JP2006160032A - 運転状態判定装置及び運転状態判定方法 - Google Patents

Abstract

【課題】 車両の運転状態を適切に判定することのできる運転状態判定装置及び運転状態判定方法の提供を目的とする。
【解決手段】 車両に搭載され、当該車両の運転状態を判定する運転状態判定装置であって、当該車両の各部の状態を示す各種の情報を検出する車両状態検出手段と、当該車両の外部環境に関する各種の情報を検出する外部環境検出手段と、前記車両各部の状態を示す各種の情報と、前記外部環境に関する各種の情報とを入力情報として各運転状態の発生確率を算出するニューラルネットワークを用いて、当該車両の運転状態を判定する運転状態判定手段とを有することにより上記課題を解決する。
【選択図】 図１

Description

本発明は、運転状態判定装置及び運転状態判定方法に関し、特に自動車等の車両の運転状態を判定する運転状態判定装置及び運転状態判定方法に関する。

現在、米国等を中心に法的な搭載の義務化が検討されているドライビングレコーダを実現する上で、車線変更、右左折、及び駐車操作等の車両の運転状態を自動的に判定する技術の開発が強く要求されている。また、運転支援システムやエージョント等のサービスを提供する上でも、運転状態がタイムリーに、かつ、正確に判定されることで、より高度で快適なアプリケーションを提供することが可能となる。
特開２０００−２３３６９９号公報 特開２００４−５３２６７号公報

しかしながら、既に開示されている技術のほとんどは、運転状態の判定そのものを目的としているものではなく、あるサービスの提供等を目的として特定の又は一部の運転状態を検出するといったものにとどまる。

例えば、特許文献１に記載されている技術は、車両の進行方向における物体の検出を目的として、右左折等の一部の運転状態を検出するものである。

一方、特許文献２には、ブレーキ、アクセル、操舵角、シフト操作、及びウィンカーの各操作データから、「減速」、「停止」、「転回」、「進路変更」、「回避」、「後退」、「右左折」、及び「合流」等の複数の運転状態を判定する旨が記載されている。しかし、特許文献２による開示内容では、例えば、「旋回」、「車線変更」、「右左折」、「合流」を正確に区別して判定することは困難であるという問題がある。すなわち、「車線変更」と「右左折」とについては、ウィンカー操作、操舵角、ブレーキ操作、アクセル操作、及びシフト操作の全てが同じ条件でも、両者が発生し得るからである。また、例えば、ウィンカー操作をしないで「右左折」を行うような場合にも、「右左折」と「旋回」との区別が困難である。

本発明は、上記の点に鑑みてなされたものであって、車両の運転状態を適切に判定することのできる運転状態判定装置及び運転状態判定方法の提供を目的とする。

そこで上記課題を解決するため、本発明は、請求項１に記載されるように、車両に搭載され、当該車両の運転状態を判定する運転状態判定装置であって、当該車両の各部の状態を示す各種の情報を検出する車両状態検出手段と、当該車両の外部環境に関する各種の情報を検出する外部環境検出手段と、前記車両各部の状態を示す各種の情報と、前記外部環境に関する各種の情報とを入力情報として各運転状態の発生確率を算出するニューラルネットワークを用いて、当該車両の運転状態を判定する運転状態判定手段とを有することを特徴とする。

このような運転状態判定装置では、車両の各部の状態だけで無く、外部環境に関する情報をも入力情報とするニューラルネットワークを用いて運転状態を判定するため、車両の運転状態を適切に判定することができる。

また、上記課題を解決するため、本発明は、上記運転状態判定装置における運転状態判定方法としてもよい。

本発明によれば、車両の運転状態を適切に判定することのできる運転状態判定装置及び運転状態判定方法を提供することができる。

以下、図面に基づいて本発明の実施の形態を説明する。図１は、本発明の実施の形態における運転状態判定システムの構成例を示す図である。図１において、運転支援システム１は、自動車等の車両に搭載され、車両の運転状態を自動的に判定することにより、その運転状態に応じたサービスをドライバーに提供するシステムであり、環境情報認識ＥＣＵ１１、車両情報認識ＥＣＵ１２、判定処理ＥＣＵ１３、運転状態記録ＥＣＵ１４、及び運転支援ＥＣＵ１５等の各種ＥＣＵと、それぞれのＥＣＵに接続された各種センサ等と、運転記録ＤＢ（データベース）１６と等より構成される。ここで、ＥＣＵ（Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｎｔｒｏｌ Ｕｎｉｔ）は、マイクロコンピュータによって構成されており、例えば、制御プログラムを格納するＲＯＭ、演算結果等を格納する読書き可能なＲＡＭ、タイマ、カウンタ、入力インターフェイス、及び出力インターフェイス等を有する装置を意味する。

環境情報認識ＥＣＵ１１は、車間用レンジセンサ１１１、車線画像認識センサ１１２、信号画像認識センサ１１３、標識画像認識センサ１１４、一時停止線画像認識センサ１１５、歩行者画像認識センサ１１６、車両周辺センサ１１７、交通環境情報取得用通信装置１１８、及びカーナビゲーションシステム１１９等からの入力情報に基づき、車両の外部環境に関する各種情報、特に、当該車両の走行を何らかの形で制限する情報（以下「環境情報」という。）を認識するＥＣＵである。

車間用レンジセンサ１１１は、前方の車両との車間距離を検出するセンサである。車線画像認識センサ１１２は、カメラより入力される車線画像に基づいて車線との距離を検出するセンサである。信号画像認識センサ１１３は、カメラより入力される前方の信号の画像に基づいて、当該信号の色を検出するセンサである。標識画像認識センサ１１４は、カメラより入力される前方の交通標識の画像に基づいて、当該交通標識の意味を特定するセンサである。一時停止線画像認識センサ１１５は、カメラより入力される一時停止線の画像に基づいて、当該一時停止線までの距離を検出するセンサである。歩行者画像認識センサ１１６は、カメラより入力される前方の歩行者の画像に基づいて、歩行者の存在を検出するセンサである。車両周辺センサ１１７は、車両周辺の障害物等を検出するセンサである。交通環境情報取得用通信装置１１８は、事故や渋滞等の交通環境情報を通信により取得する装置である。カーナビゲーションシステム１１９は、いわゆるカーナビゲーションシステムであり、車両の現在位置や現在草稿している道路形態（直線、交差点、Ｔ字路等）を地図データ等より判定するシステムである。

車両情報認識ＥＣＵ１２は、車速センサ１２１、舵角センサ１２２、アクセル開度センサ１２３、ブレーキ踏込み度センサ１２４、及びウィンカー操作センサ１２５等からの入力情報に基づき、車両の各部の状態を示す各種の情報（以下「車両情報」という。）を認識するＥＣＵである。

車速センサ１２１は、車速を検出するセンサである。舵角センサ１２２は、舵角を検出するセンサである。アクセル開度センサ１２３は、アクセルの踏み込み度を検出するセンサである。ブレーキ踏込み度センサ１２４は、ブレーキの踏込み度を検出するセンサである。ウィンカー操作センサ１２５は、ウィンカーの操作を検出するセンサである。

判定処理ＥＣＵ１３は、環境情報認識ＥＣＵ１１によって認識された環境情報と、車両情報認識ＥＣＵ１２によって認識された車両情報とに基づいて、車両の運転状態を判定するＥＣＵである。

運転状態記録ＥＣＵ１４は、判定処理ＥＣＵ１３によって判定された運転状態を運転記録ＤＢ１６に記録すると共に、判定処理ＥＣＵ１３による判定結果が誤っていた場合に（実際の運転状態と異なっていた場合に）、判定処理ＥＣＵ１３における判定ロジックを修正するＥＣＵである。

運転支援ＥＣＵ１５は、判定処理ＥＣＵ１３によって判定された運転状態に応じた運転支援サービスを、例えば、ディスプレイ１５１、スピーカ１５２、又はアクチュエータ１５３等を介して提供するＥＣＵである。

本実施の形態において、判定処理ＥＣＵ１３による運転状態の判定処理は、階層的に細分化された運転状態の定義に基づいてロジック化されている。図２は、本発明の実施の形態における運転状態の定義例を示す図である。

