JP5051542B2 - ドライバモデル処理装置 - Google Patents

Description

本発明は、ドライバモデル処理装置に関し、例えば、車両を運転するドライバのドライバモデルを処理するものに関する。

近年、ドライバ自身の状態や運転行動などをセンシングし、そのデータを用いてドライバへ運転を支援する技術の開発が行われている。
このような運転支援技術の１つにドライバモデルを用いたものがあり、各種のタイプのものがあるが、統計的なデータを用いた例として、次の特許文献１の「運転行動推定装置、運転支援装置、及び車両評価システム」がある。
特開２００７−１７６３９６号公報

この技術は、ＧＭＭ（混合ガウスモデル）を用いて、ドライバの運転行動（運転操作）をモデル化するものであり、車速などのパラメータを入力すると、ドライバが行うアクセル操作やブレーキ操作を予測することができるものである。
このようなドライバモデルを用いることにより、現状の運転環境（道路環境）に対するドライバの運転操作を予測し、ドライバに適切な警告・注意喚起、ナビゲーションによる案内経路の変更などを行ったり、また、車両制御などを行うことができる。

ところで、近年、原油の高騰や地球環境保護の意識の高まりなどにより、よりエネルギー効率のよい運転操作（以下、エコドライブ）の必要性が認識されている。
例えば、次の特許文献２の「ネットワーク型エコドライブ診断システム」では、車両をネットワークで接続し、エコドライブを行っている車両をランクづけするものである。これによって、ドライバの燃費向上意識を高めることができる。
特開２００７−３１５３３５

しかしながらこのシステムでは各ドライバの相対的なランキングは分かるが、具体的にどのように運転操作を行えば、燃費を向上させることができるかという技術的な側面に関しては、各ドライバが試行錯誤して自ら発見するよりなかった。このため、自分自身ができるエコドライブの限界を超えることは困難であった。

エコドライブに限らず、安全運転等の運転技術の向上を図るためには、ドライバの特徴に応じたアドバイスを個別に与える必要があるが、そのためには、ドライバが行う運転操作を予測し、これを手本となる運転操作と比較して指示を与えるのが好適である。
そのためには、手本となる運転操作に対応する基準となるドライバモデルを用意するのが有効であると考えられるが、そのようなドライバモデルを作成することは行われていなかった。

そこで、本発明は、運転者の運転操作の基準となるドライバモデルを作成することを目的とする。

（１）前記目的を達成するために、請求項１記載の発明では、複数の車両と通信する通信手段と、前記通信手段を用いて複数の車両と通信することにより、前記車両のデータに基づく当該車両の運転者のドライバモデルを取得するドライバモデル取得手段と、前記取得したドライバモデルの所定基準に基づく優劣を判断する優劣判断手段と、前記優劣判断手段で優れていると判断されたドライバモデルを記憶するドライバモデル記憶手段と、前記優劣判断手段で、前記記憶したドライバモデルよりも優れていると判断されたドライバモデルがある場合、前記ドライバモデル記憶手段で記憶するドライバモデルを当該優れていると判断されたドライバモデルを最良ドライバモデルとして更新する更新手段と、ドライバモデルの取得元の車両から前記ドライバモデルをカテゴリ別に分類するための分類情報を取得する分類情報取得手段と、前記分類情報取得手段で取得した分類情報から、同等の車種、同じ又は同等の走行経路、類似する交通状況であることを示すラベルを設定するラベル設定手段と、を具備し、前記優劣判断手段は、前記ラベルごとにドライバモデルを判断し、前記ドライバモデル記憶手段は、前記ラベルごとに最良ドライバモデルを記憶し、前記更新手段は、前記ドライバモデル記憶手段に記憶された、前記ラベルごとに最良ドライバモデルを更新することを特徴とするドライバモデル処理装置を提供する。
（２）請求項２記載の発明では、前記ラベル設定手段は、当該車両の走行データ、当該車両が走行している際の一般的な外部環境、当該車両周辺の環境情報および当該車両自体の環境情報に基づいてラベルを設定することを特徴とする請求項１記載のドライバモデル処理装置を提供する。
（３）請求項３記載の発明では、前記通信手段を介して、最良ドライバモデルを提供するドライバモデル提供手段と、当該車両の置かれている環境・状況を取得する環境・状況取得手段とを具備し、前記ドライバモデル提供手段は、走行経路に対応させずに、ラベルを用いて前記環境・状況取得手段で取得した環境と類似する環境の最良ドライバモデルを提供することを特徴とする請求項１または請求項２記載のドライバモデル処理装置を提供する。
（４）請求項４記載の発明では、ドライバが要求する最良ドライバモデルの用途・条件の指定を受け付ける用途・条件受付手段を具備したことを特徴とする請求項１から請求項３までのうちの何れか１の請求項に記載のドライバモデル処理装置を提供する。

（１）請求項１に記載の発明によれば、ラベル設定手段により、分類情報取得手段で取得
した分類情報から、同等の車種、同じ又は同等の走行経路、類似する交通状況であること
を示すラベルを設定することができる。
（２）請求項２に記載の発明によれば、ラベル設定手段は、当該車両の走行データ、当該
車両が走行している際の一般的な外部環境、当該車両周辺の環境情報および当該車両自体
の環境情報に基づいてラベルを設定するので、このラベルに当該車両に適したドライバモ
デルを選択することができるようになる。
（３）請求項３に記載の発明によれば、ドライバモデル提供手段は、走行経路に対応させ
ずに、ラベルを用いて環境・状況取得手段で取得した環境と類似する環境の最良ドライバ
モデルを提供するので、例えば、北海道の最良ドライバの最良ドライバモデルを沖縄のド
ライバが利用するといったように、全国レベルでの最良ドライバモデルをドライバモデル
に提供することができる。
（４）請求項４に記載の発明によれば、ドライバが要求する最良ドライバモデルの用途・
条件の指定を受け付けるので、ドライバが要求している最良のドライバモデルを提供する
ことができる。

（１）実施の形態の概要
図１（ａ）は、本実施の形態の概要を説明するための図である。
車両２は、ドライバの個人に対して作成された個人ドライバモデル１２を記憶すると共に、例えば、エコドライブに関して最良のドライバの個人ドライバモデルである最良ドライバモデル１４をドライバモデルサーバ３からダウンロードして記憶している。
個人ドライバモデル１２と最良ドライバモデル１４は、例えば、ＧＭＭなどの確率密度分布を用いたモデルによって構成されており、車速などの所定のパラメータを入力すると、ドライバの次の運転操作（例えば、ブレーキ操作）を予測することができる。

このように、車両２は、個人ドライバモデル１２と最良ドライバモデル１４を用意した上で、車速などの測定データ１１をパラメータとしてこれらドライバモデルに入力し、車両２のドライバが行うであろうドライバの操作１３と、車両２のドライバが最良のドライバだった場合に、当該最良のドライバが行うであろう最良の操作１５を予測する。

