JPWO2019058460A1 - 走行支援方法及び走行支援装置 - Google Patents

Abstract

本発明の走行支援方法及び走行支援装置は、運転者による手動運転と自動運転とを切り替え可能な車両において、運転者の手動運転中の運転特性を用いて運転者を特定し、特定した運転者に対応した走行制御を行う。

Description

本発明は、車両の走行支援方法及び走行支援装置に関する。

特許文献１には、手動運転時の運転者ごとの走行履歴を管理し、自動運転時には、複数の運転者に対して、各個人に適合した運転スタイルを提供することが開示されている。

特開２０１６−２１６０２１号公報

しかしながら、特許文献１に開示された例では、手動運転時に運転を行っている運転者を特定するために、顔認識や指紋認識などを行うためのセンサが必要であった。一方、このような個人を特定するためのセンサを用いずに、運転者によるスイッチ操作に基づいて運転者を特定する方法もあったが、運転者がスイッチを入れ忘れたり、設定漏れがあったりした場合には対応できなかった。

本発明は、このような課題に鑑みてなされたものであり、その目的とするところは、運転者の特定のためのセンサや余分な操作を必要とせずに運転者の特定を行う、車両の走行支援方法及び走行支援装置を提供することにある。

上述した課題を解決するために、本発明の一態様に係る走行支援方法及び走行支援装置は、運転者の手動運転中の運転特性を用いて運転者を特定し、特定した運転者に対応した走行制御を行う。

本発明によれば、手動運転中の運転特性を用いて運転者を特定することができるようにあるため、運転者に合った適切な走行支援を実行することができる。

図１は、本発明の一実施形態に係る走行支援装置を含む運転制御システムの構成を示すブロック図である。 図２は、本発明の一実施形態に係る走行支援装置による運転特性学習の処理手順を示すフローチャートである。 図３は、本発明の一実施形態に係る走行支援装置における、未登録の学習結果と登録済の学習結果の比較の様子を示す模式図である。

以下、本発明を適用した一実施形態について図面を参照して説明する。

［運転制御システムの構成］
図１は、本実施形態に係る走行支援装置１１を含む運転制御システム１００の構成を示すブロック図である。図１に示すように、本実施形態に係る運転制御システム１００は、走行支援装置１１、走行状況検出部２１、周囲状況検出部２２、運転切替スイッチ２３、制御状態提示部６１、及びアクチュエータ３１を備えている。

走行支援装置１１は、運転者による手動運転と自動運転とを切り替え可能な車両において、運転者の手動運転中に得られる走行データのうち、所定の学習対象データに基づいて運転特性を学習し（運転特性学習）、この学習結果を自動運転の走行制御に適用する処理を実行するコントローラである。

また、本実施形態では、走行支援装置１１を車両に搭載した場合について説明するが、車両に通信装置を設置し、走行支援装置１１の一部を外部サーバに設置して、外部サーバの処理によって運転者の運転特性の学習を行ってもよい。走行支援装置１１を車両に搭載した場合には、車両を所有または使用する運転者の運転特性を学習することができる。そして、所定期間（例えば、最新１ヶ月間）の学習対象データを記憶しておき、その運転者が所有または使用する車両の自動運転に反映させることができる。一方、外部サーバに設置した場合には、運転者自身の長期間の学習対象データを用いて学習することができるので、より安定した学習結果を算出することができる。また、学習が完了していないときには、他の運転者の学習対象データを活用して、その地域の平均的な運転者の運転特性を自動運転に反映させることができる。

走行状況検出部２１は、車速や操舵角、加速度、先行車との車間距離、先行車との相対速度、現在位置、方向指示器の表示状態、ヘッドライトの点灯状態、ワイパーの作動状態等の車両の走行状態を示す走行データを検出する。例えば、走行状況検出部２１には、ブレーキペダルやアクセルペダルに設けられたセンサや、車輪側センサやヨーレートセンサなど車両の挙動を取得するセンサや、レーザレーダ、カメラや、それらのセンサから得られたデータを通信するＣＡＮ（Ｃｏｎｔｒｏｌｌｅｒ Ａｒｅａ Ｎｅｔｗｏｒｋ）のような車載ネットワークやナビゲーション装置が含まれる。

周囲状況検出部２２は、車両が走行する道路の車線数、制限速度、道路勾配、道路曲率、車両前方の信号機の表示状態、車両前方の交差点までの距離、車両前方を走行する車両台数、車両前方の交差点の予定進路、一時停止規制の有無等の、車両が走行している環境を表す環境情報を検出する。例えば、周囲状況検出部２２には、車両に搭載されたカメラやレーザレーダ、ナビゲーション装置が含まれる。なお、車両前方の信号機の表示状態や一時停止規制の有無は路車間通信を利用して検出してもよい。車両前方を走行する車両台数は車車間通信やスマートフォンと連携したクラウドサービスを利用して検出してもよい。車両前方の交差点の予定進路はナビゲーション装置や方向指示器の表示状態等から取得する。さらに、車両周囲の照度、気温、天候状態を照度センサ、外気温センサ、ワイパースイッチからそれぞれ取得する。ただし、照度はヘッドライトのスイッチから取得してもよい。

運転切替スイッチ２３は、車両に搭載され、車両の乗員が操作することによって自動運転と手動運転の切り替えを行うスイッチである。例えば、車両のステアリングに設置されたスイッチである。

制御状態提示部６１は、現在の制御状態が手動運転であるか自動運転であるかをメータ表示部やナビゲーション装置の表示画面、ヘッドアップディスプレイ等に表示する。また、自動運転の開始、終了を伝える報知音も出力し、運転特性の学習が終了したか否かも提示する。

