JP7068770B2 - ライダーの能力を分析するための方法、システム、及び、車両 - Google Patents

Description

本発明は、ライダーの能力を分析するための方法、これに対応するシステム及び車両に関する。

走行時に姿勢の平衡を保持する必要のある車両は、例えば自動車等と比較して制御がはるかに困難である。その理由は、例えば二輪車のような車両は、広い速度範囲にわたって不安定な状態となるためである。このような安定性の欠如は、全ての二輪車（動力付きの二輪車や、例えば自転車など）において同様に観察される。ここで考慮すべきシステムは、車両そのもので構成されているというだけのものではなく、操舵系に作用させる力や身体の動作及び変位によりその車両を制御しバランスを保持し及び安定化させようとする人間（乗り手、ライダー）によっても構成されている。したがって、人間と機械とで構成された上記のようなシステムの車両運動特性や車両安定性は、ライダーの能力や技能に強く依存する。車両運動特性や車両安定性は、当該車両の運転の安全性に直結するため、ライダーの能力を継続的に向上させることが非常に重要である。一方、例えば自動二輪車のような車両の制御に関してライダーを支援するための非常に有用な支援システム（例えば、スリップ制御システム（slip control systems））が知られている。しかしながら、ライダーが既に豊富な経験を有し高度な制御能力を有しているような場合と、システムが初心者に対して支援を行うような場合とでは、当然大きな違いがある。

したがって、現在車両を制御しているライダーの技能が判っていることが望ましい。従来、ライダーの技能を判定する試みがなされている。例えば、特許文献１には、ライダー特性判定装置が搭載された自動二輪車が記載されている。ライダーの制御特性を判定するために、この自動二輪車にはジャイロスコープが搭載されている。このジャイロスコープは、角速度や、角速度を積分して得られるヨー、ロール、ピッチといった種々の異なる方向の角度などの、測定値を出力する。また、各々の角度の変化速度が測定され、当該測定された値が計算ユニットに与えられる。少なくともこれらの測定値に基づいて、車両の転回運動（turning movement）が判定される。このような転回運動を判定するため、少なくとも特定の期間に亘ってヨーレートが所定の閾値を超えるか否かが分析される。ここで、そのような時間期間は、その車両の転回運動に対応しているものと考えられるそして、その測定値が、その時間期間において分析される。

特許文献１に記載された上述のような手法における一つの問題は、実行可能な分析が極めて限定的なものであるということである。特に、分析の際に考慮されるセグメントは、ライダーにより実行しなければならない複数の連続した様々な挙動を含んでいる。

欧州特許出願公開第２５１７９５２号明細書

したがって、本発明の目的は、ライダーの能力に関する分析を改善することである。

本発明によれば、改善された分析が実現され得る。そして、上記のような課題は、独立請求項に定義される方法、システム、及び、車両により解決される。

現在の最新技術とは異なり、ライダーの能力（rider performance）を分析する本方法は、時系列の測定データ内においてセグメント（区切り、部分、segments）を特定する。各セグメントは、特定のライダーの制御挙動（ライダー制御挙動、rider control behavior）に対応する。そのような連続する複数のライダー制御挙動は、全体として一つの運転操縦（riding maneuver）を構成する。したがって、ライダーの能力や技能が車両を制御する際に実行すべき一の特定の動作のみに限られていても、そのようなライダーの危険な挙動を検出することができる。さらに、ライダー制御挙動に従うセグメント化（segmentation）により、本分析を制御挙動のタイプに適合させることができ、したがって、より詳細な分析が可能となる。本発明の手法では、運転操縦へのセグメント化を行うことなく、ライダー制御挙動へのセグメント化を実行する。例えば、ライダーが道路上を直進した場合、これに対応するセグメントが、制御挙動“直進（going straight）”として特定される。また、車両がカーブに進入した場合、本発明の方法は、制御挙動“リーン・イン（lean-in）”を検出する。さらに、車両がそのカーブの走行を継続する場合には、本発明の方法は、制御挙動“コンスタント・リーン（constant lean）”を特定する。一続きの制御挙動が特定されることにより、これに対応する運転操縦が特定され得る。

本発明における車両には、ロール角を変化させてその走行方向を変化させる全ての車両が含まれる。そのような車両は、例えば、自動二輪車、自転車等である。そのような車両は、該車両の物理運動パラメータ（physical motion parameters）を感知するセンシング手段を備えている。センシング手段は、例えば、慣性計測装置（ＩＭＵ、Inertia Measurement Unit）であるものとすることができる。センシング手段から出力されたデータは、計算ユニットに与えられる。計算ユニットでは、一連のセグメントが特定（決定）される。各セグメントは、上述したように、それぞれ一のライダー制御挙動に対応している。これらのライダー制御挙動は、複数のそのような挙動を実行することによりライダーにより行われる運転操縦全体の一部である。例えば、転回運動を行う場合、自動二輪車のライダーは、まず、自動二輪車の傾斜を開始（lean in）させ、次に、一定の（又はほぼ一定の）傾斜角（lean angle）で転回を行い、該転回運動の最終段階において、その自動二輪車の姿勢を再び直立位置に戻す（リーンアウト（傾斜終了、lean out））、という動作を行う必要がある。傾斜角は、車速の増加または減少及び転回の形（turn shape）に依存して変化し得るので、一定傾斜角からの偏差を生じ得る。

本発明によれば、次に、その個別のライダー制御挙動に関するそのライダーの運転技能についての情報を与える分析結果が出力され得るように、上記データのセグメントが計算ユニットにより分析される。これに代えて、全体として一つの運転操縦を構成する特定されたセグメントのシーケンスを分析することもできる。本手法は、ライダーによる個々のライダー制御挙動が問題あるいは危険な側面を呈していない場合でも、運転操縦の全体についてのそのライダーの全般的な能力の評価を行うことができる。例えば、転回中のライダーが、区別可能な二つのリーン・イン動作（lean in operation）を行ったという場合、そのライダーは、カーブの半径を読み間違え、そのために、転回中に傾斜角を修整しなければならなかった、という可能性が高い。このリーン・インの例において、そのライダーが安定した傾斜角やリーンアウト・セグメントそのものを良好に実現したとしても、改善の余地、すなわち、そのライダーの安全及び他の交通参加者の安全を向上させる余地が存在する。本方法は、異なる種々のタイプの制御挙動を個々に評価する機能を提供することができる、という利点を有する。

下位請求項には、有利な実施形態が定義される。ライダー制御挙動のそれぞれに応じた複数のセグメントにセグメント化することに加え、時系列の測定データを、運転操縦に従ってセグメント化すると有利である。例えば、時系列測定データを、まず、運転操縦に従ってセグメント化することができ、次に、少なくとも一つの運転操縦を、それぞれライダー制御挙動に対応する複数のセグメントに細分化する。逆に、運転挙動に応じたセグメント（複数）から、運転操縦に応じた一つのセグメントを抽出することができる。

すなわち、まず、例えばヨーレートやヨー角度のような測定データから、その車両が例えば転回運動を実際に行っているか否かが判定される。車両の転回運動は、例えば当該車両が道に沿ってヨー角に変化を生じさせるような道路の折れ又は曲がりを通過する場合の、車軸の角度方向の変化を生じさせるような（すなわち当該車両の走行方向に何らかの変化を生じさせるような）当該車両の運動、として定義されるなお、このような転回運動は、対象となり得る複数の運転操縦のほんの一例である点に留意されたい。このほかにも、追い越し、車線変更、減速、回避操縦などがあり得る。

特許を求める本手法は、ライダーの制御挙動への直接的なセグメント化（direct segmentation）を実行する。運転操縦は、一連の制御挙動に基づき、測定値（複数）の時間的な推移（経過）の中で特定（識別）される。

ライダーが、例えば道路を直進している場合、これは、制御挙動“直進”として特定される。その後、ライダーが道路のカーブに進入した場合、本方法は、制御挙動「リーン・イン（傾斜開始）」を検知し、これに続いて、制御挙動「コンスタント・リーン（一定傾斜）」を検出する。一連の特定された制御挙動に基づいて、運転操縦が特定され得る。上述の例では、これは、連続する“直進”、“リーン・イン”、及び“コンスタント・リーン”である。

これらの運転操縦の全てについて、時間的に継続する制御挙動の典型的又は代表的な推移が定義され得る。次に、特定の運転操縦について期待されるそのような測定値の推移に基づいて、実行されている運転操縦を特定することができる。

あるセグメント内における測定データの分析は、一のセグメントの測定データの、対応するライダー制御モデルからの偏差に基づいて、品質値を計算することにより実行される。これにより、その運転制御モデル内において、異なるセグメントのタイプが識別され得る。コンスタント・リーンのフェーズ（段階、phase）においては、該コンスタント・リーンからの偏差が僅かであることが最適であると考えられ得る。例えば、“直進”、“リーン・イン”、“コンスタント・リーン”などの各セグメント・タイプに対し、ライダー制御モデル内において様々な異なる最適挙動が想定される。同様に、分析中の一連のセグメントに対し、予想されるシーケンスからの該一連のセグメントの偏差（逸脱）が計算される。上述したように、２つの個別のリーン・イン・フェーズが連続して認識され得る場合には、一連のセグメントのそのような偏差（逸脱）が認識され得る。例えば、道路が半径の変化するカーブではない場合、一つのみのリーン・イン・フェーズと、安定傾斜角フェーズ（steady lean angle phase）と、一つのみのリーン・アウト・フェーズと、で構成される理想的な転回運動からの偏差（逸脱）が特定され得る。単一のセグメント内での測定データの偏差に基づいて品質値を決定する場合、複数の手法が可能である。評価された挙動についてのモデルを明示的に定義する数学関数を用いるか、または、そのモデルが、教師ありまたは教師なし訓練段階において、暗黙的に学習されるものとすることができる。そのモデルに従う対応する数値からの実際の測定値推移の偏差が、そのライダーの技能を示す品質尺度として使用される。これは技能スコアとも称され得る。

ライダーに迅速なフィードバックを提供すべく、車両に搭載されたディスプレイに分析結果を提示または表示することは有利である。これに代えて、特に望ましくは、インストラクタの居るトレーニングコースにおいては、分析結果をリモートディスプレイに送信または転送するものとすることができる。この場合、インストラクタがディスプレイを所持し、例えばあるトレーニンググループ内の複数のライダーの分析結果が、全てそのインストラクタに対して表示され得る。分析計算の終了の直後に、車載ディスプレイあるいはリモートディスプレイに分析結果を表示することが好ましい。特に、ディスプレイが車両に搭載されていれば、ライダーは、即座に、自分の運転制御と分析結果とを関連付けることができる。今終えたばかりの制御挙動は、未だライダーの記憶に残っているので、このような手法は、ライダーの技能向上の基礎となり得るフィードバックを提供する最善の方法となり得る。

さらに、分析結果を、走行コースのマップまたは走行時の映像に重ね合わせると有利である。ライダーにとって、走行時の詳細を正確に思い出すことは常に困難を伴うが、本手法によりライダーを支援すれば、どこで危険な動作が開始されたか、又はどのような理由でそれが生じたかを、そのライダーに認識させることができる。

さらに、分析結果、挙動の発生場所、及び又は挙動の発生頻度、についての要約統計（summary statistics）を提供すると、有利である。そのような統計は、例えば、ライダーの運転技能又は能力における挙動の改善を表わしており、該ライダーに、更なる改善への意欲を与える。

他の有利な態様によると、測定データの分析は、単に該車両の物理運動パラメータに基づくだけでなく、環境影響（environmental influences）も考慮する。例えば、他の交通参加者の挙動、道路又は天気の状態等からライダーの反応が必要となる場合には、結果として測定された物理運動パラメータはライダー制御挙動の最適挙動には対応しないものとなり、従ってそのような特定されたライダー挙動は危険なものと判断され得る。しかしながら、環境影響を考慮することにより、そのような測定値を分離して、分析がそのような環境影響による悪影響を受けないようにすることができる。これにより、上述した対応する挙動は、危険なものであるとは判断されないこととなる。そのような環境影響を考慮する一つの手法は、環境影響と、測定値におけるはずれ値発生と、の間に関連性が認められ得るときは、それらの測定値を分析に用いないことである。これに代えて、そのような特定の分析結果の出力だけを抑制することもできる。

環境影響は、好ましくは、少なくとも一つの環境観察センサ、転回ユニット、及び車両システムセンサからの情報に基づいて特定される。例えば、環境観察センサは、その車両の周辺を知覚する機能を有して他の車両や歩行者などの交通参加者についての軌道の計算や将来移動挙動の推定を可能にするレーダーシステム、ライダー・システム（LIDAR system）等でありる。他方、例えばV2X通信（Vehicle To X-communication）の一要素である情報取得ユニットにより、他の交通参加者からの情報を直接受信するものとすることができる。最後に、例えばブレーキ用のアンチブロック・システム、スロットルポジション・センサなどの追加的な車両システムセンサを考慮することもできる。もちろん、これに代えて、これらセンサのデータを処理した結果を使用することもできる。例えば、ＡＢＳシステムにおいて算出された車両速度などを用いることができる。

他の態様によると、セグメント化は、プロトタイプ軌道（prototypical trajectories）、確率的グラフィカルモデル（probabilistic graphical models）、又は隠れマルコフモデル（Hidden Markov Model）と、測定データと、の比較に基づいて実行される。

好ましくは、分析結果は、次に、アドバンスト・ライダー・アシスタンス・システム（ARAS、Advanced Rider Assistance System）に与えられ、アドバンスト・ライダー・アシスタンス・システムは、その分析結果に基づいて、当該システムのパラメータの少なくとも一つを調整する。これにより、ライダーの技能又は能力に関して、アドバンスト・ライダー・アシスタンス・システムを最適化することができる。例えば、上級ライダーはより多くの空転を許容できるので、駆動輪の空転を回避するトラクションコントロールシステム（a traction control system）は、上級ライダーに対しては転回の終盤においてよりダイナミックな加速を行う可能性を与えるものとなり得る。他方、初心者に対しては、安全を期すべく、そのようなトラクションコントロールシステムのパラメータは、いかなる場合も駆動輪の空転が回避されるように設定され得る。

特に、車両は、自動二輪車またはバイクなどの二輪車とすることができる。

以下、添付の図面を参照して、本発明の方法、システム、及び、車両について説明する。
本発明の方法を実行するシステムの全体構成を示す図である。 測定データのセグメント化を説明するための、車両の一の物理運動パラメータを例示する図である。 分析結果の表示の一例を示す図である。 分析結果の表示の他の一例を示す図である。 本方法の主要な工程を示すフロー図である。

図１は、本発明に係るシステム１における、測定データを処理する種々のステージを例示するブロック図である。システム１は、自動二輪車、バイク、又は、傾斜させること（leaning）を制御手段として用いる（当該制御手段は二輪車において典型的である）他の任意の車両の、ライダーの能力の分析を可能にする。

本システムは、該車両の物理運動パラメータの時系列の測定データを出力するセンシング手段２を備える。これらは、特に、位置、速度、加速度、変位角、角速度、及び、角加速度を含む。センシング手段２は、複数の個別のセンサ２．１、２．２、２．３、・・・を備え得る。該センサは、慣性計測装置(IMU)の構成要素であるものとすることができる。特に、車両がナビゲーションシステムを備える場合には、そのようなＩＭＵは、該車両に既に存在している。さらに、車両には、測定データの第２ソースが搭載され得る。該第２ソースは、車両のアンチロックブレーキシステム（anti blocking brake system）のセンサなどの付加的なセンサ、又はブレーキ処理用ＥＣＵからの出力であり得る。該ブレーキ処理用ＥＣＵから出力されるデータは、例えば、車速、ブレーキ圧等であり得る。さらに他のユニットとして、動力付き二輪車の場合には、エンジン用ＥＣＵを用いて更なる処理に用いられるデータが取得され得る。そのようなエンジン用ＥＣＵは、スロットル位置、使用ギアなどの情報を出力し得る。

センシング手段２により集約して記載したように、取得された全てのデータは、次に、前処理ユニット３へ出力される。前処理ユニット３では、測定データにローパスフィルタが適用され、当該測定データの更なる処理及び分析を阻害するおそれのある高周波成分が除去される。すなわち、所定の周波数閾値を超える領域においては、測定データはライダーの制御を反映しておらず、そのような周波数成分は、車両の振動や他の発生源に由来するものであると考える。ライダーの能力を判定する際に、分析に対する不適切な影響を除去すべく、該処理ユニット３には、ローパスフィルタが含まれている。ローパスフィルタで処理された測定データは、更なる処理を実行すべく、計算ユニット４へと出力される。なお、フィルタリング後の測定データからは、走行した道路の曲率も計算される。

該計算ユニットにおいて、前処理された測定データ（より正確には、前処理された測定データの時系列シーケンス）は、セグメント化処理部５へと出力される。本発明に係る該セグメント化処理部では、各セグメントが特定のライダー制御挙動に対応するように、時系列の測定データがセグメント化される。以下に図２を参照して説明するように、複数の連続したライダー制御挙動は、一つの運転操縦を構成する。

図２は、測定値の例としてロール角（roll angle）とロールレート（ロール速度、roll rate）とを示している。なお、各図に示されている測定値は、前処理ユニット３において既に前処理されているものとする。グラフ１５はロールレートを示し、点線で示されるグラフ１６は、それに対応するロール角である。図示された時間間隔（時間期間）においては、３つの別個の運転操縦が特定され得ることが判る。図示上方に示すように、まず右方向への転回運動が特定され、これに続いて直進走行、更に続いて左方向への転回運動が特定され得る。直進走行時のロール角から判るように、該ロール角は、ほぼ０°である。すなわち、両側方に転回運動するような運転操縦は、通常、直進走行のフェーズによって区切られる。ただし、図２においても判るように、転回運動（右または左の何れの方向でも）は、特定のライダー制御挙動に対応したセグメント（複数）に更に分割され得る。そのようなライダー制御挙動の例として、リーン・イン・フェーズ、ステーショナリ・リーン・フェーズ（不変化傾斜フェーズ、stationary lean phase）、及び転回運動の終盤におけるリーン・アウト・フェーズがある。本発明によると、計算ユニット４、及びここでは特にセグメント化処理部５において、時系列の測定データに基づいて、これらのセグメントが特定（決定）される（定められる）。

もちろん、転回運動は運転操縦の単なる例であり、ここに示す手法は、追い越し、回避、ブレーキング、加速、車線変更などの他の運転操縦に適合され得る。

セグメント化の実行には、複数のアルゴリズムを適用し得る。これらのアルゴリズムは全て、ロール角とヨー角、ロールレートとヨー速度、ロール加速度、車速、車両加速度の、時系列測定値が含まれた情報を利用することができる。必ずしもこれらの測定データの全てが、特定された操作状態において実際に処理される必要はない。

測定値（及び前処理された値）のセグメント化において使用されるアルゴリズムの第１の例は、モデルに基づいた明示的なルールの使用である。既に上述したように、特定のライダー制御挙動について、そのライダー制御挙動の典型を表すテンプレート関数が使用され得る。そして、実際の測定値と、そのような数学テンプレート関数（mathematical template function）との相関が行われる。リーン・イン・フェーズの例では、ロール角に対してシグモイド関数（sigmoid function）が使用され得る。もちろん、複数の数学テンプレート関数を用いて、結果をさらにロバストなものにすることができる。相関は、スライディング・ウィンドウ（sliding window）について実行され、最も高い相関が認められたウィンドウを用いて、一つのセグメントが特定される。なお、相関を行う際は、スライディング・ウィンドウの位置だけでなく、更にウィンドウサイズにも変化が与えられる。すなわち、特定のウィンドウ位置及び特定のウィンドウサイズにおいて最良の相関係数が検出されたときに、セグメントの境界が検出される。

セグメントは、最良の相関が得られた数学テンプレート関数に基づいてクラス化される。すなわち、ロール角に適用されるシグモイド関数に対して高い相関が得られた場合は、これはリーン・イン・フェーズに対応するものであると結論付けられる。

特定されたセグメントのクラス化には、特定のライダー制御挙動のシーケンスも用いられ得る。

代替的な手法では、明示的な特徴を備えた離散型隠れマルコフモデル（discrete Hidden Markov Model）が使用され得る。そのような離散型隠れマルコフモデルは、好ましくは教師なし手法により訓練される。これは、第１の例において述べた明示的なルールに代えて用いることができる。この手法に係る離散型隠れマルコフモデルには、第１のアルゴリズムのテンプレート関数との相関の、離散値が与えられる。とはいえ、結局のところ、セグメント化とクラス化は、セグメント境界の計算及び各々のセグメントにおけるライダー制御挙動のタイプを特定するための、隠れマルコフモデル及びビタビアルゴリズム（Viterbi-algorithm）を用いて処理される。

さらに、ガウス混合隠れマルコフモデル（Gaussian Mixture Model-Hidden Markov Model）を使用することもできる。これは、特に、生の測定データの離散化が避けられる点で有利である。連続して入手可能な測定データを使用できる場合には、離散化した生の測定データを処理する代わりに、前記混合ガウス分布モデルが学習される。繰り返しになるが、セグメント化自身及びクラス化は、上述のようなガウス混合隠れマルコフモデル及びビタビアルゴリズムを使用することにより処理される。

隠れマルコフモデルについてのこれら２つの例は、セグメントの各タイプが、隠れマルコフモデル内の隠れ状態を表すノードであるものとし、且つ、明示的な持続時間分布（explicit time duration distribution）を有しているものと仮定することにより、拡張することができる。

隠れマルコフモデルのような、セグメント化に用いられるモデル自体は、周知技術である。したがって、アルゴリズムの数学的背景の詳細については省略する。

セグメントの境界及びクラスを明確にした後に、分析が実行される。そのような分析においては、原則として次の２つの手法を用いてセグメントを分析する。

ａ）セグメントの各々が、個別に分析される、
及び／または、ｂ）特定することのできるセグメントのシーケンスが分析される。

セグメントを個別に分析する場合、基本的には、測定データの推移がそれぞれのライダー制御挙動についての理想モデルと大体において一致しているか否かが判定される。したがって、ライダー挙動がモデル化され、そのようなモデルが、数学関数により明確に定義されるか、又は教師なしまたは教師ありのトレーニング段階において、明示的に学習され得る。

そして、ライダー制御挙動についてのそのようなモデルと前記測定値とが、互いに比較される。その結果、前記モデルと前記測定データとの偏差が特定され、これに基づいて技能スコア（skill score）が算出される。一般に、技能スコアは、ドライバーの技能や能力に関する結論を導きだし得る尺度である。

例えば、セグメントが転回運動のステーショナリ・リーン・フェーズに対応する場合、ロールレートの標準偏差によって簡単な技能スコアが定義され得る。これは、ステーショナリ・リーン・フェーズにおける理想的なロールレートがゼロであり、優秀なライダーとなってロールレートがゼロに近づくほど、該ライダーのスコアはより高い値になると考えられるためである。そのような理想的なロールレートの標準偏差は、簡易な技能スコアとして用いられ得る。

優秀なライダーは、各々の交通状況下において一貫性のある挙動を示すであろうし、したがって、種々の制御挙動を記述する種々のセグメントにおいても一貫性のある挙動を示すであろう。したがって、ドライバーの総合的な技能は、セグメント固有のスコア（セグメント固有スコア、segment specific scores）の分布から得ることができる。すなわち、まず、統計的手法を用いてライダーの制御挙動の一貫性を表現する。この統計的手法は、固有スコアの平均または分散であるものとすることができる。次に、はずれ値が、危険な状況を示す有効な指標として使用され得る。他方、そのようなはずれ値は、ドライバー制御挙動の一貫性についての当該指標をよりロバストなものとすべく、無視するものとすることができる。

したがって、そのようなはずれ値を考慮しない技能スコアの変化量（変量、variation）と、該はずれ値の相対数と、の組み合わせを用いて、総合技能スコアを算出することができる。

この総合技能スコアは、計算ユニット４の技能スコア部７において算出される。これに代えて、セグメントのシーケンス自体が分析されるものとすることができる。すべての運転操縦は、ライダー制御挙動の典型的なシーケンスで構成されている。実測データのからのセグメント分析により、ライダー制御挙動のそのような典型的なシーケンスからの偏差（逸脱）が、予め定めた閾値よりも大きいことが認められた場合、そのライダー挙動は危険な制御であったと結論づけられ得る。これは、例えば、単一の転回運動において二つのリーン・イン・フェーズが特定された場合であり得る。すなわち、セグメントの安定性そのものと同様に、隠れマルコフモデルから計算される尤度などの信頼性尺度を用いる技能スコアにより、危険な動作を特定することができる。この信頼性尺度は、セグメントの長さとセグメントのシーケンスの両者を暗黙的に考慮する。

さらに、技能スコア算出ユニット７において、危険行為の検出とクラス化が実行される。このような危険行為の検出とクラス化は、上述したセグメント分析に基づいて実行され、且つ他の異なる手段によって実行され得る。例えば、正常動作からの偏差が、検出されるか、または、教師なしクラスタ分析、若しくは注釈付き訓練データに基づく分類器の訓練から得られる得る。

また、蓄積及び技能マッピングユニット８において付加的なデータを用いて、ライダー技能の評価を改善すること、及び危険行為に関する誤った肯定的な判断（false positive decisions）が発生するのを回避して当該評価をロバストにすることもできる。特に、他の交通参加者及びそれらの挙動をも含む、環境の影響が考慮され得る。これを達成するため、例えば、マップデータ９が使用される。そのようなマップデータは、例えば、カーブ半径や道路形状についての情報を提供し得る。道路の***、道路の穴などのその他の情報が、インターネットを介して接続されたクラウドストレージサーバから取得され得る。また、オンボード検知システム又はＶ２Ｘ通信も、利用可能な情報を提供し得る。そのような情報は、他の交通参加者の位置や速度であり得る。これにより、外的要因に反応した結果生じるような急ブレーキや回避操縦などの特定のライダー挙動を特定することができる。したがって、これらのライダー行動が運転技能の低さに起因するものと判断されることはない。すなわち、技能計算ユニット７における評価が低ライダー技能（low rider skill）を示している場合、その挙動が実際に低ライダー技能の結果なのか否か、又は必要な反応であるのか否か、が判定される。その場合には、その特定のライダー制御挙動は、危険挙動としては評価されず、分析結果の出力の際に無視される。

上述のような修正が実行された後、その分析の結果が、例えば車載ディスプレイであり得るユーザーインターフェイス１１上において、ライダーに示される。これに代えて、当該結果は、インストラクタのディスプレイ上にも出力され得る。この場合、該分析結果は、該車両から、例えばインストラクタが持つディスプレイに送信される必要がある。

様々な方法により分析結果をドライバーまたはインストラクタに提供することができる。表示の一例を図３に示す。ここでは、表示され得るマップの一部分が示されている。このマップには、車両が走行したルートが様々な色でマークされ得る。各々の色は、分析結果のコードを示している。運転中にライダーによって考慮されるべき情報量を低減するため、危険なライダー行動を表す部分にのみをマークすることが有利である。さらに、表示の右側に示されているように、より長い時間枠でのスコアを蓄積した統計が提示され得る。これにより、ドライバーは、時間の経過と共に技能を向上させていくためのフィードバックを受け取ることができる。

図４は、他の表示の例を示している。この例は、リアルタイム表示に特に適したものである。図示のように、この表示は、スマートフォン上にも出力され得る。そのようなリアルタイムディスプレイは、特に、低減された情報量（この例では、最後の運転挙動に限定されている）で運転者に直接的なフィードバックを提示するのに有用である。図示のように、円、上向き矢印、下向き矢印のような理解しやすいマークを用いて、平均スキル、平均より良いスキル、又は平均より悪いスキル、を示すことができる。

図５は、本方法の主要な工程を例示する単純化されたフロー図である。

まず、ステップＳ１において、車両の物理運動パラメータが検知される。上述したように検知されたパラメータを前処理した後、ステップＳ２において、測定データのセグメント化が実行され、その後、ステップＳ３において、セグメントのシーケンスの分析及び／またはセグメント内の測定データの分析が実行される。

測定データの評価は、危険な動作または危険なライダー制御挙動がドライバーによって遂行されたことを、誤って示し得るので、ステップＳ４において、分析結果の修正が実行される。そのような修正を実行するため、ステップＳ５に示すように、環境影響についての情報が取得される。分析出力または分析結果を修正した後、ステップＳ６において、修正された結果が出力される。そのような修正された結果の出力を用いて、上述したようにドライバーの能力及び技能に関する情報が直接的に表示され得る。これに代えて、ステップ８において、上述の結果を用いて先進ライダー支援システムのアルゴリズムが改善され得る。そのようなライダー支援システムでは、当該先進ライダー支援システムに使用されているアルゴリズムに用いられるパラメータが、決定されたライダーの技能やライダーの能力に応じて適合され得る。

上述したように、本発明の方法及びシステムは、車輪を有する車両に限られるものではなく、制御のためにロール角を変化させる必要のある全ての車両に適用することができる。

さらに、例えば、ライダーのヘルメットのバイザーに組み込むことのできるヘッドアップディスプレイ（HUD、head-up display）を、ディスプレイとして使用することもできる。また、リモートコンピュータにおけるその後の更なる分析のため、測定データまたは評価結果のみをリモート計算ユニットへ転送し得るように、データが保存されるものとすることもできる。特に、そのようなリモートシステムで用いる場合には、より長時間の又は複数の運転についての統計が可能となるように、測定データ及び／または分析結果を記録しておくと有利である。

Claims (13)

1. ロール角を変化させることにより走行方向を変更する車両を運転するライダーの能力を分析するための方法であって、
   センシング手段により、運動中の前記車両のロール角とロールレートとを含む物理運動パラメータを測定し（Ｓ１）、前記物理運動パラメータの時系列の測定データを生成するステップと、
   前記測定データを計算ユニット（４）に出力するステップと、
   前記計算ユニット（４）において前記測定データを処理することにより、前記時系列の測定データ内で、連続する一連のセグメントを特定するステップ（Ｓ２）であって、各セグメントは、それぞれ特定のライダー制御挙動に対応し、連続する複数の前記ライダー制御挙動は一つの運転操縦を構成するものであり、
   前記計算ユニット（４）において、
   前記測定データの推移を、前記連続する一連のセグメントの各セグメントに関するそれぞれのライダー制御挙動の理想モデルと比較することにより、前記測定データと、前記連続する一連のセグメントの各セグメントに関するそれぞれのライダー制御挙動の前記理想モデルと、の間の偏差を特定すること、及び、
   前記連続する一連のセグメントの各セグメントの前記測定データと、前記セグメントの対応する前記ライダー制御挙動の前記理想モデルと、の間の前記特定された偏差に基づいて、品質値を算出すること、
   により、前記ライダーの能力を分析するステップ（Ｓ３）と、
   分析結果を出力するステップ（Ｓ６）と、
   を含む、
   方法。
2. 請求項１に記載の方法であって、
   前記時系列の測定データは、前記運転操縦に従って分割され、各前記運転操縦は、それぞれのライダー制御挙動に対応するセグメントに細分化される（Ｓ２）、
   ことを特徴とする方法。
3. 請求項１または２に記載の方法であって、
   前記分析結果は、前記分析の計算が終了した直後に、車載ディスプレイに表示され、及び又はリモートディスプレイへ送信される（Ｓ７）、
   ことを特徴とする方法。
4. 請求項２または３に記載の方法であって、
   前記分析結果は、走行コースのマップ又は走行時の映像に重畳して表示される、
   ことを特徴とする方法。
5. 請求項１ないし４のいずれか一項に記載の方法であって、
   前記分析結果、前記ライダー制御挙動が発生した場所、及び／または、前記ライダー制御挙動の頻度、に関する要約統計が生成される、
   ことを特徴とする方法。
6. 請求項１ないし５のいずれか一項に記載の方法であって、
   少なくとも一つの運転挙動及び又は運転操縦に関する、前記ライダーの能力の尺度となる技能スコアが生成される、
   ことを特徴とする方法。
7. 請求項１ないし６のいずれか一項に記載の方法であって、
   前記測定データの前記分析において、環境影響が考慮される（Ｓ４）、
   ことを特徴とする方法。
8. 請求項７に記載の方法であって、
   他の車両や歩行者などの交通参加者を含む前記車両の周辺を知覚する機能を有する環境観察センサ、他の交通参加者からの情報を受信する情報取得ユニット、及びアンチブロック・システム、スロットルポジション・センサなどを含む車両システムセンサからの情報の少なくとも一つ又は複数に基づいて、前記環境影響が特定される（Ｓ５）、
   ことを特徴とする方法。
9. 請求項１ないし８のいずれか一項に記載の方法であって、
   確率的グラフィカルモデル、又は隠れマルコフモデルに基づいて、セグメント化が実行される、
   ことを特徴とする方法。
10. 請求項１ないし９のいずれか一項に記載の方法であって、
    前記分析結果は、先進ライダー支援システムに出力され、前記先進ライダー支援システムは、そのパラメータの一つを前記分析結果に基づいて調整する（Ｓ８）、
    ことを特徴とする方法。
11. ライダーの能力を分析するためのシステムであって、
    運動中の車両の物理運動パラメータを感知するセンシング手段（２）と、
    請求項１ないし１０のいずれか一項に記載の方法のステップを実行するよう構成された計算ユニット（４）と、
    を備えるシステム。
12. 請求項１１に記載のシステムを含む車両。
13. 請求項１２に記載の車両であって、
    ライダーの能力を分析するための前記システムの出力に基づいて少なくとも一つのパラメータを調整するよう構成された、先進ライダー支援システムを更に備える、
    車両。

Images