JP2021136648A - レンズ装置、撮像装置、処理装置、処理方法、およびプログラム - Google Patents

Abstract

【課題】 駆動性能の適応の点で有利なレンズ装置を提供する。【解決手段】 レンズ装置（１００）は、光学部材（１０１）と、光学部材の駆動を行う駆動部（１０５）と、駆動に関する状態を検出する検出部（１０６）と、検出部により検出された状態に関する第１情報に基づいて駆動部に対する制御信号を生成する処理部（１２０）とを有し、処理部は、第１情報と、第１情報とは異なるレンズ装置に関する第２情報とに基づいて、制御信号に関する出力を生成する機械学習モデルを含み、当該機械学習モデルの生成を行う生成部に第１情報と第２情報とを出力する。【選択図】 図１

Description

本発明は、レンズ装置、撮像装置、処理装置、処理方法、およびプログラムに関する。

近年、デジタルカメラは、静止画のみならず動画の撮像を行いうる。静止画の速写性のためには、オートフォーカスや、ズーム、絞り等の高速動作が必要となる。ところが、動画の撮像においては、当該高速動作のための駆動系の作動音が大きいと、画像とともに記録される音声の品位が損なわれうる。そこで、特許文献１は、動画撮像の場合には、アクチュエータの作動モードを静音モードにする撮像装置を開示している。

特開２００７−００６３０５号公報

撮像装置において、光学部材を駆動するアクチュエータに求められる性能は多岐に渡る。例えば、制御の追従性に関わる駆動速度や、正確な撮像条件の設定に関わる位置決め精度、連続撮像時間に関わる消費電力、動画撮像での音声の品位に関わる静音性に関する性能が挙げられる。これらの性能は、相互に依存関係がある。例えば、特許文献１に記載の撮像装置は、駆動の速度や加速度を制限することにより、静音性を高めている。

ところが、求められる静音性は、撮影状況により異なりうる。求められる駆動の速度や加速度も、撮影状況により異なりうる。位置決め精度や、消費電力等の他の性能に関しても、同様のことがいえる。また、個々の性能の優先度は、撮影状況や操作者により異なりうる。そこで、様々な撮影状況や操作者に適した駆動性能をもってアクチュエータが動作するのが望ましい。本発明は、例えば、駆動性能の適応の点で有利なレンズ装置を提供することを目的とする。

本発明の一つの側面は、光学部材と、前記光学部材の駆動を行う駆動部と、前記駆動に関する状態を検出する検出部と、前記検出部により検出された前記状態に関する第１情報に基づいて前記駆動部に対する制御信号を生成する処理部とを有するレンズ装置であって、
前記処理部は、前記第１情報と、前記第１情報とは異なる前記レンズ装置に関する第２情報とに基づいて、前記制御信号に関する出力を生成する機械学習モデルを含み、前記機械学習モデルの生成を行う生成部に前記第１情報と前記第２情報とを出力する、
ことを特徴とするレンズ装置である。

本発明によれば、例えば、駆動性能の適応の点で有利なレンズ装置を提供することができる。

実施形態１に係るレンズ装置の構成例を示す図 駆動性能としての位置決め精度を例示する図 駆動性能としての駆動速度を例示する図 位置決め精度と駆動速度、消費電力、静音性との関係を例示する図 駆動速度と位置決め精度、消費電力、静音性との関係を例示する図 ニューラルネットワークの入出力を例示する図 機械学習の処理の流れを例示する図 報酬情報を例示する図 報酬情報のデータ構造を例示する図 第２報酬部分の選択肢に関する情報のデータ構造を例示する図 実施形態２に係るレンズ装置の構成例を示す図 ニューラルネットワークの入出力を例示する図 報酬情報を例示する図 報酬情報のデータ構造を例示する図 第２報酬部分の選択肢に関する情報のデータ構造を例示する図 実施形態３に係るレンズ装置の構成例を示す図

以下、添付図面を参照して本発明の実施形態を説明する。なお、実施形態を説明するための全図を通して、原則として（断りのない限り）、同一の部材等には同一の符号を付し、その繰り返しの説明は省略する。

〔実施形態１〕
《カメラ本体（処理装置）が学習部（生成部）を含む構成例》
図１は、実施形態１に係るレンズ装置の構成例を示す図であり、それにとどまらず、カメラ本体（カメラ装置本体、撮像装置本体、または処理装置ともいう）の構成例も含むシステム（撮像装置）の構成例を示す図でもある。当該システムは、カメラ本体２００と、カメラ本体２００に装着されたレンズ装置１００（交換レンズともいう）とにより構成されている。カメラ本体２００とレンズ装置１００とは、結合機構としてのマウント３００を介して機械的および電気的に接続されている。なお、マウント３００は、カメラ本体２００に属するマウントユニットとレンズ装置１００に属するマウントユニットとからなっていてもよいし、両マウントユニットを含んで構成されていてもよい。カメラ本体２００は、マウント３００に含まれている電源端子を介してレンズ装置１００に電源を供給しうる。また、カメラ本体２００とレンズ装置１００とは、マウント３００に含まれている通信端子を介して相互に通信を行いうる。本実施形態では、レンズ装置とカメラ本体とがマウントを介して接続される構成を例示するが、レンズ装置とカメラ本体とがマウントを介さずに一体となっている構成であってもよい。

レンズ装置１００は、物体距離を変更するためのフォーカスレンズ群１０１、焦点距離を変更するためのズームレンズ群１０２、光量を調節するための開口絞り１０３、像振れ補正のための像振れ補正レンズ群１０４とを含みうる。フォーカスレンズ群１０１とズームレンズ群１０２とのそれぞれは、保持枠によって保持されている。当該保持枠は、例えばガイド軸を介して、光軸の方向（図中の破線の方向）に沿って移動可能に構成されている。フォーカスレンズ群１０１は、駆動部１０５により光軸の方向に沿って駆動され、その位置は、検出部１０６によって検出される。ズームレンズ群１０２は、駆動部１０７によって光軸の方向に沿って駆動され、その位置は、検出部１０８によって検出される。開口絞り１０３は、絞り羽根を含み、当該絞り羽根が駆動部１０９により駆動され、光量を調節する。開口絞りの開口量（開口度またはＦ値ともいう）は、検出部１１０によって検出される。像振れ補正レンズ群１０４は、光軸に直交する成分を有する方向において駆動部１１２により駆動され、手振れ等に起因する像振れを低減する。像振れ補正レンズ群１０４の位置は、検出部１１３によって検出される。駆動部１０５、駆動部１０７、駆動部１０９、駆動部１１２は、例えば、超音波モータを含んで構成されうる。なお、各駆動部は、超音波モータには限られず、ボイスコイルモータ、ＤＣモータ、ステッピングモータ等の他のモータを含んで構成されうる。

検出部１０６、検出部１０８、検出部１１０、検出部１１３は、例えば、ポテンションメーターまたはエンコーダ等を含んで構成されうる。なお、駆動部が任意の駆動量を駆動量（制御量）のフィードバックなしに駆動できるステッピングモータのようなモータを含んで構成されている場合は、特定の位置（基準位置または原点）を検出する検出部を設けてもよい。この場合、当該検出部は、例えば、フォトインタラプタを含むものとしうる。検出部１１１は、レンズ装置１００の揺れを検出するものであり、例えば、ジャイロ含んで構成されうる。

処理部１２０は、マイクロコンピュータ（マイコン）としうるものであって、ＡＩ制御部１２１、決定部１２２、記憶部１２３、ログ保持部１２４、駆動制御部１２５、通信部１２６を含みうる。ＡＩ制御部１２１は、フォーカスレンズ群１０１の駆動を制御する制御部である。ＡＩ制御部１２１は、ここではニューラルネットワーク（ＮＮともいう）のアルゴリズムに基づく動作を行いうるものであり、より一般的には、機械学習モデルを用いて、フォーカスレンズ群１０１の駆動部に対する駆動指令を生成する。決定部１２２は、ＡＩ制御部１２１で使用するレンズ装置に関する情報（第２情報）を決定する決定部である。記憶部１２３は、ニューラルネットワークにおける入力（特徴量）の種別を特定する情報や、各層への入力に対する重み（ウエイト）の情報を記憶する記憶部である。ログ保持部１２４は、フォーカスレンズ群１０１の駆動制御に関するレンズ装置の動作ログの情報を保持する。駆動制御部１２５は、ズームレンズ群１０２、開口絞り１０３、像振れ補正レンズ群１０４の駆動の制御を行う。駆動制御部１２５は、例えば、制御対象の目標位置または目標速度と制御対象の実際の位置または実際の速度との偏差に基づいて、例えばＰＩＤ制御により、各駆動部に対する駆動指令を生成するものとしうる。通信部１２６は、カメラ本体２００と通信するための通信部である。ＮＮアルゴリズムや、重み、第２情報、動作ログについては後述する。

カメラ本体２００（処理装置）は、撮像素子２０１、Ａ／Ｄ変換部２０２、信号処理回路２０３、記録部２０４、表示部２０５、操作部２０６、処理部２１０（カメラマイクロコンピュータまたはカメラマイコンともいう）、学習部２２０を含んで構成されうる。撮像素子２０１は、レンズ装置１００により形成された像を撮るものであり、例えば、ＣＣＤやＣＭＯＳデバイスを含んで構成されうる。Ａ／Ｄ変換部２０２は、撮像素子２０１により撮られて出力されたアナログ信号（画像信号）をデジタル信号に変換する。信号処理回路２０３は、Ａ／Ｄ変換部２０２から出力されたデジタル信号を画像データに変換する。記録部２０４は、信号処理回路２０３から出力された画像データを記録する。表示部２０５は、信号処理回路２０３から出力された画像データを表示する。操作部２０６は、操作者（使用者）が撮像装置を操作するためのものである。

処理部２１０は、カメラ本体２００を制御するためのものであり、制御部２１１と、通信部２１２とを含んで構成されうる。制御部２１１は、信号処理回路２０３からの画像データと操作者による操作部２０６からの入力情報とに基づいて、レンズ装置１００への駆動指令の生成を行う。また、制御部２１１は、学習部２２０（後述）に対する指令や情報伝達をも行う。通信部２１２は、レンズ装置１００との通信を行う。通信部２１２は、制御部２１１からの駆動指令を制御コマンドとして、レンズ装置１００へ送信する。また、通信部２１２は、レンズ装置１００からの情報の受信も行う。

学習部２２０（生成部）は、プロセッサ（ＣＰＵやＧＰＵ等）と記憶装置（ＲＯＭや、ＲＡＭ、ＨＤＤ等）とを含んで構成されうる。学習部２２０は、機械学習部２２１、報酬保持部２２３、第１報酬部分保持部２２４、第２報酬部分保持部２２５、ログ保持部２２２を含むものとしうる。学習部２２０は、これら各部の動作を制御するためのプログラムも記憶している。報酬保持部２２３が保持している報酬の情報、第１報酬部分保持部２２４が保持している第１報酬部分の情報、第２報酬部分保持部２２５が保持している第２報酬部分の情報、操作者の入力した情報から第２報酬部分の情報を得るための情報については後述する。

＜画像データの記録および表示＞
ここで、図１に示す撮像装置における画像データの記録および表示について説明する。レンズ装置１００に入射した光は、フォーカスレンズ群１０１、ズームレンズ群１０２、開口絞り１０３、像振れ補正レンズ群１０４を介して、撮像素子２０１上に像を形成する。当該像は、撮像素子２０１により電気的アナログ信号に変換され、当該アナログ信号は、Ａ／Ｄ変換部２０２でデジタル信号に変換され、当該デジタル信号は、信号処理回路２０３で画像データに変換される。信号処理回路２０３から出力される画像データは、記録部２０４に記録される。また、当該画像データは、表示部２０５により表示される。

＜フォーカス制御＞
つづいて、カメラ本体２００によるレンズ装置１００でのフォーカス制御について説明する。制御部２１１は、信号処理回路２０３から出力された画像データに基づいて、オートフォーカス制御（ＡＦ制御ともいう）を行う。例えば、制御部２１１は、画像データのコントラストが最大となるようにフォーカスレンズ群１０１を駆動するＡＦ制御を行う。制御部２１１は、フォーカスレンズ群１０１の駆動量を駆動指令として通信部２１２に出力する。通信部２１２は、制御部２１１から駆動指令を受け取ると、当該駆動指令を制御コマンドに変換し、当該制御コマンドをマウント３００の通信接点部を介してレンズ装置１００へ送信する。通信部１２６は、通信部２１２からの制御コマンドを受信すると、当該制御コマンドを駆動指令に変換し、当該駆動指令は、駆動制御部１２５を介してＡＩ制御部１２１へ出力される。ＡＩ制御部１２１は、駆動指令が入力されると、記憶部１２３に記憶されている機械学習モデル（学習済みの重み）に基づいて駆動信号を生成し、当該駆動信号を駆動部１０５へ出力する。ＡＩ制御部１２１による駆動信号の生成の詳細は、後述する。以上のようにして、カメラ本体２００の制御部２１１からの駆動指令に基づいて、フォーカスレンズ群１０１が駆動される。従って、制御部２１１は、画像データのコントラストが最大となるようにフォーカスレンズ群１０１を駆動するＡＦ制御を行うことができる。

＜開口絞り制御＞
次に、カメラ本体２００によるレンズ装置１００での開口絞り制御について説明する。制御部２１１は、信号処理回路２０３から出力された画像データに基づいて、開口絞り制御（露出制御）を行う。具体的には、制御部２１１は、画像データの輝度値が一定となるように、目標となるＦ値を決定する。制御部２１１は、決定したＦ値を駆動指令として通信部２１２に出力する。通信部２１２は、制御部２１１から駆動指令を受け取ると、当該駆動指令を制御コマンドに変換し、当該制御コマンドを、マウント３００の通信接点部を介してレンズ装置１００へ送信する。通信部１２６は、通信部２１２からの制御コマンドを受信すると、当該制御コマンドを駆動指令に変換し、当該駆動指令を駆動制御部１２５に出力する。駆動制御部１２５は、駆動指令が入力されると、当該駆動指令と検出部１１０により検出された開口絞りのＦ値とに基づいて、駆動信号を決定し、当該駆動信号を駆動部１０９へ出力する。以上のようにして、カメラ本体２００の制御部２１１からの駆動指令に基づいて、画像データの輝度値が一定となるように開口絞り１０３が駆動される。従って、制御部２１１は、撮像素子の露光量が適切となるように開口絞り１０３を駆動する露出制御を行うことができる。

＜ズーム制御の説明＞
次に、カメラ本体２００によるレンズ装置１００でのズーム制御について説明する。操作者は、操作部２０６を介してレンズ装置１００でのズームの操作を行う。制御部２１１は、操作部２０６から出力されたズームの操作量に基づいて、ズームレンズ群１０２の駆動量を駆動指令として通信部２１２に出力する。通信部２１２は、当該駆動指令を受け取ると、当該駆動指令を制御コマンドに変換し、当該制御コマンドを、マウント３００の通信接点部を介してレンズ装置１００へ送信する。通信部１２６は、通信部２１２から制御コマンドを受信すると、当該制御コマンドを駆動指令に変換し、当該駆動指令を駆動制御部１２５に出力する。駆動制御部１２５は、当該駆動指令が入力されると、当該駆動指令と検出部１０８により検出されたズームレンズ群の位置とに基づいて、駆動信号を生成し、当該駆動信号を駆動部１０７へ出力する。以上のようにして、カメラ本体２００の制御部２１１からの駆動指令に基づいて、ズームレンズ群１０２が駆動される。従って、制御部２１１は、操作部２０６から出力されたズームの操作量に基づいてズームレンズ群１０２を駆動するズーム制御を行うことができる。

＜像振れ補正制御＞
次に、レンズ装置１００における像振れ補正制御について説明する。駆動制御部１２５は、検出部１１１から出力されたレンズ装置１００の揺れを示す信号に基づいて、レンズ装置１００の揺れによる像振れを低減するように、像振れ補正レンズ群の目標位置を決定する。駆動制御部１２５は、当該目標位置と検出部１１３により検出された像振れ補正レンズ群の位置とに基づいて、駆動信号を生成し、当該駆動信号を駆動部１１２へ出力する。以上のようにして、駆動制御部１２５からの駆動指令に基づいて、像振れ補正レンズ群が駆動される。従って、駆動制御部１２５は、レンズ装置１００の揺れによる像振れを低減する像振れ補正制御を行うことができる。

＜フォーカス制御に関する駆動性能＞
フォーカス制御に関する駆動性能として、ここでは、位置決め精度、駆動速度、消費電力、静音性の４つを取り上げる。これらの駆動性能は、フォーカス制御を行う種々の状況に適応しているのが好ましい。以下、４つの駆動性能について説明する。

（１）位置決め精度
位置決め精度は、図２を参照して説明する。ここで、図２は、駆動性能としての位置決め精度を例示する図である。同図の（ａ）および（ｂ）は、それぞれ焦点深度が浅い場合および焦点深度が深い場合を示している。同図の（ａ）および（ｂ）は、Ｆ値が互いに異なっている。Ｇは、フォーカスレンズ群の目標位置、すなわち光軸上の点状の物体（被写体）Ｓが撮像素子２０１上に合焦するフォーカスレンズ群の位置を示している。Ｃは、Ｇを目標位置としてフォーカスレンズ群を駆動した後のフォーカスレンズ群の実際の位置を示している。位置Ｃは、目標位置Ｇに対して、制御誤差（制御偏差）Ｅだけ物体Ｓ側にある。Ｂｐは、フォーカスレンズ群が位置Ｃにある場合の物体Ｓの結像位置（ピント位置）を示している。δは、撮像素子２０１に対応する許容錯乱円（の直径）を示している。

同図の（ａ）におけるＦ値（Ｆａ）は、同図の（ｂ）におけるＦ値（Ｆｂ）よりも明るい値（小さい値）となっている。従って、（ａ）の焦点深度（２Ｆａδ）は、（ｂ）の焦点深度（２Ｆｂδ）よりも浅くなっている。（ａ）の光線Ｃａおよび光線Ｇａは、それぞれフォーカスレンズ群の位置Ｃおよび目標位置Ｇにおける、物体Ｓからの最も外側の光線を示している。また、（ｂ）の光線Ｃｂおよび光線Ｇｂは、それぞれフォーカスレンズ群の位置Ｃおよび目標位置Ｇにおける、物体Ｓからの最も外側の光線を示している。（ａ）において、Ｉａは、フォーカスレンズ群が位置Ｃにある場合の物体Ｓの撮像素子２０１上での点像の直径を示す。（ｂ）において、Ｉｂは、フォーカスレンズ群が位置Ｃにある場合の物体Ｓの撮像素子２０１上での点像の直径を示す。

（ａ）においては、ピント位置Ｂｐは、焦点深度（２Ｆａδ）の範囲外となっている。また、点像の直径Ｉａは、許容錯乱円δより大きく、撮像素子２０１の中心の画素に収まらず、その隣の画素へ及んでいる。よって、（ａ）において、フォーカスレンズ群の位置Ｃでは、物体Ｓは、非合焦状態となる。これに対して、（ｂ）においては、ピント位置Ｂｐは、焦点深度（２Ｆｂδ）の範囲内となっている。また、点像の直径Ｉｂは、許容錯乱円δより小さく、撮像素子２０１の中心の画素に収まっている。よって、（ｂ）においては、フォーカスレンズ群の位置Ｃでは、物体Ｓは合焦状態となる。以上のことから、フォーカスレンズ群の位置決め精度が同じでも、撮像条件によって、合焦状態が得られたり得られなかったりすることになる。つまり、撮像条件によって、求められる位置決め精度が変化することになる。

（２）駆動速度
駆動速度は、単位時間あたりの移動量である。また、ピント移動速度は、単位時間あたりのピント移動量である。フォーカスレンズ群の移動量は、ピント移動量とは比例関係にある。当該比例関係における比例定数を、フォーカス敏感度という。すなわち、フォーカス敏感度は、フォーカスレンズ群の単位移動量あたりの、レンズ装置のピントの移動量である。フォーカス敏感度は、レンズ装置の構成する光学系の状態によって変化する。ピント移動量ΔＢｐは、フォーカス敏感度をＳｅとし、フォーカスレンズ群の移動量をΔＰとして、次式（１）により表されうる。
ΔＢｐ＝Ｓｅ×ΔＰ・・・（１）

ここで、フォーカス制御に要求される駆動速度について、図３を参照して説明する。図３は、駆動性能としての駆動速度を例示する図である。同図の（ａ）および（ｂ）は、それぞれフォーカス敏感度Ｓが大きい場合およびフォーカス敏感度Ｓが小さい場合を示している。同図の（ａ）および（ｂ）は、物体距離が互いに異なっている。（ａ）において、ピント位置をＢｐ１からＢｐ２へ移動させる場合、フォーカスレンズ群の位置をＰａ１からＰａ２へ移動させる必要がある。ここで、フォーカスレンズ群の移動量ΔＰａとピント移動量ΔＢｐとの関係は、式（１）に示されるものとなる。（ｂ）において、ピント位置をＢｐ１からＢｐ２へ移動させる場合、フォーカスレンズ群の位置をＰｂ１からＰｂ２へ移動させる必要がある。ここで、フォーカスレンズ群の移動量ΔＰａとピント移動量ΔＢｐとの関係は、式（１）に示されるものとなる。

（ａ）および（ｂ）に示されるとおり、（ａ）でのフォーカス敏感度が（ｂ）でのフォーカス敏感度より小さいため、同じピント移動量ΔＢｐ動かすのに必要となるフォーカスレンズ群の移動量は、（ａ）の場合の方が（ｂ）の場合より大きくなる。よって、（ａ）の場合に比べて（ｂ）の場合は、単位時間当たりのフォーカスレンズ群の移動量を小さくでき、フォーカスレンズ群の駆動速度を遅くしても、ピント移動速度は同じとすることができる。以上のことから、特定のピント移動速度を得るために必要となるフォーカスレンズ群の駆動速度は、撮像条件により異なることになる。つまり、撮像条件によって、求められるフォーカスレンズ群の駆動速度が変化することになる。

（３）消費電力
消費電力は、フォーカスレンズ群の駆動時間、駆動速度、駆動加速度によって変化する。つまり、駆動時間が長い場合、駆動速度が高い場合、駆動加速度が高い場合は、そうでない場合より消費電力が増加する。よって、駆動性能の適応により、消費電力を減少させることができれば、例えば、バッテリー容量を有効活用できるため、１回の充電での撮像時間を増やしたり、バッテリーを小型化したりすることができる。

（４）静音性
フォーカスレンズ群の駆動に伴う振動や摩擦等により、駆動音（ノイズ）が発生する。駆動音は、フォーカスレンズ群の駆動速度や駆動加速度によって変化する。つまり、駆動速度が高い場合、駆動加速度が高い場合は、そうでない場合より駆動音が大きくなる。また、フォーカスレンズ群が停止する時間が長いほど、静音性の点で有利となりうる。静かな場所での撮像では、耳障りな駆動音が収録されうる。そのため、撮像環境（周囲の音量）によって駆動音の大きさを変えられることが要求されうる。

＜位置決め精度と駆動速度、消費電力、静音性との関係＞
位置決め精度と、駆動速度や消費電力、静音性との関係について、図４を参照して説明する。ここで、図４は、位置決め精度と駆動速度、消費電力、静音性との関係を例示する図である。同図の（ａ）および（ｂ）は、それぞれ焦点深度が深い場合および焦点深度が浅い場合において、動きのある被写体に合焦し続けるためのフォーカスレンズ群の動きを例示している。（ａ）および（ｂ）において、横軸は、時間（時刻）を示し、縦軸は、フォーカスレンズ群の位置を示す。縦軸の上方は、無限遠に向かう方向であり、縦軸の下方は、至近に向かう方向である。

Ｇは、フォーカスレンズ群の目標位置を示し、被写体が撮像素子２０１上に結像される場合のフォーカスレンズ群の位置を示している。（ａ）での焦点深度および（ｂ）での焦点深度は、それぞれ２Ｆａδおよび２Ｆｂδである。（ａ）は、目標位置Ｇを基準として、ピント位置が焦点深度内の無限遠側の境界となるフォーカスレンズ群の位置ＧａｌｉｍＩと、ピント位置が焦点深度内の至近側の境界となるフォーカスレンズの位置ＧａｌｉｍＭとを示す。（ｂ）は、目標位置Ｇを基準として、ピント位置が焦点深度内の無限遠側の境界となるフォーカスレンズの位置ＧｂｌｉｍＩと、ピント位置が焦点深度内の至近側の境界となるフォーカスレンズ群の位置ＧｂｌｉｍＭとを示す。（ａ）におけるＣａおよび（ｂ）におけるＣｂは、それぞれ被写体が焦点深度内に収まるように制御されたフォーカスレンズ群の位置（軌跡）を示す。

（ａ）は、焦点深度が深いため、フォーカスレンズ群の制御により被写体からピントが外れ難い。それに対して、（ｂ）は、焦点深度が浅いため、（ａ）の場合に比べ、フォーカスレンズ群の軌跡Ｃｂは、目標位置Ｇとの偏差が少なくなるように制御する必要がある。つまり、（ａ）（ｂ）ともに被写体からピントが外れることはないものの、（ａ）における軌跡Ｃａでの駆動の方が（ｂ）における軌跡Ｃｂでの駆動よりも、駆動量や駆動速度は低減できる。すなわち、求められる位置決め精度が低い撮像条件下においては、低速、低消費電力、静音でフォーカスレンズ群を制御することができる。

＜駆動速度と位置決め精度、消費電力、静音性との関係＞
駆動速度と位置決め精度、消費電力、静音性の関係について、図５を参照して説明する。ここで、図５は、駆動速度と位置決め精度、消費電力、静音性との関係を例示する図である。同図の（ａ）および（ｂ）において、横軸は、時間（時刻）を示し、縦軸は、フォーカスレンズ群の位置を示す。（ａ）は、図３の（ａ）に示す位置Ｐａ１から位置Ｐａ２へＴ０ないしＴ１の時間で駆動した場合のフォーカスレンズ群の位置Ｃａを示している。また、（ｂ）は、図３の（ｂ）に示す位置Ｐｂ１から位置Ｐｂ２へＴ０ないしＴ１の時間で駆動した場合のフォーカスレンズ群の位置Ｃｂを示している。ここで、図３に示すとおり、フォーカスレンズ群が位置Ｐａ１から位置Ｐａ２へ移動した場合のピント移動量は、フォーカスレンズ群が位置Ｐｂ１から位置Ｐｂ２へ移動した場合のピント移動量と同じである。ここで、図５の（ａ）および（ｂ）におけるＣａおよびＣｂの傾きは、フォーカスレンズ群の駆動速度に相当する。

図５の（ａ）および（ｂ）が示すとおり、Ｔ０ないしＴ１の時間に同じピント移動量ΔＢｐを得るためのフォーカスレンズ群の駆動速度は、ＣａにおけるもののほうがＣｂにおけるものよりも高くする必要がある。また、Ｃａは、Ｃｂに比し、駆動速度が高いため、フォーカスレンズ群が目標位置Ｐａ２に到達した後に位置が安定するまでに長い時間を要している。これに対して、Ｃｂは、Ｃａに比し、駆動速度が低いため、フォーカスレンズ群が目標位置Ｐｂ２に到達した後に位置が安定するまでに短い時間しか要していない。すなわち、駆動速度は、位置決め精度に影響を与える。また、Ｃａは、Ｃｂに比し、フォーカスレンズ群の駆動加速度も高いため、消費電力も多く、駆動音も大きい。すなわち、求められる駆動速度が低い撮像条件下においては、高位置決め精度、低消費電力、静音でフォーカスレンズ群を制御することができる。

＜レンズ装置に関する第２情報＞
つづいて、レンズ装置に関する第２情報について説明する。当該第２情報は、フォーカスレンズ群の駆動性能に影響を与える情報である。以上に説明したように、フォーカスレンズ群の駆動制御における駆動性能の適応のためには、駆動性能に影響を与える第２情報に基づいて、制御信号を生成する必要がある。当該第２情報は、決定部１２２により決定される。当該第２情報は、例えば、焦点深度やフォーカス敏感度の情報を含む。決定部１２２は、Ｆ値の情報と許容錯乱円の情報とから焦点深度の情報を得る。また、決定部１２２は、フォーカス敏感度と、フォーカスレンズ群の位置およびズームレンズ群の位置との関係を示す情報（テーブル）を記憶し、当該関係、フォーカスレンズ群の位置、ズームレンズ群の位置の各情報からフォーカス敏感度の情報を得る。そのような第２情報に基づいて制御信号を生成することにより、位置決め精度、駆動速度、消費電力、静音性のような駆動性能の適応（カスタマイズ）の点で有利なレンズ装置を提供することができる。なお、第２情報に基づいて制御信号を生成する機械学習アルゴリズムについては後述する。

＜機械学習モデル＞
ここで、ＡＩ制御部１２１が機械学習モデルを用いて制御信号を生成する方法について説明する。ＡＩ制御部１２１は、機械学習モデルを有し、機械学習アルゴリズムに従った動作を行う。機械学習アルゴリズムは、それには限定されないが、ここでは、ニューラルネットワーク（ＮＮともいう）によるアルゴリズム（ＮＮアルゴリズムともいう）とする。ＡＩ制御部１２１は、記憶部１２３に記憶されたＮＮへの入力となる特徴量と、各層への入力に対する重みとを参照し、参照により得られた特徴量および重みを用いてＮＮアルゴリズムにより制御信号に関する出力を生成する。機械学習モデル（重み）の製法については、後述する。

実施形態１に係る学習モデルにおける入出力の構造を示す概念を図６を参照して説明する。図６は、ニューラルネットワークの入出力を例示する図である。同図において、Ｘ１は、駆動制御部１２５から出力された駆動指令の情報である。Ｘ２は、検出部１０６から得られたフォーカスレンズ群１０１の位置の情報である。Ｘ３は、第２情報としての焦点深度の情報であり、Ｘ４は、第２情報としてのフォーカス敏感度の情報である。Ｙ１は、駆動部１０５に対する制御信号に関する出力の情報である。このように、入力としてのＸ１ないしＸ４に基づいて、学習済み機械学習モデルの出力としてのＹ１が生成される。ＡＩ制御部１２１は、当該Ｙ１を制御信号として、またはＹ１に基づく制御信号を生成して、当該制御信号により駆動部１０５の制御を行う。

＜学習モデル（重み）の製法＞
次に、学習モデル（重み）の製法（機械学習部での学習）について説明する。ここで、制御部２１１は、操作部２０６に対する操作者の操作により、機械学習の実施に係る指令を機械学習部２２１に送信する。機械学習部２２１は、当該指令を受けると、機械学習を開始する。機械学習部２２１による機械学習の流れを、図７を参照して説明する。図７は、機械学習の処理の流れを例示する図である。

同図において、ステップＳ１０１では、学習モデル（重み）の初期化を行う。具体的には、機械学習部２２１は、重みの初期値を制御部２１１に出力する。制御部２１１は、機械学習部２２１から重みの初期値を受け取ると、通信部２１２を介してレンズ装置１００へ、重みの初期値を送信する。レンズ装置１００の駆動制御部１２５は、通信部１２６で重みの初期値を受信すると、当該初期値を、記憶部１２３に記憶させる。つづくステップＳ１０２では、ログ情報の取得を行う。具体的には、機械学習部２２１は、制御部２１１に対して、レンズ装置１００におけるログ情報の取得の要求を行う。制御部２１１は、当該要求を受けると、通信部２１２を介してレンズ装置１００へ、当該ログ情報の要求を行う。レンズ装置１００の駆動制御部１２５は、通信部１２６で当該ログ情報の要求を受けると、ＡＩ制御部１２１に対してフォーカスレンズ群１０１の駆動の指令を行う。ＡＩ制御部１２１は、当該駆動の指令を受けると、記憶部１２３に保持された重みを用いた機械学習モデルに基づいて、駆動部１０５に対する制御信号を生成する。なお、機械学習部２２１は、開始位置から停止位置までフォーカスレンズ群１０１を駆動するための予め決められた学習用駆動パターンを保持し、当該パターンに対応した制御信号を生成する。当該予め決められた学習用駆動パターンに替えて、オートフォーカスアリゴリズムに従って決まる学習用駆動パターンとしてもよい。また、駆動制御部１２５は、通信部１２６で当該ログ情報の要求を受けると、ログ保持部１２４に対してログ情報の出力の要求を行う。ログ保持部１２４は、当該出力の要求を受けると、フォーカスレンズ群１０１の駆動中におけるレンズ装置のログ情報を、駆動制御部１２５および通信部１２６を介して、カメラ本体２００に送信する。

ステップＳ１０３では、フォーカスレンズ群１０１の駆動性能の評価を行う。具体的には、機械学習部２２１は、報酬保持部２２３が保持している報酬情報およびログ保持部２２２が保持しているログ情報に基づいて、ＡＩ学習部１２１の生成した制御信号によるフォーカスレンズ群１０１の駆動性能の評価を行う。当該評価の詳細は、後述する。ステップＳ１０４では、機械学習モデル（重み）の更新を行う。具体的には、機械学習部２２１は、当該評価における評価値に基づいて（例えば、評価値が最大化されるように）、機械学習モデル（重み）の更新を行う。重みの更新は、誤差逆伝搬法（Ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）を使用しうるが、それには限定されない。生成された重み（機械学習モデル）は、ステップＳ１０１での処理と同様の処理により、記憶部１２３に記憶させる。

ステップＳ１０５では、機械学習を終了するか判断（判定）を行う。具体的には、例えば、機械学習部２２１は、学習（重みの更新）の回数が予め定められた値に達したか、または、駆動性能の評価値の変化量が予め定められた値より小さいか等により当該判断を行う。機械学習部２２１は、機械学習を終了しないとの判断を行った場合は、ステップＳ１０１へ処理を戻し、機械学習を継続する。機械学習部２２１は、機械学習を終了するとの判断を行った場合は、機械学習の処理を終了させる。なお、機械学習部２２１は、評価が許容条件を満たした（例えば、駆動性能の評価値の変化量が予め定められた値より小さくなった）機械学習モデルを採用する。また、機械学習部２２１は、終了条件を満たし（例えば、学習の回数が予め定められた値に達し）且つ評価が許容条件を満たしていない機械学習モデルを不採用とする。

なお、機械学習のアルゴリズムは、ニューラルネットワークを利用し、各層への入力に対する重みを自ら生成する深層学習（ディープラーニング）としうる。深層学習は、特徴量をも自ら生成しうる。アルゴリズムは、深層学習には限定されず、他のものであってもよく、例えば、最近傍法、ナイーブベイズ法、決定木、サポートベクターマシンのうち少なくとも１つを含みうる。これらのようなアルゴリズムのうち利用できるものを本実施形態に適宜適用することができる。

ここで、ＧＰＵは、データの並列処理を効率的に行うことができるため、ディープラーニングにおける機械学習モデルのような機械学習モデルを用いて繰り返し学習を行う場合に有効である。よって、機械学習部２２１による処理にはＣＰＵに替えて又は加えてＧＰＵを用いうる。例えば、機械学習モデルを含む機械学習プログラムは、ＣＰＵとＧＰＵとが協働して実行するのが好ましい。

＜ログ情報＞
次に、ログ情報について説明する。ログ情報は、フォーカスレンズ群１０１の駆動性能の評価を行う対象となる情報を含んでいる。ログ保持部１２４は、図６に示したＸ１ないしＸ４およびＹ１のような機械学習モデルの入出力情報を機械学習モデルの動作周期ごとに収集して保持している。ログ保持部１２４は、処理部１２０により得られた駆動部１０５の消費電力に関する情報をログ情報として保持している。ログ保持部１２４は、ＡＩ制御部１２１に入力された駆動指令や検出部１０６によって検出されたフォーカスレンズ群の位置に関する情報をログ情報として保持している。ログ保持部１２４は、処理部１２０により得られたフォーカスレンズ群の目標位置や位置決め精度に関する情報をログ情報として保持している。ログ保持部１２４は、フォーカスレンズ群の位置に関する情報から得られたフォーカスレンズ群の駆動速度や駆動加速度に関する情報をログ情報として保持している。ログ保持部１２４は、保持しているログ情報を、駆動制御部１２５および通信部１２６を介して、カメラ本体２００に送信する。カメラ本体２００の制御部２１１は、通信部２１２でログ情報を受信すると、当該ログ情報をログ保持部２２２に保持させる。

＜報酬情報および駆動性能の評価＞
報酬情報は、駆動性能の評価を行うのに必要な情報である。報酬情報は、各駆動性能に関して、範囲を決める境界値の情報と、当該範囲ごとに予め定められた報酬の情報とを含んで構成されている。図８を参照して報酬情報について説明する。図８は、報酬情報を例示する図である。同図において、（ａ１）、（ｂ１）、（ｃ１）、（ｄ１）は、それぞれ駆動性能としての位置決め精度、駆動速度、駆動加速度、消費電力に関して、機械学習モデルを学習している場合における、時間（時刻）と報酬との関係を示している。グラフの横軸は、時間を示し、グラフの縦軸は、駆動性能と境界値とを示している。同図において、（ａ２）、（ｂ２）、（ｃ２）、（ｄ２）は、それぞれ位置決め精度、駆動速度、駆動加速度、消費電力に関して、報酬情報のデータ構造を示している。当該データ構造は、上述の境界値のデータと、上述の範囲ごとの報酬のデータとを含んで構成されるものとなっている。

ここで、機械学習モデルは、駆動性能に対する評価が高くなるように学習される。よって、例えば、駆動性能が位置決め精度である場合、位置偏差がゼロを含む範囲に最も高い報酬が設定されている。また、特定の駆動性能は、相対的に高い報酬を設定されることにより、他の駆動性能よりも優先されることになる。例えば、消費電力は、相対的に報酬を高くされることにより、位置決め精度よりも優先されることになる。本実施形態では、報酬情報が２つの境界値の情報と３つの報酬の情報とを含んで構成される例を示している。

（ａ１）の縦軸は、フォーカスレンズ群の目標位置と実際の位置との差である位置偏差Ｅの値を示している。位置偏差Ｅの正の方向は、フォーカスレンズ群の目標位置に対して実際の位置が無限遠側にある場合を示し、位置偏差Ｅの負の方向は、目標位置に対して実際の位置が至近側にある場合を示す。位置偏差Ｅが０に近い場合の頻度が高い（Ｅ^２の総和が小さい）ほどフォーカスレンズ群の位置決め精度が高いことになる。（ａ２）は、位置決め精度に関する報酬情報ＲＥを示している。報酬情報ＲＥは、位置偏差の境界値Ｅ１、境界値Ｅ２と、各範囲において獲得できる報酬ＳＥ１、報酬ＳＥ２、報酬ＳＥ３とを含んで構成されている。ここで、位置偏差がＥ１×−１ないしＥ１の範囲を範囲ＡＥ１とする。また、Ｅ２×−１ないしＥ２の範囲から範囲ＡＥ１を除いて得られる範囲を範囲ＡＥ２とする。また、全範囲から範囲ＡＥ１と範囲ＡＥ２とを除いて得られる範囲を範囲ＡＥ３とする。範囲ＡＥ１、範囲ＡＥ２、範囲ＡＥ３に対して、（ａ２）が示すように、それぞれ報酬ＳＥ１、報酬ＳＥ２、報酬ＳＥ３が設定されている。ここで、報酬の大小関係は、報酬ＳＥ１＞報酬ＳＥ２＞報酬ＳＥ３となり、位置偏差Ｅが０に近いほど高い報酬が設定されている。（ａ１）が示すように、時刻Ｔｐ１、時刻Ｔｐ２、時刻Ｔｐ３における位置偏差Ｅは、それぞれ範囲ＡＥ２、範囲ＡＥ３、範囲ＡＥ１に属している。よって、時刻Ｔｐ１、時刻Ｔｐ２、時刻Ｔｐ３において獲得できる報酬は、それぞれ報酬ＳＥ２、報酬ＳＥ３、報酬ＳＥ１となる。ここで、例えば、境界値Ｅ１は、Ｆδ／２なる値、境界値Ｅ２は、Ｆδなる値としうる。つまり、フォーカスレンズ群の実際の位置が目標位置に対して焦点深度の半分以下のずれ（｜Ｅ｜≦Ｆδ／２）を有しているのであれば、最も高い報酬が得られる。それに対して、フォーカスレンズ群の実際の位置が目標位置に対して焦点深度の半分を超えて焦点深度までのずれ（Ｆδ／２＜｜Ｅ｜≦Ｆδ）を有しているのであれば、中間の報酬が得られる。また、フォーカスレンズ群の実際の位置が目標位置に対して焦点深度を超えるずれ（｜Ｅ｜＞Ｆδ）を有しているのであれば、最も低い報酬が得られる。

（ｂ１）の縦軸は、フォーカスレンズ群の駆動速度Ｖの値を示している。駆動速度Ｖの正の方向は、無限遠に向かう方向を示し、駆動速度Ｖの負の方向は、至近に向かう方向を示している。駆動音は、駆動速度Ｖが０に近いほど小さくなる。（ｂ２）は、駆動速度に関する報酬情報ＲＶを示している。報酬情報ＲＶは、駆動速度の境界値Ｖ１、Ｖ２と、各範囲において獲得できる報酬ＳＶ１、報酬ＳＶ２、報酬ＳＶ３とを含んで構成されている。ここで、駆動速度Ｖ１×−１ないしＶ１の範囲を範囲ＡＶ１とする。また、駆動速度Ｖ２×−１ないしＶ２の範囲から範囲ＡＶ１を除いて得られる範囲を範囲ＡＶ２とする。また、全範囲から範囲ＡＶ１と範囲ＡＶ２とを除いて得られる範囲を範囲ＡＶ３とする。範囲ＡＶ１、範囲ＡＶ２、範囲ＡＶ３に対して、（ｂ２）が示すように、それぞれ報酬ＳＶ１、報酬ＳＶ２、報酬ＳＶ３が設定されている。ここで、報酬の大小関係は、報酬ＳＶ１＞報酬ＳＶ２＞報酬ＳＶ３となり、駆動速度Ｖが０に近いほど高い報酬が設定されている。（ｂ１）が示すように、時刻Ｔｐ１、時刻Ｔｐ２、時刻Ｔｐ３における駆動速度Ｖは、それぞれ範囲ＡＶ２、範囲ＡＶ３、範囲ＡＶ１に属している。よって、時刻Ｔｐ１、時刻Ｔｐ２、時刻Ｔｐ３において獲得できる報酬は、それぞれ報酬ＳＶ２、報酬ＳＶ３、報酬ＳＶ１となる。ここで、境界値Ｖ１、Ｖ２は、例えば、駆動速度と駆動音との関係に基づいて設定されている。駆動速度が低いほど獲得できる報酬が多くなるように報酬を設定すれば、駆動速度が低いほど駆動音が小さくなるため、静音性を考慮した機械学習モデルを得ることができる。

（ｃ１）の縦軸は、フォーカスレンズ群の駆動加速度Ａの値を示している。駆動加速度Ａの正の方向は、無限遠に向かう方向を示し、駆動加速度Ａの負の方向は、至近へ向かう方向を示している。駆動音は、駆動加速度Ａが０に近いほど小さくなる。（ｃ２）は、駆動加速度に関する報酬情報ＲＡを示している。報酬情報ＲＡは、駆動加速度の境界値Ａ１、Ａ２と、各範囲において獲得できる報酬ＳＡ１、報酬ＳＡ２、報酬ＳＡ３とを含んで構成されている。ここで、駆動加速度Ａ１×−１ないしＡ１の範囲を範囲ＡＡ１とする。また、Ａ２×−１ないしＡ２の範囲から範囲ＡＡ１を除いて得られる範囲を範囲ＡＶ２とする。また、全範囲から範囲ＡＡ１と範囲ＡＡ２とを除いて得られる範囲を範囲ＡＡ３とする。範囲ＡＡ１、範囲ＡＡ２、範囲ＡＡ３に対して、（ｃ２）が示すように、報酬ＳＡ１、報酬ＳＡ２、報酬ＳＡ３が設定されている。ここで、報酬の大小関係は、報酬ＳＡ１＞報酬ＳＡ２＞報酬ＳＡ３となり、駆動加速度Ａが０に近いほど高い報酬が設定されている。（ｃ１）が示すように、時刻Ｔｐ１、時刻Ｔｐ２、時刻Ｔｐ３における駆動加速度Ａは、それぞれ範囲ＡＡ１、範囲ＡＡ３、範囲ＡＡ２に属している。よって、時刻Ｔｐ１、時刻Ｔｐ２、時刻Ｔｐ３において獲得できる報酬は、それぞれ報酬ＳＡ１、報酬ＳＡ３、報酬ＳＡ２となる。ここで、境界値Ａ１、Ａ２は、例えば、駆動加速度と駆動音との関係に基づいて設定されている。駆動加速度が低いほど獲得できる報酬が多くなるように報酬を設定すれば、駆動加速度が低いほど駆動音が小さくなるため、静音性を考慮した機械学習モデルを得ることができる。

（ｄ１）の縦軸は、駆動部１０５の消費電力Ｐの値を示している。（ｄ２）は、消費電力に関する報酬情報ＲＰを示している。報酬情報ＲＰは、消費電力の境界値Ｐ１、Ｐ２と、各範囲において獲得できる報酬ＳＰ１、報酬ＳＰ２、報酬ＳＰ３とを含んで構成されている。ここで、消費電力０ないしＰ１の範囲を範囲ＡＰ１とする。また、Ｐ１を超えＰ２を超えない範囲を範囲ＡＰ２とする。また、全範囲から範囲ＡＰ１と範囲ＡＰ２とを除いて得られる範囲を範囲ＡＰ３とする。範囲ＡＰ１、範囲ＡＰ２、範囲ＡＰ３に対して、（ｄ２）が示すように、報酬ＳＰ１、報酬ＳＰ２、報酬ＳＰ３が設定されている。ここで、報酬の大小関係は、報酬ＳＰ１＞報酬ＳＰ２＞報酬ＳＰ３となり、消費電力Ｐが０に近いほど高い報酬が設定されている。（ｄ１）が示すように、時刻Ｔｐ１、時刻Ｔｐ２、時刻Ｔｐ３における消費電力Ｐは、それぞれ範囲ＡＰ１、範囲ＡＰ３、範囲ＡＰ２に属している。よって、時刻Ｔｐ１、時刻Ｔｐ２、時刻Ｔｐ３において獲得できる報酬は、それぞれ報酬ＳＰ１、報酬ＳＰ３、報酬ＳＰ２となる。ここで、消費電力が小さいほど獲得できる報酬が多くなるように報酬を設定すれば、低消費電力を考慮した機械学習モデルを得ることができる。

以上のように、位置決め精度（位置偏差）、駆動速度、駆動加速度、消費電力等の駆動性能に関して評価を行うための報酬情報が設定されうる。このような報酬情報を用いることにより、フォーカスレンズ群を駆動した場合のログ情報に基づいて、各駆動性能に関して単位時間ごとに報酬を生成し、当該報酬を累計することにより、機械学習モデルを評価することができる。なお、複数の駆動性能に関する報酬に基づくことにより、機械学習モデルのカスタマイズに有利となる。また、消費電力は、駆動部における電流等に基づいて計測してもよいし、駆動速度や駆動加速度に基づいて推定してもよい。また、境界値は、不変とするのに限らず、必要に応じて可変としてもよい。また、報酬は、境界値に基づいて特定するのには限られず、各駆動性能に関する関数に基づいて特定してもよい。この場合、報酬情報は、当該関数に関する情報を含んで構成すればよい。

＜第１報酬部分および第２報酬部分＞
つづいて、報酬情報のうちの第１報酬部分および第２報酬部分について説明する。図９は、報酬情報のデータ構造を例示する図である。第１報酬部分の情報（予め用意された第１の報酬の情報）は、位置決め精度に関する報酬ＲＥｂ、駆動速度に関する報酬ＲＶｂ、駆動加速度に関する報酬ＲＡｂ、消費電力に関する報酬ＲＰｂの情報を含んで構成されている。また、第２報酬部分の情報（第２の報酬の情報）は、位置決め精度に関する報酬ＲＥｕ、駆動速度に関する報酬ＲＶｕ、駆動加速度に関する報酬ＲＡｕ、消費電力に関する報酬ＲＰｕの情報を含んで構成されている。ＲＥｂおよびＲＥｕは、図８の（ａ２）に示した位置決め精度に関する報酬ＲＥとは同じデータ構造を有している。ＲＶｂおよびＲＶｕは、図８の（ｂ２）に示した駆動速度に関する報酬ＲＶとは同じデータ構造を有している。ＲＡｂおよびＲＡｕは、図８の（ｃ２）に示した駆動加速度に関する報酬ＲＡとは同じデータ構造を有している。ＲＰｂおよびＲＰｕは、図８の（ｄ２）に示した消費電力に関する報酬ＲＰとは同じデータ構造を有している。

ここで、第１報酬部分の情報は、レンズ装置１００に固有の報酬に関する情報である。第１報酬部分の情報は、レンズ装置１００に固有の報酬情報として第１報酬部分保持部２２４に予め保持されている。第２報酬部分の情報は、レンズ装置１００の操作者の要求に基づいて可変の報酬に関する情報である。第２報酬部分の情報は、操作者の要求に基づいて第２報酬部分保持部２２５に保持される。報酬保持部２２３は、第１報酬部分の情報および第２報酬部分の情報を保持している。

第１報酬部分の情報は、レンズ装置１００において許容可能な駆動性能を得るための報酬情報であるため、第２報酬部分の情報よりも、負の値を含む広範囲の報酬が設定されている。第２報酬部分の情報は、操作者の要求により可変であり、当該要求の情報と、第２報酬部分の選択肢の情報とに基づいて取得しうる。報酬情報は、第１報酬部分の情報と第２報酬部分の情報とから得られる。そして、当該報酬情報に基づいて、図８を参照して例示したように、機械学習モデルの評価値を得ることにより、機械学習モデルの学習（生成）がなされる。

ここで、ユーザの要求により、第２報酬部分の情報を得る方法について説明する。図１０は、第２報酬部分の選択肢に関する情報のデータ構造を例示する図である。同図の（ａ）は、位置決め精度に関する第２報酬部分の選択肢ＵＲＥｕに関する情報のデータ構造を示している。当該選択肢ＵＲＥｕに関する情報は、各レベルに関して、位置偏差の境界値、当該境界値で定義される範囲ごとの報酬情報を含んで構成されている。同図の（ｂ）は、静音性に関する第２報酬部分の選択肢ＵＲＳｕに関する情報のデータ構造を示している。当該選択肢ＵＲＳｕに関する情報は、駆動速度に関する第２報酬部分の選択肢ＵＲＶｕに関する情報と、駆動加速度に関する第２報酬部分の選択肢ＵＲＡｕに関する情報とを含んで構成されている。ＵＲＶｕの情報は、各レベルに関して、駆動速度の境界値、当該境界値で定義される範囲ごとの報酬情報を含んで構成されている。ＵＲＡｕの情報は、各レベルに関して、駆動加速度の境界値、当該境界値で定義される範囲ごとの報酬情報を含んで構成されている。同図の（ｃ）は、消費電力に関する第２報酬部分の選択肢ＵＲＰｕに関する情報のデータ構造を示している。当該選択肢ＵＲＰｕに関する情報は、各レベルに関して、消費電力の境界値、当該境界値で定義される範囲ごとの報酬情報を含んで構成されている。

位置決め精度に関する第２報酬部分の選択肢ＵＲＥｕ、静音性に関する第２報酬部分の選択肢ＵＲＳｕ、消費電力に関する第２報酬部分の選択肢ＵＲＰｕの各情報は、次のように設定されている。すなわち、当該各情報は、レベル１、レベル２、レベル３の順（昇順）に、操作者の要求レベルが低くなるように、境界値や報酬の値が設定されている。より具体的には、例えば、レベル１は、他のレベルに比べ、境界値が駆動性能の目標値に近い値となり、報酬が高い値となっている。

なお、操作者の要求は、図１に示した操作部２０６を介して入力しうる。当該要求に基づいて、各駆動性能に関して、レベル１ないしレベル３からレベルを選択しうる。当該レベルに関する情報は、制御部２１１を介して、第２報酬部分保持部２２５に伝達される。第２報酬部分保持部２２５は、各駆動性能のレベルに関する情報に基づいて、各駆動性能に関して第２報酬部分の情報を特定（選択）する。そうすることにより、カスタマイズされた報酬の情報に基づいて、機械学習モデル（重み）の学習が実施され、カスタマイズされた機械学習モデル（重み）を生成することができる。生成された機械学習モデル（重み）の情報は、カメラ本体２００からレンズ装置１００に送信され、記憶部１２３に記憶され、フォーカスレンズ群の駆動（駆動部１０５）の制御に使用される。

＜制御対象の他の例＞
駆動制御の対象は、フォーカスレンズ群を例示したが、本実施形態は、それには限定されない。本実施形態は、ズームレンズ群、像振れ補正レンズ群、フランジバック調整レンズ群、開口絞り等の他の光学部材を駆動制御の対象としうる。位置決め精度や静音性、消費電力は、それらの光学部材を駆動する場合にも重視される駆動性能である。なお、要求される位置決め精度は、ズームレンズ群に関しては、その駆動量と、画角または被写体の大きさの変化量との間の関係により変化しうる。また、要求される位置決め精度は、像振れ補正レンズ群に関しては、焦点距離により変化しうる。また、要求される位置決め精度は、開口絞りに関しては、その駆動量と映像の輝度の変化量との間の関係により変化しうる。

＜第２情報の他の例＞
レンズ装置に関する第２情報として、フォーカス敏感度や焦点深度の情報を例示したが、それには限定されず、レンズ装置の姿勢や、温度、周囲音量のうちの少なくとも１つの情報を含むものとしてもよい。レンズ装置の姿勢は、光学部材への重力の影響を変化させることにより、駆動部の負荷（トルク）を変化させうる。レンズ装置の温度は、駆動系における潤滑油の性能を変化させることにより、駆動部の負荷（トルク）を変化させうる。レンズ装置の周囲の音量は、駆動部による駆動音の制約への影響を変化させることにより、駆動部の速度や加速度の制限を変化させうる。

以上に説明したように、本実施形態によれば、例えば、駆動性能の適応（カスタマイズ）の点で有利なレンズ装置または撮像装置を提供することができる。

〔実施形態２〕
《レンズ装置が学習部（生成部）を含む構成例》
実施形態２について、図１１ないし図１５面を参照して説明する。ここで、図１１は、実施形態２に係るレンズ装置の構成例を示す図であり、それにとどまらず、カメラ本体の構成例も含むシステム（撮像装置）の構成例を示す図でもある。当該システムは、レンズ装置１００が学習部を含む点で実施形態１とは異なっている。また、レンズ装置１００に関する第２情報が、カメラ本体での録画に関する情報を含む点も実施形態１とは異なっている。

学習部１２２０は、プロセッサ（ＣＰＵやＧＰＵ等）と記憶装置（ＲＯＭや、ＲＡＭ、ＨＤＤ等）とを含んで構成されうる。学習部１２２０は、機械学習部１２２１、ログ保持部１２２２、報酬保持部１２２３、第１報酬部分保持部１２２４、第２報酬部分保持部１２２５を含むものとしうる。学習部１２２０は、これら各部の動作を制御するためのプログラムも記憶している。

駆動制御部１１２５は、実施形態１における駆動制御部１２５の機能に加え、学習部１２２０との間で情報の授受を行う機能を有する。ＡＩ制御部１１２１は、学習部１２２０により生成された機械学習モデルに基づいて、フォーカスレンズ群１０１の駆動（駆動部１０５）を制御する。決定部１１２２は、ＡＩ制御部１１２１で使用するレンズ装置に関する情報（第２情報）を決定する決定部である。ここでの第２情報については後述する。操作部１２０６は、操作者がレンズ装置１００（撮像装置）を操作するための操作部である。

＜第２情報＞
ここで、第２情報は、フォーカスレンズ群の駆動の制御がカメラ本体での録画に与える影響に関する情報を含む。本実施形態では、そのような第２情報に、実施形態１における第２情報に加えて又は替えて、基づくことにより、フォーカスレンズ群の駆動の制御を、当該制御が録画に与える影響を考慮して行うことができる。第２情報は、信号処理回路２０３で得られた画像データを制御部２１１で解析することにより得られる情報を含みうるものであり、制御部２１１から、通信部２１２、通信部１２６、駆動制御部１１２５を介して決定部１１２２に送られた情報に基づいて決定されうる。第２情報は、例えば、許容錯乱円径や、カメラ本体での撮像により得られた被写体のデフォーカス量、カメラ本体に含まれるマイクロフォン等により得られた音量（録音された周囲音の音量）等のうち少なくとも１つに関する情報としうる。決定部１１２２は、Ｆ値と許容錯乱円径との情報から焦点深度の情報を得ることができる。

＜機械学習モデル＞
ここで、ＡＩ制御部１１２１における機械学習モデルについて説明する。ここで、図１２は、ニューラルネットワークの入出力を例示する図である。同図に示す実施形態２に係るニューラルネットワークにおいて、Ｘ２１は、駆動制御部１１２５から出力された駆動指令の情報である。Ｘ２２は、検出部１０６から得られたフォーカスレンズ群１０１の位置の情報である。Ｘ２３は、第２情報として上述のように得られた焦点深度の情報である。Ｘ２４は、第２情報としてのフォーカス敏感度の情報である。Ｘ２５は、第２情報として上述のように得られた被写体のデフォーカス量に関する情報である。Ｘ２６は、第２情報として上述のように得られた音量の情報である。Ｙ２１は、駆動部１０５に対する制御信号に関する出力の情報である。このように、入力としてのＸ２１ないしＸ２６に基づいて、学習済みの機械学習モデルの出力としてのＹ２１が生成される。ＡＩ制御部１２１は、当該Ｙ２１を制御信号として、またはＹ２１に基づく制御信号を生成して、当該制御信号により駆動部１０５の制御を行う。

＜ログ情報＞
ここで、実施形態２におけるログ情報について説明する。ログ保持部１１２４は、図１２に示したＸ２１ないしＸ２６およびＹ２１のような機械学習モデルの入出力情報を機械学習モデルの動作周期ごとに収集して保持している。ログ保持部１１２４は、処理部１２０により得られた駆動部１０５の消費電力に関する情報をログ情報として保持している。ログ保持部１１２４は、ＡＩ制御部１１２１に入力された駆動指令や検出部１０６によって検出されたフォーカスレンズ群の位置に関する情報をログ情報として保持している。ログ保持部１１２４は、処理部１２０により得られたフォーカスレンズ群の目標位置や位置決め精度に関する情報をログ情報として保持している。ログ保持部１１２４は、フォーカスレンズ群の位置に関する情報から得られたフォーカスレンズ群の駆動速度や駆動加速度に関する情報をログ情報として保持している。ログ保持部１１２４は、駆動速度および駆動加速度の少なくとも一方と駆動音量との間の関係を示す情報を保持し、当該少なくとも一方の情報と当該関係の情報とに基づいて生成した駆動音量の情報を保持している。また、ログ保持部１１２４は、録音音量と駆動音量との比（駆動音を雑音とするＳ／Ｎ比）を得て、当該比の情報を保持している。なお、当該Ｓ／Ｎ比は、雑音となる駆動音が録音に与える影響を示し、当該Ｓ／Ｎ比が大きいほど駆動音が録音に与える影響が小さいことを示す。ログ保持部１１２４は、保持しているログ情報を、駆動制御部１１２５を介して、ログ保持部１２２２に保持させる。

＜報酬情報および駆動性能の評価＞
図１３を参照して実施形態２に係る報酬情報について説明する。図１３は、報酬情報を例示する図である。同図の（ａ１）、（ｂ１）は、それぞれ駆動性能としてのデフォーカス量、上述のＳ／Ｎ比に関して、機械学習モデルを学習している場合における、時間（時刻）と報酬との関係を示している。（ａ１）、（ｂ１）におけるグラフの横軸は、時間（時刻）を示す。同図において、（ａ２）、（ｂ２）は、それぞれデフォーカス量、Ｓ／Ｎ比に関して、報酬情報のデータ構造を示している。当該データ構造は、実施形態１におけるものと同様に、駆動性能ごとに、境界値のデータと、境界値で定義される範囲ごとの報酬のデータとを含んで構成されるものとなっている。

（ａ１）の縦軸は、デフォーカス量Ｄの値を示している。デフォーカス量Ｄは、ピントが無限遠側にズレている場合に正の値とし、ピントが至近側にズレている場合に負の値としている。（ａ２）は、デフォーカス量に関する報酬ＲＤを示している。報酬情報ＲＤは、デフォーカス量の境界値Ｄ１、境界値Ｄ２と、各範囲において獲得できる報酬ＳＤ１、報酬ＳＤ２、報酬ＳＤ３とを含んで構成されている。ここで、デフォーカス量がＤ１×−１ないしＤ１の範囲を範囲ＡＤ１とする。また、Ｄ２×−１ないしＤ２の範囲から範囲ＡＤ１を除いて得られる範囲を範囲ＡＤ２とする。また、全範囲から範囲ＡＤ１と範囲ＡＤ２とを除いて得られる範囲を範囲ＡＤ３とする。範囲ＡＤ１、範囲ＡＤ２、範囲ＡＤ３に対して、（ａ２）が示すように、それぞれ報酬ＳＤ１、報酬ＳＤ２、報酬ＳＤ３が設定されている。ここで、報酬の大小関係は、報酬ＳＤ１＞報酬ＳＤ２＞報酬ＳＤ３となり、デフォーカス量Ｄが０に近いほど高い報酬が設定されている。（ａ１）が示すように、時刻Ｔｐ１、時刻Ｔｐ２、時刻Ｔｐ３におけるデフォーカス量Ｄは、それぞれ範囲ＡＤ２、範囲ＡＤ３、範囲ＡＤ１に属している。よって、時刻Ｔｐ１、時刻Ｔｐ２、時刻Ｔｐ３において獲得できる報酬は、それぞれ報酬ＳＤ２、報酬ＳＤ３、報酬ＳＤ１となる。ここで、例えば、境界値Ｄ１は、Ｆδ／２なる値、境界値Ｅ２は、Ｆδなる値としうる。つまり、デフォーカス量が焦点深度の半分以下の値（｜Ｄ｜≦Ｆδ／２）を有しているのであれば、最も高い報酬が得られる。それに対して、デフォーカス量が焦点深度の半分を超えて焦点深度までの値（Ｆδ／２＜｜Ｄ｜≦Ｆδ）を有しているのであれば、中間の報酬が得られる。また、デフォーカス量が焦点深度を超える値（｜Ｄ｜＞Ｆδ）を有しているのであれば、最も低い報酬が得られる。

（ｂ１）の縦軸は、Ｓ／Ｎ比Ｎの値を示している。Ｓ／Ｎ比Ｎが大きい程、駆動音が録音の品質に与える影響が小さいことを示す。（ｂ２）は、Ｓ／Ｎ比に関する報酬ＲＮを示している。報酬情報ＲＮは、Ｓ／Ｎ比の境界値Ｎ１、境界値Ｎ２と、各範囲において獲得できる報酬ＳＮ１、報酬ＳＮ２、報酬ＳＮ３とを含んで構成されている。ここで、Ｓ／Ｎ比が０ないしＮ１の範囲を範囲ＡＮ１とする。また、Ｎ１ないしＮ２の範囲を範囲ＡＮ２とする。また、全範囲から範囲ＡＮ１と範囲ＡＮ２とを除いて得られる範囲を範囲ＡＮ３とする。範囲ＡＮ１、範囲ＡＮ２、範囲ＡＮ３に対して、（ａ２）が示すように、それぞれ報酬ＳＮ１、報酬ＳＮ２、報酬ＳＮ３が設定されている。ここで、報酬の大小関係は、報酬ＳＮ１＜報酬ＳＮ２＜報酬ＳＮ３となり、Ｓ／Ｎ比Ｎが０に近いほど低い報酬が設定されている。（ｂ１）が示すように、時刻Ｔｐ１、時刻Ｔｐ２、時刻Ｔｐ３におけるＳ／Ｎ比Ｎは、それぞれ範囲ＡＮ１、範囲ＡＮ３、範囲ＡＮ２に属している。よって、時刻Ｔｐ１、時刻Ｔｐ２、時刻Ｔｐ３において獲得できる報酬は、それぞれ報酬ＳＮ１、報酬ＳＮ３、報酬ＳＮ２となる。ここで、Ｓ／Ｎ比が大きくなるほど獲得できる報酬が多くなるように報酬が設定されているため、録音品質の点で有利な機械学習モデルを生成することができることになる。

以上のように、駆動性能としてのデフォーカス量、駆動音に係るＳ／Ｎ比に関して評価を行うための報酬情報が設定されうる。このような報酬情報を用いることにより、フォーカスレンズ群を駆動した場合のログ情報に基づいて、各駆動性能に関して単位時間ごとに報酬を生成し、当該報酬を累計することにより、機械学習モデルを評価することができる。なお、複数の駆動性能に関する報酬に基づくことにより、機械学習モデルのカスタマイズに有利となる。また、境界値は、不変とするのに限らず、必要に応じて可変としてもよい。また、報酬は、境界値に基づいて特定するのには限られず、各駆動性能に関する関数に基づいて特定してもよい。この場合、報酬情報は、当該関数に関する情報を含んで構成すればよい。

＜第１報酬部分および第２報酬部分＞
次に、本実施形態における第１報酬部分の情報および第２報酬部分の情報について説明する。ここで、図１４は、報酬情報のデータ構造を例示する図である。第１報酬部分の情報は、デフォーカス量に関する報酬ＲＤｂ、Ｓ／Ｎ比に関する報酬ＲＮｂの情報を含んで構成されている。また、第２報酬部分の情報は、デフォーカス量に関する報酬ＲＤｕ、Ｓ／Ｎ比に関する報酬ＲＮｕの情報を含んで構成されている。ＲＤｂおよびＲＤｕは、図１３の（ａ２）に示したデフォーカス量に関する報酬ＲＤとは同じデータ構造を有している。ＲＮｂおよびＲＮｕは、図１３の（ｂ２）に示したＳ／Ｎ比に関する報酬ＲＮとは同じデータ構造を有している。

ここで、第１報酬部分の情報は、レンズ装置１００に固有の報酬に関する情報である。第１報酬部分の情報は、レンズ装置１００に固有の報酬情報として第１報酬部分保持部１２２４に予め保持されている。第２報酬部分の情報は、レンズ装置１００の操作者の要求に基づいて可変の報酬に関する情報である。第２報酬部分の情報は、操作者の要求に基づいて第２報酬部分保持部１２２５に保持される。報酬保持部１２２３は、第１報酬部分の情報および第２報酬部分の情報を保持している。

第１報酬部分の情報は、レンズ装置１００において許容可能な駆動性能を得るための報酬情報であるため、第２報酬部分の情報よりも、負の値を含む広範囲の報酬が設定されている。第２報酬部分の情報は、操作者の要求により可変であり、当該要求の情報と、第２報酬部分の選択肢の情報とに基づいて取得しうる。報酬情報は、第１報酬部分の情報と第２報酬部分の情報とから得られる。そして、当該報酬情報に基づいて、図１３を参照して例示したように、機械学習モデルの評価値を得ることにより、機械学習モデルの学習（生成）がなされる。

ここで、ユーザの要求により、第２報酬部分の情報を得る方法について説明する。図１５は、第２報酬部分の選択肢に関する情報のデータ構造を例示する図である。同図の（ａ）は、デフォーカス量に関する第２報酬部分の選択肢ＵＲＤｕに関する情報のデータ構造を示している。当該選択肢ＵＲＤｕに関する情報は、各レベルに関して、デフォーカス量の境界値、当該境界値で定義される範囲ごとの報酬情報を含んで構成されている。同図の（ｂ）は、静音性（Ｓ／Ｎ比）に関する第２報酬部分の選択肢ＵＲＮｕに関する情報のデータ構造を示している。ＵＲＮｕの情報は、各レベルに関して、Ｓ／Ｎ比の境界値、当該境界値で定義される範囲ごとの報酬情報を含んで構成されている。

デフォーカス量に関する第２報酬部分の選択肢ＵＲＤｕ、静音性（Ｓ／Ｎ比）に関する第２報酬部分の選択肢ＵＲＮｕの各情報は、レベル１、レベル２、レベル３の順（昇順）に、操作者の要求レベルが低くなるように、境界値や報酬の値が設定されている。より具体的には、例えば、レベル１は、他のレベルに比べ、境界値が駆動性能の目標値に近い値となり、報酬が高い値となっている。

なお、操作者の要求は、図１１に示した操作部１２０６を介して入力しうる。当該要求に基づいて、各駆動性能に関して、レベル１ないしレベル３からレベルを選択しうる。当該レベルに関する情報は、駆動制御部１１２５を介して、第２報酬部分保持部１２２５に伝達される。第２報酬部分保持部１２２５は、各駆動性能のレベルに関する情報に基づいて、各駆動性能に関して第２報酬部分の情報を特定（選択）する。そうすることにより、カスタマイズされた報酬の情報に基づいて、機械学習モデル（重み）の学習が実施され、カスタマイズされた機械学習モデル（重み）を生成することができる。生成された機械学習モデル（重み）の情報は、機械学習部１２２１から送信され、記憶部１２３に記憶され、フォーカスレンズ群の駆動（駆動部１０５）の制御に使用される。

＜制御対象の他の例＞
駆動制御の対象は、フォーカスレンズ群を例示したが、本実施形態は、それには限定されない。本実施形態は、ズームレンズ群、像振れ補正レンズ群、フランジバック調整レンズ群、開口絞り等の他の光学部材を駆動制御の対象としうる。デフォーカス量や静音性（Ｓ／Ｎ比）は、それらの光学部材を駆動する場合にも考慮されうる駆動性能である。なお、これらの他の光学部材を駆動制御の対象とする場合は、デフォーカス量に加えて又は替えて、他の駆動性能の情報を第２情報として考慮してもよい。

以上に説明したように、本実施形態によれば、例えば、駆動性能の適応（カスタマイズ）の点で有利なレンズ装置または撮像装置を提供することができる。

〔実施形態３〕
《遠隔装置（処理装置）が学習部（生成部）を含む構成例》
実施形態３について図１６を参照して説明する。図１６は、実施形態３に係るレンズ装置の構成例を示す図であり、それにとどまらず、カメラ本体の構成例も含むシステム（撮像装置）の構成例を示す図でもある。当該システムは、遠隔装置４００を含み、当該遠隔装置４００が学習部を含む点で実施形態１とは異なっている。ここで、カメラ本体２００は、遠隔装置４００と通信するための通信部２３０を有する。遠隔装置４００は、例えば、携帯端末やコンピュータ端末等の処理装置としうる。遠隔装置４００は、表示部４０１、操作部４０２、処理部４１０、学習部４２０を有する。処理部４１０は、制御部４１１、通信部４１２を含む。通信部４１２は、カメラ本体２００と通信するためのものである。なお、通信部４１２とカメラ本体２００の通信部２３０とは、それには限定されないが、無線で通信を行うものとしている。当該無線通信は、無線ＬＡＮ等による公知の無線通信としうる。

学習部４２０は、プロセッサ（ＣＰＵやＧＰＵ等）と記憶装置（ＲＯＭや、ＲＡＭ、ＨＤＤ等）とを含んで構成されうる。学習部４２０は、機械学習部４２１、ログ保持部４２２、報酬保持部４２３、第１報酬部分保持部４２４、第２報酬部分保持部４２５を含むものとしうる。学習部４２０は、これら各部の動作を制御するためのプログラムも記憶している。学習部４２０の動作は、実施形態１における学習部２２０の動作と同様としうる。

本実施形態においては、実施形態１とは異なり、学習部がカメラ本体２００ではなく遠隔装置４００に含まれているため、カメラ本体の処理部２１０と学習部４２０との間の情報伝達は、通信部２３０、通信部４１２、制御部４１１を介して行われる。また、信号処理回路２０３から出力される画像データは、制御部２１１、通信部２３０、通信部４１２を介して、制御部４１１に送信される。制御部４１１に送信された画像データは、表示部４０１により表示される。

ここで、制御部４１１は、操作部４０２に対する操作者の操作により、機械学習の実施に係る指令を機械学習部４２１に送信しうる。また、制御部２１１は、操作部２０６に対する操作者の操作により、機械学習の実施に係る指令を、制御部４１１を介して機械学習部４２１に送信しうる。機械学習部４２１は、当該指令を受けると、機械学習を開始する。同様に、操作部４０２または操作部２０６によりユーザが入力した駆動性能ごとの第２報酬部分のレベルに関する情報は、制御部４１１を介して第２報酬部分保持部４２５に伝達される。第２報酬部分保持部４２５は、各駆動性能のレベルに関する情報に基づいて、各駆動性能に関して第２報酬部分の情報を特定（選択）する。そうすることにより、カスタマイズされた報酬の情報に基づいて、機械学習モデル（重み）の学習が実施され、カスタマイズされた機械学習モデル（重み）を生成することができる。生成された機械学習モデル（重み）の情報は、遠隔装置４００からレンズ装置１００に送信され、記憶部１２３に記憶され、フォーカスレンズ群の駆動（駆動部１０５）の制御に使用される。

以上のようにして、レンズ装置から離れた遠隔地において、カメラ本体により得られた画像が確認（視聴）されうる状態で、カスタマイズされた機械学習モデルを生成することができる。なお、カメラ本体は、操作部２０６を介して、機械学習を実行させるための指令や、第２報酬部分の設定のための指令を行い、遠隔装置は、高速演算処理を要する機械学習の処理のみを行うようにしてもよい。

以上に説明したように、本実施形態によれば、例えば、駆動性能の適応（カスタマイズ）の点で有利なレンズ装置、撮像装置、または処理装置を提供することができる。

ここで、機械学習モデルの学習に用いる、レンズ装置に関する第２情報は、実施形態１、３においては、レンズ装置固有の情報のみとし、実施形態２においては、レンズ装置固有の情報とカメラ本体固有の情報との両方としたが、それには限定されない。当該第２情報は、カメラ本体固有の情報のみとしてもよい。

〔プログラム・記憶媒体・データ構造に係る実施形態〕
本発明は、上述の実施形態の１以上の機能または方法を実現するプログラムまたはデータ（構造）を、ネットワークまたは記憶媒体を介してシステムまたは装置に供給することによっても実現しうる。その場合、当該システムまたは装置のコンピュータは、当該プログラムまたはデータ（構造）を読出し、それに基づく処理を実行すればよい。コンピュータは、１または複数のプロセッサーまたは回路を有し、コンピュータ実行可能命令を読み出し実行するために、分離した複数のコンピュータまたは分離した複数のプロセッサーもしくは回路のネットワークを含みうる。

プロセッサーまたは回路は、中央演算処理装置（ＣＰＵ）、マイクロプロセッシングユニット（ＭＰＵ）、グラフィクスプロセッシングユニット（ＧＰＵ）、特定用途向け集積回路（ＡＳＩＣ）またはフィールドプログラマブルゲートアレイ（ＦＰＧＡ）を含みうる。また、プロセッサーまたは回路は、デジタルシグナルプロセッサ（ＤＳＰ）、データフロープロセッサ（ＤＦＰ）またはニューラルプロセッシングユニット（ＮＰＵ）を含みうる。

以上、本発明の好ましい実施形態について説明したが、本発明はこれらの実施形態に限定されないことはいうまでもなく、その要旨の範囲内で種々の変形及び変更が可能である。

１００ レンズ装置
１０１ 光学部材
１０５ 駆動部
１０６ 検出部
１２０ 処理部

Claims (20)

1. 光学部材と、前記光学部材の駆動を行う駆動部と、前記駆動に関する状態を検出する検出部と、前記検出部により検出された前記状態に関する第１情報に基づいて前記駆動部に対する制御信号を生成する処理部とを有するレンズ装置であって、
   前記処理部は、前記第１情報と、前記第１情報とは異なる前記レンズ装置に関する第２情報とに基づいて、前記制御信号に関する出力を生成する機械学習モデルを含み、前記機械学習モデルの生成を行う生成部に前記第１情報と前記第２情報とを出力する、
   ことを特徴とするレンズ装置。
2. 前記生成部と、前記駆動部の駆動性能に対する要求に関する情報を操作者が入力するための操作部とを有し、
   前記生成部は、前記要求に関する情報に基づいて、前記機械学習モデルを生成するための報酬の情報を得る、
   ことを特徴とする請求項１に記載のレンズ装置。
3. 前記操作部から入力される前記要求に関する情報は、前記駆動性能としての複数の性能のそれぞれに関することを特徴とする請求項２に記載のレンズ装置。
4. 前記生成部は、予め用意された第１の報酬の情報を有し、前記第１の報酬の情報と、前記要求に関する情報に基づいて得られた、前記第１の報酬の情報とは異なる第２の報酬の情報とに基づいて、前記機械学習モデルの生成を行うことを特徴とする請求項２または請求項３に記載のレンズ装置。
5. 前記第２情報は、前記駆動部の駆動性能に関する前記レンズ装置の状態に関する情報であり、
   前記生成部は、前記第２情報に基づいて、前記報酬の情報を得る、
   ことを特徴とする請求項２ないし請求項４のうちいずれか１項に記載のレンズ装置。
6. 前記光学部材は、物体距離を変更するためのレンズ群であり、
   前記第２情報は、前記レンズ装置の焦点深度、前記レンズ群の単位移動量あたりの前記レンズ装置のピントの移動量、前記レンズ装置の周囲の音のうち少なくとも１つに関する情報を含むことを特徴とする請求項５に記載のレンズ装置。
7. 前記生成部は、前記レンズ装置が装着されている撮像装置本体からの情報に基づいて、前記報酬の情報を得ることを特徴とする請求項２ないし請求項６のうちいずれか１項に記載のレンズ装置。
8. 前記撮像装置本体からの情報は、許容錯乱円の径、デフォーカス量、音量のうち少なくとも１つに関する情報を含むことを特徴とする請求項７に記載のレンズ装置。
9. 前記処理部は、前記撮像装置本体からの情報に基づいて、前記制御信号を生成することを特徴とする請求項７または請求項８に記載のレンズ装置。
10. 前記生成部は、前記報酬の情報に基づいて、前記機械学習モデルの評価を行い、前記評価に基づいて、前記生成の終了を判断することを特徴とする請求項２ないし請求項９のうちいずれか１項に記載のレンズ装置。
11. 前記生成部は、前記評価が許容条件を満たした前記機械学習モデルを採用することを特徴とする請求項１０に記載のレンズ装置。
12. 前記生成部は、終了条件を満たし且つ前記評価が許容条件を満たしていない前記機械学習モデルを不採用とすることを特徴とする請求項１０に記載のレンズ装置。
13. 請求項１ないし請求項１２のうちいずれか１項に記載のレンズ装置と、
    前記レンズ装置により形成された像を撮る撮像素子と、
    を有することを特徴とする撮像装置。
14. レンズ装置における機械学習モデルに関する処理を行う処理装置であって、
    前記レンズ装置は、
    光学部材と、前記光学部材の駆動を行う駆動部と、前記駆動に関する状態を検出する検出部と、前記検出部により検出された前記状態に関する第１情報に基づいて前記駆動部に対する制御信号を生成する処理部とを有し、前記処理部は、前記第１情報と、前記第１情報とは異なる前記レンズ装置に関する第２情報とに基づいて、前記制御信号に関する出力を生成する機械学習モデルを含み、前記機械学習モデルを生成する生成部に前記第１情報と前記第２情報とを出力し、
    前記処理装置は、
    前記駆動部の駆動性能に対する要求に関する情報を操作者が入力するための操作部を有し、
    前記要求に関する情報に基づいて、前記機械学習モデルを生成するための報酬の情報を得る、
    ことを特徴とする処理装置。
15. 前記生成部を有することを特徴とする請求項１４に記載の処理装置。
16. 前記生成部は、予め用意された第１の報酬の情報を有し、前記第１の報酬の情報と、前記要求に関する情報に基づいて得られた、前記第１の報酬の情報とは異なる第２の報酬の情報とに基づいて、前記機械学習モデルの生成を行うことを特徴とする請求項１５に記載の処理装置。
17. 前記第２情報は、前記駆動部の駆動性能に関する前記レンズ装置の状態に関する情報を含み、
    前記生成部は、前記第２情報に基づいて、前記報酬の情報を得る、
    ことを特徴とする請求項１５または請求項１６に記載の処理装置。
18. レンズ装置における機械学習モデルに関する処理を行う処理方法であって、
    前記レンズ装置は、
    光学部材と、前記光学部材の駆動を行う駆動部と、前記駆動に関する状態を検出する検出部と、前記検出部により検出された前記状態に関する第１情報に基づいて前記駆動部に対する制御信号を生成する処理部とを有し、前記処理部は、前記第１情報と、前記第１情報とは異なる前記レンズ装置に関する第２情報とに基づいて、前記制御信号に関する出力を生成する機械学習モデルを含み、前記機械学習モデルを生成する生成部に前記第１情報と前記第２情報とを出力し、
    前記処理方法は、
    操作者が操作する操作部から入力された、前記駆動部の駆動性能に対する要求に関する情報に基づいて、前記機械学習モデルを生成するための報酬の情報を得る、
    ことを特徴とする処理方法。
19. 前記報酬の情報に基づいて、前記機械学習モデルを前記生成部に生成させることを特徴とする請求項１８に記載の処理方法。
20. 請求項１８または請求項１９に記載の処理方法をコンピュータに実行させることを特徴とするプログラム。

Images