JP4367180B2 - 車両用運転操作補助装置および車両用運転操作補助装置を備える車両 - Google Patents

Description

本発明は、運転者の操作を補助する車両用運転操作補助装置に関する。

従来の車両用運転操作補助装置は、自車両周囲の走行環境に基づくリスクポテンシャルに応じてアクセルペダルの操作反力を変更している（例えば特許文献１参照）。この装置は、自車両と先行車との相対関係、すなわち車間距離や相対速度等に基づいてリスクポテンシャルを算出している。

本願発明に関連する先行技術文献としては次のものがある。
特開２００３−２４６２２５号公報

従来の装置は、先行車への接近状態に基づくリスクポテンシャルをアクセルペダル反力として運転者に伝えることができる。しかしながら、ある接近状態に対するリスク感覚は人によって異なるため、ドライバの個人差を学習して個々の運転者のリスク感覚に合ったアクセルペダル反力制御を行うことが望まれている。

本発明による車両用運転操作補助装置は、自車両周囲の走行状況を検出する状況認識手段と、状況認識手段の検出結果に基づいて、自車両周囲のリスクポテンシャルを算出するリスクポテンシャル算出手段と、リスクポテンシャル算出手段によって算出されるリスクポテンシャルに基づいて、運転操作装置に発生する操作反力を制御する操作反力制御手段と、ドライバの所定の反応動作時における車両状態を学習する反応学習手段と、反応学習手段によって学習された車両状態に基づいて、リスクポテンシャル算出手段におけるリスクポテンシャル式を補正する補正手段と、反応学習手段における学習の対象データとする車両状態を、反応動作についてのドライバの反応または自車両の挙動に基づいて選択する学習データ選択手段とを備える。

ドライバの個人差を学習してリスクポテンシャル式を補正することにより、個人のリスク感覚に合った操作反力制御を行うことができる。

《第１の実施の形態》
図１は、本発明の第１の実施の形態による車両用運転操作補助装置１の構成を示すシステム図であり、図２は、車両用運転操作補助装置１を搭載する車両の構成図である。

まず、車両用運転操作補助装置１の構成を説明する。レーザレーダ１０は、車両の前方グリル部もしくはバンパ部等に取り付けられ、水平方向に赤外光パルスを照射して自車両の前方領域を走査する。レーザレーダ１０は、前方にある複数の反射物（通常、先行車の後端）で反射された赤外光パルスの反射波を計測し、反射波の到達時間より、先行車までの車間距離と相対速度を検出する。検出した車間距離及び相対速度はコントローラ５０へ出力される。レーザレーダ１０によりスキャンされる前方の領域は、自車正面に対して±６deg程度であり、この範囲内に存在する前方物体が検出される。

車速センサ３０は、車輪の回転数や変速機の出力側の回転数を計測することにより自車両の車速を検出し、検出した自車速をコントローラ５０に出力する。

また、コントローラ５０には、アクセルペダル８２の操作状態を検出するアクセルオフスイッチ８４からの信号、およびブレーキペダル９２の操作状態を検出するブレーキオンスイッチ９４からの信号が入力される。

コントローラ５０は、ＣＰＵと、ＲＯＭおよびＲＡＭ等のＣＰＵ周辺部品とから構成されており、車両用運転操作補助装置１の全体の制御を行う。コントローラ５０は、車速センサ３０およびレーザレーダ１０から入力される自車速、車間距離および相対速度等の信号から、自車両周囲のリスクポテンシャルを算出する。そして、算出したリスクポテンシャルに基づいてアクセルペダル８２の操作反力制御を行う。

アクセルペダル反力制御装置８０は、コントローラ５０からの指令値に応じてアクセルペダル操作反力を制御する。図３に示すように、アクセルペダル８０には、リンク機構を介してサーボモータ８１およびアクセルペダルストロークセンサ８３が接続されている。サーボモータ８１は、アクセルペダル反力制御装置８０からの指令に応じてトルクと回転角とを制御し、運転者がアクセルペダル８２を操作する際に発生する操作反力を任意に制御する。アクセルペダルストロークセンサ８３は、リンク機構を介してサーボモータ８１の回転角に変換されたアクセルペダル８２の操作量を検出する。

なお、アクセルペダル反力制御を行わない場合の通常のアクセルペダル反力特性は、例えば、アクセルペダル操作量が大きくなるほどアクセルペダル反力がリニアに大きくなるよう設定されている。通常のアクセルペダル反力特性は、例えばアクセルペダル８２の回転中心に設けられたねじりバネ（不図示）のバネ力によって実現することができる。

次に、本発明の第１の実施の形態における車両用運転操作補助装置１の動作を説明する。まず、その概要を以下に説明する。
自車両周囲のリスクポテンシャルに応じてアクセルペダル反力制御を行うことにより、先行車に対する接近状態をアクセルペダル８２の操作反力として運転者に伝達することができる。ただし、同一のリスクポテンシャル、すなわち先行車への接近状態に対するリスク感覚は人によって異なるため、同一のリスクポテンシャルに対して同一のアクセルペダル反力を発生しても、ドライバによっては反力の大きさや発生タイミングに対して違和感を覚える場合がある。

そこで、第１の実施の形態においては、ドライバの個人差（くせ）を学習してアクセルペダル操作反力の制御パラメータを補正する。具体的には、ドライバの所定の反応および所定の車両状態を計測し、これらの計測結果を用いて、学習に用いるリスクポテンシャルデータを選択する。そして、選択した学習データに基づいて、リスクポテンシャルに対するアクセルペダル反力の特性を修正し、違和感のないアクセルペダル反力制御を実現する。

以下に、第１の実施の形態による車両用運転操作補助装置１の動作を、図４を用いて詳細に説明する。図４は、コントローラ５０における運転操作補助制御プログラムの処理手順を示すフローチャートである。本処理内容は、一定間隔（例えば５０msec）毎に連続的に行われる。

ステップＳ１０１で、自車両および車両周囲の走行状態を読み込む。具体的には、レーザレーダ１０および車速センサ３０によって検出される自車速ｖ１、先行車速ｖ２、自車両と先行車との車間距離ｄおよび相対速度ｖｒ（ｖｒ＝ｖ２−ｖ１）を読み込む。また、アクセルオフスイッチ８４およびブレーキオンスイッチ９４からの信号も読み込む。

ステップＳ１０２では、先行車に対する余裕時間ＴＴＣと車間時間ＴＨＷとを算出する。 余裕時間ＴＴＣは、先行車に対する現在の自車両の接近度合を示す物理量である。余裕時間ＴＴＣは、現在の走行状況が継続した場合、つまり自車速ｖ１、先行車速ｖ２および相対車速ｖｒが一定の場合に、何秒後に車間距離ｄがゼロとなり自車両と先行車両とが接触するかを示す値である。余裕時間ＴＴＣは、以下の（式１）により求められる。
ＴＴＣ＝−ｄ／ｖｒ ・・・（式１）

余裕時間ＴＴＣの値が小さいほど、先行車への接触が緊迫し、先行車への接近度合が大きいことを意味している。例えば先行車への接近時には、余裕時間ＴＴＣが４秒以下となる前に、ほとんどのドライバが減速行動を開始することが知られている。

車間時間ＴＨＷは、自車両が先行車に追従走行している場合に、想定される将来の先行車の車速変化による余裕時間ＴＴＣへの影響度合、つまり相対車速ｖｒが変化すると仮定したときの影響度合を示す物理量である。車間時間ＴＨＷは、以下の（式２）で表される。
ＴＨＷ＝ｄ／ｖ１ ・・・（式２）

車間時間ＴＨＷは、車間距離ｄを自車速ｖ１で除したものであり、先行車の現在位置に自車両が到達するまでの時間を表す。この車間時間ＴＨＷが大きいほど、周囲の環境変化に対する予測影響度合が小さくなる。つまり、車間時間ＴＨＷが大きい場合には、もしも将来に先行車の車速が変化しても、先行車までの接近度合には大きな影響を与えず、余裕時間ＴＴＣはあまり大きく変化しないことを示す。なお、自車両が先行車に追従し、自車速ｖ１＝先行車速ｖ２である場合は、（式２）において自車速ｖ１の代わりに先行車速ｖ２を用いて車間時間ＴＨＷを算出することもできる。

ステップＳ１０３では、ステップＳ１０２で算出した車間時間ＴＨＷと余裕時間ＴＴＣとを用いて、自車両周囲のリスクポテンシャルＲＰを算出する。自車両周囲のリスクポテンシャルＲＰは、以下の（式３）で算出することができる。
ＲＰ＝ａ／ＴＨＷ＋ｂ／ＴＴＣ ・・・（式３）
ここで、ａ、ｂは、車間時間ＴＨＷおよび余裕時間ＴＴＣにそれぞれ適切な重み付けをするための定数であり、予め適切な値を設定しておく。定数ａ、ｂは、例えばａ＝１，ｂ＝８（ａ＜ｂ）に設定する。

ステップＳ１０４では、リスクポテンシャルＲＰを学習するための学習条件を満たしたか否かを判定する。具体的には、ステップＳ１０１で検出した自車両と先行車との相対速度ｖｒ、およびアクセルペダルオフスイッチ８４とブレーキペダルオンスイッチ９４からの信号に基づいて、「先行車への接近→アクセルオフ→ブレーキオン」という一連の動作が完了したか否かを判定する。ここで、例えば所定値以上の相対速度ｖｒが発生している場合に、先行車へ接近しているとする。

ステップＳ１０４で学習条件である一連の動作が完了したと判定されると、ステップＳ１０５以降の処理へ進み、一連の動作が完了するまでの過去数十秒間に記録された走行状態に基づいてリスクポテンシャルＲＰの学習を行う。ここでは、上記一連の動作においてドライバがどれほどのリスクを感じているか、すなわちどれほどのリスクポテンシャルＲＰが発生したときにアクセルオフ／ブレーキオンといった運転動作を行うかというドライバの個人差（くせ）を学習することを、リスクポテンシャルＲＰの学習と呼ぶ。

図５に示すように、自車両が先行車に接近していくときに、アクセルペダル８２をオフ（解放）したときに算出されるリスクポテンシャルＲＰと、その後ブレーキペダル９２をオンした（踏み込んだ）ときに算出されるリスクポテンシャルＲＰを、学習対象のデータとする。なお、図５は横軸に車間時間ＴＨＷ、縦軸に余裕時間ＴＴＣの逆数をとるリスクポテンシャルマップであり、マップの右上ほどリスクポテンシャルＲＰの高い領域である。また、マップ中の実線はリスクポテンシャルＲＰが等しいことを表す等リスクポテンシャル線である。

まず、アクセルペダルオフ時のリスクポテンシャルＲＰを学習するために、ステップＳ１０５において、所定の運転行動におけるドライバの反応速度を算出する。ここでは、ドライバがアクセルペダル８２をオフしてからブレーキペダル９２をオンするまでの踏み換え時間ＲＴを検出し、踏み換え時間ＲＴの逆数を、ペダルの踏み換えという運転行動におけるドライバの反応の緊急度（Response Urgency）ＲＵ１として算出する。緊急度ＲＵ１は、踏み換え時間ＲＴが短い、すなわちアクセルペダル８２をオフしてから早くブレーキペダル９２をオンするほど大きくなり、踏み換え時間ＲＴが長い、すなわちペダルをゆっくり踏み換えるほど小さくなる。

図６（ａ）に示すリスクポテンシャルマップにおいて、○の大きさはペダルの踏み換え時間ＲＴに基づく緊急度ＲＵ１の大きさを示し、○の位置はドライバがアクセルペダル８２を離したときのリスクポテンシャルＲＰを示している。

続くステップＳ１０６では、ステップＳ１０５で算出した緊急度ＲＵ１が所定値ＲＵ１０よりも大きいか否かを判定する。ＲＵ１＞ＲＵ１０の場合はステップＳ１０７へ進み、コントローラ５０のメモリに記録されているアクセルペダルオフ時のリスクポテンシャルＲＰを学習する。ＲＵ１≦ＲＵ１０の場合はリスクポテンシャルＲＰを学習しない。コントローラ５０は、図６（ｂ）に示すように緊急度ＲＵ１が所定値ＲＵ１０を超える場合の複数のデータを用いてリスクポテンシャルＲＰを学習する。

図８に、ＲＵ１＞ＲＵ１０におけるアクセルペダルオフ時のリスクポテンシャルＲＰの頻度分布を示す。図８に示すように、緊急度ＲＵ１が所定値ＲＵ１０を超える場合のみのリスクポテンシャルＲＰを用いているので、点線で示す学習対象データを選択しない場合に比べてリスクポテンシャルＲＰのピーク（最頻値）が増加方向にシフトしている。図８に示すアクセルペダルオフ時のリスクポテンシャルＲＰの最頻値を、学習したアクセルペダルオフ時のリスクポテンシャルＲＰａとする。リスクポテンシャル学習値ＲＰａは、リスクポテンシャルＲＰがこの値まで増加すると、ドライバがアクセルペダル８２をオフする割合が高いという、ドライバのリスク感覚または運転動作のくせを表している。

また、ブレーキペダルオン時のリスクポテンシャルＲＰを学習するために、ステップＳ１０８において、所定の運転行動におけるドライバの反応速度を算出する。ここでは、ドライバがブレーキペダル９２をオンしてからの減速度合を、ペダルを踏み換えた後の減速動作という運転行動におけるドライバの反応の緊急度（Response Urgency）ＲＵ２として算出する。緊急度ＲＵ２は、アクセルペダルオフ後にブレーキペダル９２をオンしてから所定時間（例えば５秒）内の自車両の減速度の最大値、または、所定時間（例えば５秒）内での速度変化を無次元化して算出する。所定時間内の速度変化を緊急度ＲＵ２として用いる場合は、所定時間内における自車速の低下量が大きくなるほど緊急度ＲＵ２を大きくし、自車速の低下量が所定値を超えると緊急度ＲＵ２を最大値に固定する。緊急度ＲＵ２は、ブレーキペダル９２をオンしてからの減速度合が大きくなるほど、大きくなる。

図７に示すリスクポテンシャルマップにおいて、○の大きさはブレーキオン後の減速度合に基づく緊急度ＲＵ２の大きさを示し、○の位置はドライバがブレーキペダル９２をオンしたときのリスクポテンシャルＲＰを示している。

続くステップＳ１０９では、ステップＳ１０８で算出した緊急度ＲＵ２が所定値ＲＵ２０よりも大きいか否かを判定する。ＲＵ２＞ＲＵ２０の場合はステップＳ１１０へ進み、コントローラ５０のメモリに記録されているブレーキペダルオン時のリスクポテンシャルＲＰを学習する。ＲＵ２≦ＲＵ２０の場合はリスクポテンシャルＲＰを学習しない。コントローラ５０は、図７に示すように緊急度ＲＵ２が所定値ＲＵ２０を超える場合の複数のデータを用いてリスクポテンシャルＲＰを学習する。

図８に、さらに、ＲＵ２＞ＲＵ２０におけるブレーキペダルオフ時のリスクポテンシャルＲＰの頻度分布を示す。図８に示すように、緊急度ＲＵ２が所定値ＲＵ２０を超える場合のみのリスクポテンシャルＲＰを用いているので、点線で示す学習対象データを選択しない場合に比べてリスクポテンシャルＲＰのピーク（最頻値）が増加方向にシフトしている。図８に示すブレーキペダルオフ時のリスクポテンシャルＲＰの最頻値を、学習したブレーキペダルオン時のリスクポテンシャルＲＰｂとする。リスクポテンシャル学習値ＲＰｂは、リスクポテンシャルＲＰがこの値まで増加すると、ドライバが高い割合でブレーキペダル９２に踏み換えているというドライバのリスク感覚または運転動作のくせを表している。

ステップＳ１１１では、ステップＳ１０７で学習したアクセルペダルオフ時のリスクポテンシャルＲＰａと、ステップＳ１１０で学習したブレーキペダルオン時のリスクポテンシャルＲＰｂとを用いて、操作反力制御を行う際のリスクポテンシャルＲＰとアクセルペダル反力増加量ΔＦとの関係（ＲＰ−ΔＦ特性）を補正する。以下に、ＲＰ−ΔＦの補正について説明する。

図９に、学習データを用いた補正を行う前の初期のＲＰ−ΔＦ特性を示す。図９において、アクセルペダルオフ時のリスクポテンシャルＲＰａに対応する反力ΔＦａと、ブレーキペダルオン時のリスクポテンシャルＲＰｂに対応する反力ΔＦｂは、予め適切に設定した所定値である。ＲＰ−ΔＦ特性は、反力ΔＦａとΔＦｂを通り、リスクポテンシャルＲＰが大きくなるほど反力増加量ΔＦが大きくなるように設定されている。

アクセルペダルオフ時のリスクポテンシャルＲＰａおよびブレーキペダルオン時のリスクポテンシャルＲＰｂには個人差があるため、学習したデータに基づいて図１０に示すようにＲＰ−ΔＦ特性を補正する。これにより、学習したアクセルペダルオフ時のリスクポテンシャルＲＰａに対して一定の反力ΔＦａが発生し、学習したブレーキペダルオン時のリスクポテンシャルＲＰｂに対して一定の反力ΔＦｂが発生する。すなわち、ドライバの個人差によってアクセルオン／ブレーキオフするときのリスクポテンシャルＲＰａ、ＲＰｂは異なるが、ＲＰ−ΔＦ特性を補正することにより、これらの値に対して発生する反力ΔＦａ、ΔＦｂは変化しない。

つづくステップＳ１１２では、ステップＳ１０３で算出したリスクポテンシャルＲＰに基づいてアクセルペダル反力増加量ΔＦを算出する。ステップＳ１０４において学習条件を満たしていた場合は、ステップＳ１１１で補正したＲＰ−ΔＦ特性を用い、学習条件を満たしていない場合は、前回周期で設定したＲＰ−ΔＦ特性、または図９に示すような初期特性を用いて反力増加量ΔＦを算出する。

ステップＳ１１３では、ステップＳ１１２で算出した反力増加量ΔＦをアクセルペダル反力制御装置８０に出力する。アクセルペダル反力制御装置８０は、コントローラ５０からの指令に応じて、アクセルペダル操作量に応じた通常の反力特性に反力増加量ΔＦを加算したアクセルペダル反力を発生するようにサーボモータ８１を制御する。これにより、今回の処理を終了する。

このように、以上説明した第１の実施の形態においては、以下のような作用効果を奏することができる。
（１）コントローラ５０は、自車両周囲の走行状況に基づいてリスクポテンシャルＲＰを算出し、リスクポテンシャルＲＰに応じて操作反力制御を行う。さらに、ドライバが自身のリスク感覚に反応して所定の運転動作を行うとき、すなわち所定の反応動作時における車両状態を学習し、学習した車両状態に基づいてリスクポテンシャル式を補正する。具体的には、ドライバの所定の反応動作時における車両状態を学習することにより、ドライバの個人差を学習し、図９に示すようなＲＰ−ΔＦ特性を補正する。これにより、個人のリスク感覚に合った操作反力制御を行うことができる。
（２）コントローラ５０は、ドライバの所定の反応動作時における車両状態として、リスクポテンシャルＰＲを学習する。そして、学習した反応動作時のリスクポテンシャルＲＰが大きいほど、走行状況に基づいて算出するリスクポテンシャルＲＰが小さくなるように、リスクポテンシャル式を補正する。すなわち、所定の反応動作時のリスクポテンシャルＲＰが常に大きい傾向にあるドライバに対しては、リスクポテンシャルＲＰが小さくなる方向に補正する。具体的には、反応動作時のリスクポテンシャルＲＰａ、ＲＰｂが大きいほど、図１０に示すようにリスクポテンシャルＲＰに対する反力増加量ΔＦが減少する方向にＲＰ−ΔＦ特性を補正する。これにより、個人のリスク感覚に合わせて所定の反応動作時には同一の操作反力を発生させることができる。
（３）コントローラ５０は、学習の対象データとする車両状態、すなわちリスクポテンシャルＲＰを、反応動作についてのドライバの反応または自車両の挙動に基づいて選択する。同一の反応動作を行う際でも、ドライバの反応または自車両の挙動はそれぞれのケースによって異なる。そこで、学習対象のデータをドライバの反応または自車両の挙動に基づいて選択することにより、ドライバの個人差を精度よく学習することができる。
（４）コントローラ５０は、所定の反応動作時における車両状態として、アクセルペダル解放時のリスクポテンシャルＲＰａを学習する。このとき、ドライバの反応または自車両の挙動として、ドライバがアクセルペダル８２を解放してからブレーキペダル９２を踏み込むまでの踏み換え時間ＲＴを用いる。踏み換え時間ＲＴはドライバのリスク感覚を表すファクターの一つであり、踏み換え時間ＲＴを用いて学習対象のデータを選択することにより、ドライバの個人差を精度よく学習することができる。
（５）踏み換え時間ＲＴが所定値よりも小さい、すなわち緊急度ＲＵ１（ＲＵ１＝１／ＲＴ）が所定値ＲＵ１０よりも大きい場合のリスクポテンシャルＲＰを学習対象のデータとして選択するので、学習データのばらつきを少なくしてドライバの個人差を精度よく学習することができる。
（６）コントローラ５０は、所定の反応動作時における車両状態として、アクセルペダル８２を解放した後、ブレーキペダル９２を踏み込む時のリスクポテンシャルＲＰｂを学習する。このとき、ドライバの反応または自車両の挙動として、ブレーキペダル９２の踏み込みによる自車両の減速度合を用いる。自車両の減速度合はドライバのリスク感覚を表すファクターの一つであり、減速度合を用いて学習対象のデータを選択することにより、ドライバの個人差を精度よく学習することができる。
（５）減速度合に基づく緊急度ＲＵ２が所定値ＲＵ２０よりも大きい場合のリスクポテンシャルＲＰを学習対象のデータとして選択するので、学習データのばらつきを少なくしてドライバの個人差を精度よく学習することができる。

《第２の実施の形態》
以下に、本発明の第２の実施の形態による車両用運転操作補助装置について説明する。第２の実施の形態による車両用運転操作補助装置の構成は、図１および図２に示した第１の実施の形態と同様である。ここでは、上述した第１の実施の形態との相違点を主に説明する。

第２の実施の形態においては、学習条件を満足する場合には、学習の対象とするデータを選択せずにアクセルペダルオフ時のリスクポテンシャルＲＰａとブレーキペダルオン時のリスクポテンシャルＲＰｂを学習する。具体的には、アクセルペダルオフ時に算出されるリスクポテンシャルＲＰおよびブレーキペダルオン時に算出されるリスクポテンシャルＲＰを、それぞれ緊急度ＲＵ１，ＲＵ２に対応づけて記憶し、記憶したリスクポテンシャルデータを補正してリスクポテンシャル学習値ＲＰａ、ＲＰｂを算出する。

以下に、第２の実施の形態による車両用運転操作補助装置の動作を、図１１を用いて詳細に説明する。図１１は、コントローラ５０における運転操作補助制御プログラムの処理手順を示すフローチャートである。本処理内容は、一定間隔（例えば５０msec）毎に連続的に行われる。ステップＳ２０１〜Ｓ２０４での処理は、図４に示したフローチャートのステップＳ１０１〜Ｓ１０４での処理と同様であるので説明を省略する。

ステップＳ２０５では、第１の実施の形態と同様に、ペダル踏み換え時間ＲＴに基づくドライバ反応の緊急度ＲＵ１と、ペダル踏み換え後の減速度合に基づくドライバ反応の緊急度ＲＵ２を、それぞれ算出する。

ステップＳ２０６では、緊急度ＲＵ１とアクセルペダルオフ時のリスクポテンシャルＲＰ、および緊急度ＲＵ２とブレーキペダルオン時のリスクポテンシャルＲＰの分布に基づいて、ドライバのアクセルペダルオフ時のリスクポテンシャルＲＰａとブレーキペダルオン時のリスクポテンシャルＲＰｂを学習する。以下に、リスクポテンシャルＲＰの学習について説明する。

図１２に、上述した一連の動作が複数回行われた場合の、緊急度ＲＵ１に対するアクセルペダルオフ時のリスクポテンシャルＲＰ（△）、および緊急度ＲＵ２に対するブレーキペダルオン時のリスクポテンシャルＲＰ（○）の分布を示す。図１２に示すように、緊急度ＲＵ１，ＲＵ２が高くなるほど、アクセルペダルオフ時のリスクポテンシャルＲＰおよびブレーキペダルオン時のリスクポテンシャルＲＰが高くなるように分布している。

図１２に示すようにリスクポテンシャルＲＰが大きくなるほど緊急度ＲＵ１，ＲＵ２が高くなるのは、ドライバはアクセルペダル８２をオフするタイミングが遅くなるほどブレーキペダル９２を早く踏み込み、ブレーキペダル９２をオンするタイミングが遅くなるほど強く減速する傾向にあるためである。したがって、ドライバの意図としては、緊急度ＲＵ１が０のときにアクセルペダル８２をオフし、緊急度ＲＵ２が０のときにブレーキペダル９２をオンしようとしていると推定できる。

そこで、緊急度ＲＵ１が０のときのリスクポテンシャルＲＰを、アクセルペダルオフ時のリスクポテンシャル学習値ＲＰａとし、緊急度ＲＵ２が０のときのリスクポテンシャルＲＰを、ブレーキペダルオン時のリスクポテンシャル学習値ＲＰｂとして推定する。具体的には、最小二乗法等の手法によりアクセルペダルオフ時のリスクポテンシャルＲＰと緊急度ＲＵ１の関係の近似式、およびブレーキペダルオン時のリスクポテンシャルＲＰと緊急度ＲＵ２の関係の近似式を算出する。そして、それぞれの近似式と図１２の横軸との交点を、リスクポテンシャル学習値ＲＰａ、ＲＰｂとして算出する。

ステップＳ２０７では、第１の実施の形態と同様に、学習したアクセルペダルオフ時のリスクポテンシャルＲＰａに対して所定の反力ΔＦａが発生し、学習したブレーキペダルオン時のリスクポテンシャルＲＰｂに対して所定の反力ΔＦｂが発生するように、ＲＰ−ΔＦ特性を補正する。

以降、ステップＳ２０８およびＳ２０９での処理は、図４のステップＳ１１２およびＳ１１３での処理と同様であるので説明を省略する。

このように、以上説明した第２の実施の形態においては、上述した第１の実施の形態による効果に加えて以下のような作用効果を奏することができる。
（１）コントローラ５０は、所定の反応動作についてのドライバの反応または自車両の挙動に基づいて、学習する車両状態を補正する。具体的には、図１２に示すように所定の反応動作時に得られるリスクポテンシャルデータを補正することにより、リスクポテンシャル学習値ＲＰａ、ＲＰｂを算出（推定）する。これにより、ドライバの個人差を精度よく学習することができる。
（２）コントローラ５０は、アクセルペダル８２を解放してからブレーキペダル９２を踏み込むまでの踏み換え時間ＲＴに基づく緊急度ＲＵ１に応じて、アクセルペダル解放時に得られるリスクポテンシャルデータを補正し、ドライバのアクセルペダル解放時のリスクポテンシャルＲＰａを学習する。これにより、アクセルペダル８２を解放するときのドライバのリスク感覚に関する個人差を精度よく学習することができる。
（３）コントローラ５０は、アクセルペダル８２を解放した後、ブレーキペダル９２を踏み込んだ時の自車両の減速度合に基づく緊急度ＲＵ２に応じて、ブレーキペダル踏み込み時に得られるリスクポテンシャルデータを補正し、ドライバのブレーキペダル踏み込み時のリスクポテンシャルＲＰｂを学習する。これにより、ブレーキペダル９２を踏み込むときのドライバのリスク感覚に関する個人差を精度よく学習することができる。

なお、以上説明した第１または第２の実施の形態においては、学習した個人差に応じてＲＰ−ΔＦ特性を変更した。しかしこれには限定されず、学習した車両状態に基づくリスクポテンシャル式の補正として、自車両周囲の走行状況とリスクポテンシャルＲＰとの関係を補正することも可能である。

また、第１および第２の実施の形態においては、ブレーキペダルオンに関する緊急度ＲＵ２として自車両の減速度または速度変化を用いたが、ブレーキペダル９２に踏み換えたときのブレーキペダル操作量を用いることもできる。この場合は、ブレーキペダル操作量が大きくなるほど緊急度ＲＵ２が高いと判断することができる。

上述した第１及び第２の実施の形態では、ドライバが一連の動作を行うたびに反応動作時のリスクポテンシャルＲＰを記憶し、記憶したリスクポテンシャルデータを用いてリスクポテンシャルＲＰａ、ＲＰｂの学習を行う。すなわち、システムにおけるドライバの個人差の学習が徐々に行われるので、ＲＰ−ΔＦ特性も徐々に修正されることとなる。従って、ドライバに違和感を与えることなくＲＰ−Δ特性を修正しながら操作反力制御を行うことができる。

また、上述した第１および第２の実施の形態においては、反応動作時の車両状態としてリスクポテンシャルＲＰを学習したが、学習するデータはリスクポテンシャルＲＰに限定されない。すなわち、レーザレーダ１０等によって検出される自車両周囲の走行状況、または走行状況に基づいて算出される車間時間ＴＨＷや余裕時間ＴＴＣを学習することも可能である。したがって、上述した第１および第２の実施の形態において、学習する反応動作時の車両状態は、自車両周囲の走行状況、走行状況に基づいて算出される車間時間ＴＨＷや余裕時間ＴＴＣ、および車間時間ＴＨＷと余裕時間ＴＴＣから算出されるリスクポテンシャルＲＰを含むものである。

上述した第１および第２の実施の形態においては、リスクポテンシャルＲＰに応じてアクセルペダル反力を制御するシステムについての例を説明したが、リスクポテンシャルＲＰに応じてブレーキペダル反力を制御するものについても、同様に本発明を適用することができる。

なお、第１および第２の実施の形態による車両用運転操作補助装置は、状況認識手段としてレーザレーダ１０および車速センサ３０を用い、リスクポテンシャル算出手段、反応学習手段、補正手段、および学習データ選択手段としてコントローラ５０を用いた。また、操作反力制御手段として、コントローラ５０およびアクセルペダル反力制御装置８０を用いた。しかし、これらには限定されず、例えば状況認識手段としてレーザレーダ１０の代わりに別方式のミリ波レーダ等を用いたり、ＣＣＤカメラあるいはＣＭＯＳカメラを用いることもできる。

