JP2022063084A - 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 - Google Patents

Abstract

【課題】車両において機械学習に関する制御を不要に実施してしまうのを抑制する。
【解決手段】モデル学習システムは、サーバと、サーバと通信可能に構成されると共に機械学習に関連する学習関連制御を実施するように構成された制御装置を有する複数の車両と、を備える。サーバは、複数の車両の中に、修理予定のある修理部品、交換予定のある交換部品、又は型落ち部品を搭載している特定車両が存在するか否かを判定し、特定車両が存在するときは特定車両に対して前記学習関連制御の停止指示を送信する。車両の制御装置は、停止指示を受信したときは、学習関連制御を停止させる。
【選択図】図１

Description

本発明は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に関する。

特許文献１には、従来の内燃機関の制御装置として、ＩＳＣ（Idle Speed Control）バルブの目標開度を決定する際に使用する補正値の学習に、吸気圧に基づいて算出された大気圧の推定値を用いると共に、吸気圧センサ又は大気圧推定のための演算処理を行うＥＣＵが故障した場合には、大気圧の推定値が誤っている蓋然性が高いため、無駄な学習を防止するべく前記補正値の学習を禁止するように構成されたものが開示されている。

特開２０１１－８０４８０号公報

車両に搭載された部品に明らかな故障が発生していなくても、当該車両に修理予定又は交換予定のある部品や型式の古い型落ち部品が搭載されている場合には、当該車両で機械学習に関する制御を実施すると、その制御が無駄になってしまうおそれがある。

本発明はこのような問題点に着目してなされたものであり、車両において機械学習に関する制御を不要に実施してしまうのを抑制することを目的とする。

上記課題を解決するために、本発明のある態様によるモデル学習システムは、サーバと、当該サーバと通信可能に構成されると共に機械学習に関連する学習関連制御を実施するように構成された制御装置を有する複数の車両と、を備える。サーバは、複数の車両の中に、修理予定のある修理部品、交換予定のある交換部品、又は部品型式が現行車両に搭載された同一部品の部品型式よりも古い型落ち部品を搭載している特定車両が存在するか否かを判定し、特定車両が存在するときは、特定車両に対して学習関連制御の停止指示を送信するように構成される。車両の制御装置は、停止指示を受信したときは、学習関連制御を停止させるように構成される。

また本発明のある態様による車両の制御装置は、サーバと通信可能に構成されると共に機械学習に関連する学習関連制御を実施するように構成されており、サーバから受信した情報に基づいて、修理予定のある修理部品、交換予定のある交換部品、又は部品型式が現行車両に搭載された同一部品の部品型式よりも古い型落ち部品を搭載しているかを判断し、それらの部品のうちの少なくとも１つの部品を搭載しているときは、学習関連制御を停止させるように、さらに構成される。

また本発明のある態様によるモデル学習方法は、サーバと、前記サーバと通信可能に構成されると共に機械学習に関連する学習関連制御を実施するように構成された制御装置を有する複数の車両と、を備えるモデル学習システムによるモデル学習方法であって、複数の車両の中に、修理予定のある修理部品、交換予定のある交換部品、又は部品型式が現行車両に搭載された同一部品の部品型式よりも古い型落ち部品を搭載している特定車両が存在するか否かを、サーバで判定する第１工程と、サーバにおいて特定車両が存在すると判定したときに、サーバから特定車両に対して学習関連制御の停止指示を送信する第２工程と、停止指示を受信した制御装置による学習関連制御の実施を停止させる第３工程と、を含む。

本発明のこれらの態様によれば、車両において機械学習に関する制御を不要に実施してしまうのを抑制することができる。

図１は、本発明の第１実施形態によるモデル学習システムの概略構成図である。 図２は、本発明の第１実施形態による車両のハードウェア構成の一部を示す概略図である。 図３は、本発明の第１実施形態による学習モデルの一例を示す図である。 図４は、車両に修理予定又は交換予定のある部品が搭載されていた場合に学習関連制御を停止するための、サーバと車両との間で実行される本発明の第１実施形態による処理の一例を示すフローチャートである。 図５は、車両に型落ち部品が搭載されていた場合に学習関連制御を停止するための、サーバと車両との間で実行される本発明の第１実施形態による処理の一例を示すフローチャートである。 図６は、車両に修理予定又は交換予定のある部品が搭載されていた場合に学習関連制御を停止するための、サーバと車両との間で実行される本発明の第２実施形態による処理の一例を示すフローチャートである。 図７は、車両に型落ち部品が搭載されていた場合に学習関連制御を停止するための、サーバと車両との間で実行される本発明の第２実施形態による処理の一例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一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１実施形態）
図１は、本発明の第１実施形態によるモデル学習システム１００の概略構成図である。

