WO2021149340A1 - 異常検知装置、異常検知方法、および、プログラム - Google Patents

異常検知装置、異常検知方法、および、プログラム Download PDF

Info

Publication number
WO2021149340A1
WO2021149340A1 PCT/JP2020/042426 JP2020042426W WO2021149340A1 WO 2021149340 A1 WO2021149340 A1 WO 2021149340A1 JP 2020042426 W JP2020042426 W JP 2020042426W WO 2021149340 A1 WO2021149340 A1 WO 2021149340A1
Authority
WO
WIPO (PCT)
Prior art keywords
abnormality
grid
vehicle
determination result
degree
Prior art date
Application number
PCT/JP2020/042426
Other languages
English (en)
French (fr)
Inventor
元 田崎
崇光 佐々木
Original Assignee
パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ
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 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ filed Critical パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ
Priority to EP20915282.6A priority Critical patent/EP4095633A4/en
Priority to JP2021533792A priority patent/JPWO2021149340A1/ja
Priority to CN202080034244.5A priority patent/CN113811877A/zh
Publication of WO2021149340A1 publication Critical patent/WO2021149340A1/ja
Priority to US17/671,781 priority patent/US20220174084A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/55—Detecting local intrusion or implementing counter-measures
    • G06F21/554—Detecting local intrusion or implementing counter-measures involving event detection and direct action
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
    • H04L63/1425—Traffic logging, e.g. anomaly detection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/60—Context-dependent security
    • H04W12/63—Location-dependent; Proximity-dependent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Definitions

  • an abnormality detection device that detects abnormalities related to the vehicle.
  • an abnormality detection device for detecting an abnormality related to a vehicle is known (see, for example, Patent Document 1).
  • an object of the present disclosure is to provide an abnormality detection device capable of improving the accuracy of abnormality detection as compared with the conventional case.
  • the abnormality detection device is vehicle information related to the state of the vehicle, and is divided into a plurality of grids and an acquisition unit for acquiring vehicle information including position information indicating the position of the vehicle.
  • a model storage unit that stores an evaluation model for evaluating the vehicle information of the vehicle located on the grid, and the evaluation model of the vehicle indicated by the position information.
  • the vehicle information is based on an evaluation model for an evaluation grid including a first grid including a position and one or more second grids having a predetermined positional relationship with the first grid, and the vehicle information. It is provided with a determination unit that calculates the degree of abnormality indicating the degree of abnormality, determines whether or not the vehicle information is abnormal based on the degree of abnormality, and outputs the determination result.
  • the abnormality detection method is vehicle information relating to the state of a vehicle located on the grid for each of the plurality of grids of a map region-divided into a plurality of grids, and is the position information of the vehicle. It is an abnormality detection method performed by an abnormality detection device that stores an evaluation model for evaluating vehicle information including the above, and acquires the vehicle information and obtains the position of the vehicle indicated by the position information in the evaluation model. Based on the evaluation model for the evaluation grid including the first grid including the first grid and one or more second grids having a predetermined positional relationship with the first grid, the degree of abnormality indicating the degree of abnormality of the vehicle information is determined. It is calculated, it is determined whether or not the vehicle information is abnormal based on the degree of abnormality, and the determination result is output.
  • the program according to one aspect of the present disclosure is vehicle information relating to the state of a vehicle located on the grid for each of the plurality of grids of a map region-divided into a plurality of grids, and includes the position information of the vehicle.
  • a program for causing an abnormality detection device that stores an evaluation model for evaluating vehicle information to execute an abnormality detection process, wherein the abnormality detection process includes a step of acquiring the vehicle information and the evaluation model. Based on an evaluation model for an evaluation grid including a first grid including the position of the vehicle indicated by the position information and one or more second grids having a predetermined positional relationship with the first grid. It includes a step of calculating an abnormality degree indicating the degree of abnormality of the vehicle information, a step of determining whether or not the vehicle information is abnormal based on the degree of abnormality, and a step of outputting a determination result.
  • an abnormality detection device capable of improving the accuracy of abnormality detection as compared with the conventional case is provided.
  • FIG. 1 is a block diagram showing an example of the configuration of the information processing system according to the embodiment.
  • FIG. 2 is a block diagram showing an example of the configuration of the in-vehicle network according to the embodiment.
  • FIG. 3 is a block diagram showing an example of a function realized by the monitoring server according to the embodiment.
  • FIG. 4 is a block diagram showing an example of the configuration of the abnormality detection device according to the embodiment.
  • FIG. 5 is a schematic diagram showing an example of a map whose area is divided into a plurality of grids.
  • FIG. 6 is a schematic diagram showing an example of a data structure of vehicle information according to the embodiment.
  • FIG. 7 is a schematic diagram showing an example of a data structure of vehicle information according to the embodiment.
  • FIG. 1 is a block diagram showing an example of the configuration of the information processing system according to the embodiment.
  • FIG. 2 is a block diagram showing an example of the configuration of the in-vehicle network according to the embodiment.
  • FIG. 3 is
  • FIG. 8 is a schematic diagram showing an example of the data structure of the evaluation model according to the embodiment.
  • FIG. 9 is a flowchart of the abnormality detection process according to the embodiment.
  • FIG. 10 is a sequence diagram of the information processing system according to the embodiment.
  • FIG. 11 is a flowchart showing an example of a method for determining the evaluation grid.
  • FIG. 12A is a schematic diagram showing an example of the evaluation grid.
  • FIG. 12B is a schematic diagram showing an example of the evaluation grid.
  • FIG. 12C is a schematic diagram showing an example of the evaluation grid.
  • FIG. 13 is a flowchart showing an example of a method for determining the evaluation grid.
  • FIG. 14A is a schematic diagram showing an example of the evaluation grid.
  • FIG. 14B is a schematic diagram showing an example of the evaluation grid.
  • FIG. 14C is a schematic diagram showing an example of the evaluation grid.
  • FIG. 15 is a flowchart showing an example of a method for correcting the degree of abnormality.
  • FIG. 16 is a flowchart showing an example of a determination method for determining whether or not the vehicle information is abnormal.
  • FIG. 17 is a flowchart showing an example of a method for determining an abnormal sequence.
  • FIG. 18 is a flowchart showing an example of a method for determining an abnormal sequence.
  • FIG. 19 is a flowchart showing an example of the interpolation method of the abnormal grid.
  • FIG. 20 is a flowchart showing an example of the method of interpolating the abnormal grid.
  • FIG. 21 is a schematic view showing an example of an image to be displayed on the display unit according to the embodiment.
  • Vehicles such as automobiles are equipped with a plurality of electronic control units (Electronic Control Unit, hereinafter also referred to as ECU). Vehicle control is realized by communicating via an in-vehicle network connecting each ECU.
  • CAN Control Area Network
  • CAN Control Area Network
  • An in-vehicle network that conforms to the CAN protocol can be constructed as a closed communication path with a single vehicle.
  • vehicles it is not uncommon for vehicles to be equipped with an in-vehicle network constructed as a network that can be accessed from the outside.
  • an in-vehicle network is equipped with a port for extracting information flowing through the network to the outside for the purpose of diagnosing each in-vehicle system, or a car navigation system having a function of connecting to a wireless LAN that can be connected to an external network. The system is connected. Allowing external access to the in-vehicle network can improve convenience for vehicle users, but it also increases threats.
  • An attack frame is an anomalous frame that differs in some way from a normal frame that flows through an unattacked in-vehicle network.
  • Patent Document 1 discloses a method of applying a statistical method to vehicle driving data.
  • This anomaly detection technology is a technology that generates a feature that serves as a reference for anomaly detection or a parameter group such as machine learning as an evaluation model, and makes a judgment based on whether or not it deviates from the evaluation model.
  • a conventional technique since such a conventional technique generates an evaluation model based on driving data observed in a wide range of driving areas, an evaluation model including driving data in various driving environments is generated.
  • an evaluation model including driving data in various driving environments is generated.
  • the abnormality detection using the evaluation model for example, even if an illegal acceleration instruction is given by an attack on a general road, if the speed can be observed on the expressway, it is regarded as a normal acceleration instruction and the abnormality is detected. Cannot be determined.
  • the conventional technology has a problem that the detection accuracy is lowered because there is an attack that cannot be determined as abnormal depending on the position of the vehicle.
  • the inventors conducted diligent experiments and studies in order to solve the above problems. As a result, the inventors came up with the following anomaly detection device, anomaly detection method, and a program.
  • the abnormality detection device is vehicle information related to the state of the vehicle, and is divided into a plurality of grids and an acquisition unit for acquiring vehicle information including position information indicating the position of the vehicle.
  • a model storage unit that stores an evaluation model for evaluating the vehicle information of the vehicle located on the grid, and the evaluation model of the vehicle indicated by the position information.
  • the vehicle information is based on an evaluation model for an evaluation grid including a first grid including a position and one or more second grids having a predetermined positional relationship with the first grid, and the vehicle information. It is provided with a determination unit that calculates the degree of abnormality indicating the degree of abnormality, determines whether or not the vehicle information is abnormal based on the degree of abnormality, and outputs the determination result.
  • the abnormality detection device determines whether or not the vehicle information is abnormal based on the evaluation model of the evaluation grid having a predetermined positional relationship with the position of the vehicle. Therefore, according to the abnormality detection device, it is possible to detect an abnormality related to the vehicle based on an evaluation model of a local region according to the position of the vehicle. Therefore, according to the above-mentioned abnormality detection device, the accuracy of abnormality detection can be improved as compared with the conventional case.
  • the determination unit may determine that the vehicle information is abnormal when the degree of abnormality is equal to or higher than the threshold value.
  • the degree of abnormality when the degree of abnormality is equal to or higher than the threshold value, the number of evaluation data, which is the total number of data used when generating the evaluation model of each grid included in the evaluation grid, is the first.
  • the degree of abnormality may be corrected so as to reduce the degree of abnormality, and it may be determined whether or not the vehicle information is abnormal based on the corrected degree of abnormality.
  • the determination unit determines that the degree of abnormality is less than the second predetermined number.
  • the degree of anomaly may be corrected so as to reduce the information until it indicates that it is normal.
  • the determination unit evaluates the degree of abnormality with respect to the first predetermined number.
  • the degree of abnormality may be corrected by multiplying the ratio of the number of data.
  • the vehicle information further includes speed information indicating the traveling speed of the vehicle, and the determination unit determines the predetermined position when the traveling speed indicated by the speed information is less than the first speed.
  • the relationship is defined as the first predetermined positional relationship, and when the traveling speed is equal to or higher than the first speed, the predetermined positional relationship is defined as the second predetermined positional relationship, and the second predetermined position is defined.
  • the number of the second grids in the relationship may be greater than the number of the second grids in the first predetermined positional relationship.
  • the vehicle information further includes speed information indicating the traveling speed of the vehicle, and the determination unit determines the predetermined position when the traveling speed indicated by the speed information is less than the first speed.
  • the relationship is defined as the first predetermined positional relationship, and when the traveling speed is equal to or higher than the first speed, the predetermined positional relationship is defined as the second predetermined positional relationship, and the second predetermined position is defined.
  • the number of the second grids arranged in the first direction from the first grid is the number of the second grids in the first predetermined positional relationship. It may be larger than the number of the second grids arranged in the first direction from one grid.
  • the acquisition unit sequentially acquires the vehicle information
  • the determination unit sequentially calculates the degree of abnormality, sequentially determines whether or not the vehicle information is abnormal, and sequentially outputs the determination result.
  • a storage unit that sequentially stores the determination result sequentially output from the determination unit and the position information corresponding to the determination result are sequentially stored, and a first determination result output from the determination unit is obtained.
  • the first position information corresponding to the first determination result indicates. If the distance between the first position and the second position indicated by the second position information associated with the second determination result is less than a predetermined distance, the first determination result and the second determination result are described.
  • An abnormal sequence determination unit for determining that the determination result of 2 is the same abnormal sequence may be provided.
  • the vehicle information further includes speed information indicating the traveling speed of the vehicle, and the abnormality series determination unit indicates that the first determination result output from the determination unit is abnormal.
  • the predetermined distance may be determined according to the traveling speed indicated by the speed information corresponding to the first determination result.
  • a display control unit for displaying at least a part of the map on the display unit, and the abnormality sequence determination unit has the same abnormality series for the first determination result and the second determination result.
  • the first grid corresponding to the first determination result and the first grid corresponding to the second determination result are determined to be abnormal grids, and the display control unit determines that the grid is abnormal.
  • At least a part of the map may be displayed on the display unit so that the abnormal grid is displayed in a display format different from that of other grids.
  • the abnormality sequence determination unit determines that the first determination result and the second determination result are the same abnormality sequence
  • the first abnormality grid corresponding to the first determination result when the abnormality sequence determination unit determines that the first determination result and the second determination result are the same abnormality sequence, the first abnormality grid corresponding to the first determination result.
  • the second abnormality grid corresponding to the second determination result has a predetermined relationship
  • the grid existing between the first abnormality grid and the second abnormality grid is also the abnormality. It may be defined as a grid.
  • the vehicle information further includes speed information indicating the traveling speed of the vehicle, and the abnormality series determination unit indicates that the first determination result is abnormal, the first determination result.
  • the predetermined relationship may be determined according to the traveling speed indicated by the speed information corresponding to the above.
  • the abnormality sequence determination unit determines that the first determination result and the second determination result are the same abnormality sequence, the first abnormality grid corresponding to the first determination result. And, when there is a grid adjacent to the second abnormal grid corresponding to the second determination result, if the area ratio of the road in the grid is less than the predetermined area ratio, the grid is also abnormal. It may be defined as a grid.
  • the abnormality detection method is vehicle information relating to the state of a vehicle located on the grid for each of the plurality of grids of a map region-divided into a plurality of grids, and is the position information of the vehicle. It is an abnormality detection method performed by an abnormality detection device that stores an evaluation model for evaluating vehicle information including the above, and acquires the vehicle information and obtains the position of the vehicle indicated by the position information in the evaluation model. Based on the evaluation model for the evaluation grid including the first grid including the first grid and one or more second grids having a predetermined positional relationship with the first grid, the degree of abnormality indicating the degree of abnormality of the vehicle information is determined. It is calculated, it is determined whether or not the vehicle information is abnormal based on the degree of abnormality, and the determination result is output.
  • the above abnormality detection method determines whether or not the vehicle information is abnormal based on the evaluation model of the evaluation grid having a predetermined positional relationship with the position of the vehicle. Therefore, according to the above-mentioned abnormality detection method, it is possible to detect an abnormality related to the vehicle based on an evaluation model of a local region according to the position of the vehicle. Therefore, according to the above-mentioned abnormality detection method, there is provided an abnormality detection device capable of improving the accuracy of abnormality detection as compared with the conventional case.
  • the program according to one aspect of the present disclosure is vehicle information relating to the state of a vehicle located on the grid for each of the plurality of grids of a map region-divided into a plurality of grids, and includes the position information of the vehicle.
  • a program for causing an abnormality detection device that stores an evaluation model for evaluating vehicle information to execute an abnormality detection process, wherein the abnormality detection process includes a step of acquiring the vehicle information and the evaluation model. Based on an evaluation model for an evaluation grid including a first grid including the position of the vehicle indicated by the position information and one or more second grids having a predetermined positional relationship with the first grid. It includes a step of calculating an abnormality degree indicating the degree of abnormality of the vehicle information, a step of determining whether or not the vehicle information is abnormal based on the degree of abnormality, and a step of outputting a determination result.
  • the above abnormality detection program determines whether or not the vehicle information is abnormal based on the evaluation model of the evaluation grid having a predetermined positional relationship with the position of the vehicle. Therefore, according to the above-mentioned abnormality detection program, it is possible to detect an abnormality related to the vehicle based on an evaluation model of a local region according to the position of the vehicle. Therefore, according to the above-mentioned abnormality detection program, an abnormality detection device capable of improving the accuracy of abnormality detection as compared with the conventional case is provided.
  • each of the embodiments shown here shows a specific example of the present disclosure. Therefore, the numerical values, shapes, components, arrangement and connection forms of the components, steps (processes), order of steps, etc. shown in the following embodiments are merely examples and are not intended to limit the present disclosure. .. Further, each figure is a schematic view and is not necessarily exactly illustrated. In each figure, substantially the same configuration is designated by the same reference numerals, and duplicate description will be omitted or simplified.
  • This abnormality detection device is a device that detects an abnormality related to a vehicle, for example, an abnormality caused by a cyber attack on the vehicle.
  • FIG. 1 is a block diagram showing an example of a configuration of an information processing system 1 that monitors an abnormality related to a vehicle 30 by using the abnormality detecting device 100 according to the embodiment.
  • the information processing system 1 includes a monitoring server 10, a vehicle 30, and a network 40.
  • the monitoring server 10 is a so-called computer device, which includes a processor (not shown), a memory (not shown), a communication interface (not shown), a storage device (not shown), and a display (not shown). It is equipped with.
  • the monitoring server 10 realizes the abnormality detection device 100 and the display unit 130 by executing the program stored in the memory by the processor.
  • the vehicle 30 has a communication function and is equipped with an in-vehicle network 20.
  • the vehicle 30 is, for example, an automobile.
  • the network 40 is a wide area network such as the Internet, and its connection destination includes an abnormality detection device 100 and an in-vehicle network 20.
  • FIG. 2 is a block diagram showing an example of the configuration of the in-vehicle network 20.
  • the in-vehicle network 20 includes an external communication device 210, various ECUs (Electronic Control Units), and a bus 220.
  • ECUs Electronic Control Units
  • the in-vehicle network 20 for example, communication is performed according to the CAN protocol.
  • the in-vehicle network 20 does not have to be limited to CAN, and may be, for example, a communication network based on Ethernet (registered trademark), FlexRay (registered trademark), or the like.
  • the bus 220 is connected to each ECU and the external communication device 210, and transmits a signal between the connected devices.
  • the external communication device 210 is connected to the network 40 and the bus 220, transmits the signal flowing through the bus 220 to the network 40, and sends the signal received from the network 40 to the bus 220.
