JP2008217113A - Accident occurrence prediction simulation device, method and program, and security system evaluation device and accident alarm device - Google Patents
Accident occurrence prediction simulation device, method and program, and security system evaluation device and accident alarm device Download PDFInfo
- Publication number
- JP2008217113A JP2008217113A JP2007050059A JP2007050059A JP2008217113A JP 2008217113 A JP2008217113 A JP 2008217113A JP 2007050059 A JP2007050059 A JP 2007050059A JP 2007050059 A JP2007050059 A JP 2007050059A JP 2008217113 A JP2008217113 A JP 2008217113A
- Authority
- JP
- Japan
- Prior art keywords
- accident
- event
- driver
- environment
- behavior
- 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.)
- Granted
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
Description
本発明は、交通事故の発生を予測するための事故発生予測シミュレーション装置、方法及びプログラム並びにそれを用いた安全システム評価装置及び事故警報装置に関する。 The present invention relates to an accident occurrence prediction simulation apparatus, method and program for predicting the occurrence of a traffic accident, and a safety system evaluation apparatus and an accident warning apparatus using the same.
従来、安全システムの性能評価や事故低減効果を評価するため、交通事故をシミュレーションする技術が提案されている(非特許文献1及び2を参照。)。非特許文献1及び2の技術は、シミュレーション結果の事故内容及び件数が実事故に対応するように、確率的にランダムにドライバを選択し、交通事故を発生している。よって、事故内容や件数は実事故と対応しているものの、事故に至る要因は実事故に合わせて詳細に設定して事故を発生しているわけではない。
交通事故シミュレーションシステムを用いて、安全システムの性能評価や事故低減効果を評価するためには、事故を誘発したドライバ行動が再現された状況において、どう安全システムが働くか効果を示すかを評価する必要がある。 In order to evaluate the safety system performance evaluation and the accident reduction effect using the traffic accident simulation system, evaluate how the safety system works in the situation where the driver behavior that induced the accident is reproduced There is a need.
しかしながら、従来の交通事故シミュレーションシステムは、事故内容及び件数のみは実事故と合っているものの、事故要因がきちんと実事故に基づいて設定されているわけではないため、安全システムの検討が十分にできない問題があった。 However, although the conventional traffic accident simulation system only matches the actual accident with the content and number of accidents, the accident factors are not set based on the actual accident, so the safety system cannot be fully examined. There was a problem.
本発明は、上述した課題を解決するために提案されたものであり、実事故の事故要因に基づいて事故を発生しながら交通事故をシミュレーションできる事故発生予測シミュレーション装置、方法及びプログラム並びにそれを用いた安全システム評価装置及び事故警報装置を提供することを目的とする。 The present invention has been proposed in order to solve the above-described problems. An accident occurrence prediction simulation apparatus, method and program capable of simulating a traffic accident while generating an accident based on the accident factor of an actual accident, and the use thereof are provided. The purpose is to provide a safety system evaluation device and an accident warning device.
本発明の事故発生予測シミュレーション装置は、ドライバ属性及び事故環境毎に事故誘発要因となる事象の発生頻度を表す事故誘発要因情報を記憶する記憶手段と、前記記憶手段に記憶された事故誘発要因情報に基づいて、事故誘発要因となる事象を発生する事象発生手段と、前記事象発生手段により発生された事象に基づいて、模擬車両の挙動を制御する挙動制御手段と、を備えている。 An accident occurrence prediction simulation apparatus according to the present invention includes a storage unit that stores accident induction factor information indicating an occurrence frequency of an event that becomes an accident induction factor for each driver attribute and accident environment, and accident induction factor information stored in the storage unit And a behavior control means for controlling the behavior of the simulation vehicle based on the event generated by the event generation means.
本発明の事故発生予測シミュレーション方法は、ドライバ属性及び事故環境毎に事故誘発要因となる事象の発生頻度を表す事故誘発要因情報に基づいて、事故誘発要因となる事象を発生し、前記発生された事象に基づいて、模擬車両の挙動を制御する。 The accident occurrence prediction simulation method of the present invention generates an event that causes an accident based on the accident attribute information that represents the frequency of occurrence of an event that causes an accident for each driver attribute and accident environment. Based on the event, the behavior of the simulated vehicle is controlled.
本発明の事故発生予測シミュレーションプログラムは、コンピュータに、ドライバ属性及び事故環境毎に事故誘発要因となる事象の発生頻度を表す事故誘発要因情報に基づいて、事故誘発要因となる事象を発生させ、前記発生された事象に基づいて、模擬車両の挙動を制御させる。 The accident occurrence prediction simulation program of the present invention causes a computer to generate an event that causes an accident based on accident induction factor information that represents an occurrence frequency of an event that causes an accident for each driver attribute and accident environment, Based on the generated event, the behavior of the simulated vehicle is controlled.
したがって、上記発明によれば、ドライバ属性及び事故環境毎に事故誘発要因となる事象の発生頻度を表す事故誘発要因情報に基づいて事故誘発要因となる事象を発生させることにより、実際のドライバの環境に近い状況で事故を発生させ、高精度に交通事故予測をシミュレーションすることができる。 Therefore, according to the above-described invention, the actual driver environment is generated by generating the event that causes the accident based on the accident trigger factor information that represents the frequency of occurrence of the event that causes the accident for each driver attribute and accident environment. Accidents can occur in situations close to, and traffic accident predictions can be simulated with high accuracy.
本発明は、実際のドライバの環境に近い状況で事故を発生させ、高精度に交通事故予測をシミュレーションすることができる。 The present invention can generate an accident in a situation close to the actual driver's environment, and can simulate a traffic accident prediction with high accuracy.
以下、本発明の好ましい実施の形態について図面を参照しながら詳細に説明する。 Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the drawings.
[第1の実施形態]
図1は、本発明の第1の実施形態に係る事故発生予測シミュレーション装置の構成を示すブロック図である。シミュレーション装置は、例えばネットワークに接続されたコンピュータにより実現される。
[First Embodiment]
FIG. 1 is a block diagram showing a configuration of an accident occurrence prediction simulation apparatus according to the first embodiment of the present invention. The simulation apparatus is realized by a computer connected to a network, for example.
事故発生予測シミュレーション装置は、実事故データベース11と、実事故解析部12と、エラー誘発イベントデータベース13と、走行環境データベース14と、ドライバデータベース15と、交通シミュレーション部20と、シミュレーション結果データベース30と、を備えている。
The accident occurrence prediction simulation apparatus includes an
実事故データベース11は、加害者属性、事故要因、事故環境・状況を記憶している。なお、これらのデータは、ネットワークを介してリアルタイムで入力されたものでもよいし、オペレータにより入力されたものでもよい。
The
図2は、実事故データベース11の一例を示す図である。実事故データベース11は、事故内容として、大分類の事故件数(例えば「直進車両の認知ミスによる右直事故件数」)、中分類の事故件数(例えば「居眠りによる追突事故件数」)、小分類の事故件数(例えば「脇見による追突件数」)を記憶している。小分類については、加害者の年齢、性別、運転経験、事故誘発要因(助手席同乗者との会話、探し物、携帯電話操作など)、事故発生時の天気、明暗、交差点規模、場所(交差点内、交差点直前など)、状況(停止、先行車両に追従、加速など)などに分けられている。
FIG. 2 is a diagram illustrating an example of the
実事故解析部12は、実事故データベース11の内容を解析し、ドライバ属性及び事故環境(事故状況)毎にエラー誘発イベントの頻度を計算し、その計算結果をエラー誘発イベントデータベース13に記憶させる。具体的には次の計算が行われる。
The actual
ここで、各パラメータを次のようにおく。
i:エラー誘発イベントコード
j:ドライバ属性コード
k:環境・状況コード
He(i,j,k):ドライバ属性コードjかつ環境・状況コードkで
発生するエラー誘発イベントコードiの発生頻度
ACe(i,j,k):ドライバ属性コードjかつ環境・状況コードkかつ
エラー誘発イベントコードiが原因で発生した
実際の年間重大事故件数
DRH(i,j,k):ドライバ属性コードjの人が環境・状況コードkの場面を
走行する年間総時間
(事故調査によて聴取し算定可能。例えば1週間に走行する時間及びルートを聴取して環境・状況コード別の走行時間を算定)
本実施形態では、次の2つの算定方法を定義する。
Here, each parameter is set as follows.
i: Error triggering event code j: Driver attribute code k: Environment / situation code H e (i, j, k): Frequency of occurrence of error triggering event code i generated by driver attribute code j and environment / situation code k AC e (I, j, k): Number of actual annual serious accidents caused by driver attribute code j, environment / situation code k, and error-induced event code i DRH (i, j, k): Person with driver attribute code j The total annual time of driving in the scene of the environment / situation code k (can be calculated by listening through accident investigation. For example, by listening to the driving time and route per week and calculating the travel time by environment / situation code)
In the present embodiment, the following two calculation methods are defined.
<算定方法1>
実事故件数とハインリッヒの法則を使用した設定(例えば、重大事故1:軽微な事故29:ヒヤリハット300とする。)
He(i,j,k)=α×(ACe(i,j,k)/DRH(i,j,k))
但し、α=329/1=329とする。
<
Setting using the actual number of accidents and Heinrich's law (for example, serious accident 1: minor accident 29: near-miss 300)
H e (i, j, k) = α × (AC e (i, j, k) / DRH (i, j, k))
However, α = 329/1 = 329.
<算定方法2>
複数ドライバの日常運転における運転操作状況映像及び車両周囲状況映像の運転記録を取得し、エラー誘発イベントコードの頻度を実験的に算定する方法
He(i,j,k)=Ne(i,j,k)/X
ここで、
Ne(i,j,k):運転記録映像からドライバ属性コードjのドライバが環境・状況コードkを走行したX時間に行ったエラー誘発イベントコードiの回数
である。
<
Method of obtaining driving records of driving operation situation images and vehicle surrounding situation images in daily driving of a plurality of drivers and experimentally calculating the frequency of error-induced event codes H e (i, j, k) = N e (i, j, k) / X
here,
N e (i, j, k): This is the number of error-inducing event codes i performed during the X hours when the driver having the driver attribute code j travels the environment / situation code k from the driving record video.
例えば、図2より、ドライバ属性コードj、環境・状況コードkが、「助手席同乗者との会話」という事象による事故合計件数を20件とし、さらに、ドライバ属性コードjが、環境・状況コードkを走行する年間総時間を219時間とする。このとき、実事故解析部12は、次のようにして、発生頻度H(i,j,k)を計算する。
For example, from FIG. 2, the driver attribute code j and the environment / situation code k are 20 accidents due to the event “conversation with passengers on the passenger seat”, and the driver attribute code j is the environment / situation code. The total annual time for running k is 219 hours. At this time, the actual
発生頻度H(i,j,k)=329×20/219=30回/時間
そして、「助手席同乗者との会話」に関する発生頻度H(i,j,k)は、次のエラー誘発イベントデータベース13に記憶される。
Occurrence frequency H (i, j, k) = 329 × 20/219 = 30 times / hour The occurrence frequency H (i, j, k) related to “conversation with passenger on passenger seat” is the next error-inducing event Stored in the
図3は、エラー誘発イベントデータベース13の一例を示す図である。ドライバ属性として、年齢、性別、運転頻度は必須項目であるが、運転経験、運転状態はあれば好ましい。また、環境・状況として、交差点規模、天候、明暗が必須項目であるが、信号・標識の有無、時刻、路面状態、場所、状況などがあると好ましい。
FIG. 3 is a diagram illustrating an example of the error inducing
さらに、エラー誘発イベント(外的/内的事象)として、助手席同乗者との会話、後部席同乗者との会話、車内配置物(手荷物等の)落下等、昆虫の飛翔等、探し物、携帯電話操作などがある。基本発生頻度は、1時間当たり発生する回数を示す。したがって、エラー誘発イベントデータベース13を参照し、ドライバ属性及び環境・状況が決まれば、どのような事象がどの程度発生するかが分かるようになっている。
In addition, error-triggered events (external / internal events) include conversations with passengers on the passenger seat, conversations with passengers on the rear seats, falling items in the vehicle (such as baggage), flying insects, etc. There are cell phone operations. The basic occurrence frequency indicates the number of occurrences per hour. Therefore, by referring to the error inducing
走行環境データベース14は、道路地図、信号、建物、天気、走行時の明暗などの走行環境情報を記憶している。
The
ドライバデータベース15は、各々の車両を運転するドライバ属性を記憶している。具体的には、ドライバデータベース15は、ドライバ毎に、出発地/目的地、出発時刻、経路、年齢、性別、運転スキル、法遵守傾向などを記憶している。そして、各ドライバ属性は、ドライバモデル部24で使用される。
The
交通シミュレーション部20は、走行環境データベース14及びドライバデータベース15の各データに基づいて、交通流を再現する。さらに、交通シミュレーション部20は、エラー誘発イベントを発生させることにより、事故発生の影響を受けた交通流を表現し、事故件数及び事故状況をシミュレーション結果データベース30に出力する。
The
ここで、交通シミュレーション部20は、道路環境作成部21、エラー誘発イベント発生部22、イベント別ドライバ能力設定部23、ドライバモデル部24、交通状況管理部25、表示部26を備えている。
Here, the
道路環境作成部21は、走行環境データベース14のデータに基づいて、車両の走行軌跡(道路)を作成し、建物を配置する。更に、道路環境作成部21は、交通状況管理部25から出力された各車両の位置情報、速度情報に従って、各車両を道路空間上に配置する。
The road
エラー誘発イベント発生部22は、エラー誘発イベントデータベース13を参照して、ドライバ属性及び走行環境・状況に応じて、エラー誘発イベントを発生するかを判断する。エラー誘発イベント発生部22は、エラー誘発イベントを発生すると、その行動の内容及び継続時間を決定し、ドライバモデル部24へ出力する。
The error inducing
イベント別ドライバ能力設定部23は、エラー誘発イベント別にドライバの運転行動に必要な様々な能力のレベルを定義したデータベースを有する。イベント別ドライバ能力設定部23は、そのデータベースの値を用いて、ドライバモデル部24のドライバの運転行動における能力、具体的には能力低下を設定する。設定されたドライバの運転行動の能力は、エラー誘発イベント発生部22で決定された継続時間だけ継続する。
The event-specific driver
図4は、イベント別ドライバ能力設定部23が有するドライバ能力データベースを示す図である。事故誘発要因を示す「外的/内的事象」として、助手席同乗者との会話、後部席同乗者との会話、車内配置物(手荷物等)の落下等、運転者把持中物体、昆虫の飛翔、探し物等がある。
FIG. 4 is a diagram illustrating a driver capability database included in the event-specific driver
「外的/内的事象」毎に、計測誤差レベル、視距離、視野角、サーチレベルが設定されている。例えば、後部席同乗者との会話では、計測誤差レベル、視距離、視野角、サーチレベルはそれぞれ“5”である。これに対して、助手席同乗者との会話では、計測誤差レベルは“5”であるが、視距離、視野角、サーチレベルはそれぞれ“4”である。これらの値は、ドライバモデル部24における「認識処理」を低下させる。なお、「判断処理」、「操作処理」も低下することがある。
For each “external / internal event”, a measurement error level, a viewing distance, a viewing angle, and a search level are set. For example, in a conversation with a rear seat passenger, the measurement error level, viewing distance, viewing angle, and search level are each “5”. On the other hand, in the conversation with the passenger on the passenger seat, the measurement error level is “5”, but the viewing distance, the viewing angle, and the search level are each “4”. These values lower the “recognition process” in the
ドライバモデル部24は、一人のドライバが走行する車両を模擬表示するため計算を行うものであり、走行環境および周辺車両の状況に基づき、各ドライバ属性応じた認識、判断、操作の過程を経て、希望行動(希望速度、加減速度等)を決定する。更に、ドライバモデル部22は、車両及びドライバ属性に基づいて、移動量を計算する。またドライバモデル部24は、ドライバ属性及び走行環境・状況に応じたエラー誘発イベント発生部22からのエラー誘発行動の命令を受ける。
The
交通状況管理部25は、計算ステップ毎の個々の車両の位置、速度、加減速度を管理したり、道路上を走行する車両の発生、消滅も管理したりする。表示部26は、道路環境作成部21で作成された道路環境及び走行車両の状態を交通流シミュレーションとして表示する。シミュレーション結果データベース30は、交通シミュレーション部20でシミュレーションされたときの事故件数、事故状況などを記憶する。
The traffic
以上のように構成された事故発生予測シミュレーション装置はエラー誘発イベントルーチンを実行することにより、エラーを誘発して、交通事故を発生させる。図5は、エラー誘発イベントルーチンを示すフローチャートである。 The accident occurrence prediction simulation apparatus configured as described above executes an error induction event routine to induce an error and generate a traffic accident. FIG. 5 is a flowchart showing an error inducing event routine.
ステップS1では、エラー誘発イベント発生部22は、道路環境作成部21から環境・状況を取得して、ステップS2に進む。
In step S1, the error inducing
ステップS2では、エラー誘発イベント発生部22は、シミュレーションの対象となる模擬車両(ドライバモデル部24)からドライバ属性を取得して、ステップS3に進む。
In step S2, the error inducing
ステップS3では、エラー誘発イベント発生部22は、エラー誘発イベントデータベース13を参照して、取得した環境・状況及びドライバ属性に対応する「外的/内的事象」及び「基本発生頻度」を抽出し、抽出した情報を用いてエラー誘発イベントが発生するか否かを判定する。そして、エラー誘発イベントが発生したときはステップS4に進み、発生しないときは本ルーチンを終了する。
In step S <b> 3, the error inducing
ステップS4では、エラー誘発イベント発生部22は、エラー誘発イベント及びその継続時間を決定して、ステップS5に進む。例えば、継続時間は次のようにして求められる。
In step S4, the error inducing
複数ドライバの日常運転における運転操作状況映像および車両周囲状況映像の運転記録を取得し、エラー誘発イベントの継続時間を実験的に求める。この継続時間の頻度分布を回帰直線により近似し、継続時間の確率分布を求める。最後にこの確率分布に従う乱数発生を行い継続時間Te(i)を算出する。 Driving records of driving operation situation images and vehicle surrounding situation images in daily driving of a plurality of drivers are acquired, and the duration of the error-induced event is obtained experimentally. This frequency distribution of duration is approximated by a regression line to obtain a probability distribution of duration. Finally, random number generation according to this probability distribution is performed to calculate the duration T e (i).
なお、i:エラー誘発イベントコード、Te(i):エラー誘発イベントコードiの継続時間である。また、ドライバ属性コード、環境・状況コード別に実験的に取得したデータから算定してもよい。 Note that i: error-inducing event code, T e (i): duration of error-inducing event code i. Alternatively, it may be calculated from data obtained experimentally for each driver attribute code and environment / situation code.
ステップS5では、イベント別ドライバ能力設定部23は、ドライバ能力データベースから、ステップS4で決定されたエラー誘発イベントに対応するイベント(外的/内的事象)を抽出し、そのイベントに基づいて「計測誤差レベル」、「視距離」、「視野角」、「サーチレベル」を設定して、ドライバモデル部24を制御する。
In step S5, the event-specific driver
図6は、ドライバモデル部24における車両挙動制御ルーチンを示すフローチャートである。
FIG. 6 is a flowchart showing a vehicle behavior control routine in the
ステップS11では、ドライバモデル部24は、注意対象規範を列挙する処理を実行して、ステップS12に進む。具体的には、注意対象規範とは、先行車、信号、対向車(対向車が複数あるときは、対向車A、B、C、・・・)、横断歩行者などをいう。
In step S11, the
ステップS12では、ドライバモデル部24は、有効視野範囲、視線配分レート、視線方向等に基づいて、認識対象物を選択して、ステップS13に進む。
In step S12, the
図7は、注意対象規範列挙処理及び認識対象物選択処理を説明する図である。同図に示すように、有効視野範囲は、視力、照度、意識水準、年齢等のパラメータを用いた関数f(視力、照度、意識水準、年齢、・・・)により決定される。視線配分レートは、右折、意識水準、錯綜地点等のパラメータを用いた関数f(右折、意識水準、錯綜地点・・・)により決定される。視線方向は、視線配分レート、注意状態等のパラメータを用いて関数f(視線配分レート、注意状態・・・)により決定される。その結果、本実施形態では、認識対象物として、先行車、信号(赤、青、黄色などの信号状態)、対向車A、B、C、横断歩行者が選択される。 FIG. 7 is a diagram for explaining the attention object norm enumeration process and the recognition object selection process. As shown in the figure, the effective visual field range is determined by a function f (visual acuity, illuminance, consciousness level, age,...) Using parameters such as visual acuity, illuminance, consciousness level, and age. The line-of-sight distribution rate is determined by a function f (right turn, consciousness level, complicated point,...) Using parameters such as right turn, consciousness level, and complicated point. The line-of-sight direction is determined by a function f (line-of-sight distribution rate, attention state...) Using parameters such as the line-of-sight distribution rate and attention state. As a result, in the present embodiment, a preceding vehicle, a signal (a signal state such as red, blue, and yellow), an oncoming vehicle A, B, C, and a crossing pedestrian are selected as recognition objects.
なお、有効視野範囲、視線配分レート、視線方向は、イベント別ドライバ能力設定部23で設定されたドライバ能力に応じて変更される。このため、例えば、対向車A、横断歩行者などが見落とされることがある。
The effective visual field range, the line-of-sight distribution rate, and the line-of-sight direction are changed according to the driver ability set by the event-specific driver
ステップS13では、ドライバモデル部24は、認識対象毎に、取るべき挙動を判断する。例えば、ドライバモデル部24は、先行車の関数f(先行車の速度、距離、相対速度)に基づいて自車両の行動を決定し、信号の関数f(信号の現示色)に基づいて自車両の行動を決定する。さらに、ドライバモデル部24は、対向車A,B,Cの各々の関数f(対向車の速度、距離、相対速度)に基づいてそれぞれ自車両の行動を決定し、横断歩行者の関数f(歩行者の速度、距離、相対速度)に基づいて自車両の行動を決定する。そして、ドライバモデル部24は、総合判断として、すべての条件を満たす行動を選択して、ステップS14に進む。
In step S13, the
上述した各関数fのパラメータは、イベント別ドライバ能力設定部23で設定されたドライバ能力に応じて変更されることがある。このため、自車両の行動が誤って決定されることがある。
The parameter of each function f described above may be changed according to the driver capability set by the event-specific driver
ステップS14では、ドライバモデル部24は、ドライバ属性によって定まる操作スキルに基づいて、反応時間、ペダル操作量などの運転操作を決定して、ステップS15に進む。なお、反応時間、ペダル操作量等の運転操作は、イベント別ドライバ能力設定部23で設定されたドライバ能力に応じて変更されることがある。
In step S14, the
ステップS15では、ドライバモデル部24は、ステップS14で決定された運転操作に基づいて、模擬車両の挙動、位置座標を更新して、本ルーチンを終了する。
In step S15, the
図8は、正常時とエラー誘発イベント発生時における認識処理、判断処理、操作処理、挙動演算処理を比較する図である。正常時では、ドライバモデル部24は、先行車の速度をVnと認識すると、減速することを判断し、ブレーキ操作を行い、その結果、先行車に追従する。一方、エラー誘発イベント発生時では、ドライバモデル部24は、先行車の速度を(vn+α)と誤って認識してしまうと(計測誤差レベル大)、加速することを判断し、アクセル操作を行い、その結果、先行車に衝突してしまう。
FIG. 8 is a diagram for comparing recognition processing, determination processing, operation processing, and behavior calculation processing when normal and when an error-induced event occurs. In normal, the
以上のように、第1の実施形態に係る事故発生予測シミュレーション装置は、実事故データに基づいてドライバ属性及び環境・状況に応じて事故誘発要因となるイベントを発生させて、交通事故をシミュレーションする。この結果、ドライバの環境に実際に近づいて事故の発生を予測することができる。 As described above, the accident occurrence prediction simulation apparatus according to the first embodiment simulates a traffic accident by generating an event that causes an accident according to the driver attribute and the environment / situation based on the actual accident data. . As a result, it is possible to predict the occurrence of an accident by actually approaching the driver's environment.
なお、事故発生予測シミュレーション装置は、ドライバモデル部24に安全システムモデル部を備えることにより、安全システムを評価することができる。例えば、安全システムモデル部が、赤外線を用いて歩行者や自転車乗員等の障害物を検出する障害物検出装置の場合、夜間におけるドライバの「認識処理」能力を上げることができる。また、安全システムモデル部が、ブレーキアシスト装置の場合、ドライバの「操作処理」能力を向上させることができる。
The accident occurrence prediction simulation apparatus can evaluate the safety system by providing the
すなわち、安全システムモデル部は、ドライバモデル部24の「認識処理」、「判断処理」、「操作処理」の少なくとも1つの能力を上げる。この結果、エラー誘発イベントが発生しても、交通事故の発生が少なくなり、シミュレーション結果データベース30に蓄積される事故件数が減少する。よって、安全システムモデル部がある場合とない場合とで事故件数を比較することにより、安全システムがどの程度交通事故を減少させているかを評価することができる。
That is, the safety system model unit improves at least one ability of the “recognition process”, “determination process”, and “operation process” of the
[第2の実施形態]
つぎに、本発明の第2の実施形態について説明する。第2の実施形態に係る事故警報装置は、実際の車両に搭載され、第1の実施形態で説明した事故発生予測シミュレーション装置の構成を含んでいる。
[Second Embodiment]
Next, a second embodiment of the present invention will be described. The accident alarm device according to the second embodiment is mounted on an actual vehicle and includes the configuration of the accident occurrence prediction simulation device described in the first embodiment.
なお、エラー誘発イベントデータベース13は、予め記憶装置に蓄積しても良いし、通信端末を介して外部から受信してもよい。走行環境データベース14のデータは、ナビゲーションシステムに予め搭載されているデータや、通信端末を用いて外部から受信したデータを使用する。また、ドライバデータベースのデータは、車車間通信、通信センターにより送信されたデータを使用すればよい。
The error inducing
この結果、ドライバモデル部24は自車両をシミュレーションすると共に、他のドライバモデル部24は自車両周辺で走行している車両をシミュレーションする。ここでは、各ドライバモデル部24は、現在時刻より所定時間後(例えば10秒後)の各車両の挙動をシミュレーションする。そして、事故が発生すると、その事故の様子が表示部26に表され、運転者に警報が発せられる。
As a result, the
以上のように、第2の実施形態に係る事故警報装置は、自車両及び周辺車両の所定時間後の挙動をシミュレーションして、事故が発生した場合は自車両のドライバに警報を発すると共に、その様子を提示することにより、実際の事故を未然に防止することができる。 As described above, the accident warning device according to the second embodiment simulates the behavior of the own vehicle and the surrounding vehicles after a predetermined time, and issues an alarm to the driver of the own vehicle when an accident occurs. By presenting the situation, it is possible to prevent an actual accident.
なお、本発明は、上述した実施の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範囲内で設計上の変更をされたものにも適用可能であるのは勿論である。 Note that the present invention is not limited to the above-described embodiment, and it is needless to say that the present invention can also be applied to a design modified within the scope of the claims.
11 実事故データベース
12 実事故解析部
13 エラー誘発イベントデータベース
14 走行環境データベース
15 ドライバデータベース
20 交通シミュレーション部
21 道路環境作成部
22 エラー誘発イベント発生部
23 イベント別ドライバ能力設定部
24 ドライバモデル部
25 交通状況管理部
26 表示部
30 シミュレーション結果データベース
11
Claims (7)
前記記憶手段に記憶された事故誘発要因情報に基づいて、事故誘発要因となる事象を発生する事象発生手段と、
前記事象発生手段により発生された事象に基づいて、模擬車両の挙動を制御する挙動制御手段と、
を備えた事故発生予測シミュレーション装置。 Storage means for storing accident-causing factor information indicating the frequency of occurrence of an event that becomes an accident-causing factor for each driver attribute and accident environment;
Event generating means for generating an event that becomes an accident inducing factor based on the accident inducing factor information stored in the storage means;
Behavior control means for controlling the behavior of the simulated vehicle based on the event generated by the event generation means;
Accident prediction simulation device equipped with.
前記挙動制御手段は、前記ドライバ能力設定手段により設定された能力に基づいて、模擬車両の挙動を制御する
請求項1に記載の事故発生予測シミュレーション装置 A driver capability setting unit configured to set at least one capability of driver recognition, determination, and operation according to an event generated by the event generation unit;
The accident occurrence prediction simulation apparatus according to claim 1, wherein the behavior control unit controls the behavior of the simulation vehicle based on the capability set by the driver capability setting unit.
請求項1または請求項2に記載の事故発生予測シミュレーション装置。 The accident occurrence prediction simulation apparatus according to claim 1 or 2, further comprising accident inducing factor information generating means for generating the accident inducing factor information for each driver attribute and accident environment based on actual accident information.
前記発生された事象に基づいて、模擬車両の挙動を制御する
事故発生予測シミュレーション方法。 Based on accident trigger factor information indicating the frequency of occurrence of an event that causes an accident for each driver attribute and accident environment, an event that causes an accident is generated.
An accident occurrence prediction simulation method for controlling the behavior of a simulated vehicle based on the generated event.
ドライバ属性及び事故環境毎に事故誘発要因となる事象の発生頻度を表す事故誘発要因情報に基づいて、事故誘発要因となる事象を発生させ、
前記発生された事象に基づいて、模擬車両の挙動を制御させる
事故発生予測シミュレーションプログラム。 On the computer,
Based on accident trigger factor information that represents the frequency of occurrence of an event that causes an accident for each driver attribute and accident environment, an event that causes an accident is generated.
An accident occurrence prediction simulation program for controlling the behavior of a simulated vehicle based on the generated event.
前記記憶手段に記憶された事故誘発要因情報に基づいて、事故誘発要因となる事象を発生する事象発生手段と、
前記事象発生手段により発生された事象と、模擬車両の安全システムの有無によるドライバ能力と、に基づいて、模擬車両の挙動を制御する挙動制御手段と、
を備えた安全システム評価装置。 Storage means for storing accident-causing factor information indicating the frequency of occurrence of an event that becomes an accident-causing factor for each driver attribute and accident environment;
Event generating means for generating an event that becomes an accident inducing factor based on the accident inducing factor information stored in the storage means;
Behavior control means for controlling the behavior of the simulated vehicle based on the event generated by the event generating means and the driver ability based on the presence or absence of the safety system of the simulated vehicle;
Safety system evaluation device with
前記記憶手段に記憶された事故誘発要因情報に基づいて、事故誘発要因となる事象を発生する事象発生手段と、
前記事象発生手段により発生された事象に基づいて、現在時刻より所定時間後における自車両及び周辺車両それぞれを示す複数の模擬車両の挙動を制御する挙動制御手段と、
前記挙動制御手段により制御された模擬車両の少なくとも1つが事故を発生したときに警報を発生する警報発生手段と、
を備えた事故警報装置。 Storage means for storing accident-causing factor information indicating the frequency of occurrence of an event that becomes an accident-causing factor for each driver attribute and accident environment;
Event generating means for generating an event that becomes an accident inducing factor based on the accident inducing factor information stored in the storage means;
Based on the event generated by the event generating means, behavior control means for controlling the behavior of a plurality of simulated vehicles indicating the own vehicle and surrounding vehicles after a predetermined time from the current time,
Alarm generating means for generating an alarm when at least one of the simulated vehicles controlled by the behavior control means generates an accident;
Accident alarm device equipped with.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007050059A JP4814816B2 (en) | 2007-02-28 | 2007-02-28 | Accident occurrence prediction simulation apparatus, method and program, safety system evaluation apparatus and accident alarm apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007050059A JP4814816B2 (en) | 2007-02-28 | 2007-02-28 | Accident occurrence prediction simulation apparatus, method and program, safety system evaluation apparatus and accident alarm apparatus |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2008217113A true JP2008217113A (en) | 2008-09-18 |
JP4814816B2 JP4814816B2 (en) | 2011-11-16 |
Family
ID=39837124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007050059A Expired - Fee Related JP4814816B2 (en) | 2007-02-28 | 2007-02-28 | Accident occurrence prediction simulation apparatus, method and program, safety system evaluation apparatus and accident alarm apparatus |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4814816B2 (en) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034009A (en) * | 2010-12-20 | 2011-04-27 | 东南大学 | Equivalent road accident number method-based identifying equipment for accident-prone sections |
KR101035301B1 (en) | 2010-12-02 | 2011-05-19 | 삼성탈레스 주식회사 | Flight simulation server for providing flight simulation data using database query switching |
JP2014137682A (en) * | 2013-01-16 | 2014-07-28 | Hitachi Solutions Ltd | Traffic information provision system using location information of mobile terminal |
CN110316052A (en) * | 2018-03-30 | 2019-10-11 | 中华映管股份有限公司 | Warning information generation system and its method |
JP2020091526A (en) * | 2018-12-03 | 2020-06-11 | トヨタ自動車株式会社 | Information processing system, program, and control method |
US11644331B2 (en) | 2020-02-28 | 2023-05-09 | International Business Machines Corporation | Probe data generating system for simulator |
US11702101B2 (en) | 2020-02-28 | 2023-07-18 | International Business Machines Corporation | Automatic scenario generator using a computer for autonomous driving |
US11814080B2 (en) | 2020-02-28 | 2023-11-14 | International Business Machines Corporation | Autonomous driving evaluation using data analysis |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09251596A (en) * | 1996-03-15 | 1997-09-22 | Hitachi Ltd | Method and device for supporting safety at intersection |
JP2004130940A (en) * | 2002-10-10 | 2004-04-30 | Nissan Motor Co Ltd | Gazing direction detection device |
JP2007047972A (en) * | 2005-08-09 | 2007-02-22 | Ast J:Kk | Traffic flow simulation device |
-
2007
- 2007-02-28 JP JP2007050059A patent/JP4814816B2/en not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09251596A (en) * | 1996-03-15 | 1997-09-22 | Hitachi Ltd | Method and device for supporting safety at intersection |
JP2004130940A (en) * | 2002-10-10 | 2004-04-30 | Nissan Motor Co Ltd | Gazing direction detection device |
JP2007047972A (en) * | 2005-08-09 | 2007-02-22 | Ast J:Kk | Traffic flow simulation device |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101035301B1 (en) | 2010-12-02 | 2011-05-19 | 삼성탈레스 주식회사 | Flight simulation server for providing flight simulation data using database query switching |
CN102034009A (en) * | 2010-12-20 | 2011-04-27 | 东南大学 | Equivalent road accident number method-based identifying equipment for accident-prone sections |
CN102034009B (en) * | 2010-12-20 | 2012-07-18 | 东南大学 | Equivalent road accident number method-based identifying equipment for accident-prone sections |
JP2014137682A (en) * | 2013-01-16 | 2014-07-28 | Hitachi Solutions Ltd | Traffic information provision system using location information of mobile terminal |
CN110316052A (en) * | 2018-03-30 | 2019-10-11 | 中华映管股份有限公司 | Warning information generation system and its method |
JP2020091526A (en) * | 2018-12-03 | 2020-06-11 | トヨタ自動車株式会社 | Information processing system, program, and control method |
CN111267864A (en) * | 2018-12-03 | 2020-06-12 | 丰田自动车株式会社 | Information processing system, program, and control method |
US11491993B2 (en) | 2018-12-03 | 2022-11-08 | Toyota Jidosha Kabushiki Kaisha | Information processing system, program, and control method |
US11644331B2 (en) | 2020-02-28 | 2023-05-09 | International Business Machines Corporation | Probe data generating system for simulator |
US11702101B2 (en) | 2020-02-28 | 2023-07-18 | International Business Machines Corporation | Automatic scenario generator using a computer for autonomous driving |
US11814080B2 (en) | 2020-02-28 | 2023-11-14 | International Business Machines Corporation | Autonomous driving evaluation using data analysis |
Also Published As
Publication number | Publication date |
---|---|
JP4814816B2 (en) | 2011-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111565990B (en) | Software verification for autonomous vehicles | |
JP7263233B2 (en) | Method, system and program for detecting vehicle collision | |
JP7399075B2 (en) | Information processing device, information processing method and program | |
US11597390B2 (en) | Method and system for driving mode switching based on driver's state in hybrid driving | |
JP4814816B2 (en) | Accident occurrence prediction simulation apparatus, method and program, safety system evaluation apparatus and accident alarm apparatus | |
JP6842574B2 (en) | Systems and methods for obtaining passenger feedback in response to autonomous vehicle driving events | |
CN105527709B (en) | System and method for adjusting the feature in head-up display | |
US7292152B2 (en) | Method and apparatus for classifying vehicle operator activity state | |
US9007198B2 (en) | Adaptive Actuator interface for active driver warning | |
US10336252B2 (en) | Long term driving danger prediction system | |
CN109686124A (en) | Anticollision based reminding method and system, storage medium and electronic equipment | |
CN108883725A (en) | A kind of driving vehicle warning system and method | |
US11003925B2 (en) | Event prediction system, event prediction method, program, and recording medium having same recorded therein | |
US20220198107A1 (en) | Simulations for evaluating driving behaviors of autonomous vehicles | |
CN112819968B (en) | Test method and device for automatic driving vehicle based on mixed reality | |
US11494950B2 (en) | Experience providing system, experience providing method, and experience providing program | |
CN105966397A (en) | Systems and methods for passing lane vehicle rear approach alert | |
CN111231971A (en) | Automobile safety performance analysis and evaluation method and system based on big data | |
JP2010086070A (en) | Road traffic information providing system and method | |
CN113460062A (en) | Driving behavior analysis system | |
CN115923832A (en) | Handover assistant for machine-to-driver transition | |
Li et al. | Evaluation of Forward Collision Avoidance system using driver's hazard perception | |
Terwilliger et al. | Dynamics of pedestrian crossing decisions based on vehicle trajectories in large-scale simulated and real-world data | |
KR20220036870A (en) | Method, system, and computer program product for determining safety-critical traffic scenarios for driver assistance systems (das) and highly automated driving functions (had) | |
Cieslik et al. | Improving the effectiveness of active safety systems to significantly reduce accidents with vulnerable road users-the Project PROSPECT (Proactive Safety for Pedestrians and Cyclists) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20100201 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20110607 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20110609 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20110801 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20110823 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20110826 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 4814816 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140902 Year of fee payment: 3 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313532 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140902 Year of fee payment: 3 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |