JP7136720B2 - 評価装置 - Google Patents

Description

本発明は、車両走行時のリスクに関する評価を行う評価装置の技術分野に関する。

この種の装置として、車両が走行する区間のリスクを周辺情報（言い換えれば、環境情報）に基づいて評価するものが知られている。例えば特許文献１では、地理的領域内の地形を表す地図情報を用いて、現在或いは将来の事故発生リスク評価する装置が開示されている。

特開２０１８－０３２３４３号公報

上述した特許文献１に記載されている技術のように、ある地点におけるリスクは周辺情報に依存しているが、周辺情報だけで正確にリスクを評価することは難しい。また、評価に利用する周辺情報そのものが不完全な場合もある（例えば、古い地図情報等）。

リスクを評価する際には、上述した周辺情報の他にも、実際にドライバがとった行動（例えば、アクセルペダルから足を離した、或いはブレーキペダルを踏んだ等）を利用できると考えられる。しかしながら、ドライバの行動は、例えば運転に対する慎重度（以下、適宜「運転慎重度」と称する）等によって異なるため、全てのドライバから同じようにリスクを評価することは容易ではない。特許文献１には、ドライバの運転慎重度については言及されておらず、リスク評価をするにあたって改善の余地があった。

本発明は、例えば上記問題点に鑑みてなされたものであり、リスク評価に利用するドライバの特性を好適に分類可能な評価装置を提供することを課題とする。

本発明に係る評価装置の一態様では、周辺情報に基づいてリスク有と評価されたリスク区間における車両の走行データから、ドライバの運転行動を示す特徴量を取得する第１取得手段と、複数の前記ドライバから取得される複数の前記特徴量を、前記複数の特徴量各々により示される前記運転行動の類似度合いに基づいて複数の群に分類する分類手段と、前記複数の群の各々における代表的な前記特徴量を代表特徴量として取得する第２取得手段と、前記代表特徴量に基づいて、前記複数の群の各々に運転慎重度に応じたランクを付与するランク付け手段と、前記ドライバの運転慎重度に対応したドライバタイプを、前記ドライバの前記特徴量が分類された群のランクに基づいて決定する決定手段とを備える。

実施形態に係る評価装置の構成を示すブロック図である。 走行データから抽出される特徴量の一例を示すグラフである。 特徴量のクラスタリングの一例を示す表である。 各クラスタの特徴量の平均値からクラスタランクを決定する方法を示す表である。 最頻値から地点ドライバタイプを決定する方法の一例を示す表である。 最新の値から地点ドライバタイプを決定する方法の一例を示す表である。 重み付けを利用して地点ドライバタイプを決定する方法の一例を示す表である。 地点ドライバタイプからドライバタイプを決定する方法の一例を示す表である。 ブレーキペダルの上に足を置いている区間を示すグラフである。 ブレーキペダル載置割合に基づいて未知のリスクを抽出する方法の一例を示すグラフである。 アクセル開度が０となった区間を示すグラフである。 アクセルオフ期間割合に基づいてリスク値を算出する方法の一例を示すグラフである。

以下、図面を参照して評価装置の実施形態について説明する。

＜装置構成＞
まず、本実施形態に係る評価装置の構成について、図１を参照して説明する。図１は、実施形態に係る評価装置の構成を示すブロック図である。

図１において、本実施形態に係る評価装置１０は、車両が走行する区間のリスク（例えば、衝突の危険性等）を評価することが可能に構成されている。評価装置１０は、例えば演算装置やメモリ等を備えて構成されており、その機能を構成する物理的な処理回路、又は論理的な処理ブロックとして、走行データ取得部１１０と、特徴量抽出部１２０と、クラスタリング部１３０と、ドライバタイプ決定部１４０と、分類データ記憶部１５０と、未知リスク抽出部１６０と、リスク値算出部１７０とを備えている。

走行データ取得部１１０は、走行している車両における各種パラメータや位置情報を含む走行データを取得可能に構成されている。走行データ取得部１１０は、複数の走行データ（具体的には、複数の車両（ドライバ）から複数のタイミングで取得される走行データ）を取得可能に構成されている。また、本実施形態に係る走行データ取得部１１０は特に、周辺情報からリスク有と評価されるリスク区間（例えば、交差点やカーブ等の存在する区間）における走行データを取得可能に構成されている。なお、ここでの「周辺情報」とは、予め取得可能な道路形状、道路周辺の構造物等に関する情報（典型的には、地図情報）であり、走行中の車両においてリアルタイムで取得される情報（例えば、移動する障害物に関する情報等）は含まない。周辺情報からリスクの有無を評価する方法（即ち、リスク区間の評価方法）については、既存の技術を適宜採用することができるため、ここでの詳細な説明は省略する。走行データ取得部１１０は更に、周辺情報からリスク有と評価できない非リスク区間における走行データを取得可能に構成されていてもよい。

特徴量抽出部１２０は、走行データ取得部１１０で取得されたリスク区間の走行データに含まれる各種パラメータから、ドライバの運転行動を示す特徴量を取得（抽出）可能に構成されている。特徴量抽出部１２０は更に、走行データ取得部１１０で取得された非リスク区間の走行データから、ドライバの運転行動を示す特徴量を取得（抽出）可能に構成されていてもよい。なお、特徴量抽出部１２０が取得すべき特徴量は、走行データに含まれるパラメータ（或いは、走行データを少なくとも部分的に利用して算出できるパラメータ）のうち、運転慎重度に関連するものとして予め設定されている。特徴量抽出部１２０が取得する特徴量の具体例については、後に詳述する。特徴量抽出部１２０は、複数種類の特徴量を取得するように構成されてもよい。特徴量抽出部１２０は、後述する付記における「第１取得手段」の一具体例である。

クラスタリング部１３０は、リスク区間の走行データから特徴量抽出部１２０で取得された特徴量を、運転行動の類似度合いに基づいて複数の群（クラスタ）に分類（クラスタリング）することが可能に構成されている。即ち、クラスタリング部１３０は、リスク区間における運転行動が互いに近いドライバの特徴量が同じ群となるように分類を行う。なお、クラスタリング手法については、既存の技術を適宜採用することができるが、一例としてＷＡＲＤ法（ウォード法）を用いることができる。また、クラスタリング部１３０は、分類した複数のクラスタに対して、運転慎重度を示すランクを付与することが可能に構成されている。具体的には、クラスタリング部１３０は、各クラスタに分類された特徴量の平均値に基づいて、クラスタにランクを付与する。クラスタリング部１３０は、後述する付記における「分類手段」、「第２取得手段」、及び「ランク付け手段」の一具体例である。

ドライバタイプ決定部１４０は、クラスタリング部１３０によって各特徴量がどのクラスタに分類されたかに基づいて、車両のドライバの運転慎重度に対応するドライバタイプを決定することが可能に構成されている。ドライバタイプ決定部１４０は、リスク区間毎のドライバタイプである地点ドライバタイプを決定する第１タイプ決定部、及び複数の地点ドライバタイプから最終的なドライバタイプを決定する第２タイプ決定部を備えている。ドライバタイプの具体的な決定方法については、後に詳述する。ドライバタイプ決定部１４０、第１タイプ決定部、及び第２タイプ決定部は夫々、後述する付記における「決定手段」、「第１タイプ決定手段」、及び「第２タイプ決定手段」の一具体例である。

分類データ記憶部１５０は、走行データ取得部１１０が取得した走行データをドライバタイプ毎に記憶可能に構成されている。本実施形態では、ドライバタイプ決定部１４０が３つのドライバタイプ（例えば、運転慎重度が最も高いドライバタイプ、運転慎重度が中程度であるドライバタイプ、及び運転慎重度が最も低いドライバタイプ）の中から各ドライバのドライバタイプを決定する例を用いて説明する。この場合、分類データ記憶部１５０は、運転慎重度が最も高い慎重群に属するドライバの走行データである「慎重群走行データ」、運転慎重度が中程度である中間群に属するドライバの走行データである「中間群走行データ」、及び運転慎重度が最も低い不安全群に属するドライバの走行データである「不安全群走行データ」を夫々記憶可能に構成されている。

未知リスク抽出部１６０は、分類データ記憶部１５０に記憶された慎重群走行データを用いて、未知リスクを抽出可能に構成されている。なお、ここでの「未知リスク」とは、周辺情報からリスク有とは評価できないが（即ち、リスク区間以外の非リスク区間であるが）、実際にはその区間に存在しているリスクである。未知リスクとしては、例えば周辺情報には存在しない小さい遊歩道等が挙げられる。未知リスクの具体的な抽出方法については、後に詳述する。未知リスク抽出部１６０は、後述する付記における「抽出手段」の一具体例である。

リスク値算出部１７０は、分類データ記憶部１５０に記憶された中間群走行データを用いて、リスク区間のリスクの度合いを示すリスク値を算出可能に構成されている。リスク値は、例えば“大”、“中”、“小”の３段階で算出される。リスク値の具体的な抽出方法については、後に詳述する。リスク値算出部１７０は、後述する付記における「算出手段」の一具体例である。

＜動作説明＞
次に、本実施形態に係る評価装置１０の動作について具体的に説明する。

（特徴量の抽出）
まず、特徴量抽出部１２０による特徴量の抽出動作について、図２を参照して説明する。図２は、走行データから抽出される特徴量の一例を示すグラフである。図２では、車両がリスク存在位置（例えば、交差点）を含むリスク区間を走行する際のアクセルペダル操作及び車速が示されている。ここでのリスク区間は、例えば、リスク存在位置の手前側３０ｍ及び奥側１０ｍの範囲として設定されている。

図２に示すように、車両がリスク区間を走行する際には、リスク存在位置の手前でアクセルペダルをオフにして減速を開始し、リスク存在位置の通過後にはアクセルペダルをオンにして加速を開始するような状況が想定される。特徴量抽出部１２０は、このような車両の走行データから、「減速準備行動開始距離」、「減速前平均速度」、及び「最低通過速度」を特徴量として夫々取得する。

減速準備行動開始距離は、リスク存在位置の手前で最後にアクセル開度がゼロになった位置（以下、適宜「減速準備行動開始位置」と称する）から、リスク存在位置までの距離に相当する値（言い換えれば、どれだけ早いタイミングでアクセルペダルをオフにするかを示す値）である。減速前平均速度は、減速準備行動開始位置直前の一定区間（ここでは、減速準備行動開始位置の手前側１０ｍの区間）における平均速度である。最低通過速度は、リスク区間における車速の最低値である。減速準備行動開始距離、減速前平均速度、及び最低通過速度の各特徴量の値は、取得された後に正規化される（即ち、各特徴量の大きさを揃える処理が行われる）。

なお、上述した３つの特徴量はあくまで一例であり、特徴量抽出部１２０は、これらに加えて又は代えて他の特徴量を取得するようにしてもよい。

（特徴量のクラスタリング）
次に、クラスタリング部１３０による特徴量のクラスタリング動作について、図３及び図４を参照して説明する。図３は、特徴量のクラスタリングの一例を示す表である。図４は、各クラスタの特徴量の平均値からクラスタランクを決定する方法を示す表である。なお、図３におけるＩＤは、ドライバ毎に付与される識別番号であり、ここではドライバ毎に３回に分けて走行データ（言い換えれば、特徴量）が取得されているものとする。

図３に示すように、クラスタリング部１３０は、各ドライバの特徴量を、１回分の走行データから取得される３つの特徴量（即ち、特徴量１：減速準備行動開始距離、特徴量２：減速前平均速度、特徴量３：最低通過速度）を１セットにして、所定数のクラスタに分類する。以下では、クラスタリング部１３０が各ドライバの特徴量を３つのクラスタ（クラスタ１～３）に分類する例を用いて説明を進める。図３の例では、ＩＤ１のドライバの１回目の走行データから取得された特徴量は、クラスタ１に分類されている。ＩＤ２のドライバの１回目の走行データから取得された特徴量は、クラスタ２に分類されている。ＩＤ３のドライバの１回目の走行データから取得された特徴量は、クラスタ３に分類されている。

図４に示すように、クラスタリング部１３０は、３つのクラスタに分類された特徴量から、クラスタ毎に平均値を算出する。具体的には、クラスタリング部１３０は、クラスタ１に分類された特徴量１の平均値、特徴量２の平均値、及び特徴量３の平均値を算出し、それら３つの平均値からクラスタ１に分類された３つの特徴量すべての平均値である総合平均値を算出する。同様に、クラスタ２及びクラスタ３についても、各特徴量の平均値及び総合平均値を算出する。なお、クラスタ毎に算出される総合平均値は、後述する付記における「代表特徴量」の一具体例である。

ここで、各特徴量はドライバの運転慎重度を示すパラメータとして取得されたものであるため、算出された総合平均値は、運転慎重度の高さに対応している（ここでは、マイナスであるほど運転慎重度が高いことを示している）。よって、クラスタリング部１３０は、算出した総合平均値に基づいて、各クラスタに運転慎重度を示すランクを付与する。図４の例では、クラスタ１に最も運転慎重度の高いことを示す“ランク３”が付与され、クラスタ２に運転慎重度が最も低いことを示す“ランク１”が付与され、クラスタ３に運転慎重度が中程度であることを示す“ランク２”が付与されている。

（ドライバタイプの決定）
次に、ドライバタイプ決定部１４０によるドライバタイプの決定動作について、図５から図８を参照して説明する。図５は、最頻値から地点ドライバタイプを決定する方法の一例を示す表である。図６は、最新の値から地点ドライバタイプを決定する方法の一例を示す表である。図７は、重み付けを利用して地点ドライバタイプを決定する方法の一例を示す表である。図８は、地点ドライバタイプからドライバタイプを決定する方法の一例を示す表である。なお、説明の便宜上、図５から図８に示すデータは、ここまでの説明で用いたデータ（例えば、図３及び図４の特徴量の具体例）とは異なる特徴量の具体例に基づくデータとなっている。

図５に示すデータは、ある一のリスク区間において取得された特徴量がどのクラスタ（ランク）に分類されたかをドライバ毎に示したものである。例えば、ＩＤ１のドライバの１回目、２回目、及び３回目の走行データから取得された特徴量は、いずれもランク３のクラスタに分類されている。ＩＤ２のドライバの１回目、２回目、及び３回目の走行データから取得された特徴量は、いずれもランク２のクラスタに分類されている。ＩＤ３のドライバの１回目、２回目、及び３回目の走行データから取得された特徴量は、それぞれランク２、ランク２、ランク１のクラスタに分類されている。

ドライバタイプ決定部１４０（具体的には、第１タイプ決定部）は、上記のように各特徴量がどのランクのクラスタに分類されたかに基づいて、ある一のリスク区間におけるドライバタイプに相当する地点ドライバタイプを決定する。具体的には、ドライバタイプ決定部１４０は、１回目、２回目、３回目の合計３回で、最も多く分類されたクラスタのランク（言い換えれば、分類されたランクの最頻値）に対応するタイプを、そのドライバの地点ドライバタイプとして決定する。例えば、ＩＤ１のドライバについては、３回すべてランク３のクラスタに分類されているので、地点ドライバタイプはランク３に対応する“タイプ３”に決定される。ＩＤ２のドライバについては、３回すべてランク２のクラスタに分類されているので、地点ドライバタイプはランク２に対応する“タイプ２”に決定される。ＩＤ３のドライバについては、ランク２のクラスタに２回、ランク１のクラスタに１回分類されているので、地点ドライバタイプはランク２に対応する“タイプ２”に決定される。

図６に示すように、ドライバタイプ決定部１４０は、分類されたクラスタの最頻値で地点ドライバタイプを決定できない場合に、最も新しく取得された特徴量が分類されたクラスタのランクに対応するタイプを地点ドライバタイプとして決定してもよい。例えば、図６のＩＤ４のドライバの１回目、２回目、及び３回目の走行データから取得された特徴量は、ランク３、ランク２、ランク１のクラスタにそれぞれ１回ずつ分類されており、分類されたランクの最頻値から地点ドライバタイプを決定することはできない。この場合、ドライバタイプ決定部１４０は、最も新しく取得された特徴量（ここでは、３回目に取得された特徴量）が分類されたクラスタのランクであるランク１に対応する“タイプ１”を、ＩＤ４のドライバの地点ドライバタイプとして決定する。

図７に示すように、ドライバタイプ決定部１４０は、分類されたクラスタのランクに対して、新しく取得された特徴量であるほど重みが大きくなるような重み付けを行い、そこから算出されたスコアに基づいて地点ドライバタイプを決定してもよい。例えば、図７に示すドライバの１回目から６回目の走行データから取得された特徴量は、取得順にランク３、ランク１、ランク１、ランク２、ランク２、ランク３のクラスタに分類されている。そして、１回目には重み係数“１”、２回目には重み係数“２”、３回目には重み係数“３”、４回目には重み係数“４”、５回目には重み係数“５”、６回目には重み係数“６”が付与されている。この場合、ランク毎に重み係数を加算したスコアを計算すると、ランク１のスコアは“５”、ランク２のスコアは“９”、ランク３のスコアは“７”となる。よって、ドライバタイプ決定部１４０は、このドライバの地点ドライバタイプを、最もスコアの高いランク２に対応する“タイプ２”に決定する。

図８に示すように、各リスク区間での地点ドライバタイプを決定後、ドライバタイプ決定部１４０（具体的には、第２タイプ決定部）は、各リスク区間の地点ドライバタイプから最終的なドライバタイプを決定する。具体的には、ドライバタイプ決定部１４０は、各ドライバについて決定された複数の地点ドライバタイプの最頻値を、そのドライバのドライバタイプとして決定する。例えば、図７に示すドライバＩＤ１のドライバの地点１（つまり、リスク区間１）から地点４（つまり、リスク区間４）における地点ドライバタイプは、いずれも“タイプ３”となっているため、ドライバタイプは“タイプ３”に決定される。ドライバＩＤ２のドライバの地点１から地点４における地点ドライバタイプは、“タイプ２”が３つ、“タイプ１”が１つとなっているため、ドライバタイプは“タイプ２”に決定される。ドライバＩＤ３のドライバの地点１から地点４における地点ドライバタイプは、“タイプ２”が１つ、“タイプ１”が３つとなっているため、ドライバタイプは“タイプ１”に決定される。

上記のようにしてドライバタイプが決定されると、各ドライバの走行データが、分類データ記憶部１５０に記憶される。具体的には、ドライバタイプが“タイプ３（即ち、運転慎重度が最も高いタイプ）”に決定されたドライバの走行データは、分類データ記憶部１５０に慎重群走行データとして記憶される。ドライバタイプが“タイプ２（即ち、運転慎重度が中間となるタイプ）”に決定されたドライバの走行データは、分類データ記憶部１５０に中間群走行データとして記憶される。ドライバタイプが“タイプ１（即ち、運転慎重度が最も低いタイプ）”に決定されたドライバの走行データは、分類データ記憶部１５０に不安全群走行データとして記憶される。このように、分類データ記憶部１５０には、ドライバタイプによって分類されたドライバ毎の走行データが記憶される。

（未知リスクの抽出）
次に、未知リスク抽出部１６０による未知リスクの抽出動作について、図９及び図１０を参照して説明する。図９は、ブレーキペダルの上に足を置いている区間を示すグラフである。図１０は、ブレーキペダル載置割合に基づいて未知のリスクを抽出する方法の一例を示すグラフである。

図９に示すように、未知リスク抽出部１６０は、まず慎重群走行データとして分類データ記憶部１５０に記憶されている複数の走行データ（即ち、運転慎重度が最も高いタイプであるドライバの走行データ）から、ブレーキペダルの上に足を置いている区間に関する情報を取得する。そして、未知リスク抽出部１６０は、区間毎にブレーキペダルの上に足を置いているドライバの割合（以下、適宜「ブレーキペダル載置割合」と称する）を算出する。

図１０に示すように、ブレーキペダル載置割合が高くなるのは、リスク区間を含む所定の除外区間（例えば、右左折を行った場所やカーブの手前、坂道の途中、一時停止等の法規上の減速が要求される地点など）に対応する箇所（図中の網掛け部分参照）がほとんどである。しかしながら、除外区間でない区間においても、プレーキペダル載置割合が所定の閾値（ここでは２０％）を超える区間が存在することがある。未知リスク抽出部１６０は、このような区間を未知リスクが存在している区間として抽出する。なぜなら、運転慎重度が最も高いランクであるドライバのうち２０％以上のドライバがブレーキペダルに足を置いているという結果から、周辺情報だけでは判断できない何らかのリスクが存在していると判定できるからである。なお、ここでの閾値２０％はあくまで一例としての値であり、状況に応じて異なる閾値を設定してもよい。

（リスク値の算出）
次に、リスク値算出部１７０によるリスク値の算出動作について、図１１及び図１２を参照して説明する。図１１は、アクセル開度が０となった区間を示すグラフである。図１２は、アクセルオフ期間割合に基づいてリスク値を算出する方法の一例を示すグラフである。

図１１に示すように、リスク値算出部１７０は、まず中間群走行データとして分類データ記憶部１５０に記憶されている複数の走行データ（即ち、運転慎重度が中程度のタイプであるドライバの走行データ）から、アクセル開度が０となった区間に関する情報を取得する。そして、リスク値算出部１７０は、各位置のアクセル開度が０となったドライバの割合（以下、適宜「アクセルオフ割合」と称する）を算出する。またリスク算出部１７０は、リスク区間（未知リスクが抽出されている場合には未知リスクが存在する区間を含んでもよい）におけるアクセルオフ割合の最大値を、その区間におけるリスクに対するドライバの反応度合い（以下、適宜「ドライバ反応度」）として算出する。

図１２に示すように、リスク値算出部１７０は、各区間（ここでは区間１から区間１１）のドライバ反応度を、平均値の±０．４３１σを閾値として３段階に分類する（即ち、ドライバ反応度は正規分布になると仮定して３分割する）。そして、リスク値算出部１７０は、ドライバ反応度が＋０．４３１σより大きくなる区間のリスク値を“大”、ドライバ反応度が＋０．４３１σから－０．４３１σまでの間となる区間のリスク値を“中”、ドライバ反応度が－０．４３１σより小さくなる区間のリスク値を“小”として算出する。図１２の例では、区間２、８及び９のリスク値が“大”、区間５及び６のリスク値が“中”、区間１、３、４、７、１０、及び１１のリスク値が“小”として算出される。

（技術的効果）
次に、本実施形態に係る評価装置１０によって得られる技術的効果について説明する。

図１から図１２で説明したように、本実施形態に係る評価装置１０によれば、複数の走行データから取得された特徴量を用いたクラスタリングによって、複数のドライバが運転慎重度に応じて分類される。つまり、評価装置１０は、ドライバの特性を好適に分類することができる。その結果、評価装置１０は、複数のドライバの走行データを、運転慎重度に対応するドライバタイプに応じて分類して記憶することができる。ここで特に、各区間のリスクはドライバの運転行動に基づいて評価することができると考えられるが、ドライバによって運転行動の傾向が違うため、すべてのドライバの走行データから正確なリスクを評価することは容易ではない。例えば、小さいリスクに対しても十分に減速するような慎重なドライバもいれば、多少のリスクがあっても減速をしない不安全なドライバもいるため、それらを同じように扱ったのでは、リスクを精度よく評価することはできない。

しかるに本実施形態では、ドライバの走行データが運転慎重度（即ち、ドライバタイプ）に応じて分類されるため、好適にリスク評価を行うことが可能となる。例えば、運転慎重度の高いドライバは、運転慎重度の低いドライバと比較して、安全に対する意識が高く、車両が走行する区間に存在するリスクを発見し易いと考えられる。よって、運転慎重度の高いドライバの走行データ（即ち、慎重群走行データ）を利用すれば、未知のリスクを好適に抽出することができる。

なお、本実施形態では、運転慎重度が最も高いドライバタイプとなるドライバの走行データ（即ち、慎重群走行データ）を用いて未知のリスクを抽出しているが、運転慎重度が比較的高い複数のドライバタイプのドライバの走行データを用いて未知のリスクを抽出してもよい。例えば、ドライバの走行データが運転慎重度に応じて５つに分類されている場合には、運転慎重度が１番目と２番目に高いドライバタイプのドライバの走行データを用いて、未知のリスクを抽出するようにしてもよい。

また、運転慎重度が中程度のドライバは、運転慎重度が極端に高くも低くもない平均的なドライバであると推定できる。よって、運転慎重度が中程度のドライバの走行データ（即ち、中間群走行データ）を利用すれば、リスク区間のリスクの度合いを示すリスク値を、多くのドライバの感じ方に近い値として算出することができる。

なお、本実施形態では、運転慎重度が中間となるドライバタイプのドライバの走行データを用いてリスク値を算出しているが、その他のドライバの走行データからリスク値を抽出してもよい。具体的には、所定のドライバモデルのドライバタイプと同じタイプのドライバの走行データを用いれば、所定のドライバモデルの感じ方に近い値としてリスク値を算出することができる。例えば、所定ドライバモデルとして「熟練ドライバ」を用いれば、熟練ドライバの感じ方に近いリスク値を算出できる。

所定のドライバモデルを設定する場合、まず所定のドライバモデルのドライバタイプを判定する。具体的には、所定のドライバモデルの走行データから取得した特徴量が、どのクラスタに分類され、所定のドライバモデルが最終的にどのドライバタイプになるかを判定する。そして、所定のドライバモデルのドライバタイプと同じドライバタイプである他のドライバの走行データを用いて、リスク値を算出するようにすればよい。

＜付記＞
以上説明した実施形態から導き出される発明の各種態様を以下に説明する。

（付記１）
付記１に記載の評価装置は、周辺情報に基づいてリスク有と評価されたリスク区間における車両の走行データから、ドライバの運転行動を示す特徴量を取得する第１取得手段と、複数の前記ドライバから取得される複数の前記特徴量を、前記複数の特徴量各々により示される前記運転行動の類似度合いに基づいて複数の群に分類する分類手段と、前記複数の群の各々における代表的な前記特徴量を代表特徴量として取得する第２取得手段と、前記代表特徴量に基づいて、前記複数の群の各々に運転慎重度に応じたランクを付与するランク付け手段と、前記ドライバの運転慎重度に対応したドライバタイプを、前記ドライバの前記特徴量が分類された群のランクに基づいて決定する決定手段とを備える。

付記１に記載の評価装置によれば、リスク区間における走行データから取得された特徴量が、前記運転行動の類似度合いに基づいて複数の群に分類される。そして、分類された複数の群の各々における代表特徴量に基づいて、複数の群の各々に運転慎重度に応じたランクが付与される。例えば、３つの群に分類されている場合、運転慎重度が最も低い群には“ランク１”、運転慎重度が中間となる群には“ランク２”、運転慎重度が最も高い群には“ランク３”が付与される。

複数の群にランクが付与された後には、ドライバの運転慎重度に対応したドライバタイプが決定される。具体的には、ドライバの走行データから取得された特徴量が、どの群に分類されたかに基づいて、ドライバタイプが決定される。このようにしてドライバタイプを決定すれば、複数のドライバを、運転慎重度に応じてタイプ分けすることができる。具体的には、例えば運転慎重度が高いドライバ、中程度のドライバ、低いドライバを夫々ランク別に切り分けることができる。その結果、それらの走行データを用いて、リスクに関する評価を好適に実行することが可能となる。

（付記２）
付記２に記載の評価装置では、前記決定手段は、（ｉ）一のドライバの一のリスク区間における前記特徴量である地点特徴量が分類された群のランクに基づいて、前記一のドライバの前記一のリスク区間における前記ドライバタイプである地点別ドライバタイプを決定する第１タイプ決定手段と、（ｉｉ）前記一のドライバの複数のリスク区間における前記地点別ドライバタイプに基づいて、前記一のドライバの前記ドライバタイプを決定する第２タイプ決定手段とを有する。

付記２に記載の評価装置によれば、まず一のドライバの一のリスク区間におけるドライバタイプである地点別ドライバタイプが決定され、その後、複数の地点別ドライバタイプに基づいて、ドライバのドライバタイプ（言い換えれば、複数の地点別ドライバタイプを考慮した総合的なドライバタイプ）が決定される。このようにすれば、各地点でのドライバの特徴量の違いを考慮して、より正確なドライバタイプを決定することができる。

（付記３）
付記３に記載の評価装置では、前記第１タイプ決定手段は、前記第１取得手段により前記地点特徴量が複数取得されており、前記複数の地点特徴量が前記分類手段によって夫々別々の群に分類されている場合に、前記複数の地点特徴量が最も多く分類された群のランクに基づいて、前記一のドライバの前記一のリスク区間における前記地点別ドライバタイプを決定する。

付記３に記載の評価装置によれば、一のドライバの一のリスク区間における複数の地点特徴量（具体的には、相異なるタイミングで取得された複数の地点特徴量）が別々の群に分類されている場合に、一のドライバの地点別ドライバタイプは、複数の地点特徴量が最も多く分類された群のランクに基づいて決定される。例えば、５つの地点特徴量が、夫々“ランク３”、“ランク３”、“ランク３”、“ランク２”、“ランク１”の群に分類されている場合、地点別ドライバタイプは、最も多く分類されている“ランク３”に対応するタイプに決定される。このようにすれば、地点特徴量が別々の群に分類された場合でも、好適に地点別ドライバタイプを決定することができる。

（付記４）
付記４に記載の評価装置では、前記第１タイプ決定手段は、前記第１取得手段により前記地点特徴量が複数取得されており、前記複数の地点特徴量が前記分類手段によって夫々別々の群に分類されている場合に、前記複数の地点特徴量が分類された各群に対して、時系列上で新しく取得された前記地点特徴量であるほど重みが大きくなるよう重み付けして得られるスコアに基づいて、前記一のドライバの前記一のリスク区間における前記地点別ドライバタイプを決定する。

付記４に記載の評価装置によれば、一のドライバの一のリスク区間における複数の地点特徴量が別々の群に分類されている場合に、一のドライバの地点別ドライバタイプは、複数の地点特徴量が分類された各群のランクに対して重み付けをして得られたスコアから決定される。ここでの重み付けは、各群のランクに対して時系列上で新しく取得された地点特徴量であるほど大きくなるように行われる。例えば、５つの地点特徴量が、夫々“ランク２”、“ランク１”、“ランク１”、“ランク３”、“ランク３”の順で取得されている場合、新しく取得されたランク３の重みが大きくなるように重み付けされた結果、ランク３の群に対応するスコアが高く算出されるため、地点ドライバタイプが“ランク３”に対応したタイプに決定される。このようにすれば、地点特徴量が別々の群に分類された場合（特に、分類された群の数が同数の場合）でも、好適に地点ドライバタイプを決定することができる。

（付記５）
付記５に記載の評価装置では、前記第２タイプ決定手段は、前記一のドライバについて複数のリスク区間で相異なる前記地点別ドライバタイプが決定されている場合に、最も多く決定されている前記地点別ドライバタイプを、前記一のドライバの前記ドライバタイプとして決定する。

付記５に記載の評価装置によれば、一のドライバの地点ドライバタイプが、複数のリスク区間で相異なるタイプとなっている場合に、最も多く決定されている地点別ドライバタイプを、一のドライバのドライバタイプとして決定する。例えば、５つのリスク区間における地点別ドライバタイプが、夫々“タイプ２”、“タイプ１”、“タイプ３”、“タイプ３”、“タイプ３”と決定されている場合、一のドライバのドライバタイプは、最も多い地点別ドライバタイプに対応する“タイプ３”に決定される。このようにすれば、複数の地点別ドライバタイプが相異なるランクとなっている場合でも、好適にドライバタイプを決定することができる。

（付記６）
付記６に記載の評価装置では、前記代表特徴量は、前記複数の群の各々に分類された複数の前記特徴量の平均値である。

付記６に記載の評価装置によれば、各群に分類された複数の特徴量の平均値を代表特徴量として用いることで、容易且つ的確にランクを付与することができる。

（付記７）
付記７に記載の評価装置は、その他のドライバタイプと比較して運転慎重度が高い少なくとも一つのドライバタイプのドライバに対応する前記走行データに基づいて、前記周辺情報に基づいてリスク無と評価された区間における未知のリスクを抽出する抽出手段を更に備える。

運転慎重度が相対的に高いドライバタイプのドライバは、運転慎重度が相対的に低いドライバタイプのドライバと比較すると、安全に対する意識が高く、車両が走行する区間に存在するリスクを発見し易いと考えられる。よって、その他のドライバタイプと比較して運転慎重度が高い少なくとも一つのドライバタイプのドライバに対応する走行データを利用すれば、周辺情報からだけではリスク有と評価できないような区間（言い換えれば、リスク区間以外の区間）に存在する未知のリスクを好適に抽出することができる。

（付記８）
付記８に記載の評価装置は、運転慎重度が少なくとも中間となる前記ドライバタイプのドライバに対応する前記走行データに基づいて、前記リスク区間のリスクの度合いを示すリスク値を算出する算出手段を更に備える。

運転慎重度が少なくとも中間となるドライバタイプ（即ち、この他に、より運転慎重度の高いドライバタイプ、及びより運転慎重度の低いドライバタイプが存在するタイプ）のドライバは、運転慎重度が極端に高くも低くもない平均的なドライバであると推定できる。よって、運転慎重度が少なくとも中間となるドライバタイプのドライバに対応する走行データを利用すれば、リスク区間のリスクの度合いを示すリスク値を、多くのドライバの感じ方に近い値として算出することができる（言い換えれば、一部の極端な性質のドライバの感じ方に近い値が算出されないようにすることができる）。

（付記９）
付記９に記載の評価装置は、所定のドライバモデルと同じ前記ドライバタイプのドライバに対応する前記走行データに基づいて、前記リスク区間のリスクの度合いを示すリスク値を算出する算出手段を更に備える。

付記９に記載の評価装置によれば、所定のドライバモデルとして設定されるドライバモデル（例えば、熟練ドライバ）の感じ方に近い値として、リスク区間のリスク値を算出することができる。

本発明は、上述した実施形態に限られるものではなく、請求の範囲及び明細書全体から読み取れる発明の要旨或いは思想に反しない範囲で適宜変更可能であり、そのような変更を伴う評価装置もまた本発明の技術的範囲に含まれるものである。

１０ 評価装置
１１０ 走行データ取得部
１２０ 特徴量抽出部
１３０ クラスタリング部
１４０ ドライバタイプ決定部
１５０ 分類データ記憶部
１６０ 未知リスク抽出部
１７０ リスク値算出部

Claims (5)

1. 周辺情報に基づいてリスク有と評価されたリスク区間における車両の走行データから、ドライバの運転行動を示す特徴量を取得する第１取得手段と、
   複数の前記ドライバから取得される複数の前記特徴量を、前記複数の特徴量各々により示される前記運転行動の類似度合いに基づいて複数の群に分類する分類手段と、
   前記複数の群の各々における代表的な前記特徴量を代表特徴量として取得する第２取得手段と、
   前記代表特徴量に基づいて、前記複数の群の各々に運転慎重度に応じたランクを付与するランク付け手段と、
   前記ドライバの運転慎重度に対応したドライバタイプを、前記ドライバの前記特徴量が分類された群のランクに基づいて決定する決定手段と
   を備え、
   前記決定手段は、（ｉ）一のドライバの一のリスク区間における前記特徴量である地点特徴量が分類された群のランクに基づいて、前記一のドライバの前記一のリスク区間における前記ドライバタイプである地点別ドライバタイプを決定する第１タイプ決定手段と、（ｉｉ）前記一のドライバの複数のリスク区間における前記地点別ドライバタイプに基づいて、前記一のドライバの前記ドライバタイプを決定する第２タイプ決定手段とを有する
   ことを特徴とする評価装置。
2. 前記第１タイプ決定手段は、前記第１取得手段により前記地点特徴量が複数取得されており、前記複数の地点特徴量が前記分類手段によって夫々別々の群に分類されている場合に、前記複数の地点特徴量が最も多く分類された群のランクに基づいて、前記一のドライバの前記一のリスク区間における前記地点別ドライバタイプを決定することを特徴とする請求項１に記載の評価装置。
3. 前記第１タイプ決定手段は、前記第１取得手段により前記地点特徴量が複数取得されており、前記複数の地点特徴量が前記分類手段によって夫々別々の群に分類されている場合に、前記複数の地点特徴量が分類された各群に対して、時系列上で新しく取得された前記地点特徴量であるほど重みが大きくなるよう重み付けして得られるスコアに基づいて、前記一のドライバの前記一のリスク区間における前記地点別ドライバタイプを決定することを特徴とする請求項１に記載の評価装置。
4. 前記第２タイプ決定手段は、前記一のドライバについて複数のリスク区間で相異なる前記地点別ドライバタイプが決定されている場合に、最も多く決定されている前記地点別ドライバタイプを、前記一のドライバの前記ドライバタイプとして決定することを特徴とする請求項１から３のいずれか一項に記載の評価装置。
5. 前記代表特徴量は、前記複数の群の各々に分類された複数の前記特徴量の平均値であることを特徴とする請求項１から４のいずれか一項に記載の評価装置。

Images