JP2020144775A - モデル集約装置及びモデル集約システム - Google Patents

モデル集約装置及びモデル集約システム Download PDF

Info

Publication number
JP2020144775A
JP2020144775A JP2019042641A JP2019042641A JP2020144775A JP 2020144775 A JP2020144775 A JP 2020144775A JP 2019042641 A JP2019042641 A JP 2019042641A JP 2019042641 A JP2019042641 A JP 2019042641A JP 2020144775 A JP2020144775 A JP 2020144775A
Authority
JP
Japan
Prior art keywords
neural network
network model
model
input parameters
new
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.)
Granted
Application number
JP2019042641A
Other languages
English (en)
Other versions
JP6798571B2 (ja
Inventor
泰毅 森田
Yasutake Morita
泰毅 森田
大樹 横山
Daiki Yokoyama
大樹 横山
栄来 北川
Eiki Kitagawa
栄来 北川
翠 栗橋
Midori Kurihashi
翠 栗橋
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
Priority to JP2019042641A priority Critical patent/JP6798571B2/ja
Priority to DE102020103369.9A priority patent/DE102020103369A1/de
Priority to US16/801,152 priority patent/US11531350B2/en
Publication of JP2020144775A publication Critical patent/JP2020144775A/ja
Application granted granted Critical
Publication of JP6798571B2 publication Critical patent/JP6798571B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0285—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using signals transmitted via a public communication network, e.g. GSM network
    • 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
    • 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/043—Distributed expert systems; Blackboards

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Remote Sensing (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Feedback Control In General (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

【課題】車両において学習されたニューラルネットワークモデルを集約して車両の外部の記憶装置に記憶させる場合に、記憶装置の記憶容量が不足することを抑制する。【解決手段】モデル集約装置２は、ニューラルネットワークモデルの学習が行われる複数の車両と通信可能な通信装置２１と、複数の車両から送信されたニューラルネットワークモデルの一部を記憶する記憶装置２２と、制御装置２４とを備える。ニューラルネットワークモデルは複数の入力パラメータから少なくとも一つの出力パラメータを出力する。制御装置は、通信装置を介して複数の車両のうちの一つの車両から新たなモデルを受信した場合、新たなモデルの学習に用いられた複数の入力パラメータのそれぞれの範囲と、記憶装置に記憶されている現在のモデルの学習に用いられた複数の入力パラメータのそれぞれの範囲とを比較することによって、現在のモデルを新たなモデルに置き換えるか否かを決定する。【選択図】図４

Description

本発明はモデル集約装置及びモデル集約システムに関する。
従来、所定の入力パラメータから所定の出力パラメータを出力するニューラルネットワークモデルを車両の制御のために用いることが知られている。例えば、特許文献１には、学習済みのニューラルネットワークモデルを用いて、車両に搭載された内燃機関の燃焼室に吸入される吸入ガスの流量を推定することが記載されている。
特開２０１２−１１２２７７号公報
ところで、ニューラルネットワークモデルの精度を向上させるためには、ニューラルネットワークモデルの学習を予め行う必要がある。ニューラルネットワークモデルの学習では、入力パラメータの実測値と出力パラメータの実測値との組合せから成る訓練データセットが用いられる。
入力パラメータ及び出力パラメータの実測値は車両の実際の走行中にセンサ等を用いて取得可能である。このため、車両において訓練データセットを作成し、車両においてニューラルネットワークモデルの学習を行うことが考えられる。また、ニューラルネットワークモデルを他の車両等に適用するためには、車両において学習されたニューラルネットワークモデルを集約して車両の外部の記憶装置に記憶させることが望ましい。
しかしながら、複数の車両から送信された全てのニューラルネットワークモデルを記憶装置に記憶させようとすると、記憶装置の記憶容量が早期に不足し、新たなニューラルネットワークモデルを記憶装置に記憶させることができなくなる。
そこで、上記課題に鑑みて、本発明の目的は、車両において学習されたニューラルネットワークモデルを集約して車両の外部の記憶装置に記憶させる場合に、記憶装置の記憶容量が不足することを抑制することにある。
本開示の要旨は以下のとおりである。
（１）ニューラルネットワークモデルの学習が行われる複数の車両と通信可能な通信装置と、前記複数の車両から送信されたニューラルネットワークモデルの一部を記憶する記憶装置と、制御装置とを備え、前記ニューラルネットワークモデルは複数の入力パラメータから少なくとも一つの出力パラメータを出力し、前記制御装置は、前記通信装置を介して前記複数の車両のうちの一つの車両から新たなニューラルネットワークモデルを受信した場合、該新たなニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータのそれぞれの範囲と、前記記憶装置に記憶されている現在のニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータのそれぞれの範囲とを比較することによって、前記現在のニューラルネットワークモデルを前記新たなニューラルネットワークモデルに置き換えるか否かを決定する、モデル集約装置。
（２）前記制御装置は、前記新たなニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータのそれぞれの範囲が、前記現在のニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータのそれぞれの範囲よりも広く、前記新たなニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータの組合せの数が、前記現在のニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータの組合せの数よりも少なく、且つ、前記新たなニューラルネットワークモデルの学習が完了した日時が、前記現在のニューラルネットワークモデルの学習が完了した日時よりも遅い場合には、前記現在のニューラルネットワークモデルを前記新たなニューラルネットワークモデルに置き換える、上記（１）に記載のモデル集約装置。
（３）前記制御装置は、前記新たなニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータのそれぞれの範囲が、前記現在のニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータのそれぞれの範囲よりも狭く、前記新たなニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータの組合せの数が、前記現在のニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータの組合せの数よりも多く、且つ、前記新たなニューラルネットワークモデルの学習が完了した日時が、前記現在のニューラルネットワークモデルの学習が完了した日時よりも遅い場合には、前記現在のニューラルネットワークモデルを前記新たなニューラルネットワークモデルに置き換える、上記（１）又は（２）に記載のモデル集約装置。
（４）前記制御装置は、前記新たなニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータのそれぞれの範囲が、前記現在のニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータのそれぞれの範囲よりも広い場合には、前記現在のニューラルネットワークモデルを前記新たなニューラルネットワークモデルに置き換える、上記（１）に記載のモデル集約装置。
（５）前記制御装置は、前記新たなニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータのそれぞれの範囲が、前記現在のニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータのそれぞれの範囲と等しい場合には、前記新たなニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータの組合せの数が、前記現在のニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータの組合せの数よりも多い場合に、前記現在のニューラルネットワークモデルを前記新たなニューラルネットワークモデルに置き換える、上記（１）から（４）のいずれか１つに記載のモデル集約装置。
（６）前記制御装置は、前記新たなニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータの少なくとも一つの値が異常である場合には、前記現在のニューラルネットワークモデルを前記新たなニューラルネットワークモデルに置き換えない、上記（１）から（５）のいずれか１つに記載のモデル集約装置。
（７）サーバ及び複数の車両を備えるモデル集約システムであって、前記複数の車両は、それぞれ、前記サーバと通信可能な第１通信装置と、複数の入力パラメータから少なくとも一つの出力パラメータを出力するニューラルネットワークモデルの学習を行う第１制御装置とを備え、前記サーバは、前記複数の車両と通信可能な第２通信装置と、前記複数の車両から送信されたニューラルネットワークモデルの一部を記憶する記憶装置と、第２制御装置とを備え、前記第２制御装置は、前記第１通信装置及び前記第２通信装置を介して前記複数の車両のうちの一つの車両から新たなニューラルネットワークモデルを受信した場合、該新たなニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータのそれぞれの範囲と、前記記憶装置に記憶されている現在のニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータのそれぞれの範囲とを比較することによって、前記現在のニューラルネットワークモデルを前記新たなニューラルネットワークモデルに置き換えるか否かを決定する、モデル集約システム。
本発明によれば、車両において学習されたニューラルネットワークモデルを集約して車両の外部の記憶装置に記憶させる場合に、記憶装置の記憶容量が不足することを抑制することができる。
図１は、本発明の第一実施形態に係るモデル集約システムの概略的な構成図である。 図２は、車両の構成の一部を概略的に示す図である。 図３は、単純な構成を有するニューラルネットワークモデルの一例を示す。 図４は、第一実施形態におけるモデル置換処理の制御ルーチンを示すフローチャートである。 図５は、ニューラルネットワークモデルの学習に用いられた複数の入力パラメータの範囲を示す図である。 図６は、第二実施形態におけるモデル置換処理の制御ルーチンを示すフローチャートである。 図７は、第三実施形態におけるモデル置換処理の制御ルーチンを示すフローチャートである。 図８Ａは、第四実施形態におけるモデル置換処理の制御ルーチンを示すフローチャートである。 図８Ｂは、第四実施形態におけるモデル置換処理の制御ルーチンを示すフローチャートである。 図８Ｃは、第四実施形態におけるモデル置換処理の制御ルーチンを示すフローチャートである。
以下、図面を参照して本発明の実施形態について詳細に説明する。なお、以下の説明では、同様な構成要素には同一の参照番号を付す。
＜第一実施形態＞
最初に、図１〜図５を参照して、本発明の第一実施形態について説明する。図１は、本発明の第一実施形態に係るモデル集約システムの概略的な構成図である。モデル集約システム１はサーバ２及び複数の車両３を備える。
図１に示されるように、サーバ２は、複数の車両３の外部に設けられ、通信インターフェース２１、ストレージ装置２２、メモリ２３及びプロセッサ２４を備える。なお、サーバ２は、キーボード及びマウスのような入力装置、ディスプレイのような出力装置等を更に備えていてもよい。また、サーバ２は複数のコンピュータから構成されていてもよい。サーバ２はモデル集約装置の一例である。
通信インターフェース２１は、複数の車両３と通信可能であり、サーバ２が複数の車両３と通信することを可能とする。具体的には、通信インターフェース２１は、サーバ２を通信ネットワーク５に接続するためのインターフェース回路を有する。サーバ２は、通信インターフェース２１、通信ネットワーク５及び無線基地局６を介して複数の車両３と通信する。通信インターフェース２１は通信装置の一例である。
ストレージ装置２２は、例えば、ハードディスクドライブ（ＨＤＤ）、ソリッドステートドライブ（ＳＳＤ）又は光記録媒体を有する。ストレージ装置２２は、各種データを記憶し、例えば、車両情報、プロセッサ２４が各種処理を実行するためのコンピュータプログラム等を記憶する。ストレージ装置２２は記憶装置の一例である。
メモリ２３は、例えばランダムアクセスメモリ（ＲＡＭ）のような半導体メモリを有する。メモリ２３は、例えばプロセッサ２４によって各種処理が実行されるときに使用される各種データ等を記憶する。
通信インターフェース２１、ストレージ装置２２及びメモリ２３は、信号線を介してプロセッサ２４に接続されている。プロセッサ２４は、一つ又は複数のＣＰＵ及びその周辺回路を有し、各種処理を実行する。なお、プロセッサ２４は、論理演算ユニット又は数値演算ユニットのような演算回路を更に有していてもよい。プロセッサ２４は制御装置の一例である。
図２は、車両３の構成の一部を概略的に示す図である。車両３は電子制御ユニット（ＥＣＵ（Electronic Control Unit））３０を備える。ＥＣＵ３０は、通信インターフェース３１、メモリ３２及びプロセッサ３３を含み、車両３の各種制御を実行する。なお、本実施形態では、一つのＥＣＵ３０が設けられているが、機能毎に複数のＥＣＵが設けられていてもよい。ＥＣＵ３０は制御装置の一例である。
通信インターフェース３１は、ＣＡＮ（Controller Area Network）等の規格に準拠した車内ネットワークにＥＣＵ３０を接続するためのインターフェース回路を有する。ＥＣＵ３０は通信インターフェース３１を介して他の車載機器と通信する。
メモリ３２は、例えば、揮発性の半導体メモリ（例えば、ＲＡＭ）及び不揮発性の半導体メモリ（例えば、ＲＯＭ）を有する。メモリ３２は、プロセッサ３３によって実行されるプログラム、プロセッサ３３によって各種処理が実行されるときに使用される各種データ等を記憶する。
通信インターフェース３１及びメモリ３２は信号線を介してプロセッサ３３に接続されている。プロセッサ３３は、一つ又は複数のＣＰＵ(Central Processing Unit)及びその周辺回路を有し、各種処理を実行する。なお、プロセッサ３３は、論理演算ユニット又は数値演算ユニットのような演算回路を更に有していてもよい。
また、車両３はサーバ２と通信可能な通信モジュール３６を備える。通信モジュール３６は、信号線を介してＥＣＵ３０に接続され、例えばデータ通信モジュール（ＤＣＭ（Data communication module)）として構成される。車両３は、通信モジュール３６、無線基地局６及び通信ネットワーク５を介してサーバ２と通信する。通信モジュール３６は通信装置の一例である。
モデル集約システム１は、上述したような構成を有し、複数の車両３からニューラルネットワークモデルを集約する。最初に、図３を参照して、ニューラルネットワークモデルの概要について説明する。図３は、単純な構成を有するニューラルネットワークモデルの一例を示す。
図３における丸印は人工ニューロンを表す。人工ニューロンは、通常、ノード又はユニットと称される（本明細書では、「ノード」と称す）。図３において、Ｌ＝１は入力層を示し、Ｌ＝２及びＬ＝３は隠れ層を示し、Ｌ＝４は出力層を示している。なお、隠れ層は中間層とも称される。
図３において、ｘ1及びｘ2は入力層（Ｌ＝１）の各ノード及びそのノードからの出力値を示しており、ｙは出力層（Ｌ＝４）のノード及びその出力値を示している。同様に、ｚ1 (L=2) 、ｚ2 (L=2)及びｚ3 (L=2)は隠れ層（Ｌ＝２）の各ノード及びそのノードからの出力値を示しており、ｚ1 (L=3)及びｚ2 (L=3)は隠れ層（Ｌ＝３）の各ノード及びそのノードからの出力値を示している。
入力層の各ノードでは入力がそのまま出力される。一方、隠れ層（Ｌ＝２）の各ノードには、入力層の各ノードの出力値ｘ1及びｘ2が入力され、隠れ層（Ｌ＝２）の各ノードでは、それぞれ対応する重みｗ及びバイアスｂを用いて総入力値ｕが算出される。例えば、図３において隠れ層（Ｌ＝２）のｚk (L=2)（ｋ＝１、２、３）で示される各ノードにおいて算出される総入力値ｕk (L=2)は、次式のようになる（Ｍは入力層のノードの数）。
Figure 2020144775
 次いで、この総入力値ｕk (L=2)は活性化関数ｆにより変換され、隠れ層（Ｌ＝２）のｚk (L=2)で示されるノードから、出力値ｚk (L=2)（＝ｆ（ｕk (L=2)））として出力される。一方、隠れ層（Ｌ＝３）の各ノードには、隠れ層（Ｌ＝２）の各ノードの出力値ｚ1 (L=2) 、ｚ2 (L=2)及びｚ3 (L=2)が入力され、隠れ層（Ｌ＝３）の各ノードでは、それぞれ対応する重みｗ及びバイアスｂを用いて総入力値ｕ（＝Σｚ・ｗ＋ｂ）が算出される。この総入力値ｕは同様に活性化関数により変換され、隠れ層（Ｌ＝３）の各ノードから、出力値ｚ1 (L=3)、ｚ2 (L=3)として出力される、活性化関数は例えばシグモイド関数σである。
また、出力層（Ｌ＝４）のノードには、隠れ層（Ｌ＝３）の各ノードの出力値ｚ1 (L=3)及びｚ2 (L=3)が入力され、出力層のノードでは、それぞれ対応する重みｗ及びバイアスｂを用いて総入力値ｕ（Σｚ・ｗ＋ｂ）が算出され、又はそれぞれ対応する重みｗのみを用いて総入力値ｕ（Σｚ・ｗ）が算出される。例えば、出力層のノードでは活性化関数として恒等関数が用いられる。この場合、出力層のノードにおいて算出された総入力値ｕが、そのまま出力値ｙとして出力層のノードから出力される。
本実施形態では、複数の入力パラメータ（入力値）から少なくとも一つの出力パラメータ（出力値）を出力するニューラルネットワークモデルが車両３の制御のために車両３において用いられる。斯かるニューラルネットワークモデルの入力パラメータ及び出力パラメータとして、車両３に搭載された内燃機関に関するパラメータ、車両３の走行環境に関するパラメータ等が用いられる。例えば、入力パラメータとして、機関回転数、スロットル弁の開度、吸入空気量（新気量とＥＧＲガス量との合計）又は吸入空気圧、内燃機関の冷却水の温度、カムシャフトの角度、吸気温度、車速及び混合気の目標空燃比が用いられ、出力パラメータとして目標空燃比の補正量が用いられる。
また、車両３が、動力源として内燃機関及びモータを備えるハイブリッド車両（ＨＶ）又はプラグインハイブリッド車両（ＰＨＶ）である場合、以下のような入力パラメータ及び出力パラメータが用いられる。例えば、入力パラメータとして、バッテリの充電率（ＳＯＣ：Ｓｔａｔｅ Ｏｆ Ｃｈａｒｇｅ）、車速、アクセル開度、内燃機関の冷却水の温度、バッテリの温度、エアコン等の使用による電気負荷、大気圧又は高度、緯度、経度、曜日、及び時間帯が用いられ、出力パラメータとしてＨＶモードにおけるバッテリの目標充放電量が用いられる。なお、ＨＶモードでは、バッテリのＳＯＣが目標値になるように内燃機関及びモータが駆動される。また、曜日が入力パラメータとして用いられる場合、曜日が数値化される。例えば、月曜〜日曜に１〜７が割り当てられる。
また、入力パラメータとして、バッテリのＳＯＣ、車速、アクセル開度、モータの温度又はインバータの温度、緯度及び経度が用いられ、出力パラメータとしてＥＶモードにおける内燃機関の始動判定結果が用いられてもよい。なお、ＥＶモードでは、動力源としてモータのみが駆動される。この場合、例えば、ニューラルネットワークモデルからゼロが出力された場合に内燃機関が停止され、ニューラルネットワークモデルから１が出力された場合に内燃機関が始動される。
また、車両３が、動力源として内燃機関及びモータを備え且つ外部電源によってバッテリを充電可能なプラグインハイブリッド車両（ＰＨＶ）である場合、以下のような入力パラメータ及び出力パラメータが用いられる。例えば、入力パラメータとして、バッテリのＳＯＣ、車速、アクセル開度、外気温、内燃機関の冷却水の温度、内燃機関を循環するオイルの温度、緯度、経度、曜日及び時間帯が用いられ、出力パラメータとして走行モード（ＥＶモード又はＨＶモード）が用いられる。この場合、例えば、ニューラルネットワークモデルからゼロが出力された場合に走行モードがＥＶモードに設定され、ニューラルネットワークモデルから１が出力された場合に走行モードがＨＶモードに設定される。
車両３において用いられるニューラルネットワークモデルはＥＣＵ３０のメモリ３２又は車両３に設けられた他の制御装置に記憶される。ＥＣＵ３０は、入力パラメータをニューラルネットワークモデルに入力することによってニューラルネットワークモデルに出力パラメータを出力させる。このとき、各入力パラメータの値として、例えば、車両３に設けられたセンサ等によって検出された値又はＥＣＵ３０において算出された値が用いられる。ニューラルネットワークモデルを用いることによって、所定値の入力パラメータに対応する適切な出力パラメータの値を得ることができる。
ニューラルネットワークモデルの精度を向上させるためには、ニューラルネットワークモデルの学習を予め行う必要がある。本実施形態では、車両３のＥＣＵ３０がニューラルネットワークモデルの学習を行う。すなわち、サーバ２ではなく車両３においてニューラルネットワークモデルの学習が行われる。
ニューラルネットワークモデルの学習では、複数の入力パラメータの実測値と、これら実測値に対応する少なくとも一つの出力パラメータの実測値（正解データ）との組合せから成る訓練データセットが用いられる。このため、ＥＣＵ３０は、複数の入力パラメータの実測値と、これら実測値に対応する少なくとも一つの出力パラメータの実測値とを取得する。入力パラメータ及び出力パラメータの実測値は、例えば、車両３に設けられたセンサ等によって検出された値又はＥＣＵ３０において算出又は決定された値として取得される。これら実測値を組み合わせることによって作成された訓練データセットは、ＥＣＵ３０のメモリ３２又は車両３に設けられた他の制御装置に記憶される。
ＥＣＵ３０は多数の訓練データセットを用いてニューラルネットワークモデルの学習を行う。例えば、ＥＣＵ３０は、ニューラルネットワークモデルの出力値と出力パラメータの実測値との差が小さくなるように、公知の誤差逆伝播法によってニューラルネットワークモデルにおける重みｗ及びバイアスｂを繰り返し更新する。この結果、ニューラルネットワークモデルが学習され、学習済みのニューラルネットワークモデルが生成される。学習済みのニューラルネットワークモデルの情報（モデルの構造、重みｗ、バイアスｂ等）は、ＥＣＵ３０のメモリ３２又は車両３に設けられた他の制御装置に記憶される。
ニューラルネットワークモデルを他の車両等に適用するためには、車両において学習されたニューラルネットワークモデルを集約してサーバ２のストレージ装置２２に記憶させることが望ましい。このため、学習済みのニューラルネットワークモデル（具体的には学習済みのニューラルネットワークモデルの情報）が車両３からサーバ２に送信される。その後、サーバ２は学習済みのニューラルネットワークモデルを他の車両に送信する。このことによって、ニューラルネットワークモデルの学習が行われない車両においても、ニューラルネットワークモデルを効果的に利用することができる。また、車両において用いられるニューラルネットワークモデルを、サーバ２から送信された高精度のニューラルネットワークモデルに置き換えることができる。
しかしながら、複数の車両３から送信された全てのニューラルネットワークモデルをサーバ２のストレージ装置２２に記憶させようとすると、ストレージ装置２２の記憶容量が早期に不足し、新たなニューラルネットワークモデルをストレージ装置２２に記憶させることができなくなる。このため、本実施形態では、複数の車両３において学習が行われたニューラルネットワークモデルの一部をストレージ装置２２に記憶させる。
具体的には、サーバ２のプロセッサ２４は、車両３の通信モジュール及びサーバ２の通信インターフェース２１を介して複数の車両３のうちの一つの車両から新たなニューラルネットワークモデルを受信した場合、新たなニューラルネットワークモデルの学習に用いられた複数の入力パラメータのそれぞれの範囲と、ストレージ装置２２に記憶されている現在のニューラルネットワークモデルの学習に用いられた複数の入力パラメータのそれぞれの範囲とを比較することによって、現在のニューラルネットワークモデルを新たなニューラルネットワークモデルに置き換えるか否かを決定する。このことによって、ストレージ装置２２に記憶されるニューラルネットワークモデルが選別されるため、ストレージ装置２２の記憶容量が不足することを抑制することができる。
また、ストレージ装置２２に記憶されるニューラルネットワークモデルとして、高精度のニューラルネットワークモデルを選別することが望ましい。通常、ニューラルネットワークモデルを用いて様々な値の入力パラメータから適切な出力パラメータの値を出力させるためには、広い範囲の入力パラメータを含む訓練データセットを用いてニューラルネットワークモデルの学習を行う必要がある。このため、ニューラルネットワークモデルの学習に用いられた入力パラメータの範囲が広いほど、ニューラルネットワークモデルの精度が高いと考えられる。
そこで、本実施形態では、サーバ２のプロセッサ２４は、新たなニューラルネットワークモデルの学習に用いられた複数の入力パラメータのそれぞれの範囲が、現在のニューラルネットワークモデルの学習に用いられた複数の入力パラメータのそれぞれの範囲よりも広い場合には、現在のニューラルネットワークモデルを新たなニューラルネットワークモデルに置き換える。このことによって、ストレージ装置２２の記憶容量が不足することを抑制しつつ、ストレージ装置２２に記憶されるニューラルネットワークモデルの精度を向上させることができる。
＜モデル置換処理＞
以下、図４のフローチャートを参照して、上述した制御について詳細に説明する。図４は、第一実施形態におけるモデル置換処理の制御ルーチンを示すフローチャートである。本制御ルーチンはサーバ２のプロセッサ２４によって繰り返し実行される。本制御ルーチンでは、サーバ２のストレージ装置２２に記憶されている現在のニューラルネットワークモデル（以下、「現在のモデル」と称する）を、車両３から受信した新たなニューラルネットワークモデル（以下、「新たなモデル」と称する）に置き換えるか否かが判定される。
最初に、ステップＳ１０１において、車両３から新たなモデルを受信したか否かが判定される。車両３から新たなモデルを受信していないと判定された場合、本制御ルーチンは終了する。一方、車両３から新たなモデルを受信したと判定された場合、本制御ルーチンはステップＳ１０２に進む。
ステップＳ１０２では、新たなモデルの入力パラメータ番号ｋが１に設定され、現在のモデルの入力パラメータ番号ｍが１に設定される。
次いで、ステップＳ１０３では、新たなモデルの学習に用いられた第ｋ入力パラメータの範囲ＲＮＧ（ｋ）が、現在のモデルの学習に用いられた第ｍ入力パラメータの範囲ＲＮＧ（ｍ）よりも広いか否かが判定される。本制御ルーチンにおいて、ｋ及びｍの値は等しくなる。したがって、ステップＳ１０３では、新たなモデルと現在のモデルとの間で、入力パラメータ毎に、学習に用いられた入力パラメータの範囲が比較される。
図５は、ニューラルネットワークモデルの学習に用いられた複数の入力パラメータの範囲を示す図である。図５の例では、ニューラルネットワークモデルにおいて、第１入力パラメータ〜第６入力パラメータの六つの入力パラメータが用いられる。すなわち、ニューラルネットワークモデルの入力層のノードの数は六つである。なお、新たなモデル及び現在のモデルでは、同一の入力パラメータ及び出力パラメータが用いられる。
各入力パラメータの範囲は、ニューラルネットワークモデルの学習に用いられた訓練データセットに含まれる入力パラメータの実測値の最小値と最大値との差として算出される。例えば、第１入力パラメータが車速であり、３０ｋｍ／ｈ〜８０ｋｍ／ｈの実測値が学習に用いられた場合、第１入力パラメータの範囲は、５０（＝８０−３０）となり、（３０，８０）のように表される。
ニューラルネットワークモデルの学習に用いられた各入力パラメータの最小値及び最大値又は範囲は、学習済みのニューラルネットワークモデルの情報の一つとして、ＥＣＵ３０のメモリ３２又は車両３に設けられた他の制御装置に記憶される。このため、サーバ２のプロセッサ２４は、車両３から新たなモデルを受信するとき、新たなモデルの学習に用いられた各入力パラメータの範囲を取得することができる。
また、新たなモデルがストレージ装置２２に記憶されるとき、新たなモデルの学習に用いられた各入力パラメータの最小値及び最大値又は範囲がストレージ装置２２に記憶される。このため、サーバ２のプロセッサ２４は、現在のモデルの学習に用いられた各入力パラメータの範囲を取得することができる。
ステップＳ１０３において新たなモデルの学習に用いられた第ｋ入力パラメータの範囲ＲＮＧ（ｋ）が、現在のモデルの学習に用いられた第ｍ入力パラメータの範囲ＲＮＧ（ｍ）以下であると判定された場合、本制御ルーチンはステップＳ１０７に進む。ステップＳ１０７では、新たなモデルがストレージ装置２２から削除される。すなわち、現在のモデルが維持され、新たなモデルがストレージ装置２２に記憶されない。ステップＳ１０７の後、本制御ルーチンは終了する。
一方、新たなモデルの学習に用いられた第ｋ入力パラメータの範囲ＲＮＧ（ｋ）が、現在のモデルの学習に用いられた第ｍ入力パラメータの範囲ＲＮＧ（ｍ）よりも広いと判定された場合、本制御ルーチンはステップＳ１０４に進む。ステップＳ１０４では、新たなモデルの入力パラメータ番号ｋに１が加算され、現在のモデルの入力パラメータ番号ｍに１が加算される。
次いで、ステップＳ１０５では、新たなモデルの入力パラメータ番号ｋがＮ＋１であるか否かが判定される。Ｎは、ニューラルネットワークモデルに入力される入力パラメータの数であり、図５の例では６である。このため、ステップＳ１０５では、新たなモデルと現在のモデルとの間で全ての入力パラメータの範囲が比較されたか否かが判定される。新たなモデルの入力パラメータ番号ｋがＮ以下であると判定された場合、本制御ルーチンはステップＳ１０３に戻り、次の入力パラメータの範囲が比較される。
一方、ステップＳ１０５において新たなモデルの入力パラメータ番号ｋがＮ＋１であると判定された場合、本制御ルーチンはステップＳ１０６に進む。この場合、新たなモデルの学習に用いられた全ての入力パラメータのそれぞれの範囲が現在のモデルの学習に用いられた全ての入力パラメータのそれぞれの範囲よりも広い。このため、ステップＳ１０６において現在のモデルが新たなモデルに置き換えられる。すなわち、現在のモデルがストレージ装置２２から削除され、新たなモデルがストレージ装置２２に記憶される。ステップＳ１０６の後、本制御ルーチンは終了する。
なお、新たなモデルと同一の入力パラメータ及び出力パラメータを有する現在のモデルが存在しない場合には、新たなモデルがストレージ装置２２に記憶される。
＜第二実施形態＞
第二実施形態に係るモデル集約システム及びモデル集約装置の構成及び制御は、以下に説明する点を除いて、基本的に第一実施形態に係るモデル集約システム及びモデル集約装置の構成及び制御と同様である。このため、以下、本発明の第二実施形態について、第一実施形態と異なる部分を中心に説明する。
第一実施形態では、新たなモデルの学習に用いられた複数の入力パラメータのそれぞれの範囲が、現在のモデルの学習に用いられた複数の入力パラメータのそれぞれの範囲と等しい場合、新たなモデルがストレージ装置２２から削除される。しかしながら、この場合に必ずしも新たなモデルの精度が現在のモデルの精度以下であるとは限らない。
通常、学習に用いられた複数の入力パラメータのそれぞれの範囲が等しい場合、学習に用いられた複数の入力パラメータの組合せの数、すなわち訓練データセットの数が多いほど、学習済みのニューラルネットワークモデルの精度は高くなる。
このため、第二実施形態では、サーバ２のプロセッサ２４は、新たなモデルの学習に用いられた複数の入力パラメータのそれぞれの範囲が、現在のモデルの学習に用いられた複数の入力パラメータのそれぞれの範囲と等しい場合には、新たなモデルの学習に用いられた複数の入力パラメータの組合せの数が、現在のモデルの学習に用いられた複数の入力パラメータの組合せの数よりも多い場合に、現在のモデルを新たなモデルに置き換える。このことによって、ストレージ装置２２の記憶容量が不足することを抑制しつつ、ストレージ装置２２に記憶されるニューラルネットワークモデルの精度をより効果的に向上させることができる。
＜モデル置換処理＞
図６は、第二実施形態におけるモデル置換処理の制御ルーチンを示すフローチャートである。本制御ルーチンはサーバ２のプロセッサ２４によって繰り返し実行される。
ステップＳ２０１〜ステップＳ２０５は図４のステップＳ１０１〜ステップＳ１０５と同様であることから説明を省略する。ステップＳ２０５において新たなモデルの入力パラメータ番号ｋがＮ＋１であると判定された場合、本制御ルーチンはステップＳ２０６に進む。
ステップＳ２０６では、新たなモデルと現在のモデルとの間で全ての入力パラメータの範囲が等しいか否かが判定される。新たなモデルの学習に用いられた全ての入力パラメータのそれぞれの範囲が現在のモデルの学習に用いられた全ての入力パラメータのそれぞれの範囲よりも広い場合、ステップＳ２０６において全ての入力パラメータの範囲が等しくないと判定され、本制御ルーチンはステップＳ２０８に進む。
ステップＳ２０８では、現在のモデルが新たなモデルに置き換えられる。すなわち、現在のモデルがストレージ装置２２から削除され、新たなモデルがストレージ装置２２に記憶される。ステップＳ２０８の後、本制御ルーチンは終了する。
一方、ステップＳ２０６において全ての入力パラメータの範囲が等しいと判定された場合、本制御ルーチンはステップＳ２０７に進む。ステップＳ２０７では、新たなモデルの学習に用いられた複数の入力パラメータの組合せの数ＣＮｋが、現在のモデルの学習に用いられた複数の入力パラメータの組合せの数ＣＮｍよりも多いか否かが判定される。すなわち、新たなモデルの学習に用いられた訓練データセットの数が、現在のモデルの学習に用いられた訓練データセットの数よりも多いか否かが判定される。
第二実施形態では、ニューラルネットワークモデルの学習に用いられた複数の入力パラメータの組合せの数が、学習済みのニューラルネットワークモデルの情報の一つとして、ＥＣＵ３０のメモリ３２又は車両３に設けられた他の制御装置に記憶される。このため、サーバ２のプロセッサ２４は、車両３から新たなモデルを受信するとき、新たなモデルの学習に用いられた複数の入力パラメータの組合せの数を取得することができる。
また、新たなモデルがストレージ装置２２に記憶されるとき、新たなモデルの学習に用いられた複数の入力パラメータの組合せの数がストレージ装置２２に記憶される。このため、サーバ２のプロセッサ２４は、現在のモデルの学習に用いられた複数の入力パラメータの組合せの数を取得することができる。
ステップＳ２０７において複数の入力パラメータの組合せの数ＣＮｋが複数の入力パラメータの組合せの数ＣＮｍ以下であると判定された場合、本制御ルーチンはステップＳ２０９に進む。ステップＳ２０９では、新たなモデルがストレージ装置２２から削除される。すなわち、現在のモデルが維持され、新たなモデルがストレージ装置２２に記憶されない。ステップＳ２０９の後、本制御ルーチンは終了する。
一方、ステップＳ２０７において複数の入力パラメータの組合せの数ＣＮｋが複数の入力パラメータの組合せの数ＣＮｍよりも多いと判定された場合、本制御ルーチンはステップＳ２０８に進む。ステップＳ２０８では現在のモデルが新たなモデルに置き換えられ、ステップＳ２０８の後、本制御ルーチンは終了する。
＜第三実施形態＞
第三実施形態に係るモデル集約システム及びモデル集約装置の構成及び制御は、以下に説明する点を除いて、基本的に第一実施形態に係るモデル集約システム及びモデル集約装置の構成及び制御と同様である。このため、以下、本発明の第三実施形態について、第一実施形態と異なる部分を中心に説明する。
上述したように、ニューラルネットワークモデルの学習では、多数の訓練データセットが用いられる。しかしながら、センサの劣化等によって入力パラメータの実測値として異常な値が取得された場合、異常な値を含む訓練データセットを用いてニューラルネットワークモデルの学習が行われる。この場合、ニューラルネットワークモデルが異常な値に適合され、学習済みのニューラルネットワークモデルの精度が低下する。
また、ニューラルネットワークモデルの学習に用いられた入力パラメータが異常な値を含む場合、ニューラルネットワークモデルの学習に用いられた入力パラメータの範囲は広くなる傾向にある。このため、入力パラメータの範囲が広い新たなモデルを現在のモデルに置き換えることによってニューラルネットワークモデルの精度が低下するおそれがある。
そこで、第三実施形態では、サーバ２のプロセッサ２４は、新たなモデルの学習に用いられた複数の入力パラメータの少なくとも一つの値が異常である場合には、現在のモデルを新たなモデルに置き換えない。具体的には、プロセッサ２４は、新たなモデルの学習に用いられた複数の入力パラメータの少なくとも一つの値が異常である場合には、新たなモデルと現在のモデルとの間で入力パラメータの範囲を比較することなく新たなモデルをストレージ装置２２から削除する。このことによって、ストレージ装置２２の記憶容量が不足することを抑制しつつ、ストレージ装置２２に記憶されるニューラルネットワークモデルの精度をより効果的に向上させることができる。
＜モデル置換処理＞
図７は、第三実施形態におけるモデル置換処理の制御ルーチンを示すフローチャートである。本制御ルーチンはサーバ２のプロセッサ２４によって繰り返し実行される。
最初に、ステップＳ３０１において、車両３から新たなモデルを受信したか否かが判定される。車両３から新たなモデルを受信していないと判定された場合、本制御ルーチンは終了する。一方、車両３から新たなモデルを受信したと判定された場合、本制御ルーチンはステップＳ３０２に進む。
ステップＳ３０２では、新たなモデルの学習に用いられた複数の入力パラメータの少なくとも一つの値が異常であるか否かが判定される。例えば、複数の入力パラメータのそれぞれについて正常な範囲が予め定められ、新たなモデルの学習に用いられた複数の入力パラメータのそれぞれの最大値及び最小値が正常な範囲に含まれるか否かが判定される。この場合、全ての入力パラメータの最大値及び最小値が正常な範囲に含まれている場合には、新たなモデルの学習に用いられた複数の入力パラメータの全ての値が異常ではないと判定される。一方、少なくとも一つの入力パラメータの最大値又は最小値が正常な範囲に含まれていない場合には、新たなモデルの学習に用いられた複数の入力パラメータの少なくとも一つの値が異常であると判定される。
ステップＳ３０２において複数の入力パラメータの少なくとも一つの値が異常であると判定された場合、本制御ルーチンはステップＳ３０８に進む。ステップＳ３０８では、新たなモデルがストレージ装置２２から削除される。すなわち、現在のモデルが維持され、新たなモデルがストレージ装置２２に記憶されない。ステップＳ３０８の後、本制御ルーチンは終了する。
一方、ステップＳ３０２において新たなモデルの学習に用いられた複数の入力パラメータの全ての値が異常ではないと判定された場合、本制御ルーチンはステップＳ３０３に進む。ステップＳ３０３〜ステップＳ３０８は図４のステップＳ１０２〜ステップＳ１０７と同様であることから説明を省略する。
＜第四実施形態＞
第四実施形態に係るモデル集約システム及びモデル集約装置の構成及び制御は、以下に説明する点を除いて、基本的に第一実施形態に係るモデル集約システム及びモデル集約装置の構成及び制御と同様である。このため、以下、本発明の第四実施形態について、第一実施形態と異なる部分を中心に説明する。
上述したように、ニューラルネットワークモデルの学習に用いられた入力パラメータの範囲が広いほど、学習済みのニューラルネットワークモデルの精度は高くなる傾向にある。また、ニューラルネットワークモデルの学習に用いられた複数の入力パラメータの組合せが多いほど、すなわちニューラルネットワークモデルの学習に用いられた訓練データセットの数が多いほど、学習済みのニューラルネットワークモデルの精度は高くなる傾向にある。
しかしながら、新たなモデルと現在のモデルとが比較されるとき、一方のモデルの学習に用いられた複数の入力パラメータの範囲が他方のモデルよりも広くなり、他方のモデルの学習に用いられた訓練データセットの数が一方のモデルよりも多くなる場合がある。この場合には、学習が完了した日時が遅いモデルが車両のより最新の状態を反映していると考えられる。すなわち、学習が完了した日時が遅いモデルが、学習が完了した日時が早いモデルよりも高精度であると考えられる。
このため、第四実施形態では、サーバ２のプロセッサ２４は、新たなモデルの学習に用いられた複数の入力パラメータのそれぞれの範囲が、現在のモデルの学習に用いられた複数の入力パラメータのそれぞれの範囲よりも広く、新たなモデルの学習に用いられた複数の入力パラメータの組合せの数が、現在のモデルの学習に用いられた複数の入力パラメータの組合せの数よりも少なく、且つ、新たなモデルの学習が完了した日時が、現在のモデルの学習が完了した日時よりも遅い場合には、現在のモデルを新たなモデルに置き換える。
また、プロセッサ２４は、新たなモデルの学習に用いられた複数の入力パラメータのそれぞれの範囲が、現在のモデルの学習に用いられた複数の入力パラメータのそれぞれの範囲よりも狭く、新たなモデルの学習に用いられた複数の入力パラメータの組合せの数が、現在のモデルの学習に用いられた複数の入力パラメータの組合せの数よりも多く、且つ、新たなモデルの学習が完了した日時が、現在のモデルの学習が完了した日時よりも遅い場合には、現在のモデルを新たなモデルに置き換える。
上記のようにストレージ装置２２に記憶されるニューラルネットワークモデルを選別することによって、ストレージ装置２２の記憶容量が不足することを抑制しつつ、ストレージ装置２２に記憶されるニューラルネットワークモデルの精度をより効果的に向上させることができる。
＜モデル置換処理＞
図８Ａ〜図８Ｃは、第四実施形態におけるモデル置換処理の制御ルーチンを示すフローチャートである。本制御ルーチンはサーバ２のプロセッサ２４によって繰り返し実行される。
最初に、ステップＳ４０１において、車両３から新たなモデルを受信したか否かが判定される。車両３から新たなモデルを受信していないと判定された場合、本制御ルーチンは終了する。一方、車両３から新たなモデルを受信したと判定された場合、本制御ルーチンはステップＳ４０２に進む。
ステップＳ４０２では、新たなモデルの入力パラメータ番号ｋが１に設定され、現在のモデルの入力パラメータ番号ｍが１に設定され、ＫフラグＦｋがゼロに設定され、ＭフラグＦｍがゼロに設定される。
次いで、ステップＳ４０３において、新たなモデルの学習に用いられた第ｋ入力パラメータの範囲ＲＮＧ（ｋ）が、現在のモデルの学習に用いられた第ｍ入力パラメータの範囲ＲＮＧ（ｍ）以上であるか否かが判定される。第ｋ入力パラメータの範囲ＲＮＧ（ｋ）が第ｍ入力パラメータの範囲ＲＮＧ（ｍ）以上であると判定された場合、本制御ルーチンはステップＳ４０４に進む。ステップＳ４０４では、ＫフラグＦｋが１に設定される。
次いで、ステップＳ４０５においてＭフラグＦｍが１であるか否かが判定される。ＭフラグＦｍがゼロであると判定された場合、本制御ルーチンはステップＳ４０６に進む。ステップＳ４０６では、新たなモデルの入力パラメータ番号ｋに１が加算され、現在のモデルの入力パラメータ番号ｍに１が加算される。
次いで、ステップＳ４０７では、新たなモデルの入力パラメータ番号ｋがＮ＋１であるか否かが判定される。Ｎは、ニューラルネットワークモデルに入力される入力パラメータの数であり、図５の例では６である。新たなモデルの入力パラメータ番号ｋがＮ以下であると判定された場合、本制御ルーチンはステップＳ４０３に戻り、次の入力パラメータの範囲が比較される。
一方、ステップＳ４０３において第ｍ入力パラメータの範囲ＲＮＧ（ｍ）が第ｋ入力パラメータの範囲ＲＮＧ（ｋ）よりも広いと判定された場合、本制御ルーチンはステップＳ４０９に進む。ステップＳ４０９では、ＭフラグＦｍが１に設定される。
次いで、ステップＳ４１０においてＫフラグＦｋが１であるか否かが判定される。ＫフラグＦｋがゼロであると判定された場合、本制御ルーチンはステップＳ４０６に進む。ステップＳ４０６では、新たなモデルの入力パラメータ番号ｋに１が加算され、現在のモデルの入力パラメータ番号ｍに１が加算される。
次いで、ステップＳ４０７では、新たなモデルの入力パラメータ番号ｋがＮ＋１であるか否かが判定される。新たなモデルの入力パラメータ番号ｋがＮ以下であると判定された場合、本制御ルーチンはステップＳ４０３に戻り、次の入力パラメータの範囲が比較される。
一方、ステップＳ４０５においてＭフラグＦｍが１であると判定された場合、又はステップＳ４１０においてＫフラグＦｋが１であると判定された場合、本制御ルーチンはステップＳ４１１に進む。この場合、一部の入力パラメータの範囲が一方のモデルにおいて広く、一部の入力パラメータの範囲が他方のモデルにおいて広い。このため、ステップＳ４１１では、新たなモデルがストレージ装置２２から削除される。すなわち、現在のモデルが維持され、新たなモデルがストレージ装置２２に記憶されない。ステップＳ４１１の後、本制御ルーチンは終了する。
また、ステップＳ４０７において、新たなモデルの入力パラメータ番号ｋがＮ＋１であると判定された場合、本制御ルーチンはステップＳ４０８に進む。ステップＳ４０８では、ＭフラグＦｍが１であるか否かが判定される。現在のモデルの学習に用いられた複数の入力パラメータのそれぞれの範囲が新たなモデルの学習に用いられた複数の入力パラメータのそれぞれの範囲よりも広い場合、ＭフラグＦｍが１であると判定され、本制御ルーチンはステップＳ４１２に進む。
ステップＳ４１２では、図６のステップＳ２０７と同様に、新たなモデルの学習に用いられた複数の入力パラメータの組合せの数ＣＮｋが、現在のモデルの学習に用いられた複数の入力パラメータの組合せの数ＣＮｍよりも多いか否かが判定される。複数の入力パラメータの組合せの数ＣＮｋが複数の入力パラメータの組合せの数ＣＮｍよりも多いと判定された場合、本制御ルーチンはステップＳ４１３に進む。
ステップＳ４１３では、新たなモデルの学習が完了した日時が、現在のモデルの学習が完了した日時よりも遅いか否か否かが判定される。第四実施形態では、ニューラルネットワークモデルの学習が完了した日時が、学習済みのニューラルネットワークモデルの情報の一つとして、ＥＣＵ３０のメモリ３２又は車両３に設けられた他の制御装置に記憶される。このため、サーバ２のプロセッサ２４は、車両３から新たなモデルを受信するとき、新たなモデルの学習が完了した日時を取得することができる。
また、新たなモデルがストレージ装置２２に記憶されるとき、新たなモデルの学習が完了した日時がストレージ装置２２に記憶される。このため、サーバ２のプロセッサ２４は、現在のモデルの学習が完了した日時を取得することができる。
ステップＳ４１３において新たなモデルの学習が完了した日時が、現在のモデルの学習が完了した日時よりも遅いと判定された場合、すなわち新たなモデルが最新のモデルであると判定された場合、本制御ルーチンはステップＳ４１４に進む。ステップＳ４１４では、現在のモデルが新たなモデルに置き換えられる。すなわち、現在のモデルがストレージ装置２２から削除され、新たなモデルがストレージ装置２２に記憶される。ステップＳ４１４の後、本制御ルーチンは終了する。
一方、ステップＳ４１２において複数の入力パラメータの組合せの数ＣＮｋが複数の入力パラメータの組合せの数ＣＮｍ以下であると判定された場合、又はステップＳ４１３において新たなモデルの学習が完了した日時が現在のモデルの学習が完了した日時よりも遅くないと判定された場合、本制御ルーチンはステップＳ４１５に進む。
ステップＳ４１５では、新たなモデルがストレージ装置２２から削除される。すなわち、現在のモデルが維持され、新たなモデルがストレージ装置２２に記憶されない。ステップＳ４１５の後、本制御ルーチンは終了する。
一方、新たなモデルの学習に用いられた複数の入力パラメータのそれぞれの範囲が現在のモデルの学習に用いられた複数の入力パラメータのそれぞれの範囲よりも広い場合、ステップＳ４０８においてＭフラグＦｍがゼロであると判定され、本制御ルーチンはステップＳ４１６に進む。なお、この場合、ＫフラグＦｋは１に設定されている。
ステップＳ４１６では、新たなモデルと現在のモデルとの間で全ての入力パラメータの範囲が等しいか否かが判定される。全ての入力パラメータの範囲が等しいと判定された場合、本制御ルーチンはステップＳ４２０に進む。
ステップＳ４２０では、新たなモデルがストレージ装置２２から削除される。すなわち、現在のモデルが維持され、新たなモデルがストレージ装置２２に記憶されない。ステップＳ４２０の後、本制御ルーチンは終了する。
一方、新たなモデルの学習に用いられた複数の入力パラメータのそれぞれの範囲が現在のモデルの学習に用いられた複数の入力パラメータのそれぞれの範囲よりも広い場合、ステップＳ４１６において全ての入力パラメータの範囲が等しくないと判定され、本制御ルーチンはステップＳ４１７に進む。
ステップＳ４１７では、新たなモデルの学習に用いられた複数の入力パラメータの組合せの数ＣＮｋが、現在のモデルの学習に用いられた複数の入力パラメータの組合せの数ＣＮｍ以上であるか否かが判定される。複数の入力パラメータの組合せの数ＣＮｋが複数の入力パラメータの組合せの数ＣＮｍよりも少ないと判定された場合、本制御ルーチンはステップＳ４１９に進む。
ステップＳ４１９では、図８ＢのステップＳ４１３と同様に、新たなモデルの学習が完了した日時が、現在のモデルの学習が完了した日時よりも遅いか否かが判定される。新たなモデルの学習が完了した日時が、現在のモデルの学習が完了した日時よりも遅くないと判定された場合、本制御ルーチンはステップＳ４２０に進む。
ステップＳ４２０では、新たなモデルがストレージ装置２２から削除される。すなわち、現在のモデルが維持され、新たなモデルがストレージ装置２２に記憶されない。ステップＳ４２０の後、本制御ルーチンは終了する。
一方、ステップＳ４１７において複数の入力パラメータの組合せの数ＣＮｋが複数の入力パラメータの組合せの数ＣＮｍ以上であると判定された場合、又はステップＳ４１９において新たなモデルの学習が完了した日時が現在のモデルの学習が完了した日時よりも遅いと判定された場合、本制御ルーチンはステップＳ４１８に進む。
ステップＳ４１８では、現在のモデルが新たなモデルに置き換えられる。すなわち、現在のモデルがストレージ装置２２から削除され、新たなモデルがストレージ装置２２に記憶される。ステップＳ４１８の後、本制御ルーチンは終了する。
＜その他の実施形態＞
以上、本発明に係る好適な実施形態を説明したが、本発明はこれら実施形態に限定されるものではなく、特許請求の範囲の記載内で様々な修正及び変更を施すことができる。例えば、ニューラルネットワークモデルの入力パラメータ及び出力パラメータは、上述した例に限定されず、車両において取得可能な任意のパラメータを含むことができる。
また、複数のニューラルネットワークモデルがサーバ２のストレージ装置２２に記憶されてもよい。例えば、異なる入力パラメータ及び出力パラメータを有する複数のニューラルネットワークモデルがサーバ２のストレージ装置２２に記憶されてもよい。この場合、車両から新たなモデルがサーバ２に送信されたとき、新たなモデルと同一の入力パラメータ及び出力パラメータを有する現在のモデルが新たなモデルと比較される。
また、同一の入力パラメータ及び出力パラメータを有する複数のニューラルネットワークモデルがサーバ２のストレージ装置２２に記憶されてもよい。例えば、同一の入力パラメータ及び出力パラメータを有する複数のニューラルネットワークモデルは、車両の型式、入力パラメータ及び出力パラメータの実測値が取得された地域等によって分類される。この場合、車両から新たなモデルがサーバ２に送信されたとき、新たなモデルと対応する現在のモデルが新たなモデルと比較される。また、新たなモデルと対応する現在のモデルが複数存在する場合、複数の現在のモデルがそれぞれ新たなモデルと比較される。
また、上述した実施形態は、任意に組み合わせて実施可能である。例えば、第二実施形態は第三実施形態と組合せ可能である。この場合、図７の制御ルーチンにおいて、ステップＳ３０７の代わりに図６のステップＳ２０６〜ステップＳ２０９が実行される。
また、第二実施形態は第四実施形態と組合せ可能である。この場合、図８Ａ〜図８Ｃの制御ルーチンにおいて、図８ＣのステップＳ４１６の判定が肯定された後、ステップＳ４２０の代わりに図６のステップＳ２０７〜ステップＳ２０９が実行される。
また、第三実施形態は第四実施形態と組合せ可能である。この場合、図７の制御ルーチンにおいて、ステップＳ３０２の判定が否定された後、ステップＳ３０３〜ステップＳ３０８の代わりに図８Ａ〜図８ＣのステップＳ４０２〜ステップＳ４２０が実行される。同様に、第二実施形態、第三実施形態及び第四実施形態も組合せ可能である。
１ モデル集約システム
２ サーバ
２１ 通信インターフェース
２２ ストレージ装置
２４ プロセッサ
３ 車両
３０ 電子制御ユニット（ＥＣＵ）
３６ 通信モジュール

Claims (7)

  1. ニューラルネットワークモデルの学習が行われる複数の車両と通信可能な通信装置と、
    前記複数の車両から送信されたニューラルネットワークモデルの一部を記憶する記憶装置と、
    制御装置と
    を備え、
    前記ニューラルネットワークモデルは複数の入力パラメータから少なくとも一つの出力パラメータを出力し、
    前記制御装置は、前記通信装置を介して前記複数の車両のうちの一つの車両から新たなニューラルネットワークモデルを受信した場合、該新たなニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータのそれぞれの範囲と、前記記憶装置に記憶されている現在のニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータのそれぞれの範囲とを比較することによって、前記現在のニューラルネットワークモデルを前記新たなニューラルネットワークモデルに置き換えるか否かを決定する、モデル集約装置。
  2. 前記制御装置は、前記新たなニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータのそれぞれの範囲が、前記現在のニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータのそれぞれの範囲よりも広く、前記新たなニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータの組合せの数が、前記現在のニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータの組合せの数よりも少なく、且つ、前記新たなニューラルネットワークモデルの学習が完了した日時が、前記現在のニューラルネットワークモデルの学習が完了した日時よりも遅い場合には、前記現在のニューラルネットワークモデルを前記新たなニューラルネットワークモデルに置き換える、請求項１に記載のモデル集約装置。
  3. 前記制御装置は、前記新たなニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータのそれぞれの範囲が、前記現在のニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータのそれぞれの範囲よりも狭く、前記新たなニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータの組合せの数が、前記現在のニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータの組合せの数よりも多く、且つ、前記新たなニューラルネットワークモデルの学習が完了した日時が、前記現在のニューラルネットワークモデルの学習が完了した日時よりも遅い場合には、前記現在のニューラルネットワークモデルを前記新たなニューラルネットワークモデルに置き換える、請求項１又は２に記載のモデル集約装置。
  4. 前記制御装置は、前記新たなニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータのそれぞれの範囲が、前記現在のニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータのそれぞれの範囲よりも広い場合には、前記現在のニューラルネットワークモデルを前記新たなニューラルネットワークモデルに置き換える、請求項１に記載のモデル集約装置。
  5. 前記制御装置は、前記新たなニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータのそれぞれの範囲が、前記現在のニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータのそれぞれの範囲と等しい場合には、前記新たなニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータの組合せの数が、前記現在のニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータの組合せの数よりも多い場合に、前記現在のニューラルネットワークモデルを前記新たなニューラルネットワークモデルに置き換える、請求項１から４のいずれか１項に記載のモデル集約装置。
  6. 前記制御装置は、前記新たなニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータの少なくとも一つの値が異常である場合には、前記現在のニューラルネットワークモデルを前記新たなニューラルネットワークモデルに置き換えない、請求項１から５のいずれか１項に記載のモデル集約装置。
  7. サーバ及び複数の車両を備えるモデル集約システムであって、
    前記複数の車両は、それぞれ、
    前記サーバと通信可能な第１通信装置と、
    複数の入力パラメータから少なくとも一つの出力パラメータを出力するニューラルネットワークモデルの学習を行う第１制御装置とを備え、
    前記サーバは、
    前記複数の車両と通信可能な第２通信装置と、
    前記複数の車両から送信されたニューラルネットワークモデルの一部を記憶する記憶装置と、
    第２制御装置とを備え、
    前記第２制御装置は、前記第１通信装置及び前記第２通信装置を介して前記複数の車両のうちの一つの車両から新たなニューラルネットワークモデルを受信した場合、該新たなニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータのそれぞれの範囲と、前記記憶装置に記憶されている現在のニューラルネットワークモデルの学習に用いられた前記複数の入力パラメータのそれぞれの範囲とを比較することによって、前記現在のニューラルネットワークモデルを前記新たなニューラルネットワークモデルに置き換えるか否かを決定する、モデル集約システム。
JP2019042641A 2019-03-08 2019-03-08 モデル集約装置及びモデル集約システム Active JP6798571B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2019042641A JP6798571B2 (ja) 2019-03-08 2019-03-08 モデル集約装置及びモデル集約システム
DE102020103369.9A DE102020103369A1 (de) 2019-03-08 2020-02-11 Modellaggregationsvorrichtung und Modellaggregationssystem
US16/801,152 US11531350B2 (en) 2019-03-08 2020-02-26 Model aggregation device and model aggregation system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019042641A JP6798571B2 (ja) 2019-03-08 2019-03-08 モデル集約装置及びモデル集約システム

Publications (2)

Publication Number Publication Date
JP2020144775A true JP2020144775A (ja) 2020-09-10
JP6798571B2 JP6798571B2 (ja) 2020-12-09

Family

ID=72146767

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019042641A Active JP6798571B2 (ja) 2019-03-08 2019-03-08 モデル集約装置及びモデル集約システム

Country Status (3)

Country Link
US (1) US11531350B2 (ja)
JP (1) JP6798571B2 (ja)
DE (1) DE102020103369A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6962435B1 (ja) * 2020-10-12 2021-11-05 トヨタ自動車株式会社 機械学習装置

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019119739A1 (de) * 2019-07-22 2021-01-28 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren und System zur Erzeugung von sicherheitskritischen Ausgabewerten einer Entität
US11900244B1 (en) * 2019-09-30 2024-02-13 Amazon Technologies, Inc. Attention-based deep reinforcement learning for autonomous agents
US11760376B2 (en) * 2020-12-29 2023-09-19 Ford Global Technologies, Llc Machine learning updating with sensor data
CN114483346B (zh) * 2022-02-10 2023-06-20 电子科技大学 一种基于小样本的发动机多流量管进气温度修正方法、装置和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008505378A (ja) * 2004-06-25 2008-02-21 エフ・エー・フアウ・モトーレンテヒニック・ゲゼルシヤフト・ミト・ベシユレンクテル・ハフツング ニューラルネットを有する車両制御装置
US20150199617A1 (en) * 2014-01-16 2015-07-16 Denso Corporation Learning system, in-vehicle device, and server
WO2017219991A1 (zh) * 2016-06-23 2017-12-28 华为技术有限公司 适用于模式识别的模型的优化方法、装置及终端设备
JP2018147261A (ja) * 2017-03-06 2018-09-20 Kddi株式会社 モデル統合装置、モデル統合システム、方法およびプログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5426520B2 (ja) 2010-11-24 2014-02-26 本田技研工業株式会社 内燃機関の制御装置
US10318887B2 (en) * 2016-03-24 2019-06-11 Cisco Technology, Inc. Dynamic application degrouping to optimize machine learning model accuracy
US10581901B2 (en) * 2016-03-25 2020-03-03 Cisco Technology, Inc. Increased granularity and anomaly correlation using multi-layer distributed analytics in the network

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008505378A (ja) * 2004-06-25 2008-02-21 エフ・エー・フアウ・モトーレンテヒニック・ゲゼルシヤフト・ミト・ベシユレンクテル・ハフツング ニューラルネットを有する車両制御装置
US20150199617A1 (en) * 2014-01-16 2015-07-16 Denso Corporation Learning system, in-vehicle device, and server
JP2015135552A (ja) * 2014-01-16 2015-07-27 株式会社デンソー 学習システム、車載装置、及び、サーバ
WO2017219991A1 (zh) * 2016-06-23 2017-12-28 华为技术有限公司 适用于模式识别的模型的优化方法、装置及终端设备
JP2019528502A (ja) * 2016-06-23 2019-10-10 ホアウェイ・テクノロジーズ・カンパニー・リミテッド パターン認識に適用可能なモデルを最適化するための方法および装置ならびに端末デバイス
JP2018147261A (ja) * 2017-03-06 2018-09-20 Kddi株式会社 モデル統合装置、モデル統合システム、方法およびプログラム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6962435B1 (ja) * 2020-10-12 2021-11-05 トヨタ自動車株式会社 機械学習装置
US11377110B2 (en) 2020-10-12 2022-07-05 Toyota Jidosha Kabushiki Kaisha Machine learning device

Also Published As

Publication number Publication date
US20200285243A1 (en) 2020-09-10
US11531350B2 (en) 2022-12-20
DE102020103369A1 (de) 2020-09-10
JP6798571B2 (ja) 2020-12-09

Similar Documents

Publication Publication Date Title
JP6798571B2 (ja) モデル集約装置及びモデル集約システム
US20230068432A1 (en) Methods and systems for estimating a remaining useful life of an asset
CN111007399B (zh) 基于改进生成对抗网络的锂电池荷电状态预测方法
Gao et al. Data pieces-based parameter identification for lithium-ion battery
JP6791347B1 (ja) モデル診断装置及びモデル診断システム
JP7010343B1 (ja) 機械学習装置
US20220194394A1 (en) Machine learning device and machine learning system
US11820398B2 (en) Learning apparatus and model learning system
JP6939963B1 (ja) モデル学習システム及びサーバ
JP2021125392A (ja) バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
CN113246958B (zh) 基于td3多目标hev能量管理方法及系统
EP4202462A1 (en) Information processing device, information processing method, and computer program
JP2022063084A (ja) モデル学習システム、車両の制御装置及びモデル学習方法
JP2021124420A (ja) バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
WO2018008503A1 (ja) 制御装置
JP2022035222A (ja) 機械学習装置
US20230176137A1 (en) Method and system for determining a remaining useful lifetime of a battery
JP6962435B1 (ja) 機械学習装置
KR102433929B1 (ko) 배터리 교환 서비스 방법 및 이러한 방법을 수행하는 장치
US20230154247A1 (en) Information processing system, storage medium, and information processing method
JP2022016026A (ja) 機械学習装置
JP2022053033A (ja) 機械学習装置
JP2022173803A (ja) 学習モデルのパラメータの値の授受装置及び授受システム
CN116108929A (zh) 模型学习系统及模型学习装置
CN115122952A (zh) 电动汽车出发前充电规划

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200203

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20200203

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20200212

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20200522

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200616

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20201020

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20201102

R151 Written notification of patent or utility model registration

Ref document number: 6798571

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151