CN108973674B

CN108973674B - 误操作判定装置

Info

Publication number: CN108973674B
Application number: CN201810488691.2A
Authority: CN
Inventors: 桥本大辅
Original assignee: Toyota Motor Corp
Current assignee: Toyota Motor Corp
Priority date: 2017-05-30
Filing date: 2018-05-21
Publication date: 2021-12-14
Anticipated expiration: 2038-05-21
Also published as: US11084499B2; JP2018202888A; JP6638699B2; US20180345989A1; CN108973674A; DE102018112303A1

Abstract

公开了一种误操作判定装置，其被配置为判定所述乘员是否进行了错踏在所述第一操作踏板而不是所述第二操作踏板上的误操作。所述误操作判定装置包括电子控制单元，所述电子控制单元被配置为获取与所述乘员对所述第一操作踏板的操作内容有关的操作信息，并且基于获取的所述操作信息判定所述乘员是否进行了所述误操作。所述电子控制单元被配置为学习所述第一操作踏板的操作内容和所述第二操作踏板的操作内容中的至少一个，并且基于所述学习的结果来判定所述乘员是否进行了误操作。

Description

误操作判定装置

技术领域

本发明涉及一种用于判定乘员是否错踏在车辆的操作踏板上的误操作判定装置的技术领域。

背景技术

作为上述的误操作判定装置的示例，日本未审查专利申请公开第2015-000625号(JP2015-000625A)公开了一种误操作判定装置，在加速踏板的踩踏力超过预定阈值的情况下，所述误操作判定装置判定乘员错踏在加速踏板上而不是在制动踏板上。作为误操作判定装置的其他示例，日本未审查专利申请公开第2012-144053号(JP2012-144053A)公开了一种误操作判定装置，所述误操作判定装置选择错踏的加速器操作量的变化量的范围在纵向加速度的绝对值大于阈值的情况下比在纵向加速度的绝对值小于阈值的情况下相对于同一加速器操作量更宽的表，并且将当前的加速器操作量应用到所选择的表以判定乘员是否错踏在加速踏板上而不是在制动踏板上。另外，例示了作为现有技术文献的WO2016/170786，尽管其不是公开误操作判定装置的文献。

发明内容

诸如加速踏板、制动踏板等的操作踏板的操作内容可以变化。例如，操作踏板的操作内容可能对于每个乘员都不同。或者，例如，相同乘员的操作踏板的操作内容可以根据乘员身体状况、感觉等(或其他因素)的差异而变动。然而，上述JP2015-000625A和JP2012-144053A中描述的误操作判定装置没有考虑上述的操作踏板的操作内容的变动。具体地，在上述JP2015-000625A所描述的误操作判定装置中，没有考虑操作踏板的操作内容的变动而设定了用于判定乘员是否错踏在加速踏板而不是制动踏板上的阈值。在上述的JP2012-144053A描述的误操作判定装置中，没有考虑操作踏板的操作内容的变动而设定了用于判定乘员是否错踏在加速踏板而不是制动踏板上的表。因此，会出现关于乘员是否错踏在加速踏板而不是制动踏板上的判定准确度可能会劣化的技术问题。

上述技术问题同样发生在判定乘员是否错踏在特定的操作踏板上而不是其他踏板上的误操作判定装置中以及判定乘员是否错踏在加速器上而不是制动踏板的误操作判定装置中。

本发明提供一种误操作判定装置，其能够以较高的准确度判定乘员是否错踏在车辆的操作踏板上。

本发明的方案涉及一种误操作判定装置，其被配置为，在包括能够由乘员分别操作以用于驾驶车辆的第一操作踏板和第二操作踏板的所述车辆中，判定所述乘员是否进行了错踏在所述第一操作踏板而不是所述第二操作踏板上的误操作。所述误操作判定装置包括电子控制单元。所述电子控制单元被配置为获取与所述乘员对所述第一操作踏板的操作内容有关的操作信息，并且基于获取的所述操作信息判定所述乘员是否进行了所述误操作。所述电子控制单元被配置为学习所述第一操作踏板的所述操作内容和所述第二操作踏板的操作内容中的至少一个，并且基于对所述第一操作踏板的所述操作内容和所述第二操作踏板的所述操作内容中的至少一个的学习的结果来判定所述乘员是否进行了所述误操作。

根据本发明的方案，在判定乘员是否进行误操作时，除了操作信息以外还使用了第一操作踏板的操作内容和第二操作踏板的操作内容中的至少一个的学习结果。因此，与不使用第一操作踏板的操作内容和第二操作踏板的操作内容的学习结果的比较例相比，误操作判定装置能够在考虑到第一操作踏板的操作内容和第二操作踏板的操作内容中的至少一个的变动的同时恰当地判定乘员是否进行了误操作。为此，恰当地抑制了关于乘员是否进行误操作的判定准确度的劣化。于是，误操作判定装置能够以较高的准确度判定乘员是否进行了误操作。

在根据本发明的方案所述的误操作判定装置中，所述电子控制单元被配置为在所述车辆正在行驶期间的至少一部分时间段中学习所述乘员实际操作所述第一操作踏板时的所述第一操作踏板的所述操作内容和所述乘员实际操作所述第二操作踏板时的所述第二操作踏板的所述操作内容中的至少一个。

根据本发明的方案，由于在车辆正行驶的同时学习乘员的实际操作内容，因此恰当地抑制了乘员是否进行误操作的判定准确度的劣化。

在根据本发明的方案所述的误操作判定装置中，所述电子控制单元可以被配置为分别学习在所述车辆向前移动的状况下的所述第一操作踏板的所述操作内容和所述第二操作踏板的所述操作内容中的至少一个以及在所述车辆向后移动的状况下的所述第一操作踏板的所述操作内容和所述第二操作踏板的所述操作内容中的至少一个。

根据本发明的方案，在车辆向前移动的状况下的乘员的第一操作踏板的操作内容可以与在车辆向后移动的状况下的第一操作踏板的操作内容不同。类似地，在车辆向前移动的状况下的乘员对第二操作踏板的操作内容可以与在车辆向后移动的状况下的乘员对第二操作踏板的操作内容不同。考虑到上述操作内容的不同，在上述方案中，分别学习了在车辆向前移动的状况下的操作内容和在车辆向后移动的状况下的操作内容。为此，误操作判定装置能够以较高准确度判定在车辆向前移动的状况下乘员是否进行了误操作，并且能够以较高准确度判定在车辆向后移动的状况下乘员是否进行了误操作。

在根据本发明的方案所述的误操作判定装置中，如上所述，所述误操作判定装置分别学习在所述车辆向前移动的状况下的所述操作内容和所述车辆向后移动的状况下的所述操作内容，所述电子控制单元可以被配置为：基于在所述车辆向前移动的状况下获取的所述操作信息和在所述车辆向前移动的状况下对所述第一操作踏板的所述操作内容和所述第二操作踏板的所述操作内容中的至少一个的学习的结果，在所述车辆正在向前移动的状况下判定所述乘员是否进行了所述误操作。所述电子控制单元可以被配置为：基于在所述车辆向后移动的状况下获取的所述操作信息和在所述车辆向后移动的状况下对所述第一操作踏板的所述操作内容和所述第二操作踏板的所述操作内容中的至少一个的学习的结果，在所述车辆正在向后移动的状况下判定所述乘员是否进行了所述误操作。

根据本发明的方案，误操作判定装置能够以较高准确度判定在车辆正在向前移动的状况下乘员是否进行了误操作，并且能够以较高准确度判定在车辆正在向后移动的状况下乘员是否进行了误操作。

在根据本发明的方案所述的误操作判定装置中，所述电子控制单元可以被配置为：基于对所述第一操作踏板的所述操作内容和所述第二操作踏板的所述操作内容中的至少一个的学习的结果来调节判定所述乘员是否进行所述误操作的判定标准，并且随后，判定所述乘员是否进行了所述误操作。根据本发明的方案，所述误操作判定装置还能够基于对所述第一操作踏板的所述操作内容和所述第二操作踏板的所述操作内容中的至少一个的学习的结果来恰当地判定乘员是否进行了误操作。

在根据本发明的方案所述的误操作判定装置中，所述电子控制单元可以被配置为使用学习模型来判定所述乘员是否进行了所述误操作，所述学习模型以所述操作信息作为输入并且以关于由输入的所述操作信息指示的操作内容的模式是所述第一操作踏板的所述操作内容的模式还是所述第二操作踏板的所述操作内容的模式的判定结果作为输出。所述电子控制单元可以被配置为使所述学习模型学习所述第一操作踏板的所述操作内容和所述第二操作踏板的所述操作内容中的至少一个来学习所述第一操作踏板的所述操作内容和所述第二个操作踏板的所述操作内容中的至少一个。

根据本发明的方案，所述电子控制单元可以使用学习模型恰当地学习第一操作踏板的操作内容和第二操作踏板的操作内容中的至少一个。所述电子控制单元可以使用学习模型来恰当地判定乘员是否进行了误操作，其中使所述学习模型学习第一操作踏板的操作内容和第二操作踏板的操作内容中的至少一个。

在根据本发明的方案所述的误操作判定装置中，所述学习模型可以是符合神经网络的模型。

根据本发明的方案，所述电子控制单元可以使用符合神经网络的学习模型恰当地学习第一操作踏板的操作内容和第二操作踏板的操作内容中的至少一个，并且可以使用符合神经网络的学习模型来恰当地判定乘员是否进行了误操作。

在根据本发明的方案所述的误操作判定装置中，对所述第一操作踏板的所述操作内容和所述第二操作踏板的所述操作内容中的至少一个的学习可以包括对所述第一操作踏板的所述操作内容与所述第二操作踏板的所述操作内容之间的差异的学习。

根据本发明的方案，所述电子控制单元可以使用对第一操作踏板的操作内容与第二操作踏板的操作内容之间的差异的学习结果来恰当地判定乘员是否进行了误操作。即使在学习第一操作踏板的操作内容和第二操作踏板的操作内容中的一个的情况下，也可以学习第一操作踏板的操作内容与第二操作踏板的操作内容之间的差异。原因在于，在学习第一操作踏板的操作内容的情况下，可以判定特定操作内容是否为第一操作踏板的操作内容。类似地，原因在于，在学习第二操作踏板的操作内容的情况下，可以判定特定操作内容是否为第二操作踏板的操作内容。

在根据本发明的方案所述的误操作判定装置中，所述第一操作踏板的所述操作内容与所述第二操作踏板的所述操作内容之间的所述差异可以是所述第一操作踏板与所述第二操作踏板之间的行程量的差异。

在根据本发明的方案所述的误操作判定装置中，所述电子控制单元可以被配置为：i)当由获取的所述操作信息指示的所述操作内容的模式对应于从对所述第一操作踏板的所述操作内容和所述第二操作踏板的所述操作内容中的至少一个的学习的结果推导出的所述第一操作踏板的所述操作内容的模式时，判定所述乘员没有进行所述误操作，以及ii)当由获取的所述操作信息指示的所述操作内容的所述模式对应于从对所述第一操作踏板的所述操作内容和所述第二操作踏板的所述操作内容中的至少一个的学习的结果推导出的所述第二操作踏板的所述操作内容的模式时，判定所述乘员进行了所述误操作。

根据本发明的方案，所述电子控制单元可以使用对第一操作踏板的操作内容与第二操作踏板的操作内容之间的差异的学习结果来恰当地判定乘员是否进行了误操作。

在根据本发明的方案所述的误操作判定装置中，所述第一操作踏板可以是加速踏板；并且所述第二操作踏板可以是制动踏板。根据本发明的方案，所述电子控制单元可以判定乘员是否错踏在加速踏板上而不是制动踏板上。

在根据本发明的方案所述的误操作判定装置中，所述电子控制单元可以被配置为：进一步获取与所述乘员的状态有关的状态信息，并且基于获取的所述操作信息和获取的所述状态信息这两者来判定所述乘员是否进行了所述误操作。所述电子控制单元可以被配置为学习所述乘员的所述状态，并且基于对所述乘员的所述状态的学习的结果来判定所述乘员是否进行了所述误操作。

正在操作第一操作踏板的乘员的状态可能不同于正在操作第二操作踏板的乘员的状态。为此，根据本发明的方案，误操作判定装置能够学习乘员的状态，然后能够基于操作信息、状态信息、对上述的第一操作踏板的操作内容和第二操作踏板的操作内容中的至少一个的学习结果以及对乘员的状态的学习结果来判定乘员是否进行了误操作；因此，误操作判定装置能够以较高准确度判定乘员是否进行误操作。

在根据本发明的方案所述的误操作判定装置中，所述误操作判定装置学习乘员的状态，然后基于上述的状态信息判定乘员是否进行了误操作，所述状态信息可以包括在所述乘员操作所述第一操作踏板的情况与所述乘员操作所述第二操作踏板的情况之间能够区别的所述乘员的所述状态有关的信息。根据本发明的方案，可以基于所述状态信息以较高准确度判定乘员是否进行了误操作。

在根据本发明的方案所述的误操作判定装置中，所述状态信息可以包括安装在所述车辆中并检测所述乘员的所述状态的传感器的输出。

根据本发明的方案，误操作判定装置能够以较高准确度判定乘员是否进行了误操作。

在根据本发明的方案所述的误操作判定装置中，所述第一操作踏板和所述第二操作踏板可以由用于作为所述第一操作踏板的操作和作为所述第二操作踏板的操作这二者的组合踏板构成。

根据本发明的方案，在误操作判定装置安装在包括组合踏板的车辆中的情况下，误操作判定装置可以基于指示组合踏板的操作内容的操作信号来恰当地判定乘员是否将组合踏板操作为加速踏板或制动踏板来操作。

附图说明

下面将参照附图描述本发明的示例性实施例的特征、优点以及技术和工业意义，其中相同的附图标记表示相同的元件，并且其中：

图1是示出实施例的车辆的配置的框图；

图2A是示出加速操作模式的曲线图；

图2B是示出制动操作模式的曲线图；

图3是示出操作判定ECU的配置的框图；

图4是示出特征提取单元的配置的框图；

图5是示出分类器的配置的框图；

图6A是示出特征提取单元在对应于特征量向量的空间上计算出的特征量向量的曲线图；

图6B是示出特征提取单元在对应于特征量向量的空间上计算出的特征量向量的曲线图；

图7是示出将特征提取单元计算出的特征量向量分类为特征量向量的空间上的两类别的超平面的曲线图；

图8是示出控制的配置的框图；

图9是示出图8所示的控制中的开关的输出的表；

图10A是使用特征量向量示出每个乘员或者由于乘员的身体状况等的差异引起的加速操作模式和制动操作模式的变动的曲线图；

图10B是使用特征量向量示出每个乘员或者由于乘员的身体状况等的差异引起的加速操作模式和制动操作模式的变动的曲线图；

图10C是示意性地示出考虑到加速操作模式和制动操作模式的变动的分类器的学习(即，超平面的学习)的模式的曲线图；

图11A是使用特征量向量示出在车辆正在向前移动的状况下的加速操作模式和制动操作模式的曲线图；

图11B是使用特征量向量示出在车辆正在向后移动的状况下的加速操作模式和制动操作模式的曲线图；以及

图12是示出包括可用作加速踏板和制动踏板两者的单个组合踏板的车辆的配置的框图。

具体实施方式

在下文中，将描述误操作判定装置的实施例。在下文中，将描述应用了本发明的误操作判定装置的实施例的车辆1。

(1)车辆的配置1

首先，将参照图1描述本实施例的车辆1的配置。图1是示出本实施例的车辆1的配置的框图。

如图1所示，车辆1包括作为“第一操作踏板”的具体示例的加速踏板11、作为“第二操作踏板”的具体示例的制动踏板12、发动机电子控制单元(ECU)13、制动ECU 14、发动机15、制动机构16以及作为“误操作判定装置”的具体示例的操作判定ECU 17。

加速踏板11是乘员能够操作(即，能够踩踏)的用于调节车辆1的驱动力的操作踏板。制动踏板12是乘员能够操作(即，能够踩踏)的用于调节车辆1的制动力的操作踏板。发动机ECU 13基于指示加速踏板11的操作内容的加速操作信号Spa来进行控制，使得发动机15调节车辆1的驱动力。制动ECU 14基于指示制动踏板12的操作内容的制动操作信号Spb来进行控制，使得制动机构16调节车辆1的制动力。发动机15是产生车辆1的驱动力的驱动源。制动机构16是利用液压等产生车辆1的制动力的制动装置。

操作判定ECU 17判定乘员是否错踏在加速踏板11上而不是制动踏板12上(即，进行了误操作)。即，操作判定ECU 17判定实际踩踏在加速踏板11上的乘员是否将加速踏板11错以为是制动踏板12。换句话说，操作判定ECU 17判定意图操作制动踏板12的乘员是否错误地操作了加速踏板11。

在本实施例中，基于加速操作模式与制动操作模式之间存在差异的假定，操作判定ECU 17判定乘员是否进行了误操作。应注意，加速操作模式是在意图操作加速踏板11的乘员操作加速踏板11的情况下获得的加速操作信号Spa的时序模式。制动操作模式是在意图操作制动踏板12的乘员操作制动踏板12的情况下的制动操作信号Spb的时序模式。

在下文中，将参照图2A和图2B来描述加速操作模式与制动操作模式之间的差异。图2A是示出加速操作模式的曲线图。图2B是示出制动操作模式的曲线图。在图2A中，加速操作信号Spa指示“加速踏板11的行程量(即，加速踏板11的踩踏量)”，加速踏板11的行程量作为指示加速踏板11的操作内容的参数的示例。于是，加速操作模式对应于加速踏板11的行程量沿着时间轴的变化模式。然而，加速操作信号Spa可以指示表示加速踏板11的操作内容的预定参数(例如，加速踏板11的踩踏力的大小、或加速踏板11的踩踏速度等)。类似地，在图2B中，制动操作信号Spb指示“制动踏板12的行程量(即，制动踏板12的踩踏量)”，制动踏板12的行程量作为指示制动踏板12的操作内容的参数的示例。于是，该制动操作模式对应于制动踏板12的行程量沿时间轴的变化模式。然而，制动操作信号Spb可以指示表示制动踏板12的操作内容的预定参数(例如，制动踏板12的踩踏力的大小、或制动踏板12的踩踏速度等)。

如图2A和图2B所示，例如，在加速操作模式与制动操作模式之间，存在加速踏板11相对缓慢地被踩踏而制动踏板12相对快速地被踩踏的差异。也就是说，在加速操作模式与制动操作模式之间，存在行程量在加速操作模式中相对缓慢地增大或减小而行程量在制动操作模式中相对快速地增大或减小的差异。另外，例如，在加速操作模式与制动操作模式之间，存在加速踏板11难以相对较深地踩踏而制动踏板12容易相对较深地踩踏的差异。即，在加速操作模式与制动操作模式之间，存在在加速操作模式中行程量的最大值相对较小而在制动操作模式中行程量的最大值相对较大的差异。另外，例如，在加速操作模式与制动操作模式之间，存在加速踏板11持续在相对较长时间段内被踩踏而制动踏板12仅在相对较短的时间段内被踩踏的差异。即，在加速操作模式与制动操作模式之间，存在在加速操作模式中行程量变为大于0的时间段相对较长而在制动操作模式中行程量变为大于0的时间段相对较短的差异。

操作判定ECU 17通过判定由输入到操作判定ECU 17的加速操作信号Spa指示的实际操作模式(即，加速踏板11的操作内容的时序模式)是加速操作模式(即，对应于加速操作模式，例如与加速操作模式相同或类似)还是制动操作模式，来判定乘员是否进行了误操作。即，操作判定ECU 17通过判定实际操作模式对应于(例如，相同或类似于)加速操作模式还是制动操作模式来判定乘员是否进行了误操作。在实际操作模式为加速操作模式(即，对应于加速操作模式)的情况下，操作判定ECU 17判定乘员没有进行误操作。在实际操作模式为制动操作模式(即，对应于制动操作模式)的情况下，操作判定ECU 17判定乘员进行了误操作。

在本实施例中，特别地，操作判定ECU 17学习加速操作信号Spa和制动操作信号Spb，以进一步提高关于乘员是否进行了误操作的判定准确度。以下，将依次描述判定乘员是否进行了误操作并学习加速操作信号Spa和制动操作信号Spb的操作判定ECU 17的配置和操作。

(2)操作判定ECU 17

(2-1)操作判定ECU 17的配置

首先，将参照图3描述操作判定ECU 17的配置。图3是示出操作判定ECU 17的配置的框图。

如图3所示，操作判定ECU 17包括作为“电子控制单元”的具体示例的控制器171和神经网络172、存储器173以及控制装置174，它们作为在操作判定ECU 17中逻辑上实现的处理模块或在操作判定ECU 17中物理上实现的处理电路。控制器171、神经网络172、存储器173和控制装置174可以通过数据总线175进行通信。

控制器171进行操作判定ECU 17的整体操作的控制。特别地，控制器171从加速踏板11获取加速操作信号Spa，并从制动踏板12获取制动操作信号Spb。控制器171将所获取的加速操作信号Spa和制动操作信号Spb输出到神经网络172。控制器171可以将获取的加速操作信号Spa和制动操作信号Spb存储在存储器173中。

神经网络172基于输入的加速操作信号Spa判定乘员是否进行了误操作。具体地，神经网络172计算由加速操作信号Spa指示的实际操作模式为制动操作模式的概率p(或者实际操作模式为加速操作模式的概率)。换句话说，神经网络172计算实际操作模式与制动操作模式的相似度(与加速操作模式的相似度)。为了计算概率p(换句话说，相似度；同样适用于下文)，神经网络172包括特征提取单元176和分类器177，该特征提取单元176计算指示实际操作模式的特征的特征量向量C，分类器177基于特征量向量C来计算概率p。应注意，特征提取单元176和分类器177的细节将在描述操作判定ECU 17的操作时描述，因此将省略其描述。

神经网络172学习输入的加速操作信号Spa和制动操作信号Spb。具体地，为了调节包括定义分类器177的特性的多个参数的参数组PG以进一步提高对概率p的计算准确度，神经网络172学习输入的加速操作信号Spa和制动操作信号Spb。由神经网络172调节的参数组PG被存储在存储器173中。

控制装置174基于由神经网络172计算出的概率p来进行发动机ECU 13和制动ECU14的控制。应注意，控制装置174的操作的细节将在描述操作判定ECU 17的操作时描述，因此将省略其描述。

(2-2)操作判定ECU 17的操作

(2-2-1)神经网络的初始学习172

首先，在操作判定ECU 17安装在车辆1上时(换句话说，在车辆1投入市场之前)，进行神经网络172的初始学习。具体地，首先，由控制器171收集多个加速操作模式和多个制动操作模式。当测试驾驶员实际操作加速踏板11时可以收集加速操作模式。加速操作模式可以从模拟踩踏加速踏板11的乘员的运动的模拟模型中收集。当测试驾驶员实际操作制动踏板12时，可以收集制动操作模式。制动操作模式可以从模拟乘员踩踏制动踏板12的模拟模型中收集。

控制器171将收集到的加速操作模式和制动操作模式与指示每个操作模式是加速操作模式还是制动操作模式的正确答案数据相关联。具体地，例如，控制器171将多个加速操作模式(x_a1，x_a2，...，x_aN)与指示加速操作模式(x_a1，x_a2，...，x_aN)中的每一个为加速操作模式的正确答案数据(t_a1，t_a2，...，t_aN)相关联。应注意，N表示收集到的加速操作模式的总数，x_an(其中n是满足1≤n≤N的整数)表示第n个加速操作模式(即，行程量的时序数据)，并且t_an表示指示加速操作模式x_an为加速操作模式的正确答案数据。另外，例如，控制器171将多个制动操作模式(x_b1，x_b2，...，x_bM)与指示制动操作模式(x_b1，x_b2，...，x_bM)中的每一个为制动操作模式的正确答案数据(t_b1，t_b2，...，t_bM)相关联。应注意，M表示收集的制动操作模式的总数，x_bm(其中m是满足1≤m≤M的整数)表示第m个制动操作模式(即，行程量的时序数据)，并且t_bm表示指示制动操作模式x_bm为制动操作模式的正确答案数据。

之后，控制器171生成联接了加速操作模式(x_a1，x_a2，...，x_aN)、正确答案数据(t_a1，t_a2，...，t_aN)、制动操作模式(x_b1，x_b2，...，x_bM)以及正确答案数据(t_b1，t_b2，...，t_bM)的矩阵(x，t)。应注意，x是通过联接加速操作模式(x_a1，x_a2，...，x_aN)和制动操作模式(x_b1，x_b2，...，x_bM)而获得的矩阵，并且表达为矩阵(x_a1，x_a2，...，x_aN，x_b1，x_b2，...，x_bM)。类似地，t是通过联接正确答案数据(t_a1，t_a2，...，t_aN)和正确答案数据(t_b1，t_b2，...，t_bM)而获得的矩阵，并且表达为矩阵(t_a1，t_a2，...，t_aN，t_b1，t_b2，...，t_bM)。于是，矩阵(x，t)成为表示矩阵x的各矩阵分量(即操作模式)是加速操作模式还是制动操作模式的矩阵。

之后，在控制器171的控制下使用矩阵(x，t)进行神经网络172的学习。具体地，构成矩阵x的矩阵分量x_a1被输入到特征提取单元176。特征提取单元176计算表示矩阵分量x_a1的特征量的特征量向量C_a1。特征提取单元176使用用于提取特征量的现有算法来计算特征量向量C_a1。然而，为了便于描述，在本实施例中，特征提取单元176通过对矩阵分量x_a1进行卷积处理来计算特征量向量C_a1。也就是说，在本实施例中，神经网络172是卷积神经网络(CNN)。

在上述情况下，如图4所示，特征提取单元176包括输入接口1761、卷积处理单元1762和池化处理单元1763。应注意，由卷积处理单元1762进行的卷积处理可以与现有的卷积处理相同，并且由池化处理单元1763进行的池化处理可以与现有的池化处理相同。为此，为了简化描述，虽然将不提供对卷积处理和池化处理的详细描述，但卷积处理和池化处理的概要将在下文中简单地描述。矩阵分量x_a1(即，加速操作信号Spa或制动操作信号Spb)输入到输入接口1761。输入接口1761将具有串行数据排列的矩阵分量x_a1转换为并行数据排列。输入接口1761将具有并行数据阵列的矩阵分量x_a1输入到卷积处理单元1762。卷积处理单元1762使用具有期望的滤波器特性的卷积滤波器对矩阵分量x_a1进行卷积处理。此时，卷积处理单元1762可以使用具有不同滤波器特性的多个卷积滤波器对矩阵分量x_a1进行多种类型的卷积处理，或者可以使用单个卷积滤波器进行卷积处理。作为卷积处理的结果而获得的数据(所谓的特征映射)被输入到池化处理单元1763。池化处理单元1763对特征映射进行池化处理。结果，池化处理单元1763输出指示矩阵分量x_a1的特征的D维(其中D是大于或等于1的整数)特征量向量Ca1。

在图4所示的示例中，特征提取单元176包括包含卷积处理单元1762和池化处理单元1763的单个处理单元。然而，特征提取单元176也可以包括包含卷积处理单元1762和池化处理单元1763的多个处理单元。在这种情况下，从特定处理单元的池化处理单元1763输出的特征量向量C_a1被输出到下一阶段的处理单元的卷积处理单元1762。即，重复进行卷积处理和池化处理。

由特征提取单元176计算出的特征量向量C_a1被输入到分类器177。分类器177基于特征量向量C_a1将由矩阵分量x_a1表示的操作模式分类为两个类别之一。即，分类器177判定由矩阵分量x_a1表示的操作模式属于两个类别中的哪一个。于是，分类器177是两类别分类型分类器。这里，如上所述，神经网络172计算由输入的加速操作信号Spa表示的实际操作模式为制动操作模式的概率p。为此，分类器177被配置为计算由矩阵分量x_a1表示的操作模式为制动操作模式的概率p_a1。即，分类器177通过计算概率p_a1，将由矩阵分量x_a1表示的操作模式分类为与加速操作模式对应的类别和与制动操作模式对应的类别中的一个。

例如，如图5所示，上述的分类器177包括全连接层1771和输出层1772，构成D维特征量向量C的D个输入值(d1，d2，d3，...，dD)输入到全连接层1771，输出层1772基于从全连接层1771的输出来输出概率p。

上述的对概率p的计算操作是在构成矩阵x的其他矩阵分量x_a1，x_a2，...x_aN，x_b1，x_b2，...，x_bM上进行的。结果是，计算出了由矩阵分量x_a2表示的操作模式为制动操作模式的概率p_a2，...、由矩阵分量x_aN表示的操作模式为制动操作模式的概率p_aN、由矩阵分量x_b1表示的操作模式为制动操作模式的概率p_b1、...、以及由矩阵分量x_bM表示的操作模式为制动操作模式的概率p_bM。

之后，控制器171计算表示由分类器177计算出的概率p(＝(p_a1，p_a2，...，p_aN，p_b1，...，p_bM))和正确答案数据t(＝(t_a1，t_a2，...，t_aN，t_b1，...，t_bM))之间的误差的误差函数E(p，t)。之后，控制器171使特征提取单元176和分类器177进行学习，使得误差函数E(p，t)最小化。即，控制器171使特征提取单元176和分类器177使用监督学习算法进行学习。在这种情况下，由于特征提取单元176和分类器177构成神经网络172，所以控制器171可以使特征提取单元176和分类器177使用误差逆传播方法进行学习。然而，控制器171可使特征提取单元176和分类器177使用其他算法进行学习。应注意，由于特定操作模式为制动操作模式的概率是概率p，所以正确答案数据t_a1，t_a2，...，t_aN中的每一个指示“0(＝0％)”，并且正确答案数据t_b1，t_b2，...，t_bM中的每一个指示“1(＝100％)”。此外，由于可以使用现有的误差函数(换句话说，损失函数或目标函数)作为误差函数E(p，t)，所以将省略误差函数E(p，t)的详细描述。

对特征提取单元176的学习可以包括调节由特征提取单元176使用的卷积滤波器的滤波特性。指示调节后的滤波特性的信息作为构成参数组PG的参数存储在存储器173中。然而，对特征提取单元176的学习可以包括调节特征提取单元176的预定特征(特别是，与特征量向量C的计算相关的特征)。对分类器177的学习可以包括调节构成全连接层1771的多个节点N的权重。对分类器177的学习可以包括调节在输出层1772中使用的激活函数(所谓的softmax函数)。指示调节后的节点N的权重和激活函数的信息作为构成参数组PG的参数被存储在存储器173中。然而，对分类器177的学习可以包括调节分类器177的预定特征(特别是，与概率p的计算相关的特征)。

当进行特征提取单元176的学习以使得上述的误差函数E(p，t)最小化时，如图6A所示，特征提取单元176可以计算特征量向量C，使得与加速操作模式对应的特征量向量C和与制动操作模式对应的特征量向量C在与特征量向量C相对应的D维空间中清楚地分离。相反地，进行特征提取单元176的学习，使得能够计算出能够清楚地分离与加速操作模式对应的特征量向量C和与制动操作模式对应的特征量向量C的特征量向量C。结果是，在学习之前由特征提取单元176计算出的特征量向量C中，如图6B所示，即使在与加速操作模式对应的特征量向量C和与制动操作模式对应的特征量向量C至少部分重叠的情况下，也可以通过学习来计算特征量向量C，使得与加速操作模式对应的向量C和与制动操作模式对应的特征量向量C清楚地分离。

另外，当使分类器177进行学习以使得上述的误差函数E(p，t)最小化时，如图7所示，分类器177可以指定用于在与特征量向量C对应的D维空间中分离与加速操作模式相对应的特征量向量C和与制动操作模式对应的特征量向量C的超平面(即，判定边界)。即，分类器177的学习(即，构成上述的全连接层1771的节点N的调节或者输出层1772中使用的激活函数的调节)等同于调节在计算实际操作模式为制动操作模式的概率p时与计算基准对应的超平面。于是，可以说存储在存储器173中的参数组PG实质上包括定义上述超平面的参数。特别是，由于通过特征提取单元176的学习明确地分离出与加速操作模式对应的特征量向量C和与制动操作模式对应的特征量向量C，所以分类器177可以指定在与加速操作模式对应的特征量向量C和与制动操作模式对应的特征量向量C两者都分离的位置处定义的超平面。为此，存在从分类器177输出的概率p变为接近于0的值或接近于1的值的相对较高概率(换句话说，存在概率p变为接近于0.5的值的相对较高概率)。

(2-2-2)由操作判定ECU 17进行的误操作判定操作

随后，将再次参照图3描述在车辆1实际行驶期间(即，乘员实际操作加速踏板11)的时间段内由操作判定ECU 17进行的误操作判定操作。

在这种情况下，加速操作信号Spa被输入到特征提取单元176。此后，特征提取单元176计算指示加速操作信号Spa的特征的特征量向量C(即，指示实际操作模式的特征的特征量向量C)。误操作判定操作中的特征量向量C的计算操作与初始学习中的特征量向量C的计算操作相同。

之后，分类器177基于特征量向量C来计算输入的加速操作信号Spa所指示的实际操作模式为制动操作模式的概率p。在误操作判定操作中概率p的计算操作与初始学习中概率p的计算操作相同。

在乘员没有错踏在加速踏板11上而不是踏在制动踏板12上的情况下，实际操作模式应该为加速操作模式。这是因为乘员意图操作加速踏板11而操作了加速踏板11。为此，分类器177将由特征提取单元176计算出的特征量向量C分类为与加速操作模式对应的类别。即，分类器177计算概率p为接近于0。于是，分类器177通过计算概率p为接近于0，实质上判定乘员没有错踏在加速踏板11上而不是踏在制动踏板12上。在乘员错踏在加速踏板11上而不是踏在制动踏板12上的情况下，实际操作模式应该为制动操作模式。这是因为乘员意图操作制动踏板12而操作了加速踏板11。为此，分类器177将由特征提取单元176计算出的特征量向量C分类为与制动操作模式对应的类别。即，分类器177计算概率p为接近于1。于是，分类器177通过计算概率p为接近于1，实质上判定乘员错踏在加速踏板11上而不是踏在制动踏板12上。

由分类器177计算出的概率p(即，实质上，对乘员是否错踏在加速踏板11而不是踏在制动踏板12上的判定结果)输入到控制装置174。

在概率p比较接近于1的情况下(例如，变为大于或等于第一预定阈值(例如，大于或等于0.5，为0.7、0.8、0.9等值))，控制装置174限制发动机ECU 13的操作。具体地，控制装置174限制发动机ECU 13的操作，从而不基于加速操作信号Spa来进行发动机15的控制。例如，控制装置174限制发动机ECU 13的操作，使得不管加速操作信号Spa如何，发动机15都不输出驱动力。另外，控制装置174还可以在限制发动机ECU 13的操作之外进行制动ECU 14的控制以产生用于使车辆1减速或停止的制动力，或者可以不限制发动机ECU 13的操作而进行制动ECU的控制以产生用于使车辆1减速或停止的制动力。结果是，制动机构16产生用于使车辆1减速或停止的制动力。

在概率p比较接近于0(例如，小于第二预定阈值(例如，小于或等于0.5，为0.3、0.2、0.1等值))的情况下，控制装置174不限制发动机ECU 13的操作。为此，发动机ECU 13基于加速操作信号Spa进行发动机15的控制。

将参照图8描述如上所述的能够限制发动机ECU 13的操作的控制装置174的示例。如图8所示，控制装置174包括二值化处理单元1741、开关1742和锁存器1743。二值化处理单元1741将概率p二值化。例如，二值化处理单元1741将比较接近于1(例如，变为大于或等于上述第一预定阈值)的概率p转换为1，并且将比较接近于0(例如，变为小于或等于上述第二预定阈值)的概率p转换为0。开关1742在加速踏板11操作的时间段内操作，并且在制动踏板12操作的时间段内停止。为此，指示乘员操作的操作踏板是加速踏板11还是制动踏板12的踏板识别信号被输入到开关1742。开关1742是多路复用器(MUX)。将0输入到开关1742的第一输入端子(即，开关1742的第一输入端子接地)，并且二值化处理单元1741的输出被输入到开关1742的第二输入端子。于是，如图9所示，开关1742在乘员错踏在加速踏板11上而不是踏在制动踏板12上期间的时间段内输出1，并且在乘员错踏在加速踏板11上而不是踏在制动踏板12上期间的时间段之外输出0。锁存器1743在开关1742的输出变为1的情况下输出1，并且在开关1742的输出变为0的情况下将输出重置为0。

锁存器1743的输出被输出到发动机ECU 13和制动ECU 14。在锁存器1743的输出为1的情况下，制动ECU 14进行控制使得制动机构16产生用于进行限制发动机ECU 13的操作或车辆1的减速或停止中的至少一个的制动力。在锁存器1743的输出为0的情况下，发动机ECU 13的操作不受限制。

应注意，在限制发动机ECU 13的操作使得发动机15不输出驱动力的情况下，也可以在除了将锁存器1743的输出被输入到发动机ECU 13(即，基于锁存器1743的输出直接限制发动机ECU 13的操作)之外基于锁存器1743的输出来切断向发动机ECU 13的加速操作信号Spa的传递，或者可以不将锁存器1743的输出输入到发动机ECU 13而基于锁存器1743的输出来切断向发动机ECU 13的加速操作信号Spa的传递。具体地，例如，能够切断加速操作信号Spa的发送的开关可以布置在加速踏板11与发动机ECU 13之间，在锁存器1743的输出为1的情况下，使开关的状态转换到能够切断加速操作信号Spa的传递的状态，而在锁存器1743的输出为0的情况下，可以使开关的状态转换到不切断加速操作信号Spa的传递的状态。

(2-2-3)神经网络172的在线学习

另外，在本实施例中，在车辆1实际正在行驶期间的时间段(即，乘员实际正在操作加速踏板11期间的时间段)，利用输入到控制器171的加速操作信号Spa和制动操作信号Spb中的至少一个进行操作判定ECU 17对神经网络172的学习。即，进行了神经网络172的在线学习(换句话说，实时学习)。具体地，每次加速操作信号Spa和制动操作信号Spb中的至少一个输入到神经网络172时，进行对神经网络172的学习。然而，可以在每次加速操作信号Spa和制动操作信号Spb中的至少一个的给定量被存储在存储器173中时，进行对神经网络172的学习。

神经网络172的在线学习包括对分类器177的学习。在这种情况下，控制器171可以使分类器177使用监督学习算法进行学习。即，控制器171可使分类器177以与初始学习中相同的学习模式进行学习。在这种情况下，正确答案数据可以例如由乘员输入。或者，控制器171可使分类器177使用无监督学习算法进行学习。作为无监督学习算法的示例，例示了期望最大化(EM)方法等。神经网络172的在线学习可以在分类器177的学习之外还包括对特征提取单元176的学习，或者可以包括特征提取单元176的学习，而不包括分类器177的学习。在这种情况下，控制器171可以使特征提取单元176使用监督学习算法和无监督学习算法中的至少一种进行学习。然而，由于对特征提取单元176的学习所需的处理负荷可能大于对分类器177的学习所需的处理负荷，因此为了进一步减小学习所需的处理负荷，可以不进行对特征提取单元176的学习(即，在线学习)。

神经网络172的在线学习可以在操作判定ECU 17中进行。或者，神经网络172的在线学习可以由车辆1外部的数据中心进行。在这种情况下，加速操作信号Spa和制动操作信号Spb中的至少一个通过网络从车辆1发送到数据中心。在数据中心中，构建了等价于神经网络172的计算模型。数据中心使用加速操作信号Spa和制动操作信号Spb中的至少一个以及计算模型来模拟对神经网络172的学习。数据中心的学习结果通过网络从数据中心发送到操作判定ECU 17。操作判定ECU 17基于数据中心的学习结果来调节神经网络172的特性(即，参数组PG)。

(3)技术效果

利用上述操作判定ECU 17，进行了使用加速操作模式和制动操作模式(即，加速操作信号Spa和制动操作信号Spb)对神经网络172的学习。即，操作判定ECU 17可以使用对加速操作模式和制动操作模式的学习结果来恰当地判定实际操作模式是否为制动操作模式(即，乘员是否进行了误操作)。为此，与不学习加速操作模式和制动操作模式的比较例的操作判定ECU 17相比，对乘员是否进行了误操作的判定准确度进一步提高。

具体地，在本实施例中，即使在车辆1正在行驶时也进行神经网络172的在线学习。也就是说，神经网络172根据乘员对加速踏板11和制动踏板12中的至少一个的实际操作内容进行优化。为此，即使在由于驾驶技能水平等而导致对每个乘员而言加速踏板11和制动踏板12的操作内容变动的情况下，操作判定ECU 17也可以恰当地判定乘员是否进行了误操作。或者，即使在加速踏板11和制动踏板12的操作内容取决于乘员身体状况、感觉等(或其它因素)的差异而变动的情况下，操作判定ECU 17也可以恰当地判定乘员是否进行了误操作。

具体地，例如，图10A是示出在第一乘员操作加速踏板11和制动踏板12的情况下计算出的特征量向量C的曲线图。图10B是示出在不同于第一乘员的第二乘员操作加速踏板11和制动踏板12的情况下计算出的特征量向量C的曲线图。图10A和图10B中示出的超平面是由神经网络172的初始学习指定的超平面。如图10A和图10B所示，对加速踏板11和制动踏板12的操作内容可因驾驶技能水平等对于每个乘员是变动的。在这种情况下，由初始学习指定的超平面可以清楚地分离与第一乘员的加速操作模式对应的特征量向量C和与第一乘员的制动操作模式对应的特征量向量C。不应该认为，通过初始学习指定的超平面可以清楚地分离与第二乘员的加速操作模式对应的特征量向量C和与第二乘员的制动操作模式对应的特征量向量C。在上述的状况下，在第二乘员正在操作车辆1的同时进行神经网络172的在线学习的情况下，如图10C所示，定义了能够清楚地分离与第二乘员的加速操作模式对应的特征量向量C和与第二乘员的制动操作模式对应的特征量向量C的并且对于第二乘员是优化的超平面。结果是，即使在由于驾驶技能水平等导致加速踏板11和制动踏板12的操作内容对于每个乘员而言变动的情况下，操作判定ECU 17也可以恰当地判定乘员是否进行了误操作。

或者，例如，图10A可以是示出在乘员处于身体状况良好时的操作加速踏板11和制动踏板12的情况下计算出的特征量向量C的曲线图。图10B可以是示出在同一乘员处于身体状况差时操作加速踏板11和制动踏板12的情况下计算出的特征量向量C的曲线图。即，图10A和图10B可以示出加速踏板11和制动踏板12的操作内容可以取决于乘员的身体状况等的差异而变动。在这种情况下，通过初始学习指定的超平面可以清楚地分离与乘员处于身体状况良好时的加速操作模式对应的特征量向量C和与乘员处于身体状况良好时的制动操作模式对应的特征量向量C。不应该认为，通过初始学习指定的超平面可以清楚地分离与乘员处于身体状况差时的加速操作模式对应的特征量向量C和与乘员处于身体状况差时的制动操作模式对应的特征量向量C。在上述的状况下，在乘员处于身体状况差时正在操作车辆1的同时进行神经网络172的在线学习的情况下，如图10C所示，定义了能够分离与乘员处于身体状况差时的加速操作模式对应的特征量向量C和与乘员处于身体状况差时的制动操作模式对应的特征量向量C的并且是对于乘员身体状况差时优化的超平面。结果是，即使在对加速踏板11和制动踏板12的操作内容取决于乘员的身体状况等的差异而变动的情况下，操作判定ECU 17也可以恰当地判定乘员是否进行了误操作。

(4)变形例

(4-1)第一变形例

在车辆1正在向前移动的状况下的加速操作模式可以与在车辆1正在向后移动的状况下的加速操作模式不同。类似地，在车辆1正在向前移动的状况下的制动操作模式可以与在车辆1正在向后移动的状况下的制动操作模式不同。在这种情况下，在不考虑车辆1是正在向前还是正在向后移动的情况下进行神经网络172的学习和误操作判定操作的情况下，对于乘员是否进行了误操作的判定准确度可能劣化。

为此，在第一变形例中，在初始学习和在线学习中，神经网络172分别学习在车辆1正在向前移动的状况下的加速操作模式(或加速操作信号Spa)以及在车辆1正在向后移动的状况下的加速操作模式(或加速操作信号Spa)。另外，神经网络172分别学习在车辆1正在向前移动的状况下的制动操作模式(或制动操作信号Spb)和在车辆1正在向后移动的状况下的制动操作模式(或制动操作信号Spb)。

具体地，特征提取单元176分别调节用于根据在车辆1正在向前移动的状况下获取的加速操作信号Spa来计算特征量向量C的滤波器特性(以下称为“用于向前移动的滤波器特性”)，以及用于根据在车辆1正在向后移动的状况下获取的加速操作信号Spa来计算特征量向量C的滤波器特性(以下称为“用于向后移动的滤波器特性”)。也就是说，特征提取单元176基于在车辆1正在向前移动的状况下的加速操作模式(或加速操作信号Spa)和制动操作模式(或制动操作信号Spb)来调节用于向前移动的滤波器特性。类似地，特征提取单元176基于在车辆1正在向后移动的状况下的加速操作模式(或加速操作信号Spa)和制动操作模式(或制动操作信号Spb)来调节用于向后移动的滤波器特性。

分类器177分别调节在车辆1正在向前移动的状况下获取的用于计算实际操作模式为制动操作模式的概率p的超平面(以下称为“用于向前移动的超平面”)以及在车辆1正在向后移动的状况下获取的用于计算实际操作模式为制动操作模式的概率p的超平面(以下称为“用于向后移动的超平面”)。即，分类器177在车辆1正在向前移动的状况下基于加速操作模式(或加速操作信号Spa)和制动操作模式(或制动操作信号Spb)来调节用于向前移动的超平面。类似地，分类器177在车辆1正在向后移动的状况下基于加速操作模式(或加速操作信号Spa)和制动操作模式(或制动操作信号Spb)来调节用于向后移动的超平面。

另外，在误操作判定操作中，在车辆1正在向前移动的状况下，特征提取单元176使用具有用于向前移动的滤波特性的卷积滤波器来计算特征量向量C。在车辆1正在向后移动的状况下，特征提取单元176使用具有用于后向移动的滤波特性的卷积滤波器来计算特征量向量C。结果是，如图11A和图11B所示，在车辆1正在向前移动的情况以及在车辆1正在向后移动的情况下两者，特征提取单元176可以计算特征量向量C，使得与加速操作模式对应的特征量向量C和与制动操作模式对应的特征量向量C被清楚地分离。也就是说，特征提取单元176可以在考虑到车辆1正在向前移动的状况下的加速操作模式与制动操作模式和在车辆1正在向后移动的状况下的加速操作模式与制动操作模式之间的差异的同时来计算特征量向量C。

在误操作判定操作中，在车辆1正在向前移动的情况下，如图11A所示，分类器177使用用于向前移动的超平面来计算概率p。在车辆1正在向后移动的情况下，如图11B所示，分类器177使用用于向后移动的超平面来计算概率p。也就是说，分类器177可以在考虑到在车辆1正在向前移动的状况下的加速操作模式与制动操作模式和在车辆1向后移动的状况下的加速操作模式与制动操作模式之间的差异来计算概率P。

在上述的第一变形例中，操作判定ECU 17能够以较高准确度判定在车辆1正在向前移动的状况下乘员是否进行了误操作，并且能够以较高准确度判定在车辆1正在向后移动的状况下乘员是否进行了误操作。

(4-2)第二变形例

正操作加速踏板11的乘员的状态可以与正在操作制动踏板12的乘员的状态不同。例如，作为乘员的状态的具体示例的“乘坐者的抓握方向盘的力”具有正操作加速踏板11的乘员的抓握方向盘的力相对较小而正操作制动踏板12的乘员的抓握方向盘的力变为相对较大的特性。这是因为，如上所述，由于制动踏板12相对较快或较深地踩踏，所以乘员紧紧抓握方向盘以相对较快或较深地踩踏制动踏板12的概率较高。

为此，可以认为，上述的乘员的状态(特别是，在乘员正在操作加速踏板11时与在乘员正操作制动踏板12时之间变化(换言之，可区分)的状态)对于判定乘员是否进行了误操作的操作是有益的信息。于是，在第二变形例中，操作判定ECU 17除了加速操作信号Spa以外还基于指示乘员的状态的状态信息来判定乘员是否进行了误操作。具体地，用于检测乘员的状态的传感器被安装在车辆1中。传感器的输出像加速操作信号Spa那样被输入到特征提取单元176。特征提取单元176计算指示包括加速操作信号Spa的信息和状态信息的特征的特征量向量C。分类器177根据特征量向量C计算由加速操作信号Spa指示的实际操作模式为制动操作模式的概率p。

在第二变形例中，除了加速操作模式(或加速操作信号Spa)和制动操作模式(或制动操作信号Spb)之外，神经网络172还学习乘员的状态。即，除了加速操作模式(或加速操作信号Spa)和制动操作模式(或制动操作信号Spb)之外，特征提取单元176还使用乘员的状态来调节滤波器特性。除了加速操作模式(或加速操作信号Spa)和制动操作模式(或制动操作信号Spb)之外，分类器177还使用乘员的状态来调节超平面。在上述第二变形例中，操作判定ECU 17能够以较高准确度判定乘员是否进行了误操作。

(4-3)第三变形例

在以上描述中，操作判定ECU 17判定乘员是否错踏在加速踏板11上而不是踏在制动踏板12上。这里，为了判定乘员是否错踏在加速踏板11上而不是踏在制动踏板12上，操作判定ECU 17计算由加速操作信号Spa所指示的实际操作模式为制动操作模式的概率p。可以认为，计算概率p的上述操作大致等同于指定乘员是否将要操作加速踏板11或制动踏板12的操作。这是因为，在实际操作模式为制动操作模式的概率p相对较大的情况下，可以做出乘员即将操作制动踏板12的指定，并且在实际操作模式为制动操作模式的概率p相对较小的情况下，可以做出乘员即将操作加速踏板11的指定。

为此，如图12所示，在操作判定ECU 17安装在包括可用作加速踏板11和制动踏板12两者的单个组合踏板21而不是加速踏板11和制动踏板12的车辆2中的情况下，判定ECU17可以基于指示对组合踏板21的操作内容的操作信号Sp来恰当地判定乘员正在操作作为加速踏板11还是作为制动踏板12的组合踏板21。具体地，在计算出的实际操作模式为制动操作模式的概率p相对较小的情况下，操作判定ECU 17指定乘员正在操作作为加速踏板11的组合踏板21。在计算出的实际操作模式为制动操作模式的概率p相对较大的情况下，操作判定ECU 17指定乘员正在操作作为制动踏板12的组合踏板21。在做出乘员正在操作作为加速踏板11的组合踏板21的指定的情况下，操作判定ECU 17基于操作信号Sp进行控制以使得发动机ECU 13进行对发动机15的控制，并且基于操作信号Sp进行控制以使得制动ECU 14不进行对制动机构16的控制。在做出乘员正在操作作为制动踏板12的组合踏板21的指定的情况下，操作判定ECU 17基于操作信号Sp进行控制以使得发动机ECU 13不进行对发动机15的控制并且基于操作信号Sp进行控制以使得制动ECU 14进行对制动机构16的控制。

即，在第三变形例中，操作判定ECU 17是操作内容判定装置，在包括可由乘员操作以用于驱动车辆的操作踏板的车辆中，所述操作内容判定装置判定乘员是否正操作作为加速踏板还是制动踏板的操作踏板，并且操作判定ECU 17可以获取与乘员对操作踏板的操作内容有关的操作信息。操作判定ECU 17可以基于所获取的操作信息来判定乘员是正在操作作为第一类型踏板的操作踏板还是与第一类型踏板不同的第二类型踏板的操作踏板。操作判定ECU 17可以起到操作内容判定装置的作用，所述操作内容判定装置学习在操作踏板作为第一类型踏板操作的情况下的操作内容以及在操作踏板作为第二种类型踏板操作的情况下的操作内容中的至少一个，并基于学习的结果判定乘员正在操作作为第一类型踏板还是第二类型踏板的操作踏板。在这种情况下，第一类型踏板可以是加速踏板，而第二类型踏板可以是制动踏板。另外，在第一类型踏板是加速踏板并且第二类型踏板是制动踏板的情况下，操作判定ECU 17可以起到操作内容判定装置的作用，操作内容判定装置进一步包括如下的判定手段：其根据在判定乘员正在操作作为第一类型踏板(即，加速踏板)的操作踏板的情况下的操作踏板的操作内容来进行对配置为输出车辆的驱动力的驱动源的控制，并且根据在判定乘员正在操作作为第二类型踏板(即，制动踏板)的操作踏板的情况下的操作踏板的操作内容来进行对配置为输出车辆的制动力的制动装置的控制。

在上述的第三变形例中，操作判定ECU 17能够使包括可用作加速踏板11和制动踏板12两者的单个组合踏板21的车辆2适当地行驶。

(4-4)其他变形例

在以上描述中，神经网络172是卷积神经网络。然而，神经网络172可以是其他类型的神经网络。例如，神经网络172可以是递归神经网络(RNN)。例如，神经网络172可以是长短期记忆(LSTM)。

在以上描述中，操作判定ECU 17包括包含特征提取单元176和分类器177两者的神经网络172。然而，操作判定ECU 17可以包括不包括特征提取单元176和分类器177中的至少一个的神经网络，只要能够学习加速操作信号Spa和制动操作信号Spb并且可以恰当地判定乘员是否进行了误操作即可。例如，操作判定ECU 17可以分别包括包含特征提取单元176的神经网络和分类器177。在这种情况下，分类器177可以使用神经网络的二值化分类方法来计算实际操作模式为制动操作模式的概率p。或者，分类器177可以使用符合预定监督学习算法的二值化分类方法来计算实际操作模式为制动操作模式的概率p。作为符合监督学习算法的二值化分类方法的示例，例示了逻辑回归方法、被动主动(PA，passive aggressive)方法、线性支持向量机(SVM)方法等。或者，分类器177可以使用符合预定无监督学习算法的二值化分类方法来计算实际操作模式为制动操作模式的概率p。作为符合无监督学习算法的二值化分类方法的示例，例示了K均值方法、混合模型分离方法、异常检测方法等。或者，操作判定ECU 17可以单独地包括包含分类器177的神经网络和特征提取单元176。

在以上描述中，操作判定ECU 17包括神经网络172。然而，操作判定ECU 17可以包括可以学习加速操作信号Spa和制动操作信号Spb并且可以恰当地判定乘员是否进行了误操作的预定学习模型(例如，使用遗传算法的学习模型、使用预定机器学习方法的学习模型等)，只要能够学习加速操作信号Spa和制动操作信号Spb，并且可以恰当地判定乘员是否进行了误操作。

在上面的描述中，神经网络172基于输入的加速操作信号Spa判定乘员是否错踏在加速踏板11上而不是踏在制动踏板12上。然而，神经网络172可以基于输入的制动操作信号Spb来判定乘员是否错踏在制动踏板12上而不是踏在加速踏板11上。也就是说，神经网络172可以通过计算输入的制动操作信号Spb的特征量向量C并且计算制动操作信号Spb指示的实际操作模式为加速操作模式的概率来判定乘员是否错踏在制动踏板12上而不是踏在加速踏板11上。另外，在车辆1包括与加速踏板11和制动踏板12不同的另一操作踏板(例如，离合器踏板等)的情况下，神经网络172可以基于指示另一操作踏板的操作内容的操作信号判定乘员是否错踏在另一操作踏板上而不是踏在加速踏板11或制动踏板12上。也就是说，在车辆1包括两个预定操作踏板的情况下，神经网络172可以基于指示第一操作踏板的操作内容的操作信号来判定乘员是否错踏在第一操作踏板上而不是第二操作踏板上。

本发明不限于上述实施例，并且可以在不脱离可以从权利要求和整个说明书中理解的本发明的本质或精神的情况下进行改变。涉及这种改变的误操作判定装置也旨在本发明的技术范围内。

Claims

1.一种误操作判定装置，其被配置为，在包括能够由乘员分别操作以用于驾驶车辆的第一操作踏板和第二操作踏板的所述车辆中，判定所述乘员是否进行了错踏在所述第一操作踏板而不是所述第二操作踏板上的误操作，所述误操作判定装置的特征在于包括电子控制单元，所述电子控制单元被配置为：

获取与所述乘员对所述第一操作踏板的操作内容有关的操作信息以及与所述乘员的状态有关的状态信息，

基于获取的所述操作信息和获取的所述状态信息来判定所述乘员是否进行了所述误操作，

学习所述乘员的所述状态以及所述第一操作踏板的所述操作内容和所述第二操作踏板的操作内容中的至少一个，并且

基于对所述乘员的所述状态以及所述第一操作踏板的所述操作内容和所述第二操作踏板的所述操作内容中的至少一个的学习的结果来判定所述乘员是否进行了所述误操作，

其中所述状态信息包括指示所述乘员施加到方向盘上的抓握力并且在所述乘员操作所述第一操作踏板时与所述乘员操作所述第二操作踏板时之间能够区别的信息，

所述第一操作踏板是加速踏板，并且

所述第二操作踏板是制动踏板。

2.根据权利要求1所述的误操作判定装置，其特征在于，所述电子控制单元被配置为在所述车辆正在行驶期间的至少一部分时间段中学习所述乘员实际操作所述第一操作踏板时的所述第一操作踏板的所述操作内容和所述乘员实际操作所述第二操作踏板时的所述第二操作踏板的所述操作内容中的至少一个。

3.根据权利要求1或2所述的误操作判定装置，其特征在于，所述电子控制单元被配置为分别学习在所述车辆向前移动的状况下的所述第一操作踏板的所述操作内容和所述第二操作踏板的所述操作内容中的至少一个以及在所述车辆向后移动的状况下的所述第一操作踏板的所述操作内容和所述第二操作踏板的所述操作内容中的至少一个。

4.根据权利要求3所述的误操作判定装置，其特征在于，所述电子控制单元被配置为：

基于在所述车辆向前移动的状况下获取的所述操作信息和在所述车辆向前移动的状况下对所述第一操作踏板的所述操作内容和所述第二操作踏板的所述操作内容中的至少一个的学习的结果，在所述车辆正在向前移动的状况下判定所述乘员是否进行了所述误操作，以及

基于在所述车辆向后移动的状况下获取的所述操作信息和在所述车辆向后移动的状况下对所述第一操作踏板的所述操作内容和所述第二操作踏板的所述操作内容中的至少一个的学习的结果，在所述车辆正在向后移动的状况下判定所述乘员是否进行了所述误操作。

5.根据权利要求1或2所述的误操作判定装置，其特征在于，所述电子控制单元被配置为：基于对所述第一操作踏板的所述操作内容和所述第二操作踏板的所述操作内容中的至少一个的学习的结果来调节判定所述乘员是否进行所述误操作的判定标准，并且随后，判定所述乘员是否进行了所述误操作。

6.根据权利要求1或2所述的误操作判定装置，其特征在于：

所述电子控制单元被配置为使用学习模型来判定所述乘员是否进行了所述误操作，所述学习模型以所述操作信息作为输入并且以关于由输入的所述操作信息指示的操作内容的模式是所述第一操作踏板的所述操作内容的模式还是所述第二操作踏板的所述操作内容的模式的判定结果作为输出；并且

所述电子控制单元被配置为使所述学习模型学习所述第一操作踏板的所述操作内容和所述第二操作踏板的所述操作内容中的至少一个来学习所述第一操作踏板的所述操作内容和所述第二个操作踏板的所述操作内容中的至少一个。

7.根据权利要求6所述的误操作判定装置，其特征在于，所述学习模型是符合神经网络的模型。

8.根据权利要求1或2所述的误操作判定装置，其特征在于，对所述第一操作踏板的所述操作内容和所述第二操作踏板的所述操作内容中的至少一个的学习包括对所述第一操作踏板的所述操作内容与所述第二操作踏板的所述操作内容之间的差异的学习。

9.根据权利要求8所述的误操作判定装置，其特征在于，所述第一操作踏板的所述操作内容与所述第二操作踏板的所述操作内容之间的所述差异是所述第一操作踏板与所述第二操作踏板之间的行程量的差异。

10.根据权利要求1或2所述的误操作判定装置，其特征在于，所述电子控制单元被配置为：

i)当由获取的所述操作信息指示的所述操作内容的模式对应于从对所述第一操作踏板的所述操作内容和所述第二操作踏板的所述操作内容中的至少一个的学习的结果推导出的所述第一操作踏板的所述操作内容的模式时，判定所述乘员没有进行所述误操作，以及

ii)当由获取的所述操作信息指示的所述操作内容的所述模式对应于从对所述第一操作踏板的所述操作内容和所述第二操作踏板的所述操作内容中的至少一个的学习的结果推导出的所述第二操作踏板的所述操作内容的模式时，判定所述乘员进行了所述误操作。

11.根据权利要求1所述的误操作判定装置，其特征在于，所述状态信息包括安装在所述车辆中并检测所述乘员的所述状态的传感器的输出。

12.根据权利要求1所述的误操作判定装置，其特征在于，所述第一操作踏板和所述第二操作踏板由用于作为所述第一操作踏板的操作和作为所述第二操作踏板的操作这二者的组合踏板构成。