アクチュエータ３１は、走行支援装置１１からの実行指令を受信して、車両のアクセルやブレーキ、ステアリング等の各部を駆動する。

次に、走行支援装置１１を構成する各部について説明する。走行支援装置１１は、学習対象データ記憶部４１、運転特性学習部４２、運転者特定部４３、自動運転制御実行部４５を備えている。

学習対象データ記憶部４１は、走行状況検出部２１、周囲状況検出部２２、運転切替スイッチ２３から車両の走行状態に関する走行データや車両周囲の走行環境に関する環境情報を取得し、取得した走行データ及び環境情報のうち、運転者の運転特性の学習のために必要な所定の学習対象データを、車両の走行状態や走行環境などの走行シーンと関連付けて記憶する。

なお、学習対象データ記憶部４１は、運転者ごとに、運転者の運転特性の学習のために必要な所定の学習対象データを記憶する。すなわち、学習対象データ記憶部４１は、学習対象データと運転者を対応付け、学習対象データを運転者ごとに分類して記憶する。

なお、学習対象データに対応付けられる運転者の特定は、後述する運転者特定部４３によって行う。走行状況検出部２１、周囲状況検出部２２、運転切替スイッチ２３から学習対象データ記憶部４１に入力された新たな学習対象データは、当該学習対象データに対応付けられる運転者の特定が運転者特定部４３によって行われるまでの間、未登録の学習対象データとして、学習対象データ記憶部４１に一時的に記憶される。また、当該学習対象データに対応付けられる運転者の特定が運転者特定部４３によって行われた後には、運転者特定部４３によって特定された運転者に対応する学習対象データとして、当該学習対象データは学習対象データ記憶部４１に登録される。その結果、当該学習対象データは、学習対象データ記憶部４１に登録済の学習対象データとなる。なお、運転者の特定するタイミングは、運転者を特定できるタイミングであればよく、例えば、３ｋｍ走行したタイミング、１０分間走行したタイミング、所定量のデータを取得したタイミング（１００プロット、１キロバイト等の所定量のデータを取得したタイミング）であってもよい。

学習対象データ記憶部４１は、運転者の手動運転中の減速タイミングを記憶するものであってもよい。学習対象データ記憶部４１は、交差点等に敷設された停止線等の停止位置で停止する場合の減速タイミング、停車中の先行車両の後方で停止する場合の減速タイミング、先行車に追従して走行している場合の減速タイミングなどを記憶するものであってもよい。さらに、学習対象データ記憶部４１は、停止位置に対してブレーキを作動させる位置であるブレーキ作動位置、停止位置に対しての距離、ブレーキを作動させる時の車速、加速度など、ブレーキ操作時の車両の挙動を記憶するものであってもよい。

「減速タイミング」には、車両を停止位置で停止させる際に運転者がブレーキ（ブレーキペダル）を操作しブレーキが作動するタイミング、車両に減速度が働いたタイミング、アクセルの操作を終了したタイミング、あるいはブレーキペダルの操作を開始したタイミングが含まれる。あるいは、「減速タイミング」には、運転者によるブレーキペダルの操作量（踏込量）が予め設定した所定量以上となったタイミング、運転者によるアクセルペダルの操作量（踏込量）が予め設定した所定量以下となったタイミングを含むものであってもよい。あるいは、運転者がブレーキを操作し、ブレーキ操作時の制御量が予め設定した一定値に達したタイミング、あるいは、ブレーキ操作時の制御量の上昇速度が一定値に達したタイミングを含むものであってもよい。

すなわち、ブレーキ作動による所定の減速には至っていないが、ブレーキの制御量、あるいは制御量の上昇速度が一定値に達したタイミングを「減速タイミング」としてもよい。すなわち、「減速タイミング」とは、ブレーキが作動したタイミング（ブレーキ開始タイミング）、アクセルオフのタイミング（ブレーキ開始タイミング）、ブレーキの制御量が一定値に達したタイミング、及びブレーキの制御量の上昇速度が一定値に達したタイミングを含む概念である。言い換えれば、運転者がブレーキ操作を感じるタイミングである。

本実施形態におけるブレーキには、油圧ブレーキ、電制ブレーキ、回生ブレーキ、が含まれる。なお、油圧ブレーキ、電制ブレーキ、回生ブレーキが作動していなくても減速度が働いている状態も含むようにしてよい。

また、学習対象データ記憶部４１は、運転者の手動運転中における、車両の先行車との車間距離を記憶するものであってもよい。学習対象データ記憶部４１は、車間距離の他にも、停止中の車間距離や先行車との相対速度、操舵角、減速度、先行車に追従している継続時間等のデータを記憶するものであってもよい。

また、学習対象データ記憶部４１は、車両が交差点で停止する場合の減速開始速度や、車両が交差点で停止する場合の制動距離等を記憶するものであってもよい。また、学習対象データ記憶部４１は、減速操作中の、車両のブレーキペダル及びアクセルペダルの操作量や車速及び減速度、交差点の停止線までの距離等のデータを記憶するものであってもよい。

その他にも、学習対象データ記憶部４１は、車両が置かれている環境情報についても記憶するものであってもよい。環境情報としては、車両が走行する道路の車線数、道路曲率、制限速度、道路勾配、一時停止規制の有無、信号機の表示状態、車両から交差点までの距離、車両前方の車両台数、方向指示器の表示状態、車両の周辺の天候、気温、又は照度等などが挙げられる。

運転特性学習部４２は、学習対象データ記憶部４１で記憶された学習対象データを読み出し、走行状態及び走行環境からの影響度合いを考慮して、学習対象データに対応する運転者の運転特性を学習する。なお、運転特性学習部４２は、学習対象データ記憶部４１に記憶された学習対象データ（未登録の学習対象データと登録済の学習対象データ）に基づいて、学習対象データごとに運転特性を学習する。運転特性学習部４２は、こうして算出された学習結果と運転者を対応付け、学習結果を運転者ごとに分類して記憶する。

なお、学習結果に対応付けられる運転者の特定は、後述する運転者特定部４３によって行う。運転特性学習部４２によって新たに算出された学習結果は、当該学習結果に対応付けられる運転者の特定が運転者特定部４３によって行われるまでの間、未登録の学習結果として一時的に運転特性学習部４２に記憶される。また、当該学習結果に対応付けられる運転者の特定が運転者特定部４３によって行われた後には、運転者特定部４３によって特定された運転者に対応する学習結果として、当該学習結果は運転特性学習部４２に登録される。その結果、当該学習結果は、運転特性学習部４２に登録済の学習結果となる。

運転特性学習部４２によって行われる学習は、学習対象データ記憶部４１において学習対象データを記憶するのと同時にリアルタイムで実行されるものであってもよい。もしくは、運転特性学習部４２によって行われる学習は、所定の時間毎、あるいは、学習対象データ記憶部４１において一定量の学習対象データの蓄積が行われたタイミングで、実行されるものであってもよい。

運転者特定部４３は、学習対象データ記憶部４１に一時的に記憶されている未登録の学習結果に基づき、運転者を特定する。具体的には、運転者特定部４３は、学習対象データ記憶部４１に記憶されている未登録の学習結果と登録済の学習結果とを比較する。

運転者特定部４３における比較の結果、未登録の学習結果の運転特性との差が所定値以内の運転特性を有する登録済の学習結果が見つかった場合には、運転者特定部４３は、未登録の学習結果に対応する運転者が、登録済の学習結果の運転者と同一人物であると特定する。

運転者特定部４３における比較の結果、未登録の学習結果の運転特性との差が所定値以内の運転特性を有する登録済の学習結果が見つからなかった場合には、運転者特定部４３は、未登録の学習結果に対応する運転者は、新規の運転者（登録済のいずれの運転者にも該当しない運転者）であると特定する。

運転特性学習部４２に新規の運転者の学習結果を登録する場合には、乗員に登録する事に対する承認行為を要求するようにしてもよい。この要求は、車内のディスプレイを用いて実行してもよく、またスピーカーを用いて実行するようにしてもよい。乗員に要求した後、乗員による選択は、ディスプレイ上でのタッチ入力により受け取ってもよく、またマイクにより乗員の音声を認識して受け取るようにしてもよい。

運転特性学習部４２に新規の運転者の学習結果を登録する場合には、乗員に運転者を特定する情報の入力を要求するようにしてもよい。この要求は、車内のディスプレイを用いて実行してもよく、またスピーカーを用いて実行するようにしてもよい。乗員に要求した後、乗員による選択は、ディスプレイ上でのタッチ入力により受け取ってもよく、またマイクにより乗員の音声を認識して受け取るようにしてもよい。

運転者特定部４３における比較の結果、未登録の学習結果の運転特性との差が所定値以内の運転特性を有する登録済の学習結果が複数見つかった場合には、見つかった複数の学習結果に対応する複数の運転者のいずれかの選択を乗員に要求する。この要求は、車内のディスプレイを用いて実行してもよく、またスピーカーを用いて実行するようにしてもよい。乗員に要求した後、乗員による選択は、ディスプレイ上でのタッチ入力により受け取ってもよく、またマイクにより乗員の音声を認識して受け取るようにしてもよい。

自動運転制御実行部４５は、車両が自動運転区間を走行する場合や運転者が運転切替スイッチ２３により自動運転を選択した場合に、自動運転制御を実行する。このとき、自動運転制御実行部４５は、運転特性学習部４２で学習した学習結果を自動運転の走行制御に適用する。

なお、走行支援装置１１は、マイクロコンピュータ、マイクロプロセッサ、ＣＰＵを含む汎用の電子回路とメモリ等の周辺機器から構成されている。そして、特定のプログラムを実行することにより、上述した学習対象データ記憶部４１、運転特性学習部４２、運転者特定部４３、自動運転制御実行部４５として動作する。このような走行支援装置１１の各機能は、１または複数の処理回路によって実装することができる。処理回路は、例えば電気回路を含む処理装置等のプログラムされた処理装置を含み、また実施形態に記載された機能を実行するようにアレンジされた特定用途向け集積回路（ＡＳＩＣ）や従来型の回路部品のような装置も含んでいる。

［運転特性学習の処理手順］
次に、本実施形態に係る走行支援装置１１による運転特性学習の処理手順を図２のフローチャートを参照して説明する。図２に示す運転特性学習の処理は、車両のイグニッションがオンされると開始する。

図２に示すように、まずステップＳ１０１において、走行支援装置１１は、運転切替スイッチ２３の状態により車両が手動運転であるか否かを判定する。車両が手動運転である場合にはステップＳ１０３に進み、自動運転である場合には運転特性学習の処理を終了して自動運転制御を実行する。

ステップＳ１０３において、学習対象データ記憶部４１は、走行状況検出部２１、周囲状況検出部２２、運転切替スイッチ２３から車両の走行状態に関する走行データと車両周囲の走行環境に関する環境情報を検出する。検出される走行データとしては、車速、操舵角、加速度、減速度、先行車との車間距離、先行車との相対速度、現在位置、前方交差点の予定進路、ブレーキペダル及びアクセルペダルの操作量、先行車に追従している継続時間、ヘッドライトの点灯状態、ワイパーの作動状態等を検出する。また、環境情報としては、車両が走行する道路の車線数、道路曲率、制限速度、道路勾配、一時停止規制の有無、信号機の表示状態、車両から交差点までの距離、車両前方の車両台数、方向指示器の表示状態、車両の周辺の天候、気温、又は照度等などを検出する。走行データ及び環境情報からなる、新たな学習対象データは、未登録の学習対象データとして、学習対象データ記憶部４１に一時的に記憶される。

