JP2012061222A - 運転者状態推定装置 - Google Patents

Abstract

【課題】より精度の高い運転者の状態推定を行うことができる運転者状態推定装置を提供する。
【解決手段】運転特性の一である攻撃性について分類された３つのクラス毎に運転者の心的負荷の推定に使用する生体情報である特徴量を設定した。そして当該特徴量を変数として使用する重回帰分析を通じて運転者の心的負荷を演算し、その演算結果に基づき運転者の心的負荷レベルを推定するようにした。運転者の運転特性を攻撃性で識別し、その攻撃性のクラス毎で心的負荷の推定に使用する特徴量を使い分けることにより、運転者の心的負荷の推定精度を向上させることができる。運転特性（攻撃性）のより近い同一のクラスに分類された運転者に適した特徴量が使用されて推定が行われるからである。
【選択図】図６

Description

本発明は、運転者の状態を推定する運転者状態推定装置に関する。

従来、例えば特許文献１に示されるように、運転者の覚醒度、疲労あるいは感情などの状態を、心拍などの生体情報の計測を通じて推定する装置が知られている。当該装置では、センサを通じて得られる運転者の心拍情報に基づき運転者の意識レベルを判定し、意識レベルが低い旨判定された場合に警告を発する。また、特許文献２に示されるように、運転者の運転行動を検出し、その運転行動に基づき運転者の状態を推定する装置も知られている。当該装置では、サイドミラーなどを目視する頻度などを検出し、その検出結果としきい値との比較を通じて運転者の状態を推定する。

特開平５−１８４５５８号公報 特開２００５−４４１４号公報

特許文献１の装置では、特定の生体情報に係る判定条件に基づいて運転者の状態を一律に判定している。しかし、生体情報と運転者の状態との関係は、運転者の性格などによって左右される。このため、同一の判定条件によって一律に運転者の状態を推定する場合、その判定結果が実際の運転者の状態とずれるおそれがあった。また、運転行動と運転者の状態との関係についても運転者ごとに異なることから、特許文献２の装置においても同様の懸念がある。

本発明は上記問題点を解決するためになされたものであって、その目的は、より精度の高い運転者の状態推定を行うことができる運転者状態推定装置を提供することにある。

請求項１に記載の発明は、運転特性の一である攻撃性について分類された複数のクラス毎に運転者の心的負荷の推定に使用する生体情報である特徴量を設定した上で、当該特徴量を変数として使用する統計的解析を通じて運転者の心的負荷を演算し、その演算結果に基づき運転者の心的負荷レベルを推定することをその要旨とする。

同じ状況の場合であれ、運転者毎に負担と感じる度合いが異なる。すなわち、同一の状況下における特徴量（生体情報）の変化も運転者毎に異なる。このため、すべての運転者について同じ特徴量を使用した場合、当該特徴量に基づく推定結果は個人的にばらついたものとなることが懸念される。この点、本発明のように、運転者の運転特性を攻撃性で識別し、その攻撃性のクラス毎で心的負荷の推定に使用する特徴量を使い分けることにより、運転者の心的負荷の推定精度を向上させることができる。これは運転特性（ここでは、攻撃性）のより近い同一のクラスに分類された運転者に適した特徴量が使用されて推定が行われるからである。

請求項２に記載の発明は、請求項１に記載の運転者状態推定装置において、運転者による運転操作の状態を検出する車両状態検出装置を備え、その検出結果に基づき運転者の攻撃性を判定し、その判定結果に基づき当該運転者の攻撃性を複数のクラスに分類することをその要旨とする。

本発明によれば、運転中のその時々において運転者の攻撃性が分類される。運転者の心理状況も都度変化することが想定されるところ、こうした変化に応じて運転者の状態を推定することができる。

請求項３に記載の発明は、請求項２に記載の運転者状態推定装置において、車両の運転開始から一定期間だけ経過するまでの間は予め記憶される初期情報に基づき運転者の攻撃性を複数のクラスに分類することをその要旨とする。

本発明によれば、車両の運転開始から一定期間だけ経過するまでの間、車両状態検出装置からの情報が蓄積される。この蓄積された情報に基づき運転者の攻撃性が好適に分類される。一定量の情報が蓄積されるまでの間においては、予め記憶される初期情報に基づき運転者の攻撃性が判定される。このため、攻撃性のクラス分類、ひいては運転者の心的負荷の演算および推定処理は途切れることなく実行される。

請求項４に記載の発明は、請求項３に記載の運転者状態検出装置において、前記初期情報は、運転者の過去の運転履歴に関する情報、あるいは運転者の攻撃性を判定する観点から作成された攻撃性アンケートの結果に基づき設定される標準的な攻撃レベルを示す情報であることをその要旨とする。

請求項３の発明において使用される初期情報としては、本発明によるように、運転者の過去の運転履歴に関する情報、あるいは運転者の攻撃性を判定する観点から作成された攻撃性アンケートの結果に基づき設定される標準的な攻撃レベルを示す情報を使用することが好ましい。運転者毎の攻撃性レベルの違いによる推定精度の低下を最小限に抑えることができる。

請求項５に記載の発明は、請求項２〜請求項４のうちいずれか一項に記載の運転者状態推定装置において、一定期間毎に運転者の攻撃性を再判定し、その判定結果に基づき運転者の攻撃性によるクラスが再分類されることをその要旨とする。

運転者あるいは車両の状況は常に変化する。このため、運転者の心的負荷状態もその時々で異なるものとなる。この点、本発明によれば、一定期間毎に運転者の攻撃性を再判定し、その判定結果に基づき運転者の攻撃性によるクラスも再分類される。このため、その時々の運転者の心的負荷を的確に推定することができる。

請求項６に記載の発明は、請求項１に記載の運転者状態推定装置において、運転者の攻撃性を判定する観点から作成された攻撃性アンケートの結果に基づき運転者の攻撃性を判定し、その判定結果に基づき当該運転者の攻撃性を複数のクラスに分類することをその要旨とする。

本発明のようにした場合であれ、運転特性（ここでは、攻撃性）のより近い同一のクラスに分類された運転者に適した特徴量が使用されて推定が行われる。このため、運転者の心的負荷の推定精度が向上する。

本発明によれば、より精度の高い運転者の状態推定を行うことができる。

本実施の形態における運転支援システムの概略を示すブロック図。 （ａ）は、同じくアンケートの内容を示す一覧図、（ｂ）は、アンケートの結果を示す棒グラフ。 同じくＡＷＷＬ推定結果を示す散布図（クラス分類あり）。 同じくＡＷＷＬ推定結果を示す散布図（クラス分類なし）。 拍動間隔（ＲＲＩ）の検出方法を説明するためのグラフ。 同じく運転者状態推定処理の手順を示すフローチャート。

以下、本発明を、車両の運転支援システムに具体化した一実施の形態を図１〜図６に基づいて説明する。
図１に示すように、運転支援システムは、運転者状態推定装置１０および報知装置１１を備えてなる。運転者状態推定装置１０は、車両の運転者が、例えば会話などの運転以外の行為への集中、眠気、疲労または漫然状態等の注意力低下状態になっているか否かを、その要因となる心的負荷状態を通じて推定するものである。この運転者状態推定装置１０の推定結果に基づき、車両の走行時における運転者の認知、判断あるいは操作などが支援される。例えば注意力低下状態である旨推定される場合には、その旨が報知装置１１を通じて運転者に示唆される。

運転者状態推定装置１０は、ＥＣＵ（電子制御装置）２１を備えている。ＥＣＵ２１には、運転者観察装置２２、車両状態検出装置２３、および周辺状態検出装置２４が接続されている。ＥＣＵ２１は、これら装置からの検出結果に基づいて、運転者の心的負荷状態の推定処理を実行する。

運転者観察装置２２は、運転者の生体情報である特徴量を検出し、その検出結果に応じた電気信号を生成する。この特徴量としては、例えば運転者の心電図によるＲ波間隔（ＲＲＩ）、心拍数、瞬目率、瞳孔径、頭部の移動量がある。運転者観察装置２２は、顔などを撮像するカメラ、当該カメラにより撮像される画像から生理的な特徴を抽出する画像処理装置、および心電を計測する心電計測器などを備えてなる。運転者観察装置２２は、これらの機器を通じて前述の特徴量を検出する。

車両状態検出装置２３は、運転者による運転操作の状態を検出し、その検出結果に応じた電気信号を生成する。運転操作の状態を示す情報としては、例えば操舵角、アクセル開度、ブレーキ操作の有無、警笛装置の吹鳴動作の頻度、およびパッシング回数等がある。車両状態検出装置２３は、アクセルセンサ、ブレーキセンサ、および舵角センサ等を備えてなる。車両状態検出装置２３は、これらセンサを通じて前述の運転操作の状態を示す各種の情報を取得する。また車両状態検出装置２３は、レバーコンビネーションスイッチを通じてパッシングの有無などを検出する。

周辺状態検出装置２４は、車外の状態を検出し、その検出結果に応じた電気信号を生成する。車外の状態としては、例えば先行車両との相対距離、走行レーンの位置、車線逸脱量などがある。周辺状態検出装置２４は、車両の前部および後部に設けられるレーザなどを利用したレーダ、およびカメラなどを備えてなる。周辺状態検出装置２４は、これらの機器を通じて前述の車外の情報を検出する。

ＥＣＵ２１は、運転者観察装置２２において生成される電気信号に基づき運転者の生体情報を収集して、その時々の運転者の生体に関する特徴量を検出する。ＥＣＵ２１は、車両状態検出装置２３において生成される電気信号に基づき運転操作に関する情報を収集して、その時々の運転者の運転操作を示す情報を検出する。ＥＣＵ２１は、周辺状態検出装置２４からの電気信号に基づいて、車外の状態に関する情報を収集して、その時々の車両周辺の状態を検出する。

また、ＥＣＵ２１の記憶装置２１ａには、ＥＣＵ２１が実行する各種の制御プログラムおよび各種の情報が記憶されている。制御プログラムとしては、運転者の攻撃性を判定する攻撃性判定プログラム、および運転者の心的負荷状態を推定する推定プログラムなどがある。記憶装置２１ａに記憶される情報としては、運転者の状態推定処理に利用される各種のマップデータなどがある。

ＥＣＵ２１は、車両状態検出装置２３及び周辺状態検出装置２４からの各種の情報に基づき運転者の運転における攻撃性を判定するとともに、その判定結果に応じて運転者の心的負荷状態の推定処理を行う。そしてＥＣＵ２１は、推定した心的負荷レベルが所定のレベルを超える旨判定される場合には、報知装置１１を通じてその旨運転者に報知する。報知装置１１は、アラームを発したり、メータパネル等に表示したりする。

ちなみに、運転攻撃性とは、追い越されると怒りを示したり、歩行者などを邪魔に感じたり、気に入らない他の車両に対して警笛装置を吹鳴させたりするなど、他の車両に対して攻撃的な傾向を示す運転意識をいう。また、運転者の心的負荷に対する主観評価に影響を与える要因としては、運転頻度、運転攻撃性、運転に対する慣れ、および体調などが考えられるものの、本例では特に運転攻撃性が大きな要因であるとして、これに基づく推定方法を採用している。運転攻撃性の判定処理については後に詳述する。

＜攻撃性によるクラス分類＞
つぎに、運転者の攻撃性の判定について説明する。本例では、運転攻撃性に基づき運転者を３つのクラスに分類し、クラス毎に心的負荷の推定（後述する重回帰分析の変数）に使用される特徴量（生理量）が設定されている。ＥＣＵ２１の記憶装置２１ａには、この攻撃性の３つのクラスと、心的負荷の推定に使用される特徴量との関係を示すマップデータが格納されている。このマップデータを表１に示す。同表に示されるように、攻撃性のレベルは、高、中、低の３つに分類されている。そして、攻撃性が高い運転者の心的負荷状態の推定に使用される特徴量としては、頭部回転角度、瞬き変化率、瞳孔径変化、および心拍数が設定されている。攻撃性が中程度である運転者の心的負荷状態の推定に使用される特徴量としては、頭部回転角度、および心拍数が設定されている。攻撃性が低い運転者の心的負荷状態の推定に使用される特徴量としては、頭部回転角度、および瞳孔径変化が設定されている。

攻撃性は、表２に示される項目に基づき判定される。これらの項目は、運転者の攻撃性を判定する観点から設定される。各項目の検出結果の値が大きいほど攻撃性レベルが大きいといえる。例えばパッシング回数が多いほど他車両への威嚇の度合いが大きく攻撃性が高い傾向にあると想定される。

運転者の攻撃性レベルの判定基準はつぎのようにして設定される。すなわちまず、ドライビングシミュレータを使用した実験等を通じて表２に示される各項目の値を取得する。そして各項目の検出結果あるいはその平均値としきい値との比較を通じて各項目の検出結果を、攻撃性レベルの観点から３段階（「大、中、小」あるいは「多、中、少」など）に分類する。次いで攻撃性について、「高レベル＝２」、「中レベル＝１」、「低レベル＝０」の得点を与え、その算出されるスコアに基づき攻撃性レベルの判定基準として次式（１）を設定した。当該式（１）により、運転者（被験者）の運転攻撃性は３つのクラス（高、中、低）に分類される。

ＥＣＵ２１は、車両状態検出装置２３及び周辺状態検出装置２４からの各種の情報に基づき表２に示される各項目の値を検出し、これら検出結果に次式（１）を適用することにより、運転中の運転者の攻撃性レベルが３つのクラスのどのクラスに属するのかを判定する。

ただし、「Ａｖｅ」は算出されたスコアの平均値、「ＳＤ」は標準偏差である。

＜クラス分類の有効性の検証＞
以下、攻撃性によるクラス分類の有効性を検証する。ここでは、攻撃性レベルの判定基準は、図２（ａ）に示すアンケート（全１６項目）に基づき設定した。アンケートの項目は、運転者の主観的な攻撃性を判定する観点から作成されたものである。そして、運転者（被験者）の苛立ちあるいは敵対心を類型化するために、「はい＝２」、「どちらでもない＝１」、「いいえ＝０」の得点を与えてクラス分類を行った。図２（ｂ）に示されるアンケートの結果（正確には、算出されたスコア）から、先の式（１）により、被験者を３つのクラス（高、中、低）に分類した。その結果を表３に示す。なお、本例では被験者はＡ〜Ｔの１６人である。

ここで、表１に示されるクラス毎の特徴量は、つぎのように設定される。すなわち、クラス毎に使用する特徴量の組合せを変えて重回帰分析（ステップワイズ変数選択法）を行い、その分析結果に基づき運転者の状態推定に使用される特徴量が決定される。回帰分析においては、相関係数が高く、誤差標準偏差が小さい場合に、そのモデルは高精度に基準変数を推定できているといえる。

クラス毎に使用する特徴量の組合せを変えて重回帰分析を行った結果、表１に示される特徴量を使用したときに最も推定精度が確保されることが確認された。このため本例では、攻撃性が高いクラスの運転者については頭部角度、瞬目率、瞳孔径および心拍数を、攻撃性が中程度のクラスの運転者については頭部角度、および心拍数を、攻撃性が低いクラスの運転者については頭部角度および瞳孔径を、状態推定に使用する特徴量として設定している。

＜推定手法＞
本例では、運転者の状態推定には多変量解析法の一である重回帰分析法が使用される。ｐ個の変数を説明変数とする重回帰式は次式（２）のようになる。

ただし、「Ｙ」は基準変数、「Ｘ」は説明変数である。本例では、基準変数「Ｙ」は心的負荷推定値〔ＡＷＷＬ（Ａｄａｐｔｉｖｅ Ｗｅｉｇｈｔ Ｗｏｒｋ−Ｌｏｒｄ）の推定値〕、説明変数「Ｘ」は特徴量である。「β」，「ε」は、係数である。

また本例では、式（２）で示される重回帰式によって算出されたＡＷＷＬの推定精度を評価するために、主観評価（ＮＡＳＡ−ＴＬＸ）から算出したＡＷＷＬとの相関係数Ｒ、および誤差標準偏差ＳＤを評価指標として使用する。

主観評価で使用するＮＡＳＡ−ＴＬＸは、精神的要求、身体的要求、時間的圧迫感、作業達成度、努力、不満からなる６つの尺度項目からなるアンケートに基づき心的負荷を求める評価手法である。これら６つの項目について２０段階で評価を求める。その後、すべての組合せ１５通りを比較し、重み付け係数を算出する。各項目の評価値と重み付け係数の線形和を求めることにより、心的負荷状態が１００点満点で算出される。

相関係数Ｒは次式（３）、誤差標準偏差ＳＤは次式（４）で表される。

ただし、「ｘ」は推定ＡＷＷＬ、「ｙ」はＡＷＷＬ、「ｎ」はデータ数である。

＜推定結果＞
つぎに、攻撃性による分類を行った場合の重回帰分析の結果を図３の散布図に、比較例として当該分類を行わなかった場合の重回帰分析の結果を図４の散布図に示す。図３および図４において、縦軸はＡＷＷＬ、横軸は推定ＡＷＷＬである。さらに、クラス分類手法（クラス分類の有無）と評価指標（相関係数Ｒおよび誤差標準偏差ＳＤ）との関係を表４に示す。

図３に示される分析結果は、運転攻撃性により分類したクラス毎に異なる特徴量を使用したときのものである。すなわち、攻撃性が高いクラスの運転者については、頭部回転角度、瞬き変化率、瞳孔径変化および心拍数（心拍間隔）を、攻撃性が中程度のクラスの運転者については、頭部回転角度および心拍数を、攻撃性が低いクラスの運転者については、頭部回転角度および瞳孔径変化を、特徴量として使用している。また、図４に示される分析結果は、運転者にかかわらず、特徴量として頭部回転角度、心拍数およびＣＶＲＲ（心電図心拍間隔変動係数）を共通して使用したときのものである。

図３及び図４の散布図に示される推定結果から、攻撃性によってクラス分類を行うことにより大幅に精度が向上していることが確認できる。

また、表４に示されるように、相関係数Ｒおよび誤差標準偏差ＳＤからも、クラス分類を行わない場合よりもクラス分類を行う本例の手法の方が高精度で運転者の状態を推定できていることが確認できる。すなわち、クラス分類なしの場合に比べて、ＡＷＷＬおよび推定ＡＷＷＬの相関係数が０．７９から０．８９に向上するとともに、同じく誤差標準偏差ＳＤが１２．６から９．６に減少している。これは、心的負荷状態の推定精度が向上していることを示す。

＜クラス分類数について＞
また、最適なクラス分類数の検証を行った結果、表５に示されるように、２クラス分類、３クラス分類および５クラス分類の中では、3クラス分類が最も高精度であることが確認された。攻撃性を考慮して、運転特性が類似した被験者内で推定モデルを算出した結果、推定精度が向上したと考えられる。

表１に示されるように、採用された特徴量の中では、全てのクラスにおいて頭部回転角度が採用されていることから、頭部回転角度と心的負荷状態との相関の高さが分かる。また単回帰分析の結果から、その他の特徴量も心的負荷状態との相関があり、その中でもより強く傾向が現れた特徴量が採用されたことも、精度向上に貢献したと考えられる。ちなみに、相関係数から相関の強弱を判断する目安はつぎの通りである。

「０．４＜Ｒ≦０．６」 ：弱い相関あり
「０．６＜Ｒ≦０．８」 ：相関あり
「０．８＜Ｒ≦１．０」 ：強い相関あり
以上の結果から、これらの特徴量を運転中にモニタリングし、攻撃性によりクラス分類を行い、最適な推定モデルに当てはめることによって、より高精度な推定が可能になることが分かる。

なお、当該クラス分類の有効性の検証において、重回帰分析に使用した特徴量は、ドライビングシミュレータを使用した実験を通じて取得されるデータから算出されたものである。本例では、直線道路、高速道路および郊外道路の３種類のコースにおいて実験を行った。これら実験による特徴量（生理量）を式（２）で表される重回帰式の説明変数Ｘとして使用した。ここで、例えば特徴量の一である心拍数は、つぎのようにして検出される。すなわち、ＥＣＵ２１は、運転者観察装置２２（正確には、心電計測器）を通じて検出される運転者の心拍信号を所定時間（例えば３０秒以上）だけ蓄積し、所定の周波数でサンプリングする。さらにＥＣＵ２１は、サンプリングした心拍信号にフィルタ処理を施す。こうして得られた心拍信号の中から図５に示すように所定のしきい値を超えた波をＲ波とし、その時間間隔を拍動間隔ＲＲＩとしてＲＲＩデータを検出する。

＜運転者の状態推定処理＞
つぎに、ＥＣＵ２１により実行される運転者状態推定処理の手順を図６のフローチャートに従って説明する。このフローチャートはＥＣＵ２１の記憶装置に格納された推定プログラムに従って実行される。当該プログラムは、車両の電源が投入（イグニッションオン）されることにより実行される。

まずＥＣＵ２１は、運転者観察装置２２、車両状態検出装置２３および周辺状態検出装置２４を通じて、運転者の生体情報、運転者による運転操作の状態に関する情報、および車外の状態に関する情報などの各種情報を取得する（ステップＳ１０１）。

つぎにＥＣＵは、一定時間だけ経過したかどうかを判断する（ステップＳ１０２）。ある程度のデータを蓄積するためである。
一定時間だけ経過した旨判断される場合（ステップＳ１０２でＹＥＳ）、車両状態検出装置２３および周辺状態検出装置２４からの情報に基づき、運転者の攻撃性が判定される（ステップＳ１０３）。

つぎに、ＥＣＵ２１は、先のステップＳ１０３において判定した運転者の攻撃性をクラス分類する（ステップＳ１０４）。すなわち、判定された攻撃性が高クラス、中クラスおよび低クラスのうちどのクラスに属するのかを先の式（１）に基づき判定する。

つぎに、ＥＣＵ２１は、判定した攻撃性が中クラスに属するものかどうかを判断する（ステップＳ１０５）。ＥＣＵ２１は中クラスである旨判断されるとき（ステップＳ１０５でＹＥＳ）には、表１に示されるマップを参照して当該クラスに応じた特徴量、すなわち頭部回転角度および心拍数を設定する（ステップＳ１０６）。

ＥＣＵ２１は中クラスではない旨判断されるとき（ステップＳ１０５でＮＯ）には、高クラスかどうかを判断する（ステップＳ１０７）。ＥＣＵ２１は高クラスである旨判断されるとき（ステップＳ１０７でＹＥＳ）には、表１に示されるマップを参照して当該クラスに応じた特徴量、すなわち頭部回転角度、瞬き変化率、瞳孔径変化、および心拍数を設定する（ステップＳ１０８）。

ＥＣＵ２１は高クラスではない旨判断されるとき（ステップＳ１０７でＮＯ）には、低クラスである旨判断する（ステップＳ１０９）。そしてＥＣＵ２１は、表１に示されるマップを参照して当該クラスに応じた特徴量、すなわち頭部回転角度、および瞳孔径変化を設定する（ステップＳ１１０）。

つぎにＥＣＵ２１は、先のステップＳ１０６、ステップＳ１０８またはステップＳ１１０において設定した特徴量を使用して運転者の心的負荷の演算処理を実行する（ステップＳ１１１）。すなわち、ＥＣＵ２１は、先の式（２）の重回帰式の説明変数「Ｘ」に各クラスに応じた特徴量を適用することにより、運転者の心的負荷（推定ＡＷＷＬ）を求める。このとき、心的負荷は満点を１００点として算出される。

つぎにＥＣＵ２１は、算出した心的負荷に基づき、運転者の状態を判定する（ステップＳ１１２）。すなわちＥＣＵ２１は、算出した心的負荷がつぎの（Ａ）〜（Ｊ）のどの判定条件に属する値であるのかを判定する。

（Ａ）「心的負荷＜２８」のとき レベル０
（Ｂ）「２８≦心的負荷＜３６」のとき レベル１
（Ｃ）「３６≦心的負荷＜４４」のとき レベル２
（Ｄ）「４４≦心的負荷＜５２」のとき レベル３
（Ｅ）「５２≦心的負荷＜６０」のとき レベル４
（Ｆ）「６０≦心的負荷＜６８」のとき レベル５
（Ｇ）「６８≦心的負荷＜７６」のとき レベル６
（Ｈ）「７６≦心的負荷＜８４」のとき レベル７
（Ｉ）「８４≦心的負荷＜９２」のとき レベル８
（Ｊ）「９２≦心的負荷」のとき レベル９
ＥＣＵ２１は、算出した心的負荷が（Ａ）または（Ｂ）の範囲に属する旨判断した場合には、運転よりも負荷が低い状態であり、また同様の心的負荷が継続あるいは頻発する旨判断した場合には運転者は眠気などを催している状態であると認識する。同じくＥＣＵ２１は、（Ｅ）〜（Ｇ）の範囲に属する旨判断した場合には、運転よりも負荷が加わっている状態であり、また同様の心的負荷が継続あるいは頻発する旨判断した場合には運転者は注意力が散漫な状態であると認識する。同じくＥＣＵ２１は、（Ｈ）〜（Ｊ）の範囲に属する旨判断した場合には、運転よりも強い負荷が加わっている状態であり、また同様の心的負荷が継続あるいは頻発する旨判断した場合には運転者にストレスがかかっていると認識する。そして、ＥＣＵ２１は、それら認識される運転者の状態に応じた内容のフィードバックを当該運転者に対して行う。ＥＣＵ２１は、算出した心的負荷が（Ｃ）または（Ｄ）の範囲に属する旨判断した場合には、正常である旨判断する。

ちなみに、心的負荷レベル、正確には１００点満点で得られたスコアを（Ａ）〜（Ｊ）の１０段階に分けているのは、心的負荷の強さに応じて、運転者の状態を判定するまでの時間を変えるなどの処理を加えるためである。例えば（Ａ），（Ｂ）はそれぞれ心的負荷をほとんど感じていないと判断してよい条件である。しかし、（Ａ）は（B)よりも負荷度合いは低いため、条件（Ａ）に該当する運転者は条件（B)に該当する運転者よりも短い時間（少ない回数）で眠気を感じていると判断することができる。また、出来るだけ細かいスコアで運転者の状態を判断することが好ましいものの、もともと主観評価値に基づいて演算しているため、現実的にスコア値として“8”刻みでスコアを区分している。

つぎに、ＥＣＵ２１は車両の電源が遮断（イグニッションオフ）されたかどうかを判断する（ステップＳ１１３）。イグニッションオフされた旨検出されるときには（Ｓ１１３でＹＥＳ）、当該処理を終了する。イグニッションオフされた旨検出されないときには（Ｓ１１３でＮＯ）、一定時間だけ経過したか否かを判断する（ステップＳ１１４）。一定時間だけ経過していない旨判断されるとき（ステップＳ１１４でＮＯ）にはステップＳ１１１へ、一定時間だけ経過した旨判断されるとき（ステップＳ１１４でＹＥＳ）にはステップＳ１０１へ処理を移行する。すなわち、攻撃性によるクラス分類を再度行う。これにより、刻々と変化する運転者の心的負荷状態に好適に対応することができる。

なお、先のステップＳ１０２において、ＥＣＵ２１は一定時間だけ経過していない旨判断されるとき、すなわち一定量のデータの蓄積が完了していない旨判断されるときには（ステップＳ１０２でＮＯ）、運転者の過去の運転履歴（攻撃性の判定データ）を記憶装置から読み込み（ステップＳ１１５）、ステップＳ１１１へ処理を移行する。そしてＥＣＵ２１は、当該ステップＳ１１１において、運転履歴に基づき心的負荷（ＡＷＷＬ）を演算し、その後、算出した心的負荷に基づき運転者の心的負荷状態の判定を行う（Ｓ１１２）。以下、前述と同様の処理を実行する。このように、イグニッションオン直後の初期状態において、データが蓄積されるまでの間（ステップＳ１０２でＹＥＳとなるまでの間）、読み込んだ過去の攻撃性データに基づくクラス分類に基づき、運転者の状態が推定される。これにより、運転者の状態推定処理が途切れることなく継続される。

このように、本例の推定方法によれば、運転中の運転者の意識が集中している状態、あるいはぼんやりとした漫然状態などの心的負荷を、統計的解析（本例では、重回帰分析）を使用して推定するに際して、心的負荷の変化が現れやすい特徴量（生理量）を運転者個別に設定する必要がない。運転中において逐次的に収集される操作状態および車両の周囲状況などに基づき自動的に運転者の攻撃性が判定されるからである。個人毎に心的負荷を変化させて使用に適切な特徴量を特定する必要がないので、不特定多数の運転者に対しての適応も容易である。また前述したように、車両の周囲状況などに基づき運転者の攻撃性が判定されることから、不特定多数の運転者に共通した特徴量を設定する場合と異なり、周辺環境の変化などから生じる個人差にも（クラス単位で）対応することができる。本例によれば、運転者毎に特徴量を設定する場合における利点（個人差に対する対応）、および不特定多数の運転者に共通した特徴量を設定する場合の利点（不特定多数の運転者に対する適応）の双方を得ることができる。

＜実施の形態の効果＞
したがって、本実施の形態によれば、以下の効果を得ることができる。
（１）運転特性の一である攻撃性について分類された複数のクラス毎に運転者の心的負荷の推定に使用する生体情報である特徴量を設定するようにした。そして当該特徴量を変数として使用する統計的解析を通じて運転者の心的負荷を演算し、その演算結果に基づき運転者の心的負荷レベルを推定するようにした。

同じ状況の場合であれ、運転者毎に負担と感じる度合いが異なる。すなわち、同一の状況下における特徴量（生体情報）の変化も運転者毎に異なる。このため、すべての運転者について同じ特徴量を使用した場合、当該特徴量に基づく推定結果は個人的にばらついたものとなることが懸念される。この点、本例のように、運転者の運転特性を攻撃性で識別し、その攻撃性のクラス毎で心的負荷の推定に使用する特徴量を使い分けることにより、運転者の心的負荷の推定精度を向上させることができる。運転特性（ここでは、攻撃性）のより近い同一のクラスに分類された運転者に適した特徴量が使用されて推定が行われるからである。

（２）車両状態検出装置２３の検出結果に基づき運転者の攻撃性を判定し、その判定結果に基づき運転者の攻撃性を複数のクラスに分類するようにした。
このため、運転中のその時々において運転者の攻撃性が分類される。運転者の心理状況も都度変化することが想定されるところ、こうした変化に応じて運転者の状態を推定することができる。個人差に対応し、かつ不特定多数の運転者に対して使用する生理量を設定し，心的負荷を精度良く推定する。

（３）車両の運転開始から一定期間だけ経過するまでの間は予め記憶される初期情報に基づき運転者の攻撃性を複数のクラスに分類するようにした。
本例によれば、車両の運転開始から一定期間だけ経過するまでの間、車両状態検出装置からの情報が蓄積される。この蓄積された情報に基づき運転者の攻撃性が好適に分類される。一定量の情報が蓄積されるまでの間においては、予め記憶される初期情報に基づき運転者の攻撃性が判定される。このため、攻撃性のクラス分類、ひいては運転者の心的負荷の演算および推定処理は途切れることなく実行される。

（４）初期情報としては、運転者の過去の運転履歴に関する情報を使用するようにした（ステップＳ１１５参照）。これにより、運転者毎の攻撃性レベルの違いによる推定精度の低下を最小限に抑えることができる。

（５）一定期間毎に運転者の攻撃性を再判定し、その判定結果に基づき運転者の攻撃性によるクラスを再分類するようにした（ステップＳ１１４参照）。
運転者あるいは車両の状況は常に変化する。このため、運転者の心的負荷状態もその時々で異なるものとなる。この点、本例によれば、一定期間毎に運転者の攻撃性を再判定し、その判定結果に基づき運転者の攻撃性によるクラスも再分類される。このため、その時々の運転者の心的負荷を的確に推定することができる。

（６）攻撃性を３クラスに分類した。このため、より高い推定精度が得られる。
＜他の実施の形態＞
なお、前記実施の形態は、つぎのように変更して実施してもよい。

・本例では、運転者状態の心的負荷が所定のレベルにある場合、その旨報知装置１１を通じて報知するようにしたが、報知するだけではなく、香り、照明、メータ表示等の制御を通じて、運転者の心的負荷を抑制するようにしてもよい。この場合、報知装置１１として、あるいはこれに代えて、香り発生装置、振動装置、冷気発生装置、および酸素濃度調節装置などを適宜設ける。運転者の心的負荷の状態に応じてこれら装置を動作させる。

・本例では、運転者の攻撃性を逐次的に判定するようにしたが、固定的なものとして設定してもよい。例えば運転免許証の発行時に先の図２（ａ）に示されるような攻撃性アンケート、あるいはドライビングシミュレータを使用して各人の攻撃性を判定し、当該判定結果に基づき攻撃性レベルをクラス分類する。そしてこのクラス分類を車両（正確には、ＥＣＵ２１の記憶装置）に登録する。実際の運転中においては、車両に登録された攻撃性レベルのクラス分類に基づき、表１に示されるマップを参照して当該クラスに応じた特徴量（頭部回転角度、心拍数）が設定される（図６のステップＳ１０６、Ｓ１０８、Ｓ１１０）。

このようにした場合であれ、運転特性（ここでは、攻撃性）のより近い同一のクラスに分類された運転者に適した特徴量が使用されて推定が行われる。このため、運転者の心的負荷の推定精度が向上する。また運転開始から一定量の情報が蓄積されるまでの間において、運転者の攻撃性を判定する観点から作成された攻撃性アンケートの結果に基づき設定される標準的な攻撃レベルを示す情報を使用して運転者の攻撃性が判定されることから、運転者毎の攻撃性レベルの違いによる推定精度の低下を最小限に抑えることができる。さらに、図６のフローチャートにおけるステップＳ１０１〜ステップＳ１０３の処理を省略することもできるため、ＥＣＵ２１の演算負荷が低減される。運転免許証の更新毎に、攻撃性によるクラス分類を更新するようにしてもよい。

・本例では、先の図６のステップＳ１１５の処理において、運転者の過去の運転履歴（攻撃性の判定データ）に関する情報を記憶装置から読み込み、この運転履歴情報に基づき心的負荷（ＡＷＷＬ）を演算するようにしたが、つぎのようにしてもよい。例えば運転履歴に代えて、標準的な攻撃性レベルを示すデータを読み込むようにしてもよい。当該データは、例えば先の図２（ａ）に示される攻撃性アンケートを不特定多数の運転者に対して実施し、それらアンケート結果に基づき設定する。ドライビングシミュレータを使用して不特定多数の運転者の運転傾向を分析し、当該分析結果に基づき標準的な攻撃レベルを示すデータを設定してもよい。

・本例では、図６のステップＳ１１２において運転者状態の推定がなされてから一定時間だけ経過したとき（ステップＳ１１４でＹＥＳ）、ステップＳ１０１へ処理を移行して、攻撃性の再度の判定を行うようにしたが、当該処理（ステップＳ１１４）を省略してもよい。

・本例では、攻撃性レベルを判定するための情報として、周辺状態検出装置２４からの各種情報を使用したが、これら情報を使用することなく攻撃性レベルを判定するようにしてもよい。

・本例では、攻撃性によるクラス分類数を３つとしたが、２つあるいは５つあるいはそれ以上の分類数としてもよい。このようにした場合であれ、クラス分類しない場合に比べて、運転者状態の推定精度を向上させることができる。

・攻撃性レベルの判定条件、あるいは運転者の心的負荷状態の判定条件などは、適宜変更して設定してもよい。
・本例では、運転者状態の推定手法として、重回帰分析を採用したが、他の手法を採用してもよい。例えば判別分析、クラスター分析などの他の統計的解析（多変量解析）の手法を採用することも可能である。

・本例では、運転者状態推定装置１０を車両の運転支援システムに適用したが、例えばシミュレーションシステム等に適用してもよい。なお、これらシステムの搭載先としては、自動車、電車などが想定される。

＜他の技術的思想＞
つぎに、前記実施の形態から把握できる技術的思想を以下に追記する。
（イ）運転特性の一である攻撃性を複数のクラスに分類し、これらクラス毎に心的負荷の推定に使用する特徴量を設定し、当該特徴量を変数として使用する統計的解析を通じて運転者の心的負荷を演算し、その演算結果に基づき運転者の心的負荷レベルを推定する運転者状態推定方法。

１０…運転者状態推定装置、２３…車両状態検出装置。

Claims (6)

1. 運転特性の一である攻撃性について分類された複数のクラス毎に運転者の心的負荷の推定に使用する生体情報である特徴量を設定した上で、当該特徴量を変数として使用する統計的解析を通じて運転者の心的負荷を演算し、その演算結果に基づき運転者の心的負荷レベルを推定する運転者状態推定装置。
2. 請求項１に記載の運転者状態推定装置において、
   運転者による運転操作の状態を検出する車両状態検出装置を備え、その検出結果に基づき運転者の攻撃性を判定し、その判定結果に基づき当該運転者の攻撃性を複数のクラスに分類する運転者状態推定装置。
3. 請求項２に記載の運転者状態検出装置において、
   車両の運転開始から一定期間だけ経過するまでの間は予め記憶される初期情報に基づき運転者の攻撃性を複数のクラスに分類する運転者状態推定装置。
4. 請求項３に記載の運転者状態検出装置において、
   前記初期情報は、運転者の過去の運転履歴に関する情報、あるいは運転者の攻撃性を判定する観点から作成された攻撃性アンケートの結果に基づき設定される標準的な攻撃レベルを示す情報である運転者状態推定装置。
5. 請求項２〜請求項４のうちいずれか一項に記載の運転者状態推定装置において、
   一定期間毎に運転者の攻撃性を再判定し、その判定結果に基づき運転者の攻撃性によるクラスを再分類する運転者状態推定装置。
6. 請求項１に記載の運転者状態推定装置において、
   運転者の攻撃性を判定する観点から作成された攻撃性アンケートの結果に基づき運転者の攻撃性を判定し、その判定結果に基づき当該運転者の攻撃性を複数のクラスに分類する運転者状態推定装置。

Images