WO2021014738A1 - 快適性運転データ収集システム、運転制御装置、方法、および、プログラム - Google Patents

快適性運転データ収集システム、運転制御装置、方法、および、プログラム Download PDF

Info

Publication number
WO2021014738A1
WO2021014738A1 PCT/JP2020/020333 JP2020020333W WO2021014738A1 WO 2021014738 A1 WO2021014738 A1 WO 2021014738A1 JP 2020020333 W JP2020020333 W JP 2020020333W WO 2021014738 A1 WO2021014738 A1 WO 2021014738A1
Authority
WO
WIPO (PCT)
Prior art keywords
comfort
driving
data
comfortable
activity
Prior art date
Application number
PCT/JP2020/020333
Other languages
English (en)
French (fr)
Inventor
秋紗子 藤井
勇介 小板橋
卓郎 鹿嶋
雄樹 千葉
健冶 傍田
Original Assignee
日本電気株式会社
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 日本電気株式会社 filed Critical 日本電気株式会社
Priority to JP2021534561A priority Critical patent/JP7238994B2/ja
Priority to US17/627,969 priority patent/US20220274608A1/en
Publication of WO2021014738A1 publication Critical patent/WO2021014738A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/221—Physiology, e.g. weight, heartbeat, health or special needs

Definitions

  • the present invention relates to a comfort driving data collection system, a driving control device, a comfort driving data collection method, a driving control method, a comfort driving data collection program, and a driving control program that collect data indicating driving comfort.
  • Patent Document 1 describes a driving support device that contributes to improvement or maintenance of the situation at the time of boarding.
  • the driving support device described in Patent Document 1 monitors the driving state of the vehicle and notifies the monitoring result to a server installed outside the vehicle.
  • the server outputs a message for a proposal (or vehicle control) using the knowledge database based on the notified content.
  • the recommended information stored in the knowledge database described in Patent Document 1 is a general method, so that individual passengers do not always feel comfortable. Therefore, even if the driving support device described in Patent Document 1 is used, it is not always possible to improve the comfort of individual passengers.
  • the present invention provides a comfort driving data collection system, a comfort driving data collection method, and a comfort driving data collection program that can efficiently collect data indicating the comfort of the occupant according to the driving situation during riding. , And an operation control device, an operation control method, and an operation control program.
  • the comfort driving data collection system associates a comfort index, which is an index for measuring whether or not an individual is comfortable when an activity classified as a comfortable activity is performed, with a teacher label indicating comfort. Comfortability using the comfort activity data and the discomfort activity data in which the comfort index when the activity classified as the unpleasant activity is performed and the teacher label indicating the discomfort are associated with each other as the first learning data.
  • the comfort judgment model learning unit that learns the comfort judgment model that uses the comfort value indicating the degree of the above as the objective variable and each of the comfort indexes as the explanatory variable, and the comfort index of the subject while riding the vehicle.
  • the personal data generation unit that generates personal data including the explanatory variables used in the comfort judgment model and the driving status of the vehicle when the comfort index is acquired for each subject, and the personal data. Is applied to the comfort judgment model to calculate the comfort value, and according to the calculated comfort value, a driving data generation unit that generates driving data indicating a comfortable driving situation and driving data indicating an unpleasant driving situation. It is characterized by having.
  • the driving control device is a comfort activity in which a comfort index, which is an index for measuring whether or not an individual is comfortable when an activity classified as a comfortable activity is performed, and a teacher label indicating comfort are associated with each other.
  • Comfort learned using the data and the discomfort activity data in which the comfort index when the activity classified into the unpleasant activity is performed and the teacher label indicating the discomfort are associated with each other as the first training data.
  • the comfort value indicating the degree of is used as the objective variable and each of the comfort indexes is used as the explanatory variable, it is generated for each subject based on the comfort index of the subject who is riding the vehicle.
  • Comfortable driving generated according to the explanatory variables used in the comfort judgment model and the comfort value obtained by applying personal data including the driving status of the vehicle when the comfort index is acquired.
  • the subject was comfortable. It is characterized by including a comfortable driving determination unit for determining a feeling of driving and a comfortable driving information output unit for outputting information for controlling the driving of a vehicle based on the result of determination by the comfortable driving determination unit.
  • the comfort driving data collection method associates a comfort index, which is an index for measuring whether or not an individual is comfortable when an activity classified as a comfortable activity is performed, with a teacher label indicating comfort.
  • Comfortability using the comfort activity data and the discomfort activity data in which the comfort index when the activity classified as the unpleasant activity is performed and the teacher label indicating the discomfort are associated with each other as the first learning data.
  • a comfort judgment model is learned with the comfort value indicating the degree of the above as the objective variable and each of the comfort indexes as the explanatory variable, and the comfort is generated based on the comfort index of the subject while riding the vehicle.
  • Personal data including the explanatory variables used in the judgment model and the driving status of the vehicle when the comfort index is acquired is generated for each subject, and the personal data is applied to the comfort judgment model to obtain the comfort value. It is characterized in that it calculates and generates driving data showing a comfortable driving situation and driving data showing an unpleasant driving situation according to the calculated comfort value.
  • the driving control method is a comfort activity in which a comfort index, which is an index for measuring whether or not an individual is comfortable when an activity classified as a comfortable activity is performed, and a teacher label indicating comfort are associated with each other.
  • Comfort learned using the data and the discomfort activity data in which the comfort index when the activity classified into the unpleasant activity is performed and the teacher label indicating the discomfort are associated with each other as the first training data.
  • the comfort value indicating the degree of is used as the objective variable and each of the comfort indexes is used as the explanatory variable, it is generated for each subject based on the comfort index of the subject who is riding the vehicle.
  • Comfortable driving generated according to the explanatory variables used in the comfort judgment model and the comfort value obtained by applying personal data including the driving status of the vehicle when the comfort index is acquired. Based on the personal riding model showing the personal comfort situation according to the driving situation, which was learned by using the driving data showing the situation and the driving data showing the unpleasant driving situation as the second learning data, the subject was comfortable. It is characterized in that it determines the driving to be felt and outputs information for controlling the driving of the vehicle based on the result of the determination.
  • the comfort driving data collection program uses a computer with a comfort index, which is an index for measuring whether or not an individual is comfortable when an activity classified as a comfortable activity is performed, and a teacher label indicating comfort.
  • the comfort activity data associated with the data and the discomfort activity data associated with the comfort index when the activity classified as unpleasant activity and the teacher label indicating discomfort are used as the first learning data.
  • a comfort judgment model learning process that learns a comfort judgment model that uses a comfort value indicating the degree of comfort as an objective variable and each of the comfort indexes as an explanatory variable, and a comfort index of a subject while riding a vehicle.
  • the driving control program associates a comfort index, which is an index for measuring whether or not an individual is comfortable when an activity classified as a comfortable activity is performed, with a teacher label indicating comfort on a computer.
  • the comfort activity data and the discomfort activity data in which the comfort index when the activity classified as the unpleasant activity was performed and the teacher label indicating the discomfort were associated with each other were used as the first training data.
  • each subject is based on the comfort index of the subject while riding the vehicle.
  • the comfort determination model generated in Generated according to the explanatory variables used in the comfort determination model generated in, and the comfort value obtained by applying personal data including the driving status of the vehicle when the comfort index was acquired.
  • the subject was trained using the driving data showing the comfortable driving situation and the driving data showing the unpleasant driving situation as the second learning data. It is characterized by executing a comfortable driving judgment process that determines driving that is comfortable for the driver, and a comfortable driving information output process that outputs information that controls vehicle driving based on the result of the judgment in the comfortable driving judgment process. To do.
  • FIG. 1 is a block diagram showing a configuration example of an embodiment of a comfort situation determination system including a comfort driving data collection system and a driving control device according to the present invention.
  • the comfort situation determination system 100 of the present embodiment includes a comfort determination model generation device 10, an individual ride model generation device 20, and a comfortable driving information output device 30.
  • the comfort determination model generation device 10 is a device that generates a comfort determination model that determines the degree of comfort when riding that each individual feels.
  • the individual assumed in the present embodiment includes not only the driver who actually drives the vehicle but also the passenger of the vehicle.
  • the target individual may be simply referred to as the target person.
  • the comfort determination model generation device 10 of the present embodiment includes a sensor 11, an activity data generation unit 12, an activity data storage unit 13, a comfort determination model learning unit 14, and a comfort determination model storage unit 15. ..
  • the sensor 11 is a sensor that detects an index for measuring whether or not the subject is comfortable.
  • an index for measuring whether or not a subject is individually comfortable is referred to as a comfort index.
  • the comfort index is not limited to an index that can directly measure whether or not comfort is achieved, and may be information that can be indirectly measured.
  • Comfort indicators are, for example, human life characteristics (pulse, blood pressure, body temperature, etc.) and body maintenance status (change in center of gravity, etc.).
  • the sensor 11 includes a heart rate monitor that acquires a heartbeat, an electroencephalograph that acquires an electroencephalogram, a thermo camera that acquires body temperature and room temperature, a thermometer that acquires body temperature, a sound collecting microphone that acquires voice color and noise, and a voice color. It is an AI (Artificial Intelligence) speaker or the like to acquire.
  • a weight sensor that acquires body shaking and the center of gravity
  • an infrared sensor that acquires heartbeat and pulse, blood pressure, stress level, and oxygen saturation
  • an odor sensor that acquires odor may be used. ..
  • a smartphone or a camera capable of acquiring various information such as facial expressions, body shaking, number of blinks, complexion, number of specific movements, voice color, drowsiness, and concentration may be used as the sensor 11.
  • a plurality of comfort sensors 11 may exist, and it is preferable that the comfort sensor 11 is a sensor capable of acquiring a comfort index without restraining the subject.
  • the situation in which the sensor 11 detects the comfort index of the target person is not limited to the time of boarding.
  • the state of the activity in which the sensor 11 detects the comfort index of the subject can be identified, and whether the activity is comfortable or unpleasant for the subject is predetermined. It shall be.
  • a favorite TV program for example, a drama
  • watching a TV program that you are not interested in for example, stock price introduction
  • the situation is unpleasant activity.
  • talking to a close friend or listening to your favorite music can be said to be a comfortable activity, talking to a person you meet for the first time, or making an unpleasant sound (for example).
  • the situation of listening to the sound of scratching the blackboard can be said to be an unpleasant activity.
  • the situation of smelling a favorite odor for example, citrus
  • the situation of smelling a disliked odor for example, garbage
  • the sensor 11 detects a comfort index according to a comfortable or unpleasant situation in which the subject is active.
  • the above-mentioned activities are examples, and it is sufficient to assume the situation of any activity that the subject feels comfortable and the situation of any activity that the subject feels uncomfortable.
  • the activity data generation unit 12 generates activity data in which the comfort index detected by the sensor 11 is associated with information indicating whether or not the comfort index is comfortable when the comfort index is detected. Specifically, the activity data generation unit 12 provides comfortable activity data in which a comfort index when an activity classified as a comfortable activity is performed and a teacher label indicating comfort, and unpleasant activity. Generate one or both of the discomfort activity data in which the comfort index when the activity classified into is associated with the teacher label indicating discomfort is associated with the activity.
  • the activity data generation unit 12 may generate comfort activity data in which the comfort index in this situation and the teacher label indicating comfort are associated with each other.
  • the activity data generation unit 12 may sequentially collect the heart rate per 60 seconds and generate comfort activity data in chronological order in which the collected heart rate and the teacher label indicating comfort are associated with each other.
  • the activity data generation unit 12 may generate comfort activity data in which the comfort index at this time and the teacher label indicating discomfort are associated with each other. Similar to the above, for example, it is assumed that an uninterested TV program is watched for one hour, and the heart rate per 60 seconds at that time is sequentially collected by the sensor 11. In this case, the activity data generation unit 12 may sequentially collect the heart rate per 60 seconds and generate discomfort activity data in chronological order in which the collected heart rate and the teacher label indicating discomfort are associated with each other.
  • FIG. 2 is an explanatory diagram showing an example of activity data.
  • the activity data generation unit 12 aggregates the heart rate per 60 seconds for each comfort or discomfort, generates the comfort activity data and the discomfort activity data, and displays them in chronological order. Shown. The activity data generation unit 12 may also total the number of blinks per 60 seconds. The activity data generation unit 12 stores the generated activity data in the activity data storage unit 13.
  • the activity data storage unit 13 stores the generated activity data. Specifically, the activity data storage unit 13 may store the comfortable activity data and the unpleasant activity data in the comfortable activity DB (Database) 13a and the unpleasant activity DB 13b, respectively.
  • the activity data storage unit 13 is realized by, for example, a magnetic disk or the like.
  • the comfort determination model learning unit 14 uses the comfort activity data and the discomfort activity data as learning data, sets the degree of comfort (hereinafter, may be referred to as a comfort value) as an objective variable, and is acquired by the sensor 11. Learn a comfort judgment model with each comfort index as an explanatory variable. In order to distinguish it from the learning data described later, the comfortable activity data and the unpleasant activity data may be referred to as the first learning data.
  • the comfort determination model learning unit 14 may use the comfort index itself detected by the sensor 11 as an explanatory variable, or may use a total of the comfort indexes for a certain period as an explanatory variable. For example, as described above, the comfort determination model learning unit 14 may use the heart rate per 60 seconds or the number of blinks per 60 seconds as explanatory variables.
  • the method in which the comfort determination model learning unit 14 learns the comfort determination model is arbitrary.
  • the comfort determination model learning unit 14 may learn the comfort determination model by using, for example, multiple regression analysis.
  • the comfort determination model is used.
