JP7254988B1 - 運行管理システム、運行管理装置、運行管理装置の制御方法、及び運行管理装置の制御プログラム - Google Patents
運行管理システム、運行管理装置、運行管理装置の制御方法、及び運行管理装置の制御プログラム Download PDFInfo
- Publication number
- JP7254988B1 JP7254988B1 JP2022038200A JP2022038200A JP7254988B1 JP 7254988 B1 JP7254988 B1 JP 7254988B1 JP 2022038200 A JP2022038200 A JP 2022038200A JP 2022038200 A JP2022038200 A JP 2022038200A JP 7254988 B1 JP7254988 B1 JP 7254988B1
- Authority
- JP
- Japan
- Prior art keywords
- vehicle
- data
- road
- incident
- unit
- 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
- 238000000034 method Methods 0.000 title claims description 13
- 230000006870 function Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims 4
- 230000002159 abnormal effect Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 description 43
- 238000012545 processing Methods 0.000 description 22
- 238000012544 monitoring process Methods 0.000 description 19
- 238000003384 imaging method Methods 0.000 description 17
- 230000001133 acceleration Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000003247 decreasing effect Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 101000578823 Homo sapiens Microtubule-associated protein 10 Proteins 0.000 description 4
- 101000658138 Homo sapiens Thymosin beta-10 Proteins 0.000 description 4
- 102100028380 Microtubule-associated protein 10 Human genes 0.000 description 4
- 102100034998 Thymosin beta-10 Human genes 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
【課題】自動運転車両において、精度の高い運転支援を提供すること。【解決手段】道路ごとに設定された推奨速度に関する推奨速度データを参照して走行する自動運転車両の運行管理システムは、運行中の自動運転車両で収集される運行実績データを、自動運転車両から取得する取得部と、運行実績データに含まれる、自動運転車両の運行中に発生した事変に関する事変ありデータと、事変の発生時の自動運転車両の車両外の状態に関する車外状態データとを、事変が発生した道路ごとに関連付けた学習データを記憶する記憶部と、学習データを用いて、運行中の自動運転車両の車外状態データから、運行中の道路における事変の発生を予測する予測モデルを生成する生成部と、予測モデルによる予測の結果に応じて、推奨速度データにおける、運行中の道路に設定された推奨速度を更新する更新部とを備える。【選択図】 図5
Description
本発明は、運行管理システム、運行管理装置、運行管理装置の制御方法、及び運行管理装置の制御プログラムに関する。
従来、車両の周囲状況に応じた運転支援を行う運転支援装置が知られている(例えば、特許文献1)。特許文献1に記載の運転支援装置は、車両が走行している道路の規制速度及び道路幅に基づいて設定した目標速度を、車両の周囲状況に応じて補正し、補正した目標速度と車速とに基づいて、運転者に車両を減速させる必要がある旨を報知することで運転支援を実行する。
近年、運転者による操舵やブレーキといった運転操作を必要とせずに走行する、いわゆる自動運転車両が広がりを見せている。自動運転車両においても、車両が走行する道路や周囲の状況に応じた速度設定が必要であるが、特許文献1のような運転者への報知による運転支援は、運転者の乗車を必ずしも必要としない自動運転車両には適用し難い。また、例えば乗客を乗せて運行するバスを自動運転車両で実現した場合に、通行人の安全や自動運転車両の走行速度が交通に与える影響を考慮しつつ、乗客の安全・快適性を確保する、より精度の高い運転支援が求められていた。
本発明の一実施形態に係る、道路ごとに設定された推奨速度に関する推奨速度データを参照して走行する複数の自動運転車両の運行を管理する運行管理システムであって、運行中の自動運転車両で収集される運行実績データを、自動運転車両から取得する取得部と、運行実績データに含まれる、自動運転車両の運行中に発生した事変に関する事変ありデータと、事変の発生時の自動運転車両の車両外の状態に関する車外状態データとを、事変が発生した道路ごとに関連付けた学習データを記憶する記憶部と、学習データを用いて、運行中の自動運転車両の車外状態データから、運行中の道路における事変の発生を機械学習により予測する予測モデルを生成する生成部と、予測モデルによる予測の結果に応じて、推奨速度データにおける、運行中の道路に設定された推奨速度を更新する更新部とを備える。
本発明の一実施形態に係る運行管理システムにおいて、生成部は、現在運行中の自動運転車両から取得する運行実績データに含まれる事変ありデータ及び車外状態データを学習データとして、予測モデルを更新してよい。
本発明の一実施形態に係る運行管理システムにおいて、記憶部は、学習データとして、自動運転車両の運行中に事変が発生しない場合の車外状態データを、道路ごとに関連付けてさらに記憶し、生成部は、事変が発生しない場合を含む学習データを用いて、運行中の道路における事変の発生を予測する予測モデルを生成してよい。
本発明の一実施形態に係る運行管理システムにおいて、生成部は、現在運行中の自動運転車両から取得する運行実績データに含まれる、事変が発生しない場合の車外状態データを学習データとして、予測モデルを更新してよい。
本発明の一実施形態に係る運行管理システムにおいて、更新部は、予測モデルによる予測の結果、運行中の道路において事変の発生が予測されない場合、運行中の道路に設定された推奨速度を増加させるように更新してよい。
本発明の一実施形態に係る運行管理システムにおいて、更新部は、予測モデルによる予測の結果、運行中の道路において事変の発生が予測された場合、運行中の道路に設定された推奨速度を減少させるように更新してよい。
本発明の一実施形態に係る運行管理システムにおいて、取得部は、運行実績データに含まれる、自動運転車両の車両内の状態に関する車内状態データをさらに取得し、更新部は、予測モデルによる予測の結果に応じた推奨速度の更新に、車内状態データと、車両内の乗客の状態に応じてあらかじめ設定された第1係数とを用いてよい。
本発明の一実施形態に係る運行管理システムにおいて、更新部は、予測モデルによる予測の結果に応じた推奨速度の更新に、過去所定期間にわたる事変の発生回数に応じて設定された第2係数を用いてよい。
本発明の一実施形態に係る運行管理システムにおいて、推奨速度データにおける推奨速度は、道路を所定の規則に従って区分した区分道路ごとに設定され、生成部は、自動運転車両が走行する区分道路ごとに、当該区分道路を走行する都度、予測モデルを更新してよい。
本発明の一実施形態に係る運行管理システムにおいて、自動運転車両は、ユーザの指定する停留所間のルートを複数の区分道路から選択して走行するオンデマンドバスであって、取得部は、自動運転車両が走行する都度、ルートに含まれる区分道路ごとに、運行実績データを取得してよい。
本発明の一実施形態に係る運行管理システムはオンデマンドバスに関し、出発する停留所及び出発時間、並びに、到着する停留所及び到着時間の指定に関する予約データをユーザから受け付ける受付部と、予約データに基づき、ユーザの指定する停留所間の走行ルートを設定する設定部と、予約データに基づき設定される走行ルートの走行に要する走行時間を、走行ルートに含まれる区分道路に設定された推奨速度データから算出する算出部と、第1ユーザによる第1予約データに基づき設定される第1走行ルート及び第1走行時間と、第2ユーザによる第2予約データに基づく第2走行ルート及び第2走行時間とから、第1ユーザ及び第2ユーザが一のオンデマンドバスに乗車可能か否かを判定する判定部とをさらに備えてよい。
本発明の一実施形態に係る、道路ごとに設定された推奨速度に関する推奨速度データを参照して走行する複数の自動運転車両の運行を管理する運行管理システムに係る運行管理装置であって、運行中の自動運転車両で収集される運行実績データを、自動運転車両から取得する取得部と、運行実績データに含まれる、自動運転車両の運行中に発生した事変に関する事変ありデータと、事変の発生時の自動運転車両の車両外の状態に関する車外状態データとを、事変が発生した道路ごとに関連付けた学習データを記憶する記憶部と、学習データを用いて、運行中の自動運転車両の車外状態データから、運行中の道路における事変の発生を予測する予測モデルを生成する生成部と、予測モデルによる予測の結果に応じて、推奨速度データにおける、運行中の道路に設定された推奨速度を更新する更新部とを備える。
本発明の一実施形態に係る、道路ごとに設定された推奨速度に関する推奨速度データを参照して走行する複数の自動運転車両の運行を管理する運行管理システムに係る運行管理装置の制御方法は、運行管理装置が、運行中の自動運転車両で収集される運行実績データを、自動運転車両から取得するステップと、運行実績データに含まれる、自動運転車両の運行中に発生した事変に関する事変ありデータと、事変の発生時の自動運転車両の車両外の状態に関する車外状態データとを、事変が発生した道路ごとに関連付けた学習データを記憶するステップと、学習データを用いて、運行中の自動運転車両の車外状態データから、運行中の道路における事変の発生を予測する予測モデルを生成するステップと、予測モデルによる予測の結果に応じて、推奨速度データにおける、運行中の道路に設定された推奨速度を更新するステップとを含む。
本発明の一実施形態に係る、道路ごとに設定された推奨速度に関する推奨速度データを参照して走行する複数の自動運転車両の運行を管理する運行管理システムに係る運行管理装置の制御プログラムは、運行管理装置に、運行中の自動運転車両で収集される運行実績データを、自動運転車両から取得する機能と、運行実績データに含まれる、自動運転車両の運行中に発生した事変に関する事変ありデータと、事変の発生時の自動運転車両の車両外の状態に関する車外状態データとを、事変が発生した道路ごとに関連付けた学習データを記憶する機能と、学習データを用いて、運行中の自動運転車両の車外状態データから、運行中の道路における事変の発生を予測する予測モデルを生成する機能と、予測モデルによる予測の結果に応じて、推奨速度データにおける、運行中の道路に設定された推奨速度を更新する機能とを実現させる。
本発明によれば、通行人の安全や自動運転車両の走行速度が交通に与える影響を考慮しつつ乗客の安全・快適性を確保する、より精度の高い運転支援を実行可能な運行管理システム等を提供することができる。
以降、図を用いて、本開示に係る発明(本発明ともいう)の一実施形態を説明する。なお、図は一例であって、本発明は図に示すものに限定されない。例えば、図示したサーバ(運行管理装置)、ユーザ端末(通信端末)、記憶装置、車両(自動運転車両)等の数、データセット(テーブル)、フローチャート、表示画面、識別子等は一例であって、本発明はこれらに限定されるものではない。
<システム構成>
図1は、本発明の一実施形態による運行管理システム構成の概略図である。運行管理システム600は、一人以上の乗客を乗せて走行する乗合バスを自動運転車両で実現したサービスにおける、乗合バスの運行管理を実行するシステムである。すなわち、運行管理システム600は、乗合バスである複数の自動運転車両200(200A~200C)の運行を遠隔で監視・管理するシステムである。ここで、「自動運転」とは、運転手が運転操作を行うことなく、エンジン、ブレーキ、操舵の制御が自動で行われる運転を意味してよい。なお、自動運転車両200は、運転の主体が運転手ではなくシステム側であるレベル3以上の車両であってよいが、運転手が乗車し、補助的な運転操作が行われてもよい。また、図1では、自動運転車両として乗合バスを3台のみ示してあるが、運行管理システム600によって管理される自動運転車両は、これ以上存在してよい。また、本発明の一実施形態に係る運行管理システム600は、乗客であるユーザの予約に応じて設定した走行ルート上で乗合バスを走行させる、いわゆるオンデマンドバスのサービスを提供するシステムであってよい。
図1は、本発明の一実施形態による運行管理システム構成の概略図である。運行管理システム600は、一人以上の乗客を乗せて走行する乗合バスを自動運転車両で実現したサービスにおける、乗合バスの運行管理を実行するシステムである。すなわち、運行管理システム600は、乗合バスである複数の自動運転車両200(200A~200C)の運行を遠隔で監視・管理するシステムである。ここで、「自動運転」とは、運転手が運転操作を行うことなく、エンジン、ブレーキ、操舵の制御が自動で行われる運転を意味してよい。なお、自動運転車両200は、運転の主体が運転手ではなくシステム側であるレベル3以上の車両であってよいが、運転手が乗車し、補助的な運転操作が行われてもよい。また、図1では、自動運転車両として乗合バスを3台のみ示してあるが、運行管理システム600によって管理される自動運転車両は、これ以上存在してよい。また、本発明の一実施形態に係る運行管理システム600は、乗客であるユーザの予約に応じて設定した走行ルート上で乗合バスを走行させる、いわゆるオンデマンドバスのサービスを提供するシステムであってよい。
運行管理システム600は、自動運転車両200A~200Cと、サーバ(運行管理装置)100と、通信端末(ユーザ端末)300(300A,300B)と、記憶装置400とを少なくとも含む。サーバ100は、自動運転車両の運行管理側の情報処理装置であって、自動運転車両200A~200C、通信端末300A,300Bと、ネットワーク500を介して接続される。また、サーバ100は、運行管理システム600により実現されるオンデマンドバスの予約サービス(これ以降、単に「予約サービス」とも称する)に係る種々の処理を実行することができる。なお、図1において、サーバ100は1つのみ示してあるが、これに限られるものではなく、複数存在してもよい。また、サーバ100は、ネットワークを介して通信を行うことで協調動作する分散型サーバシステムであって、エッジサーバを含んでもよく、いわゆるクラウドサーバでもよい。すなわち、サーバ100は、物理的なサーバに限らず、仮想的なサーバも含まれてよい。また、サーバ100の各機能部の機能又は処理は、実現可能な範囲において、機械学習又はAI(Artificial Intelligence)により実現されてもよい。なお、以降では、特に区別する必要がない場合、自動運転車両200A~200C、ユーザ端末300A,300Bを、単に車両200、ユーザ端末300と表記することもある。
運行管理システム600は、さらに、車両200を遠隔監視・管理する図示しない運行管理センターを含んでよい。そして、サーバ100は、監視者が待機する運行管理センターに設置された表示装置に、各車両200から取得された車両内外の動画像を表示させてよい。
ネットワーク500は、無線ネットワークや有線ネットワークを含む。具体的には、例えば、ネットワーク500は、ワイヤレスLAN(wireless LAN:WLAN)や広域ネットワーク(wide area network:WAN)、ISDNs(integrated service digital networks)、無線LANs、CDMA(code division multiple access)、LTE(long term evolution)、LTE-Advanced、第4世代通信(4G)、第5世代通信(5G)、及び第6世代通信(6G)以降の移動体通信システム等であってよい。なお、ネットワーク500は、これらの例に限られず、例えば、公衆交換電話網(Public Switched Telephone Network:PSTN)やブルートゥース(Bluetooth(登録商標))、光回線、ADSL(Asymmetric Digital Subscriber LINE)回線、衛星通信網等であってもよい。また、ネットワーク500は、これらの組み合わせであってもよい。
ユーザ端末300は、予約サービスを利用するユーザの通信端末である。ユーザ端末300は、サーバ100とネットワーク500を介して接続され、各ユーザから受け付けた乗合バスの利用に関する情報をサーバ100へ送信する。なお、乗合バスの利用に関する情報とは、乗合バスの予約時に必要な、乗車位置・降車位置を指定する情報や、乗合バスの利用時に必要なユーザ情報を指してよい。予約サービスについては後述する。
なお、図1では、ユーザ端末300としてスマートフォンを示してあるが、ユーザ端末300としては、これ以降に説明する各実施形態において記載する機能を実現できる端末であればどのような端末であってもよい。例えば、ユーザ端末300は、携帯電話(フィーチャーフォン)、コンピュータ(例えば、タブレット、デスクトップパソコン、ノートパソコン)、ハンドヘルドコンピュータデバイス(限定でなく例として、PDA(personal digital assistant)、ウェアラブル端末(メガネ型デバイス、時計型デバイスなど)であってよい。また、図1において、ユーザ端末300は2台のみ示してあるが、運行管理システム600が提供する予約サービスを利用するユーザの数だけ存在してもよく、一のユーザに複数の通信端末(例えば、スマートフォンと、ノートパソコンなど)が関連付けられてもよい。
記憶装置400は、運行管理システム600で利用する各種情報(データ)を記憶(格納)する。なお、図1において、記憶装置400はサーバ100とは別に1つのみ示してあるが、サーバ100に一体化されていてもよい。すなわち、記憶装置400は、サーバ100の揮発性メモリ又は不揮発性メモリであってもよい。また、記憶装置400は、複数の記憶装置から構成されていてもよい。なお、記憶装置400は、ネットワーク500とは異なる専用の内部ネットワークにて、サーバ100と接続されてもよいし、ネットワーク500を介してサーバ100と接続されてもよい。
ここで、記憶装置400に記憶される情報の一例として、本発明の一実施形態に係る運行管理システム600において用いられる推奨速度について、図2,3を用いて説明する。
従来、自動運転の実現には、高精度3次元地図(High Definition 3D Map)データが利用される。高精度3次元地図データは、車線数、区画線、幅といった道路の情報や、横断歩道、信号の停止線、標識、建物の位置情報等に関するデータである。ここで、自動運転車両を走行させるためには、静的情報である高精度3次元地図データに、準静的情報(交通規制や道路工事の予定、広域気象予報情報など)と、動的情報(周辺の車両・歩行者、信号機情報など)及び準動的情報(交通事故、交通規制、渋滞、狭域気象情報など)のリアルタイムで変化する情報とを組み合わせたダイナミックマップが用いられている。自動運転車両は、ダイナミックマップのデータを参照して走行する道路に関するデータを取得し、走行速度を制御する。ここで、本発明の一実施形態に係る運行管理システム600によれば、ダイナミックマップに、車両200の走行速度に関する推奨速度を含ませ、車両200は、推奨速度に準じた速度で道路を走行する。なお、推奨速度については後述する。
図2は、本発明の一実施形態に係る推奨速度の設定について説明するためのマップの模式図である。マップMAP10は、例えば、道路を所定の規則に従って区分し、各区分道路R1~Riを一意に識別する識別子(道路ID(IDentifier))が付与されたデータであってよい。すなわち、マップMAP10は、道路IDで識別される区分道路が、実際にどの位置にあるかを示す情報であってよい。マップMAP10における区分道路は、既存のダイナミックマップに含まれる区分道路と同一であってよいし、車両200の運行管理側で別途用意してもよい。また、区分道路を区分する所定の規則についてはどのようなものであってもよく、所定の長さ(例えば、3m)ごとに区切られてもよいし、交差点から交差点までといった規則で区切られてもよい。図2に示すように、本発明の一実施形態において、車両200(200A,200B)は、マップMAP10に含まれる区分道路上を走行し、各区分道路上に設定された推奨速度に準じた速度で走行する。
図3は、推奨速度テーブルTB10の一例である。なお、図3は一例であって、推奨速度テーブルTB10に格納される情報はこれ以上でもこれ以下でもよいし、道路IDは、区分道路を識別可能な情報であればどのようなものでもよい。図3の例では、区分道路R1は、道路ID「m11」で識別され、推奨速度は「30km/h」と設定されている。また、区分道路R3は、道路ID「m13」で識別され、推奨速度は「35km/h」と設定されている。
ここで、「推奨速度」について説明する。自動運転車両は、乗客及び車両周囲の通行人・車両に対する安全を確保するため、各道路に設定された法定速度を遵守することが好ましい。また、特に乗合バスの場合、車両内の乗客の転倒等が発生しない速度での走行が求められる。しかしながら、必要以上に低速で走行すると渋滞の原因となり、到着時間の遅れへと繋がって乗客の利便性が損なわれる。本発明の一実施形態に係る運行管理システムによれば、バスが走行する道路及び周囲の状況、走行時間、過去の運行実績等に応じて、各区分道路を走行する際に推奨される推奨速度が設定されるとともに、設定された推奨速度が、リアルタイムで更新されてよい。なお、以降において、推奨速度は、区分道路の上限速度であってよい。
<自動運転車両>
次に、図4を用いて、本発明の一実施形態に係る自動運転車両200のハードウェア構成、機能構成について説明する。自動運転車両200は、運転制御部210、監視制御部240を備える。これら制御部は、典型的には電子制御ユニット(ECU:Electronic Control Unit)により実現されてよい。ここで、運転制御部210は、車両200の運転・走行に関する制御を行い、監視制御部240は、車内で実行される処理に関する制御を行う。
次に、図4を用いて、本発明の一実施形態に係る自動運転車両200のハードウェア構成、機能構成について説明する。自動運転車両200は、運転制御部210、監視制御部240を備える。これら制御部は、典型的には電子制御ユニット(ECU:Electronic Control Unit)により実現されてよい。ここで、運転制御部210は、車両200の運転・走行に関する制御を行い、監視制御部240は、車内で実行される処理に関する制御を行う。
運転制御部210は、運転情報取得部211、駆動力制御部212、ブレーキ制御部213、及びステアリング制御部214を備える。運転情報取得部211は、運転制御用センサ群201や制御用車外撮像部202に接続され、これらで収集されたデータを取得する。運転制御用センサ群201は、自動運転の制御用に用いられる測定データを収集するセンサ等を含み、例えば、測位装置(GNSS(Global Navigation Satellite System)、オドメトリ等)、車速センサ、加速度センサ、角速度センサ、操舵角センサ、測距センサ(LiDAR(light detection and ranging)、ミリ波レーダー、超音波センサ、赤外線センサ等)、IMU(inertial measurement unit/慣性計測装置)、照度センサ、雨滴センサ等を含む。制御用車外撮像部207は、例えばカメラ(単眼カメラ、ステレオカメラ、マルチカメラ等)であって、車両の前後左右等に複数設けられ、車両200の外部を撮影する。制御用車外撮像部207の撮影する対象は、車線、障害物等、自動運転に必要な情報である。なお、制御用車外撮像部207によって撮影されたデータは、動画であってもよいし、静止画像であってもよい。
車両200は、さらに、駆動力出力装置(エンジン/モーター)221、ブレーキ装置222、ステアリング装置223を備える。駆動力制御部212、ブレーキ装置222、ステアリング装置223は、それぞれ、駆動力出力装置221、ブレーキ装置222、ステアリング装置223を制御する。運転制御部210は、上述した各種センサ等から取得した、車両200の現在位置、車速、操舵角、車外の動画像、障害物の有無等に基づいて、車両200を、予め設定された運行ルートで移動させたり、停止させたりする。運転制御部210は、車両200を経路上で移動・停止させるための制御信号を生成し、駆動力制御部212、ブレーキ制御部213、ステアリング制御部214へ出力する。駆動力制御部212、ブレーキ制御部213、ステアリング制御部214は、制御信号に基づいて、それぞれ、駆動力出力装置221、ブレーキ装置222、ステアリング装置223を制御する。なお、自動運転の制御については既存の技術が用いられてよい。
監視制御部240は、車両200の監視に係る処理を実行し、通信制御部241、及び車内情報取得部242を備える。車内情報取得部242は、車両200に設けられた監視用センサ群203が収集したデータを取得する。監視用センサ群203は、車内及び車外の監視に用いられるデータを収集するセンサ群である。車内監視用のセンサとしては、例えば、人感センサ、呼気センサ、温度センサ、熱センサ、煙センサ等であってよい。また、車外監視用のセンサとしては、照度センサ、雨滴センサ、測距センサ(LiDAR、ミリ波レーダー、超音波センサ、赤外線センサ等)等であってよい。
また、車内情報取得部242は、監視用車外撮像部204によって撮像されたデータを取得する。監視用車外撮像部204は、例えばカメラ(単眼カメラ、ステレオカメラ、マルチカメラ等)であって、車両200外の例えば前後左右に複数設けられ、車外の動画像を撮像する。なお、監視用車外撮像部204によって撮像されたデータは、動画であってもよいし、静止画像であってもよい。
さらに、車内情報取得部242は、車内撮像部205が撮像したデータを取得する。車内撮像部205は、例えばカメラであって、車両内の出入口ドア、車内を一瞥可能な場所等に複数設けられ、車両200内を撮影する。車内撮像部205によって撮影されたデータは、動画であってもよいし、静止画像であってもよい。車内撮像部205が撮像したデータは、車内の乗客の着席状況、乗車人数、高齢者又は小児といった属性の判定に用いられてよい。また、例えば、車両200の車内には、各種装置として、車内撮像部205のほか、図示しないスピーカ、マイク、ディスプレイ等が備えられてもよい。
監視制御部240は、取得した各種データをサーバ100へ送信する。なお、監視制御部240は、車両200において発生した急加減速や急旋回(急ハンドル)等が発生した場合、発生した旨のデータを取得し、サーバ100へ送信してよい。サーバ100へ送信された各種データは必要に応じて適宜加工され、または加工せずに、運行管理センターの表示装置に出力されてよい。例えば、表示装置に出力された車内又は車外の動画像データは、運行管理センターの監視者による遠隔監視に用いられてよい。なお、これら各種データは、車両200からサーバ100へ所定時間毎に送信されてよく、例えば、毎秒送信されてもよい。
通信制御部241は、通信I/F(インタフェース)250による、車両200とサーバ100との間のネットワーク500を介した通信(データのやり取り)を制御する。また、通信制御部241は、車両200同士の通信を制御してもよいし、道路に設置された路側機や信号等の道路付帯物(インフラ)と車両200との間の通信を制御してもよい。
記憶部270は、典型的には、HDD(Hard Disc Drive)、SSD(Solid State Drive)、SDカード、フラッシュメモリなど各種の記録媒体により実現され、車両200が動作するうえで必要とする各種プログラム及びデータを記憶(格納)する機能を有する。また、記憶部270は、上述した各種センサから取得したデータや、各撮像部によって撮影された動画像を一時的に記憶してもよい。
なお、上述では、自動運転に利用するデータを収集するセンサ及び撮像部と、監視に利用するデータを収集するセンサ及び撮像部を分離した態様について説明したが、これらは同一のハードウェアまたはソフトウェアで実現されてもよい。また、上述では、運転制御部210と監視制御部240とを分離した態様について説明したが、これらは一の制御部で実現されてもよい。
<サーバ>
次に、図5を用いて、本発明の一実施形態に係るサーバ100のハードウェア構成、機能構成について説明する。
次に、図5を用いて、本発明の一実施形態に係るサーバ100のハードウェア構成、機能構成について説明する。
(1)サーバのハードウェア構成
サーバ100は、制御部110、通信部120、入出力部130、及び記憶部170を備える。
サーバ100は、制御部110、通信部120、入出力部130、及び記憶部170を備える。
制御部110は、典型的にはプロセッサであって、中央処理装置(CPU)、MPU(Micro Processing Unit)、GPU(Graphics Processing Unit)、マイクロプロセッサ(microprocessor)、プロセッサコア(processor core)、マルチプロセッサ(multiprocessor)、ASIC(Application-Specific Integrated Circuit)、FPGA(Field Programmable Gate Array)等を含み、集積回路(IC(Integrated Circuit)チップ、LSI(Large Scale Integration))等に形成された論理回路(ハードウェア)や専用回路によって実現される。なお、サーバ100は、上述の大量のデータを処理するための演算能力の高いプロセッサを有することが好ましい。
通信部120は、ネットワークアダプタ等のハードウェアや通信用ソフトウェア、及びこれらの組み合わせとして実装されてよい。通信部120は、ネットワーク500を介して、車両200、ユーザ端末300との間でそれぞれ各種データの送受信を行う。
入出力部130は、サーバ100に対する各種操作を入力する入力装置(キーボード、タッチパネル、マイク等)、及び、サーバ100で処理された処理結果を出力する出力装置(表示装置、スピーカ等)を含んでよい。
記憶部170は、サーバ100が動作するうえで必要とする各種プログラムや各種データを記憶する。記憶部170は、例えば、HDD(Hard Disk Drive)、SSD(Solid State Drive)、フラッシュメモリ等を含んでよい。また、記憶部170は、制御部110に対する作業領域を提供するメモリを含んでよい。
(2)サーバの機能構成
サーバ100は、制御部110によって実現される機能として、通信制御部111、入出力制御部112、取得部113、抽出部114、生成部115、更新部116、及び予約設定部140を含む。なお、図5に記載の各機能部は必須ではなく、これ以降に説明する各実施形態において、必須でない機能部はなくともよい。また、各機能部の機能又は処理は、実現可能な範囲において、機械学習又はAIにより実現されてもよい。なお、上述の機能部のうち、予約設定部140に関しては後述する。
サーバ100は、制御部110によって実現される機能として、通信制御部111、入出力制御部112、取得部113、抽出部114、生成部115、更新部116、及び予約設定部140を含む。なお、図5に記載の各機能部は必須ではなく、これ以降に説明する各実施形態において、必須でない機能部はなくともよい。また、各機能部の機能又は処理は、実現可能な範囲において、機械学習又はAIにより実現されてもよい。なお、上述の機能部のうち、予約設定部140に関しては後述する。
通信制御部111は、通信部120を介した車両200やユーザ端末300との間の通信を制御する。入出力制御部112は、入出力部130を介した外部装置との有線又は無線を介した情報の入出力を制御する。例えば、入出力制御部112は、車両200から送信された各種データに基づいた管理画面を、図示しない表示装置へ出力する。
取得部113は、運行中の自動運転車両200で収集される運行実績データを、自動運転車両200から取得する。運行実績データとは、運行する車両200の各種センサや撮像部で収集されるあらゆる情報であって、例えば、車内外の画像、走行位置、走行時間、走行速度、乗客人数、乗客の種別、走行時の天候、走行する道路周辺の明るさ、走行する道路の標識、運転履歴等であってよい。図6に、車両200から取得される運行実績データの一例を示す。本発明の一実施形態に係る運行管理システム600によれば、運行実績データとして、車両の速度21、照度(周囲の明るさ)22、車外の通行人・車・自転車の数23、道路標識24、急加減速・急旋回の発生25、乗客の種別・状態26に関するデータが、走行する各車両200A~200Cから取得される。これらのデータは、各車両200A~200Cがこれらのデータを取得した区分道路の道路IDと、取得した時間とに関連付けて、速度データベース(DB)31、照度DB32、通行人等DB33、標識DB34、急加減速等DB35、乗客種別等DB36にそれぞれ記憶されてよい。取得部113は、車両200で計測された加速度センサの測定値の変化が所定の閾値以上となった場合を、急減速・急加速が発生したとして急加減速等DB35に記憶してよい。また、取得部113は、車両200で計測された角速度センサの測定値の変化が所定の閾値以上となった場合を、急旋回が発生したとして急加減速等DB35に記憶してよい。なお、これらのDBには、どの車両が取得したデータであるかがさらに関連付けられてもよい。
抽出部114は、上述のDB31~36に格納された運行実績データに含まれるデータから、自動運転車両200の運行中に発生した事変に関する事変ありデータと、事変の発生時の自動運転車両200の車両外の状態に関する車外状態データとを抽出し、事変が発生した道路ごとに関連付けた学習データ(事変あり学習データ)51として記憶装置400に記憶させる。運行中に発生した事変とは、車両200が平常運転から逸脱した状態となったことを示す所定の条件が満たされたことを示し、例えば、急減速・急加速、急ハンドル、過度な速度の変更等であってよい。また、車両外の状態に関する車外状態データとは、車両200の運行中の周囲の状況に関するデータであって、照度DB32、通行人等DB33、標識DB34等に格納されているデータの他、外部サービスから提供されるデータを含んでよい。外部サービスから提供されるデータとは、例えば、道路の混雑度や事故といった交通情報、道路の工事予定等の道路データ41、降雨、積雪、晴天、台風等の天候データ42、自動運転車両に関する過去の事故(衝突、接触事故等)に関するデータであって、例えば保険会社が所有する事故データ43等であってよい。
図7(a)、(b)に、車外状態データの一例として、車両200から送信される車外の撮像データを示す。図7(a)は、車両200の前方を撮像した動画像内の画像70aであって、車両200が直線道路を走行しており、自転車に乗った通行人71~73、対向車74が存在することを識別することができる。また、図7(b)は、同様に車両200の前方を撮像した画像70bであって、車両200が横断歩道76のあるT字路77の手前で停止しており、車両200の前方を自転車に乗った通行人75が横断していること、左前方には、歩行者78が横断歩道を横断していることを識別することができる。取得部113は、図7のような撮像データを画像認識し、動画像に含まれる物や人物を識別できてよい。なお、画像認識には既存の技術が用いられてよい。なお、図7(b)の画像70bは、車両200において急ブレーキが発生した際の画像である。したがって、画像70bに含まれる情報は、事変発生時の車外状態データとして、図6における学習データ50のうち事変あり学習データ51に記憶される。
図8に、事変あり学習データ51の一例を示す。図8に示すように、事変データID「ad_1」で識別される事変データとして、道路ID「m11」の区分道路R1において、時間帯「9時台」に、事変「急ブレーキ」が発生したことが記憶される。また、事変が発生した際の車外状態データとして、区分道路R1の道路形状が「十字路」であって、「飛び出し注意」の標識があることとともに、事変発生時に周囲に存在した通行人の数が「10人」、車が「5台」であり、照度が「1000ルクス」、天候が「小雨」であったことが記憶される。また、事変データID「ad_2」で識別される事変データは、事変データID「ad_1」と同様に道路ID「m11」の区分道路R1において、時間帯「16時台」に発生した事変「急ブレーキ」に関し、事変発生時に周囲に存在した通行人の数が「20人」、車が「3台」であり、照度が「500ルクス」、天候が「晴天」であったことが記憶される。このように、事変あり学習データ51には、事変の発生時における車両周囲の状況に関するデータが記憶される。
<第1実施形態>
本発明の第1実施形態によれば、運行中の自動運転車両の車外状態データから、運行中の道路における事変の発生を予測する予測モデルが生成される。生成部115は、事変あり学習データ51を用いて、運行中の自動運転車両の車外状態データから、運行中の道路における事変の発生を予測する予測モデルを生成する。具体的には、生成部115は、過去に発生した事変に関するデータである事変あり学習データ51を用いて、事変の発生を目的変数、運行中の自動運転車両の車外状態データ(事変の発生時における車両周囲の状況に関するデータ)を説明変数とした機械学習を実行し、ある区分道路を現在走行中の車両の車外状態データを入力したときに、当該区分道路で事変が発生するか否かに関するデータを出力する予測モデルを生成する(ステップT11)。
本発明の第1実施形態によれば、運行中の自動運転車両の車外状態データから、運行中の道路における事変の発生を予測する予測モデルが生成される。生成部115は、事変あり学習データ51を用いて、運行中の自動運転車両の車外状態データから、運行中の道路における事変の発生を予測する予測モデルを生成する。具体的には、生成部115は、過去に発生した事変に関するデータである事変あり学習データ51を用いて、事変の発生を目的変数、運行中の自動運転車両の車外状態データ(事変の発生時における車両周囲の状況に関するデータ)を説明変数とした機械学習を実行し、ある区分道路を現在走行中の車両の車外状態データを入力したときに、当該区分道路で事変が発生するか否かに関するデータを出力する予測モデルを生成する(ステップT11)。
予測モデルの生成について説明する。生成部115は、機械学習として重回帰分析を用いて予測モデルを生成してよい。予測に事変あり学習データ51を用いる場合、予測式は例えば以下で表すことができる。
生成部115は、事変発生を「1」とし、事変あり学習データ51のうちカテゴリ変数に相当するものは、例えばワンホットベクトル化等によって数値に変換した上で、上記(数1)にあてはめ、係数a,b…,jを求める。なお、生成部115は、区分道路ごとに予測モデルを生成してよい。すなわち、生成部115は、事変あり学習データ51のうち道路IDが同一のデータを変数として用いて、道路IDごとに予測モデルを生成してよい。
更新部116は、生成部115が生成した予測モデルに、運行中の自動運転車両の車外状態データを入力し、予測モデルによる予測の結果に応じて、推奨速度データにおける、運行中の道路に設定された推奨速度を更新する(図6のステップT12)。各車両200は、更新された推奨速度を参照して走行を継続し、走行しながら、図6に示す各データをサーバ100へ送信する。
ここで、推奨速度の更新について、図3,9を用いて説明する。図3の推奨速度データ(推奨速度テーブルTB10)を参照すると、道路ID「m10」で識別される区分道路R1に当初設定された推奨速度は「30km/h」である。取得部113は、区分道路R1を現在走行する車両200から、区分道路R1周辺の車外状態データを取得し、更新部116は、区分道路R1について生成された予測モデルに、区分道路R1周辺の車外状態データを入力する。そして、更新部116は、予測モデルによる予測の結果、区分道路R1周辺の現在の状況から、事変の発生が予測される場合、推奨速度テーブルTB10における区分道路R1の推奨速度を、図9に示すように「30km/h」から「25km/h」に減少させてよい。なお、「30km/h」から「25km/h」に減少させる時間「T1」は、車両200が区分道路R1の走行を開始してから現在の車外状態データをサーバ100へ、サーバ100において上述した一連の演算処理が完了するまでに要する時間に応じて決定されてよい。
このように、本発明の第1実施形態によれば、過去の事変発生時における車両周辺の状況に関するデータ(車外状態データ)を学習し、車両周辺の状況に応じた事変の起こりやすさを予測する予測モデルが生成される。そして、車両200が走行する道路における、リアルタイムでの事変の発生について予測することが可能となり、車両200が参照すべき推奨速度データを、リアルタイムで更新することができる。このため、通行人の安全や自動運転車両の走行速度が交通に与える影響を考慮しつつ乗客の安全・快適性を確保する、より精度の高い運転支援を実現することができる。
なお、上述では、事変発生を「1」とする重回帰分析について説明したが、発生した事変の種類を目的変数としてもよい。すなわち、急減速、急加速、急旋回を目的変数とし、それぞれの事変の起こりやすさを予測する予測モデルが生成されてもよい。
また、上述では、予測モデルの生成に重回帰分析を用いる例について説明したが、本発明はこれに限定されない。予測モデルの生成には、例えば、サポートベクトル回帰(Support Vector Regression)、ランダムフォレスト回帰(Random Forest regression)等が用いられてよい。また、k-近傍法、決定木(分類木)、ランダムフォレスト、サポートベクトルマシン(Support Vector Machine)、ロジスティック回帰等のアルゴリズムを用いて予測モデルを生成してもよい。
なお、予測モデルの生成に用いられる学習データ50は、ある程度最新のデータであることが望ましい。したがって、例えば1カ月前から現在まで、または2週間前から現在までのように、現在から所定の期間以前に取得したデータを学習に用いてよい。また、事変あり学習データ51のうち、予測に寄与しないデータは予測式に用いられなくてもよい。
なお、図9において、時間「T2」では、区分道路R1の推奨速度が「25km/h」から「30km/h」に増加している。このように、更新部116は、予測モデルによる予測の結果、運行中の道路において事変の発生が予測されない場合、運行中の道路に設定された推奨速度を増加させるように更新してよい。これにより、車両200が不必要に低速で走行して渋滞の原因となることを回避することができる。
また、上述のように、図9において、時間「T1」では、区分道路R1の推奨速度が「30km/h」から「25km/h」に減少し、さらに、時間「T3」では、区分道路R1の推奨速度が「30km/h」から「20km/h」に減少している。このように、更新部116は、予測モデルによる予測の結果、運行中の道路において事変の発生が予測された場合、運行中の道路に設定された推奨速度を減少させるように更新してよい。これにより、事変が発生する可能性を低減し、車両200をより安全に走行させることができる。なお、推奨速度の減少幅、増加幅の決定については後述する。
なお、生成部115は、現在運行中の自動運転車両から取得する運行実績データに含まれる事変ありデータ及び車外状態データを学習データとして、予測モデルを更新してよい。このことを、図6を用いて説明する。図6に示すように、車両の速度21、照度(周囲の明るさ)22、車外の通行人・車・自転車の数23、道路標識24、急加減速・急旋回の発生25、乗客の種別・状態26に関するデータを含む運行実績データは、走行する各車両200A~200Cからリアルタイムでサーバ100へ送信されてよい。したがって、サーバ100の取得部113は、車両200で発生した事変に関するデータをリアルタイムで取得することができ、生成部115は、(数1)で示した予測モデルにおける係数a,b…,jを再計算して更新してよい(ステップT11)。これにより、より現在の状況に則した予測モデルを生成することができ、精度の高い予測が可能となる。
なお、生成部115は、一の区分道路に関するデータを複数の車両200A~200Cから取得し、予測モデルを生成してよい。車両200は乗合バスであるため、走行するルートはある程度決まっており、ある区分道路をそれぞれの車両200が複数回走行する。したがって、一の区分道路に対して多くの運行実績データを取得することができ、予測モデルの精度を高めることができる。
<第2実施形態>
第1実施形態では、事変が発生した場合の事変ありデータを目的変数として、予測モデルが生成される態様について説明した。しかしながら、予測モデルの生成には、事変が発生しない場合の事変なしデータがさらに用いられてもよい。すなわち、記憶装置400は、学習データとして、自動運転車両200の運行中に事変が発生しない場合の車外状態データを、道路ごとに関連付けてさらに記憶し、生成部115は、前記事変が発生しない場合を含む学習データを用いて、運行中の道路における事変の発生を予測する予測モデルを生成してよい。
第1実施形態では、事変が発生した場合の事変ありデータを目的変数として、予測モデルが生成される態様について説明した。しかしながら、予測モデルの生成には、事変が発生しない場合の事変なしデータがさらに用いられてもよい。すなわち、記憶装置400は、学習データとして、自動運転車両200の運行中に事変が発生しない場合の車外状態データを、道路ごとに関連付けてさらに記憶し、生成部115は、前記事変が発生しない場合を含む学習データを用いて、運行中の道路における事変の発生を予測する予測モデルを生成してよい。
すなわち、抽出部114は、DB31~36に格納された運行実績データに含まれるデータから、事変が発生しない場合の自動運転車両200の車両外の状態に関する車外状態データを所定数抽出し、道路ごとに関連付けた学習データ(事変なし学習データ)52として記憶装置400に記憶させてよい。生成部115は、事変発生(事変あり)を「1」、事変なしを「0」とし、上記(数1)にあてはめ、係数a,b…,jを求めてよい。なお、予測モデルの生成には、(数1)のみならず、上述したアルゴリズムを含む多様な手法が用いられてよい。
本発明の第2実施形態によれば、事変が発生しない場合の車外状態データを学習データに含めることで、事変が発生する場合と、事変が発生しない場合とについての予測精度を高めることができる。
なお、生成部115は、現在運行中の自動運転車両から取得する運行実績データに含まれる、事変が発生しない場合の車外状態データを学習データとして、予測モデルを更新してよい。上述のように、図6に示す、車両の速度21、照度(周囲の明るさ)22、車外の通行人・車・自転車の数23、道路標識24、急加減速・急旋回の発生25、乗客の種別・状態26に関するデータを含む運行実績データは、走行する各車両200A~200Cからリアルタイムでサーバ100へ送信される。したがって、生成部115は、予測モデルの生成に用いたデータのうち、事変が発生しない場合のデータを用いて、(数1)で示した予測モデルにおける係数a,b…,jを再計算して更新してよい。これにより、より現在の状況に則した予測モデルを生成することができ、精度の高い予測が可能となる。
<第3実施形態>
次に、車内における事変の発生に関する予測モデルが生成される形態を、第3実施形態として説明する。図10は、第3実施形態において予測モデルの生成に用いられる学習データの一例である。車内における事変(車内事変)とは、乗客の安全に反する状態を指し、例えば、乗客の転倒や、急な立ち上がり等であってよい。なおこれ以降、第1実施形態、第2実施形態で説明した急ブレーキ等の事変を、車内事変との区別のため「運行事変」と表記する。取得部113は、車両200の車内撮像部205で撮像されたデータを取得し、車内における事変の発生有無を判定してよい。あるいは、車内における事変の発生は車両200において判定され、その際の撮像データが、車内事変の発生時のデータとして、車両200からサーバ100へ送信されてもよい。すなわち、第3実施形態では、図6における各DB31~36に加えて、乗客の転倒・立ち上がりに関する図示しないDBが記憶されてよい。抽出部114は、各DBから予測モデルの生成に用いるデータを抽出し、学習データ50として記憶させてよい。
次に、車内における事変の発生に関する予測モデルが生成される形態を、第3実施形態として説明する。図10は、第3実施形態において予測モデルの生成に用いられる学習データの一例である。車内における事変(車内事変)とは、乗客の安全に反する状態を指し、例えば、乗客の転倒や、急な立ち上がり等であってよい。なおこれ以降、第1実施形態、第2実施形態で説明した急ブレーキ等の事変を、車内事変との区別のため「運行事変」と表記する。取得部113は、車両200の車内撮像部205で撮像されたデータを取得し、車内における事変の発生有無を判定してよい。あるいは、車内における事変の発生は車両200において判定され、その際の撮像データが、車内事変の発生時のデータとして、車両200からサーバ100へ送信されてもよい。すなわち、第3実施形態では、図6における各DB31~36に加えて、乗客の転倒・立ち上がりに関する図示しないDBが記憶されてよい。抽出部114は、各DBから予測モデルの生成に用いるデータを抽出し、学習データ50として記憶させてよい。
図10の学習データ53の例では、事変データID「ad_11」で識別される事変データとして、道路ID「m11」の区分道路R1において、時間帯「9時台」に、運行事変「急ブレーキ」が発生し、同時に車内事変「転倒」が発生したことが記憶される。また、事変(車内事変又は運行事変)が発生した際の車外状態データとして、区分道路R1の道路形状が「十字路」であって、「飛び出し注意」の標識があることとともに、事変発生時に周囲に存在した通行人の数が「10人」、車が「5台」であり、照度が「1000ルクス」、天候が「小雨」であったことが記憶される。さらに、車内状態データとして、車内の着座人数が「3人」であり、起立人数が「2人」であったことが記憶される。また、事変データID「ad_21」で識別される事変データは、事変データID「ad_11」と同様に道路ID「m11」の区分道路R1において、時間帯「16時台」に発生した運行事変「急ブレーキ」に関し、車内事変は発生していないこと、事変発生時に周囲に存在した通行人の数が「20人」、車が「3台」であり、照度が「500ルクス」、天候が「晴天」であったことに加え、車内状態データとして、車内の着座人数、起立人数とも「0人」であったことが記憶される。ここで、「車内状態データ」とは、運行中の車両200の車両内の状況に関するデータであって、乗客の人数、乗客の状態(着座・起立)、乗客の種別(高齢者・小児等)に関するデータであってよい。学習データ53の例では、このように、学習データ53には、事変の発生時における車両周囲の状況に関する車外状態データとともに、車両内の状況に関する車内状態データが記憶される。なお、車内状態データとしては、乗客の種別がさらに記憶されてもよい。
生成部115は、学習データ53を用いて、例えば以下の予測式による予測モデルを生成してよい。
生成部115は、車内事変及び運行事変の発生を「1」とし、学習データ53のうちカテゴリ変数はワンホットベクトル化等によって数値に変換した上で、上記(数2)にあてはめ、係数a1,b1…,j1を求める。なお、生成部115は、区分道路ごとに予測モデルを生成してよい。すなわち、生成部115は、学習データ53のうち道路IDが同一のデータを変数として用いて、道路IDごとに予測モデルを生成してよい。
更新部116は、生成部115が生成した予測モデルに、運行中の自動運転車両の車外状態データ及び車内状態データを入力し、予測モデルによる予測の結果に応じて、推奨速度データにおける、運行中の道路に設定された推奨速度を更新してよい。すなわち、予測モデルによって車内で事変が発生すると予測される場合、推奨速度を減少させ、車内で事変が発生しないと予測される場合、推奨速度を増加させるか、または維持すればよい。
このように、本発明の第3実施形態によれば、車内における事変の発生についても予測することが可能となる。したがって、乗客の安全をより高めた運行管理システムを提供することができる。なお、推奨速度の更新は、車内における事変発生の予測結果と、車外における事変発生の予測結果と、両方の予測結果に応じて行われてもよい。
<第4実施形態>
第1~第3実施形態では、事変の発生を予測する予測モデルを生成し、予測結果に応じて推奨速度を更新する態様について説明した。これに対し、本発明の第4実施形態では、事変が発生する走行速度を予測する予測モデルを生成し、予測される走行速度に応じて推奨速度が更新されてもよい。
第1~第3実施形態では、事変の発生を予測する予測モデルを生成し、予測結果に応じて推奨速度を更新する態様について説明した。これに対し、本発明の第4実施形態では、事変が発生する走行速度を予測する予測モデルを生成し、予測される走行速度に応じて推奨速度が更新されてもよい。
第4実施形態の場合、生成部115は、事変あり学習データ51を用いて、例えば以下の予測式による予測モデルを生成してよい。
数3では、運行事変が発生した場合の車両速度が学習されるため、第4実施形態によれば、現在の車外状態データで事変が発生すると仮定した場合の車両速度を予測することができる。したがって、更新部116は、予測された走行速度を超過しないように推奨速度を更新してよい。
<第5実施形態>
第4実施形態では、急ブレーキ等の運行事変が発生する走行速度を予測する予測モデルが生成する態様を説明した。本発明の第5実施形態では、乗客の転倒といった車内事変が発生する走行速度を予測する予測モデルを生成し、予測される走行速度に応じて推奨速度が更新されてもよい。
第4実施形態では、急ブレーキ等の運行事変が発生する走行速度を予測する予測モデルが生成する態様を説明した。本発明の第5実施形態では、乗客の転倒といった車内事変が発生する走行速度を予測する予測モデルを生成し、予測される走行速度に応じて推奨速度が更新されてもよい。
第5実施形態の場合、生成部115は、学習データ53のうち車内事変が発生したデータのみを用いて、例えば以下の予測式による予測モデルを生成してよい。
数4では、車内事変が発生した場合の車両速度が学習されるため、第5実施形態によれば、現在の車外状態データ及び車内状態データで車内事変が発生すると仮定した場合の、車両速度を予測することができる。したがって、更新部116は、予測された走行速度を超過しないように推奨速度を更新してよい。
<推奨速度の更新>
上述のように、本発明の一実施形態によれば、予測結果に応じて推奨速度が増加または減少されて更新されるが、ここで、更新の変化幅の決定について説明する。なお、以下に説明する推奨速度の更新は、上述した第1~第5実施形態全ての場合に適用可能である。
上述のように、本発明の一実施形態によれば、予測結果に応じて推奨速度が増加または減少されて更新されるが、ここで、更新の変化幅の決定について説明する。なお、以下に説明する推奨速度の更新は、上述した第1~第5実施形態全ての場合に適用可能である。
(1)所定値の増減
本発明の一実施形態によれば、更新部116は、現在設定されている推奨速度を、予め設定された変化幅(所定値)だけ変化させて更新してよい。この変化幅は、例えば、5km/h、8km/h等であってよいが、これらに限定されない。
本発明の一実施形態によれば、更新部116は、現在設定されている推奨速度を、予め設定された変化幅(所定値)だけ変化させて更新してよい。この変化幅は、例えば、5km/h、8km/h等であってよいが、これらに限定されない。
(2)係数の利用
本発明の一実施形態によれば、予測モデルによる予測の結果に応じた推奨速度の更新に、予め設定された係数を用いてよい。このことを、図11,12を用いて説明する。なお、図11と図6とは、係数の最適化処理(ステップT13)が行われる点、推奨速度の更新(ステップT12)に、ステップT13の係数が用いられる点で異なる。以降では、図6と異なる点について説明する。
本発明の一実施形態によれば、予測モデルによる予測の結果に応じた推奨速度の更新に、予め設定された係数を用いてよい。このことを、図11,12を用いて説明する。なお、図11と図6とは、係数の最適化処理(ステップT13)が行われる点、推奨速度の更新(ステップT12)に、ステップT13の係数が用いられる点で異なる。以降では、図6と異なる点について説明する。
(2-1)第1係数の利用
更新部116は、予測モデルによる予測の結果に応じた推奨速度の更新に、車内状態データと、車両内の乗客の状態に応じてあらかじめ設定された第1係数とを用いてよい。
更新部116は、予測モデルによる予測の結果に応じた推奨速度の更新に、車内状態データと、車両内の乗客の状態に応じてあらかじめ設定された第1係数とを用いてよい。
図12は、予め設定され、記憶装置400に記憶された第1係数に関する第1係数テーブルTB30の一例である。第1係数は、車両内の乗客の種別(高齢者・小児の別)、乗客の状態(着座・起立)、着座又は起立する乗客の人数に応じて設定されてよい。例えば、「起立している高齢者が3人以上」の場合の第1係数は「0.2」、「起立している高齢者が3人未満」の場合の第1係数は「0.15」と設定されている。また、「起立している子供が3人以上」の場合の第1係数は「0.15」と設定されている。このように、第1係数は、車内事変の発生のしやすさ(危険度)を示す値であってよく、第1係数の値は図示したものに限定されない。
更新部116は、上述した各予測モデルの予測の結果、運行事変及び車内事変の少なくともいずれかの事変が発生すると予測された場合、車内状態データに含まれる現在の高齢者、子供の車両内の状態に応じて、第1係数テーブルTB30から当てはまる第1係数を選択する。そして、更新部116は、先に設定されている推奨速度に第1係数を乗算した値を変化幅として、推奨速度を増減させて更新してよい。
このように、本発明の一実施形態によれば、予測モデルによる予測結果に加え、車内の状態に応じて推奨速度の変化幅が決定される。したがって、より現状に則した、精度のよい推奨速度の設定が可能となる。
(2-2)第2係数の利用
更新部116は、予測モデルによる予測の結果に応じた推奨速度の更新に、過去所定期間にわたる事変の発生回数に応じて設定された第2係数を用いてよい。
更新部116は、予測モデルによる予測の結果に応じた推奨速度の更新に、過去所定期間にわたる事変の発生回数に応じて設定された第2係数を用いてよい。
図13は、予め設定され、記憶装置400に記憶された第2係数に関する第2係数テーブルTB40の一例である。第2係数テーブルTB40は、区分道路ごとに用意されてよく、区分道路で過去所定期間(例えば、1カ月や2週間等)に発生した運行事変又は車内事変の回数に応じて設定されてよい。例えば、「事変の発生回数が0回」の場合の第2係数は「-1」、「事変の発生回数が6~10回」の場合の第2係数は「+1」と設定されている。このように、第2係数は、事変の発生のしやすさに応じて推奨速度を補正する値であってよく、第2係数の値は図示したものに限定されない。
更新部116は、上述した各予測モデルの予測の結果、運行事変及び車内事変の少なくともいずれかの事変が発生すると予測された場合、走行中の区分道路で発生した事変の回数を取得し、第2係数テーブルTB430から当てはまる第2係数を選択する。そして、更新部116は、先に設定されている推奨速度から所定値を増減させた値から、第2係数を加算した値を、推奨速度として更新してよい。
このように、本発明の一実施形態によれば、予測モデルによる予測結果に加え、道路における事変の発生のしやすさに応じて推奨速度の変化幅が補正される。したがって、より現状に則した、精度のよい推奨速度の設定が可能となる。
<サーバの制御フローチャート>
ここで、サーバ100の制御方法について、図14のフローチャートを用いて説明する。まず、サーバ100の取得部113は、運行中の自動運転車両に関する運行実績データを、自動運転車両200から取得する(ステップS11)。運行実績データは、データ種別ごとに各DBに記憶されてよい。サーバ100は、記憶装置400に、運行実績データとして過去に取得された事変データと、事変の発生時の自動運転車両の車両外の状態に
関する車外状態データとを、事変が発生した道路ごとに関連付けた学習データを記憶させる(ステップS12)。なお、学習データは、現在から所定期間(例えば、1カ月間、2週間等)以内のデータであってよい。次に、生成部115は、学習データを用いて、運行中の自動運転車両の車外状態データから、運行中の道路における事変の発生を予測する予測モデルを生成する(ステップS13)。予測モデルについては上述の通りである。そして、更新部116は、予測モデルによる予測の結果に応じて、推奨速度データにおける、運行中の道路に設定された推奨速度を更新する(ステップS14)。なお、推奨速度の更新については上述の通りである。
ここで、サーバ100の制御方法について、図14のフローチャートを用いて説明する。まず、サーバ100の取得部113は、運行中の自動運転車両に関する運行実績データを、自動運転車両200から取得する(ステップS11)。運行実績データは、データ種別ごとに各DBに記憶されてよい。サーバ100は、記憶装置400に、運行実績データとして過去に取得された事変データと、事変の発生時の自動運転車両の車両外の状態に
関する車外状態データとを、事変が発生した道路ごとに関連付けた学習データを記憶させる(ステップS12)。なお、学習データは、現在から所定期間(例えば、1カ月間、2週間等)以内のデータであってよい。次に、生成部115は、学習データを用いて、運行中の自動運転車両の車外状態データから、運行中の道路における事変の発生を予測する予測モデルを生成する(ステップS13)。予測モデルについては上述の通りである。そして、更新部116は、予測モデルによる予測の結果に応じて、推奨速度データにおける、運行中の道路に設定された推奨速度を更新する(ステップS14)。なお、推奨速度の更新については上述の通りである。
なお、生成部115は、自動運転車両200が走行する区分道路ごとに、車両200が区分道路を走行する都度、予測モデルを更新してもよい。すなわち、車両200は、区分道路が変化するごとに、自車両の各センサや撮像部で収集した運行実績データをサーバ100へ送信し、生成部115は、必要なデータを用いて、上述した予測モデルを更新してよい。これにより、予測モデルをより現状に則したものとし、予測結果の精度を高めることができる。
<第6実施形態>
次に、本発明の第6実施形態について説明する。上述のように、本発明の一実施形態において、自動運転車両200は乗合バスであって、さらに、乗客であるユーザの指定する停留所間のルートを複数の区分道路から選択して走行する、いわゆるオンデマンドバスであってよい。
次に、本発明の第6実施形態について説明する。上述のように、本発明の一実施形態において、自動運転車両200は乗合バスであって、さらに、乗客であるユーザの指定する停留所間のルートを複数の区分道路から選択して走行する、いわゆるオンデマンドバスであってよい。
ここで、オンデマンドバスについて、図15を用いて説明する。図15は、停留所11~17に関するデータを含むダイナミックマップMAP20の一例である。オンデマンドバスにおいて、ユーザは、出発する停留所(出発地)と、到着する停留所(目的地)を、停留所11~17から選択することができる。図15の例では、停留所11が出発地、停留所15が目的地として選択されたとする。サーバ100は、停留所11から停留所15までを結ぶルートを区分道路R1~Riから選択し、走行ルートを設定してよい。このとき、停留所11を出発して停留所15に到着するルートであれば、区分道路の組み合わせはどのようなものであってもよい。したがって、取得部113は、自動運転車両200が走行する都度、ルートに含まれる区分道路ごとに、運行実績データを取得することができる。これにより、予測モデルの生成に用いるデータを各自動運転車両から取得することができ、予測モデルの精度を高めることができる。
サーバ100の予約設定部140は、オンデマンドバスの予約に関する処理を実行し、予約受付部141、ルート設定部142、算出部143及び判定部144を備える。
予約受付部141は、ユーザ端末300から送信された予約データを受け付ける。予約データには、出発する停留所及び出発時間、並びに、到着する停留所及び到着時間の指定に関するデータが含まれてよい。ルート設定部142は、受け付けた予約データに基づき、ユーザの指定する停留所間の走行ルートを設定する。算出部143は、予約データに基づき設定される走行ルートの走行に要する走行時間を、走行ルートに含まれる区分道路に設定された推奨速度データから算出する。なお、推奨速度は上限速度であるため、車両200の走行速度は、推奨速度よりも遅くなることが考えられる。したがって、算出部143は、区分道路に設定された推奨速度を加算して得られた値を補正してもよい。
ここで、オンデマンドバスは、複数のユーザの相乗りを許容するシステムであってよい。したがって、第1ユーザと第2ユーザとの予約の条件によっては、第1ユーザと第2ユーザとを、一台の車両200で運ぶことができ効率的である。したがって、判定部144は、第1ユーザによる第1予約データに基づき設定される第1走行ルート及び第1走行時間と、第2ユーザによる第2予約データに基づく第2走行ルート及び第2走行時間とから、第1ユーザ及び第2ユーザが一のオンデマンドバスに乗車可能か否かを判定する。
上述の処理について、図16のフローチャートを用いて説明する。予約受付部141は、ユーザ端末300から、予約条件(予約日時、出発地/目的地)を取得する(ステップP11)。判定部144は、予約時間に近い予約(先約)があるか否かを判定する(ステップP12)。なお、設定された予約は、記憶装置400に例えば予約テーブルとして記憶され、判定部144は、予約テーブルを参照してステップP12の判定を実行することができる。先約があると判定された場合(ステップP12でYES)、ルート設定部142は、先約の車両に相乗りして目的地に行く場合のルートを設定する(ステップP13)。算出部143は、ステップP13で設定されたルートの走行に要する時間を、推奨速度データを用いて算出する(ステップP14)。
なお、ステップP12において、予約時間に近い先約がないと判定された場合(ステップP12でNO)、ルート設定部142は、ユーザを乗せる車両の停車地点から出発地を経由して目的地へ向かうルートを設定する(ステップP15)。算出部143は、ステップP15で設定されたルートの走行に要する時間を、推奨速度データを用いて算出する(ステップP16)。
判定部144は、ステップP14,P16で設定されたルートで走行した場合に、予約条件を満足するか否かを判定する(ステップP17)。すなわち、判定部144は、ユーザが指定した到着時間までに目的地に到着可能か否かを判定してよい。予約条件を満たすと判定された場合(ステップP17でYES)、予約設定部140はユーザの予約を設定し、予約テーブルに記憶する(ステップP18)。そして、サーバ100からユーザ端末300へ、走行ルート、出発予定時刻、到着予定時刻が送信される(ステップP19)。なお、ステップP17で予約条件を満たさないと判定された場合(ステップP17でNO)、予約設定部140は、予約不可である旨をユーザ端末300へ送信してよい(ステップP20)。
このように、本発明の第6実施形態によれば、推奨速度データを用いて、オンデマンドバスにおける相乗りが可能か否かが判定される。第1~第5実施形態で説明したように、推奨速度はリアルタイムで更新されるため、本発明の第6実施形態によれば、より現状に則した精度のよい推奨速度データを用いて、ルートの走行に要する時間を予測することができる。
<ユーザ端末>
なお、図2に戻り、本発明の一実施形態に係るユーザ端末300のハードウェア構成、機能構成について説明する。
なお、図2に戻り、本発明の一実施形態に係るユーザ端末300のハードウェア構成、機能構成について説明する。
(1)ユーザ端末のハードウェア構成
ユーザ端末300は、制御部310、通信部320、表示部330、入出力部340、記憶部370を備えてよい。
ユーザ端末300は、制御部310、通信部320、表示部330、入出力部340、記憶部370を備えてよい。
制御部310は、典型的にはプロセッサであって、中央処理装置(CPU)、MPU(Micro Processing Unit)、GPU(Graphics Processing Unit)、マイクロプロセッサ(microprocessor)、プロセッサコア(processor core)、マルチプロセッサ(multiprocessor)、ASIC(Application-Specific Integrated Circuit)、FPGA(Field Programmable Gate Array)等を含み、集積回路(IC(Integrated Circuit)チップ、LSI(Large Scale Integration))等に形成された論理回路(ハードウェア)や専用回路によって実現されてよい。制御部310は、記憶部370に記憶されるプログラムを読み出し、読み出したプログラムに含まれるコード又は命令を実行することによって、各実施形態に示す機能、方法を実行してよい。
記憶部370は、ユーザ端末300が動作するうえで必要とする各種プログラムや各種データを記憶する。記憶部370は、例えば、フラッシュメモリ等を含んでよい。また、記憶部370は、制御部310に対する作業領域を提供するメモリ(RAM(Random Access Memory)、ROM(Read Only Memory)等)を含んでよい。
通信部320は、ネットワークアダプタ等のハードウェアや通信用ソフトウェア、及びこれらの組み合わせとして実装されてよい。通信部320は、ネットワーク500を介して、サーバ100との間で各種データの送受信を行ってよい。
表示部330は、フレームバッファに書き込まれた表示データに従って、データを表示するモニタであって、例えば、タッチパネル、タッチディスプレイ等であってよい。
入出力部340は、ユーザ端末300に対する各種操作を入力する入力装置、及び、ユーザ端末300で処理された処理結果を出力する出力装置を含んでよい。入出力部340は、入力装置と出力装置が一体化していてもよいし、入力装置と出力装置とに分離していてもよい。入力装置は、ユーザからの入力操作を受け付けて、当該入力に係る情報を制御部310に伝達できる全ての種類の装置のいずれか、又は、その組み合わせにより実現されてよい。入力装置は、例えば、タッチパネル、タッチディスプレイ、カメラ、マイクを含んでよい。出力装置は、制御部310で処理された処理結果を出力してよい。出力装置は、例えば、ディスプレイ、タッチパネル、スピーカ等を含んでよい。
(2)ユーザ端末の機能構成
ユーザ端末300は、制御部310によって実現される機能として、通信制御部311、表示制御部312、入出力制御部313を備えてよい。なお、図2に記載の各機能部は必須ではなく、これ以降に説明する各実施形態において、必須でない機能部はなくともよい。また、各機能部の機能又は処理は、実現可能な範囲において、機械学習又はAIにより実現されてもよい。
ユーザ端末300は、制御部310によって実現される機能として、通信制御部311、表示制御部312、入出力制御部313を備えてよい。なお、図2に記載の各機能部は必須ではなく、これ以降に説明する各実施形態において、必須でない機能部はなくともよい。また、各機能部の機能又は処理は、実現可能な範囲において、機械学習又はAIにより実現されてもよい。
通信制御部311は、通信部320による、ネットワーク500を介したサーバ100との間の通信を制御し、各種情報の送受信を実行させてよい。
表示制御部312は、表示部330へのデータの表示を制御してよい。例えば、表示制御部312は、後述するオンデマンドバスの予約画面を、表示部330に表示させてよい。
入出力制御部313は、入出力部340を介した外部装置との各種情報の伝達を制御してよい。例えば、入出力制御部313は、入力装置で受け付けたユーザの入力操作に応じて、各種情報を各機能部へ情報を伝達したり、タッチパネル、モニタ、スピーカ等の図示しない出力装置に対し、各機能部からの情報を伝達したりしてよい。また、入出力制御部313は、予約情報入力部314を含んでよい。予約情報入力部314は、ユーザから、上述したオンデマンドバスの利用予約の入力を受け付けてよい。
<ユーザ端末における予約画面>
図17(a)、(b)に、オンデマンドバスの予約画面の一例を示す。図17(a)は、予約入力画面80aであって、日付81、出発地82、到着地83、乗車人数84を入力可能であってよい。なお、これらのデータは、予め設定された選択肢の選択によって入力されてもよい。さらに、予約入力画面80aには、乗車人数84の入力に応じて、乗客の種別85を入力可能であってよい。ユーザによって検索ボタン86が選択されると、ユーザ端末300は、予約情報をサーバ100へ送信してよい。
図17(a)、(b)に、オンデマンドバスの予約画面の一例を示す。図17(a)は、予約入力画面80aであって、日付81、出発地82、到着地83、乗車人数84を入力可能であってよい。なお、これらのデータは、予め設定された選択肢の選択によって入力されてもよい。さらに、予約入力画面80aには、乗車人数84の入力に応じて、乗客の種別85を入力可能であってよい。ユーザによって検索ボタン86が選択されると、ユーザ端末300は、予約情報をサーバ100へ送信してよい。
図17(b)は、予約情報に基づいて設定された予約についての予約詳細画面80bであって、上述したステップP19によってサーバ100から送信される情報の表示画面である。図に示すように、予約設定部140によって他のユーザとの相乗りが可能と判定された場合、相乗り「あり」との情報87が表示されてよい。なお、予約詳細画面80bへの遷移前に、予約情報に基づいて設定可能な予約の一覧がユーザ端末300に表示され、ユーザによって、予約するか否かの選択が可能であってよい。
本発明を諸図面や実施例に基づき説明してきたが、当業者であれば本開示に基づき種々の変形や修正を行うことが容易であることに注意されたい。従って、これらの変形や修正は本発明の範囲に含まれることに留意されたい。例えば、各構成部、各ステップ等に含まれる機能等は論理的に矛盾しないように再配置可能であり、複数の構成部やステップ等を1つに組み合わせたり、或いは分割したりすることが可能である。また、上記実施の形態に示す構成を適宜組み合わせることとしてもよい。例えば、サーバ100が備えるとして説明した各構成部は、複数のサーバによって分散されて実現されてもよい。
また、上述でサーバ100が行うとして説明した処理は、車両200、ユーザ端末300が実行してもよい。
さらに、上述で説明した第1~第6実施形態は、単独で実施されてもよいし、複数の実施例を組み合わせて実施されてもよい。
また、上述において予測モデルの生成における説明変数として説明した、車両200から取得した各データは、必ずしも全てのデータを説明変数とする必要はなく、予測に寄与しないデータは用いられなくてよい。
サーバ100、車両200の各機能部は、集積回路(IC(Integrated Circuit)チップ、LSI(Large Scale Integration))等に形成された論理回路(ハードウェア)や専用回路によって実現してもよいし、CPU(Central Processing Unit)を用いてソフトウェアによって実現してもよい。また、各機能部は、1または複数の集積回路により実現されてよく、複数の機能部の機能を1つの集積回路により実現されることとしてもよい。さらに、上述したサーバ100は、複数のサーバコンピュータで実現してもよいし、機能によっては、外部のプラットフォーム等をAPI(Application Programming Interface)等で呼び出して実現してもよい。
サーバ100の各機能部をソフトウェアにより実現する場合、サーバ100は、各機能を実現するソフトウェアであるプログラムの命令を実行するCPU、上記プログラム及び各種データがコンピュータ(またはCPU)で読み取り可能に記録されたROM(Read Only Memory)または記憶装置(これらを「記録媒体」と称する)、上記プログラムを展開するRAM(Random Access Memory)などを備えている。そして、コンピュータ(またはCPU)が上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。すなわち、本発明に係るサーバ100は、CPUがRAM上にロードされたプログラムを実行することにより、上述した各構成部として機能する。上記記録媒体としては、「一時的でない有形の媒体」、例えば、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムは、当該プログラムを伝送可能な任意の伝送媒体(通信ネットワークや放送波等)を介して上記コンピュータに供給されてもよい。本発明は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。
なお、上記プログラムは、例えば、ActionScript、JavaScript(登録商標)、Python、Rubyなどのスクリプト言語、C言語、C++、C#、Objective-C、Swift、Java(登録商標)などのオブジェクト指向プログラミング言語、HTML5などのマークアップ言語などを用いて実装されてよい。さらに、特許請求の範囲における「部(section、module、unit)」との記載は、「手段」や「回路」に読み替えてもよい。例えば、通信部は、通信手段や通信回路に読み替えることができる。
また、本開示のプログラムは、当該プログラムを伝送可能な任意の伝送媒体(通信ネットワークや放送波等)を介して、サーバ100に提供されてもよい。
以上説明した本開示の各態様によれば、高齢者や小児が乗車した場合でも安全かつ快適な自動運転車両の運行が可能となることにより、持続可能な開発目標(SDGs)の目標11「住み続けられるまちづくりを」の達成に貢献できる。
100 サーバ(運行管理装置)
110 制御部
111 通信制御部
112 表示処理部
113 取得部
114 抽出部
115 生成部
116 更新部
120 通信部
130 入出力部
140 予約設定部
141 予約受付部
142 ルート設定部
143 算出部
144 判定部
170 記憶部
200 自動運転車両
201 運転制御用センサ群
202 制御用車外撮像部
203 監視用センサ群
204 監視用車外撮像部
205 車内撮像部
210 運転制御部
211 運転情報取得部
212 駆動力制御部
213 ブレーキ制御部
214 ステアリング制御部
221 駆動力出力装置
222 ブレーキ装置
223 ステアリング装置
240 監視制御部
241 通信制御部
242 車内情報取得部
250 通信I/F
260 表示部
270 記憶部
300 ユーザ端末(通信端末)
310 制御部
311 通信制御部
312 表示制御部
313 入出力制御部
314 予約情報入力部
320 通信部
330 表示部
340 入出力部
370 記憶部
400 記憶装置
500 ネットワーク
600 運行管理システム
110 制御部
111 通信制御部
112 表示処理部
113 取得部
114 抽出部
115 生成部
116 更新部
120 通信部
130 入出力部
140 予約設定部
141 予約受付部
142 ルート設定部
143 算出部
144 判定部
170 記憶部
200 自動運転車両
201 運転制御用センサ群
202 制御用車外撮像部
203 監視用センサ群
204 監視用車外撮像部
205 車内撮像部
210 運転制御部
211 運転情報取得部
212 駆動力制御部
213 ブレーキ制御部
214 ステアリング制御部
221 駆動力出力装置
222 ブレーキ装置
223 ステアリング装置
240 監視制御部
241 通信制御部
242 車内情報取得部
250 通信I/F
260 表示部
270 記憶部
300 ユーザ端末(通信端末)
310 制御部
311 通信制御部
312 表示制御部
313 入出力制御部
314 予約情報入力部
320 通信部
330 表示部
340 入出力部
370 記憶部
400 記憶装置
500 ネットワーク
600 運行管理システム
Claims (14)
- 道路ごとに設定された推奨速度に関する推奨速度データを参照して走行する複数の自動運転車両の運行を管理する運行管理システムであって、
運行中の前記自動運転車両で収集される運行実績データを、前記自動運転車両から取得する取得部と、
前記運行実績データに含まれる、前記自動運転車両の運行中に発生した事変に関する事変ありデータと、前記事変の発生時の前記自動運転車両の車両外の状態に関する車外状態データとを、前記事変が発生した道路ごとに関連付けた学習データを記憶する記憶部と、
前記学習データを用いて、運行中の自動運転車両の車外状態データから、運行中の道路における前記事変の発生を予測する予測モデルを生成する生成部と、
前記予測モデルによる予測の結果に応じて、前記推奨速度データにおける、前記運行中の道路に設定された前記推奨速度を更新する更新部と、
を備える運行管理システム。 - 前記生成部は、現在運行中の自動運転車両から取得する前記運行実績データに含まれる前記事変ありデータ及び前記車外状態データを前記学習データとして、前記予測モデルを更新する、
請求項1に記載の運行管理システム。 - 前記記憶部は、前記学習データとして、前記自動運転車両の運行中に前記事変が発生しない場合の前記車外状態データを、前記道路ごとに関連付けてさらに記憶し、
前記生成部は、前記前記事変が発生しない場合を含む前記学習データを用いて、運行中の道路における前記事変の発生を予測する前記予測モデルを生成する、
請求項1または2に記載の運行管理システム。 - 前記生成部は、現在運行中の自動運転車両から取得する前記運行実績データに含まれる、前記事変が発生しない場合の前記車外状態データを前記学習データとして、前記予測モデルを更新する、
請求項3に記載の運行管理システム。 - 前記更新部は、前記予測モデルによる予測の結果、運行中の道路において前記事変の発生が予測されない場合、前記運行中の道路に設定された前記推奨速度を増加させるように更新する、
請求項1~4のいずれか一項に記載の運行管理システム。 - 前記更新部は、前記予測モデルによる予測の結果、運行中の道路において前記事変の発生が予測された場合、前記運行中の道路に設定された前記推奨速度を減少させるように更新する、
請求項1~5のいずれか一項に記載の運行管理システム。 - 前記取得部は、前記運行実績データに含まれる、前記自動運転車両の車両内の状態に関する車内状態データをさらに取得し、
前記更新部は、前記予測モデルによる予測の結果に応じた前記推奨速度の更新に、前記車内状態データと、車両内の乗客の状態に応じてあらかじめ設定された第1係数とを用いる、
請求項1~6のいずれか一項に記載の運行管理システム。 - 前記更新部は、前記予測モデルによる予測の結果に応じた前記推奨速度の更新に、過去所定期間にわたる事変の発生回数に応じて設定された第2係数を用いる、
請求項1~7のいずれか一項に記載の運行管理システム。 - 前記推奨速度データにおける前記推奨速度は、前記道路を所定の規則に従って区分した区分道路ごとに設定され、
前記生成部は、前記自動運転車両が走行する前記区分道路ごとに、当該区分道路を走行する都度、前記予測モデルを更新する、
請求項1~8のいずれか一項に記載の運行管理システム。 - 前記自動運転車両は、ユーザの指定する停留所間のルートを複数の前記区分道路から選択して走行するオンデマンドバスであって、
前記取得部は、前記自動運転車両が走行する都度、前記ルートに含まれる前記区分道路ごとに、前記運行実績データを取得する、
請求項9に記載の運行管理システム。 - 前記オンデマンドバスに関し、出発する停留所及び出発時間、並びに、到着する停留所及び到着時間の指定に関する予約データをユーザから受け付ける受付部と、
前記予約データに基づき、前記ユーザの指定する停留所間の走行ルートを設定する設定部と、
前記予約データに基づき設定される走行ルートの走行に要する走行時間を、前記走行ルートに含まれる前記区分道路に設定された前記推奨速度データから算出する算出部と、
第1ユーザによる第1予約データに基づき設定される第1走行ルート及び第1走行時間と、第2ユーザによる第2予約データに基づく第2走行ルート及び第2走行時間とから、前記第1ユーザ及び前記第2ユーザが一のオンデマンドバスに乗車可能か否かを判定する判定部と、
をさらに備える、
請求項10に記載の運行管理システム。 - 道路ごとに設定された推奨速度に関する推奨速度データを参照して走行する複数の自動運転車両の運行を管理する運行管理システムに係る運行管理装置であって、
運行中の前記自動運転車両で収集される運行実績データを、前記自動運転車両から取得する取得部と、
前記運行実績データに含まれる、前記自動運転車両の運行中に発生した事変に関する事変ありデータと、前記事変の発生時の前記自動運転車両の車両外の状態に関する車外状態データとを、前記事変が発生した道路ごとに関連付けた学習データを記憶する記憶部と、
前記学習データを用いて、運行中の自動運転車両の車外状態データから、運行中の道路における前記事変の発生を予測する予測モデルを生成する生成部と、
前記予測モデルによる予測の結果に応じて、前記推奨速度データにおける、前記運行中の道路に設定された前記推奨速度を更新する更新部と、
を備える運行管理装置。 - 道路ごとに設定された推奨速度に関する推奨速度データを参照して走行する複数の自動運転車両の運行を管理する運行管理システムに係る運行管理装置の制御方法であって、
運行管理装置が、
運行中の前記自動運転車両で収集される運行実績データを、前記自動運転車両から取得するステップと、
前記運行実績データに含まれる、前記自動運転車両の運行中に発生した事変に関する事変ありデータと、前記事変の発生時の前記自動運転車両の車両外の状態に関する車外状態データとを、前記事変が発生した道路ごとに関連付けた学習データを記憶するステップと、
前記学習データを用いて、運行中の自動運転車両の車外状態データから、運行中の道路における前記事変の発生を予測する予測モデルを生成するステップと、
前記予測モデルによる予測の結果に応じて、前記推奨速度データにおける、前記運行中の道路に設定された前記推奨速度を更新するステップと、
を含む運行管理装置の制御方法。 - 道路ごとに設定された推奨速度に関する推奨速度データを参照して走行する複数の自動運転車両の運行を管理する運行管理システムに係る運行管理装置の制御プログラムであって、
運行管理装置に、
運行中の前記自動運転車両で収集される運行実績データを、前記自動運転車両から取得する機能と、
前記運行実績データに含まれる、前記自動運転車両の運行中に発生した事変に関する事変ありデータと、前記事変の発生時の前記自動運転車両の車両外の状態に関する車外状態データとを、前記事変が発生した道路ごとに関連付けた学習データを記憶する機能と、
前記学習データを用いて、運行中の自動運転車両の車外状態データから、運行中の道路における前記事変の発生を予測する予測モデルを生成する機能と、
前記予測モデルによる予測の結果に応じて、前記推奨速度データにおける、前記運行中の道路に設定された前記推奨速度を更新する機能と、
を実現させる運行管理装置の制御プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022038200A JP7254988B1 (ja) | 2022-03-11 | 2022-03-11 | 運行管理システム、運行管理装置、運行管理装置の制御方法、及び運行管理装置の制御プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022038200A JP7254988B1 (ja) | 2022-03-11 | 2022-03-11 | 運行管理システム、運行管理装置、運行管理装置の制御方法、及び運行管理装置の制御プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7254988B1 true JP7254988B1 (ja) | 2023-04-10 |
JP2023132714A JP2023132714A (ja) | 2023-09-22 |
Family
ID=85801588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022038200A Active JP7254988B1 (ja) | 2022-03-11 | 2022-03-11 | 運行管理システム、運行管理装置、運行管理装置の制御方法、及び運行管理装置の制御プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7254988B1 (ja) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019179372A (ja) | 2018-03-30 | 2019-10-17 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 学習データ作成方法、学習方法、危険予測方法、学習データ作成装置、学習装置、危険予測装置、及び、プログラム |
JP2021034739A (ja) | 2019-08-13 | 2021-03-01 | Kddi株式会社 | 事象発生推定のための学習データ生成方法・プログラム、学習モデル及び事象発生推定装置 |
-
2022
- 2022-03-11 JP JP2022038200A patent/JP7254988B1/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019179372A (ja) | 2018-03-30 | 2019-10-17 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 学習データ作成方法、学習方法、危険予測方法、学習データ作成装置、学習装置、危険予測装置、及び、プログラム |
JP2021034739A (ja) | 2019-08-13 | 2021-03-01 | Kddi株式会社 | 事象発生推定のための学習データ生成方法・プログラム、学習モデル及び事象発生推定装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2023132714A (ja) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10867510B2 (en) | Real-time traffic monitoring with connected cars | |
US11105640B1 (en) | Using train telematics data to reduce accident risk | |
US11260852B2 (en) | Collision behavior recognition and avoidance | |
KR102402293B1 (ko) | 자율 주행 차량 거동을 디스플레이하기 위한 그래픽 사용자 인터페이스 | |
US20230245071A1 (en) | Real-time visualization of autonomous vehicle behavior in mobile applications | |
CN110710264A (zh) | 通信控制装置、通信控制方法和计算机程序 | |
JP2019501435A (ja) | 自律走行車の走行を決定するための周辺環境を構築する方法及びシステム | |
US20210191394A1 (en) | Systems and methods for presenting curated autonomy-system information of a vehicle | |
WO2018142566A1 (ja) | 通過ゲート決定装置、車両制御システム、通過ゲート決定方法、およびプログラム | |
WO2018168018A1 (ja) | 運転支援装置、プログラムおよび運転支援方法 | |
US20230192077A1 (en) | Adjustment of object trajectory uncertainty by an autonomous vehicle | |
JP7254988B1 (ja) | 運行管理システム、運行管理装置、運行管理装置の制御方法、及び運行管理装置の制御プログラム | |
US20220094435A1 (en) | Visible light communication apparatus, visible light communication method, and visible light communication program | |
US20240054822A1 (en) | Methods and systems for managing data storage in vehicle operations | |
WO2023171401A1 (ja) | 信号処理装置、信号処理方法、および記録媒体 | |
US20240149888A1 (en) | Automated comfort score | |
WO2023228781A1 (ja) | 処理システム及び情報提示装置 | |
EP4235100A1 (en) | Autonomous vehicle fleet acting as a phase array for imaging and tomography | |
US20240257508A1 (en) | Information processing device, information processing method, and program | |
EP4209805A1 (en) | Radar multipath filter with track priors | |
JP2023158952A (ja) | 運行管理装置、運行管理装置の制御方法、及び運行管理装置の制御プログラム | |
Weidla et al. | Does a livable city profit from a shared CCAM Shuttle Bus on demand? | |
JP2024008038A (ja) | 電子装置 | |
CN117132960A (zh) | 检测意图穿越马路或违规穿越马路的行人的***和方法 | |
CN117409561A (zh) | 运营天气管理 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220311 |
|
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: 20230307 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230329 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7254988 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |