JP6003810B2 - 車両用基準値生成装置 - Google Patents

Description

本発明は、車両の異常を判別するための基準値を生成する車両用基準値生成装置に関するものである。

従来、車両の故障診断において、故障の早期発見や原因究明のために、車両の異常状態の検出が検討されている。そのために、正常時又は異常時の運転データから、運転データの正常値である基準値を学習しておき、運転データがこの基準値の範囲でない場合に車両の異常と判別する装置が検討されている。

しかしながら、車両の運転状況には、環境条件や走行パターンに応じた様々な運転シーンがあり、個々の運転シーンによって各種の運転データが取り得る基準値の範囲も個別に変化し得ると考えられる。従って、上記装置を実現するためには、様々な運転シーンの下での各種の運転データの基準値を決定する必要があった。

そこで、この問題を解決する手段として、例えば、特許文献１には、以下の基準値生成装置が開示されている。特許文献１に開示の基準値生成装置では、エンジン回転数や車速といった各運転データについて、近似した状態にある運転データを同じグループにクラスタリングすることによって、運転シーンが近似した運転データごとにグループ分けする。そして、そのグループごとに、運転データの値の頻度から基準値を決定する。

特許第４４１４４７０号公報

しかしながら、特許文献１に開示の基準値生成装置では、運転データの瞬間的な値を基準値としているため、例えば瞬間的には同じ「加速時」を示す運転データの値であった場合に、停止状態からの加速した場合の「加速時」と、減速後に加速した場合の「加速時」とを区別することができなかった。よって、減速後の加速では発生しないが、停止状態から加速した場合に発生し得る異常のような、特定の履歴を持った運転データの時系列パターンに特有の異常を異常として判別するための基準値を生成することができなかった。

本発明は、上記従来の問題点に鑑みなされたものであって、その目的は、車両のより多くの種類の異常を異常と判別できる基準値を生成することを可能にする車両用基準値生成装置を提供することにある。

車両用基準値生成装置に係る第１の発明は、車両の運転者による操作、車両の状態、運転者の状態、及び車両の走行環境の少なくとも１つを含む、複数種類の運転データを逐次取得する運転データ取得部（１１）と、運転データ取得部で取得した、時系列に並んだ運転データを、運転データの変化のパターン単位に区分けした運転シーンごとに分類する分類部（２１）と、パターン単位の運転データの特徴であるパターン特徴として、運転データの時間的な変化を表現したものを含むものであって、且つ、複数種類の運転データ間の関係性をマトリクス表現したパターン特徴を抽出する特徴抽出部（２２）と、特徴抽出部で抽出したパターン特徴を、分類部で分類した運転シーンに基づいて蓄積する蓄積部（２３）と、蓄積部に蓄積されているパターン特徴から、車両の異常を判別するための基準値を生成する基準値生成部（２４）とを備えることを特徴としている。
車両用基準値生成装置に係る第２の発明は、車両の運転者による操作、車両の状態、運転者の状態、及び車両の走行環境の少なくとも１つを含む、運転データを逐次取得する運転データ取得部（１１）と、運転データ取得部で取得した、時系列に並んだ運転データを、運転データの変化のパターン単位に区分けした運転シーンごとに分類する分類部（２１）と、パターン単位の運転データの特徴であるパターン特徴を抽出する特徴抽出部（２２）と、特徴抽出部で抽出したパターン特徴を、分類部で分類した運転シーンに基づいて蓄積する蓄積部（２３）と、蓄積部に蓄積されているパターン特徴から、車両の異常を判別するための基準値を生成する基準値生成部（２４）とを備え、分類部は、時系列に並んだ運転データに対して離散化を行った後、その離散化によって得られた離散系列においてパターンを抽出する二重分節構造解析を行うことによって、パターン単位に区分けすることを特徴としている。
車両用基準値生成装置に係る第３の発明は、車両の運転者による操作、車両の状態、運転者の状態、及び車両の走行環境の少なくとも１つを含む、運転データを逐次取得する運転データ取得部（１１）と、運転データ取得部で取得した、時系列に並んだ運転データを、運転データの変化のパターン単位に区分けした運転シーンごとに分類する分類部（２１）と、パターン単位の運転データの特徴であるパターン特徴を抽出する特徴抽出部（２２）と、特徴抽出部で抽出したパターン特徴を、分類部で分類した運転シーンに基づいて蓄積する蓄積部（２３）と、蓄積部に蓄積されているパターン特徴から、車両の異常を判別するための基準値を生成する基準値生成部（２４）とを備え、基準値生成部は、蓄積部に蓄積されているパターン特徴の頻度分布に基づいて、基準値を生成することを特徴としている。
車両用基準値生成装置に係る第４の発明は、車両の運転者による操作、車両の状態、運転者の状態、及び車両の走行環境の少なくとも１つを含む、運転データを逐次取得する運転データ取得部（１１）と、運転データ取得部で取得した、時系列に並んだ運転データを、運転データの変化のパターン単位に区分けした運転シーンごとに分類する分類部（２１）と、パターン単位の運転データの特徴であるパターン特徴を抽出する特徴抽出部（２２）と、特徴抽出部で抽出したパターン特徴を、分類部で分類した運転シーンに基づいて蓄積する蓄積部（２３）と、蓄積部に蓄積されているパターン特徴から、車両の異常を判別するための基準値を生成する基準値生成部（２４）とを備え、基準値生成部は、車両の正常時における運転データのパターン特徴と、車両の異常時における運転データのパターン特徴とのSupport Vector Machineによって学習した識別境界を、基準値として生成することを特徴としている。

これらによれば、特徴抽出部で抽出するパターン特徴は、時系列に並んだ運転データの繰り返し現れるパターンを表現する特徴となる。そして、基準値生成部は、分類部で分類した運転シーンに基づいて蓄積されているこのパターン特徴から、車両の異常を判別するための基準値を生成する。そのため、特定の履歴を持った運転データの時系列パターンは、他の履歴を持った運転データの時系列パターンと異なる基準値を持つことになり、特定の履歴を持った運転データ特有の異常を、異常と判別するための基準値を生成することが可能になる。その結果、車両のより多くの種類の異常を異常と判別できる基準値を生成することが可能になる。また、これらの本発明により、従来よりも多くの異常状態を判別し、故障の早期発見や自動診断をすることが可能となる。

車両診断ユニット１００の概略的な構成の一例を示す図である。 運転データ収集装置１の概略的な構成の一例を示す機能ブロック図である。 診断装置２の概略的な構成の一例を示す機能ブロック図である。 時系列に並んだ６種類の運転データの一例を示すグラフ図である。 二重分節構造解析を説明するための図である。 診断特徴抽出部２２での診断特徴の抽出について説明するための図である。 ２つの運転データ間の回帰係数について説明するための図である。 マトリクス表現について説明するための図である。 診断特徴蓄積部２３への診断特徴の蓄積について説明するための図である。 基準値生成処理の一例について説明するための図である。 基準値生成処理の他の例について説明するための図である。 診断装置２での基準値生成関連処理のフローの一例を示すフローチャートである。 異常診断処理の一例について説明するための図である。 異常診断処理の他の例について説明するための図である。 診断装置２での異常診断関連処理のフローの一例を示すフローチャートである。 （ａ）は従来技術による運転シーンの分類の一例を説明するための図であり、（ｂ）は本発明による運転シーンの分類の一例を説明するための図である。 （ａ）は従来技術による運転シーンの分類の一例を説明するための図であり、（ｂ）は本発明による運転シーンの分類の一例を説明するための図である。 （ａ）は従来技術による運転シーンの分類の一例を説明するための図であり、（ｂ）は本発明による運転シーンの分類の一例を説明するための図である。 （ａ）は従来技術による運転シーンの分類の一例を説明するための図であり、（ｂ）は本発明による運転シーンの分類の一例を説明するための図である。 （ａ）は従来技術による異常の判別の一例を説明するための図であり、（ｂ）は本発明による異常の判別の一例を説明するための図である。 車両診断ユニット１００ａの概略的な構成の一例を示す図である。

以下、本発明の実施形態について図面を用いて説明する。

（実施形態１）
図１は、本発明が適用された車両診断ユニット１００の概略的な構成を示すブロック図である。図１に示す車両診断ユニット１００は、運転データ収集装置１、診断装置２、及び提示装置３を含んでいる。運転データ収集装置１と診断装置２とからなる構成が、請求項の車両用基準値生成装置に相当する。

運転データ収集装置１は、車両に搭載されて、図２に示すように、データ取得部１１及びデータ記憶部１２を備える。データ取得部１１は、自車の各種センサの検出値を逐次取得し、データ記憶部１２に保存する。データ取得部１１が請求項の運転データ取得部に相当する。データ取得部１１は、例えばＣＡＮ（controller area network）などの通信プロトコルに準拠した車内ＬＡＮを介して自車のセンサの検出値を取得する構成としてもよいし、ジカ線を介して自車のセンサの検出値を取得する構成としてもよい。

自車の各種センサの検出値としては、ドライバによる自車の運転操作に関する情報（以下、運転操作情報）、その運転操作の結果として表れる自車の挙動や挙動以外の状態に関する情報（以下、車両状態情報）、当該ドライバの状態に関する情報（以下、ドライバ状態情報）などがある。
運転操作情報を計測するセンサとしては、アクセル開度を計測するアクセルセンサ、ブレーキペダルの踏み込み量やブレーキマスタシリンダ圧を計測するブレーキセンサ、ステアリングホイールの操舵角度を計測するステアリングセンサ等が挙げられる。他にも、方向指示器を作動させるためのウインカースイッチや、トランスミッションのシフト位置を検出するシフトポジションセンサ等も挙げられる。

車両状態情報を計測するセンサとしては、車両の走行速度（以下、車速）を計測する速度センサ、車両の前後方向や横方向の加速度を計測する加速度センサ、エンジン回転数を計測するクランク角センサ、エンジン冷却水温を計測する温度センサ、吸入空気量を計測するエアフロメータ等が挙げられる。
ドライバ状態情報を計測するセンサとしては、ドライバの心拍を計測する心拍センサ、ドライバの視線を計測する視線センサ、及びドライバの表情を計測する車室内カメラ等が挙げられる。

データ取得部１１は、単にセンサからの検出値をデータ記憶部１２に保存するばかりでなく、運転操作情報、車両状態情報、及びドライバ状態情報について、その微分値に相当する微分値情報を算出し、併せてデータ記憶部１２に保存する構成としてもよい。

例えば、ステアリングセンサの検出信号を取得する場合には、操舵角度の微分値情報である操舵速度を、操舵方向を表す正負の符号とともに算出し、保存する構成とすればよい。また、アクセルセンサやブレーキセンサの検出値を取得する場合には、アクセル開度やブレーキマスタシリンダ圧から、微分値情報に相当する踏み込み速度を、踏み増し又は踏み戻し方向を表す正負の符号とともに算出し、保存する構成とすればよい。なお、データ取得部１１は、各センサによる検出値の微分値そのものではなく、単なる差分値を微分値情報として算出する構成としてもよい。

このように、運転者操作情報、車両状態情報、及びドライバ状態情報の微分値情報を用いることにより、運転者の操作による車両の状態変化の傾向を適切に表すことが可能となる。車両の運転操作及び車両の状態に関しては、その大きさのみが問題となる訳ではなく、むしろ、その変化の傾向が重要となる。

例えば、右方向への操舵角が増加するようにステアリングホイールを操舵しているときには、車両は右方向への旋回を強めている状態であるのに対し、中立位置へ戻しているときには、旋回状態が弱められ直進に近づいている状態である。アクセルペダルやブレーキペダルの操作も同様であり、踏み増ししているときは車速やエンジン回転数が増加し、踏み戻しているときでは、車速もエンジン回転数も減少するように、車両の挙動は全く異なるものとなる。微分値情報を用いた場合、このような変化の傾向を情報として表すことができる。

また、データ取得部１１は、自車の走行環境に関する情報（以下、走行環境情報）を取得して、データ記憶部１２に保存する構成としてもよい。走行環境情報を検出するセンサとしては、周辺環境センサ、車内環境センサ、ＧＰＳ受信機、及び道路情報データベースなどが挙げられる。

周辺環境センサとしては、例えば、外気温を計測する温度センサや、前方を走行する車両や障害物までの距離を計測するレーダ装置を用いることができ、このレーダ装置は、先行車両の有無や、先行車両が存在する場合に、その先行車両までの距離を計測したりするために使用される。また、車内環境センサとしては、例えば、車室内の音声を計測するマイクを用いることができ、このマイクは、車室内の会話の有無や、会話が存在する場合に、その会話の内容を検出するために使用される。

また、ＧＰＳ受信機と道路情報データベースとを用いることで、車両が走行している道路状況を把握できる。例えば、車両が走行している道路が、高速道路か一般道路か、複数車線からなる道路か一本の車線しかない道路か、車両の走行位置前方に交差点や分岐ポイントが存在するか等を把握できる。

このような周辺環境センサ、車内環境センサ、ＧＰＳ受信機及び道路情報データベースから得られる情報は、車両状態及びドライバ状態に対する影響が大きい。このため、これらの情報も用いることで、後述する離散化処理での区分けの精度や、後述するパターン抽出処理での分節化の精度を高めることができる。

各種センサから取得する運転操作情報、車両状態情報、走行環境情報、ドライバ状態情報や、これらの微分値情報といった、データ取得部１１が取得する情報を、以降では運転データと呼ぶ。また、データ取得部１１は、逐次取得する運転データに、その運転データを検出や取得したときの時刻の情報（つまり、タイムスタンプ）を紐付けしてデータ記憶部１２に保存する。

続いて、診断装置２は、主にマイクロコンピュータとして構成され、何れも周知のＣＰＵ、ＲＯＭ・ＲＡＭ・ＥＥＰＲＯＭ等のメモリ、Ｉ／Ｏ、及びこれらを接続するバスによって構成される。診断装置２は車両で用いられる。

診断装置２は、自車の運転データ収集装置１のデータ記憶部１２に蓄積されている運転データを取得する。診断装置２が取得した運転データについては、データ記憶部１２から消去する構成とすればよい。

そして、診断装置２は、取得した運転データに基づき、ＲＯＭに記憶された各種の制御プログラムを実行することで、車両の異常の有無を判別するための基準値を後述する運転シーンごとに生成する基準値生成関連処理を行う。また、診断装置２は、車両の異常の有無を判別する異常診断関連処理を行う。

図３に示すように、診断装置２は、機能ブロックとして、運転シーン分類部２１、診断特徴抽出部２２、診断特徴蓄積部２３、基準値生成部２４、基準値格納部２５、及び異常診断部２６を備えている。診断特徴蓄積部２３及び基準値格納部２５は、例えばＲＡＭやＥＥＰＲＯＭ等の電気的に書き換え可能なメモリやＨＤＤ等の時期的に書き換え可能なストレージに構築されるものとする。

運転シーン分類部２１は、運転データ収集装置１から取得した運転データを、前述のタイムスタンプをもとに時系列に並べ、時系列に並んだ運転データをいくつかのまとまりに分割する。運転シーン分類部２１が請求項の分類部に相当する。本実施形態では、運転データとして、アクセル開度、ブレーキマスタシリンダ圧、操舵角度、車速、ブレーキマスタシリンダ圧の微分値、及び操舵角度の微分値といった６種類の運転データを用いる場合を例に挙げて以降の説明を行う。

運転データは、環境条件や走行パターンによって大きく変動する。図４は時系列に並んだ６種類の運転データの一例を示すグラフである。図４に示すように、各運転データは様々な値をとっているが、Ａで示すように特定の領域では、同じようなパターンが繰り返し発生している。

運転シーン分類部２１では、上述したようなパターンを抽出する。そのために、運転シーン分類部２１は、一例として、二重分節構造解析によって、時系列に並んだ運転データを分割する。これは時系列データに対して離散化を行う離散化処理の後、離散化処理によって得られた離散系列において繰り返し現れるパターンを抽出するパターン抽出処理を行うといった２段階の処理によって、自動的に運転シーンごとに運転データの分割を行って分類を行うものである。二重分節構造解析の概要について、以下に示す。

離散化処理では、図５に示すように、時系列に並んだ６種類の運転データを、区分単位となる車両の状態ごとに区分けしつつ、その区分けされた各運転データから把握される車両の状態に対応するドライビング記号（Ｃ１、Ｃ２、Ｃ３、Ｃ４、Ｃ５、…）によって表すことにより、記号列を生成する。

つまり、離散化処理では、入力される６種類の各運転データを次元とする空間において、各運転データから把握される各種の車両の状態をクラスタとし、各運転データの組み合わせがいずれのクラスタに属するかを統計的に処理することにより、経時的に変化する各運転データを区分単位となる車両の状態ごと（つまり、クラスタごと）に区分けする。さらに、離散化処理では、各運転データの組み合わせが属するクラスタに対応する記号（Ｃ１、Ｃ２、Ｃ３、Ｃ４、Ｃ５、…）によって、区分けされた各信号を表すことにより、記号列を生成する。

本実施形態では、離散化処理に、隠れ状態とその状態間の確率的遷移で表現されるモデルの一つである階層ディリクレ過程隠れマルコフモデル（ＨＤＰ−ＨＭＭ）を利用する。ＨＤＰ−ＨＭＭは、ＨＭＭに無限次元の隠れ状態（クラスタに相当）を仮定することにより、入力される各信号に応じて隠れ状態の数を決定するという柔軟さを有する。そのため、ＨＭＭを利用する際に、隠れ状態数を事前に設計する必要がないという利点を有する。特に、ＨＤＰ−ＨＭＭとして、スティッキーＨＤＰ−ＨＭＭを用いることが好ましい。スティッキーＨＤＰ−ＨＭＭは、ＨＤＰ−ＨＭＭの自己遷移確率にバイアスを付加したもので、自己遷移確率を大きくすることにより、隠れ状態の過剰遷移を抑えることができ、動作の連続性を仮定するモデリングを効率的に行うことが可能となる。

このようなＨＤＰ−ＨＭＭやスティッキーＨＤＰ−ＨＭＭに関しては、例えば「階層ディリクレ過程隠れマルコフモデルを用いた非分節動作模倣学習手法」（計測自動制御学会システム・情報部門学術講演会(2010)）に詳しく説明されているため、これ以上の説明は省略する。

なお、離散化処理は、上述したＨＤＰ−ＨＭＭに限らず、他のモデルを利用して行うことも可能である。例えば、一般的なＨＭＭやＮ次マルコフモデル、階層マルコフモデル、スイッチングＡＲモデル、スイッチングカルマンフィルタなどのモデルを用いることも可能である。この場合、例えば、予め各モデルの隠れ状態数の設計を行い、その隠れ状態数に従って各隠れ状態のパラメータ及び隠れ状態間の遷移確率を予め算出、もしくは逐次的に更新していく。そして、それらの隠れ状態のパラメータ及び隠れ状態間の遷移確率に基づき、隠れ状態の事後確率を算出することにより、最も尤もらしい隠れ状態（クラスタ）を得ることができる。

続いて、パターン抽出処理では、図５に示すように、離散化処理で得られた記号列を、運転シーンを意味するドライビングワード（Ｗ１、Ｗ２、Ｗ３、…）ごとに分節化する。つまり、パターン抽出処理では、記号列における各ドライビング記号が、単独で、又は複数個集まって、運転シーン（例えば、発進、停止、定速走行、カーブにおける旋回、交差点の右折及び左折、右側車線及び左側車線への車線変更など）を意味するように分節化する。運転シーン分類部２１は、パターン抽出処理で分節化した結果を、診断特徴抽出部２２に入力する。

例えば、図５に示す例では、ドライビング記号Ｃ１は単独でドライビングワードＷ１に置き換えられる一方、ドライビング記号Ｃ２とＣ３とは統合されてドライビングワードＷ２とされる。また、ドライビング記号Ｃ２、Ｃ４、Ｃ５はドライビングワードＷ３とされる。このように、運転シーンを意味するドライビングワードごとに分節化して得られるドライビングワードの並びは、運転シーンの変化を示すものとなる。

本実施形態では、パターン抽出処理に、統計情報を利用した離散文字列の教師なしチャンク化手法の１例であるNested Pitman-Yor Language Model（ＮＰＹＬＭ）を利用する。このＮＰＹＬＭは、Hierarchical Pitman-Yor Language Model（ＨＰＹＬＭ）に単語のN-gramモデルを組み込むことにより拡張したものであり、辞書データなしでの形態素解
析を実現したものである。ＨＰＹＬＭは、N-gram言語モデルにPitman-Yor過程によるスムージングを行うことで、未知語や低頻度語に対する頑強性を向上させ、適切な単語の分節化を可能としたものである。

ＮＰＹＬＭ及びＨＰＹＬＭに関しては、「階層Pitman-Yor言語モデルを用いた動作解析」（第２５回人工知能学会全国大会, 3B1-OS22c-8 .(2011)）に詳しく説明されているので、これ以上の説明は省略する。

なお、パターン抽出処理は、上述したＮＰＹＬＭに限らず、他の手法によって分節化を行う構成としてもよい。例えば、車両を各種の走行態様で走行させたときに生成された記号列に基づき、予め所定のドライビングワードを設定して、ドライビングワード辞書を作成するとともに、各ドライビングワードの遷移確率や生成確率のデータベースを作成し、記憶させておく。そして、これらのドライビングワード辞書、遷移確率データベース、及び生成確率データベースを参照して、入力された記号列を最も確からしいドライビングワードごとに分節化してもよい。

本実施形態では、二重分節構造解析によってドライビングワードごとに分節化された運転データを、パターン単位として以降の説明を行うが、必ずしもこれに限らない。例えば、ドライビングワードごとの分節化を行わずに、離散化処理の結果であるドライビング記号ごとに運転データを分類する構成としてもよく、この構成を採用した場合には、ドライビング記号ごとに分類された運転データをパターン単位とする。

図３に戻って、診断特徴抽出部２２は、運転シーン分類部２１で運転シーンごとに分類したパターン単位の運転データの特徴（以下、診断特徴）を抽出する診断特徴抽出処理を行う。診断特徴が請求項のパターン特徴に相当し、診断特徴抽出部２２が請求項の特徴抽出部に相当する。診断特徴抽出部２２は、診断特徴抽出処理で抽出した診断特徴を診断特徴蓄積部２３に蓄積したり、異常診断部２６に入力したりする。なお、診断特徴蓄積部２３に蓄積された診断特徴は、後述の基準値生成処理に用いられ、異常診断部２６に入力された診断特徴は、後述の異常診断処理に用いられることになる。

ここで、診断特徴抽出部２２での診断特徴の抽出について図６を用いて説明を行う。図６は、運転シーン分類部２１によって分類された運転データの一例を示す図である。図６中の破線が運転シーン分類部２１によって分類された運転シーンの切れ目である。

運転シーン分類部２１によって分類された運転シーンが同一の時間帯における運転データは、類似した統計的性質を持っている。例えば、図６中の運転シーン５を例に挙げると、運転データ３については、値が単調に減少した後に急激に増加している傾向が認められる（図６のＢ参照）。また、運転データ５については、値が緩やかに増加した後、最小値に急激に落ち込んでいる傾向が認められる（図６のＣ参照）。さらに、運転シーン５において、運転データ３の値が減少から増加に転じる時刻と、運転データ５の値が急激に小さくなる時刻は対応している。診断特徴抽出部２２では、このような運転データの変動、量、関係性を診断特徴として定量的に抽出する。

一例として、診断特徴抽出部２２は、運転シーンが同一の時間帯におけるある２つの運転データ間の回帰係数を、全ての運転データの組み合わせについて並べたものを診断特徴として抽出する。これによって、特定の運転シーンにおける、時系列に並んだ運転データ間の関係性を表現することができる。

例として、図６の例における運転シーン５での運転データ３と運転データ５との値を、２次元平面上にプロットしたものを図７に示す。図７中に破線で示したものが回帰直線であり、この傾きが回帰係数である。各運転データの全ての組み合わせについての回帰係数をマトリクス表現したものを診断特徴として用いる。本実施形態の例では、運転データは６次元データであるので、図８に示すように、６×６＝３６のセルからなるマトリクスで表現することになる。マトリクスの各セルには数値が書き込まれるが、図８では便宜上、数値の多寡を各セルの濃淡で表現している。

なお、診断特徴は、上述した回帰係数を用いるものに限らず、時系列に並んだ運転データ間の関係性を表現する他の値を用いる構成としてもよい。例えば、２変数間の相関係数、Granger因果係数、回帰残差等を用いる構成としてもよい。他にも、設計モデルにおける回帰直線からの逸脱度を用いる構成としてもよい。ここで言うところの設計モデルとは、予め車両メーカーなどで設計され、正常であることが確認されている各種センサの運転データ間の関係を表現したものである。

また、診断特徴として、マトリクス表現したものを用いる構成に限らない。例えば、２変数間の相関係数、回帰係数、回帰残差等を並べたものを用いる構成としてもよい。この場合、診断特徴は、マトリクスではなく３次元のテンソルで表現する構成とすればよい。また、運転データ間の１対１の関係ではなく、１対多の関係性を表現する構成としてもよい。例えば、ある運転データを目的変数、残りすべての運転データを説明変数とした重回帰分析における残差を、それぞれの運転データについて並べたものを診断特徴としてもよい。

さらに、診断特徴は、時系列に並んだ運転データ間の関係性を表現するもの以外であってもよい。例えば運転データの個々の変数の値を定量的に抽出するものとして、各変数の同一運転シーン内の平均値をベクトルとしたものを用いる構成としてもよい。他にも、例えば、運転データの変動を定量的に抽出するものとして、運転シーンごとに各変数運転データの微分値の平均をとったものを用いる構成としてもよい。

診断特徴抽出部２２は、診断特徴抽出処理で抽出した診断特徴を診断特徴蓄積部２３に蓄積する。診断特徴蓄積部２３が請求項の蓄積部に相当する。本実施形態では、診断特徴蓄積部２３には、図９に示すように、運転シーンごとのデータベースが構築されており、診断特徴をこのデータベースに運転シーンごとに蓄積するものとして以降の説明を行う。

なお、診断特徴を運転シーンごとに診断特徴蓄積部２３に蓄積する構成に限らず、運転シーンごとの区別を行わずに診断特徴蓄積部２３に蓄積する構成としてもよい。他にも、複数種類の運転シーンを同じデータベースに割る振る構成としてもよい。一例としては、運転シーンごとに診断特徴の平均値を算出し、算出した平均値の近い運転シーン同士を、同じデータベースに割り振る構成とすればよい。

図３に戻って、基準値生成部２４は、診断特徴蓄積部２３に蓄積されている診断特徴から、車両の異常の有無を判別するための基準値を生成する基準値生成処理を行う。基準値生成処理では、言い換えると、正常値と異常値とを判別する基準値を生成する。本実施形態の例では、運転シーン分類部２１で分類した運転シーンごとに診断特徴蓄積部２３に蓄積されている診断特徴から、基準値を運転シーンごとに生成する。

基準値生成部２４は、図１０に示すように、運転シーンごとに蓄積された診断特徴を学習データとして用いたOne Class Support Vector Machine（ＯＣ−ＳＶＭ）によって求められる正常値と異常値との識別境界（つまり、識別超平面）を基準値として生成する。

なお、基準値生成部２４は、診断特徴蓄積部２３に蓄積されている診断特徴の頻度分布における偏差を正規化したものを、基準値として生成する構成（以下、変形例１）としてもよい。変形例１としては、図１１に示すように、診断特徴蓄積部２３に蓄積されている診断特徴のマトリクスのセルごとに、値の頻度分布から正常値と異常値との識別境界を基準値として生成する構成とすればよい。例えば、診断特徴のセルごとに、値の平均との差が値の標準偏差の３倍を基準値とする、などとすればはい。

また、前述の実施形態では、教師なし学習によって基準値を生成する構成を示したが、必ずしもこれに限らない。例えば基準値生成部２４が、車両の正常時における運転データの診断特徴と、車両の異常時における運転データのパターン特徴との双方に基づいて基準値を生成する構成（以下、変形例２）としてもよい。

変形例２としては、車両の正常時における運転データの診断特徴と、車両の異常時における運転データの診断特徴とのSupport Vector Machine（ＳＶＭ）による判別によって学習した識別境界を、基準値として生成する構成とすればよい。車両の正常時における運転データと車両の異常時における運転データとは、車両の正常時と車両の異常時とのそれぞれの実車試験によって予め与えておく構成とすればよい。

基準値生成部２４は、基準値生成処理で生成した基準値を基準値格納部２５に格納する。本実施形態では、基準値格納部２５には、運転シーン分類部２１で分類された運転シーンごとの基準値を格納する場合を例に挙げて以降の説明を行う。

ここで、図１２のフローチャートを用いて、診断装置２での基準値生成関連処理についての説明を行う。図１２のフローチャートは、例えば、診断装置２の電源がオンになったときに開始し、診断装置２の電源がオフになったときに終了する構成とすればよい。

まず、ステップＳ１では、診断装置２が運転データ収集装置１から新たな運転データを取得した場合（ステップＳ１でＹＥＳ）には、ステップＳ２に移る。一方、診断装置２が運転データ収集装置１から新たな運転データを取得していない場合（ステップＳ１でＮＯ）には、ステップＳ１のフローを繰り返す。

ステップＳ２では、時系列に並んだ運転データに対して、運転シーン分類部２１が前述の離散化処理を行って、ステップＳ３に移る。ステップＳ３では、離散化処理で得られた記号列に対して、運転シーン分類部２１が前述のパターン抽出処理を行って、ステップＳ４に移る。

ステップＳ４では、パターン抽出処理で運転シーンごとに分類したパターン単位の運転データに対して、診断特徴抽出部２２が前述の診断特徴抽出処理を行って、ステップＳ５に移る。ステップＳ５では、診断特徴抽出部２２が、診断特徴抽出処理で抽出した診断特徴を、運転シーン分類部２１によって分類された運転シーンごとに診断特徴蓄積部２３へ蓄積し、ステップＳ６に移る。

ステップＳ６では、基準値生成部２４が、診断特徴蓄積部２３に蓄積されている診断特徴から、前述の基準値生成処理を行って、ステップＳ７に移る。ステップＳ７では、基準値生成部２４が、基準値生成処理で生成した基準値を、運転シーン分類部２１によって分類された運転シーンごとに基準値格納部２５へ格納し、フローを終了する。

また、診断特徴蓄積部２３に十分な診断特徴が蓄積されていない場合には、蓄積されるまでステップＳ６、ステップＳ７を省略しても良い。その場合には、十分な診断特徴が蓄積されていない場合にはステップＳ５を行ったあと、ステップＳ１に移ればよい。

図３に戻って、異常診断部２６は、基準値格納部２５に格納されている基準値と、運転データ収集装置１から取得した運転データについて特徴抽出処理で抽出した診断特徴とから、車両の異常有無の判別や異常箇所の判別といった異常診断を行う異常診断処理を行う。異常診断部２６が請求項の異常判別部に相当する。異常診断部２６は、例えば、基準値としての前述の識別境界と、特徴抽出処理で抽出した診断特徴とを比較することにより、異常診断処理を行う。

異常診断処理では、図１３に示すように、特徴抽出処理で抽出した診断特徴について、前述のＯＣ−ＳＶＭによって得られた識別境界（つまり、基準値）からの逸脱度を算出する。そして、算出した逸脱度の大きさを異常の度合いとし、閾値を超えている場合に異常と判別する。さらに異常と判別した場合において、診断特徴と識別境界との関係から、異常に対して影響の大きい診断特徴を算出することが出来る。一例として、診断特徴のマトリクスのうち、ブレーキマスタシリンダ圧とブレーキマスタシリンダ圧の微分値との間の回帰係数が識別境界から大きく離れていた場合には、ブレーキマスタシリンダに異常ありと判別する。

異常診断部２６は、診断特徴に最も近い、ＯＣ−ＳＶＭによって得られた識別境界までの法線ベクトルを逸脱ベクトルとする。本実施形態の例では、診断特徴のマトリクスは６×６＝３６のセルからなるので、この逸脱ベクトルは３６次元のベクトルとなる。異常診断部２６は、この３６次元の逸脱ベクトルを６×６＝３６のセルのマトリクス上に並び替えることで、診断特徴のマトリクスの各セルの逸脱度をマトリクス表現した逸脱度マトリクスを算出する。

異常診断部２６は、前述の変形例１のように、診断特徴の頻度分布における偏差を正規化したものを基準値として生成する構成を採用していた場合には、図１４に示すように、診断特徴のマトリクスのセルごとに識別境界との比較を行って逸脱度を算出し、各セルの逸脱度をマトリクス表現した逸脱度マトリクスを算出する。

なお、本発明において車両の異常とは運転データが正常でない状態を意味するので、車両の異常は、車両に何か問題が発生した状態である車両の故障の予兆あるいは候補であるといえる。そのため異常診断部２６は、異常診断処理での診断結果からさらに故障の診断まで行う構成としてもよい。

ここで、図１５のフローチャートを用いて、診断装置２での異常診断関連処理についての説明を行う。図１５のフローチャートは、例えば、運転データ収集装置１から新たな運転データを取得するごとに開始する構成とすればよい。図１５のフローチャートでは、リアルタイムに車両の異常を判別する場合を例に挙げて説明を行う。

まず、ステップＳ２１では、運転データ収集装置１から取得した、時系列に並んだ運転データに対して、運転シーン分類部２１が前述の離散化処理を行って、ステップＳ２２に移る。ステップＳ２２では、離散化処理で得られた記号列に対して、運転シーン分類部２１が前述のパターン抽出処理を行って、ステップＳ２３に移る。

ステップＳ２３では、運転シーン分類部２１が、パターン抽出処理でドライビングワードごとの分節化を行うことにより、現在の運転シーンを特定し、ステップＳ２４に移る。ステップＳ２４では、現在の運転シーンに対応するパターン単位の運転データに対して、診断特徴抽出部２２が前述の診断特徴抽出処理を行って、ステップＳ２５に移る。

ステップＳ２５では、異常診断部２６が、現在の運転シーンに対応する基準値を基準値格納部２５から読み出して、ステップＳ２６に移る。ステップＳ２６では、ステップＳ２４で抽出した診断特徴と、ステップＳ２６で読み出した基準値とから、異常診断部２６が前述した異常診断処理を行って、ステップＳ２７に移る。ステップＳ２７では、異常診断処理での診断結果を異常診断部２６が提示装置３に出力して、フローを終了する。

図１に戻って、提示装置３は、診断装置２から入力される診断結果を提示する。提示装置３としては、例えば画像やテキストを表示する表示装置を用いる構成としてもよいし、音声を出力する音声出力装置を用いる構成としてもよいし、これらの両方を用いる構成としてもよい。

実施形態１の構成によれば、特定の履歴を持った運転データの時系列パターンに特有の異常を異常と判別するための基準値を生成することができ、車両のより多くの種類の異常を異常と判別することが可能になる。

ここで、本発明における作用効果について、具体的に図１６（ａ）〜図２０（ｂ）を用いて説明を行う。まず、図１６（ａ）〜図１８（ｂ）を用いて、従来技術では判別困難な車両の異常を判別可能となる点についての説明を行う。

一例として、アクセル開度に対して車速が正常に応答しないような異常が発車直後にのみ発生しているとする。ただし、アクセル開度及び車速のそれぞれの値は、通常検出されるような値であり、例えば減速後の加速時においても同様の値が検出されるものとする。この異常を装置によって自動的に判別するためには、発車直後の加速時とそれ以外の加速時とを異なる運転シーンとして抽出した上で、その運転シーンにおけるアクセル開度と車速との関係が正常か異常かを判別する必要がある。

特許文献１に開示されているような従来技術では、運転データの瞬間的な値をもとにクラスタリングするため、瞬間的には同じ「加速中」を示す運転データの値であった場合に、停止状態からの加速と減速後の加速とを異なる運転シーンとして区別することができなかった（図１６（ａ）参照）。よって、前述したような特定の履歴を持った運転データの時系列パターンに特有の異常を異常と判別できなかった。

一方、実施形態１の構成では、停車時に続く加速である「発車後の加速時」といった特定の履歴を持った運転データの時系列パターン単位で運転シーンを分類するので、「発車後の加速時」と「減速後の加速時」とを異なる運転シーンとして区別することができる（図１６（ｂ）参照）。よって、前述したような特定の履歴を持った運転データの時系列パターンに特有の異常を異常と判別することが可能になる。

従来技術では区別できないが、実施形態１の構成では区別できる運転シーンの別の例としては、図１７（ａ）及び図１７（ｂ）に示すような、停車時に続く徐行である「発車時の徐行」と徐行に続く徐行である「渋滞中の徐行」といった運転シーンがある。なお、図１７（ａ）が従来技術の例、図１７（ｂ）が実施形態１の構成の例である。他にも、図１８（ａ）及び図１８（ｂ）に示すような、直進後の右旋回である「右旋回の開始」と右急旋回後の右旋回である「右旋回の緩和」といった運転シーンがある。なお、図１８（ａ）が従来技術の例、図１８（ｂ）が実施形態１の構成の例である。

続いて、図１９（ａ）及び図１９（ｂ）を用いて、従来技術のクラスタリングによって分類した場合と、実施形態１の構成により時系列パターンとして分類した場合との違いについて説明を行う。図１９（ａ）が従来の例、図１９（ｂ）が実施形態１の構成の例である。ここでは、運転データとして車速とアクセル開度を例に挙げて説明を行う。

図１９（ａ）は、実車試験によって検出した運転データの正常値に対して、特許文献１と同様のクラスタリングによって運転シーンの分類を行い、それぞれ異なる運転シーンに属する運転データの計測点を異なる印で表示したものである。図１９（ｂ）は、実車試験によって検出した運転データの正常値に対して、実施形態１の構成により運転シーンの分類を行い、それぞれ異なる運転シーンに属する運転データの計測点を異なる印で表示したものである。なお、図１９（ａ）及び図１９（ｂ）の例では、同じ運転データを用いている。ただし、それぞれ楕円で示した運転シーンに属する運転データの計測点のみを図示している。

図１９（ａ）に示すように、従来技術のクラスタリングによって分類した場合には、運転データは２つの運転シーンに分類される。一方、図１９（ｂ）に示すように、実施形態１の構成によって分類した場合には、運転データは３つの運転シーンに分類される。そして実施形態１の構成によって分類した運転シーンは、アクセル開度の方向により広く分布している。これは運転データの履歴まで考えた場合、アクセル開度の変化に対して車速の変化は小さく、運転データの時系列としては、図１９（ｂ）におけるアクセル開度方向に大きく変化するためである。従来技術によるクラスタリングでは、時間的には連続的に変化しない運転データを同じ運転シーンとして分類してしまっている。このように、運転データ自体は同じであっても、実施形態１の構成の方が運転シーンをより実際の時系列の変動に即し、詳細に分類することができる。

続いて、図２０（ａ）及び図２０（ｂ）を用いて、実施形態１の構成における異常診断の利点についての説明を行う。図２０（ａ）が従来の例、図２０（ｂ）が実施形態１の構成の例である。ここでは、運転データとして車速とアクセル開度を例に挙げて説明を行う。また、図２０の白丸が異常時の計測点、黒丸が正常時の計測点を示している。

まず、従来技術の問題点について説明を行う。特許文献１に示すような従来技術では、複数の運転データの各々について正常値の範囲を定めていた。つまり、車速とアクセル開度とのそれぞれについて正常値の範囲を定めていた。しかしながら、車速とアクセル開度とのそれぞれが単体としては正常値の範囲におさまっていても、車両に異常が生じている場合がある。このような場合において、従来技術では、図２０（ａ）に示すように、異常時の計測点を異常と判別できない。

一方、実施形態１の構成によれば、複数の運転データの関係性を回帰直線でモデル化し、その回帰係数の基準値からの逸脱度によって異常を判別する。つまり、車速とアクセル開度との関係性が正常の範囲におさまっているかによって異常を判別する。従って、図２０（ｂ）に示すように、従来技術では異常と判別することができなかった異常時の計測点も異常と判別することが可能になる。

さらに、実施形態１の構成によれば、図１９（ｂ）に示されるように、運転シーンを時系列パターンによって運転データの連続性を残しながら分類している。よって、従来技術のクラスタリングによって分類した運転シーンに対して複数の運転データの関係性を回帰直線でモデル化するよりも、モデル化誤差を小さくすることができる。そして、その結果、正常値と異常値とを判別するための基準値がより狭い範囲に算出され、異常を判別する能力も高くなる。

実施形態１では、運転データ収集装置１と診断装置２と提示装置３とが別体に設けられている構成を示したが、必ずしもこれに限らない。例えば、運転データ収集装置１と診断装置２とが一体に設けられている構成としてもよいし、診断装置２と提示装置３とが一体に設けられている構成としてもよいし、運転データ収集装置１と診断装置２と提示装置３とが一体に設けられている構成としてもよい。

（実施形態２）
本発明は前述の実施形態１に限定されるものではなく、次の実施形態２も本発明の技術的範囲に含まれる。以下では、この実施形態２について説明を行う。なお、説明の便宜上、前述の実施形態の説明に用いた図に示した部材と同一の機能を有する部材については、同一の符号を付し、その説明を省略する。

図２１に示すように、実施形態２の車両診断ユニット１００ａは、診断装置２及び提示装置３が車両外に設けられる点を除けば、実施形態１の車両診断ユニット１００と同様である。実施形態２における診断装置２は、例えば、車両の点検サービスを取り扱うディーラーや整備工場などに備えられているサーバとすればよい。よって、診断装置２が請求項のサーバに相当し、運転データ収集装置１が請求項の車載装置に相当する。

また、実施形態２における診断装置２は、複数の車両の運転データ収集装置１から運転データを取得する構成とすることが好ましい。これにより、前述の基準値生成関連処理で用いる運転データのサンプル数が増加し、基準値生成関連処理で生成される基準値の精度を向上できる他、この基準値を用いる前述の異常診断処理での異常診断の精度を向上できる。

実施形態２では、診断装置２と運転データ収集装置１とがお互いに無線通信機を備えることで、車両外の診断装置２が、車両で用いられる運転データ収集装置１から無線通信によって運転データを取得する構成とすればよい。なお、診断装置２が運転データ収集装置１から有線通信によって運転データを取得する構成としてもよいし、携帯端末やＤＣＭ（data communication module）といった車載通信モジュールを中継して診断装置２が運転データ収集装置１から運転データを取得する構成としてもよい。

実施形態２においては、例えば車両の走行中にリアルタイムに前述の異常診断を行うのではなく、ディーラーや整備工場で点検のための試験を実施し、その試験中に運転データ収集装置１で取得される運転データを用いて異常診断を行う構成とすればよい。

なお、上述した構成に限らず、車両の通常走行中に運転データ収集装置１で取得した運転データを、ディーラーや整備工場に車両が持ち込まれた際に診断装置２で取得し、取得した運転データを用いて異常診断を行う構成としてもよい。他にも、診断装置２がＤＣＭ等を介することで、通常走行中の車両の運転データ収集装置１からリアルタイムに運転データを取得し、取得した運転データを用いて異常診断を行う構成としてもよい。

また、実施形態２では、提示装置３を車両外に設ける構成を示したが、必ずしもこれに限らない。例えば、提示装置３は車両で用いられ、車両外の診断装置２からＤＣＭ等を介した通信等によって診断結果を取得し、取得した診断結果を車両のドライバに提示する構成としてもよい。

さらに、前述の実施形態１及び２では、基準値を生成する部材と異常診断を行う部材とが一体に設けられている構成を示したが、必ずしもこれに限らない。例えば、運転シーン分類部２１、診断特徴抽出部２２、診断特徴蓄積部２３、基準値生成部２４、及び基準値格納部２５を備える装置（以下、基準値生成装置）と、異常診断部２６を備える装置（以下、異常診断装置）とが別体に設けられる構成（変形例３）としてもよい。この場合、基準値生成装置が請求項の車両用基準値生成装置に相当する。

変形例３の構成においては、基準値生成装置が車両外に設けられ、異常診断装置が車両で用いられる構成としてもよい。基準値生成装置と異常診断装置とは、無線通信や有線通信等でお互いに情報の送受信を行う構成とすればよい。これによれば、車両外の基準値生成装置で複数の車両の運転データをもとに生成した基準値を、車両で用いられる異常診断装置に送信し、この基準値を用いて異常診断装置で異常診断を行わせることが可能になる。

なお、基準値生成装置と異常診断装置とを別体に設ける場合には、異常診断装置にも診断特徴抽出部２２を備える構成としてもよいし、基準値生成装置の診断特徴抽出部２２で抽出した診断特徴を異常診断装置が取得する構成としてもよい。

また、運転シーン分類部２１、診断特徴抽出部２２、診断特徴蓄積部２３、基準値生成部２４、及び基準値格納部２５についても、一部が車両で用いられる一方、一部が車両外に設けられる構成としてもよい。この場合、車両で用いられる部材と車両外で用いられる部材とは、無線通信や有線通信等でお互いに情報の送受信を行う構成とすればよい。

なお、本発明は、上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

１ 運転データ収集装置（車両用基準値生成装置）、２ 診断装置（車両用基準値生成装置）、１１ データ取得部（運転データ取得部）、２１ 運転シーン分類部（分類部）、２２ 診断特徴抽出部（特徴抽出部）、２３ 診断特徴蓄積部（蓄積部）、２４ 基準値生成部、２６ 異常診断部（異常判別部）

Claims (14)

1. 車両の運転者による操作、前記車両の状態、前記運転者の状態、及び前記車両の走行環境の少なくとも１つを含む、複数種類の運転データを逐次取得する運転データ取得部（１１）と、
   前記運転データ取得部で取得した、時系列に並んだ前記運転データを、前記運転データの変化のパターン単位に区分けした運転シーンごとに分類する分類部（２１）と、
   前記パターン単位の前記運転データの特徴であるパターン特徴として、前記運転データの時間的な変化を表現したものを含むものであって、且つ、複数種類の前記運転データ間の関係性をマトリクス表現したパターン特徴を抽出する特徴抽出部（２２）と、
   前記特徴抽出部で抽出した前記パターン特徴を、前記分類部で分類した前記運転シーンに基づいて蓄積する蓄積部（２３）と、
   前記蓄積部に蓄積されている前記パターン特徴から、前記車両の異常を判別するための基準値を生成する基準値生成部（２４）とを備えることを特徴とする車両用基準値生成装置。
2. 請求項１において、
   前記基準値生成部で生成した前記基準値と、前記運転データ取得部で逐次取得した前記運転データについて前記特徴抽出部で抽出した前記パターン特徴とから、前記車両の異常の有無を判別する異常判別部（２６）を備えることを特徴とする車両用基準値生成装置。
3. 請求項２において、
   前記異常判別部は、前記基準値生成部で生成した前記基準値と、前記運転データ取得部で逐次取得した前記運転データについて前記特徴抽出部で抽出した前記パターン特徴とを比較することで当該基準値からの当該パターン特徴の逸脱度を算出し、算出したこの逸脱度が閾値を超えた場合に、前記車両の異常ありと判別することを特徴とする車両用基準値生成装置。
4. 請求項３において、
   前記運転データ取得部で取得する前記運転データは複数種類であり、
   前記特徴抽出部で抽出する前記パターン特徴も、前記運転データ取得部で取得する前記運転データが複数種類であるのに対応して複数種類であって、
   前記異常判別部は、複数種類の前記パターン特徴のうちに、前記逸脱度が閾値を超える前記パターン特徴が存在した場合に、そのパターン特徴に対応する前記車両の部位に異常ありと判別することを特徴とする車両用基準値生成装置。
5. 車両の運転者による操作、前記車両の状態、前記運転者の状態、及び前記車両の走行環境の少なくとも１つを含む、運転データを逐次取得する運転データ取得部（１１）と、
   前記運転データ取得部で取得した、時系列に並んだ前記運転データを、前記運転データの変化のパターン単位に区分けした運転シーンごとに分類する分類部（２１）と、
   前記パターン単位の前記運転データの特徴であるパターン特徴を抽出する特徴抽出部（２２）と、
   前記特徴抽出部で抽出した前記パターン特徴を、前記分類部で分類した前記運転シーンに基づいて蓄積する蓄積部（２３）と、
   前記蓄積部に蓄積されている前記パターン特徴から、前記車両の異常を判別するための基準値を生成する基準値生成部（２４）とを備え、
   前記分類部は、時系列に並んだ前記運転データに対して離散化を行った後、その離散化によって得られた離散系列においてパターンを抽出する二重分節構造解析を行うことによって、前記パターン単位に区分けすることを特徴とする車両用基準値生成装置。
6. 車両の運転者による操作、前記車両の状態、前記運転者の状態、及び前記車両の走行環境の少なくとも１つを含む、運転データを逐次取得する運転データ取得部（１１）と、
   前記運転データ取得部で取得した、時系列に並んだ前記運転データを、前記運転データの変化のパターン単位に区分けした運転シーンごとに分類する分類部（２１）と、
   前記パターン単位の前記運転データの特徴であるパターン特徴を抽出する特徴抽出部（２２）と、
   前記特徴抽出部で抽出した前記パターン特徴を、前記分類部で分類した前記運転シーンに基づいて蓄積する蓄積部（２３）と、
   前記蓄積部に蓄積されている前記パターン特徴から、前記車両の異常を判別するための基準値を生成する基準値生成部（２４）とを備え、
   前記基準値生成部は、前記蓄積部に蓄積されている前記パターン特徴の頻度分布に基づいて、前記基準値を生成することを特徴とする車両用基準値生成装置。
7. 請求項６において、
   前記基準値生成部は、前記蓄積部に蓄積されている前記パターン特徴に対して、One Class Support Vector Machineを用いて学習した識別境界を、前記基準値として生成することを特徴とする車両用基準値生成装置。
8. 請求項６において、
   前記基準値生成部は、前記蓄積部に蓄積されている前記パターン特徴の頻度分布における偏差を正規化したものを、前記基準値として生成することを特徴とする車両用基準値生成装置。
9. 請求項１〜８のいずれか１項において、
   前記基準値生成部は、前記車両の正常時における前記運転データの前記パターン特徴と前記車両の異常時における前記運転データの前記パターン特徴とを判別するように、前記基準値を生成することを特徴とする車両用基準値生成装置。
10. 車両の運転者による操作、前記車両の状態、前記運転者の状態、及び前記車両の走行環境の少なくとも１つを含む、運転データを逐次取得する運転データ取得部（１１）と、
    前記運転データ取得部で取得した、時系列に並んだ前記運転データを、前記運転データの変化のパターン単位に区分けした運転シーンごとに分類する分類部（２１）と、
    前記パターン単位の前記運転データの特徴であるパターン特徴を抽出する特徴抽出部（２２）と、
    前記特徴抽出部で抽出した前記パターン特徴を、前記分類部で分類した前記運転シーンに基づいて蓄積する蓄積部（２３）と、
    前記蓄積部に蓄積されている前記パターン特徴から、前記車両の異常を判別するための基準値を生成する基準値生成部（２４）とを備え、
    前記基準値生成部は、前記車両の正常時における前記運転データの前記パターン特徴と、前記車両の異常時における前記運転データの前記パターン特徴とのSupport Vector Machineによって学習した識別境界を、前記基準値として生成することを特徴とする車両用基準値生成装置。
11. 請求項１〜１０のいずれか１項において、
    前記運転データ取得部は、前記運転データとして、前記運転者による操作の情報である操作情報を取得するものであって、
    前記分類部は、前記運転データ取得部で取得した、時系列に並んだ前記操作情報を、前記運転データに繰り返し現れる変化の時系列パターン単位に区分けすることにより、運転シーンを分類することを特徴とする車両用基準値生成装置。
12. 請求項１１において、
    前記運転データ取得部は、前記操作情報として、前記運転者によるアクセル、ブレーキ、及びステアリングの操作の情報を取得するものであることを特徴とする車両用基準値生成装置。
13. 請求項１〜１２のいずれか１項において、
    車両で用いられて、前記運転データ取得部を少なくとも備える車載装置（１）と、
    前記車載装置と通信を行うサーバ（２）とからなり、
    前記サーバは、前記分類部、前記特徴抽出部、前記蓄積部、及び前記基準値生成部のうちの少なくとも１つを備え、
    前記車載装置は、前記分類部、前記特徴抽出部、前記蓄積部、及び前記基準値生成部のうちの前記サーバに備えられていないものを備えていることを特徴とする車両用基準値生成装置。
14. 請求項２〜１３のいずれか１項において、
    前記基準値生成部で生成した前記基準値と、前記運転データ取得部で逐次取得した前記運転データについて前記特徴抽出部で抽出した前記パターン特徴とから、前記車両の異常の有無を判別する異常判別部（２６）を備えるものであって、
    車両で用いられて、前記運転データ取得部を少なくとも備える車載装置（１）と、
    前記車載装置と通信を行うサーバ（２）とからなり、
    前記サーバは、前記分類部、前記特徴抽出部、前記蓄積部、前記基準値生成部、及び前記異常判別部のうちの少なくとも１つを備え、
    前記車載装置は、前記分類部、前記特徴抽出部、前記蓄積部、前記基準値生成部、及び前記異常判別部のうちの前記サーバに備えられていないものを備えていることを特徴とする車両用基準値生成装置。

Images