JP7156844B2

JP7156844B2 - 情報処理方法、情報処理装置およびプログラム

Info

Publication number: JP7156844B2
Application number: JP2018139709A
Authority: JP
Inventors: 拓也山口; 和史石川
Original assignee: Panasonic Intellectual Property Corp of America
Current assignee: Panasonic Intellectual Property Corp of America
Priority date: 2017-12-14
Filing date: 2018-07-25
Publication date: 2022-10-19
Anticipated expiration: 2038-07-25
Also published as: CN109978174A; JP2019106166A

Description

本開示は、学習用データとするセンシングデータを選択する情報処理方法、情報処理装置およびプログラムに関する。

特許文献１には、得られた検出値が予め設定された閾値以上である画像データの中から、学習に用いる情報を選択実行者または学習エージェントに選択させる異常判定装置について開示されている。

特開２０１６－１７３６８２号公報

しかし、特許文献１では、異常判定装置による検出値を使用しているため、特定の異常判定装置における学習に有効なデータを選択することとなる。よって、特許文献１の技術では、不特定の装置の構成または手法に対して学習用データの多様性を確保できるとは限らない。

そこで本開示では、不特定の装置の構成または手法に対して学習用データの多様性を向上させることができる情報処理方法、情報処理装置およびプログラムを提供することを目的とする。

本開示に係る情報処理方法は、コンピュータを用いて、車両に搭載されるセンサから得られるセンシングデータ、および前記車両の１種類以上の走行データを取得し、前記センシングデータと前記１種類以上の走行データとを対応付け、１つ以上の他のセンシングデータに対応付けられた１つ以上の他の走行データに対する前記１種類以上の走行データの逸脱度を判定し、前記逸脱度に応じて前記センシングデータを学習用データとして選択する。

また、本開示の他の一態様に係る情報処理方法は、コンピュータを用いて、車両に搭載されるセンサから得られるセンシングデータ、および前記車両の１種類以上の走行データを取得し、前記センシングデータと前記１種類以上の走行データとを対応付け、１つ以上の他のセンシングデータに対応付けられた１つ以上の他の走行データに対する前記１種類以上の走行データの逸脱度を判定するための計算モデルを生成し、前記計算モデルを提供する。

なお、これらの全般的または具体的な態様は、システム、装置、集積回路、コンピュータプログラムまたはコンピュータ読み取り可能なＣＤ－ＲＯＭなどの記録媒体で実現されてもよく、システム、装置、集積回路、コンピュータプログラムおよび記録媒体の任意な組み合わせで実現されてもよい。

本開示に係る情報処理方法、情報処理装置およびプログラムは、不特定の装置の構成または手法に対して学習用データの多様性を向上させることができる。

図１は、実施の形態１に係る情報処理システムの外観図を示す図である。図２は、実施の形態に係る情報処理装置のハードウェア構成の一例を示すブロック図である。図３は、実施の形態１に係る車両のハードウェア構成の一例を示すブロック図である。図４は、ＣＡＮデータの一例を示す図である。図５は、実施の形態１に係る情報処理システムの機能構成の一例を示すブロック図である。図６は、情報処理装置の対応付け部による画像データと走行データとの対応付けを説明するための図である。図７は、対応付けされた画像データと走行データとの組み合わせの一例を示す図である。図８は、複数種類の走行データの正規分布を一次元的に表現した概念図である。図９は、情報処理システムにおける動作の一例を示すシーケンス図である。図１０は、実施の形態２に係る車両の機能構成の一例を示す図である。図１１は、実施の形態２に係る車両の動作の一例を示すフローチャートである。

（本発明の基礎となった知見）
近年、自動運転、監視カメラ、ロボットなどの分野において、カメラによって撮像された画像に対する、ディープラーニングなどの機械学習を用いた物体検出が活用されている。このような物体検出には、機械学習に用いる教師データが大量に必要となる。このため、さまざまなカメラで撮像された大量の画像が収集され、収集された画像に対して、人が正解を付与することで教師データを生成している。

しかしながら、人が画像に対して正解を付与することにはコストがかかるため、単純に得られた全ての大量の画像から教師データを生成することは好ましくない。また、コストを考慮することなく、大量の画像の全てに対して正解を付与した教師データが得られたとしても、得られた大量の教師データについて機械学習を実行する必要があるため、機械学習にかかる処理負荷が大きくなり、また、処理時間も長くなる。よって、効率よく機械学習を行うためには、大量の画像の中から機械学習に有効な画像を選択することが必要である。

ここで、機械学習には利用される大量の画像は、互いに異なるさまざまな状況で撮像された複数の画像により構成されること、つまり、多様性のある複数の画像により構成されることが必要である。言い換えると、互いに似た状況で撮像された複数の画像を用いるよりも、互いに異なる状況で撮像された複数の画像を用いる方が、効率のよい機械学習を実現するために効果的である。

上述したように、特許文献１の異常判定装置では、得られた画像データの中から、画像データに基づく検出値が予め設定された閾値以上である画像データに絞り込み、絞り込んだ画像データの中から学習に用いる情報を選択実行者または学習エージェントに選択させる。つまり、この異常判定装置では、画像データを機械学習に用いる画像として絞り込むための選択指標として、当該異常判定装置における検出結果を用いている。このため、特定の異常判定装置での機械学習に有効な画像データを絞り込むことには、適している手法であると考えられる。

しかしながら、装置の構成または手法が変化すれば得られる検出値が変化するために、特許文献１の異常判定装置において絞り込まれた画像データが、他の構成の装置または手法でも効率よい機械学習を実現できるとは限らない。つまり、従来技術では、取得した多くのセンシングデータから、装置の構成または手法に関わらず効率のよい機械学習を実行するためのセンシングデータを選択することが難しい。

このような問題を解決するために、本開示の一態様に係る情報処理方法は、コンピュータを用いて、車両に搭載されるセンサから得られるセンシングデータ、および前記車両の１種類以上の走行データを取得し、前記センシングデータと前記１種類以上の走行データとを対応付け、１つ以上の他のセンシングデータに対応付けられた１つ以上の他の走行データに対する前記１種類以上の走行データの逸脱度を判定し、前記逸脱度に応じて前記センシングデータを学習用データとして選択する。

これによれば、機械学習に利用される学習用データとして既に選択されたセンシングデータに対応付けられた１つ以上の他の走行データに対する、取得した１種類以上の走行データの逸脱度を判定し、判定した逸脱度が所定の閾値以上の１種類以上の走行データに対応付けられたセンシングデータを学習用データとして選択する。このため、既に選択されたセンシングデータに対応付けられた１つ以上の他の走行データとは類似しない１種類以上の走行データに対応付けられたセンシングデータを選択することができ、異なる状況でセンシングされたセンシングデータを選択することができる。よって、上記情報処理方法では、不特定の装置の構成または手法に対して学習用データの多様性を向上させることができる。すなわち、取得した多くのセンシングデータから、装置の構成または手法に関わらず効率のよい機械学習を実行するためのセンシングデータを選択することができる。

また、さらに、前記学習用データとして選択されたセンシングデータに対応付けられた１種類以上の走行データを、前記１つ以上の他の走行データに加えてもよい。

これにより、１つ以上の他の走行データが更新されるため、判定では、新たなセンシングデータに対応付けられた複数の走行データの逸脱度を適切に判定することができる。

また、前記対応付けでは、前記センシングデータと、当該センシングデータのセンシング時の１種類以上の走行データとを対応付けてもよい。

これによれば、センシングデータをセンシング時に得られた１種類以上の走行データを用いて、学習用データとするセンシングデータを選択するため、効率のよい機械学習を実行するためのセンシングデータより精度よく選択することができる。

また、前記１種類以上の走行データは、２種類以上の走行データであり、前記選択では、前記２種類以上の走行データを用いて判定された前記逸脱度に応じて前記センシングデータを前記学習用データとして選択してもよい。

これによれば、２種類以上の走行データを用いて、機械学習を実行するためのセンシングデータを選択するため、効率のよい機械学習を実行するためのセンシングデータより精度よく選択することができる。

また、前記判定では、前記２種類以上の走行データの組み合わせを用いて前記逸脱度を判定し、前記選択では、前記組み合わせを用いて判定された前記逸脱度に応じて前記センシングデータを前記学習用データとして選択してもよい。

また、前記判定では、２種類以上の走行データを用いて種類ごとに前記逸脱度を判定し、前記選択では、前記２種類以上の走行データの種類毎に判定した２以上の前記逸脱度に応じて前記センシングデータを前記学習用データとして選択してもよい。

また、前記選択では、前記２以上の逸脱度を統合し、統合結果に応じて前記センシングデータを前記学習用データとして選択してもよい。

また、前記判定では、２種類以上の走行データを用いて種類毎に重み付けを用いて前記逸脱度を判定してもよい。

また、前記選択では、前記逸脱度が所定の閾値以上である走行データに対応付けられた前記センシングデータを前記学習用データとして選択してもよい。

また、前記１種類以上の走行データは、位置、時間、天候、温度、走行状態、走行速度、走行制御、およびドライバー属性のいずれか１つを含んでいてもよい。

また、前記センサは、光学センサであってもよい。

また、さらに、前記１種類以上の走行データを正規化し、前記判定では、正規化された前記１種類以上の走行データを用いて前記逸脱度を判定してもよい。

なお、これらの全般的または具体的な態様は、システム、装置、集積回路、コンピュータプログラムまたはコンピュータ読み取り可能なＣＤ－ＲＯＭなどの記録媒体で実現されてもよく、システム、装置、集積回路、コンピュータプログラムまたは記録媒体の任意な組み合わせで実現されてもよい。

以下、本発明の一態様に係る情報処理方法、情報処理装置およびプログラムについて、図面を参照しながら具体的に説明する。

なお、以下で説明する実施の形態は、いずれも本発明の一具体例を示すものである。以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の配置位置及び接続形態、ステップ、ステップの順序などは、一例であり、本発明を限定する主旨ではない。また、以下の実施の形態における構成要素のうち、最上位概念を示す独立請求項に記載されていない構成要素については、任意の構成要素として説明される。

（実施の形態１）
以下、図１～図９を用いて、実施の形態１を説明する。

［１－１．構成］
図１は、実施の形態１に係る情報処理システムの外観図を示す図である。

具体的には、図１において、情報処理装置１００、車両２００、通信ネットワーク３００および移動通信システムの基地局３１０が示されている。例えば、情報処理システム１は、これらの構成要素のうち、情報処理装置１００および車両２００を備える。なお、図１では、車両２００は、１台示されているが、２台以上でもよく、１台以上であれば何台でもよい。

情報処理装置１００は、車両２００が備えるカメラ２０５により撮像された複数の画像を取得し、取得した複数の画像の中から機械学習のための学習用データを選択する装置である。情報処理装置１００は、例えば、サーバである。

車両２００は、カメラ２０５を備え、カメラ２０５により得られた画像を用いて得られる物体検出の結果を用いて、自動運転または運転支援を行う車両２００である。

通信ネットワーク３００は、インターネットなどの汎用のネットワークであってもよいし、専用のネットワークであってもよい。基地局３１０は、例えば、第３世代移動通信システム（３Ｇ）、第４世代移動通信システム（４Ｇ）、または、ＬＴＥ（登録商標）などのような移動通信システムで利用される基地局である。

次に、情報処理装置１００のハードウェア構成の具体例について図２を用いて説明する。

図２は、実施の形態に係る情報処理装置のハードウェア構成の一例を示すブロック図である。

図２に示すように、情報処理装置１００は、ハードウェア構成として、プロセッサ１０１と、メインメモリ１０２と、ストレージ１０３と、通信ＩＦ（Ｉｎｔｅｒｆａｃｅ）１０４とを備える。

プロセッサ１０１は、ストレージ１０３等に記憶された制御プログラムを実行するプロセッサである。

メインメモリ１０２は、プロセッサ１０１が制御プログラムを実行するときに使用するワークエリアとして用いられる揮発性の記憶領域である。

ストレージ１０３は、制御プログラム、または、画像データ、走行データなどの各種データを保持する不揮発性の記憶領域である。

通信ＩＦ１０４は、通信ネットワークを介して車両２００と通信する通信インタフェースである。通信ＩＦ１０４は、例えば、有線ＬＡＮインタフェースである。なお、通信ＩＦ１０４は、無線ＬＡＮインタフェースであってもよい。また、通信ＩＦ１０４は、ＬＡＮインタフェースに限らずに、通信ネットワークとの通信接続を確立できる通信インタフェースであれば、どのような通信インタフェースであってもよい。

次に、車両２００のハードウェア構成の具体例について図３を用いて説明する。

図３は、実施の形態１に係る車両のハードウェア構成の一例を示すブロック図である。

図３に示すように、車両２００は、ハードウェア構成として、プロセッサ２０１と、メインメモリ２０２と、ストレージ２０３と、通信ＩＦ（Ｉｎｔｅｒｆａｃｅ）２０４と、カメラ２０５と、ＩＭＵ（ＩｎｅｒｔｉａｌＭｅａｓｕｒｅｍｅｎｔＵｎｉｔ）２０６と、ＧＮＳＳ（ＧｌｏｂａｌＮａｖｉｇａｔｉｏｎＳａｔｅｌｌｉｔｅＳｙｓｔｅｍ）２０７と、ＣＡＮ（ＣｏｎｔｒｏｌｌｅｒＡｒｅａＮｅｔｗｏｒｋ）側機器２０８とを備える。

プロセッサ２０１は、ストレージ２０３等に記憶された制御プログラムを実行するプロセッサである。プロセッサ２０１は、車両２００の自動運転または運転支援を行うためのＥＣＵに用いられるプロセッサを含んでいてもよい。

メインメモリ２０２は、プロセッサ２０１が制御プログラムを実行するときに使用するワークエリアとして用いられる揮発性の記憶領域である。

ストレージ２０３は、制御プログラム、または、画像データ、走行データなどの各種データを保持する不揮発性の記憶領域である。

通信ＩＦ２０４は、通信ネットワーク３００を介して情報処理装置１００と通信する通信インタフェースである。つまり、通信ＩＦ２０４は、通信ネットワーク３００に通信接続できる通信インタフェースであればよい。具体的には、通信ＩＦ２０４は、移動通信システムの基地局３１０との通信接続により、通信ネットワーク３００と通信接続する通信インタフェースである。通信ＩＦ２０４は、例えば、第３世代移動通信システム（３Ｇ）、第４世代移動通信システム（４Ｇ）、または、ＬＴＥ（登録商標）などのような移動通信システムで利用される通信規格に適合した無線通信インタフェースであってもよい。また、通信ＩＦ２０４は、例えば、ＩＥＥＥ８０２．１１ａ、ｂ、ｇ、ｎ、ａｃ規格に適合した無線ＬＡＮ（ＬｏｃａｌＡｒｅａＮｅｔｗｏｒｋ）インタフェースであってもよく、図示しないルータ（例えば、モバイル無線ＬＡＮルータ）との通信接続により、通信ネットワーク３００と通信接続する通信インタフェースであってもよい。

カメラ２０５は、レンズなどの光学系およびイメージセンサを有する光学センサであり、車両２００に搭載されるセンサの一例である。

ＩＭＵ２０６は、加速度センサおよびジャイロセンサを含むセンサ機器である。加速度センサは、車両２００の異なる３方向のそれぞれにかかる加速度を検出するセンサである。ジャイロセンサは、車両２００の異なる３方向を軸とした３軸周りそれぞれの回転における角速度を検出するセンサである。

ＧＮＳＳ２０７は、ＧＰＳ（ＧｌｏｂａｌＰｏｓｉｔｉｏｎｉｎｇＳｙｓｔｅｍ）衛星を含む人工衛星から当該ＧＮＳＳ２０７の位置を示す情報を受信する。つまり、ＧＮＳＳ２０７は、車両２００の現在位置を検出する。

ＣＡＮ側機器２０８は、車両２００の走行速度を検出する車速メータ２０８ａと、車両２００が備える各種機器の制御または状態の監視を行う複数のＥＣＵ（ＥｌｅｃｔｒｏｎｉｃＣｏｎｔｒｏｌＵｎｉｔ）２１０とを含む。ＣＡＮ側機器２０８は、上記各種機器を含んでいてもよい。複数のＥＣＵ２０８ｂが制御する各種機器とは、例えば、エンジン、ステアリング、ブレーキ、アクセル、シフトレバーなどであり、ＣＡＮデータを検出する。

図４は、ＣＡＮデータの一例を示す図である。

ＣＡＮデータは、走行速度、エンジンのトルク、エンジンの回転数、ステアリングによる操舵角、ブレーキの油圧、アクセル開度、シフトポジションなどの車両２００の走行状態、または、ステアリングに対する操舵角の制御量、エンジンのトルクの制御量、エンジンの回転数の制御量、ブレーキの油圧の制御量、アクセル開度の制御量などの走行制御を示すデータである。

次に、情報処理システム１の機能構成について図５を用いて説明する。

図５は、実施の形態１に係る情報処理システムの機能構成の一例を示すブロック図である。なお、図５では、図１における通信ネットワーク３００および基地局３１０を省略している。

まず、車両２００の機能構成について説明する。

車両２００は、機能構成として、検出部２１０と、記憶部２２０と、送信部２３０とを備える。

検出部２１０は、車両２００のセンシングデータとしての画像データと、車両２００の走行データとを検出する。

検出部２１０は、複数の異なるタイミングで複数の画像データを検出する。例えば、複数の画像データは、カメラ２０５が撮像することにより得られた動画像または複数の静止画像を示すデータである。

検出部２１０は、複数の異なるタイミングで走行データを検出する。走行データは、１種類以上のデータにより構成され、例えば、位置、走行速度、走行状態、走行制御のうちのいずれか１つを含むデータである。走行データのうちの位置は、ＧＮＳＳ２０７により検出された車両２００の位置を示す。走行データのうちの走行速度は、車速メータ２０８ａにより検出された車両２００の走行速度を示す。なお、走行速度は、ＩＭＵ２０６による検出値を用いて算出された速度であってもよく、車速メータ２０８ａによる検出値およびＩＭＵ２０６による検出値を用いて算出された速度であってもよい。走行データのうちの走行状態は、複数のＥＣＵ２０８ｂにより検出された車両２００の走行状態を示す。走行状態は、上述したように、例えば、走行速度、エンジンのトルク、エンジンの回転数、ステアリングによる操舵角、ブレーキの油圧、アクセル開度、シフトポジションなどである。走行データのうちの走行制御は、ドライバーによる車両２００を運転する操作に基づく制御量であって、車両２００の走行に係る各機器を制御するための制御量を示してもよいし、プロセッサ２０１における自動運転または運転支援による車両２００の走行に係る各機器を制御するための制御量を示してもよい。走行制御は、上述したように、例えば、ステアリングに対する操舵角の制御量、エンジンのトルクの制御量、エンジンの回転数の制御量、ブレーキの油圧の制御量、アクセル開度の制御量などである。これらの制御量は、例えば、各ＥＣＵ２０８ｂから検出される。

検出部２１０は、複数の画像データを、複数の画像データを構成する複数のフレーム、または、複数の静止画像のそれぞれと、当該フレームまたは当該静止画像を撮像した時刻である撮像タイミングとを対応付けて記憶部２２０に記憶させる。また、検出部２１０は、上記の１種類以上の走行データについて、種類毎に検出した複数の走行データのそれぞれと、当該走行データを検出した時刻である検出タイミングとを対応付けて記憶部２２０に記憶させる。

なお、検出部２１０は、走行データとして、時間、天候、外気温などの温度、外気の湿度、車両２００のドライバー属性などを検出してもよい。

走行データのうちの時間は、走行データを検出した時刻であってもよいし、当該時刻が属する時間帯を示していてもよい。時間帯は、例えば、明け方、昼間、夜間などに区分されてもよく、夏期、冬期、中間期などの年間の時期に応じて区分が変化してもよい。

走行データのうちの天候は、車両２００が位置する位置での天候を示す。検出部２１０は、天候を、カメラ２０５により撮像された画像を画像解析することにより検出してもよいし、時刻および車両２００の位置に基づいて当該時刻における当該位置を含む地域の天候を天候情報を有する外部サーバから検索することで検出してもよい。

走行データのうちのドライバー属性は、車両２００を運転しているドライバーの属性を示す情報であって、例えば、ドライバーの性別、年齢などを示す情報である。検出部２１０は、ドライバー属性を、ドライバーに車両２００に対して予め登録させることで検出してもよいし、ドライバーが所持するスマートフォンなどの端末と通信することで検出してもよい。なお、検出部２１０は、ドライバー属性を、一度検出すれば、次に、新たなドライバー属性を検出するまで、繰り返し複数のタイミングで検出しなくてもよい。

検出部２１０は、例えば、カメラ２０５、ＩＭＵ２０６、ＧＮＳＳ２０７、車速メータ２０８ａ、複数のＥＣＵ２０８ｂなどにより実現される。

記憶部２２０は、検出部２１０により検出された複数の画像データを、複数の画像データのそれぞれの撮像タイミングと共に記憶する。また、記憶部２２０は、検出部２１０により検出された複数の走行データを、複数の走行データのそれぞれの検出タイミングと共に記憶する。記憶部２２０は、例えば、ストレージ２０３により実現される。

送信部２３０は、記憶部２２０に記憶された複数の画像データおよび複数の走行データを情報処理装置１００に送信する。送信部２３０は、例えば、１日毎、１週間毎などのように、定期的に検出部２１０により検出された複数の画像データおよび複数の走行データを情報処理装置１００に送信してもよい。また、送信部２３０は、例えば、車両２００がドライバーの自宅などの当該車両２００の保管場所に駐車されているときに、駐車までの間の走行により得られた複数の画像データおよび複数の走行データを、情報処理装置に送信してもよい。また、送信部２３０は、このときに、まだ情報処理装置１００に送信していない複数の画像データおよび複数の走行データがあれば、当該複数の画像データおよび当該複数の走行データを、情報処理装置１００に送信してもよい。

送信部２３０は、例えば、プロセッサ２０１、メインメモリ２０２、ストレージ２０３、通信ＩＦ２０４などにより実現される。

次に、情報処理装置１００の機能構成について説明する。

情報処理装置１００は、機能構成として、取得部１１０と、対応付け部１２０と、判定部１３０と、選択部１４０とを備える。情報処理装置１００は、さらに、学習ＤＢ（Ｄａｔａｂａｓｅ）１５０を備えていてもよい。

取得部１１０は、車両２００に搭載されるカメラ２０５から得られるセンシングデータとしての画像データ、および、車両２００の１種類以上の走行データを取得する。取得部１１０は、画像データおよび１種類以上の走行データを車両２００から取得する。取得部１１０は、例えば、プロセッサ１０１、メインメモリ１０２、ストレージ１０３および通信ＩＦ１０４などにより実現される。

対応付け部１２０は、取得部１１０により取得された画像データと、１種類以上の走行データとを対応付ける。対応付け部１２０は、画像データと、当該画像データの撮像時の１種類以上の走行データとを対応付ける。

図６は、情報処理装置の対応付け部による画像データと走行データとの対応付けを説明するための図である。図６のａは、位置情報およびＣＡＮデータを含む走行データの検出タイミングと、画像データの撮像タイミングとの一例を示す概略図である。図６のｂは、図６のａで示される各タイミングで検出された複数の画像データおよび複数の走行データの関係において、複数の画像データのそれぞれと、当該画像データに対応付けられる走行データとで構成される組み合わせ（セット）の一例を示す図である。

図６のａに示すように、複数の位置情報Ｐ１～Ｐ７は、複数の異なる第１タイミングで検出された、複数のＣＡＮデータＤ１～Ｄ４は、複数の異なる第２タイミングで検出され、画像データＩ１～Ｉ４は、複数の異なる第３タイミングで検出される。位置情報Ｐ１～Ｐ７を検出するＧＮＳＳ２０７と、ＣＡＮデータＤ１～Ｄ４を検出するＣＡＮ側機器２０８と、画像データＩ１～Ｉ４を撮像するカメラ２０５とは、一般的には互いに同期して検出または撮像を実行しないため、第１タイミング、第２タイミング、および第３タイミングは、互いに異なるタイミングである可能性が高い。図６のａの例では、位置情報Ｐ１～Ｐ５は、それぞれ、タイミングｔ１、ｔ３、ｔ５、ｔ８、ｔ１０で検出され、ＣＡＮデータＤ１～Ｄ３は、それぞれ、タイミングｔ２、ｔ６、ｔ９で検出され、画像データＩ１～Ｉ３は、それぞれ、タイミングｔ４、ｔ７、ｔ１１で検出される。これらのタイミングｔ１～ｔ１１は、全て異なるタイミングである。このように、画像データが撮像されるタイミングと、走行データが検出されるタイミングとには、厳密にはズレがある。

このため、対応付け部１２０は、例えば、当該画像データが撮像された時において最新の走行データを対応付けることで、画像データが撮像された時の走行データを対応付ける。つまり、対応付け部１２０は、画像データが撮像された時までにおいて検出されていた走行データのうちで最も後のタイミングで検出された走行データを画像データに対応付ける。

具体的には、対応付け部１２０は、画像データＩ１が撮像されたタイミングｔ４までにおいて検出されていた位置情報のうちで最新のタイミングｔ３で検出された位置情報Ｐ２と、タイミングｔ４までにおいて検出されていたＣＡＮデータのうちで最新のタイミングｔ２で検出されたＣＡＮデータＤ１とを、画像データＩ１に対応付ける。これにより、図６のｂに示すように、位置情報Ｐ２と、ＣＡＮデータＤ１と、画像データＩ１とが対応付けられた組み合わせＣ１が得られる。

同様に、対応付け部１２０は、画像データＩ２が撮像されたタイミングｔ７までにおいて検出されていた位置情報のうちで最新のタイミングｔ５で検出された位置情報Ｐ３と、タイミングｔ７までにおいて検出されていたＣＡＮデータのうちで最新のタイミングｔ６で検出されたＣＡＮデータＤ２とを、画像データＩ２に対応付ける。これにより、図６のｂに示すように、位置情報Ｐ３と、ＣＡＮデータＤ２と、画像データＩ２とが対応付けられた組み合わせＣ２が得られる。

同様に、対応付け部１２０は、画像データＩ３が撮像されたタイミングｔ１１までにおいて検出されていた位置情報のうちで最新のタイミングｔ１０で検出された位置情報Ｐ５と、タイミングｔ１１までにおいて検出されていたＣＡＮデータのうちで最新のタイミングｔ９で検出されたＣＡＮデータＤ３とを、画像データＩ３に対応付ける。これにより、図６のｂに示すように、位置情報Ｐ５と、ＣＡＮデータＤ３と、画像データＩ３とが対応付けられた組み合わせＣ３が得られる。対応付け部１２０は、これらの組み合わせＣ１～Ｃ３に、それぞれ、画像データＩ１～Ｉ３の撮像タイミングであるタイミングｔ４、ｔ７、ｔ１１を走行データとして対応付けてもよい。これにより、例えば、図７に示すように、画像データと、走行データとの対応付けがなされる。

図７は、対応付けされた画像データと走行データとの組み合わせの一例を示す図である。

なお、図６のａでは、画像データとして、４枚の画像データＩ１～Ｉ４が示されているがこれに限らずに、５枚以上または３枚以下の画像データが撮像されていてもよい。また、同様に、走行データとして７つの位置情報Ｐ１～Ｐ７および４つのＣＡＮデータＤ１～Ｄ４が示されているが、６以下または８以上の位置情報および３以下または５以上のＣＡＮデータが検出されていてもよい。

また、図６のａでは、ＣＡＮデータとして１つのデータを取得することを例にして説明しているが、ＣＡＮデータに含まれる各種データは、種類毎に異なるタイミングで検出される。よって、ＣＡＮデータに複数種類のデータが含まれる場合には、種類毎に検出されたタイミングを考慮して、画像データと対応付けられてもよい。この場合の対応付けでは、上記と同様に、画像データが撮像された時においてＣＡＮデータの複数種類のデータの種類毎に最新のデータが、当該画像データに対応付けられることとなる。

また、対応付け部１２０は、全ての画像データＩ１～Ｉ４のそれぞれについて、上記の対応付けを行うとしたが、これに限らない。対応付け部１２０は、複数の画像データのうち、連続して撮像されたＮ枚（Ｎは、２以上の整数）の画像データ毎に、Ｎ枚の画像データを代表する画像データに対して上記の対応付けを行ってもよい。つまり、対応付け部１２０は、時系列で連続している複数の画像データのうち、Ｎ－１枚置きに撮像された画像データごとに、走行データを対応付けてもよい。これにより、複数の画像データが動画像より構成されており、１枚の画像データが得られてから次の画像データが得られるまでの時間が例えば数秒未満の短い時間である場合などのように、大量の類似する画像データが得られる場合に、対応付けの対象とする画像データを、予め絞り込んでおいてもよい。

また、対応付け部１２０は、画像データが撮像された時において最新の走行データを対応付けるとしたが、これに限らない。例えば、対応付け部１２０は、画像データが撮像されたタイミングに最も近いタイミングで検出された走行データを、当該画像データに対応付けてもよい。また、対応付け部１２０は、画像データが撮像されたタイミングより後において、最初に検出された走行データを、当該画像データに対応付けてもよい。また、ＧＮＳＳ２０７と、ＣＡＮ側機器２０８と、カメラ２０５とが、互いに同期したタイミングで検出または撮像を実行している場合には、画像データと、当該画像データをカメラ２０５が撮像したタイミングにおいて検出された走行データとを対応付けてもよい。

学習ＤＢ１５０は、複数の他の画像データに対応付けられた複数の他の走行データを含むデータベースである。複数の他の走行データは、例えば、上述したような複数種類の走行データである。学習ＤＢ１５０は、複数の他の画像データを含んでいてもよいし、含んでいなくてもよい。複数の他の画像データとは、機械学習に利用される学習用データとして既に選択された画像データである。複数の他の走行データとは、複数の他の画像データのそれぞれに対応付けられている他の走行データであって、当該他の画像データの撮像時に検出された他の走行データである。ここでいう、他の走行データは、上述した走行データに対応する走行データである。なお、複数の他の画像データと、複数の他の走行データとの対応付けは、対応付け部１２０が実行する対応付けと同じ処理により行われてもよい。なお、学習ＤＢ１５０は、複数の他の画像データに対応付けられた複数の他の走行データを含んでいなくてもよく、１つの画像データに対応付けられた１つの他の走行データを含むデータベースであってもよい。学習ＤＢ１５０は、例えば、ストレージ１０３に記憶されている。

判定部１３０は、取得部１１０により取得された複数種類の走行データの組み合わせを用いて、学習ＤＢ１５０の複数の他の走行データに対する、複数種類の走行データの逸脱度を判定する。判定部１３０は、例えば、学習ＤＢ１５０を構成する複数種類の他の走行データの複数のデータ値を用いて、種類毎に次元を設定した正規分布である多変量正規分布を推定する。そして、判定部１３０は、推定した多変量正規分布からの、取得部１１０により取得された複数種類の走行データのマハラノビス距離を算出することで、学習ＤＢ１５０の複数の他の走行データに対する、当該複数種類の走行データの逸脱度を判定する。判定部１３０は、逸脱度としてマハラノビス距離を算出しているが、これに限らずに、マハラノビス距離と相関を有する度数、ランク、分類、走行データの分布が一様分布に近い場合には、保有している走行データの確率密度関数に対する尤度の和などを逸脱度として判定してもよい。判定部１３０は、走行データの種類ごとの値の大小の影響を除くために、複数種類の走行データに対して、前処理として最大値および最小値がそれぞれ一定値になるように線形変換する正規化を行ってもよい。判定部１３０は、例えば、プロセッサ１０１、メインメモリ１０２およびストレージ１０３などにより実現される。

判定部１３０は、取得部１１０により取得された複数種類の走行データの組み合わせを用いて、学習ＤＢ１５０の複数の他の走行データに対する、複数種類の走行データの逸脱度を判定するとしたが、これに限らない。例えば、取得部１１０により取得された走行データが１種類の場合には、判定部１３０は、学習ＤＢ１５０の複数の他の走行データに対する、取得された１種類の走行データの逸脱度を判定してもよい。この場合、判定部１３０は、学習ＤＢ１５０のうちの対応する種類の走行データの平均値、中央値などの基準値からの差分を、逸脱度として算出する。

選択部１４０は、判定部１３０により複数種類以上の走行データの組み合わせを用いて判定された逸脱度に応じて、当該逸脱度が判定された組み合わせの複数種類の走行データが対応付けられた画像データを学習用データとして選択する。選択部１４０は、例えば、判定部１３０により逸脱度として算出されたマハラノビス距離が所定の閾値以上であるか否かを判定し、逸脱度が所定の閾値以上である走行データに対応付けられた画像データを学習用データとして選択する。

図８は、複数種類の走行データの正規分布を一次元的に表現した概念図である。

選択部１４０は、図８に示すように、一次元的に複数種類の走行データの正規分布が表された分布曲線から算出される基準値から、逸脱度が所定の閾値Ｔｈ未満の範囲に属する複数種類の走行データに対応付けられた画像データを学習用データとして選択せず、逸脱度が上記範囲外にある複数種類の走行データに対応付けられた画像データを学習用データとして選択する。選択部１４０は、例えば、所定の閾値Ｔｈ未満の範囲内にある逸脱度Ｄｄ１である複数種類の走行データに対応付けられた画像データを学習用データとして選択せず、所定の閾値Ｔｈ未満の範囲外にある逸脱度Ｄｄ２、Ｄｄ３である複数種類の走行データに対応付けられた画像データを学習用データとして選択する。

また、選択部１４０は、学習用データとして選択した画像データに対応付けられた複数種類の走行データを、学習ＤＢ１５０の複数の他の走行データに加えてもよい。これにより、学習ＤＢ１５０が更新されるため、判定部１３０は、新たな画像データに対応付けられた複数の走行データの逸脱度を適切に判定することができる。

選択部１４０は、例えば、プロセッサ１０１、メインメモリ１０２およびストレージ１０３などにより実現される。

なお、情報処理装置１００により学習用データとして選択された画像データは、学習用データとして利用される。例えば、当該画像データに正解が付与されることにより、機械学習に用いる教師データが生成される。

［１－２．動作］
次に、実施の形態１に係る情報処理システム１の動作について説明する。

図９は、情報処理システムにおける動作の一例を示すシーケンス図である。

まず、車両２００では、検出部２１０がセンシングデータとしての画像データおよび複数種類の走行データをそれぞれのタイミングで検出する（Ｓ１１）。検出部２１０により検出された画像データおよび複数種類の走行データは、記憶部２２０に記憶される。

次に、車両２００の送信部２３０は、記憶部２２０に記憶されている画像データおよび複数種類の走行データを通信ネットワーク３００を介して情報処理装置１００に送信する（Ｓ１２）。

情報処理装置１００では、取得部１１０が車両２００により送信された画像データおよび複数種類の走行データを取得する（Ｓ２１）。

そして、情報処理装置１００の対応付け部１２０は、画像データと複数種類の走行データとを対応付ける（Ｓ２２）。

次に、情報処理装置１００の判定部１３０は、複数種類の走行データの逸脱度を判定する（Ｓ２３）。

その後、情報処理装置１００の選択部１４０は、判定部１３０により判定された逸脱度に応じて、当該逸脱度が判定された複数種類の走行データに対応付けられた画像データを学習用データとして選択する（Ｓ２４）。

なお、ステップＳ１１、Ｓ１２、Ｓ２１～Ｓ２４の各処理部による処理の詳細は、図５を用いた車両２００の機能構成、および、情報処理装置１００の機能構成において説明しているため、省略する。

［１－３．効果など］
本実施の形態に係る情報処理方法は、車両２００に搭載されるカメラ２０５から得られる画像データ、および車両２００の複数種類の走行データを取得し、画像データと複数種類以上の走行データとを対応付け、複数の他の画像データに対応付けられた複数の他の走行データに対する複数の走行データの逸脱度を判定し、逸脱度に応じて画像データを学習用データとして選択する。

これによれば、機械学習に利用される学習用データとして既に選択された画像データに対応付けられた複数の他の走行データに対する、取得した複数種類の走行データの逸脱度を判定し、判定した逸脱度が所定の閾値以上の複数種類の走行データに対応付けられた画像データを学習用データとして選択する。このため、既に選択された画像データに対応付けられた複数の他の走行データとは類似しない複数種類の走行データに対応付けられた画像データを選択することができ、異なる状況で撮像された画像データを選択することができる。よって、上記情報処理方法では、不特定の装置の構成または手法に対して学習用データの多様性を向上させることができる。すなわち、取得した多くの画像データから、装置の構成または手法に関わらず効率のよい機械学習を実行するための画像データを選択することができる。

また、本実施の形態に係る情報処理方法によれば、画像データを撮像時に得られた１種類以上の走行データを用いて、学習用データとする画像データを選択するため、効率のよい機械学習を実行するための画像データより精度よく選択することができる。

また、本実施の形態に係る情報処理方法によれば、２種類以上の走行データを用いて、機械学習を実行するための画像データを選択するため、効率のよい機械学習を実行するための画像データより精度よく選択することができる。

（実施の形態２）
次に、図１０および図１１を用いて実施の形態２を説明する。

実施の形態１に係る情報処理装置１００は、車両２００の外部のサーバであるとしたが、これに限らずに、車両２００に搭載されていてもよい。

図１０は、実施の形態２に係る車両の機能構成の一例を示す図である。

図１０に示すように、車両２００Ａは、検出部２１０と、情報処理装置１００Ａとを備える。検出部２１０は、実施の形態１と同様であるため説明を省略する。

情報処理装置１００Ａは、実施の形態１に係る情報処理装置１００と比較して、判定部１３０Ａおよび記憶部１５０Ａを有する点が異なる。その他の構成は、実施の形態１に係る情報処理装置１００と同様であるので説明を省略する。

記憶部１５０Ａには、機械学習に利用される学習用データとして既に選択された画像データに対応付けられている他の走行データに基づく分布を示す情報が記憶されている。例えば、分布とは、複数種類の他の走行データの複数のデータ値を用いて推定される多変量正規分布であって、種類毎に次元を設定した正規分布である多変量正規分布である。なお、上記分布を示す情報は、逸脱度を判定するための計算モデルの一例である。

判定部１３０Ａは、多変量正規分布を推定せずに、記憶部１５０Ａに記憶されている分布を示す情報で示される多変量正規分布からの、取得部１１０により取得された複数種類の走行データのマハラノビス距離を算出することで、既存の複数の他の走行データに対する、当該複数種類の走行データの逸脱度を判定する。

図１１は、実施の形態２に係る車両の動作の一例を示すフローチャートである。

まず、車両２００では、検出部２１０がセンシングデータとしての画像データおよび複数種類の走行データをそれぞれのタイミングで検出する（Ｓ１１）。

ステップＳ１１により、検出部２１０が画像データおよび複数種類の走行データを検出することで、情報処理装置１００では、取得部１１０が車両２００により送信された画像データおよび複数種類の走行データを取得する（Ｓ２１）。

次に、情報処理装置１００の判定部１３０Ａは、複数種類の走行データの逸脱度を判定する（Ｓ２３Ａ）。

なお、ステップＳ１１、Ｓ２１、Ｓ２２およびＳ２４の各処理は、実施の形態１と同様である。また、ステップＳ２３Ａの判定部１３０Ａの処理の詳細は、図１０を用いた車両２００の機能構成において説明しているため、省略する。

本実施の形態に係る情報処理装置１００Ａは、車両２００Ａにおいて、撮像された複数の画像データから学習用データとする画像データを選択するため、例えば、選択した画像データのみを外部のサーバなどの情報処理装置に送信することができる。このため、車両２００Ａから外部のサーバへの通信量を削減することができ、通信負荷を低減することができる。

なお、情報処理装置１００Ａでは、記憶部１５０Ａに機械学習に利用される学習用データとして既に選択された画像データに対応付けられている他の走行データに基づく分布を示す情報が記憶されているとしたが、これに限らない。情報処理装置１００Ａは、上記分布を示す情報を、外部サーバなどの他の情報処理装置から取得する構成であってもよい。

この場合、他の情報処理装置は、車両２００に搭載されるセンサから得られるセンシングデータ、および車両２００の１種類以上の走行データを取得し、センシングデータと１種類以上の走行データとを対応付け、１つ以上の他のセンシングデータに対応付けられた１つ以上の他の走行データに対する１種類以上の走行データの逸脱度を判定するための計算モデルを生成し、生成した計算モデルを提供する。なお、他の情報処理装置による、センシングデータおよび１種類以上の走行データの取得、および、対応付けの各処理は、実施の形態１に係る情報処理装置１００の取得部１１０および対応付け部１２０で行われる処理と同様である。逸脱度を判定するための計算モデルとは、機械学習に利用される学習用データとして既に選択された画像データに対応付けられている他の走行データに基づく分布の他に、複数の種類毎の走行データの平均値、中央値などの基準値であってもよい。

［３．変形例］
［３－１．変形例１］
上記実施の形態１または２に係る情報処理装置１００、１００Ａでは、判定部１３０、１３０Ａは、複数の走行データの組み合わせを用いて逸脱度を判定するとしたが、これに限らずに、複数の走行データを用いて種類毎に逸脱度を判定してもよい。この場合、選択部１４０は、複数の走行データの種類毎に判定した２以上の逸脱度に応じて、画像データを学習用データとして選択する。

選択部１４０は、２以上の逸脱度のそれぞれについて、当該逸脱度に予め定められた所定の閾値と比較し、全ての逸脱度がそれぞれ対応する所定の閾値以上である場合、複数の走行データに対応付けられた画像データを学習用データとして選択してもよい。

また、選択部１４０は、２以上の逸脱度を統合し、統合結果に応じて画像データを学習用データとして選択してもよい。選択部１４０は、例えば、２以上の逸脱度の総和、平均、中央値などを算出することで２以上の逸脱度を統合し、統合結果が所定の閾値以上である場合、複数の走行データに対応付けられた画像データを学習用データとして選択してもよい。

また、判定部１３０Ａは、２種類以上の走行データを用いて種類毎に重み付けを用いて逸脱度を判定してもよい。判定部１３０Ａは、例えば、走行データの種類毎に予め定められた重み付けを用いて、当該種類毎に得られた逸脱度を統合し、統合結果が所定の閾値以上である場合、複数の走行データに対応付けられた画像データを学習用データとして選択してもよい。例えば、判定部１３０Ａは、走行データの種類毎に得られる分散値などの、各走行データの分布に基づく指標に応じて決定した重み付けを用いて逸脱度を判定してもよい。

［３－２．変形例２］
上記実施の形態１または２に係る情報処理装置１００、１００Ａでは、対応付け部１２０は、画像データと複数種類の走行データとを対応付けるとしたが、画像データには１種類の走行データを対応付けてもよい。この場合の１種類の走行データは、位置、走行速度、走行状態、走行制御、時間、天候、外気温などの温度、外気の湿度、車両２００のドライバー属性のうちの１つである。

［３－３．変形例３］
上記実施の形態１または２に係る情報処理装置１００、１００Ａでは、センシングデータの一例として画像データを用いているが、これに限らずに、ＬＩＤＡＲ（ＬｉｇｈｔＤｅｔｅｃｔｉｏｎａｎｄＲａｎｇｉｎｇ）による検出データを用いてもよい。つまり、車両２００は、カメラ２０５の代わりに光学センサの一種であるＬＩＤＡＲを備えていてもよい。また、情報処理装置１００、１００Ａは、センシングデータとして画像データおよびＬＩＤＡＲの検出データの両方を採用してもよい。また、センシングデータとしては、他の光学センサによる検出データが採用されてもよい。

［４．その他］
なお、上記各実施の形態において、各構成要素は、専用のハードウェアで構成されるか、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵまたはプロセッサなどのプログラム実行部が、ハードディスクまたは半導体メモリなどの記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。ここで、上記各実施の形態の情報処理方法などを実現するソフトウェアは、次のようなプログラムである。

すなわち、このプログラムは、コンピュータに、車両に搭載されるセンサから得られるセンシングデータ、および前記車両の１種類以上の走行データを取得し、前記センシングデータと前記１種類以上の走行データとを対応付け、１つ以上の他のセンシングデータに対応付けられた１つ以上の他の走行データに対する前記１種類以上の走行データの逸脱度を判定するための計算モデルを生成し、前記計算モデルを提供する情報処理方法を実行させる。

以上、本発明の一つまたは複数の態様に係る情報処理方法、情報処理装置およびプログラムについて、実施の形態に基づいて説明したが、本発明は、この実施の形態に限定されるものではない。本発明の趣旨を逸脱しない限り、当業者が思いつく各種変形を本実施の形態に施したものや、異なる実施の形態における構成要素を組み合わせて構築される形態も、本発明の一つまたは複数の態様の範囲内に含まれてもよい。

本開示は、不特定の装置の構成または手法に対して学習用データの多様性を向上させることができる情報処理方法、情報処理装置およびプログラムなどとして有用である。

１情報処理システム
１００、１００Ａ情報処理装置
１０１、２０１プロセッサ
１０２、２０２メインメモリ
１０３、２０３ストレージ
１０４、２０４通信ＩＦ
１１０取得部
１２０対応付け部
１３０、１３０Ａ判定部
１４０選択部
１５０学習ＤＢ
１５０Ａ記憶部
２００、２００Ａ車両
２０５カメラ
２０６ＩＭＵ
２０７ＧＮＳＳ
２０８ＣＡＮ側機器
２０８ａ車速メータ
２０８ｂＥＣＵ
２１０検出部
２２０記憶部
２３０送信部
３００通信ネットワーク
３１０基地局

Claims

コンピュータを用いて、
車両に搭載されるセンサから得られる画像データ、および前記車両の１種類以上の走行データを取得し、
前記画像データと前記１種類以上の走行データとを対応付け、
１つ以上の他の画像データに対応付けられた１つ以上の他の走行データに対する前記１種類以上の走行データの逸脱度を判定し、
前記逸脱度に応じて前記画像データを学習用データとして選択し、
前記１種類以上の走行データは、２種類以上の走行データであり、
前記判定では、前記２種類以上の走行データの組み合わせを用いて前記逸脱度を判定し、
前記選択では、前記組み合わせを用いて判定された前記逸脱度に応じて前記画像データを前記学習用データとして選択する、
情報処理方法。
さらに、
前記学習用データとして選択された画像データに対応付けられた１種類以上の走行データを、前記１つ以上の他の走行データに加える
請求項１に記載の情報処理方法。
前記対応付けでは、前記画像データと、当該画像データのセンシング時の１種類以上の走行データとを対応付ける
請求項１または２に記載の情報処理方法。
コンピュータを用いて、
車両に搭載されるセンサから得られる画像データ、および前記車両の１種類以上の走行データを取得し、
前記画像データと前記１種類以上の走行データとを対応付け、
１つ以上の他の画像データに対応付けられた１つ以上の他の走行データに対する前記１種類以上の走行データの逸脱度を判定し、
前記逸脱度に応じて前記画像データを学習用データとして選択し、
前記１種類以上の走行データは、２種類以上の走行データであり、
前記判定では、前記２種類以上の走行データを用いて種類ごとに前記逸脱度を判定し、
前記選択では、前記２種類以上の走行データの種類毎に判定した２以上の前記逸脱度に応じて前記画像データを前記学習用データとして選択する
情報処理方法。
前記選択では、前記２以上の逸脱度を統合し、統合結果に応じて前記画像データを前記学習用データとして選択する
請求項４に記載の情報処理方法。
前記判定では、２種類以上の走行データを用いて種類毎に重み付けを用いて前記逸脱度を判定する
請求項４または５に記載の情報処理方法。
前記選択では、前記逸脱度が所定の閾値以上である走行データに対応付けられた前記画像データを前記学習用データとして選択する
請求項１から６のいずれか１項に記載の情報処理方法。
前記１種類以上の走行データは、位置、時間、天候、温度、走行状態、走行速度、走行制御、およびドライバー属性のいずれか１つを含む
請求項１から７のいずれか１項に記載の情報処理方法。
前記センサは、光学センサである
請求項１から８のいずれか１項に記載の情報処理方法。
さらに、前記１種類以上の走行データを正規化し、
前記判定では、正規化された前記１種類以上の走行データを用いて前記逸脱度を判定する
請求項１から９のいずれか１項に記載の情報処理方法。
車両に搭載されるセンサから得られる画像データ、および前記車両の１種類以上の走行データを取得する取得部と、
前記画像データと前記１種類以上の走行データとを対応付ける対応付け部と、
１つ以上の他の画像データに対応付けられた１つ以上の他の走行データに対する前記１種類以上の走行データの逸脱度を判定するための計算モデルを用いて前記逸脱度を判定する判定部と、
前記逸脱度に応じて前記画像データを学習用データとして選択する選択部と、を備え、
前記１種類以上の走行データは、２種類以上の走行データであり、
前記判定では、前記２種類以上の走行データの組み合わせを用いて前記逸脱度を判定し、
前記選択では、前記組み合わせを用いて判定された前記逸脱度に応じて前記画像データを前記学習用データとして選択する、
情報処理装置。
コンピュータを用いて、
車両に搭載されるセンサから得られる画像データ、および前記車両の１種類以上の走行データを取得する取得部と、
前記画像データと前記１種類以上の走行データとを対応付ける対応付け部と、
１つ以上の他の画像データに対応付けられた１つ以上の他の走行データに対する前記１種類以上の走行データの逸脱度を判定する判定部と、
前記逸脱度に応じて前記画像データを学習用データとして選択する選択部と、を備え、
前記判定では、２種類以上の走行データを用いて種類ごとに前記逸脱度を判定し、
前記選択では、前記２種類以上の走行データの種類毎に判定した２以上の前記逸脱度に応じて前記画像データを前記学習用データとして選択する、
情報処理装置。
請求項１または４に記載する情報処理方法をコンピュータに実行させるためのプログラム。