次に、ステップＳ１０５において、運転特性学習部４２は、学習対象データ記憶部４１で記憶された学習対象データに基づいて走行状態及び走行環境からの影響度合いを考慮して、学習対象データに対応する運転者の運転特性を学習する。未登録の学習対象データに基づいて得られた学習結果は、未登録の学習結果として、運転特性学習部４２に一時的に記憶される。

ここで、運転特性学習部４２は、学習対象データに含まれる２種類以上のデータ間の関係を定量的に表す式を求めるため、回帰モデル（重回帰モデル）を作成し、回帰分析（重回帰分析）を行うことで学習を行う。

具体例として、学習対象データとして、減速操作中における車速Ｖと車間距離Ｄのデータが得られている場合を考える。車速Ｖと車間距離Ｄという２種類のデータの組について、Ｎ個の測定結果（Ｖ_１，Ｄ_１），（Ｖ_２，Ｄ_２），・・・，（Ｖ_Ｎ，Ｄ_Ｎ）が得られているとして、以下では、ｉ番目の測定結果を（Ｖ_ｉ，Ｄ_ｉ）（ただしｉ＝１，２，・・・，Ｎ）として表記する。

β_１、β_２を回帰係数、車間距離Ｄを説明変数（独立変数）、車速Ｖを目的変数（従属変数、被説明変数）として、次の式（１）によって表される線形モデルが成立すると仮定する。

Ｖ＝β_１＋β_２Ｄ ・・・（１）

ｉ番目の測定結果の回帰モデルからの誤差をε_ｉとして、次の式（２）によって誤差項ε_ｉを定義する。

ε_ｉ＝Ｖ_ｉ−（β_１＋β_２Ｄ_ｉ） （ただしｉ＝１，２，・・・，Ｎ） ・・・（２）

式（２）において、β_１、β_２をパラメータとして、誤差項ε_ｉの平方和Ｓ（ここで、Ｓ＝Σε_ｉ ^２であり、ｉ＝１，２，・・・，Ｎ）を最小とする最小二乗法を用いることにより、車速Ｖと車間距離Ｄという２種類のデータの組についての、Ｎ個の測定結果の間にある関係を定量的に表す式を推定できる。誤差項ε_ｉの平方和Ｓを最小にするときのパラメータβ_１、β_２は、式（１）に登場する回帰係数β_１、β_２の推定量であり、最小二乗推定量Ｌ_１、Ｌ_２と呼ばれる。最小二乗推定量Ｌ_１、Ｌ_２を決定することにより、車速Ｖと車間距離Ｄの間にある定量的な関係を推定できる。

最小二乗推定量Ｌ_１、Ｌ_２に基づき、次の式（３）によって回帰残差Ｅ_ｉを定義する。

Ｅ_ｉ＝Ｖ_ｉ−（Ｌ_１＋Ｌ_２Ｄ_ｉ） （ただしｉ＝１，２，・・・，Ｎ） ・・・（３）

回帰分析の対象となっている学習対象データにおいて、測定結果の数Ｎが十分大きい場合には、回帰残差Ｅ_ｉは正規分布（平均０、標準偏差σ_Ｅ）に従うものと考えられる。そこで、回帰残差Ｅ_ｉの標準偏差を推定する。以下では回帰残差Ｅ_ｉの標準偏差σ_Ｅの推定量を標準誤差ｓ_Ｅとする。標準誤差ｓ_Ｅは、次の式（４）によって定義される。

ｓ_Ｅ＝｛（ΣＥ_ｉ ^２）／（Ｎ−２）｝^１／２ ・・・（４）

ここで、標準誤差ｓ_Ｅの定義において回帰残差Ｅ_ｉの平方和（ΣＥ_ｉ ^２）を（Ｎ−２）で割るのは、最小二乗推定量が２個存在することと関係している。標準誤差ｓ_Ｅの不変性を保つため、平方和（ΣＥ_ｉ ^２）を（Ｎ−２）で割っている。

最小二乗推定量Ｌ_１、Ｌ_２は、正規分布に従うものと考えられる回帰残差Ｅ_ｉの線形関数であるから、最小二乗推定量Ｌ_１は正規分布（平均β_１、標準偏差σ_Ｌ１）に従い、最小二乗推定量Ｌ_２は正規分布（平均β_２、標準偏差σ_Ｌ２）に従うものと考えられる。そこで、式（３）、及び、標準誤差ｓ_Ｅに基づいて、最小二乗推定量Ｌ_１、Ｌ_２の標準偏差σ_Ｌ１、σ_Ｌ２を推定できる。以下では、最小二乗推定量Ｌ_１の標準偏差σ_Ｌ１の推定量を標準誤差ｓ_Ｌ１、最小二乗推定量Ｌ_２の標準偏差σ_Ｌ２の推定量を標準誤差ｓ_Ｌ２と表す。

運転特性学習部４２は、上述のように最小二乗推定量［Ｌ_１，Ｌ_２］及び標準誤差［ｓ_Ｌ１，ｓ_Ｌ２］を推定することで、学習対象データに基づいて運転特性の学習を行う。運転特性学習部４２は、このようにして得られた最小二乗推定量［Ｌ_１，Ｌ_２］及び標準誤差［ｓ_Ｌ１，ｓ_Ｌ２］を、学習対象データから得られた学習結果についての運転特性として、記憶する。

その他、運転特性学習部４２は、学習に用いた学習対象データに含まれるデータの数Ｎを記憶するものであってもよい。運転特性学習部４２は、学習に用いた学習対象データに対応する、車両が走行したエリアの走行頻度を記憶するものであってもよい。

上述では、車速Ｖと車間距離Ｄの間の回帰モデルを例として挙げたが、車速Ｖ、車間距離Ｄだけでなく、その他の２以上の複数のデータを用いて、同様の回帰分析（重回帰分析）を行うものであってもよい。上述では、２つのデータ間の回帰分析を行ったため、最小二乗推定量として２個の値Ｌ_１，Ｌ_２が得られたが、一般にＭ個のデータ間の回帰分析を行う場合には、最小二乗推定量としてＭ個の値［Ｌ_１，Ｌ_２，・・・，Ｌ_Ｍ］が得られる。同様に、最小二乗推定量に対応する標準誤差としてＭ個の値［ｓ_Ｌ１，ｓ_Ｌ２，・・・，ｓ_ＬＭ］が得られる。

また、上述では、回帰モデルとして、データ間の線形的な関係を仮定する線形モデル（線形回帰）を挙げたが、線形モデル以外にも、関数変換等によって線形モデルに変換可能なモデルであれば、上述の線形モデルの方法を利用することが可能である。例えば、被説明変数が説明変数のべき乗に比例する弾性モデルや、被説明変数が説明変数の指数関数に比例する弾性モデル（指数回帰）を用いるものであってもよい。線形モデル、弾性モデル、弾性モデルの組み合わせを用いるものであってもよい。

なお、上述では、測定結果の数Ｎが十分大きい場合に、回帰残差Ｅ_ｉは正規分布に従うものと考えたが、一般には、正規分布に従うとは限らない。例えば、測定結果の数Ｎが小さい場合（例えば、Ｎが３０未満の場合）には、データの性質に合わせて、正規分布以外の分布を仮定して、運転特性の学習を行うものであっても良い。例えば、正規分布以外に、二項分布、ポアソン分布、一様分布を仮定して、運転特性の学習を行うものであってもよい。ノンパラメトリック推定を行って、運転特性の学習を行うものであってもよい。

上述の他、ニューラルネットワークを用いたディープラーニング（深層学習、機械学習）のように、訓練データをニューラルネットワークへ入力した際の出力誤差を計算し、誤差が最小となるようにニューラルネットワークの各種パラメータの調整を行うことにより、運転特性の学習を行うものであってもよい。

また、上述では、学習対象データに含まれる測定結果をすべて用いて学習を行うものとしたが、車両が走行する走行エリアに応じて、学習に用いる測定結果の選別、あるいは重みづけを行ってもよい。例えば、車両が走行するルート、場所（出発地、経由地、目的地）の頻度の情報を１つもしくは複数の学習対象データに基づいて決定し、学習中の学習対象データに含まれる測定結果が、走行頻度が高いエリアにおいて測定されたものである場合には、回帰分析において使用する誤差項ε_ｉの平方和Ｓへの当該測定結果の寄与が高くなるようにしてもよい。

具体的には、重みづけのパラメータＷ_ｉをとして、次の式（５）によって誤差項ε_ｉの平方和Ｓを定義してもよい。ここで、学習に用いる測定結果の選別を行う場合には、学習に用いる測定結果に対して重みづけのパラメータＷ_ｉは値１をとり、学習に用いない測定結果に対して重みづけのパラメータＷ_ｉは値０をとる。学習に用いる測定結果の重みづけを行う場合には、重みづけのパラメータＷ_ｉは、測定結果に対応するエリアの走行頻度が高いほど、大きな値をとる。

Ｓ＝Σ（Ｗ_ｉ・ε_ｉ ^２） ・・・（５）

車両が走行する走行エリアに応じて、学習に用いる測定結果の選別、あるいは重みづけを行うことにより、車両が走行するエリアの走行頻度が高いほど、当該エリアにおける運転者の手動運転中の運転特性を高い優先度で学習することができる。車両が走行するエリアの走行頻度が高いほど、運転者は、当該エリアの運転に慣れていると考えられ、運転者の運転特性がより強く学習対象データに現れると考えられる。

なお、上述では、回帰分析によって学習対象データから運転特性及び標準誤差を推定していたが、測定結果から得られる、減速タイミングに関する頻度分布（横軸が減速タイミング、縦軸がその頻度）に基づき、減速タイミングの平均値及び標準偏差を、それぞれ運転特性及び標準誤差として推定するものであってもよい。その他にも、測定結果から得られる、車両の先行車との車間距離に関する頻度分布（横軸が車間距離、縦軸がその頻度）に基づき、車間距離の平均値及び標準偏差を、それぞれ運転特性及び標準誤差として推定するものであってもよい。また、測定結果から得られる、減速操作中の車速に関する頻度分布（横軸が車速、縦軸がその頻度）に基づき、減速操作中の車速の平均値及び標準偏差を、それぞれ運転特性及び標準誤差として推定するものであってもよい。

次に、ステップＳ１０７において、運転者特定部４３は、学習対象データ記憶部４１に一時的に記憶されている未登録の学習結果に基づき、運転者を特定する。具体的には、運転者特定部４３は、学習対象データ記憶部４１に記憶されている未登録の学習結果と登録済の学習結果とを比較する。

図３に示すように、未登録の学習結果（運転特性として、最小二乗推定量Ｌ_Ｕ、標準誤差ｓ_Ｕ）が得られており、登録済みの学習結果として、運転者Ａの学習結果（運転特性として、最小二乗推定量Ｌ_Ａ、標準誤差ｓ_Ａ）、運転者Ｂの学習結果（運転特性として、最小二乗推定量Ｌ_Ｂ、標準誤差ｓ_Ｂ）、運転者Ｃの学習結果（運転特性として、最小二乗推定量Ｌ_Ｃ、標準誤差ｓ_Ｃ）がすでに登録済みであるとする。

運転者特定部４３は、運転特性についてのｔ検定を行うことにより、学習結果同士の比較を行う。

未登録の学習結果と運転者Ａの学習結果の間の比較を行う場合には、運転者特定部４３は、帰無仮説を「Ｌ_Ｕ＝Ｌ_Ａ」、対立仮説を「Ｌ_Ｕ≠Ｌ_Ａ」とし、次の式（６）で定義される２標本ｔ統計量を定義する。

Ｔ_ＵＡ＝｛Ｌ_Ｕ−Ｌ_Ａ｝／｛ｓ_Ｕ ^２＋ｓ_Ａ ^２｝^１／２ ・・・（６）

最小二乗推定量Ｌ_Ｕ及び最小二乗推定量Ｌ_Ａが正規分布に従う場合、未登録の学習結果と運転者Ａの学習結果の間の２標本ｔ統計量Ｔ_ＵＡはｔ分布に従う。当該ｔ分布は、未登録の学習結果に対応する学習対象データ及び運転者Aの学習結果に対応する学習対象データ等に依存した自由度を有する。

運転者特定部４３は、２標本ｔ統計量Ｔ_ＵＡを計算して有意水準α＝０．０５で検定を行う。すなわち、有意差ありとみなす水準を５％とする。

なお、有意水準αは、学習対象データに含まれる測定結果の数に基づいて変更してもよい。

同様にして、運転者特定部４３は、未登録の学習結果と運転者Ｂの学習結果の間の２標本ｔ統計量Ｔ_ＵＢを計算し、さらに、未登録の学習結果と運転者Ｃの学習結果の間の２標本ｔ統計量Ｔ_ＵＣを計算する。

このように、運転者特定部４３は、未登録の学習結果と登録済の学習結果との間の、２標本ｔ統計量を計算する。なお、学習対象データ記憶部４１に登録済の学習結果が記憶されていない場合には、運転者特定部４３は、上述の学習結果同士の比較を行わない。

次に、ステップＳ１０９において、運転者特定部４３は、未登録の学習結果と一致する登録済の学習結果が存在するか否かを判定する。

運転者特定部４３は、計算した２標本ｔ統計量Ｔ_ＵＡが０から大きく外れた値となり、特に、２標本ｔ統計量Ｔ_ＵＡの絶対値が、有意水準αによって定まるｔ分布におけるパーセント点Ｔ_α／２よりも大きな値となった場合には、帰無仮説を棄却する。

ここで、パーセント点Ｔ_α／２とは、ｔ分布における上側確率がα／２となる２標本ｔ統計量の値をいう。帰無仮説を棄却すべき統計量の値の集合（棄却域）が、０から外れた正の領域と、０から外れた負の領域の両方を含んでおり、両側検定を行う必要があることから、上側確率を有意水準αの半分の値としている。

運転者特定部４３は、帰無仮説「Ｌ_Ｕ＝Ｌ_Ａ」が棄却された場合には、未登録の学習結果と運転者Ａの学習結果は一致しないと判定する。さらに、未登録の学習結果に対応する運転者は運転者Ａではないと特定する。

一方、運転者特定部４３は、帰無仮説「Ｌ_Ｕ＝Ｌ_Ａ」が採択される場合（棄却されない場合）には、未登録の学習結果と運転者Ａの学習結果は一致すると判断する。さらに、未登録の学習結果に対応する運転者は運転者Ａであると特定する。

すなわち、運転者特定部４３は、未登録の学習結果の運転特性を表すＬ_Ｕと運転者Ａの学習結果の運転特性を表すＬ_Ａとを比較し、Ｌ_ＵとＬ_Ａの差が所定値以下であれば、運転者特定部４３は、未登録の学習結果に対応する運転者が、登録済の学習結果の運転者Ａであると特定する。

同様にして、運転者特定部４３は、２標本ｔ統計量Ｔ_ＵＢに基づいて、未登録の学習結果と運転者Ｂの学習結果が一致するか否かを判定し、未登録の学習結果に対応する運転者が運転者Ｂであるか否かを特定する。また、運転者特定部４３は、２標本ｔ統計量Ｔ_ＵＣに基づいて、未登録の学習結果と運転者Ｃの学習結果が一致するか否かを判定し、未登録の学習結果に対応する運転者が運転者Ｃであるか否かを特定する。

なお、未登録の学習結果と一致する登録済の学習結果が見つからない場合や、学習対象データ記憶部４１に登録済の学習結果が記憶されていない場合には、運転者特定部４３は、未登録の学習結果に対応する運転者が、新規の運転者（登録済のいずれの運転者にも該当しない運転者）であると特定する。

運転者特定部４３における比較の結果、未登録の学習結果と一致する登録済の学習結果が存在しない場合（ステップＳ１０９でＮＯの場合）にはステップＳ１１１に進み、未登録の学習結果と一致する登録済の学習結果が存在する場合（ステップＳ１０９でＹＥＳの場合）には、ステップＳ１１３に進む。

ステップＳ１１１において、学習対象データ記憶部４１は、未登録の学習対象データを新規の運転者に対応する学習対象データとして登録する。また、運転特性学習部４２は、未登録の学習結果を新規の運転者に対応する学習結果として登録する。

ステップＳ１１３において、運転者特定部４３における比較の結果、未登録の学習結果と一致する登録済の学習結果が１つしか存在しない場合（ステップＳ１１３でＹＥＳの場合）にはステップＳ１１５に進み、自動運転制御実行部４５は、未登録の学習結果と一致する登録済の学習結果を自動運転に適用する。

ステップＳ１１３において、未登録の学習結果と一致する登録済の学習結果が複数存在する場合（ステップＳ１１３でＮＯの場合）には、ステップＳ１１７に進み、制御状態提示部６１は、一致する登録済の学習結果に対応する複数の運転者の候補を表示する。

ステップＳ１１９において、走行支援装置１１の利用者によって、制御状態提示部６１に表示された複数の運転者の候補の中から１人の運転者が選択された場合には、自動運転制御実行部４５は、未登録の学習結果と一致する登録済の学習結果であって、選択された運転者の学習結果を自動運転に適用する。

上述では、学習結果に含まれる運転特性のうち、１個の運転特性（１個の最小二乗推定量）を取り上げて、運転特性についてのｔ検定を行ったが、２以上の複数の運転特性を組み合わせて、運転特性についてのｔ検定を行うものであってもよい。１個の運転特性のみを用いる場合と比較して、より多くの数の運転特性を組み合わせることにより、より正確な学習結果同士の比較、及び、運転者の特定が可能である。

なお、上述したステップＳ１０９において未登録の学習対象データに対応する運転者が特定された場合には、ステップＳ１１５及びステップＳ１１９において登録済の学習結果を自動運転に適用する代わりに、未登録の学習対象データと特定された運転者に対応する学習結果の両方を用いた学習を行って得られる学習結果を自動運転に適用してもよい。

すなわち、ステップＳ１１５及びステップＳ１１９において、未登録の学習対象データを、特定された運転者の学習対象データとマージして、新たに得られる学習対象データを基にした学習結果を自動運転に適用してもよい。この処理により、学習対象データのデータサイズを大きくすることができ、特定された運転者の運転特性がより強く反映された学習結果を自動運転に適用することができる。

なお、未登録の学習結果に対応する学習対象データに含まれる測定結果の数Ｎが小さい場合（例えば、Ｎが３０未満の場合）には、ｔ分布に従うことを前提とした２標本ｔ統計量を計算する代わりに、学習対象データに適合する分布を決定し、当該分布に対応した検定量を計算してもよい。もしくは、学習対象データに基づいてノンパラメトリック推定を行い、学習結果同士の比較を行ってもよい。

上述の他、ニューラルネットワークを用いたディープラーニング（深層学習、機械学習）によって、学習結果同士の比較を行うものであってもよい。

学習結果同士の比較には、上述のように多種多様な方法が挙げられる。比較の対象となる２以上の学習結果に基づいて所定の確率が計算され、当該確率と有意水準の比較を行うことで、「学習結果同士が一致する」という帰無仮説の棄却もしくは採択が可能な方法であれば、本発明における、学習結果同士の比較の方法として用いることができる。

［実施形態の効果］
以上詳細に説明したように、本実施形態に係る走行支援方法では、運転者による手動運転と自動運転とを切り替え可能な車両において、運転者の手動運転中の運転特性を用いて、運転者を特定し、特定した運転者に対応した学習結果に基づいて走行制御を行う。これにより、運転者の特定のためのセンサや余分な操作を必要とせずに運転者の特定ができ、運転者に合った適切な走行支援を実行できる。

特に、顔認識や指紋認識などを行うためのセンサなどの、運転者の特定のためのセンサを用いる代わりに、手動運転中の運転特性に基づいて運転者を特定できるため、運転者の特定のためのセンサを搭載した製品に比べてコストダウンを図ることができる。例えば、量産品基準で指紋認証センサの価格５０００円程度を、製造コストから削減できる。

また、本実施形態に係る走行支援方法は、手動運転中の運転特性と、運転者に対応した学習結果とを比較し、手動運転中の運転特性と、学習結果の運転特性との間にある差が所定値よりも大きい場合に、手動運転中の運転特性を新規の運転者の学習結果として登録するものであってもよい。これにより、運転者の固有の運転特性に基づいて、運転者を正確に特定できる。さらには、登録されていない新規の運転者を、運転者の特別の操作を必要とせずに自動的に登録することができる。

また、本実施形態に係る走行支援方法は、新規の運転者の学習結果を登録する場合に、乗員に登録する事に対する承認行為を要求するものであってもよい。これにより、乗員が意図しない新たな運転者が登録されることを抑制することができる。したがって、乗員の意向に沿った走行支援方法を実現するとともに、誤って新たな運転者を登録することを防止することができる。

また、本実施形態に係る走行支援方法は、新規の運転者の学習結果を登録する場合に、乗員に運転者を特定する情報の入力を要求するものであってもよい。これにより、学習結果に対応する運転者を設定できるようになる。したがって、設定以降に学習結果を用いる場合、例えば、乗員にどの運転手であるか選択を要求する場合に、乗員は適切な学習結果を選択することができるようになる。なお、運転者を特定する情報として、年齢、性別など属性の入力を要求するようにしてもよい。

さらに、本実施形態に係る走行支援方法は、手動運転中の運転特性と、運転者に対応した学習結果とを比較し、手動運転中の運転特性と、学習結果の運転特性との間にある差が所定値以内の運転特性を有する学習結果が複数見つかった場合、見つかった複数の学習結果に対応する複数の運転者のいずれかの選択を乗員に要求するものであってもよい。これにより、見つかった複数の学習結果に対応する複数の運転者のいずれの運転者に基づいて自動運転の走行制御を行うかを、利用者が選択できる。さらには、利用者が意図しない学習結果が用いられることを抑制することができる。

また、本実施形態に係る走行支援方法は、車両が走行するエリアの走行頻度が高いほど、運転者を特定する時の手動運転中の運転特性として優先して用いるものであってもよい。車両が走行するエリアの走行頻度が高いほど、運転者は、当該エリアの運転に慣れていると考えられ、運転者の運転特性がより強く学習対象データに現れると考えられる。そのため、エリアの走行頻度に基づいた優先度を設けることにより、運転者をより正確に特定できる。

さらに、本実施形態に係る走行支援方法は、手動運転中の減速タイミング、車両の先行車との車間距離、減速操作中の車速、もしくは、これらの組み合わせを、手動運転中の運転特性として用いるものであってもよい。車両の走行データに現れる運転特性のうち、手動運転中の減速タイミング、車両の先行車との車間距離、減速操作中の車速といった運転特性は、ほかの運転特性に比べても運転者の個性が現れやすい運転特性である。そのため、これらの運転特性を用いることにより、運転者をより正確に特定できる。

また、本実施形態に係る走行支援方法は、登録済の学習結果が存在しない場合に、学習結果に基づく運転者の特定を行わないものであってもよい。そのため、運転者の特定のために必要な処理時間を削減することができ、システム全体の高速化を図ることができる。

また、車両を日常的に運転する運転者が一人の場合など、登録済の学習結果が１つである場合には、そもそも運転者の特定が不要である場合が起こりうる。このような場合にも、学習結果に基づく運転者の特定を行わないものであってもよい。そのため、運転者の特定のために必要な処理時間を削減することができ、システム全体の高速化を図ることができる。

さらに、本実施形態に係る走行支援方法は、車両の外部に備えた外部サーバによって、運転者ごとの運転特性を学習するものであってもよい。これにより、車両における処理負荷を軽減することができる。

さらには、運転者が複数の車両を利用する場合であっても、外部サーバで複数の車両からの学習結果を統合して管理し、自動運転による走行制御が必要となった車両に外部サーバから学習結果を配信することにより、複数の車両の間で学習結果を引き継ぐことができる。これにより、運転者に合った適切な走行支援を実行できる。外部サーバでの処理を行うことは、カーシェリングなど運転者が複数の車両を利用することが想定される場合において、特に有用である。

以上、実施形態に沿って本発明の内容を説明したが、本発明はこれらの記載に限定されるものではなく、種々の変形及び改良が可能であることは、当業者には自明である。この開示の一部をなす論述及び図面は本発明を限定するものであると理解すべきではない。この開示から当業者には様々な代替実施形態、実施例及び運用技術が明らかとなろう。

本発明はここでは記載していない様々な実施形態等を含むことは勿論である。したがって、本発明の技術的範囲は上記の説明から妥当な請求の範囲に係る発明特定事項によってのみ定められるものである。

上述の各実施形態で示した各機能は、１又は複数の処理回路により実装され得る。処理回路は、電気回路を含む処理装置等のプログラムされた処理装置を含む。処理装置は、また、実施形態に記載された機能を実行するようにアレンジされた特定用途向け集積回路（ＡＳＩＣ）や従来型の回路部品のような装置を含む。

１１ 走行支援装置
２１ 走行状況検出部
２２ 周囲状況検出部
２３ 運転切替スイッチ
３１ アクチュエータ
４１ 学習対象データ記憶部
４２ 運転特性学習部
４３ 運転者特定部
４５ 自動運転制御実行部
６１ 制御状態提示部

Claims (12)

1. 運転者による手動運転と自動運転とを切り替え可能な車両において、運転者の手動運転中の走行データから運転者ごとの運転特性を学習し、この学習結果を自動運転の走行制御に適用する走行支援方法であって、
   運転者の手動運転中の運転特性を用いて、前記運転者を特定し、
   特定した前記運転者に対応した前記学習結果に基づいて前記走行制御を行う走行支援方法。
2. 請求項１に記載の走行支援方法であって、
   前記手動運転中の運転特性と、運転者に対応した前記学習結果とを比較し、
   前記手動運転中の運転特性と、前記学習結果の運転特性との間にある差が所定値よりも大きい場合に、前記手動運転中の運転特性を新規の運転者の学習結果として登録すること
   を特徴とする走行支援方法。
3. 請求項２に対する走行支援方法であって、
   新規の運転者の学習結果を登録する場合に、乗員に登録する事に対する承認行為を要求すること
   を特徴とする走行支援方法。
4. 請求項２又は３に対する走行支援方法であって、
   新規の運転者の学習結果を登録する場合に、乗員に前記運転者を特定する情報の入力を要求すること
   を特徴とする走行支援方法。
5. 請求項１〜４のいずれか一項に記載の走行支援方法であって、
   前記手動運転中の運転特性と、運転者に対応した前記学習結果とを比較し、
   前記手動運転中の運転特性と、前記学習結果の運転特性との間にある差が所定値以内の運転特性を有する学習結果が複数見つかった場合、
   見つかった複数の前記学習結果に対応する複数の運転者のいずれかの選択を乗員に要求すること
   を特徴とする走行支援方法。
6. 請求項１〜５のいずれか一項に記載の走行支援方法であって、
   前記車両が走行するエリアの走行頻度が高いほど、前記運転者を特定する時の手動運転中の運転特性として優先して用いること
   を特徴とする走行支援方法。
7. 請求項１〜６のいずれか一項に記載の走行支援方法であって、
   手動運転中の減速タイミングを前記手動運転中の運転特性として用いること
   を特徴とする走行支援方法。
8. 請求項１〜７のいずれか一項に記載の走行支援方法であって、
   手動運転中の、前記車両の先行車との車間距離を前記手動運転中の運転特性として用いること
   を特徴とする走行支援方法。
9. 請求項１〜８のいずれか一項に記載の走行支援方法であって、
   手動運転中の、減速操作中の車速を前記手動運転中の運転特性として用いること
   を特徴とする走行支援方法。
10. 請求項１〜９のいずれか一項に記載の走行支援方法であって、
    登録済の学習結果が存在しない場合、もしくは、登録済の学習結果が１つである場合、前記学習結果に基づく前記運転者の特定を行わないこと
    を特徴とする走行支援方法。
11. 請求項１〜１０のいずれか一項に記載の走行支援方法であって、
    前記車両の外部に備えた外部サーバによって、運転者ごとの運転特性を学習すること
    を特徴とする走行支援方法。
12. 運転者による手動運転と自動運転とを切り替え可能な車両において、運転者の手動運転中の走行データから運転者ごとの運転特性を学習し、この学習結果を自動運転の走行制御に適用する走行支援装置であって、
    運転者の手動運転中の運転特性を用いて、前記運転者を特定する運転者特定回路と、
    特定した前記運転者に対応した前記学習結果に基づいて前記走行制御を行う自動運転制御実行回路と、
    を備えたことを特徴とする走行支援装置。

Images