  • Examples of the ECU mounted on the vehicle 30 include ECUs related to steering, brakes, engines, doors, windows, and the like.
  • the ECU is, for example, a device including a processor, a digital circuit such as a memory, an analog circuit, a communication circuit, and the like.
  • the memory is a ROM, RAM, or the like, and can store a program executed by the processor.
  • the ECU realizes various functions by, for example, a processor executing a program stored in a memory.
  • Each ECU transmits / receives data via the bus 220 according to, for example, the CAN protocol.
  • Each ECU sends and receives data to and from the bus 220 according to the CAN protocol. For example, the data transmitted by another ECU is received from the bus 220, and the data including the content to be transmitted to the other ECU is generated and transmitted to the bus 220. Specifically, each ECU performs processing according to the content of the received data, and also data indicating the state of devices, sensors, etc. connected to the ECU or an instruction value (control value) to another ECU. Etc. are generated and transmitted.
  • FIG. 3 is a block diagram showing an example of the functions realized by the monitoring server 10.
  • the monitoring server 10 realizes the abnormality detection device 100 and the display unit 130.
  • the abnormality detection device 100 is connected to the network 40 and the display unit 130.
  • the abnormality detection device 100 executes an abnormality detection process for detecting an abnormality related to the vehicle 30, and outputs the result to the display unit 130.
  • the abnormality detection process will be described later.
  • the display unit 130 is connected to the abnormality detection device 100 and displays an image based on the signal output from the abnormality detection device 100.
  • the image displayed by the display unit 130 will be described later.
  • a user who uses the information processing system 1 can recognize an abnormality related to the vehicle 30 by visually recognizing the display contents displayed by the display unit 130.
  • FIG. 4 is a block diagram showing an example of the configuration of the abnormality detection device 100.
  • the abnormality detection device 100 includes an acquisition unit 1001, a model storage unit 1002, a determination unit 1003, an abnormality sequence determination unit 1004, a storage unit 1005, and a display control unit 1006.
  • the acquisition unit 1001 acquires vehicle information related to the state of the vehicle 30, including at least position information indicating the position of the vehicle 30.
  • the acquisition unit 1001 sequentially acquires vehicle information, for example, at predetermined time intervals.
  • the acquisition unit 1001 receives, for example, a vehicle control signal in accordance with the communication protocol of the vehicle-mounted network 20 from the vehicle 30 by communicating with the vehicle 30 via the network 40, and analyzes the received vehicle control signal. , Get vehicle information.
  • the vehicle information will be described as including speed information (sometimes simply referred to as "speed") indicating the traveling speed of the vehicle 30 in addition to the position information.
  • the vehicle information may further include, for example, turning curvature, acceleration, yaw rate, accelerator opening, steering amount, shift position, and the like.
  • the acquisition unit 1001 outputs the sequentially acquired vehicle information to the sequential determination unit 1003 and the storage unit 1005, and holds the latest vehicle information.
  • the model storage unit 1002 stores an evaluation model for evaluating the vehicle information of the vehicle 30 located on the grid for each of the plurality of grids of the map whose area is divided into the plurality of grids.
  • the data structure of the evaluation model will be described later with reference to FIG. 8 described later.
  • FIG. 5 is a schematic diagram showing an example of a map whose area is divided into a plurality of grids.
  • the shape of each grid will be described as a square having the same shape as each other, as illustrated in FIG.
  • the length of one side of the grid may be, for example, the width of the road on which the vehicle 30 travels, the distance traveled by the vehicle 30 per unit time, or 50 m, for example. ..
  • the shapes of the grids are described here as squares having the same shape as each other, the shapes are not necessarily limited to the squares having the same shape with each other, and may be any shape.
  • the determination unit 1003 refers to the position information included in the vehicle information each time the acquisition unit 1001 sequentially acquires the vehicle information, and corresponds to the evaluation model referred to in the abnormality detection process based on the position of the vehicle 30. Determine the evaluation grid.
  • the determination unit 1003 evaluates a grid including a first grid including the position of the vehicle 30 indicated by the position information and one or more second grids having a predetermined positional relationship with the first grid. Decide on a grid.
  • the determination unit 1003 then acquires the evaluation model of the determined evaluation grid from the model storage unit 1002. Then, based on the acquired evaluation model and the vehicle information, the degree of abnormality indicating the degree of abnormality of the vehicle information is calculated.
  • the determination unit 1003 determines whether or not the vehicle information is abnormal based on the calculated degree of abnormality, and outputs the determination result.
  • the determination unit 1003 determines that the number of evaluation data, which is the total number of data used when creating the evaluation model of each grid included in the evaluation grid, is the first.
  • the degree of abnormality is corrected so that the degree of abnormality is reduced, and it is determined whether or not the vehicle information is abnormal based on the corrected degree of abnormality.
  • the determination unit 1003 determines the degree of abnormality of the number of evaluation data with respect to the first predetermined number. It is assumed that the degree of abnormality is corrected by multiplying by the ratio.
  • the determination unit 1003 determines that the abnormality degree is the vehicle information.
  • the degree of abnormality is corrected so as to reduce until it indicates that it is normal, and it is determined whether or not the vehicle information is abnormal based on the corrected degree of abnormality.
  • the storage unit 1005 sequentially stores the determination result sequentially output from the determination unit 1003 and the position information corresponding to the determination result in association with each other.
  • the storage unit 1005 once stores the vehicle information when the acquisition unit 1001 outputs the vehicle information, and then, when the determination unit 1003 outputs the determination result corresponding to the vehicle information, the storage unit 1005 stores the vehicle information.
  • the determination result is stored in association with the vehicle information.
  • the data structure of the vehicle information stored in the storage unit 1005 before being associated with the determination result will be described later with reference to FIG. 6 described later.
  • the abnormality series determination unit 1004 acquires a determination result (hereinafter, this determination result is referred to as a "first determination result") that is sequentially output from the determination unit 1003. Then, the abnormality sequence determination unit 1004 indicates that the first determination result is abnormal, and when the accumulation unit 1005 indicates that the second determination result stored last time is abnormal, the first determination unit 1004 The distance between the first position indicated by the first position information corresponding to the determination result and the second position indicated by the second position information associated with the second determination result is less than a predetermined distance. If so, it is determined that the first determination result and the second determination result are the same abnormal series, and the determination result is output.
  • a determination result hereinafter, this determination result is referred to as a "first determination result”
  • the abnormality sequence determination unit 1004 determines that the first determination result and the second determination result are the same abnormality sequence
  • the first grid corresponding to the first determination result and the second grid The first grid corresponding to the determination result of is defined as an abnormal grid.
  • the abnormality sequence determination unit 1004 determines that the first determination result and the second determination result are the same abnormality sequence
  • the first abnormality grid corresponding to the first determination result and the first abnormality grid are used.
  • the grid existing between the first abnormal grid and the second abnormal grid is also defined as the abnormal grid.
  • the abnormality sequence determination unit 1004 determines that the first determination result and the second determination result are the same abnormality sequence, the grid adjacent to the first abnormality grid and the second abnormality grid. If the area ratio of the road in this grid is less than the predetermined area ratio when is present, this grid is also defined as an abnormal grid.
  • the storage unit 1005 is associated with the first determination result.
  • the same abnormality series identifier is associated with the vehicle information and the vehicle information associated with the second determination result, and the associated vehicle information is stored.
  • the determination result by the determination unit 1003 stored in the storage unit 1005 and the data structure of the vehicle information after being associated with the abnormal series identifier will be described later with reference to FIG. 7, which will be described later.
  • the display control unit 1006 causes the display unit 130 to display at least a part of the map whose area is divided into a plurality of grids. More specifically, the display control unit 1006 displays at least a part of the map on the display unit 130 so that the abnormality grid defined by the abnormality series determination unit 1004 is displayed in a display format different from other grids. Let me.
  • FIG. 6 is a schematic diagram showing an example of a data structure of vehicle information stored in the storage unit 1005 before being linked to the determination result by the determination unit 1003.
  • Vehicle information is generated every time the acquisition unit 1001 receives a vehicle control signal from the vehicle 30 via the network 40 and analyzes the vehicle control signal.
  • the vehicle information before being linked to the determination result includes a vehicle information ID which is an identifier of the vehicle information, a vehicle ID which is an identifier of the vehicle 30, a time stamp, and a position of the vehicle 30.
  • the position information to be shown the grid ID which is an identifier of the grid (that is, the first grid) including the position of the vehicle 30, and the information indicating the running state of the vehicle 30 (here, the running speed, the steering angle, the yaw rate, and the longitudinal acceleration). , And lateral acceleration).
  • FIG. 7 is a schematic diagram showing an example of the determination result by the determination unit 1003 stored in the storage unit 1005 and the data structure of the vehicle information after being associated with the abnormality series identifier.
  • the determination result and the vehicle information after being associated with the abnormal series identifier are further compared to the vehicle information before being associated with the determination result shown in FIG. 6, the determination unit 1003.
  • the determination result according to the above, the degree of abnormality calculated by the determination unit 1003, and the abnormality series ID which is the identifier of the abnormality series determined by the abnormality series determination unit 1004 are included.
  • FIG. 8 is a schematic diagram showing an example of the data structure of the evaluation model stored in the model storage unit 1002.
  • the evaluation model was used in generating the evaluation model, the grid ID which is the identifier of the grid, the longitude and latitude of the four corners of the grid area for identifying the area of the grid, and the evaluation model. It is composed of the number of data and the minimum and maximum values of information indicating the running state of the vehicle (here, running speed, steering angle, latitude, longitudinal acceleration, and lateral acceleration).
  • the determination unit 1003 calculates the degree of abnormality according to the degree of deviation in which the running state of the vehicle indicated by the vehicle information deviates beyond the maximum value or the minimum value indicated by the evaluation model, for example.
  • the determination unit 1003 determines the degree of deviation beyond the largest maximum value or the smallest minimum value indicated by the plurality of evaluation models. Calculate the degree of anomaly.
  • the determination unit 1003 may calculate the degree of abnormality from the vehicle information and the evaluation model by using, for example, a machine learning model learned in advance.
  • the evaluation model does not necessarily have to include the maximum value and the minimum value of the information indicating the running state of the vehicle.
  • the abnormality detection device 100 performs the abnormality detection process for detecting the abnormality related to the vehicle 30.
  • FIG. 9 is a flowchart of the abnormality detection process.
  • FIG. 10 is a sequence diagram of the information processing system 1 when the abnormality detection device 100 performs the abnormality detection process.
  • the abnormality detection process is started when the vehicle 30 transmits a vehicle control signal to the abnormality detection device 100 via the network 40 (step S10).
  • the vehicle control signal may be, for example, a CAN message, a sensor mounted on the vehicle 30, or a signal measured by an external device of the vehicle 30.
  • the CAN message refers to data according to the CAN protocol transmitted and received between each ECU via the bus 220.
  • the acquisition unit 1001 receives the vehicle control signal and acquires the vehicle information by analyzing the received vehicle control signal (step S11).
  • the determination unit 1003 refers to the position information included in the vehicle information, and determines the evaluation grid corresponding to the evaluation model referred to in the abnormality detection process based on the position of the vehicle 30 (step). S12). A specific method for determining the evaluation grid will be described later with reference to FIGS. 11 to 14C described later.
  • the determination unit 1003 acquires an evaluation model of the determined evaluation grid from the model storage unit 1002, and based on the acquired evaluation model and vehicle information, an abnormality indicating the degree of abnormality of the vehicle information. The degree is calculated (step S13).
  • the determination unit 1003 corrects the degree of abnormality based on the number of evaluation data (step S14). A specific method for correcting the degree of abnormality will be described later with reference to FIG. 15 described later.
  • the determination unit 1003 determines whether or not the vehicle information is abnormal based on the corrected degree of abnormality (step S15). A specific determination method will be described later with reference to FIG. 16 described later.
  • the abnormality sequence determination unit 1004 When it is determined whether or not the vehicle information is abnormal, the abnormality sequence determination unit 1004 previously stores in the storage unit 1005 when the first determination result output from the determination unit 1003 indicates that the determination result is abnormal. When indicating that the second determination result is abnormal, the first position indicated by the first position information corresponding to the first determination result and the first position associated with the second determination result are linked. If the distance to the second position indicated by the position information of 2 is less than a predetermined distance, it is determined that the first determination result and the second determination result are the same abnormal sequence (step S16). .. A specific method for determining the abnormal sequence will be described later with reference to FIGS. 17 and 18 described later.
  • the abnormal sequence determination unit 1004 interpolates the abnormal grid (step S17). A specific method of interpolating the abnormal grid will be described later with reference to FIGS. 19 and 20 described later.
  • the display control unit 1006 When the abnormal grid is complemented, the display control unit 1006 outputs a display signal to the display unit 130 to control the display contents so that the abnormal grid is displayed in a display format different from that of other grids. At least a part of the map whose area is divided into the grid is displayed on the display unit 130 (step S18).
  • step S18 the abnormality detection device 100 ends the abnormality detection process.
  • the display unit 130 acquires the display signal and displays an image based on the acquired display signal (step S19).
  • An example of the image displayed by the display unit 130 will be described later with reference to FIG. 21 described later.
  • FIG. 11 is a flowchart showing an example of a method of determining the evaluation grid performed by the determination unit 1003.
  • This determination method is an example of a determination method for determining a grid located radially around the first grid including the vehicle 30 as the second grid.
  • the determination unit 1003 determines that the traveling speed of the vehicle 30 indicated by the speed information is less than the first speed (for example, 30 km / h), that is, when the vehicle 30 is traveling at a low speed (step S21: low-speed traveling). , 8 grids excluding the 1st grid from a total of 9 grids of "3x3 grids" centered on the 1st grid, which are located radially around the 1st grid, are determined as the 2nd grid ( Step S22). That is, the 3 ⁇ 3 grid including the first grid is determined as the evaluation grid.
  • the first speed for example, 30 km / h
  • FIG. 12A is a schematic view showing the above 8 grids determined by the determination unit 1003.
  • the determination unit 1003 determines that the traveling speed of the vehicle 30 indicated by the speed information is equal to or higher than the first speed and less than the second speed (for example, 60 km / h), that is, when the vehicle 30 is traveling at a medium speed.
  • Step S21 Running at medium speed
  • FIG. 12B is a schematic view showing the above 24 grids determined by the determination unit 1003.
  • the determination unit 1003 determines the first grid when the traveling speed of the vehicle 30 indicated by the speed information is equal to or higher than the second speed, that is, when the vehicle 30 is traveling at high speed (step S21: high-speed traveling). 48 grids excluding the first grid from a total of 49 grids of "7 ⁇ 7 grids" centered on the first grid, which are located radially around the center, are determined as the second grid (step S24). That is, the 7 ⁇ 7 grid including the first grid is determined as the evaluation grid.
  • FIG. 12C is a schematic view showing the 48 grids determined by the determination unit 1003.
  • the determination unit 1003 determines the predetermined positional relationship as the first predetermined positional relationship, and the traveling speed is equal to or higher than the first speed.
  • the predetermined positional relationship is defined as the second predetermined positional relationship
  • the number of the second grids in the second predetermined positional relationship is the number of the second grids in the first predetermined positional relationship.
  • the first predetermined positional relationship and the second predetermined positional relationship are determined so as to increase the number.
  • FIG. 13 is a flowchart showing another example of the evaluation grid determination method performed by the determination unit 1003.
  • This determination method is an example of a determination method for determining a grid located in a specific direction with respect to the first grid including the vehicle 30 as the second grid.
  • the determination unit 1003 determines that the traveling speed of the vehicle 30 indicated by the speed information is less than the first speed (for example, 30 km / h), that is, when the vehicle 30 is traveling at a low speed (step S31: low-speed traveling). , 8 grids excluding the 1st grid from a total of 9 grids of "3x3 grids" centered on the 1st grid, which are located radially around the 1st grid, are determined as the 2nd grid ( Step S32). That is, the 3 ⁇ 3 grid including the first grid is determined as the evaluation grid.
  • the first speed for example, 30 km / h
  • FIG. 14A is a schematic view showing the above 8 grids determined by the determination unit 1003.
  • the determination unit 1003 determines that the traveling speed of the vehicle 30 indicated by the speed information is equal to or higher than the first speed and less than the second speed (for example, 60 km / h), that is, when the vehicle 30 is traveling at a medium speed.
  • Step S31 Running at medium speed
  • a total of 14 grids including 3 grids located in front of the vehicle in the vehicle traveling direction and 3 grids located behind the vehicle in the vehicle traveling direction are second.
  • Step S33 That is, the 3 ⁇ 3 grid including the first grid and the front and rear 3 grids in the vehicle traveling direction are determined as the evaluation grids.
  • FIG. 14B is a schematic view showing the above 14 grids determined by the determination unit 1003.
  • step S31 high-speed traveling
  • the determination unit 1003 sets the 14 grid.
  • a total of 20 grids including the three grids located in front of the vehicle in the vehicle traveling direction and the three grids located behind the vehicle in the vehicle traveling direction are determined as the second grid (step S34). That is, a 3 ⁇ 3 grid including the first grid and 6 grids in each of the front and rear in the vehicle traveling direction are determined as evaluation grids.
  • FIG. 14C is a schematic diagram showing the above 20 grids determined by the determination unit 1003.
  • the determination unit 1003 determines the predetermined positional relationship as the first predetermined positional relationship, and the traveling speed is equal to or higher than the first speed.
  • the predetermined positional relationship is defined as the second predetermined positional relationship, among the second grids in the second predetermined positional relationship, the first direction from the first grid (here, the traveling of the vehicle).
  • the number of the second grids arranged in the direction) is larger than the number of the second grids arranged in the first direction from the first grid among the second grids in the first predetermined positional relationship.
  • the first predetermined positional relationship and the second predetermined positional relationship are determined.
  • FIG. 15 is a flowchart showing an example of a method for correcting the degree of abnormality performed by the determination unit 1003.
  • the determination unit 1003 corrects the degree of abnormality so that the fact that the number of data is not sufficient is reflected in the degree of abnormality.
  • the determination unit 1003 sets the degree of abnormality indicating that it is abnormal as the target of correction of the degree of abnormality. Therefore, the determination unit 1003 determines whether or not the degree of abnormality is equal to or higher than the threshold value indicating that the abnormality is abnormal (step S41), and if it is determined that the degree of abnormality is less than the threshold value (step S41: No), the degree of abnormality is not corrected.
  • the evaluation is the sum of the number of data used when creating the evaluation model of each grid included in the evaluation grid. Check the number of data (step S42).
  • step S42 when the number of evaluation data is equal to or greater than the first predetermined number indicating that the number of data used in generating the evaluation model is sufficient (step S42: first predetermined number).
  • the number of data ⁇ the number of evaluation data), and the number of data used when generating the evaluation model is sufficient, so that the determination unit 1003 does not correct the degree of abnormality.
  • the first predetermined number is, for example, a number calculated in advance for the number of grids included in the evaluation grid, and the number of data used for generating the evaluation model per grid is sufficient. It may be a number multiplied by a number indicating that.
  • step S42 when the number of evaluation data is equal to or greater than the second predetermined number indicating that the number of data used in generating the evaluation model is insufficient and less than the first predetermined number.
  • Step S42 second predetermined number ⁇ number of evaluation data ⁇ first predetermined number
  • the number of data used when generating the evaluation model is not sufficient, but it is determined because there is no shortage.
  • Unit 1003 corrects the degree of abnormality so that the degree of abnormality is reduced (step S44). At this time, the determination unit 1003 corrects the degree of abnormality by multiplying the degree of abnormality by the ratio of the number of evaluation data to the first predetermined number.
  • the second predetermined number is, for example, a number calculated in advance in the number of grids included in the evaluation grid, and the number of data used for generating the evaluation model per grid is insufficient. It may be a number multiplied by a number indicating that the item is being used.
  • step S42 when the number of evaluation data is less than the second predetermined number (number of evaluation data ⁇ second predetermined number), the number of data used when generating the evaluation model is insufficient. Therefore, the determination unit 1003 corrects the degree of abnormality so that the degree of abnormality is reduced until it indicates that the vehicle information is normal, that is, it becomes a normal value (step S43).
  • FIG. 16 is a flowchart showing an example of a determination method performed by the determination unit 1003 to determine whether or not the vehicle information is abnormal.
  • the determination unit 1003 determines whether or not the corrected or uncorrected abnormality degree is equal to or greater than the threshold value indicating the abnormality by the abnormality degree correction method illustrated in FIG. 15 (step). S51).
  • the determination unit 1003 determines that the vehicle information is abnormal (step S53), and the abnormality degree is less than the threshold value.
  • the storage unit 1005 stores the determination result by the determination unit 1003 in association with the vehicle information (step S54).
  • FIG. 17 is a flowchart showing an example of an abnormality sequence determination method performed by the abnormality sequence determination unit 1004.
  • the abnormality sequence determination unit 1004 is an abnormality belonging to the same abnormality series that continuously occurs from the abnormality determined in the past. Judge whether or not. The determination result of this determination can be used, for example, for notifying the driver of the vehicle 30 and for the analysis work of the analyst who responds to the abnormality.
  • the abnormality series determination unit 1004 determines whether or not the determination result (hereinafter, also referred to as "first determination result") is abnormal. Check (step S61).
  • step S61 when the first determination result is "normal” (step S61: No), the abnormality sequence determination unit 1004 sets the first determination result to the same abnormality sequence as the other determination results. Is not judged. Therefore, for example, the storage unit 1005 assigns information that does not indicate a specific abnormal sequence, for example, the symbol "-", to the abnormal sequence ID of the vehicle information corresponding to the first determination result, and stores the vehicle information. do.
  • step S61 when the first determination result is "abnormal" (step S61: Yes), the abnormality sequence determination unit 1004 has the first position indicated by the vehicle information corresponding to the first determination result.
  • the latest vehicle information stored in the storage unit 1005, which is indicated by the vehicle information that is determined by the determination unit 1003 to be abnormal (hereinafter, also referred to as a "second determination result"). From the position 2, the moving distance of the vehicle 30 from the first position to the second position is calculated (step S62).
  • the abnormality series determination unit 1004 determines whether or not the moving distance of the vehicle is less than a predetermined distance (step S63).
  • step S63 When it is determined in the process of step S63 that the moving distance of the vehicle is less than a predetermined distance (step S63: Yes), the abnormality sequence determination unit 1004 determines the first determination result and the second determination result. It is determined that the abnormal series are the same (step S64). Therefore, for example, the storage unit 1005 assigns the abnormal sequence ID of the vehicle information corresponding to the first determination result to the abnormal sequence ID of the vehicle information corresponding to the second determination result, and assigns the same abnormal sequence ID to the abnormality sequence ID of the vehicle information. Store vehicle information.
  • step S63 When it is determined in the process of step S63 that the moving distance of the vehicle is equal to or greater than a predetermined distance (step S63: No), the abnormality sequence determination unit 1004 determines the first determination result and the second determination result. It is determined that they are not the same abnormal sequence (step S65). Therefore, for example, the storage unit 1005 assigns a new abnormal series ID different from the abnormal series ID of the vehicle information corresponding to the second determination result to the abnormal series ID of the vehicle information corresponding to the first determination result. And memorize the vehicle information.
  • FIG. 18 is a flowchart showing another example of the abnormality sequence determination method performed by the abnormality sequence determination unit 1004.
  • the abnormality sequence determination method exemplified in FIG. 17 was an example of a determination method when a predetermined distance is a fixed value.
  • the method for determining the abnormal sequence shown in FIG. 18 is an example of a determination method for determining a predetermined distance according to the traveling speed of the vehicle 30.
  • the method for determining the abnormal sequence illustrated in FIG. 18 can determine the abnormal sequence more accurately than the method for determining the abnormal sequence illustrated in FIG. 17.
  • the abnormality sequence determination method exemplified in FIG. 18 is a determination method in which the processing of step S76 to the processing of step S79 are added to the abnormality sequence determination method exemplified in FIG. Therefore, here, the processing of step S76 to the processing of step S79 will be mainly described.
  • the abnormality series determination unit 1004 examines the traveling speed of the vehicle 30 indicated by the speed information (step S76).
  • step S76 when the traveling speed of the vehicle 30 is less than the first speed (for example, 30 km / h), that is, when the vehicle 30 is traveling at a low speed (step S76: low speed traveling), the abnormality sequence determination is performed.
  • the unit 1004 defines a predetermined distance of 5 m (step S77).
  • step S76 when the traveling speed of the vehicle 30 is equal to or more than the first speed and less than the second speed (for example, 60 km / h), that is, when the vehicle 30 is traveling at a medium speed (step S76: (Medium-speed running), the abnormality sequence determination unit 1004 determines a predetermined distance of 15 m (step S78).
  • step S76 when the traveling speed of the vehicle 30 is equal to or higher than the second speed, that is, when the vehicle 30 is traveling at high speed (step S76: high-speed traveling), the abnormality sequence determination unit 1004 determines The distance is set to 30 m (step S79).
  • step S77 When the process of step S77, the process of step S78, or the process of step S79 is completed, the process proceeds to the process of step S63.
  • FIG. 19 is a flowchart showing an example of an abnormality grid interpolation method performed by the abnormality series determination unit 1004.
  • the abnormal series is the same.
  • the abnormal grids corresponding to the judgment results may not necessarily be adjacent to each other.
  • the grid existing between the abnormal grids is also regarded as the abnormal grid, so that the vehicle 30 can be more accurately performed. It is possible to determine the section where the abnormality related to is occurring.
  • the abnormality sequence determination unit 1004 acquires vehicle information to which the same abnormality sequence ID is assigned from the vehicle information stored in the storage unit 1005 (step S81), and determines that the abnormality sequence is the same. It is examined whether or not there are abnormal grids that are not adjacent to each other in the abnormal grid corresponding to the determination result (step S82).
  • step S82 when there are no abnormal grids that are not adjacent to each other (step S82: No), the abnormal sequence determination unit 1004 ends the process.
  • step S82 when there are abnormal grids that are not adjacent to each other (step S82: Yes), the abnormal sequence determination unit 1004 examines the traveling speed of the vehicle 30 indicated by the speed information (step S83).
  • step S83 when the traveling speed of the vehicle 30 is less than the first speed (for example, 30 km / h), that is, when the vehicle 30 is traveling at a low speed (step S83: low speed traveling), the abnormality sequence determination Part 1004 defines the number of abnormal grids to be interpolated as one grid (step S84).
  • the first speed for example, 30 km / h
  • the abnormality sequence determination Part 1004 defines the number of abnormal grids to be interpolated as one grid (step S84).
  • step S83 when the traveling speed of the vehicle 30 is equal to or more than the first speed and less than the second speed (for example, 60 km / h), that is, when the vehicle 30 is traveling at a medium speed (step S83: (Medium-speed running), the abnormality sequence determination unit 1004 determines that the number of abnormality grids to be interpolated is 2 grids or less (step S85).
  • step S76 when the traveling speed of the vehicle 30 is equal to or higher than the second speed, that is, when the vehicle 30 is traveling at high speed (step S83: high-speed traveling), the abnormality sequence determination unit 1004 interpolates.
  • the number of abnormal grids to be used is set to 3 grids or less (step S86).
  • the abnormality series determination unit 1004 determines the number of grids between abnormal grids that are not adjacent to each other. It is determined whether or not the number of abnormal grids has been obtained (step S87).
  • step S87 when the number of grids between the abnormal grids that are not adjacent to each other is the predetermined number of abnormal grids (step S87: Yes), the abnormality series determination unit 1004 determines the grids between the abnormal grids. Is also determined to be an abnormal grid, so that the abnormal grid is interpolated (step S88).
  • step S87 if the number of grids between the abnormal grids that are not adjacent to each other is not the specified number of abnormal grids (step S87: No), the abnormal sequence determination unit 1004 determines the grids between the abnormal grids. By not defining it as an anomalous grid, the anomalous grid is not interpolated.
  • FIG. 20 is a flowchart showing another example of the interpolation method of the abnormality grid performed by the abnormality series determination unit 1004.
  • some grids may have a relatively small area ratio of roads included in the grid. If the area ratio of the road included in the grid is relatively small, it becomes difficult to acquire vehicle information on the grid. Therefore, it is assumed that a grid that should normally be determined to be an abnormal grid cannot be determined to be an abnormal grid. Therefore, the area ratio of the road included in the grid on the traveling route of the vehicle 30 is relatively small, and the grid having two or more abnormal grids in the adjacent grid is also regarded as the abnormal grid, thereby forming the area ratio of the road.
  • a grid with a relatively small area can be defined as an abnormal grid.
  • the abnormality series determination unit 1004 acquires vehicle information to which the same abnormality series ID is assigned from the vehicle information stored in the storage unit 1005 (step S91).
  • the abnormality series determination unit 1004 acquires the map information in the vicinity of the abnormality grid corresponding to the acquired vehicle information (step S92).
  • the abnormality series determination unit 1004 determines the area ratio of the road, which is a grid on the traveling route of the vehicle 30 that is not defined as an abnormality grid based on the map information. It is determined whether or not there is a grid having an area ratio of less than or equal to (step S93).
  • step S93 when the corresponding grid exists (step S93: Yes), the abnormality series determination unit 1004 determines whether or not the corresponding grid is adjacent to the abnormality grid of two or more grids (step S93: Yes). Step S94).
  • step S93 if the corresponding grid does not exist (step S93: No), the abnormality sequence determination unit 1004 ends the process.
  • step S94 when two or more grids are adjacent to the abnormal grid (step S94: Yes), the abnormal sequence determination unit 1004 interpolates the abnormal grid by determining that the corresponding grid is also an abnormal grid. (Step S95).
  • step S94 when not adjacent to two or more abnormal grids (step S94: No), the abnormal sequence determination unit 1004 interpolates the abnormal grid by not determining the corresponding grid as an abnormal grid. do not.
  • the display control unit 1006 displays at least a part of the map whose area is divided into a plurality of grids so that the anomaly grid is displayed in a display format different from that of other grids. Is displayed on the display unit 130.
  • FIG. 21 is a schematic diagram showing an example of an image displayed on the display unit 130 by the display control unit 1006.
  • the shaded grid is the abnormal grid defined by the abnormal sequence determination unit 1004, and the black circles are the positions of the vehicle 30 indicated by the vehicle information determined to be abnormal by the determination unit 1003. be.
  • the display control unit 1006 exerts the detection result of the abnormality detection device 100 on the display unit 130 in order to be useful for notifying the driver of the vehicle 30 and the analysis work of the analyst who responds to the abnormality. Can be displayed as a target.
  • the abnormality detection device 100 determines whether or not the vehicle information is abnormal based on the evaluation model of the evaluation grid having a predetermined positional relationship with the position of the vehicle 30. Therefore, according to the abnormality detection device 100, it is possible to detect an abnormality related to the vehicle based on an evaluation model of a local region corresponding to the position of the vehicle 30. Therefore, according to the abnormality detection device 100, the accuracy of abnormality detection can be improved as compared with the conventional case.
  • the range of the grid as the evaluation grid can be appropriately determined by the traveling speed of the vehicle 30. Further, according to the abnormality detection device 100, when the map is divided into a plurality of grids, the number of data used when generating the evaluation model is biased for each grid, so that the evaluation model is generated. If the number of data used in is not sufficient, the degree of abnormality can be corrected so that the fact that the number of data is not sufficient is reflected in the degree of abnormality. Further, according to the abnormality detection device 100, abnormalities that occur continuously from the abnormalities determined in the past can be grouped together as the same abnormality series.
  • the abnormality related to the vehicle 30 can be effectively detected.
  • the abnormality detection device 100 has been described as being configured to include an abnormality sequence determination unit 1004, a storage unit 1005, and a display control unit 1006.
  • the abnormality detection device 100 is configured not to include the abnormality sequence determination unit 1004, the storage unit 1005, and the display control unit 1006, and includes the abnormality sequence determination unit 1004 and the storage unit 1005.
  • the display control unit 1006 may be configured to be realized by an external device.
  • the abnormality sequence determination unit 1004, the storage unit 1005, and the display control unit 1006 may be realized by, for example, the monitoring server 10.
  • the map whose area is divided into a plurality of grids may be a map prepared in advance or a map dynamically generated such as a dynamic map.
  • the evaluation model may be updated each time a new map is generated.
  • the abnormality related to the vehicle 30 detected by the abnormality detection device 100 has been described as, for example, an abnormality due to a cyber attack on the vehicle 30 or the like.
  • the abnormality related to the vehicle 30 detected by the abnormality detection device 100 is not limited to this.
  • the abnormality detection device 100 can also detect an abnormality related to the operation of the driver of the vehicle 30, for example. For example, an erroneous start can be detected from the amount of depression of the accelerator pedal.
  • the vehicle 30 has been described as an automobile as an example.
  • the vehicle 30 is not limited to automobiles.
  • the vehicle 30 may be, for example, mobility such as a construction machine as a moving body, an agricultural machine as a moving body, a ship, a railroad, and an airplane. That is, the abnormality detection device 100 can also detect an abnormality related to mobility or a mobility network and a mobility network system in mobility.
  • the branch destination in the process of step S21, the branch destination in the process of step S31, the branch destination in step S63, and the branch destination in step S83 are low-speed running, medium-speed running, and high-speed running. Although it was explained that there are three, the branch destination is not limited to this. The branch destination may be two or may be subdivided into three or more.
  • Some or all of the components included in the abnormality detection device 100 may be realized as a dedicated or general-purpose circuit.
  • a part or all of the components included in the abnormality detection device 100 may be composed of, for example, one system LSI (Large Scale Integration: large-scale integrated circuit).
  • a system LSI is an ultra-multifunctional LSI manufactured by integrating a plurality of components on a single chip. Specifically, a microprocessor, a ROM (Read Only Memory), a RAM (Random Access Memory), etc. It is a computer system composed of. A computer program is stored in the ROM. The system LSI achieves its function by operating the microprocessor according to the computer program.
  • system LSI Although it is referred to as a system LSI here, it may be referred to as an IC, an LSI, a super LSI, or an ultra LSI due to the difference in the degree of integration. Further, the method of making an integrated circuit is not limited to LSI, and may be realized by a dedicated circuit or a general-purpose processor. An FPGA (Field Programmable Gate Array) that can be programmed after the LSI is manufactured, or a reconfigurable processor that can reconfigure the connection and settings of the circuit cells inside the LSI may be used.
  • FPGA Field Programmable Gate Array
  • One aspect of the present disclosure may be not only such an abnormality detection device 100 but also an abnormality detection method in which a characteristic component included in the abnormality detection device 100 is a step. Further, one aspect of the present disclosure may be a computer program that causes a computer to execute each characteristic step included in the abnormality detection method. Also, one aspect of the present disclosure may be a computer-readable, non-temporary recording medium on which such a computer program is recorded.
  • This disclosure can be widely used in an abnormality detection device that detects an abnormality related to a vehicle.
  • Information information system 10 Monitoring server 20 In-vehicle network 30 Vehicle 40 Network 100 Abnormality detection device 130 Display unit 210 External communication device 220 Bus 1001 Acquisition unit 1002 Model storage unit 1003 Judgment unit 1004 Abnormal series determination unit 1005 Storage unit 1006 Display control unit

