CN115136161A - 推理装置、驾驶辅助装置、推理方法和服务器 - Google Patents

推理装置、驾驶辅助装置、推理方法和服务器 Download PDF

Info

Publication number
CN115136161A
CN115136161A CN202080097069.4A CN202080097069A CN115136161A CN 115136161 A CN115136161 A CN 115136161A CN 202080097069 A CN202080097069 A CN 202080097069A CN 115136161 A CN115136161 A CN 115136161A
Authority
CN
China
Prior art keywords
machine learning
inference
data
unit
learning model
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.)
Pending
Application number
CN202080097069.4A
Other languages
English (en)
Inventor
奥田太郎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of CN115136161A publication Critical patent/CN115136161A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/096—Transfer learning
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/082—Selecting or switching between different modes of propelling
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/005—Handover processes
    • B60W60/0051—Handover processes from occupants to vehicle
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/005—Handover processes
    • B60W60/0053—Handover processes from vehicle to occupant
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/09623—Systems involving the acquisition of information from passive traffic signs by means mounted on the vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096716—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information does not generate an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096775—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a central station
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/215—Selection or confirmation of options

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Molecular Biology (AREA)
  • Human Computer Interaction (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请所涉及的推理装置包括：获取数据的数据获取部(11)；推理部(12)，该推理部(12)在以数据为输入并输出第一推理结果的第一机器学习模型(16)中，输入由数据获取部(11)获取到的数据来推理第一推理结果；相似度计算部(13)，该相似度计算部(13)基于将数据获取部(11)获取的数据输入到以数据为输入并输出第二推理结果的第二机器学习模型(17)中进行推理得到的第二推理结果和数据获取部(11)获取到的数据，计算数据获取部(11)获取到的数据与第二推理结果的相似度；判断部(14、14a)，该判断部(14、14a)通过比较相似度计算部(13)计算出的相似度与推理结果判定用阈值，判断是否输出第一推理结果；以及输出部(15)，该输出部(15)在判断部(14、14a)判断为输出第一推理结果的情况下，输出第一推理结果。

