85 研究報告 ニューラルネットによるドライバの認知判断操作 のモデル化 大野宏司 Driver Model Using Neural Networks Hiroshi Ohno 要 旨 交通事故原因の多くはドライバの認知・判断に キランプを点灯せずに減速し停止する課題では被 おけるエラーに起因することが指摘されている。 験者 ( 3名中2名 ) のブレーキ操作遅れがほぼ予測 エラー発生のメカニズムを解明することが，予防 可能であった。ただし，遅れ時間を定量的に評価 安全システムの評価や開発において重要な知見を することは困難ではないかと思われる。また，被 与えるものと思われる。本報告では，ドライバの 験者をモデル化したニューラルネットを解析し， 認知・判断・操作をニューラルネットによりコン アクセル操作の判断には先行車の大きさや位置の ピュータシミュレーションモデルとしてモデル化 情報，ブレーキの判断には停止車両の大きさや先 する手法を提案し，ドライビングシミュレータを 行車のブレーキランプのON/OFFの情報が使われて 使った実験からそのエラー予測能力を明らかにし いることがわかった。そして，この結果からモデ た。エラー予測の実験結果から，先行車がブレー ルによりエラーがなぜ予測できるのかを説明した。 Abstract In considering major contributions to traffic accidents, by the neural networks from operational data in time it has been pointed out that they may be accounted for series. Also, the driver model made it possible to by drivers' errors in their information-processing predict the timing delay in braking operation of the characteristics; cognition and decision making. subject, that is drivers' error, when the preceding car had Knowing the information mechanisim of drivers' errors no stopping lamps in a stopping situation. Hence, we may provide important aspects of developing and presented the feasibility of the neural network based evaluating safe driving systems. driver model. Moreover, by analyzing the input-output We address the prediction of drivers' errors using relationship of the neural networks, we found that the computer simulation program and propose a neural signals of the tail-lamps and the size of the preceding car network based driver model for the purpose of were available information when deciding the braking predicting drivers' errors. From the experiments using a operation. driving simulator, the subjects' behavior was modeled キーワード ドライバモデル，ヒューマンエラー，ニューラルネット，ドライビングシミュレータ 豊田中央研究所 R&D レビュー Vol. 33 No. 3 ( 1998. 9 ) 86 以下では，ドライビングシミュレータを用いた 1．はじめに 実験により得たデータをもとに被験者の認知・判 近年の交通事故の増加やドライバの高齢化に対 断・操作の過程をニューラルネットによりモデル 応して予防安全技術の開発が活発化している。予 化を行う。そして，ある走行場面で被験者の起こ 防安全技術としては，例えば衝突警報装置，車線 すエラー ( ブレーキ操作開始の遅れ ) がモデルによ 逸脱警報装置，ABS(Antilock Brake System)，ブレ り予測できるかを検証し，エラー予測の可能性を ーキアシストシステム，ナビゲーションシステム 探る。また，ドライバの認知・判断・操作の仕組 などがある。ただし，ABSやナビゲーションシス みを推定するために，モデルの入出力関係を学習 テムなどの導入により逆に交通事故が増える可能 後のニューラルネットから明らかにすることを試 １ 性も指摘されている* 。そのため，予防安全技術 の導入により交通事故の低減に本当に寄与するか どうかをシステムの導入以前 ( 設計段階など ) に明 らかにすることが必要である。 交通事故ではドライバのエラー ( ヒューマンエ ラー ) に関するものが事故原因のうち9割以上を占 ２） みる。 3．モジュラーネットワークによるモデル化 従来運転アシストや自動運転などの目的で提案 されたモデル３，４）はFig. 1に示すような構造である。 これらのモデルでは，if-thenルール，状態遷移ネッ めると言われる 。そのため，ヒューマンエラーを トワークや伝達関数などにより各機能が表現され 評価できるモデル化が必要と考えられる。 ている。そのため，設計者があらかじめルールの 一方，予防安全システムの評価では，運転状況 記述や状態遷移ネットワークの構成などを行うた が危険な状態になる場面でドライバがどのように め，設計時にルールが使われるあらゆる可能性を 振舞うかを調べることやシステムの導入によりド 考慮しなければならない。そのため，走行場面が ライバの運転操作が導入以前に比べてどのように 複雑になればなるほど考慮しなければならない条 変容したかを調べることが必要である。ただし， 件が増えモデルの構成が困難になると考えられる。 現実の交通状況の中でシステムの評価を行うこと 本報告では，Fig. 1に示す認知・判断・操作のモ は安全性の観点から困難である。そのため，主に デルをニューラルネットにより実現する。ニュー シミュレータ実験によりシステム評価を行わざる ラルネットには以下のような特長がある。 をえないことを考慮しておく必要がある。 我々の研究の目標は，ドライバの認知・判断・ 操作の過程を解析しモデル化 ( コンピュータプロ グラム化 ) することにより，予防安全システムの 導入効果の事前評価やヒューマンインタフェース ・データの持つ規則性を学習により表現するこ とができる。 ・時系列的な構造を持つデータを扱うことがで きる。 ・非線形な入出力関係を表現することができる。 の評価手法を確立することである。そのため，ド また，エラー予測ではニューラルネットの持つ汎 ライバの認知・判断・操作を情報処理過程として 化性* ２を利用して行うことが可能であると考えら 捉えモデル化を行うことにした。 れる。そして，Fig. 1に示した認知・判断・操作の 2．目的 * ２データ生成に関する規則を抽出する能力のこと。 本報告では，認知・判断におけるヒューマンエ ラーの予測モデルとしてニューラルネットを用い る手法を提案し，そのエラー予測能力を明らかに する。 * １ ABSに関しては使い方次第により安全に寄与する効果 が薄れてくるという指摘がある１）。 豊田中央研究所 R&D レビュー Vol. 33 No. 3 ( 1998. 9 ) Fig. 1 Block diagram of a driver model. 87 モデルをニューラルネットの構成法の一つである Jacobs and Jordan ５） により提案されているモジュラ ーネットワークにより構成する。モジュラーネッ ト ワ ー ク の 構 成 を Fig. 2 に 示 す 。 図 中 ， gating networkが認知・判断のモデルに，expert networkが 操作のモデルにそれぞれ対応する。ここで操作の モデルは複数のexpert networkで実現される。モジ ュラーネットワークの学習アルゴリズムは文献 ５） 1000[msec]の遅れを持たせたデータとが入力される ようにした。これは，入力データの時系列的な構 造を獲得するためである。 4．実験 ここでは，ドライビングシミュレータを使い， 被験者の操作のモデル化とエラー予測のためのデ ータ収集を行う実験について述べる。 と同様なものを用いた。gating networkおよびexpert 4．1 ドライビングシミュレータの概要 networkともに三層構造とした。それぞれの構成を シミュレータは道路と先行車が表示されるディ Figs. 3，4に示す。gating networkは，出力ユニット スプレー ( 21インチ ) とグラフィックスおよび車両 層から隠れユニット層への結合を持つリカレント 運動計算用ワークステーションおよび操作入力用 な構造を持っている。これは，認知・判断の時系 コンピュータから構成される ( Fig. 5参照 )。被験 列的な機構を実現するためであり，以前の判断結 者はディスプレー上に表示される情報のみから操 果が現在の判断結果に影響を及ぼすものと考えた 作を行うことが要求される。ディスプレー上の走 からである。ただし，expert network ( 操作のモデ 行場面の例をFig. 6に示す。操作入力としてはアク ル ) では，以前の操作量が現在の操作量に影響を セルおよびブレーキの操作量である。表示画面の 及ぼすとは考えられずこのような構造にはしなか 更新および計測するデータは100[msec]毎にサンプ った。また，各ネットワークとも入力ユニット層 リングが行われる。計測データとしては，速度， では，現時刻のデータおよび500[msec]と 加減速度，車間距離，先行車のブレーキランプ点 灯のON/OFF，およびアクセル，ブレーキ操作量の 時系列データである。また，ディスプレーの表示 Fig. 4 Fig. 2 Block diagram of a modular network. Fig. 3 Three layer network for the gating network. Three layer network for the expert network. Fig. 5 Fixed based driving simulator. 豊田中央研究所 R&D レビュー Vol. 33 No. 3 ( 1998. 9 ) 88 間隔は 100[msec]，データのサンプリング間隔は ドット数とする。時間変化率については差分によ 100[msec]とした。 り求めた。また，ブレーキランプについてはONの 4．2 被験者の課題 時を1，OFFの時を0とした。以上の学習データは 被験者に与える課題は，先行車 ( 一定速度 入出力データともに0から1に正規化されている。 57[km/h]で走行 ) に一定車間距離で追従し，先行車 各被験者の学習データによりそれぞれのモデルを の停止 ( 減速度0.28G ) に合わせて衝突せずに停止 構成する。 することである。すなわち，課題 ( 課題1 ) は， 1．先行車追従， 2．先行車の停止に伴い減速し停止， 5．結果 5．1 学習結果 からなる。ここで，先行車は前方に停止している モジュラーネットワークの構成は，gating 車両の後方に停止する。また，モデルによるエラ network と expert network の入力ユニット数は 27， ー予測の検討を行うために，以下の課題 ( 課題2 ) expert networkの出力ユニット数は2 ( アクセル，ブ を行う。課題2は, レーキに対応 ) である。また，隠れユニット数や 1．先行車追従， expert networkの数は汎化データを入力した時の出 2．先行車の停止に伴い減速し停止，ただし，先 力データ間の誤差が小さいものが選択された。3名 行車はブレーキランプの点灯は行わない， のうち1名の被験者のモデル化では，学習回数700 からなる。課題2のねらいは，先行車のブレーキラ 回，隠れユニット数5個，expert networkの数を2個 ンプの点灯だけに反応して被験者がブレーキを掛 とした* ３。アクセル操作量とブレーキ操作量の学 けているかどうかを調べるために行う ( エラー誘 習結果をFigs. 7，8にそれぞれ示す。また，gating 発場面 )。そして，課題1に比べブレーキ操作開始 networkの出力をFig. 9に示す。各図の横軸はデー の遅れが見い出されれば，エラーが誘発されたこ タ番号を示し0から始まる。そして，データ番号を とになる。被験者は課題1(4回)を行い引続き課題 0.1倍すると時間[秒]に対応する。また，各図では 2(1回)を行う。また，被験者の数は3名とした。 学習データが3回の課題1の学習データであるため， 4．3 学習用データ 横軸の最大は1671個 ( 557個×3回 ) になっている。 4回行った課題1の実験から，3回分を学習データ， 図中，desiredは学習データの値 ( 教師値 )，actual 1回分を汎化性を調べるためのデータ ( 汎化データ ) はモジュラーネットワークの出力値を示す。Fig. 9 とした。学習データのうち入力データは，被験者 が実際にディスプレー上で見ていると思われる情 * ３以下，紙面の都合上1名だけの被験者の結果について 報とした。また，出力データは被験者のアクセル 述べる。 とブレーキの操作量とした。入力データの種類を Table 1に示す。ここで，停止車両とは自車と先行 Table 1 Attributes of input data. 車が停止する時に前方に停止している車両の最後 尾の車両のことである。大きさの単位は画面上の 0 The size of the front vehicle 1 The time derivative of the size of the front vehicle 2 The position of the front vehicle 3 The time derivative of the position of the front vehicle 4 The signal of turning on and off the brake lamp of the front vehicle 5 The size of the brake lamp of the front vehicle 6 The time derivative of the size of the brake lamp of the front vehicle 7 The size of the stopping vehicle in front Fig. 6 An example display for car following. 豊田中央研究所 R&D レビュー Vol. 33 No. 3 ( 1998. 9 ) 8 The time derivative of the size of the stopping vehicle in front 89 では，1st，2ndの表記でexpert networkに対する出 た，アクセル操作量については教師値の変化の全 力を示す。学習結果から，ブレーキ操作量につい 体の傾向を学習した程度であり，細部については てはほぼ教師値と一致している ( 相関値0.982 )。ま 十分な学習が行われていない ( 相関値0.629 )。この 原因は，アクセルの操作に単に視覚から得られる 情報だけではなく，被験者の癖など様々な他の要 因が関連しているためと考えられる。 Figs. 7，8，9から，gating networkの出力のうち， 1st ( 実線 ) で示されたexpert networkがアクセル操 作を担当し，2nd ( 破線 ) で示されたexpert network がブレーキ操作を担当していることがわかる。例 えば，Fig. 9からデータ番号400から600付近を見る と，破線で示された2ndの出力があり，それに対応 するブレーキ操作量が出力されていることがFig. 8 からわかる。このようにgating networkでは，アク セルとブレーキの操作を別々のexpert networkに担 当させるという機能を学習により獲得したことが わかる。そして，gating networkの機能分化の働き により関係のない出力，アクセル ( ブレーキ ) 操作 を担当する場合にはブレーキ ( アクセル ) 出力が無 視されるように学習が行われた。 5．2 予測結果 Fig. 7 Fig. 8 Experimental results for learning (output of the accel-pedal). Experimental results for learning (output of the brake-pedal). ここでは，課題2の被験者の実験結果を学習後の モジュラーネットワークにより予測することを行 Fig. 9 Experimental results for learning (output of the gating network). 豊田中央研究所 R&D レビュー Vol. 33 No. 3 ( 1998. 9 ) 90 う。予測結果をFigs. 10，11にそれぞれ示す。各 図において，desired は被験者が実際に行った値， れを明らかにする。 1．9つの入力のうち一つの入力を常に値を0にし 実際値であり，actualはモジュラーネットワークに て，学習データの入力データを入力し，gating よる予測値である。相関値はそれぞれ0.798，0.971 networkの出力および各expert networkの出力を であった。ブレーキ操作量の予測については概ね 求める。 一致している。したがって，認知・判断・操作に 2．学習データの入力データ ( 入力値を変化させ おけるエラーがある程度予測できるのではないか ない ) を入力し，gating networkの出力および ４ と考えられる* 。ただし，ブレーキ操作開始の遅 各expert networkの出力を求める。 れ時間を定量的に正確に予想することは，各図よ 3．1と2の各出力値間の誤差二乗和を求める。 り困難なものではないかと考えられる。アクセル 4．1から3をTable 1に示した9つの入力について 操作量の予測については，学習時にも指摘したよ うに，単純に視覚情報だけで認知・判断・操作を 順に行う。 5．誤差二乗和の値が大きくなった入力が出力に 行っているのではないために，このように予測の 対して意味のある情報を与えていると考える。 結果が悪いものになったのではないかと考えられ 1名の被験者のモジュラーネットワークの解析結果 る。ただし，操作量の全体の変化の傾向について をFig. 12に示す。図中，丸印の中に書かれた数字 は捉えているようである。 により入力情報の入力番号を示す。1が書かれた三 6．解析 以下の手順により学習後のモジュラーネットワ ークの解析を行い，認知・判断・操作の情報の流 角印は常に情報が与えられている，すなわち入力 情報に依存しないことを示す。例えば，ブレーキ は常に出力されることを示している。また，ON， OFFと書かれた''スイッチ''に当たる所は矢印により 示された情報により，ON，OFFが行われる。例え * ４ただし，他の1名の被験者ではこのように予測ができ ば，OFFと書かれたスイッチは常にONであり，矢 なかった。 印による情報によりOFFにされることを示す。ON Fig. 10 Experimental results (output of the accelpedal). Fig. 11 Experimental results (output of the brakepedal). 豊田中央研究所 R&D レビュー Vol. 33 No. 3 ( 1998. 9 ) 91 と書かれたスイッチは，矢印による情報によりON 先行車に追従し停止する課題を被験者 ( 3名 ) に課 にされ，通常はOFFである。また，ON，OFF両方 し，そのデータから認知・判断・操作過程をニュ 書かれたスイッチでは，一旦 OFF にされた後に， ーラルネット ( モジュラーネットワーク ) によりモ 矢印による情報によりONにされることを示す。た デル化を行い，次にモデルにより被験者の起こし だし，図では単に情報の流れを示したものであり， たエラーの予測を検証した。 そして，以下のこと 大小関係や論理的関係などにより情報の流れを制 を示した。 御することは示していない。以下に図で示された A．モデルの学習結果に関して 情報の流れを説明する。 アクセルのスイッチは常 1．ブレーキ操作に関しては認知・判断・操作過 にONであり ( 図中，三角印により常に情報が与え 程のモデル化が可能である。 られている )，入力番号1，2，4によりアクセル操 2．アクセル操作に関してはブレーキ操作に比べ 作量が制御される。そして，入力番号0，4，5によ 操作過程での精度の良いモデル化ができなか りOFFにされると，ブレーキのスイッチがONとな った。 り，ブレーキ操作量が出力される。さらに，入力 B．エラーの予測に関して 番号2により再びONにされると，ブレーキのスイ 1．先行車がブレーキランプを点灯せずに減速し ッチが再度OFFになり，アクセル操作量が出力さ 停止する課題では被験者 ( 3名中2名 ) のブレー れる。入力番号4の情報がない場合には，アクセル キ操作遅れの予測がほぼ可能であった。ただ からブレーキへの判断の切替が遅れることから， し，遅れ時間を定量的に評価することは困難 ブレーキを踏む判断の予期情報を与えているもの ではないかと思われる。 と考えられる。 また，学習後のニューラルネットを解析する手法 また，Fig. 11に示したブレーキ操作量の予測結 を示し，認知・判断・操作過程における情報の流 果は，Fig. 12より，先行車の減速時に先行車のブ れを明らかにした。そして，モデルによるアクセ レーキランプのON/OFFの情報がない場合でも，先 ル操作の判断には先行車の大きさや位置の情報， 行車の大きさ，先行車のブレーキランプの大きさ， ブレーキ操作の判断には停止車両の大きさや先行 また停止車両の大きさなどの情報によりブレーキ 車のブレーキランプのON/OFFの情報が使われてい を踏む判断が可能であることから説明される。 ることがわかった。また，この結果からモデルに 7．まとめ よりエラーの生じる情報処理過程が説明できるこ とを明らかにした。 本報ではニューラルネットによるドライバの認 今後実用的な場面への適用としてはヒューマン 知・判断のエラー予測モデルを提案した。本手法 エラーの原因を探る解析手法としての利用が考え ではニューラルネットの汎化性を利用してエラー られる。 を予測する。そして，シミュレータ実験により， 謝辞 本郷主任研究員，山本技師および小島副研究員 に協力して頂いた。 参考文献 1) 2) 3) Fig. 12 Signal flow diagram of the modular network. 4) 大庭幸夫, 久米啓文, 中山知視, 小島文毅 : "予防安全向 上に向けて", TOYOTA Tech. Rev., 45-1(1995), 8 佐 々 木 和 也 , 橋 本 佳 幸 : "緊 急 ブ レ ー キ ア シ ス ト '', TOYOTA Tech. Rev., 45-1(1995), 74 藤田健二, 香川八州男, 里信純, 奥野昭宏 : "自律ハイウ ェイ走行のためのクルーズプランナ'', 人工知能学会第 4回全国大会論文集, (1990), 579 Niehaus, A. and Stengel, R. : "An Expert System for 豊田中央研究所 R&D レビュー Vol. 33 No. 3 ( 1998. 9 ) 92 5) Automated Highway Driving'', IEEE Control Systems, April(1991), 53 Jacobs, R. A. and Jordan, M. I. : "Learning Piecewise Control Strategies in a Modular Neural Network Architecture'', IEEE Transactions on Systems, Man and Cybernetics, SMC-23(1993), 337 著者紹介 大野宏司 Hiroshi Ohno 生年：1961年。 所属：機械認識研究室。 分野：人工知能的手法によるドライバの モデル化とその応用システムの開 発。 学会等：人工知能学会，日本認知科学会， 情報処理学会会員。 豊田中央研究所 R&D レビュー Vol. 33 No. 3 ( 1998. 9 )
© Copyright 2026 Paperzz