Abstract

異常検知装置（１００）は、車両（３０）の状態に係る車両情報であって、車両（３０）の位置を示す位置情報を含む車両情報を取得する取得部（１００１）と、複数のグリッドに領域分割された地図の複数のグリッドそれぞれについて、グリッドに位置する車両（３０）の車両情報を評価するための評価モデルを記憶するモデル記憶部（１００２）と、評価モデルのうち、位置情報により示される車両（３０）の位置を含む第１のグリッドと、第１のグリッドと所定の位置関係にある１以上の第２のグリッドとからなる評価グリッドについての評価モデルと、車両情報とに基づいて、車両情報の異常度合いを示す異常度を算出し、異常度に基づいて車両情報が異常であるか否かを判定し、判定結果を出力する判定部（１００３）と、を備える。

Description

異常検知装置、異常検知方法、および、プログラム
　車両に係る異常を検知する異常検知装置に関する。
　従来、車両に係る異常を検知する異常検知装置が知られている（例えば、特許文献１参照）。
特開２０１５－０２６２５２号公報
　車両に係る異常を検知する異常検知装置において、異常検知の精度向上が望まれる。
　そこで、本開示は、従来よりも異常検知の精度を向上することができる異常検知装置を提供することを目的とする。
　本開示の一態様に係る異常検知装置は、車両の状態に係る車両情報であって、前記車両の位置を示す位置情報を含む車両情報を取得する取得部と、複数のグリッドに領域分割された地図の前記複数のグリッドそれぞれについて、当該グリッドに位置する前記車両の前記車両情報を評価するための評価モデルを記憶するモデル記憶部と、前記評価モデルのうち、前記位置情報により示される前記車両の位置を含む第１のグリッドと、当該第１のグリッドと所定の位置関係にある１以上の第２のグリッドとからなる評価グリッドについての評価モデルと、前記車両情報とに基づいて、前記車両情報の異常度合いを示す異常度を算出し、当該異常度に基づいて前記車両情報が異常であるか否かを判定し、判定結果を出力する判定部と、を備える。
　本開示の一態様に係る異常検知方法は、複数のグリッドに領域分割された地図の前記複数のグリッドそれぞれについて、当該グリッドに位置する車両の状態に係る車両情報であって、前記車両の位置情報を含む車両情報を評価するための評価モデルを記憶する異常検知装置が行う異常検知方法であって、前記車両情報を取得し、前記評価モデルのうち、前記位置情報により示される前記車両の位置を含む第１のグリッドと、当該第１のグリッドと所定の位置関係にある１以上の第２のグリッドとからなる評価グリッドについての評価モデルに基づいて、前記車両情報の異常度合いを示す異常度を算出し、前記異常度に基づいて前記車両情報が異常であるか否かを判定し、判定結果を出力する。
　本開示の一態様に係るプログラムは、複数のグリッドに領域分割された地図の前記複数のグリッドそれぞれについて、当該グリッドに位置する車両の状態に係る車両情報であって、前記車両の位置情報を含む車両情報を評価するための評価モデルを記憶する異常検知装置に異常検知処理を実行させるためのプログラムであって、前記異常検知処理は、前記車両情報を取得するステップと、前記評価モデルのうち、前記位置情報により示される前記車両の位置を含む第１のグリッドと、当該第１のグリッドと所定の位置関係にある１以上の第２のグリッドとからなる評価グリッドについての評価モデルに基づいて、前記車両情報の異常度合いを示す異常度を算出するステップと、前記異常度に基づいて前記車両情報が異常であるか否かを判定するステップと、判定結果を出力するステップと、を含む。
　本開示の一態様に係る異常検知装置等によれば、従来よりも異常検知の精度を向上することができる異常検知装置が提供される。
図１は、実施の形態に係る情報処理システムの構成の一例を示すブロック図である。 図２は、実施の形態に係る車載ネットワークの構成の一例を示すブロック図である。 図３は、実施の形態に係る監視サーバにより実現される機能の一例を示すブロック図である。 図４は、実施の形態に係る異常検知装置の構成の一例を示すブロック図である。 図５は、複数のグリッドに領域分割された地図の一例を示す模式図である。 図６は、実施の形態に係る車両情報のデータ構造の一例を示す模式図である。 図７は、実施の形態に係る車両情報のデータ構造の一例を示す模式図である。 図８は、実施の形態に係る評価モデルのデータ構造の一例を示す模式図である。 図９は、実施の形態に係る異常検知処理のフローチャートである。 図１０は、実施の形態に係る情報処理システムのシーケンス図である。 図１１は、評価グリッドの決定方法の一例を示すフローチャートである。 図１２Ａは、評価グリッドの一例を示す模式図である。 図１２Ｂは、評価グリッドの一例を示す模式図である。 図１２Ｃは、評価グリッドの一例を示す模式図である。 図１３は、評価グリッドの決定方法の一例を示すフローチャートである。 図１４Ａは、評価グリッドの一例を示す模式図である。 図１４Ｂは、評価グリッドの一例を示す模式図である。 図１４Ｃは、評価グリッドの一例を示す模式図である。 図１５は、異常度の補正方法の一例を示すフローチャートである。 図１６は、車両情報が異常であるか否かを判定する判定方法の一例を示すフローチャートである。 図１７は、異常系列の判定方法の一例を示すフローチャートである。 図１８は、異常系列の判定方法の一例を示すフローチャートである。 図１９は、異常グリッドの補間方法の一例を示すフローチャートである。 図２０は、異常グリッドの補間方法の一例を示すフローチャートである。 図２１は、実施の形態に係る表示部に表示させる画像の一例を示す模式図である。
　（本開示の一態様を得るに至った経緯）
　自動車等の車両には、複数の電子制御ユニット（Ｅｌｅｃｔｒｏｎｉｃ　Ｃｏｎｔｒｏｌ　Ｕｎｉｔ、以下ＥＣＵとも称する。）が搭載されている。各ＥＣＵ間をつなぐ車載ネットワークを介して通信を行うことにより、車両の制御が実現される。ＣＡＮ（Ｃｏｎｔｒｏｌｌｅｒ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）は、このような車載ネットワークの規格のひとつであり、広く用いられる規格である。
　ＣＡＮのプロトコルに準拠する車載ネットワークは１台の車両で閉じた通信経路として構築可能である。しかしながら、車両には、外部からのアクセスが可能なネットワークとして構築された車載ネットワークが搭載されることは珍しくない。例えば車載ネットワークには、ネットワークに流れる情報を車載の各システムの診断に利用する目的で外部に取り出すためのポートが設置されたり、外部のネットワークに接続可能な無線ＬＡＮに接続する機能を備えるカーナビゲーションシステムが接続されたりしている。車載ネットワークへの外部からのアクセスが可能になることで車両のユーザにとっての利便性は向上し得るが、その一方で脅威も増大する。
　例えば２０１３年には、車載ネットワークの外部からの駐車支援機能等の悪用による不正な車両制御が可能であることが実証された。また、２０１５年には特定の車種の遠隔からの不正制御が可能であることが実証され、この実証が発端となって当該車種のリコールに発展した。
　車載ネットワークへの攻撃の一手法としては、ネットワークに接続されるＥＣＵに外部からアクセスしてこのＥＣＵを乗っ取り、このＥＣＵから攻撃のためのフレーム（以下では攻撃フレームともいう）を送信させて自動車を不正に制御するものがある。攻撃フレームは、攻撃されていない車載ネットワークを流れる正常なフレームとは何らかの点で異なる異常なフレームである。
　このような車載ネットワークの異常検知を行う技術として、例えば、特許文献１に、車両の走行データに対して統計的手法を適用する方法が開示されている。
　この異常検知技術は、異常検知の基準となる特徴あるいは機械学習等のパラメータ群等を評価モデルとして生成し、評価モデルから逸脱するか否かをもとに判定を行う技術である。しかしながら、このような従来技術は、広範囲にわたる走行領域で観測された走行データをもとに評価モデルを生成するため、様々な走行環境における走行データが含まれた評価モデルが生成されるこのような評価モデルを用いた異常検知では、例えば、一般道路で攻撃による不正な加速指示が行われたとしても、その速度が高速道路で観測され得る程度であれば、正常な加速指示と見なされ、異常と判定することができない。
　この例のように、従来技術には、車両の位置に応じて異常と判定できない攻撃が存在し、検知精度が低下するという課題を有していた。
　そこで、発明者らは、上記課題を解決すべく、鋭意実験、検討を重ねた。その結果、発明者らは、下記異常検知装置、異常検知方法、および、プログラムに想到した。
　本開示の一態様に係る異常検知装置は、車両の状態に係る車両情報であって、前記車両の位置を示す位置情報を含む車両情報を取得する取得部と、複数のグリッドに領域分割された地図の前記複数のグリッドそれぞれについて、当該グリッドに位置する前記車両の前記車両情報を評価するための評価モデルを記憶するモデル記憶部と、前記評価モデルのうち、前記位置情報により示される前記車両の位置を含む第１のグリッドと、当該第１のグリッドと所定の位置関係にある１以上の第２のグリッドとからなる評価グリッドについての評価モデルと、前記車両情報とに基づいて、前記車両情報の異常度合いを示す異常度を算出し、当該異常度に基づいて前記車両情報が異常であるか否かを判定し、判定結果を出力する判定部と、を備える。
　上記異常検知装置は、車両の位置と所定の位置関係にある評価グリッドの評価モデルに基づいて、車両情報が異常であるか否かを判定する。このため、上記異常検知装置によると、車両の位置に応じた局所的な領域の評価モデルに基づいて、車両に係る異常を検知することができる。従って、上記異常検知装置によると、従来よりも異常検知の精度を向上することができる。
　また、前記判定部は、前記異常度が閾値以上の場合に、前記車両情報が異常であると判定するとしてもよい。
　また、前記判定部は、前記異常度が閾値以上の場合において、前記評価グリッドに含まれる各グリッドの評価モデルを生成する際に使用されたデータの数の総和である評価データ数が第１の所定の数未満であるときには、前記異常度合いが低減するように前記異常度を補正し、補正した異常度に基づいて、前記車両情報が異常であるか否かを判定するとしてもよい。
　また、前記判定部は、前記異常度が前記閾値以上の場合において、前記評価データ数が前記第１の所定の数より小さな第２の所定の数未満であるときには、前記異常度合いが、前記車両情報が正常である旨を示すまで低減するように、前記異常度を補正するとしてもよい。
　また、前記判定部は、前記異常度が前記閾値以上の場合において、前記評価データ数が前記第１の所定の数未満であるときには、前記異常度に、前記第１の所定の数に対する前記評価データ数の割合を乗じることで、前記異常度を補正するとしてもよい。
　また、前記車両情報は、さらに、前記車両の走行速度を示す速度情報を含み、前記判定部は、前記速度情報により示される前記走行速度が第１の速度未満である場合に、前記所定の位置関係を第１の所定の位置関係と定め、前記走行速度が前記第１の速度以上である場合に、前記所定の位置関係を第２の所定の位置関係と定め、前記第２の所定の位置関係における前記第２のグリッドの数は、前記第１の所定の位置関係における前記第２のグリッドの数より多いとしてもよい。
　また、前記車両情報は、さらに、前記車両の走行速度を示す速度情報を含み、前記判定部は、前記速度情報により示される前記走行速度が第１の速度未満である場合に、前記所定の位置関係を第１の所定の位置関係と定め、前記走行速度が前記第１の速度以上である場合に、前記所定の位置関係を第２の所定の位置関係と定め、前記第２の所定の位置関係における前記第２のグリッドのうち、前記第１のグリッドから第１の方向に並ぶ前記第２のグリッドの数は、前記第１の所定の位置関係における前記第２のグリッドのうち、前記第１のグリッドから前記第１の方向に並ぶ前記第２のグリッドの数より多いとしてもよい。
　また、前記取得部は、前記車両情報を逐次取得し、前記判定部は、前記異常度を逐次算出し、前記車両情報が異常であるか否かを逐次判定し、判定結果を逐次出力し、さらに、前記判定部から逐次出力される前記判定結果と、当該判定結果に対応する前記位置情報とを互いに紐づけて逐次記憶する蓄積部と、前記判定部から出力された第１の判定結果が異常である旨を示す場合において、前記蓄積部に前回記憶された第２の判定結果が異常である旨を示すときに、前記第１の判定結果に対応する第１の位置情報により示される第１の位置と、前記第２の判定結果に紐付けされた第２の位置情報により示される第２の位置との距離が、所定の距離未満であれば、前記第１の判定結果と前記第２の判定結果とを同一の異常系列であると判定する異常系列判定部と、を備えるとしてもよい。
　また、前記車両情報は、さらに、前記車両の走行速度を示す速度情報を含み、前記異常系列判定部は、前記判定部から出力された前記第１の判定結果が異常である旨を示す場合に、前記第１の判定結果に対応する前記速度情報により示される前記走行速度に応じて前記所定の距離を定めるとしてもよい。
　また、さらに、前記地図の少なくとも一部を表示部に表示させる表示制御部を備え、前記異常系列判定部は、前記第１の判定結果と前記第２の判定結果とを同一の異常系列であると判定した場合に、第１の判定結果に対応する前記第１のグリッドと、前記第２の判定結果に対応する前記第１のグリッドとを異常グリッドであると定め、前記表示制御部は、前記異常グリッドが他のグリッドと異なる表示形式で表示されるように、前記地図の少なくとも一部を前記表示部に表示させるとしてもよい。
　また、前記異常系列判定部は、前記第１の判定結果と前記第２の判定結果とを同一の異常系列であると判定した場合において、前記第１の判定結果に対応する第１の異常グリッドと、前記第２の判定結果に対応する第２の異常グリッドとが所定の関係にあるときに、前記第１の異常グリッドと前記第２の異常グリッドとの間に存在するグリッドをも前記異常グリッドであると定めるとしてもよい。
　また、前記車両情報は、さらに、前記車両の走行速度を示す速度情報を含み、前記異常系列判定部は、前記第１の判定結果が異常である旨を示す場合に、前記第１の判定結果に対応する前記速度情報により示される前記走行速度に応じて前記所定の関係を定めるとしてもよい。
　また、前記異常系列判定部は、前記第１の判定結果と前記第２の判定結果とを同一の異常系列であると判定した場合において、前記第１の判定結果に対応する第１の異常グリッドと、前記第２の判定結果に対応する第２の異常グリッドとに隣接するグリッドが存在するときに、当該グリッドにおける道路の面積率が所定の面積率未満であれば、当該グリッドをも前記異常グリッドであると定めるとしてもよい。
　本開示の一態様に係る異常検知方法は、複数のグリッドに領域分割された地図の前記複数のグリッドそれぞれについて、当該グリッドに位置する車両の状態に係る車両情報であって、前記車両の位置情報を含む車両情報を評価するための評価モデルを記憶する異常検知装置が行う異常検知方法であって、前記車両情報を取得し、前記評価モデルのうち、前記位置情報により示される前記車両の位置を含む第１のグリッドと、当該第１のグリッドと所定の位置関係にある１以上の第２のグリッドとからなる評価グリッドについての評価モデルに基づいて、前記車両情報の異常度合いを示す異常度を算出し、前記異常度に基づいて前記車両情報が異常であるか否かを判定し、判定結果を出力する。
　上記異常検知方法は、車両の位置と所定の位置関係にある評価グリッドの評価モデルに基づいて、車両情報が異常であるか否かを判定する。このため、上記異常検知方法によると、車両の位置に応じた局所的な領域の評価モデルに基づいて、車両に係る異常を検知することができる。従って、上記異常検知方法によると、従来よりも異常検知の精度を向上することができる異常検知装置が提供される。
　本開示の一態様に係るプログラムは、複数のグリッドに領域分割された地図の前記複数のグリッドそれぞれについて、当該グリッドに位置する車両の状態に係る車両情報であって、前記車両の位置情報を含む車両情報を評価するための評価モデルを記憶する異常検知装置に異常検知処理を実行させるためのプログラムであって、前記異常検知処理は、前記車両情報を取得するステップと、前記評価モデルのうち、前記位置情報により示される前記車両の位置を含む第１のグリッドと、当該第１のグリッドと所定の位置関係にある１以上の第２のグリッドとからなる評価グリッドについての評価モデルに基づいて、前記車両情報の異常度合いを示す異常度を算出するステップと、前記異常度に基づいて前記車両情報が異常であるか否かを判定するステップと、判定結果を出力するステップと、を含む。
　上記異常検知プログラムは、車両の位置と所定の位置関係にある評価グリッドの評価モデルに基づいて、車両情報が異常であるか否かを判定する。このため、上記異常検知プログラムによると、車両の位置に応じた局所的な領域の評価モデルに基づいて、車両に係る異常を検知することができる。従って、上記異常検知プログラムによると、従来よりも異常検知の精度を向上することができる異常検知装置が提供される。
　以下、本開示の一態様に係る異常検知装置の具体例について、図面を参照しながら説明する。ここで示す実施の形態は、いずれも本開示の一具体例を示すものである。従って、以下の実施の形態で示される数値、形状、構成要素、構成要素の配置および接続形態、ならびに、ステップ（工程）およびステップの順序等は、一例であって本開示を限定する趣旨ではない。また、各図は、模式図であり、必ずしも厳密に図示されたものではない。各図において、実質的に同一の構成に対しては同一の符号を付しており、重複する説明は省略または簡略化する。
　（実施の形態）
　以下、実施の形態に係る異常検知装置について説明する。この異常検知装置は、車両に係る異常、例えば、車両に対するサイバー攻撃等による異常を検知する装置である。
　＜異常検知装置の構成＞
　図１は、実施の形態に係る異常検知装置１００を利用して、車両３０に係る異常を監視する情報処理システム１の構成の一例を示すブロック図である。
　図１に示すように、情報処理システム１は、監視サーバ１０と、車両３０と、ネットワーク４０とを含んで構成される。
　監視サーバ１０は、いわゆるコンピュータ装置であって、プロセッサ（図示されず）と、メモリ（図示されず）と、通信インターフェース（図示されず）と、記憶装置（図示されず）と、ディスプレイ（図示されず）とを備える。
　監視サーバ１０は、メモリに記憶されたプログラムをプロセッサが実行することで、異常検知装置１００と表示部１３０とを実現する。
　車両３０は、通信機能を有し、車載ネットワーク２０を搭載する。車両３０は、例えば自動車である。
　ネットワーク４０は、インターネット等の広域ネットワークであって、その接続先に、異常検知装置１００と、車載ネットワーク２０とを含む。
　図２は、車載ネットワーク２０の構成の一例を示すブロック図である。
　図２に示すように、車載ネットワーク２０は、外部通信装置２１０と、各種ＥＣＵ（Ｅｌｅｃｔｒｏｎｉｃ　Ｃｏｎｔｒｏｌ　Ｕｎｉｔ）と、バス２２０とを含んで構成される。
　車載ネットワーク２０では、例えば、ＣＡＮプロトコルに従って通信が行われる。なお、車載ネットワーク２０は、ＣＡＮに限定される必要はなく、例えば、Ｅｔｈｅｒｎｅｔ（登録商標）、ＦｌｅｘＲａｙ（登録商標）等に基づく通信ネットワークであってもよい。
　バス２２０は、各ＥＣＵと外部通信装置２１０とに接続され、接続される装置間の信号を伝達する。
　外部通信装置２１０は、ネットワーク４０とバス２２０とに接続され、バス２２０に流れる信号をネットワーク４０に送信し、ネットワーク４０から受信した信号をバス２２０に流す。
　車両３０に搭載されるＥＣＵとしては、例えば、ステアリング、ブレーキ、エンジン、ドアまたはウィンドウ等に関連したＥＣＵがある。ＥＣＵは、例えば、プロセッサ、メモリ等のデジタル回路、アナログ回路、通信回路等を含む装置である。メモリは、ＲＯＭ、ＲＡＭ等であり、プロセッサにより実行されるプログラムを記憶することができる。ＥＣＵは、例えば、プロセッサが、メモリに記憶されたプログラムを実行することで、各種機能を実現する。各ＥＣＵは、例えば、ＣＡＮプロトコルに従ってバス２２０を介してデータの送受信を行う。
　各ＥＣＵは、バス２２０に対して、ＣＡＮのプロトコルに従ったデータを送受信する。例えば、バス２２０から他のＥＣＵが送信したデータを受信し、また、他のＥＣＵに送信したい内容を含むデータを生成してバス２２０に送信する。具体的には、各ＥＣＵは、受信したデータの内容に応じた処理を行い、また、ＥＣＵに接続されている機器、センサ等の状態を示すデータもしくは他のＥＣＵへの指示値（制御値）等のデータを生成して送信する。
　図３は、監視サーバ１０により実現される機能の一例を示すブロック図である。
　図３に示すように、監視サーバ１０は、異常検知装置１００と表示部１３０とを実現する。
　異常検知装置１００は、ネットワーク４０と表示部１３０とに接続される。異常検知装置１００は、車両３０に係る異常を検知する異常検知処理を実行し、その結果を表示部１３０に出力する。異常検知処理については後述する。
　表示部１３０は、異常検知装置１００に接続され、異常検知装置１００から出力された信号に基づく画像を表示する。表示部１３０が表示する画像については後述する。
　例えば、情報処理システム１を利用するユーザは、表示部１３０が表示する表示内容を視認することで、車両３０に係る異常を認知することができる。
　図４は、異常検知装置１００の構成の一例を示すブロック図である。
　図４に示されるように、異常検知装置１００は、取得部１００１と、モデル記憶部１００２と、判定部１００３と、異常系列判定部１００４と、蓄積部１００５と、表示制御部１００６とを備える。
　取得部１００１は、車両３０の状態に係る車両情報であって、少なくとも車両３０の位置を示す位置情報を含む車両情報を取得する。取得部１００１は、例えば、所定時間毎に、車両情報を逐次取得する。
　取得部１００１は、例えば、ネットワーク４０を介して車両３０と通信することで、車両３０から、車載ネットワーク２０の通信プロトコルに則った車両制御信号を受信し、受信した車両制御信号を解析することで、車両情報を取得する。
　ここでは、車両情報は、位置情報に加えて、車両３０の走行速度を示す速度情報（単に「速度」と称することもある。）を含むとして説明する。車両情報は、さらに、例えば、旋回曲率、加速度、ヨーレート、アクセル開度、操舵量、シフトポジション等を含んでもよい。
　取得部１００１は、逐次取得した車両情報を逐次判定部１００３と蓄積部１００５とに出力すると共に、最新の車両情報を保持する。
　モデル記憶部１００２は、複数のグリッドに領域分割された地図の複数のグリッドのそれぞれについて、グリッドに位置する車両３０の車両情報を評価するための評価モデルを記憶する。評価モデルのデータ構造については、後述する図８を用いて後程説明する。
　図５は、複数のグリッドに領域分割された地図の一例を示す模式図である。ここでは、各グリッドの形状は、図５に例示されるように、互いに同じ形状となる正方形であるとして説明する。グリッドの一辺の長さは、例えば、車両３０が走行路の道幅であってもよいし、例えば、車両３０が単位時間あたりに進む距離であってもよいし、例えば、５０ｍであってもよい。
　なお、ここでは、各グリッドの形状は、互いに同じ形状となる正方形であるとして説明するが、必ずしも、互いに同じ形状となる正方形に限定される必要はなく、任意の形状であってよい。
　再び図４に戻って、異常検知装置１００の説明を続ける。
　判定部１００３は、まず、取得部１００１が車両情報を逐次取得する毎に、車両情報に含まれる位置情報を参照し、車両３０の位置に基づいて、異常検知処理で参照する評価モデルに対応する評価グリッドを決定する。ここでは、判定部１００３は、位置情報により示される車両３０の位置を含む第１のグリッドと、第１のグリッドと所定の位置関係にある１以上の第２のグリッドとからなるグリッドを、評価グリッドと決定する。
　判定部１００３は、次に、モデル記憶部１００２から、決定した評価グリッドの評価モデルを取得する。そして、取得した評価モデルと車両情報とに基づいて、車両情報の異常度合いを示す異常度を算出する。
　判定部１００３は、次に、算出した異常度に基づいて、車両情報が異常であるか否かを判定し、判定結果を出力する。この際、判定部１００３は、算出した異常度が閾値以上の場合において、評価グリッドに含まれる各グリッドの評価モデルを作成する際に使用されたデータ数の総和である評価データ数が、第１の所定の数未満であるときには、異常度合いが低減するように異常度を補正し、補正した異常度に基づいて、車両情報が異常であるか否かを判定する。ここでは、判定部１００３は、算出した異常度が閾値以上の場合において、評価データ数が、第１の所定の数未満であるときには、異常度に、第１の所定の数に対する評価データ数の割合を乗じることで異常度を補正するとする。
　判定部１００３は、さらに、算出した異常度が閾値以上の場合において、評価データ数が、第１の所定の数よりも小さな第２の所定の数未満であるときには、異常度合いが、車両情報が正常である旨を示すまで低減するように異常度を補正し、補正した異常度に基づいて、車両情報が異常であるか否かを判定する。
　蓄積部１００５は、判定部１００３から逐次出力される判定結果と、判定結果に対応する位置情報とを互いに紐づけて逐次記憶する。ここでは、蓄積部１００５は、取得部１００１から車両情報が出力されると、一旦その車両情報を記憶し、その後、判定部１００３から、その車両情報に対応する判定結果が出力されると、その判定結果を、その車両情報に紐付けして記憶する。蓄積部１００５が記憶する、判定結果に紐付けされる前の車両情報のデータ構造については、後述する図６を用いて後程説明する。
　異常系列判定部１００４は、判定部１００３から逐次出力される判定結果（以下、この判定結果を「第１の判定結果」と称する。）を取得する。そして、異常系列判定部１００４は、第１の判定結果が異常である旨を示す場合において、蓄積部１００５に前回記憶された第２の判定結果が異常である旨を示すときに、第１の判定結果に対応する第１の位置情報により示される第１の位置と、第２の判定結果に紐付けされた第２の位置情報により示される第２の位置との距離が、所定の距離未満であれば、第１の判定結果と第２の判定結果とを同一の異常系列であると判定し、判定結果を出力する。
　また、異常系列判定部１００４は、第１の判定結果と第２の判定結果とを同一の異常系列であると判定した場合に、第１の判定結果に対応する第１のグリッドと、第２の判定結果に対応する第１のグリッドとを異常グリッドであると定める。
　また、異常系列判定部１００４は、第１の判定結果と第２の判定結果とを同一の異常系列であると判定した場合において、第１の判定結果に対応する第１の異常グリッドと、第２の判定結果に対応する第２の異常グリッドとが所定の関係にあるときに、第１の異常グリッドと第２の異常グリッドとの間に存在するグリッドをも異常グリッドであると定める。
　また、異常系列判定部１００４は、第１の判定結果と第２の判定結果とを同一の異常系列であると判定した場合において、第１の異常グリッドと第２の異常グリッドとに隣接するグリッドが存在するときに、このグリッドにおける道路の面積率が所定の面積率未満であれは、このグリッドをも異常グリッドであると定める。
　蓄積部１００５は、異常系列判定部から、第１の判定結果と第２の判定結果とが同一の異常系列である旨の判定結果が出力されると、第１の判定結果に紐付けされた車両情報と、第２の判定結果に紐付けされた車両情報とに、同一の異常系列識別子を紐付けして、紐付けされた車両情報を記憶する。蓄積部１００５が記憶する、判定部１００３による判定結果、および、異常系列識別子に紐付けされた後の車両情報のデータ構造については、後述する図７を用いて後程説明する。
　表示制御部１００６は、複数のグリッドに領域分割された地図の少なくとも一部を表示部１３０に表示させる。より具体的には、表示制御部１００６は、異常系列判定部１００４により定められた異常グリッドが他のグリッドと異なる表示形式で表示されるように、上記地図の少なくとも一部を表示部１３０に表示させる。
　＜データ構造＞
　次に、異常検知装置１００が取り扱うデータの構造について説明する。
　図６は、蓄積部１００５が記憶する、判定部１００３による判定結果に紐付けされる前の車両情報のデータ構造の一例を示す模式図である。
　車両情報は、取得部１００１が、ネットワーク４０を介して車両３０から車両制御信号を受信して、車両制御信号を解析する毎に生成される。
　図６に示すように、判定結果に紐付けされる前の車両情報は、車両情報の識別子である車両情報ＩＤと、車両３０の識別子である車両ＩＤと、タイムスタンプと、車両３０の位置を示す位置情報と、車両３０の位置を含むグリッド（すなわち、第１のグリッド）の識別子であるグリッドＩＤと、車両３０の走行状態を示す情報（ここでは、走行速度、操舵角、ヨーレート、縦加速度、および、横加速度）とから構成される。
　図７は、蓄積部１００５が記憶する、判定部１００３による判定結果、および、異常系列識別子に紐付けされた後の車両情報のデータ構造の一例を示す模式図である。
　図７に示すように、判定結果、および、異常系列識別子に紐付けされた後の車両情報は、図６に示す判定結果に紐付けされる前の車両情報に対して、さらに、判定部１００３による判定結果、判定部１００３により算出された異常度、および、異常系列判定部１００４により判定された異常系列の識別子である異常系列ＩＤとを含んで構成される。
　図８は、モデル記憶部１００２が記憶する評価モデルのデータ構造の一例を示す模式図である。
　図８に示すように、評価モデルは、グリッドの識別子であるグリッドＩＤと、グリッドの領域を特定するための、グリッドの領域の四隅の経度および緯度と、評価モデルを生成する際に使用されたデータ数と、車両の走行状態を示す情報（ここでは、走行速度、操舵角、ヨーレート、縦加速度、および、横加速度）の最小値および最大値とから構成される。
　判定部１００３は、例えば、車両情報により示される車両の走行状態が、評価モデルにより示される最大値または最小値を超えて逸脱している逸脱度合いに応じて、異常度を算出する。
　また、判定部１００３は、例えば、評価グリッドが複数存在する場合には、複数の評価モデルにより示される最も大きな最大値、または、最も小さな最小値を超えて逸脱している逸脱度合いに応じて、異常度を算出する。
　また、判定部１００３は、例えば、予め学習された機械学習モデルを用いて、車両情報と評価モデルとから、異常度を算出するとしてもよい。この場合には、評価モデルは、必ずしも、車両の走行状態を示す情報の最大値および最小値を含んで構成される必要はない。
　＜異常検知装置の動作＞
　上述したように、異常検知装置１００は、車両３０に係る異常を検知する異常検知処理を行う。
　以下、異常検知装置１００が行う異常検知処理について説明する。
　図９は、異常検知処理のフローチャートである。
　図１０は、異常検知装置１００が異常検知処理を行う際における、情報処理システム１のシーケンス図である。
　異常検知処理は、車両３０が、ネットワーク４０を介して異常検知装置１００に車両制御信号を送信することで開始される（ステップＳ１０）。
　車両制御信号は、例えば、ＣＡＮメッセージであってもよいし、車両３０に搭載されたセンサ、または、車両３０の外部装置によって計測された信号であってもよい。ここで、ＣＡＮメッセージとは、各ＥＣＵ間でバス２２０を介して送受信される、ＣＡＮプロトコルに従ったデータのことをいう。
　異常検知処理が開始されると、取得部１００１は、車両制御信号を受信し、受信した車両制御信号を解析することで、車両情報を取得する（ステップＳ１１）。
　車両情報が取得されると、判定部１００３は、車両情報に含まれる位置情報を参照し、車両３０の位置に基づいて、異常検知処理で参照する評価モデルに対応する評価グリッドを決定する（ステップＳ１２）。具体的な評価グリッドの決定方法については、後述する図１１～図１４Ｃを用いて後程説明する。
　評価グリッドが決定されると、判定部１００３は、モデル記憶部１００２から、決定した評価グリッドの評価モデルを取得し、取得した評価モデルと車両情報とに基づいて、車両情報の異常度合いを示す異常度を算出する（ステップＳ１３）。
　異常度が算出されると、判定部１００３は、評価データ数に基づいて、異常度を補正する（ステップＳ１４）。具体的な異常度の補正方法については、後述する図１５を用いて後程説明する。
　異常度が補正されると、判定部１００３は、補正された異常度に基づいて、車両情報が異常であるか否かを判定する（ステップＳ１５）。具体的な判定方法については、後述する図１６を用いて後程説明する。
　車両情報が異常であるか否かが判定されると、異常系列判定部１００４は、判定部１００３から出力される第１の判定結果が異常である旨を示す場合において、蓄積部１００５に前回記憶された第２の判定結果が異常である旨を示すときに、第１の判定結果に対応する第１の位置情報により示される第１の位置と、第２の判定結果に紐付けされた第２の位置情報により示される第２の位置との距離が、所定の距離未満であれば、第１の判定結果と第２の判定結果とを同一の異常系列であると判定する（ステップＳ１６）。具体的な異常系列の判定方法については、後述する図１７、図１８を用いて後程後述する。
　異常系列が判定されると、異常系列判定部１００４は、異常グリッドを補間する（ステップＳ１７）。具体的な異常グリッドの補間方法については、後述する図１９、図２０を用いて後程説明する。
　異常グリッドが補完されると、表示制御部１００６は、表示部１３０に表示信号を出力することで、異常グリッドが他のグリッドと異なる表示形式で表示されるように表示内容を制御して、複数のグリッドに領域分割された地図の少なくとも一部を表示部１３０に表示させる（ステップＳ１８）。
　ステップＳ１８の処理が終了すると、異常検知装置１００は、その異常検知処理を終了する。
　異常検知処理において、表示信号が出力されると、表示部１３０は、表示信号を取得し、取得した表示信号に基づく画像を表示する（ステップＳ１９）。表示部１３０が表示する画像の一例については、後述する図２１を用いて後程説明する。
　図１１は、判定部１００３が行う評価グリッドの決定方法の一例を示すフローチャートである。この決定方法は、車両３０が含まれる第１のグリッドを中心として放射状に位置するグリッドを第２のグリッドに決定する決定方法の一例となっている。
　判定部１００３は、速度情報により示される車両３０の走行速度が第１の速度（例えば時速３０ｋｍ）未満である場合、すなわち、車両３０が低速走行をしている場合に（ステップＳ２１：低速走行）、第１のグリッドを中心として放射状に位置する、第１のグリッドを中心とする「３×３グリッド」の計９グリッドから第１のグリッドを除いた８グリッドを第２のグリッドと決定する（ステップＳ２２）。すなわち、第１のグリッドを含む３×３グリッドを評価グリッドと決定する。
　図１２Ａは、判定部１００３が決定した上記８グリッドを示す模式図である。
　判定部１００３は、速度情報により示される車両３０の走行速度が第１の速度以上第２の速度（例えば、時速６０ｋｍ）未満である場合、すなわち、車両３０が中速走行をしている場合に（ステップＳ２１：中速走行）、第１のグリッドを中心として放射状に位置する、第１のグリッドを中心とする「５×５グリッド」の計２５グリッドから第１のグリッドを除いた２４グリッドを第２のグリッドと決定する（ステップＳ２３）。すなわち、第１のグリッドを含む５×５グリッドを評価グリッドと決定する。
　図１２Ｂは、判定部１００３が決定した上記２４グリッドを示す模式図である。
　判定部１００３は、速度情報により示される車両３０の走行速度が第２の速度以上である場合、すなわち、車両３０が高速走行をしている場合に（ステップＳ２１：高速走行）、第１のグリッドを中心として放射状に位置する、第１のグリッドを中心とする「７×７グリッド」の計４９グリッドから第１のグリッドを除いた４８グリッドを第２のグリッドと決定する（ステップＳ２４）。すなわち、第１のグリッドを含む７×７グリッドを評価グリッドと決定する。
　図１２Ｃは、判定部１００３が決定した上記４８グリッドを示す模式図である。
　このように、判定部１００３は、車両３０の走行速度が第１の速度未満である場合において、所定の位置関係を第１の所定の位置関係と定め、走行速度が第１の速度以上である場合に、所定の位置関係を、第２の所定の位置関係と定めるとき、第２の所定の位置関係における第２のグリッドの数が、第１の所定の位置関係における第２のグリッドの数より多くなるように、第１の所定の位置関係と第２の所定の位置関係とを定める。
　図１３は、判定部１００３が行う評価グリッドの決定方法の他の一例を示すフローチャートである。この決定方法は、車両３０が含まれる第１のグリッドに対して特定の方向に位置するグリッドを第２のグリッドに決定する決定方法の一例となっている。
　判定部１００３は、速度情報により示される車両３０の走行速度が第１の速度（例えば時速３０ｋｍ）未満である場合、すなわち、車両３０が低速走行をしている場合に（ステップＳ３１：低速走行）、第１のグリッドを中心として放射状に位置する、第１のグリッドを中心とする「３×３グリッド」の計９グリッドから第１のグリッドを除いた８グリッドを第２のグリッドと決定する（ステップＳ３２）。すなわち、第１のグリッドを含む３×３グリッドを評価グリッドと決定する。
　図１４Ａは、判定部１００３が決定した上記８グリッドを示す模式図である。
　判定部１００３は、速度情報により示される車両３０の走行速度が第１の速度以上第２の速度（例えば、時速６０ｋｍ）未満である場合、すなわち、車両３０が中速走行をしている場合に（ステップＳ３１：中速走行）、上記８グリッドに対して、車両進行方向における車両前方に位置する３グリッドと、車両進行方向における車両後方に位置する３グリッドとを加えた計１４グリッドを第２のグリッドと決定する（ステップＳ３３）。すなわち、第１のグリッドを含む３×３グリッドと、車両進行方向前後各３グリッドとを評価グリッドと決定する。
　図１４Ｂは、判定部１００３が決定した上記１４グリッドを示す模式図である。
　判定部１００３は、速度情報により示される車両３０の走行速度が第２の速度以上である場合、すなわち、車両３０が高速走行をしている場合に（ステップＳ３１：高速走行）、上記１４グリッドに対して、車両進行方向における車両前方に位置する３グリッドと、車両進行方向における車両後方に位置する３グリッドとを加えた計２０グリッドを第２のグリッドと決定する（ステップＳ３４）。すなわち、第１のグリッドを含む３×３グリッドと、車両進行方向前後各６グリッドとを評価グリッドと決定する。
　図１４Ｃは、判定部１００３が決定した上記２０グリッドを示す模式図である。
　このように、判定部１００３は、車両３０の走行速度が第１の速度未満である場合において、所定の位置関係を第１の所定の位置関係と定め、走行速度が第１の速度以上である場合に、所定の位置関係を、第２の所定の位置関係と定めるとき、第２の所定の位置関係における第２のグリッドのうち、第１のグリッドから第１の方向（ここでは車の進行方向）に並ぶ第２のグリッドの数が、第１の所定の位置関係における第２のグリッドのうち、第１のグリッドから第１の方向に並ぶ第２のグリッドの数より多くなるように、第１の所定の位置関係と第２の所定の位置関係とを定める。
　図１５は、判定部１００３が行う異常度の補正方法の一例を示すフローチャートである。
　評価モデルの生成には、グリッド内のデータの網羅性を確保するために、一定数のデータが必要である。しかしながら、地図を複数のグリッドに領域分割したことで、グリッド毎に、評価モデルを生成する際に使用されたデータ数に偏りが生じることがある。このため、判定部１００３は、評価モデルを生成する際に使用されたデータ数が十分でない場合には、データ数が十分でない旨が異常度に反映されるように、異常度を補正する。
　判定部１００３は、異常である旨を示す異常度を、異常度の補正の対象とする。このため、判定部１００３は、異常度が、異常である旨を示す閾値以上であるか否かを判定し（ステップＳ４１）、異常度が閾値未満であると判定した場合には（ステップＳ４１：Ｎｏ）、異常度を補正しない。
　判定部１００３は、異常度が閾値以上であると判定した場合には（ステップＳ４１：Ｙｅｓ）、評価グリッドに含まれる各グリッドの評価モデルを作成する際に使用されたデータ数の総和である評価データ数を調べる（ステップＳ４２）。
　ステップＳ４２の処理において、評価データ数が、評価モデルを生成する際に使用されたデータ数が十分である旨を示す第１の所定の数以上である場合には（ステップＳ４２：第１の所定の数≦評価データ数）、評価モデルを生成する際に使用されたデータ数が十分であるため、判定部１００３は、異常度を補正しない。
　ここで、第１の所定の数は、例えば、評価グリッドに含まれるグリッド数に、予め算出された数であって、１グリッド当たりの、評価モデルを生成する際に使用されたデータ数が十分である旨を示す数を乗じた数であってもよい。
　ステップＳ４２の処理において、評価データ数が、評価モデルを生成する際に使用されたデータ数が不足している旨を示す第２の所定の数以上、第１の所定の数未満である場合には（ステップＳ４２：第２の所定の数≦評価データ数＜第１の所定の数）、評価モデルを生成する際に使用されたデータ数が十分ではないが、不足はしていないため、判定部１００３は、異常度合いが低減するように異常度を補正する（ステップＳ４４）。この際、判定部１００３は、異常度に、第１の所定の数に対する評価データ数の割合を乗じることで、異常度を補正する。
　ここで、第２の所定の数は、例えば、評価グリッドに含まれるグリッド数に、予め算出された数であって、１グリッド当たりの、評価モデルを生成する際に使用されたデータ数が不足している旨を示す数を乗じた数であってもよい。
　ステップＳ４２の処理において、評価データ数が、第２の所定の数未満である場合には（評価データ数＜第２の所定の数）、評価モデルを生成する際に使用されたデータ数が不足しているため、判定部１００３は、異常度合いが、車両情報が正常である旨を示すまで低減するように、すなわち、正常値となるように、異常度を補正する（ステップＳ４３）。
　図１６は、判定部１００３が行う、車両情報が異常であるか否かを判定する判定方法の一例を示すフローチャートである。
　判定部１００３は、図１５に例示された異常度の補正方法により、補正された、または、補正されなかった異常度が、異常である旨を示す閾値以上であるか否かを判定する（ステップＳ５１）。判定部１００３は、ステップＳ５１の処理において、異常度が閾値以上であると判定した場合には（ステップＳ５１：Ｙｅｓ）、車両情報が異常であると判定し（ステップＳ５３）、異常度が閾値未満であると判定した場合には（ステップＳ５１：Ｎｏ）、車両情報が正常であると判定する（ステップＳ５２）。そして、蓄積部１００５は、判定部１００３による判定結果を車両情報に紐付けして記憶する（ステップＳ５４）。
　図１７は、異常系列判定部１００４が行う、異常系列の判定方法の一例を示すフローチャートである。
　異常系列判定部１００４は、判定部１００３により、車両情報が異常であると判定された場合に、その異常が、過去に判定された異常から連続して発生する同一の異常系列に属する異常であるか否かを判定する。この判定の判定結果は、例えば、車両３０の運転者への通知や、異常に対する対応を行う分析官の分析作業等に役立てることができる。
　判定部１００３により、車両情報が異常であるか否か判定されると、異常系列判定部１００４は、その判定結果（以下、「第１の判定結果」とも称する）が異常であるか否かを調べる（ステップＳ６１）。
　ステップＳ６１の処理において、第１の判定結果が「正常」である場合に（ステップＳ６１：Ｎｏ）、異常系列判定部１００４は、第１の判定結果を他の判定結果と同一の異常系列であると判定しない。このため、蓄積部１００５は、例えば、第１の判定結果に対応する車両情報の異常系列ＩＤに、特定の異常系列を示さない情報、例えば、記号「－」を割り当てて、その車両情報を記憶する。
　ステップＳ６１の処理において、第１の判定結果が「異常」である場合に（ステップＳ６１：Ｙｅｓ）、異常系列判定部１００４は、第１の判定結果に対応する車両情報により示される第１の位置と、蓄積部１００５に記憶された最新の車両情報であって、判定部１００３により異常であるとの判定結果（以下、「第２の判定結果」とも称する）となった車両情報により示される第２の位置とから、第１の位置から第２の位置への、車両３０の移動距離を算出する（ステップＳ６２）。
　車両３０の移動距離が算出されると、異常系列判定部１００４は、車両の移動距離が所定の距離未満であるか否かを判定する（ステップＳ６３）。
　ステップＳ６３の処理において、車両の移動距離が所定の距離未満であると判定された場合に（ステップＳ６３：Ｙｅｓ）、異常系列判定部１００４は、第１の判定結果と第２の判定結果とを同一の異常系列であると判定する（ステップＳ６４）。このため、蓄積部１００５は、例えば、第１の判定結果に対応する車両情報の異常系列ＩＤに、第２の判定結果に対応する車両情報の異常系列ＩＤと同じ異常系列ＩＤを割り当てて、その車両情報を記憶する。
　ステップＳ６３の処理において、車両の移動距離が所定の距離以上であると判定された場合に（ステップＳ６３：Ｎｏ）、異常系列判定部１００４は、第１の判定結果と第２の判定結果とを同一の異常系列でないと判定する（ステップＳ６５）。このため、蓄積部１００５は、例えば、第１の判定結果に対応する車両情報の異常系列ＩＤに、第２の判定結果に対応する車両情報の異常系列ＩＤとは異なる新規の異常系列ＩＤを割り当てて、その車両情報を記憶する。
　図１８は、異常系列判定部１００４が行う、異常系列の判定方法の一他の例を示すフローチャートである。
　図１７に例示される異常系列の判定方法は、所定の距離が固定値である場合の判定方法の一例であった。これに対して、図１８に示される異常系列の判定方法は、車両３０の走行速度に応じて、所定の距離を定める場合の判定方法の一例となっている。
　このため、図１８に例示される異常系列の判定方法の方が、図１７に例示される異常系列の判定方法よりも、より精度よく異常系列を判定することができる。
　図１８に例示される異常系列の判定方法は、図１７に例示される異常系列の判定方法に対して、ステップＳ７６の処理～ステップＳ７９の処理が追加された判定方法となっている。このため、ここでは、ステップＳ７６の処理～ステップＳ７９の処理を中心に説明する。
　ステップＳ６２の処理において、車両３０の移動距離が算出されると、異常系列判定部１００４は、速度情報により示される車両３０の走行速度を調べる（ステップＳ７６）。
　ステップＳ７６の処理において、車両３０の走行速度が第１の速度（例えば時速３０ｋｍ）未満である場合、すなわち、車両３０が低速走行をしている場合に（ステップＳ７６：低速走行）、異常系列判定部１００４は、所定の距離を５ｍと定める（ステップＳ７７）。
　ステップＳ７６の処理において、車両３０の走行速度が第１の速度以上第２の速度（例えば、時速６０ｋｍ）未満である場合、すなわち、車両３０が中速走行をしている場合に（ステップＳ７６：中速走行）、異常系列判定部１００４は、所定の距離を１５ｍと定める（ステップＳ７８）。
　ステップＳ７６の処理において、車両３０の走行速度が第２の速度以上である場合、すなわち、車両３０が高速走行をしている場合に（ステップＳ７６：高速走行）、異常系列判定部１００４は、所定の距離を３０ｍと定める（ステップＳ７９）。
　ステップＳ７７の処理、ステップＳ７８の処理、または、ステップＳ７９の処理が終了すると、ステップＳ６３の処理に進む。
　図１９は、異常系列判定部１００４が行う、異常グリッドの補間方法の一例を示すフローチャートである。
　グリッドのサイズに比べて車両３０が高速に走行している場合や、ノイズ等の影響で位置情報が車両３０の位置を正確に示さないような場合には、同一の異常系列であると判定された判定結果に対応する異常グリッドが、必ずしも互いに隣接しないことがある。同一の異常系列であると判定された判定結果に対応する異常グリッドが互いに隣接していない場合に、それら異常グリッドの間に存在するグリッドをも異常グリッドとすることにより、より正確に、車両３０に係る異常が発生している区間を定めることができる。
　異常系列判定部１００４は、蓄積部１００５に記憶されている車両情報の中から、同一の異常系列ＩＤが割り当てられた車両情報を取得して（ステップＳ８１）、同一の異常系列であると判定された判定結果に対応する異常グリッドの中に、互いに隣接していない異常グリッドが存在するか否かを調べる（ステップＳ８２）。
　ステップＳ８２の処理において、互いに隣接していない異常グリッドが存在しない場合に（ステップＳ８２：Ｎｏ）、異常系列判定部１００４は、処理を終了する。
　ステップＳ８２の処理において、互いに隣接していない異常グリッドが存在する場合に（ステップＳ８２：Ｙｅｓ）、異常系列判定部１００４は、速度情報により示される車両３０の走行速度を調べる（ステップＳ８３）。
　ステップＳ８３の処理において、車両３０の走行速度が第１の速度（例えば時速３０ｋｍ）未満である場合、すなわち、車両３０が低速走行をしている場合に（ステップＳ８３：低速走行）、異常系列判定部１００４は、補間する異常グリッドの数を１グリッドと定める（ステップＳ８４）。
　ステップＳ８３の処理において、車両３０の走行速度が第１の速度以上第２の速度（例えば、時速６０ｋｍ）未満である場合、すなわち、車両３０が中速走行をしている場合に（ステップＳ８３：中速走行）、異常系列判定部１００４は、補間する異常グリッドの数を２グリッド以下と定める（ステップＳ８５）。
　ステップＳ７６の処理において、車両３０の走行速度が第２の速度以上である場合、すなわち、車両３０が高速走行をしている場合に（ステップＳ８３：高速走行）、異常系列判定部１００４は、補間する異常グリッドの数を３グリッド以下と定める（ステップＳ８６）。
　ステップＳ８４の処理、ステップＳ８５の処理、または、ステップＳ８６の処理により、補間する異常グリッドの数が定められると、異常系列判定部１００４は、互いに隣接していない異常グリッド間のグリッド数が、定められた異常グリッドの数であるか否かを判定する（ステップＳ８７）。
　ステップＳ８７の処理において、互いに隣接していない異常グリッド間のグリッド数が、定められた異常グリッドの数である場合には（ステップＳ８７：Ｙｅｓ）、異常系列判定部１００４は、異常グリッド間のグリッドをも異常グリッドであると定めることで、異常グリッドを補間する（ステップＳ８８）。
　ステップＳ８７の処理において、互いに隣接していない異常グリッド間のグリッド数が、定められた異常グリッドの数でない場合には（ステップＳ８７：Ｎｏ）、異常系列判定部１００４は、異常グリッド間のグリッドを異常グリッドであると定めないことで、異常グリッドを補間しない。
　図２０は、異常系列判定部１００４が行う、異常グリッドの補間方法の他の一例を示すフローチャートである。
　地図を複数のグリッドに領域分割する場合、グリッドに含まれる道路の面積率が比較的小さくなるグリッドが生じることがある。グリッドに含まれる道路の面積率が比較的小さい場合、そのグリッドにおける車両情報が取得されにくくなる。このため、本来であれば異常グリッドであると定められるべきグリッドが、異常グリッドであると定められないことが想定される。このため、車両３０の走行経路上で、グリッドに含まれる道路の面積率が比較的小さく、隣接するグリッドに２グリッド以上異常グリッドが存在するグリッドをも異常グリッドとすることにより、道路の面積率が比較的小さいグリッドを異常グリッドと定めることができる。
　異常系列判定部１００４は、蓄積部１００５に記憶されている車両情報の中から、同一の異常系列ＩＤが割り当てられた車両情報を取得する（ステップＳ９１）。
　車両情報が取得されると、異常系列判定部１００４は、取得された車両情報に対応する異常グリッド付近の地図情報を取得する（ステップＳ９２）。
　地図情報が取得されると、異常系列判定部１００４は、地図情報に基づいて、車両３０の走行経路上のグリッドのうち、異常グリッドと定められていないグリッドであって、道路の面積率が所定の面積率未満であるグリッドが存在するか否かを判定する（ステップＳ９３）。
　ステップＳ９３の処理において、該当するグリッドが存在する場合に（ステップＳ９３：Ｙｅｓ）、異常系列判定部１００４は、その該当するグリッドが、２グリッド以上の異常グリッドに隣接するか否かを判定する（ステップＳ９４）。
　ステップＳ９３の処理において、該当するグリッドが存在しない場合（ステップＳ９３：Ｎｏ）に、異常系列判定部１００４は、処理を終了する。
　ステップＳ９４の処理において、２グリッド以上の異常グリッドに隣接する場合に（ステップＳ９４：Ｙｅｓ）、異常系列判定部１００４は、その該当するグリッドをも異常グリッドであると定めることで、異常グリッドを補間する（ステップＳ９５）。
　ステップＳ９４の処理において、２グリッド以上の異常グリッドに隣接しない場合に（ステップＳ９４：Ｎｏ）、異常系列判定部１００４は、その該当するグリッドを異常グリッドであると定めないことで、異常グリッドを補間しない。
　異常系列判定部１００４により異常グリッドが補完されると、表示制御部１００６は、複数のグリッドに領域分割された地図の少なくとも一部を、異常グリッドが他のグリッドと異なる表示形式で表示されるように、表示部１３０に表示させる。
　図２１は、表示制御部１００６が表示部１３０に表示させる画像の一例を示す模式図である。図２１において、斜線でハッチングされたグリッドは、異常系列判定部１００４により定められた異常グリッドであり、黒丸は、判定部１００３により異常であると判定された車両情報により示される車両３０の位置である。
　このように、表示制御部１００６は、車両３０の運転者への通知や、異常に対する対応を行う分析官の分析作業等に役立てるために、異常検知装置１００による検知結果を、表示部１３０に効果的に表示させることができる。
　＜考察＞
　上述したように、異常検知装置１００は、車両３０の位置と所定の位置関係にある評価グリッドの評価モデルに基づいて、車両情報が異常であるか否かを判定する。このため、異常検知装置１００によると、車両３０の位置に応じた局所的な領域の評価モデルに基づいて、車両に係る異常を検知することができる。従って、異常検知装置１００によると、従来よりも異常検知の精度を向上することができる。
　また、異常検知装置１００によると、評価グリッドとするグリッドの範囲を、車両３０の走行速度により適切に定めることができる。また、異常検知装置１００によると、地図を複数のグリッドに領域分割したことで、グリッド毎に、評価モデルを生成する際に使用されたデータ数に偏りが生じることにより、評価モデルを生成する際に使用されたデータ数が十分でない場合には、データ数が十分でない旨が異常度に反映されるように、異常度を補正することができる。さらに、異常検知装置１００によると、過去に判定された異常から連続して発生する異常を、同一の異常系列としてまとめることができる。
　このように、異常検知装置１００によると、車両３０に係る異常の検出を、効果的に行うことができる。
　（補足）
　以上のように、本出願において開示する技術の例示として、実施の形態に基づいて説明した。しかしながら、本開示は、この実施の形態に限定されるものではない。本開示の趣旨を逸脱しない限り、当業者が思いつく各種変形を本実施の形態に施したものや、異なる実施の形態における構成要素を組み合わせて構築される形態も、本開示の１つまたは複数の態様の範囲内に含まれてもよい。
　（１）実施の形態において、異常検知装置１００は、異常系列判定部１００４と、蓄積部１００５と、表示制御部１００６とを含んで構成されるとして説明した。これに対して、他の例として、異常検知装置１００は、異常系列判定部１００４と、蓄積部１００５と、表示制御部１００６とを含まずに構成され、異常系列判定部１００４と、蓄積部１００５と、表示制御部１００６とが、外部装置により実現される構成であってもよい。この場合、異常系列判定部１００４と、蓄積部１００５と、表示制御部１００６とは、例えば、監視サーバ１０により実現されてもよい。
　（２）実施の形態において、複数のグリッドに領域分割される地図は、予め準備された地図であってもよいし、ダイナミックマップのように動的に生成される地図であってもよい。動的に生成される地図である場合には、例えば、評価モデルは、新たに地図が生成される毎に更新されてもよい。
　（３）実施の形態において、異常検知装置１００が検知する車両３０に係る異常は、例えば、車両３０に対するサイバー攻撃等による異常であるとして説明した。しかしながら、異常検知装置１００が検知する車両３０に係る異常は、これに限定されない。異常検知装置１００は、例えば、車両３０の運転者の操作等に係る異常も検知することができる。例えば、アクセルペダルの踏み込み量から、誤発進を検知することができる。
　（４）実施の形態において、車両３０は、一例として、自動車であるとして説明した。しかしながら、車両３０は、自動車に限定されない。車両３０は、例えば、移動体としての建機、移動体としての農機、船舶、鉄道、および、飛行機等のモビリティであってもよい。すなわち、異常検知装置１００は、モビリティ、または、モビリティにおけるモビリティネットワークおよびモビリティネットワークシステムに係る異常を検知することもできる。
　（５）実施の形態において、ステップＳ２１の処理における分岐先、ステップＳ３１の処理における分岐先、ステップＳ６３における分岐先、および、ステップＳ８３における分岐先は、低速走行、中速走行、および、高速走行の３つであるとして説明したが、分岐先はこれに限定されない。分岐先は、２つであってもよいし、３つ以上に細分化されていてもよい。
　（６）異常検知装置１００に含まれる構成要素の一部または全部は、専用または汎用の回路として実現されてもよい。
　異常検知装置１００に含まれる構成要素の一部または全部は、例えば、１個のシステムＬＳＩ（Ｌａｒｇｅ　Ｓｃａｌｅ　Ｉｎｔｅｇｒａｔｉｏｎ：大規模集積回路）から構成されているとしてもよい。システムＬＳＩは、複数の構成部を１個のチップ上に集積して製造された超多機能ＬＳＩであり、具体的には、マイクロプロセッサ、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）などを含んで構成されるコンピュータシステムである。ＲＯＭには、コンピュータプログラムが記憶されている。マイクロプロセッサが、コンピュータプログラムに従って動作することにより、システムＬＳＩは、その機能を達成する。
　なお、ここでは、システムＬＳＩとしたが、集積度の違いにより、ＩＣ、ＬＳＩ、スーパーＬＳＩ、ウルトラＬＳＩと呼称されることもある。また、集積回路化の手法はＬＳＩに限るものではなく、専用回路または汎用プロセッサで実現してもよい。ＬＳＩ製造後に、プログラムすることが可能なＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）、あるいはＬＳＩ内部の回路セルの接続や設定を再構成可能なリコンフィギュラブル・プロセッサを利用してもよい。
　さらには、半導体技術の進歩または派生する別技術によりＬＳＩに置き換わる集積回路化の技術が登場すれば、当然、その技術を用いて機能ブロックの集積化を行ってもよい。バイオ技術の適用等が可能性としてありえる。
　（７）本開示の一態様は、このような異常検知装置１００だけではなく、異常検知装置１００に含まれる特徴的な構成部をステップとする異常検知方法であってもよい。また、本開示の一態様は、異常検知方法に含まれる特徴的な各ステップをコンピュータに実行させるコンピュータプログラムであってもよい。また、本開示の一態様は、そのようなコンピュータプログラムが記録された、コンピュータ読み取り可能な非一時的な記録媒体であってもよい。
　本開示は、車両に係る異常を検知する異常検知装置に広く利用可能である。
　１　情報処理システム
　１０　監視サーバ
　２０　車載ネットワーク
　３０　車両
　４０　ネットワーク
　１００　異常検知装置
　１３０　表示部
　２１０　外部通信装置
　２２０　バス
　１００１　取得部
　１００２　モデル記憶部
　１００３　判定部
　１００４　異常系列判定部
　１００５　蓄積部
　１００６　表示制御部

Claims (15)

  1. 　車両の状態に係る車両情報であって、前記車両の位置を示す位置情報を含む車両情報を取得する取得部と、
    　複数のグリッドに領域分割された地図の前記複数のグリッドそれぞれについて、当該グリッドに位置する前記車両の前記車両情報を評価するための評価モデルを記憶するモデル記憶部と、
    　前記評価モデルのうち、前記位置情報により示される前記車両の位置を含む第１のグリッドと、当該第１のグリッドと所定の位置関係にある１以上の第２のグリッドとからなる評価グリッドについての評価モデルと、前記車両情報とに基づいて、前記車両情報の異常度合いを示す異常度を算出し、当該異常度に基づいて前記車両情報が異常であるか否かを判定し、判定結果を出力する判定部と、を備える
    　異常検知装置。
  2. 　前記判定部は、前記異常度が閾値以上の場合に、前記車両情報が異常であると判定する
    　請求項１に記載の異常検知装置。
  3. 　前記判定部は、前記異常度が閾値以上の場合において、前記評価グリッドに含まれる各グリッドの評価モデルを生成する際に使用されたデータの数の総和である評価データ数が第１の所定の数未満であるときには、前記異常度合いが低減するように前記異常度を補正し、補正した異常度に基づいて、前記車両情報が異常であるか否かを判定する
    　請求項１に記載の異常検知装置。
  4. 　前記判定部は、前記異常度が前記閾値以上の場合において、前記評価データ数が前記第１の所定の数より小さな第２の所定の数未満であるときには、前記異常度合いが、前記車両情報が正常である旨を示すまで低減するように、前記異常度を補正する
    　請求項３に記載の異常検知装置。
  5. 　前記判定部は、前記異常度が前記閾値以上の場合において、前記評価データ数が前記第１の所定の数未満であるときには、前記異常度に、前記第１の所定の数に対する前記評価データ数の割合を乗じることで、前記異常度を補正する
    　請求項３に記載の異常検知装置。
  6. 　前記車両情報は、さらに、前記車両の走行速度を示す速度情報を含み、
    　前記判定部は、前記速度情報により示される前記走行速度が第１の速度未満である場合に、前記所定の位置関係を第１の所定の位置関係と定め、前記走行速度が前記第１の速度以上である場合に、前記所定の位置関係を第２の所定の位置関係と定め、
    　前記第２の所定の位置関係における前記第２のグリッドの数は、前記第１の所定の位置関係における前記第２のグリッドの数より多い
    　請求項１から請求項５のいずれか１項に記載の異常検知装置。
  7. 　前記車両情報は、さらに、前記車両の走行速度を示す速度情報を含み、
    　前記判定部は、前記速度情報により示される前記走行速度が第１の速度未満である場合に、前記所定の位置関係を第１の所定の位置関係と定め、前記走行速度が前記第１の速度以上である場合に、前記所定の位置関係を第２の所定の位置関係と定め、
    　前記第２の所定の位置関係における前記第２のグリッドのうち、前記第１のグリッドから第１の方向に並ぶ前記第２のグリッドの数は、前記第１の所定の位置関係における前記第２のグリッドのうち、前記第１のグリッドから前記第１の方向に並ぶ前記第２のグリッドの数より多い
    　請求項１から請求項５のいずれか１項に記載の異常検知装置。
  8. 　前記取得部は、前記車両情報を逐次取得し、
    　前記判定部は、前記異常度を逐次算出し、前記車両情報が異常であるか否かを逐次判定し、判定結果を逐次出力し、
    　さらに、
    　前記判定部から逐次出力される前記判定結果と、当該判定結果に対応する前記位置情報とを互いに紐づけて逐次記憶する蓄積部と、
    　前記判定部から出力された第１の判定結果が異常である旨を示す場合において、前記蓄積部に前回記憶された第２の判定結果が異常である旨を示すときに、前記第１の判定結果に対応する第１の位置情報により示される第１の位置と、前記第２の判定結果に紐付けされた第２の位置情報により示される第２の位置との距離が、所定の距離未満であれば、前記第１の判定結果と前記第２の判定結果とを同一の異常系列であると判定する異常系列判定部と、を備える
    　請求項１から請求項７のいずれか１項に記載の異常検知装置。
  9. 　前記車両情報は、さらに、前記車両の走行速度を示す速度情報を含み、
    　前記異常系列判定部は、前記判定部から出力された前記第１の判定結果が異常である旨を示す場合に、前記第１の判定結果に対応する前記速度情報により示される前記走行速度に応じて前記所定の距離を定める
    　請求項８に記載の異常検知装置。
  10. 　さらに、前記地図の少なくとも一部を表示部に表示させる表示制御部を備え、
    　前記異常系列判定部は、前記第１の判定結果と前記第２の判定結果とを同一の異常系列であると判定した場合に、第１の判定結果に対応する前記第１のグリッドと、前記第２の判定結果に対応する前記第１のグリッドとを異常グリッドであると定め、
    　前記表示制御部は、前記異常グリッドが他のグリッドと異なる表示形式で表示されるように、前記地図の少なくとも一部を前記表示部に表示させる
    　請求項８または請求項９に記載の異常検知装置。
  11. 　前記異常系列判定部は、前記第１の判定結果と前記第２の判定結果とを同一の異常系列であると判定した場合において、前記第１の判定結果に対応する第１の異常グリッドと、前記第２の判定結果に対応する第２の異常グリッドとが所定の関係にあるときに、前記第１の異常グリッドと前記第２の異常グリッドとの間に存在するグリッドをも前記異常グリッドであると定める
    　請求項１０に記載の異常検知装置。
  12. 　前記車両情報は、さらに、前記車両の走行速度を示す速度情報を含み、
    　前記異常系列判定部は、前記第１の判定結果が異常である旨を示す場合に、前記第１の判定結果に対応する前記速度情報により示される前記走行速度に応じて前記所定の関係を定める
    　請求項１１に記載の異常検知装置。
  13. 　前記異常系列判定部は、前記第１の判定結果と前記第２の判定結果とを同一の異常系列であると判定した場合において、前記第１の判定結果に対応する第１の異常グリッドと、前記第２の判定結果に対応する第２の異常グリッドとに隣接するグリッドが存在するときに、当該グリッドにおける道路の面積率が所定の面積率未満であれば、当該グリッドをも前記異常グリッドであると定める
    　請求項１０に記載の異常検知装置。
  14. 　複数のグリッドに領域分割された地図の前記複数のグリッドそれぞれについて、当該グリッドに位置する車両の状態に係る車両情報であって、前記車両の位置情報を含む車両情報を評価するための評価モデルを記憶する異常検知装置が行う異常検知方法であって、
    　前記車両情報を取得し、
    　前記評価モデルのうち、前記位置情報により示される前記車両の位置を含む第１のグリッドと、当該第１のグリッドと所定の位置関係にある１以上の第２のグリッドとからなる評価グリッドについての評価モデルに基づいて、前記車両情報の異常度合いを示す異常度を算出し、
    　前記異常度に基づいて前記車両情報が異常であるか否かを判定し、
    　判定結果を出力する
    　異常検知方法。
  15. 　複数のグリッドに領域分割された地図の前記複数のグリッドそれぞれについて、当該グリッドに位置する車両の状態に係る車両情報であって、前記車両の位置情報を含む車両情報を評価するための評価モデルを記憶する異常検知装置に異常検知処理を実行させるためのプログラムであって、
    　前記異常検知処理は、
    　前記車両情報を取得するステップと、
    　前記評価モデルのうち、前記位置情報により示される前記車両の位置を含む第１のグリッドと、当該第１のグリッドと所定の位置関係にある１以上の第２のグリッドとからなる評価グリッドについての評価モデルに基づいて、前記車両情報の異常度合いを示す異常度を算出するステップと、
    　前記異常度に基づいて前記車両情報が異常であるか否かを判定するステップと、
    　判定結果を出力するステップと、を含む
    　プログラム。
PCT/JP2020/042426 2020-01-20 2020-11-13 異常検知装置、異常検知方法、および、プログラム WO2021149340A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP20915282.6A EP4095633A4 (en) 2020-01-20 2020-11-13 FAULT DETECTION DEVICE, FAULT DETECTION METHOD, AND PROGRAM
JP2021533792A JPWO2021149340A1 (ja) 2020-01-20 2020-11-13
CN202080034244.5A CN113811877A (zh) 2020-01-20 2020-11-13 异常检测装置、异常检测方法以及程序
US17/671,781 US20220174084A1 (en) 2020-01-20 2022-02-15 Anomaly detection device, anomaly detection method, and recording medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-007096 2020-01-20
JP2020007096 2020-01-20

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/671,781 Continuation US20220174084A1 (en) 2020-01-20 2022-02-15 Anomaly detection device, anomaly detection method, and recording medium

Publications (1)

Publication Number Publication Date
WO2021149340A1 true WO2021149340A1 (ja) 2021-07-29

Family

ID=76993355

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/042426 WO2021149340A1 (ja) 2020-01-20 2020-11-13 異常検知装置、異常検知方法、および、プログラム

Country Status (5)

Country Link
US (1) US20220174084A1 (ja)
EP (1) EP4095633A4 (ja)
JP (1) JPWO2021149340A1 (ja)
CN (1) CN113811877A (ja)
WO (1) WO2021149340A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015026252A (ja) 2013-07-26 2015-02-05 株式会社豊田中央研究所 異常検知装置及びプログラム
JP2016118906A (ja) * 2014-12-19 2016-06-30 株式会社デンソー 異常検出装置
JP2019096191A (ja) * 2017-11-27 2019-06-20 株式会社デンソー 異常推定装置
WO2019142476A1 (ja) * 2018-01-22 2019-07-25 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ データ解析装置及びプログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010018628A1 (en) * 1997-03-27 2001-08-30 Mentor Heavy Vehicle Systems, Lcc System for monitoring vehicle efficiency and vehicle and driver perfomance
CN105844904B (zh) * 2016-04-22 2019-09-27 北京航空航天大学 一种基于dsrc的异常车辆行为检测及追踪方法
CN106647724B (zh) * 2017-02-15 2017-12-26 北京航空航天大学 一种基于车辆异常数据监测的t‑box信息安全检测及防护方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015026252A (ja) 2013-07-26 2015-02-05 株式会社豊田中央研究所 異常検知装置及びプログラム
JP2016118906A (ja) * 2014-12-19 2016-06-30 株式会社デンソー 異常検出装置
JP2019096191A (ja) * 2017-11-27 2019-06-20 株式会社デンソー 異常推定装置
WO2019142476A1 (ja) * 2018-01-22 2019-07-25 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ データ解析装置及びプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4095633A4

Also Published As

Publication number Publication date
US20220174084A1 (en) 2022-06-02
EP4095633A4 (en) 2023-07-19
CN113811877A (zh) 2021-12-17
JPWO2021149340A1 (ja) 2021-07-29
EP4095633A1 (en) 2022-11-30

Similar Documents

Publication Publication Date Title
CN110300686B (zh) 数据分析装置及存储介质
JP5573743B2 (ja) 車両データ解析装置、車両データ解析方法、及び故障診断装置
CN111311914B (zh) 车辆行驶事故监控方法、装置和车辆
US6470300B1 (en) Method and system for detecting and localizing sensor defects in motor vehicles
CN108466616B (zh) 一种自动识别碰撞事件的方法、存储介质及车载终端
CN110246183A (zh) 车轮接地点检测方法、装置及存储介质
US20160314359A1 (en) Lane detection device and method thereof, and lane display device and method thereof
JP6950481B2 (ja) 診断システム
CN110778714B (zh) 一种燃油车挡位识别方法和系统
JP2019519041A (ja) 逆走ドライバを検出するための方法、装置、およびシステム
CN112991794A (zh) 鉴别危险道路及信息共享的方法、服务器、存储器、芯片
WO2021149340A1 (ja) 異常検知装置、異常検知方法、および、プログラム
CN111800508B (zh) 基于大数据的自动驾驶故障监测方法
JP5748196B2 (ja) 走行支援装置
CN111959515A (zh) 一种基于视觉检测的前向目标选择方法、装置及系统
CN113160549B (zh) 一种自动识别车辆事故系统以及识别方法
CN115451968A (zh) 智能驾驶的多传感器同步融合方法和装置
KR102228559B1 (ko) 운전자 피로 감지 방법 및 시스템
JP4279431B2 (ja) 運転状態判定装置
US20230391342A1 (en) Road surface damage detection device, road surface damage detection method, and storage device
CN202815847U (zh) 一种用于电子路考评分的监测系统
CN112887262B (zh) 一种基于多源信息融合的汽车信息安全防护方法及装置
CN115472040B (zh) 基于碰撞概率场的网联车辆个性化防碰撞预警方法
US20230072343A1 (en) Vehicle occupant monitoring device and method
CN117508053A (zh) 轮胎状态的检测方法、装置、车辆及存储介质

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2021533792

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: 20915282

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020915282

Country of ref document: EP

Effective date: 20220822