JP6962435B1 - 機械学習装置 - Google Patents
機械学習装置 Download PDFInfo
- 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
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
Description
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。
≪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。
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。
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。
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。
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。
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。
2 車両
3 サーバ
11 ECU
14 プロセッサ
33 プロセッサ
Claims (7)
- 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。 - 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。 - 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。 - 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。
- 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。
- 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。
- 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。
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)
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)
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 |
-
2020
- 2020-10-12 JP JP2020171862A patent/JP6962435B1/ja active Active
-
2021
- 2021-10-08 US US17/497,168 patent/US11377110B2/en active Active
- 2021-10-09 CN CN202111174503.7A patent/CN114358107A/zh active Pending
Patent Citations (4)
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 |