CN116506797A - 信息处理装置、信息处理方法、以及非暂时性存储介质 - Google Patents

信息处理装置、信息处理方法、以及非暂时性存储介质 Download PDF

Info

Publication number
CN116506797A
CN116506797A CN202310060469.3A CN202310060469A CN116506797A CN 116506797 A CN116506797 A CN 116506797A CN 202310060469 A CN202310060469 A CN 202310060469A CN 116506797 A CN116506797 A CN 116506797A
Authority
CN
China
Prior art keywords
information
information processing
mobile
machine learning
node
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
CN202310060469.3A
Other languages
English (en)
Inventor
钟雷
马婧
邵校
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.)
Toyota Motor Corp
Original Assignee
Toyota Motor 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 Toyota Motor Corp filed Critical Toyota Motor Corp
Publication of CN116506797A publication Critical patent/CN116506797A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N3/098—Distributed learning, e.g. federated 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/0226—Traffic management, e.g. flow control or congestion control based on location or mobility
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/08—Systems determining position data of a target for measuring distance only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • 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
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G08G1/056—Detecting movement of traffic to be counted or controlled with provision for distinguishing direction of travel
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/021—Traffic management, e.g. flow control or congestion control in wireless networks with changing topologies, e.g. ad-hoc networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Electromagnetism (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供一种能够适当地实施在机器学习中使用的移动体的选择的信息处理装置、信息处理方法、以及非暂时性存储介质。该信息处理装置(3)所具备的控制部(31)执行如下控制，即：取得移动体信息，所述移动体信息包含表示在机器学习中能够使用的多个移动体(10)的各自的位置的信息；基于移动体信息，从而选择在机器学习中使用的两个以上的移动体(10)。

Description

信息处理装置、信息处理方法、以及非暂时性存储介质
技术领域
本公开涉及一种信息处理装置、信息处理方法、以及非暂时性存储介质。
背景技术
存在有一种在异构计算环境中使用异构计算节点来进行分散型机器学习的系统(例如，专利文献1)。
在先技术文献
专利文献
专利文献1：美国专利申请公开第2019/0138934号说明书
发明内容
发明所要解决的课题
本公开的目的在于，提供一种能够适当地选择机器学习用的移动体的技术。
用于解决课题的方法
本公开的一个方式为，一种信息处理装置，其具备控制部，所述控制部执行如下控制，即：取得移动体信息，所述移动体信息包含表示在机器学习中能够使用的多个移动体的各自的位置的信息；基于所述移动体信息，从而选择在机器学习中使用的一个以上的移动体。
本公开的其他方式之一为，一种信息处理方法，在该方法中，信息处理装置执行如下处理，即：取得移动体信息，所述移动体信息包含表示在机器学习中能够使用的多个移动体的各自的位置的信息；基于所述移动体信息，从而选择在机器学习中使用的一个以上的移动体。
本公开的其他方式之一为，一种非暂时性存储介质，其上存储了使计算机执行如下步骤的程序，所述步骤为：取得移动体信息的步骤，其中，所述移动体信息包含表示在机器学习中能够使用的多个移动体的各自的位置的信息；基于所述移动体信息，从而选择在机器学习中使用的一个以上的移动体的步骤。
本公开的其他方式能够包括包含了上述的信息处理装置的信息处理系统、记录了上述的程序的非暂时性存储介质等。
发明效果
根据本公开，能够适当地选择在机器学习中使用的移动体。
附图说明
图1为表示信息处理系统的第一结构例的图。
图2A为表示被搭载在移动体(车辆)上的节点的结构例的图。
图2B为表示服务器的结构例的图。
图3为节点关联信息的说明图。
图4为表示节点选择处理的示例的流程图。
图5为表示信息处理系统的第二结构例的图。
图6为表示第二结构例中的节点选择处理的示例的流程图。
图7为信息处理系统的第三结构例的图。
图8为5G网的说明图。
图9为对车辆信息的取得进行说明的所涉及的顺序图。
图10为表示车辆信息的取得的具体例的顺序图。
图11为表示UE移动性统计信息的表。
图12为移动方向信息的生成所涉及的说明图。
图13为表示移动方向信息的生成所涉及的处理的流程图。
具体实施方式
以下，关于本公开的实施方式，将在参照附图的同时进行说明。另外，在以下的实施方式的全部附图中，对相同或者对应的部分标记相同的符号。此外，本公开并没有被以下所说明的实施方式所限定。在以下的实施方式中的结构要素中，也包含本领域技术人员能够置换且容易置换的要素、或者实质上相同的要素。
图1为表示信息处理系统的第一结构例的图。在图1中，信息处理系统包括网络1、多个节点(终端)2、和服务器3，所述服务器3能够通过网络1而与节点2进行通信，并使用节点2来进行机器学习。
网络1为，例如互联网等公共通信网，并向节点2提供通信线路。在网络1上，也可以连接有无线通信网。无线通信网符合或者遵循节点2能够利用的无线通信标准。虽然无线通信标准例如为4G(LTE(Long Term Evolution))、5G、无线LAN(Local Area Network：包含Wi-Fi)、以及BLE等，但也可以为除此以外的标准。
节点2分别被搭载在作为移动体的一个示例的车辆10上。移动体也可以为车辆以外的物体。在图1中，作为车辆10的一个示例而示出了车辆10A、10B以及10C，作为节点2的一个示例而图示了被搭载在车辆10A上的节点2A、被搭载在车辆10B上的节点2B、被搭载在车辆10C上的节点2C。
在图1中，例示了车辆10所行驶的道路11以及12，道路11和道路12在交叉路口13处交叉。道路11以及12均为双车道的道路。车辆10A正在道路11(11A以及11B)上从图1纸面的左侧朝向右侧进行行驶。车辆10B正在道路11上从图1纸面的右侧朝向左侧进行行驶。车辆10C正在道路12(12A以及12B)上从图1纸面的上侧朝向下侧进行行驶。
作为机器学习的一个示例，服务器3作为进行联邦学习(Federated learning：FL)的FL中心服务器而进行动作。通过联邦学习，从而学习交叉路口13附近的道路11以及12的景色、例如处于周围的标识以及建筑物等的结构物、或者人流等的变化。为了该学习，向正在道路11或12上行驶的车辆10的节点2提供学习模型(神经元网络等)。节点2通过使用了由车载摄像机所拍摄到的车窗风景数据的机器学习，从而学习两者的差别(景色的变化)，并向服务器3发送学习的结果(景色变化了的部分)和学习模型的更新量(神经元网络的被更新的参数等)。服务器3实施从两个以上的节点2接收到的学习的结果的合并等，并对交叉路口13附近的道路11以及12的周边状况的变化进行记录。此外，服务器3使用学习的结果来进行新的学习模型的创建等。
在上述的联邦学习中，优选为，与在道路11上行驶的两台以上的车辆10相比，使用在道路11上行驶的车辆10和在道路12上行驶的车辆10来进行机器学习。这是因为，由于所行驶的道路不同，因而可针对不同的信息(景色)而获得机器学习的结果。
当在道路11或者道路12上存在有向相同方向行驶的两台以上的车辆10(节点2)的情况下，在这两台以上的车辆10中被拍摄到的车窗风景在车辆之间不存在差异(显著相似)。因此，通过这两台以上的车辆10的机器学习而得到的学习的结果也会成为相似的冗余的信息。因此，在服务器3中，为了实施避免了冗余的机器学习的有效的联邦学习，作为在联邦学习中使用的节点2，从而选择行进方向(移动方向)不同的一个以上的节点2，并以实施联邦学习的方式而进行有效的(优选的)联邦学习。
另外，虽然在实施方式中，作为机器学习的一个示例而例示了进行联邦学习的信息处理系统，但信息处理系统也可以为如下系统，即，服务器3从两台以上的车辆10中取得学习用的拍摄数据(样品)并汇总，从而进行机器学习的系统。
图2A为表示节点2的结构例的图。节点2既可以为被安置在车辆10上的终端，也可以为车辆10的驾驶员所携带的便携终端。便携终端为，例如个人计算机(PC)、智能手机或者平板电脑终端等。
在图2A中，节点2包括：经由总线B1而被相互连接的、作为处理部或控制部(控制器)的处理器21、存储装置22、通信装置23、输入装置24、输出装置25、GPS(GlobalPositioning System：全球定位系统)接收机26、摄像机27。
存储装置22包括主存储装置和辅助存储装置。主存储装置作为程序以及数据的存储区域、程序的展开区域、程序的工作区域、以及通信数据的缓冲区域等而被使用。主存储装置由RAM(Random Access Memory：随机存取存储器)、或者RAM和ROM(Read Only Memory：只读存储器)的组合构成。辅助存储装置作为数据以及程序的存储区域而被使用。作为辅助存储装置，例如能够应用硬盘、固态硬盘(Solid State Drive，SSD)、闪存、以及EEPROM(Electrically Erasable Programmable Read-Only Memory：电可擦可编程只读存储器)等非易失性存储介质。
通信装置23为进行通信处理的电路，并作为发送部以及接收部(通信部)而进行动作。例如，通信装置23为，进行无线通信(LTE、5G、无线LAN(Wi-Fi)、BLE等)的无线通信电路。
输入装置24包括按键、按钮、指向设备、以及触摸面板等，并在信息的输入中被使用。输入装置24也可以包括麦克风(语音输入装置)。输出装置25为，例如液晶显示器或者有机EL(electroluminescence：电致发光)显示器等，并且对信息以及数据进行显示。输出装置25也可以包括扬声器(语音输出装置)。
GPS接收机26接收来自GPS卫星的电波并进行节点2(车辆10)的位置的计算，并且提炼位置信息。摄像机27能够对从车窗观察到的景色等进行拍摄。在车辆10已具备摄像机的情况下，可以省略摄像机27。此外，GPS接收机26也是同样的。另外，也可以代替摄像机27或者车载摄像机，从而使用激光雷达(LiDAR、Light Detection And Ranging：光探测和测距)、雷达(RADAR、Radio Detection And Ranging：无线电探测和测距)、或其他的传感器。
处理器21为，例如CPU(Central Processing Unit：中央处理器)等。处理器21通过执行被存储在存储装置22中的各种程序，从而实施各种各样的处理。
例如，处理器21实施访问服务器3并向服务器3发送节点信息的处理。节点信息包括表示节点2的计算资源量的信息、表示存储器容量的信息、以及节点2(车辆10)的位置信息等。此外，处理器21从服务器3接收本地的机器学习用的学习模型(训练模型)。处理器21使用学习模型和由摄像机27等拍摄到的景色的图像数据来进行机器学习，并向服务器3发送其结果。
图2B为表示服务器3的结构例的图。服务器3能够使用PC或工作站(WS)等通用的信息处理装置(计算机)、或者像服务器机器这样的专用的信息处理装置来构成。服务器3具有通信功能，并能够通过有线或无线而与网络1连接。服务器3既可以为一台信息处理装置，也可以为两台以上的信息处理装置的集合(云)。
服务器3包括经由总线B2而被相互连接的、作为处理部或控制部(控制器)的处理器31、存储装置32、通信装置33、输入装置34、输出装置35。处理器31、存储装置32、通信装置33、输入装置34、以及输出装置35能够应用与处理器21、存储装置22、通信装置23、输入装置24、以及输出装置25同样的装置。但是，性能根据所请求的处理负载等而不同。此外，通信装置33也可以为，像网络接口卡(NIC)这样的、能够通过有线方式而与网络1连接的设备。
另外，作为上述的处理器21以及31，也可以应用多个CPU，还可以应用多核型的CPU。由CPU实施的处理的至少一部分也可以通过像DSP(Digital Signal Processor：数字信号处理器)或者GPU(Graphical Processing Unit：图形处理单元)这样的CPU以外的处理器来实施。此外，由CPU实施的处理的至少一部分也可以通过专用或者通用的集成电路(硬件)来实施。集成电路包括ASIC(Application Specific Integrated Circuit：特定用途集成电路)或者FPGA(Field Programmable Gate Array：现场可编程门阵列)等。或者，由CPU实施的处理的至少一部分也可以通过处理器和集成电路的组合来实施。组合例如被称为微控制器(MCU)、SoC(System-on-a-chip：片上系统)、系统LSI、或芯片组等。
图3为节点关联信息的说明图。在图3中，图示了对节点关联信息进行存储的节点DB。节点DB例如被存储在服务器3的存储装置32中。节点DB由每个节点2的记录(条目)构成。在条目中，作为信息要素(项目)，而包括节点ID、位置信息、行进方向信息、时刻信息、和节点信息。节点关联信息为“移动体信息”的一个示例。在本说明书中，被车载的节点2能够称为车辆10。因此，在以下的说明中，有时也将节点关联信息称为“车辆信息”。
