JP6600857B1 - 出力変数値算出システム、出力変数算出装置、及び、出力変数値算出方法 - Google Patents

出力変数値算出システム、出力変数算出装置、及び、出力変数値算出方法 Download PDF

Info

Publication number
JP6600857B1
JP6600857B1 JP2018122166A JP2018122166A JP6600857B1 JP 6600857 B1 JP6600857 B1 JP 6600857B1 JP 2018122166 A JP2018122166 A JP 2018122166A JP 2018122166 A JP2018122166 A JP 2018122166A JP 6600857 B1 JP6600857 B1 JP 6600857B1
Authority
JP
Japan
Prior art keywords
output variable
feature
output
variable value
state
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.)
Active
Application number
JP2018122166A
Other languages
English (en)
Other versions
JP2020004037A (ja
Inventor
佑太 芦原
佑太 芦原
智彦 岡崎
智彦 岡崎
秀晃 河合
秀晃 河合
純 青山
純 青山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cross Compass Ltd
Original Assignee
Cross Compass Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Cross Compass Ltd filed Critical Cross Compass Ltd
Priority to JP2018122166A priority Critical patent/JP6600857B1/ja
Application granted granted Critical
Publication of JP6600857B1 publication Critical patent/JP6600857B1/ja
Publication of JP2020004037A publication Critical patent/JP2020004037A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Testing And Monitoring For Control Systems (AREA)

Abstract

【課題】 人工知能技術を実システムに対してより汎用的に適用する。【解決手段】 複数の状態変数を観測してそれぞれの状態量を求める状態観測部１１と、観測された状態量のうち、所定の条件を満たす特徴状態量を検出する特徴状態量検出部１２と、前記特徴状態量に関する情報と、複数の入力変数及び出力変数の相関関係のうち１つとの対応関係のそれぞれを記憶する対応関係記憶部１４と、対応関係記憶部１４を参照し、検出された特徴状態量に対応する相関関係である特徴相関関係を抽出する特徴相関関係抽出部１３と、特徴相関関係の入力変数の現在値を取得する入力変数値取得部１５と、特徴相関関係及び入力変数値取得部により取得された入力変数の現在値に基づき、入力変数の現在値から、出力変数の出力変数値を算出する出力変数値算出部１６と、を備える出力変数値算出システム１を提供する。【選択図】図１

Description

本発明は、人工知能技術を用いて出力変数値を最適に算出するシステム及び方法に関する。
近年、人工知能技術を実システムに適用して活用することが盛んに行われている。例えば、所定の入力条件と、異常の有無や度合いの判定値である出力条件とについて、データセットを用いた機械学習によって最適な相関関係を学習し、学習済みの相関関係に基づき、リアルタイムに取得した入力条件から異常の有無や度合いを推論し、異常を判別することが行われている。
例えば、以下の特許文献１においては、産業機械又は周囲環境の状態を検出するセンサの出力データ、産業機械を制御する制御ソフトウェアの内部データ、及び、出力データ又は内部データに基づいて得られる計算データの少なくとも１つを含む状態変数を産業機械の動作中又は静止中に観測する状態観測部と、産業機械の故障の度合いを判定した判定データを取得する判定データ取得部と、状態変数及び前記判定データの組合せに基づいて作成される訓練データセットに従って、産業機械の故障に関連付けられる条件を学習する学習部とを備える、産業機械の故障に関連付けられる条件を学習する機械学習装置が開示されている。
この機械学習装置は、ニューラルネットワークを用いて、状態観測部によって観測される状態変数と、判定データ取得部によって取得される判定データとの組合せに基づいて作成される訓練データセットに従って、いわゆる教師あり学習によって、状態変数と故障発生との関係性、すなわち故障条件を学習する機能を備える。
特許第６１４８３１６号公報
しかしながら、特許文献１に開示された発明は、あくまでも産業機械の故障に関連付けられる条件を学習することを目的としており、人工知能技術の一つである機械学習を特定の分野の特定の用途に限って適用した、いわゆる「弱いＡＩ」について開示するものである。
人工知能技術における研究者や開発者は、より汎用的に人工知能技術を適用することができる、いわゆる「強いＡＩ」の実現に向けて研究開発を続けているものの、その実現には至っていない。また、「強いＡＩ」の実現には至らないまでも、「強いＡＩ」の実現に近づけるべく、利用者の状態に応じて人工知能技術をより汎用的に活用することも、大きな課題となっている。
このような課題を解決するために、本発明の第一態様によれば、複数の状態変数を観測してそれぞれの状態量を求める状態観測部と、当該状態観測部によって観測された前記状態量のうち、所定の条件を満たす特徴状態量を検出する特徴状態量検出部と、前記特徴状態量に関する情報と、複数の入力変数及び出力変数の相関関係のうち１つとの対応関係のそれぞれを記憶する対応関係記憶部と、当該対応関係記憶部を参照し、前記特徴状態量検出部によって検出された特徴状態量に対応する前記相関関係である特徴相関関係を抽出する特徴相関関係抽出部と、前記特徴相関関係抽出部により抽出された特徴相関関係の入力変数の現在値を取得する入力変数値取得部と、 前記特徴相関関係抽出部により抽出された特徴相関関係及び前記入力変数値取得部により取得された前記入力変数の現在値に基づき、前記入力変数の現在値から、前記出力変数の出力変数値を算出する出力変数値算出部と、を備えることを特徴とする、出力変数値算出システムが提供される。
また、本発明の第二態様によれば、複数の状態変数を観測してそれぞれの状態量を求める状態観測部と、当該状態観測部によって観測された前記状態量のうち、所定の条件を満たす特徴状態量を検出する特徴状態量検出部と、前記特徴状態量に関する情報と、複数の入力変数及び出力変数の相関関係のうち１つとの対応関係のそれぞれを記憶する対応関係記憶部と、当該対応関係記憶部を参照し、前記特徴状態量検出部によって検出された特徴状態量に対応する前記相関関係である特徴相関関係を抽出する特徴相関関係抽出部と、前記特徴相関関係抽出部により抽出された特徴相関関係の入力変数の現在値を取得する入力変数値取得部と、前記特徴相関関係抽出部により抽出された特徴相関関係及び前記入力変数値取得部により取得された前記入力変数の現在値に基づき、前記入力変数の現在値から、前記出力変数の出力変数値を算出する出力変数値算出部と、を備えることを特徴とする、出力変数値算出装置が提供される。
また、本発明の第三態様によれば、コンピュータによって、複数の状態変数についての観測結果であるそれぞれの状態量を得るステップと、観測された前記状態量のうち、所定の条件を満たす特徴状態量を検出するステップと、前記特徴状態量に関する情報と、複数の入力変数及び出力変数の相関関係のうち１つとの対応関係のそれぞれを記憶する対応関係記憶部に基づき、前記特徴状態量に対応する前記相関関係である特徴相関関係を抽出するステップと、前記特徴相関関係の入力変数の現在値を取得するステップと、前記特徴相関関係及び前記入力変数の現在値に基づき、前記入力変数の現在値から、前記出力変数の出力変数値を算出するステップと、を行うことを特徴とする出力変数値算出方法が提供される。
本発明によれば、「弱いＡＩ」の実現に際して用いられる入出力関係の相関関係を複数記憶し、特徴的な状態量である特徴状態量又は当該特徴状態量の状態変数の種類に応じて、最適な相関関係である特徴相関関係を抽出し、この特徴相関関係によって、出力変数値を算出することができるから、利用者にとって、状態に応じた最適な出力変数値を得ることができ、人工知能技術をより汎用的に利用することが可能となる。
出力変数値算出システムのブロック図を示す。 入力変数及び出力変数の相関関係を最適化する手法であるニューラルネットワークを用いた教師あり学習を説明する図である。 本発明における出力変数値算出方法のフローチャートを説明する図である。
以下、図面を参照して本発明を実施するための形態について説明する。なお、以下では本発明の目的を達成するための説明に必要な範囲を模式的に示し、本発明の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術によるものとする。
図１には、本発明の出力変数値算出システム１のブロック図を示す。出力変数値算出システム１は、例えば、適宜のユーザインタフェースを備えるコンピュータによって実現される。また、出力変数値算出システム１は、利用者にＷＥＢを介したインタフェースを提供するサーバ装置によって実現してもよい。さらに、出力変数値算出システム１は、後述する出力変数値算出システム１が備える機能のそれぞれを具備した単一の装置、つまり、出力変数値算出装置として実現し、利用者が携帯可能となるように構成してもよい。
以下では、本発明を出力変数値算出システム１として説明を行うが、上述の出力変数値算出装置についても、出力変数値算出システム１と同様の機能を有するものである。
図１を参照して、出力変数値算出システム１は、状態観測部１１、特徴状態量検出部１２、特徴相関関係抽出部１３、対応関係記憶部１４、入力変数値取得部１５、出力変数値算出部１６を備えている。
以下、それぞれについて詳述する。
まず、状態観測部１１は、複数の状態変数を観測して、それぞれの状態量を求める機能を有する。例えば、状態観測部１１は、状態変数の状態量を求める複数のセンサとして実現されてもよく、また、状態量を検出する複数の別体のセンサから、インターネット等の通信や記憶媒体を介して複数の検出された状態量のそれぞれを受け取る装置として実現されてもよい。つまり、状態観測部１１が状態変数を観測するとは、状態変数の状態量について、センシングする又はセンシングされた状態量を取得することを意味する。
状態観測部１１が観測する状態変数としては、以下のようなものが挙げられる。例えば、天気の現況及び予報、日付、利用者の心拍数、利用者の位置、利用者の姿勢、道路の混雑状況、利用者のスケジュール情報、利用者が設定した目的地情報、利用者の周辺に配置された機器や機械の情報、利用者の周辺の音や音声等である。つまり、前記状態変数は、センシング可能な状態変数であって、状態観測部１１が状態量を取得可能なものであれば、その種類は問わないものである。そして、状態観測部１１が取得する状態量については、生データでもよく、フィルタ処理等の適宜の加工が行われたデータであってもよい。
状態観測部１１は、観測された状態変数の状態量について、そのまま、又は、必要に応じてフィルタ処理等の適宜の加工を行った後に、特徴状態量検出部１２へ出力する。
特徴状態量検出部１２は、状態観測部１１から出力された状態量を受け取り、所定の条件を満たす状態量である特徴状態量を検出する機能を有する。
特徴状態量検出部１２が用いる前記所定の条件とは、状態変数ごとに事前に設定される条件である。例えば、状態変数がＧＰＳ等を用いた利用者の位置であれば、利用者が自宅や職場等の特定の場所にいることを、所定の条件と設定してよい。そして、特徴状態量検出部１２は、利用者の位置情報である状態量を受け取り、利用者が自宅にいると判断した場合に、状態量が所定の条件を満たすとして、利用者が自宅にいるという特徴状態量を検出する。同様に、特徴状態量検出部１２は、利用者の位置情報である状態量を受け取り、利用者が職場にいると判断した場合に、状態量が所定の条件を満たすとして、利用者が職場にいるという特徴状態量を検出する。この例のように、一つの状態変数の状態量に対して複数の条件を設定し、一つの状態変数から複数の特徴状態量を検出することもできる。
また、例えば、状態変数がウエラブルセンサ等を用いた利用者の姿勢であれば、利用者が歩行中であることを把握できる状態量や、利用者が横臥していることを把握できる状態量を、所定の条件としてよい。そして、特徴状態量検出部１２は、利用者の姿勢情報である状態量を受け取り、利用者が歩行中であると判断した場合に、状態量が所定の条件を満たすとして、利用者が歩行中であるという特徴状態量を検出する。同様に、特徴状態量検出部１２は、利用者の姿勢情報である状態量を受け取り、利用者が横臥していると判断した場合に、状態量が所定の条件を満たすとして、利用者が横臥しているという特徴状態量を検出する。
さらに、例えば、状態変数が利用者の周囲に配置された機械の情報である場合には、当該機械から通信により得られる状態量について、機械の稼働時間が一定時間経過することや、前記機械によって生産される製品の生産数が一定量達成することを、所定の条件としてよい。そして、特徴状態量検出部１２は、前記機械から通信により得られる状態量に基づき、機械の稼働時間が一定時間経過したと判断した場合に、状態量が所定の条件を満たすとして、機械の稼働時間が一定時間経過したという特徴状態量を検出する。同様に、特徴状態量検出部１２は、前記機械から通信により得られる状態量に基づき、機械によって生産される製品の生産数が一定量達成したと判断した場合に、状態量が所定の条件を満たすとして、機械によって生産される製品の生産数が一定量達成したという特徴状態量を検出する。
また、特徴状態量の検出は、複数の状態変数の状態量に基づいて検出してもよい。つまり、前記所定の条件について、複数の状態変数の状態量について設定したものの論理積によって設定してもよい。例えば、利用者の場所の状態変数についての「利用者が自身の所有する自動車の内部に位置する」という状態量の条件、自動車の運転席の人の有無の状態変数についての「運転席に人がいる」という状態量の条件、利用者の姿勢の状態変数についての「着座している」という状態量の条件、自動車の運転モードの状態変数についての「自動運転モード」という状態量の条件のそれぞれの論理積を、前記所定の条件としてよい。このとき、特徴状態量検出部１２は、状態変数である利用者の場所の状態変数について、「利用者が自身の所有する自動車の内部に位置する」という状態量が観測され、自動車の運転席の人の有無の状態変数について「運転席に人がいる」という状態量が観測され、利用者の姿勢の状態変数について「着座している」という状態量が観測され、自動車の運転モードの状態変数について「自動運転モード」という状態量が観測された場合に、「利用者が自車の運転席で自動運転モードにて運転している」という特徴状態量を検出する。
そして、特徴状態量検出部１２は、検出した特徴状態量について、特徴相関関係抽出部１３へ出力する。
なお、上述の説明では、状態観測部１１と特徴状態量検出部１２とは、別体であるとしたが、両者は一体として構成されてもよい。
特徴相関関係抽出部１３は、後述する対応関係記憶部１４を参照して、特徴状態量検出部１２によって検出された特徴状態量に関する情報である、特徴状態量又は当該特徴状態量の状態変数の種類等に対応する、入力変数と出力変数との相関関係である、特徴相関関係を抽出する機能を有する。
特徴相関関係抽出部１３について詳述する前に、対応関係記憶部１４の説明を行う。対応関係記憶部１４は、特徴状態量に関する情報である特徴状態量又は特徴状態量の状態変数の種類と、複数の入力変数及び出力変数の相関関係のうち１つとの対応関係のそれぞれを記憶する機能を有する。
ここで、個々の入力変数と出力変数の相関関係は、従来例において示したような、人工知能技術の一つである機械学習を特定の分野の特定の用途に限って適用した、いわゆる「弱いＡＩ」を実現するために必要な情報のことである。
例えば、自動車の自動運転の技術分野において、運転席に着席している者の画像を入力変数として取得し、当該者の手動運転に対する対応可能の度合いを出力変数として推定するための相関関係について、機械学習を用いて最適化する技術においては、入力変数である運転席に着席している者の画像と、出力変数である当該者の手動運転に対する対応可能の度合いとが、入力変数と出力変数の相関関係にあたる。
そして、対応関係記憶部１４は、前述のような入力変数と出力変数の相関関係について複数種類を記憶するものであり、また、複数種類の相関関係のそれぞれについて、特徴状態量に関する情報である特徴状態量又は特徴状態量の状態変数の種類との対応関係を記憶するものである。
例えば、自動車の自動運転において、運転席に着席している者の画像を入力変数として取得し、当該者の手動運転に対する対応可能の度合いを出力変数として推定するための相関関係については、前述した、「利用者が自車の運転席で自動運転モードにて運転している」という特徴状態量を対応づけて記憶することが例として挙げられる。また、運転席に着席している者の画像を入力変数として取得し、当該者の手動運転に対する対応可能の度合いを出力変数として推定するための相関関係について、「利用者が自車の運転席で自動運転モードにて運転している」という特徴状態量の代わりに、「利用者が自車の運転席で自動運転モードにて運転している」という特徴状態量を判断した、状態変数の種類である、「利用者の場所」、「自動車の運転席の運転者の有無」、「利用者の姿勢」及び「自動車の運転モード」のセットを対応づけて記憶することとしてもよい。
また、例えば、利用者の情報を入力変数として取得し、当該利用者が睡眠時に聴くことを好む音楽の種類を出力変数として推定するための相関関係については、「利用者の姿勢が横臥しており、利用者の周囲の明度が所定値よりも小さい」という特徴状態量を対応づけて記憶することが例として挙げられる。また、利用者の情報を入力変数として取得し、当該利用者が睡眠時に聴くことを好む音楽の種類を出力変数として推定するための相関関係について、「利用者の姿勢が横臥しており、利用者の周囲の明度が所定値よりも小さい」という特徴状態量の代わりに、「利用者の姿勢が横臥しており、利用者の周囲の明度が所定値よりも小さい」という特徴状態量を判断した、状態変数の種類である、「利用者の姿勢」及び「利用者の周囲の明度」のセットを対応づけて記憶することとしてもよい。
ここで、対応関係記憶部１４が記憶する、特徴状態量に関する情報について、上述の説明では、特徴状態量又は特徴状態量の状態変数の種類であるとしたが、これに限られず、特徴状態量について一意に判別可能なタグ等を用いてもよいことは、当業者にとって明らかである。
次に、再び特徴相関関係抽出部１３の説明を行う。
特徴相関関係抽出部１３は、特徴状態量検出部１２によって検出された特徴状態量から、特徴状態量の状態変数の種類、特徴状態量に対応づけられたタグや、特徴状態量そのもの等を表す、特徴状態量に関する情報を把握し、当該特徴状態量に関する情報をキーとして対応関係記憶部１４を参照し、公知のデータベース検索技術を用いて、前記特徴状態量に対応する、入力変数と出力変数との相関関係である、特徴相関関係を抽出する。
特徴相関関係抽出部１３は、抽出した特徴相関関係を、図示しない、出力変数値算出システム１の作業用の記憶領域に対して出力する。
また、特徴相関関係抽出部１３は、抽出した特徴相関関係が複数ある場合には、全ての特徴相関関係について前記作業用の記憶領域に対して出力する。
次に、入力変数値取得部１５について説明を行う。
入力変数値取得部１５は、特徴相関関係抽出部１３により抽出され、前記作業用の記憶領域に出力された１又は複数の特徴相関関係のそれぞれについて、その入力変数の現在値を取得する機能を有する。
入力変数の現在値は、入力変数値取得部１５に入力変数の変量を検出可能なセンサを設けることで取得してもよいし、図示しない外部装置として構成され、入力変数の変量を検出する複数の別体のセンサから、インターネット等の通信や記憶媒体を介して検出された入力変数の変量を受け取ることで取得してもよい。
そして、入力変数値取得部１５は、取得された入力変数の現在値のそれぞれについて、出力変数値算出部１６に出力する。
出力変数値算出部１６について説明を行う。
出力変数値算出部１６は、特徴相関関係抽出部１３により抽出された特徴相関関係及び入力変数値取得部１５により取得され出力された入力変数の現在値から、出力変数の出力変数値を算出する機能を有する。
出力変数値算出部１６は、前記作業用の記憶領域を用いて、特徴相関関係に、入力変数の現在値を入力し、特徴相関関係の出力値を、出力変数の出力変数値の推論値として算出して出力する。
例えば、上述の自動車の自動運転の例であれば、運転席に着席している者の画像を入力変数として取得し、当該者の手動運転に対する対応可能の度合いを出力変数として推定するための相関関係を用いて、当該相関関係に、入力変数である運転席に着席している者の現在の様子を示す画像を入力し、出力変数である当該者の手動運転に対する対応可能の度合いを推論値として算出して出力する。
また、上述の別の例であれば、利用者の情報を入力変数として取得し、当該利用者が睡眠時に聴くことを好む音楽の種類を出力変数として推定するための相関関係を用いて、当該相関関係に、入力変数である現在の利用者の情報を取得して入力し、出力変数である当該利用者が睡眠時に聴くことを好む音楽の種類を推論値として算出して出力する。
このとき、出力変数値算出部１６は、出力変数の出力変数値を算出するに際して、前記特徴相関関係について、前記特徴相関関係の入力変数の値と、出力変数の値との過去に蓄積されたデータセットを用いて、事前に教師あり学習を行うことで最適化されたものを用いてもよい。これによれば、出力変数値算出部１６の演算負荷を低減することができ、出力変数の出力変数値を遅延なく提供することができる。
これに代えて、出力変数値算出部１６は、出力変数の出力変数値を算出するに際して、前記特徴相関関係について、前記特徴相関関係の入力変数の値と、出力変数の値とのデータセットを、リアルタイムに収集して準備し、準備されたデータセットを用いて教師あり学習を行うことで、出力変数の出力変数値を算出するごとや、算出する直前に最適化してもよい。これによれば、出力変数値算出部１６からの出力変数値を、より利用者の環境や状態に最適化することができる。
ここで、データセットを用いて入力変数と出力変数との相関関係を最適化する手法について、図２を参照しつつ説明を行う。
図２は、データセットを用いて入力変数と出力変数との相関関係を最適化する手法として、ニューラルネットワークモデルを用いた教師あり学習の例を示している。
図２に示すニューラルネットワークモデルにおけるニューラルネットワークは、入力層にある１個のニューロン、第１中間層にあるｍ個のニューロン、第２中間層にあるｎ個のニューロン、出力層にあるｏ個のニューロンから構成されている。第１中間層及び第２中間層は、隠れ層とも呼ばれており、ニューラルネットワークとしては、第１中間層及び第２中間層の他に、さらに複数の隠れ層を有するものであってもよい。
また、入力層と第１中間層との間、第１中間層と第２中間層との間、第２中間層と出力層との間には、層間のニューロンを接続するノードが張られており、それぞれのノードには、重みｗｉが対応づけられている。
ニューラルネットワークモデルにおけるニューラルネットワークは、学習用のデータセットを用いて、入力変数と出力変数との相関関係を学習する。
具体的には、学習用データセットのうち、入力変数のそれぞれについて入力層のニューロンを対応づけ、出力層にあるニューロンの値を、一般的なニューラルネットワークの出力値の算出方法、つまり、出力側のニューロンの値を、当該ニューロンに接続される入力側のニューロンの値と、出力側のニューロンと入力側のニューロンとを接続するノードに対応づけられた重みｗｉとの乗算値の数列の和として算出することを、入力層にあるニューロン以外の全てのニューロンに対して行う方法を用いることで、算出する。
そして、算出された出力層にあるニューロンの値と、学習用データセットのうち、出力変数の値における正解データとして評価できるものとを、それぞれ比較して誤差を求め、求められた誤差が小さくなるように、各ノードに対応づけられた重みｗｉを調整することを反復する。
そして、所定の反復回数を行うことや、前記誤差が許容値より小さくなること等の所定の条件が満たされた場合に、学習を終了して、そのニューラルネットワークモデル（のノードのそれぞれに対応づけられた全ての重みｗｉ）が学習済みの最適な相関関係となる。
なお、上述の説明では、出力変数値算出部１６が、特徴相関関係を機械学習により最適化する機能を有するとしたが、これに限らず、出力変数値算出部１６以外の出力変数値算出システム１における適宜のリソースを用いて最適化することや、出力変数値算出システム１の外部に配置された適宜の計算機を用いて最適化する構成としてもよい。
また、上述の説明では、データセットを用いて入力変数と出力変数との相関関係を最適化する手法として、ニューラルネットワークモデルを用いた教師あり学習の例を示したが、これに限らず、教師なし学習や強化学習を用いることでもよい。
出力変数値算出部１６は、算出された出力変数の推論値について、出力変数値算出システム１のユーザインタフェースを介して利用者に提示することができる。また、出力変数値算出部１６は、前記推論値について、図示しない通信機能を用いて利用者の周辺の機器や機械と通信することで、当該周辺の機器や機械に送信することができる。
これにより、利用者は、様々な状態に応じた最適な出力変数値を、様々な形で得ることができ、汎用的な人工知能技術によって、状態に応じた個別の最適な提案、制御やサービスを受けることが可能となる。
例えば、上述の自動運転の例であれば、利用者は、自車の運転席で自動運転モードにて運転することを行うだけで、なんら操作を行わなくとも、出力変数値算出システム１は、上述の機能により、「利用者が自車の運転席で自動運転モードにて運転している」という特徴状態量、又は、当該特徴状態量の状態変数の種類等の特徴状態量の情報に基づいて、運転席に着席している者の画像を入力変数として取得し、当該者の手動運転に対する対応可能の度合いを出力変数として推定するための相関関係を用いて、当該相関関係に、入力変数である運転席に着席している利用者の現在の様子を示す画像を入力し、出力変数である利用者者の手動運転に対する対応可能の度合いを推論値として算出して出力することを行い、例えば、その結果を自動運転中の自動車に送信して、自動車に搭載された制御装置が前記結果を用いて、自動運転の終了に備えるよう利用者に警告を発信すること等、利用者に対して最適な制御やサービスを行うことが可能となる。
また、例えば、上述の他方の例では、利用者は、横臥して周囲の照明を暗くするだけで、なんら操作を行わなくとも、出力変数値算出システム１が、上述の機能により、「利用者の姿勢が横臥しており、利用者の周囲の明度が所定値よりも小さい」という特徴状態量、又は、当該特徴状態量の状態変数の種類等の特徴状態量の情報に基づいて、利用者の情報を入力変数として取得し、利用者が睡眠時に聴くことを好む音楽の種類を出力変数として推論するための相関関係を用いて、当該相関関係に、入力変数である利用者の情報を入力し、出力変数である利用者が睡眠時に聴くことを好む音楽の種類を推論値として算出して出力することを行い、例えば、その結果を利用者の周囲の音響機器に送信して、音響機器に搭載された制御装置が、前記結果を用いて、利用者が睡眠時に聞くことを好む種類の音楽を再生すること等、利用者に対して最適な制御やサービスを行うことが可能となる。
以下、コンピュータ等の計算機によって実現される出力変数値算出システム１の作用、つまり、本発明の出力変数値算出方法について、図３のフローチャートを示しつつ説明を行う。
まず、ステップ１として、複数の状態変数についての観測結果であるそれぞれの状態量を得る。
これは、上述のとおり、状態観測部１１によって行われる。
続いて、ステップ２として、観測された前記状態量のうち、所定の条件を満たす特徴状態量を検出する。
これは、上述のとおり、特徴状態量検出部１２によって行われる
続いて、ステップ３として、特徴状態量に関する情報である、特徴状態量、当該特量状態量の状態変数の種類等と、複数の入力変数及び出力変数の相関関係のうち１つとの対応関係のそれぞれを記憶する対応関係記憶部１４に基づき、特徴状態量又は特徴状態量の状態変数の種類等の特徴状態量の情報に対応する前記相関関係である特徴相関関係を抽出する。
これは、上述のとおり、特徴相関関係抽出部１３によって行われる。
続いて、ステップ４として、特徴相関関係の入力変数の現在値を取得する。
これは、上述のとおり、入力変数値取得部１５によって行われる。
続いて、ステップ５として、特徴相関関係及び入力変数の現在値に基づき、入力変数の現在値から、出力変数の出力変数値を算出する。
これは、上述のとおり、出力変数値算出部１６によって行われる。
また、ステップ５において、前記出力変数の出力変数値を算出するに際し、前記特徴相関関係について、前記入力変数及び前記出力変数の値の集合であるデータセットを用いた機械学習に基づき最適化されたものを用いてもよいし、これに代えて、前記出力変数の出力変数値を算出するに際し、前記特徴相関関係について、前記入力変数及び前記出力変数の値の集合であるデータセットを用いた機械学習に基づき最適化するものを用いてもよい。
なお、本発明は上述した実施形態に限定されるものではなく、本発明の主旨を逸脱しない範囲内で種々変更して実施することが可能である。そして、それらはすべて、本発明の技術思想に含まれるものである。
１ 出力変数値算出システム
１１ 状態観測部
１２ 特徴状態量検出部
１３ 特徴相関関係抽出部
１４ 対応関係記憶部
１５ 入力変数値取得部
１６ 出力変数値算出部

Claims (9)

  1. 複数の状態変数を観測してそれぞれの状態量を求める状態観測部と、
    当該状態観測部によって観測された前記状態量のうち、所定の条件を満たす特徴状態量を検出する特徴状態量検出部と、
    前記特徴状態量に関する情報と、複数の入力変数及び出力変数の相関関係のうち１つとの対応関係のそれぞれを記憶する対応関係記憶部と、
    当該対応関係記憶部を参照し、前記特徴状態量検出部によって検出された特徴状態量に対応する前記相関関係である特徴相関関係を抽出する特徴相関関係抽出部と、
    前記特徴相関関係抽出部により抽出された特徴相関関係の入力変数の現在値を取得する入力変数値取得部と、
    前記特徴相関関係抽出部により抽出された特徴相関関係及び前記入力変数値取得部により取得された前記入力変数の現在値に基づき、前記入力変数の現在値から、前記出力変数の出力変数値を算出する出力変数値算出部と、
    を備えることを特徴とする、出力変数値算出システム。
  2. 請求項１に記載された出力変数値算出システムにおいて、
    前記出力変数値算出部は、前記出力変数の出力変数値を算出するに際し、前記特徴相関関係について、前記入力変数及び前記出力変数の値の集合であるデータセットを用いた機械学習に基づき最適化されたものを用いるものである
    ことを特徴とする出力変数値算出システム。
  3. 請求項１に記載された出力変数値算出システムにおいて、
    前記出力変数値算出部は、前記出力変数の出力変数値を算出するに際し、前記特徴相関関係について、前記入力変数及び前記出力変数の値の集合であるデータセットを用いた機械学習に基づき最適化するものである
    ことを特徴とする出力変数値算出システム。
  4. 複数の状態変数を観測してそれぞれの状態量を求める状態観測部と、
    当該状態観測部によって観測された前記状態量のうち、所定の条件を満たす特徴状態量を検出する特徴状態量検出部と、
    前記特徴状態量に関する情報と、複数の入力変数及び出力変数の相関関係のうち１つとの対応関係のそれぞれを記憶する対応関係記憶部と、
    当該対応関係記憶部を参照し、前記特徴状態量検出部によって検出された特徴状態量に対応する前記相関関係である特徴相関関係を抽出する特徴相関関係抽出部と、
    前記特徴相関関係抽出部により抽出された特徴相関関係の入力変数の現在値を取得する入力変数値取得部と、
    前記特徴相関関係抽出部により抽出された特徴相関関係及び前記入力変数値取得部により取得された前記入力変数の現在値に基づき、前記入力変数の現在値から、前記出力変数の出力変数値を算出する出力変数値算出部と、
    を備えることを特徴とする、出力変数値算出装置。
  5. 請求項４に記載された出力変数値算出装置において、
    前記出力変数値算出部は、前記出力変数の出力変数値を算出するに際し、前記特徴相関関係について、前記入力変数及び前記出力変数の値の集合であるデータセットを用いた機械学習に基づき最適化されたものを用いるものである
    ことを特徴とする出力変数値算出装置。
  6. 請求項４に記載された出力変数値算出装置において、
    前記出力変数値算出部は、前記出力変数の出力変数値を算出するに際し、前記特徴相関関係について、前記入力変数及び前記出力変数の値の集合であるデータセットを用いた機械学習に基づき最適化するものである
    ことを特徴とする出力変数値算出装置。
  7. コンピュータによって、
    複数の状態変数についての観測結果であるそれぞれの状態量を得るステップと、
    観測された前記状態量のうち、所定の条件を満たす特徴状態量を検出するステップと、
    前記特徴状態量に関する情報と、複数の入力変数及び出力変数の相関関係のうち１つとの対応関係のそれぞれを記憶する対応関係記憶部に基づき、前記特徴状態量に対応する前記相関関係である特徴相関関係を抽出するステップと、
    前記特徴相関関係の入力変数の現在値を取得するステップと、
    前記特徴相関関係及び前記入力変数の現在値に基づき、前記入力変数の現在値から、前記出力変数の出力変数値を算出するステップと、
    を行うことを特徴とする出力変数値算出方法。
  8. 請求項７に記載された出力変数値算出方法において、
    前記出力変数の出力変数値を算出するステップは、前記出力変数の出力変数値を算出するに際し、前記特徴相関関係について、前記入力変数及び前記出力変数の値の集合であるデータセットを用いた機械学習に基づき最適化されたものを用いるものである
    ことを特徴とする出力変数値算出方法。
  9. 請求項７に記載された出力変数値算出方法において、
    前記出力変数の出力変数値を算出するステップは、前記出力変数の出力変数値を算出するに際し、前記特徴相関関係について、前記入力変数及び前記出力変数の値の集合であるデータセットを用いた機械学習に基づき最適化するものである
    ことを特徴とする出力変数値算出方法。
JP2018122166A 2018-06-27 2018-06-27 出力変数値算出システム、出力変数算出装置、及び、出力変数値算出方法 Active JP6600857B1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2018122166A JP6600857B1 (ja) 2018-06-27 2018-06-27 出力変数値算出システム、出力変数算出装置、及び、出力変数値算出方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018122166A JP6600857B1 (ja) 2018-06-27 2018-06-27 出力変数値算出システム、出力変数算出装置、及び、出力変数値算出方法

Publications (2)

Publication Number Publication Date
JP6600857B1 true JP6600857B1 (ja) 2019-11-06
JP2020004037A JP2020004037A (ja) 2020-01-09

Family

ID=68462330

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018122166A Active JP6600857B1 (ja) 2018-06-27 2018-06-27 出力変数値算出システム、出力変数算出装置、及び、出力変数値算出方法

Country Status (1)

Country Link
JP (1) JP6600857B1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021102195A (ja) * 2019-12-25 2021-07-15 巴工業株式会社 機械学習装置、データ処理システム、推論装置及び機械学習方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023059040A (ja) * 2021-10-14 2023-04-26 株式会社日本製鋼所 成形機システム、トルク導出システム、およびトルク導出方法、並びにプログラム

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09251315A (ja) * 1996-03-18 1997-09-22 Ishikawajima Harima Heavy Ind Co Ltd プラント運転状態検出装置
JP2006127047A (ja) * 2004-10-27 2006-05-18 Toyota Motor Corp ロボット及び通信ロボットシステム
JP5431235B2 (ja) * 2009-08-28 2014-03-05 株式会社日立製作所 設備状態監視方法およびその装置
JP6019600B2 (ja) * 2012-02-10 2016-11-02 沖電気工業株式会社 制御装置、方法およびプログラム
JP6580334B2 (ja) * 2015-02-06 2019-09-25 株式会社Ｊｓｏｌ 情報処理装置、プログラム及び情報処理方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021102195A (ja) * 2019-12-25 2021-07-15 巴工業株式会社 機械学習装置、データ処理システム、推論装置及び機械学習方法
JP7357878B2 (ja) 2019-12-25 2023-10-10 巴工業株式会社 機械学習装置、データ処理システム、推論装置及び機械学習方法

Also Published As

Publication number Publication date
JP2020004037A (ja) 2020-01-09

Similar Documents

Publication Publication Date Title
JP6600857B1 (ja) 出力変数値算出システム、出力変数算出装置、及び、出力変数値算出方法
JP4970408B2 (ja) 物体特性のロバストな推定を用いる適応型運転者支援システム
WO2020190272A1 (en) Creation of digital twin of the interaction among parts of the physical system
JP6432859B2 (ja) サービス提供システムおよびプログラム
KR102474246B1 (ko) 복수 개의 전자 디바이스를 이용하여 신경망 모델을 처리하는 방법 및 시스템
CN111805546B (zh) 一种基于脑机接口的人-多机器人共享控制的方法及***
CN106650941B (zh) 一种基于可靠性管理的不确定性消除情景感知***及其工作方法
KR20200046191A (ko) 실시간 사용자 행위 분석에 의한 계층적 상황인지 및 디바이스 자율 구성 장치 및 그 방법
JP6562328B2 (ja) 支援システム
Rongjun et al. Collaborative extreme learning machine with a confidence interval for P2P learning in healthcare
WO2018113263A1 (zh) 机器人的控制方法、***和装置及机器人
JP2022003586A (ja) 支援システム
JP2014046889A (ja) 車両用制御装置
CN109129467B (zh) 一种基于认知的机器人交互方法及***
Fritze et al. A support system for sensor and information fusion system design
CN116503029A (zh) 用于自动驾驶的模块数据协同处理方法及***
CN116135484A (zh) 一种基于vtf视触觉信息交互的弱刚度物体抓取方法
WO2023160922A1 (en) Automatically quantifying an uncertainty of a prediction provided by a trained regression model
CN114995355A (zh) 一种基于多智能体的拖拉机电气***故障诊断方法
CN108592308A (zh) 新风***控制方法及装置
KR102401898B1 (ko) 인공신경망을 이용한 주행 차량의 차로 판단 방법과 장치
JP2022135676A (ja) 移動体制御システム及び移動体制御方法
JP2022063864A (ja) 機械学習を自動化するための装置及び機械学習自動化方法
Ohkura et al. Coordinating the adaptive behavior for swarm robotic systems by using topology and weight evolving artificial neural networks
JPH08305853A (ja) 対象の認識およびそれにもとづく意思決定の方法およびその装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190724

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20190724

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20190726

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20190813

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20190910

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190913

R150 Certificate of patent or registration of utility model

Ref document number: 6600857

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: R3D04

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250