DE102019126147A1 - Steuerungsunterstützungsvorrichtung, Fahrzeug, Steuerungsunterstützungsverfahren, Aufzeichnungsmedium, erlerntes Modell zum Veranlassen einer Computerfunktion und Verfahren zum Erzeugen eines erlernten Modells - Google Patents

Steuerungsunterstützungsvorrichtung, Fahrzeug, Steuerungsunterstützungsverfahren, Aufzeichnungsmedium, erlerntes Modell zum Veranlassen einer Computerfunktion und Verfahren zum Erzeugen eines erlernten Modells Download PDF

Info

Publication number
DE102019126147A1
DE102019126147A1 DE102019126147.3A DE102019126147A DE102019126147A1 DE 102019126147 A1 DE102019126147 A1 DE 102019126147A1 DE 102019126147 A DE102019126147 A DE 102019126147A DE 102019126147 A1 DE102019126147 A1 DE 102019126147A1
Authority
DE
Germany
Prior art keywords
vehicle
learned model
input
unit
output
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
DE102019126147.3A
Other languages
English (en)
Inventor
Eiki KITAGAWA
Daiki Yokoyama
Keisuke Nagasaka
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 DE102019126147A1 publication Critical patent/DE102019126147A1/de
Pending legal-status Critical Current

Links

Images

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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
    • F02D41/2474—Characteristics of sensors
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N3/00—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust
    • F01N3/08—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for rendering innocuous
    • F01N3/10—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for rendering innocuous by thermal or catalytic conversion of noxious components of exhaust
    • F01N3/18—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for rendering innocuous by thermal or catalytic conversion of noxious components of exhaust characterised by methods of operation; Control
    • F01N3/20—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for rendering innocuous by thermal or catalytic conversion of noxious components of exhaust characterised by methods of operation; Control specially adapted for catalytic conversion ; Methods of operation or control of catalytic converters
    • F01N3/2006—Periodically heating or cooling catalytic reactors, e.g. at cold starting or overheating
    • 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
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
    • B60W10/06—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of combustion engines
    • 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
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/24—Conjoint control of vehicle sub-units of different type or different function including control of energy storage means
    • B60W10/26—Conjoint control of vehicle sub-units of different type or different function including control of energy storage means for electrical energy, e.g. batteries or capacitors
    • 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
    • B60W20/00—Control systems specially adapted for hybrid vehicles
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N9/00—Electrical control of exhaust gas treating apparatus
    • F01N9/005—Electrical control of exhaust gas treating apparatus using models instead of sensors to determine operating characteristics of exhaust systems, e.g. calculating catalyst temperature instead of measuring it directly
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D29/00—Controlling engines, such controlling being peculiar to the devices driven thereby, the devices being other than parts or accessories essential to engine operation, e.g. controlling of engines by signals external thereto
    • F02D29/02—Controlling engines, such controlling being peculiar to the devices driven thereby, the devices being other than parts or accessories essential to engine operation, e.g. controlling of engines by signals external thereto peculiar to engines driving vehicles; peculiar to engines driving variable pitch propellers
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/021—Introducing corrections for particular conditions exterior to the engine
    • F02D41/0235—Introducing corrections for particular conditions exterior to the engine in relation with the state of the exhaust gas treating apparatus
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405—Neural network control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2441—Methods of calibrating or learning characterised by the learning conditions
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
    • F02D41/2454—Learning of the air-fuel ratio control
    • F02D41/2461—Learning of the air-fuel ratio control by learning a value and then controlling another value
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/26—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using computer, e.g. microprocessor
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/30—Controlling fuel injection
    • 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
    • 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
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • 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
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • 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]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • 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]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • 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
    • B60W2710/00—Output or target parameters relating to a particular sub-units
    • B60W2710/24—Energy storage means
    • B60W2710/242—Energy storage means for electrical energy
    • B60W2710/244—Charge state
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N2900/00—Details of electrical control or of the monitoring of the exhaust gas treating apparatus
    • F01N2900/04—Methods of control or diagnosing
    • F01N2900/0402—Methods of control or diagnosing using adaptive learning
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N2900/00—Details of electrical control or of the monitoring of the exhaust gas treating apparatus
    • F01N2900/06—Parameters used for exhaust control or diagnosing
    • F01N2900/10—Parameters used for exhaust control or diagnosing said parameters being related to the vehicle or its components
    • F01N2900/102—Travelling distance
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N2900/00—Details of electrical control or of the monitoring of the exhaust gas treating apparatus
    • F01N2900/06—Parameters used for exhaust control or diagnosing
    • F01N2900/16—Parameters used for exhaust control or diagnosing said parameters being related to the exhaust apparatus, e.g. particulate filter or catalyst
    • F01N2900/1624—Catalyst oxygen storage capacity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/021—Introducing corrections for particular conditions exterior to the engine
    • F02D41/0235—Introducing corrections for particular conditions exterior to the engine in relation with the state of the exhaust gas treating apparatus
    • F02D2041/0265—Introducing corrections for particular conditions exterior to the engine in relation with the state of the exhaust gas treating apparatus to decrease temperature of the exhaust gas treating apparatus
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/08—Exhaust gas treatment apparatus parameters
    • F02D2200/0814—Oxygen storage amount
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/50—Input parameters for engine control said parameters being related to the vehicle or its components
    • F02D2200/501—Vehicle speed
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/70—Input parameters for engine control said parameters being related to the vehicle exterior
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Transportation (AREA)
  • Evolutionary Computation (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Toxicology (AREA)
  • Automation & Control Theory (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Traffic Control Systems (AREA)

Abstract

Steuerungsunterstützungsvorrichtung zum Unterstützen einer Steuerung eines Fahrzeugs unter Verwendung eines durch maschinelles Lernen erhaltenen erlernten Modells, wobei die Steuerungsunterstützungsvorrichtung umfasst: eine Datenerlangungseinheit, welche Sensorinformationen erlangt, die sich auf einen Zustand eines Inneren oder Äußeren eines Zuführfahrzeugs beziehen, das einen für das maschinelle Lernen verwendeten Parameter zuführt; eine Lerneinheit, welche ein erlerntes Modell durch Durchführen des maschinellen Lernens unter Verwendung eines Ein-/Ausgabedatensatzes erzeugt, welcher den von der Datenerlangungseinheit erlangten Sensorinformationen entspricht und Daten entspricht, die Eingabeparameter und einen Ausgabeparameter des erlernten Modells umfassen; und eine Übertragungseinheit, welche das erzeugte erlernte Modell und/oder einen Ausgabeparameter, der durch die Eingabe von Sensorinformationen des Fahrzeugs, dessen Steuerung unterstützt wird, bei dem erzeugten erlernten Modell als ein Eingabeparameter erhalten wird, überträgt.

