CN115398509A - 运行辅助方法、运行辅助***和运行辅助服务器 - Google Patents
运行辅助方法、运行辅助***和运行辅助服务器 Download PDFInfo
- Publication number
- CN115398509A CN115398509A CN202180027297.9A CN202180027297A CN115398509A CN 115398509 A CN115398509 A CN 115398509A CN 202180027297 A CN202180027297 A CN 202180027297A CN 115398509 A CN115398509 A CN 115398509A
- Authority
- CN
- China
- Prior art keywords
- data
- accident risk
- biological
- driver
- vehicle
- 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
Links
- 238000000034 method Methods 0.000 title claims description 99
- 238000013058 risk prediction model Methods 0.000 claims abstract description 130
- 210000000467 autonomic pathway Anatomy 0.000 claims description 48
- 230000008569 process Effects 0.000 claims description 37
- 239000000090 biomarker Substances 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 36
- 230000010485 coping Effects 0.000 claims description 29
- 238000010801 machine learning Methods 0.000 claims description 21
- 230000003595 spectral effect Effects 0.000 claims description 19
- 238000010183 spectrum analysis Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 50
- 238000012545 processing Methods 0.000 description 44
- 230000006870 function Effects 0.000 description 31
- 238000004458 analytical method Methods 0.000 description 24
- 238000013480 data collection Methods 0.000 description 20
- 230000001133 acceleration Effects 0.000 description 17
- 230000008512 biological response Effects 0.000 description 13
- 230000004044 response Effects 0.000 description 12
- 206010039203 Road traffic accident Diseases 0.000 description 11
- 230000002567 autonomic effect Effects 0.000 description 11
- 238000005259 measurement Methods 0.000 description 10
- 239000000284 extract Substances 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 8
- 238000013179 statistical model Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 7
- 210000005037 parasympathetic nerve Anatomy 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 230000001747 exhibiting effect Effects 0.000 description 5
- 230000002889 sympathetic effect Effects 0.000 description 5
- 206010041349 Somnolence Diseases 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 210000005036 nerve Anatomy 0.000 description 4
- 230000035790 physiological processes and functions Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000036760 body temperature Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000004397 blinking Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000008035 nerve activity Effects 0.000 description 2
- 230000001734 parasympathetic effect Effects 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 230000004622 sleep time Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 210000004243 sweat Anatomy 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 210000003403 autonomic nervous system Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000008701 parasympathetic activation Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008700 sympathetic activation Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
- B60W2050/143—Alarm means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
- B60W2050/146—Display means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2540/00—Input parameters relating to occupants
- B60W2540/221—Physiology, e.g. weight, heartbeat, health or special needs
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/10—Historical data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
- B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Cardiology (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Human Computer Interaction (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Traffic Control Systems (AREA)
Abstract
计算机将过去收集到的第一车载传感器数据和从第一车载传感器数据预先设定了发生了危险的信息的危险发生数据作为输入,生成用于推算危险发生的概率作为事故风险的事故风险定义模型,将过去收集到的第二车载传感器数据输入至上述事故风险定义模型,推算危险发生的概率来生成事故风险推算数据,将与第二车载传感器数据对应的第一生物指标数据和事故风险推算数据作为输入,生成用于预测规定时间后的事故风险的事故风险预测模型,获取正在驾驶车辆的驾驶员的第二生物传感器数据,从第二生物传感器数据计算第二生物指标数据,将第二生物指标数据输入至事故风险预测模型,来预测规定时间后的事故风险。
Description
本申请要求令和2年(2020年)6月9日提交的日本申请特愿2020-100060和令和2年(2020年)9月18日提交的日本申请特愿2020-157573的优先权,通过参照其内容而并入本申请。
技术领域
本发明涉及预测交通事故的风险而对交通机构的运行进行辅助的运行辅助方法、运行辅助***和运行辅助服务器。
背景技术
近年来,物流卡车和长途公交车等中,因驾驶员的健康状态和疲劳而发生交通事故正在成为社会问题。为了预防交通事故,对正在驾驶的驾驶员的状态进行监视的生物传感器和实时计测车间距离与速度等车辆的驾驶状态的技术的应用正在进展。
作为对车辆的驾驶操作进行辅助的技术,已知专利文献1、2。专利文献1中,公开了对在驾驶状况数据与驾驶操作数据之间的因果关系之外、也包括和与驾驶操作和驾驶状况无关的生理状态数据之间的因果关系的表,带有裕度地预测关于急刹车的驾驶操作,高效率地进行准确的驾驶辅助的技术。
专利文献2中,公开了通过将对移动体的外部环境进行传感而识别出的外部环境中包括的行驶环境风险、与根据驾驶员的驾驶操作推算为内部状态的驾驶员的风险认知状态进行比较,而识别与驾驶员的平常的内部状态的偏差的技术。
现有技术文献
专利文献
专利文献1:日本特开2009-245147号公报
专利文献2:日本特开2009-098970号公报
发明内容
发明要解决的课题
但是,上述现有技术中,虽然能够基于驾驶员的生理状态数据、驾驶操作数据和驾驶状况数据预测急刹车的驾驶操作,但这是关注特定的驾驶操作的预测,存在难以预测交通事故等并非频繁发生的事件的问题。
于是,本发明是鉴于上述问题点而得出的,目的在于提供一种能够根据驾驶员的生物数据和行驶状态数据预测交通事故的风险的驾驶辅助方法、驾驶辅助***和驾驶辅助服务器。
用于解决课题的技术方案
本发明是一种由具有处理器和存储器的计算机辅助车辆的运行的运行辅助方法,其包括:第一步骤,将过去收集到的表示车辆的行驶状态的第一车载传感器数据和从所述第一车载传感器数据预先设定了发生了危险的信息的危险发生数据作为输入,通过机器学习来生成用于推算危险发生的概率作为事故风险的事故风险定义模型;第二步骤,将过去收集到的表示车辆的行驶状态的第二车载传感器数据输入至所述事故风险定义模型,推算危险发生的概率来生成事故风险推算数据;第三步骤,将从收集所述第二车载传感器数据时的驾驶员的生物数据预先计算出的第一生物指标数据和所述事故风险推算数据作为输入,通过机器学习来生成用于预测规定时间后的事故风险的事故风险预测模型;第四步骤,获取正在驾驶车辆的驾驶员的生物数据,从所述生物数据计算表示所述驾驶员的状态的第二生物指标数据;和第五步骤,将所述第二生物指标数据输入至所述事故风险预测模型来预测所述规定时间后的事故风险。
发明效果
从而,根据本发明,能够根据驾驶员的生物数据和行驶状态数据,对于交通事故这样的事件,预测规定时间后的发生风险。
本说明书中公开的主题的至少一个实施方式的详情,将在附图和以下叙述中叙述。公开的主题的其他特征、方式、效果将通过以下公开、附图、技术方案说明。
附图说明
图1是表示本发明的实施例1的、表示运行辅助***的结构的一例的框图。
图2是表示本发明的实施例1的、表示运行辅助***中进行的处理的概要的图。
图3是表示本发明的实施例1的、表示运行辅助服务器中进行的事故风险预测模型的生成处理的一例的流程图。
图4是表示本发明的实施例1的、表示运行辅助服务器中进行的生物指标数据的生成处理的一例的流程图。
图5是表示本发明的实施例1的、表示运行辅助服务器中进行的预测处理的一例的流程图。
图6是表示本发明的实施例1的、表示运行辅助服务器中进行的警报生成处理的一例的流程图。
图7A是表示本发明的实施例1的、表示运行辅助服务器中进行的生物指标的计算处理的一例的流程图。
图7B是表示本发明的实施例1的、表示心跳数据的一例的曲线图。
图7C是表示本发明的实施例1的、表示心跳变动的一例的曲线图。
图7D是表示本发明的实施例1的、表示心跳变动的谱功率密度的一例的曲线图。
图7E是表示本发明的实施例1的、表示自主神经NNXX的一例的曲线图。
图8是表示本发明的实施例1的、表示生物指标数据的一例的图。
图9是表示本发明的实施例1的、表示业务数据的一例的图。
图10是表示本发明的实施例1的、表示环境数据的一例的图。
图11是表示本发明的实施例1的、表示车载传感器数据的一例的图。
图12是表示本发明的实施例1的、表示危险发生数据的一例的图。
图13是表示本发明的实施例1的、表示事故风险推算数据的一例的图。
图14是表示本发明的实施例1的、表示警报定义数据的一例的图。
图15是表示本发明的实施例1的、表示事故风险预测数据的一例的图。
图16A是表示本发明的实施例1的、表示预测结果显示画面的一例的图。
图16B是表示本发明的实施例1的、表示预测结果通知画面的一例的图。
图17是表示本发明的实施例2的、表示运行辅助***的结构的一例的框图。
图18是表示本发明的实施例3的、表示运行辅助***的结构的一例的框图。
图19是表示本发明的实施例3的、表示运行辅助***中进行的处理的概要的图。
图20是表示本发明的实施例3的、表示运行辅助服务器中进行的事故风险预测模型的生成处理的一例的流程图。
图21是表示本发明的实施例4的、表示运行辅助服务器中进行的生物状态推算模型的生成处理的一例的流程图。
图22是表示本发明的实施例3的、表示运行辅助服务器中进行的生物数据的计算处理的一例的流程图。
图23是表示本发明的实施例3的、表示运行辅助服务器中进行的使用心跳数据进行的生物数据的计算处理的一例的流程图。
图24是表示本发明的实施例3的、表示运行辅助服务器中进行的危险预测处理的一例的流程图。
图25是表示本发明的实施例3的、表示运行辅助服务器中进行的警告呈现处理的一例的流程图。
图26A是表示本发明的实施例3的、表示警告呈现画面的一例的图。
图26B是表示本发明的实施例3的、表示警告呈现画面的其他例子的图。
图27A是表示本发明的实施例3的、表示生物数据的数据结构的一例的图。
图27B是表示本发明的实施例3的、表示业务/环境数据的数据结构的一例的图。
图27C是表示本发明的实施例3的、表示属性信息数据的数据结构的一例的图。
图27D是表示本发明的实施例3的、表示学习信息数据的数据结构的一例的图。
图27E是表示本发明的实施例3的、表示危险发生数据的数据结构的一例的图。
图27F是表示本发明的实施例3的、表示事故风险预测数据的数据结构的一例的图。
图27G是表示本发明的实施例3的、表示本人严重程度数据的数据结构的一例的图。
图27H是表示本发明的实施例3的、表示结合表的数据结构的一例的图。
图27I是表示本发明的实施例3的、表示警报定义数据的数据结构的一例的图。
图27J是表示本发明的实施例3的、表示应对方案数据的数据结构的一例的图。
图28是表示本发明的实施例4的、表示运行辅助***中进行的处理的概要的图。
图29是表示本发明的实施例5的、表示运行辅助***中进行的处理的概要的图。
图30是表示本发明的实施例5的、表示对驾驶员管理者提供的警告目标一览画面的一例的图。
具体实施方式
以下,基于附图说明本发明的实施方式。
实施例1
图1是表示本发明的实施例1的、表示运行辅助***的结构的一例的框图。
本实施例的运行辅助***包括经由网络13对1台以上的车辆7的运行进行辅助的运行辅助服务器1。车辆7包括检测行驶状态的车载传感器8、检测驾驶员的生物数据的生物传感器12、识别驾驶员的驾驶员ID读取装置11、收集检测出的传感器数据和驾驶员ID并发送至运行辅助服务器1的驾驶数据收集装置10、以及从运行辅助服务器1接受与驾驶员的交通事故的风险(以下称为事故风险)相应的通知并对驾驶员通知的预测结果通知装置9。
另外,图示的例子中,示出了使驾驶数据收集装置10和预测结果通知装置9成为独立的装置的例子,但也能够用一个便携终端构成。该情况下,它发挥驾驶数据收集部和预测结果通知部的功能。
作为车载传感器8,能够包括检测车辆7的位置信息的GNSS(Global NavigationSatellite System:全球导航卫星***)81、检测车辆7的动作和速度的加速度传感器82、以及用影像检测行驶环境的摄像机83。
车载传感器8不限定于上述,能够使用检测车辆7的周围的物体和距离的测距传感器和检测驾驶操作的舵角传感器等。另外,加速度传感器82优选是三轴加速度传感器。
生物传感器12包括检测心跳数据的心跳传感器121和检测驾驶员的运动的加速度传感器122。生物传感器12不限定于上述,能够采用检测出汗量、体温、眨眼、眼球运动或脑电波等的传感器。作为生物传感器12,能够使用驾驶员能够佩戴的可穿戴设备,以及方向盘、座椅、安全带等车辆7内部附属的传感设备、以及拍摄驾驶员的表情和动作并分析图像的图像识别***等。
驾驶员ID读取装置11读取记录了驾驶员的识别符的卡。驾驶数据收集装置10按规定周期从车载传感器8和生物传感器12收集数据,经由网络13发送至运行辅助服务器1。
运行辅助服务器1是包括处理器2、存储器3、存储装置4、输入输出装置5和通信装置6的计算机。存储器3将生物指标计算部31、事故风险定义生成部32、事故风险预测模型生成部33、预测模型选择部34、事故风险预测部35、事故风险通知部36和数据收集部37各功能部作为程序载入。各程序被处理器2执行。另外,各功能部的详情在后文中叙述。
处理器2通过按照各功能部的程序执行处理而作为提供规定功能的功能部工作。例如,处理器2通过执行生物指标计算程序而发挥生物指标计算部31的功能。对于其他程序也是同样的。进而,处理器2也作为提供各程序执行的多个处理各自的功能的功能部工作。计算机和计算机***是包括这些功能部的装置和***。
存储装置4保存上述各功能部使用的数据。存储装置4保存车载传感器数据40、生物传感器数据41、业务数据42、事故风险预测模型43、事故风险预测数据44、危险发生数据45、生物指标数据46、环境数据47、事故风险定义模型48、警报定义数据49和事故风险推算数据50。各数据的详情在后文中叙述。
输入输出装置5包括鼠标和键盘或触摸面板等输入装置、以及显示器等输出装置。通信装置6经由网络13与车辆7进行通信。
<运行辅助***的概要>
图2是表示运行辅助***中进行的处理的概要的图。首先,事故风险定义生成部32将预先设定的危险发生数据45和过去收集到的车载传感器数据40-m1作为输入,生成推算危险发生的概率作为事故风险的事故风险定义模型48(S1)。另外,事故风险定义模型48将表示车辆7的行驶状态的车载传感器数据40-m2作为输入推算危险发生的概率。
危险发生数据45是由管理者等根据表示车辆7的行驶状态的时序的车载传感器数据40-m1判断事件和导致事件的现象、并设定发生日期时间和事件的重要度的数据。
例如,车载传感器数据40-m1是加速度传感器82的传感器数据的情况下,检测出急刹车和急转弯等事件或导致事件的行驶状态,由管理者等设定危险发生的重要度,生成危险发生数据45。
另外,示出了随着重要度的值增大而危险性增大的例子。另外,导致事件的行驶状态,表示驾驶员有惊无险(惊吓)的状态。以下说明中,将事件和导致事件的行驶状态视为危险发生。
危险发生数据45的生成中,可以用运行辅助服务器1检测前后加速度超过规定阈值的行驶状态和横摆角速度超过规定阈值的行驶状态(危险发生),由管理者等对于检测出的危险发生的现象设定重要度。
图2所示的车载传感器数据40-m1的时间序列与危险发生数据45的时间序列是同一时间序列。
事故风险定义生成部32将车载传感器数据40-m1和危险发生数据45作为输入,生成根据行驶状态推算事故风险的机器学习的模型作为事故风险定义模型48。
作为机器学习的模型采用神经网络和逻辑回归等周知或公知的方法即可,所以本实施例中并不详述。另外,事故风险是引起事件(或危险发生)的概率(百分率)。另外,本实施例中,将导致交通事故的现象视为事件。
接着,事故风险定义生成部32对生成的事故风险定义模型48输入与上述车载传感器数据40-m1不同时间序列的、过去收集到的车载传感器数据40-m2而使其输出事故风险发生的概率,生成事故风险推算数据50(S2)。
事故风险推算数据50是作为与车载传感器数据40-m2同一时间序列对于车载传感器数据40-m2生成了事件发生的概率(或事故发生的概率)的数据。
接着,生物指标计算部31根据与获取车载传感器数据40-m2时对应的过去的生物传感器数据41(驾驶员的生物数据),计算出驾驶员的生物指标数据46-m。作为生物指标数据46-m,例如能够使用根据驾驶员的心跳数据计算出的功率谱密度(后述)、和基于通过时域分析计算出的NN间隔(R波与R波的间隔)得到的自主神经指标等(后述)。
另外,过去收集到的车载传感器数据40-m1、40-m2和生物指标数据46-m保存在存储装置4的规定区域即可。
接着,事故风险预测模型生成部33将事故风险推算数据50和生物指标数据46-m作为输入,生成根据行驶中的车辆7的生物指标数据46输出规定时间后的事故风险(概率)的机器学习的模型作为事故风险预测模型43(S3)。
另外,对于事故风险预测模型43,也可以与使用的车载传感器数据40的种类和进行预测的环境相应地生成多个模型,用预测模型选择部34选择要使用的模型。
另外,对于事故风险预测模型43,也可以根据与车辆7的驾驶特性的不同相应的种类、驾驶员的驾驶经历、运行前生物数据等生成多种。例如,作为车辆7的驾驶特性的不同,优选像卡车和挂车等这样,对于转弯时和后退时的方向盘操作不同的车辆种类生成不同的模型。另外,作为驾驶员的驾驶经历,可以根据驾驶动作的正确性、危险感觉、驾驶年数、曾驾驶车辆(大型、特殊等)、行驶路线经历等的不同生成模型。另外,作为驾驶员的运行前生物数据,可以根据体温、血压、血氧浓度、前一天的睡眠时间等的不同生成模型。
接着,运行辅助服务器1使用所生成的事故风险预测模型43预测实际行驶中的车辆7的事故风险(S4)。运行辅助服务器1中,存在多个事故风险预测模型43的情况下,预测模型选择部34选择与使用的车载传感器数据40和车辆7的环境数据47等相应的事故风险预测模型43。
事故风险预测部35将数据收集部37经由车辆7接收到的生物传感器12的心跳数据输入至生物指标计算部31而使其计算生物指标数据46。然后,事故风险预测部35将计算出的生物指标数据46输入至事故风险预测模型43,使其预测从现在直到规定时间Δt后的未来的事故风险。另外,事故风险预测部35在事故风险预测模型43输出表示驾驶员的状态的解释数据(后述)的情况下,能够对事故风险的预测值附加解释数据。
然后,事故风险通知部36在规定时间Δt后的事故风险在规定阈值Th以上的情况下,与事故风险的值、解释数据和行驶状态或环境数据相应地生成警报和消息,对于预测事故风险增大的车辆7,发送警报和消息(S5)。
车辆7在从运行辅助服务器1接收警报时,用预测结果通知装置9输出警报,对驾驶员传达警报或消息。另外,事故风险通知部36能够在预测规定时间Δt后事故风险增大的情况下,对运行辅助服务器1的管理者等生成包括该车辆7的位置信息、以及驾驶员的事故风险和业务量等的图像,并显示在输入输出部装置5的显示器上。
运行辅助服务器1预测事故风险在规定时间Δt后达到阈值Th以上,通过对该车辆7的预测结果通知装置9和输入输出装置5的显示器进行通知,能够在事故风险增大之前用警报和消息提醒驾驶员和管理者注意。由此,运行辅助服务器1能够减小实际的事故风险(51),促进各车辆7安全运行。
另外,预测未来的事故风险的规定时间Δt优选设定为30分钟或1小时等值,能够在事故风险增大的时刻以前推荐驾驶员休息或提出建议。
<数据>
接着,对于运行辅助***中使用的各数据进行说明。
图8是表示生物指标数据46的一例的图。生物指标数据46是保存生物指标计算部31根据生物传感器数据41的心跳数据按每个规定期间计算出的数据的表。
生物指标数据46在一条记录中包括用户ID 460、日期时间461、自主神经总功率462、自主神经LF/HF 463、自主神经NN50 465、平均RRI 464。在用户ID 460中,保存驾驶员的识别符。在日期时间461中保存获取生物传感器数据41(心跳数据)的日期时间。
在自主神经总功率462中,如后所述保存心跳数据的R波的间隔(RRI)的功率谱密度的低频(LF:Low Frequency)成分与高频(HF:High Frequency)成分的合计值,作为表示自主神经(交感神经和副交感神经)的均衡的值。
在自主神经LF/HF 463中,保存功率谱密度的低频(LF)成分与高频(HF)成分的比率。其中,低频成分表示交感神经的活动指标,高频成分表示副交感神经的活动指标。在平均RRI 464中,保存预先设定的期间内的R波的间隔(RRI)的平均值。
在自主神经NN50 465中,如后所述保存心跳变动时序数据RRI的差序列ΔRRI(t)中差值在50msec以上的差值的总数,作为表示副交感神经活动的大小的值。
图示的例子示出了按1分钟间隔计算出自主神经总功率462和自主神经LF/HF463、自主神经NN50 465的例子,但不限定于此,只要按适当设定的时间间隔计算出生物指标数据46即可。
图9是表示业务数据42的一例的图。业务数据42是保存管理驾驶员驾驶的车辆7和业务的信息的表,由运行辅助***的负责人和管理者等设定。
业务数据42在一条记录中包括用户ID 420、业务的开始日期时间421、业务的结束日期时间422、保存车辆7的识别符的车辆ID 423和业务种类424。在业务种类424中保存驾驶员的业务内容。
图10是表示环境数据47的一例的图。环境数据47是保存基于车辆7的车载传感器数据40得到的信息的表。环境数据47保存了保存车辆7的识别符的车辆ID 470、生成环境数据47的日期时间471、车辆7行驶在的道路的拥堵状况472、天气473和气温474。
其中,拥堵状况472可以根据车辆7的摄像机83的图像判断,也可以基于GNSS 81计算出的位置信息从网络13上的交通信息服务获取。
图11是表示车载传感器数据40的一例的图。车载传感器数据40是保存数据收集部37从车辆7的车载传感器8按规定周期收集到的信息的表。
车辆传感器数据40在一条记录中包括保存车辆7的识别符的车辆ID 400、从车载传感器8获取数据的日期时间401、保存GNSS 81检测出的位置信息的位置402、车辆7的速度403和加速度传感器82检测出的加速度404。
图12是表示危险发生数据45的一例的图。危险发生数据45如图2所示,是基于车载传感器数据40-m1生成的表。
危险发生数据45在一条记录中包括保存车辆7的识别符的车辆ID450、危险发生的日期时间451、保存发生的危险的种类的危险种类452和发生的危险的重要度453。在危险种类452和重要度453中保存管理者等决定的值。
对于危险发生数据45,根据车载传感器数据40-m1表示的车辆7的行驶状态,由管理者等判断事件或导致事件的状态并设定危险种类452和重要度453。
图13是表示事故风险推算数据50的一例的图。事故风险推算数据50是事故风险定义生成部32对事故风险定义模型48输入车载传感器数据40-m2而使其推算事故风险的表。
事故风险推算数据50在一条记录中包括保存驾驶员的识别符的用户ID 500、保存车辆7的识别符的车辆ID 501、事故风险发生的日期时间502、保存达到事件的概率(百分率)的事故风险503。
事故风险503是对事故风险定义模型48给出车辆7的速度、加速度和位置信息来使其推算事件发生的概率的结果。图示的例子中,示出了按1分钟间隔计算出事故风险503的例子,但不限定于此。
图14是表示警报定义数据49的一例的图。警报定义数据49是预先设定了事故风险通知部36通知的警报或消息的表。
警报定义数据49在一条记录中包括警报ID 490、事故风险条件491、时间条件492、拥堵条件493、天气条件494、优先顺位495和注释496。
警报ID 490保存用于识别警报的识别符。在事故风险条件491中,保存选择该记录的警报的事故风险的条件。例如,在警报ID 490=“1”的记录中,设定了在事故风险的值是70%以下的情况下选择的条件。
时间条件492设定选择该记录的警报的时段。拥堵条件493设定选择该记录的警报的拥堵状况(有无)。天气条件494设定选择该记录的警报的天气。
优先顺位495在提取出满足事故风险条件491的多条记录的情况下,预先设定选择的记录的优先度。注释496保存通知的警报(或消息)的内容。
图15是表示事故风险预测数据44的一例的图。事故风险预测数据44是保存输入了行驶中的车辆7的驾驶员的生物传感器数据41的事故风险预测模型43计算出的事故风险的预测结果的表。
事故风险预测数据44在一条记录中包括用户ID 440、车辆ID 441、获取车载传感器数据40的日期时间442、预测日期时间443和事故风险444。
在预测日期时间443中,保存规定时间Δt后的日期时间。在事故风险444中,保存规定时间Δt后的事故风险的预测值(百分率)。
<处理的详情>
接着,对于运行辅助***中进行的处理进行说明。
图3是表示运行辅助服务器1中进行的事故风险预测模型43的生成处理的一例的流程图。该处理在从车辆7接受车辆传感器8和生物传感器12以前实施,预先生成事故风险预测模型43。
事故风险定义生成部32将预先生成的危险发生数据45和过去收集到的车载传感器数据40(图2的40-m1)作为输入,通过机器学习生成事故风险定义模型48(S11)。
然后,事故风险定义生成部32对生成的事故风险定义模型48输入过去收集到的车载传感器数据40(图2的40-m2),生成事故风险推算数据50(S12)。
接着,事故风险预测模型生成部33获取与过去收集到的车载传感器数据40(图2的40-m2)对应的生物指标数据46-m,根据事故风险推算数据50和生物指标数据46-m通过机器学习生成事故风险预测模型43(S13)。
另外,事故风险预测模型生成部33在进行机器学习时,从业务数据42获取驾驶员的信息,从环境数据47获取车辆7的行驶环境,实施事故风险预测模型43的生成。
通过上述处理,在生成事故风险定义模型48并生成事故风险推算数据50之后,根据过去收集到的生物指标数据46和事故风险推算数据50生成事故风险预测模型43。
图4是表示运行辅助服务器1中进行的生物指标数据46的生成处理的一例的流程图。该处理每当从车辆7接收数据时执行。运行辅助服务器1的数据收集部37从车辆7的驾驶数据收集装置10接收车载传感器8和生物传感器12的数据(S21)。
数据收集部37将心跳传感器121和加速度传感器122检测出的心跳数据、加速度数据保存在生物传感器数据41中(S22)。另外,车载传感器8的数据由数据收集部37保存在车载传感器数据40中。
接着,生物指标计算部31读取生物传感器数据41,如后所述地计算出生物指标(S23)。生物指标计算部31将计算出的生物指标保存在生物指标数据46中(S24)。
图7A是表示生物指标计算部31中进行的生物指标的计算处理的一例的流程图。该处理在图4的步骤S23中执行。
生物指标计算部31从生物传感器数据41获取心跳数据(S51)。获取的心跳数据是从最新的心跳数据起规定期间内的数据。接着,生物指标计算部31根据心跳数据中包括的R波的间隔计算出RRI(RR Interval)(S52)。
图7B是表示生物传感器12检测出的心跳数据的一例的图。生物指标计算部31检测出图中R波的峰与下一个R波的峰的时间间隔作为RRI,计算出规定数量(或规定期间)的RRI作为心跳变动时序数据,进而计算出RRI的平均值作为平均RRI 464。
接着,生物指标计算部31根据计算出的心跳变动时序数据计算出波动。图7C是表示生物指标计算部31计算出的心跳数据的波动(心跳变动)的一例的曲线图。心跳数据的RRI并非固定的,而是因自主神经的活动等而变动。
生物指标计算部31在根据时序的心跳变动数据进行频谱分析之后(S53),计算出功率谱密度(PSD:Power Spectral density)(S54)。功率谱密度的计算应用周知的方法即可。
接着,生物指标计算部31计算出功率谱密度的低频成分的强度LF和高频成分的强度HF。图7D是表示心跳变动的功率谱密度的频域的一例的曲线图。
生物指标计算部31如图7D所示,计算出将功率谱的低频成分的区间(0.05Hz~0.15Hz)的强度(积分值)LF、与高频成分的区间(0.15Hz~0.40Hz)的强度(积分值)HF合计(LF+HF)得到的值作为自主神经总功率462。
另外,生物指标计算部31计算出功率谱的低频成分的强度LF与高频成分的强度HF的比(LF/HF)作为自主神经LF/HF 463。
通过上述处理,根据生物传感器数据41的心跳数据,计算出时序的心跳变动数据,计算出低频成分和高频成分的强度(LF、HF),得到自主神经总功率462和自主神经LF/HF463。
此处,高频成分在副交感神经活性化(紧张)的情况下在心跳变动中出现,低频成分在交感神经活性化(紧张)时和副交感神经活性化(紧张)时都在心跳变动中出现。
已知交感神经活性化的情况是承压状态,副交感神经活性化的情况是放松状态,所以能够根据低频成分的强度LF和高频成分的强度HF,判断驾驶员是处于承压状态还是处于放松状态。
之后,生物指标计算部31计算出通过心跳变动时序数据RRI的时域分析得到的时域指标(S55)。图7E是表示根据心跳变动时序数据RRI的差序列ΔRRI(t)计算出作为时域指标之一的自主神经NNXX的一例的曲线图。
生物指标计算部31如图7E所示,计算对于心跳变动时序数据RRI求出相邻的RRI的差的差序列即ΔRRI(t),根据ΔRRI(t)计算出构成ΔRRI(t)的差值在XXmsec以上的差值的总数即自主神经NNXX。典型而言,如图7E所示,计算出设XX=50的情况下的、构成ΔRRI(t)的差值在50msec以上的差值的总数(=存在于格状网点范围中的差值的总数)即自主神经NN50 465。
此处,已知自主神经NN50 465与高频成分的强度HF类似,是表示副交感神经活动的大小的指标,所以能够根据自主神经NN50 465判断驾驶员的放松状态的大小。
另外,NNXX并不限定于上述定义。例如,也可以代替构成ΔRRI(t)的差值在50msec以上的差值的总数地,计算出构成ΔRRI(t)的差值的绝对值在50msec以上的差值的总数(存在格状网点范围和斜线状网点范围中的差值的总数)即absNN50,也可以计算出对自主神经NN50 465除以ΔRRI(t)中包括的差值的总数而归一化的值(=存在于格状网点范围中的差值的总数÷存在于点状网点范围中的差值的总数)即pNN50。另外,也可以代替构成ΔRRI(t)的差值在50msec以上这一条件地,基于构成ΔRRI(t)的差值超过50msec这一条件计算出自主神经NN50465。进而,也可以代替XX=50地,计算出设XX=40、60、100等的NNXX。
然后,生物指标计算部31将上述计算出的自主神经总功率462、自主神经LF/HF463、自主神经NN50 465和平均RRI 464保存在生物指标数据46中(S56和图4的S24)。
从而,事故风险预测模型43能够根据自主神经LF/HF 463等基于强度LF、HF得到的生物指标、和自主神经NN50 465这样基于时域分析得到的生物指标,输出关于驾驶员的状态的解释数据。作为解释数据,可以包括驾驶员的承压状态和放松状态。
图5是表示运行辅助服务器1中进行的预测处理的一例的流程图。该处理在生物指标数据46被更新后等规定的时机执行。事故风险预测部35从最新的数据获取直到规定的期间的生物指标数据46(S31)。
接着,预测模型选择部34根据业务数据42确定分析对象的用户ID 420和车辆ID423,使用环境数据47选择要使用的事故风险预测模型43(S32)。分析对象的用户ID 420例如能够设为未处理的生物指标数据46的用户ID460。
另外,预测模型选择部34在存在多个事故风险预测模型43的情况下,基于环境数据47的天气473和日期时间471和拥堵状况472等选择要使用的模型。
接着,事故风险预测部35对所选择的事故风险预测模型43输入分析对象的用户ID的生物指标数据46而计算出事故风险(S33)。计算出的事故风险被保存在事故风险预测数据44的事故风险444中。
另外,图15中,示出了保存事故风险444的例子,但事故风险预测模型43根据自主神经LF/HF 463等输出关于驾驶员的状态的解释数据(承压状态和放松状态)的情况下,能够将解释数据保存在生物指标数据46中。
另外,以上示出了对事故风险预测模型43输入生物指标数据46的例子,但不限定于此,也可以将环境数据47和车载传感器数据40追加至事故风险预测模型43的输入。例如,事故风险预测模型43输出解释数据的情况下,通过将拥堵状况等作为事故风险预测模型43的输入,能够提高预测精度。
通过上述处理,在生物指标数据46被更新后等规定的时机,用事故风险预测模型43预测规定时间Δt后的事故风险(和解释数据)。
图6是表示运行辅助服务器中进行的警报生成处理的一例的流程图。该处理在图5的预测处理完成后执行。
事故风险通知部36获取警报定义数据49(S41)。事故风险通知部36参照事故风险预测数据44检索规定时间Δt后的事故风险444的值在预先设定的阈值Th(图中基准值)以上的驾驶员(S42)。
事故风险通知部36在存在规定时间Δt后事故风险444的值在阈值Th以上的驾驶员的情况下前进至步骤S44,根据阈值Th以上的驾驶员的识别符获取业务数据42的车辆ID423,作为警报的发送对象(S44)。
然后,事故风险通知部36按该车辆7的车辆ID 470获取环境数据47,从警报定义数据49中选择满足环境数据47的条件(时间条件492、拥堵条件493、天气条件494)和事故风险条件491的警报ID 490,输出用警报ID 490指定的事故风险警报(省略图示)和该选择的记录的注释496(S45)。
另外,事故风险通知部36从车载传感器数据40中获取车辆7的位置402,追加车辆7的位置信息地生成警报。
通过上述处理,对于预测规定时间Δt后事故风险在阈值Th以上的驾驶员的车辆7发送警报。接收了警报的车辆7中,预测结果通知装置9对驾驶员通知警报。另外,运行辅助服务器1中,事故风险通知部36在输入输出装置5的显示器上显示发送了警报的车辆7。
另外,图14的警报定义数据49中,示出了按事故风险条件491和环境条件和优先顺位495决定注释和警报ID 490的例子,但不限定于此。例如,事故风险预测模型43输出关于驾驶员的状态的解释数据的情况下,也可以设定根据解释数据决定警报ID的条件。
示出一例,在事故风险444相同的情况且解释数据是承压状态或放松状态的情况下,将承压状态下事故风险升高时的警报ID 490和放松状态下事故风险升高时的警报ID490设为不同的警报。由此,通过对事故风险444的值追加解释数据,能够实现高精度的预测。
图16A是表示事故风险通知部36在输入输出装置5的显示器上输出的预测结果显示画面600的一例的图。事故风险通知部36输出的预测结果显示画面600在地图上显示管理对象的车辆7的图标602,对发出警报的图标602附加警报图标601。
另外,在警报图标601附近,显示事故风险增大的驾驶员的驾驶状况603,能够对管理者等通知该驾驶员的业务量和休息次数。
另外,管理者能够在地图上一览地确认多个驾驶员的事故风险,能够选择事故风险高的驾驶员并远程地指示。
另外,图示的例子中,示出了在地图上显示车辆7的位置和驾驶员的状况的例子,但不限定于此,也可以用列表等文字信息进行通知。
另外,事故风险通知部36对于预测事故风险增大的驾驶员,在根据自主神经LF/HF463等得到解释数据的情况下,将解释数据显示在驾驶状况603中,由此管理者等能够得知驾驶员的承压状态和放松状态。
图16B是表示预测结果通知装置9输出的预测结果显示画面650的一例的图。预测结果通知装置9具有显示器(省略图示),从运行辅助服务器1接收警报时显示预测结果显示画面650。
预测结果显示画面650包括显示事故风险警报的区域651和显示注释的区域652。驾驶员通过观看预测结果通知装置9的预测结果显示画面650,能够认知事故风险。
如上所述,本实施例的运行辅助***将运行辅助服务器1根据生物传感器12的心跳数据计算出的生物指标数据46输入至事故风险预测模型43而使其预测规定时间Δt后的事故风险444。由此,能够与车辆7的驾驶员的自主神经的状态等相应地,事前预测交通事故易于发生的状态,并对驾驶员进行推荐休息等反馈。
另外,上述实施例1中,示出了对管理车辆7的运行辅助***应用本发明的例子,但不限定于此。例如,能够代替车辆7地,应用于铁道车辆或船舶或航空器等需要驾驶员或操纵者的移动体。
另外,上述实施例1中,示出了根据过去收集到的车载传感器数据40-m1和危险发生数据45生成事故风险定义模型48的例子,但不限定于此。例如,也可以从业务结束的新的车载传感器数据40中,识别驾驶员判断为危险的位置而生成新的危险发生数据45,作为学习数据追加,使事故风险定义模型48再次学习。该情况下,也再次生成事故风险预测模型43。
实施例2
图17是表示实施例2的、表示运行辅助***的结构的一例的框图。本实施例中,将生物指标计算部31、事故风险预测部35和生物指标数据46配置在车辆7的驾驶数据收集装置10中,用运行辅助服务器1的预测模型选择部34选择的事故风险预测模型43A预测事故风险。
用车辆7的驾驶数据收集装置10进行生物指标数据的计算和事故风险的预测,将事故风险发送至运行辅助服务器1。运行辅助服务器1中,事故风险通知部36在规定时间Δt后的事故风险在阈值Th以上的情况下,与上述实施例1同样地对于该车辆7输出警报。
本实施例中,通过在车辆7一方进行生物指标的计算和事故风险的预测,能够减小运行辅助服务器1的负荷,使运行辅助服务器1管理的车辆7的数量增加。
实施例3
接着,说明本发明的实施例3。上述专利文献2中,提供了通过将对移动体的外部环境传感而识别出的外部环境中包括的行驶环境风险、与根据驾驶员(驾驶者)的驾驶操作推算为内部状态的驾驶员的风险认知状态进行比较,来识别与驾驶员的平常的内部状态的偏差的手段。
但是,仅对于驾驶员的驾驶操作与外部环境的关联性进行状态推算而识别与驾驶员的平常的内部状态的偏差(狭义的危险状态),不能检测尚未显现在驾驶操作中但需要注意的状态(广义的危险状态)。因此,存在难以采取事前避免广义的危险状态的对策的问题。
本实施例是鉴于上述问题点而得出的,目的在于为了检测并事前避免广义的危险状态,而使用生物数据检测考虑了每个驾驶员的个人差异的广义的危险状态,基于其结果判断是否发出警报。
<***结构>
图18是表示本发明的实施例3的、表示运行辅助***的主要结构的一例的框图。本实施例的运行辅助***包括经由网络14对1台以上的车辆7的运行进行辅助的运行辅助服务器1。
车辆7包括检测行驶状态的车载传感器8、检测驾驶员的生物传感器数据163的生物传感器12、识别驾驶员的驾驶员ID读取装置11、收集检测出的车载和生物传感器数据163以及驾驶员ID并发送至运行辅助服务器1的驾驶数据收集装置10、从运行辅助服务器1接受与驾驶员的交通事故的风险(以下称为事故风险)相应的警告并对驾驶员提示的预测结果通知装置9、和接受生物指标数据164的计测状况的输入的业务状态输入装置130。
另外,图示的例子中,示出了使驾驶数据收集装置10、预测结果通知装置9、业务状态输入装置130和驾驶员ID读取装置11成为独立的装置的例子,但也能够用一个便携终端构成。该情况下,便携终端发挥驾驶数据收集部和预测结果通知部和业务状态输入部和驾驶员ID读取部的功能。
作为车载传感器8,能够包括检测车辆的位置信息的GNSS(Global NavigationSatellite System)81、检测车辆的动作和速度的加速度传感器82、和用影像检测行驶环境的摄像机83。
车载传感器8不限定于上述,能够使用检测车辆的周围的物体和/或距离的测距传感器、检测驾驶操作的舵角传感器、检测车辆的转向操作的角速度传感器等。另外,加速度传感器82优选是三轴加速度传感器。
生物传感器12包括检测心跳数据的心跳传感器121和检测驾驶员的运动的加速度传感器122。心跳传感器121能够使用基于心电或脉搏或心音等检测心跳的传感器。
生物传感器12不限定于上述,能够采用检测出汗量、体温、眨眼、眼球运动、肌电或脑电波等的传感器。作为生物传感器12,能够使用驾驶员能够佩戴的可穿戴设备,以及方向盘、座椅、安全带等车辆内部附属的传感设备、和拍摄驾驶员的表情和动作并分析图像的图像识别***等。
驾驶员ID读取装置11读取记录了驾驶员的识别符的卡。驾驶数据收集装置10按规定周期从车载传感器8和生物传感器12收集数据,经由网络14发送至运行辅助服务器1。
另外,图示的例子中,示出了使驾驶员ID读取装置11构成为读取记录了驾驶员的识别符的卡的装置的例子,但也可以采用不同的结构。例如,用一个便携终端构成驾驶员ID读取装置11、使便携终端发挥驾驶员ID读取部的功能的情况下,可以通过使驾驶员自身输入驾驶员的识别符而读取驾驶员ID,或者通过使用便携终端所具有的摄像机的公知的脸部识别技术识别驾驶员而读取驾驶员ID。
业务状态输入装置130接受驾驶或休息或打盹等驾驶员的业务的状态并发送至运行辅助服务器1。
运行辅助服务器1是包括处理器2、存储器3、存储装置4、输入输出装置5和通信装置6的计算机。存储器3将生物指标计算部131、事故风险定义生成部132、事故风险推算部133、生物状态推算模型生成部134、事故风险预测模型生成部135、模型选择部136、危险预测部137、警告呈现部138和数据收集部139各功能部作为程序载入。各程序被处理器2执行。另外,各功能部的详情在后文中叙述。
处理器2通过按照各功能部的程序执行处理,而作为提供规定功能的功能部工作。例如,处理器2通过执行生物指标计算程序而发挥生物指标计算部131的功能。对于其他程序也是同样的。进而,处理器2也作为提供各程序执行的多个处理各自的功能的功能部工作。计算机和计算机***是包括这些功能部的装置和***。
存储装置4保存上述各功能部使用的数据。存储装置4保存车载传感器数据161、生物传感器数据(第一生物数据)163、业务/环境数据174、事故风险预测模型171、事故风险预测数据166、危险发生数据162、生物指标数据164、事故风险定义模型170、警报定义数据172、事故风险推算数据165、应对方案数据173、生物状态推算模型169、本人严重程度数据167、结合表168、属性信息数据175和学习信息数据176。
另外,车载传感器数据161如后所述包括生成事故风险定义模型170时使用的车载传感器数据161-1(第一车载传感器数据)和生成事故风险预测模型171时使用的车载传感器数据161-2(第二车载传感器数据)。以下说明中,在不区分车载传感器数据的情况下使用将“-”以后省略的符号“161”。
另外,生物指标数据164如后所述包括生成事故风险预测模型171时使用的生物指标数据164-1(第一生物指标数据)、对事故风险预测模型171输入而生成事故风险预测数据166时使用的生物指标数据164-2(第二生物指标数据)、和生成生物状态推算模型169时使用的生物指标数据164-3(第三生物指标数据)。以下说明中,在不区分生物指标数据的情况下使用将“-”以后省略的符号“164”。各数据的详情在后文中叙述。
输入输出装置5包括鼠标、键盘、触摸面板或麦克风等输入装置、和显示器、扬声器等输出装置。通信装置6经由网络14与车辆进行通信。
<处理概要>
图19是表示运行辅助***中进行的处理的概要的图。图示的例子中,示出了由在车辆7的运行开始以前实施的学习阶段和在车辆7的运行中实施的运用阶段构成的例子。
最初,运行辅助***在运行辅助服务器1中,生成预测正在驾驶车辆7的驾驶员的危险状态所需的事故风险预测模型171和生物状态推算模型169。
首先,事故风险定义生成部132输入预先设定的危险发生数据162和过去收集到的车载传感器数据161-1,生成推算危险发生的概率作为事故风险的事故风险定义模型170(S101)。另外,车载传感器数据161-1的时间序列与危险发生数据162的时间序列是同一时间序列。
另外,事故风险定义模型170将表示过去的车辆的行驶状态的车载传感器数据161-2(后述)作为输入,推算危险现象发生的概率即事故风险。另外,以下用百分率表示事故风险的值。
危险发生数据162是基于过去收集到的车载传感器数据来提取判断为危险的现象而获取的数据,具体而言,是对于急刹车和急转弯等事件或导致事件的现象、由驾驶员或管理者进行判断或由市售的车载报警器或AI等判断、根据该现象的种类和发生日期时间预先设定的数据。进而,危险发生数据162可以对于每个事件设定重要度。
另外,本实施例中事件定义为导致交通事故的现象。另外,导致事件的现象,表示驾驶员有惊无险的状态。进而,示出了随着重要度增大、危险度增大的例子。以下,将事件或导致事件的现象定位为危险现象。
另外,上述课题中叙述的狭义的危险状态包括上述事件,广义的危险状态能够包括上述导致事件的现象。
事故风险定义模型170是机器学习模型,通过输入车载传感器数据161-2,而推算危险现象发生的事故风险。作为机器学习模型,能够使用支持向量机和神经网络、逻辑回归等周知或公知的方法。另外,事故风险定义模型170也可以对于危险现象的每个种类生成多个。
接着,事故风险推算部133将过去收集到的车载传感器数据161-2输入至事故风险定义模型170,生成时序地推算危险现象发生的事故风险的事故风险推算数据165(S102)。
事故风险推算数据165是对于车载传感器数据161-2按与车载传感器数据161-2相同的时间序列生成了危险现象发生的概率的数据。
之后,事故风险预测模型生成部135输入事故风险推算数据165和过去的生物指标数据164-1,根据行驶中的车辆7的驾驶员的生物指标数据164-2(后述)预测并输出规定时间后的事故风险,生成事故风险预测模型171(S104)。另外,过去的生物指标数据164-1是生物指标计算部131根据与过去收集到的车载传感器数据161-2对应的过去的生物传感器数据163计算出的。
根据过去收集到的生物传感器数据163计算出的生物指标数据164-1在本实施例中例如能够使用根据驾驶员的心跳数据计算出的平均心率、通过心跳数据序列的非线性分析而计算出的最大李亚普诺夫指数、从心跳数据中提取出的心跳间隔数据的频域分析、或自主神经功能指标(LF/HF等)等计算。另外,自主神经功能指标(LF/HF等)能够用时域分析和非线性分析等方法计算。
另外,生物指标数据164-1是生物指标计算部131根据与车载传感器数据161-2的时间序列对应的过去的生物传感器数据163计算出的生物指标。
事故风险预测模型171由周知或公知的机器学习模型构成,将行驶中的驾驶员的生物指标数据164-2作为输入而输出规定时间后的事故风险。行驶中的驾驶员的生物指标数据164-2是根据驾驶员的生物传感器数据163用生物指标计算部131计算出的生物指标,是运行辅助服务器1从行驶中的车辆7接收到的。
另外,作为事故风险预测模型171,可以与事故风险的种类和使用的生物指标数据的种类、应用预测的车辆的行驶环境和规定时间相应地,预先生成多个模型。通过生成多个模型,能够在危险预测处理中选择、分别使用适合的模型。
另外,也可以与保存了驾驶员的业务特性(一般道路行驶、高速行驶、昼夜连续从事业务等)和驾驶经验(驾驶年数、驾驶技能、持有驾照种类)和健康特性(性别、睡眠时间的多少等)的属性信息数据175相应地生成多个模型。
接着,生物状态推算模型生成部134将过去计测的生物指标数据164-3作为输入,生成推算并输出表示输入(当前的生物指标数据164-2)相对于过去计测的生物指标数据164-3有什么程度的偏差的本人严重程度的生物状态推算模型169(S103)。另外,当前的生物指标数据164-2相对于过去计测的生物指标数据164-3的偏差的程度,也可以表达为异常度。
生物状态推算模型169由周知或公知的统计模型或机械学习模型构成。生物状态推算模型169典型而言对于生物指标数据164-3的每个种类生成多个,是将某个种类的生物指标数据164-3作为输入、输出表示将模型生成中使用的生物指标数据164-3作为基准的异常度(本人严重程度)的统计量的非监督模型。
作为统计模型,例如能够使用输出使用模型生成中使用的生物指标数据164-3的平均值和标准差对输入进行规范化的z-score的统计模型、使用模型生成中使用的生物指标数据164-3的最大值和最小值将输出归一化为0至1的范围的统计模型、将模型生成中使用的生物指标数据164-3的统计量作为基准、输出与该值相比的变化率的统计模型、和输出根据生物状态推算模型169的生成中使用的生物指标数据164-3推算的数据分布上的分位点的统计模型等。
另外,作为机器学习模型,例如能够使用根据生物状态推算模型169的生成中使用的生物指标数据164-3非参数地推算数据分布、输出到该分布的聚类中心的距离的异常检测模型。
另外,在无监督的生物状态推算模型169之外,也能够采用有监督的生物状态推算模型169。该情况下,能够使用将收集了用周知或公知的方法推算的驾驶员的睡意和作为驾驶员的清醒状态的指标的眨眼的次数(眨眼数)、驾驶员按Visual Analogue Scale(VAS)回答主观的疲劳度得到的主观疲劳度等的学习信息数据176作为响应变量推算的周知或公知的统计模型或机器学习模型构成生物状态推算模型169。该情况下,例如作为统计模型能够采用回归模型等,作为机器学习模型能够采用支持向量机和神经网络等。
另外,作为生物状态推算模型169的输入的生物指标数据164-3典型而言是单变量的,但也可以是多变量的。使输入成为多变量的情况下,优选将在后述的警告呈现处理中的生成用于避免危险状态的应对方案中易于应用的生物指标数据种类的组合作为输入。该情况下,生物状态推算模型169能够用多因素回归模型和马氏田口(Mahalanobis-Taguchi)法、多变量统计过程管理等公知的方法构成。
另外,生物状态推算模型169可以对于每个驾驶员生成,也可以将多个驾驶员组合并地生成一个生物状态推算模型169。将多个驾驶员组合并的情况下,因为生物上个人差异大,所以优选对于表现出类似的生物响应的驾驶员组生成生物状态推算模型169。
通过根据表现出类似的生物响应的多个驾驶员组生成生物状态推算模型169,能够吸收生物响应的个人差异,并且缩短计测生成生物状态推算模型169所需的数据的时间。
进而,计测所需数据量之后,优选从根据表现出类似的生物响应的多个驾驶员组生成的生物状态推算模型169、切换至仅根据对象驾驶员生成的生物状态推算模型169并使用。由此,能够输出更加考虑了个人的生物响应的本人严重程度。
接着,运行辅助***使用运行辅助服务器1,使用生成的事故风险预测模型171和生物状态推算模型169,预测实际正在驾驶车辆7的驾驶员的危险现象的发生概率。
首先,危险预测部137将数据收集部139从车辆7接收到的用生物传感器12计测的心跳数据等生物传感器数据163输入至生物指标计算部131,使其计算出生物指标数据164-2(S105)。
另外,危险预测部137在存在多个事故风险预测模型171和生物状态推算模型169的情况下,用模型选择部136选择与业务/环境数据174和属性信息数据175相应的事故风险预测模型171和生物状态推算模型169。
之后,危险预测部137对于事故风险预测模型171输入生物指标数据164-2来预测(生成)事故风险预测数据166(S106A)。另外,危险预测部137对生物状态推算模型169输入生物指标数据164-2,按每个生物指标数据种类计算出本人严重程度数据167(S106B)。
然后,危险预测部137提取出对事故风险预测模型166的预测有贡献的生物指标数据164-2的种类(贡献指标),将事故风险预测数据166、用于计算出事故风险预测数据166的事故风险预测模型171、贡献指标、与贡献指标的本人严重程度数据167对照地保存在结合表168中(S107A)。
在贡献指标的提取中,危险预测部137根据生物指标数据164-2、事故风险预测数据166和用于计算出事故风险预测数据166的事故风险预测模型171提取出贡献指标。
危险预测部137例如在使用了逻辑回归等线性模型作为事故风险预测模型171的情况下,能够单纯地将回归系数与生物指标数据164-2的积最大的生物指标数据种类提取为贡献指标。
另外,使用神经网络等作为事故风险预测模型171的情况下,例如危险预测部137能够使用为了确保机器学习模型的解释性而使用的公知的方法SHapley AdditiveexPlanations(SHAP)计算出各生物指标数据164-2的贡献度,将贡献度最大的提取为贡献指标。
然后,警告呈现部138基于结合表168中保存的事故风险和本人严重程度进行发出警报的判断(以下称为发出警报判断)(S107B)。警告呈现部138在判断为驾驶员处于广义的危险状态的情况下,生成用于避免广义的危险状态的应对方案(S107C)。
发出警报判断中,在事故风险或本人严重程度分别超过了规定阈值的情况、或者与事故风险和本人严重程度相关的值超过了规定阈值的情况下,警告呈现部138判断为相当于广义的危险状态(危险现象)。另外,前者的情况下,在发出警报判断时,警报呈现部138也可以不设定事故风险和本人严重程度的任一者的阈值。
例如警告呈现部138在仅对事故风险设定了阈值的情况下,能够对于一般判断为事故风险高的场景发出警报。另外,警告呈现部138在仅对本人严重程度设定了阈值的情况下,能够对于驾驶员个人身体状况急剧变化等生物指标数据164-2的异常发出警报。另外,不仅可以对于对应的事故风险和本人严重程度的记录、也可以对于事故风险和本人严重程度的时间序列设定阈值。
警报呈现部138实施的应对方案的生成中,基于结合表168和应对方案数据173生成用于避免广义的危险状态的应对方案。根据过去的结论,已知对某一种类的生物指标数据164-2变化的情况在生理学上进行解释的方法,和用于改变某一种类的生物指标数据164-2的方法。
应对方案数据173中,对于生物指标数据164-2的每个种类保存了值增减的情况下的生理学解释、和用于使值增减的生物指标数据164-2的方法。因为在结合表168保存了对事故风险的预测有贡献的贡献指标,所以通过获取与贡献指标(后述)对应的生理学解释和用于使贡献指标增减的方法,能够与驾驶员的状态相应地生成用于避免广义的危险状态的应对方案。
例如,贡献指标是自主神经功能指标的LF/HF、且在LF/HF为正的方向上本人严重程度高的情况下,能够在生理学上解释为过度紧张,警告呈现部138可以为了使驾驶员的LF/HF降低而生成“请平稳地呼吸”等促使放松的应对方案。
另外,贡献指标是平均心率、且平均心率具有降低倾向、本人严重程度高的情况下,在生理学上解释为睡意加深,警告呈现部138可以生成“请在下一便利店停车,到车外伸展身体”等促使消除睡意的应对方案。
另外,在应对方案的生成中,警告呈现部138能够对于应对方案追加基于贡献指标的本人严重程度的信息。仅用基于事故风险的警告,难以传达对于接受警告的驾驶员本人而言的危险性,但通过用基于本人严重程度的对于驾驶员本人而言能够理解的形式提示警告,可以期待驾驶员对警告的接受程度提高。进而,在应对方案的生成中,警告呈现部138能够对于应对方案追加基于业务/环境数据174和属性信息数据175的信息。
生成应对方案之后,警告呈现部138对于判断为处于广义的危险状态的车辆7用包括应对方案的警报和消息发送警告(S8)。另外,警告呈现部138也可以不仅对于车辆7,也对驾驶员管理者发送警告,在输入输出装置5的显示器上显示。该情况下,在驾驶员的显示器上显示的内容中,能够包括包含驾驶员的位置信息等的图像。
车辆7在从运行辅助服务器1接收警告时,用预测结果通知装置9输出警报,对驾驶员传达警报或消息。
运行辅助服务器1通过基于使用事故风险预测模型171预测的规定时间后的事故风险和使用生物状态推算模型169推算的生物指标数据164-2的本人严重程度判断广义的危险状态,能够吸收生物指标数据164-2中包括的每个驾驶员的个人差异地检测广义的危险状态。
另外,运行辅助服务器1在判断为广义的危险状态时,基于贡献指标和贡献指标的本人严重程度生成用于避免广义的危险状态的应对方案,将包括应对方案的警告发送至该车辆的预测结果通知装置和输入输出装置5的显示器。由此,运行辅助服务器1能够在事故风险增大之前对驾驶员和驾驶员管理者提示警告,使其采取用于避免广义的危险状态的对策。
根据以上所述,运行辅助服务器1能够使得事前避免广义的危险状态,预防驾驶员陷入狭义的危险状态,对各车辆7的安全运行进行辅助。
<处理的详情>
图20是表示事故风险预测模型171的生成处理的一例的流程图。该处理在从进行行驶中的危险检测的车辆7接受生物指标数据164-2以前(图19的学习阶段)实施,预先生成事故风险预测模型171。
事故风险定义生成部132将过去收集到的危险发生数据162和对应的车载传感器数据161-1作为输入而生成事故风险定义模型170(S101)。
接着,事故风险预测模型生成部135对生成的事故风险定义模型170输入过去收集到的车载传感器数据161-2而生成事故风险推算数据165(S102)。
接着,事故风险预测模型生成部135根据与过去收集到的车载传感器数据161-2对应的生物指标数据164-1和事故风险推算数据165,生成事故风险预测模型171(S104)。该情况下,事故风险预测模型生成部135也可以基于业务/环境数据174,对于每个类似的业务特性或环境特性生成事故风险预测模型171,将该信息作为元信息对事故风险预测模型171附加。
通过上述处理,运行辅助服务器1生成事故风险定义模型170并生成事故风险推算数据165之后,根据与事故风险推算数据165时序地对应的生物指标数据164-1生成事故风险预测模型171。
另外,上述处理每当危险发生数据162的量或种类增加一定量时、每当事故风险高的事故风险推算数据165增加一定程度时、或者以一定频度进行,每次将事故风险定义模型170和事故风险预测模型171更新。
图21是表示生物状态推算模型169的生成处理的一例的流程图。该处理在对于某一车辆7进行行驶中的危险预测以前(图19的学习阶段)实施,对于生物指标数据164-3的每个种类生成生物状态推算模型169。
生物状态推算模型生成部134首先提取表现出类似生物响应的驾驶员组,作为用于生成生物状态推算模型169的驾驶员组(S111)。典型而言,使用某个种类的生物指标数据164-3的平均、标准差、中位数、分位数等每天的统计量、或每周或每月的统计量,用周知或公知的方法进行聚类,提取出表现出类似生物响应的驾驶员组。
该情况下,生物状态推算模型生成部134在生物指标数据164-3之外,也可以将业务/环境数据174中包括的信息、属性信息数据174中包括的性别和基于年龄分层得到的年龄层等信息追加至用于聚类的输入。
另外,生物状态推算模型生成部134在选择为了进行聚类而输入的生物指标数据164-3时,也可以基于学习信息数据176仅选择在同一计测条件下计测的生物指标数据164-3,仅输入学习信息数据176中保存的期间的生物指标数据164-3。由此,计测条件受到控制,可以期待生物指标数据164-3的误差受到抑制。
生物状态推算模型生成部134进而在对于特定驾驶员已成功计测充分的量的生物指标数据164-3的情况下,也可以代替多个驾驶员组地仅提取出特定驾驶员。由此,能够推算更加符合特定个人的特性的本人严重程度。
接着,生物状态推算模型生成部134将对于提取出的驾驶员组过去收集到的生物指标数据164-3作为输入,对于生物指标数据164-3的每个种类生成生物状态推算模型169(S103)。
该情况下,生物状态推算模型生成部134可以与上述驾驶员提取同样地,基于学习信息数据176仅选择在同一计测条件下计测的生物指标数据164-3,仅输入学习信息数据176中保存的期间的生物指标数据164-3。
另外,生物状态推算模型生成部134生成有监督模型作为生物状态推算模型169的情况下,将学习信息数据176中保存的期间的响应变量和对应的生物指标数据164-3作为输入,对于生物指标数据164-3的每个种类生成生物状态推算模型169。
该情况下,生物状态推算模型生成部134也可以将作为输入的生物指标数据164-3的种类和关于类似生物特征的信息作为元信息对生物状态推算模型169附加。
通过上述处理,在提取出表现出类似的生物响应特性的驾驶员组之后,根据关于提取出的驾驶员组的生物指标数据164-3对于生物指标数据164-3的每个种类生成生物状态推算模型169。
另外,根据多个驾驶员生成的上述处理,每当对象驾驶员数增大一定量时、每当生物指标数据164-3增大一定量时、或者每隔一定期间进行,将生物状态推算模型169更新。进而,根据特定驾驶员生成的上述处理,每当生物指标数据164-3增大一定量时或者每隔一定期间进行,将生物状态推算模型169更新。
另外,用于生成生物状态推算模型169的生物指标数据164-3与用于生成事故风险预测模型171的生物指标数据164-1不同,不需要与车载传感器数据161-2对应,也不需要与事故风险高的情况对应,计测场景的限制少。
因此,易于计测用于生成生物状态推算模型169的生物指标数据164-3,所以与生成事故风险预测模型171相比能够在短期间内计测数据,从而能够期待能够将更新频度设定为较高。
进而,因为广义的危险状态鲜有发生,所以仅根据生物响应类似的多个驾驶员组构建事故风险预测模型171需要时间。另一方面,本实施例中不是在事故风险预测模型171中、而是在生物状态推算模型169中吸收多个驾驶员之间的生物响应的个人差异,所以在事故风险预测模型171的生成中也能够应用生物响应并不类似的驾驶员的数据生成模型。而且,在生物状态推算模型169的生成中能够仅根据能够在驾驶中容易地收集的生物特性类似的驾驶员的数据生成模型。
根据以上所述,与在事故风险预测模型171的生成中吸收生物响应的个人差异的方法相比,本实施例能够缩短实现危险预测处理所需的模型生成的需要时间。
图22是表示生物指标数据164的计算处理的一例的流程图。该处理每当从车辆7接收数据时在生物指标计算部131中进行。
运行辅助服务器1的数据收集部139从车辆7的驾驶数据收集装置10接收车载传感器8和生物传感器12的数据(S121)。
数据收集部139将心跳传感器121检测出的心跳数据和加速度传感器122检测出的加速度数据保存在生物传感器数据163中(S122)。另外,车载传感器8的数据保存在车载传感器数据161中。
接着,生物指标计算部131用图23中后述的方法,将生物传感器数据163作为输入而计算出生物指标数据164(S123)。生物指标计算部131将计算出的数据保存在生物指标数据164中(S124)。通过上述处理,根据生物传感器数据163计算出生物指标数据164。
图23是表示使用心跳数据进行的生物指标数据164的计算处理的一例的流程图。该处理每当保存了生物传感器数据163时在生物指标计算部131中进行。
使用心跳数据进行的生物指标数据164的计算处理,是用周知或公知的方法进行的,所以以下仅叙述其概要。首先,生物指标计算部131读取生物传感器数据163中的心跳数据(S131)。另外,心跳数据指的是用心跳传感器121从正在驾驶的驾驶员获取的能够提取出心跳的间隔的数据,具体而言可以举出心电数据、脉搏数据或心音数据等。
接着,生物指标计算部131从心跳数据中提取出搏动间隔IBI(Inter BeatInterval),计算出其时间序列(S132)。心电数据的情况下,对于IBI特别可以计算出利用心电R波的间隔的RRI(R-R Interval)时间序列。以下作为例子特别提及RRI。
生物指标计算部131通过根据RRI进行符合需要的分析而计算出自主神经功能指标。对于符合需要的分析,可以举出频域分析、时域分析、RRI非线性分析作为例子。
生物指标计算部131在频域分析中根据RRI时间序列经过功率谱密度计算出频域指标(S133)。RRI时间序列是非等间隔时间序列数据,所以用样条插值等重采样为等间隔之后使用自回归模型或最大熵法、或者使用能够利用非等间隔数据的Lomb-Scargle法等公知的方法计算出功率谱密度PSD(Power Spectral Density)。
生物指标计算部131将计算出的PSD中的、例如0.05Hz-0.15Hz的低频段的积分值LF、0.15Hz-0.40Hz的高频段的积分值HF、和LF与HF的和TP、对LF除以HF的LF/HF、对LF除以TP并变换为百分率的LFnu等计算为自主神经功能指标的频域指标。
生物指标计算部131在时域分析中,通过计算出RRI时间序列和相邻的RRI的差序列即ΔRRI时间序列的统计量而计算出时域指标(S134)。例如,计算出RRI时间序列的平均值的倒数即平均心率和RRI的标准差即SDNN。另外,根据ΔRRI时间序列,例如计算出构成ΔRRI时间序列的差值的绝对值超过50ms的数据总数即NN50、对NN50除以ΔRRI时间序列的数据总数得到的pNN50、和ΔRRI的标准差即SDSD,计算为自主神经功能指标的时域指标。
生物指标计算部131在RRI非线性分析中,用各种方法计算出非线性特征量(S135)。生物指标计算部131例如通过对RRI时间序列RRI(t)在X轴作图、对使RRI时间序列前进1个时间刻度得到的时间序列RRI(t+1)在Y轴作图的Poincare图分析,计算出对作图得到的区域进行椭圆近似的椭圆面积S。另外,生物指标计算部131计算出用相似熵和Detrended Fluctuation Analysis(去趋势波动分析)得到的α1、α2、基于音调-熵分析得到的音调和熵,计算为自主神经功能指标的RRI非线性指标。
另外,生物指标计算部131也能够对于进行RRI提取之前的心跳数据进行心跳非线性分析而计算出心跳非线性指标(S136)。生物指标计算部131例如通过对于心跳数据应用混沌分析来计算心跳数据的相关维度和最大李亚普诺夫指数,计算为自主神经功能指标的心跳非线性指标。
计算出的自主神经功能指标反映了被自主神经***控制的驾驶员的生物状态,所以通过计算出对驾驶员提示为用于避免广义的危险状态的应对方案所需的、测量驾驶员的生物状态的指标,能够实现符合生物状态的警告呈现。例如,LF/HF是测量主要在承压和紧张状态下活跃的交感神经活动和主要在放松状态下活跃的副交感神经活动的均衡的指标,所以生物指标计算部131通过计算出LF/HF能够提示考虑了驾驶员的紧张-放松状态的警告。
之后,生物指标计算部131将计算出的自主神经功能指标组一并保存在生物指标数据164中(S124)。通过上述处理,根据生物传感器数据163中的心跳数据,计算出自主神经功能指标,保存为生物指标数据164。
另外,生物指标计算部131可以并行地执行上述步骤S133~S136的处理,也可以顺次执行。
图24是表示运行辅助服务器1中进行的危险预测处理的一例的流程图。该处理在每当生物指标数据164-2被更新时等规定的时机执行。危险预测部137获取从最新的期间直到规定期间的生物指标数据164-2(S112)。
接着,模型选择部136根据业务/环境数据174确定分析对象的驾驶员ID和车辆ID,基于业务/环境数据174选择事故风险预测模型171和生物状态推算模型169(S113和S114)。在事故风险预测模型171的选择中,例如基于业务/环境数据174的车体大小、天气、拥堵状况等选择使用的模型。
在生物状态推算模型169的选择中,例如模型选择部136基于属性信息数据175中保存的与驾驶员ID对应的生物状态推算模型169的信息等选择使用的模型。
接着,危险预测部137对所选择的事故风险预测模型171输入分析对象的驾驶员ID的生物指标数据164-2而预测事故风险,并保存在事故风险预测数据166中(S106A)。另外,以上示出了对事故风险预测模型171输入生物指标数据164-2的例子,但不限定于此,也可以将业务/环境数据174和属性信息数据175追加至事故风险预测模型171的输入。
例如,通过输入属性信息数据175中包括的用驾驶适合性诊断等得到的驾驶技能信息、和用Temperament and Character Inventory(TCI,气质与性格量表)、TemperamentEvaluation of the Memphis,Pisa,Paris,and San Diego Autoquestionnaire(TEMPS-A)、用于测定五大性格特质的Ten Item Personality Inventory、NEO-FFI等得到的性格气质信息,能够也考虑驾驶员的驾驶技能和性格地实现精度更高的事故风险的预测。
另外,危险预测部137对所选择的生物状态推算模型169输入分析对象的驾驶员ID的生物指标数据164-2而对于每个生物指标数据种类推算多个本人严重程度,并保存在本人严重程度数据167中(S106B)。另外,以上示出了按单变量输入生物指标数据164、生物指标数据164-2的例子,但在以上之外例如危险预测部137也可以输入多变量的生物指标数据164-2来计算出本人严重程度。
接着,危险预测部137使用预测出的事故风险预测数据166和用于预测事故风险的事故风险预测模型171、分析对象的驾驶员ID的生物指标数据164-2、和推算的本人严重程度数据167,提取对事故风险的预测有贡献的贡献指标,将贡献指标、贡献指标的本人严重程度、事故风险和事故风险预测模型171的信息对照地保存在结合表168中(S107A)。
通过上述处理,在生物指标数据164-2被更新后等规定的时机,将为了检测广义的危险状态并提示警告而使用的贡献指标、贡献指标的本人严重程度、事故风险和事故风险预测模型信息保存在结合表168中。
另外,危险预测部137可以并行地执行上述步骤S113、S114的处理,也可以顺次执行。
图25是表示运行辅助服务器1中进行的警告呈现处理的一例的流程图。该处理在每当结合表168被更新时等规定的时机执行。
警告呈现部138从警报定义数据172中读取呈现警告的条件即发出警报定义(S141)。发出警报定义可以与事故风险预测模型171和生物状态推算模型169相应地设定多个。另外,可以根据使用对于驾驶员的预测结果通知装置9的声音通知、在显示器上显示、在驾驶员管理者的输入输出装置5的显示器上显示、经由输入输出装置5用邮件通知等警告呈现的对象和方法设定多个发出警报定义。
警告呈现部138参照结合表168的各条记录的事故风险和本人严重程度(S142),判断是否存在超过了发出警报定义中设定的阈值的驾驶员(S107B)。
警告呈现部138在存在超过阈值而符合发出警报判断的驾驶员的情况下,生成包括要提示的警告的应对方案(S107C)。应对方案是参照与结合表168的贡献指标对应的应对方案数据173生成的。
另外,对于应对方案,为了提高对于接受警告的该驾驶员而言的警告接受程度,警告呈现部138也可以使用结合表168的贡献指标的本人严重程度,附加对于本人而言可以得知处于何种程度的异常状态的信息。例如,警告呈现部138可以附加“这是N年仅发生1次的状态”等信息。
进而,警告呈现部138能够对于应对方案追加基于业务/环境数据174和属性信息数据175、结合表168而得到的信息。例如,警告呈现部138可以根据结合表168中保存的事故风险预测模型171的信息,基于认为事故风险升高的时刻N的信息,更新作为应对方案反馈的内容。另外,例如警告呈现部138也可以基于业务/环境数据174中保存的天气和气温的信息来更新反馈的内容。
然后,警告呈现部138基于业务/环境数据174根据驾驶员ID获取发送对象的车辆ID,将该车辆7作为发送对象。另外,不是将驾驶员而是将驾驶员管理者作为发送对象的情况下,警告呈现部138可以代替获取车辆ID地确定管理者ID,将管理者操作的运行辅助服务器1的输入输出装置5作为发送对象。
之后,用对于警告呈现部138生成的应对方案附加了基于与发出警报判断相当的发出警报定义的事故风险警报得到的警报或消息发送警告(S108)。
通过上述处理,对于检测到相当于广义的危险状态的驾驶员的车辆发送警告。接收了警告的车辆7中,预测结果通知装置9对驾驶员通知警告。另外,运行辅助服务器1中,警告呈现部138在输入输出装置5的显示器上显示发送了警告的车辆。
图26A、图26B是表示预测结果通知装置9输出的警告呈现画面的一例的图。预测结果通知装置9具有显示器(省略图示),接收来自运行辅助服务器1的警告时,显示警告呈现画面1000A。警告呈现画面1000A包括显示事故风险警报的区域1010和显示用于避免广义的危险状态的应对方案等的注释区域1020。
在显示事故风险警报的区域1010中,例如显示事故风险增大的警告文字1011、以及基于贡献指标的生物指标数据164-2的本人严重程度的信息1012,由此不是仅通知处于危险的状态,而是以“对您而言是半年仅发生1次的状态”等、基于贡献指标的本人严重程度的对于驾驶员本人而言能够理解的形式提示警告,可以期待驾驶员对警告的接受程度提高。
另外,在基于本人严重程度的信息1012的显示中,也可以进行可以得知是基于仅根据对象驾驶员本人的生物指标数据164-2生成的生物状态推算模型169、还是基于根据表示出与对象驾驶员类似的生物响应特性的多个驾驶员的生物指标数据生成的生物状态推算模型169的显示。
例如,在图26B的警告呈现画面1000B中,对于显示事故风险警报的区域1010中的基于本人严重程度的信息1012B,也可以用“对于类似您的驾驶员而言是半年仅发生1次的状态”这样可以得知是与多个驾驶员的数据比较的文字进行显示。
另外,例如与多个驾驶员比较的情况下,为了可以得知这一点,也可以显示关于与怎样的群组的驾驶员比较的信息1013。另外,也可以用图标等显示使用了哪个生物状态推算模型169。通过以上所述,可以期待驾驶员易于将警告理解为“自己的事”。
进而,在警告呈现画面1000A、1000B的注释区域1020中,例如呈现基于贡献指标的生理状态的解释1021和用于避免广义的危险状态的具体的应对方案1022,由此接受了警告呈现的驾驶员并不是仅接受警告,而是能够理解为了消除危险状态而要接下来采取的行动,进行行动。
另外,本例中示出了用警告呈现画面呈现警告的例子,但也可以用其他方法呈现警告。例如,也可以用机器朗读与警告呈现画面上显示的内容等同的内容的文章的形式提示警告。
<数据结构>
接着,示出运行辅助***中使用的各数据的特征性的结构。
图27A是本发明的运行辅助***中保持的生物指标数据164的数据结构的一例。在生物指标数据164中保存驾驶员ID 1401、车辆ID1402、日期时间1403以及生物指标计算部131计算出的各种自主神经功能指标。此处,作为自主神经功能指标,例如可以举出作为频域指标的LF/HF 1404、作为时域指标的平均心率1405、NN50(1406)或作为RRI非线性指标的α1(1407)等。
图27B是本发明的运行辅助***中保持的业务/环境数据174的数据结构的一例。在业务/环境数据174中保存驾驶员的执行业务中的业务信息和行驶环境信息。
典型而言,保存驾驶员ID 411、表示信息的持续期间的开始日期时间412和结束日期时间413、使用的车辆ID 414、以及例如表示驾驶的车辆的大小的车辆种类415、行驶地区中的代表地点的天气416和气温417、表示开始日期时间412到结束日期时间413的期间的业务状态的业务种类418、和目的地等业务预定419。
图27C是本发明的运行辅助***中保持的属性信息数据175的数据结构的一例。在属性信息数据175中,保存经时变化(与时间经过相应地变化)较少的驾驶员的基本信息。
典型而言,保存驾驶员ID 1421、适用基本信息的持续期间的开始日1422和结束日1423、使用的车辆的车辆ID 1424、以及用驾驶员适合性诊断测试等测定的驾驶技能信息(例如:技能A 14215,化名)、用Temperament and Character Invenrory(TCI)等测定的性格气质信息(例如:性格A(1426),化名)、性别1427、年龄1428、驾驶经验1429等。除以上之外,也保存生物状态推算模型ID 1430和事故风险预测模型ID 1431等,作为对于驾驶员优先使用的各种模型信息。
图27D是本发明的运行辅助***中保持的学习信息数据176的数据结构的一例。在学习信息数据176中保存生成生物状态推算模型169时使用的信息,典型而言保存驾驶员ID1441和用于学习的生物指标数据164的期间信息即开始时刻1442和结束时刻1443。
进而,学习信息数据176也可以为了使用于生成生物状态推算模型169的数据的计测条件一致的目的,而保存该期间信息的数据的计测条件1444。该情况下,计测条件1444可以由驾驶数据收集装置10根据车载传感器数据161-2等自动地判别状态并保存(例如:高速行驶),也可以由驾驶员自身经由业务状态输入装置130从规定的条件中手动输入(例如:午休)。
另外,用有监督模型生成生物状态推算模型169的情况下,也可以在以上之外例如保存用VAS计测主观疲劳度得到的值1445,作为生成有监督模型所需的响应变量。
图27E是本发明的运行辅助***中保持的危险发生数据162的数据结构的一例。在危险发生数据162中,保存设定了由驾驶员或驾驶员管理者或市售的车载警报器等检测出的危险现象的种类和发生日期时间的数据。
典型而言,保存车辆ID 1451、危险现象的发生日期时间1452、危险种类1453。另外,也可以一并保存对于检测出的危险现象通过目视确认等而记录了事态的严重程度的现象的重要度1454。
图27F是本发明的运行辅助***中保持的事故风险预测数据166的数据结构的一例。
在事故风险预测数据166中,保存使用事故风险预测模型171根据生物指标数据164-2判断的事故风险。典型而言,保存驾驶员ID1461、日期时间1462、用于预测事故风险的事故风险预测模型171的ID 1463、表示预测的危险现象的发生概率(百分率)的事故风险1464。
图27G是本发明的运行辅助***中保持的本人严重程度数据167的数据结构的一例。
在本人严重程度数据167中,保存使用生物状态推算模型169根据生物指标数据164-2判断的本人严重程度。典型而言,保存驾驶员ID 1471、日期时间1472、推算本人严重程度的生物指标数据164-2的种类1473、用于推算的生物状态推算模型169的ID 1474、本人严重程度1475。
另外,生物状态推算模型169是对于每个生物指标数据种类生成的,并且设想本人严重程度的计算方法也按每个生物指标数据种类而不同,所以本人严重程度的输出形式也不一定是固定的。
例如第1行的记录中,对于生物指标数据164-2的生物数据种类1473“平均心率”输出按正态分布近似的统计量,本人严重程度1475使用标准差(SD)表示为距离平均“+4SD”的值。
另外,例如第2行的记录中,对于NN50,输出了数据分布上的分位点,本人严重程度1475表示为与用于构建模型的数据集合中的99%分位点相当的值。
图27H是本发明的运行辅助***中保持的结合表168的数据结构的一例。结合表168是将警告呈现处理中使用的值对照地生成的表。
典型而言,保存驾驶员ID 481、车辆ID 482、日期时间483、用于预测的事故风险预测模型ID 484、预测的事故风险485、对事故风险预测有贡献的生物指标数据种类即贡献指标486、用于对于贡献指标推算生物状态的生物状态推算模型ID 487、关于贡献指标的本人严重程度488。
进而,也可以保存对于在判断为某条记录处于广义的危险状态的情况下警告呈现部138是否已呈现警告进行管理的标志即已发出警报标志489。
图27I是本发明的运行辅助***中保持的警报定义数据172的数据结构的一例。在警报定义数据172中保存判断是否相当于广义的危险状态时使用的判断条件。
典型而言,保存警报ID 1491、事故风险阈值1492、本人严重程度阈值1493。除此以外,例如也可以保存使用本人严重程度阈值1493时对贡献指标加以限定用的贡献指标条件1494、限定执行业务中的对象天气的天气条件1495、和实施警报的判断时限定为仅将以特定的输出形式得到的本人严重程度作为判断对象的本人严重程度种类1496等。
图27J是本发明的运行辅助***中保持的应对方案数据173的数据结构的一例。在应对方案数据中,保存用于生成警告呈现中的应对方案的信息。
典型而言,保存应对方案的方案ID 1501、作为呈现该应对方案的条件的贡献指标1502、表示贡献指标的状态的现象1503、根据贡献指标的现象设想的驾驶员的生理状态的解释1504、用于避免对应的广义的危险状态的应对方案1505。
另外,例如也可以对于同一贡献指标1502、现象1503、解释1504设定多个应对方案1505。该情况下,可以进而保存呈现应对方案1505的优先度1506。
如上所述,本实施例的运行辅助***基于将运行辅助服务器1根据生物传感器12的心跳数据计算出的生物指标数据164-2输入至事故风险预测模型171而计算出的事故风险预测数据166、和对生物状态推算模型169输入生物指标数据164-2而计算出的本人严重程度数据167,来检测是否相当于广义的危险状态。
由此,本实施例的运行辅助服务器1能够在吸收生物指标数据164-2的个人差异的基础上,在出现在车辆7的动作中之前检测出危险状态。另外,运行辅助服务器1在相当于广义的危险状态时基于对事故风险的预测有贡献的贡献指标,呈现包括用于避免广义的危险状态的应对方案的警告,由此接受警告的驾驶员自身能够采取避免广义的危险状态所需的行动。通过以上所述,运行辅助服务器1能够使车辆7的驾驶员预先避免广义的危险状态。
另外,上述实施例3中,示出了对管理车辆7的运行辅助***应用本发明的例子,但不限定于此。例如,能够代替车辆7地,将本发明应用于铁道车辆或船舶或航空器等需要驾驶员或操纵者的移动体。
实施例4
接着,说明本发明的实施例4。除以下说明的不同点之外,实施例4的运行辅助***的各部具有与实施例3的附加了同一附图标记的各部相同的功能,所以省略其说明。
图28是表示实施例4的运行辅助***中进行的处理的概要的图。本发明的实施例4中,对于在推算事故风险时考虑生物指标数据的个人差异地计算这一点进行说明。
将生物指标数据164-1输入至生物状态推算模型169而计算出本人严重程度数据167A(第一本人严重程度)(S106C),并输入至事故风险预测模型生成部135。
事故风险预测模型生成部135将生物指标数据164-1和事故风险推算数据165以及本人严重程度数据167A作为输入来生成事故风险预测模型171(S104)。
然后,危险预测部137将生物指标数据164-2输入至生物状态推算模型169而计算出本人严重程度数据167B(第二本人严重程度)(S106B),将本人严重程度数据167B输出至事故风险推算部133。事故风险推算部133对事故风险预测模型171的输入输入生物指标数据164-2以及本人严重程度数据167A(S106A)。
另外,步骤S107A的危险预测部137使用本人严重程度数据167B提取出贡献指标并生成结合表168的处理与上述实施例3是同样的。
由此,危险预测部137进行的贡献指标的提取/结合处理中,从生物指标数据164-2和本人严重程度数据167B中选择对事故风险推算有贡献的输入作为贡献指标,在选择了生物指标数据164-2的情况下将选择的种类的生物指标数据164-2的本人严重程度保存在结合表168中,在选择了本人严重程度数据167B的情况下将选择的种类的本人严重程度数据167B保存在结合表168中。
通过以上所述,实施例4在上述警告呈现的判断之外,在事故风险推算中,也能够考虑生物指标数据164的个人差异地推算事故风险,可以得到能够实现精度更高的事故风险的预测的效果。
实施例5
接着,说明本发明的实施例5。除以下说明的不同点之外,实施例5的运行辅助***的各部具有与实施例3的附加了同一附图标记的各部相同的功能,所以省略其说明。
图29是表示实施例5的运行辅助***中进行的处理的概要的图。图29中省略了上述图19的处理概要中的学习阶段,对于运用阶段的差异记载了处理的概要。
实施例5的运行辅助服务器1是并非每次在危险预测部137对结合表168追加记录之后都由警告呈现部138进行警告呈现,而是对驾驶员管理者提示警告呈现对象的一览,使驾驶员管理者可以为了辅助驾驶员的运行而手动地进行介入的例子。
警告呈现部138每当运行辅助服务器1的危险预测部137更新结合表168时或者按一定的周期读取结合表168而更新存在驾驶员管理者进行介入的可能性的介入候选(S15)。例如,仅提取出结合表168中已发出警报标志489不是“完成”、且运行当天的最近N小时的记录组。
之后,警告呈现部138对于提取出的记录组用上述方法进行发出警报判断,提取出相当于广义的危险状态的记录组(S107B)。存在相当于广义的危险状态的记录组的情况下,警告呈现部138对于该记录组分别生成用于避免广义的危险状态的应对方案(S107C)。
警告呈现部138对于输入输出装置5的显示器,显示生成了应对方案的记录组即警告目标的一览(S116)。在警告目标的一览显示中,将认为需要驾驶员管理者手动介入的警告目标优先显示在前面,能够由驾驶员管理者进行介入。
例如,警告呈现部138对业务/环境数据174、与相当于广义的危险状态的记录组进行比较,能够将因业务状况上的理由而不能按驾驶员自身的裁量采取呈现的应对方案的记录组排列在前面显示。
输入输出装置5接受基于显示器上显示的警告目标一览的、驾驶员管理者对驾驶员的介入(S117)。例如,对于作为应对方案显示了“请在附近能够休息的地点休息”这样的内容、但附近没有休息地点且货物的交货时间紧迫的驾驶员,驾驶员管理者能够使用与警告目标的一览显示上显示的该驾驶员进行语音通信用的接口,确认驾驶员本人的状态。
然后,在确认了该驾驶员不需要立即休息的情况下,驾驶员管理者指示在交货结束后能够休息的地点,由此能够对驾驶员呈现次优的应对方案。
另外,例如对于多次警告“睡意加深,需要休息”的驾驶员,驾驶员管理者确认本人的状态,在判断难以执行当初的业务日程计划的情况下,将当天的业务日程计划的后半部和第二天一早预定的业务部分省略,由此能够调整该驾驶员的业务量,使其休息。
图30是表示输入输出装置5的显示器输出的警告目标一览画面2000的一例的图。警告呈现部138更新提取出的介入候选并生成应对方案时,输入输出装置5更新警告目标一览并显示警告目标一览画面2000。
在警告目标一览画面2000的最上部,显示了当前时刻2001和正在浏览警告目标一览画面2000的驾驶员管理者的ID即管理者ID2002。在警告目标一览2003中,以表形式显示了警告呈现部138提取和生成的生成了应对方案的记录组。对于记录组,通过对于每列按下图中向下的三角形按钮,能够按驾驶员管理者重视而想要确认的要素排列优先顺位地排序。
在下部的区域2005中,显示了与驾驶员管理者为了处理而选择的记录对应的驾驶员的详情。图示的例子中,显示了与警告目标一览2003中的记录2004对应的驾驶员ID是“ZAX001”的信息。
在区域2005中显示了在地图上示出该驾驶员的位置的当前位置2011、关于选择的记录2004的应对方案2012、该驾驶员的业务预定2013、表示驾驶员的业务状况的备注2014、为了与驾驶员直接进行交流的联系驾驶员按钮2015。除此以外,也可以一并显示关于贡献指标的生物指标数据164的当天的时间推移。
在驾驶员的当前位置2011中,在地图上示出了对象驾驶员的位置2021和当天的实际行驶路线2022(实线)和预定行驶路线2022(虚线)。另外,也在地图上显示了在该驾驶员周边存在的其他驾驶员的位置2023。
驾驶员管理者以记录2004和应对方案2012、业务预定2013等为参考,通过警告目标一览画面2000判断驾驶员是否能够按自身的裁量执行应对方案和是否需要直接确认驾驶员的状况。然后,驾驶员管理者根据需要按下联系驾驶员按钮2015而与驾驶员直接对话,由此能够为了避免广义的危险状态而手动地介入。
通过以上所述,驾驶员管理者通过执行难以按该驾驶员自身的裁量执行的应对方案2012、或者执行与应对方案2012不同的次优的应对方案,能够避免广义的危险状态,对管理的驾驶员组的安全运行进行辅助。
如上所述,实施例5中,对于虽然处于广义的危险状态但难以按驾驶员的裁量实现的应对方案,驾驶员管理者根据驾驶员本人的状态允许其实施应对方案,由此该驾驶员能够采取用于避免广义的危险状态的更根本的应对方案。结果,可以得到运行辅助***能够辅助使驾驶员能够采取更灵活的应对方案而避免广义的危险状态的效果。
根据上述实施例3~5,能够基于事故风险预测模型、生物状态推算模型和生物数据检测广义的危险状态(危险现象)。结果,能够基于广义的危险状态判断是否需要发出警报,进而,能够提示用于避免广义的危险状态的应对方案。
<总结>
如上所述,上述实施例1、2的运行辅助方法能够采用如下所述的结构。
(1)一种由具有处理器(2)和存储器(3)的计算机辅助车辆(7)的运行的运行辅助方法,其特征在于,包括:第一步骤,所述计算机将过去收集到的表示车辆的行驶状态的第一车载传感器数据(40-m1)和从所述第一车载传感器数据(40-m1)预先设定了发生了危险的信息的危险发生数据(45)作为输入,通过机器学习来生成用于推算危险发生的概率作为事故风险的事故风险定义模型(48);第二步骤,所述计算机将过去收集到的表示车辆(7)的行驶状态的第二车载传感器数据(40-m2)输入至所述事故风险定义模型(48),推算危险发生的概率来生成事故风险推算数据(50);第三步骤,所述计算机将从收集所述第二车载传感器数据(40-m2)时的驾驶员的第一生物传感器数据(生物传感器数据41)预先计算出的第一生物指标数据(46-m)和所述事故风险推算数据(50)作为输入,通过机器学习来生成用于预测规定时间后的事故风险的事故风险预测模型(43);第四步骤,所述计算机获取正在驾驶车辆(7)的驾驶员的第二生物传感器数据(41),从所述第二生物传感器数据(41)计算表示所述驾驶员的状态的第二生物指标数据(46);和第五步骤,所述计算机将所述第二生物指标数据(46)输入至所述事故风险预测模型(43)来预测所述规定时间Δt后的事故风险(44)。
根据上述结构,运行辅助服务器1能够从正在驾驶车辆7的驾驶员的第一生物数据(生物传感器数据41)预测规定时间Δt后的事故风险。
(2)上述(1)所述的运行辅助方法,特征在于:还包括第六步骤,在该第六步骤中,所述计算机在所述规定时间Δt后的事故风险的预测值在预先设定的阈值Th以上的情况下生成并输出警报(600)。
根据上述结构,运行辅助服务器1通过预测事故风险在规定时间Δt后达到阈值Th以上,并对该车辆7的预测结果通知装置9和输入输出装置5的显示器进行通知,能够在事故风险增大之前用警报和消息提醒驾驶员和管理者注意。由此,运行辅助服务器1能够促进各车辆7安全运行。
(3)上述(1)所述的运行辅助方法,其特征在于:所述第四步骤包括:作为所述第二生物传感器数据(41)获取所述驾驶员的心跳数据的步骤;从所述心跳数据计算RRI来生成心跳变动时序数据的步骤;进行所述心跳变动时序数据的频谱分析的步骤;和从所述频谱分析的结果,从功率谱密度的低频成分的强度LF与高频成分的强度HF的和来计算自主神经总功率,计算作为生物指标数据(自主神经总功率462)的步骤。
根据上述结构,能够从生物传感器数据41的心跳数据计算时序的心跳变动数据而计算低频成分和高频成分的强度(LF、HF),得到自主神经总功率462和自主神经LF/HF 463。
(4)上述(3)所述的运行辅助方法,其特征在于:在所述第五步骤中,将所述功率谱密度的低频成分的强度(LF)和高频成分的强度(HF)输入至所述事故风险预测模型,所述事故风险预测模型(43)输出表示驾驶员的状态的解释数据。
根据上述结构,因为已知交感神经活性化的情况是承压状态,副交感神经活性化的情况是放松状态,所以能够从低频成分的强度LF和高频成分的强度HF判断驾驶员是处于承压状态还是处于放松状态。
(5)上述(2)所述的运行辅助方法,其特征在于:在所述第六步骤中获取所述车辆(7)的位置信息(位置402)并输出显示所述车辆(7)的位置信息(402)和表示所述驾驶员的状态的信息(603)的画面(预测结果显示画面600)。
根据上述结构,管理者能够在地图上一览地确认多个驾驶员的事故风险,能够选择事故风险高的驾驶员并远程地指示。
(16)上述(1)所述的运行辅助方法的特征在于:所述第四步骤包括:作为所述第一生物传感器数据(41)获取所述驾驶员的心跳数据的步骤;从所述心跳数据计算RRI来生成心跳变动时序数据的步骤;对于所述心跳变动时序数据计算相邻的RRI的差值来生成差序列ΔRRI(t)的步骤;和从所述差序列ΔRRI(t)计算所述差值在规定值XXmsec以上的差值的总数作为自主神经NNXX并作为生物指标数据(462)的步骤。
根据上述结构,能够从生物传感器数据41的心跳数据计算时序的心跳变动数据,从心跳变动数据计算差序列ΔRRI(t),计算出差值在规定值XXmsec以上的差值的总数作为自主神经NNXX,由此得到生物指标数据46作为表示副交感神经活动的大小的指标。
另外,上述实施例3~5的运行辅助服务器1能够采用如下所述的结构。
(19)一种由具有处理器(2)和存储器(3)的计算机(运行辅助服务器1)辅助车辆(7)的运行的运行辅助方法,其特征在于,包括:第一步骤,所述(1)计算机(1)将过去收集到的表示车辆(7)的行驶状态的第一车载传感器数据(161-1)和预先设定的危险发生数据(162)作为输入,生成用于推算危险现象发生的概率作为事故风险的事故风险定义模型(70);第二步骤,所述计算机将过去收集到的表示车辆(7)的行驶状态的第二车载传感器数据(161-2)输入至所述事故风险定义模型(70),推算危险现象发生的概率来生成事故风险推算数据(165);第三步骤,所述计算机将从收集所述第二车载传感器数据(161-2)时的驾驶员的第一生物传感器数据(生物传感器数据163)预先计算出的第一生物指标数据(164-1)和所述事故风险推算数据(165)作为输入,生成用于预测规定时间后的事故风险的事故风险预测模型(171);第四步骤,所述计算机输入预先计算出的第三生物指标数据(164-3)来生成用于计算本人严重程度(本人严重程度数据167)的生物状态推算模型(169);第七步骤,所述计算机从所述车辆(7)的生物传感器(12)获取正在驾驶的驾驶员的第二生物传感器数据(163),从所述第二生物传感器数据(163)计算表示所述驾驶员的状态的第二生物指标数据(164-2);第八步骤,所述计算机将所述第二生物指标数据(164-2)输入至所述事故风险预测模型(171)来预测所述事故风险,将所述第一生物指标数据(164-2)输入至所述生物状态推算模型(169)来计算所述本人严重程度(167);和第九步骤,所述计算机基于所述预测的所述事故风险(事故风险预测数据166)和计算出的所述本人严重程度(167)来判断是否发出警告。
根据上述结构,运行辅助服务器1能够基于事故风险预测模型171、生物状态推算模型169和生物指标数据164来检测广义的危险状态(危险现象)。
(20)上述(19)所述的运行辅助方法,其特征在于,还包括:第十步骤,所述计算机在判断为发出所述警告的情况下,提取所述事故风险预测模型(71)、所述事故风险(166)、和包括对所述事故风险(166)的预测有贡献的所述生物数据种类的贡献指标;和第十一步骤,所述计算机基于关于所述贡献指标的本人严重程度(67)来生成用于避免危险现象的应对方案。
根据上述结构,运行辅助服务器1能够基于事故风险预测模型171、生物状态推算模型169和生物指标数据164来检测广义的危险状态(危险现象),在发出警告的情况下提示用于避免广义的危险状态的应对方案。
(21)上述(20)所述的运行辅助方法,其特征在于,还包括所述计算机生成并输出包括用于避免所述危险现象的应对方案(应对方案数据173)的警告的第十二步骤。
根据上述结构,运行辅助服务器1能够基于事故风险预测模型171、生物状态推算模型169和生物指标数据164来检测广义的危险状态(危险现象),在发出警告的情况下生成用于避免广义的危险状态的应对方案并进行警告。
(22)上述(19)所述的运行辅助方法,其特征在于:在所述第四步骤中,将所述第一生物指标数据(164-1)和至少包括所述第一生物指标数据(164-1)中的用于生成所述生物状态推算模型(169)的对象期间的学习信息数据(176)作为输入,生成用于计算所述本人严重程度(167)的所述生物状态推算模型(169)。
根据上述结构,生物状态推算模型生成部134在选择为了进行聚类而输入的生物指标数据164-3时,能够基于学习信息数据176仅选择在同一计测条件下计测的生物指标数据164-3,仅输入学习信息数据176中保存的期间的生物指标数据164-3。由此,计测条件受到控制,能够期待抑制生物指标数据164-3的误差。
(23)上述(21)所述的运行辅助方法,其特征在于:在所述第八步骤中,生成将所述事故风险(166)、所述贡献指标和关于所述贡献指标的所述本人严重程度(167)关联地存储的结合表(168)。
根据上述结构,在生物指标数据164-2被更新后等规定的时机,将为了检测广义的危险状态并提示警告而使用的贡献指标和贡献指标的本人严重程度、事故风险和事故风险预测模型信息保存在结合表168中。
(24)上述(21)所述的运行辅助方法,其特征在于:在所述第十二步骤中,显示基于所述本人严重程度(167)得到的信息和包含用于避免所述危险现象的应对方案(173)的警告。
根据上述结构,在显示事故风险警报的区域1010中,例如在事故风险增大的警告文字1011之外,也显示基于贡献指标的生物指标数据164-2的本人严重程度得到的信息1012,由此不仅通知处于危险的状态,也能够以“对您而言是半年仅发生1次的状态”等、基于贡献指标的本人严重程度的对于驾驶员本人而言能够理解的形式提示警告,能够期待驾驶员对警告的接受程度提高。
(25)上述(19)所述的运行辅助方法,其特征在于:还包括所述计算机将所述第一生物指标数据(164-1)输入至所述生物状态推算模型(69)来计算第一本人严重程度(67A)的第十三步骤,在所述第三步骤中,将从收集所述第二车载传感器数据(161-2)时的驾驶员的第一生物传感器数据(163)预先计算出的第一生物指标数据(164-1)、所述事故风险推算数据(165)和所述第一本人严重程度(167)作为输入,来生成用于预测规定时间后的事故风险(166)的事故风险预测模型(171),在所述第八步骤中,将所述第二生物指标数据(164-2)输入至所述生物状态推算模型(169)来计算第二本人严重程度(167B),将所述第二生物指标数据(164-2)和第二本人严重程度(167B)输入至所述事故风险预测模型(171)来预测所述事故风险(166)。
根据上述结构,运行辅助服务器1在警告呈现的判断之外,在使用生物指标数据164进行的事故风险推算中也能够考虑生物指标数据164的个人差异地推算事故风险,可以得到能够实现精度更高的事故风险的预测的效果。
另外,本发明不限定于上述实施例,包括各种变形例。例如,上述实施例是为了易于理解地说明本发明而详细记载的,并不限定于必须包括说明的全部结构。另外,能够将某个实施例的结构的一部分置换为其他实施例的结构,也能够在某个实施例的结构上添加其他实施例的结构。另外,对于各实施例的结构的一部分,能够单独或组合地应用其他结构的追加、删除、或置换。
另外,对于上述各结构、功能、处理部、和处理单元等,例如可以通过在集成电路中设计等而用硬件实现其一部分或全部。另外,上述各结构、和功能等,也可以通过处理器解释、执行实现各功能的程序而用软件实现。实现各功能的程序、表、文件等信息,能够保存在存储器、硬盘、SSD(Solid State Drive)等记录装置、或者IC卡、SD卡、DVD等记录介质中。
另外,控制线和信息线示出了认为说明上必要的,并不一定示出了产品上全部的控制线和信息线。实际上也可以认为几乎全部结构都相互连接。
Claims (38)
1.一种由具有处理器和存储器的计算机辅助车辆的运行的运行辅助方法,其特征在于,包括:
第一步骤,所述计算机将过去收集到的表示车辆的行驶状态的第一车载传感器数据和从所述第一车载传感器数据预先设定了发生了危险的信息的危险发生数据作为输入,通过机器学习来生成用于推算危险发生的概率作为事故风险的事故风险定义模型;
第二步骤,所述计算机将过去收集到的表示车辆的行驶状态的第二车载传感器数据输入至所述事故风险定义模型,推算危险发生的概率来生成事故风险推算数据;
第三步骤,所述计算机将从收集所述第二车载传感器数据时的驾驶员的第一生物传感器数据预先计算出的第一生物指标数据和所述事故风险推算数据作为输入,通过机器学习来生成用于预测规定时间后的事故风险的事故风险预测模型;
第四步骤,所述计算机获取正在驾驶车辆的驾驶员的第二生物传感器数据,从所述第二生物传感器数据计算表示所述驾驶员的状态的第二生物指标数据;和
第五步骤,所述计算机将所述第二生物指标数据输入至所述事故风险预测模型来预测所述规定时间后的事故风险。
2.如权利要求1所述的运行辅助方法,其特征在于:
还包括第六步骤,在该第六步骤中,所述计算机在所述规定时间后的事故风险的预测值在预先设定的阈值以上的情况下生成并输出警报。
3.如权利要求1所述的运行辅助方法,其特征在于:
所述第四步骤包括:
作为所述第二生物传感器数据获取所述驾驶员的心跳数据的步骤;
从所述心跳数据计算RRI来生成心跳变动时序数据的步骤;
进行所述心跳变动时序数据的频谱分析的步骤;和
从所述频谱分析的结果计算功率谱密度的低频成分的强度与高频成分的强度的和来作为自主神经总功率,并将其作为生物指标数据的步骤。
4.如权利要求3所述的运行辅助方法,其特征在于:
在所述第五步骤中,将所述功率谱密度的低频成分的强度和高频成分的强度输入至所述事故风险预测模型,所述事故风险预测模型输出表示驾驶员的状态的解释数据。
5.如权利要求2所述的运行辅助方法,其特征在于:
在所述第六步骤中,获取所述车辆的位置信息并输出显示所述车辆的位置信息和表示所述驾驶员的状态的信息的画面。
6.一种包括服务器和车辆的、辅助所述车辆的运行的运行辅助***,其中所述服务器包括处理器和存储器,所述车辆包括检测行驶状态的车载传感器和检测驾驶员的生物传感器数据的生物传感器,
所述服务器包括:
事故风险定义生成部,其将过去收集到的表示车辆的行驶状态的第一车载传感器数据和从所述第一车载传感器数据预先设定了发生了危险的信息的危险发生数据作为输入,通过机器学习来生成用于推算危险发生的概率作为事故风险的事故风险定义模型,将过去收集到的表示车辆的行驶状态的第二车载传感器数据输入至所述事故风险定义模型,推算危险发生的概率来生成事故风险推算数据;
事故风险预测模型生成部,其将从作为收集所述第二车载传感器数据时的驾驶员的生物传感器数据获取的第一生物传感器数据预先计算出的第一生物指标数据和所述事故风险推算数据作为输入,通过机器学习来生成用于预测规定时间后的事故风险的事故风险预测模型;
生物指标计算部,其从所述车辆的所述生物传感器获取正在驾驶的所述驾驶员的第二生物传感器数据,从所述第二生物传感器数据计算表示所述驾驶员的状态的第二生物指标数据;和
事故风险预测部,其将所述第二生物指标数据输入至所述事故风险预测模型来预测所述规定时间后的事故风险。
7.如权利要求6所述的运行辅助***,其特征在于:
还具有事故风险通知部,其在所述规定时间后的事故风险的预测值在预先设定的阈值以上的情况下生成并输出警报。
8.如权利要求6所述的运行辅助***,其特征在于:
所述生物指标计算部,作为所述第二生物传感器数据获取所述驾驶员的心跳数据,从所述心跳数据计算RRI来生成心跳变动时序数据,并进行所述心跳变动时序数据的频谱分析,从所述频谱分析的结果计算功率谱密度的低频成分的强度与高频成分的强度的和来作为自主神经总功率,并将其作为所述第二生物指标数据。
9.如权利要求8所述的运行辅助***,其特征在于:
所述事故风险预测部,将所述功率谱密度的低频成分的强度和高频成分的强度输入至所述事故风险预测模型,所述事故风险预测模型输出表示驾驶员的状态的解释数据。
10.如权利要求7所述的运行辅助***,其特征在于:
所述事故风险通知部从所述车辆的车载传感器获取位置信息并输出显示所述车辆的位置信息和表示所述驾驶员的状态的信息的画面。
11.一种具有处理器和存储器的、对辅助车辆的运行的运行辅助服务器,其特征在于,包括:
事故风险定义模型生成部,其将过去收集到的表示车辆的行驶状态的第一车载传感器数据和从所述第一车载传感器数据预先设定了发生了危险的信息的危险发生数据作为输入,通过机器学习来生成用于推算危险发生的概率作为事故风险的事故风险定义模型,将过去收集到的表示车辆的行驶状态的第二车载传感器数据输入至所述事故风险定义模型,推算危险发生的概率来生成事故风险推算数据;
事故风险预测模型生成部,其将从收集所述第二车载传感器数据时的驾驶员的第一生物传感器数据预先计算出的第一生物指标数据和所述事故风险推算数据作为输入,通过机器学习来生成用于预测规定时间后的事故风险的事故风险预测模型;
生物指标计算部,其获取正在驾驶所述车辆的所述驾驶员的第二生物传感器数据,从所述第二生物传感器数据计算表示所述驾驶员的状态的第二生物指标数据;和
事故风险预测部,其将所述第二生物指标数据输入至所述事故风险预测模型来预测所述规定时间后的事故风险。
12.如权利要求11所述的运行辅助服务器,其特征在于:
还具有事故风险通知部,其在所述规定时间后的事故风险的预测值在预先设定的阈值以上的情况下生成并输出警报。
13.如权利要求11所述的运行辅助服务器,其特征在于:
所述生物指标计算部,作为所述第二生物传感器数据获取所述驾驶员的心跳数据,从所述心跳数据计算出RRI来生成心跳变动时序数据,并进行所述心跳变动时序数据的频谱分析,从所述频谱分析的结果计算功率谱密度的低频成分的强度与高频成分的强度的和来作为自主神经总功率,并将其作为所述第二生物指标数据。
14.如权利要求13所述的运行辅助服务器,其特征在于:
所述事故风险预测部,对所述事故风险预测模型输入所述功率谱密度的低频成分的强度和高频成分的强度,所述事故风险预测模型输出表示驾驶员的状态的解释数据。
15.如权利要求12所述的运行辅助服务器,其特征在于:
所述事故风险通知部从所述车辆的车载传感器获取位置信息并输出显示所述车辆的位置信息和表示所述驾驶员的状态的信息的画面。
16.如权利要求1所述的运行辅助方法,其特征在于:
所述第四步骤包括:
作为所述第二生物传感器数据获取所述驾驶员的心跳数据的步骤;
从所述心跳数据计算RRI来生成心跳变动时序数据的步骤;
对于所述心跳变动时序数据计算相邻的RRI的差值来生成差序列ΔRRI(t)的步骤;和
从所述差序列ΔRRI(t)计算所述差值在规定值XXmsec以上的差值的总数作为自主神经NNXX并将其作为所述第二生物指标数据的步骤。
17.如权利要求6所述的运行辅助***,其特征在于:
所述生物指标计算部,作为所述第二生物传感器数据获取所述驾驶员的心跳数据,从所述心跳数据计算RRI来生成心跳变动时序数据,对于所述心跳变动时序数据计算相邻的RRI的差值来生成差序列ΔRRI(t),从所述差序列ΔRRI(t)计算所述差值在规定值XXmsec以上的差值的总数作为自主神经NNXX并将其作为生物指标数据。
18.如权利要求11所述的运行辅助服务器,其特征在于:
所述生物指标计算部,作为所述第二生物传感器数据获取所述驾驶员的心跳数据,从所述心跳数据计算RRI来生成心跳变动时序数据,对于所述心跳变动时序数据计算相邻的RRI的差值来生成差序列ΔRRI(t),从所述差序列ΔRRI(t)计算所述差值在规定值XXmsec以上的差值的总数作为自主神经NNXX并将其作为生物指标数据。
19.如权利要求1所述的运行辅助方法,其特征在于:
所述第三步骤还包括本人严重程度计算步骤,在该本人严重程度计算步骤中,生成输入预先计算出的第三生物传感器数据来计算本人严重程度的生物状态推算模型;
所述运行辅助方法包括:
第七步骤,所述计算机从所述车辆的生物传感器获取正在驾驶的驾驶员的所述第二生物传感器数据,从所述第二生物传感器数据计算表示所述驾驶员的状态的第二生物指标数据;
第八步骤,所述计算机将所述第二生物指标数据输入至所述事故风险预测模型来预测所述事故风险,将所述第二生物指标数据输入至所述生物状态推算模型来计算所述本人严重程度;和
第九步骤,所述计算机基于所述预测的所述事故风险和计算出的所述本人严重程度来判断是否发出警告。
20.如权利要求19所述的运行辅助方法,其特征在于,还包括:
第十步骤,所述计算机在判断为发出所述警告的情况下,提取所述事故风险预测模型、所述事故风险和包括对所述事故风险的预测有贡献的所述生物数据种类的贡献指标;和
第十一步骤,所述计算机基于关于所述贡献指标的本人严重程度来生成用于避免危险现象的应对方案。
21.如权利要求20所述的运行辅助方法,其特征在于:
还包括由所述计算机生成并输出包含所述应对方案的警告的第十二步骤。
22.如权利要求19所述的运行辅助方法,其特征在于:
在所述第三步骤的所述本人严重程度计算步骤中,将所述第一生物指标数据和至少包括所述第一生物指标数据中的用于生成所述生物状态推算模型的对象期间的学习信息数据作为输入,生成用于计算所述本人严重程度的所述生物状态推算模型。
23.如权利要求20所述的运行辅助方法,其特征在于:
在所述第八步骤中,生成将所述事故风险、所述贡献指标和关于所述贡献指标的所述本人严重程度关联地存储的结合表。
24.如权利要求21所述的运行辅助方法,其特征在于:
在所述第十二步骤中,显示基于所述本人严重程度的信息和包含所述应对方案的警告。
25.如权利要求19所述的运行辅助方法,其特征在于:
还包括所述计算机将所述第一生物指标数据输入至所述生物状态推算模型来计算第一本人严重程度的第十三步骤,
在所述第三步骤中,将从收集所述第二车载传感器数据时的驾驶员的第一生物传感器数据预先计算出的第一生物指标数据、所述事故风险推算数据和所述第一本人严重程度作为输入,来生成用于预测规定时间后的事故风险的事故风险预测模型;
在所述第八步骤中,将所述第二生物指标数据输入至所述生物状态推算模型来计算第二本人严重程度,将所述第二生物指标数据和第二本人严重程度输入至所述事故风险预测模型来预测所述事故风险。
26.如权利要求6所述的运行辅助***,其特征在于:
所述服务器还包括:
生物状态推算部,其生成输入预先计算出的第三生物指标数据来计算本人严重程度的生物状态推算模型;
危险预测部,其将所述第二生物指标数据输入至所述事故风险预测模型来预测所述事故风险,并且输入至所述生物状态推算模型来计算所述本人严重程度;和
警告呈现部,其基于预测出的所述事故风险和计算出的所述本人严重程度来判断是否发出警告。
27.如权利要求26所述的运行辅助***,其特征在于:
所述警告呈现部,在判断为发出所述警告的情况下,基于所述事故风险预测模型、所述事故风险、对所述事故风险的预测有贡献的生物数据种类即贡献指标、以及关于所述贡献指标的本人严重程度,来生成用于避免危险现象的应对方案。
28.如权利要求27所述的运行辅助***,其特征在于:
所述警告呈现部生成并输出包含所述应对方案的警告。
29.如权利要求26所述的运行辅助***,其特征在于:
所述生物状态推算部,将所述第一生物指标数据和至少包括所述第一生物指标数据中的用于生成所述生物状态推算模型的对象期间的学习信息数据作为输入,来生成用于计算所述本人严重程度的所述生物状态推算模型。
30.如权利要求27所述的运行辅助***,其特征在于:
所述危险预测部生成将所述事故风险、所述贡献指标和关于所述贡献指标的所述本人严重程度关联地存储的结合表。
31.如权利要求26所述的运行辅助***,其特征在于:
所述危险预测部,显示基于所述本人严重程度的信息和包含用于避免危险现象的应对方案的警告。
32.如权利要求26所述的运行辅助***,其特征在于:
所述危险预测部将所述第一生物指标数据输入至所述生物状态推算模型来计算第一本人严重程度,
所述事故风险预测生成部,将从收集所述第二车载传感器数据时的驾驶员的第一生物数据预先计算出的第一生物指标数据、所述事故风险推算数据和所述第一本人严重程度作为输入,来生成用于预测规定时间后的事故风险的事故风险预测模型,
所述危险预测部,将所述第二生物指标数据输入至所述生物状态推算模型来计算第二本人严重程度,将所述第二生物指标数据和第二本人严重程度输入至所述事故风险预测模型来预测所述事故风险。
33.如权利要求11所述的运行辅助服务器,其特征在于,还包括:
生物状态推算部,其生成输入预先计算出的第三生物指标数据来计算本人严重程度的生物状态推算模型;
危险预测部,其将所述第二生物指标数据输入至所述事故风险预测模型来预测所述事故风险,并且输入至所述生物状态推算模型来计算所述本人严重程度;和
警告呈现部,其基于预测出的所述事故风险和计算出的所述本人严重程度来判断是否发出警告。
34.如权利要求33所述的运行辅助服务器,其特征在于:
所述警告呈现部,在判断为发出所述警告的情况下,基于所述事故风险预测模型、所述事故风险、对所述事故风险的预测有贡献的生物数据种类即贡献指标和关于所述贡献指标的本人严重程度,来生成用于避免危险现象的应对方案。
35.如权利要求34所述的运行辅助服务器,其特征在于:
所述警告呈现部生成并输出包含所述应对方案的警告。
36.如权利要求33所述的运行辅助服务器,其特征在于:
所述生物状态推算部,将所述第一生物指标数据和至少包括所述第一生物指标数据中的用于生成所述生物状态推算模型的对象期间的学习信息数据作为输入,来生成用于计算所述本人严重程度的所述生物状态推算模型。
37.如权利要求34所述的运行辅助服务器,其特征在于:
所述危险预测部生成将所述事故风险、所述贡献指标和关于所述贡献指标的所述本人严重程度关联地存储的结合表。
38.如权利要求33所述的运行辅助服务器,其特征在于:
所述危险预测部显示基于所述本人严重程度的信息和包含用于避免危险现象的应对方案的警告。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020100060A JP7437241B2 (ja) | 2020-06-09 | 2020-06-09 | 運行支援方法、運行支援システム及び運行支援サーバ |
JP2020-100060 | 2020-06-09 | ||
JP2020157573A JP2022051216A (ja) | 2020-09-18 | 2020-09-18 | 安全運行支援方法、安全運行支援システム及び安全運行支援サーバ |
JP2020-157573 | 2020-09-18 | ||
PCT/JP2021/021634 WO2021251351A1 (ja) | 2020-06-09 | 2021-06-07 | 運行支援方法、運行支援システム及び運行支援サーバ |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115398509A true CN115398509A (zh) | 2022-11-25 |
Family
ID=78845619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180027297.9A Pending CN115398509A (zh) | 2020-06-09 | 2021-06-07 | 运行辅助方法、运行辅助***和运行辅助服务器 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230211780A1 (zh) |
CN (1) | CN115398509A (zh) |
WO (1) | WO2021251351A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220055209A (ko) * | 2020-10-26 | 2022-05-03 | 현대자동차주식회사 | 차량 및 그 제어방법 |
JP2022187790A (ja) * | 2021-06-08 | 2022-12-20 | 株式会社日立物流 | 運行管理補助システムおよび運行管理補助方法 |
US20240029533A1 (en) * | 2022-07-19 | 2024-01-25 | Vmware, Inc. | Providing smart alarm information in a computing system using detected alarms |
CN116030627B (zh) * | 2022-12-31 | 2024-04-30 | 东南大学 | 一种融合预测交通风险变量的道路交通事故分析方法 |
CN116453345B (zh) * | 2023-06-13 | 2023-08-18 | 吉林大学 | 一种基于驾驶风险反馈的公交行车安全预警方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009137582A1 (en) * | 2008-05-06 | 2009-11-12 | University Of Virginia Patent Foundation | System and method for minimizing occupant injury during vehicle crash events |
JP2011242190A (ja) * | 2010-05-17 | 2011-12-01 | Fujitsu Ltd | 運転支援装置 |
WO2014207558A2 (en) * | 2013-06-27 | 2014-12-31 | Scope Technologies Holdings Limited | Onboard vehicle accident detection and damage estimation system and method of use |
WO2017038166A1 (ja) * | 2015-08-28 | 2017-03-09 | ソニー株式会社 | 情報処理装置、情報処理方法及びプログラム |
CN109191774A (zh) * | 2018-06-12 | 2019-01-11 | 桐乡捷锐建筑材料有限公司 | 共享汽车乘客预警方法 |
US20190102689A1 (en) * | 2017-10-03 | 2019-04-04 | International Business Machines Corporation | Monitoring vehicular operation risk using sensing devices |
CN109952592A (zh) * | 2016-11-07 | 2019-06-28 | 瑞士再保险有限公司 | 自动位置相关测量和预测汽车风险的绝对和相对风险***和方法 |
JP2019114100A (ja) * | 2017-12-25 | 2019-07-11 | 株式会社東芝 | 交通管制装置および車載器 |
CN110188655A (zh) * | 2019-05-27 | 2019-08-30 | 上海蔚来汽车有限公司 | 驾驶状态评价方法、***及计算机存储介质 |
US10586122B1 (en) * | 2016-10-31 | 2020-03-10 | United Services Automobile Association | Systems and methods for determining likelihood of traffic incident information |
-
2021
- 2021-06-07 CN CN202180027297.9A patent/CN115398509A/zh active Pending
- 2021-06-07 US US17/928,046 patent/US20230211780A1/en active Pending
- 2021-06-07 WO PCT/JP2021/021634 patent/WO2021251351A1/ja active Application Filing
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009137582A1 (en) * | 2008-05-06 | 2009-11-12 | University Of Virginia Patent Foundation | System and method for minimizing occupant injury during vehicle crash events |
US20110130111A1 (en) * | 2008-05-06 | 2011-06-02 | Crandall Jeff R | System and method for minimizing occupant injury during vehicle crash events |
JP2011242190A (ja) * | 2010-05-17 | 2011-12-01 | Fujitsu Ltd | 運転支援装置 |
WO2014207558A2 (en) * | 2013-06-27 | 2014-12-31 | Scope Technologies Holdings Limited | Onboard vehicle accident detection and damage estimation system and method of use |
WO2017038166A1 (ja) * | 2015-08-28 | 2017-03-09 | ソニー株式会社 | 情報処理装置、情報処理方法及びプログラム |
US10586122B1 (en) * | 2016-10-31 | 2020-03-10 | United Services Automobile Association | Systems and methods for determining likelihood of traffic incident information |
CN109952592A (zh) * | 2016-11-07 | 2019-06-28 | 瑞士再保险有限公司 | 自动位置相关测量和预测汽车风险的绝对和相对风险***和方法 |
US20190102689A1 (en) * | 2017-10-03 | 2019-04-04 | International Business Machines Corporation | Monitoring vehicular operation risk using sensing devices |
JP2019114100A (ja) * | 2017-12-25 | 2019-07-11 | 株式会社東芝 | 交通管制装置および車載器 |
CN109191774A (zh) * | 2018-06-12 | 2019-01-11 | 桐乡捷锐建筑材料有限公司 | 共享汽车乘客预警方法 |
CN110188655A (zh) * | 2019-05-27 | 2019-08-30 | 上海蔚来汽车有限公司 | 驾驶状态评价方法、***及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021251351A1 (ja) | 2021-12-16 |
US20230211780A1 (en) | 2023-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115398509A (zh) | 运行辅助方法、运行辅助***和运行辅助服务器 | |
McDonald et al. | Real-time detection of drowsiness related lane departures using steering wheel angle | |
US9676395B2 (en) | Incapacitated driving detection and prevention | |
Pakdamanian et al. | Deeptake: Prediction of driver takeover behavior using multimodal data | |
US10089692B1 (en) | Risk evaluation based on vehicle operator behavior | |
US11615476B2 (en) | Information processing device and method | |
CN112041910A (zh) | 信息处理装置、移动设备、方法和程序 | |
CN110648075A (zh) | 驾驶安全评估方法及装置 | |
EP2434466A1 (en) | Driving assistance method and device | |
US20130159041A1 (en) | Fatigue Time Determination for an Activity | |
JP7437241B2 (ja) | 運行支援方法、運行支援システム及び運行支援サーバ | |
US10877444B1 (en) | System and method for biofeedback including relevance assessment | |
Melnicuk et al. | Towards hybrid driver state monitoring: Review, future perspectives and the role of consumer electronics | |
CN107428245B (zh) | 用于预测机动车辆驾驶员的警觉水平的设备和方法 | |
Panagopoulos et al. | Forecasting markers of habitual driving behaviors associated with crash risk | |
CN109716411A (zh) | 用以监测驾驶员的活动水平的方法和设备 | |
US20210237744A1 (en) | Management assistance system | |
Macalisang et al. | Drive-Awake: A YOLOv3 Machine Vision Inference Approach of Eyes Closure for Drowsy Driving Detection | |
JP6684295B2 (ja) | 管理支援システム | |
JP2011227883A (ja) | 運転能力判定装置及び運転能力判定方法 | |
Urbano et al. | Cooperative driver stress sensing integration with eCall system for improved road safety | |
JP2022051216A (ja) | 安全運行支援方法、安全運行支援システム及び安全運行支援サーバ | |
WO2016185981A1 (ja) | 運転支援プログラム、運転支援方法および運転支援装置 | |
US11027741B2 (en) | Apparatus and method for estimating driver readiness and method and system for assisting driver | |
KR102525413B1 (ko) | 운전자 준비도를 예측하는 장치 및 방법, 운전자 지원 방법 및 시스템 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Tokyo, Japan Applicant after: Luojidi Co.,Ltd. Address before: Tokyo, Japan Applicant before: HITACHI TRANSPORT SYSTEM, LTD. |