CN110337394A - 信息处理***、信息处理方法、程序以及记录介质 - Google Patents

Abstract

信息处理***具有安全舒适性判定部、聚类区域控制部以及安全判定部。安全舒适性判定部利用基于行驶安全性的多个区域将表示车辆的行驶状态的参数的值进行分类。安全舒适性判定部决定以使参数的值收敛于行驶安全性高的安全区域内的方式调整车辆的行驶状态的车辆的安全行为。聚类区域控制部根据车辆的外部环境来变更多个区域之间的边界的位置。安全判定部获取车辆的行为的估计结果和由安全舒适性判定部决定的安全行为，基于获取到的估计结果和安全行为中的至少一方来决定车辆的行为控制。

Description

信息处理***、信息处理方法、程序以及记录介质

技术领域

本公开涉及一种用于处理与车辆有关的信息的信息处理***、信息处理方法、程序以及记录介质。

背景技术

近年来，正在研究一种使在道路上行驶的汽车等车辆的驾驶自动化的技术。例如，在专利文献1中公开了一种车辆的行驶控制装置，在本车辆为自动转向控制的状态或自动加减速控制的状态的情况下，该行驶控制装置使驾驶员在视觉上识别出自动转向控制和自动加减速控制的动作状态。

现有技术文献

专利文献

专利文献1：日本特开2005-67483号公报

发明内容

如专利文献1的行驶控制装置那样的信息处理***有时无法估计应对车辆进行的正确的驾驶操作。也就是说，车辆的行为估计存在不正确风险。

本公开提供一种降低车辆的行为估计的不正确风险的信息处理***、信息处理方法以及程序。

本公开的一个方式所涉及的信息处理***具有安全舒适性判定部、聚类区域控制部以及安全判定部。安全舒适性判定部利用基于行驶安全性的多个区域将表示车辆的行驶状态的参数的值进行分类。安全舒适性判定部还决定以使该参数的值收敛于行驶安全性高的安全区域内的方式调整车辆的行驶状态的车辆的安全行为。聚类区域控制部根据车辆的外部环境来变更多个区域之间的边界的位置。安全判定部获取车辆的行为的估计结果和由安全舒适性判定部决定的安全行为，基于获取到的估计结果和安全行为中的至少一方来决定车辆的行为控制。

在本公开的一个方式所涉及的信息处理方法中，获取表示车辆的行驶状态的参数的值，利用基于行驶安全性的多个区域将该参数的值进行分类。然后，根据车辆的外部环境来变更这些多个区域之间的边界的位置。并且，决定以使参数的值收敛于多个区域中的行驶安全性高的区域内的方式调整车辆的行驶状态的车辆的安全行为。然后，获取车辆的行为的估计结果，基于该估计结果和上述安全行为中的至少一方来决定车辆的行为控制。

本公开的一个方式所涉及的程序使计算机执行上述信息处理方法。该程序能够以记录于非临时性的记录介质的方式来提供。

此外，这些概括性的或具体的方式既可以利用***、方法、集成电路、计算机程序或计算机可读的CD-ROM等记录介质来实现，也可以利用***、方法、集成电路、计算机程序以及记录介质的任意的组合来实现。

根据本公开的信息处理***等，能够降低车辆的行为估计中的不正确风险。

附图说明

图1是实施方式1所涉及的信息处理***及其周边的构成要素的功能框图。

图2是示出利用图1的学习部和行为估计部进行的行为估计的功能结构的一例的图。

图3是示出利用图1的学习部和行为估计部进行的行为估计的功能结构的其它例的图。

图4是用于说明学习部的学习的图。

图5A是示出神经网络的学习的图。

图5B是示出神经网络的学习的图。

图6A是示出利用专用行为估计神经网络进行的行为估计的一例的图。

图6B是示出利用专用行为估计神经网络进行的行为估计的另一例的图。

图7A是示出利用专用行为估计神经网络进行的行为估计的一例的图。

图7B是示出利用专用行为估计神经网络进行的行为估计的一例的图。

图8是示出行驶状态雷达图的一例的图。

图9是示出本车速度的分布的一例的图。

图10A是示出表示车辆的实时的行驶状态的行驶状态雷达图的一例的图。

图10B是示出将图10A的行驶状态雷达图的行驶状态变更到安全侧所得到的行驶状态雷达图的图。

图11是示出信息处理***及其周边的动作的流程的一例的时序图。

图12是示出信息处理***及其周边的动作的流程的其它例的时序图。

图13是示出在信息处理***的显示装置中进行的向安全行为转变的转变显示一例的图。

图14是实施方式2所涉及的信息处理***及其周边的构成要素的功能框图。

图15A是示出显示装置的显示画面显示舒适区域的行驶状态的例子的图。

图15B是示出显示装置的显示画面显示危险可能性区域的行驶状态的例子的图。

图16是示出基准行驶状态雷达图的一例的图。

图17是示出在车辆的行驶道路上存在事故经历的情况下的行驶状态雷达图的一例的图。

图18是示出车辆的行驶道路的通行量多的情况下的行驶状态雷达图的一例的图。

图19是示出晴天且车辆的行驶道路的通行量少的情况下的行驶状态雷达图的一例的图。

图20是示出车辆的行驶道路是日常使用的道路的情况下的行驶状态雷达图的一例的图。

具体实施方式

专利文献1中记载的行驶控制装置基于由车载的汽车导航装置的GPS(GlobalPositioning System：全球定位***)定位得到的本车位置信息来进行行驶控制。本发明的发明人们研究出如下一种车辆的自动驾驶技术：除了使用利用GPS进行的本车定位以外，还使用利用摄像头、毫米波雷达、红外线传感器等各种探测装置检测车辆的周围环境所得到的检测结果。此外，自动驾驶中包括没有驾驶员的操作、判断等行为干预的完全自动驾驶和辅助驾驶员的驾驶的部分自动驾驶。在自动驾驶技术中，根据行进路径、周围环境等与车辆关联的信息来估计车辆能够执行的行为，并且，从估计出的行为的候选中判定出最适合的行为，基于判定结果来控制车辆的驾驶。本发明的发明人们研究出一种利用了使用预先构建的大量的学习用数据的机器学习来估计车辆的行为的估计方法。在这种机器学习中，伴随车辆的驾驶而生成的驾驶历史记录和行驶历史记录等被随时编入学习用数据中，并被反映到行为估计中。本发明的发明人们发现，在利用机器学习进行的行为估计中也由于所存储的数据量不充分、不存在与当前的状况对应的数据等理由而导致行为估计结果中存在不正确风险。本发明的发明人们研究如何降低不正确风险，并发现了如权利要求书和以下的说明所记载的那样的技术。

以下，参照附图来说明实施方式所涉及的信息处理***等。此外，以下要说明的实施方式表示概括性的或具体的例子。以下的实施方式中示出的数值、形状、材料、构成要素、构成要素的配置位置和连接方式、步骤(工序)以及步骤的顺序等是一例，主旨并非在于限定本公开。另外，将以下的实施方式的构成要素中的未记载于表示最上位概念的独立权利要求中的构成要素设为任意的构成要素来进行说明。另外，在以下的实施方式的说明中，有时使用大致平行、大致正交那样的带有“大致”的表达。例如，大致平行不仅意味着完全平行，也意味着实质上平行，即、例如包括几％左右的差异。其它带有“大致”的表达也同样如此。

[实施方式1]

[1-1.实施方式1所涉及的信息处理***的结构]

首先，参照图1来说明实施方式1所涉及的信息处理***100的结构。此外，图1是实施方式1所涉及的信息处理***100及其周边的构成要素的功能框图的一例。在本实施方式中，信息处理***100例如搭载于能够在道路上行驶的汽车、卡车、公共汽车等车辆1。信息处理***100构成自动驾驶控制***10的一部分，该自动驾驶控制***10控制车辆1的驾驶的全部或一部分，使得不需要由车辆1的驾驶员进行的操作。此外，信息处理***100的搭载对象并不限定于车辆1，也可以是飞机、船舶、无人输送机等任何移动体。在由自动驾驶控制***10进行的行为估计的准确度低的情况下，本实施方式所涉及的信息处理***100将预先设定的安全区域的行为决定为应执行的行为。

如图1所示，车辆1具有车辆控制部2、自动驾驶控制***10以及信息处理***100。车辆控制部2控制车辆1的整体。例如，车辆控制部2既可以实现为LSI电路(Large ScaleIntegration：大规模集成电路)，也可以实现为控制车辆1的电子控制单元(ElectronicControl Unit：ECU)的一部分。车辆控制部2基于从自动驾驶控制***10和信息处理***100获取的信息来控制车辆1。车辆控制部2也可以包括自动驾驶控制***10和信息处理***100。

自动驾驶控制***10具有检测部11、存储部12、学习部13以及行为估计部14。信息处理***100具有不正确风险判定部101、安全舒适性判定部102以及安全判定部103。信息处理***100还可以具备信息通知部104，该信息通知部104向车辆1的搭乘人员通知信息处理结果等信息。在本实施方式中，行为估计部14兼具不正确风险判定部101的功能，但不正确风险判定部101也可以与行为估计部14相分别地设置。后述的检测部11的构成要素、学习部13、行为估计部14、不正确风险判定部101、安全舒适性判定部102、安全判定部103、信息通知部104等构成要素既可以由专用的硬件构成，也可以通过执行适于各构成要素的软件程序来实现。各构成要素也可以通过由CPU(Central Processing Unit：中央处理单元)或处理器等程序执行部读出硬盘或半导体存储器等记录介质中记录的软件程序并执行该软件程序来实现。

检测部11检测车辆1的行驶状态和车辆1的周围的状况。而且，检测部11向车辆控制部2输出检测到的行驶状态和周围的状况的信息。另外，检测部11将检测到的信息保存在存储部12中。虽然未进行限定，但检测部11具有位置信息获取部11a、第一传感器11b、第二传感器11c、速度信息获取部11d以及地图信息获取部11e。

位置信息获取部11a根据利用车辆1所搭载的汽车导航装置得到的GPS定位结果等，来获取车辆1的位置信息。第一传感器11b检测车辆1的周围的状况。例如，第一传感器11b检测车辆1的周围存在的其它车辆的位置、车道位置信息等，还检测其它车辆是否为车辆1的先行车辆等其它车辆的位置的类别。例如，第一传感器11b也根据其它车辆的速度和车辆1的速度来检测两个车辆的碰撞预测时间(TTC：Time To Collision)。例如，第一传感器11b也检测车辆1的周围存在的障碍物的位置。这种第一传感器11b能够具备毫米波雷达、激光雷达、摄像头或它们的组合等。

第二传感器11c获取与车辆1自身有关的信息。例如，第二传感器11c包括被配置在车辆1的座位处的负荷传感器，用于检测车辆1的搭乘人员数。例如，第二传感器11c包括车辆1的转向装置的旋转传感器，用于检测车辆1的转向角。例如，第二传感器11c包括车辆1的制动踏板传感器，用于检测制动的强度。例如，第二传感器11c包括车辆1的加速踏板传感器，用于检测加速踏板开度。例如，第二传感器11c包括车辆1的转向指示灯传感器，用于检测转向指示灯的指示方向。

速度信息获取部11d获取车辆1的行驶状态的信息。例如，速度信息获取部11d从未图示的车辆1的速度传感器等获取车辆1的速度和行驶方向等信息来作为上述信息。地图信息获取部11e获取表示车辆1的周围的状况的地图信息。地图信息获取部11e例如获取车辆1行驶的道路、道路中的与其它车辆合流的合流点、道路中的当前行驶中的车道、道路中的交叉路口的位置等地图信息来作为上述地图信息。

存储部12可以是ROM(Read Only Memory：只读存储器)、RAM(Random AccessMemory：随机存取存储器)、硬盘装置、SSD(Solid State Drive：固态驱动器)等存储装置。存储部12存储检测部11的检测结果、利用自动驾驶控制***10进行行为估计所用的知识(也称为机器学习数据)、在后述的机器学习中使用的神经网络、由后述的信息处理***100使用的信息等各种信息。另外，存储部12存储车辆1的当前时间点的行驶环境与车辆1接下来能够采取的行为的候选之间的对应关系。

学习部13构建用于进行与车辆1的驾驶员对应的行为估计的机器学习数据。在本实施方式中，学习部13在机器学习中使用神经网络(以下，也称为NN)，但也可以使用其它机器学习方法。在此，神经网络是将脑神经***设为模型的信息处理模型。神经网络由包括输入层和输出层的多个节点层构成。节点层中包括一个以上的节点。神经网络的模型信息表示构成神经网络的节点层的数量、各节点层中包括的节点数、神经网络的整体或各节点层的类别。在神经网络例如由输入层、中间层以及输出层这三个节点层构成的情况下，能够设为输入层的节点数例如是100，中间层的节点数例如是100，输出层的节点数例如是5。神经网络针对被输入到输入层的节点的信息依次进行从输入层向中间层的输出处理、中间层中的处理、从中间层向输出层的输出处理以及输出层中的处理，并输出与输入信息匹配的输出结果。此外，一个层的各节点与下一个层的各节点连接，对节点间的连接进行加权。一个层的节点的信息在被施加节点间的连接的加权之后，被输出到下一个层的节点。

学习部13根据车辆1的特定的驾驶员x的驾驶历史记录来构建驾驶员x的神经网络。或者，学习部13也可以根据车辆1的驾驶员x的驾驶历史记录和驾驶员x以外的多个驾驶员的通用的驾驶历史记录来构建驾驶员x的神经网络。或者，学习部13也可以根据车辆1的驾驶员x的行驶历史记录来构建驾驶员x的神经网络。或者，学习部13也可以根据车辆1的驾驶员x的行驶历史记录和驾驶员x以外的多个驾驶员的通用的行驶历史记录来构建驾驶员x的神经网络。学习部13也可以利用以下事例中的至少一个事例来构建神经网络：使用驾驶员x的驾驶历史记录的事例；使用驾驶员x的驾驶历史记录和通用的驾驶历史记录的事例；使用驾驶员x的行驶历史记录的事例；以及使用驾驶员x的行驶历史记录和通用的行驶历史记录的事例。此外，多个驾驶员既可以是数量不确定的多个驾驶员，也可以不与车辆1关联。然后，学习部13将构建出的神经网络作为行为估计NN输出到行为估计部14。

将过去由车辆进行的行为分别与多个特征量(以下，也称为特征量集)建立对应来构成驾驶历史记录。与行为对应的特征量例如分别是表示从由车辆开始进行该行为的时间点到经过规定时间之前的时间点的期间的车辆的行驶状态的量。上述规定时间既可以是预先设定的时间，例如也可以是直到下一个行为开始为止的时间等。在通用的驾驶历史记录的情况下，是数量不确定的多个车辆的驾驶历史记录。例如如图2所示，将行为以及与该行为对应的特征量集进行组合并存储于存储部12。此外，图2是示出利用图1的学习部13和行为估计部14进行的行为估计的功能结构的一例的图。特征量是与车辆的行为相关联的参数，例如表示车辆的同乘人员数、车辆的速度、方向盘(也称为转向装置)的动态、制动踏板的程度(也称为强度)、加速踏板的程度(也称为开度)等。特征量例如是由检测部11检测的车辆的行驶状态。

行驶历史记录是将过去由车辆进行的行为分别与多个环境参数(以下，也称为环境参数集)建立对应而构成的。与行为对应的环境参数例如分别是表示从由车辆进行了该行为的时间点到经过规定时间之前的时间点的期间的车辆1的周围状况、即环境的量。在通用的行驶历史记录的情况下，是数量不确定的多个车辆的行驶历史记录。例如如图3所示，将行为以及与该行为对应的环境参数集进行组合并存储于存储部12。此外，图3是示出利用图1的学习部13和行为估计部14进行的行为估计的功能结构的其它例的图。环境参数是与车辆的环境相关联的参数，例如表示以下信息：速度Va等本车辆的信息；前方车辆相对于本车辆的相对速度Vba、车间距离DRba等信息；侧方车辆相对于本车辆的相对速度Vca、车头间距离Dca等信息；合流车辆相对于本车辆的相对速度Vma、车头间距离Dma等信息；本车辆的位置信息等。环境参数例如是由检测部11检测的车辆的周围状况。

行为估计部14将在当前时间点得到的特征量集和环境参数集中的至少一方作为测试数据输入到由学习部13构建出的行为估计NN，由此输出与输入的信息对应的行为来作为估计行为。也就是说，行为估计部14例如输出经过规定时间后的行为的估计结果。

并且，参照图4、图5A以及图5B，以由学习部13根据特定的驾驶员x的行驶历史记录和通用的行驶历史记录构建驾驶员x的行为估计NN的情况为例，来更为详细地说明学习部13和行为估计部14。此外，图4是用于说明学习部13的学习的图。图5A和图5B是示出神经网络的学习的图。

如图4所示，学习部13根据多个驾驶员的通用的行驶历史记录构建通用的神经网络，来作为通用行为估计NN。具体地说，学习部13将任意的驾驶员的通用的行驶历史记录中包含的多个环境参数作为输入参数输入到神经网络。并且，学习部13将神经网络的节点间的加权进行最优化，使得来自神经网络的输出同与该输入参数对应的行为即教授数据一致。这种最优化不是仅基于一个驾驶员的行驶历史记录来进行的，是基于多个驾驶员的行驶历史记录来进行的。通过这种加权的调整，学习部13使神经网络学习输入参数与教授数据的关系，来构建与任意的驾驶员对应的通用行为估计NN。

接着，学习部13使用特定的驾驶员x的行驶历史记录来调整通用行为估计NN，构建与驾驶员x对应的专用行为估计NN。学习部13将驾驶员x的行驶历史记录中包含的特定的行为以及与该行为对应的环境参数集输入到通用行为估计NN，由此调整通用行为估计NN的节点间的加权等以获得上述特定的行为即教授数据来作为输出。具体地说，学习部13使用通用行为估计NN来估计将特定的驾驶员x的行驶历史记录中包含的特定的行为设为教授数据的临时的行为。此时，学习部13获取特定的驾驶员x的行驶历史记录中包含的特定的行为来作为教授数据，获取与该行为对应的环境参数集来作为输入参数。在图5A所示的例子中，获取行为“减速”来作为教授数据，获取与行为“减速”对应的环境参数集来作为输入参数。如果存在多个与教授数据对应的环境参数，则学习部13获取该多个环境参数中的各个环境参数来作为输入参数。然后，学习部13将输入参数依次输入到通用行为估计NN。当向这种通用行为估计NN输入了输入参数的结果是学习部13例如选择“减速”来作为特定的行为即教授数据时，例如获取不仅包含“减速”还包含“车道变更”等各种行为的估计结果，来作为临时行为估计结果。

例如如图5A所示，在向通用行为估计NN输入与教授数据对应的环境参数后获得的输出结果中不仅包含临时行为估计结果，还包含临时行为估计结果中包含的各行为的输出概率值。各行为的输出概率值是在将结构与上述环境参数集的结构相同的环境参数集输入到通用行为估计NN的情况下输出各行为的概率值。行为的输出概率值表示该行为的确定程度，能够表示该行为的可靠度。在本实施方式中，用0～1之间的值表示输出概率值，但并不限定于此，例如，也可以用％表示。在用0～1之间的值表示输出概率值的情况下，以各行为的输出概率值之和为1的方式输出该输出概率值。

并且，关于获取到的临时行为估计结果的各行为，例如如图5A所示，学习部13对输出概率值最大的行为赋予输出值“1”，对该行为以外的行为赋予输出值“0”。然后，学习部13使用输出值来生成各行为的临时行为直方图。临时行为直方图表示针对教授数据的行为得到的临时行为估计结果的行为的输出值的累计值。例如，图5A示出教授数据为“减速”的情况。对向通用行为估计NN输入将教授数据设为“减速”的各种环境参数集后得到的各行为的输出值进行累加，将累加后的输出值表示为各行为的临时行为直方图。在图5A中示出以下例子：向通用行为估计NN输入与教授数据“减速”对应的环境参数集的结果是，作为临时行为估计结果的行为“减速”的输出概率值为0.6且为最大的值。在该情况下，至此为止的学习的结果是，在已经生成的“减速”的临时行为直方图中输出值累加到“1”。图5A中的作为临时行为估计结果的行为“减速”和“车道变更”的临时行为直方图分别表示向通用行为估计NN输入了与驾驶员x的教授数据“减速”对应的环境参数集的情况下输出的行为“减速”和“车道变更”的输出值的累计值。

并且，学习部13基于临时行为直方图对通用行为估计NN的节点间的加权进行再学习来构建专用行为估计NN，以提高通用行为估计NN的输出与教授数据的一致度。如图5B所示，学习部13在被输入了与教授数据“减速”对应的环境参数集的情况下，以在临时行为直方图中仅对教授数据的行为即“减速”的输出值进行累加的方式构建专用行为估计NN。也就是说，以如下方式构建专用行为估计NN：在被输入了与教授数据“减速”对应的环境参数集的情况下，在临时行为估计结果中使行为“减速”的输出概率值最高。例如，在图5B的例子中，在专用行为估计NN中使行为“减速”的输出概率值提高至0.95。不是仅对一个教授数据进行这种再学习，对其它的多个教授数据也分别进行这种再学习。也就是说，学习部13通过迁移学习来构建与特定的驾驶员x对应的专用的神经网络。

行为估计部14使用驾驶员x的专用行为估计NN和驾驶员x在当前时间点得到的环境参数集，来估计例如经过规定时间后的车辆1的行为。具体地说，行为估计部14将环境参数集作为输入参数输入到专用行为估计NN。其结果，行为估计部14获取从专用行为估计NN输出的临时行为来作为临时行为估计结果，并且输出获取到的临时行为估计结果中包含的临时行为的概率值。从专用行为估计NN输出的临时行为是与环境参数集对应的行为，是应与环境参数集对应地实施的行为的候选。

例如如图6A所示，在向专用行为估计NN输入了包含本车辆速度Va、前方车辆速度Vba等的环境参数集的情况下，作为临时行为估计结果，输出“减速”、“车道变更”等行为。然后，输出各行为的输出概率值。在图6A中，例如行为“减速”的输出概率值是“0.95”，行为“车道变更”的输出概率值是“0.015”。此外，图6A是示出利用专用行为估计神经网络进行的行为估计的一例的图。图6A所示的例子相当于在构建专用行为估计NN时使用的行驶历史记录中包含所输入的环境参数集的情况。

另外，如图6B所示，在向专用行为估计NN输入了包含本车辆速度Va、前方车辆速度Vba等的环境参数集的情况下，存在作为临时行为估计结果的“减速”、“车道变更”等行为伴有其它输出概率值的情况。在图6B中，例如行为“减速”的输出概率值是“0.5”，行为“车道变更”的输出概率值是“0.015”。此外，图6B是示出利用专用行为估计神经网络进行的行为估计的另一例的图。图6B所示的例子相当于在构建专用行为估计NN时使用的行驶历史记录中不包含所输入的环境参数集的情况。

行为估计部14从临时行为中选择在车辆1的行为中实际使用的临时行为，也就是进行行为估计。例如，行为估计部14也可以选择临时行为中的输出概率值最大的临时行为。此外，行为估计部14为了对从专用行为估计NN输出的临时行为估计结果的正确性、也就是不正确风险进行判定，向不正确风险判定部101输出临时行为估计结果以及与临时行为估计结果对应的输出概率值。

另外，学习部13也可以获取由行为估计部14根据临时行为决定的行为。并且，学习部13也可以将获取到的行为作为教授数据，对专用行为估计NN的节点间的加权进行再学习来更新专用行为估计NN，以提高专用行为估计NN的输出与教授数据的一致度。

不正确风险判定部101基于临时行为估计结果的准确度来判定临时行为估计结果中有无不正确风险。具体地说，在临时行为估计结果的准确度为阈值以下的情况下，不正确风险判定部101判定为存在不正确风险。此时，不正确风险判定部101基于从行为估计部14接收到的临时行为的输出概率值，来判定临时行为估计结果的不正确风险。例如，在图7A所示的情况下，不正确风险判定部101判定为输出概率值包含不正确风险，也就是说，临时行为估计结果包含不正确风险。然后，不正确风险判定部101向安全判定部103输出将不正确风险设为开启(ON)的信号。另外，在图7B所示的情况下，不正确风险判定部101判定为输出概率值不包含不正确风险，也就是说，临时行为估计结果不包含不正确风险。然后，不正确风险判定部101向安全判定部103输出将不正确风险设为关闭(OFF)的信号。另外，当不正确风险判定部101输出将不正确风险设为关闭的信号时，行为估计部14使用从专用行为估计NN输出的临时行为以及与该临时行为对应的输出概率值，来决定车辆1应实施的行为。行为估计部14将所决定的行为作为自动驾驶行为信号输出到安全判定部103。此外，图7A和图7B是示出利用专用行为估计神经网络进行的行为估计的一例的图。

也可以基于与从专用行为估计NN输出的临时行为对应的所有的输出概率值(以下，也称为输出概率值集)间的相对关系来判定临时行为的输出概率值是否包含不正确风险。关于判定为输出概率值不包含不正确风险的条件，例如也可以设为如图7B中的输出概率值集Hb那样的使输出概率值集Hb内的最大的输出概率值Hb1与第二大的输出概率值Hb2的差异大的条件。具体地说，关于该差异，例如可以设为输出概率值Hb1超过输出概率值Hb2的2倍。换言之，在输出概率值Hb1为输出概率值Hb2的2倍以下的情况下，判定为输出概率值集Hb包含不正确风险。或者，上述条件也可以设为：输出概率值Hb1超过输出概率值集Hb内的所有的输出概率值之和的75％。换言之，在输出概率值Hb1为输出概率值集Hb内的所有的输出概率值之和的75％以下的情况下，判定为输出概率值集Hb包含不正确风险。此外，也可以将两个条件进行组合。由此，在临时行为估计结果的准确度为阈值以下的情况下，不正确风险判定部101判定为存在不正确风险。

安全舒适性判定部102判定车辆1的行驶状态属于安全区域、舒适区域以及危险可能性区域中的哪个区域。安全舒适性判定部102使用存储部12中保存的行驶状态雷达图A来进行该判定。在本实施方式中，对于车辆1的所有的行驶状态使用同一行驶状态雷达图A，但并不限定于此。

在此，参照图8来说明行驶状态雷达图A。此外，图8是示出行驶状态雷达图A的一例的图。行驶状态雷达图A具有从中心C辐射状地延伸出的多个项目的轴。在行驶状态雷达图A中，各项目的值在中心C处为最小值，随着沿项目轴去向径向外侧，各项目的值变大。

多个项目包括与车辆1有关的项目以及与车辆1的周围的车辆有关的项目。与车辆1有关的项目也是与特征量有关的项目，与车辆1的周围的车辆有关的项目也是与环境参数有关的项目。多个项目并不限定于此，但由与车辆1有关的本车加速度、本车速度、本车转动角变化量及制动定时以及与周围的车辆有关的前方车相对速度、前方车车间距离、侧方车车间距离及后方车车间距离构成。项目的数量并不限定于8个，既可以是7个以下，也可以是9个以上。

本车加速度表示作用于车辆1的加速度。本车速度表示车辆1的行驶速度。本车转动角变化量表示车辆1的转向轮的相对于直行状态的角度变化量。制动定时表示车辆1的制动踏板的强度(程度)。前方车相对速度表示车辆1的前方的车相对于车辆1的相对速度，也可以表示该相对速度的绝对值。前方车车间距离表示车辆1与车辆1的前方的车之间的空间距离。侧方车车间距离表示车辆1与车辆1的侧方的车之间的空间距离。后方车车间距离表示车辆1与车辆1的后方的车之间的空间距离。在行驶状态雷达图A中，随着远离中心C，与车辆1有关的各项目的值变大，车辆1的安全性降低。因此，关于随着值增大而安全性增加的前方车车间距离、侧方车车间距离以及后方车车间距离，在行驶状态雷达图A中用倒数显示。

并且，在行驶状态雷达图A中设定有安全区域A1、舒适区域A2以及危险可能性区域A3。安全区域A1包括中心C，被设定在中心C的周边。舒适区域A2被设定在安全区域A1的周边，与安全区域A1在径向外侧邻接。危险可能性区域A3是处于舒适区域A2的径向外侧的区域。通过在行驶状态雷达图A中标绘与车辆1有关的各项目的值，能够判定车辆1的行驶状态。例如，在标绘出的所有的点位于安全区域A1内的情况下，能够视为车辆1的行驶状态是安全的状态。在标绘出的所有的点位于舒适区域A2内的情况下，能够视为车辆1的行驶状态是对于搭乘人员而言舒适的状态。当标绘出的所有的点位于危险可能性区域A3内时，能够视为车辆1的行驶状态是包含危险性的状态。在标绘出的多个点位于两个以上的区域的情况下，最接近危险可能性区域A3的点所属的区域能够表示车辆1的行驶状态。

关于行驶状态雷达图A中的安全区域A1、舒适区域A2以及危险可能性区域A3之间的边界的位置，既可以基于车辆1的特定的驾驶员的驾驶历史记录和行驶历史记录来设定，也可以基于多个驾驶员的驾驶历史记录和行驶历史记录来设定。在本实施方式中，使用多个驾驶员的驾驶历史记录和行驶历史记录。由此，边界的位置被普遍化，不反映驾驶员个人所特有的特性。基于多个驾驶员的驾驶历史记录和行驶历史记录得到的边界位置既可以通过机器学习来决定，也可以通过统计学方法来决定。在本实施方式中，使用统计学方法。

例如，安全区域A1与舒适区域A2的边界A12处的各项目的值可以是多个驾驶员的驾驶历史记录和行驶历史记录中的各项目的值的平均值、中间值或最频值等统计中心附近的值。在本实施方式中，该边界A12包括在安全区域A1中，但也可以包括在舒适区域A2中。例如，一般来说，数量不确定的多个驾驶员的驾驶历史记录和行驶历史记录的各项目示出如图9所示那样的接近标准分布的分布。此外，图9是示出本车速度的分布的一例的图，横轴表示本车速度，纵轴表示本车速度的检测累计数。在将平均值设为边界A12的值的情况下，安全区域A1是包括本车速度的历史记录中的速度低的一半左右的历史记录且指向了安全性的区域。其它项目也同样如此，由这种边界A12决定的安全区域A1是指向了安全性的区域。

舒适区域A2与危险可能性区域A3的边界A23处的各项目的值可以是多个驾驶员的驾驶历史记录和行驶历史记录中的各项目的值的“平均值+方差值×2”等值。上述平均值也可以是中间值或最频值等统计中心附近的值。在本实施方式中，该边界A23包括在舒适区域A2中，但也可以包括在危险可能性区域A3中。如图9所例示的那样，由这种边界A23决定的舒适区域A2是包括多个驾驶员的驾驶历史记录和行驶历史记录的项目的值中的很多值且指向了多个驾驶员中的很多驾驶员所能接受的舒适性的区域。另外，危险可能性区域A3是包括多个驾驶员的驾驶历史记录和行驶历史记录的项目的值中的最大的一部分值且对于多个驾驶员中的很多驾驶员而言可能包含比较不寻常的危险性的区域。

参照图1和图8，安全舒适性判定部102获取检测部11的检测结果等信息，基于获取到的信息来计算与行驶状态雷达图A的各项目对应的值。与行驶状态雷达图A的各项目对应的值也可以不是实测值，也可以是换算值以易于对各项目的数值进行比较。与行驶状态雷达图A的各项目对应的值表示车辆1的当前的状态。安全舒适性判定部102将计算出的各项目的值标绘在行驶状态雷达图A上。当将标绘出的点用线段连接时，形成表示车辆1的行驶状态的行驶状态线B。

在车辆1的行驶期间，安全舒适性判定部102在行驶状态雷达图A上实时地标绘与各项目对应的值，来形成包括车辆1的行驶状态的行驶状态雷达图Aa。在此，参照示出表示车辆1的实时的行驶状态的行驶状态雷达图Aa的一例的图10A和示出将图10A的行驶状态雷达图Aa的行驶状态变更到安全侧所得到的行驶状态雷达图Ab的图10B。如图10A所示，在行驶状态雷达图Aa中，在至少一个项目的值包含于舒适区域A2或危险可能性区域A3的情况下，安全舒适性判定部102形成以使所有的项目的值包含于安全区域A1的方式变更各项目的值所得到的行驶状态雷达图Ab。由此，如图10B的行驶状态雷达图Ab所示那样被调整为行驶状态线B包含于安全区域A1。

具体地说，在变更各项目的值的情况下，安全舒适性判定部102将舒适区域A2和危险可能性区域A3中包含的项目的值变更为安全区域A1与舒适区域A2的边界A12的值，维持安全区域A1中包含的项目的值。此外，在变更各项目的值的情况下，也可以使舒适区域A2和危险可能性区域A3中包含的项目的值变更为安全区域A1的边界A12的内侧的值。例如在图10A和图10B的例子中，安全舒适性判定部102对本车加速度、本车速度以及后方车车间距离进行变更。安全舒适性判定部102决定用于将如图10A所示的车辆1的当前的行驶状态变更为如图10B所示的车辆1的行驶状态的行为、即安全行为，将表示所决定的安全行为的信号作为安全行为信号输出到安全判定部103。安全行为是以使表示车辆1的当前的行驶状态的参数的值收敛于安全区域A1内的行为的方式调整车辆1的行驶状态的行为。

安全判定部103基于不正确风险是开启还是关闭来选择自动驾驶行为信号和安全行为信号中的一方，并将所选择的信号输出到车辆控制部2。也就是说，安全判定部103决定使车辆1实施的驾驶动作，并将决定结果输出到车辆控制部2。具体地说，安全判定部103在从不正确风险判定部101接收到将不正确风险设为关闭的信号的情况下，选择从行为估计部14接收的自动驾驶行为信号并向车辆控制部2输出。由此，车辆控制部2基于自动驾驶行为信号来控制车辆1。另外，安全判定部103在从不正确风险判定部101接收到将不正确风险设为开启的信号的情况下，选择安全行为信号并向车辆控制部2输出。由此，车辆控制部2基于安全行为信号来控制车辆1。此外，将不正确风险设为关闭的信号和将不正确风险设为开启的信号也称为不正确风险信号。这样，在自动驾驶行为信号有可能缺乏正确性的情况下，车辆控制部2控制车辆1，以使该车辆1成为行驶状态雷达图A的安全区域A1的行驶状态。由此，能够防止对车辆1施加有可能缺乏正确性、也就是缺乏可靠性的控制的情况。

[1-2.实施方式1所涉及的信息处理***的动作]

参照图1和图11来说明实施方式1所涉及的信息处理***100及其周边的动作。此外，图11是示出信息处理***100及其周边的动作的流程的一例的时序图。

在步骤S101中，自动驾驶控制***10的检测部11将与车辆1有关的检测结果保存到自动驾驶控制***10的存储部12中。接着，在步骤S102中，自动驾驶控制***10的学习部13从存储部12读出检测部11的检测数据以及车辆1的特定的驾驶员x的专用行为估计NN的数据。

并且，在步骤S104中，学习部13将检测数据的特征量和环境参数的值作为驾驶员x的输入参数的值输入到专用行为估计NN，并输出临时行为估计结果。并且，学习部13输出临时行为估计结果的各临时行为的输出概率值。学习部13将临时行为估计结果和各临时行为的输出概率值输出到自动驾驶控制***10的行为估计部14和信息处理***100的不正确风险判定部101。此外，步骤S102和S104的处理也可以由行为估计部14进行。

在接下来的步骤S105中，行为估计部14基于各临时行为的输出概率值，从临时行为估计结果中选择车辆1应实施的行为，将选择出的行为设为自动驾驶行为信号输出到信息处理***100的安全判定部103。

另外，在与步骤S105同时进行的步骤S106中，不正确风险判定部101基于各临时行为的输出概率值来判定临时行为估计结果是否包含不正确风险。在包含不正确风险的情况下(在步骤S106中为“是”)，不正确风险判定部101向安全判定部103输出将不正确风险设为开启的信号，安全判定部103进行步骤S107的处理。在不包含不正确风险的情况下(在步骤S106中为“否”)，不正确风险判定部101向安全判定部103输出将不正确风险设为关闭的信号，安全判定部103进行步骤S108的处理。

另外，在与步骤S102同时进行的步骤S103中，信息处理***100的安全舒适性判定部102从存储部12读出检测部11的检测数据和行驶状态雷达图A。在步骤S103中读出的检测数据与在步骤S102中读出的检测数据是在相同时刻被检测出的数据。并且，在步骤S109中，安全舒适性判定部102将检测数据的特征量和环境参数的值标绘在行驶状态雷达图A上。在标绘后的行驶状态雷达图A中，在标绘出的点均位于安全区域A1内的情况下，安全舒适性判定部102将维持行驶状态雷达图A的行驶状态的行为决定为安全行为，将该安全行为设为安全行为信号后向安全判定部103输出。在存在包含于舒适区域A2或危险可能性区域A3的被标绘出的点的情况下，安全舒适性判定部102以使该点位于安全区域A1内的方式变更行驶状态雷达图A内的行驶状态线B，将用于将变更前的行驶状态线B的行驶状态变更为变更后的行驶状态线B的行驶状态的行为决定为安全行为，将该安全行为设为安全行为信号后向安全判定部103输出。

在步骤S107中，安全判定部103接收自动驾驶行为信号、将不正确风险设为开启的信号以及安全行为信号。由于临时行为估计结果中存在不正确风险，因此安全判定部103从自动驾驶行为信号和安全行为信号中选择安全行为信号来作为适于车辆1的行为的信号，并将该安全行为信号输出到车辆控制部2。并且，安全判定部103将由安全行为信号表示的安全行为与在步骤S104中被输入到专用行为估计NN的特征量及环境参数的值建立对应并存储于存储部12。由此，与检测部11的检测数据对应的上述特征量及环境参数的值与由车辆1实际实施的行为对应。

也可以将彼此对应的车辆1的行为与特征量及环境参数的值设为驾驶员x的新的驾驶历史记录和行驶历史记录，以用于行为估计的机器学习数据。该驾驶员x的新的驾驶历史记录和行驶历史记录既可以被追加到现有的驾驶员x的驾驶历史记录和行驶历史记录的数据中来更新这些数据，也可以被追加到现有的多个驾驶员的驾驶历史记录和行驶历史记录的数据中来更新这些数据。驾驶员x以及多个驾驶员的驾驶历史记录和行驶历史记录的数据的保存和更新既可以由存储部12进行，也可以由位于与车辆1相分离的位置的服务器装置进行。服务器装置既可以是计算机装置，也可以是利用因特网等通信网络的云服务器。在该情况下，例如在驾驶员x回家后由驾驶员x将驾驶员x的新的驾驶历史记录和行驶历史记录上传到服务器装置中，来更新服务器装置的驾驶历史记录和行驶历史记录的数据。也可以利用其它驾驶员的驾驶历史记录和行驶历史记录来更新服务器装置的驾驶历史记录和行驶历史记录的数据。驾驶员x也可以从服务器装置下载利用各个驾驶员的驾驶历史记录和行驶历史记录进行了更新的驾驶历史记录和行驶历史记录的数据，并将这些数据保存于存储部12。由此，能够使用进一步积累学习经验后的机器学习数据进行自动驾驶。

此外，由学习部13进行的行为估计NN的构建和学习也可以由服务器装置进行。例如，服务器装置也可以使用服务器装置中保存的数据来进行通用行为估计NN和专用行为估计NN中的节点间的加权的调整。而且，学习部13或行为估计部14也可以从服务器装置下载由服务器装置调整后的加权的数据。

在步骤S108中，安全判定部103接收自动驾驶行为信号、将不正确风险设为关闭的信号以及安全行为信号。由于临时行为估计结果中不存在不正确风险，因此安全判定部103从自动驾驶行为信号和安全行为信号中选择自动驾驶行为信号来作为适于车辆1的行为的信号，并将该自动驾驶行为信号输出到车辆控制部2。并且，安全判定部103使由自动驾驶行为信号表示的估计行为同与该估计行为对应的特征量及环境参数建立对应并存储于存储部12。由此，检测部11的检测数据与由车辆1实施的行为对应。在继步骤S107和S108之后的步骤S110中，车辆控制部2基于接收到的自动驾驶行为信号或安全行为信号来控制车辆1的行为。例如，车辆控制部2在基于安全行为信号来控制车辆1的行为的结果是，车辆1以收敛于行驶状态雷达图A的安全区域A1内的行驶状态行驶。

此外，如图12所示，在步骤S107与步骤S110之间还可以包括其它处理。图12是示出信息处理***100及其周边的动作的流程的其它例的时序图。

具体地说，在步骤S107中，安全判定部103选择安全行为信号来作为适于车辆1的行为的信号，并将通知采用安全行为的信号输出到信息处理***100的信息通知部104。接着，在步骤S111中，信息通知部104在车辆1的显示装置104a的显示画面中例如像图13那样显示在自动驾驶期间向安全行为转变的显示，即转变显示104b。此外，图13是示出在信息处理***100的显示装置104a中显示向安全行为转变的转变显示的一例的图。显示装置104a既可以是UI(User Interface：用户界面)显示器等，例如也可以是平视显示器(Head UpDisplay：HUD)、LCD(Liquid Crystal Display：液晶显示器)、有机或者无机EL(ElectroLuminescence：电致发光)显示器、HMD(Head-Mounted Display：头戴式显示器或Helmet-Mounted Display：头盔式显示器)、眼镜型显示器(Smart Glasses：智能眼镜)、其它专用的显示器。HUD例如既可以具有利用车辆1的挡风玻璃的结构，也可以是利用与挡风玻璃相分别地设置的玻璃面、塑料面(例如，组合器(combiner))等的结构。另外，挡风玻璃既可以是车辆1的前挡风玻璃，也可以是车辆1的侧窗玻璃或后挡风玻璃。

安全判定部103通过使信息通知部104显示转变显示104b来询问车辆1的驾驶员x能否向安全行为转变(步骤S112)。具体地说，自动驾驶控制***10在显示装置104a的显示画面中显示有能够决定自动驾驶的结束的手动驾驶图标104c和能够选择行为的行为选择图标104d。行为选择图标104d例如包括能够选择“加速”、“减速”以及“车道变更”的行为的多个图标。信息通知部104利用上述图标来询问可否向安全行为转变。当车辆1的驾驶员x用手指按某个图标或使用开关等输入装置选择某个图标时(在步骤S112中为“否”)，自动驾驶控制***10进行遵从由驾驶员x指示的图标的控制，使向安全行为的转变中止(步骤S113)。例如，当按下或选择手动驾驶图标104c时，自动驾驶控制***10从自动驾驶切换为手动驾驶。当按下或选择“加速”、“减速”或“车道变更”的图标时，自动驾驶控制***10进行使车辆1加速、减速或车道变更的控制。另外，如果车辆1的驾驶员x在某个固定的时间内不触碰或不选择手动驾驶图标104c和行为选择图标104d(在步骤S112中为“是”)，则安全判定部103向车辆控制部2输出安全行为信号来作为适于车辆1的行为的信号(步骤S110)。

此外，安全判定部103也可以获取显示转变显示104b之后的驾驶员x的选择结果，并将该选择结果与在生成安全行为信号的过程中在步骤S104中输入到专用行为估计NN的特征量及环境参数的值建立对应并存储于存储部12。由此，同检测部11的检测数据对应的上述特征量及环境参数的值与车辆1实际实施的行为建立对应。也可以将彼此对应的车辆1的行为与特征量及环境参数的值设为驾驶员x的新的驾驶历史记录和行驶历史记录，以用于行为估计的机器学习数据。该驾驶员x的新的驾驶历史记录和行驶历史记录既可以被追加到现有的驾驶员x的驾驶历史记录和行驶历史记录的数据中来更新这些数据，也可以被追加到现有的多个驾驶员的驾驶历史记录和行驶历史记录的数据中来更新这些数据。驾驶员x和多个驾驶员的驾驶历史记录和行驶历史记录的数据的保存和更新既可以由存储部12进行，也可以由处于与车辆1相分离的位置的服务器装置进行。

参照图10A和图10B来说明如上述那样的由安全判定部103在步骤S107的处理中选择安全行为信号的情况。在车辆1的自动驾驶行驶期间产生了在车辆1的驾驶员x以及数量不确定的多个驾驶员的驾驶历史记录和行驶历史记录中不包含的行驶状态或包含的频率少的行驶状态的情况下，产生不正确风险的可能性高。图10A所示的行驶状态雷达图Aa的例子相当于车辆1加速而速度上升、但与后方车的车间距离变小的行驶状态。在通常的行驶中产生这种行驶状态的频率少，因此将与该行驶状态对应的特征量及环境参数输入到专用行为估计NN所得到的各临时行为的输出概率值不具有能够唯一地决定临时行为那样的临时行为的输出概率值的组合，可能包含不正确风险。在这种情况下，安全判定部103采用用于变更为由图10B的行驶状态雷达图Ab表示的行驶状态的安全行为信号。

[1-3.效果等]

如上述那样，实施方式1所涉及的信息处理***100具有不正确风险判定部101、作为安全行为判定部的安全舒适性判定部102以及安全判定部103。不正确风险判定部101获取车辆1的行为的估计结果，判定估计结果是否包含不正确的风险。安全舒适性判定部102利用基于行驶安全性的多个区域A1、A2以及A3将表示车辆1的行驶状态的参数的值进行分类。安全舒适性判定部102决定车辆1的安全行为，该安全行为是以使表示车辆1的行驶状态的参数的值收敛于多个区域A1、A2以及A3中的行驶安全性高的区域即安全区域A1内的方式调整车辆1的行驶状态的行为。安全判定部103基于不正确风险判定部101的判定结果来决定车辆1的行为控制。安全判定部103在从不正确风险判定部101获取到包含不正确的风险的判定的情况下，选择由安全舒适性判定部102决定的安全行为，在从不正确风险判定部101获取到不包含不正确的风险的判定的情况下，选择估计结果。

在上述结构中，包含不正确的风险的车辆1的行为的估计结果不被用于车辆1的行为控制，使行驶状态收敛于行驶安全性高的安全区域A1内的安全行为被用于车辆1的行为控制。使用安全行为进行的控制能够使车辆1进行安全的行为。由此，能够减少伴随不正确的风险产生的车辆1的不可靠的行为。由此，能够降低车辆的行为估计中包含的不正确风险。此外，关于不正确风险的降低，不仅包括减少不正确风险的情况，也能够包括避免不正确风险的情况。

在实施方式1所涉及的信息处理***100中，在估计结果的准确度为阈值以下的情况下，不正确风险判定部101判定为估计结果包含不正确的风险。在上述结构中，在估计结果的准确度低的情况下，不正确风险判定部101判定为估计结果包含不正确的风险。能够抑制基于准确度低的估计结果来实施自动驾驶。

在实施方式1所涉及的信息处理***100中，估计结果是利用机器学习、根据车辆1的周围的状况的信息和车辆1的行驶状态的信息中的至少一方估计出的结果。在上述结构中，利用机器学习估计出的行为是基于驾驶员的经验得到的行为，能够成为与由驾驶员预测的行为接近的行为。也就是说，利用机器学习估计出的行为能够成为与驾驶员的感觉接近的行为。例如，机器学习可以是神经网络。

在实施方式1所涉及的信息处理***100中，不正确风险判定部101基于估计结果中包含的多个行为的输出概率来进行判定。在上述结构中，在估计结果包含多个行为的情况下，例如如果各行为的输出概率之间的差异小，则无法确认各行为中的哪个行为是正确的。例如，如果各行为的输出概率之间的差异大且一个行为的输出概率大，则该行为正确的概率高。通过使用行为的输出概率，能够容易地判定估计结果是否包含不正确风险。

实施方式1所涉及的信息处理***100还具有信息通知部104，该信息通知部104向车辆1的驾驶员通知安全判定部103的判定结果。例如，信息通知部104也可以借助显示装置104a进行通知。在上述结构中，驾驶员能够确认车辆1的自动驾驶的控制向使用了安全行为的控制进行转变的情况。例如，驾驶员在无法接受转变的情况下，能够将自动驾驶切换为手动驾驶。

实施方式1所涉及的信息处理***100还具有接收部，该接收部从车辆1的驾驶员接收能否接受安全判定部103的判定结果。接收部例如也可以是显示装置104a的手动驾驶图标104c和行为选择图标104d。在上述结构中，驾驶员在无法接受安全判定部103的判定结果的情况下，能够操作手动驾驶图标104c或行为选择图标104d来对车辆1的自动驾驶施加变更。

另外，实施方式1所涉及的信息处理方法也可以通过以下方法来实现。也就是说，在该信息处理方法中，获取车辆的行为的估计结果。然后，判定估计结果是否包含不正确的风险。并且，获取表示车辆的行驶状态的参数的值，利用基于行驶安全性的多个区域将该参数的值进行分类。另外，决定车辆的安全行为，该车辆的安全行为是以使该参数的值收敛于上述多个区域中的行驶安全性高的区域内的方式调整车辆的行驶状态的行为。在判定的结果包含不正确的风险的情况下选择安全行为，在判定的结果不包含不正确的风险的情况下选择估计结果。

此外，上述方法也可以通过MPU(Micro Processing Unit：微处理单元)、CPU、处理器、LSI等电路、IC卡或单个模块等实现。

另外，实施方式1中的处理也可以通过软件程序或由包括软件程序的数字信号来实现。例如，实施方式1中的处理通过如下程序来实现。也就是说，该程序使计算机执行以下的处理。1)获取车辆的行为的估计结果。2)判定估计结果是否包含不正确的风险。3)获取表示车辆的行驶状态的参数的值。4)利用基于行驶安全性的多个区域将参数的值进行分类。5)决定车辆的安全行为，该车辆的安全行是以使参数的值收敛于多个区域中的行驶安全性高的区域内的方式调整车辆的行驶状态的行为。6)在判定的结果包含不正确的风险的情况下选择安全行为，在判定的结果不包含不正确的风险的情况下选择估计结果。

此外，上述程序和包括上述程序的数字信号也可以记录于计算机可读记录介质，例如软盘、硬盘、CD-ROM、MO、DVD、DVD-ROM、DVD-RAM、BD(Blu-ray(注册商标)Disc)、半导体存储器等。

另外，上述程序和包括上述程序的数字信号也可以经由电通信线路、无线或有线通信线路以及以因特网为代表的网络、数据广播等进行传输。另外，上述程序和包括上述程序的数字信号也可以记录于记录介质来进行输送或经由网络等进行输送，由此由相独立的其它计算机***来实施。

[实施方式2]

[2-1.实施方式2所涉及的信息处理***]

对实施方式2所涉及的信息处理***200进行说明。实施方式1所涉及的信息处理***100直接使用预先设定的行驶状态雷达图，但实施方式2所涉及的信息处理***200使用根据车辆1的外部环境对各区域被施加了变更的行驶状态雷达图。此外，在以下的说明中，以与实施方式1不同的点为中心进行说明。

参照图14，示出了实施方式2所涉及的信息处理***200及其周边的构成要素的功能框图的一例。信息处理***200除了具有不正确风险判定部101、安全舒适性判定部102、安全判定部103以及信息通知部104以外，还具有外部环境信息获取部105和聚类区域控制部106。

外部环境信息获取部105获取与车辆1的周围环境有关的信息、即外部环境信息。外部环境信息包含车辆1行驶的道路的拥堵信息、天气信息、事故经历信息等。外部环境信息获取部105例如通过VICS(注册商标)(Vehicle Information and CommunicationSystem：道路交通信息通信***)来获取拥堵信息，例如通过经由因特网等通信网络进行的通信来获取天气信息和事故经历信息。外部环境信息获取部105将获取到的外部环境信息保存于存储部12。

聚类区域控制部106根据外部环境信息等各种信息来变更行驶状态雷达图的进行聚类得到的区域，即安全区域、舒适区域以及危险可能性区域。在存储部12中保存有预先设定的行驶状态雷达图。在该行驶状态雷达图中预先设定有安全区域、舒适区域以及危险可能性区域。也就是说，行驶状态雷达图包括默认设定的安全区域、舒适区域以及危险可能性区域。以下，将该行驶状态雷达图称为基准行驶状态雷达图。如在实施方式1中说明过的那样，也可以根据数量不确定的多个驾驶员的驾驶历史记录和行驶历史记录来决定基准行驶状态雷达图的安全区域、舒适区域以及危险可能性区域。聚类区域控制部106从存储部12获取基准行驶状态雷达图，根据情况对基准行驶状态雷达图的各区域进行变更后输出到安全舒适性判定部102。安全舒适性判定部102基于变更后的行驶状态雷达图来判定车辆1的行驶状态。

在本实施方式中，聚类区域控制部106根据车辆1行驶的道路信息、车辆1的行驶环境信息以及车辆1在道路上的行驶经验信息等，来变更基准行驶状态雷达图的各区域。而且，上述的道路信息、行驶环境信息以及行驶经验信息包含于车辆1的外部环境。

车辆1行驶的道路信息包含道路的车道数、道路的种类、道路的限制速度、道路的事故经历等。聚类区域控制部106例如也可以使用由检测部11的位置信息获取部11a得到的位置信息和由地图信息获取部11e得到的地图信息来获取道路的车道数、道路的种类以及道路的限制速度。道路的种类既可以包括普通道路、汽车专用道路、高速道路等与道路构造有关的种类，也可以包括生活道路、市区道路、郊外道路、山间道路等与道路环境有关的种类。聚类区域控制部106经由外部环境信息获取部105获取道路的事故经历，但道路的事故经历也可以包含于地图信息获取部11e的地图信息。外部环境信息获取部105也可以使用由位置信息获取部11a得到的位置信息和由地图信息获取部11e得到的地图信息来获取道路的事故经历。

车辆1的行驶环境信息包含车辆1行驶的道路的拥堵信息和天气信息。聚类区域控制部106经由外部环境信息获取部105获取拥堵信息和天气信息。外部环境信息获取部105也可以使用由位置信息获取部11a得到的位置信息和由地图信息获取部11e得到的地图信息来获取车辆1预定行驶的行进路径上的拥堵信息和天气信息。

车辆1在道路上的行驶经验的信息也可以包含车辆1行驶的道路的累计行驶次数和行驶频率。行驶频率是每规定期间内的行驶次数。聚类区域控制部106也可以使用存储部12中保存的车辆1的驾驶员的行驶历史记录、由位置信息获取部11a得到的位置信息以及由地图信息获取部11e得到的地图信息来获取行驶经验的信息。能够根据行驶经验的信息来获得车辆1行驶的道路是驾驶员初次行驶的道路还是日常行驶的道路等信息。

在本实施方式中，例如如图15A和图15B所示，信息通知部104在车辆1的显示装置104a的显示画面中显示车辆1的行驶状态属于行驶状态雷达图的安全区域、舒适区域以及危险可能性区域中的哪个区域。此外，图15A示出显示装置104a的显示画面显示舒适区域的行驶状态的例子，图15B示出显示装置104a的显示画面显示危险可能性区域的行驶状态的例子。如图15A那样，在显示装置104a的显示画面的行驶状态显示部104e中显示有表示舒适区域的行驶状态的“舒适区域”的情况下，车辆1的驾驶员能够参考该显示信息来决定车辆1的下一个行为。例如，在显示装置104a的显示画面中显示有能够选择行为的行为选择图标104d。行为选择图标104d例如包括能够选择“加速”、“减速”以及“车道变更”的行为的多个图标。驾驶员能够参考行驶状态显示部104e的显示信息，用行为选择图标104d来决定车辆1的行为。另外，如图15B那样，在显示装置104a的行驶状态显示部104e中显示有表示危险可能性区域的行驶状态的“危险可能性区域”的情况下，驾驶员能够参考该显示信息，例如选择将自动驾驶切换为手动驾驶等车辆1的下一个行为。通过驾驶员选择手动驾驶图标104c来进行该切换。

接着，参照图16～图20来说明基于聚类区域控制部106的基准行驶雷达图的变更例。此外，图16是示出基准行驶状态雷达图的一例的图。图17是示出在车辆1的行驶道路上存在事故经历的情况下的行驶状态雷达图的一例的图。图18是示出车辆1的行驶道路的通行量多的情况下的行驶状态雷达图的一例的图。图19是示出晴天且车辆1的行驶道路的通行量少的情况下的行驶状态雷达图的一例的图。图20是示出车辆1的行驶道路是日常使用的道路的情况下的行驶状态雷达图的一例的图。

在车辆1的行驶道路上存在事故经历的情况下，聚类区域控制部106将图16的基准行驶状态雷达图的安全区域A1和舒适区域A2整体缩小，制作出图17的行驶状态雷达图。具体地说，聚类区域控制部106将安全区域A1的边界A12整体朝向中心C移动，将舒适区域A2的边界A23整体朝向中心C移动。安全舒适性判定部102使用图17的行驶状态雷达图，由此在生成安全行为信号时基于更加安全的观点来判定车辆1的行驶状态，使基于车辆1的行驶状态的行驶状态线B的变更频率增加。

在车辆1正在通行量多的干线道路上行驶的情况下，聚类区域控制部106将图16的基准行驶状态雷达图的安全区域A1整体扩大，制作出图18的行驶状态雷达图。具体地说，聚类区域控制部106将安全区域A1的边界A12整体朝向离开中心C的方向移动。图18的行驶状态雷达图是基于车辆1只要与周围的车辆以同一步调行驶就是安全的这一道路交通上的认知而得到的。安全舒适性判定部102使用图18的行驶状态雷达图，由此在生成安全行为信号时减少基于车辆1的行驶状态的行驶状态线B的变更频率。

在晴天且车辆1的行驶道路的通行量少的情况下，聚类区域控制部106将图16的基准行驶状态雷达图的舒适区域A2整体扩大，制作出图19的行驶状态雷达图。与基准行驶状态雷达图相比，图19的行驶状态雷达图的舒适区域A2变得相当大。具体地说，聚类区域控制部106使舒适区域A2的边界A23处的与本车有关的参数的值的放大比例比与周围的车辆有关的参数的值的放大比例大。图19的行驶状态雷达图适于符合驾驶员的特性的舒适行驶。

在车辆1正在日常使用的道路上行驶的情况下，聚类区域控制部106将图16的基准行驶状态雷达图的安全区域A1局部缩小，将舒适区域A2局部缩小和放大，制作出图20的行驶状态雷达图。具体地说，聚类区域控制部106将安全区域A1的边界A12处的与前方车有关的参数的值变小。聚类区域控制部106将舒适区域A2的边界A23处的与前方车有关的参数的值变小，将其它参数的值变大。在图20的行驶状态雷达图中，关于驾驶员所熟悉的道路，在重视与前方车之间的关系的同时将舒适区域A2扩大。安全舒适性判定部102使用图20的行驶状态雷达图，由此在生成安全行为信号时增加基于车辆1的行驶状态的行驶状态线B的变更频率。

此外，在上述的例子中，聚类区域控制部106根据车辆1行驶的道路信息、车辆1的行驶环境信息以及车辆1在道路上的行驶经验信息变更了基准行驶状态雷达图的各区域，但并不限定于此。例如，也可以根据车辆1的特定的驾驶员的驾驶历史记录和行驶历史记录来变更基准行驶状态雷达图的各区域。由此，变更后的行驶状态雷达图能够具有与驾驶员的特性匹配的区域结构，使驾驶员容易接受根据基于行驶状态雷达图的安全行为信号进行的车辆1的自动驾驶。

[2-2.效果等]

如上述那样，实施方式2所涉及的信息处理***200具有作为安全行为判定部的安全舒适性判定部102、聚类区域控制部106以及安全判定部103。安全舒适性判定部102利用基于行驶安全性的多个区域A1～A3将表示车辆1的行驶状态的参数的值进行分类。安全舒适性判定部102决定以使表示车辆1的行驶状态的参数的值收敛于多个区域A1～A3中的行驶安全性高的安全区域A1内的方式调整车辆1的行驶状态的车辆1的安全行为。聚类区域控制部106根据车辆1的外部环境来变更多个区域A1～A3之间的边界的位置。安全判定部103获取车辆1的行为的估计结果和由安全舒适性判定部102决定的安全行为，基于获取到的估计结果和安全行为来决定车辆1的行为控制。

在上述结构中，多个区域A1～A3形成与车辆1的外部环境对应的区域，与车辆1的外部环境的变化相对应地发生变化。基于将行驶状态收敛于行驶安全性高的安全区域A1内的安全行为的车辆1的行为控制能够使车辆1实现安全的行为，并且能够与车辆1的外部环境对应。由此，与车辆1的外部环境的车辆1不符的行为控制减少。由此，能够正确地估计车辆1应进行的行为。

实施方式2所涉及的信息处理***200还具有信息通知部104，该信息通知部104向车辆1的驾驶员通知多个区域A1～A3中的车辆1的行驶状态所符合的区域。例如，信息通知部104也可以借助显示装置104a进行通知。在上述结构中，驾驶员能够确认车辆1的当前的驾驶状态。例如，驾驶员能够基于当前的驾驶状态对车辆1的驾驶状态施加变更。

在实施方式2所涉及的信息处理***200中，外部环境包含车辆1行驶的道路信息、车辆1的行驶环境信息以及车辆1在道路上行驶经验信息中的至少一方。在上述结构中，上述那样的信息可能包含车辆1的周围的环境的各种信息。能够根据车辆1的周围的环境来更加周密地进行所对应的多个区域A1～A3的变更。

实施方式2所涉及的信息处理***200还具有不正确风险判定部101，该不正确风险判定部101判定估计结果是否包含不正确的风险。在估计结果的准确度为阈值以下的情况下，不正确风险判定部101判定为估计结果包含不正确的风险，安全判定部103基于不正确风险判定部101的判定结果来选择估计结果和安全行为中的任一方。在上述结构中，实施方式2所涉及的信息处理***200能够发挥与实施方式1所涉及的信息处理***100的效果相同的效果。

在实施方式2所涉及的信息处理***200中，估计结果是利用机器学习、根据车辆1的周围的状况的信息和车辆1的行驶状态的信息中的至少一方估计出的结果。在上述结构中，实施方式2所涉及的信息处理***200能够发挥与实施方式1所涉及的信息处理***100的效果相同的效果。

另外，实施方式2所涉及的信息处理方法也可以通过以下方法来实现。也就是说，在该信息处理方法中，获取表示车辆的行驶状态的参数的值，利用基于行驶安全性的多个区域将该参数的值进行分类。然后，根据车辆的外部环境来变更多个区域之间的边界的位置。并且，决定以使参数的值收敛于多个区域中的行驶安全性高的区域内的方式调整车辆的行驶状态的车辆的安全行为。然后，获取车辆的行为的估计结果，基于估计结果和安全行为中的至少一方来决定车辆的行为控制。

另外，实施方式2中的处理也可以通过软件程序或由包括软件程序的数字信号来实现。例如，实施方式2中的处理通过如下程序来实现。也就是说，该程序使计算机执行以下的处理。1)获取表示车辆的行驶状态的参数的值。2)利用基于行驶安全性的多个区域将该参数的值进行分类。3)根据车辆的外部环境来变更多个区域之间的边界的位置。4)决定以使参数的值收敛于多个区域中的行驶安全性高的区域内的方式调整车辆的行驶状态的车辆的安全行为。5)获取车辆的行为的估计结果，基于估计结果和安全行为中的至少一方来决定车辆的行为控制。

[其它]

如以上那样，对作为本公开中的技术例示的实施方式进行了说明。然而，本公开的技术并不限定于这些实施方式，也能够应用于适当进行了变更、置换、追加、省略等而得到的实施方式的变形例或其它实施方式。另外，还能够将实施方式中说明的各构成要素进行组合来形成新的实施方式或变形例。

在车辆1的行为的估计结果中包含不正确风险的情况下，实施方式1所涉及的信息处理***100和实施方式2所涉及的信息处理***200将安全行为信号的安全行为决定为车辆1应实施的行为，由此降低了由车辆1实施的行为中包含的不正确风险。然而，信息处理***的处理并不限定于此。例如在车辆1的行为的估计结果中包含不正确风险的情况下，信息处理***也可以将车辆1的驾驶从自动驾驶切换到手动驾驶，还可以在显示装置104a中进行促使车辆1的驾驶员从自动驾驶切换为手动驾驶的显示。通过这样，信息处理***也能够避免车辆1的行为中包含的不正确风险。

例如，代表性地，实施方式所涉及的信息处理***等中包括的各处理部被实现为作为集成电路的LSI。这些处理部既可以分别单独地形成为一个芯片，也可以是以包含一部分或全部的处理部的方式形成一个芯片。另外，集成电路化并不限于LSI，也可以由专用电路或通用处理器来实现。也可以利用能够在制造LSI后进行编程的FPGA(FieldProgrammable Gate Array：现场可编程门阵列)、或能够对LSI内部的电路单元的连接、设定进行重构的可重构处理器。

此外，在实施方式中，各构成要素也可以由专用的硬件来构成，或通过执行适于各构成要素的软件程序来实现。各构成要素也可以通过由CPU或处理器等程序执行部读出硬盘或半导体存储器等记录介质中记录的软件程序并执行该软件程序来实现。

并且，本公开的技术既可以是上述程序，也可以是记录有上述程序的非暂时性的计算机可读记录介质。另外，上述程序能够经由因特网等传输介质来流通，这是不言而喻的。

另外，上述使用的序数、数量等数字均是为了具体地说明本公开的技术而例示的，本公开并不被所例示的数字限制。另外，构成要素间的连接关系是为了具体地说明本公开的技术的而例示的，实现本公开的功能的连接关系并不限定于此。

另外，块图中的功能块的分割是一例，也可以将多个功能块实现为一个功能块，或者将一个功能块分割为多个功能块，将一部分功能转移到其它功能块。另外，也可以由单个的硬件或软件同时或分时地对具有类似的功能的多个功能块的功能进行处理。

产业上的可利用性

本公开的信息处理***等能够应用于对与车辆等的驾驶有关的信息进行处理的装置或***。

附图标记说明

1：车辆；2：车辆控制部；10：自动驾驶控制***；11：检测部；11a：位置信息获取部；11b：第一传感器；11c：第二传感器；11d：速度信息获取部；11e：地图信息获取部；12：存储部；13：学习部；14：行为估计部；100、200：信息处理***；101：不正确风险判定部；102：安全舒适性判定部(安全行为判定部)；103：安全判定部；104：信息通知部；104a：显示装置；104b：转变显示；104c：手动驾驶图标(接收部)；104d：行为选择图标(接收部)；104e：行驶状态显示部；105：外部环境信息获取部；106：聚类区域控制部。

Claims (8)

1.一种信息处理***，具备：

安全行为判定部，其利用基于行驶安全性的多个区域将表示车辆的行驶状态的参数的值进行分类，并决定以使所述参数的值收敛于所述多个区域中的所述行驶安全性高的区域内的方式调整所述车辆的所述行驶状态的所述车辆的安全行为；

聚类区域控制部，其根据所述车辆的外部环境来变更所述多个区域之间的边界的位置；以及

安全判定部，其获取所述车辆的行为的估计结果和由所述安全行为判定部决定的所述安全行为，基于获取到的所述估计结果和所述安全行为中的至少一方来决定所述车辆的行为控制。

2.根据权利要求1所述的信息处理***，其特征在于，

还具备通知部，该通知部向所述车辆的驾驶员通知所述多个区域中的、所述车辆的所述行驶状态所符合的区域。

3.根据权利要求1或2所述的信息处理***，其特征在于，

所述外部环境包括所述车辆行驶的道路信息、所述车辆的行驶环境信息以及所述车辆在道路上的行驶经验信息中的至少一方。

4.根据权利要求1～3中的任一项所述的信息处理***，其特征在于，

还具备不正确风险判定部，该不正确风险判定部判定所述估计结果是否包含不正确的风险，

在所述估计结果的准确度为阈值以下的情况下，所述不正确风险判定部判定为所述估计结果包含不正确的风险，

所述安全判定部基于所述不正确风险判定部的判定结果来选择所述估计结果和所述安全行为中的任一方。

5.根据权利要求1～4中的任一项所述的信息处理***，其特征在于，

所述估计结果是利用机器学习、根据所述车辆的周围的状况的信息和所述车辆的行驶状态的信息中的至少一方估计出的结果。

6.一种信息处理方法，在该信息处理方法中，

获取表示车辆的行驶状态的参数的值；

利用基于行驶安全性的多个区域将所述参数的值进行分类；

根据所述车辆的外部环境来变更所述多个区域之间的边界的位置；

决定以使所述参数的值收敛于所述多个区域中的所述行驶安全性高的区域内的方式调整所述车辆的所述行驶状态的所述车辆的安全行为；

获取所述车辆的行为的估计结果；以及

基于所述估计结果和所述安全行为中的至少一方来决定所述车辆的行为控制。

7.一种程序，使计算机执行以下步骤：

获取表示车辆的行驶状态的参数的值；

利用基于行驶安全性的多个区域将所述参数的值进行分类；

根据所述车辆的外部环境来变更所述多个区域之间的边界的位置；

决定以使所述参数的值收敛于所述多个区域中的所述行驶安全性高的区域内的方式调整所述车辆的所述行驶状态的所述车辆的安全行为；

获取所述车辆的行为的估计结果；以及

基于所述估计结果和所述安全行为中的至少一方来决定所述车辆的行为控制。

8.一种非临时性的记录介质，记录有根据权利要求7所述的程序。