WO2020016924A1 - 交通情報生成システム - Google Patents

交通情報生成システム Download PDF

Info

Publication number
WO2020016924A1
WO2020016924A1 PCT/JP2018/026695 JP2018026695W WO2020016924A1 WO 2020016924 A1 WO2020016924 A1 WO 2020016924A1 JP 2018026695 W JP2018026695 W JP 2018026695W WO 2020016924 A1 WO2020016924 A1 WO 2020016924A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
probe data
event
reliability
probe
Prior art date
Application number
PCT/JP2018/026695
Other languages
English (en)
French (fr)
Inventor
智之 丹下
克哉 河合
Original Assignee
三菱電機株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to PCT/JP2018/026695 priority Critical patent/WO2020016924A1/ja
Priority to JP2019500525A priority patent/JP6605176B1/ja
Publication of WO2020016924A1 publication Critical patent/WO2020016924A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • G08G1/127—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams to a central station ; Indicators in a central station
    • G08G1/13—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams to a central station ; Indicators in a central station the indicator being in the form of a map

Definitions

  • the present invention relates to a traffic information generation system that collects traffic events from a plurality of probe vehicles that detect traffic events and generates road traffic information.
  • the probe vehicle has a communication function and transmits a traffic event detected by sensing the periphery of the vehicle as probe data to a cloud system or the like.
  • the present invention has been made in order to solve the above-described problems, and provides a traffic information generation system capable of increasing the position reliability of probe data and generating traffic information having accurate position information. With the goal.
  • a traffic information generation system is a traffic information generation system that generates information on a traffic event transmitted from a probe vehicle equipped with a sensor that detects a traffic event existing on a road, wherein the probe vehicle detects the traffic event.
  • a probe data receiving unit that receives probe data including event data representing a traffic event, a probe data storage unit that stores at least the probe data received by the probe data receiving unit, and detection of a sensor mounted on the probe vehicle
  • a detection environment including an environment element having accuracy and correlation, a detection environment extraction unit that extracts from the probe data, and among the probe vehicles, the probe data received from a target vehicle that is a probe vehicle that has detected the traffic event. And the stored probe data stored in the probe data storage unit.
  • a probe data comparison unit for calculating a similarity between data by comparing the similarity calculated by the probe data comparison unit, and a vehicle reliability indicating a reliability of detection of the traffic event by the target vehicle based on the similarity calculated by the probe data comparison unit.
  • a vehicle reliability generation unit a vehicle reliability storage unit that stores the vehicle reliability and the detection environment extracted by the detection environment extraction unit in association with each other, and the detection environment when the traffic event is detected. And calculating the position reliability indicating the reliability of the detected position of the traffic event by the target vehicle based on the vehicle reliability stored in the vehicle reliability storage unit and storing the calculated position reliability in the probe data storage unit. Based on the position reliability calculation unit, the position reliability stored in the probe data storage unit, and the stored probe data, information on the traffic event is generated. And and a traffic event generation unit.
  • FIG. 1 is a functional block diagram illustrating a configuration of a traffic event generation system according to a first embodiment of the present invention.
  • FIG. 3 is a diagram illustrating a configuration of probe data.
  • FIG. 3 is a diagram illustrating an example of a detection environment.
  • FIG. 9 is a diagram illustrating an example of a method of calculating a similarity in event data. It is a conceptual diagram explaining generation
  • FIG. 4 is a diagram illustrating a method for calculating a position reliability.
  • FIG. 4 is a diagram illustrating a method for calculating a position reliability.
  • FIG. 4 is a diagram illustrating a method for calculating a position reliability.
  • FIG. 4 is a diagram illustrating a method for calculating a position reliability.
  • FIG. 5 is a flowchart illustrating a process of calculating a vehicle reliability in the traffic event generation system according to the first embodiment of the present invention.
  • FIG. 9 is a diagram illustrating a relationship between newly received event data and a set of event data.
  • FIG. 9 is a diagram illustrating a relationship between newly received event data and a set of event data.
  • FIG. 2 is a block diagram illustrating a hardware configuration of the traffic event generation system according to the first embodiment of the present invention.
  • FIG. 2 is a block diagram illustrating a hardware configuration of the traffic event generation system according to the first embodiment of the present invention.
  • FIG. 9 is a functional block diagram illustrating a configuration of a traffic event generation system according to a second embodiment of the present invention.
  • FIG. 7 is a diagram illustrating an example of a method for estimating a positional characteristic in event data.
  • FIG. 7 is a diagram illustrating an example of a method for estimating a positional characteristic in event data.
  • FIG. 9 is a diagram illustrating an example in which a similarity calculation method is changed according to the positional characteristics of event data.
  • FIG. 9 is a diagram illustrating an example in which a similarity calculation method is changed according to the positional characteristics of event data.
  • FIG. 5 is a diagram illustrating an example of a method for estimating time characteristics in event data.
  • FIG. 4 is a diagram illustrating an example of a method for estimating a temporal characteristic in event data.
  • 9 is a flowchart illustrating a vehicle reliability calculation process in the traffic event generation system according to the second embodiment of the present invention.
  • FIG. 1 is a functional block diagram showing a configuration of a traffic information generation system 10 according to the first embodiment of the present invention.
  • the traffic information generation system 10 includes a probe data reception unit 11, a detection environment extraction unit 12, a probe data comparison unit 13, a vehicle reliability generation unit 14, a vehicle reliability storage unit 15, a position reliability calculation unit. 16, a probe data storage unit 17 and a traffic event generation unit 18 are used to generate traffic information having accurate position information using probe data collected from a plurality of probe vehicles.
  • the traffic information generated by the traffic information generation system 10 is mainly an in-vehicle system such as an automatic driving system and a safety support system, and road traffic information provided to the driver. Includes event location information.
  • information on time such as the latest observation time and the oldest observation time may be included, or detailed information for expressing an event in detail may be included.
  • the information type is a failed car
  • the detailed information includes a vehicle type, a moving direction, and a moving speed.
  • a recommended traveling speed is included as the detailed information.
  • a failed vehicle can be determined to be a failed vehicle if, for example, the probe vehicle detects a vehicle running at a speed much lower than the legal speed.
  • the slip occurrence section for example, when the antilock brake system (ABS) operates, it can be determined that the vehicle has slipped, and the difference in the number of rotations of the tire between the front wheel and the rear wheel exceeds the threshold value. It can be determined that the vehicle has slipped in the event that the probe vehicle has made these determinations. If the probe vehicle has made these determinations, the probe vehicle transmits a slip occurrence section.
  • ABS antilock brake system
  • the recommended traveling speed may use the average speed of the probe vehicle that has not detected slip among the probe vehicles that have traveled in the slip occurrence section in the relevant section, or the minimum speed of the probe vehicle that has detected slip in the relevant section. May be used.
  • the type of traffic information includes information on objects existing on the road, such as a failed car and an obstacle, and information expressed as attributes of the road, such as a congestion section and a slip occurrence section. Further, the information may include information on objects that are installed on the road and do not move, such as telephone poles, signboards, and guardrails. Information on telephone poles, guardrails, and the like can be used to perform automatic control so that the self-driving vehicle does not come into contact with the event when the vehicle stops on the roadside in an emergency or enters a facility beside the road.
  • the probe data receiving unit 11 receives probe data from a plurality of probe vehicles.
  • the probe data is generated when a traffic event is detected by using various sensors mounted on the probe vehicle, and is transmitted to the traffic information generation system 10 via a public communication network or the like.
  • all traffic events detected by the probe vehicle may be transmitted.However, in order to suppress the amount of information from becoming too large, events with high mobility are preferentially transmitted.
  • the probe vehicle may receive information about a traffic event on the traveling route from a predetermined server system in advance, and transmit the traffic event when detecting a traffic event that is significantly different from the information. May be.
  • FIG. 2 is a diagram showing an example of the configuration of probe data.
  • the probe data includes a vehicle identifier 20 for identifying each probe vehicle, and at least one event data 22.
  • FIG. 2 shows event data 1 and event data 2 as the event data 22, the description will be given for the event data 1.
  • the event data 22 includes at least three data items of a detection time 22a, an event type 22b, and an event position 22c.
  • the detection time 22a is an item indicating the time at which the event was detected.
  • the event type 22b is an item indicating the type of the detected event.
  • the event position 22c is an item representing the position of the detected event, and may be represented by an absolute position using latitude and longitude, or may be represented by an absolute position of the vehicle and a relative position between the vehicle and the event. good. When the vehicle is equipped with a map, it may be represented by a relative position with respect to elements constituting the road map such as a lane link and a road link.
  • typical information that may be included in the probe data includes vehicle information 21, vehicle state 22d, detailed information 22e, and position accuracy 22f.
  • vehicle information 21 is an item indicating a static state of the probe vehicle such as a vehicle type and performance of a mounted sensor.
  • vehicle state 22d is an item indicating a dynamic state related to the probe vehicle such as the speed, the direction, the acceleration, and the brake state of the probe vehicle at the time when the event is detected.
  • the detailed information 22e is detailed information for expressing the event described above in the description of the traffic information in detail.
  • the position accuracy 22f is information on the detection accuracy of the event with respect to the event position 22c.
  • the detection accuracy is calculated based on information on the accuracy output by the sensor and information on noise of the sensor.
  • a GPS receiving sensor it is calculated using the number of satellites used and the rate of decrease in positional accuracy
  • a laser sensor it is calculated using the intensity of sunlight.
  • the detection environment extraction unit 12 extracts, from the received probe data, an environment element having a correlation with the detection accuracy of a sensor mounted on the probe vehicle as a detection environment when an event is detected.
  • Representative examples of the above sensors include a camera sensor, an infrared laser sensor, and a millimeter wave radar sensor. Camera sensors tend to have lower detection accuracy at night and in backlit environments. On the other hand, the detection accuracy of the infrared laser sensor tends to decrease when a long-distance object is detected and in bad weather. In the case where the position of the own vehicle is measured using the GPS reception sensor, the positioning accuracy is greatly reduced in urban areas and in tunnels where the radio wave reception environment deteriorates. As described above, the sensors have different environmental resistance depending on the method. Therefore, in the traffic information generation system 10, the detection environment when the event is detected by the detection environment extraction unit 12 is extracted.
  • Fig. 3 shows an example of the detection environment.
  • the detection environment includes environmental elements such as weather, time, distance to a detection target, travel speed, and road type indicating rain and fog having a correlation with the detection accuracy of the above-described sensors. I have.
  • the weather is “clear”
  • the time is “2018-03-01: 16: 20: 00”
  • the distance to the detection target is “20 m”
  • the traveling speed is “63 km / h”
  • the road type is “ Tunnel ".