节点ID为，节点2的识别符。位置信息为，表示节点2(车辆10)的位置的信息。行进方向信息为，表示节点2的行进方向(移动方向)的信息。时刻信息为，例如服务器3接收到位置信息以及行进方向信息的时刻。但是，只要时刻的基准在条目之间是共同的，则也可以采用接收时刻以外的时刻。节点信息为，节点2的计算资源量以及存储器容量等的、表示节点2的性能或者负载状况的信息。此外，节点关联信息也可以包括载有节点2的车辆10的ID(车辆ID)等使车辆10和节点2建立关联的信息。
图4为表示节点选择处理的示例的流程图。该处理通过服务器3的处理器31的程序执行从而被实施。在步骤S11中，处理器31从多个节点2取得节点关联信息，并登记(更新)在节点DB中。信息的取得能够从服务器3与节点2的通信、服务器3与节点2以外的装置的通信、使用了服务器3的输入装置34的信息的手动输入、以及来自USB存储器等的存储介质的信息读取等之中进行选择。
在步骤S12中，处理器31从节点DB中取得表示各个节点2的位置、行进方向、以及时刻的信息。在步骤S13中，处理器31基于在步骤S12中取得的信息(车辆信息)，从而对在学习中所使用的节点2进行选择。
例如，使用图3所示的示例，设想了期望拍摄在道路11(11A以及11B)上移动时的车窗风景的图像的情况。在该情况下，提取被登记在节点DB中的位置信息表示道路11A以及交叉路口13的位置的节点2。接下来，着眼于被提取的节点2的行进方向。此时，在存在有行进方向相同的两个以上的节点的情况下，至少留下一个并将剩余的节点从选择对象中排除在外。这是因为，当拍摄条件在车辆间相同的情况下，被拍摄的车窗风景的图像会明显相似的可能性较高(成为冗余)。其结果为，位于道路11上、且行进方向不同的节点被选择作为联邦学习用的节点。在图1的示例中，节点2A被选择作为联邦学习用的节点。
另外，关于位于交叉路口13的节点2，既可以选择作为联邦学习用的节点，也可以不选择。此外，在进行与道路11B相关的联邦学习的情况下，关于位于道路11B以及交叉路口13上的节点2，可采用与针对道路11A而进行了说明的方法相同的方法来选择联邦学习用的节点2。在图1的示例中，选择节点2B。
此外，关于道路12A以及道路12B各个道路，可采用与针对道路11A以及11B而实施的方法相同的方法来选择节点2。由此，在图1的示例中，选择节点2C。
在步骤S13中，在提取节点2时，也可以考虑当前的时刻。例如，也可以采用如下方式，即，处理器31从节点DB中提取属于时刻信息成为根据当前的时刻而求出的提取条件的时间或者时间段(例如，与当前的时刻之差小于阈值)的记录(时间信息不符合提取条件的记录的节点从选择对象中被排除在外)。根据道路不同，在夜晚和白天，有时面向道路的结构物或人行道的人流会有较大不同。通过考虑了当前时刻的筛选，从而能够避免在学习模型和拍摄时刻发生大幅偏离的图像数据下进行学习的情况。
在步骤S14中，处理器31针对在步骤S13中选择的节点发送包括机器学习用的学习模型在内的机器学习的指示(包含车窗风景图像的拍摄指示)。
根据第一结构例，通过使用各个节点2的位置信息来选择节点2，从而避免了冗余的数据的取得。此外，在节点2的选择时，通过基于位置信息和行进方向信息来选择节点2，从而能够进一步实施有效率的节点2的选择。此外，除了位置信息、或者位置信息以及行进方向信息之外，还能够通过基于当前的时刻(时刻信息)来选择节点2，从而适当地缩小选择对象的节点的范围。行进方向信息的使用以及时刻信息的使用均为选项。
图5为表示信息处理系统的第二结构例的图。第二结构例与第一结构例在以下方面有所不同。即，在第二结构例中，被称为第三方的位置管理服务器4与网络1相连接。位置管理服务器4具有与图2B所示出的服务器3的结构相同的结构，从各个节点2接收在适当的定时下被发送的节点2(车辆10)的位置信息。
此外，位置管理服务器4在适当的定时下，经由网络1从而向服务器3发送各个节点2的位置信息。各个节点2的行进方向信息采用与第一结构例相同的方法而被登记在节点DB(图3)中。当然，也可以采用如下方式，即，行进方向信息被登记在位置管理服务器4中，并与位置信息一起被发送(通知)给服务器3。
图6为表示第二结构例中的节点选择处理的示例的流程图。在图6中，由于步骤S11、S13以及S14的处理与第一结构例中的处理(图4)是相同的，因此省略重复的说明。在图6中，代替步骤S12，而设置了步骤S12A以及S12B。
在步骤S12A中，处理器31从位置管理服务器4中取得各个节点2的位置信息。此外，在步骤S12B中，处理器31从节点DB中取得各个节点2的行进方向信息。
另外，将从位置管理服务器4取得位置信息的情况设为与图6所示的例程不同的例程，并通过在适当定时下从位置管理服务器4取得位置信息并登记在节点DB中，从而作为节点2的选择所涉及的例程而能够将图4所示的例程应用在第二结构例中。
图7为表示信息处理系统的第三结构例的图。在第三结构例中，网络1为蜂窝网1A，位置管理服务器5被设置在蜂窝网1A内。在本实施方式中，虽然蜂窝网1A为5G网，但蜂窝网1A也可以为4G(LTE)网。
图8为作为蜂窝网的一个示例的5G网的说明图。5G网由包括对无线终端(UE：UserEquipment、用户设备)进行收纳的无线基站在内的RAN(无线接入网络)、和核心网(5GC)构成。
节点2在5G网中相当于UE。UE经由RAN而与5GC相连接。5GC由被称为NF(NetworkFunction：网络功能)的功能单元构成。在图8所示的示例中，5GC由AMF(Access andMobility Management Function：接入和移动性管理功能)、NEF(Network ExposureFunction：网络开放功能)、NWDAF(NetWork Data Analytic Function：网络数据分析功能)、一个或两个以上的NF构成。AMF、NEF、NWDAF以及NF通过SBI(Service Based IF：基于服务的IF)而被连接。
AMF为，5GC中的UE的服务收容装置，并实施UE的移动性管理(UE正在服务的小区的管理)。NWDAF具有进行来自NEF以及各个NF的数据收集以及解析的功能。NEF为，提供用于实施由5GC外的应用等实现的5GC内的信息取得、或者5GC内的控制的API(ApplicationProgramming Interface：应用编程接口)的NF。API表示在5GC的装置之间的相互的交换中所使用的接口的规格。NF之一能够作为LMF(Location Management Function：定位管理功能)而发挥功能。LMF为，实施在5GC中被规定的位置信息服务的提供的NF。
位置管理服务器5从各个节点2中取得各个节点2的位置信息和行进方向信息，并根据来自服务器3(被安装的外部应用)的请求，从而向服务器3供给(发送)位置信息以及行进方向信息。位置管理服务器5能够作为构成5GC的NWDAF、AMF或LMF所具备的功能来进行安装。换而言之，通过在作为NWDAF、AMF或LMF而进行动作的信息处理装置(计算机)中安装作为位置管理服务器5而进行动作的程序，从而能够在5GC内构建位置管理服务器5。另外，位置管理服务器5也可以为，从NWDAF、AMF、以及LMF中独立出来的单独的NF。在位置管理服务器5中的位置以及行进方向信息的取得方法中没有限制。
图9为，对车辆信息(节点关联信息)的取得进行说明所涉及的顺序图。作为服务器3的AF(Application Function：外部应用)向5GC内的位置管理服务器5(NWDAF、AMF、LMF或其他NF)发送包括车辆10(节点2)的位置信息以及行进方向信息在内的车辆信息的请求(车辆信息请求)。车辆信息请求经由NEF而被转换为5GC的信号形式，并被位置管理服务器5接收(提供)。
位置管理服务器5对包括由预定的方法取得的各个节点2的位置信息以及行进方向信息在内的车辆信息进行保持(存储)，并在适当的定时下，向AF(服务器3)发送车辆信息。车辆信息在于NEF中被变更了其信号形式之后，通过AF而被接收。采用这样的方式，从而服务器3能够在所期望的定时下从5GC的位置管理服务器5中接收(取得)多个节点2的位置以及行进方向信息。
图10为，表示车辆信息的取得的具体例的顺序图。图10所示的顺序在TS23.288中被规定作为“Procedure for analytics subscribe/unsubscribe by AFs via NEF”。
图9所示出的车辆信息请求能够安装在从相当于服务器3的AF发送的、被称为“Nnef_AnalyticsExposure_Subscribe/Nnef_AnalyticsExposure_Un subscribe”的消息(称为请求消息)中。该请求消息在被实施了NEF中的信号形式(格式)转换并被转换为被称为“Nnef_AnalyticsSubscription_Sub scribe/Nnef_AnalyticsSubscription_Unsubscribe”的消息之后，例如，被作为位置管理服务器5而进行动作的NWDAF所接收。
请求消息至少能够包括被称为Analytics ID(s)、Notification TargetAddress、Analytics target period的信息要素。Analytics ID(s)为，期望包含车辆信息的通知的节点2的ID(识别符)。Notification Target Address表示通知对象的AF的地址。Analytics target period表示通知的定时(例如，仅一次、或定期性或周期性地等)。
NWDAF接收请求消息，从而取得与由Analytics ID(s)特别指定的一个以上的节点2相关的位置以及行进方向信息。位置以及行进方向信息既可以为被登记在NWDAF所使用的存储区域中的信息，也可以为针对向AMF或LMF发送的请求而作为响应从而由AMF或LMF向NWDAF发送来的位置以及行进方向信息。
位置以及行进方向信息(与请求相应的车辆信息)在由请求消息所指定的定时下，随着被称为“Nnwdaf_AnalyticsSubscription_Notify”的消息(称为通知消息)而从NWDAF被发送。该通知消息在NEF中通过信号形式(格式)的转换，从而被转换为被称为“Nnwdaf_AnalyticsExposure_Notify”的消息，并被发送给AF。采用这样的方式，从而AF能够从NWDAF取得位置以及行进方向信息。另外，在交换中所使用的消息既可以为现有的消息，也可以为对现有的消息进行了修改的消息，也可以为新创建的消息。
图11为表示由TS23.288规定的UE移动性统计信息的表。如图11的表所示那样，UE移动性统计信息规定了，作为“UE location”信息，而记录表示UE(节点2)所在(服务)的小区或TA(跟踪区域)的信息的情况。小区或TA的信息相当于节点2的位置信息。在本实施方式中，进一步还将节点2的行进方向信息包含在UE移动性信息中。
虽然在行进方向信息(也称为移动方向信息)的取得或者生成方法中没有限制，但是将使用图7、图12以及图13来对行进方向信息的生成方法进行说明。如图7所示那样，假设如下情况，即，根据形成5G网的RAN的基站，从而使小区C1～C5被形成在道路11及12、以及交叉路口13上。小区C1的覆盖范围涵盖道路11A，小区C2的覆盖范围涵盖交叉路口13，小区C3的覆盖范围涵盖道路11B。进一步地，小区C4的覆盖范围涵盖道路12A，小区C5的覆盖范围涵盖道路12B。
如果采用以与道路11及12以及交叉路口13的关系来进行观察的方式察看小区C1～C5，则从图7的纸面的左侧朝向右侧而在道路11上移动的行进方向(道路11A→交叉路口13→道路11B)能够理解为小区C1→小区C2→小区C3的排列(顺序)。相反地，从图7的纸面的右侧朝向左侧而在道路11上移动的行进方向(道路11B→交叉路口13→道路11A)能够理解为小区C3→小区C2→小区C1的排列(顺序)。
此外，从图7的纸面的上方朝向下方而在道路12上移动的行进方向(道路12A→交叉路口13→道路12B)能够理解为小区C4→小区C2→小区C5的排列(顺序)。相反地，从图7的纸面的下方朝向上方而在道路12上移动的行进方向(道路12B→交叉路口13→道路12A)能够理解为小区C5→小区C2→小区C4的排列(顺序)。如图12所示那样，这样的行进方向(行驶道路)与小区的顺序(基站拓扑)的对应关系能够作为对应表来呈现。
作为一个示例，作为位置管理服务器5而进行动作的计算机具有与服务器3相同的结构(图2B)，在该存储装置32中，存储有像图12所示那样的、表示行驶道路ID与基站拓扑的对应关系的表。作为位置管理服务器5而进行动作的计算机的处理器31能够通过实施像图13的流程图所示出的那样的处理，从而推断出各个节点2的行进方向。
图13为用于对车辆(移动体)的行驶判定方法进行说明的流程图。在图13的步骤S71中，位置管理服务器5生成包括由行驶道路ID特别指定的行驶道路的定义在内的基站拓扑信息(图12)。
在步骤S72中，位置管理服务器5从AMF等中取得车辆10(节点2)的切换信息。切换信息为，表示伴随着车辆10的移动的节点2的切换的历史(服务的小区的顺序)的信息。
在步骤S73中，位置管理服务器5实施切换信息与基站拓扑信息的匹配。即，位置管理服务器5实施存在于某个位置上的节点2的切换信息、与图12的表中所示出的基站拓扑信息的对比。此时，在具有符合切换信息的基站拓扑信息的情况下，将由与该基站拓扑信息相对应的行驶道路ID所特别指定的行进方向判定为节点2的行进方向。然后，位置管理服务器5在步骤S74中，将表示该行进方向的行进方向信息(移动方向信息)作为向AF(服务器3)通知的行进方向信息而进行存储(保存)。
上述的行进方向信息的生成也可以由第一结构例中的服务器3、或者第二结构例中的服务器3或位置管理服务器4来执行。
在第三结构例中，学习用的节点的选择能够依照图4所示的处理或者图6所示的处理来实施。根据第三结构例，由于不是将作为外部服务器的位置管理服务器4所管理的位置信息，而是将5GC所管理的位置信息在学习用的节点的选择中使用，因此并不需要位置管理服务器4。
在实施方式所涉及的信息处理系统中，服务器3(信息处理装置)的处理器31取得包含表示在机器学习(联邦学习)中可使用的多个节点2(车辆10(移动体))的各自的位置的信息在内的节点关联信息(移动体信息)。此外，服务器3的处理器31基于包含表示节点2的位置的信息在内的节点关联信息(移动体信息)，从而执行对在联邦学习中所使用的一个以上的车辆10(节点2)进行选择的动作。
服务器3能够通过位置信息的利用来选择节点2(车辆10)，以避免冗余的本地机器学习或者冗余的采样数据的收集。即，能够选择合适的车辆10(移动体)。
进一步地，通过在节点2(车辆10)的选择中使用包含位置以及行进方向信息在内的节点关联信息，从而能够避免选择向相同方向行进的多个节点，进而避免冗余的处理。此外，基于节点关联信息和当前的时刻(时刻信息)的节点2的选择，从而能够实施适当的节点2(车辆10)的筛选。
位置信息以及行进方向信息能够采用由服务器3取得的结构、或者通过位置管理服务器4或5GC内的位置管理服务器5来取得并提供给服务器3的结构。
另外，本说明书中的流程图中的处理顺序能够在不发生矛盾的范围内进行变更。
在本公开中说明了的处理或单元只要不产生技术上的矛盾，则能够自由组合并实施。此外，作为一个装置所实施的内容而说明的处理，也可以通过多个装置来分担执行。或者，作为不同的装置所实施的内容而说明的处理，通过一个装置来执行也没问题。在计算机系统中，通过什么样的硬件结构(服务器结构)来实现各个功能，是可以灵活变更的。
本公开将安装了在上述的实施方式中说明的功能的计算机程序供给给计算机，并能够通过该计算机所具有的一个以上的处理器读取并执行程序来实现。这样的计算机程序既可以通过可与计算机的系统总线连接的非暂时性的计算机可读存储介质而提供给计算机，也可以经由网络而提供给计算机。非暂时性的计算机可读存储介质例如包括磁盘(软盘(注册商标)、硬盘驱动器(HDD)等)、光盘(CD-ROM、DVD光盘、蓝光光盘等)等任意类型的盘片、只读存储器(ROM)、随机存取存储器(RAM)、EPROM、EEPROM、磁卡、闪存、光学式卡、适于存储电子命令的任意类型的介质。
符号说明
1…网络；
2…节点；
3…服务器；
4、5…位置管理服务器；
10…车辆；
21、31…处理器；
22、32…存储装置。

Claims (20)

1.一种信息处理装置，其具备控制部，所述控制部执行如下控制，即：
取得移动体信息，所述移动体信息包含表示在机器学习中能够使用的多个移动体的各自的位置的信息；
基于所述移动体信息，从而选择在机器学习中使用的一个以上的移动体。
2.如权利要求1所述的信息处理装置，其中，
所述控制部基于还包含表示所述多个移动体的各自的行进方向的信息的所述移动体信息，从而选择在机器学习中使用的移动体。
3.如权利要求1或2所述的信息处理装置，其中，
所述控制部基于所述移动体信息和当前的时刻，从而选择在机器学习中使用的移动体。
4.如权利要求1至3中的任意一项所述的信息处理装置，其中，
所述控制部取得从网络接收到的所述移动体信息。
5.如权利要求1至3中的任意一项所述的信息处理装置，其中，
所述控制部从蜂窝网取得所述移动体信息。
6.如权利要求1至3中的任意一项所述的信息处理装置，其中，
所述控制部从核心网取得所述移动体信息。
7.如权利要求6所述的信息处理装置，其中，
所述控制部从所述核心网中的网络数据分析功能、接入和移动性管理功能或者定位管理功能经由网络开放功能而取得所述移动体信息。
8.如权利要求1至7中的任意一项所述的信息处理装置，其中，
所述控制部选择在联邦学习中使用的移动体。
9.一种信息处理方法，在该方法中，信息处理装置执行如下处理，即：
取得移动体信息，所述移动体信息包含表示在机器学习中能够使用的多个移动体的各自的位置的信息；
基于所述移动体信息，从而选择在机器学习中使用的一个以上的移动体。
10.如权利要求9所述的信息处理方法，其中，
所述信息处理装置基于还包含表示所述多个移动体的各自的行进方向的信息的所述移动体信息，从而选择在机器学习中使用的移动体。
11.如权利要求9或10所述的信息处理方法，其中，
所述信息处理装置基于所述移动体信息和当前的时刻，从而选择在机器学习中使用的移动体。
12.如权利要求9至11中的任意一项所述的信息处理方法，其中，
所述信息处理装置取得从网络接收到的所述移动体信息。
13.如权利要求9至11中的任意一项所述的信息处理方法，其中，
所述信息处理装置从蜂窝网取得所述移动体信息。
14.如权利要求9至11中的任意一项所述的信息处理方法，其中，
所述信息处理装置从核心网取得所述移动体信息。
15.如权利要求14所述的信息处理方法，其中，
所述信息处理装置从所述核心网中的网络数据分析功能、接入和移动性管理功能或者定位管理功能经由网络开放功能而取得所述移动体信息。
16.如权利要求9至15中的任意一项所述的信息处理方法，其中，
所述信息处理装置选择在联邦学习中使用的移动体。
17.一种非暂时性存储介质，其上存储了使计算机执行如下步骤的程序，所述步骤为：
取得移动体信息的步骤，其中，所述移动体信息包含表示在机器学习中能够使用的多个移动体的各自的位置的信息；
基于所述移动体信息，从而选择在机器学习中使用的一个以上的移动体的步骤。
18.如权利要求17所述的非暂时性存储介质，其中，
所述程序在选择所述移动体的步骤中，基于还包含表示所述多个移动体的各自的行进方向的信息的所述移动体信息，从而使所述计算机选择在机器学习中使用的移动体。
19.如权利要求17或18所述的非暂时性存储介质，其中，
所述程序在选择所述移动体的步骤中，基于所述移动体信息和当前的时刻，从而使所述计算机选择在机器学习中使用的移动体。
20.如权利要求17至19中的任意一项所述的非暂时性存储介质，其中，
所述程序在取得所述移动体信息的步骤中，使所述计算机取得从网络接收到的所述移动体信息。
CN202310060469.3A 2022-01-27 2023-01-19 信息处理装置、信息处理方法、以及非暂时性存储介质 Pending CN116506797A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022011039A JP2023109494A (ja) 2022-01-27 2022-01-27 情報処理装置、情報処理方法、及びプログラム
JP2022-011039 2022-01-27

Publications (1)

Publication Number Publication Date
CN116506797A true CN116506797A (zh) 2023-07-28

Family

ID=85150884

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310060469.3A Pending CN116506797A (zh) 2022-01-27 2023-01-19 信息处理装置、信息处理方法、以及非暂时性存储介质

Country Status (4)

Country Link
US (1) US20230239721A1 (zh)
EP (1) EP4220494A1 (zh)
JP (1) JP2023109494A (zh)
CN (1) CN116506797A (zh)

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11244242B2 (en) 2018-09-07 2022-02-08 Intel Corporation Technologies for distributing gradient descent computation in a heterogeneous multi-access edge computing (MEC) networks

Also Published As

Publication number Publication date
JP2023109494A (ja) 2023-08-08
US20230239721A1 (en) 2023-07-27
EP4220494A1 (en) 2023-08-02

Similar Documents

Publication Publication Date Title
US20130332056A1 (en) Harvesting Traffic Information From Mobile Devices
CN113095434A (zh) 目标检测方法及装置、电子设备、存储介质
CN103064980A (zh) 基于移动终端及gps查询景点信息的方法和系统
CN105185121A (zh) 一种虚拟卡口并行识别车牌的方法
US11416542B1 (en) System and method for uploading still images of matching plates in response to an alert hit list using distributed LPR acquisition
CN111065044B (zh) 基于大数据的数据关联分析方法、装置及计算机存储介质
US10341617B2 (en) Public safety camera identification and monitoring system and method
Hamidi et al. Industry 4.0 urban mobility: goNpark smart parking tracking module
KR102299685B1 (ko) 실시간 동영상 중계 장치 및 방법
CN114708545A (zh) 基于图像的对象侦测方法、装置、设备和存储介质
US20230247181A1 (en) Information processing apparatus, information processing method, program, and information collection system
CN116506797A (zh) 信息处理装置、信息处理方法、以及非暂时性存储介质
CN109246408B (zh) 一种数据处理方法、终端、服务器和计算机存储介质
CN113850909B (zh) 点云数据处理方法、装置、电子设备及自动驾驶设备
US20210377580A1 (en) Live or local environmental awareness
JP6376654B2 (ja) ルート提示装置、移動端末、ルート提示方法、ルート表示方法、ルート提示プログラム及びルート表示プログラム
JP6997664B2 (ja) 状態判定装置
CN108235367B (zh) 无线保真WiFi设备识别方法及装置
CN111294820A (zh) 一种获取场景小区信息的方法及装置
KR101541179B1 (ko) 목표지 설정을 통한, 단말기 상호간의 지역 정보 공유 시스템
US20220004736A1 (en) Information processing apparatus, information processing method, and non-transitory storage medium
US20240172003A1 (en) Deployment control system, deployment control method, and deployment control program
CN116133115A (zh) 数据处理方法、装置、网络设备及存储介质
WO2018113974A1 (en) Method and devices for predicting mobility of a mobile communication device in a cellular communication network
CN114217946A (zh) 一种基于lbs的边缘计算方法和机制

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