CN109978174A - 信息处理方法、信息处理装置及程序记录介质 - Google Patents

Abstract

目的是提供一种对于不特定的装置的结构或方法能够使学习用数据的多样性提高的信息处理方法、信息处理装置及程序记录介质。信息处理方法取得从搭载在车辆(200)上的传感器得到的感应数据、以及车辆(200)的1种以上的行驶数据；将感应数据与1种以上的行驶数据建立对应；判定1种以上的行驶数据相对于与1个以上的其他的感应数据建立了对应的1个以上的其他的行驶数据的脱离度；根据脱离度选择感应数据作为学习用数据。

Description

信息处理方法、信息处理装置及程序记录介质

技术领域

本公开涉及选择作为学习用数据的感应数据的信息处理方法、信息处理装置及程序记录介质。

背景技术

在专利文献1中，公开了一种使选择执行者或学习代理(agent)从所得到的检测值为预先设定的阈值以上的图像数据之中选择在学习中使用的信息的异常判定装置。

专利文献1：日本特开2016－173682号公报

发明内容

但是，在专利文献1中，由于使用由异常判定装置得到的检测值，所以选择的是对于特定的异常判定装置中的学习有效的数据。由此，在专利文献1的技术中，对于不特定的装置的结构或方法并不一定能够确保学习用数据的多样性。

所以，在本公开中，目的是提供一种对于不特定的装置的结构或方法能够使学习用数据的多样性提高的信息处理方法、信息处理装置及程序记录介质。

有关本公开的信息处理方法，使用计算机执行如下处理：取得从搭载在车辆上的传感器得到的感应数据、以及上述车辆的1种以上的行驶数据；将上述感应数据与上述1种以上的行驶数据建立对应；判定上述1种以上的行驶数据相对于与1个以上的其他的感应数据建立了对应的1个以上的其他的行驶数据的脱离度；以及根据上述脱离度选择上述感应数据作为学习用数据。

此外，有关本公开的另一技术方案的信息处理方法，使用计算机执行如下处理：取得从搭载在车辆上的传感器得到的感应数据、以及上述车辆的1种以上的行驶数据；将上述感应数据与上述1种以上的行驶数据建立对应；生成用来判定上述1种以上的行驶数据相对于与1个以上的其他的感应数据建立了对应的1个以上的其他的行驶数据的脱离度的计算模型；以及提供上述计算模型。

另外，这些整体或具体的技术方案也可以由系统、装置、集成电路、计算机程序或计算机可读取的CD－ROM等的记录介质实现，也可以由系统、装置、集成电路、计算机程序及记录介质的任意的组合来实现。

有关本公开的信息处理方法、信息处理装置及程序能够对于不特定的装置的结构或方法使学习用数据的多样性提高。

附图说明

图1是表示有关实施方式1的信息处理系统的外观图的图。

图2是表示有关实施方式的信息处理装置的硬件结构的一例的框图。

图3是表示有关实施方式1的车辆的硬件结构的一例的框图。

图4是表示CAN数据的一例的图。

图5是表示有关实施方式1的信息处理系统的功能结构的一例的框图。

图6是用来说明由信息处理装置的对应建立部进行的图像数据与行驶数据的对应建立的图。

图7是表示对应建立后的图像数据与行驶数据的组合的一例的图。

图8是一维地表示多个种类的行驶数据的正态分布的概念图。

图9是表示信息处理系统的动作的一例的序列图。

图10是表示有关实施方式2的车辆的功能结构的一例的图。

图11是表示有关实施方式2的车辆的动作的一例的流程图。

具体实施方式

(作为本公开的基础的认识)

近年来，在自动驾驶、监视照相机、机器人等的领域，采用对于由照相机摄像的图像、使用深度学习等的机器学习的物体检测。在这样的物体检测中，大量地需要在机器学习中使用的教师数据。因此，收集由各种各样的照相机摄像的大量的图像，通过人对所收集到的图像赋予正解来生成教师数据。

但是，由于在人对图像赋予正解方面花费成本，所以单单从所得到的全部的大量的图像生成教师数据并非优选。此外，即使不考虑成本而得到了对大量的图像的全部赋予了正解的教师数据，关于所得到的大量的教师数据也需要执行机器学习，所以在机器学习中花费的处理负荷变大，此外处理时间也变长。由此，为了效率良好地进行机器学习，需要从大量的图像之中选择对于机器学习有效的图像。

这里，在机器学习中利用的大量的图像需要由在相互不同的各种各样的状况下摄像的多个图像构成，即由有多样性的多个图像构成。换言之，与使用在相互近似的状况下摄像的多个图像相比，使用在相互不同的状况下摄像的多个图像，对于实现效率较好的机器学习更有效。

如上述那样，在专利文献1的异常判定装置中，从得到的图像数据之中缩减为基于图像数据的检测值是预先设定的阈值以上的图像数据，使选择执行者或学习代理从缩减后的图像数据之中选择在学习中使用的信息。即，在该异常判定装置中，作为用来将图像数据缩减为在机器学习中使用的图像的选择指标，使用该异常判定装置中的检测结果。因此，可以认为是适合于将对于特定的异常判定装置中的机器学习有效的图像数据缩减的方法。

但是，如果装置的结构或方法变化，则得到的检测值变化，所以在专利文献1的异常判定装置中缩减后的图像数据在其他结构的装置或方法中不一定能够实现效率较好的机器学习。即，在以往技术中，难以从所取得的许多的感应数据中选择用来执行不论装置的结构或方法如何都效率较好的机器学习的感应数据。

