JP4900967B2 - 運転支援装置及び運転支援方法 - Google Patents

Description

本発明は、自動車、ハイブリッドカーなどの車両に搭載され、ドライバ毎のドライバモデルを作成すると共に、作成されたドライバモデルに基づいてドライバに対して運転支援装置を行う運転支援装置及び運転支援方法に関する。

車両走行時、ドライバが車線変更を行う場合、ミラーでは確認することの出来ない死角が存在する。また、ドライバが直接目視する場合はミラーを確認する場合に比べて視線の移動量が大きく、前方以外を目視する時間が長くなるため危険性が高くなる。また、直接目視を行ったとしても、二輪車などの小型車両の場合はピラーの陰などで死角になる可能性が考えられる。

そこで、ドライバが車線変更を行う時に、ドライバに対して運転支援装置を行う運転支援装置が種々提案されている。例えば、特許文献１（特開２００８−１５７５８号公報）には、車両に設けられ自車線と異なる車線を含む後側方領域を撮影可能な撮影手段と、該撮影手段が撮影した映像を車両の乗員に視認可能に表示する表示手段とを備える運転支援装置であって、前記車線の自車両後側方の他車両の自車両に対する接近、もしくは離反する度合の少なくとも何れかを示す目印を前記映像に重畳表示する目印表示手段を備えることを特徴とする運転支援装置が開示されている。
特開２００８−１５７５８号公報

しかしながら、特許文献１に記載の運転支援装置では、撮影手段を用いて周辺車両に関する警告をドライバに行うものであるが、通常の走行時において、隣の走行レーンに車両が存在する頻度は高く、単純に車両を撮影手段で撮像するのみで警告を行うことは利便性の面からも良くない。

上記問題点を解決するために、ドライバモデルによる行動予測を行い、ドライバが車線変更を行おうとしたときにのみ、例えば死角をカバーするようなカメラの映像を自動で表示し、また衝突の危険がある位置に他車両などが存在する場合は警告を行うことにより、安全に車線変更を行うための運転支援装置及び運転支援方法を提供するものである。

そのために、請求項１に係る発明は、運転者の生理状態に係るデータを取得する生理状態データ手段と、運転操作に係るデータを取得する運転操作データ取得手段と、運転状況に係るデータを取得する運転状況データ取得手段と、生理状態データと運転状況データと運転操作データとの間の因果関係を確率的に定めたテーブルを更新するテーブル更新手段と、前記テーブル更新手段によって更新されたテーブルと現在の運転状況データとから運転操作を予測する運転操作予測手段と、を有し、前記因果関係におけるネットワーク構造は、前記生理状態データが、前記運転状況データから影響を受けるノードであって、前記運転操作データが、前記運転状況データ及び前記生理状態データから影響を受けるノードとなるネットワーク構造であることを特徴とする運転支援装置である。

また、請求項２に係る発明は、請求項１に記載の運転支援装置において、前記ネットワーク構造の因果関係は、ベイジアンネットワークによって定められることを特徴とする。

また、請求項３に係る発明は、請求項１又は請求項２のいずれかに記載の運転支援装置において、前記運転操作予測手段の予測に基づいて運転者に警告などを報知する警告報知手段と、を有すことを特徴とする。

また、請求項４に係る発明は、請求項１乃至請求項３のいずれかに記載の運転支援装置において、前記運転操作予測手段の予測に基づいて運転者に運転操作のアシストを行う運転操作アシスト手段と、を有すことを特徴とする。

また、請求項５に係る発明は、請求項１乃至請求項４のいずれかに記載の運転支援装置において、前記運転状況データ取得手段は運転状況に係るデータを取得する運転状況データを複数取得することを特徴とする。

また、請求項６に係る発明は、運転者の生理状態に係るデータを取得する生理状態データ取得工程と、運転操作に係るデータを取得する運転操作データ取得工程と、運転状況に係るデータを取得する運転状況データ取得工程と、生理状態データと、運転操作データと、運転状況データと間の因果関係を、ベイジアンネットワークを用いることで確率的に定めたテーブルを更新する工程と、更新された最新のテーブルと現在の運転状況データとから運転操作を予測する工程と、を有し、前記ベイジアンネットワークにおけるネットワーク構造では、前記生理状態データが、前記運転状況データから影響を受けるノードであり、前記運転操作データが、前記運転状況データ及び前記生理状態データから影響を受けるノードであるものと定義されることを特徴とする運転支援方法である。

本発明の請求項１に記載の運転支援装置によれば、因果関係を確率的に定めたテーブルによって、運転操作を予測するので、効率的で的確な運転支援を行うことが可能となる。

また、本発明の請求項２に記載の運転支援装置によれば、因果関係を確率的に定めたテーブルによって、運転操作を予測し、運転者に警告などを報知するので、効率的で的確な運転支援を行うことが可能となる。

また、本発明の請求項３に記載の運転支援装置によれば、因果関係を確率的に定めたテーブルによって、運転操作を予測し、運転者に運転操作のアシストを行うので、効率的で的確な運転支援を行うことが可能となる。

また、本発明の請求項４に記載の運転支援装置によれば、テーブル更新手段が、運転状況データと運転操作データとの間の因果関係に加えて、運転操作や運転状況と関係のない生理状態データとの因果関係を含んだテーブルを更新するので、裕度を含んで運転操作を予測するので、効率的で的確な運転支援を行うことが可能となる。

また、本発明の請求項５に記載の運転支援装置によれば、運転状況データ取得手段は運転状況に係るデータを取得する運転状況データを複数取得するので、より的確に運転操作予測を行うことができるようになり、効率的で的確な運転支援を行うことが可能となる。

また、本発明の請求項６に記載の運転支援装置によれば、運転状況データと運転操作データとの間の因果関係はベイジアンネットワークによって定め、これに基づき運転操作予
測を行うことで、効率的で的確な運転支援を行うことが可能となる。

また、本発明の請求項７に記載の運転支援方法によれば、因果関係を確率的に定めたテーブルによって、運転操作を予測するので、効率的で的確な運転支援を行うことが可能となる。

以下、本発明の運転支援装置における好適な実施の形態について、図面を参照しつつ説明する。

（１）実施形態の概要
図１は本発明の実施の形態に係る運転支援装置の概念を示す図である。下向きの矢印は運転行動・運転環境を時系列的にイメージしたものである。矢印の左側はドライバモデルの学習に係る構成が、また、右側は車線変更の予測に係る構成が図示されている。
本実施形態の運転支援装置においては、ドライバが本実施形態の装置を搭載した車両を運転する毎に、ドライバ個人毎のドライバモデルを作成し、予め記憶されている標準的なドライバモデルに、現在進行形で作成されたドライバモデルを順次加味していき、個人毎のドライバモデルとして学習するようになっている。ドライバモデルの作成は、ドライバの運転中に運転状態のデータ（例えば、アクセル、ブレーキ、ハンドルの操作量、車速、加速度、などの自車両情報、車間距離、道路の状況、交通量、天候などといった車両周辺の情報など）を収集することによって、これを行うものである。このようなドライバモデルを作成される際に収集され、作成のための基礎となるデータが「ドライバモデル学習データ」（図中Ａ）である。このようなドライバモデルには、ドライバ個人毎の運転パターンや運転のクセといったものがそのパラメータに反映されることとなる。本発明の運転支援装置においては、このドライバモデルを作成する上では、ベイジアンネットワークと呼ばれるアルゴリズムを用いて、運転状態の個々のデータ間の因果律を定める。ドライバモデルに基づき車線変更などの運転操作行動を予測するときにおいて、このベイジアンネットワークを用いることで、収集された現在の「ドライバモデル学習データ」のうちに欠落するパラメータが存在していたとしても、運転操作行動を容易に推定し出力することができるようになる。

次に、ドライバモデルをドライバモデルのデータベースに記憶する際には、個人毎の車線変更時のパターンを記録した「車線変更ドライバモデルデータ」と、車線変更をする前の先行行動のパターンを記録した「車線変更先行行動ドライバモデルデータ」、先行行動を含む車線変更時以外の時のパターンを記録した「通常ドライバモデルデータ」の３つに振り分けて記憶される（図中Ｂ）。本実施形態においては、３つのドライバモデルを振り分ける際のアルゴリズムについても大きな特徴を有するものである。

本実施形態の運転支援装置では、上記のような振り分けによって、ドライバ個人毎について、「通常」時のドライバモデル、「車線変更」時のドライバモデル、「先行行動」時のドライバモデルが作成・記憶されるわけである（図中Ｃ）。

以上のようにして作成されたドライバモデルを利用して、次に車線変更の予測を行う（図中Ｄ）。この車線変更の予測を行うときには、収集された現在の「ドライバモデル学習データ」と、学習・蓄積されているドライバモデルとの双方が用いられる。また、この予測においては、ベイジアンネットワークと呼ばれるアルゴリズムが利用される。

さらに、本実施形態の運転支援装置では、車線変更が予測されたような場合には、ドライバに対してワーニングを行ったり、或いは必要に応じてドライバアシストをしたりするなどの運転支援を実行するようになっている（図中Ｅ）。本実施形態の運転支援装置で、
このような車線変更予測に基づいた警告を行うものであるので、効率的で的確な運転支援を行うことが可能となる。

なお、本実施形態に係る運転支援装置では、ドライバの運転中に運転状態のデータ（自車両情報、例えば、アクセル、ブレーキ、ハンドルの操作量、車速、車間距離、加速度など）を収集し、その運転状態データのうち、ドライバが車線変更を行おうしている部分を抽出して、「車線変更先行行動ドライバモデルデータ」とし、車線変更を実行しているときの部分を「車線変更ドライバモデルデータ」とし、それ以外の通常の運転を行っている部分を「通常ドライバモデルデータ」とする。これにより、ドライバに意識させることなく、車線変更などの運転パターンに係るドライバモデルを自動的に作成することができる。

また、本実施形態の運転支援装置では、例えば、片道３車線の国道で、信号が青の交差点を右折専用車線から右折する場合で、対向車があり、横断歩道に歩行者がおり、雨が降っており、ドライバが会話をしている場合、というように、走行中における自車両周辺環境の各場面（シチュエーション）毎にドライバモデルの学習がされる。

次に、本発明の運転支援装置のドライバモデルに用いるベイジアンネットワークの概要について説明する。図２は本発明の実施の形態に係る運転支援装置で用いられるベイジアンネットワークの概念を示す図である。ベイジアンネットワークとは、確率的な因果関係をグラフ構造で表現したモデルである。図２に示す各ノードＸ１、Ｘ２、Ｘ３、Ｘ４は確率変数を表し、それらの間の因果関係の有無を有向グラフで、また、確率変数の取りうる値のノード間での因果関係を条件付確率で表す。ノードＸ１とノードＸ２とは確率的な関係があることを、ノードＸ１からノードＸ２への矢印によって示している。ノードＸ２はノードＸ１、Ｘ３からの影響を、また、ノードＸ４はノードＸ３の影響を受ける関係となっており、このような因果関係を加味した確率テーブルが、図２中に示す条件付き確率テーブルである。これに対して、ノードＸ１、Ｘ３はどのノードからの影響も受けない親ノードであり、このときの確率テーブルは図中に示す事前確率テーブルのようになる。

図２示すものの場合、そのグラフの構造より、全ての確率変数の結合確率はＰ（Ｘ１，Ｘ２，Ｘ３，Ｘ４）＝Ｐ（Ｘ１）Ｐ（Ｘ２｜Ｘ１，Ｘ３）Ｐ（Ｘ３）Ｐ（Ｘ４｜Ｘ３）となる。ベイジアンネットワークを利用した推論においては、この結合確率の周辺化により、周辺事後確率を求めることにより行われる。本発明の運転支援装置のドライバモデルでこのようなベイジアンネットワークをどのように用いるかについては後に説明する。

また、本発明に係る運転支援装置では、車線変更を自動で認識することにより、車線変更特有の先行行動を上記のようにドライバモデルとして学習する。そして、このドライバモデルを用いて車線変更の操作を事前に予測する。また、車載カメラなどにより、車両周辺の他車両の状態をセンシングし、近接位置に存在する他車両を把握する。また、左右斜め後方を撮影するカメラを備え、ドライバの死角となる部分の画像を提供する。これにより、自車の隣のレーンを走行するような、通常の走行では危険ではない位置に存在し、近接警報を行うことが出来ない車に関しても、車線変更を行おうとしたときにのみ車線変更先での衝突の危険性を考慮した警告を事前に行うことが可能となる。

（２）実施形態の詳細
図３は、車両に搭載する運転支援装置のブロック構成を表したものである。図２において、１００はＥＣＵ（電子制御装置）、２００は自車両情報取得部、２０１はハンドル操舵角センサ、２０２はアクセルペダル位置センサ、２０３はブレーキペダル位置センサ、２０４は速度計、２０５は加速度センサ、２０６はエレキ動作状況取得部、２０７はウインカー、２０８はライト、２１０はドライバ情報取得部、２１１は顔カメラ、２１２は表情
認識部、２１３は視線認識部、２１４は顔向き認識部、２１５は皮膚電位センサ、２１６はマイクロフォン、２２０は車両周辺環境情報取得部、２２１は前方監視カメラ、２２２は後方監視カメラ、２２３は側方監視カメラ、２２４は車間距離レーダー、２２５はコーナーセンサー、２３０はカーナビゲーションシステム、２３１はＧＰＳ部、２３２は道路情報部、２３３は経路案内部、２３４は地図データベース、２４０は外部通信部、２４１は携帯電話通信部、２４２はＶＩＣＳ通信部、２４３は無線ＬＡＮ通信部、２４４は車車間通信部、２４５は路車間通信部、２４６はデータ放送部、３００はドライバモデルデータベース部、３０１は通常ドライバモデルデータ、３０２は車線変更ドライバモデルデータ、３０３は車線変更先行行動ドライバモデルデータ、３１０はドライバモデル学習データ記録部、３１１は自車両情報、３１２は車両周辺環境情報、３１３は位置情報、４００は情報提示部、４０１はディスプレイ部、４０２は音声警告部、４０３はハザードランプ、５００はパターンマッチング用データ保存部、５０１は平常時顔表情テンプレートデータ、５０２は歩行者テンプレートデータ、５０３は自転車テンプレートデータをそれぞれ示している。

なお、図３により説明する運転支援装置の構成については、その全てが必要ということではなく、本実施形態にけるドライバモデルの作成及び運転支援を行う為に使用可能な各部や装置について説明するものであり、採用する運転支援の機能等に応じて適宜選択して装置を構成することが可能であり、また、同様な機能を有する他の機器、装置を追加使用することが可能である。

運転支援装置は、ＥＣＵ（電子制御装置）１００、自車両情報取得部２００、ドライバ情報取得部２１０、車両周辺環境情報取得部２２０、カーナビゲーションシステム２３０、外部通信部２４０、ドライバモデルデータベース部３００、ドライバモデル学習データ記録部３１０、情報提示部４００、パターンマッチング用データ保存部５００を備えている。

ＥＣＵ１００は、ＣＰＵ、ＲＯＭ、ＲＡＭ、インターフェイスなどの各部を備えた汎用のコンピュータシステムで構成されている。ＥＣＵ１００は、図示されているＥＣＵ１００と接続される各構成と協働・動作する。特に、ＥＣＵ１００は、本発明においては、主として、自車両情報取得部２００の取得情報に基づくドライバ運転行動の監視、ドライバ情報取得部２１０の取得情報に基づく生理状態データである生体情報の変化の監視、ドライバモデルデータベース部３００に学習・登録されているドライバモデルと自車両情報取得部２００から得た運転操作情報の比較、ドライバモデルデータベース部３００に基づく車線変更の兆候を示す情報の取得、情報提示部４００によって車線変更の兆候に対する適切な情報と警告の提示を行うようになっている。また、ＥＣＵ１００は、ドライバモデルの作成、出力に必要なデータ処理を実行するようになっている。

自車両情報取得部２００は、ハンドル操舵角センサ２０１、アクセルペダル位置センサ２０２、ブレーキペダル位置センサ２０３、速度計２０４、加速度センサ２０５、エレキ動作状況取得部２０６、ウインカー２０７、ライト２０８、その他のセンサを備えている。

図４は本発明の実施の形態に係る運転支援装置における自車両情報取得部２００で取得する自車両情報を示す図である。ハンドル操舵角センサ２０１はハンドル操作量を、アクセルペダル位置センサ２０２はアクセルペダル操作量を、ブレーキペダル位置センサ２０３はブレーキペダル操作量を、速度計２０４は車両の速度を、加速度センサ２０５は車両の加速度を検出する。また、エレキ動作状況取得部２０６におけるウインカー２０７はウインカー動作状況を、ライト２０８はライト動作状況をそれぞれ検出する。

ドライバ情報取得部２１０は、顔カメラ２１１、表情認識部２１２、視線認識部２１３、顔向き認識部２１４、皮膚電位センサ２１５、マイクロフォン２１６を備えるものである。

図５は本発明の実施の形態に係る運転支援装置におけるドライバ情報取得部２１０で取得するドライバ情報を示す図である。顔カメラ２１１は車両を運転するドライバの撮像装置であり、当該撮像装置で取得した撮像データに基づいて画像認識を行う。表情認識部２１２はドライバの表情の画像認識を、視線認識部２１３はドライバの視線の画像認識を、顔向き認識部２１４はドライバの顔の向きの画像認識を行う。また、マイクロフォン２１６で取得される音声データによってドライバが会話しているか否かが判定される。また、皮膚電位センサ２１５は、車両運転席のステアリングなどに設けられ、ドライバの皮膚電位を検出するセンサである。この皮膚電位センサで取得される皮膚電位によれば、車線変更前のドライバの緊張状態などを検出できる可能性がある。

車両周辺環境情報取得部２２０は、前方監視カメラ２２１、後方監視カメラ２２２、側方監視カメラ２２３、車間距離レーダー２２４、コーナーセンサー２２５を備えてなるものである。ＥＣＵ１００はこれらのカメラ、レーダー、センサーによって車両周辺状況の把握を行う。特に、ＧＰＳ部２３１による位置情報と地図データベース２３４の地図情報と、前方監視カメラ２２１、後方監視カメラ２２２で撮像された画像に基づいて解析される車線情報とを組み合わせることで、ＥＣＵ１００は現在車両がどのレーンを走行しているかなどの情報を取得することができる。

図６は本発明の実施の形態に係る運転支援装置における車両周辺環境情報取得部２２０で取得する車両周辺環境情報を示す図である。前方監視カメラ２２１は前方画像を撮像・取得し、後方監視カメラ２２２は後方画像を撮像・取得し、側方監視カメラ２２３は側方画像を撮像・取得する。また、車間距離レーダー２２４は前方を走行する車両などとの車間距離を測定し、コーナーセンサー２２５は車両の周辺に存在する障害物との距離を測定する。

カーナビゲーションシステム２３０は、車両の現在位置情報を検出するＧＰＳ部２３１や、検出した現在位置情報に対応する地図情報を記憶している地図データベース２３４を備えている。また、経路案内部２３３は、設定された目的地などに応じて、車両の現在位置からの経路を導出するものである。

図７は本発明の実施の形態に係る運転支援装置におけるカーナビゲーションシステム２３０で取得するカーナビゲーションシステム情報を示す図である。カーナビゲーションシステム２３０では、位置情報として「緯度」、「経度」、「走行レーン」に係る情報を取得する。また、カーナビゲーションシステム２３０では、道路情報として「道路種別」、「道路形状」、「道路幅」、「交通規制」の中項目に分類されるデータを取得する。それぞれの中項目の下には図示される各小項目データが取得される。

外部通信部２４０は、携帯電話通信部２４１、ＶＩＣＳ通信部２４２、無線ＬＡＮ通信部２４３、車車間通信部２４４、路車間通信部２４５、データ放送部２４６を備えている。これらの各通信部において、車車間通信部２４４では自車両を走行する周辺車両との通信を行うものであり、路車間通信部２４５はＩＴＳなどのインフラシステムと車両との間の通信を行うものである。路車間通信部２４５では、周囲を走行する緊急車両に係る情報などを得るものとする。

図８は本発明の実施の形態に係る運転支援装置における外部通信部２４０で取得する情報を示す図である。外部通信部２４０で取得する、中項目に分類される情報としては「交
通情報」、「気象情報」、「路面情報」、「信号情報」、「周辺車両情報」、やその他の情報がある。それぞれの中項目の下には図示される各小項目データが取得される。

ドライバモデルデータベース部３００には、車線変更時のドライバモデルを記憶する車線変更ドライバモデルデータ３０２と、その先行行動のドライバモデルを記憶する車線変更先行行動ドライバモデルデータ３０３と、それら以外の時のドライバモデルを記録する通常ドライバモデルデータ３０１とを有している。

図９は本発明の実施の形態に係る運転支援装置におけるドライバモデルデータベース部３００で記憶するデータ構造を示す図である。ドライバモデルデータベース部３００は、車線変更時のドライバモデル、車線変更先行行動時のドライバモデル、車線変更時以外の時のドライバモデルのいずれのデータ構造も共通であり、図９はその共通の構造を示している。「連続ノードデータ」はドライバモデルそのものに係るデータであり、ガウス分布におけるパラメータである「離散」、「平均」、「分散」を有する。

情報提示部４００は、予測される運転行動に基づいてドライバに報知・警告を行うものであり、ディスプレイ部４０１、音声警告部４０２、ハザードランプ４０３、その他の構成を有するものである。

また、パターンマッチング用データ保存部５００は、平常時顔表情テンプレートデータ５０１、
歩行者テンプレートデータ５０２、自転車テンプレートデータ５０３の３つのパターンマッチング用のテンプレートデータを有する。これらのパターンマッチング用のデータは、数値化しにくいデータを扱うためのものである。図１０は本発明の実施の形態に係る運転支援装置におけるパターンマッチング用データ保存部５００で記憶するテンプレートデータを示す図である。図１０において、例えば「平常時顔表情テンプレートデータ」は平常時のドライバの顔表情の画像データである。このような基本となる画像データに基づけば、表情認識部２１２で認識される顔表情が平常であるか否かを導き出すことができる。テンプレートデータを用いることによって、種々の状況を離散データ化してベイジアンネットワークアルゴリズムに代入するようになっている。

ドライバモデル学習データ記録部３１０は、自車両情報３１１、車両周辺環境情報３１２、位置情報３１３などを記憶している。このドライバモデル学習データ記録部３１０の情報は、ドライバモデルの作成及び車線変更の予測に用いられる。ドライバモデル学習データ記録部３１０の情報は、例えば最新のものから１０分間分程度ログとして記録されている。

「車線変更ドライバモデルデータ」や「車線変更先行行動ドライバモデルデータ」は、車線変更が完了した地点から過去に遡った先行行動を含めた形での作成しなければならない。このため、「車線変更ドライバモデルデータ」を作成する際には、前述のように１０分間程度のログデータから、車線変更の起点となる点から終了する点までのデータによって「車線変更ドライバモデルデータ」を作成し、当該起点の一定期間前のデータから当該起点までのデータによって「車線変更先行行動ドライバモデルデータ」を作成する。

なお、各ドライバモデルの作成のため（より具体的には後に説明する確率テーブルを作成するため）には、Ａｒｔｈｕｒ Ｄｅｍｐｓｔｅｒ， Ｎａｎ Ｌａｉｒｄ， ａｎｄ
Ｄｏｎａｌｄ Ｒｕｂｉｎ． “Ｍａｘｉｍｕｍ ｌｉｋｅｌｉｈｏｏｄ ｆｒｏｍ ｉｎｃｏｍｐｌｅｔ
ｅ ｄａｔａ ｖｉａ ｔｈｅ ＥＭ ａｌｇｏｒｉｔｈｍ”． Ｊｏｕｒｎａｌ ｏｆ
ｔｈ
ｅ Ｒｏｙａｌ Ｓｔａｔｉｓｔｉｃａｌ Ｓｏｃｉｅｔｙ， Ｓｅｒｉｅｓ Ｂ， ３９（１）：１−３８， １９７７．などに示されているＥＭアルゴリズムを用いるものとする。

図１１は本発明の実施の形態に係る運転支援装置におけるドライバモデル学習データ記録部３１０で記憶するデータ構造を示す図である。図１１に示すように、ドライバモデル学習データ記録部３１０のデータは、ドライバの運転中に運転操作に係るデータ（アクセル、ブレーキ、ハンドルの操作量）、及びそのときの周囲環境に係るデータ（道路の種類、交通量、ドライバの顔表情など）を含むものであり、これらのデータに基づいてドライバモデルが作成されると共に、ドライバモデル学習データ記録部３１０の最新のデータに基づいて、車線変更の予測が行われる。

次に、本発明の運転支援装置で用いるドライバモデルの具体的な構成について説明する。図１２は本発明の実施の形態に係る運転支援装置で用いるドライバモデルのネットワーク構造を示す図である。本発明の運転支援装置で用いるドライバモデルは、（ａ）図１２に示すベイジアンネットワークの構造、（ｂ）条件付き確率テーブル、事前確率テーブル、（ｃ）ガウス分布のパラメータから構成されるものである。これらの３つのうち（ｂ）、（ｃ）が学習によって常に最新のものに置き換えられていくようになっている。すなわち、ドライバモデルの学習時には条件付確率テーブルとガウス分布のパラメータを更新していくことになる。これに対して、ベイジアンネットワークの構造は最初の設計時に規定され、以降同じものが用い続けられる。

図１２のベイジアンネットワークの構造において、□は離散ノードを、○は連続ノードを示しており、離散ノード内の数字は各ノードが取る状態の数を示している。例えば、「顔の表情Ｆｃ（２）」は、Ｆｃ＝０（平常）、Ｆｃ＝１（異常）の２つの状態をとるものである。本発明の運転支援装置においては、このような離散ノードを複数有する構成となっているので、より的確に運転操作予測を行うことができるようになり、効率的で的確な運転支援を行うことが可能となる。

図１２のネットワーク構造において、上段に示されている顔の表情Ｆｃ（２）、視線Ｇｚ（４）、・・・交通量Ｔｄ（３）の各ノード及び下段に示されている車速Ｓｐ（８）、車間距離Ｆｄ（８）、・・・車線変更Ｌｃ（３）の各ノードは親ノードであり、これらのノードが生理状態Ｐｈ（２）のノード、運転行動変数ＤＢのノードに影響を与えているものと考える。また、ネットワーク構造において、生理状態Ｐｈ（２）のノードが運転行動変数ＤＢのノードに影響を与えているものと考える。すなわち、生理状態データは、運転状況データから影響を受けるノードであって、運転操作データは、運転状況データ及び生理状態データから影響を受けるノードとなるネットワーク構造となっており、このネットワーク構造の因果関係は、ベイジアンネットワークによって定められている。生理状態データ、運転状況データ及び運転操作データのネットワーク構造は実験的にその効果を確かめたものであるが、このように設定した理由は次のとおりである。生理状態データは運転状況データから影響を受けるノードとなっているが、走行している周囲の車両の状況などによって運転者の生理状態が変化したりすることがあっても、運転者の生理状態の変化が走行している周囲の車両の状況に影響を与えることない。また、運転操作データは、運転状況データ及び生理状態データから影響を受けるノードとなっているが、走行している周囲の車両の状況と生理状態が運転操作に影響を及ぼすことがあっても、運転操作が走行している周囲の車両の状況と生理状態に及ぼすことがないためである。したがって、仮にこのネットワーク構造を異なる構造にした場合には、その予測は精度が著しく低下するものであり、本実施形態のネットワーク構造本運転支援装置には最適であり、そのネットワーク構造の因果関係をベイジアンネットワークによって定めた場合には特に好適である。

ここで、ネットワーク構造で上段に示されている顔の表情Ｆｃ（２）、視線Ｇｚ（４）、・・・交通量Ｔｄ（３）の各ノード及び下段に示されている車速Ｓｐ（８）、車間距離Ｆｄ（８）、・・・車線変更Ｌｃ（３）の各ノードは図１１に示されているように運転支援装置で取得されるドライバモデル学習データと対応しおり、運転行動変数ＤＢは図１１のドライバモデル学習データの連続データの行と対応している。連続データは、ガウス分布の「離散」、「平均」、「分散」の形で保有しておき、後に説明する方法によって所定の確率に置き換える。

生理状態Ｐｈ（２）ノードは、図１１に示されているドライバモデル学習データと対応するものではなく、これとは独立したノードである。この生理状態Ｐｈ（２）ノードは、一種の裕度として働くものであり、このノードが存在しない場合、本発明の運転支援装置が有効に動作しないことがあることが分かっている。これは、顔の表情Ｆｃ（２）、視線Ｇｚ（４）、・・・・・・、車線変更Ｌｃ（３）の各ノードの状態（運転状況の状態）が一意的に決定したとしても、運転行動変数ＤＢ（運転操作量の状態）が一意的に決まるわけではないことに起因している。本発明の運転支援装置では、生理状態Ｐｈ（２）ノードを導入することによって、不確定要素を含んだ因果律を扱うことができるようになる。また、生理状態Ｐｈ（２）ノードは、本発明の運転支援装置をコンピュータプログラムで実行する上で非常に重要となる。

図１３はベイジアンネットワーク構造における生理状態Ｐｈ（２）がとる状態を示す図である。図１３に示すように、本実施形態においては、生理状態Ｐｈ（２）は、Ｐｈ＝０（平常）、Ｐｈ＝１（異常）の２つの状態をとるものであるとしたが、本発明の運転支援装置では、生理状態Ｐｈを２以上の自然数の適当なものに設定することができる。

次に、本発明の運転支援装置において、ベイジアンネットワークによるドライバモデルを用いて確率計算を行い、車線変更を予測する方法について説明する。図１２に示すドライバモデルのネットワーク構造はノード数が多く複雑であるので、簡単な例を用いて説明することとする。

図１４は簡略化したドライバモデルのネットワーク構造を示す図である。図に示すような親ノードとして、顔の表情Ｆｃ（２）、車線変更Ｌｃ（３）の２つのノードを持つベイジアンネットワーク構造を下に検討する。

このとき、顔の表情Ｆｃ（２）ノード、車線変更Ｌｃ（３）ノードは図示するような事前確率テーブルを、また、生理状態Ｐｈ（２）ノードは図示するような条件付き確率テーブルを有しているものとする。これらの事前確率テーブル及び条件付き確率テーブルは、ドライバモデルの学習の積み重ねによって決定されるものであり、またこれらのテーブルにおける確率を求めるために前述のＥＭアルゴリズムが用いられている。

先のドライバモデルデータベース部３００における車線変更ドライバモデルデータ３０２はＬｃ＝２のテーブルを、車線変更先行行動ドライバモデルデータ３０３はＬｃ＝１のテーブルを、通常ドライバモデルデータ３０１はＬｃ＝０のテーブルをそれぞれ保持しているものと考えることができる。

車線変更（Ｌｃ）のノードにおける事前確率の計算を例に、事前確率テーブルを求める方法について説明する。Ｎ_kが学習データ中の（Ｌｃ＝ｋ）というイベントの発生回とす
るとき、車線変更（Ｌｃ）の事前確率は次式（１）のように計算することができる。

ただし、

これと同様に、顔の表情（Ｆｃ）の事前確率テーブルを求めることができる。

生体状態Ｐｈノードを例に、条件付き確率テーブルの計算方法について説明する。
Ｎ_kが学習データ中の（Ｐｈ＝ｋ、Ｐａ（Ｐｈ）＝ｊ）というイベントの発生回とすると
き、生体状態Ｐｈの事前確率は次式（３）のように計算することができる。

ただし、

また、運動行動変数ＤＢに係る確率は、ＥＭアルゴリズムで求められた離散、平均、分散によって、

ただし、Ｎは正規分布関数、μは平均、Σは分散を表している。

図１４に示すベイジアンネットワークの同時確率は次式を満たす。

そこで、次にこの式を用いて、車線変更（Ｌｃ）の所定条件下における確率を求めることを考える。Ｌｃ以外の変数の状態が分かっており、そのときの、例えばＬｃ＝２である確率がどれだけあるかを求める。図１５は、Ｐｈ＝ｐｈ、ＤＢ＝ｄｂ、Ｆｃ＝ｆｃであるときの、Ｌｃ＝ｌｃの確率の計算の計算を示す図である。なお、ネットワークの同時確率式から、不要なＬｃを消去する作業を周辺化と称する。図に示すように、点線で囲まれている部分は確率テーブルの値を代入することができ、一点鎖線で囲まれている部分はガウス分布から計算することができる。このように、本発明の運転支援装置では、ドライバモデルによって、他のパラメータが分かっているときに、例えばＬｃ＝２である確率、すな
わち、車両が車線変更中である確率を求めることができるのである。

なお、以上に簡略的にベイジアンネットワークにより所定の確率を導く方法について説明したが、本発明の運転支援装置では、より詳しくは、
○Ｊｅｎｓｅｎ， Ｆ． Ｖ．， “Ｂａｙｅｓｉａｎ ｎｅｔｗｏｒｋｓ ａｎｄ ｄｅｃｉｓｉｏｎ ｇｒａｐｈｓ”， Ｓｐｒｉｎｇｅｒ， ２００１．
○ Ｄａｖｉｄ Ｃ． ＭａｃＫａｙ， “Ｉｎｆｏｒｍａｔｉｏｎ Ｔｈｅｏｒｙ， Ｉｎｆｅｒｅｎｃｅ ａｎｄ Ｌｅａｒｎｉｎｇ Ａｌｇｏｒｉｔｈｍｓ”， Ｃａｍｂｒｉｄｇｅ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ， ２００３．
などに記載の方法を参照して援用するものとする。

次に、車線変更時のパターンを記録した「車線変更ドライバモデルデータ」と、車線変更をする前の先行行動のパターンを記録した「車線変更先行行動ドライバモデルデータ」、先行行動を含む車線変更時以外の時のパターンを記録した「通常ドライバモデルデータ」の３つに振り分けて学習するためのアルゴリズムについて説明する。

ドライバモデル学習データ記録部３１０の情報は、例えば最新のものから１０分間分程度ログとして記録されているおり、前記したように、車線変更が終了したときから過去に遡って、車線変更の先行行動のデータなどを切り出すようにしている。

図１６は本発明の実施の形態に係る運転支援装置におけるドライバモデル学習処理のフローチャートを示す図である。図１６のフローチャートはＥＣＵ１００によって十分短い時間間隔で定期的に実行されるものである。また、実行においては必要に応じてループを抜けて他の処理を行うこともあり得る。

なお、図１６のフローチャート中におけるＴ、Ｓなどの地点などは図２０に準拠している。図２０は、車線変更のタイミングなどを時系列に示す図である。

図１６において、ステップＳ１００で、ドライバモデル学習処理が開始されると、続いてステップＳ１０１に進み、自車両情報取得部２００、車両周辺環境情報取得部２２０、カーナビゲーションシステム２３０、外部通信部２４０などにより自車両情報・周辺情報を取得する。

次に、ステップＳ１０２では、ドライバ情報取得部２１０でドライバの情報を取得する。ステップＳ１０３では、ドライバモデル学習データ記録部３１からドライバモデル学習データ取得する。

ステップＳ１０４では、車線変更行動の終了地点Ｔを推定するサブルーチンを実行する。このサブルーチンについては後述する。

ステップＳ１０５では、終了地点Ｔが存在するか否かが判定される。ステップＳ１０５でＹＥＳと判定されるとステップＳ１０６に進み、ステップＳ１０５でＮＯと判定されるとステップＳ１１１に進む。

ステップＳ１１１では、ドライバモデルデータベース部３００が学習データの先頭から一定時間Ｕまでの区間Ａの情報を通常運転行動モデルとして学習する。

ステップＳ１０６では、車線変更動作の開始地点Ｓを推定するサブルーチンを実行し、次にステップＳ１０７に進む。このサブルーチンについては後述する。また、ステップＳ１０７においては、車線変更動作の先行動作の開始地点Ｒを推定するサブルーチンを実行
する。このサブルーチンについては後述する。

ステップＳ１０８では、ドライバモデルデータベース部３００が車線変更の先行行動の開始地点Ｒから車線変更行動の開始地点Ｓまでの区間Ｃの情報を車線変更の先行行動のドライバモデルとして学習する。

ステップＳ１０９では、ドライバモデルデータベース部３００が車線変更行動の開始地点Ｓから車線変更行動の終了地点Ｔまでの区間Ｄの情報を車線変更行動のドライバモデルとして学習する。

ステップＳ１１０では、ドライバモデルデータベース部３００が学習データの先頭から車線変更の先行行動の開始地点Ｒまでの区間Ｂの情報を通常運転行動のドライバモデルとして学習する。
ステップＳ１１２で、処理を終了する。

次に、ステップＳ１０４における車線変更行動の終了地点Ｔを推定するサブルーチンについて説明する。図１７は本発明の運転支援装置における車線変更行動の終了地点Ｔを推定するサブルーチンのフローチャートを示す図である。図１７のフローチャートに出現するθは、図２１に示すものである。すなわち、θは自車両の方向と車線との境界の白線とのなす角度である。

ステップＳ２００において、車線変更行動の終了地点Ｔを推定するサブルーチンが開始されると、次にステップＳ２０１に進み、前方監視カメラ２２１によって車両前方画像が取得される。

続くステップＳ２０２では、車線の認識を行い、車線中での自車両位置と車線と自車両のなす角度θを計算する。θの定義については図２１に示す通りである。

ステップＳ２０３では、｜θ｜＞閾値であるか否かが判定される。ステップＤ２０３の判定の結果がＹＥＳであるときにはステップＳ２０４に進み、ステップＤ２０３の判定の結果がＮＯであるときにはステップＳ２１３に進む。ステップＳ２１３では、戻り値として、「Ｔは存在しない」を得た上でリターンする。

ステップＳ２０４では、自車両が車線をまたいだかどうかが判定される。ステップＤ２０４の判定の結果がＹＥＳであるときにはステップＳ２０５に進み、ステップＤ２０４の判定の結果がＮＯであるときにはステップＳ２１３に進み、リターンする。

ステップＳ２０５では、前方監視カメラ２２１によって車両前方画像を取得する。続く、ステップＳ２０６では、車線の認識を行い、車線と自車両のなす角度θを計算する。

ステップＳ２０７では｜θ｜＜閾値を満たすか否かが判定される。ステップＳ２０７の判定の結果がＹＥＳであるときにはステップＳ２０８に進み、ステップＳ２０７の判定の結果がＮＯであるときには再びステップＳ２０５に戻る。

ステップＳ２０８では、車線変更操作の終了地点Ｔを仮マークする。ステップＳ２０９では、地図情報から至近距離で右左折可能な交差点の情報と右左折先の道路情報を取得する。

ステップＳ２１０では、交差点を直進したか否かが判定される。ステップＳ２１０の判定の結果がＹＥＳであるときにはステップＳ２１２に進み、ステップＳ２１０の判定の結
果がＮＯであるときにはステップＳ２１４に進む。

ステップＳ２１１では、車両は車線変更を行わなかったこととなるので、仮定した車線変更操作の終了地点Ｔを破棄し、次のステップＳ２１４で、戻り値として「Ｔは存在しない」を得てリターンする。

ステップＳ２１２では、車両は車線変更を行ったこととなるので、仮定した車線変更操作の終了地点Ｔ位置を採用する。そして続くステップＳ２１５は、戻り値として、Ｔの位置を得てリターンする。

次に、ステップＳＳ１０６における車線変更動作の開始地点Ｓを推定するサブルーチンについて説明する。図１８は本発明の運転支援装置における車線変更動作の開始地点Ｓを推定するサブルーチンのフローチャートを示す図である。なお、図２２は開始地点Ｓを推定するためのドライバの行為を示す図である。

ステップＳ３００で、車線変更動作の開始地点Ｓを推定するサブルーチンの処理を開始すると、次に、ステップＳ３０１に進み、ドライバモデル学習データ記録部３１０から過去一定時間の車両周辺環情報・自車両情報・ドライバ情報を取得する。

ステップＳ３０２では、ウインカーを操作したか否かが判定される。ステップＳ３０２の判定の結果がＹＥＳであるときにはステップＳ３０８に進み、ステップＳ３０２の判定の結果がＮＯであるときにはステップＳ３０３に進む。ステップＳ３０８では、ウインカーを操作した地点を車線変更の探索開始位置として記録し、ステップＳ３０６に進む。

ステップＳ３０３では、ドライバがサイドミラーを見たか否かが判定される。ステップＳ３０３の判定の結果がＹＥＳであるときにはステップＳ３０７に進み、ステップＳ３０３の判定の結果がＮＯであるときにはステップＳ３０４に進む。ステップＳ３０７では、サイドミラーを見た地点を車線変更の探索開始位置として記録し、次にステップＳ３０５に進む。

ステップＳ３０４では、一定時間前を車線変更の探索開始位置として記録する。

ステップＳ３０５では、記録された探索開始位置から現在までの車線と自車両のなす角θを計算する。ステップＳ３０６では、なす角θが一定以上になった地点を車線変更行動の開始位置Ｓとして記録する。ステップＳ３０９では、戻り値としてＳの位置を得てメインルーチンへリターンする。

次に、ステップＳ１０７における車線変更動作の先行動作の開始地点Ｒを推定するサブルーチンについて説明する。図１９は本発明の運転支援装置における車線変更動作の先行動作の開始地点Ｒを推定するサブルーチンのフローチャートを示す図である。

ステップＳ４００で、車線変更動作の先行動作の開始地点Ｒを推定するサブルーチンを開始すると、次にステップＳ４０１に進み、車線変更の開始位置から一定時間前を先行行動の開始位置Rとして記録する。ステップＳ４０２では、戻り値として、Ｒの位置を得て
リターンする。

次に、学習したドライバモデルなどに基づき、車線変更に係る運転操作行動を予測し、必要に応じてドライバに警告などをおこなうことについて説明する。図２３は本発明の実施の形態に係る運転支援装置における車線変更支援処理のフローチャートを示す図である。なお、図２３のフローチャートにおいて、現在の運転行動が車線変更行動である確率を
Ｐｃ、現在の運転行動が車線変更先行行動である確率をＰｐ、現在の運転行動が通常運転行動である確率をＰｎと示すこととする。図２３のフローチャートはＥＣＵ１００によって十分短い時間間隔で定期的に実行されるものである。また、実行においては必要に応じてループを抜けて他の処理を行うこともあり得る。

図２３のフローチャートにおいて、ステップＳ５００で、車線変更支援処理のフローが開始されると、次にステップＳ５０１に進み、ベイジアンネットワークによる前述の要領で確率Ｐｎ、Ｐｃ、Ｐｐを計算する。

ステップＳ５０２では、Ｐｐ＞ＰｎかつＰｐ＞ＰｃかつＰｐ＞閾値であるか否かが判定される。ステップＳ５０２における判定の結果がＹＥＳであるときにはステップＳ５０３に進み、判定の結果がＮＯであるときにはステップＳ５０１に戻る。

ステップＳ５０３では、カーナビゲーションシステム２３０から道路情報（交通標識情報など含む）を取り込む。続くステップＳ５０４では、車線変更が許可されているかが判定される。
ステップＳ５０４における判定結果がＹＥＳであるときにはステップＳ５０５に進み、ステップＳ５０４における判定結果がＮＯであるときにはステップＳ５１３に進む。ステップＳ５１３においては、情報提示部４００によって、車線逸脱や車線逸脱の可能性についての警告を行う。なお、このような警告動作に代えて、車線逸脱をさせないような運転操作アシスト動作を行うようさせることもできる。或いは警告報知と運転操作アシストの両方を実行するようにしてもよい。

ステップＳ５０５では、車線変更の支援情報の提示を行う。図２４は本発明の実施の形態に係る運転支援装置における支援情報提示方法の一例を示す図である。図２４は自車両の後続車両２台を、自車両の運転席から確認するときにおける様子を示している。この支援情報提示方法では、運転席側のサイドミラー近傍に不図示の撮像装置を設けておき、当該撮像装置で撮影した画像を撮像装置撮影画像モニタで運転者に提示することによって、車線変更先の死角にある後続車両２を画面に表示する。

次に、ステップＳ５０６では、ベイジアンネットワークを用いた前述の要領で確率Ｐｎ、Ｐｃ、Ｐｐを計算する。次のステップＳ５０７では、自車両情報取得部２００によって自車両情報の取得を行う。

ステップＳ５０８では、ウインカー２０７を作動させているか否かの判定が行われる。ステップＳ５０８における判定の結果がＹＥＳであるときにはステップＳ５０９に進み、ステップＳ５０８における判定の結果がＮＯであるときにはステップＳ５１４に進む。ステップＳ５１４においては、運転者に対して情報提示部４００によってウインカーを出すように注意を行う。なお、このような注意を行う代わりに、自動的にウインカーを動作させるような運転操作アシストを実行させても良い。或いは注意報知と運転操作アシストを実行するようにしてもよい。

ステップＳ５０９では、車両周辺環境情報取得部２２０によって車両周辺環境情報の取得を行う。続く、ステップＳ５１０では、車線変更先で衝突の危険があるか否かの判定が行われる。
ステップＳ５１０の判定結果がＹＥＳであるときにはステップＳ５１５に進み、ステップＳ５１０の判定結果がＮＯであるときにはステップＳ５１１に進む。

衝突の危険があるときに進むステップＳ５１５においては、運転者に対して情報提示部４００によって障害物が存在することの提示を行う。

続くステップＳ５１６では、Ｐｃ＞Ｐｐを満たすか否かが判定される。ステップＳ５１６の判定結果がＹＥＳであるときにはステップＳ５１７に進み、ステップＳ５１６の判定結果がＮＯであるときにはステップＳ５１１に進む。ステップＳ５１７では、運転者がレーンチェンジを行うことがより色濃く予想される状態であるので、運転者に対しては、ステップＳ５１５より強い、衝突の危険性の警告を行う。なお、このような警告動作に代えて、衝突を回避するような運転操作アシスト動作を実行させように構成することもできる。或いは警告報知と運転操作アシストの両方を実行するようにしてもよい。

ステップＳ５１１では、Ｐｎ＞ＰｃかつＰｎ＞Ｐｐであるか否かが判定される。ステップＳ５１１の判定結果がＹＥＳであるときにはステップＳ５１２に進み、ステップＳ５１１の判定結果がＮＯであるときにはステップＳ５０６に戻る。

ステップＳ５１２では、車線変更支援を終了し、続くステップＳ５１８では、フローの処理を終了する。

以上のような本発明の構成によれば、運転状況データ（図１２のネットワーク構造における上段に示されている顔の表情Ｆｃ（２）、視線Ｇｚ（４）、・・・交通量Ｔｄ（３）の各ノード、下段に示されている車速Ｓｐ（８）、車間距離Ｆｄ（８）、・・・車線変更Ｌｃ（３）の各ノード）と運転操作データ（運転行動変数ＤＢ）と、これらに関係のない第３のデータ（生理状態Ｐｈ（２）のノード）の間の因果関係をベイジアンネットワークによって定め、これに基づき運転操作予測を行い、運転者に対して警告、アシストを行うので、効率的で的確な運転支援を行うことが可能となる。

次に、図１３における「顔の表情Ｆｃ（２）」の各ノードを離散数値化するときのアルゴリズムについて説明する。「顔の表情Ｆｃ（２）」のノードでは、そのまま取得したデータを直接的に離散数値化することができないので、パターンマッチングを行うことによって、Ｆｃ＝０（平常）、Ｆｃ＝１（異常）の２つの状態のうちどちらかを判定する。このために、事前に平常時顔表情テンプレートデータ５０１に保存された平常時の顔画像を元にパターンマッチングを行い、Ｆｃ＝０（平常）かＦｃ＝１（異常）かを判断する。

次に、図１３における「歩行者・自転車・停車車両による妨害Ｏｂ（２）」の各ノードを離散数値化するときのアルゴリズムについて説明する。上記「歩行者・自転車・停車車両による妨害Ｏｂ（２）」のノードでは、そのまま取得したデータを直接的に離散数値化することができないので、パターンマッチングを行うことによって、これを行う。図２５は本発明の実施の形態に係る運転支援装置におけるパターンマッチング処理のフローチャートを示す図である。この処理は、ＥＣＵ１００におけるメインルーチン処理で「歩行者・自転車・停車車両による妨害Ｏｂ（２）」の値が必要となったときのサブルーチンとして実行されるものである。また、この処理では、Ｏｂ＝０（妨害なし）かＯｂ＝１（妨害あり）の値を得ることを目的とする。

図２５において、ステップＳ６００で、パターンマッチング処理のフローが開始されると、次に、ステップＳ６０１に進み、車両周辺環境情報取得部２２０によって車両周辺情報が取得される。

続くステップＳ６０２では、車間距離＜閾値かつ|相対速度-車速|<閾値であるか否かが判定される。ステップＳ６０２における判定の結果がＹＥＳであるときにはステップＳ６０７に進み、ステップＳ６０２における判定の結果がＮＯであるときにはステップＳ６０３に進む。ステップＳ６０７では、戻り値としてＯｂ＝１（妨害あり）を得た上でリターンする。

ステップＳ６０３では、前方画像を取得し、ステップＳ６０４では、パターンマッチング用データ保存部５００における歩行者テンプレートデータ５０２、自転車テンプレートデータ５０３（パターンマッチング用テンプレートデータ）が取得される。続く、ステップＳ６０５では、パターンマッチング処理が行われる。このパターンマッチング処理には従来周知の処理を用いることができる。

ステップＳ６０６では、一致データがあるか否かが判定される。ステップＳ６０６における判定結果がＹＥＳであるときにはステップＳ６０９に進み、ステップＳ６０６における判定結果がＮＯであるときにはステップＳ６０８に進む。ステップＳ６０８では、戻り値としてＯｂ＝０（妨害なし）を得た上でリターンする。また、ステップＳ６０９では、戻り値としてＯｂ＝１（妨害あり）を得た上でリターンする。

なお、本実施形態の運転支援装置に係る構成については、自動車、ハイブリッド車、電気自動車などの車両に搭載されることを一応想定しているが、その他の移動手段に搭載することも考えられる。

また、特許請求の範囲における「運転操作データ取得手段」は、運転状況データ（図１２のネットワーク構造における上段に示されている顔の表情Ｆｃ（２）、視線Ｇｚ（４）、・・・交通量Ｔｄ（３）の各ノード、下段に示されている車速Ｓｐ（８）、車間距離Ｆｄ（８）、・・・車線変更Ｌｃ（３）の各ノード）を取得するドライバ情報取得部２１０、車両周辺環境情報取得部２２０、カーナビゲーションシステム２３０、外部通信部２４０、パターンマッチング用データ保存部５００及び取得されたデータを処置するＥＣＵ（電子制御装置）１００などの全体をいうものである。

また、特許請求の範囲における「運転状況データ取得手段」は、運転操作データ（運転行動変数ＤＢ）を取得する自車両情報取得部２００及び取得されたデータを処置するＥＣＵ（電子制御装置）１００などの全体をいうものである。

また、特許請求の範囲における「テーブル更新手段」は、図１２に示すベイジアンネットワークの構造の各ノードにおける条件付き確率テーブル、事前確率テーブル、及びガウス分布のパラメータなどのドライバモデルデータベース部３００に記憶されるテーブルの更新処理を実行するＥＣＵ（電子制御装置）１００などの構成をいうものである。
また、特許請求の範囲における「運転操作予測手段」は、ドライバモデルデータベース部３００に記憶される事前確率テーブル、及びガウス分布のパラメータなどに基づいて、運転操作予測のための演算処理を実行するＥＣＵ（電子制御装置）１００などの構成をいうものである。

以上、種々の実施形態について説明したが、それぞれの実施形態の構成要素を任意に組み合わせて構成される実施形態についても本発明の範疇に入るものである。

本発明の実施の形態に係る運転支援装置の概念を示す図である。 本発明の実施の形態に係る運転支援装置で用いられるベイジアンネットワークの概念を示す図である。 本発明の実施の形態に係る運転支援装置のブロック構成を示す図である。 本発明の実施の形態に係る運転支援装置における自車両情報取得部２００で取得する自車両情報を示す図である。 本発明の実施の形態に係る運転支援装置におけるドライバ情報取得部２１０で取得するドライバ情報を示す図である。 本発明の実施の形態に係る運転支援装置における車両周辺環境情報取得部２２０で取得する車両周辺環境情報を示す図である。 本発明の実施の形態に係る運転支援装置におけるカーナビゲーションシステム２３０で取得するカーナビゲーションシステム情報を示す図である。 本発明の実施の形態に係る運転支援装置における外部通信部２４０で取得する情報を示す図である。 本発明の実施の形態に係る運転支援装置におけるドライバモデルデータベース部３００で記憶する情報を示す図である。 本発明の実施の形態に係る運転支援装置におけるパターンマッチング用データ保存部５００で記憶するテンプレートデータを示す図である。 本発明の実施の形態に係る運転支援装置におけるドライバモデル学習データ記録部３１０で記憶するデータ構造を示す図である。 本発明の実施の形態に係る運転支援装置で用いるドライバモデルのネットワーク構造を示す図である。 ベイジアンネットワーク構造における生理状態Ｐｈ（２）がとる状態を示す図である。 簡略化したドライバモデルのネットワーク構造を示す図である。 Ｐｈ＝ｐｈ、ＤＢ＝ｄｂ、Ｆｃ＝ｆｃであるときの、Ｌｃ＝ｌｃの確率の計算の計算を示す図である。 本発明の実施の形態に係る運転支援装置におけるドライバモデル学習処理のフローチャートを示す図である。 本発明の運転支援装置における車線変更行動の終了地点Ｔを推定するサブルーチンのフローチャートを示す図である。 本発明の運転支援装置における車線変更動作の開始地点Ｓを推定するサブルーチンのフローチャートを示す図である。 本発明の運転支援装置における車線変更動作の先行動作の開始地点Ｒを推定するサブルーチンのフローチャートを示す図である。 車線変更のタイミングなどを時系列に示す図である。 角度θを定義する図である。 開始地点Ｓを推定するためのドライバの行為を示す図である。 本発明の実施の形態に係る運転支援装置における車線変更支援処理のフローチャートを示す図である。 本発明の実施の形態に係る運転支援装置における支援情報提示方法の一例を示す図である。 本発明の実施の形態に係る運転支援装置におけるパターンマッチング処理のフローチャートを示す図である。

符号の説明

１００・・・ＥＣＵ（電子制御装置）、２００・・・自車両情報取得部、２０１・・・ハンドル操舵角センサ、２０２・・・アクセルペダル位置センサ、２０３・・・ブレーキペダル位置センサ、２０４・・・速度計、２０５・・・加速度センサ、２０６・・・エレキ動作状況取得部、２０７・・・ウインカー、２０８・・・ライト、２１０・・・ドライバ情報取得部、２１１・・・顔カメラ、２１２・・・表情認識部、２１３・・・視線認識部、２１４・・・顔向き認識部、２１５・・・皮膚電位センサ、２１６・・・マイクロフォン、２２０・・・車両周辺環境情報取得部、２２１・・・前方監視カメラ、２２２・・・後方監視カメラ、２２３・・・側方監視カメラ、２２４・・・車間距離レーダー、２２５・・・コーナーセンサー、２３０・・・カーナビゲーションシステム、２３１・・・ＧＰＳ部、２３２・・・道路情報部、２３３・・・経路案内部、２３４・・・地図データベース、２４０・・・外部通信部、２４１・・・携帯電話通信部、２４２・・・ＶＩＣＳ通信部、２４３・・・無線ＬＡＮ通信部、２４４・・・車車間通信部、２４５・・・路車間通
信部、２４６・・・データ放送部、３００・・・ドライバモデルデータベース部、３０１・・・通常ドライバモデルデータ、３０２・・・車線変更ドライバモデルデータ、３０３・・・車線変更先行行動ドライバモデルデータ、３１０・・・ドライバモデル学習データ記録部、３１１・・・自車両情報、３１２・・・車両周辺環境情報、３１３・・・位置情報、４００・・・情報提示部、４０１・・・ディスプレイ部、４０２・・・音声警告部、４０３・・・ハザードランプ、５００・・・パターンマッチング用データ保存部、５０１・・・平常時顔表情テンプレートデータ、５０２・・・歩行者テンプレートデータ、５０３・・・自転車テンプレートデータ

Claims (6)

1. 運転者の生理状態に係るデータを取得する生理状態データ手段と、
   運転操作に係るデータを取得する運転操作データ取得手段と、
   運転状況に係るデータを取得する運転状況データ取得手段と、
   生理状態データと運転状況データと運転操作データとの間の因果関係を確率的に定めたテーブルを更新するテーブル更新手段と、
   前記テーブル更新手段によって更新されたテーブルと現在の運転状況データとから運転操作を予測する運転操作予測手段と、を有し、
   前記因果関係におけるネットワーク構造は、前記生理状態データが、前記運転状況データから影響を受けるノードであって、前記運転操作データが、前記運転状況データ及び前記生理状態データから影響を受けるノードとなるネットワーク構造であることを特徴とする運転支援装置。
2. 前記ネットワーク構造の因果関係は、ベイジアンネットワークによって定められることを特徴とする請求項１に記載の運転支援装置。
3. 前記運転操作予測手段の予測に基づいて運転者に警告などを報知する警告報知手段と、を有すことを特徴とする請求項１又は請求項２のいずれかに記載の運転支援装置。
4. 前記運転操作予測手段の予測に基づいて運転者に運転操作のアシストを行う運転操作アシスト手段と、を有すことを特徴とする請求項１乃至請求項３のいずれかに記載の運転支援装置。
5. 前記運転状況データ取得手段は運転状況に係るデータを取得する運転状況データを複数取得することを特徴とする請求項１乃至請求項４のいずれかに記載の運転支援装置。
6. 運転者の生理状態に係るデータを取得する生理状態データ取得工程と、
   運転操作に係るデータを取得する運転操作データ取得工程と、
   運転状況に係るデータを取得する運転状況データ取得工程と、
   生理状態データと、運転操作データと、運転状況データと間の因果関係を、ベイジアンネットワークを用いることで確率的に定めたテーブルを更新する工程と、
   更新された最新のテーブルと現在の運転状況データとから運転操作を予測する工程と、を有し、
   前記ベイジアンネットワークにおけるネットワーク構造では、前記生理状態データが、前記運転状況データから影響を受けるノードであり、前記運転操作データが、前記運転状況データ及び前記生理状態データから影響を受けるノードであるものと定義されることを特徴とする運転支援方法。

Images