CN103492252B - 车辆用信息提供装置 - Google Patents

Abstract

即使在平时的驾驶特性的学习没有完成的情况下也能够向驾驶员呈现驾驶不稳定状态。信息提供部(100A)中的第一驾驶不稳定判定部基于获取到的行驶状态数据，根据时间范围不同的多个行驶状态分布的分布之间的差异量来估计驾驶不稳定性。另外，信息提供部(100A)中的第二驾驶不稳定判定部在与第一驾驶不稳定判定部的估计处理不同的处理中估计驾驶不稳定性。信息提供部(100A)中的学习完成判定部根据由第一行驶状态分布计算部计算出的行驶状态分布与驾驶员的驾驶特性一致的学习程度(SD)来判定为当从开始收集上述行驶状态数据起经过预先设定的学习时间时学习完成。信息提供部(100A)中的不稳定性选择部在学习完成的情况下选择由第一驾驶不稳定判定部估计的不稳定性，在学习未完成的情况下选择由第二驾驶不稳定判定部估计的不稳定性。

Description

车辆用信息提供装置

技术领域

本发明涉及向驾驶员呈现驾驶的不稳定状态的技术。

背景技术

在专利文献1所记载的车辆用驾驶辅助装置中，计算与平时的驾驶特性对应的长时间的行驶状态分布和与当前的驾驶特性对应的短时间的行驶状态分布，根据计算出的这两个分布之间的差异量的大小来判定不稳定驾驶状态。记载有根据该方法能够不依赖于交通环境的差异而高精度地检测不稳定的状态。

专利文献1：日本特开2009-9495号公报

发明内容

发明要解决的问题

但是，在专利文献1的技术中，在用于获取可看作能够掌握平时的驾驶特性的长时间的行驶状态分布的学***时的驾驶特性的情况下，对驾驶员的驾驶的不稳定状态的检测精度变差。

本发明着眼于如上所述的问题，其目的在于即使在平时的驾驶特性的学习没有完成的情况下也能够向驾驶员呈现驾驶不稳定状态。

用于解决问题的方案

为了解决上述问题，本发明的一个方式具备第一驾驶不稳定判定部，该第一驾驶不稳定判定部基于获取到的行驶状态数据，根据时间范围不同的多个行驶状态分布的分布之间的差异量来估计驾驶不稳定性。另外，本发明的一个方式具备第二驾驶不稳定判定部，该第二驾驶不稳定判定部利用与第一驾驶不稳定判定部的估计处理不同的处理，基于行驶状态数据估计驾驶不稳定性。而且，关于本发明的一个方式，在从开始收集上述行驶状态数据起经过预先设定的学习时间而判定为学习完成的情况下，选择由第一驾驶不稳定判定部估计的不稳定性，在学习未完成的情况下选择由第二驾驶不稳定判定部估计的不稳定性。而且，关于本发明的一个方式，将基于所选择出的不稳定性的不稳定信息呈现给驾驶员。

发明的效果

根据本发明的一个方式，即使在获取第一驾驶不稳定判定部所要使用的行驶状态分布的学***时的驾驶特性之前没有完成的情况下，也能够根据第二驾驶不稳定判定部所估计的驾驶不稳定性来向驾驶员呈现驾驶不稳定状态。

附图说明

图1是表示基于本发明的实施方式所涉及的车辆结构的图。

图2是表示基于本发明的第一～第四实施方式所涉及的***结构例的图。

图3是说明基于本发明的第一实施方式所涉及的信息提供部的处理的图。

图4是表示向驾驶员呈现的信息的例子的图。

图5是表示相对熵的计算例的图。

图6是说明用于相对熵计算的符号的图。

图7是对根据转动角预测误差数据计算过去或者长时间的分布以及最近的分布的方法进行说明的图。

图8是说明相对熵计算方法的图。

图9是表示转动角预测误差的分区的图。

图10是说明基于本发明的第二实施方式所涉及的信息提供部的处理的图。

图11是说明基于本发明的第三实施方式所涉及的信息提供部的处理的图。

图12是说明基于本发明的第四实施方式所涉及的信息提供部的处理的图。

图13是表示基于本发明的第五实施方式所涉及的***结构例的图。

图14是说明基于本发明的第五实施方式所涉及的信息提供部的处理的图。

图15是表示基于本发明的第六实施方式所涉及的***结构例的图。

图16是说明基于本发明的第六实施方式所涉及的信息提供部的处理的图。

具体实施方式

第一实施方式

首先，一边参照附图一边说明本发明所涉及的第一实施方式。

(结构)

图1是表示装载有本实施方式所涉及的车辆用信息提供装置的车辆的结构的图。

如图1所示，本实施方式的车辆具备加速踏板开度传感器1、制动踏板操作量传感器2、转动角传感器3、车速传感器4、闪灯(blinker)检测传感器5、仪表显示器6、导航***7、G(加速度)传感器8、前方车辆检测装置9以及控制器100。此外，应用本发明的车辆不需要将以上传感器及其它部件全部配备。一并说明了在其它实施方式中使用的传感器类。

加速踏板开度传感器1检测加速踏板的开度量(加速指示量)来作为加速指示量。所检测出的开度量被输出到控制器100。

制动踏板操作量传感器2检测制动踏板的操作量(制动指示量)来作为制动指示量。所检测出的操作量被输出到控制器100。

转动角传感器3例如是被安装在转向柱或者转向轮(未图示)附近的角度传感器，根据转向轴的转动来检测由驾驶员的转轮产生的转动角。所检测出的转动角被输出到控制器100。

车速传感器4例如通过检测车轮的转速来检测车速。所检测出的车速被输出到控制器100。车速传感器4也可以基于向仪表显示器6的信号来检测车速。

闪灯检测传感器5检测闪灯杆的闪灯状态。检测出的闪灯状态被输出到控制器100。

信息呈现装置与来自控制器100的控制信号相应地通过语音、图像来输出警报及其它呈现。信息呈现装置例如具备：扬声器10，其通过蜂鸣声、语音向驾驶员提供信息；以及显示单元，其通过图像、文本的显示来进行信息提供。显示单元例如可以借用导航***7的显示监视器。

导航***7是具备GPS接收机、地图数据库以及显示监视器等来进行路径搜索和路径引导等的***。导航***7能够基于从GPS接收机获得的本车辆的当前位置和地图数据库中存储的道路信息来获取本车辆所要行驶的道路的类型、道路宽度等信息。

G传感器8检测车辆产生的前后加速度、横向加速度。所检测出的加速度被输出到控制器100。

前方车辆检测装置9检测存在于车辆的行进方向前方的其它车辆及其它障碍物。在本实施方式中检测至障碍物的距离。前方车辆检测装置9例如由激光测距仪构成。所检测出的距离作为求出行车距离，行车时间、相对速度等的信息而被输出到控制器100。

控制器100是由CPU以及ROM和RAM等CPU周边部件构成的电子控制单元，具备进行信息提供的控制处理的信息提供部100A。控制器100中的信息提供部100A基于利用加速踏板开度传感器1、制动踏板操作量传感器2、转动角传感器3等检测的信号来分析驾驶员的驾驶特性，判定驾驶员的驾驶操作的紊乱等驾驶不稳定的程度。而且，与驾驶的不稳定的程度相应地向驾驶员呈现警报及其它信息，来唤起驾驶员的注意。

图2是表示包括本实施方式的信息提供部100A的车辆用信息提供装置的***结构例的图。

如图2所示，本实施方式的车辆用信息提供装置将来自转动角传感器3的信息设为行驶状态数据。另外，作为信息呈现装置，例示了视觉信息呈现装置和听觉信息呈现装置。视觉信息呈现装置例如是仪表显示器6、导航***7的显示部。听觉信息呈现装置例如是扬声器10。

计时器50用于获得从开始收集行驶信息数据起的行驶时间。

在此，关于后述的第二～第四实施方式的***，也与图2所示的***结构例的结构相同。

接着，一边参照图3一边说明上述信息提供部100A的处理。以预先设定的控制周期(例如100msec)来实施信息提供部100A的处理。

信息提供部100A首先在步骤S1010中获取以下数据来作为车辆信息数据。即，从转动角传感器3获取转动角来作为行驶状态的数据。

接着，在步骤S1030中，信息提供部100A进行学习状况的判定。在本实施方式中，在学习状况的判定中使用从开始收集数据起的行驶时间。也可以使用所收集到的数据数来求出学习程度SD。

具体地说，在步骤S1030中，信息提供部100A首先基于以下公式来计算学习程度SD。

学习程度SD=行驶时间(s)/(时间的范围×系数)

在此，

行驶时间：行驶后的时间

时间的范围：行驶状态分布的时间的范围(例如2000秒)

系数：与收敛时间有关的系数(例如设为5)。

上述(时间的范围×系数)对应于预先设定的学习时间。

基于计时器50求出行驶时间。

接着，在步骤S1030中，信息提供部100A根据所计算出的学习程度SD判定学习状况。

在本实施方式中，在学习程度SD为“1”以上的情况下，判定为学习状况为学习完成。另一方面，在学习程度SD小于“1”的情况下，判定为学习状况为学习未完成。

接着，在步骤S1040中，信息提供部100A基于在步骤S1030中判定出的学习状况来判定不稳定性的计算方法。具体地说，在判定为学习状况为学习完成(学习程度SD≥1)的情况下，信息提供部100A转移到步骤S1050。另一方面，在判定为学习状况为学习未完成(学习程度SD<1)的情况下，信息提供部100A转移到步骤S1070。

当判定为学习完成并转移到步骤S1050时，信息提供部100A利用转向熵法来计算多个驾驶行驶状态分布，计算分布间的差异量(相对熵)。之后转移到步骤S1060。

具体地说，在步骤S1050中，信息提供部100A基于驾驶员进行转向操作时的转动角信号来计算差异量，该差异量用于判定驾驶员的当前的驾驶操作与平时的驾驶操作相比有什么不同、即与平时的驾驶操作相比是否为不稳定的状态。即，在步骤S1050中，计算相对熵(特征量、不稳定性)，作为表示驾驶操作不顺利且紊乱的值。一般地，与驾驶员的注意集中于驾驶的正常驾驶时相比，在驾驶员的注意没有集中于驾驶的状态下不进行转动的时间变长，累积大的转动角的误差。因而，驾驶员的注意返回到驾驶时的校正转动量变大。在本实施方式中，利用该特性来计算相对熵RHp。具体地说，分别计算过去或者比当前靠前的长时间累积的转动误差分布(行驶状态分布)、以及短时间获取到的当前的驾驶员的转动误差分布(行驶状态分布)即时间范围不同的多个行驶状态分布。而且，将看作平时的驾驶特性的长时间的转动误差分布作为比较基准，根据该长时间的转动误差分布和当前的短时间的操作误差分布来计算相对熵RHp。

在此，相对熵RHp是表示两个转动误差分布的差异量(距离)的物理量，表示两个转动误差分布的不同的程度即两个转动误差分布相差多少。能够利用所计算出的相对熵的值来评价当前的最近的行驶状态相对于过去的长时间的行驶状态(平时的驾驶特性)的稳定性。

关于长时间累积的转动误差分布、短时间获取到的当前的驾驶员的转动误差分布以及使用它们而得到的分布之间的差异量(相对熵)的计算例，在后文叙述。

接着，在步骤S1060中，信息提供部100A基于差异量进行不稳定驾驶状态的判定。

在本实施方式的步骤S1060中，将在步骤S1050中计算出的差异量与预先设定的判定阈值进行比较。而且，在差异量大于判定阈值的情况下，判定为不稳定驾驶状态。之后转移到步骤S1100。

另一方面，在步骤S1040中判定为学习未完成的情况下，转移到步骤S1070。

在步骤S1070中，信息提供部100A使用当前的时间的范围短的转动误差分布来计算当前的特征量(绝对熵)。之后转移到步骤S1080。此外，绝对熵是以设为对象的行驶状态分布来表示的期待值。

在步骤S1080中，信息提供部100A对过去的驾驶的特征量进行读入。过去的驾驶的特征量是过去行驶时的最终值(绝对熵)。之后转移到步骤S1090。

在步骤S1090中，信息提供部100A如下式那样将基准特征量与在步骤S1070中计算出的当前的特征量Hp_current进行比较，该基准特征量是将在步骤S1080中读入的过去的驾驶的特征量Hp_old乘以系数k而得到的。而且，在当前的特征量Hp_current大于基准特征量(Hp_old*k)的情况下判定为不稳定状态。之后转移到步骤S1100。

Hp_current/(Hp_old*k)>1

在此，例如将系数k设为1.5。

然后，在步骤S1100中，信息提供部100A在步骤S1060或者步骤S1090判定为不稳定状态的情况下进行信息呈现的处理。

图4表示信息呈现的例子。即，在学习程度SD为“1”以上时判定为不稳定状态的情况下，如图4的(a)那样，信息呈现装置进行警告显示，并且以“驾驶紊乱。请谨慎驾驶”等语音进行警告的呈现。

另一方面，在学习程度SD小于“1”时判定为不稳定状态的情况下，估计精度可能低，因此信息呈现装置利用稍微柔和的表达方式“状态还好吗?请继续安全驾驶。”来实施语音警告。

这样，与学习程度SD相应地变更信息提供的内容。

接着，在步骤S1110中，进行当前的特征量(绝对熵)的保存。为了与下一次出行(行驶)时作比较而预先保存当前的特征量(在步骤S1070中计算出的特征量)。

之后结束处理并复原。

接着，一边参照图5一边说明长时间累积的转动误差分布(行驶状态分布)、短时间获取到的当前的驾驶员的转动误差分布(行驶状态分布)以及使用它们得到的分布之间的差异量(相对熵)的计算处理的例子。

每隔固定间隔例如50msec进行本处理内容。

在步骤S10中，为了判断是否为能够计算相对熵RHp的行驶场景，对本车辆正在行驶的行驶场景进行估计(检测)。在此，在本车速V处于预先设定的车速范围(例如40km/h～120km/h)内的情况下，设为能够计算相对熵RHp的行驶场景。即，为了使用转动角信号进行有效的相对熵RHp的计算，从能够计算的行驶场景排除车速极慢的情况和极快的情况。

在步骤S20中，判定利用车速传感器4检测的当前的本车速V是否处于预先设定的车速范围内。当判定为本车速V处于预先设定的车速范围内、是能够计算相对熵RHp的行驶场景时，为了进行相对熵RHp的计算而进入步骤S30。另一方面，在本车速V不在规定范围内的情况下，结束该处理。

在步骤S30中，作为用于检测驾驶员的驾驶操作的不稳定状态的成为检测对象的驾驶员的驾驶操作量，读入利用转动角传感器检测的当前的转动角信号θ。在步骤S31中，根据所读入的转动角θ的值来计算转动角预测误差θe。

在此，图6表示用于计算相对熵RHp的特殊符号及其名称。转动角顺滑值θn-tilde是降低量化噪声的影响后的转动角。转动角的估计值θn-hat是假设顺利地操作了转向来估计采样时刻的转动角而得到的值。如以下(式1)所示，对转动角顺滑值θn-tilde实施二阶的泰勒展开式来获得转动角估计值θn-hat。

[数式1]

${\widehat{\mathrm{\&theta;}}}_n={\widetilde{\mathrm{\&theta;}}}_{n-1}+(t_n-t_{n-1})\left(\frac{{\widetilde{\mathrm{\&theta;}}}_{n-1}-{\widetilde{\mathrm{\&theta;}}}_{n-2}}{t_{n-1}-t_{n-2}}\right)+\frac{(t_n-t_{n-1})}{2}(\frac{{\mathrm{\&theta;}}_{n-1}-{\widetilde{\mathrm{\&theta;}}}_{n-2}}{t_{n-1}-t_{n-2}}-\frac{{\widetilde{\mathrm{\&theta;}}}_{n-2}-{\widetilde{\mathrm{\&theta;}}}_{n-3}}{t_{n-2}-t_{n-3}})$

…(式1)

在(式1)中，tn是转动角θn的采样时刻。

为了降低量化噪声的影响，转动角顺滑值θn-tilde作为三个相邻的转动角θn的平均值而根据以下(式2)计算出。

[数式2]

${\widetilde{\mathrm{\&theta;}}}_{n-k}=\frac{1}{3}\underset{i=-l}{\overset{1}{\mathrm{\&Sigma;}}}{\mathrm{\&theta;}}_{n-\mathrm{kl}+1}$ …(式2)

在(式2)中，l表示在将转动角顺滑值θn-tilde的计算时间间隔设为150msec即手动操作中人所能断续地操作的最小时间间隔的情况下150msec内包含的转动角θn的采样数。

当将转动角θn的采样间隔设为Ts时，用以下的(式3)来表示采样数l。

l=round(0.15/Ts)…(式3)

在(式2)中，取k=1、2、3的值，利用(k*1)，基于150msec间隔的转动角和与之相邻的总共三个转动角θn能够求出顺滑值θn-tilde。因而，实际上能够利用以150msec间隔得到的转动角θ来计算出要基于这种顺滑值θn-tilde计算的估计值θn-hat。

采样时刻的转动角预测误差θe作为假设顺利地进行了转向操作时的转动角估计值θn-hat与实际的转动角θn之差，能够基于以下(式4)来计算出。

[数式3]

${\mathrm{\&theta;}}_e={\mathrm{\&theta;}}_n-{\widehat{\mathrm{\&theta;}}}_n$ …(式4)

其中，将转动角预测误差θe设为仅针对每隔人能够断续地操作的最小时间间隔即150msec的转动角θn计算出的误差。

下面，说明转动角预测误差θe的具体的计算方法。此外，例如将转动角信号θ的采样间隔Ts设为50msec。首先，使用150msec间隔的相邻的三个转动角θn，根据上述(式2)计算三个转动角顺滑值θn-tilde。三个转动角顺滑值θn-tilde用以下的(式5)来表示。

[数式4]

$\begin{array}{c}{\widetilde{\mathrm{\&theta;}}}_{n-1}=\frac{1}{3}({\mathrm{\&theta;}}_{n-4}+{\mathrm{\&theta;}}_{n-3}+{\mathrm{\&theta;}}_{n-2}),\\ {\widetilde{\mathrm{\&theta;}}}_{n-2}=\frac{1}{3}({\mathrm{\&theta;}}_{n-7}+{\mathrm{\&theta;}}_{n-6}+{\mathrm{\&theta;}}_{n-5}),\\ {\widetilde{\mathrm{\&theta;}}}_{n-3}=\frac{1}{3}({\mathrm{\&theta;}}_{n-10}+{\mathrm{\&theta;}}_{n-9}+{\mathrm{\&theta;}}_{n-8}),\end{array}$ …(式5)

接着，使用计算出的三个转动角顺滑值θn-tilde，根据上述(式1)计算转动角的估计值θn-hat。估计值θn-hat用以下的(式6)来表示。

[数式5]

$\begin{array}{c}{\widehat{\mathrm{\&theta;}}}_n={\widetilde{\mathrm{\&theta;}}}_{n-1}+\mathrm{Ts}\&CenterDot;\frac{{\widetilde{\mathrm{\&theta;}}}_{n-1}-{\widetilde{\mathrm{\&theta;}}}_{n-2}}{\mathrm{Ts}}+\frac{\mathrm{Ts}}{2}(\frac{{\widetilde{\mathrm{\&theta;}}}_{n-1}-{\widetilde{\mathrm{\&theta;}}}_{n-2}}{\mathrm{Ts}}-\frac{{\widetilde{\mathrm{\&theta;}}}_{n-2}-{\widetilde{\mathrm{\&theta;}}}_{n-3}}{\mathrm{Ts}})\\ ={\widetilde{\mathrm{\&theta;}}}_{n-1}+({\widetilde{\mathrm{\&theta;}}}_{n-1}-{\widetilde{\mathrm{\&theta;}}}_{n-2})+\frac{1}{2}\{({\widetilde{\mathrm{\&theta;}}}_{n-1}-{\widetilde{\mathrm{\&theta;}}}_{n-2})-({\widetilde{\mathrm{\&theta;}}}_{n-2}-{\widetilde{\mathrm{\&theta;}}}_{n-3})\}\end{array}$ …(式6)

然后，使用计算出的转动角估计值θn-hat和实际的转动角信号θn，根据上述(式4)计算转动预测误差θe。

接着，在步骤S40中，添加在步骤S31中计算出的转动角预测误差θe的当前值，来更新在当前时刻之前计算出的、被累积到控制器100的存储器内的规定时间T秒期间的转动角预测误差θe的数据。即，舍弃所累积的转动角预测误差θe的数据中的最旧的T秒前的数据，取而代之地输入在步骤S31中计算出的当前值来作为最新的转动角预测误差θe的数据。由此，累积从当前值起累积了到T秒前为止的转动角预测误差θe的数据。此外，关于规定时间T，例如设定为T=3600秒(=1个小时)左右，使得为了计算长时间的误差分布能够累积充分的长期间的数据，该长时间的误差分布是用于判定当前的驾驶操作的不稳定状态的比较基准。

在步骤S50中，计算作为转动预测误差分布的比较基准的过去或者长时间的转动角预测误差分布1。在此，如图7所示，例如使用从T秒前的数据起的180秒期间的数据来计算过去的转动角预测误差分布。具体地说，将所累积的过去的转动角预测误差θe分为9个预测误差分区b1～b9，求出各分区bi所包含的转动角预测误差θe的度数相对于总度数的概率pi(=p1～p9)。而且，将计算出的过去的分布用作转动角预测误差分布的比较基准。此外，以所有分区b1～b9来将预测误差分区bi的范围预先设定为固定。

在计算长时间的转动角预测误差分布的情况下，使用从T秒前至当前的3600秒期间的所有数据。具体地说，将所累积的长时间的转动角预测误差θe分为9个预测误差分区b1～b9，求出各分区bi所包含的转动角预测误差θe的度数相对于总度数的概率pi(=p1～p9)。将计算出的过去的分布(或者长时间的分布)设为作为比较基准的过去(或者长时间)的转动角预测误差分布1。

在步骤S51中，计算当前的转动角预测误差分布2。在此，如图7所示，使用从当前起的最近的180秒期间的数据来计算当前的转动角预测误差分布2。具体地说，将最近的180秒期间的转动角预测误差θe的数据分为9个预测误差分区b1～b9，求出各分区bi所包含的转动角预测误差θe的度数相对于总度数的概率qi(=q1～q9)。

在步骤S70中，使用过去(或者长时间)的转动角预测误差分布1和当前的转动角预测误差分布2来求出相对熵RHp。如图8所示，相对熵RHp是当前的转动角预测误差分布2相对于作为比较基准的过去(或者长时间)的转动角预测误差分布1的差异量(距离)。能够根据以下计算式(式7)计算相对熵RHp。

[数式6]

$\mathrm{RHp}={\mathrm{\&Sigma;q}}_i\&CenterDot;{\log }_9\frac{q_i}{p_i}$ …(式7)

在过去(或者长时间)的转动角预测误差分布1的概率pi与当前的转动角预测误差分布2的概率qi相等的情况下，相对熵RHp为RHp=0，概率pi与qi偏差越大，RHp的值越大。

然后，结束本次的处理。反复实施以上的处理。

此外，还能够基于计算表示转动误差分布的模糊性(不确定性)的转向熵值Hp时使用的α值来设定预测误差分区bi的范围，预测误差分区bi用于计算过去(或者长时间)的转动角预测误差分布1和当前的转动角预测误差分布2。在此，基于转动角的时间序列数据求出固定时间内的转动误差即假设顺利地操作了转向时的转动角的估计值与实际的转动角之差，测量转动误差的分布(偏差)并计算90%的值(含有转动误差的90%的分布的范围)，由此获得α值。

因此，基于过去或者长时间的转动角误差分布来计算α值，根据计算出的α值对过去(或者长时间)的转动角预测误差分布1以及当前的转动角预测误差分布2设定相同的预测误差分区bi的范围。图9表示使用α值设定的各分区bi的转动角预测误差θe的范围。

(动作及其它)

在基于从开始收集数据起的行驶时间而能够看作学***时的驾驶特性)的情况下，车辆用信息提供装置通过步骤S1050和S1060的处理实施使用了转向熵法的不稳定性的计算。

此时，车辆用信息提供装置对所计算出的多个行驶状态分布之间的差异量进行计算，根据差异量的大小来判定不稳定驾驶状态。由此，能够不依赖于交通环境的差异而高精度地检测不稳定的行驶状态。即，能够不依赖于交通环境的差异，以适应个人的平时的特性的方式高精度地检测不稳定的状态。

另外此时，车辆用信息提供装置计算时间的范围不同的多个行驶状态分布，来作为多个行驶状态分布。例如，车辆用信息提供装置计算包含过去的行驶状态数据的行驶状态分布以及包含最近的行驶状态数据的行驶状态分布，将过去的行驶状态分布作为基准直接计算与最近的行驶状态分布的差异量。其结果是，能够也一边连续地更新作为基准的数据一边评价最近的状态的稳定性。这样，能够不依赖于交通环境的差异而高精度地检测不稳定的行驶状态。

另一方面，车辆用信息提供装置在判定为学习状况为学习未完成(SD<1)时，将表示当前的行驶状态的最近的时间的范围的行驶状态分布即单一的行驶状态分布的大小与过去的行驶数据进行比较，来实施不稳定驾驶判断(步骤S1070～S1090)。即，通过在学习未完时使用其他不稳定性计算的处理，即使在驾驶员的行驶状态分布未知时也能够唤起注意。

在此，在上述实施方式中，利用行驶时间求出学习程度SD，根据该学习程度SD估计是否能够估计为行驶状态分布与驾驶员的驾驶特性一致，并判定是否学习完成。关于用于估计上述行驶状态分布与驾驶员的驾驶特性一致的学习程度SD，也可以根据作为行驶状态分布的特征量的相对熵的变动来求出学习程度SD。例如，当长时间用的行驶状态分布的特征量的变化量为预先设定的值以下时，将表示学习完成的值设定为学习程度SD。

在此，步骤S1010构成行驶状态获取部。步骤S1050构成第一行驶状态分布计算部和第一驾驶不稳定判定部。步骤S1030构成学习完成判定部。S1070、S1080构成第二驾驶不稳定判定部。S1040构成不稳定性选择部。S1100构成信息呈现部。

(本实施方式的效果)

(1)行驶状态获取部获取包括驾驶员的驾驶操作和车辆状态中的至少一个的行驶状态数据。第一行驶状态分布计算部基于由上述行驶状态获取部获取到的行驶状态数据计算时间范围不同的多个行驶状态分布。第一驾驶不稳定判定部基于由上述第一行驶状态分布计算部计算出的多个行驶状态分布的分布之间的差异量来估计驾驶不稳定性。学习完成判定部基于由上述第一行驶状态分布计算部计算出的行驶状态分布与驾驶员的驾驶特性一致的程度即学习程度SD，来在从开始收集行驶状态数据起经过预先设定的学习时间时判定为学习完成。求出由上述第一行驶状态分布计算部计算出的行驶状态分布与驾驶员的驾驶特性一致的程度、即学习程度SD。第二驾驶不稳定判定部将基于由上述行驶状态获取部获取到的行驶状态数据求出的表示当前的行驶状态的最近的时间范围的行驶状态分布与基于与该最近的时间范围的行驶状态数据不同的其它行驶状态数据求出的比较用的行驶状态分布进行比较，由此估计驾驶不稳定性。不稳定性选择部基于学习完成判定部的判定结果，在学习完成的情况下选择由第一驾驶不稳定判定部估计的不稳定性，在学习未完成的情况下选择由第二驾驶不稳定判定部估计的不稳定性。信息呈现部将基于由上述不稳定性选择部选择出的不稳定性的不稳定信息呈现给驾驶员。

通过在学习未完成时使用其它不稳定性计算部，即使在驾驶员的行驶状态分布未知时也能够唤起注意。

(2)将上述其它行驶状态数据设为与上述最近的时间范围相比在过去获得的行驶状态数据。然后，上述第二驾驶不稳定判定部利用上述最近的时间范围的行驶状态分布的特征量与基准特征量的比，将上述最近的时间范围的行驶状态分布与比较用的行驶状态分布进行比较，来估计驾驶不稳定性，该基准特征量是将根据上述其它行驶数据求出的行驶状态分布的特征量乘以预先设定的系数而得到的值。

将根据其它行驶数据求出的行驶状态分布的特征量乘以预先设定的系数来求出基准特征量，由此即使学习未完成，也能够通过利用上述系数进行校正来提高对驾驶不稳定性的估计的精度。

(3)上述第二驾驶不稳定判定部基于由行驶状态获取部获取到的行驶状态数据的信息以及车辆的驾驶场景信息中的至少一个信息来估计驾驶不稳定性。

通过使用车辆行为数据及其它行驶状态数据、驾驶场景判定的结果能够高精度地检测驾驶员状态。

(4)上述第二驾驶不稳定判定部使用基于由上述行驶状态获取部获取到的行驶状态数据计算出的行驶状态分布的其中一个分布来估计驾驶不稳定性。

通过使用驾驶员的行驶状态分布能够进行统计处理，从而提高精度。

(5)在上述不稳定性选择部选择由第二驾驶不稳定判定部估计的不稳定性的情况下，如果由上述第二驾驶不稳定判定部估计的不稳定性超过预先设定的判定阈值时，则判定为不稳定。

由此，能够简单地实施对驾驶的不稳定状态的判定。

(6)基于过去的行驶历史记录的数据来设定上述判定阈值。

通过使用过去的行驶历史记录来提高检测精度。

(7)上述第二驾驶不稳定判定部具有用于保存过去的行驶历史记录的数据的历史记录保存部，参照该历史记录保存部所保存的过去的历史记录的倾向来判定不稳定状态。

通过根据过去的历史记录进行判定来提高检测性能。

(8)上述学习完成判定部根据行驶时间判定学习程度SD。

通过根据行驶时间判定学习状况来减少对学习完成的误判定。

(9)上述学习完成判定部根据单一的行驶状态分布的特征量的变动进行判定。

通过利用行驶分布的特征量的变动来观察学习状况，能够提前进行学习完成时的判定。

(10)根据转向操作的操作量计算上述行驶状态分布。

通过根据要求连续操作的转向操作进行检测，能够高精度地检测驾驶员状态。

(11)根据上述转向操作的操作量的计算使用了转向熵法。

通过使用转向熵法能够期待检测性能的提高。

(12)信息呈现部与由学习完成判定部判定的学习完成的结果相应地变更不稳定信息的信息呈现内容。

通过与学习完成的判定结果相应地改变信息提供，使对驾驶员感受性提高。

第二实施方式

接着，一边参照附图一边说明第二实施方式。此外，对与上述第一实施方式相同的结构附加相同的附图标记并进行说明。

本实施方式的基本结构与上述第一实施方式相同。但是，判定为学习状况为学习未完成时的其它不稳定性计算的处理不同。

在本实施方式中，将单一的行驶状态分布的大小与根据普通驾驶员的分布计算出的值进行比较来进行不稳定驾驶判断，由此实施其它不稳定性计算的处理。

参照图10的流程说明本实施方式的信息提供部100A的处理。

在此，步骤S2010～S2070的处理与第一实施方式的处理、即步骤S1010～S1070的处理相同。另外，步骤S2100、S2110的处理与步骤S1100、S1110的处理相同。因此，省略这些处理的说明。

接着，说明步骤S2080的处理。

在本实施方式的步骤S2080中，信息提供部100A读入被预先存储在存储部中的普通驾驶员的特征量。

普通驾驶员的特征量是预先对从多个驾驶员获取到的特征量进行统计处理(例如平均)而求出的值。也可以通过无线通信等来适当刷新该普通驾驶员的特征量。根据从各驾驶员获取到的行驶状态数据来求出从各驾驶员获取到的特征量。

其它处理与上述第一实施方式相同。

在此，步骤S2010构成行驶状态获取部。步骤S2050构成第一行驶状态分布计算部和第一驾驶不稳定判定部。步骤S2030构成学习完成判定部。S2070、S2080构成第二驾驶不稳定判定部。S2040构成不稳定性选择部。S2100构成信息呈现部。

(作用效果)

在本实施方式中，除了在第一实施方式中说明的效果以外，还发挥以下效果。

(1)第二驾驶不稳定判定部所使用的上述其它行驶状态数据是从多个驾驶员预先获取到的行驶状态数据。而且，上述判定阈值是根据从多个驾驶员获取到的行驶状态分布的特性而求出的。

通过使用普通驾驶员等的作为基准的分布，能够明确驾驶员的不稳定状态，从而使检测性能提高。

第三实施方式

接着，一边参照附图一边说明第三实施方式。此外，对与上述第一实施方式相同的结构附加相同的附图标记并进行说明。

本实施方式的基本结构与上述第一实施方式相同。但是，在第三实施方式中，关于判定为学习状况为学习未完成时的其它不稳定性计算的处理，是基于根据最近的时间范围的行驶状态求出的单一分布的特征量的历史记录来进行判定的。

参照图11的流程来说明本实施方式的信息提供部100A的处理。

步骤S3010～S3070的处理与第一实施方式的处理、即步骤S1010～S1070的处理相同。另外，步骤S3100的处理与步骤S1100的处理相同。因此，省略这些处理的说明。此外，在本实施方式中不需要保存特征量，因此省略了步骤S1110的处理。

接着，对本实施方式中的步骤S3080、S3090的处理进行说明。

在本实施方式的步骤S3080中，信息提供部100A将在步骤S3070中求出的不稳定性以固定间隔保存过去数～10个，为了判定其倾向，计算偏差、增减、绝对值。

将上述偏差设为过去的不稳定性的偏差(标准偏差)。

将上述增减设为最旧的不稳定性与最新的不稳定性的比较。

将上述绝对值设为最新的不稳定性的绝对值。

接着，在步骤S3090中，信息提供部100A对在步骤S3080中计算出的过去的历史记录数据进行判定。

例如，在上述三项(偏差、增减、绝对值)中的偏差：大、增减：大、绝对值：大的情况下判定为不稳定驾驶。即使在仅满足这三项中的一部分的情况下，例如即使在满足某一项的条件的情况下，也可以判定为不稳定驾驶。

在此，在偏差大于预先设定的偏差用阈值的情况下，判定为偏差：大。另外，在增减的绝对值大于预先设定的增减用阈值的情况下，判定为增减：大。另外，在绝对值大于预先设定的绝对值用阈值的情况下，判定为绝对值：大。

其它处理与上述第一实施方式相同。

在此，步骤S3010构成行驶状态获取部。步骤S3050构成第一行驶状态分布计算部和第一驾驶不稳定判定部。步骤S3030构成学习完成判定部。S3070、S3080构成第二驾驶不稳定判定部。S3040构成不稳定性选择部。S3100构成信息呈现部。

(作用效果)

如上所述，在本实施方式中，适当保存单一的行驶状态分布的特征量(熵)，利用其倾向(增减和绝对值)进行不稳定驾驶判断。

本实施方式除了发挥在上述第一实施方式中说明的效果以外，还发挥以下效果。

(1)第二驾驶不稳定判定部求出基于由行驶状态获取部获取到的行驶状态数据的表示当前的行驶状态的最近的时间范围的行驶状态分布的特征量，基于所求出的特征量估计驾驶不稳定性。

通过使用驾驶员的行驶状态分布的特征量，能够进行统计处理，从而提高精度。

(2)第二驾驶不稳定性判定部基于每隔固定间隔获取到的上述特征量的历史记录求出特征量的倾向，根据所求出的该倾向估计驾驶不稳定性。

根据该结构，通过使用特征量的倾向，不使用长时间的时间范围的行驶状态分布就能够进行不稳定驾驶的判断。

第四实施方式

接着，一边参照附图一边说明第四实施方式。此外，对与上述第一实施方式相同的结构附加相同的附图标记并进行说明。

本实施方式的基本结构与上述第一实施方式相同。但是，在第四实施方式中，根据时间范围不同的相对熵来实施判定为学习状况为学习未完成时的其它不稳定性计算的处理。

参照图12的流程来说明本实施方式的信息提供部100A的处理。

步骤S4010～S4060的处理与第一实施方式的处理、即步骤S1010～S1060的处理相同。另外，步骤S4100的处理与步骤S1100的处理相同。因此，省略这些处理的说明。此外，在本实施方式中不需要保存特征量，因此省略了步骤S1110的处理。

接着，说明步骤S4070～S4090的处理。

在此在步骤S4030中如上述那样进行学习状况判定。

关于学习状况的判定，如上述那样使用行驶时间。例如基于下式来计算学习程度SD。

学习程度SD=行驶时间(s)/(时间的范围×系数)

在此，

行驶时间：行驶后的时间

时间的范围：行驶状态分布的时间的范围(例如2000秒)

系数：与收敛时间有关的系数(例如5)

而且，在步骤S4070中，信息提供部100A与在步骤S4030中求出的学习程度SD相应地对求出两个转动误差分布(行驶状态分布)的时间范围进行设定。在本实施方式中，将两个行驶状态分布设为长的行驶时间分布和短的时间分布。像下面那样将长的行驶时间分布的时间范围设为与学习程度SD相应的时间范围。此外，如上述那样求出短的行驶状态分布。

长的时行驶时间分布的时间范围=学习程度SD×学习系数

在此，学习程度SD：在步骤S4030中计算出的值(0～1)

学习系数：设定为学习时间、将学习时间乘以预先设定的系数(<1)而得到的值。

例如将学习时间(行驶时间)乘以预先设定的1以下的常数来求出学习系数。

接着，在步骤S4080中，信息提供部100A计算第二分布差异量。关于计算方法，利用与步骤S4050(步骤S1050)相同的方法来进行计算。但是，所谓计算第一分布差异量的行驶状态分布，时间的范围不同。第二行驶状态分布的时间的范围比第一行驶状态分布的时间的范围短。

在将第一行驶状态分布的时间的范围分别设为Tw_s1、Tw_l1，将第二行驶状态分布的时间的范围设为Tw_s2、Tw_l2的情况下，例如如下那样进行设定。

Tw_s1：60(s)

Tw_l1：2000(s)

Tw_s2：20(s)

Tw_l2：600(s)

基于以上设定，在步骤S4080中，信息提供部100A生成两个行驶状态分布，并计算它们的差异量。

在步骤S4090中，信息提供部100A基于在步骤S4080中计算出的差异量(特征量)进行不稳定驾驶状态的判定。在本实施方式的步骤S4090中，信息提供部100A将在步骤S4080中计算出的差异量与预先设定的判定阈值进行比较。而且，在差异量大于判定阈值的情况下，信息提供部100A判定为不稳定驾驶状态。之后转移到步骤S4100。

在此，步骤S4010构成行驶状态获取部。步骤S4050构成第一行驶状态分布计算部和第一驾驶不稳定判定部。步骤S4030构成学习完成判定部。S4070～S4090构成第二驾驶不稳定判定部。S4070构成第二行驶状态分布计算部和第二驾驶不稳定判定部。S4040构成不稳定性选择部。S4100构成信息呈现部。

(作用效果)

在本实施方式中，信息提供部100A在学习未完成的情况下，计算时间范围不同的两个相对熵，与学习状况相应地变更其中一个相对熵的时间范围。

在本实施方式中，除了第一实施方式的效果之外还发挥以下效果。

(1)在第二驾驶不稳定判定部中使用的其它行驶状态数据是在与最近的时间范围不同的其它时间范围内获取到的行驶状态数据。而且，上述其它时间范围与从开始收集上述行驶状态数据到当前为止的经过时间相对于上述学习时间的比即学习程度相伴随而发生变更，该学习程度越大则将上述其它时间的范围越变大。

越接近学习完成则将其它时间范围越变大，能够更为顺利地设定从学习未完成转移到学习完成时呈现给驾驶员的信息的变化，例如能够更为顺利地进行从学习未完成转移到学习完成时的注意唤起的变更。

第五实施方式

接着，一边参照附图一边说明第五实施方式。此外，对与上述第一实施方式相同的结构附加相同的附图标记并进行说明。

本实施方式的基本结构与上述第一实施方式相同。但是，在第五实施方式中，关于判定为学习状况为学习未完成时的其它不稳定性计算的处理，根据两个单一分布的特征量(相对熵)进行判定。

图13表示本实施方式的***结构。如图13所示，从转动角传感器3对信息提供部100A除了输入来自计时器50的输出以外，还输入来自制动踏板操作传感器、障碍物检测装置的输出值。

参照图14的流程来说明本实施方式的信息提供部100A的处理。

信息提供部100A首先在步骤S5010中获取以下数据来作为车辆信息数据。

信息提供部100A基于转动角传感器3和制动踏板操作量传感器2的输出获取转动角和制动踏板操作量，来作为驾驶员的操作信息。

另外，信息提供部100A基于车速传感器4、G传感器8、前方车辆检测装置9的各输出获取本车辆的车速、前后G、横向G、相对于前方障碍物的相对速度、行车距离，来作为车辆状态的信息。

在步骤S5030中，信息提供部100A通过与步骤S1050相同的处理进行学习状况判定。

在步骤S5040中，信息提供部100A通过与步骤S1040相同的处理，基于学习程度SD判定学习状况是否为学习完成。在判定为学习状况为学习完成的情况下转移到步骤S5050。另一方面，在判定为学习状况为学习未完成的情况下，转移到步骤S5080和S5100。

在步骤S5050、S5060中，进行与步骤S1050和S1060相同的处理。即，在步骤S5050中计算分布间的差异量。在步骤S5060中，将所计算出的差异量与预先设定的判定阈值进行比较来判定是否为不稳定驾驶状态。

在步骤S5070中，信息提供部100A在基于步骤S5060的判定来判定为不稳定驾驶状态的情况下，进行信息呈现的处理。

另一方面，在步骤S5080中，信息提供部100A使用转动角进行转向熵的计算。在该步骤S5080中，根据单一的行驶状态分布来计算作为不稳定量的绝对熵(特征量)。之后转移到步骤S5090。

在步骤S5090中，信息提供部100A进行与步骤S2080相同的处理，读入预先存储在存储部中的普通驾驶员的特征量。之后转移到步骤S5120。

另外，在步骤S5100中，信息提供部100A根据刹车时的TTC(撞击余裕时间)的大小来计算作为不稳定量的绝对熵(特征量)。之后转移到步骤S5110。在此，撞击余裕时间TTC表示本车辆在撞击余裕时间计算中维持行驶状态并行驶时在撞击障碍物之前的时间。

在此，一般已知在驾驶员的状态不稳定的情况下，制动操作的时刻变迟。因而，通过评价制动操作的时刻能够判定不稳定状态。关于制动操作的时刻，使用普通的制动操作的统计数据，并进行标准化后加以使用。

例如，设为制动操作次数为N次，每次刹车时的TTC为TTC1、TTC2…。当将普通制动操作时刻的平均值设为μ、标准偏差设为σ时，各个制动操作的标准化后得到的值Std如下所示。

Std1=(μ-TTC1)/σ

Std2=(μ-TTC2)/σ

Std3=(μ-TTC3)/σ

…

Stdn=(μ-TTCn)/σ

而且，将Std的平均值(Σstdn(：n为1～n))/N设为不稳定性。

在步骤S5110中，信息提供部100A一般读入能够允许的TTC的平均值(预先设定于存储部的值)。关于该值，例如设定为2～3的期间的值。

接着，在步骤S5120中，如果由基于步骤S5080、S5090的处理的特征量引起的第一单一分布不稳定性以及由基于步骤S5100、S5110的处理的特征量引起的第二单一分布的不稳定性中的某一个满足下式，则信息提供部100A判定为不稳定。此外，将满足下式的情况判定为不稳定。

在S5080中计算出的不稳定量>在S5090中读入的普通的特征量

在S5100中计算出的不稳定量>在S5110中读入的普通的特征量

在此，在本实施方式的步骤S5080和步骤S5100中，分别例示了根据转向熵和刹车时的TTC进行不稳定性的计算的情况。取而代之，如果是驾驶员的驾驶操作以及由该驾驶操作产生的车辆行为的指标(另外，横向G、前后G的频率分布)，也能够使用任一个指标。

在步骤S5130中，在步骤S5120中判定为驾驶不稳定的情况下，信息提供部100A进行信息呈现的处理。

其它结构与上述第一实施方式相同。

在此，步骤S5010构成行驶状态获取部。步骤S5050构成第一行驶状态分布计算部和第一驾驶不稳定判定部。步骤S5030构成学习完成判定部。S5080～S5120构成第二驾驶不稳定判定部。S5040构成不稳定性选择部。S5070、S5130构成信息呈现部。

(作用效果)

在本实施方式中，除了基于转向熵的判定以外，还考虑其它指标(左右转弯时的横向G等)判定不稳定性。即，具有两种单一的行驶状态分布(分别根据其它指标计算出的行驶状态分布)，如果判定为某一个不稳定，则判断为不稳定驾驶。

在本实施方式中，除了上述第一实施方式的效果以外还发挥以下效果。

(1)在第二驾驶不稳定判定部中使用的其它行驶状态数据是多种行驶状态数据。第二驾驶不稳定判定部根据上述多种的行驶状态数据，来求出多个行驶状态分布，分别作为上述比较用的行驶状态分布并进行估计。即，第二驾驶不稳定判定部根据基于多种行驶状态数据获得的多个行驶状态分布的各特征量来估计驾驶不稳定性。

不仅根据特定的信号，还根据多个信号检测驾驶员状态，由此检测性能提高。

(2)上述第二驾驶不稳定判定部使用撞击余裕时间(TTC)来估计驾驶不稳定性。

通过使用撞击余裕时间能够准确地检测减速操作的状态。

第六实施方式

接着，一边参照附图一边说明第六实施方式。此外，对与上述第一实施方式相同的结构附加相同的附图标记并进行说明。

本实施方式的基本结构与上述第一实施方式相同。但是，在第六实施方式中，关于判定为学习状况为学习未完成时的其它不稳定性计算的处理，针对特定的驾驶场景计算特征量来进行判定。

图15是表示本实施方式所涉及的***结构图的图。在本实施方式中，为了检测特定的驾驶场景，经由闪灯指示信号、导航获取了路口信息。

参照图16的流程说明本实施方式的信息提供部100A的处理。

在步骤S6010中，作为驾驶员的驾驶操作以及由该驾驶操作产生的车辆状态的信息即车辆信息数据，进行以下数据的获取。

作为驾驶员的操作信息，获取转动角、加速踏板开度、制动踏板操作量、闪灯指示信号。闪灯指示信号被用作驾驶场景的检测信息。

作为车辆状态的信息，检测车速、前后G、横向G。

另外，在步骤S6030中，信息提供部100A经由导航***7获取路口信息，来作为交通环境信息。

接着，在步骤S6030中，信息提供部100A通过与步骤S1030相同的处理来进行学习状况判定。

在步骤S6040中，信息提供部100A通过与步骤S1040相同的处理，基于学习程度SD判定学习状况是否为学习完成。在判定为学习状况为学习完成的情况下转移到步骤S6050。在判定为学习状况为学习未完成的情况下，转移到步骤S6070。

在步骤S6050中，信息提供部100A通过与步骤S1050相同的处理来计算分布间的差异量。在步骤S6060中，通与步骤S1060相同的处理，基于差异量进行不稳定驾驶状态的判定。之后转移到步骤S6100。

另一方面，在步骤S6070中，信息提供部100A进行驾驶场景(交通环境)的判定。关于驾驶场景，能够考虑路口左右转弯场景、前车接近场景等，但在此以路口左右转弯场景的判定为例进行说明。

关于是否为路口左右转弯场景，利用根据导航的地图判定路口的方法、根据闪灯和车辆行为判定是否为路口的处理即可。

在步骤S6080中，信息提供部100A进行特征量的计算。关于步骤S6080中的特征量的计算，使用与第五实施方式的步骤S5100相同的方法。即，关于步骤S5100所记载的处理，代替制动操作而应用横向G的大小计算特征量。

在步骤S6090中，信息提供部100A将在步骤S6080中计算出的特征量与预先设定的判定阈值进行比较，在上述特征量大于判定阈值的情况下，判定为不稳定驾驶状态。

该判定阈值随着检测出的驾驶场景而发生变更。例如，在判定为检测出的驾驶场景为路口左右转弯场景的情况下，与其它驾驶场景相比将判定阈值设定得较低。

在步骤S6100中，与步骤S1100同样地，在步骤S6060或者步骤S6090中判定为驾驶不稳定的情况下，进行信息呈现的处理。

在此，作为驾驶场景例示了路口左右转弯场景，但也可以是前车接近场景等。在这种情况下，在步骤S6070中检测是否为前车接近场景。例如在与前车的距离为预先设定的距离以下的情况下，设为前车接近场景。在步骤S6080中实施与步骤S5100相同的处理。在步骤S6090中，当判定为前车接近场景时，与其它驾驶场景相比将判定阈值设定得较低。

在此，步骤S6010、S6020构成行驶状态获取部。步骤S6050构成第一行驶状态分布计算部和第一驾驶不稳定判定部。步骤S6030构成学习完成判定部。S6070～S6090构成第二驾驶不稳定判定部。S6040构成不稳定性选择部。S6100构成信息呈现部。

(作用效果)

在本实施方式中，进行驾驶场景的判定，对特定的驾驶场景计算特征量。而且，根据该特定的驾驶场景(路口处的左右转弯、相对于前车的减速场景)的特征量判定为不稳定状态。

本实施方式除了上述第一实施方式的效果以外还发挥以下效果。

(1)上述第二驾驶不稳定判定部具有用于检测特定的驾驶场景的驾驶场景检测部，利用由驾驶场景检测部检测出的特定的驾驶场景的驾驶行动数据来求出特征量并估计不稳定性。

通过确定驾驶场景，易于捕捉不稳定状态时表现出的小的驾驶行动变化。

(2)作为上述特定的驾驶场景，对路口处的左右转弯时进行检测，根据此时的驾驶特性求出特征量来估计不稳定性。

能够利用路口的左右转弯的驾驶特性准确地检测驾驶员的状态。

(3)关于上述左右转弯时的驾驶特性，使用横向G的大小。

通过使用横向G能够准确地检测路口处的行动的状态。

作为(4)上述特定的驾驶场景，检测前车接近场景，根据此时的减速操作的驾驶特性求出特征量来估计不稳定性。

能够通过利用前车接近场景的减速操作特性进行检测，准确地检测驾驶员的状态。

(5)关于上述减速操作的驾驶特性，使用刹车时的TTC(撞击余裕时间)的大小。

能够通过使用撞击余裕时间，准确地检测前车接近场景下的驾驶员的状态。

以上，本申请主张日本专利申请2011-94343(2011年4月20日申请)的优先权，其全部内容作为引用文件而包含于本发明。

在此，参照并说明了有限数量的实施方式，但权利要求书并不限定于这些实施方式，对于本领域技术人员来说，很显然基于上述公开的各实施方式能够进行变更。

附图标记说明

SD：学习程度；TTC：撞击余裕时间；1：加速踏板开度传感器；2：制动踏板操作量传感器；3：转动角传感器；4：车速传感器；5：闪灯检测传感器；6：仪表显示器；7：导航***；8：G传感器；9：前方车辆检测装置；10：扬声器；50：计时器；100：控制器；100A：信息提供部。

Claims (13)

1.一种车辆用信息提供装置，其特征在于，具备：

行驶状态获取部，其获取包括驾驶员的驾驶操作以及车辆状态中的至少一个的行驶状态数据；

第一行驶状态分布计算部，其基于由上述行驶状态获取部获取到的行驶状态数据计算多个行驶状态分布，上述多个行驶状态分布包括表示当前的行驶状态的最近的时间范围的行驶状态分布以及时间范围与上述最近的时间范围不同的行驶状态分布；

第一驾驶不稳定判定部，其基于由上述第一行驶状态分布计算部计算出的多个行驶状态分布的分布之间的差异量来估计第一驾驶不稳定性；

学习完成判定部，其在从开始收集上述行驶状态数据起经过预先设定的学习时间时判定为学习完成；

第二驾驶不稳定判定部，其将最近的时间范围的行驶状态分布与比较用的行驶状态分布进行比较，由此估计第二驾驶不稳定性，其中，该最近的时间范围的行驶状态分布是基于由上述行驶状态获取部获取到的行驶状态数据求出的并表示当前的行驶状态，该比较用的行驶状态分布是基于与该最近的时间范围的行驶状态数据不同的其它行驶状态数据求出的；

不稳定性选择部，其基于上述学习完成判定部的判定结果，在学习完成的情况下选择第一驾驶不稳定性，在学习未完成的情况下选择第二驾驶不稳定性；以及

信息呈现部，其将基于由上述不稳定性选择部从第一驾驶不稳定性和第二驾驶不稳定性中选择出的不稳定性的不稳定信息呈现给驾驶员，

其中，上述其它行驶状态数据是在时间范围与上述最近的时间范围不同的其它时间范围内获取到的行驶状态数据，

上述其它时间范围因学习程度而发生变化，该学习程度越大将上述其它时间范围设得越大，该学习程度是从开始收集上述行驶状态数据到当前的经过时间相对于上述学习时间的比。

2.根据权利要求1所述的车辆用信息提供装置，其特征在于，

上述其它行驶状态数据是多种行驶状态数据，

上述第二驾驶不稳定判定部根据上述多种行驶状态数据求出多个行驶状态分布来分别作为上述比较用的行驶状态分布。

3.一种车辆用信息提供装置，其特征在于，具备：

行驶状态获取部，其获取包括驾驶员的驾驶操作以及车辆状态中的至少一个的行驶状态数据；

第一行驶状态分布计算部，其基于由上述行驶状态获取部获取到的行驶状态数据计算多个行驶状态分布，上述多个行驶状态分布包括表示当前的行驶状态的最近的时间范围的行驶状态分布以及时间范围与上述最近的时间范围不同的行驶状态分布；

第一驾驶不稳定判定部，其基于由上述第一行驶状态分布计算部计算出的多个行驶状态分布的分布之间的差异量来估计第一驾驶不稳定性；

学习完成判定部，其在从开始收集上述行驶状态数据起经过预先设定的学习时间时判定为学习完成；

驾驶场景检测部，当基于上述学习完成判定部的判定结果而判定为学习未完成时，该驾驶场景检测部检测驾驶场景是否为预先设定为学习未完成时用的特定的驾驶场景；

第二驾驶不稳定判定部，当基于上述学习完成判定部的判定结果而判定为学习未完成并且由上述驾驶场景检测部检测出上述特定的驾驶场景时，该第二驾驶不稳定判定部求出基于在由上述驾驶场景检测部检测出上述特定的驾驶场景时由上述行驶状态获取部获取到的行驶状态数据的、表示当前的行驶状态的最近的时间范围的行驶状态分布的特征量，基于所求出的特征量估计第二驾驶不稳定性；

不稳定性选择部，其基于上述学习完成判定部的判定结果，在学习完成的情况下选择第一驾驶不稳定性，在学习未完成的情况下选择第二驾驶不稳定性；以及

信息呈现部，其将基于由上述不稳定性选择部从第一驾驶不稳定性和第二驾驶不稳定性中选择出的不稳定性的不稳定信息呈现给驾驶员。

4.根据权利要求3所述的车辆用信息提供装置，其特征在于，

上述第二驾驶不稳定判定部基于每隔固定间隔获取到的上述特征量的历史记录求出特征量的倾向，根据所求出的该倾向估计第二驾驶不稳定性。

5.根据权利要求3或4所述的车辆用信息提供装置，其特征在于，

检测路口处的左右转弯时作为上述特定的驾驶场景，根据此时的驾驶特性求出特征量。

6.根据权利要求5所述的车辆用信息提供装置，其特征在于，

上述左右转弯时的驾驶特性使用横向加速度的大小。

7.根据权利要求3或4所述的车辆用信息提供装置，其特征在于，

检测前车接近场景作为上述特定的驾驶场景，根据此时的减速操作的驾驶特性求出特征量。

8.根据权利要求7所述的车辆用信息提供装置，其特征在于，

上述减速操作的驾驶特性使用刹车时的撞击余裕时间的大小。

9.根据权利要求3或4所述的车辆用信息提供装置，其特征在于，

上述第二驾驶不稳定判定部在所求出的特征量超过所设定的判定阈值时判定为不稳定。

10.根据权利要求1～4中的任一项所述的车辆用信息提供装置，其特征在于，

根据转向操作的操作量来计算上述行驶状态分布。

11.根据权利要求10所述的车辆用信息提供装置，其特征在于，

根据上述转向操作的操作量进行的计算使用转向熵法。

12.根据权利要求1～4中的任一项所述的车辆用信息提供装置，其特征在于，

上述第二驾驶不稳定判定部使用撞击余裕时间来估计第二驾驶不稳定性。

13.根据权利要求1～4中的任一项所述的车辆用信息提供装置，其特征在于，

在学习完成的情况与学习未完成的情况下，上述信息呈现部变更不稳定信息的信息呈现内容。