CN114326697A - 模型学习系统、车辆的控制装置以及模型学习方法 - Google Patents
模型学习系统、车辆的控制装置以及模型学习方法 Download PDFInfo
- Publication number
- CN114326697A CN114326697A CN202111160415.1A CN202111160415A CN114326697A CN 114326697 A CN114326697 A CN 114326697A CN 202111160415 A CN202111160415 A CN 202111160415A CN 114326697 A CN114326697 A CN 114326697A
- Authority
- CN
- China
- Prior art keywords
- component
- learning
- vehicle
- model
- server
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 description 25
- 238000004891 communication Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 11
- 238000002485 combustion reaction Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/006—Indicating maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Vehicle Engines Or Engines For Specific Uses (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
提供一种模型学习系统、车辆的控制装置以及模型学习方法,抑制在车辆中不必要地实施与机器学习有关的控制。模型学习系统具备服务器和具有控制装置的多个车辆,该控制装置构成为能够与服务器进行通信,并且构成为实施与机器学习关联的学习关联控制。服务器判定在多个车辆中是否存在搭载有存在修理预定的修理部件、存在更换预定的更换部件或者旧款部件的特定车辆,在存在特定车辆时,对特定车辆发送所述学习关联控制的停止指示。车辆的控制装置在接收到停止指示时,使学习关联控制停止。
Description
技术领域
本发明涉及模型学习系统、车辆的控制装置以及模型学习方法。
背景技术
专利文献1公开了如下内容,即作为以往的内燃机的控制装置构成为:对在决定ISC(Idle Speed Control,怠速控制)阀的目标开度时所使用的修正值的学习,使用基于进气压所算出的大气压的推定值,并且,在进气压传感器或者进行用于推定大气压的运算处理的ECU发生了故障的情况下,大气压的推定值错误的盖然性高,因此,为了防止无用的学习而禁止所述修正值的学习。
现有技术文献
专利文献1:日本特开2011-80480号公报
发明内容
发明要解决的技术问题
在尽管搭载于车辆的部件未产生明显的故障、但在该车辆搭载有存在修理预定或者更换预定的部件、型号旧的旧款部件的情况下,当在该车辆中实施与机器学习有关的控制时,该控制有可能会变得无用。
本发明是着眼于这样的问题而完成的,目的在于抑制在车辆中不必要地实施与机器学习有关的控制。
用于解决问题的技术方案
为了解决上述课题,本发明的某技术方案涉及的模型学习系统具备服务器和具有控制装置的多个车辆,该控制装置构成为能够与该服务器进行通信,并且构成为实施与机器学习关联的学习关联控制。服务器构成为:判定在多个车辆中是否存在搭载有存在修理预定的修理部件、存在更换预定的更换部件或者部件型号比搭载于现行车辆的相同部分的部件型号旧的旧款部件的特定车辆,在存在特定车辆时,对特定车辆发送学习关联控制的停止指示。车辆的控制装置构成为:在接收到停止指示时,使学习关联控制停止。
另外,本发明的某技术方案涉及的车辆的控制装置构成为能够与服务器进行通信,并且构成为实施与机器学习关联的学习关联控制,该控制装置构成为:基于从服务器接收到的信息,判断是否搭载有存在修理预定的修理部件、存在更换预定的更换部件或者部件型号比搭载于现行车辆的相同部件的部件型号旧的旧款部件,在搭载有那些部件中的至少一个部件时,使学习关联控制停止。
另外,本发明的某技术方案涉及的模型学习方法是具备服务器和具有控制装置的多个车辆的模型学习系统的模型学习方法,该控制装置构成为能够与所述服务器进行通信,并且构成为实施与机器学习关联的学习关联控制,该模型学习方法包括:第1步骤,在服务器中判定在多个车辆中是否存在搭载有存在修理预定的修理部件、存在更换预定的更换部件或者部件型号比搭载于现行车辆的相同部件的部件型号旧的旧款部件的特定车辆;第2步骤,在服务器中判定为存在特定车辆时,从服务器对特定车辆发送学习关联控制的停止指示;以及第3步骤,使接收到停止指示的控制装置的学习关联控制的实施停止。
发明的效果
根据本发明的这些技术方案,能够抑制在车辆中不必要地实施与机器学习有关的控制。
附图说明
图1是本发明的第1实施方式涉及的模型学习系统的概略结构图。
图2是表示本发明的第1实施方式涉及的车辆的硬件结构的一部分的概略图。
图3是表示本发明的第1实施方式涉及的学习模型的一个例子的图。
图4是表示用于在车辆搭载有存在修理预定或者更换预定的部件的情况下停止学习关联控制的、在服务器与车辆之间执行的本发明的第1实施方式涉及的处理的一个例子的流程图。
图5是表示用于在车辆搭载有旧款部件的情况下停止学习关联控制的、在服务器与车辆之间执行的本发明的第1实施方式涉及的处理的一个例子的流程图。
图6是表示用于在车辆搭载有存在修理预定或者更换预定的部件的情况下停止学习关联控制的、在服务器与车辆之间执行的本发明的第2实施方式涉及的处理的一个例子的流程图。
图7是表示用于在车辆搭载有旧款部件的情况下停止学习关联控制的、在服务器与车辆之间执行的本发明的第2实施方式涉及的处理的一个例子的流程图。
标号说明
1 服务器
2 车辆
20 电子控制单元(控制装置)
100 模型学习系统
具体实施方式
以下,参照附图对本发明的一个实施方式进行详细的说明。此外,在以下的说明中,对同样的构成要素赋予同一参照标号。
(第1实施方式)
图1是本发明的第1实施方式涉及的模型学习系统100的概略结构图。
本实施方式涉及的模型学习系统100具备服务器1和多个车辆2。
服务器1具备服务器通信部11、服务器存储部12以及服务器处理部13。
服务器通信部11具有通信接口电路,构成为能够与各车辆2之间相互进行通信,该通信接口电路用于例如经由网关等来将服务器1连接于网络3。
服务器存储部12具有HDD(Hard Disk Drive,硬盘驱动器)、光记录介质、半导体存储器等的存储介质,存储在服务器处理部13的处理中所使用的各种计算机程序、数据等。
服务器处理部13具有一个或者多个处理器及其外围电路。服务器处理部13执行保存于服务器存储部12的各种计算机程序,总括地对服务器1的整体动作进行控制,例如是CPU(Central Processing Unit,中央处理单元)。
车辆2既可以是仅具备内燃机来作为动力源的车辆,也可以是混合动力车辆、插电式混合动力车辆、电动车辆(电动汽车、燃料电池汽车等)。另外,车辆2也可以是构成为自动地进行与加速、转向以及制动有关的驾驶操作的自动驾驶车辆。
图2是表示车辆2的硬件结构的一部分的概略图。
车辆2具备电子控制单元20、车外通信装置24、各种控制部件25、各种传感器类26,各种控制部件25是例如内燃机、电动机、空调、包括配置在了车辆乘员能够视觉识别的位置的显示器的HMI(Human Machine Interface,人机接口)装置等的搭载于车辆2的各种控制部件,各种传感器类26是对各种控制部件25进行控制、对后述的学习模型的输入参数和输出参数的实测值进行检测所需要的各种传感器类。电子控制单元20、车外通信装置24以及各种控制部件25、传感器类26经由遵循了CAN(Controller Area Network,控制器局域网络)等标准的车内网络27相互连接。
电子控制单元20具备车内通信接口21、车辆存储部22以及车辆处理部23。车内通信接口21、车辆存储部22以及车辆处理部23经由信号线相互连接。
车内通信接口21是用于将电子控制单元20连接于遵循了CAN(Controller AreaNetwork)等标准的车内网络27的通信接口电路。
车辆存储部22具有HDD(Hard Disk Drive)、光记录介质、半导体存储器等的存储介质,存储在车辆处理部23的处理中所使用的各种计算机程序、数据等。
车辆处理部23具有一个或者多个处理器及其外围电路。车辆处理部23执行保存于车辆存储部22的各种计算机程序,总括地对搭载于车辆2的各种控制部件25进行控制,例如是CPU。
车外通信装置24是具有无线通信功能的车载的终端。车外通信装置24通过对经由未图示的网关等与网络3(参照图1参照)连接的无线基站4(参照图1)进行访问,经由无线基站4与网络3连接。由此,与服务器1之间相互进行通信。
在各车辆2中,当通过电子控制单元20对搭载于各车辆2的各种控制部件25进行控制时,例如根据需要使用实施了机器学习等的学习的学习模型(人工智能模型)。在本实施方式中,作为学习模型,使用对使用了深度神经网络(DNN;Deep Neural Network)、卷积神经网络(CNN;Convolutional Neural Network)等的神经网络模型(以下称为“NN模型”。)实施了深度学习而得到的模型。因此,本实施方式涉及的学习模型也可以称为实施了深度学习的已学习的NN模型。深度学习是代表人工智能(AI;Artificial Intelligence)的机器学习方法之一。
图3是表示本实施方式涉及的学习模型(NN模型)的一个例子的图。
图3中的圆形记号表示人工神经元。人工神经元通常被称为节点或者单元(在本说明书中称为“节点”)。在图3中,L=1表示输入层,L=2和L=3表示隐层,L=4表示输出层。隐层也被称为中间层。此外,图3中例示了隐层为两层的NN模型,但隐层的层数并不被特别地限定,另外,输入层、隐层以及输出层的各层的节点数量也并不被特别地限定。
在图3中,x1和x2表示输入层(L=1)的各节点和从该节点输出的输出值,y表示输出层(L=4)的节点和其输出值。同样地,z1 (L=2)、z2 (L=2)以及z3 (L=2)表示隐层(L=2)的各节点和从该节点输出的输出值,z1 (L=3)和z2 (L=3)表示隐层(L=3)的各节点和从该节点输出的输出值。
在输入层的各节点中,输入被直接进行输出。另一方面,输入层的各节点的输出值x1和x2被输入到隐层(L=2)的各节点,在隐层(L=2)的各节点中,分别使用所对应的权重w和偏置b来算出总输入值u。例如,在图3中,在由隐层(L=2)的zk (L=2)(k=1、2、3)表示的各节点中算出的总输入值uk (L=2)成为如下式(M为输入层的节点数量)。
接着,该总输入值uk (L=2)被通过激活函数f进行变换,从由隐层(L=2)的zk (L=2)表示的节点被作为输出值zk (L=2)(=f(uk (L=2)))进行输出。另一方面,隐层(L=2)的各节点的输出值z1 (L=2)、z2 (L=2)以及z3 (L=2)被输入到隐层(L=3)的各节点,在隐层(L=3)的各节点中,分别使用所对应的权重w和偏置b来算出总输入值u(=Σz·w+b)。该总输入值u同样地被通过激活函数进行变换,被作为输出值z1 (L=3)、z2 (L=3)来从隐层(L=3)的各节点进行输出。激活函数例如为Sigmoid函数σ。
另外,隐层(L=3)的各节点的输出值z1 (L=3)和z2 (L=3)被输入到输出层(L=4)的节点,在输出层的节点中,分别使用所对应的权重w和偏置b来算出总输入值u(Σz·w+b),或者分别仅使用所对应的权重w来算出总输入值u(Σz·w)。例如,在输出层的节点中,可使用恒等函数来作为激活函数。在该情况下,在输出层的节点中算出的总输入值u被直接作为输出值y来从输出层的节点进行输出。
这样,本实施方式涉及的学习模型具备输入层、隐层以及输出层,当从输入层输入一个或者多个输入参数时,从输出层输出与输入参数对应的一个或者多个输出参数。
作为输入参数的例子,例如若是使用学习模型对搭载于车辆2的空调进行控制的情况,则可举出外部气体温度、车辆2的使用场所(纬度和经度)、日期时刻、前一次的停车时间(行驶前的停车时间)这样的对车内温度产生影响的各种参数。并且,作为与这样的输入参数对应的输出参数的例子,可举出空调的设定温度。由此,通过对空调进行控制以使得成为作为输出参数所取得的设定温度,能够将车内温度维持为适当的温度。
另外,作为输入参数的例子,例如若是使用学习模型对搭载于车辆2的内燃机进行控制的情况,则可举出内燃机转速、内燃机冷却水温度、燃料喷射量、燃料喷射正时、燃压、吸入空气量、吸气温度、EGR率、增压压力这样的表示内燃机的运转状态的各种参数的当前值。并且,作为与这样的输入参数对应的输出参数的例子,可举出排气中的CO2浓度、NOx浓度、其他物质的浓度、内燃机输出转矩这样的表示内燃机的性能的各种参数的推定值。由此,通过对NN模型输入表示内燃机的运转状态的各种参数的当前值来作为输入参数,能够取得表示内燃机的性能的各种参数的推定值(当前的推定值或者将来的推定值)来作为输出参数,因此,例如能够基于输出参数,对内燃机进行控制以使得内燃机的性能接近所希望的性能。另外,在具备用于对输出参数进行实际测量的传感器等的情况下,也能够根据实测值与推定值之差,对内燃机、传感器等的故障进行判断。
为了使学习模型的精度提高,需要使学习模型进行学习。对学习模型的学习可使用包括输入参数的实测值和与该输入参数的实测值对应的输出参数的实测值(正解数据)的大量的训练数据集。使用大量的训练数据集,通过公知的误差反向传播法反复对神经网络内的权重w和偏置b的值进行更新,以使得在输入了输入参数的实测值时从学习模型输出的输出参数的值和与输入参数的实测值对应的输出参数的实测值之差变小,从而进行权重w和偏置b的值的学习,学习模型的精度提高。
有时希望根据搭载于车辆2的部件的状态,停止与在车辆2中使用的学习模型的学习(机器学习)有关的各种控制(以下称为“学习关联控制”。)。此外,作为学习关联控制的例子,可举出基于从传感器类26得到的数据制作训练数据集的处理、实际地使用训练数据集使学习模型进行学习的处理、将学习模型更新为新进行了学习的学习模型的处理、在服务器1与车辆2之间进行为了学习所需要的数据的收发的处理等。
例如在搭载于车辆2的部件发生了故障的情况下,当使用从故障部件得到的数据制作训练数据集来进行学习模型的学习时,有可能进行不适当的学习而学习模型的精度会降低。因此,在车辆2中,希望在使用从故障部件得到的值制作训练数据集的情况下停止该处理。
另外,在尽管搭载于车辆2的部件未发生明显的故障、但在车辆2搭载有如召回对象部件那样的存在修理预定或更换预定的部件的情况下,即使基于从那样的部件得到的数据来制作训练数据集,该训练数据集在部件的修理后或者更换后不仅对于自身车辆来说变得不需要,对于其他车辆来说也变得不需要。另外,即使实施与存在修理预定或更换预定的部件有关的学习模型的学习,在部件的修理后或者更换后,也需要对修理后或者更换后的部件的特征进行了学习的学习模型,因此,对修理前或者更换前的部件的特征进行了学习的学习模型不仅对于自身车辆来说变得不需要,对于其他车辆来说也变得不需要。
另外,在车辆2搭载有型号旧的旧款部件的情况下,从旧款部件得到的数据有时精度比从型号新的相同部件得到的数据的精度低,因此,也认为即使基于从那样的精度低的旧款部件得到的数据来制作训练数据集,该训练数据集也会变得不需要。
这样,在尽管搭载于车辆2的部件未发生明显的故障、但在车辆2搭载有存在修理或更换预定的部件、旧款部件的情况下,当在车辆2中实施学习关联控制时,该控制也有可能变得无用。其结果,会浪费服务器1、车辆2的电子控制单元20的有限的运算资源,并且,也会产生无用的电力消耗。
因此,在车辆2搭载有存在修理预定或者更换预定的部件、旧款部件的情况下,也希望根据需要来停止学习关联控制。在此,对于车辆2的搭载于自身车辆的部件是否发生了故障,能够以车辆单体进行诊断。然而,对于车辆2的搭载于自身车辆的部件是否为存在修理预定或者更换预定的部件、是否为旧款部件,与部件的故障诊断不同,无法以车辆单体进行判断。
于是,在本实施方式中设为了:通过服务器1与车辆2进行通信,能够在搭载于车辆2的部件为存在修理预定或者更换预定的部件的情况下、为旧款部件的情况下停止学习关联控制。
图4是表示在本实施方式涉及的模型学习系统100中用于在车辆2搭载有作为存在修理预定或者更换预定的部件的一个例子的召回对象部件的情况下停止学习关联控制的、在服务器1与车辆2之间执行的处理的一个例子的流程图。
在步骤S1中,服务器1判定在服务器存储部12的召回管理数据库中是否追加有新的召回信息。召回信息例如包含召回内容、召回对象部件以及搭载有召回对象部件的车辆(以下称为“召回车辆”。)2的车体编号等。若在召回管理数据库中追加有新的召回信息,则服务器1进入步骤S2的处理。另一方面,若在召回管理数据库中未追加有新的召回信息,则服务器1结束本次的处理。
在步骤S2中,服务器1基于新追加了的召回信息所包含的车体编号来确定召回车辆2,对各召回车辆2发送包含与召回内容以及召回对象部件有关的信息的学习停止指示。
在步骤S3中,车辆2的电子控制单元20判定是否接收到学习停止指示。电子控制单元20若接收到学习停止指示,则进入步骤S4的处理,若未接收到学习停止指示,则结束本次的处理。
在步骤S4中,车辆2的电子控制单元20对学习停止指示所包含的召回对象部件进行确认,停止与召回对象部件有关系的学习关联控制。电子控制单元20例如在实施了基于从召回对象部件得到的数据来制作训练数据集的处理的情况下停止该处理。另外,电子控制单元20例如在学习模型中存在了与召回对象部件有关的模型的情况下,停止对该学习模型进行学习的处理和/或将学习模型更新为新学习了的学习模型的处理。
此外,在本实施方式中,这样仅停止了与召回对象部件有关系的学习关联控制,但不限于此,也可以设为:在接收到了学习停止指示时,一律停止全部学习关联控制。
在步骤S5中,车辆2的电子控制单元20在HMI装置的显示器显示停止学习关联控制之意的信息和自身车辆为召回车辆之意的信息。
图5是表示在本实施方式涉及的模型学习系统100中用于在车辆2搭载有旧款部件的情况下停止学习关联控制的、在服务器1与车辆2之间执行的处理的一个例子的流程图。
在步骤S11中,车辆2的电子控制单元20向服务器1发送搭载于自身车辆的各部件的部件型号信息。
在步骤S12中,服务器1判定是否接收到部件型号信息。服务器1若接收到部件型号信息,则进入步骤S13的处理。另一方面,服务器1若未接收到部件型号信息,则结束本次的处理。
在步骤S13中,服务器1参照服务器存储部12的部件管理数据库,判定在成为部件型号信息的发送源的车辆2是否搭载有旧款部件。服务器1在判定为在部件型号信息的发送源车辆2搭载有旧款部件时,进入步骤S14的处理。另一方面,服务器1在判定为在部件型号信息的发送源车辆2未搭载有旧款部件时,结束本次的处理。
在步骤S14中,服务器1对部件型号信息的发送源车辆2发送包含与旧款部件有关的信息的学习停止指示。
在步骤S15中,车辆2的电子控制单元20判定是否接收到学习停止指示。电子控制单元20若接收到学习停止指示,则进入步骤S16的处理,若未接收到学习停止指示,则结束本次的处理。
在步骤S16中,车辆2的电子控制单元20对学习停止指示所包含的旧款部件进行确认,停止与旧款部件有关系的学习关联控制。电子控制单元20例如在实施了基于从旧款部件得到的数据来制作训练数据集的处理的情况下,停止该处理。另外,电子控制单元20例如在学习模型中存在了与旧款部件有关的模型的情况下,停止对该学习模型进行学习的处理和/或将学习模型更新为新学习了的学习模型的处理。
此外,在本实施方式中,这样仅停止了与旧款部件有关系的学习关联控制,但不限于此,也可以设为:在接收到学习停止指示时,一律停止全部学习关联控制。
在步骤S17中,车辆2的电子控制单元20在HMI装置的显示器显示停止学习关联控制之意的信息。
以上说明的本实施方式涉及的模型学习系统100具备服务器1和具有电子控制单元20(控制装置)的多个车辆2,该电子控制单元20构成为能够与该服务器1进行通信,并且构成为实施与机器学习关联的学习关联控制。
并且,服务器1构成为:判定在多个车辆2中是否存在搭载有存在修理预定的修理部件、存在更换预定的更换部件或者部件型号比搭载于现行车辆的相同部件的部件型号旧的旧款部件的车辆2(特定车辆),在存在特定车辆2时,对特定车辆2发送学习关联控制的停止指示。另外,特定车辆2的电子控制单元20构成为:在接收到停止指示时,使学习关联控制停止。
由此,能够在车辆2搭载有存在修理预定或者更换预定的部件、旧款部件的情况下,停止学习关联控制,因此,能够抑制不必要地实施学习关联控制。
另外,在本实施方式中,在前述的停止指示包含有修理部件、更换部件或者旧款部件的信息,车辆2的电子控制单元20构成为使与停止指示所包含的部件有关系的学习关联控制停止。
由此,能够防止连与修理部件、更换部件或者旧款部件无关系地实施的学习关联控制也停止。
此外,若改变思路,则本实施方式也可以作为模型学习系统100涉及的模型学习方法来进行掌握。具体而言,也可以作为包括第1步骤、第2步骤以及第3步骤的模型学习方法来进行掌握,第1步骤为在服务器1中判定在多个车辆2中是否存在搭载有存在修理预定的修理部件、存在更换预定的更换部件或者部件型号比搭载于现行车辆的相同部件的部件型号旧的旧款部件的车辆2(特定车辆),第2步骤为在服务器1中判定为存在车辆2(特定车辆)时,从服务器1对车辆2(特定车辆)发送学习关联控制的停止指示,第3步骤为使接收到停止指示的电子控制单元20(控制装置)的学习关联控制的实施停止。
(第2实施方式)
接着,对本发明的第2实施方式进行说明。本实施方式中,各车辆2基于从服务器1发送来的外部信息,判断在自身车辆是否搭载有存在修理预定的部件、存在更换预定的部件或者旧款部件,这一点与第1实施方式不同。以下,以该不同点为中心来进行说明。
图6是表示在本实施方式涉及的模型学习系统100中用于在车辆2搭载有存在修理预定或者更换预定的某部件(召回对象部件)的情况下停止学习关联控制的、在服务器1与车辆2之间执行的处理的一个例子的流程图。此外,在图6中,步骤S1、S4、S5的处理的内容与第1实施方式是同样的,因此,在此省略说明。
在步骤S21中,服务器1向各车辆2发送新追加了的召回信息。
在步骤S22中,车辆2的电子控制单元20判定是否接收到召回信息。电子控制单元20若接收到召回信息,则进入步骤S4的处理,若未接收到召回信息,则结束本次的处理。
在步骤S23中,车辆2的电子控制单元20基于召回信息判定自身车辆是否为召回对象车辆。在本实施方式中,若在召回信息所包含的各召回车辆的车架编号中存在与自身车辆的车架编号一致的车架编号,则电子控制单元20判定为自身车辆是召回对象车辆。电子控制单元20在判定为自身车辆是召回对象车辆时进入步骤S4的处理,在判定为自身车辆不是召回对象车辆时结束本次的处理。
图7是表示在本实施方式涉及的模型学习系统100中用于在车辆2搭载有型号旧的部件的情况下停止学习关联控制的、在服务器1与车辆2之间执行的处理的一个例子的流程图。此外,在图7中,步骤S16、S17的处理的内容与第1实施方式是同样的,因此,在此省略说明。
在步骤S31中,车辆2的电子控制单元20对服务器1发送搭载于自身车辆的各部件的最新的部件型号信息的要求信号。
在步骤S32中,服务器1判定是否接收到最新的部件型号信息的要求信号。服务器1若接收到最新的部件型号信息的要求信号,则进入步骤S33的处理,若未接收到最新的部件型号信息的要求信号,则结束本次的处理。
在步骤S33中,服务器1参照服务器存储部12的部件管理数据库,对要求信号的发送源车辆2发送搭载于发送元车辆2的各部件的最新的部件型号信息。
在步骤S34中,车辆2的电子控制单元20判定是否从服务器1接收到搭载于自身车辆的各部件的最新的部件型号信息。电子控制单元20若接收到搭载于自身车辆的各部件的最新的部件型号信息,则进入步骤S35的处理,若未接收到搭载于自身车辆的各部件的最新的部件型号信息,则结束本次的处理。
在步骤S35中,车辆2的电子控制单元20基于从服务器1接收到的、搭载于自身车辆的各部件的最新的部件型号信息,判定在自身车辆是否搭载有型号旧的部件。电子控制单元20在判定为在自身车辆搭载有型号旧的部件时,进入步骤S16的处理。另一方面,电子控制单元20在判定为在自身车辆未搭载有型号旧的部件时,结束本次的处理。
以上说明的本实施方式涉及的车辆2的电子控制单元20(控制装置)构成为能够与服务器1进行通信,并且构成为实施与机器学习关联的学习关联控制。并且,电子控制单元20(控制装置)进一步构成为:基于从服务器1接收到的外部信息(召回信息、最新的部件型号信息),判断是否搭载有存在修理预定的部件、存在更换预定的部件或者部件型号比搭载于现行车辆的相同部件的部件型号旧的旧款部件,在搭载有那些部件中的至少一个部件时,使学习关联控制停止。
这样,即使设为基于从服务器1发送来的外部信息来判断是否在自身车辆搭载有存在修理预定的部件、存在更换预定的部件或者旧款部件,也能够得到与第1实施方式同样的效果。
以上,对本发明的实施方式进行了说明,上述实施方式不过是表示了本发明的应用例的一部分,并不是意在将本发明的技术范围限定为上述实施方式的具体构成。
Claims (7)
1.一种模型学习系统,具备服务器和具有控制装置的多个车辆,所述控制装置构成为能够与所述服务器进行通信、并且构成为实施与机器学习关联的学习关联控制,
所述服务器构成为:判定在所述多个车辆中是否存在搭载有存在修理预定的修理部件、存在更换预定的更换部件或者部件型号比搭载于现行车辆的相同部件的部件型号旧的旧款部件的特定车辆,在存在所述特定车辆时,对所述特定车辆发送所述学习关联控制的停止指示,
所述控制装置构成为:在接收到所述停止指示时,使所述学习关联控制停止。
2.根据权利要求1所述的模型学习系统,
所述停止指示包含所述修理部件、所述更换部件或者所述旧款部件的信息,
所述控制装置构成为:使与所述停止指示所包含的部件有关系的所述学习关联控制停止。
3.根据权利要求1或者2所述的模型学习系统,
所述修理部件和所述更换部件是召回对象部件。
4.一种车辆的控制装置,构成为能够与服务器进行通信、并且构成为实施与机器学习关联的学习关联控制,
基于从所述服务器接收到的信息,判断是否搭载有存在修理预定的修理部件、存在更换预定的更换部件或者部件型号比搭载于现行车辆的相同部件的部件型号旧的旧款部件,在搭载有这些部件中的至少一个部件时,使所述学习关联控制停止。
5.一种模型学习系统的模型学习方法,所述模型学习系统具备服务器和具有控制装置的多个车辆,所述控制装置构成为能够与所述服务器进行通信、并且构成为实施与机器学习关联的学习关联控制,所述模型学习方法包括:
第1步骤,在所述服务器中判定在所述多个车辆中是否存在搭载有存在修理预定的修理部件、存在更换预定的更换部件或者部件型号比搭载于现行车辆的相同部件的部件型号旧的旧款部件的特定车辆;
第2步骤,在所述服务器中判定为存在所述特定车辆时,从所述服务器对所述特定车辆发送所述学习关联控制的停止指示;以及
第3步骤,使接收到所述停止指示的所述控制装置的所述学习关联控制的实施停止。
6.根据权利要求5所述的模型学习方法,
所述停止指示包含所述修理部件、所述更换部件或者所述旧款部件的信息,
在所述第3步骤中,所述控制装置使与所述停止指示所包含的部件有关系的所述学习关联控制停止。
7.根据权利要求5或者6所述的模型学习方法,
所述修理部件和所述更换部件是召回对象部件。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020171427A JP7276298B2 (ja) | 2020-10-09 | 2020-10-09 | 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 |
JP2020-171427 | 2020-10-09 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114326697A true CN114326697A (zh) | 2022-04-12 |
CN114326697B CN114326697B (zh) | 2023-12-26 |
Family
ID=81045248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111160415.1A Active CN114326697B (zh) | 2020-10-09 | 2021-09-30 | 模型学习系统、车辆的控制装置以及模型学习方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220113719A1 (zh) |
JP (1) | JP7276298B2 (zh) |
CN (1) | CN114326697B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5168550A (en) * | 1989-02-23 | 1992-12-01 | Matsushita Electric Industrial Co., Ltd. | Neutral network with plural weight calculation methods and variation of plural learning parameters |
CN104657784A (zh) * | 2014-12-24 | 2015-05-27 | 同济大学 | 基于企业生产与能耗耦合模型的能源优化方法 |
US20150199617A1 (en) * | 2014-01-16 | 2015-07-16 | Denso Corporation | Learning system, in-vehicle device, and server |
CN105139475A (zh) * | 2014-06-03 | 2015-12-09 | 福特全球技术公司 | 用于产生车辆使用模型的设备和系统 |
CN108536123A (zh) * | 2018-03-26 | 2018-09-14 | 北京交通大学 | 长短时记忆网络结合神经网络的列控车载设备的故障诊断方法 |
CN108688676A (zh) * | 2017-03-29 | 2018-10-23 | 马自达汽车株式会社 | 车辆驾驶支援系统以及车辆驾驶支援方法 |
CN110852445A (zh) * | 2019-10-28 | 2020-02-28 | 广州文远知行科技有限公司 | 分布式机器学习训练方法、装置、计算机设备和存储介质 |
CN111212110A (zh) * | 2019-12-13 | 2020-05-29 | 清华大学深圳国际研究生院 | 一种基于区块链的联邦学习系统及方法 |
CN111247552A (zh) * | 2017-10-18 | 2020-06-05 | 三星电子株式会社 | 数据学习服务器以及用于生成和使用其学习模型的方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4225645B2 (ja) | 1999-08-25 | 2009-02-18 | 株式会社日立製作所 | 車両用コントロールユニットのデータ書き換え装置 |
JP2002323410A (ja) | 2001-04-25 | 2002-11-08 | Fuji Heavy Ind Ltd | 車両管理システム |
JP4287081B2 (ja) | 2001-09-19 | 2009-07-01 | 株式会社東芝 | 車両情報配信システム |
JP2011080480A (ja) | 2011-01-24 | 2011-04-21 | Yamaha Motor Co Ltd | 車両用エンジンの制御装置 |
JP6163852B2 (ja) | 2013-04-26 | 2017-07-19 | いすゞ自動車株式会社 | エンジンの燃料噴射制御装置 |
US20190303886A1 (en) * | 2017-08-03 | 2019-10-03 | Liquineq AG | System and method for multi-tiered distributed network transactional database |
JP6555831B2 (ja) * | 2017-12-27 | 2019-08-07 | 任天堂株式会社 | 情報処理プログラム、情報処理システム、情報処理装置、および、情報処理方法 |
JP2019183823A (ja) | 2018-04-12 | 2019-10-24 | 株式会社デンソー | 車両制御装置 |
US10614709B2 (en) * | 2018-07-24 | 2020-04-07 | May Mobility, Inc. | Systems and methods for implementing multimodal safety operations with an autonomous agent |
JP7200538B2 (ja) | 2018-08-21 | 2023-01-10 | 大日本印刷株式会社 | 商品トレースシステム、商品情報管理サーバ、情報端末、商品トレース方法、及びプログラム |
JP6699702B2 (ja) | 2018-10-17 | 2020-05-27 | トヨタ自動車株式会社 | 内燃機関の制御装置及びその制御方法、並びに内燃機関を制御するための学習モデル及びその学習方法 |
US20210192450A1 (en) * | 2019-12-20 | 2021-06-24 | Gm Cruise Holdings Llc | Real-time bill of materials for a vehicle |
US11636389B2 (en) * | 2020-02-19 | 2023-04-25 | Microsoft Technology Licensing, Llc | System and method for improving machine learning models by detecting and removing inaccurate training data |
-
2020
- 2020-10-09 JP JP2020171427A patent/JP7276298B2/ja active Active
-
2021
- 2021-09-22 US US17/481,761 patent/US20220113719A1/en active Pending
- 2021-09-30 CN CN202111160415.1A patent/CN114326697B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5168550A (en) * | 1989-02-23 | 1992-12-01 | Matsushita Electric Industrial Co., Ltd. | Neutral network with plural weight calculation methods and variation of plural learning parameters |
US20150199617A1 (en) * | 2014-01-16 | 2015-07-16 | Denso Corporation | Learning system, in-vehicle device, and server |
CN105139475A (zh) * | 2014-06-03 | 2015-12-09 | 福特全球技术公司 | 用于产生车辆使用模型的设备和系统 |
CN104657784A (zh) * | 2014-12-24 | 2015-05-27 | 同济大学 | 基于企业生产与能耗耦合模型的能源优化方法 |
CN108688676A (zh) * | 2017-03-29 | 2018-10-23 | 马自达汽车株式会社 | 车辆驾驶支援系统以及车辆驾驶支援方法 |
CN111247552A (zh) * | 2017-10-18 | 2020-06-05 | 三星电子株式会社 | 数据学习服务器以及用于生成和使用其学习模型的方法 |
CN108536123A (zh) * | 2018-03-26 | 2018-09-14 | 北京交通大学 | 长短时记忆网络结合神经网络的列控车载设备的故障诊断方法 |
CN110852445A (zh) * | 2019-10-28 | 2020-02-28 | 广州文远知行科技有限公司 | 分布式机器学习训练方法、装置、计算机设备和存储介质 |
CN111212110A (zh) * | 2019-12-13 | 2020-05-29 | 清华大学深圳国际研究生院 | 一种基于区块链的联邦学习系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
JP7276298B2 (ja) | 2023-05-18 |
US20220113719A1 (en) | 2022-04-14 |
JP2022063084A (ja) | 2022-04-21 |
CN114326697B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190234336A1 (en) | Vehicle predictive control system based on big data and method thereof | |
CN113830097B (zh) | 车辆、模型学习系统以及服务器 | |
CN113392573A (zh) | 用于创建经训练的人工神经网络的方法、用于预测车辆排放数据的方法和确定校准值的方法 | |
CN114077237B (zh) | 机器学习装置 | |
US11820398B2 (en) | Learning apparatus and model learning system | |
JP6935837B1 (ja) | 機械学習装置及び機械学習システム | |
JP7040589B1 (ja) | 機械学習方法及び機械学習システム | |
JP6791347B1 (ja) | モデル診断装置及びモデル診断システム | |
CN114326697B (zh) | 模型学习系统、车辆的控制装置以及模型学习方法 | |
JP6939963B1 (ja) | モデル学習システム及びサーバ | |
JP6962435B1 (ja) | 機械学習装置 | |
US20230145386A1 (en) | Model learning system and model learning device | |
Kim et al. | Compare of Vehicle Management over the Air and On-Board Diagnostics | |
JP2022079938A (ja) | 機械学習システム | |
JP2022035222A (ja) | 機械学習装置 | |
JP2022076257A (ja) | 機械学習システム、車両及びサーバ | |
US20220292350A1 (en) | Model updating apparatus, model updating method, and model updating program | |
JP2022053033A (ja) | 機械学習装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |