危険推定装置及びプログラム
【課題】検出される状態の種類に変更があった場合であっても、学習結果を再利用することができるようにする。
【解決手段】情報分類部３２によって、センサ情報の種類を分類し、学習部３４によって、センサ情報の種類の分類毎に、学習データに基づいて、センサ情報と衝突危険予測度との対応関係を学習する。情報取得部２６によって、各種センサ情報を取得し、危険推定部３８によって、学習された対応関係と、取得した各種センサ情報とに基づいて、分類毎に、対応する衝突危険予測度を求め、衝突危険予測度の総合的な値を推定する。
【解決手段】情報分類部３２によって、センサ情報の種類を分類し、学習部３４によって、センサ情報の種類の分類毎に、学習データに基づいて、センサ情報と衝突危険予測度との対応関係を学習する。情報取得部２６によって、各種センサ情報を取得し、危険推定部３８によって、学習された対応関係と、取得した各種センサ情報とに基づいて、分類毎に、対応する衝突危険予測度を求め、衝突危険予測度の総合的な値を推定する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、危険推定装置及びプログラムに係り、特に、車両の走行状態やドライバの操作状態に基づいて、危険予測度を推定する危険推定装置及びプログラムに関する。
【背景技術】
【０００２】
従来より、移動体の操作情報から抽出したリスク情報を教師情報として、外界環境に含まれる多次元特徴量から算出される１次元状態との相関関係を学習することにより、外界環境に含まれる危険度を自動認識する技術が知られている（特許文献１）。
【先行技術文献】
【特許文献】
【０００３】
【特許文献１】特開２００８−２３８８３１号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
しかしながら、上記の特許文献１に記載の技術では、多次元特徴量を１次元の状態に変換しているために、特徴量の組み合わせが変更された場合には、過去の学習結果を再利用することが出来ず、再度学習をし直す必要がある、という問題がある。
【０００５】
本発明は、上記の問題点を解決するためになされたもので、検出される状態の種類に変更があった場合であっても、学習結果を再利用することができる危険推定装置及びプログラムを提供することを目的とする。
【課題を解決するための手段】
【０００６】
上記の目的を達成するために本発明に係る危険推定装置は、車両の走行状態、ドライバが前記車両を操作したときの操作状態、又は前記車両の周辺の走行環境を示す環境状態を含む複数種類の状態を検出する状態検出手段と、前記複数種類の状態を分類した分類毎に学習した、前記分類に属する状態と危険予測度との対応関係を記憶した記憶手段と、前記記憶手段に記憶された前記対応関係と、前記状態検出手段によって検出された前記複数種類の状態とに基づいて、前記分類毎に、対応する前記危険予測度を求め、前記危険予測度の総合的な値を推定する推定手段と、を含んで構成されている。
【０００７】
本発明に係るプログラムは、車両の走行状態、ドライバが前記車両を操作したときの操作状態、又は前記車両の周辺の走行環境を示す環境状態を含む複数種類の状態を分類した分類毎に学習した、前記分類に属する状態と危険予測度との対応関係を記憶した記憶手段を含むコンピュータを、前記記憶手段に記憶された前記対応関係と、前記複数種類の状態を検出する状態検出手段によって検出された前記複数種類の状態とに基づいて、前記分類毎に、対応する前記危険予測度を求め、前記危険予測度の総合的な値を推定する推定手段として機能させるためのプログラムである。
【０００８】
本発明によれば、状態検出手段によって、車両の走行状態、ドライバが車両を操作したときの操作状態、又は車両の周辺の走行環境を示す環境状態を含む複数種類の状態を検出する。そして、推定手段によって、記憶手段に記憶された対応関係と、状態検出手段によって検出された複数種類の状態とに基づいて、分類毎に、対応する危険予測度を求め、危険予測度の総合的な値を推定する。
【０００９】
このように、検出される状態の分類毎に学習した、状態と危険予測度との対応関係を用いて、危険予測度を推定しているため、検出される状態の種類に変更があった場合であっても、学習結果を再利用することができる。
【００１０】
本発明に係る記憶手段に記憶された対応関係を、分類毎に、分類に属する状態と、状態が検出された時について求められた危険度とを学習データとして学習されたものとすることができる。
【００１１】
また、上記の複数種類の状態の分類を、閾値以上の前記危険度が求められたときに検出された複数種類の状態間の相互情報量、危険度と各種類の状態との間の相互情報量、複数種類の状態間の相互情報量、及び複数種類の状態間の相関係数の少なくとも１つに基づいて分類されたものとすることができる。これによって、危険度との関連性が強い状態の組み合わせ、または、状態間の関連性が強い状態の組み合わせを、同じクラスに分類することができる。
【００１２】
本発明に係る記憶手段に記憶された対応関係を、学習データに基づいて対応関係を学習する学習装置によって学習されたものとすることができる。このとき、複数の危険推定装置が、学習装置における学習結果を利用することができる。
【００１３】
また、上記の学習装置は、更に、複数種類の状態の分類を行うようにすることができる。
【００１４】
本発明に係る推定手段は、分類毎に求められた危険予測度を重み付き加算することにより、危険予測度の総合的な値を推定するようにすることができる。
【００１５】
本発明に係る推定手段は、分類毎に求められた危険予測度の最大値を、危険予測度の総合的な値として推定するようにすることができる。
【発明の効果】
【００１６】
以上説明したように、本発明の危険推定装置及びプログラムによれば、検出される状態の分類毎に学習した、状態と危険予測度との対応関係を用いて、危険予測度を推定しているため、検出される状態の種類に変更があった場合であっても、学習結果を再利用することができる、という効果が得られる。
【図面の簡単な説明】
【００１７】
【図１】本発明の第１の実施の形態に係る衝突危険推定装置の構成を示すブロック図である。
【図２】センサ情報から状態へ変換するためのマップを示す図である。
【図３】本発明の第１の実施の形態に係る衝突危険推定装置における分類処理ルーチンの内容を示すフローチャートである。
【図４】本発明の第１の実施の形態に係る衝突危険推定装置における分類処理ルーチンの内容を示すフローチャートである。
【図５】本発明の第１の実施の形態に係る衝突危険推定装置における学習処理ルーチンの内容を示すフローチャートである。
【図６】本発明の第１の実施の形態に係る衝突危険推定装置における危険推定処理ルーチンの内容を示すフローチャートである。
【図７】本発明の第２の実施の形態に係る衝突危険推定装置の構成を示すブロック図である。
【図８】本発明の第２の実施の形態に係る衝突危険推定装置における学習更新処理ルーチンの内容を示すフローチャートである。
【発明を実施するための形態】
【００１８】
以下、図面を参照して本発明の実施の形態を詳細に説明する。なお、車両に搭載された衝突危険推定装置に本発明を適用した場合を例に説明する。
【００１９】
図１に示すように、第１の実施の形態に係る衝突危険推定装置１０は、自車両の走行状態としての自車位置（緯度経度）を検出するＧＰＳセンサ１２と、車両の周辺の走行環境状態としての前方の車間距離を測定する車間距離測定部１４と、自車両の走行状態としての加速度を検出する加速度センサ１６と、ドライバが自車両を操作したときの操作状態としてのブレーキ量（ブレーキの踏み込み量）を検出するブレーキセンサ１８と、自車両の走行状態としての車速を検出する車速センサ２０と、ＧＰＳセンサ１２、車間距離測定部１４、加速度センサ１６、ブレーキセンサ１８、及び車速センサ２０からの出力に基づいて、衝突危険予測度を推定し、推定結果に応じて、警報装置２４から警報音を出力させるコンピュータ２２とを備えている。
【００２０】
ＧＰＳセンサ１２は、検出した自車両の位置を示す自車位置信号を出力する。車間距離測定部１４は、例えば、レーザレーダを備え、前方の先行車両との車間距離を測定し、測定した車間距離を示す車間距離信号を出力する。加速度センサ１６は、検出した加速度を示す加速度信号を出力する。ブレーキセンサ１８は、ドライバによって操作されたブレーキ量を検出し、検出したブレーキ量を示すブレーキ信号を出力する。車速センサ２０は、検出した自車両の車速を示す車速信号を出力する。
【００２１】
ＧＰＳセンサ１２、車間距離測定部１４、加速度センサ１６、ブレーキセンサ１８、及び車速センサ２０は、ある一定間隔で（例えば、１００ｍｓ毎）で、各信号をコンピュータ２２に入力する。
【００２２】
コンピュータ２２は、ＣＰＵと、ＲＡＭと、後述する分類処理ルーチン、学習処理ルーチン、及び危険推定処理ルーチンを実行するためのプログラムを記憶したＲＯＭとを備え、機能的には次に示すように構成されている。コンピュータ２２は、ＧＰＳセンサ１２、車間距離測定部１４、加速度センサ１６、ブレーキセンサ１８、及び車速センサ２０からの各信号を取得して後述する情報格納部２８に記憶する情報取得部２６と、自車両の位置、車間距離、加速度、ブレーキ量、及び車速からなる各種センサ情報と後述する衝突危険度とを対応させて時系列的に記憶した情報格納部２８と、自車両の加速度に基づいて、衝突危険度を判定する危険度判定部３０と、自車両の位置、車間距離、加速度、ブレーキ量、及び車速からなる各種センサ情報の種類を分類する情報分類部３２と、各種センサ情報の時系列データと、各時点で判定された衝突危険度とに基づいて、各種センサ情報と衝突危険予測度との対応関係を学習する学習部３４と、学習部３４による学習結果を記憶する学習結果記憶部３６と、を備えている。
【００２３】
情報取得部２６は、ＧＰＳセンサ１２、車間距離測定部１４、加速度センサ１６、ブレーキセンサ１８、及び車速センサ２０から時系列的に連続して出力される各種信号を繰り返し取得して、各々を情報格納部２８に記憶させる。
【００２４】
危険度判定部３０は、情報格納部２８に記憶された現在の加速度に基づいて、以下の（１）式に従って、現在の衝突危険度を判定し、同時刻に検出された各種センサ情報と対応させて情報格納部２８に記憶させる。
【００２５】
【数１】
【００２６】
ただし、ｒｔは時刻ｔにおける衝突危険度、ａｔは時刻ｔにおける前後方向の加速度、Ｔｈは閾値である。
【００２７】
なお、以下の（２）式に従って、現在の衝突危険度を判定するようにしてもよい。
【００２８】
【数２】
【００２９】
ただし、Ｔｈｍａｘ、Ｔｈｍｉｎは閾値である。
【００３０】
また、上記（２）式で算出されるような連続値ではなく、０〜１の区間をＮ段階に等間隔に分割した離散値、又はＮ段階に予め決めた間隔で分割した離散値を、衝突危険度としてもよい。
【００３１】
情報分類部３２は、情報格納部２８に記憶された、一定期間分のデータに基づいて、以下に説明するように、各種センサ情報の種類を分類する。
【００３２】
まず、各種センサ情報の種類毎に、以下の（３）式に従って、対応する衝突危険度との間の相互情報量を算出し、相互情報量が閾値よりも小さい場合には、当該センサ情報の種類は、衝突危険度とは関係の無いセンサ情報のクラスに分類する。
【００３３】
【数３】
【００３４】
ただし、Ｓiは、センサ情報の種類を表わす。
【００３５】
次に、衝突危険度と関係が無いセンサ情報以外の各種センサ情報の種類について、衝突危険度ｒ＞０を満たす条件の下で検出された各種センサ情報の種類間の相互情報量を、センサ情報の種類の各組み合わせについて、以下の（４）式に従って算出し、算出された相互情報量が、閾値以上となるセンサ情報の種類の組み合わせは、同じクラスであると分類する。但し、一つの種類のセンサ情報が複数のクラスに属することも許容する。
【００３６】
【数４】
【００３７】
上記の分類により、報酬（衝突危険度）と関連性が強く、かつ、センサ情報間の関連性も強い、センサ情報の種類の組み合わせを、同じクラスであると分類することができる。
【００３８】
学習部３４は、情報格納部２８に記憶された、一定期間分のデータに基づいて、以下に説明するように、分類毎に、学習を行う。
【００３９】
まず、対象の分類において、当該分類に属する種類のセンサ情報を、時系列データの各々について、1つの状態へ変換する。各種センサ情報から状態への変換方法としては、各種センサ情報を離散化し、図２に示すような、離散値の組み合わせに対応する各グリッド内を同一の状態としたマップに従って、各時刻における各種センサ情報を、1つの状態に変換する。
【００４０】
なお、各種センサ情報を表わすベクトルから状態への写像を、ＳＯＭ（自己組織化マップ、Ｓｅｌｆ Ｏｒｇａｎｉｚｉｎｇ Ｍａｐｓ）により学習しておき、各種センサ情報に対応するＳＯＭのノードを、変換された状態として求めてもよい。
【００４１】
そして、変換された状態の時系列データと衝突危険度の時系列データとを学習データとして、当該分類について、将来の衝突危険度である衝突危険予測度と、上記のように変換される状態との対応関係を学習する。
【００４２】
本実施の形態では、衝突危険予測度として、下記の（５）式で表される状態価値Ｖを用い、変換される状態と状態価値Ｖとの対応関係を学習する。
【００４３】
【数５】
【００４４】
但し、ｓｔは時刻ｔにおける状態、γは割引率、ｒｔは時刻ｔにおける衝突危険度とする。また、Ｅ［ ］は、期待値を表わす。
【００４５】
変換された状態の時系列データと衝突危険度の時系列データとを学習データとして、例えばＴＤ誤差学習法を用いて、以下の（６）式に従って、各状態ｓｔに対応する状態価値Ｖを更新して、学習する。
【００４６】
【数６】
【００４７】
なお、モンテカルロ法を用いて、各状態ｓｔに対応する状態価値Ｖを更新して学習してもよい。この場合には、以下の（７）式に従って、各状態ｓｔに対応する状態価値Ｖを更新するようにすればよい。
【００４８】
【数７】
【００４９】
ただし、Ｔは定数であり、十分大きなＴで更新を打ち切るようにすればよい。
【００５０】
学習部３４は、上記のように、分類毎に、状態ｓｔと状態価値Ｖとの対応関係を学習し、学習された分類毎の状態ｓｔと状態価値Ｖとの対応関係を、学習結果記憶部３６に記憶する。なお、学習結果として、状態ｓｔと状態価値Ｖとの対応関係を表わすテーブルを求めてもよいし、状態ｓｔと状態価値Ｖとの対応関係を表わす関数を求めてもよい。また、状態ｓｔと状態価値Ｖとの対応関係は、分類に属する状態と危険予測度との対応関係の一例である。
【００５１】
コンピュータ２２は、更に、現在の各種センサ情報と、学習された分類毎の状態ｓｔと状態価値Ｖとの対応関係とに基づいて、衝突危険予測度を推定する危険推定部３８と、推定された衝突危険予測度に応じて、警報装置２４による出力を制御する警報制御部４０とを備えている。
【００５２】
危険推定部３８は、まず、分類毎に、当該分類に属する現在の各種センサ情報を、上記図２に示すマップに従って、状態ｓｔに変換する。そして、危険推定部３８は、分類毎に、変換された状態ｓｔと、学習された状態ｓｔと状態価値Ｖとの対応関係とに基づいて、状態価値Ｖ（ｓｔ）を算出し、当該分類に対する衝突危険予測度とする。
【００５３】
また、危険推定部３８は、分類毎に算出された衝突危険予測度に基づいて、以下の（８）式に従って、現時刻ｔの衝突危険予測度の総合的な値Ｖ*（ｔ）を推定する。
【００５４】
【数８】
【００５５】
ただし、ｓｔｉ は、ｉ番目の分類における時刻ｔでの状態価値Ｖであり、ｗｉはｉ番目の分類に対する重みとする。重みは、通常は全ての分類に対して１とするが、事故の被害度などにあわせて、分類ごとに設定しても良い。
【００５６】
警報制御部４０は、推定された衝突危険予測度の総合的な値が、閾値以上であると判定すると、警報装置２４によって、ドライバに対して警報音を出力させる。
【００５７】
次に、第１の実施の形態に係る衝突危険推定装置１０の作用について説明する。まず、衝突危険推定装置１０を搭載した車両の走行中に、コンピュータ２２において、ＧＰＳセンサ１２、車間距離測定部１４、加速度センサ１６、ブレーキセンサ１８、及び車速センサ２０の各々から出力された信号を取得して、情報格納部２８に記憶すると共に、取得した加速度信号に基づいて、衝突危険度を判定して、情報格納部２８に記憶する。一定時間分のデータが情報格納部２８に蓄積されると、コンピュータ２２において、図３、４に示す分類処理ルーチンが実行される。
【００５８】
まず、ステップ１００で、センサ情報の種類を識別するための変数ｉに、初期値０を代入し、ステップ１０２において、センサ情報の種類Ｓｉと、衝突危険度ｒとの相互情報量Ｉ（Ｓｉ；ｒ）を算出する。
【００５９】
そして、ステップ１０４において、相互情報量Ｉ（Ｓｉ；ｒ）が、閾値Ｔｈｒ以上であるか否かを判定し、相互情報量Ｉ（Ｓｉ；ｒ）が、閾値Ｔｈｒ以上であれば、ステップ１０６において、衝突危険度と関係があるか否かを示すベクトルの要素Ａ（Ｓｉ）に、１を代入し、センサ情報の種類Ｓｉが衝突危険度と関係があることを登録する。一方、相互情報量Ｉ（Ｓｉ；ｒ）が、閾値Ｔｈｒ未満であれば、ステップ１０８において、衝突危険度と関係があるか否かを示すベクトルの要素Ａ（Ｓｉ）に、０を代入し、センサ情報の種類Ｓｉについて衝突危険度と関係がないことを登録する。
【００６０】
次のステップ１１０では、定数Ｎをセンサ情報の種類を示す数とし、変数ｉが、Ｎ−１以上となったか否かを判定する。変数ｉが、Ｎ−１に到達していない場合には、ステップ１１２で、変数ｉをインクリメントして、上記ステップ１０２へ戻る。一方、変数ｉが、Ｎ−１に到達した場合には、ステップ１１４において、変数ｉに０を代入すると共に、衝突危険度と関係があるセンサ情報の種類の集合Ｓを、空集合とする。
【００６１】
そして、ステップ１１６において、Ａ（Ｓｉ）が１であるか否かを判定する。センサ情報の種類Ｓｉが、衝突危険度と関係があると登録されていた場合、ステップ１１８で、センサ情報の集合Ｓに、センサ情報Ｓｉを追加する。一方、センサ情報の種類Ｓｉが、衝突危険度と関係がないと登録されていた場合、ステップ１２０へ移行する。
【００６２】
ステップ１２０では、変数ｉが、Ｎ−１以上となったか否かを判定する。変数ｉが、Ｎ−１に到達していない場合には、ステップ１２２で、変数ｉをインクリメントして、上記ステップ１１４へ戻る。一方、変数ｉが、Ｎ−１に到達した場合には、ステップ１２３へ移行する。
【００６３】
ステップ１２３では、センサ情報の種類を識別するための変数ｉ、ｊに、初期値０を代入すると共に、センサ情報の各種類Ｓｉについて確保した集合Ｇｉを、空集合とする。
【００６４】
次のステップ１２４において、センサ情報の種類Ｓｉとセンサ情報の種類Ｓｊとが、集合Ｓに含まれるか否かを判定する。センサ情報の種類Ｓｉとセンサ情報の種類Ｓｊとの双方が、集合Ｓに含まれる場合には、ステップ１２６において、衝突危険度が０より大きいときに検出された、センサ情報の種類Ｓｉのセンサ情報とセンサ情報の種類Ｓｊのセンサ情報との間の相互情報量Ｉ（Ｓｉ；Ｓｊ｜ｒ＞０）を算出し、閾値Ｔｈｓ以上であるか否かを判定する。相互情報量Ｉ（Ｓｉ；Ｓｊ｜ｒ＞０）が閾値Ｔｈｓ以上である場合には、ステップ１３０において、センサ情報の種類Ｓｉに対する集合Ｇｉに、センサ情報の種類Ｓｊを追加して、ステップ１３２へ移行する。
【００６５】
上記ステップ１２８において、相互情報量Ｉ（Ｓｉ；Ｓｊ｜ｒ＞０）が閾値Ｔｈｓ未満である場合には、ステップ１３２へ移行する。
【００６６】
上記ステップ１２４において、センサ情報の種類Ｓｉとセンサ情報の種類Ｓｊとの少なくとも一方が、集合Ｓに含まれない場合には、ステップ１３２へ移行する。
【００６７】
ステップ１３２では、変数ｊが、Ｎ−１以上となったか否かを判定する。変数ｊが、Ｎ−１に到達していない場合には、ステップ１３４で、変数ｊをインクリメントして、上記ステップ１２４へ戻る。一方、変数ｊが、Ｎ−１に到達した場合には、ステップ１３６へ移行する。
【００６８】
ステップ１３６では、変数ｉが、Ｎ−１以上となったか否かを判定する。変数ｉが、Ｎ−１に到達していない場合には、ステップ１３８で、変数ｉをインクリメントすると共に、変数ｊに０を代入して、上記ステップ１２４へ戻る。一方、変数ｉが、Ｎ−１に到達した場合には、分類処理ルーチンを終了する。
【００６９】
上記の分類処理ルーチンによって得られた集合Ｇｉ（ｉ＝０，・・・，Ｎ−１）が、センサ情報の種類を分類した分類結果となる。
【００７０】
また、コンピュータ２２において、図５に示す学習処理ルーチンが実行される。
【００７１】
まず、ステップ１５０において、ＧＰＳセンサ１２、車間距離測定部１４、加速度センサ１６、ブレーキセンサ１８、及び車速センサ２０の各々から出力された信号を取得して、情報格納部２８に記憶する。そして、ステップ１５２において、取得した加速度信号に基づいて、衝突危険度を判定して、情報格納部２８に記憶する。
【００７２】
次のステップ１５４では、情報格納部２８に記憶されたデータ数が、所定数以上となったか否かを判定し、情報格納部２８に、データが所定数以上蓄積されると、ステップ１５６へ進む。一方、情報格納部２８に記憶されたデータ数が、所定数に到達しない場合には、上記ステップ１５０へ戻る。
【００７３】
ステップ１５６では、情報格納部２８に記憶された各種センサ情報の時系列データと、上記ステップ１５２で判定された衝突危険度の時系列データとに基づいて、分類毎に、当該分類に属するセンサ情報から変換された状態ｓｔと状態価値Ｖとの対応関係を学習し、ステップ１５８において、学習結果を学習結果記憶部３６に記憶し、学習処理ルーチンを終了する。
【００７４】
上記の学習処理ルーチンは定期的に実行され、分類毎の状態ｓｔと状態価値Ｖとの対応関係が定期的に更新される。
【００７５】
また、コンピュータ２２において、図６に示す危険推定処理ルーチンが実行される。
【００７６】
まず、ステップ１６０で、ＧＰＳセンサ１２、車間距離測定部１４、加速度センサ１６、ブレーキセンサ１８、及び車速センサ２０の各々から出力された信号を取得する。次のステップ１６２では、センサ情報の分類毎に、当該分類に属する各種センサ情報の、上記ステップ１６０で取得した信号と、当該分類について学習された状態ｓｔ及び状態価値Ｖの対応関係とに基づいて、分類毎に、状態価値を計算して、衝突危険予測度とし、分類毎の衝突危険予測度から、衝突危険予測度の総合的な値を推定する。
【００７７】
そして、ステップ１６４において、上記ステップ１６２で推定された衝突危険予測度の総合的な値が、閾値以上であるか否かを判定する。推定された衝突危険予測度の総合的な値が閾値未満である場合には、危険推定処理ルーチンを終了する。一方、推定された衝突危険予測度の総合的な値が閾値以上である場合には、このまま自車両が走行していくと衝突する危険性があると判断し、ステップ１６６において、警報装置２４によって警報音を出力させて、危険推定処理ルーチンを終了する。
【００７８】
上記危険推定処理ルーチンは、所定時間毎に繰り返し実行され、衝突危険予測度の総合的な値が繰り返し推定される。
【００７９】
以上説明したように、第１の実施の形態に係る衝突危険推定装置によれば、検出されるセンサ情報の種類の分類毎に学習した、状態と状態価値との対応関係を用いて、衝突危険予測度を推定しているため、検出されるセンサ情報の種類に変更があった場合であっても、変更がなかったセンサ情報の種類で構成される分類に対する学習結果を再利用することができる。
【００８０】
また、ドライバが危険回避するときにとることが多い行為に応じたセンサ情報と衝突危険予測度との関係を学習するため、ドライバが危険回避しなければいけなくなる確率（衝突危険予測度）の高い状況を自動的に検出することができる。
【００８１】
また、検出されるセンサ情報の種類の分類毎に、状態と状態価値との対応関係を学習するため、センサの組み合わせが異なる車両であっても、共通して取得できるセンサ情報の分類については、学習結果を共有化することができる。また、センサの組み合わせが変更された場合には、影響があった分類のみを再学習するだけで済むため、学習結果の再利用性が向上する。
【００８２】
また、衝突危険度と関連性が強く、かつ、センサ情報の種類間の関連性も強い、センサ情報の種類の組み合わせを同じクラスであると分類することにより、学習結果の再利用性や共有、またセンサ情報の種類が多い場合の学習の効率化を図ることができる。
【００８３】
次に、第２の実施の形態について説明する。なお、第１の実施の形態と同様の構成となる部分については、同一符号を付して説明を省略する。
【００８４】
第２の実施の形態では、車載の衝突危険推定装置とは別のサーバにおいて、学習を行い、学習結果を蓄積している点が、第１の実施の形態と異なっている。
【００８５】
図７に示すように、第２の実施の形態に係る衝突危険推定システム２００は、車両に搭載された衝突危険推定装置２１０と、サーバ２１２とを備えており、衝突危険推定装置２１０とサーバ２１２とは、路側に設置された基地局２１４及びインターネット２１６を介して接続されている。なお、サーバ２１２が、学習装置の一例である。また、衝突危険推定装置２１０は、複数車両に搭載されている。
【００８６】
衝突危険推定装置２１０のコンピュータ２２２は、情報取得部２６と、情報格納部２８と、危険度判定部３０と、情報格納部２８に記憶された各種センサ情報の時系列データ及び衝突危険度の時系列データを、基地局２１４及びインターネット２１６を介してサーバ２１２に送信すると共に、サーバ２１２から、自車両のセンサ情報の種類に応じた学習結果を受信する通信部２３２と、学習結果記憶部３６と、危険推定部３８と、警報制御部４０とを備えている。
【００８７】
通信部２３２は、情報格納部２８に記憶された各種センサ情報の時系列データ及び衝突危険度の時系列データを、自車両のセンサ情報の種類のリスト（例えば、自車両の位置、車間距離、加速度、ブレーキ量、及び車速を表わすリスト）と共に、基地局２１４及びインターネット２１６を介してサーバ２１２に送信する。
【００８８】
通信部２３２は、自車両のセンサ情報の種類のリストと、学習結果の送信要求とを、基地局２１４及びインターネット２１６を介してサーバ２１２に送信して、自車両の各種センサ情報の分類毎に学習された状態ｓｔと状態価値Ｖとの対応関係を、サーバ２１２から受信して、学習結果記憶部３６に記憶させる。
【００８９】
サーバ２１２は、ＣＰＵと、ＲＡＭと、後述する学習更新処理ルーチンを実行するためのプログラムを記憶したＲＯＭとを備え、機能的には次に示すように構成されている。サーバ２１２は、衝突危険推定装置２１０から送信された、各種センサ情報の時系列データ、衝突危険度の時系列データ、及びセンサ情報の種類のリストを受信すると共に、衝突危険推定装置２１０から送信されたセンサ情報の種類のリストに応じた学習結果を、基地局２１４及びインターネット２１６を介して衝突危険推定装置２１０へ送信する通信部２４０と、衝突危険推定装置２１０から受信した、各種センサ情報の時系列データ及び衝突危険度の時系列データを記憶するデータ記憶部２４２と、様々な車両で検出される各種センサ情報の種類を分類する情報分類部２４４と、各種センサ情報の時系列データと、各時点で判定された衝突危険度とに基づいて、各種センサ情報と衝突危険予測度との対応関係を学習する学習部２４６と、対応関係の学習結果を記憶する学習結果記憶部２４８と、衝突危険推定装置２１０から送信されたセンサ情報の種類のリストに応じた学習結果を、学習結果記憶部２４８に記憶された学習結果から選択する学習結果選択部２５０と、を備えている。
【００９０】
通信部２４０は、様々な車両の衝突危険推定装置２１０から、各種センサ情報の時系列データ、衝突危険度の時系列データ、及びセンサ情報の種類のリストを受信し、データ記憶部２４２に記憶させる。
【００９１】
データ記憶部２４２には、様々な車両の衝突危険推定装置２１０から送信された、各種センサ情報の時系列データ、衝突危険度の時系列データ、及びセンサ情報の種類のリストを記憶している。
【００９２】
情報分類部２４４は、データ記憶部２４２に記憶されたセンサ情報の種類のリストから、様々な車両で検出され得るセンサ情報の全種類を特定し、センサ情報の全種類を、上記第１の実施の形態と同様に分類する。
【００９３】
学習部２４６は、衝突危険推定装置２１０から送信されたセンサ情報の時系列データ毎に、以下に説明するように、学習を行う。
【００９４】
まず、データ記憶部２４２に記憶された、対応するセンサ情報の種類のリストを取得し、情報分類部２４４で分類されたセンサ情報の分類のうち、センサ情報の種類のリスト内のセンサ情報の種類で構成される分類を特定し、特定された分類に対する学習結果を、学習結果記憶部２４８から取得する。
【００９５】
そして、データ記憶部２４２に記憶された、対応するセンサ情報の時系列データ及び衝突危険度の時系列データを、学習データとして取得し、特定された分類毎に、取得した当該分類に対する学習結果を用いて、当該分類に属するセンサ情報から変換された状態ｓｔと状態価値Ｖとの対応関係を学習し、学習結果記憶部２４８に記憶された学習結果を更新する。
【００９６】
学習結果選択部２５０は、センサ情報の種類のリストと、学習結果の送信要求とを衝突危険推定装置２１０から受信したときに、情報分類部２４４で分類されたセンサ情報の分類のうち、受信したセンサ情報の種類のリスト内のセンサ情報の種類で構成される分類を特定し、特定された分類に対する学習結果を、学習結果記憶部２４８から選択して取得する。
【００９７】
次に、第２の実施の形態に係る衝突危険推定システム２００の作用について説明する。
【００９８】
まず、衝突危険推定装置２１０を搭載した車両の走行中に、コンピュータ２２２において、ＧＰＳセンサ１２、車間距離測定部１４、加速度センサ１６、ブレーキセンサ１８、及び車速センサ２０の各々から出力された信号を取得して、情報格納部２８に記憶すると共に、取得した加速度信号に基づいて、衝突危険度を判定して、情報格納部２８に記憶する。一定時間分のデータが情報格納部２８に蓄積されると、コンピュータ２２２によって、情報格納部２８に記憶された各種センサ情報の時系列データ及び衝突危険度の時系列データを、自車両のセンサ情報の種類のリストと共に、基地局２１４及びインターネット２１６を介してサーバ２１２に送信する。
【００９９】
サーバ２１２では、各車両の衝突危険推定装置２１０から受信したデータを、データ記憶部２４２に格納する。
【０１００】
また、サーバ２１２は、データ記憶部２４２に記憶されたセンサ情報の種類のリストから、センサ情報の全種類を特定し、上記図３、４の分類処理ルーチンと同様に、特定したセンサ情報の全種類を分類する。
【０１０１】
また、サーバ２１２は、図８に示す学習更新処理ルーチンを実行する。まず、ステップ２６０において、衝突危険推定装置２１０から学習データ（各種センサ情報の時系列データ、衝突危険度の時系列データ、及びセンサ情報の種類のリスト）を受信したか否かを判定する。学習データを受信すると、ステップ２６２へ進み、学習データのセンサ情報の種類のリスト内で構成されるセンサ情報の分類の各々について、既に分類済みであるか否かを判定する。既に分類済みである場合には、ステップ２６４において、学習結果記憶部２４８に分類結果がある分類の各々について、学習結果記憶部２４８から、当該分類に対する学習結果を選択し、選択された学習結果を用いて、当該分類に属するセンサ情報から変換された状態ｓｔと状態価値Ｖとの対応関係を学習し、学習結果記憶部２４８に記憶された学習結果を更新する。一方、学習データのセンサ情報の種類のリスト内で構成されるセンサ情報の分類の各々について、分類結果がない場合には、ステップ２６６へ移行する。
【０１０２】
なお、衝突危険推定装置２１０からの学習データの受信に応じた、上記ステップ２６４における学習結果の選択結果を記憶しておき、上記ステップ２６４における学習結果の選択は、衝突危険推定装置２１０からの学習データに応じて学習結果を初めて更新するときに一度だけ行うようにしてもよい。
【０１０３】
ステップ２６６では、学習データのセンサ情報の種類のリストについて、センサ情報の分類を行う。このとき、上記図３、４に示す分類処理ルーチンと同様に、センサ情報の分類が行われる。
【０１０４】
そして、ステップ２６８において、上記ステップ２６６で分類されたセンサ情報の分類の各々について、学習結果がない分類があるか否かを判定する。上記ステップ２６６で分類されたセンサ情報の分類の各々について、既に学習結果がある場合には、新たな分類がなく、既に学習済みであると判断し、学習更新処理ルーチンを終了する。
【０１０５】
一方、上記ステップ２６８において、学習結果がない分類があったと判定された場合には、新たな分類が追加されたと判断し、ステップ２７０において、当該分類の各々について、学習データの当該分類に属するセンサ情報に基づいて、当該分類に属するセンサ情報から変換された状態ｓｔと状態価値Ｖとの対応関係を学習する。そして、ステップ２７２において、学習結果を学習結果記憶部２４８に記憶し、学習更新処理ルーチンを終了する。
【０１０６】
また、衝突危険推定装置２１０は、自車両のセンサ情報の種類のリストと、学習結果の送信要求とを、基地局２１４及びインターネット２１６を介してサーバ２１２に送信する。このとき、サーバ２１２は、受信したセンサ情報の種類のリスト内で構成される分類に対する学習結果（状態ｓｔと状態価値Ｖとの対応関係）を、学習結果記憶部２４８に記憶された学習結果から選択して取得し、取得した学習結果を、基地局２１４及びインターネット２１６を介して衝突危険推定装置２１０に送信する。衝突危険推定装置２１０は、受信した学習結果を、学習結果記憶部３６に記憶する。なお、衝突危険推定装置２１０からの送信要求に応じた、学習結果の選択結果を記憶しておき、学習結果の選択は、衝突危険推定装置２１０が学習結果を初めて利用するときに一度だけ行うようにしてもよい。
【０１０７】
また、衝突危険推定装置２１０は、定期的に、自車両のセンサ情報の種類のリストと、学習結果の送信要求とをサーバ２１２に送信し、学習結果記憶部３６に記憶された学習結果を最新のものに更新する。
【０１０８】
また、衝突危険推定装置２１０は、上記図６の危険推定処理ルーチンと同様に、衝突危険予測度の総合的な値を推定し、警報装置２４を制御する。
【０１０９】
以上説明したように、第２の実施の形態に係る衝突危険推定システムによれば、複数の衝突危険推定装置と接続されたサーバにおいて、学習データを収集し、状態ｓｔと状態価値Ｖとの対応関係を学習し、学習結果を蓄積することにより、複数の衝突危険推定装置において、学習結果を容易に共有することができる。
【０１１０】
また、検出されるセンサ情報の種類の分類毎に、状態と状態価値との対応関係を学習するため、センサの組み合わせが異なる車両であっても、共通して取得できるセンサ情報の分類については、サーバに蓄積された学習結果を共有化することができる。
【０１１１】
なお、上記の第１の実施の形態〜第２の実施の形態では、操作状態、走行状態、及び走行環境状態として、自車位置、車間距離、加速度、ブレーキ量、及び車速を検出する場合を例に説明したが、これに限定されるものではない。例えば、自車位置、車間距離、自車両から特定地点（交差点、歩行者、自転車など）までの距離及び角度、道路構造（道幅や車線数、信号有無など）、車速、加速度、ロール、ピッチ、ヨー方向の角加速度、アクセル及びブレーキの踏み込み量、操舵角、及びこれら全ての情報の１次微分量、２次微分量、１次積分量、並びにその組み合わせにより算出可能な量における、任意の組み合わせを、検出するようにしてもよい。
【０１１２】
また、閾値以上の衝突危険度が判定されたときに検出された複数種類のセンサ情報の種類間の相互情報量、及び衝突危険度とセンサ情報の各種類との間の相互情報量に基づいて、センサ情報の種類を分類する場合を例に説明したが、これに限定されるものではない。例えば、閾値以上の衝突危険度が判定されたときに検出された複数種類のセンサ情報の種類間の相互情報量、衝突危険度とセンサ情報の各種類との間の相互情報量、条件なしの複数種類のセンサ情報の種類間の相互情報量、及び複数種類のセンサ情報の種類間の相関係数の少なくとも１つに基づいて、センサ情報の種類を分類するようにしてもよい。
【０１１３】
また、加速度に基づいて、衝突危険度を判定する場合を例に説明したが、これに限定されるものではなく、ブレーキ操作量又はハンドル操作量に基づいて、衝突危険度を判定するようにしてもよい。また、加速度、ブレーキ操作量、及びハンドル操作量の任意の組み合わせに基づいて、衝突危険度を判定するようにしてもよい。
【０１１４】
また、分類毎に算出された衝突危険予測度を、重み付き加算することにより、衝突危険予測度の総合的な値を推定する場合を例に説明したが、これに限定されるものではなく、分類毎に算出された衝突危険予測度の最大値を、衝突危険予測度の総合的な値として推定するようにしてもよい。
【０１１５】
また、衝突危険予測度の総合的な値が閾値以上であった場合に、警報音を出力する場合を例に説明したが、これに限定されるものではなく、音声を出力してもよいし、視覚情報により警報メッセージを提示するようにしてもよい。あるいは、常に、推定された衝突危険予測度の総合的な値を、視覚情報により提示するようにしてもよい。
【０１１６】
なお、本発明のプログラムは、記録媒体に格納して提供することができる。
【符号の説明】
【０１１７】
１０、２１０ 衝突危険推定装置
１２ ＧＰＳセンサ
１４ 車間距離測定部
１６ 加速度センサ
１８ ブレーキセンサ
２０ 車速センサ
２２、２２２ コンピュータ
２６ 情報取得部
２８ 情報格納部
３０ 危険度判定部
３２ 情報分類部
３４ 学習部
３６ 学習結果記憶部
３８ 危険推定部
４０ 警報制御部
２００ 衝突危険推定システム
２１２ サーバ
２４４ 情報分類部
２４６ 学習部
２４８ 学習結果記憶部
２５０ 学習結果選択部
【技術分野】
【０００１】
本発明は、危険推定装置及びプログラムに係り、特に、車両の走行状態やドライバの操作状態に基づいて、危険予測度を推定する危険推定装置及びプログラムに関する。
【背景技術】
【０００２】
従来より、移動体の操作情報から抽出したリスク情報を教師情報として、外界環境に含まれる多次元特徴量から算出される１次元状態との相関関係を学習することにより、外界環境に含まれる危険度を自動認識する技術が知られている（特許文献１）。
【先行技術文献】
【特許文献】
【０００３】
【特許文献１】特開２００８−２３８８３１号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
しかしながら、上記の特許文献１に記載の技術では、多次元特徴量を１次元の状態に変換しているために、特徴量の組み合わせが変更された場合には、過去の学習結果を再利用することが出来ず、再度学習をし直す必要がある、という問題がある。
【０００５】
本発明は、上記の問題点を解決するためになされたもので、検出される状態の種類に変更があった場合であっても、学習結果を再利用することができる危険推定装置及びプログラムを提供することを目的とする。
【課題を解決するための手段】
【０００６】
上記の目的を達成するために本発明に係る危険推定装置は、車両の走行状態、ドライバが前記車両を操作したときの操作状態、又は前記車両の周辺の走行環境を示す環境状態を含む複数種類の状態を検出する状態検出手段と、前記複数種類の状態を分類した分類毎に学習した、前記分類に属する状態と危険予測度との対応関係を記憶した記憶手段と、前記記憶手段に記憶された前記対応関係と、前記状態検出手段によって検出された前記複数種類の状態とに基づいて、前記分類毎に、対応する前記危険予測度を求め、前記危険予測度の総合的な値を推定する推定手段と、を含んで構成されている。
【０００７】
本発明に係るプログラムは、車両の走行状態、ドライバが前記車両を操作したときの操作状態、又は前記車両の周辺の走行環境を示す環境状態を含む複数種類の状態を分類した分類毎に学習した、前記分類に属する状態と危険予測度との対応関係を記憶した記憶手段を含むコンピュータを、前記記憶手段に記憶された前記対応関係と、前記複数種類の状態を検出する状態検出手段によって検出された前記複数種類の状態とに基づいて、前記分類毎に、対応する前記危険予測度を求め、前記危険予測度の総合的な値を推定する推定手段として機能させるためのプログラムである。
【０００８】
本発明によれば、状態検出手段によって、車両の走行状態、ドライバが車両を操作したときの操作状態、又は車両の周辺の走行環境を示す環境状態を含む複数種類の状態を検出する。そして、推定手段によって、記憶手段に記憶された対応関係と、状態検出手段によって検出された複数種類の状態とに基づいて、分類毎に、対応する危険予測度を求め、危険予測度の総合的な値を推定する。
【０００９】
このように、検出される状態の分類毎に学習した、状態と危険予測度との対応関係を用いて、危険予測度を推定しているため、検出される状態の種類に変更があった場合であっても、学習結果を再利用することができる。
【００１０】
本発明に係る記憶手段に記憶された対応関係を、分類毎に、分類に属する状態と、状態が検出された時について求められた危険度とを学習データとして学習されたものとすることができる。
【００１１】
また、上記の複数種類の状態の分類を、閾値以上の前記危険度が求められたときに検出された複数種類の状態間の相互情報量、危険度と各種類の状態との間の相互情報量、複数種類の状態間の相互情報量、及び複数種類の状態間の相関係数の少なくとも１つに基づいて分類されたものとすることができる。これによって、危険度との関連性が強い状態の組み合わせ、または、状態間の関連性が強い状態の組み合わせを、同じクラスに分類することができる。
【００１２】
本発明に係る記憶手段に記憶された対応関係を、学習データに基づいて対応関係を学習する学習装置によって学習されたものとすることができる。このとき、複数の危険推定装置が、学習装置における学習結果を利用することができる。
【００１３】
また、上記の学習装置は、更に、複数種類の状態の分類を行うようにすることができる。
【００１４】
本発明に係る推定手段は、分類毎に求められた危険予測度を重み付き加算することにより、危険予測度の総合的な値を推定するようにすることができる。
【００１５】
本発明に係る推定手段は、分類毎に求められた危険予測度の最大値を、危険予測度の総合的な値として推定するようにすることができる。
【発明の効果】
【００１６】
以上説明したように、本発明の危険推定装置及びプログラムによれば、検出される状態の分類毎に学習した、状態と危険予測度との対応関係を用いて、危険予測度を推定しているため、検出される状態の種類に変更があった場合であっても、学習結果を再利用することができる、という効果が得られる。
【図面の簡単な説明】
【００１７】
【図１】本発明の第１の実施の形態に係る衝突危険推定装置の構成を示すブロック図である。
【図２】センサ情報から状態へ変換するためのマップを示す図である。
【図３】本発明の第１の実施の形態に係る衝突危険推定装置における分類処理ルーチンの内容を示すフローチャートである。
【図４】本発明の第１の実施の形態に係る衝突危険推定装置における分類処理ルーチンの内容を示すフローチャートである。
【図５】本発明の第１の実施の形態に係る衝突危険推定装置における学習処理ルーチンの内容を示すフローチャートである。
【図６】本発明の第１の実施の形態に係る衝突危険推定装置における危険推定処理ルーチンの内容を示すフローチャートである。
【図７】本発明の第２の実施の形態に係る衝突危険推定装置の構成を示すブロック図である。
【図８】本発明の第２の実施の形態に係る衝突危険推定装置における学習更新処理ルーチンの内容を示すフローチャートである。
【発明を実施するための形態】
【００１８】
以下、図面を参照して本発明の実施の形態を詳細に説明する。なお、車両に搭載された衝突危険推定装置に本発明を適用した場合を例に説明する。
【００１９】
図１に示すように、第１の実施の形態に係る衝突危険推定装置１０は、自車両の走行状態としての自車位置（緯度経度）を検出するＧＰＳセンサ１２と、車両の周辺の走行環境状態としての前方の車間距離を測定する車間距離測定部１４と、自車両の走行状態としての加速度を検出する加速度センサ１６と、ドライバが自車両を操作したときの操作状態としてのブレーキ量（ブレーキの踏み込み量）を検出するブレーキセンサ１８と、自車両の走行状態としての車速を検出する車速センサ２０と、ＧＰＳセンサ１２、車間距離測定部１４、加速度センサ１６、ブレーキセンサ１８、及び車速センサ２０からの出力に基づいて、衝突危険予測度を推定し、推定結果に応じて、警報装置２４から警報音を出力させるコンピュータ２２とを備えている。
【００２０】
ＧＰＳセンサ１２は、検出した自車両の位置を示す自車位置信号を出力する。車間距離測定部１４は、例えば、レーザレーダを備え、前方の先行車両との車間距離を測定し、測定した車間距離を示す車間距離信号を出力する。加速度センサ１６は、検出した加速度を示す加速度信号を出力する。ブレーキセンサ１８は、ドライバによって操作されたブレーキ量を検出し、検出したブレーキ量を示すブレーキ信号を出力する。車速センサ２０は、検出した自車両の車速を示す車速信号を出力する。
【００２１】
ＧＰＳセンサ１２、車間距離測定部１４、加速度センサ１６、ブレーキセンサ１８、及び車速センサ２０は、ある一定間隔で（例えば、１００ｍｓ毎）で、各信号をコンピュータ２２に入力する。
【００２２】
コンピュータ２２は、ＣＰＵと、ＲＡＭと、後述する分類処理ルーチン、学習処理ルーチン、及び危険推定処理ルーチンを実行するためのプログラムを記憶したＲＯＭとを備え、機能的には次に示すように構成されている。コンピュータ２２は、ＧＰＳセンサ１２、車間距離測定部１４、加速度センサ１６、ブレーキセンサ１８、及び車速センサ２０からの各信号を取得して後述する情報格納部２８に記憶する情報取得部２６と、自車両の位置、車間距離、加速度、ブレーキ量、及び車速からなる各種センサ情報と後述する衝突危険度とを対応させて時系列的に記憶した情報格納部２８と、自車両の加速度に基づいて、衝突危険度を判定する危険度判定部３０と、自車両の位置、車間距離、加速度、ブレーキ量、及び車速からなる各種センサ情報の種類を分類する情報分類部３２と、各種センサ情報の時系列データと、各時点で判定された衝突危険度とに基づいて、各種センサ情報と衝突危険予測度との対応関係を学習する学習部３４と、学習部３４による学習結果を記憶する学習結果記憶部３６と、を備えている。
【００２３】
情報取得部２６は、ＧＰＳセンサ１２、車間距離測定部１４、加速度センサ１６、ブレーキセンサ１８、及び車速センサ２０から時系列的に連続して出力される各種信号を繰り返し取得して、各々を情報格納部２８に記憶させる。
【００２４】
危険度判定部３０は、情報格納部２８に記憶された現在の加速度に基づいて、以下の（１）式に従って、現在の衝突危険度を判定し、同時刻に検出された各種センサ情報と対応させて情報格納部２８に記憶させる。
【００２５】
【数１】
【００２６】
ただし、ｒｔは時刻ｔにおける衝突危険度、ａｔは時刻ｔにおける前後方向の加速度、Ｔｈは閾値である。
【００２７】
なお、以下の（２）式に従って、現在の衝突危険度を判定するようにしてもよい。
【００２８】
【数２】
【００２９】
ただし、Ｔｈｍａｘ、Ｔｈｍｉｎは閾値である。
【００３０】
また、上記（２）式で算出されるような連続値ではなく、０〜１の区間をＮ段階に等間隔に分割した離散値、又はＮ段階に予め決めた間隔で分割した離散値を、衝突危険度としてもよい。
【００３１】
情報分類部３２は、情報格納部２８に記憶された、一定期間分のデータに基づいて、以下に説明するように、各種センサ情報の種類を分類する。
【００３２】
まず、各種センサ情報の種類毎に、以下の（３）式に従って、対応する衝突危険度との間の相互情報量を算出し、相互情報量が閾値よりも小さい場合には、当該センサ情報の種類は、衝突危険度とは関係の無いセンサ情報のクラスに分類する。
【００３３】
【数３】
【００３４】
ただし、Ｓiは、センサ情報の種類を表わす。
【００３５】
次に、衝突危険度と関係が無いセンサ情報以外の各種センサ情報の種類について、衝突危険度ｒ＞０を満たす条件の下で検出された各種センサ情報の種類間の相互情報量を、センサ情報の種類の各組み合わせについて、以下の（４）式に従って算出し、算出された相互情報量が、閾値以上となるセンサ情報の種類の組み合わせは、同じクラスであると分類する。但し、一つの種類のセンサ情報が複数のクラスに属することも許容する。
【００３６】
【数４】
【００３７】
上記の分類により、報酬（衝突危険度）と関連性が強く、かつ、センサ情報間の関連性も強い、センサ情報の種類の組み合わせを、同じクラスであると分類することができる。
【００３８】
学習部３４は、情報格納部２８に記憶された、一定期間分のデータに基づいて、以下に説明するように、分類毎に、学習を行う。
【００３９】
まず、対象の分類において、当該分類に属する種類のセンサ情報を、時系列データの各々について、1つの状態へ変換する。各種センサ情報から状態への変換方法としては、各種センサ情報を離散化し、図２に示すような、離散値の組み合わせに対応する各グリッド内を同一の状態としたマップに従って、各時刻における各種センサ情報を、1つの状態に変換する。
【００４０】
なお、各種センサ情報を表わすベクトルから状態への写像を、ＳＯＭ（自己組織化マップ、Ｓｅｌｆ Ｏｒｇａｎｉｚｉｎｇ Ｍａｐｓ）により学習しておき、各種センサ情報に対応するＳＯＭのノードを、変換された状態として求めてもよい。
【００４１】
そして、変換された状態の時系列データと衝突危険度の時系列データとを学習データとして、当該分類について、将来の衝突危険度である衝突危険予測度と、上記のように変換される状態との対応関係を学習する。
【００４２】
本実施の形態では、衝突危険予測度として、下記の（５）式で表される状態価値Ｖを用い、変換される状態と状態価値Ｖとの対応関係を学習する。
【００４３】
【数５】
【００４４】
但し、ｓｔは時刻ｔにおける状態、γは割引率、ｒｔは時刻ｔにおける衝突危険度とする。また、Ｅ［ ］は、期待値を表わす。
【００４５】
変換された状態の時系列データと衝突危険度の時系列データとを学習データとして、例えばＴＤ誤差学習法を用いて、以下の（６）式に従って、各状態ｓｔに対応する状態価値Ｖを更新して、学習する。
【００４６】
【数６】
【００４７】
なお、モンテカルロ法を用いて、各状態ｓｔに対応する状態価値Ｖを更新して学習してもよい。この場合には、以下の（７）式に従って、各状態ｓｔに対応する状態価値Ｖを更新するようにすればよい。
【００４８】
【数７】
【００４９】
ただし、Ｔは定数であり、十分大きなＴで更新を打ち切るようにすればよい。
【００５０】
学習部３４は、上記のように、分類毎に、状態ｓｔと状態価値Ｖとの対応関係を学習し、学習された分類毎の状態ｓｔと状態価値Ｖとの対応関係を、学習結果記憶部３６に記憶する。なお、学習結果として、状態ｓｔと状態価値Ｖとの対応関係を表わすテーブルを求めてもよいし、状態ｓｔと状態価値Ｖとの対応関係を表わす関数を求めてもよい。また、状態ｓｔと状態価値Ｖとの対応関係は、分類に属する状態と危険予測度との対応関係の一例である。
【００５１】
コンピュータ２２は、更に、現在の各種センサ情報と、学習された分類毎の状態ｓｔと状態価値Ｖとの対応関係とに基づいて、衝突危険予測度を推定する危険推定部３８と、推定された衝突危険予測度に応じて、警報装置２４による出力を制御する警報制御部４０とを備えている。
【００５２】
危険推定部３８は、まず、分類毎に、当該分類に属する現在の各種センサ情報を、上記図２に示すマップに従って、状態ｓｔに変換する。そして、危険推定部３８は、分類毎に、変換された状態ｓｔと、学習された状態ｓｔと状態価値Ｖとの対応関係とに基づいて、状態価値Ｖ（ｓｔ）を算出し、当該分類に対する衝突危険予測度とする。
【００５３】
また、危険推定部３８は、分類毎に算出された衝突危険予測度に基づいて、以下の（８）式に従って、現時刻ｔの衝突危険予測度の総合的な値Ｖ*（ｔ）を推定する。
【００５４】
【数８】
【００５５】
ただし、ｓｔｉ は、ｉ番目の分類における時刻ｔでの状態価値Ｖであり、ｗｉはｉ番目の分類に対する重みとする。重みは、通常は全ての分類に対して１とするが、事故の被害度などにあわせて、分類ごとに設定しても良い。
【００５６】
警報制御部４０は、推定された衝突危険予測度の総合的な値が、閾値以上であると判定すると、警報装置２４によって、ドライバに対して警報音を出力させる。
【００５７】
次に、第１の実施の形態に係る衝突危険推定装置１０の作用について説明する。まず、衝突危険推定装置１０を搭載した車両の走行中に、コンピュータ２２において、ＧＰＳセンサ１２、車間距離測定部１４、加速度センサ１６、ブレーキセンサ１８、及び車速センサ２０の各々から出力された信号を取得して、情報格納部２８に記憶すると共に、取得した加速度信号に基づいて、衝突危険度を判定して、情報格納部２８に記憶する。一定時間分のデータが情報格納部２８に蓄積されると、コンピュータ２２において、図３、４に示す分類処理ルーチンが実行される。
【００５８】
まず、ステップ１００で、センサ情報の種類を識別するための変数ｉに、初期値０を代入し、ステップ１０２において、センサ情報の種類Ｓｉと、衝突危険度ｒとの相互情報量Ｉ（Ｓｉ；ｒ）を算出する。
【００５９】
そして、ステップ１０４において、相互情報量Ｉ（Ｓｉ；ｒ）が、閾値Ｔｈｒ以上であるか否かを判定し、相互情報量Ｉ（Ｓｉ；ｒ）が、閾値Ｔｈｒ以上であれば、ステップ１０６において、衝突危険度と関係があるか否かを示すベクトルの要素Ａ（Ｓｉ）に、１を代入し、センサ情報の種類Ｓｉが衝突危険度と関係があることを登録する。一方、相互情報量Ｉ（Ｓｉ；ｒ）が、閾値Ｔｈｒ未満であれば、ステップ１０８において、衝突危険度と関係があるか否かを示すベクトルの要素Ａ（Ｓｉ）に、０を代入し、センサ情報の種類Ｓｉについて衝突危険度と関係がないことを登録する。
【００６０】
次のステップ１１０では、定数Ｎをセンサ情報の種類を示す数とし、変数ｉが、Ｎ−１以上となったか否かを判定する。変数ｉが、Ｎ−１に到達していない場合には、ステップ１１２で、変数ｉをインクリメントして、上記ステップ１０２へ戻る。一方、変数ｉが、Ｎ−１に到達した場合には、ステップ１１４において、変数ｉに０を代入すると共に、衝突危険度と関係があるセンサ情報の種類の集合Ｓを、空集合とする。
【００６１】
そして、ステップ１１６において、Ａ（Ｓｉ）が１であるか否かを判定する。センサ情報の種類Ｓｉが、衝突危険度と関係があると登録されていた場合、ステップ１１８で、センサ情報の集合Ｓに、センサ情報Ｓｉを追加する。一方、センサ情報の種類Ｓｉが、衝突危険度と関係がないと登録されていた場合、ステップ１２０へ移行する。
【００６２】
ステップ１２０では、変数ｉが、Ｎ−１以上となったか否かを判定する。変数ｉが、Ｎ−１に到達していない場合には、ステップ１２２で、変数ｉをインクリメントして、上記ステップ１１４へ戻る。一方、変数ｉが、Ｎ−１に到達した場合には、ステップ１２３へ移行する。
【００６３】
ステップ１２３では、センサ情報の種類を識別するための変数ｉ、ｊに、初期値０を代入すると共に、センサ情報の各種類Ｓｉについて確保した集合Ｇｉを、空集合とする。
【００６４】
次のステップ１２４において、センサ情報の種類Ｓｉとセンサ情報の種類Ｓｊとが、集合Ｓに含まれるか否かを判定する。センサ情報の種類Ｓｉとセンサ情報の種類Ｓｊとの双方が、集合Ｓに含まれる場合には、ステップ１２６において、衝突危険度が０より大きいときに検出された、センサ情報の種類Ｓｉのセンサ情報とセンサ情報の種類Ｓｊのセンサ情報との間の相互情報量Ｉ（Ｓｉ；Ｓｊ｜ｒ＞０）を算出し、閾値Ｔｈｓ以上であるか否かを判定する。相互情報量Ｉ（Ｓｉ；Ｓｊ｜ｒ＞０）が閾値Ｔｈｓ以上である場合には、ステップ１３０において、センサ情報の種類Ｓｉに対する集合Ｇｉに、センサ情報の種類Ｓｊを追加して、ステップ１３２へ移行する。
【００６５】
上記ステップ１２８において、相互情報量Ｉ（Ｓｉ；Ｓｊ｜ｒ＞０）が閾値Ｔｈｓ未満である場合には、ステップ１３２へ移行する。
【００６６】
上記ステップ１２４において、センサ情報の種類Ｓｉとセンサ情報の種類Ｓｊとの少なくとも一方が、集合Ｓに含まれない場合には、ステップ１３２へ移行する。
【００６７】
ステップ１３２では、変数ｊが、Ｎ−１以上となったか否かを判定する。変数ｊが、Ｎ−１に到達していない場合には、ステップ１３４で、変数ｊをインクリメントして、上記ステップ１２４へ戻る。一方、変数ｊが、Ｎ−１に到達した場合には、ステップ１３６へ移行する。
【００６８】
ステップ１３６では、変数ｉが、Ｎ−１以上となったか否かを判定する。変数ｉが、Ｎ−１に到達していない場合には、ステップ１３８で、変数ｉをインクリメントすると共に、変数ｊに０を代入して、上記ステップ１２４へ戻る。一方、変数ｉが、Ｎ−１に到達した場合には、分類処理ルーチンを終了する。
【００６９】
上記の分類処理ルーチンによって得られた集合Ｇｉ（ｉ＝０，・・・，Ｎ−１）が、センサ情報の種類を分類した分類結果となる。
【００７０】
また、コンピュータ２２において、図５に示す学習処理ルーチンが実行される。
【００７１】
まず、ステップ１５０において、ＧＰＳセンサ１２、車間距離測定部１４、加速度センサ１６、ブレーキセンサ１８、及び車速センサ２０の各々から出力された信号を取得して、情報格納部２８に記憶する。そして、ステップ１５２において、取得した加速度信号に基づいて、衝突危険度を判定して、情報格納部２８に記憶する。
【００７２】
次のステップ１５４では、情報格納部２８に記憶されたデータ数が、所定数以上となったか否かを判定し、情報格納部２８に、データが所定数以上蓄積されると、ステップ１５６へ進む。一方、情報格納部２８に記憶されたデータ数が、所定数に到達しない場合には、上記ステップ１５０へ戻る。
【００７３】
ステップ１５６では、情報格納部２８に記憶された各種センサ情報の時系列データと、上記ステップ１５２で判定された衝突危険度の時系列データとに基づいて、分類毎に、当該分類に属するセンサ情報から変換された状態ｓｔと状態価値Ｖとの対応関係を学習し、ステップ１５８において、学習結果を学習結果記憶部３６に記憶し、学習処理ルーチンを終了する。
【００７４】
上記の学習処理ルーチンは定期的に実行され、分類毎の状態ｓｔと状態価値Ｖとの対応関係が定期的に更新される。
【００７５】
また、コンピュータ２２において、図６に示す危険推定処理ルーチンが実行される。
【００７６】
まず、ステップ１６０で、ＧＰＳセンサ１２、車間距離測定部１４、加速度センサ１６、ブレーキセンサ１８、及び車速センサ２０の各々から出力された信号を取得する。次のステップ１６２では、センサ情報の分類毎に、当該分類に属する各種センサ情報の、上記ステップ１６０で取得した信号と、当該分類について学習された状態ｓｔ及び状態価値Ｖの対応関係とに基づいて、分類毎に、状態価値を計算して、衝突危険予測度とし、分類毎の衝突危険予測度から、衝突危険予測度の総合的な値を推定する。
【００７７】
そして、ステップ１６４において、上記ステップ１６２で推定された衝突危険予測度の総合的な値が、閾値以上であるか否かを判定する。推定された衝突危険予測度の総合的な値が閾値未満である場合には、危険推定処理ルーチンを終了する。一方、推定された衝突危険予測度の総合的な値が閾値以上である場合には、このまま自車両が走行していくと衝突する危険性があると判断し、ステップ１６６において、警報装置２４によって警報音を出力させて、危険推定処理ルーチンを終了する。
【００７８】
上記危険推定処理ルーチンは、所定時間毎に繰り返し実行され、衝突危険予測度の総合的な値が繰り返し推定される。
【００７９】
以上説明したように、第１の実施の形態に係る衝突危険推定装置によれば、検出されるセンサ情報の種類の分類毎に学習した、状態と状態価値との対応関係を用いて、衝突危険予測度を推定しているため、検出されるセンサ情報の種類に変更があった場合であっても、変更がなかったセンサ情報の種類で構成される分類に対する学習結果を再利用することができる。
【００８０】
また、ドライバが危険回避するときにとることが多い行為に応じたセンサ情報と衝突危険予測度との関係を学習するため、ドライバが危険回避しなければいけなくなる確率（衝突危険予測度）の高い状況を自動的に検出することができる。
【００８１】
また、検出されるセンサ情報の種類の分類毎に、状態と状態価値との対応関係を学習するため、センサの組み合わせが異なる車両であっても、共通して取得できるセンサ情報の分類については、学習結果を共有化することができる。また、センサの組み合わせが変更された場合には、影響があった分類のみを再学習するだけで済むため、学習結果の再利用性が向上する。
【００８２】
また、衝突危険度と関連性が強く、かつ、センサ情報の種類間の関連性も強い、センサ情報の種類の組み合わせを同じクラスであると分類することにより、学習結果の再利用性や共有、またセンサ情報の種類が多い場合の学習の効率化を図ることができる。
【００８３】
次に、第２の実施の形態について説明する。なお、第１の実施の形態と同様の構成となる部分については、同一符号を付して説明を省略する。
【００８４】
第２の実施の形態では、車載の衝突危険推定装置とは別のサーバにおいて、学習を行い、学習結果を蓄積している点が、第１の実施の形態と異なっている。
【００８５】
図７に示すように、第２の実施の形態に係る衝突危険推定システム２００は、車両に搭載された衝突危険推定装置２１０と、サーバ２１２とを備えており、衝突危険推定装置２１０とサーバ２１２とは、路側に設置された基地局２１４及びインターネット２１６を介して接続されている。なお、サーバ２１２が、学習装置の一例である。また、衝突危険推定装置２１０は、複数車両に搭載されている。
【００８６】
衝突危険推定装置２１０のコンピュータ２２２は、情報取得部２６と、情報格納部２８と、危険度判定部３０と、情報格納部２８に記憶された各種センサ情報の時系列データ及び衝突危険度の時系列データを、基地局２１４及びインターネット２１６を介してサーバ２１２に送信すると共に、サーバ２１２から、自車両のセンサ情報の種類に応じた学習結果を受信する通信部２３２と、学習結果記憶部３６と、危険推定部３８と、警報制御部４０とを備えている。
【００８７】
通信部２３２は、情報格納部２８に記憶された各種センサ情報の時系列データ及び衝突危険度の時系列データを、自車両のセンサ情報の種類のリスト（例えば、自車両の位置、車間距離、加速度、ブレーキ量、及び車速を表わすリスト）と共に、基地局２１４及びインターネット２１６を介してサーバ２１２に送信する。
【００８８】
通信部２３２は、自車両のセンサ情報の種類のリストと、学習結果の送信要求とを、基地局２１４及びインターネット２１６を介してサーバ２１２に送信して、自車両の各種センサ情報の分類毎に学習された状態ｓｔと状態価値Ｖとの対応関係を、サーバ２１２から受信して、学習結果記憶部３６に記憶させる。
【００８９】
サーバ２１２は、ＣＰＵと、ＲＡＭと、後述する学習更新処理ルーチンを実行するためのプログラムを記憶したＲＯＭとを備え、機能的には次に示すように構成されている。サーバ２１２は、衝突危険推定装置２１０から送信された、各種センサ情報の時系列データ、衝突危険度の時系列データ、及びセンサ情報の種類のリストを受信すると共に、衝突危険推定装置２１０から送信されたセンサ情報の種類のリストに応じた学習結果を、基地局２１４及びインターネット２１６を介して衝突危険推定装置２１０へ送信する通信部２４０と、衝突危険推定装置２１０から受信した、各種センサ情報の時系列データ及び衝突危険度の時系列データを記憶するデータ記憶部２４２と、様々な車両で検出される各種センサ情報の種類を分類する情報分類部２４４と、各種センサ情報の時系列データと、各時点で判定された衝突危険度とに基づいて、各種センサ情報と衝突危険予測度との対応関係を学習する学習部２４６と、対応関係の学習結果を記憶する学習結果記憶部２４８と、衝突危険推定装置２１０から送信されたセンサ情報の種類のリストに応じた学習結果を、学習結果記憶部２４８に記憶された学習結果から選択する学習結果選択部２５０と、を備えている。
【００９０】
通信部２４０は、様々な車両の衝突危険推定装置２１０から、各種センサ情報の時系列データ、衝突危険度の時系列データ、及びセンサ情報の種類のリストを受信し、データ記憶部２４２に記憶させる。
【００９１】
データ記憶部２４２には、様々な車両の衝突危険推定装置２１０から送信された、各種センサ情報の時系列データ、衝突危険度の時系列データ、及びセンサ情報の種類のリストを記憶している。
【００９２】
情報分類部２４４は、データ記憶部２４２に記憶されたセンサ情報の種類のリストから、様々な車両で検出され得るセンサ情報の全種類を特定し、センサ情報の全種類を、上記第１の実施の形態と同様に分類する。
【００９３】
学習部２４６は、衝突危険推定装置２１０から送信されたセンサ情報の時系列データ毎に、以下に説明するように、学習を行う。
【００９４】
まず、データ記憶部２４２に記憶された、対応するセンサ情報の種類のリストを取得し、情報分類部２４４で分類されたセンサ情報の分類のうち、センサ情報の種類のリスト内のセンサ情報の種類で構成される分類を特定し、特定された分類に対する学習結果を、学習結果記憶部２４８から取得する。
【００９５】
そして、データ記憶部２４２に記憶された、対応するセンサ情報の時系列データ及び衝突危険度の時系列データを、学習データとして取得し、特定された分類毎に、取得した当該分類に対する学習結果を用いて、当該分類に属するセンサ情報から変換された状態ｓｔと状態価値Ｖとの対応関係を学習し、学習結果記憶部２４８に記憶された学習結果を更新する。
【００９６】
学習結果選択部２５０は、センサ情報の種類のリストと、学習結果の送信要求とを衝突危険推定装置２１０から受信したときに、情報分類部２４４で分類されたセンサ情報の分類のうち、受信したセンサ情報の種類のリスト内のセンサ情報の種類で構成される分類を特定し、特定された分類に対する学習結果を、学習結果記憶部２４８から選択して取得する。
【００９７】
次に、第２の実施の形態に係る衝突危険推定システム２００の作用について説明する。
【００９８】
まず、衝突危険推定装置２１０を搭載した車両の走行中に、コンピュータ２２２において、ＧＰＳセンサ１２、車間距離測定部１４、加速度センサ１６、ブレーキセンサ１８、及び車速センサ２０の各々から出力された信号を取得して、情報格納部２８に記憶すると共に、取得した加速度信号に基づいて、衝突危険度を判定して、情報格納部２８に記憶する。一定時間分のデータが情報格納部２８に蓄積されると、コンピュータ２２２によって、情報格納部２８に記憶された各種センサ情報の時系列データ及び衝突危険度の時系列データを、自車両のセンサ情報の種類のリストと共に、基地局２１４及びインターネット２１６を介してサーバ２１２に送信する。
【００９９】
サーバ２１２では、各車両の衝突危険推定装置２１０から受信したデータを、データ記憶部２４２に格納する。
【０１００】
また、サーバ２１２は、データ記憶部２４２に記憶されたセンサ情報の種類のリストから、センサ情報の全種類を特定し、上記図３、４の分類処理ルーチンと同様に、特定したセンサ情報の全種類を分類する。
【０１０１】
また、サーバ２１２は、図８に示す学習更新処理ルーチンを実行する。まず、ステップ２６０において、衝突危険推定装置２１０から学習データ（各種センサ情報の時系列データ、衝突危険度の時系列データ、及びセンサ情報の種類のリスト）を受信したか否かを判定する。学習データを受信すると、ステップ２６２へ進み、学習データのセンサ情報の種類のリスト内で構成されるセンサ情報の分類の各々について、既に分類済みであるか否かを判定する。既に分類済みである場合には、ステップ２６４において、学習結果記憶部２４８に分類結果がある分類の各々について、学習結果記憶部２４８から、当該分類に対する学習結果を選択し、選択された学習結果を用いて、当該分類に属するセンサ情報から変換された状態ｓｔと状態価値Ｖとの対応関係を学習し、学習結果記憶部２４８に記憶された学習結果を更新する。一方、学習データのセンサ情報の種類のリスト内で構成されるセンサ情報の分類の各々について、分類結果がない場合には、ステップ２６６へ移行する。
【０１０２】
なお、衝突危険推定装置２１０からの学習データの受信に応じた、上記ステップ２６４における学習結果の選択結果を記憶しておき、上記ステップ２６４における学習結果の選択は、衝突危険推定装置２１０からの学習データに応じて学習結果を初めて更新するときに一度だけ行うようにしてもよい。
【０１０３】
ステップ２６６では、学習データのセンサ情報の種類のリストについて、センサ情報の分類を行う。このとき、上記図３、４に示す分類処理ルーチンと同様に、センサ情報の分類が行われる。
【０１０４】
そして、ステップ２６８において、上記ステップ２６６で分類されたセンサ情報の分類の各々について、学習結果がない分類があるか否かを判定する。上記ステップ２６６で分類されたセンサ情報の分類の各々について、既に学習結果がある場合には、新たな分類がなく、既に学習済みであると判断し、学習更新処理ルーチンを終了する。
【０１０５】
一方、上記ステップ２６８において、学習結果がない分類があったと判定された場合には、新たな分類が追加されたと判断し、ステップ２７０において、当該分類の各々について、学習データの当該分類に属するセンサ情報に基づいて、当該分類に属するセンサ情報から変換された状態ｓｔと状態価値Ｖとの対応関係を学習する。そして、ステップ２７２において、学習結果を学習結果記憶部２４８に記憶し、学習更新処理ルーチンを終了する。
【０１０６】
また、衝突危険推定装置２１０は、自車両のセンサ情報の種類のリストと、学習結果の送信要求とを、基地局２１４及びインターネット２１６を介してサーバ２１２に送信する。このとき、サーバ２１２は、受信したセンサ情報の種類のリスト内で構成される分類に対する学習結果（状態ｓｔと状態価値Ｖとの対応関係）を、学習結果記憶部２４８に記憶された学習結果から選択して取得し、取得した学習結果を、基地局２１４及びインターネット２１６を介して衝突危険推定装置２１０に送信する。衝突危険推定装置２１０は、受信した学習結果を、学習結果記憶部３６に記憶する。なお、衝突危険推定装置２１０からの送信要求に応じた、学習結果の選択結果を記憶しておき、学習結果の選択は、衝突危険推定装置２１０が学習結果を初めて利用するときに一度だけ行うようにしてもよい。
【０１０７】
また、衝突危険推定装置２１０は、定期的に、自車両のセンサ情報の種類のリストと、学習結果の送信要求とをサーバ２１２に送信し、学習結果記憶部３６に記憶された学習結果を最新のものに更新する。
【０１０８】
また、衝突危険推定装置２１０は、上記図６の危険推定処理ルーチンと同様に、衝突危険予測度の総合的な値を推定し、警報装置２４を制御する。
【０１０９】
以上説明したように、第２の実施の形態に係る衝突危険推定システムによれば、複数の衝突危険推定装置と接続されたサーバにおいて、学習データを収集し、状態ｓｔと状態価値Ｖとの対応関係を学習し、学習結果を蓄積することにより、複数の衝突危険推定装置において、学習結果を容易に共有することができる。
【０１１０】
また、検出されるセンサ情報の種類の分類毎に、状態と状態価値との対応関係を学習するため、センサの組み合わせが異なる車両であっても、共通して取得できるセンサ情報の分類については、サーバに蓄積された学習結果を共有化することができる。
【０１１１】
なお、上記の第１の実施の形態〜第２の実施の形態では、操作状態、走行状態、及び走行環境状態として、自車位置、車間距離、加速度、ブレーキ量、及び車速を検出する場合を例に説明したが、これに限定されるものではない。例えば、自車位置、車間距離、自車両から特定地点（交差点、歩行者、自転車など）までの距離及び角度、道路構造（道幅や車線数、信号有無など）、車速、加速度、ロール、ピッチ、ヨー方向の角加速度、アクセル及びブレーキの踏み込み量、操舵角、及びこれら全ての情報の１次微分量、２次微分量、１次積分量、並びにその組み合わせにより算出可能な量における、任意の組み合わせを、検出するようにしてもよい。
【０１１２】
また、閾値以上の衝突危険度が判定されたときに検出された複数種類のセンサ情報の種類間の相互情報量、及び衝突危険度とセンサ情報の各種類との間の相互情報量に基づいて、センサ情報の種類を分類する場合を例に説明したが、これに限定されるものではない。例えば、閾値以上の衝突危険度が判定されたときに検出された複数種類のセンサ情報の種類間の相互情報量、衝突危険度とセンサ情報の各種類との間の相互情報量、条件なしの複数種類のセンサ情報の種類間の相互情報量、及び複数種類のセンサ情報の種類間の相関係数の少なくとも１つに基づいて、センサ情報の種類を分類するようにしてもよい。
【０１１３】
また、加速度に基づいて、衝突危険度を判定する場合を例に説明したが、これに限定されるものではなく、ブレーキ操作量又はハンドル操作量に基づいて、衝突危険度を判定するようにしてもよい。また、加速度、ブレーキ操作量、及びハンドル操作量の任意の組み合わせに基づいて、衝突危険度を判定するようにしてもよい。
【０１１４】
また、分類毎に算出された衝突危険予測度を、重み付き加算することにより、衝突危険予測度の総合的な値を推定する場合を例に説明したが、これに限定されるものではなく、分類毎に算出された衝突危険予測度の最大値を、衝突危険予測度の総合的な値として推定するようにしてもよい。
【０１１５】
また、衝突危険予測度の総合的な値が閾値以上であった場合に、警報音を出力する場合を例に説明したが、これに限定されるものではなく、音声を出力してもよいし、視覚情報により警報メッセージを提示するようにしてもよい。あるいは、常に、推定された衝突危険予測度の総合的な値を、視覚情報により提示するようにしてもよい。
【０１１６】
なお、本発明のプログラムは、記録媒体に格納して提供することができる。
【符号の説明】
【０１１７】
１０、２１０ 衝突危険推定装置
１２ ＧＰＳセンサ
１４ 車間距離測定部
１６ 加速度センサ
１８ ブレーキセンサ
２０ 車速センサ
２２、２２２ コンピュータ
２６ 情報取得部
２８ 情報格納部
３０ 危険度判定部
３２ 情報分類部
３４ 学習部
３６ 学習結果記憶部
３８ 危険推定部
４０ 警報制御部
２００ 衝突危険推定システム
２１２ サーバ
２４４ 情報分類部
２４６ 学習部
２４８ 学習結果記憶部
２５０ 学習結果選択部
【特許請求の範囲】
【請求項１】
車両の走行状態、ドライバが前記車両を操作したときの操作状態、又は前記車両の周辺の走行環境を示す環境状態を含む複数種類の状態を検出する状態検出手段と、
前記複数種類の状態を分類した分類毎に学習した、前記分類に属する状態と危険予測度との対応関係を記憶した記憶手段と、
前記記憶手段に記憶された前記対応関係と、前記状態検出手段によって検出された前記複数種類の状態とに基づいて、前記分類毎に、対応する前記危険予測度を求め、前記危険予測度の総合的な値を推定する推定手段と、
を含む危険推定装置。
【請求項２】
前記記憶手段に記憶された前記対応関係を、前記分類毎に、前記分類に属する状態と、前記状態が検出された時について求められた危険度とを学習データとして学習されたものとした請求項１記載の危険度推定装置。
【請求項３】
前記複数種類の状態の分類を、閾値以上の前記危険度が求められたときに検出された前記複数種類の状態間の相互情報量、前記危険度と各種類の状態との間の相互情報量、前記複数種類の状態間の相互情報量、及び前記複数種類の状態間の相関係数の少なくとも１つに基づいて分類されたものとした請求項２記載の危険度推定装置。
【請求項４】
前記記憶手段に記憶された前記対応関係を、前記学習データに基づいて前記対応関係を学習する学習装置によって学習されたものとした請求項２又は３記載の危険度推定装置。
【請求項５】
前記学習装置は、更に、前記複数種類の状態の分類を行う請求項４記載の危険度推定装置。
【請求項６】
前記推定手段は、前記分類毎に求められた前記危険予測度を重み付き加算することにより、前記危険予測度の総合的な値を推定する請求項１〜請求項５の何れか１項記載の危険度推定装置。
【請求項７】
前記推定手段は、前記分類毎に求められた前記危険予測度の最大値を、前記危険予測度の総合的な値として推定する請求項１〜請求項５の何れか１項記載の危険度推定装置。
【請求項８】
車両の走行状態、ドライバが前記車両を操作したときの操作状態、又は前記車両の周辺の走行環境を示す環境状態を含む複数種類の状態を分類した分類毎に学習した、前記分類に属する状態と危険予測度との対応関係を記憶した記憶手段を含むコンピュータを、
前記記憶手段に記憶された前記対応関係と、前記複数種類の状態を検出する状態検出手段によって検出された前記複数種類の状態とに基づいて、前記分類毎に、対応する前記危険予測度を求め、前記危険予測度の総合的な値を推定する推定手段
として機能させるためのプログラム。
【請求項１】
車両の走行状態、ドライバが前記車両を操作したときの操作状態、又は前記車両の周辺の走行環境を示す環境状態を含む複数種類の状態を検出する状態検出手段と、
前記複数種類の状態を分類した分類毎に学習した、前記分類に属する状態と危険予測度との対応関係を記憶した記憶手段と、
前記記憶手段に記憶された前記対応関係と、前記状態検出手段によって検出された前記複数種類の状態とに基づいて、前記分類毎に、対応する前記危険予測度を求め、前記危険予測度の総合的な値を推定する推定手段と、
を含む危険推定装置。
【請求項２】
前記記憶手段に記憶された前記対応関係を、前記分類毎に、前記分類に属する状態と、前記状態が検出された時について求められた危険度とを学習データとして学習されたものとした請求項１記載の危険度推定装置。
【請求項３】
前記複数種類の状態の分類を、閾値以上の前記危険度が求められたときに検出された前記複数種類の状態間の相互情報量、前記危険度と各種類の状態との間の相互情報量、前記複数種類の状態間の相互情報量、及び前記複数種類の状態間の相関係数の少なくとも１つに基づいて分類されたものとした請求項２記載の危険度推定装置。
【請求項４】
前記記憶手段に記憶された前記対応関係を、前記学習データに基づいて前記対応関係を学習する学習装置によって学習されたものとした請求項２又は３記載の危険度推定装置。
【請求項５】
前記学習装置は、更に、前記複数種類の状態の分類を行う請求項４記載の危険度推定装置。
【請求項６】
前記推定手段は、前記分類毎に求められた前記危険予測度を重み付き加算することにより、前記危険予測度の総合的な値を推定する請求項１〜請求項５の何れか１項記載の危険度推定装置。
【請求項７】
前記推定手段は、前記分類毎に求められた前記危険予測度の最大値を、前記危険予測度の総合的な値として推定する請求項１〜請求項５の何れか１項記載の危険度推定装置。
【請求項８】
車両の走行状態、ドライバが前記車両を操作したときの操作状態、又は前記車両の周辺の走行環境を示す環境状態を含む複数種類の状態を分類した分類毎に学習した、前記分類に属する状態と危険予測度との対応関係を記憶した記憶手段を含むコンピュータを、
前記記憶手段に記憶された前記対応関係と、前記複数種類の状態を検出する状態検出手段によって検出された前記複数種類の状態とに基づいて、前記分類毎に、対応する前記危険予測度を求め、前記危険予測度の総合的な値を推定する推定手段
として機能させるためのプログラム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【公開番号】特開２０１２−５９０５８（Ｐ２０１２−５９０５８Ａ）
【公開日】平成２４年３月２２日（２０１２．３．２２）
【国際特許分類】
【出願番号】特願２０１０−２０２２４２（Ｐ２０１０−２０２２４２）
【出願日】平成２２年９月９日（２０１０．９．９）
【出願人】（０００００３６０９）株式会社豊田中央研究所 (4,200)
【Ｆターム（参考）】
【公開日】平成２４年３月２２日（２０１２．３．２２）
【国際特許分類】
【出願日】平成２２年９月９日（２０１０．９．９）
【出願人】（０００００３６０９）株式会社豊田中央研究所 (4,200)
【Ｆターム（参考）】
[ Back to top ]