CN111386561A - 信息处理方法及信息处理*** - Google Patents

信息处理方法及信息处理*** Download PDF

Info

Publication number
CN111386561A
CN111386561A CN201980005907.8A CN201980005907A CN111386561A CN 111386561 A CN111386561 A CN 111386561A CN 201980005907 A CN201980005907 A CN 201980005907A CN 111386561 A CN111386561 A CN 111386561A
Authority
CN
China
Prior art keywords
information
monitoring
vehicle
monitor
situation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201980005907.8A
Other languages
English (en)
Inventor
新井稔也
米田孝弘
下间雄太
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Panasonic Intellectual Property Corp of America
Original Assignee
Panasonic Intellectual Property Corp of America
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Panasonic Intellectual Property Corp of America filed Critical Panasonic Intellectual Property Corp of America
Priority claimed from PCT/JP2019/027125 external-priority patent/WO2020070941A1/ja
Publication of CN111386561A publication Critical patent/CN111386561A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/056—Detecting movement of traffic to be counted or controlled with provision for distinguishing direction of travel
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/105—Human resources
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0011—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement
    • G05D1/0027—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement involving a plurality of vehicles, e.g. fleet or convoy travelling
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0011—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement
    • G05D1/0038—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement by providing the operator with simple or augmented images from one or more cameras located onboard the vehicle, e.g. tele-operation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
    • G07C5/0825—Indicating performance data, e.g. occurrence of a malfunction using optical means
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • G08G1/127—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams to a central station ; Indicators in a central station
    • G08G1/13—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams to a central station ; Indicators in a central station the indicator being in the form of a map
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M11/00—Telephonic communication systems specially adapted for combination with other electrical systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Signal Processing (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Traffic Control Systems (AREA)

Abstract

信息处理方法使用计算机，取得比第1时刻靠后的第2时刻的与车辆及车辆周边的至少一方的状况相关的第2状况信息(S501)，向通过使用了第1时刻的与车辆及车辆周边的至少一方的状况相关的第1状况信息以及作为由第1监视者基于第1状况信息进行监视的结果的第1监视结果的机器学习而得到的学习模型，输入第2状况信息，从而决定与向第2监视者推荐的车辆的监视相关的推荐内容(S502)，根据决定的推荐内容生成用于监视车辆的提示信息(S503)，使提示信息被输出至提示装置(S504)。

Description

信息处理方法及信息处理***
技术领域
本发明涉及信息处理方法及信息处理***。
背景技术
有如下远程操作***：利用无线LAN(Local Area Network：局域网)或者便携电话线路等的无线通信，对于未搭乘驾驶员的车辆或者驾驶员不进行操作就能够自主行驶的车辆，由位于远程地点的操作员间接地进行操作。
这样的远程操作***将从车辆上搭载的毫米波雷达、激光雷达、相机等各种传感器观测车辆周边而得到的传感结果，从车辆(以下记载为***作车辆)经由通信机构向操作员传达。操作员基于被传达的传感结果，把握***作车辆的状态及***作车辆的周边的状态，判断如何控制***作车辆，探讨车辆的控制的方法。然后，操作员将与车辆的行驶相关的控制信号向***作车辆传达，从而从远程对***作车辆进行控制。
例如，专利文献1公开了如下技术：在***作车辆向特定区域侵入的情况下，决定对***作车辆进行远程操作的远程操作装置并进行远程操作。
在先技术文献
专利文献
专利文献1：日本特开2017－147626号公报
发明内容
发明所要解决的课题
在像专利文献1那样的现有技术中，在操作员对***作车辆进行操作之前，由操作员或者与操作员不同的不进行操作的监视者(以下也统一记载为监视者)对***作车辆进行监视。以下，将被监视的车辆记载为被监视车辆。监视者不知道何时在何处会发生事故等危险状况，因此要求尽可能对全部的场景进行监视，监视负担大。因此，希望减轻监视者的监视负担。但是，在专利文献1中，虽然公开了减轻对车辆进行远程操作的操作员的负担的发明，但没有公开减轻对车辆进行远程监视的监视者的监视负担的方法。
于是，本发明提供能够减轻监视者的监视负担的信息处理方法。
用于解决课题的手段
本发明的一个方式所涉及的信息处理方法使用计算机，取得比第1时刻靠后的第2时刻的与车辆及车辆周边的至少一方的状况相关的第2状况信息，向通过使用所述第1时刻的与车辆及车辆周边的至少一方的状况相关的第1状况信息以及作为由第1监视者基于所述第1状况信息进行监视的结果的第1监视结果的机器学习而得到的学习模型，输入所述第2状况信息，从而决定与向第2监视者推荐的车辆的监视相关的推荐内容，根据决定的所述推荐内容生成用于所述车辆的监视的提示信息，使所述提示信息被输出至提示装置。
此外，这些概括性或者具体性的方式也可以通过***、集成电路、计算机程序或者计算机可读取的CD－ROM等记录介质实现，也可以通过***、集成电路、计算机程序及记录介质的任意的组合实现。
发明效果
根据本发明的信息处理方法，能够减轻监视者的监视负担。
附图说明
图1是表示实施方式中的监视***的构成的框图。
图2是实施方式中的监视室的一例的概观图。
图3是表示实施方式中的服务器装置的功能构成的框图。
图4是表示实施方式中的推荐部的详细功能构成的框图。
图5是表示实施方式中的学习用数据的第一例的说明图。
图6是表示实施方式中的学习用数据的第二例的说明图。
图7是表示实施方式中的推荐部所输出的推荐信息的第一例的说明图。
图8是表示实施方式中的推荐部所输出的推荐信息的第二例的说明图。
图9是表示实施方式中的提示信息的第一例的说明图。
图10是表示实施方式中的提示信息的第二例的说明图。
图11是表示实施方式中的监视***的处理的第一时序图。
图12是表示实施方式中的监视***的处理的第二时序图。
图13是表示实施方式中的监视控制部的处理的流程图。
图14是表示实施方式的变形例中的信息处理***的构成的框图。
图15是表示实施方式的变形例中的信息处理方法的流程图。
具体实施方式
本发明的一个方式所涉及的信息处理方法使用计算机，取得比第1时刻靠后的第2时刻的与车辆及车辆周边的至少一方的状况相关的第2状况信息，向通过使用了所述第1时刻的与车辆及车辆周边的至少一方的状况相关的第1状况信息以及作为由第1监视者基于所述第1状况信息进行监视的结果的第1监视结果的机器学习而得到的学习模型，输入所述第2状况信息，从而决定与向第2监视者推荐的车辆的监视相关的推荐内容，根据决定的所述推荐内容生成用于所述车辆的监视的提示信息，使所述提示信息被输出至提示装置。
根据上述方式，使用通过使用了在第1时刻的状况下监视者关于监视进行判断的结果的机器学习而构筑的学习模型，输出在第2时刻的状况下推荐的与监视相关的信息。也就是说，反映了监视者对过去的监视判断来输出其后推荐的与监视相关的信息。因此，监视者不常时监视车辆，就能够通过参照被推荐的与监视相关的信息来判断监视作业。因此，能够减轻监视者的监视负担。另外，通过减轻监视负担，能够以比***作车辆的台数少的人数监视***作车辆。
例如，所述学习模型是通过将所述第1状况信息作为输入数据且将所述第1监视结果作为教师数据的机器学习而得到的神经网络型的学习模型。
根据上述方式，学习模型是神经网络型，因此即使状况信息与监视结果的关系复杂，也易于生成学习模型。
例如，所述第1监视结果包含表示作为所述第1监视者的监视对象的车辆的信息。
根据上述方式，基于表示作为第1时刻的监视对象的车辆的信息，构筑学习模型。因此，通过对被选择为监视对象的车辆的特征进行学习，能够提高关于车辆的特征由学习模型输出的推荐内容的准确性(换言之合适程度)。因此，能够提高监视者的监视负担的减轻效果。
例如，所述第1监视结果包含用于确定由所述第1监视者针对作为所述第1监视者的监视对象的车辆进行的操作的信息。
根据上述方式，基于用于确定由监视者针对作为第1时刻的监视对象的车辆进行的操作的信息，构筑学习模型。因此，通过对针对被选择为监视对象的车辆的操作进行学习，能够提高关于被进行的操作由学习模型输出的推荐内容的准确性。因此，能够提高监视者的监视负担的减轻效果。
例如，所述第1监视结果包含用于确定与所述第1监视者的监视相关的时间及时刻中的至少一方的信息。
根据上述方式，基于用于确定与第1时刻的监视相关的时间或者时刻的信息，构筑学习模型。因此，通过对被选择为监视对象的车辆的监视所耗费的时间进行学习，能够提高关于监视所耗费的时间由学习模型输出的推荐内容的准确性。因此，能够提高监视者的监视负担的减轻效果。
例如，所述第1监视结果包含用于确定在由所述第1监视者设为监视对象之后不被设为监视对象的状态所持续的时间的信息。
根据上述方式，基于用于确定在被设为第1时刻的监视对象之后不被设为监视对象的状态所持续的时间的信息，构筑学习模型。因此，通过对不被监视的车辆及时间进行学习，能够提高关于不被监视的车辆及时间由学习模型输出的推荐内容的准确性。因此，能够提高监视者的监视负担的减轻效果。
例如，所述第1监视结果包含用于确定从所述第1状况信息被提示开始直到确定所述第1监视者所监视的车辆为止的时间的信息。
根据上述方式，基于表示从第1时刻的状况被提示开始直到监视者确定所监视的车辆为止即直到监视开始为止的时间的信息，构筑学习模型。因此，能够提高关于与监视开始相关的时间由学习模型输出的推荐内容的准确性。
例如，所述第1监视结果还包含所述第1监视者的信息，所述学习模型通过还使用了所述第1监视者的信息的机器学习而得到，所述推荐内容通过向所述学习模型还输入所述第2监视者的信息而决定。
根据上述方式，不仅基于监视结果而且也基于第1时刻的监视者的信息构筑学习模型。因此，能够进一步提高推荐内容的准确性。
例如，所述第1监视者的信息包含所述第1监视者的识别信息、作业履历信息及属性信息中的至少1个，所述第2监视者的信息包含所述第2监视者的识别信息、作业履历信息及属性信息中的至少1个。
根据上述方式，基于第1监视者的经验或者特性，构筑学习模型。因此，能够决定与第2监视者的经验或者特性相应的推荐内容。因此，能够进一步提高推荐内容的准确性。
例如，所述第1监视者的信息包含与所述第1监视者用于监视的终端相关的终端信息，所述第2监视者的信息包含与所述第2监视者用于监视的终端相关的终端信息。
根据上述方式，基于第1监视者所操作的终端的状态或者特性，构筑学习模型。因此，能够决定与第2监视者所操作的终端的状态或者特性相应的推荐内容。因此，能够进一步提高推荐内容的准确性。
例如，还取得作为由所述第2监视者进行监视的结果的第2监视结果，通过将所述第2状况信息作为输入数据且将所述第2监视结果作为教师数据的机器学习，更新所述学习模型。
根据上述方式，使用第2时刻的监视的结果更新学习模型。由此，能够持续地改进学习模型，能够实现可持续的监视***。
例如，在更新所述学习模型时，优先使用与根据所述第1监视者的作业履历信息确定的所述第2监视者对应的所述第2状况信息及所述第2监视结果来更新所述学习模型。
根据上述方式，优先使用基于第1时刻的监视者的作业履历确定的监视者的监视结果来更新学习模型。因此，通过使用作为模范的监视者的监视结果来更新学习模型，能够实现学习模型的有效更新。
例如，所述推荐内容包含被推荐为监视对象的车辆，所述提示信息包含表示所述推荐内容中包含的被推荐为所述监视对象的车辆的信息。
根据上述方式，在提示装置中提示被推荐为监视对象的车辆，作为与第2时刻的被推荐的车辆的监视相关的信息。由此，监视者能够直接把握第2时刻的被推荐为监视对象的车辆。
例如，所述推荐内容包含可能成为监视对象的1个以上的车辆及所述1个以上的车辆各自的监视推荐度，所述提示信息包含表示所述推荐内容中包含的所述1个以上的车辆各自的监视推荐度的信息。
根据上述方式，在提示装置中提示1个以上的车辆及其监视推荐度，作为与第2时刻的被推荐的车辆的监视相关的信息。由此，监视者能够从被提示的1个以上的车辆之中容易地把握第2时刻的应设为监视对象的车辆。
例如，所述推荐内容包含从被推荐为监视对象的车辆观察的监视的方向，所述提示信息包含从被推荐为所述监视对象的车辆对所述推荐内容中包含的所述监视的方向进行摄影而得到的图像。
根据上述方式，在提示装置中提示表示监视的方向的信息，作为与第2时刻的被推荐的车辆的监视相关的信息。由此，监视者能够容易地把握第2时刻的应监视的方向。
例如，所述推荐内容包含向所述第2监视者推荐的监视的点，所述提示信息包含表示所述推荐内容中包含的所述监视的点的信息。
根据上述方式，在提示装置中提示表示监视的点的信息，作为与第2时刻的被推荐的车辆的监视相关的信息。由此，监视者在第2时刻不根据状况判断就能够把握应监视的点。或者，能够向应监视的点的判断提供支持。
本发明的一个方式所涉及的信息处理***具备：取得部，取得比第1时刻靠后的第2时刻的与车辆及车辆周边的至少一方的状况相关的第2状况信息；决定部，向通过使用了所述第1时刻的与车辆及车辆周边的至少一方的状况相关的第1状况信息以及作为由第1监视者基于所述第1状况信息进行监视的结果的第1监视结果的机器学习而得到的学习模型，输入所述第2状况信息，从而决定与向第2监视者推荐的车辆的监视相关的推荐内容；以及输出部，根据决定的所述推荐内容生成用于所述车辆的监视的提示信息，使所述提示信息被输出至提示装置。
由此，具有与上述信息处理方法同样的效果。
此外，这些概括性或者具体性的方式也可以通过***、装置、集成电路、计算机程序或者计算机可读取的CD－ROM等记录介质实现，也可以通过***、装置、集成电路、计算机程序或者记录介质的任意组合实现。