本実施形態によるモデル学習システム１００は、サーバ１と、複数の車両２と、を備える。

サーバ１は、サーバ通信部１１と、サーバ記憶部１２と、サーバ処理部１３と、を備える。

サーバ通信部１１は、サーバ１を例えばゲートウェイ等を介してネットワーク３と接続するための通信インターフェース回路を有し、各車両２との間で相互に通信することができるように構成される。

サーバ記憶部１２は、ＨＤＤ（Hard Disk Drive）や光記録媒体、半導体メモリ等の記憶媒体を有し、サーバ処理部１３での処理に用いられる各種のコンピュータプログラムやデータ等を記憶する。

サーバ処理部１３は、一又は複数個のプロセッサ及びその周辺回路を有する。サーバ処理部１３は、サーバ記憶部１２に格納された各種のコンピュータプログラムを実行し、サーバ１の全体的な動作を統括的に制御するものであり、例えばＣＰＵ（Central Processing Unit）である。

車両２は、動力源として内燃機関のみを備える車両であってもよいし、ハイブリッド車両やプラグインハイブリッド車両、電動車両（電気自動車や燃料電池自動車など）であってもよい。また車両２は、加速、操舵、及び制動に関する運転操作が自動的に行われるように構成された自動運転車両であってもよい。

図２は、車両２のハードウェア構成の一部を示す概略図である。

車両２は、電子制御ユニット２０と、車外通信装置２４と、例えば内燃機関や電動機、エアコン、車両乗員が視認できる位置に配置されたディスプレイを含むＨＭＩ（Human Machine Interface）装置等の車両２に搭載される各種の制御部品２５と、各種の制御部品２５を制御したり、後述する学習モデルの入力パラメータ及び出力パラメータの実測値を検出したりするために必要な各種のセンサ類２６と、を備える。電子制御ユニット２０、車外通信装置２４、及び各種の制御部品２５やセンサ類２６は、ＣＡＮ（Controller Area Network）等の規格に準拠した車内ネットワーク２７を介して互いに接続される。

電子制御ユニット２０は、車内通信インターフェース２１、車両記憶部２２及び車両処理部２３、を備える。車内通信インターフェース２１、車両記憶部２２及び車両処理部２３、信号線を介して互いに接続されている。

車内通信インターフェース２１は、ＣＡＮ（Controller Area Network）等の規格に準拠した車内ネットワーク２７に電子制御ユニット２０を接続するための通信インターフェース回路である。

車両記憶部２２は、ＨＤＤ（Hard Disk Drive）や光記録媒体、半導体メモリ等の記憶媒体を有し、車両処理部２３での処理に用いられる各種のコンピュータプログラムやデータ等を記憶する。

車両処理部２３は、一又は複数個のプロセッサ及びその周辺回路を有する。車両処理部２３は、車両記憶部２２に格納された各種のコンピュータプログラムを実行し、車両２に搭載された各種の制御部品２５を統括的に制御するものであり、例えばＣＰＵである。

車外通信装置２４は、無線通信機能を有する車載の端末である。車外通信装置２４は、ネットワーク３（図１参照）と不図示のゲートウェイ等を介して接続される無線基地局４（図１参照）にアクセスすることで、無線基地局４を介してネットワーク３と接続される。これにより、サーバ１との間で相互に通信が行われる。

各車両２では、電子制御ユニット２０によって各車両２に搭載された各種の制御部品２５を制御するにあたり、例えば機械学習などの学習を実施した学習モデル（人工知能モデル）が必要に応じて使用されている。本実施形態では、学習モデルとして、ディープニューラルネットワーク（ＤＮＮ；Deep Neural Network）や畳み込みニューラルネットワーク（ＣＮＮ；Convolutional Neural Network）などを用いたニューラルネットワークモデル（以下「ＮＮモデル」という。）に対して深層学習を実施したものを使用している。したがって、本実施形態による学習モデルは、深層学習を実施した学習済みのＮＮモデルということもできる。深層学習は、人工知能（ＡＩ；Artificial Intelligence）を代表する機械学習手法の一つである。

図３は、本実施形態による学習モデル（ＮＮモデル）の一例を示す図である。

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。隠れ層は、中間層とも称される。なお、図３には、隠れ層が２層のＮＮモデルを例示しているが、隠れ層の層数は特に限られるものではなく、また、入力層、隠れ層及び出力層の各層のノードの数も特に限られるものではない。

図３において、ｘ_１及びｘ_２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、ｚ_１ ^{（Ｌ＝２）} _、ｚ_２ ^{（Ｌ＝２）}及びｚ_３ ^{（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、ｚ_１ ^{（Ｌ＝３）}及びｚ_２ ^{（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ｘ_１及びｘ_２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ｚ_ｋ ^{（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ｕ_ｋ ^{（Ｌ＝２）}は、次式のようになる（Ｍは入力層のノードの数）。

次いで、この総入力値ｕ_ｋ ^{（Ｌ＝２）}は活性化関数ｆにより変換され、隠れ層（Ｌ＝２）のｚ_ｋ ^{（Ｌ＝２）}で示されるノードから、出力値ｚ_ｋ ^{（Ｌ＝２）}（＝ｆ（ｕ_ｋ ^{（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ｚ_１ ^{（Ｌ＝２）} _、ｚ_２ ^{（Ｌ＝２）}及びｚ_３ ^{（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ｚ_１ ^{（Ｌ＝３）}、ｚ_２ ^{（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ｚ_１ ^{（Ｌ＝３）}及びｚ_２ ^{（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）が算出されるか、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。

このように本実施形態による学習モデルは、入力層と、隠れ層と、出力層と、を備え、一又は複数の入力パラメータが入力層から入力されると、入力パラメータに対応する一又は複数の出力パラメータを出力層から出力する。

入力パラメータの例としては、例えば学習モデルを用いて車両２に搭載されたエアコンを制御する場合であれば、外気温や車両２の使用場所（緯度及び経度）、日時、直前の駐車時間（走行前の駐車時間）といった、車内温度に影響を与える各種パラメータが挙げられる。そして、このような入力パラメータに対応する出力パラメータの例としては、エアコンの設定温度が挙げられる。これにより、出力パラメータとして取得された設定温度となるようにエアコンを制御することで、車内温度を適切な温度に維持することができる。

また、入力パラメータの例としては、例えば学習モデルを用いて車両２に搭載された内燃機関を制御する場合であれば、機関回転速度や機関冷却水温度、燃料噴射量、燃料噴射時期、燃圧、吸入空気量、吸気温度、ＥＧＲ率、過給圧といった、内燃機関の運転状態を示す各種パラメータの現在値が挙げられる。そして、このような入力パラメータに対応する出力パラメータの例としては、排気中のＣＯ_２濃度やＮＯｘ濃度、その他の物質の濃度、機関出力トルクといった内燃機関の性能を表す各種パラメータの推定値が挙げられる。これにより、ＮＮモデルに内燃機関の運転状態を示す各種パラメータの現在値を入力パラメータとして入力することで、内燃機関の性能を表す各種パラメータの推定値（現在の推定値又は将来の推定値）を出力パラメータとして取得することができるので、例えば出力パラメータに基づいて、内燃機関の性能が所望の性能に近づくように内燃機関を制御することができる。また、出力パラメータを実測するためのセンサ等を備える場合には、実測値と推定値との差に応じて、内燃機関やセンサ等の故障を判断したりすることもできる。

学習モデルの精度を向上させるためには、学習モデルを学習させる必要がある。学習モデルの学習には、入力パラメータの実測値と、この入力パラメータの実測値に対応した出力パラメータの実測値（正解データ）と、を含む多数の訓練データセットが用いられる。多数の訓練データセットを用いて、入力パラメータの実測値を入力したときに学習モデルから出力される出力パラメータの値と、入力パラメータの実測値に対応する出力パラメータの実測値と、の差が小さくなるように、公知の誤差逆伝搬法によってニューラルネットワーク内の重みｗ及びバイアスｂの値を繰り返し更新することで、重みｗ及びバイアスｂの値が学習され、学習モデルの精度が向上する。

ところで、車両２に搭載された部品の状態によっては、車両２で使用している学習モデルの学習（機械学習）に関する各種の制御（以下「学習関連制御」という。）を停止することが望ましい場合がある。なお、学習関連制御の例としては、センサ類２６から得られたデータに基づいて訓練データセットを作成する処理や、実際に訓練データセットを用いて学習モデルを学習させる処理、学習モデルを新たに学習した学習モデルに更新する処理、サーバ１と車両２との間で学習のために必要なデータの送受信を行う処理などが挙げられる。

例えば、車両２に搭載された部品が故障している場合、故障部品から得られるデータを用いて訓練データセットが作成されて学習モデルの学習が行われると、不適切な学習が行われて学習モデルの精度が低下するおそれがある。そのため、車両２において、故障部品から得られる値を用いて訓練データセットを作成している場合には、その処理を停止することが望ましい。

また、車両２に搭載された部品に明らかな故障が発生していなくても、車両２にリコール対象部品のような修理予定や交換予定のある部品が搭載されていた場合、そのような部品から得られたデータに基づいて訓練データセットを作成しても、当該訓練データセットは、部品の修理後又は交換後は、自車両だけではなく他車両にとっても不要になる。また、修理予定や交換予定のある部品に関する学習モデルの学習を実施しても、部品の修理後又は交換後は、修理後又は交換後の部品の特徴を学習した学習モデルが必要になるため、修理前又は交換前の部品の特徴を学習した学習モデルは、自車両だけではなく他車両にとっても不要になる。

また、車両２に型式の古い型落ち部品が搭載されていた場合には、型落ち部品から得られるデータは、型式の新しい同一部品から得られるデータと比較して精度が低いことがあるため、そのような精度の低い型落ち部品から得られたデータに基づいて訓練データセットを作成しても、当該訓練データセットが不要になることも考えらえる。

このように、車両２に搭載された部品に明らかな故障が発生していなくても、車両２に修理又は交換予定のある部品や型落ち部品が搭載されている場合、車両２で学習関連制御を実施すると、その制御が無駄になってしまうおそれがある。その結果、サーバ１や車両２の電子制御ユニット２０の限られた演算リソースを無駄に使用することになると共に、無駄な電力消費も発生することになる。

したがって、車両２に修理予定又は交換予定のある部品や型落ち部品が搭載されている場合も、必要に応じて学習関連制御を停止することが望ましい。ここで車両２は、自車両に搭載された部品が故障したか否かは、車両単体で診断することが可能である。しかしながら車両２は、自車両に搭載された部品が、修理予定又は交換予定のある部品であるか否かや、型落ち部品であるか否かは、部品の故障診断とは異なり、車両単体で判断することはできない。

そこで本実施形態では、サーバ１と車両２とで通信を行うことにより、車両２に搭載された部品が修理予定又は交換予定のある部品であった場合や、型落ち部品であった場合に学習関連制御を停止することができるようにした。

図４は、本実施形態によるモデル学習システム１００において、車両２に修理予定又は交換予定のある部品の一例であるリコール対象部品が搭載されていた場合に学習関連制御を停止するための、サーバ１と車両２との間で実行される処理の一例を示すフローチャートである。

ステップＳ１において、サーバ１は、サーバ記憶部１２のリコール管理データベースに新しいリコール情報が追加されているか否かを判定する。リコール情報には、例えば、リコール内容、リコール対象部品、及びリコール対象部品を搭載した車両（以下「リコール車両」という。）２の車体番号などが含まれる。サーバ１は、リコール管理データベースに新しいリコール情報が追加されていれば、ステップＳ２の処理に進む。一方でサーバ１は、リコール管理データベースに新しいリコール情報が追加されていなければ、今回の処理を終了する。

ステップＳ２において、サーバ１は、新たに追加されたリコール情報に含まれる車体番号に基づいてリコール車両２を特定し、各リコール車両２に対して、リコール内容及びリコール対象部品に関する情報を含む学習停止指示を送信する。

ステップＳ３において、車両２の電子制御ユニット２０は、学習停止指示を受信したか否かを判定する。電子制御ユニット２０は、学習停止指示を受信していれば、ステップＳ４の処理に進み、学習停止指示を受信していなければ今回の処理を終了する。

ステップＳ４において、車両２の電子制御ユニット２０は、学習停止指示に含まれるリコール対象部品を確認し、リコール対象部品に関係する学習関連制御を停止する。電子制御ユニット２０は、例えばリコール対象部品から得られるデータに基づいて訓練データセットを作成する処理を実施していた場合には、その処理を停止する。また電子制御ユニット２０は、例えば学習モデルの中にリコール対象部品に関するモデルがあった場合には、その学習モデルを学習する処理や、学習モデルを新たに学習した学習モデルに更新する処理を停止する。

なお本実施形態では、このようにリコール対象部品に関係する学習関連制御のみを停止していたが、これに限らず、学習停止指示を受信したときには、一律に全ての学習関連制御を停止するようにしてもよい。

ステップＳ５において、車両２の電子制御ユニット２０は、ＨＭＩ装置のディスプレイに、学習関連制御を停止する旨の情報と、自車両がリコール車両である旨の情報と、を表示する。

図５は、本実施形態によるモデル学習システム１００において、車両２に型落ち部品が搭載されていた場合に学習関連制御を停止するための、サーバ１と車両２との間で実行される処理の一例を示すフローチャートである。

ステップＳ１１において、車両２の電子制御ユニット２０は、自車両に搭載された各部品の部品型式情報をサーバ１に送信する。

ステップＳ１２において、サーバ１は、部品型式情報を受信したか否かを判定する。サーバ１は、部品型式情報を受信していれば、ステップＳ１３の処理に進む。一方でサーバ１は、部品型式情報を受信していなければ、今回の処理を終了する。

ステップＳ１３において、サーバ１は、サーバ記憶部１２の部品管理データベースを参照し、部品型式情報の送信元となる車両２に、型落ち部品が搭載されているか否かを判定する。サーバ１は、部品型式情報の送信元車両２に型落ち部品が搭載されていると判定したときは、ステップＳ１４の処理に進む。一方でサーバ１は、部品型式情報の送信元車両２に型落ち部品が搭載されていないと判定したときは、今回の処理を終了する。

ステップＳ１４において、サーバ１は、部品型式情報の送信元車両２に対して、型落ち部品に関する情報を含む学習停止指示を送信する。

ステップＳ１５において、車両２の電子制御ユニット２０は、学習停止指示を受信したか否かを判定する。電子制御ユニット２０は、学習停止指示を受信していれば、ステップＳ１６の処理に進み、学習停止指示を受信していなければ今回の処理を終了する。

ステップＳ１６において、車両２の電子制御ユニット２０は、学習停止指示に含まれる型落ち部品を確認し、型落ち部品に関係する学習関連制御を停止する。電子制御ユニット２０は、例えば型落ち部品から得られるデータに基づいて訓練データセットを作成する処理を実施していた場合には、その処理を停止する。また電子制御ユニット２０は、例えば学習モデルの中に型落ち部品に関するモデルがあった場合には、その学習モデルを学習する処理や、学習モデルを新たに学習した学習モデルに更新する処理を停止する。

なお本実施形態では、このように型落ち部品に関係する学習関連制御のみを停止していたが、これに限らず、学習停止指示を受信したときには、一律に全ての学習関連制御を停止するようにしてもよい。

ステップＳ１７において、車両２の電子制御ユニット２０は、ＨＭＩ装置のディスプレイに、学習関連制御を停止する旨の情報を表示する。

以上説明した本実施形態によるモデル学習システム１００は、サーバ１と、当該サーバ１と通信可能に構成されると共に機械学習に関連する学習関連制御を実施するように構成された電子制御ユニット２０（制御装置）を有する複数の車両２と、を備える。

そしてサーバ１は、複数の車両２の中に、修理予定のある修理部品、交換予定のある交換部品、又は部品型式が現行車両に搭載された同一部品の部品型式よりも古い型落ち部品を搭載している車両２（特定車両）が存在するか否かを判定し、特定車両２が存在するときは、特定車両２に対して学習関連制御の停止指示を送信するように構成される。また特定車両２の電子制御ユニット２０は、停止指示を受信したときに、学習関連制御を停止させるように構成される。

これにより、車両２に修理予定又は交換予定のある部品や型落ち部品が搭載されている場合には、学習関連制御を停止することができるので、学習関連制御を不要に実施してしまうのを抑制することができる。

また本実施形態において、前述した停止指示には、修理部品、交換部品、又は型落ち部品の情報が含まれており、車両２の電子制御ユニット２０は、停止指示に含まれている部品に関係する学習関連制御を停止させるように構成される。

これにより、修理部品、交換部品、又は型落ち部品とは無関係に実施されている学習関連制御まで停止してしまうのを防止することができる。

なお本実施形態は、見方を変えれば、モデル学習システム１００によるモデル学習方法として捉えることもできる。具体的には、複数の車両２の中に、修理予定のある修理部品、交換予定のある交換部品、又は部品型式が現行車両に搭載された同一部品の部品型式よりも古い型落ち部品を搭載している車両２（特定車両）が存在するか否かを、サーバ１で判定する第１工程と、サーバ１において車両２（特定車両）が存在すると判定したときに、サーバ１から車両２（特定車両）に対して学習関連制御の停止指示を送信する第２工程と、停止指示を受信した電子制御ユニット２０（制御装置）による学習関連制御の実施を停止させる第３工程と、を含むモデル学習方法として捉えることもできる。

（第２実施形態）
次に本発明の第２実施形態について説明する。本実施形態は、各車両２が、サーバ１から送られてきた外部情報に基づいて、自車両に修理予定のある部品、交換予定のある部品、又は型落ち部品が搭載されているか否かを判断する点で、第１実施形態と相違する。以下、その相違点を中心に説明する。

図６は、本実施形態によるモデル学習システム１００において、車両２に修理予定又は交換予定のある部品（リコール対象部品）が搭載されていた場合に学習関連制御を停止するための、サーバ１と車両２との間で実行される処理の一例を示すフローチャートである。なお図６において、ステップＳ１、Ｓ４、Ｓ５の処理の内容は、第１実施形態と同様なので、ここでは説明を省略する。

ステップＳ２１において、サーバ１は、新たに追加されたリコール情報を、各車両２に送信する。

ステップＳ２２において、車両２の電子制御ユニット２０は、リコール情報を受信したか否かを判定する。電子制御ユニット２０は、リコール情報を受信していれば、ステップＳ４の処理に進み、リコール情報を受信していなければ今回の処理を終了する。

ステップＳ２３において、車両２の電子制御ユニット２０は、リコール情報に基づいて、自車両がリコール対象車両であるか否かを判定する。本実施形態では電子制御ユニット２０は、リコール情報に含まれる各リコール車両の車台番号の中に、自車両の車台番号と一致する車台番号があれば、自車両がリコール対象車両であると判定する。電子制御ユニット２０は、自車両がリコール対象車両であると判定したときはステップＳ４の処理に進み、自車両がリコール対象車両ではないと判定したときは今回の処理を終了する。

図７は、本実施形態によるモデル学習システム１００において、車両２に型式の古い部品が搭載されていた場合に学習関連制御を停止するための、サーバ１と車両２との間で実行される処理の一例を示すフローチャートである。なお図７において、ステップＳ１６、Ｓ１７の処理の内容は、第１実施形態と同様なので、ここでは説明を省略する。

ステップＳ３１において、車両２の電子制御ユニット２０は、サーバ１に対して、自車両に搭載された各部品の最新の部品型式情報の要求信号を送信する。

ステップＳ３２において、サーバ１は、最新の部品型式情報の要求信号を受信したか否かを判定する。サーバ１は、最新の部品型式情報の要求信号を受信していればステップＳ３３の処理に進み、受信していなければ今回の処理を終了する。

ステップＳ３３において、サーバ１は、サーバ記憶部１２の部品管理データベースを参照し、要求信号の送信元車両２に対して、送信元車両２に搭載された各部品の最新の部品型式情報を送信する。
ステップＳ３４において、車両２の電子制御ユニット２０は、自車両に搭載された各部品の最新の部品型式情報をサーバ１から受信したか否かを判定する。電子制御ユニット２０は、自車両に搭載された各部品の最新の部品型式情報を受信していればステップＳ３５の処理に進み、受信していなければ今回の処理を終了する。

ステップＳ３５において、車両２の電子制御ユニット２０は、サーバ１から受信した、自車両に搭載された各部品の最新の部品型式情報に基づいて、自車両に型式の古い部品が搭載されているか否かを判定する。電子制御ユニット２０は、自車両に型式の古い部品が搭載されていると判定したときは、ステップＳ１６の処理に進む。一方で電子制御ユニット２０は、自車両に型式の古い部品が搭載されていないと判定したときは、今回の処理を終了する。

以上説明した本実施形態による車両２の電子制御ユニット２０（制御装置）は、サーバ１と通信可能に構成されると共に機械学習に関連する学習関連制御を実施するように構成される。そして電子制御ユニット２０（制御装置）、サーバ１から受信した外部情報（リコール情報、最新の部品型式情報）に基づいて、修理予定のある部品、交換予定のある部品、又は部品型式が現行車両に搭載された同一部品の部品型式よりも古い型落ち部品を搭載しているかを判断し、それらの部品のうちの少なくとも１つの部品を搭載しているときは、学習関連制御を停止させるように、さらに構成される。

このように、サーバ１から送られてきた外部情報に基づいて、自車両に修理予定のある部品、交換予定のある部品、又は型落ち部品が搭載されているか否かを判断するようにしても、第１実施形態と同様の効果を得ることができる。

以上、本発明の実施形態について説明したが、上記実施形態は本発明の適用例の一部を示したに過ぎず、本発明の技術的範囲を上記実施形態の具体的構成に限定する趣旨ではない。

１ サーバ
２ 車両
２０ 電子制御ユニット（制御装置）
１００ モデル学習システム

Claims (7)

1. サーバと、前記サーバと通信可能に構成されると共に機械学習に関連する学習関連制御を実施するように構成された制御装置を有する複数の車両と、を備えるモデル学習システムであって、
   前記サーバは、
   前記複数の車両の中に、修理予定のある修理部品、交換予定のある交換部品、又は部品型式が現行車両に搭載された同一部品の部品型式よりも古い型落ち部品を搭載している特定車両が存在するか否かを判定し、前記特定車両が存在するときは、前記特定車両に対して前記学習関連制御の停止指示を送信するように構成され、
   前記制御装置は、
   前記停止指示を受信したときは、前記学習関連制御を停止させるように構成される、
   モデル学習システム。
2. 前記停止指示には、前記修理部品、前記交換部品、又は前記型落ち部品の情報が含まれており、
   前記前記制御装置は、
   前記停止指示に含まれている部品に関係する前記学習関連制御を停止させるように構成される、
   請求項１に記載のモデル学習システム。
3. 前記修理部品及び前記交換部品は、リコール対象部品である、
   請求項１又は請求項２に記載のモデル学習システム。
4. サーバと通信可能に構成されると共に機械学習に関連する学習関連制御を実施するように構成された、車両の制御装置であって、
   前記サーバから受信した情報に基づいて、修理予定のある修理部品、交換予定のある交換部品、又は部品型式が現行車両に搭載された同一部品の部品型式よりも古い型落ち部品を搭載しているかを判断し、それらの部品のうちの少なくとも１つの部品を搭載しているときは、前記学習関連制御を停止させる、
   車両の制御装置。
5. サーバと、前記サーバと通信可能に構成されると共に機械学習に関連する学習関連制御を実施するように構成された制御装置を有する複数の車両と、を備えるモデル学習システムのモデル学習方法であって、
   前記複数の車両の中に、修理予定のある修理部品、交換予定のある交換部品、又は部品型式が現行車両に搭載された同一部品の部品型式よりも古い型落ち部品を搭載している特定車両が存在するか否かを、前記サーバで判定する第１工程と、
   前記サーバにおいて前記特定車両が存在すると判定したときに、前記サーバから前記特定車両に対して前記学習関連制御の停止指示を送信する第２工程と、
   前記停止指示を受信した前記制御装置による前記学習関連制御の実施を停止させる第３工程と、
   を含むモデル学習方法。
6. 前記停止指示には、前記修理部品、前記交換部品、又は前記型落ち部品の情報が含まれており、
   前記第３工程において、前記前記制御装置は、前記停止指示に含まれている部品に関係する前記学習関連制御を停止させる、
   請求項５に記載のモデル学習方法。
7. 前記修理部品及び前記交換部品は、リコール対象部品である、
   請求項５又は請求項６に記載のモデル学習方法。

Images