JP6935837B1 - 機械学習装置及び機械学習システム - Google Patents

機械学習装置及び機械学習システム Download PDF

Info

Publication number
JP6935837B1
JP6935837B1 JP2020139396A JP2020139396A JP6935837B1 JP 6935837 B1 JP6935837 B1 JP 6935837B1 JP 2020139396 A JP2020139396 A JP 2020139396A JP 2020139396 A JP2020139396 A JP 2020139396A JP 6935837 B1 JP6935837 B1 JP 6935837B1
Authority
JP
Japan
Prior art keywords
vehicle
machine learning
learning model
replaced
neural network
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
JP2020139396A
Other languages
English (en)
Other versions
JP2022035227A (ja
Inventor
大樹 横山
大樹 横山
陽平 晴山
陽平 晴山
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.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
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 Toyota Motor Corp filed Critical Toyota Motor Corp
Priority to JP2020139396A priority Critical patent/JP6935837B1/ja
Priority to DE102021118572.6A priority patent/DE102021118572A1/de
Priority to US17/405,390 priority patent/US11472420B2/en
Priority to CN202110947766.0A priority patent/CN114077193A/zh
Application granted granted Critical
Publication of JP6935837B1 publication Critical patent/JP6935837B1/ja
Publication of JP2022035227A publication Critical patent/JP2022035227A/ja
Priority to US17/690,725 priority patent/US20220194394A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/12—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to parameters of the vehicle itself, e.g. tyre models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/04—Monitoring the functioning of the control system
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/06—Improving the dynamic response of the control system, e.g. improving the speed of regulation or avoiding hunting or overshoot
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Human Computer Interaction (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Neurology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Feedback Control In General (AREA)
  • Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

【課題】車両部品が交換された場合に、車両において用いられる機械学習モデルの推定精度が低下することを抑制する。【解決手段】機械学習装置は、機械学習モデルを用いて所定の情報を推定する推定部５１と、機械学習モデルを更新する更新部５２と、車両部品の交換を検知すると共に交換後の車両部品の識別情報を取得する部品情報取得部５３とを備える。更新部は、機械学習モデルの入力データに関する車両部品が異なる構成の車両部品に交換された場合には、交換後の車両部品に対応する訓練データセットを用いて学習された新たな機械学習モデルをサーバ２から受信し、新たな機械学習モデルを車両に適用する。【選択図】図５

Description

本発明は機械学習装置及び機械学習システムに関する。
近年、ＡＩ（人工知能）技術の発達に伴い、車両において、ニューラルネットワークモデルのような機械学習モデルを用いた制御を行うことが検討されている。例えば、特許文献１に記載の機械学習システムでは、ニューラルネットワークモデルを用いて、内燃機関に設けられた排気浄化触媒の温度が推定される。
斯かるニューラルネットワークモデルの推定精度を向上させるためには、ニューラルネットワークモデルの学習を予め行う必要がある。例えば、特許文献１に記載されるように、サーバにおいてニューラルネットワークモデルの学習が行われ、学習済みのニューラルネットワークモデルがサーバから車両に送信される。
特開２０１９−１８３６９８号公報
ところで、車両の使用に伴い車両部品の劣化又は故障が生じると、車両部品の交換が行われる。また、より高性能の車両部品を車両に搭載するために車両部品の交換が行われることがある。
しかしながら、車両において用いられる機械学習モデルは、通常、交換前の車両部品の特性に適合されている。このため、車両部品の交換によって車両部品の特性が変化すると、機械学習モデルの推定精度が低下するおそれがある。
そこで、上記課題に鑑みて、本発明の目的は、車両部品が交換された場合に、車両において用いられる機械学習モデルの推定精度が低下することを抑制することにある。
本開示の要旨は以下のとおりである。
（１）車両に設けられた機械学習装置であって、機械学習モデルを用いて所定の情報を推定する推定部と、前記機械学習モデルを更新する更新部と、車両部品の交換を検知すると共に交換後の車両部品の識別情報を取得する部品情報取得部とを備え、前記更新部は、前記機械学習モデルの入力データに関する車両部品が異なる構成の車両部品に交換された場合には、交換後の車両部品に対応する訓練データセットを用いて学習された新たな機械学習モデルをサーバから受信し、該新たな機械学習モデルを前記車両に適用する、機械学習装置。
（２）前記更新部は前記交換後の車両部品の識別情報及び前記車両の識別情報を前記サーバに送信し、前記新たな機械学習モデルは、前記車両の識別情報に対応する機械学習モデルである、上記（１）に記載の機械学習装置。
（３）前記機械学習モデルはニューラルネットワークモデルである、上記（１）又は（２）に記載の機械学習装置。
（４）サーバ及び車両を備える機械学習システムであって、前記サーバは、前記車両と通信可能な第１通信装置と、制御装置とを備え、前記車両は、前記サーバと通信可能な第２通信装置と、機械学習モデルを用いて所定の情報を推定する推定部と、前記機械学習モデルを更新する更新部と、車両部品の交換を検知すると共に交換後の車両部品の識別情報を取得する部品情報取得部とを備え、前記更新部は、前記機械学習モデルの入力データに関する車両部品が異なる構成の車両部品に交換された場合には、交換後の車両部品の識別情報を前記サーバに送信し、前記制御装置は、前記交換後の車両部品に対応する訓練データセットを用いて学習された新たな機械学習モデルを前記車両に送信し、前記更新部は前記新たな機械学習モデルを前記車両に適用する、機械学習システム。
本発明によれば、車両部品が交換された場合に、車両において用いられる機械学習モデルの推定精度が低下することを抑制することができる。
図１は、本発明の実施形態に係る機械学習システム１の概略的な構成図である。 図２は、図１の車両の構成の一部を概略的に示す図である。 図３は、図２のＥＣＵの機能ブロック図である。 図４は、単純な構成を有するニューラルネットワークモデルの一例を示す。 図５は、モデル更新処理の制御ルーチンを示すフローチャートである。 図６は、モデル送信処理の制御ルーチンを示すフローチャートである。
以下、図面を参照して本発明の実施形態について詳細に説明する。図１は、本発明の実施形態に係る機械学習システム１の概略的な構成図である。機械学習システム１はサーバ２及び車両３を備える。
図１に示されるように、サーバ２は、車両３の外部に設けられ、通信インターフェース２１、ストレージ装置２２、メモリ２３及びプロセッサ２４を備える。なお、サーバ２は、キーボード及びマウスのような入力装置、ディスプレイのような出力装置等を更に備えていてもよい。また、サーバ２は複数のコンピュータから構成されていてもよい。
通信インターフェース２１は、車両３と通信可能であり、サーバ２が車両３と通信することを可能とする。具体的には、通信インターフェース２１は、サーバ２を通信ネットワーク５に接続するためのインターフェース回路を有する。サーバ２は、通信インターフェース２１、通信ネットワーク５及び無線基地局６を介して車両３と通信する。通信インターフェース２１は通信装置の一例である。
ストレージ装置２２は、例えば、ハードディスクドライブ（ＨＤＤ）、ソリッドステートドライブ（ＳＳＤ）、光記録媒体等を有する。ストレージ装置２２は、各種データを記憶し、例えば、プロセッサ２４が各種処理を実行するためのコンピュータプログラム等を記憶する。
メモリ２３は、例えばランダムアクセスメモリ（ＲＡＭ）のような半導体メモリを有する。メモリ２３は、例えばプロセッサ２４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。
通信インターフェース２１、ストレージ装置２２及びメモリ２３は、信号線を介してプロセッサ２４に接続されている。プロセッサ２４は、一つ又は複数のＣＰＵ及びその周辺回路を有し、各種処理を実行する。なお、プロセッサ２４は、論理演算ユニット又は数値演算ユニットのような演算回路を更に有していてもよい。プロセッサ２４は制御装置の一例である。
図２は、図１の車両３の構成の一部を概略的に示す図である。図２に示されるように、車両３は、アクチュエータ３１、センサ３２、通信モジュール３３及び電子制御ユニット（ＥＣＵ（Electronic Control Unit））４０を備える。すなわち、アクチュエータ３１、センサ３２、通信モジュール３３及びＥＣＵ４０は車両３に搭載されている。アクチュエータ３１、センサ３２及び通信モジュール３３は、ＣＡＮ（Controller Area Network）等の規格に準拠した車内ネットワークを介してＥＣＵ４０に通信可能に接続される。
アクチュエータ３１は、車両３の走行に必要な作動部品であり、例えば、内燃機関の作動に必要な部品（点火プラグ、燃料噴射弁、スロットル弁駆動アクチュエータ、ＥＧＲ制御弁等）、モータ、クラッチ等を含む。ＥＣＵ４０はアクチュエータ３１を制御する。
センサ３２は、車両３、内燃機関、バッテリ等の状態量を検出し、車速センサ、ＧＰＳ受信機、アクセル開度センサ、エアフロメータ、空燃比センサ、クランク角センサ、トルクセンサ、電圧センサ、温度センサ等を含む。センサ３２の出力はＥＣＵ４０に送信される。
アクチュエータ３１及びセンサ３２は、車両３に搭載された部品である車両部品を構成する。言い換えれば、車両部品はアクチュエータ３１及びセンサ３２を含む。
通信モジュール３３は、車両３と車両３の外部との通信を可能とする機器である。通信モジュール３３は、例えば、無線基地局６を介して通信ネットワーク５と通信可能なデータ通信モジュール（ＤＣＭ（Data communication module)）である。なお、通信モジュール３３として、携帯端末（例えば、スマートフォン、タブレット端末、ＷｉＦｉルータ等）が用いられてもよい。通信モジュール３３は通信装置の一例である。
ＥＣＵ４０は、通信インターフェース４１、メモリ４２及びプロセッサ４３を含み、車両３の各種制御を実行する。なお、本実施形態では、一つのＥＣＵ４０が設けられているが、機能毎に複数のＥＣＵが設けられていてもよい。
通信インターフェース４１は、ＣＡＮ等の規格に準拠した車内ネットワークにＥＣＵ４０を接続するためのインターフェース回路を有する。ＥＣＵ４０は、通信インターフェース４１を介して、上述したような他の車載機器と通信する。
メモリ４２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４２は、プロセッサ４３において実行されるプログラム、プロセッサ４３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。
プロセッサ４３は、一つ又は複数のＣＰＵ(Central Processing Unit)及びその周辺回路を有し、各種処理を実行する。なお、プロセッサ４３は、論理演算ユニット又は数値演算ユニットのような演算回路を更に有していてもよい。通信インターフェース４１、メモリ４２及びプロセッサ４３は信号線を介して互いに接続されている。
本実施形態では、ＥＣＵ４０は機械学習装置として機能する。図３は、図２のＥＣＵ４０の機能ブロック図である。ＥＣＵ４０は、推定部５１、更新部５２及び部品情報取得部５３を有する。推定部５１、更新部５２及び部品情報取得部５３は、ＥＣＵ４０のメモリ４２に記憶されたプログラムをＥＣＵ４０のプロセッサ４３が実行することによって実現される機能ブロックである。
推定部５１は機械学習モデルを用いて所定の情報を推定する。更新部５２は、車両３において用いられる機械学習モデルを更新する。本実施形態では、機械学習モデルとして、複数の入力データ（説明変数とも称される）から少なくとも一つの出力データ（目的変数とも称される）を出力するニューラルネットワークモデルが用いられる。
最初に、図４を参照して、ニューラルネットワークモデルの概要について説明する。図４は、単純な構成を有するニューラルネットワークモデルの一例を示す。
図４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４において、Ｌ＝１は入力層を示し、Ｌ＝２及びＬ＝３は隠れ層を示し、Ｌ＝４は出力層を示している。なお、隠れ層は中間層とも称される。
図４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４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）。
Figure 0006935837
 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シグモイド関数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。
車両３において用いられるニューラルネットワークモデルはＥＣＵ４０のメモリ４２又は車両３に設けられた他の記憶装置に記憶される。推定部５１は、複数の入力データの値（入力値）をニューラルネットワークモデルに入力することによってニューラルネットワークモデルに少なくとも一つの出力データの値（出力値）を出力させる。このとき、各入力データの値として、例えば、センサ３２の出力値、ＥＣＵ４０からアクチュエータ３１への指令値、通信モジュール３３を介して車両３の外部から取得した値、ＥＣＵ４０において算出された値等が用いられる。
推定部５１は、ニューラルネットワークモデルから出力される出力データの値に相当する所定の情報を推定する。推定部５１によって推定された所定の情報は車両３の制御に用いられる。なお、ニューラルネットワークモデルは回帰モデル及び分類モデルのいずれであってもよい。ニューラルネットワークモデルが回帰モデルである場合、出力データは、例えば、内燃機関の出力トルク、排気ガス中の所定成分（ＨＣ、ＮＯｘ等）の濃度、バッテリの充電率（ＳＯＣ：Ｓｔａｔｅ Ｏｆ Ｃｈａｒｇｅ）等である。一方、ニューラルネットワークモデルが分類モデルである場合、出力データは、例えば、所定のセンサ３２の異常判定結果、ハイブリッド車両における内燃機関の始動判定結果等である。入力データとして、出力データと相関する状態量が適宜選択される。
斯かるニューラルネットワークモデルの精度を向上させるためには、ニューラルネットワークモデルの学習を予め行う必要がある。このため、例えば、車両の生産工場等においてニューラルネットワークモデルの学習が行われる。
ニューラルネットワークモデルの学習では、複数の入力データの実測値と、これら実測値に対応する少なくとも一つの出力データの実測値（正解データ又は教師データ）との組合せから成る訓練データセットが用いられる。入力データ及び出力データの実測値は例えばエンジンベンチ等を用いて取得され、対応する実測値を組み合わせることによって訓練データセットが作成される。
ニューラルネットワークモデルの学習では、多数の訓練データセットを用いて、ニューラルネットワークモデルによって出力される出力データの値と出力デ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ニューラルネットワークモデルのパラメータ（重みｗ及びバイアスｂ）を繰り返し更新する。この結果、ニューラルネットワークモデルが学習され、学習済みのニューラルネットワークモデルが生成される。生成された学習済みのニューラルネットワークモデルは、車両３の出荷前に、車両３のＥＣＵ４０に実装される。すなわち、学習済みのニューラルネットワークモデルの情報（モデルの構造、重みｗ、バイアスｂ等）がＥＣＵ４０のメモリ４２又は車両３に設けられた別の記憶装置に記憶される。なお、学習済みのニューラルネットワークモデルは車両３の出荷後にサーバ２から車両３に送信されてもよい。
ところで、車両３の使用に伴いアクチュエータ３１又はセンサ３２のような車両部品の劣化又は故障が生じると、車両部品の交換が行われる。また、より高性能の車両部品を車両３に搭載するために車両部品の交換が行われることがある。
しかしながら、ＥＣＵ４０に実装されたニューラルネットワークモデルは、交換前の車両部品の特性に適合されている。このため、車両部品の交換によって車両部品の特性が変化すると、ニューラルネットワークモデルの推定精度が低下するおそれがある。
そこで、本実施形態では、部品情報取得部５３は、車両部品の交換を検知し、交換後の車両部品の識別情報を取得する。また、更新部５２は、ニューラルネットワークモデルの入力データに関する車両部品が異なる構成の車両部品に交換された場合には、交換後の車両部品に対応する訓練データセットを用いて学習された新たなニューラルネットワークモデルをサーバ２から受信し、新たなニューラルネットワークモデルを車両３に適用する。
具体的には、更新部５２は、ニューラルネットワークモデルの入力データに関する車両部品が異なる構成の車両部品に交換された場合には、交換後の車両部品の識別情報をサーバ２に送信する。サーバ２のプロセッサ２４は、交換後の車両部品の識別情報を車両３から受信すると、交換後の車両部品に対応する訓練データセットを用いて学習された新たなニューラルネットワークモデルを車両３に送信する。更新部５２は、新たなニューラルネットワークモデルをサーバ２から受信すると、新たなニューラルネットワークモデルを車両３に適用する。
上述したように車両部品の交換に応じてニューラルネットワークモデルを更新することによって、車両部品が交換された場合に、車両３において用いられるニューラルネットワークモデルの推定精度が低下することを抑制することができる。
以下、図５及び図６のフローチャートを用いて、上述した制御について詳細に説明する。図５は、モデル更新処理の制御ルーチンを示すフローチャートである。本制御ルーチンは車両３のＥＣＵ４０によって所定の実行間隔で繰り返し実行される。
最初に、ステップＳ１０１において、部品情報取得部５３は、交換フラグＦが１であるか否かを判定する。交換フラグＦは、車両部品が交換されたときに１に設定されるフラグであり、交換フラグＦの初期値はゼロである。ステップＳ１０１において交換フラグＦがゼロであると判定された場合、本制御ルーチンはステップＳ１０２に進む。
ステップＳ１０２では、部品情報取得部５３は、ニューラルネットワークモデルの入力データに関する車両部品が異なる構成の車両部品に交換されたか否かを判定する。例えば、センサ３２の出力値がニューラルネットワークモデルの入力データとして用いられる場合、センサ３２は、ニューラルネットワークモデルの入力データに関する車両部品に相当する。また、ＥＣＵ４０からアクチュエータ３１への指令値がニューラルネットワークモデルの入力データとして用いられる場合、アクチュエータ３１は、ニューラルネットワークモデルの入力データに関する車両部品に相当する。また、異なる構成の車両部品には、交換前の車両部品と製造会社、品番、型番等が異なる車両部品が含まれる。
部品情報取得部５３は、例えば、車両部品の識別情報（製造会社名、型番、シリアル番号、製造番号等）を読み取ることによって車両部品の交換を検知する。また、部品情報取得部５３は、車両部品の出力波形、作動電圧等を検出することによって車両部品の交換を検知してもよい。また、作業者が車両部品の交換を車両３の入力装置（ＨＭＩ等）に入力し、部品情報取得部５３は入力装置への入力に基づいて車両部品の交換を検知してもよい。
ステップＳ１０２において車両部品が交換されなかったと判定された場合、本制御ルーチンは終了する。一方、ステップＳ１０２において車両部品が交換されたと判定された場合、本制御ルーチンはステップＳ１０３に進む。ステップＳ１０３では、部品情報取得部５３は車両部品の識別情報を取得する。
次いで、ステップＳ１０４において、部品情報取得部５３は交換フラグＦを１に設定する。
次いで、ステップＳ１０５において、更新部５２は、通信モジュール３３、無線基地局６及び通信ネットワーク５を介してサーバ２に交換後の車両部品の識別情報を送信する。
ステップＳ１０５の後、本制御ルーチンはステップＳ１０６に進む。一方、ステップＳ１０１において交換フラグＦが１であると判定された場合、本制御ルーチンはステップＳ１０２〜ステップＳ１０５をスキップしてステップＳ１０６に進む。
ステップＳ１０６では、更新部５２は、サーバ２から新たなニューラルネットワークモデルを受信したか否かを判定する。新たなニューラルネットワークモデルを受信しなかったと判定された場合、本制御ルーチンは終了する。一方、新たなニューラルネットワークモデルを受信したと判定された場合、本制御ルーチンはステップＳ１０７に進む。
ステップＳ１０７では、更新部５２は新たなニューラルネットワークモデルを車両３に適用する。言い換えれば、更新部５２は、車両３において用いられるニューラルネットワークモデルを新たなニューラルネットワークモデルに更新する。すなわち、ＥＣＵ４０のメモリ４２又は別の記憶装置に記憶されたニューラルネットワークモデルの情報が書き換えられる。
次いで、ステップＳ１０８において、更新部５２は交換フラグＦをゼロに設定する。ステップＳ１０８の後、本制御ルーチンは終了する。
図６は、モデル送信処理の制御ルーチンを示すフローチャートである。本制御ルーチンはサーバ２のプロセッサ２４によって所定の実行間隔で繰り返し実行される。
最初に、ステップＳ２０１において、プロセッサ２４は、車両３から車両部品の識別情報を受信したか否かを判定する。車両部品の識別情報を受信しなかったと判定された場合、本制御ルーチンは終了する。一方、車両部品の識別情報を受信したと判定された場合、本制御ルーチンはステップＳ２０２に進む。
ステップＳ２０２では、プロセッサ２４は、車両部品の識別情報に基づいて交換後の車両部品を特定し、交換後の車両部品に対応するニューラルネットワークモデルを特定する。具体的には、プロセッサ２４は、サーバ２のストレージ装置２２に記憶された複数のニューラルネットワークモデルから、交換後の車両部品に対応する訓練データセットを用いて学習されたニューラルネットワークモデルを抽出する。交換後の車両部品に対応する訓練データセットでは、交換後の車両部品の出力値、交換後の車両部品への指令値等が入力データの実測値の一つとして用いられる。
次いで、ステップＳ２０３において、プロセッサ２４は、ステップＳ２０２において特定した新たなニューラルネットワークモデルを車両３に送信する。ステップＳ２０３の後、本制御ルーチンは終了する。
なお、図５のステップＳ１０５において、更新部５２は交換後の車両部品の識別情報及び車両３の識別情報（車名、型式等）をサーバ２に送信し、図６のステップＳ２０３において、サーバ２のプロセッサ２４は、新しいニューラルネットワークモデルとして、交換後の車両部品及び車両３の識別情報に対応するニューラルネットワークモデルを車両３に送信してもよい。このことによって、車両３の特性により適したニューラルネットワークモデルを車両３に適用することができ、ひいてはニューラルネットワークモデルの推定精度が低下することをより一層抑制することができる。
この場合、車両３の識別情報はＥＣＵ４０のメモリ４２等に予め記憶される。また、サーバ２では、車両の種類毎に生成されたニューラルネットワークモデル、例えば、車両の種類毎に用意されたエンジンベンチ等を用いて取得された入力データ及び出力データの実測値から作成された訓練データセットを用いて学習されたニューラルネットワークモデルがサーバ２のストレージ装置２２に予め記憶される。
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。例えば、車両３において用いられる機械学習モデルは、ランダムフォレスト、ｋ近傍法、サポートベクターマシン等のニューラルネットワーク以外の機械学習モデルであってもよい。
１ 機械学習システム
２ サーバ
２１ 通信インターフェース
２４ プロセッサ
３ 車両
３３ 通信モジュール
４０ 電子制御ユニット（ＥＣＵ）
５１ 推定部
５２ 更新部
５３ 部品情報取得部

Claims (4)

  1. 車両に設けられた機械学習装置であって、
    機械学習モデルを用いて所定の情報を推定する推定部と、
    前記機械学習モデルを更新する更新部と、
    車両部品の交換を検知すると共に交換後の車両部品の識別情報を取得する部品情報取得部とを備え、
    前記更新部は、前記機械学習モデルの入力データに関する車両部品が異なる構成の車両部品に交換された場合には、交換後の車両部品に対応する訓練データセットを用いて学習された新たな機械学習モデルをサーバから受信し、該新たな機械学習モデルを前記車両に適用する、機械学習装置。
  2. 前記更新部は前記交換後の車両部品の識別情報及び前記車両の識別情報を前記サーバに送信し、前記新たな機械学習モデルは、前記車両の識別情報に対応する機械学習モデルである、請求項１に記載の機械学習装置。
  3. 前記機械学習モデルはニューラルネットワークモデルである、請求項１又は２に記載の機械学習装置。
  4. サーバ及び車両を備える機械学習システムであって、
    前記サーバは、
    前記車両と通信可能な第１通信装置と、
    制御装置と
    を備え、
    前記車両は、
    前記サーバと通信可能な第２通信装置と、
    機械学習モデルを用いて所定の情報を推定する推定部と、
    前記機械学習モデルを更新する更新部と、
    車両部品の交換を検知すると共に交換後の車両部品の識別情報を取得する部品情報取得部とを備え、
    前記更新部は、前記機械学習モデルの入力データに関する車両部品が異なる構成の車両部品に交換された場合には、交換後の車両部品の識別情報を前記サーバに送信し、
    前記制御装置は、前記交換後の車両部品に対応する訓練データセットを用いて学習された新たな機械学習モデルを前記車両に送信し、
    前記更新部は前記新たな機械学習モデルを前記車両に適用する、機械学習システム。
JP2020139396A 2020-08-20 2020-08-20 機械学習装置及び機械学習システム Active JP6935837B1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2020139396A JP6935837B1 (ja) 2020-08-20 2020-08-20 機械学習装置及び機械学習システム
DE102021118572.6A DE102021118572A1 (de) 2020-08-20 2021-07-19 Maschinenlernvorrichtung und Maschinenlernsystem
US17/405,390 US11472420B2 (en) 2020-08-20 2021-08-18 Machine learning device and machine learning system
CN202110947766.0A CN114077193A (zh) 2020-08-20 2021-08-18 机器学习装置及机器学习***
US17/690,725 US20220194394A1 (en) 2020-08-20 2022-03-09 Machine learning device and machine learning system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020139396A JP6935837B1 (ja) 2020-08-20 2020-08-20 機械学習装置及び機械学習システム

Publications (2)

Publication Number Publication Date
JP6935837B1 true JP6935837B1 (ja) 2021-09-15
JP2022035227A JP2022035227A (ja) 2022-03-04

Family

ID=77657903

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020139396A Active JP6935837B1 (ja) 2020-08-20 2020-08-20 機械学習装置及び機械学習システム

Country Status (4)

Country Link
US (2) US11472420B2 (ja)
JP (1) JP6935837B1 (ja)
CN (1) CN114077193A (ja)
DE (1) DE102021118572A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114483271A (zh) * 2021-12-30 2022-05-13 特斯联科技集团有限公司 基于人工智能的车辆尾气余热回收***

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11720668B2 (en) * 2021-10-11 2023-08-08 Sift Science, Inc. Systems and methods for accelerated detection and replacement of anomalous machine learning-based digital threat scoring ensembles and intelligent generation of anomalous artifacts for anomalous ensembles

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1182137A (ja) * 1998-02-09 1999-03-26 Matsushita Electric Ind Co Ltd パラメータ推定装置
CN110996286A (zh) * 2019-11-28 2020-04-10 的卢技术有限公司 一种基于无线传感器的车辆控制方法和***
JP2020070774A (ja) * 2018-11-01 2020-05-07 トヨタ自動車株式会社 内燃機関の制御システム、電子制御ユニット、サーバ及び内燃機関の制御方法
US20200241543A1 (en) * 2017-09-29 2020-07-30 Volkswagen Aktiengesellschaft Method and System for Updating a Control Model for Automatic Control of at Least One Mobile Unit
JP2021033629A (ja) * 2019-08-23 2021-03-01 株式会社デンソーテン 制御装置および制御方法

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1185719A (ja) * 1997-09-03 1999-03-30 Matsushita Electric Ind Co Ltd パラメータ推定装置
JP4225645B2 (ja) * 1999-08-25 2009-02-18 株式会社日立製作所 車両用コントロールユニットのデータ書き換え装置
JP2008286251A (ja) 2007-05-15 2008-11-27 Toyota Motor Corp 学習制御装置
US9296267B2 (en) * 2013-07-15 2016-03-29 Continental Automotive Systems, Inc. Methods, systems and devices for recording and transmitting identification information of tire pressure monitoring sensors to a vehicle
US9296266B1 (en) * 2014-12-16 2016-03-29 E-Lead Electronic Co., Ltd. Method for correcting ID codes after installation of tire pressure sensors on a vehicle
DE102015213768B3 (de) * 2015-07-22 2016-10-06 Robert Bosch Gmbh Verfahren zum Ermitteln einer Drehmomentgenauigkeit eines von einem riemen-getriebenen Startergenerator einer Brennkraftmaschine auf die Brennkraftmaschine übertragenen Drehmoments, Recheneinheit und maschinenlesbares Speichermedium
US9902217B2 (en) * 2015-07-28 2018-02-27 Ford Global Technologies, Llc System and method for managing tire pressure for a trailer
US9898923B1 (en) * 2016-08-31 2018-02-20 Ecolink Intelligent Technology, Inc. In-field sensor programming
EP3566201A4 (en) 2016-12-22 2020-11-25 Xevo Inc. PROCESS AND SYSTEM FOR PROVIDING SERVICES OF ANALYSIS OF ARTIFICIAL INTELLIGENCE (AIA) FOR PERFORMANCE PREDICTION
US10497250B1 (en) 2017-09-27 2019-12-03 State Farm Mutual Automobile Insurance Company Real property monitoring systems and methods for detecting damage and other conditions
US10726638B2 (en) 2017-12-21 2020-07-28 Micron Technology, Inc. Providing autonomous vehicle maintenance
US11328210B2 (en) * 2017-12-29 2022-05-10 Micron Technology, Inc. Self-learning in distributed architecture for enhancing artificial neural network
US10887349B2 (en) * 2018-01-05 2021-01-05 Byton Limited System and method for enforcing security with a vehicle gateway
JP6956028B2 (ja) * 2018-02-22 2021-10-27 ファナック株式会社 故障診断装置及び機械学習装置
JP6477951B1 (ja) 2018-04-05 2019-03-06 トヨタ自動車株式会社 車載電子制御ユニット
CN112912902A (zh) * 2018-10-23 2021-06-04 Hrl实验室有限责任公司 人工神经网络和利用表观遗传神经发生训练人工神经网络的方法
CN109829479B (zh) * 2019-01-02 2022-06-21 大连理工大学 一种用于传感器的分类器模型信息自动更新***及传感器更换方法
JP7200694B2 (ja) 2019-01-23 2023-01-10 日本電信電話株式会社 センサノード、サーバ装置、識別システム、方法及びプログラム
JP7460044B2 (ja) 2019-03-29 2024-04-02 インテル・コーポレーション 自律車両、ならびに自律車両システムに係る装置、プログラム、およびコンピュータ可読媒体
JP2020203546A (ja) 2019-06-14 2020-12-24 株式会社シマノ 検出装置、検出方法、生成方法、コンピュータプログラム、および記憶媒体
CN111539474B (zh) * 2020-04-23 2022-05-10 大连理工大学 一种分类器模型迁移学习方法
JP7010343B1 (ja) 2020-08-20 2022-01-26 トヨタ自動車株式会社 機械学習装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1182137A (ja) * 1998-02-09 1999-03-26 Matsushita Electric Ind Co Ltd パラメータ推定装置
US20200241543A1 (en) * 2017-09-29 2020-07-30 Volkswagen Aktiengesellschaft Method and System for Updating a Control Model for Automatic Control of at Least One Mobile Unit
JP2020070774A (ja) * 2018-11-01 2020-05-07 トヨタ自動車株式会社 内燃機関の制御システム、電子制御ユニット、サーバ及び内燃機関の制御方法
JP2021033629A (ja) * 2019-08-23 2021-03-01 株式会社デンソーテン 制御装置および制御方法
CN110996286A (zh) * 2019-11-28 2020-04-10 的卢技术有限公司 一种基于无线传感器的车辆控制方法和***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114483271A (zh) * 2021-12-30 2022-05-13 特斯联科技集团有限公司 基于人工智能的车辆尾气余热回收***
CN114483271B (zh) * 2021-12-30 2022-09-30 特斯联科技集团有限公司 基于人工智能的车辆尾气余热回收***

Also Published As

Publication number Publication date
US20220194394A1 (en) 2022-06-23
DE102021118572A1 (de) 2022-02-24
JP2022035227A (ja) 2022-03-04
US11472420B2 (en) 2022-10-18
CN114077193A (zh) 2022-02-22
US20220055635A1 (en) 2022-02-24

Similar Documents

Publication Publication Date Title
JP6935837B1 (ja) 機械学習装置及び機械学習システム
CN113830097B (zh) 车辆、模型学习***以及服务器
JP7010343B1 (ja) 機械学習装置
JP2020144775A (ja) モデル集約装置及びモデル集約システム
US11820398B2 (en) Learning apparatus and model learning system
US11623652B2 (en) Machine learning method and machine learning system
JP6791347B1 (ja) モデル診断装置及びモデル診断システム
JP2022035222A (ja) 機械学習装置
JP6939963B1 (ja) モデル学習システム及びサーバ
JP6962435B1 (ja) 機械学習装置
KR20220075922A (ko) 차량 고장 여부를 예측하기 위한 인공 신경망 학습 방법, 차량 고장 여부 판단 방법, 및 이를 수행하는 컴퓨팅 시스템
CN114326697B (zh) 模型学习***、车辆的控制装置以及模型学习方法
US20220292350A1 (en) Model updating apparatus, model updating method, and model updating program
JP2022173803A (ja) 学習モデルのパラメータの値の授受装置及び授受システム
JP2022079938A (ja) 機械学習システム
Jurgen Electronic engine control technologies
JP2022076257A (ja) 機械学習システム、車両及びサーバ
JP2022007079A (ja) 車両

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210625

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20210625

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: 20210727

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210809

R151 Written notification of patent or utility model registration

Ref document number: 6935837

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151