專利名稱:駕駛行動(dòng)推定裝置、駕駛支援裝置、車輛評(píng)價(jià)系統(tǒng)、駕駛者模型生成裝置、及駕駛行動(dòng)判定裝置的制作方法
技術(shù)領(lǐng)域:
本發(fā)明涉及駕駛行動(dòng)推定裝置、駕駛支援裝置、及車輛評(píng)價(jià)系統(tǒng),例 如,使用駕駛者模型對(duì)駕駛行動(dòng),進(jìn)行推定、駕駛支援、及車輛評(píng)價(jià)的裝 置、系統(tǒng)及作為駕駛狀態(tài)的評(píng)價(jià)基準(zhǔn)的駕駛者模型的生成裝置、及進(jìn)行使 用了駕駛者模型的駕駛狀態(tài)的評(píng)價(jià)和駕駛支援的裝置。
背景技術(shù):
關(guān)于車輛駕駛者(driver)的駕駛操作的模型化、及其應(yīng)用提出了各 種建議。
例如,在專利文獻(xiàn)l記載的技術(shù)中,提出通過使用了模糊規(guī)則或神經(jīng) 網(wǎng)絡(luò)的駕駛者模型,評(píng)價(jià)交叉點(diǎn)道路的危險(xiǎn)度的技術(shù)。 專利文獻(xiàn)l:特開2002—140786
在專利文獻(xiàn)1所述的技術(shù)中,使用模糊規(guī)則或神經(jīng)網(wǎng)絡(luò)構(gòu)成駕駛者模 型,因此,需要模糊規(guī)則的生成或后向傳播等的學(xué)習(xí),不能容易地生成駕 駛者模型。
另外,在以往技術(shù)中,能夠生成以通常的駕駛者為對(duì)象的模型,但難
以更正確地表現(xiàn)每一個(gè)駕駛者的駕駛操作的特征。
因此,不能生成表示多個(gè)駕駛者每一個(gè)的特征的駕駛者模型。
進(jìn)而,以往的駕駛者模型是用于評(píng)價(jià)交叉點(diǎn)道路的危險(xiǎn)度的模型,因
此,不是推定駕駛操作的駕駛行動(dòng)的駕駛者模型。
發(fā)明內(nèi)容
本發(fā)明的第一目的在于能夠容易地生成,且使用能夠更正確地表現(xiàn)駕 駛者的駕駛特征的駕駛者模型,推定駕駛行動(dòng)。
另外,通過使用專利文獻(xiàn)1所述的駕駛者模型,將由駕駛者模型推定 的駕駛操作等駕駛狀態(tài)推定為正常的駕駛狀態(tài),將其與當(dāng)前的駕駛狀態(tài)進(jìn) 行比較,由此能夠評(píng)價(jià)當(dāng)前的駕駛。
但是,由駕駛者模型推定的駕駛狀態(tài)未必一定為對(duì)于所述駕駛者來說 的正常的駕駛狀態(tài)。
另外,即使特定的駕駛者實(shí)際上駕駛車輛來收集駕駛狀態(tài)的數(shù)據(jù),并 基于此預(yù)先生成駕駛者模型,也未必一定是進(jìn)行了正常狀態(tài)下的駕駛。
因此,本發(fā)明的第二目的在于生成作為駕駛狀態(tài)的評(píng)價(jià)基準(zhǔn)的更高精 度的駕駛者模型。
另外,第三目的在于提供使用了該駕駛者模型的進(jìn)行更高精度的駕駛 狀態(tài)的評(píng)價(jià)和駕駛支援的駕駛支援裝置。
另外,第四目的在于對(duì)駕駛者的駕駛行動(dòng)進(jìn)行更高精度的駕駛狀態(tài)的 評(píng)價(jià)。
(1) 在第一方面所述的駕駛行動(dòng)推定裝置中,該駕駛行動(dòng)推定裝置 如下所述地實(shí)現(xiàn)所述第一目的,具備駕駛者模型,其將伴隨車輛行駛檢 測(cè)出的N種特征量的時(shí)序數(shù)據(jù)作為學(xué)習(xí)數(shù)據(jù),并將N維空間中各數(shù)據(jù)存
在的概略分布描述;特征量獲得機(jī)構(gòu),其獲得所述N種中的除了特定的特 征量x以外的至少一種以上特征量;最大事后概率算出機(jī)構(gòu),其算出相對(duì) 于所述獲得的特征量的所述駕駛者模型中的最大事后概率;輸出機(jī)構(gòu),其 基于所述算出的最大事后概率,輸出相對(duì)于所述獲得的特征量的所述特定 的特征量x的推定值。
(2) 第二方面所述的發(fā)明在第一方面所述的駕駛行動(dòng)推定裝置中, 其特征在于,所述N種特征量包含對(duì)于n種(n<N)的特征量的時(shí)間 變化量。
(3) 第三方面所述的發(fā)明在第一或第二方面所述的駕駛行動(dòng)推定裝 置中,其特征在于,所述特征量x包含駕駛者直接操作的操作裝置的操 作量及該操作量的時(shí)間變化量。
(4) 第四方面所述的發(fā)明在第一 第三方面所述的駕駛行動(dòng)推定裝 置中,其特征在于,所述駕駛者模型將所述N種特征量的時(shí)序數(shù)據(jù)作為學(xué) 習(xí)數(shù)據(jù),用利用EM算法算出的GMM (高斯混合模型)描述各數(shù)據(jù)存在
的概率分布。
(5) 在第五方面所述的發(fā)明中, 一種駕駛支援裝置,其特征在于, 具備第一 第四方面中任一項(xiàng)所述的駕駛行動(dòng)推定裝置,其使用作為 特征量,使用了加速器操作量、制動(dòng)器操作量、自車輛的車速、與前方車 輛的車間距離的加速器用駕駛者模型、和制動(dòng)器用駕駛者模型,作為所述 特征量X,推定加速器操作量及制動(dòng)器操作量;行駛數(shù)據(jù)獲得機(jī)構(gòu),其獲 得自車輛的車速和車間距離;行駛控制機(jī)構(gòu),其對(duì)于所述獲得的行駛數(shù)據(jù), 按照由所述駕駛行動(dòng)推定裝置推定的加速器操作量、及制動(dòng)器操作量,控 制發(fā)動(dòng)機(jī)節(jié)流閥及制動(dòng)器踏板,由此進(jìn)行對(duì)所述前方車輛的自動(dòng)追隨行 駛。
(6) 在第六方面所述的發(fā)明中, 一種車輛評(píng)價(jià)系統(tǒng),其特征在于,
具備第一 第四方面中任一項(xiàng)所述的駕駛行動(dòng)推定裝置,其使用作為 特征量,使用了加速器操作量、制動(dòng)器操作量、自車輛的車速、與前方車 輛的車間距離的加速器用駕駛者模型、和制動(dòng)器用駕駛者模型,作為所述 特征量X,推定加速器操作量及制動(dòng)器操作量;獲得作為評(píng)價(jià)對(duì)象的車輛 的車輛性能數(shù)據(jù)的機(jī)構(gòu);獲得模擬用行駛數(shù)據(jù)和車道模型的機(jī)構(gòu);車輛動(dòng) 力計(jì)算機(jī)構(gòu),其對(duì)通過將所述獲得的行駛數(shù)據(jù)和車道模型適用于所述駕駛 行動(dòng)推定裝置得到加速器操作量和制動(dòng)器操作量,推定包含作為所述評(píng)價(jià) 對(duì)象的車輛的加速度的行跡;評(píng)價(jià)機(jī)構(gòu),其由所述推定的車輛的行跡,評(píng) 價(jià)所述作為評(píng)價(jià)對(duì)象的車輛的行駛性能。
(7) 在第七方面所述的發(fā)明中,如下所述地實(shí)現(xiàn)所述第二目的,一 種駕駛者模型生成裝置,其特征在于,具備狀態(tài)判斷機(jī)構(gòu),其判斷駕駛 者的狀態(tài);駕駛操作信息獲得機(jī)構(gòu),其獲得車輛行駛中的駕駛操作信息; 駕駛者模型生成機(jī)構(gòu),其基于所述獲得的駕駛操作信息,生成與駕駛者的 狀態(tài)對(duì)應(yīng)的駕駛操作的駕駛者模型。
(8) 在第八方面所述的發(fā)明中,在第七方面所述的駕駛者模型生成 裝置中,其特征在于,所述狀態(tài)判斷機(jī)構(gòu)至少判斷駕駛者的狀態(tài)是否為正 常。
(9) 在第九方面所述的發(fā)明中,在第七或第八方面所述的駕駛者模 型生成裝置中,其特征在于,行駛數(shù)據(jù)獲得機(jī)構(gòu),其檢測(cè)特定的行駛環(huán)境;
按行駛環(huán)境每一個(gè)儲(chǔ)存所述駕駛操作信息,所述駕駛者模型生成機(jī)構(gòu)按所 述行駛環(huán)境每一個(gè)生成駕駛者模型。
(10) 在第九十方面所述的發(fā)明中,在第七 第九方面中任一項(xiàng)所述 的駕駛者模型生成裝置中,其特征在于,具備生物體信息獲得機(jī)構(gòu),其 獲得駕駛者的生物體信息,所述狀態(tài)判斷機(jī)構(gòu)基于所述獲得的生物體信息 判斷駕駛者的狀態(tài)。
(11) 在第十一方面所述的發(fā)明中,如上所述地實(shí)現(xiàn)所述第三目的, 一種駕駛支援裝置,其特征在于,具備駕駛者模型獲得機(jī)構(gòu),其獲得正 常狀態(tài)下的駕駛操作的駕駛者模型;駕駛操作推定機(jī)構(gòu),其使用所述獲得 的駕駛者模型,推定以正常狀態(tài)通常駕駛的駕駛操作;駕駛行動(dòng)判定機(jī)構(gòu), 其由所述推定的駕駛操作、和基于當(dāng)前的駕駛操作信息的駕駛操作,判斷 駕駛者的駕駛行動(dòng);駕駛支援機(jī)構(gòu),其進(jìn)行與所述判斷的駕駛行動(dòng)對(duì)應(yīng)的 駕駛支援。
(12) 在第十二方面所述的發(fā)明中,在第十一方面所述的駕駛支援裝 置中,其特征在于,所述駕駛者模型獲得機(jī)構(gòu)由按駕駛環(huán)境每一個(gè)生成的 正常狀態(tài)下的駕駛操作的駕駛者模型,獲得與當(dāng)前的行駛環(huán)境對(duì)應(yīng)的駕駛 者模型。
(13) 在第十三方面所述的發(fā)明中,在第十一或第十二方面所述的駕 駛支援裝置中,其特征在于,具備駕駛者狀態(tài)判定機(jī)構(gòu),其由駕駛者的 生物體信息判定駕駛者的狀態(tài),所述駕駛支援機(jī)構(gòu)進(jìn)行與所述判斷的駕駛 行動(dòng)、和所述判斷的駕駛者狀態(tài)對(duì)應(yīng)的駕駛支援。
(14) 在第十四方面所述的發(fā)明中,在第十一 第十三方面所述的駕 駛支援裝置中,其特征在于,所述駕駛支援機(jī)構(gòu)根據(jù)判定內(nèi)容,進(jìn)行利用 語音或圖像的注意提醒、信息提供、振動(dòng)、休息處的引導(dǎo)中的至少一種以 上的駕駛支援。
(15) 在第十五方面所述的發(fā)明中,如下所述地實(shí)現(xiàn)所述第四發(fā)明, 一種駕駛行動(dòng)判定裝置,其特征在于,具備駕駛者模型獲得機(jī)構(gòu),其獲
得正常狀態(tài)下的駕駛操作的駕駛者模型;駕駛操作推定機(jī)構(gòu),其使用所述 獲得的駕駛者模型,推定以正常狀態(tài)通常駕駛的駕駛操作;駕駛行動(dòng)判定 機(jī)構(gòu),其由所述推定的駕駛操作、和基于當(dāng)前的駕駛操作信息的駕駛操作,判定駕駛者的駕駛行動(dòng)。
在第一方面 第六方面的發(fā)明中,使用將伴隨車輛行駛檢測(cè)出的N種
特征量的時(shí)序數(shù)據(jù)作為學(xué)習(xí)數(shù)據(jù),并將N維空間中各數(shù)據(jù)存在的概略分布 描述的駕駛者模型,算出相對(duì)于所述除了特定的特征量x以外的特征量的 所述駕駛者模型中的最大事后概率,作為所述特定的特征量x的推定值輸
出,因此,能夠容易地生成,能夠規(guī)定更接近駕駛者的駕駛特征的駕駛行 動(dòng)。
在第七方面 第十方面所述的本發(fā)明中,生成與駕駛者的狀態(tài)對(duì)應(yīng)的 駕駛操作的駕駛者模型,因此,能夠得到更高精度的駕駛者模型。
在第十一 第十四方面所述的本發(fā)明中,由以使用正常狀態(tài)下的駕駛 操作的駕駛者模型而推定的正常狀態(tài)通常駕駛的駕駛操作、和基于當(dāng)前的 駕駛操作信息的駕駛操作,判斷駕駛者的駕駛行動(dòng),進(jìn)行與判斷的駕駛行 動(dòng)對(duì)應(yīng)的駕駛支援,因此,能夠進(jìn)行更高精度的駕駛狀態(tài)的評(píng)價(jià)和駕駛支 援。
在第十五方面所述的發(fā)明中,由以使用正常狀態(tài)下的駕駛操作的駕駛 者模型而推定的正常狀態(tài)通常駕駛的駕駛操作、和基于當(dāng)前的駕駛操作信 息的駕駛操作,判斷駕駛者的駕駛行動(dòng),因此,能夠評(píng)價(jià)更高精度的駕駛 狀態(tài)。
圖1是表示與基于本實(shí)施方式中的駕駛行動(dòng)推定裝置的駕駛者模型的 生成、和基于生成的駕駛者模型的駕駛行動(dòng)的推定有關(guān)的原理的圖。
圖2是表示與基于最大事后概率的駕駛行動(dòng)的推定有關(guān)的原理的說明圖。
圖3是表示駕駛行動(dòng)推定裝置的結(jié)構(gòu)的說明圖。
圖4是表示用行駛數(shù)據(jù)獲得部獲得的行駛數(shù)據(jù)的說明圖。
圖5是表示基于駕駛者模型生成部的駕駛者模型生成處理的流程圖。
圖6是表示使用生成的駕駛者模型推定特定的駕駛行動(dòng)的處理的流程圖。
圖7是適用駕駛行動(dòng)推定裝置的駕駛支援裝置的結(jié)構(gòu)圖。
圖8是表示ACC用駕駛者模型的自動(dòng)生成處理動(dòng)作的流程圖。
圖9是表示ACC處理的動(dòng)作的流程圖。
圖IO是表示車輛評(píng)價(jià)系統(tǒng)的概要的概念說明圖。
圖11是駕駛行動(dòng)推定裝置的結(jié)構(gòu)圖。
圖12是表示駕駛行動(dòng)推定裝置中的各數(shù)據(jù)的概要的說明圖。 圖13是表示設(shè)計(jì)評(píng)價(jià)處理的動(dòng)作的流程圖。
圖14是表示學(xué)習(xí)用先行車的行跡和駕駛數(shù)據(jù)、及評(píng)價(jià)用先行車的行 跡的說明圖。
圖15是表示使用了車輛評(píng)價(jià)系統(tǒng)的模擬結(jié)果的說明圖。
圖16是適用本申請(qǐng)發(fā)明的第二實(shí)施方式中的駕駛者模型生成裝置的
駕駛支援裝置的結(jié)構(gòu)圖。
圖17是例示了自車輛信息獲得部中獲得的自車輛信息的說明圖。
圖18是例示了車輛周邊信息獲得部中獲得的車輛周邊環(huán)境信息的說明圖。
圖19是例示了道路信息獲得部中獲得的車輛周邊環(huán)境信息的說明圖。
圖20是例示了網(wǎng)絡(luò)部中獲得的車輛周邊環(huán)境信息的說明圖。
圖21是例示了生物體信息獲得部中獲得的生物體信息的說明圖。
圖22是例示了由信息提供部提供的信息、輔助的內(nèi)容的說明圖。
圖23是概念性表示駕駛者模型存儲(chǔ)部的存儲(chǔ)內(nèi)容的說明圖。
圖24是概念性表示狀況數(shù)據(jù)的內(nèi)容的說明圖。
圖25是表示生成駕駛者的"通常的駕駛行動(dòng)"(正常時(shí))的駕駛者模
型的駕駛者模型生成處理的處理動(dòng)作的流程圖。
圖26是表示通過心率的變動(dòng)監(jiān)視精神變化的狀態(tài)的說明圖。
圖27是表示通過心電圖的洛倫茨拓?fù)浣馕霰O(jiān)視精神變化的狀態(tài)的說明圖。
圖28是表示通過獲得的生物體信息判斷正常狀態(tài)與否的情況的說明圖。
圖29是例示了在交叉點(diǎn)右轉(zhuǎn)彎時(shí)自車輛信息獲得部和自車輛周邊環(huán)
境信息獲得部獲得的自車輛信息和自車輛周邊環(huán)境信息的說明圖。 圖30是表示駕駛者駕駛行動(dòng)監(jiān)視處理的處理動(dòng)作的流程圖。
圖31是由自車輛信息和自車輛周邊環(huán)境信息進(jìn)行的狀況數(shù)據(jù)的設(shè)定、 和適合的狀況的檢測(cè)的說明圖。
圖32是概念性比較從駕駛者模型輸出部輸出的正常狀態(tài)下的駕駛操
作量(通常的駕駛)的推定值、和當(dāng)前的駕駛的操作量(自車輛信息)的 說明圖。
圖33是關(guān)于行駛中的駕駛者的生物體信息的監(jiān)視處理的流程圖。 圖34是通過駕駛者的眼睛的狀態(tài)判斷正常狀態(tài)和睡意、疲勞狀態(tài)的 情況下的說明圖。
圖35是表示駕駛者駕駛狀態(tài)及生物體信息情況的駕駛支援處理的動(dòng) 作的流程圖。
圖36是表示通過獲得的駕駛行動(dòng)和生物體信息情況推定的駕駛者的 狀態(tài)、和對(duì)應(yīng)于推定的駕駛者的狀態(tài)進(jìn)行的駕駛支援的內(nèi)容的說明圖。
圖中IO —駕駛者模型生成部;101—駕駛者信息獲得部;102 —行駛 數(shù)據(jù)獲得部;103 —同時(shí)概率密度分布計(jì)算部;104—同時(shí)概率密度函數(shù)參 數(shù)存儲(chǔ)部;ll一駕駛行動(dòng)推定部;lll一駕駛者信息獲得部;112—行駛數(shù) 據(jù)獲得部;113 —駕駛者模型選擇部;114一最大事后概率計(jì)算部;115 — 特征量X的推定值輸出部;50 — ECU; 51—自車輛信息獲得部;52—自車 輛周邊環(huán)境信息獲得部;521—車輛周邊信息獲得部;522 —道路信息獲得 部;523 —網(wǎng)絡(luò)部;53 —生物體信息獲得部;54 —信息提供部;55 —駕駛 者模型處理部;551 —駕駛者模型生成部;552 —駕駛者模型存儲(chǔ)部;553 一駕駛者模型輸出部;56 —數(shù)據(jù)存儲(chǔ)部。
具體實(shí)施例方式
以下,參照?qǐng)D1 圖15,詳細(xì)說明本發(fā)明的駕駛行動(dòng)推定裝置、駕駛 支援裝置、及車輛評(píng)價(jià)系統(tǒng)中的適當(dāng)?shù)牡谝粚?shí)施方式。 (l)第一實(shí)施方式的概要
在本實(shí)施方式中,通過將駕駛者每個(gè)人不同的駕駛行動(dòng)特性模型化, 進(jìn)行與駕駛者的特性匹配的車輛控制或駕駛支援,支援安心且舒適的安全 駕駛。另外,構(gòu)成使用了基于統(tǒng)計(jì)性數(shù)據(jù)的客觀的評(píng)價(jià)基準(zhǔn)的車輛設(shè)計(jì)評(píng) 價(jià)系統(tǒng)。
在此,只要駕駛者的模型化處理及使用模型的輸出計(jì)算處理簡(jiǎn)單,上 述用途就能夠容易且廉價(jià)地實(shí)現(xiàn)
因此,在本實(shí)施方式中,通過駕駛者模型中使用GMM (高斯混合模 型),能夠簡(jiǎn)便地生成各駕駛者每一人的駕駛者模型,進(jìn)而,通過最大化 帶有條件的概率的計(jì)算,容易地推定并輸出駕駛操作行動(dòng)。
艮P,在本實(shí)施方式的駕駛行動(dòng)推定裝置中,將由加速器操作量、車速、 車間距離等多種特征量構(gòu)成的行駛數(shù)據(jù)作為學(xué)習(xí)數(shù)據(jù),將利用EM (期望 值最大化,Expectation Maximization)算法算出的高斯混合模型作為駕駛 者模型采用。
該高斯混合模型由通過EM算法計(jì)算同時(shí)概率密度分布而得到的同時(shí) 概率密度函數(shù)的參數(shù)構(gòu)成,根據(jù)需要按各個(gè)駕駛者、進(jìn)而按駕駛者的加速 器操作用、制動(dòng)器操作用、車間距離維持范圍用等推定的特征量生成。
還有,通過測(cè)定駕駛者模型中使用的多個(gè)特征量中的除了特定的特征 量x之外的行駛數(shù)據(jù)Y (=yl、 y2、……),算出相對(duì)于該行駛數(shù)據(jù)Y的駕 駛者模型中的最大事后概率,推定特征量x。
例如,預(yù)先生成駕駛者甲的駕駛者模型,執(zhí)行追隨前方車輛而自動(dòng)行 駛的自動(dòng)巡航(ACC)。
艮卩,在ACC中,檢測(cè)除了特征量x-加速器操作量之外的車速或車間 距離等行駛數(shù)據(jù)Y,算出甲的駕駛者模型中的最大事后概率。該值被推定 為在同一條件下駕駛者甲可能實(shí)際操作的加速器操作量,按照推定的加速 器操作量執(zhí)行加速器控制(發(fā)動(dòng)機(jī)節(jié)流閥控制)。
由此,接近生成有駕駛者模型的駕駛者的駕駛操作,進(jìn)行加速器操作。
另外,在使某設(shè)計(jì)值數(shù)據(jù)(性能數(shù)據(jù))的車輛在基于車道模型的假想 空間行駛時(shí),使用預(yù)先生成的駕駛者模型,推定各種駕駛行動(dòng)的特征量, 由此評(píng)價(jià)車輛的性能。
(2)第一實(shí)施方式的詳細(xì)
圖1是表示與基于本實(shí)施方式中的駕駛行動(dòng)推定裝置的駕駛者模型的 生成、和基于生成的駕駛者模型的駕駛行動(dòng)的推定有關(guān)的原理的圖。
還有,關(guān)于駕駛者模型的生成和駕駛行動(dòng)的推定,說明作為特征量使 用車速V、與前方車輛的車間距離F、和這些的一次動(dòng)態(tài)特征量AV、 AF
(一次微分值)、二次動(dòng)態(tài)特征量A AV、 △ AF (二次微分值),和作為加 速器操作的駕駛者模型,使用加速器操作量G和一次動(dòng)態(tài)特征量AG,作 為制動(dòng)器操作的駕駛者模型,使用制動(dòng)器操作量B和一次動(dòng)態(tài)特征量AB 的情況。
在本實(shí)施方式的駕駛行動(dòng)推定裝置中,將加速器操作量、車速、車間 距離等構(gòu)成的行駛數(shù)據(jù)1作為學(xué)習(xí)數(shù)據(jù),并利用EM算法預(yù)先生成基于與 行駛數(shù)據(jù)對(duì)應(yīng)的各駕駛者的GMM的駕駛者模型2。
還有,在推定駕駛者的駕駛行動(dòng)(例如,加速器操作量)的情況下, 使用對(duì)應(yīng)的駕駛者模型2,計(jì)算對(duì)時(shí)刻t的行駛數(shù)據(jù)1的測(cè)定值(V、 F、 AV、……)3的最大事后概率4,由此推定該駕駛者可能操作的加速器操
在該例的駕駛行動(dòng)推定裝置中,駕駛者基于如下假定,即基于當(dāng)前 的車速、車間距離、及這些的一次、二次動(dòng)態(tài)特征量,確定加速器踏板和 制動(dòng)器踏板的操作量。
以下,詳細(xì)說明駕駛者模型的生成和駕駛行動(dòng)的推定的原理。 (A)駕駛者模型的學(xué)習(xí)
在使用了GMM的駕駛者模型2中,需要學(xué)習(xí)數(shù)據(jù),作為特征量使用
行駛數(shù)據(jù)1。
行駛數(shù)據(jù)1使用每隔規(guī)定的測(cè)定間隔s (s為任意,但在本實(shí)施方式中 s=0.1秒)的時(shí)序數(shù)據(jù)。
行駛數(shù)據(jù)1是作為駕駛者模型生成的對(duì)象的駕駛者實(shí)際上駕駛的數(shù) 據(jù),通過使用預(yù)先測(cè)定、保存的行駛數(shù)據(jù)l,能夠進(jìn)行脫機(jī)的學(xué)習(xí)。另外, 實(shí)際上也可使用在駕駛者駕駛時(shí)實(shí)時(shí)測(cè)定、收集的行駛數(shù)據(jù)1。
在本實(shí)施方式的駕駛行動(dòng)推定裝置中,通過對(duì)每個(gè)駕駛者生成GMM, 能夠?qū)崿F(xiàn)與各駕駛者的特性匹配的模型化。
作為駕駛者模型的特征量(行駛數(shù)據(jù)l),如上所述,使用車速、車間 距離、及這些的一次、二次動(dòng)態(tài)特征量和加速器操作量、及加速器踏板操 作量的一次動(dòng)態(tài)特征量。
這樣,通過向特征量加上動(dòng)態(tài)特征量而模型化,考慮前后的時(shí)間關(guān)系, 能夠得到平滑且自然性高的推定結(jié)果。
還有,在說明中,說明了使用一次及二次動(dòng)態(tài)特征量的情況,但僅使 用一次動(dòng)態(tài)特征量也可。
同樣,也可以關(guān)于制動(dòng)器踏板實(shí)現(xiàn)駕駛者模型化。
還有,在生成加速器踏板用、制動(dòng)器踏板用、車間距離范圍用等多個(gè) 駕駛者模型的情況下,加速器踏板操作量、制動(dòng)器踏板操作量等以外的數(shù)
據(jù)(V、 F、 AV、 AF、……)使用相同的數(shù)據(jù)也可。
在本實(shí)施方式中,關(guān)于行駛數(shù)據(jù)中的動(dòng)態(tài)特征量,由加速器操作量、 車速、車間距離的測(cè)定值通過計(jì)算求出,但實(shí)際測(cè)定也可。
還有,在本實(shí)施方式中,通過計(jì)算對(duì)行駛數(shù)據(jù)1的混合高斯分布
(GMM),生成駕駛者模型2。
艮P,使用EM算法算出對(duì)于行駛數(shù)據(jù)1的同時(shí)概率密度分布,將算出 的同時(shí)概率密度函數(shù)的參數(shù)^Ai, _>pi, &|i=l, 2, 3,……M)作為基 于GMM的駕駛者模型2,存儲(chǔ)于數(shù)據(jù)庫等存儲(chǔ)機(jī)構(gòu)中。
在此,入i表示加權(quán),一〉pi表示平均矢量組,2i表示分散共同分散行 列組,M表示混合數(shù)。另外,像一:^ii 一樣,在前面表示有一>的符號(hào)表
這樣,在本實(shí)施方式的GMM中,也考慮特征次元間的關(guān)聯(lián),使用全 角共同分散行列。
還有,作為EM算法,例如,按照中川圣一著"基于概率模型的語音 認(rèn)識(shí)"(電子信息通信學(xué)會(huì)1988、 P51 P54),進(jìn)行基于混合高斯分布的 EM算法的推定。
(b)駕駛行動(dòng)(加速器踏板及制動(dòng)器踏板操作量)的推定
駕駛者以基于當(dāng)前的車速、車間距離、及這些的一次、二次動(dòng)態(tài)特征 量來確定加速器踏板和制動(dòng)器踏板的操作量這一假設(shè)作為基礎(chǔ),推定踏板 的操作量等駕駛行動(dòng)。
艮P,由特征量的同時(shí)分布,推定在賦予的條件下概率最高的加速器踏 板操作量等的駕駛行動(dòng)。
這樣是帶有條件的概率的最大化的問題,利用最大事后概率的計(jì)算。
艮口,加速器踏板操作量AG (t)、和制動(dòng)器踏板操作量八B (t)是在賦 予y (t)的條件下,推定使帶有條件的概率最大的值x (t),作為最大事
后概率,分別用以下的式(1)、 (2)計(jì)算。
AG(t)=argmaxp(G I厶G,V(t),F(t),厶V(t),厶F(t),厶厶V(t),厶厶F(t》式(l) AB(t)二argmaxp(B I厶B,V(t),F(t),厶V(t),厶F(t), A厶V(t),厶厶F(t))式(2)
在此,像AG (t) —樣,前邊表示有A的符號(hào)是推定值。 p(G I厶G,V,F(xiàn),厶V,厶F,厶厶V,厶厶F)
二(p(G,V,F,厶V,AF,A厶V,厶厶F,厶GH/^ J j"…J p(G,V,F,厶V,厶F,厶厶V, 厶厶F,厶G)d厶G,dV,dF,d厶V,d厶F,d厶AV,d厶厶F) p(B I AB,V,F,厶V,AF,A線A AF)
二(p(B,V,F,厶V,厶F,厶厶V,A厶F,AB))Z( J j"…j" p(B,V,F(xiàn),厶V,厶F,厶厶V,厶 厶F,厶B)d厶B,dV,dF,dAV,dAF,d厶厶V,d厶AF}
在式(1)、 (2)中,t表示時(shí)刻,G、 B、 V、 F、 A分別表示加速器踏 板操作量、制動(dòng)器踏板操作量、車速、車間距離、及動(dòng)態(tài)特征量。
其中,使帶有條件的概率最大的加速器踏板及制動(dòng)器踏板的值通過在 最小值到最大值的區(qū)間中,在某刻度寬度(例如,0到10000為止為100 刻度)進(jìn)行數(shù)值積分,由此算出概率,將該概率最大時(shí)的加速器踏板及制 動(dòng)器踏板的值作為推定結(jié)果也可。
圖2表示與基于最大事后概率的駕駛行動(dòng)的推定有關(guān)的概略。
在該圖2中,為了簡(jiǎn)單,表示在賦予了某時(shí)刻t的特征量y (t)時(shí)推 定Ax (t)的情況。
圖3表示駕駛行動(dòng)推定裝置的結(jié)構(gòu)。
本實(shí)施方式中的駕駛行動(dòng)推定裝置具備駕駛者模型生成部10;駕駛 行動(dòng)推定部11。
該駕駛行動(dòng)推定裝置通過具備CPU、 ROM、 RAM等的計(jì)算機(jī)系統(tǒng)實(shí)現(xiàn)。
還有,作為駕駛行動(dòng)推定裝置,通過使用由其他裝置生成的駕駛者模 型,也可以形成為不具備駕駛者模型生成部10的結(jié)構(gòu)。
駕駛者模型生成部10具備駕駛者信息獲得部101;行駛數(shù)據(jù)獲得部 102;同時(shí)概率密度分布計(jì)算部103;同時(shí)概率密度函數(shù)參數(shù)存儲(chǔ)部104。 駕駛者信息獲得部101通過用于建立生成的駕駛者模型和駕駛者的對(duì)
應(yīng)關(guān)系的信息,構(gòu)成駕駛者ID。即,是確定測(cè)定由行駛數(shù)據(jù)獲得部102 獲得的行駛數(shù)據(jù)時(shí)的駕駛者的駕駛者ID。
行駛數(shù)據(jù)獲得部102獲得作為用于生成基于GMM的駕駛者模型的學(xué) 習(xí)數(shù)據(jù)的行駛數(shù)據(jù)。
圖4表示在行駛數(shù)據(jù)獲得部102獲得行駛數(shù)據(jù)。
如圖4所示,作為行駛數(shù)據(jù),存在有行駛環(huán)境數(shù)據(jù)(a)、及駕駛者操 作數(shù)據(jù)(b)。
但是,這些行駛數(shù)據(jù)列舉了能夠作為數(shù)據(jù)使用的數(shù)據(jù),未必都是必要 的數(shù)據(jù)。根據(jù)生成的駕駛者模型,適當(dāng)選擇數(shù)據(jù)。
如圖4 (a)所示,行駛環(huán)境數(shù)據(jù)有行駛狀況數(shù)據(jù)和道路狀況數(shù)據(jù)。
行駛狀況數(shù)據(jù)是根據(jù)行駛或環(huán)境變化的數(shù)據(jù),存在有車速、車間距離、 天氣、擁堵有無(擁堵的程度)、亮度、其他數(shù)據(jù)。
道路狀況數(shù)據(jù)是表示道路的狀態(tài)的數(shù)據(jù),是不根據(jù)環(huán)境變化的數(shù)據(jù)。 道路狀況數(shù)據(jù)存在有道路種類、鋪裝形態(tài)、道路寬度、行車線數(shù)、摩擦系 數(shù)、凹凸系數(shù)、彎曲曲率、斜面、傾斜、直視、其他數(shù)據(jù)。
如圖4 (b)所示,駕駛者操作數(shù)據(jù)存在有方向盤操作量、加速器踏板 操作量、制動(dòng)器踏板操作量、車間距離維持范圍量、其他數(shù)據(jù)。該駕駛者 操作數(shù)據(jù)成為使用生成的駕駛者模型推定的駕駛行動(dòng)(特征量x的推定值)
的情況居多。因此,獲得與生成的駕駛者模型的數(shù)目對(duì)應(yīng)的數(shù)目的駕駛者 操作數(shù)據(jù)。例如,在生成加速器踏板操作用駕駛者模型、和駕駛操作用加 速器模型的情況下,獲得加速器踏板操作量和制動(dòng)器踏板操作量。
另外,在生成加速器操作和制動(dòng)器操作共用的駕駛者模型的情況下也 獲得兩者。
對(duì)在行駛數(shù)據(jù)獲得部102獲得的行駛數(shù)據(jù)來說,可以一并獲得預(yù)先測(cè) 定并保存的行駛數(shù)據(jù),另外,在駕駛者實(shí)際駕駛的期間按規(guī)定的樣本時(shí)間 依次獲得檢測(cè)的數(shù)據(jù)也可。
同時(shí)概率密度分布計(jì)算部103 (圖3)將獲得的行駛數(shù)據(jù)作為學(xué)習(xí)數(shù)
據(jù),計(jì)算高斯混合模型中的同時(shí)概率密度分布。
將基于該同時(shí)概率密度分布計(jì)算部103的計(jì)算的結(jié)果得到的同時(shí)概率 密度函數(shù)參數(shù)(人i, 一>^, &}與在駕駛者信息獲得部101獲得的駕駛者
ID建立對(duì)應(yīng)關(guān)系,將其儲(chǔ)存于同時(shí)概率密度函數(shù)參數(shù)存儲(chǔ)部104。
還有,儲(chǔ)存的同時(shí)概率密度函數(shù)參數(shù)儲(chǔ)存為能夠區(qū)別誰的(駕駛者
ID)、對(duì)什么(推定的駕駛行動(dòng))的駕駛者模型。
圖5是表示基于這樣構(gòu)成的駕駛者模型生成部10的駕駛者模型生成 處理的流程圖。
在駕駛者信息獲得部101獲得駕駛者信息(步驟10),在行駛數(shù)據(jù)獲 得部102 —并或依次獲得行駛數(shù)據(jù)(步驟11)。
還有,步驟10和步驟11的順序可以相反,也可以并列。
其次,在同時(shí)概率密度分布計(jì)算部103中,將獲得行駛數(shù)據(jù)作為學(xué)習(xí) 數(shù)據(jù),計(jì)算同時(shí)概率密度分布(步驟12),將同時(shí)概率密度函數(shù)參數(shù)作為 駕駛者模型,將其與駕駛者信息建立對(duì)應(yīng)關(guān)系,將其儲(chǔ)存于同時(shí)概率密度 函數(shù)參數(shù)存儲(chǔ)部104 (步驟13),結(jié)束處理。
在圖3中,駕駛行動(dòng)推定部ll具備駕駛者信息獲得部lll;行駛數(shù)
據(jù)獲得部112;駕駛者模型選擇部113;最大事后概率計(jì)算部114;及特征
量X的推定值輸出部115。
駕駛者信息獲得部111獲得用于確定駕駛者模型的對(duì)象的駕駛者ID。 該駕駛者信息主要通過駕駛者(駕駛者本人或其他操作人)的輸入來獲得。
還有,將駕駛者(駕駛者)的體重或身高以及能夠確定駕駛者的信息 作為駕駛者信息,并將其與駕駛者ID建立對(duì)應(yīng)關(guān)系并保存,獲得駕駛者 信息,由此確定駕駛者ID也可。
行駛數(shù)據(jù)獲得部112獲得在將使用的駕駛者模型由駕駛者模型生成 部10生成時(shí)使用的行駛數(shù)據(jù)(N種特征量)中除了由該駕駛者模型推定 的駕駛行動(dòng)(特征量x)的行駛數(shù)據(jù)(N—l種特征量)。
駕駛者模型選擇部113基于在駕駛者信息獲得部111獲得的駕駛者 ID、以及在行駛數(shù)據(jù)獲得部112獲得的行駛數(shù)據(jù),從同時(shí)概率密度函數(shù)參 數(shù)存儲(chǔ)部104選擇適用的駕駛者模型(同時(shí)概率密度函數(shù)參數(shù))。
最大事后概率計(jì)算部114將在行駛數(shù)據(jù)獲得部112獲得的行駛數(shù)據(jù)適
用于在駕駛者模型選擇部113選擇的駕駛者模型,使用上述式(1)、 (2) 等計(jì)算最大事后概率。
特征量X的推定值輸出部115將在最大事后概率計(jì)算部114計(jì)算的值 作為特征量x的推定值輸出。
圖6是表示使用生成的駕駛者模型推定特定的駕駛行動(dòng)的處理的流程圖。
首先,在駕駛者信息獲得部lll獲得駕駛者信息(步驟20)。
還有,在行駛數(shù)據(jù)獲得部112中,獲得當(dāng)前時(shí)點(diǎn)(時(shí)刻t)時(shí)的行駛
數(shù)據(jù)(步驟21)。在此獲得的行駛數(shù)據(jù)是除了特征量x以外的N—l種行
駛數(shù)據(jù)。
還有,步驟20和步驟21的順序可以相反,也可以并行處理。
還有,按照駕駛者信息及行駛數(shù)據(jù),從同時(shí)概率密度函數(shù)參數(shù)存儲(chǔ)部
104選擇對(duì)應(yīng)的同時(shí)概率密度函數(shù)參數(shù)(駕駛者模型)而讀入(步驟22)。 還有,為了選擇駕駛者模型,不使用行駛數(shù)據(jù),從駕駛者信息中選擇
駕駛者模型也可。在這種情況下,在行駛數(shù)據(jù)的獲得前選擇駕駛者模型也可。
另外,有時(shí)通過使用駕駛行動(dòng)推定裝置的裝置、例如,后述的自動(dòng)追 隨駕駛裝置(ACC裝置)預(yù)先選擇駕駛者模型,在那種情況下,步驟20 和步驟22可以根據(jù)需要省略。
其次,在最大事后概率計(jì)算部114中,將獲得的行駛數(shù)據(jù)適用于選擇 的駕駛者模型,計(jì)算最大事后概率(步驟23)。
關(guān)于最大事后概率的計(jì)算,若推定的駕駛行動(dòng)(特征量x)為加速器 操作量,則利用上述式(1),若為制動(dòng)器操作量,則利用式(2)。
還有,將計(jì)算的最大事后概率計(jì)算部114中的計(jì)算結(jié)果從特征量X的 推定值輸出部115作為基于其駕駛者模型的時(shí)刻t中的特征量x的推定值 輸出(步驟24),返回主程序。 (3)駕駛支援裝置
其次,對(duì)使用了以上說明的駕駛行動(dòng)推定裝置的應(yīng)用例即駕駛支援裝 置進(jìn)行說明。
該駕駛支援裝置是追隨于前方車輛,進(jìn)行自動(dòng)追隨行駛(ACC)的裝
置。在該駕駛支援裝置中,通過使用由駕駛中的駕駛者的行駛數(shù)據(jù)生成的
駕駛者模型,對(duì)ACC運(yùn)行時(shí)的車間距離、加速器操作、制動(dòng)器操作進(jìn)行 自動(dòng)操作,進(jìn)行接近駕駛者自己駕駛的行駛感覺的ACC,消除駕駛者的不 舒適感。
(4)駕駛支援裝置的概要
在駕駛者進(jìn)行駕駛時(shí)分別有習(xí)慣。在以往的ACC運(yùn)行中,單純?yōu)榱?保持車速或車間距離為恒定值而進(jìn)行自動(dòng)行駛,因此,調(diào)節(jié)車速時(shí)、車間 距離或與前方車輛的距離時(shí)的加速器*制動(dòng)器的使用方法與自己(駕駛者) 的習(xí)慣不同,存在感覺到不舒適感的問題。
在本實(shí)施方式的駕駛支援裝置中,通過能夠運(yùn)行ACC的狀態(tài)下的駕 駛者的實(shí)際的駕駛操作將行駛數(shù)據(jù)作為學(xué)習(xí)數(shù)據(jù)預(yù)先生成駕駛者模型。由 此,在生成的駕駛者模型中反映車速和車間距離的關(guān)系、或距離調(diào)節(jié)時(shí)的 加速器或制動(dòng)器的操作量等該駕駛者的駕駛操作的習(xí)慣。
艮卩,通過駕駛者的通常的駕駛,將與駕駛者的車間維持操作有關(guān)的習(xí) 慣作為駕駛者模型學(xué)習(xí)并保存。
生成的駕駛者模型將自車數(shù)據(jù)(加速器操作量、制動(dòng)器操作量、車 速、……)、前方車輛數(shù)據(jù)(車間距離、相對(duì)速度、車種、……)、道路環(huán) 境數(shù)據(jù)(周圍的亮度、直視、溝道、降雨量、路面P、行車線寬度、道路 的混雜情況、其他)這三個(gè)信息建立關(guān)系而生成。
道路環(huán)境數(shù)據(jù)中除了周邊的地理信息外,還包括周圍的亮度或天氣路 面狀況、道路的混雜情況等TPO中變化的信息。
這些通過表(時(shí)刻)或前照燈開關(guān)、刮水器開關(guān)等推定周圍的亮度、 降雨?duì)顩r。
另外,搭載照度計(jì)或降雨傳感器、以及路面M檢測(cè)傳感器、行車線識(shí) 別裝置、觀察周圍的混雜情況的各種傳感器、圖像識(shí)別裝置等,主動(dòng)獲得 前方車輛的車種等周圍的信息也可,從網(wǎng)路上獲得天氣預(yù)報(bào)或VICS信息等。
還有,若執(zhí)行ACC (自動(dòng)追隨行駛中),則通過與通常的ACC同樣地 監(jiān)視、維持與前方車輛的車間距離,駕駛者從加速器操作被解放。
通過將該推定值作為基礎(chǔ),沿車間距離維持范圍推定量進(jìn)行車間距離 調(diào)節(jié),沿加速器操作推定量控制發(fā)動(dòng)機(jī)節(jié)流閥、制動(dòng)器,迸行車輛的自動(dòng) 追隨行駛。
在此,車間距離維持范圍推定量是指由駕駛者在近似于現(xiàn)狀的場(chǎng)景 中,通常在與前方車輛之間維持的車間距離算出,由此反映駕駛者嗜好的 該場(chǎng)景中的車間距離的范圍。
加速器操作推定量是指由通常在駕駛者近似于現(xiàn)狀的場(chǎng)景中調(diào)節(jié)車 間距離時(shí)進(jìn)行的加速器操作算出,由此,反映駕駛者嗜好的所述場(chǎng)景下的 縮短與前方車輛的距離長(zhǎng)時(shí)的距離的做法(迅速追趕、緩慢追趕等)。
制動(dòng)器操作推定量是指由通常在駕駛者近似于現(xiàn)狀的場(chǎng)景中調(diào)節(jié)車 間距離時(shí)進(jìn)行的制動(dòng)器操作算出,由此,反映駕駛者嗜好的所述場(chǎng)景下的 留出與前方車輛的距離縮短時(shí)的距離的做法(迅速留出、緩慢留出等)。
這樣,通過再現(xiàn)駕駛者的習(xí)慣的操作,進(jìn)行車間距離維持,能夠減少 駕駛者感覺到的不舒適感。
另外,也能夠再現(xiàn)對(duì)于周圍的亮度或天氣、路面狀況等外在要因變化 的車間距離的釆用方法的習(xí)慣,形成為更接近駕駛者的感性的系統(tǒng)。 (5)駕駛行動(dòng)推定裝置的詳細(xì)
圖7表示適用了駕駛行動(dòng)推定裝置的駕駛支援裝置的結(jié)構(gòu)。
駕駛支援裝置具備行駛數(shù)據(jù)獲得部12、加速器部13、制動(dòng)器部14、
ECU (電子控制裝置)15、 ACC開關(guān)16、導(dǎo)航裝置17。
還有,關(guān)于利用圖7說明的駕駛支援裝置的結(jié)構(gòu),不需要其全部,對(duì) 能夠?yàn)榱诉M(jìn)行自動(dòng)追隨行駛而使用的各部或裝置進(jìn)行了說明,能夠根據(jù)采 用的駕駛支援裝置的功能等,適當(dāng)選擇,構(gòu)成駕駛支援裝置。
行駛數(shù)據(jù)獲得部12具備檢測(cè)自車輛的車速的車速傳感器120;檢測(cè) 與前方車輛的車間距離的車間距離傳感器121;攝像車輛的前方的攝像裝 置122; GPS+車車間通信測(cè)距部123;道路環(huán)境信息收集部124。
GPS+車車間通信測(cè)距部123用GPS裝置確定自車輛的位置(緯度、 經(jīng)度),并且,通過與前方車輛的車車間通信,接受前方車輛的坐標(biāo)值(緯 度、經(jīng)度),由此算出兩個(gè)車輛間的車間距離。
道路環(huán)境信息收集部124從前照燈開關(guān)、刮水器開關(guān)、路面p檢測(cè)傳
感器、行車線識(shí)別裝置、VICS、車輛周邊監(jiān)視傳感器、其他裝置、各部收 集道路環(huán)境信息。
加速器部13具備加速器踏板131;加速器踏板位置傳感器132;發(fā)
動(dòng)機(jī)節(jié)流閥控制裝置133。
制動(dòng)器部14具備制動(dòng)器踏板141;制動(dòng)器踏板位置傳感器142;制
動(dòng)器控制裝置143;剎車燈144。
ECU15具備前方車輛識(shí)別'追蹤部151; ACC可否判斷部152;駕
駛者模型生成部153; ACC處理部154。
ACC處理部154具備車間距離監(jiān)視 維持部154a;加速器操作部
154b;制動(dòng)器操作部154c;駕駛行動(dòng)推定部154d。
在駕駛行動(dòng)推定部154d中,算出車間距離維持范圍、加速器操作、
制動(dòng)器操作的各推定值。
ECU15包括具備CPU、 ROM、 RAM、接口的各部的計(jì)算機(jī)系統(tǒng)構(gòu)成。 ACC開關(guān)16是駕駛者選擇是否執(zhí)行ACC行駛的開關(guān)。 在該ACC開關(guān)16為關(guān)閉的情況下,生成駕駛者模型。 另外,在ACC開關(guān)16為打開的情況下,使用生成的駕駛者模型,推
定駕駛操作量,進(jìn)行對(duì)應(yīng)于推定量的自動(dòng)追隨行駛。
導(dǎo)航裝置17具備當(dāng)前位置檢測(cè)部171;地圖信息172。
還有,當(dāng)前位置檢測(cè)部171利用GPS信號(hào)接收裝置等檢測(cè)車輛的當(dāng)前
位置(緯度、經(jīng)度),并作為行駛數(shù)據(jù)獲得部12的GPS發(fā)揮功能。 以下,說明這樣構(gòu)成的駕駛支援裝置中的動(dòng)作。 圖8表示ACC用駕駛者模型的自動(dòng)生成處理。 首先,ECU15判斷ACC開關(guān)16是否為關(guān)閉(步驟31)。 在ACC開關(guān)16為打開(即,步驟31;否)的情況下,由駕駛者要求
ACC行駛,因此,不生成駕駛者模型,監(jiān)視ACC開關(guān)16關(guān)閉的情況。 另一方面,在ACC開關(guān)16為關(guān)閉的情況下(步驟31;是),ECU15
判斷能否識(shí)別前方車輛(步驟32)。
關(guān)于前方車輛的識(shí)別,能夠在前方車輛識(shí)別 追蹤部151中識(shí)別,且
用車間距離傳感器121檢測(cè)出與前方車輛的距離的情況下,判斷為能夠識(shí)
別。前方車輛識(shí)別'追蹤部151中的前方車輛的識(shí)別、追蹤通過由攝像裝
置122攝像的前方車輛的攝像圖像來進(jìn)行。
在不能識(shí)別前方車輛的情況下(步驟32;否),得不到車間距離數(shù)據(jù),
不能生成ACC用駕駛者模型,因此,返回步驟31。
另一方面,在能夠識(shí)別前方車輛的情況下(步驟32;是),然后,ECU15 通過導(dǎo)航裝置17的地圖信息判斷是否為能夠進(jìn)行ACC運(yùn)行的場(chǎng)景。例如, 在高速公路或首都高速上行駛中的情況下,收費(fèi)道路或迂回道路上沒有規(guī) 定距離的間隔(間合L、)通車線的道路上行駛的情況下,判斷為能夠進(jìn)行 ACC運(yùn)行的道路上行駛中。
ECU15在不是能夠迸行ACC運(yùn)行的場(chǎng)景(步驟33;否)的情況下, 返回步驟31,重復(fù)處理。
另一方面,只要是能夠進(jìn)行ACC運(yùn)行的場(chǎng)景(步驟33;是),ECU15 執(zhí)行圖5中說明的駕駛者模型生成處理(步驟34),結(jié)束處理。
在該駕駛者模型生成處理中,生成車間距離維持范圍用駕駛者模型、 加速器操作用駕駛者模型、制動(dòng)器操作用駕駛者模型。
這樣,在本實(shí)施方式的駕駛支援裝置中,只要打開ACC開關(guān)16,則 基于實(shí)際執(zhí)行ACC行駛的環(huán)境中的實(shí)際的駕駛狀態(tài),自動(dòng)生成駕駛者模 型,因此,生成的駕駛者模型反映車速和車間距離的關(guān)系、或調(diào)節(jié)距離時(shí) 的加速器或制動(dòng)器的操作量等所述駕駛者的駕駛操作的習(xí)慣。
以下,使用如上所述地生成的各駕駛者模型,對(duì)實(shí)際執(zhí)行的ACC運(yùn) 行的情況的運(yùn)行進(jìn)行說明。
圖9是表示ACC處理的動(dòng)作的流程圖。
ECU15監(jiān)視ACC開關(guān)16是否已打開(步驟41)。
若檢測(cè)到ACC開關(guān)16的打開(步驟41;是),ECU15收集道路環(huán)境 信息(步驟42)、在此,ECU15收集的道路環(huán)境信息是在駕駛者模型生成 處理(步驟34)中使用的行駛數(shù)據(jù)中除了推定的操作量(加速器操作量、 制動(dòng)器操作量、及車間距離維持范圍推定量)之外的行駛數(shù)據(jù)。
其次,ECU15在前方車輛識(shí)別'追蹤部151中,判斷能否識(shí)別應(yīng)追隨 的前方車輛(步驟43)。
在不能識(shí)別前方車輛的情況下(步驟43:否),不能維持自動(dòng)追隨行 駛,因此,打開ACC開關(guān)16,并且,將該意思通過聲音或圖像告知駕駛
者(步驟44),結(jié)束處理。
另一方面,若能夠識(shí)別前方車輛(步驟43;是),則ECU15執(zhí)行圖6 中說明的駕駛行動(dòng)推定處理(步驟45),算出車間距離維持范圍推定量、 加速器操作推定量、制動(dòng)器操作推定量。
還有,判斷當(dāng)前的車間距離(步驟46),若在車間距離調(diào)節(jié)范圍內(nèi), 則ECU15維持現(xiàn)狀的加速器開度(步驟37)。
另一方面,若車間距離為車間距離調(diào)節(jié)范圍以下,則ECU15按照在 制動(dòng)器操作用駕駛者模型中推定的制動(dòng)器的推定值,控制制動(dòng)器控制裝置 143 (步驟48)。
另外,若車間距離為車間距離調(diào)節(jié)范圍以上,則ECU15按照在加速 器操作用駕駛者模型中推定的加速器的推定值,控制發(fā)動(dòng)機(jī)節(jié)流閥控制裝 置133 (步驟49)。
接著,ECU15判斷ACC開關(guān)16是否已關(guān)閉(步驟50),若沒有關(guān)閉 (步驟50;否),則返回步驟42,繼續(xù)ACC驅(qū)動(dòng),若已關(guān)閉(步驟50; 是),則結(jié)束處理。
這樣根據(jù)本實(shí)施方式的駕駛支援裝置,生成反映了車速和車間距離的 關(guān)系、或調(diào)節(jié)距離時(shí)的加速器或制動(dòng)器的操作量等其駕駛者的駕駛操作的 習(xí)慣的駕駛者模型,基于通過該駕駛者模型推定的加速器操作量、制動(dòng)器 操作量、車間距離調(diào)節(jié)范圍,操作加速器(發(fā)動(dòng)機(jī)節(jié)流閥)或制動(dòng)器,因 此,實(shí)現(xiàn)接近駕駛者的行駛感覺的ACC。 (6)車輛評(píng)價(jià)系統(tǒng)
其次,對(duì)使用了說明的駕駛行動(dòng)推定裝置的第二應(yīng)用例即車輛評(píng)價(jià)系 統(tǒng)進(jìn)行說明。
該車輛評(píng)價(jià)系統(tǒng)在各種車輛行駛性能或行駛條件下,基于職業(yè)駕駛者 或普通駕駛者等多個(gè)駕駛者實(shí)際行駛時(shí)的行駛數(shù)據(jù),生成駕駛者模型。
還有,在該車輛評(píng)價(jià)系統(tǒng)中,不是通過實(shí)際駕駛車輛來進(jìn)行車輛的性 能評(píng)價(jià),而是將使用駕駛者模擬器展開的假想行駛通過使用生成的駕駛者 模型的推定值(方向盤操作量、加速器踏板的操作量、制動(dòng)器踏板的操作 量等)進(jìn)行操作來評(píng)價(jià)車輛的加速性能、減速性能、操縱性能、穩(wěn)定行駛 性能等各種項(xiàng)目。(7)車輛評(píng)價(jià)系統(tǒng)的詳細(xì)
圖io表示車輛評(píng)價(jià)系統(tǒng)的概要。
該圖10所示的車輛評(píng)價(jià)系統(tǒng)具備用于推定駕駛者的踏板操作量的
基于GMM的駕駛者模型19;基于推定的踏板操作量算出自車的加速度a (t)的車輛動(dòng)力計(jì)算部20;使用自車的加速度a (t)和先行車輛的位置 更新車速v (t)和車間距離F (t)的行駛環(huán)境更新部21;計(jì)算車速v (t) 和車間距離F (t)的一次、二次變化量(動(dòng)態(tài)特征量)的動(dòng)態(tài)特征量計(jì)算 部22。
駕駛者模型19使用通過使用實(shí)際行駛或駕駛者模擬器等測(cè)定的行駛 數(shù)據(jù),由職業(yè)駕駛者或普通駕駛者等視為對(duì)作為評(píng)價(jià)對(duì)象的車輛的目標(biāo)用 戶的總集合的駕駛者(例如,100例)的行駛數(shù)據(jù),生成多個(gè)駕駛者模型。
作為駕駛者模型,生成加速器用駕駛者模型192、和制動(dòng)器用駕駛者 模型193,用適用判斷部191判斷并選擇適用其中哪一個(gè)。
還有,除了加速器用駕駛者模型192及制動(dòng)器用駕駛者模型193以外, 生成用于推定駕駛者的方向盤操縱量的方向盤用駕駛者模型,設(shè)為用適用 判斷部191還能夠選擇駕駛者用駕駛者模型。
駕駛者模型19是駕駛行動(dòng)推定裝置適用,并接受車速或車間距離所 謂的特征量及動(dòng)態(tài)特征量,指定駕駛者可能操作的加速器踏板和制動(dòng)器踏 板的值的部分。在該駕駛者模型19中,如用駕駛行動(dòng)推定裝置進(jìn)行的說 明,駕駛者將基于當(dāng)前的車速、車間距離、及這些的一次、二次動(dòng)態(tài)特征 量,確定加速器踏板和制動(dòng)器踏板的操作量的假設(shè)作為基礎(chǔ)。
在車輛動(dòng)力計(jì)算部20中,由某時(shí)刻t時(shí)的加速器踏板操作量G (t) 和制動(dòng)器踏板操作量B (t)、及之前一個(gè)時(shí)刻的車速V (t—l),使用車輛 模型(與作為評(píng)價(jià)對(duì)象的車輛有關(guān)的車輛重量、發(fā)動(dòng)機(jī)性能、制動(dòng)器性能、 齒輪比等車輛性能數(shù)據(jù)),算出加車速。
在車輛模型中,參考使用于學(xué)習(xí)數(shù)據(jù)的收錄的駕駛模擬器的捏不的模 型安裝了 MATLAB (以FORTRAN為基礎(chǔ),可強(qiáng)力處理矩陣運(yùn)算的計(jì)算
機(jī)語言)。
在該車輛系統(tǒng)中,考慮齒輪比或車重、道路的摩擦系數(shù)等,計(jì)算車輛 的加車速。
在行駛環(huán)境更新部21中,使用從車輛動(dòng)力計(jì)算部20輸入的時(shí)刻t時(shí) 的加速度a (t),計(jì)算接下來的時(shí)刻(t+l)的車速V (t+l)、車間距離F (t+l),并更新。
接下來的時(shí)刻(t+l)時(shí)的車速和車間距離通過如下計(jì)算。
V(t+l)=V(t)+a(t) XT F(t+l)=Df(t+lHDm(t) +V(t+1) XT)
其中,a (t)表示從車輛動(dòng)力計(jì)算部20輸出的加車速,Df (t)表示 時(shí)刻t為止的前方車輛的行駛距離,Dm (t)表示時(shí)刻t為止的自車輛的行 駛距離。
另外,T是系統(tǒng)的更新時(shí)間(樣本周期),在本實(shí)施方式中為T=0.1秒。 另外,為了計(jì)算車間距離,通過先行車的各時(shí)刻時(shí)的行駛距離,求出
所述先行車的時(shí)刻t時(shí)的行駛距離和自車的行駛距離之差,由此算出車間距離。
圖11表示駕駛行動(dòng)推定裝置的結(jié)構(gòu)。
如圖11所示,駕駛行動(dòng)推定裝置包括使用于評(píng)價(jià)的數(shù)據(jù)、評(píng)價(jià)的 執(zhí)行部、和評(píng)價(jià)結(jié)果數(shù)據(jù)。
作為使用數(shù)據(jù),使用車輛性能數(shù)據(jù)25、評(píng)價(jià)用駕駛者模型26、模擬 執(zhí)行用數(shù)據(jù)27、車道模型28,作為評(píng)價(jià)結(jié)果數(shù)據(jù),輸出及存儲(chǔ)行駛評(píng)價(jià) 數(shù)據(jù)36。
作為評(píng)價(jià)的執(zhí)行部,具備道路數(shù)據(jù)展開部29;行駛環(huán)境展開部30; 行駛行動(dòng)推定部31;車輛動(dòng)力計(jì)算部32;模擬行駛處理部34;行駛性能
評(píng)價(jià)部35,這些利用由CPU、 ROM、 RAM等構(gòu)成的計(jì)算機(jī)系統(tǒng)構(gòu)成。
車輛性能數(shù)據(jù)25是作為評(píng)價(jià)對(duì)象的車輛的性能數(shù)據(jù),如圖12 (a)所 示,由車輛重量、發(fā)動(dòng)機(jī)性能、制動(dòng)器性能、齒輪比、懸簧常數(shù)等各數(shù)據(jù) 構(gòu)成。
評(píng)價(jià)用駕駛者模型26使用在上述駕駛行動(dòng)推定裝置中生成的各駕駛 者模型。
模擬執(zhí)行用數(shù)據(jù)27如圖12 (b)所示,是假想空間上展開的行駛狀況
數(shù)據(jù),由車速、車間距離、天氣、擁堵的有無等構(gòu)成。該行駛狀況數(shù)據(jù)使 用按時(shí)刻t-tl、 t2、 t3……的數(shù)據(jù)作為時(shí)序的數(shù)據(jù)。
車道模型28如圖12 (c)所示,是與在假想空間上展開的測(cè)試行駛道 路有關(guān)的數(shù)據(jù)。
若比較評(píng)價(jià)執(zhí)行部、和圖10中說明的駕駛行動(dòng)推定裝置,則行駛行 動(dòng)推定部31相當(dāng)于駕駛者模型19,車輛動(dòng)力計(jì)算部32相當(dāng)于車輛動(dòng)力計(jì) 算部20,模擬行駛處理部34及行駛環(huán)境展開部30相當(dāng)于行駛環(huán)境更新部 21及動(dòng)態(tài)特征量計(jì)算部22。
其次,說明這樣構(gòu)成的車輛評(píng)價(jià)系統(tǒng)中的車輛的設(shè)計(jì)評(píng)價(jià)處理。
圖13表示設(shè)計(jì)評(píng)價(jià)處理的動(dòng)作的流程圖。
圖從車輛性能數(shù)據(jù)25輸入車輛動(dòng)力計(jì)算部32 (步驟61),將車輛動(dòng) 力模型在模擬空間中展開(步驟62)。
接著,向道路數(shù)據(jù)展開部29輸入車道模型28 (步驟63),向行駛環(huán) 境展開部30輸入模擬執(zhí)行用數(shù)據(jù)27 (步驟64),由此在模擬空間展開模 擬執(zhí)行環(huán)境(步驟65)。
還有,向行駛行動(dòng)推定部31輸入評(píng)價(jià)用駕駛者模型26,從1=0開始 輸入模擬行駛的執(zhí)行(步驟67)。
接著,在行駛行動(dòng)推定部31由時(shí)刻t時(shí)的行駛環(huán)境數(shù)據(jù)(行駛數(shù)據(jù)) 計(jì)算駕駛者行動(dòng)推定值(加速器踏板操作量G (t)和制動(dòng)器踏板操作量B (t))(步驟68)。
還有,在車輛動(dòng)力計(jì)算部32中,由時(shí)刻t時(shí)的加速器踏板操作量G(t) 和制動(dòng)器踏板操作量B (t)、及之前一個(gè)時(shí)刻的車速V (t—l),使用齒輪 比或車重、道路的摩擦系數(shù)等車輛性能數(shù)據(jù)25,計(jì)算加速度a (t)等車輛 行駛推定數(shù)據(jù)33。
計(jì)算的車輛行駛推定數(shù)據(jù)33除了加速度a (t)之外,還是如圖12 (d) 所示的自車速度、車間距離、重心位置、輪胎角、橫擺率、縱搖率等。
還有,在模擬行駛處理部34中,使用由車輛動(dòng)力計(jì)算部32計(jì)算的時(shí) 刻t時(shí)的車輛行駛推定數(shù)據(jù)33,計(jì)算接下來的時(shí)刻(t+l)的車速V(t+l)、 車間距離F (t+l),并更新(步驟70)。
另外,用模擬行駛處理部34計(jì)算t=t+l的車輛行駛推定數(shù)據(jù)33 (步驟
71)。
還有,在行駛環(huán)境展開部30由車輛行駛推定數(shù)據(jù)33更新t=t+l的模 擬執(zhí)行環(huán)境(步驟72),在行駛性能評(píng)價(jià)部35計(jì)算 存儲(chǔ)(步驟73)對(duì) 道路數(shù)據(jù)的行駛軌跡。
還有,判斷關(guān)于模擬執(zhí)行用數(shù)據(jù)27的時(shí)刻to為止的總數(shù)據(jù)的模擬行 駛處理結(jié)束與否(步驟74),若沒有結(jié)束(步驟74;否),則返回步驟68, 繼續(xù)使用了駕駛者模型的模擬。
在時(shí)刻tn為止的處理已結(jié)束的情況下(步驟74;是),由行駛性能評(píng) 價(jià)部35輸出行駛評(píng)價(jià)數(shù)據(jù),結(jié)束處理(步驟75)。
作為從行駛性能評(píng)價(jià)部35輸出的行駛評(píng)價(jià)數(shù)據(jù),如圖12 (e)所示, 作為加速性能輸出對(duì)加速器開度的加速曲線,作為減速性能輸出對(duì)制動(dòng)器 操作量的減速曲線,作為操縱性能輸出對(duì)方向盤操作量的行駛曲線,作為 穩(wěn)定性行駛性能,輸出對(duì)道路方向的行駛軌跡等。 (8)模擬實(shí)驗(yàn)
(8 — 1)基于GMM的駕駛者模型的學(xué)習(xí) 為了GMM的學(xué)習(xí),使用駕駛模擬器,收錄駕駛數(shù)據(jù)。 道路為直線,為了使學(xué)習(xí)數(shù)據(jù)帶有變化,采用先行車的行跡數(shù)據(jù),以
使所有的車速出現(xiàn)。
另外,進(jìn)行兩次10分鐘的行駛,將兩次的量作為學(xué)習(xí)數(shù)據(jù)。
圖14 (a)中示出先行車的行跡,圖14 (b)中示出收錄的駕駛數(shù)據(jù)。
由于考慮了先行車的行跡的變化,因此可知,所有的車速出現(xiàn)。加速
器踏板操作和制動(dòng)器操作的各自的模型學(xué)習(xí)為具有全角共同分散行列的
16混合的多維混合正規(guī)分布(GMM)。 (8—2)模擬結(jié)果和考察 為了評(píng)價(jià)構(gòu)筑的車輛評(píng)價(jià)系統(tǒng),準(zhǔn)備學(xué)習(xí)數(shù)據(jù)中不包含的先行車的行
跡,將其收錄。
道路為直線,先行車的行跡使用在實(shí)際環(huán)境中收錄的行跡。圖14 (c) 中示出用于評(píng)價(jià)而使用的先行車的行跡。
使用該先行車的數(shù)據(jù),生成駕駛行動(dòng),比較實(shí)際的駕駛數(shù)據(jù)。模擬條 件如下所述。
學(xué)習(xí)數(shù)據(jù);20分鐘(兩次10分鐘)
特征量;V、 F、 G、 AV、 AG、 A AV、 AAF
道路;直線
A窗寬度;0.8秒
混合數(shù);16
更新時(shí)間;0.1秒
圖15表示在以上的條件下使用了本實(shí)施方式的車輛評(píng)價(jià)系統(tǒng)的模擬 結(jié)果。
圖15是車速的結(jié)果(a)、車間距離的結(jié)果(b)、及加速器踏板的結(jié)果 (c),實(shí)線是模擬結(jié)果,虛線表示實(shí)際的數(shù)據(jù)。
如圖15所示,例如,認(rèn)為關(guān)于加速器踏板操作,良好地捕捉實(shí)際的 駕駛操作信號(hào)的波形的特征,良好地進(jìn)行了基于GMM的模型化。
以上,對(duì)本發(fā)明的駕駛行動(dòng)推定裝置、駕駛支援裝置、車輛評(píng)價(jià)系統(tǒng) 中的第一實(shí)施方式進(jìn)行了說明,但本發(fā)明不限定于說明的實(shí)施方式,能夠 在各請(qǐng)求范圍中記載的范圍內(nèi)進(jìn)行各種變更。
例如,在說明的實(shí)施方式中,基于GMM的駕駛者模型由學(xué)習(xí)數(shù)據(jù)學(xué) 習(xí)車速或車間距離所謂的信號(hào)和駕駛行動(dòng)信號(hào)的關(guān)系,因此,若成為學(xué)習(xí) 數(shù)據(jù)中沒有的條件(分布的末端),則不能良好地進(jìn)行踏板操作量的推定。
例如,在追蹤行駛中,超過100m的車間距離或lm所謂的車間距離 中的行駛不包含在學(xué)習(xí)數(shù)據(jù)中,在成為不包含于這樣的學(xué)習(xí)數(shù)據(jù)的條件的 情況下,不能良好地進(jìn)行推定,其結(jié)果,持續(xù)遠(yuǎn)離先行車,或沖撞。
因此,為了避免這樣的狀況,設(shè)定如下也可,即在車間距離為L(zhǎng)l 以下(例如,2m以下)時(shí),不進(jìn)行基于駕駛者模型的推定,施加全制動(dòng), 在車間距離為L(zhǎng)2以上(例如,100以上)的情況下,將加速器踩踏至全開。
其次,參照?qǐng)D16 圖36,詳細(xì)說明本發(fā)明的駕駛者模型生成裝置及 駕駛支援裝置中適合的第二實(shí)施方式。 (9)第二實(shí)施方式的概要
在本實(shí)施方式中,通過檢測(cè)駕駛者的生物體信息,識(shí)別是否為駕駛者 的平常狀態(tài)。還有,在駕駛者的駕駛中,收集駕駛狀態(tài)的數(shù)據(jù)(自車輛信
息、例如,加速器、制動(dòng)器、轉(zhuǎn)向的操作量、車速、車間距離、加速度等), 提取該駕駛狀態(tài)數(shù)據(jù)中的駕駛者以平常狀態(tài)駕駛的部分,生成駕駛者模 型。
由此,能夠在駕駛者沒有意識(shí)到的情況下,自動(dòng)生成正常時(shí)的駕駛者 模型。
另外,僅將基于駕駛者的生物體信息以正常狀態(tài)駕駛的情況作為正常 時(shí)的駕駛行動(dòng),生成駕駛者模型,因此,能夠形成為更高精度的空檔的駕 駛者模型。
在本實(shí)施方式中,例如,像在單程三車道的公路上,在信號(hào)為綠的交 叉點(diǎn)從右轉(zhuǎn)彎專用車道線右轉(zhuǎn)彎的情況下,有對(duì)向車,人行橫道有行人的 情況下一樣,按行駛中的自車輛周邊環(huán)境的各場(chǎng)面(狀況)生成駕駛者模 型。
另外,通過實(shí)時(shí)比較由生成的駕駛者模型推定的正常時(shí)的駕駛行動(dòng)、 和當(dāng)前的駕駛者的駕駛行動(dòng),監(jiān)視當(dāng)前的駕駛者的駕駛行動(dòng)是否為"按通 常",或遺漏(遺脫)。
作為比較"通常的"駕駛和當(dāng)前的駕駛時(shí)的指標(biāo),例如,使用駕駛者 的"反應(yīng)速度"和"不穩(wěn)"。
進(jìn)而,在本實(shí)施方式中,不僅基于駕駛者模型評(píng)價(jià)駕駛行動(dòng)的變化, 而且還添加生物體信息的變化,由此復(fù)合判斷表示駕駛者的狀態(tài)的信息, 更高精度地檢測(cè)駕駛者的疲勞或注意力的降低。
其結(jié)果,在從駕駛者原本的駕駛行動(dòng)有遺漏的情況下,對(duì)此進(jìn)行注意 提醒、警告或信息提示,由此能夠進(jìn)行與該人匹配的安全駕駛支援。
另外,能夠檢測(cè)發(fā)現(xiàn)明顯的疲勞或注意力的降低之前的前兆階段的駕 駛者狀態(tài),能夠預(yù)先在疲勞達(dá)到高峰之前進(jìn)行催促休息等高度的引導(dǎo)。
在本實(shí)施方式中,與第一實(shí)施方式相同地,駕駛者模型中使用GMM (高斯混合模型),由此能夠按各駕駛者每一人簡(jiǎn)便地生成駕駛者模型, 進(jìn)而,通過最大化帶有條件的概率的計(jì)算,容易地推定并輸出駕駛操作行動(dòng)。
艮P,本實(shí)施方式的駕駛者模型生成裝置、駕駛支援裝置、及駕駛行動(dòng) 判定裝置中,將以由加速器操作量、轉(zhuǎn)向的操作量、車間距離、加速度等
多種特征量構(gòu)成的學(xué)習(xí)數(shù)據(jù)作為學(xué)習(xí)數(shù)據(jù),利用EM (Expectation Maximization)算法算出的高斯混合模型作為駕駛者模型采用。
該高斯混合模型由利用EM算法計(jì)算同時(shí)概率密度分布而得到的同時(shí) 概率密度函數(shù)的參數(shù)構(gòu)成,根據(jù)需要,按各駕駛者每一人、以及駕駛者的 加速器操作用、制動(dòng)器操作用、車間距離維持范圍用等推定的特征量生成。
還有,測(cè)定使用于駕駛者模型的多個(gè)特征量中的除了特定的特征量x 的行駛數(shù)據(jù)Y(-yl、 y2、……),算出相對(duì)于該行駛數(shù)據(jù)Y的駕駛者模型 中的最大事后概率,由此推定特征量x。
例如,使用與車輛周邊的行駛環(huán)境(狀況)相同的狀況中的駕駛者模 型,向駕駛者模型輸入當(dāng)前的自車狀態(tài),推定其以后的駕駛狀態(tài)(例如, 特征量f加速器操作量)的時(shí)間變化,與實(shí)際的駕駛狀態(tài)進(jìn)行比較,由此 判斷操作的延遲或操作的不穩(wěn)等的有無。 (10)第二實(shí)施方式的詳細(xì)
圖16表示使用駕駛者模型生成裝置的駕駛支援裝置的結(jié)構(gòu)。
駕駛支援裝置具備ECU(電子控制裝置)50;自車輛信息獲得部51; 自車輛周邊環(huán)境信息獲得部52;生物體信息獲得部53;信息提供部54;
駕駛者模型處理部55;數(shù)據(jù)存儲(chǔ)部56。
還有,關(guān)于利用圖16說明的駕駛支援裝置的結(jié)構(gòu),其全部不是必須 的,對(duì)能夠用于進(jìn)行本實(shí)施方式中的駕駛者模型的生成及駕駛支援而使用 的各部或裝置進(jìn)行了說明,可以根據(jù)采用的駕駛支援裝置的功能等適當(dāng)選 擇而構(gòu)成駕駛支援裝置,另外,可以追加使用具有同樣的功能的其他設(shè)備、 裝置。
ECU50由具備CPU、 ROM、 RAM、接口的各部的計(jì)算機(jī)系統(tǒng)構(gòu)成。 ECU50進(jìn)行基于自車輛信息獲得部51的獲得信息的駕駛者駕駛行 動(dòng)的監(jiān)視、基于生物體信息獲得部53的獲得信息的駕駛者生物體信息的 監(jiān)視、向作為駕駛支援的駕駛者輔助內(nèi)容的信息提供部54的指示。ECU50 又將駕駛者模型的生成、輸出所需的數(shù)據(jù)向駕駛者模型處理部55供給。
自車輛信息獲得部51具備方向盤操縱角傳感器511、加速器踏板位 置傳感器512、制動(dòng)器踏板位置傳感器513、速度計(jì)514、加速度傳感器 515、電動(dòng)作狀況獲得部516、定時(shí)器517、其他傳感器。
圖17中例示了在自車輛信息獲得部51獲得的作為駕駛者操作信息的 自車輛信息。
如圖17所示,方向盤操縱角傳感器511檢測(cè)方向盤操作量(角度), 加速器踏板位置傳感器512檢測(cè)加速器操作量,制動(dòng)器踏板位置傳感器 513檢測(cè)制動(dòng)器操作量,速度計(jì)514檢測(cè)車速。
加速度傳感器5]5檢測(cè)橫擺軸加速度、縱搖軸加速度、輥軸加速度。 電動(dòng)作狀況獲得部516檢測(cè)閃光燈運(yùn)行狀況、燈運(yùn)行狀況、刮水器運(yùn) 行狀況。
定時(shí)器517測(cè)量駕駛時(shí)刻、駕駛時(shí)間等各種時(shí)間。
自車輛周邊環(huán)境信息獲得部52具備車輛周邊信息獲得部521、道路 信息獲得部522、及網(wǎng)絡(luò)部523。
車輛周邊信息獲得部521具備紅外線傳感器、毫米波傳感器、超聲 波傳感器、圖像識(shí)別裝置、車間距離傳感器等各種傳感器。圖像識(shí)別裝置 進(jìn)行在圖像輸入裝置中攝像的車外圖像的圖像處理,識(shí)別車輛周邊的障礙 物或行人、車輛等存在對(duì)象。
圖18中例示了在車輛周邊信息獲得部521中獲得的車輛周邊環(huán)境信息。
如該圖18所示,利用車輛周邊信息獲得部521獲得車輛、行人、障 礙物、其他各種信息。
作為具體獲得的信息,例如,按各車輛獲得檢測(cè)的周邊存在的車輛的 種類(轎車、摩托車、自行車等)、車間距離、相對(duì)速度、屬性(對(duì)向車、 并行車、直行(左、右)車等。
同樣,對(duì)于行人、障礙物,也分別獲得對(duì)其的信息。
道路信息獲得部522具備檢測(cè)車輛的當(dāng)前位置的GPS裝置、或用于
獲得與檢測(cè)的當(dāng)前位置對(duì)應(yīng)的道路信息或信號(hào)的有無等周邊信息的地圖 信息。
另外,道路信息獲得部522具備識(shí)別標(biāo)識(shí)或道路環(huán)境的圖像識(shí)別裝置, 但該圖像識(shí)別裝置與車輛周邊信息獲得部521的圖像識(shí)別共有。
圖19中例示了在道路信息獲得部522獲得的車輛周邊環(huán)境信息。 在道路信息獲得部522中,如圖19所示,獲得道路種類、道路形狀、
道路寬度、自車位置、路面狀況、道的亮度、信號(hào)的有無和狀態(tài)、道路屬 性(交通規(guī)則)、其他各種信息。
網(wǎng)絡(luò)部523與VICS等交通信息網(wǎng)或氣象信息傳感器連接,獲得交通
信息或氣象信息。
圖20中例示了在網(wǎng)絡(luò)部523中獲得的車輛周邊環(huán)境信息。
如圖20所示,在VICS等獲得擁堵信息有擁堵的距離、混雜的距離、 事故的有無、禁止通行的有無、鎖鏈限制的有無等。
另外,在氣象信息傳感器中獲得的氣象信息有晴、陰、雨等天氣信息、 降水概率、氣溫、其他信息。
在自車輛周邊環(huán)境信息獲得部52獲得的自車輛周邊環(huán)境信息與在上 述自車輛信息獲得部51獲得的自車輛信息的一部分(例如,基于方向盤 操作量的直進(jìn)、右轉(zhuǎn)彎、左轉(zhuǎn)彎等信息) 一同,按照狀況表563,使用于 狀況的設(shè)定。
生物體信息獲得部53獲得用于判斷車輛的駕駛中的駕駛者為正常狀 態(tài)還是異常狀態(tài)的生物體信息,作為用于其的傳感器,具備心電圖掃描器、 血壓計(jì)、心率傳感器、發(fā)汗傳感器、及其他傳感器。
生物體信息獲得部53在車輛開始行駛的情況下,以規(guī)定時(shí)間間隔檢 測(cè)心率和發(fā)汗量,向ECU50供給。
心率傳感器例如通過利用配置于方向盤的電極,從駕駛中的駕駛者的 手采用心率信號(hào)而檢測(cè)心率。還有,心率傳感器可以將專用的傳感器配置 于手腕等駕駛者的身體上。
發(fā)汗傳感器配置于方向盤上,由根據(jù)發(fā)汗?fàn)顟B(tài)流動(dòng)的電流值的變化檢 測(cè)發(fā)汗?fàn)顟B(tài)。
圖21中例示了在生物體信息獲得部53獲得的生物體信息。 在生物體信息獲得部53中,將心電位、R—R間隔、心率、呼吸數(shù)、
體溫、血壓、皮膚電位、失水分量、肌電位、腦波電位等作為對(duì)象。
信息提供部54具備用于進(jìn)行與駕駛者的駕駛狀態(tài)對(duì)應(yīng)的駕駛操作
哦輔助或警告的駕駛操作輔助部、語音輸出部、畫面輸出部。 圖22中例示了由信息提供部54提供的信息、輔助的內(nèi)容。 如該圖22所示,駕駛操作輔助部中,作為修正基于駕駛者的駕駛操
作的輔助,進(jìn)行方向盤操作輔助、駕駛操作輔助、制動(dòng)器操作輔助,因此, 控制各操作部的轉(zhuǎn)矩值的輸出。例如,在基于駕駛者的方向盤操作有不穩(wěn) 的情況下,方向盤變重地進(jìn)行轉(zhuǎn)矩操作,在制動(dòng)器的踩踏力弱的情況下, 對(duì)制動(dòng)器的踩踏量的輸出變大地進(jìn)行輔助。
另外,根據(jù)駕駛者的狀態(tài),語音輸出部輸出警告語音,畫面輸出部顯 示警告畫面。
駕駛者模型處理部55具備駕駛者模型生成部551、駕駛者模型存儲(chǔ) 部552、駕駛者模型輸出部553。
駕駛者模型生成部551作為駕駛者模型生成裝置發(fā)揮功能,儲(chǔ)存在自 車輛信息獲得部51中獲得的自車輛信息中駕駛者的狀態(tài)為正常狀態(tài)的情 況下的自車輛信息,從該正常狀態(tài)的自車輛信息生成駕駛者模型。
正常狀態(tài)的自車輛信息按在獲得該信息時(shí)由自車輛周邊環(huán)境信息獲 得部52獲得的自車輛信息確定的狀況進(jìn)行儲(chǔ)存,按各狀況生成駕駛者模 型。
駕駛者模型存儲(chǔ)部552按各狀況保存在駕駛者模型生成部551中生成 的駕駛者模型。
在駕駛者模型生成部551中,若儲(chǔ)存規(guī)定量的對(duì)各狀況的自車輛信息, 則生成該狀況的駕駛者模型,將其存儲(chǔ)于駕駛者模型存儲(chǔ)部552。還有, 在每次獲得自車輛信息時(shí),將對(duì)應(yīng)的狀況的駕駛者模型與之前已儲(chǔ)存的自 車輛信息合并而重新生成駕駛者模型,更新駕駛者模型。還有,駕駛者模 型的更新不在每次獲得對(duì)應(yīng)的狀況的新的自車輛信息時(shí),而是在每次追加 儲(chǔ)存規(guī)定量時(shí)生成、更新也可。
圖23概念性表示駕駛者模型存儲(chǔ)部552的存儲(chǔ)內(nèi)容。 如該圖23所示,駕駛者模型按狀況分類。存儲(chǔ)的各駕駛者模型a、 b、 c、……與對(duì)應(yīng)的狀況數(shù)據(jù)(狀況a、 b、 c、……)連線,系統(tǒng)作為用于引
用駕駛者模型的標(biāo)記發(fā)揮功能。
通過這樣設(shè)定,在駕駛者模型的檢索時(shí),能夠進(jìn)行一并獲得"駕駛者 在某水平下的疲勞狀況"的情況的駕駛者模型的系統(tǒng)硬件(cash)操作。
駕駛者模型輸出部553基于與特定的狀況n對(duì)應(yīng)的駕駛者模型n,推 定并輸出正常狀態(tài)下的駕駛者的操作量、即,相對(duì)于狀況n的通常時(shí)(正
常時(shí))的駕駛操作量。
通過比較該推定駕駛操作量、和當(dāng)前的自車輛信息,按規(guī)定時(shí)間間隔 得到用于判斷后述的駕駛行動(dòng)的狀態(tài)(反應(yīng)延遲、不穩(wěn)等)的基礎(chǔ)數(shù)據(jù)即 駕駛行動(dòng)遺漏數(shù)據(jù)。
還有,用ECU50實(shí)現(xiàn)駕駛者模型處理部55中的駕駛者模型生成部551 和駕駛者模型輸出部553的兩功能,將駕駛者模型存儲(chǔ)部552保存于數(shù)據(jù) 存儲(chǔ)部56也可。
在數(shù)據(jù)存儲(chǔ)部56中儲(chǔ)存本實(shí)施方式的駕駛者模型生成處理、及駕駛
操作輔助處理所需的各種數(shù)據(jù)或表。
彎曲曲率包括軟碟、硬盤、磁帶等磁記錄介質(zhì)、存儲(chǔ)器芯片或IC
卡等半導(dǎo)體記錄介質(zhì)、CD—ROM或MO、 PD (相變化可擦型光盤)等光
學(xué)讀取信息的記錄介質(zhì)、用其他各種方法記錄數(shù)據(jù)或計(jì)算機(jī)程序的記錄介質(zhì)。
記錄介質(zhì)根據(jù)記錄內(nèi)容使用不同的介質(zhì)也可。
彎曲曲率中儲(chǔ)存駕駛行動(dòng)遺漏數(shù)據(jù)561、自車輛信息562,另外,儲(chǔ) 存狀況表563。
駕駛行動(dòng)遺漏數(shù)據(jù)561是由相對(duì)于當(dāng)前行駛中的狀況n的駕駛者模型 n推定的正常時(shí)的駕駛操作量、和基于實(shí)際的自車輛信息的操作量的差分 數(shù)據(jù),對(duì)于當(dāng)前行駛中的狀況n按規(guī)定時(shí)間間隔算出并保存。
自車輛信息562按各狀況儲(chǔ)存以正常狀態(tài)行駛時(shí)的自車輛信息。在儲(chǔ) 存了規(guī)定量的該自車輛信息的時(shí)點(diǎn),生成與該狀況對(duì)應(yīng)的駕駛者模型。駕 駛者模型在一次生成后,每次獲得對(duì)應(yīng)的狀況的自車輛信息時(shí)被更新。
狀況表563用于由獲得的自車輛信息和自車輛周邊環(huán)境信息確定對(duì)應(yīng) 的狀況a、 b、 c、……的表。
圖24概念性表示狀況表的內(nèi)容。
如該圖24所示,按與駕駛者模型a、 b、 c、……對(duì)應(yīng)的各狀況a、 b、 c……,設(shè)定用于成為該狀況的狀況標(biāo)記。
就狀況標(biāo)記來說,在自車輛信息和自車輛周邊環(huán)境信息中的各小項(xiàng)目 每一個(gè)中選擇一個(gè)數(shù)據(jù)。
其次,說明基于如上所述地構(gòu)成的駕駛支援裝置的各種處理動(dòng)作。
圖25是生成駕駛者"通常的駕駛行動(dòng)"(正常時(shí))的駕駛者模型的駕 駛者模型生成處理的處理動(dòng)作的流程圖。
在本實(shí)施方式中,駕駛者模型的生成在車輛行駛中執(zhí)行,但在行駛中 進(jìn)行駕駛者的生物體信息、自車輛信息、自車輛周邊環(huán)境信息的收集和儲(chǔ) 存,關(guān)于狀況標(biāo)記的設(shè)定及駕駛者模型的生成,在車輛行駛中以外進(jìn)行也 可。
駕駛者模型生成部551在車輛行駛中從生物體信息獲得部53收集各 時(shí)點(diǎn)時(shí)的生物體信息(步驟110)。還有,經(jīng)由ECU50收集生物體信息等 各種信息(下同)。
其次,駕駛者模型生成部551通過從收集、儲(chǔ)存的生物體信息監(jiān)視其 變化狀態(tài),判斷當(dāng)前的駕駛者的狀態(tài)是否為正常狀態(tài)(步驟lll)。
圖26 圖28概念性表示判斷駕駛者是否為正常狀態(tài)的方法。
圖26表示通過駕駛者的心率的變動(dòng),監(jiān)視搖晃或焦躁引起的精神 (mental)變化的狀態(tài)。
如圖26 (a)所示,在規(guī)定的上下的閾值hl和h2之間夾有心率的測(cè) 定值的情況下,判斷為正常狀態(tài)(穩(wěn)定的狀態(tài))。
另一方面,如圖26 (b)所示,檢測(cè)到心率的測(cè)定值為下側(cè)閾值hl以 下,或上側(cè)閾值h2以上的情況下,判斷為搖晃或焦躁引起的異常的狀態(tài) (不穩(wěn)定狀態(tài))。
還有,在本實(shí)施方式中,如圖26 (b)所示,在規(guī)定時(shí)間內(nèi)從上下閾 值hl、 h2間的兩側(cè)偏離的情況下,判斷為異常狀態(tài),但將任一方的閾值 超過規(guī)定時(shí)間的情況判斷為異常也可。
圖27表示通過心電圖的洛倫茨拓?fù)浣馕霰O(jiān)視精神變化的狀態(tài)。
在洛倫茨拓?fù)浣馕鲋?,將任意的時(shí)刻n時(shí)的心電位的R—R間隔設(shè)為 RRn,將接下來的時(shí)刻n+l時(shí)的心電位的R—R間隔設(shè)為RRn+l的情況下, 生成橫軸取RRn的值,縱軸曲RRn+l的值的圖表。在此,R—R間隔是心 電位的峰值到接下來的峰值的時(shí)間間隔,相當(dāng)于心率的間隔。
根據(jù)該洛倫茨拓?fù)浣馕隹芍?,在極度的緊張狀態(tài)的情況下,如圖27 (a)所示,心率間隔為相同間隔,拓?fù)潼c(diǎn)的集合集中于y:x線的一處。
另外,在適當(dāng)?shù)木o張狀態(tài)(有適度的注意力的狀態(tài))下,觀測(cè)到心率
間隔帶有適度的擺動(dòng),如圖27 (b)所示,拓?fù)潼c(diǎn)的集合在y-x線上細(xì)長(zhǎng)
地標(biāo)繪。
另外,在注意力不集中的狀態(tài)下,心率間隔的擺動(dòng)大,如圖27 (c) 所示,觀測(cè)到拓?fù)潼c(diǎn)的集合也在"x線上向原點(diǎn)方向及與其成直角的方向 膨出的集合。
另外,在有睡意的狀態(tài)下,如圖27 (d)所示,拓?fù)潼c(diǎn)的集合是心率 間隔的y:x線方向的拓?fù)鋮^(qū)域變寬,但原點(diǎn)側(cè)的寬度窄,且從隨著遠(yuǎn)離原 點(diǎn)而變寬的傾向。
通過該洛倫茨拓?fù)浣馕?,判斷正常狀態(tài)(適度的緊張狀態(tài))和不正常 的狀態(tài)(極度的緊張狀態(tài)、注意力不集中的狀態(tài)、有睡意的狀態(tài))。
圖28表示由獲得的生物體信息通過交感神經(jīng)系優(yōu)勢(shì)的狀態(tài)還是副交 感神經(jīng)系優(yōu)勢(shì)的狀態(tài)來判斷是否為正常狀態(tài)的情況。
如該圖28所示,例如,由駕駛者的攝像圖像測(cè)定瞳孔的大小,在其 大小散大的情況下,判斷為交感神經(jīng)系最為優(yōu)勢(shì),由于極度的緊張狀態(tài)有 可能導(dǎo)致注意力降低。相反,瞳孔的大小為收縮狀態(tài)的情況下,判斷為副 交感神經(jīng)系為優(yōu)勢(shì)的弛緩狀態(tài),根據(jù)收縮的程度,注意力可能低,注意力 可能極低。
另一方面,在交感神經(jīng)系為適度優(yōu)勢(shì)的瞳孔尺寸的情況下,判斷為適 度的緊張狀態(tài)下注意力高的正常狀態(tài)。
按包括瞳孔的尺寸的圖28所示的作用項(xiàng)目(心率、心臟收縮力等) 的各測(cè)定項(xiàng)目,預(yù)先確定用于區(qū)分為極度的緊張、適度的緊張、弛緩狀態(tài) (注意力低)、弛緩狀態(tài)(注意力基底)這四個(gè)狀態(tài)的值。
還有,在駕駛者模型的生成中,判斷正常狀態(tài)與否,但在后述的駕駛 者生物體信息監(jiān)視處理(參照?qǐng)D33)中的駕駛者生物體信息情況判斷(步 驟142)中,基于圖26 圖28中說明的方法判斷極度的緊張狀態(tài)、適度 的緊張狀態(tài)、注意力不集中的狀態(tài)、弛緩狀態(tài)、有睡意的狀態(tài)這五個(gè)狀態(tài)。
如上所述,由生物體信息判斷駕駛者是否為正常狀態(tài),若為正常(步 驟lll;是),則駕駛者模型生成部551從自車輛信息獲得部51和自車輛 周邊環(huán)境信息獲得部52收集正常時(shí)的自車輛信息和自車輛周邊環(huán)境信息 作為正常駕駛者模型生成用的信息(步驟U2)。
圖29中例示了在交叉點(diǎn)右轉(zhuǎn)彎時(shí)由自車輛信息獲得部51和自車輛周 邊環(huán)境信息獲得部52獲得的自車輛信息和自車輛周邊環(huán)境信息。
在如該圖29所示的交叉點(diǎn)右轉(zhuǎn)彎的情況下,作為獲得的信息,獲得 道路種類、道路狀況、自車速度、自車位置、前進(jìn)方向、自車側(cè)的信號(hào)的 狀態(tài)(紅、綠、黃等)、前方車輛的有無、前方車輛的種類、前方車輛相 對(duì)位置、前方車輛相對(duì)速度、對(duì)向車的有無、對(duì)向車車種、對(duì)向車相對(duì)位 置、對(duì)向車相對(duì)速度、行人的有無、行人的種類、行人的位置、行人的前 進(jìn)方向、天氣等。
還有,在本實(shí)施方式中,獲得這些信息,使用于后述的狀況的設(shè)定, 但未必一定需要使用其全部,進(jìn)行基于任一部分的信息的狀況的設(shè)定也 可,相反,進(jìn)行基于更詳細(xì)的信息的狀況的設(shè)定也可。
駕駛者模型生成部551由收集的自車輛信息和自車輛周邊環(huán)境信息, 按照狀況表563 (參照?qǐng)D24),設(shè)定狀況標(biāo)記,將收集的正常時(shí)的自車輛 信息儲(chǔ)存于相應(yīng)的狀況的自車輛信息562中(步驟113)。
其次,駕駛者模型生成部551按照收集及儲(chǔ)存的自車輛信息562,生 成與在步驟113設(shè)定的狀況對(duì)應(yīng)的正常時(shí)用正常駕駛者模型(步驟114), 返回主程序。
另一方面,由生物體信息判斷是否為正常狀態(tài),若為正常(步驟lll; 否),則駕駛者模型生成部551與正常時(shí)相同地,作為異常駕駛者模型生 成用信息,將異常時(shí)的自車輛信息和自車輛周邊環(huán)境信息從自車輛信息獲 得部51和自車輛周邊環(huán)境信息獲得部52收集(步驟115)。
駕駛者模型生成部551由收集的自車輛信息和自車輛周邊環(huán)境信息按 照狀況表563 (按照?qǐng)D24)設(shè)定狀況標(biāo)記,將收集的異常時(shí)的自車輛信息 儲(chǔ)存于相應(yīng)的狀況的自車輛信息562 (步驟116)。
其次,駕駛者模型生成部551按照收集儲(chǔ)存的異常時(shí)的自車輛信息 562,生成與在步驟116設(shè)定的狀況對(duì)應(yīng)的異常時(shí)用異常駕駛者模型(步 驟117),返回主程序。
還有,在本實(shí)施方式中,對(duì)根據(jù)生物體信息為正常還是異常來生成正 常駕駛者模型和異常駕駛者模型的情況進(jìn)行了說明,但例如,作為異常狀 態(tài),使生物體信息比規(guī)定的上下閾值高、低地分別生成對(duì)應(yīng)于生物體信息
的狀態(tài)的駕駛者模型。
在此,對(duì)基于駕駛者模型生成部551的駕駛者模型的生成進(jìn)行說明。
在本實(shí)施方式中,利用GMM生成駕駛者模型。
關(guān)于基于本實(shí)施方式的駕駛支援裝置(駕駛者模型生成裝置)的正常 時(shí)的駕駛者模型的生成、和基于生成的駕駛者模型的駕駛操作量的推定的 原理如圖1及第一實(shí)施方式中的說明所述。
還有,關(guān)于特征量,使用自車輛信息獲得部51中獲得的所有的信息
中的其他信息的組合來生成也可。
在本實(shí)施方式的駕駛支援裝置中,將由加速器操作量、車速、車間距 離等構(gòu)成的各狀況每一個(gè)的行駛數(shù)據(jù)1 (自車輛信息)作為學(xué)習(xí)數(shù)據(jù),利
用EM算法預(yù)先生成基于與各狀況對(duì)應(yīng)的GMM的駕駛者模型2。 還有,駕駛者模型按駕駛者每一人生成也可。
還有,在推定駕駛者的駕駛行動(dòng)(例如,駕駛操作量)的情況下,使 用對(duì)應(yīng)的駕駛者模型2,計(jì)算時(shí)刻t時(shí)的行駛數(shù)據(jù)l的測(cè)定值(V、 F、 A V、……)3的最大事后概率4,由此推定該駕駛者可能操作的加速器操作
將這樣推定的各操作量作為行駛數(shù)據(jù)推定接下來的操作量,與各時(shí)刻 每一個(gè)iede實(shí)測(cè)值(自車輛信息)進(jìn)行比較,由此算出駕駛行動(dòng)遺漏數(shù)據(jù)。
在該例的駕駛支援裝置中,駕駛者將基于當(dāng)前的車速、車間距離、及 這些的一次、二次動(dòng)態(tài)特征量確定加速器踏板和制動(dòng)器踏板的操作量的假 設(shè)作為基礎(chǔ)。
以下,駕駛者模型的生成和駕駛行動(dòng)的推定的原理如第一實(shí)施方式中 說明所述。
還有,(A)在駕駛者模型的學(xué)習(xí)中,行駛數(shù)據(jù)1是作為駕駛者模型生 成的對(duì)象的駕駛者實(shí)際駕駛的數(shù)據(jù),使用在駕駛者實(shí)際駕駛時(shí)實(shí)時(shí)測(cè)定、 收集的行駛數(shù)據(jù)1。另外,通過使用預(yù)先測(cè)定并儲(chǔ)存的行駛數(shù)據(jù)1,進(jìn)行 脫機(jī)的學(xué)習(xí)。
另外,關(guān)于與基于最大事后概率的駕駛行動(dòng)的推定有關(guān)的概略,如在 第一實(shí)施方式中說明的圖2中所示。
對(duì)使用如上所述地按各狀況生成的駕駛者模型,確定駕駛者的駕駛行
動(dòng)的狀態(tài)的駕駛者駕駛行動(dòng)監(jiān)視處理進(jìn)行說明。
圖30是表示駕駛者駕駛行動(dòng)監(jiān)視處理的處理動(dòng)作的流程圖。
ECU50從自車輛信息獲得部51和自車輛周邊環(huán)境信息獲得部52收集 自車輛信息和自車輛周邊環(huán)境信息(步驟120)。
其次,ECU50如圖31 (a)所示,基于獲得的自車輛信息和自車輛周 邊環(huán)境信息,設(shè)定狀況標(biāo)記(步驟121)。
還有,ECU50基于設(shè)定的狀況標(biāo)記,與狀況表563進(jìn)行匹配處理,檢 索適合獲得的自車輛周邊環(huán)境信息等現(xiàn)狀的狀況,由此判斷對(duì)應(yīng)的駕駛者 模型存在與否(步驟122)。
在對(duì)應(yīng)的駕駛者模型不存在的情況下(步驟122;否),返回主程序。
另一方面如圖31 (b)所示,檢測(cè)適合現(xiàn)狀的狀況,對(duì)應(yīng)的駕駛者模 型存在的情況下(步驟122;是),ECU50從駕駛者模型存儲(chǔ)部552讀出 與適合的狀況連線的駕駛者模型,將其向駕駛者模型輸出部553輸出(步 驟123)。
其次,ECU50將由自車輛信息獲得部51在時(shí)刻t時(shí)獲得的自車輛信 息(實(shí)測(cè)值)作為初始值(0,向駕駛者模型輸出部553輸入(步驟124)。 這樣,駕駛者模型輸出部553將時(shí)刻t時(shí)的自車輛信息(t)向駕駛者模型 輸入,計(jì)算最大事后概率,由此向ECU50輸出時(shí)刻t+l時(shí)的駕駛行動(dòng)數(shù)據(jù) (操作量)的推定值"t+l"(步驟125)。
接著,ECU50獲得當(dāng)前(時(shí)刻t+l)時(shí)的自車輛信息(t+l)(步驟126), 算出時(shí)刻t+l時(shí)的駕駛行動(dòng)遺漏數(shù)據(jù)("t+l" — (t+l)),將其存儲(chǔ)于駕駛 行動(dòng)遺漏數(shù)據(jù)561 (步驟127)。
還有,ECU50判斷存儲(chǔ)的駕駛行動(dòng)遺漏數(shù)據(jù)561是否儲(chǔ)存了規(guī)定數(shù)(步 驟128),若規(guī)定數(shù)未滿(步驟128;否),則將在步驟125推定的操作量 的推定值"t+l"作為(t)向駕駛者模型輸入(步驟129),向步驟125轉(zhuǎn) 移,由此,進(jìn)而繼續(xù)時(shí)刻的駕駛行動(dòng)遺漏數(shù)據(jù)561的儲(chǔ)存(步驟125 127)。
另一方面,若儲(chǔ)存規(guī)定數(shù)的駕駛行動(dòng)遺漏數(shù)據(jù)561 (步驟128;是), 則ECU50由駕駛行動(dòng)遺漏數(shù)據(jù)561的狀態(tài)判斷駕駛行動(dòng)遺漏傾向,并輸 出(步驟130),返回主程序。
在本實(shí)施方式中,作為駕駛行動(dòng)的遺漏傾向,對(duì)"反應(yīng)速度的延遲"
的有無和"操作的不穩(wěn)"的有無這兩個(gè)項(xiàng)目進(jìn)行判斷。
圖32中概念性比較從駕駛者模型輸出部553輸出的正常狀態(tài)下的駕 駛操作量(普通駕駛)的推定值、和當(dāng)前的駕駛的操作量(自車輛信息)。
在該圖32中,從駕駛者模型輸出的駕駛操作量(通常的駕駛)表示 向駕駛者模型輸入當(dāng)前的駕駛操作量的初始值,駕駛者在正常時(shí)作為通常 所取的駕駛行動(dòng)概率最高的操作量的輸出值,表示若為正常時(shí)則通常應(yīng)該 會(huì)進(jìn)行這樣的駕駛(應(yīng)該是操作量)的假設(shè)的操作量。
對(duì)于該假想的操作量,對(duì)照當(dāng)前的駕駛的操作量,判斷反應(yīng)速度的延 遲和操作的不穩(wěn)的傾向。
例如,如圖32 (a)所示,由駕駛者模型推定的操作量隨著時(shí)間經(jīng)過 而增加的情況下,在規(guī)定時(shí)間經(jīng)過后,由自車輛信息獲得部51獲得基于 自車輛信息的操作量的情況下,判斷為存在反應(yīng)速度的延遲傾向。
另外,如圖32 (b)所示,與在駕駛者模型中推定的操作量進(jìn)行比較, 基于獲得的自車輛信息的操作量隨著時(shí)間經(jīng)過而增加,或減少的情況下, 增加、減少量(駕駛行動(dòng)遺漏數(shù)據(jù)的絕對(duì)值)為規(guī)定值以上的情況下,判 斷為駕駛操作存在不穩(wěn)。
另一方面,在由駕駛者模型推定的操作量、和基于獲得的自車輛信息 的操作量大致一致的情況下,即駕駛行動(dòng)遺漏數(shù)據(jù)的絕對(duì)值為規(guī)定值以下 的狀態(tài)持續(xù)的情況下,判斷為均沒有反應(yīng)延遲、不穩(wěn)的正常狀態(tài)。
其次,按照?qǐng)D33的流程圖,說明行駛中的駕駛者的生物體信息的監(jiān) 視處理。
首先,ECU50在車輛行駛中由生物體信息獲得部53收集、儲(chǔ)存各時(shí) 點(diǎn)的生物體信息(步驟141)。
其次,ECU50通過由收集、儲(chǔ)存的生物體信息監(jiān)視其變化狀態(tài),利用 與圖26 圖28中說明的方法相同的方法,判斷當(dāng)前的駕駛者生物體信息 的狀態(tài)(情況)(步驟142),返回主程序。
還有,以上說明的駕駛者駕駛者生物體信息監(jiān)視處理能夠兼用作圖25 中說明的行駛中的駕駛者模型生成處理中的駕駛者生物體信息收集(步驟 110)、和駕駛者生物體信息的變化是否為正常的判斷(步驟lll)。
在這種情況下,在駕駛者模型生成處理中,在步驟lll中監(jiān)視駕駛者
的狀態(tài)是否為正常狀態(tài),對(duì)此,如在圖25中說明所述,按照?qǐng)D26 圖28 也判斷、輸出不是正常狀態(tài)的情況下相當(dāng)于哪一種狀態(tài)。
還有,兼用該判斷的情況下,駕駛者模型生成部551、 ECU50的任一 個(gè)進(jìn)行其判斷。
彎曲曲率,如圖34 (a)、 (b)所示,由駕駛者的眼睛的狀態(tài),判斷正 常狀態(tài)、睡意、疲勞狀態(tài)也可。
由該眼睛的狀態(tài)的判斷在駕駛者模型生成處理(步驟lll)、及駕駛者 信息監(jiān)視處理(步驟142)的任一方、或雙方中使用也可。
具體來說,如圖34 (a)所示,作為駕駛者的狀態(tài),利用圖像處理檢 測(cè)眨眼次數(shù)、眨眼時(shí)間、眼皮的開度、視線的移動(dòng),根據(jù)其值或狀態(tài)判斷 睡意的狀態(tài)。
另外,如圖34 (b)所示,眨眼次數(shù)增大的情況下或眼皮的移動(dòng)痙攣 的情況下,揉眼的情況下,揉眼角的情況下,判斷為疲勞。
圖35是表示基于駕駛者的駕駛狀態(tài)及生物體信息情況的駕駛支援處 理的動(dòng)作的流程圖。
在ECU50中,作為駕駛者的狀態(tài),獲得駕駛者駕駛行動(dòng)監(jiān)視處理(圖 30)的步驟130中判斷并輸出的駕駛行動(dòng)遺漏傾向(步驟151),并且,獲 得駕駛者生物體信息監(jiān)視處理(圖33)的步驟142中判斷并輸出的駕駛者
生物體信息情況(步驟152)。
還有,ECU50由獲得的駕駛行動(dòng)遺漏傾向和生物體信息情況,確定駕 駛支援的內(nèi)容,進(jìn)行向駕駛者支援的方法(步驟153),返回主程序。
圖36中將由獲得的駕駛行動(dòng)和生物體信息情況推定的駕駛者的狀態(tài) (a)、和對(duì)應(yīng)于推定的駕駛者的狀態(tài)進(jìn)行的駕駛支援的內(nèi)容生成了表。
還有,圖36 (b)的表儲(chǔ)存于ECU50的ROM中。
如圖36 (a)所示,各駕駛行動(dòng)(反應(yīng)遲延、不穩(wěn)、反應(yīng)弛緩+不穩(wěn)、 無兩者)、和各生物體信息情況(極度的緊張狀態(tài)、適度的緊張狀態(tài)、注 意力不集中的狀態(tài)、弛緩狀態(tài)、有睡意的狀態(tài))的組合,推定過度集中、 逐漸疲勞、漫不經(jīng)心駕駛、睡意、焦躁、東張西望等所謂的駕駛者的狀態(tài)。
還有,對(duì)應(yīng)于由這些各組合推定的各狀態(tài),如圖36 (b)所示,ECU50 由信息提供部54進(jìn)行基于語音或振動(dòng)的注意提醒、提供設(shè)施信息建議休
息、注意提醒+Cll、提供信息消除氣氛等駕駛支援。
還有,圖36所示的駕駛支援中,ECU50對(duì)于+al,由于集中于駕駛 以外而危險(xiǎn),因此,催促注意提醒并且進(jìn)行自動(dòng)增大與前方車輛的車間距 離的控制等。
另外,ECU50對(duì)于+a2,為了集中于駕駛而進(jìn)行注意提醒,并且,進(jìn) 行如下動(dòng)作,即使用會(huì)話功能或傳感器調(diào)査駕駛者越馬虎駕駛越對(duì)什么 感到負(fù)荷,引導(dǎo)用于抽一根的休息,或進(jìn)行煩惱消除商談,或改進(jìn)駕駛者 抱有的問題。
另外,ECU50對(duì)于+a3,進(jìn)行喚醒眼睛的注意提供,并且,迅速進(jìn)行 采取休息的引導(dǎo)等。
另外,在ECU50中,作為注意提醒的內(nèi)容,進(jìn)行駕駛操作或生物體 信息的什么導(dǎo)致問題而警告等容易使駕駛者理解的具體的說明也可。
以上,對(duì)本發(fā)明的駕駛者模型生成裝置及駕駛支援裝置中的一實(shí)施方 式進(jìn)行了說明,但本發(fā)明不限定于說明的實(shí)施方式,在各請(qǐng)求項(xiàng)中記載的 范圍中可以進(jìn)行各種變形。
例如,在說明的實(shí)施方式中,由判斷的駕駛行動(dòng)和生物體信息情況確 定駕駛支援的內(nèi)容的情況進(jìn)行了說明,但由判斷的駕駛行動(dòng)確定駕駛支援 內(nèi)容也可。
權(quán)利要求
1. 一種駕駛行動(dòng)推定裝置,其特征在于,具備駕駛者模型,其將伴隨車輛行駛檢測(cè)出的N種特征量的時(shí)序數(shù)據(jù)作為學(xué)習(xí)數(shù)據(jù),并描述N維空間中各數(shù)據(jù)存在的概略分布;特征量獲得機(jī)構(gòu),其獲得所述N種中的除了特定的特征量x以外的至少一種以上特征量;最大事后概率算出機(jī)構(gòu),其算出相對(duì)于所述獲得的特征量的所述駕駛者模型中的最大事后概率;輸出機(jī)構(gòu),其基于所述算出的最大事后概率,輸出相對(duì)于所述獲得的特征量的所述特定的特征量x的推定值。
2. 根據(jù)權(quán)利要求l所述的駕駛行動(dòng)推定裝置,其特征在于, 所述N種特征量包含對(duì)于n種(n<N)的特征量的時(shí)間變化量。
3. 根據(jù)權(quán)利要求1或2所述的駕駛行動(dòng)推定裝置,其特征在于, 所述特征量x包含駕駛者直接操作的操作裝置的操作量及該操作量的時(shí)間變化量。
4. 根據(jù)權(quán)利要求1 3中任一項(xiàng)所述的駕駛行動(dòng)推定裝置,其特征在于,所述駕駛者模型將所述N種特征量的時(shí)序數(shù)據(jù)作為學(xué)習(xí)數(shù)據(jù),作為各 數(shù)據(jù)存在的概率分布由利用EM算法算出的GMM (高斯混合模型)來描 述。
5. —種駕駛支援裝置,其特征在于,具備-權(quán)利要求1 4中任一項(xiàng)所述的駕駛行動(dòng)推定裝置,其使用作為特 征量,使用了加速器操作量、制動(dòng)器操作量、自車輛的車速、與前方車輛 的車間距離的加速器用駕駛者模型、和制動(dòng)器用駕駛者模型,并推定加速器操作量及制動(dòng)器操作量作為所述特征量X;行駛數(shù)據(jù)獲得機(jī)構(gòu),其獲得自車輛的車速和車間距離; 行駛控制機(jī)構(gòu),其對(duì)于所述獲得的行駛數(shù)據(jù),按照由所述駕駛行動(dòng)推定裝置推定的加速器操作量、及制動(dòng)器操作量,控制發(fā)動(dòng)機(jī)節(jié)流閥及制動(dòng)器踏板,由此進(jìn)行對(duì)所述前方車輛的自動(dòng)追隨行駛。
6. —種車輛評(píng)價(jià)系統(tǒng),其特征在于,具備權(quán)利要求1 4中任一項(xiàng)所述的駕駛行動(dòng)推定裝置,其使用作為特 征量,使用了加速器操作量、制動(dòng)器操作量、自車輛的車速、與前方車輛 的車間距離的加速器用駕駛者模型、和制動(dòng)器用駕駛者模型,并推定加速 器操作量及制動(dòng)器操作量作為所述特征量X;獲得作為評(píng)價(jià)對(duì)象的車輛的車輛性能數(shù)據(jù)的機(jī)構(gòu);獲得模擬用行駛數(shù)據(jù)和車道模型的機(jī)構(gòu);車輛動(dòng)力計(jì)算機(jī)構(gòu),其對(duì)于通過將所述獲得的行駛數(shù)據(jù)和車道模型適 用于所述駕駛行動(dòng)推定裝置而得到加速器操作量和制動(dòng)器操作量,推定包 含作為所述評(píng)價(jià)對(duì)象的車輛的加速度的行跡;評(píng)價(jià)機(jī)構(gòu),其由所述推定的車輛的行跡,評(píng)價(jià)作為所述評(píng)價(jià)對(duì)象的車 輛的行駛性能。
7. —種駕駛者模型生成裝置,其特征在于,具備-狀態(tài)判斷機(jī)構(gòu),其判斷駕駛者的狀態(tài);駕駛操作信息獲得機(jī)構(gòu),其獲得車輛行駛中的駕駛操作信息; 駕駛者模型生成機(jī)構(gòu),其基于所述獲得的駕駛操作信息,制作與駕駛 者的狀態(tài)對(duì)應(yīng)的駕駛操作的駕駛者模型。
8. 根據(jù)權(quán)利要求7所述的駕駛者模型生成裝置,其特征在于,所述狀態(tài)判斷機(jī)構(gòu)至少判斷駕駛者的狀態(tài)是否為正常。
9. 根據(jù)權(quán)利要求7或8所述的駕駛者模型生成裝置,其特征在于,行駛環(huán)境獲得機(jī)構(gòu),其檢測(cè)特定的行駛環(huán)境; 對(duì)每一個(gè)行駛環(huán)境儲(chǔ)存所述駕駛操作信息,所述駕駛者模型生成機(jī)構(gòu)按所述行駛環(huán)境每一個(gè)制作駕駛者模型。
10. 根據(jù)權(quán)利要求7 9中任一項(xiàng)所述的駕駛者模型生成裝置,其特征在于,具備生物體信息獲得機(jī)構(gòu),其獲得駕駛者的生物體信息, 所述狀態(tài)判斷機(jī)構(gòu)基于所述獲得的生物體信息判斷駕駛者的狀態(tài)。
11. 一種駕駛支援裝置,其特征在于,具備駕駛者模型獲得機(jī)構(gòu),其獲得正常狀態(tài)下的駕駛操作的駕駛者模型; 駕駛操作推定機(jī)構(gòu),其使用所述獲得的駕駛者模型,推定在正常狀態(tài)下通常駕駛的駕駛操作;駕駛行動(dòng)判定機(jī)構(gòu),其由所述推定的駕駛操作、和基于當(dāng)前的駕駛操 作信息的駕駛操作,判定駕駛者的駕駛行動(dòng);駕駛支援機(jī)構(gòu),其進(jìn)行與所述判定的駕駛行動(dòng)對(duì)應(yīng)的駕駛支援。
12. 根據(jù)權(quán)利要求ll所述的駕駛支援裝置,其特征在于, 所述駕駛者模型獲得機(jī)構(gòu)由按每一個(gè)駕駛環(huán)境生成的正常狀態(tài)下的駕駛操作的駕駛者模型,獲得與當(dāng)前的行駛環(huán)境對(duì)應(yīng)的駕駛者模型。
13. 根據(jù)權(quán)利要求11或12所述的駕駛支援裝置,其特征在于,具備駕駛者狀態(tài)判定機(jī)構(gòu),其由駕駛者的生物體信息判定駕駛者的 狀態(tài),所述駕駛支援機(jī)構(gòu)進(jìn)行與所述判定的駕駛行動(dòng)、和所述判定的駕駛者 狀態(tài)對(duì)應(yīng)的駕駛支援。
14. 根據(jù)權(quán)利要求11 13中任一項(xiàng)所述的駕駛支援裝置,其特征在于,所述駕駛支援機(jī)構(gòu)根據(jù)判定內(nèi)容,進(jìn)行利用語音或圖像的注意提醒、 信息提供、振動(dòng)、休息處的引導(dǎo)中的至少一種以上的駕駛支援。
15. —種駕駛行動(dòng)判定裝置,其特征在于,具備駕駛者模型獲得機(jī)構(gòu),其獲得正常狀態(tài)下的駕駛操作的駕駛者模型;駕駛操作推定機(jī)構(gòu),其使用所述獲得的駕駛者模型,推定在正常狀態(tài)下通常駕駛的駕駛操作;駕駛行動(dòng)判定機(jī)構(gòu),其由所述推定的駕駛操作、和基于當(dāng)前的駕駛操 作信息的駕駛操作,判定駕駛者的駕駛行動(dòng)。
全文摘要
本發(fā)明的目的在于作為正常狀態(tài)下的駕駛狀態(tài)的評(píng)價(jià)基準(zhǔn)制作更高精度的駕駛者模型,推定駕駛行動(dòng)。在駕駛者的駕駛中收集駕駛狀態(tài)的數(shù)據(jù)(加速器、制動(dòng)器、轉(zhuǎn)向操作量、車速、車間距離、加速度等自車輛信息),提取該駕駛狀態(tài)數(shù)據(jù)中的駕駛者以平常狀態(tài)駕駛的部分,自動(dòng)制作正常時(shí)的駕駛者模型。還有,通過在駕駛者模型中使用GMM(高斯混合模型),能夠簡(jiǎn)便地生成各駕駛者每一人的駕駛者模型,進(jìn)而,利用最大化帶有條件的概率的計(jì)算,容易地推定并輸出駕駛操作行動(dòng)。
文檔編號(hào)B60W40/09GK101389521SQ200680049978
公開日2009年3月18日 申請(qǐng)日期2006年12月27日 優(yōu)先權(quán)日2005年12月28日
發(fā)明者伊藤克亙, 宮島千代美, 小澤晃史, 武田一哉, 藤井一彰, 野本洋一, 鈴木誠一 申請(qǐng)人:國(guó)立大學(xué)法人名古屋大學(xué);愛考斯研究株式會(huì)社