JP2017504867A - 車両におけるドライバ動作を評価する方法 - Google Patents

Abstract

車両におけるドライバ動作を評価するための方法において、センサデータが検出され、このセンサデータに基づいてドライバ動作が評価される。種々異なる動作カテゴリが区別され、それぞれの動作カテゴリには、所定の確率でセンサデータが割り当てられる。確率が閾値を超えた場合には、動作カテゴリが当てはまると判断する。【選択図】図１

Description

本発明は、車両におけるドライバ動作を評価する方法に関する。

ドライバもしくは車両内部スペース、または車両周辺をセンサ装置によって監視するドライバ支援システムが既知であり、車両の走行特性に影響を及ぼすことができるアクチュエータを作動するための作動信号が、測定値に基づいて、検出される。例えば、ブレーキ支援システムはブレーキペダル操作を監視し、ペダル操作の速度または加速度が限界値を超えた場合には自動的にブレーキ圧を構成する。

必要に応じて、電気的に支援され、周辺監視を行うステアリングシステムにもブレーキ支援システムを連結し、車両のブレーキ動作を回避動作に結びつけることもできる。

このようなドライバ支援システムは、測定値の検出および評価に基づいている。測定値が、割り当てられた限界値を超えた場合には、ドライバ支援システムによる介入が行われる。

本発明の基礎をなす課題は、車両におけるドライバ動作を分析し、例えば、より高い精度でドライバ支援システムを最新の走行状態に合わせて調節できるようにすることである。

この課題は、本発明によれば、請求項１の特徴により解決される。従属請求項は好適な実施形態を示している。

本発明による方法は、車両におけるドライバ動作を評価するために使用される。この場合、客観的および／または主観的なドライバ状態がドライバ動作に基づいて検出および評価され、種々異なる動作カテゴリが区別される。この方法ではセンサの測定値が検出され、これらの測定値は様々な確率でドライバの異なる動作カテゴリに割り当てられる。割り当てられた確率が閾値を超えた場合には、動作カテゴリが当てはまると判断される。

この構成は、確率法に基づいて種々異なる動作カテゴリを区別することができるという利点を有し、当てはまる動作カテゴリに応じて、例えば、ドライバ支援システムのパラメータを様々に設定することができる。例えば、ドライバの最新の集中状態について種々異なる動作カテゴリ、例えば、「目覚めている」状態もしくは「集中度の高い」状態を示す第１カテゴリ、平均的に集中しているドライバを示すカテゴリ、およびあまり集中していないドライバを示すさらなるカテゴリを区別することができる。センサデータを考慮して確率モデルに基づいた評価を行うことにより、ドライバが集中していないことが判明した場合には、例えばブレーキ支援装置またはエレクトロニックスタビリティプログラム（ＥＳＰ）において限界値もしくは閾値を引き下げることができ、これにより当該ドライバ支援システムを早期に、および／または強度に介入することが可能となる。ドライバが平均的に集中している場合には、好ましくは、限界値はわずかにしか修正されず、これに対してドライバが極めて集中している場合には、ドライバ支援システムにおける限界値の事前設定を変更する必要はない。

ドライバが極めて集中している場合には、平常時よりも後に介入を行うように限界値を変更することも可能である。警告システム、または介入カスケード内に複数の警告段階を備えるシステムでは、極めて集中しているドライバは、あまりにも頻繁に、あまりにも早期に警告されたと主観的に感じる場合もある。限界値を調整することにより、誤警告であるとドライバが感じる通知の数が減少し、システムの評価が高まる。

例えば、ドライバ支援システムの介入が行われるまでの応答時間もしくは時間範囲を修正することができ、特にドライバが平均よりも集中していない場合には下げてもよい。このようにして、それぞれのドライバに対して個別に、状況に応じて車両の調整が行われ、これに伴い安全性が改善される。

したがって、確率法によって、ドライバの現在有効な所定の動作カテゴリについての確率を示すことができ、これに基づいて、車両のアクチュエータ、例えばドライバ支援システムのパラメータを設定することができる。基本的には車両の全ての調節可能な構成要素を最新のドライバ動作カテゴリに応じて変更することができる。このことは、例えばブレーキ支援装置またはステアリング支援装置、あるいはエレクトロニックスタビリティプログラムなどのドライバ支援システムの他に、例えば制御時間、または介入時点もしくはトリガ時点などの駆動パラメータ、例えば事故が差し迫っている場合に自動的なブレーキ介入またはステアリング介入までに残されている残り時間についても当てはまる。

センサによって検出されたデータに基づいて、種々異なる動作カテゴリに確率が割り当てられることによって、現在有効なドライバの動作カテゴリが正確に判断される確実性が高くなる。このようにして誤った判断を行う危険性が減じられる。

この方法では、ドライバ状態に関する複合的な情報を集め、周辺データを取り入れることができる。ドライバの精神状態ならびに状態変化をセンサデータに応じてモデル化することができる。検出されたドライバ状態を用いて、ドライバ支援システムの動作を調整することができる。

好適には、走行時に持続的にセンサデータが検出され、これらのセンサデータは種々異なる動作カテゴリに割り当てられる。これに基づきドライバの動作カテゴリが変化したことを判断し、新たに判断した動作カテゴリに基づいて車両におけるさらなる設定を行う可能性が得られる。例えば、走行が長時間にわたって持続され、ドライバの集中力が低下した場合に、このことはセンサデータに基づいて判断され、続いて動作カテゴリは、より集中していない動作の方向に変更される。したがって、車両の１つ以上のアクチュエータもしくはシステムの基礎をなす種々異なるパラメータセットが適用される。

さらに持続的なセンサデータの検出および評価により、判断した動作カテゴリがより高い確率で当てはまるという利点を有する。長時間にわたってセンサデータが変化しない場合、またはわずかにしか変化しない場合には、カテゴリを継続する確率がさらに上昇する。

採用することが望ましい新しい動作カテゴリについての確率が、割り当てられた確率閾値を超えた場合に、異なる動作カテゴリ間の変更が行われる。種々異なる動作カテゴリの確率閾値は同じであってもよいし、または異なっていてもよい。さらに、固定された閾値を設定することも可能であり、車両またはドライバのパラメータもしくは状態変数に依存して変動する調整可能な閾値を設定することも可能である。

有利な実施形態によれば、ドライバ動作を評価するための確率法として、隠れマルコフモデル（ＨＭＭ）が使用される。これは、種々異なる最新の状態の間で変化が生じる確率を用いた確率論的なモデルである。しかしながら、基本的にはその他の確率法を用いて、ドライバの種々異なる動作カテゴリにセンサデータを割り当てることも可能である。

動作カテゴリへの割当を行う場合の基礎となるセンサデータを検出するセンサ装置は、車両内に設けられ、例えば、ドライバまたはドライバの操作を監視もしくは検出するために用いられる。例えば、ペダル速度および加速度の少なくともいずれかを測定する当該アクセルペダルまたはブレーキペダルのセンサによって、ドライバによるペダル操作を検出することができる。ドライバについて直接に測定を行うことも可能であり、例えば、視線方向、足動作、またはドライバの自律神経系、例えば脈拍を検出することも可能である。

周辺センサ装置の評価も考慮され、例えば、第３車両または車線境界との間隔を評価することも可能である。

確率法は、事前のトレーニングステップで習得することができる。トレーニングステップでは、ドライバ動作を評価するために古い測定列が評価され、種々異なる動作カテゴリに確率が割り当てられる。このようなトレーニングステップは、特に所定の初期値によって開始され、これらの初期値はトレーニングステップにおいて改善され、実際値に近づけられる。この方法では、次いで改善された確率値が使用され、種々異なる動作カテゴリに割り当てられる。確率値は、例えば、ガウスの分布曲線のような確率関数であり、分布曲線の所定のパラメータ、例えば平均値もしくは位置、および標準偏差もしくは高さなどがトレーニングステップで決定される。

必要に応じて、走行時にもトレーニングステップが実施され、得られた最新の測定値に基づいて、種々異なる動作カテゴリの基礎となる確率関数もしくは確率分布がさらに改善される。

基本的には、動作カテゴリを決定するために確率法において、第３の車両または外部の物体に関連してドライバ動作、車両の走行状態、または車両状態を反映する測定値を考慮すれば十分である。しかしながら、確率法においてその他のパラメータ、例えば起こり得る事故の発生までに残された残り時間などを付加的に考慮することが有利な場合もある。

この方法は、車両の閉ループもしくは開ループ制御器で実施される。閉ループもしくは開ループ制御器は、場合によってはドライバ支援システムの構成部分であってもよいし、または既知の動作カテゴリに応じてパラメータが設定されるドライバ支援システムと協働してもよい。

他の利点および好適な実施形態が、さらなる請求項、図面の説明、および図面に示されている。

パラメータ設定のために後続のドライバ支援システムに既知の動作カテゴリを供給し、ドライバ動作を評価するためのシステムを示す概略図である。 ドライバの異なる動作カテゴリ間の変更確率を示す３×３マトリクスである。 センサにより検出された値に応じた異なる動作カテゴリのための確率関数を示すマトリクスである。

図１は、車両におけるドライバ動作を評価するためのシステム１を示している。このシステム１は、閉ループもしくは開ループ制御器による方法を実施する。システム１における方法では、図１に、例としてＺ１，Ｚ２およびＺ３によって示したドライバの種々異なる動作カテゴリが識別される。これらの動作カテゴリは、それぞれ所定のドライバ状態に該当し、例えば、Ｚ１は極めて集中したドライバを示し、Ｚ２は平均的に集中したドライバを示し、Ｚ３は集中していないドライバを示す。

このシステム１には２つの異なるセンサの測定値Ｂ１およびＢ２が供給される。例えば測定値Ｂ１はブレーキペダル操作を特徴づけ、測定値Ｂ２はドライバの視線方向を特徴づける。ブレーキペダル操作は、例えば、ブレーキペダルに設けられたセンサによって検出される。このセンサは、ブレーキペダル加速度を測定することができる。ドライバの視線方向は車両のカメラシステムによって検出することができる。

センサデータＢ１およびＢ２によって、ドライバの集中状態を推定することができる。例えば、集中していないドライバは驚愕反応を示す傾向にあり、このことは急激なブレーキペダル操作によって確認することができる。さらに、集中していないドライバにおける視線動作は所定のパターンに対応しており、このようなパターンも同様にセンサによって確認することができる。様々なセンサの測定値を考慮することによって、最新の集中状態を高い確率で確認することができ、他の反応、例えば集中しているドライバによる正当な突然のブレーキプロセスとは区別される。

ドライバの最新の動作カテゴリＺ１，Ｚ２およびＺ３の決定は確率法に基づいており、本実施例では隠れマルコフモデル（ＨＭＭ）が用いられる。この場合、それぞれのセンサの測定列に示されるドライバのそれぞれの動作状態Ｚ１、Ｚ２およびＺ３には１つの確率が対応している。ドライバ状態Ｚ１，Ｚ２またはＺ３の確率が所定の閾値もしくは限界値を超えた場合には、この動作カテゴリが当てはまると判断され、次いで信号が生成され、この信号は、後続のシステム２、例えばブレーキ支援装置またはステアリング支援装置などのドライバ支援システムに入力値として供給される。それぞれのドライバ状態Ｚ１，Ｚ２，Ｚ３には、ドライバ支援システムのための所定のパラメータセットが対応している。動作カテゴリが当てはまると判断した後に、適宜なパラメータセットがドライバ支援システム２において起動される。このように、最新のドライバ状態に応じて支援システムのパラメータを設定し、ドライバの最新の状態に最適に適合させることが可能である。

図２には、３×３マトリクスにより種々異なるドライバ状態Ｚ１，Ｚ２およびＺ３の間で変化が生じる確率が示されている。マトリクスの左側には初期状態が示されており、上側には予測状態が示されている。主対角線に沿って、高い確率値が記入されている。なぜなら、有効な最新のドライバ状態は高い確率で次の時点でも保持され、他の動作カテゴリへの変化は起こりにくいからである。したがって、異なるドライバ状態の間で変化が生じる確率値は著しく小さい。

例えば、図２に示したマトリクスの第１領域の第１行には、９０％の確率が記入されており、これは、この確率でドライバ状態Ｚ１が次の時点で保持されることを意味する。ドライバ状態Ｚ１からＺ２への変化に対応する第２領域には８％の確率が記入されている。第３領域は２％の確率を示している。すなわち、この確率でドライバ状態Ｚ２からドライバ状態Ｚ３への変化が生じる。合計すると行毎の確率は常に１００％である。

ドライバ状態Ｚ２から他のドライバ状態へ変化する第２行、およびドライバ状態Ｚ３から他のドライバ状態へ変化する第３行についてそれぞれの確率が生じる。

図３には、ドライバ状態Ｚ１，Ｚ２およびＺ３への測定値Ｂ１およびＢ２の割当が示されている。この割当は、ガウスの分布関数として実施する確率関数によって行い、種々異なる領域に種々異なる高さもしくは標準偏差（確率）および幅もしくは平均値／位置（測定値）を備える分布関数が示されている。それぞれの測定値Ｂ１およびＢ２は、それぞれ１つのドライバカテゴリＺ１，Ｚ２およびＺ３に割り当てられており、分布関数のＸ軸に対応する同じ測定値から異なる確率（Ｙ軸）が生じる。合計して、行毎に、すなわち、測定値Ｂ１およびＢ２についてそれぞれ、Ｚ１，Ｚ２およびＺ３の３つの領域に分配される全体として１００％の確率が達成される。しかしながら、異なる分布関数に基づいて、行毎の同じ測定値は、それぞれの領域Ｚ１、Ｚ２，Ｚ３において異なる確率値をもたらす。

様々な領域の確率関数もしくは分布関数は、例えば、古い測定列を評価し、種々異なる動作カテゴリＺ１〜Ｚ３に割り当てる事前のトレーニングステップで検出される。

測定値Ｂ１およびＢ２の検出は、現行の走行時に連続的に行われる。同じ測定データは種々異なる領域において同じ確率をもたらし、時間の経過に伴い高い確実性が得られ、このことが高い確率値で表される。領域Ｚ１，Ｚ２およびＺ３における確率値が、割り当てられた確率限界値を超えた場合には、十分な確実性をもって、所定の動作カテゴリが当てはまると仮定することができ、図１に示されているように、続いて適宜なパラメータセットのいずれか１つの該当する動作カテゴリをドライバ支援システムにおいて起動することができる。

Claims (10)

1. 車両におけるドライバ動作を評価する方法であって、センサデータが検出され、該センサデータに基づいてドライバ動作が評価される方法において、
   種々異なる動作カテゴリを区別し、それぞれの動作カテゴリに所定の確率によりセンサデータを割り当て、割り当てられた確率が閾値を超えた場合に動作カテゴリが当てはまると判断することを特徴とする方法。
2. 請求項１に記載の方法において、
   走行時に持続的にセンサデータを検出し、該センサデータを種々異なる前記動作カテゴリに割り当てる方法。
3. 請求項１または２に記載の方法において、
   第２動作カテゴリの確率が閾値を超えた場合に、第１動作カテゴリから第２動作カテゴリへの変更を行う方法。
4. 請求項１から３までのいずれか一項に記載の方法において、
   前記ドライバ動作を評価するための確率法として、隠れマルコフモデル（ＨＭＭ）を使用する方法。
5. 請求項１から４までのいずれか一項に記載の方法において、
   ドライバまたはドライバ操作を監視することができる車両センサ装置のセンサデータを使用する方法。
6. 請求項１から５までのいずれか一項に記載の方法において、
   事前のトレーニングステップで、ドライバ動作を評価するための基礎となる確率法に古い測定列を適用し、動作カテゴリに対応する確率関数を求める方法。
7. 請求項１から６までのいずれか一項に記載の方法において、
   走行時に、前記ドライバ動作を評価するための基礎となる確率法に最新の測定列を適用し、前記動カテゴリに対応する確率関数を求める方法。
8. 請求項１から７までのいずれか一項に記載の方法において、
   前記動作カテゴリの確率を求める場合に、最新の走行状態に依存した付加的なパラメータ、例えば、事故が生じるまでに残された残り時間を考慮する方法。
9. 請求項１から８までのいずれか一項に記載の方法を実施するための閉ループもしくは開ループ制御器。
10. 請求項９に記載の閉ループもしくは開ループ制御器を備える車両のドライバ支援システムにおいて、
    該ドライバ支援システムのパラメータが、判断した動作カテゴリに依存して設定されるドライバ支援システム。

Images