DE102021114119A1

DE102021114119A1 - Vorrichtung für maschinelles lernen, system für maschinelles lernen, verfahren für maschinelles lernen und programm

Info

Publication number: DE102021114119A1
Application number: DE102021114119.2A
Authority: DE
Inventors: Kotoru Sato; Daiki Yokoyama
Original assignee: Toyota Motor Corp
Current assignee: Toyota Motor Corp
Priority date: 2020-06-11
Filing date: 2021-06-01
Publication date: 2021-12-16
Also published as: US20210390406A1; CN113805480A; JP2021196777A

Abstract

Vorrichtung für maschinelles Lernen mit einer Erfassungseinheit, die dritte Daten erfasst, die erste Daten und zweite Daten aufweisen, wobei die ersten Daten Parameterdaten, die für eine Vielzahl an Sammelgeräten gesammelt wurden, und/oder aus den Parameterdaten erzeugten Lehrerdaten aufweisen, und die zweiten Daten erfasst, die den ersten Daten zugeordnet sind und Sammelbedingungen der Parameterdaten darstellen, einer Auswahleinheit, die spezifische Daten aus den dritten Daten auswählt, und einer Lerneinheit, die ein maschinelles Lernen unter Verwendung der spezifischen Daten durchführt und ein trainiertes Modell zum Einsatz in einem Zielgerät erzeugt, wobei die Auswahleinheit die spezifischen Daten auswählt, die den Sammelbedingungen zugeordnet sind, bei denen eine Differenz zwischen den Einsatzbedingungen des trainierten Modells für das Zielgerät und den Sammelbedingungen in den Sammelgeräten kleiner oder gleich eine vorbestimmte Referenz ist.

Description

Hintergrund der Erfindung
1. Gebiet der Erfindung
Die vorliegende Erfindung betrifft eine Vorrichtung für maschinelles Lernen, ein System für maschinelles Lernen, ein Verfahren für maschinelles Lernen und ein Programm.
2. Beschreibung des Standes der Technik
Ein trainiertes Modell kann bei der Vorhersage von Eigenschaften eines Geräts verwendet werden. Bei dem in JP 2019 - 183 698 A beschriebenen Verfahren überträgt ein Gerät gesammelte Daten verschiedener Parameter an einen Server. Der Server führt ein maschinelles Lernen unter Verwendung der aus den empfangenen Daten erstellten Lehrerdaten durch und überträgt ein dadurch erzeugtes trainiertes Modell an das Gerät. Das Gerät sagt die Eigenschaften anhand des empfangenen trainierten Modells voraus. Ein Gerät, das mit einem solchen trainierten Modell ausgestattet ist, weist eine Transportvorrichtung wie ein Fahrzeug, eine Robotervorrichtung und dergleichen auf.
Zusammenfassung der Erfindung
Problem, das durch die Erfindung gelöst werden soll
Im Allgemeinen gilt beim maschinellen Lernen, dass die Lerngenauigkeit umso höher ist, je größer die Anzahl der Lehrerdaten ist. Als eine Methode zur Erhöhung der Lehrerdaten wird eine Methode zum Sammeln von Lehrerdaten oder Daten zum Erzeugen von Lehrerdaten aus einer Vielzahl von Geräten betrachtet. Wenn jedoch alle von verschiedenen Geräten gesammelten Daten für das maschinelle Lernen verwendet werden, kann die Lerngenauigkeit umgekehrt abnehmen. Die Abnahme der Lerngenauigkeit kann dadurch verursacht werden, dass nicht signifikante Variationen in den Lehrerdaten auftreten, beispielsweise wenn die Geräte, die die Daten sammeln, und die Geräte, die das trainierte Modell verwenden, sich vom Typ her voneinander unterscheiden. Darüber hinaus kann, selbst wenn die Geräte vom gleichen Typ sind, die Lerngenauigkeit abnehmen, wenn die Bedingungen für das Sammeln der Daten und die Bedingungen für den Einsatz des trainierten Modells voneinander verschieden sind und so weiter.
Die vorliegende Erfindung wurde in Anbetracht der vorstehenden Ausführungen gemacht, und eine Aufgabe der vorliegenden Erfindung ist es, eine Vorrichtung für maschinelles Lernen, ein System für maschinelles Lernen, ein Verfahren für maschinelles Lernen und ein Programm bereitzustellen, von denen jedes eine hohe Lerngenauigkeit aufweist, während Parameterdaten von einer Vielzahl an Geräten erfasst werden und die Anzahl der Lehrerdaten erhöht wird.
Gemäß einer Ausführungsform der vorliegenden Erfindung weist eine Vorrichtung für maschinelles Lernen auf: eine Erfassungseinheit, die dritte Daten erfasst, die erste Daten und zweite Daten aufweisen, wobei die ersten Daten mindestens eines von Parameterdaten, die für eine Vielzahl an Sammelgeräten gesammelt wurden, und Lehrerdaten aufweisen, die aus den Parameterdaten erzeugt wurden, und wobei die zweiten Daten den ersten Daten zugeordnet sind und die Sammelbedingungen der Parameterdaten darstellen, eine Auswahleinheit, die spezifische Daten aus den dritten Daten auswählt, und eine Lerneinheit, die ein maschinelles Lernen unter Verwendung der spezifischen Daten durchführt und ein trainiertes Modell erzeugt, das für ein Zielgerät verwendet werden soll. Weiterhin wählt die Auswahleinheit die spezifischen Daten aus, die den Sammelbedingungen zugeordnet sind, bei denen ein Unterschied zwischen den Einsatzbedingungen des trainierten Modells für das Zielgerät und den Sammelbedingungen in den Sammelgeräten kleiner oder gleich eine vorbestimmte Referenz ist.
Somit wählt die Vorrichtung für maschinelles Lernen beim Erzeugen eines trainierten Modells für den Einsatz in einem Zielgerät Daten, die Sammelbedingungen nahe der Einsatzbedingungen des trainierten Modells zugeordnet sind, aus mindestens einem von Parameterdaten, die für eine Vielzahl an Sammelgeräten gesammelt wurden, und Lehrerdaten, die aus den Parameterdaten erstellt wurden, aus und führt dann maschinelles Lernen unter Verwendung der ausgewählten Daten durch. Dementsprechend kann die Vorrichtung für maschinelles Lernen erzielt werden, die eine hohe Lerngenauigkeit aufweist, während Parameterdaten von einer Vielzahl an Geräten erfasst werden und die Anzahl der Lehrerdaten erhöht wird.
In der Vorrichtung für maschinelles Lernen können die Sammelbedingungen mindestens eine Bedingung, die Eigenschaften der Sammelgeräte darstellt, eine Einsatzbedingung der Sammelgeräte und eine Umgebungsbedingung der Sammelgeräte aufweisen, und die Einsatzbedingungen können mindestens eine Bedingung, die Eigenschaften des Zielgeräts darstellt, und eine Umgebungsbedingung des Zielgeräts aufweisen.
Somit kann die Vorrichtung für maschinelles Lernen Daten basierend auf verschiedenen Sammelbedingungen oder Einsatzbedingungen auswählen.
Die Vorrichtung für maschinelles Lernen kann ferner eine Kommunikationseinheit aufweisen, die das trainierte Modell an das Zielgerät überträgt.
Somit kann das Zielgerät in einem untersuchten Fahrzeug ein trainiertes Modell verwenden, das von der Vorrichtung für maschinelles Lernen übertragen wurde.
Gemäß einer Ausführungsform der vorliegenden Erfindung weist ein System für maschinelles Lernen auf: eine Sammelvorrichtung, die die Parameterdaten der Sammelgeräte sammelt; eine Zielvorrichtung, die das trainierte Modell in dem Zielgerät verwendet; und die Vorrichtung für maschinelles Lernen. Auf diese Weise kann ein System für maschinelles Lernen erreicht werden, das eine hohe Lerngenauigkeit aufweist, während Parameterdaten von einer Vielzahl an Geräten erfasst werden und die Anzahl der Lehrerdaten erhöht wird.
In dem System für maschinelles Lernen können die Sammelgeräte oder das Zielgerät ein Transportgerät sein.
So kann ein System für maschinelles Lernen, das ein Transportgerät wie Fahrzeuge einschließt, erreicht werden.
In dem System für maschinelles Lernen kann die Vorrichtung für maschinelles Lernen in einer Servervorrichtung vorgesehen sein.
Somit kann eine Servervorrichtung zentral Daten für ein maschinelles Lernen erfassen und ein trainiertes Modell erstellen.
In dem System für maschinelles Lernen kann die Sammelvorrichtung eine Lehrerdaten-Erzeugungseinheit aufweisen, die die Lehrerdaten aus den Parameterdaten erzeugt.
Somit kann eine Sammelvorrichtung sowohl eine Funktion zum Erstellen der Lehrerdaten als auch eine Funktion zum Erfassen der Parameterdaten übernehmen.
Gemäß einer Ausführungsform der vorliegenden Erfindung weist ein Verfahren für maschinelles Lernen die Schritte auf: Erfassen von dritten Daten, die erste Daten und zweite Daten aufweisen, wobei die ersten Daten mindestens eines von Parameterdaten, die für eine Vielzahl an Sammelgeräten gesammelt wurden, und Lehrerdaten, die aus den Parameterdaten erzeugt wurden, aufweisen und wobei die zweiten Daten den ersten Daten zugeordnet sind und die Sammelbedingungen der Parameterdaten darstellen, Speichern der dritten Daten in einer Speichereinheit; Auswählen spezifischer Daten aus den dritten Daten; und Durchführen von maschinellem Lernen unter Verwendung der spezifischen Daten, die aus der Speichereinheit gelesen wurden, und Erzeugen eines trainierten Modells zum Einsatz in einem Zielgerät. Ferner werden die spezifischen Daten ausgewählt, wobei die spezifischen Daten mit den Sammelbedingungen verknüpft sind, bei denen eine Differenz zwischen den Einsatzbedingungen des trainierten Modells für das Zielgerät und den Sammelbedingungen in den Sammelgeräten kleiner oder gleich eine vorbestimmte Referenz ist.
Auf diese Weise kann ein Verfahren für maschinelles Lernen erreicht werden, das eine hohe Lerngenauigkeit aufweist, während Parameterdaten von einer Vielzahl an Geräten erfasst werden und die Anzahl der Lehrerdaten erhöht wird.
Gemäß einer Ausführungsform der vorliegenden Erfindung wird ein Programm bereitgestellt, um einen Prozessor mit Hardware zu veranlassen: dritte Daten zu erfassen, die erste Daten und zweite Daten aufweisen, wobei die ersten Daten mindestens eines von Parameterdaten, die für eine Vielzahl an Sammelgeräten gesammelt wurden, und Lehrerdaten, die aus den Parameterdaten erzeugt wurden, aufweisen und wobei die zweiten Daten den ersten Daten zugeordnet sind und Sammelbedingungen der Parameterdaten darstellen, die dritten Daten in einer Speichereinheit zu speichern; spezifische Daten aus den dritten Daten auszuwählen; und maschinelles Lernen unter Verwendung der spezifischen Daten, die aus der Speichereinheit gelesen wurden, durchzuführen und ein trainiertes Modell zum Einsatz in einem Zielgerät zu erzeugen. Ferner werden die spezifischen Daten ausgewählt, wobei die spezifischen Daten den Sammelbedingungen zugeordnet sind, bei denen eine Differenz zwischen den Einsatzbedingungen des trainierten Modells für das Zielgerät und den Sammelbedingungen in den Sammelgeräten kleiner oder gleich eine vorbestimmte Referenz ist.
Somit kann ein Prozessor veranlasst werden, das Verfahren für maschinelles Lernen auszuführen, das eine hohe Lerngenauigkeit aufweist, während Parameterdaten von einer Vielzahl an Geräten erfasst werden und die Anzahl der Lehrerdaten erhöht wird.
Gemäß der vorliegenden Erfindung kann die Lerngenauigkeit verbessert werden, während die Anzahl der Lehrerdaten erhöht wird.
Figurenliste

1 ist ein schematisches Diagramm, das eine Konfiguration eines Systems für maschinelles Lernen gemäß einer Ausführungsform zeigt;
2 ist ein schematisches Diagramm, das eine Konfiguration eines neuronalen Netzwerks illustriert;
3 ist ein Diagramm, das einen Umriss von Eingängen/Ausgängen von Knoten zeigt, die in dem neuronalen Netzwerk enthalten sind;
4 ist ein Sequenzdiagramm, das Prozesse, die in einer Sammelvorrichtung und einer Servervorrichtung ausgeführt werden, zeigt, und
5 ist ein Sequenzdiagramm, das Prozesse zeigt, die in einer Zielvorrichtung und der Servervorrichtung ausgeführt werden.

Detaillierte Beschreibung der bevorzugten Ausführungsformen
Nachfolgend werden Ausführungsformen der vorliegenden Erfindung unter Bezugnahme auf die Zeichnungen näher beschrieben. Es ist zu beachten, dass in den Zeichnungen den gleichen oder korrespondierenden Komponenten zweckmäßigerweise die gleichen Bezugsziffern zugeordnet sind, und eine doppelte Beschreibung wird weggelassen.
System konfiguration
1 ist ein schematisches Diagramm, das eine Konfiguration eines Systems für maschinelles Lernen gemäß einer Ausführungsform zeigt. Ein System für maschinelles Lernen 1000 weist eine Vielzahl an Sammelfahrzeugen 100, eine Servervorrichtung 200 und ein Zielfahrzeug 300 auf.
Sammelfahrzeug
Jedes der Vielzahl an Sammelfahrzeugen 100 weist eine Sammelvorrichtung 110, eine Sensorgruppe 120 und eine Steuerungszielgruppe 130 auf. Die Sammelvorrichtung 110, die Sensorgruppe 120 und die Steuerungszielgruppe 130 sind über ein fahrzeuginternes Netzwerk wie ein Controller Area Network (CAN) kommunikativ miteinander verbunden. Die Sammelvorrichtung 110 weist eine Steuereinheit 111, eine Speichereinheit 112 und eine Kommunikationseinheit 113 auf. Das Sammelfahrzeug 100 ist ein Beispiel für ein Sammelgerät und ein Beispiel für ein Transportgerät.
Die Steuereinheit 111 weist beispielsweise einen Prozessor wie eine Zentraleinheit (CPU), einen digitalen Signalprozessor (DSP) und ein feldprogrammierbares Gate-Array (FPGA), und eine Hauptspeichereinheit wie einen Direktzugriffsspeicher (RAM) und einen Festwertspeicher (ROM) auf. Die Steuereinheit 111 liest ein Programm, das in der Speichereinheit 112 gespeichert ist, in einen Arbeitsbereich der Hauptspeichereinheit und führt das gelesene Programm aus und steuert jede Komponente oder Ähnliches durch die Ausführung des Programms durch den Prozessor, wodurch Hardware und Software miteinander kooperieren, um Funktionsmodule zu erreichen, die vorbestimmte Zwecke erfüllen.
Die Steuereinheit 111 weist als solche Funktionsmodule eine Erfassungseinheit 111a, eine Bedingungsspezifikationseinheit 111b, eine Lehrerdaten-Erzeugungseinheit 111 c, eine Übertragungsdaten-Erzeugungseinheit 111 d und eine Steuereinheit 111e auf. Die Erfassungseinheit 111a sammelt von der Sensorgruppe 120 verschiedene Parameterdaten, die einen Zustand und Eigenschaften des Sammelfahrzeugs 100 darstellen. Die Bedingungsspezifikationseinheit 111b spezifiziert Sammelbedingungen der Parameterdaten. Zum Beispiel erzeugt die Bedingungsspezifikationseinheit 111b Sammelbedingungsdaten, die die Sammelbedingungen der Parameterdaten repräsentieren, und spezifiziert dadurch die Sammelbedingung. Die Lehrerdaten-Erzeugungseinheit 111c erzeugt Lehrerdaten auf der Grundlage der gesammelten Parameterdaten. Die Übertragungsdaten-Erzeugungseinheit 111d erzeugt Übertragungsdaten, die die Lehrerdaten und die Sammelbedingungsdaten aufweisen. Die Übertragungsdaten-Erzeugungseinheit 111d verknüpft die Lehrerdaten und die Sammelbedingungsdaten miteinander, wenn sie die Übertragungsdaten erzeugt. Die Steuereinheit 111e bestimmt beispielsweise den Zustand und die Eigenschaften des Sammelfahrzeugs 100 basierend auf den Parameterdaten und steuert die Steuerungszielgruppe 130 basierend auf einem Ergebnis der Bestimmung.
Die Lehrerdaten sind ein Beispiel für erste Daten, die Sammelbedingungsdaten sind ein Beispiel für zweite Daten, und die Übertragungsdaten sind ein Beispiel für dritte Daten.
Die Speichereinheit 112 besteht aus einem Speichermedium wie einem RAM, einem Festplattenlaufwerk (HDD) und einem Wechselmedium und wird auch als eine Hilfsspeichereinheit bezeichnet. Es ist anzumerken, dass das austauschbare Medium beispielsweise ein USB-Speicher (Universal Serial Bus) oder ein Disc-Aufzeichnungsmedium wie eine Compact Disc (CD), eine DVD (Digital Versatile Disc) und eine Blu-ray-Disc (BD) (eingetragenes Warenzeichen) ist. Außerdem kann die Speichereinheit 112 aus einem computerlesbaren Aufzeichnungsmedium wie einer Speicherkarte bestehen, die von außen montiert werden kann. In der Speichereinheit 112 werden ein Betriebssystem (OS), verschiedene Programme, verschiedene Tabellen, verschiedene Datenbanken und dergleichen zum Erreichen von Funktionen der Sammelvorrichtung 110 im Voraus gespeichert oder durch Herunterladen über ein Kommunikationsnetzwerk gespeichert.
Die Kommunikationseinheit 113 weist beispielsweise ein Datenkommunikationsmodul (DCM) auf und kommuniziert mit der Servervorrichtung 200 durch drahtlose Kommunikation über ein Kommunikationsnetzwerk N. Die Kommunikationseinheit 113 sendet Übertragungsdaten an die Servervorrichtung 200. Das Kommunikationsnetzwerk N ist beispielsweise ein Internet-Netzwerk, das ein öffentliches Kommunikationsnetzwerk ist oder dergleichen.
Die Sensorgruppe 120 besteht aus einer Vielzahl an Sensoren, die den Zustand und die Eigenschaften des Sammelfahrzeugs 100 messen. Die Sensorgruppe 120 überträgt die Messergebnisse als Parameterdaten an die Sammelvorrichtung 110.
Die Parameterdaten sind Daten, die den Zustand und die Eigenschaften des Sammelfahrzeugs 100 repräsentieren, und sind beispielsweise Daten, die einen Zustand und Eigenschaften repräsentieren, die sich beide auf den Betrieb des Sammelfahrzeugs 100 beziehen. Beispiele für die Parameterdaten sind Parameterdaten, die Eigenschaften des Sammelfahrzeugs 100 repräsentieren, Parameterdaten, die Einsatzbedingungen des Sammelfahrzeugs 100 repräsentieren, und Parameterdaten, die Umgebungsbedingungen des Sammelfahrzeugs 100 repräsentieren. Die Parameterdaten, die die Eigenschaften des Sammelfahrzeugs 100 repräsentieren, weisen beispielsweise Daten, die einen Fahrzeugtyp und eine Klassifizierung (Sport Utility Vehicle (SUV) und ähnliches) repräsentieren, Daten, die die Eigenschaften eines Antriebssystems (Elektrofahrzeug, Hybridfahrzeug und ähnliches) und eines Antriebsstrangsystems repräsentieren, oder Daten auf, die anzeigen, ob das Fahrzeug ein autonomes Fahrzeug und ähnliches ist. Wenn das Sammelfahrzeug 100 mit einem Verbrennungsmotor ausgestattet ist, weisen Beispiele der Parameterdaten, die die Eigenschaften des Sammelfahrzeugs 100 darstellen, eine Motordrehzahl, einen Lastfaktor eines Motors, ein Luft-Kraftstoff-Verhältnis des Motors, einen Zündzeitpunkt des Motors, eine Konzentration von Kohlenwasserstoff (HC) im Abgas, das in einen Abgasreinigungskatalysator strömt, eine Konzentration von Kohlenmonoxid (CO) darin, eine Temperatur eines Abgasreinigungskatalysators und dergleichen auf. Die Parameterdaten, die die Einsatzbedingungen des Sammelfahrzeugs 100 darstellen, weisen Daten auf, die die Anzahl der Fahrgäste des Sammelfahrzeugs 100, ein Attribut eines Fahrers (z. B. Alter, Geschlecht, Familienzusammensetzung), einen Fahrort, eine Fahrzeitzone, den Fahrzeitpunkt (Jahreszeit und dergleichen) und dergleichen darstellen. Die Parameterdaten, die die Umgebungsbedingungen des Sammelfahrzeugs 100 darstellen, weisen Daten auf, die die Höhe, die Temperatur, den atmosphärischen Druck, das Wetter und ähnliches repräsentieren.
Alle der vorstehend dargestellten Beispiele der Parameterdaten können Sammelbedingungsdaten sein. Zum Beispiel wählt die Bedingungsspezifikationseinheit 111b als die Sammelbedingungsdaten Parameterdaten aus, die bestimmte Parameterdaten beeinflussen, und spezifiziert dadurch eine Sammelbedingung. Zum Beispiel werden Parameterdaten, die einen hohen Grad an Einfluss auf die spezifischen Parameterdaten haben, bevorzugt als Sammelbedingungsdaten ausgewählt. Wenn die als Sammelbedingungsdaten ausgewählten Parameterdaten außerdem einen hohen Grad an Gemeinsamkeit zwischen verschiedenen Sammelbedingungsdatensätzen aufweisen, kann man sagen, dass die durch diese Sammelbedingungsdatensätze ausgedrückten Sammelbedingungen nahe beieinanderliegen, und dementsprechend können die Parameterdaten verwendet werden, um die Nähe der Sammelbedingungen zu bestimmen.
Die Steuerungszielgruppe 130 wird von der Steuereinheit 111e basierend auf den Parameterdaten gesteuert. Die Steuerungszielgruppe 130 weist verschiedene Vorrichtungen auf, die auf dem Sammelfahrzeug 100 montiert sind, und weist beispielsweise verschiedene Vorrichtungen auf, die mit dem Betrieb des Sammelfahrzeugs 100 zusammenhängen. Wenn das Sammelfahrzeug 100 mit einem Verbrennungsmotor ausgestattet ist, weist die Steuerungszielgruppe 130 beispielsweise eine Zündvorrichtung, ein Kraftstoffeinspritzventil, einen Drosselklappenantriebsaktuator, ein Steuerventil für die Abgasrückführung (EGR), eine Kraftstoffpumpe und dergleichen auf. Darüber hinaus kann die Steuerungszielgruppe 130 eine Anzeigevorrichtung aufweisen, die Informationen basierend auf den Parameterdaten anzeigt.
Servervorrichtung
Die Servervorrichtung 200 ist ein Beispiel für eine Servervorrichtung, die mit einer Vorrichtung für maschinelles Lernen versehen ist, und weist eine Steuereinheit 210, eine Speichereinheit 220 und eine Kommunikationseinheit 230 als Komponenten der Vorrichtung für maschinelles Lernen auf.
Wie die Steuereinheit 111 des Sammelfahrzeugs 100 weist die Steuereinheit 210 einen Prozessor und eine Hauptspeichereinheit auf. Die Steuereinheit 210 liest ein Programm, das in der Speichereinheit 220 gespeichert ist, in einen Arbeitsbereich der Hauptspeichereinheit und führt das gelesene Programm aus, und steuert jede Komponente oder ähnliches durch die Ausführung des Programms, und erreicht dadurch Funktionsmodule, die vorbestimmte Zwecke erfüllen.
Die Steuereinheit 210 weist eine Erfassungseinheit 211, eine Auswahleinheit 212 und eine Lerneinheit 213 als die Funktionsmodule auf. Die Erfassungseinheit 211 erfasst Übertragungsdaten, die von der Vielzahl an Sammelfahrzeugen 100 über das Kommunikationsnetzwerk N übertragen werden. Die Auswahleinheit 212 wählt bestimmte Daten aus den Übertragungsdaten aus. Im Folgenden können die ausgewählten Daten als Selektionsdaten bezeichnet werden. Die Lerneinheit 213 führt maschinelles Lernen unter Verwendung der Selektionsdaten durch und erzeugt ein trainiertes Modell, das für das Zielfahrzeug 300 verwendet wird.
Die Speichereinheit 220 setzt sich aus einem Speichermedium zusammen, das der Speichereinheit 112 des Sammelfahrzeugs 100 ähnlich ist. Die Speichereinheit 220 kann ein Betriebssystem, verschiedene Programme, verschiedene Tabellen, verschiedene Datenbanken und dergleichen speichern, die zum Erreichen der Funktionen der Servervorrichtung 200 dienen. Außerdem speichert die Speichereinheit 220 das trainierte Modell, das von der Lerneinheit 213 erzeugt wurde.
Die Kommunikationseinheit 230 setzt sich beispielsweise aus einer Schnittstellenkarte für ein lokales Netzwerk (LAN) und einer drahtlosen Kommunikationsschaltung für die drahtlose Kommunikation zusammen und kommuniziert mit der Vielzahl an Sammelfahrzeugen 100 und dem Zielfahrzeug 300 durch die drahtlose Kommunikation über das Kommunikationsnetzwerk N. Die Kommunikationseinheit 230 empfängt beispielsweise die von der Vielzahl an Sammelfahrzeugen 100 übertragenen Übertragungsdaten.
Zielfahrzeug
Das Zielfahrzeug 300 weist eine Zielvorrichtung 310, eine Sensorgruppe 320 und eine Steuerungszielgruppe 330 auf. Die Zielvorrichtung 310, die Sensorgruppe 320 und die Steuerungszielgruppe 330 sind über das fahrzeuginterne Netzwerk kommunikativ miteinander verbunden. Die Zielvorrichtung 310 weist eine Steuereinheit 311, eine Speichereinheit 312 und eine Kommunikationseinheit 313 auf. Das Zielfahrzeug 300 ist ein Beispiel für die Zielvorrichtung und ist ein Beispiel für die Transportvorrichtung.
Wie die Steuereinheit 111 des Sammelfahrzeugs 100 weist die Steuereinheit 311 einen Prozessor und eine Hauptspeichereinheit auf. Die Steuereinheit 311 liest ein Programm, das in der Speichereinheit 312 gespeichert ist, in einen Arbeitsbereich der Hauptspeichereinheit und führt das gelesene Programm aus, und steuert jede Komponente oder ähnliches durch die Ausführung des Programms, und erreicht dadurch Funktionsmodule, die vorbestimmte Zwecke erfüllen. Darüber hinaus speichert die Speichereinheit 312, wie nachfolgend noch beschrieben wird, ein trainiertes Modell 312a.
Die Steuereinheit 311 weist eine Erfassungseinheit 311a, eine Bedingungsspezifikationseinheit 311b und eine Steuereinheit 311c als Funktionsmodule auf. Die Erfassungseinheit 311a sammelt von der Sensorgruppe 320 verschiedene Parameterdaten, die einen Zustand und Eigenschaften des Zielfahrzeugs 300 darstellen. Die Bedingungsspezifikationseinheit 311b spezifiziert Einsatzbedingungen eines trainierten Modells 321a für das Zielfahrzeug 300 und erzeugt Einsatzbedingungsdaten, die die Einsatzbedingungen darstellen. Die Steuereinheit 311c steuert die Steuerungszielgruppe 330, z. B. auf der Grundlage der mithilfe des trainierten Modells 312a vorhergesagten Eigenschaften. Die Steuerung der Steuerzielgruppe 330 ist ein Beispiel für einen Einsatzmodus des trainierten Modells 312a in der Zielvorrichtung 310.
Die Speichereinheit 312 besteht aus einem Speichermedium, das der Speichereinheit 112 des Sammelfahrzeugs 100 ähnlich ist. In der Speichereinheit 312 können ein Betriebssystem, verschiedene Programme, verschiedene Tabellen, verschiedene Datenbanken und dergleichen gespeichert werden, die zur Erreichung der Funktionen des Zielgeräts 310 dienen. Außerdem speichert die Speichereinheit 312 das trainierte Modell 312a. Die Tatsache, dass die Speichereinheit 312 das trainierte Modell 312a speichert, bedeutet, dass die Speichereinheit 312 Informationen wie Netzwerkparameter und arithmetische Algorithmen in dem trainierten Modell 312a speichert. Darüber hinaus bedeutet, ebenfalls im Folgenden, das Senden, Empfangen, Lesen oder dergleichen des trainierten Modells auch das Senden, Empfangen, Lesen oder dergleichen der Informationen wie der Netzwerkparameter und der arithmetischen Algorithmen.
Die Kommunikationseinheit 313 besteht beispielsweise aus einem DCM und kommuniziert mit der Servervorrichtung 200 durch drahtlose Kommunikation über das Kommunikationsnetzwerk N. Die Kommunikationseinheit 313 überträgt beispielsweise Einsatzbedingungsdaten an die Servervorrichtung 200.
Die Sensorgruppe 320 besteht aus einer Vielzahl an Sensoren, die einen Zustand und Eigenschaften des Zielfahrzeugs 300 messen. Die Sensorgruppe 320 überträgt die Messergebnisse als Parameterdaten an die Zielvorrichtung 310.
Die Parameterdaten sind Daten, die den Zustand und die Eigenschaften des Zielfahrzeugs 300 repräsentieren, und sind beispielsweise Daten, die einen Zustand und Eigenschaften repräsentieren, die beide mit dem Betrieb des Zielfahrzeugs 300 zusammenhängen. Die Parameterdaten weisen diejenigen auf, die vorstehend als Parameterdaten des Sammelfahrzeugs 100 dargestellt wurden. Das heißt, Beispiele für die Parameterdaten weisen Parameterdaten, die die Eigenschaften des Zielfahrzeugs 300 darstellen, oder Parameterdaten auf, die die Umgebungsbedingungen des Zielfahrzeugs 300 darstellen. Darüber hinaus können alle der dargestellten Parameterdaten die Einsatzbedingungsdaten sein. Beispielsweise wählt die Bedingungsspezifikationseinheit 311b als die Einsatzbedingungsdaten Parameterdaten aus, die bestimmte Parameterdaten beeinflussen, und legt dadurch Einsatzbedingungen fest. Zum Beispiel werden Parameterdaten, die einen hohen Grad an Einfluss auf die spezifischen Parameterdaten haben, bevorzugt als die Einsatzbedingungsdaten ausgewählt.
Die Steuerzielgruppe 330 wird von der Steuereinheit 311c basierend auf den Parameterdaten gesteuert. Die Steuerzielgruppe 330 weist verschiedene Vorrichtungen auf, die auf dem Zielfahrzeug 300 montiert sind, und weist beispielsweise verschiedene Vorrichtungen auf, die mit dem Betrieb des Zielfahrzeugs 300 zusammenhängen. Darüber hinaus kann die Steuerzielgruppe 330 eine Anzeigevorrichtung aufweisen, die Informationen basierend auf Vorhersagen durch die Parameterdaten und das trainierte Modell 312a anzeigt.
Beispiel für ein maschinelles Lernen
Als Nächstes wird Deep Learning unter Verwendung eines neuronalen Netzwerks als ein Beispiel für ein Verfahren des maschinellen Lernens beschrieben, das von der Lerneinheit 213 der Servervorrichtung 200 ausgeführt wird. 2 ist eine schematische Darstellung, die eine Konfiguration des neuronalen Netzwerks zeigt, das von der Lerneinheit 213 gelernt wird. Ein neuronales Netzwerk NN ist ein vorwärtsgerichtetes neuronales Netzwerk und hat eine Eingangsschicht NN1, eine Zwischenschicht NN2 und eine Ausgangsschicht NN3. Die Eingangsschicht NN1 besteht aus einer Vielzahl von Knoten, und in die jeweiligen Knoten werden voneinander verschiedene Eingangsparameter eingegeben. Die Ausgaben der Eingangsschicht NN1 werden in die Zwischenschicht NN2 eingegeben. Die Zwischenschicht NN2 hat eine mehrschichtige Struktur mit einer Schicht, die aus einer Vielzahl von Knoten besteht, die solche Eingaben von der Eingangsschicht NN1 erhalten. Die Ausgangsschicht NN3 empfängt Ausgaben von der Zwischenschicht NN2 und gibt einen Ausgabeparameter aus. Maschinelles Lernen unter Verwendung eines neuronalen Netzes, bei dem die Zwischenschicht NN2 eine mehrschichtige Struktur aufweist, wird als Deep Learning bezeichnet.
3 ist ein Diagramm, das einen Überblick über die Eingaben/Ausgaben an den im neuronalen Netzwerk NN vorgesehenen Knoten zeigt. In 3 ist ein Teil der Eingaben/Ausgaben von Daten in einer Eingangsschicht NN1 mit I Knoten im neuronalen Netzwerk NN, einer ersten Zwischenschicht NN21 mit J Knoten darin und einer zweiten Zwischenschicht NN22 mit K Knoten darin schematisch dargestellt (I, J, K sind positive ganze Zahlen). Ein Eingabeparameter xi (i=1, 2,..., I) wird in einen i-ten Knoten vom oberen Ende der Eingangsschicht NN1 eingegeben. Nachfolgend wird ein Satz aller Eingabeparameter als „Eingabeparameter {x_i}‟ bezeichnet.
Jeder Knoten der Eingangsschicht NN1 gibt ein Signal, das einen Wert hat, der durch Multiplikation des Eingabeparameters mit einem vorbestimmten Gewicht erhalten wird, an jeden Knoten der ersten Zwischenschicht NN21 aus, der diesem benachbart ist. Zum Beispiel gibt der i-te Knoten von der Spitze der Eingangsschicht NN1 ein Signal, das einen Wert α_ijX_i hat, der durch Multiplikation des Eingabeparameters x_i mit einem Gewicht α_ij erhalten wird, an einen j-ten (j=1, 2, ..., J) Knoten von der Spitze der ersten Zwischenschicht NN21 aus. In den j-ten Knoten von der Spitze der ersten Zwischenschicht NN21 wird ein Wert Σ_i=1∼|α_ijX_i+b⁽¹⁾j eingegeben, der durch vollständiges Addieren einer vorbestimmten Bias b⁽¹⁾ _j zu den Ausgaben von den jeweiligen Knoten der Eingangsschicht NN1 erhalten wird. Hier bedeutet Σ_i=1∼| in einem ersten Punkt, die Summe von i=1, 2,..., I zu nehmen.
Ein Ausgabewert y_j des j-ten Knotens vom Anfang der ersten Zwischenschicht NN21 wird ausgedrückt als y_j=S(Σ_i=1∼|αijx_i+b⁽¹⁾ _j) als Funktion eines Eingabewertes Σ_{i=1∼|αijXi}+b⁽¹⁾j von der Eingangsschicht NN1 zu diesem Knoten. Diese Funktion S wird als Aktivierungsfunktion bezeichnet. Beispiele für eine bestimmte Aktivierungsfunktion können die Sigmoidfunktion S(u)=1/{1 + exp (-u)}, die gleichgerichtete lineare Funktion (ReLU)S(u)=max(0, u) und dergleichen sein. Als Aktivierungsfunktion wird häufig eine nichtlineare Funktion verwendet.
Jeder Knoten der ersten Zwischenschicht NN21 gibt ein Signal, das einen Wert hat, der durch Multiplikation des Eingabeparameters mit einem vorbestimmten Gewicht erhalten wird, an jeden daran angrenzenden Knoten der zweiten Zwischenschicht NN22 aus. Zum Beispiel gibt der j-te Knoten von der Spitze der ersten Zwischenschicht NN21 ein Signal, das einen Wert β_jky_j hat, der durch Multiplikation des Eingangsparameters y_j mit einem Gewicht β_ik erhalten wird, an einen k-ten (k=1, 2, ..., K) Knoten von der Spitze der zweiten Zwischenschicht NN22 aus. In den k-ten Knoten von der Spitze der zweiten Zwischenschicht NN22 wird ein Wert Σ_j=1~jβjky_j+b⁽²⁾ _k eingegeben, der durch vollständiges Addieren eines vorbestimmten Bias b⁽²⁾ _k zu den Ausgängen von den jeweiligen Knoten der ersten Zwischenschicht NN21 erhalten wird. Hier bedeutet Σ_j=1∼J in einem ersten Punkt, die Summe von j=1, 2,..., J zu nehmen.
Ein Ausgabewert _Zk des k-ten Knotens vom Anfang der zweiten Zwischenschicht NN22 wird ausgedrückt als z_k=S(Σ_j=1∼Jβ_jky_j+b⁽²⁾ _k) unter Verwendung einer Aktivierungsfunktion, die als Variable den Eingabewert Z_j=i~jβ_jky_j+b⁽²⁾ _k von der ersten Zwischenschicht NN21 zu diesem Knoten nimmt.
Wie vorstehend erwähnt, werden die Eingaben der Signale sequentiell in einer Vorwärtsrichtung von der Eingangsschicht NN1 zur Ausgangsschicht NN3 wiederholt, wobei schließlich ein Ausgabeparameter Y von der Ausgangsschicht NN3 ausgegeben wird. Die Gewichte und die Bias, die in dem neuronalen Netzwerk NN enthalten sind, werden auch als Netzwerkparameter w bezeichnet. Dieser Netzwerkparameter w ist ein Vektor, dessen Komponenten alle Gewichte und Bias des neuronalen Netzwerks NN sind.
Die Lerneinheit 213 führt eine arithmetische Operation zum Aktualisieren des Netzwerkparameters auf der Grundlage des Ausgabeparameters Y, der durch Eingabe des Eingabeparameters {xi} in das neuronale Netzwerk NN berechnet wird, und eines Ausgabeparameters (Zielausgabe) Y₀, der zusammen mit dem Eingabeparameter {xi} einen Eingabe-/Ausgabedatensatz bildet, durch. Konkret wird eine arithmetische Operation zur Minimierung eines Fehlers zwischen den beiden Ausgabeparametern Y und Y₀ durchgeführt, wobei der Netzwerkparameter w aktualisiert wird. In diesem Fall wird häufig der stochastische Gradientenabstieg verwendet. Im Folgenden wird ein Satz ({xi}, Y) des Eingabeparameters {xi} und des Ausgabeparameters Y gemeinsam als „Lehrerdaten“ bezeichnet.
Beim stochastischen Gradientenabstieg wird der Netzwerkparameter w sequentiell aktualisiert wie w'=w-η∇wE(w), w''=w'-η(∇_w’E(w'),..., unter Verwendung einer vorgegebenen Lernrate η, die automatisch oder manuell bestimmt wird. Beachten Sie, dass die Lernrate η während des Lernens geändert werden kann. Die Lerneinheit 213 wiederholt den oben erwähnten Aktualisierungsprozess. So nähert sich die Fehlerfunktion E(w) allmählich einem Minimalpunkt. Beachten Sie, dass im Fall des allgemeineren stochastischen Gradientenabstiegs die Fehlerfunktion E(w) bei jedem Aktualisierungsprozess definiert wird, indem sie zufällig aus Stichproben extrahiert wird, die alle Lehrerdaten enthalten, und auch in der vorliegenden Ausführungsform anwendbar ist.
Prozessablauf in der Sammelvorrichtung und der Servervorrichtung
4 ist ein Sequenzdiagramm, das die in der Sammelvorrichtung 110 und der Servervorrichtung 200 ausgeführten Prozesse illustriert. Die Sequenz wird wiederholt ausgeführt, zum Beispiel in einem vorgegebenen Zyklus. Beachten Sie, dass, obwohl der Prozess einer Sammelvorrichtung 110 in 4 beschrieben ist, der Prozess in ähnlicher Weise in der Sammelvorrichtung 110 jedes Sammelfahrzeugs 100 ausgeführt wird.
Zunächst stellt die Steuereinheit 111 der Sammelvorrichtung 110 in Schritt S101 fest, ob die Erfassungseinheit 111a die zur Erstellung der Lehrerdaten erforderlichen Parameterdaten erfasst hat. Im Falle der Feststellung, dass die Erfassungseinheit 111 a die Parameterdaten nicht erfasst hat (Schritt S101: Nein), beendet die Steuereinheit 111 den Vorgang. Wenn die Steuereinheit 111 feststellt, dass die Erfassungseinheit 111a die Parameterdaten erfasst hat (Schritt S101: Ja), fährt die Sequenz mit Schritt S102 fort.
In Schritt S102 erstellt die Lehrerdaten-Erzeugungseinheit 111c die Lehrerdaten basierend auf den gesammelten Parameterdaten. Wenn zum Beispiel eine Temperatur eines Abgasreinigungskatalysators durch maschinelles Lernen vorhergesagt wird, kann ein Satz der Parameterdaten die Lehrerdaten sein. Die Parameterdaten weisen eine Motordrehzahl, einen Lastfaktor eines Motors, ein Luft-Kraftstoff-Verhältnis des Motors, einen Zündzeitpunkt des Motors, eine HC-Konzentration im Abgas, das in die Abgasreinigung strömt, eine CO-Konzentration darin, und eine Temperatur des Abgasreinigungskatalysators auf. Beim Erzeugen der Lehrerdaten führt die Lehrerdaten-Erzeugungseinheit 111c in geeigneter Weise Vorverarbeitungen durch, wie z. B. das Löschen und Ergänzen fehlender Daten und die Normalisierung und Standardisierung von Daten.
Anschließend, in Schritt S103, erzeugt die Bedingungsspezifikationseinheit 111b Sammelbedingungsdaten, die die Sammelbedingungen der Parameterdaten darstellen, und spezifiziert dadurch die Sammelbedingungen. Beispielsweise wählt die Bedingungsspezifikationseinheit 111b als die Sammlungsbedingungsdaten Parameterdaten aus, die Parameterdaten (Eingabeparameter oder Ausgabeparameter) beeinflussen, die die von der Lehrerdaten-Erzeugungseinheit 111c erzeugten Lehrerdaten bilden, und spezifiziert dadurch die Sammelbedingung. Zum Beispiel werden Parameterdaten, die einen hohen Grad an Einfluss auf die Parameterdaten haben, die die Lehrerdaten bilden, bevorzugt als die Sammelbedingungsdaten ausgewählt.
Anschließend, in Schritt S104, ordnet die Übertragungsdaten-Erzeugungseinheit 111d die Lehrerdaten und die Sammelbedingungsdaten einander zu und erzeugt Übertragungsdaten, die die Lehrerdaten und die Sammelbedingungsdaten aufweisen. Die Übertragungsdaten-Erzeugungseinheit 111d speichert die erzeugten Übertragungsdaten in der Speichereinheit 112.
Anschließend, in Schritt S105, bestimmt die Steuereinheit 111, ob eine vorbestimmte Menge oder mehr der Übertragungsdaten in der Speichereinheit 112 akkumuliert wird. Daten, die eine vorbestimmte Menge darstellen, werden in der Speichereinheit 112 gespeichert. Falls festgestellt wird, dass eine vorbestimmte Menge oder mehr der Daten nicht in der Speichereinheit 112 akkumuliert ist (Schritt S105: Nein), beendet die Steuereinheit 111 den Prozess. Wenn die Steuereinheit 111 feststellt, dass eine vorbestimmte Menge oder mehr der Daten in der Speichereinheit 112 akkumuliert ist (Schritt S105: Ja), fährt die Sequenz mit Schritt S106 fort.
In Schritt S106 liest die Steuereinheit 111 die Übertragungsdaten aus der Speichereinheit 112 und veranlasst die Kommunikationseinheit 113, die Übertragungsdaten zu übertragen. Daher ist der vorbestimmte Betrag in Schritt S105 ein Betrag zum Einstellen des Übertragungszeitpunkts der Übertragungsdaten. Danach endet die Sequenz der Sammelvorrichtung 110.
In der Servervorrichtung 200, wenn die Kommunikationseinheit 230 die von der Kommunikationseinheit 113 übertragenen Übertragungsdaten empfängt, speichert die Steuereinheit 210 die Übertragungsdaten in der Speichereinheit 220 in Schritt S107. Die Speichereinheit 220 speichert eine Vielzahl an Übertragungsdaten, die von der Vielzahl an Sammelvorrichtungen 110 übertragen werden. Das heißt, die Speichereinheit 220 speichert eine Vielzahl an Lehrerdaten, die aus den von der Vielzahl an Sammelvorrichtungen 110 erfassten Parameterdaten erstellt wurden, und Sammelbedingungsdaten, die mit den jeweiligen Lehrerdaten verbunden sind.
Prozessablauf in der Zielvorrichtung und in der Servervorrichtung
5 ist ein Sequenzdiagramm, das Prozesse veranschaulicht, die in der Zielvorrichtung 310 und der Servervorrichtung 200 ausgeführt werden. Die Sequenz wird wiederholt ausgeführt, beispielsweise in einem vorgegebenen Zyklus.
Zunächst bestimmt die Steuereinheit 311 der Zielvorrichtung 310 in Schritt S201, ob die Zielvorrichtung 310 das trainierte Modell empfangen muss. Beispielsweise bestimmt die Steuereinheit 311, dass das trainierte Modell empfangen werden muss, wenn festgestellt wird, dass ein vorbestimmter Zeitraum seit einem Erstellungsdatum und -zeitpunkt des tatsächlich in der Speichereinheit 312 gespeicherten trainierten Modells 312a oder dem vorherigen Aktualisierungsdatum und -zeitpunkt vergangen ist, oder wenn festgestellt wird, dass ein trainiertes Modell erforderlich ist, das sich von dem tatsächlich in der Speichereinheit 312 gespeicherten trainierten Modell 312a unterscheidet. Im Fall der Feststellung, dass das trainierte Modell nicht empfangen werden muss (Schritt S201: Nein), beendet die Steuereinheit 311 den Vorgang. Wenn die Steuereinheit 311 bestimmt, dass das trainierte Modell empfangen werden muss (Schritt S201: Ja), fährt die Sequenz mit Schritt S202 fort.
In Schritt S202 erzeugt die Bedingungsspezifikationseinheit 311b Einsatzbedingungsdaten, die die Einsatzbedingungen des trainierten Modells 321a für das Zielfahrzeug 300 darstellen, und spezifiziert dadurch die Einsatzbedingungen. Zum Beispiel wählt die Bedingungsspezifikationseinheit 311b Parameterdaten aus, die die Eingangsparameter oder den Ausgangsparameter des trainierten Modells 312a beeinflussen, um die Einsatzbedingungsdaten zu erzeugen, und spezifiziert dadurch die Einsatzbedingungen. Beispielsweise werden Parameterdaten, die einen hohen Grad an Einfluss auf die Eingangsparameter oder den Ausgangsparameter des trainierten Modells 312a haben, bevorzugt als die Einsatzbedingungsdaten ausgewählt. Die Bedingungsspezifikationseinheit 311b speichert die erzeugten Einsatzbedingungsdaten in der Speichereinheit 312.
Anschließend, in Schritt S203, liest die Steuereinheit 311 die Einsatzbedingungsdaten aus der Speichereinheit 312 und veranlasst die Kommunikationseinheit 313, die Einsatzbedingungsdaten zu übertragen.
Wenn in der Servervorrichtung 200 die Kommunikationseinheit 230 die von der Kommunikationseinheit 313 übertragenen Einsatzbedingungsdaten empfängt, speichert die Steuereinheit 210 die Einsatzbedingungsdaten in der Speichereinheit 220.
Anschließend, in Schritt S204, wählt die Auswahleinheit 212 der Steuereinheit 210 Sammelbedingungsdaten, die den Einsatzbedingungsdaten nahe sind, unter den Sammelbedingungsdaten aus, die in der Vielzahl an Übertragungsdaten enthalten sind, die in der Speichereinheit 220 gespeichert sind, und wählt ferner Lehrerdaten aus, die mit den ausgewählten Sammelbedingungsdaten verbunden sind. Die ausgewählten Lehrerdaten sind ein Beispiel für spezifische Daten, die von der Auswahleinheit 212 aus den Übertragungsdaten ausgewählt werden.
Die auszuwählenden Sammelbedingungsdaten sind Sammelbedingungsdaten, die um mehr als eine vorbestimmte Referenz zu den Einsatzbedingungsdaten nahe sind. Die Nähe zwischen den Einsatzbedingungsdaten und den Sammelbedingungsdaten wird mit verschiedenen Indizes bestimmt, z. B. mit einem Abstand zwischen den Daten, einem Ähnlichkeitsgrad und einem Korrelationskoeffizienten. Darüber hinaus wird die vorgegebene Referenz z. B. entsprechend der erforderlichen Lerngenauigkeit eingestellt und z. B. vorab in der Speichereinheit 220 gespeichert.
Anschließend, in Schritt S205, führt die Lerneinheit 213 der Steuereinheit 210 maschinelles Lernen durch das vorstehend erwähnte Verfahren oder dergleichen unter Verwendung der ausgewählten Lehrerdaten durch und erzeugt ein trainiertes Modell. Die Steuereinheit 210 speichert das erzeugte trainierte Modell in der Speichereinheit 220.
Anschließend, in Schritt S206, liest die Steuereinheit 210 das trainierte Modell aus der Speichereinheit 220 und veranlasst die Kommunikationseinheit 230, das trainierte Modell zu übertragen. Danach beendet die Servervorrichtung 200 den Prozess.
Anschließend, in Schritt S207, empfängt die Kommunikationseinheit 313 der Zielvorrichtung 310 das trainierte Modell von der Servervorrichtung 200, und die Steuereinheit 311 speichert das trainierte Modell in der Speichereinheit 312 und reflektiert das trainierte Modell an die Zielvorrichtung 310. Es ist anzumerken, dass in der vorliegenden Ausführungsform das trainierte Modell 312a im Voraus in der Speichereinheit 312 gespeichert wird. In diesem Fall wird das trainierte Modell z. B. wie folgt an das Zielgerät 310 reflektiert. Das heißt, die Steuereinheit 311 kann zum Beispiel einen Aktualisierungsprozess durchführen, bei dem ein solches vorheriges trainiertes Modell gelöscht und das gelöschte trainierte Modell durch ein neuestes trainiertes Modell ersetzt wird, das von der Servervorrichtung 200 empfangen wurde, wobei das neuestes trainierte Modell als das trainierte Modell 312a dient. Darüber hinaus kann die Steuereinheit 311 ein neues trainiertes Modell 312a konstruieren, indem sie einen Akkumulationsprozess des Schreibens eines neuesten trainierten Modells durchführt, während sie einen Teil oder das gesamte vorherige trainierte Modell belässt. Danach beendet die Zielvorrichtung 310 den Prozess.
Die Zielvorrichtung 310 kann zum Beispiel eine geeignetere Steuerung der Steuerungszielgruppe 330 unter Verwendung des von der Servervorrichtung 200 erzeugten trainierten Modells durchführen.
In dem vorstehenden beschriebenen System für maschinelles Lernen 1000 mit der Vorrichtung für maschinelles Lernen werden, wenn das trainierte Modell zum Einsatz in dem Zielfahrzeug 300 erzeugt wird, die Lehrerdaten, die mit den Sammelbedingungen nahe den Einsatzbedingungen des trainierten Modells verbunden sind, aus den Lehrerdaten ausgewählt, die aus den Parameterdaten erzeugt werden, die in der Sammelvorrichtung 110 für die Vielzahl an Sammelfahrzeugen 100 gesammelt werden, und das maschinelle Lernen wird unter Verwendung der ausgewählten Daten durchgeführt. Als Ergebnis kann eine Vorrichtung für maschinelles Lernen erreicht werden, die eine hohe Lerngenauigkeit aufweist, während die Parameterdaten von der Vielzahl an Sammelfahrzeuge 100 erfasst werden und die Anzahl der Lehrerdaten erhöht wird.
Darüber hinaus weisen die Sammelbedingungen mindestens eine der Bedingungen auf, die die Eigenschaften des Sammelfahrzeugs 100, die Einsatzbedingungen des Sammelfahrzeugs 100 und die Umgebungsbedingungen des Sammelfahrzeugs 100 darstellen, und die Einsatzbedingungen weisen mindestens eine der Bedingungen auf, die die Eigenschaften des Zielfahrzeugs 300 und die Umgebungsbedingungen des Zielfahrzeugs 300 darstellen, und dementsprechend können die Lehrerdaten basierend auf verschiedenen Sammelbedingungen oder Einsatzbedingungen ausgewählt werden.
Da die Vorrichtung für maschinelles Lernen außerdem die Kommunikationseinheit 230 aufweist, die das trainierte Modell an das Zielfahrzeug 300 überträgt, kann das Zielfahrzeug 300 das von der Vorrichtung für maschinelles Lernen übertragene trainierte Modell im Zielfahrzeug 300 selbst verwenden.
Weiterhin kann die Servervorrichtung 200 in dem System für maschinelles Lernen 1000 die Daten für das maschinelle Lernen zentral erfassen und das trainierte Modell erstellen.
Da die Sammelvorrichtung 110 außerdem die Lehrerdaten-Erzeugungseinheit 111c aufweist, kann die Sammelvorrichtung 110 sowohl die Funktion zur Erzeugung der Lehrerdaten als auch die Funktion zur Sammlung der Parameterdaten übernehmen.
Es ist anzumerken, dass in der vorstehenden Ausführungsform die Sammelvorrichtung 110 die Lehrerdaten-Erzeugungseinheit 111c aufweist; die Vorrichtung für maschinelles Lernen kann jedoch auch die Lehrerdaten-Erzeugungseinheit aufweisen. In diesem Fall überträgt die Sammelvorrichtung als Übertragungsdaten dritte Daten einschließlich der ersten Daten, die die erfassten Parameterdaten sind, und der zweiten Daten, die die Sammelbedingungsdaten der Parameterdaten sind und mit den ersten Daten verknüpft sind, an die Vorrichtung für maschinelles Lernen. In der Vorrichtung für maschinelles Lernen wählt die Auswahleinheit spezifische Daten aus den dritten Daten aus, und die Lehrerdaten-Erzeugungseinheit erzeugt Lehrerdaten basierend auf den spezifischen Daten. Darüber hinaus können die Sammelvorrichtung und die Vorrichtung für maschinelles Lernen die Lehrerdatenerstellungsfunktion in einer verteilten Weise haben. In diesem Fall können die ersten Daten sowohl die Parameterdaten als auch die Lehrerdaten aufweisen.
Darüber hinaus kann die Vorrichtung für maschinelles Lernen in einer anderen Vorrichtung als der mit dem Kommunikationsnetzwerk N verbundenen Servervorrichtung vorgesehen sein, und die Komponenten der Vorrichtung für maschinelles Lernen können in einer Vielzahl an anderen Vorrichtungen vorgesehen sein, die mit dem Kommunikationsnetzwerk N in einer verteilten Weise verbunden sind. Die anderen Vorrichtungen sind zum Beispiel Sammelvorrichtungen, Zielvorrichtungen, andere Computervorrichtungen oder dergleichen.
Darüber hinaus kann die Sammelvorrichtung, ohne auf dem Sammelfahrzeug montiert zu sein, die Parameterdaten von den Sammelfahrzeugen über das Kommunikationsnetzwerk sammeln.
Weiterhin können in der vorstehenden Ausführungsform die Sammelfahrzeuge und das Zielfahrzeug durch andere Transportvorrichtungen und Robotervorrichtungen ersetzt werden.
Es ist anzumerken, dass die vorliegende Erfindung nicht auf die vorstehenden Ausführungsformen beschränkt ist. Die vorliegende Erfindung weist Modifikationen auf, die vorzugsweise durch Kombination der oben beschriebenen Elemente gebildet werden. Darüber hinaus können weitere Effekte und modifizierte Ausführungsbeispiele von einem Fachmann leicht abgeleitet werden. Daher sind weitere Ausführungsformen der vorliegenden Erfindung nicht auf die oben beschriebenen Ausführungsformen beschränkt, und es können verschiedene Modifikationen vorgenommen werden.

200:: Servervorrichtung (Vorrichtung für maschinelles Lernen)
211:: Erfassungseinheit
212:: Auswahleinheit
213:: Lerneinheit

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

JP 2019183698 A [0002]

Claims

Vorrichtung für maschinelles Lernen, mit: einer Erfassungseinheit, die dritte Daten erfasst, die erste Daten und zweite Daten enthalten, wobei die ersten Daten Parameterdaten, die für eine Vielzahl an Sammelgeräten gesammelt wurden, und/oder Lehrerdaten, die aus den Parameterdaten erzeugt wurden, aufweisen, und wobei die zweiten Daten den ersten Daten zugeordnet sind und Sammelbedingungen der Parameterdaten darstellen; einer Auswahleinheit, die spezifische Daten aus den dritten Daten auswählt; und einer Lerneinheit, die ein maschinelles Lernen unter Verwendung der spezifischen Daten durchführt und ein trainiertes Modell erzeugt, das für ein Zielgerät zu verwenden ist, wobei die Auswahleinheit die spezifischen Daten auswählt, die den Sammelbedingungen zugeordnet sind, bei denen eine Differenz zwischen Einsatzbedingungen des trainierten Modells für das Zielgerät und den Sammelbedingungen in den Sammelgeräten kleiner oder gleich eine vorbestimmte Referenz ist.
Vorrichtung für maschinelles Lernen nach Anspruch 1, wobei die Sammelbedingungen eine Bedingung, die Eigenschaften der Sammelgeräte repräsentiert, eine Einsatzbedingung der Sammelgeräte und/oder eine Umgebungsbedingung der Sammelgeräte aufweisen, und die Einsatzbedingungen eine Bedingung, die Eigenschaften des Zielgeräts repräsentiert, und/oder eine Umgebungsbedingung des Zielgeräts aufweisen.
Vorrichtung für maschinelles Lernen nach Anspruch 1 oder 2, ferner mit einer Kommunikationseinheit, die das trainierte Modell an das Zielgerät überträgt.
System für maschinelles Lernen, mit: einer Sammelvorrichtung, die die Parameterdaten der Sammelgeräte sammelt; einer Zielvorrichtung, die das trainierte Modell in dem Zielgerät verwendet; und die Vorrichtung für maschinelles Lernen nach einem der Ansprüche 1 bis 3.
System für maschinelles Lernen nach Anspruch 4, wobei das Sammelgerät oder das Zielgerät ein Transportgerät ist.
System für maschinelles Lernen nach Anspruch 4 oder 5, wobei die Vorrichtung für maschinelles Lernen in einer Servervorrichtung vorgesehen ist.
System für maschinelles Lernen nach einem der Ansprüche 4 bis 6, wobei die Sammelvorrichtung eine Lehrerdaten-Erzeugungseinheit aufweist, die die Lehrerdaten aus den Parameterdaten erzeugt.
Verfahren für maschinelles Lernen, mit den Schritten: Erfassen von dritten Daten, die erste Daten und zweite Daten aufweisen, wobei die ersten Daten Parameterdaten, die für eine Vielzahl von Sammelgeräten gesammelt wurden, und/oder Lehrerdaten, die aus den Parameterdaten erzeugt wurden, aufweisen, und wobei die zweiten Daten den ersten Daten zugeordnet sind und Sammelbedingungen der Parameterdaten darstellen; Speichern der dritten Daten in einer Speichereinheit; Auswählen spezifischer Daten aus den dritten Daten; und Durchführen von maschinellem Lernen unter Verwendung der spezifischen Daten, die aus der Speichereinheit gelesen werden, und Erzeugen eines trainierten Modells zum Einsatz in einem Zielgerät, wobei die spezifischen Daten ausgewählt werden, wobei die spezifischen Daten den Sammelbedingungen zugeordnet sind, bei denen eine Differenz zwischen den Einsatzbedingungen des trainierten Modells für das Zielgerät und den Sammelbedingungen in den Sammelgeräten kleiner oder gleich eine vorbestimmte Referenz ist.
Programm, um einen Prozessor mit Hardware zu Folgendem zu veranlassen: Erfassen von dritten Daten, die erste Daten und zweite Daten aufweisen, wobei die ersten Daten Parameterdaten, die für eine Vielzahl an Sammelgeräten gesammelt wurden, und/oder Lehrerdaten, die aus den Parameterdaten erzeugt wurden, aufweisen, und wobei die zweiten Daten den ersten Daten zugeordnet sind und Sammelbedingungen der Parameterdaten darstellen; Speichern der dritten Daten in einer Speichereinheit; Auswählen spezifischer Daten aus den dritten Daten; und Durchführen von maschinellem Lernen unter Verwendung der aus der Speichereinheit ausgelesenen spezifischen Daten durchzuführen und Erzeugen eines trainierten Modells zum Einsatz in einem Zielgerät, wobei die spezifischen Daten ausgewählt werden, wobei die spezifischen Daten den Sammelbedingungen zugeordnet sind, bei denen eine Differenz zwischen den Einsatzbedingungen des trainierten Modells für das Zielgerät und den Sammelbedingungen in den Sammelgeräten kleiner oder gleich eine vorbestimmte Referenz ist.