JP6962435B1 - 機械学習装置 - Google Patents

機械学習装置 Download PDF

Info

Publication number
JP6962435B1
JP6962435B1 JP2020171862A JP2020171862A JP6962435B1 JP 6962435 B1 JP6962435 B1 JP 6962435B1 JP 2020171862 A JP2020171862 A JP 2020171862A JP 2020171862 A JP2020171862 A JP 2020171862A JP 6962435 B1 JP6962435 B1 JP 6962435B1
Authority
JP
Japan
Prior art keywords
vehicle
value
state parameter
detected
machine learning
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
JP2020171862A
Other languages
English (en)
Other versions
JP2022063545A (ja
Inventor
大樹 横山
大史 大八木
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 JP2020171862A priority Critical patent/JP6962435B1/ja
Priority to US17/497,168 priority patent/US11377110B2/en
Priority to CN202111174503.7A priority patent/CN114358107A/zh
Application granted granted Critical
Publication of JP6962435B1 publication Critical patent/JP6962435B1/ja
Publication of JP2022063545A publication Critical patent/JP2022063545A/ja
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
    • 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
    • B60W40/02—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 ambient conditions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/20—Ambient conditions, e.g. wind or rain

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Medical Informatics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

【課題】訓練データセットを構成する状態パラメータの値に異常が生じていても、学習モデルを適切に学習させる。【解決手段】車両２に特有の学習モデルを機械学習させる機械学習装置は、車両に設けられた検出器によって検出された状態パラメータの値を含む訓練データセットを用いて、学習モデルの機械学習を行う学習部１４６、３３３と、検出器によって検出された状態パラメータの値に異常が生じている場合に他車両により検出された状態パラメータの値を取得するパラメータ値取得部１４５、３３２と、を備える。学習部は、検出器によって検出された状態パラメータの値に異常が生じている場合には、検出器によって検出された状態パラメータの値の代わりにパラメータ値取得部によって他車両から取得された値を含む訓練データセットを用いて、学習モデルの機械学習を行う。【選択図】図７

Description

本開示は、車両に特有の学習モデルを機械学習させる機械学習装置に関する。ｓ
車両に関連する状態パラメータの値を取得すると共に、取得した状態パラメータの値を訓練データセットとして学習モデルの機械学習を行う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、機関回転速度、機関負荷率、及び排気浄化触媒の温度等の値を含む訓練データセットに基づいて排気浄化触媒の温度を出力する学習モデルの機械学習を行うことが提案されている。
特開２０１９−１８３６９８号公報
例えば訓練データセットを構成する状態パラメータの値をセンサによって検出しているような場合、このセンサに異常が発生すると斯かる状態パラメータの値を正確に検出することができない。このように訓練データセットを構成する状態パラメータの値に異常が生じている場合、斯かる訓練データセットを用いて学習モデルを機械学習させると、学習モデルを適切に学習させることができない。
上記課題に鑑みて、本開示の目的は、学習モデルを機械学習させるための訓練データセットを構成する状態パラメータの値に異常が生じている場合であっても、学習モデルを適切に機械学習させ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）車両に特有の学習モデルを機械学習させる機械学習装置であって、
前記車両に設けられた検出器によって検出された状態パラメータの値を含む訓練データセットを用いて、前記学習モデルの学習を行う学習部と、
前記検出器によって検出された前記状態パラメータの値に異常が生じている場合には、前記訓練データセットに含まれる前記状態パラメータの値が前記検出器によって検出されたときの検出条件に適合する条件にて他車両により検出された前記状態パラメータの値を取得するパラメータ値取得部と、を備え、
前記学習部は、前記検出器によって検出された前記状態パラメータの値に異常が生じている場合には、前記検出器によって検出された前記状態パラメータの値の代わりに前記パラメータ値取得部によって他車両から取得された値を含む訓練データセットを用いて、前記学習モデルの学習を行う、機械学習装置。
（２）当該機械学習装置は、前記車両に設けられ、
前記パラメータ値取得部は、前記他車両との車車間通信により、又は前記他車両と通信可能なサーバとの通信により、前記他車両により検出された前記状態パラメータの値を取得する、上記（１）に記載の機械学習装置。
（３）当該機械学習装置は、前記車両及び前記他車両と通信可能なサーバに設けられると共に、前記学習部によって学習された学習モデルの情報を前記車両に送信するモデル送信部を更に備え、
前記パラメータ値取得部は、前記他車両と前記サーバとの間の通信によって、前記他車両により検出された前記状態パラメータの値を前記他車両から取得し、
前記学習部は、前記他車両から取得した前記状態パラメータの値と、前記車両と前記サーバとの間の通信によって前記車両から送信された、前記状態パラメータ以外の、前記車両に関連する他の状態パラメータの値を含む訓練データセットを用いて、前記学習モデルの学習を行う、上記（１）に記載の機械学習装置。
（４）前記状態パラメータは、同一の検出条件下では、前記車両に関連する他の状態パラメータよりも車両間での差が小さい物理量である、上記（１）〜（３）のいずれか１つに記載の機械学習装置。
（５）前記状態パラメータは、車両の外部環境に関連する状態パラメータである、上記（１）〜（４）のいずれか１つに記載の機械学習装置。
（６）前記状態パラメータは、前記車両の周りの大気の温度、湿度及び大気圧の少なくともいずれか一つを含む、上記（５）に記載の機械学習装置。
（７）前記検出条件は、前記車両の訓練データセットを構成する前記状態パラメータの値が前記検出器によって検出された時間及び場所を含む、上記（１）〜（６）のいずれか１つに記載の機械学習装置。
本開示によれば、学習モデルを機械学習させるための訓練データセットを構成する状態パラメータの値に異常が生じている場合であっても、学習モデルを適切に機械学習させることができる機械学習装置が提供される。
図１は、第一実施形態に係る機械学習システムの概略的な構成図である。 図２は、車両のハードウェア構成を概略的に示す図である。 図３は、自車両のプロセッサの機能ブロック図である。 図４は、サーバのハードウェア構成を概略的に示す図である。 図５は、サーバのプロセッサの機能ブロック図である。 図６は、単純な構成を有するＮＮモデルの一例を示す。 図７は、機械学習システムによって行われる学習処理の動作シーケンス図である。 図８は、自車両のプロセッサの機能ブロック図である。 図９は、サーバのプロセッサの機能ブロック図である。 図１０は、機械学習システムによって行われる学習処理の動作シーケンス図である。
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＞
≪機械学習システムの構成≫
まず、図１〜図７を参照して、第一実施形態に係る機械学習システム１について説明する。図１は、第一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、各車両に特有の学習モデルを、各車両の状態を表す状態パラメータを用いて機械学習させる。
図１に示したように、機械学習システム１は、通信可能な複数の車両２と、サーバ３とを備える。複数の車両２のそれぞれとサーバ３とは、光通信回線などで構成される通信ネットワーク４と、通信ネットワーク４にゲートウェイ（図示せず）を介して接続される無線基地局５とを介して、相互に通信可能に構成される。車両２と無線基地局５との通信は、任意の通信規格に準拠した通信である。なお、以下の説明では、車両２のうち、機械学習システム１により機械学習が行われた学習モデルを用いる１つの車両を自車両２ａと称し、自車両２ａ以外の車両を他車両２ｂと称する。
図２は、車両２のハードウェア構成を概略的に示す図である。図２に示したように、車両２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２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。
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３は、自車両２ａのプロセッサ１４の機能ブロック図である。図３に示したように、プロセッサ１４は、学習モデルを用いて自車両２ａの制御機器２２を制御する制御部１４１と、学習モデルの機械学習に用いる訓練データセットをサーバ３に送信するデータ送信部１４２と、制御部１４１において用いられる学習モデルを更新するモデル更新部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。自車両２ａ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２に示したように、車両２は、更に、車外通信モジュール２１、複数の制御機器２２及び複数のセンサ２３を備える。車外通信モジュール２１、制御機器２２及びセンサ２３は、車内ネットワーク１５を介してＥＣＵ１１に接続される。
車外通信モジュール２１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２１は、例えば、サーバ３及び他車両２ｂと通信を行うための機器である。車外通信モジュール２１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３と通信する。
制御機器２２は、車両２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２２は、例えば、内燃機関の吸気通路に設けられたスロットル弁の開度を調整するスロットル弁の駆動アクチュエータ、内燃機関の燃焼室に燃料を供給するインジェクタ、内燃機関のＥＧＲ率を制御するＥＧＲ弁の駆動アクチュエータ、空調機器のブロワ、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などを含む。これら制御機器２２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２３は、車両２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２３は、例えば、内燃機関に供給される吸入空気量を検出する空気量センサ、内燃機関のインジェクタからの燃料噴射圧を検出する噴射圧センサ、排気ガスの温度を検出する排気温度センサ、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、車両２の自己位置を検出する自己位置センサ（例えば、ＧＰＳ）などを含む。さらに、センサ２３は、例えば、車両２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２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２の周りの大気圧を検出する大気圧センサ、車両２の室内の温度（室内温度）を検出する車内温度センサ、車両２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。これらセンサ２３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。
サーバ３は、車両２の外部に設けられ、通信ネットワーク４及び無線基地局５を介して、特定の地域内を走行中の車両２と通信を行う。サーバ３は、特定の地域内で走行中の車両２から各種情報を受信する。
図４は、サーバ３のハードウェア構成を概略的に示す図である。サーバ３は、図４に示したように、外部通信モジュール３１と、ストレージ装置３２と、プロセッサ３３とを備える。また、サーバ３は、キーボード及びマウスといった入力装置、及び、ディスプレイといった出力装置を有していてもよい。
外部通信モジュール３１は、サーバ３外の機器と通信を行う通信部の一例である。外部通信モジュール３１は、サーバ３を通信ネットワーク４に接続するためのインターフェース回路を備える。外部通信モジュール３１は、通信ネットワーク４及び無線基地局５を介して、複数の車両２それぞれと通信可能に構成される。
ストレージ装置３２は、データを記憶する記憶部の一例である。ストレージ装置３２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）又は光記録媒体を備える。ストレージ装置３２は、プロセッサ３３によっ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３３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を記憶する。
プロセッサ３３は、一つ又は複数のＣＰＵ及びその周辺回路を有する。プロセッサ３３は、更にＧＰＵ、又は論理演算ユニット若しくは数値県債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３３は、ストレージ装置３２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。本実施形態では、サーバ３のプロセッサ３３が、学習モデルを機械学習させる機械学習装置として機能する。
図５は、サーバ３のプロセッサ３３の機能ブロック図である。図５に示したように、プロセッサ３３は、自車両２ａから送信された訓練データセットを構成する状態パラメータのうち異常が生じている状態パラメータを特定する異常パラメータ特定部３３１と、異常が生じている状態パラメータの値を自車両２ａとは異なる他車両２ｂから取得するパラメータ値取得部３３２と、学習モデルの機械学習を行う学習部３３３と、機械学習された学習モデルを自車両２ａに送信するモデル送信部３３４とを備える。プロセッサ３３が有するこれら機能ブロックは、例えば、プロセッサ３３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３３が有するこれら機能ブロックは、プロセッサ３３に設けられる専用の演算回路であってもよい。サーバ３のプロセッサ３３の各機能ブロックの詳細については後述する。
≪学習モデル≫
本実施形態では、自車両２ａの制御部１４１において、自車両２ａに搭載された制御機器２２を制御するにあたり、機械学習によって機械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６を参照して、ＮＮモデルの概要について説明する。図６は、単純な構成を有するＮＮモデルの一例を示す。
図６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６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６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６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 0006962435
 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が入力層から入力されると、入力パラメータに対応する一又は複数の出力パラメータ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、吸入空気量、燃料噴射量、燃料噴射時期、燃料噴射圧、ＥＧＲ率を、入力パラメータの値として入力すると、排気ガスの温度を出力パラメータの値として出力するモデルが用いられる。自車両２ａの制御部１４１では、センサ２３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排気ガスの温度が出力される。制御部１４１は、出力された排気ガスの温度に基づいて、内燃機関に関する制御機器２２を制御する。ここで、排気ガスの温度を検出する排気温度センサには応答遅れがあるため、排気温度センサの出力に基づいて内燃機関の制御を行うと内燃機関を必ずしも適切に制御することができなかった。これに対して、学習モデルを用いた排気ガスの温度の算出には遅れが生じないため、学習モデルによって算出された排気ガスの温度を用いて内燃機関を制御することにより、内燃機関をより適切に制御することができる。
或いは、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の値として入力すると、空調装置の目標温度を出力パラメータの値として出力するモデルが用いられてもよい。この場合、自車両２ａの制御部１４１では、センサ２３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２２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、吸入空気量、吸気温度、燃料噴射圧、燃料噴射時期、燃料噴射量、空燃比、点火時期、機関冷却水温度、過給圧といった、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、排気浄化触媒の温度、排気ガス中のＮＯｘの濃度、機関出力トルク、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）の機械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モデルの機械学習を行う必要がある。そこで、本実施形態では、サーバ３の学習部３３３がＮＮモデルの機械学習を行う。まず、学習部３３３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モデルの機械学習では、車両２に設けられたセンサ２３によって検出された状態パラメータの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、自車両２ａのセンサ２３によって検出された値又はＥＣＵ１１から制御機器２２への制御指令値である。また、本実施形態では、サーバ３にてＮＮモデルの機械学習を行うにあたって、自車両２ａからサーバ３へ訓練データセットとして用いられる実測値が送信される。
サーバ３の学習部３３３は、自車両２ａ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モデルの機械学習を行う。ＮＮモデルの機械学習にあたっては、学習部３３３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、公知の誤差逆伝搬法によって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、サーバのストレージ装置３２に記憶され、サーバ３から自車両２ａに送信される。
≪状態パラメータの値に異常が生じている場合の学習≫
ところで、訓練データセットを構成する状態パラメータの値を検出するセンサ２３に例えば故障などの異常が発生すると、センサ２３の出力に誤差が発生したりセンサ２３が信号を出力しなくなったりする。このように異常が発生しているセンサ２３の出力を用いて学習モデルの機械学習を行うと、学習モデルを適切に機械学習させることができない。
そこで、本実施形態では、センサ２３によって検出された状態パラメータの値に異常が生じている場合には、その状態パラメータの値を、自車両２ａと同一の地域内にある他車両２ｂから取得すると共に、センサ２３によって検出された状態パラメータの値の代わりに他車両２ｂから取得した値を含む訓練データセットを用いて、学習モデルを機械学習させるようにしている。以下では、図７を参照して、センサ２３によって検出された状態パラメータの値に異常が生じている場合における学習モデルの機械学習について具体的に説明する。
図７は、機械学習システム１によって行われる学習処理の動作シーケンス図である。特に、図７は、自車両２ａの外気温度センサに異常が生じている場合に、自車両２ａの制御機器２２を制御するときに用いられる学習モデルを機械学習させる際の動作シーケンス図である。
図７に示したように、他車両２ｂは、それぞれ、外気温度を含む状態パラメータの値と、このときの検出条件とを定期的に検出する（ステップＳ１１）。状態パラメータの値は、他車両２ｂのセンサ２３によって検出される。特に、状態パラメータのうち外気温度は、外気温度センサによって検出される。また、検出条件は、センサ２３によって各状態パラメータの値が検出されたときの条件を表しており、本実施形態では各状態パラメータの値が検出された時間及び場所を含む。各状態パラメータの値が検出された時間は、時計として機能する他車両２ｂのＥＣＵ１１から取得される。また、各状態パラメータの値が検出された場所は、自己位置センサによって検出される。なお、検出条件は、例えばレインセンサによって検出された降水量や、車両の型式など、様々な他の条件を含んでいてもよい。
他車両２ｂのプロセッサ１４は、検出された各状態パラメータの値と各状態パラメータが検出された検出条件とをメモリ１３に記憶させる。加えて、他車両２ｂのプロセッサ１４のデータ送信部１４２は、メモリ１３に記憶された検出条件及び検出された状態パラメータの種類を、一定の時間間隔毎に、車外通信モジュール２１を介してサーバ３に送信する。サーバ３は、受信した検出条件及び状態パラメータの種類をストレージ装置３２に記憶する。
一方、自車両２ａは、学習モデルを機械学習させるのに用いられる状態パラメータの値と、このときの検出条件とを定期的に検出する（ステップＳ１２）。状態パラメータの値は、自車両２ａのセンサ２３によって検出され、検出条件はＥＣＵ１１から取得されるか又はセンサ２３によって検出される。なお、図７に示した例では、自車両２ａの外気温度センサに異常が生じているため、外気温度センサによって検出された外気温度には大きな誤差が生じている。
自車両２ａのプロセッサ１４は、検出された複数の状態パラメータの時系列的な値と状態パラメータの各値が検出された検出条件とをメモリ１３に記憶させる。加えて、自車両２ａのデータ送信部１４２は、機械学習に必要な数の状態パラメータの値が検出されてメモリ１３に記憶されると、メモリ１３に記憶された複数の状態パラメータの時系列的な値をまとめて訓練データセットしてサーバ３に送信すると共に、状態パラメータの各値の検出条件をサーバ３に送信する。サーバ３は、受信した訓練データセット及び検出条件をストレージ装置３２に記憶する。なお、自車両２ａのデータ送信部１４２は、状態パラメータの値及び検出条件が検出される度にこれらをサーバ３に送信してもよい。
機械学習に必要な数の状態パラメータの値が訓練データセットとしてストレージ装置３２に記憶されると、サーバ３の異常パラメータ特定部３３１が、訓練データセットにおける異常が生じている状態パラメータの有無を判定し、異常が生じている状態パラメータが有る場合にはその状態パラメータを特定する（ステップＳ１３）。異常パラメータ特定部３３１は、状態パラメータの値が、起こりえないような異常な値である場合（例えば、外気温度が冬に５０℃を超えていることが検出されている場合）、状態パラメータの値が一定値に固定されている場合（例えば、外気温度が一日中２５℃に固定されていることが検出されている場合）、またはセンサから信号が出力されていなくて状態パラメータの値が欠損している場合に、その状態パラメータの値に異常が生じていると判断する。異常パラメータ特定部３３１において異常が生じている状態パラメータはないと判定された場合には、サーバ３は、後述するステップＳ１６にて学習モデルの機械学習を行う。
なお、本実形態では、サーバ３の異常パラメータ特定部３３１が、異常が生じているパラメータを特定している。しかしながら、異常が生じているパラメータの特定は別の方法によって行われてもよい。例えば、自車両２ａのプロセッサ１４は、自車両２ａに搭載されているセンサ２３の故障診断を行うことができる場合には、故障と診断されたセンサ２３によって検出される状態パラメータを異常が生じている状態パラメータとして特定してもよい。この場合、自車両２ａのプロセッサ１４が、異常パラメータ特定部３３１として機能し、データ送信部１４２は状態パラメータの値及び検出条件に加えて、異常が生じているパラメータの種類もサーバ３に送信する。
異常パラメータ特定部３３１によって異常が生じている状態パラメータ（以下、「異常発生状態パラメータ」という。図７に示した例では、外気温度）が特定されると、サーバ３のパラメータ値取得部３３２は、この異常発生状態パラメータの値を他車両２ｂから取得する。特に、本実施形態では、パラメータ値取得部３３２は、訓練データセットを構成する状態パラメータの値を自車両２ａにおいて検出したときの検出条件に適合する条件にて他車両２ｂにより検出された異常発生状態パラメータの値を他車両２ｂから取得する。
このため、サーバ３のパラメータ値取得部３３２は、センサ２３によって検出される状態パラメータに異常が生じていることが特定された場合、異常発生状態パラメータの値を取得する他車両２ｂを特定する（ステップＳ１４）。パラメータ値取得部３３２は、検出条件を送信してきた多数の他車両２ｂのうち、自車両２ａにおいて異常発生状態パラメータの値を検出したときの検出条件と適合する検出条件を送信した他車両２ｂを検索する。具体的には、例えば、自車両２ａにおいて訓練データセットに含まれる状態パラメータの値が検出された時間及び場所と一致度の最も高い時間及び場所において状態パラメータの検出を行っていた他車両２ｂが、異常発生状態パラメータの値を取得する他車両２ｂとして特定される。
パラメータ値取得部３３２は、異常発生状態パラメータの値を取得する他車両２ｂを特定すると、この他車両２ｂに異常発生状態パラメータ（すなわち、外気温度）の値の送信を要求する。特に、パラメータ値取得部３３２は、訓練データセットの検出条件に適合する検出条件において、特定した他車両２ｂにて検出された異常発生状態パラメータの値の送信を要求する信号を、外部通信モジュール３１を介して、この他車両２ｂに送信する。
他車両２ｂのプロセッサ１４は、異常発生状態パラメータの値の送信が要求されると、訓練データセットの検出条件に適合する検出条件にて検出された異常発生状態パラメータの値をメモリ１３から取得する（ステップＳ１５）。そして、他車両２ｂのプロセッサ１４は、取得した異常発生状態パラメータの値を、車外通信モジュール２１を介してサーバ３に送信する。サーバ３のパラメータ値取得部３３２は、このようにして、他車両２ｂとのサーバ３との間の通信を介して、他車両２ｂにより検出された異常発生状態パラメータの値を取得する。したがって、サーバ３のパラメータ値取得部３３２は、センサ２３によって検出された或る状態パラメータ（異常発生状態パラメータ）の値に異常が生じている場合には、自車両２ａの訓練データセットに含まれる異常発生状態パラメータの値がセンサ２３によって検出されたときの検出条件に適合する条件にて他車両２ｂにより検出された異常発生状態パラメータの値を取得する。
サーバ３の学習部３３３は、自車両２ａによって作成された訓練データセットや他車両２ｂから送信された異常発生状態パラメータの値を用いて、学習モデルの機械学習を行う（ステップＳ１６）。学習部３３３は、異常パラメータ特定部３３１において異常が生じている状態パラメータはないと判定された場合には、自車両２ａから送信された訓練データセットのみを用いて、上述した学習手法により学習モデルの機械学習を行う。一方、学習部３３３は、異常パラメータ特定部３３１において異常発生状態パラメータが特定されている場合には、自車両２ａのセンサ２３によって検出された異常発生状態パラメータの値の代わりにパラメータ値取得部３３２によって他車両２ｂから取得された異常発生状態パラメータの値を含む訓練データセットを用いて、上述した学習手法にて学習モデルの機械学習を行う。すなわち、学習部３３３は、この場合には、パラメータ値取得部３３２によって他車両２ｂから取得された異常発生状態パラメータの値と、自車両２ａのセンサ２３によって検出されて自車両２ａから送信された、異常発生状態パラメータ以外の他の状態パラメータの値とを含む訓練データセットを用いて、学習モデルの機械学習を行う。具体的には、本実施形態では、訓練データセットは、自車両２ａの大気温度センサによって検出された大気温度のデータの代わりに、パラメータ値取得部３３２によって他車両２ｂから取得された大気温度のデータを含み、且つ自車両２ａのその他のセンサ（例えば、空気量センサ、噴射圧センサ）によって検出されたその他の状態パラメータ（例えば、吸入空気量、燃料噴射圧）のデータやＥＣＵ１１から制御機器２２への制御指令値であるその他の状態パラメータ（例えば、燃料噴射量、燃料噴射時期）のデータを含む。
学習部３３３は、学習モデルの機械学習が完了すると、学習済みの学習モデルの情報をサーバ３のストレージ装置３２に記憶させる。また、学習モデルの機械学習が完了すると、サーバ３のモデル送信部３３４は、学習済みの学習モデルの情報（例えば、更新された重みｗやバイアスｂ）を自車両２ａに送信する。
自車両２ａのモデル更新部１４３は、学習済みの学習モデルの情報を受信すると、自車両２ａのメモリ１３に記憶されている学習モデルの情報を更新する（ステップＳ１７）。これにより、制御部１４１が、その後に学習モデルを用いて制御機器２２の制御を行う際には、更新された学習モデルに基づいて制御機器２２の制御が行われる。
≪効果及び変形例≫
上記実施形態によれば、例えば自車両２ａのセンサ２３に故障などの異常が発生することによって、訓練データセットを構成する状態パラメータの値に異常が生じると、この異常が生じている異常発生状態パラメータの値の代わりに他車両２ｂによって検出された異常発生状態パラメータの値を含む訓練データセットを用いて、学習モデルの機械学習が行われる。この結果、上記実施形態によれば、自車両２ａのセンサ２３によって検出された状態パラメータの値に異常があっても、この状態パラメータの値が比較的正確である訓練データセットを用いて学習モデルの機械学習が行われる。したがって、学習モデルを機械学習させるための訓練データセットを構成する状態パラメータの値に異常が生じている場合であっても、学習モデルを適切に機械学習させることができる。
また、本実施形態では、サーバ３において学習モデルの機械学習が行われる。したがって、計算負荷の高い学習処理を自車両２ａで行う必要がないため、自車両２ａのプロセッサ１４の処理能力をそれほど高くする必要はなく、よって自車両２ａの製造コストを低減することができる。
なお、上記実施形態では、外気温度センサが故障して、外気温度センサによって検出された外気温度に異常が生じている場合に学習モデルの機械学習を行った例を示している。しかしながら、上述した学習モデルの学習手法は、外気温度センサ以外のセンサ２３が故障して、外気温度以外の状態パラメータの値に異常が生じている場合にも適用することができる。
特に、上述したような学習モデルの学習手法は、同様な検出条件下では車両２が異なっても同様な値を示すような状態パラメータの値に異常が生じている場合に適用することができる。したがって、上述したような学習モデルの学習手法は、自車両２ａに関連する状態パラメータのうち、同一の検出条件下では他の状態パラメータよりも車両２間での差が小さい物理量を表す状態パラメータについて、自車両２ａのセンサ２３によって検出された値に異常があるときに適用することができる。特に、自車両２ａの周りの外部環境は自車両２ａと自車両２ａの周りの他車両２ｂとの間で検出値はほぼ同一であるため、上述したような学習モデルの学習手法は、自車両２ａのセンサ２３によって検出された、自車両２ａの周りの外部環境に関連する状態パラメータの値に異常があるときに適用することができる。斯かる状態パラメータとしては、自車両２ａの周りの大気温度の他に、例えば、自車両２ａの周りの大気の湿度、大気圧が挙げられる。
また、上記実施形態では、他車両２ｂは、ステップＳ１１において検出された状態パラメータの種類及び検出条件をサーバ３に送信している。しかしながら、他車両２ｂは、ステップＳ１１において検出された状態パラメータの値及び検出条件をサーバ３に送信してもよい。この場合、他車両２ｂにおいて検出された状態パラメータの値はサーバ３のストレージ装置３２に記憶されることになる。したがって、サーバ３は、ステップＳ１４において他車両２ｂが特定されると、他車両２ｂに異常発生状態パラメータの値の送信を要求せずに、ストレージ装置３２から、他車両２ｂにて検出された異常発生状態パラメータの値を取得する。
加えて、サーバ３において機械学習が行われる学習モデルは、ランダムフォレスト、ｋ近傍法、サポートベクターマシンなど、ニューラルネットワーク以外を用いた機械学習モデルであってもよい。
＜第二実施形態＞
次に、図８〜図１０を参照して、第二実施形態に係る機械学習システム１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システムと異なる点について説明する。
本実施形態では、自車両２ａのプロセッサ１４が、学習モデルを機械学習させる機械学習装置として機能する。図８は、第二実施形態に係る自車両２ａのプロセッサ１４の機能ブロック図である。図８に示したように、プロセッサ１４は、学習モデルを用いて自車両２ａの制御機器２２を制御する制御部１４１と、自車両２ａによって作成された訓練データセットを構成する状態パラメータのうち異常が生じている状態パラメータを特定する異常パラメータ特定部１４４と、異常が生じている状態パラメータの値を自車両２ａとは異なる他車両２ｂから取得するパラメータ値取得部１４５と、学習モデルの学習を行う学習部１４６と、制御部１４１において用いられる学習モデルを更新するモデル更新部１４３とを備える。
図９は、第二実施形態に係るサーバ３のプロセッサ３３の機能ブロック図である。図９に示したように、プロセッサ３３は、異常発生パラメータの値を取得する他車両２ｂを特定する車両特定部３３５と、他車両２ｂから取得した異常発生状態パラメータの値を自車両２ａに送信するパラメータ値送信部３３６とを備える。
図１０は、第二実施形態に係る機械学習システム１によって行われる学習処理の動作シーケンス図である。特に、図１０は、自車両２ａの外気温度センサに異常が生じている場合に、自車両２ａの制御機器２２を制御するのに用いられる学習モデルを機械学習させる際の動作シーケンス図である。
図１０に示したように、他車両２ｂは、図７のステップＳ１１と同様に、外気温度を含む状態パラメータの値と、このときの検出条件とを定期的に検出し、メモリ１３に記憶する（ステップＳ２１）。そして、他車両２ｂのプロセッサ１４のデータ送信部１４２は、メモリ１３に記憶された検出条件及び検出された状態パラメータの種類を、一定の時間間隔毎に、車外通信モジュール２１を介してサーバ３に送信する。
一方、自車両２ａは、図７のステップＳ１２と同様に、学習モデルを機械学習させるのに用いられる状態パラメータの値と、このときの検出条件とを定期的に検出し、メモリ１３に記憶する（ステップＳ２２）。自車両２ａのプロセッサ１４は、学習に必要な数の状態パラメータの値が検出されてメモリ１３に記憶されると、メモリ１３に記憶された複数の状態パラメータの時系列的な値をまとめて訓練データセットを作成する。
自車両２ａのプロセッサ１４の異常パラメータ特定部１４４は、訓練データセットが作成されると、図７のステップＳ１３と同様に、訓練データセットにおける異常が生じている状態パラメータ（異常発生状態パラメータ）の有無を判定し、異常発生状態パラメータ（本例では、外気温度）が有る場合にはその状態パラメータを特定する（ステップＳ２３）。
異常パラメータ特定部１４４によって異常発生状態パラメータが特定されると、自車両２ａのパラメータ値取得部１４５は、この異常発生状態パラメータの値を他車両２ｂから取得する。特に、本実施形態では、パラメータ値取得部１４５は、訓電データセットを構成する状態パラメータの値を自車両２ａにおいて検出したときの検出条件に適合する条件にて他車両２ｂにより検出された異常発生状態パラメータの値を他車両２ｂから取得する。
このため、まず、パラメータ値取得部１４５は、センサ２３によって検出される状態パラメータに異常が生じていることが特定されると、異常のある状態パラメータの種類及び検出条件をサーバ３に送信する。
サーバ３の車両特定部３３５は、自車両２ａから異常発生状態パラメータの種類及び検出条件が送信されると、図７のステップＳ１４と同様に、異常発生状態パラメータの値を取得する他車両２ｂを特定する（ステップＳ２４）。車両特定部３３５は、検出条件を送信してきた多数の他車両２ｂのうち、自車両２ａにおいて異常発生状態パラメータの値を検出したときの検出条件と適合する検出条件を送信した他車両２ｂを検索する。車両特定部３３５は、異常発生状態パラメータの値を取得する他車両２ｂを特定すると、この他車両２ｂに異常発生状態パラメータ（すなわち、外気温度）の値の送信を要求する。
他車両２ｂのプロセッサ１４は、異常発生状態パラメータの値の送信が要求されると、図７のステップＳ１５と同様に、訓練データセットの検出条件に適合する検出条件にて検出された異常発生状態パラメータの値をメモリ１３から取得する（ステップＳ２５）。そして、他車両２ｂのプロセッサ１４は、取得した異常発生状態パラメータの値をサーバ３に送信する。サーバ３のパラメータ値送信部３３６は、他車両２ｂから異常発生状態パラメータの値を受信すると、この異常発生状態パラメータの値を自車両２ａに送信する。自車両２ａのパラメータ値取得部１４５は、このようにして、他車両２ｂと通信可能なサーバ３と自車両２ａとの間の通信を介して、他車両２ｂにより検出された異常発生状態パラメータの値を取得する。したがって、自車両２ａのパラメータ値取得部１４５は、センサ２３によって検出された或る状態パラメータ（異常発生状態パラメータ）の値に異常が生じている場合には、自車両２ａの訓練データセットに含まれる異常発生状態パラメータの値がセンサ２３によって検出されたときの検出条件に適合する条件にて他車両２ｂにより検出された異常発生状態パラメータの値を取得する。
自車両２ａの学習部１４６は、図７のステップＳ１６と同様に、自車両２ａによって作成された訓練データセットや他車両２ｂから送信された異常発生状態パラメータの値を用いて、学習モデルの機械学習を行う（ステップＳ２６）。学習部１４６は、異常パラメータ特定部１４４において異常発生状態パラメータはないと判定された場合には、自車両２ａによって作成された訓練データセットのみを用いて、上述した学習手法により学習モデルの機械学習を行う。一方、学習部１４６は、異常パラメータ特定部１４４において異常発生状態パラメータが特定されている場合には、自車両２ａのセンサ２３によって検出された異常発生状態パラメータの値の代わりにパラメータ値取得部１４５によって他車両２ｂから取得された異常発生状態パラメータの値を含む訓練データセットを用いて、上述した学習手法にて学習モデルの機械学習を行う。すなわち、学習部１４６は、この場合には、パラメータ値取得部１４５によって他車両２ｂから取得された異常発生状態パラメータの値と、自車両２ａのセンサ２３によって検出された、異常発生状態パラメータ以外の他の状態パラメータの値とを含む訓練データセットを用いて、学習モデルの機械学習を行う。
自車両２ａのモデル更新部１４３は、学習モデルの機械学習が完了すると、自車両２ａのメモリ１３に記憶されている学習モデルの情報（例えば、重みｗやバイアスｂ）を更新する（ステップＳ２７）。これにより、制御部１４１が、その後に学習モデルを用いて制御機器２２の制御を行う際には、更新された学習モデルに基づいて制御機器２２の制御が行われる。
≪効果及び変形例≫
本実施形態では、自車両２ａにおいて学習モデルの機械学習が行われる。全ての車両２の学習モデルの機械学習をサーバ３にて行うとサーバ３における計算負荷が極めて高くなるところ、本実施形態では、自車両２ａにて学習モデルの機械学習が行われることから、サーバ３における計算負荷を低減させることができる。
なお、上記実施形態では、自車両２ａのパラメータ値取得部１４５は、他車両２ｂと通信可能なサーバ３と自車両２ａとの間の通信を介して、他車両２ｂにより検出された異常発生状態パラメータの値を取得する。しかしながら、自車両２ａのパラメータ値取得部１４５は、自車両２ａと他車両２ｂとの間の車車間通信を介して、他車両２ｂにより検出された異常発生状態パラメータの値を取得してもよい。この場合、他車両２ｂのプロセッサ１４は、ステップＳ２５において異常発生状態パラメータの値をメモリ１３から取得すると、取得した異常発生状態パラメータの値を車車間通信を介して自車両２ａに直接送信する。
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。
１ 機械学習システム
２ 車両
３ サーバ
１１ ＥＣＵ
１４ プロセッサ
３３ プロセッサ

Claims (7)

  1. 車両に特有の学習モデルを機械学習させる機械学習装置であって、
    前記車両に設けられた検出器によって検出された状態パラメータの値を含む訓練データセットを用いて、前記学習モデルの機械学習を行う学習部と、
    前記検出器によって検出された前記状態パラメータの値に異常が生じている場合には、前記訓練データセットに含まれる前記状態パラメータの値が前記検出器によって検出されたときの検出条件に適合する条件にて他車両により検出された前記異常が生じている状態パラメータの値を取得するパラメータ値取得部と、を備え、
    前記学習部は、前記検出器によって検出された前記状態パラメータの値に異常が生じている場合には、前記検出器によって検出された前記異常が生じている状態パラメータの値の代わりに前記パラメータ値取得部によって他車両から取得された値を含む訓練データセットを用いて、前記学習モデルの機械学習を行う、機械学習装置。
  2. 当該機械学習装置は、前記車両に設けられ、
    前記パラメータ値取得部は、前記他車両との車車間通信により、又は前記他車両と通信可能なサーバとの通信により、前記他車両により検出された前記異常が生じている状態パラメータの値を取得する、請求項１に記載の機械学習装置。
  3. 当該機械学習装置は、前記車両及び前記他車両と通信可能なサーバに設けられると共に、前記学習部によって機械学習された学習モデルの情報を前記車両に送信するモデル送信部を更に備え、
    前記パラメータ値取得部は、前記他車両と前記サーバとの間の通信によって、前記他車両により検出された前記異常が生じている状態パラメータの値を前記他車両から取得し、
    前記学習部は、前記他車両から取得した前記異常が生じている状態パラメータの値と、前記車両と前記サーバとの間の通信によって前記車両から送信された、前記異常が生じている状態パラメータ以外の、前記車両に関連する他の状態パラメータの値を含む訓練データセットを用いて、前記学習モデルの機械学習を行う、請求項１に記載の機械学習装置。
  4. 前記異常が生じている状態パラメータは、同一の検出条件下では、前記訓練データセットにおいて用いられる他の状態パラメータよりも車両間での差が小さい物理量である、請求項１〜３のいずれか１項に記載の機械学習装置。
  5. 前記異常が生じている状態パラメータは、車両の外部環境に関連する状態パラメータである、請求項１〜４のいずれか１項に記載の機械学習装置。
  6. 前記異常が生じている状態パラメータは、前記車両の周りの大気の温度、湿度及び大気圧の少なくともいずれか一つを含む、請求項５に記載の機械学習装置。
  7. 前記検出条件は、前記車両の訓練データセットを構成する前記状態パラメータの値が前記検出器によって検出された時間及び場所を含む、請求項１〜６のいずれか１項に記載の機械学習装置。
JP2020171862A 2020-10-12 2020-10-12 機械学習装置 Active JP6962435B1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2020171862A JP6962435B1 (ja) 2020-10-12 2020-10-12 機械学習装置
US17/497,168 US11377110B2 (en) 2020-10-12 2021-10-08 Machine learning device
CN202111174503.7A CN114358107A (zh) 2020-10-12 2021-10-09 机器学习装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020171862A JP6962435B1 (ja) 2020-10-12 2020-10-12 機械学習装置

Publications (2)

Publication Number Publication Date
JP6962435B1 true JP6962435B1 (ja) 2021-11-05
JP2022063545A JP2022063545A (ja) 2022-04-22

Family

ID=78409824

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020171862A Active JP6962435B1 (ja) 2020-10-12 2020-10-12 機械学習装置

Country Status (3)

Country Link
US (1) US11377110B2 (ja)
JP (1) JP6962435B1 (ja)
CN (1) CN114358107A (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002215646A (ja) * 2001-01-22 2002-08-02 Nec Corp 欠損データ補完方法及び欠損データ補完システム
JP2009134470A (ja) * 2007-11-29 2009-06-18 Fujitsu Ltd 故障原因推測方法、故障原因推測プログラム、及び故障原因推測装置
CN111445694A (zh) * 2020-03-04 2020-07-24 青岛海信网络科技股份有限公司 一种基于交通流量预测的节假日交通调度方法及装置
JP2020144775A (ja) * 2019-03-08 2020-09-10 トヨタ自動車株式会社 モデル集約装置及びモデル集約システム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10489992B2 (en) * 2017-05-08 2019-11-26 Lear Corporation Vehicle communication network
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
KR102555374B1 (ko) * 2018-12-27 2023-07-14 삼성전자주식회사 전자 장치 및 그 제어 방법
US11507084B2 (en) * 2019-03-27 2022-11-22 Intel Corporation Collaborative 3-D environment map for computer-assisted or autonomous driving vehicles

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002215646A (ja) * 2001-01-22 2002-08-02 Nec Corp 欠損データ補完方法及び欠損データ補完システム
JP2009134470A (ja) * 2007-11-29 2009-06-18 Fujitsu Ltd 故障原因推測方法、故障原因推測プログラム、及び故障原因推測装置
JP2020144775A (ja) * 2019-03-08 2020-09-10 トヨタ自動車株式会社 モデル集約装置及びモデル集約システム
CN111445694A (zh) * 2020-03-04 2020-07-24 青岛海信网络科技股份有限公司 一种基于交通流量预测的节假日交通调度方法及装置

Also Published As

Publication number Publication date
JP2022063545A (ja) 2022-04-22
US20220111850A1 (en) 2022-04-14
CN114358107A (zh) 2022-04-15
US11377110B2 (en) 2022-07-05

Similar Documents

Publication Publication Date Title
US20220194394A1 (en) Machine learning device and machine learning system
CN113830097B (zh) 车辆、模型学习***以及服务器
US11675999B2 (en) Machine learning device
JP7040589B1 (ja) 機械学習方法及び機械学習システム
US11820398B2 (en) Learning apparatus and model learning system
US20220058522A1 (en) Model learning system, model learning method, and server
JP6791347B1 (ja) モデル診断装置及びモデル診断システム
JP6962435B1 (ja) 機械学習装置
CN115496177A (zh) 分布式***的校准
JP2022076257A (ja) 機械学習システム、車両及びサーバ
JP2022079938A (ja) 機械学習システム
JP7276298B2 (ja) モデル学習システム、車両の制御装置及びモデル学習方法
US20220292350A1 (en) Model updating apparatus, model updating method, and model updating program
JP2022035222A (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
JP2022053033A (ja) 機械学習装置
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: 20210623

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20210623

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: 20210914

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210927

R151 Written notification of patent or utility model registration

Ref document number: 6962435

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151