为了解决这样的问题，有关本公开的一技术方案的信息处理方法，使用计算机执行如下处理：取得从搭载在车辆上的传感器得到的感应数据、以及上述车辆的1种以上的行驶数据；将上述感应数据与上述1种以上的行驶数据建立对应；判定上述1种以上的行驶数据相对于与1个以上的其他的感应数据建立了对应的1个以上的其他的行驶数据的脱离度；以及根据上述脱离度选择上述感应数据作为学习用数据。

由此，判定所取得的1种以上的行驶数据相对于与已经被选择为在机器学习中利用的学习用数据的感应数据建立了对应的1个以上的其他的行驶数据的脱离度，选择与判定出的脱离度为规定的阈值以上的1种以上的行驶数据建立了对应的感应数据作为学习用数据。因此，能够选择不和与已经被选择的感应数据建立了对应的1个以上的其他的行驶数据类似的1种以上的行驶数据所对应的感应数据，能够选择在不同的状况下感应出的感应数据。由此，在上述信息处理方法中，对于不特定的装置的结构或方法能够使学习用数据的多样性提高。即，能够从所取得的许多感应数据中，选择用来执行不论装置的结构或方法如何效率都较好的机器学习的感应数据。

此外，也可以是，还将与被选择为上述学习用数据的感应数据建立了对应的1种以上的行驶数据添加到上述1个以上的其他的行驶数据中。

由此，由于将1个以上的其他的行驶数据更新，所以在判定中，能够适当地判定与新的感应数据建立了对应的多个行驶数据的脱离度。

此外，也可以是，在上述建立对应中，将上述感应数据与该感应数据的感应时的1种以上的行驶数据建立对应。

由此，由于使用在感应出感应数据时得到的1种以上的行驶数据，选择作为学习用数据的感应数据，所以能够精度更好地选择用来执行效率较好的机器学习的感应数据。

此外，也可以是，上述1种以上的行驶数据是2种以上的行驶数据；在上述选择中，根据使用上述2种以上的行驶数据判定出的上述脱离度，选择上述感应数据作为上述学习用数据。

由此，由于使用2种以上的行驶数据选择用来执行机器学习的感应数据，所以能够精度更好地选择用来执行效率较好的机器学习的感应数据。

此外，也可以是，在上述判定中，使用上述2种以上的行驶数据的组合判定上述脱离度，在上述选择中，根据使用上述组合判定出的上述脱离度，选择上述感应数据作为上述学习用数据。

此外，也可以是，在上述判定中，使用2种以上的行驶数据，按照每个种类判定上述脱离度；在上述选择中，根据按照上述2种以上的行驶数据的每个种类判定出的2个以上的上述脱离度，选择上述感应数据作为上述学习用数据。

此外，也可以是，在上述选择中，将上述2个以上的脱离度综合，根据综合结果选择上述感应数据作为上述学习用数据。

此外，也可以是，在上述判定中，使用2种以上的行驶数据，按照每个种类利用加权来判定上述脱离度。

此外，也可以是，在上述选择中，选择与上述脱离度是规定的阈值以上的行驶数据建立了对应的上述感应数据，作为上述学习用数据。

此外，也可以是，上述1种以上的行驶数据包括位置、时间、天气、温度、行驶状态、行驶速度、行驶控制及驾驶员属性的某1个。

此外，上述传感器也可以是光学传感器。

此外，也可以是，还将上述1种以上的行驶数据归一化；在上述判定中，使用归一化的上述1种以上的行驶数据判定上述脱离度。

此外，有关本公开的另一技术方案的信息处理方法，使用计算机执行如下处理：取得从搭载在车辆上的传感器得到的感应数据、以及上述车辆的1种以上的行驶数据；将上述感应数据与上述1种以上的行驶数据建立对应；生成用来判定上述1种以上的行驶数据相对于与1个以上的其他的感应数据建立了对应的1个以上的其他的行驶数据的脱离度的计算模型；以及提供上述计算模型。

另外，这些整体或具体的技术方案也可以由系统、装置、集成电路、计算机程序或计算机可读取的CD－ROM等的记录介质实现，也可以由系统、装置、集成电路、计算机程序及记录介质的任意的组合来实现。

以下，参照附图对有关本公开的一技术方案的信息处理方法、信息处理装置及程序记录介质具体地进行说明。

另外，以下说明的实施方式都是表示本公开的一具体例的。在以下的实施方式中表示的数值、形状、材料、构成要素、构成要素的配置位置及连接形态、步骤、步骤的顺序等是一例，不是限定本公开的意思。此外，关于以下的实施方式的构成要素中的在表示最上位概念的独立权利要求中没有记载的构成要素，设为任意的构成要素进行说明。

(实施方式1)

以下，使用图1～图9说明实施方式1。

[1－1.结构]

图1是表示有关实施方式1的信息处理系统的外观图的图。

具体而言，在图1中表示了信息处理装置100、车辆200、通信网络300及移动通信系统的基站310。例如，信息处理系统1具备这些构成要素中的信息处理装置100及车辆200。另外，在图1中，表示了1台车辆200，但也可以是2台以上，只要是1台以上，是几台都可以。

信息处理装置100是取得由车辆200具备的照相机205摄像的多个图像、从所取得的多个图像之中选择用于机器学习的学习用数据的装置。信息处理装置100例如是服务器。

车辆200是具备照相机205、利用使用由照相机205得到的图像得到的物体检测的结果来进行自动驾驶或驾驶辅助的车辆200。

通信网络300既可以是因特网等的通用的网络，也可以是专用的网络。基站310例如是在第3代移动通信系统(3G)、第4代移动通信系统(4G)或LTE(注册商标)等那样的移动通信系统中使用的基站。

接着，使用图2对信息处理装置100的硬件结构的具体例进行说明。

图2是表示有关实施方式的信息处理装置的硬件结构的一例的框图。

如图2所示，信息处理装置100作为硬件结构而具备处理器101、主存储器102、存储设备103和通信IF(Interface：接口)104。

处理器101是执行存储在存储设备103等中的控制程序的处理器。

主存储器102是作为处理器101在执行控制程序时使用的工作区使用的易失性的存储区域。

存储设备103是保持控制程序或图像数据、行驶数据等的各种数据的非易失性的存储区域。

通信IF104是经由通信网络与车辆200通信的通信接口。通信IF104例如是有线LAN接口。另外，通信IF104也可以是无线LAN接口。此外，通信IF104并不限于LAN接口，只要是能够建立与通信网络的通信连接的通信接口，是怎样的通信接口都可以。

接着，使用图3对车辆200的硬件结构的具体例进行说明。

图3是表示有关实施方式1的车辆的硬件结构的一例的框图。

如图3所示，车辆200作为硬件结构而具备处理器201、主存储器202、存储设备203、通信IF(Interface)204、照相机205、IMU(Inertial Measurement Unit：惯性测量单元)206、GNSS(Global Navigation Satellite System：全球导航卫星系统)207和CAN(Controller Area Network：控制器区域网络)侧设备208。

处理器201是执行存储在存储设备203等中的控制程序的处理器。处理器201也可以包括在用来进行车辆200的自动驾驶或驾驶辅助的ECU中使用的处理器。

主存储器202是作为当处理器201执行控制程序时使用的工作区而被利用的易失性的存储区域。

存储设备203是保持控制程序或图像数据、行驶数据等的各种数据的非易失性的存储区域。

通信IF204是经由通信网络300与信息处理装置100通信的通信接口。即，通信IF204只要是能够与通信网络300通信连接的通信接口就可以。具体而言，通信IF204是通过与移动通信系统的基站310的通信连接而与通信网络300通信连接的通信接口。通信IF204只要是适合例如在第3代移动通信系统(3G)、第4代移动通信系统(4G)或LTE(注册商标)等那样的移动通信系统中利用的通信标准的无线通信接口。此外，通信IF204例如也可以是适合于IEEE802.11a、b、g、n、ac标准的无线LAN(Local Area Network)接口，也可以是通过与未图示的路由器(例如，移动无线LAN路由器)的通信连接与通信网络300通信连接的通信接口。

照相机205是具有透镜等的光学系统及图像传感器的光学传感器，是搭载在车辆200上的传感器的一例。

IMU206是包括加速度传感器及陀螺仪传感器的传感器设备。加速度传感器是检测在车辆200的不同的3个方向的各自上作用的加速度的传感器。陀螺仪传感器是检测绕以车辆200的不同的3个方向为轴的3轴检测各自的旋转中的角速度的传感器。

GNSS207从包括GPS(Global Positioning System)卫星的人工卫星接收表示该GNSS207的位置的信息。即，GNSS207检测车辆200的当前位置。

CAN侧设备208包括检测车辆200的行驶速度的车速仪208a、和进行车辆200具备的各种设备的控制或状态的监视的多个ECU(EleCtronic Control Unit：电子控制单元)210。CAN侧设备208也可以包括上述各种设备。多个ECU208b控制的各种设备，例如是发动机、转向系统、刹车、油门、换挡杆等CAN数据。

图4是表示CAN数据的一例的图。

CAN数据是表示行驶速度、发动机的扭矩、发动机的转速、转向系统的转向角、刹车的油压、油门开度、档位位置等的车辆200的行驶状态，或对于转向系统的转向角的控制量、发动机的扭矩的控制量、发动机的转速的控制量、刹车的油压的控制量、油门开度的控制量等的行驶控制的数据。

接着，使用图5对信息处理系统1的功能结构进行说明。

图5是表示有关实施方式1的信息处理系统的功能结构的一例的框图。另外，在图5中省略了图1中的通信网络300及基站310。

首先，对车辆200的功能结构进行说明。

车辆200作为功能结构而具备检测部210、存储部220和发送部230。

检测部210检测作为车辆200的感应数据的图像数据和车辆200的行驶数据。

检测部210在多个不同的时机检测多个图像数据。例如，多个图像数据是表示通过照相机205摄像得到的运动图像或多个静止图像的数据。

检测部210在多个不同的时机检测行驶数据。行驶数据由1种以上的数据构成，例如是包括位置、行驶速度、行驶状态、行驶控制中的某1个的数据。行驶数据中的位置表示由GNSS207检测出的车辆200的位置。行驶数据中的行驶速度表示由车速仪208a检测出的车辆200的行驶速度。另外，行驶速度也可以是使用IMU206的检测值计算出的速度，也可以是使用车速仪208a的检测值及IMU206的检测值计算出的速度。行驶数据中的行驶状态表示由多个ECU208b检测出的车辆200的行驶状态。行驶状态如上述那样，例如是行驶速度、发动机的扭矩、发动机的转速、转向系统的转向角、刹车的油压、油门开度、档位位置等。行驶数据中的行驶控制是基于由驾驶员进行的驾驶车辆200的操作的控制量，既可以表示用来控制与车辆200的行驶有关的各设备的控制量，也可以表示用来控制与由处理器201的基于自动驾驶或驾驶辅助的车辆200的行驶有关的各设备的控制量。行驶控制如上述那样，例如是对于转向系统的转向角的控制量、发动机的扭矩的控制量、发动机的转速的控制量、刹车的油压的控制量、油门开度的控制量等。这些控制量例如从各ECU208b检测出。

检测部210将构成多个图像数据的多个帧或多个静止图像的每一个、与作为将该帧或该静止图像摄像的时刻的摄像时机建立对应而存储到存储部220中。此外，检测部210关于上述的1种以上的行驶数据，将按照每个种类检测出的多个行驶数据的每一个与作为检测出该行驶数据的时刻的检测时机建立对应而存储到存储部220中。

另外，检测部210作为行驶数据也可以检测时间、天气、外界气温等的温度、外界气体湿度、车辆200的驾驶员属性等。

行驶数据中的时间既可以是检测行驶数据的时刻，也可以表示该时刻属于的时段。既可以将时段例如划分为黎明、白天、夜间等，也可以根据夏季、冬季、中间季等的一年中的时期而变化划分。

行驶数据中的天气表示车辆200位于的位置处的天气。检测部210既可以通过对由照相机205摄像的图像进行图像解析来检测天气，也可以通过基于时刻及车辆200的位置从具有天气信息的外部服务器检索包括该时刻的该位置的地域的天气来检测天气。

行驶数据中的驾驶员属性是表示驾驶车辆200的驾驶员的属性的信息，例如是表示驾驶员的性别、年龄等的信息。检测部210既可以通过使驾驶员预先对车辆200进行登记来检测驾驶员属性，也可以通过与驾驶员持有的智能电话等的终端通信来检测驾驶员属性。另外，检测部210只要一次检测了驾驶员属性，也可以在下一次检测到新的驾驶员属性之前在多个时机不重复进行检测。

检测部210例如由照相机205、IMU206、GNSS207、车速仪208a、多个ECU208b等实现。

存储部220将由检测部210检测出的多个图像数据与多个图像数据的各自的摄像时机一起存储。此外，存储部220将由检测部210检测出的多个行驶数据与多个行驶数据各自的检测时机一起存储。存储部220例如由存储设备203实现。

发送部230将存储在存储部220中的多个图像数据及多个行驶数据向信息处理装置100发送。发送部230例如也可以如每1天、每1周等那样定期地将由检测部210检测出的多个图像数据及多个行驶数据向信息处理装置100发送。此外，发送部230例如也可以当车辆200停车在驾驶员的自家住宅等的该车辆200的保管场所中时，将通过到停车为止的期间的行驶而得到的多个图像数据及多个行驶数据向信息处理装置发送。此外，发送部230如果此时有还没有发送给信息处理装置100的多个图像数据及多个行驶数据，则也可以将该多个图像数据及该多个行驶数据向信息处理装置100发送。

发送部230例如由处理器201、主存储器202、存储设备203、通信IF204等实现。

接着，对信息处理装置100的功能结构进行说明。

信息处理装置100作为功能结构而具备取得部110、对应建立部120、判定部130和选择部140。信息处理装置100也可以还具备学习DB(Database)150。

取得部110取得从搭载在车辆200上的照相机205得到的作为感应数据的图像数据及车辆200的1种以上的行驶数据。取得部110从车辆200取得图像数据及1种以上的行驶数据。取得部110例如由处理器101、主存储器102、存储设备103及通信IF104等实现。

对应建立部120将由取得部110取得的图像数据和1种以上的行驶数据建立对应。对应建立部120将图像数据和该图像数据的摄像时的1种以上的行驶数据建立对应。

图6是用来说明由信息处理装置的对应建立部进行的图像数据和行驶数据的对应建立的图。图6的上半部分是表示包含位置信息及CAN数据的行驶数据的检测时机和图像数据的摄像时机的一例的概略图。图6的下半部分是表示在由图6的上半部分表示的各时机检测出的多个图像数据及多个行驶数据的关系中、由多个图像数据的每一个和与该图像数据建立了对应的行驶数据构成的组合(集合)的一例的图。

如图6的上半部分所示，多个位置信息P1～P7在多个不同的第1时机被检测到，多个CAN数据D1～D4在多个不同的第2时机被检测到，图像数据II～14在多个不同的第3时机被检测到。由于检测位置信息P1～P7的GNSS207、检测CAN数据D1～D4的CAN侧设备208和将图像数据I1～I4摄像的照相机205通常并非相互同步地执行检测或摄像，所以第1时机、第2时机及第3时机是相互不同的时机的可能性较高。在图6的上半部分的例子中，位置信息P1～P5分别在时机t1、t3、t5、t8、t10被检测到，CAN数据D1～D3分别在时机t2、t6、t9被检测到，图像数据I1～I3分别在时机t4、t7、t11被检测到。这些时机t1～t11全部是不同的时机。这样，在图像数据被摄像的时机和检测到行驶数据的时机间，严密地讲有偏差。

因此，对应建立部120例如通过在该图像数据被摄像时将最新的行驶数据建立对应，将图像数据被摄像时的行驶数据进行对应建立。即，对应建立部120将在图像数据被摄像时检测到的行驶数据中最后的时机被检测出的行驶数据与图像数据建立对应。

具体而言，对应建立部120将到图像数据I1被摄像的时机t4为止检测到的位置信息中在最新的时机t3检测出的位置信息P2、在时机t4之前被检测到的CAN数据中在最新的时机t2被检测出的CAN数据D1和图像数据I1建立对应。由此，如图6的下半部分所示，得到将位置信息P2、CAN数据D1和图像数据I1建立了对应的组合C1。

同样，对应建立部120将到图像数据I2被摄像的时机t7为止检测到的位置信息中在最新的时机t5检测出的位置信息P3、在时机t7之前被检测到的CAN数据中在最新的时机t6被检测出的CAN数据D2和图像数据I2建立对应。由此，如图6的下半部分所示，得到将位置信息P3、CAN数据D2和图像数据I2建立了对应的组合C2。

同样，对应建立部120将到图像数据I3被摄像的时机t11为止检测到的位置信息中在最新的时机t10检测出的位置信息P5、在时机t11之前被检测到的CAN数据中在最新的时机t9被检测出的CAN数据D3和图像数据I3建立对应。由此，如图6的下半部分所示，得到将位置信息P5、CAN数据D3和图像数据I3建立了对应的组合C3。对应建立部120也可以对于这些组合C1～C3，分别将作为图像数据I1～I3的摄像时机的时机t4、t7、t11作为行驶数据进行对应建立。由此，例如如图7所示，进行了图像数据与行驶数据的对应建立。

图7是表示建立了对应的图像数据和行驶数据的组合的一例的图。

另外，在图6的上半部分中，作为图像数据而表示了4张的图像数据I1～14，但并不限于此，也可以摄像5张以上或3张以下的图像数据。此外，同样作为行驶数据而表示了7个位置信息P1～P7及4个CAN数据D1～D4，但也可以检测6个以下或8个以上的位置信息及3个以下或5个以上的CAN数据。

此外，在图6的上半部分中，以作为CAN数据而取得1个数据为例进行了说明，但将CAN数据中包含的各种数据按照每个种类以不同的时机检测。由此，在CAN数据中包含多个种类的数据的情况下，也可以考虑按照每个种类检测出的时机，来与图像数据建立对应。在该情况下的对应建立中，与上述同样，在将图像数据摄像时，按照CAN数据的多个种类的数据的每个种类，将最新的数据与该图像数据进行对应建立。

此外，对应建立部120对全部的图像数据I1～14分别进行上述的对应建立，但并不限于此。对应建立部120也可以按照多个图像数据中的被连续摄像的N张(N是2以上的整数)的图像数据，对于代表N张图像数据的图像数据进行上述的对应建立。即，对应建立部120也可以按照以时间序列连续的多个图像数据中的、每隔N－1张而摄像的图像数据，将行驶数据进行对应建立。由此，在多个图像数据由运动图像构成、从得到1张图像数据到得到下个图像数据的时间是例如不到几秒的较短的时间的情况等那样，得到了大量类似的图像数据的情况下，也可以将作为对应建立的对象的图像数据预先缩减。

此外，对应建立部120在图像数据被摄像时将最新的行驶数据进行对应建立，但并不限于此。例如，对应建立部120也可以将在距图像数据被摄像的时机最近的时机检测到的行驶数据与该图像数据建立对应。此外，对应建立部120也可以在将图像数据摄像的时机之后，将最先检测出的行驶数据与该图像数据建立对应。此外，在GNSS207、CAN侧设备208和照相机205以相互同步的时机执行检测或摄像的情况下，也可以将图像数据与在照相机205摄像了该图像数据的时机检测出的行驶数据建立对应。

学习DB150是包括与多个其他的图像数据建立了对应的多个其他的行驶数据的数据库。多个其他的行驶数据例如是上述那样的多个种类的行驶数据。学习DB150既可以包括也可以不包括多个其他的图像数据。所谓多个其他的图像数据，是已经被选择为在机器学习中利用的学习用数据的图像数据。所谓多个其他的行驶数据，是与多个其他的图像数据的各自进行了对应建立的其他的行驶数据，并且是在该其他的图像数据的摄像时检测出的其他的行驶数据。这里所述的其他的行驶数据，是与上述的行驶数据对应的行驶数据。另外，多个其他的图像数据与多个其他的行驶数据的对应建立也可以由与对应建立部120执行的对应建立相同的处理来进行。另外，学习DB150也可以不包括与多个其他的图像数据建立了对应的多个其他的行驶数据，也可以是包括与1个图像数据建立了对应的1个其他的行驶数据的数据库。学习DB150例如也可以存储在存储设备103中。

判定部130使用由取得部110取得的多个种类的行驶数据的组合，判定相对于学习DB150的多个其他的行驶数据的、多个种类的行驶数据的脱离度。判定部130例如使用构成学习DB150的多个种类的其他的行驶数据的多个数据值，推测作为按照每个种类设定了维度的正态分布的、多变量正态分布。并且，判定部130通过计算由取得部110取得的多个种类的行驶数据距推测出的多变量正态分布的马氏距离(Mahalanobis'Distance)，判定该多个种类的行驶数据相对于学习DB150的多个其他的行驶数据的脱离度。判定部130计算马氏距离作为脱离度，但并不限于此，在与马氏距离有相关性的度数、级别(rank)、分类、行驶数据的分布接近于均匀分布的情况下，也可以判定相对于拥有的行驶数据的概率密度函数的似然度之和等作为脱离度。判定部130为了将行驶数据的各个种类的值的大小的影响去除，也可以对于多个种类的行驶数据作为前处理而进行线性变换以使最大值及最小值分别成为一定值的归一化。判定部130例如由处理器101、主存储器102及存储设备103等实现。

判定部130使用由取得部110取得的多个种类的行驶数据的组合，判定多个种类的行驶数据相对于学习DB150的多个其他的行驶数据的脱离度，但并不限于此。例如，在由取得部110取得的行驶数据是1种的情况下，判定部130也可以判定，所取得的1种行驶数据相对于学习DB150的多个其他的行驶数据的脱离度。在此情况下，判定部130计算与学习DB150中的对应的种类的行驶数据的平均值、中央值等的基准值的差，作为脱离度。

选择部140根据由判定部130使用多个种类以上的行驶数据的组合判定出的脱离度，选择与判定出了该脱离度的组合的多个种类的行驶数据建立了对应的图像数据作为学习用数据。选择部140例如判定由判定部130作为脱离度计算出的马氏距离是否是规定的阈值以上，选择与脱离度是规定的阈值以上的行驶数据建立了对应的图像数据作为学习用数据。

图8是将多个种类的行驶数据的正态分布一维地表现的概念图。

选择部140如图8所示，不选择脱离度距根据一维地表示多个种类的行驶数据的正态分布的分布曲线而计算出的基准值的差距属于不到规定的阈值Th的范围的多个种类的行驶数据所对应的图像数据作为学习用数据，而选择与脱离度处于上述范围外的多个种类的行驶数据建立了对应的图像数据作为学习用数据。选择部140例如不选择与处于不到规定的阈值Th的范围内的脱离度为Dd1的多个种类的行驶数据建立了对应的图像数据作为学习用数据，而选择与处于不到规定的阈值Th的范围之外的脱离度为Dd2、Dd3的多个种类的行驶数据建立了对应的图像数据作为学习用数据。

此外，选择部140也可以将与选择为学习用数据的图像数据建立了对应的多个种类的行驶数据添加到学习DB150的多个其他的行驶数据中。由此，学习DB150被更新，所以判定部130能够适当地判定与新的图像数据建立了对应的多个行驶数据的脱离度。

选择部140例如由处理器101、主存储器102及存储设备103等实现。

另外，由信息处理装置100选择为学习用数据的图像数据被作为学习用数据利用。例如，通过对该图像数据赋予正解，生成在机器学习中使用的教师数据。

[1－2.动作]

接着，对有关实施方式1的信息处理系统1的动作进行说明。

图9是表示信息处理系统的动作的一例的序列图。

首先，在车辆200中，检测部210在各个时机检测作为感应数据的图像数据及多个种类的行驶数据(S11)。将由检测部210检测出的图像数据及多个种类的行驶数据向存储部220存储。

接着，车辆200的发送部230将存储在存储部220中的图像数据及多个种类的行驶数据经由通信网络300向信息处理装置100发送(S12)。

在信息处理装置100中，取得部110取得由车辆200发送的图像数据及多个种类的行驶数据(S21)。

并且，信息处理装置100的对应建立部120将图像数据与多个种类的行驶数据建立对应(S22)。

接着，信息处理装置100的判定部130判定多个种类的行驶数据的脱离度(S23)。

然后，信息处理装置100的选择部140根据由判定部130判定出的脱离度，选择与被判定出该脱离度的多个种类的行驶数据建立了对应的图像数据作为学习用数据(S24)。

另外，步骤S11、S12、S21～S24的由各处理部进行的处理的详细情况在使用图5的车辆200的功能结构及信息处理装置100的功能结构中进行了说明，所以省略。

[1－3.效果等]

有关本实施方式的信息处理方法取得从搭载在车辆200上的照相机205得到的图像数据及车辆200的多个种类的行驶数据，将图像数据与多个种类以上的行驶数据建立对应，判定多个行驶数据相对于与多个其他的图像数据建立了对应的多个其他的行驶数据的脱离度，根据脱离度选择图像数据作为学习用数据。

由此，判定所取得的多个种类的行驶数据相对于与已经被选择为在机器学习中利用的学习用数据的图像数据建立了对应的多个其他的行驶数据的脱离度，选择判定出的脱离度为规定的阈值以上的多个种类的行驶数据建立了对应的图像数据作为学习用数据。因此，能够选择不和与已经选择的图像数据建立了对应的多个其他的行驶数据类似的多个种类的行驶数据所对应的图像数据，能够选择在不同的状况下摄像的图像数据。由此，在上述信息处理方法中，对于不特定的装置的结构或方法能够使学习用数据的多样性提高。即，能够从所取得的许多的图像数据中选择用来执行不论装置的结构或方法如何效率都较好的机器学习的图像数据。

此外，根据有关本实施方式的信息处理方法，使用将图像数据在摄像时得到的1种以上的行驶数据，选择作为学习用数据的图像数据，所以能够精度更好地选择用来执行效率较好的机器学习的图像数据。

此外，根据有关本实施方式的信息处理方法，由于使用2种以上的行驶数据，选择用来执行机器学习的图像数据，所以能够精度更好地选择用来执行效率较好的机器学习的图像数据。

(实施方式2)

接着，使用图10及图11说明实施方式2。

假设有关实施方式1的信息处理装置100是车辆200的外部的服务器，但并不限于此，也可以搭载在车辆200中。

图10是表示有关实施方式2的车辆的功能结构的一例的图。

如图10所示，车辆200A具备检测部210和信息处理装置100A。检测部210由于与实施方式1是同样的，所以省略说明。

信息处理装置100A与有关实施方式1的信息处理装置100相比，具有判定部130A及存储部150A这一点不同。其他的结构与有关实施方式1的信息处理装置100是同样的，所以省略说明。

在存储部150A中，存储有表示基于与已经被选择为在机器学习中利用的学习用数据的图像数据建立了对应的其他的行驶数据的分布的信息。例如，所谓分布是使用多个种类的其他的行驶数据的多个数据值估算出的多变量正态分布，是按照每个种类设定了维度的正态分布即多变量正态分布。另外，表示上述分布的信息是用来判定脱离度的计算模型的一例。

判定部130A不估算多变量正态分布，而通过计算由取得部110取得的多个种类的行驶数据距由存储在存储部150A中的表示分布的信息所表示的多变量正态分布的马氏距离，由此判定该多个种类的行驶数据相对于已有的多个其他的行驶数据的脱离度。

图11是表示有关实施方式2的车辆的动作的一例的流程图。

首先，在车辆200中，检测部210在各个时机检测作为感应数据的图像数据及多个种类的行驶数据(S11)。

通过步骤S11，通过检测部210检测图像数据及多个种类的行驶数据，在信息处理装置100中，取得部110取得由车辆200发送的图像数据及多个种类的行驶数据(S21)。

并且，信息处理装置100的对应建立部120将图像数据与多个种类的行驶数据建立对应(S22)。

接着，信息处理装置100的判定部130A判定多个种类的行驶数据的脱离度(S23A)。

然后，信息处理装置100的选择部140根据由判定部130判定出的脱离度，选择与判定出该脱离度的多个种类的行驶数据建立了对应的图像数据，作为学习用数据(S24)。

另外，步骤S11、S21、S22及S24的各处理与实施方式1是同样的。此外，步骤S23A的判定部130A的处理的详细情况在使用图10的车辆200的功能结构中进行了说明，所以省略。

有关本实施方式的信息处理装置100A由于在车辆200A中从摄像出的多个图像数据选择作为学习用数据的图像数据，所以例如能够仅将所选择的图像数据向外部的服务器等的信息处理装置发送。因此，能够削减从车辆200A向外部的服务器的通信量，能够降低通信负荷。

另外，在信息处理装置100A中，在存储部150A中存储有表示基于与已经被选择为在机器学习中利用的学习用数据的图像数据建立了对应的其他的行驶数据的分布的信息，但并不限于此。信息处理装置100A也可以是从外部服务器等的其他的信息处理装置取得表示上述分布的信息的结构。

在此情况下，其他的信息处理装置取得从搭载在车辆200上的传感器得到的感应数据、以及车辆200的1种以上的行驶数据，将感应数据与1种以上的行驶数据建立对应，生成用来判定1种以上的行驶数据相对于与1个以上的其他的感应数据建立了对应的1个以上的其他的行驶数据的脱离度的计算模型，提供所生成的计算模型。另外，由其他的信息处理装置进行的感应数据及1种以上的行驶数据的取得、以及对应建立的各处理，与由有关实施方式1的信息处理装置100的取得部110及对应建立部120进行的处理是同样的。所谓用来判定脱离度的计算模型，除了基于与已经被选择为在机器学习中利用的学习用数据的图像数据建立了对应的其他的行驶数据的分布以外，也可以是多个种类的每个种类的行驶数据的平均值、中央值等的基准值。

[3.变形例]

[3－1.变形例1]

在有关上述实施方式1或2的信息处理装置100、100A中，判定部130、130A使用多个行驶数据的组合判定脱离度，但并不限于此，也可以使用多个行驶数据按照每个种类判定脱离度。在此情况下，选择部140根据按照多个行驶数据的每个种类判定出的2个以上的脱离度，选择图像数据作为学习用数据。

选择部140也可以是，对于2个以上的脱离度，分别与对该脱离度预先设定的规定的阈值进行比较，在全部的脱离度分别是对应的规定的阈值以上的情况下，选择与多个行驶数据建立了对应的图像数据作为学习用数据。

此外，选择部140也可以将2个以上的脱离度综合，根据综合结果来选择图像数据作为学习用数据。选择部140例如也可以通过计算2个以上的脱离度的总和、平均值、中央值等而将2个以上的脱离度综合，在综合结果是规定的阈值以上的情况下，选择与多个行驶数据建立了对应的图像数据作为学习用数据。

此外，判定部130A也可以使用2种以上的行驶数据，按照每个种类利用加权来判定脱离度。判定部130A例如也可以使用按照行驶数据的每个种类预先设定的权重，将按照该种类得到的脱离度综合，在综合结果是规定的阈值以上的情况下，使用与多个行驶数据建立了对应的图像数据作为学习用数据。例如，判定部130A也可以使用根据按照行驶数据的每个种类得到的方差值等的基于各行驶数据的分布的指标决定的权重来判定脱离度。

[3－2.变形例2]

在有关上述实施方式1或2的信息处理装置100、100A中，对应建立部120将图像数据与多个种类的行驶数据建立对应，但也可以将1种行驶数据与图像数据建立对应。该情况下的1种行驶数据，是位置、行驶速度、行驶状态、行驶控制、时间、天气、外界气温等的温度、外界气体湿度、车辆200的驾驶员属性中的1个。

[3－3.变形例3]

在有关上述实施方式1或2的信息处理装置100、100A中，作为感应数据的一例而使用图像数据，但并不限于此，也可以使用由LIDAR(Light Detection and Ranging：光雷达)得到的检测数据。即，车辆200也可以代替照相机205而具备作为光学传感器的一种的LIDAR。此外，信息处理装置100、100A作为感应数据也可以采用图像数据及LIDAR的检测数据的两者。此外，作为感应数据，也可以采用由其他的光学传感器得到的检测数据。

[4.其他]

另外，在上述各实施方式中，各构成要素也可以由专用的硬件构成，或通过执行适合于各构成要素的软件程序来实现。各构成要素也可以通过CPU或处理器等的程序执行部将记录在硬盘或半导体存储器等的记录介质中的软件程序读出并执行来实现。这里，实现上述各实施方式的信息处理方法等的软件是以下这样的程序。

即，该程序使计算机执行以下的信息处理方法：取得从搭载在车辆上的传感器得到的感应数据、以及上述车辆的1种以上的行驶数据，将上述感应数据与上述1种以上的行驶数据建立对应，生成用来判定上述1种以上的行驶数据相对于与1个以上的其他的感应数据建立了对应的1个以上的其他的行驶数据的脱离度的计算模型，提供上述计算模型。

以上，基于实施方式对有关本公开的一个或多个技术方案的信息处理方法、信息处理装置及程序进行了说明，但本公开并不限定于该实施方式。只要不脱离本公开的主旨，对本实施方式实施了本领域技术人员想到的各种变形后的形态、或将不同实施方式的构成要素组合而构建的形态也可以包含在本公开的一个或多个技术方案的范围内。

产业上的可利用性

本公开作为对于不特定的装置的结构或方法能够使学习用数据的多样性提高的信息处理方法、信息处理装置及程序记录介质等是有用的。

附图标记说明

1 信息处理系统

100、100A 信息处理装置

101、201 处理器

102、202 主存储器

103、203 存储设备

104、204 通信IF

110 取得部

120 对应建立部

130、130A 判定部

140 选择部

150 学习DB

150A 存储部

200、200A 车辆

205 照相机

206 IMU

207 GNSS

208 CAN侧设备

208a 车速仪

208b ECU

210 检测部

220 存储部

230 发送部

300 通信网络

310 基站

Claims (15)

1.一种信息处理方法，其特征在于，使用计算机执行如下处理：

取得从搭载在车辆上的传感器得到的感应数据、以及上述车辆的1种以上的行驶数据；

将上述感应数据与上述1种以上的行驶数据建立对应；

判定上述1种以上的行驶数据相对于与1个以上的其他的感应数据建立了对应的1个以上的其他的行驶数据的脱离度；以及

根据上述脱离度选择上述感应数据作为学习用数据。

2.如权利要求1所述的信息处理方法，其特征在于，

还将与被选择为上述学习用数据的感应数据建立了对应的1种以上的行驶数据添加到上述1个以上的其他的行驶数据中。

3.如权利要求1或2所述的信息处理方法，其特征在于，

在上述建立对应中，将上述感应数据与该感应数据的感应时的1种以上的行驶数据建立对应。

4.如权利要求1或2所述的信息处理方法，其特征在于，

上述1种以上的行驶数据是2种以上的行驶数据；

在上述选择中，根据使用上述2种以上的行驶数据判定出的上述脱离度，选择上述感应数据作为上述学习用数据。

5.如权利要求4所述的信息处理方法，其特征在于，

在上述判定中，使用上述2种以上的行驶数据的组合判定上述脱离度，

在上述选择中，根据使用上述组合判定出的上述脱离度，选择上述感应数据作为上述学习用数据。

6.如权利要求4所述的信息处理方法，其特征在于，

在上述判定中，使用2种以上的行驶数据，按照每个种类判定上述脱离度；

在上述选择中，根据按照上述2种以上的行驶数据的每个种类判定出的2个以上的上述脱离度，选择上述感应数据作为上述学习用数据。

7.如权利要求6所述的信息处理方法，其特征在于，

在上述选择中，将上述2个以上的脱离度综合，根据综合结果选择上述感应数据作为上述学习用数据。

8.如权利要求6所述的信息处理方法，其特征在于，

在上述判定中，使用2种以上的行驶数据，按照每个种类利用加权来判定上述脱离度。

9.如权利要求1或2所述的信息处理方法，其特征在于，

在上述选择中，选择与上述脱离度是规定的阈值以上的行驶数据建立了对应的上述感应数据，作为上述学习用数据。

10.如权利要求1或2所述的信息处理方法，其特征在于，

上述1种以上的行驶数据包括位置、时间、天气、温度、行驶状态、行驶速度、行驶控制及驾驶员属性的某1个。

11.如权利要求1或2所述的信息处理方法，其特征在于，

上述传感器是光学传感器。

12.如权利要求1或2所述的信息处理方法，其特征在于，

还将上述1种以上的行驶数据归一化；

在上述判定中，使用归一化的上述1种以上的行驶数据判定上述脱离度。

13.一种信息处理方法，其特征在于，使用计算机执行如下处理：

取得从搭载在车辆上的传感器得到的感应数据、以及上述车辆的1种以上的行驶数据；

将上述感应数据与上述1种以上的行驶数据建立对应；

生成用来判定上述1种以上的行驶数据相对于与1个以上的其他的感应数据建立了对应的1个以上的其他的行驶数据的脱离度的计算模型；以及

提供上述计算模型。

14.一种信息处理装置，其特征在于，具备：

取得部，取得从搭载在车辆上的传感器得到的感应数据、以及上述车辆的1种以上的行驶数据；

对应建立部，将上述感应数据与上述1种以上的行驶数据建立对应；

判定部，判定上述1种以上的行驶数据相对于与1个以上的其他的感应数据建立了对应的1个以上的其他的行驶数据的脱离度；以及

选择部，根据上述脱离度选择上述感应数据作为学习用数据。

15.一种程序记录介质，其特征在于，保存有程序，所述程序用来使计算机执行以下的信息处理方法：

取得从搭载在车辆上的传感器得到的感应数据、以及上述车辆的1种以上的行驶数据；

将上述感应数据与上述1种以上的行驶数据建立对应；

判定上述1种以上的行驶数据相对于与1个以上的其他的感应数据建立了对应的1个以上的其他的行驶数据的脱离度；以及

根据上述脱离度选择上述感应数据作为学习用数据。