Description

推理装置、驾驶辅助装置、推理方法和服务器
技术领域
本公开涉及使用机器学习中的完成学习模型(以下称为“机器学习模型”。)进行推理的推理装置、驾驶辅助装置、推理方法和服务器。
背景技术
以往，在自动驾驶等领域，使用机器学习模型进行推理的技术是众所周知的。
在专利文献1中公开了一种信息处理装置，在使用无监督数据的估计结果与使用有监督数据的估计结果相似的情况下，基于该有监督数据所具有的监督信息来生成无监督数据的监督信息。
现有技术文献
专利文献
专利文献1：日本专利特开2019－87012号公报
发明内容
发明所要解决的技术问题
在使用机器学习模型进行推理的情况下，有时会向该机器学习模型输入与该机器学习模型在学习时输入的数据相似度相差甚远的数据。其结果是，存在有可能会输出不合理的推理结果的问题。
专利文献1中公开的技术是判断学习数据中的有监督数据和无监督数据的相似度的技术，不是判断推理时输入的数据和学习时输入的数据的相似度的技术。因此，不能为了解决上述问题而使用专利文献1中公开的技术。
本公开是为了解决上述问题而提出的，其目的是提供一种能够防止输出不合理的推理结果的推理装置。
用于解决技术问题的技术手段
本公开所涉及的推理装置包括：获取数据的数据获取部；推理部，该推理部在以数据为输入并输出第一推理结果的第一机器学习模型中，输入由数据获取部获取到的数据来推理第一推理结果；相似度计算部，该相似度计算部基于将数据获取部获取的数据输入到以数据为输入并输出第二推理结果的第二机器学习模型中进行推理得到的第二推理结果和数据获取部获取到的数据，计算数据获取部获取到的数据与第二推理结果的相似度；判断部，该判断部通过比较相似度计算部计算出的相似度与推理结果判定用阈值，判断是否输出第一推理结果；以及输出部，该输出部在判断部判断为输出第一推理结果的情况下，输出第一推理结果。
发明效果
根据本公开，能够防止输出不合理的推理结果。
附图说明
图1是示出实施方式1所涉及的推理装置的结构例的图。
图2是示出实施方式1中第一机器学习模型和第二机器学习模型的关系的图。
图3是示出实施方式1中的车辆周边数据与输出车辆周边数据的相似度[S]的(式1)。
图4示出在实施方式1中，基于“正确数据相似度”的分布和“错误数据相似度”的分布而统计学地设定的推理结果判定用阈值的示意图的一个示例。
图5是用于说明实施方式1所涉及的推理装置的动作的流程图。
图6是用于说明在实施方式1中第一推理部在判断部判断为输出驾驶辅助信息之后推理驾驶辅助信息的情况下的推理装置的动作的流程图。
图7是示出实施方式2所涉及的推理装置的结构例的图。
图8是示出实施方式2中第二模型选择部通过将相似度计算部计算出的每个第二机器学习模型的相似度与推理结果判定用阈值进行比较来选择出选择第二机器学习模型的方法的示意图的一个示例的图。
图9是示出实施方式2中暂定第二模型选择部基于代表相似度计算部计算出的代表相似度以及学习时相似度信息来选择暂定第二机器学习模型的方法的示意图的一个示例的图。
图10是用于说明实施方式2所涉及的推理装置的动作的流程图。
图11是用于说明当推理装置进行并行计算而选择出选择第二机器学习模型时的图10的步骤ST1005的具体动作的流程图。
图12是用于说明当推理装置进行顺序计算而选择出选择第二机器学习模型时的图10的步骤ST1005的具体动作的流程图。
图13是用于说明在实施方式2中第一推理部在判断部判断为输出驾驶辅助信息之后推理驾驶辅助信息的情况下的推理装置的动作的流程图。
图14A、图14B是示出实施方式1所涉及的推理装置或实施方式2所涉及的推理装置的硬件结构的一个示例的图。
图15是示出在服务器中具备实施方式1所涉及的推理装置或实施方式2所涉及的推理装置、且服务器和车辆经由网络连接的推理系统的结构例的图。
具体实施方式
以下，参照附图对本发明的实施方式进行详细说明。
实施方式1.
图1是示出实施方式1所涉及的推理装置1的结构例的图。
在实施方式1中，推理装置1具备驾驶辅助装置100，该驾驶辅助装置100输出用于辅助车辆的驾驶员的驾驶的信息(以下称为“驾驶辅助信息”)。另外，驾驶辅助装置100辅助驾驶的车辆以具有自动驾驶功能为前提。即使车辆具有自动驾驶功能，驾驶员也能不执行该自动驾驶功能而自行驾驶车辆。在能够自动驾驶的车辆中由驾驶员自行驾驶的情况下，驾驶辅助装置100输出驾驶辅助信息。具体而言，驾驶辅助信息例如是表示识别了车辆周边的其他车辆、信号或标志等物体的信息。驾驶辅助装置100搭载于车辆上。
推理装置1基于与车辆周边相关的数据(以下称为“车辆周边数据”)和第一机器学习模型16来推理驾驶辅助信息，并输出推理出的驾驶辅助信息。第一机器学习模型16完成学习，使得通过准备了与输入数据对应的正确数据的有监督学习来推理出推理结果(以下称为“第一推理结果”)。在实施方式1中，第一机器学习模型16完成学习，使得通过准备了与车辆周边数据对应的正确数据的有监督学习，推理驾驶辅助信息以作为第一推理结果。
此时，推理装置1使用第二机器学习模型17来判断由第一机器学习模型16推理出的驾驶辅助信息是否合理。第二机器学习模型17使用与第一机器学习模型16相同的输入数据来完成学习，以使得输入数据与作为推理结果(以下称为“第二推理结果”)的输出数据相等。在实施方式1中，第二机器学习模型17将车辆周边数据作为输入，并完成学习，使得作为第二推理结果，输出与车辆周边数据内容相同的输出数据(以下称为“输出车辆周边数据”)。
在实施方式1中，第一机器学习模型16和第二机器学习模型17是通过神经网络中的深度学习来学习的机器学习模型。
图2是示出实施方式1中第一机器学习模型16和第二机器学习模型17的关系的图。
作为前提，神经网络推理时的输出取决于学习时输入的数据(以下称为“学习时数据”)的偏差。因此，假定当输入与该第一机器学习模型16的学习时数据内容相同的车辆周边数据时，第一机器学习模型16能够推理出正确的解，换言之，第一机器学习模型16能够推理出正确的驾驶辅助信息。
这里，如上所述，第二机器学习模型17进行学习，使得输出与作为输入的车辆周边数据内容相同的输出数据、即输出车辆周边数据。因此，推理时，在将具有与第二机器学习模型17的学习时数据相近特征的车辆周边数据作为该第二机器学习模型17的输入的情况下，作为该第二机器学习模型17的输入的车辆周边数据与输出的输出车辆周边数据之间的差异变小。另一方面，推理时，在将具有与第二机器学习模型17的学习时数据不同特征的车辆周边数据作为该第二机器学习模型17的输入的情况下，作为该第二机器学习模型17的输入的车辆周边数据与输出的输出车辆周边数据之间产生差异。另外，在推理时作为第二机器学习模型17的输入的车辆周边数据是在推理时作为第一机器学习模型16的输入的车辆周边数据。
在实施方式1中，将推理时作为第二机器学习模型17的输入的车辆周边数据的特征与输出的输出车辆周边数据的特征是否接近的程度称为车辆周边数据与输出车辆周边数据的“相似度”。
在推理时作为第二机器学习模型17的输入的车辆周边数据与该第二机器学习模型17输出的输出车辆周边数据之间产生的差异越小，车辆周边数据与输出车辆周边数据的相似度越大。可以说，车辆周边数据与输出车辆周边数据的相似度越大，推理时的车辆周边数据具有与学习时数据越相近的特征。假定在推理时的车辆周边数据特征与学习时数据的特征相近时，推理出的驾驶辅助信息是正确的。
另一方面，在推理时作为第二机器学习模型17的输入的车辆周边数据与该第二机器学习模型17输出的输出车辆周边数据之间产生的差异大时，车辆周边数据与输出车辆周边数据的相似度小。可以说，车辆周边数据与输出车辆周边数据的相似度越小，推理时的车辆周边数据的特征越与学习时数据不同。假定在推理时的车辆周边数据特征与学习时数据的特征不同时，推理出的驾驶辅助信息不是正确的。
推理装置1在推理时计算车辆周边数据与输出车辆周边数据的相似度，并基于计算出的相似度判断驾驶辅助信息是否合理。
推理装置1中的相似度的计算方法将在后面叙述。此外，推理装置1进行的判断驾驶辅助信息是否合理的方法的详细情况将在后面叙述。
当推理装置1判断基于第一机器学习模型16推理的驾驶辅助信息是合理的情况下，推理装置1向驾驶辅助装置100输出该驾驶辅助信息。
另外，在实施方式1中，如上所述，第一机器学习模型16是用于获取表示识别出物体的信息的用途的机器学习模型，但这只是一个示例。第一机器学习模型16是用于获得用于任何用途的任何第一推理结果的机器学习模型。
如图1所示，推理装置1包括数据获取部11、推理部12、相似度计算部13、判断部14、输出部15、第一机器学习模型16以及第二机器学习模型17。另外，实施方式1中，如图1所示，第一机器学习模型16和第二机器学习模型17设置于推理装置1，但这仅是一个示例。第一机器学习模型16和第二机器学习模型17也可以设置于推理装置1的外部的、推理装置1能参照的地方。
推理部12包括第一推理部121及第二推理部122。
数据获取部11获取车辆周边的信息。
车辆周边的信息例如包含与本车辆的位置相关的信息、拍摄车辆周边的拍摄图像或地图信息。数据获取部11例如从搭载于车辆的GPS(Global Positioning System：全球定位系统)、搭载于车辆的拍摄装置(图示省略)、或者车辆外的服务器(图示省略)所存储的地图信息数据库，获取车辆周边的信息。
数据获取部11基于所获取的车辆周边的信息，获取作为第一机器学习模型16和第二机器学习模型17的输入的车辆周边数据。在实施方式1中，车辆周边数据是从车辆周边的信息中提取的表示一个以上特征量的数据。特征量是本车辆的位置、其他车辆的位置或者行人的位置等。
数据获取部11基于车辆周边的信息来获取表示一个以上的特征量的车辆周边数据。
数据获取部11将表示一个以上的特征量的车辆周边数据输出到推理部12以及相似度计算部13。在实施方式1中，表示一个以上特征量的车辆周边数据也简称为“车辆周边数据”。
推理部12向第一机器学习模型16输入数据获取部11获取的车辆周边数据，推理驾驶辅助信息。
推理部12向第二机器学习模型17输入数据获取部11获取的车辆周边数据，推理输出车辆周边数据。
具体而言，推理部12的第一推理部121向第一机器学习模型16输入数据获取部11获取到的车辆周边数据，推理驾驶辅助信息。
推理部12的第二推理部122向第二机器学习模型17输入数据获取部11获取到的车辆周边数据，推理输出车辆周边数据。
第一推理部121将推理出的驾驶辅助信息输出到判断部14。第二推理部122将推理出的输出车辆周边数据输出到相似度计算部13。
相似度计算部13基于第二推理部122向第二机器学习模型17输入由数据获取部11获取的车辆周边数据而推理出的输出车辆周边数据、以及数据取得部11获取的车辆周边数据，计算数据获取部11获取的车辆周边数据与推理出的输出车辆周边数据的相似度。
这里，图3是示出实施方式1中的车辆周边数据与输出车辆周边数据的相似度[S]的(式1)。
在(式1)中，“x”表示第二推理部122作为第二机器学习模型的输入的车辆周边数据，“x’”表示第二推理部122向第二机器学习模型输入车辆周边数据而推理出的输出车辆周边数据。
如图3所示，在实施方式1中，车辆周边数据与输出车辆周边数据的相似度由使用车辆周边数据与输出车辆周边数据的余弦相似度来表示。“x”和“x’”分别为具有N个元素的向量x＝{x1,x2,x3,…,xN},x’＝{x’1,x’2,x’3,…,x’N}。余弦相似度根据(式1)确定为一个值，而不取决于车辆周边数据以及输出车辆周边数据中包含的特征量的数量。车辆周边数据与输出车辆周边数据的特征越接近，相似度就越大。
相似度计算部13基于图3所示的(式1)计算车辆周边数据与输出车辆周边数据的相似度。
相似度计算部13将计算出的相似度输出到判断部14。
判断部14通过比较相似度计算部13计算出的相似度与推理结果判定用阈值，判断是否输出第一推理部121推理出的驾驶辅助信息。
具体而言，判断部14首先设定推理结果判定用阈值。
判断部14基于测试第一机器学习模型16时的“正确数据测试”和“正确推理结果”计算出的“正确数据相似度”、以及测试第一机器学习模型16时的“错误测试数据”和“错误推理结果”计算出的“错误数据相似度”，设定推理结果判定用阈值。
“正确测试数据”是在测试第一机器学习模型16时输入到该第一机器学习模型16的结果为输出的驾驶辅助信息是正确的、作为测试数据的车辆周边数据。另外，作为测试数据的车辆周边数据包含一个以上特征量。
“正确推理结果”是将上述“正确测试数据”输入到第二机器学习模型17时输出的输出车辆周边数据。
“正确数据相似度”是基于上述“正确测试数据”和上述“正确推理结果”计算的、上述“正确测试数据”和上述“正确推理结果”的相似度。
“错误测试数据”是在测试第一机器学习模型16时输入到该第一机器学习模型16的结果为输出的驾驶辅助信息为错误的、作为测试数据的车辆周边数据。
“错误推理结果”是将上述“错误测试数据”输入到第二机器学习模型17时输出的输出车辆周边数据。
“错误数据相似度”是基于上述“错误测试数据”和上述“错误推理结果”计算的、上述“错误测试数据”和上述“错误推理结果”的相似度。
判断部14以与相似度计算部13计算车辆周边数据与输出车辆周边数据的相似度相同的方法，计算“正确数据相似度”以及“错误数据相似度”即可(参照图3的(式1))。
“正确测试数据”、“正确推理结果”、“错误测试数据”以及“错误推理结果”在测试第一机器学习模型16及第二机器学习模型17时存储在推理装置1可参照的存储部(省略图示)中。
判断部14基于“正确数据相似度”的分布和“错误数据相似度”的分布，统计学地设定推理结果判定用阈值。
这里，图4示出在实施方式1中，基于“正确数据相似度”的分布和“错误数据相似度”的分布而统计学地设定的推理结果判定用阈值的示意图的一个示例。
在推理时包含多个特征量的车辆周边数据可以是第一机器学习模型16和第二机器学习模型17的输入的情况下，使用包含该多个特征量的测试数据来测试第一机器学习模型16和第二机器学习模型17。
在图4中，横轴表示“正确数据相似度”或“错误数据相似度”。纵轴表示“正确数据相似度”的个数或“错误数据相似度”的个数。
判断部14如上述那样设定了推理结果判定用阈值时，通过比较相似度计算部13计算出的相似度与推理结果判定用阈值，判断是否输出第一推理部121推理出的驾驶辅助信息。
具体而言，在实施方式1中，当相似度计算部13计算出的相似度大于推理结果判定用阈值时，判断部14判断为输出第一推理部121推理出的驾驶辅助信息。
判断部14将是否输出第一推理部121推理出的驾驶辅助信息的判断结果输出到输出部15。判断部14在判断为输出第一推理部121推理出的驾驶辅助信息时，将驾驶辅助信息与判断结果相关联，并输出到输出部15。
另外，在实施方式1，相似度由使用车辆周边数据和输出车辆周边数据的余弦相似度表示。因此，相似度越大，说明车辆周边数据的特征与输出车辆周边数据的特征越接近。因此，在相似度计算部13计算出的相似度大于推理结果判定用阈值的情况下，判断部14判断为输出第一推理部121推理出的驾驶辅助信息，但这只是一个示例。
根据相似度的设定方法，有时也可以说相似度越大，车辆周边数据的特征与输出车辆周边数据的特征越不接近。举具体例子，例如，假设相似度通过车辆周边数据与输出车辆周边数据的差分来表示。该情况下，可以说相似度、换言之差分越大，车辆周边数据的特征与车辆周边数据的特征越不接近。判断部14在相似度比推理结果判定用阈值小的情况下，判断为输出驾驶辅助信息。
由此，判断部14判断为输出驾驶辅助信息并不限定于相似度大于推理结果判定用阈值的情况。判断部14可以通过比较相似度和推理结果判定用阈值来判断是否输出驾驶辅助信息。
此外，在实施方式1中，如上所述，判断部14计算“正确数据相似度”以及“错误数据相似度”，设定推理结果判定用阈值，但这仅仅是一例。例如，相似度计算部13在计算数据获取部11获取的车辆周边数据与将该车辆周边数据输入到第二机器学习模型17而推理出的输出车辆周边数据之间的相似度时，也可以计算“正确数据相似度”以及“错误数据相似度”并输出到判断部14。判断部14基于从相似度计算部13输出的“正确数据相似度”以及“错误数据相似度”，设定推理结果判定用阈值。此外，例如，在测试第一机器学习模型16和第二机器学习模型17时，计算“正确数据相似度”和“错误数据相似度”，也可以基于“正确数据相似度”以及“错误数据相似度”来设定推理结果判定用阈值。假设测试时设定的推理结果判定用阈值存储在存储部中。
只要在判断部14使用该推理结果判定用阈值判断是否输出第一推理部121推理出的驾驶辅助信息之前设定推理结果判定用阈值即可。
输出部15在判断部14判断为输出第一推理部121推理出的驾驶辅助信息时，将该驾驶辅助信息输出到驾驶辅助装置100。
当判断部14判断为不输出由第一推理部121推理出的驾驶辅助信息时，输出部15向驾驶辅助装置100输出通知无法自动驾驶这一意思的通知信息。
当从输出部15输出通知信息时，驾驶辅助装置100询问车辆驾驶员是否从自动驾驶切换到手动驾驶。具体而言，例如，驾驶辅助装置100的询问部(省略图示)在车辆所具备的触摸面板式显示器(省略图示)上显示是否进行从自动驾驶到手动驾驶的切换的消息。驾驶员确认触摸板式显示器，触摸该触摸板式显示器等，输入是否切换到手动驾驶的指示。在输入了表示要切换到手动驾驶的指示的情况下，驾驶辅助装置100的驾驶控制部(省略图示)将车辆切换到手动驾驶控制。在未输入表示要切换到手动驾驶的指示的情况下，驾驶辅助装置100的驾驶控制部进行使车辆自动停车的控制。
对实施方式1所涉及的推理装置1的动作进行说明。
图5是用于说明实施方式1所涉及的推理装置1的动作的流程图。
数据获取部11基于所获取的车辆周边的信息，获取作为第一机器学习模型16和第二机器学习模型17的输入的车辆周边数据(步骤ST501)。
数据获取部11将获取的车辆周边数据输出到推理部12以及相似度计算部13。
推理部12的第一推理部121向第一机器学习模型16输入在步骤ST501由数据获取部11获取的车辆周边数据，推理驾驶辅助信息(步骤ST502)。
第一推理部121将推理出的驾驶辅助信息输出到判断部14。
推理部12的第二推理部122向第二机器学习模型17输入在步骤ST501由数据获取部11获取的车辆周边数据，推理输出车辆周边数据(步骤ST503)。
第二推理部122将推理出的输出车辆周边数据输出到相似度计算部13。
相似度计算部13基于第二推理部122在步骤ST503中推理出的输出车辆周边数据和在步骤ST501中数据获取部11获取的车辆周边数据，计算数据获取部11获取的车辆周边数据与输出车辆周边数据的相似度(步骤ST504)。
相似度计算部13将计算出的相似度输出到判断部14。
判断部14通过比较在步骤ST504中相似度计算部13计算出的相似度与推理结果判定用阈值，判断是否输出在步骤ST502中第一推理部121推理出的驾驶辅助信息(步骤ST505)。
判断部14将是否输出第一推理部121推理出的驾驶辅助信息的判断结果输出到输出部15。
当在步骤ST505中判断部14判断为输出由第一推理部121推理出的驾驶辅助信息时，输出部15将该驾驶辅助信息输出到驾驶辅助装置100(步骤ST506)。
当判断部14判断为不输出由第一推理部121推理出的驾驶辅助信息时，输出部15向驾驶辅助装置100输出通知无法自动驾驶这一意思的通知信息。
另外，在图5中，假设了以步骤ST502、ST503的顺序进行推理装置1的动作，但是图5中的步骤ST502的动作和步骤ST503的动作的顺序可以相反。
此外，在使用图5的动作说明中，在推理装置1中，推理部12的第一推理部121在判断部14判断是否输出驾驶辅助信息(步骤ST505)之前，推理该驾驶辅助信息(步骤ST502)，判断部14在判断为输出第一推理结果时，输出第一推理部121已推理完成的驾驶辅助信息，但这只是一个示例。
在推理装置1中，推理部12的第一推理部121也可以在判断部14判断为输出驾驶辅助信息时，推理驾驶辅助信息。
图6是用于说明在实施方式1中，第一推理部121在判断部14判断为输出驾驶辅助信息之后推理驾驶辅助信息的情况下的推理装置1的动作的流程图。
在图6中，步骤ST601至步骤ST606的具体动作分别与图5的步骤ST501、步骤ST503至步骤ST505、步骤ST502和步骤ST506的具体动作相同。
图6的流程图所示的推理装置1的动作中，第一推理部121推理驾驶辅助信息的动作(步骤ST605)在判断部14判断是否输出驾驶辅助信息(步骤ST604)之后，这一点与图5的流程图所示的推理装置1的动作不同。
如图6所示，通过使第一推理部121在判断部14判断为输出驾驶辅助信息之后推理驾驶辅助信息，第一推理部121可以省略不必要的驾驶辅助信息的推理动作。
一般地，通过基于有监督标签的测试数据进行测试，提高了在有监督学习中机器学习模型的精度。但是，在机器学习模型实际运用的阶段，要证明该机器学习模型在学习时的学习时数据与实际运用中输入的数据相比没有偏差是不可能的。假设学习时未考虑的数据在实际运用中被作为推理时机器学习模型的输入时，可能会输出错误的推理结果。
与此相对，实施方式1的推理装置1对将在实际运用中的推理时获取的、作为第一机器学习模型16的输入的车辆周边数据输入到第二机器学习模型17而推理出的输出车辆周边数据、与获取到的车辆周边数据的相似度进行计算，比较该相似度和推理结果判定用阈值。由此，推理装置1判断所获取的车辆周边数据是否具有与第一机器学习模型16的学习时数据相近的特征。然后，推理装置1判断是否输出将所获取的车辆周边数据输入到第一机器学习模型16并推理出的驾驶辅助信息。
推理装置1在比较相似度和推理结果判定用阈值的结果是判断为所获取的车辆周边数据具有与第一机器学习模型16的学习时数据相近的特征的情况下，输出驾驶辅助信息。即，推理装置1在保证了驾驶辅助信息的可靠性的状态下，输出驾驶辅助信息。换言之，推理装置1能够防止输出不合理的推理结果。
另外，推理装置1在比较相似度和推理结果判定用阈值的结果是判断为不输出驾驶辅助信息的情况下，不输出驾驶辅助信息而输出通知无法自动驾驶的通知信息。当从推理装置1输出通知信息时，驾驶辅助装置100不进行基于驾驶辅助信息的自动驾驶控制。推理装置1通知无法自动驾驶的意思，以便基于由该推理装置1输出的驾驶辅助信息进行自动驾驶控制的驾驶辅助装置100不进行自动驾驶控制，从而能够提高驾驶辅助装置100中的自动驾驶控制的可靠性。
如上所述，根据实施方式1，推理装置1包括：获取数据(车辆周边数据)的数据获取部11；推理部12，该推理部12在以数据为输入并输出第一推理结果的第一机器学习模型16中，输入由数据获取部11获取到的数据来推理第一推理结果；相似度计算部13，该相似度计算部13基于将数据获取部11获取的数据输入到以数据为输入并输出第二推理结果的第二机器学习模型17中进行推理得到的第二推理结果和数据获取部11获取到的数据，计算数据获取部11获取到的数据与第二推理结果的相似度；判断部14，该判断部14通过比较相似度计算部13计算出的相似度与推理结果判定用阈值，判断是否输出第一推理结果；以及输出部15，该输出部15在判断部14判断为输出第一推理结果的情况下，输出第一推理结果。因此，推理装置1能够防止输出不合理的推理结果。
实施方式2.
在实施方式1中，第一机器学习模型16和第二机器学习模型17分别为一个。
在实施方式2中，说明在存在多个第一机器学习模型16和第二机器学习模型17的情况下，推理装置1a判断是否输出驾驶辅助信息的实施方式。
图7是示出实施方式2所涉及的推理装置1a的结构例的图。
图7中，对于与实施方式1中用图1所说明的推理装置1的结构相同的结构，标注相同的标号并省略重复的说明。
在实施方式2中，存在多个第一机器学习模型16-1至16-n。此外，对于多个第一机器学习模型16-1至16-n，存在与第一机器学习模型16-1至16-n对应的第二机器学习模型17-1至17-n。第一机器学习模型16-1至16-n与第二机器学习模型17-1至17-n对应，是指基于相同学习时数据学习的第一机器学习模型16-1至16-n与第二机器学习模型17-1至17-n。即，在实施方式2中，存在多组基于彼此相同的学习时数据学习得到的、成对的第一机器学习模型16-1至16-n和第二机器学习模型17-1至17-n。
多个第一机器学习模型16-1至16-n是用于相同用途的机器学习模型。多个第一机器学习模型16-1至16-n在学习时输入的学习时数据各不相同。
在实施方式2中作为一个示例，第一机器学习模型16-1至16-n与实施方式1的第一机器学习模型16相同，是用于获取表示识别出物体的信息的用途的机器学习模型。
在实施方式2中，多个第一机器学习模型16-1至16-n被统称为第一机器学习模型16。此外，多个第二机器学习模型17-1至17-n被统称为第二机器学习模型17。
推理装置1a对第二机器学习模型17进行并行计算或顺序计算，从多个第二机器学习模型17中选择一个第二机器学习模型17(以下称为“选择第二机器学习模型”)。
当推理装置1a选择了选择第二机器学习模型时，推理装置1a选择与选择第二机器学习模型对应的第一机器学习模型16(以下称为“选择第一机器学习模型”)。
推理装置1a判断是否输出选择第一机器学习模型推理的驾驶辅助信息。
关于推理装置1a对第二机器学习模型17进行的并行计算或顺序计算的细节、以及在推理装置1a中选择出选择第二机器学习模型和选择第一机器学习模型的方法将在后文叙述。
实施方式2所涉及的推理装置1a与实施方式1所涉及的推理装置1的不同之处在于具备代表相似度计算部18和暂定第二模型选择部19。
此外，实施方式2所涉及的推理装置1a与实施方式1所涉及的推理装置1的不同之处在于，判断部14a包括第一模型选择部141和第二模型选择部142。此外，实施方式2所涉及的推理装置1a与实施方式1所涉及的推理装置1中，推理部12和相似度计算部13的动作不同。
推理部12的第一推理部121针对每个第一机器学习模型16推理驾驶辅助信息。第一推理部121使用第一机器学习模型16推理驾驶辅助信息的具体方法在实施方式1中已经说明，因此省略详细说明。
第一推理部121将推理出的每个第一机器学习模型16的驾驶辅助信息输出到判断部14a。第一推理部121将驾驶辅助信息与能够确定推理出该驾驶辅助信息的第一机器学习模型16的信息相关联，并输出到判断部14a。
推理部12的第二推理部122针对每个第二机器学习模型17推理输出车辆周边数据。第二推理部122使用第二机器学习模型17推理驾驶辅助信息的具体方法在实施方式1中已经说明，因此省略详细说明。
第二推理部122将推理出的每个第二机器学习模型17的输出车辆周边数据输出到相似度计算部13。第二推理部122将输出车辆周边数据与能够确定推理出该输出车辆周边数据的第二机器学习模型17的信息相关联，并输出到相似度计算部13。
相似度计算部13针对所有第二机器学习模型17计算相似度。具体而言，相似度计算部13针对每个第二机器学习模型17，基于由第二推理部122推理出的输出车辆周边数据和由数据获取部11获取的车辆周边数据，计算数据获取部11获取的车辆周边数据与推理出的输出车辆周边数据的相似度。由于在实施方式1中已经说明了相似度计算部13计算相似度的具体方法，因此省略详细说明。
相似度计算部13将计算出的每个第二机器学习模型17的相似度输出到判断部14a。相似度计算部13将每个第二机器学习模型17的相似度与能够确定第二机器学习模型17的信息相关联，并输出到判断部14a。
对于推理装置1a的结构，将分为推理装置1a进行并行计算而选择出选择第二机器学习模型的情况和推理装置1a进行顺序计算而选择出选择第二机器学习模型的情况进行说明。
首先，对推理装置1a进行并行计算而选择出选择第二机器学习模型的情况下的推理装置1a的各结构进行说明。另外，对于推理装置1a的结构中已说明的与推理装置1相同的结构，省略重复的说明。
判断部14a对对应的第一机器学习模型16和第二机器学习模型17的每组，设定推理结果判定用阈值。判断部14a设定推理结果判定用阈值的方法与在实施方式1中说明的基于判断部14的推理结果判定用阈值相同，因此省略详细说明。
另外，推理结果判定用阈值也可以被预先设定并存储在存储部(省略图示)中。
判断部14a的第二模型选择部142通过比较相似度计算部13计算出的相似度与推理结果判定用阈值，从第二机器学习模型17中选择出选择第二机器学习模型。
图8是示出实施方式2中第二模型选择部142通过将相似度计算部13计算出的每个第二机器学习模型17的相似度与推理结果判定用阈值进行比较来选择出选择第二机器学习模型的方法的示意图的一个示例的图。
例如，第二模型选择部142从多个第二机器学习模型17中选择一个相似度大于推理结果判定用阈值的第二机器学习模型17作为选择第二机器学习模型。
第二模型选择部142在存在多个相似度大于推理结果判定用阈值的第二机器学习模型17的情况下，例如选择计算出最大相似度的第二机器学习模型17作为选择第二机器学习模型。
第二模型选择部142将与所选择的选择第二机器学习模型有关的信息输出到第一模型选择部141。
当不存在相似度大于推理结果判定用阈值的第二机器学习模型17时，第二模型选择部142不选择出选择第二机器学习模型。第二模型选择部142将表示未选择出选择第二机器学习模型的信息输出到第一模型选择部141。
第一模型选择部141选择与第二模型选择部142选择出的选择第二机器学习模型对应的选择第一机器学习模型。第一模型选择部141将与所选择的选择第一机器学习模型有关的信息输出到判断部14a。
当从第二模型选择部142输出表示没有选择出选择第二机器学习模型的信息时，第一模型选择部141不选择出选择第一机器学习模型。第一模型选择部141向判断部14a输出表示没有选择出选择第一机器学习模型的意思的信息。
当从第一模型选择部141输出与选择第一机器学习模型有关的信息时，判断部14a判断为第一推理部121输出基于选择第一机器学习模型进行推理的驾驶辅助信息。
判断部14a在从第一模型选择部141输出了表示没有选择出选择第一机器学习模型的信息的情况下，判断为第一推理部121推理的驾驶辅助信息都不进行输出。
判断部14a将是否输出第一推理部121推理出的驾驶辅助信息的判断结果输出到输出部15。判断部14a在判断为输出第一推理部121推理出的驾驶辅助信息时，与判断为输出的驾驶辅助信息相关联，并输出到输出部15。具体而言，判断部14a输出第一推理部121基于选择第一机器学习模型推理出的驾驶辅助信息。
接着，对推理装置1a进行顺序计算而选择出选择第二机器学习模型的情况下的推理装置1a的各结构进行说明。另外，对于推理装置1a的结构中实施方式1中已说明的与推理装置1相同的结构，省略重复的说明。
当推理装置1a进行顺序计算来选择出选择第二机器学习模型时，对于每个第二机器学习模型17，预先计算作为第二机器学习模型17的学习时数据的车辆周边数据与将该学习时数据输入到第二机器学习模型17而推理出的输出数据即输出车辆周边数据的相似度(以下称为“学习时数据相似度”)，并作为学习时相似度信息存储到存储部中。学习时相似度信息中，针对某个第二机器学习模型17，包含基于所有第二机器学习模型17的学习时数据而计算的学习时数据相似度。具体而言，例如，学习时相似度信息中，对于第二机器学习模型17-1，包含：第二机器学习模型17-1的学习时数据、与将第二机器学习模型17-1的学习时数据输入到第二机器学习模型17-1而推理出的输出数据之间的学习时数据相似度；第二机器学习数据17-2的学习时数据、与将第二机器学习模型17-2的学习时数据输入第二机器学习模型17-1而推理出的输出数据之间的学习时数据相似度；……；第二机器学习模型17-n的学习时数据、与将第二机器学习模型17-n的学习时数据输入到第二机器学习模型17-1而推理出的输出数据之间的学习时数据相似度。学习时相似度信息中，对于第二机器学习模型17-2至17-n同样地包含：第二机器学习模型17-1的学习时数据、与将第二机器学习模型17-1的学习时数据输入到第二机器学习模型17-1而推理出的输出数据之间的学习时数据相似度；第二机器学习数据17-2的学习时数据、与将第二机器学习模型17-2的学习时数据输入第二机器学习模型17-1而推理出的输出数据之间的学习时数据相似度；……；第二机器学习模型17-n的学习时数据、与将第二机器学习模型17-n的学习时数据输入到第二机器学习模型17-1而推理出的输出数据之间的学习时数据相似度。
学习时相似度信息例如是在第二机器学习模型17的学习时生成的。
代表相似度计算部18对数据获取部11获取的车辆周边数据与将该车辆周边数据输入到多个第二机器学习模型17中的某个第二机器学习模型17(以下称为“代表第二机器学习模型”)而推理出的输出车辆周边数据的相似度(以下称为“代表相似度”)进行计算。
代表相似度计算部18将多个第二机器学习模型17中的任意第二机器学习模型17设为代表第二机器学习模型。
代表相似度计算部18以与相似度计算部13计算相似度相同的方法计算代表相似度即可。
代表相似度计算部18将计算出的代表相似度输出到暂定第二模型选择部19。
暂定第二模型选择部19基于由代表相似度计算部18计算出的代表相似度以及学习时相似度信息，从多个第二机器学习模型17中选择一个第二机器学习模型17(以下称为“暂定第二机器学习模型”)。
具体而言，暂定第二模型选择部19从包含在学习时相似度信息中的学习时数据相似度中确定最接近代表相似度的学习时数据相似度。暂定第二模型选择部19选择计算出所确定的学习时数据相似度的第二机器学习模型17作为暂定第二机器学习模型。
图9是示出实施方式2中暂定第二模型选择部19基于代表相似度计算部18计算出的代表相似度以及学习时相似度信息来选择暂定第二机器学习模型的方法的示意图的一个示例的图。
图9示出作为一个示例，与代表相似度计算部18计算出的代表相似度最接近的学习时数据相似度、和第二机器学习模型(2)17-2的学习时数据与将该学习时数据输入到第二机器学习模型(2)17-2而推理出的输出数据之间的相似度最接近。
该情况下，暂定第二模型选择部19选择第二机器学习模型(2)17-2作为暂定第二机器学习模型。
暂定第二模型选择部19将与所选择的暂定第二机器学习模型有关的信息输出到判断部14a。
判断部14a的第二模型选择部142通过比较基于暂定第二机器学习模型计算出的相似度与推理结果判定用阈值，选择出选择第二机器学习模型。
基于暂定第二机器学习模型计算出的相似度是由相似度计算部13计算出的、由数据获取部11获取的车辆周边数据、和向暂定第二机器学习模型输入该车辆周边数据而推理出的输出车辆周边数据之间的相似度。
在基于暂定第二机器学习模型计算出的相似度大于推理结果判定用阈值的情况下，第二模型选择部142选择暂定第二机器学习模型作为选择第二机器学习模型。第二模型选择部142将与所选择的选择第二机器学习模型有关的信息输出到第一模型选择部141。
当基于暂定第二机器学习模型计算出的相似度在推理结果判定用阈值以下的情况下，第二模型选择部142不选择出选择第二机器学习模型。第二模型选择部142将表示没有选择出选择第二机器学习模型的信息输出到第一模型选择部141。
第一模型选择部141选择与第二模型选择部142选择出的选择第二机器学习模型对应的选择第一机器学习模型。第一模型选择部141将与所选择的选择第一机器学习模型有关的信息输出到判断部14a。
当从第二模型选择部142输出表示没有选择出选择第二机器学习模型的信息时，第一模型选择部141不选择出选择第一机器学习模型。第一模型选择部141向判断部14a输出表示没有选择出选择第一机器学习模型的意思的信息。
当从第一模型选择部141输出与选择第一机器学习模型有关的信息时，判断部14a判断为输出第一推理部121基于选择第一机器学习模型进行推理的驾驶辅助信息。
判断部14a在从第一模型选择部141输出了表示没有选择出选择第一机器学习模型的信息的情况下，判断为第一推理部121推理的驾驶辅助信息都不进行输出。
判断部14a将是否输出第一推理部121推理出的驾驶辅助信息的判断结果输出到输出部15。判断部14a在判断为输出第一推理部121推理出的驾驶辅助信息时，与判断为输出的驾驶辅助信息相关联，并输出到输出部15。具体而言，判断部14a输出第一推理部121基于选择第一机器学习模型推理出的驾驶辅助信息。
如上所述，代表相似度计算部18以及暂定第二模型选择部19仅在推理装置1a进行顺序计算而选择出选择第二机械学习模型的情况下发挥作用。
在推理装置1a在选择出选择第二机器学习模型时仅采用进行并行计算的方法的情况下，推理装置1a也可以是不具备代表相似度计算部18以及暂定第二模型选择部19的结构。该情况下，也不需要存储学习时相似度信息。
但是，推理装置1a进行顺序计算来选择出选择第二机器学习模型的情况下，由于能够不基于所获取的车辆周边数据和全部的第二机器学习模型来计算相似度而选择出选择第二机器学习模型，因此，与进行并行计算来选择出选择第二机器学习模型的情况相比，能够减轻处理负荷。
对实施方式2所涉及的推理装置1a的动作进行说明。
图10是用于说明实施方式2所涉及的推理装置1a的动作的流程图。
图10中，步骤ST1001和步骤ST1008的具体动作分别与实施方式1中所说明的图5的步骤ST501和步骤ST506的具体动作相同，因此省略重复的说明。
推理部12的第一推理部121针对每个第一机器学习模型16推理驾驶辅助信息(步骤ST1002)。
第一推理部121将推理出的每个第一机器学习模型16的驾驶辅助信息输出到判断部14a。第一推理部121将驾驶辅助信息与能够确定第一机器学习模型16的信息相关联，并输出到判断部14a。
推理部12的第二推理部122针对每个第二机器学习模型17推理输出车辆周边数据(步骤ST1003)。
第二推理部122将推理出的输出车辆周边数据输出到相似度计算部13。第二推理部122将输出车辆周边数据与能够确定第二机器学习模型17的信息相关联，并输出到相似度计算部13。
相似度计算部13针对所有第二机器学习模型17计算相似度(步骤ST1004)。
相似度计算部13将计算出的每个第二机器学习模型17的相似度输出到判断部14a。相似度计算部13将每个第二机器学习模型17的相似度与能够确定第二机器学习模型17的信息相关联，并输出到判断部14a。
判断部14a的第二模型选择部142通过比较在步骤ST1004中相似度计算部13计算出的相似度与推理结果判定用阈值，从多个第二机器学习模型17中选择出选择第二机器学习模型(步骤ST1005)。
对于步骤ST1005的具体的动作，将分为推理装置1a进行并行计算而选择出选择第二机器学习模型的情况和推理装置1a进行顺序计算而选择出选择第二机器学习模型的情况进行说明。
图11是用于说明当推理装置1a进行并行计算而选择出选择第二机器学习模型时的图10的步骤ST1005的具体动作的流程图。
判断部14a的第二模型选择部142通过比较图10的步骤ST1004中相似度计算部13计算出的相似度与推理结果判定用阈值，从第二机器学习模型17中选择出选择第二机器学习模型。
具体而言，例如，第二模型选择部142判定在多个第二机器学习模型17中是否存在相似度大于推理结果判定用阈值的第二机器学习模型17(步骤ST1101)。
在步骤ST1101，当存在相似度大于推理结果判定用阈值的第二机器学习模型17的情况(步骤ST1101为“是”的情况)下，第二模型选择部142选择相似度大于推理结果判定用阈值的第二机器学习模型17作为选择第二机器学习模型(步骤ST1102)。
第二模型选择部142将与所选择的选择第二机器学习模型有关的信息输出到第一模型选择部141。
在步骤ST1101，当不存在相似度大于推理结果判定用阈值的第二机器学习模型17的情况(步骤ST1101为“否”的情况)下，第二模型选择部142不选择出选择第二机器学习模型。第二模型选择部142将表示没有选择出选择第二机器学习模型的信息输出到第一模型选择部141。
推理装置1a的动作前进至图10的步骤ST1006。
图12是用于说明当推理装置1a进行顺序计算而选择出选择第二机器学习模型时的图10的步骤ST1005的具体动作的流程图。
代表相似度计算部18计算在图10的步骤ST1001中由数据获取部11获取的车辆周边数据与将该车辆周边数据输入到代表第二机器学习模型而推理出的输出车辆周边数据的代表相似度(步骤ST1201)。
代表相似度计算部18将计算出的代表相似度输出到暂定第二模型选择部19。
暂定第二模型选择部19基于步骤ST1201中由代表相似度计算部18计算出的代表相似度以及学习时相似度信息，从多个第二机器学习模型17中选择一个暂定第二机器学习模型(步骤ST1202)。
具体而言，暂定第二模型选择部19从包含在学习时相似度信息中的学习时数据相似度中确定最接近代表相似度的学习时数据相似度。暂定第二模型选择部19选择计算出所确定的学习时数据相似度的第二机器学习模型17作为暂定第二机器学习模型。
暂定第二模型选择部19将与所选择的暂定第二机器学习模型有关的信息输出到判断部14a。
判断部14a的第二模型选择部142通过比较基于暂定第二机器学习模型计算出的相似度与推理结果判定用阈值，选择出选择第二机器学习模型。
具体而言，例如，第二模型选择部142判定基于暂定第二机器学习模型计算出的相似度是否大于推理结果判定用阈值(步骤ST1203)。
在步骤ST1203，在判定为基于暂定第二机器学习模型计算出的相似度大于推理结果判定用阈值的情况(步骤ST1203为“是”的情况)下，第二模型选择部142选择暂定第二机器学习模型作为选择第二机器学习模型。
第二模型选择部142将与所选择的选择第二机器学习模型有关的信息输出到第一模型选择部141。
在步骤ST1203，在判定为基于暂定第二机器学习模型计算出的相似度在推理结果判定用阈值以下的情况(步骤ST1203为“否”的情况)下，第二模型选择部142不选择出选择第二机器学习模型。第二模型选择部142将表示未选择出选择第二机器学习模型的信息输出到第一模型选择部141。
推理装置1a的动作前进至图10的步骤ST1006。
返回图10的流程图的说明。
第一模型选择部141选择与第二模型选择部142选择出的选择第二机器学习模型对应的选择第一机器学习模型(步骤ST1006)。第一模型选择部141将与所选择的选择第一机器学习模型有关的信息输出到判断部14a。
当从第二模型选择部142输出表示没有选择出选择第二机器学习模型的信息时，第一模型选择部141不选择出选择第一机器学习模型。第一模型选择部141向判断部14a输出表示没有选择出选择第一机器学习模型的意思的信息。
判断部14a判断是否输出驾驶辅助信息(步骤ST1007)。
具体而言，在步骤ST1006，当从第一模型选择部141输出与选择第一机器学习模型有关的信息时，判断部14a判断为输出第一推理部121基于选择第一机器学习模型进行推理的驾驶辅助信息。
在步骤ST1006，判断部14a在从第一模型选择部141输出了表示没有选择出选择第一机器学习模型的信息的情况下，判断为第一推理部121推理的驾驶辅助信息都不进行输出。
判断部14a将是否输出第一推理部121推理出的驾驶辅助信息的判断结果输出到输出部15。判断部14a在判断为输出第一推理部121推理出的驾驶辅助信息时，与判断为输出的驾驶辅助信息相关联，并输出到输出部15。具体而言，判断部14a输出第一推理部121基于选择第一机器学习模型推理出的驾驶辅助信息。
另外，在图10中，假设了以步骤ST1002、ST1003的顺序进行推理装置1a的动作，但是图10中的步骤ST1002的动作和步骤ST1003的动作的顺序可以相反。
此外，在使用图10的动作说明中，在推理装置1a中，推理部12的第一推理部121在判断部14判断是否输出驾驶辅助信息(步骤ST1007)之前，推理该驾驶辅助信息(步骤ST1002)，判断部14a在判断为输出驾驶辅助信息时，输出第一推理部121已推理完成的驾驶辅助信息，但这只是一个示例。
在推理装置1a中，推理部12的第一推理部121也可以在判断部14a判断为输出驾驶辅助信息时，推理驾驶辅助信息。
图13是用于说明在实施方式2中，在第一推理部121在判断部14a判断为输出驾驶辅助信息之后推理驾驶辅助信息的情况下的推理装置1a的动作的流程图。
在图13中，在步骤ST1301至步骤ST1308的具体动作分别与图10的步骤ST1001、步骤ST1003至步骤ST1007、步骤ST1002和步骤ST1008的具体动作相同。
图13的流程图所示的推理装置1a的动作中，第一推理部121推理驾驶辅助信息的动作(步骤ST1307)在判断部14a判断是否输出驾驶辅助信息(步骤ST1306)之后，这一点与图10的流程图所示的推理装置1a的动作不同。
如图13所示，通过使第一推理部121在判断部14a判断为输出驾驶辅助信息之后推理驾驶辅助信息，第一推理部121可以省略不必要的驾驶辅助信息的推理动作。
由此，推理装置1a在存在多组基于彼此相同的学习时数据而学习的、成对的第一机器学习模型16和第二机器学习模型17的情况下，针对每个第二机器学习模型17，计算将实际运用时获取的车辆周边数据输入到第二机器学习模型17而推理出的输出车辆周边数据与获取的车辆周边数据的相似度，通过比较该相似度与推理结果判定用阈值，从多个第二机器学习模型17中选择出选择第二机器学习模型。然后，推理装置1a选择与选择第二机器学习模型对应的选择第一机器学习模型，并且输出第一推理部121基于选择第一机器学习模型推理的驾驶辅助信息。
即使在存在多个第一机器学习模型16和第二机器学习模型17的情况下，推理装置1a在判断为所获取的车辆周边数据具有与第一机器学习模型16的学习时数据相近的特征时，输出驾驶辅助信息。即，推理装置1a在保证了驾驶辅助信息的可靠性的状态下，输出驾驶辅助信息。换言之，推理装置1a能够防止输出不合理的推理结果。
另外，推理装置1a与实施方式1所涉及的推理装置1相同，在判断为不输出驾驶辅助信息的情况下，不输出驾驶辅助信息而输出通知无法自动驾驶的通知信息。当从推理装置1a输出通知信息时，驾驶辅助装置100不进行基于驾驶辅助信息的自动驾驶控制。推理装置1a通知无法自动驾驶的意思，使得基于由该推理装置1a输出的驾驶辅助信息进行自动驾驶控制的驾驶辅助装置100不进行自动驾驶控制，因此能够提高驾驶辅助装置100中的自动驾驶控制的可靠性。
如上所述，根据实施方式2，在存在多组基于彼此相同的学习时数据而学习的、成对的第一机器学习模型16和第二机器学习模型17的情况下，在推理装置1a中，推理部12能够对每个第一机器学习模型16推理第一推理结果(驾驶辅助信息)，相似度计算部13能够计算每个第二机器学习模型17的相似度，判断部14a包括：通过比较相似度计算部13计算出的相似度与推理结果判定用阈值，从多个第二机器学习模型17中选择出选择第二机器学习模型的第二模型选择部142；以及从多个第一机器学习模型16中选择与第二模型选择部142所选择的选择第二机器学习模型对应的选择第一机器学习模型的第一模型选择部141，推理部12构成为判断是否输出基于第一模型选择部141选择的选择第一机器学习模型进行推理的第一推理结果。因此，推理装置1a能够防止输出不合理的推理结果。
图14A、图14B是示出实施方式1所涉及的推理装置1或实施方式2所涉及的推理装置1a的硬件结构的一个示例的图。
在实施方式1、2中，数据获取部11、推理部12、相似度计算部13、判断部14、14a、输出部15、代表相似度计算部18以及暂定第二模型选择部19的功能通过处理电路1401来实现。即，推理装置1、1a包括处理电路1401，该处理电路1401用于进行控制，通过将基于第二机器学习模型17计算出的相似度与推理结果判定用阈值进行比较来判断是否输出基于第一机器学习模型16推理出的驾驶辅助信息。
处理电路1401可以如图14A所示那样是专用硬件，也可以如图14B所示那样是执行存储于存储器1406的程序的CPU(Central Processing Unit：中央处理单元)1405。
在处理电路1401为专用的硬件的情况下，处理电路1401例如相当于单一电路、复合电路、程序化的处理器、并联程序化的处理器、ASIC(Applica tion SpecificIntegrated Circuit：专用集成电路)、FPGA(Field-Programmable Gate Array：现场可编程门阵列)或它们的组合。
在处理电路1401为CPU1405的情况下，数据获取部11、推理部12、相似度计算部13、判断部14、14a、输出部15、代表相似度计算部18以及暂定第二模型选择部19的功能由软件、固件或软件和固件的组合来实现。即，数据获取部11、推理部12、相似度计算部13、判断部14、14a、输出部15、代表相似度计算部18以及暂定第二模型选择部19由执行储存于HDD(Hard Disk Drive：硬盘驱动器)1402、存储器1406等的程序的CPU1405、或系统LSI(Large-Scale Integration：大规模集成化)等处理电路1401来实现。此外，存储在HDD1402、存储器1406等中的程序可以说是使计算机执行数据获取部11、推理部12、相似度计算部13、判断部14、14a、输出部15、代表相似度计算部18以及暂定第二模型选择部19的步骤或方法。这里，存储器1406例如相当于RAM、ROM(Read Only Memory：只读存储器)、闪存、EPROM(ErasableProgrammable Read Only Memory：可擦可编程只读存储器)、EEPROM(ElectricallyErasable Programmable Read-Only Memory：电可擦可编程只读存储器)等非易失性或易失性的半导体存储器、或者磁盘、软盘、光盘、压缩光盘、迷你光盘、DVD(Digital VersatileDisc：数字通用光盘)等。
另外，对于数据获取部11、推理部12、相似度计算部13、判断部14、14a、输出部15、代表相似度计算部18以及暂定第二模型选择部19的功能，可以用专用硬件来实现一部分，并用软件或固件来实现一部分。例如，对于数据获取部11和输出部15，可利用作为专用的硬件的处理电路1401来实现其功能，对于推理部12、相似度计算部13、判断部14、14a、代表相似度计算部18以及暂定第二模型选择部19，可利用处理电路1401读取储存于存储器1406的程序并执行来实现其功能。
此外，推理装置1、1a具有输入接口装置1403和输出接口装置1404，用于与驾驶辅助装置100等装置进行有线或无线通信。
在以上的实施方式1和实施方式2中，第二机器学习模型17使用与第一机器学习模型16相同的输入数据，设为完成学习的机器学习模型以使得输入数据与作为第二推理结果的输出数据相等，但这只是一个示例。
第二机器学习模型17也可以是将输入数据作为正确标签来完成学习的二值分类的机器学习模型。二值分类的机器学习模型将所有输入数据学习为正确，并且在基于机器学习模型进行推理时，当输入包含与学习时输入的输入数据不同的特征量的输入数据时，输出表示异常的信息。二值分类的机器学习模型的代表性方法是被称为OC-SVM(One ClassSupport Vector Machine：单类支持向量机)的方法。
此外，在以上的实施方式1及实施方式2中，推理装置1、1a设置于搭载于车辆上的驾驶辅助装置100中，但这只是一个示例。
例如，推理装置1、1a也可以设置于服务器，经由网络向推理装置1、1a的外部装置即搭载于车辆上的驾驶辅助装置100输出驾驶辅助信息。
图15是示出在服务器300中具备实施方式1所涉及的推理装置1或实施方式2所涉及的推理装置1a、且服务器300和车辆(省略图示)经由网络连接的推理系统的结构例的图。
此外，以上的实施方式1和实施方式2中，假定推理装置1、1a设置在搭载于车辆上的驾驶辅助装置100中，并且判断是否输出基于第一机器学习模型16推理出的驾驶辅助信息，但这只是一个示例。实施方式1及实施方式2所涉及的推理装置1、1a能够适用于需要进行基于完成学习模型推理出的信息的输出控制的各种装置。
此外，能够自由组合各实施方式，或者将各实施方式的任意构成要素进行变形，或者也可以在各实施方式中省略任意的构成要素。
工业上的实用性
本公开所涉及的推理装置构成为能够防止输出不合理的推理结果，因此能够适用于使用机器学习模型进行推理的推理装置。
标号说明
1、1a推理装置，11数据获取部，12推理部，121第一推理部，122第二推理部，13相似度计算部，14、14a判断部，141第一模型选择部，142第二模型选择部，15输出部，16第一机器学习模型，17第二机器学习模型，18代表相似度计算部，19暂定第二模型选择部，100驾驶辅助装置，300服务器，1401处理电路，1402 HDD，1403输入接口装置，1404输出接口装置，1405CPU，1406存储器。

Claims (12)

1.一种推理装置，其特征在于，包括：
数据获取部，该数据获取部获取数据；
推理部，该推理部将所述数据获取部获取的数据输入到以所述数据为输入并输出第一推理结果的第一机器学习模型，以推理所述第一推理结果；
相似度计算部，该相似度计算部基于将所述数据获取部获取的数据输入到以所述数据为输入并输出第二推理结果的第二机器学习模型中进行推理得到的所述第二推理结果和所述数据获取部获取到的数据，计算所述数据获取部获取到的数据与所述第二推理结果的相似度；
判断部，该判断部通过比较所述相似度计算部计算出的相似度与推理结果判定用阈值，判断是否输出所述第一推理结果；以及
输出部，该输出部在所述判断部判断为输出所述第一推理结果的情况下，输出所述第一推理结果。
2.如权利要求1所述的推理装置，其特征在于，
所述推理部在判断所述判断部是否输出所述第一推理结果之前，对该第一推理结果进行推理，
所述判断部判断是否输出所述推理部推理完的所述第一推理结果。
3.如权利要求1所述的推理装置，其特征在于，
当所述判断部判断为输出所述第一推理结果时，所述推理部对所述第一推理结果进行推理。
4.如权利要求1所述的推理装置，其特征在于，
所述判断部在所述相似度大于所述推理结果判定用阈值的情况下，判断为输出所述第一推理结果。
5.如权利要求1所述的推理装置，其特征在于，
所述推理结果判定用阈值基于如下而设定：
基于测试所述第一机器学习模型时输入到该第一机器学习模型的结果而输出的所述第一推理结果为正确的正确测试数据、将该正确测试数据输入到所述第二机器学习模型中而输出的正确推理结果计算出的所述正确测试数据和所述正确推理结果的正确数据相似度；以及
基于测试所述第一机器学习模型时输入到该第一机器学习模型的结果而输出的所述第一推理结果为错误的错误测试数据、将该错误测试数据输入到所述第二机器学习模型中而输出的错误推理结果计算出的所述错误测试数据和所述错误推理结果的错误数据相似度。
6.如权利要求1所述的推理装置，其特征在于，
所述第二机器学习模型是为了使输入的所述数据和所述第二推理结果相等而进行学习的机器学习模型。
7.如权利要求1所述的推理装置，其特征在于，
存在多组基于彼此相同的学习时数据学习得到的、成对的所述第一机器学习模型和所述第二机器学习模型，
所述推理部能够针对每个所述第一机器学习模型推理所述第一推理结果，
所述相似度计算部能够针对每个所述第二机器学习模型计算所述相似度，
所述判断部包括：
第二模型选择部，该第二模型选择部通过比较所述相似度计算部计算出的所述相似度与所述推理结果判定用阈值，从所述多个所述第二机器学习模型中选择出选择第二机器学习模型；以及
第一模型选择部，该第一模型选择部从所述多个所述第一机器学习模型中选择与所述第二模型选择部所选择的所述选择第二机器学习模型对应的选择第一机器学习模型，
所述推理部判断是否输出基于所述第一模型选择部选择的所述选择第一机器学习模型进行推理的所述第一推理结果。
8.如权利要求7所述的推理装置，其特征在于，
所述相似度计算部针对所有所述第二机器学习模型计算所述相似度，
所述第二模型选择部将所述相似度计算部针对所有的所述第二机器学习模型计算出的所述相似度分别与所述推理结果判定用阈值进行比较，从而选择所述选择第二机器学习模型。
9.如权利要求7所述的推理装置，其特征在于，包括：
代表相似度计算部，该代表相似度计算部计算由所述数据获取部获取的数据与将该数据输入所述多个所述第二机器学习模型中的代表第二机器学习模型而推理出的所述第二推理结果之间的代表相似度；以及
暂定第二模型选择部，该暂定第二模型选择部基于由所述代表相似度计算部计算出的所述代表相似度、和在所述多个所述第一机器学习模型的学习时作为该多个所述第一机器学习模型的输入的多个学习时数据与将该多个学习时数据分别输入所述第二机器学习模型而推理出的所述第二推理结果之间的学习时数据相似度，从所述多个所述第二机器学习模型中选择暂定第二机器学习模型，
所述第二模型选择部
通过比较由所述相似度计算部计算出的、所述数据获取部获取的数据与将所述数据获取部获取的数据输入所述暂定第二机器学习模型而推理出的所述第二推理结果之间的相似度、以及所述推理结果判定用阈值，来选择所述选择第二机器学习模型。
10.一种驾驶辅助装置，其特征在于，
包括如权利要求1至9中任一项所述的推理装置。
11.一种推理方法，其特征在于，包括：
数据获取部获取数据的步骤；
推理部将所述数据获取部获取的数据输入到以所述数据为输入并输出第一推理结果的第一机器学习模型，以推理所述第一推理结果的步骤；
相似度计算部基于将所述数据获取部获取的数据输入到以所述数据为输入并输出第二推理结果的第二机器学习模型中进行推理得到的所述第二推理结果和所述数据获取部获取到的数据，计算所述数据获取部获取到的数据与所述第二推理结果的相似度的步骤；
判断部通过比较所述相似度计算部计算出的相似度与推理结果判定用阈值，判断是否输出所述第一推理结果的步骤；以及
输出部在所述判断部判断为输出所述第一推理结果的情况下，输出所述第一推理结果的步骤。
12.一种服务器，其特征在于，包括：
数据获取部，该数据获取部获取数据；
推理部，该推理部将所述数据获取部获取的数据输入到以所述数据为输入并输出第一推理结果的第一机器学习模型，以获取所述第一推理结果；
相似度计算部，该相似度计算部基于将所述数据获取部获取的数据输入到以所述数据为输入并获取第二推理结果的第二机器学习模型中而获取到的所述第二推理结果和所述数据获取部获取到的数据，计算所述数据获取部获取到的数据与所述第二推理结果的相似度；
判断部，该判断部通过比较所述相似度计算部计算出的相似度与推理结果判定用阈值，判断是否输出所述第一推理结果；以及
输出部，该输出部在所述判断部判断为输出所述第一推理结果的情况下，向外部装置输出所述第一推理结果。
CN202080097069.4A 2020-02-26 2020-02-26 推理装置、驾驶辅助装置、推理方法和服务器 Pending CN115136161A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/007607 WO2021171398A1 (ja) 2020-02-26 2020-02-26 推論装置、運転支援装置、推論方法、および、サーバ

Publications (1)

Publication Number Publication Date
CN115136161A true CN115136161A (zh) 2022-09-30

Family

ID=77490839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080097069.4A Pending CN115136161A (zh) 2020-02-26 2020-02-26 推理装置、驾驶辅助装置、推理方法和服务器

Country Status (5)

Country Link
US (1) US20230035526A1 (zh)
JP (1) JP7254240B2 (zh)
CN (1) CN115136161A (zh)
DE (1) DE112020006796T5 (zh)
WO (1) WO2021171398A1 (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4507679B2 (ja) * 2004-04-21 2010-07-21 富士ゼロックス株式会社 画像認識装置、画像抽出装置、画像抽出方法及びプログラム
JP6255944B2 (ja) * 2013-11-27 2018-01-10 株式会社リコー 画像解析装置、画像解析方法及び画像解析プログラム
EP3459022A4 (en) * 2016-05-16 2020-02-19 Purepredictive, Inc. PREDICTIVE DRIFT DETECTION AND CORRECTION
JP6853148B2 (ja) * 2017-09-07 2021-03-31 日本電信電話株式会社 検知装置、検知方法及び検知プログラム
JP2019087012A (ja) 2017-11-07 2019-06-06 キヤノン株式会社 情報処理装置、情報処理方法、コンピュータプログラム、及び記憶媒体
JP7021507B2 (ja) * 2017-11-14 2022-02-17 富士通株式会社 特徴抽出装置、特徴抽出プログラム、および特徴抽出方法

Also Published As

Publication number Publication date
DE112020006796T5 (de) 2022-12-29
US20230035526A1 (en) 2023-02-02
JP7254240B2 (ja) 2023-04-07
JPWO2021171398A1 (zh) 2021-09-02
WO2021171398A1 (ja) 2021-09-02

Similar Documents

Publication Publication Date Title
US11106926B2 (en) Methods and systems for automatically predicting the repair costs of a damaged vehicle from images
KR20180057300A (ko) 딥 러닝을 이용하여 환자의 진단 이력으로부터 질병 예후를 예측하는 방법 및 시스템
US11238506B1 (en) Methods and systems for automatic processing of images of a damaged vehicle and estimating a repair cost
CN111143226A (zh) 自动化测试方法及装置、计算机可读存储介质、电子设备
CN112078571B (zh) 自动泊车方法、设备、存储介质及装置
CN111382798A (zh) 样本图片的标签修正方法、装置、设备和存储介质
CN112016585A (zh) 用于将机器学习和大众外包数据标注进行集成的系统和方法
US11120574B1 (en) Methods and systems for obtaining image data of a vehicle for automatic damage assessment
CN115906962A (zh) 用于通用硬件-神经网络体系结构搜索的系统
CN116080687A (zh) 一种预测轨迹后处理方法、系统、设备和介质
CN115136161A (zh) 推理装置、驾驶辅助装置、推理方法和服务器
Oyama et al. On-line process physics tests via Lyapunov-based economic model predictive control and simulation-based testing of image-based process control
CN112488307A (zh) 使用占有测度对强化学习动作进行自动解释
CN116894317A (zh) 数据处理方法、装置、电子设备和介质
CN110727278A (zh) 巡检机器人路线控制方法、装置、存储介质及巡检机器人
CN116343148A (zh) 车道线检测方法、装置、车辆及存储介质
US20220157407A1 (en) Information processing device, information processing method, recording medium recording information processing program, and information processing system
CN114186090A (zh) 一种图像标注数据的智能质检方法及系统
US11410443B2 (en) Labelling training method and system for implementing the same
JP7173308B2 (ja) 検知装置、検知方法および検知プログラム
US11195287B2 (en) Method and device for checking the plausibility of a flow vector hypothesis
US20230042572A1 (en) Object recognition device, driving assistance device, server, and object recognition method
JP2001060265A (ja) 画像処理装置および方法、並びに媒体
US11989924B2 (en) Image recognition system, image recognition apparatus, image recognition method, and computer readable medium
US20220365526A1 (en) Machine learning system and machine learning model management method using machine learning system

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