DE102021120257A1 - Server, steuervorrichtung für ein fahrzeug und maschinelles lernsystem für ein fahrzeug - Google Patents

Server, steuervorrichtung für ein fahrzeug und maschinelles lernsystem für ein fahrzeug Download PDF

Info

Publication number
DE102021120257A1
DE102021120257A1 DE102021120257.4A DE102021120257A DE102021120257A1 DE 102021120257 A1 DE102021120257 A1 DE 102021120257A1 DE 102021120257 A DE102021120257 A DE 102021120257A DE 102021120257 A1 DE102021120257 A1 DE 102021120257A1
Authority
DE
Germany
Prior art keywords
vehicle
learned model
server
computing power
processor
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
DE102021120257.4A
Other languages
English (en)
Inventor
Daiki Yokoyama
Ryo Nakabayashi
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 DE102021120257A1 publication Critical patent/DE102021120257A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G07CHECKING-DEVICES
    • G07CTIME 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
    • G07C5/00Registering or indicating the working of vehicles
    • G07C5/008Registering or indicating the working of vehicles communicating information to a remotely located station
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0208Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/0213Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26Power supply means, e.g. regulation thereof
    • G06F1/32Means for saving power
    • G06F1/3203Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3206Monitoring of events, devices or parameters that trigger a change in power modality
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00Arrangements for program control, e.g. control units
    • G06F9/06Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/30Arrangements for executing machine instructions, e.g. instruction decode
    • G06F9/34Addressing or accessing the instruction operand or the result ; Formation of operand address; Addressing modes
    • G06F9/355Indexed addressing
    • G06F9/3555Indexed addressing using scaling, e.g. multiplication of index
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/082Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/088Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Traffic Control Systems (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

Ein Server (200) weist einen Prozessor (212) auf, der so konfiguriert ist, dass er: einen Datensatz von einem Fahrzeug (100) empfängt; eine Vielzahl von gelernten Modellen mit unterschiedlichen Umfängen durch Durchführen von maschinellem Lernen unter Verwendung des Datensatzes erzeugt; von dem Fahrzeug (100) eine Information über eine Rechenleistung einer elektronischen Steuereinheit (150), die das Fahrzeug (100) durch Anwenden des gelernten Modells steuert, empfängt; und das gelernte Modell zu dem Fahrzeug (100) überträgt, wobei der Prozessor (212) so konfiguriert ist, dass er das gelernte Modell mit einem größeren Umfang zu dem Fahrzeug, das mit der elektronischen Steuervorrichtung ausgestattet ist, die eine hohe Rechenleistung aufweist, als zu dem Fahrzeug, das mit der elektronischen Steuervorrichtung ausgestattet ist, die eine niedrige Rechenleistung aufweist, überträgt.

Description

  • Hintergrund der Erfindung
  • 1. Technisches Gebiet
  • Die vorliegende Erfindung betrifft einen Server, eine Steuervorrichtung für ein Fahrzeug und ein maschinelles Lernsystem für ein Fahrzeug.
  • 2. Stand der Technik
  • Es ist eine Technologie bekannt, bei der in einem Fahrzeug erlangte Daten durch eine Kommunikationseinheit eines Servers empfangen werden, ein Datensatz unter Verwendung der empfangenen Daten erzeugt wird, ein Lernen gemäß dem Datensatz durchgeführt wird und das gelernte Modell von dem Server zu dem Fahrzeug übertragen wird (siehe zum Beispiel JP 2019 - 183 698 A ).
  • Zusammenfassung der Erfindung
  • Jedoch variieren die Typen von Fahrzeugen, die das gelernte Modell von dem Server empfangen, und die Rechenleistung eines fahrzeugeigenen Computers, mit dem jedes Fahrzeug ausgestattet ist, variiert ebenfalls. Wenn der Server das gelernte Modell jedem Fahrzeug einheitlich bzw. in gleicher Weise bereitstellt, ohne die Rechenleistung des fahrzeugeigenen Computers zu berücksichtigen, ist eine Möglichkeit vorhanden, dass das gelernte Modell nicht in einem Fahrzeug verwendet werden kann, das mit einem fahrzeugeigenen Computer ausgestattet ist, der eine relativ niedrige Rechenleistung aufweist.
  • In Hinblick auf die obige Problemstellung ist es eine Aufgabe der vorliegenden Erfindung, einen Server, eine Steuervorrichtung für ein Fahrzeug und ein maschinelles Lernsystem bzw. System zum maschinellen Lernen für ein Fahrzeug bereitzustellen, die die Verwendung eines gelernten Modells gemäß der Rechenleistung der Steuervorrichtung, die in dem Fahrzeug bereitgestellt ist, ermöglichen.
  • Der Umfang der vorliegenden Erfindung ist wie folgt.
  • Ein Aspekt der vorliegenden Erfindung betrifft einen Server, der einen Prozessor aufweist, der so konfiguriert ist, dass er: einen Datensatz von einem Fahrzeug empfängt; eine Vielzahl von gelernten Modellen mit unterschiedlichen Umfängen bzw. Dimensionen durch Durchführen von maschinellem Lernen unter Verwendung des Datensatzes erzeugt; von dem Fahrzeug eine Information über eine Rechenleistung einer elektronischen Steuereinheit, die das Fahrzeug durch Anwendung des gelernten Modells steuert, empfängt; und das gelernte Modell zu dem Fahrzeug überträgt, wobei der Prozessor so konfiguriert ist, dass er das gelernte Modell mit einem größeren Umfang zu dem Fahrzeug, das mit der elektronischen Steuereinheit ausgestattet ist, die eine hohe Rechenleistung aufweist, als bzw. anstelle zu dem Fahrzeug, das mit der elektronischen Steuereinheit ausgestattet ist, die eine niedrige Rechenleistung aufweist, überträgt.
  • In dem obigen Aspekt kann der Prozessor so konfiguriert sein, dass er das maschinelle Lernen durch ein neuronales Netzwerk durchführt.
  • In dem obigen Aspekt kann der Umfang des gelernten Modells größer sein, wenn die Anzahl von versteckten Schichten oder die Anzahl von Knoten, die in den versteckten Schichten vorhanden sind, ansteigt.
  • In dem obigen Aspekt kann der Prozessor so konfiguriert sein, dass er: das gelernte Modell für jede Region, in der das Fahrzeug fährt, erzeugt, wobei das gelernte Modell einen größeren Umfang aufweist, wenn die Region größer ist; und das gelernte Modell, das der Region entspricht, in dem das Fahrzeug gegenwärtig fährt, auf Grundlage einer Positionsinformation des Fahrzeugs überträgt.
  • In dem obigen Aspekt kann der Prozessor so konfiguriert sein, dass er das gelernte Modell mit einer höheren Übertragungshäufigkeit zu dem Fahrzeug, das mit elektronischen Steuereinheit, die eine niedrigere Rechenleistung aufweist, als zu dem Fahrzeug, das mit einer elektronischen Steuereinheit ausgestattet ist, die eine hohe Rechenleistung aufweist, überträgt.
  • Ein anderer Aspekt der vorliegenden Erfindung betrifft eine Steuervorrichtung für ein Fahrzeug, die das Fahrzeug durch Anwenden eines gelernten Modells steuert, wobei die Steuervorrichtung einen Prozessor aufweist, der so konfiguriert ist, dass er: eine Information über eine Rechenleistung der Steuervorrichtung zu einem Server überträgt; das gelernte Modell mit einem Umfang, der der Rechenleistung entspricht, von dem Server empfängt; und das Fahrzeug durch Anwenden des gelernten Modells mit dem Umfang, der der Rechenleistung entspricht, steuert, wobei das gelernte Modell von dem Server empfangen wird.
  • In dem obigen Aspekt kann der Prozessor so konfiguriert sein, dass er: einen Datensatz zu dem Server überträgt; und das gelernte Modell, das durch den Server durch Durchführen von maschinellem Lernen unter Verwendung des Datensatzes erzeugt wird, empfängt.
  • In dem obigen Aspekt kann der Server das maschinelle Lernen durch ein neuronales Netzwerk durchführen und der Umfang des gelernten Modells kann größer sein, wenn die Anzahl von versteckten Schichten oder die Anzahl von Knoten, die in den versteckten Schichten vorhanden sind, ansteigt.
  • In dem obigen Aspekt kann der Prozessor so konfiguriert sein, dass er: das gelernte Modell, das einer Region entspricht, in der das Fahrzeug gegenwärtig fährt, für jede Region, in der das Fahrzeug fährt, empfängt; und das gelernte Modell mit einem größeren Umfang empfängt, wenn die Region größer ist.
  • In dem obigen Aspekt kann der Prozessor so konfiguriert sein, dass er das gelernte Modell mit einer höheren Empfangshäufigkeit empfängt, wenn die Rechenleistung niedriger ist.
  • Ein anderer Aspekt der vorliegenden Erfindung betrifft ein maschinelles Lernsystem für ein Fahrzeug, wobei das maschinelle Lernsystem aufweist: einen Server, der ein gelerntes Modell durch Durchführen eines Lernens unter Verwendung eines Datensatzes, der von dem Fahrzeug empfangen wird, durchführt; und eine Steuervorrichtung für das Fahrzeug zum Steuern des Fahrzeugs durch Anwenden des gelernten Modells, wobei: die Steuervorrichtung einen ersten Prozessor aufweist, der so konfiguriert ist, dass er: den Datensatz zu dem Server überträgt; eine Information über eine Rechenleistung der Steuervorrichtung zu dem Server überträgt; das gelernte Modell mit einem Umfang, der der Rechenleistung entspricht, von dem Server empfängt; und das Fahrzeug durch Anwenden des gelernten Modells mit dem Umfang, der der Rechenleistung entspricht, steuert, wobei das gelernte Modell von dem Server empfangen wird; und der Server einen zweiten Prozessor aufweist, der so konfiguriert ist, dass er: den Datensatz von dem Fahrzeug empfängt; eine Vielzahl von gelernten Modellen mit unterschiedlichen Umfängen durch Durchführen von maschinellem Lernen unter Verwendung des Datensatzes erzeugt; eine Information über die Rechenleistung der Steuervorrichtung von dem Fahrzeug empfängt; das gelernte Modell zu dem Fahrzeug überträgt; und das gelernte Modell mit einem größeren Umfang zu dem Fahrzeug, das mit der Steuervorrichtung ausgestattet ist, die eine hohe Rechenleistung aufweist, als zu dem Fahrzeug, das mit der Steuervorrichtung ausgestattet ist, die eine niedrige Rechenleistung aufweist, überträgt.
  • In dem obigen Aspekt kann der zweite Prozessor so konfiguriert sein, dass er das maschinelle Lernen durch ein neuronales Netzwerk durchführt.
  • In dem obigen Aspekt kann der Umfang des gelernten Modells größer sein, wenn die Anzahl von versteckten Schichten oder die Anzahl von Knoten, die in den versteckten Schichten vorhanden sind, ansteigt.
  • In dem obigen Aspekt kann der zweite Prozessor so konfiguriert sein, dass er: das gelernte Modell für jede Region, in der das Fahrzeug fährt, erzeugt; das gelernte Modell mit einem größeren Umfang erzeugt, wenn die Region größer ist; und das gelernte Modell, das der Region entspricht, in der das Fahrzeug gegenwärtig fährt, auf Grundlage einer Positionsinformation des Fahrzeugs überträgt; und der erste Prozessor kann so konfiguriert sein, dass er das gelernte Modell, das der Region entspricht, in der das Fahrzeug gegenwärtig fährt, für jede Region, in der das Fahrzeug fährt, empfängt.
  • In dem obigen Aspekt kann der zweite Prozessor so konfiguriert sein, dass er das gelernte Modell mit einer höheren Übertragungshäufigkeit zu dem Fahrzeug, das mit der Steuervorrichtung ausgestattet ist, die eine niedrige Rechenleistung aufweist, als zu dem Fahrzeug, das mit der Steuervorrichtung ausgestattet ist, die eine hohe Rechenleistung aufweist, überträgt; und der erste Prozessor kann so konfiguriert sein, dass er das gelernte Modell mit einer höheren Empfangshäufigkeit empfängt, wenn die Rechenleistung niedriger ist.
  • Gemäß der vorliegenden Erfindung ist es möglich, das gelernte Modell zu dem Fahrzeug gemäß der Rechenleistung der Steuervorrichtung, die in dem Fahrzeug vorhanden ist, bereitzustellen.
  • Figurenliste
  • Merkmale, Vorteile sowie technische und industrielle Bedeutung von beispielhaften Ausführungsformen der Erfindung werden nachfolgend unter Bezugnahme auf die beigefügten Figuren, in denen dieselben Bezugszeichen dieselben Elemente bezeichnen, beschrieben. Es zeigen:
    • 1 ein schematisches Diagramm, das eine Konfiguration eines maschinellen Lernsystems für ein Fahrzeug gemäß einer Ausführungsform zeigt,
    • 2 ein schematisches Diagramm, das eine Konfiguration eines Fahrzeugsteuersystems, das an dem Fahrzeug angebracht ist, zeigt,
    • 3 ein schematisches Diagramm, das eine Konfiguration eines Servers zeigt,
    • 4 ein schematisches Diagramm, das sowohl funktionale Blöcke eines Prozessors einer elektronischen Steuereinheit (ECU), die in dem Fahrzeug bereitgestellt ist, als auch funktionale Blöcke eines Prozessors einer Steuervorrichtung, die in dem Server bereitgestellt ist, zeigt,
    • 5 ein schematisches Diagramm, das eine Karte zeigt, die die Beziehung zwischen der Rechenleistung der ECU und dem Umfang eines gelernten Modells vorab definiert,
    • 6 ein schematisches Diagramm, das eine Tabelle zeigt, die durch eine Modellumfang-Bestimmungseinheit verwendet wird, um die Rechenleistung von einer Spezifikationsinformation der ECU zu erhalten,
    • 7 ein schematisches Diagramm, das ein Beispiel eines neuronalen Netzwerks zeigt, das durch eine Lerneinheit verwendet wird, die ein Lernen auf Grundlage eines Datensatzes durchführt, um das gelernte Modell zu erzeugen,
    • 8 ein Ablaufdiagramm, das Verarbeitungen zeigt, die durch die ECU, die in dem Fahrzeug bereitgestellt ist, und die Steuervorrichtung, die in dem Server bereitgestellt ist, durchgeführt werden,
    • 9 ein schematisches Diagramm, das ein Beispiel zeigt, in dem gelernte Modelle mit unterschiedlichen Umfängen mit Regionen gemäß der Größe der Regionen assoziiert sind, und
    • 10 ein schematisches Diagramm, das ein Beispiel zeigt, in dem gelernte Modelle mit unterschiedlichen Umfängen mit Regionen gemäß der Größe der Regionen assoziiert sind.
  • Detaillierte Beschreibung von Ausführungsformen
  • Nachfolgend werden mehrere Ausführungsformen gemäß der vorliegenden Erfindung unter Bezugnahme auf die Figuren beschrieben. Jedoch sind diese Beschreibungen lediglich dafür vorgesehen, bevorzugte Ausführungsformen der vorliegenden Erfindung darzustellen und sind nicht dafür vorgesehen, die vorliegende Erfindung auf derartig besondere Ausführungsformen zu begrenzen.
  • 1 ist ein schematisches Diagramm, dass eine Konfiguration eines maschinelles Lernsystems 1000 für ein Fahrzeug gemäß einer Ausführungsform zeigt.
  • Das maschinelle Lernsystem 1000 weist eine Vielzahl von Fahrzeugen 100 und einen Server 200 auf. Die Fahrzeuge 100 sind manuell gefahrene Fahrzeuge, die durch einen Fahrer manuell gefahren werden, autonome Fahrzeuge, die autonom fahren können, und dergleichen. Jedes Fahrzeug 100 und der Server 200 können über ein Kommunikationsnetzwerk 300, das durch eine optische Kommunikationsleitung oder dergleichen gebildet wird, und eine Funkbasisstation 400, die mit dem Kommunikationsnetzwerk 300 über ein Gateway (nicht gezeigt) verbunden ist, miteinander kommunizieren. Das heißt, die Funkbasisstation 400 vermittelt die Kommunikation zwischen jedem Fahrzeug 100 und dem Server 200.
  • Jedes Fahrzeug 100 sammelt verschiedene Typen einer Information, wie etwa ein Bild, das durch eine fahrzeugeigene Kamera aufgenommen wird, eine Information, die einen Fahrzustand darstellt, und eine Information, die die Umgebung um das Fahrzeug herum darstellt, erzeugt Lerndatensätze von dieser Information und überträgt die Datensätze an den Server 200. Der Server 200 ist in einem Managementcenter bereitgestellt. Das Managementcenter veranlasst den Server 200, die Datensätze zu lernen, und stellt die gelernten Modelle, die als ein Ergebnis des Lernens erhalten werden, dem Fahrzeug 100 unter Verwendung des Servers 200 bereit. Ein Lernen auf dem Server 200 wird durch maschinelles Lernen, wie etwa Deep Learning, bereitgestellt. Zusätzlich dazu kann das Managementcenter verschiedene Verarbeitungen zum Steuern jedes Fahrzeugs 100 unter Verwendung des Servers 200 durchführen.
  • Der Server 200 führt ein Lernen auf Grundlage der Datensätze, die von den Fahrzeugen 100 erlangt werden, durch und stellt die gelernten Modelle jedem Fahrzeug 100 bereit. Der Server 200 kann alternativ ein Lernen auf Grundlage der Datensätze, die von einem spezifischen Fahrzeug 100 erlangt werden, durchführen und dem spezifischen Fahrzeug 100 ein gelerntes Modell, das für das spezifische Fahrzeug 100 spezialisiert ist, bereitstellen. Der Server 200 kann ferner einem Fahrzeug 100, das den Lerndatensatz zu dem Server 200 noch nicht übertragen hat, ein gelerntes Modell bereitstellen, das auf Grundlage eines Datensatzes erzeugt wurde, der von einem anderen Fahrzeug 100 erlangt wurde.
  • Die Leistungsfähigkeit der Fahrzeuge 100, die mit dem Server 200 kommunizieren, variiert. Ein fahrzeugeigener Computer, der in jedem der Fahrzeuge 100 bereitgestellt ist, unterscheidet sich in Abhängigkeit der Leistungsfähigkeit des Fahrzeugs 100. Je höher die Leistungsfähigkeit des Fahrzeugs 100 ist, desto anspruchsvoller und präziser wird tendenziell die Steuerung des Fahrzeugs durchgeführt, so dass tendenziell ein fahrzeugeigener Computer mit höherer Rechenleistung angebracht ist.
  • In Bezug auf das gelernte Modell, das von dem Server 200 für das Fahrzeug 100 bereitgestellt wird, gilt, je größer der Umfang des gelernten Modells ist, desto komplizierter ist das Modell, das für eine anspruchsvolle und präzise Fahrzeugsteuerung geeignet ist. Der Umfang des gelernten Modells ist ein Wert, der der Rechenleistung (Rechenlast), die für eine Verwendung des gelernten Modells erforderlich ist, entspricht. Wenn das gelernte Modell durch ein neuronales Netzwerk gebildet ist, wird der Umfang des gelernten Modells durch die Anzahl von versteckten Schichten und die Anzahl von Knoten, die in den versteckten Schichten vorhanden sind, dargestellt. Je größer die Anzahl von versteckten Schichten und die in den versteckten Schichten vorhandene Anzahl von Knoten sind, desto größer ist der Umfang des gelernten Modells. Als ein Beispiel wird der Umfang des gelernten Modells durch Multiplizieren der durchschnittlichen Anzahl von Knoten, die pro versteckter Schicht vorhanden sind, mit der Anzahl von versteckten Schichten erhalten. Wenn die Anzahl von versteckten Schichten und die Anzahl von Knoten in den versteckten Schichten in dem gelernten Modell ansteigt, steigt die Anzahl von Gewichtungskoeffizienten und die Anzahl von Bias, die durch ein Lernen bestimmt werden, an, was in einem Modell resultiert, das den tatsächlichen Zustand genauer darstellt. Folglich ist ein gelerntes Modell mit einem größeren Umfang für eine anspruchsvollere und präzisere Fahrzeugsteuerung besser geeignet. Der Umfang des gelernten Modells wird durch die Anzahl von Gewichtungskoeffizienten und die Anzahl von Bias, die durch ein Lernen bestimmt werden, ebenfalls dargestellt. Je größer die Anzahl von Gewichtungskoeffizienten und die Anzahl von Bias sind, desto größer ist der Umfang des gelernten Modells.
  • Wenn der Umfang des gelernten Modells die Rechenleistung des fahrzeugeigenen Computers überschreitet, ist eine Möglichkeit vorhanden, dass der fahrzeugeigenen Computer Berechnungen des umfangreichen und komplizierten gelernten Modells nicht durchführen kann und eine Fahrzeugsteuerung durch Anwenden des gelernten Modells nicht durchgeführt werden kann. Wenn ferner der Umfang des gelernten Modells zu klein für die Rechenleistung des fahrzeugeigenen Computers ist, kann die Genauigkeit einer Fahrzeugsteuerung durch Anwenden des gelernten Modells abnehmen. Folglich ist es vorzuziehen, dass dem Fahrzeug 100 ein gelerntes Modell bereitgestellt wird, das für die Rechenleistung des fahrzeugeigenen Computers des individuellen Fahrzeugs 100 geeignet ist.
  • In der folgenden Ausführungsform wird eine Spezifikationsinformation, die die Rechenleistung des fahrzeugeigenen Computers angibt, von dem Fahrzeug 100 zu dem Server 200 übertragen. Auf Grundlage der Spezifikationsinformation überträgt der Server 200 ein gelerntes Modell mit einem Umfang, der der Rechenleistung des fahrzeugeigenen Computers entspricht, an das Fahrzeug 100. Der Server 200 überträgt insbesondere ein gelerntes Modell mit einem größeren Umfang, wenn die Rechenleistung des fahrzeugeigenen Computers hoch ist, als wenn die Rechenleistung niedrig ist. Dies vermeidet die Situation, in der eine Fahrzeugsteuerung durch das gelernte Modell aufgrund der fehlenden Rechenleistung des fahrzeugeigenen Computers nicht durchgeführt werden kann. Ferner wird eine Fahrzeugsteuerung durch Anwenden des gelernten Modells durchgeführt, indem die Rechenleistung des fahrzeugeigenen Computers bestmöglich genutzt wird.
  • 2 ist ein schematisches Diagramm, das eine Konfiguration eines Fahrzeugsteuersystems zeigt, das an dem Fahrzeug 100 angebracht ist. Das Fahrzeugsteuersystem weist eine fahrzeugeigenen Kamera 110, eine Positionsbestimmungsinformation-Empfangseinheit 120, eine Fahrzeugsteuervorrichtung 130, einen kabellosen Anschluss 140, eine elektronische Steuereinheit (ECU) 150, einen Umgebungsinformation-Erlangungssensor 160 und einen Fahrzustandsinformation-Erlangungssensor 170 auf. Die fahrzeugeigene Kamera 110, die Positionsbestimmungsinformation-Empfangseinheit 120, die Fahrzeugsteuervorrichtung 130, der kabellose Anschluss 140, die ECU 150, der Umgebungsinformation-Erlangungssensor 160 und der Fahrzustandsinformation-Erlangungssensor 170 sind derart verbunden, dass eine Kommunikation über ein fahrzeugeigenes Netzwerk, das Standards, wie etwa Controller Area Network (CAN) und Ethernet (registrierte Marke) entspricht, möglich ist. In der vorliegenden Ausführungsform weist jedes Fahrzeug 100 dieselbe Konfiguration in Bezug auf eine Übertragung der gelernten Datensätze zu dem Server 200 und eine Fahrzeugsteuerung durch Anwenden des gelernten Modells auf, und da der Server 200 dieselben Verarbeitungen für jedes Fahrzeug 100 anwendet, wird nachfolgend ein Fahrzeug 100 beschrieben, sofern dies nicht anders notwendig ist.
  • Die fahrzeugeigene Kamera 110 weist eine zweidimensionale Erfassungseinheit, die von einem Array von fotoelektrischen Umwandlungselementen mit einer Sensitivität für sichtbares Licht, wie etwa einem Charge-Coupled Device (CCD) oder einem Complementary Metal-Oxide-Semiconductor (C-MOS), gebildet wird, und ein abbildendes optisches System, das ein Bild von der Region, die abgebildet werden soll, auf der zweidimensionalen Erfassungseinheit bildet, auf. Die fahrzeugeigene Kamera 110 ist auf dem Armaturenbrett im Inneren des Fahrzeugs in der Nähe der Windschutzscheibe oder dergleichen bereitgestellt und nimmt Bilder einer Umgebung des Fahrzeugs 100 (zum Beispiel vor dem Fahrzeug 100) im vorgegebenen Abbildezyklus (zum Beispiel 1/30 Sekunde bis 1/10 Sekunde) auf, um Bilder zu erzeugen, die die Umgebung des Fahrzeugs 100 zeigen. Die Bilder, die durch die fahrzeugeigene Kamera 110 erhalten werden, sind bevorzugt farbige Bilder. Die fahrzeugeigne Kamer 110 kann ferner durch eine Stereokamera gebildet sein oder kann so konfiguriert sein, dass sie die Distanz zwischen der fahrzeugeigenen Kamera 110 und jeder Struktur auf dem Bild von der Parallaxe des rechten und des linken Bilds erlangt. Jedes Mal, wenn die fahrzeugeigene Kamera 110 ein Bild erzeugt, gibt die fahrzeugeigene Kamera 110 das generierte Bild an die ECU 150 über das fahrzeugeigene Netzwerk aus.
  • Die Positionsbestimmungsinformation-Empfangseinheit 120 erlangt eine Positionsbestimmungsinformation, die die gegenwärtige Position und Ausrichtung des Fahrzeugs 100 darstellt. Die Positionsbestimmungsinformation-Empfangseinheit 120 kann eine Global Positioning System (GPS)-Empfangseinheit sein. Jedes Mal, wenn die Positionsbestimmungsinformation-Empfangseinheit 120 die Positionsbestimmungsinformation empfängt, gibt die Positionsbestimmungsinformation-Empfangseinheit 120 die erlangte Positionsbestimmungsinformation an die ECU 150 über das fahrzeugeigene Netzwerk aus.
  • Die Fahrzeugsteuervorrichtung 130 umfasst verschiedene Vorrichtungen in Bezug auf die Fahrzeugsteuerung, die Vorrichtungen, wie etwa eine Antriebsvorrichtung, die einen Verbrennungsmotor oder einen Elektromotor aufweist, die als eine Antriebsquelle zum Antreiben des Fahrzeugs 100 dient, eine Bremsvorrichtung zum Bremsen des Fahrzeugs 100, eine Lenkvorrichtung zum Lenken des Fahrzeugs 100 und dergleichen, aufweist. Wenn die Antriebsquelle zum Antreiben des Fahrzeugs 100 ein Elektromotor ist, kann die Fahrzeugsteuervorrichtung 130 eine Batterie zum Speichern von elektrischer Energie, eine Brennstoffzelle zum Zuführen von elektrische Energie zu dem Elektromotor und dergleichen aufweisen. In der vorliegenden Ausführungsform ist eine Fahrzeugsteuerung ein Konzept, das eine allgemeine Steuerung in Bezug auf das Fahrzeug 100 zusätzlich zum direkten Steuern des Fahrzeugs 100 durch die obigen Vorrichtungen aufweist und weist zum Beispiel eine Steuerung, die das Fahren des Fahrzeugs 100 indirekt betrifft, wie etwa eine Steuerung einer Klimaanlage, einer Anzeigevorrichtung und einer Audiovorrichtung, auf.
  • Der kabellose Anschluss 140 weist zum Beispiel eine Antenne und einen Signalverarbeitungsschaltkreis, der verschiedene Verarbeitungen in Bezug auf eine kabellose Kommunikation, wie etwa eine Modulation oder eine Demodulation von kabellosen Signalen, ausführt, auf. Der kabellose Anschluss 140 empfängt kabellose Downlink-Signale von der Funkbasisstation 400 und überträgt auch kabellose Uplink-Signale zu der Funkbasisstation 400. Das heißt, der kabellose Anschluss 140 extrahiert ein Signal (zum Beispiel ein gelerntes Modell), das von dem Server 200 zu dem Fahrzeug 100 übertragen wird, von den kabellosen Downlink-Signalen, die von der Funkbasisstation 400 empfangen werden, und leitet das Signal zu der ECU 150 weiter. Der kabellose Anschluss 140 generiert ferner ein kabelloses Uplink-Signal, das ein an den Server 200 zu übertragenes Signal (zum Beispiel einen Lerndatensatz, eine Spezifikationsinformation etc.) aufweist und das von der ECU 150 empfangen wird, und überträgt das kabellose Signal.
  • Die ECU 150 ist ein Modus einer Steuervorrichtung für das Fahrzeug und weist einen Prozessor 152, einen Speicher 154 und eine Kommunikationsschnittstelle 156 auf. Der Prozessor 152 weist eine oder mehrere zentrale Verarbeitungseinheiten (CPU) und periphere Schaltkreise dafür auf. Der Prozessor 152 kann ferner andere arithmetische Schaltkreise, wie etwa eine logische Betriebseinheit, eine numerische Betriebseinheit oder eine grafische Verarbeitungseinheit, aufweisen. Der Speicher 154 weist zum Beispiel einen volatilen Halbleiterspeicher oder einen nicht-volatilen Halbleiterspeicher auf. Der Speicher 154 speichert verschiedene Typen einer Information, wie etwa die Spezifikationsinformation der ECU 150 und das gelernte Modell, das durch den Server 200 bereitgestellt wird. Die Kommunikationsschnittstelle 156 weist einen Schnittstellenschaltkreis zum Verbinden der ECU 150 mit dem fahrzeugeigenen Netzwerk auf.
  • Der Umgebungsinformation-Erlangungssensor 160 ist ein Sensor, der im Wesentlichen eine Information, die die Umgebung um das Fahrzeug 100 herum darstellt (nachfolgend auch als eine Umgebungsinformation bezeichnet), erlangt. Der Umgebungsinformation-Erlangungssensor 160 weist einen Außenlufttemperatursensor, einen Beleuchtungsstärkesensor, der die Beleuchtungsstärke bzw. Einstrahlung außerhalb des Fahrzeugs 100 erfasst, einen Regensensor, der die Menge eines Regens außerhalb des Fahrzeugs 100 erfasst, einen Light Detection and Ranging (LiDAR)-Sensor und dergleichen auf. Der Umgebungsinformation-Erlangungssensor 160 gibt die erlangte Umgebungsinformation an die ECU 150 über das fahrzeugeigene Netzwerk aus.
  • Der Fahrzustandsinformation-Erlangungssensor 170 ist ein Sensor, der verschiedene Typen einer Information in Bezug auf den Fahrzustand des Fahrzeugs 100 (nachfolgend auch als eine Fahrzustandsinformation bezeichnet) erlangt und einen Gaspedalbetätigungsmengensensor, der die Betätigungsmenge des Gaspedals erfasst, einen Sensor, der ein Drücken des Bremspedals erfasst (Bremshydrauliksensor), einen Lenkwinkelsensor, der den Lenkwinkel des Lenkrad erfasst, einen Fahrzeuggeschwindigkeitssensor, der die Fahrzeuggeschwindigkeit erfasst, einen Beschleunigungssensor, einen Gyrossensor und dergleichen aufweist.
  • Wenn das Fahrzeug 100 einen Verbrennungsmotor als eine Antriebsquelle verwendet, kann der Fahrzustandsinformation-Erlangungssensor 170 verschiedene Sensoren, die den Betriebszustand des Verbrennungsmotors erfassen, wie etwa einen Ansaugluftmengensensor (Luftmengensensor), einen Drucksensor und einen Temperatursensor, die den Druck und die Temperatur der Ansaugluft erfassen, einen Abgastemperatursensor, einen Luft-Kraftstoff-Verhältnis-Sensor, der das Luft-Kraftstoff-Verhältnis des Abgases erfasst, einen Kohlenwasserstoff (HC)-Konzentration-Sensor der die HC-Konzentration in dem Abgas erfasst, einen Kohlenmonoxid (CO)-Konzentrationssensor, der die CO-Konzentration in dem Abgas erfasst, einen Temperatursensor, der die Temperatur des Abgasreduktionskatalysators erfasst, einen Kurbelwinkelsensor, der den Drehwinkel der Kurbelwelle erfasst, und einen Kühlmitteltemperatursensor, der die Kühlmitteltemperatur des Verbrennungsmotors erfasst, aufweisen.
  • Wenn das Fahrzeug 100 ferner einen Elektromotor als eine Antriebsquelle verwendet, kann der Fahrzustandsinformation-Erlangungssensor 170 verschiedene Sensoren, die den Betriebszustand des Elektromotors erfassen, wie etwa einen Sensor, der den Stromwert und den Spannungswert des Elektromotors erfasst, aufweisen. Wenn ferner der Elektromotor durch die elektrische Energie, die durch die Brennstoffzelle erzeugt wird, angetrieben wird, kann der Fahrzustandsinformation-Erlangungssensor 170 verschiedene Sensoren, die den Betriebszustand der Brennstoffzelle erfassen, wie etwa ein Spannungssensor, der die Zellspannung der Brennstoffzelle erfasst, einen Drucksensor, der den Anodengasdruck erfasst und einen Sensor, der den Kathodengasdurchfluss erfasst, aufweisen.
  • 3 ist ein schematisches Diagramm, das eine Konfiguration des Servers 200 zeigt. Der Server 200 weist eine Steuervorrichtung 210 und eine Speichervorrichtung 220 auf.
  • Die Steuervorrichtung 210 weist einen Prozessor 212, einen Speicher 214 und eine Kommunikationsschnittstelle 216 auf. Der Prozessor 212 weist eine oder mehrere CPU und periphere Schaltkreise dafür auf. Der Prozessor 212 kann ferner andere arithmetische Schaltkreise, wie etwa eine logische Betriebseinheit, eine numerische Betriebseinheit oder eine grafische Verarbeitungseinheit, aufweisen. Der Speicher 214 weist zum Beispiel einen volatilen Halbleiterspeicher und einen nicht-volatilen Halbleiterspeicher auf. Die Kommunikationsschnittstelle 216 weist einen Schnittstellenschaltkreis zum Verbinden der Steuervorrichtung 210 mit dem Netzwerk in dem Server 200 oder dem Kommunikationsnetzwerk 300 auf. Die Kommunikationsschnittstelle 216 ist so konfiguriert, dass sie zu einer Kommunikation mit dem Fahrzeug 100 über das Kommunikationsnetzwerk 300 und der Funkbasisstation 400 imstande ist. Das heißt, die Kommunikationsschnittstelle 216 leitet den Lerndatensatz, die Spezifikationsinformation und dergleichen, die von dem Fahrzeug 100 über die Funkbasisstation 400 und das Kommunikationsnetzwerk 300 erhalten werden, an den Prozessor 212 weiter. Die Kommunikationsschnittstelle 216 überträgt ferner das gelernte Modell, das von dem Prozessor 212 empfangen wurde, an das Fahrzeug 100 über das Kommunikationsnetzwerk 300 und die Funkbasisstation 400.
  • Die Speichervorrichtung 220 weist zum Beispiel einen Festplattenspeicher oder ein optisches Aufzeichnungsmedium und eine Zugriffsvorrichtung dafür auf. Die Speichervorrichtung 220 speichert eine Vielzahl von gelernten Modellen mit unterschiedlichen Umfängen, die durch Durchführen von Lernen durch den Server 200 unter Verwendung des Lerndatensatzes erhalten werden. Die Speichervorrichtung 220 speichert ferner nach Bedarf den Lerndatensatz, der von dem Fahrzeug 100 übertragen wird. Die Speichervorrichtung 220 speichert ferner, wie später beschrieben, die Karteninformation und speichert die gelernten Modelle in Assoziation mit jeder Region in der Karteninformation. Die Speichervorrichtung 220 kann ein Computerprogramm zum Ausführen einer Verarbeitung, die durch den Prozessor 212 ausgeführt wird, speichern.
  • 4 ist ein schematisches Diagramm, das sowohl funktionale Blöcke des Prozessors 152 der ECU 150, die in dem Fahrzeug 100 bereitgestellt ist, als auch funktionale Blöcke des Prozessors 212 der Steuervorrichtung 210, die in dem Server 200 bereitgestellt ist, zeigt.
  • Der Prozessor 152 der ECU 150 weist eine Datenerlangungseinheit 152a, eine Datensatz-Erzeugungseinheit 152b, eine Spezifikationsinformation-Erlangungseinheit 152c, eine Fahrzeugsteuereinheit 152d, eine Übertragungseinheit 152e und eine Empfangseinheit 152f auf. Jede dieser Einheiten des Prozessors 152 ist zum Beispiel ein funktionales Modul, das durch ein Computerprogramm realisiert wird, das auf dem Prozessor 152 abläuft. Das heißt, jede dieser Einheiten des Prozessors 152 wird durch den Prozessor 152 und ein Programm (Software) zum Betreiben des Prozessors 152 gebildet. Das Programm kann ferner in dem Speicher 154, der in der ECU 150 vorhanden ist, oder in einem Aufzeichnungsmedium, das von außen verbunden ist, aufgezeichnet sein. Alternativ kann jede dieser Einheiten des Prozessors 152 ein dedizierter arithmetischer Schaltkreis, der in dem Prozessor 152 bereitgestellt ist, sein.
  • Die Datenerlangungseinheit 152a des Prozessors 152 erlangt das Bild, das durch die fahrzeugeigene Kamera 110 erzeugt wird, die Positionsbestimmungsinformation, die durch die Positionsbestimmungsinformation-Empfangseinheit 120 erlangt wird, die Umgebungsinformation, die durch den Umgebungsinformation-Erlangungssensor 160 erlangt wird, und die Fahrzustandsinformationen, die durch den Fahrzustandsinformation-Erlangungssensor 170 erlangt wird, und dergleichen.
  • Die Datenerlangungseinheit 152a erlangt ferner verschiedene Daten auf Grundlage des Bilds, das durch die fahrzeugeigene Kamera 110 erzeugt wird, der Umgebungsinformation oder der Fahrzustandsinformation. Die Datenerlangungseinheit 152a erkennt zum Beispiel das Bild, das in jedem Abbildezyklus, wie oben beschrieben, durch die fahrzeugeigene Kamera 110 erzeugt wird (umfasst eine Erkennung durch maschinelles Lernen), um Bestimmungswerte einer Information, wie etwa der Straßenflächenbedingung der Straßenfläche, auf der das Fahrzeug 100 fährt, von Strukturen um das Fahrzeug 100 herum, eines anderen Fahrzeugs, das um das Fahrzeug 100 herum fährt oder einer Wetterbedingung, zu erlangen. Die Datenerlangungseinheit 152a erlangt zusätzlich Punktwolkendaten, die ein Objekt, das um das Fahrzeug 100 herum vorhanden ist, durch eine Verarbeitung der Information, die durch ein Abtasten des LiDar erlangt wird, angeben. Die Datenerlangungseinheit 152a erlangt ferner verschiedene Daten durch eine Verarbeitung der Fahrzustandsinformation, zum Beispiel durch Berechnen der Motordrehzahl auf Grundlage des Ausgabesignals des Kurbelwinkelsensors. Auf diese Weise kann die Datenerlangungseinheit 152a verschiedene Daten auf Grundlage des Bilds, der Umgebungsinformation oder der Fahrzustandsinformation durch eine Verarbeitung von vorgegebenen Verarbeitungen des Bilds, der Umgebungsinformation oder der Fahrzustandsinformation erhalten.
