 | |
CN114612867A (zh) | 一种基于BiLSTM-CRF模型的车辆变道意图预测的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Effective date: 20060214 Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20060227 |
|
R150 | Certificate of patent (=grant) or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100317 Year of fee payment: 4 |
|
LAPS | Cancellation because of no payment of annual fees |