JP3780656B2 - Driving behavior pattern recognition device - Google Patents
Driving behavior pattern recognition device Download PDFInfo
- Publication number
- JP3780656B2 JP3780656B2 JP26522297A JP26522297A JP3780656B2 JP 3780656 B2 JP3780656 B2 JP 3780656B2 JP 26522297 A JP26522297 A JP 26522297A JP 26522297 A JP26522297 A JP 26522297A JP 3780656 B2 JP3780656 B2 JP 3780656B2
- Authority
- JP
- Japan
- Prior art keywords
- driving behavior
- data
- driving
- behavior pattern
- buffer
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Auxiliary Drives, Propulsion Controls, And Safety Devices (AREA)
- Traffic Control Systems (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、車両を運転する運転者の運動行動パターンの認識を行う装置に関するものである。
【０００２】
【従来の技術】
車両を運転する運転者の操作量、車両状態量等の時系列データから、運転行動パターンを認識する技術としては、例えば、『Ｎｉｓｓａｎ Ｃａｍｂｒｉｄｇｅ Ｂａｓｉｃ Ｒｅｓｅａｒｃｈ Ａｎｎｕａｌ Ｒｅｐｏｒｔ １９９６，Ｎｉｓｓａｎ Ｃａｍｂｒｉｄｇｅ Ｂａｓｉｃ Ｒｅｓｅａｒｃｈ，Ｎｉｓｓａｎ Ｒｅｓｅａｒｃｈ ａｎｄ Ｄｅｖｅｌｏｐｅｍｅｎｔ Ｉｎｃ．』に記載されている方法がある。この従来技術は、自動車運転時の右折、左折、制動停止、レーンチェンジなどの運転行動パターンを認識対象のカテゴリ、自車速度、自車前後加速度、操舵角、操舵角速度の時系列データを観測シンボル系列にそれぞれし、隠れマルコフモデルに基づいて、最尤法を用いて認識を行う方法であり、極めて高い正認識率（全サンプルデータ数中、認識結果として正しいカテゴリが出現したサンプルデータ数の割合）が報告されている。
【０００３】
【発明が解決しようとする課題】
この従来の方法では、認識実行時には、各運転行動パターンの開始から終了までの時間区間を切り出した、あらかじめ用意しておいた時系列データを用いていた。しかしながら、このような方法では、例えば、車両走行時に得られる連続データを用いてリアルタイムに認識を行おうとした場合には、運転行動パターンの開始および終了のタイミングが明示的に与えられていないため、認識を実行できない、という問題点があった。
【０００４】
本発明は、このような従来の問題点に着目してなされたもので、運転行動パターンの連続認識が可能な技術を提供することを目的とする。
【０００５】
【課題を解決するための手段】
上述の課題を解決するために、請求項１に記載の発明は、隠れマルコフモデルを用いた運転行動パターンの認識において、運転行動パターンパラメータ学習手段で推定されたパラメータと、連続的に入力される運転行動データのうち、認識実行時点から過去所定時間までの区間の運転行動データを観測データ系列として用いるために一時的に格納する観測データ系列バッファを設け、観測データ系列バッファに格納された観測シンボル系列が、運転行動パターンパラメータ学習手段によって推定されたパラメータで表される各運転行動パターンモデルから出力される確率を算出し、出力確率の最も高い運転行動パターンを認識結果として出力する運転行動パターン認識手段とを設ける構成としている。
【０００６】
また、請求項２に記載の発明は、時間長の異なる複数個の観測データ系列バッファと、各運転行動パターンが出力される確率の算出を時間長の異なる少なくとも一つ以上のバッファに格納された観測データ系列を用いて行い、出力確率の最も高い運転行動パターンを認識結果として出力する運転行動パターン認識手段とを設ける構成としている。
【０００７】
また、請求項３に記載の発明は、観測データ系列バッファの時間長を、可変で設定する手段を設ける構成としている。
【０００８】
さらに、請求項４に記載の発明は、前記観測データ系列バッファの時間長を、車両速度等の走行状況に応じて可変で設定する構成としている。
【０００９】
以下、本発明の作用を説明する。
請求項１に記載の発明では、連続的に得られる運転行動データのうち、認識実行時点から直前の所定時間区間を一時的にバッファに格納することによって、認識に使用される観測データ系列が運転行動パターンの開始および終了時点を含む構成とすることにより、運転行動パターンの開始または終了時点が明示的でない運転行動データを用いた運転行動パターンを連続的に認識できる。
【００１０】
また、請求項２に記載の発明では、時間長の異なる複数個の観測データ系列バッファを設け、運転行動データが各運転行動パターンモデルから出力される確率の算出を、時間長の異なる少なくとも一つ以上のバッファに格納された観測データ系列を用いて行い、出力確率の最も高い運転行動パターンを認識結果として出力する構成としたので、認識対象とする運転行動パターン間でパターンの開始から終了までの平均時間長が異なる場合にも、より適切に運転行動パターンの認識を行えるようにする。
【００１１】
また、請求項３に記載の発明では、各運転行動パターンの出力確率の算出に用いるために設ける少なくとも一つ以上の観測データ系列バッファの時間長を、可変で設定する手段を有する構成とすることにより、運転行動パターンの連続認識が、より適切に行えるようにする。
【００１２】
さらに、請求項４に記載の発明では、前記観測データ系列バッファの時間長は、車速等の走行状況に応じて可変とすることにより、運転行動パターンの連続認識が、より適切に行えるようにする。
【００１３】
【発明の実施の形態】
以下、本発明による運転行動パターン認識装置の実施の形態を添付図面を参照して詳細に説明する。
【００１４】
（第１の実施の形態）
図１〜図４を用いて、本発明による運転行動パターン認識装置の第１の実施の形態を説明する。
図１は、第１の実施の形態の概略構成を示すブロック図、図２は、第１の実施の形態の機能構成を示すブロック図である。
【００１５】
まず、図１を用いて構成を説明する。
運転操作量、車両状態量の少なくともいずれかを含む時系列データである運転行動データを入力する運転行動データ入力手段１と、認識対象とする各運転行動パターンを隠れマルコフモデルとして表現するために必要な統計的特徴量を、各運転行動パターンの運転行動データを観測シンボル系列に用いて推定する運転行動パターンパラメータ学習手段３と、認識実行時点から直近の所定時間区間の前記運転行動データを格納する観測データ系列バッファ５と、観測データ系列バッファ５に格納された運転行動データが各運転行動パターンから出力される確率を、運転行動パターンパラメータ学習手段３によって推定されたパラメータと出力確率算出アルゴリズムを用いて算出し、出力確率の最も高い運転行動パターンを認識結果として出力する運転行動パターン認識手段７とを有する構成とする。
【００１６】
以下、本発明における実施の形態を説明するための一例として、右折、左折、制動停止、車線変更、追い越しの５種類の運転行動パターンを認識する認識システムを想定し説明する。このうち、車線変更は自車右側の車線と自車左側の車線への車線変更の２種類が考えられるため、別の運転行動パターンとして扱うこととする。したがって、６種類の運転行動パターンの認識を考える。
【００１７】
運転行動データは、運転者の操作量として、例えばアクセルペダル開度、ステアリング角度を、車両状態量として、例えば自車速度、自車前後加速度などの運転行動に関するデータであり、これらは各種センサ１１で測定される。隠れマルコフモデルを用いた運転行動パターンの認識システムは、コンピュータ１３を用いて構築される。隠れマルコフモデルの認識プロセスは、パラメータの推定と、推定されたパラメータを用いた認識に大きく分けることができる。第１の実施の形態では、コンピュータ１３において、前者はパラメータ推定処理部１５で、後者は認識処理部１７で、それぞれ処理が行われるものとする。
【００１８】
隠れマルコフモデルを用いて時系列データのパターン認識を行うためには、あらかじめ認識対象とするカテゴリのパラメータλ＝｛π，Ａ，Ｂ｝を推定する必要がある。ここで、πは各状態の初期発生確率集合、Ａは状態間遷移確率集合、Ｂは出力確率集合をそれぞれ示す。各種センサ１１で得られた運転行動データは、前処理部１９で認識対象とする運転行動パターン別に分類された後、運転行動データ格納メモリ２１に格納され、観測シンボル系列として用いる。
【００１９】
パラメータ推定部２３では、認識対象である各運転行動パターンに対して、隠れマルコフモデルのパラメータである初期確率π、状態間遷移確率Ａ、出力確率Ｂを運転行動データ格納メモリ２１に格納された多数の観測シンボル系列を用いて、運転行動データから出力される確率Ｐ（λ｜Ｏ）が最大になるように推定する。
【００２０】
隠れマルコフモデルのパラメータ推定には、一般的にはＢａｕｍ−Ｗｅｌｃｈアルゴリズムが用いられる。なお、Ｂａｕｍ−Ｗｅｌｃｈアルゴリズム、および後述するＦｏｒｗａｒｄアルゴリズム、Ｖｉｔｅｒｂｉアルゴリズムは、例えば、文献『Ｘ．Ｄ．Ｈｕａｎｇ，Ｙ．Ａｒｉｋｉ，ａｎｄ Ｍ．Ａ．Ｊａｃｋ．Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌｓ ｆｏｒ Ｓｐｅｅｃｈ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｅｄｉｎｂｕｒｇｈ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ，Ｅｄｉｎｂｕｒｇｈ，１９９０』によって、その内容が知られたものである。以上の手続きで得た隠れマルコフモデルのパラメータを用いて、運転行動パターンの認識を行う。推定されたパラメータはパラメータ格納メモリ２５に記憶しておく。
【００２１】
観測データ系列バッファ２７には、認識実行時点から直前の所定時間区間Ｔの区間の運転行動データが一時的にメモリに記憶されている。運転行動パターン認識実行部２９では、隠れマルコフモデルの出力確率算出アルゴリズムであるＦｏｒｗａｒｄアルゴリズム、またはＶｉｔｅｒｂｉアルゴリズムを使用して、上記の運転行動データを観測シンボル系列と推定されたパラメータを用いて、各運転行動パターンの行動確率Ｐ（Ｏ｜λ）を算出し、最も出力確率の高い運転行動パターンを認識結果として、認識結果出力用メモリ３１に出力する。
【００２２】
次に、認識処理部１７での処理ルーチンについて説明する。
認識処理部１７起動後、割り込みタイマを利用してサンプリング周期Ｔｓ毎に発生する割り込み信号がステップＳ１０１で検出されると、観測データ系列バッファ２７の更新を行う。ここで、説明のため、バッファは、サンプリング周期Ｔｓ、サンプリングデータ個数ｍ、バッファ長Ｌ秒とする。
【００２３】
まず、ステップＳ１０３で、バッファに蓄えられているデータを１フレームずつ後方に移動させる。次に、ステップＳ１０５で、センサから出力された信号をＡ／Ｄ変換を介して読み込み、ステップＳ１０７で書き込む。この操作をサンプリング周期毎に行うことにより、常に認識実行時点から直前のＬ秒間の運転行動データがバッファに保持される。
【００２４】
第１の実施の形態における運転行動データとデータ系列バッファとの対応例として、右折時のデータ例を図４に示す。
【００２５】
次に、同様に割り込みタイマを利用して認識実行周期Ｔｃ毎に発生する割り込み信号がステップＳ１０９で検出されると、ステップＳ１１１で、各運転行動パターンの出力確率Ｐ（Ｏ｜λ）を算出し、最も出力確率の高い運転行動パターンを認識結果とする。認識結果は、ステップＳ１１３で、認識結果出力用メモリに格納される。
【００２６】
（第２の実施の形態）
図３及び図５を用いて、本発明による運転行動パターン認識装置の第２の実施の形態を説明する。
【００２７】
第２の実施の形態では、異なる時間長のバッファを複数個設ける。説明のための例として、上記の６種類の運転行動パターンに対してｎ個のバッファＯ1 〜Ｏn を設ける。
【００２８】
認識処理部１７の処理フロー（図３参照）におけるステップＳ１０３でのバッファ更新、ステップＳ１０７でのデータのバッファへの書き込みは、各バッファＯ1 〜Ｏn に対して行う。さらに、出力確率の計算は、運転行動パターンｉに対応する少なくとも一つ以上のバッファＯj を用いて出力確率Ｐij＝Ｐ（Ｏj ｜λi ）の算出を行う。このとき、バッファＯj の時間長を、パラメータ推定に用いた運転行動パターンの平均時間長等を参考に、最適な認識性能が得られるように設定するＯn を設ける。さらに、各認識カテゴリλi が使用するバッファＯj との対応はあらかじめ定めておき、その内容を認識処理部１７に持たせておく。
【００２９】
第２の実施の形態における運転行動データとデータ系列バッファとの対応例を、図５に示す。
【００３０】
（第３の実施の形態）
図６〜図８を用いて、本発明による運転行動パターン認識装置の第３の実施の形態を説明する。
図６は、第３の実施の形態の概略構成を示すブロック図であり、第１及び第２の実施の形態と異なる点は、データ系列バッファ長可変設定手段９を設けている点である。
また、図７は、第３の実施の形態の機能構成を示すブロック図であり、第１及び第２の実施の形態と異なる点は、スイッチ４１と、スイッチ４１の操作内容を処理するスイッチ操作処理部４３を新たに設けている点である。
【００３１】
図８は、認識処理部１７ａでの処理フローを示したものである。
認識処理部１７ａが起動されると、ステップＳ２０１で、規定値にバッファ長が初期設定される。ステップＳ２０３で、バッファ長を指定するスイッチの操作が検出されると、ステップＳ２０５で、操作内容が検出され、ステップＳ２０７で、変更対象であるバッファのバッファ長の再設定を行う。
以降は、図３に示すフローと同様の処理なので、説明を省略する。
【００３２】
なお、第２の実施の形態におけるスイッチ４１の具体的な例としては、コンピュータ１３上のディップスイッチ、電子回路に実装するＲＯＭの交換、認識実行用ソフトウェアの変数値設定、等が使用可能である。
【００３３】
（第４の実施の形態）
図９及び図１０を用いて、本発明による運転行動パターン認識装置の第４の実施の形態を説明する。
【００３４】
認識実行時には、バッファに含まれる時系列データが、ある運転行動パターン開始から終了までの時間区間を確実に含み、かつ、開始以前または終了後の異なる運転行動パターンのデータを含まないことが、認識精度を向上させるうえで望ましいといえる。
【００３５】
しかしながら、通常の認識システムでは複数のカテゴリを認識対象とするので、カテゴリ間で運転行動パターンの開始から終了までの平均時間長が異なる場合があることが考えられる。第４の実施の形態では、コンピュータ１３に実装可能なメモリに制約があり、十分な個数のバッファを設定できないような場合においても、走行状況に応じてバッファ長を可変で設定することにより、より認識精度の良い認識が行えるようにすることをねらいとしている。
【００３６】
このような実施の形態の一例として、車両前方状況の画像処理を用いた認識方法を利用する例について説明する。
車両前方状況を撮影した画像をコンピュータ上で画像処理し、走行状況を認識することにより、市街路で交差点に接近しているか、高速道路を走行中であるかが判定可能であるとする。
【００３７】
図９は、第４の実施の形態の機能構成を示すブロック図であり、第１〜第３の実施の形態と異なる点は、撮像装置５１と、画像処理装置５３と、走行状況判定部５５を、新たに設けた点である。
【００３８】
撮像装置５１から入力された画像データは、画像処理装置５３で画像処理され、走行状況判定部５５で走行状況の判定が行われる。走行状況判定部５５で、交差点接近中であると判定された場合には、認識実行部１７ｂに設定されているバッファ長を右折または左折の運転行動パターンの平均時間長近辺に、また、高速道路走行中であると判定された場合には、バッファ長を追い越し、またはレーンチェンジの平均時間長近辺に、それぞれ再設定する。
【００３９】
図１０は、認識処理部１７ｂでの処理フローを示したものである。
ステップＳ３０１では、走行状況とバッファ長の対応内容を読み込み、初期設定を行う。ステップＳ３０３では、走行状況認識結果を入力する。ステップＳ３０５では、走行状況判定部５５からの判定結果から走行状況変化の有無を判定する。走行状況変化が生じた場合には、ステップＳ３０７で、判定された走行状況に対応するバッファ長に変更する。
以降は、図３に示すフローと同様の処理なので、説明を省略する。
【００４０】
以上、本発明を実施の形態に基づいて具体的に説明したが、本発明は前記実施の形態に限定されるものではなく、その要旨を逸脱しない範囲において種々変更可能であることはいうまでもない。
【００４１】
【発明の効果】
以上、詳細に説明したように、本発明によれば、隠れマルコフモデルを用いた運転行動パターンの認識において、認識実行時点から直前の所定時間区間の運転行動データを用いて運転行動パターンの認識を行う構成としたので、運転行動パターンの連続認識が可能である。
【図面の簡単な説明】
【図１】本発明による運転行動パターン認識装置の第１の実施の形態の概略構成を示すブロック図である。
【図２】第１の実施の形態の機能構成を示すブロック図である。
【図３】認識処理部における処理フローを示す図である。
【図４】運転行動データとデータ系列バッファの対応例（右折時）を示す図である。
【図５】複数個設けられた運転行動データとデータ系列バッファとの対応例を示す図である。
【図６】第３の実施の形態の概略構成を示すブロック図である。
【図７】第３の実施の形態の機能構成を示すブロック図である。
【図８】第３の実施の形態の認識処理部における処理フローを示す図である。
【図９】第４の実施の形態の機能構成を示すブロック図である。
【図１０】第４の実施の形態の認識処理部における処理フローを示す図である。
【符号の説明】
１ 運転行動データ入力手段
３ 運転行動パターンパラメータ学習手段
５ 観測データ系列バッファ
７ 運転行動パターン認識手段
９ データ系列バッファ長可変設定手段
１１ 各種センサ
１３ コンピュータ
１５ パラメータ推定処理部
１７，１７ａ，１７ｂ 認識処理部
１９ 前処理部
２１ 運転行動データ格納メモリ
２３ パラメータ推定部
２５ パラメータ格納メモリ
２７，２７ａ，２７ｂ 観測データ系列バッファ
２９ 運転行動パターン認識実行部
３１ 認識結果出力用メモリ
４１ スイッチ
４３ スイッチ操作処理部
５１ 撮像装置
５３ 画像処理装置
５５ 走行状況判定部[0001]
BACKGROUND OF THE INVENTION
The present invention relates to an apparatus for recognizing a movement behavior pattern of a driver who drives a vehicle.
[0002]
[Prior art]
As a technique for recognizing a driving behavior pattern from time series data such as an operation amount of a driver who drives a vehicle, a vehicle state quantity, etc., for example, “Nissan Cambridge Basic Research Annual 1996, Nissan Cambridge Basic Research, Nissan Research Research, Inc. There is a method described in. This prior art is an observation symbol for time-series data of categories, vehicle speed, vehicle longitudinal acceleration, steering angle, and steering angular velocity that recognize driving behavior patterns such as right turn, left turn, braking stop, lane change, etc. Recognize each series using the maximum likelihood method based on the hidden Markov model, with a very high positive recognition rate (the ratio of the number of sample data in which the correct category appears as the recognition result in the total number of sample data) ) Has been reported.
[0003]
[Problems to be solved by the invention]
In this conventional method, time recognition data prepared by cutting out a time section from the start to the end of each driving behavior pattern was used at the time of recognition execution. However, in such a method, for example, when trying to recognize in real time using continuous data obtained when the vehicle travels, the start and end timing of the driving action pattern is not explicitly given, There was a problem that recognition could not be performed.
[0004]
The present invention has been made paying attention to such conventional problems, and an object of the present invention is to provide a technique capable of continuously recognizing driving behavior patterns.
[0005]
[Means for Solving the Problems]
In order to solve the above-mentioned problem, the invention according to
[0006]
The invention according to claim 2 stores a plurality of observation data series buffers having different time lengths and calculation of the probability that each driving action pattern is output in at least one buffer having different time lengths. Driving action pattern recognition means is provided that performs the observation data series and outputs the driving action pattern with the highest output probability as a recognition result.
[0007]
According to a third aspect of the present invention, there is provided a means for variably setting the time length of the observation data series buffer.
[0008]
Further, the invention according to claim 4 is configured such that the time length of the observation data series buffer is variably set according to the traveling state such as the vehicle speed.
[0009]
Hereinafter, the operation of the present invention will be described.
In the first aspect of the present invention, among the continuously obtained driving behavior data, a predetermined time interval immediately before the recognition execution time point is temporarily stored in a buffer so that the observation data series used for recognition is driven. By adopting a configuration including the start and end times of the behavior pattern, it is possible to continuously recognize the driving behavior pattern using the driving behavior data in which the start or end time of the driving behavior pattern is not explicit.
[0010]
In the second aspect of the present invention, a plurality of observation data series buffers having different time lengths are provided, and the calculation of the probability that the driving behavior data is output from each driving behavior pattern model is calculated by at least one of the different time lengths. The observation data sequence stored in the above buffer is used, and the driving action pattern with the highest output probability is output as the recognition result, so the pattern from the start to the end of the driving action pattern to be recognized Even when the average time length is different, the driving behavior pattern can be recognized more appropriately.
[0011]
Further, the invention according to
[0012]
Furthermore, in the invention according to claim 4, the time length of the observation data series buffer is made variable in accordance with the traveling state such as the vehicle speed, so that continuous recognition of the driving action pattern can be performed more appropriately. .
[0013]
DETAILED DESCRIPTION OF THE INVENTION
DESCRIPTION OF EMBODIMENTS Hereinafter, an embodiment of a driving behavior pattern recognition device according to the present invention will be described in detail with reference to the accompanying drawings.
[0014]
(First embodiment)
A first embodiment of a driving behavior pattern recognition apparatus according to the present invention will be described with reference to FIGS.
FIG. 1 is a block diagram showing a schematic configuration of the first embodiment, and FIG. 2 is a block diagram showing a functional configuration of the first embodiment.
[0015]
First, the configuration will be described with reference to FIG.
Necessary for expressing driving behavior data input means 1 for inputting driving behavior data, which is time-series data including at least one of driving operation amount and vehicle state quantity, and each driving behavior pattern to be recognized as a hidden Markov model. Driving behavior pattern parameter learning means 3 for estimating a statistical feature amount using driving behavior data of each driving behavior pattern as an observation symbol series, and the driving behavior data for a predetermined time interval most recently from the recognition execution time point are stored. Using the parameters estimated by the driving behavior pattern parameter learning means 3 and the output probability calculation algorithm, the observation
[0016]
Hereinafter, as an example for explaining an embodiment of the present invention, a recognition system that recognizes five types of driving behavior patterns of right turn, left turn, braking stop, lane change, and overtaking will be described. Of these, there are two types of lane change: lane change on the right side of the vehicle and lane change on the left side of the vehicle. Therefore, consider the recognition of six types of driving behavior patterns.
[0017]
The driving behavior data is data relating to driving behavior such as an accelerator pedal opening degree and a steering angle as a driver's operation amount, and a vehicle state amount such as a host vehicle speed and a host vehicle longitudinal acceleration. Measured in A driving behavior pattern recognition system using a hidden Markov model is constructed using a
[0018]
In order to perform pattern recognition of time series data using the hidden Markov model, it is necessary to estimate the parameter λ = {π, A, B} of the category to be recognized in advance. Here, π represents an initial occurrence probability set of each state, A represents an inter-state transition probability set, and B represents an output probability set. The driving behavior data obtained by the various sensors 11 is classified by the driving behavior pattern to be recognized by the pre-processing unit 19 and then stored in the driving behavior data storage memory 21 and used as an observation symbol series.
[0019]
In the parameter estimation unit 23, for each driving action pattern to be recognized, the initial probability π, the transition probability A between states, and the output probability B, which are parameters of the hidden Markov model, are stored in the driving action data storage memory 21. Is estimated so that the probability P (λ | O) output from the driving action data is maximized.
[0020]
A Baum-Welch algorithm is generally used for parameter estimation of a hidden Markov model. The Baum-Welch algorithm, the Forward algorithm and the Viterbi algorithm described later are described in, for example, the document “X. D. Huang, Y. et al. Ariki, and M.M. A. Jack. Hidden Markov Models for Speech Recognition. "Edinburgh University Press, Edinburgh, 1990". The driving behavior pattern is recognized using the parameters of the hidden Markov model obtained by the above procedure. The estimated parameters are stored in the parameter storage memory 25.
[0021]
In the observation data series buffer 27, driving behavior data of a predetermined time interval T immediately before the recognition execution time is temporarily stored in the memory. The driving behavior pattern recognition execution unit 29 uses the Forward algorithm or Viterbi algorithm, which is an output probability calculation algorithm of a hidden Markov model, for each driving using the above estimated driving behavior data as an observed symbol sequence. The behavior probability P (O | λ) of the behavior pattern is calculated, and the driving behavior pattern having the highest output probability is output to the recognition result output memory 31 as the recognition result.
[0022]
Next, a processing routine in the
After the
[0023]
First, in step S103, the data stored in the buffer is moved backward by one frame. Next, in step S105, the signal output from the sensor is read through A / D conversion, and written in step S107. By performing this operation for each sampling period, the driving action data for L seconds immediately before the recognition execution time is always held in the buffer.
[0024]
As an example of correspondence between the driving action data and the data series buffer in the first embodiment, FIG. 4 shows an example of data when turning right.
[0025]
Next, when an interrupt signal generated every recognition execution cycle Tc using the interrupt timer is detected in step S109, the output probability P (O | λ) of each driving action pattern is calculated in step S111. The driving action pattern with the highest output probability is taken as the recognition result. The recognition result is stored in the recognition result output memory in step S113.
[0026]
(Second Embodiment)
A second embodiment of the driving behavior pattern recognition apparatus according to the present invention will be described with reference to FIGS. 3 and 5.
[0027]
In the second embodiment, a plurality of buffers having different time lengths are provided. As an illustrative example, providing the n buffers O 1 ~ O n with respect to the six driving behavior patterns.
[0028]
Buffer Update At step S103 in the processing flow of the recognition processing section 17 (see FIG. 3), the writing to the buffer of data in step S107, performed for each buffer O 1 ~ O n. Further, the output probability is calculated by calculating the output probability P ij = P (O j | λ i ) using at least one buffer O j corresponding to the driving action pattern i. At this time, the time length of the buffer O j, referring to the average time length, etc. of the driving behavior patterns used in parameter estimation, providing the O n be set to optimal recognition performance. Further, the correspondence with the buffer O j used by each recognition category λ i is determined in advance, and the content is given to the
[0029]
FIG. 5 shows a correspondence example between the driving action data and the data series buffer in the second embodiment.
[0030]
(Third embodiment)
A third embodiment of the driving behavior pattern recognition apparatus according to the present invention will be described with reference to FIGS.
FIG. 6 is a block diagram showing a schematic configuration of the third embodiment. The difference from the first and second embodiments is that a data series buffer length variable setting means 9 is provided.
FIG. 7 is a block diagram showing the functional configuration of the third embodiment. The difference from the first and second embodiments is that the switch 41 and the switch operation for processing the operation content of the switch 41 are shown. The processing unit 43 is newly provided.
[0031]
FIG. 8 shows a processing flow in the recognition processing unit 17a.
When the recognition processing unit 17a is activated, the buffer length is initialized to the specified value in step S201. When an operation of a switch that specifies a buffer length is detected in step S203, the operation content is detected in step S205, and the buffer length of the buffer to be changed is reset in step S207.
Since the subsequent processing is the same as the flow shown in FIG.
[0032]
As specific examples of the switch 41 in the second embodiment, a DIP switch on the
[0033]
(Fourth embodiment)
A fourth embodiment of the driving behavior pattern recognition apparatus according to the present invention will be described with reference to FIGS.
[0034]
When executing recognition, it is recognized that the time-series data included in the buffer surely includes the time interval from the start to the end of a certain driving action pattern, and does not include data of different driving action patterns before or after the start. This is desirable for improving accuracy.
[0035]
However, in a normal recognition system, since a plurality of categories are to be recognized, the average time length from the start to the end of the driving behavior pattern may be different between categories. In the fourth embodiment, the memory that can be mounted on the
[0036]
As an example of such an embodiment, an example in which a recognition method using image processing of a vehicle front situation is used will be described.
Assume that it is possible to determine whether the vehicle is approaching an intersection on a city road or traveling on a highway by performing image processing on an image of a vehicle front situation on a computer and recognizing the traveling situation.
[0037]
FIG. 9 is a block diagram showing a functional configuration of the fourth embodiment. The difference from the first to third embodiments is that the imaging device 51, the image processing device 53, and the traveling state determination unit 55. Is a newly provided point.
[0038]
Image data input from the imaging device 51 is subjected to image processing by the image processing device 53, and the traveling state determination unit 55 determines the traveling state. When it is determined by the driving situation determination unit 55 that the vehicle is approaching an intersection, the buffer length set in the recognition execution unit 17b is set to the vicinity of the average time length of the right or left turn driving action pattern, and to the expressway. If it is determined that the vehicle is traveling, it is overtaken by the buffer length or reset near the average time length of the lane change.
[0039]
FIG. 10 shows a processing flow in the recognition processing unit 17b.
In step S301, the correspondence between the running situation and the buffer length is read and an initial setting is made. In step S303, a driving situation recognition result is input. In step S305, the presence / absence of a change in the driving situation is determined from the determination result from the driving condition determination unit 55. If a change in the driving situation occurs, the buffer length corresponding to the determined driving situation is changed in step S307.
Since the subsequent processing is the same as the flow shown in FIG. 3, the description thereof is omitted.
[0040]
Although the present invention has been specifically described above based on the embodiments, it is needless to say that the present invention is not limited to the above-described embodiments, and various modifications can be made without departing from the scope of the invention. Absent.
[0041]
【The invention's effect】
As described above in detail, according to the present invention, in the recognition of the driving action pattern using the hidden Markov model, the driving action pattern is recognized using the driving action data of the predetermined time interval immediately before the recognition execution time point. Since it is configured to perform, continuous recognition of driving behavior patterns is possible.
[Brief description of the drawings]
FIG. 1 is a block diagram showing a schematic configuration of a first embodiment of a driving behavior pattern recognition apparatus according to the present invention.
FIG. 2 is a block diagram illustrating a functional configuration according to the first embodiment.
FIG. 3 is a diagram illustrating a processing flow in a recognition processing unit.
FIG. 4 is a diagram showing an example of correspondence between driving behavior data and a data series buffer (when turning right).
FIG. 5 is a diagram showing a correspondence example between a plurality of driving behavior data and a data series buffer;
FIG. 6 is a block diagram showing a schematic configuration of a third embodiment.
FIG. 7 is a block diagram illustrating a functional configuration according to a third embodiment.
FIG. 8 is a diagram illustrating a processing flow in a recognition processing unit according to the third embodiment.
FIG. 9 is a block diagram illustrating a functional configuration according to a fourth embodiment.
FIG. 10 is a diagram illustrating a processing flow in a recognition processing unit according to the fourth embodiment.
[Explanation of symbols]
DESCRIPTION OF
Claims (4)
認識対象とする各運転行動パターンを隠れマルコフモデルとして表現するために必要な統計的特徴量を、各運転行動パターンの運転行動データを観測シンボル系列に用いて推定する運転行動パターンパラメータ学習手段と、
認識実行時点から直近の所定時間区間の前記運転行動データを格納する観測データ系列バッファと、
前記観測データ系列バッファに格納された運転行動データが、前記運転行動パターンパラメータ学習手段によって推定されたパラメータで表される各運転行動パターンモデルから出力される確率を、出力確率算出アルゴリズムを用いて算出し、出力確率の最も高い運転行動パターンを認識結果として出力する運転行動パターン認識手段と
を有することを特徴とする運転行動パターン認識装置。Driving action data input means for inputting driving action data that is time-series data including at least one of a driving operation amount and a vehicle state quantity;
Driving behavior pattern parameter learning means for estimating statistical feature amounts necessary for expressing each driving behavior pattern to be recognized as a hidden Markov model using driving behavior data of each driving behavior pattern as an observation symbol sequence;
An observation data series buffer for storing the driving behavior data in a predetermined time interval immediately after the recognition execution time point;
A probability that the driving behavior data stored in the observation data series buffer is output from each driving behavior pattern model represented by the parameter estimated by the driving behavior pattern parameter learning means is calculated using an output probability calculation algorithm. And a driving action pattern recognition means for outputting the driving action pattern having the highest output probability as a recognition result.
時間長の異なる複数個の観測データ系列バッファと、
各運転行動パターンの出力確率算出に用いられる隠れマルコフモデル観測シンボル系列として、算出対象となる運転行動パターンに対して前記少なくとも一つ以上の観測データ系列バッファの中から設定された観測データ系列バッファを用いる運転行動パターン認識手段と
を有することを特徴とする運転行動パターン認識装置。The driving behavior pattern recognition device according to claim 1,
A plurality of observation data series buffers having different time lengths;
As the hidden Markov model observation symbol series used for calculating the output probability of each driving action pattern, an observation data series buffer set from among the at least one observation data series buffer for the driving action pattern to be calculated A driving behavior pattern recognition device comprising driving behavior pattern recognition means for use.
前記観測データ系列バッファの時間長を可変で設定するデータ系列バッファ長可変設定手段を有することを特徴とする運転行動パターン認識装置。In the driving action pattern recognition device according to claim 1 or 2,
A driving behavior pattern recognition apparatus comprising: a data sequence buffer length variable setting means for variably setting the time length of the observation data sequence buffer.
自車両の車両走行データ、自車周囲等のデータから、自車両の走行状況を判定し、走行状況データ系列バッファ長を走行状況に応じて可変で設定するデータ系列バッファ長可変設定手段を有することを特徴とする運転行動パターン認識装置。In the driving action pattern recognition device according to any one of claims 1 to 3,
It has data series buffer length variable setting means for determining the running situation of the own vehicle from data such as the vehicle running data of the own vehicle and the surroundings of the own vehicle, and variably setting the running situation data series buffer length according to the running situation. A driving behavior pattern recognition device characterized by the above.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP26522297A JP3780656B2 (en) | 1997-09-30 | 1997-09-30 | Driving behavior pattern recognition device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP26522297A JP3780656B2 (en) | 1997-09-30 | 1997-09-30 | Driving behavior pattern recognition device |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH1199847A JPH1199847A (en) | 1999-04-13 |
| JP3780656B2 true JP3780656B2 (en) | 2006-05-31 |
Family
ID=17414228
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP26522297A Expired - Fee Related JP3780656B2 (en) | 1997-09-30 | 1997-09-30 | Driving behavior pattern recognition device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3780656B2 (en) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005022453A1 (en) | 2003-08-27 | 2005-03-10 | Flanagan John Thomas | System and method for facilitating responsible behaviour |
| JP4186785B2 (en) * | 2003-10-21 | 2008-11-26 | トヨタ自動車株式会社 | Driver model construction method, operation prediction method, and operation prediction apparatus |
| JP4400316B2 (en) | 2004-06-02 | 2010-01-20 | 日産自動車株式会社 | Driving intention estimation device, vehicle driving assistance device, and vehicle equipped with vehicle driving assistance device |
| US7962441B2 (en) | 2006-09-22 | 2011-06-14 | Denso Corporation | Air conditioner for vehicle and controlling method thereof |
| JP4797948B2 (en) | 2006-11-22 | 2011-10-19 | 株式会社デンソー | Driving behavior estimation method and apparatus |
| JP4605200B2 (en) * | 2007-09-21 | 2011-01-05 | 日産自動車株式会社 | Driving intention estimation device, vehicle driving assistance device, and vehicle equipped with vehicle driving assistance device |
| JP5142736B2 (en) * | 2008-01-25 | 2013-02-13 | 株式会社デンソーアイティーラボラトリ | Control device and control method for on-vehicle equipment |
| JP5127645B2 (en) * | 2008-09-22 | 2013-01-23 | 株式会社デンソーアイティーラボラトリ | Control device and control method for in-vehicle device |
| JP6047708B2 (en) * | 2013-03-14 | 2016-12-21 | 株式会社デンソー | Abnormal driving behavior detection device |
| WO2015053423A1 (en) * | 2013-10-11 | 2015-04-16 | (주)나노포인트 | System and method for analyzing and diagnosing driving habit |
| JP2019220084A (en) * | 2018-06-22 | 2019-12-26 | 矢崎総業株式会社 | Analysis device, on-vehicle device, and pattern analysis support device |
| CN111126438B (en) * | 2019-11-22 | 2023-11-14 | 北京理工大学 | Driving behavior recognition method and system |
-
1997
- 1997-09-30 JP JP26522297A patent/JP3780656B2/en not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH1199847A (en) | 1999-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3780656B2 (en) | Driving behavior pattern recognition device | |
| Berndt et al. | Continuous driver intention recognition with hidden markov models | |
| JP5867296B2 (en) | Driving scene recognition device | |
| JP3769938B2 (en) | Lane keeping system | |
| Pentland et al. | Modeling and prediction of human behavior | |
| CN105761329B (en) | Driver's discriminating conduct based on driving habit | |
| US9350952B2 (en) | Drive video recording device and method, drive video recording system, and summarized moving image creating device | |
| JP5255945B2 (en) | Vehicle operation evaluation device | |
| US20070063854A1 (en) | Adaptive driver workload estimator | |
| JP4556794B2 (en) | Navigation device | |
| KR20190109624A (en) | Autonomous driving apparatus and method thereof | |
| Jin et al. | Driver intention recognition based on continuous hidden Markov model | |
| JP4096384B2 (en) | Driving behavior pattern recognition device | |
| JP5152063B2 (en) | Driving behavior estimation device | |
| CN109895784A (en) | Parking aid | |
| CN106339692A (en) | Fatigue driving state information determination method based on route offset detection and system | |
| CN106564493A (en) | Automatic parking assist system and method for operating the same | |
| CN113498391A (en) | Computing device for automobile | |
| JP2005186674A (en) | Driving tendency presuming device | |
| JP4486897B2 (en) | Driving action recognition device | |
| JP7415471B2 (en) | Driving evaluation device, driving evaluation system, in-vehicle device, external evaluation device, and driving evaluation program | |
| JP7263997B2 (en) | DRIVING ACTION EVALUATION DEVICE, METHOD AND PROGRAM | |
| JP5407913B2 (en) | Drive control device | |
| JPH1199848A (en) | Vehicle action estimating device | |
| CN112896166A (en) | Vehicle lane changing method and device and electronic equipment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 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: 20060214 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20060227 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100317 Year of fee payment: 4 |
|
| LAPS | Cancellation because of no payment of annual fees |