Description

  • Hintergrund der Erfindung
  • Gebiet der Erfindung
  • Die vorliegende Erfindung betrifft eine Steuerungsunterstützungsvorrichtung, ein Fahrzeug, ein Steuerungsunterstützungsverfahren, ein Aufzeichnungsmedium, ein erlerntes Modell zum Veranlassen einer Computerfunktion und ein Verfahren zum Erzeugen eines erlernten Modells.
  • Beschreibung des zugehörigen Stands der Technik
  • Es ist eine Technologie bekannt, eine Verbrennungskraftmaschine unter Verwendung eines erlernten Modells durch maschinelles Lernen basierend auf einem neuronalen Netzwerk zu steuern (siehe z.B. Patentdokument 1). Bei dieser Technologie wird ein erlerntes Modell verwendet, um die Gasströmungsrate in einem vorbestimmten Durchlass der Verbrennungskraftmaschine abzuschätzen, um die Verbrennungskraftmaschine basierend auf dem Schätzergebnis zu steuern.
    • Patentdokument 1: Japanische Patentveröffentlichung mit der Nr. 2012-112277
  • Kurzfassung der Erfindung
  • Durch die Erfindung zu lösendes Problem
  • Das maschinelle Lernen auf Basis eines neuronalen Netzes erfordert jedoch eine ausreichende Datenmenge und Rechenleistung. Insbesondere wenn ein erlerntes Modell durch maschinelles Lernen auf die Steuerung eines Fahrzeugs angewendet wird, steigt die Anzahl von Parametern, und auch der Umfang der Berechnung wird enorm. Da Vorrichtungen für maschinelles Lernen, die das Lernen unter Verwendung einer großen Anzahl von Parametern und einem enormen Rechenaufwand durchführen, sehr kostspielig sind, ist die Anzahl von Fahrzeugen, auf denen eine Vorrichtung für maschinelles Lernen montiert werden kann, beschränkt. In diesem Fall tritt ein Leistungsunterschied zwischen einem mit einer Vorrichtung für maschinelles Lernen montierten Fahrzeug und einem nicht mit einer Vorrichtung für maschinelles Lernen montierten Fahrzeug auf. Daher ist es wünschenswert, eine Technologie zu entwickeln, die in der Lage ist, den Leistungsunterschied zwischen einem Fahrzeug, auf dem eine Vorrichtung für maschinelles Lernen montiert ist, und einem Fahrzeug, auf dem keine Vorrichtung für maschinelles Lernen montiert ist, zu reduzieren und eine ähnliche Steuerung durchzuführen wie diese im Falle der Verwendung eines erlernten Modells durch maschinelles Lernen, selbst bei dem Fahrzeug, auf dem keine Vorrichtung für maschinelles Lernen montiert ist.
  • Die vorliegende Erfindung wurde in Anbetracht des Vorstehenden entwickelt und es ist eine Aufgabe der vorliegenden Erfindung, eine Steuerungsunterstützungsvorrichtung, ein Fahrzeug, ein Steuerungsunterstützungsverfahren, ein Aufzeichnungsmedium, ein erlerntes Modell zum Veranlassen einer Computerfunktion und ein Verfahren zum Erzeugen des erlernten Modells zum Bereitstellen einer Unterstützung bereitzustellen, um eine Steuerung zu ermöglichen, die im Wesentlichen äquivalent zu der Steuerung unter Verwendung eines erlernten Modell durch maschinelles Lernen ist, auch bei einem Fahrzeug, auf dem keine Vorrichtung für maschinelles Lernen montiert ist.
  • Mittel zum Lösen des Problems
  • Um das vorstehende Problem zu lösen und die Aufgabe zu erreichen, umfasst eine Steuerungsunterstützungsvorrichtung gemäß einer Ausführungsform der vorliegenden Erfindung zur Unterstützung einer Steuerung eines Fahrzeugs unter Verwendung eines durch maschinelles Lernen erhaltenen erlernten Modells eine Datenerlangungseinheit, die Sensorinformationen erlangt, die sich auf einen Zustand eines Inneren oder Äußeren eines Zuführfahrzeugs beziehen, welches Parameter liefert, die für das maschinelle Lernen verwendet werden sollen; eine Lerneinheit, die ein erlerntes Modell durch Durchführen des maschinellen Lernens unter Verwendung eines Ein-/Ausgabedatensatzes erzeugt, welcher den von der Datenerlangungseinheit erlangten Sensorinformationen entspricht und Daten entspricht, die Eingabeparameter und einen Ausgabeparameter des erlernten Modells umfassen; und eine Übertragungseinheit, welche das erzeugte erlernte Modell und/oder einen Ausgabeparameter, der durch die Eingabe von Sensorinformationen des Fahrzeugs, dessen Steuerung unterstützt wird, bei dem erzeugten erlernten Modell als ein Eingabeparameter berechnet wird, überträgt.
  • Eine Steuerungsunterstützungsvorrichtung gemäß einer Ausführungsform der vorliegenden Erfindung zum Unterstützen der Steuerung eines Fahrzeugs unter Verwendung eines durch maschinelles Lernen erlernten Modells umfasst: eine Datenerlangungseinheit, die Sensorinformationen erlangt, die sich auf einen Zustand eines Inneren oder Äußeren eines Zuführfahrzeugs beziehen, das einen für das maschinelle Lernen verwendeten Parameter zuführt; eine Lerneinheit, die eine Mehrzahl von erlernten Modellen durch Durchführen des maschinellen Lernens unter Verwendung eines Ein-/Ausgabedatensatzes erzeugt, welcher den von der Datenerlangungseinheit von einer Mehrzahl von Zuführfahrzeugen erlangten Sensorinformationen entspricht und Daten entspricht, die Eingabeparameter und einen Ausgabeparameter des erlernten Modells umfassen; eine Auswahleinheit, die ein erlerntes Modell, das an das Fahrzeug übertragen werden soll, dessen Steuerung unterstützt wird, aus der Mehrzahl von erlernten Modellen auswählt; und eine Übertragungseinheit, welche das ausgewählte erlernte Modell an das Fahrzeug überträgt.
  • Da die Auswahleinheit bei dieser Anordnung das erlernte Modell, das zu dem Fahrzeug übertragen werden soll, dessen Steuerung unterstützt wird, aus der Mehrzahl der von der Lerneinheit durch maschinelles Lernen erzeugten erlernten Modelle auswählt und das ausgewählte erlernte Modell an das Fahrzeug überträgt, ermöglicht die Optimierung der Auswahl durch die Auswahleinheit die Übertragung eines erlernten Modells, das für das Fahrzeug geeignet ist, dessen Steuerung unterstützt wird, an das Fahrzeug. Somit ist es auch in einem Fall, in dem auf dem Fahrzeug keine Vorrichtung für maschinelles Lernen montiert ist, die ein erlerntes Modell erzeugt, möglich, die Steuerung auf der Grundlage des durch maschinelles Lernen erlernten Modells durchzuführen.
  • Eine Steuerungsunterstützungsvorrichtung gemäß einer Ausführungsform der vorliegenden Erfindung zum Unterstützen der Steuerung eines Fahrzeugs unter Verwendung eines durch maschinelles Lernen erhaltenen erlernten Modells umfasst: eine Datenerlangungseinheit, welche Sensorinformationen erlangt, die sich auf einen Zustand eines Inneren oder Äußeren eines Zuführfahrzeugs beziehen, welches Parameter liefert, die für das maschinelle Lernen verwendet werden sollen; eine Lerneinheit, die eine Mehrzahl von erlernten Modellen durch Durchführen des maschinellen Lernens unter Verwendung eines Ein-/Ausgabedatensatzes erzeugt, welcher den von der Datenerlangungseinheit von einer Mehrzahl von Zuführfahrzeugen erlangten Sensorinformationen entspricht und Daten entspricht, die Eingabeparameter und einen Ausgabeparameter des erlernten Modells umfassen; eine Auswahleinheit, die ein erlerntes Modell aus der Mehrzahl der erlernten Modelle auswählt; eine Prognoseeinheit, die einen Ausgabeparameter, der durch die Eingabe von Sensorinformationen des Fahrzeugs, dessen Steuerung unterstützt wird, bei dem ausgewählten erlernten Modell als Eingabeparameter erhalten wird, berechnet; und eine Übertragungseinheit, die den berechneten Ausgabeparameter zu dem Fahrzeug überträgt.
  • Bei dieser Anordnung wird das erlernte Modell, das zu dem Fahrzeug übertragen werden soll, dessen Steuerung unterstützt werden soll, aus der Mehrzahl der von der Lerneinheit durch maschinelles Lernen erzeugten erlernten Modelle ausgewählt, der Ausgabeparameter wird durch Eingeben des Eingabeparameters des Fahrzeugs in das ausgewählte erlernte Modell berechnet, und dann wird der berechnete Ausgabeparameter an das Fahrzeug übertragen. Somit ist es möglich, die Steuerung des Fahrzeugs auf der Grundlage des Ausgabeparameters durchzuführen, der durch das durch maschinelles Lernen erzeugte erlernte Modell erhalten wird, auch wenn auf dem Fahrzeug keine Vorrichtung montiert ist, die den Ausgabeparameter aus dem erlernten Modell berechnet.
  • Bei der vorstehenden Erfindung kann bei der Steuerungsunterstützungsvorrichtung gemäß einer Ausführungsform der vorliegenden Erfindung die Datenerlangungseinheit ferner Fahrverlaufsinformationen des Zuführfahrzeugs in Zusammenhang mit den Sensorinformationen erlangen, die Lerneinheit assoziiert das erzeugte erlernte Modell mit den Fahrverlaufsinformationen und die Auswahleinheit kann aus einer Mehrzahl der erzeugten erlernten Modelle ein erlerntes Modell auswählen, das mit Fahrverlaufsinformationen assoziiert ist, die einen hohen Grad an Übereinstimmung mit Fahrverlaufsinformationen des Fahrzeugs aufweisen.
  • Da die Lerneinheit bei dieser Anordnung das mit den Fahrverlaufsinformationen assoziierte bzw. verknüpfte erlernte Modell auf der Grundlage der mit den Fahrverlaufsinformationen assoziierten Sensorinformationen erzeugt, kann die Mehrzahl der erlernten Modelle auf der Grundlage der Fahrverlaufsinformationen klassifiziert werden. Somit kann die Auswahleinheit basierend auf dem Fahrverlauf der Fahrzeugsteuerung, die unterstützt wird, ein für das Fahrzeug geeignetes erlerntes Modell auswählen.
  • Eine Steuerungsunterstützungsvorrichtung gemäß einer Ausführungsform der vorliegenden Erfindung, die mit einem Server kommuniziert, der ein durch maschinelles Lernen erhaltenes erlerntes Modell speichert, wobei die Steuerungsunterstützungsvorrichtung die Steuerung eines Fahrzeugs unter Verwendung des erlernten Modells unterstützt, umfasst: eine Datenerlangungseinheit, die Sensorinformationen erlangt, die sich auf einen Zustand eines Inneren oder Äußeren eines Zuführfahrzeugs beziehen, wobei die Datenerlangungseinheit an dem Zuführfahrzeug montiert ist, das Parameter erhält, die für das maschinelle Lernen verwendet werden sollen; eine Lerneinheit, die ein erlerntes Modell durch Durchführen des maschinellen Lernens unter Verwendung eines Ein-/Ausgabedatensatzes erzeugt, der den von der Datenerlangungseinheit erlangten Sensorinformationen entspricht und Daten entspricht, die Eingabeparameter und einen Ausgabeparameter des erlernten Modells umfassen; und eine Übertragungseinheit, die das erzeugte erlernte Modell zu dem Server überträgt.
  • Da bei dieser Anordnung das von der Steuerungsunterstützungsvorrichtung erzeugte erlernte Modell auf dem externen Server gespeichert werden kann, kann die erforderliche Kapazität der Speichereinheit in der Steuerungsunterstützungsvorrichtung reduziert werden. Da es nicht notwendig ist, ein neues erlerntes Modell im Server zu generieren, kann darüber hinaus die Verarbeitungskapazität des maschinellen Lernens im Server reduziert werden.
  • Bei der vorstehenden Erfindung kann der Server in der Steuerungsunterstützungsvorrichtung gemäß einer Ausführungsform der vorliegenden Erfindung einen Ausgabeparameter an das Fahrzeug übertragen, der durch die Eingabe von Sensorinformationen des Fahrzeugs, dessen Steuerung unterstützt wird, als einen Eingabeparameter bei einem erlernten Modell, das aus einer Mehrzahl von erlernten Modellen abgerufen oder erzeugt wird, die jeweils von einer Mehrzahl der Steuerungsstützvorrichtungen empfangen werden, erhalten wird.
  • Da bei dieser Anordnung der Ausgabeparameter im Server aus den Sensorinformationen von der Fahrzeugsteuerung berechnet werden kann, die unterstützt wird, kann der durch das erlernte Modell berechnete Ausgabeparameter auch in einem Fall zum Steuern des Fahrzeugs verwendet werden, in dem auf dem Fahrzeug keine Vorrichtung zum Berechnen des Ausgabeparameters aus dem erlernten Modell montiert ist.
  • Bei der vorstehenden Erfindung kann der Server bei der Steuerungsunterstützungsvorrichtung gemäß einer Ausführungsform der vorliegenden Erfindung umfassen: eine Serverauswahleinheit, die ein erlerntes Modell aus einer Mehrzahl von erlernten Modellen auswählt, die durch Akkumulieren, Zusammenführen oder Aktualisieren einer Mehrzahl von erlernten Modellen erhalten werden, die jeweils von einer Mehrzahl der Steuerungsunterstützungsvorrichtungen aufgenommen werden; eine Servervorhersageeinheit, die einen Ausgabeparameter berechnet, der durch die Eingabe von Sensorinformationen des Fahrzeugs, dessen Steuerung unterstützt wird, bei dem ausgewählten erlernten Modell als einen Eingabeparameter erhalten wird; und eine Serverkommunikationseinheit, die den Ausgabeparameter zu dem Fahrzeug überträgt. Ferner kann der Server bei der vorstehenden Erfindung bei der Steuerungsunterstützungsvorrichtung gemäß einer Ausführungsform der vorliegenden Erfindung ferner Fahrverlaufsinformationen, die mit dem erlernten Modell im Zuführfahrzeug assoziiert sind, und Fahrverlaufsinformationen des Fahrzeugs empfangen, und die Serverauswahleinheit kann ein erlerntes Modell, das mit Fahrverlaufsinformationen assoziiert ist, die einen hohen Grad an Übereinstimmung mit den Fahrverlaufsinformationen des Fahrzeugs aufweisen, aus der Mehrzahl von erlernten Modellen auswählen, die durch Akkumulation, Zusammenführung oder Aktualisierung erhalten werden.
  • Da bei dieser Anordnung die Mehrzahl der aus der Mehrzahl von Steuerungsunterstützungsvorrichtungen erhaltenen erlernten Modelle akkumuliert, zusammengeführt oder gemittelt werden kann, können die erlernten Modelle optimiert werden. Da der durch Eingabe des Eingabeparameters des Fahrzeugs, dessen Steuerung unterstützt wird, bei dem erlernten Modell berechnete Ausgabeparameter an das Fahrzeug übertragen wird, ist es außerdem möglich, die Steuerung des Fahrzeugs auf der Grundlage des Ausgabeparameters durchzuführen, der durch das durch maschinelles Lernen erzeugte erlernte Modell berechnet wird, auch wenn auf dem Fahrzeug keine Vorrichtung montiert ist, die den Ausgabeparameter aus dem erlernten Modell berechnet. Da die Serverauswahleinheit das erlernte Modell basierend auf dem Fahrverlauf der unterstützten Fahrzeugsteuerung auswählen kann, kann aus den optimierten erlernten Modellen ein für das Fahrzeug geeignetes erlerntes Modell ausgewählt werden.
  • Bei der vorstehenden Erfindung kann die Steuerungsunterstützungsvorrichtung gemäß einer Ausführungsform der vorliegenden Erfindung ferner eine Gebührenverarbeitungseinheit umfassen, welche eine Verarbeitung zum Berechnen eines Entgelts für die Unterstützung der Steuerung für einen Nutzer des Fahrzeugs, eine Verarbeitung zum Berechnen einer Vergütung für die Bereitstellung der Sensorinformationen für einen Nutzer des Zuführfahrzeugs und eine Verarbeitung zum Ausgeben der berechneten Ergebnisse ausführt.
  • Da bei dieser Anordnung der Nutzer des Zuführfahrzeugs eine Gegenleistung für die Übertragung der Sensorinformationen als eine Vergütung erhalten kann, ist es möglich, das Unbehagen bei der Übertragung von Informationen mit Bezug auf den Nutzer zu reduzieren. Hinsichtlich des Administrators der Steuerungsunterstützungsvorrichtung kann das erlernte Modell oder der Ausgabeparameter weiter optimiert werden, da mehr Informationen gesammelt werden können. Darüber hinaus kann der Nutzer der Fahrzeugsteuerung, die unterstützt wird, das erlernte Modell verwenden, welches auf der Grundlage der verschiedenen Arten von Informationen erzeugt wird, die von dem Zuführfahrzeug übertragen werden, und der Administrator der Steuerungsunterstützungsvorrichtung kann sicherstellen, dass die Vergütung an den Nutzer des Zuführfahrzeugs bezahlt wird. Dies erleichtert, dass sich die Bereitstellung von Diensten unter Verwendung der Steuerungsunterstützungsvorrichtung verbreitet.
  • Bei der vorstehenden Erfindung können die Sensorinformationen bei der Steuerungsunterstützungsvorrichtung gemäß einer Ausführungsform der vorliegenden Erfindung zumindest eine Art von Informationen ausgewählt aus Informationen über eine maximale Sauerstoffspeichermenge im Katalysator, Informationen über eine Fahrstrecke, Informationen über eine mittlere Geschwindigkeit und Informationen über eine mittlere Beschleunigung im Fahrzeug umfassen, und der Ausgabeparameter kann einem Katalysatoraufwärmverzögerungsbetrag, einem SOC-Wert zum Starten eines Ausgangskonstantbetriebs oder einer Katalysatorbetttemperatur zum Ausführen einer Erhöhungssteuerung von Kraftstoff entsprechen.
  • Mit dieser Anordnung ist es möglich, eine Steuerung bei der unterstützen Fahrzeugsteuerung unter Verwendung des Katalysatoraufwärmverzögerungsbetrags, des SOC-Werts zum Starten des Ausgangskonstantbetriebs und der Katalysatorbetttemperatur zum Ausführen einer Erhöhungssteuerung von Kraftstoff, wie unter Verwendung des erlernten Modells erhalten, durchzuführen.
  • Ein Fahrzeug gemäß einer Ausführungsform der vorliegenden Erfindung umfasst eine Fahrzeugsteuerungsvorrichtung, die mit einem Server kommuniziert, der ein erlerntes Modell speichert, das durch maschinelles Lernen erhalten wird, wobei der Server umfasst: eine Serverspeichereinheit, die das erlernte Modell speichert, das durch das maschinelle Lernen erzeugt wird, welches unter Verwendung von Sensorinformationen, die sich auf einen Zustand eines Inneren oder Äußeren eines Zufuhrfahrzeugs beziehen, das Parameter liefert, die für das maschinelle Lernen verwendet werden sollen, als ein Ein-/Ausgabedatensatz durchgeführt wird, der Daten entspricht, die Eingabeparameter und einen Ausgabeparameter des erlernten Modells umfassen; und eine Serverkommunikationseinheit, die das erzeugte erlernte Modell und/oder einen Ausgabeparameter, der durch die Eingabe von Sensorinformationen des Fahrzeugs als ein Eingabeparameter bei dem erlernten Modell in einem Fall berechnet wird, in dem die Sensorinformationen des Fahrzeugs empfangen werden, überträgt, wobei die Fahrzeugsteuerungsvorrichtung umfasst: eine Datenerlangungseinheit, die Sensorinformationen erlangt, die sich auf einen Zustand eines Inneren oder Äußeren des Fahrzeugs beziehen; und eine Kommunikationseinheit, die ein Modellanforderungssignal, das eine Übertragung des erlernten Modells anfordert, oder ein Parameteranforderungssignal, das die Übertragung eines Ausgabeparameters anfordert, der auf der Grundlage der von der Datenerlangungseinheit erlangten Sensorinformationen berechnet wird, und die Sensorinformationen an den Server überträgt, und das erzeugte erlernte Modell oder den berechneten Ausgabeparameter im Ansprechen auf das Modellanforderungssignal bzw. das Parameteranforderungssignal empfängt.
  • Mit dieser Anordnung kann das Fahrzeug das erlernte Modell vom Server empfangen, indem das Modellanforderungssignal an den Server gesendet wird, und den berechneten Ausgabeparameter vom Server empfangen, indem das Parameteranforderungssignal und die Sensorinformationen des Fahrzeugs gesendet werden, und somit ist es möglich, die Steuerung unter Verwendung des erlernten Modells in der Fahrzeugsteuerungsvorrichtung des Fahrzeugs auszuführen.
  • Ein Fahrzeug gemäß einer Ausführungsform der vorliegenden Erfindung umfasst eine Fahrzeugsteuerungsvorrichtung, die mit einem Server kommuniziert, der ein erlerntes Modell speichert, das durch maschinelles Lernen erhalten wird, wobei der Server umfasst: eine Serverlemeinheit, die ein erlerntes Modell durch Durchführen des maschinellen Lernens unter Verwendung eines Ein-/Ausgabedatensatzes erzeugt, der Sensorinformationen entspricht, die sich auf einen Zustand eines Inneren oder Äußeren eines Fahrzeugs beziehen, und Daten entspricht, die Eingabeparameter und einen Ausgabeparameter des erlernten Modells umfassen, wobei die Fahrzeugsteuerungsvorrichtung umfasst: eine Datenerlangungseinheit, die Sensorinformationen erlangt, die sich auf einen Zustand eines Inneren oder Äußeren des Fahrzeugs beziehen; und eine Übertragungseinheit, welche die von der Datenerlangungseinheit erlangten Sensorinformationen an den Server überträgt.
  • Da bei dieser Anordnung das Zuführfahrzeug den Ein-/Ausgabedatensatz zur Durchführung des maschinellen Lernens im Server übertragen kann, kann der Server ein erlerntes Modell durch maschinelles Lernen erzeugen.
  • Ein Fahrzeug gemäß einer Ausführungsform der vorliegenden Erfindung umfasst eine Fahrzeugsteuerungsvorrichtung, die mit einem Server kommuniziert, der ein erlerntes Modell speichert, das durch maschinelles Lernen erhalten wird, wobei die Fahrzeugsteuerungsvorrichtung umfasst: eine Datenerlangungseinheit, welche Sensorinformationen erlangt, die sich auf einen Zustand eines Inneren oder Äußeren des Fahrzeugs beziehen; eine Lerneinheit, die ein erlerntes Modell erzeugt, indem das maschinelle Lernen unter Verwendung eines Ein-/Ausgabedatensatzes durchgeführt wird, welcher den von der Datenerlangungseinheit erlangten Sensorinformationen entspricht und Daten entspricht, die Eingabeparameter und einen Ausgabeparameter des erlernten Modells umfassen; und eine Übertragungseinheit, die das von der Lerneinheit erzeugte erlernte Modell an den Server überträgt.
  • Da bei dieser Anordnung das erlernte Modell fahrzeugseitig erzeugt werden kann und dieses erlernte Modell in dem externen Server gespeichert werden kann, kann die für die Speichereinheit in der Fahrzeugsteuerungsvorrichtung des Fahrzeugs erforderliche Kapazität reduziert und die Verarbeitungskapazität des maschinellen Lernens im Server reduziert werden.
  • Ein Steuerungsunterstützungsverfahren gemäß einer Ausführungsform der vorliegenden Erfindung, das von einer Steuerungsunterstützungsvorrichtung ausgeführt wird, welche die Steuerung eines Fahrzeugs unter Verwendung eines durch maschinelles Lernen erlernten Modells unterstützt, umfasst: einen Datenerlangungsschritt zum Erlangen von Sensorinformationen, die sich auf einen Zustand eines Inneren oder Äußeren eines Zuführfahrzeugs beziehen, das Parameter zuführt, die für das maschinelle Lernen verwendet werden sollen; einen Lernschritt zum Lesen eines Ein-/Ausgabedatensatzes, der den im Datenerlangungsschritt erlangten Sensorinformationen entspricht und Daten entspricht, die einen Eingabeparameter und einen Ausgabeparameter des erlernten Modells umfassen, aus einer Speichereinheit und zum Erzeugen eines erlernten Modells durch Durchführen des maschinellen Lernens unter Verwendung des gelesenen Ein-/Ausgabedatensatzes; und einen Übertragungsschritt zum Übertragen des erzeugten erlernten Modells und/oder eines Ausgabeparameters, der durch Eingeben von Sensorinformationen des Fahrzeugs, dessen Steuerung unterstützt wird, bei dem erlernten Modell als ein Eingabeparameter erhalten wird.
  • Ein nichtflüchtiges computerlesbares Aufzeichnungsmedium gemäß einer Ausführungsform der vorliegenden Erfindung speichert ein Steuerungsunterstützungsprogramm, um eine Steuerungsunterstützungsvorrichtung, welche die Steuerung eines Fahrzeugs unter Verwendung eines durch maschinelles Lernen erlernten Modells unterstützt, zu veranlassen, Folgendes auszuführen: einen Datenerlangungsschritt zum Erlangen von Sensorinformationen, die sich auf einen Zustand eines Inneren oder Äußeren eines Zuführfahrzeugs beziehen, das Parameter zuführt, die für das maschinelle Lernen verwendet werden sollen; einen Lernschritt zum Lesen eines Ein-/Ausgabedatensatzes, welcher den im Datenerlangungsschritt erlangten Sensorinformationen entspricht und Daten entspricht, die einen Eingabeparameter und einen Ausgabeparameter des erlernten Modells umfassen, aus einer Speichereinheit und zum Erzeugen eines erlernten Modells durch Durchführen des maschinellen Lernens unter Verwendung des gelesenen Ein-/Ausgabedatensatzes; und einen Übertragungsschritt zum Übertragen des erzeugten erlernten Modells und/oder eines Ausgabeparameters, der durch Eingeben von Sensorinformationen des Fahrzeugs, dessen Steuerung unterstützt wird, bei dem erlernten Modell als ein Eingabeparameter erhalten wird.
  • Ein erlerntes Modell gemäß einer Ausführungsform der vorliegenden Erfindung umfasst ein neuronales Netz mit: einer Eingabeschicht, welche die Eingabe von Eingabeparametern empfängt, die einen Zustand eines Inneren oder Äußeren eines Fahrzeugs quantifizieren; einer Zwischenschicht, welche die Eingabe von Signalen empfängt, die von der Eingabeschicht ausgegeben werden, wobei die Zwischenschicht eine Mehrschichtstruktur aufweist; und einer Ausgabeschicht, welche die Eingabe von Signalen empfängt, die von der Zwischenschicht ausgegeben werden, und einen Ausgabeparameter ausgibt, der einen vorbestimmten Zustand des Fahrzeugs quantifiziert, wobei jede der Schichten einen oder mehrere Knoten umfasst, wobei das erlernte Modell mit Fahrverlaufsinformationen des Fahrzeugs assoziiert bzw. verknüpft ist, und das erlernte Modell einen Computer veranlasst, die Eingabeparameter in die Eingabeschicht einzugeben, eine Berechnung basierend auf einem Netzwerkparameter des neuronalen Netzes durchzuführen, der einem erlernten Netzwerkparameter entspricht, und einen Wert von der Ausgabeschicht auszugeben, der den vorbestimmten Zustand des Fahrzeugs quantifiziert.
  • Da bei dieser Anordnung ein auf der Grundlage von Deep-Learning bzw. tiefgehendem Lernen unter Verwendung des neuronalen Netzes erzeugtes erlerntes Modell in Verbindung mit Fahrverlaufsinformationen bereitgestellt werden kann, kann die Steuerung des Fahrzeugs unter Verwendung des erlernten Modells geeignet unterstützt werden.
  • Ein Verfahren zum Erzeugen eines erlernten Modells gemäß einer Ausführungsform der vorliegenden Erfindung veranlasst einen Computer, einen Wert auszugeben, der einen vorbestimmten Zustand eines Fahrzeugs quantifiziert, wobei der Computer ein neuronales Netz verwendet, das eine Eingabeschicht, die eine Eingabe von Eingabeparametern empfängt, die einen Zustand eines Inneren oder Äußeren des Fahrzeugs quantifizieren, eine Zwischenschicht, welche eine Eingabe von Signalen empfängt, die von der Eingabeschicht ausgegeben werden, wobei die Zwischenschicht eine Mehrschichtstruktur aufweist, und eine Ausgabeschicht, welche eine Eingabe von Signalen empfängt, die von der Zwischenschicht ausgegeben werden, und einen Ausgabeparameter ausgibt, umfasst, wobei jede der Schichten einen oder mehrere Knoten umfasst, um ein Lernen während eines Aktualisierens eines Netzwerkparameters des neuronalen Netzes basierend auf einem von der Ausgabeschicht ausgegebenen Ausgabeparameter basierend auf einer Eingabe der Eingabeparameter und einem Ausgabeparameter, der zusammen mit dem Eingabeparameter einen Ein-/Ausgabedatensatz bildet, und ein Speichern des Netzwerkparameters in einer Speichereinheit in Verbindung mit Fahrverlaufsinformationen des Fahrzeugs durchzuführen.
  • Mit dieser Anordnung kann die Steuerung des Fahrzeugs geeignet unterstützt und ein erlerntes Modell, das mit den Fahrverlaufsinformationen verknüpft ist, bereitgestellt werden.
  • Effekt der Erfindung
  • Durch eine Steuerungsunterstützungsvorrichtung, ein Fahrzeug, ein Steuerungsunterstützungsverfahren, ein Aufzeichnungsmedium, ein erlerntes Modell zum Veranlassen einer Computerfunktion und ein Verfahren zum Erzeugen des erlernten Modells gemäß einer Ausführungsform der vorliegenden Erfindung ist es möglich, eine Unterstützung bereitzustellen, um zu ermöglichen, dass eine Steuerung, die im Wesentlichen äquivalent zu einer Steuerung unter Verwendung eines erlernten Modells durch maschinelles Lernen ist, auch in einem Fahrzeug ausgeführt wird, auf dem keine Vorrichtung für maschinelles Lernen montiert ist.
  • Figurenliste
    • 1 ist eine schematische Abbildung, welche ein Steuerungsunterstützungssystem darstellt, auf das eine Steuerungsunterstützungsvorrichtung gemäß einer ersten Ausführungsform der vorliegenden Erfindung angewendet werden kann;
    • 2 ist ein Blockdiagramm, welches eine Konfiguration der Steuerungsunterstützungsvorrichtung gemäß der ersten Ausführungsform der vorliegenden Erfindung, wie in 1 dargestellt, schematisch darstellt;
    • 3 ist eine Abbildung, welche eine Konfiguration eines neuronalen Netzes schematisch darstellt, das von einer Lerneinheit erlernt wird;
    • 4 ist eine Abbildung, welche einen Überblick über die Ein- und Ausgabe von Knoten darstellt, die im neuronalen Netz umfasst sind;
    • 5 ist ein Blockdiagramm, welches eine Konfiguration eines in 1 dargestellten Zuführfahrzeugs schematisch darstellt;
    • 6 ist ein Blockdiagramm, welches eine Konfiguration eines in 1 dargestellten Anforderungsfahrzeugs schematisch darstellt;
    • 7 ist ein Flussdiagramm, welches den Verarbeitungsablauf eines Steuerungsunterstützungsverfahrens gemäß der ersten Ausführungsform darstellt;
    • 8 ist ein Flussdiagramm, welches den Verarbeitungsablauf eines Steuerungsunterstützungsverfahrens gemäß einer zweiten Ausführungsform darstellt;
    • 9 ist ein Blockdiagramm, welches eine Konfiguration eines Zuführfahrzeugs gemäß einer dritten Ausführungsform schematisch darstellt; und
    • 10 ist ein Flussdiagramm, welches den Verarbeitungsablauf eines Steuerungsunterstützungsverfahrens gemäß der dritten Ausführungsform darstellt.
  • Detaillierte Beschreibung der bevorzugten Ausführungsformen
  • Im Folgenden werden Ausführungsformen der vorliegenden Erfindung mit Bezug auf die Abbildungen beschrieben. Zu beachten ist, dass in allen folgenden Abbildungen der Ausführungsformen die gleichen Symbole den gleichen oder entsprechenden Komponenten zugeordnet sind. Die vorliegende Erfindung ist nicht durch die nachfolgend beschriebenen Ausführungsformen beschränkt.
  • Erste Ausführungsform
  • Zunächst wird ein Steuerungsunterstützungssystem gemäß einer ersten Ausführungsform beschrieben. 1 ist eine Abbildung, welche ein Steuerungsunterstützungssystem gemäß dieser ersten Ausführungsform darstellt. Wie in 1 dargestellt ist, umfasst ein Steuerungsunterstützungssystem 1 einen Steuerungsunterstützungsserver 2 mit einer Speichereinheit 23, eine Mehrzahl von Fahrzeugen 3, die jeweils eine Kommunikationseinheit 33 und eine Gruppe von Sensoren bzw. Sensorgruppe 36 umfassen, und ein Fahrzeug 4 mit einer Kommunikationseinheit 43 und einer Gruppe von Sensoren 46. Der Steuerungsunterstützungsserver 2, die Mehrzahl von Fahrzeugen 3 und das Fahrzeug 4 sind in der Lage, über ein Netzwerk 10 miteinander zu kommunizieren.
  • Das Netzwerk 10 umfasst das Internetnetzwerk, ein Mobilfunknetz oder dergleichen. Das Netzwerk 10 ist beispielsweise ein öffentliches Kommunikationsnetz, wie das Internet, und umfasst beispielsweise eine Kombination aus einem oder mehreren aus einem lokalen Netzwerk (LAN), einem Weitverkehrsnetz (WAN), einem Telefonkommunikationsnetz, wie ein Mobiltelefon, einer öffentlichen Leitung, einem virtuellen privaten Netzwerk (VPN) und einer exklusiven Leitung. In dem Netzwerk 10 werden eine drahtgebundene Kommunikation und eine drahtlose Kommunikation geeignet kombiniert.
  • Steuerungsunterstützungsserver
  • Der Steuerungsunterstützungsserver 2 führt eine Datensammelverarbeitung aus, um verschiedene Arten von Informationen zu sammeln, die von der Mehrzahl von Fahrzeugen 3, die jeweils eine Kommunikationseinheit 33 als eine Übertragungseinheit umfassen, über das Netzwerk 10 übertragen werden. Der Steuerungsunterstützungsserver 2 ist in der Lage, maschinelles Lernen auf der Grundlage der gesammelten verschiedenen Arten von Informationen auszuführen. Der Steuerungsunterstützungsserver 2 überträgt an das Fahrzeug 4 ein vorbestimmtes erlerntes Modell zum Steuern jeder Komponente des Fahrzeugs 4. 2 ist ein Blockdiagramm, welches eine Konfiguration des Steuerungsunterstützungsservers 2 schematisch darstellt.
  • Wie in 2 dargestellt ist, umfasst der Steuerungsunterstützungsserver 2 eine Kommunikationseinheit 21, eine Steuerungseinheit 22 und die Speichereinheit 23. Die Kommunikationseinheit 21 kann beispielsweise eine LAN (Local-Area-Network)-Schnittstellenkarte oder eine Drahtlos-Kommunikationsschaltung für die drahtlose Kommunikation sein. Die LAN-Schnittstellenkarte oder die Drahtlos-Kommunikationsschaltung ist mit dem Netzwerk 10, wie dem Internet, das ein öffentliches Kommunikationsnetzwerk ist, verbunden. Die Kommunikationseinheit 21 als eine Übertragungs- bzw. Sendeeinheit und eine Empfangseinheit ist mit dem Netzwerk 10 verbunden, um eine Kommunikation mit der Mehrzahl von Fahrzeugen 3 und einem vorbestimmten Fahrzeug 4 durchzuführen. Die Kommunikationseinheit 21 als eine Serverkommunikationseinheit empfängt von den Fahrzeugen 3 und 4 Fahrzeugidentifikationsinformationen, Fahrverlaufsinformationen oder Fahrzeuginformationen, die für die Fahrzeuge 3 und 4 einzigartig sind, oder sendet erlernte Modelle oder Steuersignale an die Fahrzeuge 3 und 4.
  • Die Fahrzeugidentifikationsinformationen umfassen verschiedene Arten von Informationen zur Identifizierung der einzelnen Fahrzeuge 3 und 4. Die Fahrverlaufsinformationen umfassen Informationen, wie Reisezeitbereich, Reiserouten, Reisegebiete, Stauinformationen, Wetter, die Außenlufttemperatur und die Außenluftfeuchtigkeit von jedem der Fahrzeuge 3 und 4. Die Informationen über den Reisezeitbereich können Informationen darüber sein, ob es sich um Morgen, Mittag oder Nacht handelt, Informationen darüber, ob es sich um einen Pendelzeitbereich handelt, Informationen darüber, ob die Sonne aufgeht, oder dergleichen. Die Reiserouteninformationen können Informationen darüber sein, ob eine bestimmte Straße nach innen oder nach außen gerichtet ist, Informationen darüber, ob eine bestimmte Straße nach innen oder nach außen gerichtet ist, ergänzt durch Informationen über einen Reisezeitbereich oder dergleichen. Die Informationen der Reisegebiete können Informationen über Reiselinien, Informationen über Gemeinden, Informationen über Präfekturen oder Informationen über Gebiete, wie Kanto und Tokai, sein. Die Stauinformationen können Informationen sein, in denen die tatsächlichen Stauinformationen und ein Reisezeitbereich miteinander verknüpft sind, Informationen, in denen die tatsächlichen Stauinformationen und Stauursachen, die vom Fahrzeuginformations- und Kommunikationssystem (VICS) (eingetragene Marke) erlangt werden, miteinander verknüpft sind, oder dergleichen. Die Wetterinformationen können Informationen sein, in denen die Windrichtung, die Windgeschwindigkeit und die Fahrtrichtung miteinander verknüpft sind, Informationen über Veränderungen des Straßenoberflächenzustandes durch Regen oder Schnee, oder dergleichen. Die Außenlufttemperatur oder -feuchte umfasst nicht nur die Temperatur oder Feuchtigkeit zum Zeitpunkt der Fahrt, sondern auch Informationen über die tatsächlich gemessene Temperatur oder gemessene Feuchtigkeit der Außenluft. Die Fahrzeuginformationen umfassen Informationen der Fahrzeuge 3 und 4, und umfassen insbesondere als Informationen über die Verbrennungskraftmaschine den Zustand, die Eingabe und die Ausgabe der Maschine. Die Fahrzeuginformationen können ferner Informationen wie eine Gesamtfahrstrecke, Positionsinformationen, Geschwindigkeitsinformationen, Beschleunigungsinformationen, Ladeinformationen, von Sensorgruppen erlangte Informationen und einen Fahrzeugtyp umfassen.
  • Insbesondere umfasst die Steuerungseinheit 22 einen Prozessor, wie eine zentrale Verarbeitungseinheit (CPU), einen digitalen Signalprozessor (DSP) und ein feldprogrammierbares Gate-Array (FPGA) sowie eine Hauptspeichereinheit, wie einen Direktzugriffsspeicher (RAM) oder einen Nurlesespeicher (ROM) (nichts davon ist dargestellt).
  • Die Speichereinheit 23 umfasst ein Speichermedium, ausgewählt aus einem flüchtigen Speicher, wie einem RAM, einem nichtflüchtigen Speicher, wie einem ROM, einem löschbaren programmierbaren ROM (EPROM), einer Festplatte (HDD) und einem Wechselmedium. Zu beachten ist, dass es sich bei einem Wechselmedium beispielsweise um einen USB (Universal-Serial-Bus)-Speicher oder ein Plattenaufzeichnungsmedium, wie eine Compact-Disc (CD), eine Digital-Versatile-Disc (DVD) oder eine Blu-ray (BD) (eingetragene Marke) handelt. Alternativ kann die Speichereinheit 23 unter Verwendung eines computerlesbaren Aufzeichnungsmediums, wie einer Speicherkarte, konfiguriert sein, die extern montiert werden kann. Die Speichereinheit 23 ist in der Lage, ein Betriebssystem (OS), verschiedene Programme, verschiedene Tabellen, verschiedene Datenbanken und dergleichen zum Ausführen des Betriebs des Steuerungsunterstützungsservers 2 zu speichern. Zu den verschiedenen Programmen gehört auch ein Steuerungsunterstützungsprogramm gemäß der ersten Ausführungsform. Diese verschiedenen Programme können auch weit verbreitet werden, indem diese auf einem computerlesbaren Aufzeichnungsmedium, wie einer Festplatte, einem Flash-Speicher, einer CD-ROM, einer DVD-ROM und einer flexiblen Festplatte aufgezeichnet werden.
  • Die Steuerungseinheit 22 implementiert eine Funktion, die einem vorbestimmten Zweck entspricht, indem ein in der Speichereinheit 23 gespeichertes Programm in einen Arbeitsbereich der das Programm ausführenden Hauptspeichereinheit geladen wird und entsprechende Komponenten durch die Ausführung des Programms gesteuert werden. Bei der ersten Ausführungsform werden die Funktionen einer Datenerlangungseinheit 221, einer Lerneinheit 222, einer Auswahleinheit 223, einer Prognoseeinheit 224 und einer Gebührenverarbeitungseinheit 225 durch die Ausführung der Programme durch die Steuerungseinheit 22 ausgeführt.
  • Die Datenerlangungseinheit 221 erlangt als verschiedene Arten von Sensorinformationen, die sich auf den internen oder externen Zustand des Fahrzeugs 3 beziehen, der von der Sensorgruppe 36 des Fahrzeugs 3 erlangt wird, einen Eingabeparameter, der einem vorbestimmten Steuerungssignal entspricht, und einen Ausgabeparameter, der als ein Ergebnis einer dem Eingabeparameter entsprechenden Steuerung erhalten wird. Die Datenerlangungseinheit 221 schreibt und speichert die Kombination aus dem Eingabeparameter und dem Ausgabeparameter als einen Ein-/Ausgabedatensatz in eine Speichereinheit 232 für einen Ein-/Ausgabedatensatz der Speichereinheit 23. Zu beachten ist, dass ein Ein-/Ausgabedatensatz auch als Trainingsdaten bezeichnet wird. Die Datenerlangungseinheit 221 schreibt und speichert ferner die Eingabeparameter der verschiedenen Arten von Sensorinformationen, die von der Sensorgruppe 36 des Fahrzeugs 3 erlangt werden, in eine/einer Lerndatenspeichereinheit 233 der Speichereinheit 23 als Eingabeparameter von Lerndaten.
  • Die Lerneinheit 222, die auch einer Serverlerneinheit entspricht, führt maschinelles Lernen auf der Grundlage des von der Datenerlangungseinheit 221 erlangten Ein-/Ausgabedatensatzes durch. Die Lerneinheit 222 schreibt und speichert das Lernergebnis in eine/einer Speichereinheit 231 für das erlernte Modell der Speichereinheit 23. Die Lerneinheit 222 speichert zu einem vorbestimmten Zeitpunkt das zuletzt erlernte Modell ab dem vorbestimmten Zeitpunkt in der Speichereinheit 231 für das erlernte Modell der Speichereinheit 23, getrennt von dem das Lernen durchführenden neuronalen Netz. Das Speichern in der Speichereinheit 231 für das erlernte Modell kann durch ein Update, bei dem ein altes erlerntes Modell gelöscht und das zuletzt erlernte Modell gespeichert wird, oder durch eine Akkumulation, bei der das zuletzt erlernte Modell gespeichert wird, während ein Teil oder die Gesamtheit eines alten erlernten Modells gespeichert bleibt, durchgeführt werden.
  • Die Auswahleinheit 223, welche auch einer Serverauswahleinheit entspricht, wählt ein vorbestimmtes erlerntes Modell aus einer Mehrzahl von erlernten Modellen aus, die in der Speichereinheit 231 für das erlernte Modell gespeichert sind. So wählt die Auswahleinheit 223 beispielsweise das vorbestimmte erlernte Modell auf der Grundlage der vom Fahrzeug 4 übertragenen Fahrverlaufsinformationen und Fahrverlaufsinformationen, die mit einem in der Speichereinheit 231 für das erlernte Modell gespeicherten erlernten Modell verknüpft sind, aus. Für den Fall, dass die Auswahleinheit 223 ein erlerntes Modell auf der Grundlage von Fahrverlaufsinformationen auswählt, kann ein erlerntes Modell ausgewählt werden, das mit Fahrverlaufsinformationen verknüpft ist, die den höchsten Grad an Übereinstimmung mit den vom Fahrzeug 4 übertragenen Fahrverlaufsinformationen aufweisen.
  • Die Prognoseeinheit 224, die auch einer Servervorhersageeinheit entspricht, berechnet einen Ausgabeparameter, der durch Quantifizieren der physikalischen Größe erhalten wird, die zur Steuerung des Fahrzeugs 4 erforderlich ist, durch Eingeben der von der Datenerlangungseinheit 221 erlangten Eingabeparameter in das vorbestimmte erlernte Modell. Das erlernte Modell, das verwendet wird, wenn die Prognoseeinheit 224 die physikalische Größe quantifiziert, wird später beschrieben.
  • Die Gebührenverarbeitungseinheit 225 führt eine Reihe von Verarbeitungen zum Berechnen und Ausgeben beispielsweise einer Vergütung, die in Abhängigkeit von der Übertragungsmenge von Sensorinformationen für einen Nutzer des Zuführfahrzeugs 3 bereitgestellt wird, oder einer fest vorgesehenen Vergütung, die unabhängig von der Übertragungsmenge bereitgestellt wird, gemäß einem vorbestimmten Vertrag durch. Zu beachten ist, dass eine Vergütung nicht auf Geld beschränkt ist und Punkten, die für eine bestimmte Verwendung einsetzbar sind, einem Rabattcoupon oder dergleichen entsprechen kann. Zu beachten ist, dass eine Vergütung ferner in Abhängigkeit von der Übertragungsmenge der Fahrzeuginformationen und der Fahrverlaufsinformationen berechnet werden kann. Die ausgegebenen Vergütungsinformationen werden an einen herkömmlichen und öffentlich bekannten Server eines Finanzinstituts, wie einer Kreditkartenfirma oder einer Bank, einen Server einer Punktekartenfirma (nichts davon ist dargestellt) oder dergleichen übertragen und dem Nutzer des Fahrzeugs 3 gemäß einem vorbestimmten Verfahren zur Verfügung gestellt. Dies ermöglicht es dem Nutzer des Zuführfahrzeugs 3, eine Vergütung für die Übertragung der Sensorinformationen, der Fahrverlaufsinformationen oder der Fahrzeuginformationen, die vom Fahrzeug 3 übertragen werden, zu erhalten. Dadurch kann das Unbehagen bei der Übertragung von Informationen für den Nutzer des Fahrzeugs 3 reduziert werden, und der Steuerungsunterstützungsserver 2 kann mehr Informationen sammeln. Darüber hinaus führt die Gebührenverarbeitungseinheit 225 eine Reihe von Verarbeitungen durch, um beispielsweise ein flexibles Entgelt entsprechend der Empfangsmenge von erlernten Modellen oder der Datenmenge von später zu beschreibenden Prognosewerten, die vom Fahrzeug 4 empfangen werden, oder ein festgelegtes Entgelt unabhängig von der Empfangsmenge oder der Datenmenge für den Nutzer des anfragenden Fahrzeugs bzw. Anforderungsfahrzeugs 4 gemäß einem vorbestimmten Vertrag zu berechnen und auszugeben. Die ausgegebenen Entgeltinformationen werden an einen herkömmlichen und öffentlich bekannten Server eines Finanzinstituts, wie einer Kreditkartenfirma oder einer Bank (nichts davon ist dargestellt), oder dergleichen übertragen und gemäß einem vorbestimmten Verfahren vom Nutzer des Fahrzeugs 4 gefordert. Dies ermöglicht es dem Nutzer des anfragenden Fahrzeugs 4, ein erlerntes Modell im Fahrzeug 4 durch Bezahlen eines Entgelts zu verwenden, und somit kann die Verwendung erlernter Modelle auch in einem Fall sichergestellt werden, in dem keine Vorrichtung für maschinelles Lernen auf dem Fahrzeug 4 montiert ist. Darüber hinaus kann der Administrator des Steuerungsunterstützungsservers 2 sicherstellen, dass eine Vergütung an den Nutzer des Fahrzeugs 3 bezahlt wird. Die vorstehenden Punkte tragen zu einer Verbreitung des Steuerungsunterstützungssystems 1 bei.
  • Die Speichereinheit 23, die auch der Serverspeichereinheit entspricht, umfasst die Speichereinheit 231 für das erlernte Modell, die Speichereinheit 232 für den Ein-/Ausgabedatensatz und die Lerndatenspeichereinheit 233. Die Speichereinheit 231 für das erlernte Modell speichert erlernte Modelle auf abrufbare Art und Weise. Die Speichereinheit 231 für das erlernte Modell speichert durch akkumulieren oder aktualisieren die von der Lerneinheit 222 der Steuerungseinheit 22 erzeugten erlernten Modelle. Zu beachten ist, dass die Speichereinheit 231 für das erlernte Modell zunächst ein erlerntes Modell im Ausgangszustand speichert. Ein erlerntes Modell wird auf der Grundlage von Deep-Learning unter Verwendung eines neuronalen Netzes erzeugt. Ein erlerntes Modell zu speichern bedeutet, Informationen, wie Netzwerkparameter und Betriebsalgorithmen im erlernten Modell, zu speichern. Ein erlerntes Modell wird in Verbindung mit den vom Fahrzeug 3 übertragenen Fahrverlaufsinformationen gespeichert. Das heißt, Fahrverlaufsinformationen, die mit einem von einem vorbestimmten Fahrzeug 3 übertragenen Ein-/Ausgabedatensatz verknüpft sind, und ein aus dem Ein-/Ausgabedatensatz erzeugtes erlerntes Modell werden miteinander verknüpft und in der Speichereinheit 231 für das erlernte Modell gespeichert. Zu beachten ist, dass das erlernte Modell ferner mit den Fahrzeuginformationen des Fahrzeugs 3 verknüpft sein kann.
  • Die Speichereinheit 232 für den Ein-/Ausgabedatensatz speichert einen Ein-/Ausgabedatensatz, der einen Satz der Eingabeparameter und des Ausgabeparameters, wie vorstehend beschrieben, umfasst. Die Lerndatenspeichereinheit 233 speichert den auf Basis der Eingabeparameter von der Lerneinheit 222 berechneten Ausgabeparameter als Lerndaten zusammen mit den Eingabeparametern.
  • Im Folgenden wird Deep-Learning unter Verwendung eines neuronalen Netzes als ein spezifisches Beispiel für maschinelles Lernen beschrieben. 3 ist eine Abbildung, welche eine Konfiguration eines neuronalen Netzes schematisch darstellt, das die Lerneinheit 222 erlernt. Wie in 3 dargestellt ist, entspricht ein neuronales Netz 100 einem neuronalen Netz vom Vorwärtsausbreitungstyp und umfasst eine Eingabeschicht 101, eine Zwischenschicht 102 und eine Ausgabeschicht 103. Die Eingabeschicht 101 umfasst eine Mehrzahl von Knoten, und jeder der Knoten empfängt die Eingabe eines zueinander verschiedenen Eingabeparameters. Die Zwischenschicht 102 empfängt die Ausgabe von der Eingabeschicht 101. Die Zwischenschicht 102 weist eine mehrschichtige Struktur auf, die eine Schicht mit einer Mehrzahl von Knoten umfasst, welche die Eingabe von der Eingabeschicht 101 empfangen. Die Ausgabeschicht 103 empfängt die Ausgabe der Zwischenschicht 102 und gibt einen Ausgabeparameter aus. Maschinelles Lernen unter Verwendung eines neuronalen Netzes, in dem die Zwischenschicht 102 eine mehrschichtige Struktur aufweist, wird als Deep-Learning bzw. tiefgehendes Lernen bezeichnet.
  • 4 ist eine Abbildung zur Erläuterung eines Überblicks über die Ein- und Ausgabe an Knoten, die im neuronalen Netz 100 enthalten sind. 4 veranschaulicht schematisch einen Teil einer Dateneingabe und -ausgabe bei der Eingabeschicht 101 mit I Knoten, einer ersten Zwischenschicht 121 mit J Knoten und einer zweiten Zwischenschicht 122 mit K Knoten (wobei I, J und K positive ganze Zahlen sind) im neuronalen Netz 100. Ein Eingabeparameter xi (i = 1, 2, ...., I) wird von oben in der Eingabeschicht 101 in einen i-ten Knoten eingegeben. Im Folgenden wird ein Satz aller Eingabeparameter als „Eingabeparameter {xi }“ bezeichnet.
  • Jeder der Knoten in der Eingabeschicht 101 gibt ein Signal mit einem Wert, der durch Multiplizieren eines Eingabeparameters mit einem vorbestimmten Gewicht bzw. einer vorbestimmten Gewichtung erhalten wird, an jeden der Knoten in der benachbarten ersten Zwischenschicht 121 aus. So gibt beispielsweise der i-te Knoten von oben in der Eingabeschicht 101 an einen j-ten (j = 1, 2,..., J) Knoten von oben in der ersten Zwischenschicht 121 ein Signal mit einem Wert αijxi aus, der durch Multiplizieren des Eingabeparameters xi mit einer Gewichtung αij erhalten wird. Der j-te Knoten von oben in der ersten Zwischenschicht 121 empfängt die Eingabe eines Wertes Σi=1 bis Iαijxi + b(I) j, der durch Addieren einer vorbestimmten Verzerrung b(1) j zu einer Summe der Ausgabe von den jeweiligen Knoten in der Eingabeschicht 101 erhalten wird. Σi=1 bis I im ersten Term bedeutet hier, eine Summe für i = 1, 2, ....., I herzuleiten.
  • Ein Ausgabewert yj des j-ten Knotens von oben in der ersten Zwischenschicht 121 wird als yj = S(Σi= I bis Iαijxi + b(1) j) als eine Funktion vom Eingabewert Σi = 1 bis Iαijxi + b(1) j von der Eingabeschicht 101 zu dem Knoten dargestellt. Diese Funktion S wird als eine Aktivierungsfunktion bezeichnet. Beispiele für spezifische Aktivierungsfunktionen umfassen beispielsweise eine Sigmoidfunktion S(u) = 1/{1 + exp(-u)} und eine gleichgerichtete lineare Funktion (ReLU) S(u) = max (0, u). Eine nichtlineare Funktion wird häufig als die Aktivierungsfunktion verwendet.
  • Jeder der Knoten in der ersten Zwischenschicht 121 gibt an jeden der Knoten in der benachbarten zweiten Zwischenschicht 122 ein Signal mit einem Wert aus, der durch Multiplizieren eines Eingabeparameters mit einer vorbestimmten Gewichtung erhalten wird. So gibt beispielsweise der j-te Knoten von oben in der ersten Zwischenschicht 121 ein Signal mit einem Wert βjkyj, der durch Multiplizieren des Eingabewerts yj mit einer Gewichtung βjk erhalten wird, zu einem k-ten (k = 1, 2,...., K) Knoten von oben in der zweiten Zwischenschicht 122 aus. Der k-te Knoten von oben in der zweiten Zwischenschicht 122 empfängt die Eingabe eines Wertes Σj = I bis Jβjkyj + b(2) k, der durch Addieren einer vorbestimmten Verzerrung b(2) k zu einer Summe der Ausgabe von den jeweiligen Knoten in der ersten Zwischenschicht 121 erhalten wird. Hier bedeutet Σj = 1bis J im ersten Term, eine Summe für j = 1, 2, ....., J herzuleiten.
  • Ein Ausgabewert zk des k-ten Knotens von oben in der zweiten Zwischenschicht 122 wird als zk = S(Σj = 1 bis Jβjkyj + b(2) k) unter Verwendung einer Aktivierungsfunktion mit einem Eingabewert Σj =1bis Jβjkyj + b(2) k von der ersten Zwischenschicht 121 zu diesem Knoten als eine Variable dargestellt.
  • Sequentielle Wiederholungen entlang der Vorwärtsrichtung von der Seite der Eingabeschicht 101 hin zu der Seite der Ausgabeschicht 103 in der vorstehenden Art und Weise führen zu einem einzigen Ausgabeparameter Y, der schließlich von der Ausgabeschicht 103 ausgegeben wird. Im Folgenden werden die im neuronalen Netz 100 enthaltenen Gewichtungen und Verzerrungen kollektiv als ein „Netzwerkparameter w“ bezeichnet. Der Netzwerkparameter w entspricht einem Vektor, der alle Gewichtungen und Verzerrungen des neuronalen Netzes 100 als Komponenten davon enthält.
  • Die Lerneinheit 222 führt einen Vorgang zum Aktualisieren des Netzwerkparameters auf der Grundlage des Ausgabeparameters Y, der durch Eingeben der Eingabeparameter {xi } in das neuronale Netz 100 berechnet wird, und eines Ausgabeparameters (Zielausgabe) Y0 , der zusammen mit den Eingabeparametern {xi } einen Ein-/Ausgabedatensatz bildet, durch. Insbesondere wird der Netzwerkparameter w durch Durchführen eines Vorgangs aktualisiert, um einen Fehler zwischen den beiden Ausgabeparametern Y und Y0 zu minimieren. Dazu wird häufig der stochastische Gradientenabstieg verwendet. Im Folgenden wird ein Satz aus den Eingabeparametern {xi } und dem Ausgabeparameter Y ({xi }, Y) kollektiv als „Lerndaten“ bezeichnet.
  • Der Umriss des stochastischen Gradientenabstiegs wird im Folgenden beschrieben. Der stochastische Gradientenabstieg ist ein Verfahren zum Aktualisieren des Netzwerkparameters w, so dass ein Gradient ∇wE(w), der durch Differenzierung für jede Komponente des Netzwerkparameters w einer unter Verwendung von zwei Ausgabeparametern Y und Y0 definierten Fehlerfunktion E(w) erhalten wird, minimiert wird. Die Fehlerfunktion ist beispielsweise durch einen quadrierten Fehler |Y - Y0|2 des Ausgabeparameters Y der Lerndaten und des Ausgabeparameters Y0 des Ein-/Ausgabedatensatzes definiert. Der Gradient ∇wE(w) ist ein Vektor, der differentielle Werte von Komponenten des Netzwerkparameters w der Fehlerfunktion E(w), wie ∂E(w)/∂αij, ∂E(w)/∂βjk, ∂E(w)/∂b(1) j, und ∂E(w)/∂b(2) k (wobei i = 1 bis I, j = 1 bis J und k = 1 bis K), als Komponenten enthält.
  • Bei dem stochastischen Gradientenabstieg wird der Netzwerkparameter w sequentiell unter Verwendung einer vorbestimmten Lernrate η aktualisiert, die automatisch oder manuell bestimmt wird als: w' = w - η∇wE(w), w" = w' - η∇w'E(w'), .... Zu beachten ist, dass die Lernrate η während des Lernens modifiziert werden kann. Im Falle eines allgemeineren stochastischen Gradientenabstiegs wird die Fehlerfunktion E(w) durch zufällige Extraktion aus Stichproben einschließlich der gesamten Lerndaten definiert. Die Anzahl der Teile der zu dieser Zeit extrahierten Lerndaten ist nicht auf eins beschränkt und kann Teil der in der Lerndatenspeichereinheit 233 gespeicherten Lerndaten sein.
  • Eine Fehlerrückpropagierung bzw. Fehlerrückführung ist bekannt als ein Verfahren zur effizienten Durchführung der Berechnung des Gradienten ∇wE(w). Die Fehlerrückführung ist ein Verfahren zum Berechnen von Komponenten des Gradienten ∇wE(w) durch Rückwärtsverfolgung von der Ausgabeschicht zur Zwischenschicht und dann zur Eingabeschicht auf der Grundlage des Fehlers zwischen der Zielausgabe Y0 in der Ausgabeschicht und dem Ausgabeparameter Y nach Berechnung der Lerndaten ({xi }, Y). Die Lerneinheit 222 aktualisiert den Netzwerkparameter w durch Berechnen aller Komponenten des Gradienten ∇wE(w) unter Verwendung der Fehlerrückpropagierung und anschließendes Anwenden des vorstehenden stochastischen Gradientenabstiegs unter Verwendung des berechneten Gradienten ∇wE(w).
  • Zuführfahrzeug
  • Ein Fahrzeug 3 als Zuführfahrzeug kann ein Fahrzeug sein, das fährt, wenn ein Fahrer das Fahrzeug fährt, oder ein autonom fahrendes Fahrzeug, das gemäß einer vorgegebenen Fahranweisung autonom fahren kann. 5 ist ein Blockdiagramm, welches schematisch eine Konfiguration eines Fahrzeugs 3 darstellt. Wie in 5 dargestellt ist, umfasst das Fahrzeug 3 eine Antriebseinheit 31, eine elektronische Steuerungseinheit 32, eine Kommunikationseinheit 33, eine Speichereinheit 34, eine Ein-/Ausgabeeinheit 35, eine Sensorgruppe 36 und eine GPS-Einheit 37.
  • Die Antriebseinheit 31 ist eine bekannte Antriebseinheit, die für die Fahrt des Fahrzeugs 3 erforderlich ist. Insbesondere umfasst das Fahrzeug 3 eine Maschine, bei der es sich um eine Verbrennungskraftmaschine handelt, die als eine Antriebsquelle dient, einen Antriebsübertragungsmechanismus, der die Antriebskraft der Maschine überträgt, Antriebsräder zum Fahren usw. Die Maschine des Fahrzeugs 3 ist in der Lage, unter Verwendung eines Motors oder dergleichen Strom zu erzeugen, indem dieser durch die Verbrennung von Kraftstoff angetrieben wird. Die erzeugte elektrische Energie wird in einer wiederaufladbaren Batterie geladen.
  • Die elektronische Steuerungseinheit 32 und die Speichereinheit 34 sind im physikalischen Sinne ähnlich wie die vorstehend beschriebene Steuerungseinheit 22 bzw. die Speichereinheit 23. Die elektronische Steuerungseinheit 32 steuert den Betrieb verschiedener am Fahrzeug montierter Komponenten 3 integral. Die elektronische Steuerungseinheit 32 führt die Funktion einer Datenerlangungseinheit 321 aus, indem ein in der Speichereinheit 34 gespeichertes Programm ausgeführt wird. Die Datenerlangungseinheit 321 erlangt verschiedene Arten von Daten, die von der Sensorgruppe 36 erfasst werden, und speichert diese Daten als Sensorinformation in einer Speichereinheit 343 für von der Sensorgruppe erlangte Informationen.
  • Die Kommunikationseinheit 33 als eine Sendeeinheit und eine Empfangseinheit umfasst beispielsweise ein fahrzeuginternes Kommunikationsmodul (Datenkommunikationsmodul (DCM)), das zumindest mit dem Steuerungsunterstützungsserver 2 durch eine drahtlose Kommunikation über das Netzwerk 10 kommuniziert.
  • Die Speichereinheit 34 umfasst eine Speichereinheit 341 für Fahrverlaufsinformation, eine Speichereinheit 342 für Fahrzeuginformationen und die Speichereinheit 343 für von der Sensorgruppe erlangte Informationen. Die Speichereinheit 341 für Fahrverlaufsinformation speichert Fahrverlaufsinformationen einschließlich der Geschwindigkeit, der Beschleunigung, eines Reisezeitbereichs, einer Reiseroute und eines Reisegebiets des Fahrzeugs 3, Stauinformationen, der Außenlufttemperatur oder -feuchtigkeit und des Wetters in einer Art und Weise, die eine Akkumulation und Aktualisierung ermöglicht. Die Speichereinheit 342 für Fahrzeuginformationen speichert Fahrzeuginformationen einschließlich eines Fahrzeugtyps, der gesamten Fahrstrecke, der verbleibenden Kraftstoffmenge, der aktuellen Position und dergleichen in einer Art und Weise, die eine Akkumulation und Aktualisierung ermöglicht. Die Speichereinheit 343 für von der Sensorgruppe erlangte Informationen speichert verschiedene Arten von Daten, die von der Sensorgruppe 36 erfasst werden, als Sensorinformationen in einer Art und Weise, die eine Akkumulation und Aktualisierung ermöglicht.
  • Die Ein-/Ausgabeeinheit 35 umfasst ein Touchpanel- bzw. Bildschirm-Tastfeld-Display, ein Lautsprechermikrofon und dergleichen. Die Ein-/Ausgabeeinheit 35 als ein Eingabemittel umfasst eine Nutzerschnittstelle, wie eine Tastatur, eine Eingabetaste, einen Hebel und ein Touchpanel, die dadurch bereitgestellt werden, dass sie auf einer Anzeige, wie Flüssigkristall, gestapelt werden. Vorbestimmte Informationen werden in die elektronische Steuerungseinheit 32 eingegeben, wenn ein Nutzer oder dergleichen das Touchpanel-Display bedient oder ein Geräusch hin zu dem Lautsprechermikrofon von sich gibt. Die Ein-/Ausgabeeinheit 35 als ein Ausgabemittel ist in der Lage, vorbestimmte Informationen gemäß einer Steuerung durch die elektronische Steuerungseinheit 32 extern zu melden, beispielsweise durch Anzeigen von Zeichen, Zahlen oder dergleichen auf dem Bildschirm des Touchpanel-Displays oder durch Ausgeben eines Geräusches von dem Lautsprechermikrofon.
  • Die Sensorgruppe 36 umfasst Sensoren zum Messen des Zustands des Fahrzeugs 3, wie einen Wassertemperatursensor, welcher die Temperatur des Maschinenkühlwassers (Kühlwassertemperatur) erfasst, einen Ansauglufttemperatursensor, der die Temperatur der Ansaugluft in den Motor erfasst, einen Atmosphärendrucksensor, der den Atmosphärendruck erfasst, einen Öltemperatursensor, der die Temperatur des Maschinenöls erfasst, einen A/F-Sensor, der die Sauerstoffkonzentration im Abgas erfasst, und einen Stromsensor, der den Ladezustand einer Batterie erfasst. Die Sensorgruppe 36 umfasst außerdem Sensoren, die sich auf die Fahrt des Fahrzeugs 3 beziehen, wie einen Fahrzeuggeschwindigkeitssensor und einen Beschleunigungssensor, welche die Geschwindigkeit bzw. die Beschleunigung des Fahrzeugs 3 erfassen. Die Sensorgruppe 36 kann einen Außenlufttemperatursensor, der die Außenlufttemperatur erfasst, einen Feuchtesensor, der die Außenluftfeuchtigkeit erfasst, und andere Sensoren umfassen. Die Sensorgruppe 36 kann ferner beispielsweise einen Innenraumsensor umfassen, der in der Lage ist, verschiedene Bedingungen bzw. Zustände im Innenraum zu erfassen, oder eine Bildaufnahmevorrichtung, wie eine Bildaufnahmekamera.
  • Die GPS-Einheit 37 empfängt Funkwellen von Global-Positioning-System (GPS)-Satelliten und erfasst die Position des Fahrzeugs 3. Die erfasste Position wird abrufbar in der Speichereinheit 342 für Fahrzeuginformationen als Positionsinformation in den Fahrzeuginformationen gespeichert. Zu beachten ist, dass als ein Verfahren zum Erfassen der Position des Fahrzeugs 3 ein Verfahren eingesetzt werden kann, das durch die Kombination von Light-Detection-And-Ranging/Laser-Imaging-Detection-And-Ranging (Li-DAR) und einer dreidimensionalen digitalen Karte erhalten wird.
  • Anforderungsfahrzeug
  • Das Anforderungsfahrzeug bzw. anfordernde Fahrzeug 4 als ein Fahrzeug, dessen Fahrzeugsteuerung unterstützt wird, kann ein Fahrzeug sein, das fährt, wenn ein Fahrer das Fahrzeug fährt, oder ein autonom fahrendes Fahrzeug, das gemäß einer vorgegebenen Fahranweisung autonom fahren kann. 6 ist ein Blockdiagramm, welches eine Konfiguration des Fahrzeugs 4 schematisch darstellt. Wie in 6 dargestellt ist, umfasst das Fahrzeug 4 eine Antriebseinheit 41, eine elektronische Steuerungseinheit 42, eine Kommunikationseinheit 43, eine Speichereinheit 44, eine Ein-/Ausgabeeinheit 45, eine Sensorgruppe 46 und eine GPS-Einheit 47. Die Antriebseinheit 41, die Kommunikationseinheit 43, die Ein-/Ausgabeeinheit 45, die Sensorgruppe 46 und die GPS-Einheit 47 sind ähnlich zu der Antriebseinheit 31, der Kommunikationseinheit 33, der Ein-/Ausgabeeinheit 35, der Sensorgruppe 36 bzw. der GPS-Einheit 37 im Fahrzeug 3.
  • Die elektronische Steuerungseinheit 42 und die Speichereinheit 44 sind im physikalischen Sinne ähnlich wie die vorstehend beschriebene Steuerungseinheit 22 bzw. die Speichereinheit 23. Die elektronische Steuerungseinheit 42 und die Speichereinheit 44 bilden eine Fahrzeugsteuerungsvorrichtung, die jede Komponente des Fahrzeugs 4 steuert. Die elektronische Steuerungseinheit 42 steuert den Betrieb verschiedener am Fahrzeug 4 montierter Komponenten integral. Die elektronische Steuerungseinheit 42 führt die Funktionen einer Datenerlangungseinheit 421 und einer Prognoseeinheit 422 durch Ausführen eines in der Speichereinheit 44 gespeicherten Programms aus. Die Datenerlangungseinheit 421 ist ähnlich zu der Datenerlangungseinheit 321 in der elektronischen Steuerungseinheit 32 des Fahrzeugs 3. Die Prognoseeinheit 422 berechnet einen Prognosewert, der einem Ausgabeparameter entspricht, durch Eingeben verschiedener Arten von Daten, die von der Datenerlangungseinheit 421 erlangt werden, als Eingabeparameter in ein erlerntes Modell, das in einer Speichereinheit 444 für Steuerungsinformationen der Speichereinheit 44 gespeichert ist.
  • Die Speichereinheit 44 umfasst eine Speichereinheit 441 für Fahrverlaufsinformationen, eine Speichereinheit 442 für Fahrzeuginformationen, eine Speichereinheit 443 für von der Sensorgruppe erlangte Informationen und eine Speichereinheit 444 für Steuerungsinformationen. Die Speichereinheit 441 für Fahrverlaufsinformationen, die Speichereinheit 442 für Fahrzeuginformationen und die Speichereinheit 443 für von der Sensorgruppe erlangte Informationen sind ähnlich zu der Speichereinheit 341 für Fahrverlaufsinformationen, der Speichereinheit 342 für Fahrzeuginformationen bzw. der Speichereinheit 343 für von der Sensorgruppe erlangte Informationen. Die Speichereinheit 444 für Steuerungsinformationen speichert zumindest eine Größe aus einem erlernten Modell, einem von der Prognoseeinheit 422 berechneten Prognosewert und einem von dem Steuerungsunterstützungsserver 2 empfangenen Prognosewert zur Verwendung bei der Steuerung jeder Komponente durch die elektronische Steuerungseinheit 42.
  • 7 ist ein Flussdiagramm, welches einen Verarbeitungsablauf eines Steuerungsunterstützungsverfahrens im Steuerungsunterstützungssystem 1 gemäß der ersten Ausführungsform darstellt. Im Zuführfahrzeug 3 erlangt die Datenerlangungseinheit 321 der elektronischen Steuerungseinheit 32 Fahrverlaufsinformationen und Fahrzeuginformationen in Schritt ST1, wie in 7 dargestellt ist. Die Datenerlangungseinheit 321 speichert die erlangten Fahrverlaufsinformationen und die Fahrzeuginformationen in der Speichereinheit 341 für Fahrverlaufsinformation bzw. der Speichereinheit 342 für Fahrzeuginformationen. Die Datenerlangungseinheit 321 erlangt in Schritt ST2 die von der Sensorgruppe 36 erfassten Daten und speichert die erfassten Daten in der Speichereinheit 343 für von der Sensorgruppe erlangte Informationen als Sensorinformation. Zu beachten ist, dass die Schritte ST1 und ST2 in umgekehrter Reihenfolge oder parallel durchgeführt werden können.
  • Anschließend fährt der Ablauf mit Schritt ST3 fort, in dem die elektronische Steuerungseinheit 32 bestimmt, ob die aktuelle Zeit einem im Voraus festgelegten Zeitpunkt entspricht. Der vorbestimmte Zeitpunkt kann eine periodische Zeit in vorbestimmten Zeitintervallen oder eine im Voraus festgelegte Zeit sein. Falls die elektronische Steuerungseinheit 32 bestimmt, dass die aktuelle Zeit nicht dem vorbestimmten Zeitpunkt entspricht (Schritt ST3: Nein), werden die Schritte ST1 und ST2 wiederholend ausgeführt. Falls die elektronische Steuerungseinheit 32 bestimmt, dass der vorbestimmte Zeitpunkt erreicht wurde (Schritt ST3: Ja), fährt der Ablauf mit Schritt ST4 fort, in dem die Datenerlangungseinheit 321 die erlangten und gespeicherten Sensorinformationen mit den Fahrverlaufsinformationen und den Fahrzeuginformationen verknüpft und die verknüpften Informationen über die Kommunikationseinheit 33 an den Steuerungsunterstützungsserver 2 überträgt. Zu beachten ist, dass die Verknüpfung der Sensorinformationen mit den Fahrverlaufsinformationen und den Fahrzeuginformationen erst nach der Erlangung der Sensorinformationen, der Fahrverlaufsinformationen und der Fahrzeuginformationen und vor der Übertragung dieser Informationsteile erfolgen muss.
  • Bei Schritt ST5 klassifiziert die Datenerlangungseinheit 221 der Steuerungseinheit 22 des Steuerungsunterstützungsservers 2 die vom Fahrzeug 3 empfangenen Sensorinformationen anhand der Fahrverlaufsinformationen und der Fahrzeuginformationen und speichert die Sensorinformationen in der Speichereinheit 232 für den Ein-/Ausgabedatensatz. Folglich werden die Sensorinformationen als ein Ein-/Ausgabedatensatz klassifiziert, der auf der Grundlage der Fahrverlaufsinformationen und der Fahrzeuginformationen eingestellt ist.
  • Anschließend fährt der Ablauf mit Schritt ST6 fort, in dem die Lerneinheit 222 aus den verschiedenen Arten von Sensorinformationen, die in der Speichereinheit 232 für den Ein-/Ausgabedatensatz in Verbindung mit Fahrverlaufsinformationen und Fahrzeuginformationen gespeichert sind, die zur Steuerung verwendeten Sensorinformationen extrahiert. Die Lerneinheit 222 führt ein maschinelles Lernen unter Verwendung des neuronalen Netzes 100 unter Verwendung der extrahierten Sensorinformationen als ein Ein-/Ausgabedatensatz durch. Folglich erzeugt die Lerneinheit 222 ein erlerntes Modell und speichert das erlernte Modell in der Speichereinheit 231 für das erlernte Modell in Verbindung mit den Fahrverlaufsinformationen und den Fahrzeuginformationen.
  • Die Verarbeitung der Schritte ST1 bis ST6 wird zwischen dem Steuerungsunterstützungsserver 2 und der Mehrzahl von Zuführfahrzeugen 3 wiederholend durchgeführt. Folglich werden erlernte Modelle, die mit verschiedenen Arten von Fahrverlaufsinformationen verknüpft sind, in der Speichereinheit 231 für das erlernte Modell des Steuerungsunterstützungsservers 2 gesammelt. Die Lerneinheit 222 der Steuerungseinheit 22 kann das erzeugte erlernte Modell ferner mit den Fahrzeuginformationen verknüpfen und dadurch das erlernte Modell in der Speichereinheit 231 für das erlernte Modell sammeln. Ein in der Vergangenheit erstelltes erlerntes Modell kann durch ein neues erlerntes Modell aktualisiert werden, das einen hohen Grad an Übereinstimmung mit Fahrverlaufsinformationen aufweist, die mit dem erlernten Modell in der Vergangenheit verknüpft sind. Darüber hinaus kann ein neues erlerntes Modell erzeugt werden, indem beispielsweise eine Mehrzahl von erlernten Modellen mit verknüpften Fahrverlaufsinformationen, die nahe beieinander liegen, zusammengeführt und gemittelt werden. Zu beachten ist, dass beim Mitteln von erlernten Modellen dies durch Maßnahmen, wie Mitteln eines Netzwerkparameters w von jedem der Mehrzahl von erlernten Modellen für jeden Knoten, durchgeführt werden kann. Darüber hinaus kann die Anzahl von Knoten geändert werden. Die Lerneinheit 222 kann ferner auf Fahrzeuginformationen Bezug nehmen und eine Mehrzahl von erlernten Modellen zusammenführen oder aktualisieren. Infolgedessen werden erzeugte erlernte Modelle in der Speichereinheit 231 für das erlernte Modell gespeichert, während diese in Verbindung mit Fahrverlaufsinformationen stehen, akkumuliert, aktualisiert oder zusammengeführt und gemittelt werden. Auf diese Art und Weise wird die Verarbeitung zum Erzeugen eines erlernten Modells in dem Steuerungsunterstützungssystem 1 abgeschlossen.
  • Unabhängig von der Verarbeitung der Schritte ST1 bis ST6 wird eine Verarbeitung ähnlich zu den Schritten ST1 und ST2 in dem Anforderungsfahrzeug 4 durchgeführt. Das heißt, die Datenerlangungseinheit 421 der elektronischen Steuerungseinheit 42 im Fahrzeug 4 erlangt bei Schritt ST7 Fahrverlaufsinformationen und Fahrzeuginformationen des Fahrzeugs 4. Die Datenerlangungseinheit 421 speichert die erlangten Fahrverlaufsinformationen und die Fahrzeuginformationen in der Speichereinheit 441 für Fahrverlaufsinformation bzw. der Speichereinheit 442 für Fahrzeuginformationen. Die Datenerlangungseinheit 421 erlangt die von der Sensorgruppe 46 erfassten Daten und speichert die erfassten Daten bei Schritt ST8 als Sensorinformation in der Speichereinheit 443 für von der Sensorgruppe erlangte Informationen. Zu beachten ist, dass die Schritte ST7 und ST8 in umgekehrter Reihenfolge oder parallel durchgeführt werden können.
  • Nachdem die Verarbeitung der Schritte ST1 bis ST8 ausgeführt wurde, führt der Steuerungsunterstützungsserver 2 die Steuerungsunterstützungsverarbeitung für das Fahrzeug 4 aus. Zunächst überträgt die Kommunikationseinheit 43 des Fahrzeugs 4 bei Schritt ST9 ein Modellanforderungssignal, die Fahrverlaufsinformationen, die Fahrzeuginformationen und die Fahrzeugidentifikationsinformationen an den Steuerungsunterstützungsserver 2. Zu beachten ist, dass die Fahrzeugidentifikationsinformationen in den Fahrzeuginformationen enthalten sein können.
  • Bei Schritt ST10 wählt und ruft die Auswahleinheit 223 der Steuerungseinheit 22 zunächst zumindest ein erlerntes Modell in Zusammenhang mit Fahrverlaufsinformationen mit dem höchsten Grad an Übereinstimmung aus der Speichereinheit 231 für das erlernte Modell auf der Grundlage der vom Fahrzeug 4 empfangenen Fahrverlaufsinformationen ab. Die Auswahleinheit 223 kann ferner zumindest ein erlerntes Modell auf der Grundlage von Fahrverlaufsinformationen und Fahrzeuginformationen mit einem hohen Grad an Übereinstimmung basierend auf dem Grad an Übereinstimmung der Fahrzeuginformationen auswählen. Die Auswahleinheit 223 überträgt bzw. sendet das ausgewählte erlernte Modell an das Fahrzeug 4, welches das Modellanforderungssignal gesendet hat, unter Bezugnahme auf die Fahrzeugidentifikationsinformationen.
  • Bei Schritt ST11 berechnet die Prognoseeinheit 422 der elektronischen Steuerungseinheit 42 unter Verwendung des erlernten Modells, das vom Steuerungsunterstützungsserver 2 über die Kommunikationseinheit 43 empfangen wurde, einen Prognosewert und führt eine Steuerung durch. Das heißt, zunächst speichert die Datenerlangungseinheit 421 das empfangene erlernte Modell in der Speichereinheit 444 für Steuerungsinformationen. Anschließend wählt und ruft die Prognoseeinheit 422 die für die Durchführung der Steuerung notwendigen Sensorinformationen aus der Speichereinheit 443 für von der Sensorgruppe erlangte Informationen ab und verwendet die Sensorinformationen als Eingabeparameter. Die Prognoseeinheit 422 gibt die Eingabeparameter in das empfangene erlernte Modell ein, um den Prognosewert zu berechnen. Die elektronische Steuerungseinheit 42 steuert die Antriebseinheit 41 und weitere Komponenten unter Verwendung des berechneten Prognosewerts.
  • Zu beachten ist, dass das Zuführfahrzeug 3 und das Anforderungsfahrzeug 4, wie vorstehend erwähnt, dem gleichen Fahrzeug entsprechen können. Für den Fall, dass die Fahrzeuge 3 und 4 dasselbe Fahrzeug sind, kann der Steuerungsunterstützungsserver 2 anstelle des Sendens und Empfangens der Fahrverlaufsinformationen ein erlerntes Modell auf der Grundlage der Fahrzeugidentifikationsinformationen erzeugen. Die vorstehend beschriebenen Schritte ST1 bis ST11 werden im Steuerungsunterstützungssystem 1 wiederholend ausgeführt. Dadurch wird ein generiertes erlerntes Modell weiter optimiert.
  • Erstes Beispiel
  • Im Folgenden wird ein spezifisches Beispiel für die Steuerung unter Verwendung eines erlernten Modells beschrieben. Im ersten Beispiel werden als Eingabeparameter die maximale Sauerstoffspeichermenge im Katalysator (maximale OSA) und eine Fahrstrecke des Fahrzeugs verwendet, und der Ausgabeparameter entspricht einem Katalysatoraufwärmverzögerungsbetrag beim nächsten Start der Maschine (kann im Folgenden als ein „Katalysatoraufwärmverzögerungsbetrag“ vereinfacht sein). In diesem Fall wird im Steuerungsunterstützungsserver 2 ein erlerntes Modell unter Verwendung von Daten der maximalen OSA und der gesamten Fahrstrecke des Fahrzeugs 3, welche von der Sensorgruppe 36 des Fahrzeugs 3 gemessenen werden, sowie Daten des im Fahrzeug 3 erfassten und gesteuerten Katalysatoraufwärmverzögerungsbetrags auf der Grundlage der maximalen OSA und der gesamten Fahrstrecke als ein Ein-/Ausgabedatensatz erzeugt. In dem Fahrzeug 4 gibt die Prognoseeinheit 422 die maximale OSA und die gesamte Fahrstrecke, die von der Sensorgruppe 46 gemessen werden, als Eingabeparameter in das vom Steuerungsunterstützungsserver 2 empfangene erlernte Modell ein, um einen Prognosewert des Katalysatoraufwärmverzögerungsbetrags zu berechnen. Die elektronische Steuerungseinheit 42 des Fahrzeugs 4 steuert den Katalysatoraufwärmverzögerungsbetrag gemäß dem von der Prognoseeinheit 422 berechneten Prognosewert. Mit dieser Steuerung kann die Katalysatoraufheizung in Abhängigkeit vom Verschlechterungsgrad gesteuert werden, auch wenn die Verschlechterung eines Katalysators zur Reinigung von Abgas, der am Fahrzeug montiert ist, voranschreitet, und somit kann eine große Menge an HC und CO als Endrohremission unterdrückt werden kann.
  • Zweites Beispiel
  • In einem zweiten Beispiel werden als Eingabeparameter eine mittlere Fahrzeuggeschwindigkeit und eine mittlere Beschleunigung verwendet, und der Ausgabeparameter entspricht einem Ladezustands (SOC)-Wert, bei dem ein Ausgangskonstantbetrieb gestartet wird (im Folgenden auch als „Start-SOC-Wert“ bezeichnet). In diesem Fall wird im Steuerungsunterstützungsserver 2 ein erlerntes Modell unter Verwendung von Daten einer mittleren Fahrzeuggeschwindigkeit und einer mittleren Beschleunigung, die von der Sensorgruppe 36 des Fahrzeugs 3 gemessen und von der Steuerungseinheit 22 oder der elektronischen Steuerungseinheit 32 hergeleitet werden, sowie Daten des in einer Mehrzahl von Fahrzeugen 3 erfassten und gesteuerten Start-SOC-Wertes auf der Grundlage der mittleren Fahrzeuggeschwindigkeit und der mittleren Beschleunigung als ein Ein-/Ausgabedatensatz erzeugt. In dem Fahrzeug 4 gibt die Prognoseeinheit 422 die mittlere Fahrzeuggeschwindigkeit und die mittlere Beschleunigung, die von der Sensorgruppe 46 gemessen und von der elektronischen Steuerungseinheit 42 berechnet werden, als Eingabeparameter in das vom Steuerungsunterstützungsserver 2 empfangene erlernte Modell ein, um einen Prognosewert des Start-SOC-Wertes zu berechnen. Die elektronische Steuerungseinheit 42 des Fahrzeugs 4 stellt den Start-SOC-Wert entsprechend dem von der Prognoseeinheit 422 berechneten Prognosewert ein, um einen Ausgangskonstantbetrieb zu steuern.
  • In Fahrzeugen, wie Plug-in-Hybridfahrzeugen (PHVs), wird der Ausgangskonstantbetrieb gestartet und die Katalysatoraufheizung gestartet, wenn der SOC-Wert unter einen vorbestimmten Wert fällt. Es besteht eine Möglichkeit, dass die Katalysatoraufheizung unzureichend wird, wenn ein Fahrer des Fahrzeugs 4 ein Fahren mit einer hohen Geschwindigkeit oder mit einer häufigen plötzlichen Beschleunigung durchführt, da der SOC-Wert sinkt, bevor die Katalysatoraufheizung abgeschlossen ist und ein Wechsel auf eine normale Fahrt erfolgt. Daher kann der Start-SOC-Wert auf einen optimalen Wert eingestellt werden, indem die mittlere Fahrzeuggeschwindigkeit und die mittlere Beschleunigung als Eingabeparameter in das erlernte Modell eingegeben werden und der Prognosewert des Start-SOC-Wertes als der Ausgabeparameter berechnet wird. Dadurch kann die Möglichkeit einer unzureichenden Katalysatoraufheizung bei Fahrzeugen, wie PHVs, reduziert werden.
  • Drittes Beispiel
  • Bei einem dritten Beispiel werden als Eingabeparameter die maximale OSA und eine Fahrstrecke des Fahrzeugs verwendet, und der Ausgabeparameter entspricht der Katalysatorbetttemperatur, bei der eine Erhöhungssteuerung des Kraftstoffs ausgeführt wird, um eine Übertemperatur (OT) des Katalysators zu unterdrücken (im Folgenden auch als „geschätzte Katalysatorbetttemperatur“ bezeichnet). In diesem Fall wird ein erlerntes Modell im Steuerungsunterstützungsserver 2 unter Verwendung von Daten der maximalen OSA und der gesamten Fahrstrecke des Fahrzeugs 3, die von der Sensorgruppe 36 des Fahrzeugs 3 erfasst und gemessen werden, sowie von Daten der geschätzten Katalysatorbetttemperatur, die im Fahrzeug 3 auf der Grundlage der maximalen OSA und der gesamten Fahrstrecke erfasst und gesteuert werden, als ein Ein-/Ausgabedatensatz erzeugt. In dem Fahrzeug 4 gibt die Prognoseeinheit 422 die maximale OSA und die gesamten Fahrstrecke, die von der Sensorgruppe 46 gemessen werden, als Eingabeparameter in das vom Steuerungsunterstützungsserver 2 empfangene erlernte Modell ein, um einen Prognosewert der geschätzten Katalysatorbetttemperatur zu berechnen. Die elektronische Steuerungseinheit 42 des Fahrzeugs 4 stellt die geschätzte Katalysatorbetttemperatur gemäß dem von der Prognoseeinheit 422 berechneten Prognosewert ein und führt eine Steuerung durch, um den der Maschine zugeführten Kraftstoff zu erhöhen, wenn die Katalysatorbetttemperatur die eingestellte geschätzte Katalysatorbetttemperatur erreicht. Diese Steuerung ermöglicht es, dass die geschätzte Katalysatorbetttemperatur in Abhängigkeit des Verschlechterungszustands eines Katalysators zur Reinigung von Abgas, der am Fahrzeug 4 montiert ist, gesenkt wird, und somit kann das Auftreten einer OT des Katalysators unterdrückt werden.
  • Viertes Beispiel
  • Bei einem vierten Beispiel werden als Eingabeparameter die maximale OSA, eine Fahrstrecke des Fahrzeugs, eine mittlere Geschwindigkeit und eine mittlere Beschleunigung im Fahrzeug 4 verwendet, und der Ausgabeparameter entspricht einer geschätzten Katalysatorbetttemperatur. In diesem Fall wird ein erlerntes Modell im Steuerungsunterstützungsserver 2 unter Verwendung von Daten der maximalen OSA, der gesamten Fahrstrecke, Daten einer mittleren Fahrzeuggeschwindigkeit und einer mittleren Beschleunigung des Fahrzeugs 3, die von der Steuerungseinheit 22 oder der elektronischen Steuerungseinheit 32 hergeleitet werden, sowie Daten der geschätzten Katalysatorbetttemperatur, die im Fahrzeug 3 auf der Grundlage der vier Datentypen erfasst und gesteuert werden, als ein Ein-/Ausgabedatensatz erzeugt. Im Fahrzeug 4 gibt die Prognoseeinheit 422 die maximale OSA, die gesamte Fahrstrecke, die mittlere Fahrzeuggeschwindigkeit und die mittlere Beschleunigung des Fahrzeugs 4 als Eingabeparameter in das vom Steuerungsunterstützungsserver 2 empfangene erlernte Modell ein, um einen Prognosewert der geschätzten Katalysatorbetttemperatur zu berechnen. Die elektronische Steuerungseinheit 42 des Fahrzeugs 4 stellt die geschätzte Katalysatorbetttemperatur gemäß dem von der Prognoseeinheit 422 berechneten Prognosewert ein und führt eine Steuerung durch, um den Kraftstoff zu erhöhen, wenn die Katalysatorbetttemperatur die eingestellte geschätzte Katalysatorbetttemperatur erreicht. Mit dieser Steuerung können ähnliche Effekte wie diese des dritten Beispiels erhalten werden. Zusätzlich wird, da eine Möglichkeit besteht, dass die Katalysatorbetttemperatur schnell ansteigt, wenn ein Fahrer des Fahrzeugs 4 ein Fahren mit einer hohen Geschwindigkeit oder mit häufiger plötzlicher Beschleunigung durchführt, die geschätzte Katalysatorbetttemperatur in solchen Fällen gemäß dem vierten Beispiel reduziert, um eine Erhöhung des der Maschine zugeführten Kraftstoffs bei einer niedrigeren Katalysatorbetttemperatur zu ermöglichen. Folglich kann das Auftreten einer OT des Katalysators auch während der Fahrt mit hoher Geschwindigkeit oder bei häufiger plötzlicher Beschleunigung unterdrückt werden.
  • Eine Mehrzahl von Beispielen, die aus den vorstehend beschriebenen ersten bis vierten Beispielen ausgewählt werden, können parallel im gleichen Fahrzeug 4 ausgeführt werden.
  • Gemäß der vorstehend beschriebenen ersten Ausführungsform wird ein erlerntes Modell durch maschinelles Lernen unter Verwendung von Sensorinformationen, die von der Mehrzahl von Fahrzeugen 3 als ein Ein-/Ausgabedatensatz erlangt werden, erzeugt und wenn ein Modellanforderungssignal von dem Fahrzeug 4 empfangen wird, das eine vorbestimmte Steuerung ausführt, wird ein erlerntes Modell in Zusammenhang mit Fahrverlaufsinformationen mit dem höchsten Grad an Übereinstimmung mit Fahrverlaufsinformationen im Fahrzeug 4 ausgewählt und an das Fahrzeug 4 übertragen, und ein Prognosewert wird im Fahrzeug 4 berechnet. Folglich kann im Fahrzeug 4 ein Prognosewert durch das erlernte Modell mit Fahrbedingungen berechnet werden, die den Fahrbedingungen des Fahrzeugs 4 am ähnlichsten sind, und somit kann die Steuerung des Fahrzeugs 4 durch den Prognosewert geeignet unterstützt werden.
  • Zweite Ausführungsform
  • Nachfolgend wird ein Steuerungsunterstützungsverfahren gemäß einer zweiten Ausführungsform beschrieben. Die Konfigurationen eines Steuerungsunterstützungssystems 1, eines Steuerungsunterstützungsservers 2 und von Fahrzeugen 3 und 4 gemäß der zweiten Ausführungsform sind ähnlich wie bei der ersten Ausführungsform. Bei der zweiten Ausführungsform unterscheiden sich jedoch die Verarbeitung durch den Steuerungsunterstützungsserver 2 und die vom Fahrzeug 4 empfangenen Informationen von denen bei der ersten Ausführungsform. Bei der zweiten Ausführungsform berechnet der Steuerungsunterstützungsserver 2 einen Prognosewert für die Steuerung des Fahrzeugs 4 unter Verwendung eines erlernten Modells, das erzeugt wurde, und das Fahrzeug 4 erlangt den Prognosewert.
  • 8 ist ein Flussdiagramm zur Erläuterung des Steuerungsunterstützungsverfahrens gemäß der zweiten Ausführungsform. Die Schritte ST21 bis ST28 in 8 sind ähnlich wie die Schritte ST1 bis ST8, die in 7 dargestellt sind. Bei der zweiten Ausführungsform erzeugt der Steuerungsunterstützungsserver 2 durch die Schritte ST21 bis ST28 ein erlerntes Modell. Zu beachten ist, dass die Schritte ST21 bis ST28 im Steuerungsunterstützungsserver 2 und einem Fahrzeug 3 wiederholend ausgeführt werden. Infolgedessen werden in einer Speichereinheit 231 für ein erlerntes Modell des Steuerungsunterstützungsservers 2 generierte erlernte Modelle in Verbindung mit Fahrverlaufsinformationen akkumuliert, oder eine Mehrzahl von erlernten Modellen, die einen hohen Grad an Übereinstimmung von damit verbundenen Fahrverlaufsinformationen aufweisen, werden zusammengeführt und gemittelt, um zu einem neuen erlernten Modell aktualisiert zu werden. Zu beachten ist, dass Fahrzeuginformationen weiter verknüpft werden können, und in diesem Fall können eine Mehrzahl von erlernten Modellen mit einem hohen Grad an Übereinstimmung in den Fahrverlaufsinformationen und den Fahrzeuginformationen zusammengeführt und gemittelt werden.
  • Nachdem das erlernte Modell vom Steuerungsunterstützungsserver 2 generiert ist, führt der Steuerungsunterstützungsserver 2 eine Steuerungsunterstützungsverarbeitung für das Fahrzeug 4 aus. Das heißt, die Kommunikationseinheit 43 des Fahrzeugs 4 überträgt bei Schritt ST29 ein Prognosewertanforderungssignal als ein Parameteranforderungssignal, Sensorinformationen, Fahrverlaufsinformationen, Fahrzeuginformationen und die Fahrzeugidentifikationsinformationen an den Steuerungsunterstützungsserver 2.
  • Wenn der Steuerungsunterstützungsserver 2 das Prognosewertanforderungssignal, die Sensorinformationen, die Fahrverlaufsinformationen, die Fahrzeuginformationen und die Fahrzeugidentifikationsinformationen vom Fahrzeug 4 empfängt, fährt der Ablauf mit Schritt ST30 fort. Die Auswahleinheit 223 der Steuerungseinheit 22 wählt bei Schritt ST30 aus erlernten Modellen, die in der Speichereinheit 231 für das erlernte Modell gespeichert sind, zumindest ein erlerntes Modell aus, das mit Fahrverlaufsinformationen mit der höchsten Übereinstimmung mit den vom Fahrzeug 4 empfangenen Fahrverlaufsinformationen verknüpft ist. Zu beachten ist, dass die Auswahleinheit 223 ferner unter Bezugnahme auf die vom Fahrzeug 4 empfangenen Fahrzeuginformationen zumindest ein erlerntes Modell auswählen kann, das mit Fahrverlaufsinformationen und Fahrzeuginformationen mit dem höchsten Grad an Übereinstimmung verknüpft ist.
  • Wenn der Ablauf zu Schritt ST31 voranschreitet, berechnet die Prognoseeinheit 224 unter Verwendung des ausgewählten erlernten Modells einen Prognosewert und überträgt den Prognosewert. Das heißt, die Prognoseeinheit 224 wählt zunächst die für die Durchführung der Steuerung notwendigen Sensorinformationen aus den vom Fahrzeug 4 empfangenen Sensorinformationen aus und verwendet die ausgewählten Sensorinformationen als Eingabeparameter. Die Prognoseeinheit 224 gibt die Eingabeparameter in das ausgewählte erlernte Modell ein, um den Prognosewert zu berechnen. Die Prognoseeinheit 224 überträgt den berechneten Prognosewert über die Kommunikationseinheit 21 an das Fahrzeug 4, welches das Prognosewertanforderungssignal übertragen hat, auf der Grundlage der Fahrzeugidentifikationsinformationen und der Fahrzeuginformationen.
  • Wenn der Prognosewert vom Steuerungsunterstützungsserver 2 über die Kommunikationseinheit 43 empfangen wird, steuert die elektronische Steuerungseinheit 42 des Fahrzeugs 4 die Antriebseinheit 41 und andere Komponenten unter Verwendung des erlangten Prognosewerts bei Schritt ST32. Spezifische Beispiele für die Steuerung der Antriebseinheit 41 und anderer Komponenten unter Verwendung des Prognosewerts ähneln den vorstehend beschriebenen ersten bis vierten Beispielen. Darüber hinaus können das vorstehend beschriebene Zuführfahrzeug 3 und das Anforderungsfahrzeug 4 dasselbe Fahrzeug sein.
  • Zu beachten ist, dass für den Fall, dass ein Teil von Sensorinformationen als die Eingabeparameter, die der Steuerungsunterstützungsserver 2 vom Fahrzeug 4 empfängt und in das erlernte Modell eingibt, fehlt, kann die Prognoseeinheit 224 einen vorläufigen Wert berechnen, der zu den fehlenden Sensorinformationen zu ergänzen ist, um als ein Eingabeparameter verwendet zu werden. Dies ist in einem Fall wirksam, in dem das Fahrzeug 4 nicht mit einem Sensor zum Erlangen von Sensorinformationen vorgesehen ist, die als Eingabeparameter für erlernte Modelle erforderlich sind. Darüber hinaus werden die vorstehend beschriebenen Schritte ST21 bis ST32 im Steuerungsunterstützungssystem 1 wiederholend ausgeführt. Dadurch wird der berechnete Prognosewert optimiert.
  • Gemäß der zweiten Ausführungsform erzeugt der Steuerungsunterstützungsserver 2 das erlernte Modell, berechnet den Prognosewert entsprechend den vom Anforderungsfahrzeug 4 empfangenen Sensorinformationen und überträgt den berechneten Prognosewert an das Fahrzeug 4. Dies ermöglicht dem Fahrzeug 4, eine Steuerung unter Verwendung des Prognosewerts durchzuführen, der aus dem im Steuerungsunterstützungsserver 2 erzeugten erlernten Modell erhalten wird, und somit können ähnliche Effekte wie bei der ersten Ausführungsform erhalten werden. Da die Berechnung des Prognosewertes im Steuerungsunterstützungsserver 2 ausgeführt wird, ist es außerdem nicht erforderlich, eine Prognoseeinheit zur Berechnung des Prognosewerts im Fahrzeug 4 vorzusehen. Daher kann die Verarbeitungskapazität des Fahrzeugs 4 gegenüber der ersten Ausführungsform reduziert werden und damit die Anzahl von Fahrzeugen 4, die in der Lage sind, eine Steuerung unter Verwendung eines erlernten Modells durchzuführen, erhöht werden.
  • Dritte Ausführungsform
  • Als nächstes wird ein Fahrzeug und ein Steuerungsunterstützungsverfahren gemäß einer dritten Ausführungsform beschrieben. Konfigurationen eines Steuerungsunterstützungssystems 1, eines Steuerungsunterstützungsservers 2 und eines Fahrzeugs 4 gemäß der dritten Ausführungsform sind ähnlich wie bei der ersten Ausführungsform, und Informationen, die das Fahrzeug 4 empfängt, sind ähnlich wie diese bei der zweiten Ausführungsform. Bei der dritten Ausführungsform unterscheidet sich jedoch die Verarbeitung durch den Steuerungsunterstützungsserver 2 und ein Zuführfahrzeug 3 von dieser bei den ersten und zweiten Ausführungsformen. Bei der dritten Ausführungsform wird ein erlerntes Modell durch das Zuführfahrzeug 3 erzeugt, und der Steuerungsunterstützungsserver 2 berechnet einen Prognosewert für eine Steuerung im Anforderungsfahrzeug 4 unter Verwendung des erzeugten erlernten Modells.
  • Zuführfahrzeug
  • 9 ist ein Blockdiagramm, welches eine Konfiguration eines Zuführfahrzeugs 3A gemäß der dritten Ausführungsform schematisch darstellt. Wie in 9 dargestellt ist, umfasst das Fahrzeug 3A eine Antriebseinheit 31, eine elektronische Steuerungseinheit 32, eine Kommunikationseinheit 33, eine Speichereinheit 34, eine Ein-/Ausgabeeinheit 35, eine Sensorgruppe 36 und eine GPS-Einheit 37, wie das in 5 dargestellte Fahrzeug 3 gemäß der ersten Ausführungsform. Darüber hinaus umfasst die elektronische Steuerungseinheit 32 im Fahrzeug 3A im Gegensatz zum Fahrzeug 3 ferner eine Lerneinheit 322, und die Speichereinheit 34 umfasst ferner eine Speichereinheit 344 für einen Ein-/Ausgabedatensatz, eine Speichereinheit 345 für ein erlerntes Modell und eine Lerndatenspeichereinheit 346. Die Lerneinheit 322, die Speichereinheit 344 für den Ein-/Ausgabedatensatz, die Speichereinheit 345 für das erlernte Modell und die Lerndatenspeichereinheit 346 sind ähnlich zu der Lerneinheit 222, der Speichereinheit 232 für den Ein-/Ausgabedatensatz, der Speichereinheit 231 für das erlernte Modell bzw. der Lerndatenspeichereinheit 233 im Steuerungsunterstützungsserver 2. Das heißt, das Fahrzeug 3A gemäß der dritten Ausführungsform ist ein Fahrzeug, auf dem eine Steuerungsunterstützungsvorrichtung montiert ist.
  • 10 ist ein Flussdiagramm, welches den Ablauf der Verarbeitung des Steuerungsunterstützungsverfahrens gemäß der dritten Ausführungsform veranschaulicht. In 10 sind die Schritte ST41, ST42, ST44, ST47 und ST48 ähnlich zu den in 7 dargestellten Schritten ST1, ST2, ST3, ST7 und ST8. Die Verarbeitung der Schritte ST41 und ST42 kann in der umgekehrten Reihenfolge oder parallel durchgeführt werden, und die Verarbeitung der Schritte ST47 und ST48 kann in umgekehrter Reihenfolge oder parallel durchgeführt werden.
  • Wenn der Ablauf nach der Ausführung der Schritte ST41 und ST42 zu Schritt ST43 voranschreitet, erzeugt die Lerneinheit 322 der elektronischen Steuerungseinheit 32 ein erlerntes Modell. Das heißt, eine Datenerlangungseinheit 321 der elektronischen Steuerungseinheit 32 extrahiert Sensorinformationen, die zur Steuerung verwendet werden sollen, aus verschiedenen Arten von Sensorinformationen, die in einer Speichereinheit 343 für von der Sensorgruppe erlangte Informationen gespeichert sind. Die Datenerlangungseinheit 321 liest ferner Fahrverlaufsinformationen und Fahrzeuginformationen, die den extrahierten Sensorinformationen zugeordnet sind, aus einer Speichereinheit 341 für Fahrverlaufsinformation bzw. einer Speichereinheit 342 für Fahrzeuginformationen. Die Datenerlangungseinheit 321 bewirkt, dass die Speichereinheit 344 für den Ein-/Ausgabedatensatz die extrahierten Sensorinformationen und die zugehörigen Fahrverlaufsinformationen und Fahrzeuginformationen speichert. Anschließend liest die Lerneinheit 322 Sensorinformationen aus der Speichereinheit 344 für den Ein-/Ausgabedatensatz und führt maschinelles Lernen unter Verwendung des neuronalen Netzes 100 unter Verwendung der gelesenen Sensorinformationen als ein Ein-/Ausgabedatensatz durch. Folglich erzeugt die Lerneinheit 322 ein erlerntes Modell und speichert das erlernte Modell in der Speichereinheit 345 für das erlernte Modell in Zusammenhang mit den Fahrverlaufsinformationen und den Fahrzeuginformationen.
  • Dann schreitet der Ablauf zu Schritt ST44 voran, in dem die elektronische Steuerungseinheit 32 bestimmt, ob die aktuelle Zeit einem im Voraus vorbestimmten Zeitpunkt entspricht. Falls die elektronische Steuerungseinheit 32 bestimmt, dass die aktuelle Zeit nicht dem vorbestimmten Zeitpunkt entspricht (Schritt ST44: Nein), werden die Schritte ST41 bis ST43 wiederholend ausgeführt.
  • Falls die elektronische Steuerungseinheit 32 bestimmt, dass der vorbestimmte Zeitpunkt erreicht wurde (Schritt ST44: Ja), fährt der Ablauf mit Schritt ST45 fort. Bei Schritt ST45 verknüpft die elektronische Steuerungseinheit 32 das erlernte Modell, das erzeugt und gespeichert wurde, mit den Fahrverlaufsinformationen und den Fahrzeuginformationen, und überträgt das erlernte Modell und die Informationen an den Steuerungsunterstützungsserver 2. Zu beachten ist, dass die Verknüpfung zwischen dem erlernten Modell und den Fahrverlaufsinformationen und den Fahrzeuginformationen erst nach der Generierung des erlernten Modells und vor der Übertragung des erlernten Modells durchgeführt werden muss.
  • Bei Schritt ST46 klassifiziert die Datenerlangungseinheit 221 des Steuerungsunterstützungsservers 2 das empfangene erlernte Modell anhand der Fahrverlaufsinformationen und der Fahrzeuginformationen und speichert das erlernte Modell in der Speichereinheit 231 für das erlernte Modell. Unabhängig von der vorstehend beschriebenen Verarbeitung der Schritte ST41 bis ST46 wird die Verarbeitung der Schritte ST47 und ST48 in dem Anforderungsfahrzeug 4 durchgeführt.
  • Die Verarbeitung der Schritte ST41 bis ST48 wird zwischen einer Mehrzahl von Zuführfahrzeugen 3 und dem Steuerungsunterstützungsserver 2 wiederholend ausgeführt. Infolgedessen werden in der Speichereinheit 231 für das erlernte Modell des Steuerungsunterstützungsservers 2 erzeugte erlernte Modelle in Zusammenhang mit Fahrverlaufsinformationen akkumuliert oder zu einem neuen erlernten Modell mit einem hohem Grad an Übereinstimmung aktualisiert, oder eine Mehrzahl von erlernten Modellen mit einem hohen an Übereinstimmung der damit verbundenen Fahrverlaufsinformationen werden, wie in den in 7 dargestellten Schritten ST1 bis ST6, zusammengeführt und gemittelt.
  • Nachdem die Verarbeitung der Schritte ST41 bis ST48 ausgeführt ist, werden die Schritte ST49 bis ST52 ausgeführt. Die Schritte ST49 bis ST52 entsprechen einer Verarbeitung gemäß den Schritten ST29 bis ST32, die in 8 dargestellt sind, gemäß der zweiten Ausführungsform.
  • Zu beachten ist, dass das Zuführfahrzeug 3A und das Anforderungsfahrzeug 4, wie vorstehend beschrieben, dasselbe Fahrzeug sein können. In diesem Fall kann, wenn ein im Fahrzeug 3A (Fahrzeug 4) erzeugtes erlerntes Modell als das erlernte Modell angenommen wird und von der Prognoseeinheit 422 im Fahrzeug 4 (Fahrzeug 3A) ein Prognosewert berechnet wird, eine Kommunikation zwischen dem Fahrzeug 3A/4 und dem Steuerungsunterstützungsserver 2 entfallen. Das erlernte Modell kann in diesem Fall jedoch übertrainiert werden. Obwohl in einem solchen Fall die Fahrzeuge 3A und 4 dasselbe Fahrzeug sind, kann ein universell einsetzbares erlerntes Modell, das durch Zusammenführen und Mitteln einer Mehrzahl von erlernten Modellen im Steuerungsunterstützungsserver 2 erhalten wird, als ein erlerntes Modell angenommen werden.
  • Gemäß der dritten Ausführungsform erzeugt das Zuführfahrzeug 3 das erlernte Modell, und der Steuerungsunterstützungsserver 2 berechnet den Prognosewert auf der Grundlage von Sensorinformationen, die vom Anforderungsfahrzeug 4 empfangen werden, und überträgt den berechneten Prognosewert an das Fahrzeug 4. Dies ermöglicht es dem Fahrzeug 4, eine Steuerung unter Verwendung des Prognosewerts durchzuführen, der durch den Steuerungsunterstützungsserver 2 aus dem im Fahrzeug 3 erzeugten erlernten Modell erhalten wird, und somit können ähnliche Effekte wie diese bei den ersten und zweiten Ausführungsformen erzielt werden.
  • Obwohl vorstehend die Ausführungsformen der vorliegenden Erfindung spezifisch beschrieben wurden, ist die vorliegende Erfindung nicht auf die vorstehend beschriebenen Ausführungsformen beschränkt, und es können verschiedene Modifikationen basierend auf der technischen Idee der vorliegenden Erfindung eingesetzt werden. Beispielsweise stellen die Eingabeparameter und der Ausgabeparameter, wie in der vorstehenden Ausführungsform genannt, lediglich Beispiele dar, und bei Bedarf können unterschiedliche Eingabeparameter oder Ausgabeparameter verwendet werden.
  • Zum Beispiel wurde bei der vorstehend beschriebenen Ausführungsform Deep-Learning unter Verwendung des neuronalen Netzes als ein Beispiel für maschinelles Lernen beschrieben; es kann jedoch auch maschinelles Lernen basierend auf anderen Methoden durchgeführt werden. So kann beispielsweise ein anderes überwachtes Lernen verwendet werden, wie eine Stützvektormaschine, ein Entscheidungsbaum, der naive Bayes und die k-nächsten Nachbarn. Alternativ kann anstelle von überwachtem Lernen auch teilüberwachtes Lernen verwendet werden.
  • Abgesehen von den Daten, die von der Sensorgruppe 46 des Fahrzeugs 4 erlangt werden, können beispielsweise Daten, die durch eine Straße-Zu-Fahrzeug-Kommunikation oder eine Fahrzeug-zu-Fahrzeug-Kommunikation erhalten werden, als Eingabeparameter als ein Teil eines Ein-/Ausgabedatensatzes oder Lerndaten verwendet werden.

Claims (17)

  1. Steuerungsunterstützungsvorrichtung (2) zum Unterstützen einer Steuerung eines Fahrzeugs unter Verwendung eines durch maschinelles Lernen erhaltenen erlernten Modells, wobei die Steuerungsunterstützungsvorrichtung (2) aufweist: eine Datenerlangungseinheit (221), welche derart konfiguriert ist, dass diese Sensorinformationen erlangt, die sich auf einen Zustand eines Inneren oder Äußeren eines Zuführfahrzeugs (3) beziehen, welches Parameter liefert, die für das maschinelle Lernen verwendet werden sollen; eine Lerneinheit (222), welche derart konfiguriert ist, dass diese ein erlerntes Modell durch Durchführen des maschinellen Lernens unter Verwendung eines Ein-/Ausgabedatensatzes erzeugt, welcher den von der Datenerlangungseinheit (221) erlangten Sensorinformationen entspricht und Daten entspricht, die Eingabeparameter und einen Ausgabeparameter des erlernten Modells umfassen; und eine Übertragungseinheit (21), welche derart konfiguriert ist, dass diese das erzeugte erlernte Modell und/oder einen Ausgabeparameter, der durch die Eingabe von Sensorinformationen des Fahrzeugs, dessen Steuerung unterstützt wird, bei dem erzeugten erlernten Modell als ein Eingabeparameter berechnet wird, überträgt.
  2. Steuerungsunterstützungsvorrichtung (2) zum Unterstützen einer Steuerung eines Fahrzeugs (4) unter Verwendung eines durch maschinelles Lernen erhaltenen erlernten Modells, wobei die Steuerungsunterstützungsvorrichtung (2) aufweist: eine Datenerlangungseinheit (221), welche derart konfiguriert ist, dass diese Sensorinformationen erlangt, die sich auf einen Zustand eines Inneren oder Äußeren eines Zuführfahrzeugs (3) beziehen, welches Parameter liefert, die für das maschinelle Lernen verwendet werden sollen; eine Lerneinheit (222), welche derart konfiguriert ist, dass diese eine Mehrzahl von erlernten Modellen durch Durchführen des maschinellen Lernens unter Verwendung eines Ein-/Ausgabedatensatzes erzeugt, welcher den von der Datenerlangungseinheit (221) von einer Mehrzahl von Zuführfahrzeugen (3) erlangten Sensorinformationen entspricht und Daten entspricht, die Eingabeparameter und einen Ausgabeparameter des erlernten Modells umfassen; eine Auswahleinheit (223), welche derart konfiguriert ist, dass diese ein erlerntes Modell, das an das Fahrzeug übertragen werden soll, dessen Steuerung unterstützt wird, aus der Mehrzahl von erlernten Modellen auswählt; und eine Übertragungseinheit (21), welche derart konfiguriert ist, dass diese das ausgewählte erlernte Modell an das Fahrzeug (4) überträgt.
  3. Steuerungsunterstützungsvorrichtung (2) zum Unterstützen einer Steuerung eines Fahrzeugs unter Verwendung eines durch maschinelles Lernen erhaltenen erlernten Modells, wobei die Steuerungsunterstützungsvorrichtung (2) aufweist: eine Datenerlangungseinheit (221), welche derart konfiguriert ist, dass diese Sensorinformationen erlangt, die sich auf einen Zustand eines Inneren oder Äußeren eines Zuführfahrzeugs (3) beziehen, welches Parameter liefert, die für das maschinelle Lernen verwendet werden sollen; eine Lerneinheit (222), welche derart konfiguriert ist, dass diese eine Mehrzahl von erlernten Modellen durch Durchführen des maschinellen Lernens unter Verwendung eines Ein-/Ausgabedatensatzes erzeugt, welcher den von der Datenerlangungseinheit (221) von einer Mehrzahl von Zuführfahrzeugen (3) erlangten Sensorinformationen entspricht und Daten entspricht, die Eingabeparameter und einen Ausgabeparameter des erlernten Modells umfassen; eine Auswahleinheit (223), welche derart konfiguriert ist, dass diese ein erlerntes Modell aus der Mehrzahl der erlernten Modelle auswählt; eine Prognoseeinheit (224), welche derart konfiguriert ist, dass diese einen Ausgabeparameter, der durch die Eingabe von Sensorinformationen des Fahrzeugs, dessen Steuerung unterstützt wird, bei dem ausgewählten erlernten Modell als Eingabeparameter erhalten wird, berechnet; und eine Übertragungseinheit (21), welche derart konfiguriert ist, dass diese den berechneten Ausgabeparameter an das Fahrzeug (4) überträgt.
  4. Steuerungsunterstützungsvorrichtung (2) nach Anspruch 2 oder 3, wobei die Datenerlangungseinheit (221) derart konfiguriert ist, dass diese ferner Fahrverlaufsinformationen des Zuführfahrzeugs erlangt, die mit den Sensorinformationen in Zusammenhang stehen, die Lerneinheit (222) derart konfiguriert ist, dass diese das erzeugte erlernte Modell mit den Fahrverlaufsinformationen assoziiert, und die Auswahleinheit (223) derart konfiguriert ist, dass diese ein erlerntes Modell, das mit Fahrverlaufsinformationen assoziiert ist, die einen hohen Grad an Übereinstimmung mit Fahrverlaufsinformationen des Fahrzeugs (4) aufweisen, aus einer Mehrzahl der erzeugten erlernten Modelle auswählt.
  5. Steuerungsunterstützungsvorrichtung (3A), die mit einem Server (2) kommuniziert, der ein durch maschinelles Lernen erhaltenes erlerntes Modell speichert, wobei die Steuerungsunterstützungsvorrichtung (3A) eine Steuerung eines Fahrzeugs (4) unter Verwendung des erlernten Modells unterstützt, wobei die Steuerungsunterstützungsvorrichtung (3A) aufweist: eine Datenerlangungseinheit (321), welche derart konfiguriert ist, dass diese Sensorinformationen erlangt, die sich auf einen Zustand eines Inneren oder Äußeren eines Zuführfahrzeugs (3) beziehen, wobei die Datenerlangungseinheit (321) an dem Zuführfahrzeug (3) montiert ist, das Parameter erhält, die für das maschinelle Lernen verwendet werden sollen; eine Lerneinheit (322), welche derart konfiguriert ist, dass diese ein erlerntes Modell durch Durchführen des maschinellen Lernens unter Verwendung eines Ein-/Ausgabedatensatzes erzeugt, der den von der Datenerlangungseinheit (321) erlangten Sensorinformationen entspricht und Daten entspricht, die Eingabeparameter und einen Ausgabeparameter des erlernten Modells umfassen; und eine Übertragungseinheit (33), welche derart konfiguriert ist, dass diese das erzeugte erlernte Modell an den Server (2) überträgt.
  6. Steuerungsunterstützungsvorrichtung (3A) nach Anspruch 5, wobei der Server (2) derart konfiguriert ist, dass dieser an das Fahrzeug (4) einen Ausgabeparameter überträgt, der durch die Eingabe von Sensorinformationen des Fahrzeugs (4), dessen Steuerung unterstützt wird, als ein Eingabeparameter bei einem erlernten Modell, das aus einer Mehrzahl von erlernten Modellen abgerufen oder erzeugt wird, die jeweils von einer Mehrzahl der Steuerungsunterstützungsvorrichtungen (3A) empfangen werden, erhalten wird.
  7. Steuerungsunterstützungsvorrichtung (3A) nach Anspruch 5 oder 6, wobei der Server (2) aufweist: eine Serverauswahleinheit (223), welche derart konfiguriert ist, dass diese ein erlerntes Modell aus einer Mehrzahl von erlernten Modellen auswählt, die durch Akkumulieren, Zusammenführen oder Aktualisieren einer Mehrzahl von erlernten Modellen erhalten werden, die jeweils von einer Mehrzahl der Steuerungsunterstützungsvorrichtungen (3A) empfangen werden; eine Serverprognoseeinheit (224), welche derart konfiguriert ist, dass diese einen Ausgabeparameter berechnet, der durch die Eingabe von Sensorinformationen des Fahrzeugs (4), dessen Steuerung unterstützt wird, bei dem ausgewählten erlernten Modell als ein Eingabeparameter erhalten wird; und eine Serverkommunikationseinheit (21), welche derart konfiguriert ist, dass diese den Ausgabeparameter an das Fahrzeug (4) überträgt.
  8. Steuerungsunterstützungsvorrichtung (3A) nach Anspruch 7, wobei der Server (2) derart konfiguriert ist, dass dieser ferner Fahrverlaufsinformationen, die mit dem erlernten Modell im Zuführfahrzeug (3) assoziiert sind, und Fahrverlaufsinformationen des Fahrzeugs (4) aufnimmt, und die Serverauswahleinheit (223) derart konfiguriert ist, dass diese ein erlerntes Modell, das mit Fahrverlaufsinformationen assoziiert ist, die einen hohen Grad an Übereinstimmung mit den Fahrverlaufsinformationen des Fahrzeugs (4) aufweisen, aus der Mehrzahl von erlernten Modellen auswählt, die durch Akkumulation, Zusammenführung oder Aktualisierung erhalten werden.
  9. Steuerungsunterstützungsvorrichtung (2, 3A) nach einem der Ansprüche 1 bis 8, ferner aufweisend: eine Gebührenverarbeitungseinheit (225), welche derart konfiguriert ist, dass diese eine Verarbeitung zum Berechnen eines Entgelts für die Unterstützung der Steuerung für einen Nutzer des Fahrzeugs (4), eine Verarbeitung zum Berechnen einer Vergütung für die Bereitstellung der Sensorinformationen für einen Nutzer des Zuführfahrzeugs (3) und eine Verarbeitung zum Ausgeben der berechneten Ergebnisse ausführt.
  10. Steuerungsunterstützungsvorrichtung (2, 3A) nach einem der Ansprüche 1 bis 9, wobei die Sensorinformationen zumindest eine Art von Informationen umfassen, ausgewählt aus Informationen über eine maximale Sauerstoffspeichermenge im Katalysator, Informationen über eine Fahrstrecke, Informationen über eine mittlere Geschwindigkeit und Informationen über eine mittlere Beschleunigung im Fahrzeug (4), und der Ausgabeparameter einem Katalysatoraufwärmverzögerungsbetrag, einem SOC-Wert zum Starten eines Ausgangskonstantbetriebs oder einer Katalysatorbetttemperatur zum Ausführen einer Erhöhungssteuerung von Kraftstoff entspricht.
  11. Fahrzeug (4) mit einer Fahrzeugsteuerungsvorrichtung (3A), die mit einem Server (2) kommuniziert, der ein erlerntes Modell speichert, das durch maschinelles Lernen erhalten wird, wobei der Server (2) aufweist: eine Serverspeichereinheit (23), welche derart konfiguriert ist, dass diese das erlernte Modell speichert, das durch das maschinelle Lernen erzeugt wird, welches unter Verwendung von Sensorinformationen, die sich auf einen Zustand eines Inneren oder Äußeren eines Zuführfahrzeugs (3, 3A) beziehen, das Parameter liefert, die für das maschinelle Lernen verwendet werden sollen, als ein Ein-/Ausgabedatensatz durchgeführt wird, der Daten entspricht, die Eingabeparameter und einen Ausgabeparameter des erlernten Modells umfassen; und eine Serverkommunikationseinheit (21), welche derart konfiguriert ist, dass diese das erzeugte erlernte Modell und/oder einen Ausgabeparameter, der durch die Eingabe von Sensorinformationen des Fahrzeugs (4) als ein Eingabeparameter bei dem erlernten Modell in einem Fall berechnet wird, in dem die Sensorinformationen des Fahrzeugs (4) empfangen werden, überträgt, und die Fahrzeugsteuerungsvorrichtung (3A) aufweist: eine Datenerlangungseinheit (321), welche derart konfiguriert ist, dass diese Sensorinformationen erlangt, die sich auf einen Zustand eines Inneren oder Äußeren eines Zuführfahrzeugs (3) beziehen; und eine Kommunikationseinheit (33), welche derart konfiguriert ist, dass diese ein Modellanforderungssignal, das die Übertragung des erlernten Modells anfordert, oder ein Parameteranforderungssignal, das die Übertragung eines Ausgabeparameters anfordert, der auf der Grundlage der von der Datenerlangungseinheit (321) erlangten Sensorinformationen berechnet wird, und die Sensorinformationen an den Server (2) überträgt, und das erzeugte erlernte Modell oder den berechneten Ausgabeparameter im Ansprechen auf das Modellanforderungssignal oder das Parameteranforderungssignal entsprechend empfängt.
  12. Fahrzeug (4) mit einer Fahrzeugsteuerungsvorrichtung (3A), die mit einem Server (2) kommuniziert, der ein erlerntes Modell speichert, das durch maschinelles Lernen erhalten wird, wobei der Server (2) aufweist: eine Serverlemeinheit (222), welche derart konfiguriert ist, dass diese ein erlerntes Modell durch Durchführen des maschinellen Lernens unter Verwendung eines Ein-/Ausgabedatensatzes erzeugt, der Sensorinformationen entspricht, die sich auf einen Zustand eines Inneren oder Äußeren eines Fahrzeugs (4) beziehen, und Daten entspricht, die Eingabeparameter und einen Ausgabeparameter des erlernten Modells umfassen, und wobei die Fahrzeugsteuerungsvorrichtung (3A) aufweist: eine Datenerlangungseinheit (221), welche derart konfiguriert ist, dass diese Sensorinformationen erlangt, die sich auf einen Zustand eines Inneren oder Äußeren des Fahrzeugs (4) beziehen; und eine Übertragungseinheit (21), welche derart konfiguriert ist, dass diese die von der Datenerlangungseinheit (221) erlangten Sensorinformationen an den Server (2) überträgt.
  13. Fahrzeug (4) mit einer Fahrzeugsteuerungsvorrichtung (3A), welche mit einem Server (2) kommuniziert, der ein erlerntes Modell speichert, das durch maschinelles Lernen erhalten wird, wobei die Fahrzeugsteuerungsvorrichtung (3A) aufweist: eine Datenerlangungseinheit (321), welche derart konfiguriert ist, dass diese Sensorinformationen erlangt, die sich auf einen Zustand eines Inneren oder Äußeren des Fahrzeugs (4) beziehen; eine Lerneinheit (322), welche derart konfiguriert ist, dass diese ein erlerntes Modell durch Durchführen des maschinellen Lernens unter Verwendung eines Ein- /Ausgabedatensatzes erzeugt, der den von der Datenerlangungseinheit (321) erlangten Sensorinformationen entspricht und Daten entspricht, die Eingabeparameter und einen Ausgabeparameter des erlernten Modells umfassen; und eine Übertragungseinheit (33), welche derart konfiguriert ist, dass diese das von der Lerneinheit (322) erzeugte erlernte Modell an den Server (2) überträgt.
  14. Steuerungsunterstützungsverfahren, welches von einer Steuerungsunterstützungsvorrichtung (3A) ausgeführt wird, welche eine Steuerung eines Fahrzeugs (4) unter Verwendung eines durch maschinelles Lernen erhaltenen erlernten Modells unterstützt, wobei das Steuerungsunterstützungsverfahren aufweist: einen Datenerlangungsschritt zum Erlangen von Sensorinformationen, die sich auf einen Zustand eines Inneren oder Äußeren eines Zuführfahrzeugs (3) beziehen, das Parameter liefert, die für das maschinelle Lernen verwendet werden sollen; einen Lernschritt zum Lesen eines Ein-/Ausgabedatensatzes, der den im Datenerlangungsschritt erlangten Sensorinformationen entspricht und Daten entspricht, die einen Eingabeparameter und einen Ausgabeparameter des erlernten Modells umfassen, aus einer Speichereinheit, und zum Erzeugen eines erlernten Modells durch Durchführen des maschinellen Lernens unter Verwendung des gelesenen Ein-/Ausgabedatensatzes; und einen Übertragungsschritt zum Übertragen des erzeugten erlernten Modells und/oder eines Ausgabeparameters, der durch Eingeben von Sensorinformationen des Fahrzeugs (4), dessen Steuerung unterstützt wird, bei dem erlernten Modell als ein Eingabeparameter erhalten wird.
  15. Computerlesbares Aufzeichnungsmedium, welches ein Steuerungsunterstützungsprogramm speichert, um eine Steuerungsunterstützungsvorrichtung, welche eine Steuerung eines Fahrzeugs unter Verwendung eines durch maschinelles Lernen erlernten Modells unterstützt, zu veranlassen, Folgendes auszuführen: einen Datenerlangungsschritt zum Erlangen von Sensorinformationen, die sich auf einen Zustand eines Inneren oder Äußeren eines Zuführfahrzeugs (3) beziehen, das Parameter zuführt, die für das maschinelle Lernen verwendet werden sollen; einen Lernschritt zum Lesen eines Ein-/Ausgabedatensatzes, welcher den im Datenerlangungsschritt erlangten Sensorinformationen entspricht und Daten entspricht, die einen Eingabeparameter und einen Ausgabeparameter des erlernten Modells umfassen, aus einer Speichereinheit, und zum Erzeugen eines erlernten Modells durch Durchführen des maschinellen Lernens unter Verwendung des gelesenen Ein-/Ausgabedatensatzes; und einen Übertragungsschritt zum Übertragen des erzeugten erlernten Modells und/oder eines Ausgabeparameters, der durch die Eingabe von Sensorinformationen des Fahrzeugs (4), dessen Steuerung unterstützt wird, bei dem erlernten Modell als ein Eingabeparameter erhalten wird.
  16. Erlerntes Modell mit einem neuronales Netz (100), wobei das neuronale Netz (100) aufweist: eine Eingabeschicht (101), welche derart konfiguriert ist, dass diese die Eingabe von Eingabeparametern empfängt, die einen Zustand eines Inneren oder Äußeren eines Fahrzeugs (4) quantifizieren; eine Zwischenschicht (102), welche derart konfiguriert ist, dass diese die Eingabe von Signalen empfängt, die von der Eingabeschicht (101) ausgegeben werden, wobei die Zwischenschicht (102) eine Mehrschichtstruktur aufweist; und eine Ausgabeschicht (103), welche derart konfiguriert ist, dass diese die Eingabe von Signalen empfängt, die von der Zwischenschicht (102) ausgegeben werden, und einen Ausgabeparameter ausgibt, der einen vorbestimmten Zustand des Fahrzeugs (4) quantifiziert, wobei jede der Schichten (101, 102, 103) einen oder mehrere Knoten umfasst, das erlernte Modell mit Fahrverlaufsinformationen des Fahrzeugs (4) assoziiert ist, und das erlernte Modell bewirkt, dass ein Computer die Eingabeparameter in die Eingabeschicht (101) eingibt, eine Berechnung basierend auf einem Netzwerkparameter des neuronalen Netzes (101) durchführt, der einem erlernten Netzwerkparameter entspricht, und einen Wert von der Ausgabeschicht (103) ausgibt, der den vorbestimmten Zustand des Fahrzeugs (4) quantifiziert.
  17. Verfahren zum Erzeugen eines erlernten Modells, das bewirkt, dass ein Computer einen Wert ausgibt, der einen vorbestimmten Zustand eines Fahrzeugs (4) quantifiziert, wobei der Computer ein neuronales Netz (100) verwendet, das eine Eingabeschicht (101), die eine Eingabe von Eingabeparametern empfängt, die einen Zustand eines Inneren oder Äußeren des Fahrzeugs (4) quantifizieren, eine Zwischenschicht (102), die eine Eingabe von Signalen empfängt, die von der Eingabeschicht (101) ausgegeben werden, wobei die Zwischenschicht (102) eine Mehrschichtstruktur aufweist, und eine Ausgabeschicht (103), die eine Eingabe von Signalen empfängt, die von der Zwischenschicht (102) ausgegeben werden, und einen Ausgabeparameter ausgibt, umfasst, wobei jede der Schichten (101, 102, 103) einen oder mehrere Knoten umfasst, um ein Lernen während eines Aktualisierens eines Netzwerkparameters des neuronalen Netzes (100) basierend auf einem von der Ausgabeschicht (103) ausgegebenen Ausgabeparameter basierend auf einer Eingabe der Eingabeparameter und einem Ausgabeparameter, der zusammen mit dem Eingabeparameter einen Ein-/Ausgabedatensatz bildet, und ein Speichern des Netzwerkparameters in einer Speichereinheit (34) in Verbindung mit Fahrverlaufsinformationen des Fahrzeugs (4) durchzuführen.
DE102019126147.3A 2018-10-25 2019-09-27 Steuerungsunterstützungsvorrichtung, Fahrzeug, Steuerungsunterstützungsverfahren, Aufzeichnungsmedium, erlerntes Modell zum Veranlassen einer Computerfunktion und Verfahren zum Erzeugen eines erlernten Modells Pending DE102019126147A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-201218 2018-10-25
JP2018201218A JP6848949B2 (ja) 2018-10-25 2018-10-25 制御支援装置、車両、および制御支援システム

Publications (1)

Publication Number Publication Date
DE102019126147A1 true DE102019126147A1 (de) 2020-04-30

Family

ID=70328495

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102019126147.3A Pending DE102019126147A1 (de) 2018-10-25 2019-09-27 Steuerungsunterstützungsvorrichtung, Fahrzeug, Steuerungsunterstützungsverfahren, Aufzeichnungsmedium, erlerntes Modell zum Veranlassen einer Computerfunktion und Verfahren zum Erzeugen eines erlernten Modells

Country Status (4)

Country Link
US (1) US10968855B2 (de)
JP (1) JP6848949B2 (de)
CN (1) CN111102043B (de)
DE (1) DE102019126147A1 (de)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020503612A (ja) * 2016-12-22 2020-01-30 ニッサン ノース アメリカ，インク 自律走行車両サービスシステム
US11875371B1 (en) 2017-04-24 2024-01-16 Skyline Products, Inc. Price optimization system
JP6852141B2 (ja) * 2018-11-29 2021-03-31 キヤノン株式会社 情報処理装置、撮像装置、情報処理装置の制御方法、および、プログラム
JP6744597B1 (ja) * 2019-10-18 2020-08-19 トヨタ自動車株式会社 車両用制御データの生成方法、車両用制御装置、車両用制御システム、および車両用学習装置
JP7322802B2 (ja) * 2020-05-13 2023-08-08 トヨタ自動車株式会社 配車装置および車両
JP7322804B2 (ja) * 2020-05-13 2023-08-08 トヨタ自動車株式会社 配車装置および車両
JP7322810B2 (ja) * 2020-05-21 2023-08-08 トヨタ自動車株式会社 燃温推定システム、データ解析装置、燃料供給装置の制御装置
JP6795116B1 (ja) * 2020-06-08 2020-12-02 トヨタ自動車株式会社 車両、及びサーバ
JP2021196777A (ja) * 2020-06-11 2021-12-27 トヨタ自動車株式会社 機械学習装置、機械学習システム、機械学習方法、及びプログラム
JP7298633B2 (ja) * 2020-06-18 2023-06-27 トヨタ自動車株式会社 機械学習装置
JP7151743B2 (ja) * 2020-06-18 2022-10-12 トヨタ自動車株式会社 車両用機械学習システム
JP2022007027A (ja) * 2020-06-25 2022-01-13 トヨタ自動車株式会社 車両用制御装置、車両用制御システム、および車両用学習装置
JP7074166B2 (ja) * 2020-08-07 2022-05-24 トヨタ自動車株式会社 サーバ、車両の制御装置、および車両の機械学習システム
JP7093031B2 (ja) * 2020-09-23 2022-06-29 ダイキン工業株式会社 情報処理装置、情報処理方法、及びプログラム
US20210188306A1 (en) * 2020-12-23 2021-06-24 Nageen Himayat Distributed learning to learn context-specific driving patterns
US11760376B2 (en) * 2020-12-29 2023-09-19 Ford Global Technologies, Llc Machine learning updating with sensor data
US11953896B2 (en) * 2021-02-15 2024-04-09 Argo AI, LLC System and method for a modular and continually learning remote guidance system for autonomous vehicles
WO2023073910A1 (ja) * 2021-10-29 2023-05-04 日本電気株式会社 モデル分析装置、モデル分析方法、及び記録媒体
US11952014B2 (en) * 2021-10-29 2024-04-09 Waymo Llc Behavior predictions for active emergency vehicles
CN114999021A (zh) * 2022-05-17 2022-09-02 中联重科股份有限公司 用于确定油温异常原因的方法、处理器、装置及存储介质

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003051095A (ja) 2001-08-07 2003-02-21 Mazda Motor Corp 自動車の制御ゲイン変更用サーバ、自動車の制御ゲイン変更方法、及び、自動車の制御ゲイン変更用プログラム
JP5426520B2 (ja) 2010-11-24 2014-02-26 本田技研工業株式会社 内燃機関の制御装置
US8532921B1 (en) * 2012-02-27 2013-09-10 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for determining available providers
JP6044556B2 (ja) * 2014-01-16 2016-12-14 株式会社デンソー 学習システム、車載装置、及び、サーバ
US10026506B1 (en) * 2015-02-06 2018-07-17 Brain Trust Innovations I, Llc System, RFID chip, server and method for capturing vehicle data
US9779557B2 (en) * 2015-08-18 2017-10-03 Carfit Corp. Automotive activity monitor
JP6471106B2 (ja) * 2016-01-19 2019-02-13 日立オートモティブシステムズ株式会社 車両制御装置、車両制御パラメータ学習システム
JP6752457B2 (ja) * 2016-06-02 2020-09-09 株式会社マーズスピリット 機械学習システム、装置及び情報処理方法
CN106114507B (zh) * 2016-06-21 2018-04-03 百度在线网络技术（北京）有限公司 用于智能车辆的局部轨迹规划方法和装置
KR102552013B1 (ko) * 2016-12-20 2023-07-05 현대자동차 주식회사 목적지 예측 기반 차량 제어 방법 및 시스템
US11254325B2 (en) * 2018-07-14 2022-02-22 Moove.Ai Vehicle-data analytics
JP6741087B1 (ja) * 2019-02-01 2020-08-19 トヨタ自動車株式会社 内燃機関の制御装置、車載電子制御ユニット、機械学習システム、内燃機関の制御方法、電子制御ユニットの製造方法及び出力パラメータ算出装置

Also Published As

Publication number Publication date
US20200132011A1 (en) 2020-04-30
CN111102043A (zh) 2020-05-05
JP2020067911A (ja) 2020-04-30
US10968855B2 (en) 2021-04-06
JP6848949B2 (ja) 2021-03-24
CN111102043B (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
DE102019126147A1 (de) Steuerungsunterstützungsvorrichtung, Fahrzeug, Steuerungsunterstützungsverfahren, Aufzeichnungsmedium, erlerntes Modell zum Veranlassen einer Computerfunktion und Verfahren zum Erzeugen eines erlernten Modells
DE102016124109B4 (de) Energieverwaltungssystem für ein elektrofahrzeug
DE102017222302B4 (de) Vernetztes Fahrzeug
DE102017211689A1 (de) Verfahren zur Routenplanung und Routenoptimierung für ein elektrisch fahrendes Fahrzeug
DE102012218058B4 (de) Verkehrssensormanagement
DE102022121819A1 (de) Verfahren und systeme zum schätzen einer restnutzungsdauer eines gebrauchsguts
DE102015208380A1 (de) Fahrzeugenergie-Handhabungsvorrichtung
DE102018218204A1 (de) Bestimmen eines mindestladezustandes für ein energiespeichermittel eines fahrzeugs
DE102014222007A1 (de) PHEV-Energieverwaltungssteuerung mit einer fahrtorientierten Energieverbrauchsvorplanung
DE102017201226A1 (de) Verfahren zum Betrieb eines Datenauswertungssystems für Kraftfahrzeugfunktionen und Datenauswertungssystem
DE102020210561A1 (de) Verfahren zum Betrieb eines Kraftfahrzeugs mit einem Antriebsstrang mit zumindest einem traktionsbatteriegespeisten Traktionsmotor
DE102020215297A1 (de) Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren
DE102018203975A1 (de) Fahrerassistenzverfahren für ein Fahrzeug, Fahrerassistenzsystem und Fahrzeug mit einem derartigen Fahrerassistenzsystem
DE102019135333A1 (de) Systeme und verfahren zur disposition und routenplanung von fahrzeugen
DE102015111105A1 (de) Massenbeschaffung zur vorhersage von fahrzeug-energieverbrauch
CN108665093A (zh) 基于深度学习的高速公路交通事故严重度预测方法
DE102018219618A1 (de) Vorrichtung und Verfahren zum Bestimmen des voraussichtlichen Energieverbrauchs eines Fahrzeugs
WO2014173592A1 (de) Verfahren und vorrichtung zum auswählen einer route zum befahren durch ein fahrzeug
DE112018007858T5 (de) Computerimplementiertes Verfahren und Datenverarbeitungssystem zum Prädizieren der Rückkehr eines Benutzers zu einem Fahrzeug
WO2022037968A1 (de) Steuervorrichtung und verfahren zum prädiktiven betreiben eines energiebordnetzes
DE112018007095T5 (de) Routenführungsvorrichtung, routenführungsverfahren und programm
DE102021102146A1 (de) Fahrzeugantriebsstranganalyse in vernetzten flotten
DE102020128818A1 (de) Verbesserte dimensionierung von komponenten
DE102008035663A1 (de) Verfahren und Vorrichtung zum Betreiben eines Kraftfahrzeugs
DE102020202650A1 (de) Computerimplementiertes Verfahren zur Routenberechnung für ein autonom fahrendes Kraftfahrzeug, Verfahren zum Fahren eines autonom fahrenden Kraftfahrzeugs, Computerprogrammprodukt sowie Kraftfahrzeug

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R016 Response to examination communication