JP2022109023A - 情報処理装置、情報処理方法及び情報処理プログラム - Google Patents

情報処理装置、情報処理方法及び情報処理プログラム Download PDF

Info

Publication number
JP2022109023A
JP2022109023A JP2021004328A JP2021004328A JP2022109023A JP 2022109023 A JP2022109023 A JP 2022109023A JP 2021004328 A JP2021004328 A JP 2021004328A JP 2021004328 A JP2021004328 A JP 2021004328A JP 2022109023 A JP2022109023 A JP 2022109023A
Authority
JP
Japan
Prior art keywords
acceleration
vehicle
difference
information processing
wheel speed
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.)
Withdrawn
Application number
JP2021004328A
Other languages
English (en)
Inventor
健太朗 永冶
Kentaro Nagaya
陽介 木村
Yosuke Kimura
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Toyota Motor Corp filed Critical Toyota Motor Corp
Priority to JP2021004328A priority Critical patent/JP2022109023A/ja
Priority to DE102021130456.3A priority patent/DE102021130456A1/de
Priority to CN202111420030.4A priority patent/CN114763109A/zh
Priority to US17/558,598 priority patent/US20220219680A1/en
Publication of JP2022109023A publication Critical patent/JP2022109023A/ja
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
    • B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
    • B60R16/023—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for transmission of signals between vehicle parts or subsystems
    • B60R16/0231—Circuits relating to the driving or the functioning of the vehicle
    • B60R16/0232—Circuits relating to the driving or the functioning of the vehicle for measuring vehicle parameters and indicating critical, abnormal or dangerous 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
    • 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
    • B60W40/10—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 vehicle motion
    • 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
    • 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
    • B60W40/02—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 ambient conditions
    • B60W40/06—Road 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0031—Mathematical model of the vehicle
    • 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • 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
    • B60W2422/00—Indexing codes relating to the special location or mounting of sensors
    • B60W2422/95—Measuring the same parameter at multiple locations of the vehicle
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/12—Lateral speed
    • B60W2520/125—Lateral acceleration
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/28—Wheel speed
    • 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
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/20—Road profile, i.e. the change in elevation or curvature of a plurality of continuous road segments
    • 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
    • B60W2556/40—High definition maps
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Transportation (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】軽衝突を精度よく検出することが可能な情報処理装置、情報処理方法及び情報処理プログラムを提供する。【解決手段】情報処理装置１００は、複数の車両２００からデータを取得する通信装置１１０と、データストレージ１２０と、計算サーバ１０と、事業者端末１３０と、を有する。計算サーバ１０は、運転操作による車両２００の加速度の変化に係る観測量と、車両２００の加速度の実測値とを取得する。計算サーバ１０は、車両２００の加速度の実測値と、観測量に基づいて算出した車両２００の加速度の推定値との差分が所定の閾値以上の場合に車両２００が衝突したと判定する。【選択図】図１

Description

本発明は、車両の運転履歴等から車両の衝突に係る衝撃発生を検出する情報処理装置、情報処理方法及び情報処理プログラムに関する。
中古車市場等では、中古車の事故履歴の有無により、当該中古車の査定額が異なってくる。また、軽い衝突（以下、「軽衝突」と称する）であっても、車両が修理を要する損傷を受けている場合があり、かかる場合には、販売店又は修理工場等では衝突があったことを検知することが求められる。
車体が衝突した際には、エアバッグが展開されるが、実際には、車体のフレームを損傷する程度の衝突のごく一部でしかエアバッグが展開されない。したがって、エアバッグの作動の有無にかかわらず、軽衝突を精度よく検出することを要する。
特許文献１には、定常的な車体への振動負担を指標として、車両の損傷を推定する車両の評価指標作成システムの発明が開示されている。
特開２０１２－２２１４０７号公報
しかしながら、特許文献１に記載の発明は、車両に作用する力のうち、急加速、急ブレーキ等に起因する加速度成分を軽衝突に起因する加速度成分から除外していないため、軽衝突を精度よく検出することが困難であるおそれがあった。
本発明は、上記事実を考慮し、軽衝突を精度よく検出することが可能な情報処理装置、情報処理方法及び情報処理プログラムを得ることを目的とする。
上記目的を達成するために請求項１に記載の情報処理装置は、運転操作による車両の加速度の変化に係る観測量を検出する検出部と、前記車両の加速度の実測値を検出する慣性計測部と、前記慣性計測部で検出した前記車両の加速度の実測値と、前記観測量に基づいて算出した前記車両の加速度の推定値との差分である加速度差分が所定の閾値以上の場合に前記車両が衝突したと判定する推定部と、を含む。
運転操作による車両の加速度の変化に係る観測量に基づいて算出された加速度の推定値は、運転操作による車両の加速度の推定値となる。また、衝突時に生じる車両の加速度は、運転操作による加速度の変化とは異なる。従って、慣性計測部で検出した車両の加速度の実測値と、運転操作による車両の加速度の変化に係る観測量に基づいて算出された車両の加速度の推定値との差分が所定の閾値以上の場合は、車両が衝突したと判定できる。
請求項１に記載の情報処理装置によれば、軽衝突であっても、加速度の実測値と予測値とには乖離が生じ得るので、車両の衝突を精度よく推定できる。
請求項２に記載の情報処理装置は、前記推定部は、前記加速度差分に係る加速度が、前記車両に路面からタイヤを経由して入力された加速度である場合は、前記推定値を前記車両の衝突判定に採用しない。
請求項２に記載の情報処理装置によれば、判定誤差となり得る路面からタイヤを経由した入力を加速度の実測値を衝突判定に用いないことにより、車両の衝突を精度よく推定できる。
また、推定部は、請求項３に記載の情報処理装置のように、車輪速検出部で検出した車両の前後輪の４輪各々の車輪速の実測値と、観測量に基づいて算出した車両の前後輪の４輪各々の車輪速の推定値との各々の差分である車輪速差分を算出し、車輪速差分の変化の後で、加速度差分が変化した場合、及び前後輪の車輪速差分が順に変化した場合のいずれか場合に加速度差分に係る加速度を路面からタイヤを経由して入力された加速度と判定してもよい。これにより、加速度から判定誤差を生じ得る成分を除外できる。
また、推定部は、請求項４に記載の情報処理装置のように、撮像部で取得した画像データに車両の急激な挙動が記録された時間における前記加速度差分に係る加速度を、車両に路面からタイヤを経由して入力された加速度としてもよい。
また、推定部は、請求項５に記載の情報処理装置のように、衛星からの情報に基づいて算出された車両の位置情報の垂直方向の変位が所定値以上の場合に検出した加速度を路面からタイヤを経由して入力された加速度と判定してもよい。
また、推定部は、請求項６に記載の情報処理装置のように、路面に起伏がある箇所、勾配が急激に変化する箇所、及び複数の車両が加速度変動を生じる箇所のデータベースを参照して、前記加速度差分に係る加速度を路面からタイヤを経由して入力された加速度と判定してもよい。
請求項７に記載の情報処理装置は、前記慣性計測部は、前記車両の前後方向の加速度及び左右方向の加速度の各々を検出可能で、前記推定部は、前記観測量に基づいて前記車両の前後方向の加速度の推定値及び左右方向の加速度の推定値の各々を算出可能であると共に、前記慣性計測部で検出した前記車両の前後方向の加速度の実測値と、前記車両の前後方向の加速度の推定値との差分、及び前記慣性計測部で検出した前記車両の左右方向の加速度の実測値と、前記車両の左右方向の加速度の推定値との差分、のいずれかの差分が所定の閾値以上の場合に前記車両が衝突したと判定する。
請求項７に記載の情報処理装置は、車両の前後方向の加速度の実測値と推定値との差分、及び車両の左右方向の加速度の実測値と推定値との差分のいずれかが所定の閾値以上の場合に車両の衝突と判定できる。
請求項８に記載の情報処理装置は、前記推定部は、前記慣性計測部で検出した前記車両の前後方向の加速度の実測値と、前記車両の前後方向の加速度の推定値との差分と、前記慣性計測部で検出した前記車両の左右方向の加速度の実測値と、前記車両の左右方向の加速度の推定値との差分との商に基づいて前記車両の損傷方向を推定する。
請求項８に記載の情報処理装置は、車両の前後方向の加速度と左右方向の加速度とに基づいて、車両の損傷方向を推定できる。
請求項９に記載の情報処理装置は、前記推定部は、予め取得した、複数の車両の加速度の変化に係る観測量と、前記複数の車両の加速度の実測値とに基づいて、前記車両の加速度を推定するモデルを構築する。
請求項９に記載の情報処理装置は、多数の車両から得た、いわゆるビッグデータに基づく機械学習で加速度推定モデルを構築するので、運転操作による車両の加速度を精度よく推定するモデルを構築することができる。
請求項１０に記載の情報処理装置は、前記観測量は、前車両の車両運動の計測値、及び前記車両の運転操作量に係る制御信号を含む。
請求項１０に記載の情報処理装置は、運転操作による車両の加速度の変化に係る観測量を機械学習に供することにより、運転操作による車両の加速度を精度よく推定するモデルを構築することができる。
上記目的を達成するために請求項１１に記載の情報処理方法は、検出部により、運転操作による車両の加速度の変化に係る観測量を検出し、慣性計測部により、前記車両の加速度の実測値を検出し、前記車両の加速度の実測値と、前記観測量に基づいて算出した前記車両の加速度の推定値との差分である加速度差分が所定の閾値以上の場合に前記車両が衝突したと判定する。
運転操作による車両の加速度の変化に係る観測量に基づいて算出された加速度の推定値は、運転操作による車両の加速度の推定値となる。また、衝突時に生じる車両の加速度は、運転操作による加速度の変化とは異なる。従って、慣性計測部で検出した車両の加速度の実測値と、運転操作による車両の加速度の変化に係る観測量に基づいて算出された車両の加速度の推定値との差分が所定の閾値以上の場合は、車両が衝突したと判定できる。
請求項１１に記載の情報処理方法によれば、軽衝突であっても、加速度の実測値と予測値とには乖離が生じ得るので、車両の衝突を精度よく推定できる。
請求項１２に記載の情報処理方法は、前記加速度差分に係る加速度が、前記車両に路面からタイヤを経由して入力された加速度である場合は、前記推定値を前記車両の衝突判定に採用しない。
請求項１２に記載の情報処理方法によれば、判定誤差となり得る路面からタイヤを経由した入力を加速度の実測値を衝突判定に用いないことにより、車両の衝突を精度よく推定できる。
また、請求項１３に記載の情報処理方法のように、車輪速検出部で検出した車両の前後輪の４輪各々の車輪速の実測値と、観測量に基づいて算出した車両の前後輪の４輪各々の車輪速の推定値との各々の差分である車輪速差分を算出し、車輪速差分の変化の後で、加速度差分が変化した場合、及び前後輪の車輪速差分が順に変化した場合のいずれか場合に加速度差分に係る加速度を路面からタイヤを経由して入力された加速度と判定してもよい。これにより、加速度から判定誤差を生じ得る成分を除外できる。
上記目的を達成するために請求項１４に記載の情報処理プログラムは、コンピュータを、慣性計測部で検出した車両の加速度の実測値と、検出部で検出した運転操作による前記車両の加速度の変化に係る観測量に基づいて算出した前記車両の加速度の推定値との差分である加速度差分が所定の閾値以上の場合に前記車両が衝突したと判定する推定部として機能させる。
運転操作による車両の加速度の変化に係る観測量に基づいて算出された加速度の推定値は、運転操作による車両の加速度の推定値となる。また、衝突時に生じる車両の加速度は、運転操作による加速度の変化とは異なる。従って、慣性計測部で検出した車両の加速度の実測値と、運転操作による車両の加速度の変化に係る観測量に基づいて算出された車両の加速度の推定値との差分が所定の閾値以上の場合は、車両が衝突したと判定できる。
請求項１４に記載の情報処理プログラムによれば、軽衝突であっても、加速度の実測値と予測値とには乖離が生じ得るので、車両の衝突を精度よく推定できる。
請求項１５に記載の情報処理プログラムは、前記加速度差分に係る加速度が、前記車両に路面からタイヤを経由して入力された加速度である場合は、前記推定値を前記車両の衝突判定に採用しない。
請求項１５に記載の情報処理プログラムによれば、判定誤差となり得る路面からタイヤを経由した入力を加速度の実測値を衝突判定に用いないことにより、車両の衝突を精度よく推定できる。
また、請求項１６に記載の情報処理プログラムのように、車輪速検出部で検出した車両の前後輪の４輪各々の車輪速の実測値と、観測量に基づいて算出した車両の前後輪の４輪各々の車輪速の推定値との各々の差分である車輪速差分を算出し、車輪速差分の変化の後で、加速度差分が変化した場合、及び前後輪の車輪速差分が順に変化した場合のいずれか場合に加速度差分に係る加速度を路面からタイヤを経由して入力された加速度と判定してもよい。これにより、加速度から判定誤差を生じ得る成分を除外できる。
以上説明したように、本発明に係る情報処理装置、情報処理方法及び情報処理プログラムによれば、軽衝突を精度よく検出することが可能となる。
本実施形態に係る情報処理装置の構成を示す概略図である。 車両の構成を示したブロック図である。 本実施形態に係る計算サーバの具体的な構成の一例を示すブロック図である。 計算サーバのＣＰＵの機能ブロック図である。 加速度推定の学習後の計算サーバのＣＰＵの機能ブロック図である。 車輪速推定の学習後の計算サーバのＣＰＵの機能ブロック図を示す。 路面入力推定の学習後の計算サーバのＣＰＵの機能ブロック図を示す。 本実施形態に係る計算サーバにおける処理の一例を示したフローチャートである。 加速度差分、ＦＬ車輪速差分、ＲＬ車輪速差分、運転者によるペダル操作、及び緯度経度等の要素に基づいて事故判定を行う場合の概略図である。 実測値とＲＮＮによる推定値との差分に基づいて事故判定を行う際の概略図である。 各種センサで検出した値の一例を示した概略図である。 （Ａ）は、車両が段差を乗り越えようとする場合の画像の一例であり、（Ｂ）は、車両が段差を乗り越える際に、左右前輪が空転して増速した後、左右後輪が空転して増速した場合を示した説明図である。 （Ａ）は、車両が荒れた路面を通過する場合の画像の一例であり、（Ｂ）は、加速度差分の極大値が２つ観測され、かつ各々の極大値の直前で左前輪及び左後輪の各々が増速した場合を示した説明図である。 （Ａ）は、歩車道間の段差を右折する際にアクセルペダルを踏んだ際に、車両の撮像装置で取得した車両の右前輪が空転した場合の画像の一例であり、（Ｂ）は、車両の右前輪が空転して増速した結果、右前輪における車輪速の実測値（実線）と推定値（点線）とに乖離が生じた場合を示した説明図である。 （Ａ）は、車両の撮像装置で取得した車両の左後輪の荷重抜け（ピッチング）が生じた場合の画像の一例であり、（Ｂ）は、左後輪が空転した結果、左後輪における車輪速の実測値（実線）と推定値（点線）とに乖離が生じた場合を示した説明図である。 本実施形態に係る情報処理装置の運用の一例を示したブロック図である。 本実施形態に係る情報処理装置の運用の他の例を示したブロック図である。
以下、図１を用いて、本実施形態に係る情報処理装置１００について説明する。図１に示した情報処理装置１００は、ネットワークへの常時接続機能を備えた、いわゆるコネクテッドカーである複数の車両２００からデータを取得する通信装置１１０と、通信装置１１０が受信したデータを蓄積するデータストレージ１２０と、データストレージ１２０にニューラルネットワークを用いた機械学習に必要なデータを要求し、データストレージ１２０から取得したデータに基づいて行った機械学習により、車両２００の加速度を予測するための加速度推定モデルを構築すると共に、構築した加速度推定モデル及びデータストレージ１２０から取得したデータに基づいて車両２００の加速度を予測する計算サーバ１０と、計算サーバ１０からの通知に基づいて、個々の車両２００と通信装置１１０を介した通信が可能に構成された事業者端末１３０を含む。
データストレージ１２０は、後述するように、データベースを備えたデータサーバであり、計算サーバ１０は、高度な演算処理を高速で実行できるコンピュータである。データストレージ１２０及び計算サーバ１０の各々は、単体のサーバでもよいが、処理負荷を分散できるクラウドでもよい。データストレージ１２０及び計算サーバ１０は、同一のサーバでもよい。事業者端末１３０は、必須の構成ではなく、車両２００に係るサービスの態様によっては省略してもよい。
図２は、車両２００の構成を示したブロック図である。車両２００は、演算装置１４の演算に必要なデータ及び演算装置１４による演算結果を記憶する記憶装置１８と、撮像装置２２が取得した画像情報から車両２００の挙動を算出する画像情報処理部２０と、画像情報処理部２０が算出した車両２００の挙動に係る情報、車速センサ２４が検出した車両前後速度、ＩＭＵ（慣性計測装置）２６が検出した車両２００の方位角の偏差及び加速度、操舵角センサ２８が検出した車両２００の操舵角、スロットルセンサで検出した車両２００のスロットル開度、ブレーキペダルセンサ３２で検出した車両２００のブレーキペダルの踏力、並びにＶ２Ｘ通信部３４が無線通信で取得した情報が各々入力される入力装置１２と、入力装置１２から入力された入力データ及び記憶装置１８に記憶されたデータに基づいて、必要に応じて車両２００の加速度を推定する演算装置１４と、演算装置１４での演算結果をＶ２Ｘ通信部３４に出力する出力装置１６と、で構成されている。また、車両２００には、ブレーキペダルセンサ３２に加えて、ブレーキのマスタシリンダ内の圧力を検出するマスタシリンダセンサを別途備えていてもよい。
前述のように車両２００は、いわゆるコネクテッドカーであるが、コネクテッドカーでなくとも、車両２００に搭載された搭載機器から送信された走行データを分析・活用する、いわゆるトランスログ等の後付けの通信機器、及び走行データを取得する各種センサを後付けした車両でもよい。
本実施の形態に係る撮像装置２２は車載カメラ等であり、車両２００周辺の画像データを取得する。また、車速センサ２４は、車両２００の４つの車輪速を各々検出可能に構成されていてもよい。
図３は、本発明の実施形態に係る計算サーバ１０の具体的な構成の一例を示すブロック図である。計算サーバ１０は、コンピュータ４０を含んで構成されている。コンピュータ４０は、ＣＰＵ（Central Processing Unit）４２、ＲＯＭ（Read Only Memory）４４、ＲＡＭ（Random Access Memory）４６、及び入出力ポート４８を備える。一例としてコンピュータ４０は、高度な演算処理を高速で実行できる機種であることが望ましい。
コンピュータ４０では、ＣＰＵ４２、ＲＯＭ４４、ＲＡＭ４６、及び入出力ポート４８がアドレスバス、データバス、及び制御バス等の各種バスを介して互いに接続されている。入出力ポート４８には、各種の入出力機器として、ディスプレイ５０、マウス５２、キーボード５４、ハードディスク（ＨＤＤ）５６、及び各種ディスク（例えば、ＣＤ－ＲＯＭやＤＶＤ等）５８から情報の読み出しを行うディスクドライブ６０が各々接続されている。
また、入出力ポート４８には、ネットワーク６２が接続されており、ネットワーク６２に接続された各種機器と情報の授受が可能とされている。本実施形態では、ネットワーク６２には、データベース（ＤＢ）１２２が接続されたデータサーバであるデータストレージ１２０が接続されており、ＤＢ１２２に対して情報の授受が可能とされている。
ＤＢ１２２には、通信装置１１０を介して取得した複数の車両２００の時系列データ等が記憶される。ＤＢ１２２へのデータの記憶は、通信装置１１０を介する以外に、コンピュータ４０やネットワーク６２に接続された他の機器によって登録するようにしてもよい。
本実施形態では、データストレージ１２０に接続されたＤＢ１２２に、複数の車両２００の時系列データ等が記憶されるものとして説明するが、コンピュータ４０に内蔵されたＨＤＤ５６や外付けのハードディスク等の外部記憶装置にＤＢ１２２の情報を記憶するようにしてもよい。
コンピュータ４０のＨＤＤ５６には、ニューラルネットワークを用いた機械学習に係るプログラムがインストールされている。本実施形態では、ＣＰＵ４２が当該プログラムを実行することにより、機械学習が開始され、機械学習に基づいた学習済みモデルが構築される。さらに、構築された学習済みモデルを用いて、車両２００の加速度を推定する。また、ＣＰＵ４２は、当該プログラムによる処理結果をディスプレイ５０に表示させる。
本実施形態の機械学習に係るプログラムをコンピュータ４０にインストールするには、幾つかの方法があるが、例えば、当該プログラムをセットアッププログラムと共にＣＤ－ＲＯＭやＤＶＤ等に記憶しておき、ディスクドライブ６０にディスクをセットし、ＣＰＵ４２に対してセットアッププログラムを実行することによりＨＤＤ４６に当該プログラムをインストールする。または、公衆電話回線又はネットワーク６２を介してコンピュータ４０と接続される他の情報処理機器と通信することで、ＨＤＤ４６に当該プログラムをインストールするようにしてもよい。
図４は、計算サーバ１０のＣＰＵ４２の機能ブロック図を示す。計算サーバ１０のＣＰＵ４２が機械学習に係るプログラムを実行することで実現される各種機能について説明する。機械学習に係るプログラムは、車両２００から送信されてきたデータの累積値及び平均値等を算出する前処理機能、機械学習に供するデータを選別するデータ選別機能、加速度推定のモデルと車輪速推定のモデルと路面入力推定のモデルとを生成するモデル生成機能、選別したデータを教師データとして候補モデルに与えて機械学習を実行する学習機能、教師データである実測値（計測値）で学習済みモデルの性能を評価する評価機能、及び性能が優れた学習済みモデルを選定する選定機能を備えている。ＣＰＵ４２がこの各機能を有する機械学習に係るプログラムを実行することで、ＣＰＵ４２は、図４に示すように、前処理部７２、データ選別部７４、モデル生成部７６、学習部７８、評価部８０、及び選定部８２として機能する。
図５は、加速度推定の学習後の計算サーバ１０のＣＰＵ４２の機能ブロック図を示す。学習後のＣＰＵ４２は、車両２００から送信されてきたデータの累積値及び平均値等を算出する前処理機能、衝突検知のためのデータを選別するデータ選別機能、学習済みのモデルを用いて車両２００の加速度を推定する加速度推定機能、実測値と推測値との差分を算出する差分算出機能、及び衝突の有無を判定する判定機能、及び衝突による損傷方向を推定する損傷方向推定機能を備えている。ＣＰＵ４２がこの各機能を有する衝突検知に係るプログラムを実行することで、ＣＰＵ４２は、図５に示すように、前処理部８４、データ選別部８６、加速度推定部８８、差分算出部９０、判定部９２、及び損傷方向推定部９４として機能する。
図６は、車輪速推定の学習後の計算サーバ１０のＣＰＵ４２の機能ブロック図を示す。学習後のＣＰＵ４２は、車両２００から送信されてきたデータの累積値及び平均値等を算出する前処理機能、車輪速推定のためのデータを選別するデータ選別機能、学習済みのモデルを用いて車両２００の各々の車輪速を推定する車輪速推定機能、実測値と推測値との差分を算出する差分算出機能、及び衝突及び車両２００に路面からタイヤを経由して入力された力である路面入力の有無を判定する判定機能を備えている。ＣＰＵ４２がこの各機能を有する衝突検知に係るプログラムを実行することで、ＣＰＵ４２は、図６に示すように、前処理部１８４、データ選別部１８６、車輪速推定部１８８、差分算出部１９０、及び判定部１９２として機能する。
図７は、路面入力推定の学習後の計算サーバ１０のＣＰＵ４２の機能ブロック図を示す。学習後のＣＰＵ４２は、車両２００から送信されてきたデータの累積値及び平均値等を算出する前処理機能、路面入力推定のためのデータを選別するデータ選別機能、学習済みのモデルを用いて車両２００への路面からタイヤを経由した入力を推定する路面入力推定機能、及び路面入力の有無を判定する判定機能を備えている。ＣＰＵ４２がこの各機能を有する衝突検知に係るプログラムを実行することで、ＣＰＵ４２は、図７に示すように、前処理部２８４、データ選別部２８６、路面入力推定部２８８、及び判定部２９０として機能する。
図８は、本実施形態に係る計算サーバ１０における処理の一例を示したフローチャートである。図８の左側は機械学習による、加速度推定のためのモデル（以下、「加速度推定モデル」と称する）、車輪速推定のためのモデル（以下、「車輪速推定モデル」と称する）及び路面入力の有無の推定のためのモデル（以下、「路面入力推定モデル」と称する）の各々の構築に係るスレッドであり、図８の右側は学習後の加速度推定モデル、車輪速推定モデル及び路面入力推定モデルを用いた衝突検知に係るスレッドである。
ステップ６００では、加速度推定モデルの構築のために、データストレージ１２０から複数の車両２００の各種走行データの収集が行われる。車両２００の各種走行データの中には、累積値及び平均値等を算出する前処理を要するデータがあるので、かかるデータは、ステップ６００において処理する。
ステップ６０２では、機械学習に用いる教師データとなり得る各種走行データを選ぶデータ選別が行われる。教師データとなり得る各種走行データは、例えば、車速をはじめとする車両２００の前後左右の加速度や車輪速と力学的に関連する車両運動の計測値、ＡＢＳ（Antilock Braking System）をはじめとする車両２００の前後左右の加速度や車輪速の増減の要因となる車両運動制御の作動状態、車両２００のペダルやハンドルなどの前後左右の加速度や車輪速の増減の要因となる運転者による運転操作を表す制御信号、及びエンジン等の前後左右の加速度や車輪速の増減の要因となる動力ユニットの動作を表す制御信号等を含む。他に、車外気温やワイパー等、前後左右の加速度や車輪速の増減に対して間接的に影響を及ぼす車外環境の計測値、及び車外環境により使用する車載機器の操作を表す制御信号を用いてもよい。車外環境の計測値は、車載センサによるものでなくとも、気象庁などが一般に公開する外部のデータを用いてもよい。ステップ６０２のデータ選別では、地域、又は気象条件等の幅広い条件下での車両２００の各種走行データを教師データとして収集する。また、車両２００の急ブレーキ等による顕著な加速度の変化、急ハンドル等の極端な運転操作、高い車速等の極端な車両２００の運動状態、ＡＢＳ作動のような稀にしか生じない制御状態等をできるだけ教師データに取り込むことで、ロバストな加速度推定モデルを構築できる。
教師データは、事故に係るような加速度のデータを含んでいてもよい。事故は極めて稀であり、かつ原理的に運転操作から予測することが困難なので、教師データに含まれていてもモデル構築に対する影響は微小と思われるからである。
ステップ６０４では、加速度推定の候補モデルを生成すると共に、選別した各種走行データを教師データとして候補モデルに与えて機械学習を実行する。本実施形態において機械学習を施されるモデルは、運転操作による車両２００の加速度を推定し、衝突による加速度を推定しないモデルである。換言すれば、推定できない加速度を車外からの力とみなし、かかる加速度が生じた場合を衝突の可能性ありと判定する。
ステップ６０４では、車種別、年式、グレード、及び使用タイヤ等の車両２００の構成毎に別個のモデルを構築してもよい。また、車両２００が使用される国、季節及び気候に応じてモデルを構築してもよい。または、上述の各種走行データに、車種別、年式、グレード、及び使用タイヤ等の車両２００の構成、並びに車両２００が使用される国、季節及び気候に係る条件を追加して、加速度推定の候補モデルを構築してもよい。
本実施形態では、時系列データを扱う人工回帰型ニューラルネットワーク（ＲＮＮ）のアーキテクチャに、例えば、ＬＳＴＭ（Long Short-Term Memory）を採用する。ＬＳＴＭは、内部的に、（１）車両２００の加速度を同じ時刻の運転操作と運転操作の履歴から推定する、（２）直前までの車両運動から車両２００の加速度を推定する、（３）直前までの運転操作と車両運動の対応から車両２００の加速度を推定する等の処理が可能なアーキテクチャである。
ＬＳＴＭでは、時刻ｔの各種センサの出力値（以下、「センサ値」と称する）のベクトルとして、センサ値ベクトルｘ1,t、ｘ2,tを各々定義する。センサ値ベクトルｘ1,tは、車速をはじめとする車両２００の前後左右の加速度や車輪速と力学的に関連する車両運動の計測値を、センサ値ベクトルｘ2,tは、車両２００のペダルやハンドルなどの前後左右の加速度や車輪速の増減の要因となる運転者による運転操作を表す制御信号、及びエンジン等の前後左右の加速度や車輪速の増減の要因となる動力ユニットの動作を表す制御信号等を、各々要素とする。
センサ値ベクトルｘ1,t、ｘ2,tの各々は、時系列データであるから、時刻ｔにおける車両２００の加速度を推定するためのセンサ値行列ｘtが下記のように定義される。センサ値行列ｘt内のｍは任意のマスク値である。
Figure 2022109023000002
本実施形態では、センサ値行列ｘtに格納された時系列データから、車両２００の加速度を推定するモデルｆを、ＬＳＴＭを用いて構築する。本実施形態におけるモデルｆには、車両２００の前後加速度を推定するモデルｆfb（ｘt）と、車両２００の左右加速度を推定するモデルｆlr（ｘt）とがある。
ＬＳＴＭは、入力された時系列データから出力を予測するアルゴリズムであり、過去のデータが新たなデータで更新されるプロセスを経て、予測値が出力されるモデルを構築する。時系列データとしてステップ６０２で選別したデータに基づくセンサ値行列ｘtを教師データとして適用することにより、下記のような、車両２００の前後加速度を推定するモデルｆfb（ｘt）と、車両２００の左右加速度を推定するモデルｆlr（ｘt）とを構築する。本実施形態では、図１に示したように、多数の車両２００からセンサ値行列ｘtに係るデータを大量に集められるので、ＬＳＴＭによるモデル構築が容易となる。
加速度推定モデルｆfb（ｘt）、ｆlr（ｘt）の各々は、非ニューラルネットによる統計モデルとして構築してもよいし、車両２００の運動方程式に基づいて構築してもよい。
Figure 2022109023000003
Figure 2022109023000004
ステップ６０６では、構築したモデルｆfb（ｘt）、ｆlr（ｘt）の各々の性能を実測値である新たな時系列データで評価し、実測値と推定値との誤差が許容範囲であるモデルｆfb（ｘt）、ｆlr（ｘt）を出力して処理を終了する。ステップ６０６で出力したモデルｆfb（ｘt）、ｆlr（ｘt）は、衝突検知スレッドにおいて用いられる。
ステップ６１０では、車輪速推定モデルの構築のために、データストレージ１２０から複数の車両２００の各種走行データの収集が行われる。車両２００の各種走行データの中には、累積値及び平均値等を算出する前処理を要するデータがある場合、かかるデータは、ステップ６１０において処理する。
ステップ６１２では、機械学習に用いる教師データとなり得る各種走行データを選ぶデータ選別が行われる。教師データとなり得る各種走行データは、前述のステップ６０２で列挙した各種走行データと同じである。
ステップ６１４では、車輪速推定の候補モデルを生成すると共に、選別した各種走行データを教師データとして候補モデルに与えて機械学習を実行する。本実施形態において機械学習を施されるモデルは、車両２００の前輪及び後輪の４輪各々の車輪速を推定するモデルである。
ステップ６１４では、ステップ６０４と同様に、車種別、年式、グレード、及び使用タイヤ等の車両２００の構成毎に別個のモデルを構築してもよい。また、車両２００が使用される国、季節及び気候に応じてモデルを構築してもよい。または、上述の各種走行データに、車種別、年式、グレード、及び使用タイヤ等の車両２００の構成、並びに車両２００が使用される国、季節及び気候に係る条件を追加して、車輪速推定の候補モデルを構築してもよい。ステップ６１４では、ステップ６０４と同様に、ＲＮＮのアーキテクチャに、例えば、ＬＳＴＭを採用する。
ステップ６１４では、ステップ６０４と同様に、時刻ｔのセンサ値のベクトルとして、センサ値ベクトルｘ1,t、ｘ2,tを各々定義する。センサ値ベクトルｘ1,tは、車速をはじめとする車両２００の前後左右の加速度や車輪速と力学的に関連する車両運動の計測値を、センサ値ベクトルｘ2,tは、車両２００のペダルやハンドルなどの前後左右の加速度や車輪速の増減の要因となる運転者による運転操作を表す制御信号、及びエンジン等の前後左右の加速度や車輪速の増減の要因となる動力ユニットの動作を表す制御信号等を、各々要素とする。
ステップ６１４では、ステップ６０４と同様に、センサ値行列ｘtを定義する。そして、センサ値行列ｘtに格納された時系列データから、車両２００の車輪速を推定するモデルｆvx（ｘt）を、ＬＳＴＭを用いて構築する。車輪速推定モデルｆvx（ｘt）は、非ニューラルネットによる統計モデルとして構築してもよいし、車両２００の運動方程式に基づいて構築してもよい。
ステップ６１６では、構築したモデルｆvx（ｘt）の性能を実測値である新たな時系列データで評価し、実測値と推定値との誤差が許容範囲であるモデルｆvx（ｘt）を出力して処理を終了する。ステップ６１６で出力したモデルｆvx（ｘt）は、衝突検知スレッドにおいて用いられる。
ステップ６２０では、路面入力推定モデルの構築のために、データストレージ１２０から複数の車両２００の各種走行データの収集が行われる。車両２００の各種走行データの中には、累積値及び平均値等を算出する前処理を要するデータがある場合、かかるデータは、ステップ６２０において処理する。
ステップ６２２では、機械学習に用いる教師データとなり得る各種走行データを選ぶデータ選別が行われる。教師データとなり得る各種走行データは、前述のステップ６０２で列挙した各種走行データと同じであるが、路面入力を生じる路面の起伏は、多くの場合同じ場所で発生するので、ＧＰＳ（Global Positioning System）による測位データ等を基にした路面の凸凹位置のデータが含まれる。
ステップ６２４では、路面入力推定の候補モデルを生成すると共に、選別した各種走行データを教師データとして候補モデルに与えて機械学習を実行する。本実施形態において機械学習を施されるモデルは、車両２００の加速度の変化、前輪及び後輪の４輪各々の車輪速の変化、及び路面に凹凸が存在する位置の情報等から路面入力を推定するモデルである。
ステップ６２４では、ステップ６０４と同様に、車種別、年式、グレード、及び使用タイヤ等の車両２００の構成毎に別個のモデルを構築してもよい。また、車両２００が使用される国、季節及び気候に応じてモデルを構築してもよい。または、上述の各種走行データに、車種別、年式、グレード、及び使用タイヤ等の車両２００の構成、並びに車両２００が使用される国、季節及び気候に係る条件を追加して、路面入力推定の候補モデルを構築してもよい。ステップ６２４では、ステップ６０４と同様に、ＲＮＮのアーキテクチャに、例えば、ＬＳＴＭを採用する。
ステップ６２４では、ステップ６０４と同様に、時系列データから車両２００の路面入力を推定するモデルを、ＬＳＴＭを用いて構築する。路面入力推定モデルは、非ニューラルネットによる統計モデルとして構築してもよいし、車両２００の運動方程式に基づいて構築してもよい。
ステップ６２６では、構築したモデルの性能を実測値である新たな時系列データで評価し、実測値と推定値との誤差が許容範囲であるモデルを出力して処理を終了する。ステップ６２６で出力したモデルは、衝突検知スレッドにおいて用いられる。
図９は、加速度の計測値と推定値との差分（以下、「加速度差分」と称する）、ＦＬ（左前輪）車輪速の計測値と推定値との差分（以下、「ＦＬ車輪速差分」と称する）、ＲＬ（右後輪）車輪速の計測値と推定値との差分（以下、「ＲＬ車輪速差分」と称する）、運転者によるペダル操作、及び緯度経度等の要素に基づいて事故判定を行う場合の概略図である。図９では、事故の瞬間や、事故の前後での時系列データを用いた、路面入力と衝突の弁別ロジックを検討する。
図９の 時間帯３００では、加速度差分、ＦＬ車輪速差分、及びＲＬ車輪速差分の各々に顕著な変化を示している。そして、時間帯３００内の時刻ｔ１で加速度差分に顕著な変化を示した後、時刻ｔ２でＦＬ車輪速差分、及びＲＬ車輪速差分の各々が同時に顕著な変化を示している。図９に示したように、加速度差分の変化の後で、車輪速の計測値と推定値との差分（以下、「車輪速差分」と称する）が変化した場合、又は前後輪若しくは４輪の各々の車輪速差分が同時に変動した場合は、事故による衝突が疑われる場合である。また、車輪速差分の変化の後で、加速度差分が変化した場合、又は前後輪の車輪速差分が順に変化した場合は、路面入力と判定できる場合である。
本実施形態では、ＬＳＴＭを用いて機械学習を行う際に、図１に示したように、多数の車両２００から路面入力の事例を大量に集めることができるので、運転操作と車輪速差分から路面入力による加速度差分を推定し、推定した加速度差分から、路面入力による加速度を差し引きすることで、衝突による加速度を推定できる。
また、ＧＰＳ等によって車両２００の位置情報の垂直方向の変位が検出可能であれば、当該変位が所定値以上の際の加速度差分に係る加速度を路面入力と判定してもよい。さらに、路面に起伏がある箇所、及び勾配が急激に変化する箇所を把握できる場合は、当該箇所を車両２００が通過した際の加速度差分に係る加速度を路面入力と判定してもよい。さらに、同じ場所で複数の車両２００が同じような車輪速変動及び加速度変化を生じる場合は、当該箇所の情報をデータベース化し、車両２００が当該箇所を通過した際に検出された加速度を路面入力と判定してもよい。
図１０は、実測値とＲＮＮによる推定値との差分に基づいて事故判定を行う際の概略図である。ＲＮＮで構築した加速度推定モデルｆfb（ｘt）、ｆlr（ｘt）で推定可能な加速度は、運転操作による加速度なので、加速度推定モデルｆfb（ｘt）、ｆlr（ｘt）で推定できない加速度は、運転操作に起因しない加速度であり、車両２００の衝突によるものと推定される。従って、実測値とＲＮＮによる推定値との差分Δａfb,t、Δalr,tが大きければ、加速度推定モデルｆfb（ｘt）、ｆlr（ｘt）で推定できない加速度が生じていると考えられる。
本実施形態では、車両２００の加速度の実測値と推定値との差分Δａfb,t、Δalr,tに基づいて事故判定を行うが、車両２００に作用する加速度には、路面入力によるものが含まれる。本実施形態では、ＬＳＴＭ１によって構築した加速度推定モデルにより車両２００の加速度を推定することに加えて、ＬＳＴＭ２によって構築した車輪速推定モデルにより車両２００の車輪速を前後輪の４輪各々で推定して、車輪速差分Δｖvx,tを算出し、さらにＬＳＴＭ３によって構築した路面入力推定モデルにより路面入力を推定して、最終的な事故判定を行う。車輪速差分Δｖvx,tは、ＲＮＮで構築したモデルに代えて、ハイパスフィルタを用いて算出してもよい。または、車両２００の上下加速度、ヨーレート、及び車速の各々における実測値と推定値との差分に基づいて事故判定を行ってもよい。
以上の説明を踏まえて、衝突検知スレッドにおける処理の一例を説明する。衝突検知スレッドのステップ７００では、データストレージ１２０から車両２００の各々について個別に各種走行データの収集が行われる。車両２００の各種走行データの中には、累積値及び平均値等を算出する前処理を要するデータがあるので、かかるデータは、ステップ７００において処理する。
ステップ７０２では、車両２００の加速度推定に用いる各種走行データを選ぶデータ選別が行われる。加速度推定に用いる各種走行データは、運転操作による車両２００の加速度変化に係る観測量であり、例えば、車速をはじめとする車両２００の前後左右の加速度や車輪速と力学的に関連する車両運動の計測値、ＡＢＳをはじめとする車両２００の前後左右の加速度や車輪速の増減の要因となる車両運動制御の作動状態、車両２００のペダルやハンドルなどの前後左右の加速度や車輪速の増減の要因となる運転者による運転操作を表す制御信号、及びエンジン等の前後左右の加速度や車輪速の増減の要因となる動力ユニットの動作を表す制御信号等を含む。他に、車外気温やワイパー等、前後左右の加速度や車輪速の増減に対して間接的に影響を及ぼす車外環境の計測値、及び車外環境により使用する車載機器の操作を表す制御信号を用いてもよい。車外環境の計測値は、車載センサによるものでなくとも、気象庁などが一般に公開する外部のデータを用いてもよい。ステップ６０２のデータ選別では、地域、又は気象条件等の幅広い条件下での車両２００の各種走行データを教師データとして収集する。また、車両２００の急ブレーキ等による顕著な加速度の変化、急ハンドル等の極端な運転操作、高い車速等の極端な車両２００の運動状態、ＡＢＳ作動のような稀にしか生じない制御状態等をできるだけ採用する。
ステップ７０２では、各種走行データをＲＮＮよりも簡単なロジックでフィルタリングして、後段の処理を軽減して、処理を高速化してもよい。例えば、加速度の時間微分であるジャークを所定の閾値と比較して、当該ジャークが所定の閾値未満となったデータは有意なデータとして採用しないようにしてもよい。
ステップ７０４では、モデル構築スレッドで構築した加速度推定モデルｆfb（ｘt）、ｆlr（ｘt）を用いて車両２００の加速度の推定値を算出する。
ステップ７０６では、ＩＭＵ２６で検出した加速度の実測値と、加速度推定モデルｆfb（ｘt）、ｆlr（ｘt）を用いた加速度の推定値との差分Δａfb,t、Δalr,tの各々を下記のように算出する。
Figure 2022109023000005
前述のように、本実施形態では、ＬＳＴＭによるＲＮＮで構築した加速度推定モデルｆfb（ｘt）、ｆlr（ｘt）で推定できない加速度を車外からの力とみなす。従って、差分Δａfb,t、Δalr,tのいずれかが所定の閾値以上の場合は、車外から大きな加速度が車両２００に付与された場合であり、衝突による事故が発生したと推定できる。所定の閾値は、複数の車両２００から収集した各種走行データに基づいて決定する。また、所定の閾値は、差分Δａfb,t、Δalr,tの各々で共通でもよいし、差分Δａfb,t、Δalr,tの各々で異なる値でもよい。
図１１は、各種センサで検出した値の一例を示した概略図である。図１１では、前後加速度、及び左右加速度において、ＩＭＵ２６等のセンサによる実測値（実線）と、加速度推定モデルｆfb（ｘt）、ｆlr（ｘt）による推定値（破線）とが記されている。
図１１では、左右加速度において実測値と推定値とが大きく乖離した場合があり、かかる場合には衝突の可能性がある。ステップ７０８では、差分Δａfb,t、Δalr,tのいずれかが、所定の閾値以上の場合に、車両２００が衝突したと推定する。所定の閾値は、車両２００の挙動の実測値の統計に基づいて決定する。また、必要に応じて、車外からの推定入力合成値ａtを下記の式を用いて算出し、推定入力合成値ａtが所定の合成値上限を超えた場合に車両２００が衝突したと推定してもよい。
Figure 2022109023000006
ステップ７１０では、ＬＳＴＭ２により構築した車輪速推定モデルを用いて、車両２００の前後輪の４輪各々の車輪速を推定する。
ステップ７１２では、ＬＳＴＭ２により構築した路面入力推定モデルを用いて、路面入力に係る加速度を推定する。ステップ７１２では、例えば、車両２００の車輪速差分を算出する。そして、車輪速差分の変化の後で、ステップ７０６で算出される加速度差分が変化した場合、又は前後輪の車輪速差分が順に変化した場合は、当該加速度差分は、路面入力によるものとする。また、加速度差分が変化した後、車輪速差分が変化した場合、又は前後輪若しくは４輪の各々の車輪速差分が同時に変動した場合は、当該加速度差分は衝突によるものとする。
図１２（Ａ）は、車両２００が段差３１０を乗り越えようとする場合の画像の一例であり、図１２（Ｂ）は、車両２００が段差３１０を乗り越える際に、左右前輪が空転して増速した後、左右後輪が空転して増速した場合を示した説明図である。図１２（Ｂ）において、実線は実測値、点線は推定値である。図１２（Ｂ）は、前後輪の車輪速差分が順に変化した場合であるから、路面入力によって加速度差分が生じたと推定できる。
図１３（Ａ）は、車両２００が荒れた路面３２０を通過する場合の画像の一例であり、図１３（Ｂ）は、加速度差分の極大値が２つ観測され、かつ各々の極大値の直前で左前輪及び左後輪の各々が増速した場合を示した説明図である。図１３（Ｂ）において、実線は実測値、点線は推定値である。図１３（Ｂ）は、車輪速差分の変化の後で、加速度差分が変化し、かつ前後輪の車輪速差分が順に変化した場合であるから、路面入力によって加速度差分が生じたと推定できる。
運転操作に起因しない加速度は、画像解析によっても検出できる。図１４（Ａ）は、歩車道間の段差を右折する際にアクセルペダルを踏んだ際に、車両２００の撮像装置２２で取得した車両２００の右前輪が空転した場合の画像の一例であり、図１４（Ｂ）は、車両２００の右前輪が空転して増速した結果、右前輪における車輪速の実測値（実線）と推定値（点線）とに乖離が生じた場合を示した説明図である。図１４（Ａ）では、車両２００の右前輪が浮き上がる、いわゆる３点接地となって、右前輪が空転している。
図１５（Ａ）は、車両２００の撮像装置２２で取得した車両２００の左後輪の荷重抜け（ピッチング）が生じた場合の画像の一例であり、図１５（Ｂ）は、左後輪が空転した結果、左後輪における車輪速の実測値（実線）と推定値（点線）とに乖離が生じた場合を示した説明図である。図１５（Ａ）、（Ｂ）に示した場合では、車両２００の運転者が先方に自転車に乗った人物２１０を視認し、急ブレーキと左操舵を行った場合である。その結果、左後輪が滑り、ブレーキの制動力で車両２００が減速し、左後輪の車輪速の実測値と推定値との差分が生じている。
図１４及び図１５のいずれの場合も、車両２００が衝突しなくても運転操作に起因しない加速度が生じ得る。ステップ７１２では路面入力推定に加えて、例えば、撮像装置２２で取得した時系列の画像データから車両２００の衝突以外の急激な挙動を抽出し、当該挙動を起こした時間における顕著な加速度の実測値の変化は、衝突に関係ない加速度であるとして実測値から除外して事故判定を行ってもよい。画像データから車両２００の衝突以外の急激な挙動を抽出するには、一例として、車両２００の四隅等の特定箇所を示す画素（注目画素）の画像データ内での単位時間当たりの位置変化に基づいて判定する。注目画素の単位時間当たりの位置変化が所定の位置変化閾値以上の場合に、車両２００の急激な挙動であると判定する。さらに、画像データにおける車両２００を示す画素の集合の形状及び面積に変化がないのであれば、車両２００の衝突以外の急激な挙動であると判定できる。
ステップ７１４では、加速度差分が路面入力によるものの場合は当該加速度差分に係る加速度を衝突判定に採用せずに処理を終了する、ステップ７１４で、加速度差分が路面入力によるものではない場合は手順をステップ７１６に移行する。
ステップ７１６では、下記の式を用いて車両２００の損傷方向を推定する。差分Δａfb,tを前後方向のベクトル量とし、Δalr,tを左右方向のベクトル量とすると、差分Δａfb,tと差分Δalr,tとの商は、損傷方向を示す角度の正接となる。従って、差分Δａfb,tと差分Δalr,tとの商の逆正接ｄtは損傷方向を示す角度となる。損傷方向は、加速度の方向以外にも、ＧＰＳで検出した車両２００の位置情報の変位、または車両２００の各々の車輪速の変化に基づいて推定してもよい。
Figure 2022109023000007
ステップ７１８では、計算サーバ１０は、判定結果を事業者端末１３０等に通知して処理を終了する。
図１６は、本実施形態に係る情報処理装置１００の運用の一例を示したブロック図である。図１６に示したように、データストレージ１２０は、図８に示したステップ６００、７００のように車両２００の各種走行データを収集する。
データストレージ１２０が取得した車両２００の各種走行データは、計算サーバに送られ、図８のステップ６０２、７０２のようにデータの選別が行われる。
計算サーバ１０では、図８のステップ６０４のような学習が行われて加速度推定モデルｆfb（ｘt）、ｆlr（ｘt）が構築される。そして、加速度推定モデルｆfb（ｘt）、ｆlr（ｘt）を用いて、図８のステップ７０４～７１０に示した加速度推定、差分Δａfb,t、Δalr,tの算出、衝突判定、及び損傷方向の推定が行われる。
そして、図８のステップ７１２のように、計算サーバ１０は事業者端末１３０に対して中古車査定、車両２００のメンテナンス、車両２００の検査、車両２００の運行記録、新車販売の営業、又は安否確認コール等の通知を行う。
図１６に示した運用例では、計算サーバ１０で、データの収集と選別、加速度推定モデルｆfb（ｘt）、ｆlr（ｘt）の構築、加速度推定、差分Δａfb,t、Δalr,tの算出、衝突判定、及び損傷方向の推定を行ったが、負荷軽減のために、計算サーバ１０はデータストレージ１２０から取得した車両２００の各種走行データから加速度推定モデルｆfb（ｘt）、ｆlr（ｘt）の構築を行い、他のサーバで、計算サーバ１０で構築した加速度推定モデルｆfb（ｘt）、ｆlr（ｘt）を用いて、図６のステップ７００～７１０に係るデータの収集と選別、加速度推定、差分Δａfb,t、Δalr,tの算出、衝突判定、及び損傷方向の推定を行ってもよい。
図１７は、本実施形態に係る情報処理装置１００の運用の他の例を示したブロック図である。図１７に示したように、データストレージ１２０は、図８に示したステップ６００のように車両２００の各種走行データを収集する。
データストレージ１２０が取得した車両２００の各種走行データは、計算サーバに送られ、図８のステップ６０２のようにデータの選別が行われる。
計算サーバ１０では、図８のステップ６０４のような学習が行われて加速度推定モデルｆfb（ｘt）、ｆlr（ｘt）が構築される。そして、構築した加速度推定モデルｆfb（ｘt）、ｆlr（ｘt）は、車両２００に送信される。
車両２００では、演算装置１４によって、図８のステップ７０２～７１０に示したデータの選別、加速度推定、差分Δａfb,t、Δalr,tの算出、衝突判定、及び損傷方向の推定が行われる。
そして、図８のステップ７１２のように、車両２００は事業者端末１３０に対して中古車査定、車両２００のメンテナンス、車両２００の検査、車両２００の運行記録、新車販売の営業、又は安否確認コール等の通知を行う。
図１７に示した運用例では、衝突検知は車両２００で行うので、データストレージ１２０が車両２００から各種走行データを取得し、取得した各種走行データを計算サーバ１０に転送することを要しないので、データストレージ１２０の容量を抑制することができる。
以上説明したように、本実施形態は、ＩＭＵ２６等で検出した車両２００の加速度の実測値と、運転操作による車両２００の加速度の変化に係る観測量に基づいて算出された車両２００の加速度の推定値との差分が所定の閾値以上の場合に、車両２００が衝突したと判定する。
運転操作による車両２００の加速度の変化に係る観測量に基づいて算出された加速度の推定値は、運転操作による車両２００の加速度の推定値である。また、衝突時に生じる車両２００の加速度は、運転操作による加速度の変化とは異なる。従って、ＩＭＵ２６等で検出した車両２００の加速度の実測値と、運転操作による車両２００の加速度の変化に係る観測量に基づいて算出された車両２００の加速度の推定値との差分が所定の閾値以上の場合は、車両２００が衝突したと判定できる。
軽衝突であっても、加速度の実測値と予測値とには乖離が生じ得るので、車両２００の衝突を精度よく推定できる。
本実施形態では、車種別、年式、グレード、及び使用タイヤ等の車両２００の構成毎に別個の加速度推定モデルを構築してもよく、さらには、車両２００が使用される国、季節及び気候に応じてモデルを構築してもよい。または、上述の各種走行データに、車種別、年式、グレード、及び使用タイヤ等の車両２００の構成、並びに車両２００が使用される国、季節及び気候に係る条件を追加して、加速度推定の候補モデルを構築してもよい。条件を細分化して加速度推定モデルを構築することにより、衝突検知の精度を向上させることができる。
また、各種走行データの収集には、コネクテッドカーである車両２００を用いるので、車両２００への後付け装置を要さずに車両２００とは遠隔に存在する計算サーバ１０等で衝突検知を実行できる。
本実施形態は、多数の車両２００から得た、いわゆるビッグデータに基づく機械学習で加速度推定モデルを構築するので、運転操作による車両２００の加速度を精度よく推定するモデルを構築することができる。
本実施形態では、車両２００の前後加速度を推定するモデルｆfb（ｘt）と、車両２００の左右加速度を推定するモデルｆlr（ｘt）とを構築し、車両２００の前後方向の加速度の予測値と左右方向の加速度とから、車両２００の損傷方向を推定することができる。さらに、衝突事故の推定結果、及び車両２００の損傷方向の推定結果の各々を、中古車販売における事故歴の記載、タクシー車両等の営業車のメンテナンスの目安、レンタカーの返却時における衝突の有無の推定、ディーラー又は修理工場への入庫促進の通知、事故が疑われる場合の保険会社からの安否確認通知、及び自動運転車両の運行記録等に役立てることができる。
さらに本実施形態では、車両２００の車輪速を推定し、車輪速の実測値と推定値との差分の態様により、路面入力による加速度の有無を判定でき、かかる判定により、衝突検知の精度を向上させることができる。
なお、特許請求の範囲に記載の「検出部」は明細書の発明の詳細な説明に記載の「撮像装置２２」、「車速センサ２４」、「操舵角センサ２８」、「スロットルセンサ３０」及び「ブレーキペダルセンサ３２」に各々該当する。また、特許請求の範囲に記載の「慣性計測部」は、明細書の発明の詳細な説明に記載の「ＩＭＵ２６」に該当する。
なお、上記各実施形態でＣＰＵがソフトウェア（プログラム）を読み込んで実行した処理を、ＣＰＵ以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、及びＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。
また、上記各実施形態では、プログラムがディスクドライブ６０等に予め記憶（インストール）されている態様を説明したが、これに限定されない。プログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、及びＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ等の非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記憶媒体に記憶された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。
（付記項１）
メモリと、
前記メモリに接続された少なくとも１つのプロセッサと、
を含み、
前記プロセッサは、
慣性計測部で検出した車両の加速度の実測値と、検出部で検出した運転操作による車両の加速度の変化に係る観測量に基づいて算出した前記車両の加速度の推定値との差分が所定の閾値以上の場合に前記車両が衝突したと判定する、
ように構成されている情報処理装置。
１０ 計算サーバ
１２ 入力装置
１４ 演算装置
１６ 出力装置
１８ 記憶装置
２０ 画像情報処理部
２２ 撮像装置
２４ 車速センサ
２６ ＩＭＵ
２８ 操舵角センサ
３０ スロットルセンサ
３２ ブレーキペダルセンサ
３４ Ｖ２Ｘ通信部
４０ コンピュータ
４２ ＣＰＵ
４４ ＲＯＭ
４６ ＲＡＭ
４８ 入出力ポート
５０ ディスプレイ
５２ マウス
５４ キーボード
６０ ディスクドライブ
６２ ネットワーク
７２ 前処理部
７４ データ選別部
７６ モデル生成部
７８ 学習部
８０ 評価部
８２ 選定部
８４ 前処理部
８６ データ選別部
８８ 加速度推定部
９０ 差分算出部
９２ 判定部
９４ 損傷方向推定部
１００ 情報処理装置
１１０ 通信装置
１２０ データストレージ
１２２ データベース
１３０ 事業者端末
１８４ 前処理部
１８６ データ選別部
１８８ 車輪速推定部
１９０ 差分算出部
１９２ 判定部
２００ 車両
２８４ 前処理部
２８６ データ選別部
２８８ 路面入力推定部
２９０ 判定部

Claims (16)

  1. 運転操作による車両の加速度の変化に係る観測量を検出する検出部と、
    前記車両の加速度の実測値を検出する慣性計測部と、
    前記慣性計測部で検出した前記車両の加速度の実測値と、前記観測量に基づいて算出した前記車両の加速度の推定値との差分である加速度差分が所定の閾値以上の場合に前記車両が衝突したと判定する推定部と、
    を含む情報処理装置。
  2. 前記推定部は、前記加速度差分に係る加速度が、前記車両に路面からタイヤを経由して入力された加速度である場合は、前記推定値を前記車両の衝突判定に採用しない請求項１に記載の情報処理装置。
  3. 前記検出部は、前記車両が備える４つの車輪の各々の車輪速を検出する車輪速検出部を含み、
    前記推定部は、前記車輪速検出部で検出した前記車両の前後輪の４輪各々の車輪速の実測値と、前記観測量に基づいて算出した前記車両の前後輪の４輪各々の車輪速の推定値との各々の差分である車輪速差分を算出し、前記車輪速差分の変化の後で、前記加速度差分が変化した場合、及び前後輪の車輪速差分が順に変化した場合のいずれか場合に前記加速度差分に係る加速度を路面からタイヤを経由して入力された加速度と判定する請求項２に記載の情報処理装置。
  4. 前記検出部は、前記車両の周辺の画像データを時系列で取得する撮像部を備え、
    前記推定部は、前記撮像部で取得した画像データに前記車両の急激な挙動が記録された時間における前記加速度差分に係る加速度を、前記車両に路面からタイヤを経由して入力された加速度とする請求項２に記載の情報処理装置。
  5. 前記推定部は、衛星からの情報に基づいて算出された車両の位置情報の垂直方向の変位が所定値以上の場合の前記加速度差分に係る加速度を路面からタイヤを経由して入力された加速度と判定する請求項２に記載の情報処理装置。
  6. 前記推定部は、路面に起伏がある箇所、勾配が急激に変化する箇所、及び複数の車両が加速度変動を生じる箇所のデータベースを参照して、前記加速度差分に係る加速度を路面からタイヤを経由して入力された加速度と判定する請求項２に記載の情報処理装置。
  7. 前記慣性計測部は、前記車両の前後方向の加速度及び左右方向の加速度の各々を検出可能で、
    前記推定部は、前記観測量に基づいて前記車両の前後方向の加速度の推定値及び左右方向の加速度の推定値の各々を算出可能であると共に、前記慣性計測部で検出した前記車両の前後方向の加速度の実測値と、前記車両の前後方向の加速度の推定値との差分、及び前記慣性計測部で検出した前記車両の左右方向の加速度の実測値と、前記車両の左右方向の加速度の推定値との差分、のいずれかの差分が所定の閾値以上の場合に前記車両が衝突したと判定する請求項１～６のいずれか１項に記載の情報処理装置。
  8. 前記推定部は、前記慣性計測部で検出した前記車両の前後方向の加速度の実測値と、前記車両の前後方向の加速度の推定値との差分と、前記慣性計測部で検出した前記車両の左右方向の加速度の実測値と、前記車両の左右方向の加速度の推定値との差分との商に基づいて前記車両の損傷方向を推定する請求項７に記載の情報処理装置。
  9. 前記推定部は、予め取得した、複数の車両の加速度の変化に係る観測量と、前記複数の車両の加速度の実測値とに基づいて、前記車両の加速度を推定するモデルを構築する請求項１～８のいずれか１項に記載の情報処理装置。
  10. 前記観測量は、前記車両の車両運動の計測値、及び前記車両の運転操作量に係る制御信号を含む請求項１～９のいずれか１項に記載の情報処理装置。
  11. 検出部により、運転操作による車両の加速度の変化に係る観測量を検出し、
    慣性計測部により、前記車両の加速度の実測値を検出し、
    前記車両の加速度の実測値と、前記観測量に基づいて算出した前記車両の加速度の推定値との差分である加速度差分が所定の閾値以上の場合に前記車両が衝突したと判定する、
    情報処理方法。
  12. 前記加速度差分に係る加速度が、前記車両に路面からタイヤを経由して入力された加速度である場合は、前記推定値を前記車両の衝突判定に採用しない請求項１１に記載の情報処理方法。
  13. 前記車両の前後輪の４輪各々の車輪速の実測値と、前記観測量に基づいて算出した前記車両の前後輪の４輪各々の車輪速の推定値との各々の差分である車輪速差分を算出し、前記車輪速差分の変化の後で、前記加速度差分が変化した場合、及び前後輪の車輪速差分が順に変化した場合のいずれか場合に前記加速度差分に係る加速度を路面からタイヤを経由して入力された加速度と判定する請求項１２に記載の情報処理方法。
  14. コンピュータを、
    慣性計測部で検出した車両の加速度の実測値と、検出部で検出した運転操作による前記車両の加速度の変化に係る観測量に基づいて算出した前記車両の加速度の推定値との差分である加速度差分が所定の閾値以上の場合に前記車両が衝突したと判定する推定部として機能させる情報処理プログラム。
  15. 前記加速度差分に係る加速度が、前記車両に路面からタイヤを経由して入力された加速度である場合は、前記推定値を前記車両の衝突判定に採用しない請求項１４に記載の情報処理プログラム。
  16. 前記車両の前後輪の４輪各々の車輪速の実測値と、前記観測量に基づいて算出した前記車両の前後輪の４輪各々の車輪速の推定値との各々の差分である車輪速差分を算出し、前記車輪速差分の変化の後で、前記加速度差分が変化した場合、及び前後輪の車輪速差分が順に変化した場合のいずれか場合に前記加速度差分に係る加速度を路面からタイヤを経由して入力された加速度と判定する請求項１５に記載の情報処理プログラム。
JP2021004328A 2021-01-14 2021-01-14 情報処理装置、情報処理方法及び情報処理プログラム Withdrawn JP2022109023A (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2021004328A JP2022109023A (ja) 2021-01-14 2021-01-14 情報処理装置、情報処理方法及び情報処理プログラム
DE102021130456.3A DE102021130456A1 (de) 2021-01-14 2021-11-22 Informationsverarbeitungsvorrichtung, Informationsverarbeitungsverfahren und Informationsverarbeitungsprogramm
CN202111420030.4A CN114763109A (zh) 2021-01-14 2021-11-26 信息处理装置、信息处理方法以及记录了信息处理程序的计算机可读介质
US17/558,598 US20220219680A1 (en) 2021-01-14 2021-12-22 Information processing device, information processing method, and non-transitory computer-readable medium storing information processing program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021004328A JP2022109023A (ja) 2021-01-14 2021-01-14 情報処理装置、情報処理方法及び情報処理プログラム

Publications (1)

Publication Number Publication Date
JP2022109023A true JP2022109023A (ja) 2022-07-27

Family

ID=82116486

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021004328A Withdrawn JP2022109023A (ja) 2021-01-14 2021-01-14 情報処理装置、情報処理方法及び情報処理プログラム

Country Status (4)

Country Link
US (1) US20220219680A1 (ja)
JP (1) JP2022109023A (ja)
CN (1) CN114763109A (ja)
DE (1) DE102021130456A1 (ja)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5617752B2 (ja) 2011-04-13 2014-11-05 株式会社デンソー 車両の評価指標作成システム
GB201317257D0 (en) * 2013-09-28 2013-11-13 Quartix Ltd Low-impact crash detection system
US10311658B2 (en) * 2016-10-07 2019-06-04 Waymo Llc Unexpected impulse change collision detector
US10814811B2 (en) * 2017-09-30 2020-10-27 Physician Electronic Networks, L.L.C. Collision detection system
US10967869B2 (en) * 2018-04-25 2021-04-06 Toyota Jidosha Kabushiki Kaisha Road surface condition estimation apparatus and road surface condition estimation method
US10246037B1 (en) * 2018-07-16 2019-04-02 Cambridge Mobile Telematics Inc. Vehicle telematics of vehicle crashes
US11827237B2 (en) * 2019-12-27 2023-11-28 Toyota Connected North America, Inc. Systems and methods for real-time crash detection using telematics data
KR20220086734A (ko) * 2020-12-16 2022-06-24 현대자동차주식회사 최대 노면 마찰계수 추정방법

Also Published As

Publication number Publication date
CN114763109A (zh) 2022-07-19
US20220219680A1 (en) 2022-07-14
DE102021130456A1 (de) 2022-07-14

Similar Documents

Publication Publication Date Title
EP4261051A2 (en) System and method for vehicle tire performance modeling and feedback
US7739087B2 (en) Method and device for analying collision driving data
US8599005B2 (en) Method for determining the driving limits of a vehicle
CN102274031B (zh) 异常操作检测方法和异常操作检测***
US10249112B2 (en) Vehicle state monitoring apparatus, vehicle state monitoring system, and vehicle state monitoring method
JP2004352116A (ja) 車両及び運転者の挙動解析システム
Li et al. On-board road condition monitoring system using slip-based tyre-road friction estimation and wheel speed signal analysis
CN110702195B (zh) 载重车辆运行状态监测方法及装置
JP7413503B2 (ja) 車両の安全性能を評価すること
JP6816379B2 (ja) 衝突回避システム、情報処理装置、衝突回避プログラム及び情報処理プログラム
CN113340392A (zh) 基于加速度传感器的车辆载重检测方法及装置
CN114644001A (zh) 一种车辆载重预测方法、装置、存储介质及车辆
JP2022109023A (ja) 情報処理装置、情報処理方法及び情報処理プログラム
WO2020213024A1 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
US11525728B1 (en) Systems and methods for determining an estimated weight of a vehicle
US10414409B2 (en) Method for determining a dangerous driving indicator of a vehicle
Iijima et al. Vehicle side slip angle estimation methodology using a drive recorder
US20230391342A1 (en) Road surface damage detection device, road surface damage detection method, and storage device
US20240109548A1 (en) Systems and methods for determining an estimated weight of a vehicle
EP4187215B1 (en) Systems and methods for determining an estimated weight of a vehicle
US20230150462A1 (en) Vibration based mu detection
EP4187214B1 (en) Systems and methods for determining an estimated weight of a vehicle
JP7409266B2 (ja) 轍判定装置、轍判定方法、プログラム
JP7222770B2 (ja) 積雪検知装置、積雪検知方法及び積雪検知システム
EP4227911A1 (en) Reconstruction of image frames

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230822

A761 Written withdrawal of application

Free format text: JAPANESE INTERMEDIATE CODE: A761

Effective date: 20231114