驾驶行动推定装置、驾驶支援装置、车辆评价系统、驾驶者模型生成装置、及驾驶行动判定装置

摘要

本发明的目的在于作为正常状态下的驾驶状态的评价基准制作更高精度的驾驶者模型，推定驾驶行动。在驾驶者的驾驶中收集驾驶状态的数据(加速器、制动器、转向操作量、车速、车间距离、加速度等自车辆信息)，提取该驾驶状态数据中的驾驶者以平常状态驾驶的部分，自动制作正常时的驾驶者模型。还有，通过在驾驶者模型中使用GMM(高斯混合模型)，能够简便地生成各驾驶者每一人的驾驶者模型，进而，利用最大化带有条件的概率的计算，容易地推定并输出驾驶操作行动。

说明书

技术领域

本发明涉及驾驶行动推定装置、驾驶支援装置、及车辆评价系统，例如，使用驾驶者模型对驾驶行动，进行推定、驾驶支援、及车辆评价的装置、系统及作为驾驶状态的评价基准的驾驶者模型的生成装置、及进行使用了驾驶者模型的驾驶状态的评价和驾驶支援的装置。

背景技术

关于车辆驾驶者(driver)的驾驶操作的模型化、及其应用提出了各种建议。

例如，在专利文献1记载的技术中，提出通过使用了模糊规则或神经网络的驾驶者模型，评价交叉点道路的危险度的技术。

专利文献1：特开2002—140786

在专利文献1所述的技术中，使用模糊规则或神经网络构成驾驶者模型，因此，需要模糊规则的生成或后向传播等的学习，不能容易地生成驾驶者模型。

另外，在以往技术中，能够生成以通常的驾驶者为对象的模型，但难以更正确地表现每一个驾驶者的驾驶操作的特征。

因此，不能生成表示多个驾驶者每一个的特征的驾驶者模型。

进而，以往的驾驶者模型是用于评价交叉点道路的危险度的模型，因此，不是推定驾驶操作的驾驶行动的驾驶者模型。

发明内容

本发明的第一目的在于能够容易地生成，且使用能够更正确地表现驾驶者的驾驶特征的驾驶者模型，推定驾驶行动。

另外，通过使用专利文献1所述的驾驶者模型，将由驾驶者模型推定的驾驶操作等驾驶状态推定为正常的驾驶状态，将其与当前的驾驶状态进行比较，由此能够评价当前的驾驶。

但是，由驾驶者模型推定的驾驶状态未必一定为对于所述驾驶者来说的正常的驾驶状态。

另外，即使特定的驾驶者实际上驾驶车辆来收集驾驶状态的数据，并基于此预先生成驾驶者模型，也未必一定是进行了正常状态下的驾驶。

因此，本发明的第二目的在于生成作为驾驶状态的评价基准的更高精度的驾驶者模型。

另外，第三目的在于提供使用了该驾驶者模型的进行更高精度的驾驶状态的评价和驾驶支援的驾驶支援装置。

另外，第四目的在于对驾驶者的驾驶行动进行更高精度的驾驶状态的评价。

(1)在第一方面所述的驾驶行动推定装置中，该驾驶行动推定装置如下所述地实现所述第一目的，具备：驾驶者模型，其将伴随车辆行驶检测出的N种特征量的时序数据作为学习数据，并将N维空间中各数据存在的概略分布描述；特征量获得机构，其获得所述N种中的除了特定的特征量x以外的至少一种以上特征量；最大事后概率算出机构，其算出相对于所述获得的特征量的所述驾驶者模型中的最大事后概率；输出机构，其基于所述算出的最大事后概率，输出相对于所述获得的特征量的所述特定的特征量x的推定值。

(2)第二方面所述的发明在第一方面所述的驾驶行动推定装置中，其特征在于，所述N种特征量包含：对于n种(n<N)的特征量的时间变化量。

(3)第三方面所述的发明在第一或第二方面所述的驾驶行动推定装置中，其特征在于，所述特征量x包含：驾驶者直接操作的操作装置的操作量及该操作量的时间变化量。

(4)第四方面所述的发明在第一～第三方面所述的驾驶行动推定装置中，其特征在于，所述驾驶者模型将所述N种特征量的时序数据作为学习数据，用利用EM算法算出的GMM(高斯混合模型)描述各数据存在的概率分布。

(5)在第五方面所述的发明中，一种驾驶支援装置，其特征在于，具备：第一～第四方面中任一项所述的驾驶行动推定装置，其使用：作为特征量，使用了加速器操作量、制动器操作量、自车辆的车速、与前方车辆的车间距离的加速器用驾驶者模型、和制动器用驾驶者模型，作为所述特征量x，推定加速器操作量及制动器操作量；行驶数据获得机构，其获得自车辆的车速和车间距离；行驶控制机构，其对于所述获得的行驶数据，按照由所述驾驶行动推定装置推定的加速器操作量、及制动器操作量，控制发动机节流阀及制动器踏板，由此进行对所述前方车辆的自动追随行驶。

(6)在第六方面所述的发明中，一种车辆评价系统，其特征在于，具备：第一～第四方面中任一项所述的驾驶行动推定装置，其使用：作为特征量，使用了加速器操作量、制动器操作量、自车辆的车速、与前方车辆的车间距离的加速器用驾驶者模型、和制动器用驾驶者模型，作为所述特征量x，推定加速器操作量及制动器操作量；获得作为评价对象的车辆的车辆性能数据的机构；获得模拟用行驶数据和车道模型的机构；车辆动力计算机构，其对通过将所述获得的行驶数据和车道模型适用于所述驾驶行动推定装置得到加速器操作量和制动器操作量，推定包含作为所述评价对象的车辆的加速度的行迹；评价机构，其由所述推定的车辆的行迹，评价所述作为评价对象的车辆的行驶性能。

(7)在第七方面所述的发明中，如下所述地实现所述第二目的，一种驾驶者模型生成装置，其特征在于，具备：状态判断机构，其判断驾驶者的状态；驾驶操作信息获得机构，其获得车辆行驶中的驾驶操作信息；驾驶者模型生成机构，其基于所述获得的驾驶操作信息，生成与驾驶者的状态对应的驾驶操作的驾驶者模型。

(8)在第八方面所述的发明中，在第七方面所述的驾驶者模型生成装置中，其特征在于，所述状态判断机构至少判断驾驶者的状态是否为正常。

(9)在第九方面所述的发明中，在第七或第八方面所述的驾驶者模型生成装置中，其特征在于，行驶数据获得机构，其检测特定的行驶环境；按行驶环境每一个储存所述驾驶操作信息，所述驾驶者模型生成机构按所述行驶环境每一个生成驾驶者模型。

(10)在第九十方面所述的发明中，在第七～第九方面中任一项所述的驾驶者模型生成装置中，其特征在于，具备：生物体信息获得机构，其获得驾驶者的生物体信息，所述状态判断机构基于所述获得的生物体信息判断驾驶者的状态。

(11)在第十一方面所述的发明中，如上所述地实现所述第三目的，一种驾驶支援装置，其特征在于，具备：驾驶者模型获得机构，其获得正常状态下的驾驶操作的驾驶者模型；驾驶操作推定机构，其使用所述获得的驾驶者模型，推定以正常状态通常驾驶的驾驶操作；驾驶行动判定机构，其由所述推定的驾驶操作、和基于当前的驾驶操作信息的驾驶操作，判断驾驶者的驾驶行动；驾驶支援机构，其进行与所述判断的驾驶行动对应的驾驶支援。

(12)在第十二方面所述的发明中，在第十一方面所述的驾驶支援装置中，其特征在于，所述驾驶者模型获得机构由按驾驶环境每一个生成的正常状态下的驾驶操作的驾驶者模型，获得与当前的行驶环境对应的驾驶者模型。

(13)在第十三方面所述的发明中，在第十一或第十二方面所述的驾驶支援装置中，其特征在于，具备：驾驶者状态判定机构，其由驾驶者的生物体信息判定驾驶者的状态，所述驾驶支援机构进行与所述判断的驾驶行动、和所述判断的驾驶者状态对应的驾驶支援。

(14)在第十四方面所述的发明中，在第十一～第十三方面所述的驾驶支援装置中，其特征在于，所述驾驶支援机构根据判定内容，进行利用语音或图像的注意提醒、信息提供、振动、休息处的引导中的至少一种以上的驾驶支援。

(15)在第十五方面所述的发明中，如下所述地实现所述第四发明，一种驾驶行动判定装置，其特征在于，具备：驾驶者模型获得机构，其获得正常状态下的驾驶操作的驾驶者模型；驾驶操作推定机构，其使用所述获得的驾驶者模型，推定以正常状态通常驾驶的驾驶操作；驾驶行动判定机构，其由所述推定的驾驶操作、和基于当前的驾驶操作信息的驾驶操作，判定驾驶者的驾驶行动。

在第一方面～第六方面的发明中，使用将伴随车辆行驶检测出的N种特征量的时序数据作为学习数据，并将N维空间中各数据存在的概略分布描述的驾驶者模型，算出相对于所述除了特定的特征量x以外的特征量的所述驾驶者模型中的最大事后概率，作为所述特定的特征量x的推定值输出，因此，能够容易地生成，能够规定更接近驾驶者的驾驶特征的驾驶行动。

在第七方面～第十方面所述的本发明中，生成与驾驶者的状态对应的驾驶操作的驾驶者模型，因此，能够得到更高精度的驾驶者模型。

在第十一～第十四方面所述的本发明中，由以使用正常状态下的驾驶操作的驾驶者模型而推定的正常状态通常驾驶的驾驶操作、和基于当前的驾驶操作信息的驾驶操作，判断驾驶者的驾驶行动，进行与判断的驾驶行动对应的驾驶支援，因此，能够进行更高精度的驾驶状态的评价和驾驶支援。

在第十五方面所述的发明中，由以使用正常状态下的驾驶操作的驾驶者模型而推定的正常状态通常驾驶的驾驶操作、和基于当前的驾驶操作信息的驾驶操作，判断驾驶者的驾驶行动，因此，能够评价更高精度的驾驶状态。

附图说明

图1是表示与基于本实施方式中的驾驶行动推定装置的驾驶者模型的生成、和基于生成的驾驶者模型的驾驶行动的推定有关的原理的图。

图2是表示与基于最大事后概率的驾驶行动的推定有关的原理的说明图。

图3是表示驾驶行动推定装置的结构的说明图。

图4是表示用行驶数据获得部获得的行驶数据的说明图。

图5是表示基于驾驶者模型生成部的驾驶者模型生成处理的流程图。

图6是表示使用生成的驾驶者模型推定特定的驾驶行动的处理的流程图。

图7是适用驾驶行动推定装置的驾驶支援装置的结构图。

图8是表示ACC用驾驶者模型的自动生成处理动作的流程图。

图9是表示ACC处理的动作的流程图。

图10是表示车辆评价系统的概要的概念说明图。

图11是驾驶行动推定装置的结构图。

图12是表示驾驶行动推定装置中的各数据的概要的说明图。

图13是表示设计评价处理的动作的流程图。

图14是表示学习用先行车的行迹和驾驶数据、及评价用先行车的行迹的说明图。

图15是表示使用了车辆评价系统的模拟结果的说明图。

图16是适用本申请发明的第二实施方式中的驾驶者模型生成装置的驾驶支援装置的结构图。

图17是例示了自车辆信息获得部中获得的自车辆信息的说明图。

图18是例示了车辆周边信息获得部中获得的车辆周边环境信息的说明图。

图19是例示了道路信息获得部中获得的车辆周边环境信息的说明图。

图20是例示了网络部中获得的车辆周边环境信息的说明图。

图21是例示了生物体信息获得部中获得的生物体信息的说明图。

图22是例示了由信息提供部提供的信息、辅助的内容的说明图。

图23是概念性表示驾驶者模型存储部的存储内容的说明图。

图24是概念性表示状况数据的内容的说明图。

图25是表示生成驾驶者的“通常的驾驶行动”(正常时)的驾驶者模型的驾驶者模型生成处理的处理动作的流程图。

图26是表示通过心率的变动监视精神变化的状态的说明图。

图27是表示通过心电图的洛伦茨拓扑解析监视精神变化的状态的说明图。

图28是表示通过获得的生物体信息判断正常状态与否的情况的说明图。

图29是例示了在交叉点右转弯时自车辆信息获得部和自车辆周边环境信息获得部获得的自车辆信息和自车辆周边环境信息的说明图。

图30是表示驾驶者驾驶行动监视处理的处理动作的流程图。

图31是由自车辆信息和自车辆周边环境信息进行的状况数据的设定、和适合的状况的检测的说明图。

图32是概念性比较从驾驶者模型输出部输出的正常状态下的驾驶操作量(通常的驾驶)的推定值、和当前的驾驶的操作量(自车辆信息)的说明图。

图33是关于行驶中的驾驶者的生物体信息的监视处理的流程图。

图34是通过驾驶者的眼睛的状态判断正常状态和睡意、疲劳状态的情况下的说明图。

图35是表示驾驶者驾驶状态及生物体信息情况的驾驶支援处理的动作的流程图。

图36是表示通过获得的驾驶行动和生物体信息情况推定的驾驶者的状态、和对应于推定的驾驶者的状态进行的驾驶支援的内容的说明图。

图中：10—驾驶者模型生成部；101—驾驶者信息获得部；102—行驶数据获得部；103—同时概率密度分布计算部；104—同时概率密度函数参数存储部；11—驾驶行动推定部；111—驾驶者信息获得部；112—行驶数据获得部；113—驾驶者模型选择部；114—最大事后概率计算部；115—特征量X的推定值输出部；50—ECU；51—自车辆信息获得部；52—自车辆周边环境信息获得部；521—车辆周边信息获得部；522—道路信息获得部；523—网络部；53—生物体信息获得部；54—信息提供部；55—驾驶者模型处理部；551—驾驶者模型生成部；552—驾驶者模型存储部；553—驾驶者模型输出部；56—数据存储部。

具体实施方式

以下，参照图1～图15，详细说明本发明的驾驶行动推定装置、驾驶支援装置、及车辆评价系统中的适当的第一实施方式。

(1)第一实施方式的概要

在本实施方式中，通过将驾驶者每个人不同的驾驶行动特性模型化，进行与驾驶者的特性匹配的车辆控制或驾驶支援，支援安心且舒适的安全驾驶。另外，构成使用了基于统计性数据的客观的评价基准的车辆设计评价系统。

在此，只要驾驶者的模型化处理及使用模型的输出计算处理简单，上述用途就能够容易且廉价地实现

因此，在本实施方式中，通过驾驶者模型中使用GMM(高斯混合模型)，能够简便地生成各驾驶者每一人的驾驶者模型，进而，通过最大化带有条件的概率的计算，容易地推定并输出驾驶操作行动。

即，在本实施方式的驾驶行动推定装置中，将由加速器操作量、车速、车间距离等多种特征量构成的行驶数据作为学习数据，将利用EM(期望值最大化，Expectation Maximization)算法算出的高斯混合模型作为驾驶者模型采用。

该高斯混合模型由通过EM算法计算同时概率密度分布而得到的同时概率密度函数的参数构成，根据需要按各个驾驶者、进而按驾驶者的加速器操作用、制动器操作用、车间距离维持范围用等推定的特征量生成。

还有，通过测定驾驶者模型中使用的多个特征量中的除了特定的特征量x之外的行驶数据Y(＝y1、y2、……)，算出相对于该行驶数据Y的驾驶者模型中的最大事后概率，推定特征量x。

例如，预先生成驾驶者甲的驾驶者模型，执行追随前方车辆而自动行驶的自动巡航(ACC)。

即，在ACC中，检测除了特征量x＝加速器操作量之外的车速或车间距离等行驶数据Y，算出甲的驾驶者模型中的最大事后概率。该值被推定为在同一条件下驾驶者甲可能实际操作的加速器操作量，按照推定的加速器操作量执行加速器控制(发动机节流阀控制)。

由此，接近生成有驾驶者模型的驾驶者的驾驶操作，进行加速器操作。

另外，在使某设计值数据(性能数据)的车辆在基于车道模型的假想空间行驶时，使用预先生成的驾驶者模型，推定各种驾驶行动的特征量，由此评价车辆的性能。

(2)第一实施方式的详细

图1是表示与基于本实施方式中的驾驶行动推定装置的驾驶者模型的生成、和基于生成的驾驶者模型的驾驶行动的推定有关的原理的图。

还有，关于驾驶者模型的生成和驾驶行动的推定，说明作为特征量使用车速V、与前方车辆的车间距离F、和这些的一次动态特征量ΔV、ΔF(一次微分值)、二次动态特征量ΔΔV、ΔΔF(二次微分值)，和作为加速器操作的驾驶者模型，使用加速器操作量G和一次动态特征量ΔG，作为制动器操作的驾驶者模型，使用制动器操作量B和一次动态特征量ΔB的情况。

在本实施方式的驾驶行动推定装置中，将加速器操作量、车速、车间距离等构成的行驶数据1作为学习数据，并利用EM算法预先生成基于与行驶数据对应的各驾驶者的GMM的驾驶者模型2。

还有，在推定驾驶者的驾驶行动(例如，加速器操作量)的情况下，使用对应的驾驶者模型2，计算对时刻t的行驶数据1的测定值(V、F、ΔV、……)3的最大事后概率4，由此推定该驾驶者可能操作的加速器操作量5。

在该例的驾驶行动推定装置中，驾驶者基于如下假定，即：基于当前的车速、车间距离、及这些的一次、二次动态特征量，确定加速器踏板和制动器踏板的操作量。

以下，详细说明驾驶者模型的生成和驾驶行动的推定的原理。

(A)驾驶者模型的学习

在使用了GMM的驾驶者模型2中，需要学习数据，作为特征量使用行驶数据1。

行驶数据1使用每隔规定的测定间隔s(s为任意，但在本实施方式中s＝0.1秒)的时序数据。

行驶数据1是作为驾驶者模型生成的对象的驾驶者实际上驾驶的数据，通过使用预先测定、保存的行驶数据1，能够进行脱机的学习。另外，实际上也可使用在驾驶者驾驶时实时测定、收集的行驶数据1。

在本实施方式的驾驶行动推定装置中，通过对每个驾驶者生成GMM，能够实现与各驾驶者的特性匹配的模型化。

作为驾驶者模型的特征量(行驶数据1)，如上所述，使用车速、车间距离、及这些的一次、二次动态特征量和加速器操作量、及加速器踏板操作量的一次动态特征量。

这样，通过向特征量加上动态特征量而模型化，考虑前后的时间关系，能够得到平滑且自然性高的推定结果。

还有，在说明中，说明了使用一次及二次动态特征量的情况，但仅使用一次动态特征量也可。

同样，也可以关于制动器踏板实现驾驶者模型化。

还有，在生成加速器踏板用、制动器踏板用、车间距离范围用等多个驾驶者模型的情况下，加速器踏板操作量、制动器踏板操作量等以外的数据(V、F、ΔV、ΔF、……)使用相同的数据也可。

在本实施方式中，关于行驶数据中的动态特征量，由加速器操作量、车速、车间距离的测定值通过计算求出，但实际测定也可。

还有，在本实施方式中，通过计算对行驶数据1的混合高斯分布(GMM)，生成驾驶者模型2。

即，使用EM算法算出对于行驶数据1的同时概率密度分布，将算出的同时概率密度函数的参数＝{λi，—>μi，∑i|i＝1，2，3，……M}作为基于GMM的驾驶者模型2，存储于数据库等存储机构中。

在此，λi表示加权，—>μi表示平均矢量组，∑i表示分散共同分散行列组，M表示混合数。另外，像—>μi一样，在前面表示有—>的符号表示矢量。

这样，在本实施方式的GMM中，也考虑特征次元间的关联，使用全角共同分散行列。

还有，作为EM算法，例如，按照中川圣一著“基于概率模型的语音认识”(电子信息通信学会1988、P51～P54)，进行基于混合高斯分布的EM算法的推定。

(b)驾驶行动(加速器踏板及制动器踏板操作量)的推定

驾驶者以基于当前的车速、车间距离、及这些的一次、二次动态特征量来确定加速器踏板和制动器踏板的操作量这一假设作为基础，推定踏板的操作量等驾驶行动。

即，由特征量的同时分布，推定在赋予的条件下概率最高的加速器踏板操作量等的驾驶行动。

这样是带有条件的概率的最大化的问题，利用最大事后概率的计算。

即，加速器踏板操作量ΛG(t)、和制动器踏板操作量ΛB(t)是在赋予y(t)的条件下，推定使带有条件的概率最大的值x(t)，作为最大事后概率，分别用以下的式(1)、(2)计算。

∧G(t)＝arg max p(G|ΔG，V(t)，F(t)，ΔV(t)，ΔF(t)，ΔΔV(t)，ΔΔF(t))  式(1)

∧B(t)＝arg max p(B|ΔB，V(t)，F(t)，ΔV(t)，ΔF(t)，ΔΔV(t)，ΔΔF(t))  式(2)

在此，像ΛG(t)一样，前边表示有Λ的符号是推定值。

p(G|ΔG，V，F，ΔV，ΔF，ΔΔV，ΔΔF)

＝{p(G，V，F，ΔV，ΔF，ΔΔV，ΔΔF，ΔG)}/{∫∫…∫p(G，V，F，ΔV，ΔF，ΔΔV，ΔΔF，ΔG)dΔG，dV，dF，dΔV，dΔF，dΔΔV，dΔΔF}

p(B|ΔB，V，F，ΔV，ΔF，ΔΔV，ΔΔF)

＝{p(B，V，F，ΔV，ΔF，ΔΔV，ΔΔF，ΔB)}/{∫∫…∫p(B，V，F，ΔV，ΔF，ΔΔV，ΔΔF，ΔB)dΔB，dV，dF，dΔV，dΔF，dΔΔV，dΔΔF}

在式(1)、(2)中，t表示时刻，G、B、V、F、Δ分别表示加速器踏板操作量、制动器踏板操作量、车速、车间距离、及动态特征量。

其中，使带有条件的概率最大的加速器踏板及制动器踏板的值通过在最小值到最大值的区间中，在某刻度宽度(例如，0到10000为止为100刻度)进行数值积分，由此算出概率，将该概率最大时的加速器踏板及制动器踏板的值作为推定结果也可。

图2表示与基于最大事后概率的驾驶行动的推定有关的概略。

在该图2中，为了简单，表示在赋予了某时刻t的特征量y(t)时推定Λx(t)的情况。

图3表示驾驶行动推定装置的结构。

本实施方式中的驾驶行动推定装置具备：驾驶者模型生成部10；驾驶行动推定部11。

该驾驶行动推定装置通过具备CPU、ROM、RAM等的计算机系统实现。

还有，作为驾驶行动推定装置，通过使用由其他装置生成的驾驶者模型，也可以形成为不具备驾驶者模型生成部10的结构。

驾驶者模型生成部10具备：驾驶者信息获得部101；行驶数据获得部102；同时概率密度分布计算部103；同时概率密度函数参数存储部104。

驾驶者信息获得部101通过用于建立生成的驾驶者模型和驾驶者的对应关系的信息，构成驾驶者ID。即，是确定测定由行驶数据获得部102获得的行驶数据时的驾驶者的驾驶者ID。

行驶数据获得部102获得作为用于生成基于GMM的驾驶者模型的学习数据的行驶数据。

图4表示在行驶数据获得部102获得行驶数据。

如图4所示，作为行驶数据，存在有行驶环境数据(a)、及驾驶者操作数据(b)。

但是，这些行驶数据列举了能够作为数据使用的数据，未必都是必要的数据。根据生成的驾驶者模型，适当选择数据。

如图4(a)所示，行驶环境数据有行驶状况数据和道路状况数据。

行驶状况数据是根据行驶或环境变化的数据，存在有车速、车间距离、天气、拥堵有无(拥堵的程度)、亮度、其他数据。

道路状况数据是表示道路的状态的数据，是不根据环境变化的数据。道路状况数据存在有道路种类、铺装形态、道路宽度、行车线数、摩擦系数、凹凸系数、弯曲曲率、斜面、倾斜、直视、其他数据。

如图4(b)所示，驾驶者操作数据存在有方向盘操作量、加速器踏板操作量、制动器踏板操作量、车间距离维持范围量、其他数据。该驾驶者操作数据成为使用生成的驾驶者模型推定的驾驶行动(特征量x的推定值)的情况居多。因此，获得与生成的驾驶者模型的数目对应的数目的驾驶者操作数据。例如，在生成加速器踏板操作用驾驶者模型、和驾驶操作用加速器模型的情况下，获得加速器踏板操作量和制动器踏板操作量。

另外，在生成加速器操作和制动器操作共用的驾驶者模型的情况下也获得两者。

对在行驶数据获得部102获得的行驶数据来说，可以一并获得预先测定并保存的行驶数据，另外，在驾驶者实际驾驶的期间按规定的样本时间依次获得检测的数据也可。

同时概率密度分布计算部103(图3)将获得的行驶数据作为学习数据，计算高斯混合模型中的同时概率密度分布。

将基于该同时概率密度分布计算部103的计算的结果得到的同时概率密度函数参数{λi，—>μi，∑i}与在驾驶者信息获得部101获得的驾驶者ID建立对应关系，将其储存于同时概率密度函数参数存储部104。

还有，储存的同时概率密度函数参数储存为能够区别谁的(驾驶者ID)、对什么(推定的驾驶行动)的驾驶者模型。

图5是表示基于这样构成的驾驶者模型生成部10的驾驶者模型生成处理的流程图。

在驾驶者信息获得部101获得驾驶者信息(步骤10)，在行驶数据获得部102一并或依次获得行驶数据(步骤11)。

还有，步骤10和步骤11的顺序可以相反，也可以并列。

其次，在同时概率密度分布计算部103中，将获得行驶数据作为学习数据，计算同时概率密度分布(步骤12)，将同时概率密度函数参数作为驾驶者模型，将其与驾驶者信息建立对应关系，将其储存于同时概率密度函数参数存储部104(步骤13)，结束处理。

在图3中，驾驶行动推定部11具备：驾驶者信息获得部111；行驶数据获得部112；驾驶者模型选择部113；最大事后概率计算部114；及特征量X的推定值输出部115。

驾驶者信息获得部111获得用于确定驾驶者模型的对象的驾驶者ID。

该驾驶者信息主要通过驾驶者(驾驶者本人或其他操作人)的输入来获得。

还有，将驾驶者(驾驶者)的体重或身高以及能够确定驾驶者的信息作为驾驶者信息，并将其与驾驶者ID建立对应关系并保存，获得驾驶者信息，由此确定驾驶者ID也可。

行驶数据获得部112获得：在将使用的驾驶者模型由驾驶者模型生成部10生成时使用的行驶数据(N种特征量)中除了由该驾驶者模型推定的驾驶行动(特征量x)的行驶数据(N—1种特征量)。

驾驶者模型选择部113基于在驾驶者信息获得部111获得的驾驶者ID、以及在行驶数据获得部112获得的行驶数据，从同时概率密度函数参数存储部104选择适用的驾驶者模型(同时概率密度函数参数)。

最大事后概率计算部114将在行驶数据获得部112获得的行驶数据适用于在驾驶者模型选择部113选择的驾驶者模型，使用上述式(1)、(2)等计算最大事后概率。

特征量X的推定值输出部115将在最大事后概率计算部114计算的值作为特征量x的推定值输出。

图6是表示使用生成的驾驶者模型推定特定的驾驶行动的处理的流程图。

首先，在驾驶者信息获得部111获得驾驶者信息(步骤20)。

还有，在行驶数据获得部112中，获得当前时点(时刻t)时的行驶数据(步骤21)。在此获得的行驶数据是除了特征量x以外的N—1种行驶数据。

还有，步骤20和步骤21的顺序可以相反，也可以并行处理。

还有，按照驾驶者信息及行驶数据，从同时概率密度函数参数存储部104选择对应的同时概率密度函数参数(驾驶者模型)而读入(步骤22)。

还有，为了选择驾驶者模型，不使用行驶数据，从驾驶者信息中选择驾驶者模型也可。在这种情况下，在行驶数据的获得前选择驾驶者模型也可。

另外，有时通过使用驾驶行动推定装置的装置、例如，后述的自动追随驾驶装置(ACC装置)预先选择驾驶者模型，在那种情况下，步骤20和步骤22可以根据需要省略。

其次，在最大事后概率计算部114中，将获得的行驶数据适用于选择的驾驶者模型，计算最大事后概率(步骤23)。

关于最大事后概率的计算，若推定的驾驶行动(特征量x)为加速器操作量，则利用上述式(1)，若为制动器操作量，则利用式(2)。

还有，将计算的最大事后概率计算部114中的计算结果从特征量X的推定值输出部115作为基于其驾驶者模型的时刻t中的特征量x的推定值输出(步骤24)，返回主程序。

(3)驾驶支援装置

其次，对使用了以上说明的驾驶行动推定装置的应用例即驾驶支援装置进行说明。

该驾驶支援装置是追随于前方车辆，进行自动追随行驶(ACC)的装置。在该驾驶支援装置中，通过使用由驾驶中的驾驶者的行驶数据生成的驾驶者模型，对ACC运行时的车间距离、加速器操作、制动器操作进行自动操作，进行接近驾驶者自己驾驶的行驶感觉的ACC，消除驾驶者的不舒适感。

(4)驾驶支援装置的概要

在驾驶者进行驾驶时分别有习惯。在以往的ACC运行中，单纯为了保持车速或车间距离为恒定值而进行自动行驶，因此，调节车速时、车间距离或与前方车辆的距离时的加速器·制动器的使用方法与自己(驾驶者)的习惯不同，存在感觉到不舒适感的问题。

在本实施方式的驾驶支援装置中，通过能够运行ACC的状态下的驾驶者的实际的驾驶操作将行驶数据作为学习数据预先生成驾驶者模型。由此，在生成的驾驶者模型中反映车速和车间距离的关系、或距离调节时的加速器或制动器的操作量等该驾驶者的驾驶操作的习惯。

即，通过驾驶者的通常的驾驶，将与驾驶者的车间维持操作有关的习惯作为驾驶者模型学习并保存。

生成的驾驶者模型将自车数据(加速器操作量、制动器操作量、车速、……)、前方车辆数据(车间距离、相对速度、车种、……)、道路环境数据(周围的亮度、直视、沟道、降雨量、路面μ、行车线宽度、道路的混杂情况、其他)这三个信息建立关系而生成。

道路环境数据中除了周边的地理信息外，还包括周围的亮度或天气路面状况、道路的混杂情况等TPO中变化的信息。

这些通过表(时刻)或前照灯开关、刮水器开关等推定周围的亮度、降雨状况。

另外，搭载照度计或降雨传感器、以及路面μ检测传感器、行车线识别装置、观察周围的混杂情况的各种传感器、图像识别装置等，主动获得前方车辆的车种等周围的信息也可，从网路上获得天气预报或VICS信息等。

还有，若执行ACC(自动追随行驶中)，则通过与通常的ACC同样地监视、维持与前方车辆的车间距离，驾驶者从加速器操作被解放。

通过将该推定值作为基础，沿车间距离维持范围推定量进行车间距离调节，沿加速器操作推定量控制发动机节流阀、制动器，进行车辆的自动追随行驶。

在此，车间距离维持范围推定量是指：由驾驶者在近似于现状的场景中，通常在与前方车辆之间维持的车间距离算出，由此反映驾驶者嗜好的该场景中的车间距离的范围。

加速器操作推定量是指：由通常在驾驶者近似于现状的场景中调节车间距离时进行的加速器操作算出，由此，反映驾驶者嗜好的所述场景下的缩短与前方车辆的距离长时的距离的做法(迅速追赶、缓慢追赶等)。

制动器操作推定量是指：由通常在驾驶者近似于现状的场景中调节车间距离时进行的制动器操作算出，由此，反映驾驶者嗜好的所述场景下的留出与前方车辆的距离缩短时的距离的做法(迅速留出、缓慢留出等)。

这样，通过再现驾驶者的习惯的操作，进行车间距离维持，能够减少驾驶者感觉到的不舒适感。

另外，也能够再现对于周围的亮度或天气、路面状况等外在要因变化的车间距离的采用方法的习惯，形成为更接近驾驶者的感性的系统。

(5)驾驶行动推定装置的详细

图7表示适用了驾驶行动推定装置的驾驶支援装置的结构。

驾驶支援装置具备：行驶数据获得部12、加速器部13、制动器部14、ECU(电子控制装置)15、ACC开关16、导航装置17。

还有，关于利用图7说明的驾驶支援装置的结构，不需要其全部，对能够为了进行自动追随行驶而使用的各部或装置进行了说明，能够根据采用的驾驶支援装置的功能等，适当选择，构成驾驶支援装置。

行驶数据获得部12具备：检测自车辆的车速的车速传感器120；检测与前方车辆的车间距离的车间距离传感器121；摄像车辆的前方的摄像装置122；GPS+车车间通信测距部123；道路环境信息收集部124。

GPS+车车间通信测距部123用GPS装置确定自车辆的位置(纬度、经度)，并且，通过与前方车辆的车车间通信，接受前方车辆的坐标值(纬度、经度)，由此算出两个车辆间的车间距离。

道路环境信息收集部124从前照灯开关、刮水器开关、路面μ检测传感器、行车线识别装置、VICS、车辆周边监视传感器、其他装置、各部收集道路环境信息。

加速器部13具备：加速器踏板131；加速器踏板位置传感器132；发动机节流阀控制装置133。

制动器部14具备：制动器踏板141；制动器踏板位置传感器142；制动器控制装置143；刹车灯144。

ECU15具备：前方车辆识别·追踪部151；ACC可否判断部152；驾驶者模型生成部153；ACC处理部154。

ACC处理部154具备：车间距离监视·维持部154a；加速器操作部154b；制动器操作部154c；驾驶行动推定部154d。

在驾驶行动推定部154d中，算出车间距离维持范围、加速器操作、制动器操作的各推定值。

ECU15包括具备CPU、ROM、RAM、接口的各部的计算机系统构成。

ACC开关16是驾驶者选择是否执行ACC行驶的开关。

在该ACC开关16为关闭的情况下，生成驾驶者模型。

另外，在ACC开关16为打开的情况下，使用生成的驾驶者模型，推定驾驶操作量，进行对应于推定量的自动追随行驶。

导航装置17具备：当前位置检测部171；地图信息172。

还有，当前位置检测部171利用GPS信号接收装置等检测车辆的当前位置(纬度、经度)，并作为行驶数据获得部12的GPS发挥功能。

以下，说明这样构成的驾驶支援装置中的动作。

图8表示ACC用驾驶者模型的自动生成处理。

首先，ECU15判断ACC开关16是否为关闭(步骤31)。

在ACC开关16为打开(即，步骤31；否)的情况下，由驾驶者要求ACC行驶，因此，不生成驾驶者模型，监视ACC开关16关闭的情况。

另一方面，在ACC开关16为关闭的情况下(步骤31；是)，ECU15判断能否识别前方车辆(步骤32)。

关于前方车辆的识别，能够在前方车辆识别·追踪部151中识别，且用车间距离传感器121检测出与前方车辆的距离的情况下，判断为能够识别。前方车辆识别·追踪部151中的前方车辆的识别、追踪通过由摄像装置122摄像的前方车辆的摄像图像来进行。

在不能识别前方车辆的情况下(步骤32；否)，得不到车间距离数据，不能生成ACC用驾驶者模型，因此，返回步骤31。

另一方面，在能够识别前方车辆的情况下(步骤32；是)，然后，ECU15通过导航装置17的地图信息判断是否为能够进行ACC运行的场景。例如，在高速公路或首都高速上行驶中的情况下，收费道路或迂回道路上没有规定距离的间隔(間合い)通车线的道路上行驶的情况下，判断为能够进行ACC运行的道路上行驶中。

ECU15在不是能够进行ACC运行的场景(步骤33；否)的情况下，返回步骤31，重复处理。

另一方面，只要是能够进行ACC运行的场景(步骤33；是)，ECU15执行图5中说明的驾驶者模型生成处理(步骤34)，结束处理。

在该驾驶者模型生成处理中，生成车间距离维持范围用驾驶者模型、加速器操作用驾驶者模型、制动器操作用驾驶者模型。

这样，在本实施方式的驾驶支援装置中，只要打开ACC开关16，则基于实际执行ACC行驶的环境中的实际的驾驶状态，自动生成驾驶者模型，因此，生成的驾驶者模型反映车速和车间距离的关系、或调节距离时的加速器或制动器的操作量等所述驾驶者的驾驶操作的习惯。

以下，使用如上所述地生成的各驾驶者模型，对实际执行的ACC运行的情况的运行进行说明。

图9是表示ACC处理的动作的流程图。

ECU15监视ACC开关16是否已打开(步骤41)。

若检测到ACC开关16的打开(步骤41；是)，ECU15收集道路环境信息(步骤42)、在此，ECU15收集的道路环境信息是在驾驶者模型生成处理(步骤34)中使用的行驶数据中除了推定的操作量(加速器操作量、制动器操作量、及车间距离维持范围推定量)之外的行驶数据。

其次，ECU15在前方车辆识别·追踪部151中，判断能否识别应追随的前方车辆(步骤43)。

在不能识别前方车辆的情况下(步骤43：否)，不能维持自动追随行驶，因此，打开ACC开关16，并且，将该意思通过声音或图像告知驾驶者(步骤44)，结束处理。

另一方面，若能够识别前方车辆(步骤43；是)，则ECU15执行图6中说明的驾驶行动推定处理(步骤45)，算出车间距离维持范围推定量、加速器操作推定量、制动器操作推定量。

还有，判断当前的车间距离(步骤46)，若在车间距离调节范围内，则ECU15维持现状的加速器开度(步骤37)。

另一方面，若车间距离为车间距离调节范围以下，则ECU15按照在制动器操作用驾驶者模型中推定的制动器的推定值，控制制动器控制装置143(步骤48)。

另外，若车间距离为车间距离调节范围以上，则ECU15按照在加速器操作用驾驶者模型中推定的加速器的推定值，控制发动机节流阀控制装置133(步骤49)。

接着，ECU15判断ACC开关16是否已关闭(步骤50)，若没有关闭(步骤50；否)，则返回步骤42，继续ACC驱动，若已关闭(步骤50；是)，则结束处理。

这样根据本实施方式的驾驶支援装置，生成反映了车速和车间距离的关系、或调节距离时的加速器或制动器的操作量等其驾驶者的驾驶操作的习惯的驾驶者模型，基于通过该驾驶者模型推定的加速器操作量、制动器操作量、车间距离调节范围，操作加速器(发动机节流阀)或制动器，因此，实现接近驾驶者的行驶感觉的ACC。

(6)车辆评价系统

其次，对使用了说明的驾驶行动推定装置的第二应用例即车辆评价系统进行说明。

该车辆评价系统在各种车辆行驶性能或行驶条件下，基于职业驾驶者或普通驾驶者等多个驾驶者实际行驶时的行驶数据，生成驾驶者模型。

还有，在该车辆评价系统中，不是通过实际驾驶车辆来进行车辆的性能评价，而是将使用驾驶者模拟器展开的假想行驶通过使用生成的驾驶者模型的推定值(方向盘操作量、加速器踏板的操作量、制动器踏板的操作量等)进行操作来评价车辆的加速性能、减速性能、操纵性能、稳定行驶性能等各种项目。

(7)车辆评价系统的详细

图10表示车辆评价系统的概要。

该图10所示的车辆评价系统具备：用于推定驾驶者的踏板操作量的基于GMM的驾驶者模型19；基于推定的踏板操作量算出自车的加速度a(t)的车辆动力计算部20；使用自车的加速度a(t)和先行车辆的位置更新车速v(t)和车间距离F(t)的行驶环境更新部21；计算车速v(t)和车间距离F(t)的一次、二次变化量(动态特征量)的动态特征量计算部22。

驾驶者模型19使用通过使用实际行驶或驾驶者模拟器等测定的行驶数据，由职业驾驶者或普通驾驶者等视为对作为评价对象的车辆的目标用户的总集合的驾驶者(例如，100例)的行驶数据，生成多个驾驶者模型。

作为驾驶者模型，生成加速器用驾驶者模型192、和制动器用驾驶者模型193，用适用判断部191判断并选择适用其中哪一个。

还有，除了加速器用驾驶者模型192及制动器用驾驶者模型193以外，生成用于推定驾驶者的方向盘操纵量的方向盘用驾驶者模型，设为用适用判断部191还能够选择驾驶者用驾驶者模型。

驾驶者模型19是驾驶行动推定装置适用，并接受车速或车间距离所谓的特征量及动态特征量，指定驾驶者可能操作的加速器踏板和制动器踏板的值的部分。在该驾驶者模型19中，如用驾驶行动推定装置进行的说明，驾驶者将基于当前的车速、车间距离、及这些的一次、二次动态特征量，确定加速器踏板和制动器踏板的操作量的假设作为基础。

在车辆动力计算部20中，由某时刻t时的加速器踏板操作量G(t)和制动器踏板操作量B(t)、及之前一个时刻的车速V(t—1)，使用车辆模型(与作为评价对象的车辆有关的车辆重量、发动机性能、制动器性能、齿轮比等车辆性能数据)，算出加车速。

在车辆模型中，参考使用于学习数据的收录的驾驶模拟器的捏不的模型安装了MATLAB(以FORTRAN为基础，可强力处理矩阵运算的计算机语言)。

在该车辆系统中，考虑齿轮比或车重、道路的摩擦系数等，计算车辆的加车速。

在行驶环境更新部21中，使用从车辆动力计算部20输入的时刻t时的加速度a(t)，计算接下来的时刻(t+1)的车速V(t+1)、车间距离F(t+1)，并更新。

接下来的时刻(t+1)时的车速和车间距离通过如下计算。

V(t+1)＝V(t)+a(t)×T

F(t+1)＝Df(t+1)—(Dm(t)+V(t+1)×T)

其中，a(t)表示从车辆动力计算部20输出的加车速，Df(t)表示时刻t为止的前方车辆的行驶距离，Dm(t)表示时刻t为止的自车辆的行驶距离。

另外，T是系统的更新时间(样本周期)，在本实施方式中为T＝0.1秒。

另外，为了计算车间距离，通过先行车的各时刻时的行驶距离，求出所述先行车的时刻t时的行驶距离和自车的行驶距离之差，由此算出车间距离。

图11表示驾驶行动推定装置的结构。

如图11所示，驾驶行动推定装置包括：使用于评价的数据、评价的执行部、和评价结果数据。

作为使用数据，使用车辆性能数据25、评价用驾驶者模型26、模拟执行用数据27、车道模型28，作为评价结果数据，输出及存储行驶评价数据36。

作为评价的执行部，具备：道路数据展开部29；行驶环境展开部30；行驶行动推定部31；车辆动力计算部32；模拟行驶处理部34；行驶性能评价部35，这些利用由CPU、ROM、RAM等构成的计算机系统构成。

车辆性能数据25是作为评价对象的车辆的性能数据，如图12(a)所示，由车辆重量、发动机性能、制动器性能、齿轮比、悬簧常数等各数据构成。

评价用驾驶者模型26使用在上述驾驶行动推定装置中生成的各驾驶者模型。

模拟执行用数据27如图12(b)所示，是假想空间上展开的行驶状况数据，由车速、车间距离、天气、拥堵的有无等构成。该行驶状况数据使用按时刻t＝t1、t2、t3……的数据作为时序的数据。

车道模型28如图12(c)所示，是与在假想空间上展开的测试行驶道路有关的数据。

若比较评价执行部、和图10中说明的驾驶行动推定装置，则行驶行动推定部31相当于驾驶者模型19，车辆动力计算部32相当于车辆动力计算部20，模拟行驶处理部34及行驶环境展开部30相当于行驶环境更新部21及动态特征量计算部22。

其次，说明这样构成的车辆评价系统中的车辆的设计评价处理。

图13表示设计评价处理的动作的流程图。

图从车辆性能数据25输入车辆动力计算部32(步骤61)，将车辆动力模型在模拟空间中展开(步骤62)。

接着，向道路数据展开部29输入车道模型28(步骤63)，向行驶环境展开部30输入模拟执行用数据27(步骤64)，由此在模拟空间展开模拟执行环境(步骤65)。

还有，向行驶行动推定部31输入评价用驾驶者模型26，从t＝0开始输入模拟行驶的执行(步骤67)。

接着，在行驶行动推定部31由时刻t时的行驶环境数据(行驶数据)计算驾驶者行动推定值(加速器踏板操作量G(t)和制动器踏板操作量B(t))(步骤68)。

还有，在车辆动力计算部32中，由时刻t时的加速器踏板操作量G(t)和制动器踏板操作量B(t)、及之前一个时刻的车速V(t—1)，使用齿轮比或车重、道路的摩擦系数等车辆性能数据25，计算加速度a(t)等车辆行驶推定数据33。

计算的车辆行驶推定数据33除了加速度a(t)之外，还是如图12(d)所示的自车速度、车间距离、重心位置、轮胎角、横摆率、纵摇率等。

还有，在模拟行驶处理部34中，使用由车辆动力计算部32计算的时刻t时的车辆行驶推定数据33，计算接下来的时刻(t+1)的车速V(t+1)、车间距离F(t+1)，并更新(步骤70)。

另外，用模拟行驶处理部34计算t＝t+1的车辆行驶推定数据33(步骤71)。

还有，在行驶环境展开部30由车辆行驶推定数据33更新t＝t+1的模拟执行环境(步骤72)，在行驶性能评价部35计算·存储(步骤73)对道路数据的行驶轨迹。

还有，判断关于模拟执行用数据27的时刻tn为止的总数据的模拟行驶处理结束与否(步骤74)，若没有结束(步骤74；否)，则返回步骤68，继续使用了驾驶者模型的模拟。

在时刻tn为止的处理已结束的情况下(步骤74；是)，由行驶性能评价部35输出行驶评价数据，结束处理(步骤75)。

作为从行驶性能评价部35输出的行驶评价数据，如图12(e)所示，作为加速性能输出对加速器开度的加速曲线，作为减速性能输出对制动器操作量的减速曲线，作为操纵性能输出对方向盘操作量的行驶曲线，作为稳定性行驶性能，输出对道路方向的行驶轨迹等。

(8)模拟实验

(8—1)基于GMM的驾驶者模型的学习

为了GMM的学习，使用驾驶模拟器，收录驾驶数据。

道路为直线，为了使学习数据带有变化，采用先行车的行迹数据，以使所有的车速出现。

另外，进行两次10分钟的行驶，将两次的量作为学习数据。

图14(a)中示出先行车的行迹，图14(b)中示出收录的驾驶数据。

由于考虑了先行车的行迹的变化，因此可知，所有的车速出现。加速器踏板操作和制动器操作的各自的模型学习为具有全角共同分散行列的16混合的多维混合正规分布(GMM)。

(8—2)模拟结果和考察

为了评价构筑的车辆评价系统，准备学习数据中不包含的先行车的行迹，将其收录。

道路为直线，先行车的行迹使用在实际环境中收录的行迹。图14(c)中示出用于评价而使用的先行车的行迹。

使用该先行车的数据，生成驾驶行动，比较实际的驾驶数据。模拟条件如下所述。

学习数据；20分钟(两次10分钟)

特征量；V、F、G、ΔV、ΔG、ΔΔV、ΔΔF

道路；直线

Δ窗宽度；0.8秒

混合数；16

更新时间；0.1秒

图15表示在以上的条件下使用了本实施方式的车辆评价系统的模拟结果。

图15是车速的结果(a)、车间距离的结果(b)、及加速器踏板的结果(c)，实线是模拟结果，虚线表示实际的数据。

如图15所示，例如，认为关于加速器踏板操作，良好地捕捉实际的驾驶操作信号的波形的特征，良好地进行了基于GMM的模型化。

以上，对本发明的驾驶行动推定装置、驾驶支援装置、车辆评价系统中的第一实施方式进行了说明，但本发明不限定于说明的实施方式，能够在各请求范围中记载的范围内进行各种变更。

例如，在说明的实施方式中，基于GMM的驾驶者模型由学习数据学习车速或车间距离所谓的信号和驾驶行动信号的关系，因此，若成为学习数据中没有的条件(分布的末端)，则不能良好地进行踏板操作量的推定。

例如，在追踪行驶中，超过100m的车间距离或1m所谓的车间距离中的行驶不包含在学习数据中，在成为不包含于这样的学习数据的条件的情况下，不能良好地进行推定，其结果，持续远离先行车，或冲撞。

因此，为了避免这样的状况，设定如下也可，即：在车间距离为L1以下(例如，2m以下)时，不进行基于驾驶者模型的推定，施加全制动，在车间距离为L2以上(例如，100以上)的情况下，将加速器踩踏至全开。

其次，参照图16～图36，详细说明本发明的驾驶者模型生成装置及驾驶支援装置中适合的第二实施方式。

(9)第二实施方式的概要

在本实施方式中，通过检测驾驶者的生物体信息，识别是否为驾驶者的平常状态。还有，在驾驶者的驾驶中，收集驾驶状态的数据(自车辆信息、例如，加速器、制动器、转向的操作量、车速、车间距离、加速度等)，提取该驾驶状态数据中的驾驶者以平常状态驾驶的部分，生成驾驶者模型。

由此，能够在驾驶者没有意识到的情况下，自动生成正常时的驾驶者模型。

另外，仅将基于驾驶者的生物体信息以正常状态驾驶的情况作为正常时的驾驶行动，生成驾驶者模型，因此，能够形成为更高精度的空档的驾驶者模型。

在本实施方式中，例如，像在单程三车道的公路上，在信号为绿的交叉点从右转弯专用车道线右转弯的情况下，有对向车，人行横道有行人的情况下一样，按行驶中的自车辆周边环境的各场面(状况)生成驾驶者模型。

另外，通过实时比较由生成的驾驶者模型推定的正常时的驾驶行动、和当前的驾驶者的驾驶行动，监视当前的驾驶者的驾驶行动是否为“按通常”，或遗漏(遺脱)。

作为比较“通常的”驾驶和当前的驾驶时的指标，例如，使用驾驶者的“反应速度”和“不稳”。

进而，在本实施方式中，不仅基于驾驶者模型评价驾驶行动的变化，而且还添加生物体信息的变化，由此复合判断表示驾驶者的状态的信息，更高精度地检测驾驶者的疲劳或注意力的降低。

其结果，在从驾驶者原本的驾驶行动有遗漏的情况下，对此进行注意提醒、警告或信息提示，由此能够进行与该人匹配的安全驾驶支援。

另外，能够检测发现明显的疲劳或注意力的降低之前的前兆阶段的驾驶者状态，能够预先在疲劳达到高峰之前进行催促休息等高度的引导。

在本实施方式中，与第一实施方式相同地，驾驶者模型中使用GMM(高斯混合模型)，由此能够按各驾驶者每一人简便地生成驾驶者模型，进而，通过最大化带有条件的概率的计算，容易地推定并输出驾驶操作行动。

即，本实施方式的驾驶者模型生成装置、驾驶支援装置、及驾驶行动判定装置中，将以由加速器操作量、转向的操作量、车间距离、加速度等多种特征量构成的学习数据作为学习数据，利用EM(ExpectationMaximization)算法算出的高斯混合模型作为驾驶者模型采用。

该高斯混合模型由利用EM算法计算同时概率密度分布而得到的同时概率密度函数的参数构成，根据需要，按各驾驶者每一人、以及驾驶者的加速器操作用、制动器操作用、车间距离维持范围用等推定的特征量生成。

还有，测定使用于驾驶者模型的多个特征量中的除了特定的特征量x的行驶数据Y(＝y1、y2、……)，算出相对于该行驶数据Y的驾驶者模型中的最大事后概率，由此推定特征量x。

例如，使用与车辆周边的行驶环境(状况)相同的状况中的驾驶者模型，向驾驶者模型输入当前的自车状态，推定其以后的驾驶状态(例如，特征量x＝加速器操作量)的时间变化，与实际的驾驶状态进行比较，由此判断操作的延迟或操作的不稳等的有无。

(10)第二实施方式的详细

图16表示使用驾驶者模型生成装置的驾驶支援装置的结构。

驾驶支援装置具备：ECU(电子控制装置)50；自车辆信息获得部51；自车辆周边环境信息获得部52；生物体信息获得部53；信息提供部54；驾驶者模型处理部55；数据存储部56。

还有，关于利用图16说明的驾驶支援装置的结构，其全部不是必须的，对能够用于进行本实施方式中的驾驶者模型的生成及驾驶支援而使用的各部或装置进行了说明，可以根据采用的驾驶支援装置的功能等适当选择而构成驾驶支援装置，另外，可以追加使用具有同样的功能的其他设备、装置。

ECU50由具备CPU、ROM、RAM、接口的各部的计算机系统构成。

ECU50进行：基于自车辆信息获得部51的获得信息的驾驶者驾驶行动的监视、基于生物体信息获得部53的获得信息的驾驶者生物体信息的监视、向作为驾驶支援的驾驶者辅助内容的信息提供部54的指示。ECU50又将驾驶者模型的生成、输出所需的数据向驾驶者模型处理部55供给。

自车辆信息获得部51具备：方向盘操纵角传感器511、加速器踏板位置传感器512、制动器踏板位置传感器513、速度计514、加速度传感器515、电动作状况获得部516、定时器517、其他传感器。

图17中例示了在自车辆信息获得部51获得的作为驾驶者操作信息的自车辆信息。

如图17所示，方向盘操纵角传感器511检测方向盘操作量(角度)，加速器踏板位置传感器512检测加速器操作量，制动器踏板位置传感器513检测制动器操作量，速度计514检测车速。

加速度传感器515检测横摆轴加速度、纵摇轴加速度、辊轴加速度。

电动作状况获得部516检测闪光灯运行状况、灯运行状况、刮水器运行状况。

定时器517测量驾驶时刻、驾驶时间等各种时间。

自车辆周边环境信息获得部52具备：车辆周边信息获得部521、道路信息获得部522、及网络部523。

车辆周边信息获得部521具备：红外线传感器、毫米波传感器、超声波传感器、图像识别装置、车间距离传感器等各种传感器。图像识别装置进行在图像输入装置中摄像的车外图像的图像处理，识别车辆周边的障碍物或行人、车辆等存在对象。

图18中例示了在车辆周边信息获得部521中获得的车辆周边环境信息。

如该图18所示，利用车辆周边信息获得部521获得车辆、行人、障碍物、其他各种信息。

作为具体获得的信息，例如，按各车辆获得检测的周边存在的车辆的种类(轿车、摩托车、自行车等)、车间距离、相对速度、属性(对向车、并行车、直行(左、右)车等。

同样，对于行人、障碍物，也分别获得对其的信息。

道路信息获得部522具备：检测车辆的当前位置的GPS装置、或用于获得与检测的当前位置对应的道路信息或信号的有无等周边信息的地图信息。

另外，道路信息获得部522具备识别标识或道路环境的图像识别装置，但该图像识别装置与车辆周边信息获得部521的图像识别共有。

图19中例示了在道路信息获得部522获得的车辆周边环境信息。

在道路信息获得部522中，如图19所示，获得道路种类、道路形状、道路宽度、自车位置、路面状况、道的亮度、信号的有无和状态、道路属性(交通规则)、其他各种信息。

网络部523与VICS等交通信息网或气象信息传感器连接，获得交通信息或气象信息。

图20中例示了在网络部523中获得的车辆周边环境信息。

如图20所示，在VICS等获得拥堵信息有拥堵的距离、混杂的距离、事故的有无、禁止通行的有无、锁链限制的有无等。

另外，在气象信息传感器中获得的气象信息有晴、阴、雨等天气信息、降水概率、气温、其他信息。

在自车辆周边环境信息获得部52获得的自车辆周边环境信息与在上述自车辆信息获得部51获得的自车辆信息的一部分(例如，基于方向盘操作量的直进、右转弯、左转弯等信息)一同，按照状况表563，使用于状况的设定。

生物体信息获得部53获得用于判断车辆的驾驶中的驾驶者为正常状态还是异常状态的生物体信息，作为用于其的传感器，具备心电图扫描器、血压计、心率传感器、发汗传感器、及其他传感器。

生物体信息获得部53在车辆开始行驶的情况下，以规定时间间隔检测心率和发汗量，向ECU50供给。

心率传感器例如通过利用配置于方向盘的电极，从驾驶中的驾驶者的手采用心率信号而检测心率。还有，心率传感器可以将专用的传感器配置于手腕等驾驶者的身体上。

发汗传感器配置于方向盘上，由根据发汗状态流动的电流值的变化检测发汗状态。

图21中例示了在生物体信息获得部53获得的生物体信息。

在生物体信息获得部53中，将心电位、R—R间隔、心率、呼吸数、体温、血压、皮肤电位、失水分量、肌电位、脑波电位等作为对象。

信息提供部54具备：用于进行与驾驶者的驾驶状态对应的驾驶操作哦辅助或警告的驾驶操作辅助部、语音输出部、画面输出部。

图22中例示了由信息提供部54提供的信息、辅助的内容。

如该图22所示，驾驶操作辅助部中，作为修正基于驾驶者的驾驶操作的辅助，进行方向盘操作辅助、驾驶操作辅助、制动器操作辅助，因此，控制各操作部的转矩值的输出。例如，在基于驾驶者的方向盘操作有不稳的情况下，方向盘变重地进行转矩操作，在制动器的踩踏力弱的情况下，对制动器的踩踏量的输出变大地进行辅助。

另外，根据驾驶者的状态，语音输出部输出警告语音，画面输出部显示警告画面。

驾驶者模型处理部55具备：驾驶者模型生成部551、驾驶者模型存储部552、驾驶者模型输出部553。

驾驶者模型生成部551作为驾驶者模型生成装置发挥功能，储存在自车辆信息获得部51中获得的自车辆信息中驾驶者的状态为正常状态的情况下的自车辆信息，从该正常状态的自车辆信息生成驾驶者模型。

正常状态的自车辆信息按在获得该信息时由自车辆周边环境信息获得部52获得的自车辆信息确定的状况进行储存，按各状况生成驾驶者模型。

驾驶者模型存储部552按各状况保存在驾驶者模型生成部551中生成的驾驶者模型。

在驾驶者模型生成部551中，若储存规定量的对各状况的自车辆信息，则生成该状况的驾驶者模型，将其存储于驾驶者模型存储部552。还有，在每次获得自车辆信息时，将对应的状况的驾驶者模型与之前已储存的自车辆信息合并而重新生成驾驶者模型，更新驾驶者模型。还有，驾驶者模型的更新不在每次获得对应的状况的新的自车辆信息时，而是在每次追加储存规定量时生成、更新也可。

图23概念性表示驾驶者模型存储部552的存储内容。

如该图23所示，驾驶者模型按状况分类。存储的各驾驶者模型a、b、c、……与对应的状况数据(状况a、b、c、……)连线，系统作为用于引用驾驶者模型的标记发挥功能。

通过这样设定，在驾驶者模型的检索时，能够进行一并获得“驾驶者在某水平下的疲劳状况”的情况的驾驶者模型的系统硬件(cash)操作。

驾驶者模型输出部553基于与特定的状况n对应的驾驶者模型n，推定并输出正常状态下的驾驶者的操作量、即，相对于状况n的通常时(正常时)的驾驶操作量。

通过比较该推定驾驶操作量、和当前的自车辆信息，按规定时间间隔得到用于判断后述的驾驶行动的状态(反应延迟、不稳等)的基础数据即驾驶行动遗漏数据。

还有，用ECU50实现驾驶者模型处理部55中的驾驶者模型生成部551和驾驶者模型输出部553的两功能，将驾驶者模型存储部552保存于数据存储部56也可。

在数据存储部56中储存本实施方式的驾驶者模型生成处理、及驾驶操作辅助处理所需的各种数据或表。

弯曲曲率包括：软碟、硬盘、磁带等磁记录介质、存储器芯片或IC卡等半导体记录介质、CD—ROM或MO、PD(相变化可擦型光盘)等光学读取信息的记录介质、用其他各种方法记录数据或计算机程序的记录介质。

记录介质根据记录内容使用不同的介质也可。

弯曲曲率中储存驾驶行动遗漏数据561、自车辆信息562，另外，储存状况表563。

驾驶行动遗漏数据561是由相对于当前行驶中的状况n的驾驶者模型n推定的正常时的驾驶操作量、和基于实际的自车辆信息的操作量的差分数据，对于当前行驶中的状况n按规定时间间隔算出并保存。

自车辆信息562按各状况储存以正常状态行驶时的自车辆信息。在储存了规定量的该自车辆信息的时点，生成与该状况对应的驾驶者模型。驾驶者模型在一次生成后，每次获得对应的状况的自车辆信息时被更新。

状况表563用于由获得的自车辆信息和自车辆周边环境信息确定对应的状况a、b、c、……的表。

图24概念性表示状况表的内容。

如该图24所示，按与驾驶者模型a、b、c、……对应的各状况a、b、c……，设定用于成为该状况的状况标记。

就状况标记来说，在自车辆信息和自车辆周边环境信息中的各小项目每一个中选择一个数据。

其次，说明基于如上所述地构成的驾驶支援装置的各种处理动作。

图25是生成驾驶者“通常的驾驶行动”(正常时)的驾驶者模型的驾驶者模型生成处理的处理动作的流程图。

在本实施方式中，驾驶者模型的生成在车辆行驶中执行，但在行驶中进行驾驶者的生物体信息、自车辆信息、自车辆周边环境信息的收集和储存，关于状况标记的设定及驾驶者模型的生成，在车辆行驶中以外进行也可。

驾驶者模型生成部551在车辆行驶中从生物体信息获得部53收集各时点时的生物体信息(步骤110)。还有，经由ECU50收集生物体信息等各种信息(下同)。

其次，驾驶者模型生成部551通过从收集、储存的生物体信息监视其变化状态，判断当前的驾驶者的状态是否为正常状态(步骤111)。

图26～图28概念性表示判断驾驶者是否为正常状态的方法。

图26表示通过驾驶者的心率的变动，监视摇晃或焦躁引起的精神(mental)变化的状态。

如图26(a)所示，在规定的上下的阈值h1和h2之间夹有心率的测定值的情况下，判断为正常状态(稳定的状态)。

另一方面，如图26(b)所示，检测到心率的测定值为下侧阈值h1以下，或上侧阈值h2以上的情况下，判断为摇晃或焦躁引起的异常的状态(不稳定状态)。

还有，在本实施方式中，如图26(b)所示，在规定时间内从上下阈值h1、h2间的两侧偏离的情况下，判断为异常状态，但将任一方的阈值超过规定时间的情况判断为异常也可。

图27表示通过心电图的洛伦茨拓扑解析监视精神变化的状态。

在洛伦茨拓扑解析中，将任意的时刻n时的心电位的R—R间隔设为RRn，将接下来的时刻n+1时的心电位的R—R间隔设为RRn+1的情况下，生成横轴取RRn的值，纵轴曲RRn+1的值的图表。在此，R—R间隔是心电位的峰值到接下来的峰值的时间间隔，相当于心率的间隔。

根据该洛伦茨拓扑解析可知，在极度的紧张状态的情况下，如图27(a)所示，心率间隔为相同间隔，拓扑点的集合集中于y＝x线的一处。

另外，在适当的紧张状态(有适度的注意力的状态)下，观测到心率间隔带有适度的摆动，如图27(b)所示，拓扑点的集合在y＝x线上细长地标绘。

另外，在注意力不集中的状态下，心率间隔的摆动大，如图27(c)所示，观测到拓扑点的集合也在y＝x线上向原点方向及与其成直角的方向膨出的集合。

另外，在有睡意的状态下，如图27(d)所示，拓扑点的集合是心率间隔的y＝x线方向的拓扑区域变宽，但原点侧的宽度窄，且从随着远离原点而变宽的倾向。

通过该洛伦茨拓扑解析，判断正常状态(适度的紧张状态)和不正常的状态(极度的紧张状态、注意力不集中的状态、有睡意的状态)。

图28表示由获得的生物体信息通过交感神经系优势的状态还是副交感神经系优势的状态来判断是否为正常状态的情况。

如该图28所示，例如，由驾驶者的摄像图像测定瞳孔的大小，在其大小散大的情况下，判断为交感神经系最为优势，由于极度的紧张状态有可能导致注意力降低。相反，瞳孔的大小为收缩状态的情况下，判断为副交感神经系为优势的弛缓状态，根据收缩的程度，注意力可能低，注意力可能极低。

另一方面，在交感神经系为适度优势的瞳孔尺寸的情况下，判断为适度的紧张状态下注意力高的正常状态。

按包括瞳孔的尺寸的图28所示的作用项目(心率、心脏收缩力等)的各测定项目，预先确定用于区分为极度的紧张、适度的紧张、弛缓状态(注意力低)、弛缓状态(注意力基底)这四个状态的值。

还有，在驾驶者模型的生成中，判断正常状态与否，但在后述的驾驶者生物体信息监视处理(参照图33)中的驾驶者生物体信息情况判断(步骤142)中，基于图26～图28中说明的方法判断极度的紧张状态、适度的紧张状态、注意力不集中的状态、弛缓状态、有睡意的状态这五个状态。

如上所述，由生物体信息判断驾驶者是否为正常状态，若为正常(步骤111；是)，则驾驶者模型生成部551从自车辆信息获得部51和自车辆周边环境信息获得部52收集正常时的自车辆信息和自车辆周边环境信息作为正常驾驶者模型生成用的信息(步骤112)。

图29中例示了在交叉点右转弯时由自车辆信息获得部51和自车辆周边环境信息获得部52获得的自车辆信息和自车辆周边环境信息。

在如该图29所示的交叉点右转弯的情况下，作为获得的信息，获得道路种类、道路状况、自车速度、自车位置、前进方向、自车侧的信号的状态(红、绿、黄等)、前方车辆的有无、前方车辆的种类、前方车辆相对位置、前方车辆相对速度、对向车的有无、对向车车种、对向车相对位置、对向车相对速度、行人的有无、行人的种类、行人的位置、行人的前进方向、天气等。

还有，在本实施方式中，获得这些信息，使用于后述的状况的设定，但未必一定需要使用其全部，进行基于任一部分的信息的状况的设定也可，相反，进行基于更详细的信息的状况的设定也可。

驾驶者模型生成部551由收集的自车辆信息和自车辆周边环境信息，按照状况表563(参照图24)，设定状况标记，将收集的正常时的自车辆信息储存于相应的状况的自车辆信息562中(步骤113)。

其次，驾驶者模型生成部551按照收集及储存的自车辆信息562，生成与在步骤113设定的状况对应的正常时用正常驾驶者模型(步骤114)，返回主程序。

另一方面，由生物体信息判断是否为正常状态，若为正常(步骤111；否)，则驾驶者模型生成部551与正常时相同地，作为异常驾驶者模型生成用信息，将异常时的自车辆信息和自车辆周边环境信息从自车辆信息获得部51和自车辆周边环境信息获得部52收集(步骤115)。

驾驶者模型生成部551由收集的自车辆信息和自车辆周边环境信息按照状况表563(按照图24)设定状况标记，将收集的异常时的自车辆信息储存于相应的状况的自车辆信息562(步骤116)。

其次，驾驶者模型生成部551按照收集储存的异常时的自车辆信息562，生成与在步骤116设定的状况对应的异常时用异常驾驶者模型(步骤117)，返回主程序。

还有，在本实施方式中，对根据生物体信息为正常还是异常来生成正常驾驶者模型和异常驾驶者模型的情况进行了说明，但例如，作为异常状态，使生物体信息比规定的上下阈值高、低地分别生成对应于生物体信息的状态的驾驶者模型。

在此，对基于驾驶者模型生成部551的驾驶者模型的生成进行说明。

在本实施方式中，利用GMM生成驾驶者模型。

关于基于本实施方式的驾驶支援装置(驾驶者模型生成装置)的正常时的驾驶者模型的生成、和基于生成的驾驶者模型的驾驶操作量的推定的原理如图1及第一实施方式中的说明所述。

还有，关于特征量，使用自车辆信息获得部51中获得的所有的信息中的其他信息的组合来生成也可。

在本实施方式的驾驶支援装置中，将由加速器操作量、车速、车间距离等构成的各状况每一个的行驶数据1(自车辆信息)作为学习数据，利用EM算法预先生成基于与各状况对应的GMM的驾驶者模型2。

还有，驾驶者模型按驾驶者每一人生成也可。

还有，在推定驾驶者的驾驶行动(例如，驾驶操作量)的情况下，使用对应的驾驶者模型2，计算时刻t时的行驶数据1的测定值(V、F、ΔV、……)3的最大事后概率4，由此推定该驾驶者可能操作的加速器操作量5。

将这样推定的各操作量作为行驶数据推定接下来的操作量，与各时刻每一个iede实测值(自车辆信息)进行比较，由此算出驾驶行动遗漏数据。

在该例的驾驶支援装置中，驾驶者将基于当前的车速、车间距离、及这些的一次、二次动态特征量确定加速器踏板和制动器踏板的操作量的假设作为基础。

以下，驾驶者模型的生成和驾驶行动的推定的原理如第一实施方式中说明所述。

还有，(A)在驾驶者模型的学习中，行驶数据1是作为驾驶者模型生成的对象的驾驶者实际驾驶的数据，使用在驾驶者实际驾驶时实时测定、收集的行驶数据1。另外，通过使用预先测定并储存的行驶数据1，进行脱机的学习。

另外，关于与基于最大事后概率的驾驶行动的推定有关的概略，如在第一实施方式中说明的图2中所示。

对使用如上所述地按各状况生成的驾驶者模型，确定驾驶者的驾驶行动的状态的驾驶者驾驶行动监视处理进行说明。

图30是表示驾驶者驾驶行动监视处理的处理动作的流程图。

ECU50从自车辆信息获得部51和自车辆周边环境信息获得部52收集自车辆信息和自车辆周边环境信息(步骤120)。

其次，ECU50如图31(a)所示，基于获得的自车辆信息和自车辆周边环境信息，设定状况标记(步骤121)。

还有，ECU50基于设定的状况标记，与状况表563进行匹配处理，检索适合获得的自车辆周边环境信息等现状的状况，由此判断对应的驾驶者模型存在与否(步骤122)。

在对应的驾驶者模型不存在的情况下(步骤122；否)，返回主程序。

另一方面如图31(b)所示，检测适合现状的状况，对应的驾驶者模型存在的情况下(步骤122；是)，ECU50从驾驶者模型存储部552读出与适合的状况连线的驾驶者模型，将其向驾驶者模型输出部553输出(步骤123)。

其次，ECU50将由自车辆信息获得部51在时刻t时获得的自车辆信息(实测值)作为初始值(t)，向驾驶者模型输出部553输入(步骤124)。这样，驾驶者模型输出部553将时刻t时的自车辆信息(t)向驾驶者模型输入，计算最大事后概率，由此向ECU50输出时刻t+1时的驾驶行动数据(操作量)的推定值“t+1”(步骤125)。

接着，ECU50获得当前(时刻t+1)时的自车辆信息(t+1)(步骤126)，算出时刻t+1时的驾驶行动遗漏数据(“t+1”—(t+1))，将其存储于驾驶行动遗漏数据561(步骤127)。

还有，ECU50判断存储的驾驶行动遗漏数据561是否储存了规定数(步骤128)，若规定数未满(步骤128；否)，则将在步骤125推定的操作量的推定值“t+1”作为(t)向驾驶者模型输入(步骤129)，向步骤125转移，由此，进而继续时刻的驾驶行动遗漏数据561的储存(步骤125～127)。

另一方面，若储存规定数的驾驶行动遗漏数据561(步骤128；是)，则ECU50由驾驶行动遗漏数据561的状态判断驾驶行动遗漏倾向，并输出(步骤130)，返回主程序。

在本实施方式中，作为驾驶行动的遗漏倾向，对“反应速度的延迟”的有无和“操作的不稳”的有无这两个项目进行判断。

图32中概念性比较从驾驶者模型输出部553输出的正常状态下的驾驶操作量(普通驾驶)的推定值、和当前的驾驶的操作量(自车辆信息)。

在该图32中，从驾驶者模型输出的驾驶操作量(通常的驾驶)表示向驾驶者模型输入当前的驾驶操作量的初始值，驾驶者在正常时作为通常所取的驾驶行动概率最高的操作量的输出值，表示若为正常时则通常应该会进行这样的驾驶(应该是操作量)的假设的操作量。

对于该假想的操作量，对照当前的驾驶的操作量，判断反应速度的延迟和操作的不稳的倾向。

例如，如图32(a)所示，由驾驶者模型推定的操作量随着时间经过而增加的情况下，在规定时间经过后，由自车辆信息获得部51获得基于自车辆信息的操作量的情况下，判断为存在反应速度的延迟倾向。

另外，如图32(b)所示，与在驾驶者模型中推定的操作量进行比较，基于获得的自车辆信息的操作量随着时间经过而增加，或减少的情况下，增加、减少量(驾驶行动遗漏数据的绝对值)为规定值以上的情况下，判断为驾驶操作存在不稳。

另一方面，在由驾驶者模型推定的操作量、和基于获得的自车辆信息的操作量大致一致的情况下，即驾驶行动遗漏数据的绝对值为规定值以下的状态持续的情况下，判断为均没有反应延迟、不稳的正常状态。

其次，按照图33的流程图，说明行驶中的驾驶者的生物体信息的监视处理。

首先，ECU50在车辆行驶中由生物体信息获得部53收集、储存各时点的生物体信息(步骤141)。

其次，ECU50通过由收集、储存的生物体信息监视其变化状态，利用与图26～图28中说明的方法相同的方法，判断当前的驾驶者生物体信息的状态(情况)(步骤142)，返回主程序。

还有，以上说明的驾驶者驾驶者生物体信息监视处理能够兼用作图25中说明的行驶中的驾驶者模型生成处理中的驾驶者生物体信息收集(步骤110)、和驾驶者生物体信息的变化是否为正常的判断(步骤111)。

在这种情况下，在驾驶者模型生成处理中，在步骤111中监视驾驶者的状态是否为正常状态，对此，如在图25中说明所述，按照图26～图28也判断、输出不是正常状态的情况下相当于哪一种状态。

还有，兼用该判断的情况下，驾驶者模型生成部551、ECU50的任一个进行其判断。

弯曲曲率，如图34(a)、(b)所示，由驾驶者的眼睛的状态，判断正常状态、睡意、疲劳状态也可。

由该眼睛的状态的判断在驾驶者模型生成处理(步骤111)、及驾驶者信息监视处理(步骤142)的任一方、或双方中使用也可。

具体来说，如图34(a)所示，作为驾驶者的状态，利用图像处理检测眨眼次数、眨眼时间、眼皮的开度、视线的移动，根据其值或状态判断睡意的状态。

另外，如图34(b)所示，眨眼次数增大的情况下或眼皮的移动痉挛的情况下，揉眼的情况下，揉眼角的情况下，判断为疲劳。

图35是表示基于驾驶者的驾驶状态及生物体信息情况的驾驶支援处理的动作的流程图。

在ECU50中，作为驾驶者的状态，获得驾驶者驾驶行动监视处理(图30)的步骤130中判断并输出的驾驶行动遗漏倾向(步骤151)，并且，获得驾驶者生物体信息监视处理(图33)的步骤142中判断并输出的驾驶者生物体信息情况(步骤152)。

还有，ECU50由获得的驾驶行动遗漏倾向和生物体信息情况，确定驾驶支援的内容，进行向驾驶者支援的方法(步骤153)，返回主程序。

图36中将由获得的驾驶行动和生物体信息情况推定的驾驶者的状态(a)、和对应于推定的驾驶者的状态进行的驾驶支援的内容生成了表。

还有，图36(b)的表储存于ECU50的ROM中。

如图36(a)所示，各驾驶行动(反应迟延、不稳、反应弛缓+不稳、无两者)、和各生物体信息情况(极度的紧张状态、适度的紧张状态、注意力不集中的状态、弛缓状态、有睡意的状态)的组合，推定过度集中、逐渐疲劳、漫不经心驾驶、睡意、焦躁、东张西望等所谓的驾驶者的状态。

还有，对应于由这些各组合推定的各状态，如图36(b)所示，ECU50由信息提供部54进行基于语音或振动的注意提醒、提供设施信息建议休息、注意提醒+α1、提供信息消除气氛等驾驶支援。

还有，图36所示的驾驶支援中，ECU50对于+α1，由于集中于驾驶以外而危险，因此，催促注意提醒并且进行自动增大与前方车辆的车间距离的控制等。

另外，ECU50对于+α2，为了集中于驾驶而进行注意提醒，并且，进行如下动作，即：使用会话功能或传感器调查驾驶者越马虎驾驶越对什么感到负荷，引导用于抽一根的休息，或进行烦恼消除商谈，或改进驾驶者抱有的问题。

另外，ECU50对于+α3，进行唤醒眼睛的注意提供，并且，迅速进行采取休息的引导等。

另外，在ECU50中，作为注意提醒的内容，进行驾驶操作或生物体信息的什么导致问题而警告等容易使驾驶者理解的具体的说明也可。

以上，对本发明的驾驶者模型生成装置及驾驶支援装置中的一实施方式进行了说明，但本发明不限定于说明的实施方式，在各请求项中记载的范围中可以进行各种变形。

例如，在说明的实施方式中，由判断的驾驶行动和生物体信息情况确定驾驶支援的内容的情况进行了说明，但由判断的驾驶行动确定驾驶支援内容也可。