特許 7631852 ドライバ状態推定装置

(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】

(24)【登録日】2025-02-10

(45)【発行日】2025-02-19

(54)【発明の名称】ドライバ状態推定装置

(51)【国際特許分類】

   B60W 40/08 20120101AFI20250212BHJP

   G08G 1/16 20060101ALI20250212BHJP

   A61B 5/11 20060101ALI20250212BHJP

   A61B 5/18 20060101ALI20250212BHJP

   A61B 3/113 20060101ALI20250212BHJP

【ＦＩ】

B60W40/08

G08G1/16 F

A61B5/11 120

A61B5/18

A61B3/113

【請求項の数】 5

(21)【出願番号】P 2021017182

(22)【出願日】2021-02-05

(65)【公開番号】P2022120344

(43)【公開日】2022-08-18

【審査請求日】2023-12-19

(73)【特許権者】

【識別番号】000003137

【氏名又は名称】マツダ株式会社

(74)【代理人】

【識別番号】110001427

【氏名又は名称】弁理士法人前田特許事務所

(72)【発明者】

【氏名】吉田 誠

(72)【発明者】

【氏名】岩下 洋平

(72)【発明者】

【氏名】幾久 健

【審査官】平井 功

(56)【参考文献】

【文献】特開２００８－３０５１９０（ＪＰ，Ａ）

【文献】特開２００８－２８５０１３（ＪＰ，Ａ）

【文献】国際公開第２０１０／０３２４２４（ＷＯ，Ａ１）

【文献】特開２０１９－１２２４５９（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｂ６０Ｗ ３０／００－６０／００

Ｇ０８Ｇ １／００－９９／００

Ａ６１Ｂ ５／０６－ ５／２２

Ａ６１Ｂ ３／００－ ３／１８

(57)【特許請求の範囲】

【請求項1】

移動体を運転するドライバの状態を推定するドライバ状態推定装置であって、
前記ドライバの頭部の挙動を検出する頭部挙動検出部と、
前記ドライバの眼球の挙動を検出する眼球挙動検出部と、
前記頭部挙動検出部によって検出された頭部挙動のみから、前記ドライバの異常予兆を検知する第１検知部と、
前記頭部挙動検出部によって検出された頭部挙動と前記眼球挙動検出部によって検出された眼球挙動との相関から前記ドライバの異常予兆を検知する第２検知部と、を備え、
前記第１検知部は、
前記ドライバの頭部挙動を示す時系列データに対して、周期性特徴量を演算し、
演算によって得られた周期性特徴量に対して、時系列変動パターンを演算し、
演算によって得られた時系列変動パターンを所定の第１閾値と比較して、前記ドライバの異常予兆の有無を検知することを特徴とするドライバ状態推定装置。

【請求項2】

請求項１に記載のドライバ状態推定装置において、
前記第１検知部は、
前記ドライバの頭部挙動と前記ドライバに作用する横加速度とのコヒーレンスを更に演算し、
演算によって得られた周期性特徴量及びコヒーレンスに対して、時系列変動パターンを演算することを特徴とするドライバ状態推定装置。

【請求項3】

請求項１または２に記載のドライバ状態推定装置において、
前記第２検知部は、前記眼球挙動検出部によって検出された眼球の変位量と前記頭部挙動検出部によって検出された頭部の変位量とを比較することで、前記ドライバの異常予兆の有無を検知することを特徴とするドライバ状態推定装置。

【請求項4】

移動体を運転するドライバの状態を推定するドライバ状態推定装置であって、
前記ドライバの頭部の挙動を検出する頭部挙動検出部と、
前記ドライバの眼球の挙動を検出する眼球挙動検出部と、
前記頭部挙動検出部によって検出された頭部挙動のみから、前記ドライバの異常予兆を検知する第１検知部と、
前記頭部挙動検出部によって検出された頭部挙動と前記眼球挙動検出部によって検出された眼球挙動との相関から前記ドライバの異常予兆を検知する第２検知部と、を備え、
前記第２検知部は、前記眼球挙動検出部によって検出された眼球の変位量と前記頭部挙動検出部によって検出された頭部の変位量とを比較することで、前記ドライバの異常予兆の有無を検知することを特徴とするドライバ状態推定装置。

【請求項5】

請求項３または４に記載のドライバ状態推定装置において、
前記第２検知部は、
同時期に検出された眼球の変位量に対する頭部の変位量をプロットした２次元マップを演算し、
演算した前記２次元マップにおけるプロットの出現確率分布を演算し、
演算した前記出現確率分布と、予め演算された異常時の出現確率分布との一致度合いを比較することで前記ドライバの異常予兆の有無を検知することを特徴とするドライバ状態推定装置。

【発明の詳細な説明】

【技術分野】

【0001】

ここに開示された技術は、移動体を運転するドライバの状態を推定するドライバ状態推定装置に関する技術分野に属する。

【背景技術】

【0002】

昨今、国家的に自動運転システムの開発が推進されている。本願出願人は、現時点において、自動運転システムには、大きく分けると２つの方向性があると考えている。

【0003】

第１の方向性は、自動車が主体となってドライバの操作を要することなく乗員を目的地まで運ぶシステムであり、いわゆる自動車の完全自動走行である。一方、第２の方向性は、自動車の運転を楽しみたい等、あくまで人間が運転をすることを前提とした自動運転システムである。

【0004】

第２の方向性の自動運転システムでは、例えば、ドライバに疾患等が発生し正常な運転が困難な状況が発生した場合等に、自動車が自動的に乗員に変わって自動運転を行うことが想定される。このため、ドライバに異常が発生したこと、特に、ドライバに機能障害や疾患が発生したことをいかに早期にかつ精度良く発見できるかが、ドライバの救命率の向上や周囲を含めた安全を確保する観点から極めて重要となる。

【0005】

特許文献１では、ドライバの眼球運動のタイミングと頭部運動のタイミングとを特定して、特定したこれらのタイミングの順序を判定し、該判定結果に基づいてドライバの状態を推定するようにしている。

【0006】

また、特許文献２には、ドライバの頭部の揺れ幅に基づいてドライバの運転不能状態を検出したり、ドライバの目の白目度合いに基づいてドライバの運転不能状態を検出したりする状態検出装置が開示されている。

【先行技術文献】

【特許文献】

【0007】

【文献】特許第６０６８９６４号公報

【文献】特許第６３６１３１２号公報

【非特許文献】

【0008】

【文献】T. Nakamura, et al., “Multiscale Analysis of Intensive Longitudinal Biomedical Signals and its Clinical Applications”, Proceedings of the IEEE, Institute of Electrical and Electronics Engineers, 2016, vol.104, pp.242-261

【文献】水田他、「重心動揺に対するフラクタル解析」、Equilibrium Research、日本めまい平衡医学会、2016，Vol.75(3), pp.154-161

【発明の概要】

【発明が解決しようとする課題】

【0009】

特許文献１，２に示されているように、ドライバの頭部の動きや眼球の状態に基づいてドライバの運転不能や異常を判定する技術は、すでに知られている。しかしながら、特許文献１では、集中力の低下や肉体的な疲労については検出できたとしても、運転者に生じている疾患については事前に予測できない。また、特許文献２は、ドライバに疾患が発現してから運転不能になった状態を検出するものである。ドライバの異常発生時において、より安全に緊急停車等を行うためには、ドライバが運転不能になってしまう前に、その予兆をいち早く捉えることが好ましい。

【0010】

ここに開示された技術は斯かる点に鑑みてなされたものであり、その目的とするところは、移動体を運転するドライバが運転不能状態に陥る予兆を、出来る限り早期に検知する。

【課題を解決するための手段】

【0011】

前記課題を解決するために、ここに開示された技術では、移動体を運転するドライバの状態を推定するドライバ状態推定装置を対象として、前記ドライバの頭部の挙動を検出する頭部挙動検出部と、前記ドライバの眼球の挙動を検出する眼球挙動検出部と、前記頭部挙動検出部によって検出された頭部挙動のみから、前記ドライバの異常予兆を検知する第１検知部と、前記頭部挙動検出部によって検出された頭部挙動と前記眼球挙動検出部によって検出された眼球挙動との相関から前記ドライバの異常予兆を検知する第２検知部と、前記第１検知部及び前記第２検知部の少なくとも一方の検知結果に基づいて、前記ドライバの異常発生の有無を判定する判定部と、を備える、という構成にした。

【0012】

本願発明者らは、人の恒常性維持機能に着目し、恒常性維持機能の低下と、ドライバの頭部挙動及び眼球挙動との関係について研究を行った。恒常性とは、外乱に対して状態を一定に保とうとする機能のことをいい、頭部挙動に関しては、ドライバが運転中に頭部姿勢を維持しようとする性質のことを意味する。本願発明者らが鋭意研究した結果、ドライバの恒常性維持機能の低下に伴い、眼球挙動と頭部挙動との協調が乱れることが分かった。具体的には、ドライバが正常状態であるときには、視線を動かしたときには、視線の安定状態を維持させるために頭部も視線の動きを追従する一方で、ドライバの恒常性維持機能が低下しているときには、視線が移動したとしても、頭部が追従しにくいことが分かった。ここから、本願発明者らは、頭部挙動と眼球挙動との相関から異常予兆を検知することが有効であると見出した。

【0013】

そこで、本開示に係る技術では、頭部挙動のみによる異常予兆の検知に加えて、眼球挙動と頭部挙動との一致度合いからも異常予兆を検知するようにした。これにより、定速走行のように頭部挙動のみでは異常予兆を検知しにくい走行シーンであっても、異常予兆を出来る限り早期に検知することができる。この結果、移動体を運転するドライバが運転不能状態に陥る予兆を、出来る限り早期に検知することができる。

【0014】

前記ドライバ状態推定装置の一実施形態では、前記第１検知部は、前記ドライバの頭部挙動を示す時系列データに対して、周期性特徴量を演算し、演算によって得られた周期性特徴量に対して、時系列変動パターンを演算し、演算によって得られた時系列変動パターンを所定の第１閾値と比較して、前記ドライバの異常予兆の有無を検知する。

【0015】

すなわち、基本的には、ドライバが正常状態であれば、車両に入力される加速度に応じて、ドライバの頭部挙動が不規則になる。しかし、本発明者らが鋭意研究したところ、ドライバが正常状態であっても頭部挙動に周期性が現れる場合が少なくないことが分かった。そこで、周期性特徴量の時系列変動パターンを演算して、得られた時系列変動パターンを所定の閾値と比較して、ドライバの異常予兆の有無を判定するようにした。これにより、ドライバの異常予兆をより早期に検知することができる。

【0016】

前記一実施形態において、前記第１検知部は、前記ドライバの頭部挙動と前記ドライバに作用する横加速度とのコヒーレンスを更に演算し、演算によって得られた周期性特徴量及びコヒーレンスに対して、時系列変動パターンを演算する。

【0017】

すなわち、コーナー走行時のようなドライバの頭部に横加速度が大きく作用する走行シーンでは、ドライバが正常な状態であっても頭部挙動に周期性が表れやすい。そこで、本開示に係る技術では、ドライバの頭部挙動とドライバに作用する横加速度とのコヒーレンスを演算して、時系列変動パターンを演算するようにした。これにより、ドライバの頭部挙動と外的要因である横加速度との相関を加味して、異常予兆を検知することができるため、ドライバの異常予兆をより早期に検知することができる。

【0018】

前記ドライバ状態推定装置において、前記第２検知部は、前記眼球挙動検出部によって検出された眼球の変位量と前記頭部挙動検出部によって検出された頭部の変位量とを比較することで、前記ドライバの異常予兆の有無を検知する、という構成でもよい。

【0019】

すなわち、眼球が微少な変位をしたときなどは、頭部が追従しない場合がある。眼球の変位量と頭部の変位量との間の相関により異常予兆を検知するようにすれば、眼球の微少な動きと比較的大きな動きとを含めた、眼球挙動に対する頭部挙動の傾向により異常状態を検知することができる。これにより、ドライバの異常予兆を精度良く検知することができる。

【0020】

眼球の変位量と頭部の変位量とを比較するドライバ状態推定装置において、前記第２検知部は、同時期に検出された眼球の変位量に対する頭部の変位量をプロットした２次元マップを演算し、演算した前記２次元マップにおけるプロットの出現確率分布を演算し、演算した前記出現確率分布と、予め演算された異常時の出現確率分布との一致度合いを比較することで前記ドライバの異常予兆の有無を検知する、という構成でもよい。

【0021】

この構成によると、正常時と異常時とにおける、眼球挙動と頭部挙動との協調度合いの違いを適切に判定することができる。これにより、ドライバの異常予兆を早期にかつ精度良く検知することができる。

【発明の効果】

【0022】

以上説明したように、ここに開示された技術によると、移動体を運転するドライバが運転不能状態に陥る予兆を、出来る限り早期に検知することができる。

【図面の簡単な説明】

【0023】

【図1】図１は、本開示に係る技術の位置づけを説明する概念図である。

【図2】図２は、頭部のピッチ角およびロール角の時系列データの例である。

【図3】図３は、頭部のピッチ角およびロール角の自己相関指標の分布を表すグラフである。

【図4】図４は、自己相関指標の時系列変動を示すグラフである。

【図5】図５は、自己相関指標の時系列変動パターンの分類結果を示すグラフである。

【図6】図６は、頭部のピッチ角の時系列データであり、（ａ）は正常状態で直線走行時を示し、（ｂ）は異常模擬状態を示し、（ｃ）は正常状態でコーナー走行時を示す

【図7】図７は、走行実験によるデータであり、（ａ）は直線部からコーナーへの進入時を示し、（ｂ）は正常状態から異常模擬状態への遷移時を示す。

【図8】図８は、頭部挙動と横加速度のコヒーレンスの時系列変動を示すグラフである。

【図9】図９は、コヒーレンスと自己相関指標の時系列変動パターンの分類結果を示すグラフである。

【図10】図１０は、頭部挙動と眼球挙動の時系列データの例であり、（ａ）は正常状態を示し、（ｂ）は異常状態を示す。

【図11】図１１は、頭部挙動と眼球挙動との相関関係を比較するためのデータを作成する過程を示す図である。

【図12】図１２は、眼球変位量と頭部変位量とをプロットした２次元マップであり、（ａ）は正常状態を示し、（ｂ）は異常状態を示す。

【図13】図１３は、図１２の２次元マップから出現確率分布を算出した分布図であり、（ａ）は正常状態を示し、（ｂ）は異常状態を示す。

【図14】図１４は、頭部揺動、頭部－眼球の一致度、並びに、頭部変位量及び眼球変位量を示す時系列データであり、（ａ）は正常状態を示し、（ｂ）は異常状態を示す。

【図15】図１５は、ドライバ状態推定装置を含む車載システムの構成図である。

【図16】図１６は、頭部挙動のみに基づくドライバ状態推定の処理を示すフローチャートである。

【図17】図１７は、頭部挙動と眼球挙動との協調に基づくドライバ状態推定の処理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】

【0024】

以下、例示的な実施形態について、図面を参照しながら詳細に説明する。

【0025】

図１は本開示に係る技術の位置づけを表す概念図である。ドライバが運転不能に陥る状態変容は３つのパターンに集約される。ケースＡは、知覚、判断、運動のうち一部機能から低下するパターン、ケースＢは、全般機能が徐々に低下するパターン、ケースＣは急に意識を喪失するパターンである。このうち、ケースＡ，Ｂの場合は、図１に示すように、疾患が発症してから、ドライバの運転能力レベルが徐々に低下していき、やがて運転不能状態に至る。したがって、この運転能力の低下状態を検出できれば、ドライバの運転不能の予兆を検知することができる。運転不能の予兆を検知することができたら、その後は例えばドライバの意思確認を行い、自動走行制御によって車両を路肩に退避させる等の緊急対応が可能になる。また、ケースＣの場合であっても、意識を喪失する前の予兆を検知することができれば、緊急対応が可能になる。

【0026】

本開示に係る技術は、人の恒常性維持機能に着目し、ドライバの頭部挙動及びドライバの眼球挙動から、運転不能の予兆（以下、異常予兆という）を検知するものである。具体的には、本実施形態では、ドライバの頭部挙動のみに基づく異常予兆の検知と、ドライバの頭部挙動と眼球挙動との協調運動に基づく異常予兆の検知とを行う。

【0027】

人間は、外乱に対して状態を一定に保とうとする恒常性という機能を有している。頭部挙動の恒常性とは、運転中に頭部姿勢を維持しようとする性質のことをいう。また、頭部と眼球との協調運動に着目した場合には、視線が安定した状態を維持させるために、眼球が移動した方向に頭部を移動させることをいう。

【0028】

〈頭部挙動のみに基づく異常予兆の検知〉
まず、頭部挙動のみに基づく異常予兆の検知について説明する。

【0029】

前述したような人間の恒常性については、種々の研究がなされており、例えば、非特許文献１には、人間の頭部は、正常状態では、恒常性維持のために頭部が不規則に変動する一方、疾患時には、頭部の挙動が小さくなって、挙動が安定することが述べられている。また、非特許文献２には、正常状態から疾患状態に遷移する臨界減速状態では、頭部が周期性を持って変動することが述べられている。

【0030】

本願発明者らは、頭部挙動の周期性に注目して、頭部挙動の周期性特徴量を利用して、ドライバの異常予兆を検知することを考えた。

【0031】

図２は、本願発明者らがドライバの頭部挙動について実験を行った結果を示す。この実験では、ドライバにテストコースを運転させ、運転中のドライバの頭部挙動を計測した。ドライバには、いつもどおりの正常運転をさせ（正常状態に相当する）、運転中に、合図とともに異常模擬タスク（難暗算）を課題として与えた（異常予兆状態に相当する）。頭部の挙動を表すデータとして、ドライバを撮影するカメラの映像から、頭部のピッチ角（前後方向の角度）およびロール角（左右方向の角度）を計測した。そして、頭部のピッチ角およびロール角の時系列データに対して、ＤＦＡ（Detrended Fluctuation Analysis）により、自己相関指標（スケーリング指数α）を求めた。ＤＦＡは、非常にゆっくりと変化する成分、いわゆるトレンドを除去してスケーリングを調べる手法である。自己相関指標（スケーリング指数α）は、データの周期性を示す特徴量の一例である。

【0032】

図２は頭部のピッチ角およびロール角の時系列データの例である。図３は頭部のピッチ角およびロール角の自己相関指標の分布を表すグラフである。図３において、横軸はロール角の自己相関指標であり、縦軸はピッチ角の自己相関指標である。自己相関指標の値は、小さいほど自己相関が強く、大きいほど自己相関が弱いことを表す。

【0033】

図３に示すように、異常予兆状態では、自己相関指標が、正常状態に比べて自己相関が強い方に分布が偏っている。この実験結果は、正常状態では頭部は不規則に変動し、臨界減速状態では頭部は周期性を持って変動する、という前述の知見に合致している。しかしながら、図３から分かるように、正常状態の分布は比較的広範囲に広がっており、異常予兆状態の分布と重なっている範囲が大きい。つまり、自己相関指標のみでは、異常予兆状態の判別は必ずしも容易ではないことが分かる。

【0034】

そこで、本願発明者らは、自己相関指標の時系列変動パターンに着目した。図４に示すように、自己相関指標の時系列データを時間順に切り出し、これを時系列変動パターンとして、パターン分類を行った。ここでは、パターン分類の手法として、非線形次元圧縮手法（ＵＭＡＰ：Uniform Manifold Approximation and Projection）を用いた。

【0035】

図５は、自己相関指標の時系列変動パターンの分類結果を示す。図５では、時系列変動パターンをＵＭＡＰによって２次元に次元削減し、２次元マップにマッピングしている。図５では、図３と比べると、正常状態の分布と異常予兆状態の分布とが、より分かれている。図５に示した判定ラインＬＴＨは、２次元データに対してサポートベクターマシンを用いて得たものである。この判定ラインＬＴＨによって、異常予兆状態の判別について、誤判定率１５％を達成した。

【0036】

以上のことから、ドライバの頭部の挙動を表す時系列データに対して、周期性特徴量を演算し、演算によって得た周期性特徴量に対して、時系列変動パターンを演算し、演算によって得た時系列変動パターンを所定の閾値と比較することによって、ドライバの異常予兆を検知することができる、と考えられる。

【0037】

しかしながら、本願発明者らが検討を続けた結果、ドライバが正常状態であっても、頭部の挙動が異常予兆状態と似てくるケースが存在することが分かった。

【0038】

図６は本願発明者らによる実験により得られた、頭部のピッチ角の時系列データであり、（ａ）はドライバが正常状態で直線走行したケース、（ｂ）はドライバが異常模擬状態で運転したケース、（ｃ）はドライバが正常状態でコーナーを走行したケースである。各グラフでは、生データとその移動平均を示している。図６（ａ）に示すとおり、正常状態で直線走行したケースでは、頭部は不規則な変動をしており、図６（ｂ）に示すとおり、異常模擬状態で運転したケースでは、頭部は規則的な変動をしている。ところが、図６（ｃ）に示すとおり、正常状態でコーナーを走行したケースでは、頭部は、規則的な変動をしている。

【0039】

すなわち、図６（ｃ）のケースでは、ドライバが正常状態であるにもかかわらず、頭部ピッチ角データの自己相関指標が大きくなり、このため、図６（ｂ）のケースと識別することが困難になる。コーナー走行時にドライバの頭部が規則的に変動するのは、頭部に作用する横加速度が要因と推定される。

【0040】

図７は走行実験により得られたデータであり、（ａ）は車両が周回路直線部からコーナーへ進入したときのデータ、（ｂ）はドライバが正常状態から異常模擬状態に変わったときのデータである。図７（ａ），（ｂ）において、上側のグラフは車両横加速度と頭部ロール角の時系列変化を表し、下側のグラフは車両横加速度と頭部ロールとのコヒーレンス（相互相関指標）の時系列変化を表す。コヒーレンスは、車両横加速度の時系列変化から求めたパワースペクトルと頭部ロール角の時系列変化から求めたパワースペクトルとの相関を取ることによって求められる。コヒーレンスのグラフは、横軸が時間、縦軸が周波数であり、色が薄いほど相関が高く、色が濃いほど相関が低いことを表している。

【0041】

図７（ａ）の上側のデータを見ると、車両がコーナーに進入してから、横加速度の変化と連動して頭部が動いていることが分かる。すなわち、ドライバは、横加速度が作用し頭部が振られ始めると、頭部を横加速度の逆方向に補正している。このため、コーナー進入から徐々に、車両横加速度と頭部ロール角との間に相関が現れ始める。一方、図７（ｂ）の場合、頭部ロール角は車両横加速度の変化と連動しておらず、コヒーレンスはほとんど変化していない。

【0042】

前述の実験結果から、コーナー走行時のようなドライバの頭部に横加速度が大きく作用するケースにおいて、頭部挙動に周期性が現れやすいことが分かった。相関が現れる周波数は、主として２Ｈｚ以下である。これは、外力に対する頭部の周波数応答を反映していると考えられる。

【0043】

そこで、本願発明者らは、異常予兆の判定精度をさらに上げるために、頭部挙動の自己相関指標だけではなく、外部要因（ここでは横加速度）との相互相関指標を含めて、特徴量を演算し、パターン分類することを検討した。すなわち、図８に示すように、コヒーレンスの時系列データを時間順に切り出し、これを上述の自己相関指標の時系列データと組み合わせて、パターン分類を行った。ここでは、コヒーレンスの時系列データとして、車両横加速度との相関が現れやすい周波数１Ｈｚのデータと、車両横加速度との相関がさほど現れない周波数４Ｈｚのデータを用いた。パターン分類の手法としては、非線形次元圧縮手法（ＵＭＡＰ）を用いた。

【0044】

図９はコヒーレンスと自己相関指標の時系列変動パターンの分類結果を示す。図９では、図５と同様に、時系列変動パターンをＵＭＡＰによって２次元に次元削減し、２次元マップにマッピングしている。図９に示した判定ラインＬＴＨ２は、２次元データに対してサポートベクターマシンを用いて得たものである。この判定ラインＬＴＨ２によって、異常予兆状態の判別について、誤判定率１％を達成することができた。

【0045】

以上のことから、本実施形態では、ドライバの頭部挙動のみに基づいてドライバの異常予兆を検知する場合には、ドライバの頭部挙動を表す時系列データに対して周期性特徴量を演算し、さらに、ドライバの頭部挙動とドライバの頭部に作用する横加速度とのコヒーレンスを演算し、演算によって得た周期性特徴量およびコヒーレンスに対して時系列変動パターンを演算し、演算によって得た時系列変動パターンを所定の閾値と比較することによって、ドライバの異常予兆を検知するようにした。これにより、頭部挙動と外部要因となる横加速度との相関を加味した判定が可能となり、ドライバの異常予兆をさらに精度良く検知することができる。

【0046】

〈頭部－眼球の協調運動に基づく異常予兆の検知〉
次に、ドライバの頭部挙動と眼球挙動との協調運動に基づく異常予兆の検知について説明する。

【0047】

図１０は、ドライバの頭部挙動と眼球挙動とを同時に測定したものである。ドライバの頭部挙動及び眼球挙動は、いずれも車室内カメラにより撮影した画像から算出している。図１０において、（ａ）はドライバが正常状態の場合の各挙動を示し、（ｂ）はドライバが異常状態であるときの各挙動を示す。各グラフにおいて、縦軸は頭部及び眼球が基準位置から左右に移動した角度（以下、ヨー角という）を表している。

【0048】

図１０（ａ）に示すように、眼球のヨー角が微少な場合は、頭部はほとんど移動しないが、眼球のヨー角が比較的大きい場合には、頭部が眼球の動きに対応するように移動していることが分かる。一方で、図１０（ｂ）を参照すると、ドライバに異常予兆が生じているときには、眼球が大きく移動したとしても、頭部がほとんど移動しないことが分かる。これは、ドライバの恒常性機能が低下した結果、頭部を移動することに対して脳の処理が追いつかず、眼のみで対象物を見ようとするためである。

【0049】

本願発明者らは、このような実験で得られた知見から、頭部のヨー角と眼球のヨー角とを比較することで、ドライバの異常予兆を検知することを検討した。そして、本願発明者らは、ドライバの眼球のヨー角と該ヨー角が計測された時の頭部のヨー角とを２次元マップにして、該２次元マップと、ドライバの異常状態のときの２次元マップとの一致度合いを演算することで、ドライバの異常予兆を検知することを見出した。

【0050】

本実施形態では、２次元マップ同士の一致度合いを演算するために、ドライバの眼球のヨー角と頭部のヨー角との２次元マップに対して、確率密度推定（ＫＤＥ：Kernel density estimation）により、２次元マップ上のプロットの出現確率分布Ｑを算出する。

【0051】

具体的には、図１１に示すように、まず、頭部ヨー角と眼球ヨー角との時系列データのうちの所定時間分のデータから、同時期に検出されたドライバの眼球ヨー角に対する頭部ヨー角をプロットした２次元マップ１１０１を作成する。所定時間は、例えば、５～１０秒程度である。

【0052】

次に、作成した２次元マップ１１０１に対して、ＫＤＥにより出現確率分布Ｑを示す確率分布マップ１１０２を作成する。確率分布マップ１１０２の演算では、２次元マップ１１０１を所定サイズのメッシュに分割して、メッシュ毎にプロットの出現確率を算出する。図１１に示すように、確率分布マップ１１０２では、プロットの密集度が高いメッシュほど、出現確率が高くなる。尚、２次元マップ１１０１から確率分布マップ１１０２を算出するときには、公知のプログラムを利用することができる。

【0053】

図１２には、ドライバが正常状態のときの２次元マップ１１０１ａ（図１２の（ａ））と、ドライバが異常状態のときの２次元マップ１１０１ｂ（図１２の（ｂ））とを示す。図１２に示すように、ドライバが正常状態のときには、頭部ヨー角が大きいプロットも多数存在することが分かる。特に、ドライバが正常状態のときには、眼球ヨー角が大きいほど、頭部ヨー角についても大きくなりやすいことが分かる。これは、人間の恒常性により、眼球の動きに合わせて、頭部が移動していることを表している。一方で、ドライバが異常状態のときには、眼球ヨー角が大きくなったとしても、頭部ヨー角が小さいことが分かる。これは、恒常性機能が低下したことにより、頭部が移動しにくくなったためである。

【0054】

図１３には、図１２（ａ）の２次元マップ１１０１ａに対して演算した確率分布マップ１１０２ａ（図１３の（ａ））と、図１２（ｂ）の２次元マップ１１０１ｂに対して演算した確率分布マップ１１０２ｂ（図１３の（ｂ））とを示す。図１３に示すように、ドライバが正常状態のときには、出現確率が、頭部ヨー角が大きい部分にまで分布している一方で、ドライバが異常状態のときには、出現確率が、頭部ヨー角が小さい部分にしか分布していないことが分かる。

【0055】

本実施形態では、図１３（ｂ）のようなドライバが異常状態のときの出現確率分布Ｐを示す確率分布マップ１１０２ｂをデータとして予め格納しておき、ドライバが運転中に演算された出現確率分布Ｑとの一致度合いを求めて、ドライバの異常予兆を検知する。具体的には、最新の出現確率分布Ｑと異常状態のモデルとなる出現確率分布Ｐとのカルバック・ライブラー距離（ＫＬ距離：Kullback-Leibler 距離）を算出する。ＫＬ距離は以下の式により算出される。

【0056】

【数1】

【0057】

この式において、ｉはメッシュの座標を表す。

【0058】

このＫＬ距離は、最新の出現確率分布Ｑと異常時の出現確率分布Ｐとの一致度が高いほど小さくなり、完全に一致するときには０になる。このため、ＫＬ距離が所定値以下であるときには、ドライバに異常予兆ありとみなし、ＫＬ距離が所定値よりも大きいときには、ドライバが正常状態であるとみなすことができる。

【0059】

図１４は、ドライバに対して、頭部ヨー角及び眼球ヨー角を検出するとともに、検出結果から演算された出現確率分布と異常状態における出現確率分布とのＫＬ距離を算出した結果を示す。この実験では、ドライバにドライブシミュレータにより運転させ、運転中のドライバの頭部挙動と眼球挙動とを計測した。図１４（ａ）は、正常状態のドライバから検出された結果であり、図１４（ｂ）は、前述したケースＣ患者から検出された結果である。図１４（ａ），（ｂ）ともに、上図がＫＬ距離であり、下図が検出された頭部ヨー角及び眼球ヨー角である。尚、図１４（ｂ）においては、グラフの終端においてドライバに異常が発生している。

【0060】

図１４（ａ）に示すように、ドライバが正常な場合には、ドライバの頭部と眼球とがおおよそ連動して動き、ＫＬ距離はある程度高い状態を維持して推移することが分かる。一方で、図１４（ｂ）に示すように、ドライバに異常予兆が現れるときには、ＫＬ距離が急に小さくなり、０に近い値で推移することが分かる。これは、異常予兆として、恒常性機能が低下して、頭部と眼球との協調運動機能が低下したためと考えられる。したがって、実際の実験でも、最新の出現確率分布Ｑと異常時の出現確率分布ＰとのＫＬ距離を算出することで、ドライバの異常予兆を検知可能であることが実際の実験結果からも証明された。尚、この図１４（ｂ）では、ＫＬ距離が所定値以下となってから破線で示す時間に異常予兆ありを検知している。このように、頭部－眼球の協調運動に基づいても、実際に異常が生じる前に、異常予兆を検知することができている。特に、ケースＣの患者についても有効であることが分かった。このＫＬ距離を利用した異常予兆状態の判別により、誤判定率０．２％を達成することができた。

【0061】

〈ドライバ状態推定装置の構成〉
図１５は、ドライバ状態推定装置を含む車載システムの構成例を示す。図１５に示す車載システムにおいて、カメラ１０、加速度センサ１１、スピーカ１２、情報提示部１３、スイッチ１４、及びマイク１５は、車室内に搭載されている。情報処理装置２０は、例えば、プロセッサ及びメモリを備えた単一のＩＣチップ、あるいは、プロセッサ及びメモリを備えた、複数のＩＣチップ等によって構成される。車両停止制御部４０は、情報処理装置２０からの指示を受けて、車両を自動的に路肩退避させて停止させる制御を行う。

【0062】

カメラ１０は、例えば、フロントガラスの内側に設置されており、ドライバを含む車内の状況を撮影する。カメラ１０によって撮影された画像は、例えば車載ネットワークを介して、情報処理装置２０に送信される。

【0063】

情報処理装置２０において、頭部挙動検出部２１は、カメラ１０によって撮影された画像から、ドライバの頭部の挙動を検出する。例えば、画像からドライバの頭部を認識し、頭部の傾斜角、例えばピッチ角、ロール角、及びヨー角を求める。頭部挙動検出部２１における処理は、既存の画像処理技術によって実現することができる。頭部挙動検出部２１による処理によって、図２、図１０、及び図１４に示すような頭部挙動の時系列データを得ることができる。頭部挙動の時系列データは、ドライバの異常予兆を検知する第１検知部１１０及び第２検知部１２０に送られる。

【0064】

情報処理装置２０において、眼球挙動検出部２２は、カメラ１０によって撮影された画像から、ドライバの眼球の挙動を検出する。例えば、画像からドライバの眼球を認識し、眼球の黒目の傾斜角、例えばヨー角を求める。眼球挙動検出部２２における処理は、既存の画像処理技術によって実現することができる。眼球挙動検出部２２による処理によって、図１０及び図１４に示すような眼球挙動の時系列データを得ることができる。眼球挙動の時系列データは、ドライバの異常予兆を検知する第２検知部１２０に送られる。

【0065】

第１検知部１１０は、頭部挙動のみからドライバの異常予兆を検知する。第１検知部１１０は、周期性特徴量演算部１１１、時系列変動パターン演算部１１２、異常判定部１１３、異常判定閾値データベース１１４、及びコヒーレンス演算部１１５を備える。周期性特徴量演算部１１１は、頭部挙動検出部２１によって得られた頭部挙動の時系列データから、周期性特徴量を演算する。具体的には、例えば、ＤＦＡにより、自己相関指標（スケーリング指数α）を周期性特徴量として求める。周期性特徴量演算部１１１によって、図４に示すような周期性特徴量の時系列データを得ることができる。

【0066】

コヒーレンス演算部１１５は、加速度センサ１１の出力と、頭部挙動検出部２１によって得られた頭部挙動の時系列データとを用いて、ドライバの頭部の挙動とドライバの頭部に作用する横加速度とのコヒーレンスを演算する。例えば、コヒーレンス演算部１１５は、加速度センサ１１の出力から認識した車両の左右方向の加速度をドライバの頭部に作用する横加速度として捉え、この横加速度の時系列データからパワースペクトルを求める。また、コヒーレンス演算部１１５は、頭部挙動の時系列データからパワースペクトルを求め、パワースペクトル同士の相関を取ることによって、コヒーレンスを求める。そして、コヒーレンス演算部１１５は、横加速度との相関が現れやすい周波数として例えば１Ｈｚの時系列データと、横加速度との相関がさほど現れない周波数として例えば４Ｈｚの時系列データを求める。

【0067】

時系列変動パターン演算部１１２は、周期性特徴量演算部１１１によって得られた周期性特徴量の時系列データ、および、コヒーレンス演算部１１５によって得られたコヒーレンスの時系列データを、時間順に切り出し、切り出した時系列データの組み合わせから時系列変動パターンを演算し、パターン分類する。具体的には例えば、周期性特徴量およびコヒーレンスの組み合わせの時系列データを、非線形次元圧縮手法の１つであるＵＭＡＰを用いて次元削減し、２次元データに変換する。

【0068】

異常判定部１１３は、時系列変動パターン演算部１１２によって得られたデータを、異常判定閾値データベース１１４に格納された閾値と比較し、ドライバに異常予兆が発生したか否かを判定する。例えば、図９の２次元マップにおける判定ラインＬＴＨ２が、異常判定閾値データベース１１４に格納された閾値に相当する。異常判定部１１３は、時系列変動パターン演算部１１２によって得られたデータが、２次元マップ上において、判定ラインＬＴＨ２のどちら側に位置するかによって、ドライバに異常予兆が発生したか否かを判定する。

【0069】

第２検知部１２０は、頭部挙動と眼球挙動の相関からドライバの異常予兆を検知する。第２検知部１２０は、頭部－眼球変位量分布演算部１２１、異常度演算部１２２、異常判定部１２３、異常確率分布データベース１２４、及び異常判定閾値データベース１２５を備える。頭部－眼球変位量分布演算部１２１は、頭部挙動検出部２１によって得られた頭部挙動の時系列データ及び眼球挙動検出部２２によって得られた眼球挙動の時系列データに基づいて、同時期に検出された眼球の変位量と頭部の変位量との２次元マップ１１０１を演算する。

【0070】

異常度演算部１２２は、２次元マップ１１０１を複数のメッシュに分けて、メッシュ毎に、例えばＫＤＥにより、出現確率分布を演算して、確率分布マップ１１０２を作成する。これにより、図１３に示すような確率分布マップ１１０２を得ることができる。また、異常度演算部１２２は、作成した確率分布マップ１１０２と、異常確率分布データベース１２４に格納された、異常状態における確率分布マップと一致度合いを演算する。異常度演算部１２２は、例えば、確率分布マップ同士のＫＬ距離を算出することで、確率分布マップ同士の一致度合いを演算する。

【0071】

異常判定部１２３は、異常度演算部１２２によって得られたデータを、異常判定閾値データベース１２５に格納された閾値と比較し、ドライバに異常予兆が発生したか否かを判定する。閾値は、例えば１に設定されている。異常判定部１２３は、異常度演算部１２２により得られたＫＬ距離が１以下の場合に、ドライバに異常予兆ありと判定する一方、異常度演算部１２２により得られたＫＬ距離が１より大きい場合に、ドライバに異常予兆なしと判定する。

【0072】

第１検知部１１０及び第２検知部１２０は、異常判定部１１３，１２３が、ドライバに異常予兆ありと判定したときには、ドライバへの問いかけ要求を問いかけ部２３に出力する。

【0073】

問いかけ部２３は、第１検知部１１０及び第２検知部１２０の少なくとも一方から問いかけ要求を受けたときには、ドライバに対して問いかけを行う。この問いかけは、車両を自動運転により緊急待避させてよいかどうか、ドライバの意思を確認するためのものである。問いかけは、例えば、スピーカ１２を介して音声により行ったり、モニタ等の情報提示部１３を介した表示により行ったりする。

【0074】

応答検出部２４は、問いかけ部２３による問いかけに対するドライバの応答を検出する。ドライバの応答は、例えば、スイッチ１４の操作や、マイク１５を介した発声によって行われる。ドライバの意思が確認できたとき、あるいは、ドライバの応答がないとき、情報処理装置２０は、車両停止制御部４０に、車両を自動的に路肩退避させて停止させるよう指示する。

【0075】

本実施形態に係るドライバ状態推定装置は、情報処理装置２０内の、頭部挙動検出部２１、眼球挙動検出部２２、第１検知部１１０、及び第２検知部１２０を、少なくとも含む構成である。また、本開示に係るドライバ状態推定装置は、カメラ１０を含む場合もある。

【0076】

図１６は、頭部挙動のみに基づくドライバ状態推定の処理動作を示すフローチャートである。

【0077】

まず、ステップＳ１１において、頭部挙動検出部２１は、カメラ１０によって撮影された画像から、ドライバの頭部を画像認識し、認識した頭部について、傾斜角、ここではピッチ角及びロール角を演算する。この演算は、例えば、１００ｍｓ毎に行われる。

【0078】

次に、ステップＳ１２において、第１検知部１１０は、頭部の傾斜角データが規定数以上蓄積されたか否かを判定する。第１検知部１１０は、頭部の傾斜角データが規定数以上蓄積されたＹＥＳのときには、ステップＳ１３に進む。一方で、第１検知部１１０は、頭部の傾斜角データが規定数以上蓄積されていないＮＯのときには、ステップＳ１１に戻る。

【0079】

前記ステップＳ１３では、第１検知部１１０は、頭部の傾斜角の時系列データに対して、周期性特徴量を演算する。第１検知部１１０は、例えば、ＤＦＡにより、自己相関指標（スケーリング指数α）が、周期性特徴量として求められる。周期性特徴量の演算は、対象となる傾斜角データの時間範囲をずらしながら、例えば１００ｍｓ毎に、例えば２５６個の傾斜角データを用いて、行われる。

【0080】

次いで、ステップＳ１４において、第１検知部１１０は、車両加速度センサ５０の出力と頭部の傾斜角の時系列データを用いて、ドライバの頭部の挙動とドライバの頭部に作用する横加速度とのコヒーレンスを演算する。

【0081】

次に、ステップＳ１５において、第１検知部１１０は、周期性特徴量及びコヒーレンスのデータが規定数以上蓄積されたか否かを判定する。第１検知部１１０は、データが規定数以上蓄積されたＹＥＳのときにはステップＳ１６に進む。一方で、第１検知部１１０は、データが規定数以上蓄積されていないＮＯのときにはステップＳ１１に戻る。

【0082】

前記ステップＳ１６では、第１検知部１１０は、周期性特徴量及びコヒーレンスの組み合わせデータに対して、時系列変動パターンを演算する。第１検知部１１０は、例えば、非線形次元圧縮手法の１つであるＵＭＡＰを用いて、周期性特徴量及びコヒーレンスの時系列変動データを次元削減し、２次元データに変換する。時系列変動パターンの演算は、対象となる周期性特徴量及びコヒーレンスのデータの時間範囲をずらしながら、例えば１００ｍｓ毎に、例えば２５６個の周期性特徴量及びコヒーレンスのデータを用いて、行われる。

【0083】

次に、ステップＳ１７において、第１検知部１１０は、異常判定閾値データベース１１４に保持されていた閾値を取得する。具体的には例えば、第１検知部１１０は、図９に示す判定ラインＬＴＨ２のような、分類パターンの２次元マップにおける判定ラインの情報を、閾値として取得する。

【0084】

そして、ステップＳ１８において、第１検知部１１０は、前記ステップＳ１６で求めた時系列変動パターンである２次元データと、ステップＳ１７で取得した判定ラインとを比較して、２次元データが判定ラインを超えたか否かについて判定する。第１検知部１１０は、２次元データが判定ラインを超えて異常予兆側にあるＹＥＳのときには、ドライバに異常予兆ありと判定してステップＳ１９に進む。一方で、第１検知部１１０は、２次元データが判定ラインを超えず正常側にあるＮＯのときには、ドライバには異常予兆なしと判定してステップＳ１１に戻る。

【0085】

前記ステップＳ１９では、第１検知部１１０は、ドライバへの問いかけ要求を問いかけ部２３に出力する。ステップＳ１９の後は処理を終了する。

【0086】

図１７は、頭部挙動と眼球挙動との相関に基づくドライバ状態推定の処理動作を示すフローチャートである。

【0087】

まず、ステップＳ２１において、頭部挙動検出部２１は、カメラ１０によって撮影された画像から、ドライバの頭部を画像認識し、認識した頭部について、頭部の変位量（ここでは、ヨー角）を演算する。また、眼球挙動検出部２２は、カメラ１０によって撮影された画像から、ドライバの眼球を画像認識し、認識した眼球について、眼球の変位量（ここでは、ヨー角）を演算する。この演算は、例えば、１００ｍｓ毎に行われる。

【0088】

次に、ステップＳ２２において、第２検知部１２０は、頭部の変位量データ及び眼球の変位量データが、それぞれ規定数以上蓄積されたか否かを判定する。第２検知部１２０は、頭部及び眼球の各変位量データが規定数以上蓄積されたＹＥＳのときには、ステップＳ２３に進む。一方で、第２検知部１２０は、頭部又は眼球のいずれか一方の変位量データが規定数以上蓄積されていないＮＯのときには、ステップＳ２１に戻る。

【0089】

前記ステップＳ２３では、第２検知部１２０は、頭部及び眼球の変位量の時系列データに対して、頭部－眼球の変位量分布を示す２次元マップを演算する。

【0090】

次いで、ステップＳ２４において、第２検知部１２０は、前記ステップＳ２３で演算した２次元マップに対して出現確率分布を示す確率分布マップを演算する。第２検知部１２０は、例えば、２次元マップを複数のメッシュに分けて、各メッシュに対してＫＤＥにより出現確率分布を演算することで、確率分布マップを演算する。

【0091】

次に、ステップＳ２５において、第２検知部１２０は、前記ステップＳ２４で演算した出現確率分布と異常時確率分布データベースに格納された異常時の出現確率分布とを比較する。具体的には、第２検知部１２０は、２つの出現確率分布のＫＬ距離を算出する。

【0092】

次いで、ステップＳ２６において、第２検知部１２０は、前記ステップＳ２５で算出したＫＬ距離が所定値以下であるか否かを判定する。第２検知部１２０は、ＫＬ距離が所定値以下であるＹＥＳのときには、ドライバに異常予兆ありと判定してステップＳ２７に進む。一方で、第２検知部１２０は、ＫＬ距離が所定値よりも大きいＮＯのときには、ドライバには異常予兆なしと判定してステップＳ２１に戻る。

【0093】

前記ステップＳ２７では、第２検知部１２０は、ドライバへの問いかけ要求を問いかけ部２３に出力する。ステップＳ２７の後は処理を終了する。

【0094】

このように、頭部挙動のみによる異常予兆の検知に加えて、頭部挙動と眼球挙動との相関に基づいて異常予兆を検知することで、異常予兆を早期にかつ精度良く検知することができる。すなわち、例えば、頭部に加速度がほとんどかからず、ドライバの頭部挙動の周期性特徴量が明確に演算できないような定速走行のシーンなどでは、頭部挙動のみによる異常予兆の検知精度が低下する。しかし、頭部挙動と眼球挙動との相関に基づく異常予兆の検知を行うことで、このような走行シーンでも適切に、ドライバの異常予兆を検知することができる。

【0095】

また、本実施形態では、ドライバの異常予兆を検知する第１検知部１１０は、ドライバの頭部の挙動を表す時系列データに対して周期性特徴量を演算し、ドライバの頭部の挙動とドライバの頭部に作用する横加速度とのコヒーレンスを演算し、周期性特徴量およびコヒーレンスに対して時系列変動パターンを演算し、得られた時系列変動パターンを所定の閾値と比較して、ドライバの異常予兆の有無を判定する。これにより、頭部挙動と外部要因となる横加速度との相関を加味した判定が可能となるので、ドライバの異常予兆を、より早期にかつ精度良く検知することができる。加えて、ドライバの頭部挙動は、車内に設置されたカメラ１０の撮影画像から検出可能なので、本技術により、既存の車載センサを用いて、運転不能につながる疾患の予兆をいち早くとらえることができる。

【0096】

また、本実施形態では、ドライバの異常予兆を検知する第２検知部１２０は、同時期に検出された眼球の変位量に対する頭部の変位量をプロットした２次元マップを演算し、演算した２次元マップにおけるプロットの出現確率分布Ｑを演算し、演算した出現確率分布Ｑと、予め演算された異常時の出現確率分布Ｐとの一致度合いを比較することでドライバの異常予兆の有無を検知する。すなわち、眼球が微少な変位をしたときなどは、頭部が追従しない場合がある。眼球の変位量と頭部の変位量とをプロットした２次元マップにおけるプロットの出現確率分布を演算して、該出現確率分布に基づいて異常予兆を検知するようにすれば、眼球の微少な動きと比較的大きな動きとを含めた、眼球挙動に対する頭部挙動の傾向により異常状態を検知することができる。これにより、ドライバの異常予兆を早期にかつ精度良く検知することができる。

【0097】

（その他の実施形態）
ここに開示された技術は、前述の実施形態に限られるものではなく、請求の範囲の主旨を逸脱しない範囲で代用が可能である。

【0098】

例えば、前述の実施形態では、第１検知部１１０は、頭部挙動の時系列データに対して、ＤＦＡにより、自己相関指標（スケーリング指数α）を周期性特徴量として求めるものとした。これに限らず、周期性特徴量を求める手法として、例えば、ＦＦＴ（Fast Fourier Transform）を用いてもよいし、単純な自己相関を計算してもよい。

【0099】

また、前述の実施形態では、第２検知部１２０は、異常予兆の判定において、異常時の確率分布マップと最新の確率分布マップとの一致度合いを、ＫＬ距離を用いるようにした。これに限らず、例えば、異常時の２次元マップと最新の２次元マップとの一致度合いを、例えば、カイ２乗法を用いて比較するようにしてもよい。

【0100】

また、前述の実施形態では、第１検知部１１０及び第２検知部１２０のいずれか一方から問いかけ要求があったときに、問いかけ部２３がドライバに問いかけを行う構成となっていた。これに限らず、第１検知部１１０と第２検知部１２０との両方から問いかけ要求があったときにのみ、問いかけ部２３がドライバに問いかけを行う構成であってもよい。または、第１検知部１１０と第２検知部１２０との両方が異常予兆を検知したときにのみ、情報処理装置２０が問いかけ部２３に問いかけ要求をする構成であってもよい。

【0101】

また、前述の本実施形態では、異常時の出現確率分布Ｐが異常確率分布データベース１２４に格納されていた。この異常時の出現確率分布Ｐは、ドライバの異常予兆時を含む出現確率分布Ｑを蓄積し、蓄積した出現確率分布Ｑに基づいて更新されるようにしてもよい。また、異常判定閾値データベース１２５に格納された閾値についても、蓄積した出現確率分布Ｑに基づいて更新されるようにしてもよい。

【0102】

また、本開示に係る技術の適用用途は、自動車に限られるものではない。自動車以外の、例えば電車等の移動体において、ドライバの異常予兆を検知するのに有効である。

【0103】

また、本開示に係る技術は、単体の情報処理装置以外の形態で実現される場合もあり得る。例えば、第１検知部１１０及び第２検知部１２０が、頭部挙動検出部２１及び眼球挙動検出部２２とは別の情報処理装置によって実現されてもよい。また例えば、移動体に搭載されていない情報処理装置、例えばドライバが持っているスマホやタブレット等が、第１検知部１１０及び第２検知部１２０の機能を実現してもよい。あるいは、クラウドが、第１検知部１１０及び第２検知部１２０が行う演算処理の一部または全部を実行するような形態としてもよい。

【0104】

前述の実施形態は単なる例示に過ぎず、本開示の範囲を限定的に解釈してはならない。本開示の範囲は請求の範囲によって定義され、請求の範囲の均等範囲に属する変形や変更は、全て本開示の範囲内のものである。

【産業上の利用可能性】

【0105】

ここに開示された技術は、移動体を運転するドライバの状態を推定するドライバ状態推定装置として有用である。

【符号の説明】

【0106】

２１ 頭部挙動検出部
２２ 眼球挙動検出部
１１０ 第１検知部
１２０ 第２検知部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】