JP2023132114A - エッジ装置及び分散システム - Google Patents

Abstract

【課題】自動稼働体で想定外事象が発生した時の状況データを効率よく収集して安全性の向上に寄与できるエッジ装置及び分散システムを提供する。【解決手段】本発明のエッジ装置は，自動稼働体に設けられるセンサと，前記センサからの入力データに基づいて物体を認識する認識部と，前記認識部での認識結果に対する判断を行う判断部と，前記判断部での判断結果に基づいて駆動機構を制御する駆動機構制御部と，前記認識部及び前記判断部からの情報に基づいて，想定外事象が発生したか否かを判定する想定外事象判定部と，想定外事象が発生したと判定された場合に，前記認識部での認識結果，若しくは，前記認識部での認識に用いられた前記入力データ，並びに，前記判断部での判断結果，若しくは，当該判断結果に至るまでの計算履歴，を通信データとして整形するデータ整形部と，前記データ整形部が整形した通信データをクラウドサーバに送信する通信部と，を備える。【選択図】図１

Description

本発明は，エッジ装置及び分散システムに関する。

自動運転車やロボット等の自動稼働体が有する駆動機構の制御を支援する電子システムが知られている。例えば，特許文献１には，車両に対する横風等の外乱を推定し，外乱の推定結果に基づいて運転支援の内容を変える車両制御装置が記載されている。

特開２０２０－１６８９５５号公報

しかし，特許文献１に記載の技術は，車両の走行に影響のある外乱かどうかの判断と，それに応じた運転支援に関するものに過ぎず，外乱時の状況データを収集することは想定されていない。

本発明の目的は，自動稼働体で想定外事象が発生した時の状況データを効率よく収集して安全性の向上に寄与できるエッジ装置及び分散システムを提供することにある。

前述の課題を解決するため，本発明のエッジ装置は，自動稼働体に関するデータを収集するクラウドサーバとネットワークを介して接続され，前記自動稼働体が有する駆動機構の制御を支援するものであって，前記自動稼働体に設けられるセンサと，前記センサからの入力データに基づいて物体を認識する認識部と，前記認識部での認識結果に対する判断を行う判断部と，前記判断部での判断結果に基づいて前記駆動機構を制御する駆動機構制御部と，前記認識部及び前記判断部からの情報に基づいて，想定外事象が発生したか否かを判定する想定外事象判定部と，想定外事象が発生したと判定された場合に，前記認識部での認識結果，若しくは，前記認識部での認識に用いられた前記入力データ，並びに，前記判断部での判断結果，若しくは，当該判断結果に至るまでの計算履歴，を通信データとして整形するデータ整形部と，前記データ整形部が整形した通信データを前記クラウドサーバに送信する通信部と，を備える。

本発明によれば，自動稼働体で想定外事象が発生した時の状況データを効率よく収集して安全性の向上に寄与できるエッジ装置及び分散システムを提供できる。

上記した以外の課題，構成及び効果は，以下の実施形態の説明により明らかにされる。

本発明の実施例１に係る分散システムの全体構成を示す図。 診断クラウドサーバを成す計算機のハードウェア構成を示す図。 図１に示す分散システムにおけるデータの流れを示す図。 分散システムを利用した自動運転車サービスの例を示す概念図。 エッジ装置の一例として，自動運転車における運転支援装置のハードウェア構成を示す図。 ＥＣＵ内での処理を示すフローチャート。 自動運転車において他車との関係から発生する想定外事象の類型を示す表。 想定外事象の一例として他車がカットインする場合の動きを示す概略図。 図８Ａのように他車がカットインする場合の事象を分類するための基準を示すグラフ。 診断クラウドサーバにおける処理を例を示すフローチャート。 本発明の実施例２に係る分散システムの全体構成を示す図。 本発明の実施例３に係る分散システムの全体構成を示す図。

以下，図面を参照して本発明の実施例を説明する。実施例は，本発明を説明するための例示であって，説明の明確化のため，適宜，省略および簡略化がなされている。本発明は，他の種々の形態でも実施することが可能である。特に限定しない限り，各構成要素は単数でも複数でも構わない。

実施例において，プログラムを実行して行う処理について説明する場合がある。ここで，計算機は，プロセッサ（例えばＣＰＵ，ＧＰＵ）によりプログラムを実行し，記憶資源（例えばメモリ）やインターフェースデバイス（例えば通信ポート）等を用いながら，プログラムで定められた処理を行う。そのため，プログラムを実行して行う処理の主体を，プロセッサとしても良い。同様に，プログラムを実行して行う処理の主体が，プロセッサを有するコントローラ，装置，システム，計算機，ノードであってもよい。プログラムを実行して行う処理の主体は，演算部であれば良く，特定の処理を行う専用回路を含んでいても良い。ここで，専用回路とは，例えばＦＰＧＡ（Field Programmable Gate Array）やＡＳＩＣ（Application Specific Integrated Circuit），ＣＰＬＤ（Complex Programmable Logic Device）等である。

