JP7045760B1 - Detection device, detection method and program - Google Patents
Detection device, detection method and program Download PDFInfo
- Publication number
- JP7045760B1 JP7045760B1 JP2021028383A JP2021028383A JP7045760B1 JP 7045760 B1 JP7045760 B1 JP 7045760B1 JP 2021028383 A JP2021028383 A JP 2021028383A JP 2021028383 A JP2021028383 A JP 2021028383A JP 7045760 B1 JP7045760 B1 JP 7045760B1
- Authority
- JP
- Japan
- Prior art keywords
- model
- driving
- driver
- range
- time
- 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
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
- Time Recorders, Dirve Recorders, Access Control (AREA)
Abstract
【課題】ドライバーの運転の傾向が変化したことを検知することを可能とする技術を提供すること。【解決手段】車両の運転データを取得する取得部と、運転データに基づいて、運転者の運転時間に関する運転時間モデルと、運転者が車両を運転する範囲を示す走行範囲モデルと、運転者が車両を運転する方法に関する運転方法モデルとを決定する決定部と、運転時間モデルの変化、走行範囲モデルの変化及び運転方法モデルの変化のうち少なくとも１つに基づいて、運転者の運転傾向が変化したことを検知する検知部と、を有する検知装置を提供する。【選択図】図３PROBLEM TO BE SOLVED: To provide a technique capable of detecting a change in a driver's driving tendency. SOLUTION: An acquisition unit for acquiring vehicle driving data, a driving time model relating to a driver's driving time based on the driving data, a traveling range model indicating a range in which the driver drives a vehicle, and a driver The driver's driving tendency changes based on at least one of a decision unit that determines a driving method model regarding how to drive the vehicle, a change in the driving time model, a change in the traveling range model, and a change in the driving method model. Provided is a detection device having a detection unit for detecting that has been done. [Selection diagram] Fig. 3
Description
本発明は、検知装置、検知方法及びプログラムに関する。 The present invention relates to a detection device, a detection method and a program.
現在、車両を運転するドライバーの安全等を確保するために、ＡＤＡＳ（Advanced Driver Assistance Systems）と呼ばれる機能の開発が進められている。ＡＤＡＳには様々な機能が含まれており、例えば、前方に障害物があることの警告、衝突が避けられないと判定された場合の自動ブレーキ及び車線を逸脱した場合の警告などが挙げられる。また、特許文献１には、車両やドライバーから取得した情報に基づいてドライバーの眠気度を予測する装置が開示されている。
Currently, in order to ensure the safety of drivers who drive vehicles, the development of a function called ADAS (Advanced Driver Assistance Systems) is underway. ADAS includes various functions, such as warning that there is an obstacle in front, automatic braking when it is determined that a collision is unavoidable, and warning when the vehicle deviates from the lane. Further,
事故が生じる要因は様々であるが、必ずしも運転中に生じる要因に限られない。ドライバーに疲労が蓄積していたり、精神的なストレスを抱えていたり等の理由で乱暴な運転をした結果事故を起こしたなど、正常時とは異なる状態であることが事故を引き起こす一因となるケースがある。そのため、ドライバーの運転の傾向を把握することは、事故を未然に防止するために必要であると考えられる。 There are various factors that cause an accident, but they are not necessarily limited to those that occur during driving. A condition different from normal, such as an accident caused by rough driving due to accumulated fatigue of the driver or mental stress, is one of the causes of the accident. There is a case. Therefore, it is considered necessary to understand the driving tendency of the driver in order to prevent accidents.
ＡＤＡＳは、自動車を運転中のドライバーに生じる一瞬の不注意を捉えて、自動的にブレーキをかけたり、警告を発したりといった何らかのアクションを行うことは可能である。しかしながら、ＡＤＡＳは、ドライバーの精神状態が徐々に悪化しており、その結果運転が徐々に乱暴になってきているなど、ドライバーの運転の傾向の変化を捉えることはできない。 ADAS can catch the momentary carelessness of a driver driving a car and take some action such as automatically braking or issuing a warning. However, ADAS cannot capture changes in the driver's driving tendency, such as the driver's mental state gradually deteriorating and, as a result, the driving gradually becoming violent.
そこで、本発明は、ドライバーの運転の傾向が変化したことを検知することを可能とする技術を提供することを目的とする。 Therefore, an object of the present invention is to provide a technique capable of detecting a change in a driver's driving tendency.
本発明の一態様に係る検知装置は、車両の運転データを取得する取得部と、運転データに基づいて、運転者の運転時間に関する運転時間モデルと、運転者が車両を運転する範囲を示す走行範囲モデルと、運転者が車両を運転する方法に関する運転方法モデルとを決定する決定部と、運転時間モデルの変化、走行範囲モデルの変化及び運転方法モデルの変化のうち少なくとも１つに基づいて、運転者の運転傾向が変化したことを検知する検知部と、を有する検知装置を提供する。 The detection device according to one aspect of the present invention has an acquisition unit that acquires driving data of the vehicle, a driving time model relating to the driving time of the driver based on the driving data, and traveling indicating a range in which the driver drives the vehicle. Based on at least one of a change in the driving time model, a change in the driving range model, and a change in the driving method model, the decision-making part that determines the range model and the driving method model regarding how the driver drives the vehicle. Provided is a detection device having a detection unit for detecting a change in a driver's driving tendency.
本発明によれば、ドライバーの運転の傾向が変化したことを検知することを可能とする技術を提供することができる。 INDUSTRIAL APPLICABILITY According to the present invention, it is possible to provide a technique capable of detecting that a driver's driving tendency has changed.
添付図面を参照して、本発明の実施形態について説明する。なお、各図において、同一の符号を付したものは、同一又は同様の構成を有する。 An embodiment of the present invention will be described with reference to the accompanying drawings. In each figure, those with the same reference numerals have the same or similar configurations.
＜システム構成＞
図１は、本実施形態に係る検知システム１の一例を示す図である。検知システム１は、ドライバーの運転の傾向が変化したことを検知し、変化の内容に応じたアクションを行うシステムである。変化の内容に応じたアクションには、事故を未然に防止するためにドライバーに対し注意を促すことも含まれる（つまり事故予兆検知を行う）。検知システム１は、検知装置１０及び１以上の車両２０を含む。検知装置１０と車両２０は、無線による通信ネットワークを介して接続され、相互に通信を行うことができる。
<System configuration>
FIG. 1 is a diagram showing an example of the
検知装置１０は、車両２０から運転データを取得し、取得した運転データに基づいてドライバー（運転者）の運転モデルを決定する。ここで、運転モデルとは、ドライバーが自動車を運転する際の傾向を表す指標や型である。また、本実施形態における運転モデルは、少なくとも、運転時間モデル、走行範囲モデル及び運転方法モデルの３種類のモデルを含む。
The
「運転時間モデル」は、ドライバーが自動車を運転する時間帯の傾向（例えば朝に運転することが多い、朝と夜に運転することが多いなど）を表している。「走行範囲モデル」は、ドライバーが自動車を運転する範囲の広さの傾向（例えば、近距離を運転することが多いのか長距離を運転することが多いのか等）を表している。「運転方法モデル」は、ドライバーの運転方法の傾向（平均的な車速はどのくらいなのか、アクセル操作やハンドル操作は丁寧なのか又は乱暴なのか等）を表している。 The "driving time model" represents the tendency of the driver to drive a car during the time period (for example, often driving in the morning, often driving in the morning and at night, etc.). The "driving range model" represents a tendency of the range in which the driver drives a vehicle (for example, whether the driver often drives a short distance or a long distance, etc.). The "driving method model" represents the tendency of the driver's driving method (what is the average vehicle speed, whether the accelerator operation and the steering wheel operation are polite or rough, etc.).
例えば、近所の買い物などで午前中に運転することが多く、かつ、慎重に運転するドライバーの場合、運転時間モデルは「午前中に運転」であり、走行範囲モデルは「自宅を中心とした１０ｋｍ圏内を運転」であり、運転方法モデルは「アクセル操作及びハンドル操作が丁寧」であるといったように、モデル化される。 For example, in the case of a driver who often drives in the morning for shopping in the neighborhood and who drives carefully, the driving time model is "driving in the morning" and the driving range model is "10 km centered on home". The driving method model is modeled as "driving within the range" and "the accelerator operation and the steering wheel operation are polite".
車両２０には、検知装置１０とデータの送受信を行う車載装置が搭載されている。車載装置は、車両２０又は車載装置が備える各種センサにより取得された各種データを検知装置１０に送信する。また、車載装置は、検知装置１０からの指示に応じて車両２０のＡＤＡＳ機能の設定を変更することや、検知装置１０から受信したメッセージ等を表示する機能を備える。
The
検知装置１０は、ドライバーの運転モデルが変化したことを検知した場合、運転モデルの変化の内容に基づいて、例えば、ドライバーが運転する車両２０又はドライバーが所有する端末に所定の通知を行ったり、車両２０に搭載されたＡＤＡＳ機能の設定を変更したりといった制御を行う。
When the
＜ハードウェア構成＞
図２は、検知装置１０のハードウェア構成例を示す図である。検知装置１０は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphical processing unit）等のプロセッサ１１、メモリ、ＨＤＤ（Hard Disk Drive）及び／又はＳＳＤ（Solid State Drive）等の記憶装置１２、有線又は無線通信を行う通信ＩＦ（Interface）１３、入力操作を受け付ける入力デバイス１４、及び情報の出力を行う出力デバイス１５を有する。入力デバイス１４は、例えば、キーボード、タッチパネル、マウス及び／又はマイク等である。出力デバイス１５は、例えば、ディスプレイ、タッチパネル及び／又はスピーカ等である。
<Hardware configuration>
FIG. 2 is a diagram showing a hardware configuration example of the
検知装置１０は、１又は複数の物理的なサーバ等から構成されていてもよいし、ハイパーバイザー（hypervisor）上で動作する仮想的なサーバを用いて構成されていてもよいし、クラウドサーバを用いて構成されていてもよい。
The
＜機能ブロック構成＞
図３は、検知装置１０の機能ブロック構成例を示す図である。検知装置１０は、取得部１０１と、決定部１０２と、検知部１０３と、制御部１０４と、記憶部１０５とを含む。記憶部１０５は、検知装置１０が備える記憶装置１２を用いて実現することができる。また、取得部１０１と、決定部１０２と、検知部１０３と、制御部１０４とは、検知装置１０のプロセッサ１１が、記憶装置１２に記憶されたプログラムを実行することにより実現することができる。また、当該プログラムは、記憶媒体に格納することができる。当該プログラムを格納した記憶媒体は、コンピュータ読み取り可能な非一時的な記憶媒体（Non-transitory computer readable medium）であってもよい。非一時的な記憶媒体は特に限定されないが、例えば、ＵＳＢメモリ又はＣＤ－ＲＯＭ等の記憶媒体であってもよい。
<Functional block configuration>
FIG. 3 is a diagram showing an example of a functional block configuration of the
取得部１０１は、複数の車両２０から、車両２０の運転データを取得し、記憶部１０５の運転データＤＢ（DataBase）に格納する。
The
決定部１０２は、検知対象のドライバーの運転データに基づいて、運転モデルを決定し、決定した検知対象のドライバーの運転モデルを、運転モデル履歴ＤＢに格納する。より詳細には、決定部１０２は、検知対象のドライバーの運転データに基づいて、ドライバーの運転時間に関する運転時間モデルと、ドライバーが車両２０を運転する範囲を示す走行範囲モデルと、ドライバーが車両２０を運転する方法に関する運転方法モデルとを決定し、決定した運転時間モデルと、走行範囲モデルと、運転方法モデルとを運転モデル履歴ＤＢに格納する。
The
決定部１０２は、運転モデルをどのように決定してもよいが、所定期間（例えば１週間前から現在まで等）の運転データを分析し、当該所定期間において所定回数以上現れるデータ（例えば高頻度に現れるデータ）に従って運転モデルを決定するようにしてもよい。
The
検知部１０３は、ドライバーの運転モデルの変化の有無に基づいて、ドライバーの運転傾向が変化したことを検知する。より詳細には、検知部１０３は、運転時間モデルの変化、走行範囲モデルの変化及び運転方法モデルの変化のうち少なくとも１つに基づいて、ドライバーの運転傾向が変化したことを検知する。
The
制御部１０４は、検知部１０３によりドライバーの運転傾向が変化したことが検知された場合、ドライバーの運転傾向の変化の内容に応じた所定の制御を行う。所定の制御は、ドライバーに対して運転傾向が変化していることを示す通知を行うことであってもよい。運転傾向が変化していることを示す通知を行うことは、例えば、メッセージをディスプレイに表示することであってもよいし、アラーム音を鳴らすことやバイブレータを振動させることあってもよい。また、所定の制御は、車両２０に搭載されたＡＤＡＳ（運転サポート装置）の設定を変更することであってもよい。
When the
記憶部１０５は、運転データＤＢと運転モデル履歴ＤＢとを記憶する。
The
＜処理手順＞
（運転モデルの決定）
図４は、ドライバーの運転モデルを決定及び更新する処理手順の一例を示すフローチャートである。
<Processing procedure>
(Determination of driving model)
FIG. 4 is a flowchart showing an example of a processing procedure for determining and updating a driver's driving model.
ステップＳ１０で、取得部１０１は、複数の車両２０から運転データを取得し、運転データＤＢに格納する。
In step S10, the
運転データは、どのようなデータであってもよいが、例えば、車両２０の位置情報（ＧＰＳの出力情報）、速度、加速度、進行方向、アクセル開度、ブレーキの強さ及びハンドル角度等を含んでいてもよい。また、運転データは、ドライバーの心拍数や、ドライバーの表情を表す顔画像等を含んでいてもよい。運転データには、いつ計測されたデータであるのかを示す時刻データが含まれている。
The driving data may be any data, and includes, for example, the position information (GPS output information) of the
ステップＳ１１で、決定部１０２は、検知対象のドライバーの運転データに基づいて、運転方法モデルと、走行範囲モデルと、運転方法モデルとを決定する。また、決定部１０２は、決定した、検知対象のドライバーの運転方法モデルと、走行範囲モデルと、運転方法モデルとを、いつの時点の運転モデルなのかを示す日付情報（例えば、２０２０年１月２０日～１月２６日の１週間の運転データを用いて決定した運転モデルなど）と対応づけて運転モデル履歴ＤＢに記録する。
In step S11, the
検知対象のドライバーは、どのように選択されたドライバーであってもよいが、例えば、検知システム１を用いて事故予兆サービスを提供する企業等により選択されたドライバー（例えば事故予兆サービスに加入しているドライバーなど）であってもよい。 The driver to be detected may be any driver selected, and for example, a driver selected by a company or the like that provides an accident predictive service using the detection system 1 (for example, by subscribing to the accident predictive service). It may be a driver, etc.).
決定部１０２は、運転方法モデルと、走行範囲モデルと、運転方法モデルとをどのように決定してもよいが、所定期間（例えば１ヵ月分など）の運転データを分析し、当該所定期間において所定回数以上現れるデータ（例えば高頻度に現れるデータ）が、予め定められたクラスタのうちどのクラスタに属するのかを判定することで運転モデルを決定するようにしてもよい。
The
図５は、運転時間クラスタの一例を示す図である。図５の例では、運転時間クラスタとして、「１．夜間移動（１８時～３時）」、「２．午後移動（１３時～１８時）」、「３．午前移動（６時～１２時）」、「４．早朝（３時～６時）及び夕方（１５時～１８時）移動」及び「５．朝（６時～９時）及び夜間（１８時～３時）移動」の５つのクラスタが定められている。 FIG. 5 is a diagram showing an example of an operation time cluster. In the example of FIG. 5, the operating time clusters are "1. Night movement (18:00 to 3:00)", "2. Afternoon movement (13:00 to 18:00)", and "3. Morning movement (6:00 to 12:00)". ) ”,“ 4. Early morning (3:00 to 6:00) and evening (15:00 to 18:00) movement ”and“ 5. Morning (6:00 to 9:00) and night (18:00 to 3:00) movement ”5 Two clusters have been defined.
図６は、運転時間の頻度の一例を示す図である。図６は、５人のドライバーの各々のある１ヵ月分の運転データを、１週間単位で集計したデータを示している。グラフにおいて明るい部分は運転頻度が多い時間帯である。例えばドライバーＡは、ある１ヵ月間において夜間に多く運転していることが分かる。従って、決定部１０２は、ドライバーＡの運転時間モデルを、「１．夜間移動」であると決定する。同様に、ドライバーＤは、早朝及び夕方に多く運転していることが分かる。従って、決定部１０２は、ドライバーＤの運転モデルを、「４．早朝及び夕方移動」であると決定する。
FIG. 6 is a diagram showing an example of the frequency of operation time. FIG. 6 shows data obtained by aggregating the driving data for one month of each of the five drivers on a weekly basis. The bright part in the graph is the time zone when the driving frequency is high. For example, it can be seen that Driver A drives a lot at night in a certain month. Therefore, the
図７は、走行範囲クラスタの一例を示す図である。図７の例では、走行範囲クラスタとして、「１．近距離（４ｋｍ未満）」、「２．中距離（４ｋｍ以上～５０ｋｍ未満）」及び「３．長距離（４ｋｍ以上～５０ｋｍ未満）」の３つのクラスタが定められている。 FIG. 7 is a diagram showing an example of a traveling range cluster. In the example of FIG. 7, the traveling range clusters are "1. short distance (less than 4 km)", "2. medium distance (4 km or more and less than 50 km)", and "3. long distance (4 km or more and less than 50 km)". Three clusters are defined.
図８は、走行場所の頻度の一例を示す図である。図８は、地図上の各メッシュについて、各メッシュをドライバーが走行した頻度を示している。凡例において走行頻度の数字が大きいほど、走行頻度が高いことを意味している。決定部１０２は、走行頻度が所定の値以上（例えば走行頻度が４以上）である全てのメッシュを含む範囲の大きさに基づいて、走行範囲モデルを決定するようにしてもよい。例えば、決定部１０２は、全メッシュを含む最小の円を描いた場合における当該円の半径を、ドライバーの走行範囲とするようにしてもよい。例えば、当該円の半径が１０ｋｍであったとする。この場合、決定部１０２は、ドライバーの走行範囲モデルは、「２．中距離」を運転するモデルであると決定するようにしてもよい。
FIG. 8 is a diagram showing an example of the frequency of traveling places. FIG. 8 shows the frequency with which the driver traveled on each mesh for each mesh on the map. In the legend, the larger the number of running frequency, the higher the running frequency. The
図９は、運転方法クラスタの一例を示す図である。図９の例では、運転方法クラスタとして、「１．低速域（３０ｋｍ／ｈ未満）」、「２．中速域（３０ｋｍ／ｈ以上７０ｋｍ／ｈ未満）」、「３．高速域（７０ｋｍ／ｈ以上）」、・・・、「７．中速域＋急減速停止＋急発進」等が定められている。 FIG. 9 is a diagram showing an example of an operation method cluster. In the example of FIG. 9, the operation method clusters are "1. low speed range (less than 30 km / h)", "2. medium speed range (30 km / h or more and less than 70 km / h)", and "3. high speed range (70 km / h)". h or more) ”, ...,“ 7. Medium speed range + sudden deceleration stop + sudden start ”, etc. are defined.
例えば、決定部１０２は、所定期間の運転データを、定速走行中、加速中及び減速中に分類する。また、決定部１０２は、定速走行中について、低速域（３０ｋｍ／ｈ未満）での走行、中速域（３０ｋｍ／ｈ以上７０ｋｍ／ｈ未満）での走行、及び高速域（７０ｋｍ／ｈ以上）での走行に分類する。また、決定部１０２は、加速中については、通常の加速度なのか、急加速なのかに分類し、減速中については、通常の減速度なのか、急減速（急ブレーキ）なのか、更に急減速して停止したのかに分類する。続いて、決定部１０２は、分類分けした場面のうち出現頻度が最も多い場面がどの運転方法クラスタに属するのかを判定することで、ドライバーの運転方法モデルを決定する。
For example, the
図４に戻り説明を続ける。決定部１０２は、ステップＳ１０及びステップＳ１１の処理手順を所定期間ごとに繰り返すことで、ドライバーの所定期間ごとの運転モデルを決定する（Ｓ１２－ＮＯ）。また、決定部１０２は、運転モデルの変化を検知する必要がなくなったドライバーについては処理を終了する（Ｓ１２－ＹＥＳ）。つまり、ドライバーの運転モデルは、所定期間の単位で決定されていく。所定期間は、例えば１週間単位や１ヵ月単位などであってもよい。これにより、運転モデル履歴ＤＢには、検知対象のドライバーの運転モデルが所定期間ごとに順に記録されていくことになる。例えば、所定期間が１ヵ月単位である場合、２０２０年１月の運転モデル（より正確には１月１日～１月３１日までの運転データに基づく運転モデル）、２０２０年２月の運転モデル（より正確には２月１日～２月２９日までの運転データに基づく運転モデル）、２０２０年３月の運転モデル、・・・、２０２０年１２月の運転モデルといったように、運転モデルが記録されていくことになる。
Returning to FIG. 4, the explanation will be continued. The
なお、図４に示す処理手順は、蓄積された過去の運転データに対してバッチ処理として実行されるようにしてもよいし、新たな運転データが蓄積される度にリアルタイムに実行されるようにしてもよい。 The processing procedure shown in FIG. 4 may be executed as a batch process for the accumulated past operation data, or may be executed in real time each time new operation data is accumulated. You may.
例えば、決定部１０２は、過去数ヵ月の運転データを所定期間ごとに区切った運転データの各々に対して運転モデルを決定することで、過去数ヵ月の運転データについての所定期間ごとの運転モデルをまとめて決定するようにしてもよい。
For example, the
若しくは、決定部１０２は、新たな運転データが蓄積される度に、運転モデルを決定するようにしてもよい。例えば、決定部１０２は、運転モデルを決定してから所定期間が経過し、所定期間分の運転データが新たに蓄積された時点で、当該新たに蓄積された所定期間分の運転データに対して運転モデルを決定するようにしてもよい。
Alternatively, the
（運転モデルの変化の検知）
図１０は、ドライバーの運転モデルの変化を検知する際の処理手順の一例を示すフローチャートである。
(Detection of changes in driving model)
FIG. 10 is a flowchart showing an example of a processing procedure for detecting a change in the driver's driving model.
ステップＳ２０で、検知部１０３は、運転モデル履歴ＤＢから、検知対象のドライバーの運転モデルのデータを取得する。
In step S20, the
ステップＳ２１で、検知部１０３は、運転方法モデルに短期的な変化があるのか否かを判定する。具体的には、検知部１０３は、第１時間における運転時間モデルと、走行範囲モデルと、運転方法モデルと、第２時間における運転時間モデルと、走行範囲モデルと、運転方法モデルとを比較することで、運転モデルに短期的な変化があるのか否かを判定する。運転モデルに短期的な変化があった場合（Ｓ２１－ＹＥＳ）、検知部１０３は、ドライバーの短期的な運転傾向が変化したことを検知する（Ｓ２２）。
In step S21, the
ステップＳ２３で、検知部１０３は、運転方法モデルに長期的な変化があるのか否かを判定する。具体的には、検知部１０３は、第１時間における運転時間モデルと、走行範囲モデルと、運転方法モデルと、第２時間よりも過去の時間である第３時間おける運転時間モデルと、走行範囲モデルと、運転方法モデルとを比較することで、運転モデルに長期的な変化があるのか否かを判定する。運転モデルに長期的な変化があった場合（Ｓ２３－ＹＥＳ）、検知部１０３は、ドライバーの長期的な運転傾向が変化したことを検知する（Ｓ２４）。
In step S23, the
ここで、運転モデル履歴ＤＢに、検知対象のドライバーの運転モデルが１ヵ月ごとに記録されていると仮定する。例えば、運転モデル履歴ＤＢには、２０２０年１月の運転モデル、２０２０年２月の運転モデル、２０２０年３月の運転モデル、・・・、２０２０年１２月の運転モデルが記録されていると仮定する。短期的な変化とは、例えば最新の運転モデルと、１ヵ月前の運転モデルと比較することを意味していてもよい。すなわち、第１時間における運転モデルは、最新の運転モデル（つまり２０２０年１２月の運転モデル）であり、第２時間における運転モデルは、最新の運転モデルの１ヵ月前の運転モデル（２０２０年１１月の運転モデル）であってもよい。また、長期的な変化とは、例えば最新の運転モデルと、半年前の運転モデルと比較することを意味していてもよい。すなわち、第３時間における運転モデルは、例えば１最新の運転モデルの半年前の運転モデル（２０２０年６月の運転モデル）であってもよい。なお、短期的な変化及び長期的な変化について、比較対象とする運転モデルのタイミングは上記の例に限られない。 Here, it is assumed that the driving model of the driver to be detected is recorded in the driving model history DB every month. For example, in the driving model history DB, the driving model in January 2020, the driving model in February 2020, the driving model in March 2020, ..., The driving model in December 2020 are recorded. Suppose. Short-term changes may mean, for example, comparing the latest driving model with the driving model one month ago. That is, the driving model in the first hour is the latest driving model (that is, the driving model in December 2020), and the driving model in the second hour is the driving model one month before the latest driving model (November 2020). It may be a lunar driving model). Further, the long-term change may mean, for example, comparing the latest driving model with the driving model six months ago. That is, the driving model in the third hour may be, for example, a driving model six months before the latest driving model (driving model in June 2020). Regarding short-term changes and long-term changes, the timing of the operation model to be compared is not limited to the above example.
検知部１０３により、ドライバーの短期的又は長期的な運転傾向が変化したことが検知された場合（Ｓ２２、Ｓ２４）、制御部１０４は、ドライバーの運転傾向の変化の内容に応じた所定の制御を行う。
When the
図１１は、ドライバーの運転傾向の変化の内容に応じた所定の制御の一例を示す図である。図１１において、「変化なし」は、変化していない場合を意味し、「－」は、変化の有無を問わないことを意味する。また、図１１において、「成績悪化」とは、運転方法モデルがより危険な運転に変化したことを意味し、「成績良化」とは、運転方法モデルが改善されたことを意味する。図９の例において、どのクラスタからどのクラスタに移動した場合に「成績悪化」と判定され、どのクラスタからどのクラスタに移動した場合に「成績良化」と判定されるのかについては、予め設定情報として記憶部１０５に格納されていてもよい。検知部１０３は、当該設定情報を参照することで、運転方法モデルが「成績悪化」したのか又は「成績良化」したのかを判定することとしてもよい。
FIG. 11 is a diagram showing an example of predetermined control according to the content of the change in the driving tendency of the driver. In FIG. 11, “no change” means that there is no change, and “−” means that there is no change. Further, in FIG. 11, "deterioration of performance" means that the driving method model has changed to more dangerous driving, and "improvement of performance" means that the driving method model has been improved. In the example of FIG. 9, it is determined in advance that "performance deterioration" is determined when moving from which cluster to which cluster, and "performance improvement" is determined when moving from which cluster to which cluster. It may be stored in the
例えば、ドライバーの運転時間モデルが「２．午後移動」から「１．夜間移動」に短期的に変化し、運転方法モデルは変化していないと仮定する。この場合、短期的な残業などにより帰宅が遅くなったことで運転モデルが変化したことが考えられる。そこで、制御部１０４は、所定の制御として、ＡＤＡＳの設定を強化したり（例えば自動ブレーキの感度を上げる）、夜間の運転に注意すべきとのメッセージを、ドライバーが運転する車両２０の車載装置又はドライバーが所有する携帯端末等に表示させたりしてもよい。
For example, it is assumed that the driver's driving time model changes from "2. afternoon movement" to "1. night movement" in the short term, and the driving method model does not change. In this case, it is possible that the driving model has changed due to the delay in returning home due to short-term overtime. Therefore, the
また、ドライバーの運転時間モデル及び走行範囲モデルは変化せず、運転方法モデルが、長期的に「１．低速域」から「５．低速域＋急減速停止＋発信」に変化したと仮定する。この場合、ストレス等により注意力が散漫になっていることで運転モデルが変化したことが考えられる。そこで、制御部１０４は、所定の制御として、ＡＤＡＳの設定を強化したり（例えば自動ブレーキの感度を上げる）、ストレス解消を促すコメントや心身をねぎらうコメントを、ドライバーが運転する車両２０の車載装置又はドライバーが所有する携帯端末等に表示させたりしてもよい。
Further, it is assumed that the driver's driving time model and traveling range model do not change, and the driving method model changes from "1. low speed range" to "5. low speed range + sudden deceleration stop + transmission" in the long term. In this case, it is conceivable that the driving model has changed due to distraction due to stress or the like. Therefore, as predetermined control, the
＜補足事項＞
図５、図７及び図９に示す運転方法クラスタ、走行範囲クラスタ及び運転方法クラスタはあくまで一例に過ぎず、図示したクラスタ以外に分類されていてもよい。また、検知装置１０は、運転データＤＢに格納された大量の運転データを、機械学習技術（例えばｋ－ｍｅａｎｓ法など）を用いてクラスタリングすることで、運転方法クラスタ、走行範囲クラスタ及び運転方法クラスタを定義するようにしてもよい。
<Supplementary information>
The operating method clusters, traveling range clusters, and operating method clusters shown in FIGS. 5, 7 and 9 are merely examples, and may be classified into clusters other than those shown in the drawings. Further, the
また、決定部１０２は、曜日の観点を加えて運転時間モデルを決定することとしてもよい。例えば、「１．夜間移動（平日）＋移動なし（休日）」、「２．夜間移動（平日）＋夜間移動（休日）」、「３．夜間移動（平日）＋午後移動（休日）」、「４．夜間移動（平日）＋午前移動（休日）」、「５．夜間移動（平日）＋早朝及び夕方移動（休日）」、「６．夜間移動（平日）＋朝及び夜間移動（休日）」、「７．午後移動（平日）＋移動なし（休日）」、・・・、「ＸＸ．朝及び夜間移動（平日）＋朝及び夜間移動（休日）」などといったように詳細に分類されていてもよい。
Further, the
また、決定部１０２は、出発地の観点を加えて走行範囲モデルを決定することとしてもよい。例えば、「１．住所ＸＸを中心に近距離」、「２．住所ＸＸを中心に中距離」、「３．住所ＸＸを中心に長距離」などといったように走行範囲モデルを決定することとしてもよい。これにより、短期又は長期の運転モデルの変化が、引っ越しを起因することによる変化であるといったことを検知することが可能になる。
Further, the
また、制御部１０４は、運転モデルの変化に加えて、ドライバーの年齢に基づいて、所定の制御の内容を決定するようにしてもよい。例えば、運転方法モデルが長期的に「成績悪化」に該当する方向に変化した場合において、ドライバーが高齢である場合、制御部１０４は、ドライバー以外の第三者（例えば親族等）が所有する端末等に、注意喚起を促す通知メッセージを送信するようにしてもよい。
Further, the
また、運転方法モデルは、道路種別、エリア及び／又は時間帯ごとに細分化されていてもよい。例えば、運転方法モデルを道路種別ごとに細分化する場合、決定部１０２は、高速道路を運転する際の運転方法モデル、一般道を運転する際の運転方法モデルといったように、ドライバーの運転方法モデルを、道路種別ごとに決定するようにしてもよい。また、運転方法モデルをエリアごとに細分化する場合、決定部１０２は、日常的に運転するエリア（例えば走行範囲モデルにより決定されたエリア）を運転する際の運転方法モデル、日常的に運転するエリア以外のエリア（例えば走行範囲モデルにより決定されたエリア以外のエリア）を運転する際の運転方法モデルといったように、ドライバーの運転モデルを、所定のエリアごとに決定するようにしてもよい。また、運転方法モデルを時間帯ごとに細分化する場合、決定部１０２は、早朝、朝、午前中、午後、夕方、夜間、深夜などのように、ドライバーの運転モデルを、所定の時間帯ごとに決定するようにしてもよい。なお、時間帯の区切り方はどのような区切りであってもよい。２つの時間帯（第１時間帯、第２時間帯など）であってもよいし、３つ以上の時間帯（第１時間帯、第２時間帯、第３時間帯など）であってもよい。なお、運転方法モデルを、道路種別、エリア及び／又は時間帯ごとに細分化する場合、検知部１０３は、同一の道路種別、同一のエリア及び／又は同一の時間帯における運転方法モデル同士を比較することで、運転方法モデルの変化を検知するようにしてもよい。ドライバーの中には、一般道と高速道路では運転方法が異なるようなドライバーや、出勤時と帰宅時とでは運転方法が異なるようなドライバーが存在すると考えられる。運転方法モデルを道路種別、エリア及び／又は時間帯ごとに細分化することで、ドライバーの運転方法の変化を、より詳細に捉えることが可能になる。
Further, the driving method model may be subdivided by road type, area and / or time zone. For example, when the driving method model is subdivided by road type, the
また、上述の説明では、決定部１０２は、所定期間の運転データを、定速走行中、加速中及び減速中に分類し、分類分けした場面のうち出現頻度が最も多い場面がどの運転方法クラスタに属するのかを判定することで、ドライバーの運転方法モデルを決定することとしたが、これに限定されない。例えば、決定部１０２は、分類分けした場面のうち出現頻度が所定の閾値以上である場面に基づいて、ドライバーの運転方法モデルを決定することとしてもよい。この場合において、出現頻度が所定の閾値以上である場面が複数存在する場合、決定部１０２は、複数の場面の各々がどの運転方法クラスタに属するのかに基づいて、運転方法モデルを決定することとしてもよい。例えば、運転データの出現頻度のうち所定の閾値以上である場面に対応する運転方法クラスタが「１．低速域」と「１１．高速域＋急減速＋加速」に属する場合、決定部１０２は、ドライバーの運転方法モデルを、「１．低速域」と「１１．高速域＋急減速＋加速」の両方であると決定することが考えられる。なお、検知部１０３は、複数の運転方法クラスタにより表現された運転方法モデルの場合、いずれか１つの運転方法クラスタが変化した場合に、運転方法モデルが変化したと判定するようにしてもよい。ドライバーの運転方法の変化を、より詳細に捉えることが可能になる。
Further, in the above description, the
＜まとめ＞
以上説明した実施形態によれば、ドライバーの運転データに基づいて運転モデルを決定し、運転モデルの変化を検知するようにした。これにより、ドライバーの運転の傾向が変化したことを検知することが可能になる。また、運転モデルの変化について、短期的な変化及び長期的な変化を検知するようにした。これにより、ドライバーの運転モデルの変化を詳細に検知することが可能になり、変化に応じたより適切なアクションを行うことが可能になる。
<Summary>
According to the embodiment described above, the driving model is determined based on the driving data of the driver, and the change of the driving model is detected. This makes it possible to detect that the driver's driving tendency has changed. In addition, short-term changes and long-term changes are detected for changes in the driving model. This makes it possible to detect changes in the driver's driving model in detail, and to take more appropriate actions in response to the changes.
以上説明した実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。実施形態で説明したフローチャート、シーケンス、実施形態が備える各要素並びにその配置、材料、条件、形状及びサイズ等は、例示したものに限定されるわけではなく適宜変更することができる。また、異なる実施形態で示した構成同士を部分的に置換し又は組み合わせることが可能である。 The embodiments described above are for facilitating the understanding of the present invention, and are not for limiting the interpretation of the present invention. The flowcharts, sequences, elements included in the embodiments, arrangements, materials, conditions, shapes, sizes, and the like described in the embodiments are not limited to those exemplified, and can be appropriately changed. Further, it is possible to partially replace or combine the configurations shown in different embodiments.
例えば、検知装置１０が備える機能の全部又は一部は、車載装置に搭載されることとしてもよい。一例として、ドライブレコーダ等の車載装置に、検知装置１０が備える機能を搭載することとしてもよい。ドライバーの運転傾向の変化を検知して通知する機能を備えたドライブレコーダ等を提供することが可能になる。
For example, all or part of the functions of the
１…検知システム、１０…検知装置、１１…プロセッサ、１２…記憶装置、１３…通信ＩＦ、１４…入力デバイス、１５…出力デバイス、２０…車両、１０１…取得部、１０２…決定部、１０３…検知部、１０４…制御部、１０５…記憶部 1 ... Detection system, 10 ... Detection device, 11 ... Processor, 12 ... Storage device, 13 ... Communication IF, 14 ... Input device, 15 ... Output device, 20 ... Vehicle, 101 ... Acquisition unit, 102 ... Determination unit, 103 ... Detection unit, 104 ... Control unit, 105 ... Storage unit
Claims (7)
前記運転データに基づいて、検知対象である一の運転者が前記車両を運転する時間帯の傾向を示す運転時間モデルと、前記運転者が前記車両を運転する範囲の広さの傾向を示す走行範囲モデルと、前記運転者が前記車両を運転する方法の傾向を示す運転方法モデルとを決定する決定部と、
前記運転時間モデルの変化、前記走行範囲モデルの変化及び前記運転方法モデルの変化のうち少なくとも１つに基づいて、前記運転者の運転傾向が変化したことを検知する検知部と、
を有し、
前記決定部は、前記運転方法モデルを、前記走行範囲モデルにより定められた範囲に対応する運転方法モデルと、前記走行範囲モデルにより定められた範囲外に対応する運転方法モデルとに分けて決定する、
検知装置。 The acquisition unit that acquires the driving data of the vehicle,
Based on the driving data, a driving time model showing a tendency of a time zone in which one driver to be detected drives the vehicle, and a running showing a tendency of a wide range in which the driver drives the vehicle. A determination unit that determines a range model and a driving method model that indicates the tendency of the driver to drive the vehicle.
A detection unit that detects that the driving tendency of the driver has changed based on at least one of a change in the driving time model, a change in the traveling range model, and a change in the driving method model.
Have,
The determination unit divides the driving method model into a driving method model corresponding to a range determined by the traveling range model and a driving method model corresponding to a range outside the range defined by the traveling range model. ,
Detection device.
前記検知部は、
第１時間における前記運転時間モデルと、前記走行範囲モデルと、前記運転方法モデルと、第２時間における前記運転時間モデルと、前記走行範囲モデルと、前記運転方法モデルとを比較することで、前記運転者の短期的な運転傾向が変化したことを検知し、
第１時間における前記運転時間モデルと、前記走行範囲モデルと、前記運転方法モデルと、前記第２時間よりも過去の時間である第３時間おける前記運転時間モデルと、前記走行範囲モデルと、前記運転方法モデルとを比較することで、前記運転者の長期的な運転傾向が変化したことを検知する、
請求項１に記載の検知装置。 The determination unit records the operation time model, the travel range model, and the operation method model in association with time.
The detector is
By comparing the driving time model, the traveling range model, the driving method model, the driving time model in the second time, the traveling range model, and the driving method model in the first time, the said Detects changes in the driver's short-term driving habits and detects
The driving time model in the first time, the traveling range model, the driving method model, the operating time model in the third time, which is a time earlier than the second time, the traveling range model, and the above. By comparing with the driving method model, it is detected that the long-term driving tendency of the driver has changed.
The detection device according to claim 1.
請求項１又は２に記載の検知装置。 It has a control unit that performs predetermined control according to the content of the change in the driving tendency of the driver when it is detected that the driving tendency of the driver has changed.
The detection device according to claim 1 or 2.
請求項３に記載の検知装置。 The control unit gives a predetermined notification to the driver as the predetermined control.
The detection device according to claim 3.
請求項３又は４に記載の検知装置。 The control unit changes the setting of the driving support device mounted on the vehicle as the predetermined control.
The detection device according to claim 3 or 4.
車両の運転データを取得するステップと、
前記運転データに基づいて、検知対象である一の運転者が前記車両を運転する時間帯の傾向を示す運転時間モデルと、前記運転者が前記車両を運転する範囲の広さの傾向を示す走行範囲モデルと、前記運転者が前記車両を運転する方法の傾向を示す運転方法モデルとを決定するステップと、
前記運転時間モデルの変化、前記走行範囲モデルの変化及び前記運転方法モデルの変化のうち少なくとも１つに基づいて、前記運転者の運転傾向が変化したことを検知するステップと、
を含み、
前記決定するステップは、前記運転方法モデルを、前記走行範囲モデルにより定められた範囲に対応する運転方法モデルと、前記走行範囲モデルにより定められた範囲外に対応する運転方法モデルとに分けて決定する、
検知方法。 It is a detection method performed by a detection device.
Steps to get vehicle driving data and
Based on the driving data, a driving time model showing a tendency of a time zone in which one driver to be detected drives the vehicle, and a running showing a tendency of a wide range in which the driver drives the vehicle. A step of determining a range model and a driving method model showing the tendency of the driver to drive the vehicle, and
A step of detecting a change in the driving tendency of the driver based on at least one of a change in the driving time model, a change in the traveling range model, and a change in the driving method model.
Including
The step to be determined is determined by dividing the driving method model into a driving method model corresponding to a range defined by the traveling range model and a driving method model corresponding to a range outside the range defined by the traveling range model. do,
Detection method.
前記運転データに基づいて、検知対象である一の運転者が前記車両を運転する時間帯の傾向を示す運転時間モデルと、前記運転者が前記車両を運転する範囲の広さの傾向を示す走行範囲モデルと、前記運転者が前記車両を運転する方法の傾向を示す運転方法モデルとを決定するステップと、
前記運転時間モデルの変化、前記走行範囲モデルの変化及び前記運転方法モデルの変化のうち少なくとも１つに基づいて、前記運転者の運転傾向が変化したことを検知するステップと、
をコンピュータに実行させ、
前記決定するステップは、前記運転方法モデルを、前記走行範囲モデルにより定められた範囲に対応する運転方法モデルと、前記走行範囲モデルにより定められた範囲外に対応する運転方法モデルとに分けて決定する、
プログラム。 Steps to get vehicle driving data and
Based on the driving data, a driving time model showing a tendency of a time zone in which one driver to be detected drives the vehicle, and a running showing a tendency of a wide range in which the driver drives the vehicle. A step of determining a range model and a driving method model showing the tendency of the driver to drive the vehicle, and
A step of detecting a change in the driving tendency of the driver based on at least one of a change in the driving time model, a change in the traveling range model, and a change in the driving method model.
Let the computer run
The step to be determined is determined by dividing the driving method model into a driving method model corresponding to a range defined by the traveling range model and a driving method model corresponding to a range outside the range defined by the traveling range model. do,
program.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021028383A JP7045760B1 (en) | 2021-02-25 | 2021-02-25 | Detection device, detection method and program |
| JP2022041859A JP2022130357A (en) | 2021-02-25 | 2022-03-16 | Detector, method for detection, and program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021028383A JP7045760B1 (en) | 2021-02-25 | 2021-02-25 | Detection device, detection method and program |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022041859A Division JP2022130357A (en) | 2021-02-25 | 2022-03-16 | Detector, method for detection, and program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP7045760B1 true JP7045760B1 (en) | 2022-04-01 |
| JP2022129635A JP2022129635A (en) | 2022-09-06 |
Family
ID=81255875
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021028383A Active JP7045760B1 (en) | 2021-02-25 | 2021-02-25 | Detection device, detection method and program |
| JP2022041859A Pending JP2022130357A (en) | 2021-02-25 | 2022-03-16 | Detector, method for detection, and program |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022041859A Pending JP2022130357A (en) | 2021-02-25 | 2022-03-16 | Detector, method for detection, and program |
Country Status (1)
| Country | Link |
|---|---|
| JP (2) | JP7045760B1 (en) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006282073A (en) * | 2005-04-01 | 2006-10-19 | Fujitsu Ten Ltd | Vehicle control device, vehicle control system and vehicle control method |
| JP2009018765A (en) * | 2007-07-13 | 2009-01-29 | Osaka Prefecture Univ | Driver characteristic detection apparatus |
| JP2012185582A (en) * | 2011-03-03 | 2012-09-27 | Toyota Motor Corp | Driving support device and driving support method |
| JP2015203876A (en) * | 2014-04-10 | 2015-11-16 | トヨタ自動車株式会社 | Driving behavior classifying apparatus and driving behavior classifying method |
| JP2018167647A (en) * | 2017-03-29 | 2018-11-01 | マツダ株式会社 | Vehicle driving support system |
-
2021
- 2021-02-25 JP JP2021028383A patent/JP7045760B1/en active Active
-
2022
- 2022-03-16 JP JP2022041859A patent/JP2022130357A/en active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006282073A (en) * | 2005-04-01 | 2006-10-19 | Fujitsu Ten Ltd | Vehicle control device, vehicle control system and vehicle control method |
| JP2009018765A (en) * | 2007-07-13 | 2009-01-29 | Osaka Prefecture Univ | Driver characteristic detection apparatus |
| JP2012185582A (en) * | 2011-03-03 | 2012-09-27 | Toyota Motor Corp | Driving support device and driving support method |
| JP2015203876A (en) * | 2014-04-10 | 2015-11-16 | トヨタ自動車株式会社 | Driving behavior classifying apparatus and driving behavior classifying method |
| JP2018167647A (en) * | 2017-03-29 | 2018-11-01 | マツダ株式会社 | Vehicle driving support system |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2022129635A (en) | 2022-09-06 |
| JP2022130357A (en) | 2022-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220292956A1 (en) | Method and system for vehicular-related communications | |
| US20240109542A1 (en) | Exhaustive Driving Analytical Systems and Modelers | |
| US20200334473A1 (en) | Systems and methods for safe route determination | |
| US11027742B1 (en) | Traffic based driving analysis | |
| JP6551790B2 (en) | Driving support method, driving support apparatus using the same, automatic driving control apparatus, vehicle, program | |
| US20160031450A1 (en) | Systems and Methods for Building Road Models, Driver Models, and Vehicle Models and Making Predictions Therefrom | |
| JP5521893B2 (en) | Driving support system, in-vehicle device | |
| US9104535B1 (en) | Traffic based driving analysis | |
| US11906318B2 (en) | Personalized routing based on driver fatigue map | |
| JP2014081947A (en) | Information distribution device | |
| GB2527184A (en) | Usage prediction for contextual interface | |
| WO2018220439A2 (en) | Systems and methods for safe route determination | |
| US20230206704A1 (en) | Detecting and Mitigating Local Individual Driver Anomalous Behavior | |
| US11745745B2 (en) | Systems and methods for improving driver attention awareness | |
| US20190193729A1 (en) | Detecting anomalous vehicle behavior through automatic voting | |
| JP2018120291A (en) | Event prediction system, event prediction method, program, and moving body | |
| WO2019232022A1 (en) | Systems and methods for safe route determination | |
| JP7045760B1 (en) | Detection device, detection method and program | |
| JP2018097479A (en) | Driving support apparatus, driving support method, driving support program, and driving support system | |
| JP6249863B2 (en) | Extraction program, extraction method, information processing apparatus, and output control method | |
| JP6260221B2 (en) | Driving assistance device | |
| CN115547106A (en) | Road information early warning method, system, electronic equipment and storage medium | |
| JP5212004B2 (en) | Vehicle tracking device and vehicle tracking method | |
| CN114419888A (en) | Safety early warning method, device, equipment and storage medium for freight vehicle | |
| US20210394776A1 (en) | Notification control device, notification device, notification system, and notification control method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210225 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210225 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20210323 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210325 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210511 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210810 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211004 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211112 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211222 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220107 |
|
| 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: 20220307 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220316 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7045760 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |