JP2010198120A - 運転状態判定装置及び運転状態判定方法 - Google Patents

Abstract

【課題】短時間に得られる少ないデータで、運転者の運転状態の判定が可能な運転状態判定の技術を提示する。
【解決手段】運転操作情報に基づき、運転者の運転特性の特徴量を運転操作の予測誤差分布の情報として算出する。算出した運転特性の特徴量、及び、予め設定した基準となる運転操作の予測誤差分布の情報からなる運転特性モデルに基づき、学習後の運転特性モデルを取得する。そして、取得した学習後の運転特性モデルと、現在の運転特性の特徴量とに基づき、現在の運転状態が普段の運転特性とは異なる不安定運転状態か否かを判定する。
【選択図】 図２

Description

本発明は、運転者の運転支援のために、運転者の運転状態を判定する技術に関する。

運転者の運転を支援する技術としては、例えば特許文献１に記載の技術がある。この技術は、運転者毎に記憶した走行パターンと最新の走行状態とを比較して、走行状態が正常か異常か判定する。異常と判別した場合には警報を出す。ここで、逐次取得する運転者の操作と走行情報とに基づき補正値を更新する。そして、逐次更新する補正値を基本マップに加えてなる走行マップを、上記判定用の走行パターンとして使用する。

特開２００５−３０１８３２号公報（段落番号００１９、００２０参照）

上記のような従来技術では、実用可能な精度以上の走行パターンや運転者特性を取得するまでには、所要の時間の学習が必要となる。これは、短時間のデータでは走行環境などに大きく影響し、ノイズの多い情報となるためである。このため、運転状態の判定が可能となるまでに時間が掛かる。
本発明は、上記のような点に着目してなされたもので、短時間に得られる少ないデータで、運転者の運転状態の判定が可能な運転状態判定の技術を提示することを課題とする。

上記課題を解決するために、本発明は、運転操作情報に基づき、運転者の運転特性の特徴量を運転操作の予測誤差分布の情報として算出する。算出した運転特性の特徴量、及び、予め設定した基準となる運転操作の予測誤差分布の情報からなる運転特性モデルに基づき、学習後の運転特性モデルを取得する。そして、取得した学習後の運転特性モデルと、現在の運転特性の特徴量とに基づき、現在の運転状態が普段の運転特性とは異なる不安定運転状態か否かを判定する。

本発明によれば、運転者の運転特性の特徴量として運転操作の予測誤差分布の情報を使用する。このため、学習時間を短く出来る。また、予め基準となる運転操作の予測誤差分布の情報からなる運転特性モデルを備えることで、更に学習時間を短く出来る。
以上の事から、短時間に得られる少ないデータで、運転者の運転状態の判定が可能となる。

本発明に基づく第１実施形態に係るシステム構成を示す図である。 本発明に基づく第１実施形態に係る情報提示コントローラの構成を示す図である。 運転特性モデルを示す図である。 運転特性モデルを示す図である。 本発明に基づく第１実施形態に係る情報提示コントローラの処理を説明する図である。 本発明に基づく第１実施形態に係る不安定指標の算出処理を説明する図である。 本発明に基づく第１実施形態に係る操作誤差分布の算出処理を説明する図である。 本発明に基づく第１実施形態に係る運転特性特徴量の算出処理を説明する図である。 予測誤差分布を説明する図である。 予測誤差分布を説明する図である。 予測誤差の頻度分布を示す図である。 本発明に基づく第２実施形態に係る情報提示コントローラの処理を説明する図である。 本発明に基づく第３実施形態に係る運転特性特徴量の算出処理を説明する図である。 補正係数を説明する図である。 補正係数を説明する図である。

次に、本発明の実施形態を図面を参照しつつ説明する。
図１は、本実施形態に係る運転状態判定装置を含む情報提示装置を備えた車両のシステム構成図である。
本実施形態では、運転操作としてステアリング操作を対象とする場合を例に挙げて説明する。そして、運転操作の情報として操舵角度を使用する。

（構成）
本実施形態の車両は、普段の車両と同様に、運転者の操作に応じた状態に車両挙動を制御する。すなわち、運転者が操作するアクセルペダルのアクセル開度に応じた駆動力を発生するように、エンジンやモータなどの駆動輪を駆動する駆動源を制御する。また、運転者が操作するブレーキペダルのブレーキ開度に応じた制動力が発生するように、各輪の制動装置を制御する。また、運転者が操作するステアリングホイールの操舵角に応じて、ステアリング装置が操向輪を転舵する。

上記のような車両に対し、運転状態判定装置を含む情報提示装置を設ける。以下、この情報提示装置に関する説明を行う。
操舵角センサ１は、ステアリングホイールの操舵角を検出する。操舵角センサ１は、検出した操舵角を情報提示コントローラ２に出力する。
情報提示コントローラ２は、操舵角に基づく操作誤差分布の情報によって、運転者の普段の運転状態を学習する。学習が完了したら、学習した普段の運転状態に基づき、現在の運転状態が不安定運転状態か否かを判定する。そして、情報提示コントローラ２は、現在の運転状態が不安定運転状態と判定すると、運転者にその旨の報知を行う。すなわち、上記情報提示コントローラ２は、短時間の運転行動の情報から、運転者の（普段の）運転特性を推定する。そして、この推定結果を学習後の初期値とすることで、早期に不安定状態を判定し、情報提示する。また、モデルのパラメータの同定後（学習完了後）も、逐次学習を行う。

上記情報提示コントローラ２は、運転状態判定装置２Ａ及び情報発信手段２Ｂを備える。運転状態判定装置２Ａは、基準となる運転特性モデル２Ａａ、運転特性特徴量算出手段２Ａｂ、モデル取得手段２Ａｃ、及び不安定運転状態判定手段２Ａｄを備える。
基準となる運転情報モデルは、予め設定した基準となる運転操作の予測誤差分布の情報からなる。この情報は、実験などによって取得した複数人の運転操作情報に基づき作成すれば良い。図３及び図４にその例を示す。

運転特性特徴量算出手段２Ａｂは、運転操作情報を取得する手段が取得する運転操作情報に基づき、運転者の運転特性の特徴量を運転操作の予測誤差分布の情報として算出する。
モデル取得手段２Ａｃは、上記運転特性特徴量算出手段２Ａｂが算出した運転特性の特徴量、及び、予め設定した上記基準となる運転特性モデル２Ａａに基づき、学習後の運転特性モデルＭを取得する。

不安定運転状態判定手段２Ａｄは、モデル取得手段２Ａｃが取得した学習後の運転特性モデルＭと、上記運転特性特徴量算出手段２Ａｂが算出した現在の特徴量とに基づき、現在の運転状態が普段の運転特性とは異なる不安定運転状態か否かを判定する。
情報発信手段２Ｂは、不安定運転状態判定手段２Ａｄの判定に応じた運転状態情報を情報提示手段３に出力する。
そして、情報提示手段３は、情報発信手段２Ｂからの運転状態情報に応じた情報を運転者に提示する。情報提示手段３は、例えば、ナビ等の表示部や音声発生装置、座席を振動させる振動装置等によって構成する。

次に、上記情報提示コントローラ２の処理を図５を参照して説明する。
この処理は、所定サンプリング周期毎に作動する。
まず、ステップＳ１００では、運転操作の情報を習得する。本実施形態では、操舵角センサ１からの入力に基づき、操舵角を取得する。
ステップＳ２００では、取得した操舵角を運転行動として記録する。この記録は、運転者の状態を正確に推定するため、過去のデータの統計値・分布や、直近の運転行動から現在の運転行動・運転状態を推定するために用いる。
ステップＳ３００では、不安定運転指標の算出を行う。本実施形態では、ステアリングエントロピー法を用いて、不安定運転指標を算出する。不安定運転指標の算出には後述する。不安定運転指標は、学習用の普段の不安定運転指標と、現在（このとき）の不安定運転指標を個別に算出する。

ここで、ステアリングエントロピー法について説明する。
一般的に、運転者の注意が運転に集中していない状態では、操舵が行われない時間が運転に集中した正常運転時よりも長くなり、大きな操舵角の誤差が蓄積される。したがって、運転者の注意が運転に戻ったときの修正操舵量が大きくなる。ステアリングエントロピー法は、この特性に着目したものであり、特性値としてα値と、α値を基準に算出した操舵角エントロピーＨｐを用いる。基準となる操舵角エントロピーと、計測された操舵角に基づいて算出した操舵角エントロピーとを比較することにより、基準に対する運転操作の不安定な状態を検出する。

なお、特性値としてのα値は、操舵角の時系列データに基づいて一定時間内の操舵誤差を求め、その操舵誤差の分布（ばらつき）を測定して９０パーセントタイル値（操舵誤差の９０％が含まれる分布の範囲）を算出したものである。上記操舵誤差は、ステアリングを滑らかに操作したと仮定した場合の操舵角の推定値と、実際の操舵角との差である。
ステアリングエントロピー値としてのＨｐ値は、操舵誤差分布のあいまいさ（不確実性）を表す。Ｈｐ値は、α値と同様に、ステアリング操作が滑らかで安定している場合は小さくなり、ガクガクと不安定な場合は大きくなる。Ｈｐ値はα値によって補正することで、運転者の技量や癖により影響を受けにくい運転者不安定度として用いることができる。

なお、操舵誤差は、道路線形や運転者の負荷の状態に影響を受けるため、運転者が無負荷の状態で、基準となる操舵誤差分布を計測する必要がある。そこで、長時間計測した操舵角データに基づいて操舵誤差分布を求める。
次にステップＳ４００では、学習用の普段の不安定運転指標に基づき運転特性特徴量の算出を行う。この運転特性特徴量の算出については後述する。

次にステップＳ５００では、学習完了か否かの判定を行う。すなわち、パラメータの同定が完了しているか否かを判定する。運転者特性の推定処理において、モデルを適合し初期値が入っている場合は、学習完了としてステップＳ１４１０へ進む。一方で適合していない場合は、処理を終了して復帰する。学習完了か否かは、例えば、上記運転特性特徴量の算出の処理を何回実施したかをカウントし、そのカウントが所定値を越えると、学習が完了と判定する。「普段」のための学習時間を２１６０秒とし、サンプリング数を５Ｈｚとすると、データ個数Ｋは１０８００となる。

ステップＳ６００では、相対エントロピーＨｐを算出する。
学習した運転特性モデルの予測誤差の分布（ｐｌ_ｉ）と、現在の予測誤差の分布（ｐｓ_ｉ）とに基づき、下記式によって相対エントロピーＲ＿Ｈｐｌｓを算出する。ここで不安定状態の検出は、普段に対する現在このとき（直近）の比較である。

ステップＳ７００では、不安定状態かを判定する。ここでは、相対Ｈｐ（Ｒ−Ｈｐ）が所定の閾値（例えば閾値＝０．５）を超えていたら、ステップＳ８００へ進む。一方で、超えていない場合は、処理を終了して復帰する。
ステップＳ８００では、不安定状態の情報提示を行う。情報提示は、情報提示手段３を用いて、視覚、音声などから情報提示を行う。
次に、上記ステップＳ３００にて行う、不安定運転指標の算出処理について、図６を参照して説明する。
先ずステップＳ３１０で、予測誤差ＰＥの算出を行う。
その予測誤差ＰＥは、下記式のように、予測操舵角θｐと実際の操舵角θの差として求める。
ＰＥ＝ θ −θｐ

予測操舵角θｐは、過去の操舵角に基づき、滑らかに操舵したら得られるであろうと推定する操舵角である。例えば、現在の時点をｎとした場合に、の直近３点（ｎ−３、ｎ−２、ｎ−１）の過去の操舵角を用いてｎ−１時点を中心とする２次テイラー展開により算出する。具体的には、過去３回の１５０ｍｓごと（１５０ｍｓ前と３００ｍｓ前と４５０ｍｓ前）の操舵角θａ１、θａ２、θａ３から、下記式によって、予測操舵角θｐを算出する。
θｐ＝θａ１＋（θａ１−θａ２）
＋（１／２）（（（θａ１−θａ２）−（θａ２−θａ３））
次にステップＳ３２０では、算出した予測操舵角に基づき、２つの予測誤差分布を更新する。２つの予測誤差分布は、普段の予測誤差分布と、現在（このとき）の予測誤差分布である。ここで予測誤差分布は、頻度分布で表す。

この２つの予測誤差分布の各分布割合ｐｌ_ｉ、ｐｓ_ｉの更新について、図７を参照して説明する。
ここで、２つの予測誤差分布は、下記のように予め設定する。
２つの予測誤差分布を更新するためのそれぞれのタイムウインドウを設定する。普段用のタイムウインドウは、Ｎｌとして２１６０秒（所定値）を設定する。また、「現在用のタイムウインドウは、Ｎｓとして６０秒（所定値）を設定する。また、予測誤差分布のビンの間隔を決定する値αを、所定値０．６４に設定する。

そして、まずステップＳ３２１で、αに基づき、２つの予測誤差分布の各ビンの幅（Ｂ）をそれぞれ設定する。ビンの幅は、下記式のように、ｂｉｎ１〜ｂｉｎ９にαを乗算することで算出する。ｂｉｎ１〜ｂｉｎ９は、それぞれ［−５、−２．５、−１、−０．５、０．５、１、２．５、５］に設定する。
Ｂ１ ＝α× ｂｉｎ１
・・・
Ｂ９ ＝α× ｂｉｎ９

次に、ステップＳ３２２では、ステップＳ３１０で算出した現時点の予測誤差ＰＥが、どこのビンの範囲内に該当するかどうか判定する。たとえば、αが０．６４の場合、今回算出した操舵角予測誤差ＰＥが０．２とすると、ｐ５（−０．３２〜０．３２）のビンが範囲内と判定する。
そして、ステップＳ３２２の判定において、範囲外と判定した場合は、ステップＳ３２３に移行する。一方、範囲内と判定した場合はステップ３２４に移行する。そして、以降のステップＳ３２３、Ｓ３２４の処理で、現在の操舵角予測誤差分布の分布割合ｐｓ_ｉ｛ｉ＝１〜９｝、普段の操舵角予測誤差分布の分布割合ｐｌ_ｉ｛ｉ＝１〜９｝をそれぞれ更新する。ｐｓ_ｉ、ｐｌ_ｉは予測誤差分布のビンの割合を示す。

ここで、以下の処理では、実際には分布割合ｐｓ_ｉ、ｐｌ_ｉについて個別に更新処理を行うが、同一の処理であるため、代表として分布割合ｐｉ（：ｐｓ_ｉ、ｐｌ_ｉ）として説明する。
ステップＳ３２３では、下記式によって分布割合ｐｉを求める。すなわち、ビンの値を（１＋１／Ｎ）で割る。つまり確率密度が減少する。その後ステップＳ３２５に移行する。
ｐ_ｉ ＝ｐ_ｉ／（１＋１／Ｎ）
ここで、Ｎは、予測誤差分布のタイムウインドウに応じた標本相当数（Ｎｓ、Ｎｌ）である。ｐ_ｉは、予測誤差分布のタイムウインドウに応じた分布割合（ｐｓ_ｉ｛ｉ＝１〜９｝、ｐｌ_ｉ｛ｉ＝１〜９｝）である。

また、ステップＳ３２４では、下記式によって分布割合ｐｉを求める。すなわち、ビンの値に（１／Ｎ）を足し、（１＋１／Ｎ）で割る。つまり確率密度が増加する。その後ステップＳ３２５に移行する。
ｐ_ｉ ＝（ｐ_ｉ＋１／Ｎ）／（１＋１／Ｎ）
ここで、Ｎは、予測誤差分布のタイムウインドウに応じた標本相当数（Ｎｓ、Ｎｌ）である。ｐ_ｉは、予測誤差分布のタイムウインドウに応じた分布割合（ｐｓ_ｉ｛ｉ＝１〜９｝、ｐｌ_ｉ｛ｉ＝１〜９｝）である。

ステップＳ３２５では、ビンをひとつ進める。すなわち、ｉをインクリメントする。
ステップＳ３２６では、９つのビンが全て更新完了した（ｉ＝１０）か否かを判定し、
９つのビンが全て更新完了すれば（ｉ＝１０）、処理を終了して復帰する。一方、全てのビンを更新していない場合に、ステップＳ３２２に戻る。
以上で、不安定指標算出部の処理が終了する。

次に、運転特性特徴量の算出処理について、図８を参照して説明する。
先ず、ステップＳ４１０で、普段の予測誤差分布における所定範囲内の予測誤差ＰＥの大きさ（以下、ＰＥｄｒ）を求める。
所定範囲とは、ある分部内（百分位（％ｔｉｌｅ値）や正規化した範囲の所定値内である。例えば９０％タイルを採用する。
次にステップＳ４２０では、運転者特性の推定するためのデータ量を満たしているか判定する。データ量というのは、短時間内で運転者特性の推定できるデータ量のことを指す。データ量が満たしていない場合は、パラメータの同定する必要がないため、運転者特性推定の処理を終了して、復帰する。一方、データ量が満たしている場合は、パラメータを同定するため、ステップＳ４３０に移行する。

次にステップＳ４３０では、運転特性モデルの更新を行う。
ここで、上述のように基準とする基本運転特性モデルを予め設定している。この基準とする基本運転特性モデルは、予測誤差分布の状態で設定してあり、実験などによって、予測誤差分布の度合いを設定しておく。具体的には、基本運転特性モデルの予測誤差分布の情報として、上記所定範囲内のＰＥの大きさ（以下、ＰＥｂａｓｉｃ）と、予測誤差分布の横軸（ＢＩＮ_ｉ｛ｉ ＝１〜９｝）と縦軸の割合（ＤＩＳＴ_ｉ｛ｉ＝１〜９｝）とからなる。なお、ビン個数はここでは９個設定しているが、この値に限定するものではない。
そして、ステップＳ４４０では、この基本運転特性モデルのＰＥｂａｓｉｃと、ステップＳ４１０で算出したＰＥｄｒとから、この両者の比を求める。更に、その比に予測誤差分布の横軸ＢＩＮに掛け合わせて、下記式のように、学習した運転特性モデルの予測誤差分布ｐｌ_ｉ＝ＢＩＮ＿ＭＯＤＥＬ_ｉ｛ｉ ＝１〜９｝を求める。
すなわち、
ＢＩＮ＿ＭＯＤＥＬ_ｉ ＝（ＰＥｄｒ／ＰＥｂａｓｉｃ）×ＢＩＮ_ｉ
このステップにより、学習した運転特性モデルの予測誤差分布ｐｌ_ｉは、
［ｘ、ｙ］＝［ＢＩＮ＿ＭＯＤＥＬ_ｉ、 ＤＩＳＴ_ｉ］
と表現することが出来る。

（動作・作用）
従来技術のような技術では、長時間学習期間（例えば４〜５日）が必要であり、その学習期間が終了してから情報提示が可能となる。これに対し、本実施形態での運転状態の学習では、運転操作の誤差分布を使用することにより、短期間で所定精度の運転特性を収集出来る。すなわち、運転者の特性を推定、推定結果に基づき運転者の特性に近いパラメータの同定を行うことで、短時間で情報提示が可能となる。

ここで、各運転者の「普段（長時間）」と、「現在このとき（直近）」の運転行動指標の比較により、普段と違う運転状態を検出し、情報提示を行っている。またステアリングエントロピー法を用いて、「普段」と「現在このとき」の２つの予測誤差（ＰＥ）分布から、ふらつき運転指標を算出し、ふらつき運転状態を検出している。
一般に、「普段」の運転行動データを取得するためには、長時間のデータが必要である。しかしながら、長時間のデータが取得できるまで、効果的な情報提示をすることは困難である。長時間のデータが必要な理由は、長時間のデータはノイズの影響が小さいためである。

ここで、本発明者らが実験などによって調査、検討したところ、運転操作の予測誤差分布について、ノイズの影響はある幅の外側に影響し、幅の内側ではノイズの影響を受けにくいことを見出した。
更に、ノイズの影響が少ない（長時間のデータの）ＰＥ分布における、被験者違いや走行環境違いなどの条件違いの差異は、ある特定の幅が異なるだけで分布のプロポーションは変わらないことを見出した。
以上のことから、ある代表値で正規化することで、ほぼ同じ分布プロポーションが導けることから、分布の代表値がわかれば、その分布自体を推定することができる。

上記「ノイズの影響はある幅の外側に影響し、幅の内側ではノイズの影響を受けにくい」ことについて説明する。
図９と図１０にある被験者の１０分間の走行データのＰＥと５トリップ分（およそ４５０分）のＰＥ分布をそれぞれ示す。この図から分かるように、中央値から離れた値に影響を受けやすい標準偏差は両者で異なるものの、幅（９０％ｔｉｌｅ幅：５〜９５％ｔｉｌｅ）で見ると両者の差異は小さいことがわかる。
この特性を利用し、ある特定の幅の大きさを算出し、幅の大きさが同等なモデルを構築することで、ノイズの影響が少ない予測誤差分布を得ることができることが分かる。

次に、上記「被験者違いや走行環境違いなどの条件違いの差異は、ある特定の幅が異なるだけで分布のプロポーションは変わらないこと」について説明する。
図１１に正規化したＰＥの頻度分布と普段のＰＥの頻度分布を示す。この図１１は、被験者１２名のＰＥの分布をそれぞれ示したものである（複数の被験者の分布を重ね合わせて表示している）。上図は、ある分布の代表値（９０％ｔｉｌｅ）で正規化したＰＥの頻度分布であり、下図は普段の頻度分布である。この図５から分かるように、正規化した頻度分布のほうが、縦のばらつきが小さい（被験者間の差が小さい）ことが分かる。さらに各被験者のプロポーションに大きな差がないことが分かる。

この特性を利用し、特定の幅がわかれば異なる分布を推定することができる。
すなわち、ある特定の幅が求められれば、ノイズの少ない分布を推定することが可能である。
そして本実施形態では、運転操作の誤差分布を使用することで、学習期間が短くなると共に、予め初期値としての分布のモデルを持つことで、さらに学習期間を短くすることが可能となる。
ここで、操舵角センサ１は運転操作情報取得手段を構成する。ステップＳ３００は、運転特性特徴量算出手段２Ａｂを構成する。ステップＳ４００は、モデル取得手段２Ａｃを構成する。ステップＳ６００，Ｓ７００は不安定運転状態判定手段２Ａｄを構成する。

（本実施形態の効果）
（１）運転操作情報取得手段は、運転者による運転操作の情報を取得する。運転特性特徴量算出手段２Ａｂは、運転操作情報取得手段が取得する運転操作情報に基づき、運転者の運転特性の特徴量を運転操作の予測誤差分布の情報として算出する。モデル取得手段２Ａｃは、上記運転特性特徴量算出手段２Ａｂが算出した運転特性の特徴量、及び、予め設定した基準となる運転操作の予測誤差分布の情報からなる運転特性モデルに基づき、学習後の運転特性モデルを取得する。不安定運転状態判定手段２Ａｄは、モデル取得手段２Ａｃが取得した学習後の運転特性モデルと、上記運転特性特徴量算出手段２Ａｂが算出した現在の特徴量とに基づき、現在の運転状態が普段の運転特性とは異なる不安定運転状態か否かを判定する。

運転者の運転特性の特徴量として運転操作の予測誤差分布の情報を使用する。このため、学習時間を短く出来る。また、予め基準となる運転操作の予測誤差分布の情報からなる運転特性モデルを備えることで、更に学習時間を短く出来る。
以上の事から、短時間に得られる少ないデータで、運転者の運転状態の判定が可能となる。

（２）上記運転特性の特徴量は、運転操作の操舵角予測誤差分布に関する情報である。
運転者の操舵操作による運転状態を判定することが可能となる。
（３）上記モデル取得手段２Ａｃは、運転操作の予測誤差分布における、所定の累積頻度となる予測誤差を運転特性の特徴量として、学習後の運転特性モデルを取得する。
所定の累積頻度となる予測誤差を運転特性の特徴量として使用することで、より短時間で学習時間を行うことが出来る。

（変形例）
（１）上記実施形態では、ステップＳ４００にて、運転特性の特徴量を算出する際に、所定範囲内のＰＥの大きさを算出（ステップＳ４１０）している。これに代えて、運転特性特徴量を算出する際に、所定のＰＥにおける累積頻度を算出しても良い。この場合、ステップＳ４１０にて所定ＰＥの累積頻度を算出し、その累積頻度によって、運転特性特徴量を算出するようにしても良い。
すなわち、上記モデル取得手段２Ａｃは、運転操作の予測誤差分布における、所定の予測誤差の値における累積頻度を運転特性の特徴量として、学習後の運転特性モデルを取得する。
効果は、上記実施形態と同様で、短時間で運転状態の判定が可能となる。
（２）運転操作は、アクセルペダルやブレーキペダルなどの操作子の操作情報であっても良い。

（第２実施形態）
次に、第２実施形態について図面を参照しつつ説明する。なお、上記第１実施形態と同様な構成については同一の符号を付して説明する。
本発明の基本構成は上記実施形態と同様である。
但し、運転者推定を行う条件を限定し、より精度の高い運転特性特徴量算出を狙う。
また、車速センサ４３０は、車輪の回転数や変速機の出力側の回転数を計測することにより自車両の車速を検出し、検出した自車速を情報提示コントローラ２に出力する。

本実施形態の情報提示コントローラ２の処理を、図１２を参照して説明する。
本実施形態では、ステップＳ３００の処理とステップＳ４００の処理の間にステップＳ１０００を追加した。このステップＳ１０００以外の他の処理は上記第１実施形態と同様であるので、説明を省略する。
ステップＳ１０００では、特徴量算出条件を満足するか否かを判定する。特徴量算出条件を満足する場合にはステップＳ４００に移行する。特徴量算出条件を満足しない場合には、処理を終了して復帰する。

特徴量算出条件は、運転者特性の推定で所定以上の精度を見込める条件である。特徴量算出条件は、例えば車速４０ｋｍ／ｈ以上、かつ、走行道路のカーブ割合（後述）が１０％以下の場合である。カーブ割合は、例えば、操舵角が所定値（例えば１２ｄｅｇ）以上の場合に、カーブを走行していると判定し、その時間割合を積算して求める。
なお、使用するデータは、ステップＳ２００で記録した運転行動データ記録を参照して実施すれば良い。

（動作・作用）
操舵誤差は、道路線形や運転者の負荷の状態に影響を受けるため、運転者が無負荷の状態で、学習のための操舵誤差分布を計測することが好ましい。そこで、これらの影響を受けにくくするために、直線路とみなせる道路線形走行時の操舵角データに基づいて計測した操舵角データに基づいてモデルの操舵誤差分布を更新して学習する。
ここで、車速センサ４は走行情報取得手段を構成する。

（本実施形態の効果）
（１）走行情報取得手段が車両の走行情報を取得する。モデル取得手段２Ａｃは、上記運転特性特徴量算出手段２Ａｂが算出する運転特性の特徴量のうち、走行情報取得手段が取得する車両の走行情報に基づき所定の走行状態と判定したときの運転特性の特徴量を使用して、学習後の運転特性モデルを取得する。
モデルの学習の際に道路線形や運転者の負荷の状態に影響を受け難いデータを使用することで、モデルの精度が向上する。

（第３実施形態）
次に、第３実施形態について図面を参照しつつ説明する。なお、上記第各実施形態と同様な構成については同一の符号を付して説明する。
本発明の基本構成は上記実施形態と同様である。
但し、運転特性特徴量の算出処理の一部が異なる。
すなわち、運転特性特徴量を算出した運転状態属性から、特徴量を補正し、より高い運転者特性推定を狙う。
また、車速センサ４３０は、車輪の回転数や変速機の出力側の回転数を計測することにより自車両の車速を検出し、検出した自車速を情報提示コントローラ２に出力する。

本実施形態の運転特性特徴量の算出処理について、図１３を参照して説明する。ステップＳ４１５及びステップＳ４２５の処理を追加した点が異なる。
先ずステップＳ４１０で、所定範囲内のＰＥの大きさ（以下、ＰＥｄｒ）を求める。
次にステップＳ４１５では、走行状態属性の記録を行う。
属性として記録するのは、例えば
・カーブ走行中か直線走行か
・走行道路の種別
などを記録する。上記走行状態の属性は、運転者に普段要求される操舵量の大きさに関する属性である。

なお、この走行状態の種別は、ナビ情報などから判定すれば良い。なお、ナビゲーションシステムは、ＧＰＳ受信機、地図データベース、および表示モニタ等を備えており、経路探索および経路案内等を行うシステムである。ナビゲーションシステムは、ＧＰＳ受信機から得られる自車両の現在位置と地図データベースに格納された道路情報に基づいて、自車両が走行する道路の種別や道路幅員等の情報を取得することができる。

次にステップＳ４２０では、運転者特性の推定するためのデータ量を満たしているか判定する。データ量というのは、短時間内で運転者特性の推定できるデータ量のことを指す。データ量が満たしていない場合は、パラメータの同定する必要がないため、運転者特性推定の処理を終了して、復帰する。一方、データ量が満たしている場合は、パラメータを同定するため、ステップＳ４３０に移行する。

ステップＳ４３０では、ステップＳ４１０で算出したＰＥｄｒを、下記式に基づき補正する。
ＰＥｄｒ＿ｍｏｄｉｆｙ ＝ ＰＥｄｒ ＋ ΣＰＥ＿ｍｏｄ
また、ΣＰＥ＿ｍｏｄ ＝ Ｃｕｒｖｅ＿ｍｏｄ ＋ ＲｏａｄＩＤＸ＿ｍｏｄ
ここで、Ｃｕｒｖｅ＿ｍｏｄは、カーブの割合を示し、対象とする学習時期におけるカーブの割合に基づき、図１４のようなマップを使用して求める。すなわち、カーブの割合が大きいほど小さくなる。ＲｏａｄＩＤＸ＿ｍｏｄは、高速道路の割合を示し、対象とする学習時期における高速道路の割合に基づき、図１５のようなマップを使用して求める。すなわち、高速道路の割合が大きいほど大きくなる
次にステップＳ４３０では、モデルの作成をする。
次にステップＳ４４０では、モデルを初期値として適合させる。モデルとして作った予測誤差分布を初期値として代入し、パラメータの同定完了とする。

（動作・作用）
操舵誤差は、道路線形や運転者の負荷の状態に影響を受ける。この影響を受けた分だけモデルを特定するための予測誤差分布を補正する。
ここで、車速センサ４は走行情報取得手段を構成する。ステップＳ４１５，Ｓ４２５は運転特性特徴量補正手段を構成する。

（本実施形態の効果）
（１）特性特徴量補正手段は、走行状態の属性に基づき運転特性の特徴量を補正する。 上記走行状態の属性は、普段要求される運転者の操作量の大きさに関する属性である。
これによってモデルの精度が向上する。
（２）上記走行状態の属性は、道路種別あるいは道路形状である。
これによって、操舵状態に影響のある属性を使用可能となる。

（３）上記走行状態の属性は、道路形状がカーブであるか否かである。上記運転特性特徴量補正手段は、属性が所定以上のカーブ路である時間割合に応じて補正する。
これによって、モデルへの、カーブ走行による影響を小さく出来る。
（４）上記走行状態の属性は、道路種別である。上記運転特性特徴量補正手段は、道路種別ごとの時間割合を用いて補正する。
これによって、モデルへの、道路種別による影響を小さく出来る。

（変形例）
（１）取得する走行状態は、上記走行状態に限定しない。要求させる操舵量に関係する走行状態であれば、使用可能である。
（２）上記説明では、道路種別として高速道路を例示したが、砂利道など他の道路種別を使用しても良い。対象とする道路の走行による操舵に対する負荷量に応じて補正量を求めればよい。

１ 操舵角センサ（運転操作情報取得手段）
２ 情報提示コントローラ
２Ａ 運転状態判定装置
２Ａａ 運転特性モデル
２Ａｂ 運転特性特徴量算出手段
２Ａｃ モデル取得手段
２Ａｄ 不安定運転状態判定手段
２Ｂ 情報発信手段
３ 情報提示手段
４ 車速センサ（走行情報取得手段）
ＰＥ 予測誤差
ｐ_ｉ 分布割合
ｐｌ_ｉ 分布割合
ｐｓ_ｉ 分布割合
Ｒ＿Ｈｐｌｓ 相対エントロピー
θ 操舵角
θｐ 予測操舵角

Claims (10)

1. 運転者による運転操作の情報を取得する運転操作情報取得手段と、
   運転操作情報取得手段が取得する運転操作情報に基づき、運転者の運転特性の特徴量を運転操作の予測誤差分布の情報として算出する運転特性特徴量算出手段と、
   上記運転特性特徴量算出手段が算出した運転特性の特徴量、及び、予め設定した基準となる運転操作の予測誤差分布の情報からなる運転特性モデルに基づき、学習後の運転特性モデルを取得するモデル取得手段と、
   モデル取得手段が取得した学習後の運転特性モデルと、上記運転特性特徴量算出手段が算出した現在の特徴量とに基づき、現在の運転状態が普段の運転特性とは異なる不安定運転状態か否かを判定する不安定運転状態判定手段と、
   を備えることを特徴とする運転状態判定装置。
2. 上記運転特性の特徴量は、運転操作の操舵角予測誤差分布に関する情報であることを特徴とする請求項１に記載した運転状態判定装置。
3. 上記モデル取得手段は、運転操作の予測誤差分布における、所定の累積頻度となる予測誤差を運転特性の特徴量として、学習後の運転特性モデルを取得することを特徴とする請求項１又は請求項２に記載した運転状態判定装置。
4. 上記モデル取得手段は、運転操作の予測誤差分布における、所定の予測誤差の値における累積頻度を運転特性の特徴量として、学習後の運転特性モデルを取得することを特徴とする請求項１又は請求項２に記載した運転状態判定装置。
5. 車両の走行情報を取得する走行情報取得手段を備え、
   モデル取得手段は、上記運転特性特徴量算出手段が算出する運転特性の特徴量のうち、走行情報取得手段が取得する車両の走行情報に基づき所定の走行状態と判定したときの運転特性の特徴量を使用して、学習後の運転特性モデルを取得することを特徴とする請求項１〜請求項４のいずれか１項に記載した運転状態判定装置。
6. 走行情報取得手段が取得する車両の走行情報に基づき、走行状態の属性を取得する走行状態属性取得手段を備え、
   上記モデル取得手段は、走行状態取得手段が取得した走行状態の属性に基づき運転特性の特徴量を補正する運転特性特徴量補正手段を備え、
   上記走行状態の属性は、普段要求される運転者の操作量の大きさに関する属性であることを特徴とする請求項１〜請求項５のいずれか１項に記載した運転状態判定装置。
7. 上記走行状態の属性は、道路種別あるいは道路形状であることを特徴とする請求項６に記載した運転状態判定装置。
8. 上記走行状態の属性は、道路形状がカーブであるか否かであり、
   上記運転特性特徴量補正手段は、属性が所定以上のカーブ路である時間割合に応じて補正することを特徴とする請求項７に記載した運転状態判定装置。
9. 上記走行状態の属性は、道路種別であり、
   上記運転特性特徴量補正手段は、道路種別ごとの時間割合を用いて補正することを特徴とする請求項７又は請求項８に記載した運転状態判定装置。
10. 運転者の運転操作情報に基づき、運転者の運転特性の特徴量を運転操作の予測誤差分布の情報として算出し、算出した運転特性の特徴量、及び、予め設定した基準となる運転操作の予測誤差分布の情報からなる運転特性モデルに基づき、学習後の運転特性モデルを取得して、
    取得した学習後の運転特性モデルと、現在の運転特性の特徴量とに基づき、現在の運転状態が普段の運転特性とは異なる不安定運転状態か否かを判定することを特徴とする運転状態判定方法。

Images