JP6044556B2 - 学習システム、車載装置、及び、サーバ - Google Patents

Description

本発明は、車載装置における処理についての学習システム等に関する。

従来、画像認識や音声認識等といった様々な分野において機械学習が用いられており、一例として、特許文献１では、機械学習により、スパムメールを除去するためのスパムフィルタを部分的に更新することが提案されている。

また、車載装置においても画像認識等が行われているが、このような車載装置の開発段階では、機械学習により認識精度等の向上が図られており、出荷後においても、各車載装置にて異なる機械学習を行うことで各車両に適合した性能の向上を図ることが考えられる。

特開２００６−１２１６５号公報

しかしながら、出荷された車載装置において、本来の機能を稼働させながら機械学習を行うとなると、車載装置のハードウェア性能を大幅に向上させる必要があり、コストの増加等の問題が生じてしまう。

本願発明は上記課題に鑑みてなされたものであり、車載装置のハードウェア性能を向上させること無く、出荷後に車載装置の機能を向上させるための学習処理を行うことができる学習システム等を提供することを目的とする。

上記課題に鑑みてなされた本発明は、予め定められた機能を有し、異なる車両に搭載された１又は複数の車載装置（１０）と、該車載装置と通信を行うサーバ（２）とを有する学習システム（１）に関するものである。

車載装置は、機能を実現するための処理を実行する実行手段（Ｓ１０５）と、実行手段による処理に用いられたデータを、学習データとしてサーバに提供する学習データ提供手段（Ｓ１１０）と、サーバから、処理の内容を更新するための更新データを取得する更新データ取得手段（Ｓ３００）と、更新データに基づき、処理の内容を更新する更新手段（Ｓ３０５）と、を備える。

また、サーバは、車載装置から学習データを取得する学習データ取得手段（Ｓ２００）と、学習データ取得手段により取得された学習データに基づき、車載装置における機能を向上させるための学習処理を行い、更新データを生成する学習手段（Ｓ２０５，Ｓ２１５）と、更新データを車載装置に提供する更新データ提供手段（Ｓ２２０）と、を備える。

また、本発明に係る車載装置（１０）は、予め定められた機能を実現するための処理を実行する実行手段（Ｓ１０５）と、実行手段による処理に用いられたデータを、学習データとしてサーバ（２）に提供する学習データ提供手段（Ｓ１１０）と、サーバから、処理の内容を更新するための更新データを取得する更新データ取得手段（Ｓ３００）と、更新データに基づき、処理の内容を更新する更新手段（Ｓ３０５）と、を備える。

また、本発明に係るサーバ（２）は、予め定められた機能を有する車載装置（１０）から、該車載装置による該機能を実現するための処理に用いられた学習データを取得する学習データ取得手段（Ｓ２００）と、学習データ取得手段により取得された学習データに基づき、車載装置における機能を向上させるための学習処理を行い、車載装置にて処理の内容を更新するための更新データを生成する学習手段（Ｓ２０５，Ｓ２１５）と、更新データを車載装置に提供する更新データ提供手段（Ｓ２２０）と、を備える。

このような構成によれば、車載装置では学習処理が行われず、サーバにて各車載装置から収集した学習データに基づき学習処理が行われる。そして、サーバでの学習処理により生成された更新データが各車載装置に提供され、各車載装置における処理の内容が更新される。

このため、車載装置は、自装置で学習処理を行うことなく処理の内容を更新し、機能の向上を図ることができる。
したがって、本発明に係る学習システムや車載装置やサーバによれば、車載装置のハードウェア性能を向上させること無く、出荷後に車載装置の機能を向上させるための学習処理を行うことができる。

さらに、サーバには多くの車載装置から収集した学習データが蓄積されるため、短期間で効果的に学習処理を行うことができる。
なお、この欄及び特許請求の範囲に記載した括弧内の符号は、一つの態様として後述する実施形態に記載の具体的手段との対応関係を示すものであって、本発明の技術的範囲を限定するものではない。

学習システムの構成を示すブロック図である。 車載装置の構成を示すブロック図である。 学習サーバの構成を示すブロック図である。 メイン学習サーバの構成を示すブロック図である。 学習データ送信処理のフローチャートである。 機械学習処理のフローチャートである。 更新データ受信処理のフローチャートである。

以下、本発明の実施形態について図面を用いて説明する。なお、本発明の実施の形態は、下記の実施形態に何ら限定されることはなく、本発明の技術的範囲に属する限り種々の形態を採りうる。

［構成の説明］
学習システム１は、１又は複数の車載装置１０と、無線通信回線網２０を介して各車載装置１０と通信を行う学習サーバ２とを有している（図１参照）。

車載装置１０は、自車両周辺の歩行者や道路に描かれた白線等を認識する画像認識機能を有しており、カメラ１１，記憶部１２，車内ＬＡＮ通信部１３，制御部１４，表示部１５，操作部１６，無線通信部１７等を有する（図２参照）。

カメラ１１は、ＣＣＤカメラや赤外線カメラ等として構成されており、自車両周辺を撮影する部位であり、撮影画像に基づき画像認識処理が行われる。なお、カメラ１１に替えてレーダ等のセンサを備え、レーダ等を用いて歩行者等の認識処理を行うと共に、該認識処理について、後述する機械学習を行う構成としても良い。

また、記憶部１２は、記憶保持動作が不要なフラッシュメモリ等として構成されており、画像認識等に必要な各種情報（例えば、後述する機械学習により更新される、画像認識機能におけるパラメータやアルゴリズム等）が記憶されている。

また、車内ＬＡＮ通信部１３は、車内ＬＡＮ（図示無し）を介して他の装置と通信を行う。
また、制御部１４は、ＣＰＵ，ＲＯＭ，ＲＡＭ，Ｉ／Ｏ及びこれらを接続するバスライン等からなる周知のマイクロコンピュータを中心に構成され、ＲＯＭに記憶されたプログラムや、ＲＡＭにロードされたプログラム等に従い車載装置１０を統括制御する。

また、制御部１４は、学習システム１において行われる、車載装置１０の画像認識機能に関する機械学習における識別機能を有している（詳細は後述する）。
また、表示部１５は、液晶ディスプレイ等として構成され、各種情報を表示する。

また、操作部１６は、キースイッチやタッチスイッチ等として構成され、各種操作を受け付ける。
また、無線通信部１７は、図示しないアンテナ等により無線通信回線網２０にアクセスし、学習サーバ２と通信を行う。

なお、車載装置１０は、無線通信部１７を備えず、車内ＬＡＮを介して通信可能な無線通信装置により無線通信回線網２０にアクセスし、学習サーバ２と通信を行う構成としても良い。

一方、学習サーバ２は、メイン学習サーバ３０と、車載装置１０が搭載された車両の走行地域（詳細は後述する）に対応して設けられた複数のサブ学習サーバ４０等により構成されており、これらのサーバは、ＬＡＮにより接続され、互いに通信可能となっている（図３参照）。

メイン学習サーバ３０は、例えばＰＣ等として構成されており、通信部３１，記憶部３２，制御部３３，表示部３４，操作部３５等を備える（図４参照）。
通信部３１は、ＬＡＮを介して無線通信回線網２０にアクセスすると共に、他のサブ学習サーバ４０と通信を行う部位であり、記憶部３２は、ＨＤＤ等といった記憶保持動作が不要なデバイスから構成されている。

また、制御部３３は、ＣＰＵ，ＲＯＭ，ＲＡＭ，Ｉ／Ｏ及びこれらを接続するバスライン等からなる周知のコンピュータを中心に構成され、ＲＡＭにロードされたプログラム等に従い動作する。

また、制御部３３は、学習システム１において行われる、車載装置１０の画像認識機能に関する機械学習における学習機能を有している（詳細は後述する）。
また、表示部３４は、液晶ディスプレイ等として構成され、各種情報を表示する部位であり、操作部３５は、キーボードやマウス等として構成され、各種操作を受け付ける部位である。

なお、サブ学習サーバ４０等は、メイン学習サーバ３０と同様の構成を有しているため、説明を省略する。
［動作の説明］
次に、学習システム１の動作について説明する。学習システム１では、車載装置１０及び学習サーバ２にて、車載装置１０の画像認識機能についての機械学習を行うよう構成されている。車載装置１０は該機械学習における識別機能を担当し、学習サーバ２は学習機能を担当する。

すなわち、車載装置１０は、画像認識処理を行うと、該画像認識処理に用いられたカメラ１１による撮影画像データを学習データとし、学習サーバ２に送信する。
一方、学習サーバ２は、各車載装置１０から受信した学習データに基づき、画像認識処理の認識精度を向上させるための学習処理を行い、画像認識処理におけるパラメータを更新するための更新データを生成し、各車載装置１０に送信する。

なお、該パラメータは、例えば、車載装置１０での画像認識処理にて用いられるサポートベクタマシンやニューラルネットワークの重み付けのパラメータであっても良い。
そして、車載装置１０は、学習サーバ２から受信した更新データにより、画像認識処理におけるパラメータを更新する。

以下では、車載装置１０及び学習サーバ２での処理について詳しく説明する。
（１）学習データ送信処理について
まず、車載装置１０から学習サーバ２に対し、学習データ（画像認識処理に用いられたカメラ１１による撮影画像データ）を送信する学習データ送信処理について、図５に記載のフローチャートを用いて説明する。なお、本処理は、車載装置１０での画像認識処理の実行時に開始される。

Ｓ１００では、制御部１４は、予め定められた走行地域の中から自車両が現在走行している走行地域を特定すると共に、該走行地域を示す環境データを生成し、Ｓ１０５に処理を移行する。

具体的には、制御部１４は、例えば、車内ＬＡＮを介して図示しないナビゲーション装置と通信を行って自車両の現在地を取得し、該現在地に基づき走行地域を特定しても良い。また、自車両による走行が予定される地域を示す情報を予め記憶部１２に記憶させておき、該情報が示す地域を走行地域としても良い。

Ｓ１０５では、制御部１４は、自車両周辺の歩行者や道路に描かれた白線等を認識する画像認識処理を実行すると共に、画像認識処理の結果に基づき、各種処理を実行する。
ここで、画像認識処理では、各走行地域に対応するパラメータが設けられており、制御部１４は、Ｓ１００で特定した走行地域に対応するパラメータを記憶部１２から読み出し、該パラメータとを用いて画像認識処理を実行する。

続くＳ１１０では、制御部１４は、画像認識処理に用いられたカメラ１１による撮影画像データを学習データとすると共に、該学習データと環境データとを無線通信部１７を介して学習サーバ２に送信し、本処理を終了する。

（２）機械学習処理について
次に、学習サーバ２にて車載装置１０から学習データを収集し、学習処理を行う機械学習処理について、図６に記載のフローチャートを用いて説明する。なお、本処理は、学習サーバ２にて繰り返し実行される。

Ｓ２００では、学習サーバ２を構成するメイン学習サーバ３０の制御部３３は、車載装置１０から学習データと環境データを受信し、これらを対応付けた状態で記憶部３２に保存する。そして、保存した学習データ等の数が一定の水準に達すると、Ｓ２０５に処理を移行する。

Ｓ２０５では、メイン学習サーバ３０の制御部３３は、Ｓ２００にて収集された全ての学習データに基づき学習処理を行い、Ｓ２１０に処理を移行する。
なお、該学習処理においては、一例として教師なし学習を行うことが考えられ、オートエンコーダ等の手法を用いても良い。また、このほかにも、学習データに対してデータマイニング等を行うことも考えられる。

Ｓ２１０では、メイン学習サーバ３０の制御部３３は、Ｓ２００にて収集された全ての学習データを、各学習データに対応する環境データに基づき走行地域毎に分類し、同一の走行地域で生成された学習データのグループを生成する。

そして、各グループに属する学習データを、該グループに係る走行地域に対応するサブ学習サーバ４０に送信すると共に、全てのサブ学習サーバ４０に対し、メイン学習サーバ３０での学習結果を送信し、Ｓ２１５に処理を移行する。

Ｓ２１５では、各サブ学習サーバ４０の制御部は、メイン学習サーバ３０での学習結果を初期値として受信した学習データに基づき学習処理（リファイン）を行い、自装置に対応する走行地域での画像認識処理におけるパラメータを生成し、Ｓ２２０に処理を移行する。

なお、Ｓ２１５においては、Ｓ２０５と同様、教師なし学習やデータマイニング等を行うことが考えられる。
このほかにも、メイン学習サーバ３０と各サブ学習サーバ４０では、以下のようにして学習処理を行うことも考えられる。

メイン学習サーバ３０の制御部３３は、車載装置１０から収集した大量の学習データ（教師なしデータ）を用いて、教師なしフィーチャを学習する。フィーチャとは、教師なしデータを最も良く表すことができる表現（例えば、画像のピクセルの線形結合）である。そして、この結果を、メイン学習サーバ３０での学習処理の結果として、サブ学習サーバ４０に送信する。

一方、サブ学習サーバ４０では、対応する走行地域から収集された学習データから、比較的少数の教師ありデータを用意する。なお、教師ありデータの作成には人手が必要であり、該教師ありデータは、サブ学習サーバ４０を操作するオペレータにより作成される。このため、大量の教師ありデータを用意することはできない。

そして、サブ学習サーバ４０の制御部は、対応する走行地域から収集された学習データと、教師ありデータの双方を使用して学習処理を行う。
すなわち、教師ありデータをフィーチャで処理し、その出力を用いて教師あり学習を行う。例えば、画像のピクセルをそのまま扱うのではなく、メイン学習サーバ３０から送信された重みを使って線形結合を計算し（この例では線形結合の重みは固定値とする）、その結果を入力として別の教師あり学習アルゴリズム（例えばサポートベクターマシーン）を実行する。

また、教師なしフィーチャを初期値として教師あり学習を行うことも考えられる。例えば、教師なし学習であるオートエンコーダをメイン学習サーバ３０で学習して重みを求めておき、サブ学習サーバ４０では、その重みを初期値としてバックプロパゲーションで微調整する。なお、この例では、線形結合の重みそのものを微調整して変更する。

換言すれば、メイン学習サーバ３０は、走行地域の区別無しに大量の学習データから学習処理を行い、画像認識処理における汎用的なパラメータを生成すると共に、そのパラメータをサブ学習サーバ４０に送信する。そして、各サブ学習サーバ４０は、対応する走行地域から収集された学習データを用いて、パラメータを微調整（リファイン）する。

続くＳ２２０では、各サブ学習サーバ４０の制御部は、メイン学習サーバ３０に対しパラメータを送信する。そして、メイン学習サーバ３０の制御部３３は、各走行地域に対応するパラメータを更新データとすると共に、各車載装置１０に対して更新データを送信し、本処理を終了する。

（３）更新データ受信処理について
次に、車載装置１０にて学習サーバ２から更新データを受信し、画像認識処理におけるパラメータを更新する更新データ受信処理について、図７に記載のフローチャートを用いて説明する。なお、本処理は、車載装置１０にて周期的なタイミングで実行される。

Ｓ３００では、車載装置１０の制御部１４は、学習サーバ２から更新データを受信する。そして、更新データを受信した場合には（Ｓ３００：Ｙｅｓ）、Ｓ３０５に処理を移行すると共に、更新データを受信できなかった場合には（Ｓ３００：Ｎｏ）、本処理を終了する。

Ｓ３０５では、制御部１４は、受信した更新データを記憶部１２に保存することで、画像認識処理のパラメータを更新し、本処理を終了する。以後、制御部１４は、新たに保存された更新データを構成するパラメータを用いて画像認識処理を行う。

［効果］
本実施形態の学習システム１によれば、車載装置１０では学習処理が行われず、学習サーバ２にて各車載装置１０から提供された学習データに基づき学習処理が行われる。そして、学習サーバ２での学習処理により生成された更新データが各車載装置１０に提供され、各車載装置１０における処理の内容が更新される。

このため、車載装置１０は、自装置で学習処理を行うことなく画像認識機能の向上を図ることができる。
したがって、車載装置１０のハードウェア性能を向上させること無く、出荷後に車載装置１０の画像認識機能を向上させることができる。

さらに、学習サーバ２には、多くの車載装置１０から提供された学習データが蓄積されるため、短期間で効果的に機械学習を行うことができる。
また、例えば南国と雪国とでは、車両の走行環境等が大きく異なっており、画像認識処理にて用いられるパラメータの最適値が異なると考えられる。

これに対し、本実施形態の学習システム１によれば、車載装置１０から学習サーバ２に対し、学習データと共に走行地域を示す環境データが送信される。そして、メイン学習サーバ３０にて、学習処理により汎用的なパラメータが生成され、サブ学習サーバ４０では、走行地域毎に学習処理が行われ、該パラメータのリファインが行われる。

このため、車両の走行地域毎に画像認識処理を最適化することができ、より一層、車載装置１０の画像認識機能を向上させることができる。
［他の実施形態］
（１）本実施形態の学習システム１では、車載装置１０での画像認識処理についての機械学習が行われるが、これに限らず、例えば音声認識処理等についての機械学習が行われても良い。

また、学習サーバ２での機械学習処理では、学習データに基づき画像認識処理にて用いられるパラメータが更新されるが、これに限らず、学習データに基づき画像認識処理等におけるアルゴリズムを更新しても良い。

このような場合であれば、学習サーバ２から車載装置１０に対し、更新後のアルゴリズムを更新データとして送信し、更新データを受信した車載装置１０は、以後、更新データをなすアルゴリズムを用いて画像認識処理等を行うことになる。

このような場合であっても、同様の効果を得ることができる。
（２）また、本実施形態では、機械学習処理のＳ２０５，Ｓ２１５にて教師なし学習を行うことを例示したが、これに限らず、教師あり学習を行っても良い。

なお、教師あり学習を行う場合、各学習データに対応する教師データ（例えば、画像認識処理により認識される白線の位置や、歩行者の有無等を示すラベル）を作成する必要がある。このような作業は、メイン学習サーバ３０等を操作するオペレータにより行われる。

このような場合であっても、同様の効果を得ることができる。
（３）また、本実施形態の学習システム１では、車載装置１０から学習サーバ２に対し、学習データと共に走行地域を示す環境データが送信される。そして、メイン学習サーバ３０にて、学習処理により汎用的なパラメータが生成され、サブ学習サーバ４０では、走行地域毎に学習処理が行われ、該パラメータのリファインが行われる。

しかしながら、これ以外にも、車載装置１０は、例えば、天候や時間帯や季節等といった、自車両の走行環境を示す情報を環境データとして生成し、画像認識処理が実行された際の走行環境を示す環境データと学習データとを学習サーバ２に送信しても良い。

そして、学習サーバ２では、このような環境データに基づき学習データを複数のグループに分類し、走行環境毎に学習処理を行っても良い。
また、このほかにも、車載装置１０は、車両の種類や、機械学習の対象となる処理により学習データが生成された際の車両の状態（例えば、車速や舵角等）を示す情報を環境データとして生成しても良い。そして、該環境データと、該処理により生成された学習データとを学習サーバ２に送信しても良い。

そして、学習サーバ２では、このような環境データに基づき学習データを複数のグループに分類し、車両の種類毎、或いは、車両の状態毎に学習処理を行っても良い。
このような場合であっても、同様の効果を得ることができる。

（４）また、本実施形態の学習システム１では、学習サーバ２は、メイン学習サーバ３０と、複数のサブ学習サーバ４０とによる２段階の階層構造を有しているが、３段階以上の階層構造を有していても良い。

すなわち、学習サーバ２が３段階の階層構造を有する場合であれば、メイン学習サーバ３０の下位に複数の第１サブ学習サーバを設けると共に、各第１サブ学習サーバの下位に複数の第２サブ学習サーバを設けることが考えられる。

また、例えば、各走行地域を複数のエリアに分類し、各走行地域をいずれかの第１サブ学習サーバに対応させると共に、各走行地域を構成する各エリアを、該走行地域に対応する第１サブ学習サーバの下位の第２サブ学習サーバに対応させることが考えられる。

そして、メイン学習サーバ３０では、本実施形態と同様、全ての学習データに基づき学習処理を行った後、学習データを走行地域毎に分類し、各第１サブ学習サーバに対し、学習結果と、対応する走行地域にて得られた学習データを送信する。

また、各第１サブ学習サーバでは、メイン学習サーバ３０での学習結果を初期値とし、自装置に対応する走行地域で得られた学習データに基づき学習処理（リファイン）を行う。さらに、該学習データを、自装置に対応する走行地域を構成するエリア毎に分類し、自装置の下位の各下位側サブ学習サーバに対し、学習結果と、対応するエリアにて得られた学習データを送信する。

また、各第２サブ学習サーバでは、自装置の上位の第１サブ学習サーバでの学習結果を初期値とし、自装置に対応するエリアで得られた学習データに基づき学習処理（リファイン）を行い、パラメータを生成する。そして、該パラメータをメイン学習サーバに送信する。

そして、メイン学習サーバ３０では、各エリアに対応するパラメータを更新データとすると共に、各車載装置１０に対して更新データを送信し、車載装置１０では、自装置が走行しているエリアに対応するパラメータを用いて画像認識処理を実行する。

このような構成によれば、車載装置１０は、自車両の走行場所に応じてより適切な画像認識処理を行うことが可能となる。
（５）また、本実施形態では、学習サーバ２は、メイン学習サーバ３０と、複数のサブ学習サーバ４０から構成されているが、学習サーバ２を１台のサーバにより構成し、該サーバにより同様の機械学習処理を実行しても良い。このような場合であっても、同様の効果を得ることができる。

（６）また、本実施形態では、各走行地域に対応してサブ学習サーバ４０が設けられている。しかしながら、例えば、積雪量の多い複数の走行地域や、気温の高い複数の走行地域を１つのエリアとするといった具合に、属性の共通する複数の走行地域を１つのエリアにまとめ、各エリアに対応してサブ学習サーバ４０を設けても良い。

そして、メイン学習サーバ３０にて、学習処理により汎用的なパラメータを生成し、サブ学習サーバ４０は、対応するエリアについての学習処理を行い、該パラメータのリファインを行っても良い。

このような場合であっても、同様の効果を得ることができる。
（７）また、本実施形態では、メイン学習サーバ３０は、各車載装置１０から収集した学習データに基づき学習処理を行った後、学習データを走行地域毎に分類し、各サブ学習サーバ４０に対し、対応する走行地域に分類された学習データを送信する構成となっている。

しかしながら、メイン学習サーバ３０は、各車載装置１０から学習データを受信した時点で該学習データを走行地域毎に分類しても良い。そして、該学習データを対応するサブ学習サーバ４０に送信し、各走行地域から収集した学習データを、対応するサブ学習サーバ４０に蓄積しておく構成としても良い。

さらに、メイン学習サーバ３０は、収集された学習データの数が一定の水準に達すると、各サブ学習サーバ４０に蓄積された学習データを収集して学習処理を行い、汎用的なパラメータを生成しても良い。一方、サブ学習サーバ４０は、先にメイン学習サーバ３０から受信した学習データにより、該パラメータのリファインを行っても良い。

このような場合であっても、同様の効果を得ることができる。
［特許請求の範囲との対応］
上記実施形態の説明で用いた用語と、特許請求の範囲の記載に用いた用語との対応を示す。

学習データ送信処理のＳ１００が環境データ生成手段の一例に、Ｓ１０５が実行手段の一例に、Ｓ１１０が学習データ提供手段の一例に相当する。
また、機械学習処理のＳ２００が学習データ取得手段の一例に、Ｓ２０５，Ｓ２１５が学習手段の一例に、Ｓ２１０が分類手段の一例に、Ｓ２２０が更新データ提供手段の一例に相当する。

また、更新データ受信処理のＳ３００が更新データ取得手段の一例に、Ｓ３０５が更新手段の一例に相当する。

１…学習システム、２…学習サーバ、１０…車載装置、１１…カメラ、１２…記憶部、１３…車内ＬＡＮ通信部、１４…制御部、１５…表示部、１６…操作部、１７…無線通信部、２０…無線通信回線網、３０…メイン学習サーバ、３１…通信部、３２…記憶部、３３…制御部、３４…表示部、３５…操作部、４０…サブ学習サーバ。

Claims (7)

1. 走行中の道路の画像認識を行う機能を有し、異なる車両に搭載された１又は複数の車載装置（１０）と、該車載装置と通信を行うサーバ（２）とを有する学習システム（１）であって、
   前記車載装置は、
   自車両が走行している走行地域を示す環境データを生成する環境データ生成手段（Ｓ１００）と、
   前記機能を実現するための、前記走行地域に応じた内容の処理を実行する実行手段（Ｓ１０５）と、
   前記実行手段による前記処理に用いられた撮影画像データを、学習データとして前記サーバに提供する手段であって、該学習データと共に、該処理を実行した時の前記走行地域を示す前記環境データを前記サーバに提供する学習データ提供手段（Ｓ１１０）と、
   前記サーバから、前記機能の精度を向上させるために前記処理の内容を更新するための更新データを取得する更新データ取得手段（Ｓ３００）と、
   前記更新データに基づき、前記処理の内容を更新する更新手段（Ｓ３０５）と、
   を備え、
   前記サーバは、
   前記車載装置から前記学習データと前記環境データとを取得する学習データ取得手段（Ｓ２００）と、
   前記学習データを、該学習データと共に提供された前記環境データが示す前記走行地域に対応するグループに分類する分類手段（Ｓ２１０）と、
   前記グループに属する前記学習データに基づき、前記車載装置における前記機能の精度を向上させるための機械学習を行う学習処理を該グループに応じて行い、該グループに対応する前記更新データを生成する学習手段（Ｓ２０５，Ｓ２１５）と、
   前記更新データを前記車載装置に提供する更新データ提供手段（Ｓ２２０）と、
   を備え、
   前記更新手段は、前記更新データに基づき、該更新データに対応する前記グループに対応する前記走行地域に応じた前記処理の内容を更新すること、
   を特徴とする学習システム。
2. 予め定められた機能を有し、異なる車両に搭載された１又は複数の車載装置（１０）と、該車載装置と通信を行うサーバ（２）とを有する学習システム（１）であって、
   前記車載装置は、
   自車両又は自車両周辺に関する情報である環境データを生成する環境データ生成手段（Ｓ１００）と、
   前記機能を実現するための、前記環境データに応じた内容の処理を実行する実行手段（Ｓ１０５）と、
   前記実行手段による前記処理に用いられたデータを、学習データとして前記サーバに提供する手段であって、該学習データと共に、該処理を実行した時の前記環境データを前記サーバに提供する学習データ提供手段（Ｓ１１０）と、
   前記サーバから、前記処理の内容を更新するための更新データを取得する更新データ取得手段（Ｓ３００）と、
   前記更新データに基づき、前記処理の内容を更新する更新手段（Ｓ３０５）と、
   を備え、
   前記サーバは、
   前記車載装置から前記学習データと前記環境データとを取得する学習データ取得手段（Ｓ２００）と、
   前記学習データ取得手段により取得された前記学習データに基づき、前記車載装置における前記機能を向上させるための学習処理を行い、前記更新データを生成する学習手段（Ｓ２０５，Ｓ２１５）と、
   前記更新データを前記車載装置に提供する更新データ提供手段（Ｓ２２０）と、
   前記学習データと共に提供された前記環境データに基づき、前記学習データをいずれかのグループに分類する分類手段（Ｓ２１０）と、
   を備え、
   前記グループに関わらずに行われる前記学習処理であるメイン学習処理と、前記グループに応じた前記学習処理であるサブ学習処理とが設けられており、
   前記学習手段は、前記学習データ取得手段が取得した前記学習データに基づき前記メイン学習処理を行うことで、前記処理の内容を更新するためのデータを生成し、該データと、前記グループに属する前記学習データとに基づき、該グループに応じた前記サブ学習処理を行い、該グループに対応する前記更新データを生成し、
   前記更新手段は、前記更新データに基づき、該更新データに対応する前記グループに係る前記環境データに応じた前記処理の内容を更新すること、
   を特徴とする学習システム。
3. 請求項２に記載の学習システムにおいて、
   前記サーバとして、メインサーバとサブサーバとが設けられており、
   前記メイン学習処理は、前記メインサーバにて実行され、
   前記サブ学習処理は、前記サブサーバにて実行されること、
   を特徴とする学習システム。
4. 自車両が走行している走行地域を示す環境データを生成する環境データ生成手段（Ｓ１００）と、
   走行中の道路の画像認識を行う機能を実現するための、前記走行地域に応じた内容の処理を実行する実行手段（Ｓ１０５）と、
   前記実行手段による前記処理に用いられた撮影画像データを、学習データとして、前記機能の精度を向上させるための機械学習を行う学習処理を行うサーバ（２）に提供する手段であって、該学習データと共に、該処理を実行した時の前記走行地域を示す前記環境データを前記サーバに提供する学習データ提供手段（Ｓ１１０）と、
   前記サーバから、前記機能の精度を向上させるために前記処理の内容を更新するための更新データを取得する更新データ取得手段（Ｓ３００）と、
   前記更新データに基づき、前記処理の内容を更新する更新手段（Ｓ３０５）と、
   を備える車載装置（１０）であって、
   前記サーバは、前記車載装置から提供された前記学習データを、該学習データと共に提供された前記環境データが示す前記走行地域に対応するグループに分類し、前記グループに属する前記学習データに基づき、該グループに応じた前記学習処理を行うことで、該グループに対応する前記更新データを生成し、
   前記更新手段は、前記更新データに基づき、該更新データに対応する前記グループに係る前記走行地域に応じた前記処理の内容を更新すること、
   を特徴とする車載装置。
5. 自車両又は自車両周辺に関する情報である環境データを生成する環境データ生成手段（Ｓ１００）と、
   予め定められた機能を実現するための、前記環境データに応じた内容の処理を実行する実行手段（Ｓ１０５）と、
   前記実行手段による前記処理に用いられたデータを、学習データとして、前記機能を向上させるための学習処理を行うサーバ（２）に提供する手段であって、該学習データと共に、該処理を実行した時の前記環境データを前記サーバに提供する学習データ提供手段（Ｓ１１０）と、
   前記サーバから、前記処理の内容を更新するための更新データを取得する更新データ取得手段（Ｓ３００）と、
   前記更新データに基づき、前記処理の内容を更新する更新手段（Ｓ３０５）と、
   を備える車載装置（１０）であって、
   前記サーバは、
   前記車載装置から提供された前記学習データを、該学習データと共に提供された前記環境データに対応するグループに分類し、
   前記学習処理として、前記グループに関わらずに行われるメイン学習処理と、前記グループに応じて行われるサブ学習処理とを行い、
   前記学習データに基づき前記メイン学習処理を行うことで、前記処理の内容を更新するためのデータを生成し、該データと、前記グループに属する前記学習データとに基づき、該グループに応じた前記サブ学習処理を行い、該グループに対応する前記更新データを生成し、
   前記更新手段は、前記更新データに基づき、該更新データに対応する前記グループに係る前記環境データに応じた前記処理の内容を更新すること、
   を特徴とする車載装置。
6. 車両が走行中の道路の画像認識を行う機能を有し、前記車両に搭載される車載装置（１０）から、該車載装置による該機能を実現するための処理に用いられた撮影画像データである学習データと、該処理を実行した時に前記車両が走行している走行地域を示す環境データとを取得する学習データ取得手段（Ｓ２００）と、
   前記学習データを、該学習データと共に前記車載装置から提供された前記環境データが示す前記走行地域に対応するグループに分類する分類手段（Ｓ２１０）と、
   前記グループに属する前記学習データに基づき、前記車載装置における前記機能の精度を向上させるための機械学習を行う学習処理を該グループに応じて行い、前記車載装置にて前記処理の内容を更新するためのデータであって、該グループに対応するデータである更新データを生成する学習手段（Ｓ２０５，Ｓ２１５）と、
   前記更新データを前記車載装置に提供する更新データ提供手段（Ｓ２２０）と、
   を備えることを特徴とするサーバ（２）。
7. 予め定められた機能を有し、車両に搭載される車載装置（１０）から、該車載装置による該機能を実現するための処理に用いられた学習データと、該処理を実行した時の前記車両又は前記車両周辺に関する情報である環境データとを取得する学習データ取得手段（Ｓ２００）と、
   前記学習データ取得手段により取得された前記学習データに基づき、前記車載装置における前記機能を向上させるための学習処理を行い、前記車載装置にて前記処理の内容を更新するための更新データを生成する学習手段（Ｓ２０５，Ｓ２１５）と、
   前記更新データを前記車載装置に提供する更新データ提供手段（Ｓ２２０）と、
   前記学習データと共に提供された前記環境データに基づき、前記学習データをいずれかのグループに分類する分類手段（Ｓ２１０）と、
   を備え、
   前記グループに関わらずに行われる前記学習処理であるメイン学習処理と、前記グループに応じた前記学習処理であるサブ学習処理とが設けられており、
   前記学習手段は、前記学習データ取得手段が取得した前記学習データに基づき前記メイン学習処理を行うことで、前記処理の内容を更新するためのデータを生成し、該データと、前記グループに属する前記学習データとに基づき、該グループに応じた前記サブ学習処理を行い、該グループに対応する前記更新データを生成すること、
   を特徴とするサーバ（２）。

Images