CN114084152A - 机器学习用数据收集装置 - Google Patents

Abstract

本发明涉及机器学习用数据收集装置。提供一种在收集与车辆相关的数据来进行机器学习时，能够考虑驾驶数据等个人信息的处理而抑制给拥有者、搭乘者带来不悦感的机器学习系统。在收集车辆中的用于机器学习的数据的机器学习用数据收集装置中，具备控制车辆的控制单元和在控制单元与搭乘者之间交换信号的HMI装置，控制单元具备判断车辆的电源是否处于接通状态的开关识别部和HMI控制部，在电源处于接通状态的情况下，收集用于机器学习的数据，且将关于该数据是否可以使用的询问从所述HMI装置朝向搭乘者发出(步骤S1～2)。

Description

机器学习用数据收集装置

技术领域

本发明在AI等进行机器学习的装置中尤其涉及收集机器学习用的数据的装置。

背景技术

近年来，正在努力实现使用人工智能(AI)、信息通信技术(ICT)等尖端技术来高效地进行管理/运营的可持续城市即所谓智能城市。其中，作为AI执行的学习的方法之一，存在机器学习。在机器学习中，机器(计算机)使用被提供的许多数据来自己学习，基于其学习结果(也被称作已学习模型)来进行相对于输入数据的输出数据的优化。作为与这样的机器学习相关联的技术的一例，在专利文献1中记载了使用神经网络来预测内燃机的排气净化催化剂的温度的车载电子控制单元。该专利文献1所记载的车载电子控制单元在车辆中取得表示内燃机转速、负荷率、空燃比、点火正时及向排气净化催化剂流入的废气中的HC浓度或CO浓度以及排气净化催化剂的温度的各种数据，将这些各种数据向外部的服务器发送。服务器将接收到的内燃机转速、负荷率、空燃比、点火正时及向排气净化催化剂流入的废气中的HC浓度或CO浓度设为神经网络的输入参数(输入数据)。并且，将接收到的排气净化催化剂的温度设为训练数据来学习神经网络的权重，生成已学习模型。然后，将生成的已学习模型向车辆发送。车辆使用接收到的已学习模型，根据取得的内燃机转速、负荷率、空燃比、点火正时及向排气净化催化剂流入的废气中的HC浓度或CO浓度来推定排气净化催化剂的温度。

现有技术文献

专利文献

专利文献1：日本特开2019-183698号公报

发明内容

发明所要解决的课题

如上所述，在专利文献1所记载的车载电子控制单元中，使用从搭载于各车辆的电子控制单元收集的各种数据来进行与排气净化催化剂的温度相关的机器学习。通过从许多车辆收集大量的数据，能够提高机器学习的精度，得到合适的输出数据。另一方面，从各车辆收集的数据以及基于该数据制作出的训练数据包括各车辆的拥有者或搭乘者的驾驶数据等个人信息。因而，拥有者、搭乘者有时会担心这样的个人信息被使用于机器学习，或者感到不悦。另外，从个人信息保护的观点来看，也需要考虑与车辆相关的数据的处理。即，过分地收集或利用由传感器得到的信息在人权、个人信息的管理等方面存在问题，针对车辆中的信息收集还存在改善的余地。

本发明着眼于如上所述的技术课题而想出，目的在于提供一种机器学习用数据收集装置，在收集与车辆相关的数据来进行机器学习时能够考虑驾驶数据等个人信息的处理而合适地进行信息的管理。

用于解决课题的手段

为了达成上述的目的，本发明是收集车辆中的用于机器学习的数据的机器学习用数据收集装置，其特征在于，具备控制所述车辆的控制单元和在所述控制单元与所述车辆的搭乘者之间交换信息及信号的HMI装置，所述控制单元具备判断所述车辆的电源是否处于接通状态的开关识别部和控制所述HMI装置的HMI控制部，该机器学习用数据收集装置构成为：在所述车辆的电源处于接通状态的情况下，从所述车辆收集用于所述机器学习的数据，且将关于该数据是否可以使用的询问从所述HMI装置朝向所述搭乘者发出。

另外，在本发明中，可以是，所述HMI控制部构成为使多个所述询问显示于所述HMI装置。

另外，在本发明中，可以是，所述询问包括能够收集的数据中的允许收集或使用的数据的比例的询问。

另外，在本发明中，可以是，所述询问包括选择能够收集的数据中的允许收集或使用的数据的询问。

另外，在本发明中，可以是，所述控制单元还具备根据所述收集到的数据而对所述搭乘者给予报酬的报酬给予部和算出所述报酬的报酬算出部，所述控制单元构成为：根据所述收集到的数据的量或所述数据的质量而向所述搭乘者给予所述报酬。

另外，在本发明中，可以是，所述报酬构成为：所述收集或使用被允许的所述数据的量越多则该报酬越高，或者，所述数据的质量越高则该报酬越高。

并且，在本发明中，可以是，所述机器学习所不足的数据的程度越高，则所述数据的质量越高。

发明效果

根据本发明的机器学习用数据收集装置，关于用于机器学习的数据的收集或使用，构成为得到搭乘者的同意后进行。具体而言，构成为将是否可以将各种数据在机器学习中利用的判断经由HMI装置而向搭乘者委托。因而，进行反映了搭乘者的意愿的机器学习。换言之，搭乘者担心的数据不被使用于机器学习。因此，能够避免或抑制以与车辆相关的数据被使用于机器学习为要因而给搭乘者带来不悦感。

另外，通过这样关于各种数据的处理考虑搭乘者，能够谋求个人信息的保护，并且能够合适地进行该信息的管理。

附图说明

图1是示出在本发明的机器学习用数据收集装置中设为控制的对象的车辆的结构及控制系统的一例的图。

图2是用于说明本发明的机器学习用数据收集装置中的车载的控制单元及服务器的详情的图。

图3是用于说明由本发明的实施方式执行的控制的一例的图，是示出由车辆执行的控制内容(确认数据收集的同意的控制例)的流程图。

图4是用于说明显示于HMI装置的确认画面的一例(第一例)的图。

图5是用于说明显示于HMI装置的确认画面的一例(第二例)的图。

图6是用于说明显示于HMI装置的确认画面的一例(第三例)的图。

图7是用于说明由本发明的实施方式执行的控制的一例的图，是示出由车辆执行的控制内容(给予报酬的控制例)的流程图。

图8是用于说明由本发明的实施方式执行的控制的一例的图，是示出由车辆执行的控制内容(发送训练数据的控制例)的流程图。

图9是用于说明由本发明的实施方式执行的控制的一例的图，是示出由服务器执行的控制内容(保存训练数据的控制例)的流程图。

图10是用于说明由本发明的实施方式执行的控制的一例的图，是示出由服务器执行的控制内容(将已学习模型向车辆发送的控制例)的流程图。

图11是用于说明由本发明的实施方式执行的控制的一例的图，是示出由车辆执行的控制内容(应用已学习模型的控制例)的流程图。

具体实施方式

参照附图来说明本发明的实施方式。需要说明的是，以下所示的实施方式只不过是将本发明具体化的情况的一例，并不限定本发明。

在本发明的实施方式中的机器学习系统中，能够将现有的一般的车辆(发动机车辆、电动汽车、混合动力车辆、燃料电池车等)设为控制的对象。另外，也可以将不依赖于驾驶员的驾驶操作而通过对驾驶操作进行自动控制来行驶的自动驾驶车辆设为控制的对象。在本发明的实施方式中的系统中，具备搭载于车辆的控制单元及设置于车辆的外部的服务器。另外，在车辆搭载有在控制单元与车辆的乘员之间交换信息及信号的HMI(HumanMachine Interface：人机接口)装置。

在图1中示出了作为本发明的实施方式中的机器学习用数据收集装置的构成要素而搭载有控制单元及HMI装置的车辆的一例。图1所示的车辆Ve基本上是以往一般的车辆，具备驱动力源(PWR)1、驱动轮2、检测部3、控制单元(ECU)4、HMI装置5及通信模块(DCM)6作为主要的构成要素。

驱动力源1是输出用于使车辆Ve行驶的驱动转矩的动力源。驱动力源1例如是汽油发动机、柴油发动机等内燃机，构成为输出的调整以及启动及停止等工作状态被电控制。若是汽油发动机，则节气门的开度、燃料的供给量或喷射量、点火的执行及停止以及点火正时等被电控制。若是柴油发动机，则燃料的喷射量、燃料的喷射正时或EGR系统中的节气门的开度等被电控制。

另外，驱动力源1例如也可以是永磁式的同步马达或感应马达等电动马达。该情况下的电动马达例如也可以是兼具作为通过接受电力的供给而驱动从而输出马达转矩的电动机的功能和作为通过接受来自外部的转矩而驱动从而产生电的发电机的功能的所谓电动发电机。若是电动发电机，则转速、转矩或作为电动机的功能与作为发电机的功能的切换等被电控制。

驱动轮2接受驱动力源1输出的驱动转矩的传递而产生驱动力。在图1中示出了前轮成为驱动轮2的前轮驱动车的结构。需要说明的是，本发明的实施方式中的车辆Ve也可以是后轮成为驱动轮2的后轮驱动车。或者，还可以是将前轮及后轮双方设为驱动轮2的四轮(全轮)驱动车。另外，在搭载发动机作为驱动力源1的情况下，也可以在发动机的输出侧设置变速器(未图示)，构成为将驱动力源1输出的驱动转矩利用变速器增减并向驱动轮2传递。在包括驱动轮2的各车轮分别设置有制动装置(未图示)。而且，在前轮和后轮的至少任一方设置有进行车辆Ve的转向的转向装置(未图示)。

车辆Ve除了上述的构成要素之外，还具备一般的车辆的结构。例如具备调整驱动力的加速器踏板、使制动装置工作的制动器踏板及导航系统(均未图示)等。导航系统例如基于GPS接收器3h测定出的车辆Ve的位置信息和地图数据库的地图信息来显示车辆Ve的当前位置并且算出车辆Ve的行驶路线。需要说明的是，除了如上所述的车载型的导航系统之外，例如也可以利用设置于便携型的终端设备的导航功能。

检测部3是用于取得在控制车辆Ve时需要的各种数据、信息的设备或装置，包括电源部、微型计算机、传感器及输入输出接口等。例如，具有检测车速的车速传感器3a、检测驱动力源1的转速的转速传感器3b、检测加速器踏板的操作量(加速器踏板开度)的加速器位置传感器3c、检测制动装置的工作状态的制动器开关3d、检测转向装置(未图示)的转向角的转向角传感器3e、检测排气净化催化剂的温度的催化剂温度传感器3f及取得与车辆Ve的外部状况相关的拍摄信息的车载相机3g等。另外，具有GPS接收器3h。GPS接收器3h通过接收来自多个GPS卫星的无线电来测定车辆Ve的位置(例如，车辆Ve的纬度及经度)。并且，检测部3与后述的控制单元4电连接，将如上所述的各种传感器、设备/装置等的检测值或算出值或者与位置信息等对应的电信号作为检测数据而向控制单元4输出。

控制单元4例如是以微型计算机为主体而构成的电子控制装置，综合地控制车辆Ve。对控制单元4输入由上述的检测部3检测或算出的各种数据。控制单元4使用输入的各种数据及预先存储的数据、计算式等来进行运算。并且，控制单元4构成将该运算结果作为控制指令信号而输出，分别控制车辆Ve各部的动作等。需要说明的是，在图1中示出了设置有一个车辆Ve的例子，但控制单元4也可以针对控制的每个装置、设备或针对每个控制内容而设置有多个控制器。

另外，在本发明的实施方式中，控制单元4与设置于车辆Ve的外部的服务器7之间收发数据，与服务器7协同配合来执行机器学习。例如，控制单元4将由上述的检测部3检测或算出的规定的数据向服务器7发送。并且，接收基于该规定的数据而由服务器7分析出的结果(即由机器学习得到的已学习模型)。然后，控制单元4基于该机器学习的分析结果来分别控制车辆Ve各部的动作等。

具体而言，如图2所示，控制单元4具有数据取得部4a、训练数据制作部4b、训练数据保存部4c、电源开关识别部4d、HMI控制部4e、报酬算出部4f、报酬给予部4g及已学习模型应用部4h。需要说明的是，在图2中，示出了在搭载于一台车辆Ve的控制单元4与服务器7之间相互收发数据及信息的状况，但也可以与此不同而构成为在多个车辆Ve与服务器7之间相互收发数据及信息。本发明的实施方式利用从车辆Ve收集到的各种数据来执行机器学习。这是因为，为了使该机器学习的学习精度提高，优选将在大范围内取得的数据尽可能多地收集。因此，不限定于如图2所示的一台车辆Ve，从分别搭载于许多车辆Ve的许多控制单元4收集大量的数据。

数据取得部4a针对车辆Ve行驶的每个地域或场所，或者针对车辆Ve行驶的每个时间，以与各地域、时间建立关联的方式取得规定的数据。取得由前述的检测部3检测到的各种数据及将该检测到的数据和搭乘者建立了关联的规定的数据。

训练数据制作部4b基于由数据取得部4a取得的数据来制作机器学习中的训练数据。需要说明的是，该制作出的训练数据被向服务器7发送。另外，训练数据保存部4c将该制作出的训练数据向控制单元4存储。

电源开关识别部4d判断车辆Ve的电源即电源开关是否已被接通。

HMI控制部4e基于HMI装置5在控制单元4与车辆Ve的乘员之间交换的信息、信号来控制HMI装置5。并且，将规定的信息向HMI装置5输出。即，在HMI装置5中，基于HMI控制部4e的输出(控制信号)来对车辆Ve的搭乘者告知或显示规定的信息。

报酬算出部4f根据为了机器学习而利用的车辆Ve的数据来算出或制作给予的报酬的价值。例如，为了机器学习而利用的数据的量越多，则报酬的价值越高。

报酬给予部4g将由报酬算出部4f算出的报酬对车辆Ve的拥有者或搭乘者给予。需要说明的是，报酬是金钱、积分等具有某些经济价值的物品。

已学习模型应用部4h基于从服务器7接收到的已学习模型来控制车辆Ve。在进行这样的机器学习的系统中，车辆Ve的控制单元4和外部的服务器7协同配合而执行机器学习。尤其是，在该机器学习是将所述数据作为训练数据而使用神经网络制作已学习模型的有监督学习的情况下，服务器7将通过机器学习(有监督学习)而制作出的已学习模型向控制单元4发送。在取得了已学习模型的控制单元4中，该已学习模型应用部4h基于取得的已学习模型来综合地控制车辆Ve。

HMI装置5是一般被称作人机接口或用户接口等的设备，在人与车辆Ve之间即车辆Ve的搭乘者(即乘员)与控制单元4之间交换信息及信号。HMI装置5例如具有具备触摸屏幕或触摸面板的操作功能的显示器部5a。另外，HMI装置5也可以除了显示器部5a之外，还具有产生规定的语音信息、告知音的扬声器(未图示)。另外，HMI装置5例如也可以具有接近传感器、移动物体传感器或红外线感知传感器(均未图示)等的功能。另外，HMI装置5例如也可以具有语音识别、语音输入的功能。或者，也可以具有由乘员操作的操作开关、操作按钮等。另外，显示器部5a也可以兼用导航系统(未图示)的显示装置。

通过如上所述的功能，HMI装置5感知车辆Ve的搭乘者触摸显示器部5a的画面的操作或朝向显示器部5a摆出姿势、手势的操作或朝向显示器部5a发声的操作等，将基于该搭乘者的操作的指令信号向控制单元4输出。另外，HMI装置5将基于从控制单元4输出的信号的信息向车辆Ve的搭乘者通知。例如，将规定的图像信息、文字信息显示于显示器部5a，使搭乘者识别。或者，产生规定的语音信息、告知音，使搭乘者识别。

通信模块6在车辆Ve的控制单元4与外部的服务器7之间进行无线通信。通信模块6在车辆Ve搭载专用通信机(未图示)，利用专用的通信线路在控制单元4与后述的服务器7的收发部8之间收发各种数据。也可以使用通用的通信设备(未图示)，利用一般的移动通信线路来进行数据的收发。尤其是，在本发明的实施方式中，通信模块6将由控制单元4取得的“机器学习用数据”向服务器7发送。

如图2所示，本发明的实施方式中的机器学习系统具备如上所述的搭载于车辆Ve的控制单元4，并且具备设置于车辆Ve的外部的服务器7。服务器7具有收发部(通信部)8、训练数据保存部9、不足数据确定部10、机器学习部11及已学习模型保存部12。

收发部8经由上述的通信模块6而从控制单元4接收机器学习用的数据且将机器学习的结果(已学习模型)向车辆Ve的控制单元4发送。需要说明的是，收发部8除了如上所述的机器学习用的数据的接收及机器学习的结果的发送之外，还在车辆Ve的控制单元4与服务器7之间进行各种数据的收发。

训练数据保存部9将从控制单元4接收到的训练数据、在服务器7中进行运算处理后的各种数据、信息等作为数据库而存储。

不足数据确定部10确定在使用神经网络来制作已学习模型时什么数据或参数的值不足。例如是与催化剂温度相关的数据不足或与20几岁的男性的行驶模式相关的数据不足等。另外，将该不足的数据的信息从服务器7向车辆Ve发送。由此，搭乘者能够在掌握了该不足的数据的基础上，选择允许利用的数据。

机器学习部11使用从车辆Ve收集到的各种数据来执行机器学习。例如，将从车辆Ve收集到的机器学习用数据作为训练数据，使用神经网络来制作用于控制车辆Ve的已学习模型(执行所谓的有监督学习)。或者，执行反复分析从车辆Ve收集到的机器学习用数据的特征、结构并将该分析结果应用于车辆Ve的控制的所谓无监督学习。除此之外，在机器学习部11中，也能够执行与神经网络一起引进了深度学习的方法的有监督学习、使有监督学习中的所谓正解数据和无监督学习中的所谓事例数据混合存在而利用的半有监督学习或取代正解数据而反复试行错误从而使学习的精度提高的增强学习等基于各种方法的机器学习。

已学习模型保存部12将由上述的机器学习部11制作出的已学习模型作为数据库而存储。

如上所述，在机器学习系统中，使用从搭载于各车辆Ve的控制单元4收集的各种数据，进行用于综合地控制车辆Ve的机器学习。因此，通过从许多车辆Ve收集大量的数据，能够提高机器学习的精度，得到合适的输出数据，其结果，能够执行合适的车辆Ve的控制。另一方面，从车辆Ve收集的数据以及基于该数据制作出的训练数据包括与车辆Ve的拥有者或搭乘者的驾驶相关的数据等个人信息。因而，拥有者、搭乘者有时会担心这样的个人信息被使用于机器学习，或者感到不悦。另外，从个人信息保护的观点来看，也需要考虑这些数据的处理。于是，在本发明的实施方式中，构成为：为了抑制关于在机器学习中使用的数据的处理给拥有者、搭乘者带来不悦感，执行以下的控制。

图3是示出该控制的一例的流程图，构成为将是否可以向服务器7传送用于机器学习的数据的询问(确认)显示于HMI装置5。具体而言，首先，判断车辆Ve的电源开关(或启动开关)是否处于接通状态(步骤S1)。这是成为用于向HMI装置5输出可否向服务器7传送数据的前提的步骤。在此，作为其一例，通过电源开关是否处于接通状态来判断。需要说明的是，该步骤S1的判断不限于电源开关是否处于接通状态，例如可以在“车辆Ve是否成为了准备就绪的状态”或“若是驱动力源1为发动机的车辆，则点火开关是否处于接通状态”或“HMI装置5是否处于起动状态”等判断成立的情况下向后述的步骤2前进。

因此，在该步骤S1中作出了否定的判断的情况下，即，在电源开关为断开的情况下，不执行其以后的控制，暂且结束图3的流程图所示的例程。

与此相反，在该步骤S1中作出了肯定的判断的情况下，即，在电源开关处于接通状态的情况下，在HMI装置5中显示是否可以向服务器7传送数据的确认画面(步骤S2)。如上所述，拥有者(驾驶者或搭乘者)有时会对自身的驾驶数据被使用于机器学习感到不悦或担心。于是，在该步骤S2中，经由HMI装置5而关于数据可否利用向拥有者委托。也就是说，构成为针对数据的利用使其反映拥有者的意愿。

图4～图6是示出显示于HMI装置5的确认画面的一例的图。图4是将“可以为了机器学习而收集行驶中的数据吗”的判断向搭乘者委托的例子。另外，图5是将为了该机器学习而收集行驶中的数据时的方案的选择向搭乘者委托的例子。另外，在该图5所示的例子中，构成为根据提供的数据量而给予报酬。例如在选择了方案1的情况下，允许行驶中的全部数据的利用，给予与允许的数据对应的报酬。同样，在选择了方案2的情况下，允许行驶中的全部数据中的50％的数据的利用，给予与允许的数据对应的报酬。同样，在选择了方案3的情况下，允许行驶中的全部数据中的30％的数据的利用，给予与允许的数据对应的报酬。在选择了方案4的情况下，不允许数据的利用。需要说明的是，全部数据中的比例可以任意设定。

图6示出了例如在HMI装置5中罗列显示加速器开度、加速度、制动器踏力等各数据的项目并使搭乘者任意选择该罗列的数据的例子。在该情况下，搭乘者选择的数据作为用于机器学习的数据而被收集。需要说明的是，上述的报酬根据允许了利用的数据的量、数据的质量而决定。关于报酬的详细的说明将在后述的图7的流程图中说明。

接着，判断是否经由HMI装置5而得到了数据收集的同意(步骤S3)。即，在上述的步骤S2中搭乘者对于为了机器学习而收集数据作出了肯定的选择的情况下，在该步骤S3中作出肯定的判断。因此，在该步骤S3中作出了否定的判断的情况下，即，在未得到数据的收集的同意的情况下，设定为不进行数据的收集的模式即训练数据非取得模式(步骤S4)，结束该图4所示的流程图。

与此相反，在该步骤S3中作出了肯定的判断的情况下，即，在得到了数据的收集的同意的情况下，设定为进行数据的收集的模式即训练数据取得模式(步骤S5)，结束该图4所示的流程图。需要说明的是，训练数据取得模式包括取得全部数据的情况和仅取得全部数据中的任意的数据的模式。

接着，对根据为了机器学习而提供的数据来向搭乘者给予报酬的控制进行说明。如上所述，搭乘者根据向服务器7传送的车辆Ve的数据而得到报酬。图7是示出给予该报酬的控制的一例的流程图。需要说明的是，这里给予的报酬不限于金钱，包括比照金钱的报酬(例如电子货币、虚拟货币、积分、打折券)等具有某些经济价值的报酬。

首先，判断收集到的数据的量及数据的质量(或精度)(步骤S11)。如上所述，搭乘者在进行数据收集的同意时，选择可以收集的任意的数据，得到与此对应的报酬。步骤S11在向搭乘者给予报酬时判断该数据的量、质量。需要说明的是，数据的质量时刻变化，例如在进行机器学习上存在局部不足的数据的情况、某些参数的值不足的情况下，该不足的数据、值与并未不足的数据、值相比，成为质量高的数据、值。换言之，不足的数据的程度越高或越大，则成为越高的质量。需要说明的是，“不足的数据是哪个数据”例如能够根据来自服务器7的信息来掌握。因而，搭乘者在上述的图3的控制例中，选择不足的数据(换言之，在服务器10侧想要的质量高的信息)，允许该数据的利用。

接着，根据在步骤S11中判断出的数据的量、质量而算出报酬额(步骤S12)。关于此，例如将数据量、质量与报酬的关系预先映射化，基于该映射来算出报酬。数据的量越多则报酬越高，另外，数据的质量越高则报酬越高。

然后，将该算出的报酬向搭乘者给予(步骤S13)。需要说明的是，报酬的给予若是金钱，则向搭乘者的指定的账户汇入。或者，若是基于积分等的给予，则通过智能手机等终端装置中的指定的应用而给予。

接着，对将训练数据向服务器7发送时的控制例进行说明。图8是示出该控制的一例的流程图，首先，判断是否取得了数据(步骤S21)。该情况下的数据包括从检测部3的各种传感器的检测值等取得的原始数据及将原始数据和搭乘者建立了关联的数据。作为将原始数据和搭乘者建立了关联的数据的例子，例如是“何时谁利用哪个车向何处以何种行驶路线、行驶模式进行了行驶”等的数据。也就是说，建立了关联的数据是涉及个人的数据。

在该步骤S21中作出了否定的判断的情况下，即，在判断为还没有数据的取得的情况下，不执行以后的控制，暂且结束该图8的流程图所示的例程。相对于此，在该步骤S21中作出了肯定的判断的情况下，即，在判断为取得了数据的情况下，确认数据收集中的当前的模式(步骤S22)。也就是说，确认是在上述的图4的步骤S4中设定的训练数据非取得模式还是在步骤S5中设定的训练数据取得模式。

接着，判断在步骤S22中确认的模式是否是训练数据取得模式(步骤S23)，在是训练数据取得模式的情况下，基于在步骤S21中取得的数据来制作训练数据。然后，将该制作出的训练数据向服务器7发送(步骤S24)。

需要说明的是，在因在步骤S23中确认的模式是训练数据非取得模式而作出了否定的判断的情况下，暂且结束该图8的流程图所示的例程。

接着，对服务器7中的控制例进行说明。在从车辆Ve的控制单元4被发送了机器学习用的训练数据的服务器7中，执行图9的流程图所示的控制。首先，判断是否接收到从车辆Ve发送出的训练数据(步骤S31)。在该步骤S31中作出了否定的判断的情况下，即，在还未接收到训练数据的情况下，不执行以后的控制，暂且结束该图9的流程图所示的例程。

与此相反，在该步骤S31中作出了肯定的判断的情况下，即，在接收到训练数据的情况下，将该接收到的训练数据向服务器7保存(步骤S32)，结束该图9所示的流程图。

另外，在服务器7中，执行图10的流程图所示的控制。需要说明的是，该图10的流程图所示的控制基本上在上述的图9的流程图所示的控制之后执行。在执行图9的流程图所示的控制而收集了一定以上的训练数据后的阶段中，也可以与图9的流程图所示的控制并行地执行图10的流程图所示的控制。

在该图10所示的流程图中，首先，判断训练数据是否积攒了规定以上(步骤S41)。即，判断用于机器学习的数据是否积攒了预先确定的规定以上。需要说明的是，关于训练数据是否为规定以上的判断，例如预先确定用于进行机器学习的数据量或参数，在满足了该条件的情况下，判断为训练数据积攒了规定以上。因此，在该步骤S41中作出了否定的判断的情况下，即，在积攒的训练数据少于规定的情况下，不执行以后的控制，暂且结束该图10的流程图所示的例程。

与此相反，在该步骤S41中作出了肯定的判断的情况下，即，在积攒的训练数据为规定以上的情况下，进行机器学习(步骤S42)。也就是说，将从车辆Ve收集到的机器学习用的数据作为训练数据，使用神经网络来执行机器学习。并且，通过该机器学习而制作已学习模型。

另外，将在上述的步骤S42中执行的机器学习的学习结果向车辆Ve的控制单元4发送(步骤S43)。在该图10的流程图所示的例子中，执行使用机器学习用数据作为训练数据的有监督学习。因此，在该步骤S43中，作为机器学习的学习结果，通过有监督学习而制作出的已学习模型被向控制单元4发送。并且，之后，暂且结束该图10的流程图所示的例程。

当通过上述的图10的流程图所示的控制而执行机器学习，且该机器学习的学习结果(已学习模型)被向车辆Ve的控制单元4发送后，与此对应，在车辆Ve的控制单元4中，执行图11的流程图所示的控制。具体而言，首先，判断是否从服务器7接收到机器学习的学习结果(已学习模型)(步骤S51)。在该步骤S51中作出了否定的判断的情况下，即，在还未接收到机器学习的学习结果(已学习模型)的情况下，不执行以后的控制，暂且结束该图11的流程图所示的例程。

与此相反，在该步骤S51中作出了肯定的判断的情况下，即，在接收到机器学习的学习结果(已学习模型)的情况下，将已学习模型向车辆Ve应用(步骤S52)。即，在车辆Ve的控制单元4中存储的机器学习的学习结果(已学习模型)被更新为本次接收到的最新的机器学习的学习结果(已学习模型)。并且，在车辆Ve的控制单元4中，基于更新后的最新的机器学习的学习结果(已学习模型)来适当控制车辆Ve。并且，之后，暂且结束该图11的流程图所示的例程。

这样，在本发明的实施方式中，构成为：在进行机器学习时，从搭乘者得到收集或使用各种数据的同意后进行。具体而言，将是否可以将各种数据在机器学习中利用的判断经由HMI装置5而向搭乘者委托。因而，反映了搭乘者的意愿的数据被使用于机器学习，换言之，搭乘者担心的数据不被使用于机器学习。因此，能够避免或抑制因与车辆Ve相关的数据被使用于机器学习而给搭乘者带来不悦感。另外，通过这样关于各种数据的处理考虑搭乘者，能够谋求个人信息的保护并且合适地进行该信息的管理。

另外，上述的“可否利用数据”经由HMI装置5而进行。另外，向该HMI装置5输出的显示存在多个，例如存在选择能够收集的数据中的任意的比例(例如全部数据中的5成)的显示或显示多个参数且从该多个显示中让搭乘者选择允许利用的数据的显示等。也就是说，搭乘者能够任意选择为了机器学习而提供的数据量、数据自身。因此，能够进一步反映个人的意愿。

另外，在本发明的实施方式中，构成为根据为了机器学习而提供的数据来给予报酬。另外，构成为：该提供的数据量越多，或者数据的质量越高，则报酬越大。因此，对于搭乘者而言，成为积极地提供(或允许使用)数据的动机，其结果，机器学习的数据被尽早收集。另外，通过这样尽早收集用于机器学习的数据，机器学习被尽早执行，与此对应的已学习模型也被尽早制作。

以上，虽然对本发明的实施方式进行了说明，但本发明不限定于上述的例子，也可以在达成本发明的目的的范围内适当变更。在上述的实施方式中，关于可否利用数据，构成为经由HMI装置5而进行，但也可以取代于此而例如经由在人的视野(例如前玻璃)中映出(投影)信息的单元即平时显示器(Head-Up Display：HUD)而进行。另外，关于可否利用数据的确认除了每当电源开关被接通时进行之外，例如在数据的利用的频度高的情况下，空出规定的间隔(时间)而确认。另外，在数据的利用的频度低的情况下，也可以进行每当电源开关被接通时进行等控制。也就是说，若关于利用频度高的数据每当电源开关被接通时确认其可否利用，则可能会给搭乘者带来繁琐，也可以执行用于避免该情况的控制。

另外，上述的图3的控制例也能够应用于以下的未图示的控制。在图3的控制例中，构成为：在进行数据收集的情况下，在从搭乘者得到了数据的利用的同意后进行数据收集，但也可以取代于此，例如在收集了数据后执行征求可否利用数据的控制。在该情况下，收集到的数据暂且向车辆Ve的控制单元4保存，在得到了数据的利用的允许的情况下，将该数据向服务器7发送。

标号说明

1 驱动力源(PWR)

2 驱动轮

3 检测部

3a 车速传感器

3b 转速传感器

3c 加速器位置传感器

3d 制动器开关

3e 转向角传感器

3f 催化剂温度传感器

3g 车载相机

3h GPS接收器

4 控制单元(ECU)

4a 数据取得部

4b 训练数据制作部

4c 训练数据保存部

4d 电源开关识别部

4e HMI控制部

4f 报酬算出部

4g 报酬给予部

4h 已学习模型应用部

5 HMI装置

5a 显示器部

6 通信模块(DCM)

7 服务器

8 收发部

9 训练数据保存部

10 不足数据确定部

11 机器学习部

12 已学习模型保存部

Ve 车辆

Claims (8)

1.一种机器学习用数据收集装置，收集在用于控制车辆的控制模型的机器学习中使用的数据，其特征在于，

所述数据包含所述车辆的搭乘者的个人信息，

该机器学习用数据收集装置具备：

控制单元，控制所述车辆；及

HMI装置，在所述控制单元与所述车辆的搭乘者之间交换信息及信号，

所述控制单元具备：

开关识别部，判断所述车辆的电源是否处于接通状态；及

HMI控制部，控制所述HMI装置，

该机器学习用数据收集装置构成为：在所述车辆的电源处于接通状态的情况下，将关于是否可以进行用于所述机器学习的所述数据的收集及使用中的至少任一方的询问从所述HMI装置朝向所述搭乘者发出。

2.根据权利要求1所述的机器学习用数据收集装置，其特征在于，

进行所述询问的所述数据是所述个人信息的数据。

3.根据权利要求1或2所述的机器学习用数据收集装置，其特征在于，

所述HMI控制部构成为使多个所述询问显示于所述HMI装置。

4.根据权利要求3所述的机器学习用数据收集装置，其特征在于，

所述询问包括能够收集的数据中的允许收集或使用的数据的比例的询问。

5.根据权利要求3或4所述的机器学习用数据收集装置，其特征在于，

所述询问包括选择能够收集的数据中的允许收集或使用的数据的询问。

6.根据权利要求1～5中任一项所述的机器学习用数据收集装置，其特征在于，

所述控制单元还具备：

报酬给予部，根据所述收集到的数据对所述搭乘者给予报酬；及

报酬算出部，算出所述报酬，

所述控制单元构成为：根据所述收集到的数据的量或所述数据的质量而向所述搭乘者给予所述报酬。

7.根据权利要求6所述的机器学习用数据收集装置，其特征在于，

所述报酬构成为：所述收集或使用被允许的所述数据的量越多则该报酬越高，或者，所述数据的质量越高则该报酬越高。

8.根据权利要求6或7所述的机器学习用数据收集装置，其特征在于，

所述机器学习所不足的数据的程度越高，则所述数据的质量越高。

Images