JP2022003857A - 機械学習装置 - Google Patents
機械学習装置 Download PDFInfo
- Publication number
- JP2022003857A JP2022003857A JP2020107932A JP2020107932A JP2022003857A JP 2022003857 A JP2022003857 A JP 2022003857A JP 2020107932 A JP2020107932 A JP 2020107932A JP 2020107932 A JP2020107932 A JP 2020107932A JP 2022003857 A JP2022003857 A JP 2022003857A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- learning
- value
- control model
- unit
- 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
Images
Abstract
【課題】移動体制御モデルの学習を確実に行う。【解決手段】移動体に搭載され、学習用データを用いて移動体制御モデルの学習を行う機械学習装置において、規模の異なる複数個の移動体制御モデルが記憶されている。移動体に搭載されたバッテリーのSOCの値が小さい場合にはSOCの値が大きい場合に比べて規模の小さな移動体制御モデルが選択され、選択された移動体制御モデルの学習が行われる。【選択図】図10
Description
本発明は機械学習装置に関する。
車両の運転に関連するデータを入力すると車両の運転制御に関連する出力値を出力するニューラルネットワークを用いた車載電子制御ユニットにおいて、車両の運転に関連するデータをサーバに送信し、サーバ内においてニューラルネットワークの重みの学習用データセットを作成すると共に、サーバ内においてニューラルネットワークの重みの学習を行うようにした車載電子制御ユニットが公知である(例えば特許文献1を参照)。
ところで車両のような移動体の運転に関連するデータを入力すると移動体の運転制御に関連する出力値を出力するニューラルネットワークにより移動体制御モデルを生成した場合、移動体制御モデルの規模が大きいほど、移動体制御モデルの学習を行うときに多量の電力を消費する。従って、移動体に搭載されたバッテリーの充電量が少ないとき、即ち、バッテリーの充電量を示すSOC(State of charge)の値が低いときに、移動体上において規模の大きな移動体制御モデルの学習を行おうとすると、即ち、規模の大きな移動体制御モデルのオンボード学習を行おうとすると、電力不足により、移動体制御モデルのオンボード学習を適切に行うことができなくなる危険性がある。
そこで、本発明によれば、移動体に搭載され、学習用データを用いて移動体制御モデルの学習を行う機械学習装置において、
規模の異なる複数個の移動体制御モデルを記憶した記憶部と、
移動体に搭載されたバッテリーのSOCの値を取得するSOC取得部と、
SOCの値が小さい場合にはSOCの値が大きい場合に比べて規模の小さな移動体制御モデルを選択するモデル選択部と、
選択された移動体制御モデルの学習を行う学習部とを具備する機械学習装置が提供される。
規模の異なる複数個の移動体制御モデルを記憶した記憶部と、
移動体に搭載されたバッテリーのSOCの値を取得するSOC取得部と、
SOCの値が小さい場合にはSOCの値が大きい場合に比べて規模の小さな移動体制御モデルを選択するモデル選択部と、
選択された移動体制御モデルの学習を行う学習部とを具備する機械学習装置が提供される。
SOCの値が小さい場合には、規模の小さな移動体制御モデルの学習を行うようにすることにより、移動体制御モデルのオンボード学習を適切に行うことが可能となる。
図1を参照すると、1は移動体を示している。なお、図1に示される例では、移動体1は車両からなる。また、図1にいて、2は車両駆動用エンジン、3は車両駆動用電気モータ、4はバッテリー、5は車両1内に搭載された電子制御ユニットを夫々示す。図1に示されるように、電子制御ユニット5はデジタルコンピュータからなり、双方向性バス6によって互いに接続されたCPU(マイクロプロセッサ)7、ROMおよびRAMからなるメモリ8および入出力ポート9を具備する。
図2は、バッテリー4の充電量を示すSOC(State of charge)の値を示している。図2において、バッテリー4の充電量が満杯のときにはSOCの値は100%となり、バッテリー4の充電量が零のときにはSOCの値は0%となる。また、図2に示されるようなハイブリッドエンジンでは、例えば、SOCの値が下限値Lまで低下すると、SOCの値が上限値Hまで上昇するまで、エンジン2により電気モータ3が駆動され、電気モータ3の発電電力によりバッテリー4の充電作用が行われる。このSOCの値は、電子制御ユニット5内において算出されている。
さて、前述したように、バッテリー4の充電量を示すSOCの値が低いときに、車両上において規模の大きな移動体制御モデルの学習を行おうとすると、即ち、規模の大きな移動体制御モデルのオンボード学習を行おうとすると、電力不足により、移動体制御モデルのオンボード学習を適切に行うことができなくなる危険性がある。そこで本発明による実施例では、移動体制御モデルとして、規模の大きな移動体制御モデルと規模の小さい移動体制御モデルとを用い、SOCの値が低いときには電力の消費量を低減するために、規模の小さな移動体制御モデルのオンボード学習を行うようにしている。
このように本発明は、オンボード学習を行うことを前提としている。従って最初に、オンボード学習の二つの例について簡単に説明する。図3に、オンボード学習の第1の例の機能構成図を示す。図3を参照すると、この第1の例では、目標トルク算出部10と、制御パラメータ算出部11と、切換部12と、エンジン2を制御するためのエンジン制御部13と、フィードバック補正部14と、トルク偏差算出部15と、切換制御部16から構成されている。なお、エンジン2には、エンジンの実際の出力トルクTrを検出するためのトルクセンサ2aが取り付けられている。図3に示されるように、目標トルク算出部10は、例えば、図5に示されるようなニューラルネットワークNNにより構成されており、この目標トルク算出部10は、目標トルク算出部10に、各入力値x1(アクセル開度)、x2(機関回転数)、x3(気温)、x4(高度)が入力されると、エンジン2の目標トルクTrを出力するように構成されている。なお、図5において、L=1は入力層、L=2、L=3および L=4は隠れ層、L=5は出力層を夫々示しており、x1からxn は入力層 ( L=1) の各ノードへの入力値を示しており、y は出力層 ( L=5) のノードからの出力値を示している。
一方、エンジン制御部13には、エンジン2の目標トルク制御値yをエンジン制御部13に入力したときにエンジン2の実際の出力トルクTrが目標トルクTtとなるように、予め実験により求められているエンジン2の目標トルク制御値yと、燃料噴射量、空燃比、点火時期、吸気バルブタイミング、排気バルブタイミングとの関係が予め記憶されており、従って、通常は、エンジン2の目標トルク制御値yがエンジン制御部13に入力されると、エンジン2の実際の出力トルクTrは目標トルクTtとなる。一方、制御パラメータ算出部11も、例えば、図5に示されるようなニューラルネットワークNNにより構成されており、この制御パラメータ算出部11は、制御パラメータ算出部11に、各入力値x1(アクセル開度)、x2(機関回転数)、x3(気温)、x4(高度)が入力されると、エンジン2の目標トルク制御値yを出力するように構成されている。通常は、この目標トルク制御値yが、切換部12により、エンジン制御部13に直接送りこまれており、このとき、エンジンの実際の出力トルクTrは目標トルクTtとなる。
さて、車両が長時間に亘って使用されると、エンジン2の経年変化により、エンジン2の実際の出力トルクTrと目標トルクTtとの間でトルク偏差が生じるようになる。このエンジン2の実際の出力トルクTrと目標トルクTt間のトルク偏差ΔTt(=Tt−Tr)は、目標トルク算出部10の出力およびトルクセンサ2aの検出値に基づいて、トルク偏差算出部15において算出される。トルク偏差ΔTtが大きくなった場合には、切換制御部16により、制御パラメータ算出部11の出力値がフィードバック補正部14に入力するように、切換部12が切換えられる。このとき、フィードバック補正部14では、トルク偏差ΔTtが小さくなるように、制御パラメータ算出部11から出力された目標トルク制御値yにC・ΔTt(Cは小さな定数)が加算され、加算結果y(=y+C・ΔTt)がエンジン制御部13に入力される。次いで、トルク偏差ΔTtが許容値以下になると、制御パラメータ算出部11の出力値が、直接エンジン制御部13に入力するように、切換部12が切換えられる。
この第1の例では、トルク偏差ΔTtが許容値以下になったときの各入力値x1、x2、x3、x4と、フィードバック補正部14から出力される目標トルク制御値y(=y+C・ΔTt)とが、トルク偏差ΔTtが許容値以下になる毎に、順次、記憶され、それにより、図7に示されるような、訓練用データセットが作成される。なお、この場合、フィードバック補正部14から出力される目標トルク制御値y(=y+C・ΔTt)は教師データytとして記憶される。図7に示されるような訓練用データセットの作成が完了すると、制御パラメータ算出部11を構成しているニューラルネットワークNNの重みの学習が行われる。
この場合、最初に、図7示される訓練用データセットにおけるNo.1の各入力値x1、x2、x3、x4が、図5に示されるニューラルネットワークNNに入力され、そのときニューラルネットワークNNから出力される出力値yと、対応する教師データytとの二乗誤差E(=1/2 (y-yt)2)が小さくなるように、誤差逆伝播法により、ニューラルネットワークNNの重みの学習が行われる。No.1のデータセットに基づくニューラルネットワークNNの重みの学習が終了すると、No.2の各入力値x1、x2、x3、x4がニューラルネットワークNNに入力され、そのときニューラルネットワークNNから出力される出力値yと、対応する教師データytとの二乗誤差E(=1/2 (y-yt)2)が小さくなるように、誤差逆伝播法により、ニューラルネットワークNNの重みの学習が行われる。以下、同様な手法で、No.3からNo.mまで、対応するデータセットに基づいてニューラルネットワークNNの重みの学習が順次行われる。No.1からNo.mまでの全てのデータセットに基づくニューラルネットワークNNの重みの学習が完了すると、学習済みの重みを用いて、制御パラメータ算出部31を構成しているニューラルネットワークNNの重みが更新される。
図4に、オンボード学習の第2の例の機能構成図を示す。図4を参照すると、この第2の例では、機関排気通路内に配置された触媒の温度を推定するための触媒温度推定部20と、切換部21と、エンジン2を制御するためのエンジン制御部22と、切換制御部23から構成されている。なお、エンジン2には、実際の触媒温度Tdを検出するための温度センサ2bが取り付けられている。この温度センサ2bの検出信号は、通常、切換部21により、エンジン制御部22に入力され、温度センサ2bにより検出された実際の触媒温度Tdに基づいて、例えば、暖機運転制御等のエンジン2の制御が行われる。
一方、この第2の例では、温度センサ2bが故障したときのために触媒温度推定部20が設けられている。この触媒温度推定部20は、例えば、図5に示されるようなニューラルネットワークNNにより構成されており、この触媒温度推定部20は、触媒温度推定部20に、各入力値x1(機関負荷率)、x2(機関回転数)、x3(空燃比)、x4(点火時期)、x5(排気ガス中のHC又はCO濃度)が入力されると、触媒温度の推定値Teを出力するように構成されている。切換制御部23では、温度センサ2bの検出値に基づいて、温度センサ2bが正常であるか否かが判別され、温度センサ2bが故障していると判別されたときには、触媒温度推定部20の出力値がエンジン制御部22に入力されるように切換部21が切換えられる。このとき、触媒温度推定部20において算出された触媒温度の推定値Teがエンジン制御部22に入力され、この触媒温度の推定値Teに基づいて、エンジン2の制御が行われる。
この第2の例では、切換制御部23において、温度センサ2bの検出値に基づき、温度センサ2bが正常であると判別されているときに、例えば、周期的に各入力値x1、x2、x3、x4、x5と、そのとき温度センサ2bにより検出された実際の触媒温度Tdとが、順次、記憶され、それにより、図7に示されるような、訓練用データセットが作成される。なお、この場合、温度センサ2bにより検出された実際の触媒温度Tdは教師データytとして記憶される。図7に示されるような訓練用データセットの作成が完了すると、触媒温度推定部20を構成しているニューラルネットワークNNの重みの学習が行われる。
この場合も、最初に、図7に示される訓練用データセットにおけるNo.1の各入力値x1、x2、x3、x4、x5が、図5に示されるニューラルネットワークNNに入力され、そのときニューラルネットワークNNから出力される出力値yと、対応する教師データytとの二乗誤差E(=1/2 (y-yt)2)が小さくなるように、誤差逆伝播法により、ニューラルネットワークNNの重みの学習が行われる。No.1のデータセットに基づくニューラルネットワークNNの重みの学習が終了すると、No.2の各入力値x1、x2、x3、x4、x5がニューラルネットワークNNに入力され、そのときニューラルネットワークNNから出力される出力値yと、対応する教師データytとの二乗誤差E(=1/2 (y-yt)2)が小さくなるように、誤差逆伝播法により、ニューラルネットワークNNの重みの学習が行われる。以下、同様な手法で、No.3からNo.mまで、対応するデータセットに基づいてニューラルネットワークNNの重みの学習が順次行われる。No.1からNo.mまでの全てのデータセットに基づくニューラルネットワークNNの重みの学習が完了すると、学習済みの重みを用いて、触媒温度推定部20を構成しているニューラルネットワークNNの重みが更新される。
さて、図3に示される第1の例では、ニューラルネットワークNNによって目標トルク制御値yが求められており、従って、第1の例では、ニューラルネットワークNNにより目標トルク制御値yの推定モデルが生成されている。一方、図4に示される第2の例では、ニューラルネットワークNNによって触媒温度が推定されており、従って、第2の例では、ニューラルネットワークNNにより触媒温度の推定モデルが生成されている。本発明による実施例では、以下、このような推定モデルを、移動体制御モデルと称する。また、
本発明による実施例では、車両1上で行われるニューラルネットワークNNの重みの学習は、移動体制御モデルのオンボード学習と称される。
本発明による実施例では、車両1上で行われるニューラルネットワークNNの重みの学習は、移動体制御モデルのオンボード学習と称される。
ところで、誤差逆伝播法によるニューラルネットワークNNの重みの学習は、莫大な計算量を必要とするため、多量の電力を消費し、この場合、オンボード学習を行う移動体制御モデルの規模が大きいほど多量の電力を消費する。従って、バッテリー4の充電量を示すSOCの値が低いときに、規模の大きな移動体制御モデルのオンボード学習を行うと、電力不足により、移動体制御モデルのオンボード学習を適切に行うことができなくなる危険性がある。そこで本発明による実施例では、前述したように、移動体制御モデルとして、図5に示されるようなニューラルネットワークNNにより生成される規模の大きな移動体制御モデルと、図6に示されるようなニューラルネットワークNNにより生成される規模の小さい移動体制御モデルとを用い、SOCの値が低いときには電力の消費量を低減するために、図6に示されるようなニューラルネットワークNNにより生成される規模の小さな移動体制御モデルのオンボード学習を行うようにしている。なお、この場合、規模の異なる3個以上の移動体制御モデルを用いることもできる。
なお、図6において、L=1は入力層、L=2は隠れ層、L=3は出力層を夫々示しており、x1からxn は入力層 ( L=1) の各ノードへの入力値を示しており、y は出力層 ( L=3) のノードからの出力値を示している。図5および図6からわかるように、本発明による実施例において、移動体制御モデルの規模の小さいとは、移動体制御モデルを生成しているニューラルネットワークNNの隠れ層の層数が少なくかつ隠れ層のノードの総数が少ないことを意味している。ニューラルネットワークNNの隠れ層の層数が少なくかつ隠れ層のノードの総数が少ないと、移動体制御モデルの学習を行う際の計算量が減少し、電力の消費量が減少する。従って、SOCの値が低くても、電力の不足を招くことなく、移動体制御モデルのオンボード学習を行うことが可能となる。
なお、図5および図6からわかるように、図5に示されるニューラルネットワークNNと図6に示されるニューラルネットワークNNは、入力層 ( L=1) のノード数は同一であり、入力層 ( L=1) の各ノードへは同一の入力値x1からxn が入力される。第1の例において本発明を実施するには、制御パラメータ算出部11が図5に示されるニューラルネットワークNNと図6に示されるようなニューラルネットワークNNの双方を有していて図5に示されるニューラルネットワークNNと図6に示されるようなニューラルネットワークNNの一方が選択的に用いられ、第2の例において本発明を実施するには、触媒温度推定部20が図5に示されるニューラルネットワークNNと図6に示されるようなニューラルネットワークNNの双方を有していて図5に示されるニューラルネットワークNNと図6に示されるようなニューラルネットワークNNの一方が選択的に用いられる。
図8に、本発明による機械学習装置の機能構成図を示す。図8を参照すると、本発明による機械学習装置は、移動体に搭載され、学習用データを用いて移動体制御モデルの学習を行う機械学習装置において、規模の異なる複数個の移動体制御モデルを記憶した記憶部30と、移動体に搭載されたバッテリー4のSOCの値を取得するSOC取得部31と、SOCの値が小さい場合にはSOCの値が大きい場合に比べて規模の小さな移動体制御モデルを選択するモデル選択部32と、選択された移動体制御モデルの学習を行う学習部34とを具備する。この場合、本発明による実施例では、記憶部30には、図5に示されるようなニューラルネットワークNNと図6に示されるようなニューラルネットワークNNとの少なくとも二つのニューラルネットワークNNが記憶されている。
SOC取得部31では、例えば、図9に示されるSOC取得ルーチンを用いてSOCが算出される。このSOC取得ルーチンは一定時間毎の割り込みにより実行され、ステップ40において、一定時間内におけるバッテリー4への電量流入量Iと定数Cとの積がSOCに加算される。バッテリー4から電量が流出するときには電量流入量Iはマイナスとなる。なお、このSOC取得ルーチンは、極めて単純な例を示しただけであって、公知の種々のSOC取得ルーチンを用いることができる。
モデル選択部32では、SOCの値に応じて移動体制御モデルが選択される。この場合、例えば、SOCの値に対して図2に示されるような閾値SXが予め設定されており、SOCの値が閾値SXよりも高いときには、規模の大きな移動体制御モデルが選択され、SOCの値が閾値SXよりも低いときには、規模の小さな移動体制御モデルが選択される。
図3に示される第1の例が採用されている場合には、ニューラルネットワークNNの重みの学習を行う際に、制御パラメータ算出部31を構成しておりかつSOCの値に応じて選択されたニューラルネットワークNNのノード数等が、図1に示される電子制御ユニット5のメモリ8内に記憶され、図4に示される第2の例が採用されている場合には、ニューラルネットワークNNの重みの学習を行う際に、触媒温度推定部40を構成しておりかつSOCの値に応じて選択されたニューラルネットワークNNのノード数等が、図1に示される電子制御ユニット5のメモリ8内に記憶される。従って、図1に示される実施例においては、電子制御ユニット5のメモリ8が、記憶部30を形成している。なお、この場合、第1の例、或いは、第2の例に対して作成された図7に示される訓練用データセットも、図1に示される電子制御ユニット5のメモリ8内に記憶される。
一方、学習部34では、SOCの値に応じて選択されたニューラルネットワークNNの重みの学習、即ち、SOCの値に応じて選択された移動体制御モデルのオンボード学習が行われ、このオンボード学習は、図1に示される電子制御ユニット5のCPU8内において行われる。従って、電子制御ユニット5のCPU8が学習部34を形成している。
図10は、電子制御ユニット5において行われるニューラルネットワークNNの重みの学習制御ルーチンを示す。
図10を参照すると、まず初めに、ステップ50において、図7に示されるような訓練用データセットの作成が完了したか否かが判別される。訓練用データセットの作成が完了していないときには処理サイクルを完了する。これに対し、訓練用データセットの作成が完了したと判別されたときには、ステップ51に進んで、図9に示されるSOC取得ルーチンにおいて算出されているSOCの値が読み込まれる。次いで、ステップ52では、SOCの値に応じて規模の大きな移動体制御モデルと規模の小さな移動体制御モデルのうちの一方の移動体制御モデルが選択される。この場合、例えば、SOCの値が図2に示される閾値SXよりも高いときには、規模の大きな移動体制御モデルが選択され、SOCの値が図2に示される閾値SXよりも低いときには、規模の小さな移動体制御モデルが選択される。
図10を参照すると、まず初めに、ステップ50において、図7に示されるような訓練用データセットの作成が完了したか否かが判別される。訓練用データセットの作成が完了していないときには処理サイクルを完了する。これに対し、訓練用データセットの作成が完了したと判別されたときには、ステップ51に進んで、図9に示されるSOC取得ルーチンにおいて算出されているSOCの値が読み込まれる。次いで、ステップ52では、SOCの値に応じて規模の大きな移動体制御モデルと規模の小さな移動体制御モデルのうちの一方の移動体制御モデルが選択される。この場合、例えば、SOCの値が図2に示される閾値SXよりも高いときには、規模の大きな移動体制御モデルが選択され、SOCの値が図2に示される閾値SXよりも低いときには、規模の小さな移動体制御モデルが選択される。
次いで、ステップ53では、ステップ52において選択された移動体制御モデルを生成しているニューラルネットワークNN、即ち、選択されたニューラルネットワークNNの入力層 のノード数、隠れ層 のノード数、出力層 のノード数、および重みが読み込まれ、これらノード数に基づいて、図5又は図6に示されるようなニューラルネットワークNNが作成される。次いで、ステップ54では、電子制御ユニット5のメモリ8内に記憶されている図7に示されるような訓練データセットの各データが読み込まれる。
次いで、ステップ55では、選択されたニューラルネットワークNNの重みの学習が行われる。最初は、図7の1番目(No. 1)の入力値x1、x2・・・xn−1、xnがニューラルネットワークNNの入力層 ( L=1) の各ノードに入力される。次いで、このときの選択されたニューラルネットワークNNの出力値yと1番目(No. 1)の教師データyt1との間の二乗誤差E=1/2(y−yt1)2が算出され、この二乗誤差Eが小さくなるように、誤差逆伝播法を用いて、選択されたニューラルネットワークNNの重みの学習が行われる。図7の1番目(No. 1)のデータに基づく選択されたニューラルネットワークNNの重みの学習が完了すると、次に、図7の2番目(No. 2)のデータに基づく選択されたニューラルネットワークNNの重みの学習が、誤差逆伝播法を用いて行われる。同様にして、図7のm番目(No. m)まで順次、選択されたニューラルネットワークNNの重みの学習が行われる。図7の1番目(No. 1)からm番目(No. m)までの全てについて選択されたニューラルネットワークNNの重みの学習が完了すると、ステップ56に進む。
ステップ56では、例えば、図7の1番目(No. 1)からm番目(No. m)までの全ての選択されたニューラルネットワークNNの出力値yと教師データytとの間の二乗和誤差Eが算出され、この二乗和誤差Eが、予め設定された設定誤差以下になったか否かが判別される。二乗和誤差Eが、予め設定された設定誤差以下になったと判別されたときには、ステップ57に進んで、選択されたニューラルネットワークNNの学習済み重みが、電子制御ユニット5のメモリ8内に記憶される。次いで、学習ルーチンを終了する。これに対し、二乗和誤差Eが、予め設定された設定誤差以下になっていないと判別されたときには、ステップ55に戻り、再度、図7に示される訓練データセットに基づいて、選択されたニューラルネットワークNNの重み学習が行われる。次いで、二乗和誤差Eが、予め設定された設定誤差以下になるまで、選択されたニューラルネットワークNNの重みの学習が続行される。
選択されたニューラルネットワークNNの重みの学習が終了すると、選択されたニューラルネットワークNNの重みが更新され、次にいずれかのニューラルネットワークNNの更新作用が行われるまで、選択されたニューラルネットワークNNが用いられる。例えば、第1の例では、選択されたニューラルネットワークNNの重みの学習が終了すると、制御パラメータ算出部31を構成しているニューラルネットワークNNのうちで選択されたニューラルネットワークNNの重みが更新され、制御パラメータ算出部31では、次にいずれかのニューラルネットワークNNの更新作用が行われるまで、選択されたニューラルネットワークNNを用いて目標トルク制御値yが求められる。一方、第2の例では、選択されたニューラルネットワークNNの重みの学習が終了すると、触媒温度推定部40を構成しているニューラルネットワークNNのうちで選択されたニューラルネットワークNNの重みが更新され、触媒温度推定部40では、次にいずれかのニューラルネットワークNNの更新作用が行われるまで、選択されたニューラルネットワークNNを用いて触媒温度の推定値Teが求められる。
1 車両
2 エンジン
3 電気モータ
4 バッテリー
5 電子制御ユニット
2 エンジン
3 電気モータ
4 バッテリー
5 電子制御ユニット
Claims (1)
- 移動体に搭載され、学習用データを用いて移動体制御モデルの学習を行う機械学習装置において、
規模の異なる複数個の移動体制御モデルを記憶した記憶部と、
移動体に搭載されたバッテリーのSOCの値を取得するSOC取得部と、
SOCの値が小さい場合にはSOCの値が大きい場合に比べて規模の小さな移動体制御モデルを選択するモデル選択部と、
選択された移動体制御モデルの学習を行う学習部とを具備する機械学習装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020107932A JP2022003857A (ja) | 2020-06-23 | 2020-06-23 | 機械学習装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020107932A JP2022003857A (ja) | 2020-06-23 | 2020-06-23 | 機械学習装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022003857A true JP2022003857A (ja) | 2022-01-11 |
Family
ID=79246999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020107932A Pending JP2022003857A (ja) | 2020-06-23 | 2020-06-23 | 機械学習装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2022003857A (ja) |
-
2020
- 2020-06-23 JP JP2020107932A patent/JP2022003857A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113153521B (zh) | 一种利用人工神经网络预测车辆发动机扭矩的系统和方法 | |
CN107944648B (zh) | 一种大型船舶航速油耗率预测方法 | |
CN110335646B (zh) | 基于深度学习-预测控制的车用燃料电池过氢比控制方法 | |
EP0959414A1 (en) | Optimization method for a fuzzy neural network | |
CN113554337B (zh) | 融合交通信息的插电式混动汽车能量管理策略构建方法 | |
CN106401757B (zh) | 发动机的断缸模式实现方法、系统及车辆 | |
CN111547039B (zh) | 基于深度强化学习的混合动力车辆油门控制方法及系统 | |
JP2021067192A (ja) | 車両用制御データの生成方法、車両用制御装置、車両用制御システム、および車両用学習装置 | |
CN100532812C (zh) | 冗余转矩安全通路 | |
Prokhorov | Training recurrent neurocontrollers for real-time applications | |
CN115742855A (zh) | 电动汽车剩余里程预测方法、装置、电动汽车及介质 | |
CN114077237B (zh) | 机器学习装置 | |
JPH11327606A (ja) | 総合制御方式 | |
CN114578687A (zh) | 机器学习方法及机器学习系统 | |
JP6935837B1 (ja) | 機械学習装置及び機械学習システム | |
JP2022003857A (ja) | 機械学習装置 | |
Liu et al. | A short-term traffic flow forecasting method and its applications | |
Schmitt et al. | Real-time nonlinear model predictive control for the energy management of hybrid electric vehicles in a hierarchical framework | |
Cranmer et al. | Grey-box modeling architectures for rotational dynamic control in automotive engines | |
JP2021176032A (ja) | 制御装置 | |
Yilmaz et al. | Modeling and simulation of injection control system on a four-stroke type diesel engine development platform using artificial neural networks | |
JP2020062914A (ja) | 情報提供装置 | |
CN103973182A (zh) | 基于效率的汽车发电机运行控制方法和汽车电子控制器 | |
JP2021067262A (ja) | 車両用制御データの生成方法、車両用制御装置、車両用制御システム、および車両用学習装置 | |
Xie et al. | Driving Intention Oriented Real-Time Energy Management Strategy for PHEV in Urban V2X Scenario |