  • Die Datenerlangungseinheit 152a erlangt ferner Steuerwerte (Befehlswerte), die durch die ECU 150 verwendet werden sollen, wenn die ECU 150 das Fahrzeug steuert. Wenn das Fahrzeug 100 einen Verbrennungsmotor als eine Antriebsquelle verwendet, können diese Steuerwerte zum Beispiel ein Zündungstiming, eine Kraftstoffeinspritzmenge, ein Kraftstoffeinspritztiming, ein variables Ventiltiming (WT), die Steuermenge der Abgasrückführungs (EGR)-Ventils zum Einstellen der Gasdurchflussrate der EGR-Vorrichtung und dergleichen aufweisen. Wenn das Fahrzeug 100 ferner ein Elektromotor als eine Antriebsquelle verwendet, können diese Steuerwerte zum Beispiel einen Stromwert, einen Spannungswert und dergleichen des Elektromotors aufweisen. Wenn der Elektromotor durch die elektrische Energie, die durch die Brennstoffzelle erzeugt wird, angetrieben wird, können diese Steuerwerte den Stromwert, der von der Brennstoffzelle zu dem Elektromotor zugeführt wird, die Elementarzellenspannung, den ein Anodengasdruck, den Kathodengasdurchfluss, die Anzahl von Umdrehungen des Kompressors, der das Kathodengas komprimiert, den Anweisungswert zum Steuern verschiedener Ventile, die in dem Flusspfad des Anodengases oder des Kathodengases bereitgestellt sind und dergleichen aufweisen. Diese Steuerwerte können ferner Steuerwerte für Systeme, die das Fahren des Fahrers unterstützen, wie etwa eines Antiblockiersystems (ABS), eines Fahrzeugstabilitätssteuerungssystems (VSC) und eines Traktionssteuerungssystems (TRC), aufweisen. Diese Steuerwerte können ferner Steuerwerte, die die Fahrzeugsteuerung indirekt betreffen, wie etwa den Steuerwert, der den Betriebszustand des Scheibenwischers des Fahrzeugs 100 angibt, den festgelegten Wert des Anweisungssignals des Scheinwerfers (den festgelegten Wert, der entweder das Fernlicht oder das Abblendlicht und dergleichen angibt) und den festgelegten Wert zum Steuern der Klimaanlage in dem Fahrzeuginnenraum (den festgelegten Wert, der ein Luftvolumen, eine festgelegte Temperatur, einen Modus und dergleichen angibt) aufweisen. Im Folgenden werden diese Steuerwerte, die durch die ECU 150 verwendet werden, wenn die ECU 150 das Fahrzeug 100 steuert, als „die Steuerwerte der ECU 150“ bezeichnet.
  • Es sollte angemerkt werden, dass die Datenerlangungseinheit 152a nicht alle der oben beschriebenen Informationen erlangen muss, und die Datenerlangungseinheit 152a kann nur die Informationen erlangen, die zum Erzeugen des Datensatzes gemäß dem Lerndatensatz, der durch die Datensatz-Erzeugungseinheit 152b erzeugt wird, erforderlich sind.
  • Die Datensatz-Erzeugungseinheit 152b des Prozessors 152 erzeugt einen Lerndatensatz, der zum Lernen des Servers 200 verwendet werden soll, durch Kombinieren verschiedener Daten, die durch die Datenerlangungseinheit 152a erlangt werden.
  • Der Datensatz, der durch die Datensatz-Erzeugungseinheit 152b erzeugt wird, unterscheidet sich in Abhängigkeit des Inhalts, der auf der Seite des Servers 200 gelernt werden soll. Wenn zum Beispiel die Temperatur des Abgasreduktionskatalysators, wie in JP 2019 - 183 698 A beschrieben, vorhergesagt werden soll, wird ein Datensatz im Wesentlichen auf Grundlage der Fahrzustandsinformation erzeugt. Wenn ferner zum Beispiel ein Lernen durch Assoziation der Umgebung um die Straße herum, auf der das Fahrzeug 100 fährt, mit dem Fahrzustand des Fahrzeugs 100 durchgeführt wird, kann ein Datensatz auf Grundlage der Umgebungsinformation, der Fahrzustandsinformation und des Steuerwerts der ECU 150 erzeugt werden. Wenn ferner zum Beispiel ein Lernen durch Assoziation des Bilds, das durch die fahrzeugeigene Kamera 110 erzeugt wird, mit dem Fahrzustand des Fahrzeugs 100 durchgeführt werden soll, kann ein Datensatz auf Grundlage des Bilds, das durch die fahrzeugeigene Kamera 110 erzeugt wird, der Fahrzustandsinformationen und des Steuerwerts der ECU 150 durchgeführt werden. Ein Beispiel des Lerndatensatzes wird später beschrieben.
  • Die Spezifikationsinformation-Erlangungseinheit 152c des Prozessors 152 erlangt die Spezifikationsinformation des fahrzeugeigenen Computers, der in dem Fahrzeug 100 bereitgestellt ist, das heißt, die Spezifikationsinformation der ECU 150. Die Spezifikationsinformation der ECU 150 ist in dem Speicher 154 der ECU 150 vorab gespeichert. Die Spezifikationsinformation ist eine Information, die die Rechenleistung der ECU 150 darstellt, und weist zum Beispiel die Taktfrequenz des Prozessors 152, die Anzahl von Kernen, die Kapazität des Speichers 154 und dergleichen auf.
  • Die Fahrzeugsteuereinheit 152d des Prozesses 152 steuert das Fahrzeug 100 durch Durchführen von Verarbeitungen, für die das gelernte Modell angewendet wird, das von dem Server 200 übertragen wird. Die Fahrzeugsteuereinheit 152d gibt zum Beispiel verschiedene Daten, die auf dem Bild der fahrzeugeigenen Kamera 110, der Umgebungsinformation, der Fahrzustandsinformation oder dem Steuerwert der ECU 150 basieren, in das gelernte Modell als Eingabewerte ein, um einen Ausgabewert von dem gelernten Modell zu erlangen, um dadurch eine Fahrzeugsteuerung auf Grundlage des Ausgabewerts durchzuführen.
  • Die Übertragungseinheit 152e des Prozessors 152 ist ein Modus einer Rechenleistungsinformation-Übertragungseinheit und überträgt die Spezifikationsinformation, die durch die Spezifikationsinformation-Erlangungseinheit 152c erlangt wird, zu dem Server 200. Die Übertragungseinheit 152e ist ferner ein Modus eine Lerndatensatz-Übertragungseinheit und überträgt den Lerndatensatz, der durch die Datensatz-Erzeugungseinheit 152b erzeugt wird, zu dem Server 200. Die Empfangseinheit 152f des Prozessors 152 ist ein Modus einer Lernmodell-Empfangseinheit und empfängt das gelernte Modell mit einem Umfang, der der Rechenleistung der ECU 150 entspricht, von dem Server 200.
  • Der Prozessor 212 der Steuervorrichtung 210, die in dem Server 200 bereitgestellt ist, weist eine Modellumfang-Bestimmungseinheit 212a, eine Lerneinheit 212b, eine Übertragungseinheit 212c und eine Empfangseinheit 212d auf. Jede dieser Einheiten des Prozessors 212 ist zum Beispiel ein funktionales Modul, das durch ein Computerprogramm realisiert wird, das auf dem Prozessor 212 läuft. Das heißt, jede dieser Einheiten des Prozesses 212 wird durch den Prozessor 212 und ein Programm (Software) zum Betreiben des Prozesses 212 gebildet. Das Programm kann ferner in dem Speicher 214, der in der Steuervorrichtung 210 vorhanden ist, der Speichervorrichtung 220 oder einem Aufzeichnungsmedium, das von außerhalb verbunden ist, aufgezeichnet sein. Alternativ kann jede dieser Einheiten, die in dem Prozess 212 vorhanden ist, ein dedizierter arithmetischer Schaltkreis sein, der in den Prozess 212 bereitgestellt ist.
  • Die Modellumfang-Bestimmungseinheit 212a des Prozessors 212 bestimmt den Umfang des gelernten Modells auf Grundlage der Spezifikationsinformation, die von der ECU 150 des Fahrzeugs 100 übertragen wird. Die Modellumfang-Bestimmungseinheit 212a bestimmt den Umfang des gelernten Modells auf Grundlage einer Karte bzw. eines Kennfelds, in der bzw. in dem die Beziehung zwischen der Rechenleistung der ECU 150 des Fahrzeugs 100, die durch die Spezifikationsinformation dargestellt ist, und der Umfang des gelernten Modells vorab definiert ist.
  • 5 ist ein schematisches Diagramm, das ein Beispiel einer Karte zeigt, die die Beziehung zwischen der Rechenleistung der ECU 150 und dem Umfang des gelernten Modells vorab definiert. In 5 sind sowohl die Rechenleistung der ECU 150 als auch der Umfang des gelernten Modells quantifiziert und gezeigt. Je größer der numerische Wert ist, desto größer ist die Rechenleistung der ECU 150 und desto größer ist der Umfang des gelernten Modells. In der in 5 gezeigten Karte wird die Beziehung zwischen der Rechenleistung der ECU 150 und der Umfang des gelernten Modells vorab definiert, so dass gilt, je höher die Rechenleistung der ECU 150 ist, desto größer ist der Umfang des gelernten Modells. Die Modellumfang-Bestimmungseinheit 212a bestimmt den Umfang des gelernten Modells durch Anwenden der Rechenleistung der ECU 150, die von der Spezifikationsinformation erhalten wird, auf die Karte von 5.
  • 6 ist ein schematisches Diagramm, das ein Beispiel einer Tabelle zeigt, die durch die Modellumfang-Bestimmungseinheit 212a verwendet wird, um die Rechenleistung von der Spezifikationsinformation der ECU 150 zu erhalten. Die Rechenleistung der ECU 150 wird, wie in 6 gezeigt, auf Grundlage der Taktfrequenz des Prozessors 152, der Anzahl von Kernen und der Kapazität des Speichers 154 quantifiziert. Je höher die numerischen Werte der Taktfrequenz, der Anzahl von Kernen und der Speicherkapazität sind, desto höher ist der numerische Wert der Rechnerleistung und somit desto höher ist die Rechenleistung. In dem in 6 gezeigten Beispiel ist die Rechenleistung als ein Beispiel ein Wert, der durch Multiplizieren der Taktfrequenz, der Anzahl von Kernen und der Speicherkapazität erhalten wird, und wird durch die folgende Formel erhalten: (Rechenleistung) = (Taktfrequenz) x (Anzahl von Kernen) x (Speicherkapazität). In den vier Typen von Beispielen der ECU 150 (ECU_A, ECU_B, ECU_C und ECU_D), die in 6 gezeigt sind, ist die Rechenleistung der ECU_C, die die maximale Taktfrequenz, Anzahl von Kernen und Speicherkapazität aufweist, die höchste. Der numerische Wert der Taktfrequenz, der Anzahl von Kernen und der Speicherkapazität, die in 6 gezeigt sind, sind Beispiele.
  • Wenn zum Beispiel die Spezifikationsinformation, die von einem bestimmten Fahrzeug 100 übertragen wird, wie in 6 gezeigt, der ECU_A entspricht, bestimmt die Modellumfang-Bestimmungseinheit 212a von der Tabelle von 6, dass die Rechenleistung der ECU 150 des Fahrzeugs 100 „72“ ist. Die Modellumfang-Bestimmungseinheit 212a bestimmt dann auf Grundlage der Karte von 5, dass der Umfang des gelernten Modells, der der Rechenleistung der ECU 150 entspricht, zum Beispiel „260“ ist. Wenn folglich ein gelerntes Modell mit einem Umfang von „260“ oder weniger bereitgestellt ist, kann das Fahrzeug 100 eine Fahrzeugsteuerung durch Anwenden des gelernten Modells durchführen. Der numerische Wert der Rechenleistung der ECU 150, der numerische Wert des Umfangs des gelernten Modells und die Beziehung dazwischen, die in 5 gezeigt ist, sind Beispiele und die vorliegende Ausführungsform ist nicht darauf begrenzt.
  • Anstelle der in 6 gezeigten Tabelle kann die Rechenleistung auf Grundlage einer Karte oder einer Funktion, die die Beziehung zwischen der Rechenleistung und den Parametern, wie etwa der Taktfrequenz, der Anzahl von Kernen und der Speicherkapazität, definiert, berechnet werden. 6 zeigt ein Beispiel, in dem die Rechenleistung der ECU 150 auf Grundlage der Taktfrequenz, der Anzahl von Kernen und der Speicherkapazität erhalten werden kann. Alternativ kann die Rechenleistung der ECU 150 zum Beispiel auf Grundlage anderer Spezifikationen, wie etwa der Menge von Daten, die durch die Kommunikationsschnittstelle 156 übertragen werden kann, zusätzlich zu den obigen Parametern erhalten werden.
  • Die Lerneinheit 212b des Prozessors 212 verwendet ein neuronales Netzwerk gemäß dem Umfang des gelernten Modells, der durch die Modellumfangs-Bestimmungseinheit 212a bestimmt wird, und führt ein Lernen auf Grundlage des Lerndatensatzes, der von dem Fahrzeug 100 übertragen wurde, durch. 7 ist ein schematisches Diagramm, das ein Beispiel eines neuronalen Netzwerks zeigt, in dem die Lerneinheit 212b ein Lernen auf Grundlage des Lerndatensatzes durchführt und ein gelerntes Modell erzeugt. Das in 7 gezeigte neuronale Netzwerk hat dieselbe Konfiguration wie die, die in JP 2019 - 183 698 A beschrieben ist, und da das neuronale Netzwerk selbst bereits bekannt ist, wird nur ein Auszug daraus hierin beschrieben. Die Kreise in 7 stellen künstliche Neuronen dar und in neuronalen Netzwerken werden diese künstlichen Neuronen für gewöhnlich als Knoten oder Einheiten (hierin als Knoten bezeichnet) bezeichnet. In 7 gibt L = 1 eine Eingabeschicht, L = 2 und L = 3 versteckte Schichten und L = 4 eine Ausgabeschicht an. Wie in 7 gezeigt, besteht die Eingabeschicht (L = 1) aus fünf Knoten und die Eingabewerte X1, X2, X3, X4 und X5 werden in die Knoten der Eingabeschicht (L = 1) eingegeben. 7 zeigt schematisch zwei versteckte Schichten, eine versteckte Schicht (L = 2) und eine versteckte Schicht (L = 3), die jeweils sechs Knoten aufweisen. Die Anzahl von Schichten dieser versteckten Schichten kann jedoch eins oder eine beliebige Anzahl sein und die Anzahl von Knoten, die in diesen versteckten Schichten vorhanden ist, kann ebenfalls eine beliebige Anzahl sein. In der vorliegenden Ausführungsform werden die Anzahl von versteckten Schichten und die Anzahl von Knoten in den versteckten Schichten gemäß dem Umfang des gelernten Modells, der durch die Modellumfang-Bestimmungseinheit 212a bestimmt wird, bestimmt. z21, z22, z23, z24, z25 und z26 geben die Ausgabewerte von jedem Knoten der versteckten Schicht (L = 2) an und z31, z32, z33, z34, z35 und z36 geben die Ausgabewerte von jedem Knoten der versteckten Schicht (L = 3) an. Die Anzahl von Knoten in der Ausgabeschicht (L = 4) ist eins und der Ausgabewert von dem Knoten in Ausgabeschicht wird durch y angegeben.
  • An jedem Knoten der Eingabeschicht (L = 1), werden die Eingabewerte x1, x2, x3, x4 und x5 ausgegeben wie sie sind. Die Ausgabewerte x1, x2, x3, x4 und x5 eines jeden Knotens der Eingabeschichtwerden werden in jeden Knoten der versteckten Schicht (L = 2) eingegeben und in jedem Knoten der versteckten Schicht (L = 2) wird der Gesamteingabewert u2k = Σx · w + b (k = 1 bis 6) unter Verwendung der entsprechenden Gewichte w und Bias b berechnet.
  • Als nächstes wird dieser Gesamteingabewert u2k durch die Aktivierungsfunktion f konvertiert und als ein Ausgabewert z2k (= f(u2k)) von jedem Knoten, die durch z2k dargestellt sind, der versteckten Schicht (L = 2) ausgegeben. Die Ausgabewerte z21, z22, z23, z24, z25 und z26 von jedem Knoten der versteckten Schicht (L = 2) werden in jeden Knoten der versteckten Schicht (L = 3) eingegeben und in jedem Knoten der versteckten Schicht (L = 3) wird der Gesamteingabewert u3k = Σz · w + b (k = 1 bis 6) unter Verwendung des entsprechenden Gewichts w und Bias b berechnet. Der Gesamteingabewert u3k wird in ähnlicher Weise durch die Aktivierungsfunktion konvertiert und als Ausgabewerte z31, z32, z33, z34, Z35 und z36 von jedem Knoten der versteckten Schicht (L = 3) ausgegeben. Als die Aktivierungsfunktion wird zum Beispiel eine Sigmoid-Funktion σ(x) = 1 / (1 + exp(-x)), eine gleichgerichtete lineare Funktion (ReLU)S(u) = max(0, u) oder dergleichen wendet.
  • Die Ausgabewerte z31, Z32, Z33, Z34, Z35 und Z36 eines jeden Knotens der versteckten Schicht (L = 3) werden in den Knoten der Ausgabeschicht (L = 4) eingegeben. In dem Knoten der Ausgabeschicht wird der Gesamteingabewert u4k = Σz · w + b unter Verwendung des entsprechenden Gewichts w und Bias b berechnet oder der Gesamteingabewert u4k = Σz · w wird nur unter Verwendung des entsprechenden Gewichts w berechnet. In diesem Beispiel wird die Identifizierungsfunktion an dem Knoten der Ausgabeschicht verwendet und der Gesamteingabewert u4k, der in dem Knoten der Ausgabeschicht berechnet wird, wird so wie er ist als der Ausgabewert y von dem Knoten der Ausgabeschicht ausgegeben. Die Anzahl von Knoten in der Ausgabeschicht kann zwei oder mehr sein.
  • Ein Datensatz, der durch die Datensatz-Erzeugungseinheit 152b erzeugt wird, weist Eingabewerte x1, x2, x3, x4 und x5 und Lehrerdaten yt für die Eingabewerte x1, x2, x3, x4 und x5 auf. In dem Fall, in dem die Lehrerdaten yt für einen bestimmten Eingabewert erhalten werden, und der Ausgabewert von der Ausgabeschicht (L = 4) für diesen Eingabewert y ist, wenn der Quadratfehler als eine Fehlerfunktion verwendet wird, wird der Quadratfehler E durch E = (1/2) . (y - yt)2 erhalten.
  • Die Lerneinheit 212b gibt die Eingabewerte, die in dem Datensatz vorhanden sind, der von dem Fahrzeug 100 übertragen wurde, in das neuronale Netzwerk ein und berechnet den Quadratfehler E von dem erhaltenen Ausgabewert y und den Lehrerdaten yt, die in dem Datensatz vorhanden sind. Um dann die Summe der Quadratfehler E, die von der Vielzahl von Lerndatensätzen erhalten werden, zu minimieren, führt die Lerneinheit 212b Operationen, wie etwa ein Fehlerrückführungsverfahren und ein stochastisches Gradientenabstiegsverfahren, durch, um das Gewicht w und den Bias b für jeden Knoten zu berechnen und das gelernte Modell zu erzeugen. Wenn die Lehrerdaten auf der Seite des Fahrzeugs 100 nicht erfasst werden können, kann die Lerneinheit 212b ein gelerntes Modell durch unüberwachtes Lernen oder bestärktes Lernen erzeugen.
  • Zu dieser Zeit bereitet die Lerneinheit 212b eine Vielzahl von neuronalen Netzwerken mit einer unterschiedlichen Anzahl von versteckten Schichten und einer unterschiedlichen Anzahl von Knoten, die in den versteckten Schichten vorhanden sind, vor und führt ein Lernen mit jedem neuronalen Netzwerk durch, um gelernte Modelle mit unterschiedlichen Umfängen zu erzeugen. Sogar wenn als Ergebnis eine Vielzahl von Lerndatensätze dieselben sind, können gelernte Modelle mit unterschiedlichen Umfängen erhalten werden. Die gelernten Modelle, die durch die Lerneinheit 212b erzeugt werden, werden an das Fahrzeug 100 übertragen. Ferner werden die gelernten Modelle, die durch die Lerneinheit 212b erzeugt werden, in der Speichervorrichtung 220 gespeichert. Es ist anzumerken, dass 3 einen Fall zeigt, in dem die gelernten Modelle mit unterschiedlichen Umfängen in der Speichervorrichtung 220 akkumuliert sind. Die Werte des Umfangs der gelernten Modelle, die in 3 gezeigt sind, sind Beispiele und die vorliegende Ausführungsform ist nicht darauf begrenzt.
  • Die Übertragungseinheit 212c des Prozessors 212 ist ein Modus einer Einheit zum Übertragen des gelernten Modells und überträgt das gelernte Modell, das durch die Lerneinheit 212b erzeugt wurde, an das Fahrzeug 100. Die Übertragungseinheit 212c überträgt insbesondere eine Information, die zum Durchführen einer Fahrzeugsteuerung erforderlich ist, für die die ECU 150 des Fahrzeugs 100 das gelernte Modell anwendet, wie etwa die Werte des Gewichts w und des Bias b eines jeden Knotens des neuronalen Netzwerks des gelernten Modells und die Konfiguration des neuronalen Netzwerks (die Anzahl von Schichten, die Anzahl von Knoten etc.). Zu dieser Zeit überträgt die Übertragungseinheit 212c ein gelerntes Modell mit einem größeren Umfang für ein Fahrzeug 100, das mit einer ECU 150 einer höheren Rechenleistung ausgestattet ist.
  • Die Empfangseinheit 212d des Prozesses 212 ist ein Modus einer Lerndatensatz-Empfangseinheit und empfängt den Lerndatensatz, der von der ECU 150 des Fahrzeugs 100 übertragen wird. Die Empfangseinheit 212d ist ein Modus einer Rechenleistungsinformation-Empfangseinheit und empfängt eine Information über die Rechenleistung der ECU 150 des Fahrzeugs 100.
  • In der in 4 gezeigten Konfiguration können die Verarbeitungen, die durch die Datenerlangungseinheit 152a und die Datensatzerzeugungseinheit 152b des Prozessors 152 der ECU 150 durchgeführt werden, durch den Prozessor 212 der Steuervorrichtung 210 des Servers 200 durchgeführt werden. In diesem Fall werden Rohdaten, wie etwa das Bild, das durch die fahrzeugeigene Kamera 110 erzeugt wird, die Positionsbestimmungsinformation, die von der Positionsbestimmungsinformation-Empfangseinheit 120 erlangt wird, die Umgebungsinformation, die durch den Umgebungsinformation-Erlangungssensor 160 erlangt wird, und die Fahrzustandsinformation, die durch den Fahrzustandsinformation-Erlangungssensor 170 erlangt wird, zu dem Server 200 übertragen werden und der Prozessor 212 der Steuervorrichtung 210 auf der Seite des Servers 200 führt die Verarbeitungen anstelle der Datenerlangungseinheit 152a und der Datensatzerzeugungseinheit 152b durch.
  • Als nächstes werden die Verarbeitungen, die durch die ECU 150, die in dem Fahrzeug 100 bereitgestellt ist, und der Steuervorrichtung 210, die in dem Server 200 bereitgestellt ist, unter Bezugnahme auf das Ablaufdiagramm von 8 beschrieben. In 8 werden die Verarbeitungen auf der Seite des Fahrzeugs 100 durch die ECU 150, die in dem Fahrzeug 100 bereitgestellt ist, zu vorgegebenen Steuerzyklen durchgeführt. Die Verarbeitungen auf der Seite des Servers 200 werden ferner durch die Steuervorrichtung 210, die in dem Server 200 bereitgestellt ist, zu vorgegebenen Steuerzyklen durchgeführt.
  • Zunächst erzeugt auf der Seite des Fahrzeugs 100 die Datensatzerzeugungseinheit 152b des Prozessors 152 einen Lerndatensatz von den Daten, die durch die Datenerlangungseinheit 152a erlangt werden (Schritt S10). Als nächstes bestimmt die Datensatz-Erzeugungseinheit 152b, ob eine vorgegebene Menge oder mehr des Datensatzes akkumuliert wurde (Schritt S11). Wenn eine vorgegebene Menge oder mehr des Datensatzes in Schritt S11 akkumuliert wurde, erlangt die Spezifikationsinformation-Erlangungseinheit 152c die Spezifikationsinformation und die Spezifikationsinformation und der Lerndatensatz werden kombiniert, um Übertragungsdaten zu erzeugen (Schritt S12). Wenn andererseits eine vorgegebene Menge oder mehr des Datensatzes in Schritt S11 nicht akkumuliert wurde, werden die Verarbeitungen in diesem Steuerzyklus beendet. Zusätzlich zu der Spezifikationsinformation und dem Lerndatensatz können die Übertragungsdaten eine Fahrzeugidentifikationsinformation (Fahrzeug-ID) zum Identifizieren jedes Fahrzeugs 100, die Positionsbestimmungsinformation, die durch die Positionsbestimmungsinformation-Empfangseinheit 120 erlangt wurde, und dergleichen aufweisen. Wenn insbesondere ein gelerntes Modell für jede Region, in der das Fahrzeug 100 fährt, wie später beschrieben, erzeugt wird, ist es vorzuziehen, dass die Übertragungsdaten die Positionsbestimmungsinformation aufweisen. Als nächstes überträgt die Übertragungseinheit 152e des Prozessors 152 die Übertragungsdaten zu dem Server 200 (Schritt S14).
  • Wenn der Server 200 ein Lernen auf Grundlage des Lerndatensatzes, der durch die Vielzahl von Fahrzeugen 100 erzeugt wurde, durchführt, werden die Lerndatensätze von anderen Fahrzeugen 100 zu dem Server 200 ebenfalls übertragen, so dass die Übertragungsdaten ohne Durchführen der Verarbeitung von Schritt S11 erzeugt werden können. Wenn andererseits der Server 200 ein Lernen auf Grundlage nur des Lerndatensatzes, der durch ein spezifisches Fahrzeug 100 erzeugt wurde, durchführt, wird eine vorgegebene Menge oder mehr des Datensatzes durch den Server 200 benötigt, um das Lernen durchzuführen, so dass es vorzuziehen ist, die Verarbeitung von Schritt S11 durchzuführen.
  • Wenn der Server 200 ferner ein Lernen auf Grundlage des Lerndatensatzes, der durch eine Vielzahl von Fahrzeugen 100 erzeugt wurde, durchführt, kann der Server 200 ein Lernen auf Grundlage der Lerndatensätze, die von anderen Fahrzeugen 100 erlangt wurden, durchführen. Folglich ist es in diesem Fall nicht erforderlich, dass die Übertragungsdaten, die in Schritt S12 erzeugt wurden, den Lerndatensatz aufweisen.
  • Auf der Seite des Servers 200 wird bestimmt, ob die Empfangseinheit 212d des Prozesses 212 die Übertragungsdaten, die von dem Fahrzeug 100 übertragen wurden, empfangen hat (Schritt S20), und wenn die Übertragungsdaten empfangen wurden, bestimmt die Modellumfangs-Bestimmungseinheit 212a den Umfang des gelernten Modells auf Grundlage der Spezifikationsinformation, die von der ECU 150 des Fahrzeugs 100 übertragen wurde (Schritt S21). Die Modellumfangs-Bestimmungseinheit 212a wendet die Spezifikationsinformation, die in den Übertragungsdaten vorhanden ist, die von der Seite des Fahrzeugs 100 empfangen wurden, auf die in 6 gezeigte Tabelle oder eine Karte oder eine Funktion, die die Beziehung zwischen der Rechenleistung und den Parametern, wie etwa der Taktfrequenz, der Anzahl von Kernen und der Speicherkapazität, definieren, an, um die Rechenleistung der ECU 150 des Fahrzeugs 100 zu erhalten. In der Modellumfangs-Bestimmungseinheit 212a, wenn die Fahrzeugidentifikationsinformation und der Typ der ECU 150 (zum Beispiel die Typen, wie etwa ECU_A bis ECU_D, die in 6 gezeigt sind) vorab assoziiert sind und der Typ der ECU 150 von der Fahrzeugidentifikationsinformation bestimmt werden kann, kann die Rechenleistung der ECU 150 durch Anwenden des Typs der ECU 150, der von der Fahrzeugidentifikationsinformation erhalten wird, auf die Tabelle von 6 erhalten werden. Folglich ist die Fahrzeugidentifikationsinformation ein Modus einer Information in Bezug auf die Rechenleistung der ECU 150. Die Modellumfangs-Bestimmungseinheit 212a wendet die erhaltene Rechenleistung der ECU 150 auf die Karte von 5 an, um den Umfang des gelernten Modells zu erhalten. Wenn die Übertragungsdaten in Schritt S20 nicht empfangen wurden, werden die Verarbeitungen in diesem Kontrollzyklus beendet.
  • Nach Schritt S21 wird in Schritt S22 das gelernte Modell, das dem Umfang entspricht, der in Schritt S21 bestimmt wird, erlangt (Schritt S22). In Schritt S22 führt die Lerneinheit 212b des Prozessors 212 ein Lernen unter Verwendung des Lerndatensatzes durch, um ein gelerntes Modell mit einem Umfang zu erzeugen, der der Rechenleistung der ECU 150 entspricht. Alternativ wird in Schritt S22 ein gelerntes Modell mit einem Umfang, der der Rechenleistung der ECU 150 entspricht, von den gelernten Modellen ausgewählt, die bereits erzeugt wurden und in der Speichervorrichtung 220 gespeichert sind.
  • Wenn die Lerneinheit 212b ein gelerntes Modell mit einem Umfang erzeugt, der der Rechenleistung der ECU 150 entspricht, lernt die Lerneinheit 212b den Datensatz durch ein neuronales Netzwerk mit der Anzahl von versteckten Schichten und der Anzahl von Knoten, die dem Umfang des gelernten Modells entsprechen, der durch die Modellumfangs-Bestimmungseinheit 212a in Schritt S21 bestimmt wurde, um ein gelerntes Modell zu erzeugen. Als ein Ergebnis wird ein gelerntes Modell mit einem Umfang erhalten, der der Rechenleistung der ECU 150 entspricht.
  • Wenn ferner ein gelerntes Modell mit einem Umfang, der der Rechenleistung der ECU 150 entspricht, von den gelernten Modellen, die in der Speichervorrichtung 220 gespeichert sind, ausgewählt wird, wird ein gelerntes Modell, das dem Umfang entspricht, der durch die Modellumfangs-Bestimmungseinheit 212a in Schritt S21 bestimmt wurde, von den gelernten Modellen, die bereits erzeugt wurden, ausgewählt. Wenn ein gelerntes Modell für jede Region, in der das Fahrzeug 100 fährt, wie später beschrieben, erzeugt wird, wird ein gelerntes Modell für die Region, das der Positionsinformation des Fahrzeugs 100 entspricht, von den gelernten Modellen, die bereits erzeugt wurden, ausgewählt.
  • Als nächstes überträgt die Übertragungseinheit 212c des Prozessors 212 das gelernte Modell, das in Schritt S22 erlangt wurde, auf die Seite des Fahrzeugs 100 (Schritt S24). Wenn ein gelerntes Modell für jede Region, in der das Fahrzeug 100 fährt, wie später beschrieben, erzeugt wird, überträgt die Übertragungseinheit 212c ein gelerntes Modell, das der Region entspricht, in der das Fahrzeug 100 gegenwärtig fährt, auf Grundlage der Positionsbestimmungsinformation, die von dem Fahrzeug 100 empfangen wurde. Nach Schritt S24 werden die Verarbeitungen in diesem Steuerzyklus auf der Seite des Servers 200 beendet.
  • In dem Fahrzeug 100 wird bestimmt, ob die Empfangseinheit 152f des Prozesses 152 das gelernte Modell empfangen hat (Schritt S16), und wenn das gelernte Modell empfangen wurde, wendet die Fahrzeugsteuereinheit 152d des Prozessors 152 das gelernte Modell an, um eine Fahrzeugsteuerung durchzuführen (Schritt S18). Wenn das gelernte Modell in Schritt S16 nicht empfangen wurde, wartet die Verarbeitung in Schritt S16. Nach Schritt S18 werden die Verarbeitungen in diesem Steuerzyklus auf der Seite des Fahrzeugs 100 beendet.
  • Wenn die Empfangseinheit 152f des Prozesses 152 das gelernte Modell in Schritt S16 empfängt, wird das empfangene gelernte Modell in dem Speicher 154 gespeichert. Wenn zu dieser Zeit ein gelerntes Modell bereits in dem Speicher 154 gespeichert ist, aktualisiert das neue empfangene gelernte Modell das gelernte Modell, das bereits in dem Speicher 154 gespeichert war.
  • Hier in der vorliegenden Ausführungsform weist eine Aktualisierung des gelernten Modells nicht nur das Konzept zum Aktualisieren der Werte der Gewichte und der Bias des gelernten Modells auf, sondern weist auch das Konzept einer Änderung der Anzahl von versteckten Schichten oder der Anzahl von Knoten in den versteckten Schichten des gelernten Modells, das bereits in dem Speicher 154 gespeichert war, auf. Das heißt ein Aktualisieren des gelernten Modells weist auch das Konzept einer Änderung der Konfiguration des gelernten Modells selbst auf. In anderen Worten, der Server 200 kann dem Fahrzeug 100 ein gelerntes Modell mit einer unterschiedlichen Anzahl von versteckten Schichten oder einer unterschiedlichen Anzahl von Knoten in den versteckten Schichten zu denen des vorhandenen gelernten Modells, das bereits in dem Speicher 154 gespeichert war, bereitstellen. Der Server 200 muss ferner dem Fahrzeug 100 nicht ein gelerntes Modell mit demselben Umfang wie der des vorhandenen gelernten Modells, das bereits in dem Speicher 154 gespeichert war, bereitstellen und kann dem Fahrzeug 100 ein gelerntes Modell mit einem Umfang, der zu dem des vorhandenen gelernten Modells unterschiedlich ist, innerhalb eines Bereichs, der die Rechenleistung der ECU 150 nicht überschreitet, bereitstellen.
  • In der Verarbeitung von 8 können die Verarbeitungen von Schritt S10 und Schritt S11, wie oben beschrieben, durch die Steuervorrichtung 210 des Servers 200 durchgeführt werden.
  • Als nächstes wird ein spezifisches Beispiel, in dem sich der Umfang des gelernten Modells in Abhängigkeit der Spezifikationsinformation des Fahrzeugs 100 unterscheidet, beschrieben. Hier wird als ein Beispiel ein Fall, in dem ein gelerntes Modell für jede Region erzeugt wird, in dem das Fahrzeug 100 fährt, und sich der Umfang des gelernten Modells in Abhängigkeit der Größe der Region unterscheidet, beschrieben. 9 ist ein schematisches Diagramm, das ein Beispiel zeigt, in dem ein gelerntes Modell für jede Region erzeugt wird, in dem das Fahrzeug 100 fährt. In 9 wird ein bestimmter Bereich in der Karte in acht Regionen aufgeteilt und gelernte Modelle 1 bis 8 werden für jede der acht Regionen 1 bis 8 erzeugt.
  • Die in 9 gezeigte Karteninformation wird in der Speichervorrichtung 220, wie in 3 gezeigt, in einer durchsuchbaren Art und Weise gespeichert. Die Karteninformation wird, wie in 9 gezeigt, in jede Region geteilt und ein gelerntes Modell wird jeder Region zugewiesen. In der Speichervorrichtung 220 wird die Karteninformation diese Regionen und zugewiesene gelernte Modelle in Assoziation miteinander gespeichert. In der Karteninformation werden die Regionen auf der Karte insbesondere auf Grundlage des Längengrads und des Breitengrads geteilt, um jede Region festzulegen, und ein gelerntes Modell wird für jede Region erzeugt und mit jeder Region assoziiert.
  • Das Modell, das der Region 2 entspricht, wird durch Durchführen eines Lernens unter Verwendung eines Datensatzes erzeugt, der auf Grundlage der Daten erzeugt wurde, die durch das Fahrzeug 100 gesammelt wurden, das in der Region 2 fährt. Wenn das Fahrzeug 100 den Lerndatensatz zu dem Server 200 überträgt, überträgt das Fahrzeug 100 die Positionsbestimmungsinformation, die die Position angibt, an der der Datensatz erzeugt wurde, das heißt, die Position, an der verschiedene Daten, die in dem Datensatz vorhanden sind, gesammelt wurden, zu dem Server 200. Als ein Ergebnis kann die Lerneinheit 212b des Prozesses 212 der Steuervorrichtung 210 auf Grundlage der Positionsinformation, die in der Positionsbestimmungsinformation vorhanden ist, bestimmen, dass die Position, an der das Datensatz erzeugt wurde, zu der Region 2 gehört, so dass der Datensatz, der der Region 2 entspricht, verwendet werden kann, um ein Lernen durchzuführen, um ein gelerntes Modell zu erzeugen, das der Region 2 entspricht. Der Server 200 kann in ähnlicher Weise ein Lernen für die anderen Regionen unter Verwendung des Datensatzes, der jeder Region entspricht, durchführen, um ein gelerntes Modell zu erzeugen, das jeder Region entspricht. Die gelernten Modelle, die auf diese Art und Weise erzeugt werden, werden in der Speichervorrichtung 220 in Assoziation mit jeder Region auf der Karteninformation gespeichert.
  • Die Übertragungseinheit 212c des Prozesses 212 überträgt die gelernten Modelle, die jeder Region entsprechen, zu dem Fahrzeug 100, das in der entsprechenden Region fährt, auf Grundlage der Positionsinformation des Fahrzeugs 100. Zum Beispiel wird ein gelerntes Modell 2, das der Region 2 entspricht, an das Fahrzeug 100 übertragen, das in der Region 2 fährt, und ein gelerntes Modell 3, das einer Region 3 entspricht, wird an das Fahrzeug 100 übertragen, das in der Region 3 fährt.
  • Durch Erlangen der Lerndatensätze von dem Fahrzeug 100, das in den Regionen 1 bis 8 fährt, durch das oben beschriebene Verfahren, kann der Server 200 gelernte Modelle 1 bis 8 erzeugen, die jeder der Regionen 1 bis 8 entsprechen. Der Server 200 kann ferner ein gelerntes Modell, das der Region entspricht, in der das Fahrzeug 100 fährt, für jedes der Fahrzeuge 100 bereitstellen, die in jeder der Regionen 1 bis 8 fahren.
  • In 9 gibt der dicke Pfeil die Fahrtroute des Fahrzeugs 100 an. Das Fahrzeug 100 fährt in folgender Reihenfolge durch Region 2, Region 3, Region 7 und Region 8. Wenn sich das Fahrzeug 100 von der Region 2 zu der Region 3 bewegt, empfängt das Fahrzeug 100 sequenziell das gelernte Modell 2 und das gelernte Modell 3 von dem Server 200 in jeder Region und aktualisiert sequenziell das gelernte Modell, das in dem Speicher 154 gespeichert ist.
  • Während sich das Fahrzeug 100 in der Region 2 bewegt, ist das gelernte Modell, das für eine Fahrzeugsteuerung geeignet ist, das gelernte Modell 2. Das gelernte Modell 2 wird in dem Speicher 154 gespeichert und eine Fahrzeugsteuerung wird unter Verwendung des gelernten Modells 2 ausgeführt. Wenn sich danach das Fahrzeug 100 von der Region 2 zu der Region 3 bewegt, extrahiert der Server 200 das gelernte Modell 3, das der Region 3 entspricht, von der Speichervorrichtung 220 auf Grundlage der Positionsinformation, die angibt, dass die gegenwärtige Position des Fahrzeugs 100 in der Region 3 ist, und überträgt das gelernte Modell 3 zu dem Fahrzeug 100. Das Fahrzeug 100 empfängt das gelernte Modell 3 von dem Server 200 und aktualisiert das gelernte Modell in dem Speicher 154. Das Fahrzeug 100 führt eine Fahrzeugsteuerung unter Verwendung des gelernten Modells 3 aus, während es in der Region 3 fährt. Anschließend gilt dasselbe, wenn sich das Fahrzeug 100 von der Region 3 zu der Region 7 bewegt und wenn sich das Fahrzeug 100 von der Region 7 zu der Region 8 bewegt.
  • Wie in 9 gezeigt, sind verschiedene Faktoren, wie etwa die Dichte von Straßen, die Anzahl von Kreuzungen und die Breite von Straßen regionabhängig und variieren von Region zu Region. Zusätzlich sind Faktoren, wie etwa die Kurvenform der Straßen, die Steigung der Straßen und die Menge von Verkehr von anderen Fahrzeugen, ebenfalls regionabhängig und unterscheiden sich von Region zu Region. Da das Fahrzeug 100, das in jeder Region fährt, ein gelerntes Modell für die Region erlangen kann, die der gegenwärtigen Fahrposition entspricht, wird das gelernte Modell, dass der gegenwärtigen Position entspricht, angewendet, um eine Fahrzeugsteuerung durchzuführen, was es möglich macht, eine optimale Fahrzeugsteuerung durchzuführen, die zu den Faktoren für jede Region passt.
  • Wie oben beschrieben gilt, je größer der Umfang des gelernten Modells, desto genauer stellt das Modell den tatsächlichen Zustand dar und somit ist es für eine anspruchsvollere und präzisere Fahrzeugsteuerung geeignet. Sogar wenn das gelernte Modell für jede Region unterschiedlich ist gilt, je größer der Umfang des gelernten Modells ist, desto genauer stellt das Modell den tatsächlichen Zustand in der Region dar. Folglich wird die Fahrzeugsteuerung vorzugsweise durch Anwenden des gelernten Modells mit einem größeren Umfang durchgeführt. Wenn andererseits ein gelerntes Modell mit einem großen Umfang für alle Fahrzeuge 100 bereitgestellt ist, kann das Fahrzeug 100, das mit der ECU 150 mit einer hohen Rechenleistung ausgestattet ist, eine Fahrzeugsteuerung durch Anwenden des gelernten Modells mit einem großen Umfang durchführen, aber das Fahrzeug 100, das mit der ECU 150 mit einer relativ kleinen Rechenleistung ausgestattet ist, kann die Fahrzeugsteuerung durch Anwenden eines gelernten Modells mit großen Umfang nicht durchführen.
  • Folglich erzeugt die Lerneinheit 212b des Prozesses 212 der Steuervorrichtung 210 ein gelerntes Modell für jede Region, in der das Fahrzeug 100 fährt und ein gelerntes Modell mit einem größeren Umfang wird erzeugt, wenn die Region größer ist. Die Übertragungseinheit 212c des Prozesses 212 überträgt das gelernte Modell, das jeder Region entspricht, in der das Fahrzeug 100 gegenwärtig fährt, auf Grundlage der Positionsinformation des Fahrzeugs 100. Die Empfangseinheit 152f der ECU 150 empfängt ferner ein gelerntes Modell, das der Region entspricht, in der das Fahrzeug 100 gegenwärtig fährt, für jede Region, in der das Fahrzeug 100 fährt, und ein gelerntes Modell mit einem größeren Umfang wird empfangen, wenn die Region größer ist.
  • Wenn die Größe der Region klein ist, ist die Menge einer Information, die durch das gelernte Modell ausgegeben wird, gemäß der Größe der Region klein. Sogar wenn der Umfang des gelernten Modells reduziert ist, wird folglich eine Verringerung der Genauigkeit der Fahrzeugsteuerung durch Anwenden des gelernten Modells unterdrückt. Folglich ist es durch Erzeugen eines gelernten Modells mit einem kleinen Umfang, das einer engeren Region entspricht, und Bereitstellen des Modells zu dem Fahrzeug 100 möglich, eine gewünschte Fahrzeugsteuerung durch Anwenden des gelernten Modells durchzuführen, sogar wenn das Fahrzeug 100 mit einer ECU 150 mit einer relativ niedrigen Rechenleistung ausgestattet ist. Es ist anzumerken, dass je kleiner die Region ist, desto kleiner ist die Anzahl von Lerndatensätzen, die verwendet werden, um ein gelerntes Modell zu erzeugen.
  • 10 zeigt ein Beispiel, in dem derselbe Bereich auf der Karte wie in 9 in 32 Regionen 11 bis 42 aufgeteilt ist. In dem Beispiel von 10 werden, wie in 9, gelernte Modelle 11 bis 42 erzeugt, die jeder Region 11 bis 42 entsprechen. Wie in 10 gezeigt, ist es durch Erhöhen der Anzahl von Aufteilungen der Regionen und Einengen einer Region, die einem gelernten Modell entspricht, verglichen zu 9 möglich, ein gelerntes Modell mit einem kleineren Umfang zu erzeugen, das jeder Region entspricht.
  • Da in der vorliegenden Ausführungsform das gelernte Modell mit dem Umfang, der der Rechenleistung der ECU 150 entspricht, von dem Server 200 zu dem Fahrzeug 100 auf Grundlage der Spezifikationsinformation des Fahrzeugs 100 übertragen wird, wird ein gelerntes Modell mit einem kleinen Umfang, das einer relativ kleinen Region, wie in 10 gezeigt, entspricht, zu dem Fahrzeug 100, das mit der ECU 150 mit einer relativ niedrigen Rechenleistung ausgestattet ist, übertragen. Das Fahrzeug 100, zu dem das gelernte Modell mit einem kleinen Umfang übertragen wird, empfängt das gelernte Modell, das der neuen Region entspricht, von dem Server 200 jedes Mal, wenn die Fahrregion gewechselt wird und führt eine Fahrzeugsteuerung durch Anwenden des gelernten Modells, das der neuen Region entspricht, durch. Wenn die Größe der Region enger wird, wird die Fahrregion häufiger gewechselt. Folglich überträgt die Übertragungseinheit 212c des Prozesses 212 der Steuervorrichtung 210 ein gelerntes Modell zu dem Fahrzeug 100, das mit der ECU 150 mit einer niedrigen Rechenleistung ausgestattet ist, mit einer höheren Übertragungshäufigkeit als zu dem Fahrzeug 100, das mit der ECU 150 mit einer hohen Rechenleistung ausgestattet ist. Die Empfangseinheit 152f des Prozessors 152 der ECU 150 empfängt ferner ein gelerntes Modell mit einer höheren Übertragungshäufigkeit, wenn die Rechenleistung der ECU 150 niedriger ist.
  • Als ein Ergebnis erhöht das Fahrzeug 100, das mit der ECU 150 mit einer relativ niedrigen Rechenleistung ausgestattet ist, die Aktualisierungshäufigkeit des gelernten Modells, sogar wenn ein gelerntes Modell mit einem kleinen Umfang verwendet wird, so dass eine Verringerung der Genauigkeit der Information, die durch das gelernte Modell ausgegeben wird, unterdrückt wird. Somit ist es möglich, eine gewünschte Fahrzeugsteuerung durch Anwenden des gelernten Modells durchzuführen. Da in diesem Fall ferner das gelernte Modell mit einem kleinen Umfang zu dem Fahrzeug 100 übertragen wird, wird die Übertragungsmenge beim Übertragen des gelernten Modells unterdrückt.
  • Ferner wird für das Fahrzeug 100, das mit der ECU 150 mit einer relativen hohen Rechenleistung ausgestattet ist, ein Modell mit einem großen Umfang, das einer relativ weiten Region, wie in 9 gezeigt, entspricht, übertragen. Das Fahrzeug 100, zu dem das gelernte Modell mit einem großen Umfang übertragen wird, empfängt das gelernte Modell, das der neuen Region entspricht, jedes Mal, wenn die Fahrregion gewechselt wird, und führt eine Fahrzeugsteuerung durch Anwenden des gelernten Modells, das den neuen Region entspricht, durch. Da zu dieser Zeit das gelernte Modell einer relativ weiten Region entspricht, tritt das Wechseln der Fahrregion nicht häufig auf. Folglich kann das Fahrzeug 100, das mit der ECU 150 mit einer relativ hohen Rechenleistung bereitgestellt ist, eine Fahrzeugsteuerung mit einer reduzierten Aktualisierungshäufigkeit des gelernten Modells durchführen.
  • Sogar in dem Fahrzeug 100, das mit der ECU 150 mit einer niedrigen Rechenleistung ausgestattet ist wird, wie oben beschrieben, ein gelerntes Modell mit einem kleinen Umfang von dem Server 200 jedes Mal empfangen, wenn die Region während einer Fahrt gewechselt wird, und Verarbeitungen werden durchgeführt, während die gelernten Modelle gewechselt werden. Somit ist es möglich, eine gewünschte Fahrzeugsteuerung durch Anwenden des gelernten Modells durchzuführen, indem die Rechenleistung der ECU 150 bestmöglich genutzt wird.
  • In dem Fahrzeug 100, das mit der ECU 150 mit einer hohen Rechenleistung ausgestattet ist, kann ferner eine hochgenaue Fahrzeugsteuerung durch Anwenden des gelernten Modells mit einem großen Umfang, das einer weiten Region entspricht, durchgeführt werden. In dem Fahrzeug 100, das mit der ECU 150 mit einer hohen Rechenleistung ausgestattet ist, ist ferner die Aktualisierungshäufigkeit des gelernten Modells niedrig und somit werden die Verarbeitungen zum Aktualisieren des gelernten Modells reduziert.
  • Als nächstes werden ein Lerndatensatz und ein Beispiel eines gelernten Modells beschrieben. Die Datensatz-Erzeugungseinheit 152b des Prozesses 152 des Fahrzeugs 100 erzeugt einen Lerndatensatz, der für ein Lernen des Servers 200 verwendet werden soll, durch Kombinieren verschiedener Daten, die durch die Datenerlangungseinheit 152a erlangt werden. Der Lerndatensatz, der durch die Datensatz-Erzeugungseinheit 152b erzeugt wird, unterscheidet sich in Abhängigkeit des Inhalts, der auf der Seite des Servers 200 gelernt werden soll.
  • Ein Beispiel des gelernten Modells weist ein gelerntes Modell auf, das ein Zündungstiming, eine Kraftstoffeinspritzmenge, ein Einspritztiming, eine Gaspedalbetätigungsmenge, ein variables Ventiltiming, eine Steuermenge eines EGR-Ventils, das den Gasdurchfluss der Abgasrückführungsvorrichtung steuert, eine Positionsinformation des Fahrzeugs 100 und eine Wetterinformation als Eingabevariablen sowie eine „NOx-Emissionsmenge“ als den Ausgabewert y aufweist. In diesem Fall besteht der Lerndatensatz aus der Kraftstoffeinspritzmenge, dem Zündungstiming, der Gaspedalbetätigungsmenge, dem variablen Ventiltiming, der Steuermenge des EGR-Ventils, das den Gasdurchfluss der Abgasrückführungsvorrichtung festlegt, der Positionsinformation des Fahrzeugs 100 und der Wetterinformation sowie der NOx- Emissionsmenge als die Lehrerdaten yt. Durch Durchführen von Verarbeitungen, die dieses gelernte Modell anwenden, kann die ECU 150 des Fahrzeugs 100 eine NOx-Emissionsmenge, die ein Ausgabewert ist, auf Grundlage der Eingabewerte, die sich von Moment zu Moment ändern, berechnen. Da die Eingabewerte insbesondere die Positionsinformation des Fahrzeugs 100 und die Wetterinformation aufweisen, kann die ECU 150 die NOx-Emissionsmenge auf Grundlage der Position, an der das Fahrzeug 100 fährt, und des Wetters berechnen. Folglich wird eine Fahrzeugsteuerung auf Grundlage der NOx-Emissionsmenge mit einer hohen Genauigkeit realisiert.
  • Wenn ferner ein gelerntes Modell, wie unter Bezugnahme auf 9 beschrieben, für jede Region, in der das Fahrzeug 100 fährt, erzeugt wird, wird ein gelerntes Modell für die Region, die der Position entspricht und in der das Fahrzeug 100 fährt, für das Fahrzeug 100 bereitgestellt. Als ein Ergebnis wendet die ECU 150 des Fahrzeugs 100 ein gelerntes Modell, das für die Region spezialisiert ist, die der Position des Fahrzeugs entspricht und in der das Fahrzeug 100 fährt, an, um Verarbeitungen durchzuführen, so dass die NOx-Emissionsmenge genauer berechnet werden kann, und eine Fahrzeugsteuerung auf Grundlage der NOx-Emissionsmenge wird mit einer höheren Genauigkeit realisiert.
  • Ein anderes Beispiel des gelernten Modells weist ferner ein gelerntes Modell auf, das Punktwolkendaten, die ein Objekt angeben, das um das Fahrzeug 100 herum vorhanden ist, und die durch ein Bild, das durch die fahrzeugeigene Kamera 110 erzeugt wird, oder durch Abtasten des LiDAR beim Fahren des Fahrzeugs 100 auf einen bestimmten Bewegungspfad erhalten werden, als die Eingabewerte sowie den Fahrzustand des Fahrzeugs 100 oder den Steuerwert der ECU 150 beim Generieren des Bilds oder der Punktwolkendaten als den Ausgabewert verwendet. Der Fahrzustand weist hier zum Beispiel Betriebszustände, wie etwa den Lenkwinkel des Lenkrads, die Gaspedalbetätigungsmenge und den Bremshydraulikdruck auf. In diesem Fall besteht der Lerndatensatz aus dem Bild und den Punktwolkendaten sowie dem Fahrzustand oder dem Steuerwert der ECU 150 als die Lehrerdaten yt. Gemäß diesem gelernten Modell werden der Betrieb und die Steuerung, die für das Fahrzeug 100 durchgeführt werden, gemäß der Situation um das Fahrzeug 100 herum, die durch das Bild oder die Punktwolkendaten angegeben wird, gelernt. Da folglich die Betätigungsmenge für das Fahrzeug 100 oder der Steuerwert der ECU 150 als der Ausgabewert auf Grundlage des Bilds oder der Punktwolkendaten, die der Eingabewerte sind, berechnet werden, ist es möglich, ein autonomes Fahren auf Grundlage des Bilds, das durch die fahrzeugeigene Kamera 110 erzeugt wird, und der Punktwolkendaten, die durch Abtasten des LiDAR erhalten werden, insbesondere für das Fahrzeug 100 durchzuführen, das ein autonomes Fahren durchführt.
  • Wenn ferner, wie unter Bezugnahme auf 9 beschrieben, ein gelerntes Modell für jede Region erzeugt wird, in der das Fahrzeug 100 fährt, wird das gelernte Modell für die Region, die der Position entspricht und in der das Fahrzeug 100 fährt, für das Fahrzeug 100 bereitgestellt. Als ein Ergebnis wendet die ECU 150 des Fahrzeugs 100 ein gelerntes Modell, das für die Region spezialisiert ist, die der Position entspricht und in der das Fahrzeug 100 fährt, an, um Verarbeitungen durchzuführen. Folglich kann die Betätigungsmenge für das Fahrzeug 100 oder der Steuerwert der ECU 150 auf Grundlage des Bilds, das der Eingabewerte ist, genauer berechnet werden, so dass eine Fahrzeugsteuerung auf Grundlage der Betätigungsmenge oder des Steuerwert der ECU 150 mit höherer Genauigkeit realisiert werden kann.
  • In der vorliegenden Ausführungsform wird ein Beispiel gezeigt, in dem der Server 200 ein maschinelles Lernen durch ein neuronales Netzwerk durchführt, aber die vorliegende Ausführungsform ist nicht darauf begrenzt. Unter maschinellen Lernen weist das überwachte Lernen nicht nur neuronale Netzwerke, sondern auch verschiedene Verfahren, wie etwa einen Random Forrest, eine Support Vector Machine und ein k-nächste-Nachbarn-Verfahren, auf. Diesen Modellen ist gemeinsam, dass es sich um Algorithmen handelt, die Grenzen in dem durch Merkmalsvektoren aufgespannten Merkmalsraum ziehen und Entscheidungsgrenzen effizient finden. Das heißt, wenn die Schätzung durch ein neuronales Netzwerk durchgeführt werden kann, kann maschinelles Lernen mit anderen überwachten Lernmodellen verwendet werden.
  • Der Server 200 stellt dem Fahrzeug 100, wie oben beschrieben, ein gelerntes Modell mit einem Umfang bereit, der die Rechenleistung der ECU 150 des Fahrzeugs 100 entspricht. Folglich ist es möglich, dass eine Nichtverfügbarkeit des Modells auf der Seite des Fahrzeugs 100 aufgrund des Fehlens der Rechenleistung der ECU 150 unterdrückt wird.
  • 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, 0052, 0062]

Claims (15)

  1. Server (200) mit einem Prozessor (212), der so konfiguriert ist, dass er: einen Datensatz von einem Fahrzeug (100) empfängt, eine Vielzahl von gelernten Modellen mit unterschiedlichen Umfängen durch Durchführen von maschinellem Lernen unter Verwendung des Datensatzes erzeugt, von dem Fahrzeug (100) eine Information über eine Rechenleistung einer elektronischen Steuereinheit (150), die das Fahrzeug (100) durch Anwenden des gelernten Modells steuert, empfängt, und das gelernte Modell zu dem Fahrzeug (100) überträgt, wobei der Prozessor (212) so konfiguriert ist, dass er das gelernte Modell mit einem größeren Umfang zu dem Fahrzeug, das mit der elektronischen Steuereinheit ausgestattet ist, die eine hohe Rechenleistung aufweist, als zu dem Fahrzeug, das mit einer elektronischen Steuereinheit ausgestattet ist, die eine niedrige Rechenleistung aufweist, überträgt.
  2. Server (200) gemäß Anspruch 1, wobei der Prozessor (212) so konfiguriert ist, dass er das maschinelle Lernen durch ein neuronales Netzwerk durchführt.
  3. Server (200) gemäß Anspruch 2, wobei der Umfang des gelernten Modells größer ist, wenn die Anzahl von versteckten Schichten oder die Anzahl von Knoten, die in den versteckten Schichten vorhanden sind, ansteigt.
  4. Server (200) gemäß einem der Ansprüche 1 bis 3, wobei der Prozessor (212) so konfiguriert ist, dass er: das gelernte Modell für jede Region, in der das Fahrzeug (100) fährt, erzeugt, wobei das gelernte Modell einen größeren Umfang aufweist, wenn die Region größer ist, und das gelernte Modell, das der Region entspricht, in der das Fahrzeug (100) gegenwärtig fährt, auf Grundlage einer Positionsinformation des Fahrzeugs (100) überträgt.
  5. Server (200) gemäß Anspruch 4, wobei der Prozessor (212) so konfiguriert ist, dass er das gelernte Modell mit einer höheren Übertragungshäufigkeit zu dem Fahrzeug, das mit der elektronischen Steuereinheit ausgestattet ist, die eine niedrige Rechenleistung aufweist, als zu dem Fahrzeug, das mit der elektronischen Steuereinheit ausgestattet ist, die eine hohe Rechenleistung aufweist, überträgt.
  6. Steuervorrichtung für ein Fahrzeug (100), die das Fahrzeug (100) durch Anwenden eines gelernten Modells steuert, wobei die Steuervorrichtung einen Prozessor (152) aufweist, der so konfiguriert ist, dass er: eine Information über eine Rechenleistung der Steuervorrichtung an einen Server (200) überträgt, das gelernte Modell mit einem Umfang, der der Rechenleistung entspricht, von dem Server (200) empfängt, und das Fahrzeug durch Anwenden des gelernten Modells mit dem Umfang, der der Rechenleistung entspricht, steuert, wobei das gelernte Modell von dem Server (200) empfangen wird.
  7. Steuervorrichtung gemäß Anspruch 6, wobei der Prozessor (152) so konfiguriert ist, dass er: einen Datensatz zu dem Server (200) überträgt, und das gelernte Modell, das durch den Server (200) durch Durchführen von maschinellem Lernen unter Verwendung des Datensatzes erzeugt wurde, empfängt.
  8. Steuervorrichtung gemäß Anspruch 7, wobei: der Server (200) das maschinelle Lernen durch ein neuronales Netzwerk durchführt, und der Umfang des gelernten Modells größer ist, wenn die Anzahl von versteckten Schichten oder die Anzahl von Knoten, die in den versteckten Schichten vorhanden sind, ansteigt.
  9. Steuervorrichtung gemäß einem der Ansprüche 6 bis 8, wobei der Prozessor (152) so konfiguriert ist, dass er: das gelernte Modell, das einer Region entspricht, in der das Fahrzeug (100) gegenwärtig fährt, für jede Region, in der das Fahrzeug (100) fährt, empfängt, und das gelernte Modell mit einem größeren Umfang empfängt, wenn die Region größer ist.
  10. Steuervorrichtung gemäß Anspruch 9, wobei der Prozessor (152) so konfiguriert ist, dass er das gelernte Modell mit einer höheren Empfangshäufigkeit empfängt, wenn die Rechenleistung niedriger ist.
  11. Maschinelles Lernsystem für ein Fahrzeug (100), wobei das maschinelle Lernsystem aufweist: einen Server (200), der ein gelerntes Modell durch Durchführen von Lernen unter Verwendung eines Datensatzes, der von dem Fahrzeug (100) empfangen wurde, erzeugt, und eine Steuervorrichtung für das Fahrzeug zum Steuern des Fahrzeugs (100) durch Anwenden des gelernten Modells, wobei: die Steuervorrichtung einen ersten Prozessor (152) aufweist, der so konfiguriert ist, dass er: den Datensatz zu dem Server (200) überträgt, eine Information über eine Rechenleistung der Steuervorrichtung zu dem Server (200) überträgt, das gelernte Modell mit einem Umfang, der der Rechenleistung entspricht, von dem Server (200) empfängt, und das Fahrzeug durch Anwenden des gelernten Modells mit dem Umfang, der der Rechenleistung entspricht, steuert, wobei das gelernte Modell von dem Server (200 empfangen wird, und der Server einen zweiten Prozessor (212) aufweist, der so konfiguriert ist, dass er: den Datensatz von dem Fahrzeug (100) empfängt, eine Vielzahl von gelernten Modellen mit unterschiedlichen Umfängen durch Durchführen von maschinellem Lernen unter Verwendung des Datensatzes erzeugt, eine Information über die Rechenleistung der Steuervorrichtung von dem Fahrzeug (100) empfängt, das gelernte Modell zu dem Fahrzeug (100) überträgt, und das gelernte Modell mit einem größeren Umfang zu dem Fahrzeug, das mit der Steuervorrichtung ausgestattet ist, die eine hohe Rechenleistung aufweist, als zu dem Fahrzeug, das mit der Steuervorrichtung ausgestattet ist, die eine niedrige Rechenleistung aufweist, überträgt.
  12. Maschinelles Lernsystem gemäß Anspruch 11, wobei der zweite Prozessor (212) so konfiguriert ist, dass er maschinelles Lernen durch ein neuronales Netzwerk durchführt.
  13. Maschinelles Lernsystem gemäß Anspruch 12, wobei der Umfang des gelernten Modells größer ist, wenn die Anzahl von versteckten Schichten oder die Anzahl von Knoten, die in den versteckten Schichten vorhanden sind, ansteigt.
  14. Maschinelles Lernsystem gemäß einem der Ansprüche 11 bis 13, wobei: der zweite Prozessor (212) so konfiguriert ist, dass er: das gelernte Modell für jede Region erzeugt, in der das Fahrzeug fährt, das gelernte Modell mit einem größeren Umfang erzeugt, wenn die Region größer ist, und das gelernte Modell, das der Region entspricht, in der das Fahrzeug (100) gegenwärtig fährt, auf Grundlage einer Positionsinformation des Fahrzeugs (100) überträgt, und der erste Prozessor (152) so konfiguriert ist, dass er das gelernte Modell, das der Region entspricht, in der das Fahrzeug (100) gegenwärtig fährt, für jede Region, in der das Fahrzeug fährt, empfängt.
  15. Maschinelles Lernsystem gemäß Anspruch 14, wobei: der zweite Prozessor (212) so konfiguriert ist, dass er das gelernte Modell mit einer höheren Übertragungshäufigkeit zu dem Fahrzeug (100), das mit der Steuervorrichtung ausgestattet ist, die eine niedrige Rechenleistung aufweist, als zu dem Fahrzeug (100), das mit der Steuervorrichtung ausgestattet ist, die eine hohe Rechenleistung aufweist, überträgt, und der erste Prozessor (152) so konfiguriert ist, dass er das gelernte Modell mit einer höheren Empfangshäufigkeit empfängt, wenn die Rechenleistung niedriger ist.
DE102021120257.4A 2020-08-07 2021-08-04 Server, steuervorrichtung für ein fahrzeug und maschinelles lernsystem für ein fahrzeug Pending DE102021120257A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-134806 2020-08-07
JP2020134806A JP7074166B2 (ja) 2020-08-07 2020-08-07 サーバ、車両の制御装置、および車両の機械学習システム

Publications (1)

Publication Number Publication Date
DE102021120257A1 true DE102021120257A1 (de) 2022-02-10

Family

ID=79686501

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102021120257.4A Pending DE102021120257A1 (de) 2020-08-07 2021-08-04 Server, steuervorrichtung für ein fahrzeug und maschinelles lernsystem für ein fahrzeug

Country Status (4)

Country Link
US (1) US20220044497A1 (de)
JP (1) JP7074166B2 (de)
CN (1) CN114063597B (de)
DE (1) DE102021120257A1 (de)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019183698A (ja) 2018-04-05 2019-10-24 トヨタ自動車株式会社 車載電子制御ユニット

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011248870A (ja) * 2010-04-27 2011-12-08 Denso Corp 死角領域検出装置、死角領域検出プログラム、および死角領域検出方法
JP5477231B2 (ja) * 2010-08-30 2014-04-23 株式会社デンソー 車載機および情報センタを含む通信システム、および情報センタ
RU2563161C2 (ru) * 2013-07-18 2015-09-20 Федеральное государственное бюджетное учреждение науки Институт конструкторско-технологической информатики Российской академии наук (ИКТИ РАН) Способ и устройство технической диагностки сложного технологического оборудования на основе нейронных сетей
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
CN105549597B (zh) * 2016-02-04 2018-06-26 同济大学 一种基于环境不确定性的无人车动态路径规划方法
JP6569985B2 (ja) * 2016-04-17 2019-09-04 新電元工業株式会社 電力変換装置の診断方法
CN110431569A (zh) * 2017-03-21 2019-11-08 首选网络株式会社 服务器装置、已学习模型提供程序、已学习模型提供方法以及已学习模型提供系统
JP2019023858A (ja) * 2017-07-21 2019-02-14 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America 学習データ生成装置、学習データ生成方法、機械学習方法及びプログラム
JP7346401B2 (ja) * 2017-11-10 2023-09-19 エヌビディア コーポレーション 安全で信頼できる自動運転車両のためのシステム及び方法
JP7006159B2 (ja) * 2017-11-14 2022-01-24 トヨタ自動車株式会社 サーバ装置
JP6848949B2 (ja) * 2018-10-25 2021-03-24 トヨタ自動車株式会社 制御支援装置、車両、および制御支援システム
JP6773099B2 (ja) * 2018-10-30 2020-10-21 トヨタ自動車株式会社 制御装置
KR20200093093A (ko) * 2019-01-08 2020-08-05 삼성전자주식회사 분산 추론 시스템 및 이의 동작 방법
JP6690743B1 (ja) * 2019-01-23 2020-04-28 トヨタ自動車株式会社 機械学習装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019183698A (ja) 2018-04-05 2019-10-24 トヨタ自動車株式会社 車載電子制御ユニット

Also Published As

Publication number Publication date
CN114063597B (zh) 2024-05-24
JP2022030663A (ja) 2022-02-18
JP7074166B2 (ja) 2022-05-24
US20220044497A1 (en) 2022-02-10
CN114063597A (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
DE102019114527A1 (de) Intelligente fahrzeugnavigationssysteme, verfahren und steuerlogik zur mehrspurtrennung und trajektorienextraktion von fahrbahnsegmenten
DE102019113865A1 (de) Intelligente kraftfahrzeuge, systeme und steuerlogik zur echtzeit-routenführung und adaptive fahrsteuerung
DE102019113856A1 (de) Systeme, verfahren und steuerungen für ein autonomes fahrzeug, die autonome fahreragenten und fahrrichtlinienlernende implementieren, um richtlinien basierend auf kollektiven fahrerfahrungen der autonomen fahreragenten zu erstellen und zu verbessern
DE102019113880A1 (de) Systeme, verfahren und steuerungen die autonome fahreragenten und einen richtlinienserver zum erfüllen von richtlinien für autonome fahreragenten implementieren, zum steuern eines autonomen fahrzeugs
DE102017201456B4 (de) Personalisierte navigationsstrecke für transportvorrichtungen
DE112010003678T5 (de) Fahrbewertungssystem, am fahrzeug montierte maschine und informationsverarbeitungszentrum
DE102018123467A1 (de) Verfahren und systeme zur radar-lokalisierung in autonomen fahrzeugen
DE102019113389A1 (de) Systeme und verfahren für ein vorhersage-entitätenverhalten
DE102018123464A1 (de) Verfahren und systeme zur radar-lokalisierung in autonomen fahrzeugen
CN112489072B (zh) 一种车载视频感知信息传输负载优化方法及装置
DE102019113862A1 (de) Systeme und verfahren zum vorhersagen von objektverhalten
DE102020102823A1 (de) Fahrzeugkapselnetzwerke
DE102021128041A1 (de) Verbesserung eines neuronalen fahrzeugnetzwerks
DE102022114048A1 (de) Bildentzerrung
DE102022121822A1 (de) Mverfahren und systeme zur anomalieerkennung bei einem fahrzeug
DE102016210032A1 (de) Verfahren Vorrichtung und System zur Falschfahrererkennung
DE102021104044A1 (de) Neuronales netzwerk zur positionsbestimmung und objektdetektion
CN116205024A (zh) 一种面向高低维测评场景的自适应自动驾驶动态场景通用生成方法
DE102022125062A1 (de) System und verfahren zum detektieren von strassen- und fahrspurverbindungen an kreuzungen
DE102020128978A1 (de) Trainieren von tiefen neuronalen netzwerken mit synthetischen bildern
DE102020107868A1 (de) Objektdetektionssystem für die detektion eines objekts mit hilfe einer hierarchie-pyramide und objektdetektionsverfahren
DE102019208878A1 (de) Vorrichtung und Verfahren zur adaptiven Geschwindigkeitssteuerung
DE102021129697A1 (de) Maschinenlernverfahren und Maschinenlernsystem
DE102021118615A1 (de) Lernvorrichtung und Modell-Lernsystem
CN110263836A (zh) 一种基于多特征卷积神经网络的不良驾驶状态识别方法

Legal Events

Date Code Title Description
R012 Request for examination validly filed