以下，关于实施方式，参照附图具体进行说明。
此外，以下说明的实施方式均示出概括性或者具体性的例子。以下的实施方式所示的数值、形状、材料、结构要素、结构要素的配置位置及连接方式、步骤、步骤的顺序等是一例，并非意在限定本发明。此外，关于以下的实施方式中的结构要素之中表示最上位概念的独立权利要求中没有记载的结构要素，作为任意的结构要素而被说明。
(实施方式)
关于本实施方式，说明能够减轻监视者的监视负担的信息处理方法等。
远程监视***(以下也简单记载为监视***)从被监视车辆经由通信机构取得传感结果并向监视者传达。监视者基于被传达的传感结果，把握被监视车辆的状态及被监视车辆的周边的状态，判断针对被监视车辆是否需要操作员介入。此外，监视者也可以还包含由操作员间接地进行操控的方法在内，探讨合适的介入方法。然后，监视者在判断为难以进行被监视车辆的自主行驶的情况下，委托操作员进行远程操作。操作员通过向被监视车辆(即***作车辆)传达与车辆的行驶相关的控制信号，从远程对被监视车辆进行控制。此外，在操作员是监视者的情况下，操作员从监视转移到操作即可。
图1是表示本实施方式中的监视***1的构成的框图。图2是本实施方式中的监视室的一例的概观图。
图1所示的监视***1是用于对可能成为***作车辆的车辆M1、M2、……、MN进行监视的信息处理***。以下将车辆M1、M2、……、MN也称为“车辆M1等”。图2所示的监视室是供监视者对车辆M1等进行监视的房间。在监视室中，从车辆M1等得到的信息及用于车辆M1等的监视的信息被向监视者提示，监视者能够进行用于监视的操作。此外，也可以不仅由监视者进行用于监视的操作，还进行用于***作车辆的远程操作的操作。此外，监视者也可以是对***作车辆进行操作的操作员，操作员也可以是别的人。
如图1所示，监视***1具备服务器装置10、输入装置20和显示装置30。
服务器装置10是进行与监视者的监视相关的决定的处理装置。具体而言，服务器装置10通过由计算机使用了向输入装置20输入的内容以及从车辆M1等得到的车辆信息进行的信息处理，进行与监视相关的决定。服务器装置10被设置在能够与网络N以可通信的方式连接的场所，其物理位置是何处皆可。作为一例，服务器装置10如果配置在监视室的内部或者附近，则具有能够以短时间进行与输入装置20及显示装置30的通信的优点。
输入装置20是供监视者输入操作的输入装置。输入装置20既可以是与服务器装置10连接的键盘、鼠标或者触摸面板等，也可以是能够通过按下或者接触等进行操作的按钮等。输入装置20将与输入的操作相关的信息向服务器装置10提供。输入装置20设置于监视室。在服务器装置10配置于远程地点的情况下，输入装置20与服务器装置10也可以经由网络连接。
显示装置30是从服务器装置10取得提示信息，并将提示信息作为图像输出的装置。图像包含照片、插图或者字符等。显示装置30是液晶显示器等。显示装置30所输出的图像由监视者视觉辨认，在决定监视者对哪个车辆进行监视或者如何对车辆进行监视等时使用。此外，显示装置30是提示装置的一例。监视***1也可以与显示装置30一起或者替代显示装置30，具备输出声音的装置作为提示装置。显示装置30设置于监视室。在服务器装置10配置于远程地点的情况下，显示装置30与服务器装置10也可以经由网络连接。
车辆M1是有人搭乘或者无人搭乘的车辆，例如是自动驾驶车辆。车辆M1是可能成为监视者的监视对象的车辆。车辆M1存在于与监视室不同的外部的空间，例如道路或者停车场等。
车辆M1具备通信接口，通过通信与网络N连接，经由网络N与服务器装置10以可通信的方式连接。车辆M1具备：对车辆M1的周围进行摄影的1个以上的相机、以及对车辆M1的位置、速度、加速度、转向角、燃料的余量、方向指示器的动作状态、ABS(Anti－lockBraking System：防抱死制动***)或者AEB(Automatic Emergency Braking：自动紧急制动***)的动作状态、周边物体的数量及种类、与周边物体的距离等进行检测的多个传感器。车辆M1将包含由1个以上的相机通过摄影而生成的图像数据、以及由多个传感器取得的位置等的信息及传感数据在内的信息，经由通信接口及网络N向服务器装置10发送。此外，也将车辆M1所发送的上述信息称为车辆信息。此外，车辆M1也可以按照需要，由监视者经由网络N进行加减速的控制及转向角的控制等。将由监视者进行的这样的控制也称为远程操作。
车辆M2～MN分别是与车辆M1同样的车辆，与车辆M1独立地移动。另外，车辆M2～MN分别将本装置所生成的图像数据及传感数据与车辆M1同样地向服务器装置10发送。
网络N是供服务器装置10及车辆M1等分别连接的通信网络。网络N的通信规格或者通信方式例如是便携电话网络、卫星通信网络、利用了Wi－fi等的广域通信网络等，但不限定于这些。与车辆M1等连接的部分是无线。
在监视室中，配置了输入装置20及显示装置30。输入装置20及显示装置30分别配置在容易由监视者进行输入及视觉辨认的位置。例如，输入装置20及显示装置30配置在监视者就座的椅子的前方的桌子上。另外，在从监视室整体能够视觉辨认的位置，配置了对车辆M1等所取得的图像数据及表示车辆M1的位置等的地图等图像进行显示的显示装置31。
监视者可以有多个人，但监视者的人数比车辆M1等的台数少。设想为：监视者并不总是对车辆M1等全部进行监视，而是仅选择被判断为需要监视的车辆进行监视，而对其他车辆不进行监视。通过像这样，具有削减用于监视的需要人员，而且监视者能够集中于需要监视的车辆进行监视的优点。被判断为需要监视，例如是位于车辆的行驶需要注意的位置的情况、处于车辆的行驶需要注意的状态的情况、接近于上述需要注意的位置、或者被预测成为上述需要注意的状态的情况等。
监视者对由显示装置30提示的图像进行视觉辨认，决定对车辆M1等之中的哪个车辆进行监视，或者，如何对车辆进行监视等。然后，监视者将监视对象的车辆或者监视方法经由输入装置20向服务器装置10输入。
以下，详细说明服务器装置10生成用于向监视者推荐将哪个车辆设为监视对象的信息的处理。在该情况下，监视者基于由显示装置30提示的信息，决定对哪个车辆进行监视。如果由服务器装置10推荐的监视对象合适，则能够减轻监视者从车辆M1等之中找出监视对象的作业的负担。
图3是表示本实施方式中的服务器装置10的功能构成的框图。
如图3所示，服务器装置10具备通信部11、车辆管理部12、运行数据库(DB)13、运行管理部14、推荐部15、接收部16、监视控制部17和影像管理部18。
通信部11是与网络N连接且经由网络N与车辆M1等以可通信的方式连接的通信接口。通信部11从车辆M1等取得车辆信息。
车辆管理部12是进行车辆M1等的管理的处理部。车辆管理部12取得由车辆M1等发送的车辆信息，基于取得的车辆信息对车辆M1等各自的位置、速度、行驶状态等进行管理。
运行数据库13是存储着用于车辆M1等的运行的信息的数据库。运行数据库13保持地图及运行计划的信息作为用于车辆M1等的运行的信息。运行计划包含表示车辆M1等预定行驶的移动路径的信息、以及表示行驶中的各时刻的车辆M1等在路径上的预定的位置的信息。
运行管理部14是对车辆M1等的运行进行管理的处理部。运行管理部14从运行数据库13取得车辆M1等的运行计划等的信息，将包含车辆M1等的移动路径等的指示信息向车辆M1等发送。另外，运行管理部14决定包含车辆M1等的运行相对于运行计划以何种程度延迟等的运行信息。
推荐部15是生成用于向监视者推荐成为监视者的监视对象的车辆的信息的处理部。推荐部15从车辆管理部12取得车辆M1等所发送的车辆信息，从运行管理部14取得与车辆M1等的运行相关的运行信息，另外，从监视控制部17取得表示由监视者基于上述车辆信息及上述运行信息决定的监视对象的监视信息。然后，推荐部15基于取得的车辆信息、运行信息及监视信息，生成用于向监视者推荐成为监视者的监视对象的车辆的推荐信息。推荐信息例如通过按每个车辆表示推荐设为监视对象的程度的监视推荐度示出。另外，推荐信息也可以是按每个车辆表示与其他车辆相比较应优先对该车辆进行监视的程度的监视优先级。
推荐部15在生成推荐信息时，使用通过使用过去的时刻的监视者所进行的监视的结果来构筑的学习模型，生成推荐信息。推荐信息包含表示作为监视对象的车辆的信息。此外，也可以将上述的车辆信息、运行信息及监视信息称为状况信息。
接收部16是接收表示由监视者向输入装置20输入的输入操作的操作信息的处理部。操作信息例如包含切换监视对象的操作。
监视控制部17是决定成为监视对象的车辆的处理部。监视控制部17基于推荐部15所生成的推荐信息、以及接收部16所接收的操作信息，决定成为监视对象的车辆，生成表示成为监视对象的车辆的监视信息。监视控制部17将生成的监视信息向影像管理部18提供，并且作为第1监视结果向推荐部15提供。
在由监视控制部17生成的监视信息中，也可以包含用于确定针对作为监视者的监视对象的车辆进行了的操作的信息。另外，在监视信息中，也可以包含用于确定与车辆的监视相关的时间及时刻中的至少一方的信息。具体而言，也可以包含：车辆的监视开始的时刻、结束的时刻、持续的时间长度、设为监视对象之后不被设为监视对象的状态所持续的时间长度、从第1状况信息被提示开始直到确定第1监视者所监视的车辆为止的时间长度。另外，在监视信息中，也可以包含：表示监视者是否进行了车辆的远程操作的信息、与监视者相关的信息(具体而言，识别信息、作业履历信息、或者属性信息、监视经验的履历、熟练度或者持续工作时间)等信息。另外，在监视信息中，也可以包含监视者用于监视的终端(输入装置20或者显示装置30等)的信息。
监视控制部17具有自动更新模式和手动更新模式，作为与监视对象车辆的决定相关的动作模式。自动更新模式是如下模式：无论是否接收了操作信息、或者接收的操作信息的内容如何，都依照推荐信息决定监视对象车辆并生成监视信息。手动更新模式是如下模式：无论有无推荐信息、或者推荐信息的内容如何，都依照操作信息决定监视对象车辆并生成监视信息。
影像管理部18是管理用于在显示装置30上进行显示的影像的处理部。影像管理部18生成包含与用于在显示装置30上显示的影像相关的图像数据在内的提示信息，并向显示装置30输出。影像管理部18从监视控制部17取得监视信息，在监视信息包含用于确定成为监视对象的车辆的信息的情况下，将通信部11从该监视对象的车辆接收的图像数据包含在提示信息中。
提示信息具体而言，也可以包含表示推荐内容中包含的被推荐为监视对象的车辆的信息。另外，在推荐内容包含了可能成为监视对象的1个以上的车辆及1个以上的车辆各自的监视推荐度的情况下，提示信息也可以包含表示推荐内容中包含的1个以上的车辆各自的监视优先级的信息。另外，在推荐内容包含了从被推荐为监视对象的车辆观察的监视的方向的情况下，提示信息也可以包含从被推荐为监视对象的车辆对推荐内容中包含的监视的方向进行摄影而得到的图像。
进而也可以是，推荐内容包含向第2监视者推荐的监视的点，提示信息包含表示推荐内容中包含的监视的点的信息。
图4是表示本实施方式中的推荐部15的详细功能构成的框图。
如图4所示，推荐部15具备处理部151、数据存放部152、学习部154和生成部155。
处理部151是执行如下处理的处理部：取得用于学习部154的学习的输入数据及教师数据，并对所取得的输入数据及教师数据进行加工或者转换等以使其成为适于学习的形式。处理部151从车辆管理部12取得车辆信息，从运行管理部14取得运行信息，另外，从监视控制部17取得监视信息，来作为输入数据及教师数据。将处理部151所取得的车辆信息、运行信息及监视信息也称为状况信息。
然后，处理部151针对所取得的状况信息实施处理。该处理例如包含：将车辆信息划分为具有规定的时间长度(例如10秒钟)的区间的信息片的处理、计算各区间中包含的加速度等的平均值、最大值、最小值及方差等统计值的处理、通过与各区间中的关于加速度等的阈值进行大小比较或者条件判断来生成标记信息的处理等。具体而言，上述处理包含：生成表示各区间中的平均速度超过了法定速度的标记信息的处理、基于每个上述区间的加速度超过或低于阈值而生成表示在上述区间是否进行了急加速或者急制动的标记信息的处理、或者生成表示车辆停止的时间超过了阈值的标记信息的处理等。另外，处理部151进行提取监视信息中包含的表示成为监视对象的车辆的信息等的处理。
处理部151将在同一时刻取得的车辆信息、运行信息及监视信息、以及根据这些信息通过上述处理而生成的信息建立对应，在数据存放部152中作为学习用数据153存放。
此外，也将数据存放部152中存放的信息被取得的时刻称为第1时刻，将第1时刻的状况信息称为第1状况信息。此外，规定的时间长度例如是10秒，以下以该情况为例进行说明。
数据存放部152是存放由处理部151处理后的各种信息作为学习用数据153的存放部。学习用数据153是在比当前时刻更靠过去的时刻从车辆M1等取得的信息。学习用数据153由学习部154读出。数据存放部152通过HDD(Hard Disk Drive：硬盘驱动器)或者SSD(Solid State Drive：固态驱动器)等存储装置等实现。
学习部154是通过机器学习来构筑学习模型的处理部。学习部154通过使用数据存放部152中存放的学习用数据153来进行与机器学习相关的学习处理，构筑用于决定向监视者推荐的监视对象车辆的学习模型156。在学习部154所进行的机器学习的输入数据中，使用学习用数据153中包含的、车辆信息及运行信息以及根据车辆信息及运行信息通过处理部151的处理而生成的信息。另外，在学习部154所进行的机器学习的教师数据中，使用学习用数据153中包含的监视信息。将学习用数据153中包含的监视信息也称为第1监视结果，将进行了与该监视信息相关的监视的监视者也称为第1监视者。也就是说，学习部154所构筑的学习模型156是通过将第1状况信息作为输入数据且将第1监视结果作为教师数据的机器学习而得到的学习模型。学习部154将构筑的学习模型156向生成部155提供。例如，作为机器学习，有深度学习等神经网络型的学习方法。此外，学习方法不限于此，也可以是遗传性编程、决策树、贝叶斯网络、支持向量机(SVM)等其他学习方法。
此外，学习部154在学习用数据153中包含了监视者的作业履历信息的情况下，也可以优先使用与根据作业履历信息确定的第2监视者对应的第2状况信息及第2监视结果来更新学习模型。具体而言，也可以基于作业履历信息，以更优先推荐该作业的经验丰富的监视者的方式进行学习。
生成部155使用学习模型156，决定用于向监视者推荐成为监视对象的车辆或者车辆的监视方法的推荐内容，生成表示该推荐内容的推荐信息。生成部155从车辆管理部12取得车辆信息，从运行管理部14取得运行信息。然后，生成部155向监视控制部17提供作为通过将取得的车辆信息及运行信息向学习模型156输入从而输出的输出数据的表示推荐内容的推荐信息。此外，也将生成部155所取得的车辆信息及运行信息被取得的时刻称为第2时刻，也将第2时刻的状况信息称为第2状况信息。也将成为与生成部155所生成的推荐信息相关的推荐对象的监视者称为第2监视者。
接下来，关于数据存放部152中存放的学习用数据153中包含的输入数据及教师数据，说明两个例子。
图5是表示本实施方式中的学习用数据153的第一例的说明图。图5所示的学习用数据153是包含车辆由于急制动而停止的时刻在内的10秒钟的车辆信息，是由监视者进行了监视的情况下的学习用数据153的例子。
图5的(a)是针对该10秒钟的速度数据，将横轴作为时刻t且将纵轴作为速度来表示的曲线图。横轴通过将该10秒钟的最初的时刻作为时刻零的相对的时刻来表示。在图5的(a)中，示出在从该期间的最初的时刻经过了约8秒后的时刻速度急剧下降的情形。在以下的图5的(b)～(d)以及图6的(a)～(d)中，纵轴及横轴的表现与图5的(a)同样。
图5的(b)是表示该10秒钟的加速度数据的曲线图。在图5的(b)中，表示在从该期间的最初的时刻经过了约8秒后的时刻加速度向负方向急剧变化的情形。此外，图5的(b)既可以是通过车辆M1所具备的加速度传感器取得的加速度数据，也可以是通过对图5的(a)的速度数据进行微分而得到的数据。
图5的(c)是表示该10秒钟的急制动标记的曲线图。急制动标记是将实施了急制动的时刻作为“1”来表示的标记信息。在图5的(c)中，示出了在从该期间的最初的时刻经过了约8秒后的时刻急制动标记变化为1，在解除了急制动的时刻急制动标记变化为0的情形。此外，图5的(c)既可以是由车辆M1所具备的能够检测急制动的传感器(例如轮胎的旋转速度传感器或者制动开关等)检测的数据，也可以是通过提取图5的(b)的加速度向负方向大于规定值的期间而得到的数据。
图5的(d)是表示该10秒钟的监视标记的曲线图。监视标记是将由监视者开始监视的时刻作为“1”来表示的标记信息。在图5的(d)中，示出在该期间的最后的时刻监视标记为1。这示出：监视者基于图5的(a)～(c)的各数据或者其他的数据判断为对该车辆进行监视，并开始了该车辆的监视。例如基于如下情况：监视者根据图5的(c)所示的急制动标记的变化判断为进行了急制动的操作，并开始了该车辆的监视。
图6是表示本实施方式中的学习用数据153的第二例的说明图。
图6所示的学习用数据153是车辆大致匀速行驶的10秒钟的车辆信息，是没有由监视者进行监视的情况下的学习用数据153的例子。
图6的(a)是表示该10秒钟的速度数据的曲线图。在图6的(a)中，示出从该期间的最初直到最后车辆以大致匀速行驶。
图6的(b)是表示该10秒钟的加速度数据的曲线图。在图6的(b)中，示出从该期间的最初直到最后加速度大致为零。
图6的(c)是表示该10秒钟的急制动标记的曲线图。在图6的(c)中，示出在该期间内急制动标记为零，也就是说没有实施急制动。
图6的(d)是表示该10秒钟的监视标记的曲线图。在图6的(d)中，示出了在该期间中监视标记为零。这示出：监视者基于图6的(a)～(c)的各数据或者其他的数据判断为不对该车辆进行监视。例如基于如下情况：由于如图6的(c)所示没有实施急制动，监视者判断为不需要对该车辆进行监视。
在图5及图6中，(a)、(b)及(c)所示的各信息能够作为学习部154所进行的学习的输入数据被使用，(d)所示的监视标记能够作为学习部154所进行的学习的教师数据被使用。
接下来，关于推荐部15所输出的推荐信息说明两个例子。
图7是表示本实施方式中的推荐部15所输出的推荐信息的第一例的说明图。图7所示的推荐信息是包含车辆由于急制动而停止的时刻在内的10秒钟的车辆信息，是输出监视推荐度作为推荐信息的例子。在图7的(a)～(c)中，纵轴及横轴的表现与图5的(a)同样。
图7的(a)是表示该10秒钟的速度数据的曲线图。在图7的(a)中，示出在从该期间的最初的时刻经过了约5秒后的时刻速度急剧下降的情形。
图7的(b)是表示该10秒钟的加速度数据的曲线图。在图7的(b)中，示出在从该期间的最初的时刻经过了约5秒后的时刻加速度向负方向急剧变化的情形。此外，图7的(b)既可以是通过车辆M1所具备的加速度传感器取得的加速度数据，也可以是通过对图7的(a)的速度数据进行微分而得到的数据。
图7的(c)是通过将图7的(a)及(b)所示的速度数据及加速度数据作为输入数据向学习模型156输入从而输出的监视推荐度的一例。图7的(c)所示的监视推荐度直到车辆由于急制动而停止为止为零，在车辆由于急制动而停止的时刻之后以逐渐增加并达到1的方式变化。这是由于：基于在学习用数据153中包含了表示在车辆的急制动之后数秒程度由监视者开始了对该车辆的监视的监视信息，而构筑了学习模型156。
图8是表示本实施方式中的推荐部15所输出的推荐信息的第二例的说明图。
图8所示的推荐信息是车辆大致匀速行驶的10秒钟的车辆信息，是输出监视推荐度作为推荐信息的例子。在图8的(a)～(c)中，纵轴及横轴的表现与图5的(a)同样。
图8的(a)是表示该10秒钟的速度数据的曲线图。在图8的(a)中，示出从该期间的最初直到最后车辆以大致匀速行驶。
图8的(b)是表示该10秒钟的加速度数据的曲线图。在图8的(b)中，示出从该期间的最初直到最后加速度大致为零。
图8的(c)是通过将图8的(a)及(b)所示的速度数据及加速度数据作为输入数据向学习模型156输入从而输出的监视推荐度的一例。图8的(c)所示的监视推荐度从该期间的最初直到最后维持为零。这是由于：基于在学习用数据153中包含了表示在从期间的最初直到最后车辆匀速行驶的情况下监视者没有对该车辆进行监视的监视信息，构筑了学习模型156。
接下来，说明显示装置30所显示的提示信息的两个例子。
图9是表示本实施方式中的提示信息的第一例的说明图。图9示出提示监视推荐度作为提示信息的例子。
如图9所示，显示装置30所显示的图像32包含表示按每个车辆M1等建立了对应的监视推荐度的图像33。图像33中的监视推荐度相当于将图7或者图8中的监视推荐度以百分比显示。例如，示出了车辆M1的监视推荐度是80％，车辆M2的监视推荐度是0％。
另外，图像32包含用于开始车辆M1等各自的监视的按钮的图像34。
监视者对图像32进行视觉辨认，选择设为监视对象的车辆，对与选择的车辆对应的按钮的图像34进行操作。该操作由输入装置20受理，表示该操作的操作信息由接收部16接收。
图10是表示本实施方式中的提示信息的第二例的说明图。图10示出提示监视优先级作为提示信息的例子。
如图10所示，显示装置30所显示的图像36包含表示每个车辆M1等的监视优先级的图像37。监视优先级是基于图7或者图8中的监视推荐度计算的表示应优先对该车辆进行监视的程度的信息。监视优先级例如以A(高)、B(中程度)及C(低)这3阶段表示。例如，示出了车辆M1的监视优先级是A，车辆M2的监视优先级是B。
另外，图像36与图9同样包含按钮的图像34。
监视者对图像36进行视觉辨认，选择设为监视对象的车辆，对与选择的车辆对应的按钮的图像34进行操作。该操作由输入装置20受理，表示该操作的操作信息由接收部16接收。