  • the information may be included as a detection environment.
  • the vehicle information 21 when the vehicle information 21 is included in the probe data, or when the probe vehicle that has transmitted the probe data in the past has transmitted the vehicle information 21, this may be included as the detection environment.
  • the performance of the sensor mounted on each probe vehicle differs, so that vehicle information indicating the performance of the probe vehicle can be treated as one detection environment.
  • the event position transmitted by the probe vehicle that can obtain information that the camera sensor and the laser sensor are mounted and the probe vehicle that can obtain the information that only the camera sensor is mounted transmitted.
  • the event position it can be said that the former probe vehicle has higher detection accuracy.
  • the probe data comparison unit 13 calculates the similarity between the newly received event data and the previously accumulated event data (accumulated probe data).
  • the similarity of the event data is calculated by combining a temporal distance dt calculated based on the difference between the detection times 22a and a spatial distance ds calculated based on the difference between the event positions 22c.
  • the distance calculated based on the detailed information 22e for example, when the detailed information 22e includes the information on the moving speed of the event, the value of the “difference in moving speed” may be used.
  • the detailed information 22e includes the size of the event, the “difference in size” may be used.
  • FIG. 4 is a diagram illustrating a specific example when calculating the similarity between two event data on the road RD that is temporally preceding and succeeding.
  • FIG. 4 shows event data A accumulated in the past and event data B newly received, and schematically shows that the probe vehicle PV has detected an event on the road.
  • the event data A has information of a detection time t_A
  • the event type has a faulty vehicle
  • the event data B has a detection time t_B and the event type has a fault type. It has information on the vehicle and the event position (x_B, y_B).
  • the probe vehicle PV detects the same event at different times, and it is assumed that the probe vehicle PV itself is a different vehicle.
  • the representative calculation method of the temporal distance dt and the spatial distance ds has been described, but the calculation may be performed using another method.
  • a method of calculating the similarity ⁇ a method of calculating the following formula (3) using the sum of the reciprocals with respect to the distance is conceivable.
  • the vehicle reliability generation unit 14 generates a vehicle reliability, which is an index indicating how reliable the probe data transmitted by the probe vehicle is, and stores the generated vehicle reliability in the vehicle reliability storage unit 15.
  • a vehicle with high vehicle reliability transmits high-precision probe data
  • a vehicle with low vehicle reliability transmits low-probe probe data.
  • the vehicle reliability is generated based on the similarity output from the probe data comparison unit 13, and is detected by the target vehicle (target probe vehicle) that is the probe vehicle that has transmitted the event data B whose vehicle reliability is to be calculated. If the similarity between an event and an event detected by another vehicle (non-target probe vehicle) that is a probe vehicle that has transmitted the event data A accumulated in the past is high, the value of the vehicle reliability increases. Therefore, the similarity can be used as the vehicle reliability, and the calculation formula is substantially the same, and the vehicle reliability ⁇ can be calculated by the following formula (4).
  • FIG. 5 shows a case where the similarity of an event (obstacle) detected by the target vehicle PV to the same event (obstacle) detected by another vehicle is large.
  • FIG. 6 shows a case where the similarity between the event (obstacle) detected by the target vehicle PV and the event (obstacle) detected by another vehicle is small.
  • the detection environment is the same, the speed is “50 km / h”, the weather is “clear”, the time zone is “night”, and the event detected by the target vehicle is indicated by a solid line. , Events detected by other vehicles are indicated by broken lines.
  • the similarity is 0.8, and a vehicle reliability 0.8 according to the similarity is newly generated.
  • the similarity is 0.6, and a vehicle reliability 0.6 according to the similarity is newly generated.
  • the traffic information generation system 10 performs the above-described vehicle reliability calculation processing every time each probe vehicle detects an event and transmits probe data.
  • the position reliability calculation unit 16 calculates the position reliability as an index indicating how reliable the event position 22c included in the event data 22 is.
  • the position reliability is calculated based on the detection environment extracted by the detection environment extraction unit 12 and the accumulated vehicle reliability accumulated in the vehicle reliability storage unit 15.
  • a representative calculation method of the position reliability will be described with reference to FIGS. 7 and 8.
  • FIG. 7 is a diagram illustrating a method of generating vehicle reliability using only data having similar detection environments.
  • the position reliability D12 is calculated using the vehicle reliability associated with the selected detection environment among the plurality of vehicle reliability a to n stored in the vehicle reliability storage unit 15. Thereby, the position reliability D12 can be calculated in consideration of the detection environment of the target vehicle.
  • an average value of the selected vehicle reliability may be used, or a weighted average in which new information is weighted using the detection time may be used. For example, a weighted moving average in which the weight of the oldest Cn is 0 may be used as C1, C2, C3,... Cn in which the selected vehicle reliability is arranged in descending order of the detection time.
  • the time similarity can be represented using 1 / dt, which is the reciprocal of the temporal distance dt described above.
  • Information represented by continuous values such as the distance to the detection target and the running speed takes a binary difference, that is, a difference in distance (absolute value) and a difference in running speed (absolute value), and the difference between the two values is small
  • the higher the similarity, the higher the degree of similarity may be calculated.
  • information represented by discrete values such as weather and road type may be defined for each binary pattern, such as a similarity of 1 when binary values match, and a similarity of 0 otherwise. .
  • the present invention is not limited to binary values. For example, if the weather has four values of “clear”, “clear”, “cloudy”, and “rain”, the similarity between fine and sunny is 1, and the similarity between fine and rain is 1.
  • the similarity between sunny and cloudy can be defined for each combination such as 0.1 and 0.5.
  • the detection environment D11 is compared with each of the detection environments a to n stored in the vehicle reliability storage unit 15, and finally, the sum of the similarities calculated for the respective environment elements is:
  • the detection environments a to n exceeding the threshold value are selected as being similar to the detection environment D11.
  • FIG. 8 generates a position reliability estimation function from a set of the detection environments a to n stored in the vehicle reliability storage unit 15 and the vehicle reliability a to n respectively associated with the detection environments a to n. It is a figure explaining a method.
  • the position reliability estimation function is generated so that the detection environment is input and the position reliability is output.
  • a regression analysis is performed on a set of the detection environments a to n and the vehicle reliability a to n. It may be generated by performing, or may be generated by using machine learning and deep learning by a neural network.
  • a vehicle meeting the above conditions includes, for example, a probe vehicle equipped with the same sensor as the sensor mounted on the target vehicle, or a probe vehicle of the same type as the target vehicle.
  • the similarity of the vehicle information As a method of determining whether or not the conditions are met, there is a method of determining the similarity of the vehicle information by the same method as the determination of the similarity of the detection environment. For example, when the performance of the sensor is represented by the effective distance, the similarity can be defined using the reciprocal of the effective distance.
  • FIG. 9 is a diagram illustrating a method of generating vehicle reliability using probe data of a vehicle (similar vehicle) having a correlation similar to the correlation between the detection environment and the detection accuracy of the target vehicle.
  • a to n sent from each of the plurality of probe vehicles 1 to n stored in the vehicle reliability storage unit 15 extracted from the event data of the probe data D10 sent from the target vehicle. Only the detection environment similar to the detected detection environment D11 is selected. In this case, for example, data of the performance of the sensor is extracted as the vehicle information D13 from the probe data D10, and a plurality of vehicles similar to the performance of the sensor are extracted.
  • Probe vehicles 1 to n are extracted as the vehicle information D13 from the probe data D10, and a plurality of vehicles similar to the performance of the sensor are extracted.
  • a predetermined threshold value may be used as the threshold value as to whether or not probe data of the target vehicle has been sufficiently collected, or may be calculated based on, for example, the number of explanatory variables and the number of layers of the neural network.
  • a threshold may be used.
  • the position reliability calculation unit 16 calculates the position reliability of the probe data based on the assumption that the detection environment at the time of event detection and the detection accuracy at that time have a correlation. In addition to comparing the probe data of the target vehicle with the accumulated probe data of other vehicles, the reliability of the probe data in a detection environment similar to that at the time of the generation of the probe data by the target vehicle is calculated. The degree of robustness can be improved.
  • the position reliability calculated by the position reliability calculation unit 16 is stored in the probe data storage unit 17 together with the probe data.
  • the traffic event generation unit 18 generates information on a traffic event using the probe data stored in the probe data storage unit 17 and the position reliability.
  • the probe data comparison unit 13 calculates the similarity between the newly received event data x and the event data i acquired in step S101 (step S102). If there are a plurality of event data i, each of them is compared with the event data x (step S103). If none of the similarities exceed a predetermined threshold (No), the newly received event data It is determined that the data x does not match any of the event data stored in the probe data storage unit 17, the data x is stored as new event data in the probe data storage unit 17, and the process ends.
  • the data set constituting the event indicated by the event data i having the similarity equal to or greater than the threshold among the event data i compared in step S103 includes: Event data x is added (step S104).
  • FIG. 11 shows an example in which the similarity between newly received event data x and a plurality of neighboring event data i obtained from the probe data storage unit 17 is less than the threshold value. That is, as shown in the upper part of FIG. 11, the newly received event data x on the road RD and the set AG of a plurality of event data i in the vicinity thereof have similarities as indicated by the dashed arrows. In this case, as shown in the lower part of FIG. 11, the newly received event data x constitutes a data set AGX constituting a new event.
  • the plurality of event data i in the set AG have the similarity between the events equal to or larger than the threshold, and constitute the same event.
  • FIG. 12 illustrates an example in which the similarity between the newly received event data x and any one of a plurality of neighboring event data i acquired from the probe data storage unit 17 is equal to or greater than the threshold. . That is, as shown in the upper part of FIG. 12, the newly received event data x on the road RD and the set AG of a plurality of event data i in the vicinity thereof have similarities as indicated by solid arrows. In this case, as shown in the lower part of FIG. 12, the newly received event data x is added to the set AG constituting the same event.
  • the probe data comparison unit 13 calculates the similarity between the newly received event data and a set of a plurality of neighboring event data (step S105).
  • This process is a process of calculating the similarity between all event data constituting a set of a plurality of neighboring event data and newly received event data, and a value having the highest similarity among the calculation results. May be used as the similarity of the newly received event data, or the average value of the calculation results may be used as the similarity of the newly received event data.
  • the calculation method may be changed according to the characteristics of the event.
  • the vehicle reliability generation unit 14 generates the similarity calculated in step S105 as the vehicle reliability (step S106), and associates the generated vehicle reliability with the detection environment extracted by the detection environment extraction unit 12. In the vehicle reliability storage unit 15.
  • the sensor mounted on the target vehicle can be used.
  • the position reliability of the probe data can be accurately calculated.
  • Each component of the traffic information generating system 10 described above can be configured using a computer, and each component is realized by a computer executing a program. That is, the probe data receiving unit 11, the detection environment extracting unit 12, the probe data comparing unit 13, the vehicle reliability generating unit 14, the vehicle reliability storing unit 15, the position reliability calculating unit of the traffic information generating system 10 shown in FIG. 16, the probe data storage unit 17 and the traffic event generation unit 18 are realized by, for example, a processing circuit 120 illustrated in FIG. A processor such as a CPU (Central Processing Unit) or a DSP (Digital Signal Processor) is applied to the processing circuit 120, and the functions of the above-described configurations are realized by executing a program stored in a storage device.
  • a processor such as a CPU (Central Processing Unit) or a DSP (Digital Signal Processor) is applied to the processing circuit 120, and the functions of the above-described configurations are realized by executing a program stored in a storage device.
  • CPU Central Processing Unit
  • DSP Digital Signal Processor
  • the processing circuit 120 includes, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASCI (Application Specific Integrated Circuit), and an FPGA (Field Programmable Gate). Array) or a combination of these.
  • FIG. 14 shows the components of the traffic information generation system 10 shown in FIG. 1 (probe data reception unit 11, detection environment extraction unit 12, probe data comparison unit 13, vehicle reliability generation unit 14, vehicle reliability storage 2 shows a hardware configuration when the unit 15, the position reliability calculating unit 16, the probe data storage unit 17, and the traffic event generating unit 18) are configured using a processor.
  • the function of each component of the traffic information generation system 10 is realized by a combination of software and the like (software, firmware, or software and firmware).
  • Software and the like are described as programs and stored in the memory 122.
  • the processor 121 functioning as the processing circuit 120 reads out and executes a program stored in the memory 122 (storage device) to realize the function of each unit.
  • FIG. 15 is a functional block diagram showing the configuration of the traffic information generation system 10A according to the second embodiment of the present invention.
  • the traffic information management system 10A includes an event characteristic estimating unit 19 in addition to the functional blocks of the traffic information generation system 10 described with reference to FIG.
  • the same components as those of the traffic information generation system 10 described with reference to FIG. 1 are denoted by the same reference numerals, and redundant description will be omitted.
  • the event characteristic estimation unit 19 estimates different characteristics for each type of traffic information based on the probe data stored in the probe data storage unit 17. As the above characteristics, a positional characteristic and a temporal characteristic will be described.
  • the positional characteristic is a characteristic of how the position of the traffic information is represented. For example, in the case of a malfunctioning car and a signboard, the position of the traffic information is appropriately expressed as a point, and in the case of a congested section and a slip section, the position of the traffic information is appropriately expressed as a range. is there.
  • One method of estimating positional characteristics is to refer to the variance of similarity between event data. The above method will be described with reference to FIGS. In FIG. 16 and FIG. 17, the position of the event is represented two-dimensionally for convenience.
  • FIG. 16 if the position of the traffic information is an event represented by a point, it is expected that the probe data for detecting the correct place is the largest, and the data amount is reduced as the error increases. That is, the upper part of FIG. 16 shows a state in which a plurality of event data (crosses) are dispersed on the road RD, and the lower part of FIG. 16 shows a distribution diagram thereof. In the distribution chart, the horizontal axis indicates the position, the vertical axis indicates the number of event data, and the event data is concentrated at the center. Therefore, if the event data is an event having a distribution as shown in FIG. 16, it is determined that the position of the traffic information is an event represented by a point.
  • the distribution of the probe data is expected to be uniform. That is, the upper part of FIG. 17 shows a state in which a plurality of event data (crosses) are dispersed on the road RD, and the distribution diagram thereof is shown in the lower part of FIG. In the distribution chart, the horizontal axis indicates the position, and the vertical axis indicates the number of event data, and the event data is dispersed. Therefore, if the event data is an event having a distribution as shown in FIG. 17, it is determined that the position of the traffic information is an event represented as a range.
  • the positional characteristics can be determined as described above.
  • the variance ⁇ _t of the temporal similarity can be expressed by the following equation (5).
  • t_avg represents an average value of temporal similarity.
  • the variance ⁇ _d of the distance similarity can be expressed by the following equation (6).
  • x_avg represents an average value of distance similarities in the x direction distance
  • y_avg represents an average value of distance similarities in the y direction distance.
  • the sum of the variance ⁇ _t of the temporal similarity and the variance ⁇ _d of the distance similarity may be used as the variance of the similarity, or another statistical method may be used.
  • the method of expressing the position in the generated traffic information can be changed according to the positional characteristics.
  • the position can be expressed by using an appropriate expression method without previously defining the expression method of the position of the target traffic event. Further, the vehicle reliability can be more appropriately calculated.
  • FIGS. 18 and 19 an example of a method of selecting an appropriate calculation method according to the positional characteristics when calculating the similarity with the data set in step S105 described with reference to FIG. explain.
  • FIGS. 18 and 19 show a state in which a plurality of event data are dispersed on the road RD, and show the event data stored in the probe data storage unit 17 and the newly received event data.
  • FIG. 18 shows an event in which the position of the traffic information is represented by a point.
  • the spatial distance ds between the accumulated event data and the newly received event data is represented by the center of gravity of the accumulated event data. Is defined as the position of the traffic information, and is calculated as the distance from the center of gravity. This is because it is assumed that the traffic information is a position characteristic existing at a certain point.
  • FIG. 19 shows an event in which the position of the traffic information is represented by a plane, and the spatial distance ds between the stored event data and the newly received event data is the same as that of each of the stored plurality of event data. Among the distances between the event data and the newly received event data, the one with the smallest distance is used. This is because it is assumed that the traffic information is a position characteristic represented on a certain surface.
  • the position when calculating the similarity with the data set, by changing the method of calculating the similarity according to the positional characteristics, the position can be expressed using an appropriate expression method, and the similarity obtained by the calculation can be obtained.
  • the degrees By using the degrees, it becomes possible to calculate the vehicle reliability more appropriately.
  • the method of calculating the similarity to the data set is not limited to the method described with reference to FIGS. 18 and 19, and may be calculated using another method according to the positional characteristics.
  • the temporal characteristic is a characteristic of how much the position where the traffic event occurs moves. For example, if it is a telephone pole, it is considered that it will not move for several years, and if it is a congested section, it is considered that the section will move in several minutes. An example of a method for quantitatively expressing a temporal characteristic will be described with reference to FIGS.
  • FIG. 20 illustrates a traffic event having low mobility
  • the upper part of FIG. 20 illustrates a plurality of event data distributed on the road RD and a spatial center of the plurality of event data.
  • Below 20 is a graph of the time variation of the distance from the spatial center of the data.
  • FIG. 21 illustrates a traffic event having high mobility
  • the upper part of FIG. 21 illustrates a plurality of event data distributed on the road RD and a spatial center of the plurality of event data.
  • the graph below shows the time change of the distance from the spatial center of the data.
  • the correlation coefficient between the transition of the distance from the spatial center of the data and the passage of time can be used as a quantitative value of the temporal characteristic.
  • weighting is applied to each term of the expression 1 / dt + 1 / ds when calculating the similarity between two events according to the correlation coefficient and the slope of the regression line.
  • the similarity can be calculated in consideration of the mobility.
  • a ⁇ r may be set to a coefficient of 1 / dt, or r is set to 1 / dt only when the correlation coefficient r exceeds a predetermined threshold. May be used as the coefficient.
  • the similarity when calculating the similarity with the data set, by changing the method of calculating the similarity according to the temporal characteristics, the similarity can be calculated in consideration of the mobility, and the vehicle reliability can be more appropriately determined.
  • the degree can be calculated.
  • the traffic information generation system 10A includes an event characteristic estimating unit 19 in addition to the functional blocks of the traffic information generation system 10 described with reference to FIG.
  • the event characteristic estimating unit 19 performs a process of estimating a positional characteristic and a temporal characteristic for each type of traffic information.
  • a process of selecting an appropriate calculation method according to the positional characteristics is added.
  • steps S201, S203 to S205, S207, and S208 correspond to steps S101 to S106 shown in FIG. 10, and redundant description will be omitted.
  • the probe data comparison unit 13 acquires, from the probe data storage unit 17, event data i that occurs near the event data x included in the newly received probe data (step S201).
  • the event characteristic estimating unit 19 estimates a positional characteristic and a temporal characteristic for each type of traffic information based on the probe data stored in the probe data storage unit 17 (Step S202).
  • step S203 Using the similarity calculation method determined based on the positional characteristics and the temporal characteristics estimated in step S202, calculate the similarity with the event data i acquired in step S201 (step S203).
  • step S207 the positional characteristics and the temporal characteristics estimated in step S202 are used in step S207 in the process of calculating the similarity between the newly received event data and a set of a plurality of neighboring event data. It is used when determining a method (step S206).
  • the similarity with the event data is calculated using the similarity calculation method determined based on the positional characteristic and the temporal characteristic estimated by the event characteristic estimating unit 19, and the data set is calculated.
  • the similarity calculation method determined based on the positional characteristic and the temporal characteristic estimated by the event characteristic estimating unit 19, and the data set is calculated.
  • Each component of the traffic information generation system 10A described above can be configured using a computer, and each of these configurations is realized by the computer executing a program. 13 is the same as that of the first embodiment described with reference to FIG.
  • Each component of the traffic information generation system 10A (probe data reception unit 11, detection environment extraction unit 12, probe data comparison unit 13, vehicle reliability generation unit 14, vehicle reliability storage unit 15, position reliability calculation unit 16,
  • the hardware configuration when the probe data storage unit 17, the traffic event generation unit 18, and the event characteristic estimation unit 19) are configured using a processor is the same as that of the first embodiment described with reference to FIG.
  • each embodiment can be freely combined, or each embodiment can be appropriately modified or omitted within the scope of the invention.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本発明は交通情報生成システムに関し、プローブデータを受信するプローブデータ受信部、プローブデータを蓄積するプローブデータ記憶部、プローブ車両が搭載するセンサの検出精度と相関を持つ環境要素を含む検出環境をプローブデータから抽出する検出環境抽出部、交通事象を検出した対象車両から受信したプローブデータ、プローブデータ記憶部に蓄積された蓄積プローブデータとを比較して類似度を算出するプローブデータ比較部、類似度に基づいて、交通事象の検出の信頼度を表す車両信頼度を生成する車両信頼度生成部、車両信頼度と検出環境とを関連付けて蓄積する車両信頼度記憶部、交通事象の検出時における検出環境と車両信頼度とに基づいて、対象車両による交通事象の検出位置の信頼度を表す位置信頼度を算出する位置信頼度算出部、および位置信頼度と蓄積プローブデータとに基づいて、交通事象に関する情報を生成する交通事象生成部とを備えている。

Description

交通情報生成システム
　本発明は、交通事象を検出する複数のプローブ車両から交通事象を収集し、道路交通情報を生成する交通情報生成システムに関する。
　近年、リアルタイムな道路交通情報を生成するための方法として、複数のプローブ車両により交通事象を検出する方法が開発されている。プローブ車両は通信機能を持ち、車両の周辺をセンシングすることで検出した交通事象をプローブデータとしてクラウドシステム等に送信する車両である。
　複数のプローブデータに基づいて、正確な位置情報を持つ交通情報を生成するシステムとして、例えば特許文献１に開示されるように、ある道路状況および走行状況の下における自車位置の精度を予め想定しておく方法が挙げられる。この方法では、プローブデータに含まれる道路状況と、予め想定した自車位置の精度を用いてプローブデータの信頼度を評価し、信頼度に基づいて代表位置を決定する。
特開２０１１－２１５９７３号公報
　特許文献１による交通情報生成システムでは、各プローブ車両に対して、道路状況および走行状況に応じた精度信頼度を予め算出しておく。しかしながら、予め全ての状況を網羅して精度信頼度を算出することは困難であるという問題がある。また、車両に搭載されるセンサの劣化に伴って、交通事象位置の検出精度が変化する場合に、その変化を考慮できないという問題がある。
　本発明は上記のような問題を解決するためになされたものであり、プローブデータの位置信頼度を高め、正確な位置情報を有した交通情報の生成が可能な交通情報生成システムを提供することを目的とする。
　本発明に係る交通情報生成システムは、道路上に存在する交通事象を検出するセンサを搭載したプローブ車両から送られる交通事象に関する情報を生成する交通情報生成システムであって、プローブ車両が検出した前記交通事象を表した事象データを含むプローブデータを受信するプローブデータ受信部と、少なくとも前記プローブデータ受信部で受信した前記プローブデータを蓄積するプローブデータ記憶部と、前記プローブ車両が搭載するセンサの検出精度と相関を持つ環境要素を含む検出環境を、前記プローブデータから抽出する検出環境抽出部と、前記プローブ車両のうち、前記交通事象を検出したプローブ車両である対象車両から受信した前記プローブデータと、前記プローブデータ記憶部に蓄積された蓄積プローブデータとを比較することによりデータ間の類似度を算出するプローブデータ比較部と、前記プローブデータ比較部が算出した前記類似度に基づいて、前記対象車両による前記交通事象の検出の信頼度を表す車両信頼度を生成する車両信頼度生成部と、前記車両信頼度と前記検出環境抽出部で抽出された前記検出環境とを関連付けて蓄積する車両信頼度記憶部と、前記交通事象の検出時における前記検出環境と前記車両信頼度記憶部に蓄積された前記車両信頼度とに基づいて、前記対象車両による前記交通事象の検出位置の信頼度を表す位置信頼度を算出し、前記プローブデータ記憶部に蓄積する位置信頼度算出部と、前記プローブデータ記憶部に蓄積された前記位置信頼度と、前記蓄積プローブデータとに基づいて、前記交通事象に関する情報を生成する交通事象生成部と、を備えている。
　対象車両から受信したプローブデータと、プローブデータ記憶部に蓄積された蓄積プローブデータとを比較し、対象車両による交通事象の検出の信頼度を表す車両信頼度を生成することで、対象車両に搭載されたセンサが、予め想定していない特性を持っている場合でも、プローブデータの位置信頼度を正確に算出することができる。これにより、劣化および故障等でセンサの特性が変化することを考慮した交通情報の生成が可能となる。また、高性能なセンサを搭載した車両と、性能が低いセンサを搭載した車両が混在している場合でも、車両ごと生成された車両信頼度に基づいて、交通事象の位置をロバストに推定できる。
本発明に係る実施の形態１の交通事象生成システムの構成を示す機能ブロック図である。 プローブデータの構成を示す図である。 検出環境の一例を示す図である。 事象データにおける類似度の算出方法の一例を示す図である。 車両信頼度の生成を説明する概念図である。 車両信頼度の生成を説明する概念図である。 位置信頼度の算出方法を説明する図である。 位置信頼度の算出方法を説明する図である。 位置信頼度の算出方法を説明する図である。 本発明に係る実施の形態１の交通事象生成システムにおける車両信頼度の算出処理を説明するフローチャートである。 新たに受信した事象データと事象データの集合との関係を説明する図である。 新たに受信した事象データと事象データの集合との関係を説明する図である。 本発明に係る実施の形態１の交通事象生成システムのハードウェア構成を示すブロック図である。 本発明に係る実施の形態１の交通事象生成システムのハードウェア構成を示すブロック図である。 本発明に係る実施の形態２の交通事象生成システムの構成を示す機能ブロック図である。 事象データにおける位置的特性を推定する方法の一例を説明する図である。 事象データにおける位置的特性を推定する方法の一例を説明する図である。 事象データの位置的特性に応じて類似度の算出方法を変更する例を説明する図である。 事象データの位置的特性に応じて類似度の算出方法を変更する例を説明する図である。 事象データにおける時間特性を推定する方法の一例を説明する図である。 事象データにおける時間的特性を推定する方法の一例を説明する図である。 本発明に係る実施の形態２の交通事象生成システムにおける車両信頼度の算出処理を説明するフローチャートである。
　＜実施の形態１＞
　図１は、本発明に係る実施の形態１の交通情報生成システム１０の構成を示す機能ブロック図である。図１に示すように交通情報生成システム１０は、プローブデータ受信部１１、検出環境抽出部１２、プローブデータ比較部１３、車両信頼度生成部１４、車両信頼度記憶部１５、位置信頼度算出部１６、プローブデータ記憶部１７および交通事象生成部１８を備え、複数のプローブ車両から収集したプローブデータを用いて、正確な位置情報を有した交通情報を生成する。
　交通情報生成システム１０で生成される交通情報は、主として自動運転システムおよび安全支援システム等の車載システムと、ドライバーに提供される道路交通情報であり、少なくとも交通情報の種別を表す情報種別と、当該事象の位置情報を含んでいる。加えて、最新の観測時刻および最も古い観測時刻等の時間に関する情報を含んでいても良いし、事象を詳細に表現するための詳細情報を含んでいても良い。例えば情報種別が故障車の場合は、詳細情報として車種、移動方向、移動速度が挙げられ、情報種別がスリップ発生区間の場合は、詳細情報として推奨走行速度が挙げられる。
　故障車は、例えば、速度が法定速度よりも遙かに遅い速度で走行しているような車両をプローブ車両が検出した場合に故障車であると判定することができる。
　スリップ発生区間は、例えば、アンチロック・ブレーキ・システム（ＡＢＳ）が動作した場合に車両がスリップしたと判定することができ、また、前輪と後輪とでタイヤの回転数の差が閾値を超えた場合にスリップしたと判定することができ、プローブ車両がこれらの判定を行った場合は、スリップ発生区間であることを送信する。
　推奨走行速度は、スリップ発生区間を走行したプローブ車両のうち、スリップを検出しなかった車両の当該区間における平均速度を用いても良く、また、スリップを検出したプローブ車両の当該区間における最低速度を用いても良い。
　交通情報の種別には、故障車および障害物などの道路上に存在する物体の情報と、渋滞区間およびスリップ発生区間などの道路の属性として表される情報が含まれる。さらに、電柱、看板およびガードレールなどの、道路上に設置されて動かない物体の情報を含んでも良い。電柱、ガードレール等の情報は、自動運転車両が緊急時に路肩に停止する際および道路脇の施設に入る際に、当該事象と接触しないように自動制御を行うために活用できる。
　以下、図１を参照しつつ、交通情報生成システム１０における交通情報の生成手順を説明する。まず、プローブデータ受信部１１が、複数のプローブ車両からプローブデータを受信する。プローブデータは、プローブ車両に搭載された各種センサを用いることにより交通事象を検出した際に生成され、公衆通信網等を介して交通情報生成システム１０に送信される。
　例えば、センサとしてカメラセンサの例を挙げるなら、カメラセンサで撮影された画像を画像認識の手法により解析することで、路上に停止した車両を検出した場合は、「停止車両」の存在が位置情報と共に送信される。
　基本的には、プローブ車両が検出した交通事象を全て送信するようにしても良いが、情報量が大きくなり過ぎることを抑制するために、移動性が高い事象を優先的に送信するようにしても良いし、プローブ車両が予め所定のサーバシステムから走行経路上の交通事象に関する情報を受信しておき、当該情報と大きく位置が異なる交通事象を検出した場合に、その交通事象を送信するようにしても良い。
　図２は、プローブデータの構成の一例を示す図である。図２に示すようにプローブデータは、各プローブ車両を識別するための車両識別子２０と、少なくとも１つの事象データ２２とを含んでいる。図２では事象データ２２として事象データ１および事象データ２を示しているが、説明は事象データ１について行う。
　事象データ２２には、それぞれ検出時刻２２ａ、事象種別２２ｂ、および事象位置２２ｃの少なくとも３つのデータ項目が含まれる。検出時刻２２ａは、イベントを検出した時刻を表す項目である。事象種別２２ｂは、検出した事象の種別を表す項目である。事象位置２２ｃは、検出した事象の位置を表す項目であり、緯度経度を用いた絶対位置で表現されても良いし、車両の絶対位置と、車両と当該事象との相対位置で表現されても良い。また、車両が地図を搭載している場合は、車線リンクおよび道路リンクなどの道路地図を構成する要素との相対位置で表現されても良い。
　さらに、プローブデータに含んでも良い代表的な情報として、車両情報２１、車両状態２２ｄ、詳細情報２２ｅおよび位置精度２２ｆが挙げられる。車両情報２１は、車種および搭載するセンサの性能などのプローブ車両に関する静的な状態を表す項目である。車両状態２２ｄは、当該事象を検出した時点におけるプローブ車両の速度、向き、加速度、ブレーキ状態などのプローブ車両に関する動的な状態を表す項目である。詳細情報２２ｅは、交通情報の説明において上述した事象を詳細に表現するための詳細情報である。位置精度２２ｆは、当該事象の事象位置２２ｃに関する検出精度についての情報である。
　検出精度は、センサが出力する精度に関する情報およびセンサの雑音となる情報に基づいて算出される。ＧＰＳ受信センサであれば、衛星の使用数、位置精度低下率を用いて算出され、レーザーセンサであれば太陽光の強さを用いて算出される。
　検出環境抽出部１２は、受信したプローブデータから、事象を検出した際の検出環境として、プローブ車両が搭載するセンサの検出精度と相関を持つ環境要素を抽出する。上記センサの代表な例として、カメラセンサ、赤外線レーザーセンサおよびミリ波レーダセンサが挙げられる。カメラセンサは、夜間および逆光の環境においては検出精度が低下する傾向がある。一方で、赤外線レーザーセンサは、遠距離の物体検出時および悪天候時において検出精度が低下する傾向がある。また、ＧＰＳ受信センサを用いて自車位置を測位する場合、電波の受信環境が悪化する都市部およびトンネル内では、その測位精度は大きく低下する。上述したように、センサはその方式によってそれぞれ異なる耐環境性を有する。そこで交通情報生成システム１０においては、検出環境抽出部１２により事象を検出した際の検出環境を抽出する。
　図３には検出環境の一例を示す。図３に示すように、検出環境には、上述したセンサの検出精度と相関を持つ雨および霧などを示す天気、時刻、検出対象との距離、走行速度および道路種別などの環境要素を含んでいる。図３の例では、天気は「快晴」、時刻は「2018-03-01 16:20:00」、検出対象との距離は「２０ｍ」、走行速度は「６３ｋｍ／ｈ」、道路種別は「トンネル」となっている。
　上述した環境要素を抽出するにあたって、天気のようにプローブデータから直接取得できない要素がある場合は、事象位置と検出時刻に基づいて、システム外部の装置またはシステム内部のデータベースから上記要素を抽出する方法が考えられる。
　また、プローブデータに、位置精度２２ｆに関する情報が含まれている場合、当該情報も検出環境として含んでも良い。
　また、プローブデータに車両情報２１が含まれる場合および過去に当該プローブデータを送信したプローブ車両が車両情報２１を送信していた場合は、これを検出環境として含んでも良い。これは、プローブ車両ごとに搭載するセンサの性能は異なるので、プローブ車両の性能を表す車両情報も１つの検出環境として扱うことができることを意味している。例えば、プローブ車両の情報から、カメラセンサおよびレーザーセンサを搭載しているという情報を得られるプローブ車両が送信した事象位置と、カメラセンサのみを搭載しているという情報を得られるプローブ車両が送信した事象位置とでは、前者のプローブ車両の方が検出精度が高いと言うことができる。
　　＜類似度の算出＞
　プローブデータ比較部１３は、新たに受信した事象データに対して、過去に蓄積した事象データ（蓄積プローブデータ）との類似度を算出する。事象データの類似度は、検出時刻２２ａの差異に基づいて算出される時間的な距離ｄｔと、事象位置２２ｃの差異に基づいて算出される空間的な距離ｄｓを複合して算出する。その他にも、詳細情報２２ｅに基づいて算出した上記の距離以外、例えば、詳細情報２２ｅに事象の移動速度の情報が含まれる場合、「移動速度の差」の値を用いても良い。また、詳細情報２２ｅに事象の大きさが含まれる場合、「大きさの差」を用いても良い。
　図４は、時間的に前後する道路ＲＤ上の２つの事象データにおける類似度を算出する際の具体例を説明する図である。図４においては、過去に蓄積した事象データＡと、新たに受信した事象データＢとを示しており、プローブ車両ＰＶが道路上の事象を検出したことを模式的に表している。図４に示すように、事象データＡは、検出時刻ｔ＿Ａ、事象種別は故障車、事象位置（ｘ＿Ａ，ｙ＿Ａ）の情報を有しており、事象データＢは、検出時刻ｔ＿Ｂ、事象種別は故障車、事象位置（ｘ＿Ｂ，ｙ＿Ｂ）の情報を有している。なお、プローブ車両ＰＶは、異なる時間でそれぞれ同じ事象を検出しているものであり、プローブ車両ＰＶ自体は異なる車両であるものとする。
　過去に蓄積した事象と、新たに受信した事象との時間的な距離ｄｔを算出する方法としては、例えば、２つの事象データの検出時刻の差（絶対値）を用いる方法が挙げられ、以下の数式（１）で算出される。
Figure JPOXMLDOC01-appb-M000001
　同様に、空間的な距離ｄｓを算出する方法としては、例えば、事象間のユークリッド距離を用いる方法が挙げられ、以下の数式（２）で算出される。
Figure JPOXMLDOC01-appb-M000002
　ここでは、時間的な距離ｄｔと空間的な距離ｄｓの代表的な算出方法を記載したが、他の方法を用いて算出しても良い。類似度αの算出方法としては、上記距離に対する逆数の和を用いて以下の数式（３）で算出する方法が考えられる。
Figure JPOXMLDOC01-appb-M000003
　このように、空間的な距離ｄｓおよび時間的な距離ｄｔを用いることで、比較的簡便に類似度αを算出することができる。
　ただし、事象種別によって、その移動性は大きく異なる。例えば、故障車は移動性の高い事象であり、電柱は移動性の低い事象と言える。よって、類似度を算出する際には、事象種別に応じて時間的な距離ｄｔと空間的な距離ｄｓの重みを変化させることが好ましい。例えば「看板」は、短時間のうちに移動する可能性が低い。よって、検出する時刻によって検出位置が変わる可能性が低いので、時間的距離の重みは小さく設定する。「故障車」は短時間のうちに移動する可能性が高い。よって、検出する時刻によって検出位置が大きく変わる可能性が高いので、時間的距離の重みを大きく設定する。なお、この重みは、事前に事象種別に応じて定義しても良いし、収集したデータから算出しても良い。
　　＜車両信頼度の算出＞
　車両信頼度生成部１４は、プローブ車両が送信するプローブデータがどの程度信頼できるかを表す指標である車両信頼度を生成し、車両信頼度記憶部１５に格納する。車両信頼度が高い車両は、精度の高いプローブデータを送信し、そうでない車両は精度の低いプローブデータを送信するものとみなすことができる。
　車両信頼度は、プローブデータ比較部１３が出力する類似度に基づいて生成され、車両信頼度を算出しようとしている事象データＢを送信してきたプローブ車両である対象車両（対象プローブ車両）が検出した事象と、過去に蓄積した事象データＡを送信したプローブ車両である他車両（非対象プローブ車両）が検出した事象との類似度が高ければ、車両信頼度の値は高くなる。従って、車両信頼度には類似度を用いることができ、算出数式も実質的に同じとなり、車両信頼度βは以下の数式（４）で算出することができる。
Figure JPOXMLDOC01-appb-M000004
　車両信頼度生成部１４は、検出環境抽出部１２が抽出した検出環境を、生成した車両信頼度と関連付けて車両信頼度記憶部１５に格納する。これにより、検出環境に応じた車両信頼度の値を、プローブデータを受信する度に生成することができる。
　次に、図５および図６を用いて、車両信頼度を生成する例について説明する。図５は、対象車両ＰＶが検出した事象（障害物）について、他車両が検出した同一の事象（障害物）との類似度が大きい場合を示している。一方、図６は、対象車両ＰＶが検出した事象（障害物）について、他車両が検出した事象（障害物）との類似度が小さい場合を示している。
　すなわち、図５および図６において、検出環境は同じであり、速度は「５０ｋｍ／ｈ」、天気は「晴れ」、時間帯は「夜」であって、対象車両が検出した事象を実線で示し、他車両が検出した事象を破線で示している。図５の場合では、類似度が０．８であり、類似度に応じた車両信頼度０．８が新たに生成される。図６の場合では、類似度が０．６であり、類似度に応じた車両信頼度０．６が新たに生成される。
　交通情報生成システム１０は、以上説明した車両信頼度の算出処理を、各プローブ車両が事象を検出してプローブデータを送信してくる度に行う。
　　＜位置信頼度の算出＞
　位置信頼度算出部１６は、事象データ２２に含まれる事象位置２２ｃがどの程度信頼できるかを表す指標として、位置信頼度を算出する。位置信頼度は、検出環境抽出部１２が抽出した検出環境と、車両信頼度記憶部１５に蓄積した蓄積車両信頼度に基づいて算出する。以下、図７および図８を用いて、位置信頼度の代表的な算出方法を説明する。
　図７は、検出環境が類似するデータのみを用いて車両信頼度を生成する方法を説明する図である。まず、車両信頼度記憶部１５に格納されている複数の検出環境ａ～ｎのうち、対象の事象データＤ１から抽出された検出環境Ｄ１１と類似している検出環境のみを選択する。その後、車両信頼度記憶部１５に格納されている複数の車両信頼度ａ～ｎのうち、選択した検出環境に関連付けられた車両信頼度を用いて位置信頼度Ｄ１２を算出する。これにより、対象車両の検出環境を考慮して位置信頼度Ｄ１２を算出することができる。なお、位置信頼度の算出方法として、選択した車両信頼度の平均値を用いても良いし、検出時刻を用いて新しい情報に重みを付けた重み付け平均を用いても良い。例えば、選択した車両信頼度を検出時刻の降順に並べたものをＣ１、Ｃ２、Ｃ３、・・・Ｃｎとして、最も古いＣｎの重みを０とする加重移動平均を用いても良い。
　検出環境の類似性の判定方法としては、それぞれの環境要素に対して類似度を定義する方法が挙げられる。具体的には、時刻の類似度は、上述した時間的な距離ｄｔの逆数である１／ｄｔを用いて表すことができる。検出対象との距離および走行速度などの連続値で表される情報は、２値の差、すなわち距離の差（絶対値）および走行速度の差（絶対値）を取り、２値の差が小さい場合ほど高い類似度を算出するようにすれば良い。また、天気および道路種別などの離散値で表現される情報は、２値が一致した場合は類似度１、そうでない場合は類似度０とするなど、２値のパターンごとに定義しても良い。また、２値に限定されず、例えば天気に「快晴」、「晴れ」、「曇り」、「雨」の４値がある場合、快晴と晴れの類似度は１、快晴と雨の類似度は０．１、晴れと曇りの類似度は０．５のようにそれぞれの組み合わせごとに定義することができる。
　このように、検出環境Ｄ１１と車両信頼度記憶部１５に格納されている検出環境ａ～ｎのそれぞれとの比較を行い、最後に、それぞれの環境要素に対して算出した類似度の総和が、しきい値を超えている検出環境ａ～ｎについては、検出環境Ｄ１１と類似しているものとして選択する。
　図８は、車両信頼度記憶部１５に格納されている検出環境ａ～ｎと、検出環境ａ～ｎにそれぞれ関連付けられた車両信頼度ａ～ｎの組から、位置信頼度推定関数を生成する方法を説明する図である。位置信頼度推定関数は、検出環境を入力として、位置信頼度を出力するように生成されており、生成にあたっては、検出環境ａ～ｎと車両信頼度ａ～ｎの組に対して回帰分析を行って生成しても良いし、機械学習およびニューラルネットワークによるディープラーニングを用いて生成しても良い。
　重回帰分析を用いる場合、位置信頼度推定関数ｆは、例えば、図３に示した検出環境の要素を説明変数とし、「ｆ＝ａ・天気＋ｂ・時間帯＋ｃ・検出対象との距離＋ｄ・走行速度＋ｅ・道路種別」のように表現される。天気および道路種別のように離散値で表現される要素は、晴れ＝１、曇り＝２のようにラベル付けをするか、ダミー変数を用いることで説明変数を表現する。重回帰分析を行うことにより、各説明変数の係数（ａ、ｂ、ｃ、ｄ、ｅ）を算出することで、位置信頼度推定関数を生成する。ニューラルネットワークを用いる場合も同様に、検出環境の要素を入力層とするネットワークを生成する。
　一方で、対象車両のプローブデータが十分に収集されていない段階においては、検出環境に基づいて生成される信頼度または位置信頼度推定関数ｆなどの信頼性は低い傾向となると考えられる。この場合、対象車両が持つ検出環境と検出精度の相関と類似した相関を持つと考えられる車両の蓄積プローブデータを用いても良い。
　上記条件に合う車両として、例えば、対象車両が搭載するセンサと同一のセンサを搭載するプローブ車両または、対象車両と同一車種のプローブ車両が挙げられる。
　条件に合うか否かの判定方法としては、検出環境の類似性の判定と同様の方法で、車両情報の類似性を判定する方法が挙げられる。例えば、センサの性能が、有効距離で表されている場合には、有効距離の逆数を用いて類似度を規定することができる。
　図９は、対象車両が持つ検出環境と検出精度の相関と類似した相関を持つ車両（類似車両）のプローブデータを用いて車両信頼度を生成する方法を説明する図である。車両信頼度記憶部１５に格納されている複数のプローブ車両１～ｎのそれぞれから送られてきた複数の検出環境ａ～ｎのうち、対象車両から送られてきたプローブデータＤ１０の事象データから抽出された検出環境Ｄ１１と類似している検出環境のみを選択するが、この場合、プローブデータＤ１０から車両情報Ｄ１３として、例えばセンサの性能のデータを抽出し、当該センサの性能と類似する車両を複数のプローブ車両１～ｎから選択する。
　そして、選択したプローブ車両に対応する複数の車両信頼度ａ～ｎのうち、選択した検出環境に関連付けられた車両信頼度を用いて位置信頼度Ｄ１２を算出する。これにより、対象車両が持つ検出環境と検出精度の相関と類似した相関を持つと考えられる車両のプローブデータを用いて、対象車両の検出環境を考慮した位置信頼度Ｄ１２を算出することができ、対象車両のプローブデータが十分に収集されていない段階でも、位置信頼度を算出することができる。
　なお、対象車両のプローブデータが十分に収集されているか否かの閾値として、予め決められた閾値を用いても良いし、例えば説明変数の数、ニューラルネットの層の数に基づいて算出された閾値を用いても良い。
　以上説明したように、位置信頼度算出部１６は、事象検出時における検出環境と、その際の検出精度が相関を持つという仮定に基づき、プローブデータの位置信頼度を算出する。対象車両のプローブデータと、蓄積した他車両のプローブデータとを比較するだけでなく、対象車両によるプローブデータの生成時と類似した検出環境下におけるプローブデータの信頼度を算出することで、位置信頼度のロバスト化を図ることができる。
　位置信頼度算出部１６で算出された位置信頼度は、プローブデータと共にプローブデータ記憶部１７に格納される。
　交通事象生成部１８は、プローブデータ記憶部１７に格納されたプローブデータと位置信頼度とを用いて交通事象に関する情報を生成する。
　　＜車両信頼度の生成処理＞
　次に、新たにプローブデータを受信した際に、当該データを送信した車両に対する車両信頼度を生成する処理について、図１０に示すフローチャートを用いて説明する。
　プローブデータ比較部１３は、新たに受信したプローブデータに含まれる事象データｘの近隣に発生する事象データｉを、プローブデータ記憶部１７から取得する（ステップＳ１０１）。ここで、事象データｘの近隣とは、例えば、位置的に近隣している事象であり、プローブデータ記憶部１７内を検索して、事象位置２２ｃが近いプローブデータを取得する。
　その後、プローブデータ比較部１３は、新たに受信した事象データｘに対して、ステップＳ１０１において取得した事象データｉとの類似度を算出する（ステップＳ１０２）。事象データｉが複数存在する場合は、それぞれと事象データｘとの比較を行い（ステップＳ１０３）、何れの類似度も予め定めた閾値を超えない場合（Ｎｏの場合）は、新たに受信した事象データｘは、プローブデータ記憶部１７に蓄積されている事象データの何れとも一致しないものと判断し、プローブデータ記憶部１７に新規事象データとして格納し、処理を終了する。
　一方、算出した類似度が閾値以上と判定される場合（Ｙｅｓの場合）は、ステップＳ１０３において比較した事象データｉのうち類似度が閾値以上の事象データｉが示す事象を構成するデータ集合に、事象データｘを追加する（ステップＳ１０４）。
　ここで、図１１および図１２を用いて、上述したステップＳ１０２からステップＳ１０４の処理を模式的に説明する。
　図１１は、新たに受信した事象データｘと、プローブデータ記憶部１７から取得した近隣の複数の事象データｉとの類似度が、何れも閾値を未満であった例を示している。すなわち、図１１の上側に示されるように、道路ＲＤ上の新たに受信した事象データｘと、その近隣の複数の事象データｉの集合ＡＧとは、破線の矢印で示されるように類似度が閾値未満であり、この場合は、図１１の下側に示されるように、新たに受信した事象データｘは、新たな事象を構成するデータ集合ＡＧＸを構成することとなる。なお、集合ＡＧ内の複数の事象データｉは、事象間の類似度が閾値以上となっており同一事象を構成している。
　図１２は、新たに受信した事象データｘと、プローブデータ記憶部１７から取得した近隣の複数の事象データｉのうち何れか１つとの類似度が、閾値を以上であった例を示している。すなわち、図１２の上側に示されるように、道路ＲＤ上の新たに受信した事象データｘと、その近隣の複数の事象データｉの集合ＡＧとは、実線の矢印で示されるように類似度が閾値以上であり、この場合は、図１２の下側に示されるように、新たに受信した事象データｘは、同一事象を構成する集合ＡＧに追加される。
　ここで、図１０のフローチャートの説明に戻る。次に、プローブデータ比較部１３は、新たに受信した事象データと、近隣の複数の事象データの集合との類似度を算出する（ステップＳ１０５）。この処理は、近隣の複数の事象データの集合を構成する全ての事象データと、新たに受信した事象データとの類似度を算出する処理であり、算出結果の中で、最も類似度の大きい値を新たに受信した事象データの類似度としても良いし、算出結果の平均値を新たに受信した事象データの類似度としても良い。事象の種別によって、移動性が大きく異なることを考慮すると、事象の特性に応じて算出方法を変えても良い。
　最後に、車両信頼度生成部１４は、ステップＳ１０５で算出された類似度を車両信頼度として生成し（ステップＳ１０６）、生成した車両信頼度と検出環境抽出部１２が抽出した検出環境とを関連付けて車両信頼度記憶部１５に格納する。
　以上説明したように、対象車両が送信してきたプローブデータと、蓄積された他車両が送信したプローブデータと比較し、対象車両に対する車両信頼度を算出することで、対象車両に搭載されるセンサが、予め想定していない特性を持っている場合でも、プローブデータの位置信頼度を正確に算出することができる。
　以上説明した交通情報生成システム１０の各構成はコンピュータを用いて構成することができ、これらの各構成はコンピュータがプログラムを実行することで実現される。すなわち、図１に示した交通情報生成システム１０のプローブデータ受信部１１、検出環境抽出部１２、プローブデータ比較部１３、車両信頼度生成部１４、車両信頼度記憶部１５、位置信頼度算出部１６、プローブデータ記憶部１７および交通事象生成部１８は、例えば図１３に示す処理回路１２０により実現される。処理回路１２０には、ＣＰＵ（Central Processing Unit）、ＤＳＰ（Digital Signal Processor）などのプロセッサが適用され、記憶装置に格納されるプログラムを実行することで上記各構成の機能が実現される。
　なお、処理回路１２０には専用のハードウェアが適用されても良い。処理回路１２０が専用のハードウェアである場合、処理回路１２０は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＣＩ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）または、これらを組み合わせたものなどが該当する。
　また、図１４には、図１に示した交通情報生成システム１０の各構成（プローブデータ受信部１１、検出環境抽出部１２、プローブデータ比較部１３、車両信頼度生成部１４、車両信頼度記憶部１５、位置信頼度算出部１６、プローブデータ記憶部１７および交通事象生成部１８）がプロセッサを用いて構成されている場合におけるハードウェア構成を示している。この場合、交通情報生成システム１０の各構成の機能は、ソフトウェア等（ソフトウェア、ファームウェア、またはソフトウェアとファームウェア）との組み合わせにより実現される。ソフトウェア等はプログラムとして記述され、メモリ１２２に格納される。処理回路１２０として機能するプロセッサ１２１は、メモリ１２２（記憶装置）に記憶されたプログラムを読み出して実行することにより、各部の機能を実現する。
　＜実施の形態２＞
　図１５は、本発明に係る実施の形態２の交通情報生成システム１０Ａの構成を示す機能ブロック図である。図１５に示されるように、交通情報管理システム１０Ａは、図１を用いて説明した交通情報生成システム１０の機能ブロックに加えて、事象特性推定部１９を備えている。なお、図１５においては、図１を用いて説明した交通情報生成システム１０と同一の構成については同一の符号を付し、重複する説明は省略する。
　事象特性推定部１９は、プローブデータ記憶部１７に蓄積されたプローブデータに基づいて、交通情報の種別ごとに異なる特性を推定する。上記特性として、位置的特性および時間的特性について説明する。
　＜位置的特性について＞
　位置的特性とは、交通情報の位置がどのように表されるかという特性である。例えば、故障車および看板であれば、交通情報の位置が点として表現されるのが適切であるし、渋滞区間およびスリップ区間であれば、交通情報の位置が範囲として表現されるのが適切である。
　位置的特性を推定する方法の１つとして、事象データ間の類似度の分散を参照する方法がある。上記方法について図１６および図１７を用いて説明する。図１６および図１７では、便宜的に事象の位置を２次元で表している。
　図１６に示されるように、交通情報の位置が点で表される事象であれば、正しい場所を検出するプローブデータが最も多く、誤差が大きくなるにつれてデータ量が少なくなることが予想される。すなわち、図１６の上側には、道路ＲＤ上に複数の事象データ（×印）が分散している状態が示され、図１６の下側にはその分布図が示されている。分布図では横軸に位置を取り、縦軸に事象データ数を示しており、中央部分に事象データが集中している。このため、事象データが図１６に示されるような分布を有する事象であれば、交通情報の位置が点で表される事象であると判断される。
　一方、図１７に示されるように、交通情報の位置が線または面で表される事象であれば、プローブデータの分布は一様な分布になることが予想される。すなわち、図１７の上側には、道路ＲＤ上に複数の事象データ（×印）が分散している状態が示され、図１７の下側にはその分布図が示されている。分布図では横軸に位置を取り、縦軸に事象データ数を示しており、事象データは分散している。このため、事象データが図１７に示されるような分布を有する事象であれば、交通情報の位置が範囲として表される事象であると判断される。
　このように、類似する事象データの分散を用いることで上記のように位置的特性を判定することができる。例えば、検出時刻の差異に基づいて算出される時間的な距離の逆数を時間的類似度とすると、その時間的類似度の分散σ＿ｔは以下の数式（５）で表すことができる。なお、数式（５）において、ｔ＿ａｖｇは時間的類似度の平均値を表す。
Figure JPOXMLDOC01-appb-M000005
　また、事象位置の差異に基づいて算出される空間的な距離の逆数を距離的類似度とすると、その距離的類似度の分散σ＿ｄは以下の数式（６）で表すことができる。なお、数式（６）において、ｘ＿ａｖｇはｘ方向距離の距離的類似度の平均値を表し、ｙ＿ａｖｇはｙ方向距離の距離的類似度の平均値を表す。
Figure JPOXMLDOC01-appb-M000006
　そして、上記時間的類似度の分散σ＿ｔおよび距離的類似度の分散σ＿ｄの和を類似度の分散としても良いし、その他の統計的な手法を用いても良い。
　位置的特性を推定することにより、生成する交通情報における位置の表現方法を位置的特性に応じて変更することができる。これによって、対象の交通事象について位置の表現方法を予め定義しなくても、適切な表現方法を用いて位置を表現することができる。また、より適切に車両信頼度を算出することが可能となる。
　例えば、図１０を用いて説明したステップＳ１０５においてデータ集合との類似度を算出する際に、位置的特性に応じて適切な算出方法を選択する方法の一例について、図１８および図１９を用いて説明する。
　図１８および図１９では、道路ＲＤ上に複数の事象データが分散している状態が示され、プローブデータ記憶部１７に蓄積された事象データと、新たに受信した事象データとを示している。
　図１８は、交通情報の位置が点で表される事象を示しており、蓄積された事象データと新たに受信した事象データとの空間的な距離ｄｓは、蓄積された複数の事象データにおける重心を交通情報の位置と規定し、当該重心との距離として算出している。これは、交通情報がある一点に存在している位置特性であると想定されるからである。
　図１９は、交通情報の位置が面で表される事象を示しており、蓄積された事象データと新たに受信した事象データとの空間的な距離ｄｓは、蓄積された複数の事象データのそれぞれと新たに受信した事象データとの距離のうち、最も距離が小さくなるものを用いている。これは、交通情報がある面で表される位置特性であると想定されるからである。
　このように、データ集合との類似度を算出する際に、位置的特性に応じて類似度を算出方法を変えることで、適切な表現方法を用いて位置を表現でき、それによって得られた類似度を用いることで、より適切に車両信頼度を算出することが可能となる。
　データ集合との類似度を算出する方法は、図１８および図１９を用いて説明した方法に限定されず、位置的特性に応じて他の方法を用いて算出しても良い。
　＜時間的特性について＞
　時間的特性とは、交通事象が発生する位置がどの程度移動するかという特性である。例えば、電柱であれば数年間は移動しないと考えられ、渋滞区間であれば数分でその区間は移動すると考えられる。時間的特性を定量的に表す方法の一例を図２０および図２１を用いて説明する。
　図２０および図２１では、同一事象を表す事象データの中で、データの空間的中心と、各事象データとの空間的距離について、時間経過による推移を道路ＲＤ上にプロットしている。
　図２０には移動性が低い交通事象を示しており、図２０の上側には、道路ＲＤ上に分布する複数の事象データと、当該複数の事象データの空間的中心とを示しており、図２０の下側にはデータの空間的中心からの距離の時間変化のグラフを示している。
　図２０に示されるように、移動性が低い電柱等の事象は、データの空間的中心からの距離の推移と、時間経過との相関は見られない。
　図２１には移動性が高い交通事象を示しており、図２１の上側には、道路ＲＤ上に分布する複数の事象データと当該複数の事象データの空間的中心とを示しており、図２１の下側にはデータの空間的中心からの距離の時間変化のグラフを示している。
　図２１に示されるように、移動性が高い事象の場合は、データの空間的中心からの距離の推移と、時間経過との相関が見られる。従って、データの空間的中心からの距離の推移と時間経過との相関係数は、時間的特性の定量的な値として用いることができる。
　時間的特性の活用方法として、２つの事象間の類似度を算出する際の数式１／ｄｔ＋１／ｄｓに対して、それぞれの項に上記相関係数および回帰直線の傾きに応じた重みを付けることで、移動性を考慮した類似度の算出が可能となる。
　相関係数が１に近いほど移動性があり、回帰直線の傾きが大きいほど移動性が高いと言える。例えば、相関係数ｒと回帰直線の傾きａを用いて、ａ・ｒを１／ｄｔの係数にしても良いし、相関係数ｒが予め定めた閾値を上回った場合のみｒを１／ｄｔの係数としても良い。
　このように、データ集合との類似度を算出する際に、時間的特性に応じて類似度の算出方法を変えることで、移動性を考慮した類似度の算出が可能となり、より適切に車両信頼度を算出することが可能となる。
　＜車両信頼度の生成処理＞
　最後に、実施の形態２における車両信頼度を生成する処理について、図２２に示すフローチャートを用いて説明する。
　実施の形態２の交通情報生成システム１０Ａは、図１５に示されるように、図１を用いて説明した交通情報生成システム１０の機能ブロックに加えて、事象特性推定部１９を備えているこのため、図１０を用いて説明したステップＳ１０２の類似度を算出する前に、事象特性推定部１９において、交通情報の種別ごとに位置的特性および時間的特性を推定する処理を行い、ステップＳ１０５においてデータ集合との類似度を算出する前に位置的特性に応じて適切な算出方法を選択する処理が加わる。
　図２２に示すフローチャートにおいては、ステップＳ２０１、Ｓ２０３～Ｓ２０５、Ｓ２０７およびＳ２０８が、図１０に示したステップＳ１０１～Ｓ１０６に相当し、重複する説明は省略する。
　車両信頼度の生成においては、プローブデータ比較部１３が、新たに受信したプローブデータに含まれる事象データｘの近隣に発生する事象データｉを、プローブデータ記憶部１７から取得し（ステップＳ２０１）、事象特性推定部１９が、プローブデータ記憶部１７に蓄積されたプローブデータに基づいて、交通情報の種別ごとに位置的特性および時間的特性を推定する（ステップＳ２０２）。
　ステップＳ２０２で推定された位置的特性および時間的特性に基づいて決定された類似度の算出方法を用いて、ステップＳ２０１において取得した事象データｉとの類似度を算出する（ステップＳ２０３）。
　また、ステップＳ２０２で推定された位置的特性および時間的特性は、ステップＳ２０７において、新たに受信した事象データと、近隣の複数の事象データの集合との類似度を算出する処理で使用される算出方法を決定する際に使用される（ステップＳ２０６）。
　以上説明したように、事象特性推定部１９において推定した位置的特性および時間的特性に基づいて決定された類似度の算出方法を用いて、事象データとの類似度を算出し、また、データ集合との類似度を算出する際に、位置的特性および時間的特性に応じて類似度の算出方法を変えることで、より適切に車両信頼度を算出することが可能となる。
　以上説明した交通情報生成システム１０Ａの各構成（プローブデータ受信部１１、検出環境抽出部１２、プローブデータ比較部１３、車両信頼度生成部１４、車両信頼度記憶部１５、位置信頼度算出部１６、プローブデータ記憶部１７、交通事象生成部１８および事象特性推定部１９）はコンピュータを用いて構成することができ、これらの各構成はコンピュータがプログラムを実行することで実現されることは、図１３を用いて説明した実施の形態１と同じである。
　また、交通情報生成システム１０Ａの各構成（プローブデータ受信部１１、検出環境抽出部１２、プローブデータ比較部１３、車両信頼度生成部１４、車両信頼度記憶部１５、位置信頼度算出部１６、プローブデータ記憶部１７、交通事象生成部１８および事象特性推定部１９）がプロセッサを用いて構成されている場合におけるハードウェア構成は、図１４を用いて説明した実施の形態１と同じである。
　この発明は詳細に説明されたが、上記した説明は、全ての局面において、例示であって、この発明がそれに限定されるものではない。例示されていない無数の変形例が、この発明の範囲から外れることなく想定され得るものと解される。
　なお、本発明は、その発明の範囲内において、各実施の形態を自由に組み合わせたり、各実施の形態を適宜、変形、省略することが可能である。

Claims (7)

  1. 　道路上に存在する交通事象を検出するセンサを搭載したプローブ車両から送られる前記交通事象に関する情報を生成する交通情報生成システムであって、
    　前記プローブ車両が検出した前記交通事象を表した事象データを含むプローブデータを受信するプローブデータ受信部と、
    　少なくとも前記プローブデータ受信部で受信した前記プローブデータを蓄積するプローブデータ記憶部と、
    　前記プローブ車両が搭載するセンサの検出精度と相関を持つ環境要素を含む検出環境を、前記プローブデータから抽出する検出環境抽出部と、
    　前記プローブ車両のうち、前記交通事象を検出したプローブ車両である対象車両から受信した前記プローブデータと、前記プローブデータ記憶部に蓄積された蓄積プローブデータとを比較することによりデータ間の類似度を算出するプローブデータ比較部と、
    　前記プローブデータ比較部が算出した前記類似度に基づいて、前記対象車両による前記交通事象の検出の信頼度を表す車両信頼度を生成する車両信頼度生成部と、
    　前記車両信頼度と前記検出環境抽出部で抽出された前記検出環境とを関連付けて蓄積する車両信頼度記憶部と、
    　前記交通事象の検出時における前記検出環境と前記車両信頼度記憶部に蓄積された前記車両信頼度とに基づいて、前記対象車両による前記交通事象の検出位置の信頼度を表す位置信頼度を算出し、前記プローブデータ記憶部に蓄積する位置信頼度算出部と、
    　前記プローブデータ記憶部に蓄積された前記位置信頼度と、前記蓄積プローブデータとに基づいて、前記交通事象に関する情報を生成する交通事象生成部と、を備える交通情報生成システム。
  2. 　前記位置信頼度算出部は、
    　前記検出環境と類似した検出環境を前記車両信頼度記憶部から選択し、選択した検出環境に関連付けられた蓄積車両信頼度に基づいて、前記対象車両の位置信頼度を算出する、請求項１記載の交通情報生成システム。
  3. 　前記位置信頼度算出部は、
    　前記車両信頼度記憶部に蓄積された前記検出環境と、前記検出環境に関連付けられた前記車両信頼度の組を用いて生成された位置信頼度を推定する推定関数を用いて、前記対象車両の位置信頼度を算出する、請求項１記載の交通情報生成システム。
  4. 　前記位置信頼度算出部は、
    　前記プローブデータに含まれる検出性能を含む車両情報に基づいて、前記蓄積プローブデータから前記対象車両と前記車両情報が類似した類似車両を抽出し、前記類似車両の前記プローブデータを用いて、前記対象車両の位置信頼度を算出する、請求項１記載の交通情報生成システム。
  5. 　前記プローブデータは、
    　前記交通事象の検出時刻と、
    　前記交通事象の事象位置と、を少なくとも含み、
    　前記プローブデータ比較部は、
    　前記対象車両から受信した前記プローブデータと、前記プローブデータ記憶部に蓄積された前記蓄積プローブデータにおける、前記検出時刻の差異に基づいて算出される時間的な距離および前記事象位置の差異に基づいて算出される空間的な距離の少なくとも一方を用いて、前記類似度を算出する、請求項１記載の交通情報生成システム。
  6. 　前記交通情報生成システムは、
    　前記プローブデータに含まれる前記交通事象の位置を表現する位置的特性を推定する事象特性推定部をさらに備え、
    　前記プローブデータ比較部は、
    　前記事象特性推定部で推定された前記位置的特性に基づいて決定された類似度の算出方法を用いて、前記類似度を算出する、請求項１記載の交通情報生成システム。
  7. 　前記事象特性推定部は、
    　前記プローブデータに含まれる前記交通事象の位置の時間的な移動の程度を表現する時間的特性を推定し、
    　前記プローブデータ比較部は、
    　前記事象特性推定部で推定された前記時間的特性に基づいて決定された類似度の算出方法を用いて、前記類似度を算出する、請求項５記載の交通情報生成システム。
PCT/JP2018/026695 2018-07-17 2018-07-17 交通情報生成システム WO2020016924A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2018/026695 WO2020016924A1 (ja) 2018-07-17 2018-07-17 交通情報生成システム
JP2019500525A JP6605176B1 (ja) 2018-07-17 2018-07-17 交通情報生成システム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/026695 WO2020016924A1 (ja) 2018-07-17 2018-07-17 交通情報生成システム

Publications (1)

Publication Number Publication Date
WO2020016924A1 true WO2020016924A1 (ja) 2020-01-23

Family

ID=68532197

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/026695 WO2020016924A1 (ja) 2018-07-17 2018-07-17 交通情報生成システム

Country Status (2)

Country Link
JP (1) JP6605176B1 (ja)
WO (1) WO2020016924A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115744526A (zh) * 2023-01-06 2023-03-07 常熟理工学院 电梯制动器动作状态检测方法及系统
WO2023073747A1 (ja) * 2021-10-25 2023-05-04 三菱電機株式会社 路面状態推定システム、路面状態推定装置、プローブ移動体、および路面状態推定プログラム

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112287806A (zh) * 2020-10-27 2021-01-29 北京百度网讯科技有限公司 一种道路信息检测方法、系统、电子设备及存储介质
CN112419722B (zh) * 2020-11-18 2022-08-30 百度(中国)有限公司 交通异常事件检测方法、交通管控方法、设备和介质
JPWO2022244365A1 (ja) * 2021-05-19 2022-11-24

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010191614A (ja) * 2009-02-17 2010-09-02 Sumitomo Electric Ind Ltd 交通情報推定システム、推定方法、提供システムおよびコンピュータプログラム
JP2011215973A (ja) * 2010-03-31 2011-10-27 Aisin Aw Co Ltd 風景マッチング用参照データ生成システム及び位置測位システム
JP2011215057A (ja) * 2010-03-31 2011-10-27 Aisin Aw Co Ltd 風景マッチング用参照データ生成システム及び位置測位システム
WO2013069131A1 (ja) * 2011-11-10 2013-05-16 三菱電機株式会社 センター側システム及び車両側システム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010191614A (ja) * 2009-02-17 2010-09-02 Sumitomo Electric Ind Ltd 交通情報推定システム、推定方法、提供システムおよびコンピュータプログラム
JP2011215973A (ja) * 2010-03-31 2011-10-27 Aisin Aw Co Ltd 風景マッチング用参照データ生成システム及び位置測位システム
JP2011215057A (ja) * 2010-03-31 2011-10-27 Aisin Aw Co Ltd 風景マッチング用参照データ生成システム及び位置測位システム
WO2013069131A1 (ja) * 2011-11-10 2013-05-16 三菱電機株式会社 センター側システム及び車両側システム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023073747A1 (ja) * 2021-10-25 2023-05-04 三菱電機株式会社 路面状態推定システム、路面状態推定装置、プローブ移動体、および路面状態推定プログラム
CN115744526A (zh) * 2023-01-06 2023-03-07 常熟理工学院 电梯制动器动作状态检测方法及系统

Also Published As

Publication number Publication date
JP6605176B1 (ja) 2019-11-13
JPWO2020016924A1 (ja) 2020-07-27

Similar Documents

Publication Publication Date Title
WO2020016924A1 (ja) 交通情報生成システム
CN108372857B (zh) 自主驾驶系统的通过事件发生和情节记忆回顾进行有效情景感知
US10002537B2 (en) Learning lanes from radar sensors
US10262213B2 (en) Learning lanes from vehicle probes
US9799219B2 (en) Vehicle data system and method
US20160091609A1 (en) Method and system for an accurate and energy efficient vehicle lane detection
US20140379164A1 (en) Lane monitoring with electronic horizon
US11315428B2 (en) Management of mobile objects
JPWO2018212346A1 (ja) 制御装置、走査システム、制御方法、およびプログラム
EP3511740B1 (en) Method, system, and computer program product for determining a blockage of a sensor of a plurality of sensors of an ego vehicle
EP3682417B1 (en) Method and apparatus for evaluating a weight of the vehicle
KR102205534B1 (ko) 주행 차량 정보 기반 기상 정보 분석 방법 및 시스템
US20230360379A1 (en) Track segment cleaning of tracked objects
JP7051424B2 (ja) 異常検出装置
Higuchi et al. Monitoring live parking availability by vision-based vehicular crowdsensing
JP2018010408A (ja) 異常検出装置、管理装置、および異常検出システム
Ahlers et al. Cooperative laserscanner pre-data-fusion
US11727671B1 (en) Efficient and optimal feature extraction from observations
US20230041031A1 (en) Systems and methods for efficient vehicle extent estimation
JP2021190025A (ja) 情報処理装置
JP2023138605A (ja) 情報処理装置
Ahlers et al. Laserscanner based cooperative Pre-data-fusion
JP2023050804A (ja) 路面判定装置、及び、路面判定方法
CN117148829A (zh) 用于自主运载工具的方法和系统以及非暂时性存储介质
JP2020061048A (ja) 情報処理装置

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2019500525

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18927202

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18927202

Country of ref document: EP

Kind code of ref document: A1