特許 6986584 情報処理装置、情報処理方法、および情報処理プログラム、ならびに車両到達時間推定装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6986584

(24)【登録日】2021年12月1日

(45)【発行日】2021年12月22日

(54)【発明の名称】情報処理装置、情報処理方法、および情報処理プログラム、ならびに車両到達時間推定装置

(51)【国際特許分類】

   G08G 1/09 20060101AFI20211213BHJP

   G08G 1/13 20060101ALI20211213BHJP

   G08G 1/04 20060101ALI20211213BHJP

   G08G 1/01 20060101ALI20211213BHJP

   G08G 1/16 20060101ALI20211213BHJP

【ＦＩ】

   G08G1/09 F

   G08G1/13

   G08G1/04 C

   G08G1/01 D

   G08G1/16 A

【請求項の数】15

【全頁数】22

(21)【出願番号】特願2020-26665(P2020-26665)

(22)【出願日】2020年2月19日

(65)【公開番号】特開2021-131731(P2021-131731A)

(43)【公開日】2021年9月9日

【審査請求日】2020年3月16日

(73)【特許権者】

【識別番号】501440684

【氏名又は名称】ソフトバンク株式会社

(74)【代理人】

【識別番号】110002147

【氏名又は名称】特許業務法人酒井国際特許事務所

(72)【発明者】

【氏名】海老沢 憲一

(72)【発明者】

【氏名】小椋 直

(72)【発明者】

【氏名】河村 浩彰

(72)【発明者】

【氏名】朝倉 慶介

(72)【発明者】

【氏名】大竹 博

(72)【発明者】

【氏名】渡邊 智郎

【審査官】 山本 賢明

(56)【参考文献】

【文献】 特開２０１９−１７５００４（ＪＰ，Ａ）

【文献】 国際公開第２０１８／１６３４０７（ＷＯ，Ａ１）

【文献】 特開２０１９−１１４０４２（ＪＰ，Ａ）

【文献】 特開２００６−０５８１００（ＪＰ，Ａ）

【文献】 特開平１０−０８３４９６（ＪＰ，Ａ）

【文献】 特開平９−２７００９１（ＪＰ，Ａ）

【文献】 特開平９−２１２７８８（ＪＰ，Ａ）

【文献】 特開平８−０７７４８５（ＪＰ，Ａ）

【文献】 特開平７−０９８７９４（ＪＰ，Ａ）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ０８Ｇ １／０９

Ｇ０８Ｇ １／１３

Ｇ０８Ｇ １／０４

Ｇ０８Ｇ １／０１

Ｇ０８Ｇ １／１６

(57)【特許請求の範囲】

【請求項1】

カメラで検出されたコネクテッドカーの第１の位置情報および第１の速度を前記カメラから受信し、
前記コネクテッドカーから第３の位置情報を受信する第１の受信部と、
前記コネクテッドカーが前記第１の位置情報が示す位置から前記第３の位置情報が示す位置まで移動するのに要した第１の到達時間を算出する算出部と、
前記カメラで検出された非コネクテッドカーの第２の位置情報および第２の速度を前記カメラから受信する第２の受信部と、
前記第１の速度、前記第１の到達時間、前記第２の位置情報、および前記第２の速度に基づいて、前記第２の位置情報が示す位置から前記第３の位置情報が示す位置までの前記非コネクテッドカーの第２の到達時間を推定する推定部と
を備え、
前記第２の位置情報が示す位置は、前記コネクテッドカーが通過した前記第１の位置情報が示す位置と前記第３の位置情報が示す位置とを結ぶ経路上にある位置であることを特徴とする情報処理装置。

【請求項2】

カメラで検出されたコネクテッドカーの第１の位置情報および第１の速度を前記カメラから受信し、
前記コネクテッドカーから第３の位置情報を受信する第１の受信部と、
前記第１の位置情報が示す位置から前記第３の位置情報が示す位置までの第１の到達時間を算出する算出部と、
前記コネクテッドカーを検出したカメラと同一の前記カメラで検出された非コネクテッドカーの第２の位置情報および第２の速度を前記カメラから受信する第２の受信部と、
前記第１の速度、前記第１の到達時間、前記第２の位置情報、および前記第２の速度に基づいて、前記第２の位置情報が示す位置から前記第３の位置情報が示す位置までの前記非コネクテッドカーの第２の到達時間を推定する推定部と
を備えたことを特徴とする情報処理装置。

【請求項3】

前記第１の位置情報および前記第１の速度を入力、ならびに前記第１の到達時間を正解とする教師データを学習し、学習モデルを生成する学習部をさらに備え、
前記推定部は、前記第２の位置情報および前記第２の速度を前記学習モデルに入力し、出力される到達時間を前記第２の到達時間と推定することを特徴とする請求項１または２に記載の情報処理装置。

【請求項4】

前記学習部は、前記コネクテッドカーの第１の属性情報、ならびに前記コネクテッドカーがいる場所の第１の環境情報および第１の周辺情報の少なくとも１つを前記教師データの入力としてさらに学習し、
前記推定部は、前記非コネクテッドカーの第２の属性情報、ならびに前記非コネクテッドカーがいる場所の第２の環境情報および第２の周辺情報の少なくとも１つを前記学習モデルにさらに入力することで出力される到達時間を前記第２の到達時間と推定することを特徴とする請求項３に記載の情報処理装置。

【請求項5】

前記学習部は、前記第１の属性情報として、前記コネクテッドカーの第１のサイズ、第１の車種、第１の乗員の構成、第１のウインカーの状態、および第１のハザードランプの状態、前記第１の環境情報として、前記コネクテッドカーがいる第１のレーンおよび第１の路面状態、ならびに前記コネクテッドカーがいる場所の第１の天候、第１の気温、および第１の湿度、前記第１の周辺情報として、前記コネクテッドカーに対する第１の前方車の有無、ならびに前記コネクテッドカーがいる場所周辺の第１の信号の状態、第１の渋滞状況、および第１の工事や第１のイベントの有無の少なくとも１つを前記教師データの入力としてさらに学習し、
前記推定部は、前記第２の属性情報として、前記非コネクテッドカーの第２のサイズ、第２の車種、第２の乗員の構成、第２のウインカーの状態、および第２のハザードランプの状態、前記第２の環境情報として、前記非コネクテッドカーがいる第２のレーンおよび第２の路面状態、ならびに前記非コネクテッドカーがいる場所の第２の天候、第２の気温、および第２の湿度、前記第２の周辺情報として、前記非コネクテッドカーに対する第２の前方車の有無、ならびに前記非コネクテッドカーがいる場所周辺の第２の信号の状態、第２の渋滞状況、および第２の工事や第２のイベントの有無の少なくとも１つを前記学習モデルにさらに入力することで出力される到達時間を前記第２の到達時間と推定することを特徴とする請求項４に記載の情報処理装置。

【請求項6】

前記カメラは、位置の異なる複数のカメラであることを特徴とする請求項１に記載の情報処理装置。

【請求項7】

前記カメラは、第２のコネクテッドカーの車載カメラであることを特徴とする請求項１に記載の情報処理装置。

【請求項8】

前記第２の受信部は、前記非コネクテッドカーと共に前記カメラで検出された第３のコネクテッドカーの第４の位置情報を受信し、
前記推定部は、前記第４の位置情報にさらに基づいて、前記第２の到達時間を推定することを特徴とする請求項１または２に記載の情報処理装置。

【請求項9】

前記第１の受信部は、前記第３の位置情報として、前記コネクテッドカーが全地球型航法衛星システム（ＧＮＳＳ）から受信した第１のＧＮＳＳ位置情報を受信し、
前記第２の受信部は、前記第４の位置情報として、前記第３のコネクテッドカーがＧＮＳＳから受信した第２のＧＮＳＳ位置情報を受信する
ことを特徴とする請求項８に記載の情報処理装置。

【請求項10】

前記第３の位置情報および前記第２の到達時間に少なくとも基づいて、通知が必要な第４のコネクテッドカーを検索し、前記第４のコネクテッドカーに前記非コネクテッドカーに関する情報を通知する通知部をさらに備えたことを特徴とする請求項１または２に記載の情報処理装置。

【請求項11】

情報処理装置が、
カメラで検出されたコネクテッドカーの第１の位置情報および第１の速度を前記カメラから受信し、
前記カメラで検出された非コネクテッドカーの第２の位置情報および第２の速度を前記カメラから受信し、
前記コネクテッドカーから第３の位置情報を受信し、
前記コネクテッドカーが前記第１の位置情報が示す位置から前記第３の位置情報が示す位置まで移動するのに要した第１の到達時間を算出し、
前記第１の速度、前記第１の到達時間、前記第２の位置情報、および前記第２の速度に基づいて、前記第２の位置情報が示す位置から前記第３の位置情報が示す位置までの前記非コネクテッドカーの第２の到達時間を推定する
処理を実行し、
前記第２の位置情報が示す位置は、前記コネクテッドカーが通過した前記第１の位置情報が示す位置と前記第３の位置情報が示す位置とを結ぶ経路上にある位置であることを特徴とする情報処理方法。

【請求項12】

情報処理装置が、
カメラで検出されたコネクテッドカーの第１の位置情報および第１の速度を前記カメラから受信し、
前記コネクテッドカーから第３の位置情報を受信し、
前記第１の位置情報が示す位置から前記第３の位置情報が示す位置までの第１の到達時間を算出し、
前記コネクテッドカーを検出したカメラと同一の前記カメラで検出された非コネクテッドカーの第２の位置情報および第２の速度を前記カメラから受信し、
前記第１の速度、前記第１の到達時間、前記第２の位置情報、および前記第２の速度に基づいて、前記第２の位置情報が示す位置から前記第３の位置情報が示す位置までの前記非コネクテッドカーの第２の到達時間を推定する
処理を実行することを特徴とする情報処理方法。

【請求項13】

情報処理装置に、請求項１１または請求項１２に記載の情報処理方法を実行させることを特徴とする情報処理プログラム。

【請求項14】

カメラから受信した情報に基づいて非コネクテッドカーの第２の位置情報および第２の速度を生成する生成部と、
前記カメラから受信した情報に基づいて生成されたコネクテッドカーの第１の位置情報および第１の速度、ならびに前記第１の位置情報が示す位置から、前記コネクテッドカーから受信された第３の位置情報が示す位置までの第１の到達時間に基づいて生成された学習モデルを用いて、前記第２の位置情報が示す位置から前記第３の位置情報が示す位置までの前記非コネクテッドカーの第２の到達時間を推定する推定部と
を備え、
前記第２の位置情報が示す位置は、前記コネクテッドカーが通過した前記第１の位置情報が示す位置と前記第３の位置情報が示す位置とを結ぶ経路上にある位置であることを特徴とする車両到達時間推定装置。

【請求項15】

カメラから受信した情報に基づいて非コネクテッドカーの第２の位置情報および第２の速度を生成する生成部と、
前記カメラと同一のカメラから受信した情報に基づいて生成されたコネクテッドカーの第１の位置情報および第１の速度、ならびに前記第１の位置情報が示す位置から、前記コネクテッドカーから受信された第３の位置情報が示す位置までの第１の到達時間に基づいて生成された学習モデルを用いて、前記第２の位置情報が示す位置から前記第３の位置情報が示す位置までの前記非コネクテッドカーの第２の到達時間を推定する推定部と
を備えたことを特徴とする車両到達時間推定装置。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、情報処理装置、情報処理方法、および情報処理プログラム、ならびに車両到達時間推定装置に関する。

【背景技術】

【0002】

自動車のＩＴ化が進み、ＩＣＴ（Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ：情報通信技術）端末としての機能を有する自動車（コネクテッドカー）が徐々に普及してきている。コネクテッドカーは、各種センサや通信機能を備え、車両の状態や周囲の状況などを検出し、他の車両、道路設備、歩行者、およびクラウドコンピュータなどと連携すること（いわゆる、Ｖ２Ｘ（Ｖｅｈｉｃｌｅ ｔｏ Ｅｖｅｒｙｔｈｉｎｇ））で新たな価値を生み出すことが期待されている。

【0003】

しかしながら、コネクテッドカーの普及率はまだ低く、通信機能を備えていない非コネクテッドカーは多く存在する。また、非コネクテッドカーのすべてがコネクテッドカーに置き換わるような時代が来るのはまだ先であろう。そのため、コネクテッドカーや道路設備などが、いかに非コネクテッドカーの存在を認識するかが、安全かつ安心なクルマ社会にとって重要となってくる。

【0004】

とくに、走行中のコネクテッドカーは、前後と比較して、横側の状況を検出し難い。そのため、周囲の別のコネクテッドカーや道路設備などが、対象のコネクテッドカーの死角となり易い部分の非コネクテッドカーを検出し、対象のコネクテッドカーに通知することができれば事故防止に繋がる。なお、現状、非コネクテッドカーの検出方法として、道路設備として設置された監視カメラや、ドライブレコーダを含む車載カメラを用いて、非コネクテッドカーを捉える方法がある。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】国際公開第２０１９／１２４００１号

【発明の概要】

【発明が解決しようとする課題】

【0006】

しかしながら、あらゆる道路や交差点に監視カメラが設置されているわけではないため、非コネクテッドカーを十分に検出するには監視カメラの設置数が不足している。そのため、監視カメラの設置数を増やすことが考えられるが、非コネクテッドカーを十分に検出するレベルまで設置数を増やすことを考えると膨大なコストがかかることが予測される。また、車載カメラによって非コネクテッドカーを検出するためには、車載カメラを搭載した車両が非コネクテッドカー付近を常に走行している必要があり現実的でない。

【0007】

本願は、上記に鑑みてなされたものであって、カメラにより検出することができない対象位置までの非コネクテッドカーの到達時間を推定することができる情報処理装置、情報処理方法、および情報処理プログラム、ならびに車両到達時間推定装置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】

【0008】

本願に係る情報処理装置の一態様は、カメラで検出されたコネクテッドカーの第１の位置情報および第１の速度をカメラから受信し、コネクテッドカーから第３の位置情報を受信する第１の受信部と、第１の位置情報が示す位置から第３の位置情報が示す位置までの第１の到達時間を算出する算出部と、カメラで検出された非コネクテッドカーの第２の位置情報および第２の速度を受信する第２の受信部と、第１の速度、第１の到達時間、第２の位置情報、および第２の速度に基づいて、第２の位置情報が示す位置から第３の位置情報が示す位置までの非コネクテッドカーの第２の到達時間を推定する推定部とを備えたことを特徴とする。

【発明の効果】

【0009】

実施形態の一態様によれば、カメラにより検出することができない対象位置までの非コネクテッドカーの到達時間を推定することができる。

【図面の簡単な説明】

【0010】

【図1】図１は、実施形態に係る情報処理システムの構成例を示す図である。

【図2】図２は、実施形態に係る情報処理装置１００の車両認識の例を示す図である。

【図3】図３は、実施形態に係る情報処理装置１００の機能構成例を示す図である。

【図4】図４は、実施形態に係るカメラ検出情報記憶部１２１に記憶される情報の例を示す図である。

【図5】図５は、実施形態に係るＧＮＮＳ位置情報記憶部１２２に記憶される情報の例を示す図である。

【図6】図６は、実施形態に係る通知内容情報記憶部１２３に記憶される情報の例を示す図である。

【図7】図７は、実施形態に係る学習処理の例を示す図である。

【図8】図８は、実施形態に係る推定処理の例を示す図である。

【図9】図９は、実施形態に係る学習処理の流れを示すフローチャートである。

【図10】図１０は、実施形態に係る推定処理の流れを示すフローチャートである。

【図11】図１１は、実施形態に係る推定処理の変形例を示す図である。

【図12】図１２は、情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

【0011】

以下に、本願に係る情報処理装置、情報処理方法、および情報処理プログラム、ならびに車両到達時間推定装置を実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る情報処理装置、情報処理方法、および情報処理プログラム、ならびに車両到達時間推定装置が限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。以下に、カメラにより検出することができない対象位置までの非コネクテッドカーの到達時間を推定することができる本実施形態について説明する。

【0012】

〔１．情報処理システムの構成〕
図１を用いて情報処理システムの構成について説明する。図１は、実施形態に係る情報処理システムの構成例を示す図である。図１に示すように、情報処理システムは、情報処理装置１００、１つまたは複数の監視カメラ２００−１〜２００−ｎ（ｎは任意の整数。以下、まとめて「監視カメラ２００」という）、コネクテッドカー３００を含む。情報処理装置１００と、監視カメラ２００およびコネクテッドカー３００とは、ネットワークＮを介して相互に通信可能に接続される。ネットワークＮは、有線、無線を問わず、インターネットなどの各種通信網を採用することができる。

【0013】

情報処理装置１００は、例えば、道路設備などを管理する道路会社によって管理されるサーバ装置である。情報処理装置１００は、監視カメラ２００から非コネクテッドカー４００の位置情報や速度を受信し、対象位置までの非コネクテッドカー４００の到達時間を推定する。そのために、情報処理装置１００は、監視カメラ２００からコネクテッドカー３００の位置情報や速度、およびコネクテッドカー３００からＧＮＮＳ位置情報を受信し、これらの情報を用いて学習モデルを生成する。なお、情報処理装置１００は、クラウドサーバ装置であってもよいし、複数台のコンピュータで構成される分散型コンピューティングシステムであってもよい。

【0014】

監視カメラ２００は、例えば、監視カメラを備えた道路設備である。監視カメラ２００は、コネクテッドカー３００や非コネクテッドカー４００を検出し、コネクテッドカー３００や非コネクテッドカー４００の位置情報や速度を情報処理装置１００に送信する。

【0015】

コネクテッドカー３００は、車載カメラやコネクテッド機能を備えた自動車である。コネクテッドカー３００も、他のコネクテッドカー３００や非コネクテッドカー４００を検出し、他のコネクテッドカー３００や非コネクテッドカー４００の位置情報や速度を情報処理装置１００に送信する。このように、コネクテッドカー３００に搭載された車載カメラにより検出されるコネクテッドカー３００や非コネクテッドカー４００の位置情報や速度を用いることで、監視カメラ２００では検出できないような位置にいる非コネクテッドカー４００の対象位置への到達時間を推定することができる。

【0016】

非コネクテッドカー４００は、コネクテッド機能を持たない自動車やバイクなどの移動体である非コネクテッドカー４００は、監視カメラ２００で検出されれば、情報処理装置１００によって認識されるが、監視カメラ２００などで検出されない場合は認識されない。

【0017】

図２は、実施形態に係る情報処理装置１００の車両認識の例を示す図である。図２の左側に示すように、コネクテッドカー３００−１や非コネクテッドカー４００−１は、監視カメラ２００によって検出される位置にいるため、情報処理装置１００はそれらの位置を認識することができる。また、コネクテッドカー３００−２は、監視カメラ２００によって検出される位置にいないが、情報処理装置１００は、コネクテッドカー３００−２から送信されるＧＮＮＳ位置情報によってその位置を認識することができる。一方、非コネクテッドカー４００−２は、監視カメラ２００によって検出される位置にいないため、情報処理装置１００はその位置を認識することができない。そのため、情報処理装置１００の車両認識は図２の右側に示すようになり、非コネクテッドカー４００−２の位置のみならず、その存在すら認識することができない。そのため、このような非コネクテッドカー４００の存在を認識し、コネクテッドカー３００に通知することが事故防止などに繋がる。

【0018】

〔２．情報処理装置１００の構成〕
次に、図３を用いて、実施形態に係る情報処理装置１００の機能構成について説明する。図３は、実施形態に係る情報処理装置１００の機能構成例を示す図である。図３に示すように、情報処理装置１００は、通信部１１０、記憶部１２０、制御部１３０を備える。

【0019】

（通信部１１０）
通信部１１０は、例えば、ＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）などによって実現される。通信部１１０は、インターネットなどの各種通信網と有線または無線で接続され、監視カメラ２００やコネクテッドカー３００などとの間で情報の送受信を行うことができる。

【0020】

（記憶部１２０）
記憶部１２０は、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ)、フラッシュメモリ（Ｆｌａｓｈ Ｍｅｍｏｒｙ）などの半導体メモリ素子、または、ハードディスク、光ディスクなどの記憶装置によって実現される。図３に示すように、記憶部１２０は、カメラ検出情報記憶部１２１、ＧＮＮＳ位置情報記憶部１２２、通知内容情報記憶部１２３を有する。以下、記憶部１２０に含まれる各記憶部について順に説明する。

【0021】

（カメラ検出情報記憶部１２１）
カメラ検出情報記憶部１２１は、監視カメラ２００や別のコネクテッドカー３００によって検出されたコネクテッドカー３００や非コネクテッドカー４００に関する情報を記憶する。図４は、実施形態に係るカメラ検出情報記憶部１２１に記憶される情報の例を示す図である。図４に示す例では、カメラ検出情報記憶部１２１は、「車両ナンバー、検出位置、速度、検出日時、検出装置ＩＤ」などを対応付けて記憶する。このようなカメラ検出情報の各種情報は、コネクテッドカー３００や非コネクテッドカー４００を検出した監視カメラ２００などによって生成されるトランザクションデータである。または、情報処理装置１００が、監視カメラ２００やコネクテッドカー３００から送信されてきたカメラ映像（画像）に対してナンバープレート解析や速度解析をするなどして、カメラ検出情報の各種情報を生成することもできる。

【0022】

「車両ナンバー」は、監視カメラ２００で捉えたコネクテッドカー３００や非コネクテッドカー４００のナンバープレートを解析することにより得られる各車両の識別子である。なお、非コネクテッドカー４００が自転車など、車両ナンバーを持たない移動体の場合、「車両ナンバー」は、当該移動体を一意に示すことができる任意の識別子である。なお、「車両ナンバー」は、例えば、非コネクテッドカー４００を複数の監視カメラ２００やコネクテッドカー３００で捕捉する場合、情報処理装置１００が非コネクテッドカー４００の同一性を認識する際に用いられる。

【0023】

「検出位置」は、コネクテッドカー３００や非コネクテッドカー４００を検出した監視カメラ２００などの位置（緯度および経度）であってよい。しかしながら、カメラ映像からコネクテッドカー３００や非コネクテッドカー４００のより正確な位置が検出できる場合は、各車両の緯度および経度である。

【0024】

「速度」は、コネクテッドカー３００や非コネクテッドカー４００を検出した際の、各車両の速度（例えば、時速）である。コネクテッドカー３００や非コネクテッドカー４００の速度は、例えば、カメラ映像のフレーム間隔と、フレーム間での各車両の移動距離とに基づいて算出することができる。

【0025】

「検出日時」は、例えば、監視カメラ２００などがコネクテッドカー３００や非コネクテッドカー４００を検出した時の監視カメラ２００やコネクテッドカー３００のシステム日時である。または、カメラ映像に関連付けて記録される日時であってもよい。

【0026】

「検出装置ＩＤ」は、コネクテッドカー３００や非コネクテッドカー４００を検出した監視カメラ２００や別のコネクテッドカー３００を一意に示す識別子である。

【0027】

（ＧＮＮＳ位置情報記憶部１２２）
ＧＮＮＳ位置情報記憶部１２２は、コネクテッドカー３００の位置情報を記憶する。図５は、実施形態に係るＧＮＮＳ位置情報記憶部１２２に記憶される情報の例を示す図である。図５に示す例では、ＧＮＮＳ位置情報記憶部１２２は、「車両ＩＤ、現在位置、位置受信日時」などを対応付けて記憶する。このようなＧＮＮＳ位置情報の各種情報は、例えば、コネクテッドカー３００によって、ＧＮＳＳ測位衛星から受信され、生成されるトランザクションデータである。

【0028】

「車両ＩＤ」は、コネクテッドカー３００を一意に示す識別子である。「車両ＩＤ」は、上述した「車両ナンバー」であってもよいが、図５の例では、ＧＮＳＳ測位衛星との間でも用いる識別子として別の識別子にしている。そのため、情報処理装置１００の記憶部１２０は、「車両ＩＤ」と「車両ナンバー」とのマッピングデータ（図示せず）をさらに記憶してもよい。

【0029】

「現在位置」は、例えば、コネクテッドカー３００が現在いる緯度および経度を示す（厳密には、「位置受信日時」にいた緯度および経度）。

【0030】

「位置受信日時」は、例えば、コネクテッドカー３００がＧＮＳＳ測位衛星から位置情報を受信した時のコネクテッドカー３００のシステム日時である。

【0031】

（通知内容情報記憶部１２３）
通知内容情報記憶部１２３は、監視カメラ２００やコネクテッドカー３００によって検出された非コネクテッドカー４００の存在を知らせるための通知内容に関する情報を記憶する。図６は、実施形態に係る通知内容情報記憶部１２３に記憶される情報の例を示す図である。図６に示す例では、通知内容情報記憶部１２３は、「通知先車両ＩＤ、通知内容」などを対応付けて記憶する。このような通知内容情報の各種情報は、情報処理装置１００によって生成されるトランザクションデータである。

【0032】

「通知先車両ＩＤ」は、通知内容の通知先であるコネクテッドカー３００を一意に示す識別子である。「通知先車両ＩＤ」は、上述した「車両ＩＤ」であってよいし、「車両ナンバー」であってもよい。

【0033】

「通知内容」は、コネクテッドカー３００に通知される通知内容である。推測された非コネクテッドカー４００の位置やその位置までの到達時間などに基づいて、コネクテッドカー３００の運転手などが理解し易いように自然言語化されてよい。

【0034】

（制御部１３０）
制御部１３０は、情報処理装置１００全体を司る処理部であり、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）など（いわゆる、プロセッサ）である。制御部１３０は、記憶部１２０に記憶されている各種プログラム（例えば、本願に係る情報処理プログラム）を、作業領域となるＲＡＭに展開して実行する。また、制御部１３０は、例えば、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）やＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）などの集積回路により実現される。

【0035】

図３に示すように、制御部１３０は、受信部１３１、算出部１３２、学習部１３３、推定部１３４、通知部１３５を有し、以下に説明する各機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図３に示した構成に限られず、後述する学習処理や推定処理を実行する構成であれば他の構成であってもよい。また、制御部１３０が有する各処理部の接続関係は、図３に示した接続関係に限られず、他の接続関係であってもよい。

【0036】

また、情報処理装置１００は、コネクテッドカー３００の位置、速度、および対象位置までの到達時間を基に学習モデルを生成し（学習フェーズ）、非コネクテッドカー４００の位置および速度を当該学習モデルに入力することで非コネクテッドカー４００の対象位置までの到達時間、換言するとある時点での非コネクテッドカー４００の位置を推定する（推定フェーズ。予測・認識フェーズなどともいう）。そのため、情報処理装置１００の各構成で実行される処理も、学習フェーズの処理（学習処理）と推定フェーズの処理（推定処理）にわかれる。なお、推定対象の「対象位置」は、主に、コネクテッドカー３００にとって死角となり得る、付近に監視カメラ２００が無い位置である。対象位置の正確な特定は、学習フェーズ時に、対象位置でのコネクテッドカー３００のＧＮＳＳ位置情報を受信することによって行われる。

【0037】

（受信部１３１）
まず、受信部１３１の学習処理について説明する。受信部１３１は、監視カメラ２００や別のコネクテッドカー３００によって検出されカメラ検出情報記憶部１２１に記憶されたコネクテッドカー３００の位置情報および速度を受信する。また、受信部１３１は、ＧＮＳＳから受信されＧＮＮＳ位置情報記憶部１２２に記憶されたコネクテッドカー３００のＧＮＳＳ位置情報を受信する。

【0038】

一方、受信部１３１の推定処理では、受信部１３１は、監視カメラ２００やコネクテッドカー３００によって検出されカメラ検出情報記憶部１２１に記憶された非コネクテッドカー４００の位置情報および速度を受信する。

【0039】

また、本実施形態の変形例として、非コネクテッドカー４００と共に監視カメラ２００などによって検出されたコネクテッドカー３００（「第３のコネクテッドカー」に相当）のＧＮＳＳ位置情報（「第２のＧＮＳＳ位置情報」に相当）にさらに基づいて、非コネクテッドカー４００の対象位置までの到達時間を推定することもできる。そのため、受信部１３１は、非コネクテッドカー４００と共に、監視カメラ２００やコネクテッドカー３００によって検出された第３のコネクテッドカー３００の第２のＧＮＳＳ位置情報をＧＮＮＳ位置情報記憶部１２２から受信する。

【0040】

（算出部１３２）
算出部１３２は、カメラによって検出されたコネクテッドカー３００の位置情報が示す位置から、ＧＮＳＳ位置情報が示す位置までの到達時間を算出する。ここで、到達時間は、例えば、カメラ検出情報（図４）の「検出日時」と、ＧＮＮＳ位置情報（図５）の「位置受信日時」との差分時間である。

【0041】

（学習部１３３）
学習部１３３は、監視カメラ２００や別のコネクテッドカー３００によって検出されたコネクテッドカー３００の位置情報（「第１の位置情報」に相当）および速度（「第１の速度」に相当）を入力、ならびに対象位置までの到達時間を正解とする教師データを学習し、学習モデルを生成する。そのために、学習部１３３は、コネクテッドカー３００の位置情報が示す位置から対象位置までの到達時間を算出する。

【0042】

また、学習部１３３は、コネクテッドカー３００の属性情報として、コネクテッドカー３００のサイズ、車種、乗員の構成、ウインカーの状態、およびハザードランプの状態、コネクテッドカー３００がいる場所の環境情報として、コネクテッドカー３００がいるレーンおよび路面状態、ならびにコネクテッドカー３００がいる場所の天候、気温、および湿度、コネクテッドカー３００がいる場所の周辺情報として、コネクテッドカー３００に対する前方車の有無、ならびにコネクテッドカー３００がいる場所周辺の信号の状態、渋滞状況、および工事やイベントの有無の少なくとも１つを教師データの入力として学習モデルをさらに学習することができる。

【0043】

（推定部１３４）
推定部１３４は、監視カメラ２００などによって検出されたコネクテッドカー３００の速度および対象位置までの到達時間、ならびに監視カメラ２００などよって検出された非コネクテッドカー４００の位置情報（「第２の位置情報」に相当）および速度（「第２の速度」に相当）に基づいて、第２の位置情報が示す位置から対象位置までの非コネクテッドカー４００の到達時間（「第２の到達時間」に相当）を推定する。この推定には、学習部１３３によって学習された上述の学習モデルを用いることができる。そのため、推定部１３４は、非コネクテッドカー４００の位置情報および速度を当該学習モデルに入力することで出力される到達時間を対象位置までの非コネクテッドカー４００の到達時間と推定することができる。

【0044】

また、推定部１３４は、非コネクテッドカー４００の属性情報として、非コネクテッドカー４００の第２のサイズ、第２の車種、第２の乗員の構成、第２のウインカーの状態、および第２のハザードランプの状態、非コネクテッドカー４００の環境情報として、非コネクテッドカー４００がいる第２のレーンおよび第２の路面状態、ならびに非コネクテッドカー４００がいる場所の第２の天候、第２の気温、および第２の湿度、非コネクテッドカー４００の周辺情報として、非コネクテッドカー４００に対する第２の前方車の有無、ならびに非コネクテッドカー４００がいる場所周辺の第２の信号の状態、第２の渋滞状況、および第２の工事や第２のイベントの有無の少なくとも１つを学習部１３３によって学習された上述の学習モデルにさらに入力することで出力される到達時間を対象位置までの非コネクテッドカー４００の到達時間と推定することができる。

【0045】

また、推定部１３４は、本実施形態の変形例として、非コネクテッドカー４００と共に監視カメラ２００などによって検出されたコネクテッドカー３００のＧＮＳＳ位置情報にさらに基づいて、非コネクテッドカー４００の位置や対象位置までの到達時間を推定することができる。

【0046】

（通知部１３５）
通知部１３５は、対象位置、および推定部１３４によって推定された非コネクテッドカー４００の対象位置までの到達時間に少なくとも基づいて、通知が必要なコネクテッドカー３００（「第４のコネクテッドカー」に相当）を検索し、当該コネクテッドカー３００に非コネクテッドカー４００に関する情報を通知する。なお、対象位置は、学習フェーズ時にコネクテッドカー３００のＧＮＳＳ位置情報から特定することができる。そのため、通知部１３５は、例えば、非コネクテッドカー４００が対象位置に到達する時刻に、対象位置の周辺（例えば、対象位置から３００ｍ以内）にいるコネクテッドカー３００に、非コネクテッドカー４００の存在を知らせる情報を通知することができる。このような、対象位置に到達する時刻に対象位置の周辺にいるコネクテッドカー３００も、推定部１３４が各コネクテッドカー３００の位置情報や速度を学習モデルに入力することによって推定することができる。なお、通知部１３５は、対象位置の周辺にはいるが、対象位置から遠ざかっているようなコネクテッドカー３００を、通知対象から除外することもできる。このように、通知が必要なコネクテッドカー３００に非コネクテッドカー４００に関する情報を通知することにより、非コネクテッドカー４００による事故を未然に防ぐことができる。

【0047】

〔３．学習処理の詳細〕
次に、図７を用いて、本実施形態の学習処理についてより具体的に説明する。図７は、実施形態に係る学習処理の例を示す図である。図７に示すように、監視カメラ２００−１は、時刻ｔ_１にコネクテッドカー３００−１を検出し、検出したコネクテッドカー３００−１の位置情報、および速度を、情報処理装置１００に送信する。次に、情報処理装置１００は、監視カメラ２００−１によって検出された時刻ｔ_１のコネクテッドカー３００−１の位置情報、および速度を受信する。そして、情報処理装置１００は、コネクテッドカー３００−１から送信された時刻ｔ_４のＧＮＳＳ位置情報を受信する。なお、時刻ｔ_４にコネクテッドカー３００−１がいる位置は、監視カメラ２００が設置されていない交差点Ｘであり、情報処理装置１００によって車両認識ができない位置である。例えば、この位置を推定部１３４によって推定される対象位置とする。そして、情報処理装置１００は、時刻ｔ_１のコネクテッドカー３００−１の位置情報、および速度を入力、ならびに対象位置までの到達時間（時刻ｔ_１と時刻ｔ_４との差分）を正解とする教師データを学習し、学習モデルを生成する。

【0048】

同様に、情報処理装置１００は、別のコネクテッドカー３００−２によって検出された時刻ｔ_２のコネクテッドカー３００−１の位置情報、および速度や、監視カメラ２００−２によって検出された時刻ｔ_３のコネクテッドカー３００−１の位置情報、および速度を入力とし、対象位置までのそれぞれの到達時間を正解とする教師データを学習し、学習モデルを生成することができる。

【0049】

なお、情報処理装置１００は、コネクテッドカー３００−１から送信された、時刻ｔ_１、ｔ_２、ｔ_３それぞれのＧＮＳＳ位置情報を、監視カメラ２００−１などによって検出されたそれぞれの位置情報と照合し、位置情報の整合性をとることができる。

【0050】

このように、情報処理装置１００は、監視カメラ２００などの各カメラによって検出された、対象位置に到達するコネクテッドカー３００の位置情報および速度と、対象位置までの到達時間とを繰り返し学習させて、学習モデルを生成することができる。なお、情報処理装置１００は、さらに様々な条件（上述したコネクテッドカー３００のサイズや車種など）を入力して学習させる。これにより、様々な条件下でより正確に非コネクテッドカー４００の到達時間を推定するための学習モデルを生成することができる。

【0051】

また、本実施形態の学習モデルは、非コネクテッドカー４００の位置情報および速度が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された位置情報および速度に応じて、非コネクテッドカー４００の対象位置までの到達時間を出力層から出力するよう、情報処理装置１００を機能させる。

【0052】

なお、本実施形態の学習モデルを生成する生成装置（例えば、サーバ装置などの情報処理装置１００）は、いかなる学習アルゴリズムを用いて上述の学習モデルを生成してもよい。例えば、生成装置は、ニューラルネットワーク（ＮＮ：Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、サポートベクターマシン（ＳＶＭ：Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、クラスタリング、強化学習などの学習アルゴリズムを用いて本実施形態の学習モデルを生成してもよい。一例として、生成装置がＮＮを用いて本実施形態の学習モデルを生成するとする。この場合、学習モデルは、１つ以上のニューロンを含む入力層と、１つ以上のニューロンを含む中間層と、１つ以上のニューロンを含む出力層とを有していてもよい。

【0053】

ここで、本実施形態に係る学習モデルが「ｙ＝ａ_１＊ｘ_１＋ａ_２＊ｘ_２＋・・・＋ａ_ｉ＊ｘ_ｉ」で示す回帰モデルで実現されるとする。この場合、学習モデルが含む第１要素は、ｘ_１やｘ_２などといった入力データ（ｘ_ｉ）に対応する。また、第１要素の重みは、ｘ_ｉに対応する係数ａ_ｉに対応する。ここで、回帰モデルは、入力層と出力層とを有する単純パーセプトロンとみなすことができる。各モデルを単純パーセプトロンとみなした場合、第１要素は、入力層が有するいずれかのノードに対応し、第２要素は、出力層が有するノードとみなすことができる。

【0054】

また、本実施形態に係る学習モデルがＤＮＮ（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）など、１つまたは複数の中間層を有するＮＮで実現されるとする。この場合、学習モデルが含む第１要素は、入力層または中間層が有するいずれかのノードに対応する。また、第２要素は、第１要素と対応するノードから値が伝達されるノードである次段のノードに対応する。また、第１要素の重みは、第１要素と対応するノードから第２要素と対応するノードに伝達される値に対して考慮される重みである接続係数に対応する。

【0055】

上述した回帰モデルやＮＮなど、任意の構造を有する学習モデルを用いて、非コネクテッドカー４００の対象位置までの到達時間を算出する。より具体的には、学習モデルは、非コネクテッドカー４００の位置情報および速度が入力された場合に、当該非コネクテッドカー４００の対象位置までの到達時間を出力するように係数が設定される。本実施形態に係る学習モデルは、データの入出力を繰り返すことで得られる結果に基づいて生成されるモデルであってもよい。

【0056】

なお、上記例では、本実施形態に係る学習モデルが、非コネクテッドカー４００の位置情報および速度が入力された場合に、当該非コネクテッドカー４００の対象位置までの到達時間を出力するモデル（モデルＡとする）である例を示した。しかしながら、本実施形態に係る学習モデルは、モデルＡに対しデータの入出力を繰り返すことで得られる結果に基づいて生成されるモデルであってもよい。例えば、本実施形態に係る学習モデルは、非コネクテッドカー４００の位置情報および速度を入力とし、モデルＡが出力する非コネクテッドカー４００の対象位置までの到達時間を出力とする学習モデル（モデルＢとする）であってもよい。または、本実施形態に係る学習モデルは、非コネクテッドカー４００の位置情報および速度を入力とし、モデルＢが出力する非コネクテッドカー４００の対象位置までの到達時間を出力とする学習モデルであってもよい。

【0057】

〔４．推定処理の詳細〕
次に、図８を用いて、本実施形態の推定処理についてより具体的に説明する。図８は、実施形態に係る推定処理の例を示す図である。図８に示すように、例えば、監視カメラ２００−１が時刻ｔ_１１に非コネクテッドカー４００を検出したとする。監視カメラ２００−１は、検出した非コネクテッドカー４００の位置情報および速度を情報処理装置１００に送信する。次に、情報処理装置１００は、監視カメラ２００−１によって検出された時刻ｔ_１１の非コネクテッドカー４００の位置情報、および速度を受信する。そして、情報処理装置１００は、時刻ｔ_１１の非コネクテッドカー４００の位置情報、および速度を学習モデルに入力することで出力される到達時間を、非コネクテッドカー４００が時刻ｔ_１１にいた位置から対象位置までの到達時間と推定する。なお、対象位置とは、例えば、監視カメラ２００が設置されていない交差点Ｘであり、情報処理装置１００によって車両認識ができない位置である（図８では、時刻ｔ_１４に非コネクテッドカー４００がいる位置である）。

【0058】

同様に、情報処理装置１００は、コネクテッドカー３００によって検出された時刻ｔ_１２の非コネクテッドカー４００の位置情報、および速度や、監視カメラ２００−２によって検出された時刻ｔ_１３の非コネクテッドカー４００の位置情報、および速度を学習モデルに入力することで、非コネクテッドカー４００が時刻ｔ_１２や時刻ｔ_１３にいた位置から対象位置までの到達時間をそれぞれ推定することができる。

【0059】

このように、情報処理装置１００は、監視カメラ２００などの各カメラによって検出された、非コネクテッドカー４００の位置情報および速度を学習モデルに入力することで、対象位置までの到達時間を推定することができる。換言すると、対象位置に非コネクテッドカー４００がいる時刻が推定される。さらに、対象位置を増やすことで、監視カメラ２００などの各カメラに検出されない間の非コネクテッドカー４００の位置（挙動）を推定することができる。なお、情報処理装置１００は、さらに様々な条件（上述したコネクテッドカー３００のサイズや車種など）で学習させた学習モデルに対し、非コネクテッドカー４００の様々な条件（上述した非コネクテッドカー４００のサイズや車種など）をさらに入力する。これにより、様々な条件下でより正確に非コネクテッドカー４００の到達時間を推定することができる。

【0060】

〔５．学習処理の手順〕
次に、図９を用いて、実施形態に係る学習処理の手順について説明する。図９は、実施形態に係る学習処理の流れを示すフローチャートである。本処理は、非コネクテッドカー４００の対象位置への到達時間を推定する学習モデルを生成するために、情報処理装置１００によって実行される。また、情報処理装置１００が、例えば、監視カメラ２００や別のコネクテッドカー３００によって検出されたコネクテッドカー３００の位置情報および速度を受信することをトリガーに開始される。

【0061】

まず、図９に示すように、情報処理装置１００の受信部１３１は、カメラ検出情報記憶部１２１に記憶されたコネクテッドカー３００の位置情報および速度を受信する（ステップＳ１０１）。これら位置情報および速度は、上述したように、監視カメラ２００または別のコネクテッドカー３００によって検出され、検出した監視カメラ２００または別のコネクテッドカー３００によって情報処理装置１００に送信される情報である。

【0062】

次に、受信部１３１は、ＧＮＮＳ位置情報記憶部１２２に記憶されたコネクテッドカー３００のＧＮＳＳ位置情報を受信する（ステップＳ１０２）。このＧＮＳＳ位置情報は、コネクテッドカー３００によってＧＮＳＳ測位衛星から受信され、コネクテッドカー３００によって情報処理装置１００に送信される情報である。

【0063】

次に、情報処理装置１００の学習部１３３は、受信部１３１によって受信されたコネクテッドカー３００の位置情報が示す位置からＧＮＳＳ位置情報が示す位置（対象位置）までの到達時間を算出する（ステップＳ１０３）。当該到達時間は、例えば、コネクテッドカー３００の位置情報が監視カメラ２００または別のコネクテッドカー３００によって検出された日時と、ＧＮＳＳ測位衛星によってＧＮＳＳ位置情報が受信された日時との差分から算出することができる。

【0064】

次に、学習部１３３は、受信部１３１によって受信されたコネクテッドカー３００の位置情報および速度を入力、ならびに算出した到達時間を正解とする教師データを学習し、学習モデルを生成する（ステップＳ１０４）。また、学習部１３３は、教師データの入力として、上述したような様々な条件（コネクテッドカー３００のサイズや車種など）をさらに学習してもよい。ステップＳ１０４の後、本処理は終了するが、学習部１３３はさらに、コネクテッドカー３００の位置や速度などを変えて繰り返し学習を行うことができる。

【0065】

〔６．推定処理の手順〕
次に、図１０を用いて、実施形態に係る推定処理の手順について説明する。図１０は、実施形態に係る推定処理の流れを示すフローチャートである。本処理は、上述した学習処理により生成された学習モデルを用いて非コネクテッドカー４００の対象位置への到達時間を推定し、通知が必要なコネクテッドカー３００に通知を行うために、情報処理装置１００によって実行される。また、情報処理装置１００が、例えば、監視カメラ２００やコネクテッドカー３００によって検出された非コネクテッドカー４００の位置情報および速度を受信することをトリガーに開始される。

【0066】

まず、図１０に示すように、情報処理装置１００の受信部１３１は、カメラ検出情報記憶部１２１に記憶された非コネクテッドカー４００の位置情報および速度を受信する（ステップＳ２０１）。これら位置情報および速度は、上述したように、監視カメラ２００またはコネクテッドカー３００によって検出され、検出した監視カメラ２００またはコネクテッドカー３００によって情報処理装置１００に送信される情報である。

【0067】

次に、情報処理装置１００の推定部１３４は、受信部１３１によって受信された非コネクテッドカー４００の位置情報および速度を、上述した学習処理により生成された学習モデルに入力する。そして、推定部１３４は、当該学習モデルから出力される到達時間を対象位置までの非コネクテッドカー４００の到達時間と推定する（ステップＳ２０２）。

【0068】

次に、情報処理装置１００の通知部１３５は、対象位置、および推定部１３４によって推定された非コネクテッドカー４００の対象位置までの到達時間に少なくとも基づいて、通知が必要なコネクテッドカー３００を検索する（ステップＳ２０３）。通知が必要なコネクテッドカー３００とは、上述したように、例えば、非コネクテッドカー４００が対象位置に到達する時刻に対象位置から３００ｍ以内にいるコネクテッドカー３００である。

【0069】

次に、通知部１３５は、通知が必要なコネクテッドカー３００に、例えば、非コネクテッドカー４００の存在を知らせる情報を通知する（ステップＳ２０４）。ステップＳ２０４の後、本処理は終了する。

【0070】

〔７．変形例〕
次に、実施形態に係る情報処理装置１００の推定処理の変形例について説明する。図１１は、実施形態に係る推定処理の変形例を示す図である。図１１に示すように、例えば、監視カメラ２００−１が時刻ｔ_２１に非コネクテッドカー４００と共に、例えば、非コネクテッドカー４００の前後を走るコネクテッドカー３００−１を検出したとする。この場合、情報処理装置１００は、コネクテッドカー３００−１から送信されてくるＧＮＳＳ位置情報およびコネクテッドカー３００−１の速度を学習モデルに入力することで出力される到達時間を、非コネクテッドカー４００が時刻ｔ_２１にいた位置から対象位置（例えば、時刻ｔ_２４に非コネクテッドカー４００がいる位置）までの到達時間と推定する。当該推定は、非コネクテッドカー４００の位置の特定にコネクテッドカー３００−１のＧＮＳＳ位置情報を用いるため、監視カメラ２００で検出された非コネクテッドカー４００の位置情報を用いるよりも正確な推定を行うことができる。

【0071】

〔８．効果〕
上述してきたように、実施形態に係る情報処理装置１００は、受信部１３１、算出部１３２、および推定部１３４を有する。受信部１３１は、カメラ（監視カメラ２００および／または別のコネクテッドカー３００）で検出されたコネクテッドカー３００の第１の位置情報および第１の速度をカメラから受信する。また、受信部１３１は、コネクテッドカー３００から第３の位置情報を受信する。算出部１３２は、第１の位置情報が示す位置から第３の位置情報が示す位置までの第１の到達時間を算出する。また、受信部１３１は、カメラで検出された非コネクテッドカー４００の第２の位置情報および第２の速度を受信する。推定部１３４は、第１の速度、第１の到達時間、第２の位置情報、および第２の速度に基づいて、第２の位置情報が示す位置から第３の位置情報が示す位置までの非コネクテッドカー４００の第２の到達時間を推定する。

【0072】

このように、実施形態に係る情報処理装置１００は、コネクテッドカー３００の速度、カメラで検出されたコネクテッドカー３００の位置から対象位置までの到達時間、ならびにカメラで検出された非コネクテッドカー４００の位置情報および速度に基づいて、非コネクテッドカー４００の対象位置までの到達時間を推定する。これにより、カメラにより検出することができない対象位置までの非コネクテッドカー４００の到達時間を推定することができる。

【0073】

また、実施形態に係る情報処理装置１００は、第１の位置情報および第１の速度を入力、ならびに第１の到達時間を正解とする教師データを学習し、学習モデルを生成する学習部１３３をさらに備え、情報処理装置１００の推定部１３４は、第２の位置情報および第２の速度を学習モデルに入力し、出力される到達時間を第２の到達時間と推定する。

【0074】

このように、実施形態に係る情報処理装置１００は、カメラで検出されたコネクテッドカー３００の位置情報および速度を入力、コネクテッドカー３００の対象位置までの到達時間を正解とする教師データによる学習モデルを用いて非コネクテッドカー４００の対象位置までの到達時間を推定する。これにより、カメラにより検出することができない対象位置までの非コネクテッドカー４００の到達時間をより正確に推定することができる。

【0075】

また、実施形態に係る情報処理装置１００の学習部１３３は、コネクテッドカー３００の第１の属性情報、ならびにコネクテッドカー３００がいる場所の第１の環境情報および第１の周辺情報の少なくとも１つを教師データの入力としてさらに学習し、推定部１３４は、非コネクテッドカー４００の第２の属性情報、ならびに非コネクテッドカー４００がいる場所の第２の環境情報および第２の周辺情報の少なくとも１つを学習モデルにさらに入力することで出力される到達時間を第２の到達時間と推定する。

【0076】

このように、実施形態に係る情報処理装置１００は、学習モデルにさらに様々な条件を入力して学習させることにより、様々な条件下でより正確に非コネクテッドカー４００の到達時間を推定することができる。

【0077】

また、実施形態に係る情報処理装置１００の学習部１３３は、コネクテッドカー３００の第１の属性情報として、コネクテッドカー３００の第１のサイズ、第１の車種、第１の乗員の構成、第１のウインカーの状態、および第１のハザードランプの状態、コネクテッドカー３００の第１の環境情報として、コネクテッドカー３００がいる第１のレーンおよび第１の路面状態、ならびにコネクテッドカー３００がいる場所の第１の天候、第１の気温、および第１の湿度、コネクテッドカー３００の第１の周辺情報として、コネクテッドカー３００に対する第１の前方車の有無、ならびにコネクテッドカー３００がいる場所周辺の第１の信号の状態、第１の渋滞状況、および第１の工事や第１のイベントの有無の少なくとも１つを教師データの入力としてさらに学習し、推定部１３４は、非コネクテッドカー４００の第２の属性情報として、非コネクテッドカー４００の第２のサイズ、第２の車種、第２の乗員の構成、第２のウインカーの状態、および第２のハザードランプの状態、非コネクテッドカー４００の環境情報として、非コネクテッドカー４００がいる第２のレーンおよび第２の路面状態、ならびに非コネクテッドカー４００がいる場所の第２の天候、第２の気温、および第２の湿度、非コネクテッドカー４００の周辺情報として、非コネクテッドカー４００に対する第２の前方車の有無、ならびに非コネクテッドカー４００がいる場所周辺の第２の信号の状態、第２の渋滞状況、および第２の工事や第２のイベントの有無の少なくとも１つを学習モデルにさらに入力することで出力される到達時間を第２の到達時間と推定する。

【0078】

このように、実施形態に係る情報処理装置１００は、学習モデルにさらに様々な条件を入力して学習させることにより、様々な条件下でより正確に非コネクテッドカー４００の到達時間を推定することができる。

【0079】

また、実施形態に係るカメラは、位置の異なる複数のカメラである。

【0080】

このように、実施形態に係る情報処理装置１００は、位置の異なる複数のカメラにより検出されたコネクテッドカー３００および非コネクテッドカー４００の位置情報および速度を用いて、対象位置への到達時間を推定する。これにより、カメラにより検出することができない対象位置までの非コネクテッドカー４００の到達時間をより正確に推定することができる。

【0081】

また、実施形態に係るカメラは、カメラは、第２のコネクテッドカー３００の車載カメラである。

【0082】

このように、実施形態に係る情報処理装置１００は、車載カメラにより検出されたコネクテッドカー３００および非コネクテッドカー４００の位置情報および速度を用いて、対象位置への到達時間を推定する。これにより、監視カメラ２００が設置されておらず、検出できないような位置にいる非コネクテッドカー４００の対象位置への到達時間を推定することができる。

【0083】

また、実施形態に係る情報処理装置１００の受信部１３１は、非コネクテッドカー４００と共にカメラで検出された第３のコネクテッドカー３００の第４の位置情報を受信し、実施形態に係る情報処理装置１００の推定部１３４は、第４の位置情報にさらに基づいて、第２の到達時間を推定する。

【0084】

このように、実施形態に係る情報処理装置１００は、非コネクテッドカー４００と共にカメラで検出されたコネクテッドカー３００の位置情報に基づいて、非コネクテッドカー４００の対象位置への到達時間を推定する。これにより、非コネクテッドカー４００の位置の推定を、非コネクテッドカー４００のカメラで検出された位置情報を用いるよりも正確に行うことができる。

【0085】

また、実施形態に係る情報処理装置１００の受信部１３１は、第３の位置情報として、コネクテッドカー３００が全地球型航法衛星システム（ＧＮＳＳ）から受信した第１のＧＮＳＳ位置情報を受信し、第４の位置情報として、第３のコネクテッドカー３００がＧＮＳＳから受信した第２のＧＮＳＳ位置情報を受信する。

【0086】

このように、コネクテッドカー３００の位置情報にＧＮＳＳ位置情報を用いることで、非コネクテッドカー４００の対象位置への到達時間をより正確に推定することができる。

【0087】

また、実施形態に係る情報処理装置１００は、第３の位置情報および第２の到達時間に少なくとも基づいて、通知が必要な第４のコネクテッドカー３００を検索し、第４のコネクテッドカー３００に非コネクテッドカー４００に関する情報を通知する通知部１３５をさらに備える。

【0088】

このように、実施形態に係る情報処理装置１００は、通知が必要なコネクテッドカー３００を検索し、非コネクテッドカー４００に関する情報を通知することにより、非コネクテッドカー４００による事故を未然に防ぐことができる。

【0089】

また、実施形態に係る情報処理装置１００は、受信部１３１、および推定部１３４を有する。受信部１３１は、カメラ（監視カメラ２００および／または別のコネクテッドカー３００）で検出された非コネクテッドカー４００の第２の位置情報および第２の速度をカメラから受信する。推定部１３４は、カメラで検出されたコネクテッドカー３００の第１の位置情報および第１の速度、ならびに第１の位置情報が示す位置から、コネクテッドカー３００から受信された第３の位置情報が示す位置までの第１の到達時間に基づいて生成された学習モデルを用いて、第２の位置情報が示す位置から第３の位置情報が示す位置までの非コネクテッドカー４００の第２の到達時間を推定する。

【0090】

このように、実施形態に係る情報処理装置１００は、コネクテッドカー３００の速度、カメラで検出されたコネクテッドカー３００の位置から対象位置までの到達時間、ならびにカメラで検出された非コネクテッドカー４００の位置情報および速度に基づいて生成された学習モデルを用いて、非コネクテッドカー４００の対象位置までの到達時間を推定する。これにより、カメラにより検出することができない対象位置までの非コネクテッドカー４００の到達時間を推定することができる。

【0091】

〔９．ハードウェア構成〕
上述してきた情報処理装置１００は、例えば、図１２に示すような構成のコンピュータ１０００によって実現される。図１２は、各装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、およびメディアインターフェイス（Ｉ／Ｆ）１７００を有する。

【0092】

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラムなどを格納する。

【0093】

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、および、プログラムによって使用されるデータなどを格納する。通信インターフェイス１５００は、ネットワークＮを介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が収集したデータを、ネットワークＮを介して他の機器へ送信する。

【0094】

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタなどの出力装置、および、キーボードやマウスなどの入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを入力する。また、ＣＰＵ１１００は、収集したデータを、入出力インターフェイス１６００を介して出力装置へ出力する。

【0095】

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、プログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）、ＰＤ（Ｐｈａｓｅ ｃｈａｎｇｅ ｒｅｗｒｉｔａｂｌｅ Ｄｉｓｋ）などの光学記録媒体、ＭＯ（Ｍａｇｎｅｔｏ−Ｏｐｔｉｃａｌ ｄｉｓｋ）などの光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリなどである。

【0096】

例えば、コンピュータ１０００が情報処理装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置からネットワークＮを介してこれらのプログラムを受信してもよい。

【0097】

以上、本願の実施形態を図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の行に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

【0098】

〔１０．その他〕
また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

【0099】

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

【0100】

また、上述してきた実施形態は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

【0101】

また、上述してきた「部（ｓｅｃｔｉｏｎ、ｍｏｄｕｌｅ、ｕｎｉｔ）」は、「手段」や「回路」などに読み替えることができる。例えば、受信部は、受信手段や受信回路に読み替えることができる。

【符号の説明】

【0102】

１００ 情報処理装置
１１０ 通信部
１２０ 記憶部
１２１ カメラ検出情報記憶部
１２２ ＧＮＮＳ位置情報記憶部
１２３ 通知内容情報記憶部
１３０ 制御部
１３１ 受信部
１３２ 算出部
１３３ 学習部
１３４ 推定部
１３５ 通知部
２００ 監視カメラ
３００ コネクテッドカー
４００ 非コネクテッドカー
Ｎ ネットワーク

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】