水淹检知装置、水淹检知系统及计算机可读介质

技术领域

本公开涉及水淹检知装置、水淹检知系统及计算机可读介质。

背景技术

有时会由于大量的降雨或下到其他场所的雨水等流入而导致道路水淹。作为检知这样的道路的水淹的技术，例如提出了日本特开2004-341795号公报和日本特开2012-216103号公报这2个技术。

在日本特开2004-341795号公报中提出了：在车辆具备构成为能够检知液状有形物的存在的水淹传感器来检知道路的水淹，向中心服务器发送检知结果，对其他车辆设定不通过不能通过的水淹的路线来进行绕行路线的引导。

在日本特开2012-216103号公报中提出了：基于车辆的刮水器的刮擦速度和动作时间来预测车辆正在行驶的位置的降雨量，基于来自其他车辆的预测降雨量来预测在行驶路线上是否会发送水淹。

然而，在日本特开2004-341795号公报的技术中，需要水淹传感器，为了更简易地判定水淹，存在改善的余地。

另外，在日本特开2012-216103号公报的技术中，即使降雨量完全相同，所有驾驶员也未必以相同的刮水器速度使刮水器工作，为了准确地判定水淹，存在改善的余地。

发明内容

本公开提供能够使用车辆的行驶状态数据来简易且高精度地检知道路的水淹的水淹检知装置、水淹检知系统及计算机可读介质。

本公开的第一方案是一种水淹检知装置，其中，包括：取得部，取得与车辆的行驶相关的多个种类的行驶状态数据；及检知部，使用基于用于求出因车辆行驶而变化的物理量的车辆行为模型和所述取得部取得的当前的所述多个种类的行驶状态数据而预测出的所述物理量和从所述取得部取得的当前的所述行驶状态数据得到的所述物理量，检知车辆行驶的道路的水淹，所述车辆行为模型由车辆的驱动力和包括作用于车辆的空气阻力、作用于车辆的坡度阻力及作用于车辆的滚动阻力的行驶阻力构成。

根据本公开的第一方案，在取得部中，取得与车辆的行驶相关的多个种类的行驶状态数据。例如，水淹检知装置存在搭载于车辆的情况和设置于车辆以外的情况等，在搭载于车辆的情况下，取得部取得本车辆的行驶状态数据。另外，在水淹检知装置设置于车辆以外的情况下，取得部取得预先确定的关注车辆的行驶状态数据。

并且，检知部使用基于用于求出因车辆行驶而变化的物理量的车辆行为模型和取得部取得的当前的多个种类的行驶状态数据而预测出的物理量和从取得部取得的当前的行驶状态数据得到的物理量，来检知车辆行驶的道路的水淹。由此，不用使用水淹检知传感器就能够检知水淹。另外，作为车辆行为模型，使用由车辆的驱动力和包括作用于车辆的空气阻力、作用于车辆的坡度阻力及作用于车辆的滚动阻力的行驶阻力构成的车辆行为模型。由此，能够使用车辆的行驶状态数据来简易且高精度地检知道路的水淹。

本公开的第二方案是一种水淹检知装置，其中，包括：取得部，从多个车辆取得与行驶相关的多个种类的行驶状态数据；导出部，使用从多个车辆预先取得的所述多个种类的行驶状态数据和预先确定的学习模型，来导出用于求出因车辆行驶而变化的物理量的车辆行为模型，所述车辆行为模型由车辆的驱动力和包括作用于车辆的空气阻力、作用于车辆的坡度阻力及作用于车辆的滚动阻力的行驶阻力构成；及检知部，使用利用所述导出部导出的所述车辆行为模型和所述取得部从预先确定的关注车辆取得的当前的所述多个种类的行驶状态数据而预测出的所述物理量和从所述取得部从所述关注车辆取得的所述行驶状态数据得到的所述物理量，检知所述关注车辆行驶的道路的水淹。

根据第二方案所述的发明，在取得部中，从多个车辆取得与行驶相关的多个种类的行驶状态数据。

在导出部中，使用从多个车辆预先取得的多个种类的行驶状态数据和预先确定的学习模型，导出用于求出因车辆行驶而变化的物理量的车辆行为模型。

并且，在检知部中，使用利用车辆行为模型和取得部从预先确定的关注车辆取得的当前的多个种类的行驶状态数据而预测出的物理量和从取得部从关注车辆取得的行驶状态数据得到的物理量，检知关注车辆行驶的道路的水淹。由此，不用使用水淹检知传感器就能够检知水淹。另外，通过使用由车辆的驱动力和包括作用于车辆的空气阻力、作用于车辆的坡度阻力及作用于车辆的滚动阻力的行驶阻力构成的车辆行为模型作为车辆行为模型，能够使用车辆的行驶状态数据来简易且高精度地检知道路的水淹。

本公开的第三方案根据第一或第二方案，行驶阻力可以还包括作用于车辆的加速阻力。由此，能够进一步提高水淹的检知精度。

本公开的第四方案根据第一或第二方案，检知部可以在预测出的物理量与从行驶状态数据得到的物理量之差为预先确定的阈值以上的情况下，判定为水淹而检知道路的水淹。由此，不用使用水淹检知传感器就能够检知水淹。

本公开的第五方案根据上述方案，车辆行为模型可以通过使用多元回归式作为学习模型而导出。

本公开的第六方案根据上述方案，车辆行为模型可以将车辆的速度、加速度或加速度的变化率设为物理量，通过使用运动方程式而导出。

本公开的第七方案是一种水淹检知系统，其中，包括：检测部，取得与车辆的行驶相关的多个种类的行驶状态数据；取得部，从多个车辆取得所述检测部检测到的所述多个种类的行驶状态数据；导出部，使用所述取得部从多个车辆预先取得的所述多个种类的行驶状态数据和预先确定的学习模型，导出用于求出因车辆行驶而变化的物理量的车辆行为模型，所述车辆行为模型由车辆的驱动力和包括作用于车辆的空气阻力、作用于车辆的坡度阻力及作用于车辆的滚动阻力的行驶阻力构成；及检知部，使用利用所述导出部导出的所述车辆行为模型和所述取得部从预先确定的关注车辆取得的当前的所述多个种类的行驶状态数据而预测出的所述物理量和从所述取得部从所述关注车辆取得的当前的所述行驶状态数据得到的所述物理量，来检知所述关注车辆行驶的道路的水淹。

在本公开的第七方案中，检测部检测与车辆的行驶相关的多个种类的行驶状态数据。

在取得部中，从多个车辆取得检测部检测到的多个种类的行驶状态数据。

在导出部中，使用取得部从多个车辆预先取得的多个种类的行驶状态数据和预先确定的学习模型，来导出用于求出因车辆行驶而变化的物理量的车辆行为模型。

并且，在检知部中，使用利用导出部导出的车辆行为模型和取得部从预先确定的关注车辆取得的当前的多个种类的行驶状态数据而预测出的物理量和从取得部从关注车辆取得的行驶状态数据得到的物理量，来检知关注车辆行驶的道路的水淹。由此，不用使用水淹检知传感器就能够检知水淹。另外，通过使用由车辆的驱动力和包括作用于车辆的空气阻力、作用于车辆的坡度阻力及作用于车辆的滚动阻力的行驶阻力构成的车辆行为模型作为车辆行为模型，能够使用车辆的行驶状态数据来简易且高精度地检知道路的水淹。

本公开的第八方案是一种记录有水淹检知程序的计算机可读介质，其中，使计算机作为第一～第六方案的水淹检知装置的各部发挥功能。

根据上述方案，本公开的水淹检知装置、水淹检知系统及计算机可读介质能够使用车辆的行驶状态数据来简易且高精度地判定道路的水淹。

附图说明

典型的实施方式将会基于以下的附图来详细描述，其中：

图1是示出本实施方式的水淹检知系统的概略结构的框图；

图2是用于说明使用了车速的预测值和实测值的错误(水淹)判定的一例的图；

图3是示出将车型与模型的系数建立了对应的表的一例的图；

图4是示出在本实施方式的水淹检知系统的水淹区域推定中心中在利用机器学习导出车辆行为模型时由中央处理部进行的处理的流程的一例的流程图；

图5是示出在本实施方式的水淹检知系统的水淹区域推定中心中在判定水淹时由中央处理部进行的处理的流程的一例的流程图；

图6是示出在本实施方式的水淹检知系统中在水淹区域推定中心中中央处理部推定水淹区域的处理的流程的一例的流程图；

图7是示出将水淹判定在搭载于各车辆的信息提供装置侧进行的情况下的水淹检知系统的结构例的框图；

图8是用于说明车辆行为模型的其他例的图。

具体实施方式

以下，参照附图来详细说明本公开的实施方式的一例。图1是示出本实施方式的水淹检知系统的概略结构的框图。

在本实施方式的水淹检知系统10中，搭载于多个车辆12的信息提供装置14与水淹区域推定中心36经由通信网络34而连接。水淹区域推定中心36从搭载于多个车辆12的信息提供装置14收集车辆12的行驶状态数据作为CAN(Controller Area Network：控制器局域网)数据。并且，使用收集到的CAN数据来进行判定各车辆12正在行驶的道路的水淹的处理。另外，水淹区域推定中心36使用各车辆12正在行驶的道路的水淹判定的结果来进行推定水淹区域的处理。

搭载于各车辆12的信息提供装置14具备运算部16、GPS接收部18、加速度传感器20、显示部22、车速传感器24、通信部26、坡度传感器28、加速器踏板传感器30及制动器踏板传感器32。需要说明的是，加速度传感器20、车速传感器24、坡度传感器28、加速器踏板传感器30及制动器踏板传感器32对应于检测部。

运算部16由包括CPU(Central Processing Unit：中央处理单元)、ROM(Read OnlyMemory：只读存储器)及RAM(Random Access Memory：随机存取存储器)等的一般的微型计算机构成。

GPS接收部18接收来自GPS(Global Positioning System：全球定位系统)卫星的信号并将接收到的GPS信号向运算部16输出。由此，运算部16基于来自多个GPS卫星的GPS信号来测定本车辆12的位置。

加速度传感器20检测作用于本车辆12的加速度作为行驶状态数据，并将检测结果向运算部16输出。关于加速度，可以检测车辆12的前后方向、宽度方向及上下方向的各个方向，但也可以仅检测车辆12的前后方向的加速度。

显示部22显示由水淹区域推定中心36推定出的水淹区域的信息(例如，地图信息等)、各种信息。

车速传感器24检测本车辆12的行驶速度作为行驶状态数据，并将检测结果向运算部16输出。

通信部26通过与通信网络34进行无线通信来与水淹区域推定中心36、搭载于其他车辆12的信息提供装置14通信。作为通信网络34，例如包括便携电话线路网等无线通信线路网。

坡度传感器28通过检测车辆12的倾斜来检测车辆12正在行驶的坡度作为行驶状态数据，并将检测结果向运算部16输出。关于坡度，可以仅检测车辆12的前后方向的坡度，也可以还检测车宽度方向的坡度。

加速器踏板传感器30检测加速器踏板的踩踏量作为行驶状态数据，并将检测结果向运算部16输出。

制动器踏板传感器32检测制动器踏板的操作状态作为行驶状态数据，并将检测结果向运算部16输出。

在本实施方式中，虽然说明作为行驶状态数据而将加速度传感器20、车速传感器24、坡度传感器28、加速器踏板传感器30及制动器踏板传感器32的检测结果作为一例进行检测的例子，但不限于此。

运算部16将从各传感器取得的多个种类的行驶状态数据及识别车型的车型ID经由通信部26及通信网络34而向水淹区域推定中心36发送。

另一方面，水淹区域推定中心36具备中央处理部38、中央通信部48、模型存储部50及CAN数据库52。

中央通信部48通过与通信网络34进行无线通信来与搭载于各车辆12的信息提供装置14通信。

模型存储部50存储求出因车辆12行驶而变化的物理量(详情后述)的车辆行为模型和针对每个车型设定的系数表。

CAN数据库52将从搭载于各车辆12的信息提供装置14取得的行驶状态数据作为CAN数据存储。

中央处理部38由包括CPU(Central Processing Unit：中央处理单元)、ROM(ReadOnly Memory：只读存储器)及RAM(Random Access Memory：随机存取存储器)等的一般的计算机构成。中央处理部38具有预测部40、判定部42、水淹区域推定部44及模型更新部46的功能。各功能通过执行存储于ROM等的程序而实现。需要说明的是，中央处理部38的各功能相当于取得部、导出部、检知部、结果收集部及推定部，详情对应于后述的处理。

预测部40读出预先存储于模型存储部50的车辆行为模型，根据车型ID来确定车型，选择与车型对应的系数并向车辆行为模型应用，由此导出每个车型的车辆行为模型。然后，通过向导出的车辆行为模型代入CAN数据来算出物理量的预测值。在本实施方式中，作为预测的物理量而应用车速，为了求出车速而向预先导出的车辆行为模型应用与车型对应的预先求出的系数，算出车速的预测值。需要说明的是，关于求出车速的车辆行为模型的详情将在后文叙述。

判定部42将由预测部40预测出的车速与从信息提供装置14取得的实际的车速进行比较，判定道路的水淹的有无。具体而言，通过在预测值与实测值之差为预先确定的阈值以上的情况下判定为水淹来检知道路的水淹。例如，如图2所示，在相对于时间经过而实测值和预测值发生了变化的情况下，在实测值与预测值之差为预先确定的阈值以上的状态持续了规定时间(例如5秒以上)的区间中，判定部42判定为错误(水淹)。

水淹区域推定部44使用判定部42的判定结果来推定道路发生了水淹的水淹区域。例如，将地图分割成四边100m区划来定义区域，收集各车的判定部42的判定结果，在某区域中在规定时间内规定数以上判定为水淹的情况下，将该区域推定为水淹区域。

模型更新部46使用存储于CAN数据库52的CAN数据，通过机器学习来导出车辆行为模型的系数，将该系数向模型存储部50存储，并且随时更新模型的系数表。

接着，对求出上述的车速的车辆行为模型的一例进行详细说明。在本实施方式中，使用运动方程式来导出用于求出车速作为物理量的车辆行为模型。

首先，运动方程式能够由以下的(1)式表示。

M×(dv/dt)＝F···(1)

需要说明的是，M是车辆重量，dv/dt是加速度，F是车辆12前进的力。

在此，dv/dt能够近似地由以下的(2)式表示。

dv/dt＝(v(t+Δt)-(v(t))/Δt···(2)

需要说明的是，v(t+Δt)是Δt秒后的车速(预测出的车速)，t是时间，v(t)是当前的时刻的车速。

若将(2)式向(1)式代入，则得到以下的(3)式。

M×(v(t+Δt)-v(t))/Δt＝F···(3)

若关于v(t+Δt)进行整理，则成为以下的(4)式。

v(t+Δt)＝v(t)+(F/M)×Δt···(4)

在此，F的项是F＝F1(车辆12的驱动力)-F2(车辆12受到的阻力)，但若使用CAN数据，则

F1＝C1×R···(5)

需要说明的是，C1是系数，R是加速器踩踏量，从CAN数据得到。

F2＝空气阻力+坡度阻力+滚动阻力+加速阻力…(6)

空气阻力＝C21×v(t)

坡度阻力＝C22×sinθ

滚动阻力＝C23×v(t)

加速阻力＝C24×a(t)

需要说明的是，C21、C22、C23、C24是系数，θ是路面坡度，v(t)是车速，a(t)是加速度，从CAN数据得到。

将(5)式及(6)式向(4)式代入，能够得到下述的多元回归式作为车辆行为模型。

v(t+Δt)＝v(t)+{C1×R-(C21×v(t)

关于各系数，使用从多个车辆12收集并存储于CAN数据库的大量的CAN数据，通过多元回归分析的学习模型而求出各系数并作为系数表而向模型存储部50存储。另外，在每当新取得CAN数据时，更新存储于模型存储部50的系数。另外，由于系数针对每个车型不同，所以针对每个车型求出并更新系数。例如，关于向模型存储部50存储的系数，如图3所示，将车型与模型的系数建立对应并作为表而存储。

接着，对在如上述这样构成的本实施方式的水淹检知系统10中在水淹区域推定中心36中中央处理部38导出车辆行为模型时的处理进行说明。图4是示出在本实施方式的水淹检知系统10的水淹区域推定中心36中通过机器学习来导出车辆行为模型时由中央处理部38进行的处理的流程的一例的流程图。需要说明的是，图4的处理在导出车辆行为模型的初始的系数时进行，并且在每当向CAN数据库52收集CAN数据时进行。

在步骤100中，模型更新部46取得作为经由中央通信部48而收集到CAN数据库52的行驶状态数据的CAN数据，并向步骤102转移。需要说明的是，步骤100相当于取得部。

在步骤102中，模型更新部46进行取得的CAN数据的前处理，并向步骤104转移。作为前处理，例如，针对日期时刻及每个车型将CAN数据排序，针对每个时间及每个车型进行分类。另外，针对每个CAN数据，也可以统一时间并对数据的缺损进行插值等处理。

在步骤104中，模型更新部46决定模型式，将该模型式向模型存储部50存储并结束一系列处理。即，使用CAN数据，通过机器学习来导出作为上述的车辆行为模型的多元回归式的各系数，并向模型存储部50存储。在已经存储有各系数的情况下，更新各系数。需要说明的是，步骤104相当于导出部。

接着，对在水淹区域推定中心36中中央处理部38基于来自各车辆12的CAN数据来判定水淹时进行的处理进行说明。图5是示出在本实施方式的水淹检知系统10的水淹区域推定中心36中在判定水淹时由中央处理部38进行的处理的流程的一例的流程图。需要说明的是，图5的处理例如每当从各车辆12的信息提供装置14取得CAN数据时或者每当取得预先确定的量的CAN数据时开始。

在步骤200中，中央处理部38经由中央通信部48及通信网络34而从信息提供装置14取得CAN数据，并向步骤202转移。需要说明的是，步骤200相当于取得部，以后的步骤202～210的处理相当于检知部。

在步骤202中，预测部40使用取得的CAN数据和车辆行为模型来算出车速的预测值，并向步骤204转移。即，将存储于模型存储部50的车辆行为模型读出，根据车型ID来确定车型，选择与车型对应的系数并向车辆行为模型应用。然后，通过将取得的CAN数据向车辆行为模型代入来算出车速的预测值。

在步骤204中，判定部42将车速的预测值与从信息提供装置14取得的实际的CAN数据的车速的实测值进行比较，并向步骤206转移。

在步骤206中，判定部42判定预测值与实测值之差是否为预先确定的阈值以上。在该判定为否定的情况下，向步骤208转移，在肯定的情况下，向步骤210转移。

在步骤208中，判定部42判定为取得了CAN数据的车辆12所行驶的道路未发生水淹的非水淹，结束一系列处理。

另一方面，在步骤210中，判定部42判定为取得了CAN数据的车辆12所行驶的道路发生了水淹，结束一系列处理。

接着，对在本实施方式的水淹检知系统10中在水淹区域推定中心36中中央处理部38推定水淹区域的处理进行说明。图6是示出在本实施方式的水淹检知系统10中在水淹区域推定中心36中中央处理部38推定水淹区域的处理的流程的一例的流程图。

在步骤300中，水淹区域推定部44收集水淹判定信息，并向步骤302转移。即，收集图5的水淹判定的结果。需要说明的是，步骤300相当于结果收集部。

在步骤302中，水淹区域推定部44推定水淹区域，并向步骤304转移。关于水淹区域的推定，如上所述，使用判定部42的判定结果来推定道路发生了水淹的水淹区域。例如，将地图分割成四边100m区划来定义区域，收集各车的判定部42的判定结果，在某区域中判定为在规定时间内规定数以上判定为水淹的情况下，将该区域推定为水淹区域。需要说明的是，步骤302相当于推定部。

在步骤304中，水淹区域推定部44推送水淹区域信息，并结束一系列处理。接着，例如，经由中央通信部48而对连接于通信网络34的信息提供装置14推送水淹区域信息。由此，在搭载有各信息提供装置14的车辆12中，由于知道水淹区域，所以能够选择不在水淹区域通行的路线。例如，在由导航装置进行着通过水淹区域的路线引导的情况下，能够改道成避开水淹区域的路线。或者，也可以向需要水淹区域信息的天气预报公司等推送而得到回报。

需要说明的是，在上述的实施方式中，说明了在水淹区域推定中心36侧进行水淹判定的例子，但不限于此。例如，水淹判定也可以在搭载于各车辆12的信息提供装置14侧进行。图7是示出将水淹判定在搭载于各车辆12的信息提供装置14侧进行的情况下的水淹检知系统的结构例的框图。在该情况下，如图7所示，使信息提供装置14具有预测部40、判定部42及模型存储部50的功能。即，在模型存储部50中，将与搭载信息提供装置14的车辆12的车型对应的车辆行为模型预先导出并存储。或者，将每个车型的多个车辆行为模型预先导出并存储，设为在使用时选择与本车辆对应的车辆行为模型的结构。并且，通过由信息提供装置14的运算部16执行图5的处理，能够利用预测部40算出预测值并将判定部42的水淹判定与上述实施方式同样地进行。另外，在推定水淹区域时，通过水淹区域推定中心36的中央处理部38从各车辆12收集水淹的判定结果并进行图6的处理，水淹区域推定中心36能够推定水淹区域。需要说明的是，在将水淹判定在搭载于各车辆12的信息提供装置14侧进行的情况下，将图5的处理适当变换为运算部16进行的处理来进行。另外，该情况下的运算部16执行的步骤200的处理相当于取得部，步骤202～210的处理相当于检知部。

另外，在上述的实施方式中，说明了使用多元回归式作为车辆行为模型的例，但车辆行为模型不限定于基于多元回归式的机器学习。例如，关于车辆行为模型，如图8所示，能够应用将CAN数据(加速器踩踏量R、车速v(t)、路面坡度θ、加速度dv/dt等)在预测式的说明变量的各项中使用而求出Δt秒后的预测值v(t+Δt)的各种预测模型。作为多元回归分析以外的预测模型的一例，也可以应用神经网络、支持向量回归(SVR：Support VectorRegression)等各种机器学习模型。

另外，在上述的实施方式中，使用了求出车速作为物理量的车辆行为模型，但物理量不限于此，例如也可以使用求出加速度、加速度的变化率等其他物理量的车辆行为模型。

另外，在上述的实施方式中，将空气阻力、坡度阻力、滚动阻力及加速阻力作为车辆受到的阻力F2而导出了车辆行为模型，但车辆受到的阻力F2不限定于此。例如，由于滚动阻力及加速阻力比其他阻力小，所以也可以省略至少一方的阻力。

另外，由上述的各实施方式中的水淹检知系统10的各部进行的处理虽然作为通过执行程序而进行的软件处理来说明，但不限于此。例如，也可以设为利用硬件进行的处理。或者，还可以设为将软件及硬件双方组合而成的处理。另外，在设为了软件的处理的情况下，也可以将程序存储于各种存储介质并使其流通。

而且，本公开不限定于上述，除了上述以外，当然也能够在不脱离其主旨的范围内各种变形而实施。