驾驶状态估计装置的制造方法
驾驶状态估计装置的制造方法
【专利说明】驾驶状态估计装置 技术领域 本发明涉及驾驶状态估计装置。 【背景技术】 以往，作为驾驶状态估计装置，例如有专利文献1中记载的技术。 在专利文献1中记载的技术中，根据转向轮的转向角，计算在假设顺畅地进行了转向操 作的情况下转向角估计值和实际的转向角的差（以下，称为"分布数据"）。接着，根据算出的 分布数据，计算与平常的转向特性对应的时间范围相对长的分布数据的频数分布（以下，称 为"行驶状态分布"）、与当前的转向特性对应的时间范围相对短的分布数据的频数分布(行 驶状态分布）。然后，根据算出的两个行驶状态分布的分布间的不同量，估计驾驶员的驾驶 状态。由此，在专利文献1中记载的技术中，不依赖于交通环境的不同，能够高精度地检测驾 驶的不稳定状态。这里，在专利文献1中记载的技术中，为了将频数分布(行驶状态分布）的 仓(bin)、即分布数据分类，将被分区的各数据范围设定为正值以及负值两方。 现有技术文献 专利文献 专利文献1:特开2009 - 9495号公报
【发明内容】
发明要解决的课题 但是，在上述专利文献1中记载的技术中，将行驶状态分布的仓设定为正值以及负值两 方。正因如此，有可能增大行驶状态分布的仓的数。因此，有可能增大驾驶状态估计装置的 运算负荷。其结果，难以通过智能手机、廉价的车载控制器等运算能力比较低的设备实现驾 驶状态估计装置。 着眼于上述方面，本发明的目的在于，能够降低驾驶状态估计装置的运算负荷。 用于解决课题的手段 为了解决上述课题，在本发明的一个方式中，根据行驶状态数据获取行驶状态分布用 的分布数据。接着，将获取的分布数据进行绝对值转化。接着，根据绝对值转化的分布数据， 将时间范围不同的分布数据的绝对值分类到被分区为多个的各数据范围即仓，从而计算多 个该分布数据的频数分布作为行驶状态分布。接着，根据算出的多个行驶状态分布，估计驾 驶员的驾驶状态。 发明效果 按照本发明的一个方式，将分布数据的绝对值分类到被分区为多个的各数据范围即仓 来计算该分布数据的频数分布作为行驶状态分布。正因如此，算出的行驶状态分布的仓仅 被设定为正值。因此，可以降低行驶状态分布的仓的数。其结果，可以降低估计基于行驶状 态分布的驾驶状态的运算负荷。由此，可以降低驾驶状态估计装置的运算负荷。 【附图说明】 图1是表示安装了驾驶状态估计装置的车辆的结构的图。 图2是表示驾驶状态估计装置的系统结构例子的框图。 图3是表示驾驶辅助单元100A的结构的框图。 图4是用于说明车辆的驾驶状况的图。 图5是表示行驶状态分布计算单元130的结构的框图。 图6是表示驾驶不稳定度判定处理的流程图。 图7是用于说明绝对熵Hp 1、Hp2，相对熵RHp计算中使用的记号的图。 图8是用于说明转向角预测误差0e的图。 图9是用于说明第1行驶状态分布以及第2行驶状态分布的计算方法的图。 图10是用于说明第1行驶状态分布以及第2行驶状态分布的计算方法的图。 图11是表示预测误差分区bi的范围的图。 图12是用于说明相对熵RHp的图。 图13是用于说明信息呈示开启例子的图。 图14是用于说明信息呈示开启例子的图。 图15是表示安装了驾驶状态估计装置的车辆的动作的图。 图16是表示安装了驾驶状态估计装置的车辆的结构的图。 图17是表示安装了驾驶状态估计装置的车辆的结构的图。 图18是表示驾驶不稳定度判定处理的流程图。 图19是表示预测误差分区bi的范围的图。 图20是用于说明第1行驶状态分布以及第2行驶状态分布的计算方法的图。 【具体实施方式】 参照【附图说明】本发明的实施方式。 (第1实施方式） (结构） 图1是表示安装了本实施方式的驾驶状态估计装置的车辆的结构的图。 如图1所示，车辆具有油门踏板开度量传感器1、刹车踏板操作量传感器2、转向角传感 器3、车轮速度传感器4、方向指示灯检测传感器5、以及导航装置6。此外，车辆具有G传感器 7、换挡(shift)传感器8、前方车辆检测装置9、以及控制器100。 油门踏板开度量传感器1检测油门踏板的开度量。然后，油门踏板开度量传感器1将检 测到的开度量输出到控制器100。 刹车踏板操作量传感器2检测刹车踏板的操作量。然后，刹车踏板操作量传感器2将检 测到的操作量输出到控制器100。 转向角传感器3检测转向轮(未图示）的转向角。然后，转向角传感器3将检测到的转向 角输出到控制器100。作为转向角传感器3，例如可以采用检测转向柱的旋转角的角度传感 器。 车轮速度传感器4检测车轮的旋转数（以下，也称为"车轮速度"）。接着，车轮速度传感 器4根据检测到的车轮速度计算车速。然后，车轮速度传感器4将检测到的车轮速度以及算 出的车速分别输出到控制器1 〇〇。 方向指示灯检测传感器5检测方向指示灯手柄(未图示）的操作状态（以下，也称为"方 向指示灯操作"）。作为方向指示灯操作，例如，有有无操作。然后，方向指示灯检测传感器5 将检测到的方向指示灯操作输出到控制器100。 换挡传感器8检测换挡杆(未图示)的操作状态（以下，也称为"换挡操作"）。作为换挡操 作，例如有P、D、R等的换挡杆的位置。然后，换挡传感器8将检测到的换挡操作输出到控制器 100〇 信息呈示装置按照控制器100输出的控制信号（后述），将警报及其它的信息呈示给驾 驶员。作为呈示方法，有声音和图像。作为信息呈示装置，例如，可以采用通过蜂鸣器音和声 音向驾驶员提供信息的扬声器10、以及通过图像或文本的显示向驾驶员提供信息的显示单 元。作为显示单元，例如也可以沿用导航装置6的显示监视器。 导航装置6具有:GPS(Global Positioning System，全球定位系统)接收机、地图数据 库、以及显示监视器。然后，导航装置6从GPS接收机以及地图数据库获取车辆的当前位置以 及道路信息。接着，导航装置6根据获取的车辆的当前位置以及道路信息，获取车辆行驶的 道路的种类和道路宽度等各种信息。接着，导航装置6根据获取的信息，在显示监视器上显 示路径搜索的结果以及路径引导的结果等。 G传感器7检测车辆中发生的前后加速度以及横加速度。然后，G传感器7将检测到的前 后加速度以及横加速度输出到控制器100。 前方车辆检测装置9检测在车辆的进行方向前方存在的其它车辆及其它的障碍物的信 息（例如，至障碍物的距离）。然后，前方车辆检测装置9将检测到的信息输出到控制器100。 作为前方车辆检测装置9,例如采用向车辆的进行方向前方射出激光，检测反射光的激光距 离计。 控制器 100具有：CPU(Central Processing Unit，中央处理器），以及R0M(Read Only Memory，只读存储器），RAM(Random Access Memory，随机存储器）以及 A/D(Analog to Digital，模/数)变换电路等CPU周边部件。然后，控制器100(CPU，CPU周边部件)具有进行驾 驶不稳定度判定处理的驾驶辅助单元100A。在驾驶不稳定度判定处理中，驾驶辅助单元 100A根据油门踏板开度量传感器1以及刹车踏板操作量传感器2等输出的检测结果，获取包 含驾驶员可能操作的驾驶操作单元的操作状态、以及车辆状态的至少一方的行驶状态数 据。作为驾驶操作单元，例如有转向轮、油门踏板、以及刹车踏板。作为车辆状态，有相对前 方车辆的车辆间信息。在本实施方式中，作为行驶状态数据，采用转向角传感器3输出的转 向角的信息（以下，也称为"转向角信息"）。 接着，驾驶辅助单元100A根据获取的行驶状态数据(转向角信息)获取多个行驶状态分 布（第1行驶状态分布、第2行驶状态分布（后述））用的分布数据（转向角预测误差0e (后 述））。分布数据(转向角预测误差9e)的获取周期为预先确定的第1周期(例如，50毫秒）。接 着，驾驶辅助单元100A根据获取的分布数据(转向角预测误差0e)计算多个时间范围不同的 分布数据(转向角预测误差9e)的绝对值的频数分布作为行驶状态分布(第1行驶状态分布、 第2行驶状态分布）。行驶状态分布(第1行驶状态分布、第2行驶状态分布）的计算周期设为 比第1周期(例如，50毫秒)长的第2周期(例如，5秒）。接着，驾驶辅助单元100A根据算出的多 个行驶状态分布(第1行驶状态分布、第2行驶状态分布），计算绝对熵Hp 1、Hp2 (后述）。 接着，驾驶辅助单元100A根据算出的绝对熵Hpl、Hp2,判定驾驶员的驾驶状态（驾驶的 不稳定度(后述））。接着，驾驶辅助单元100A根据算出的多个行驶状态分布(第1行驶状态分 布、第2行驶状态分布）的分布间的不同量(相对熵RHp (后述）），判定驾驶员的驾驶状态（驾 驶的不稳定度）。然后，驾驶辅助单元100A根据判定出的驾驶状态（驾驶的不稳定度），将向 驾驶员呈示警报及其它的信息（以下，也称为"呈示信息"）的控制信号输出到信息呈示装 置。由此，驾驶辅助单元100A向驾驶员呈示呈示信息，对于驾驶的不稳定度（驾驶的不稳定 状态），唤起驾驶员的注意。 而且，作为行驶状态数据，也可以采用相对前方车辆的车辆间信息(车辆间距离、车辆 间时间）、或者基于油门踏板和刹车踏板的操作的加减速信息等。在采用车辆间信息（车辆 间距离、车辆间时间）或者加减速信息等的情况下，行驶状态分布(第1行驶状态分布、第2行 驶状态分布）以及分布间的不同量（相对熵RHp)的计算，例如通过国际公开号W02009/ 013815(特愿2009 - 524342号）的公报等中记载的公知的方法来计算即可。 作为控制器100,例如也可以采用智能手机、车载控制器，云服务器。在采用云服务器的 情况下，车辆将油门踏板开度量传感器1以及刹车踏板操作量传感器2等输出的检测结果发 送到云服务器。由此，云服务器根据车辆发送的检测结果执行驾驶不稳定度判定处理，根据 驾驶不稳定度判定处理的结果，将向驾驶员呈示呈示信息的控制信号发送到信息呈示装 置。然后，车辆根据云服务器发送的控制信号，通过信息呈示装置向驾驶员呈示呈示信息。 图2是表示本实施方式的驾驶状态估计装置的系统结构例的框图。 如图2所示，在本实施方式中，作为信息呈示装置，例示了视觉信息呈示装置以及听觉 信息呈示装置。而且，作为视觉信息呈示装置，例示了导航装置6的显示监视器，作为听觉信 息呈示装置，例示了扬声器10。 图3是表示本实施方式的驾驶辅助单元100A的结构的框图。 如图3所示，驾驶辅助单元100A具有:行驶状态数据获取单元110、驾驶状况判定单元 120、行驶状态分布计算单元130、驾驶不稳定度判定单元140、以及信息呈示单元150。 行驶状态数据获取单元110获取转向角传感器3输出的检测结果。然后，行驶状态数据 获取单元110将获取的检测结果作为行驶状态数据。 图4是用于说明车辆的驾驶状况的图。 驾驶状况判定单元120根据油门踏板开度量传感器1以及刹车踏板操作量传感器2等输 出的检测结果，判定车辆的驾驶状况(第1干扰驾驶状况(后述）、第2干扰驾驶状况(后述）、 通常驾驶状况(后述））。具体地说，驾驶状况判定单元120根据油门踏板开度量传感器1以及 刹车踏板操作量传感器2等输出的检测结果，检测驾驶员可能操作的驾驶操作单元的操作 状态、行驶环境、以及车辆状态。接着，驾驶状况判定单元120根据检测到的驾驶操作单 元的 操作状态、行驶环境、以及车辆状态，判定车辆的驾驶状况是否处于第1干扰驾驶状况(对于 驾驶状态的估计，成为干扰的驾驶状况）。作为第1干扰驾驶状况，例如有打滑、VDC(Vehicle Dynamics Control，车辆动力学控制）动作、LDP(Lane Departure Preservation，车道偏离 保护)动作、以及各种事项(车道变更、车辆的右左转弯、车辆的加减速、刹车踏板(未图示） 的操作、变速操作、开关/手柄操作、隧道出入口，起伏，路面的接缝)在设定时间连续等的事 件下发生的驾驶状况。例如VDC动作基于表示VDC的动作的VDC动作标记来检测。LDP动作例 如基于表示LDP的动作的LDP动作标记来检测。 而且，驾驶状况判定单元120根据检测到的驾驶操作单元的操作状态、行驶环境、以及 车辆状态，判定车辆的驾驶状况是否处于第2干扰驾驶状况(对于驾驶状态的估计，成为干 扰的驾驶状况）。作为第2干扰驾驶状况，例如有，车道变更、车辆的右左转弯、变速操作、隧 道出入口、以及起伏等的事件下发生的驾驶状况。车道变更、车辆的右左转弯例如基于方向 指示灯检测传感器5来检测。变速操作例如基于检测离合器的操作状态的离合器传感器(未 图示）、换挡传感器8来检测。隧道出入口例如基于检测前照灯(未图示）的动作状态的灯传 感器(未图示)来检测。起伏例如通过G传感器7(横G)来检测。另一方面，驾驶状况判定单元 120判定为不是第1干扰驾驶状况以及第2干扰驾驶状况的任意一个的情况下，判定为没有 对于驾驶的不稳定度的判定成为干扰的驾驶状况(以下，也称为"通常驾驶状况"）。 行驶状态分布计算单元130根据行驶状态数据获取单元110获取的行驶状态数据(转向 角信息），获取行驶状态分布(第1行驶状态分布、第2行驶状态分布）用的分布数据(转向角 预测误差9e)。转向角预测误差0 e的获取周期设为第1周期(例如，50毫秒）。接着，行驶状态 分布计算单元130根据获取的分布数据(转向角预测误差0e)，计算多个时间范围不同的分 布数据(转向角预测误差9e)的绝对值的频数分布作为行驶状态分布(第1行驶状态分布、第 2行驶状态分布）。行驶状态分布(第1行驶状态分布、第2行驶状态分布）的计算周期设为比 第1周期(例如，50毫秒)长的第2周期(例如，5秒）。 具体地说，行驶状态分布计算单元130根据获取的分布数据(转向角预测误差0e)，计算 在预先确定的相对长的时间的范围（例如，2160秒）中获取的分布数据(转向角预测误差0e) 的绝对值的频数分布作为第1行驶状态分布。而且，行驶状态分布计算单元130根据获取的 分布数据(转向角预测误差9e )，计算在比第1行驶状态分布(例如，2160秒)短的时间的范围 (例如，90秒）中获取的分布数据(转向角预测误差0e)的绝对值的频数分布作为第2行驶状 态分布。后面叙述有关第1行驶状态分布以及第2行驶状态分布的计算例子。 图5是表示本实施方式的行驶状态分布计算单元130的结构的框图。 如图5所示，行驶状态分布计算单元130具有分布数据计算单元130A、绝对值转化单元 130B、数据暂时积累单元130C、第1行驶状态分布计算单元130D、第2行驶状态分布计算单元 130E、分布积累单元130F、以及分布选择单元130G。 分布数据计算单元130A根据行驶状态数据获取单元110获取的行驶状态数据(转向角 信息(转向角Θ))，计算分布数据(转向角预测误差0e)。对每个预先确定的第1周期(例如，50 毫秒)计算转向角预测误差9e。 绝对值转化单元130B获取分布数据计算单元130A算出的分布数据(转向角预测误差Θ e)。然后，绝对值转化单元130B将获取的分布数据(转向角预测误差0e)进行绝对值转化。 数据暂时积累单元130C积累绝对值转化单元130B绝对值转化后的分布数据(转向角预 测误差9e)。对每个第1周期(例如，50毫秒)在数据暂时积累单元130C中积累绝对值转化后 的分布数据(转向角预测误差9e)。 第1行驶状态分布计算单元130D根据数据暂时积累单元130C积累的绝对值转化后的分 布数据(转向角预测误差9e)，计算分布数据(转向角预测误差0e)的绝对值的频数分布作为 第1行驶状态分布。对每个第2周期（> 第1周期(50毫秒）。例如，5秒)计算第1行驶状态分布。 第2行驶状态分布计算单元130E根据数据暂时积累单元130C积累的绝对值转化后的分 布数据(转向角预测误差9e)，计算分布数据(转向角预测误差0e)的绝对值的频数分布作为 第2行驶状态分布。对每个第2周期（> 第1周期(50毫秒）。例如，5秒)计算第2行驶状态分布。 分布积累单元130F获取第2行驶状态分布计算单元130E算出的第2行驶状态分布。然 后，分布积累单元130F积累获取的第2行驶状态分布。 在驾驶状况判定单元120判定为处于对驾驶状态的估计(驾驶的不稳定度的判定)成为 干扰的驾驶状况(第1干扰驾驶状况，第2干扰驾驶状况)时，分布选择单元130G变更第1行驶 状态分布计算单元130D以及第2行驶状态分布计算单元130E计算的行驶状态分布(第1行驶 状态分布、第2行驶状态分布）。具体地说，分布选择单元130G根据驾驶状况判定单元120的 判定结果，判定车辆的驾驶状况对应于第1干扰驾驶状况以及第2干扰驾驶状况哪一个。然 后，在判定为对应于第1干扰驾驶状况的情况下，分布选择单元130G将第2行驶状态分布计 算单元130E算出的第2行驶状态分布替换为第1行驶状态分布计算单元130D算出的第1行驶 状态分布（以下，也称为"重新设定处理"）。 另一方面，在判定为对应于第2干扰驾驶状况的情况下，分布选择单元130G将第2行驶 状态分布计算单元130E算出的第2行驶状态分布替换为不包含判定为处于第1干扰驾驶状 况以及第2干扰驾驶状况的其中一个时的分布数据(转向角预测误差0e)的绝对值的第2行 驶状态分布（以下，也称为"恢复处理"）。 驾驶不稳定度判定单元140根据行驶状态分布计算单元130算出的第1行驶状态分布以 及第2行驶状态分布(进行了替换的情况下，替换后的第2行驶状态分布)估计驾驶员的驾驶 状态(驾驶的不稳定度）。 信息呈示单元150根据驾驶不稳定度判定单元140估计的驾驶员的驾驶状态(驾驶的不 稳定度），进行将呈示信息向驾驶员呈示的处理（以下，也称为"信息呈示处理"）。在信息呈 示处理中，信息呈示单元150将呈示信息，即、使向驾驶员呈示对驾驶员呈示的警报及其它 的信息的控制信号输出到信息呈示装置。 (驾驶不稳定度判定处理） 接着，说明驾驶辅助单元100A执行的驾驶不稳定度判定处理。对每个预先确定的控制 周期实施驾驶不稳定度判定处理。 图6是表示驾驶不稳定度判定处理的流程图。 如图6所示，首先，在步骤S101中，驾驶辅助单元100A(行驶状态数据获取单元110、驾驶 状况判定单元120)获取车辆信息。作为车辆信息，例如有，行驶状态数据(转向角信息）、以 及驾驶操作单元的操作状态的信息。 接着转移到步骤S102,驾驶辅助单元100A(驾驶状况判定单元120)获取交通环境信息。 作为交通环境信息，例如有行驶环境的信息。 接着转移到步骤S103,驾驶辅助单元100A(驾驶状况判定单元120)根据在步骤S101中 获取的车辆信息、以及在步骤S102中获取的交通环境信息，判定车辆的驾驶状况(第1干扰 驾驶状况、第2干扰驾驶状况、通常驾驶状况）。具体地说，驾驶辅助单元100A(驾驶状况判定 单元120)根据在步骤S101中获取的车辆信息、以及在步骤S102中获取的交通环境信息，检 测驾驶操作单元的操作状态、行驶环境、或者车辆状态。接着，驾驶辅助单元100A(驾驶状况 判定单元120)根据检测到的驾驶操作单元的操作状态、行驶环境、或者车辆状态，判定车辆 的驾驶状况是否处于第1干扰驾驶状况、第2干扰驾驶状况、以及通常驾驶状况的任意一个 状况。 接着转移到步骤S104,行驶状态分布计算单元130(分布数据计算单元130A)根据在步 骤S101中获取的行驶状态数据(转向角信息），计算转向角预测误差0e。这里，在图7中示出 为了计算绝对熵Hpl、Hp2，相对熵RHp而使用的特殊记号以及该特殊记号的名称。转向角平 滑值θη-tilde是降低了量化噪声的影响的转向角Θ。而且，转向角的估计值θη-hat是假设顺 畅地操作了转向轮而估计了采样时刻的转向角Θ的值。如以下的（式1)所示，对于转向角平 滑值θη-tilde实施二次的泰勒展开而得到转向角估计值θη-hat。
…*《式1) 在(式1)中，tn为转向角θη的采样时刻。 为了降低量化噪声的影响，由以下的(式2)计算转向角平滑值θη-tilde作为3个相邻的 转向角θη的平均值。
[0033]
* …（式 2) 在(式2)中，1表示将转向角平滑值θη-tilde的计算时间间隔设为150毫秒，即，手动操 作中人能够断续地操作的最小时间间隔的情况下，在150毫秒内包含的转向角θη的样本数。 在将转向角θη的采样间隔设为Ts时，样本数1用以下的(式3)表示。 l=round(0.15/Ts) · · ·(式3) 在(式3)中，取k=l，2,3的值，根据通过(k*l)在150毫秒间隔的转向角和与其相邻的 合计3个转向角θη，可以求出平滑值θη-tilde。因此，根据这样的平滑值θη-tilde计算的估 计值θη-hat，实际上通过以150毫秒间隔获得的转向角Θ算出。 图8是用于说明转向角预测误差0e的图。 如图8所示，可以由以下的（式4)算出采样时刻中的转向角预测误差0e，作为在假设顺 畅地操作了转向轮的情况下的采样时刻的转向角估计值θη-hat和实际的转向角θη的差。 A 0? = θη - · . * (式.4) 其中，转向角预测误差是仅对于每个手动操作中人能够断续地操作的最小时间间 隔，g卩，每150毫秒的转向角θη计算的误差。 以下，说明转向角预测误差的具体的计算方法。而且，转向角Θ的采样间隔Ts，例如设 为50毫秒。首先，使用150毫秒间隔的相邻的3个转向角θη，由上述(式2)计算3个转向角平滑 值θη-t i lde。3个转向角平滑值θη-t i lde用以下的(式5)表示。
* ? (式 5) 接着，使用算出的3个转向角平滑值θη-ti 1 de，由上述(式1)计算转向角的估计值θη- hat。估计值θη-hat用以下的(式6)表示。
* * * (式 然后，使用算出的转向角估计值θη-hat和实际的转向角θη，由上述(式4)计算转向角预 测误差Θθ。 接着转移到步骤S105,驾驶辅助单元100Α(绝对值转化单元130Β)将在步骤S104中算出 的转向角预测误差(分布数据)进行绝对值转化。接着，驾驶辅助单元100Α(数据暂时积累 单元130C)将绝对值转化后的分布数据(转向角预测误差0 e)积累在数据暂时积累单元130C 中。 接着转移到步骤S106,驾驶辅助单元100A(数据暂时积累单元130C、第1行驶状态分布 计算单元130D、第2行驶状态分布计算单元130E)判定从开始该驾驶不稳定度判定处理起是 否经过了预先确定的设定时间（例如，5秒）。具体地说，驾驶辅助单元1 00A(数据暂时积累单 元130C、第1行驶状态分布计算单元130D、第2行驶状态分布计算单元130E)判定对从开始该 驾驶不稳定度判定处理起的经过时间进行计数的定时器(未图示)的定时器值T是否为设定 时间（例如，5秒）以上。然后，驾驶辅助单元100A (数据暂时积累单元130C、第1行驶状态分布 计算单元130D、第2行驶状态分布计算单元130E)在判定为定时器值T为设定时间（例如，5 秒）以上的情况下(是），转移到步骤S107。 另一方面，驾驶辅助单元100A(数据暂时积累单元130C、第1行驶状态分布计算单元 130D、第2行驶状态分布计算单元130E)在判定为定时器值T不足设定时间（例如，5秒）的情 况下（"否"），转移到步骤S101。由此，驾驶辅助单元100A从开始该驾驶不稳定度判定处理起 至经过设定时间（例如，5秒)为止，反复执行步骤S101~S106的流程。即，驾驶辅助单元100A 在经过设定时间（例如，5秒)之前不执行步骤S107以后的流程。因此，驾驶辅助单元100A对 每个第2周期(例如，5秒)执行后述的步骤S107~S117，即，第1行驶状态分布、第2行驶状态 分布的计算等。 这里，在本实施方式中，驾驶辅助单元100A在预先确定的第1周期(例如，每50毫秒)执 行步骤S101~S106的流程。 图9、图10是用于说明第1行驶状态分布以及第2行驶状态分布的计算方法的图。图11是 表示预测误差分区bi的范围的图。 在步骤S107中，驾驶辅助单元100A(第1行驶状态分布计算单元130D)根据数据暂时积 累单元130C积累的绝对值转化后的分布数据(转向角预测误差0e)计算分布数据(转向角预 测误差9e)的绝对值的频数分布作为第1行驶状态分布。具体地说，如图9、图10、图11所示， 驾驶辅助单元100A (第1行驶状态分布计算单元130D)在数据暂时积累单元130C积累的转向 角预测误差的绝对值中，将从设定时间To秒(例如，2160秒)前至当前为止的相当于设定 时间To秒的转向角预测误差0e的绝对值，分类到被分区为多个的各个数据范围中（以下，也 称为"仓"）。在本实施方式中，作为仓，采用5个预测误差分区bi( =bl，b2，b3，b4，b5)。 预测误差分区bi(=bl~b5)的范围根据在转向熵的计算中使用的α值来设定。作为α 值，例如是，根据转向角Θ时间序列数据，求出一定时间内的转向角预测误差0e，g卩，假设顺 畅地操作了转向轮的情况下的转向角估计值θη-hat与实际的转向角θη的差，测量转向角预 测误差的分布(偏差），算出为90百分位数值(包含转向角预测误差0e的90%的分布的范 围）的值。即，设定α值，使得转向角预测误差0e的90%被包含在区间[-α，α]中。 具体地说，预测误差分区bl设为0以上并且不足0.5α，预测误差分区b6设为0.5α以上并 且不足α，预测误差分区b7设为α以上并且不足2.5α，预测误差分区b8设为2.5α以上并且不 足5α，预测误差分区b9设为5α以上。在第1行驶状态分布以及第2行驶状态分布中预测误差 分区bi(=bl~b5)的范围使用相同的范围。接着，驾驶辅助单元100Α (第1行驶状态分布计 算单元130D)求出各预测误差分区bi(=bl~b5)中包含的转向角预测误差0e的绝对值的频 数对于全频数的几率p K=pl，p2，p3，p4，p5)。 由此，驾驶辅助单元100A(第1行驶状态分布计算单元130D)将分布数据(转向角预测误 差0e)的绝对值分类到被分区为多个的各数据范围（仓(预测误差分区bi))而计算该分布数 据(转向角预测误差9e)的频数分布(各预测误差分区Μ的几率pi(=pl~p5))。然后，驾驶 辅助单元100A(第1行驶状态分布计算单元130D)将算出的频数分布设为第1行驶状态分布。 接着，转移到步骤S108,驾驶辅助单元100A(第2行驶状态分布计算单元130E)根据数据 暂时积累单元130C积累的绝对值转化后的转向角预测误差0e计算分布数据(转向角预测误 差Θθ)的绝对值的频数分布作为第2行驶状态分布。具体地说，驾驶辅助单元100A(第2行驶 状态分布计算单元130Ε)从数据暂时积累单元130C积累的转向角预测误差0 e的绝对值中， 将从当前至最近的90秒前为止的转向角预测误差0e的绝对值分类到5个预测误差分区Μ (=bl~b5)。接着，驾驶辅助单元100Α(第2行驶状态分布计算单元130Ε)求出各预测误差分 区bi( = bl~b5)中包含的转向角预测误差0e的绝对值的频数相对于全频数的几率qi(= ql，q2，q3，q4，q5)〇 由此，驾驶辅助单元100A(第2行驶状态分布计算单元130E)将分布数据(转向角预测误 差0e)的绝对值分类到被分区为多个的各数据范围（仓(预测误差分区bi))而计算该分布数 据(转向角预测误差9e)的频数分布(各预测误差分区Μ的几率qi( = ql~q5))。然后，驾驶 辅助单元100A(第2行驶状态分布计算单元130E)将算出的频数分布设为第2行驶状态分布。 接着，转移到步骤S109,驾驶辅助单元100A(分布选择单元130G)根据步骤S103的判定 结果，判定车辆的驾驶状况对应于第1干扰驾驶状况、第2干扰驾驶状况、以及通常驾驶状况 的哪一个。然后，在判定为对应于第1干扰驾驶状况的情况下，驾驶辅助单元100A(分布选择 单元130G)转移到步骤S111。另一方面，在判定为对应于第2干扰驾驶状况的情况下，驾驶辅 助单元100A(分布选择单元130G)转移到步骤S112。另一方面，在判定为对应于通常驾驶状 况的情况下，驾驶辅助单元1〇〇Α(分布选择单元130G)转移到步骤S110。 在步骤S110中，驾驶辅助单元100A(分布选择单元130G)不进行重新设定处理、恢复处 理，不进行在步骤S107、S108中算出的第1行驶状态分布以及第2行驶状态分布的替换，而转 移到步骤S113。 另一方面，在步骤S111中，驾驶辅助单元100A(分布选择单元130G)在进行了重新设定 处理之后，转移到步骤S113。在重新设定处理中，驾驶辅助单元100A(分布选择单元130G)将 步骤S108中算出的第2行驶状态分布替换为在步骤S107中算出的第1行驶状态分布。 另一方面，在步骤S112中，在进行了恢复处理后，驾驶辅助单元100A(分布选择单元 130G)转移到步骤S113。在恢复处理中，将在步骤S108中算出的第2行驶状态分布替换为不 包含判定为处于第1干扰驾驶状况以及第2干扰驾驶状况的其中一个时的分布数据(转向角 预测误差9e)的绝对值的第2行驶状态分布。 接着转移到步骤S113,驾驶辅助单元100A(驾驶不稳定度判定单元140)根据在步骤 S107、S108中算出的第1行驶状态分布以及第2行驶状态分布(在进行了替换的情况下，为替 换后的第2行驶状态分布），计算绝对熵Hpl、Hp2。具体地说，行驶状态分布计算单元130 (驾 驶不稳定度判定单元140)根据在步骤S107中算出的第1行驶状态分布，由以下的(式7)计算 绝对熵Hpl。而且，行驶状态分布计算单元130(驾驶不稳定度判定单元140)根据在步骤S108 中算出的第2行驶状态分布，由以下的(式8)计算绝对熵Hp2。 Ηρ1 = -Σρι · log5pi · · ?(式7) Hp2 = _2qi.log5qi· · ·(式8) 由上述(式7 )、（式8 )，绝对熵Hp 1、Hp2越小，第1行驶状态分布以及第2行驶状态分布(转 向角预测误差的分布）的陡峭程度越增大，转向角预测误差0e的绝对值的分布收敛在一 定的范围内。即，表示驾驶操作顺畅地进行，驾驶处于稳定状态。另一方面，绝对熵Hpl、Hp2 越大，转向角预测误差的绝对值的分布的陡峭程度越降低，转向角预测误差0e的分布离 散。即，表示驾驶操作不顺畅地进行，驾驶处于不稳定状态。 接着转移到步骤S114,驾驶辅助单元100A(驾驶不稳定度判定单元140)通过R3-转向熵 法，计算在步骤S107、S108中算出的第1行驶状态分布以及第2行驶状态分布(在进行了替换 的情况下，替换后的第2行驶状态分布）的分布间的不同量(相对熵RHp)。具体地说，驾驶辅 助单元100A(驾驶不稳定度判定单元140)根据在步骤S107中算出的几率pi以及在步骤S108 中算出的几率qi，由以下的(式9)计算相对熵RHp。
* *. * (式9) 图12是用于说明相对熵RHp的图。 由上述(式9 )，相对熵RHp越小，第1行驶状态分布的几率pi (= pi~p5)和第2行驶状态 分布的几率qi(=ql~q5)的偏差越小。即，如图12所示，表示驾驶员当前的驾驶操作与平常 的驾驶操作一样顺畅地进行，驾驶处于稳定状态。另一方面，相对熵RHp越大，第1行驶状态 分布的几率pi(=pl~ P5)和第2行驶状态分布的几率qi( = ql~q5)的偏差越大。即，表示驾 驶员当前的驾驶操作与平常的驾驶操作相比不顺畅地进行，驾驶处于不稳定状态。 接着转移到步骤S115,驾驶辅助单元100A(驾驶不稳定度判定单元140)根据在步骤 S113中算出的绝对熵Hp 1、Hp2估计驾驶员的驾驶状态(判定驾驶是否处于不稳定状态）。具 体地说，驾驶辅助单元100A(驾驶不稳定度判定单元140)判定在步骤S113中算出的绝对熵 Hpl、Hp2的差(Hp2 - Hpl)是否大于预先确定的判定阈值。然后，在判定为绝对熵Hpl、Hp2的 差(Hp2 - Hpl)大于判定阈值的情况下，驾驶辅助单元100A(驾驶不稳定度判定单元140)判 定为驾驶处于不稳定状态。另一方面，在判定为绝对熵Hpl、Hp2的差(Hp2 - Hpl)为判定阈值 以下的情况下，驾驶辅助单元100A(驾驶不稳定度判定单元140)判定为驾驶处于稳定状态。 接着转移到步骤S116,驾驶辅助单元100A(驾驶不稳定度判定单元140)根据在步骤 S114中算出的相对熵RHp估，计驾驶员的驾驶状态(判定驾驶是否处于不稳定状态）。具体地 说，驾驶辅助单元100A(驾驶不稳定度判定单元140)判定在步骤S114中算出的相对熵RHp是 否大于预先确定的判定阈值。然后，在判定为相对熵RHp大于判定阈值的情况下，驾驶辅助 单元100A(驾驶不稳定度判定单元140)判定为驾驶处于不稳定状态。另一方面，在判定为相 对熵RHp为判定阈值以下的情况下，驾驶辅助单元100A(驾驶不稳定度判定单元140)判定为 驾驶处于稳定状态。 接着转移到步骤S117,驾驶辅助单元100A(信息呈示单元150)根据在步骤S115、S116中 估计(判定）的驾驶状态，进行将呈示信息向驾驶员呈示的处理(信息呈示处理）。具体地说， 驾驶辅助单元1〇〇Α(信息呈示单元150)判定在步骤S115以及S116的两方中判定为不稳定状 态的状态是否持续了预先确定的设定时间（例如，5秒）以上。然后，在判定为步骤S115以及 S116的两方中判定为不稳定状态的状态持续了设定时间（例如，5秒）以上的情况下，驾驶辅 助单元100A(信息呈示单元150)进行信息呈示处理。另一方面，在判定为步骤S115以及S116 的两方中判定为不稳定状态的状态未持续设定时间（例如，5秒）以上的情况下，驾驶辅 助单 元1〇〇Α(信息呈示单元150)不进行信息呈示处理。 在图13中表示信息呈示处理的例子。在该例子中，进行警告显示，同时通过"哔！！差不 多该休息吗。"等声音进行警告的呈示。 而且，在本实施方式中，示出了在判断出被判定为不稳定状态的状态持续了设定时间 (例如，5秒）以上的情况下，进行将呈示信息呈示的处理(信息呈示处理）的例子，但是也可 以采用其它的结构。例如可以是，如图14所示，通过水平仪，以多级的呈示级别（level)进行 呈示，同时呈示与各呈示级别对应的听觉信息的结构。在该情况下，作为驾驶状态，驾驶的 不稳定度越高，越提高水平仪的呈示级别。在图14中，设为8级的呈示级别，越左侧的显示， 表示呈示级别越高的状态(驾驶的不稳定度高的状态）。 (动作及其它） 接着，说明安装了本实施方式的驾驶状态估计装置的车辆的动作。 假设在车辆的行驶中，驾驶辅助单元100A执行了驾驶不稳定度判定处理。这样，驾驶辅 助单元100A(行驶状态数据获取单元110,驾驶状况判定单元120)获取行驶状态数据(转向 角信息）、车辆信息以及交通环境信息（图6的步骤S10US102)。接着，驾驶辅助单元100A(驾 驶状况判定单元120)根据获取的车辆信息以及交通环境信息，判定车辆的驾驶状况(第1干 扰驾驶状况，第2干扰驾驶状况，通常驾驶状况）（图6的步骤S103)。接着，行驶状态分布计算 单元130(分布数据计算单元130A)根据获取的行驶状态数据(转向角信息），计算分布数据 (转向角预测误差0e)(步骤S104)。 接着，驾驶辅助单元100A(绝对值转化单元130B)将算出的分布数据(转向角预测误差Θ e)绝对值转化(图6的步骤S105)。接着，驾驶辅助单元100A(数据暂时积累单元130C)将绝对 值转化后的分布数据(转向角预测误差9e)积累在数据积累单元13中（图6的步骤S105)。接 着，驾驶辅助单元100A(数据暂时积累单元130C、第1行驶状态分布计算单元130D、第2行驶 状态分布计算单元130E)判定为从开始该驾驶不稳定度判定处理起未经过设定时间（例如， 5秒）（图6的步骤S106"否"）。然后，驾驶辅助单元100A反复步骤S101~S106的流程，对每个 第1周期(例如，50毫秒)计算并积累分布数据(转向角预测误差0e)。 而且，假设在反复上述步骤S101~S106的流程中，执行100次分布数据(转向角预测误 差0e)的计算和积累，并从开始该驾驶不稳定度判定处理起经过了5秒。这样，驾驶辅助单元 100A(数据暂时积累单元130C、第1行驶状态分布计算单元130D、第2行驶状态分布计算单元 130E)判定为从开始该驾驶不稳定度判定处理起经过了设定时间（例如，5秒）（图6的步骤 S106"是"）。接着，驾驶辅助单元100A(第1行驶状态分布计算单元130D)根据数据暂时积累 单元130C积累的绝对值转化后的分布数据(转向角预测误差0e)计算分布数据(转向角预测 误差Θ e)的绝对值的频数分布作为第1行驶状态分布以及第2行驶状态分布（图6的步骤 S107、S108)〇 这里，假设车辆的驾驶状况为通常驾驶状况。这样，根据步骤S103的判定结果，驾驶辅 助单元100A(分布选择单元130G)判定车辆的驾驶状况对应于通常驾驶状况（图6的步骤 3109、5110)。接着，驾驶辅助单元10(^(驾驶不稳定度判定单元140)根据算出的第1行驶状 态分布以及第2行驶状态分布计算绝对熵Hpl、Hp2(图6的步骤S113)。在绝对熵Hpl、Hp2的计 算中，如(式7)、（式8)所示，仅以第1行驶状态分布以及第2行驶状态分布的仓(预测误差分 区bi)的数，进行运算负荷较高的log计算。接着，驾驶辅助单元100A(驾驶不稳定度判定单 元140)通过R 3-转向熵法，计算第1行驶状态分布以及第2行驶状态分布的分布间的不同量 (相对熵RHp)(图6的步骤S114)。 在相对熵RHp的计算中，如(式9)所示，仅以第1行驶状态分布以及第2行驶状态分布的 仓(预测误差分区bi)的数，进行运算负荷较高的log计算。接着，驾驶辅助单元100A(驾驶不 稳定度判定单元140)根据算出的绝对熵Hpl、Hp2,估计驾驶员的驾驶状态(判定驾驶员的驾 驶状态是否处于不稳定状态）（图6的步骤S115)。接着，驾驶辅助单元100A(驾驶不稳定度判 定单元140)根据算出的相对熵RHp，估计驾驶员的驾驶状态(判定驾驶员的驾驶状态是否处 于不稳定状态）（图6的步骤S116)。接着，驾驶辅助单元100A(信息呈示单元150)根据估计的 驾驶状态进行呈示处理(图6的步骤S117)。由此，驾驶辅助单元100A对每个第2周期(例如，5 秒)计算第1行驶状态分布、第2行驶状态分布、绝对熵Hp 1、Hp2、相对熵RHp。 这样，在本实施方式中，驾驶辅助单元100A将分布数据(转向角预测误差0e)的绝对值 分类到被分区为多个的各数据范围（仓(预测误差分区bi))，计算该分布数据(转向角预测 误差9e)的频数分布作为第1行驶状态分布以及第2行驶状态分布。正因如此，在本实施方式 中，算出的第1行驶状态分布以及第2行驶状态分布的仓仅被设定为正值。因此，在本实施方 式中，可以降低第1行驶状态分布以及第2行驶状态分布的仓(预测误差分区bi)的数。由此， 在本实施方式中，可以降低驾驶状态估计装置的运算负荷。正因如此，可以通过智能手机、 廉价的车载控制器等运算能力比较低的设备实现驾驶状态估计装置。而且，在本实施方式 中，通过降低第2行驶状态分布的仓(预测误差分区bi)的数，可以降低分布积累单元130F的 存储容量。 而且，在本实施方式中，驾驶辅助单元100A根据转向角信息，对每个预先确定的第1周 期（例如，50毫秒)获取第1行驶状态分布以及第2行驶状态分布用的分布数据(转向角预测 误差9e)。然后，在本实施方式中，根据获取的分布数据(转向角预测误差0 e)，对长于第1周 期(例如，50毫秒)的每个第2周期(例如，5秒)计算第1行驶状态分布以及第2行驶状态分布。 正因如此，在本实施方式中，可以降低基于第1行驶状态分布以及第2行驶状态分布的计算 (基于64比特实数的运算）、和绝对熵Hpl、Hp2、相对熵RHp的计算（log计算）的运算的执行频 度，即，运算负荷比较高的运算的执行频度。由此，在本实施方式中，可以进一步降低驾驶状 态估计装置的运算负荷。 图15是表示安装了本实施方式的驾驶状态估计装置的车辆的动作的图。在图15中， RHpnew是将分布数据(转向角预测误差0e)的绝对值的频数分布设为第1行驶状态分布等的 情况，即，本实施方式的相对熵。而且，RHpold是将未绝对值转化的分布数据(转向角预测误 差9e)的频数分布设为第1行驶状态分布等的情况(以下，也称为"改良前"）的相对熵。 如图15 (a)所示，本实施方式的相对熵RHpnew从改良前的相对熵RHo 1 d开始延迟5秒后 超过判定阈值。但是，在车辆的驾驶状态的估计中，认为5秒左右的延迟不成问题。而且，如 图15 (b)所示，车辆的行程(tr ip)中，本实施方式的相对熵RHpnew与改良前的相对熵RHo 1 d 基本上重叠，可认为在实用上没有问题。 在本实施方式中，图3的行驶状态数据获取单元110、图6的步骤S101构成行驶状态数据 获取单元。以下同样地，图3的行驶状态分布计算单元130、图5的分布数据计算单元130A、图 6的步骤S104构成分布数据获取单元。而且，图3的行驶状态分布计算单元130、图5的第1行 驶状态分布计算单元130D、第2行驶状态分布计算单元130E、图6的步骤S107、S108构成行驶 状态分布计算单元。进而，图3的驾驶不稳定度判定单元140、图6的步骤S114、S116构成驾驶 状态估计单元。 (本实施方式的效果） 本实施方式具有以下效果。 (1) 驾驶辅助单元100A根据行驶状态数据(转向角信息)获取行驶状态分布(第1行驶状 态分布、第2行驶状态分布)用的分布数据(转向角预测误差0 e)。接着，驾驶辅助单元100A将 获取的分布数据(转向角预测误差9e)绝对值转化。接着，驾驶辅助单元100A将绝对值转化 后的分布数据(转向角预测误差9e)中时间范围不同的分布数据(转向角预测误差0e)的绝 对值分类到被分区为多个的各数据范围即仓(预测误差分区bi)，计算多个该分布数据(转 向角预测误差9e)的频数分布作为行驶状态分布(第1行驶状态分布、第2行驶状态分布）。接 着，驾驶辅助单元100A根据算出的多个行驶状态分布（第1行驶状态分布、第2行驶状态分 布），估计驾驶员的驾驶状态(判定驾驶的不稳定度）。 通过这样的结构，将分布数据(转向角预测误差9e)的绝对值分类到被分区为多个的各 数据范围即仓(5个预测误差分区bi)，计算该分布数据(转向角预测误差0e)的频数分布作 为行驶状态分布（第1行驶状态分布、第2行驶状态分布）。正因如此，算出的行驶状态分布 (第1行驶状态分布、第2行驶状态分布)的仓(预测误差分区bi)仅被设定为正值。因此，可以 降低行驶状态分布(第1行驶状态分布、第2行驶状态分布）的仓的数(预测误差分区bi)。其 结果，可以降低基于行驶状态分布(第1行驶状态分布、第2行驶状态分布）的驾驶状态的估 计的运算负荷。由此，可以降低驾驶状态估计装置的运算负荷。 (2) 驾驶辅助单元100A具有积累绝对值转化后的分布数据(转向角预测误差0e)的数据 暂时积累单元130C。然后，驾驶辅助单元100A在每个预先确定的第1周期(例如，50毫秒)获 取分布数据(转向角预测误差9e)。接着，驾驶辅助单元100A对长于第1周期(例如，50毫秒） 的每个第2周期(例如，5秒），根据数据暂时积累单元130C积累的、第2周期(例如，5秒)量的 绝对值转化后的分布数据(转向角预测误差9e)计算各行驶状态(第1行驶状态分布、第2行 驶状态分布）。 通过这样的结构，对每个预先确定的第1周期(例如，50毫秒)获取分布数据(转向角预 测误差9e)，同时对长于第1周期(例如，50毫秒)的每个第2周期(例如，5秒)计算多个行驶状 态分布(例如，第1行驶状态分布、第2行驶状态分布）。正因如此，可以降低多个行驶状态分 布(第1行驶状态分布、第2行驶状态分布）的计算和驾驶状态的估计等基于分布数据(转向 角预测误差9e)的运算的执行频度。由此，可以降低驾驶状态估计装置的运算负荷。 (3)驾驶辅助单元100A获取假设顺畅地操作了转向轮的情况下的转向角估计值和实际 的转向角之间的差(转向角预测误差9e)，作为分布数据。 通过这样的结构，可以估计与驾驶员的转向操作有关的驾驶状态。 (第2实施方式） 接着，参照【附图说明】本发明的第2实施方式。 而且，对于与上述的第1实施方式相同的结构等使用同一标号。 本实施方式将分布数据(转向角预测误差9e)的绝对值分类到5个分区（预测误差分区 bi)，积累分类后的分布数据(转向角预测误差0e)的绝对值作为每个分区（预测误差分区 bi)的频数这一点与第1实施方式不同。具体地说，图6的步骤S105、S107、以及S108的内容与 第1实施方式不同。 在步骤S105中，驾驶辅助单元100A(数据暂时积累单元130C)将在步骤S104中算出的转 向角预测 误差的绝对值积累在数据暂时积累单元130C中。具体地说，驾驶辅助单元100A (数据暂时积累单元130C)将在步骤S104中算出的转向角预测误差0e的绝对值分类到5个预 测误差分区bi(=bl~b5)。接着，驾驶辅助单元100A(数据暂时积累单元130C)根据分类结 果设定每个分区的标本数Ni ( = Nl，N2，N3，Μ，N5)。 具体地说，驾驶辅助单元100A(数据暂时积累单元130C)在将转向角预测误差0e的绝对 值分类到预测误差分区bl的情况下，对每分区标本数N1加1，以下同样地，在将转向角预测 误差0e的绝对值分类到预测误差分区bj(j是2~5中的其中一个）的情况下，对每分区标本 数N j加1。每分区标本数Ni ( = N1~N5)的初始值设为0。接着，驾驶辅助单元100A (数据暂时 积累单元130C)将每分区标本数Ni ( =N1~N5)积累在数据暂时积累单元130C中。由此，驾驶 辅助单元100A(数据暂时积累单元130C)将在步骤S104中算出的转向角预测误差0 e的绝对 值分类到5个预测误差分区bi(=bl~b5)，并积累分类后的的转向角预测误差0e的绝对值 作为每个预测误差分区bi(=bl~b5)的频数。而且，驾驶辅助单元100A(数据暂时积累单元 130C)在该驾驶不稳定度判定处理的开始时将数据暂时积累单元130C积累的数据全部丢 弃，将数据暂时积累单元130C积累的每分区标本数Ni ( = N1~N5)初始化。 而且，驾驶辅助单元100A(数据暂时积累单元130C)，在步骤S103中判定为处于第1干扰 驾驶状况以及第2干扰驾驶状况的其中一个驾驶状况时，中断在步骤S104中算出的转向角 预测误差的绝对值向数据暂时积累单元130C的积累。即，驾驶辅助单元100A(数据暂时积 累单元130C)中断转向角预测误差0 e的绝对值的分类、和每分区标本数Ni(=Nl~N5)的计 算及积累。由此，驾驶辅助单元100A(数据暂时积累单元130C)仅积累在步骤S103中未判定 处于第1干扰驾驶状况以及第2干扰驾驶状况的期间，即，判定为处于通常驾驶状况的期间 的分布数据(转向角预测误差0e)的绝对值。而且，如果在步骤S103中判定为从第1干扰驾驶 状况以及第2干扰驾驶状况的其中一个驾驶状况变化到了通常驾驶状况时，驾驶辅助单元 100A(数据暂时积累单元130C)再次开始在步骤S104中算出的转向角预测误差0 e的绝对值 向数据暂时积累单元130C的积累。即，驾驶辅助单元100A(数据暂时积累单元130C)再次开 始转向角预测误差的绝对值的分类、和每分区标本数Ni(=Nl~N5)的计算及积累。 在步骤S107中，驾驶辅助单元100A(第1行驶状态分布计算单元130D)根据数据暂时积 累单元130C积累的转向角预测误差0e的绝对值(每分区标本数Ni(=Nl~N5))，计算第1行 驶状态分布。具体地说，驾驶辅助单元100A(第1行驶状态分布计算单元130D)根据数据暂时 积累单元130C积累的每分区标本数Ni(=Nl~N5)，由以下的（式10)求各预测误差分区Μ (=b 1~b5)中包含的转向角预测误差Θ e的绝对值的频数对于全频数的几率pi(=pl~ρ5)。
? ·-(式 1 CO 在(式10)中，piold是该驾驶不稳定度判定处理的上次执行时算出的pi，Kwindow是在 第1行驶状态分布的计算中使用的标本数(转向角预测误差的绝对值的数），Nall是每分 区标本数Ni(=Nl~N5)的合计值。在本实施方式中，（式10)的Kwindow为432000( = 2160秒/ 50毫秒/次）。而且，在步骤S103中判定驾驶状况处于通常驾驶状况时，Nall为100( = 5秒/50 毫秒/次）。而且，在步骤S103中判定驾驶状况为第1干扰驾驶状况以及第2干扰驾驶状况的 其中一个时，Na 11，即，每分区标本数N1~N5的合计值为小于100的数。
在步骤S108中，驾驶辅助单元100A(第2行驶状态分布计算单元130E)根据数据暂时积 累单元130C积累的转向角预测误差0e(每分区标本数Ni(=Nl~N5))，计算第2行驶状态分 布。具体地说，驾驶辅助单元100A(第2行驶状态分布计算单元130E)根据数据暂时积累单元 130C积累的每分区标本数Ni(=Nl~N5)，由以下的（式11)求各预测误差分区bi中包含的转 向角预测误差的绝对值的频数对于全频数的几率qi(=ql~q5)。然后，驾驶辅助单元 100A(第2行驶状态分布计算单元130E)将算出的第2行驶状态分布积累在分布积累单元 130F 中。 * * k (式1 1) 在(式11)中，qiold是该驾驶不稳定度判定处理的前次的执行时算出的qi，Kwindow是 在第2行驶状态分布的计算中使用的标本数(转向角预测误差0e的绝对值的数），Nall是每 分区标本数Ni( = N1~N5)的合计值。在本实施方式中，（式11)的Kwindow为18000( = 90秒/ 50毫秒/次）。而且，在步骤S103中判定为驾驶状况处于通常驾驶状况时，Nall为100(=5秒/ 50毫秒/次）。而且，在步骤S103中判定为驾驶状况为第1干扰驾驶状况以及第2干扰驾驶状 况的其中一个时，Nall，即，每分区标本数N1~N5的合计值为小于100的数。 (本实施方式的效果） 本实施方式得到以下的效果。 (1)驾驶辅助单元100A将分布数据(转向角预测误差0e)分类到5个预测误差分区bi( = bl~b5)，将分类后的分布数据(转向角预测误差0e)作为每个预测误差分区bi(=bl~b5) 的频数积累在数据暂时积累单元130C中。 通过这样的结构，将5个预测误差分区bi(=bl~b5)的每一个的分布数据(转向角预测 误差9e)的频数积累在数据暂时积累单元130C中。正因如此，根据5个预测误差分区bi(=bl ~b5)的每一个的分布数据(转向角预测误差0e)的频数，能够计算各行驶状态分布(第1行 驶状态分布、第2行驶状态分布）。 (第3实施方式） 接着，参照【附图说明】本发明的第3实施方式。 而且，对于与上述第1实施方式相同的结构等使用同一标号。 本实施方式在作为分布数据使用偏航率(yaw rate)这一点与第1实施方式不同。 图16是表示安装了本实施方式的驾驶状态估计装置的车辆的结构的图。 具体地说，如图16所示，车辆具有偏航率传感器11。 偏航率传感器11检测车辆的偏航率。接着，偏航率传感器11将检测到的偏航率输出到 控制器100。 然后，驾驶辅助单元100A取代转向角预测误差0e而使用偏航率传感器11检测到的偏航 率，计算绝对熵Hp 1、Hp2以及相对熵RHp(图6的步骤S105~SI 14)。 (本实施方式的效果） (1)驾驶辅助单元100A获取车辆的偏航率作为分布数据。 通过这样的结构，可以估计与驾驶员的横向方向的驾驶有关的驾驶状态。 (第4实施方式） 接着，参照【附图说明】本发明的第4实施方式。 而且，对于与上述第1实施方式相同的结构等使用同一标号。 本实施方式在使用车辆的车道内横向位置作为分布数据这一点与第1实施方式不同。 图17是表示安装了本实施方式的驾驶状态估计装置的车辆的结构的图。 具体地说，如图17所示，车辆具有前方摄像机12。 前方摄像机12拍摄车辆前方的道路的图像。接着，前方摄像机12将拍摄到的图像输出 到控制器100。 然后，驾驶辅助单元100A取代转向角预测误差0e而由前方摄像机12拍摄到的图像来计 算车辆的车道内是横向位置，使用算出的车道内横向位置，计算绝对熵Hpl、Hp2以及相对熵 RHp〇 (本实施方式的效果） (1)驾驶辅助单元100A获取车辆的车道内横向位置作为行驶状态数据。 通过这样的结构，可以估计与驾驶员的横向方向的驾驶有关的驾驶状态。 (第5实施方式） 接着，参照【附图说明】本发明的第5实施方式。 而且，对与上述第1实施方式相同的结构等使用同一标号。 图18是表示驾驶不稳定度判定处理的流程图。 本实施方式在判定车辆的行驶环境处于预先确定的设定行驶环境时，不使用绝对值转 化后的分布数据，而由未绝对值转化的分布数据计算行驶状态分布(第1行驶状态分布、第2 行驶状态分布)这一点与第1实施方式不同。作为设定行驶环境，例如，有左转弯（curve)和 右转弯的比例处于预先确定的设定范围值外的行驶道路(环形路等）。作为左转弯和右转弯 的比例，例如可以采用，将转向轮比中立位置转向左侧的左方向转向时间、与将转向轮比中 立位置转向右侧的右方向转向时间的比例(左方向转向时间/右方向转向时间）。具体地说， 如图18所示，本实施方式在驾驶不稳定度判定处理的步骤3101、3105、3107、3108的内容、和 步骤S106与步骤S107之间设置了步骤S118这一点与第1实施方式不同。 在步骤S101中，驾驶辅助单元100A(行驶状态数据获取单元110、驾驶状况判定单元 120)获取车辆信息。接着，驾驶辅助单元100A(行驶状态数据获取单元110、驾驶状况判定单 元120)将获取的车辆信息(行驶状态数据(转向角信息））积累在控制器100的存储器中。 在步骤S105中，驾驶辅助单元100A(绝对值转化单元130B)将步骤S104中算出的转向角 预测误差(分布数据)绝对值转化。接着，驾驶辅助单元100A(数据暂时积累单元130C)将 绝对值转化后的分布数据(转向角预测误差0e)、和步骤S104中算出的分布数据，即，未绝对 值转化的分布数据(转向角预测误差9e)积累在数据暂时积累单元130C中。 而且，在本实施方式中，示出了将分布数据(转向角预测误差9e)绝对值转化，并积累绝 对值转化后的分布数据(转向角预测误差9e)和未绝对值转化的分布数据(转向角预测误差 9e)两方的例子，但是也可以采用其他的结构。例如，也可以是在判定为车辆的行驶环境为 预先确定的设定行驶环境的情况下，停止转向角预测误差的绝对值转化，仅将未绝对值 转化的分布数据(转向角预测误差9e)积累在数据暂时积累单元130C中的结构。在该情况 下，在判定为车辆的行驶环境不是预先确定的设定行驶环境的情况下，进行转向角预测误 差0e的绝对值转化，仅将绝对值转化后的分布数据(转向角预测误差0 e)积累在数据暂时积 累单元130C中。 在步骤S118中，驾驶辅助单元100A根据控制器100的存储器积累的行驶状态数据(转向 角信息），判定车辆的行驶环境是否处于设定行驶环境(左转弯和右转弯的比例处于设定范 围值外的行驶道路）。具体地说，驾驶辅助单元100A根据从设定时间To秒(例如，2160秒)前 至当前为止的设定时间To秒内的行驶状态数据(转向角信息），判定左方向转向时间和右方 向转向时间的比例是否在设定范围值外。然后，在判定为左方向转向时间和右方向转向时 间的比例在设定范围值外的情况下，驾驶辅助单元100A判定为左转弯和右转弯的比例在设 定范围值外，并判定为车辆的行驶环境处于设定行驶环境。另一方面，在判定为左方向转向 时间和右方向转向时间的比例在设定范围值内的情况下，驾驶辅助单元100A判定为左转弯 和右转弯的比例在设定范围值内，并判定为车辆的行驶环境不处于设定行驶环境。 图19是表示预测误差分区bi的范围的图。此外，图 20是用于说明第1行驶状态分布以及 第2行驶状态分布的计算方法的图。 在步骤S107中，在步骤S118中判定为行驶环境不处于设定行驶环境时，与第1实施方式 一样，驾驶辅助单元100A(第1行驶状态分布计算单元130D)根据数据暂时积累单元130C积 累的绝对值转化后的转向角预测误差9e，计算分布数据(转向角预测误差0 e)的绝对值的频 数分布作为第1行驶状态分布。另一方面，在步骤S118中判定为行驶环境处于设定行驶环境 时，驾驶辅助单元100A(第1行驶状态分布计算单元130D)根据数据暂时积累单元130C积累 的未绝对值转化的分布数据(转向角预测误差0e)，计算分布数据(转向角预测误差0 e)的频 数分布作为第1行驶状态分布。具体地说，如图19、图20所示，驾驶辅助单元100A(第1行驶状 态分布计算单元130D)将在数据暂时积累单元130C积累的转向角预测误差0 e中的、相当于 从设定时间To秒(例如，2160秒)前至当前的设定时间To秒的转向角预测误差0e分类到分区 为多个的各数据范围（仓）。在本实施方式中，作为仓，采用5个预测误差分区bi'（=bl'， b2'，b3'，b4'，b5'）。 预测误差分区bi'（=bl'~b5'）的范围，根据在转向熵的计算中使用的α值来设定。具 体地说，设预测误差分区bl'不足一 5a，预测误差分区b2'为一 5a以上且不足一 2a，预测误差 分区b3'为一 2a以上且不足2a。而且，设预测误差分区b4'为2a以上且不足5a，预测误差分区 b5'为5a以上。预测误差分区bi'（=bl'~b5'）的范围，在第1行驶状态分布以及第2行驶状 态分布中使用相同的范围。由此，在判定为行驶环境处于设定行驶环境的情况下，与判定为 行驶环境不处于设定行驶环境的情况相比，驾驶辅助单元100A(第1行驶状态分布计算单元 130D)增大第1行驶状态分布、第2行驶状态分布的仓(预测误差分区b i '）的幅度。 接着，驾驶辅助单元100A(第1行驶状态分布计算单元130D)求在各预测误差分区bi' (= bl'~b5'）中包含的转向角预测误差Θθ的频数对于全频数的几率pi( =pl~p5)。由此， 驾驶辅助单元100A(第1行驶状态分布计算单元130D)将分布数据(转向角预测误差0e)分类 到被分区为多个的各数据范围（仓(预测误差分区bi'））来计算该分布数据(转向角预测误 差0e)的频数分布(各预测误差分区bi'的几率pi(=pl~p5))。然后，驾驶辅助单元100A(第 1行驶状态分布计算单元130D)将算出的频数分布设为第1行驶状态分布。 在步骤S108中，在步骤S118中判定为行驶环境未处于设定行驶环境时，与第1实施方式 一样，驾驶辅助单元100A(第2行驶状态分布计算单元130E)根据数据暂时积累单元130C积 累的绝对值转化后的转向角预测误差9e，计算分布数据(转向角预测误差0 e)的绝对值的频 数分布作为第2行驶状态分布。另一方面，在步骤S118中判定为行驶环境处于设定行驶环境 时，驾驶辅助单元100A(第2行驶状态分布计算单元130E)根据数据暂时积累单元130C积累 的未绝对值转化的分布数据(转向角预测误差0e)，计算分布数据(转向角预测误差0 e)的频 数分布作为第2行驶状态分布。 具体地说，驾驶辅助单元100A(第2行驶状态分布计算单元130E)将在数据暂时积累单 元130C积累的转向角预测误差0e中的、从当前至最近的90秒前的转向角预测误差0e分类到 5个预测误差分区bi '（ =bl'~b5 '）。接着，驾驶辅助单元100A(第2行驶状态分布计算单元 130E)求出各预测误差分区bi'（=bl'~b5'）中包含的转向角预测误差0 e的频数对于全频 数的几率qi (= ql~q5)。由此，驾驶辅助单元100A(第2行驶状态分布计算单元130E)将分布 数据(转向角预测误差9e)分类到被分区为多个的各数据范围（仓(预测误差分区bi'））来计 算该分布数据（转向角预测误差9e)的频数分布（各预测误差分区bi'的几率qi(=ql~ q5))。然后，驾驶辅助单元100A(第2行驶状态分布计算单元130E)将算出的频数分布设为第 2行驶状态分布。 在本变形例中，图18的步骤S118构成行驶环境检测单元。 (本实施方式的效果） (1)驾驶辅助单元100A根据行驶状态数据(转向角信息)判定车辆的行驶环境是否为预 先确定的设定行驶环境。接着，在判定车辆的行驶环境是设定行驶环境时，驾驶辅助单元 100A不使用绝对值转化后的分布数据(转向角预测误差0 e)，而由未绝对值转化的分布数据 (转向角预测误差9e)，将时间范围不同的分布数据的频数分布分类到被分区为多个的各数 据范围即仓(5个预测误差分区bi'），计算多个该分布数据(转向角预测误差0e)作为行驶状 态分布(第1行驶状态分布、第2行驶状态分布）。而且，驾驶辅助单元100A增大行驶状态分布 (第1行驶状态分布、第2行驶状态分布)的仓(预测误差分区b i '）的幅度。 通过这样的结构，在车辆的行驶环境为设定行驶环境的情况下，由未绝对值转化的分 布数据(转向角预测误差9e)，计算分布数据(转向角预测误差0e)的频数分布作为行驶状态 分布(第1行驶状态分布、第2行驶状态分布）。正因如此，例如，与由绝对值转化后的分布数 据(转向角预测误差9e)，计算分布数据(转向角预测误差0e)的绝对值的频数分布作为行驶 状态分布(第1行驶状态分布、第2行驶状态分布）的计算方法相比，能够更详细地估计驾驶 员的驾驶状态。 (2)驾驶辅助单元100A根据行驶状态数据(转向角信息），判定在车辆的行驶道路中存 在的左转弯和右转弯的比例是否处于设定范围值外。接着，在判定为车辆的行驶道路中存 在的左转弯和右转弯的比例处于设定范围值外的情况下，驾驶辅助单元100A判定为车辆的 行驶环境为设定行驶环境。 通过这样的结构，例如，在环路等左转弯以及右转弯其中一个较多的行驶道路行驶的 情况下，可以更详细地估计驾驶员的驾驶状态。 以上，本申请要求优先权的日本国专利申请2013 -150725(2013年7月19日申请）的全 部内容通过参照成为本公开的一部分。 这里，参照有限数量的实施方式进行了说明，但是权利范围不受它们限定，基于上述公 开的各实施方式的改变对于本领域的技术人员来说是不言而喻的。 标号说明 110行驶状态数据获取单元(行驶状态数据获取单元） 130行驶状态分布计算单元(分布数据获取单元、行驶状态分布计算单元、数据暂时积 累单元、分布计算执行单元） 130A分布数据计算单元(分布数据获取单元） 130C数据暂时积累单元(数据暂时积累单元） 130D第1行驶状态分布计算单元(行驶状态分布计算单元，分布计算执行单元） 130E第2行驶状态分布计算单元(行驶状态分布计算单元，分布计算执行单元） 步骤S107、S108(行驶状态分布计算单元，分布计算执行单元） 140驾驶不稳定度判定单元(驾驶状态估计单元） 步骤S101 (行驶状态数据获取单元） 步骤S104 (分布数据获取单元） 步骤S105(数据暂时积累单元） 步骤S114，S116(驾驶状态估计单元） 步骤S118(行驶环境检测单元）
【主权项】
1. 一种驾驶状态估计装置，其特征在于，包括： 行驶状态数据获取单元，获取包含驾驶员能够操作的驾驶操作单元的操作状态以及车 辆状态的至少一方； 分布数据获取单元，根据所述行驶状态数据获取单元获取的行驶状态数据，获取行驶 状态分布用的分布数据； 绝对值转化单元，将所述分布数据获取单元获取的分布数据进行绝对值转化； 行驶状态分布计算单元，根据所述绝对值转化单元绝对值转化后的分布数据，将时间 范围不同的分布数据的绝对值分类到被分区为多个的各数据范围即仓，计算多个该分布数 据的频数分布作为行驶状态分布；以及 驾驶状态估计单元，根据所述行驶状态分布计算单元算出的多个行驶状态分布估计所 述驾驶员的驾驶状态。2. 如权利要求1所述的驾驶状态估计装置，其特征在于，还包括： 数据暂时积累单元，积累所述绝对值转化单元绝对值转化后的分布数据， 所述分布数据获取单元，对预先确定的每个第1周期获取分布数据， 所述行驶状态分布计算单元对长于所述第1周期的每个第2周期，根据所述数据暂时积 累单元积累的、相当所述第2周期的绝对值转化后的分布数据计算各行驶状态。3. 如权利要求1或2所述的驾驶状态估计装置，其特征在于，还包括： 行驶环境判定单元，根据所述行驶状态数据获取单元获取的行驶状态数据，判定车辆 的行驶环境是否为预先确定的设定行驶环境， 在所述行驶环境判定单元判定为所述车辆的行驶环境是所述设定行驶环境时，所述行 驶状态分布计算单元不使用所述绝对值转化单元绝对值转化后的分布数据，而从所述分布 数据获取单元获取的分布数据，将时间范围不同的分布数据的频数分布分类到被分区为多 个的各数据范围即仓，计算多个该分布数据作为行驶状态分布，并且增大行驶状态分布的 仓的幅度。4. 如权利要求3所述的驾驶状态估计装置，其特征在于，还包括： 所述行驶环境判定单元根据所述行驶状态数据获取单元获取的行驶状态数据，判定所 述车辆的行驶道路中存在的左转弯和右转弯的比例是否处于设定范围值外，在判定为所述 车辆的行驶道路中存在的左转弯和右转弯的比例处于设定范围值外的情况下，判定为所述 车辆的行驶环境是所述设定行驶环境。5. 如权利要求1至4的任意一项所述的驾驶状态估计装置，其特征在于， 所述分布数据获取单元获取假设顺畅地操作了转向轮的情况下的转向角估计值与实 际的转向角之间的差作为分布数据。6. 如权利要求1至4的任意一项所述的驾驶状态估计装置，其特征在于， 所述分布数据获取单元获取车辆的偏航率作为分布数据。7. 如权利要求1至4的任意一项所述的驾驶状态估计装置，其特征在于， 所述分布数据获取单元获取车辆的车道内横向位置作为分布数据。
【专利摘要】驾驶辅助单元根据行驶状态数据(转向角信息)获取行驶状态分布(第1行驶状态分布、第2行驶状态分布)用的分布数据(转向角预测误差(θe))。接着，驾驶辅助单元将获取的分布数据(转向角预测误差(θe))进行绝对值转化。接着，驾驶辅助单元将在绝对值转化后的分布数据(转向角预测误差(θe))中时间范围不同的分布数据(转向角预测误差(θe))的绝对值分类到被分区为多个的各数据范围即仓(预测误差分区(bi))，计算多个该分布数据(转向角预测误差(θe))的频数分布作为行驶状态分布(第1行驶状态分布、第2行驶状态分布)。接着，驾驶辅助单元根据算出的多个行驶状态分布(第1行驶状态分布、第2行驶状态分布)估计驾驶员的驾驶状态(判定驾驶的不稳定度)。
【IPC分类】B60W40/08
【公开号】CN105555630
【申请号】CN201480051535
【发明人】近藤崇之
【申请人】日产自动车株式会社
【公开日】2016年5月4日
【申请日】2014年6月5日
【公告号】EP3023964A1, EP3023964A4, US20160152239, WO2015008419A1
【专利说明】驾驶状态估计装置 技术领域 本发明涉及驾驶状态估计装置。 【背景技术】 以往，作为驾驶状态估计装置，例如有专利文献1中记载的技术。 在专利文献1中记载的技术中，根据转向轮的转向角，计算在假设顺畅地进行了转向操 作的情况下转向角估计值和实际的转向角的差（以下，称为"分布数据"）。接着，根据算出的 分布数据，计算与平常的转向特性对应的时间范围相对长的分布数据的频数分布（以下，称 为"行驶状态分布"）、与当前的转向特性对应的时间范围相对短的分布数据的频数分布(行 驶状态分布）。然后，根据算出的两个行驶状态分布的分布间的不同量，估计驾驶员的驾驶 状态。由此，在专利文献1中记载的技术中，不依赖于交通环境的不同，能够高精度地检测驾 驶的不稳定状态。这里，在专利文献1中记载的技术中，为了将频数分布(行驶状态分布）的 仓(bin)、即分布数据分类，将被分区的各数据范围设定为正值以及负值两方。 现有技术文献 专利文献 专利文献1:特开2009 - 9495号公报
【发明内容】
发明要解决的课题 但是，在上述专利文献1中记载的技术中，将行驶状态分布的仓设定为正值以及负值两 方。正因如此，有可能增大行驶状态分布的仓的数。因此，有可能增大驾驶状态估计装置的 运算负荷。其结果，难以通过智能手机、廉价的车载控制器等运算能力比较低的设备实现驾 驶状态估计装置。 着眼于上述方面，本发明的目的在于，能够降低驾驶状态估计装置的运算负荷。 用于解决课题的手段 为了解决上述课题，在本发明的一个方式中，根据行驶状态数据获取行驶状态分布用 的分布数据。接着，将获取的分布数据进行绝对值转化。接着，根据绝对值转化的分布数据， 将时间范围不同的分布数据的绝对值分类到被分区为多个的各数据范围即仓，从而计算多 个该分布数据的频数分布作为行驶状态分布。接着，根据算出的多个行驶状态分布，估计驾 驶员的驾驶状态。 发明效果 按照本发明的一个方式，将分布数据的绝对值分类到被分区为多个的各数据范围即仓 来计算该分布数据的频数分布作为行驶状态分布。正因如此，算出的行驶状态分布的仓仅 被设定为正值。因此，可以降低行驶状态分布的仓的数。其结果，可以降低估计基于行驶状 态分布的驾驶状态的运算负荷。由此，可以降低驾驶状态估计装置的运算负荷。 【附图说明】 图1是表示安装了驾驶状态估计装置的车辆的结构的图。 图2是表示驾驶状态估计装置的系统结构例子的框图。 图3是表示驾驶辅助单元100A的结构的框图。 图4是用于说明车辆的驾驶状况的图。 图5是表示行驶状态分布计算单元130的结构的框图。 图6是表示驾驶不稳定度判定处理的流程图。 图7是用于说明绝对熵Hp 1、Hp2，相对熵RHp计算中使用的记号的图。 图8是用于说明转向角预测误差0e的图。 图9是用于说明第1行驶状态分布以及第2行驶状态分布的计算方法的图。 图10是用于说明第1行驶状态分布以及第2行驶状态分布的计算方法的图。 图11是表示预测误差分区bi的范围的图。 图12是用于说明相对熵RHp的图。 图13是用于说明信息呈示开启例子的图。 图14是用于说明信息呈示开启例子的图。 图15是表示安装了驾驶状态估计装置的车辆的动作的图。 图16是表示安装了驾驶状态估计装置的车辆的结构的图。 图17是表示安装了驾驶状态估计装置的车辆的结构的图。 图18是表示驾驶不稳定度判定处理的流程图。 图19是表示预测误差分区bi的范围的图。 图20是用于说明第1行驶状态分布以及第2行驶状态分布的计算方法的图。 【具体实施方式】 参照【附图说明】本发明的实施方式。 (第1实施方式） (结构） 图1是表示安装了本实施方式的驾驶状态估计装置的车辆的结构的图。 如图1所示，车辆具有油门踏板开度量传感器1、刹车踏板操作量传感器2、转向角传感 器3、车轮速度传感器4、方向指示灯检测传感器5、以及导航装置6。此外，车辆具有G传感器 7、换挡(shift)传感器8、前方车辆检测装置9、以及控制器100。 油门踏板开度量传感器1检测油门踏板的开度量。然后，油门踏板开度量传感器1将检 测到的开度量输出到控制器100。 刹车踏板操作量传感器2检测刹车踏板的操作量。然后，刹车踏板操作量传感器2将检 测到的操作量输出到控制器100。 转向角传感器3检测转向轮(未图示）的转向角。然后，转向角传感器3将检测到的转向 角输出到控制器100。作为转向角传感器3，例如可以采用检测转向柱的旋转角的角度传感 器。 车轮速度传感器4检测车轮的旋转数（以下，也称为"车轮速度"）。接着，车轮速度传感 器4根据检测到的车轮速度计算车速。然后，车轮速度传感器4将检测到的车轮速度以及算 出的车速分别输出到控制器1 〇〇。 方向指示灯检测传感器5检测方向指示灯手柄(未图示）的操作状态（以下，也称为"方 向指示灯操作"）。作为方向指示灯操作，例如，有有无操作。然后，方向指示灯检测传感器5 将检测到的方向指示灯操作输出到控制器100。 换挡传感器8检测换挡杆(未图示)的操作状态（以下，也称为"换挡操作"）。作为换挡操 作，例如有P、D、R等的换挡杆的位置。然后，换挡传感器8将检测到的换挡操作输出到控制器 100〇 信息呈示装置按照控制器100输出的控制信号（后述），将警报及其它的信息呈示给驾 驶员。作为呈示方法，有声音和图像。作为信息呈示装置，例如，可以采用通过蜂鸣器音和声 音向驾驶员提供信息的扬声器10、以及通过图像或文本的显示向驾驶员提供信息的显示单 元。作为显示单元，例如也可以沿用导航装置6的显示监视器。 导航装置6具有:GPS(Global Positioning System，全球定位系统)接收机、地图数据 库、以及显示监视器。然后，导航装置6从GPS接收机以及地图数据库获取车辆的当前位置以 及道路信息。接着，导航装置6根据获取的车辆的当前位置以及道路信息，获取车辆行驶的 道路的种类和道路宽度等各种信息。接着，导航装置6根据获取的信息，在显示监视器上显 示路径搜索的结果以及路径引导的结果等。 G传感器7检测车辆中发生的前后加速度以及横加速度。然后，G传感器7将检测到的前 后加速度以及横加速度输出到控制器100。 前方车辆检测装置9检测在车辆的进行方向前方存在的其它车辆及其它的障碍物的信 息（例如，至障碍物的距离）。然后，前方车辆检测装置9将检测到的信息输出到控制器100。 作为前方车辆检测装置9,例如采用向车辆的进行方向前方射出激光，检测反射光的激光距 离计。 控制器 100具有：CPU(Central Processing Unit，中央处理器），以及R0M(Read Only Memory，只读存储器），RAM(Random Access Memory，随机存储器）以及 A/D(Analog to Digital，模/数)变换电路等CPU周边部件。然后，控制器100(CPU，CPU周边部件)具有进行驾 驶不稳定度判定处理的驾驶辅助单元100A。在驾驶不稳定度判定处理中，驾驶辅助单元 100A根据油门踏板开度量传感器1以及刹车踏板操作量传感器2等输出的检测结果，获取包 含驾驶员可能操作的驾驶操作单元的操作状态、以及车辆状态的至少一方的行驶状态数 据。作为驾驶操作单元，例如有转向轮、油门踏板、以及刹车踏板。作为车辆状态，有相对前 方车辆的车辆间信息。在本实施方式中，作为行驶状态数据，采用转向角传感器3输出的转 向角的信息（以下，也称为"转向角信息"）。 接着，驾驶辅助单元100A根据获取的行驶状态数据(转向角信息)获取多个行驶状态分 布（第1行驶状态分布、第2行驶状态分布（后述））用的分布数据（转向角预测误差0e (后 述））。分布数据(转向角预测误差9e)的获取周期为预先确定的第1周期(例如，50毫秒）。接 着，驾驶辅助单元100A根据获取的分布数据(转向角预测误差0e)计算多个时间范围不同的 分布数据(转向角预测误差9e)的绝对值的频数分布作为行驶状态分布(第1行驶状态分布、 第2行驶状态分布）。行驶状态分布(第1行驶状态分布、第2行驶状态分布）的计算周期设为 比第1周期(例如，50毫秒)长的第2周期(例如，5秒）。接着，驾驶辅助单元100A根据算出的多 个行驶状态分布(第1行驶状态分布、第2行驶状态分布），计算绝对熵Hp 1、Hp2 (后述）。 接着，驾驶辅助单元100A根据算出的绝对熵Hpl、Hp2,判定驾驶员的驾驶状态（驾驶的 不稳定度(后述））。接着，驾驶辅助单元100A根据算出的多个行驶状态分布(第1行驶状态分 布、第2行驶状态分布）的分布间的不同量(相对熵RHp (后述）），判定驾驶员的驾驶状态（驾 驶的不稳定度）。然后，驾驶辅助单元100A根据判定出的驾驶状态（驾驶的不稳定度），将向 驾驶员呈示警报及其它的信息（以下，也称为"呈示信息"）的控制信号输出到信息呈示装 置。由此，驾驶辅助单元100A向驾驶员呈示呈示信息，对于驾驶的不稳定度（驾驶的不稳定 状态），唤起驾驶员的注意。 而且，作为行驶状态数据，也可以采用相对前方车辆的车辆间信息(车辆间距离、车辆 间时间）、或者基于油门踏板和刹车踏板的操作的加减速信息等。在采用车辆间信息（车辆 间距离、车辆间时间）或者加减速信息等的情况下，行驶状态分布(第1行驶状态分布、第2行 驶状态分布）以及分布间的不同量（相对熵RHp)的计算，例如通过国际公开号W02009/ 013815(特愿2009 - 524342号）的公报等中记载的公知的方法来计算即可。 作为控制器100,例如也可以采用智能手机、车载控制器，云服务器。在采用云服务器的 情况下，车辆将油门踏板开度量传感器1以及刹车踏板操作量传感器2等输出的检测结果发 送到云服务器。由此，云服务器根据车辆发送的检测结果执行驾驶不稳定度判定处理，根据 驾驶不稳定度判定处理的结果，将向驾驶员呈示呈示信息的控制信号发送到信息呈示装 置。然后，车辆根据云服务器发送的控制信号，通过信息呈示装置向驾驶员呈示呈示信息。 图2是表示本实施方式的驾驶状态估计装置的系统结构例的框图。 如图2所示，在本实施方式中，作为信息呈示装置，例示了视觉信息呈示装置以及听觉 信息呈示装置。而且，作为视觉信息呈示装置，例示了导航装置6的显示监视器，作为听觉信 息呈示装置，例示了扬声器10。 图3是表示本实施方式的驾驶辅助单元100A的结构的框图。 如图3所示，驾驶辅助单元100A具有:行驶状态数据获取单元110、驾驶状况判定单元 120、行驶状态分布计算单元130、驾驶不稳定度判定单元140、以及信息呈示单元150。 行驶状态数据获取单元110获取转向角传感器3输出的检测结果。然后，行驶状态数据 获取单元110将获取的检测结果作为行驶状态数据。 图4是用于说明车辆的驾驶状况的图。 驾驶状况判定单元120根据油门踏板开度量传感器1以及刹车踏板操作量传感器2等输 出的检测结果，判定车辆的驾驶状况(第1干扰驾驶状况(后述）、第2干扰驾驶状况(后述）、 通常驾驶状况(后述））。具体地说，驾驶状况判定单元120根据油门踏板开度量传感器1以及 刹车踏板操作量传感器2等输出的检测结果，检测驾驶员可能操作的驾驶操作单元的操作 状态、行驶环境、以及车辆状态。接着，驾驶状况判定单元120根据检测到的驾驶操作单 元的 操作状态、行驶环境、以及车辆状态，判定车辆的驾驶状况是否处于第1干扰驾驶状况(对于 驾驶状态的估计，成为干扰的驾驶状况）。作为第1干扰驾驶状况，例如有打滑、VDC(Vehicle Dynamics Control，车辆动力学控制）动作、LDP(Lane Departure Preservation，车道偏离 保护)动作、以及各种事项(车道变更、车辆的右左转弯、车辆的加减速、刹车踏板(未图示） 的操作、变速操作、开关/手柄操作、隧道出入口，起伏，路面的接缝)在设定时间连续等的事 件下发生的驾驶状况。例如VDC动作基于表示VDC的动作的VDC动作标记来检测。LDP动作例 如基于表示LDP的动作的LDP动作标记来检测。 而且，驾驶状况判定单元120根据检测到的驾驶操作单元的操作状态、行驶环境、以及 车辆状态，判定车辆的驾驶状况是否处于第2干扰驾驶状况(对于驾驶状态的估计，成为干 扰的驾驶状况）。作为第2干扰驾驶状况，例如有，车道变更、车辆的右左转弯、变速操作、隧 道出入口、以及起伏等的事件下发生的驾驶状况。车道变更、车辆的右左转弯例如基于方向 指示灯检测传感器5来检测。变速操作例如基于检测离合器的操作状态的离合器传感器(未 图示）、换挡传感器8来检测。隧道出入口例如基于检测前照灯(未图示）的动作状态的灯传 感器(未图示)来检测。起伏例如通过G传感器7(横G)来检测。另一方面，驾驶状况判定单元 120判定为不是第1干扰驾驶状况以及第2干扰驾驶状况的任意一个的情况下，判定为没有 对于驾驶的不稳定度的判定成为干扰的驾驶状况(以下，也称为"通常驾驶状况"）。 行驶状态分布计算单元130根据行驶状态数据获取单元110获取的行驶状态数据(转向 角信息），获取行驶状态分布(第1行驶状态分布、第2行驶状态分布）用的分布数据(转向角 预测误差9e)。转向角预测误差0 e的获取周期设为第1周期(例如，50毫秒）。接着，行驶状态 分布计算单元130根据获取的分布数据(转向角预测误差0e)，计算多个时间范围不同的分 布数据(转向角预测误差9e)的绝对值的频数分布作为行驶状态分布(第1行驶状态分布、第 2行驶状态分布）。行驶状态分布(第1行驶状态分布、第2行驶状态分布）的计算周期设为比 第1周期(例如，50毫秒)长的第2周期(例如，5秒）。 具体地说，行驶状态分布计算单元130根据获取的分布数据(转向角预测误差0e)，计算 在预先确定的相对长的时间的范围（例如，2160秒）中获取的分布数据(转向角预测误差0e) 的绝对值的频数分布作为第1行驶状态分布。而且，行驶状态分布计算单元130根据获取的 分布数据(转向角预测误差9e )，计算在比第1行驶状态分布(例如，2160秒)短的时间的范围 (例如，90秒）中获取的分布数据(转向角预测误差0e)的绝对值的频数分布作为第2行驶状 态分布。后面叙述有关第1行驶状态分布以及第2行驶状态分布的计算例子。 图5是表示本实施方式的行驶状态分布计算单元130的结构的框图。 如图5所示，行驶状态分布计算单元130具有分布数据计算单元130A、绝对值转化单元 130B、数据暂时积累单元130C、第1行驶状态分布计算单元130D、第2行驶状态分布计算单元 130E、分布积累单元130F、以及分布选择单元130G。 分布数据计算单元130A根据行驶状态数据获取单元110获取的行驶状态数据(转向角 信息(转向角Θ))，计算分布数据(转向角预测误差0e)。对每个预先确定的第1周期(例如，50 毫秒)计算转向角预测误差9e。 绝对值转化单元130B获取分布数据计算单元130A算出的分布数据(转向角预测误差Θ e)。然后，绝对值转化单元130B将获取的分布数据(转向角预测误差0e)进行绝对值转化。 数据暂时积累单元130C积累绝对值转化单元130B绝对值转化后的分布数据(转向角预 测误差9e)。对每个第1周期(例如，50毫秒)在数据暂时积累单元130C中积累绝对值转化后 的分布数据(转向角预测误差9e)。 第1行驶状态分布计算单元130D根据数据暂时积累单元130C积累的绝对值转化后的分 布数据(转向角预测误差9e)，计算分布数据(转向角预测误差0e)的绝对值的频数分布作为 第1行驶状态分布。对每个第2周期（> 第1周期(50毫秒）。例如，5秒)计算第1行驶状态分布。 第2行驶状态分布计算单元130E根据数据暂时积累单元130C积累的绝对值转化后的分 布数据(转向角预测误差9e)，计算分布数据(转向角预测误差0e)的绝对值的频数分布作为 第2行驶状态分布。对每个第2周期（> 第1周期(50毫秒）。例如，5秒)计算第2行驶状态分布。 分布积累单元130F获取第2行驶状态分布计算单元130E算出的第2行驶状态分布。然 后，分布积累单元130F积累获取的第2行驶状态分布。 在驾驶状况判定单元120判定为处于对驾驶状态的估计(驾驶的不稳定度的判定)成为 干扰的驾驶状况(第1干扰驾驶状况，第2干扰驾驶状况)时，分布选择单元130G变更第1行驶 状态分布计算单元130D以及第2行驶状态分布计算单元130E计算的行驶状态分布(第1行驶 状态分布、第2行驶状态分布）。具体地说，分布选择单元130G根据驾驶状况判定单元120的 判定结果，判定车辆的驾驶状况对应于第1干扰驾驶状况以及第2干扰驾驶状况哪一个。然 后，在判定为对应于第1干扰驾驶状况的情况下，分布选择单元130G将第2行驶状态分布计 算单元130E算出的第2行驶状态分布替换为第1行驶状态分布计算单元130D算出的第1行驶 状态分布（以下，也称为"重新设定处理"）。 另一方面，在判定为对应于第2干扰驾驶状况的情况下，分布选择单元130G将第2行驶 状态分布计算单元130E算出的第2行驶状态分布替换为不包含判定为处于第1干扰驾驶状 况以及第2干扰驾驶状况的其中一个时的分布数据(转向角预测误差0e)的绝对值的第2行 驶状态分布（以下，也称为"恢复处理"）。 驾驶不稳定度判定单元140根据行驶状态分布计算单元130算出的第1行驶状态分布以 及第2行驶状态分布(进行了替换的情况下，替换后的第2行驶状态分布)估计驾驶员的驾驶 状态(驾驶的不稳定度）。 信息呈示单元150根据驾驶不稳定度判定单元140估计的驾驶员的驾驶状态(驾驶的不 稳定度），进行将呈示信息向驾驶员呈示的处理（以下，也称为"信息呈示处理"）。在信息呈 示处理中，信息呈示单元150将呈示信息，即、使向驾驶员呈示对驾驶员呈示的警报及其它 的信息的控制信号输出到信息呈示装置。 (驾驶不稳定度判定处理） 接着，说明驾驶辅助单元100A执行的驾驶不稳定度判定处理。对每个预先确定的控制 周期实施驾驶不稳定度判定处理。 图6是表示驾驶不稳定度判定处理的流程图。 如图6所示，首先，在步骤S101中，驾驶辅助单元100A(行驶状态数据获取单元110、驾驶 状况判定单元120)获取车辆信息。作为车辆信息，例如有，行驶状态数据(转向角信息）、以 及驾驶操作单元的操作状态的信息。 接着转移到步骤S102,驾驶辅助单元100A(驾驶状况判定单元120)获取交通环境信息。 作为交通环境信息，例如有行驶环境的信息。 接着转移到步骤S103,驾驶辅助单元100A(驾驶状况判定单元120)根据在步骤S101中 获取的车辆信息、以及在步骤S102中获取的交通环境信息，判定车辆的驾驶状况(第1干扰 驾驶状况、第2干扰驾驶状况、通常驾驶状况）。具体地说，驾驶辅助单元100A(驾驶状况判定 单元120)根据在步骤S101中获取的车辆信息、以及在步骤S102中获取的交通环境信息，检 测驾驶操作单元的操作状态、行驶环境、或者车辆状态。接着，驾驶辅助单元100A(驾驶状况 判定单元120)根据检测到的驾驶操作单元的操作状态、行驶环境、或者车辆状态，判定车辆 的驾驶状况是否处于第1干扰驾驶状况、第2干扰驾驶状况、以及通常驾驶状况的任意一个 状况。 接着转移到步骤S104,行驶状态分布计算单元130(分布数据计算单元130A)根据在步 骤S101中获取的行驶状态数据(转向角信息），计算转向角预测误差0e。这里，在图7中示出 为了计算绝对熵Hpl、Hp2，相对熵RHp而使用的特殊记号以及该特殊记号的名称。转向角平 滑值θη-tilde是降低了量化噪声的影响的转向角Θ。而且，转向角的估计值θη-hat是假设顺 畅地操作了转向轮而估计了采样时刻的转向角Θ的值。如以下的（式1)所示，对于转向角平 滑值θη-tilde实施二次的泰勒展开而得到转向角估计值θη-hat。
…*《式1) 在(式1)中，tn为转向角θη的采样时刻。 为了降低量化噪声的影响，由以下的(式2)计算转向角平滑值θη-tilde作为3个相邻的 转向角θη的平均值。
[0033]
* …（式 2) 在(式2)中，1表示将转向角平滑值θη-tilde的计算时间间隔设为150毫秒，即，手动操 作中人能够断续地操作的最小时间间隔的情况下，在150毫秒内包含的转向角θη的样本数。 在将转向角θη的采样间隔设为Ts时，样本数1用以下的(式3)表示。 l=round(0.15/Ts) · · ·(式3) 在(式3)中，取k=l，2,3的值，根据通过(k*l)在150毫秒间隔的转向角和与其相邻的 合计3个转向角θη，可以求出平滑值θη-tilde。因此，根据这样的平滑值θη-tilde计算的估 计值θη-hat，实际上通过以150毫秒间隔获得的转向角Θ算出。 图8是用于说明转向角预测误差0e的图。 如图8所示，可以由以下的（式4)算出采样时刻中的转向角预测误差0e，作为在假设顺 畅地操作了转向轮的情况下的采样时刻的转向角估计值θη-hat和实际的转向角θη的差。 A 0? = θη - · . * (式.4) 其中，转向角预测误差是仅对于每个手动操作中人能够断续地操作的最小时间间 隔，g卩，每150毫秒的转向角θη计算的误差。 以下，说明转向角预测误差的具体的计算方法。而且，转向角Θ的采样间隔Ts，例如设 为50毫秒。首先，使用150毫秒间隔的相邻的3个转向角θη，由上述(式2)计算3个转向角平滑 值θη-t i lde。3个转向角平滑值θη-t i lde用以下的(式5)表示。
* ? (式 5) 接着，使用算出的3个转向角平滑值θη-ti 1 de，由上述(式1)计算转向角的估计值θη- hat。估计值θη-hat用以下的(式6)表示。
* * * (式 然后，使用算出的转向角估计值θη-hat和实际的转向角θη，由上述(式4)计算转向角预 测误差Θθ。 接着转移到步骤S105,驾驶辅助单元100Α(绝对值转化单元130Β)将在步骤S104中算出 的转向角预测误差(分布数据)进行绝对值转化。接着，驾驶辅助单元100Α(数据暂时积累 单元130C)将绝对值转化后的分布数据(转向角预测误差0 e)积累在数据暂时积累单元130C 中。 接着转移到步骤S106,驾驶辅助单元100A(数据暂时积累单元130C、第1行驶状态分布 计算单元130D、第2行驶状态分布计算单元130E)判定从开始该驾驶不稳定度判定处理起是 否经过了预先确定的设定时间（例如，5秒）。具体地说，驾驶辅助单元1 00A(数据暂时积累单 元130C、第1行驶状态分布计算单元130D、第2行驶状态分布计算单元130E)判定对从开始该 驾驶不稳定度判定处理起的经过时间进行计数的定时器(未图示)的定时器值T是否为设定 时间（例如，5秒）以上。然后，驾驶辅助单元100A (数据暂时积累单元130C、第1行驶状态分布 计算单元130D、第2行驶状态分布计算单元130E)在判定为定时器值T为设定时间（例如，5 秒）以上的情况下(是），转移到步骤S107。 另一方面，驾驶辅助单元100A(数据暂时积累单元130C、第1行驶状态分布计算单元 130D、第2行驶状态分布计算单元130E)在判定为定时器值T不足设定时间（例如，5秒）的情 况下（"否"），转移到步骤S101。由此，驾驶辅助单元100A从开始该驾驶不稳定度判定处理起 至经过设定时间（例如，5秒)为止，反复执行步骤S101~S106的流程。即，驾驶辅助单元100A 在经过设定时间（例如，5秒)之前不执行步骤S107以后的流程。因此，驾驶辅助单元100A对 每个第2周期(例如，5秒)执行后述的步骤S107~S117，即，第1行驶状态分布、第2行驶状态 分布的计算等。 这里，在本实施方式中，驾驶辅助单元100A在预先确定的第1周期(例如，每50毫秒)执 行步骤S101~S106的流程。 图9、图10是用于说明第1行驶状态分布以及第2行驶状态分布的计算方法的图。图11是 表示预测误差分区bi的范围的图。 在步骤S107中，驾驶辅助单元100A(第1行驶状态分布计算单元130D)根据数据暂时积 累单元130C积累的绝对值转化后的分布数据(转向角预测误差0e)计算分布数据(转向角预 测误差9e)的绝对值的频数分布作为第1行驶状态分布。具体地说，如图9、图10、图11所示， 驾驶辅助单元100A (第1行驶状态分布计算单元130D)在数据暂时积累单元130C积累的转向 角预测误差的绝对值中，将从设定时间To秒(例如，2160秒)前至当前为止的相当于设定 时间To秒的转向角预测误差0e的绝对值，分类到被分区为多个的各个数据范围中（以下，也 称为"仓"）。在本实施方式中，作为仓，采用5个预测误差分区bi( =bl，b2，b3，b4，b5)。 预测误差分区bi(=bl~b5)的范围根据在转向熵的计算中使用的α值来设定。作为α 值，例如是，根据转向角Θ时间序列数据，求出一定时间内的转向角预测误差0e，g卩，假设顺 畅地操作了转向轮的情况下的转向角估计值θη-hat与实际的转向角θη的差，测量转向角预 测误差的分布(偏差），算出为90百分位数值(包含转向角预测误差0e的90%的分布的范 围）的值。即，设定α值，使得转向角预测误差0e的90%被包含在区间[-α，α]中。 具体地说，预测误差分区bl设为0以上并且不足0.5α，预测误差分区b6设为0.5α以上并 且不足α，预测误差分区b7设为α以上并且不足2.5α，预测误差分区b8设为2.5α以上并且不 足5α，预测误差分区b9设为5α以上。在第1行驶状态分布以及第2行驶状态分布中预测误差 分区bi(=bl~b5)的范围使用相同的范围。接着，驾驶辅助单元100Α (第1行驶状态分布计 算单元130D)求出各预测误差分区bi(=bl~b5)中包含的转向角预测误差0e的绝对值的频 数对于全频数的几率p K=pl，p2，p3，p4，p5)。 由此，驾驶辅助单元100A(第1行驶状态分布计算单元130D)将分布数据(转向角预测误 差0e)的绝对值分类到被分区为多个的各数据范围（仓(预测误差分区bi))而计算该分布数 据(转向角预测误差9e)的频数分布(各预测误差分区Μ的几率pi(=pl~p5))。然后，驾驶 辅助单元100A(第1行驶状态分布计算单元130D)将算出的频数分布设为第1行驶状态分布。 接着，转移到步骤S108,驾驶辅助单元100A(第2行驶状态分布计算单元130E)根据数据 暂时积累单元130C积累的绝对值转化后的转向角预测误差0e计算分布数据(转向角预测误 差Θθ)的绝对值的频数分布作为第2行驶状态分布。具体地说，驾驶辅助单元100A(第2行驶 状态分布计算单元130Ε)从数据暂时积累单元130C积累的转向角预测误差0 e的绝对值中， 将从当前至最近的90秒前为止的转向角预测误差0e的绝对值分类到5个预测误差分区Μ (=bl~b5)。接着，驾驶辅助单元100Α(第2行驶状态分布计算单元130Ε)求出各预测误差分 区bi( = bl~b5)中包含的转向角预测误差0e的绝对值的频数相对于全频数的几率qi(= ql，q2，q3，q4，q5)〇 由此，驾驶辅助单元100A(第2行驶状态分布计算单元130E)将分布数据(转向角预测误 差0e)的绝对值分类到被分区为多个的各数据范围（仓(预测误差分区bi))而计算该分布数 据(转向角预测误差9e)的频数分布(各预测误差分区Μ的几率qi( = ql~q5))。然后，驾驶 辅助单元100A(第2行驶状态分布计算单元130E)将算出的频数分布设为第2行驶状态分布。 接着，转移到步骤S109,驾驶辅助单元100A(分布选择单元130G)根据步骤S103的判定 结果，判定车辆的驾驶状况对应于第1干扰驾驶状况、第2干扰驾驶状况、以及通常驾驶状况 的哪一个。然后，在判定为对应于第1干扰驾驶状况的情况下，驾驶辅助单元100A(分布选择 单元130G)转移到步骤S111。另一方面，在判定为对应于第2干扰驾驶状况的情况下，驾驶辅 助单元100A(分布选择单元130G)转移到步骤S112。另一方面，在判定为对应于通常驾驶状 况的情况下，驾驶辅助单元1〇〇Α(分布选择单元130G)转移到步骤S110。 在步骤S110中，驾驶辅助单元100A(分布选择单元130G)不进行重新设定处理、恢复处 理，不进行在步骤S107、S108中算出的第1行驶状态分布以及第2行驶状态分布的替换，而转 移到步骤S113。 另一方面，在步骤S111中，驾驶辅助单元100A(分布选择单元130G)在进行了重新设定 处理之后，转移到步骤S113。在重新设定处理中，驾驶辅助单元100A(分布选择单元130G)将 步骤S108中算出的第2行驶状态分布替换为在步骤S107中算出的第1行驶状态分布。 另一方面，在步骤S112中，在进行了恢复处理后，驾驶辅助单元100A(分布选择单元 130G)转移到步骤S113。在恢复处理中，将在步骤S108中算出的第2行驶状态分布替换为不 包含判定为处于第1干扰驾驶状况以及第2干扰驾驶状况的其中一个时的分布数据(转向角 预测误差9e)的绝对值的第2行驶状态分布。 接着转移到步骤S113,驾驶辅助单元100A(驾驶不稳定度判定单元140)根据在步骤 S107、S108中算出的第1行驶状态分布以及第2行驶状态分布(在进行了替换的情况下，为替 换后的第2行驶状态分布），计算绝对熵Hpl、Hp2。具体地说，行驶状态分布计算单元130 (驾 驶不稳定度判定单元140)根据在步骤S107中算出的第1行驶状态分布，由以下的(式7)计算 绝对熵Hpl。而且，行驶状态分布计算单元130(驾驶不稳定度判定单元140)根据在步骤S108 中算出的第2行驶状态分布，由以下的(式8)计算绝对熵Hp2。 Ηρ1 = -Σρι · log5pi · · ?(式7) Hp2 = _2qi.log5qi· · ·(式8) 由上述(式7 )、（式8 )，绝对熵Hp 1、Hp2越小，第1行驶状态分布以及第2行驶状态分布(转 向角预测误差的分布）的陡峭程度越增大，转向角预测误差0e的绝对值的分布收敛在一 定的范围内。即，表示驾驶操作顺畅地进行，驾驶处于稳定状态。另一方面，绝对熵Hpl、Hp2 越大，转向角预测误差的绝对值的分布的陡峭程度越降低，转向角预测误差0e的分布离 散。即，表示驾驶操作不顺畅地进行，驾驶处于不稳定状态。 接着转移到步骤S114,驾驶辅助单元100A(驾驶不稳定度判定单元140)通过R3-转向熵 法，计算在步骤S107、S108中算出的第1行驶状态分布以及第2行驶状态分布(在进行了替换 的情况下，替换后的第2行驶状态分布）的分布间的不同量(相对熵RHp)。具体地说，驾驶辅 助单元100A(驾驶不稳定度判定单元140)根据在步骤S107中算出的几率pi以及在步骤S108 中算出的几率qi，由以下的(式9)计算相对熵RHp。
* *. * (式9) 图12是用于说明相对熵RHp的图。 由上述(式9 )，相对熵RHp越小，第1行驶状态分布的几率pi (= pi~p5)和第2行驶状态 分布的几率qi(=ql~q5)的偏差越小。即，如图12所示，表示驾驶员当前的驾驶操作与平常 的驾驶操作一样顺畅地进行，驾驶处于稳定状态。另一方面，相对熵RHp越大，第1行驶状态 分布的几率pi(=pl~ P5)和第2行驶状态分布的几率qi( = ql~q5)的偏差越大。即，表示驾 驶员当前的驾驶操作与平常的驾驶操作相比不顺畅地进行，驾驶处于不稳定状态。 接着转移到步骤S115,驾驶辅助单元100A(驾驶不稳定度判定单元140)根据在步骤 S113中算出的绝对熵Hp 1、Hp2估计驾驶员的驾驶状态(判定驾驶是否处于不稳定状态）。具 体地说，驾驶辅助单元100A(驾驶不稳定度判定单元140)判定在步骤S113中算出的绝对熵 Hpl、Hp2的差(Hp2 - Hpl)是否大于预先确定的判定阈值。然后，在判定为绝对熵Hpl、Hp2的 差(Hp2 - Hpl)大于判定阈值的情况下，驾驶辅助单元100A(驾驶不稳定度判定单元140)判 定为驾驶处于不稳定状态。另一方面，在判定为绝对熵Hpl、Hp2的差(Hp2 - Hpl)为判定阈值 以下的情况下，驾驶辅助单元100A(驾驶不稳定度判定单元140)判定为驾驶处于稳定状态。 接着转移到步骤S116,驾驶辅助单元100A(驾驶不稳定度判定单元140)根据在步骤 S114中算出的相对熵RHp估，计驾驶员的驾驶状态(判定驾驶是否处于不稳定状态）。具体地 说，驾驶辅助单元100A(驾驶不稳定度判定单元140)判定在步骤S114中算出的相对熵RHp是 否大于预先确定的判定阈值。然后，在判定为相对熵RHp大于判定阈值的情况下，驾驶辅助 单元100A(驾驶不稳定度判定单元140)判定为驾驶处于不稳定状态。另一方面，在判定为相 对熵RHp为判定阈值以下的情况下，驾驶辅助单元100A(驾驶不稳定度判定单元140)判定为 驾驶处于稳定状态。 接着转移到步骤S117,驾驶辅助单元100A(信息呈示单元150)根据在步骤S115、S116中 估计(判定）的驾驶状态，进行将呈示信息向驾驶员呈示的处理(信息呈示处理）。具体地说， 驾驶辅助单元1〇〇Α(信息呈示单元150)判定在步骤S115以及S116的两方中判定为不稳定状 态的状态是否持续了预先确定的设定时间（例如，5秒）以上。然后，在判定为步骤S115以及 S116的两方中判定为不稳定状态的状态持续了设定时间（例如，5秒）以上的情况下，驾驶辅 助单元100A(信息呈示单元150)进行信息呈示处理。另一方面，在判定为步骤S115以及S116 的两方中判定为不稳定状态的状态未持续设定时间（例如，5秒）以上的情况下，驾驶辅 助单 元1〇〇Α(信息呈示单元150)不进行信息呈示处理。 在图13中表示信息呈示处理的例子。在该例子中，进行警告显示，同时通过"哔！！差不 多该休息吗。"等声音进行警告的呈示。 而且，在本实施方式中，示出了在判断出被判定为不稳定状态的状态持续了设定时间 (例如，5秒）以上的情况下，进行将呈示信息呈示的处理(信息呈示处理）的例子，但是也可 以采用其它的结构。例如可以是，如图14所示，通过水平仪，以多级的呈示级别（level)进行 呈示，同时呈示与各呈示级别对应的听觉信息的结构。在该情况下，作为驾驶状态，驾驶的 不稳定度越高，越提高水平仪的呈示级别。在图14中，设为8级的呈示级别，越左侧的显示， 表示呈示级别越高的状态(驾驶的不稳定度高的状态）。 (动作及其它） 接着，说明安装了本实施方式的驾驶状态估计装置的车辆的动作。 假设在车辆的行驶中，驾驶辅助单元100A执行了驾驶不稳定度判定处理。这样，驾驶辅 助单元100A(行驶状态数据获取单元110,驾驶状况判定单元120)获取行驶状态数据(转向 角信息）、车辆信息以及交通环境信息（图6的步骤S10US102)。接着，驾驶辅助单元100A(驾 驶状况判定单元120)根据获取的车辆信息以及交通环境信息，判定车辆的驾驶状况(第1干 扰驾驶状况，第2干扰驾驶状况，通常驾驶状况）（图6的步骤S103)。接着，行驶状态分布计算 单元130(分布数据计算单元130A)根据获取的行驶状态数据(转向角信息），计算分布数据 (转向角预测误差0e)(步骤S104)。 接着，驾驶辅助单元100A(绝对值转化单元130B)将算出的分布数据(转向角预测误差Θ e)绝对值转化(图6的步骤S105)。接着，驾驶辅助单元100A(数据暂时积累单元130C)将绝对 值转化后的分布数据(转向角预测误差9e)积累在数据积累单元13中（图6的步骤S105)。接 着，驾驶辅助单元100A(数据暂时积累单元130C、第1行驶状态分布计算单元130D、第2行驶 状态分布计算单元130E)判定为从开始该驾驶不稳定度判定处理起未经过设定时间（例如， 5秒）（图6的步骤S106"否"）。然后，驾驶辅助单元100A反复步骤S101~S106的流程，对每个 第1周期(例如，50毫秒)计算并积累分布数据(转向角预测误差0e)。 而且，假设在反复上述步骤S101~S106的流程中，执行100次分布数据(转向角预测误 差0e)的计算和积累，并从开始该驾驶不稳定度判定处理起经过了5秒。这样，驾驶辅助单元 100A(数据暂时积累单元130C、第1行驶状态分布计算单元130D、第2行驶状态分布计算单元 130E)判定为从开始该驾驶不稳定度判定处理起经过了设定时间（例如，5秒）（图6的步骤 S106"是"）。接着，驾驶辅助单元100A(第1行驶状态分布计算单元130D)根据数据暂时积累 单元130C积累的绝对值转化后的分布数据(转向角预测误差0e)计算分布数据(转向角预测 误差Θ e)的绝对值的频数分布作为第1行驶状态分布以及第2行驶状态分布（图6的步骤 S107、S108)〇 这里，假设车辆的驾驶状况为通常驾驶状况。这样，根据步骤S103的判定结果，驾驶辅 助单元100A(分布选择单元130G)判定车辆的驾驶状况对应于通常驾驶状况（图6的步骤 3109、5110)。接着，驾驶辅助单元10(^(驾驶不稳定度判定单元140)根据算出的第1行驶状 态分布以及第2行驶状态分布计算绝对熵Hpl、Hp2(图6的步骤S113)。在绝对熵Hpl、Hp2的计 算中，如(式7)、（式8)所示，仅以第1行驶状态分布以及第2行驶状态分布的仓(预测误差分 区bi)的数，进行运算负荷较高的log计算。接着，驾驶辅助单元100A(驾驶不稳定度判定单 元140)通过R 3-转向熵法，计算第1行驶状态分布以及第2行驶状态分布的分布间的不同量 (相对熵RHp)(图6的步骤S114)。 在相对熵RHp的计算中，如(式9)所示，仅以第1行驶状态分布以及第2行驶状态分布的 仓(预测误差分区bi)的数，进行运算负荷较高的log计算。接着，驾驶辅助单元100A(驾驶不 稳定度判定单元140)根据算出的绝对熵Hpl、Hp2,估计驾驶员的驾驶状态(判定驾驶员的驾 驶状态是否处于不稳定状态）（图6的步骤S115)。接着，驾驶辅助单元100A(驾驶不稳定度判 定单元140)根据算出的相对熵RHp，估计驾驶员的驾驶状态(判定驾驶员的驾驶状态是否处 于不稳定状态）（图6的步骤S116)。接着，驾驶辅助单元100A(信息呈示单元150)根据估计的 驾驶状态进行呈示处理(图6的步骤S117)。由此，驾驶辅助单元100A对每个第2周期(例如，5 秒)计算第1行驶状态分布、第2行驶状态分布、绝对熵Hp 1、Hp2、相对熵RHp。 这样，在本实施方式中，驾驶辅助单元100A将分布数据(转向角预测误差0e)的绝对值 分类到被分区为多个的各数据范围（仓(预测误差分区bi))，计算该分布数据(转向角预测 误差9e)的频数分布作为第1行驶状态分布以及第2行驶状态分布。正因如此，在本实施方式 中，算出的第1行驶状态分布以及第2行驶状态分布的仓仅被设定为正值。因此，在本实施方 式中，可以降低第1行驶状态分布以及第2行驶状态分布的仓(预测误差分区bi)的数。由此， 在本实施方式中，可以降低驾驶状态估计装置的运算负荷。正因如此，可以通过智能手机、 廉价的车载控制器等运算能力比较低的设备实现驾驶状态估计装置。而且，在本实施方式 中，通过降低第2行驶状态分布的仓(预测误差分区bi)的数，可以降低分布积累单元130F的 存储容量。 而且，在本实施方式中，驾驶辅助单元100A根据转向角信息，对每个预先确定的第1周 期（例如，50毫秒)获取第1行驶状态分布以及第2行驶状态分布用的分布数据(转向角预测 误差9e)。然后，在本实施方式中，根据获取的分布数据(转向角预测误差0 e)，对长于第1周 期(例如，50毫秒)的每个第2周期(例如，5秒)计算第1行驶状态分布以及第2行驶状态分布。 正因如此，在本实施方式中，可以降低基于第1行驶状态分布以及第2行驶状态分布的计算 (基于64比特实数的运算）、和绝对熵Hpl、Hp2、相对熵RHp的计算（log计算）的运算的执行频 度，即，运算负荷比较高的运算的执行频度。由此，在本实施方式中，可以进一步降低驾驶状 态估计装置的运算负荷。 图15是表示安装了本实施方式的驾驶状态估计装置的车辆的动作的图。在图15中， RHpnew是将分布数据(转向角预测误差0e)的绝对值的频数分布设为第1行驶状态分布等的 情况，即，本实施方式的相对熵。而且，RHpold是将未绝对值转化的分布数据(转向角预测误 差9e)的频数分布设为第1行驶状态分布等的情况(以下，也称为"改良前"）的相对熵。 如图15 (a)所示，本实施方式的相对熵RHpnew从改良前的相对熵RHo 1 d开始延迟5秒后 超过判定阈值。但是，在车辆的驾驶状态的估计中，认为5秒左右的延迟不成问题。而且，如 图15 (b)所示，车辆的行程(tr ip)中，本实施方式的相对熵RHpnew与改良前的相对熵RHo 1 d 基本上重叠，可认为在实用上没有问题。 在本实施方式中，图3的行驶状态数据获取单元110、图6的步骤S101构成行驶状态数据 获取单元。以下同样地，图3的行驶状态分布计算单元130、图5的分布数据计算单元130A、图 6的步骤S104构成分布数据获取单元。而且，图3的行驶状态分布计算单元130、图5的第1行 驶状态分布计算单元130D、第2行驶状态分布计算单元130E、图6的步骤S107、S108构成行驶 状态分布计算单元。进而，图3的驾驶不稳定度判定单元140、图6的步骤S114、S116构成驾驶 状态估计单元。 (本实施方式的效果） 本实施方式具有以下效果。 (1) 驾驶辅助单元100A根据行驶状态数据(转向角信息)获取行驶状态分布(第1行驶状 态分布、第2行驶状态分布)用的分布数据(转向角预测误差0 e)。接着，驾驶辅助单元100A将 获取的分布数据(转向角预测误差9e)绝对值转化。接着，驾驶辅助单元100A将绝对值转化 后的分布数据(转向角预测误差9e)中时间范围不同的分布数据(转向角预测误差0e)的绝 对值分类到被分区为多个的各数据范围即仓(预测误差分区bi)，计算多个该分布数据(转 向角预测误差9e)的频数分布作为行驶状态分布(第1行驶状态分布、第2行驶状态分布）。接 着，驾驶辅助单元100A根据算出的多个行驶状态分布（第1行驶状态分布、第2行驶状态分 布），估计驾驶员的驾驶状态(判定驾驶的不稳定度）。 通过这样的结构，将分布数据(转向角预测误差9e)的绝对值分类到被分区为多个的各 数据范围即仓(5个预测误差分区bi)，计算该分布数据(转向角预测误差0e)的频数分布作 为行驶状态分布（第1行驶状态分布、第2行驶状态分布）。正因如此，算出的行驶状态分布 (第1行驶状态分布、第2行驶状态分布)的仓(预测误差分区bi)仅被设定为正值。因此，可以 降低行驶状态分布(第1行驶状态分布、第2行驶状态分布）的仓的数(预测误差分区bi)。其 结果，可以降低基于行驶状态分布(第1行驶状态分布、第2行驶状态分布）的驾驶状态的估 计的运算负荷。由此，可以降低驾驶状态估计装置的运算负荷。 (2) 驾驶辅助单元100A具有积累绝对值转化后的分布数据(转向角预测误差0e)的数据 暂时积累单元130C。然后，驾驶辅助单元100A在每个预先确定的第1周期(例如，50毫秒)获 取分布数据(转向角预测误差9e)。接着，驾驶辅助单元100A对长于第1周期(例如，50毫秒） 的每个第2周期(例如，5秒），根据数据暂时积累单元130C积累的、第2周期(例如，5秒)量的 绝对值转化后的分布数据(转向角预测误差9e)计算各行驶状态(第1行驶状态分布、第2行 驶状态分布）。 通过这样的结构，对每个预先确定的第1周期(例如，50毫秒)获取分布数据(转向角预 测误差9e)，同时对长于第1周期(例如，50毫秒)的每个第2周期(例如，5秒)计算多个行驶状 态分布(例如，第1行驶状态分布、第2行驶状态分布）。正因如此，可以降低多个行驶状态分 布(第1行驶状态分布、第2行驶状态分布）的计算和驾驶状态的估计等基于分布数据(转向 角预测误差9e)的运算的执行频度。由此，可以降低驾驶状态估计装置的运算负荷。 (3)驾驶辅助单元100A获取假设顺畅地操作了转向轮的情况下的转向角估计值和实际 的转向角之间的差(转向角预测误差9e)，作为分布数据。 通过这样的结构，可以估计与驾驶员的转向操作有关的驾驶状态。 (第2实施方式） 接着，参照【附图说明】本发明的第2实施方式。 而且，对于与上述的第1实施方式相同的结构等使用同一标号。 本实施方式将分布数据(转向角预测误差9e)的绝对值分类到5个分区（预测误差分区 bi)，积累分类后的分布数据(转向角预测误差0e)的绝对值作为每个分区（预测误差分区 bi)的频数这一点与第1实施方式不同。具体地说，图6的步骤S105、S107、以及S108的内容与 第1实施方式不同。 在步骤S105中，驾驶辅助单元100A(数据暂时积累单元130C)将在步骤S104中算出的转 向角预测 误差的绝对值积累在数据暂时积累单元130C中。具体地说，驾驶辅助单元100A (数据暂时积累单元130C)将在步骤S104中算出的转向角预测误差0e的绝对值分类到5个预 测误差分区bi(=bl~b5)。接着，驾驶辅助单元100A(数据暂时积累单元130C)根据分类结 果设定每个分区的标本数Ni ( = Nl，N2，N3，Μ，N5)。 具体地说，驾驶辅助单元100A(数据暂时积累单元130C)在将转向角预测误差0e的绝对 值分类到预测误差分区bl的情况下，对每分区标本数N1加1，以下同样地，在将转向角预测 误差0e的绝对值分类到预测误差分区bj(j是2~5中的其中一个）的情况下，对每分区标本 数N j加1。每分区标本数Ni ( = N1~N5)的初始值设为0。接着，驾驶辅助单元100A (数据暂时 积累单元130C)将每分区标本数Ni ( =N1~N5)积累在数据暂时积累单元130C中。由此，驾驶 辅助单元100A(数据暂时积累单元130C)将在步骤S104中算出的转向角预测误差0 e的绝对 值分类到5个预测误差分区bi(=bl~b5)，并积累分类后的的转向角预测误差0e的绝对值 作为每个预测误差分区bi(=bl~b5)的频数。而且，驾驶辅助单元100A(数据暂时积累单元 130C)在该驾驶不稳定度判定处理的开始时将数据暂时积累单元130C积累的数据全部丢 弃，将数据暂时积累单元130C积累的每分区标本数Ni ( = N1~N5)初始化。 而且，驾驶辅助单元100A(数据暂时积累单元130C)，在步骤S103中判定为处于第1干扰 驾驶状况以及第2干扰驾驶状况的其中一个驾驶状况时，中断在步骤S104中算出的转向角 预测误差的绝对值向数据暂时积累单元130C的积累。即，驾驶辅助单元100A(数据暂时积 累单元130C)中断转向角预测误差0 e的绝对值的分类、和每分区标本数Ni(=Nl~N5)的计 算及积累。由此，驾驶辅助单元100A(数据暂时积累单元130C)仅积累在步骤S103中未判定 处于第1干扰驾驶状况以及第2干扰驾驶状况的期间，即，判定为处于通常驾驶状况的期间 的分布数据(转向角预测误差0e)的绝对值。而且，如果在步骤S103中判定为从第1干扰驾驶 状况以及第2干扰驾驶状况的其中一个驾驶状况变化到了通常驾驶状况时，驾驶辅助单元 100A(数据暂时积累单元130C)再次开始在步骤S104中算出的转向角预测误差0 e的绝对值 向数据暂时积累单元130C的积累。即，驾驶辅助单元100A(数据暂时积累单元130C)再次开 始转向角预测误差的绝对值的分类、和每分区标本数Ni(=Nl~N5)的计算及积累。 在步骤S107中，驾驶辅助单元100A(第1行驶状态分布计算单元130D)根据数据暂时积 累单元130C积累的转向角预测误差0e的绝对值(每分区标本数Ni(=Nl~N5))，计算第1行 驶状态分布。具体地说，驾驶辅助单元100A(第1行驶状态分布计算单元130D)根据数据暂时 积累单元130C积累的每分区标本数Ni(=Nl~N5)，由以下的（式10)求各预测误差分区Μ (=b 1~b5)中包含的转向角预测误差Θ e的绝对值的频数对于全频数的几率pi(=pl~ρ5)。
? ·-(式 1 CO 在(式10)中，piold是该驾驶不稳定度判定处理的上次执行时算出的pi，Kwindow是在 第1行驶状态分布的计算中使用的标本数(转向角预测误差的绝对值的数），Nall是每分 区标本数Ni(=Nl~N5)的合计值。在本实施方式中，（式10)的Kwindow为432000( = 2160秒/ 50毫秒/次）。而且，在步骤S103中判定驾驶状况处于通常驾驶状况时，Nall为100( = 5秒/50 毫秒/次）。而且，在步骤S103中判定驾驶状况为第1干扰驾驶状况以及第2干扰驾驶状况的 其中一个时，Na 11，即，每分区标本数N1~N5的合计值为小于100的数。
在步骤S108中，驾驶辅助单元100A(第2行驶状态分布计算单元130E)根据数据暂时积 累单元130C积累的转向角预测误差0e(每分区标本数Ni(=Nl~N5))，计算第2行驶状态分 布。具体地说，驾驶辅助单元100A(第2行驶状态分布计算单元130E)根据数据暂时积累单元 130C积累的每分区标本数Ni(=Nl~N5)，由以下的（式11)求各预测误差分区bi中包含的转 向角预测误差的绝对值的频数对于全频数的几率qi(=ql~q5)。然后，驾驶辅助单元 100A(第2行驶状态分布计算单元130E)将算出的第2行驶状态分布积累在分布积累单元 130F 中。 * * k (式1 1) 在(式11)中，qiold是该驾驶不稳定度判定处理的前次的执行时算出的qi，Kwindow是 在第2行驶状态分布的计算中使用的标本数(转向角预测误差0e的绝对值的数），Nall是每 分区标本数Ni( = N1~N5)的合计值。在本实施方式中，（式11)的Kwindow为18000( = 90秒/ 50毫秒/次）。而且，在步骤S103中判定为驾驶状况处于通常驾驶状况时，Nall为100(=5秒/ 50毫秒/次）。而且，在步骤S103中判定为驾驶状况为第1干扰驾驶状况以及第2干扰驾驶状 况的其中一个时，Nall，即，每分区标本数N1~N5的合计值为小于100的数。 (本实施方式的效果） 本实施方式得到以下的效果。 (1)驾驶辅助单元100A将分布数据(转向角预测误差0e)分类到5个预测误差分区bi( = bl~b5)，将分类后的分布数据(转向角预测误差0e)作为每个预测误差分区bi(=bl~b5) 的频数积累在数据暂时积累单元130C中。 通过这样的结构，将5个预测误差分区bi(=bl~b5)的每一个的分布数据(转向角预测 误差9e)的频数积累在数据暂时积累单元130C中。正因如此，根据5个预测误差分区bi(=bl ~b5)的每一个的分布数据(转向角预测误差0e)的频数，能够计算各行驶状态分布(第1行 驶状态分布、第2行驶状态分布）。 (第3实施方式） 接着，参照【附图说明】本发明的第3实施方式。 而且，对于与上述第1实施方式相同的结构等使用同一标号。 本实施方式在作为分布数据使用偏航率(yaw rate)这一点与第1实施方式不同。 图16是表示安装了本实施方式的驾驶状态估计装置的车辆的结构的图。 具体地说，如图16所示，车辆具有偏航率传感器11。 偏航率传感器11检测车辆的偏航率。接着，偏航率传感器11将检测到的偏航率输出到 控制器100。 然后，驾驶辅助单元100A取代转向角预测误差0e而使用偏航率传感器11检测到的偏航 率，计算绝对熵Hp 1、Hp2以及相对熵RHp(图6的步骤S105~SI 14)。 (本实施方式的效果） (1)驾驶辅助单元100A获取车辆的偏航率作为分布数据。 通过这样的结构，可以估计与驾驶员的横向方向的驾驶有关的驾驶状态。 (第4实施方式） 接着，参照【附图说明】本发明的第4实施方式。 而且，对于与上述第1实施方式相同的结构等使用同一标号。 本实施方式在使用车辆的车道内横向位置作为分布数据这一点与第1实施方式不同。 图17是表示安装了本实施方式的驾驶状态估计装置的车辆的结构的图。 具体地说，如图17所示，车辆具有前方摄像机12。 前方摄像机12拍摄车辆前方的道路的图像。接着，前方摄像机12将拍摄到的图像输出 到控制器100。 然后，驾驶辅助单元100A取代转向角预测误差0e而由前方摄像机12拍摄到的图像来计 算车辆的车道内是横向位置，使用算出的车道内横向位置，计算绝对熵Hpl、Hp2以及相对熵 RHp〇 (本实施方式的效果） (1)驾驶辅助单元100A获取车辆的车道内横向位置作为行驶状态数据。 通过这样的结构，可以估计与驾驶员的横向方向的驾驶有关的驾驶状态。 (第5实施方式） 接着，参照【附图说明】本发明的第5实施方式。 而且，对与上述第1实施方式相同的结构等使用同一标号。 图18是表示驾驶不稳定度判定处理的流程图。 本实施方式在判定车辆的行驶环境处于预先确定的设定行驶环境时，不使用绝对值转 化后的分布数据，而由未绝对值转化的分布数据计算行驶状态分布(第1行驶状态分布、第2 行驶状态分布)这一点与第1实施方式不同。作为设定行驶环境，例如，有左转弯（curve)和 右转弯的比例处于预先确定的设定范围值外的行驶道路(环形路等）。作为左转弯和右转弯 的比例，例如可以采用，将转向轮比中立位置转向左侧的左方向转向时间、与将转向轮比中 立位置转向右侧的右方向转向时间的比例(左方向转向时间/右方向转向时间）。具体地说， 如图18所示，本实施方式在驾驶不稳定度判定处理的步骤3101、3105、3107、3108的内容、和 步骤S106与步骤S107之间设置了步骤S118这一点与第1实施方式不同。 在步骤S101中，驾驶辅助单元100A(行驶状态数据获取单元110、驾驶状况判定单元 120)获取车辆信息。接着，驾驶辅助单元100A(行驶状态数据获取单元110、驾驶状况判定单 元120)将获取的车辆信息(行驶状态数据(转向角信息））积累在控制器100的存储器中。 在步骤S105中，驾驶辅助单元100A(绝对值转化单元130B)将步骤S104中算出的转向角 预测误差(分布数据)绝对值转化。接着，驾驶辅助单元100A(数据暂时积累单元130C)将 绝对值转化后的分布数据(转向角预测误差0e)、和步骤S104中算出的分布数据，即，未绝对 值转化的分布数据(转向角预测误差9e)积累在数据暂时积累单元130C中。 而且，在本实施方式中，示出了将分布数据(转向角预测误差9e)绝对值转化，并积累绝 对值转化后的分布数据(转向角预测误差9e)和未绝对值转化的分布数据(转向角预测误差 9e)两方的例子，但是也可以采用其他的结构。例如，也可以是在判定为车辆的行驶环境为 预先确定的设定行驶环境的情况下，停止转向角预测误差的绝对值转化，仅将未绝对值 转化的分布数据(转向角预测误差9e)积累在数据暂时积累单元130C中的结构。在该情况 下，在判定为车辆的行驶环境不是预先确定的设定行驶环境的情况下，进行转向角预测误 差0e的绝对值转化，仅将绝对值转化后的分布数据(转向角预测误差0 e)积累在数据暂时积 累单元130C中。 在步骤S118中，驾驶辅助单元100A根据控制器100的存储器积累的行驶状态数据(转向 角信息），判定车辆的行驶环境是否处于设定行驶环境(左转弯和右转弯的比例处于设定范 围值外的行驶道路）。具体地说，驾驶辅助单元100A根据从设定时间To秒(例如，2160秒)前 至当前为止的设定时间To秒内的行驶状态数据(转向角信息），判定左方向转向时间和右方 向转向时间的比例是否在设定范围值外。然后，在判定为左方向转向时间和右方向转向时 间的比例在设定范围值外的情况下，驾驶辅助单元100A判定为左转弯和右转弯的比例在设 定范围值外，并判定为车辆的行驶环境处于设定行驶环境。另一方面，在判定为左方向转向 时间和右方向转向时间的比例在设定范围值内的情况下，驾驶辅助单元100A判定为左转弯 和右转弯的比例在设定范围值内，并判定为车辆的行驶环境不处于设定行驶环境。 图19是表示预测误差分区bi的范围的图。此外，图 20是用于说明第1行驶状态分布以及 第2行驶状态分布的计算方法的图。 在步骤S107中，在步骤S118中判定为行驶环境不处于设定行驶环境时，与第1实施方式 一样，驾驶辅助单元100A(第1行驶状态分布计算单元130D)根据数据暂时积累单元130C积 累的绝对值转化后的转向角预测误差9e，计算分布数据(转向角预测误差0 e)的绝对值的频 数分布作为第1行驶状态分布。另一方面，在步骤S118中判定为行驶环境处于设定行驶环境 时，驾驶辅助单元100A(第1行驶状态分布计算单元130D)根据数据暂时积累单元130C积累 的未绝对值转化的分布数据(转向角预测误差0e)，计算分布数据(转向角预测误差0 e)的频 数分布作为第1行驶状态分布。具体地说，如图19、图20所示，驾驶辅助单元100A(第1行驶状 态分布计算单元130D)将在数据暂时积累单元130C积累的转向角预测误差0 e中的、相当于 从设定时间To秒(例如，2160秒)前至当前的设定时间To秒的转向角预测误差0e分类到分区 为多个的各数据范围（仓）。在本实施方式中，作为仓，采用5个预测误差分区bi'（=bl'， b2'，b3'，b4'，b5'）。 预测误差分区bi'（=bl'~b5'）的范围，根据在转向熵的计算中使用的α值来设定。具 体地说，设预测误差分区bl'不足一 5a，预测误差分区b2'为一 5a以上且不足一 2a，预测误差 分区b3'为一 2a以上且不足2a。而且，设预测误差分区b4'为2a以上且不足5a，预测误差分区 b5'为5a以上。预测误差分区bi'（=bl'~b5'）的范围，在第1行驶状态分布以及第2行驶状 态分布中使用相同的范围。由此，在判定为行驶环境处于设定行驶环境的情况下，与判定为 行驶环境不处于设定行驶环境的情况相比，驾驶辅助单元100A(第1行驶状态分布计算单元 130D)增大第1行驶状态分布、第2行驶状态分布的仓(预测误差分区b i '）的幅度。 接着，驾驶辅助单元100A(第1行驶状态分布计算单元130D)求在各预测误差分区bi' (= bl'~b5'）中包含的转向角预测误差Θθ的频数对于全频数的几率pi( =pl~p5)。由此， 驾驶辅助单元100A(第1行驶状态分布计算单元130D)将分布数据(转向角预测误差0e)分类 到被分区为多个的各数据范围（仓(预测误差分区bi'））来计算该分布数据(转向角预测误 差0e)的频数分布(各预测误差分区bi'的几率pi(=pl~p5))。然后，驾驶辅助单元100A(第 1行驶状态分布计算单元130D)将算出的频数分布设为第1行驶状态分布。 在步骤S108中，在步骤S118中判定为行驶环境未处于设定行驶环境时，与第1实施方式 一样，驾驶辅助单元100A(第2行驶状态分布计算单元130E)根据数据暂时积累单元130C积 累的绝对值转化后的转向角预测误差9e，计算分布数据(转向角预测误差0 e)的绝对值的频 数分布作为第2行驶状态分布。另一方面，在步骤S118中判定为行驶环境处于设定行驶环境 时，驾驶辅助单元100A(第2行驶状态分布计算单元130E)根据数据暂时积累单元130C积累 的未绝对值转化的分布数据(转向角预测误差0e)，计算分布数据(转向角预测误差0 e)的频 数分布作为第2行驶状态分布。 具体地说，驾驶辅助单元100A(第2行驶状态分布计算单元130E)将在数据暂时积累单 元130C积累的转向角预测误差0e中的、从当前至最近的90秒前的转向角预测误差0e分类到 5个预测误差分区bi '（ =bl'~b5 '）。接着，驾驶辅助单元100A(第2行驶状态分布计算单元 130E)求出各预测误差分区bi'（=bl'~b5'）中包含的转向角预测误差0 e的频数对于全频 数的几率qi (= ql~q5)。由此，驾驶辅助单元100A(第2行驶状态分布计算单元130E)将分布 数据(转向角预测误差9e)分类到被分区为多个的各数据范围（仓(预测误差分区bi'））来计 算该分布数据（转向角预测误差9e)的频数分布（各预测误差分区bi'的几率qi(=ql~ q5))。然后，驾驶辅助单元100A(第2行驶状态分布计算单元130E)将算出的频数分布设为第 2行驶状态分布。 在本变形例中，图18的步骤S118构成行驶环境检测单元。 (本实施方式的效果） (1)驾驶辅助单元100A根据行驶状态数据(转向角信息)判定车辆的行驶环境是否为预 先确定的设定行驶环境。接着，在判定车辆的行驶环境是设定行驶环境时，驾驶辅助单元 100A不使用绝对值转化后的分布数据(转向角预测误差0 e)，而由未绝对值转化的分布数据 (转向角预测误差9e)，将时间范围不同的分布数据的频数分布分类到被分区为多个的各数 据范围即仓(5个预测误差分区bi'），计算多个该分布数据(转向角预测误差0e)作为行驶状 态分布(第1行驶状态分布、第2行驶状态分布）。而且，驾驶辅助单元100A增大行驶状态分布 (第1行驶状态分布、第2行驶状态分布)的仓(预测误差分区b i '）的幅度。 通过这样的结构，在车辆的行驶环境为设定行驶环境的情况下，由未绝对值转化的分 布数据(转向角预测误差9e)，计算分布数据(转向角预测误差0e)的频数分布作为行驶状态 分布(第1行驶状态分布、第2行驶状态分布）。正因如此，例如，与由绝对值转化后的分布数 据(转向角预测误差9e)，计算分布数据(转向角预测误差0e)的绝对值的频数分布作为行驶 状态分布(第1行驶状态分布、第2行驶状态分布）的计算方法相比，能够更详细地估计驾驶 员的驾驶状态。 (2)驾驶辅助单元100A根据行驶状态数据(转向角信息），判定在车辆的行驶道路中存 在的左转弯和右转弯的比例是否处于设定范围值外。接着，在判定为车辆的行驶道路中存 在的左转弯和右转弯的比例处于设定范围值外的情况下，驾驶辅助单元100A判定为车辆的 行驶环境为设定行驶环境。 通过这样的结构，例如，在环路等左转弯以及右转弯其中一个较多的行驶道路行驶的 情况下，可以更详细地估计驾驶员的驾驶状态。 以上，本申请要求优先权的日本国专利申请2013 -150725(2013年7月19日申请）的全 部内容通过参照成为本公开的一部分。 这里，参照有限数量的实施方式进行了说明，但是权利范围不受它们限定，基于上述公 开的各实施方式的改变对于本领域的技术人员来说是不言而喻的。 标号说明 110行驶状态数据获取单元(行驶状态数据获取单元） 130行驶状态分布计算单元(分布数据获取单元、行驶状态分布计算单元、数据暂时积 累单元、分布计算执行单元） 130A分布数据计算单元(分布数据获取单元） 130C数据暂时积累单元(数据暂时积累单元） 130D第1行驶状态分布计算单元(行驶状态分布计算单元，分布计算执行单元） 130E第2行驶状态分布计算单元(行驶状态分布计算单元，分布计算执行单元） 步骤S107、S108(行驶状态分布计算单元，分布计算执行单元） 140驾驶不稳定度判定单元(驾驶状态估计单元） 步骤S101 (行驶状态数据获取单元） 步骤S104 (分布数据获取单元） 步骤S105(数据暂时积累单元） 步骤S114，S116(驾驶状态估计单元） 步骤S118(行驶环境检测单元）
【主权项】
1. 一种驾驶状态估计装置，其特征在于，包括： 行驶状态数据获取单元，获取包含驾驶员能够操作的驾驶操作单元的操作状态以及车 辆状态的至少一方； 分布数据获取单元，根据所述行驶状态数据获取单元获取的行驶状态数据，获取行驶 状态分布用的分布数据； 绝对值转化单元，将所述分布数据获取单元获取的分布数据进行绝对值转化； 行驶状态分布计算单元，根据所述绝对值转化单元绝对值转化后的分布数据，将时间 范围不同的分布数据的绝对值分类到被分区为多个的各数据范围即仓，计算多个该分布数 据的频数分布作为行驶状态分布；以及 驾驶状态估计单元，根据所述行驶状态分布计算单元算出的多个行驶状态分布估计所 述驾驶员的驾驶状态。2. 如权利要求1所述的驾驶状态估计装置，其特征在于，还包括： 数据暂时积累单元，积累所述绝对值转化单元绝对值转化后的分布数据， 所述分布数据获取单元，对预先确定的每个第1周期获取分布数据， 所述行驶状态分布计算单元对长于所述第1周期的每个第2周期，根据所述数据暂时积 累单元积累的、相当所述第2周期的绝对值转化后的分布数据计算各行驶状态。3. 如权利要求1或2所述的驾驶状态估计装置，其特征在于，还包括： 行驶环境判定单元，根据所述行驶状态数据获取单元获取的行驶状态数据，判定车辆 的行驶环境是否为预先确定的设定行驶环境， 在所述行驶环境判定单元判定为所述车辆的行驶环境是所述设定行驶环境时，所述行 驶状态分布计算单元不使用所述绝对值转化单元绝对值转化后的分布数据，而从所述分布 数据获取单元获取的分布数据，将时间范围不同的分布数据的频数分布分类到被分区为多 个的各数据范围即仓，计算多个该分布数据作为行驶状态分布，并且增大行驶状态分布的 仓的幅度。4. 如权利要求3所述的驾驶状态估计装置，其特征在于，还包括： 所述行驶环境判定单元根据所述行驶状态数据获取单元获取的行驶状态数据，判定所 述车辆的行驶道路中存在的左转弯和右转弯的比例是否处于设定范围值外，在判定为所述 车辆的行驶道路中存在的左转弯和右转弯的比例处于设定范围值外的情况下，判定为所述 车辆的行驶环境是所述设定行驶环境。5. 如权利要求1至4的任意一项所述的驾驶状态估计装置，其特征在于， 所述分布数据获取单元获取假设顺畅地操作了转向轮的情况下的转向角估计值与实 际的转向角之间的差作为分布数据。6. 如权利要求1至4的任意一项所述的驾驶状态估计装置，其特征在于， 所述分布数据获取单元获取车辆的偏航率作为分布数据。7. 如权利要求1至4的任意一项所述的驾驶状态估计装置，其特征在于， 所述分布数据获取单元获取车辆的车道内横向位置作为分布数据。
【专利摘要】驾驶辅助单元根据行驶状态数据(转向角信息)获取行驶状态分布(第1行驶状态分布、第2行驶状态分布)用的分布数据(转向角预测误差(θe))。接着，驾驶辅助单元将获取的分布数据(转向角预测误差(θe))进行绝对值转化。接着，驾驶辅助单元将在绝对值转化后的分布数据(转向角预测误差(θe))中时间范围不同的分布数据(转向角预测误差(θe))的绝对值分类到被分区为多个的各数据范围即仓(预测误差分区(bi))，计算多个该分布数据(转向角预测误差(θe))的频数分布作为行驶状态分布(第1行驶状态分布、第2行驶状态分布)。接着，驾驶辅助单元根据算出的多个行驶状态分布(第1行驶状态分布、第2行驶状态分布)估计驾驶员的驾驶状态(判定驾驶的不稳定度)。
【IPC分类】B60W40/08
【公开号】CN105555630
【申请号】CN201480051535
【发明人】近藤崇之
【申请人】日产自动车株式会社
【公开日】2016年5月4日
【申请日】2014年6月5日
【公告号】EP3023964A1, EP3023964A4, US20160152239, WO2015008419A1
最新回复(0)