本発明の第１の実施の形態による車両用運転操作補助装置のシステム図。 図１に示す車両用運転操作補助装置を搭載した車両の構成図。 アクセルペダル周辺の構成図。 第１の実施の形態のコントローラによる運転操作補助制御プログラムの処理手順を示すフローチャート。 リスクポテンシャルの学習について説明する図。 （ａ）（ｂ）アクセルペダルオフ時のドライバ反応とリスクポテンシャルの関係を説明する図。 ブレーキペダルオン時のドライバ反応とリスクポテンシャルの関係を説明する図。 アクセルペダルオフ時のリスクポテンシャルとブレーキペダルオン時のリスクポテンシャルの頻度分布を示す図。 補正前のリスクポテンシャルと反力増加量との関係を示す図。 学習データを用いて補正したリスクポテンシャルと反力増加量との関係を示す図。 第２の実施の形態のコントローラによる運転操作補助制御プログラムの処理手順を示すフローチャート。 アクセルペダルオフ時のドライバ反応とリスクポテンシャル、およびブレーキペダルオン時のドライバ反応とリスクポテンシャルの関係を説明する図。

符号の説明

１０：レーザレーダ
３０：車速センサ
５０：コントローラ
８０：アクセルペダル反力制御装置
８２：アクセルペダル
８４：アクセルオフスイッチ
９４：ブレーキオンスイッチ

Claims (7)

1. 自車両周囲の走行状況を検出する状況認識手段と、
   前記状況認識手段の検出結果に基づいて、自車両周囲のリスクポテンシャルを算出するリスクポテンシャル算出手段と、
   前記リスクポテンシャル算出手段によって算出される前記リスクポテンシャルに基づいて、運転操作装置に発生する操作反力を制御する操作反力制御手段と、
   ドライバの所定の反応動作時における車両状態を学習する反応学習手段と、
   前記反応学習手段によって学習された前記車両状態に基づいて、前記リスクポテンシャル算出手段におけるリスクポテンシャル式を補正する補正手段と、
   前記反応学習手段における学習の対象データとする前記車両状態を、前記反応動作についての前記ドライバの反応または前記自車両の挙動に基づいて選択する学習データ選択手段とを備えることを特徴とする車両用運転操作補助装置。
2. 請求項１に記載の車両用運転操作補助装置において、
   前記反応学習手段は、前記車両状態として、前記反応動作時の前記リスクポテンシャルを学習し、
   前記補正手段は、前記反応学習手段によって学習した前記反応動作時の前記リスクポテンシャルが大きいほど、前記リスクポテンシャル算出手段で算出する前記リスクポテンシャルが小さくなるように前記リスクポテンシャル式を補正することを特徴とする車両用運転操作補助装置。
3. 請求項１または請求項２に記載の車両用運転操作補助装置において、
   前記反応学習手段は、前記所定の反応動作時における前記車両状態として、アクセルペダル解放時の前記車両状態を学習し、
   前記学習データ選択手段は、前記ドライバの反応または前記自車両の挙動として、アクセルペダルを解放してからブレーキペダルを踏み込むまでの踏み換え時間を用いることを特徴とする車両用運転操作補助装置。
4. 請求項３に記載の車両用運転操作補助装置において、
   前記学習データ選択手段は、前記踏み換え時間が所定値よりも小さい場合の前記車両状態を、前記学習の対象データとして選択することを特徴とする車両用運転操作補助装置。
5. 請求項１または請求項２に記載の車両用運転操作補助装置において、
   前記反応学習手段は、前記所定の反応動作時における前記車両状態として、アクセルペダルを解放した後のブレーキペダル踏み込み時の前記車両状態を学習し、
   前記学習データ選択手段は、前記ドライバの反応または前記自車両の挙動として、ブレーキペダルの踏み込みによる前記自車両の減速度合を用いることを特徴とする車両用運転操作補助装置。
6. 請求項５に記載の車両用運転操作補助装置において、
   前記学習データ選択手段は、前記減速度合が所定値よりも大きい場合の前記車両状態を、前記学習の対象データとして選択することを特徴とする車両用運転操作補助装置。
7. 請求項１から請求項６のいずれか１項に記載の車両用運転操作補助装置を備えることを特徴とする車両。

Images