  • Comfort a ⁇ (heart rate per 60 seconds) + b ⁇ (number of blinks per 60 seconds) + c It can be expressed as.
  • the comfort determination model learning unit 14 stores the generated comfort determination model in the comfort determination model storage unit 15.
  • the comfort determination model storage unit 15 stores the comfort determination model for each subject. Further, the comfort determination model storage unit 15 is connected to the individual boarding model generation device 20 and is used when generating driving data described later.
  • the comfort determination model storage unit 15 is realized by, for example, a magnetic disk or the like.
  • the personal ride model generation device 20 includes a sensor 21, a personal data generation unit 22, a personal data storage unit 23, a driving data generation unit 24, a driving data storage unit 25, an individual ride model learning unit 26, and an individual ride. Includes a model storage unit 27.
  • the sensor 21 is a sensor that detects a comfort index of the subject. Specifically, the sensor 21 is mounted on a vehicle for determining comfort, for example, and detects a comfort index of the target person at the time of riding. The content of the comfort index detected by the sensor 21 is the same as the content of the comfort index detected by the sensor 11.
  • the personal data generation unit 22 generates personal data of the target person (hereinafter, simply referred to as personal data) to be applied to the comfort determination model from the comfort index of the target person while riding detected by the sensor 21.
  • the personal data generation unit 22 includes explanatory variables used in the comfort determination model, which are generated based on the detected comfort index, and the vehicle when the comfort index is detected. Generate personal data including driving status for each target person.
  • the personal data generation unit 22 associates the explanatory variables that aggregate the heart rate per 60 seconds and the number of blinks per 60 seconds acquired by the sensor 21 with the driving status of the vehicle at that time.
  • Personal data may be generated.
  • the driving situation is, for example, vehicle operation information, such as accelerator opening, brake pressure, and steering angle.
  • the personal data generation unit 22 stores the generated personal data in the personal data storage unit 23.
  • the personal data storage unit 23 stores the personal data of the target person.
  • the personal data storage unit 23 is realized by, for example, a magnetic disk or the like.
  • the driving data generation unit 24 applies the personal data to the comfort determination model of the target person, and generates driving data in which the degree of comfort (that is, the comfort value) of the target person is determined. Specifically, the driving data generation unit 24 acquires the comfort determination model of the subject from the comfort determination model storage unit 15, applies personal data to the acquired comfort determination model, and calculates the comfort value. .. Then, the driving data generation unit 24 determines driving data indicating a comfortable driving condition (hereinafter referred to as comfortable driving data) and driving data indicating an unpleasant driving condition (hereinafter referred to as unpleasant driving) according to the calculated comfort value. Data) is generated.
  • comfortable driving data a comfortable driving condition
  • unpleasant driving hereinafter referred to as unpleasant driving
  • the driving data generation unit 24 may generate comfortable driving data and unpleasant driving data by comparing a predetermined threshold value with the calculated comfort value. For example, when the comfort value exceeds the threshold value, the driving data generation unit 24 may generate driving data in which the driving situation included in the personal data and the comfortable driving flag are associated with each other as comfortable driving data. On the other hand, when the comfort value is equal to or less than the threshold value, the driving data generation unit 24 may generate driving data in which the driving situation included in the personal data and the driving flag are associated with each other as the driving data.
  • the personal data includes "heart rate per 60 seconds", "number of blinks per 60 seconds" during the ride, and data (driving status) showing the characteristics of the individual during the ride.
  • the driving data generation unit 24 applies this personal data to the comfort determination model to calculate the comfort value.
  • the comfort value is output as 0.7.
  • the threshold value for determining comfort is set to 0.5. In this case, since the comfort value exceeds the threshold value, the driving data generation unit 24 sets the comfortable driving flag in the personal data at that time, and generates data including the comfortable driving flag and the driving situation as driving data.
  • FIG. 3 is an explanatory diagram showing an example of processing for generating operation data.
  • the graph illustrated in FIG. 3 shows the transition of the comfort value in time series.
  • the threshold value is set to 0.5.
  • the driving data generation unit 24 sets a comfortable driving flag for personal data whose comfort value at the time of determination exceeds the threshold value (0.5) (or sets an unpleasant driving flag for personal data below the threshold value). Then) the operation data may be generated.
  • the operation data generation unit 24 stores the generated operation data in the operation data storage unit 25.
  • the driving data is data in which a comfortable driving flag (unpleasant driving flag) is set according to the driving situation (access acceleration, brake pressure, steering angle).
  • the operation data storage unit 25 stores operation data. Specifically, the driving data storage unit 25 may store the comfortable driving data and the unpleasant driving data in the comfortable driving DB 25a and the uncomfortable driving DB 25b, respectively.
  • the operation data storage unit 25 is realized by, for example, a magnetic disk or the like.
  • the individual riding model learning unit 26 uses the generated driving data as learning data to learn an individual riding model that indicates an individual's comfort status according to the driving situation.
  • the driving data used by the individual riding model learning unit 26 for learning may be referred to as the second learning data.
  • the method by which the individual boarding model learning unit 26 learns the individual boarding model is arbitrary.
  • the individual riding model learning unit 26 may learn the individual riding model (reward function) by using, for example, inverse reinforcement learning.
  • the individual ride model learning unit 26 stores the learned individual ride model in the individual ride model storage unit 27.
  • the personal boarding model storage unit 27 stores the generated personal boarding model storage unit 27. Further, the personal riding model storage unit 27 is connected to the comfortable driving information output device 30 and is used for determining a comfortable situation.
  • the personal boarding model storage unit 27 is realized by, for example, a magnetic disk or the like.
  • the comfortable driving information output device 30 includes a driving status acquisition unit 31, a comfortable driving determination unit 32, and a comfortable driving information output unit 33.
  • the driving status acquisition unit 31 acquires the driving status of the vehicle on which the target person is riding.
  • the driving status acquisition unit 31 is realized by, for example, an in-vehicle sensor, and acquires the accelerator opening degree, the brake pressure, the steering wheel operation angle, and the like described above.
  • the comfortable driving determination unit 32 determines driving that the subject feels comfortable with based on the individual riding model. For example, when an individual riding model (reward function) is generated by reverse reinforcement learning, the comfortable driving determination unit 32 may estimate driving that optimizes the reward as comfortable driving. Specifically, the comfortable driving determination unit 32 may generate a specific driving operation (optimal action) that approaches comfortable driving (reward) based on the information stored as comfortable driving data. ..
  • the comfortable driving information output unit 33 outputs the determination result by the comfortable driving determination unit 32.
  • the comfortable driving information output unit 33 may output a result of comparing the driving status of the vehicle on which the subject is riding with the determination result by the individual riding model. Further, the comfortable driving information output unit 33 may sequentially output the determination result, or may output the determination result when the predetermined notification standard is satisfied.
  • the comfortable driving information output unit 33 is "good driving". The judgment result of the content may be output.
  • the comfortable driving information output unit 33 specifically The judgment result of the content of the operation content (for example, the content "Please step on the accelerator gently") may be output.
  • the comfortable driving information output unit 33 may output the determination result to various output devices (voice output or output to the instrument panel) as described above. Further, the comfortable driving information output unit 33 may output information for controlling the driving of the vehicle to the vehicle control unit (not shown) based on the result of the determination by the comfortable driving determination unit 32. .. Specifically, the comfortable driving information output unit 33 may notify the control unit of the vehicle of the control method so that the comfort can be maintained in the case of automatic driving.
  • the comfort determination model learning unit 14 included in the comfort determination model generation device 10 the personal data generation unit 22 and the driving data generation unit 24 included in the individual boarding model generation device 20 are active. Data and with personal data can be used to generate driving data. Therefore, a system including at least these configurations can be called a comfortable driving data collection system 200.
  • the comfortable driving determination unit 32 and the comfortable driving information output unit 33 use the individual riding model learned from the driving data generated by applying the personal data to the comfort determination model so that the subject feels comfortable. You can control the driving of the vehicle. Therefore, the device including the comfortable driving determination unit 32 and the comfortable driving information output unit 33 can be referred to as a driving control device 300.
  • the driving control device 300 may cause, for example, the output device of the vehicle to output information indicating comfortable driving.
  • the output include displaying "Please step on the accelerator gently” on the instrument panel and outputting voice "Please step on the accelerator gently” to the speaker.
  • the driving control device 300 may notify the control unit of the autonomous driving vehicle of various signals for realizing comfortable driving. For example, when it is desired to gently control the accelerator operation, the driving control device 300 may output an operation signal to the control unit of the autonomous driving vehicle so as to loosely control the accelerator operation.
  • the activity data generation unit 12, the comfort determination model learning unit 14, the personal data generation unit 22, the driving data generation unit 24, and the individual riding model learning unit 26 operate according to a program (comfort driving data collection program). It is realized by the processor of the computer (for example, CPU (Central Processing Unit), GPU (Graphics Processing Unit)).
  • CPU Central Processing Unit
  • GPU Graphics Processing Unit
  • the program is stored in a storage unit (not shown) of the comfort determination model generation device 10 or the personal ride model generation device 20, the processor reads the program, and according to the program, the activity data generation unit 12, comfort. It may operate as a determination model learning unit 14, a personal data generation unit 22, a driving data generation unit 24, and an individual boarding model learning unit 26. Further, the function of the comfort situation determination system may be provided in the SaaS (Software as a Service) format.
  • SaaS Software as a Service
  • the activity data generation unit 12, the comfort determination model learning unit 14, the personal data generation unit 22, the driving data generation unit 24, and the individual ride model learning unit 26 are each realized by dedicated hardware. May be good. Further, a part or all of each component of each device may be realized by a general-purpose or dedicated circuit (circuitry), a processor, or a combination thereof. These may be composed of a single chip or may be composed of a plurality of chips connected via a bus. A part or all of each component of each device may be realized by a combination of the above-mentioned circuit or the like and a program.
  • the plurality of information processing devices and circuits may be centrally arranged. It may be distributed.
  • the information processing device, the circuit, and the like may be realized as a form in which each of the client-server system, the cloud computing system, and the like is connected via a communication network.
  • comfort determination model generation device 10 the individual riding model generation device 20, and the comfortable driving information output device 30 may be realized by the same device, and each configuration of each device may be realized by another device. It may be realized as a separate device in combination with the configuration of the device.
  • FIG. 4 is an explanatory diagram showing an operation example of the comfort situation determination system 100 of the present embodiment.
  • the activity data generation unit 12 generates comfortable activity data from the comfort index in the situation of performing "comfortable” activity detected by the sensor 11, and stores it in the comfort activity DB 13a of the activity data storage unit 13.
  • the activity data generation unit 12 generates unpleasant activity data from the comfort index in the situation of performing “unpleasant” activity detected by the sensor 11 and stores it in the unpleasant activity DB 13b of the activity data storage unit 13.
  • the comfort determination model learning unit 14 learns the comfort determination model from the comfort activity data and the discomfort activity data (step S101).
  • the comfort determination model learning unit 14 stores the generated comfort determination model in the comfort determination model storage unit 15.
  • the personal data generation unit 22 After that, the personal data generation unit 22 generates personal data from the comfort index of the passenger in the vehicle detected by the sensor 21, and stores it in the personal data storage unit 23.
  • the driving data generation unit 24 applies personal data to the comfort model to generate comfortable driving data and unpleasant driving data (step S102), and stores them in the comfortable driving DB 25a and the uncomfortable driving DB 25b of the driving data storage unit 25, respectively. ..
  • the individual riding model learning unit 26 learns the individual riding model from the comfortable driving data and the unpleasant driving data (step S103), and stores it in the individual riding model storage unit 27.
  • the comfortable driving determination unit 32 applies the driving status to the individual riding model (step S105), and the target person receives the driving status.
  • the comfortable driving information output unit 33 indicates a driving situation necessary for comfortable driving (step S106), and notifies the driver, the passenger, and the autonomous driving vehicle of the driving situation (step S107).
  • FIG. 5 is a flowchart showing an operation example of collecting operation data.
  • the comfort determination model learning unit 14 learns the comfort determination model using the comfort activity data and the discomfort activity data (step S11).
  • the personal data generation unit 22 generates explanatory variables generated based on the comfort index of the subject while riding the vehicle, and personal data including the driving status of the vehicle (step S12).
  • the driving data generation unit 24 applies the personal data to the comfort determination model to calculate the comfort value, and generates the comfortable driving data and the unpleasant driving data according to the calculated comfort value (step S13).
  • FIG. 6 is a flowchart showing an operation example of controlling the operation of the vehicle.
  • the comfortable driving determination unit 32 determines driving that the subject feels comfortable with based on the individual riding model (step S21).
  • the comfortable driving information output unit 33 outputs information for controlling the driving of the vehicle based on the result of the determination (step S22).
  • the comfort determination model learning unit 14 learns the comfort determination model using the comfort activity data and the discomfort activity data, and the personal data generation unit 22 is in the vehicle. It generates explanatory variables generated based on the subject's comfort index and personal data including the driving status of the vehicle. Then, the driving data generation unit 24 applies the personal data to the comfort determination model to calculate the comfort value, and generates the comfortable driving data and the unpleasant driving data according to the calculated comfort value. Therefore, it is possible to efficiently collect data indicating the comfort of the occupant according to the situation during boarding.
  • the comfortable driving determination unit 32 determines driving that the subject feels comfortable based on the individual riding model
  • the comfortable driving information output unit 33 determines the driving of the vehicle based on the determination result. Outputs information that controls. Therefore, it is possible to control the driving of the vehicle so as to be comfortable for the subject by using the data efficiently collected from the subject.
  • FIG. 7 is a block diagram showing a configuration example of the comfort situation determination system 100a including a modification of the personal riding model generation device.
  • the general-purpose riding model generation device 20a of this modified example includes a sensor 21, a personal data generation unit 22, a personal data storage unit 23, a driving data generation unit 24, a driving data storage unit 25, and a general-purpose riding model learning unit 26a. And a general-purpose boarding model storage unit 27a.
  • the comfort situation determination system 100a of the present modification includes the general-purpose riding model generation device 20a instead of the individual riding model generation device 20 of the above embodiment, and the individual riding model learning unit 26 and the personal riding model storage of the above embodiment. It differs in that it includes a general-purpose riding model learning unit 26a and a general-purpose riding model storage unit 27a instead of the unit 27.
  • Other configurations are the same as those in the above embodiment.
  • both the individual boarding model generation device 20 and the general-purpose boarding model generation device 20a can be said to be devices (boarding model generation devices) for learning the boarding model of the target person.
  • the general-purpose riding model learning unit 26a uses the generated driving data of a plurality of people as learning data to learn a general-purpose riding model that shows a general-purpose comfort situation according to the driving situation. That is, in the above embodiment, the riding model is learned for each individual, but in this modification, a general-purpose riding model for a plurality of people is generated.
  • the method of determining the target person to be used as the learning data is arbitrary. For example, the target person may be determined in units such as the gender, age, and region of the target person.
  • the general-purpose riding model learning unit 26a learns the general-purpose riding model is arbitrary.
  • the general-purpose riding model learning unit 26a may learn the general-purpose riding model (reward function) by using inverse reinforcement learning as in the above embodiment.
  • the general-purpose riding model learning unit 26a stores the learned general-purpose riding model in the general-purpose riding model storage unit 27a.
  • the general-purpose riding model learning unit 26a learns a general-purpose riding model showing a general-purpose comfort situation according to the driving situation by using the generated driving data of a plurality of people as learning data. To do.
  • a model for determining a plurality of driving operations it is possible to improve the accuracy of the riding model even when the learning data for each individual is small.
  • FIG. 8 is a block diagram showing an outline of the comfortable driving data collection system according to the present invention.
  • the comfortable driving data collection system 80 (for example, the comfortable driving data collection system 200) according to the present invention is an individual when an activity classified into a comfortable activity (for example, watching a favorite TV program, etc.) is performed.
  • Comfort activity data that associates comfort indicators (for example, heart rate, number of blinks, etc.), which are indicators for measuring comfort, with teacher labels that indicate comfort, and activities classified as unpleasant activities.
  • the degree of comfort is determined by using the discomfort activity data in which the comfort index and the teacher label indicating discomfort are associated with each other (for example, watching a TV program of no interest) as the first learning data.
  • the comfort judgment model learning unit 81 (for example, the comfort judgment model learning unit 14) that learns the comfort judgment model using the comfort value indicating the above as the objective variable and each of the comfort indexes as the explanatory variable, and the vehicle while riding.
  • Explanatory variables used in the comfort determination model (for example, heart rate per 60 seconds) generated based on the comfort index of the subject, and the vehicle when the comfort index was acquired.
  • Personal data generation unit 82 (for example, personal data generation unit 22) that generates personal data including the operating status (for example, accelerator opening, brake pressure, handle operation angle, etc.) for each target person, and personal data.
  • a driving data generation unit 83 that calculates a comfort value by applying it to a comfort determination model and generates driving data indicating a comfortable driving situation and driving data indicating an unpleasant driving situation according to the calculated comfort value. For example, it is provided with an operation data generation unit 24).
  • the comfortable driving data collection system 80 uses the driving data indicating a comfortable driving condition and the driving data indicating an unpleasant driving condition as the second learning data to indicate the comfortable condition of the subject according to the driving condition.
  • a riding model learning unit for example, an individual riding model learning unit 26, a general-purpose riding model learning unit 26a
  • a riding model for example, an individual riding model or a general-purpose riding model
  • the boarding model learning unit may learn the boarding model by reverse reinforcement learning.
  • the comfortable driving data collection system 80 is a comfortable driving information output unit (for example, a comfortable driving information output device 30) that outputs a result of comparing the driving situation of the vehicle while the subject is riding with the determination result by the riding model. ) May be provided. According to such a configuration, the subject can grasp the comfort condition of the passenger estimated by using the driving data collected efficiently.
  • a comfortable driving information output unit for example, a comfortable driving information output device 30
  • the driving data generation unit when the comfort value exceeds a threshold value (for example, a threshold value of 0.5), the driving data generation unit provides driving data in which the driving situation included in the personal data and the comfortable driving flag are associated with each other as comfortable driving data.
  • a threshold value for example, a threshold value of 0.5
  • driving data in which the driving situation included in the personal data and the unpleasant driving flag are associated with each other may be generated as the unpleasant driving data.
  • FIG. 9 is a block diagram showing an outline of the operation control device according to the present invention.
  • the driving control device 90 (for example, the driving control device 300) according to the present invention shows a comfort index and comfort which are indexes for measuring whether or not an individual is comfortable when an activity classified as a comfortable activity is performed.
  • the first learning data is the comfort activity data associated with the teacher label and the discomfort activity data associated with the comfort index when the activity classified as unpleasant activity is performed and the teacher label indicating discomfort.
  • the comfort index of the subject riding the vehicle is used for a comfort judgment model in which the comfort value indicating the degree of comfort, which is learned by using the data, is used as the objective variable and each of the comfort indexes is used as the explanatory variable.
  • a riding model that shows the comfort status of the subject according to the driving status, which was learned by using the driving data indicating the comfortable driving status and the driving data indicating the unpleasant driving status, which are generated accordingly, as the second training data.
  • Information that controls the driving of the vehicle based on the results of the determination by the comfortable driving determination unit 91 (for example, the comfortable driving determination unit 32) that determines driving that the subject feels comfortable with, and the comfortable driving determination unit 91.
  • a comfortable driving information output unit 92 (for example, a comfortable driving information output unit 33) is provided.
  • Comfort activity data in which a comfort index, which is an index for measuring whether or not an individual is comfortable when an activity classified as a comfortable activity is performed, and a teacher label indicating comfort are associated with each other, and comfort activity data.
  • a comfort value indicating the degree of comfort using the discomfort activity data in which the comfort index associated with the teacher label indicating discomfort when an activity classified as an unpleasant activity is performed is used as the first learning data.
  • a comfort judgment model learning unit that learns a comfort judgment model with each of the comfort indexes as an explanatory variable. An individual including explanatory variables used in the comfort determination model generated based on the comfort index of the subject who is riding the vehicle, and the driving status of the vehicle when the comfort index is acquired.
  • a personal data generation unit that generates data for each target person, the comfort value is calculated by applying the personal data to the comfort determination model, and a comfortable driving situation is shown according to the calculated comfort value.
  • a comfortable driving data collection system including a driving data generator that generates driving data and driving data indicating an unpleasant driving situation.
  • Appendix 2 A riding model that learns a riding model that shows the comfortable situation of the target person according to the driving situation by using the driving data that shows the comfortable driving situation and the driving data that shows the unpleasant driving situation as the second learning data.
  • the riding model learning unit is a comfort driving data collection system according to Appendix 2, which learns a riding model by reverse reinforcement learning.
  • Appendix 4 The comfort driving data collection system according to Appendix 2 or Appendix 3 provided with a comfortable driving information output unit that outputs a result of comparing the driving status of the vehicle while the subject is riding with the judgment result by the riding model. ..
  • the driving data generation unit When the comfort value exceeds the threshold value, the driving data generation unit generates driving data in which the driving situation included in the personal data and the comfortable driving flag are associated with each other as the comfortable driving data, and the comfort value is calculated. If it is below the threshold value, the comfort driving data according to any one of Appendix 1 to Appendix 4 for generating driving data in which the driving situation included in the personal data and the unpleasant driving flag are associated with each other as unpleasant driving data. Collection system.
  • Comfort activity data in which a comfort index, which is an index for measuring whether or not an individual is comfortable when an activity classified as a comfortable activity is performed, and a teacher label indicating comfort are associated with each other, and comfort activity data.
  • the degree of comfort learned using the discomfort activity data in which the comfort index associated with the teacher label indicating discomfort when the activity classified as unpleasant activity is performed is used as the first training data.
  • Comfortable driving conditions generated according to the explanatory variables used in the comfort determination model and the comfort values obtained by applying personal data including the driving conditions of the vehicle when the comfort index is acquired.
  • An operation control including a comfortable driving determination unit for determining driving and a comfortable driving information output unit for outputting information for controlling the operation of the vehicle based on the result of determination by the comfortable driving determination unit. apparatus.
  • Comfort activity data in which a comfort index, which is an index for measuring whether or not an individual is comfortable when an activity classified as a comfortable activity is performed, and a teacher label indicating comfort are associated with each other, and comfort activity data.
  • a comfort value indicating the degree of comfort using the discomfort activity data in which the comfort index associated with the teacher label indicating discomfort when an activity classified as an unpleasant activity is performed is used as the first learning data.
  • the comfort determination model generated based on the comfort index of the subject who is riding the vehicle by learning the comfort determination model with each of the comfort indexes as the explanatory variable.
  • Personal data including the explanatory variables used and the driving status of the vehicle when the comfort index is acquired is generated for each subject, and the personal data is applied to the comfort determination model to obtain the comfort value.
  • a method for collecting comfort driving data which is calculated and generates driving data indicating a comfortable driving condition and driving data indicating an unpleasant driving condition according to the calculated comfort value.
  • Appendix 7 The described comfort driving data collection method.
  • Comfort activity data in which a comfort index, which is an index for measuring whether or not an individual is comfortable when an activity classified as a comfortable activity is performed, and a teacher label indicating comfort are associated with each other, and comfort activity data.
  • the degree of comfort learned using the discomfort activity data in which the comfort index associated with the teacher label indicating discomfort when the activity classified as unpleasant activity is performed is used as the first training data.
  • Comfortable driving conditions generated according to the explanatory variables used in the comfort determination model and the comfort values obtained by applying personal data including the driving conditions of the vehicle when the comfort index is acquired.
  • a driving control method characterized in that driving is determined and information for controlling the driving of the vehicle is output based on the result of the determination.
  • Comfort activity data in which a comfort index, which is an index for measuring whether or not an individual is comfortable when an activity classified as a comfortable activity is performed, and a teacher label indicating comfort are associated with the computer.
  • the degree of comfort is determined by using the discomfort activity data in which the comfort index and the teacher label indicating discomfort are associated with each other when the activity classified into the discomfort activity is performed as the first learning data.
  • a comfort judgment model learning process that learns a comfort judgment model that uses the indicated comfort value as an objective variable and each of the comfort indexes as an explanatory variable, and is generated based on the comfort index of a subject who is riding in a vehicle.
  • the personal data generation process that generates personal data including the explanatory variables used in the comfort determination model and the driving status of the vehicle when the comfort index is acquired for each subject, and the individual.
  • the operation that applies the data to the comfort determination model to calculate the comfort value, and generates driving data indicating a comfortable driving condition and driving data indicating an unpleasant driving condition according to the calculated comfort value.
  • Comfortable driving data collection program for executing data generation processing.
  • Comfort activity data in which a comfort index, which is an index for measuring whether or not an individual is comfortable when an activity classified as a comfortable activity is performed, and a teacher label indicating comfort are associated with the computer.
  • comfort learned using the discomfort activity data in which the comfort index and the teacher label indicating the discomfort are associated with each other when the activity classified into the unpleasant activity is performed as the first learning data.
  • a comfort determination model in which a comfort value indicating the degree of is used as an objective variable and each of the comfort indexes is used as an explanatory variable, for each subject based on the comfort index of the subject riding in the vehicle.
  • the comfortable driving information output processing unit that outputs information for controlling the driving of the vehicle based on the comfortable driving determination process for determining the driving that feels comfortable and the determination result in the comfortable driving determination process. Operation control program.
  • Comfort judgment model generator 11 Sensor 12 Activity data generation unit 13 Activity data storage unit 14 Comfort judgment model learning unit 15 Comfort judgment model storage unit 20
  • Individual ride model generator 20a General-purpose ride model generator 21
  • Driving data storage unit 26 Individual riding model learning unit 26a
  • General-purpose riding model learning unit 27 Individual riding model storage unit 27a
  • General-purpose riding model storage unit 30 Comfortable driving information output device 31
  • Driving status Acquisition unit 32 Comfortable driving judgment unit 33 Comfortable driving information output unit 100 Comfortable situation judgment system 200 Comfortable driving data collection system 300 Operation control device

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Social Psychology (AREA)
  • Educational Technology (AREA)
  • Veterinary Medicine (AREA)
  • Developmental Disabilities (AREA)
  • Pathology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Child & Adolescent Psychology (AREA)
  • Public Health (AREA)
  • Psychology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

快適性判定モデル学習部（８１）は、快適な活動が行われた際の個人の快適か否かを測る指標である快適性指標と快適性を示す教師ラベルとを対応付けた快適活動データ、および、不快な活動が行われた際の快適性指標と不快性を示す教師ラベルとを対応付けた不快活動データを用いて、快適値を目的変数とし、快適性指標のそれぞれを説明変数とする快適性判定モデルを学習する。個人データ生成部（８２）は、乗物に乗車中の対象者の快適性指標をもとに生成された、快適性判定モデルで用いられる説明変数、および、その快適性指標が取得された際の乗物の運転状況を含む個人データを生成する。運転データ生成部（８３）は、個人データを快適性判定モデルに適用して算出される快適値に応じて、快適運転データと不快運転データとを生成する。

Description

快適性運転データ収集システム、運転制御装置、方法、および、プログラム
　本発明は、運転の快適性を示すデータを収集する快適性運転データ収集システム、運転制御装置、快適性運転データ収集方法、運転制御方法、快適性運転データ収集プログラム、および、運転制御プログラムに関する。
　近年、運転制御技術の発展により、より快適な運転の制御が望まれている。例えば、個々の運転手からは、より快適と感じるような自動運転車が望まれており、運転をしていない搭乗者からも、より快適に運転が行われる乗物に乗車したいというニーズがある。
　例えば、特許文献１には、乗車時の状況の改善または維持に寄与する運転支援装置が記載されている。特許文献１に記載された運転支援装置は、車両の運転状態を監視し、監視結果を車両の外部に設置されたサーバに通知する。サーバは、通知された内容に基づき、知識データベースを用いた提案（又は車両制御）のためのメッセージを出力する。
特開２０１８－１６０１３６号公報
　一方、個人の感じる快適性は、人によって異なるため、良い運転や悪い運転を定義することは難しいし、個人が想像する良い運転の方法を、他者に具体的に指示することも困難である。そのため、例えば、自動運転においても、個人の好みを運転反映させることは難しい。
　特許文献１に記載された知識データベースが記憶する推奨情報は、一般的な方法であるため、個々の搭乗者が必ずしも快適と感じるものではない。そのため、特許文献１に記載された運転支援装置を用いたとしても、個々の搭乗者の快適性を向上できるとは限らない。
　個々の搭乗者について、乗車中の状況が快適か否か判断できるようにするためには、状況に応じた個人の快適性を示すデータを数多く収集できることが好ましい。しかし、乗車中の各状況に対して、搭乗者が快適の有無を逐次判断して、状況に応じた快適性を示すデータを作成することは困難である。また、運転手に対して、体を拘束するようなデバイスを使用することも困難である。
　そこで、本発明は、乗車中の運転状況に応じた搭乗者の快適性を示すデータを効率的に収集できる快適性運転データ収集システム、快適性運転データ収集方法、および、快適性運転データ収集プログラム、並びに、運転制御装置、運転制御方法、および、運転制御プログラムを提供することを目的とする。
　本発明による快適性運転データ収集システムは、快適な活動に分類される活動が行われた際の個人の快適か否かを測る指標である快適性指標と快適性を示す教師ラベルとを対応付けた快適活動データ、および、不快な活動に分類される活動が行われた際の快適性指標と不快性を示す教師ラベルとを対応付けた不快活動データを第一学習データとして用いて、快適性の度合いを示す快適値を目的変数とし、快適性指標のそれぞれを説明変数とする快適性判定モデルを学習する快適性判定モデル学習部と、乗物に乗車中の対象者の快適性指標をもとに生成された、快適性判定モデルで用いられる説明変数、および、その快適性指標が取得された際の乗物の運転状況を含む個人データを対象者ごとに生成する個人データ生成部と、個人データを快適性判定モデルに適用して快適値を算出し、算出された快適値に応じて、快適な運転状況を示す運転データと不快な運転状況を示す運転データとを生成する運転データ生成部とを備えたことを特徴とする。
　本発明による運転制御装置は、快適な活動に分類される活動が行われた際の個人の快適か否かを測る指標である快適性指標と快適性を示す教師ラベルとを対応付けた快適活動データ、および、不快な活動に分類される活動が行われた際の快適性指標と不快性を示す教師ラベルとを対応付けた不快活動データを第一学習データとして用いて学習された、快適性の度合いを示す快適値を目的変数とし、快適性指標のそれぞれを説明変数とする快適性判定モデルに対して、乗物に乗車中の対象者の快適性指標をもとに対象者ごとに生成されたその快適性判定モデルで用いられる説明変数、および、その快適性指標が取得された際の乗物の運転状況を含む個人データを適用して得られる快適値に応じて生成される、快適な運転状況を示す運転データと不快な運転状況を示す運転データとを第二学習データとして用いて学習された、運転状況に応じた個人の快適状況を示す個人乗車モデルに基づいて、対象者にとって快適と感じる運転を判定する快適運転判定部と、快適運転判定部による判定の結果に基づいて、乗物の運転を制御する情報を出力する快適運転情報出力部とを備えたことを特徴とする。
　本発明による快適性運転データ収集方法は、快適な活動に分類される活動が行われた際の個人の快適か否かを測る指標である快適性指標と快適性を示す教師ラベルとを対応付けた快適活動データ、および、不快な活動に分類される活動が行われた際の快適性指標と不快性を示す教師ラベルとを対応付けた不快活動データを第一学習データとして用いて、快適性の度合いを示す快適値を目的変数とし、快適性指標のそれぞれを説明変数とする快適性判定モデルを学習し、乗物に乗車中の対象者の快適性指標をもとに生成された、快適性判定モデルで用いられる説明変数、および、その快適性指標が取得された際の乗物の運転状況を含む個人データを対象者ごとに生成し、個人データを快適性判定モデルに適用して快適値を算出し、算出された快適値に応じて、快適な運転状況を示す運転データと不快な運転状況を示す運転データとを生成することを特徴とする。
　本発明による運転制御方法は、快適な活動に分類される活動が行われた際の個人の快適か否かを測る指標である快適性指標と快適性を示す教師ラベルとを対応付けた快適活動データ、および、不快な活動に分類される活動が行われた際の快適性指標と不快性を示す教師ラベルとを対応付けた不快活動データを第一学習データとして用いて学習された、快適性の度合いを示す快適値を目的変数とし、快適性指標のそれぞれを説明変数とする快適性判定モデルに対して、乗物に乗車中の対象者の快適性指標をもとに対象者ごとに生成されたその快適性判定モデルで用いられる説明変数、および、その快適性指標が取得された際の乗物の運転状況を含む個人データを適用して得られる快適値に応じて生成される、快適な運転状況を示す運転データと不快な運転状況を示す運転データとを第二学習データとして用いて学習された、運転状況に応じた個人の快適状況を示す個人乗車モデルに基づいて、対象者にとって快適と感じる運転を判定し、判定の結果に基づいて、乗物の運転を制御する情報を出力することを特徴とする。
　本発明による快適性運転データ収集プログラムは、コンピュータに、快適な活動に分類される活動が行われた際の個人の快適か否かを測る指標である快適性指標と快適性を示す教師ラベルとを対応付けた快適活動データ、および、不快な活動に分類される活動が行われた際の快適性指標と不快性を示す教師ラベルとを対応付けた不快活動データを第一学習データとして用いて、快適性の度合いを示す快適値を目的変数とし、快適性指標のそれぞれを説明変数とする快適性判定モデルを学習する快適性判定モデル学習処理、乗物に乗車中の対象者の快適性指標をもとに生成された、快適性判定モデルで用いられる説明変数、および、その快適性指標が取得された際の乗物の運転状況を含む個人データを対象者ごとに生成する個人データ生成処理、および、個人データを快適性判定モデルに適用して快適値を算出し、算出された快適値に応じて、快適な運転状況を示す運転データと不快な運転状況を示す運転データとを生成する運転データ生成処理を実行させることを特徴とする。
　本発明による運転制御プログラムは、コンピュータに、快適な活動に分類される活動が行われた際の個人の快適か否かを測る指標である快適性指標と快適性を示す教師ラベルとを対応付けた快適活動データ、および、不快な活動に分類される活動が行われた際の快適性指標と不快性を示す教師ラベルとを対応付けた不快活動データを第一学習データとして用いて学習された、快適性の度合いを示す快適値を目的変数とし、快適性指標のそれぞれを説明変数とする快適性判定モデルに対して、乗物に乗車中の対象者の快適性指標をもとに対象者ごとに生成されたその快適性判定モデルで用いられる説明変数、および、その快適性指標が取得された際の乗物の運転状況を含む個人データを適用して得られる快適値に応じて生成される、快適な運転状況を示す運転データと不快な運転状況を示す運転データとを第二学習データとして用いて学習された、運転状況に応じた個人の快適状況を示す個人乗車モデルに基づいて、対象者にとって快適と感じる運転を判定する快適運転判定処理、および、快適運転判定処理での判定の結果に基づいて、乗物の運転を制御する情報を出力する快適運転情報出力処理を実行させることを特徴とする。
　本発明によれば、乗車中の状況に応じた搭乗者の快適性を示すデータを効率的に収集できる。
快適状況判定システムの一実施形態の構成例を示すブロック図である。 活動データの例を示す説明図である。 運転データを生成する処理の例を示す説明図である。 快適状況判定システムの動作例を示す説明図である。 運転データを収集する動作例を示すフローチャートである。 乗物の運転を制御する動作例を示すフローチャートである。 個人乗車モデル生成装置の変形例を含む快適状況判定システムの構成例を示すブロック図である。 本発明による快適性運転データ収集システムの概要を示すブロック図である。 本発明による運転制御装置の概要を示すブロック図である。
　以下、本発明の実施形態を図面を参照して説明する。
　図１は、本発明による快適性運転データ収集システムおよび運転制御装置を含む快適状況判定システムの一実施形態の構成例を示すブロック図である。本実施形態の快適状況判定システム１００は、快適性判定モデル生成装置１０と、個人乗車モデル生成装置２０と、快適運転情報出力装置３０とを備えている。
　快適性判定モデル生成装置１０は、各個人が感じる乗車時の快適性の度合いを判定する快適性判定モデルを生成する装置である。本実施形態で想定する個人とは、乗物を実際に運転する運転手だけでなく、乗物の搭乗者も含まれる。以下の説明では、対象とする個人のことを、単に対象者と記すこともある。
　本実施形態の快適性判定モデル生成装置１０は、センサ１１と、活動データ生成部１２と、活動データ記憶部１３と、快適性判定モデル学習部１４と、快適性判定モデル記憶部１５とを含む。
　センサ１１は、対象者が快適か否かを測る指標を検知するセンサである。以下の説明では、対象者個人の快適か否かを測る指標のことを、快適性指標と記す。なお、快適性指標は、快適か否かが直接測定できる指標に限定されず、間接的に測定できる情報であってもよい。快適性指標は、例えば、人間の生命特徴（脈拍、血圧、体温など）や、体の維持状態（重心の変化など）である。具体的には、センサ１１は、心拍を取得する心拍計、脳波を取得する脳波計、体温や室温を取得するサーモカメラ、体温を取得する体温計、声色や雑音などを取得する集音マイク、声色を取得するＡＩ（Artificial Intelligence ）スピーカなどである。これ以外にも、センサ１１として、体の揺れや重心を取得する重量センサ、心拍や脈拍、血圧、ストレスレベル、酸素飽和度を取得する赤外線センサ、臭気を取得するにおいセンサが用いられてもよい。また、表情や体の揺れ、瞬きの回数、顔色、特定の動きの回数、声色、眠気、集中力といった各種情報を取得できるスマートフォンやカメラなどがセンサ１１として用いられてもよい。快適性センサ１１は、複数存在してもよく、また、対象者を拘束せずに快適性指標を取得できるセンサであることが好ましい。
　なお、本実施形態では、センサ１１が対象者の快適性指標を検知する状況は、乗車時に限られない。ただし、本実施形態では、センサ１１が対象者の快適性指標を検知する活動の状況が識別できるものとし、その活動が、対象者にとって快適な活動か不快な活動かが、予め定められているものとする。
　例えば、視覚の観点では、好きなテレビ番組（例えば、ドラマ）を視聴している状況は、快適な活動をしている状況と言えるし、興味のないテレビ番組（例えば、株価紹介）を視聴している状況は、不快な活動をしている状況と言える。また、聴覚の観点では、親しい友人と話したり、好みの音楽を聴いたりしている状況は、快適な活動をしている状況と言えるし、初対面の人と話したり、嫌な音（例えば、黒板を引っかく音）を聞いたりしている状況は、不快な活動をしている状況と言える。
　他にも、触覚の観点では、涼しいところで過ごす、肩もみをしてもらう、深呼吸するなどの状況は、快適な活動をしている状況と言えるし、蒸し暑いところで過ごす、手の甲をつねられる、１分間目を開け続ける、などの状況は、不快な活動をしている状況と言える。また、味覚の観点では、好きな食べ物（例えば、ケーキ）を食べている状況は、快適な活動をしている状況と言えるし、嫌いな食べ物（例えば、ピーマン）を食べている状況は、不快な活動をしている状況と言える。
　さらに、臭覚の観点では、好きなにおい（例えば、柑橘系）を嗅いでいる状況は、快適な活動をしている状況と言えるし、嫌いなにおい（例えば、ゴミ）を嗅いでいる状況は、不快な活動をしている状況と言える。このように、本実施形態では、センサ１１は、対象者が活動をしている快適または不快な状況に応じた快適性指標を検知する。ただし、上述する活動は例示であり、対象者が快適と感じる任意の活動の状況、不快と感じる任意の活動の状況が想定されればよい。
　活動データ生成部１２は、センサ１１で検知された快適性指標と、その快適性指標が検知された際の快適か否かを示す情報とを対応付けた活動データを生成する。具体的には、活動データ生成部１２は、快適な活動に分類される活動が行われた際の快適性指標と快適性を示す教師ラベルとを対応付けた快適活動データ、および、不快な活動に分類される活動が行われた際の快適性指標と不快性を示す教師ラベルとを対応付けた不快活動データのいずれか一方、または両方を生成する。
　例えば、好きなテレビ番組を視聴している状況で、センサ１１により心拍数が取得されたとする。このとき、取得された心拍数は、快適な活動時の快適性指標であると言える。この場合、活動データ生成部１２は、この状況における快適性指標と快適性を示す教師ラベルとを対応付けた快適活動データを生成してもよい。具体的には、例えば、好きなテレビ番組を１時間視聴し、センサ１１により、そのときの６０秒あたりの心拍数を逐次収集するとする。この場合、活動データ生成部１２は、６０秒あたりの心拍数を逐次収集し、収集した心拍数と快適性を示す教師ラベルとを対応付けた快適活動データを時系列で生成してもよい。
　同様に、興味のないテレビ番組を視聴している状況で、センサ１１により心拍数が取得されたとする。このとき、取得された心拍数は、不快な活動時の快適性指標であると言える。この場合、活動データ生成部１２は、このときの快適性指標と不快性を示す教師ラベルとを対応付けた快適活動データを生成してもよい。上記と同様、例えば、興味のないテレビ番組を１時間視聴し、センサ１１により、そのときの６０秒あたりの心拍数を逐次収集するとする。この場合、活動データ生成部１２は、６０秒あたりの心拍数を逐次収集し、収集した心拍数と不快性を示す教師ラベルとを対応付けた不快活動データを時系列で生成してもよい。
　図２は、活動データの例を示す説明図である。図２に示す例では、活動データ生成部１２が、６０秒あたりの心拍数を快適または不快ごとに集計して、快適活動データおよび不快活動データを生成し、時系列に表示していることを示す。活動データ生成部１２は、他にも、６０秒あたりの瞬きの回数などを集計してもよい。活動データ生成部１２は、生成した活動データを活動データ記憶部１３に記憶する。
　活動データ記憶部１３は、生成された活動データを記憶する。具体的には、活動データ記憶部１３は、快適活動データおよび不快活動データを、それぞれ、快適活動ＤＢ（Database）１３ａおよび、不快活動ＤＢ１３ｂに記憶してもよい。活動データ記憶部１３は、例えば、磁気ディスク等により実現される。
　快適性判定モデル学習部１４は、快適活動データおよび不快活動データを学習データとして用いて、快適性の度合い（以下、快適値と記すこともある。）を目的変数とし、センサ１１によって取得される快適性指標のそれぞれを説明変数とする快適性判定モデルを学習する。なお、後述する学習データと区別するため、快適活動データおよび不快活動データを第一学習データと記すこともある。
　快適性判定モデル学習部１４は、センサ１１によって検知された快適性指標そのものを説明変数として用いてもよく、一定期間の快適性指標を集計したものを説明変数として用いてもよい。快適性判定モデル学習部１４は、例えば、上述するように、６０秒あたりの心拍数や、６０秒あたりの瞬きの回数を説明変数として用いてもよい。
　快適性判定モデル学習部１４が快適性判定モデルを学習する方法は任意である。快適性判定モデル学習部１４は、例えば、重回帰分析を用いて快適性判定モデルを学習してもよい。上記の例において、６０秒あたりの心拍数や、６０秒あたりの瞬きの回数が説明変数として用いられる場合、快適性判定モデルを、
　快適度　＝　ａ×（６０秒あたりの心拍数）＋ｂ×（６０秒あたりの瞬きの回数）＋ｃ
　のように表すことが可能である。快適性判定モデル学習部１４は、生成した快適性判定モデルを快適性判定モデル記憶部１５に記憶する。
　快適性判定モデル記憶部１５は、対象者ごとに快適性判定モデルを記憶する。また、快適性判定モデル記憶部１５は、個人乗車モデル生成装置２０に接続され、後述する運転データの生成時に利用される。快適性判定モデル記憶部１５は、例えば、磁気ディスク等により実現される。
　個人乗車モデル生成装置２０は、センサ２１と、個人データ生成部２２と、個人データ記憶部２３と、運転データ生成部２４と、運転データ記憶部２５と、個人乗車モデル学習部２６と、個人乗車モデル記憶部２７とを含む。
　センサ２１は、センサ１１と同様、対象者の快適性指標を検知するセンサである。具体的には、センサ２１は、例えば、快適性を判断する乗物に搭載され、乗車時の対象者の快適性指標を検知する。なお、センサ２１が検知する快適性指標の内容は、センサ１１が検知する快適性指標の内容と同様である。
　個人データ生成部２２は、センサ２１によって検知された乗車中の対象者の快適性指標から、快適性判定モデルに適用する対象者の個人データ（以下、単に個人データと記す。）を生成する。具体的には、個人データ生成部２２は、検知された快適性指標をもとに生成された、快適性判定モデルで用いられる説明変数、および、その快適性指標が検知された際の乗物の運転状況を含む個人データを対象者ごとに生成する。
　上述の例の場合、個人データ生成部２２は、センサ２１が取得した６０秒あたりの心拍数や、６０秒あたりの瞬き回数を集計した説明変数と、そのときの乗物の運転状況とを対応付けた個人データを生成してもよい。運転状況は、例えば、乗物の操作情報であり、アクセル開度やブレーキ圧、ハンドル操作の角度などが挙げられる。個人データ生成部２２は、生成した個人データを個人データ記憶部２３に記憶する。
　個人データ記憶部２３は、対象者の個人データを記憶する。個人データ記憶部２３は、例えば、磁気ディスク等により実現される。
　運転データ生成部２４は、個人データを対象者の快適性判定モデルに適用して、対象者の快適性の度合い（すなわち、快適値）が判定された運転データを生成する。具体的には、運転データ生成部２４は、快適性判定モデル記憶部１５から対象者の快適性判定モデルを取得し、取得した快適性判定モデルに個人データを適用して、快適値を算出する。そして、運転データ生成部２４は、算出された快適値に応じて、快適な運転状況を示す運転データ（以下、快適運転データと記す。）と不快な運転状況を示す運転データ（以下、不快運転データと記す。）を生成する。
　運転データ生成部２４は、予め定めた閾値と算出された快適値を比較して、快適運転データと不快運転データを生成してもよい。運転データ生成部２４は、例えば、快適値が閾値を超えている場合、快適運転データとして、個人データに含まれる運転状況と快適運転フラグとを対応付けた運転データを生成してもよい。一方、快適値が閾値以下の場合、運転データ生成部２４は、不快運転データとして、個人データに含まれる運転状況と不快運転フラグとを対応付けた運転データを生成してもよい。
　以下、具体例を用いて、運転データの生成方法を説明する。例えば、個人データに、乗車中の「６０秒あたりの心拍数」、「６０秒あたりの瞬き回数」、および、乗車中の個人の特徴を示すデータ（運転状況）が含まれているとする。運転データ生成部２４は、この個人データを快適性判定モデルに適用して、快適値を算出する。ここで、快適値が０．７と出力されたとする。また、快適と判断する閾値が０．５に設定されているとする。この場合、快適値が閾値を超えているため、運転データ生成部２４は、そのときの個人データに快適運転フラグを設定し、快適運転フラグと運転状況とを含むデータを運転データとして生成する。
　図３は、運転データを生成する処理の例を示す説明図である。図３に例示するグラフは、時系列に快適値の推移を表わす。図３に示す例では、閾値が０．５に設定されているものとする。このとき、運転データ生成部２４は、判定時の快適値が閾値（０．５）を超えている個人データに快適運転フラグを設定して（または、閾値以下の個人データに不快運転フラグを設定して）運転データを生成すればよい。
　運転データ生成部２４は、生成した運転データを運転データ記憶部２５に記憶する。運転データは、上述するように、運転状況（アクセス加速度やブレーキ圧、ハンドル操作の角度）に応じて快適運転フラグ（不快運転フラグ）が設定されたデータである。
　運転データ記憶部２５は、運転データを記憶する。具体的には、運転データ記憶部２５は、快適運転データおよび不快運転データを、それぞれ、快適運転ＤＢ２５ａおよび、不快運転ＤＢ２５ｂに記憶してもよい。運転データ記憶部２５は、例えば、磁気ディスク等により実現される。
　個人乗車モデル学習部２６は、生成された運転データを学習データとして用いて、運転状況に応じた個人の快適状況を示す個人乗車モデルを学習する。なお、快適性判定モデル学習部１４が用いる学習データと区別するため、個人乗車モデル学習部２６が学習に用いる運転データを第二学習データと記すこともある。
　個人乗車モデル学習部２６が個人乗車モデルを学習する方法は任意である。個人乗車モデル学習部２６は、例えば、逆強化学習を用いて個人乗車モデル（報酬関数）を学習してもよい。個人乗車モデル学習部２６は、学習された個人乗車モデルを個人乗車モデル記憶部２７に記憶する。
　個人乗車モデル記憶部２７は、生成された個人乗車モデル記憶部２７を記憶する。また、個人乗車モデル記憶部２７は、快適運転情報出力装置３０に接続され、快適状況の判定に利用される。個人乗車モデル記憶部２７は、例えば、磁気ディスク等により実現される。
　快適運転情報出力装置３０は、運転状況取得部３１と、快適運転判定部３２と、快適運転情報出力部３３とを含む。
　運転状況取得部３１は、対象者が乗車中の乗物の運転状況を取得する。運転状況取得部３１は、例えば、車載センサなどにより実現され、上述するアクセル開度やブレーキ圧、ハンドル操作の角度などを取得する。
　快適運転判定部３２は、個人乗車モデルに基づき、対象者にとって快適と感じる運転を判定する。例えば、逆強化学習により個人乗車モデル（報酬関数）が生成されている場合、快適運転判定部３２は、報酬を最適化するような運転を快適運転として推定してもよい。具体的には、快適運転判定部３２は、快適運転データとして記憶されている情報をもとに、快適な運転（報酬）に近づく具体的な運転操作（最適な行動）を生成してもよい。
　快適運転情報出力部３３は、快適運転判定部３２による判定結果を出力する。快適運転情報出力部３３は、対象者が乗車中の乗物の運転状況と、個人乗車モデルによる判定結果とを比較した結果を出力してもよい。また、快適運転情報出力部３３は、判定結果を逐次出力してもよく、予め定めた通知の基準を満たす場合に、判定結果を出力してもよい。
　例えば、快適と判定される運転が５分間連続している（快適運転フラグが設定されている運転状況が５分間連続している）場合に、快適運転情報出力部３３は、「良い運転です」という内容の判定結果を出力してもよい。一方で、例えば、不快と判定される運転が５分間連続している（不快運転フラグが設定されている運転状況が５分間連続している）場合に、快適運転情報出力部３３は、具体的な操作内容の内容（例えば、「アクセルを緩やかに踏んでください」という内容）の判定結果を出力してもよい。
　なお、快適運転情報出力部３３は、判定結果を、上述するように各種出力装置に出力（音声出力や、インストルメントパネルへ出力）させてもよい。また、快適運転情報出力部３３は、快適運転判定部３２による判定の結果に基づいて、乗物の運転を制御する情報を、その乗物の制御部（図示せず）に対して出力してもよい。具体的には、快適運転情報出力部３３は、自動運転の場合に快適性を維持できるよう、乗物の制御部に制御方法を通知してもよい。
　なお、本実施形態では、快適性判定モデル生成装置１０に含まれる快適性判定モデル学習部１４、並びに、個人乗車モデル生成装置２０に含まれる個人データ生成部２２および運転データ生成部２４が、活動データおよびを用いて個人データを用いて、運転データを生成できる。そのため、こられの構成を少なくとも含むシステムを、快適性運転データ収集システム２００と言うことができる。
　また、快適運転判定部３２および快適運転情報出力部３３によって、快適性判定モデルに個人データを適用して生成される運転データから学習された個人乗車モデルを用いて、対象者にとって快適に感じるように乗物の運転を制御できる。そのため、快適運転判定部３２および快適運転情報出力部３３を含む装置を、運転制御装置３００ということができる。
　運転制御装置３００（より具体的には、快適運転情報出力部３３）は、例えば、車両の出力装置に対して、快適な運転を示す情報を出力させてもよい。出力の具体例として、インストルメントパネルへ「アクセルを緩やかに踏んでください」と表示させることや、スピーカへ「アクセルを緩やかに踏んでください」と音声出力することなどが挙げられる。
　また、他にも、運転制御装置３００（快適運転情報出力部３３）は、自動運転車の制御部に対して、快適な運転を実現させる各種信号を通知してもよい。例えば、アクセル操作を緩やかに制御させたい場合、運転制御装置３００は、自動運転車の制御部に対して、アクセルのかけ方を緩やかにするよう操作信号を出力してもよい。
　活動データ生成部１２と、快適性判定モデル学習部１４と、個人データ生成部２２と、運転データ生成部２４と、個人乗車モデル学習部２６とは、プログラム（快適性運転データ収集プログラム）に従って動作するコンピュータのプロセッサ（例えば、ＣＰＵ（Central Processing Unit ）、ＧＰＵ（Graphics Processing Unit））によって実現される。
　例えば、プログラムは、快適性判定モデル生成装置１０や個人乗車モデル生成装置２０の記憶部（図示せず）に記憶され、プロセッサは、そのプログラムを読み込み、プログラムに従って、活動データ生成部１２、快適性判定モデル学習部１４、個人データ生成部２２、運転データ生成部２４および個人乗車モデル学習部２６として動作してもよい。また、快適状況判定システムの機能がＳａａＳ（Software as a Service ）形式で提供されてもよい。
　活動データ生成部１２と、快適性判定モデル学習部１４と、個人データ生成部２２と、運転データ生成部２４と、個人乗車モデル学習部２６とは、それぞれが専用のハードウェアで実現されていてもよい。また、各装置の各構成要素の一部又は全部は、汎用または専用の回路（circuitry ）、プロセッサ等やこれらの組合せによって実現されてもよい。これらは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。各装置の各構成要素の一部又は全部は、上述した回路等とプログラムとの組合せによって実現されてもよい。
　また、快適状況判定システムの各構成要素の一部又は全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。
　また、快適性判定モデル生成装置１０と、個人乗車モデル生成装置２０と、快適運転情報出力装置３０とが、それぞれ同一の装置で実現されていてもよいし、各装置の各構成が、他の装置の構成と組み合わされて、別の装置として実現されていてもよい。
　次に、本実施形態の快適状況判定システム１００の動作例を説明する。図４は、本実施形態の快適状況判定システム１００の動作例を示す説明図である。活動データ生成部１２は、センサ１１によって検知された「快適」な活動をする状況での快適性指標から快適活動データを生成し、活動データ記憶部１３の快適活動ＤＢ１３ａに記憶する。同様に、活動データ生成部１２は、センサ１１によって検知された「不快」な活動をする状況での快適性指標から不快活動データを生成し、活動データ記憶部１３の不快活動ＤＢ１３ｂに記憶する。
　快適性判定モデル学習部１４は、快適活動データおよび不快活動データから快適性判定モデルを学習する（ステップＳ１０１）。快適性判定モデル学習部１４は、生成した快適性判定モデルを快適性判定モデル記憶部１５に記憶する。
　その後、個人データ生成部２２は、センサ２１によって検知された、乗物に乗車中の搭乗者の快適性指標から個人データを生成し、個人データ記憶部２３に記憶する。運転データ生成部２４は、個人データを快適性モデルに適用して、快適運転データおよび不快運転データを生成し（ステップＳ１０２）、運転データ記憶部２５の快適運転ＤＢ２５ａおよび不快運転ＤＢ２５ｂにそれぞれ記憶する。
　個人乗車モデル学習部２６は、快適運転データおよび不快運転データから、個人乗車モデルを学習し（ステップＳ１０３）、個人乗車モデル記憶部２７に記憶する。
　そして、運転状況取得部３１は、対象者が登場する乗物の運転状況を取得すると（ステップＳ１０４）、快適運転判定部３２は、個人乗車モデルに運転状況を適用し（ステップＳ１０５）、対象者にとって快適と感じる運転を判定する。快適運転情報出力部３３は、快適な運転に必要な運転状況を示し（ステップＳ１０６）、運転手や搭乗者、自動運転車に、その運転状況を通知する（ステップＳ１０７）。
　図５は、運転データを収集する動作例を示すフローチャートである。快適性判定モデル学習部１４は、快適活動データおよび不快活動データを用いて、快適性判定モデルを学習する（ステップＳ１１）。個人データ生成部２２は、乗物に乗車中の対象者の快適性指標をもとに生成された説明変数、および、その乗物の運転状況を含む個人データを生成する（ステップＳ１２）。そして、運転データ生成部２４は、個人データを快適性判定モデルに適用して快適値を算出し、算出された快適値に応じて、快適運転データおよび不快運転データを生成する（ステップＳ１３）。
　図６は、乗物の運転を制御する動作例を示すフローチャートである。快適運転判定部３２は、個人乗車モデルに基づいて、対象者にとって快適と感じる運転を判定する（ステップＳ２１）。快適運転情報出力部３３は、判定の結果に基づいて、乗物の運転を制御する情報を出力する（ステップＳ２２）。
　以上のように、本実施形態では、快適性判定モデル学習部１４が、快適活動データおよび不快活動データを用いて、快適性判定モデルを学習し、個人データ生成部２２が、乗物に乗車中の対象者の快適性指標をもとに生成された説明変数、および、その乗物の運転状況を含む個人データを生成する。そして、運転データ生成部２４が、個人データを快適性判定モデルに適用して快適値を算出し、算出された快適値に応じて、快適運転データおよび不快運転データを生成する。よって、乗車中の状況に応じた搭乗者の快適性を示すデータを効率的に収集できる。
　また、本実施形態では、快適運転判定部３２が、個人乗車モデルに基づいて、対象者にとって快適と感じる運転を判定し、快適運転情報出力部３３が、判定の結果に基づいて、乗物の運転を制御する情報を出力する。よって、対象者から効率的に収集されたデータを用いて、対象者にとって快適になるように乗物の運転を制御できる。
　次に、本実施形態の個人乗車モデル生成装置の変形例を説明する。図７は、個人乗車モデル生成装置の変形例を含む快適状況判定システム１００ａの構成例を示すブロック図である。本変形例の汎用乗車モデル生成装置２０ａは、センサ２１と、個人データ生成部２２と、個人データ記憶部２３と、運転データ生成部２４と、運転データ記憶部２５と、汎用乗車モデル学習部２６ａと、汎用乗車モデル記憶部２７ａとを含む。
　すなわち、本変形例の快適状況判定システム１００ａは、上記実施形態の個人乗車モデル生成装置２０の代わりに汎用乗車モデル生成装置２０ａを含み、上記実施形態の個人乗車モデル学習部２６および個人乗車モデル記憶部２７の代わりに、汎用乗車モデル学習部２６ａおよび汎用乗車モデル記憶部２７ａを含む点において異なる。それ以外の構成は、上記実施形態と同様である。また、個人乗車モデル生成装置２０と汎用乗車モデル生成装置２０ａのいずれも、対象者の乗車モデルを学習する装置（乗車モデル生成装置）と言うことができる。
　汎用乗車モデル学習部２６ａは、生成された複数名の運転データを学習データとして用いて、運転状況に応じた汎用的な快適状況を示す汎用乗車モデルを学習する。すなわち、上記実施形態では、個人ごとに乗車モデルを学習したが、本変形例では、複数名を対象にした汎用的な乗車モデルを生成する。学習データとして用いる対象者の決定方法は任意である。例えば、対象者の性別や年代、地域などの単位で対象者を決定してもよい。
　また、汎用乗車モデル学習部２６ａが汎用乗車モデルを学習する方法は任意である。汎用乗車モデル学習部２６ａは、上記実施形態と同様に、逆強化学習を用いて汎用乗車モデル（報酬関数）を学習してもよい。汎用乗車モデル学習部２６ａは、学習された汎用乗車モデルを汎用乗車モデル記憶部２７ａに記憶する。
　以上のように、本変形例では、汎用乗車モデル学習部２６ａが、生成された複数名の運転データを学習データとして用いて、運転状況に応じた汎用的な快適状況を示す汎用乗車モデルを学習する。そのような構成により、複数向けの運転操作を判定するモデルを作成できる。例えば、個人単位の学習データが少ない場合であっても、乗車モデルの精度を向上させることが可能になる。
　次に、本発明の概要を説明する。図８は、本発明による快適性運転データ収集システムの概要を示すブロック図である。本発明による快適性運転データ収集システム８０（例えば、快適性運転データ収集システム２００）は、快適な活動に分類される活動（例えば、好きなテレビ番組を視聴、など）が行われた際の個人の快適か否かを測る指標である快適性指標（例えば、心拍数、瞬き回数、など）と快適性を示す教師ラベルとを対応付けた快適活動データ、および、不快な活動に分類される活動（例えば、興味のないテレビ番組を視聴、など）が行われた際の快適性指標と不快性を示す教師ラベルとを対応付けた不快活動データを第一学習データとして用いて、快適性の度合いを示す快適値を目的変数とし、快適性指標のそれぞれを説明変数とする快適性判定モデルを学習する快適性判定モデル学習部８１（例えば、快適性判定モデル学習部１４）と、乗物に乗車中の対象者の快適性指標をもとに生成された、快適性判定モデルで用いられる説明変数（例えば、６０秒あたりの心拍数、など）、および、その快適性指標が取得された際の乗物の運転状況（例えば、アクセル開度やブレーキ圧、ハンドル操作の角度、など）を含む個人データを対象者ごとに生成する個人データ生成部８２（例えば、個人データ生成部２２）と、個人データを快適性判定モデルに適用して快適値を算出し、算出された快適値に応じて、快適な運転状況を示す運転データと不快な運転状況を示す運転データとを生成する運転データ生成部８３（例えば、運転データ生成部２４）とを備えている。
　そのような構成により、乗車中の運転状況に応じた搭乗者の快適性を示すデータを効率的に収集できる。
　また、快適性運転データ収集システム８０は、快適な運転状況を示す運転データと不快な運転状況を示す運転データとを第二学習データとして用いて、運転状況に応じた対象者の快適状況を示す乗車モデル（例えば、個人乗車モデル、汎用乗車モデル）を学習する乗車モデル学習部（例えば、個人乗車モデル学習部２６、汎用乗車モデル学習部２６ａ）を備えていてもよい。
　そのような構成によれば、効率よく収集できた運転データを用いて搭乗者の快適状況を推定することが可能になる。
　具体的には、乗車モデル学習部は、逆強化学習により乗車モデルを学習してもよい。
　また、快適性運転データ収集システム８０は、対象者が乗車中の乗物の運転状況と、乗車モデルによる判定結果とを比較した結果を出力する快適運転情報出力部（例えば、快適運転情報出力装置３０）を備えていてもよい。そのような構成によれば、効率よく収集できた運転データを用いて推定された搭乗者の快適状況を対象者が把握できる。
　また、運転データ生成部は、快適値が閾値（例えば、閾値０．５など）を超えている場合、快適運転データとして、個人データに含まれる運転状況と快適運転フラグとを対応付けた運転データを生成し、快適値が閾値以下の場合、不快運転データとして、個人データに含まれる運転状況と不快運転フラグとを対応付けた運転データを生成してもよい。
　図９は、本発明による運転制御装置の概要を示すブロック図である。本発明による運転制御装置９０（例えば、運転制御装置３００）は、快適な活動に分類される活動が行われた際の個人の快適か否かを測る指標である快適性指標と快適性を示す教師ラベルとを対応付けた快適活動データ、および、不快な活動に分類される活動が行われた際の快適性指標と不快性を示す教師ラベルとを対応付けた不快活動データを第一学習データとして用いて学習された、快適性の度合いを示す快適値を目的変数とし、快適性指標のそれぞれを説明変数とする快適性判定モデルに対して、乗物に乗車中の対象者の快適性指標をもとに対象者ごとに生成されたその快適性判定モデルで用いられる説明変数、および、その快適性指標が取得された際の乗物の運転状況を含む個人データを適用して得られる快適値に応じて生成される、快適な運転状況を示す運転データと不快な運転状況を示す運転データとを第二学習データとして用いて学習された、運転状況に応じた対象者の快適状況を示す乗車モデルに基づいて、対象者にとって快適と感じる運転を判定する快適運転判定部９１（例えば、快適運転判定部３２）と、快適運転判定部９１による判定の結果に基づいて、乗物の運転を制御する情報を出力する快適運転情報出力部９２（例えば、快適運転情報出力部３３）とを備えている。
　そのような構成により、効率的に収集された、乗車中の状況に応じた搭乗者の快適性を示すデータを用いて、対象者にとって快適になるように乗物の運転を把握したり、制御できたりする。
　上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
（付記１）快適な活動に分類される活動が行われた際の個人の快適か否かを測る指標である快適性指標と快適性を示す教師ラベルとを対応付けた快適活動データ、および、不快な活動に分類される活動が行われた際の前記快適性指標と不快性を示す教師ラベルとを対応付けた不快活動データを第一学習データとして用いて、快適性の度合いを示す快適値を目的変数とし、前記快適性指標のそれぞれを説明変数とする快適性判定モデルを学習する快適性判定モデル学習部と、
　乗物に乗車中の対象者の前記快適性指標をもとに生成された、前記快適性判定モデルで用いられる説明変数、および、当該快適性指標が取得された際の乗物の運転状況を含む個人データを対象者ごとに生成する個人データ生成部と、前記個人データを前記快適性判定モデルに適用して前記快適値を算出し、算出された前記快適値に応じて、快適な運転状況を示す運転データと不快な運転状況を示す運転データとを生成する運転データ生成部とを備えたことを特徴とする快適性運転データ収集システム。
（付記２）快適な運転状況を示す運転データと不快な運転状況を示す運転データとを第二学習データとして用いて、運転状況に応じた対象者の快適状況を示す乗車モデルを学習する乗車モデル学習部を備えた付記１記載の快適性運転データ収集システム。
（付記３）乗車モデル学習部は、逆強化学習により乗車モデルを学習する付記２記載の快適性運転データ収集システム。
（付記４）対象者が乗車中の乗物の運転状況と、乗車モデルによる判定結果とを比較した結果を出力する快適運転情報出力部を備えた付記２または付記３記載の快適性運転データ収集システム。
（付記５）運転データ生成部は、快適値が閾値を超えている場合、快適運転データとして、個人データに含まれる運転状況と快適運転フラグとを対応付けた運転データを生成し、快適値が閾値以下の場合、不快運転データとして、個人データに含まれる運転状況と不快運転フラグとを対応付けた運転データを生成する付記１から付記４のうちのいずれか１つに記載の快適性運転データ収集システム。
（付記６）快適な活動に分類される活動が行われた際の個人の快適か否かを測る指標である快適性指標と快適性を示す教師ラベルとを対応付けた快適活動データ、および、不快な活動に分類される活動が行われた際の前記快適性指標と不快性を示す教師ラベルとを対応付けた不快活動データを第一学習データとして用いて学習された、快適性の度合いを示す快適値を目的変数とし、前記快適性指標のそれぞれを説明変数とする快適性判定モデルに対して、乗物に乗車中の対象者の前記快適性指標をもとに対象者ごとに生成された当該快適性判定モデルで用いられる説明変数、および、当該快適性指標が取得された際の乗物の運転状況を含む個人データを適用して得られる快適値に応じて生成される、快適な運転状況を示す運転データと不快な運転状況を示す運転データとを第二学習データとして用いて学習された、運転状況に応じた対象者の快適状況を示す乗車モデルに基づいて、対象者にとって快適と感じる運転を判定する快適運転判定部と、前記快適運転判定部による判定の結果に基づいて、前記乗物の運転を制御する情報を出力する快適運転情報出力部とを備えたことを特徴とする運転制御装置。
（付記７）快適な活動に分類される活動が行われた際の個人の快適か否かを測る指標である快適性指標と快適性を示す教師ラベルとを対応付けた快適活動データ、および、不快な活動に分類される活動が行われた際の前記快適性指標と不快性を示す教師ラベルとを対応付けた不快活動データを第一学習データとして用いて、快適性の度合いを示す快適値を目的変数とし、前記快適性指標のそれぞれを説明変数とする快適性判定モデルを学習し、乗物に乗車中の対象者の前記快適性指標をもとに生成された、前記快適性判定モデルで用いられる説明変数、および、当該快適性指標が取得された際の乗物の運転状況を含む個人データを対象者ごとに生成し、前記個人データを前記快適性判定モデルに適用して前記快適値を算出し、算出された前記快適値に応じて、快適な運転状況を示す運転データと不快な運転状況を示す運転データとを生成することを特徴とする快適性運転データ収集方法。
（付記８）快適な運転状況を示す運転データと不快な運転状況を示す運転データとを第二学習データとして用いて、運転状況に応じた個人の快適状況を示す個人乗車モデルを学習する付記７記載の快適性運転データ収集方法。
（付記９）快適な活動に分類される活動が行われた際の個人の快適か否かを測る指標である快適性指標と快適性を示す教師ラベルとを対応付けた快適活動データ、および、不快な活動に分類される活動が行われた際の前記快適性指標と不快性を示す教師ラベルとを対応付けた不快活動データを第一学習データとして用いて学習された、快適性の度合いを示す快適値を目的変数とし、前記快適性指標のそれぞれを説明変数とする快適性判定モデルに対して、乗物に乗車中の対象者の前記快適性指標をもとに対象者ごとに生成された当該快適性判定モデルで用いられる説明変数、および、当該快適性指標が取得された際の乗物の運転状況を含む個人データを適用して得られる快適値に応じて生成される、快適な運転状況を示す運転データと不快な運転状況を示す運転データとを第二学習データとして用いて学習された、運転状況に応じた対象者の快適状況を示す乗車モデルに基づいて、対象者にとって快適と感じる運転を判定し、前記判定の結果に基づいて、前記乗物の運転を制御する情報を出力することを特徴とする運転制御方法。
（付記１０）コンピュータに、快適な活動に分類される活動が行われた際の個人の快適か否かを測る指標である快適性指標と快適性を示す教師ラベルとを対応付けた快適活動データ、および、不快な活動に分類される活動が行われた際の前記快適性指標と不快性を示す教師ラベルとを対応付けた不快活動データを第一学習データとして用いて、快適性の度合いを示す快適値を目的変数とし、前記快適性指標のそれぞれを説明変数とする快適性判定モデルを学習する快適性判定モデル学習処理、乗物に乗車中の対象者の前記快適性指標をもとに生成された、前記快適性判定モデルで用いられる説明変数、および、当該快適性指標が取得された際の乗物の運転状況を含む個人データを対象者ごとに生成する個人データ生成処理、および、前記個人データを前記快適性判定モデルに適用して前記快適値を算出し、算出された前記快適値に応じて、快適な運転状況を示す運転データと不快な運転状況を示す運転データとを生成する運転データ生成処理を実行させるための快適性運転データ収集プログラム。
（付記１１）コンピュータに、快適な運転状況を示す運転データと不快な運転状況を示す運転データとを第二学習データとして用いて、運転状況に応じた個人の快適状況を示す乗車モデルを学習する乗車モデル学習処理を実行させる付記１０記載の快適性運転データ収集プログラム。
（付記１２）コンピュータに、快適な活動に分類される活動が行われた際の個人の快適か否かを測る指標である快適性指標と快適性を示す教師ラベルとを対応付けた快適活動データ、および、不快な活動に分類される活動が行われた際の前記快適性指標と不快性を示す教師ラベルとを対応付けた不快活動データを第一学習データとして用いて学習された、快適性の度合いを示す快適値を目的変数とし、前記快適性指標のそれぞれを説明変数とする快適性判定モデルに対して、乗物に乗車中の対象者の前記快適性指標をもとに対象者ごとに生成された当該快適性判定モデルで用いられる説明変数、および、当該快適性指標が取得された際の乗物の運転状況を含む個人データを適用して得られる快適値に応じて生成される、快適な運転状況を示す運転データと不快な運転状況を示す運転データとを第二学習データとして用いて学習された、運転状況に応じた対象者の快適状況を示す乗車モデルに基づいて、対象者にとって快適と感じる運転を判定する快適運転判定処理、および、前記快適運転判定処理での判定の結果に基づいて、前記乗物の運転を制御する情報を出力する快適運転情報出力処理部を実行させるための運転制御プログラム。
　以上、実施形態及び実施例を参照して本願発明を説明したが、本願発明は上記実施形態および実施例に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　この出願は、２０１９年７月１９日に出願された日本特許出願２０１９－１３３４８４を基礎とする優先権を主張し、その開示の全てをここに取り込む。
　１０　快適性判定モデル生成装置
　１１　センサ
　１２　活動データ生成部
　１３　活動データ記憶部
　１４　快適性判定モデル学習部
　１５　快適性判定モデル記憶部
　２０　個人乗車モデル生成装置
　２０ａ　汎用乗車モデル生成装置
　２１　センサ
　２２　個人データ生成部
　２３　個人データ記憶部
　２４　運転データ生成部
　２５　運転データ記憶部
　２６　個人乗車モデル学習部
　２６ａ　汎用乗車モデル学習部
　２７　個人乗車モデル記憶部
　２７ａ　汎用乗車モデル記憶部
　３０　快適運転情報出力装置
　３１　運転状況取得部
　３２　快適運転判定部
　３３　快適運転情報出力部
　１００　快適状況判定システム
　２００　快適性運転データ収集システム
　３００　運転制御装置

Claims (12)

  1. 　快適な活動に分類される活動が行われた際の個人の快適か否かを測る指標である快適性指標と快適性を示す教師ラベルとを対応付けた快適活動データ、および、不快な活動に分類される活動が行われた際の前記快適性指標と不快性を示す教師ラベルとを対応付けた不快活動データを第一学習データとして用いて、快適性の度合いを示す快適値を目的変数とし、前記快適性指標のそれぞれを説明変数とする快適性判定モデルを学習する快適性判定モデル学習部と、
    　乗物に乗車中の対象者の前記快適性指標をもとに生成された、前記快適性判定モデルで用いられる説明変数、および、当該快適性指標が取得された際の乗物の運転状況を含む個人データを対象者ごとに生成する個人データ生成部と、
    　前記個人データを前記快適性判定モデルに適用して前記快適値を算出し、算出された前記快適値に応じて、快適な運転状況を示す運転データと不快な運転状況を示す運転データとを生成する運転データ生成部とを備えた
    　ことを特徴とする快適性運転データ収集システム。
  2. 　快適な運転状況を示す運転データと不快な運転状況を示す運転データとを第二学習データとして用いて、運転状況に応じた対象者の快適状況を示す乗車モデルを学習する乗車モデル学習部を備えた
    　請求項１記載の快適性運転データ収集システム。
  3. 　個人乗車モデル学習部は、逆強化学習により乗車モデルを学習する
    　請求項２記載の快適性運転データ収集システム。
  4. 　対象者が乗車中の乗物の運転状況と、乗車モデルによる判定結果とを比較した結果を出力する快適運転情報出力部を備えた
    　請求項２または請求項３記載の快適性運転データ収集システム。
  5. 　運転データ生成部は、快適値が閾値を超えている場合、快適運転データとして、個人データに含まれる運転状況と快適運転フラグとを対応付けた運転データを生成し、快適値が閾値以下の場合、不快運転データとして、個人データに含まれる運転状況と不快運転フラグとを対応付けた運転データを生成する
    　請求項１から請求項４のうちのいずれか１項に記載の快適性運転データ収集システム。
  6. 　快適な活動に分類される活動が行われた際の個人の快適か否かを測る指標である快適性指標と快適性を示す教師ラベルとを対応付けた快適活動データ、および、不快な活動に分類される活動が行われた際の前記快適性指標と不快性を示す教師ラベルとを対応付けた不快活動データを第一学習データとして用いて学習された、快適性の度合いを示す快適値を目的変数とし、前記快適性指標のそれぞれを説明変数とする快適性判定モデルに対して、乗物に乗車中の対象者の前記快適性指標をもとに対象者ごとに生成された当該快適性判定モデルで用いられる説明変数、および、当該快適性指標が取得された際の乗物の運転状況を含む個人データを適用して得られる快適値に応じて生成される、快適な運転状況を示す運転データと不快な運転状況を示す運転データとを第二学習データとして用いて学習された、運転状況に応じた対象者の快適状況を示す乗車モデルに基づいて、対象者にとって快適と感じる運転を判定する快適運転判定部と、
    　前記快適運転判定部による判定の結果に基づいて、前記乗物の運転を制御する情報を出力する快適運転情報出力部とを備えた
    　ことを特徴とする運転制御装置。
  7. 　快適な活動に分類される活動が行われた際の個人の快適か否かを測る指標である快適性指標と快適性を示す教師ラベルとを対応付けた快適活動データ、および、不快な活動に分類される活動が行われた際の前記快適性指標と不快性を示す教師ラベルとを対応付けた不快活動データを第一学習データとして用いて、快適性の度合いを示す快適値を目的変数とし、前記快適性指標のそれぞれを説明変数とする快適性判定モデルを学習し、
    　乗物に乗車中の対象者の前記快適性指標をもとに生成された、前記快適性判定モデルで用いられる説明変数、および、当該快適性指標が取得された際の乗物の運転状況を含む個人データを対象者ごとに生成し、
    　前記個人データを前記快適性判定モデルに適用して前記快適値を算出し、算出された前記快適値に応じて、快適な運転状況を示す運転データと不快な運転状況を示す運転データとを生成する
    　ことを特徴とする快適性運転データ収集方法。
  8. 　快適な運転状況を示す運転データと不快な運転状況を示す運転データとを第二学習データとして用いて、運転状況に応じた個人の快適状況を示す個人乗車モデルを学習する
    　請求項７記載の快適性運転データ収集方法。
  9. 　快適な活動に分類される活動が行われた際の個人の快適か否かを測る指標である快適性指標と快適性を示す教師ラベルとを対応付けた快適活動データ、および、不快な活動に分類される活動が行われた際の前記快適性指標と不快性を示す教師ラベルとを対応付けた不快活動データを第一学習データとして用いて学習された、快適性の度合いを示す快適値を目的変数とし、前記快適性指標のそれぞれを説明変数とする快適性判定モデルに対して、乗物に乗車中の対象者の前記快適性指標をもとに対象者ごとに生成された当該快適性判定モデルで用いられる説明変数、および、当該快適性指標が取得された際の乗物の運転状況を含む個人データを適用して得られる快適値に応じて生成される、快適な運転状況を示す運転データと不快な運転状況を示す運転データとを第二学習データとして用いて学習された、運転状況に応じた対象者の快適状況を示す乗車モデルに基づいて、対象者にとって快適と感じる運転を判定し、
    　前記判定の結果に基づいて、前記乗物の運転を制御する情報を出力する
    　ことを特徴とする運転制御方法。
  10. 　コンピュータに、
    　快適な活動に分類される活動が行われた際の個人の快適か否かを測る指標である快適性指標と快適性を示す教師ラベルとを対応付けた快適活動データ、および、不快な活動に分類される活動が行われた際の前記快適性指標と不快性を示す教師ラベルとを対応付けた不快活動データを第一学習データとして用いて、快適性の度合いを示す快適値を目的変数とし、前記快適性指標のそれぞれを説明変数とする快適性判定モデルを学習する快適性判定モデル学習処理、
    　乗物に乗車中の対象者の前記快適性指標をもとに生成された、前記快適性判定モデルで用いられる説明変数、および、当該快適性指標が取得された際の乗物の運転状況を含む個人データを対象者ごとに生成する個人データ生成処理、および、
    　前記個人データを前記快適性判定モデルに適用して前記快適値を算出し、算出された前記快適値に応じて、快適な運転状況を示す運転データと不快な運転状況を示す運転データとを生成する運転データ生成処理
    　を実行させるための快適性運転データ収集プログラム。
  11. 　コンピュータに、
    　快適な運転状況を示す運転データと不快な運転状況を示す運転データとを第二学習データとして用いて、運転状況に応じた個人の快適状況を示す乗車モデルを学習する乗車モデル学習処理を実行させる
    　請求項１０記載の快適性運転データ収集プログラム。
  12. 　コンピュータに、
    　快適な活動に分類される活動が行われた際の個人の快適か否かを測る指標である快適性指標と快適性を示す教師ラベルとを対応付けた快適活動データ、および、不快な活動に分類される活動が行われた際の前記快適性指標と不快性を示す教師ラベルとを対応付けた不快活動データを第一学習データとして用いて学習された、快適性の度合いを示す快適値を目的変数とし、前記快適性指標のそれぞれを説明変数とする快適性判定モデルに対して、乗物に乗車中の対象者の前記快適性指標をもとに対象者ごとに生成された当該快適性判定モデルで用いられる説明変数、および、当該快適性指標が取得された際の乗物の運転状況を含む個人データを適用して得られる快適値に応じて生成される、快適な運転状況を示す運転データと不快な運転状況を示す運転データとを第二学習データとして用いて学習された、運転状況に応じた対象者の快適状況を示す乗車モデルに基づいて、対象者にとって快適と感じる運転を判定する快適運転判定処理、および、
    　前記快適運転判定処理での判定の結果に基づいて、前記乗物の運転を制御する情報を出力する快適運転情報出力処理
    　を実行させるための運転制御プログラム。
PCT/JP2020/020333 2019-07-19 2020-05-22 快適性運転データ収集システム、運転制御装置、方法、および、プログラム WO2021014738A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2021534561A JP7238994B2 (ja) 2019-07-19 2020-05-22 快適性運転データ収集システム、運転制御装置、方法、および、プログラム
US17/627,969 US20220274608A1 (en) 2019-07-19 2020-05-22 Comfort driving data collection system, driving control device, method, and program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019133484 2019-07-19
JP2019-133484 2019-07-19

Publications (1)

Publication Number Publication Date
WO2021014738A1 true WO2021014738A1 (ja) 2021-01-28

Family

ID=74194127

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/020333 WO2021014738A1 (ja) 2019-07-19 2020-05-22 快適性運転データ収集システム、運転制御装置、方法、および、プログラム

Country Status (3)

Country Link
US (1) US20220274608A1 (ja)
JP (1) JP7238994B2 (ja)
WO (1) WO2021014738A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861128B (zh) * 2020-06-20 2024-03-22 清华大学 自动驾驶车辆人机协同操纵过程的接管舒适性评价方法、系统及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006130121A (ja) * 2004-11-08 2006-05-25 Univ Nihon 生体情報に基づく感情認識方法
WO2017163538A1 (ja) * 2016-03-25 2017-09-28 ソニー株式会社 情報処理装置
WO2018109863A1 (ja) * 2016-12-14 2018-06-21 三菱電機株式会社 状態推定装置
JP2018152072A (ja) * 2017-03-14 2018-09-27 ヒュンダイ・モービス・カンパニー・リミテッド 車両安全支援装置および方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1961639A1 (en) * 2007-02-22 2008-08-27 Nederlandse Organisatie voor toegepast- natuurwetenschappelijk onderzoek TNO Vehicle driving assistance
US20210153796A1 (en) * 2017-05-15 2021-05-27 Toyota Motor Europe Control device, system, and method for determining a comfort level of a driver
CN113365556A (zh) * 2019-02-04 2021-09-07 三菱电机株式会社 情绪推定装置及情绪推定方法
US11548518B2 (en) * 2019-06-28 2023-01-10 Woven Planet North America, Inc. Subjective route comfort modeling and prediction
KR20210051054A (ko) * 2019-10-29 2021-05-10 현대자동차주식회사 뇌파 신호를 이용한 모빌리티 탑승자의 승차감 판단 장치
DE102020126676A1 (de) * 2020-10-12 2022-04-14 Bayerische Motoren Werke Aktiengesellschaft Fahrzeugführungssystem und Verfahren zum Betreiben einer Fahrfunktion in Abhängigkeit von Fahrerdaten
US20220330848A1 (en) * 2021-04-16 2022-10-20 Bayerische Motoren Werke Aktiengesellschaft Method, Computer Program, and Device for Determining Vehicle Occupant Respiration
US20220388543A1 (en) * 2021-06-04 2022-12-08 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for displaying trajectories for autonomous vehicles
US20230256994A1 (en) * 2022-02-16 2023-08-17 Gm Cruise Holdings Llc Assessing relative autonomous vehicle performance via evaluation of other road users
JP2023129312A (ja) * 2022-03-02 2023-09-14 日本電気株式会社 分類装置、分類方法、及びプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006130121A (ja) * 2004-11-08 2006-05-25 Univ Nihon 生体情報に基づく感情認識方法
WO2017163538A1 (ja) * 2016-03-25 2017-09-28 ソニー株式会社 情報処理装置
WO2018109863A1 (ja) * 2016-12-14 2018-06-21 三菱電機株式会社 状態推定装置
JP2018152072A (ja) * 2017-03-14 2018-09-27 ヒュンダイ・モービス・カンパニー・リミテッド 車両安全支援装置および方法

Also Published As

Publication number Publication date
JPWO2021014738A1 (ja) 2021-01-28
US20220274608A1 (en) 2022-09-01
JP7238994B2 (ja) 2023-03-14

Similar Documents

Publication Publication Date Title
US10121345B1 (en) Vehicle operator emotion management system and method
US10258760B1 (en) Computer system for determining a state of mind and providing a sensory-type antidote to a subject
US20190008436A1 (en) Method and system for monitoring and improving attention
Kajiwara Evaluation of driver’s mental workload by facial temperature and electrodermal activity under simulated driving conditions
US10325066B2 (en) System for mental health clinical application
CN107683399A (zh) 声音输出装置、电子装置、以及其控制方法
Babiker et al. Pupillary behavior in positive and negative emotions
US20160360992A1 (en) Method for quantifying the perceptive faculty of a person
US20190357792A1 (en) Sensibility evaluation apparatus, sensibility evaluation method and method for configuring multi-axis sensibility model
JP2007130454A (ja) 移動体搭乗者の心身状態調整装置及び心身状態調整装置の制御方法
JP2021146214A (ja) ドライバー監視システムでメディア誘発感情から運転感情を分離するための技術
Su et al. Study of human comfort in autonomous vehicles using wearable sensors
WO2018222589A1 (en) System and method for treating disorders with a virtual reality system
WO2021014738A1 (ja) 快適性運転データ収集システム、運転制御装置、方法、および、プログラム
KR20150137453A (ko) 뇌파를 이용한 제어 방법 및 휴대 장치
JP3523007B2 (ja) 満足感計測システムおよびフィードバック装置
Bläsing et al. Influence of complexity and noise on mental workload during a manual assembly task
WO2020195167A1 (ja) 漫然状態判定装置
Babiker et al. Non-conscious behavior in emotion recognition: gender effect
JP7443908B2 (ja) 制御装置、情報処理システム、および制御方法
WO2024071027A1 (ja) 脳情報の分析によるレコメンデーション
JP2001282539A (ja) 概念の構造化方法、装置、及び概念構造を備えた装置
JPH10244480A (ja) ロボットの制御装置
JP2020170471A (ja) 運転支援装置
JP2020169956A (ja) 車両の行先提案システム

Legal Events

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

Ref document number: 20843779

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021534561

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20843779

Country of ref document: EP

Kind code of ref document: A1