CN102549628A - 驾驶评估系统、车载机以及信息处理中心 - Google Patents

Abstract

本发明提供一种驾驶评估系统、车载机以及信息处理中心。在每次进行驾驶的评估时，节能驾驶概率密度推断部(231)以及节能驾驶意识事前学习部(241)对针对于本车辆的各个驾驶状况的、本车辆的驾驶员的驾驶的评估标准进行再设定。因此，与一律地设定了对驾驶进行评估的标准的情况相比，能够按照评估时的实际情况而对驾驶的评估标准进行设定。此外，节能驾驶可能度和熟练度推断部(161)以及节能驾驶意识度推断部(171)，根据由节能驾驶概率密度推断部(231)以及节能驾驶意识事前学习部(241)再设定的评估标准，来对本车辆的驾驶员的驾驶进行评估。因此，能够实施更加符合实际情况的驾驶的评估。

Description

驾驶评估系统、车载机以及信息处理中心

技术领域

本发明涉及一种驾驶评估系统、车载机以及信息处理中心，尤其是，涉及一种用于对针对于车辆的各个驾驶状况的、车辆的驾驶员的驾驶进行评估的驾驶评估系统、车载机以及信息处理中心。

背景技术

目前提出了一种技术，其用于对车辆的驾驶员的驾驶进行评估，并提高驾驶员对安全驾驶和低耗油率驾驶(以下，有时会称为节能驾驶)的意识。例如，在专利文献1中公开了如下装置，其对车辆的驾驶状况进行检测并记录，且根据所记录的车辆的驾驶状况来对驾驶员的安全驾驶行为进行判断，进而根据该判断结果而对驾驶员的安全驾驶度进行评估，并对评估结果的安全驾驶度进行记录。

在先技术文献

专利文献

专利文献1：日本特开2002-225586号公报

发明内容

发明所要解决的课题

但是，在上述的这种技术中，对于对驾驶员的驾驶进行评估的标准，在如一般公路、高速公路、城市街道、上坡道以及交通阻塞道路等的各个驾驶状况下，设定有固定的标准。例如，作为对安全驾驶进行评估的标准，与一般公路相比，在高速公路上车速的标准值被设定得较快。此外，作为对节能驾驶进行评估的标准，与一般公路相比，在交通阻塞道路上耗油率和加速器操作量的标准值被设定得较高。而且，在通常情况下，这种标准值是通过如下的数据而决定的，所述数据为，测定用的车辆行驶于一般车辆所通行的道路或者测试路线等的几个模拟路线上，在该行驶时被测定的数据。

但是，如上文所述，当针对于车辆的各个驾驶状况，而一律地设定了对驾驶进行评估的标准时，在实际的车辆的行驶中，有时会有即使驾驶员想要实施意识到了安全驾驶和节能驾驶的驾驶也较为困难的情况。在现实中，即使是同一地点或同一时刻，也由于速度等本车辆的状况、和如交通阻塞这种周边车辆的影响，从而实施安全驾驶或节能驾驶的难度将会发生多种多样的变动。因此，通过装置或系统而决定的驾驶的评估结果、和驾驶员对驾驶的努力及意识会产生背离。因此，在如上述的技术所示，一律地设定了对驾驶进行评估的标准时，由于对驾驶的评估与驾驶员的努力不相符，因此存在驾驶员感觉不适的可能性。在这种情况下，最终会使驾驶员对装置或系统抱有不信任感，以至于不会继续地利用装置或系统。这种情况尤其是在需要多个驾驶员长期地专心致志的节能驾驶中将会成为问题。

本发明是考虑到这种实际情况而被实施的发明，其目的在于，提供一种能够实施更加符合实际情况的驾驶的评估的驾驶评估系统、车载机以及信息处理中心。

用于解决课题的方法

本发明涉及一种驾驶评估系统，其具备：评估标准再设定单元，在每次进行驾驶的评估时，所述评估标准再设定单元对针对于一台车辆的各个驾驶状况的、一台车辆的驾驶员的驾驶的评估标准进行再设定；评估单元，其根据评估标准再设定单元再设定的评估标准，来对一台车辆的驾驶员的驾驶进行评估。

根据该结构，在每次进行驾驶的评估时，评估标准再设定单元对针对于一台车辆的各个驾驶状况、即道路线形和坡度等的行驶道路的状态、速度等的本车辆的状态以及交通阻塞等的周边车辆的状况的、一台车辆的驾驶员的驾驶的评估标准进行再设定。因此，与一律地设定了对驾驶进行评估的标准的情况相比，能够按照评估时的实际情况而对驾驶的评估标准进行设定。此外，评估单元根据评估标准再设定单元再设定的评估标准，来对一台车辆的驾驶员的驾驶进行评估。因此，能够实施更加符合实际情况的驾驶的评估。

此时，能够采用如下的结构，即，评估标准再设定单元对针对于一台车辆的各个驾驶状况的、驾驶的评估值的概率分布进行推断，以作为评估标准，并且，评估单元根据一台车辆的驾驶状况中的评估值的概率分布、和一台车辆的驾驶状况中的一台车辆的实际的驾驶的评估值，来对一台车辆的驾驶员的驾驶进行评估。

根据该结构，评估标准再设定单元对针对于一台车辆的各个驾驶状况的、驾驶的评估值的概率分布进行推断，以作为评估标准。因此，能够统计性地对该状况中的驾驶的困难度进行定量化。此外，由于评估单元根据一台车辆的驾驶状况中的评估值的概率分布、和一台车辆的驾驶状况中的一台车辆的实际的驾驶的评估值，来对一台车辆的驾驶员的驾驶进行评估，因此能够根据统计而定量地实施更加符合实际情况的驾驶的评估。

此时，能够采用如下的结构，即，评估标准再设定单元对针对于一台车辆的各个驾驶状况的非特定多数的车辆、以及针对于一台车辆的各个驾驶状况的与一台车辆相同车型的非特定多数的车辆中，至少某一种的驾驶的评估值的概率分布进行推断，以作为评估标准。

根据该结构，评估标准再设定单元对针对于一台车辆的各个驾驶状况的非特定多数的车辆、以及针对于一台车辆的各个驾驶状况的与一台车辆相同车型的非特定多数的车辆中，至少某一种的驾驶的评估值的概率分布进行推断，以作为评估标准。因此，能够根据非特定多数的车辆的驾驶的统计，以使该状况中的驾驶的困难度更加符合实际情况的方式，对驾驶的评估标准进行定量化。

此外，能够采用如下的结构，即，评估标准再设定单元通过核密度估计而对概率密度函数进行推断，以作为评估标准，所述概率密度函数为，针对于一台车辆的各个驾驶状况的、驾驶的评估值的概率分布所涉及的函数。

或者，能够采用如下的结构，即，评估标准再设定单元通过基于混合正态分布的近似而对概率密度函数进行推断，以作为评估标准，所述概率密度函数为，针对于一台车辆的各个驾驶状况的、驾驶的评估值的概率分布所涉及的函数。

根据该结构，评估标准再设定单元通过基于混合正态分布的近似而对概率密度函数进行推断，以作为评估标准，所述概率密度函数为，针对于一台车辆的各个驾驶状况的、驾驶的评估值的概率分布所涉及的函数。混合正态分布能够减少样本数。因此，能够缩短对概率密度函数进行推断的计算时间。

此外，能够采用如下的结构，即，评估标准再设定单元根据针对于一台车辆的各个驾驶状况的驾驶操作，而对针对于一台车辆的各个驾驶状况的、一台车辆的驾驶员的意识状态进行推断，以作为评估标准，而评估单元根据一台车辆的驾驶状况中的被推断出的一台车辆的驾驶员的意识状态、和一台车辆的驾驶状况中的实际的一台车辆的驾驶员的驾驶操作，来对一台车辆的驾驶员的驾驶进行评估。

根据该结构，评估标准再设定单元根据针对于一台车辆的各个驾驶状况的驾驶操作，而对针对于一台车辆的各个驾驶状况的、一台车辆的驾驶员的意识状态进行推断，以作为评估标准。因此，能够恰当地对该状况中的驾驶员的意识状态进行推断。此外，评估单元根据一台车辆的驾驶状况中的被推断出的一台车辆的驾驶员的意识状态、和一台车辆的驾驶状况中的实际的一台车辆的驾驶员的驾驶操作，来对一台车辆的驾驶员的驾驶进行评估。因此，能够在驾驶员的意识状态与实际被实施的驾驶操作之间的关系中，对驾驶员的驾驶进行评估，并能够实施还包括驾驶员对驾驶的意识在内的驾驶的评估。

此时，能够采用如下的结构，即，评估标准再设定单元根据针对于一台车辆的各个驾驶状况的、一台车辆的驾驶员的驾驶操作的统计，而对针对于一台车辆的各个驾驶状况的、一台车辆的驾驶员的意识状态进行推断，以作为评估标准。

根据该结构，评估标准再设定单元根据针对于一台车辆的各个驾驶状况的、一台车辆的驾驶员的驾驶操作的统计，而对针对于一台车辆的各个驾驶状况的、一台车辆的驾驶员的意识状态进行推断，以作为评估标准。因此，对于一台车辆的驾驶员本身而言，能够以较高的精度来对意识状态进行推断。

或者，能够采用如下的结构，即，评估标准再设定单元根据针对于一台车辆的各个驾驶状况的、非特定多数的车辆的驾驶员的驾驶操作的统计，而对针对于一台车辆的各个驾驶状况的、一台车辆的驾驶员的意识状态进行推断，以作为评估标准。

根据该结构，评估标准再设定单元根据针对于一台车辆的各个驾驶状况的、非特定多数的车辆的驾驶员的驾驶操作的统计，而对针对于一台车辆的各个驾驶状况的、一台车辆的驾驶员的意识状态进行推断，以作为评估标准。因此，对于一台车辆的驾驶员本身而言，即使在存储的数据较少的情况下，也能够立刻对一台车辆的驾驶员的意识状态进行推断。

此外，能够采用如下的结构，即，评估标准再设定单元通过动态贝叶斯网络，而对一台车辆的驾驶员的意识状态进行推断。

根据该结构，评估标准再设定单元通过动态贝叶斯网络，而对一台车辆的驾驶员的意识状态进行推断。因此，能够定量地对相对于驾驶员的意识状态的驾驶操作的因果关系进行推断。

或者，能够采用如下的结构，即，评估标准再设定单元通过支持向量机，而对一台车辆的驾驶员的意识状态进行推断。

根据该结构，评估标准再设定单元通过支持向量机，而对一台车辆的驾驶员的意识状态进行推断。因此，即使在为了推断而存储的数据较少的情况下，也能够对驾驶员的意识状态进行推断。

此外，能够采用如下的结构，即，一台车辆的驾驶状况包括一台车辆的驾驶时间以及场所中的至少某一种。

根据该结构，一台车辆的驾驶状况包括一台车辆的驾驶时间以及场所中的至少某一种。因此，能够对针对于车辆的驾驶时间或者场所的、驾驶员的驾驶进行评估。

此外，能够采用如下的结构，即，评估单元对一台车辆的驾驶员的驾驶所达成的低耗油率的程度进行评估。

由于上述本发明的驾驶评估系统能够实施更加符合实际情况的驾驶的评估，因此驾驶员不易对系统抱有不适感，并易于继续进行对该系统的利用。因此，在对长期间的专心致志较为重要的节能驾驶进行评估时尤其能够发挥效果。

另一方面，本发明涉及一种车载机，其具备评估单元，所述评估单元针对于本车辆的各个驾驶状况，根据在每次进行驾驶的评估时被再设定的、本车辆的驾驶员的驾驶的评估标准，来对本车辆的驾驶员的驾驶进行评估。

此时，能够采用如下的结构，即，本车辆的驾驶员的驾驶的评估标准为，针对于本车辆的各个驾驶状况而被推断出的驾驶的评估值的概率分布，并且，评估单元根据本车辆的驾驶状况中的评估值的概率分布、和本车辆的驾驶状况中的本车辆的实际的驾驶的评估值，来对本车辆的驾驶员的驾驶进行评估。

此时，能够采用如下的结构，即，本车辆的驾驶员的驾驶的评估标准为，针对于本车辆的各个驾驶状况而被推断出的、非特定多数的车辆、以及针对于本车辆的各个驾驶状况的与本车辆相同车型的非特定多数的车辆中，至少某一种的驾驶的评估值的概率分布。

此外，能够采用如下的结构，即，本车辆的驾驶员的驾驶的评估标准为，针对于本车辆的各个驾驶状况，通过核密度估计而对驾驶的评估值的概率分布所涉及的概率密度函数进行推断而获得的评估标准。

或者，能够采用如下的结构，即，本车辆的驾驶员的驾驶的评估标准为，针对于本车辆的各个驾驶状况，通过基于混合正态分布的近似而对驾驶的评估值的概率分布所涉及的概率密度函数进行推断而获得的评估标准。

此外，能够采用如下的结构，即，本车辆的驾驶员的驾驶的评估标准为，根据针对于本车辆的各个驾驶状况的驾驶操作而被推断出的、针对于本车辆的各个驾驶状况的本车辆的驾驶员的意识状态，并且，评估单元根据本车辆的驾驶状况中的被推断出的本车辆的驾驶员的意识状态、和本车辆的驾驶状况中的实际的本车辆的驾驶员的驾驶操作，来对本车辆的驾驶员的驾驶进行评估。

此时，能够采用如下的结构，即，本车辆的驾驶员的驾驶的评估标准为，根据针对于本车辆的各个驾驶状况的、本车辆的驾驶员的驾驶操作的统计，而被推断出的针对于本车辆的各个驾驶状况的、本车辆的驾驶员的意识状态。

或者，能够采用如下的结构，即，本车辆的驾驶员的驾驶的评估标准为，根据针对于本车辆的各个驾驶状况的非特定多数的车辆的驾驶员的驾驶操作的统计，而被推断出的针对于本车辆的各个驾驶状况的、本车辆的驾驶员的意识状态。

此外，能够采用如下的结构，即，本车辆的驾驶员的意识状态是通过动态贝叶斯网络而被推断出的。

或者，能够采用如下的结构，即，本车辆的驾驶员的意识状态是通过支持向量机而被推断出的。

此外，能够采用如下的结构，即，本车辆的驾驶状况包括本车辆的驾驶时间以及场所中的至少某一种。

此外，能够采用如下的结构，即，评估单元对本车辆的驾驶员的驾驶所达成的低耗油率的程度进行评估。

另一方面，本发明涉及一种信息处理中心，其对用于评估一台车辆的驾驶员的驾驶的评估标准进行设定，并且所述信息处理中心具备评估标准再设定单元，在每次进行驾驶的评估时，所述评估标准再设定单元对针对于一台车辆的各个驾驶状况的、一台车辆的驾驶员的驾驶的评估标准进行再设定。

此时，能够采用如下的结构，即，评估标准再设定单元对针对于一台车辆的各个驾驶状况的、驾驶的评估值的概率分布进行推断，以作为评估标准。

此时，能够采用如下的结构，即，评估标准再设定单元对针对于一台车辆的各个驾驶状况的非特定多数的车辆、以及针对于一台车辆的各个驾驶状况的与一台车辆相同车型的非特定多数的车辆中，至少某一种的驾驶的评估值的概率分布进行推断，以作为评估标准。

此外，能够采用如下的结构，即，评估标准再设定单元通过核密度估计而对概率密度函数进行推断，以作为评估标准，所述概率密度函数为，针对于一台车辆的各个驾驶状况的、驾驶的评估值的概率分布所涉及的函数。

或者，能够采用如下的结构，即，评估标准再设定单元通过基于混合正态分布的近似而对概率密度函数进行推断，以作为评估标准，所述概率密度函数为，针对于一台车辆的各个驾驶状况的、驾驶的评估值的概率分布所涉及的函数。

此外，能够采用如下的结构，即，评估标准再设定单元根据针对于一台车辆的各个驾驶状况的驾驶操作，而对针对于一台车辆的各个驾驶状况的、一台车辆的驾驶员的意识状态进行推断，以作为评估标准。

此时，能够采用如下的结构，即，评估标准再设定单元根据针对于一台车辆的各个驾驶状况的、一台车辆的驾驶员的驾驶操作的统计，而对针对于一台车辆的各个驾驶状况的、一台车辆的驾驶员的意识状态进行推断，以作为评估标准。

或者，能够采用如下的结构，即，评估标准再设定单元根据针对于一台车辆的各个驾驶状况的、非特定多数的车辆的驾驶员的驾驶操作的统计，而对针对于一台车辆的各个驾驶状况的、一台车辆的驾驶员的意识状态进行推断，以作为评估标准。

此外，能够采用如下的结构，即，评估标准再设定单元通过动态贝叶斯网络，而对一台车辆的驾驶员的意识状态进行推断。

或者，能够采用如下的结构，即，评估标准再设定单元通过支持向量机而对一台车辆的驾驶员的意识状态进行推断。

此外，能够采用如下的结构，即，一台车辆的驾驶状况包括一台车辆的驾驶时间以及场所中的至少某一种。

此外，能够采用如下的结构，即，评估标准为，用于对一台车辆的驾驶员的驾驶所达成的低耗油率的程度进行评估的标准。

发明效果

根据本发明的驾驶评估系统、车载机以及信息处理中心，从而能够实施更加符合实际情况的驾驶的评估。

附图说明

图1为表示实施方式所涉及的驾驶诊断系统的结构的框图。

图2为表示实施方式所涉及的驾驶诊断系统的动作的顺序图。

图3为表示图2的节能驾驶概率密度的推断处理的顺序的流程图。

图4为表示耗油率m、观测变量Z以及概率密度p之间的关系的图表。

图5为表示相对于耗油率m和某一时刻t下的观测变量Z_t的、概率密度p的概率密度函数的曲线图。

图6为表示图2的节能驾驶意识事前学习的顺序的流程图。

图7为与节能驾驶意识x和驾驶操作z相关的状态转变图。

图8为表示相对于一个节能驾驶意识x的驾驶操作z的状态转变图。

图9为表示驾驶操作x_i的统计量与概率之间的关系的图表。

图10为表示使用了SVM的节能驾驶意识事前学习的流程图。

图11为表示对于观测变量数据x₁、x₂的节能驾驶意识的采样数据的图表。

图12为表示图12的图表中的节能驾驶意识的分类函数的图。

图13为表示图2的熟练度推断的顺序的流程图。

图14为表示相对于当前的耗油率m_t的节能驾驶可能度的曲线图。

图15为表示节能驾驶可能度以及熟练度的显示例的图。

图16为表示使用了动态贝叶斯网络的、对图2的节能驾驶意识度的推断的顺序的流程图。

图17为与根据作为观测变量的驾驶操作z而对意识状态x的事后概率进行计算的方法相关的状态转变图。

图18为表示使用了SVM的、对节能驾驶意识度的推断的顺序的流程图。

图19为表示使用了图13的分类函数的、对节能驾驶意识的有无进行判断的图表。

具体实施方式

下面，参照附图对本发明所涉及的驾驶评估系统进行说明。

如图1所示，本实施方式的驾驶评估系统10具备车载系统100和信息处理中心200。本实施方式的驾驶评估系统为，用于对本车辆的驾驶员的节能驾驶的达成度、和对于节能驾驶的意识进行评估的系统。具体而言，在本实施方式中，对于本车辆的驾驶员，显示了驾驶员的节能驾驶可能度、熟练度以及节能驾驶意识度，并向本车辆的驾驶员提供基于这些指标的建议。

节能驾驶可能度为，表示在某一驾驶状况时，与从驾驶员个人或非特定多数的驾驶员处获得的学习样本相比，本车辆的驾驶员能够对耗油率等驾驶的评估值进行改善的程度的指标。当节能驾驶可能度较小时，对驾驶员提供促使其保持现状的驾驶的建议。另一方面，当节能驾驶可能度较大时，对驾驶员提供如进一步实现节能驾驶的这种建议。

熟练度为，表示在某一驾驶状况时，与从驾驶员个人或非特定多数的驾驶员处获得的学习样本相比，驾驶员擅长节能驾驶达到何种程度的指标。当熟练度较低时，对驾驶员提供表示节能驾驶的水平不熟练的含义的建议。另一方面，当熟练度较高时，对驾驶员提供表示节能驾驶的水平较高的含义的建议。

节能驾驶意识度为，表示在某一驾驶状况时，与从驾驶员个人或非特定多数的驾驶员处获得的学习样本相比，本车辆的驾驶员是否意识到节能驾驶从而实施驾驶操作的程度的指标。当节能驾驶意识度较低时，对驾驶员提供如使其意识到节能驾驶的这种建议。另一方面，当节能驾驶意识度较高时，对驾驶员提供更加确切的建议，以使其进一步提高节能驾驶意识度。

车载系统100为，被搭载于各种车辆上的车载机。车载系统100具有加速器开度传感器111、燃料喷出量传感器112、制动器传感器113、车速传感器114、发动机转数传感器115、G传感器116、GPS(Global Positioning System：全球定位系统)117、车间距离计测装置118以及VICS(Vehicle Informationand Communication System：车辆信息通信系统)119等的传感器类。加速器开度传感器111为，对本车辆的加速器开度进行检测的传感器。燃料喷出量传感器112为，对朝向气缸内的燃料喷射量进行检测的传感器。制动器传感器113为，对本车辆的制动器踏板操作量、和向车轮的制动力进行检测的传感器。车速传感器114为，根据车轮的车轴的旋转速度而对本车辆的车速进行检测的传感器。发动机转数传感器115为，对本车辆的发动机的转数进行检测的传感器。G传感器116为，对本车辆的加速度、和本车辆所行驶的道路的坡度进行检测的传感器。GPS117为，用于通过GPS接收器而对来自多个GPS卫星的信号进行接收，并根据各个信号的差异而对本车辆的位置进行位置测定的装置。车间距离计测装置118为，用于使用激光或毫米波而对与前方的车辆或障碍物之间的距离进行测定的装置。VICS119为，用于通过图形、文字来表示从FM多重广播或道路上的光信标发送器等接收到的交通信息的系统。另外，也可以采用如下结构，即，使用其他的传感器类，来对天气和行驶时间带等的、能够对驾驶员的驾驶操作造成影响的其他因素进行检测。

车载系统100具有环境确定部121。加速器开度传感器111至GPS117的检测结果被发送至环境确定部121。在环境确定部121中，通过使用由GPS117等所确定的本车辆的位置、和未图示的地图信息，从而实施对本车辆的行驶道路的确定。此外，在环境确定部121中，对行驶道路之外的本车辆的驾驶状况、车速以及加速器开度等的驾驶员的驾驶操作进行确定。

车载系统100具有行驶数据上载处理部131。与通过环境确定部121而被确定的行驶道路、本车辆的驾驶状况、和驾驶员的驾驶操作相关的信息，被发送至行驶数据上载处理部131。行驶数据上载处理部131将与通过环境确定部121而被确定的本车辆的驾驶状况相关的信息，转换为向信息处理中心200进行上载的形式。

车载系统100具有通信控制部141。通过行驶数据上载处理部131而被转换的、与行驶道路、本车辆的驾驶状况、和驾驶员的驾驶操作相关的信息，通过通信控制部141而被上载至信息处理中心200。此外，通信控制部114从信息处理中心200下载后文叙述的节能驾驶概率密度以及节能驾驶意识事前学习结果。

车载系统100具有节能驾驶概率密度和节能驾驶意识事前学习结果DB151。节能驾驶概率密度和节能驾驶意识事前学习结果DB151记录了从信息处理中心200下载的节能驾驶概率密度以及节能驾驶意识事前学习结果。

车载系统100具有节能驾驶可能度和熟练度推断部161。节能驾驶可能度和熟练度推断部161对被记录于节能驾驶概率密度和节能驾驶意识事前学习结果DB151中的节能驾驶概率密度、和由加速器开度传感器111等的传感器检测出的本车辆的驾驶员的驾驶进行比较，从而求出后文叙述的节能驾驶可能度以及熟练度。

车载系统100具有节能驾驶意识度推断部171。节能驾驶意识度推断部171根据被记录于节能驾驶概率密度和节能驾驶意识事前学习结果DB151中的节能驾驶意识事前学习结果、和本车辆的驾驶员的驾驶操作，而实施后文叙述的驾驶员的节能驾驶意识度的推断。

车载系统100具有显示器181以及扬声器182。显示器181以及扬声器182向驾驶员表示节能驾驶可能度和熟练度推断部161所推断出的节能驾驶可能度以及熟练度、和节能驾驶意识度推断部171所推断出的节能驾驶意识度。

另一方面，信息处理中心200具有通信控制部211、用户整体行驶记录DB221、节能驾驶概率密度推断部231、节能驾驶意识事前学习部241、节能驾驶可能度DB251以及节能驾驶意识事前学习结果DB261。通信控制部211从搭载于本车辆或者其他车辆上的车载系统100接收如下的信息，即，与本实施方式的驾驶评估系统10的每个用户(可以设定为已登录的会员)的车辆的驾驶状况和驾驶员的驾驶操作相关的信息。

用户整体行驶记录DB221对通信控制部211接收到的、与各个用户的车辆的驾驶状况和驾驶员的驾驶操作相关的信息进行记录。如后文所述，节能驾驶概率密度推断部231根据被记录于用户整体行驶记录DB221中的、与各个用户的车辆的驾驶状况和驾驶员的驾驶操作相关的信息，而对节能驾驶概率密度进行推断，所述节能驾驶概率密度为，与节能驾驶相关的耗油率等的评估值的概率分布。

节能驾驶意识事前学习部241根据被记录于用户整体行驶记录DB221中的、与各个用户的车辆的驾驶状况和驾驶员的驾驶操作相关的信息，而对节能驾驶意识事前学习结果进行计算，所述节能驾驶意识事前学习结果用于车载系统100中的对节能驾驶意识度的推断。

节能驾驶可能度DB251对节能驾驶概率密度推断部231所推断出的节能驾驶概率密度进行记录。节能驾驶意识事前学习结果DB261对节能驾驶意识事前学习部241所计算出的节能驾驶事前学习结果进行记录。被记录于节能驾驶可能度DB251中的节能驾驶概率密度、以及被记录于节能驾驶意识事前学习结果DB261中的节能驾驶意识事前学习结果，通过通信控制部211而被发送至车载系统100。

下面，对本实施方式的驾驶评估系统10的动作进行说明。首先，参照图2对本实施方式的驾驶评估系统10的动作的概要进行说明。如图2所示，车载系统100的环境确定部121通过使用由GPS117等所确定的本车辆的位置信息或者地图信息，从而实施本车辆的行驶道路的确定(S1)。确定行驶道路的方法可以考虑如下的方法，即，通过GPS117的位置信息而进行确定的方法、对地图信息中的每个路径进行确定的方法、在每个预定的时刻进行确定的方法、以及每隔一段距离而进行确定的方法。对行驶道路进行确定的方法，是通过在针对于上载至信息处理中心200的数据量的通信的限制、节能驾驶可能度和熟练度的判断以及节能驾驶意识度推断中所使用的数据量、和向驾驶员提示的信息量而决定的。

车载系统100的行驶数据上载处理部131将与所确定的行驶道路、和通过加速器开度传感器111至GPS117而取得的本车辆的驾驶状况以及驾驶员的驾驶操作相关的信息，转换成向信息处理中心200进行上载的形式。被转换的数据通过通信控制部141而被上载至信息处理中心200(S2)。此时被上载的数据的形式依存于通信的限制、节能驾驶可能度和熟练度的判断以及节能驾驶意识度推断的处理。例如，当存在通信限制时，行驶数据上载处理部131将由加速器开度传感器111至GPS117取得的数据转换成，如每个行驶道路的加速器开度分布和加速度分布这样的形式。但是，当不存在通信的限制时，也可以将由加速器开度传感器111至GPS117取得的数据以原有状态上载至信息处理中心200。

信息处理中心200的通信控制部211接收被上载了的数据，并将其记录在用户整体行驶记录DB221中(S3)。通过这种方式，在信息处理中心200中，除了从本车辆之外、还从非特定多数的用户实施同样的数据的收集。

信息处理中心200的节能驾驶概率密度推断部231以被记录于用户整体行驶记录DB221中的信息为基础，来对节能驾驶概率密度进行推断(S4)。如后文中详细叙述的那样，节能驾驶概率密度的推断是通过如下方式而被实施的，即，在某一行驶路径、某一位置、或者某一时刻处，使用一个或者多个加速度、速度、加速器开度等的观测变量，而对非特定多数的驾驶员的驾驶的耗油率等评估值的概率分布进行推断。但是，由于在通常情况下，对于每种车型车辆特性会发生变化，因此也可以考虑针对每种车型来实施对概率分布的推断的方式。

信息处理中心200的节能驾驶意识事前学习部241以被记录于用户整体行驶记录DB221中的信息为基础，来对节能驾驶意识事前学习结果进行计算(S5)。如后文中详细所述，节能驾驶意识事前学习结果的计算是通过如下方式而被实施的，即，根据某一行驶路径、某一位置、或者某一时刻处的、特定的或者非特定多数的驾驶员的驾驶操作，而对该驾驶员的、与节能驾驶相关的意识进行推断。

信息处理中心200的通信控制部211实施如下处理，即，向车载系统100发送节能驾驶概率密度推断部231推断出的节能驾驶概率密度、和节能驾驶意识事前学习部241计算出的节能驾驶意识事前学习结果(S6)。

车载系统100的通信控制部141接收从信息处理中心200发送的、某一行驶路径、某一位置、或者某一时刻处的节能驾驶概率密度以及节能驾驶意识事前学习结果，并将其记录在节能驾驶概率密度和节能驾驶意识事前学习结果DB151中(S7)。

车载系统100的节能驾驶可能度和熟练度推断部161对某一行驶路径、某一位置、或者某一时刻处的节能驾驶概率密度、和该行驶路径等中的本车辆的驾驶员的驾驶进行比较，从而求出节能驾驶可能度以及熟练度(S8)。另外，用于对驾驶员的驾驶进行评估的评估值是通过如下方法而决定的，即，信息处理中心200的节能驾驶概率密度推断部231中的节能驾驶概率密度的计算方法、和车载系统100的显示器181等向驾驶员的信息提示的方法。在通常情况下，作为评估值而使用了耗油率、加速器开度、加速度等。

车载系统100的节能驾驶意识度推断部171根据某一行驶路径、某一位置、或者某一时刻处的节能驾驶意识事前学习结果、和该行驶路径等中的驾驶员的实际的驾驶操作(加速器操作和制动器操作等)，来实施对驾驶员的节能驾驶意识度的推断(S9)。

之后，车载系统100的显示器181以及扬声器182对驾驶员表示，通过节能驾驶可能度和熟练度推断部161而求出的节能驾驶可能度以及熟练度。车载系统100的显示器181以及扬声器182按照通过节能驾驶意识度推断部171而求出的节能驾驶意识度，而对驾驶员实施建议。

下面，对本实施方式的驾驶评估系统10的动作的详细内容，尤其是对图2中的S4的节能驾驶概率密度推断、S5的节能驾驶意识事前学习、S8的节能驾驶可能度和熟练度推断、以及S9的节能驾驶意识度推断进行说明。

(节能驾驶概率密度推断)

如图3所示，在图2中的S4的节能驾驶概率密度推断中，节能驾驶概率密度推断231从用户整体行驶记录DB221中取得某一场所、某一时刻等的行驶记录信息(S41)。此时，通过信息处理中心200接收了在车载系统100侧由上一次的处理而导出的节能驾驶可能度的数据，从而还能够针对每一时刻或每一车辆而进一步取得行驶记录信息。

对于观测变量Z，节能驾驶概率密度推断部231对驾驶的评估值的概率密度函数进行推断(S42)。在此，观测变量Z是指，与从用户整体行驶记录DB取得的驾驶的状况相关的变量。观测变量Z被分为，道路坡度、道路线形等的静态周边状况，与前后车辆之间的车间距离、交通阻塞信息等的动态周边状况，转向操作、加速器开度等的驾驶行动，和速度、加速度等的车辆状况。

对于这些观测变量Z，节能驾驶概率密度推断部231在例如图4所示的这种、时刻t处的观测变量Z为Z＝Z_t的状况下，对图5所示的这种概率密度函数p(m|Z_t)进行推断。但是，虽然在图4以及图5的示例中，将横轴的参数设为耗油率m(L/km)，以作为驾驶的评估值，但是也可以使用加速度、加速器开度等的参数。

节能驾驶概率密度推断部231通过核密度估计而实施对概率密度函数p的推断。在下式(1)中，表示了k个的多变量时的概率密度函数p。

[数学式1]

$p(x,\mathrm{\μ},\mathrm{\Σ})=\frac{1}{{\left(2\mathrm{\π}\right)}^{k/2}\left|{\left(\mathrm{h\Σ}\right)}^{1/2}\right|}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\exp [-\frac{1}{2}{(x-x_i)}^T{\left(\mathrm{h\Σ}\right)}^{-1}(x-x_i)]...\left(1\right)$

N：数据数

h：带宽

x＝(x₁，x₂，…，x_k)^T：多变量矢量

协方差矩阵

σ_lm＝σ_lσ_mρ_lm(l，m＝1至k)

${\mathrm{\σ}}_l^2=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_{\mathrm{li}}-{\mathrm{\μ}}_l)}^2:$ 样本方差

ρ_lm：相关函数(ρ_μ＝1)

μ＝(μ₁，μ₂，…，μ_k)^T：平均矢量

$\mathrm{\μ}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}x$

另一方面，节能驾驶概率密度推断部231也可以使用下式(2)所示的混合正态分布近似，来实施对概率密度函数p的推断。根据使用了EM(Exception-Maximization：最大期望)算法的混合正态分布近似，而实时地实施对概率密度函数p的推断，并能够缩短计算时间。根据下式(2)，为了求出一个点的概率而需要进行N次的计算。N个点的概率为N×N。

[数学式2]

$f(x,\mathrm{\Σ})=\frac{1}{{\left(2\mathrm{\π}\right)}^{k/2}{\left|\mathrm{\Σ}\right|}^{1/2}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\exp [-\frac{1}{2}{(x-x_i)}^T{\mathrm{\Σ}}^{-1}(x-x_i)]...\left(2\right)$

根据下式(3)，为了求出一个点的概率而需要进行M次的计算。N个点的概率为N×M。

[数学式3]

$f(x,{\mathrm{\μ}}_r,{\mathrm{\ω}}_r,{\mathrm{\Σ}}_r)=\underset{r=1}{\overset{M}{\mathrm{\Σ}}}\frac{1}{{\left(2\mathrm{\π}\right)}^{k/2}{\left|\mathrm{\Σ}\right|}^{1/2}}{\mathrm{\ω}}_r\exp [-\frac{1}{2}{(x-{\mathrm{\μ}}_r)}^T{\mathrm{\Σ}}_r^{-1}(x-{\mathrm{\μ}}_r)]...\left(3\right)$

当赋予了初始值μ_r，ω_r时，条件概率p_r(Z＝r)成为下式(4)。

[数学式4]

$p_i(Z=r)=\frac{\frac{1}{{\left(2\mathrm{\π}\right)}^{k/2}{\left|\mathrm{\Σ}\right|}^{1/2}}{\mathrm{\ω}}_r\exp [-\frac{1}{2}{(x-{\mathrm{\μ}}_r)}^T{\mathrm{\Σ}}_r^{-1}(x-{\mathrm{\μ}}_r)]}{\underset{r=1}{\overset{M}{\mathrm{\Σ}}}\frac{1}{{\left(2\mathrm{\π}\right)}^{k/2}{\left|\mathrm{\Σ}\right|}^{1/2}}{\mathrm{\ω}}_r\exp [-\frac{1}{2}{(x-{\mathrm{\μ}}_r)}^T{\mathrm{\Σ}}_r^{-1}(x-{\mathrm{\μ}}_r)]}...\left(4\right)$

更新值成为下式(5)。并再次重复实施式(4)的计算。

[数学式5]

${\mathrm{\ω}}_r^{\left(1\right)}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{p}_i(Z=r),$ ${\mathrm{\μ}}_r^{\left(1\right)}=\frac{1}{N{\mathrm{\ω}}_r^{\left(1\right)}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i{p}_i(Z=r)...\left(5\right)$

$V_r^{\left(1\right)}=\frac{1}{N{\mathrm{\ω}}_r^{\left(1\right)}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{p}_i(Z=r)(x_i-{\mathrm{\μ}}_r){(x_i-{\mathrm{\μ}}_r)}^T$

另外，虽然在以上的示例中，根据非特定多数的用户的数据而对概率密度函数p进行了推断，但是也可以根据本车辆的驾驶员固有的数据，来对概率密度函数p进行推断。

(节能驾驶意识事前学习)

如图6所示，在图2中的S5的节能驾驶意识事前学习中，信息处理中心200的节能驾驶意识事前学习部241使用动态贝叶斯网络的方法，而对本车辆的驾驶员所固有的节能驾驶意识的学习数据、或者非特定多数的驾驶员的节能驾驶意识的学习数据进行计算。如图1以及图2所示，这种在使用了动态贝叶斯网络或者后文叙述的支持向量机的学习中所使用的数据，既可以作为现场数据而从行驶于实际的道路上的车辆进行收集，也可以在测试路线等上实施试行驶，并从收集到的数据中进行学习。

如图6所示，在基于动态贝叶斯网络的方法的节能驾驶意识事前学习中，节能驾驶意识事前学习部241实施似然模型的事前学习(S51)。节能驾驶意识事前学习部241实施转换模型的学习(S52)。节能驾驶意识事前学习部241实施意识状态的事前概率的学习(S53)。

此处，如图7所示，将相对于驾驶操作z_t的集合的意识状态x_t的似然度定义为p(z_t|x_t)。如图8所示，作为驾驶操作z_t，而使用了例如加速器开度z₁、制动器踩下量z₂等、某一地点的瞬时值或者统计量(标准偏差等)。某一地点能够根据基于车载系统100的GPS117的信息的该地点的信息、按照地图数据的道路信息而进行了补正后的该地点的信息、地图数据的行驶路径的信息、以及能够任意决定的固定距离等，来进行定义。此外，假定驾驶操作Z_t之间的独立性，从而似然度分布成为下式(6)，并且，能够通过如图9所示的这种直方图而模型化。

[数学式6]

$p\left(z\right|x)=\underset{i=1}{\overset{D}{\mathrm{\Π}}}p\left(z_i\right|x)...\left(6\right)$

此外，将意识状态x的转换模型定义为p(x_t|x_t-1)。在此，假定一阶马尔可夫链。但是，也可以假定更加高阶的模型。并且，将意识状态x的事前概率定义为p(x₀)。并且，以如下的方式进行定义。

n：第n个行驶数据

N：行驶数据数

τ：对象行驶数据中的帧序号

T_n：第n个行驶数据中的帧数

Z_i，n，τ：第n个行驶数据的第τ个帧中的驾驶操作i的统计量

x_n，τ：第n个行驶数据的第τ个帧中的驾驶意识状态

δ(C)：条件C如果为真则返回1，如果为假则返回0的函数

似然模型的事前学习能够以下式(7)的方式来实施。

[数学式7]

$p(z_i=\mathrm{\η}|x=\mathrm{\ζ})=\frac{{\mathrm{\Σ}}_{n=1}^N{\mathrm{\Σ}}_{\mathrm{\τ}=\mathrm{\ΔT}-1}^{T_n}\mathrm{\δ}(z_{i,n,\mathrm{\τ}}=\mathrm{\η},x_{n,\mathrm{\τ}}=\mathrm{\ζ})}{{\mathrm{\Σ}}_{n=1}^N{\mathrm{\Σ}}_{\mathrm{\τ}=\mathrm{\ΔT}-1}^{T_n}\mathrm{\δ}(x_{n,\mathrm{\τ}}=\mathrm{\ζ})}...\left(7\right)$

转换模型的学习能够以下式(8)的方式来实施。

[数学式8]

$p(x_t={\mathrm{\ζ}}_1|x_{t-1}={\mathrm{\ζ}}_2)=\frac{{\mathrm{\Σ}}_{n=1}^N{\mathrm{\Σ}}_{\mathrm{\τ}=2}^{T_n}\mathrm{\δ}(x_{n,\mathrm{\τ}}={\mathrm{\ζ}}_1,x_{n,\mathrm{\τ}-1}={\mathrm{\ζ}}_2)}{{\mathrm{\Σ}}_{n=1}^N{\mathrm{\Σ}}_{\mathrm{\τ}=2}^{T_n}\mathrm{\δ}(x_{n,\mathrm{\τ}-1}={\mathrm{\ζ}}_2)}...\left(8\right)$

意识状态x的事前概率的学习能够以下式(9)的方式来实施。

[数学式9]

$p(x_0=\mathrm{\ζ})=\frac{{\mathrm{\Σ}}_{n=1}^N{\mathrm{\Σ}}_{\mathrm{\τ}=1}^{T_n}\mathrm{\δ}(x_{n,\mathrm{\τ}}=\mathrm{\ζ})}{{\mathrm{\Σ}}_{n=1}^N{\mathrm{\Σ}}_{\mathrm{\τ}=1}^{T_n}1}...\left(9\right)$

另一方面，如图10所示，节能驾驶意识事前学习部241也可以使用支持向量机(Support Vector Machine：以下，有时会称为SVM)，来实施节能驾驶意识事前学习(S501)。图11图示了得到关于两个观测变量x₁、x₂的数据的示例。当将x＝[x₁ x₂]^T、a＝[a₁ a₂]^T、ξ_i设为分类为两类的函数与数据之间的距离，并将软间隔SVM的方法应用于图11的数据中时，成为图12所示的情况。在图12所示的软间隔SVM中，以下文所述的下式(10)所示的评估函数L成为最小的方式，求出a、b，并求出节能意识的开启以及关闭的边界。在下式(10)中，I为打破间隔的数据数，C为打破间隔的成本的加权(惩罚参数、常数)。在此，C为常数，且以分类成为最优的方式而被任意决定。

[数学式9]

$L=\frac{1}{2}{\left|a\right|}^2+C\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\ζ}}_i...\left(10\right)$

在以上的节能驾驶意识事前学习中，能够仅使用本车辆的驾驶员个人的数据，来对特殊化为驾驶员个人的模型进行计算。此时，具有对于该驾驶员的识别精度增高的优点。另一方面，也能够使用非特定多数的驾驶员的数据，来对通用的模型进行计算。此时，具有即使对于未知的驾驶员，也能够立刻开始识别的优点。

(节能驾驶可能度和熟练度推断)

如图13所示，在图2中的S8的节能驾驶可能度和熟练度推断中，车载系统100的节能驾驶可能度和熟练度推断部161，从节能驾驶概率密度和节能驾驶意识事前学习结果DB151中取得某一场所以及某一时刻的节能驾驶可能度(S81)。在此，某一场所能够根据基于车载系统100的GPS117的信息的该地点的信息、按照地图数据的道路信息而进行了补正后的该地点的信息、地图数据的行驶路径的信息、以及可以任意决定的固定距离等，来进行定义。此外，同样地，某一时刻能够根据任意决定的时间带来进行定义。S81中的处理以上文所述的方式被定义，且为从节能驾驶概率密度和节能驾驶意识事前学习结果DB151中，取得通过图2中的S4的节能驾驶概率密度推断而被推断出的、与概率密度相关的信息的处理。

节能驾驶可能度和熟练度推断部161对本车辆的信息进行计算(S82)，所述本车辆的信息为，与上述的某一场所以及某一时刻相同的场所以及时刻处的、从加速器开度传感器111至GPS117中取得的信息。在此，如果对作为用户的本车辆的驾驶员提示的信息为基于耗油率的熟练度，则实施对耗油率的计算。但是，由于也可以实施对基于前后的加速度、加速器开度、制动器操作量等与节能驾驶相关的操作量的、节能驾驶可能度以及熟练度的计算，因此在这种情况下，对这些信息进行计算。

节能驾驶可能度和熟练度推断部161对在S81中取得的节能驾驶概率密度、和在S82中计算出的本车辆的信息进行比较，从而对节能驾驶可能度进行计算(S83)。某一地点以及某一时刻的节能驾驶可能度c_t通过图14以及下式(11)而被求出。此时的某一场所能够根据基于车载系统100的GPS117的信息的该地点的信息、按照地图数据的道路信息而进行了补正后的该地点的信息、地图数据的行驶路径的信息、以及可以任意决定的固定距离等，来进行定义。此外，同样地，某一时刻能够根据任意决定的时间带来进行定义。此外，虽然在图14的示例中，作为节能驾驶的评估值而利用了耗油率[L/km]，但是也可以使用加速度、加速器开度等其他的参数。

[数学式11]

$c_t=\frac{\underset{0}{\overset{m_t}{\∫}}p\left(m\right|z_t)\mathrm{dm}}{\underset{0}{\overset{\∞}{\∫}}p\left(m\right|z_t)\mathrm{dm}}\×100[\%]...\left(11\right)$

节能驾驶可能度和熟练度推断部161利用在S83中求出的节能驾驶可能度，来对熟练度进行计算(S84)。此时的计算方法可考虑下式(12)至(15)的方法。

[数学式12]

·根据可能度就此直接进行计算时

s＝100-c_t[％]    …(12)

·通过某固定时间内的平均值进行表现时

$s=\mathrm{avg}{[100-c_t]}_{t-\mathrm{\Δt}}^t[\%]...\left(13\right)$

·使用某一固定时间内的可能度最大值进行表现时

$s={[100-\max \{c_t\left\}\right]}_{t-\mathrm{\Δt}}^t[\%]...\left(14\right)$

·使用某一固定时间内的可能度最小值进行表现时

$s={[100-\min \{c_t\left\}\right]}_{t-\mathrm{\Δt}}^t[\%]...\left(15\right)$

节能驾驶可能度和熟练度推断部161通过显示器181等，而对作为用户的本车辆的驾驶员显示在S83以及S84中求出的节能驾驶可能度以及熟练度(S85)。向显示器181的显示能够以模仿例如图15所示的这种、仪表的显示的方式而实施。此外，向用户的节能驾驶可能度以及熟练度的提示并不限定于图15的这种方式，也可以通过由显示器181或扬声器182输出文字或声音而实施。

(节能驾驶意识推断)

在图2中的S9的节能驾驶意识度推断中，如图16所示，车载系统100的节能驾驶意识推断部171使用动态贝叶斯网络的方法，来对本车辆的驾驶员的节能驾驶意识进行推断。节能驾驶意识推断部171使时刻t＝0处的意识状态概率＝事前概率(S91)。节能驾驶意识推断部171在t上加上1(S92)。

节能驾驶意识推断部171对当前时刻t处的各个观测变量的统计量进行计算(S93)。对于观测变量，可使用与某一地点的本车辆的驾驶相关的信息，即，例如加速器开度、制动器踩下量等。某一地点能够根据基于车载系统100的GPS117的信息的该地点的信息、按照地图数据的道路信息而进行了补正后的该地点的信息、地图数据的行驶路径的信息、以及可以任意决定的固定距离等，来进行定义。在将当前时刻t下的各个观测变量的统计量设为当前时刻T下的观测变量i的统计量z_i，t时，可考虑瞬时值和移动标准偏差等。当将当前时刻t下的观测变量i的观测值设为O_i，t时，能够通过下式(16)来计算统计量z_{i， t}的瞬时值以及移动标准偏差。

[数学式13]

瞬时值：z_i，t＝O_i，t

移动标准偏差： $z_{i,t}=\sqrt{\frac{1}{\mathrm{\ΔT}}\underset{\mathrm{\τ}=0}{\overset{\mathrm{\ΔT}-1}{\mathrm{\Σ}}}{(O_{i,t-\mathrm{\τ}}-\stackrel{\‾}{O_{i,t}})}^2}...\left(16\right)$

移动平均值：

时间窗口大小：ΔT

节能驾驶意识推断部171对如图17所示的这种当前时刻t下的意识状态的事后概率进行计算(S94)。事后概率能够通过下式(17)而进行计算。如上文所述，在下式(17)中，p(z_t|x_t)为相对于意识状态x_t的观测值z_t的似然度，而P(x_t|x_t-1)为意识状态x的转换模型。

[数学式14]

$p\left(x_t\right|z_{1:t})=\mathrm{\αp}\left(z_t\right|x_t)\underset{x_{t-1}}{\mathrm{\Σ}}p\left(x_t\right|x_{t-1})p\left(x_{t-1}\right|z_{1:t-1})...\left(17\right)$

节能驾驶意识推断部171实施对节能意识的有无的判断(S95)。对节能意识的有无的判断能够通过下式(18)而进行计算。节能驾驶意识推断部171反复实施S92至S95的处理，直至推断结束为止(S96)。

[数学式15]

在x_t∈{开启，关闭}中，将事后概率最大的状态设为时刻t处的推断节能状态

当用数学式表示时成为如下形式。

${\hat{x}}_t=\arg \underset{x_t}{\max }p\left(x_t\right|z_{1:t})...\left(18\right)$

另一方面，如图18所示，节能驾驶意识推断部171也可以使用支持向量机来实施节能驾驶意识度推断。节能驾驶意识推断部171使时刻t＝0处的意识状态概率＝事前概率(S901)。节能驾驶意识推断部171在t上加上1(S902)。节能驾驶意识推断部171与上文所述的动态贝叶斯网络的情况同样地，对当前时刻t下的各个观测变量的统计量进行计算(S903)。

节能驾驶意识推断部171通过SVM来判断节能意识的有无(S904)。如上述的图12所示，使用节能意识的有无的分类函数来判断节能意识的有无，所述节能意识的有无的分类函数是通过信息处理中心200的节能驾驶意识事前学习部241使用了软间隔SVM而获得的事前学习结果而求出的。图19图示了对节能意识的有无的判断结果，且为在观测变量为两个变量的情况下判断为具有节能意识的示例。在图19中被标绘的输入数据为，在S903中求出的观测变量的统计量。当以此方式通过节能驾驶意识的分类函数，从而将输入数据分类为具有节能驾驶意识的类时，节能驾驶意识推断部171判断为，具有节能驾驶意识。节能驾驶意识推断部171反复实施S92至S95的处理，直至推断结束为止(S905)。

根据本实施方式，在每次进行驾驶的评估时，节能驾驶概率密度推断部231以及节能驾驶意识事前学习部241对针对于本车辆的各个驾驶状况的、本车辆的驾驶员的驾驶的评估标准进行再设定。因此，与一律地设定了对驾驶进行评估的标准的情况相比，能够按照评估时的实际情况而对驾驶的评估标准进行设定。此外，节能驾驶可能度和熟练度推断部161以及节能驾驶意识度推断部171，根据由节能驾驶概率密度推断部231以及节能驾驶意识事前学习部241再设定的评估标准，来对本车辆的驾驶员的驾驶进行评估。因此，能够实施更加符合实际情况的驾驶的评估。

此外，根据本实施方式，节能驾驶概率密度推断部231对针对于本车辆的各个驾驶状况的、驾驶的评估值的概率分布进行推断，以作为评估标准。因此，能够统计性地将该状况下的驾驶的困难度定量化。此外，由于节能驾驶可能度和熟练度推断部161根据本车辆的驾驶状况中的评估值的概率分布、和本车辆的驾驶状况中的本车辆的实际的驾驶的评估值，来对本车辆的驾驶员的驾驶进行评估，因此，能够根据统计而定量地实施更加符合实际情况的驾驶的评估。

此外，根据本实施方式，节能驾驶概率密度推断部231对针对于本车辆的各个驾驶状况的、非特定多数的车辆的驾驶的评估值的概率分布进行推断，以作为评估标准。因此，能够根据非特定多数的车辆的驾驶的统计，以使该状况中的驾驶的困难度更加符合实际情况的方式而将驾驶的评估标准定量化，。

此外，根据本实施方式，节能驾驶概率密度推断部231通过核密度估计而对概率密度函数进行推断，以作为评估标准，所述概率密度函数为，针对于本车辆的各个驾驶状况的、驾驶的评估值的概率分布所涉及的函数。

或者，根据本实施方式，节能驾驶概率密度推断部231通过基于混合正态分布的近似而对概率密度函数进行推断，以作为评估标准，所述概率密度函数为，针对于本车辆的各个驾驶状况的、驾驶或者相同车型的非特定多数的驾驶员的驾驶的评估值的概率分布所涉及的函数。混合正态分布能够减少样本数。因此，能够缩短对概率密度函数进行推断的计算时间。

此外，根据本实施方式，节能驾驶意识事前学习部241根据针对于本车辆的各个驾驶状况的驾驶操作，而对针对于本车辆的各个驾驶状况的、本车辆的驾驶员的意识状态进行推断，以作为评估标准。因此，能够恰当地对该状况中的驾驶员的意识状态进行推断。此外，节能驾驶意识度推断部171根据本车辆的驾驶状况中的被推断出的本车辆的驾驶员的意识状态、和本车辆的驾驶状况中的实际的本车辆的驾驶员的驾驶操作，来对本车辆的驾驶员的驾驶进行评估。因此，能够在驾驶员的意识状态和实际被实施的驾驶操作之间的关系中，对驾驶员的驾驶进行评估，并且能够实施还包括驾驶员对驾驶的意识在内的驾驶的评估。

此外，根据本实施方式，节能驾驶意识事前学习部241根据针对于本车辆的各个驾驶状况的、本车辆的驾驶员的驾驶操作的统计，而对针对于本车辆的各个驾驶状况的、本车辆的驾驶员的意识状态进行推断，以作为评估标准。因此，对于本车辆的驾驶员自身而言，能够以较高的精度来对意识状态进行推断。

或者，根据本实施方式，节能驾驶意识事前学习部241根据针对于本车辆的各个驾驶状况的、非特定多数的车辆的驾驶员的驾驶操作的统计，而对针对于本车辆的各个驾驶状况的、本车辆的驾驶员的意识状态进行推断，以作为评估标准。因此，即使在关于本车辆的驾驶员自身所存储的数据较少的情况下，也能够立刻对本车辆的驾驶员的意识状态进行推断。

此外，根据本实施方式，节能驾驶意识事前学习部241通过动态贝叶斯网络，而对本车辆的驾驶员的意识状态进行推断。因此，能够定量地对相对于驾驶员的意识状态的、驾驶操作的因果关系进行推断。

或者，根据本实施方式，节能驾驶意识事前学习部241通过支持向量机，而对本车辆的驾驶员的意识状态进行推断。因此，即使在为进行推断而存储的数据较少的情况下，也能够对驾驶员的意识状态进行推断。

此外，根据本实施方式，本车辆的驾驶状况包括本车辆的驾驶时间以及场所。因此，能够对针对于车辆的驾驶时间以及场所的、驾驶员的驾驶进行评估。

此外，由于本实施方式的驾驶评估系统10、车载系统100以及信息处理中心200能够实施更加符合实际情况的驾驶的评估，因此驾驶员不易对系统抱有不适感，并易于继续进行对该系统的使用。因此，在对长期间的专心致志较为重要的节能驾驶进行评估时，尤其能够发挥效果。

另外，本发明并不限定于上文所述的实施方式，其当然可以在不脱离本发明的主旨的范围内追加各种改变。例如，虽然在上述实施方式中，车载系统100与信息处理中心200之间的节能驾驶概率密度以及节能驾驶意识事前学习结果等的信息的交换，是通过由通信控制部141、211进行的无线通信而实施的，但是在本发明中，也可以通过如下方式来实施该信息的交换，即，驾驶员将软磁盘、光磁盘、CD-R(可读光盘)、闪存、USB存储器、移动硬盘等移动媒介安装在能够与信息处理中心200连接的终端上。

此外，在上述实施方式中，车载系统100和信息处理中心200分别具有的结构要素也可以只设置于车载系统100和信息处理中心200中的某一个中。例如，可以采用如下方式，即，在车载系统100中仅搭载有加速器开度传感器111等的传感器、显示器171等对驾驶员的显示单元、和通信控制部141，而信息处理中心200具有除此之外的全部结构要素。或者，如下的方式也被包括在本发明的范围内，即，不使用信息处理中心200，而仅在车载系统100中包含有驾驶评估系统10的全部结构要素。

产业上的可利用性

根据本发明的驾驶评估系统、车载机以及信息处理中心，能够实施更加符合实际情况的驾驶的评估。

符号说明

10   驾驶评估系统；

100  车载系统；

111  加速器开度传感器；

112  燃料喷出量传感器；

113  制动器传感器；

114  车速传感器；

115  发动机转数传感器；

116  G传感器；

117  GPS；

118  车间距离计测装置；

119  VICS；

121  环境确定部；

131  行驶数据上载处理部；

141  通信控制部；

151  节能驾驶概率密度和节能驾驶意识事前学习结果DB；

161  节能驾驶可能度和熟练度推断部；

171  节能驾驶意识度推断部；

181  显示器；

182  扬声器；

200  信息处理中心；

211  通信控制部；

221  用户整体行驶记录DB；

231  节能驾驶概率密度推断部；

241  节能驾驶意识事前学习部；

251  节能驾驶可能度DB；

261  节能驾驶意识事前学习结果DB。

Claims (36)

1.一种驾驶评估系统，具备：

评估标准再设定单元，在每次进行驾驶的评估时，所述评估标准再设定单元对针对于一台车辆的各个驾驶状况的、所述一台车辆的驾驶员的驾驶的评估标准进行再设定；

评估单元，其根据所述评估标准再设定单元再设定的所述评估标准，来对所述一台车辆的驾驶员的驾驶进行评估。

2.如权利要求1所述的驾驶评估系统，其中，

所述评估标准再设定单元对针对于所述一台车辆的各个驾驶状况的、驾驶的评估值的概率分布进行推断，以作为所述评估标准，

所述评估单元根据所述一台车辆的驾驶状况中的所述评估值的所述概率分布、和所述一台车辆的驾驶状况中的所述一台车辆的实际的驾驶的评估值，来对所述一台车辆的驾驶员的驾驶进行评估。

3.如权利要求2所述的驾驶评估系统，其中，

所述评估标准再设定单元对针对于所述一台车辆的各个驾驶状况的非特定多数的车辆、以及针对于所述一台车辆的各个驾驶状况的与所述一台车辆相同车型的非特定多数的车辆中，至少某一种的驾驶的评估值的概率分布进行推断，以作为所述评估标准。

4.如权利要求2或3所述的驾驶评估系统，其中，

所述评估标准再设定单元通过核密度估计而对概率密度函数进行推断，以作为所述评估标准，所述概率密度函数为，针对于所述一台车辆的各个驾驶状况的、驾驶的评估值的概率分布所涉及的函数。

5.如权利要求2或3所述的驾驶评估系统，其中，

所述评估标准再设定单元通过基于混合正态分布的近似而对概率密度函数进行推断，以作为所述评估标准，所述概率密度函数为，针对于所述一台车辆的各个驾驶状况的、驾驶的评估值的概率分布所涉及的函数。

6.如权利要求1至5中任意一项所述的驾驶评估系统，其中，

所述评估标准再设定单元根据针对于所述一台车辆的各个驾驶状况的驾驶操作，而对针对于所述一台车辆的各个驾驶状况的、所述一台车辆的驾驶员的意识状态进行推断，以作为所述评估标准，

所述评估单元根据所述一台车辆的驾驶状况中的被推断出的所述一台车辆的驾驶员的意识状态、和所述一台车辆的驾驶状况中的实际的所述一台车辆的驾驶员的驾驶操作，来对所述一台车辆的驾驶员的驾驶进行评估。

7.如权利要求6所述的驾驶评估系统，其中，

所述评估标准再设定单元根据针对于所述一台车辆的各个驾驶状况的、所述一台车辆的驾驶员的驾驶操作的统计，而对针对于所述一台车辆的各个驾驶状况的、所述一台车辆的驾驶员的意识状态进行推断，以作为所述评估标准。

8.如权利要求6所述的驾驶评估系统，其中，

所述评估标准再设定单元根据针对于所述一台车辆的各个驾驶状况的、非特定多数的车辆的驾驶员的驾驶操作的统计，而对针对于所述一台车辆的各个驾驶状况的、所述一台车辆的驾驶员的意识状态进行推断。

9.如权利要求6至8中任意一项所述的驾驶评估系统，其中，

所述评估标准再设定单元通过动态贝叶斯网络，而对所述一台车辆的驾驶员的意识状态进行推断。

10.如权利要求6至8中任意一项所述的驾驶评估系统，其中，

所述评估标准再设定单元通过支持向量机，而对所述一台车辆的驾驶员的意识状态进行推断。

11.如权利要求1至10中任意一项所述的驾驶评估系统，其中，

所述一台车辆的驾驶状况包括所述一台车辆的驾驶时间以及场所中的至少某一种。

12.如权利要求1至11中任意一项所述的驾驶评估系统，其中，

所述评估单元对所述一台车辆的驾驶员的驾驶所达成的低耗油率的程度进行评估。

13.一种车载机，其具备评估单元，所述评估单元针对于本车辆的各个驾驶状况，根据在每次进行驾驶的评估时被再设定的、所述本车辆的驾驶员的驾驶的评估标准，来对所述本车辆的驾驶员的驾驶进行评估。

14.如权利要求13所述的车载机，其中，

所述本车辆的驾驶员的驾驶的评估标准为，针对于所述本车辆的各个驾驶状况而被推断出的驾驶的评估值的概率分布，所述评估单元根据所述本车辆的驾驶状况中的所述评估值的所述概率分布、和所述本车辆的驾驶状况中的所述本车辆的实际的驾驶的评估值，来对所述本车辆的驾驶员的驾驶进行评估。

15.如权利要求14所述的车载机，其中，

所述本车辆的驾驶员的驾驶的评估标准为，针对于所述本车辆的各个驾驶状况而被推断出的、非特定多数的车辆、以及针对于所述本车辆的各个驾驶状况的与所述本车辆相同车型的非特定多数的车辆中，至少某一种的驾驶的评估值的概率分布。

16.如权利要求14或15所述的车载机，其中，

所述本车辆的驾驶员的驾驶的评估标准为，针对于所述本车辆的各个驾驶状况，通过核密度估计而对驾驶的评估值的概率分布所涉及的概率密度函数进行推断而获得的评估标准。

17.如权利要求14或15所述的车载机，其中，

所述本车辆的驾驶员的驾驶的评估标准为，针对于所述本车辆的各个驾驶状况，通过基于混合正态分布的近似而对驾驶的评估值的概率分布所涉及的概率密度函数进行推断而获得的评估标准。

18.如权利要求13至17中任意一项所述的车载机，其中，

所述本车辆的驾驶员的驾驶的评估标准为，根据针对于所述本车辆的各个驾驶状况的驾驶操作而被推断出的、针对于所述本车辆的各个驾驶状况的所述本车辆的驾驶员的意识状态，

所述评估单元根据所述本车辆的驾驶状况中的被推断出的所述本车辆的驾驶员的意识状态、和所述本车辆的驾驶状况中的实际的所述本车辆的驾驶员的驾驶操作，来对所述本车辆的驾驶员的驾驶进行评估。

19.如权利要求18所述的车载机，其中，

所述本车辆的驾驶员的驾驶的评估标准为，根据针对于所述本车辆的各个驾驶状况的、所述本车辆的驾驶员的驾驶操作的统计，而被推断出的针对于所述本车辆的各个驾驶状况的、所述本车辆的驾驶员的意识状态。

20.如权利要求18所述的车载机，其中，

所述本车辆的驾驶员的驾驶的评估标准为，根据针对于所述本车辆的各个驾驶状况的非特定多数的车辆的驾驶员的驾驶操作的统计，而被推断出的针对于所述本车辆的各个驾驶状况的、所述本车辆的驾驶员的意识状态。

21.如权利要求18至20中任意一项所述的车载机，其中，

所述本车辆的驾驶员的意识状态是通过动态贝叶斯网络而被推断出的。

22.如权利要求18至20中任意一项所述的车载机，其中，

所述本车辆的驾驶员的意识状态是通过支持向量机而被推断出的。

23.如权利要求13至22中任意一项所述的车载机，其中，

所述本车辆的驾驶状况包括所述本车辆的驾驶时间以及场所中的至少某一种。

24.如权利要求13至23中任意一项所述的车载机，其中，

所述评估单元对所述本车辆的驾驶员的驾驶所达成的低耗油率的程度进行评估。

25.一种信息处理中心，其对用于评估一台车辆的驾驶员的驾驶的评估标准进行设定，其中，

所述信息处理中心具备评估标准再设定单元，在每次进行驾驶的评估时，所述评估标准再设定单元对针对于所述一台车辆的各个驾驶状况的、所述一台车辆的驾驶员的驾驶的评估标准进行再设定。

26.如权利要求25所述的信息处理中心，其中，

所述评估标准再设定单元对针对于所述一台车辆的各个驾驶状况的、驾驶的评估值的概率分布进行推断，以作为所述评估标准。

27.如权利要求26所述的信息处理中心，其中，

所述评估标准再设定单元对针对于所述一台车辆的各个驾驶状况的非特定多数的车辆、以及针对于所述一台车辆的各个驾驶状况的与所述一台车辆相同车型的非特定多数的车辆中，至少某一种的驾驶的评估值的概率分布进行推断，以作为所述评估标准。

28.如权利要求26或27所述的信息处理中心，其中，

所述评估标准再设定单元通过核密度估计而对概率密度函数进行推断，以作为所述评估标准，所述概率密度函数为，针对于所述一台车辆的各个驾驶状况的、驾驶的评估值的概率分布所涉及的函数。

29.如权利要求26或27所述的信息处理中心，其中，

所述评估标准再设定单元通过基于混合正态分布的近似而对概率密度函数进行推断，以作为所述评估标准，所述概率密度函数为，针对于所述一台车辆的各个驾驶状况的、驾驶的评估值的概率分布所涉及的函数。

30.如权利要求25至29中任意一项所述的信息处理中心，其中，

所述评估标准再设定单元根据针对于所述一台车辆的各个驾驶状况的驾驶操作，而对针对于所述一台车辆的各个驾驶状况的、所述一台车辆的驾驶员的意识状态进行推断，以作为所述评估标准。

31.如权利要求30所述的信息处理中心，其中，

所述评估标准再设定单元根据针对于所述一台车辆的各个驾驶状况的、所述一台车辆的驾驶员的驾驶操作的统计，而对针对于所述一台车辆的各个驾驶状况的、所述一台车辆的驾驶员的意识状态进行推断，以作为所述评估标准。

32.如权利要求30所述的信息处理中心，其中，

所述评估标准再设定单元根据针对于所述一台车辆的各个驾驶状况的、非特定多数的车辆的驾驶员的驾驶操作的统计，而对针对于所述一台车辆的各个驾驶状况的、所述一台车辆的驾驶员的意识状态进行推断，以作为所述评估标准。

33.如权利要求30至32中任意一项所述的信息处理中心，其中，

所述评估标准再设定单元通过动态贝叶斯网络，而对所述一台车辆的驾驶员的意识状态进行推断。

34.如权利要求30至32中任意一项所述的信息处理中心，其中，

所述评估标准再设定单元通过支持向量机，而对所述一台车辆的驾驶员的意识状态进行推断。

35.如权利要求25至34中任意一项所述的信息处理中心，其中，

所述一台车辆的驾驶状况包括所述一台车辆的驾驶时间以及场所中的至少某一种。

36.如权利要求25至35中任意一项所述的信息处理中心，其中，

所述评估标准为，用于对所述一台车辆的驾驶员的驾驶所达成的低耗油率的程度进行评估的标准。

Images