この差分１６が、即ち、車両２のドライバが最良のドライバに近づくために埋める必要がある運転操作技術の差であって、車両２は、この差分１６を用いてアドバイス１７をドライバに提示する。
ドライバは、アドバイス１７に従って、これから行おうとする運転操作を最良のドライバの運転操作に倣うことにより、最良のドライバの運転操作を学び、自己の運転技術を向上させることができる。

一方、車両２は、このようにドライバにアドバイス１７を与える一方、走行しながら（あるいは走行後にまとめて）測定データ１１をドライバモデルサーバ３にアップロードする。
ドライバモデルサーバ３は、測定データ１１を用いて車両２のドライバのドライバモデルを作成し、例えば、燃費などの所定の条件に従って、現在記憶している最良ドライバモデルとの優劣を判断する。

新たに作成したドライバモデルの方が優れている場合、ドライバモデルサーバ３は、記憶している最良ドライバモデル１４を新たに作成したドライバモデルに更新する。
このようにして、ドライバモデルサーバ３は、現時点で最も優れたドライバモデルを車両２に送信することができる。

図１（ｂ）は、本実施の形態の運用イメージである。
車両２は、ナビゲーションによるルート探索により出発地点（図ではＳ）から目的地点（図ではＧ）まで走行する。
例えば、エコドライブする場合、このルートで最も燃費のよかった走行パラメータ通りに走行すれば最も燃費がよくなるが、ルートの交通量や周辺車両、時刻、天候などの影響により、同じ条件で走行をすることは不可能である。このため、ドライバモデルを使用する意義が生じる。
即ち、車両２が現在おかれた状況で、最良のドライバが行う運転操作を最良ドライバモデル１４から予測することができるため、ドライバは最良ドライバモデル１４に倣って運転することにより、現在の状況下で最も燃費のよい運転操作を行うことができる。

ドライバモデルでは、「加速時には○ｍ／ｓ・ｓになるようにアクセルペダルを踏む。○ｋｍ／ｈ走行時にはエンジン回転数が○×１０００ｒｐｍになっている。車間距離が○から△ｍになったときにエンジン回転数を□ｒｐｍ上げる。坂道の○ｍ手前で速度を○ｋｍ／ｈにする。・・・」といったドライバに固有の運転操作がモデル化されているため、最良ドライバモデル１４に倣って運転することによりドライバは運転技術を向上させることができる。
このように、ドライバモデルを用いることによって次に起こりうる事象に対する運転操作が分かるため、ドライバモデル同士を比較することによって、その操作の違いを表すことができ、これにより、自己の運転操作と最良のドライバの運転操作の差が分かる。

なお、本実施の形態では、ドライバモデルとしてＧＭＭを用いるが、これは、同一人物でも運転操作にばらつきが生じるため、確率密度分布における偏差によってドライバの運転行動のモデルを構築するＧＭＭ法が適しているためである。
また、個人ドライバモデル１２と最良ドライバモデル１４の前提とする条件（交通量、周辺車両）が全く同一ということもないため、両者を比較する際に偏差によって比べて両者がどれくらいの割合で適合するか、また差分があるかを判定することができるためである。

（２）実施の形態の詳細
図２は、本実施形態によるドライバモデルの作成と、作成したドライバモデルに基づく運転操作の推定に関する概念を説明するための図である。
本実施の形態では、ドライバの運転操作は、所定の特徴量によって記述されると仮定している。
具体的には、ドライバは、現在の車速Ｖ、車間距離Ｆ、これらの１次の動的特徴量ΔＶ、ΔＦ（時間による１階微分値）、２次の動的特徴量ΔΔＶ、ΔΔＦ（時間による２階微分値）といった特徴量に基づいてアクセルペダルの操作（アクセル操作量Ｇと次の動的特徴量ΔＧ）とブレーキペダルの操作（ブレーキ操作量Ｂと１次の動的特徴量ΔＢ）を行っていると仮定する。
ここで、１次や２次の量を考慮してモデル化したのは、時間的に滑らかでより自然な運転操作の予測を行えるようにするためである。

まず、ドライバモデルは、次のようにして作成される。
まず、車両が走行する際に、所定のサンプリングレートにて、時刻ｔ１、ｔ２、・・・におけるアクセル操作量、ブレーキペダル操作量、車速、車間距離から構成される走行データ１０１をサンプリングする。１階微分値、２階微分値は、これらから計算することができる。

このようにして収集された走行データに対してＥＭアルゴリズムを適用するとＧＭＭによるドライバモデルが作成される。
収集したデータにＥＭアルゴリズムを適用してＧＭＭを作成（推定）する手法に関しては、例えば、中川聖一著、「確率モデルによる音声認識」（電子情報通信学会 １９８８、Ｐ５１〜Ｐ５４）に記載されている。

以上のようにして作成されたドライバモデルは、運転操作が特徴量の同時分布によって特徴付けられており、与えられた条件下において最も確率の高い運転操作（アクセルペダル操作量、ブレーキペダル操作量）を推定する問題は、所謂条件確率の最大化の問題となる。
本実施の形態では、ドライバの運転操作（例えば、アクセル操作量やブレーキ操作量）を推定する場合、対応するＧＭＭによるドライバモデル１０２（例えば、アクセルモデルやブレーキモデル）を使用し、時刻ｔにおける走行データの測定値（Ｖ、Ｆ、ΔＶ、…）に対する最大事後確率計算１０４をＥＭアルゴリズムによる数値解析などにより計算することで、当該ドライバが操作するであろうアクセル操作量１０５を推定することができる。

以下、より具体的に説明する。
（Ａ）ドライバモデルの作成
ＧＭＭを用いたドライバモデルでは、ドライバの運転操作を学習するための学習データを必要とし、特徴量として走行データ１０１を使用する。
走行データ１０１は、所定の測定間隔ｓ（ｓは任意であるが本実施形態ではｓ＝０．１秒）ごとの時系列データを使用する。
走行データ１０１は、ドライバモデル生成の対象となるドライバが実際に運転したデータであり、予め測定、保存しておいた走行データ１０１を使用することで、オフラインの学習が可能になる。また、実際にドライバが運転している際にリアルタイムで測定、収集した走行データ１０１を使用するようにしてもよい。

本実施形態では、各ドライバごとにＧＭＭを生成することで、各ドライバの特性に合ったモデル化が可能となる。
ドライバモデルの特徴量（走行データ１０１）としては、上述したように、車速、車間距離、及びそれらの１次、２次の動的特徴量とアクセルペダル操作量、及びアクセルペダル操作量の１次の動的特徴量が使用される。
先に述べたように、特徴量に動的特徴量を加えてモデル化することで、前後の時間関係を考慮することになり、滑らかで自然性の高い推定結果を得ることができる。
なお、説明では、１次及び２次の動的特徴量を使用した場合について説明するが、１次の動的特徴量だけ使用するようにしてもよい。

同様に、ブレーキペダルに関するドライバモデル化も可能である。
なお、アクセルペダル用、ブレーキペダル用、車間距離範囲用等の複数のドライバモデルを生成する場合には、アクセルペダル操作量、ブレーキペダル操作量等以外のデータ（Ｖ、Ｆ、ΔＶ、ΔＦ、…）は同一のデータを使用してもよい。

本実施形態において、走行データのうち動的特徴量についてはアクセル操作量、車速、車間距離の測定値から計算により求めているが、実際に測定するようにしてもよい。

そして、本実施形態では、走行データ１０１に対する混合ガウス分布を計算することで、ドライバモデルを生成する。
すなわち、走行データ１０１に対する同時確率密度分布をＥＭアルゴリズムを使用して算出し、算出した同時確率密度関数のパラメータ＝｛λｉ，→μｉ，Σｉ｜ｉ＝１，２，３，…Ｍ｝をＧＭＭによるドライバモデルとしてデータベース等の記憶手段に記憶しておく。
ここで、λｉは重みを、→μｉは平均ベクトル群を、Σｉは分散共分散行列群を、Ｍは混合数を表す。また、→μｉのように前に→を表示したものはベクトルを意味する。
このように、本実施形態のＧＭＭでは特徴次元間の相関も考慮して、全角共分散行列を用いている。

（Ｂ）運転操作（アクセルペダル及びブレーキペダル操作量）の推定
ドライバは現在の車速、車間距離、及びそれらの１次、２次の動的特徴量に基づいてアクセルペダルとブレーキペダルの操作量を決めているという仮定に基づき、ペダルの操作量等の運動行動を推定する。
すなわち、特徴量の同時分布から、与えられた条件下において最も確率の高いアクセルペダル操作量等の運動行動を推定する。

これは、条件付確率の最大化の問題であり、最大事後確率の計算による。
すなわち、アクセルペダル操作量∧Ｇ（ｔ）と、ブレーキペダル操作量∧Ｂ（ｔ）は、ｙ（ｔ）が与えられた条件で条件付き確率を最大にする値ｘ（ｔ）の推定であり、最大事後確率として、それぞれ次の式（１）、（２）で計算される。

∧Ｇ（ｔ）＝ａｒｇ ｍａｘ ｐ（Ｇ｜ΔＧ，Ｖ（ｔ），Ｆ（ｔ），ΔＶ（ｔ），ΔＦ（ｔ），ΔΔＶ（ｔ），ΔΔＦ（ｔ）） 式（１）
∧Ｂ（ｔ）＝ａｒｇ ｍａｘ ｐ（Ｂ｜ΔＢ，Ｖ（ｔ），Ｆ（ｔ），ΔＶ（ｔ），ΔＦ（ｔ），ΔΔＶ（ｔ），ΔΔＦ（ｔ）） 式（２）

ここで、∧Ｇ（ｔ）のように、前に∧を表示したものは推定値であることを意味する。
また、
ｐ（Ｇ｜ΔＧ，Ｖ，Ｆ，ΔＶ，ΔＦ，ΔΔＶ，ΔΔＦ）
＝｛ｐ（Ｇ，Ｖ，Ｆ，ΔＶ，ΔＦ，ΔΔＶ，ΔΔＦ，ΔＧ）｝／｛∫∫…∫ｐ（Ｇ，Ｖ，Ｆ，ΔＶ，ΔＦ，ΔΔＶ，ΔΔＦ
，ΔＧ）ｄΔＧ，ｄＶ，ｄＦ，ｄΔＶ，ｄΔＦ，ｄΔΔＶ，ｄΔΔＦ｝
ｐ（Ｂ｜ΔＢ，Ｖ，Ｆ，ΔＶ，ΔＦ，ΔΔＶ，ΔΔＦ）
＝｛ｐ（Ｂ，Ｖ，Ｆ，ΔＶ，ΔＦ，ΔΔＶ，ΔΔＦ，ΔＢ）｝／｛∫∫…∫ｐ（Ｂ，Ｖ，Ｆ，ΔＶ，ΔＦ，ΔΔＶ，ΔΔＦ，ΔＢ）ｄΔＢ，ｄＶ，ｄＦ，ｄΔＶ，ｄΔＦ，ｄΔΔＶ，ｄΔΔＦ｝
である。

式（１）、（２）において、ｔは時刻、Ｇ，Ｂ，Ｖ，Ｆ，Δはそれぞれ、アクセルペダル操作量、ブレーキペダル操作量、車速、車間距離、及び動的特徴量を表す。

ただし、条件付確率を最大にするアクセルペダル及びブレーキペダルの値は、最小値から最大値までの区間において、ある刻み幅（例えば、０から１００００まで１００刻み）で数値積分を行うことにより確率を算出し、その確率が最大となったときのアクセルペダル及びブレーキペダルの値を推定結果としてもよい。
このように、本実施の形態で用いるドライバモデル（個人ドライバモデル、最良ドライバモデル）は、一般に、車両走行に伴い検出されるＮ種類の特徴量の時系列データを学習データとし、Ｎ次元空間における各データが存在する確率分布によって規定されている。

図３は、本実施の形態による運転操作支援システム１のネットワーク構成を示した図である。
運転操作支援システム１は、ドライバモデルサーバ３、車両２、２、・・・（以下車両２）、ＡＰ４、４、・・・（以下ＡＰ４）などから構成されている。

ドライバモデルサーバ３は、通信ネットワークを介してＡＰ４（アクセスポイント）と接続しており、ＡＰ４を介して車両２と通信することができる。
ドライバモデルサーバ３は、車両２の求めに応じて最良ドライバモデルを車両２に送信すると共に、車両２で測定された測定データなどで構成されたドライバモデル作成情報を車両２から受信する。

そして、ドライバモデルサーバ３は、ドライバモデル作成情報を用いて車両２のドライバのドライバモデルを作成し、これを最良ドライバモデルと優劣を比較して、作成したドライバモデルの方が最良ドライバモデルよりも優れている場合、作成したドライバモデルによって最良ドライバモデルを更新する。

車両２は、ＡＰ４と無線通信を行うことができ、ＡＰ４を介してドライバモデルサーバ３と通信することができる。
車両２は、ドライバの個人ドライバモデルを記憶すると共に、走行するに際してドライバモデルサーバ３に最良ドライバモデルを要求してこれをダウンロードして記憶する。
そして、車両２は、走行しながら、個人ドライバモデルを用いてドライバモデルが行う運転操作を予測し、かつ、最良ドライバモデルを用いて最良ドライバが行う運転操作を予測し、両予測の差分を用いてドライバにアドバイスを提示する。

アドバイスの提示は、例えば、スピードメータにおいて現在の車両２のスピードを表す実指針４３と最良ドライバモデルによるスピードを表す目標指針４２を提示することにより行うことができる。
最良ドライバモデルがエコドライブに関するものであった場合、ドライバは目標指針４２が実指針４３に一致するようにスピード調整することによりエコドライブを行うことができる。
また、車両２は、走行しながら、各種測定や情報収集を行い、これらからドライバモデル作成情報を生成してドライバモデルサーバ３に逐次送信する。

ＡＰ４は、車両２と無線通信回線を確立して無線通信すると共に、通信ネットワークを介してドライバモデルサーバ３と接続し、車両２とドライバモデルサーバ３の通信を中継する。

なお、本実施の形態では、車両２は、ドライバの運転操作から当該ドライバの個人ドライバモデルを作成して記憶することとするが、ドライバモデル作成情報を用いてドライバモデルサーバ３が個人ドライバを作成し、これを走行の際に車両２に送信するように構成することもできる。
このように、個人ドライバモデルをドライバモデルサーバ３で管理するように構成すると、例えば、ドライバがレンタカーなど他の車両２を運転する際に、当該ドライバのドライバモデルをドライバモデルサーバ３から当該他の車両２にダウンロードして使用するといったような運用が可能になる。

図４は、車両２に搭載された情報処理システム２０の構成を示したブロック図である。
情報処理システム２０は、走行情報取得部２２、外部環境情報取得部２３、周辺環境情報取得部２４、車両環境情報取得部２５、情報処理部２１、通信部２６、最良ドライバモデル記憶部２７、個人ドライバモデル記憶部２８などから構成されており、運転操作支援装置として機能する。

走行情報取得部２２は、車両２の走行データを取得する機能部であって、例えば、ガソリンの流量を検出するガソリン流量センサ、エンジンの回転数を検出するエンジン回転数センサ、アクセルペダルの踏力を検出するアクセス踏力センサ、車速を検出する車速センサ、ジャイロの出力を検出するジャイロセンサ、ギア比を検出するギア比センサなどを備えている。

外部環境情報取得部２３は、車両２が走行している際の一般的な外部環境を取得する機能部であって、例えば、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍｓ）衛星からの電波を受信するＧＰＳ情報取得装置、道路交通情報などを受信するＶＩＣＳ（Ｖｅｈｉｃｌｅ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍ）情報取得装置、地図情報を記憶した地図ＤＢ（データベース）、ナビゲーション装置による経路案内を取得するナビゲーション案内経路情報取得部、現在時刻を取得する現在時刻取得部、天候を取得する天候情報取得部、路面の情報を取得する路面情報取得部などから構成されている。

周辺環境情報取得部２４は、車両周辺の環境情報を取得する機能部であり、例えば、カメラ、レーザ、ミリ波などを用いて車両周辺を認識する車両周辺認識装置、同様にカメラ、レーザ、ミリ波などを用いて障害物を認識する障害物認識装置、車間距離を測定する車間距離測定装置などから構成されている。

車両環境情報取得部２５は、車両自体の環境情報を取得する機能部であり、例えば、車種、年式、ナンバなどを特定する車両コードを取得する車両コード取得装置、搭乗人数又は搭乗者の重量を計測して取得する搭乗人数取得装置、重量などの積載重量を計測して取得する積載重量取得装置などから構成されている。

情報処理部２１は、ＥＣＵ（Ｅｎｇｉｎｅ Ｃｏｎｔｒｏｌ Ｕｎｉｔ）などに形成されており、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などのデバイスや素子などによって構成されたコンピュータであって、各種プログラムを実行し、各種情報処理や、車両２の各部の制御などを行う。
情報処理部２１が実行するプログラムには、例えば、ＡＰ４を介してドライバモデルサーバ３と通信するデータ送受信プログラム、個人ドライバモデルと最良ドライバモデルによる予測値を算出し、その差分でアドバイスをドライバに提示するドライバモデル比較プログラム、走行データからドライバの個人ドライバモデルを作成する個人ドライバモデル作成プログラム、その他のプログラムがある。

通信部２６は、ＡＰ４と通信回線を確立し、ＡＰ４を介してドライバモデルサーバ３と通信する通信装置である。
情報処理システム２０は、通信部２６を介して、ドライバモデル作成情報をドライバモデルサーバ３に送信したり、ドライバモデルサーバ３に対して最良ドライバモデルを要求し、ドライバモデルサーバ３から最良ドライバモデルをダウンロードしたりする。
なお、本実施の形態では、情報処理システム２０は、走行情報取得部２２、外部環境情報取得部２３、周辺環境情報取得部２４、車両環境情報取得部２５で取得した情報を全てドライバモデル作成情報としてドライバモデルサーバ３に送信する。

また、車両２で作成した個人ドライバモデルをドライバモデルサーバ３に送信し、ドライバモデルサーバ３がこれを最良ドライバモデルと比較するように構成することもできるが、データをドライバモデルサーバ３に送信してドライバモデルサーバ３でドライバモデルを作成するように構成することにより、ドライバモデルサーバ３でのデータ加工の自由度を高めることができる。

最良ドライバモデル記憶部２７は、例えば、ＲＡＭなどに形成され、ドライバモデルサーバ３からダウンロードした最良ドライバモデルを記憶する。
ドライバモデルサーバ３は、最良ドライバモデル記憶部２７に記憶した最良ドライバモデルを用いて最良ドライバの運転操作を予測する。

個人ドライバモデル記憶部２８は、例えば、ハードディスクや不揮発性の半導体メモリなどに形成され、情報処理部２１が作成した個人ドライバモデルを記憶している。
個人ドライバモデルは、ドライバの運転操作の個性がモデル化されているため、個人１、個人２、・・・などと車両２を運転する個人ごとに作成される。
また、同じドライバであっても、昼間運転と夜間での運転、交通量の少ない道路での運転と渋滞での運転、晴天時の運転と雨天時の運転、片側複数車線道路などの広い道路での運転と一車線で上下線を兼用するような狭い道路での運転、道路の舗装状態、上り坂や下り坂などの状況に応じて、運転の特性、あるいは運転の特徴が変化することが考えられるため、本実施の形態では、これらをラベルによってカテゴリ分けしてカテゴリごとに記憶することにより、現在のドライバの状況により対応した個人ドライバモデルを使用できるようにしている。

図５は、ドライバモデルサーバ３の構成を示したブロック図である。
ドライバモデルサーバ３は、通信部３１、情報処理部３２、最良ドライバモデル記憶部３３などから構成されており、ドライバモデル処理装置として機能している。
通信部３１は、通信ネットワークに接続しており、ＡＰ４を介して各車両２の情報処理システム２０と通信することができる。
ドライバモデルサーバ３は、通信部３１を用いて、車両２からドライバモデル作成情報を受信するほか、車両２からの要求に応じて車両２に最良ドライバモデルを送信する。
ここで、通信部３１は、複数の車両２と通信する通信手段として機能している。

情報処理部３２は、ＣＰＵ、ＲＯＭ、ＲＡＭ、ハードディスクなどの大容量記憶装置、その他の情報処理用のデバイスを用いて構築されており、各種プログラムに従って、これらプログラムで規定されている情報処理や通信を行う。
情報処理部３２が実行するプログラムには、車両２と通信して各種データを送受信する機能を発揮させるデータ送受信プログラム、車両２から受信したドライバモデル作成データを用いてドライバモデルを作成するドライバモデル作成プログラム、ドライバモデルの優劣を判断し、最良ドライバモデルが常に最良のドライバモデルとなるように最良ドライバモデルを管理するドライバモデル管理プログラム、車両２からの要求に従って車両２のドライバに適合する最良ドライバモデルを選択するドライバモデル選択プログラム、その他のプログラムがある。

最良ドライバモデル記憶部３３は、例えば、ハードディスクなどの大容量の記憶装置を用いて構成されており、情報処理部３２が作成したドライバモデルのうち、最良のものを最良ドライバモデルとして記憶している。
又は、複数のドライバモデルを記憶してこれらをランキングづけし、最も上位のドライバモデルを最良ドライバモデルとしてドライバモデルサーバ３が認識するように構成してもよい。

最良ドライバモデル記憶部３３では、例えば、「エコドライバモデル」、「安全運転ドライバモデル」などと、用途・条件別のデータベースが形成されており、各データベースには、当該用途・条件に適合する最良ドライバモデルが記憶されている。
ここで、エコドライバモデルとは、例えば、燃費がよくて二酸化炭素の排出量が少ない運転のドライバモデルであり、安全運転ドライバモデルとは、例えば、制限速度の範囲内で走行し、急ブレーキ、急加速の頻度が小さいドライバモデルである。

このように、ドライバモデルの用途・条件は、ドライバのニーズに従って各種用意することができる。
また、各用途・条件には、ドライバモデルの優劣を数値化して比較するための数式と基準が設けられている。
例えば、エコドライバモデルでは、搭乗者１人当たりの単位走行距離当たりの燃料消費量を基準とし、安全運転ドライバモデルでは、制限速度と超過する頻度、急ブレーキと急加速の頻度をパラメータとして安全運転度を算出する計算式を定義されておりこれを基準とする。

また、各データベースに格納されている最良ドライバモデルは、同じ用途・条件内でラベルによって区別されている。
このラベルは、車両２の環境にできるだけ近い状況で作成された最良ドライバモデルを車両２に提供するためのものであり、ドライバモデルサーバ３が最良ドライバモデルを作成する際に、当該最良ドライバモデルの作成元となった車両２のデータによって設定したものである。
ドライバモデルサーバ３は、車両２から送信されてきたドライバモデル作成情報を用いて車両２の環境などに適合するラベルの最良ドライバモデルを選択し、車両２に送信する。

図６は、ドライバモデルサーバ３によるドライバモデル作成の概念を示した図である。
サービスサーバ６は、車両２からドライバモデル作成情報を受信すると、受信したデータを車種などのラベル別に振り分け、ＥＭアルゴリズムを適用してドライバモデルを作成する。
そして、用途・条件別に、対応するラベルの最良ドライバモデルとの優劣を比較し、作成したドライバモデルの方が優れている場合には、これによって最良ドライバモデルを更新する。
図の例では、一例として、用途・条件別を「ＧＭＭによる低燃費マイスターモデル」、「ＧＭＭによるエコドライバモデル」、「ＧＭＭによるエコ無関心モデル」を示しているが、図５に示した例や、最速で走行する「最速走行モデル」やスポーティーな走行を楽しむ「スポーツ走行モデル」、高齢者に適した運転操作を提供する「高齢者モデル」、初心者に適した運転操作を提供する「初心者モデル」など、各種のものを用意することができる。

図７は、ドライバモデルサーバ３がドライバモデルにラベルを設定する概念を示した図である。
ドライバモデルサーバ３は、車両２の走行情報取得部２２、外部環境情報取得部２３、周辺環境情報取得部２４、車両環境情報取得部２５で取得されたデータをドライバモデル作成情報として取得し、車種、走行経路、交通状況、・・・などを用いて各ドライバモデルにラベルを設定する。
このラベルによって、ドライバモデルサーバ３は、車両２と同等の車種、同じ又は同等の走行経路、類似する交通状況にて作成された最良ドライバモデルを選択することができる。

ラベルに走行経路を含めると、最良ドライバモデルが走行経路ごとに作成されることになる。
また、走行経路を、交差点単位や、ナビゲーション装置で経路探索に用いるノードなどの区分に分割し、区間ごとに最良ドライバモデルを用意することもできる。
この場合、車両２は、走行する区分が代わるごとに、現在走行している区分の最良ドライバモデルをドライバモデルサーバ３からダウンロードする。

あるいは、車両２で出発地点と目的地点が設定されている場合、車両２は、ドライバモデルサーバ３から出発地点から目的地点までの区間ごとの最良ドライバモデルを一括してダウンロードしたり、目的地点が設定されていない場合には、車両２周辺の区間のドライバモデルをドライバモデルサーバ３から一括してダウンロードしたりすることもできる。

また、ドライバは、同じ環境・状況におかれた場合、何れの道路を走行しているかに関わらず、同じ運転操作をすると考えられる。
このため、最良ドライバモデルを走行経路に対応させずに、類似する環境の最良ドライバモデルを車両２に提供するように構成すると、例えば、北海道の最良ドライバの最良ドライバモデルを沖縄のドライバが利用するといったように、全国レベルでの最良ドライバモデルをドライバモデルに提供することができる。

次に、以上のように構成された運転操作支援システム１の動作について説明する。
図８は、運転操作支援システム１が車両２のドライバの運転操作を支援する手順を示したフローチャートである。
以下の車両２の処理は、車両２が搭載した情報処理システム２０が行うものである。
まず、ドライバは車両２を起動し、自己特定する情報を車両２に入力する。
これによって、車両２は、ドライバを認識し、当該ドライバの個人ドライバモデルを選択することができるようになる。
また、車両２は、ドライバモデルサーバ３にアクセスし、通信回線を確立し、ドライバモデルサーバ３も車両２と通信回線を確立して車両２を特定する。

ドライバが車両２の運転操作を開始すると、情報処理システム２０は、走行情報取得部２２、外部環境情報取得部２３、周辺環境情報取得部２４、車両環境情報取得部２５で取得した情報からドライバモデル作成情報を生成し、ドライバモデルサーバ３に対するドライバモデル作成情報の送信を開始する（ステップ５）。
そして、ドライバモデルサーバ３は、車両２からドライバモデル作成情報の受信を開始する（ステップ１０）。
以後、車両２は、ドライバモデルサーバ３に対して刻々とドライバモデル作成情報を送信する。

次に、ドライバは、情報処理システム２０において要求する最良ドライバモデルの用途・条件を、例えば、「エコドライブ」などと指定する。
車両２は、これを受けて、ドライバが指定した用途・条件の最良ドライバモデルをドライバモデルサーバ３に要求する（ステップ１５）。

ドライバモデルサーバ３は、車両２から最良ドライバモデルの要求を受けると、ドライバが指定した用途・条件のデータベースから、車両２の車種や、車両２の走行している経路、車両２のおかれた環境などに適合するラベルの最良ドライバモデルを選択して車両２に送信する（ステップ２０）。

車両２は、ドライバモデルサーバ３から最良ドライバモデルを受信して最良ドライバモデル記憶部２７に記憶すると共に、現在の環境に適合する個人ドライバモデルを個人ドライバモデル記憶部２８から読み出す。
そして、車両２は、両ドライバモデルを用いて後述のドライバモデル比較処理を行い（ステップ２５）、ドライバの運転操作が最良ドライバの運転操作に倣ってより優れた運転操作となるように指示を行う。

このように、車両２（情報処理システム２０）は、ドライバモデルサーバ３などの所定のサーバに運転操作の基準となる基準ドライバモデルを要求する基準ドライバモデル要求手段を備えており、当該所定のサーバが送信してきた基準ドライバモデルを取得する。
そして、運転操作の基準となる基準ドライバモデルは、ラベルによって運転者が運転する車両の属性と走行する環境に対応して用意されており、情報処理システム２０は、ドライバモデル作成情報を用いて、車両２の属性と走行する環境に対応した基準ドライバモデルを要求している。

車両２は、目的地に到達すると、ドライバモデル作成情報送信の終了をドライバモデルサーバ３に通知する（ステップ３０）。
ドライバモデルサーバ３は、当該通知を受信すると、車両２から受信したドライバモデル作成情報を用いて後述のドライバモデル作成処理を行う（ステップ３５）。

図９は、ステップ２５のドライバモデル比較処理を説明するためのフローチャートである。
情報処理システム２０は、個人ドライバモデルを個人ドライバモデル記憶部２８からＲＡＭの所定領域などに読み込み（ステップ５０）、ドライバモデルサーバ３から最良ドライバモデルを受信して最良ドライバモデル記憶部２７に記憶する（ステップ５５）。
このように、情報処理システム２０は、運転者の個人ドライバモデルを取得する個人ドライバモデル取得手段と、運転操作の基準となる基準ドライバモデル（ここでは、最良ドライバモデル）を取得する基準ドライバモデル取得手段を備えている。

次に、情報処理システム２０は、現在の車速や車間距離などの特徴量を取得してこれを個人ドライバモデルに入力し、次に起こりうる事象、即ち、次にドライバが行うであろう運転操作（アクセルペダルの操作やブレーキペダルの操作）を予測する（ステップ６０）。
このように、情報処理システム２０は、ドライバモデルに入力することにより予測値を計算するためのパラメータ（車速などの特徴量）を取得するパラメータ取得手段と、個人ドライバモデルに当該取得したパラメータを入力して運転者（ドライバ）の運転操作を予測する個人運転操作予測手段を備えている。

また、情報処理システム２０は、個人ドライバモデルによる予測と共に、最良ドライバモデルに対しても特徴量を入力して、最良ドライバであったら行うであろう運転操作を予測し、これを個人ドライバモデルによる予測値と比較する（ステップ６５）。
このように、情報処理システム２０は、基準ドライバモデル（最良ドライバモデル）にパラメータを入力して基準となる運転操作を予測する基準運転操作予測手段を備えている。

次に、情報処理システム２０は、比較の結果、運転操作に差分が存在するか判断し（ステップ７０）、差分が存在する場合、（ステップ７０；Ｙ）、情報処理システム２０は、その差分を、例えば、スピードメータの指針などによってドライバに報知する（ステップ７５）。
この差分があるか否かの判断は、差分が所定の閾値以上である場合には差分があると判断し、所定の閾値未満である場合には差分がないと判断するように構成してもよい。
このように、情報処理システム２０は、予測した運転者（ドライバ）の運転操作と予測した基準となる運転操作の差分を出力する差分出力手段を備えている。

ステップ７５で差分を報知した後、及び、ステップ７０で差分がない場合、あるいは、所定の閾値未満である場合には（ステップ７０；Ｎ）、ステップ８０に移行し、運転が終了したか否かを判断する（ステップ８０）。
運転が終了しない場合（ステップ８０；Ｎ）、情報処理システム２０は、ステップ６０に戻り、引き続き個人ドライバモデルと最良ドライバモデルによる比較を継続する。
運転が終了した場合（ステップ８０；Ｙ）、情報処理システム２０は、ドライバモデル比較処理を終了する。

図１０は、ステップ３５のドライバモデル作成処理を説明するためのフローチャートである。
ドライバモデルサーバ３は、車両２からドライバモデル作成データを刻々と受信し（ステップ１００）、これを記憶しておく。

車両２の走行が終わると、ドライバモデルサーバ３は、記憶したドライバモデル作成データを用いてドライバモデルを作成する（ステップ１０５）。
なお、本実施の形態では、車両２の走行が終了してからドライバモデルを作成するが、車両２からドライバモデル作成データを受信し、ある程度データが蓄積された段階でドライバモデルを作成してもよい。

このように、ドライバモデルサーバ３は、通信手段を用いて複数の車両からデータを取得し、当該データを用いてドライバモデルを作成することによりドライバモデルを取得するドライバモデル取得手段を備えている。
また、ドライバモデルサーバ３が、車両２で作成した個人ドライバモデルを受信するように構成する場合、ドライバモデルサーバ３は、通信手段を用いて複数の車両２と通信することにより、車両２のデータに基づく当該車両２の運転者（ドライバ）のドライバモデルを取得するドライバモデル取得手段を備えている。

次に、ドライバモデルサーバ３は、作成したドライバモデルの用途・条件を設定する（１１０）。
この用途・条件は、例えば、ドライバが要求している最良ドライバモデルの用途・条件と同じとする。
これは、例えば、ドライバがエコドライブの最良ドライバモデルをドライバモデルサーバ３に要求している場合には、ドライバはエコドライブを心がけて運転操作を行うことが期待でき、この結果、車両２から受信するドライバモデル作成情報に適切な用途・条件は、エコドライブとなるからである。

次に、ドライバモデルサーバ３は、車両２から受信したドライバモデル作成情報を解析し、ドライバモデルに対応するラベルを設定する（ステップ１１５）。
ここで、ドライバモデルに設定された用途・条件、及びラベルは、ドライバモデルを分類するためのカテゴリとして機能し、ドライバモデルサーバ３は、ドライバモデルの取得元の車両２から当該ドライバモデルをラベルにてカテゴリ別に分類するための分類情報（用途・カテゴリを設定するのに用いるドライバが要求している最良ドライバモデルの用途・条件、ラベルを設定するのに用いるドライバモデル作成情報）を取得する分類情報取得手段を備えている。

次に、ドライバモデルサーバ３は、作成したドライバモデルと、当該ドライバモデルに設定した用途・条件、及びラベルに対応する最良ドライバモデルの優劣を判断する（ステップ１２０）。
この優劣判断は、例えば、用途・条件がエコドライブである場合、単位距離当たりの燃料消費量によって判断するなど、用途・条件に対して設定された所定の条件に基づいて行われる。
このように、ドライバモデルサーバ３は、ドライバモデルの所定基準に基づく優劣を判断する優劣判断手段を備えている。

判断の結果、作成したドライバモデルの方が最良ドライバモデルよりも優れている場合（ステップ１２５；Ｙ）、ドライバモデルサーバ３は、作成したドライバモデルを新たな最良ドライバモデルとし、これを用いて現在記憶している最良ドライバモデルを上書き更新する（ステップ１３０）。
一方、判断の結果、作成したドライバモデルより最良ドライバモデルの方が優れている場合（ステップ１２５；Ｎ）、ドライバモデルサーバ３は、作成したドライバモデルを破棄し（ステップ１３５）、最良ドライバモデルの更新は行わない。

このように、ドライバモデルサーバ３は、優劣判断手段で優れていると判断されたドライバモデルを記憶するドライバモデル記憶手段（最良ドライバモデル記憶部３３）と、当該優劣判断手段で、当該記憶したドライバモデルよりも優れていると判断されたドライバモデルがある場合、当該ドライバモデル記憶手段で記憶するドライバモデルを当該優れていると判断されたドライバモデルで更新する更新手段を備えている。
また、ドライバモデルサーバ３は、ドライバモデルの優劣判断をカテゴリ（用途・条件、及びラベル）ごとに判断し、当該カテゴリごとにドライバモデルを記憶し、また、当該カテゴリごとにドライバモデルを更新している。

以上のようにして、ドライバモデルサーバ３は、各車両２から送信されてきたドライバモデル作成情報によって、各ドライバのドライバモデルを得ることができ、これを最良ドライバモデルと比較して最良ドライバモデルを更新することにより、常に最良のドライバモデルを車両２に提供することができる。
なお、本実施の形態では、車両２から送信されてきたドライバモデル作成情報をドライバモデルサーバ３が処理してドライバモデルを作成するように構成したが、車両２でドライバモデルを作成し、これをドライバモデルサーバ３に送信するように構成することもできる。

次に、車両２が行う運転操作指示の提示例について説明する。
図１１（ａ）は、車両２のメータパネル４０の一例を示した図である。
メータパネル４０は、スピードメータ４１、タコメータ４４、アクセル表示４７、燃費表示４８などを備えている。

スピードメータ４１は、実際の車両２が走行しているスピードを指示する実指針４３と、スピードの目標値を指示する目標指針４２を備えている。
スピードの目標値は、ドライバが行おうとする運転操作の予測値と最良のドライバが行うであろうと予測した運転操作の予測値の差分を用いて計算されたスピードである。
このようにして、情報処理システム２０は、例えば、エコドライブであったら、もう少し速度を落として運転するといったような示唆をドライバに対して行うことができる。
そのため、ドライバは、目標指針４２に向けて運転操作を行うことにより最良のドライバの運転操作に倣うことができる。

タコメータ４４は、実際の車両２のエンジンの回転数を指示する実指針４６と、エンジン回転数の目標値を指示する目標指針４５を備えている。
エンジンの回転数の目標値は、ドライバが行おうとする運転操作の予測値と最良のドライバが行うであろうと予測した運転操作の予測値の差分を用いて計算された回転数である。
そのため、ドライバは、目標指針４５に向けて運転操作を行うことにより最良のドライバの運転操作に倣うことができる。

アクセル表示４７は、ユーザにアクセルペダルの踏み過ぎを警告するための表示であって、警告する場合と警告しない場合で表示色が変化する。
情報処理システム２０は、ドライバが行おうとするアクセルペダルの踏量と最良のドライバが行おうとするアクセルペダルの踏量を計算し、この差分によって踏み過ぎか否かを判断する。

燃費表示４８は、現在の車両２の走行による燃費をバーで表示し、燃費がよいほど長いバーが表示される。
そして、車両２がエコドライブで走行している場合には、燃費の目標値が「エコ」なる表示と共に表示される。
この燃費の目標値は、ドライバが行おうとする運転操作の予測値による燃費と最良のドライバが行うであろうと予測した運転操作の予測値による燃費の差分を用いて計算されたものである。
そのため、ドライバは、目標値に向けて運転操作を行うことにより最良のドライバの運転操作に倣うことができる。

図１１（ｂ）は、情報処理システム２０が行った指示に基づいてドライバが運転操作を行った場合のメータパネル４０を示している。
スピードメータ４１では、実指針４３が目標指針４２に一致し、タコメータ４４では、実指針４６がタコメータ４４に一致し、アクセル表示４７では警告が解除され、燃費表示４８では、現在の燃費と燃費の目標値が一致している。
この状態で、車両２のドライバは、最良ドライバが行うと予測される運転操作と同様に運転操作をしており、このようにしてドライバは最良のドライバと同じ運転操作を行うと共に、最良のドライバの運転操作を習得することができる。

以上のように、本実施の形態では、各種の用途・条件の最良ドライバモデルを提供することができるが、近年の地球環境に対する関心の高まりから、主要な用途・条件の１つとしてエコドライブが上げられる。
これは、低燃費車の需要が増えてきていることからも明らかであるが、一層の低燃費化を図るためには、車両側の省エネ技術を推進すると共に、ドライバの運転操作技術についても改善・向上を図ることが重要である。

即ち、車両の低燃費化のうち、車両側の技術により解決できる分に関しては、車両メーカーの努力によって改善することができるが、運転操作の技術・技量に依存する部分については、個々のドライバごとに運転の特性（癖）が異なり、また、道路種類や形状、交通状況などの外部環境や、車体重量や搭乗人数、積載量などのトータル重量などの個別の状況によっても最適なアクセル操作、ブレーキ操作、ステアリング操作などが異なるため自力では改善が困難である。

そこで、本実施の形態のように、ある車種に乗車しているドライバの個人ドライバモデルと、同車種をより低燃費で運転するドライバの最良ドライバモデルとを通信ネットワークを介して比較し、その差分を用いてドライバに手本となる運転操作の方法やノウハウを教授することにより、車両のより一層の低燃費化に資することができる。

以上に説明した本実施の形態により次のような効果を得ることができる。
（１）情報処理システム２０は、個人ドライバモデルと最良ドライバモデルを用いることにより、車両２のドライバが行うと予測される運転操作と、最良のドライバが車両２を運転していた場合に行うと予測される運転操作を比較することができる。
（２）情報処理システム２０は、比較の結果、その差分に基づく運転操作指示をドライバモデルに提示することができる。
（３）ドライバは、これから行う運転操作に先立って指示を受けることにより、最良のドライバに倣って運転操作を行うことができる。

（４）ドライバモデルサーバ３は、各車両２からドライバモデル作成情報を受信して各ドライバのドライバモデルを作成することができる。
（５）ドライバモデルサーバ３は、作成したドライバモデルの優劣を判断し、最も優れているドライバモデルを最良ドライバモデルとすることができる。
（６）ドライバモデルサーバ３は、最良ドライバモデルを用途・条件やラベルによってカテゴリ分けして管理することにより、車両２に最も適した最良ドライバモデルを送信することができる。

また、本実施の形態は、複数の車両と通信する通信手段と、前記通信手段を用いて複数の車両と通信することにより、前記車両のデータに基づく当該車両の運転者のドライバモデルを取得するドライバモデル取得手段と、前記取得したドライバモデルの所定基準に基づく優劣を判断する優劣判断手段と、を具備したことを特徴とするドライバモデル処理装置を提供することができる（第１の構成）。
第１の構成において、前記ドライバモデル取得手段は、前記通信手段を用いて前記複数の車両からデータを取得し、当該データを用いてドライバモデルを作成することによりドライバモデルを取得するように構成することができる（第２の構成）。
第１の構成において、前記ドライバモデル取得手段は、前記通信手段を用いて前記複数の車両からドライバモデルを取得するように構成することができる（第３の構成）。
第１の構成、第２の構成、又は第３の構成において、前記優劣判断手段で優れていると判断されたドライバモデルを記憶するドライバモデル記憶手段と、前記優劣判断手段で、前記記憶したドライバモデルよりも優れていると判断されたドライバモデルがある場合、前記ドライバモデル記憶手段で記憶するドライバモデルを当該優れていると判断されたドライバモデルで更新する更新手段と、を具備するように構成することもできる（第４の構成）。
第１の構成から第４の構成までのうちの何れか１の構成において、ドライバモデルの取得元の車両から前記ドライバモデルをカテゴリ別に分類するための分類情報を取得する分類情報取得手段を具備し、前記優劣判断手段は、前記カテゴリごとにドライバモデルを判断し、前記ドライバモデル記憶手段は、前記カテゴリごとにドライバモデルを記憶し、前記更新手段は、前記カテゴリごとにドライバモデルを更新するように構成することもできる（第５の構成）。
第１の構成から第５の構成までのうちの何れか１の構成において、前記ドライバモデルは、車両走行に伴い検出されるＮ種類の特徴量の時系列データを学習データとし、Ｎ次元空間における各データが存在する確率分布によって規定されているように構成することもできる（第６の構成）。

また、本実施の形態は、ドライバモデルに入力することにより予測値を計算するためのパラメータを取得するパラメータ取得手段と、運転者の個人ドライバモデルを取得する個人ドライバモデル取得手段と、基準となる基準ドライバモデルを取得する基準ドライバモデル取得手段と、前記取得した個人ドライバモデルに前記取得したパラメータを入力して前記運転者の運転操作を予測する個人運転操作予測手段と、前記取得した基準ドライバモデルに前記取得したパラメータを入力して基準となる運転操作を予測する基準運転操作予測手段と、前記予測した前記運転者の運転操作と前記予測した基準となる運転操作の差分を出力する差分出力手段と、を具備したことを特徴とする運転操作支援装置を提供することができる（第１の構成）。
第１の構成において、所定のサーバに基準ドライバモデルを要求する基準ドライバモデル要求手段を具備し、前記基準ドライバモデル取得手段は、前記所定のサーバが送信してきた基準ドライバモデルを取得するように構成することもできる（第２の構成）。
第２の構成において、基準ドライバモデルは、前記運転者が運転する車両の属性と走行する環境に対応して用意されており、前記基準ドライバモデル要求手段は、前記車両の属性と走行する環境に対応した基準ドライバモデルを要求するように構成することもできる（第３の構成）。
第１の構成、第２の構成、又は第３の構成において、前記個人ドライバモデルと、前記基準ドライバモデルは、車両走行に伴い検出されるＮ種類の特徴量の時系列データを学習データとし、Ｎ次元空間における各データが存在する確率分布によって規定されているように構成することもできる（第４の構成）。

本実施の形態の概要を説明するための図である。 ドライバモデルの概念などを説明するための図である。 運転操作支援システムのネットワーク構成を示した図である。 情報処理システムの構成を示したブロック図である。 ドライバモデルサーバの構成を示したブロック図である。 ドライバモデル作成の概念を示した図である。 ドライバモデルにラベルを設定する概念を示した図である。 運転操作支援システムが運転操作を支援する手順を示したフローチャートである。 ドライバモデル比較処理を説明するためのフローチャートである。 ドライバモデル作成処理を説明するためのフローチャートである。 運転操作指示の提示例について説明するための図である。

符号の説明

１ 運転操作支援システム
２ 車両
３ ドライバモデルサーバ
２０ 情報処理システム
２１ 情報処理部
２２ 走行情報取得部
２３ 外部環境情報取得部
２４ 周辺環境情報取得部
２５ 車両環境情報取得部
２６ 通信部
２７ 最良ドライバモデル記憶部
２８ 個人ドライバモデル記憶部
３１ 通信部
３２ 情報処理部
３３ 最良ドライバモデル記憶部
４０ メータパネル
４１ スピードメータ
４２ 目標指針
４３ 実指針
４４ タコメータ
４５ 目標指針
４６ 実指針
４７ アクセル表示
４８ 燃費表示

Claims (4)

1. 複数の車両と通信する通信手段と、
   前記通信手段を用いて複数の車両と通信することにより、前記車両のデータに基づく当該車両の運転者のドライバモデルを取得するドライバモデル取得手段と、
   前記取得したドライバモデルの所定基準に基づく優劣を判断する優劣判断手段と、
   前記優劣判断手段で優れていると判断されたドライバモデルを記憶するドライバモデル記憶手段と、
   前記優劣判断手段で、前記記憶したドライバモデルよりも優れていると判断されたドライバモデルがある場合、前記ドライバモデル記憶手段で記憶するドライバモデルを当該優れていると判断されたドライバモデルを最良ドライバモデルとして更新する更新手段と、
   ドライバモデルの取得元の車両から前記ドライバモデルをカテゴリ別に分類するための分類情報を取得する分類情報取得手段と、
   前記分類情報取得手段で取得した分類情報から、同等の車種、同じ又は同等の走行経路、類似する交通状況であることを示すラベルを設定するラベル設定手段と、
   を具備し、
   前記優劣判断手段は、前記ラベルごとにドライバモデルを判断し、
   前記ドライバモデル記憶手段は、前記ラベルごとに最良ドライバモデルを記憶し、
   前記更新手段は、前記ドライバモデル記憶手段に記憶された、前記ラベルごとに最良ドライバモデルを更新することを特徴とするドライバモデル処理装置。
   
2. 前記ラベル設定手段は、当該車両の走行データ、当該車両が走行している際の一般的な外部環境、当該車両周辺の環境情報および当該車両自体の環境情報に基づいてラベルを設定することを特徴とする請求項１記載のドライバモデル処理装置。
   
3. 前記通信手段を介して、最良ドライバモデルを提供するドライバモデル提供手段と、
   当該車両の置かれている環境・状況を取得する環境・状況取得手段とを具備し、
   前記ドライバモデル提供手段は、走行経路に対応させずに、ラベルを用いて前記環境・状況取得手段で取得した環境と類似する環境の最良ドライバモデルを提供することを特徴とする請求項１または請求項２記載のドライバモデル処理装置。
   
4. ドライバが要求する最良ドライバモデルの用途・条件の指定を受け付ける用途・条件受付手段を具備したことを特徴とする請求項１から請求項３までのうちの何れか１の請求項に記載のドライバモデル処理装置。

Images