JP6894857B2 - Programs, devices and methods for estimating the driving characteristics of the observed vehicle while traveling in the vicinity - Google Patents
Programs, devices and methods for estimating the driving characteristics of the observed vehicle while traveling in the vicinity Download PDFInfo
- Publication number
- JP6894857B2 JP6894857B2 JP2018011064A JP2018011064A JP6894857B2 JP 6894857 B2 JP6894857 B2 JP 6894857B2 JP 2018011064 A JP2018011064 A JP 2018011064A JP 2018011064 A JP2018011064 A JP 2018011064A JP 6894857 B2 JP6894857 B2 JP 6894857B2
- Authority
- JP
- Japan
- Prior art keywords
- vehicle
- data
- observed
- observed vehicle
- driver
- 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.)
- Active
Links
Images
Landscapes
- Time Recorders, Dirve Recorders, Access Control (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Description
本発明は、車両における運転手の心理特性を推定する技術に関する。 The present invention relates to a technique for estimating the psychological characteristics of a driver in a vehicle.
従来、運転手の心理特性を、走行中の車両における運転信号（例えばハンドル舵角やアクセル・ブレーキペダルの踏込度）及び車両信号（例えばエンジン回転数や車速、加速度・角速度）から推定する技術がある（例えば非特許文献１及び２参照）。この技術によれば、教師データを用いて推定器の学習モデルを構築する学習ステップと、その推定器を用いて心理特性を推定する推定ステップとからなる。
学習ステップでは予め、運転手毎に、ペーパーテスト等によって取得した心理特性データと、当該運転手が運転する車両から取得した運転信号及び車両信号とを教師データとして、推定器の学習モデルを構築する。
推定ステップでは、走行中の車両から取得した運転信号及び車両信号を推定器へ入力することによって、当該車両における運転手の心理特性を得ることができる。
Conventionally, a technique for estimating a driver's psychological characteristics from a driving signal (for example, steering angle and accelerator / brake pedal depression) and a vehicle signal (for example, engine speed, vehicle speed, acceleration / angular velocity) in a moving vehicle has been used. (See, for example, Non-Patent Documents 1 and 2). According to this technique, it consists of a learning step of constructing a learning model of an estimator using teacher data and an estimation step of estimating psychological characteristics using the estimator.
In the learning step, a learning model of the estimator is constructed in advance for each driver by using the psychological characteristic data acquired by a paper test or the like and the driving signal and the vehicle signal acquired from the vehicle driven by the driver as training data.
In the estimation step, the psychological characteristics of the driver in the vehicle can be obtained by inputting the driving signal and the vehicle signal acquired from the moving vehicle into the estimator.
しかしながら、推定対象となる車両から得られた運転信号及び車両信号は、その車両の周辺で走行中の他の車両の運転によって影響を受ける場合がある。例えば他の車両の運転手の危険運転が起因となって、事故や運転トラブルが発生する場合もある。
近年特に、相手に対する嫌がらせや威嚇となる走行行為として、「煽り（あおり）運転」が問題となっている。これは、前方を走行する車両に対して、進路を譲るよう強要したり、車間距離を詰めて異常接近したりして追い回したり、ハイビーム・パッシング・クラクション・幅寄せなどをする行為をいう。
また、それ以外にも、周辺走行中の他の車両における運転手に、例えば認知能力の衰えがあったり、協調性の欠如がある場合、その運転手の注意不足や操作ミスが起因となって、事故が発生する場合もある。
However, the driving signal and the vehicle signal obtained from the vehicle to be estimated may be affected by the driving of another vehicle running around the vehicle. For example, dangerous driving by a driver of another vehicle may cause an accident or driving trouble.
In recent years, in particular, "driving" has become a problem as a driving act that harasses or threatens the other party. This refers to the act of forcing a vehicle traveling in front to give way, narrowing the distance between vehicles to make an abnormal approach, chasing after the vehicle, or performing high beam, passing, horning, or Tailgating.
In addition to that, if a driver in another vehicle traveling in the vicinity has, for example, weakened cognitive ability or lack of coordination, the driver's lack of attention or operation error may be the cause. , Accidents may occur.
これに対し、本願の発明者らは、自車両の運転手が、その車両の周辺で走行中の他の車両の運転手の心理特性を認識することができれば、事故リスクを軽減することができるのではないか、と考えた。 On the other hand, the inventors of the present application can reduce the risk of accidents if the driver of the own vehicle can recognize the psychological characteristics of the driver of another vehicle traveling around the vehicle. I thought it might be.
そこで、本発明は、観測車両から見て、その観測車両の周辺で走行中の被観測車両の運転信号・車両信号を取得できなくても、その被観測車両の運転手の心理特性を推定することができるプログラム、装置及び方法を提供することを目的とする。 Therefore, the present invention estimates the psychological characteristics of the driver of the observed vehicle even if the driving signal / vehicle signal of the observed vehicle running around the observed vehicle cannot be acquired from the viewpoint of the observed vehicle. It is intended to provide programs, devices and methods that can be used.
本発明によれば、観測車両の周辺で走行中の被観測車両の運転手の心理特性を推定する装置に搭載されたコンピュータを機能させるプログラムであって、
観測車両の速度と、当該観測車両から見た被観測車両との間の距離とを走行データとして、時系列に記憶した走行データ記憶手段と、
前記走行データにおける速度及び距離を要素とした特徴量データを生成する特徴量データ生成手段と、
複数の特徴量データを入力し、被観測車両の運転手における所定心理特性の尤度を出力する運転特性推定エンジンと
してコンピュータを機能させ、
前記運転特性推定エンジンは、教師データとして、過去に、複数のユーザにおける所定心理特性と、各ユーザが被観測車両の運転手となった際の当該運転手に対して観測された特徴量データとを対応付けて、予め学習モデルを構築した機械学習エンジンである
ようにコンピュータを機能させることを特徴する。
According to the present invention, it is a program for operating a computer mounted on a device for estimating the psychological characteristics of a driver of an observed vehicle traveling around the observed vehicle.
A travel data storage means that stores the speed of the observation vehicle and the distance between the observation vehicle and the observed vehicle as travel data in chronological order.
A feature data generation means for generating feature data using speed and distance as elements in the travel data, and a feature data generation means.
With a driving characteristic estimation engine that inputs multiple feature quantity data and outputs the likelihood of a predetermined psychological characteristic in the driver of the observed vehicle.
To make the computer work,
As teacher data, the driving characteristic estimation engine includes predetermined psychological characteristics of a plurality of users and feature amount data observed for the driver when each user becomes a driver of the observed vehicle. It is a machine learning engine that builds a learning model in advance by associating
It is characterized by operating the computer in such a manner.
本発明のプログラムにおける他の実施形態によれば、
所定心理特性の尤度は、情緒不安定性及び／又は非協調性の尤度を含む
ようにコンピュータを機能させることも好ましい。
According to other embodiments in the program of the present invention
It is also preferable to make the computer function so that the likelihood of a given psychological trait includes the likelihood of emotional instability and / or non-coordination.
本発明のプログラムにおける他の実施形態によれば、
特徴量データは、所定時間範囲に基づくものであり、
運転特性推定エンジンは、異なる所定時間範囲の複数の特徴量データを入力し、
観測車両の速度の時間的変化に対して、被観測車両との間の距離の時間的変化が大きいほど、それら特徴量データを入力した運転特性推定エンジンは、被観測車両の所定心理特性の尤度が高くなるように推定する
ようにコンピュータを機能させることも好ましい。
According to other embodiments in the program of the present invention
Feature data is based on a predetermined time range and
The driving characteristic estimation engine inputs multiple feature data in different predetermined time ranges and inputs them.
The greater the temporal change in the distance to the observed vehicle with respect to the temporal change in the speed of the observed vehicle, the more likely the driving characteristic estimation engine that input these feature data will be to determine the predetermined psychological characteristics of the observed vehicle. It is also preferable to make the computer function so as to estimate the degree to be high.
本発明のプログラムにおける他の実施形態によれば、
走行データ記憶手段について、
観測車両の速度は、当該観測車両に設置された測位センサから出力された位置の時間的変位によって計測されたものであり、
被観測車両との間の距離は、当該観測車両に設置された距離センサによって計測されたものである
ようにコンピュータを機能させることも好ましい。
According to other embodiments in the program of the present invention
About driving data storage means
The speed of the observation vehicle is measured by the temporal displacement of the position output from the positioning sensor installed in the observation vehicle.
It is also preferable to make the computer function so that the distance to the observed vehicle is measured by the distance sensor installed in the observed vehicle.
本発明のプログラムにおける他の実施形態によれば、
走行データ記憶手段は、観測車両に対して角速度を更に記憶し、被観測車両に対して角度を更に記憶し、
特徴量データ生成手段の特徴量データは、角速度及び角度を要素として更に含む
ようにコンピュータを機能させることも好ましい。
According to other embodiments in the program of the present invention
The traveling data storage means further stores the angular velocity with respect to the observed vehicle, further stores the angle with respect to the observed vehicle, and further stores the angle.
It is also preferable to make the computer function so that the feature amount data of the feature amount data generation means further includes the angular velocity and the angle as elements.
本発明のプログラムにおける他の実施形態によれば、
観測車両から見た被観測車両が映る映像データを記憶した映像データ記憶手段と、
映像データ記憶手段を用いて、当該被観測車両の映像変化を検出する映像変化検出手段と
してコンピュータを機能させ、
特徴量データ生成手段の特徴量データは、映像変化を要素として更に含む
ようにコンピュータを機能させることも好ましい。
According to other embodiments in the program of the present invention
An image data storage means that stores the image data of the observed vehicle as seen from the observation vehicle,
Using the video data storage means, the computer is made to function as a video change detecting means for detecting the video change of the vehicle to be observed.
It is also preferable to make the computer function so that the feature amount data of the feature amount data generation means further includes the image change as an element.
本発明のプログラムにおける他の実施形態によれば、
映像変化検出手段の映像変化とは、当該被観測車両のランプの点滅変化である
ようにコンピュータを機能させることも好ましい。
According to other embodiments in the program of the present invention
It is also preferable to make the computer function so that the image change of the image change detecting means is a blinking change of the lamp of the observed vehicle.
本発明のプログラムにおける他の実施形態によれば、
観測車両の周辺の音データを記憶した音データ記憶手段と、
音データ記憶手段を用いて、所定周波数帯の音変化を検出する音変化検出手段と
してコンピュータを機能させ、
特徴量データ生成手段の特徴量データは、音変化を要素として更に含む
ようにコンピュータを機能させることも好ましい。
According to other embodiments in the program of the present invention
Sound data storage means that stores sound data around the observation vehicle,
Using the sound data storage means, the computer is made to function as a sound change detecting means for detecting a sound change in a predetermined frequency band.
It is also preferable to make the computer function so that the feature amount data of the feature amount data generation means further includes a sound change as an element.
本発明のプログラムにおける他の実施形態によれば、
装置は、スマートフォン又は携帯端末であり、観測車両に設置可能なものであり、
当該プログラムは、アプリとしてインストールされたものである
ことも好ましい。
According to other embodiments in the program of the present invention
The device is a smartphone or mobile terminal that can be installed in an observation vehicle.
It is also preferable that the program is installed as an application.
本発明のプログラムにおける他の実施形態によれば、
運転特性推定エンジンから出力された尤度が所定閾値以上となった際に、被観測車両の運転手の危険運転に影響する心理特性を、当該観測車両の運転手にアラームとして表示するアラーム表示手段と
して更にコンピュータを機能させることも好ましい。
According to other embodiments in the program of the present invention
Driving characteristic estimation means for displaying the psychological characteristics that affect the dangerous driving of the driver of the observed vehicle as an alarm to the driver of the observed vehicle when the likelihood output from the engine exceeds a predetermined threshold. It is also preferable to make the computer function further.
本発明のプログラムにおける他の実施形態によれば、
走行データ記憶手段は、複数の観測車両について、観測車両毎に、当該観測車両の速度と、当該観測車両から見た被観測車両との間の距離とを時系列に記憶しており、
走行データ記憶手段を用いて、被観測車両毎に、複数の観測車両からの走行データを時間軸上に統合するデータ統合手段として更に機能させ、
特徴量データ生成手段は、被観測車両毎に、特徴量データを生成する
ようにコンピュータを機能させることも好ましい。
According to other embodiments in the program of the present invention
The traveling data storage means stores, for each observation vehicle, the speed of the observation vehicle and the distance between the observation vehicle and the observed vehicle in chronological order for a plurality of observation vehicles.
By using the traveling data storage means, the traveling data from a plurality of observed vehicles can be further functioned as a data integration means for integrating the traveling data on the time axis for each observed vehicle.
It is also preferable that the feature amount data generation means causes a computer to function so as to generate feature amount data for each observed vehicle.
本発明のプログラムにおける他の実施形態によれば、
走行データが所定心理特性に基づく所定条件を満たした際に、当該走行データを含む時系列に複数の走行データを教師データとして選択する学習データ選択手段を更に有し、
特徴量データ生成手段は、選択された走行データにおける速度及び距離を要素とした特徴量データを生成し、
運転特性推定エンジンは、複数の特徴量データを、所定心理特性に基づく教師データとして入力することによって、被観測車両の運転手における所定心理特性の尤度を出力するべく学習モデルを構築する
ようにコンピュータを機能させることも好ましい。
According to other embodiments in the program of the present invention
Further having a learning data selection means for selecting a plurality of driving data as teacher data in a time series including the driving data when the driving data satisfies a predetermined condition based on a predetermined psychological characteristic.
The feature data generation means generates feature data with speed and distance as elements in the selected travel data, and generates feature data.
Operating characteristic estimation engine, a plurality of feature amount data, by inputting as teacher data based on a predetermined psychological characteristics, so as to build a learning model in order to output the likelihood of a given psychological characteristics in the driver of the observed vehicle It is also preferable to have the computer function.
本発明によれば、観測車両の周辺で走行中の被観測車両の運転手の心理特性を推定する装置であって、
観測車両の速度と、当該観測車両から見た被観測車両との間の距離とを走行データとして、時系列に記憶した走行データ記憶手段と、
前記走行データにおける速度及び距離を要素とした特徴量データを生成する特徴量データ生成手段と、
複数の特徴量データを入力し、被観測車両の運転手における所定心理特性の尤度を出力する運転特性推定エンジンと
してコンピュータを機能させ、
前記運転特性推定エンジンは、教師データとして、過去に、複数のユーザにおける所定心理特性と、各ユーザが被観測車両の運転手となった際の当該運転手に対して観測された特徴量データとを対応付けて、予め学習モデルを構築した機械学習エンジンである
ことを特徴する。
According to the present invention, it is a device for estimating the psychological characteristics of the driver of the observed vehicle traveling around the observed vehicle.
A travel data storage means that stores the speed of the observation vehicle and the distance between the observation vehicle and the observed vehicle as travel data in chronological order.
A feature data generation means for generating feature data using speed and distance as elements in the travel data, and a feature data generation means.
With a driving characteristic estimation engine that inputs multiple feature quantity data and outputs the likelihood of a predetermined psychological characteristic in the driver of the observed vehicle.
To make the computer work,
As teacher data, the driving characteristic estimation engine includes predetermined psychological characteristics of a plurality of users and feature amount data observed for the driver when each user becomes a driver of the observed vehicle. It is a machine learning engine in which a learning model is constructed in advance by associating with.
本発明によれば、観測車両の周辺で走行中の被観測車両の運転手の心理特性を推定する装置の運転特性推定方法であって、
前記装置は、観測車両の速度と、当該観測車両から見た被観測車両との間の距離とを走行データとして、時系列に記憶した走行データ記憶部を有し、
前記装置は、
前記走行データにおける速度及び距離を要素とした特徴量データを生成する第１のステップと、
複数の特徴量データを入力し、被観測車両の運転手における所定心理特性の尤度を出力する第２のステップと
を実行し、
第２のステップは、教師データとして、過去に、複数のユーザにおける所定心理特性と、各ユーザが被観測車両の運転手となった際の当該運転手に対して観測された特徴量データとを対応付けて、予め学習モデルを構築した機械学習エンジンを用いる
ことを特徴する。
According to the present invention, there is a method for estimating driving characteristics of a device that estimates the psychological characteristics of the driver of an observed vehicle traveling around the observation vehicle.
The device has a travel data storage unit that stores the speed of the observation vehicle and the distance between the observation vehicle and the observed vehicle as travel data in chronological order.
The device is
The first step of generating feature data with speed and distance as elements in the traveling data, and
The second step of inputting a plurality of feature data and outputting the likelihood of a predetermined psychological characteristic in the driver of the observed vehicle.
And
In the second step, as teacher data, predetermined psychological characteristics of a plurality of users and feature amount data observed for the driver when each user becomes a driver of the observed vehicle in the past are used. It is characterized by using a machine learning engine in which a learning model is constructed in advance in association with each other.
本発明のプログラム、装置及び方法によれば、観測車両から見て、その観測車両の周辺で走行中の被観測車両の運転信号・車両信号を取得できなくても、その被観測車両の運転手の心理特性を推定することができる。 According to the program, apparatus and method of the present invention, even if the driving signal / vehicle signal of the observed vehicle running around the observed vehicle cannot be acquired from the viewpoint of the observed vehicle, the driver of the observed vehicle Psychological characteristics can be estimated.
以下、本発明の実施の形態について、図面を用いて詳細に説明する。 Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.
図１は、観測車両の運転手から被観測車両を見た外観図である。 FIG. 1 is an external view of the observed vehicle as viewed from the driver of the observed vehicle.
観測車両の運転手は、その周辺を走行中の被観測車両を見ることができる。この被観測車両が例えば危険運転をしている場合、観測車両の運転手は、事故リスクを強く感じて、自らの運転操作も乱されることなる。 The driver of the observation vehicle can see the observed vehicle running around it. When the observed vehicle is driving dangerously, for example, the driver of the observed vehicle strongly feels the risk of an accident and his / her driving operation is disturbed.
図１によれば、観測車両のダッシュボードに、本発明の「運転特性推定装置」として、例えばスマートフォンのような携帯端末１が設置されている。この場合、スマートフォンには、本発明の運転特性推定機能のアプリがインストールされているとする。勿論、スマートフォンに限られず、例えばナビゲーションシステムのような車両と一体的に搭載された専用装置であってもよい。また、被観測車両は、観測車両から見て必ずしも前方を走行しているとは限られず、側方や後方を走行していてもよい。 According to FIG. 1, a mobile terminal 1 such as a smartphone is installed on the dashboard of the observation vehicle as the "driving characteristic estimation device" of the present invention. In this case, it is assumed that the application of the driving characteristic estimation function of the present invention is installed on the smartphone. Of course, the device is not limited to a smartphone, and may be a dedicated device mounted integrally with a vehicle such as a navigation system. Further, the observed vehicle is not always traveling in front of the observed vehicle, and may be traveling sideways or behind.
携帯端末１は、測位センサを搭載しており、ＧＰＳ(Global Positioning System)のような測位電波を受信することによって、現在位置を取得することができる。
また、携帯端末１は、カメラを搭載しており、走行中の被観測車両の映像を撮影することもできる。映像データには、被観測車両のブレーキランプやウィンカ、ヘッドライトの点滅状態が映り込むと共に、観測車両から見た被観測車両の位置も検出することができる。
更に、携帯端末１は、マイクを搭載しており、クラクションの鳴動のような、走行中の被観測車両の音を収音することもできる。
The mobile terminal 1 is equipped with a positioning sensor, and can acquire the current position by receiving a positioning radio wave such as GPS (Global Positioning System).
In addition, the mobile terminal 1 is equipped with a camera, and can also capture an image of a moving vehicle to be observed. The video data reflects the blinking state of the brake lamps, winkers, and headlights of the observed vehicle, and the position of the observed vehicle as seen from the observed vehicle can also be detected.
Further, the mobile terminal 1 is equipped with a microphone, and can also collect the sound of the observed vehicle in motion, such as the ringing of a horn.
尚、他の実施形態として、携帯端末１は、狭域無線通信（例えば無線ＬＡＮ）又は近距離無線通信（例えばBluetooth（登録商標））を介して、観測車両のＣＡＮ(Controller Area Network)内で送受信される車両情報を受信するものであってもよい。ＣＡＮとは、耐ノイズ性が強化されており、相互接続された機器間のデータ転送に使われる規格をいう。
また、携帯端末１は、地図データを保持しており、地図上の現在位置から、走行道路等の情報を取得することもできる。
更に、携帯端末１は、ＶＩＣＳ(Vehicle Information and Communication System)（登録商標）から道路交通情報（混雑状況、交通規制等）を受信することによって、走行中の道路情報や交通情報を取得することもできる。
As another embodiment, the mobile terminal 1 is installed in the CAN (Controller Area Network) of the observation vehicle via narrow-range wireless communication (for example, wireless LAN) or short-range wireless communication (for example, Bluetooth (registered trademark)). It may receive vehicle information to be transmitted and received. CAN is a standard used for data transfer between interconnected devices with enhanced noise immunity.
In addition, the mobile terminal 1 holds map data, and can acquire information such as a traveling road from the current position on the map.
Further, the mobile terminal 1 can acquire road information and traffic information while traveling by receiving road traffic information (congestion status, traffic regulation, etc.) from VICS (Vehicle Information and Communication System) (registered trademark). it can.
図２は、本発明における運転特性推定装置の機能構成図である。 FIG. 2 is a functional configuration diagram of the driving characteristic estimation device according to the present invention.
本発明の運転特性推定装置１は、観測車両の周辺で走行中の被観測車両の運転手の運転特性を推定するものである。図２によれば、運転特性推定装置１は、本発明の基本的機能のみを有する。
勿論、運転特性推定装置１は、インターネットに接続されたサーバとして実行されるものであってもよい。その場合、サーバは、観測車両から走行データを受信し、被観測車両の運転特性を推定することができる。
The driving characteristic estimation device 1 of the present invention estimates the driving characteristics of the driver of the observed vehicle traveling around the observation vehicle. According to FIG. 2, the driving characteristic estimation device 1 has only the basic functions of the present invention.
Of course, the driving characteristic estimation device 1 may be executed as a server connected to the Internet. In that case, the server can receive the driving data from the observed vehicle and estimate the driving characteristics of the observed vehicle.
図２によれば、運転特性推定装置１は、走行データ記憶部１０と、特徴量データ生成部１１と、運転特性推定エンジン１２とを有する。また、オプション的に、データ統合部１７（後述の図８参照）も有する。これら機能構成部は、装置に搭載されたコンピュータを機能させるプログラムを実行することによって実現される。また、これら機能構成部の処理の流れは、装置の運転特性推定方法としても理解できる。
According to FIG. 2, the driving characteristic estimation device 1 includes a traveling
［走行データ記憶部１０］
走行データ記憶部１０は、観測車両の「速度」と、当該観測車両から見た被観測車両との間の「距離」とを走行データとして、時系列に記憶する。
観測車両とは、走行データを取得する車両をいう。
被観測車両とは、観測車両周辺で走行中の他の車両をいう。
本発明の運転特性推定装置１は、観測車両によって取得された走行データを用いて、被観測車両における運転手の運転特性を推定する。
[Driving data storage unit 10]
The traveling
An observation vehicle is a vehicle that acquires driving data.
The observed vehicle means another vehicle running around the observed vehicle.
The driving characteristic estimation device 1 of the present invention estimates the driving characteristics of the driver in the observed vehicle by using the driving data acquired by the observed vehicle.
図２によれば、走行データ記憶部１０は、観測車両の「速度」と、被観測車両に対する「距離」とを時間的に対応付けた走行データが、時系列に記憶されている。
観測車両の「速度」は、測位センサから出力された位置の時間的変位に基づいて算出されたものである。測位センサとしては、例えばＧＰＳや基地局測位がある。また、観測車両に搭載されたＣＡＮのような車載ネットワークから取得されるものであってもよい。尚、観測車両の「加速度」は、速度から算出することができる。
According to FIG. 2, the traveling
The "velocity" of the observation vehicle is calculated based on the temporal displacement of the position output from the positioning sensor. Positioning sensors include, for example, GPS and base station positioning. Further, it may be acquired from an in-vehicle network such as a CAN mounted on an observation vehicle. The "acceleration" of the observation vehicle can be calculated from the speed.
被観測車両の「距離」は、当該観測車両に設置された距離センサによって計測されたものである。
距離センサとしては、例えばＬｉＤＡＲ(Light Detection and Ranging、Laser Imaging Detection and Ranging)がある。これは、パルス状に発光するレーザを照射し、その反射光を受光するまでの時間を計測することによって、対象物までの距離を分析する。ＬｉＤＡＲは、例えば自動車の衝突防止システムとして、前方車両や前方物体との間の距離を測定するべく、自動車の前方バンパー周辺やダッシュボード周辺に配置される。
また、距離センサとしては、デプスカメラを用いたものもある。デプスカメラは、例えばＲＧＢ(Red-Green-Blue)画像とデプス画像（ＸＹＺ座標）とを同時に取得し、色情報付きの６次元（ＲＧＢＸＹＺ）の点群（ポイントクラウドデータ）を出力する。これによって、観測車両から見た、被観測車両の距離を取得することができる。勿論、ＲＧＢカメラによって撮影された映像データであっても、映像分析によって車両を検出し、観測車両との車間距離や角度を計算することはできる。
The "distance" of the observed vehicle is measured by a distance sensor installed in the observed vehicle.
Examples of the distance sensor include LiDAR (Light Detection and Ranging, Laser Imaging Detection and Ranging). This analyzes the distance to an object by irradiating a laser that emits light in a pulse shape and measuring the time until the reflected light is received. The LiDAR is arranged around the front bumper or the dashboard of the automobile in order to measure the distance between the vehicle in front and the object in front, for example, as a collision prevention system for the automobile.
Further, as the distance sensor, there is also one using a depth camera. The depth camera acquires, for example, an RGB (Red-Green-Blue) image and a depth image (XYZ coordinates) at the same time, and outputs a 6-dimensional (RGBXYZ) point cloud (point cloud data) with color information. As a result, the distance of the observed vehicle as seen from the observed vehicle can be obtained. Of course, even with the video data taken by the RGB camera, it is possible to detect the vehicle by video analysis and calculate the inter-vehicle distance and angle with the observation vehicle.
図２によれば、走行データ記憶部１０は、観測車両に対して、速度に加えて「角速度」を更に記憶し、被観測車両に対して、距離に加えて「角度」を更に記憶している。
観測車両の「角速度」は、例えば加速度センサやジャイロセンサ、地磁気センサによって計測された角度の変位から算出することができる。
被観測車両の「角度」は、例えば映像データや点群データから検出することができる。
According to FIG. 2, the traveling
The "angular velocity" of the observation vehicle can be calculated from, for example, the displacement of the angle measured by an acceleration sensor, a gyro sensor, or a geomagnetic sensor.
The "angle" of the vehicle to be observed can be detected from, for example, video data or point cloud data.
［特徴量データ生成部１１］
特徴量データ生成部１１は、走行データを、所定時間範囲（ウィンドウ）毎に区分することにより、速度及び距離を要素とした「特徴量データ」を生成する。特徴量データは、走行データ（少なくとも速度及び距離）を要素とするベクトルである。それらウィンドウ毎の特徴量データは、運転特性推定エンジン１２へ出力される。
[Feature data generation unit 11]
The feature amount
図３は、推定された被観測車両の軌道を表す座標図である。 FIG. 3 is a coordinate diagram showing the estimated track of the observed vehicle.
図３によれば、地理座標軸上に、観測車両と被観測車両との位置関係がプロットされたものである。観測車両の位置は、観測車両によって測位されたものである。一方で、被観測車両の位置は、観測車両の位置から見た、被観測車両の距離及び角度によって算出されたものである。例えば、図３の(3)のタイミングでは、観測車両から見た被観測車両の距離及び角度から、被観測車両の位置Ｃがプロットされている。
また、時間経過と共に、位置の変移が軌道としてプロットされている。図３からも明らかなとおり、観測車両の軌道と、被観測車両の軌道との間が一定でなく、急変しているような場合、観測車両から見て、被観測車両が何らかの急変させる運転をしているものと推定できる。
According to FIG. 3, the positional relationship between the observed vehicle and the observed vehicle is plotted on the geographical coordinate axes. The position of the observation vehicle is determined by the observation vehicle. On the other hand, the position of the observed vehicle is calculated by the distance and angle of the observed vehicle as seen from the position of the observed vehicle. For example, at the timing of (3) in FIG. 3, the position C of the observed vehicle is plotted from the distance and angle of the observed vehicle as seen from the observed vehicle.
In addition, the transition of the position is plotted as an orbit with the passage of time. As is clear from FIG. 3, when the orbit of the observed vehicle and the orbit of the observed vehicle are not constant and suddenly change, the observed vehicle performs some kind of sudden change in driving when viewed from the observed vehicle. It can be estimated that it is doing.
図４は、第１の特徴量データを表す説明図である。 FIG. 4 is an explanatory diagram showing the first feature amount data.
図４によれば、経過時間に応じた、観測車両の「速度」の変化と、被観測車両との間の「距離」の変化とが表されている。速度及び距離の縦軸の尺度はそれぞれ、任意に設定されたものである。
そして、経過時間をウィンドウ（一定の時間間隔）に分割し、ウィンドウ毎に、速度及び距離を要素とするベクトルを、特徴量データとして生成する。
尚、特徴量データの要素となる速度及び距離は、値そのものに限られず、平均値や最大値、最小値、中央値、第一・第三四分位値、分散、ＦＦＴ（高速フーリエ変換）後の周波数成分毎の振幅等であってもよい。
According to FIG. 4, the change in the "speed" of the observed vehicle and the change in the "distance" between the observed vehicle and the observed vehicle are shown according to the elapsed time. The vertical scales of velocity and distance are set arbitrarily.
Then, the elapsed time is divided into windows (constant time intervals), and a vector having velocity and distance as elements is generated as feature data for each window.
The speed and distance that are the elements of the feature data are not limited to the value itself, but are the average value, maximum value, minimum value, median value, first and third quartiles, variance, and FFT (Fast Fourier Transform). It may be the amplitude for each frequency component later.
［運転特性推定エンジン１２］
運転特性推定エンジン１２は、異なる所定時間範囲（ウィンドウ）の複数の特徴量データを入力し、被観測車両の運転手における所定運転特性の尤度を出力する。
[Driving characteristic estimation engine 12]
The driving
運転特性推定エンジン１２は、所定運転特性の各尤度に基づく特徴量データを教師データとして構築した「機械学習エンジン」であってもよい。機械学習エンジンの種類は限定しないが、単なる回帰分析であってもよいし、例えばRandom ForestやSupport Vector Machine、Naive Bayes、K-nearest neighborなどであってもよい。
機械学習エンジンを用いる場合、説明変数となる複数の特徴量データと、目的変数となる運転特性とからなる教師データを予め入力し、学習モデルを構築しておく必要がある。
The driving
When using a machine learning engine, it is necessary to input in advance teacher data consisting of a plurality of feature data as explanatory variables and driving characteristics as objective variables to build a learning model.
本発明の本質的な特徴として、「観測車両の速度の時間的変化が小さいにも拘わらず、被観測車両との間の距離の時間的変化が大きいほど、被観測車両の運転特性が強く出ている」ことにある。即ち、観測車両の動きに対して、被観測車両の動きが大きいほど、被観測車両が特別な動きをしていると想定できる。そのような特徴量データを入力した運転特性推定エンジン１２は、被観測車両における否定的な所定運転特性の尤度を高く推定することが好ましい。これによって、被観測車両の所定運転特性が明確となって出力される。
As an essential feature of the present invention, "despite the small change in the speed of the observed vehicle over time, the larger the time change in the distance to the observed vehicle, the stronger the driving characteristics of the observed vehicle. It is in ". That is, it can be assumed that the larger the movement of the observed vehicle with respect to the movement of the observed vehicle, the more special the observed vehicle is moving. It is preferable that the driving
運転特性推定エンジン１２の所定運転特性としては、危険運転特性、情緒不安定性、非協調性、速度急変性、急発進性、急停止性、蛇行性のいずれか又はそれらの組み合わせであってもよい。
The predetermined driving characteristic of the driving
「危険運転特性」とは、例えば、交通ルール違反の可能性（速度超過／未達や一時停止違反、信号無視、横断歩行者無視、禁止区間での車線変更など）、交通マナー違反の可能性（急な割り込み、急な交差点進入など）、他車妨害運転の可能性（煽り運転、幅寄せなど）、その他の危険運転の可能性（急加速・減速や急ハンドル、急停止など）を意味する。このように、危険運転として観測された過去多数の特徴量データを教師データとして学習する。 "Dangerous driving characteristics" include, for example, the possibility of traffic rule violations (excessive / not reaching or pausing violations, ignoring traffic lights, ignoring crossing pedestrians, changing lanes in prohibited sections, etc.), and the possibility of traffic manner violations. (Sudden interruption, sudden crossing entry, etc.), possibility of disturbing driving by other vehicles (driving, squeezing, etc.), and other possibilities of dangerous driving (sudden acceleration / deceleration, sudden steering, sudden stop, etc.) To do. In this way, a large number of past feature data observed as dangerous driving are learned as teacher data.
また、危険運転特性に影響する運転手の心理特性として、「情緒不安定性」「非協調性」（ビッグ５パーソナリティとして、その他、「非外向性」「非勤勉性」「経験の閉鎖性」）がある。これらの心理特性は、多数のユーザに対してアンケートによってユーザ毎に予め取得しておき、その心理特性に応じてユーザの運転する車両が観測された過去の特徴量データを教師データとして学習することができる。 In addition, the psychological characteristics of the driver that affect the dangerous driving characteristics are "emotional instability" and "non-cooperativeness" (as the Big Five personality, "non-extroversion", "non-diligence", and "experience closure"). There is. These psychological characteristics are acquired in advance for each user by a questionnaire to a large number of users, and the past feature amount data in which the vehicle driven by the user is observed according to the psychological characteristics is learned as teacher data. Can be done.
更に、危険運転特性に影響する運転操作として、「速度急変性」「急発進性」「急停止性」がある。また、「蛇行性」もあり、例えばカメラによって取得された映像データから、道路の区画線に対する車両の変移によって計測される。これら運転操作も、危険運転として観測された過去多数の特徴量データを教師データとして学習することができる。 Further, as a driving operation that affects dangerous driving characteristics, there are "rapid speed change", "sudden start", and "sudden stop". There is also "meandering property", for example, it is measured by the transition of the vehicle with respect to the lane marking of the road from the video data acquired by the camera. These driving operations can also learn a large number of past feature data observed as dangerous driving as teacher data.
その他、運転特性推定エンジン１２の所定運転特性として、様々な指標を用いることができる。
例えばＤＳＱ(Driving Style Questionnaire)スコア、ＷＳＱ(Workload Sensitivity Questionnaire)スコアがある。
ＤＳＱは、運転に取り組む態度や志向、考え方の指標であり、「運転スキルへの自信」「消極性」「せっかち」などの項目について、アンケートに基づいて５点満点のスコアで定量化される。
ＷＳＱは、どのような種類の運転負担を強く感じるかの指標であり、「交通状況把握」「道路環境把握」「運転集中阻害」などの項目について、アンケートに基づいて５点満点のスコアで定量化される。
例えば自動車事故対策機構（ＮＡＳＶＡ）で実施されている「運転者適性診断」によれば、受診者の「認知・処理機能」について、危険感受性、注意の配分、判断・動作のタイミング、動作の正確さ、を測定し、定量的なスコアを算出する。また、その他、「心理・性格面」について、他人に対する好意、気持ちのおおらかさ、協調性、感情の安定性のスコアも算出する。
尚、例えば欧米で運転手の心理特性の測定に用いられているＤＢＱ (Driving Behavior Questionnaire)、ＤＢＩ(Driving Behavior Inventory)、ＤＡＳ(Driving Anger Scale)などの、回答結果及び回答結果から算出されるスコアであってもよい。
In addition, various indexes can be used as predetermined driving characteristics of the driving
For example, there are DSQ (Driving Style Questionnaire) score and WSQ (Workload Sensitivity Questionnaire) score.
DSQ is an index of attitudes, intentions, and ways of thinking about driving, and items such as "confidence in driving skills,""negativeness," and "impatientness" are quantified with a score of 5 out of 5 based on a questionnaire.
WSQ is an index of what kind of driving burden you feel strongly, and quantifies items such as "traffic situation grasp", "road environment grasp", and "driving concentration inhibition" with a score of 5 points based on a questionnaire. Will be transformed.
For example, according to the "Driver Aptitude Diagnosis" conducted by the National Agency for Automotive Safety and Victims (NASVA), regarding the "cognitive / processing function" of the examinee, risk sensitivity, attention distribution, judgment / action timing, and action accuracy. Then, measure and calculate a quantitative score. In addition, for "psychological / personality", scores for favor, laid back, cooperativeness, and emotional stability toward others are also calculated.
For example, DBQ (Driving Behavior Questionnaire), DBI (Driving Behavior Inventory), DAS (Driving Anger Scale), etc., which are used to measure the psychological characteristics of drivers in Europe and the United States, are the answer results and scores calculated from the answer results. It may be.
また、運転特性推定エンジン１２の所定運転特性は、運転操作に限定しない一般的な心理特性であってもよい。例えば情動的共感性尺度やＥＡＥＱ(Everyday Attentional Experiences Questionnaire)、ＳＳＳ(Sensation Seeking Scale)、ＦＦＭ(Five Factor Model)などの指標で算出されたスコアであってもよい。
Further, the predetermined driving characteristic of the driving
図５は、運転特性推定エンジンの入力及び出力を表す説明図である。 FIG. 5 is an explanatory diagram showing the inputs and outputs of the driving characteristic estimation engine.
図５によれば、運転特性推定エンジン１２は、「情緒不安定性」における尤度（確率やスコア）を出力している。ここでは、情緒不安定性の尤度として「低」「中」「高」のいずれかが出力されている。例えば尤度の分布における相対的なレベル(例えば、平均＋標準偏差以上であれば「高」、平均−標準偏差以下であれば「低」、それ以外は「中」)を推定するものであってもよい。
例えば、運転特性推定エンジン１２は、特徴量データ(1)に対して「高：0.8」「中：0.1」「低：0.1」を出力している。全ての特徴量データについて尤度を計算した後、平均し、最も尤度が高いラベルを推定結果として出力する。図５によれば、「高」の尤度の平均値が最も高いために、「情緒不安定性：高」として推定結果を出力する。
According to FIG. 5, the driving
For example, the driving
図６は、本発明における携帯端末の機能構成図である。 FIG. 6 is a functional configuration diagram of the mobile terminal according to the present invention.
図６によれば、携帯端末１は、図２の運転特性推定装置の各機能構成部に加えて、映像データ記憶部１３０と、映像変化検出部１３１と、音データ記憶部１４０と、音変化検出部１４１と、車両情報記憶部１５０と、車両情報変化検出部１５１と、アラーム表示部１６と、データ統合部１７とを更に有する。これら機能構成部は、装置に搭載されたコンピュータを機能させるプログラムを実行することによって実現される。
According to FIG. 6, in addition to each function component of the operation characteristic estimation device of FIG. 2, the mobile terminal 1 includes a video
［映像データ記憶部１３０］
映像データ記憶部１３０は、観測車両から見た被観測車両が映る映像データを記憶したものである。映像データは、カメラ（ＲＧＢカメラやデプスカメラ）によって撮影されたものである。
[Video data storage unit 130]
The video
［映像変化検出部１３１］
映像変化検出部１３１は、映像データ記憶部１３０を用いて、当該被観測車両の映像変化を検出する。映像変化としては、観測車両から見た被観測車両の「ランプの点滅変化」を検出することができる。ランプとしては、ブレーキランプやウィンカ、ヘッドライトがある。特に、被観測車両が煽り運転をしている場合、ランプを点滅させることも多い。
また、映像変化として、観測車両から見た被観測車両の「角速度」も検出することができる。
ここで検出された「映像変化」は、特徴量データ生成部１１の特徴量データにおける要素として含まれる。
[Video change detection unit 131]
The image
In addition, the "angular velocity" of the observed vehicle as seen from the observed vehicle can also be detected as an image change.
The "video change" detected here is included as an element in the feature amount data of the feature amount
［音データ記憶部１４０］
音データ記憶部１４０は、観測車両の周辺の音データを記憶したものである。音データは、マイクによって録音されたものである。
[Sound data storage unit 140]
The sound
［音変化検出部１４１］
音変化検出部１４１は、音データ記憶部１４０を用いて、所定周波数帯の音変化を検出する。音変化としては、クラクションや人の罵声のような周波数帯を検出する。特に、被観測車両が煽り運転をしている場合に、このような音変化が検出されることも多い。
ここで検出された「音変化」は、特徴量データ生成部１１の特徴量データにおける要素として含まれる。
[Sound change detection unit 141]
The sound
The "sound change" detected here is included as an element in the feature amount data of the feature amount
［車両情報記憶部１５０］
車両情報記憶部１５０は、ＣＡＮ(Controller Area Network)内で送受信される車両情報を記憶する。
車両情報としては、以下のように様々な情報がある。
（走行状態情報）操舵(横方向加速度、前輪切れ角など)、制動(停止までの制動距離、前方加速度、タイヤ回転数など)、駆動(車速、後方加速度、タイヤ回転数など)
（周囲環境情報）前方／後方／側方の障害物までの距離、車線逸脱状況
（運転操作情報）アクセル／ブレーキペダル踏み込み度、ハンドル操舵角、操舵角速度、ウィンカーやワイパー、パワーウィンドウなどの各種装置の操作状況
[Vehicle information storage unit 150]
The vehicle
As vehicle information, there are various kinds of information as follows.
(Running condition information) Steering (lateral acceleration, front wheel turning angle, etc.), braking (braking distance to stop, forward acceleration, tire rotation speed, etc.), drive (vehicle speed, rear acceleration, tire rotation speed, etc.)
(Ambient environment information) Distance to obstacles in front / rear / side, lane deviation status (driving operation information) Accelerator / brake pedal depression degree, steering angle, steering angular velocity, blinkers, wipers, power windows, etc. Operation status
［車両情報変化検出部１５１］
車両情報変化検出部１５１は、車両情報記憶部１５０を用いて、所定の車両情報の変化を検出する。特に、被観測車両が煽り運転をしている場合に、このような車両情報に急激な変化が検出されることも多い。
[Vehicle information change detection unit 151]
The vehicle information
［アラーム表示部１６］
アラーム表示部１６は、運転特性推定エンジンから出力された尤度が所定閾値以上となった際に、被観測車両の運転手の運転特性を、当該観測車両の運転手にアラームとして表示する。アラームは、携帯端末１のディスプレイに表示するものであってもよいし、スピーカから音声によって注意を喚起するものであってもよい。
例えば前述した図１のような場合、観測車両の運転手は、前方に見える被観測車両に対する事故リスクに注意して、距離を空けて運転するようにすることができる。
[Alarm display 16]
When the likelihood output from the driving characteristic estimation engine exceeds a predetermined threshold value, the
For example, in the case of FIG. 1 described above, the driver of the observation vehicle can drive at a distance while paying attention to the risk of an accident with respect to the observed vehicle seen in front.
図７は、第２の特徴量データを表す説明図である。 FIG. 7 is an explanatory diagram showing the second feature amount data.
図７によれば、図４と比較して、特徴量データの要素として、角速度及び角度と、ブレーキランプの点滅とが更に含まれている。角速度は、当該観測車両に配置された携帯端末１の加速度センサによって計測することができる。角度及びブレーキランプは、当該被観測車両が映り込んだ映像データから検出することができる。尚、角速度や角度、ブレーキランプの縦軸の尺度はそれぞれ、任意に設定されたものである。
そして、経過時間をウィンドウ（一定の時間間隔）に分割し、ウィンドウ毎に、速度及び距離と、角速度、角度及びブレーキランプを要素とするベクトルを、特徴量データとして生成する。
勿論、図４と同様に、特徴量データの要素となる角速度及び角度は、値そのものに限られず、平均値や最大値、最小値、中央値、第一・第三四分位値、分散、ＦＦＴ（高速フーリエ変換）後の周波数成分毎の振幅等であってもよい。また、ブレーキランプも、ＯＮ／ＯＦＦのみならず、継続時間の最短、最長、平均等に基づく値を、特徴量データの要素としたものであってもよい。
According to FIG. 7, as compared with FIG. 4, the angular velocity and the angle and the blinking of the brake lamp are further included as the elements of the feature amount data. The angular velocity can be measured by the acceleration sensor of the mobile terminal 1 arranged in the observation vehicle. The angle and the brake lamp can be detected from the video data in which the vehicle to be observed is reflected. The angular velocity, the angle, and the scale of the vertical axis of the brake lamp are arbitrarily set.
Then, the elapsed time is divided into windows (constant time intervals), and for each window, a vector having velocity and distance and angular velocity, angle and brake lamp as elements is generated as feature amount data.
Of course, as in FIG. 4, the angular velocity and angle that are the elements of the feature amount data are not limited to the values themselves, but are the average value, the maximum value, the minimum value, the median value, the first and third quartiles, and the variance. It may be the amplitude of each frequency component after FFT (Fast Fourier Transform). Further, the brake lamp may have a value based on the shortest, longest, average, etc. of the duration as an element of the feature amount data as well as ON / OFF.
図８は、複数の観測車両から特定の被観測車両をみた走行データの統合を表す説明図である。 FIG. 8 is an explanatory diagram showing the integration of travel data for a specific observed vehicle from a plurality of observed vehicles.
運転特性推定装置１の走行データ記憶部１０は、複数の観測車両について、観測車両毎に、当該観測車両の速度と、当該観測車両から見た被観測車両との間の距離とを時系列に記憶するとする。
この場合、データ統合部１７は、走行データ記憶部１０を用いて、被観測車両毎に、複数の観測車両からの走行データを時間軸上に統合する。これによって、１台の被観測車両に対して、長時間の走行データを得ることができる。また、一方の観測車両から見て当該被観測車両が死角となっていても、他方の観測車両の走行データで補うことができる。
そして、特徴量データ生成部１１は、データ統合部１７によって統合された被観測車両毎の走行データを入力し、被観測車両毎に、特徴量データに区分する。
The traveling
In this case, the
Then, the feature amount
図８によれば、１台の被観測車両Ａを、５台の観測車両ａ〜ｅから見ることができる。即ち、各観測車両ａ〜ｅから、被観測車両Ａを見た走行データが得られることとなる。
このとき、データ統合部１７は、複数の観測車両ａ〜ｅによって得られた走行データが、１台の被観測車両Ａを見たものであることを特定する必要がある（被観測車両の特定方法）。
その上で、データ統合部１７は、被観測車両Ａに対して、各観測車両ａ〜ｅから得られた走行データを統合する（走行データの統合方法）。
According to FIG. 8, one observed vehicle A can be seen from five observation vehicles a to e. That is, travel data for the observed vehicle A can be obtained from the observed vehicles a to e.
At this time, the
Then, the
（被観測車両の第１の特定方法）
例えば観測車両から見た被観測車両の走行データの取得時刻における位置を用いることができる。
具体的には、一方の観測車両ａは、当該観測車両ａの位置と、被観測車両Ａとの間の距離（及び角度）とから、被観測車両Ａの位置を特定する（例えば図３参照）。同様に、他方の観測車両ｂも、当該観測車両ｂの位置と、被観測車両Ａとの間の距離（及び角度）とから、被観測車両Ａの位置を特定する。２つの位置が所定距離以内であれば、同一の被観測車両として特定することができる。
（被観測車両の第２の特定方法）
例えば観測車両から見た被観測車両の映像データの画像認識結果を用いることもできる。
具体的には、被観測車両が映り込む映像データから、ナンバープレートや形状・色のような車両特徴を認識し、走行データに対応付けて記憶する。同一の車両特徴の走行データは、同一の被観測車両として特定することができる。
(First method of identifying the vehicle to be observed)
For example, the position at the acquisition time of the traveling data of the observed vehicle as seen from the observed vehicle can be used.
Specifically, one observation vehicle a specifies the position of the observation vehicle A from the position of the observation vehicle a and the distance (and angle) between the observation vehicle a and the observation vehicle A (see, for example, FIG. 3). ). Similarly, the other observation vehicle b also identifies the position of the observation vehicle A from the position of the observation vehicle b and the distance (and angle) between the observation vehicle b and the observation vehicle A. If the two positions are within a predetermined distance, they can be identified as the same vehicle to be observed.
(Second method of identifying the vehicle to be observed)
For example, it is also possible to use the image recognition result of the video data of the observed vehicle as seen from the observed vehicle.
Specifically, the vehicle features such as the license plate, shape, and color are recognized from the video data in which the observed vehicle is reflected, and stored in association with the traveling data. The traveling data of the same vehicle characteristics can be specified as the same observed vehicle.
図８によれば、経過時間に応じて以下のような時間帯に区分される。
時間帯t1：観測車両ａから見た被観測車両Ａに対する走行データ
時間帯t2：観測車両ａ及びｂの両方から見た被観測車両Ａに対する走行データ
時間帯t3：観測車両ｂから見た被観測車両Ａに対する走行データ
時間帯t1及びt3では、１台の観測車両からの走行データしか得られていないので、データ統合部１７は、それら走行データをそのまま出力することができる。
According to FIG. 8, it is divided into the following time zones according to the elapsed time.
Time zone t1: Travel data for the observed vehicle A as seen from the observation vehicle a Time zone t2: Travel data for the observed vehicle A as seen from both the observation vehicle a and b Time zone t3: Observed as seen from the observation vehicle b Travel data for vehicle A Since only travel data from one observation vehicle is obtained in the time zones t1 and t3, the
（走行データの第１の統合方法）
時間帯t2では、２台の観測車両ａ及びｂから走行データが得られているので、いずれか一方の走行データを出力するものであってもよい。その場合、被観測車両との距離が短い（近い）方の観測車両によって得られた走行データを選択することが好ましい。また、他の実施形態として、距離センサ（及びカメラ）の精度が高い方の走行データを選択するものであってもよい。その場合、観測車両毎のセンサ精度情報も収集する必要がある。
（走行データの第２の統合方法）
時間帯t2では、２台の観測車両ａ及びｂからの走行データを、値として統合するものであってもよい。この場合、走行データの変化量に基づいて任意の計算式によって算出することも好ましい。
(First method of integrating driving data)
In the time zone t2, since the traveling data is obtained from the two observation vehicles a and b, the traveling data of either one may be output. In that case, it is preferable to select the traveling data obtained by the observation vehicle having the shorter (closer) distance to the observed vehicle. Further, as another embodiment, the traveling data having the higher accuracy of the distance sensor (and the camera) may be selected. In that case, it is necessary to collect sensor accuracy information for each observation vehicle.
(Second method of integrating driving data)
In the time zone t2, the traveling data from the two observation vehicles a and b may be integrated as a value. In this case, it is also preferable to calculate by an arbitrary calculation formula based on the amount of change in the traveling data.
図９は、運転特性推定エンジンにおける学習モデルを構築する機能構成図である。 FIG. 9 is a functional configuration diagram for constructing a learning model in the driving characteristic estimation engine.
図９によれば、走行データが所定運転特性に基づく所定条件を満たした際に、当該走行データを含む時系列に複数の走行データを教師データとして選択する学習データ選択部１８を更に有する。所定条件とは、例えば危険運転と判断するために予め設定された走行データ（速度、距離と共に、角度、角速度など）の閾値を意味する。
学習データ選択部１８は、例えば速度及び距離の関係が所定条件（例えば加速度が所定閾値以上）を満たした場合、そのような走行データは例えば危険運転であるとして選択する。ここでは、所定条件を満たした走行データのみならず、その走行データを含む時系列範囲の複数の走行データを選択する。即ち、その走行データが検出される前段の走行データや後段の走行データも含まれるのが好ましい。
尚、このような所定条件は、ＣＡＮから得られる道路情報や交通情報によって異なるものとすることも好ましい。道路状況等によって、例えば危険運転の種類も異なることが想定されるためである。
According to FIG. 9, the learning
When the relationship between speed and distance satisfies a predetermined condition (for example, acceleration is equal to or higher than a predetermined threshold value), the learning
It is also preferable that such predetermined conditions differ depending on the road information and traffic information obtained from CAN. This is because it is assumed that, for example, the type of dangerous driving differs depending on the road conditions and the like.
これに対し、特徴量データ生成部１１は、選択された走行データを所定時間範囲（ウィンドウ）毎に区分することにより、速度及び距離を要素とした特徴量データを生成する。これら特徴量データは、例えば危険運転に基づく特徴量データとすることができる。
On the other hand, the feature amount
そして、運転特性推定エンジン１２は、異なる所定時間範囲（ウィンドウ）の複数の特徴量データを、所定運転特性に基づく教師データとして入力することによって、被観測車両の運転手における所定運転特性の尤度を出力するべく学習モデルを構築する。これによって、実運用の中で、学習モデルを構築することができる。
Then, the driving
以上、詳細に説明したように、本発明のプログラム、装置及び方法によれば、観測車両から見て、その観測車両の周辺で走行中の被観測車両の運転信号・車両信号を取得できなくても、その被観測車両の運転手の心理特性を推定することができる。 As described in detail above, according to the program, apparatus and method of the present invention, it is not possible to acquire the driving signal / vehicle signal of the observed vehicle running around the observed vehicle from the viewpoint of the observed vehicle. Also, the psychological characteristics of the driver of the observed vehicle can be estimated.
前述した本発明の種々の実施形態について、本発明の技術思想及び見地の範囲の種々の変更、修正及び省略は、当業者によれば容易に行うことができる。前述の説明はあくまで例であって、何ら制約しようとするものではない。本発明は、特許請求の範囲及びその均等物として限定するものにのみ制約される。 With respect to the various embodiments of the present invention described above, various changes, modifications and omissions within the scope of the technical idea and viewpoint of the present invention can be easily made by those skilled in the art. The above explanation is just an example and does not attempt to restrict anything. The present invention is limited only to the scope of claims and their equivalents.
１ 運転特性推定装置、携帯端末
１０ 走行データ記憶部
１１ 特徴量データ生成部
１２ 運転特性推定エンジン
１３０ 映像データ記憶部
１３１ 映像変化検出部
１４０ 音データ記憶部
１４１ 音変化検出部
１５０ 車両情報記憶部
１５１ 車両情報変化検出部
１６ アラーム表示部
１７ データ統合部
１８ 学習データ選択部
1 Driving characteristic estimation device,
Claims (14)
観測車両の速度と、当該観測車両から見た被観測車両との間の距離とを走行データとして、時系列に記憶した走行データ記憶手段と、
前記走行データにおける速度及び距離を要素とした特徴量データを生成する特徴量データ生成手段と、
複数の特徴量データを入力し、被観測車両の運転手における所定心理特性の尤度を出力する運転特性推定エンジンと
してコンピュータを機能させ、
前記運転特性推定エンジンは、教師データとして、過去に、複数のユーザにおける所定心理特性と、各ユーザが被観測車両の運転手となった際の当該運転手に対して観測された特徴量データとを対応付けて、予め学習モデルを構築した機械学習エンジンである
ようにコンピュータを機能させることを特徴するプログラム。 It is a program that makes the computer function in the device that estimates the psychological characteristics of the driver of the observed vehicle running around the observation vehicle.
A travel data storage means that stores the speed of the observation vehicle and the distance between the observation vehicle and the observed vehicle as travel data in chronological order.
A feature data generation means for generating feature data using speed and distance as elements in the travel data, and a feature data generation means.
With a driving characteristic estimation engine that inputs multiple feature quantity data and outputs the likelihood of a predetermined psychological characteristic in the driver of the observed vehicle.
To make the computer work,
As teacher data, the driving characteristic estimation engine includes predetermined psychological characteristics of a plurality of users and feature amount data observed for the driver when each user becomes a driver of the observed vehicle. It is a machine learning engine that builds a learning model in advance by associating
A program characterized by making a computer work in such a way.
ようにコンピュータを機能させることを特徴する請求項１に記載のプログラム。 The program according to claim 1, wherein the likelihood of the predetermined psychological trait causes the computer to function so as to include a likelihood of emotional instability and / or non-coordination.
前記運転特性推定エンジンは、異なる所定時間範囲の複数の特徴量データを入力し、
観測車両の速度の時間的変化に対して、被観測車両との間の距離の時間的変化が大きいほど、それら特徴量データを入力した前記運転特性推定エンジンは、被観測車両の所定心理特性の尤度が高くなるように推定する
ようにコンピュータを機能させることを特徴とする請求項１又は２記載のプログラム。 The feature amount data is based on a predetermined time range.
The driving characteristic estimation engine inputs a plurality of feature data in different predetermined time ranges, and inputs the data.
The greater the temporal change in the distance to the observed vehicle with respect to the temporal change in the speed of the observed vehicle, the more the driving characteristic estimation engine in which the feature amount data is input has the predetermined psychological characteristics of the observed vehicle. The program according to claim 1 or 2, wherein the computer is made to function so as to estimate the likelihood to be high.
観測車両の速度は、当該観測車両に設置された測位センサから出力された位置の時間的変位によって計測されたものであり、
被観測車両との間の距離は、当該観測車両に設置された距離センサによって計測されたものである
ようにコンピュータを機能させることを特徴とする請求項１から３のいずれか１項に記載のプログラム。 Regarding the traveling data storage means
The speed of the observation vehicle is measured by the temporal displacement of the position output from the positioning sensor installed in the observation vehicle.
The method according to any one of claims 1 to 3, wherein the distance to the observed vehicle causes the computer to function as if it was measured by a distance sensor installed in the observed vehicle. program.
前記特徴量データ生成手段の前記特徴量データは、前記角速度及び角度を要素として更に含む
ようにコンピュータを機能させることを特徴とする請求項１から４のいずれか１項に記載のプログラム。 The traveling data storage means further stores the angular velocity with respect to the observed vehicle, further stores the angle with respect to the observed vehicle, and further stores the angular velocity.
The program according to any one of claims 1 to 4, wherein the feature amount data of the feature amount data generation means causes a computer to function so as to further include the angular velocity and an angle as elements.
前記映像データ記憶手段を用いて、当該被観測車両の映像変化を検出する映像変化検出手段と
してコンピュータを機能させ、
前記特徴量データ生成手段の前記特徴量データは、前記映像変化を要素として更に含む
ようにコンピュータを機能させることを特徴とする請求項１から５のいずれか１項に記載のプログラム。 An image data storage means that stores the image data of the observed vehicle as seen from the observation vehicle,
Using the video data storage means, a computer is made to function as a video change detecting means for detecting a video change of the observed vehicle.
The program according to any one of claims 1 to 5, wherein the feature amount data of the feature amount data generation means causes a computer to function so as to further include the image change as an element.
ようにコンピュータを機能させることを特徴とする請求項６に記載のプログラム。 The program according to claim 6, wherein the image change of the image change detecting means causes a computer to function so as to be a blinking change of a lamp of the observed vehicle.
前記音データ記憶手段を用いて、所定周波数帯の音変化を検出する音変化検出手段と
してコンピュータを機能させ、
前記特徴量データ生成手段の前記特徴量データは、前記音変化を要素として更に含む
ようにコンピュータを機能させることを特徴とする請求項１から７のいずれか１項に記載のプログラム。 Sound data storage means that stores sound data around the observation vehicle,
Using the sound data storage means, a computer is made to function as a sound change detecting means for detecting a sound change in a predetermined frequency band.
The program according to any one of claims 1 to 7, wherein the feature amount data of the feature amount data generation means causes a computer to function so as to further include the sound change as an element.
当該プログラムは、アプリとしてインストールされたものである
ことを特徴とする請求項１から８のいずれか１項に記載のプログラム。 The device is a smartphone or a mobile terminal and can be installed in an observation vehicle.
The program according to any one of claims 1 to 8, wherein the program is installed as an application.
して更にコンピュータを機能させることを特徴とする請求項１から９のいずれか１項に記載のプログラム。 When the likelihood output from the driving characteristic estimation engine exceeds a predetermined threshold value, the psychological characteristics that affect the dangerous driving of the driver of the observed vehicle are displayed as an alarm to the driver of the observed vehicle. The program according to any one of claims 1 to 9, wherein the computer is further operated as a means.
前記走行データ記憶手段を用いて、被観測車両毎に、複数の観測車両からの走行データを時間軸上に統合するデータ統合手段として更に機能させ、
前記特徴量データ生成手段は、被観測車両毎に、特徴量データを生成する
ようにコンピュータを機能させることを特徴とする請求項１から１０のいずれか１項に記載のプログラム。 The traveling data storage means stores, for each observation vehicle, the speed of the observation vehicle and the distance between the observation vehicle and the observed vehicle in chronological order for a plurality of observation vehicles.
By using the traveling data storage means, the traveling data from a plurality of observed vehicles can be further functioned as a data integration means for integrating the traveling data on the time axis for each observed vehicle.
The program according to any one of claims 1 to 10, wherein the feature amount data generation means causes a computer to function so as to generate feature amount data for each observed vehicle.
前記特徴量データ生成手段は、選択された走行データにおける速度及び距離を要素とした特徴量データを生成し、
前記運転特性推定エンジンは、複数の特徴量データを、所定心理特性に基づく教師データとして入力することによって、被観測車両の運転手における所定心理特性の尤度を出力するべく学習モデルを構築する
ようにコンピュータを機能させることを特徴する請求項１から１１のいずれか１項に記載のプログラム。 Further having a learning data selection means for selecting a plurality of driving data as teacher data in a time series including the driving data when the driving data satisfies a predetermined condition based on a predetermined psychological characteristic.
The feature amount data generation means generates feature amount data having speed and distance as elements in the selected traveling data, and generates feature amount data.
The operating characteristic estimation engine, a plurality of feature amount data, by inputting as teacher data based on a predetermined psychological characteristics, to build a learning model in order to output the likelihood of a given psychological characteristics in the driver of the observed vehicle The program according to any one of claims 1 to 11, wherein the computer is made to function.
観測車両の速度と、当該観測車両から見た被観測車両との間の距離とを走行データとして、時系列に記憶した走行データ記憶手段と、
前記走行データにおける速度及び距離を要素とした特徴量データを生成する特徴量データ生成手段と、
複数の特徴量データを入力し、被観測車両の運転手における所定心理特性の尤度を出力する運転特性推定エンジンと
してコンピュータを機能させ、
前記運転特性推定エンジンは、教師データとして、過去に、複数のユーザにおける所定心理特性と、各ユーザが被観測車両の運転手となった際の当該運転手に対して観測された特徴量データとを対応付けて、予め学習モデルを構築した機械学習エンジンである
ことを特徴する装置。 It is a device that estimates the psychological characteristics of the driver of the observed vehicle running around the observed vehicle.
A travel data storage means that stores the speed of the observation vehicle and the distance between the observation vehicle and the observed vehicle as travel data in chronological order.
A feature data generation means for generating feature data using speed and distance as elements in the travel data, and a feature data generation means.
With a driving characteristic estimation engine that inputs multiple feature quantity data and outputs the likelihood of a predetermined psychological characteristic in the driver of the observed vehicle.
To make the computer work,
As teacher data, the driving characteristic estimation engine includes predetermined psychological characteristics of a plurality of users and feature amount data observed for the driver when each user becomes a driver of the observed vehicle. A device characterized by being a machine learning engine in which a learning model is constructed in advance by associating with.
前記装置は、観測車両の速度と、当該観測車両から見た被観測車両との間の距離とを走行データとして、時系列に記憶した走行データ記憶部を有し、
前記装置は、
前記走行データにおける速度及び距離を要素とした特徴量データを生成する第１のステップと、
複数の特徴量データを入力し、被観測車両の運転手における所定心理特性の尤度を出力する第２のステップと
を実行し、
第２のステップは、教師データとして、過去に、複数のユーザにおける所定心理特性と、各ユーザが被観測車両の運転手となった際の当該運転手に対して観測された特徴量データとを対応付けて、予め学習モデルを構築した機械学習エンジンを用いる
ことを特徴する装置の運転特性推定方法。 It is a driving characteristic estimation method of a device that estimates the psychological characteristics of the driver of the observed vehicle running around the observation vehicle.
The device has a travel data storage unit that stores the speed of the observation vehicle and the distance between the observation vehicle and the observed vehicle as travel data in chronological order.
The device is
The first step of generating feature data with speed and distance as elements in the traveling data, and
The second step of inputting a plurality of feature data and outputting the likelihood of a predetermined psychological characteristic in the driver of the observed vehicle.
And
In the second step, as teacher data, predetermined psychological characteristics of a plurality of users and feature amount data observed for the driver when each user becomes a driver of the observed vehicle in the past are used. A method for estimating the operating characteristics of a device, which is characterized by using a machine learning engine in which a learning model is constructed in advance in association with each other.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018011064A JP6894857B2 (en) | 2018-01-26 | 2018-01-26 | Programs, devices and methods for estimating the driving characteristics of the observed vehicle while traveling in the vicinity |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018011064A JP6894857B2 (en) | 2018-01-26 | 2018-01-26 | Programs, devices and methods for estimating the driving characteristics of the observed vehicle while traveling in the vicinity |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2019127196A JP2019127196A (en) | 2019-08-01 |
| JP6894857B2 true JP6894857B2 (en) | 2021-06-30 |
Family
ID=67471041
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018011064A Active JP6894857B2 (en) | 2018-01-26 | 2018-01-26 | Programs, devices and methods for estimating the driving characteristics of the observed vehicle while traveling in the vicinity |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6894857B2 (en) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102664123B1 (en) * | 2019-09-09 | 2024-05-09 | 현대자동차주식회사 | Apparatus and method for generating vehicle data, and vehicle system |
| JP7454366B2 (en) * | 2019-12-11 | 2024-03-22 | Ｔｏｙｏ Ｔｉｒｅ株式会社 | Vehicle driving condition evaluation method and system |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3639419B2 (en) * | 1997-10-29 | 2005-04-20 | 株式会社日立製作所 | Vehicle control method and vehicle control system |
| JP4781104B2 (en) * | 2005-12-28 | 2011-09-28 | 国立大学法人名古屋大学 | Driving action estimation device and driving support device |
| JP2009001096A (en) * | 2007-06-20 | 2009-01-08 | Toyota Central R&D Labs Inc | Operation support device, operation controller, and program |
| JP2010282368A (en) * | 2009-06-03 | 2010-12-16 | Toyota Central R&D Labs Inc | Driving support device and program |
| JP5974556B2 (en) * | 2012-03-13 | 2016-08-23 | 日産自動車株式会社 | Road information creation / distribution device, in-vehicle device, road information creation / distribution system, road information creation / distribution method |
| US10347127B2 (en) * | 2013-02-21 | 2019-07-09 | Waymo Llc | Driving mode adjustment |
| EP3352154A4 (en) * | 2015-09-18 | 2019-08-07 | Sony Corporation | Information processing device, information processing method, and program |
-
2018
- 2018-01-26 JP JP2018011064A patent/JP6894857B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2019127196A (en) | 2019-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11375338B2 (en) | Method for smartphone-based accident detection | |
| US10699569B2 (en) | Information processing apparatus, information processing method, and program | |
| US11904852B2 (en) | Information processing apparatus, information processing method, and program | |
| JP5521893B2 (en) | Driving support system, in-vehicle device | |
| US20200398743A1 (en) | Method and apparatus for learning how to notify pedestrians | |
| US10336252B2 (en) | Long term driving danger prediction system | |
| JP2020501227A (en) | System and method for driver distraction determination | |
| JP2014081947A (en) | Information distribution device | |
| JP5691237B2 (en) | Driving assistance device | |
| US11745745B2 (en) | Systems and methods for improving driver attention awareness | |
| JP2018124789A (en) | Driving evaluation device, driving evaluation method and driving evaluation system | |
| JP6894857B2 (en) | Programs, devices and methods for estimating the driving characteristics of the observed vehicle while traveling in the vicinity | |
| JP2018097479A (en) | Driving support apparatus, driving support method, driving support program, and driving support system | |
| Kim et al. | Driver reaction acceptance and evaluation to abnormal driving situations | |
| JP2012103849A (en) | Information provision device | |
| JP2019016238A (en) | Estimation apparatus, vehicle terminal, program, and method for estimating road section from which personal characteristic can be easily specified from driving vehicle signal | |
| JP5742180B2 (en) | Gaze point estimation device | |
| JP2017182494A (en) | Drive support device | |
| Petrona | Improvement of Motorcyclists' Safety: Designing a Motorcycle Observation Assist | |
| JP2018097485A (en) | Driving support apparatus, driving support method, driving support program, and driving support system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191218 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201201 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201204 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201216 |
|
| 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: 20210526 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210604 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6894857 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |