特開 2023-71768 運転評価モデル生成装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023071768

(43)【公開日】2023-05-23

(54)【発明の名称】運転評価モデル生成装置

(51)【国際特許分類】

   G09B 9/052 20060101AFI20230516BHJP

   G09B 9/04 20060101ALI20230516BHJP

   G09B 19/00 20060101ALI20230516BHJP

   G08G 1/00 20060101ALI20230516BHJP

   G08G 1/13 20060101ALI20230516BHJP

   G16Y 40/20 20200101ALI20230516BHJP

   G16Y 20/20 20200101ALI20230516BHJP

   G16Y 10/40 20200101ALI20230516BHJP

【ＦＩ】

G09B9/052

G09B9/04 A

G09B19/00 G

G08G1/00 D

G08G1/13

G16Y40/20

G16Y20/20

G16Y10/40

【審査請求】有

【請求項の数】1

【出願形態】ＯＬ

(21)【出願番号】P 2023023113

(22)【出願日】2023-02-17

(62)【分割の表示】P 2021069003の分割

【原出願日】2016-11-01

(71)【出願人】

【識別番号】000005016

【氏名又は名称】パイオニア株式会社

(74)【代理人】

【識別番号】100107331

【弁理士】

【氏名又は名称】中村 聡延

(72)【発明者】

【氏名】鎌田 喬浩

(72)【発明者】

【氏名】関谷 博之

(72)【発明者】

【氏名】谷川 裕史

(57)【要約】

【課題】運転経験や生活地域などによる感覚の違いを考慮した運転評価モデルを生成する。
【解決手段】運転評価モデル生成装置は、移動体が走行する場所の画像情報を記憶する第１記憶部と、画像情報に対して判定者が評価した運転に関する評価情報を、当該判定者のプロフィールに関連付けて記憶する第２記憶部と、を備える。そして、評価情報及び判定者のプロフィールに基づいて、判定者のプロフィールに対応する運転評価モデルを生成する。
【選択図】図３

【特許請求の範囲】

【請求項1】

移動体が走行する場所の画像情報に対して判定者が評価した運転に関する評価情報と、
前記評価情報に関連付けられた当該判定者のプロフィールに基づいて、前記判定者のプロフィールに対応する運転評価モデルを生成する生成部と、
を備える運転評価モデル生成装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、運転に関する評価を行うモデルを生成する方法に関する。

【背景技術】

【0002】

従来から、複数の車両からデータをサーバ装置に集約し、サーバ装置が機械学習により得た学習結果に関する情報を配信するシステムが知られている。例えば、特許文献１には、各車両の走行時の天候、時間帯などの状況を環境データとして収集し、環境データが示す状況ごとに学習するシステムが開示されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１５－１３３５５２号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

運転時の状況認識及び状況判断については、運転者の経験等に基づく個人差があり、運転者によって認識や判断が異なる場合がある。この点、特許文献１は、このような個人差については何ら勘案していない。

【0005】

本発明の解決しようとする課題としては、上記のものが一例として挙げられる。本発明は、運転経験や生活地域などによる感覚の違いを考慮した運転評価モデルを生成することを目的とする。

【課題を解決するための手段】

【0006】

請求項１に記載の発明は、運転評価モデル生成装置であって、移動体が走行する場所の画像情報に対して判定者が評価した運転に関する評価情報と、前記評価情報に関連付けられた当該判定者のプロフィールに基づいて、前記判定者のプロフィールに対応する運転評価モデルを生成する生成部と、を備える。

【図面の簡単な説明】

【0007】

【図1】本発明の実施例に係る学習システムの構成を示す。

【図2】教師データ管理部の記憶データの例を示す。

【図3】学習処理の第１実施例のフローチャートである。

【図4】学習処理の第２実施例のフローチャートである。

【発明を実施するための形態】

【0008】

本発明の１つの好適な実施形態では、運転評価モデル生成装置は、移動体が走行する場所の画像情報を記憶する第１記憶部と、前記画像情報に対して判定者が評価した運転に関する評価情報を、当該判定者のプロフィールに関連付けて記憶する第２記憶部と、前記評価情報及び前記判定者のプロフィールに基づいて、前記判定者のプロフィールに対応する運転評価モデルを生成する生成部と、を備える。

【0009】

上記の運転評価モデル生成装置は、移動体が走行する場所の画像情報を記憶する第１記憶部と、画像情報に対して判定者が評価した運転に関する評価情報を、当該判定者のプロフィールに関連付けて記憶する第２記憶部と、を備える。そして、評価情報及び判定者のプロフィールに基づいて、判定者のプロフィールに対応する運転評価モデルを生成する。こうして、判定者のプロフィール毎に、運転評価モデルを生成することができる。

【0010】

上記の運転評価モデル生成装置の一態様では、前記生成部は、前記プロフィールが共通する判定者のグループ毎に、当該グループに属する判定者による評価情報を前記記憶部から抽出し、抽出された評価情報の傾向を分析し、前記運転評価モデルを生成する。これにより、プロフィールが共通する判定者のグループに適した運転評価モデルを生成することができる。好適な例では、前記生成部は、同一の評価情報を提示した判定者数が、当該グループに属する判定者数の所定割合以上である場合に、当該評価情報を当該グループの運転評価モデルに反映する。

【0011】

上記の運転評価モデル生成装置の他の一態様では、前記生成部は、前記評価情報が共通する判定者のグループ毎に、当該グループに属する判定者のプロフィールを前記記憶部から抽出し、抽出されたプロフィールの傾向を分析し、当該グループのプロフィールを決定する。この態様では、評価情報が共通する判定者のグループに対してプロフィールが決定され、対応する運転評価モデルが生成される。好適な例では、前記生成部は、同一のプロフィールを有する判定者数が、当該グループに属する判定者数の所定割合以上である場合に、当該プロフィールを当該グループのプロフィールとする。

【0012】

上記の運転評価モデル生成装置の他の一態様では、前記プロフィールは、前記判定者の年齢、性別、居住地域、運転歴の少なくとも１つを含む。また、他の一態様では、前記生成部は、前記記憶部に記憶されている前記評価情報又は前記プロフィールが更新される度に、前記運転評価モデルを更新する。これにより、常に最新の情報を用いて運転評価モデルを生成することが可能となる。

【0013】

本発明の他の好適な実施形態では、運転評価モデル生成装置により実行される運転評価モデル生成方法は、移動体が走行する場所の画像情報を取得する第１取得工程と、前記画像情報に対して判定者が評価した運転に関する評価情報を、当該判定者のプロフィールに関連付けて取得する第２取得工程と、前記評価情報及び前記判定者のプロフィールに基づいて、前記判定者のプロフィールに対応する運転評価モデルを生成する生成工程と、を備える。この方法によっても、判定者のプロフィール毎に、運転評価モデルを生成することができる。

【0014】

本発明の他の好適な実施形態では、コンピュータを備える装置により実行されるプログラムは、移動体が走行する場所の画像情報を取得する第１取得工程、前記画像情報に対して判定者が評価した運転に関する評価情報を、当該判定者のプロフィールに関連付けて取得する第２取得工程、前記評価情報及び前記判定者のプロフィールに基づいて、前記判定者のプロフィールに対応する運転評価モデルを生成する生成工程、を前記コンピュータに実行させる。このプログラムをコンピュータで実行することにより、上記の運転評価モデル生成装置を実現することができる。このプログラムは、記憶媒体に記憶して取り扱うことができる。

【実施例0015】

以下、図面を参照して本発明の好適な実施例について説明する。
［システム構成］
図１は、本発明の運転評価モデル生成装置の一実施例である学習システムの構成を示す。学習システム１０は、例えばサーバ装置など、コンピュータを備える装置により実現される。図示のように、学習システム１０は、画像データ蓄積部１１と、教師データ管理部１２と、学習データ制御部１３と、機械学習部１４と、運転評価モデルデータベース（以下、「データベース」を「ＤＢ」と表記する。）と、を備える。

【0016】

画像データ蓄積部１１には、車両のカメラから撮影された画像データが蓄積される。典型的な例では、画像データは、車両の走行中に車載カメラにより撮影され、インターネットを介した無線通信などにより、サーバとして構成される学習システム１０へ供給される。画像データは、車両の走行している環境、具体的には、車両前方の道路とその周辺を含む画像となっている。画像データは、その識別情報である画像データＩＤに対応付けて画像データ蓄積部１１に保存されている。

【0017】

教師データ管理部１２は、画像データが示す走行環境について、判定者が教師として運転に関する評価を行った結果を記憶する。図２は、教師データ管理部１２の記憶データの例を示す。教師データ管理部１２には、複数の教師データが記憶される。１つの記憶データは、画像データＩＤと、プロフィールと、環境情報と、判定値とにより構成される。教師データ管理部１２に記憶された教師データは、後述の機械学習部１４による学習に使用される。なお、教師データは、例えば実際に走行している車両又はその車両に搭載されたカーナビゲーション装置などから送信されたプローブデータから生成することができる。また、アンケート方式により、画像データを判定者に見せて運転に関する評価をしてもらうと同時にその判定者のプロフィールやそのときの環境情報を取得して教師データを生成しても良い。

【0018】

「画像データＩＤ」は、判定者による判定の対象となる画像データの識別情報である。「プロフィール」は、運転評価の機械学習を行う際の教師のプロフィールであり、実際には画像データについての判定を行う判定者のプロフィールを示す。プロフィールは、教師識別子と、性別と、生年と、居住地と、運転歴とを含む。

【0019】

「教師識別子」は、教師を一意に示す識別情報であり、具体的には判定者のＩＤなどである。「性別」は判定者の性別であり、「生年」は判定者の生まれた年である。なお、生年の代わりに年齢を用いてもよい。「居住地」は判定者が居住している地域を示し、本例では都道府県を用いている。「運転歴」は判定者の運転歴であり、本例では運転経験年数を用いている。

【0020】

「環境情報」は、各画像データが撮影された際の環境を示す情報であり、天候、道路種別、時間帯を含む。「天候」は、画像データの撮影時の天候であり、晴れ、曇り、雨、雪などが使用される。「道路種別」は、画像データに含まれる道路、即ち、撮影の際に車両が走行している道路の種別であり、高速道路、国道、県道、細街路などが使用される。「時間帯」は、画像データの撮影時の時間帯を示す。

【0021】

「判定値」は、判定者による画像データの評価結果であり、画像データが示す走行環境を判定者が評価した結果である。本例では、判定値は「運転しにくい」と「運転しやすい」の２値が割り当てられているが、運転しやすさを３段階や５段階に分類し、３値や５値の判定値を用いてもよい。

【0022】

なお、図２に示す例では、教師識別子が「Ｋ１１１６」、「Ｈ１１１７」、「Ｔ１１１０」の３人の判定者が画像データＩＤ「１０７」と「１０８」の２枚の画像データについて運転しやすさの判定を行った結果が教師データとして記憶されている。

【0023】

図１に戻り、学習データ制御部１３は、画像データ蓄積部１１に記憶された画像データと、教師データ管理部１２に記憶された教師データに基づいて学習データを生成し、機械学習部１４へ供給する。「学習データ」とは、機械学習部１４に入力されて機械学習に使用されるデータであり、教師データと学習用データとを含む。ここで、「教師データ」とは、教師データ管理部１２に記憶されている判定値であり、「学習用データ」は判定値に対応する画像データである。即ち、学習データは、画像データと、その画像データに対する判定者の判定値とを紐付けたデータである。詳細は後述するが、学習データ制御部１３は、教師である判定者をそのプロフィールの共通性によりグループ化する。即ち、複数の教師を、プロフィールの共通性によりグループ化して教師モデルを生成し、教師モデル毎に学習用データを生成して機械学習部１４へ供給する。

【0024】

機械学習部１４は、学習データ制御部１３から供給された学習データを利用して教師あり学習を行う。そして、機械学習部１３は、学習結果として、画像データが示す走行環境が運転しやすいか否かを判定するためのモデル（以下、「運転評価モデル」と呼ぶ。）を生成する。即ち、運転評価モデルは、教師あり機械学習による得られたパターン識別器であって、例えばニューラルネットワークを適用した学習により得られた学習結果である。

【0025】

ここで、上述のように学習データ制御部１３は教師モデル毎に学習データを生成して機械学習部１４に供給するので、機械学習部１４は教師モデル毎に学習結果を生成し、運転評価モデルとして運転評価モデルＤＢ１５に記憶する。例えば、ディープラーニングによる学習の場合、運転評価モデルは、ネットワークデータ、教師モデル（教師モデルの作成に用いた教師のプロフィール）、環境データ（学習時に用いられた環境情報のパラメータ）などにより構成される。

【0026】

上記の構成において、画像データ蓄積部１１は本発明の第１記憶部の一例であり、教師データ管理部１２は本発明の第２記憶部の一例であり、学習データ制御部１３及び機械学習部１４は本発明の生成部の一例である。

【0027】

［学習処理］
次に、学習システム１０による学習処理について説明する。
（第１実施例）
第１実施例の学習処理では、教師（判定者）のプロフィールを指定することにより教師モデルを設定し、その教師モデルに対応する運転評価モデルを作成する。

【0028】

図３は、第１実施例による学習処理のフローチャートである。この処理は、主として図１に示す学習システム１０の学習データ制御部１３及び機械学習部１４により実行される。なお、学習システム１０がサーバなどのコンピュータ装置により構成される場合、学習処理はそのコンピュータ装置が予め用意されたプログラムを実行することにより実現される。

【0029】

まず、学習データ制御部１３は、教師データ管理部１２に記憶されている教師データから、プロフィールの共通性により教師をグループ化して教師モデルを作成する（ステップＳ１１）。図２に示すように、教師データ管理部１２には、異なる教師（判定者）についてのプロフィールが記憶されている。図２の例では、プロフィールとして、性別、生年、居住地、運転歴が記憶されている。学習データ制御部１３は、これらのプロフィールのうちの１つ又は複数が共通する判定者によりグループを作成する。例えば、性別が男で居住地が埼玉県である判定者により「埼玉県居住の男性」というグループを作成し、これを教師モデルとする。

【0030】

次に、学習データ制御部１３は、ステップＳ１１で作成した教師モデルに属する全ての教師（判定者）について画像データと判定値を取得する（ステップＳ１２）。具体的には、教師モデル「埼玉県居住の男性」に属する全ての教師データについて、判定値を教師データ管理部１２から取得するとともに、画像データＩＤに対応する画像データを画像データ蓄積部１１から取得する。そして、学習データ制御部１３は、取得した画像データと判定値を、その教師モデルの学習データとして保存する（ステップＳ１３）。こうして、ステップＳ１１で作成された教師モデルに対応する学習データが用意される。

【0031】

こうして作成された学習データは機械学習部１４に供給され、機械学習部１４は学習データを用いて機械学習を実行する（ステップＳ１４）。そして、機械学習部１４は、機械学習により得られた学習結果を保存する（ステップＳ１５）。具体的に、機械学習により得られた学習結果は、ステップＳ１１で作成された教師モデルに対応する運転評価モデルとなる。即ち、上記の例では、学習結果として教師モデル「埼玉県居住の男性」の運転評価モデルが得られる。そして、機械学習部１４は、この運転評価モデルを運転評価モデルＤＢ１５に保存する。

【0032】

なお、ステップＳ１３で、教師モデルに属する教師（判定者）について画像データと判定値を取得して学習データを生成する際に、同じ教師モデルに属する判定者から異なる判定値が得られる場合がある。例えば、教師モデル「埼玉県居住の男性」に属する判定者による同一の画像データに対する判定値が「運転しやすい」と「運転しにくい」に割れるケースが考えられる。この場合、得られた画像データと判定値は、そのままでは、学習データとして画像データと判定値を一対一で入力する機械学習処理に利用することができない。よって、学習データ制御部１３は、以下の方法で同一の画像データに対応する判定値を１つに統一する。

【0033】

学習データ制御部１３は、基本的に多数決により判定値を１つに決定する。即ち、学習データ制御部１３は、同一の画像データに対する判定値の出現回数をそれぞれカウントし、最も出現回数の多い判定値をその画像データに対する判定値として採用する。上記の例では、教師モデル「埼玉県居住の男性」に属する判定者による、同一の画像に対する判定値「運転しにくい」と「運転しやすい」の数をそれぞれカウントし、多い方の判定値をその画像データの判定値として採用する。

【0034】

なお、上記の多数決方式に信頼性の判断を加えて、同一の画像データに対する判定値を１つに決定してもよい。具体的には、異なる判定値の出現回数に大差がない場合には、精度が不十分となる可能性があるので、その画像データ及びそれに対する判定値を学習データとして採用しないこととしてもよい。

【0035】

また、最も多い出現回数が、他の判定値の出現回数と比較して優位性が認められる程度の差異があることを出現回数の比率で判定し、そのような差異がある場合に限り、最も多い出現回数の判定値を採用することとしてもよい。例えば、最も多い出現回数が全体の７０％以上である、又は、最も多い出現回数が２番目に多い出現回数より１０％以上大きい、などの条件が満たされる場合に、最も多い出現回数の判定値を採用することとしてもよい。

【0036】

このように、第１実施例では、最初にプロフィールを指定して教師モデルを設定し、その教師モデルに属する教師（判定者）の学習データを用いて機械学習を行うことにより、教師モデルに対応する運転評価モデルを生成する。よって、任意のプロフィールを指定することにより様々な教師モデルを設定して、それに対応する運転評価モデルを作成することができる。

【0037】

なお、プロフィールの共通性により設定される教師モデルの例としては様々なものが挙げられる。例えば、性別に基づいて「男性」、「女性」などの教師モデルを設定することができる。生年又は年齢に基づいて、「若年」又は「青年」、「中年」、「高齢」などの教師モデルや「２０代」～「８０代」などの教師モデルを設定することができる。居住地に関しては、都道府県ごとの教師モデルの他、「都市部」、「郊外」などの教師モデルを設定することもできる。運転歴に関しては、年数に応じて「初心者」、「ベテラン」などの教師モデルを設定することができる。もちろん、これらの複数を組み合わせて１つの教師モデルとすることも可能である。

【0038】

（第２実施例）
第２実施例の学習処理では、画像データに対する運転しやすさの評価結果である判定値が一致する教師をグループ化してそれに対する教師モデルを決定し、その教師モデルに対応する運転評価モデルを作成する。

【0039】

図４は、第２実施例による学習処理のフローチャートである。この処理は、主として図１に示す学習システムの学習データ制御部１３及び機械学習部１４により実行される。なお、学習システム１０がサーバなどのコンピュータ装置により構成される場合、学習処理はそのコンピュータ装置が予め用意されたプログラムを実行することにより実現される。

【0040】

まず、学習データ制御部１３は、教師データ管理部１２に記憶されている教師データから、判定値が一致する教師データをグループ化する（ステップＳ２１）。例えば、学習データ制御部１３は、判定値が「運転しにくい」である教師データにより１つのグループ（以下、説明の便宜上、グループ「運転しにくい」と呼ぶ。）を構成する。

【0041】

次に、学習データ制御部１３は、グループ「運転しにくい」に属する教師（判定者）のプロフィールを分析し、このグループの教師モデルを決定する（ステップＳ２２）。例えば、グループ「運転しにくい」に属する判定者の大半が運転歴の短い女性である場合、このグループは「運転歴の短い女性」のグループであると考えることができるので、学習データ制御部１３はこのグループの教師モデルを「運転歴の短い女性」と決定する。別の例として、グループ「運転しにくい」に属する判定者の大半が高齢者である場合には、学習データ制御部１３は、このグループの教師モデルを「高齢者」と決定する。こうして、学習データ制御部１３は、判定値が共通する教師データをグループ化し、そのプロフィールを分析することにより、そのグループについて教師モデルを設定する。

【0042】

次に、学習データ制御部１３は、ステップＳ２２で決定した教師モデルに属する全ての教師（判定者）の画像データと判定値を取得する（ステップＳ２３）。上記の最初の例では、学習データ制御部１３は、教師モデル「運転歴の短い女性」に属する全ての教師データを教師データ管理部１２から抽出し、その画像データと判定値とを取得する。そして、学習データ制御部１３は、取得した画像データと判定値を、その教師モデルの学習データとして保存する（ステップＳ２４）。こうして、ステップＳ２２で決定された教師モデルに対応する学習データが用意される。

【0043】

こうして作成された学習データは機械学習部Ｓ１４に供給され、機械学習部１４は、学習データを用いて機械学習を実行する（ステップＳ２５）。そして、機械学習部１４は、機械学習により得られた学習結果を保存する（ステップＳ２６）。具体的に、機械学習により得られた学習結果は、ステップＳ２２で決定された教師モデルに対応する運転評価モデルとなる。即ち、上記の例では、学習結果として教師モデル「運転歴の短い女性」の運転評価モデルが得られる。そして、この運転評価モデルが運転評価モデルＤＢ１５に保存される。

【0044】

このように、第２実施例では、最初に判定値、即ち、運転しやすさに対する評価結果が一致する教師をグループ化し、そのプロフィール分析することによりそのグループの教師モデルを設定する。そして、その教師モデルに属する教師（判定者）の学習データを用いて機械学習を行うことにより、教師モデルに対応する運転評価モデルを生成する。即ち、ある走行環境における運転しやすさの評価が一致する判定者がどのようなプロフィールを有するのかを分析することにより教師モデルを設定するので、現実に評価が一致する判定者により構成される教師モデルを柔軟に設定し、それに対する運転評価モデルを生成することができる。

【0045】

［変形例］
上記の実施例では、１つ又は複数のプロフィールにより教師モデルを設定しているが、さらに環境情報を加えて教師モデルを設定しても良い。例えば、上記の教師モデル「運転歴の短い女性」について環境情報の１つである天候を加味し、「運転歴の短い女性（晴天時）」、「運転歴の短い女性（降雨時）」、「運転歴の短い女性（降雪時）」などを別個の教師モデルとして設定しても良い。この場合には、それぞれの教師モデルに該当する天候条件で得られた教師データから学習データを作成し、機械学習を行って運転評価モデルを生成すればよい。

【符号の説明】

【0046】

１０ 学習システム
１１ 画像データ蓄積部
１２ 教師データ管理部
１３ 学習データ制御部
１４ 機械学習部
１５ 運転評価モデルデータベース

【図1】

【図2】

【図3】

【図4】