JP2012251954A - 目的地推定装置及びそれを含むナビゲーションシステム、目的地推定方法、及び目的地推定プログラム - Google Patents

Abstract

【課題】 過去に目的地とされた場所を目的地候補として、それらの目的地候補の中から目的地を推定する目的地推定装置において、目的地の推定精度を向上させる。
【解決部】 目的地推定装置１００は、過去に目的地とされた場所の履歴を記憶する学習データ記憶部９ｂと、学習データ記憶部９ｂに記憶された場所を含む複数の目的地候補の中から、目的地を推定する目的地推定部８３と、目的地推定部８３にて目的地として推定される目的地候補から、学習データ記憶部９ｂに記憶された履歴に基づいて、目的地である確信度が所定の閾値より低いと判断される目的地候補を排除する候補排除部８４とを備えている。
【選択図】 図１

Description

本発明は、目的地推定装置及びそれを含むナビゲーションシステム、目的地推定方法、及び目的地推定プログラムに関し、特に、過去に目的地とされた場所を目的地候補として、それらの目的地候補の中から目的地を推定する目的地推定装置及びそれを含むナビゲーションシステム、目的地推定方法、及び目的地推定プログラムに関するものである。

従来より、ナビゲーションシステムは、目的地が設定されると、現在位置からその目的地までの経路を探索する機能を有している。また、探索した経路に交通渋滞や交通規制等の関連情報がある場合に、その情報を提示したり、関連情報を踏まえて経路を探索したりする機能を備えているナビゲーションシステムも知られている。

ユーザは、ナビゲーションシステムに対して目的地を設定することができる。しかし、ナビゲーションシステムに対する目的地の設定操作の煩わしさから、目的地がユーザの行き慣れた場所であって経路案内が不要である場合は、ユーザはナビゲーションシステムに対して目的地の設定を行わず、ナビゲーションシステムによる経路探索及び経路案内が行なわれないこともある。

このような場合には、ユーザは、ナビゲーションシステムによる上記の関連情報の提示や関連情報を踏まえた経路の探索等の機能を使用できないことになり、交通渋滞が生じていることを知らずに、その経路を通行してしまったり、交通規制の地点まで通行して初めて交通規制があることを知って迂回せざるを得なくなったりする。

ユーザが目的地を設定しなくても時間帯、曜日、同乗者の有無等の状況情報や、ユーザの年齢、職業等のユーザ情報に基づいて、自動的に目的地を推定する目的地推定装置を備えたナビゲーションシステムが提案されている（例えば、特許文献１参照）。この目的地推定装置では、過去に目的地とされた場所を目的地候補として、上記の状況情報やユーザ情報に基づいて尤度が高いものが選択されて目的地として推定される。

このような目的地推定装置によれば、ユーザが、慣れた路であって経路案内を必要としないと考えてナビゲーションシステムに目的地を設定しない場合であっても、自動的に目的地を推定して、そこへの経路を探索し、その探索された経路について関連情報がある場合には、その関連情報を提示し、又は関連情報を踏まえた経路を提示することが可能になる。

特開２００７−１０５７２号公報

従来の目的地推定装置では、上述のように、過去に目的地とされた場所を目的地候補として、それらの目的地候補の中から目的地を推定している。

図８は、過去の目的地の履歴における、目的地ごとの到達回数の例を示すグラフである。図８に示すように、過去の目的地の履歴においては、実際には、例えば目的地の９割以上は１回しか行ったことのない場所であり、全体の目的地の１割程度でのべ到達回数の９割以上を占めるということもある。

従って、例えば、かなり以前に一度行ったことがあるのみである等、現時点では二度と行かないだろうと考えられる場所も、状況情報やユーザ情報に基づいて目的地として推定されてしまうことがある。これによって、目的地の推定の精度が落ちてしまうという問題がある。

本発明は、従来の問題を解決するためになされたもので、過去に目的地とされた場所を目的地候補として、それらの目的地候補の中から目的地を推定する目的地推定装置又はそれを備えたナビゲーションシステムにおいて、目的地の推定精度を向上させることを目的とする。

本発明の目的地推定装置は、過去に目的地とされた場所の履歴を記憶する履歴記憶部と、前記履歴記憶部に記憶された場所を含む複数の目的地候補の中から、目的地を推定する目的地推定部と、前記目的地推定部にて目的地として推定される目的地候補から、前記履歴記憶部に記憶された前記履歴に基づいて、目的地である確信度が所定の閾値より低いと判断される目的地候補を排除する候補排除部と、観測変数を取得する観測変数取得部と、前記観測変数に対する前記複数の目的地候補の確率を求めるための確率モデルを記憶するモデル記憶部とを備え、前記目的地推定部は、前記モデル記憶部に記憶された確率モデルに基づいて、前記観測変数取得部にて取得された前記観測変数に対する前記複数の目的地候補の確率を求めて、確率の高い目的地候補を前記目的地として推定し、前記候補排除部は、前記目的地推定部にて確率が求められた前記目的地候補から、前記履歴記憶部に記憶された前記履歴に基づいて、前記確信度が所定の閾値より低いと判断される目的地候補を排除する。

この構成によれば、目的地推定部にて推定される目的地には、目的地である確信度が所定の閾値より低いと判断されるものは含まれなくなるので、確定モデルに基づいて目的地である確率が高い順に目的地候補を並べたときに、目的地である確信度が低い目的地候補がある場合と比較して、目的地である確信度が高い目的地候補の順位が変わる（繰り上がる）ことになる。その結果、目的地の推定精度が向上する。また、確定モデルに基づいて目的地である確率（尤度）の高いとされる目的地候補であっても、目的地である確信度が低い目的地候補は排除されて、残った目的地候補のうちの確率の高い目的地候補が目的地として推定される。即ち、目的地推定装置は、従来と同様にして、確率モデルを用いて目的地候補の確率を求めた上で、目的地候補の中から確信度が低いものを除いて、確率が高い目的地候補を目的地として推定する。なお、目的地推定部は複数の目的地候補を目的地として推定してもよい。この場合には、推定した目的地の中からユーザに目的地を選択してもらってもよいし、推定したすべての目的地について経路探索を行なって、探索された経路に関連する関連情報を提示するようにしてもよい。また、上記の確信度は履歴記憶部に記憶された履歴に基づいて得られる変数であり、例えば、日常的に行っている目的地候補、及び今後日常的にいく可能性がある目的地候補について高くなるような変数であってよい。

また、本発明の別の態様の目的地推定装置は、過去に目的地とされた場所の履歴を記憶する履歴記憶部と、前記履歴記憶部に記憶された場所を含む複数の目的地候補の中から、目的地を推定する目的地推定部と、前記目的地推定部にて目的地として推定される目的地候補から、前記履歴記憶部に記憶された前記履歴に基づいて、目的地である確信度が所定の閾値より低いと判断される目的地候補を排除する候補排除部と、観測変数を取得する観測変数取得部と、前記観測変数に対する前記複数の目的地候補の確率を求めるための確率モデルを記憶するモデル記憶部と、前記履歴における前記目的地とされた場所を前記目的地候補として、前記関係記憶部に記憶される前記関係を学習する学習部とをさらに備え、前記目的地推定部は、前記モデル記憶部に記憶された確率モデルに基づいて、前記観測変数取得部にて取得された前記観測変数に対する前記複数の目的地候補の確率を求めて、確率の高い目的地候補を前記目的地として推定し、前記候補排除部は、前記学習部にて学習に用いられる前記目的地候補から、前記履歴記憶部に記憶された前記履歴に基づいて、目的地である確信度が所定の閾値より低いと判断される目的地候補を排除する。

この構成によっても、目的地推定部にて推定される目的地には、目的地である確信度が所定の閾値より低いと判断されるものは含まれなくなるので、確定モデルに基づいて目的地である確率が高い順に目的地候補を並べたときに、目的地である確信度が低い目的地候補を含めて学習をした場合と比較して、目的地である確信度が高い目的地候補の順位が変わる（繰り上がる）ことになる。その結果、目的地の推定精度が向上する。また、目的地推定部は、履歴に基づいて学習される確率モデルに基づいて目的地の推定を行なうが、この学習の際に、確信度が低い目的地候補は排除される。よって、このようにして学習された確率モデルに基づいて従来と同様に目的地を推定すれば、推定される目的地には、確信度が低い目的地候補は含まれなくなる。

上記の目的地推定装置において、前記通行履歴記憶部に記憶される過去に目的地とされた場所の履歴には、日付の情報が含まれていてよく、前記候補排除部は、前記日付の情報に基づいて、目的地である確信度が所定の閾値より低いと判断される目的地候補を排除してよい。

この構成によれば、履歴における日付の情報を用いて目的地である確信度が所定の閾値より低いと判断される目的地候補を好適に排除できる。履歴に日付の情報が含まれていることで、候補排除部は、例えば、履歴を日付順に並べ替えて直近の一定回数の行動の履歴のみを参照したり、履歴を日付順に並べ替えてある場所が最後に目的地とされた日以後の行動回数や現在までの期間を把握したりすることが可能となる。なお、履歴には、日付の情報に加えてさらに時刻の情報が含まれていてもよい。

上記の目的地推定装置において、前記確信度は、（ａ）直近の一定回数の行動において当該目的地候補が目的地とされた割合、（ｂ）当該目的地候補が最後に目的地とされた日以後の行動回数、（ａ’）直近の一定期間の行動において当該目的地候補が目的地とされた割合、（ｂ’）当該目的地候補が最後に目的地とされた日までの期間、（ａ）及び（ｂ）、（ａ’）及び（ｂ）、（ａ）及び（ｂ’）、又は（ａ’）及び（ｂ’）に基づいて求められてよい。

この構成によれば、確信度を、日常的に行っている目的地、及び今後日常的にいく可能性がある目的地について高くなるような変数とすることができ、日常的に行かない目的地候補を好適に排除することができる。

上記の目的地推定装置において、前記確信度は、前記履歴記憶部に記憶されたすべての履歴における、当該目的地候補が目的地とされた割合、又は当該目的地候補が目的地とされた回数に基づいて求められてよい。

この構成によれば、例えば、全履歴において、目的地とされた割合が所定の閾値に満たない目的地候補や、目的地とされた回数が所定の閾値に満たない目的地候補は、候補排除部によって排除される。

上記の目的地推定装置において、前記通行履歴記憶部に記憶される過去に目的地とされた場所の履歴には、重みが付与されていてよく、前記確信度は、前記重みを考慮して求められてよい。

この構成によれば、ある場所が目的地とされた場合に、種々の条件に応じて重みを付けて履歴が記憶され、確信度は、その重みを考慮して求められるので、ユーザが目的地とする可能性の低い目的地候補をより正確に排除することができる。

上記の目的地推定装置において、前記重みは、当該場所が、ユーザが目的地して設定したことにより目的地とされたか否かに応じて、付与されてよい。

ユーザが目的地として設定した場所はユーザが行き慣れていない場所である可能性が比較的高いと考えられ、一方、ユーザが目的地として設定することなく到達した場所であれば、その場所はユーザが行き慣れている場所である可能性が比較的高いと考えられるので、この構成によれば、そのような場所を目的地として推定される目的地候補から排除するので、ユーザが目的地とする可能性の低い目的地候補をより正確に排除することができる。

上記の目的地推定装置において、前記重みは、出発地から当該場所までの距離に応じて、付与されてよい。

出発地から目的地とされた場所までの距離が長い場合には、より確実な目的をもってそこに行った可能性が比較的高いと考えられ、逆に出発地から目的地とされた場所までの距離が短い場合には、たまたまそこで停車した等の理由によりそこが目的地とされた場合が比較的高いと考えられるので、この構成によれば、ユーザが目的地とする可能性の低い目的地候補をより正確に排除することができる。

上記の目的地推定装置において、前記重みは、当該場所が、多くの人が集まる場所であるか否かに応じて、付与されてよい。

例えば駐車場の収容台数が多い等、一般的に多くの人が集まる場所である場合には、そこが再び目的地とされる可能性は比較的高いと考えられるので、この構成によれば、ユーザが目的地とする可能性の低い目的地候補をより正確に排除することができる。

また、本発明の別の態様は、ナビゲーションシステムであり、このナビゲーションシステムは、上記の目的地推定装置と、前記目的地推定部にて推定された目的地までの経路を探索する経路探索部とを備えた構成を有している。

この構成によっても、目的地推定部にて推定される目的地には、目的地である確信度が所定の閾値より低いと判断されるものは含まれなくなるので、目的地の推定精度が向上する。

また、上記のナビゲーションシステムは、前記経路探索部にて探索された経路に関連する関連情報を提示する関連情報提示部をさらに備えていてよい。

ユーザは、日常的に行く目的地については、経路を熟していることから、わざわざナビゲーションシステムに目的地を設定して経路探索を行なわないこともあるが、この構成によれば、ユーザが目的地を設定しなかった場合にも、その目的地までの経路に関連情報がある場合には、それを提示することができる。

また、上記のナビゲーションシステムにおいて、前記経路探索部は、交通渋滞情報及び交通規制情報を含む関連情報に基づいて経路を探索してよい。

この構成によれば、ユーザが目的地を設定しなかった場合にも、経路探索部が交通渋滞情報及び交通規制情報を含む関連情報に基づいて経路を探索するので、ユーザが日常的に通る経路に渋滞情報や交通規制情報等の関連情報がある場合には、そのような関連情報を踏まえて別の経路を探索することができる。

本発明の別の態様は、目的地推定方法であり、この方法は、過去に目的地とされた場所の履歴を記憶する履歴記憶ステップと、前記履歴記憶ステップにて記憶された場所を含む複数の目的地候補の中から、目的地を推定する目的地推定ステップと、前記目的地推定ステップにて目的地として推定される目的地候補から、前記履歴記憶ステップにて記憶された前記履歴に基づいて、目的地である確信度が所定の閾値より低いと判断される目的地候補を排除する候補排除ステップと、観測変数を取得する観測変数取得ステップと、前記観測変数に対する前記複数の目的地候補の確率を求めるための確率モデルに基づいて、前記観測変数取得ステップにて取得された前記観測変数に対する前記複数の目的地候補の確率を求める確率取得ステップとを含み、前記候補排除ステップは、前記確率取得ステップにて確率が求められた前記目的地候補から、前記確信度が所定の閾値より低いと判断される目的地候補を排除し、前記目的推定ステップは、前記候補排除ステップにて前記目的地候補が排除された後に、残った前記目的地候補のうちの、前記確率取得ステップにて求めた確率が高い目的地候補を前記目的地として推定する。

この構成によれば、目的地推定ステップにて推定される目的地には、目的地である確信度が所定の閾値より低いと判断されるものは含まれなくなるので、目的地の推定精度が向上する。また、この構成によれば、確定モデルに基づいて目的地である確率（尤度）の高い目的地候補であっても、目的地である確信度が低い目的地候補は排除されて、残った目的地候補のうちの確率の高い目的地候補が目的地として推定される。即ち、目的地推定方法は、従来と同様にして、確率モデルを用いて目的地候補の確率を求めた上で、目的地候補の中から確信度が低いものを除いて、確率が高い目的地候補を目的地として推定する。

本発明の別の態様の目的地推定方法は、過去に目的地とされた場所の履歴を記憶する履歴記憶ステップと、前記履歴記憶ステップにて記憶された場所を含む複数の目的地候補の中から、目的地を推定する目的地推定ステップと、前記目的地推定ステップにて目的地として推定される目的地候補から、前記履歴記憶ステップにて記憶された前記履歴に基づいて、目的地である確信度が所定の閾値より低いと判断される目的地候補を排除する候補排除ステップと、観測変数を取得する観測変数取得ステップと、前記履歴における前記目的地を前記目的地候補として、前記観測変数に対する前記複数の目的地候補の確率を求めるための確率モデルを学習する学習ステップとを含み、前記候補排除ステップは、前記学習ステップにて学習に用いられる前記目的地候補から、前記履歴記憶ステップにて記憶された前記履歴に基づいて、目的地である確信度が所定の閾値より低いと判断される目的地候補を排除し、前記目的地推定ステップは、前記学習ステップによって学習された前記確率モデルに基づいて、前記観測変数取得ステップにて取得された前記観測変数に対する前記複数の目的地候補の確率を求めて、確率の高い目的地候補を前記目的地として推定する。

この構成によっても、目的地推定ステップにて推定される目的地には、目的地である確信度が所定の閾値より低いと判断されるものは含まれなくなるので、目的地の推定精度が向上する。また、この構成によれば、学習ステップにおいて履歴に基づいて確率モデルの学習を行ない、目的地推定ステップでは、学習された確率モデルに基づいて目的地の推定を行なうが、この学習ステップにおいて、確信度が低い目的地候補は排除される。よって、このようにして学習された確率モデルに基づいて従来と同様に目的地を推定すれば、推定される目的地には、確信度が低い目的地候補は含まれなくなる。

本発明のさらに別の態様は、目的地推定プログラムであり、この目的地推定プログラムは、コンピュータに、目的地とされた場所の履歴を記憶する履歴記憶ステップと、前記履歴記憶ステップにて記憶された場所を含む複数の目的地候補の中から、目的地を推定する目的地推定ステップと、前記目的地推定ステップにて目的地として推定される目的地候補から、前記履歴記憶ステップにて記憶された前記履歴に基づいて、目的地である確信度が所定の閾値より低いと判断される目的地候補を排除する候補排除ステップと、観測変数を取得する観測変数取得ステップと、前記観測変数に対する前記複数の目的地候補の確率を求めるための確率モデルに基づいて、前記観測変数取得ステップにて取得された前記観測変数に対する前記複数の目的地候補の確率を求める確率取得ステップとを実行させる。ここで、前記候補排除ステップは、前記確率取得ステップにて確率が求められた前記目的地候補から、前記確信度が所定の閾値より低いと判断される目的地候補を排除し、前記目的推定ステップは、前記候補排除ステップにて前記目的地候補が排除された後に、残った前記目的地候補のうちの、前記確率取得ステップにて求めた確率が高い目的地候補を前記目的地として推定する。

この構成によっても、目的地推定ステップにて推定される目的地には、目的地である確信度が所定の閾値より低いと判断されるものは含まれなくなるので、目的地の推定精度が向上する。また、この構成によれば、確率モデルに基づいて目的地である確率（尤度）の高い目的地候補であっても、目的地である確信度が低い目的地候補は排除されて、残った目的地候補のうちの確率の高い目的地候補が目的地として推定される。

本発明の別の態様の目的地推定プログラムは、コンピュータに、目的地とされた場所の履歴を記憶する履歴記憶ステップと、前記履歴記憶ステップにて記憶された場所を含む複数の目的地候補の中から、目的地を推定する目的地推定ステップと、前記目的地推定ステップにて目的地として推定される目的地候補から、前記履歴記憶ステップにて記憶された前記履歴に基づいて、目的地である確信度が所定の閾値より低いと判断される目的地候補を排除する候補排除ステップと、観測変数を取得する観測変数取得ステップと、前記履歴における前記目的地を前記目的地候補として、前記観測変数に対する前記複数の目的地候補の確率を求めるための確率モデルを学習する学習ステップとを実行させる。ここで、前記候補排除ステップは、前記学習ステップにて学習に用いられる前記目的地候補から、前記履歴記憶ステップにて記憶された前記履歴に基づいて、目的地である確信度が所定の閾値より低いと判断される目的地候補を排除し、前記目的地推定ステップは、前記学習ステップによって学習された前記確率モデルに基づいて、前記観測変数取得ステップにて取得された前記観測変数に対する前記複数の目的地候補の確率を求めて、確率の高い目的地候補を前記目的地として推定する。

この構成によっても、目的地推定ステップにて推定される目的地には、目的地である確信度が所定の閾値より低いと判断されるものは含まれなくなるので、目的地の推定精度が向上する。また、この構成によれば、学習ステップにおいて履歴に基づいて確率モデルの学習を行ない、目的地推定ステップでは、学習された確率モデルに基づいて目的地の推定を行なうが、この学習ステップにおいて、確信度が低い目的地候補は排除される。よって、このようにして学習された確率モデルに基づいて従来と同様に目的地を推定すれば、推定される目的地には、確信度が低い目的地候補は含まれなくなる。

本発明によれば、推定される目的地には、目的地である確信度が所定の閾値より低いと判断されるものは含まれなくなるので、目的地の推定精度が向上するという優れた効果を有する。

本発明の実施の形態におけるナビゲーションシステムの要部構成を示すブロック図 本発明の実施の形態におけるナビゲーションシステムの構成を示すブロック図 本発明の実施の形態におけるベイジアンネットワークモデルを示す図 本発明の実施の形態におけるユーザ情報を記憶する処理のフローチャート 本発明の実施の形態における目的地推定及び経路探索を行う処理のフローチャート 本発明の実施の形態における実際の行動に基づいて学習を行なう処理のフローチャート 本発明の実施の形態の変形例におけるナビゲーションシステムの要部構成を示すブロック図 過去の目的地の履歴における、目的地ごとの到達回数の例を示すグラフ

以下、本発明の実施の形態のナビゲーションシステムについて、図面を参照しながら説明する。図１は、本発明の実施の形態におけるナビゲーションシステムの要部構成を示すブロック図である。図２は、本発明の実施の形態におけるナビゲーションシステムの構成を示すブロック図である。まず、図２を参照して、本実施の形態におけるナビゲーションシステムの全体構成を説明する。

ナビゲーションシステム１００は、その一部構成によって目的地推定装置としても機能する。図１に示すように、ナビゲーションシステム１００は、位置検出器１、地図データ入力器６、操作スイッチ群７、外部メモリ９、表示装置１０、送受信機１１、音声コントローラ１２、スピーカ１３、音声認識装置１４、マイク１５、リモコンセンサ１６、リモートコントロール端末（以下、リモコンと称する）１７、着座センサ１８、及びこれら各装置が接続された制御装置８を備えている。

位置検出器１は、車両の絶対方位を検出するための地磁気センサ２、車両の相対方位を検出するためのジャイロスコープ３、車両の通行距離を検出する距離センサ４、及び衛星からの電波に基づいて車両の位置を測定するグローバルポジショニングシステム（ＧＰＳ）のためのＧＰＳ受信機５を有している。これらのセンサ等２、３、４、５は、いずれも周知のものである。これらのセンサ等２、３、４、５は各々が性質の異なる誤差を持っているため、複数のセンサ等２、３、４、５により各々を補完しながら使用するように構成されている。なお、精度によっては、上述したうちの一部で位置検出器１を構成してもよく、更に、図示しないステアリングの回転センサ、各転動輪の車速センサ等を用いてもよい。

地図データ入力器６は、例えばＤＶＤ−ＲＯＭ、ＣＤ−ＲＯＭ、フラッシュメモリ、ハードディスクなどの図示しない記憶媒体を備えている。その記憶媒体には、道路データ、背景データ、文字データ及び施設データなどを含むデジタル地図データが格納されている。地図データ入力器６は、それらのデータを制御装置８に入力する。

操作スイッチ群７は、表示装置１０と一体になったタッチパネルからなり、表示装置１０に表示された地図の縮尺変更、メニュー表示選択、目的地設定、経路探索、経路案内開始、現在位置修正、表示画面変更、音量調整等の各種入力に使用される。操作スイッチ群７において、一部又は全部のスイッチが、表示装置１０の周辺に設けられるメカニカルなスイッチであってもよい。

リモコン１７には、図示しない複数の操作スイッチが設けられ、その操作スイッチの操作により操作スイッチ群７と同様の入力操作が行える。リモコン１７に入力された入力操作を表す信号は、リモコンセンサ１６を介して制御装置８へ供給される。

外部メモリ９は、例えば、メモリカードやハードディスク等であり、書き込み可能な記憶媒体を備えている。この外部メモリ９には、ユーザによって設定された自宅位置や、テキストデータ、画像データ、音声データ等の各種データが記憶される。

表示装置１０は、例えば液晶ディスプレイ、有機ＥＬディスプレイによって構成され、その表示装置１０の所定の地図表示領域には、車両の現在位置に対応する自車位置マークが地図データによって生成された車両周辺の道路地図上に重畳表示される。また、表示装置１０には、その他に、現在時刻、渋滞情報などの他の情報表示を付加的に表示することもできる。

送受信機１１は、外部との通信接続をするための通信機であり、道路に敷設されたビーコンや各地のＦＭ放送局を介して、ＶＩＣＳ（Vehicle Information and Communication System）（登録商標）センタから提供される道路交通情報（交通渋滞情報、交通規制除法を含む）、気象情報、日付情報、曜日情報、施設情報、広告情報を受信するＶＩＣＳセンサと接続され、この道路交通情報等を制御装置８へ送信する。また、上記制御装置８で処理した情報を送受信機１１から出力することもできる。なお、送受信機１１は、インターネットに接続して、インターネット経由で道路交通情報等を受信してもよい。

スピーカ１３は、音声コントローラ１２から入力された音声出力信号に基づき所定の音声（案内のための音声や画面操作の説明、音声認識結果等）を外部に出力する。

マイク１５は、操作者が発声した音声を電気信号として音声認識装置１４に入力する。音声認識装置１４は、マイク１５から入力された操作者の入力音声と、内部に記憶する認識辞書（不図示）中の語彙データ（比較対照パターン）とを照合し、最も一致度の高いものを認識結果として音声コントローラ１２に入力する。

音声コントローラ１２は、音声認識装置１４を制御するとともに、音声入力のあった操作者に対し、スピーカ１３を通じてトークバック出力制御（音声出力）する。また、音声認識装置１４の認識結果を制御装置８に入力する処理も行う。

着座センサ１８は、座席毎に乗員がいるか否かを検出して、乗員の有無を表す乗員信号を制御装置８へ出力する。

制御装置８は、通常のコンピュータであり、内部には周知のＣＰＵ、ＲＯＭ、ＲＡＭ、Ｉ／Ｏ及びこれらの構成を接続するためのバスラインを備えている。ＲＯＭには、制御装置８が実行するためのプログラムが書き込まれており、このプログラムに従ってＣＰＵ等が所定の演算処理を実行する。

制御装置８は、音声認識装置１４からの情報に基づき、操作者の発声に対する所定の処理及び操作スイッチ群７あるいはリモコン１７の入力操作に対する所定の処理（例えば、外部メモリ９への地図データの記憶処理、地図縮尺変更処理、メニュー表示選択処理、目的地設定処理、経路探索実行処理、経路案内処理、現在位置修正処理、表示画面変更処理、音量調整処理等）を実行する。また、制御装置８で処理された経路案内音声情報等は、音声コントローラ１２を介してスピーカ１３から適宜報知される。

図１は、本発明の実施の形態におけるナビゲーションシステム１００の要部構成を示すブロック図である。外部メモリ９は、ユーザモデル記憶部９ａ、学習データ記憶部９ｂ、コスト評価関数記憶部９ｃ、及びユーザ情報記憶部９ｄを備えている。ユーザモデル記憶部９ａは、確率モデルであるベイジアンネットワークモデルを記憶する領域である。

図３は、ユーザモデル記憶部９ａに記憶されるベイジアンネットワークモデルを示す図である。ベイジアンネットワークモデル２０は、ユーザ情報ノード３０として、年齢ノード３２と職業ノード３４とを持ち、状況情報ノード４０として、時間帯ノード４２と曜日ノード４４と同乗者ノード４６とを持ち、これらのノードを親ノードとする子ノードとして目的地ノード５０を持っている。

年齢ノード３２は、運転者の年齢に対応した自然数をとり、職業ノード３４は、予め定められた多数種類の職業名（状態）をとる。時間帯ノード４２は、２４時間が複数の時間帯（例えば、４時間ずつ、２時間ずつ、１時間ずつ等）に区分されることにより複数の状態をとり、曜日ノード４４は、月曜日から日曜日までの７状態をとり、同乗者ノード４６は、同乗者有り及び同乗者無しの２つの状態をとる。なお、これらのノード３２、３４、４２、４４、４６は観測変数である。

目的地ノード５０は、学習によって設定された複数の目的地候補（状態）をとる。各親ノードと子ノードとの間は矢印で連結されており、この矢印は、矢印の根元のノードと矢印の先のノードとの間の条件付依存性を表し、個々の矢印に対応する条件付確率が設定されている。

このように構成されたベイジアンネットワークモデル２０に、ユーザ情報（年齢及び職業）と、状況情報（時間帯、曜日、及び同乗者の有無）とを与えると、目的地ノード５０の各目的地候補の確率（尤度）が得られる。

図２に戻って、学習データ記憶部９ｂは、ベイジアンネットワークモデル２０を学習する（修正する）ための学習データを記憶する領域である。この学習データは、目的地推定時に実際にベイジアンネットワークモデル２０に入力された年齢、職業、時間帯、曜日、同乗者の有無と、実際に目的地とされた場所と、日付とを一組とするデータである。このように、学習データ記憶部９ｂは、目的地とされた場所の履歴を記憶するものであり、本発明の履歴記憶部に該当する。

コスト評価関数記憶部９ｃは、車両の現在位置から目的地までの経路探索に使用する下式（１）に示すコスト評価関数Ｃｉを記憶している領域である。
Ｃｉ＝α・ｌ（ｉ）＋β・ｔ（ｉ）＋γ・ｗ（ｉ）＋δ・ｎ（ｉ） ・・・（１）
式（１）において、ｌ（ｉ）は距離のコスト、ｔ（ｉ）は平均通行時間のコスト、ｗ（ｉ）は道幅のコスト、ｎ（ｉ）は右左折回数のコストである。また、係数α、β、γ、δは重み係数であり、予め設定されている。なお、式（１）に示すコスト評価関数Ｃｉは、一例であり、コスト評価関数Ｃｉに、距離、平均通行時間、道幅、右左折回数以外のパラメータ（例えば、制限速度や信号機の数など）が含まれていてもよい。

ユーザ情報記憶部９ｄは、複数のユーザについて、ユーザ情報である年齢を決定するためのユーザの生年月日、及びユーザ情報である職業を、ユーザ名と関連付けて記憶している領域である。なお、年齢それ自体は一年に一度変化するが、年齢は、現在の日付が定まれば、不変情報である生年月日から定まるので、ユーザの不変的情報すなわちユーザ情報として用いることができる。このように、ユーザ情報には、ユーザにとって不変の情報だけでなく、その不変の情報に基づいて定めることができる情報が含まれてよく、従って、さらに、ユーザにとって１年程度不変の情報（例えば年収）も含まれてよい。

制御装置８は、ユーザ情報取得部８１と、同乗者判定部８２と、目的地推定部８３と、候補排除部８４と、経路探索部８５と、ナビゲーション部８６と、学習部８７とを備えている。

ユーザ情報取得部８１は、運転者が誰であるかを判定して、ユーザ情報記憶部９ｄから、その判定した運転者の生年月日及び職業を取得するとともに、その生年月日及び現在の日付からユーザの年齢を決定する。なお、運転者が誰であるかを判定する方法としては、ここでは、予め登録された複数のユーザのリストを表示装置１０に表示し、その表示装置１０に表示されたリストから、操作スイッチ群７又はリモコン１７の操作により、運転者がどのユーザを選択したかによって判定する。ユーザ情報は、ベイジアンネットワークモデル２０における観測変数であるので、ユーザ情報取得部８１は、観測変数取得部に該当する。

同乗者判定部８２は、着座センサ１８から供給される信号に基づいて、同乗者の有無を判定する。なお、同乗者の有無はベイジアンネットワークモデル２０における観測変数であるので、この同乗者判定部８２は観測変数取得部に該当する。目的地推定部８３は、ユーザによって目的地が設定されていないときに目的地の推定を実行するが、ユーザによって目的地が設定されているときにも、その目的地までの中間的な目的地である立ち寄り地を推定するために、実行することもできる。

目的地推定部８３は、ユーザ情報取得部８１において取得した年齢及び職業と、車両内部に設けられた図示しない時計からの信号に基づいて決定される時間帯と、送受信機１１を介して得られる曜日情報と、同乗者判定部８２によって判定された同乗者の有無とを、ベイジアンネットワーク２０の年齢ノード３２、職業ノード３４、時間帯ノード４２、曜日ノード４４、同乗者ノード４６にそれぞれ入力して、目的地ノード５０の各目的地候補の尤度を求める。なお、送受信機１１を介して得られる曜日情報は、ベイジアンネットワークモデル２０における観測変数であるので、送受信機１１は観測変数取得部に該当する。

候補排除部８４は、目的地推定部８３にて目的地として推定される目的地候補から、確信度が所定の閾値より低いと判断される目的地候補を排除する。目的地推定部８３は、候補排除部８４によって一部の目的地候補が排除されて残った目的地候補のうちの、尤度の最も高い目的地候補を目的地として推定する。

上記の確信度とは、当該目的地候補が日常的に行く場所であると確信できる度合いである。即ち、目的地推定部８３は、日常的に行かない目的地候補を除いて、尤度の最も高い目的地候補を目的地として推定する。確信度が所定の閾値より高いか低いかは、学習データ記憶部９ｂに記憶された学習データ、即ち過去の履歴に基づいて求められる。確信度が高い目的地候補には、実際に日常的に行っている場所及び日常的に行く可能性がある場所が含まれる。

候補排除部８４は、単に、履歴に基づいて、当該目的地候補に過去に何回目的地とされたかという観点だけでなく、履歴に含まれる目的地とされた日時（単に日付のみでもよい）に基づいて、確信度、即ち当該目的地候補が日常的に行く場所であると確信できる度合いを求める。具体的には、本実施の形態では、具体的には、本実施の形態では、確信度は、（ａ）直近の一定回数の行動において目的地とされた割合、（ｂ）最後に目的地とされた日以後の行動回数、（ａ’）直近の一定期間において目的地とされた割合、又は（ｂ’）最後に目的地とされた日までの期間に基づいて求められてよい。

確信度は、連続的な値であってもよいし、離散的な値であってもよい。例えば、（ａ）について、直近の一定回数の行動において目的地とされた割合をそのまま確信度としてもよいし、直近の一定回数の行動において目的地とされた割合が０％、０〜５０％、５０〜１００％のそれぞれの場合について、確信度を０、１、２としてもよい。

上記の（ａ）は、実際に日常的に行っている場所を判断するための条件である。例えば、毎年１回習慣的に行く場所は、数年にわたって通行履歴を学習していくことで、その場所に行った回数が増加し、全通行履歴におけるその場所に行った割合が増加していくことがあるが、このような場所を日常的に行く場所とするのは適切でない。

そこで、（ａ）では、直近の一定回数の行動においてその目的地候補が目的地とされた割合に基づいて確信度を求めている。例えば、毎日１往復の通行（毎日２回の行動）を行なうことを想定して、直近の１ヶ月（行動回数は６０回）において、２週間に１回以上の割合で行っている場所を、日常的に行っている場所（確信度：１）とし、２日に１回以上の割合で言っている場所を、日常的かつ頻繁に行っている場所とする場合（確信度：２）とする場合には、直近の６０回の行動において目的地とされた割合が、０％以上４％未満の場合は確信度を０とし、４％以上２５％未満の場合は確信度を１とし、２５％以上の場合は確信度を２とすることができる。

また、上記の（ｂ）は、日常的に行く可能性がある場所を判断するための条件である。即ち、これまでに１回しか行ったことがない場所であっても、それがごく最近行った場所であれば、今現在、再び行く（即ち日常的に行くことになる）可能性が高いといえるが、逆に、例えば数年前には頻繁に通っていたが最近はまったく行っていないといった場所は、全通行履歴におけるその場所に行った割合が高い場合があるが、今現在では再び行く可能性は低い（即ち、日常的に行かなくなっている）といえる。

そこで、（ｂ）では、その目的地が最後に目的地とされた日から現在までの間の行動回数に基づいて確信度を求めている。例えば、上記のように毎日１往復の行動（毎日２回の行動）を行なうことを想定した場合に、最後に目的地とされた日から現在までの間の行動回数が、３回未満の場合は確信度を２とし、３回以上１４回未満の場合は確信度を１とし、１４回以上の場合は確信度を０とすることができる。

上記の（ａ’）及び（ｂ’）は、それぞれ（ａ）及び（ｂ）における行動回数を期間で置き換えたものである。確信度は（ａ）又は（ａ’）及び（ｂ）又は（ｂ’）を適宜に組み合わせて求めてもよい。例えば、（ａ）と（ｂ’）を組み合わせることで、直近の一定回数の行動において目的地とされた割合（ａ）が比較的小さい場合でも、最後に目的地とされた日までの期間（ｂ’）が短ければ、ユーザは今現在再び行く可能性が高いとすることができ、また、直近の一定回数の行動において目的地とされた割合（ａ）が大きければ、最後に目的地とされた日までの期間（ｂ’）が比較的長くても、目的地とされる可能性は低くないとするという柔軟な対応が可能になる。

なお、上記の（ａ）における一定回数や（ａ’）における一定期間は、ユーザの行動頻度に応じて調整してもよい。即ち、ユーザの行動頻度が高い場合には、（ａ）における一定回数を大きくし、又は（ａ’）における一定期間を短く、ユーザの行動頻度が低い場合には、（ａ）における一定回数を小さくし、又は（ａ’）における一定期間を長くしてよい。

候補排除部８４は、目的地推定部８３において目的地として推定され得る目的地候補のうちの、その確信が所定の閾値より小さい目的地候補を排除する。上述のように学習データ記憶部９ｂには、学習データとして、日付を含む履歴が記憶されているので、候補排除部８４は、その学習データを参照することで、上記の（ａ）、（ｂ）、（ａ’）、（ｂ’）を取得することができる。目的地推定部８３は、候補排除部８４によって一部の目的地候補が排除された後に残った目的地候補の中で尤度の最も高い目的地候補を目的地として推定する。目的地推定部８３は、推定した目的地を経路探索部８５に出力する。

経路探索部８５は、地図データ入力器６から入力される地図データに基づいて、位置検出器１によって検出された車両の現在位置から目的地推定部８３で推定した目的地までの経路を探索する。この経路探索には、コスト評価関数記憶部９ｃに記憶された式（１）に示すコスト評価関数Ｃｉを用い、例えば、ダイクストラ法などの公知の手法によって、式（１）に示すコスト評価関数Ｃｉの値が最小となるような経路を探索する。

経路探索部８５は、送受信機１１から交通渋滞情報及び交通規制情報を含む道路交通情報を取得して、交通渋滞情報や交通規制情報がある場合には、それらを考慮して最適な経路を探索する。具体的には、交通渋や交通規制があればそれらを避けるように、最適な経路を探索する。そして、探索された経路に関する関連情報がある場合は、表示装置１０によって表示し、又はスピーカ１３によって音声で出力する。例えば、経路の途中にある施設のイベント情報等があれば、適宜のタイミングでこの情報をユーザに提供する。このとき、表示装置１０やスピーカ１３は、関連情報提示部に該当する。

ナビゲーション部８６は、経路探索部８５によって探索された経路、位置検出器１によって逐次検出される車両の現在位置、及び、地図データ入力器６からの地図データに基づいて、経路案内を実行する。

学習部８６は、学習データ記憶部９ｂに記憶された学習データに基づいて、ベイジアンネットワークモデル２０の学習を実行する。学習部８６は、新たな学習データが追加されたときに学習を実行してもよいし、所定の学習周期で定期的に学習を実行してもよい。上述のように、学習データ記憶部９ｂに記憶される学習データは、年齢、職業、時間帯、曜日、同乗者の有無、実際に目的地とされた場所、及び日付が一組になったデータである。この学習データは、目的地が確定するごとに学習データ記憶部９ｂに追加される。なお、学習データ中の日付の情報は、ベイジアンネットワークモデル２０の学習には用いられないが、上述のように、目的地候補の中から確信度が所定の閾値より低い目的地候補を排除する際に、候補排除部８４によって用いられる。

目的地の確定は以下のようにして行なう。まず、目的地を推定した場合において、通行の後に駐車を判定したときは、その駐車位置を目的地として確定する。また、ユーザによって目的地が設定された場合は、その設定された目的地をそのまま目的地として確定する。学習データとして記憶するための年齢及び職業は、ユーザ情報取得部８１から得られ、同乗者の有無は同乗者判定部８２から得られ、日付及び曜日は送受信機１１から得られる。

図４は、ユーザ情報を外部メモリ９のユーザ情報記憶部９ｄに記憶する処理のフローチャートである。まず、ユーザ名と、ユーザ情報及びユーザ情報を決定するための情報（すなわち生年月日及び職業）とを入力してもらうための所定の入力画面を表示装置１０に表示する（ステップＳ４１）。

続いて、ユーザ操作によって、それらユーザ名、生年月日、職業が入力されたか否かを判断する（ステップＳ４２）。そして、ユーザ名、生年月日、職業が入力された場合には（ステップＳ４２にてＹＥＳ）、入力されたユーザ名、ユーザ情報及びユーザ情報を決定するための情報を、外部メモリ９のユーザ情報記憶部９ｄに記憶する（ステップＳ４３）。

図５は、目的地推定及び経路探索を行う処理のフローチャートである。まず、同乗者判定部８２及び送受信機１１が状況情報を取得して、それを学習データ記憶部９ｂに記憶し、目的地推定部８３に出力する（ステップＳ５１）。このために、同乗者判定部８２は、着座センサ１８からの信号に基づいて同乗者の有無を決定する。また、送受信機１１は、曜日情報を取得し、さらに、車両内部に設けられた時計から信号を取得して時間帯を決定する。なお、この際に送受信機１１は日付情報も取得して、これを学習データ記憶部９ｂに記憶する。

続いて、ユーザ情報取得部８１が、ユーザ情報を取得して、それを学習データ記憶部９ｂに記憶し、目的地推定部８３に出力する（ステップＳ５２）。このために、ユーザ情報取得部８１は、外部メモリ９のユーザ情報記憶部９ｄにユーザ情報が記憶されているユーザの一覧を示すユーザリストを表示装置１０に表示し、そのユーザリストから操作スイッチ群７又はリモコン１７の操作によって選択されたユーザに関する生年月日及び職業を、ユーザ情報記憶部９ｄから読み出す。そして、読み出した生年月日と上記ステップＳ５１で取得した時計からの信号に基づいて、運転者の年齢を決定する。

続いて、目的地推定部８３が、外部メモリ９のユーザモデル記憶部９ａに記憶されたベイジアンネットワークモデル２０に、上記ステップＳ５１で取得した状況情報（時間帯、曜日、同乗者）及びステップＳ５２で取得したユーザ情報（年齢、職業）を入力して、目的地ノード５０の各目的地候補の尤度を算出する（ステップＳ５３）。そして、候補排除部８４は、確信度が所定の閾値より小さい目的地候補を排除する（ステップＳ５４）。

次に、目的地推定部８３は、ステップＳ５４にて確信度が所定の閾値より小さい目的地候補が排除された後に残った目的地候補の中から、最も尤度の高い目的地候補を目的地として推定する（ステップＳ５５）。そして、推定された目的地を経路探索部８５及び表示装置１０に出力する（ステップＳ５６）。

続いて、経路探索部８５が、位置検出器１によって検出された車両の現在位置からステップＳ５５で推定した目的地まで、式（１）に示す評価関数Ｃｉの総コストが最小となるような経路を、ダイクストラ法等によって探索する（ステップＳ５７）。このとき、交通渋滞情報や交通規制情報等の関連情報があれば、それを考慮して経路を探索する。そして、ナビゲーション部８６は、ステップＳ５７で探索された経路、位置検出器１によって逐次検出される車両の現在位置、及び地図データ入力器６からの地図データに基づいて、経路案内を実行する（ステップＳ５８）。

図６は、実際の行動に基づいて学習を行なう処理のフローチャートである。まず、駐車を判定したか否かを判断する（ステップＳ６１）。駐車の判定は、ここでは、位置検出器１によって逐次検出される車両位置が所定時間同一場所であったことに基づいて行うこととするが、イグニッションキーのオン・オフに基づいて判定することも可能である。

駐車が判定されていないときは（ステップＳ６１にてＮＯ）、本ルーチンを一旦終了するが、駐車が判定されたときは（ステップＳ６１にてＹＥＳ）、位置検出器１によって検出される現在の車両位置を駐車位置として決定し、その駐車位置を学習データ記憶部９ｂに記憶する（ステップＳ６２）。

次に、ベイジアンネットワークモデル２０を学習するための学習データを作成する（ステップＳ６３）。この学習データは、ベイジアンネットワークモデル２０の各ノード３２、３４、４２、４４、４６、５０についての状態をそれぞれ１つずつ有する一組のデータであり、年齢ノード３２と職業ノード３４については、図５のステップＳ５２で、時間帯ノード４２、曜日ノード４４、同乗者ノード４６については、図５のステップＳ５１で、それぞれ学習データ記憶部９ｂに記憶されている。また、目的地ノード５０は、図６のステップＳ６２で記憶した駐車位置である。

そして、ステップＳ６３で作成した学習データを用いて、ユーザモデル記憶部９ａに記憶されているベイジアンネットワークモデル２０の親ノードと子ノードとの間の依存性確率を修正する（学習する）（ステップＳ６４）。この学習を繰り返すことにより、目的及び目的地の推定精度が次第に向上する。

以上のように、本実施の形態のナビゲーションシステム１００では、目的地推定部８３が、入力されたユーザ情報及び状況情報をベイジアンネットワークモデル２０に入力することにより、各目的地候補の尤度を求めるが、このとき、確信度が所定の閾値より小さい目的地候補を除外して、尤度の最も高い目的地候補を目的地として推定するので、ベイジアンネットワークモデル２０を用いたベイズ推論の不完全性を補完して、日常的に行く場所ではない目的地候補を目的地として推定してしまうことを回避できる。

なお、上記の実施の形態では、学習部８７は、すべての過去の通行履歴を学習データとして用いて学習を行ない、ベイジアンネットワークモデル２０を修正し、そのように修正されたベイジアンネットワークモデル２０にユーザ情報及び状況情報を与えることで、各目的地候補の尤度を求めた。そして、この目的地候補には、確信度が所定の閾値よりも小さいものも含まれているため、それらを除いて、最も尤度の高いものを目的地として推定した。本発明はこのような実施形態に限られない。

変形例のナビゲーションシステムにおいて、学習部８７は、学習データ記憶部９ｂに記憶されているデータ（年齢、職業、時間帯、曜日、同乗者の有無、実際に目的地とされた場所、日付が一組になっている）に対して、確信度を所定の閾値と比較して、閾値より高いもののみを学習データとして採用して、ベイジアンネットワークモデル２０を修正して（学習して）もよい。この場合には、目的地推定部８３は、ベイジアンネットワークモデル２０にユーザ情報及び状況情報を与えて得られた各目的地候補のうちの尤度が最も高いものをそのまま推定結果とする。

図７は、変形例のナビゲーションシステムの要部構成を示すブロック図である。変形例のナビゲーションシステム１０１では、候補排除部８４’が、学習データ記憶部９ｂと学習部８７との間に設けられている。候補排除部８４’は、上述のいずれかの確定条件を採用して、学習データ記憶部９ｂに過去の履歴として記憶された学習データのうち、確定条件を満たさない学習データを排除して学習部９ｂに出力する。

また、上記の実施の形態では、尤度が最も高い目的地候補を目的地として推定して（ステップＳ５５）、自動的にその目的地への経路探索（ステップＳ５７）及び経路案内（ステップＳ５８）を行なったが、尤度が高い順に複数の目的地候補を表示装置１０に表示して、ユーザに目的地を選択させてもよい。ユーザが目的地を選択すると、ユーザが自ら目的地を設定したのと同様に、その時点で目的地が確定する。

また、上記の実施の形態では、目的地を推定した後に、自動で経路案内を行なったが（ステップＳ５８）、ユーザが積極的に目的地を設定しないのは、その目的地までの経路を熟知しているからであると考えられるため、経路案内はしないようにして、経路探索（ステップＳ５７）で探索された経路に関連する関連情報がある場合にのみ、それを提示するようにしてもよい。あるいは、経路探索（ステップＳ５７）を行なった結果、その経路に関連する関連情報に基づいて、迂回ルートを提案する場合にのみ、迂回ルートを探索した上で経路案内をするようにしてもよい。これにより、熟知している経路について、自動で案内が開始されることによる煩わしさを回避できるとともに、有用な情報があればその情報を得ることができる。

また、上記の実施の形態では、ユーザ情報取得部８１は、予め登録された複数のユーザのリストを表示装置１０に表示して運転者にそのリストから選択してもらうことで、運転者が誰であるかを判定したが、座席が電動であって、その座席位置を記憶するメモリ機能があり、ユーザごとに座席位置が記憶されている場合は、そのメモリ機能の利用と連動して運転者が誰であるかを判定してもよい。

また、上記の実施の形態では、各目的地候補の確率を求めるのに、ベイジアンネットワークモデル２０を用いたが、ニューラルネットワークモデル等の他の確率モデルを用いてもよい。また、ベイジアンネットワークモデル２０の観測変数を適宜変更できることはいうまでもない。また、上記の実施の形態では、観測変数として、ユーザ情報と状況情報を用いた確率モデルを説明したが、観測変数は、状況情報のみ、又はユーザ情報のみであってよい。

また、上記の実施の形態では、複数の確信度を例示したが、確信度は上記に例示したものに限られない。確信度は、過去の履歴に基づいて、日常的に行く場所ではないと判断されるものを排除できるものであればよい。例えば、確信度は、過去の履歴において、当該目的地候補が目的地とされた割合に基づいて求められてよく、当該目的地候補が目的地とされた回数に基づいて求められてもよい。例えば、過去の履歴において、目的地とされた割合が１０％に満たない目的地候補を排除するようにしてよく、また、過去の履歴において、目的地とされた回数が３回未満（１回又は２回）である目的地候補を排除することとしてもよい。

また、上記の実施の形態では、学習データは、目的地が確定するごとに学習データ記憶部９ｂに履歴として追加されるが、このとき、種々の条件に従って重みをつけて履歴を記憶してもよい。

過去に目的地とされた場所の履歴は、履歴のレコードごとに重みのデータを有する。即ち、上記の実施の形態では、履歴のすべてのレコードが同じ重みを持っていたが、この変形例では、種々の状況に応じて、例えば、１．５回目的地とされた、０．５回目的地とされた、・・・というように、異なる重みを持つ。重みは、例えば、当該場所が、ユーザが目的地して設定したことにより目的地とされたか否か、出発地から当該場所までの距離、及び当該場所がランドマークであるか否かに応じて付与される。以下、具体例を説明する。

ある場所が目的地とされたときに、それがユーザによって目的地として設定されたことにより目的地として確定したものである場合は、重みを小さくとし、ユーザ自身が目的地を設定することなくその場所に着いたことでその場所が目的地として確定した場合には、重みを大きくとしてよい。例えば、ユーザがナビゲーションシステムにおいて目的地として設定することで目的地とされた場所については、その場所に１回行ったものとしてカウントし、ユーザがナビゲーションシステムにその場所を目的地として設定することなく（当該場所が目的地として推定された場合を含む）、当該場所に着いた場合には、その場所に２回行ったものとしてカウントする。これは、ユーザが目的地として設定した場所はユーザが行き慣れていない場所である可能性が比較的高いと考えられ、一方、ユーザが目的地として設定することなく到達した場所であれば、その場所はユーザが行き慣れている場所である可能性が比較的高いと考えられるからである。

また、ある場所が目的地とされた場合に、出発地から当該場所までの距離に応じた重みを付与してもよい。例えば、出発地から目的地とされた場所までの距離が１ｋｍ未満であれば、重みを０．５とし、１ｋｍ以上１０ｋｍ未満であれば、重みを１とし、１０ｋｍ以上であれば、重みを１．５とする。なお、距離は直線距離であってもよいし、経路に沿った走行距離であってもよい。このように、出発地から目的地とされた場所までの距離が長いほど大きな重みを付与するのは、出発地から目的地とされた場所までの距離が長い場合には、より確実な目的をもってそこに行った可能性が比較的高いと考えられ、逆に出発地から目的地とされた場所までの距離が短い場合には、たまたまそこで停車した等の理由によりそこが目的地とされた場合が比較的高いと考えられるからである。

また、ある場所が目的地とされた場合に、その場所が多くの人が集まる場所（例えば、有名な商業施設（百貨店等）、娯楽施設（遊園地、公園等）、観光地等）であるか否かに応じた重みを付与してもよい。多くの人が集まる場所であるか否かは、例えば、駐車場の収容台数に応じて決定してよく、ユーザの主観で決定してもよい。また、複数のユーザにおいて目的地とされた場所の履歴を集計して、実際にどのくらいの人がその場所を目的地としているかを調べて、その場所が多くの人が集まる場所であるかを決定してもよい。そして、例えば、目的地とされた場所が、多くの人が多く集まる場所である場合には、重みを３とし、多くの人が集まる場所でない場合には重みを１とする。このように、一般的に多くの人が集まる場所に大きな重みを付与するのは、多くの人が集まる場所であれば、そこが目的地とされる可能性は比較的高いと考えられるからである。

候補排除部８４は、上記の実施の形態と同様にして目的地である確信度を求めるが、このとき、例えば、当該場所が目的地とされた割合を求める際には、重みに基づいて割合を求める。例えば、１０回の行動において、ある場所の履歴として、重み２の履歴と重み１の履歴があるとすると、その１０回の行動において当該場所が目的地とされた割合は、（２＋１）／１０＝３０％となる。

なお、候補排除部８４は、この変形例のように履歴に重みが付与されている場合に、上記の実施の形態のように日時を考慮して確信度を求めるのではなく、日時を考慮せずに確信度を求めてよい。即ち、この変形例によれば、履歴における日時を考慮しなくても、目的地とされる確信度を求めて、その確信度が低い目的地候補を排除することができる。

なお、重みは、当該場所が、ユーザが目的地して設定したことにより目的地とされたか否か、出発地から当該場所までの距離、及び当該場所が、多くの人が集まる場所であるか否かのうちの一部のみに基づいて付与されてもよく、また、他の要因に応じて付与されてもよい。

また、ナビゲーションシステム１００は、車両に搭載されるものであってもよいし、持ち歩ける形式のものであってもよい。

本発明は、目的地の推定精度が向上するという効果を有し、過去に目的地とされた場所を目的地候補として、それらの目的地候補の中から目的地を推定する目的地推定装置等として有用である。

１ 位置検出器
２ 地磁気センサ
３ ジャイロスコープ
４ 距離センサ
５ ＧＰＳ受信機
６ 地図データ入力器
７ 操作スイッチ群
８ 制御装置
８１ ユーザ情報取得部
８２ 同乗者判定部
８３ 目的地推定部
８４ 候補排除部
８４’ 候補排除部
８５ 経路探索部
８６ ナビゲーション部
８７ 学習部
９ 外部メモリ
９ａ ユーザモデル記憶部
９ｂ 学習データ記憶
９ｃ コスト評価関数記憶部
９ｄ ユーザ情報記憶部
１０ 表示装置
１１ 送受信機
１２ 音声コントローラ
１３ スピーカ
１４ 音声認識装置
１５ マイク
１６ リモコンセンサ
１７ リモコン
１８ 着座センサ

Claims (21)

1. 過去に目的地とされた場所の履歴を記憶する履歴記憶部と、
   前記履歴記憶部に記憶された場所を含む複数の目的地候補の中から、目的地を推定する目的地推定部と、
   前記目的地推定部にて目的地として推定される目的地候補から、前記履歴記憶部に記憶された前記履歴に基づいて、目的地である確信度が所定の閾値より低いと判断される目的地候補を排除する候補排除部と、
   観測変数を取得する観測変数取得部と、
   前記観測変数に対する前記複数の目的地候補の確率を求めるための確率モデルを記憶するモデル記憶部と、
   を備え、
   前記目的地推定部は、前記モデル記憶部に記憶された確率モデルに基づいて、前記観測変数取得部にて取得された前記観測変数に対する前記複数の目的地候補の確率を求めて、確率の高い目的地候補を前記目的地として推定し、
   前記候補排除部は、前記目的地推定部にて確率が求められた前記目的地候補から、前記履歴記憶部に記憶された前記履歴に基づいて、前記確信度が所定の閾値より低いと判断される目的地候補を排除する
   ことを特徴とする目的地推定装置。
2. 過去に目的地とされた場所の履歴を記憶する履歴記憶部と、
   前記履歴記憶部に記憶された場所を含む複数の目的地候補の中から、目的地を推定する目的地推定部と、
   前記目的地推定部にて目的地として推定される目的地候補から、前記履歴記憶部に記憶された前記履歴に基づいて、目的地である確信度が所定の閾値より低いと判断される目的地候補を排除する候補排除部と、
   観測変数を取得する観測変数取得部と、
   前記観測変数に対する前記複数の目的地候補の確率を求めるための確率モデルを記憶するモデル記憶部と、
   前記履歴における前記目的地とされた場所を前記目的地候補として、前記モデル記憶部に記憶される前記確率モデルを学習する学習部と、
   を備え、
   前記目的地推定部は、前記モデル記憶部に記憶された確率モデルに基づいて、前記観測変数取得部にて取得された前記観測変数に対する前記複数の目的地候補の確率を求めて、確率の高い目的地候補を前記目的地として推定し、
   前記候補排除部は、前記学習部にて学習に用いられる前記目的地候補から、前記履歴記憶部に記憶された前記履歴に基づいて、目的地である確信度が所定の閾値より低いと判断される目的地候補を排除する
   ことを特徴とする目的地推定装置。
3. 前記通行履歴記憶部に記憶される過去に目的地とされた場所の履歴には、日付の情報が含まれており、
   前記候補排除部は、前記日付の情報に基づいて、目的地である確信度が所定の閾値より低いと判断される目的地候補を排除する
   ことを特徴とする請求項１又は２に記載の目的地推定装置。
4. 前記確信度は、直近の一定回数の行動において当該目的地候補が目的地とされた割合に基づいて求められることを特徴とする請求項３に記載の目的地推定装置。
5. 前記確信度は、当該目的地候補が最後に目的地とされた日以後の行動回数に基づいて求められることを特徴とする請求項３に記載の目的地推定装置。
6. 前記確信度は、直近の一定期間の行動において当該目的地候補が目的地とされた割合に基づいて求められることを特徴とする請求項３に記載の目的地推定装置。
7. 前記確信度は、当該目的地候補が最後に目的地とされた日までの期間に基づいて求められることを特徴とする請求項３に記載の目的地推定装置。
8. 前記確信度は、直近の一定回数の行動において当該目的地候補が目的地とされた割合又は直近の一定期間の行動において当該目的地候補が目的地とされた割合、及び当該目的地候補が最後に目的地とされた日以後の行動回数又は当該目的地候補が最後に目的地とされた日までの期間に基づいて求められることを特徴とする請求項３に記載の目的地推定装置。
9. 前記確信度は、前記履歴記憶部に記憶されたすべての履歴における、当該目的地候補が目的地とされた割合に基づいて求められることを特徴とする請求項１又は２に記載の目的地推定装置。
10. 前記確信度は、前記履歴記憶部に記憶されたすべての履歴における、当該目的地候補が目的地とされた回数に基づいて求められることを特徴とする請求項１又は２に記載の目的地推定装置。
11. 前記通行履歴記憶部に記憶される過去に目的地とされた場所の履歴には、重みが付与されており、
    前記確信度は、前記重みを考慮して求められる
    ことを特徴とする請求項１ないし１０のいずれか一項に記載の目的地推定装置。
12. 前記重みは、当該場所が、ユーザが目的地して設定したことにより目的地とされたか否かに応じて、付与されていることを特徴とする請求項１１に記載の目的地推定装置。
13. 前記重みは、出発地から当該場所までの距離に応じて、付与されていることを特徴とする請求項１１に記載の目的地推定装置。
14. 前記重みは、当該場所が、多くの人が集まる場所であるか否かに応じて、付与されていることを特徴とする請求項１１に記載の目的地推定装置。
15. 請求項１ないし１４のいずれか一項に記載の目的地推定装置と、
    前記目的地推定部にて推定された目的地までの経路を探索する経路探索部と、
    を備えたことを特徴とするナビゲーションシステム。
16. 前記経路探索部にて探索された経路に関連する関連情報を提示する関連情報提示部をさらに備えたことを特徴とする請求項１５に記載のナビゲーションシステム。
17. 前記経路探索部は、交通渋滞情報及び交通規制情報を含む関連情報に基づいて経路を探索することを特徴とする請求項１５に記載のナビゲーションシステム。
18. 過去に目的地とされた場所の履歴を記憶する履歴記憶ステップと、
    前記履歴記憶ステップにて記憶された場所を含む複数の目的地候補の中から、目的地を推定する目的地推定ステップと、
    前記目的地推定ステップにて目的地として推定される目的地候補から、前記履歴記憶ステップにて記憶された前記履歴に基づいて、目的地である確信度が所定の閾値より低いと判断される目的地候補を排除する候補排除ステップと、
    観測変数を取得する観測変数取得ステップと、
    前記観測変数に対する前記複数の目的地候補の確率を求めるための確率モデルに基づいて、前記観測変数取得ステップにて取得された前記観測変数に対する前記複数の目的地候補の確率を求める確率取得ステップと、
    を含み、
    前記候補排除ステップは、前記確率取得ステップにて確率が求められた前記目的地候補から、前記確信度が所定の閾値より低いと判断される目的地候補を排除し、
    前記目的推定ステップは、前記候補排除ステップにて前記目的地候補が排除された後に、残った前記目的地候補のうちの、前記確率取得ステップにて求めた確率が高い目的地候補を前記目的地として推定する
    ことを特徴とする目的地推定方法。
19. 過去に目的地とされた場所の履歴を記憶する履歴記憶ステップと、
    前記履歴記憶ステップにて記憶された場所を含む複数の目的地候補の中から、目的地を推定する目的地推定ステップと、
    前記目的地推定ステップにて目的地として推定される目的地候補から、前記履歴記憶ステップにて記憶された前記履歴に基づいて、目的地である確信度が所定の閾値より低いと判断される目的地候補を排除する候補排除ステップと、
    観測変数を取得する観測変数取得ステップと、
    前記履歴における前記目的地を前記目的地候補として、前記観測変数に対する前記複数の目的地候補の確率を求めるための確率モデルを学習する学習ステップと、
    を含み、
    前記候補排除ステップは、前記学習ステップにて学習に用いられる前記目的地候補から、前記履歴記憶ステップにて記憶された前記履歴に基づいて、目的地である確信度が所定の閾値より低いと判断される目的地候補を排除し、
    前記目的地推定ステップは、前記学習ステップによって学習された前記確率モデルに基づいて、前記観測変数取得ステップにて取得された前記観測変数に対する前記複数の目的地候補の確率を求めて、確率の高い目的地候補を前記目的地として推定する
    ことを特徴とする目的地推定方法。
20. 目的地とされた場所の履歴を記憶する履歴記憶ステップと、
    前記履歴記憶ステップにて記憶された場所を含む複数の目的地候補の中から、目的地を推定する目的地推定ステップと、
    前記目的地推定ステップにて目的地として推定される目的地候補から、前記履歴記憶ステップにて記憶された前記履歴に基づいて、目的地である確信度が所定の閾値より低いと判断される目的地候補を排除する候補排除ステップと、
    観測変数を取得する観測変数取得ステップと、
    前記観測変数に対する前記複数の目的地候補の確率を求めるための確率モデルに基づいて、前記観測変数取得ステップにて取得された前記観測変数に対する前記複数の目的地候補の確率を求める確率取得ステップと、
    をコンピュータに実行させるための目的地推定プログラムであって、
    前記候補排除ステップは、前記確率取得ステップにて確率が求められた前記目的地候補から、前記確信度が所定の閾値より低いと判断される目的地候補を排除し、
    前記目的推定ステップは、前記候補排除ステップにて前記目的地候補が排除された後に、残った前記目的地候補のうちの、前記確率取得ステップにて求めた確率が高い目的地候補を前記目的地として推定する
    ことを特徴とする目的地推定プログラム。
21. 目的地とされた場所の履歴を記憶する履歴記憶ステップと、
    前記履歴記憶ステップにて記憶された場所を含む複数の目的地候補の中から、目的地を推定する目的地推定ステップと、
    前記目的地推定ステップにて目的地として推定される目的地候補から、前記履歴記憶ステップにて記憶された前記履歴に基づいて、目的地である確信度が所定の閾値より低いと判断される目的地候補を排除する候補排除ステップと、
    観測変数を取得する観測変数取得ステップと、
    前記履歴における前記目的地を前記目的地候補として、前記観測変数に対する前記複数の目的地候補の確率を求めるための確率モデルを学習する学習ステップと、
    をコンピュータに実行させるための目的地推定プログラムであって、
    前記候補排除ステップは、前記学習ステップにて学習に用いられる前記目的地候補から、前記履歴記憶ステップにて記憶された前記履歴に基づいて、目的地である確信度が所定の閾値より低いと判断される目的地候補を排除し、
    前記目的地推定ステップは、前記学習ステップによって学習された前記確率モデルに基づいて、前記観測変数取得ステップにて取得された前記観測変数に対する前記複数の目的地候補の確率を求めて、確率の高い目的地候補を前記目的地として推定する
    ことを特徴とする目的地推定プログラム。
    

Images