JP2021179813A - 配車装置、車両および端末 - Google Patents

Abstract

【課題】ユーザの利用メリットを向上させることができる配車装置、車両及び端末を提供する。【解決手段】配車装置１０、車両２０及び端末３０がネットワークＮＷを通じて相互に通信可能な配車システム１において、配車装置１０は、ユーザの端末３０からの配車要求を取得した場合、走行に関連する入力パラメータと出力パラメータとの関係を学習している複数の車両の中から、入力パラメータと出力パラメータとの関係の学習進捗度が相対的に大きい車両を選定し、選定した車両に対して配車指示を出力する車両選定部１１２を備える。【選択図】図２

Description

本発明は、配車装置、車両および端末に関する。

特許文献１には、動力伝達装置の油圧制御学習機能を備えた車両を配車するシステムにおいて、油圧制御学習の進捗度が低い車両から優先的に配車する技術が開示されている。

特開２０１９−０３２６２５号公報

特許文献１に開示された配車方法では、学習進捗度の低い車両が優先的に配車されるため、ユーザにとっては利用するメリットが低い。そこで、ユーザにとって利用メリットの高い配車方法が求められていた。

本発明は、上記に鑑みてなされたものであって、ユーザの利用メリットを向上させることができる配車装置、車両および端末を提供することを目的とする。

上述した課題を解決し、目的を達成するために、本発明に係る配車装置は、ユーザの端末からの配車要求に応じて、車両を配車する配車装置であって、前記配車要求を取得した場合、走行に関連する入力パラメータと出力パラメータとの関係を学習している複数の車両の中から、前記入力パラメータと前記出力パラメータとの関係の学習進捗度が相対的に大きい車両を選定し、選定した車両に対して配車指示を出力する車両選定部を備えることを特徴とする。

これにより、配車用の車両のうち、パラメータの学習が相対的に進んでいる車両が優先的に配車されやすくなる。

また、本発明に係る配車装置は、前記車両選定部が、前記複数の車両の中から、前記入力パラメータと前記出力パラメータとの関係の学習進捗度が最も大きい車両を選定し、選定した車両に対して配車指示を出力してもよい。

これにより、配車用の車両のうち、パラメータの学習が最も進んでいる車両が優先的に配車される。

また、本発明に係る配車装置は、前記学習進捗度が、前記入力パラメータと前記出力パラメータとからなる教師データの取得時期に基づいて算出され、かつ前記教師データの取得時期が古いほど、値が小さくなるように算出されてもよい。

これにより、教師データの取得時期、すなわち教師データの鮮度に基づいて、学習進捗度を算出することができる。

また、本発明に係る配車装置は、前記車両選定部が、前記学習進捗度を前記複数の車両から取得してもよい。

これにより、各車両においてどのくらい学習が進んでいるのかを、配車装置側で把握することができる。

また、本発明に係る配車装置は、前記複数の車両から、各車両が収集したパラメータを教師データとして学習する学習部を備えてもよい。

これにより、配車装置側で教師データの学習を行うことにより、車両側の計算負荷が軽減される。

また、本発明に係る配車装置は、前記パラメータが、気温、湿度、気圧、勾配、高度、エンジンの吸入空気量、エンジンの点火時期およびエンジンの排気温度を含んでもよい。

これにより、様々なパラメータを学習することができる。

上述した課題を解決し、目的を達成するために、本発明に係る車両は、ユーザの端末からの配車要求に応じて、配車装置によって配車される車両であって、走行に関連する入力パラメータと出力パラメータとの関係を学習し、配車用の他の車両と比較して、前記入力パラメータと前記出力パラメータとの関係の学習進捗度が相対的に最も大きい場合に、前記配車装置から配車指示を取得することを特徴とする。

これにより、配車用の車両のうち、パラメータの学習が相対的に進んでいる車両が優先的に配車されやすくなる。

また、本発明に係る車両は、配車用の他の車両と比較して、前記入力パラメータと前記出力パラメータとの関係の学習進捗度が最も大きい場合に、前記配車装置から配車指示を取得してもよい。

これにより、配車用の車両のうち、パラメータの学習が最も進んでいる車両が優先的に配車される。

また、本発明に係る車両は、前記入力パラメータと前記出力パラメータとからなる教師データを収集する教師データ収集部と、前記教師データの取得時期が古いほど、値が小さくなるように前記学習進捗度を算出し、算出した学習進捗度を前記配車装置に出力する学習進捗度算出部と、を備えてもよい。

これにより、各車両において、教師データを収集すると同時に学習進捗度を算出し、配車装置側に送ることができる。

また、本発明に係る車両は、前記パラメータが、気温、湿度、気圧、勾配、高度、エンジンの吸入空気量、エンジンの点火時期およびエンジンの排気温度を含んでもよい。

これにより、様々なパラメータを学習することができる。

上述した課題を解決し、目的を達成するために、本発明に係る端末は、配車装置に対して配車要求を行う端末であって、ユーザによる配車予約を受け付け、前記配車予約に基づいて前記配車装置に配車要求を出力する配車予約部を備え、前記配車予約部が、前記配車装置に配車要求を出力することにより、走行に関連する入力パラメータと出力パラメータとの関係を学習している複数の車両の中から選定された車両であって、前記入力パラメータと前記出力パラメータとの関係の学習進捗度が相対的に大きい車両に関する情報を、配車予定車両情報として取得することを特徴とする。

これにより、配車用の車両のうち、パラメータの学習が相対的に進んでいる車両が優先的に配車されやすくなる。

また、本発明に係る端末は、前記配車予約部が、前記配車装置に配車要求を出力することにより、走行に関連する入力パラメータと出力パラメータとの関係を学習している複数の車両の中から選定された車両であって、前記入力パラメータと前記出力パラメータとの関係の学習進捗度が最も大きい車両に関する情報を、配車予定車両情報として取得してもよい。

これにより、配車用の車両のうち、パラメータの学習が最も進んでいる車両が優先的に配車される。

また、本発明に係る端末は、前記パラメータが、気温、湿度、気圧、勾配、高度、エンジンの吸入空気量、エンジンの点火時期およびエンジンの排気温度を含んでもよい。

これにより、様々なパラメータを学習することができる。

本発明によれば、教師データの学習が進んでいる車両、すなわち精度の高い学習済みモデルが搭載された車両が優先的に配車されるため、ユーザの利用メリットが向上する。

図１は、実施形態に係る配車装置、車両および端末を有する配車システムを概略的に示す図である。 図２は、実施形態に係る配車システムの各構成を概略的に示すブロック図である。 図３は、ニューラルネットワークの一例について説明するための図である。 図４は、実施形態に係る配車システムが実行する配車方法の概要を説明するための図である。 図５は、実施形態に係る配車システムが実行する配車方法において、端末に表示させる配車予約画面の一例を示す図である。 図６は、実施形態に係る配車システムが実行する配車方法において、端末に表示させる配車予定車両情報の一例を示す図である。 図７は、実施形態に係る配車システムが実行する配車方法において、教師データを収集および学習する際の流れを示すフローチャートである。 図８は、実施形態に係る配車システムが実行する配車方法において、配車予約を行う際の流れを示すフローチャートである。

本発明の実施形態に係る配車装置、車両および端末について、図面を参照しながら説明する。なお、下記実施形態における構成要素には、当業者が置換可能かつ容易なもの、あるいは実質的に同一のものが含まれる。

本発明の実施形態に係る配車システムについて、図１〜図６を参照しながら説明する。本実施形態に係る配車システム１は、図１に示すように、配車装置１０と、車両２０と、端末３０と、を有している。配車装置１０、車両２０および端末３０は、いずれも通信機能を備えており、ネットワークＮＷを通じて相互に通信可能に構成されている。このネットワークＮＷは、例えばインターネット回線網、携帯電話回線網等から構成される。

（配車装置）
配車装置１０は、端末３０からの配車要求に応じて、端末３０のユーザに車両２０を配車するための装置である。配車装置１０は、例えばワークステーションやパソコン等の汎用コンピュータによって実現される。

配車装置１０は、図２に示すように、制御部１１と、通信部１２と、記憶部１３と、を備えている。制御部１１は、具体的には、ＣＰＵ（Central Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＦＰＧＡ（Field-Programmable Gate Array）等からなるプロセッサと、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等からなるメモリ（主記憶部）と、を備えている。

制御部１１は、記憶部１３に格納されたプログラムを主記憶部の作業領域にロードして実行し、プログラムの実行を通じて各構成部等を制御することにより、所定の目的に合致した機能を実現する。制御部１１は、具体的には、前記したプログラムの実行を通じて、学習部１１１および車両選定部１１２として機能する。

学習部１１１は、教師データの学習を行う。学習部１１１は、配車用の複数の車両２０から、ネットワークＮＷを通じて、各車両２０が収集したパラメータ（学習値）を取得する。このパラメータは、例えば気温、湿度、気圧、勾配、高度、エンジンの吸入空気量、エンジンの点火時期およびエンジンの排気温度等が含まれる。

続いて、学習部１１１は、上記のパラメータを教師データとして機械学習を施すことにより、学習済みモデルを作成する。そして、学習部１１１は、作成した学習済みモデルを、ネットワークＮＷを通じて各車両２０に出力する。このように、配車装置１０側で教師データの学習を行うことにより、車両２０側の計算負荷が軽減される。

学習部１１１における機械学習方法は特に限定されず、例えばニューラルネットワーク、サポートベクターマシン、決定木、単純ベイズ、ｋ近傍法等の教師あり学習を用いることができる。また、教師あり学習に代えて半教師あり学習を用いてもよい。

以下、具体的な機械学習方法の一例として、ニューラルネットワークについて説明する。ニューラルネットワークは、図３に示すように、入力層と、中間層と、出力層とを有する。入力層は、複数のノードからなり、各ノードには互いに異なる入力パラメータが入力される。中間層は、入力層からの出力が入力される。また、中間層は、入力層からの入力を受ける複数のノードからなる層を含む多層の構造を有する。出力層は、中間層からの出力が入力され、出力パラメータを出力する。中間層が多層構造を有するニューラルネットワークを用いた機械学習は、深層学習と呼ばれる。同図では、入力パラメータが「外気温、外気圧、吸入空気量、点火時期」であり、出力パラメータが「排気温度」である例を示している。学習部１１１は、これらの入力パラメータと出力パラメータとの関係を学習することにより、学習済みモデルを作成する。

車両選定部１１２は、複数の車両２０の中から、端末３０のユーザに配車する車両２０を選定する。車両選定部１１２は、ネットワークＮＷを通じて端末３０からの配車要求を取得した場合、走行に関連する入力パラメータと出力パラメータとの関係（パラメータの入出力の関係）を学習している複数の車両２０の中から、入力パラメータと出力パラメータとの関係の学習進捗度が相対的に大きい車両２０を選定する。

車両選定部１１２は、例えば図４に示すように、配車中に学習を行っている車両Ａ、車両Ｂの中から、学習進捗度が最も大きい車両Ｂを選定する。そして、車両選定部１１２は、選定した車両Ｂに関する情報（以下、「配車予定車両情報」という）をユーザの端末３０に出力するとともに、選定した車両Ｂに対して配車指示を出力する。

ここで、学習進捗度は、各車両２０から取得する。すなわち、車両２０は、自車が収集した教師データの数および取得時期に基づいて学習進捗度を算出する。そして、車両選定部１１２は、車両２０を選定する際に、学習進捗度を各車両２０から取得し、取得した学習進捗度に基づいて車両２０を選定する。このように、各車両２０から学習進捗度を取得することにより、各車両２０においてどのくらい学習が進んでいるのかを、配車装置１０側で把握することができる。

通信部１２は、例えばＬＡＮ（Local Area Network）インターフェースボード、無線通信のための無線通信回路等から構成される。通信部１２は、公衆通信網であるインターネット等のネットワークＮＷに接続されている。そして、通信部１２は、当該ネットワークＮＷに接続することにより、車両２０および端末３０との間で通信を行う。

記憶部１３は、ＥＰＲＯＭ（Erasable Programmable ROM）、ハードディスクドライブ（Hard Disk Drive：ＨＤＤ）およびリムーバブルメディア等の記録媒体から構成される。リムーバブルメディアとしては、例えばＵＳＢ（Universal Serial Bus）メモリ、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、ＢＤ（Blu-ray（登録商標） Disc）のようなディスク記録媒体が挙げられる。記憶部１３には、オペレーティングシステム（Operating System：ＯＳ）、各種プログラム、各種テーブル、各種データベース等が格納可能である。

記憶部１３は、配車車両ＤＢ（データベース）１３１を備えている。配車車両ＤＢ１３１は、制御部１１によって実行されるデータベース管理システム（Database Management System：ＤＢＭＳ）のプログラムが、記憶部１３に記憶されるデータを管理することによって構築される。配車車両ＤＢ１３１は、例えば車両２０ごとの学習進捗度が索出可能に格納されたリレーショナルデータベースによって構成されている。

また、記憶部１３には、配車車両ＤＢ１３１の他に、ネットワークＮＷを通じて車両２０から取得した教師データ、学習部１１１によって作成された学習済みモデル等が、必要に応じて格納される。

（車両）
車両２０は、外部と通信可能な移動体であり、端末３０からの配車要求に応じて、端末３０のユーザに配車される配車用車両である。この車両２０は、手動運転車と自動運転車のいずれであってもよい。

車両２０は、具体的には、走行に関連する入力パラメータと出力パラメータとの関係を学習しており、その学習結果を配車装置１０に出力する。なお、本実施形態において、車両２０で行う「学習」とは、走行中（配車中）に各種パラメータを収集し、教師データを作成することを意味している。そして、配車装置１０に出力する「学習結果」とは、具体的には教師データのことを意味している。

車両２０は、配車用の他の車両２０と比較して、入力パラメータと出力パラメータとの関係の学習進捗度が相対的に大きい場合、配車装置１０から配車指示を取得する。なお、車両２０は、配車用の他の車両２０と比較して、入力パラメータと出力パラメータとの関係の学習進捗度が最も大きい場合に配車装置１０から配車指示を取得してもよい。

車両２０は、図２に示すように、制御部２１と、通信部２２と、記憶部２３と、センサ群２４と、を備えている。制御部２１は、車両２０に搭載される各種構成要素の動作を統括的に制御するＥＣＵ（Electronic Control Unit）である。制御部２１は、記憶部２３に格納されたプログラムの実行を通じて、教師データ収集部２１１および学習進捗度算出部２１２として機能する。

教師データ収集部２１１は、教師データを収集する。なお、本実施形態において、「教師データ」とは、機械学習に必要な入力パラメータおよび出力パラメータの組のことを示している。このように、教師データ収集部２１１によって学習用の教師データを収集し、配車装置１０に逐次出力することにより、様々なパラメータを学習することができる。

教師データ収集部２１１は、具体的には、走行中にセンサ群２４によってパラメータの生データを収集し、所定の前処理等を施すことにより教師データを作成する。そして、教師データ収集部２１１は、作成した教師データを、ネットワークＮＷを通じて配車装置１０に出力する。

学習進捗度算出部２１２は、車両２０が収集した教師データの数および取得時期に基づいて学習進捗度を算出する。その際、学習進捗度算出部２１２は、教師データの取得時期が古いほど、値が小さくなるように学習進捗度を算出する。そして、学習進捗度算出部２１２は、算出した学習進捗度を、例えば所定時間ごとに配車装置１０に出力する。学習進捗度算出部２１２は、具体的には下記式（１）により学習進捗度を算出する。

また、学習進捗度算出部２１２は、例えば下記表１のように、教師データの平均取得時期が古い（遅い）ほど、学習進捗度が小さく（遅く）なるように、上記式（１）の変換係数Ｆを設定する。これにより、収集した教師データの鮮度に基づいて、学習進捗度を算出することができる。

通信部２２は、例えばＤＣＭ（Data Communication Module）等から構成され、ネットワークＮＷを介した無線通信により、配車装置１０および端末３０との間で通信を行う。記憶部２３には、例えば教師データ収集部２１１によって収集されたパラメータの生データ、教師データ収集部２１１によって作成された教師データ、学習進捗度算出部２１２によって算出された学習進捗度等が、必要に応じて格納される。

センサ群２４は、車両２０の走行中にパラメータを検出および記録するためのものであり、例えば車速センサ、加速度センサ、ＧＰＳセンサ、走行空間センサ（３Ｄ−ＬｉＤＡＲ）、ミリ波センサ、カメラ（撮像装置）、温度センサ、湿度センサ、気圧センサ等から構成される。センサ群２４は、検出したパラメータの生データを教師データ収集部２１１に出力する。

（端末）
端末３０は、ユーザの操作に基づいて、配車装置１０に対して配車要求を行うための端末装置である。端末３０は、例えば車両２０のユーザが所有するスマートフォン、携帯電話、タブレット端末、ウェアラブルコンピュータ等によって実現される。端末３０は、図２に示すように、制御部３１と、通信部３２と、記憶部３３と、操作・表示部３４と、を備えている。制御部３１は、記憶部３３に格納されたプログラムの実行を通じて、配車予約部３１１として機能する。

配車予約部３１１は、操作・表示部３４に配車予約画面を表示させ、当該配車予約画面を通じて、ユーザによる配車予約を受け付ける。続いて、配車予約部３１１は、配車予約に基づいて、配車装置１０に配車要求（配車予約情報）を出力する。この配車要求には、例えば配車希望時刻、配車場所の住所、目的地、ユーザを特定するための情報（例えば氏名、ＩＤ等）が含まれる。

続いて、配車予約部３１１は、走行に関連する入力パラメータと出力パラメータとの関係を学習している複数の車両２０の中から選定された車両２０であって、入力パラメータと出力パラメータとの関係の学習進捗度が相対的に大きい車両２０に関する情報を、配車予定車両情報として配車装置１０から取得する。そして、配車予約部３１１は、この配車予定車両情報を操作・表示部３４に表示させる。なお、配車予約部３１１は、入力パラメータと出力パラメータとの関係の学習進捗度が最も大きい車両２０に関する情報を、配車予定車両情報として配車装置１０から取得してもよい。

配車予約部３１１は、配車予約を行う際に、例えば図５に示すような配車予約画面を操作・表示部３４に表示させる。この配車予約画面は、例えばユーザが操作・表示部３４に表示された配車アプリのアイコンをタップし、配車アプリを起動することにより表示される。同図に示した配車予約画面では、領域３４１に配車希望時刻の入力欄を、領域３４２に配車場所の住所の入力欄を、最下段に送信ボタン３４４を、それぞれ表示させている。なお、配車予約部３１１は、同図に示した項目に加えて、例えば目的地やユーザを特定するための情報（例えば氏名、ＩＤ等）の入力欄を表示させてもよい。

配車予約部３１１は、ユーザによって、配車予約画面における全ての項目が入力され、かつ送信ボタン３４４が押下されると、これらの項目に入力された情報を含む配車要求を配車装置１０に出力する。

配車要求を取得した配車装置１０の車両選定部１１２は、配車車両ＤＢ１３１を参照して、配車予定車両を選定し、例えば図６に示すような配車予定車両情報を操作・表示部３４に表示させる。同図に示した配車予定車両情報では、領域３４５に配車予定車両の画像を、領域３４６に車種、色および乗車定員を表示させている。

通信部３２は、ネットワークＮＷを介した無線通信により、配車装置１０および車両２０との間で通信を行う。記憶部３３には、例えば配車予約部３１１を実現するためのアプリケーションプログラム（配車アプリ）が格納されている。

操作・表示部３４は、例えばタッチパネルディスプレイ等により構成されており、車両２０の乗員の指やペン等による操作を受け付ける入力機能と、制御部３１の制御に基づいて各種情報を表示する表示機能と、を有している。操作・表示部３４は、配車予約部３１１による制御に基づいて、配車予約画面（図５参照）および配車予定車両情報（図６参照）を表示する。

（配車方法）
本実施形態に係る配車システム１が実行する配車方法の処理手順の一例について、図７および図８を参照しながら説明する。以下では、配車システム１において、車両２０を用いて教師データを収集および学習するステップ（以下、「学習ステップ」という）の流れを図７で説明し、配車予約を行うステップ（以下、「配車予約ステップ」という）の流れを図８で説明する。また、以下の配車予約ステップでは、学習進捗度が最も大きい車両２０を優先的に配車する場合の例について説明する。

＜学習ステップ＞
まず、車両２０の教師データ収集部２１１は、センサ群２４を通じて走行に関連するパラメータの生データを収集する（ステップＳ１）。続いて、教師データ収集部２１１は、生データから教師データを作成し、作成した教師データを配車装置１０に出力する（ステップＳ２）。続いて、配車装置１０の学習部１１１は、教師データについて機械学習を施すことにより学習済みモデルを作成し、作成した学習済みモデルを車両２０に出力する（ステップＳ３）。

続いて、車両２０の学習進捗度算出部２１２は、配車装置１０に対して前回学習進捗度を出力してから所定時間経過したか否かを判定する（ステップＳ４）。配車装置１０に対して前回学習進捗度を出力してから所定時間経過していると判定した場合（ステップＳ４でＹｅｓ）、学習進捗度算出部２１２は、上記式（１）に基づいて学習進捗度を算出し、算出した学習進捗度を配車装置１０に出力する（ステップＳ５）。これを受けて、配車装置１０の制御部１１は、学習進捗度を配車車両ＤＢ１３１に格納することにより、当該配車車両ＤＢ１３１を更新する（ステップＳ６）。なお、配車装置１０に対して前回学習進捗度を出力してから所定時間経過していないと判定した場合（ステップＳ４でＮｏ）、学習進捗度算出部２１２は、ステップＳ４に戻る。以上により、配車方法の学習ステップの処理は終了する。

＜配車予約ステップ＞
まず、端末３０の配車予約部３１１は、例えばユーザが操作・表示部３４に表示された配車アプリのアイコンをタップし、配車アプリを起動したか否かを判定する（ステップＳ１１）。配車アプリが起動されたと判定した場合（ステップＳ１１でＹｅｓ）、配車予約部３１１は、配車予約画面（図５参照）を操作・表示部３４に表示させる（ステップＳ１２）。なお、配車アプリが起動されていないと判定した場合（ステップＳ１１でＮｏ）、配車予約部３１１は、ステップＳ１１に戻る。

続いて、配車予約部３１１は、配車予約画面における全ての項目が入力され、かつ送信ボタン３４４が押下されたか否かを判定する（ステップＳ１３）。配車予約画面における全ての項目が入力され、かつ送信ボタン３４４が押下されたと判定した場合（ステップＳ１３でＹｅｓ）、配車予約部３１１は、配車要求を配車装置１０に出力する（ステップＳ１４）。なお、配車予約画面におけるいずれかの項目が入力されてないか、あるいは送信ボタン３４４が押下されていないと判定した場合（ステップＳ１３でＮｏ）、配車予約部３１１は、ステップＳ１３に戻る。

続いて、配車装置１０の車両選定部１１２は、配車車両ＤＢ１３１を参照し、配車予定車両を選定する（ステップＳ１５）。ステップＳ１５において、車両選定部１１２は、走行に関連する入力パラメータと出力パラメータとの関係を学習している複数の車両２０の中から、入力パラメータと出力パラメータとの関係の学習進捗度が最も大きい車両２０を選定する。

続いて、車両選定部１１２は、選定した配車予定車両の情報を、端末３０に出力する（ステップＳ１６）。これを受けて、配車予約部３１１は、配車予定車両情報（図６参照）を操作・表示部３４に表示させる（ステップＳ１７）。なお、ステップＳ１６において、車両選定部１１２は、配車予定車両情報を端末３０に出力するとともに、選定した車両２０に対して配車指示を出力する。以上により、配車方法の配車予約ステップの処理は終了する。

以上説明した実施形態１に係る配車装置１０、車両２０および端末３０によれば、教師データの学習が進んでいる車両２０、すなわち精度の高い学習済みモデルが搭載された車両２０が優先的に配車されるため、ユーザの利用メリットが向上する。

ＡＩ学習を行う車両を配車する場合、配車用の車両間で学習の状況が異なるため、車両によっては極端に学習が遅れてしまう状況が発生しうる。そのような車両が配車されると、借り手であるユーザ間で不公平が発生してしまう。一方、実施形態１に係る配車装置１０、車両２０および端末３０によれば、学習が進んでいるか否かを、教師データの数および教師データの取得時期（教師データの鮮度）に基づいて判断し、学習が進んでいる車両２０が優先的に配車されるため、ユーザの利用メリットが向上する。

さらなる効果や変形例は、当業者によって容易に導き出すことができる。よって、本発明のより広範な態様は、以上のように表わしかつ記述した特定の詳細および代表的な実施形態に限定されるものではない。したがって、添付のクレームおよびその均等物によって定義される総括的な発明の概念の精神または範囲から逸脱することなく、様々な変更が可能である。

例えば、前記した配車システム１の配車予約ステップ（図８参照）では、学習進捗度が最も大きい車両２０を選定して配車する場合について説明したが、学習進捗度が所定の進捗度以上の車両２９の中から他の条件に応じて選定してもよく、あるいは、学習進捗度が最も大きい車両２０から順に配車可否を判断して最初に可となった車両２０を選定してもよい。

また、前記した配車システム１では、車両２０側で生データの収集および教師データの作成を行い、配車装置１０側で教師データの学習および学習済みデータの作成を行っていたが、教師データを作成する主体および学習の主体はこれらに限定されない。

配車システム１では、例えば車両２０側で生データの収集を行い、配車装置１０側で教師データの作成、教師データの学習および学習済みデータの作成を行ってもよい。また、車両２０側で生データの収集、教師データの作成、教師データの学習および学習済みデータの作成を全て行ってもよい。

また、配車システム１では、車両２０の教師データ収集部２１１によって各種パラメータを収集するとしたが、例えば路車間通信や車車間通信等によって各種パラメータを取得して用いてもよい。

また、配車システム１では、上記式（１）に示すように、教師データの数とその平均取得時期に基づいて学習進捗度を算出していたが、教師データの平均取得時期に代えて、教師データの取得時期の中央値、教師データの最も古い取得時期、教師データの最も新しい取得時期を用いてもよい。

また、前記した配車システム１は、一般の公道においてユーザに配車を行うシーンを想定して説明を行ったが、例えばあらゆるモノやサービスを情報で繋ぐコネクティッド・シティ等において、自動運転車を利用した配車サービスに配車システム１を適用することも可能である。

１ 配車システム
１０ 配車装置
１１ 制御部
１１１ 学習部
１１２ 車両選定部
１２ 通信部
１３ 記憶部
１３１ 配車車両ＤＢ
２０ 車両
２１ 制御部
２１１ 教師データ収集部
２１２ 学習進捗度算出部
２２ 通信部
２３ 記憶部
２４ センサ群
３０ 端末
３１ 制御部
３１１ 配車予約部
３２ 通信部
３３ 記憶部
３４ 操作・表示部
３４１，３４２，３４５，３４６ 領域
３４４ 送信ボタン
ＮＷ ネットワーク

Claims (13)

1. ユーザの端末からの配車要求に応じて、車両を配車する配車装置であって、
   前記配車要求を取得した場合、走行に関連する入力パラメータと出力パラメータとの関係を学習している複数の車両の中から、前記入力パラメータと前記出力パラメータとの関係の学習進捗度が相対的に大きい車両を選定し、選定した車両に対して配車指示を出力する車両選定部を備えることを特徴とする配車装置。
2. 前記車両選定部は、前記複数の車両の中から、前記入力パラメータと前記出力パラメータとの関係の学習進捗度が最も大きい車両を選定し、選定した車両に対して配車指示を出力することを特徴とする請求項１に記載の配車装置。
3. 前記学習進捗度は、前記入力パラメータと前記出力パラメータとからなる教師データの取得時期に基づいて算出され、かつ前記教師データの取得時期が古いほど、値が小さくなるように算出されることを特徴とする請求項１または請求項２に記載の配車装置。
4. 前記車両選定部は、前記学習進捗度を前記複数の車両から取得することを特徴とする請求項１から請求項３のいずれか一項に記載の配車装置。
5. 前記複数の車両から、各車両が収集したパラメータを教師データとして学習する学習部を備えることを特徴とする請求項１から請求項４のいずれか一項に記載の配車装置。
6. 前記入力パラメータおよび前記出力パラメータは、気温、湿度、気圧、勾配、高度、エンジンの吸入空気量、エンジンの点火時期およびエンジンの排気温度を含むことを特徴とする請求項１から請求項５のいずれか一項に記載の配車装置。
7. ユーザの端末からの配車要求に応じて、配車装置によって配車される車両であって、
   走行に関連する入力パラメータと出力パラメータとの関係を学習し、
   配車用の他の車両と比較して、前記入力パラメータと前記出力パラメータとの関係の学習進捗度が相対的に最も大きい場合に、前記配車装置から配車指示を取得することを特徴とする車両。
8. 配車用の他の車両と比較して、前記入力パラメータと前記出力パラメータとの関係の学習進捗度が最も大きい場合に、前記配車装置から配車指示を取得することを特徴とする請求項７に記載の車両。
9. 前記入力パラメータと前記出力パラメータとからなる教師データを収集する教師データ収集部と、
   前記教師データの取得時期が古いほど、値が小さくなるように前記学習進捗度を算出し、算出した学習進捗度を前記配車装置に出力する学習進捗度算出部と、
   を備えることを特徴とする請求項７または請求項８に記載の車両。
10. 前記入力パラメータおよび前記出力パラメータは、気温、湿度、気圧、勾配、高度、エンジンの吸入空気量、エンジンの点火時期およびエンジンの排気温度を含むことを特徴とする請求項７から請求項９のいずれか一項に記載の車両。
11. 配車装置に対して配車要求を行う端末であって、
    ユーザによる配車予約を受け付け、前記配車予約に基づいて前記配車装置に配車要求を出力する配車予約部を備え、
    前記配車予約部は、前記配車装置に配車要求を出力することにより、走行に関連する入力パラメータと出力パラメータとの関係を学習している複数の車両の中から選定された車両であって、前記入力パラメータと前記出力パラメータとの関係の学習進捗度が相対的に大きい車両に関する情報を、配車予定車両情報として取得することを特徴とする端末。
12. 前記配車予約部は、前記配車装置に配車要求を出力することにより、走行に関連する入力パラメータと出力パラメータとの関係を学習している複数の車両の中から選定された車両であって、前記入力パラメータと前記出力パラメータとの関係の学習進捗度が最も大きい車両に関する情報を、配車予定車両情報として取得することを特徴とする請求項１１に記載の端末。
13. 前記入力パラメータおよび前記出力パラメータは、気温、湿度、気圧、勾配、高度、エンジンの吸入空気量、エンジンの点火時期およびエンジンの排気温度を含むことを特徴とする請求項１１または請求項１２に記載の端末。

Images