JP2018529298A - 環境コンテキストにおいて人間のような制御行動をシミュレーションするためのシステム及びコンピュータに基づく方法。 - Google Patents
環境コンテキストにおいて人間のような制御行動をシミュレーションするためのシステム及びコンピュータに基づく方法。 Download PDFInfo
- Publication number
- JP2018529298A JP2018529298A JP2018522849A JP2018522849A JP2018529298A JP 2018529298 A JP2018529298 A JP 2018529298A JP 2018522849 A JP2018522849 A JP 2018522849A JP 2018522849 A JP2018522849 A JP 2018522849A JP 2018529298 A JP2018529298 A JP 2018529298A
- Authority
- JP
- Japan
- Prior art keywords
- data
- computer
- space
- based method
- environmental
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 150
- 230000007613 environmental effect Effects 0.000 title claims abstract description 98
- 238000007906 compression Methods 0.000 claims abstract description 51
- 230000006835 compression Effects 0.000 claims abstract description 51
- 230000006399 behavior Effects 0.000 claims description 49
- 238000007781 pre-processing Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000001149 cognitive effect Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012731 temporal analysis Methods 0.000 claims description 6
- 238000000700 time series analysis Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 description 20
- 230000002457 bidirectional effect Effects 0.000 description 10
- 238000013144 data compression Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006837 decompression Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007595 memory recall Effects 0.000 description 1
- 210000000478 neocortex Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2137—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Neurology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
Description
− 少なくとも一つの第1ノードは、(例えば、長い)入力シーケンスを格納及びリコールするように適合され、例えば、(例えば、長い)入力シーケンスがイベントとしてモデル化され、
− 少なくとも一つの第2ノードは、生データからプロトタイプを抽出し保存するように適合され、各プロトタイプは、実世界の(その環境内のツールの)操作を、類似する特徴を用いて特徴付ける、代表的なデータのまとまりである。
(式1)
A:R+→[0, 1],
A(0)=1,
A(z1)>A(z2) z1<z2のときかつそのときに限り成立する。
次式を求めることによって、
(式2)
行列xに属する新たな点mを行列y上に圧縮することと、
次式を求めることによって、
(式3)
行列yに属する新たな点tを行列x上に復元することと、を含み、
ここで、μx(P、m)及びμy(Q、t)は、BiMapの各点と、対応する各空間における新たな点との間の距離ベクトルであり、BiMapは、式2(圧縮)及び式3(復元)によって与えられるxの点とyの点との間の対応関係である。
が使用されてマップ歪み指数(MDI: Map Distortion Index)を評価することができる。実際、このコンピュータに基づく方法によって得られたマッピング精度は、アトラスBiMap=(P、Q)内の点に対する近接性に依存する。この依存性は、学習したもの、すなわち、式2又は式3の解の中から最小のアクティベーションの歪みを有している点を探索することによって表現される。MDIを評価する可能性は、より正確なアトラスを有するためのX空間内の点セクションスキームと、MPF内のコンテキストのチェックをサポート又は実現する固有の異常検出機構との両方をもたらす。
− 少なくとも一つのセンサで環境データをキャプチャすることと、
− 高次元の環境データを上記に規定した低次元マップに圧縮してデータの双方向圧縮を実現するためのコンピュータに基づく方法を実現することと、
− 環境データがコンピュータに基づくモデルの学習段階の間にキャプチャされた場合、キャプチャされたデータは、予め評価されている既知の予め記録されたデータに対応し、異なる特性を有するデータをどの程度良好に分離するかによりマップの品質を決定することによって、圧縮データのマップを評価することと、
− 環境データが前記学習段階の後にキャプチャされた場合、前記圧縮データに新たな点を追加し、オペレータの状態に対応するように使用する人間に近い意思決定を示す信号を生成することと、を含む。
(式1)
2つのメトリック空間X=(x、μx)及びY=(y、μy)であって、xは次元が第2空間yの次元より大きい又は等しい第1空間であり、μxは空間xの第1メトリックであり、μyは空間yの第2メトリックであり、Pは第1空間xに属するn個の点の第1集合であり、d(.,.)は正方行列の空間上の対称距離関数であり、一方、A1及びA2は次のプロパティを保持する任意の2つの関数である。
- A:R+→[0, 1],すなわち、全ての正の実数値に対して規定された関数であって、0と1を含む0と1の間の値を生成する。
- A(0)=1,すなわち、Aは値1を生成する引数0の関数である。
すなわち、Aは引数が増加するにつれて極限0に収束する関数である。
- A(z1)>A(z2) z1<z2のときかつそのときに限り成立する。すなわち、Aは単調減少関数である。
(式2)
次式を求めることによって空間yに属する新たな点tを空間Xに復元することができる。
(式3)
ここで、μx(P、m)及びμy(Q、t)は、BiMapの各点と、対応する各空間における新たな点との間の距離ベクトルであり、BiMap(P, Q)は、点の対応関係であり、式1を求める。
− 学習されたメモリを変更することなく、本記載のプロセスを経ることで、新しい音を評価する。
− BiMapによって実行される低次元クラスタリングを分析することによって、同様の判断を得る音の共通の特性を推論する。
− マップ上で異常な行動を強調することで、人間の判断の信頼性を向上させる。
− 所望の判断から音を発生させる。全てのステップが可逆的であることから、予想される判断を有する新しい音は、生成されたBiMap上のそれらの位置から出発して合成することができる。
本明細書に開示される発明は以下の実施形態を含む。
(1)高次元データを低次元マップに圧縮することによって、データの双方向圧縮を実現するコンピュータに基づく方法であって、前記方法は、1より大きな第1の次元を有するデータであって、少なくとも一つのセンサによってキャプチャされ送信されたデータ、を受信すること(18)と、前記データ又は前記データから得られる属性を、前記第1の次元よりも小さい第2の次元を用いて圧縮データに圧縮すること(22)とを含み、
2つのメトリック空間X=(x、μx)及びY=(y、μy)であって、xは次元が第2空間yの次元より大きい又は等しい第1空間であり、μ x は前記第1空間xの第1メトリックであり、μ y は前記第2空間yの第2メトリックである前記2つのメトリック空間に対して、前記圧縮は、前記第1空間xに属するn個の点の第1集合Pと、前記第2空間yに属するn個の点の第2集合Qとの間に形成される点の対をマッピングすることによって実現され、n個の点の前記第2集合Qの各点は、次式によってn個の点の前記第1集合Pの一つの点と対になり、
(式1)
はPにおける点の間の第1の対称距離行列であり、
はQにおける点の間の第2の対称距離行列であり、d(.,.)は正方行列の空間上の対称距離関数であり、A1及びA2は次のプロパティを保持する任意の2つの関数である、
- A:R + → [0, 1],
- A(0)=1,
- A(z 1 )>A(z 2 ) z 1 <z 2 のときかつそのときに限り成立する,
ことを特徴とする、コンピュータに基づく方法。
(2)前記双方向圧縮を開始する前に、少なくとも一つのデータから属性を抽出すること(20)をさらに含む、上記(1)に記載のコンピュータに基づく方法。
(3)次式を求めることによって、
(式2)
前記第1空間xに属する新たな点mを前記第2空間y上に圧縮することと、
次式を求めることによって、
(式3)
前記第2空間yに属する新たな点tを前記第1空間x上に復元することと、を含み、
ここで、μx(P、m)及びμy(Q、t)は、BiMapの各点と、対応する各空間における新たな点との間の距離ベクトルであり、BiMapは、式2及び式3によって表される第1空間xの点と第2空間yの点との間の対応関係であり、点Qは、式1を求めることによって点Pから計算される、上記(1)又は(2)に記載のコンピュータに基づく方法。
(4)環境コンテキストにおいて人間に近い意思決定をシミュレーションするためのコンピュータに基づく方法であって、
− 少なくとも一つのセンサで環境データをキャプチャすること(10)と、
− 前記環境データを用いて、前記データを上記(1)〜(3)のいずれかに記載の低次元マップに圧縮して高次元データの双方向圧縮を実現するためのコンピュータに基づく方法を実現することと、
− 環境データがコンピュータに基づくモデルの学習段階の間にキャプチャされた場合、キャプチャされた前記データは、予め評価されている既知の予め記録されたデータに対応し、異なる特性を有するデータをどの程度良好に分離するかにより前記マップの品質を決定することによって、圧縮データの前記マップを評価することと(24)、
− 環境データが前記学習段階の後にキャプチャされた場合、前記圧縮データに新たな点を追加し(26)、オペレータの状態に対応するように使用する人間に近い意思決定の状態を示す信号を生成することと、を含む、コンピュータに基づく方法。
(5)データの双方向圧縮を実現するためのコンピュータに基づく方法を実現する前に、前記環境データを少なくとも一つのフィルタで前処理すること(14)を含み、データの双方向圧縮を実現するための前記コンピュータに基づく方法は、入力データとしてフィルタリングされた環境データを受信する、上記(4)に記載のコンピュータに基づく方法。
(6)前記環境データは、少なくとも一つのマイクロフォンを用いて車のコックピット内に記録された生の音の少なくとも一つのサンプルを含み、前記方法は、聴覚モデルによって出力された前記データを少なくとも一つのフィルタで前処理する前に、前記環境データを聴覚モデルに入力すること(12)をさらに含み、前記聴覚モデルは、環境データの複数の異なるバージョンを供給し、前記前処理は、前記環境データの全てのバージョンにわたって実現される、上記(4)又は(5)に記載のコンピュータに基づく方法。
(7)環境データをキャプチャするための少なくとも一つのセンサ(110)と、ツール及びオペレータの動的行動と相互作用するためのメモリを有するアーキテクチャとを含む、環境コンテキストにおける人間のような行動をシミュレーションするためのシステムであって、
前記アーキテクチャは、上記(4)〜(6)のいずれか一項に記載の環境コンテキストにおける人間に近い意思決定をシミュレーションするための前記コンピュータに基づく方法のステップを処理するように構成されていることを特徴とするシステム。
(8)前記アーキテクチャのメモリは人工的なメモリ(100)であり、前記アーキテクチャは、抽象化、一般化及び学習の構造及び機構を有する第1のニューラルネットワークであり、前記第1のニューラルネットワークの実装は、人工的階層メモリシステムを有する前記アーキテクチャを規定し、前記人工的階層メモリシステムは、(ツール上の)センサによって生成されたデータを受信するように構成された受信ポートと、前記受信ポートから受信した頻繁に生じる入力の属性及びシーケンスを学習し認識するように構成された一つ又は複数の第1ノードであって、構成要素としてのニューロンと、グラフ内において二つ以上の前記ニューロンを接続するエッジとを形成する、前記一つ又は複数の第1ノードと、前記アーキテクチャによって構築され前記行動に関連するデータを出力するように構成された出力ポートとを備え、それによって前記一つ又は複数又は本質的に全ての前記第1ノードは、時系列解析に適しており、トポロジカルグラフ又は時間グラフ内において接続される構成要素を備える、上記(7)に記載のシステム。
(9)前記少なくとも一つのセンサによってキャプチャされた前記環境データに異なるフィルタのセットを適用する前処理フィルタをさらに備える、上記(7)又は(8)に記載のシステム。
(10)前記環境データは、ノイズセンサを用いて車のコックピット内に記録された生の音の少なくとも一つのサンプルを含み、前記システムは、前記環境データの複数の異なるバージョンを出力するためのフィルタリング前処理の前に、前記記録された環境データに適用されるように構成された聴覚モデルをさらに備え、前記フィルタリング前処理は、前記環境データの全てのバージョンにわたって実現される、上記(7)〜(9)のいずれか一項に記載のシステム。
(11)処理エンジン上で実行されると、ツール及びオペレータの動的行動と対話するための知覚/認知アーキテクチャに人工的なメモリを提供するコードセグメントを含むことができ、前記知覚/認知アーキテクチャは、抽象化、一般化及び任意選択で学習するための構造及び機構を有するメモリ予測フレームワーク実装に基づいており、前記メモリ予測フレームワーク実装は、拡張された人工的階層メモリシステムを含む、上記(4)〜(6)のいずれか一項に記載のコンピュータに基づく方法を実現するソフトウェアを有するコンピュータプログラム製品。
(12)上記(7)〜(10)のいずれか一項に記載の環境コンテキストにおける人間に近い意思決定をシミュレーションするためのシステムを含む電子制御ユニットを備える車両。
本明細書に開示される発明は以下の実施形態を含む。
(1)高次元データを低次元マップに圧縮することによって、データの双方向圧縮を実現するコンピュータに基づく方法であって、前記方法は、1より大きな第1の次元を有するデータであって、少なくとも一つのセンサによってキャプチャされ送信されたデータ、を受信することと、前記データ又は前記データから得られる属性を、前記第1の次元よりも小さい第2の次元を用いて圧縮データに圧縮することとを含み、
2つのメトリック空間X=(x、μx)及びY=(y、μy)であって、xは次元が第2空間yの次元より大きい又は等しい第1空間であり、μxは前記第1空間xの第1メトリックであり、μyは前記第2空間yの第2メトリックである前記2つのメトリック空間に対して、前記圧縮は、前記第1空間xに属するn個の点の第1集合Pと、前記第2空間yに属するn個の点の第2集合Qとの間に形成される点の対をマッピングすることによって実現され、n個の点の前記第2集合Qの各点は、次式によってn個の点の前記第1集合Pの一つの点と対になり、
(式1)
はPにおける点の間の第1の対称距離行列であり、
はQにおける点の間の第2の対称距離行列であり、d(.,.)は正方行列の空間上の対称距離関数であり、A1及びA2は次のプロパティを保持する任意の2つの関数である、
- A:R+ →[0, 1],
- A(0)=1,
- A(z1)>A(z2) z1<z2のときかつそのときに限り成立する,
ことを特徴とする、コンピュータに基づく方法。
(2)前記双方向圧縮を開始する前に、少なくとも一つのデータから属性を抽出することをさらに含む、上記(1)に記載のコンピュータに基づく方法。
(3)次式を求めることによって、
(式2)
前記第1空間xに属する新たな点mを前記第2空間y上に圧縮することと、
次式を求めることによって、
(式3)
前記第2空間yに属する新たな点tを前記第1空間x上に復元することと、を含み、
ここで、μx(P、m)及びμy(Q、t)は、BiMapの各点と、対応する各空間における新たな点との間の距離ベクトルであり、BiMapは、式2及び式3によって表される第1空間xの点と第2空間yの点との間の対応関係であり、点Qは、式1を求めることによって点Pから計算される、上記(1)又は(2)に記載のコンピュータに基づく方法。
(4)環境コンテキストにおいて人間に近い意思決定をシミュレーションするためのコンピュータに基づく方法であって、
− 少なくとも一つのセンサで環境データをキャプチャすることと、
− 前記環境データを用いて、前記データを上記(1)〜(3)のいずれかに記載の低次元マップに圧縮して高次元データの双方向圧縮を実現するためのコンピュータに基づく方法を実現することと、
− 環境データがコンピュータに基づくモデルの学習段階の間にキャプチャされた場合、キャプチャされた前記データは、予め評価されている既知の予め記録されたデータに対応し、異なる特性を有するデータをどの程度良好に分離するかにより前記マップの品質を決定することによって、圧縮データの前記マップを評価することと、
− 環境データが前記学習段階の後にキャプチャされた場合、前記圧縮データに新たな点を追加し、オペレータの状態に対応するように使用する人間に近い意思決定の状態を示す信号を生成することと、を含む、コンピュータに基づく方法。
(5)データの双方向圧縮を実現するためのコンピュータに基づく方法を実現する前に、前記環境データを少なくとも一つのフィルタで前処理することを含み、データの双方向圧縮を実現するための前記コンピュータに基づく方法は、入力データとしてフィルタリングされた環境データを受信する、上記(4)に記載のコンピュータに基づく方法。
(6)前記環境データは、少なくとも一つのマイクロフォンを用いて車のコックピット内に記録された生の音の少なくとも一つのサンプルを含み、前記方法は、聴覚モデルによって出力された前記データを少なくとも一つのフィルタで前処理する前に、前記環境データを聴覚モデルに入力することをさらに含み、前記聴覚モデルは、環境データの複数の異なるバージョンを供給し、前記前処理は、前記環境データの全てのバージョンにわたって実現される、上記(4)又は(5)に記載のコンピュータに基づく方法。
(7)環境データをキャプチャするための少なくとも一つのセンサと、ツール及びオペレータの動的行動と相互作用するためのメモリを有するアーキテクチャとを含む、環境コンテキストにおける人間のような行動をシミュレーションするためのシステムであって、
前記アーキテクチャは、上記(4)〜(6)のいずれか一項に記載の環境コンテキストにおける人間に近い意思決定をシミュレーションするための前記コンピュータに基づく方法のステップを処理するように構成されていることを特徴とするシステム。
(8)前記アーキテクチャのメモリは人工的なメモリであり、前記アーキテクチャは、抽象化、一般化及び学習の構造及び機構を有する第1のニューラルネットワークであり、前記第1のニューラルネットワークの実装は、人工的階層メモリシステムを有する前記アーキテクチャを規定し、前記人工的階層メモリシステムは、(ツール上の)センサによって生成されたデータを受信するように構成された受信ポートと、前記受信ポートから受信した頻繁に生じる入力の属性及びシーケンスを学習し認識するように構成された一つ又は複数の第1ノードであって、構成要素としてのニューロンと、グラフ内において二つ以上の前記ニューロンを接続するエッジとを形成する、前記一つ又は複数の第1ノードと、前記アーキテクチャによって構築され前記行動に関連するデータを出力するように構成された出力ポートとを備え、それによって前記一つ又は複数又は本質的に全ての前記第1ノードは、時系列解析に適しており、トポロジカルグラフ又は時間グラフ内において接続される構成要素を備える、上記(7)に記載のシステム。
(9)前記少なくとも一つのセンサによってキャプチャされた前記環境データに異なるフィルタのセットを適用する前処理フィルタをさらに備える、上記(7)又は(8)に記載のシステム。
(10)前記環境データは、ノイズセンサを用いて車のコックピット内に記録された生の音の少なくとも一つのサンプルを含み、前記システムは、前記環境データの複数の異なるバージョンを出力するためのフィルタリング前処理の前に、前記記録された環境データに適用されるように構成された聴覚モデルをさらに備え、前記フィルタリング前処理は、前記環境データの全てのバージョンにわたって実現される、上記(7)〜(9)のいずれか一項に記載のシステム。
(11)処理エンジン上で実行されると、ツール及びオペレータの動的行動と対話するための知覚/認知アーキテクチャに人工的なメモリを提供するコードセグメントを含むことができ、前記知覚/認知アーキテクチャは、抽象化、一般化及び任意選択で学習するための構造及び機構を有するメモリ予測フレームワーク実装に基づいており、前記メモリ予測フレームワーク実装は、拡張された人工的階層メモリシステムを含む、上記(4)〜(6)のいずれか一項に記載のコンピュータに基づく方法を実現するソフトウェアを有するコンピュータプログラム製品。
(12)上記(7)〜(10)のいずれか一項に記載の環境コンテキストにおける人間に近い意思決定をシミュレーションするためのシステムを含む電子制御ユニットを備える車両。
Claims (12)
- 高次元データを低次元マップに圧縮することによって、データの双方向圧縮を実現するコンピュータに基づく方法であって、前記方法は、1より大きな第1の次元を有するデータであって、少なくとも一つのセンサによってキャプチャされ送信されたデータ、を受信すること(18)と、前記データ又は前記データから得られる属性を、前記第1の次元よりも小さい第2の次元を用いて圧縮データに圧縮すること(22)とを含み、
2つのメトリック空間X=(x、μx)及びY=(y、μy)であって、xは次元が第2空間yの次元より大きい又は等しい第1空間であり、μxは前記第1空間xの第1メトリックであり、μyは前記第2空間yの第2メトリックである前記2つのメトリック空間に対して、前記圧縮は、前記第1空間xに属するn個の点の第1集合Pと、前記第2空間yに属するn個の点の第2集合Qとの間に形成される点の対をマッピングすることによって実現され、n個の点の前記第2集合Qの各点は、次式によってn個の点の前記第1集合Pの一つの点と対になり、
(式1)
はPにおける点の間の第1の対称距離行列であり、
はQにおける点の間の第2の対称距離行列であり、d(.,.)は正方行列の空間上の対称距離関数であり、A1及びA2は次のプロパティを保持する任意の2つの関数である、
- A:R+ →[0, 1],
- A(0)=1,
- A(z1)>A(z2) z1<z2のときかつそのときに限り成立する,
ことを特徴とする、コンピュータに基づく方法。 - 前記双方向圧縮を開始する前に、少なくとも一つのデータから属性を抽出すること(20)をさらに含む、請求項1に記載のコンピュータに基づく方法。
- 環境コンテキストにおいて人間に近い意思決定をシミュレーションするためのコンピュータに基づく方法であって、
− 少なくとも一つのセンサで環境データをキャプチャすること(10)と、
− 前記環境データを用いて、前記データを請求項1〜3のいずれかに記載の低次元マップに圧縮して高次元データの双方向圧縮を実現するためのコンピュータに基づく方法を実現することと、
− 環境データがコンピュータに基づくモデルの学習段階の間にキャプチャされた場合、キャプチャされた前記データは、予め評価されている既知の予め記録されたデータに対応し、異なる特性を有するデータをどの程度良好に分離するかにより前記マップの品質を決定することによって、圧縮データの前記マップを評価することと(24)、
− 環境データが前記学習段階の後にキャプチャされた場合、前記圧縮データに新たな点を追加し(26)、オペレータの状態に対応するように使用する人間に近い意思決定の状態を示す信号を生成することと、を含む、コンピュータに基づく方法。 - データの双方向圧縮を実現するためのコンピュータに基づく方法を実現する前に、前記環境データを少なくとも一つのフィルタで前処理すること(14)を含み、データの双方向圧縮を実現するための前記コンピュータに基づく方法は、入力データとしてフィルタリングされた環境データを受信する、請求項4に記載のコンピュータに基づく方法。
- 前記環境データは、少なくとも一つのマイクロフォンを用いて車のコックピット内に記録された生の音の少なくとも一つのサンプルを含み、前記方法は、聴覚モデルによって出力された前記データを少なくとも一つのフィルタで前処理する前に、前記環境データを聴覚モデルに入力すること(12)をさらに含み、前記聴覚モデルは、環境データの複数の異なるバージョンを供給し、前記前処理は、前記環境データの全てのバージョンにわたって実現される、請求項4又は5に記載のコンピュータに基づく方法。
- 環境データをキャプチャするための少なくとも一つのセンサ(110)と、ツール及びオペレータの動的行動と相互作用するためのメモリを有するアーキテクチャとを含む、環境コンテキストにおける人間のような行動をシミュレーションするためのシステムであって、
前記アーキテクチャは、請求項4〜6のいずれか一項に記載の環境コンテキストにおける人間に近い意思決定をシミュレーションするための前記コンピュータに基づく方法のステップを処理するように構成されていることを特徴とするシステム。 - 前記アーキテクチャのメモリは人工的なメモリ(100)であり、前記アーキテクチャは、抽象化、一般化及び学習の構造及び機構を有する第1のニューラルネットワークであり、前記第1のニューラルネットワークの実装は、人工的階層メモリシステムを有する前記アーキテクチャを規定し、前記人工的階層メモリシステムは、(ツール上の)センサによって生成されたデータを受信するように構成された受信ポートと、前記受信ポートから受信した頻繁に生じる入力の属性及びシーケンスを学習し認識するように構成された一つ又は複数の第1ノードであって、構成要素としてのニューロンと、グラフ内において二つ以上の前記ニューロンを接続するエッジとを形成する、前記一つ又は複数の第1ノードと、前記アーキテクチャによって構築され前記行動に関連するデータを出力するように構成された出力ポートとを備え、それによって前記一つ又は複数又は本質的に全ての前記第1ノードは、時系列解析に適しており、トポロジカルグラフ又は時間グラフ内において接続される構成要素を備える、請求項7に記載のシステム。
- 前記少なくとも一つのセンサによってキャプチャされた前記環境データに異なるフィルタのセットを適用する前処理フィルタをさらに備える、請求項7又は8に記載のシステム。
- 前記環境データは、ノイズセンサを用いて車のコックピット内に記録された生の音の少なくとも一つのサンプルを含み、前記システムは、前記環境データの複数の異なるバージョンを出力するためのフィルタリング前処理の前に、前記記録された環境データに適用されるように構成された聴覚モデルをさらに備え、前記フィルタリング前処理は、前記環境データの全てのバージョンにわたって実現される、請求項7〜9のいずれか一項に記載のシステム。
- 処理エンジン上で実行されると、ツール及びオペレータの動的行動と対話するための知覚/認知アーキテクチャに人工的なメモリを提供するコードセグメントを含むことができ、前記知覚/認知アーキテクチャは、抽象化、一般化及び任意選択で学習するための構造及び機構を有するメモリ予測フレームワーク実装に基づいており、前記メモリ予測フレームワーク実装は、拡張された人工的階層メモリシステムを含む、請求項4〜6のいずれか一項に記載のコンピュータに基づく方法を実現するソフトウェアを有するコンピュータプログラム製品。
- 請求項7〜10のいずれか一項に記載の環境コンテキストにおける人間に近い意思決定をシミュレーションするためのシステムを含む電子制御ユニットを備える車両。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/EP2015/066952 WO2017012677A1 (en) | 2015-07-23 | 2015-07-23 | System and computer-based method for simulating a human-like control behaviour in an environmental context. |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020163483A Division JP7204717B2 (ja) | 2020-09-29 | 2020-09-29 | 環境コンテキストにおいて人間のような制御行動をシミュレーションするためのシステム及びコンピュータに基づく方法。 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2018529298A true JP2018529298A (ja) | 2018-10-04 |
Family
ID=53758203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018522849A Pending JP2018529298A (ja) | 2015-07-23 | 2015-07-23 | 環境コンテキストにおいて人間のような制御行動をシミュレーションするためのシステム及びコンピュータに基づく方法。 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11379705B2 (ja) |
EP (1) | EP3326117A1 (ja) |
JP (1) | JP2018529298A (ja) |
CN (1) | CN107924484A (ja) |
WO (1) | WO2017012677A1 (ja) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107924484A (zh) * | 2015-07-23 | 2018-04-17 | 丰田汽车欧洲股份有限公司 | 用于在环境背景下模拟类人控制行为的系统和基于计算机的方法 |
US11273836B2 (en) | 2017-12-18 | 2022-03-15 | Plusai, Inc. | Method and system for human-like driving lane planning in autonomous driving vehicles |
US11130497B2 (en) * | 2017-12-18 | 2021-09-28 | Plusai Limited | Method and system for ensemble vehicle control prediction in autonomous driving vehicles |
US20190185012A1 (en) | 2017-12-18 | 2019-06-20 | PlusAI Corp | Method and system for personalized motion planning in autonomous driving vehicles |
JP7380566B2 (ja) * | 2018-08-03 | 2023-11-15 | 日本電気株式会社 | 情報処理装置、情報処理方法および情報処理プログラム |
JP7110884B2 (ja) * | 2018-10-01 | 2022-08-02 | オムロン株式会社 | 学習装置、制御装置、学習方法、及び学習プログラム |
CN111666797B (zh) * | 2019-03-08 | 2023-08-08 | 深圳市速腾聚创科技有限公司 | 车辆定位方法、装置和计算机设备 |
CN110427536B (zh) * | 2019-08-12 | 2022-03-04 | 深圳忆海原识科技有限公司 | 一种类脑决策与运动控制系统 |
CN112580799B (zh) * | 2020-12-10 | 2024-04-09 | 江苏大学 | 一种面向多核处理器的并发htm空间池设计方法 |
CN116584902B (zh) * | 2023-07-18 | 2024-05-07 | 山东大学 | 基于特征选优及可视化的心音分类装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014009031A2 (en) * | 2012-07-09 | 2014-01-16 | Toyota Motor Europe Nv/Sa | Artificial memory system and method for use with a computational machine for interacting with dynamic behaviours |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6134537A (en) * | 1995-09-29 | 2000-10-17 | Ai Ware, Inc. | Visualization and self organization of multidimensional data through equalized orthogonal mapping |
JP2005212709A (ja) | 2004-02-02 | 2005-08-11 | Yoichi Takebayashi | 車両運転支援システム |
CN101226056A (zh) * | 2007-06-01 | 2008-07-23 | 清华大学 | 一种基于can总线车身倾角检测语音报警装置 |
US7881929B2 (en) * | 2007-07-25 | 2011-02-01 | General Motors Llc | Ambient noise injection for use in speech recognition |
US8423362B2 (en) * | 2007-12-21 | 2013-04-16 | General Motors Llc | In-vehicle circumstantial speech recognition |
JP2012079178A (ja) | 2010-10-04 | 2012-04-19 | Sony Corp | データ処理装置、データ処理方法、及び、プログラム |
JP5254893B2 (ja) * | 2009-06-26 | 2013-08-07 | キヤノン株式会社 | 画像変換方法及び装置並びにパターン識別方法及び装置 |
CN101853239A (zh) * | 2010-05-06 | 2010-10-06 | 复旦大学 | 一种用于聚类的基于非负矩阵分解的降维方法 |
CN107924484A (zh) * | 2015-07-23 | 2018-04-17 | 丰田汽车欧洲股份有限公司 | 用于在环境背景下模拟类人控制行为的系统和基于计算机的方法 |
SG11201802582XA (en) * | 2015-09-30 | 2018-05-30 | Hampton Creek Inc | Systems and methods for identifying entities that have a target property |
US10210518B2 (en) * | 2016-04-13 | 2019-02-19 | Abdullah Abdulaziz I. Alnajem | Risk-link authentication for optimizing decisions of multi-factor authentications |
-
2015
- 2015-07-23 CN CN201580081857.3A patent/CN107924484A/zh active Pending
- 2015-07-23 WO PCT/EP2015/066952 patent/WO2017012677A1/en active Application Filing
- 2015-07-23 EP EP15742228.8A patent/EP3326117A1/en active Pending
- 2015-07-23 JP JP2018522849A patent/JP2018529298A/ja active Pending
-
2018
- 2018-01-18 US US15/874,293 patent/US11379705B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014009031A2 (en) * | 2012-07-09 | 2014-01-16 | Toyota Motor Europe Nv/Sa | Artificial memory system and method for use with a computational machine for interacting with dynamic behaviours |
Non-Patent Citations (2)
Title |
---|
CHUAN-XIAN REN ET AL.: "Incremental learning of bidirectional principal components for face recognition", PATTERN RECOGNITION, ELSEVIER, GB, vol. 43, no. 1, JPN6019004138, 31 January 2010 (2010-01-31), XP026498171, ISSN: 0004441855, DOI: 10.1016/j.patcog.2009.05.020 * |
WANGMENG ZUO ET AL.: "Bidirectional PCA With Assembled Matrix Distance Metric for Image Recognition", IEEE TRANSACTIONS ON SYSTEM,MAN AND CYBERNETICS PART B, vol. 36, no. 4, JPN6019007084, 31 August 2006 (2006-08-31), XP055259161, ISSN: 0004441854, DOI: 10.1109/TSMCB.2006.872274 * |
Also Published As
Publication number | Publication date |
---|---|
EP3326117A1 (en) | 2018-05-30 |
CN107924484A (zh) | 2018-04-17 |
US11379705B2 (en) | 2022-07-05 |
US20180157957A1 (en) | 2018-06-07 |
WO2017012677A1 (en) | 2017-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2018529298A (ja) | 環境コンテキストにおいて人間のような制御行動をシミュレーションするためのシステム及びコンピュータに基づく方法。 | |
CN105810193B (zh) | 训练语言模型的方法和设备及识别语言的方法和设备 | |
Lin et al. | An overview on study of identification of driver behavior characteristics for automotive control | |
CN106796580B (zh) | 用于处理多个异步事件驱动的样本的方法、装置和介质 | |
US20180032871A1 (en) | Systems and Methods to Perform Machine Learning with Feedback Consistency | |
TW201947464A (zh) | 用於離散化深度神經網路的量化的連續鬆弛 | |
US20160239706A1 (en) | Convolution matrix multiply with callback for deep tiling for deep convolutional neural networks | |
US8504331B2 (en) | Aerodynamic model identification process for aircraft simulation process | |
JP2017054122A (ja) | 音響モデル生成装置及び方法、音声認識装置及び方法 | |
EP3598344A1 (en) | Processing sensor data | |
WO2016036565A1 (en) | Event-driven temporal convolution for asynchronous pulse-modulated sampled signals | |
CN114930336A (zh) | 用于估计仿真的计算成本的方法和系统 | |
WO2021028322A1 (en) | A method for determining a sensor configuration | |
Pan et al. | Cognitive acoustic analytics service for Internet of Things | |
CN112985830A (zh) | 一种abs结果自动判定算法 | |
CN113051394A (zh) | 增强神经句子分类的系统和方法 | |
JP7204717B2 (ja) | 環境コンテキストにおいて人間のような制御行動をシミュレーションするためのシステム及びコンピュータに基づく方法。 | |
JP4875433B2 (ja) | 信号識別装置の学習方法 | |
EP3588441B1 (en) | Imagification of multivariate data sequences | |
CN115758237A (zh) | 基于智能巡检机器人的轴承故障分类方法及系统 | |
US20220309771A1 (en) | Method, device, and computer program for an uncertainty assessment of an image classification | |
US11657282B2 (en) | Efficient inferencing with fast pointwise convolution | |
CN113255800B (zh) | 基于音视频的鲁棒情感建模系统 | |
CN115577511B (zh) | 基于无人机运动状态的短期航迹预测方法、装置及系统 | |
JP7211419B2 (ja) | パターン認識装置、パターン認識方法及びパターン認識プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180123 Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180208 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180123 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180614 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190128 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190305 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20190604 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190904 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20191112 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20200210 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200511 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200630 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20210209 |