プログラムは，プログラムソースから計算機にインストールされても良い。プログラムソースは，例えば，プログラム配布サーバまたは計算機が読み取り可能な記憶メディアであっても良い。プログラムソースがプログラム配布サーバの場合，プログラム配布サーバはプロセッサと配布対象のプログラムを記憶する記憶資源を含み，プログラム配布サーバのプロセッサが配布対象のプログラムを他の計算機に配布しても良い。また，実施例において，２以上のプログラムが１つのプログラムとして実現されても良いし，１つのプログラムが２以上のプログラムとして実現されても良い。

（分散システムの全体構成）
図１は，本発明の実施例１に係る分散システムの全体構成を示す図である。本実施例に係る分散システムは，エッジ装置１と，診断クラウドサーバ２と，管理サーバ３と，を備える。また，エッジ装置１は，ネットワーク２０を介して，診断クラウドサーバ２や管理サーバ３と接続されている。ネットワーク２０は，例えば，携帯電話通信網，インターネット（Ｅｔｈｅｒｎｅｔを含む）等に代表される双方向通信網である。

（エッジ装置の構成）
エッジ装置１は，自動稼働体が有する駆動機構の制御を支援する装置であり，センサ７と，認識部４と，判断部５と，駆動機構制御部６と，第１のメモリ９と，第２のメモリ１０と，想定外事象判定部１１と，データ整形部１２と，通信部８と，を備える。自動稼働体としては，車両，ドローン，ロボット等の移動体や，ロボットアーム，工作機械，数値制御旋盤等の設備，が想定される。自動稼働体が移動体の場合，駆動機構はエンジンやモータ等であり，自動稼働体が設備の場合，駆動機構はモータや油圧等のアクチュエータである。ここで，自動稼働には自動運転が含まれるものとする。

センサ７は，自動稼働体に設けられるカメラやレーダ等である。認識部４は，センサ７からの入力データに基づいて，センシングされた対象物がどのような物体であるかを認識し，オブジェクトデータに変換する。判断部５は，認識部４での認識結果であるオブジェクトデータに対する判断を行い，自動稼働体の次の動作，すなわち，駆動機構の制御内容を決定する。駆動機構制御部６は，判断部５での判断結果に基づいて駆動機構の動作を制御する。

第１のメモリ９は，認識部４での認識結果であるオブジェクトデータ，及び／又は，認識部４での認識に用いられた入力データ（例えば，画像データや距離データ等，センサ７から出力されたままのＲＡＷデータ），を保持する。第２のメモリ１０は，判断部５での判断結果，及び／又は，当該判断結果に至るまでの計算履歴，を保持する。

想定外事象判定部１１は，認識部４及び判断部５からの情報に基づいて，想定外事象が発生したか否かを判定する。具体的には，想定外事象判定部１１は，認識部４で認識したオブジェクトデータに関し，判断部５での判断結果に至るまでの計算履歴データを，予め定められたしきい値と比較することで，想定外事象が発生したか否かを判定する。想定外事象が発生したと判定された場合，想定外事象判定部１１は，第１のメモリ９及び第２のメモリ１０に対して，データ保持を指示するトリガ信号を発出する。

ここで，想定外事象の例について説明する。第１の例としては，センサ７からの入力データに基づいて対象物の認識はできたが，形状が既学習結果では特定し難い場合（認識は成功していて良い）である。第２の例としては，センサ７からの入力データに基づいて複数の対象物を認識したが，その組み合わせが想定外であった場合（例えば，自動運転車が高速道路で一時停止の道路標識を認識する場合）である。第３の例としては，前方の物体（例えば，自動運転車の前方車両や対向車両）の形状が光の加減で欠けて見えた場合である。第４の例としては，周囲環境と関係から想定外事象が発生する場合（例えば，自動運転車の並走車両が突発的な動作をした場合）である。なお，想定外事象は，これらの例に限られない。

さらに，想定外事象判定部１１内に，正常動作のシナリオデータと，認識可能な対象物のセンシングデータ（例えば形状データ）と，を格納するルールベースが設けられても良い。想定外事象判定部１１は，認識部４及び判断部５からの入力データを逐次このルールベースと照合することで，想定外事象の判定が可能である。

データ整形部１２は，第１のメモリ９及び第２のメモリ１０で保持された各データを取得すると，当該データを予め定義された形式に変換することで通信データとして整形し，通信部８に出力する。

通信部８は，データ整形部１２が整形した通信データを，ネットワーク２０を介して診断クラウドサーバ２に送信する。

（診断クラウドサーバの構成）
診断クラウドサーバ２は，ネットワーク２０上に存在する１台以上の計算機からなる。なお，クラウドサーバに代えて，ローカルに存在する１台以上の計算機からなるサーバが採用されても良い。診断クラウドサーバ２は，データ分類部２１と，学習用データ生成部２２と，を備える。

データ分類部２１は，エッジ装置１より受信した通信データ，すなわち，入力データ（Ｒａｗデータ），オブジェクトデータ，判断部５での判断結果，当該判断結果に至るまでの計算履歴，の各データから，想定外事象の種類を分類する。さらに，データ分類部２１は，分類結果に基づいて学習の要否判断を行い，新たに学習が必要と判断したデータを学習用データ生成部２２に出力する。

なお，エッジ装置１の想定外事象判定部１１又はデータ整形部１２で想定外事象の種類を一次分類し，ラベル付けを行っても良い。その場合，診断クラウドサーバ２のデータ分類部２１は，そのラベルに従って学習の要否判断のみを行うか，再度入力したデータを基により詳細な分類を行い，学習の要否判断に加え，学習用データとしてより有効なデータ部分の抽出とラベル付けを行う。なお，ラベル付けに人が関与することもある。

学習用データ生成部２２は，データ分類部２１からの出力結果，入力データ（Ｒａｗデータ），オブジェクトデータ等に基づいて，学習用データ形式と学習用ラベルデータを生成する。

図２は，診断クラウドサーバ２を成す計算機４００のハードウェア構成を示す図である。

計算機４００は，プロセッサ４０１と，メモリ４０２と，外部記憶装置４０３と，音声出力装置４０４と，生体情報入力装置４０５と，入力装置４０６と，出力装置４０７と，通信装置４０８と，を備え，これらがデータバス４０９を介して接続されて構成される。

プロセッサ４０１は，ＣＰＵ，ＧＰＵ，ＦＰＧＡ等からなり，計算機４００の全体を制御する。メモリ４０２は，例えばＲＡＭ(Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ)等の主記憶装置である。外部記憶装置４０３は，デジタル情報を記憶可能なＨＤＤ(Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ)，ＳＳＤ(Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ)，フラッシュメモリ等の不揮発性記憶装置である。

音声出力装置４０４は，スピーカ等からなる。生体情報入力装置４０５は，カメラ，視線入力装置，マイクロフォン等からなる。入力装置４０６は，キーボード，マウス，タッチパネル等からなる。出力装置４０７は，ディスプレイ，プリンタ等からなる。

通信装置４０８は，ＮＩＣ(Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ)等からなる。通信装置４０８は，有線通信及び無線通信の少なくとも一方により，同一のネットワークに接続された他の装置との通信を行う。その通信には，ＴＣＰ／ＩＰ(Ｔｒａｎｓｍｉｓｓｉｏｎ Ｃｏｎｔｒｏｌ Ｐｒｏｔｏｃｏｌ／Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ)によるパケット通信を採用するが，これに限られるものではなく，ＵＤＰ(Ｕｓｅｒ Ｄａｔａｇｒａｍ Ｐｒｏｔｏｃｏｌ)等の他のプロトコルによる通信を採用してもよい。

なお，計算機４００のハードウェア構成は前述した例に限らず，前述した一部の構成要素を省いたり，他の構成要素を含んだりして良い。また，計算機４００は，サーバコンピュータ，パーソナルコンピュータ，ノート型コンピュータ，タブレット型コンピュータ，スマートフォン，テレビジョン装置等の各種の情報処理装置であっても良い。

計算機４００は，ＯＳ(Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ)，ミドルウェア，アプリケーションプログラム等のプログラムを記憶したり，外部から読み込んだりすることができ，これらのプログラムをプロセッサ４０１が実行することにより，各種の処理を実行できる。

（管理サーバの構成）
管理サーバ３としては，自動稼働体やエッジ装置１の設計や製造を行う会社（以下，単に製造会社と呼ぶことがある）が所有する計算機が想定される。当該製造会社は，自社製品の開発や保守のためにエッジ装置１に関するエッジデータを管理している。管理サーバ３は，学習用データに基づき学習処理を実行することでエッジ装置１の機能を更新するデータを生成し，エッジ装置１に配信する。なお，学習用データは，製造会社による新製品の開発に利用されることもある。

学習部３１は，診断クラウドサーバ２で生成される学習用データを入力し，管理サーバ３で管理されているエッジ装置１の各処理内容（認識部４，判断部５及び想定外事象判定部１１のプログラムや設定パラメータなど）に基づいて，新たな学習を実行する。

機能更新データ生成部３２は，学習部３１で実行された学習結果情報（プログラム，設定パラメータ，ニューラルネットワークの学習係数データ等）をエッジ装置１に書き込める形式の機能更新データに変換し，ネットワーク２０を介してエッジ装置１に配信する。

なお，配信された機能更新データは，エッジ装置１の通信部８で受信され，認識部４，判断部５，想定外事象判定部１１のうち少なくともいずれかに書き込まれる。また，学習用データを使った学習及び機能更新データの作成は，管理サーバ３によらず，人手により行われても良いし，診断クラウドサーバ２で行われても良い。

（分散システムにおけるデータの流れ）
図３は，図１に示す分散システムにおけるデータの流れを示す図である。図３では，左側からエッジ装置１，診断クラウドサーバ２及び管理サーバ３の動作状態又は処理内容が示されている。エッジ装置１の製品稼働の過程で，センサ７からのデータ入力と，認識部４による物体の認識と，判断部５による判断と，が行われる。判断部５による判断結果は，駆動機構制御部６に送られて，駆動機構（アクチュエータ）の制御に用いられる。これらのフローは，エッジ装置１としての主機能であり，正常な動作状態では，このフローが繰り返し行われる。

このフローが繰り返される中で，想定外事象判定部１１が想定外事象の判定処理を行い，想定外事象が発生したと判定されると，想定外事象判定部１１は，第１のメモリ９及び第２のメモリ１０に保持指示のトリガ信号を発出し，一時的に各々のデータを保持させる。その後，各メモリで保持されたデータをデータ整形部１２が通信用のデータ形式に変換し，通信部８がネットワーク２０経由で診断クラウドサーバ２に送信する。

診断クラウドサーバ２は，受信したデータの分類と学習用データの生成を行い，管理サーバ３に学習用データを送信する。管理サーバ３は，受信した学習用データに基づき，想定外事象発生時の状況を学習し，エッジ装置１の認識部４や判断部５等の機能更新データを生成し，エッジ装置１に送信する。また，想定外事象発生時の状況データ及び学習用データは，エッジ装置１の製造会社における次世代製品の開発等にフィードバックされても良い。

（分散システムを利用した自動運転車サービスの例）
図４は，分散システムを利用した自動運転車サービスの例を示す概念図である。製品購入者４１（ここでは自動運転車の購入者）は，車両状態データをデータ管理事業者４２に周期的又は随時送信する。データ管理事業者４２は，診断クラウドサーバ２を保有し，この診断クラウドサーバ２によって受信したデータを分析するとともに変換処理を行う。データ管理事業者４２は，システム設計・製造事業者４３に，周囲環境情報である画像データ，認識結果や判断結果のデータ（対向車との距離や相対速度等），車両の動作異常の有無，異常時の車両内状態データなどを送信する。これらのデータは，システム設計・製造事業者４３では，次世代システムにおける安全性向上や信頼性向上のための設計に利用される。システム設計・製造事業者４３は，収集したデータに基づいて運用中の車両に対する機能更新データを生成し，生成した機能更新データをデータ配信事業者４４に送信する。ただし，データ配信事業者４４は，システム設計・製造事業者４３とデータ管理事業者４２のいずれか又は両方に含まれても良い。データ配信事業者４４は，製品購入者４１に機能更新データをネットワークを介して送信する。また，例えば，旅客事業者やＭａａＳ(Ｍｏｂｉｌｉｔｙ ａｓ ａ Ｓｅｒｖｉｃｅ)業者等の製品運用事業者・サービス事業者４５に機能更新データを送信し，製品運用事業者・サービス事業者４５が管理及び運用している車両に送信しても良い。

（自動運転車に搭載されるエッジ装置の例）
図５は，エッジ装置の一例として，自動運転車における運転支援装置のハードウェア構成を示す図である。自動稼働体が自動運転車（移動体）の場合，エッジ装置は，運転支援装置１ａとして車両１３に搭載される。図４に示すように，運転支援装置１ａ（エッジ装置）は，ＥＣＵ１４（Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｎｔｒｏｌ Ｕｎｉｔ）と，通信部８と，センサ（カメラ７ａ，レーダ７ｂ等）と，駆動機構制御部（エンジン１５ａを制御するエンジン制御部６ａ，ステアリング１５ｂを制御するステアリング制御部６ｂ等）と，を備える。

ＥＣＵ１４は，認識部４と，判断部５と，第１のメモリ９と，第２のメモリ１０と，想定外事象判定部１１と，データ整形部１２と，を有する。認識部４は，カメラ７ａが取得した画像データ等に基づいて他車や道路標識等の物体を認識する。判断部５は，認識部４で認識した物体の位置や速度を考慮して車両をどう移動させるべきか判断する。

図６は，ＥＣＵ内での処理を示すフローチャートである。まず，ＥＣＵ１４は，カメラ７ａ等のセンサから画像データ等の入力データを取得する（ステップＳ６０１）。次に，認識部４は，取得した入力データに基づいて物体を認識する（ステップＳ６０２）。判断部５は，レーダ７ｂ等のセンサからの距離情報等も用いて，認識した物体からの距離（例えば他車との車間距離）や相対速度（例えばカットイン速度）等を計算し，駆動機構制御部６に対する制御内容を判断する（ステップＳ６０３）。その後，想定外事象判定部１１は，判断部５での判断結果に至るまでの計算履歴（根拠となった距離や相対速度等）と，リスクデータベース６０に格納された安全度評価境界条件（対車条件，対人条件，天候条件，路面条件等）の各種しきい値と，を比較する（ステップＳ６０４）。安全度評価境界を超えた場合，想定外事象判定部１１は，想定外事象が発生したと判定し，第１のメモリ９と第２のメモリ１０にデータ保持を指示するトリガ信号を発出する（ステップＳ６０５）。データ整形部１２は，例えば第１のメモリ９に保持された，画像データ等のデータ量の大きいＲＡＷデータから，通信負荷を考慮して一部のデータのみを抽出し，通信データとして整形する（ステップＳ６０６）。なお，整形後の通信データは，通信部８によって診断クラウドサーバ２に送信される。

（自動運転車における想定外事象の例）
図７は，自動運転車において他車との関係から発生する想定外事象の類型を示す表である。自動運転車における周囲環境による突発的な想定外事象（交通外乱と呼ぶこともある）は，道路形状，自他車両の動作及び周辺状況によって引き起こされる。道路形状の例としては，車線の形状が分かり難い場合（見えに難い場合や錯覚を起こし易い場合），合流路が有る場合，分岐路が有る場合，立体路が想定していない形状と認識される場合，等である。自他車両の動作の例としては，車線を維持して走行していた並走車両や前方車両が突然車線を変更する場合等である。周辺状況の例としては，周辺車両による突然のカットイン，前方車両のカットアウト，急な加速や減速等である。

図８Ａは，想定外事象の一例として他車がカットインする場合の動きを示す概略図であり，図８Ｂは，図８Ａのように他車がカットインする場合の事象を分類するための基準を示すグラフである。

図８Ａには，自車５１を基準に進行方向に向かって右側車線から自車５１が走行する左側車線に，他車５２がカットインする事象が示されている。自動運転車である自車５１は，前方に設置されたセンサ７を使って他車５２を常時観測し，自車５１との相対速度と車間距離を検知して走行する。自車５１のＥＣＵ１４ないの判断部５は，この相対速度と車間距離のデータに加え，自車５１の速度から，他車５２との位置関係を算出し，衝突の危険がないかを判断する。

図８Ｂにおいて，横軸は自車５１と他車５２との間の車間距離Ｌ_ｍｏ，縦軸は他車５２のカットイン時の速度Ｖ_ｃ，をそれぞれ示している。衝突時間＝車間距離／相対速度であり，衝突の可能性を判定するためのしきい値となる曲線が，図８Ｂには段階的に示されている。図８Ｂの点線は，安全度評価境界の曲線を示しており，この曲線を超えて内側（左下）の領域になると，自車５１は減速や停車制御を実行し，衝突を回避する。また，図８Ｂの実線は，それぞれ後方及び側面への衝突に繋がる曲線をそれぞれ示しており，これらの曲線を超えて内側（左下）の領域になると，自車５１が他車５２に衝突することを意味する。

本実施例では，衝突の可能性のある想定外事象をトリガとして，車両の動作の異常の有無に関わりなく，センサ７の入力データ等が診断クラウドサーバ２に送信され，診断クラウドサーバ２が車両情報を収集する。診断クラウドサーバ２は，受信したデータを分類する。ここで，他車がカットインする事象の場合，以下の４つの事象に分類できる。

まず（事象１）は，図８Ｂの安全度評価境界よりも外側（右上）の領域にあり，他車がカットインしても問題なく対処できる。この（事象１）は想定内の事象であるため，当該事象における入力データ等は，診断クラウドサーバ２への送信は必須でないが，物体の認識精度向上のためにデータ送信され，学習用データとして扱われても良い。特に，回避動作に至らないまでも，衝突の可能性（図８Ｂの点線で示す安全度評価境界の曲線）に近づいた時点でのデータも送信することで，しきい値の余裕度情報等を収集でき，急な回避動作や急停車の抑制につなげることが可能である。

次に（事象２）は，図８Ｂの安全度評価境界と衝突に繋がる曲線（後方）との間の領域にあり，他車がカットインしても余裕をもって回避できる。この（事象２）は想定外の事象であるため，当該事象における入力データ等は，診断クラウドサーバ２へデータ送信され，学習用データとして扱われるとともに，各しきい値の再設定に用いられる。なお，しきい値の再設定は，想定値との差分に基づいて診断クラウドサーバで自動的に行われるか，人手によって行われる。

さらに（事象３）は，図８Ｂの安全度評価境界と衝突に繋がる曲線（後方）との間の領域のうち，特に後者の曲線に近い領域にあり，自動運転でも回避できるものの，人が急ブレーキ等をかけるべき事象である。この（事象３）も想定外の事象であるため，当該事象における入力データ等は，診断クラウドサーバ２へデータ送信され，学習用データとして扱われる。また，診断クラウドサーバ２では，車両での認識結果を分析し，必要に応じて，ラベル付の見直しと追加学習用データの生成を行う。

そして（事象４）は，図８Ｂの衝突に繋がる曲線（後方）よりも内側（左下）の領域にあり，回避困難な可能性もあるため，自動運転車はフェールオペレーションを起動させて，安全に停止させる。この（事象４）も想定外の事象であるため，当該事象における入力データ等は，診断クラウドサーバ２へデータ送信され，学習用データとして扱われる。また，診断クラウドサーバ２では，車両での認識結果を分析し，ラベル付の見直しと追加学習用データの生成を行う。追加学習用データは，管理サーバ３へ送信され，機能更新のために用いられる。

本実施例では，想定外事象を学習することで，近しい事象での危険の回避や，危険な状況になりかける前に余裕を持った回避動作が可能になり，自動運転車の信頼性と安全性をより向上できる。なお，本実施例は，前述のような事象の分類が，診断クラウドサーバ２のデータ分類部２１で行われることを前提としているが，エッジ装置の想定外事象判定部１１や判断部５で行われても良い。

図９は，診断クラウドサーバにおける処理を例を示すフローチャートである。まず，診断クラウドサーバ２がネットワーク２０を介して想定外事象と判定されたデータをエッジ装置１から受信すると（ステップＳ９０１），データ分類部２１が，当該事象の分類を行う（ステップＳ９０２）。さらに，所定の分類の想定外事象があった場合，学習用データ生成部２２が，エッジ装置１から収集した画像等のデータに基づいて追加学習用データを生成する（ステップＳ９０３）。例えば，前述したような他車がカットインする事象の場合，（事象３）又は（事象４）に分類される想定外事象があったときに，追加学習用データが生成される。

その後，診断クラウドサーバ２は，センサ７からの入力データ，例えば，前方，側方及び後方のセンサ７から取得した対象物の動き（速度，方向等）に関するデータ，を抽出する（ステップＳ９０４）。さらに，診断クラウドサーバ２は，抽出したデータを用いて機能更新データを作成し，当該機能更新データがエッジ装置１へ配信され，認識部４等のパラメータに反映される（ステップＳ９０５）。機能更新データを作成する際には，例えば，カットインに対して減速が有効であったか，減速率は妥当であったか，車線変更が有効であったか，などが評価される。また，エッジ装置１の機能が更新されると，例えば，カットインする他車の側面の認識率が向上する。

なお，図９の例では，学習の実行や機能更新データの生成まで診断クラウドサーバ２が行っているが，前述したように，これらは管理サーバ３が行っても良い。

以上に説明した分散システムによれば，エッジ装置１と診断クラウドサーバ２等の計算機とが連携して，自動稼働体における様々な想定外事象の発生時の状況データを効率よく収集できる。特に，想定外の回避動作や周囲環境変化があったと判定されたことをトリガに，エッジ装置１から判定時のセンサデータ等が診断クラウドサーバ２に送信されるので，収集データ量を縮減できる。そして，発生した想定外事象の状況データを分析し，その分析結果を反映した追加学習とパラメータの調整により，安全性と信頼性を継続的に向上させることが可能となる。

図１０は，本発明の実施例２に係る分散システムの全体構成を示す図である。本実施例のエッジ装置１は，実施例１のエッジ装置１と異なり，自動稼働体の走行シーンを特定する走行シーン特定部１０１と，自動稼働体の位置情報を取得する位置検知部１０２と，をさらに備える。

自動稼働体が自動運転車の場合，位置検知部１０２は，全地球測位システムであるＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）や他の人工衛星からのデータを使って現在地データを取得する。走行シーン特定部１０１は，位置検知部１０２が取得した現在地データを受け取ると，自動運転車が走行しているシーンとして例えば道路の種類（一般道，高速道路，混雑が多い道路等）を特定し，その結果を想定外事象判定部１１に送る。走行シーン特定部１０１は，地図情報のデータベースを有しており，地図データと現在地データに基づいて，走行シーンを特定する。なお，地図情報のデータベースは，エッジ装置１が有していなくても良い。例えば，エッジ装置１は，ネットワーク２０を介して地図情報として受信したり，現在地データと共に走行シーンを特定するためのデータを位置検知部１０２によって受信したりしても良い。

本実施例の想定外事象判定部１１は，走行シーン特定部１０１で特定された走行シーン毎に異なる条件で想定外事象が発生したか否かを判定する。例えば，自動運転車が高速道路を走行しているときは，道路標識に関する認識が想定外となる場合よりも，他車との関係が想定外となる場合の方が，重要度が高い。このため，自動運転車が高速道路を走行しているときは，前者の場合よりも後者の場合の方が想定外事象と判定され易くする等により，後者の場合のデータを優先して診断クラウドサーバ２に送信できる。その他，自動運転車が都市を走行しているときは，人との関係の重要度を高め，自動運転車が郊外を走行しているときは，道路標識の認識に関する重要度を高める，などの条件設定が可能である。

本実施例によれば，あらゆるデータを診断クラウドサーバ２に送信する場合と比べて，通信負荷が低減され，データ収集効率が向上する。なお，通信環境に余裕がある場合には，診断クラウドサーバ２が，現在地データ等を用いて走行シーンを特定し，走行シーン毎の重要度に応じて収集すべき事象を分類するようにしても良い。

なお，本実施例における走行シーン特定部１０１は，位置検知部１０２が取得した現在地データを用いて走行シーンを特定するため，走行シーンを精度よく特定でき，結果としてデータ収集の精度も向上する。但し，位置検知部１０２が無い場合でも，センサ７によって取得した走行速度に基づいて，走行シーンを特定できる場合がある。例えば，走行速度が時速１００ｋｍ以上の場合，走行シーン特定部１０１は，高速道路を走行していることを特定することが可能である。

図１１は，本発明の実施例３に係る分散システムの全体構成を示す図である。本実施例のエッジ装置１は，実施例１のエッジ装置１と異なり，データ整形部１２が整形した通信データを一時保持する第３のメモリ１０３をさらに備える。

本実施例のエッジ装置１は，データ整形部１２からの通信データが第３のメモリ１０３を介さずに直ちに診断クラウドサーバ２へ送信されるモードと，データ整形部１２からの通信データが第３のメモリ１０３を介して一次保持後に診断クラウドサーバ２へ送信されるモードと，を切り替える機能を有している。これにより，例えば，自動稼働体である自動運転車が，トンネル内や山間部等の電波状態が悪い場所を走行した場合でも，診断クラウドサーバ２にデータが確実に送信される。

本発明は，前述した実施例に限定されるものではなく，様々な変形が可能である。例えば，前述した実施例は本発明を分かりやすく説明するために詳細に説明したものであり，必ずしも説明した全ての構成を備えるものに限定されるものではない。また，ある実施例の構成の一部を他の実施例の構成に置き換えたり，追加したりすることが可能である。

１…エッジ装置，１ａ…運転支援装置，２…診断クラウドサーバ，３…管理サーバ，４…認識部，５…判断部，６…駆動機構制御部，６ａ…エンジン制御部，６ｂ…ステアリング制御部，７…センサ，７ａ…カメラ，７ｂ…レーダ，８…通信部，９…第１のメモリ，１０…第２のメモリ，１１…想定外事象判定部，１２…データ整形部，１３…車両，１４…ＥＣＵ，１５ａ…エンジン，１５ｂ…ステアリング，２１…データ分類部，２２…学習用データ生成部，３１…学習部，３２…機能更新データ生成部，５１…自車，５２…他車，６０…リスクデータベース，１０１…走行シーン特定部，１０２…位置検知部，１０３…第３のメモリ，４００…計算機，４０１…プロセッサ，４０２…メモリ，４０３…外部記憶装置，４０４…音声出力装置，４０５…生体情報入力装置，４０６…入力装置，４０７…出力装置，４０８…通信装置，４０９…データバス

Claims (10)

1. 自動稼働体に関するデータを収集するクラウドサーバとネットワークを介して接続され，前記自動稼働体が有する駆動機構の制御を支援するエッジ装置であって，
   前記自動稼働体に設けられるセンサと，
   前記センサからの入力データに基づいて物体を認識する認識部と，
   前記認識部での認識結果に対する判断を行う判断部と，
   前記判断部での判断結果に基づいて前記駆動機構を制御する駆動機構制御部と，
   前記認識部及び前記判断部からの情報に基づいて，想定外事象が発生したか否かを判定する想定外事象判定部と，
   想定外事象が発生したと判定された場合に，前記認識部での認識結果，若しくは，前記認識部での認識に用いられた前記入力データ，並びに，前記判断部での判断結果，若しくは，当該判断結果に至るまでの計算履歴，を通信データとして整形するデータ整形部と，
   前記データ整形部が整形した通信データを前記クラウドサーバに送信する通信部と，
   を備える，エッジ装置。
2. 請求項１に記載のエッジ装置において，
   想定外事象が発生したと判定された場合，前記データ整形部は，前記認識部での認識結果，前記認識部での認識に用いられた前記入力データ，前記判断部での判断結果，及び，当該判断結果に至るまでの計算履歴を，通信データとして整形する，エッジ装置。
3. 請求項２に記載のエッジ装置において，
   前記認識部での認識結果，及び，前記認識部での認識に用いられた前記入力データ，を保持する第１のメモリと，
   前記判断部での判断結果，及び，当該判断結果に至るまでの計算履歴，を保持する第２のメモリと，をさらに備え，
   想定外事象が発生したと判定された場合，前記想定外事象判定部は，前記第１のメモリ及び前記第２のメモリに対して，データを保持するよう指示を発出する，エッジ装置。
4. 請求項３に記載のエッジ装置において，
   想定外事象が発生したと判定された場合に，前記データ整形部は，前記第１のメモリに保持された前記入力データから一部を抽出し，通信データとして整形する，エッジ装置。
5. 請求項１に記載のエッジ装置において，
   前記自動稼働体の走行シーンを特定する走行シーン特定部をさらに備え，
   前記想定外事象判定部は，前記走行シーン特定部で特定された走行シーン毎に異なる条件で想定外事象が発生したか否かを判定する，エッジ装置。
6. 請求項５に記載のエッジ装置において，
   前記エッジ装置は，前記自動稼働体の現在地データを取得する位置検知部をさらに備え，
   前記走行シーン特定部は，前記現在地データと地図データに基づいて，走行シーンを特定する，エッジ装置。
7. 請求項１に記載のエッジ装置において，
   前記データ整形部が整形した通信データを一時保持する第３のメモリをさらに備え，
   前記通信データが前記第３のメモリを介して前記クラウドサーバに送信されるモードと，前記通信データが前記第３のメモリを介さずに前記クラウドサーバに送信されるモードと，が切り替えられる，エッジ装置。
8. 自動稼働体が有する駆動機構の制御を支援するエッジ装置と，
   前記エッジ装置から受信したデータに基づいて学習用データを生成する診断クラウドサーバと，
   前記診断クラウドサーバが生成した学習用データに基づいて学習された結果を用いて前記エッジ装置の機能更新データを生成する管理サーバと，を備えた分散システムであって，
   前記エッジ装置は，
   前記自動稼働体に設けられるセンサと，
   前記センサからの入力データに基づいて物体を認識する認識部と，
   前記認識部での認識結果に対する判断を行う判断部と，
   前記判断部での判断結果に基づいて前記駆動機構を制御する駆動機構制御部と，
   前記認識部及び前記判断部からの情報に基づいて，想定外事象が発生したか否かを判定する想定外事象判定部と，
   想定外事象が発生したと判定された場合に，前記認識部での認識結果，若しくは，前記認識部での認識に用いられた前記入力データ，並びに，前記判断部での判断結果，若しくは，当該判断結果に至るまでの計算履歴，を通信データとして整形するデータ整形部と，
   前記データ整形部が整形した通信データを前記診断クラウドサーバに送信する通信部と，
   を備える，分散システム。
9. 請求項８に記載の分散システムにおいて，
   前記診断クラウドサーバは，
   前記エッジ装置から受信した通信データから，想定外事象の種類を分類するデータ分類部と，
   前記データ分類部からの出力結果に基づいて学習用データを生成する学習用データ生成部と，を備え，
   前記管理サーバは，
   前記診断クラウドサーバから受信した学習用データに基づいて，学習を実行する学習部と，
   前記学習部による学習結果を，前記エッジ装置に対する機能更新データとして出力する機能更新データ生成部と，を備える，分散システム。
10. 請求項９に記載の分散システムにおいて，
    前記管理サーバが生成した機能更新データは，前記通信部を介して，前記認識部，前記判断部又は前記想定外事象判定部に入力される，分散システム。

Images