JP2022053033A - 機械学習装置 - Google Patents
機械学習装置 Download PDFInfo
- Publication number
- JP2022053033A JP2022053033A JP2020159610A JP2020159610A JP2022053033A JP 2022053033 A JP2022053033 A JP 2022053033A JP 2020159610 A JP2020159610 A JP 2020159610A JP 2020159610 A JP2020159610 A JP 2020159610A JP 2022053033 A JP2022053033 A JP 2022053033A
- Authority
- JP
- Japan
- Prior art keywords
- learning
- vehicle
- battery
- machine learning
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/14—Plug-in electric vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
【課題】車両に搭載された機械学習装置でのモデルの学習に伴うバッテリの電力不足を抑制することができる機械学習装置を提供する。
【解決手段】機械学習装置は、車両1に搭載された機器を制御するのに用いられるモデルを構成するモデルパラメータの値を、車両にて機械学習する。機械学習装置は、車両のバッテリに充電された電力を使用してモデルパラメータの値を機械学習する学習部142と、学習部における機械学習を制御する学習制御部143とを備える。学習制御部は、所定時間以内に充電施設にて前記バッテリへの充電が行われることが予想される場合には、学習部における機械学習を許可し、所定時間以内に充電施設にてバッテリへの充電が行われることが予想されない場合には、学習部における機械学習を禁止する。
【選択図】図4
【解決手段】機械学習装置は、車両1に搭載された機器を制御するのに用いられるモデルを構成するモデルパラメータの値を、車両にて機械学習する。機械学習装置は、車両のバッテリに充電された電力を使用してモデルパラメータの値を機械学習する学習部142と、学習部における機械学習を制御する学習制御部143とを備える。学習制御部は、所定時間以内に充電施設にて前記バッテリへの充電が行われることが予想される場合には、学習部における機械学習を許可し、所定時間以内に充電施設にてバッテリへの充電が行われることが予想されない場合には、学習部における機械学習を禁止する。
【選択図】図4
Description
本開示は、機械学習装置に関する。
従来から、車両に関する入力パラメータ(例えば、機関回転数、機関負荷率、機関空燃比、点火時期、及び排気ガス中のHC濃度又はCO濃度)の値を入力すると、出力パラメータ(例えば、排気浄化触媒の温度)の値を出力する学習済みのモデル(例えば、ニューラルネットワークモデル)を用いることが知られている(例えば、特許文献1)。
特に、特許文献1では、モデルを構成するモデルパラメータ(例えば、ニューラルネットワークの重みやバイアス)の値を学習(以下、単に「モデルの学習」とも称する)する機械学習装置が車両に設けられている。したがって、モデルは、機械学習装置が搭載された車両に設けられたセンサの出力値等を含む訓練データセットを用いて学習される。
ところで、上述したように車両に搭載された機械学習装置でのモデルの学習は、車両のバッテリの電力によって行われる。また、モデルの学習は、演算を繰り返し行うことから、大きな電力を消費する。したがって、モデルの学習タイミングによっては、バッテリの充電率が減少し過ぎて、例えば車両の駆動に必要な電力が不足するといった事態が生じ得る。
上記課題に鑑みて、本開示の目的は、車両に搭載された機械学習装置でのモデルの学習に伴うバッテリの電力不足を抑制することができる機械学習装置を提供することにある。
本開示の要旨は以下のとおりである。
(1)車両に搭載された機器を制御するのに用いられるモデルを構成するモデルパラメータの値を、前記車両にて機械学習する機械学習装置であって、
前記車両のバッテリに充電された電力を使用して前記モデルパラメータの値を機械学習する学習部と、
前記学習部における機械学習を制御する学習制御部とを備え、
前記学習制御部は、所定時間以内に充電施設にて前記バッテリへの充電が行われることが予想される場合には、前記学習部における機械学習を許可し、前記所定時間以内に前記充電施設にて前記バッテリへの充電が行われることが予想されない場合には、前記学習部における機械学習を禁止する、機械学習装置。
(2)車両に搭載された機器を制御するのに用いられるモデルを構成するモデルパラメータの値を、前記車両にて機械学習する機械学習装置であって、
前記車両のバッテリに充電された電力を使用して前記モデルパラメータの値を機械学習する学習部と、
前記学習部における機械学習を制御する学習制御部とを備え、
前記学習制御部は、所定時間以内に充電施設にて前記バッテリへの充電が行われることが予想される場合には、前記所定時間以内に前記充電施設にて前記バッテリへの充電が行われることが予想されない場合に比べて、前記学習部に高い電力消費量で機械学習させる、機械学習装置。
前記車両のバッテリに充電された電力を使用して前記モデルパラメータの値を機械学習する学習部と、
前記学習部における機械学習を制御する学習制御部とを備え、
前記学習制御部は、所定時間以内に充電施設にて前記バッテリへの充電が行われることが予想される場合には、前記学習部における機械学習を許可し、前記所定時間以内に前記充電施設にて前記バッテリへの充電が行われることが予想されない場合には、前記学習部における機械学習を禁止する、機械学習装置。
(2)車両に搭載された機器を制御するのに用いられるモデルを構成するモデルパラメータの値を、前記車両にて機械学習する機械学習装置であって、
前記車両のバッテリに充電された電力を使用して前記モデルパラメータの値を機械学習する学習部と、
前記学習部における機械学習を制御する学習制御部とを備え、
前記学習制御部は、所定時間以内に充電施設にて前記バッテリへの充電が行われることが予想される場合には、前記所定時間以内に前記充電施設にて前記バッテリへの充電が行われることが予想されない場合に比べて、前記学習部に高い電力消費量で機械学習させる、機械学習装置。
本開示によれば、車両に搭載された機械学習装置でのモデルの学習に伴うバッテリの電力不足を抑制することができる機械学習装置が提供される。
以下、図面を参照して実施形態について詳細に説明する。なお、以下の説明では、同様な構成要素には同一の参照番号を付す。
<第一実施形態>
≪車両の構成≫
まず、図1~図4を参照して、一つの実施形態に係る機械学習装置を搭載した車両1の構成について説明する。図1は、車両1のハードウェア構成を概略的に示す図である。本実施形態に係る車両1は、モータによって駆動され且つモータに電力を供給するバッテリ(図示せず)を外部から充電することができる車両であり、よって電気自動車(EV)又はプラグインハイブリッド車(PHV)である。
≪車両の構成≫
まず、図1~図4を参照して、一つの実施形態に係る機械学習装置を搭載した車両1の構成について説明する。図1は、車両1のハードウェア構成を概略的に示す図である。本実施形態に係る車両1は、モータによって駆動され且つモータに電力を供給するバッテリ(図示せず)を外部から充電することができる車両であり、よって電気自動車(EV)又はプラグインハイブリッド車(PHV)である。
図1に示したように、車両1は、電子制御ユニット(ECU)11を備える。ECU11は、車内通信インターフェース12と、メモリ13と、プロセッサ14とを有する。車内通信インターフェース12及びメモリ13は信号線を介してプロセッサ14に接続されている。なお、本実施形態では、車両1には、一つのECU11が設けられているが、機能毎に分かれた複数のECUが設けられてもよい。ECU11は、車両1に搭載された制御機器を制御するのに用いられる学習モデルを構成するモデルパラメータの値を機械学習する機械学習装置として機能する。
車内通信インターフェース12は、CAN(Controller Area Network)等の規格に準拠した車内ネットワーク15にECU11を接続するためのインターフェース回路を有する。ECU11は車内通信インターフェース12を介して他の車載機器と通信する。
メモリ13は、データを記憶する記憶部の一例である。メモリ13は、例えば、揮発性の半導体メモリ(例えば、RAM)及び不揮発性の半導体メモリ(例えば、ROM)を有する。メモリ13は、プロセッサ14において各種処理を実行するためのコンピュータプログラムや、プロセッサ14によって各種処理が実行されるときに使用される各種データ等を記憶する。したがって、メモリ13は、学習モデルを記憶する。
プロセッサ14は、一つ又は複数のCPU(Central Processing Unit)及びその周辺回路を有する。プロセッサ14は、更にGPU(Graphics Processing Unit)、又は論理演算ユニット若しくは数値演算ユニットのような演算回路を有していてもよい。プロセッサ14は、メモリ13に記憶されたコンピュータプログラムに基づいて、各種処理を実行する。したがって、プロセッサ14は、学習モデルの入力パラメータの値が入力されると、学習モデルに従った演算処理を行って、出力パラメータの値を出力する。
図2は、車両1のプロセッサ14の機能ブロック図である。図2に示したように、プロセッサ14は、学習モデルを用いて車両1の制御機器25を制御する制御部141と、学習モデルのモデルパラメータの値を機械学習する学習部142と、学習部142における機械学習を制御する学習制御部143とを備える。プロセッサ14が有するこれら機能ブロックは、例えば、プロセッサ14上で動作するコンピュータプログラムにより実現される機能モジュールである。或いは、プロセッサ14が有するこれら機能ブロックは、プロセッサ14に設けられる専用の演算回路であってもよい。車両1のプロセッサ14の各機能ブロックの詳細については後述する。
また、図1に示したように、車両1は、更に、GPS受信機21、地図データベース22、ナビゲーションシステム23、車外通信モジュール24、複数の制御機器25及び複数のセンサ26を備える。これらは、車内ネットワーク15を介してECU11に接続される。
GPS受信機21は、車両1の現在位置を測定する測位センサの一例である。GPS受信機21は、3個以上のGPS衛星から信号を受信し、車両1の現在位置(例えば車両1の緯度及び経度)を検出する。GPS受信機21は、所定の周期ごとに車両1の現在位置の測定結果をECU11へ出力する。
地図データベース22は地図情報を記憶している。地図情報は、道路の位置情報の他、車両のバッテリの充電を行うことができる充電施設(例えば、充電スタンド、自宅)など各種施設の位置情報を含む。ECU11は地図データベース22から地図情報を取得する。
ナビゲーションシステム23は、GPS受信機21によって検出された車両1の現在位置、地図データベース22の地図情報、車両1のドライバによる入力等に基づいて、目的地までの車両1の予定走行ルートを設定する。ナビゲーションシステム23によって設定された予定走行ルートはECU11に送信される。なお、GPS受信機21及び地図データベース22はナビゲーションシステム23に組み込まれていてもよい。
車外通信モジュール24は、車外の機器と通信を行う通信部の一例である。車外通信モジュール24は、例えば、サーバ等と通信を行うための機器である。車外通信モジュール24は、例えば、データ通信モジュール(DCM(Data communication module))を含む。データ通信モジュールは無線基地局5及び通信ネットワーク4を介してサーバと通信する。
制御機器25は、車両1に関する様々な制御を行う機器である。具体的には、制御機器25は、例えば、空調機器のブロワ、空調機器の冷凍回路のコンプレッサ、空調機器の空気の流れを制御するエアミックスドアの駆動アクチュエータ、車両1の駆動や回生に用いるモータジェネレータを制御するインバータ、バッテリとモータジェネレータとの間で昇圧や降圧を行うDCDCコンバータなどを含む。これら制御機器25は、車内ネットワーク15を介してECU11に接続され、ECU11からの駆動信号に応じて作動せしめられる。
センサ26は、車両1に関する様々な状態パラメータの値(状態量)を検出する検出器の一例である。センサ26は、例えば、車両1の周りの空気の温度(外気温度)を検出する外気温度センサ、車両1の周りの空気の湿度(外気湿度)を検出する外気湿度センサ、車両1の周りの大気圧を検出する大気圧センサ、車両1の室内の温度(室内温度)を検出する車内温度センサ、車両1の室内の湿度(室内湿度)を検出する車内湿度センサ、及び日射量を検出する日射センサなどを含む。さらに、センサ26は、例えば、アクセルペダルの踏み込み量を検出する踏み込み量センサ、車両1の速度を検出する速度センサ、車両1のバッテリの現在の充電率を検出するセンサ、モータジェネレータへの供給電流や供給電圧を検出する電流センサ又は電圧センサ、タッチパネルなどにおけるドライバの入力を検出する入力検出センサなどを含む。これらセンサ26は、車内ネットワーク15を介してECU11に接続され、ECU11へ出力信号を送信する。
≪学習モデル≫
本実施形態では、車両1の制御部141において、車両1に搭載された制御機器25を制御するにあたり、機械学習によって学習された学習モデルが用いられる。本実施形態では、学習モデルとして、ニューラルネットワークモデル(以下、「NNモデル」という)が用いられる。以下、図3を参照して、NNモデルの概要について説明する。図3は、単純な構成を有するNNモデルの一例を示す。
本実施形態では、車両1の制御部141において、車両1に搭載された制御機器25を制御するにあたり、機械学習によって学習された学習モデルが用いられる。本実施形態では、学習モデルとして、ニューラルネットワークモデル(以下、「NNモデル」という)が用いられる。以下、図3を参照して、NNモデルの概要について説明する。図3は、単純な構成を有するNNモデルの一例を示す。
図3における丸印は人工ニューロンを表す。人工ニューロンは、通常、ノード又はユニットと称される(本明細書では、「ノード」と称す)。図3において、L=1は入力層を示し、L=2及びL=3は隠れ層(又は中間層)を示し、L=4は出力層を示している。
図3において、x1及びx2は入力層(L=1)の各ノード及びそのノードからの出力値を示しており、yは出力層(L=4)のノード及びその出力値を示している。同様に、z1
(L=2)
、z2
(L=2)及びz3
(L=2)は隠れ層(L=2)の各ノード及びそのノードからの出力値を示しており、z1
(L=3)及びz2
(L=3)は隠れ層(L=3)の各ノード及びそのノードからの出力値を示している。
入力層の各ノードでは入力がそのまま出力される。一方、隠れ層(L=2)の各ノードには、入力層の各ノードの出力値x1及びx2が入力され、隠れ層(L=2)の各ノードでは、それぞれ対応する重みw及びバイアスbを用いて総入力値uが算出される。例えば、図3において隠れ層(L=2)のzk
(L=2)(k=1、2、3)で示される各ノードにおいて算出される総入力値uk
(L=2)は、次式のようになる(Mは入力層のノードの数)。
次いで、この総入力値uk
(L=2)は活性化関数fにより変換され、隠れ層(L=2)のzk
(L=2)で示されるノードから、出力値zk
(L=2)(=f(uk
(L=2)))として出力される。一方、隠れ層(L=3)の各ノードには、隠れ層(L=2)の各ノードの出力値z1
(L=2)
、z2
(L=2)及びz3
(L=2)が入力され、隠れ層(L=3)の各ノードでは、それぞれ対応する重みw及びバイアスbを用いて総入力値u(=Σz・w+b)が算出される。この総入力値uは同様に活性化関数により変換され、隠れ層(L=3)の各ノードから、出力値z1
(L=3)、z2
(L=3)として出力される。活性化関数は例えばReLU関数σである。
また、出力層(L=4)のノードには、隠れ層(L=3)の各ノードの出力値z1
(L=3)及びz2
(L=3)が入力され、出力層のノードでは、それぞれ対応する重みw及びバイアスbを用いて総入力値u(Σz・w+b)が算出され、又はそれぞれ対応する重みwのみを用いて総入力値u(Σz・w)が算出される。例えば、出力層のノードでは活性化関数として恒等関数が用いられる。この場合、出力層のノードにおいて算出された総入力値uが、そのまま出力値yとして出力層のノードから出力される。
このようにNNモデルは、入力層と、隠れ層と、出力層とを備え、一又は複数の入力パラメータの値が入力層に入力されると、入力パラメータの値に対応する一又は複数の出力パラメータの値を出力層から出力する。
本実施形態では、このような学習モデルとして、例えば、外気温度、車内温度、車内湿度、日射量を入力パラメータとして入力すると、空調装置の目標温度を出力パラメータとして出力するモデルが用いられてもよい。この場合、車両1の制御部141では、センサ26によって検出された各入力パラメータの値を斯かる学習モデルに入力することによって空調装置の目標温度が出力される。ECU11は、車内温度が、学習モデルから出力された目標温度になるように、空調装置に関する制御機器25を制御する。
なお、学習モデルとしては様々なモデルを用いることができる。したがって、入力パラメータとして、外気温度、外気湿度、大気圧、室内温度、室内湿度、日照量、バッテリ冷却用の冷却水の温度、バッテリの充電率、車両の負荷、車両駆動用モータの出力トルク、車両の速度といった、車両の状態を表す様々な状態パラメータが用いられる。また、出力パラメータとして、バッテリの温度、車内湿度といった、車両の状態を表す様々な状態パラメータが用いられる。
≪学習モデルの基本的な学習≫
次に、上述したような学習モデル(NNモデル)の学習について説明する。斯かるNNモデルの精度を向上させるためには、NNモデルの学習を行う必要がある。そこで、本実施形態では、プロセッサ14の学習部142がNNモデルの学習を行う。以下では、学習部142において行われる、NNモデルの学習手法を簡単に説明する。
次に、上述したような学習モデル(NNモデル)の学習について説明する。斯かるNNモデルの精度を向上させるためには、NNモデルの学習を行う必要がある。そこで、本実施形態では、プロセッサ14の学習部142がNNモデルの学習を行う。以下では、学習部142において行われる、NNモデルの学習手法を簡単に説明する。
NNモデルの学習では、複数の状態パラメータの実測値を含む訓練データセットが用いられる。訓練データセットは、複数の入力パラメータの複数の実測値と、これら実測値に対応する少なくとも一つの出力パラメータの複数の実測値(正解データ)との組合せから成る。本実施形態では、入力パラメータの実測値及び出力パラメータの実測値は、車両1のセンサ26によって検出された値又はECU11から制御機器25への制御指令値である。
車両1の学習部142は、車両1から送信された訓練データセットに前処理(正規化、標準化等)を行った上で、NNモデルの学習を行う。NNモデルの学習にあたっては、学習部142は、例えば、NNモデルの出力値と訓練データセットに含まれる出力パラメータの実測値との差が小さくなるように、公知の誤差逆伝播法によってNNモデルにおける重みw及びバイアスbを繰り返し更新する。この結果、NNモデルが学習され、学習済みのNNモデルが生成される。学習済みNNモデルの情報(モデルの構造、重みw、バイアスb等)は、メモリ13に記憶される。
≪学習タイミングの制御≫
車両1における学習モデルの学習(すなわち、学習モデルを構成するモデルパラメータ(例えば、重みw、バイアスb等)の値の学習)は、基本的に、車両1のECU11において定期的に行われる。このように車両1にて、その車両1における実測値に基づいて学習を行うことにより、その車両1に特有の学習モデルを得ることができる。この結果、例えば、同一の型式の車両に対して一括で学習モデルの更新を行う場合に比べて、学習モデルをその車両1やその車両1のドライバに適した制御を行うことができるモデルとすることができる。そして、モデルパラメータの値の学習は、基本的に、車両1の一定期間の使用や運転により、訓練データセットとして利用することができる所定量の実測値が得られたときに行われる。
車両1における学習モデルの学習(すなわち、学習モデルを構成するモデルパラメータ(例えば、重みw、バイアスb等)の値の学習)は、基本的に、車両1のECU11において定期的に行われる。このように車両1にて、その車両1における実測値に基づいて学習を行うことにより、その車両1に特有の学習モデルを得ることができる。この結果、例えば、同一の型式の車両に対して一括で学習モデルの更新を行う場合に比べて、学習モデルをその車両1やその車両1のドライバに適した制御を行うことができるモデルとすることができる。そして、モデルパラメータの値の学習は、基本的に、車両1の一定期間の使用や運転により、訓練データセットとして利用することができる所定量の実測値が得られたときに行われる。
ところで、学習モデルの学習では、上述したように、誤差逆伝播法などによって繰り返し演算が行われる。このため、学習モデルの学習には大きな電力を消費する。したがって、常に上記所定量の実測値が得られたタイミングで機械学習を行うと、バッテリの充電率が減少し過ぎて、例えば車両の駆動に必要な電力が不足してしまうことがある。
そこで、本実施形態の学習制御部143は、所定の基準時間以内に充電施設にてバッテリへの充電が行われる可能性、及び充電施設への到達時の予想充電率に基づいて、学習モデルの学習を行うか否かを制御している。基準時間は、車両1において機械学習を行ってもバッテリの充電率が大きく減少しないような時間であり、本実施形態では予め定められた一定の時間(例えば、30分)である。
ここで、学習制御部143は、基準時間以内に充電施設にてバッテリへの充電が行われる可能性を、GPS受信機21によって検出された車両1の現在位置、地図データベース22に記憶された地図情報、ナビゲーションシステム23によって設定された予定走行ルートに基づいて判断する。
具体的には、例えば、学習制御部143は、車両1の現在位置と地図情報とに基づいて、車両1の現在位置から最も近い充電施設までの道路距離を算出し、算出した道路距離に基づいて基準時間以内に充電施設にてバッテリへの充電が行われる可能性を推定してもよい。この場合、学習制御部143は、最寄りの充電施設までの道路距離が、車両1が上記基準時間に亘って走行したときの走行距離に相当する所定距離以内である場合に、基準時間以内に充電施設にてバッテリへの充電が行われる可能性が高いと予想する。学習制御部143は、逆に、最寄りの充電施設までの道路距離が上記所定距離よりも長い場合に、基準時間以内に充電施設にてバッテリへの充電が行われる可能性が低いと予想する。
また、学習制御部143は、ナビゲーションシステム23によって設定された予定走行ルート中の充電施設の有無に基づいて、基準時間以内に充電施設にてバッテリへの充電が行われる可能性を推定してもよい。この場合、学習制御部143は、予定走行ルートにおいて基準時間以内に充電施設に到達又は通過することになっている場合に、基準時間以内に充電施設にてバッテリへの充電が行われる可能性が高いと予想する。学習制御部143は、逆に、予定走行ルートにおいて基準時間以内に充電施設に到達又は通過することになっていない場合に、基準時間以内に充電施設にてバッテリへの充電が行われる可能性が低いと予想する。
加えて、学習制御部143は、上述した二つの手法を組み合わせて基準時間以内に充電施設にてバッテリへの充電が行われる可能性を推定してもよいし、他の手法に基づいて又は他の手法と上述した二つの手法を組み合わせて基準時間以内に充電施設にてバッテリへの充電が行われる可能性を推定してもよい。
そして、学習制御部143は、基準時間以内に充電施設にてバッテリへの充電が行われる可能性が低くて斯かる充電が行われないことが予想される場合には、学習モデルの学習を禁止する。一方、学習制御部143は、基準時間以内に充電施設にてバッテリへの充電が行われる可能性が高くて斯かる充電が行われることが予想される場合には、基本的に、学習モデルの学習を許可する。
しかしながら、基準時間以内に充電施設にてバッテリへの充電が行われる可能性が高くても、バッテリの現在の充電率が少なくて、機械学習を行うと充電施設に到達するまでにバッテリの充電率がゼロ又は極めて少なくなってしまうような場合には、機械学習を開始すべきではない。
そこで、本実施形態の学習制御部143は、基準時間以内に充電施設にてバッテリへの充電が行われる可能性が高くて斯かる充電が行われることが予想される場合であっても、車両1が充電施設に到達する時のバッテリの予想充電率が予め定められた基準充電率未満であるときには学習を禁止する。
ここで、学習制御部143は、車両1が充電施設に到達する時のバッテリの予想充電率を、バッテリの現在の充電率及び充電施設に到達するまでの予想消費電力量に基づいて算出する。バッテリの現在の充電率は、充電率を検出するセンサ26によって検出される。充電施設に到達するまでの予想消費電力量は、車両1の現在位置から充電施設までの道路距離、車両1の空調機器の使用状態などに基づいてECU11によって算出される。
以上より、本実施形態では、学習制御部143は、基準時間以内に充電施設にてバッテリへの充電が行われる可能性が高く且つ車両1が充電施設に到達する時のバッテリの予想充電率が基準充電率以上である場合、すなわちバッテリの充電率が予め設定された基準充電率未満になる前に充電施設にてバッテリへの充電が行われることが予想される場合には、学習部142における機械学習を許可する。したがって、この場合、訓練データとして利用することができる所定量の実測値が得られると、学習部142はこの実測値を利用して学習モデルの学習を行う。一方、学習制御部143は、基準時間以内に充電施設にてバッテリへの充電が行われる可能性が低いか又は車両1が充電施設に到達する時のバッテリの予想充電率が基準充電率未満である場合、すなわちバッテリの充電率が基準充電率未満になる前に充電施設にてバッテリへの充電が行われることが予想されない場合には、学習部142における機械学習を禁止する。したがって、この場合、訓練データとして利用することができる所定量の実測値が得られても、学習部142はこの実測値を利用した学習モデルの学習を行わない。
図4は、本実施形態に係る学習制御部143による学習制御処理のフローチャートである。図示した学習制御処理は、一定の時間間隔毎にECU11のプロセッサ14によって実行される。
まず、学習制御部143は、GPS受信機21から車両1の現在位置を取得し、センサ26からバッテリの現在の充電率SOCを取得する(ステップS11)。次いで、学習制御部143は、上述したように、車両1の現在位置、地図情報及び予定走行ルートに基づいて、基準時間以内に充電施設にてバッテリへの充電が行われる可能性Pcを算出する(ステップS12)。特に、学習制御部143は、車両1の現在位置から最寄りの充電施設までの道路距離が短いほど充電が行われる可能性Pcを高く算出し、予定走行ルート中における充電施設までの道路距離が短いほど充電が行われる可能性Pcを高く算出する。
基準時間以内に充電施設にてバッテリへの充電が行われる可能性Pcが算出されると、学習制御部143は、算出された可能性Pcが予め定められた基準可能性Pcref以上であるか否かを判定する(ステップS13)。ステップS13において、算出された可能性Pcが基準可能性Pcref未満であると判定された場合には、学習制御部143は、学習部142における機械学習を禁止する(ステップS14)。
一方、ステップS13において算出された可能性Pcが基準可能性Pcref以上であると判定された場合には、学習制御部143は車両1が最寄りの充電施設に到達する時の予想充電率SOCprを算出する(ステップS15)。予想充電率SOCprは、上述したように、バッテリの現在の充電率SOCと充電施設に到達するまでの予想消費電力量に基づいて算出される。
その後、学習制御部143は、算出された予想充電率SOCprが予め定められた基準充電率SOCref以上であるか否かを判定する(ステップS16)。ステップS16において予想充電率SOCprが基準充電率SOFref未満であると判定された場合には、学習制御部143は、学習部142における機械学習を禁止する(ステップS14)。
一方、ステップS16において予想充電率SOCprが基準充電率SOCref以上であると判定された場合には、学習制御部143は、学習部142における機械学習を許可する(ステップS17)。したがって、学習部142は、バッテリの電力により、学習モデルの機械学習を行う。
≪効果・変形例≫
本実施形態によれば、入力パラメータ及び出力パラメータについて訓練データセットとして利用することができる所定量の実測値が得られても、基準時間以内に充電施設にてバッテリへの充電が行われることが予想されない場合、又はバッテリの充電率が基準充電率未満になる前に充電施設にてバッテリへの充電が行われることが予想されない場合には、学習部142における機械学習が禁止される。したがって、機械学習装置によって学習モデルの学習を行うことに伴ってバッテリの電力が不足してしまうことを抑制することができる。
本実施形態によれば、入力パラメータ及び出力パラメータについて訓練データセットとして利用することができる所定量の実測値が得られても、基準時間以内に充電施設にてバッテリへの充電が行われることが予想されない場合、又はバッテリの充電率が基準充電率未満になる前に充電施設にてバッテリへの充電が行われることが予想されない場合には、学習部142における機械学習が禁止される。したがって、機械学習装置によって学習モデルの学習を行うことに伴ってバッテリの電力が不足してしまうことを抑制することができる。
なお、上記実施形態では、学習モデルの機械学習に関する処理が全て車両1のECU11によって行われている。しかしながら、車両1と通信可能な車外のサーバによって車両1の学習モデルの機械学習に関する一部の処理が行われてもよい。具体的には、例えば、車両1の学習部142の学習を制御する学習制御部143がサーバに設けられてもよい。この場合、車両1のECU11は、車外通信モジュール24を介して、車両1の現在位置、車両1の予定走行ルートなどの情報をサーバに送信し、サーバは受信した情報とサーバのストレージ装置に記憶された地図情報とに基づいて、基準時間以内に充電施設にて車両1のバッテリへの充電が行われる可能性を算出する。そして、サーバは算出した可能性を車両1に送信する。なお、このようにサーバにおいて一部の処理が行われる場合であっても、学習モデルのモデルパラメータの機械学習自体は車両1のプロセッサ14の学習部142において行われる。
また、上記実施形態では、基準時間以内に充電施設にてバッテリへの充電が行われる可能性に基づいて学習モデルの機械学習を行うか否かを判断しており、この基準時間は予め定められた一定の時間とされている。しかしながら、この基準時間は、バッテリの充電率や、充電施設までの予定走行ルートなどに応じて変化してもよい。具体的には、バッテリの充電率が少ないほど基準時間は短く設定される。
<第二実施形態>
次に、図5を参照して、第二実施形態に係る機械学習装置について説明する。以下では、主に、第一実施形態に係る機械学習装置とは異なる部分について説明する。
次に、図5を参照して、第二実施形態に係る機械学習装置について説明する。以下では、主に、第一実施形態に係る機械学習装置とは異なる部分について説明する。
上記第一実施形態では、学習制御部143は、充電施設にてバッテリへの充電が行われる可能性に基づいて、学習部142における機械学習を許可するか否かを判断している。これに対して、本実施形態では、学習制御部143は、充電施設にてバッテリへの充電が行われる可能性に基づいて、学習部142において行われる機械学習による単位時間当たりの電力消費量を制御するようにしている。
本実施形態に係るECU11のプロセッサ14は、演算処理を行う際のクロック数(作動周波数)を変更することができるように形成されている。このクロック数を大きくすると、プロセッサ14で行われる演算処理の速度を高めることができるが、演算処理に伴う単位時間当たりの電力消費量が大きくなる。逆に、このクロック数を小さくすると、プロセッサ14で行われる演算処理に伴う単位時間当たりの電力消費量を小さくすることができるが、延在処理の速度が低くなる。
そこで、本実施形態に係る学習制御部143は、所定の基準時間以内に充電施設にてバッテリへの充電が行われる可能性、及び充電施設への到達時の予想充電率に基づいて、演算処理に伴う単位時間当たりの電力消費量を制御している。具体的には、学習制御部143は、基準時間以内に充電施設にてバッテリへの充電が行われる可能性が低くて斯かる充電が行われないことが予想される場合には、所定の低いクロック数にてプロセッサ14を作動させる。したがってこの場合、プロセッサ14では低い電力消費量で機械学習が行われる。一方、学習制御部143は、基準時間以内に充電施設にてバッテリへの充電が行われる可能性が高くて斯かる充電が行われることが予想される場合には、所定の高いクロック数にてプロセッサ14を作動させる。したがってこの場合、プロセッサ14では高い電力消費量で機械学習が行われる。換言すると、本実施形態では、学習制御部143は、基準時間以内に充電施設にてバッテリへの充電が行われることが予想される場合には、基準時間以内に充電施設にてバッテリへの充電が行われることが予想されない場合に比べて、学習部142に高い電力消費量で機械学習させる。
或いは、学習制御部143は、バッテリの充電率が基準充電率未満になる前に充電施設にてバッテリへの充電が行われることが予想されない場合に所定の小さいクロック数にてプロセッサ14を作動させ、バッテリの充電率が予め設定された基準充電率未満になる前に充電施設にてバッテリへの充電が行われることが予想される場合には、所定の大きいクロック数にてプロセッサ14を作動させてもよい。
図5は、第二実施形態に係る学習制御部143による学習制御処理のフローチャートである。図示した学習制御処理は、一定の時間間隔毎にECU11のプロセッサ14によって実行される。図5に示したフローチャートにおけるステップS21~S23、S25及びS26は、図4に示したフローチャートにおけるステップS11~S13、S15及びS16と同様であるため、説明を省略する。
ステップS23において、算出された可能性Pcが基準可能性Pcref未満であると判定された場合、及びステップS26において、予想充電率SOCprが基準充電率SOCref未満であると判定された場合には、学習制御部143は、プロセッサ14を所定の小さいクロック数で作動させる(ステップS24)。また、ステップS26において、予想充電率SOCprが基準充電率SOCref以上であると判定された場合には、学習制御部143は、プロセッサ14を所定の大きいクロック数で作動させる(ステップS24)。
なお、上記第二実施形態では、基準時間以内に充電施設にてバッテリへの充電が行われる可能性に基づいて、プロセッサ14が二段階の異なるクロック数にて作動されている。しかしながら、プロセッサ14は、基準時間以内に充電施設にてバッテリへの充電が行われる可能性に基づいて、三段階以上の多段階の異なるクロック数にて作動されてもよい。この場合、基準時間以内に充電施設にてバッテリへの充電が行われる可能性が高いほど、プロセッサ14が大きいクロック数にて作動される。
また、上記第二実施形態では、クロック数を制御することによってプロセッサ14における電力消費量が調整されているが、他の手法によって電力消費量が調整されてもよい。例えば、プロセッサ14を複数のコアから構成すると共に、実際に演算処理に使用するコアの数を変更することによって電力消費量が調整されてもよい。
以上、本発明に係る好適な実施形態を説明したが、本発明はこれら実施形態に限定されるものではなく、特許請求の範囲の記載内で様々な修正及び変更を施すことができる。
1 車両
11 ECU
14 プロセッサ
141 制御部
142 学習部
143 学習制御部
25 制御機器
26 センサ
11 ECU
14 プロセッサ
141 制御部
142 学習部
143 学習制御部
25 制御機器
26 センサ
Claims (2)
- 車両に搭載された機器を制御するのに用いられるモデルを構成するモデルパラメータの値を、前記車両にて機械学習する機械学習装置であって、
前記車両のバッテリに充電された電力を使用して前記モデルパラメータの値を機械学習する学習部と、
前記学習部における機械学習を制御する学習制御部とを備え、
前記学習制御部は、所定時間以内に充電施設にて前記バッテリへの充電が行われることが予想される場合には、前記学習部における機械学習を許可し、前記所定時間以内に前記充電施設にて前記バッテリへの充電が行われることが予想されない場合には、前記学習部における機械学習を禁止する、機械学習装置。 - 車両に搭載された機器を制御するのに用いられるモデルを構成するモデルパラメータの値を、前記車両にて機械学習する機械学習装置であって、
前記車両のバッテリに充電された電力を使用して前記モデルパラメータの値を機械学習する学習部と、
前記学習部における機械学習を制御する学習制御部とを備え、
前記学習制御部は、所定時間以内に充電施設にて前記バッテリへの充電が行われることが予想される場合には、前記所定時間以内に前記充電施設にて前記バッテリへの充電が行われることが予想されない場合に比べて、前記学習部に高い電力消費量で機械学習させる、機械学習装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020159610A JP2022053033A (ja) | 2020-09-24 | 2020-09-24 | 機械学習装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020159610A JP2022053033A (ja) | 2020-09-24 | 2020-09-24 | 機械学習装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022053033A true JP2022053033A (ja) | 2022-04-05 |
Family
ID=80962858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020159610A Pending JP2022053033A (ja) | 2020-09-24 | 2020-09-24 | 機械学習装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2022053033A (ja) |
-
2020
- 2020-09-24 JP JP2020159610A patent/JP2022053033A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102589562B (zh) | 使用用于路线模拟的车辆状态信息的导航***和方法 | |
CN107253477B (zh) | 控制具有压燃式发动机的混合动力车辆的方法 | |
US20200160619A1 (en) | Dynamic driving range prediction for electric vehicles | |
CN102991503B (zh) | 用于控制车辆的方法 | |
JP7032282B2 (ja) | 空調制御装置、空調制御方法、及びプログラム | |
CN102778651A (zh) | 确定多电池单元蓄电池中的电池单元容量值的***和方法 | |
US20210146785A1 (en) | Driver model estimation, classification, and adaptation for range prediction | |
JP7176376B2 (ja) | 車両の制御装置 | |
JP6100595B2 (ja) | 航続可能距離算出装置 | |
KR20140095780A (ko) | 전기 자동차의 주행 가능 거리를 예측하기 위한 장치 및 그 방법 | |
CN110103936A (zh) | 车辆控制***、车辆控制方法及存储介质 | |
CN109878506A (zh) | 车辆控制***、车辆控制方法及存储介质 | |
CN114450738A (zh) | 电池管理装置、学习模型、计算机程序、电池管理方法以及信息提供装置 | |
US11820398B2 (en) | Learning apparatus and model learning system | |
US11341789B2 (en) | Remote/offline processing of vehicle data | |
JP7040589B1 (ja) | 機械学習方法及び機械学習システム | |
KR20140083555A (ko) | 전기 자동차의 주행 가능 거리를 예측하기 위한 장치 및 그 방법 | |
JP2022053033A (ja) | 機械学習装置 | |
CN110962691A (zh) | 一种动力电池热管理控制*** | |
US11760334B2 (en) | Control device of vehicle and internal combustion engine control device | |
JP2010284996A (ja) | 車両走行制御装置 | |
JP6972927B2 (ja) | 空調制御システム | |
WO2020189771A1 (ja) | 消費エネルギー推定装置、消費エネルギー推定方法、及びプログラム | |
US20240083297A1 (en) | Information processing apparatus | |
US11780346B2 (en) | Scheduling pre-departure charging of electric vehicles |