図２に示される表２０１において、運転状態はＬ１（レベル１）からＬ３までの３階層に細分化されている。最も大きな分類であるＬ１としては、「前進」、「後進」、及び「停止」が定義されている。また、Ｌ１を細分化したＬ２においては、「前進」について「直進」及び「曲がる」が、「後進」について「真っ直ぐ後進」及び「バック旋回」が、「停止」について「一時停止」、「停車（アイドリング状態）」及び「駐車」がそれぞれ定義されている。更に、Ｌ２を細分化したＬ３として、「直進」について「加速」、「等速」及び「減速」が、「曲がる」について「旋回（カーブ）」、「右左折」及び「車線変更」が定義されている。

また、表２０１においては、Ｌ２又はＬ３のそれぞれの運転状態を判定するにあたり重みの高い入力情報が定義されている。例えば、加速（Ｌ３）を判定するためには、車速、アクセル、ブレーキ、及び操舵角に関する情報が重要である旨が定義されている。かかる定義に基づいて判定処理ＥＣＵ１３に組み込まれた運転状態の判定ロジックは、例えば、図３のようになる。図３は、判定処理ＥＣＵによる運転状態の判定処理を説明するためのフローチャートである。

図３のステップＳ１０１において、車両情報認識ＥＣＵ１２からの車両情報に基づいて、ＩＧ（イグニッション）がＯＦＦであるか否かを判定する。イグニッションがＯＦＦであると判定した場合は（Ｓ１０１でＹｅｓ）、運転状態は「駐車」状態であると判定する（Ｓ１０２）。イグニッションがＯＦＦでないと判定した場合は（Ｓ１０１でＮｏ）、ステップＳ１０３に進み、車両情報に基づいて、車速は０（ｋｍ／ｈ）であるか否かを判定する。車速が０であると判定した場合は（Ｓ１０３でＹｅｓ）、ステップＳ１０４に進み、車両情報に基づいて、所定時間（ここでは、α分とする。）以上停車しているか否かを判定する。α分以上停車していると判定した場合は（Ｓ１０４でＹｅｓ）、運転状態は「停車」状態であると判定し（Ｓ１０５）、そうでない場合は（Ｓ１０４でＮｏ）、運転状態は「一時停止」状態であると判定する（Ｓ１０６）。

一方、ステップＳ１０３において車速は０でないと判定した場合は（Ｓ１０３でＮｏ）、ステップＳ１０７に進み、車両情報に基づいて、シフトポジションはＲ（Ｒｅａｒ）であるか否かを判定する。シフトポジションはＲであると判定した場合は（Ｓ１０７でＹｅｓ）、運転状態は「後進」状態であると判定する（Ｓ１０８）。シフトポジジョンはＲでないと判定し場合は、ステップＳ１０９に進み、車両情報に基づいて、操舵角は０（度）付近であるか否かを判定する。

操舵角は０付近であると判定した場合は（Ｓ１０９でＹｅｓ）、運転状態は「直進」状態であると判定し（Ｓ１１０）、更に、「直進」に属する下層の運転状態まで特定すべくステップＳ１１１からＳ１１５の処理を行う。すなわち、加速度が０（ｋｍ／ｓ^２）付近であると判定した場合は（Ｓ１1１でＹｅｓ）、「等速」状態であると判定する（Ｓ１１２）。また、加速度は０付近でないと判定した場合は（Ｓ１１１でＮｏ）、加速度はプラス（＋）であるか否かを判定し（Ｓ１１３）、プラスである場合は、運転状態は「加速」状態と判定し（Ｓ１１４）、そうでない場合は、運転状態は「減速」状態であると判定する（Ｓ１１５）。

一方、ステップＳ１０９において操舵角は０付近でないと判定した場合は（Ｓ１０９でＮｏ）、ステップＳ１１６に進み、車両情報に基づいて、ウィンカーは作動しているか否かを判定する。ウィンカーは作動していると判定した場合は（Ｓ１１６でＹｅｓ）、ステップＳ１１７に進み、車両情報に基づいて、操舵角は大きいか否かを判定する。後述するように、操舵角の大きさによって「右左折」であるか、又は「車線変更」であるかが判定される。したがって、ここでの操舵角が大きいか否かの基準は、右左折と車線変更とを区別できる程度に、経験値等に基づいて定めればよい。

かかる基準に基づいて、操舵角は大きいと判定した場合は（Ｓ１１７でＹｅｓ）、ステップＳ１１８に進み、運転状態は「右左折」であると判定し、更に、ウィンカーの状態に基づいて「右折」であるか「左折」であるかを判定する。すなわち、ウィンカーが右を指示している場合は「右折」と判定し（Ｓ１２０）、そうでない場合は「左折」と判定する（Ｓ１２１）。

ステップＳ１１７において操舵角は大きくないと判定した場合は（Ｓ１１７でＮｏ）、ステップＳ１１２に進み、運転状態は「車線変更」であると判定し、更に、ウィンカーの状態に基づいて右車線への変更であるか、あるいは左車線への変更であるかを判定する。すなわち、ウィンカーが右を指示している場合は「右車線へ」の車線変更であると判定し（Ｓ１２４）、そうでない場合は「左車線へ」の車線変更であると判定する（Ｓ１２５）。

一方、ステップＳ１１６においてウィンカーは作動していないと判定した場合は（Ｓ１１６でＮｏ）、運転状態は「車線変更」、「右左折」又は「旋回」のいずれかであると判定し（Ｓ１２７）、更に、操舵角に基づいて左右の別を判定する（Ｓ１２７）。すなわち、操舵角が右方向である場合は（Ｓ１２７でＹｅｓ）、「右旋回」、「右折」又は「右車線へ」の車線変更であると判定し（Ｓ１２８）、そうでない場合は（Ｓ１２７でＮｏ）、「左旋回」、「左折」又は「左車線へ」の車線変更であると判定する（Ｓ１２９）。

このように、図３においては、主に、車両情報に基づく条件分岐（ＩＦ−ＴＨＥＮルール）によって、各種の運転状態が判定される。

ところで、図３の処理による運転状態の判定結果には、ステップＳ１２８及びＳ１２９において曖昧さが残っている。すなわち、「旋回」、「右左折」又は「車線変更」の区別が特定されていない。これらの区別には、微妙な判断が必要であり、また、ドライバーの癖等の影響を受けやすいといったことがその要因の一つとして挙げられる。そこで、本実施の形態における判定処理ＥＣＵ１３は、ニューラルネットワークを用いてこれらの運転状態の判定を行う。

図４は、車線変更の状態を判定するためのニューラルネットワークの例を示す図である。図４のニューラルネットワーク１３１は、図２において「車線変更」に対する重みの高い入力情報として定義されている、操舵角、車速、ウィンカー、シフトポジション、カーナビゲーションシステム１１９の地図データ、及び車線画像認識センサ１１３による車線認識結果等を入力情報として、又は重み付けの高い入力情報として用いる。一般に、ニューラルネットワークにおける各ニューロンにおいては、入力値の和が閾値を超えると発火（出力）が行われるが、ニューラルネットワーク１３１の入力層のニューロン（図中において一番左側の列のニューロン）においては、例えば、判定直前までの過去の一定時間内（例えば、３０秒〜１分）の遷移を表すグラフの波形情報が入力情報とされる。そして、その波形情報と予め閾値として定めされている波形情報との類似度（例えば、％）が高い場合は発火が行われる。例えば、入力情報としての「車速」については、判定直前までの車速の遷移を表すグラフの波形情報が相当する。そして、車速の波形情報が、予め閾値として定められている車速の波形情報と比較され、類似度が所定値以上である場合は、当該ニューロンから１が出力され、そうでない場合は０が出力されるというわけである。

波形情報の類似度の判断は、既に公知の各種の手法、例えば、残差マッチング、正規化相関法、位相限定相関、幾何マッチング、ベクトル相関、又は一般化ハフ変換等を用いて行えばよい。但し、車速等の時系列図系に関しては、車速レベルのばらつきが大きいため、リサイズの影響を受け難い幾何マッチング等が望ましい。また、シフトチェンジ等の時系列図系に関しては、シンプルな残差マッチング等が望ましい。

なお、入力層と中間層との各接続、及び中間層と出力層との各接続には予め重み付けがなされており、中間層においては、入力層からの入力にその重み付けがなされた値の総和に基づいて出力が行われるのは、一般的なニューラルネットワークと同様である。

判定処理ＥＣＵ１３は、ニューラルネットワーク１３１を用いて、「右旋回」、「右折」、及び「右車線へ」の車線変更等のそれぞれの発生確率を算出し、最も発生確率の高い運転状態を判定結果として採用する。

ところで、図２においてＬ１〜Ｌ３として定義された運転状態についても、更に細分化することができる。しかしながら、細分化が進めば進むほど、それぞれの運転状態の差異は微妙なものとなり、また、ドライバーの癖等の影響を受けやすくなる。そこで、本実施の形態における判定処理ＥＣＵ１３は、ステップＳ１２８やＳ１２９の場合だけでなく、更に細分化等された運転状態についてもニューラルネットワークを用いて判定する。以下、代表的な例について説明する。

図５は、一時停止の下層の運転状態の定義例を示す図である。図５の表２０２においては、表２０１（図２）においてＬ２として定義されている「一時停止」が、その原因に基づいて、更に分類され、分類されたそれぞれの運転状態はＬ４として定義されている。すなわち、「信号による」ものであるのか、「一時停止標識による」ものであるのか、「前方車（他車）による」ものであるのか、「人・障害物による」ものであるのか、又は「その他による」ものであるのか等に分類されている。一時停止に係るＬ４の判定については、例えば、図６に示されるようなニューラルネットワークを用いて行われる。

図６は、一時停止の状態を判定するためのニューラルネットワークの例を示す図である。図６のニューラルネットワーク１３２は、表２０２において重みの高い入力情報として定義されている、車速、シフトポジション、車速＝０の時間、信号画像認識センサ１１３による信号認識の結果、標識画像認識センサ１１４による標識認識の結果、車間用レンジセンサ１１１による他車認識の結果、及び歩行者画像認識センサ１１６及び車両周辺センサ１１７等による歩行者及び障害物等の認識結果等が入力情報として、又は重み付けの高い入力情報として用いる。判定処理ＥＣＵ１３は、ニューラルネットワーク１３２を用いて、「信号による」、「一時停止標識による」、「前方車（他車）による」、「人・障害物による」、及び「その他による」のそれぞれの発生確率を算出し、最も発生確率の高い運転状態を判定結果として採用する。

また、図７は、駐車操作の下層の運転状態の定義例を示す図である。図７の表２０３においては、表２０１（図２）においてＬ２として定義されている「直進」、「曲がる」、「真っ直ぐ後進」、「バック旋回」、「一時停止」、「停車（アイドリング状態）」の下層（「直進」及び「曲がる」については、そのＬ３である、「加速」、「等速」、「減速」、「旋回（カーブ）」、「右左折」、「車線変更」の下層）として、Ｌ４に「駐車操作」という運転状態が共通に定義され、その「駐車操作」の下層（Ｌ５）として、「バック入れ」、「縦列」、及び「前入れ」が定義されている。「駐車操作」に係るＬ５の判定については、例えば、図８に示されるようなニューラルネットワークを用いて行われる。

図８は、駐車操作の状態を判定するためのニューラルネットワークの例を示す図である。図８のニューラルネットワーク１３３は、表２０３において重みの高い入力情報として定義されている、Ｌ２（「直進」及び「曲がる」についてはＬ３）の運転状態の遷移の状況、シフトポジション、車両周辺センサ１１７からの車両周辺情報、及びカーナビゲーションシステム１１９からのナビ情報（例えば、駐車場の位置情報）等が入力情報として、又は重み付けの高い入力情報として用いる。判定処理ＥＣＵ１３は、ニューラルネットワーク１３３を用いて、「バック入れ」、「縦列」、及び「前入れ」のそれぞれの発生確率を算出し、最も発生確率の高い運転状態を判定結果として採用する。

なお、Ｌ２等の運転状態の遷移の状況とは、例えば、判定直前までの所定時間（例えば、３０秒〜１分）において、各運転状態が発生したタイミングを示す情報（例えば、波形情報）等が相当する。

更に、図９は、車線変更の下層の運転状態の定義例を示す図である。図９の表２０４においては、表２０１（図２）においてＬ３として定義されている「車線変更」の下層（Ｌ４）として、「追い越し車線へ」、「合流」、「走行車線へ」、及び「縦列駐車」が定義されている。「車線変更」に係るＬ４の判定については、例えば、図１０に示されるようなニューラルネットワークを用いて行われる。

図１０は、車線変更の状態を判定するためのニューラルネットワークの例を示す図である。図１０のニューラルネットワーク１３４は、表２０４において重みの高い入力情報として定義されている、操舵角、車速、ウィンカーの状態、シフトポジション、ナビ情報、及び車線画像認識センサ１１２からの車線認識結果等が入力情報として、又は重み付けの高い入力情報として用いる。判定処理ＥＣＵ１３は、ニューラルネットワーク１３４を用いて、「追い越し車線へ」、「合流」、「走行車線へ」、及び「縦列駐車」のそれぞれの発生確率を算出し、最も発生確率の高い運転状態を判定結果として採用する。

判定処理ＥＣＵ１３によって判定された運転状態に応じて、運転支援ＥＣＵ１５は、各種のサービスを提供することができる。例えば、「駐車操作」と判定された際に、ディスプレイ１５１に車両周辺映像を映したりしてもよい。また、運転に影響のない「一時停止」と判定された際に、マッサージシートを稼動させたり、メールの着信をアナウンスしたりしてもよい。更に、「車線変更」と判定された場合に、車線変更先における後方の車両との距離に応じて警報を鳴らしてもよい。

各種のニューラルネットワークを用いて行われた判定結果は、運転状態記録ＥＣＵ１４にも出力され、運転状態記録ＥＣＵ１４によって運転記録ＤＢ１６に記録される。運転状態記録ＥＣＵ１４は、また、判定結果と実際の運転状態との差違を検出し、その差違に基づいて、ニューラルネットワークの各層（入力層、中間層及び出力層）間の接続の重み付けの修正を行う（ニューラルネットワークの学習）。実際の運転状態は、例えば、ナビ情報における走行軌跡によって特定することができる。すなわち、判定処理ＥＣＵ１３によって右折と判定されたが、ナビ情報における走行軌跡では車線変更であったと確認された場合は、当該ナビ情報を教師信号として、関連するニューラルネットワークの学習を行う。

なお、学習のロジックについては、既に確立されている公知の手法（例えば、バックプロパゲーション法（ＢＰ法）等）を用いて行えばよい。

上述したように、本実施の形態における運転状態判定システム１によれば、車速や操舵角、又はアクセル開度等の車両自体の情報（車両情報）だけでなく、車外の外部環境の情報（環境情報）についても様々な情報を入力情報として用いると共に、階層的に細分化された運転状態の定義に基づく判定ロジックによって運転状態を判定するため、細かいレベルまで特定された判定結果を自動的に出力することができる。また、ニューラルネットワークを用いて運転状態を判定するため、微妙な判断が必要とされる運転状態についても妥当性の高い判定結果を得ることが可能となる。また、学習機能によって、判定結果のミスを判定ロジック（ニューラルネットワークの重み付け）にフィードバックすることができるため、ドライバーの癖等に対応した判定が可能となる。

なお、本実施の形態においては、Ｌ３までについてはフローチャート、すなわち条件分岐（ＩＦ−ＴＨＥＮルール）によって判定し、それ以下についてニューラルネットワークによって判定する例について説明したが、ニューラルネットワークを用いないで、最下層のレベルまで条件分岐によって判定を行ってもよい。但し、この場合は、ドライバーの癖を反映した判定結果を得るのは困難となる。

一方、条件分岐を用いないで、上位のレベル（Ｌ１）からニューラルネットワークによって判定を行ってもよい。但し、ニューラルネットワークを用いた演算は、一般に高い負荷が要求され、処理速度も遅くなりがちである。したがって、本実施の形態のように、あるレベルまでは条件分岐によって判定し、それ以下については、ニューラルネットワークを用いて判定するといった方式が、処理の高速性と判断の柔軟性との調和という観点から望ましい。

但し、必ずしも本実施の形態のようにＬ３とＬ４との間を条件分岐とニューラルネットワークとの境界にする必要はない。どのレベルを条件分岐とニューラルネットワークとの境界とするかは、システムに要求される特性に応じて定めればよい。すなわち、条件分岐によって判定する範囲が広ければ広いほど、判定処理の高速化と画一化を図ることができる一方、ニューラルネットワークによって判定する範囲が広ければ広いほど、ドライバーの癖等に応じた柔軟性及び多様性のある判定結果が得られる可能性が高まる。

なお、本発明は係る特定の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。

本発明の実施の形態における運転状態判定システムの構成例を示す図である。 本発明の実施の形態における運転状態の定義例を示す図である。 判定処理ＥＣＵによる運転状態の判定処理を説明するためのフローチャートである。 車線変更の状態を判定するためのニューラルネットワークの例を示す図である。 一時停止の下層の運転状態の定義例を示す図である。 一時停止の状態を判定するためのニューラルネットワークの例を示す図である。 駐車操作の下層の運転状態の定義例を示す図である。 駐車操作の状態を判定するためのニューラルネットワークの例を示す図である。 車線変更の下層の運転状態の定義例を示す図である。 車線変更の状態を判定するためのニューラルネットワークの例を示す図である。

符号の説明

１ 運転状態判定システム
１１ 環境情報認識ＥＣＵ
１２ 車両情報認識ＥＣＵ
１３ 判定処理ＥＣＵ
１４ 運転状態記録ＥＣＵ
１５ 運転支援ＥＣＵ
１６ 運転記録ＤＢ
１１１ 車間用レンジセンサ
１１２ 車線画像認識センサ
１１３ 信号画像認識センサ
１１４ 標識画像認識センサ
１１５ 一時停止線画像認識センサ
１１６ 歩行者画像認識センサ
１１７ 車両周辺センサ
１１８ 交通環境情報取得用通信装置
１１９ カーナビゲーションシステム
１２１ 車速センサ
１２２ 舵角センサ
１２３ アクセル開度センサ
１２４ ブレーキ踏み込みセンサ
１２５ ウィンカー操作センサ
１５１ ディスプレイ
１５２ スピーカ
１５３ アクチュエータ

Claims (5)

1. 車両に搭載され、当該車両の運転状態を判定する運転状態判定装置であって、
   当該車両の各部の状態を示す各種の情報を検出する車両状態検出手段と、
   当該車両の外部環境に関する各種の情報を検出する外部環境検出手段と、
   前記車両各部の状態を示す各種の情報と、前記外部環境に関する各種の情報とを入力情報として各運転状態の発生確率を算出するニューラルネットワークを用いて、当該車両の運転状態を判定する運転状態判定手段とを有することを特徴とする運転状態判定装置。
2. 実際の運転状態を教師信号として前記ニューラルネットワークの学習を行わせる学習手段を更に有することを特徴とする請求項１記載の運転状態判定装置。
3. 前記実際の運転状態は、当該車両に搭載されるカーナビゲーションシステムによる当該車両の走行軌跡を示す情報に基づいて判定させることを特徴とする請求項１又は２記載の運転状態判定装置。
4. 前記各運転状態は、予め階層的に細分化されて定義されており、
   前記運転状態判定手段は、少なくとも前記車両の各部の状態を示す各種の情報に基づく条件分岐によって、所定の階層までの運転状態を判定することを特徴とする請求項１乃至３いずれか一項記載の運転状態判定装置。
5. 車両の運転状態を判定する運転状態判定方法であって、
   当該車両の各部の状態を示す各種の情報を検出する車両状態検出手順と、
   当該車両の外部環境に関する各種の情報を検出する外部環境検出手順と、
   前記車両の各部の状態を示す各種の情報と、前記外部環境に関する各種の情報とを入力情報として各運転状態の発生確率を算出するニューラルネットワークを用いて、当該車両の運転状態を判定する運転状態判定手順とを有することを特徴とする運転状態判定方法。

Images