JP6511982B2 - 運転操作判別装置 - Google Patents

Description

本発明は、運転シーンに対応した運転操作を判別する技術に関する。

従来、ドライバの操作や車両の挙動を検出したデータの時系列を自動で分割し、分割した区間（運転シーン）に属するデータから抽出した特徴量の分布である運転挙動分布を、事前に学習した特徴的な複数の分布の加重和で近似し、その重みをトピック割合として求め、このトピック割合を用いて、分割された各運転シーンに適合するラベルを付与する技術が知られている（特許文献１参照）。

特開２０１４−２３５６０５号公報

しかしながら、運転シーン毎に求められたトピック割合を用いてラベルを付与する従来技術では、個々の運転シーンについて理解することは可能であるが、前後のシーンと比較し、そのシーンでのみ行われる運転操作だけを抽出することができないという問題があった。

例えば、カーブを曲がっている最中に車線変更をする運転シーンでは、車線変更時の運転操作に、カーブを曲がる時の運転操作が重畳されたものとなる。この場合、注目したい運転操作（車線変更時の運転操作）が複数シーンにまたがる運転操作（カーブを曲がる時の運転操作）と同時に発生するため、一つの運転シーンから得られる情報だけでは、カーブを曲がる時の運転操作によって歪められた車線変更時の運転操作を正しく判別することが困難となる。

本発明は、こうした問題に鑑みてなされたものであり、複雑な状況下での運転操作を精度良く判別する技術を提供することを目的とする。

本発明の運転操作判別装置は、データ収集部と、シーン分割部と、挙動特徴量生成部と、運転特徴量生成部と、判別部とを備える。
データ収集部は、車両の挙動に関わる車両挙動データを繰り返し収集する。シーン分割部は、データ収集部にて収集された車両挙動データの系列を、各々が何等かの運転シーンを表す複数の部分系列に分割する。挙動特徴量生成部は、シーン分割部にて分割された部分系列毎に、車両挙動データの特徴を表す挙動特徴量を生成する。運転特徴量生成部は、挙動特徴量生成部で生成された前記挙動特徴量および該挙動特徴量の時系列から求めた該挙動特徴量の変化量を少なくとも含んだ運転特徴量を生成する。判別部は、運転特徴量生成部で生成された運転特徴量、および判別対象となる運転操作毎に予め用意された運転特徴量のモデルを用いて、部分系列が表す運転シーンに対応した運転操作を判別する。

このような構成によれば、着目する個々の運転シーンでの挙動特徴量だけでなく、挙動特徴量の時系列から求められる変化量も運転操作の判別に利用される。挙動特徴量の変化量では、複数シーンにまたがる定常的な操作の特徴が取り除かれるため、注目したい運転操作（例えば車線変更時の運転操作）が、複数シーンにまたがる運転操作（例えばカーブを曲がる時の運転操作）によって歪められても、運転シーンに対応する運転操作をより精度良く判別することができる。

なお、特許請求の範囲に記載した括弧内の符号は、一つの態様として後述する実施形態に記載の具体的手段との対応関係を示すものであって、本発明の技術的範囲を限定するものではない。

運転支援装置の全体構成を示すブロック図である。 運転シーンの分割過程を示す説明図である。 トピック割合演算部での処理を示すフローチャートである。 トピック割合の演算過程を示す説明図である。 運転特徴量生成部での処理を示すフローチャートである。 運転特徴量の生成過程を示す説明図である。 運転操作判別部での処理を示すフローチャートである。 学習処理部での処理を示すフローチャートである。 運転特徴量の次元選択を示す説明図である。 運転支援提供部により提供される運転評価画面を例示する図である。

以下に本発明の運転操作判別装置が適用された実施形態の運転支援装置について、図面を用いて説明する。
［１．全体構成］
運転支援装置１は、図１に示すように、車両挙動データ収集部２と、運転シーン分割部３と、トピック割合演算部４と、関連データ収集部５と、運転特徴量生成部６と、運転操作モデルデータベース７、運転操作判別部８と、モデル学習部９と、運転支援提供部１０とを備える。

なお、運転支援装置１は、一つ以上のマイクロコンピュータ（マイコン）によって実現される。各部の機能は、マイコンが備える図示しないＣＰＵがメモリに格納された所定のプログラムを実行することにより実現され、データベースはメモリ上に実現される。つまり、ＣＰＵによって実現される各種機能やＣＰＵが利用する情報を格納するメモリを機能ブロック毎に分けて図示したものが図１である。但し、これら機能を表す各部は必ずしもソフトウェアにて実現されている必要はなく、その全部または一部をロジック回路等のハードウェアにて実現してもよい。

［２．車両挙動データ収集部］
車両挙動データ収集部２は、運転者による操作を表すデータや、その操作の結果として表れる車両の挙動を表すデータを車両に搭載された各種センサを介して繰り返し収集すると共に、これらのデータをそれぞれ微分した微分データ（ダイナミックフィーチャ）を生成し、これらをまとめた多次元データを、車両の挙動に関わる車両挙動データとして出力する。

なお、運転者による操作を表すデータとしては、例えば、アクセルペダルの操作量、ブレーキペダルの操作量、ステアリングホイールの操作量（操舵角）、方向指示器の操作状態、トランスミッションのシフト位置などを用いることができる。また、車両の挙動を表すデータとしては、例えば、車両の速度、ヨーレートなどを用いることができる。

［３．運転シーン分割部］
運転シーン分割部３は、ドライバの環境認知から操作に至るモデルを利用して、車両挙動データ収集部２から得られる車両挙動データを統計解析し、ドライバ個人（もしくは一般のドライバ）が感じる運転シーンの切り替わり点を抽出することにより、車両挙動データの時系列を、それぞれが何等かの運転シーンを表す複数の部分系列に分節（離散化）する。具体的には、二重分節構造を利用した教師なし運転シーン分割法によって分節化を行う二重分節解析器（ＤＡＡ：Double Articulation Analyzer）を利用する。

図２に示すように、ＤＡＡは、まず、車両挙動データの値域を表す多次元の空間で車両挙動データから把握される各種の車両の状態を表すクラスタと、各クラスタ間の遷移確率とを予め定義しておき、これらの情報を用いて、車両挙動データ収集部２から取得した車両挙動データ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、車両挙動データの時系列を、区分単位となる車両の状態毎（つまり、クラスタ毎）に区分けする。但し、各クラスタには予め識別用の記号を対応付けておくことにより、車両挙動データの時系列は、どのクラスタに属しているかを表す記号列に変換される。この記号列の生成には、例えば、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）を利用することができる。

次に、ＤＡＡは、生成された記号列を、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）を用いて、所定の運転シーンを意味する部分系列に分節化する。この際、辞書サイズ（即ち、部分系列の数）ができるだけ小さく、部分系列の並びからなる記号列全体の生成確率が最大となるようにする。これにより、車両挙動データの運転シーンへの分節化を行うことが可能になる。但し、部分系列間の遷移確率、および部分系列の生成確率は、学習によって予め生成されたものを使用する。

なお、ＨＤＰ−ＨＭＭやＮＰＹＬＭを適用したＤＡＡについては、本願出願人が別途発表した非特許文献、T.Taniguchi et al,"Semiotic Prediction of Driving Behavior using Unsupervised Double Articulation Analyzer" IEEE Intelligent Vehicles Symposium,2012、および、K.Takenaka et al," Contextual Scene Segmentation of Driving Behavior based on Double Articulation Analyzer" IEEE/RSJ International Conference on Intelligent Robots and Systems,2012、等に詳述されているため、ここでは説明を省略する。但し、記号の生成や記号の分節化に用いる手法は、ＨＤＰ−ＨＭＭやＮＹＬＭに限定されるものではなく他の手法を用いてもよい。

［４．トピック割合演算部］
トピック割合演算部４での処理を、図３に示すフローチャートおよび図４に示す説明図を用いて説明する。本処理は、運転シーン分割部３により生成された運転シーン毎に実行される。

本処理が起動すると、トピック割合演算部４として機能するＣＰＵは、まず、Ｓ１１０にて、着目する運転シーンに対応する部分系列に属する車両挙動データを用いて特徴量分布に相当する車両挙動ヒストグラムを生成する。

続くＳ１２０では、生成された車両挙動ヒストグラムを、予め用意された特徴的な複数の分布（運転トピック）の加重和によって表現することで得られるトピック割合を算出して、本処理を終了する。本実施形態では、このトピック割合が挙動特徴量に相当する。

車両挙動ヒストグラムは、着目する運転シーンに対応する部分系列に属する車両挙動データの特徴量を分布として表現したものである。例えば、アクセルペダル操作量、ブレーキペダル操作量、ステアリング操作量、車両速度、およびこれらの各々の微分データ等からなる多次元データを特徴量とした場合、その多次元データの値域を表す特徴空間を複数に分割したものをインデックスとして、そのインデックス毎にデータの出現頻度を表現したヒストグラムを生成する。なお、図４に示すように、個々のデータ毎にヒストグラムを生成し、生成されたヒストグラムを連結したものを、車両挙動ヒストグラムと呼んでもよい。

運転トピックは、Ｓ１１０で生成された車両挙動ヒストグラムを、複数の分布（ヒストグラム）の混合によって表現する場合の基底分布として使用するＫ個（例えば１００個）の基底特徴分布Topic １〜Topic Ｋからなる。

トピック割合は、基底特徴分布を混合することで車両挙動ヒストグラムが表現されるものとして求めた混合比であり、車両挙動ヒストグラムに対する各運転トピックの含有割合を表したものである。

トピック割合の生成には、それぞれが運転シーンのいずれかに対応する各部分系列を「一つの文書」、観測された特徴量分布（ここでは車両挙動ヒストグラム）を「一つの単語」と見なすことで、自然言語処理分野で利用されているトピック推定手法を利用して生成する。ここでは、潜在的ディリクレ配分法（ＬＤＡ：Latent Dirichlet Allocation ）を利用する。なお、処理の対象となる車両挙動ヒストグラムが複数種類のヒストグラムで構成されている場合は、ＬＤＡを拡張した手法であるマルチモーダルＬＤＡを利用する。具体的には、ＬＤＡ（またはマルチモーダルＬＤＡ）を実現する変分ベイズ、ギブスサンプリングなどの近似手法を使用し、これらの処理で行うＥステップおよびＭステップの処理のうち、Ｅステップだけを実行することで求めることができる。

これらの手法の詳細については、例えば、D.Blei et al,"Latent Dirichlet Allocation" Journal of Machine Learning Research,2003、や、T.Griffiths & M.Steyvers,"Finding Scientific Topics," Proceedings of the National Academy of Sciences,2004などに記載されているため、ここでは説明を省略する。また、基底特徴分布の生成方法は、例えば特開２０１４−２３５６０５号等に記載された公知のものであるため、説明を省略する。

［５．関連データ収集部］
関連データ収集部５は、映像データ収集部５１、位置情報データ収集部５２、周辺物体データ収集部５３を備える。

映像データ収集部５１は、車両の前方、側方、後方などの車両周辺を撮影するように設置された車載カメラから出力される映像データを収集する。位置情報データ収集部５２は、全地球測位システム（Global Positioning System ：ＧＰＳ）や慣性計測装置（Inertial Measurement Unit :ＩＭＵ）によって取得される自車両の位置に関する位置情報データを収集する。周辺物体データ収集部５３は、車両の前方、側方、後方などの車両周辺を探査範囲とするように設置された各種レーダセンサから出力される周辺物体データを収集する。なお、これらのデータは、例えば、インフラとの通信等によって収集したものを用いてもよい。

［６．運転特徴量生成部］
運転特徴量生成部６での処理を、図５に示すフローチャートを用いて説明する。本処理は、トピック割合演算部４にてトピック割合が求められる毎に起動する。

本処理が起動すると、運転特徴量生成部６として機能するＣＰＵは、まず、Ｓ２１０にて、トピック割合の変化量を算出する。ここでは、図６に示すように、処理対象となる運転シーンをｉ、１サイクル前の運転シーンをｉ−１、１サイクル後の運転シーンをｉ＋１で表すものとして、運転シーンｉと運転シーンｉ−１のトピック割合の差分である第１変化量、運転シーンｉ＋１と運転シーンｉのトピック割合の差分である第２変化量を求める。

続くＳ２２０では、映像データ収集部５１や周辺物体データ収集部５３によって収集された映像データや周辺物体データに基づき、自車両の前方を走行する前方車との車間距離および相対速度を求める。

続くＳ２３０では、位置情報データ収集部５２によって収集された位置情報データや、映像データ収集部５１によって収集された映像データまたは図示しない車載ナビゲーション装置等から取得した地図データなどから抽出した交差点に関する情報に基づき、自車両の進行方向に存在する交差点との距離を求める。

続くＳ２４０では、トピック割合演算部４で推定されたトピック割合、Ｓ２１０にて求めた第１変化量および第２変化量、Ｓ２２０で求めた車間距離、Ｓ２３０で求めた交差点との距離のそれぞれを要素として、これら各要素を結合した運転特徴量を生成して、本処理を終了する。

［７．運転操作モデルデータベース］
運転操作モデルデータベース７は、判別対象となる運転操作毎に用意され、運転特徴量を入力すると判別対象の運転操作に該当するか否かの識別結果を出力する識別器からなる。つまり、判別対象となる運転操作を表す運転特徴量の典型値が運転操作モデルであり、識別器は、この運転操作モデルを基準として運転操作を判別する。

具体的には、アダブースト識別器やＳＶＭ（サポートベクターマシン）等の識別器が用いられる。また、学習により得られたデータ集合に対してｋ近傍法（nearest neighbor）によって識別を行う識別器であってもよい。なお、ｋ近傍法は、ある入力に対して特徴量空間内で近い点をｋ個選択し、選択した点が属するデータ集合に基づき、多数決により、入力した点がどのデータ集合に属するかを決定する。そして、これらの識別器は、後述するモデル学習部９によって学習されたものが用いられる。

なお、判別対象となる運転操作として、具体的には、例えば、直進、カーブ路走行、右折、左折、車線変更、追い越し、発進、停車等が挙げられる。
［８．運転操作判別部］
運転操作判別部８での処理を、図７に示すフローチャートを用いて説明する。本処理は、運転特徴量生成部６にて運転特徴量が生成される毎に起動する。

本処理が起動すると、運転操作判別部８として機能するＣＰＵは、まず、Ｓ３１０にて、運転操作モデルデータベース７に記憶されているモデルの一つ、即ち判別対象となる運転操作の一つを選択する。

続くＳ３２０では、Ｓ３１０にて選択されたモデルである選択モデルに、運転特徴量を適用することで、その選択モデルでのスコアを算出する。例えば、運転特徴量をｘ＝（ｘ_１，ｘ_２…，ｘ_ｊ…）として、特徴量のｊ番目の要素ｘ_ｊに関する判断の関数（例えば弱識別器）をｈ_ｊ（ｘ）、その関数の重み（信頼度）をω_ｊとして、スコアＳは（１）式で求められる。なお、関数ｈ_ｊ（ｘ）および重みω_ｊが選択モデルによって決まる。

続くＳ３３０では、運転操作モデルデータベース７に記憶されている全てのモデルについて、上述のＳ３１０〜Ｓ３２０の処理を実行済みであるか否かを判断する。未処理のモデルがあればＳ３１０に戻り、全てのモデルについて処理済みであれば、Ｓ３４０に進む。

Ｓ３４０では、Ｓ３２０で算出されたスコアＳが最大となったモデルを特定し、その特定されたモデルに対応する運転操作を判別結果として抽出する。
続くＳ３５０では、抽出された運転操作と、判別の信頼度を表すスコアＳとを対応付けて出力して、本処理を終了する。なお、スコアＳは大きいほど判別の信頼度が高いものとする。

［９．モデル学習部］
モデル学習部９は、運転操作記録部９１、運転操作データベース９２、学習処理部９３を備える。

運転操作記録部９１は、運転操作判別部８から判別結果（運転操作および判別の信頼度）が出力される毎に、判別結果と、その判別に用いた運転特徴量とを対応付けてなる運転操作データを、運転操作データベース９２に記録する。

次に、学習処理部９３での処理を、図８に示すフローチャートに沿って説明する。本処理は、一定期間（例えば、数時間、１日、１週間等）毎、または運転操作データベース９２に一定量の運転操作データが蓄積される毎に起動する。

本処理が起動すると、学習処理部９３として機能するＣＰＵは、まず、Ｓ４１０にて、図９に示すように、運転操作データのうち、ｍ次元データとして表現される運転特徴量から、運転操作データモデルに使用するｎ次元データを選択する。但し、ｍ，ｎは、ｍ≧ｎとなる正整数である。具体的には、ｍ次元の運転特徴量を主成分分析することで得られる因子負荷量が大きなものからｎ個のデータを選択する。また、運転操作の判別にアダブースト識別器を使用する場合は、弱識別器の採用順に従って、上位ｎ個の弱識別器に対応するデータを選択してもよい。つまり、判別への貢献度の高い順に選択すればよい。

続くＳ４２０では、選択されたｎ次元の運転特徴量を学習用データとして、識別器（ｈ_ｊ（ｘ），ω_ｊ）の学習を行い、その学習結果によって運転操作モデルデータベース７に記憶されたモデルを更新して、本処理を終了する。

［１０．運転支援提供］
運転支援提供部１０は、運転操作判別部８での判別結果に従って、各種運転支援を提供する。

運転支援の一つとして、例えば、判別された運転操作に従って、車両の加減速や操舵状態等、既存の運転システムの動作を制御してもよい。具体的には、車線変更タイミングを提示する運転支援システムを、車線変更完了を判別した時点で終了させることが考えられる。

また、運転支援の一つとして、判別結果を、各種情報を表示するために車両に搭載された車載ディスプレイに表示したり、車載ディスプレイの表示内容を、判別結果に従って切り替えたりしてもよい。

更に、運転支援の一つとして、運転操作の判別結果と、そのとき観測された車両挙動の変化量の大きさから運転操作のスムーズさを評価したり、運転操作中の周辺車両との車間距離から周囲へ気配りができているか否かを評価したり、各運転操作にとって適切な運転挙動や車間距離を基準として運転技量を評価したりしてもよい。そして、これらの評価結果を、例えば、図１０に示すような形式で、車載ディスプレイに表示する等してもよい。

［１１．効果］
以上説明したように、運転支援装置１では、運転操作の判別に使用する運転特徴量として、トピック割合だけでなく、トピック割合の変化量（第１変化量、第２変化量）も用いている。トピック割合の変化量は、複数シーンにまたがる定常的な運転操作の特徴が取り除かれたものとなるため、注目したい運転操作が、複数シーンにまたがる運転操作によって歪められているといった複雑な状況下でも、注目したい運転操作を精度良く判別することができる。従って、例えば、図６に示すようなカーブ路走行中の車線変更も正しく判別することができる。

また、運転支援装置１では、更に、映像データ、位置情報データ、周辺物体データから得られる前方車との車間距離や交差点までの距離等の情報を運転特徴量に加えている。これにより、交差点での右左折操作や前方車との車間が詰まった時の追い越し操作等、特定地点や特定状況で起こり得る各種操作の判別精度を向上させることができる。

また、運転支援装置１では、運転操作の判別に有用な特徴量を抽出して運転操作モデルを作成しているため、有用でない特徴量の影響による検出性能の低下を抑制することができると共に、モデル学習に要する処理負荷を軽減することができる。

なお、運転支援装置１において運転支援提供部１０を除いたものが運転操作判別装置に該当する。
［１２．他の実施形態］
以上、本発明の実施形態について説明したが、本発明は、上記実施形態に限定されることなく、種々の形態を採り得る。

（１）上記実施形態では、トピック割合の変化量として、前サイクルとの差分および後サイクルとの差分の両方を用いているが、いずれか一方だけを用いてもよい。また、過去複数サイクルに渡って得られたトピック割合の差分の時系列を用いるようにしてもよい。

（２）上記実施形態では、運転特徴量としてトピック割合やその変化量を用いているが、例えば、車両挙動データそのものやその変化量を用いてもよい。但し、トピック割合は、車両挙動データをそのまま用いる場合と比較して、抽象度が高い情報であるため、トピック割合を用いる場合の方が、運転操作を判別する際のロバスト性を向上させることができる。

（３）上記実施形態では、運転シーンを分割する際に、車両挙動データ収集部２で収集される車両挙動データのみを用いているが、これに加えて、例えば、関連データ収集部５で収集される映像データ、位置情報データ、周辺物体データ等を用いてもよい。

（４）上記実施形態における一つの構成要素が有する機能を複数の構成要素に分散させたり、複数の構成要素が有する機能を一つの構成要素に統合させたりしてもよい。また、上記実施形態の構成の少なくとも一部を、同様の機能を有する公知の構成に置き換えてもよい。また、上記実施形態の構成の一部を省略してもよい。また、上記実施形態の構成の少なくとも一部を、他の上記実施形態の構成に対して付加または置換等してもよい。なお、特許請求の範囲に記載した文言のみによって特定される技術思想に含まれるあらゆる態様が本発明の実施形態である。

（５）上述した運転操作判別装置、運転支援装置の他、当該運転操作判別装置を構成要素とするシステム、当該運転操作判別装置としてコンピュータを機能させるためのプログラム、このプログラムを記録した媒体、運転操作判別方法など、種々の形態で実現することもできる。

１…運転支援装置、２…車両挙動データ収集部、３…運転シーン分割部、４…トピック割合演算部、５…関連データ収集部、６…運転特徴量生成部、７…運転操作モデルデータベース、８…運転操作判別部、９…モデル学習部、１０…運転支援提供部、５１…映像データ収集部、５２…位置情報データ収集部、５３…周辺物体データ収集部、９１…運転操作記録部、９２…運転操作データベース、９３…学習処理部

Claims (7)

1. 車両の挙動に関わる車両挙動データを繰り返し収集するデータ収集部（２）と、
   前記データ収集部にて収集された車両挙動データの系列を、各々が何等かの運転シーンを表す複数の部分系列に分割するシーン分割部（３）と、
   前記シーン分割部にて分割された前記部分系列毎に、前記車両挙動データの特徴を表す挙動特徴量を生成する挙動特徴量生成部（４）と、
   前記挙動特徴量生成部で生成された前記挙動特徴量および該挙動特徴量の時系列から求めた該挙動特徴量の変化量を少なくとも含んだ運転特徴量を生成する運転特徴量生成部（６）と、
   前記運転特徴量生成部で生成された運転特徴量、および判別対象となる運転操作毎に予め用意された前記運転特徴量のモデルを用いて、前記部分系列が表す運転シーンに対応した前記運転操作を判別する判別部（７、８）と、
   を備えることを特徴とする運転操作判別装置。
2. 前記挙動特徴量生成部は、
   前記データ収集部によって収集された運転データから得られる一種類以上の特徴量について、該特徴量の値域を複数に分割したインデックス毎の出現頻度を表す特徴量分布を、前記部分系列毎に生成する分布生成部（Ｓ１１０）と、
   前記特徴量分布を表現するための基底分布として使用される複数の基底特徴分布を運転トピックとして、前記分布生成部で生成された前記特徴量分布を、前記運転トピックを用いて表現した場合の混合比であるトピック割合を前記挙動特徴量として算出する割合演算部（Ｓ１２０）と、
   を備えることを特徴とする請求項１に記載の運転操作判別装置。
3. 前記運転特徴量生成部が生成する運転特徴量には、映像データ、位置情報データ、周辺物体データのうち少なくとも一つから抽出された情報が含まれることを特徴とする請求項１または請求項２に記載の運転操作判別装置。
4. 前記運転特徴量生成部にて生成された運転特徴量を、前記判別部での運転操作の判別結果と対応付けた運転操作データを記録する運転操作記録部（９１、９２）と、
   前記運転操作記録部によって記録された運転操作データに従って、前記判別部で使用する前記モデルを学習する学習処理部（９３）と、
   を備えることを特徴とする請求項１ないし請求項３のいずれか１項に記載の運転操作判別装置。
5. 前記運転操作記録部によって記録される前記運転操作データには、判別の信頼度が含まれていることを特徴とする請求項４に記載の運転操作判別装置。
6. 前記学習処理部は、前記運転操作データを構成するｍ（ｍは正整数）個の要素のうち、判別への貢献度が高い順に選んだｎ（ｎはｍより小さい正整数）個の要素からなるｎ次元データを用いて、前記学習を実施することを特徴とする請求項４または請求項５に記載の運転操作判別装置。
7. 前記判別への貢献度は、前記運転操作記録部によって記録された前記運転操作データを、前記判別結果毎に主成分分析することで求められる因子負荷量の大きさ順、またはアダブースト識別器の弱識別器採用順に従って決定されることを特徴とする請求項６に記載の運転操作判別装置。