此外，在不存在监视优先级比阈值高的车辆的情况下，也可以提示表示无需监视的提示信息。例如，可以提示表示不存在监视对象的信息、促使监视作业的休息的信息、或者促使进行与监视作业不同的作业的信息等。
另外，也可以记录不存在监视优先级比阈值高的车辆的时间即无需监视的时间，并提示无需监视的时间的统计信息。例如，可以提示无需监视的时间的平均值、中央值或者众数值、或者在日、星期或者月等特定期间中的分布等统计信息。
另外，也可以根据无需监视的时间的统计信息，提示休息等离开监视作业的期间的提案。例如，可以提示在一日之中无需监视的时间在统计上长的时间段中促使休息的信息。
以下说明如上构成的监视***1所进行的处理。
图11是表示本实施方式中的监视***1的处理的第一时序图。图11所示的时序图是表示服务器装置10构筑用于基于监视者的判断来决定监视对象等的学习模型156时的处理的流程的图。此外，在图11中，作为车辆M1等的代表而图示了车辆M1，但关于其他车辆M2～MN也进行同样的处理。
如图11所示，在步骤S101中，服务器装置10的运行管理部14基于运行数据库13中存放的车辆M1的运行计划，设定车辆M1的移动路径。然后，运行管理部14将包含所设定的移动路径的指示信息向车辆M1发送。此外，运行管理部14关于其他车辆M2～MN也同样设定移动路径并发送指示信息。
在步骤S121中，车辆M1接收在步骤S101中由运行管理部14发送的指示信息。然后，车辆M1基于接收的指示信息，依照运行管理部14所设定的移动路径进行行驶。
在步骤S122中，车辆M1取得车辆信息(即传感数据及图像数据)。
在步骤S123中，车辆M1将在步骤S122中取得的车辆信息向服务器装置10发送。此外，车辆M1在步骤S123之后也取得车辆信息，并向服务器装置10发送。
此外，步骤S121～S123的处理在其他车辆M2～MN也同样进行。
在步骤S102中，服务器装置10的通信部11接收在步骤S123中由车辆M1等发送的车辆信息。通信部11将接收的车辆信息向车辆管理部12提供。
在步骤S103中，影像管理部18生成包含步骤S102中接收的车辆M1等各自的车辆信息的提示信息。
在步骤S104中，影像管理部18将在步骤S103中生成的车辆M1等各自的提示信息向显示装置30发送。
在步骤S131中，显示装置30显示在步骤S104中由影像管理部18发送的车辆M1等各自的提示信息、也就是说全车辆量的提示信息。显示的提示信息由监视者视觉辨认。
在步骤S141中，输入装置20受理监视者用于切换监视对象的操作。该操作可以是基于如下判断的操作：监视者对步骤S131中显示装置30所显示的提示信息进行视觉辨认，并且监视者探讨了将哪个车辆设为监视对象之后进行的判断。然后，输入装置20将表示所受理的操作的内容的操作信息向服务器装置10发送。操作信息包含表示监视者将车辆M1等之中的哪个车辆切换为监视对象的信息。此外，在由监视者没有进行操作的情况下，既可以将表示没有操作的操作信息向服务器装置10发送，也可以不发送操作信息。
在步骤S105中，服务器装置10的运行管理部14判断在步骤S102中接收的车辆信息中包含的位置信息是否适合于运行计划，生成表示该判断的结果的运行信息。
在步骤S106中，服务器装置10的接收部16接收输入装置20在步骤S141发送的操作信息。
在步骤S107中，监视控制部17基于在步骤S106中接收的操作信息决定监视对象，生成表示监视对象的监视信息。
在步骤S108中，影像管理部18基于在步骤S107中由监视控制部17生成的监视信息，生成包含与监视对象的车辆相关的信息的提示信息。
在步骤S109中，影像管理部18将在步骤S108中生成的提示信息向显示装置30发送。
在步骤S132中，显示装置30接收在步骤S109中发送的提示信息，显示监视对象的车辆的车辆信息。
在步骤S110中，推荐部15取得学习用数据153并进行积蓄。具体而言，推荐部15从车辆管理部12取得车辆信息，从运行管理部14取得运行信息，另外，从监视控制部17取得监视信息。推荐部15针对所取得的各种信息由处理部151实施处理。然后，推荐部15将取得的各种信息、以及针对该各种信息由处理部151实施处理后的数据，作为学习用数据153存放在数据存放部152中。
在步骤S111中，推荐部15构筑学习模型156。具体而言，推荐部15由学习部154读出学习用数据153，通过机器学习构筑学习模型156。构筑的学习模型156被提供并保持于生成部155。
图12是表示本实施方式中的监视***1的处理的第二时序图。图12所示的时序图是表示使用被构筑的学习模型156来决定推荐的监视对象的处理的流程的图。此外，在图12中，作为车辆M1等的代表而图示了车辆M1，但关于其他车辆M2～MN也进行同样的处理。
如图12所示，在步骤S201中，服务器装置10的运行管理部14设定车辆M1的移动路径，将包含所设定的移动路径的指示信息向车辆M1发送。步骤S201的处理与图11的步骤S101的处理相同。
在步骤S221～S223中，车辆M1基于在步骤S201中由运行管理部14发送的指示信息进行行驶，将车辆信息向服务器装置10发送。步骤S221～S223的处理与图11的步骤S121～S123相同。
在步骤S202中，服务器装置10的通信部11接收在步骤S223中由车辆M1等发送的车辆信息。通信部11将接收的车辆信息向车辆管理部12提供。
在步骤S203中，服务器装置10的运行管理部14判断在步骤S202中接收的车辆信息中包含的位置信息是否适合于运行计划，生成表示该判断的结果的运行信息。
在步骤S204中，推荐部15的生成部155使用学习模型156取得监视的推荐信息。具体而言，生成部155从车辆管理部12取得在步骤S202中由通信部11接收的车辆信息，并取得在步骤S203中由运行管理部14生成的运行信息。然后，生成部155取得作为将取得的车辆信息及运行信息作为输入数据向学习模型156输入的结果而输出的推荐信息，将取得的推荐信息向监视控制部17提供。
在步骤S205中，监视控制部17决定监视者的监视对象，生成能够确定监视对象的监视信息。监视控制部17在决定监视对象时，基于在步骤S204中由推荐部15提供的推荐信息、以及由接收部16接收的操作信息，来决定监视对象。监视控制部17将生成的监视信息向影像管理部18提供。
在步骤S206中，影像管理部18基于在步骤S205中从监视控制部17提供的监视信息，生成用于向监视者提示的提示信息。
在步骤S207中，影像管理部18将在步骤S206中生成的提示信息向显示装置30发送。
在步骤S231中，显示装置30接收在步骤S207中由监视控制部17发送的提示信息，基于提示信息，显示与监视对象的车辆相关的信息。
图13是表示本实施方式中的监视控制部17的处理的流程图。图13所示的处理详细表示图12所示的步骤S205中执行的处理。
在步骤S301中，监视控制部17判定接收部16是否从输入装置20接收了操作信息。在判定为接收了操作信息的情况下(步骤S301：是)前进到步骤S302，否则(步骤S301：否)再次执行步骤S301。也就是说，监视控制部17在步骤S301中成为等待状态直到接收操作信息。
在步骤S302中，监视控制部17基于由接收部16接收的操作信息，取得由监视者进行的操作的内容。
在步骤S303中，监视控制部17判定是否进行了用于切换监视对象的操作。在判定为进行了上述操作的情况下(步骤S303：是)前进到步骤S321，在判定为没有进行上述操作的情况下(步骤S303：否)前进到步骤S304。
在步骤S304中，监视控制部17判定当前时刻的动作模式是否为自动更新模式。在自动更新模式的情况下(步骤S304：是)前进到步骤S305，否则(步骤S304：否)前进到步骤S311。
在步骤S305中，监视控制部17取得在步骤S204中由推荐部15的生成部155提供的推荐信息。
在步骤S306中，监视控制部17将由推荐信息推荐的车辆决定为监视对象车辆。
在步骤S311中，监视控制部17决定维持当前时刻的监视对象的车辆。
在步骤S321中，监视控制部17决定将由监视者进行的切换操作的切换目的地的车辆设为监视对象车辆。
在步骤S307中，监视控制部17基于步骤S306、S311或者S321的决定，生成表示监视对象的监视信息。如果结束了步骤S307的处理则结束图13所示的一系列处理。在步骤S307中生成的监视信息被向影像管理部18提供并用于步骤S206的处理。
此外，学习部154也可以使用在上述步骤S301中接收的操作信息来更新学习模型156。即，学习部154将在上述步骤S301中接收的操作信息作为在步骤S106(参照图11)中接收的信息，执行步骤S107～S111的处理，从而学习部154能够构筑学习模型156，由此更新学习模型156。
此外，上述说明了推荐部15推荐成为监视对象的车辆的情况，但推荐部15也可以按照还包含如何对该车辆进行监视地进行推荐。“如何对该车辆进行监视”，例如包含对车辆以何种程度的速度行驶进行监视，从车辆观察对哪个方向进行监视等。在该情况下，在推荐信息中，不仅包含用于确定车辆的信息，还包含用于确定如何对车辆进行监视的信息。另外，在监视信息还包含用于确定车辆的监视方法的信息的情况下，将通信部11从该车辆接收的图像数据及传感数据之中的与监视方法相应的数据包含在提示信息中，并向监视者提示。更具体而言，作为车辆的监视方法，在推荐从车辆观察对哪个方向进行监视的情况下，将车辆所具备的1个以上的相机之中的作为监视对象的方向的相机所取得的图像包含在提示信息中。
此外，在第1监视结果包含第1监视者的信息，且学习模型156是通过使用了第1监视者的信息的机器学习而得到的模型的情况下，推荐内容也可以通过向学习模型156还输入第2监视者的信息而被决定。
另外，在第1监视者的信息包含了第1监视者的识别信息、作业履历信息及属性信息中的至少1个的情况下，第2监视者的信息也可以包含第2监视者的识别信息、作业履历信息及属性信息中的至少1个。
另外，在第1监视者的信息包含了与第1监视者用于监视的终端相关的终端信息的情况下，第2监视者的信息也可以包含与第2监视者用于监视的终端相关的终端信息。
(实施方式的变形例)
在本变形例中，关于能够减轻监视者的监视负担的信息处理方法等，说明与上述实施方式不同的构成。
图14是表示本变形例中的信息处理***10A的构成的框图。本变形例中的信息处理***10A中包含的下述的构成能够通过使用计算机，更具体而言通过由处理器使用存储器执行规定的程序来进行。
如图14所示，信息处理***10A具备取得部51、决定部52和输出部53。
取得部51取得比第1时刻靠后的第2时刻的与车辆及车辆周边的至少一方的状况相关的第2状况信息。取得部51相当于生成部155之中的取得状况信息的功能。
决定部52向通过使用了与车辆及车辆周边的至少一方的状况相关的第1状况信息以及作为第1监视者基于第1状况信息进行的监视的结果的第1监视结果的机器学习而得到的学习模型，输入第2状况信息，从而决定与向第2监视者推荐的车辆的监视相关的推荐内容。决定部52相当于生成部155之中的决定推荐信息的功能。
输出部53根据被决定的推荐内容生成用于监视车辆的提示信息，并使提示信息被输出至提示装置。输出部53相当于影像管理部18。
由此，信息处理***10A能够减轻监视者的监视负担。
图15是表示本变形例中的信息处理方法的流程图。本变形例中的信息处理方法中包含的下述的处理能够使用计算机进行。
如图15所示，在步骤S501中，取得比第1时刻靠后的第2时刻的与车辆及车辆周边的至少一方的状况相关的第2状况信息。
在步骤S502中，向通过使用了第1时刻的与车辆及车辆周边的至少一方的状况相关的第1状况信息以及作为第1监视者基于第1状况信息进行的监视的结果的第1监视结果的机器学习而得到的学习模型，输入第2状况信息，从而决定与向第2监视者推荐的车辆的监视相关的推荐内容。
在步骤S503中，根据决定的推荐内容，生成用于监视车辆的提示信息。
在步骤S504中，使提示信息被输出至提示装置。
由此，能够减轻监视者的监视负担。
如上所述，在本实施方式及变形例所涉及的信息处理方法中，使用通过使用了在第1时刻的状况下监视者关于监视进行判断的结果的机器学习构筑的学习模型，输出在第2时刻的状况下推荐的与监视相关的信息。也就是说，反映了监视者对过去的监视判断来输出其后推荐的与监视相关的信息。因此，监视者不常时监视车辆就能够通过参照被推荐的与监视相关的信息来判断监视作业。因此，能够减轻监视者的监视负担。另外，通过减轻监视负担，能够以比***作车辆的台数少的人数监视***作车辆。
另外，学习模型是神经网络型，因此即使状况信息与监视结果的关系复杂，也易于生成学习模型。
另外，基于表示作为第1时刻的监视对象的车辆的信息，构筑学习模型。因此，通过对被选择为监视对象的车辆的特征进行学习，能够提高关于车辆的特征由学习模型输出的推荐内容的准确性(换言之合适程度)。因此，能够提高监视者的监视负担的减轻效果。
另外，基于用于确定由监视者针对作为第1时刻的监视对象的车辆进行的操作的信息，构筑学习模型。因此，通过对针对被选择为监视对象的车辆的操作进行学习，能够提高关于被进行的操作由学习模型输出的推荐内容的准确性。因此，能够提高监视者的监视负担的减轻效果。
另外，基于用于确定与第1时刻的监视相关的时间或者时刻的信息，构筑学习模型。因此，通过对被选择为监视对象的车辆的监视所耗费的时间进行学习，能够提高关于监视所耗费的时间由学习模型输出的推荐内容的准确性。因此，能够提高监视者的监视负担的减轻效果。
另外，基于用于确定在被设为第1时刻的监视对象之后不被设为监视对象的状态所持续的时间的信息，构筑学习模型。因此，通过对不被监视的车辆及时间进行学习，能够提高关于不被监视的车辆及时间由学习模型输出的推荐内容的准确性。因此，能够提高监视者的监视负担的减轻效果。
另外，基于表示从第1时刻的状况被提示开始直到监视者确定所监视的车辆为止即直到监视开始为止的时间的信息，构筑学习模型。因此，能够提高关于与监视开始相关的时间由学习模型输出的推荐内容的准确性。
另外，不仅基于监视结果而且也基于第1时刻的监视者的信息，构筑学习模型。因此，能够进一步提高推荐内容的准确性。
另外，基于第1监视者的经验或者特性，构筑学习模型。因此，能够决定与第2监视者的经验或者特性相应的推荐内容。因此，能够进一步提高推荐内容的准确性。
另外，基于第1监视者所操作的终端的状态或者特性，构筑学习模型。因此，能够决定与第2监视者所操作的终端的状态或者特性相应的推荐内容。因此，能够进一步提高推荐内容的准确性。
另外，使用第2时刻的监视的结果更新学习模型。由此，能够持续地改进学习模型，能够实现可持续的监视***。
另外，优先使用基于第1时刻的监视者的作业履历确定的监视者的监视结果来更新学习模型。因此，通过使用作为模范的监视者的监视结果来更新学习模型，能够实现学习模型的有效更新。
另外，在提示装置中提示被推荐为监视对象的车辆，作为与第2时刻的被推荐的车辆的监视相关的信息。由此，监视者能够直接把握第2时刻的被推荐为监视对象的车辆。
另外，在提示装置中提示1个以上的车辆及其监视推荐度，作为与第2时刻的被推荐的车辆的监视相关的信息。由此，监视者能够从被提示的1个以上的车辆之中容易地把握第2时刻的应设为监视对象的车辆。
另外，在提示装置中提示表示监视的方向的信息，作为与第2时刻的被推荐的车辆的监视相关的信息。由此，监视者能够容易地把握第2时刻的应监视的方向。
另外，在提示装置中提示表示监视的点的信息，作为与第2时刻的被推荐的车辆的监视相关的信息。由此，监视者在第2时刻不根据状况判断就能够把握应监视的点。或者，能够向应监视的点的判断提供支持。
此外，在上述实施方式中，各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。各结构要素也可以通过CPU或处理器等程序执行部读出并执行在硬盘或半导体存储器等记录介质中记录的软件程序来实现。在此，用于实现上述实施方式的信息处理方法等的软件是如下程序。
即，该程序使计算机执行如下信息处理方法：使用计算机，取得比第1时刻靠后的第2时刻的与车辆及车辆周边的至少一方的状况相关的第2状况信息，向通过使用了所述第1时刻的与车辆及车辆周边的至少一方的状况相关的第1状况信息以及作为由第1监视者基于所述第1状况信息进行监视的结果的第1监视结果的机器学习而得到的学习模型，输入所述第2状况信息，从而决定与向第2监视者推荐的车辆的监视相关的推荐内容，根据决定的所述推荐内容生成用于所述车辆的监视的提示信息，使所述提示信息被输出至提示装置。
以上，关于一个或者多个方式所涉及的信息处理方法等，基于实施方式进行了说明，但本发明不限定于该实施方式。只要不脱离本发明的主旨，对本实施方式实施了本领域技术人员想到的各种变形而得到的方式、组合了不同实施方式中的构成要素而构筑的方式，也都包含在一个或者多个方式的范围内。
工业实用性
本发明能够利用于能够减轻监视者的监视负担的信息处理方法。
附图标记说明：
1 监视***
10 服务器装置
10A 信息处理***
11 通信部
12 车辆管理部
13 运行数据库
14 运行管理部
15 推荐部
16 接收部
17 监视控制部
18 影像管理部
20 输入装置
30、31 显示装置
32、33、34、36、37 图像
51 取得部
52 决定部
53 输出部
151 处理部
152 数据存放部
153 学习用数据
154 学习部
155 生成部
156 学习模型
M1、M2、……、MN 车辆
N 网络
权利要求书(按照条约第19条的修改)
1.(修改后)一种信息处理方法，
使用计算机，
取得比第1时刻靠后的第2时刻的与车辆及车辆周边的至少一方的状况相关的第2状况信息，
向通过机器学习而得到的学习模型输入所述第2状况信息，从而决定与多个车辆之中的向第2监视者推荐的车辆的监视相关的推荐内容，第1监视者及所述第2监视者对车辆从外部进行监视，所述机器学习使用了所述第1时刻的与车辆及车辆周边的至少一方的状况相关的第1状况信息、以及作为由所述第1监视者基于所述第1状况信息进行监视的结果的第1监视结果，
根据决定的所述推荐内容，生成用于所述车辆的监视的提示信息，
使所述提示信息被输出至提示装置。
2.如权利要求1所述的信息处理方法，
所述学习模型是通过将所述第1状况信息作为输入数据且将所述第1监视结果作为教师数据的机器学习而得到的神经网络型的学习模型。
3.如权利要求1或者2所述的信息处理方法，
所述第1监视结果包含表示作为所述第1监视者的监视对象的车辆的信息。
4.如权利要求1～3中任一项所述的信息处理方法，
所述第1监视结果包含用于确定由所述第1监视者针对作为所述第1监视者的监视对象的车辆进行的操作的信息。
5.如权利要求1～4中任一项所述的信息处理方法，
所述第1监视结果包含用于确定与所述第1监视者的监视相关的时间及时刻中的至少一方的信息。
6.如权利要求1～5中任一项所述的信息处理方法，
所述第1监视结果包含用于确定在由所述第1监视者设为监视对象之后不被设为监视对象的状态所持续的时间的信息。
7.如权利要求1～6中任一项所述的信息处理方法，
所述第1监视结果包含用于确定从所述第1状况信息被提示开始直到所述第1监视者确定所监视的车辆为止的时间的信息。
8.如权利要求1～7中任一项所述的信息处理方法，
所述第1监视结果还包含所述第1监视者的信息，
所述学习模型通过还使用了所述第1监视者的信息的机器学习而得到，
所述推荐内容通过向所述学习模型还输入所述第2监视者的信息而被决定。
9.如权利要求8所述的信息处理方法，
所述第1监视者的信息包含所述第1监视者的识别信息、作业履历信息及属性信息中的至少1个，
所述第2监视者的信息包含所述第2监视者的识别信息、作业履历信息及属性信息中的至少1个。
10.如权利要求8或者9所述的信息处理方法，
所述第1监视者的信息包含与所述第1监视者用于监视的终端相关的终端信息，
所述第2监视者的信息包含与所述第2监视者用于监视的终端相关的终端信息。
11.如权利要求1～10中任一项所述的信息处理方法，
还取得作为由所述第2监视者进行监视的结果的第2监视结果，
通过将所述第2状况信息作为输入数据且将所述第2监视结果作为教师数据的机器学习，更新所述学习模型。
12.如权利要求11所述的信息处理方法，
在更新所述学习模型时，
优先使用与根据所述第1监视者的作业履历信息确定的所述第2监视者对应的所述第2状况信息及所述第2监视结果来更新所述学习模型。
13.如权利要求1～12中任一项所述的信息处理方法，
所述推荐内容包含被推荐为监视对象的车辆，
所述提示信息包含表示所述推荐内容中包含的被推荐为所述监视对象的车辆的信息。
14.如权利要求1～13中任一项所述的信息处理方法，
所述推荐内容包含可能成为监视对象的1个以上的车辆及所述1个以上的车辆各自的监视推荐度，
所述提示信息包含表示所述推荐内容中包含的所述1个以上的车辆各自的监视推荐度的信息。
15.如权利要求1～14中任一项所述的信息处理方法，
所述推荐内容包含从被推荐为监视对象的车辆观察的监视的方向，
所述提示信息包含从被推荐为所述监视对象的车辆对所述推荐内容中包含的所述监视的方向进行摄影而得到的图像。
16.如权利要求1～15中任一项所述的信息处理方法，
所述推荐内容包含向所述第2监视者推荐的监视的点，
所述提示信息包含表示所述推荐内容中包含的所述监视的点的信息。
17.(修改后)一种信息处理***，具备：
取得部，取得比第1时刻靠后的第2时刻的与车辆及车辆周边的至少一方的状况相关的第2状况信息；
决定部，向通过机器学习而得到的学习模型输入所述第2状况信息，从而决定与多个车辆之中的向第2监视者推荐的车辆的监视相关的推荐内容，所述机器学习使用了所述第1时刻的与车辆及车辆周边的至少一方的状况相关的第1状况信息、以及作为由第1监视者基于所述第1状况信息进行监视的结果的第1监视结果；以及
输出部，根据决定的所述推荐内容生成用于所述车辆的监视的提示信息，使所述提示信息被输出至提示装置，
所述第1监视者及所述第2监视者对车辆从外部进行监视。

Claims (17)

1.一种信息处理方法，
使用计算机，
取得比第1时刻靠后的第2时刻的与车辆及车辆周边的至少一方的状况相关的第2状况信息，
向通过机器学习而得到的学习模型输入所述第2状况信息，从而决定与向第2监视者推荐的车辆的监视相关的推荐内容，所述机器学习使用了所述第1时刻的与车辆及车辆周边的至少一方的状况相关的第1状况信息、以及作为由第1监视者基于所述第1状况信息进行监视的结果的第1监视结果，
根据决定的所述推荐内容，生成用于所述车辆的监视的提示信息，
使所述提示信息被输出至提示装置。
2.如权利要求1所述的信息处理方法，
所述学习模型是通过将所述第1状况信息作为输入数据且将所述第1监视结果作为教师数据的机器学习而得到的神经网络型的学习模型。
3.如权利要求1或者2所述的信息处理方法，
所述第1监视结果包含表示作为所述第1监视者的监视对象的车辆的信息。
4.如权利要求1～3中任一项所述的信息处理方法，
所述第1监视结果包含用于确定由所述第1监视者针对作为所述第1监视者的监视对象的车辆进行的操作的信息。
5.如权利要求1～4中任一项所述的信息处理方法，
所述第1监视结果包含用于确定与所述第1监视者的监视相关的时间及时刻中的至少一方的信息。
6.如权利要求1～5中任一项所述的信息处理方法，
所述第1监视结果包含用于确定在由所述第1监视者设为监视对象之后不被设为监视对象的状态所持续的时间的信息。
7.如权利要求1～6中任一项所述的信息处理方法，
所述第1监视结果包含用于确定从所述第1状况信息被提示开始直到所述第1监视者确定所监视的车辆为止的时间的信息。
8.如权利要求1～7中任一项所述的信息处理方法，
所述第1监视结果还包含所述第1监视者的信息，
所述学习模型通过还使用了所述第1监视者的信息的机器学习而得到，
所述推荐内容通过向所述学习模型还输入所述第2监视者的信息而被决定。
9.如权利要求8所述的信息处理方法，
所述第1监视者的信息包含所述第1监视者的识别信息、作业履历信息及属性信息中的至少1个，
所述第2监视者的信息包含所述第2监视者的识别信息、作业履历信息及属性信息中的至少1个。
10.如权利要求8或者9所述的信息处理方法，
所述第1监视者的信息包含与所述第1监视者用于监视的终端相关的终端信息，
所述第2监视者的信息包含与所述第2监视者用于监视的终端相关的终端信息。
11.如权利要求1～10中任一项所述的信息处理方法，
还取得作为由所述第2监视者进行监视的结果的第2监视结果，
通过将所述第2状况信息作为输入数据且将所述第2监视结果作为教师数据的机器学习，更新所述学习模型。
12.如权利要求11所述的信息处理方法，
在更新所述学习模型时，
优先使用与根据所述第1监视者的作业履历信息确定的所述第2监视者对应的所述第2状况信息及所述第2监视结果来更新所述学习模型。
13.如权利要求1～12中任一项所述的信息处理方法，
所述推荐内容包含被推荐为监视对象的车辆，
所述提示信息包含表示所述推荐内容中包含的被推荐为所述监视对象的车辆的信息。
14.如权利要求1～13中任一项所述的信息处理方法，
所述推荐内容包含可能成为监视对象的1个以上的车辆及所述1个以上的车辆各自的监视推荐度，
所述提示信息包含表示所述推荐内容中包含的所述1个以上的车辆各自的监视推荐度的信息。
15.如权利要求1～14中任一项所述的信息处理方法，
所述推荐内容包含从被推荐为监视对象的车辆观察的监视的方向，
所述提示信息包含从被推荐为所述监视对象的车辆对所述推荐内容中包含的所述监视的方向进行摄影而得到的图像。
16.如权利要求1～15中任一项所述的信息处理方法，
所述推荐内容包含向所述第2监视者推荐的监视的点，
所述提示信息包含表示所述推荐内容中包含的所述监视的点的信息。
17.一种信息处理***，具备：
取得部，取得比第1时刻靠后的第2时刻的与车辆及车辆周边的至少一方的状况相关的第2状况信息；
决定部，向通过机器学习而得到的学习模型输入所述第2状况信息，从而决定与向第2监视者推荐的车辆的监视相关的推荐内容，所述机器学习使用了所述第1时刻的与车辆及车辆周边的至少一方的状况相关的第1状况信息、以及作为由第1监视者基于所述第1状况信息进行监视的结果的第1监视结果；以及
输出部，根据决定的所述推荐内容生成用于所述车辆的监视的提示信息，使所述提示信息被输出至提示装置。
CN201980005907.8A 2018-10-05 2019-07-09 信息处理方法及信息处理*** Pending CN111386561A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
JP2018189806 2018-10-05
JP2018-189806 2018-10-05
JP2019-098762 2019-05-27
JP2019098762A JP7330758B2 (ja) 2018-10-05 2019-05-27 情報処理方法、及び、情報処理システム
PCT/JP2019/027125 WO2020070941A1 (ja) 2018-10-05 2019-07-09 情報処理方法、及び、情報処理システム

Publications (1)

Publication Number Publication Date
CN111386561A true CN111386561A (zh) 2020-07-07

Family

ID=70220061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980005907.8A Pending CN111386561A (zh) 2018-10-05 2019-07-09 信息处理方法及信息处理***

Country Status (3)

Country Link
US (1) US11847909B2 (zh)
JP (1) JP7330758B2 (zh)
CN (1) CN111386561A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7415822B2 (ja) * 2020-06-29 2024-01-17 トヨタ自動車株式会社 情報処理装置、情報処理システム、プログラム、及び車両

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011215829A (ja) * 2010-03-31 2011-10-27 Hitachi Ltd 監視装置および不審行動検出方法
US20120095619A1 (en) * 2010-05-11 2012-04-19 Irobot Corporation Remote Vehicle Missions and Systems for Supporting Remote Vehicle Missions
CN102724482A (zh) * 2012-06-18 2012-10-10 西安电子科技大学 基于gps和gis的智能视觉传感网络运动目标接力跟踪***
US20140172759A1 (en) * 2012-12-19 2014-06-19 Robert Bosch Gmbh Intelligent electronic monitoring system
CN104463244A (zh) * 2014-12-04 2015-03-25 上海交通大学 基于智能移动终端的异常驾驶行为监测和识别方法及***
CN104802737A (zh) * 2015-03-25 2015-07-29 清华大学 一种基于手机的车辆异常驾驶行为检测方法
CN105868691A (zh) * 2016-03-08 2016-08-17 中国石油大学(华东) 基于快速区域卷积神经网络的城市车辆追踪方法
CN106340205A (zh) * 2016-09-30 2017-01-18 广东中星微电子有限公司 交通监控方法及交通监控装置
US9632502B1 (en) * 2015-11-04 2017-04-25 Zoox, Inc. Machine-learning systems and techniques to optimize teleoperation and/or planner decisions
CN106682644A (zh) * 2017-01-11 2017-05-17 同观科技（深圳）有限公司 一种基于移动摄像设备的双动态车辆监测管理***和方法
CN107292222A (zh) * 2016-04-01 2017-10-24 杭州海康威视数字技术股份有限公司 一种车辆违章检测方法及装置
CN107850895A (zh) * 2015-05-13 2018-03-27 优步技术公司 通过引导协助操作的自动驾驶车辆
WO2018102477A1 (en) * 2016-11-30 2018-06-07 Nissan North America, Inc. Tele-operation of autonomous cars to negotiate problem situations
CN108428340A (zh) * 2018-05-11 2018-08-21 深圳市图灵奇点智能科技有限公司 道路交通状况分析方法和***
US20180284770A1 (en) * 2017-03-31 2018-10-04 Uber Technologies, Inc. Machine-Learning Based Autonomous Vehicle Management System

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3199217B2 (ja) * 1995-10-30 2001-08-13 ダイハツ工業株式会社 自動車用追突防止装置
JP4074571B2 (ja) * 2003-08-29 2008-04-09 三菱電機株式会社 交通流計測装置
US9015093B1 (en) * 2010-10-26 2015-04-21 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
US10175054B2 (en) * 2015-01-11 2019-01-08 Microsoft Technology Licensing, Llc Predicting and utilizing variability of travel times in mapping services
JP6589678B2 (ja) 2016-02-18 2019-10-16 トヨタ自動車株式会社 遠隔操作システム
US10719900B2 (en) * 2016-10-11 2020-07-21 Motorola Solutions, Inc. Methods and apparatus to perform actions in public safety incidents based on actions performed in prior incidents
US11222413B2 (en) * 2016-11-08 2022-01-11 Samsung Electronics Co., Ltd. Method for correcting image by device and device therefor
EP3828049B1 (en) * 2018-03-20 2024-02-07 Mobileye Vision Technologies Ltd. Machine readable storage medium and computing device
US20200023846A1 (en) * 2018-07-23 2020-01-23 SparkCognition, Inc. Artificial intelligence-based systems and methods for vehicle operation
US10869187B1 (en) * 2018-08-07 2020-12-15 State Farm Mutual Automobile Insurance Company System and method for generating consumer mobility profile
JP7253446B2 (ja) * 2018-10-05 2023-04-06 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 情報処理方法、及び、情報処理システム

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011215829A (ja) * 2010-03-31 2011-10-27 Hitachi Ltd 監視装置および不審行動検出方法
US20120095619A1 (en) * 2010-05-11 2012-04-19 Irobot Corporation Remote Vehicle Missions and Systems for Supporting Remote Vehicle Missions
CN102724482A (zh) * 2012-06-18 2012-10-10 西安电子科技大学 基于gps和gis的智能视觉传感网络运动目标接力跟踪***
US20140172759A1 (en) * 2012-12-19 2014-06-19 Robert Bosch Gmbh Intelligent electronic monitoring system
CN104463244A (zh) * 2014-12-04 2015-03-25 上海交通大学 基于智能移动终端的异常驾驶行为监测和识别方法及***
CN104802737A (zh) * 2015-03-25 2015-07-29 清华大学 一种基于手机的车辆异常驾驶行为检测方法
CN107850895A (zh) * 2015-05-13 2018-03-27 优步技术公司 通过引导协助操作的自动驾驶车辆
US9632502B1 (en) * 2015-11-04 2017-04-25 Zoox, Inc. Machine-learning systems and techniques to optimize teleoperation and/or planner decisions
CN105868691A (zh) * 2016-03-08 2016-08-17 中国石油大学(华东) 基于快速区域卷积神经网络的城市车辆追踪方法
CN107292222A (zh) * 2016-04-01 2017-10-24 杭州海康威视数字技术股份有限公司 一种车辆违章检测方法及装置
CN106340205A (zh) * 2016-09-30 2017-01-18 广东中星微电子有限公司 交通监控方法及交通监控装置
WO2018102477A1 (en) * 2016-11-30 2018-06-07 Nissan North America, Inc. Tele-operation of autonomous cars to negotiate problem situations
CN106682644A (zh) * 2017-01-11 2017-05-17 同观科技（深圳）有限公司 一种基于移动摄像设备的双动态车辆监测管理***和方法
US20180284770A1 (en) * 2017-03-31 2018-10-04 Uber Technologies, Inc. Machine-Learning Based Autonomous Vehicle Management System
CN108428340A (zh) * 2018-05-11 2018-08-21 深圳市图灵奇点智能科技有限公司 道路交通状况分析方法和***

Also Published As

Publication number Publication date
US20200365018A1 (en) 2020-11-19
JP7330758B2 (ja) 2023-08-22
US11847909B2 (en) 2023-12-19
JP2020061119A (ja) 2020-04-16

Similar Documents

Publication Publication Date Title
EP3862941B1 (en) Information processing method and information processing system
CN111989725B (zh) 信息处理方法、以及信息处理***
JP6494782B2 (ja) 報知制御装置及び報知制御方法
US11869279B2 (en) Information processing method and information processing system
US20240087371A1 (en) Information processing method and information processing system
CN114013452A (zh) 自动驾驶控制方法、***、可读存储介质及车辆
WO2016030934A1 (ja) 情報処理装置、制御方法、プログラム及び記憶媒体
CN111386561A (zh) 信息处理方法及信息处理***
US11302189B2 (en) Agent cooperation system, agent cooperation method, and non-transitory storage medium
JP2019046371A (ja) 交通標識を認識する車両制御装置及びその方法
CN116153074A (zh) 信息处理方法
EP3862993B1 (en) Information processing method, information processing system
CN114630779A (zh) 信息处理方法、以及信息处理***
JP2020125089A (ja) 車両制御装置
US20240094725A1 (en) Remote assistance system and remote assistance method
US20230406339A1 (en) Device, method, and computer program for proposing autonomous driving
EP4092576A2 (en) Learning device, learning method, and computer program product for training
CN118451017A (zh) 泊车辅助装置和泊车辅助方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination