JP2022067454A - 車両制御支援システム - Google Patents

Abstract

【課題】車両の状態や運転者の志向等を反映した、個々の車両にとって最適な学習済みモデルを用いて、車両の制御を支援する。【解決手段】学習済みモデルを用いて車両の制御を支援する車両制御支援システムである。車両情報、運転者情報等を含む車両側データを車両から受信するサーバー側受信部と（Ｓ５）、車両側データに基づいて学習済みモデルを生成する学習部と（Ｓ７）、最適な学習済みモデルを選択する選択部と（Ｓ１１）、選択した学習済みモデルを車両に送信可能なサーバー側送信部と（Ｓ１３）、車両に設けられ、学習済みモデルを更新する更新部と（Ｓ１７）、を備えている。車両情報には車両の特性および状態に関する情報が含まれ、運転者情報には、運転者が運転の際に重視する項目が影響する過去の走行情報が含まれている。学習部は、運転者が重視する項目に対応した学習済みモデルを生成する。【選択図】図６

Description

本発明は、機械学習による学習済みモデルを用いた車両制御支援システムに関するものである。

従来から、ニューラルネットワークに基づいた機械学習による学習済みモデルを用いて、車両の内燃機関等を制御する制御支援システム乃至制御支援装置が知られている。

このような制御支援システム等では、エンジンの運転状態等を示すパラメータを入力パラメータとし、エンジンの制御パラメータを出力パラメータとする学習済モデルを用いて、出力パラメータの値を算出し、算出された出力パラメータの値に基づいてエンジンを制御するものが多い。

例えば特許文献１には、車両から送信された車両情報および位置情報に基づいて、位置情報に含まれる車両の現在の位置に対応する学習済みモデルを選択する制御部と、選択した学習済みモデルを車両に送信する送信部と、を備え、車両の位置に応じて学習済みモデルを適切に切り替える制御支援装置が開示されている。

また、例えば特許文献２には、車載センサの検出値やエンジン総使用時間等を入力パラメータとする学習済モデルを用いて、アイドルストップ後の再始動に必要な消費電力を予測し、予測した消費電力が、車両のバッテリ残量以下であるときはアイドルストップを実施する一方、車両のバッテリ残量より大きいときはアイドルストップを実施しない制御支援装置が開示されている。

特開２０２０－０９３７６０号公報 特開２０２０－０６７７６２号公報

上記特許文献１のものによれば、車両の位置に応じて学習済みモデルを適切に切り替えることから、車両において制御可能なアクチュエータ量（例えば、スロットル開度やＥＧＲバルブの制御量）を、地図情報に応じて所望の出力になるように制御することで、車両が走行している地域毎にＮＯｘの排出量を最小にすることが可能となる。

また、上記特許文献２のものによれば、車両走行中に最新の学習済みモデルに切り替えてアイドルストップ後の再始動に必要な消費電力を予測することから、予測精度を向上させることができる上、消費電力の予測精度の向上に伴って、消費電力と比較するバッテリ残量の所定量の余裕代を下げることができることから、結果的にアイドルストップの回数を増やすことが可能となる。

確かに、特許文献１や特許文献２のものにおいて、「最適」なモデルとして選択される学習済みモデルは、排気ガスや燃費等の項目に関し、車両の走行地域や車両の状態に対応した、バランスのとれたモデルではある。

しかしながら、運転者（ユーザー）の中には、燃費よりも走行性能を重視する者もいれば、ぎこちない操作でもスムーズな走り（スムーズ感）の実現を望む者もいれば、自己の操作にダイレクトに反応するキビキビした走り（キビキビ感）を志向する者もおり、何が「最適」なモデルかは一概には決まらない。にもかかわらず、これら特許文献１や特許文献２のものは、運転者ごとに重視する項目（運転者の志向）が違うことには対応しておらず、その点で改良の余地がある。

本発明はかかる点に鑑みてなされたものであり、その目的とするところは、車両の状態や運転者の志向等を反映した、個々の車両にとって最適な学習済みモデルを用いて、車両の制御を支援することにある。

前記目的を達成するため、本発明に係る車両制御支援システムでは、登録された運転者の志向、および／または、過去の走行情報から推測される運転者の志向に基づいて、学習済みモデルを生成するようにしている。

具体的には、本発明は、車両制御支援サーバーにおける機械学習によって生成される学習済みモデルを用いて、車両の制御を支援する車両制御支援システムを対象としている。

そして、この車両制御支援システムは、上記車両の車両側送信部から送信された、車両情報、運転者情報、並びに、当該車両の現在地付近の道路情報および交通情報を含む車両側データを受信するサーバー側受信部と、上記サーバー側受信部が受信した車両側データに基づいて、機械学習を行うことによって学習済みモデルを生成する学習部と、上記学習部が生成した学習済みモデルの中から最適な学習済みモデルを選択する選択部と、上記選択部が選択した学習済みモデルを上記車両の車両側受信部に送信可能なサーバー側送信部と、上記車両に設けられ、上記車両側受信部が受信した学習済みモデルを、所定条件下で更新する更新部と、を備え、上記車両情報には少なくとも上記車両の特性および状態に関する情報が含まれているとともに、上記運転者情報には、運転者が登録した運転の際に重視する項目、および、当該項目が影響する過去の走行情報、の少なくとも一方が含まれており、上記学習部は、上記車両の特性および状態、並びに、運転者が運転の際に重視する項目に対応した学習済みモデルを生成するように構成されていることを特徴とするものである。

この構成によれば、学習部が、車両の現在地付近の道路情報および交通情報を含む車両側データに基づいて、機械学習を行うことから、車両がこれから走行する地域に応じた学習済みモデルを生成することができる。また、学習部が学習済みモデルを生成する際に参照する車両情報には、少なくとも車両の特性および状態が含まれていることから、車両がこれから走行する地域のみならず、個々の車両の状態等に応じた学習済みモデルを生成することができる。

これらに加えて、学習部が学習済みモデルを生成する際に参照する運転者情報には、運転者が登録した運転の際に重視する項目、および／または、当該項目が影響する過去の走行情報が含まれていることから、運転者の志向等を反映した学習済みモデルを生成することができる。

例えば、運転者が登録した運転の際に重視する項目（例えば、燃費、軽快感のある走り、重厚感のある走り、スムーズ感、キビキビ感など）が運転者情報に含まれていれば、燃費や走り等を反映しつつ、走行地域や車両の状態等に応じた学習済みモデルを生成することが可能となる。一方、運転の際に重視する項目を運転者が登録していない場合でも、運転の際に重視する項目が影響する過去の走行情報が運転者情報に含まれていれば、かかる過去の走行情報に基づいて、運転者が運転の際に重視する項目を推測して、運転者の志向を反映しつつ、走行地域や車両の状態等に応じた学習済みモデルを生成することが可能となる。さらに、運転者が登録した運転の際に重視する項目、および、当該項目が影響する過去の走行情報の両方が含まれていれば、運転者が登録した運転の際に重視する項目をベース（初期値）としつつ、随時更新される過去の走行情報を反映することで、学習精度を向上させていくことも可能となる。

しかも、このようにして生成された学習済みモデルの中から、サーバー側の選択部が適切な学習済みモデルを選択するとともに、車両が走行中に、車両側の更新部が受信した学習済みモデルを、所定条件下で更新することから、運転者の志向等を反映した最新の学習済みモデルに基づいて、車両に搭載された機器の制御を的確に支援することができる。

なお、「所定条件」としては、例えば、車両側受信部が受信した学習済みモデルが現在使用している学習済みモデルと異なっている場合等を挙げることができる。

以上説明したように、本発明に係る車両制御支援システムによれば、車両の状態や運転者の志向等を反映した、個々の車両にとって最適な学習済みモデルを用いて、車両の制御を支援することができる。

本発明の実施形態に係る車両制御支援システムの概要を模式的に説明する図である。 車両制御支援システムを模式的に示す図である。 車両制御支援システムを模式的に示すブロック図である。 学習部が学習に用いるニューラルネットワークの構成を模式的に示す図である。 ニューラルネットワークが有するノードの入出力の概要を説明する図である。 車両制御支援システムで実行される制御ルーチンを示すフローチャートである。 車両における学習済みモデルの更新方法を模式的に説明する図である。

以下、本発明を実施するための形態を図面に基づいて説明する。

図１は、本実施形態に係る車両制御支援システム１の概要を模式的に説明する図である。この車両制御支援システム１は、ＡＩ（Artificial Intelligence）の機械学習による学習済みモデルを用いて車両３の制御を支援するものである。具体的には、車両制御支援システム１は、図１の白抜き矢印で示すように、複数の車両３から車両制御支援サーバー７へ種々の情報を送信し、車両制御支援サーバー７において、これらの情報に基づいて学習済みモデル（制御プログラム）を生成するとともに、各車両３にとって最適な学習済みモデルを選択し、図１の黒塗り矢印で示すように、選択された学習済みモデルを各車両３に送信し、各車両３において、学習済みモデルを書き換えるように構成されている。以下、かかる車両制御支援システム１について詳細に説明する。

－車両制御支援システム－
図２は、車両制御支援システム１を模式的に示す図であり、図３は、車両制御支援システム１を模式的に示すブロック図である。この車両制御支援システム１は、図２に示すように、通信ネットワーク５を介して互いに通信可能な、複数の車両３にそれぞれ搭載された車両制御装置１０と、車両制御支援サーバー７と、を有している。

通信ネットワーク５は、インターネット回線網や携帯電話回線網であって、例えば、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）、携帯電話などの電話通信網や公衆回線、ＶＰＮ（Virtual Private Network）、専用線などの一または複数の組み合わせで構成されている。また、通信ネットワーク５は、有線通信と無線通信とが適宜組み合わされている。換言すると、車両制御装置１０と車両制御支援サーバー７との間の情報やプログラム等の授受は、インターネットや携帯電話等の無線通信や有線通信で行われる。

〈車両制御装置〉
車両制御装置１０は、機器としての車両３の動作を制御する装置であり、図２および図３に示すように、駆動部１３と、入力部１１と、センサ群１２と、ＧＰＳ部１４と、制御部１５と、記憶部１６と、通信部１７と、を備えている。この車両制御装置１０が搭載される車両３は、駆動源としてエンジン（図示せず）を有している。

《駆動部》
駆動部１３には、例えば、エンジンや、エンジンの駆動力を伝達する動力伝達機構（図示せず）や、駆動輪（図示せず）や、電動機（図示せず）などが含まれている。本実施形態の車両３では、電動機などを用いて、エンジンの駆動力によって発電がなされるとともに、発電された電力がバッテリに充電されるようになっている。

《入力部》
入力部１１は、キーボード（図示せず）や、入力用のボタン（図示せず）や、レバー（図示せず）や、液晶等のディスプレイに積層して設けられるタッチパネル等で構成されており、運転者（ユーザー）から各種情報の入力を受け付けるようになっている。入力部１１の具体例としては、車両３の運転者が携帯しているスマートフォン（図示せず）のアプリ画面や、車載のカーナビゲーション（図示せず）の画面等を挙げることができる。

《センサ群》
センサ群１２には、図３に示すように、エンジンの冷却水の水温（冷却水温）を検出する水温センサ２１や、エンジンの吸気温を検出する吸気温センサ２２や、大気圧を検出する大気圧センサ２３や、エンジンの油温を検出する油温センサ２４や、排気中の酸素濃度を検出するＡ／Ｆセンサ２５や、バッテリの充電状態を検出する電流センサ２６や、車速を検出する車速センサ２７や、車両３の加速度を検出する加速度センサ２８や、アクセルペダル（図示せず）の操作量を検出するアクセル開度センサ２９や、車両３の走行面の傾斜角を検出する傾斜センサ３０や、運転者のブレーキ踏力を検出するブレーキ踏力センサ３１などが含まれている。

《ＧＰＳ部》
ＧＰＳ部１４は、ＧＰＳ（Global Positioning System）衛星（図示せず）からの電波を受信して、車両３の現在地を検出する。なお、車両３の現在地を検出する方法として、ＬｉＤＡＲ（Light Detection and Ranging、Laser Imaging Detection and Ranging）と、３次元デジタル地図と、を組み合わせた方法を採用してもよい。ＧＰＳ部１４によって検出された車両３の現在地は、車両３の現在地情報として、後述する記憶部１６の車両情報記憶部４６に検索可能に記憶される。

《制御部》
制御部１５は、例えば、ＣＰＵ（Central Processing Unit）等の汎用プロセッサや、ＦＰＧＡ（Field-Programmable Gate Array）等の特定の機能を実行する専用集積回路等のハードウェアを、単独または組み合わせることで構成されるプロセッサである。制御部１５は、データ取得部４１と、演算処理部４２と、更新部４３と、タイマ４４と、判定部４５と、を有している。制御部１５は、演算処理部４２が記憶部１６に記憶された各種プログラムを読み込んで、車両制御装置１０を動作させるための各種演算処理を実行することによって、車両３に搭載される各種構成要素の動作を統括的に制御するように構成されている。

データ取得部４１は、水温センサ２１から冷却水温を、吸気温センサ２２から吸気温を、大気圧センサ２３から大気圧を、油温センサ２４から油温を、Ａ／Ｆセンサ２５から排気中の酸素濃度を、電流センサ２６からバッテリの残量を、車速センサ２７から車両３の速度を、加速度センサ２８から車両３の加速度を、アクセル開度センサ２９からアクセルペダルの操作量を、傾斜センサ３０から車両３の走行面の傾斜角を、ブレーキ踏力センサ３１からブレーキ踏力を、それぞれ取得し、記憶部１６に記憶させる。

演算処理部４２は、データ取得部４１が取得し、記憶部１６に記憶された入力パラメータを所定の学習済みモデルに入力することによって、例えばエンジンの制御パラメータを算出する。演算処理部４２がこれらを算出する際に使用する学習済みモデルについては後述する。

更新部４３は、所定の条件が成立している場合に、例えば現在走行している領域（例えば図６の領域Ａ参照）から次の領域（例えば図６の領域Ｂ参照）に入るとき等といった所定のタイミングで、後述する記憶部１６の学習済みモデル記憶部４９に記憶された学習済みモデルを選択して制御モデルを更新する。

タイマ４４は、制御部１５の処理で必要な時間を計測する。タイマ４４は、例えば機械学習を行う際に必要なオイル交換後の経過時間や、エンジンの総使用時間を計測する。データ取得部４１がオイル交換に関する情報を新たに取得した場合には、タイマ４４は、計測しているオイル交換後の経過時間をリセットする。タイマ４４の計測結果は、後述する記憶部１６のエンジン状態記憶部４７に記憶される。

判定部４５は、車両制御支援サーバー７から車両３に送信された学習済みモデルが、新しい学習済みモデルか否かを判定し、車両制御支援サーバー７から新たに送信された学習済みモデルが現在使用している学習済みモデルと異なっている場合には、かかる新たな学習済みモデルを学習済みモデル記憶部４９に記憶させるように構成されている。

《記憶部》
記憶部１６は、ＲＡＭ（Random Access Memory）等の揮発性メモリおよびＲＯＭ（Read Only Memory）等の不揮発性メモリを用いて構成されていて、車両制御装置１０の動作を実行するための各種プログラムや各種情報を記憶する。なお、外部から装着可能なメモリカード等のコンピュータ読み取り可能な記録媒体を用いて記憶部１６を構成してもよい。記憶部１６は、車両情報記憶部４６と、エンジン状態記憶部４７と、運転者情報記憶部４８と、学習済みモデル記憶部４９と、を備えている。

車両情報記憶部４６には、車種や、製造番号や、ナンバープレートの番号などの、個々の車両３を互いに識別するための情報である車両識別情報が、書き換え不能に記憶されている。また、車両情報記憶部４６には、総走行距離や、燃料残量や、ＧＰＳ部１４によって検出された車両３の現在地などの車両情報が、蓄積可能かつ更新可能に記憶されている。さらに、車両情報記憶部４６には、車両３における、速度、加速度、走行時間帯、走行経路、走行地域、渋滞情報、地図情報、外気の温度や湿度、および天候などを含む走行履歴情報が、蓄積可能かつ更新可能に記憶されている。また、車両情報記憶部４６には、点火時期、燃料の噴射量、噴射時期、スロットル開度、可変バルブタイミング（ＶＶＴ：Variable Valve Timing）、排気再循環装置（ＥＧＲ）のガス流量を調整するＥＧＲバルブの制御量、燃料残量などの情報も蓄積可能かつ更新可能に記憶されている。

例えば、走行時間帯の情報は、朝か昼か晩かの情報、通勤時間帯であるか否かの情報、または太陽が出ているか否かの情報などである。走行経路の情報は、特定の道路の上りか下りかの情報、または特定の道路の上りか下りかの情報に走行時間帯の情報を追加した情報などである。走行地域の情報は、走行路線の情報、市町村の情報、都道府県の情報、または関東や東海などの地域の情報である。渋滞情報は、実際の渋滞情報と走行時間帯とを関連付けた情報、または実際の渋滞情報と道路交通情報通信システム（ＶＩＣＳ（登録商標）：Vehicle Information and Communication System）などによって取得した渋滞原因とを関連付けた情報などである。天候の情報は、風向き、風速、および進行方向が関連付けられた情報、または雨や雪などによる路面状況の変化の情報などである。外気温や湿度は走行時における気温や湿度のみならず、外気の実際の計測温度や計測湿度の情報を含む。

エンジン状態記憶部４７には、タイマ４４が計測した、オイル交換後の経過時間およびエンジンの総使用時間や、入力部１１に入力されたオイル粘度または粘度グレードの情報が記憶されている。

運転者情報記憶部４８には、車両３における過去の、車速や、加速度や、アクセルペダルの操作量や、車両３の走行面の傾斜角や、運転者のブレーキ踏力が、走行履歴情報に関連付けられて、蓄積可能かつ更新可能に記憶されている。なお、運転者情報記憶部４８には、後述するように、運転者が入力部１１を介して登録した、運転者が運転の際に重視する項目も記憶することが可能となっている。

学習済みモデル記憶部４９は、車両制御支援サーバー７の学習部６２が学習することによって生成された学習済みモデルを記憶する。なお、学習済みモデルを記憶するとは、学習済みモデルにおけるネットワークパラメータや演算のアルゴリズム等の情報を記憶することを意味する。

《通信部》
通信部１７は、通信ネットワーク５を介した無線通信によって、車両制御支援サーバー７との間で通信を行う、車載通信モジュール（ＤＣＭ：Data Communication Module）などから構成されている。通信部１７は、制御部１５の制御に基づいて、車両制御支援サーバー７との間で、通信ネットワーク５を介して各種情報を送受信する車両側送信部および車両側受信部として機能する。

〈車両制御支援サーバー〉
車両制御支援サーバー７は、図２および図３に示すように、通信部５１と、制御部５２と、記憶部５３と、を備えていて、複数の車両３から受信した種々の情報に基づいて、機械学習を行うことによって学習済みモデルを生成し、生成した学習済みモデルの中から最適な学習済みモデルを選択して記憶するとともに、車両３に対して、当該車両３の各構成部を制御するための所定の学習済みモデルを送信するように構成されている。

《通信部》
通信部５１は、例えば、ＬＡＮインターフェースボードや、無線通信のための無線通信回路である。ＬＡＮインターフェースボードや無線通信回路は、公衆通信網であるインターネットなどの通信ネットワーク５に接続される。サーバー側送信部およびサーバー側受信部としての通信部５１は、通信ネットワーク５を介して、複数の車両３との間で通信を行うインターフェースである。通信部５１は、制御部５２の制御に基づいて、車両側送信部としての通信部１７から送信された、車両３に関する様々な情報を受信する一方、車両側受信部としての通信部１７に対して学習済みモデルや制御信号を送信する。

ここで、サーバー側受信部としての通信部５１が受信する、車両３に関する情報（教師データ）には、少なくとも、（１）車両情報、（２）運転者情報、（３）車両３の現在地付近の道路情報、および、（４）車両３の現在地付近の交通情報が含まれている。そうして、（１）車両情報には、少なくとも、（１－１）車両３の特性に関する情報、および、（１－２）車両３の状態（劣化状況を含む。）に関する情報が含まれている。

（１－１）車両３の特性に関する情報には、例えば、車両情報記憶部４６に書き換え不能に記憶された、車種、製造番号、ナンバープレートの番号などの車両識別情報が含まれている。

また、（１－２）車両３の状態に関する情報には、冷却水温、吸気温、油温、排気中の酸素濃度、バッテリの残量、車速、加速度、点火時期、燃料の噴射量、噴射時期、スロットル開度、可変バルブタイミング、ＥＧＲバルブの制御量、燃料残量などの他、オイル交換後の経過時間、エンジンの総使用時間、総走行距離を含む走行履歴情報などといった車両３の劣化状況に関する情報や、オイル粘度または粘度グレードの情報などが含まれている。

さらに、（２）運転者情報には、運転者が入力部１１を介して登録した、運転者が運転の際に重視する項目や、運転者が運転の際に重視する項目が影響する過去の走行情報、具体的には、車両３の走行履歴情報に関連付けて運転者情報記憶部４８に記憶された、車速、加速度、アクセルペダルの操作量、車両３の走行面の傾斜角、運転者のブレーキ踏力などの情報が含まれている。

また、（３）車両３の現在地付近の道路情報には、車両３の現在地、走行時間帯、走行経路、走行地域、天候などの情報や、地図情報などが含まれている。さらに、（４）車両３の現在地付近の交通情報には、車両３の現在地、地図情報、渋滞情報などが含まれている。

《制御部》
制御部５２は、ＣＰＵ（Central Processing Unit）や、ＤＳＰ（Digital Signal Processor）や、ＦＰＧＡ（Field-Programmable Gate Array）などのプロセッサ、および、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）などの主記憶部を備えている。制御部５２は、記憶部５３に記憶されたプログラムを主記憶部の作業領域にロードして実行し、プログラムの実行を通じて各構成部などを制御することで、所定の目的に合致した機能を実現することが可能に構成されている。具体的には、制御部５２は、データ取得部６１と、学習部６２と、学習済みモデル比較部６３と、選択部６４と、先読み部６５と、モデルリスト作成部６６と、を有していて、制御部５２によるプログラムの実行によって、データ取得部６１、学習部６２、学習済みモデル比較部６３、選択部６４、先読み部６５およびモデルリスト作成部６６のうちの必要な機能が選択的に実行されるようになっている。

データ取得部６１は、通信部５１が受信した車両情報や運転者情報や車両３の現在地付近の道路情報および交通情報を構成する各情報を、学習データの入力パラメータとし、後述する記憶部５３の学習データ記憶部７５に書き込んで記憶させる。また、データ取得部６１は、通信部５１が受信した各情報の中から、所定の項目に関する情報を入力パラメータとし、この入力パラメータに対応する出力パラメータを算出し、入力パラメータと出力パラメータとの組からなる入出力データセットを、後述する記憶部５３のデータセット記憶部７４に書き込んで記憶させる。

例えば、ＮＯｘの排出量が最小になるような機械学習を行う場合には、データ取得部６１は、点火時期、燃料噴射量、噴射時期、スロットル開度、可変バルブタイミング、ＥＧＲバルブの制御量、地図情報および天候情報などを入力パラメータとし、この入力パラメータに対応して算出したＮＯｘの排出量を出力パラメータとする入出力データセットをデータセット記憶部７４に書き込んで記憶させる。

また、例えば、車両のアイドルストップ（Idle Reduction）を行ったときの再始動に必要な消費電力を出力パラメータとする機械学習を行う場合には、データ取得部６１は、燃料噴射量と排気中の酸素濃度を用いた所定の演算を行うことによってオイル中燃料量を算出する。さらに、データ取得部６１は、バッテリの充電状態の時間変化に基づいてアイドルストップ後の再始動に必要な消費電力を算出する。

そうして、データ取得部６１は、冷却水温、吸気温、大気圧、油温、オイル中燃料量、オイル交換後の経過時間、エンジン総使用時間およびオイル粘度（または粘度グレード）などを入力パラメータとし、この入力パラメータに対応して算出した消費電力を出力パラメータとする入出力データセットをデータセット記憶部７４に書き込んで記憶させる。なお、内燃機関がディーゼルエンジンである場合、データ取得部６１は、セタン価に関するデータを取得して、入力パラメータに加えてもよい。

学習部６２は、データセット記憶部７４に記憶された、教師データとしての入出力データセットをもとに機械学習を行い、学習した結果を後述する記憶部５３の学習済みモデルデータベース７１に書き込んで記憶させる。学習部６２は、学習を行っているニューラルネットワークとは別に、所定のタイミングで、当該タイミングにおける最新の学習済みモデルを学習済みモデルデータベース７１に記憶させる。学習済みモデルデータベース７１に記憶させる際には、古い学習済みモデルを削除して最新の学習済みモデルを記憶させる更新でもよいし、古い学習済みモデルの一部または全部を保存したまま最新の学習済みモデルを記憶させる蓄積でもよい。

ここで、機械学習の具体的な一例として、ニューラルネットワークを用いた深層学習について説明する。図４は、学習部６２が学習に用いるニューラルネットワーク１００の構成を模式的に説明する図である。図４に示すように、ニューラルネットワーク１００は、順伝播型ニューラルネットワークであり、入力層１０１と、中間層１０２と、出力層１０３と、を有している。入力層１０１は複数のノードからなり、各ノードには互いに異なる入力パラメータが入力される。中間層１０２には、入力層１０１からの出力が入力される。中間層１０２は、入力層１０１からの入力を受ける複数のノードからなる層を含む多層の構造を有する。出力層１０３には、中間層１０２からの出力が入力される。出力層１０３は、出力パラメータを出力する。このように、中間層１０２が多層構造を有するニューラルネットワーク１００を用いた機械学習は、深層学習と呼ばれる。

図５は、ニューラルネットワーク１００が有するノードにおける入出力の概要を模式的に説明する図である。図５においては、ニューラルネットワーク１００のうち、Ｉ個のノードを有する入力層１０１と、Ｊ個のノードを有する第１中間層１２１と、Ｋ個のノードを有する第２中間層１２２におけるデータの入出力の一部を模式的に示している（Ｉ、Ｊ、Ｋは正の整数）。入力層１０１の上からｉ番目のノードには、入力パラメータｘ_i（ｉ＝１，２，…，Ｉ）が入力される。以下、全ての入力パラメータの集合を「入力パラメータ｛ｘ_i｝」と記載する。

入力層１０１の各ノードは、隣接する第１中間層１２１の各ノードに対し、入力パラメータに所定の重みを乗じた値を有する信号を出力する。例えば、入力層１０１の上からｉ番目のノードは、第１中間層１２１の上からｊ番目（ｊ＝１，２，…，Ｊ）のノードに対して、入力パラメータｘ_iに重みα_ijを乗じた値α_ijｘ_iを有する信号を出力する。第１中間層１２１の上からｊ番目のノードには、合計で入力層１０１の各ノードからの出力に所定のバイアスｂ⁽¹⁾ _jを加えた値Σα_ijｘ_i＋ｂ⁽¹⁾ _jが入力される。ここで第１項目のΣは、ｉ＝１，２，…，Ｉの和を取ることを意味する。

第１中間層１２１の上からｊ番目のノードの出力値ｙ_jは、そのノードへの入力層１０１からの入力値Σα_ijｘ_i＋ｂ⁽¹⁾ _jの関数として、ｙ_j＝Ｓ（Σα_ijｘ_i＋ｂ⁽¹⁾ _j）と表される。この関数Ｓは活性化関数と呼ばれる。具体的な活性化関数として、例えばシグモイド関数Ｓ（ｕ）＝１／｛１＋ｅｘｐ（－ｕ）｝や正規化線形関数（ＲｅＬＵ）Ｓ（ｕ）＝ｍａｘ（０，ｕ）などを挙げることができる。活性化関数は、非線形関数が用いられることが多い。

第１中間層１２１の各ノードは、隣接する第２中間層１２２の各ノードに対し、入力パラメータに所定の重みを乗じた値を有する信号を出力する。例えば、第１中間層１２１の上からｊ番目のノードは、第２中間層１２２の上からｋ番目（ｋ＝１，２，…，Ｋ）のノードに対して、入力値ｙ_jに重みβ_jkを乗じた値β_jkｙ_jを有する信号を出力する。第２中間層１２２の上からｋ番目のノードには、合計で第１中間層１２１の各ノードからの出力に所定のバイアスｂ⁽²⁾ _kを加えた値Σ’β_jkｙ_j＋ｂ⁽²⁾ _kが入力される。ここで第１項目のΣ’は、ｊ＝１，２，…，Ｊの和を取ることを意味する。

第２中間層１２２の上からｋ番目のノードの出力値ｚ_kは、そのノードへの第１中間層１２１からの入力値Σ’β_jkｙ_j＋ｂ⁽²⁾ _kを変数とする活性化関数を用いて、ｚ_k＝Ｓ（Σ’β_jkｙ_j＋ｂ⁽²⁾ _k）と表される。

このようにして、入力層１０１の側から出力層１０３の側へ向かう順方向に沿って順次繰り返すことにより、最終的に出力層１０３から一つの出力パラメータＹが出力される。以下、ニューラルネットワーク１００が含む重みおよびバイアスをまとめてネットワークパラメータｗという。このネットワークパラメータｗは、ニューラルネットワーク１００の全ての重みおよびバイアスを成分とするベクトルである。

学習部６２は、入力パラメータ｛ｘ_i｝をニューラルネットワーク１００へ入力することによって算出した出力パラメータＹと、入力パラメータ｛ｘ_i｝とともに入出力データセットを構成する出力パラメータ（目標出力）Ｙ₀とに基づいて、ネットワークパラメータを更新する演算を行う。具体的には、２つの出力パラメータＹと目標出力Ｙ₀との誤差を最小化するための演算を行うことによってネットワークパラメータｗを更新する。この際には、確率的勾配降下法がよく用いられる。以下、入力パラメータ｛ｘ_i｝および出力パラメータＹの組（｛ｘ_i｝，Ｙ）を総称して「学習データ」という。

以下、確率的勾配降下法の概要を説明する。確率的勾配降下法は、２つの出力パラメータＹと目標出力Ｙ₀を用いて定義される誤差関数Ｅ（ｗ）のネットワークパラメータｗの各成分に対する微分から求まる勾配∇_wＥ（ｗ）を最小化するように、ネットワークパラメータｗを更新する方法である。誤差関数は、例えば学習データの出力パラメータＹと入出力データセットの目標出力Ｙ₀の２乗誤差｜Ｙ－Ｙ₀｜²により定義される。また、勾配∇_wＥ（ｗ）は、誤差関数Ｅ（ｗ）のネットワークパラメータｗの成分に関する微分である∂Ｅ（ｗ）／∂α_ij、∂Ｅ（ｗ）／∂β_jk、∂Ｅ（ｗ）／∂ｂ⁽¹⁾ _j、∂Ｅ（ｗ）／∂ｂ⁽²⁾ _k（ここで、ｉ＝１～Ｉ、ｊ＝１～Ｊ、ｋ＝１～Ｋ）などを成分に有するベクトルである。

確率的勾配降下法では、ネットワークパラメータｗを、自動または手動で定まる所定の学習率ηを用いて、ｗ’＝ｗ－η∇_wＥ（ｗ）、ｗ”＝ｗ’－η∇_w'Ｅ（ｗ’）、…と順次更新する。なお、学習率ηは、学習の途中で変更してもよい。より一般的な確率的勾配降下法の場合、誤差関数Ｅ（ｗ）は、全学習データを含むサンプルの中からランダムに抽出することによって定義される。この際に抽出する学習データの数は１つに限られず、その他の学習データを用いてもよい。

勾配∇_wＥ（ｗ）の計算を効率的に行うための方法として、誤差逆伝播法が知られている。誤差逆伝播法は、学習データ（｛ｘ_i｝、Ｙ）を算出後、出力層１０３における目標出力Ｙ₀と出力パラメータＹの誤差に基づいて、出力層１０３→中間層１０２→入力層１０１へと勾配∇_wＥ（ｗ）の成分を逆に辿って計算していく方法である。学習部６２は、誤差逆伝播法を用いて勾配∇_wＥ（ｗ）の全ての成分を算出した後、算出した勾配∇_wＥ（ｗ）を用いて上述した確率的勾配降下法を適用することにより、ネットワークパラメータｗを更新する。

学習済みモデル比較部６３は、新たに生成された学習済みモデルと、学習済みモデルデータベース７１に記憶されている学習済みモデルと、を比較したり、学習済みモデルデータベース７１に記憶されている複数の学習済みモデルから、少なくとも２つの所定の学習済みモデルを選択して比較したりする。学習済みモデル比較部６３は、生成された学習済みモデルが、既存の学習済みモデルと異なる場合には、新たに生成された学習済みモデルを学習済みモデルデータベース７１に記憶させる。また、学習済みモデル比較部６３は、後述する選択部６４によって選択された学習済みモデルが、今まで車両３に送信した学習済みモデルと異なっているか否かを判定する。

選択部６４は、学習済みモデルデータベース７１と地図情報データベース７２とを参照して、現在の車両状況（劣化情報含む）、これから通る道などから最適な学習済みモデルを選択する。

先読み部６５は、車両３から送信された例えば車両３の現在位置、目的地、時刻、および曜日などの先読みに必要な情報と車両３の過去の走行履歴とに基づいたベイズ推定によって、先読みを実施して先読み情報を生成する。先読み部６５によって生成された先読み情報は、モデルリスト作成部６６に出力される。

モデルリスト作成部６６は、先読み部６５から入力された先読み情報に基づいて、車両３において必要となる複数の学習済みモデルをリスト化した学習済みモデルリストを作成する。モデルリスト作成部６６は、学習済みモデルリストに含まれる学習済みモデルを学習済みモデルデータベース７１から索出して、車両３に送信する。

《記憶部》
記憶部５３は、ＲＡＭ等の揮発性メモリ、ＲＯＭ等の不揮発性メモリ、ＥＰＲＯＭ（Erasable Programmable ROM）、ハードディスクドライブ（ＨＤＤ、Hard Disk Drive）、およびリムーバブルメディアなどから選ばれた記憶媒体から構成される。なお、リムーバブルメディアは、例えば、ＵＳＢ（Universal Serial Bus）メモリ、または、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、またはＢＤ（Blu-ray（登録商標） Disc）のようなディスク記録媒体である。また、外部から装着可能なメモリカード等のコンピュータ読み取り可能な記録媒体を用いて記憶部５３を構成してもよい。記憶部５３には、車両制御支援サーバー７の動作を実行するための、オペレーティングシステム（Operating System：ＯＳ）、各種プログラム、各種テーブル、各種データベースなどが記憶可能である。記憶部５３が記憶する各種プログラムには、本実施形態による制御支援プログラムも含まれる。これらの各種プログラムは、ハードディスク、フラッシュメモリ、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、フレキシブルディスク等のコンピュータ読み取り可能な記録媒体に記録して広く流通させることも可能である。記憶部５３は、学習済みモデルデータベース７１と、地図情報データベース７２と、選択条件記憶部７３と、データセット記憶部７４と、学習データ記憶部７５と、を有している。

学習済みモデルデータベース７１には、学習済みモデルが検索可能に記憶されている。学習済みモデルデータベース７１は、学習部６２によって生成された学習済みモデルを、蓄積したり更新したりして記憶する。なお、学習済みモデルデータベース７１には最初に、初期状態の学習済みモデルが記憶されている。学習済みモデルを記憶するとは、学習済みモデルにおけるネットワークパラメータや演算のアルゴリズム等の情報を記憶することを意味する。

地図情報データベース７２には、地図情報が検索可能に格納されている。本実施形態においては、地図が所定領域ごとに分割されて設定され、それぞれの領域にそれぞれ学習済みモデルが割り当てられている。これにより、記憶部５３には、これらの所定領域の地図情報と、割り当てられた学習済みモデルと、が互いに関連付けて記憶されるようになっている。換言すると、地図情報は、地図上の領域を、緯度および経度に基づいて分割してそれぞれを所定領域として設定したり、道路の路線（ルートＩＤ）ごとに分割してそれぞれを所定領域として設定したりして構成されていて、それぞれの所定領域ごとに、個別に学習済みモデルが生成されて設定されている。これにより、設定された所定領域ごとに最適化された学習済みモデルを設定できるので、車両３において制御部１５により制御可能なアクチュエータ量を、地図情報に応じて所望の出力になるように制御することが可能となっている。

選択条件記憶部７３は、制御対象に応じて、学習部６２が使用する学習済みモデルを選択するための条件を記憶する。なお、車種、製造番号、ナンバープレートの番号などの車両識別情報は不変なので、初期段階から選択条件記憶部７３に記憶させておいてもよい。データセット記憶部７４は、上述した入力パラメータと出力パラメータの組からなる入出力のデータセットを記憶する。また、学習データ記憶部７５は、学習部６２が入力パラメータ｛ｘ_i｝をニューラルネットワーク１００に入力して算出する出力パラメータＹを入力パラメータ｛ｘ_i｝とともに学習データとして記憶する。

以上のように構成された本実施形態の車両制御支援システム１では、車両制御支援サーバー７の学習部６２による機械学習の際の教師データとして、車両３のデータ取得部４１がセンサ群１２等から各種情報を取得するとともに、これらの情報が記憶部１６に記憶される。このようにして記憶された教師データは、通信ネットワーク５を介して通信部１７から車両制御支援サーバー７の通信部５１へ送信される。

車両制御支援サーバー７では、受信した教師データを使用して学習部６２が機械学習を行い、学習済みモデル（車両制御モデル）を作成し、新しく生成された学習済みモデルが、既存の学習済みモデルと異なれば、学習済みモデルデータベース７１に記憶される。また、車両制御支援サーバー７では、先読み部６５が、車両３の現在地情報から、これから車両３が通る道を推測するとともに、選択部６４が、学習済みモデルデータベース７１と地図情報データベース７２とを参照して、現在の車両状況およびこれから通る道などに基づき最適な学習済みモデルを選択する。このようにして選択された学習済みモデルが、今まで車両３に送信した学習済みモデルと異なっていれば、通信ネットワーク５を介して車両３の通信部１７に送信される。

車両３では、車両制御支援サーバー７から車両３に送信された学習済みモデルが、現在使用している学習済みモデルと異なっていれば、学習済みモデル記憶部４９に記憶される。そうして、更新部４３が、図７に示すように、先読み部６５が予測した道に差し掛かるタイミング（切り替え位置近辺）で制御モデルを切り替えれば、領域Ａで使用されていた学習済みモデルＸから、領域Ｂで使用されるべき学習済みモデルＹへスムーズに切り替わるので、最適な学習済みモデルＹに基づいて、車両３に搭載された機器の制御を的確に支援することができる。

これらにより、本実施形態の車両制御支援システム１では、車両３の位置に応じて学習済みモデルを適切に切り替えることが可能となる。

－運転者の志向の反映－
上述のようにして学習済みモデルを生成する際、入力パラメータを「点火時期、燃料の噴射量、噴射時期、スロットル開度、可変バルブタイミング、およびＥＧＲバルブの制御量、地図情報、天候情報」とし、出力パラメータを「ＮＯｘの排出量」とすれば、生成された学習済みモデルから出力されるＮＯｘの排出量が最小になるように、入力パラメータを設定することが可能となる。そうして、先読み部６５が予測した車両の位置に応じて学習済みモデルを適切に切り替えるとともに、車両において制御可能なアクチュエータ量（例えば、点火時期、燃料の噴射量、噴射時期、スロットル開度、ＶＶＴ、およびＥＧＲバルブの制御量）を、地図情報に応じて所望の出力になるように制御することで、車両が走行している地域毎にＮＯｘの排出量を最小にすることが可能となる。

また、学習済みモデルを生成する際、入力パラメータを「冷却水温、吸気温、大気圧、油温、オイル中燃料量、オイル交換後の経過時間、エンジン総使用時間、オイル粘度（または粘度グレード）」とし、出力パラメータを「アイドルストップ後の再始動に必要な消費電力」とすれば、予測精度を向上させることができる上、消費電力の予測精度の向上に伴って、消費電力と比較するバッテリ残量の所定量の余裕代を下げることができることから、結果的にアイドルストップの回数を増やすことが可能となる。

このように、「最適」なモデルとして選択される学習済みモデルは、排気ガスや燃費等の項目に関し、車両の走行地域や車両の状態に対応した、バランスのとれたモデルではあるが、運転者ごとに重視する項目（運転者の志向）が違うことには対応していない。

具体的には、運転者（ユーザー）の中には、燃費よりも走行性能を重視する者もいれば、ぎこちない操作でもスムーズな走り（スムーズ感）の実現を望む者もいれば、自己の操作にダイレクトに反応するキビキビした走り（キビキビ感）を志向する者もおり、何が「最適」なモデルかは一概には決まらない。

そこで、本実施形態の車両制御支援システム１では、運転者が登録した志向、および／または、過去の走行情報から推測される運転者の志向に基づいて、学習済みモデルを生成するようにしている。具体的には、上述の如く、運転者情報に、運転者が登録した運転の際に重視する項目、および、当該項目が影響する過去の走行情報、の少なくとも一方を含ませるとともに、車両の特性および状態、並びに、運転者が運転の際に重視する項目に対応した学習済みモデルを生成するように学習部６２を構成している。

より詳しくは、例えば、渋滞情報や地図情報などを含む走行履歴情報に関連付けられた車速および加速度の情報からは、市街地（渋滞）、市街地（非渋滞）、郊外、高速道路において、運転者がどのような車速および加速度で車両３を走行させたかが分かり、そこから、運転者が「慎重派」や「飛ばし屋」であるといった性格や、運転の際に、「燃費」を重視するのか、それとも「走行性能」を重視するのかを推測して、これらを学習部６２による機械学習の際の入力パラメータとして反映することが可能となる。

また、例えば、走行履歴情報に関連付けられた、アクセルペダルの操作量、車両３の走行面の傾斜角、運転者のブレーキ踏力などの情報からは、運転者が運転の際に「加速性」を重視するのか、坂道等においてどのような車速で車両３を走行させたか、運転者が急ブレーキを掛けるタイプか、それともポンピングブレーキを掛けるタイプか等を推測し、そこから、運転者が「スムーズ感」を重視するのか、「キビキビ感」を重視するのかといった項目も入力パラメータ化することが可能となる。

このように、運転者が運転の際に重視する項目を入力パラメータ化することで、運転者の志向を反映しつつ、走行する地域や、車両３の特性および状態に応じた学習済みモデルを生成することが可能となる。

また、運転者が運転の際に重視する項目は、必ずしも、これらの項目が影響する過去の走行情報に基づいて推測する必要はなく、例えば入力部１１を介して、運転者にアンケート形式等で運転の際に重視する項目を登録（指定）してもらうことも可能である。このようにすれば、運転者が登録した、「燃費」や「走行性能」や「スムーズ感」や「キビキビ感」などの項目をダイレクトに入力パラメータ化することが可能となる。それ故、この場合にも、燃費や走り等を反映しつつ、走行する地域や、車両３の特性および状態に応じた学習済みモデルを生成することが可能となる。

さらに、運転者が登録した運転の際に重視する項目、および、当該項目が影響する過去の走行情報の両方が含まれていれば、学習部６２の機械学習の際に、運転者が登録した運転の際に重視する項目をベース（例えば初期値）としつつ、過去の走行情報を反映することで、学習精度を向上させていくことも可能となる。

例えば、出力パラメータが「ＮＯｘの排出量」である場合にも、生成された学習済みモデルから出力されるＮＯｘの排出量が最小になるような範囲内で、可能な限り運転者の志向を反映した、点火時期、燃料の噴射量、噴射時期、スロットル開度、可変バルブタイミング、およびＥＧＲバルブの制御量を制御することが可能となる。また、出力パラメータが「アイドルストップ後の再始動に必要な消費電力」である場合にも、運転者の志向を反映させることで、消費電力の予測精度をより一層向上させることができる。

なお、過去の走行情報からの運転の際に重視する項目の推測は、車両３のデータ取得部４１や演算処理部４２が実行するように構成してもよいし、車両制御支援サーバー７のデータ取得部６１が実行するように構成してもよい。

そうして、このようにして生成された学習済みモデルの中から、車両制御支援サーバー７の選択部６４が、学習済みモデルデータベース７１と地図情報データベース７２とを参照して、現在の車両状況およびこれから通る道などに基づき最適な学習済みモデルを選択することから、最適な学習済みモデルに基づいて、車両３に搭載された機器の制御を的確に支援することができる。

－制御例－
次に、本実施形態に係る車両制御支援システム１で実行される制御の一例について説明する。図６は、車両制御支援システム１で実行される制御ルーチンを示すフローチャートである。なお、図６に示す制御ルーチンは、所定時間間隔ごとの周期的な時刻で繰り返し実行される。

先ず、ステップＳ１では、車両３の制御部１５が、ＧＰＳ部１４によって検出された車両３の現在地を取得する。このように、車両３の現在地が取得されると、次のステップＳ２では、車両３のデータ取得部４１が、学習部６２による機械学習の際の教師データとして、車両情報、運転者情報、車両３の現在地付近の道路情報、および、車両３の現在地付近の交通情報を取得する。

次のステップＳ３では、車両３の現在地、走行経路、走行地域、渋滞情報、ＥＧＲバルブの制御量などの情報が車両情報記憶部４６に、オイル交換後の経過時間およびエンジンの総使用時間などの情報がエンジン状態記憶部４７に、また、車速、加速度、アクセルペダルの操作量、車両３の走行面の傾斜角、運転者のブレーキ踏力などの情報が運転者情報記憶部４８に、それぞれ記憶される。なお、運転者が入力部１１により志向を登録している場合には、運転者が運転の際に重視する項目も、運転者情報記憶部４８に記憶される。

次のステップＳ４では、ステップＳ３で記憶された教師データが、通信ネットワーク５を介して通信部１７から送信され、次のステップＳ５において、車両制御支援サーバー７の通信部５１で受信される。ステップＳ５において受信された教師データは、データ取得部６１によって取得された後、次のステップＳ６において、選択条件記憶部７３や、データセット記憶部７４や、学習データ記憶部７５等に記憶される。

次のステップＳ７では、学習部６２が、ステップＳ６で記憶された教師データを使用して機械学習を行い、車両３の特性、車両３の状態（劣化状況を含む。）、運転者の志向、車両３の現在地付近の道路情報、および、車両３の現在地付近の交通情報を反映した、学習済みモデルを生成する。

次のステップＳ８では、ステップＳ７で生成された学習済みモデルが、学習済みモデルデータベース７１に記憶された既存の学習済みモデルと異なるか否かを、学習済みモデル比較部６３が判定する。このステップＳ８の判定がＮＯの場合、すなわち、生成された学習済みモデルが既存の学習済みモデルと同じである場合には、そのままＥＮＤする。これに対し、ステップＳ８の判定がＹＥＳの場合には、ステップＳ９に進み、ステップＳ７で生成された学習済みモデルを学習済みモデルデータベース７１に登録（記憶）させた後、ステップＳ１０へ進む。

次のステップＳ１０では、先読み部６５が、車両３の現在地情報から、車両３の経路（これから車両３が通る道）を推測した後、ステップＳ１１へ進む。次のステップＳ１１では、車両制御支援サーバー７の選択部６４が、学習済みモデルデータベース７１と地図情報データベース７２とを参照して、現在の車両状況、これから通る道、運転者の志向等から最適な学習済みモデルを選択した後、ステップＳ１２へ進む。

次のステップＳ１２では、学習済みモデル比較部６３が、ステップＳ１１で選択された学習済みモデルが、既送信の学習済みモデルか否か、換言すると、今まで車両３に送信した学習済みモデルと異なっているか否かを判定する。このステップＳ１２の判定がＮＯの場合、すなわち、選択された学習済みモデルが過去に送信された学習済みモデルと同じである場合には、そのままＥＮＤする。これに対し、ステップＳ１２の判定がＹＥＳの場合、すなわち、選択された学習済みモデルが今まで車両３に送信した学習済みモデルと異なっている場合には、ステップＳ１３に進む。

次のステップＳ１３では、ステップＳ１１で選択された学習済みモデルが、通信ネットワーク５を介して通信部５１から送信され、次のステップＳ１４において、車両３の通信部１７で受信される。

次のステップＳ１５では、車両３の判定部４５が、車両制御支援サーバー７から車両３に送信された学習済みモデルが、新しい学習済みモデルか否か、換言すると、現在使用している学習済みモデルと異なっているか否かを判定する。このステップＳ１５の判定がＮＯの場合、すなわち、車両制御支援サーバー７から送信された学習済みモデルが現在使用している学習済みモデルと同じ場合には、そのままステップＳ１６に進む。これに対し、ステップＳ１５の判定がＹＥＳの場合、すなわち、車両制御支援サーバー７から送信された学習済みモデルが現在使用している学習済みモデルと異なっている場合には、ステップＳ１６に進み、新たな学習済みモデルを学習済みモデル記憶部４９に記憶させた後、ステップＳ１７に進む。

次のステップＳ１７では、更新部４３が、先読み部６５が予測した道に差し掛かるタイミングで制御モデルを切り替え、その後ＥＮＤする。

（変形例１）
本変形例は、複数のユーザー（運転者）が車両３を共有する場合に対応している点が、上記実施形態と異なるものである。

複数の運転者が車両３を共有する場合には、各運転者に例えば入力部１１を介して、各運転者の運転者識別情報（例えば名前等）を登録してもらうとともに、かかる運転者識別情報に関連付けて、各運転者が運転の際に重視する項目を登録してもらい、これらの情報を運転者情報記憶部４８に記憶させる。そうして、学習部６２の機械学習の際に、これらの情報を初期値として利用することで、学習初期段階から学習レベルを上げておくことができる。

なお、このように複数の運転者が車両３を共有する場合には、車両情報を共有して使用すれば、学習データが揃うまでの期間を短縮することができる。

また、車両３が座席位置記憶機能を有している場合には、運転者に運転の度に運転者識別情報を登録してもらわなくても、座席位置から運転者を自動選択し、選択された運転者が初期に選んだ志向をベース（初期値）にして、学習部６２が機械学習を行うようにしてもよい。

（変形例２）
本変形例は、車両３が自動運転と手動運転とを切り替え可能に構成されている場合に対応している点が、上記実施形態と異なるものである。

先ず、車両３は、運転者の手動操作によって走行する手動運転と、与えられた運行指令に従って自律走行する自動運転と、を切り替え可能に構成されている。

この場合には、運転者に例えば入力部１１を介して、自動運転を積極的に使用したいか否か、自動運転可能エリア外から可能エリアに入ったときに自動運転に切り替えるか否か等を、アンケート形式等で登録してもらい、運転者志向として学習する。

また、市街地（渋滞）、市街地（非渋滞）、郊外、高速道路のそれぞれに対して、自動運転を選択したいか否かを選択してもらい、それぞれの項目にて機械学習の初期値を設定するようにしてもよい。

さらに、選ばれた志向をベース（初期値）に、実際に自動運転可能エリアに入ったときに切り替えが選択されたか否かを教師データにして機械学習にて精度を上げていくようにしてもよい。

（その他の実施形態）
本発明は、実施形態に限定されず、その精神又は主要な特徴から逸脱することなく他の色々な形で実施することができる。

上記実施形態では、「ＮＯｘの排出量」や「アイドルストップ後の再始動に必要な消費電力」に本発明を適用する場合を例示したが、これに限らず、例えば、ディーゼルエンジンを搭載した車両において、ＤＰＦ（Diesel Particulate Filter）のつまり防止の際に行うＰＭ（Particulate Matter）再生時の触媒温度を予測する処理に本発明を適用してもよい。この場合には、空気量、排気温度、燃料添加量等の状態量、運転者の志向を入力パラメータとし、触媒温度を出力パラメータとする入出力のデータセットを用いた機械学習によって生成した学習済みモデルを用いて触媒温度を予測することができる。

また、車両３の駆動系に限らず、例えばエア・コンディショナの制御に本発明を適用してもよい。この場合には、車室内の気温、湿度、季節、日時、運転者の志向等を入力パラメータとし、風量および風向きを出力パラメータとする入出力のデータセットを用いた機械学習によって生成した学習済みモデルを使用して、車内の空調制御を支援することができる。

上記実施形態では、センサ群１２として、車両３の状態を計測するセンサや、車両３の走行に関するセンサを例示したが、これに限らず、例えば、外気温を検出する外気温センサや、外気の湿度を検出する湿度センサや、車室内の種々の状況を検知可能な車室内センサや、撮像カメラなどの撮像装置などが、センサ群１２に含まれていてもよい。

このように、上述の実施形態はあらゆる点で単なる例示に過ぎず、限定的に解釈してはならない。さらに、特許請求の範囲の均等範囲に属する変形や変更は、全て本発明の範囲内のものである。

本発明によると、車両の状態や運転者の志向等を反映した、個々の車両にとって最適な学習済みモデルを用いて、車両の制御を支援することができるので、機械学習による学習済みモデルを用いた車両制御支援システムに適用して極めて有益である。

１ 車両制御支援システム
３ 車両
７ 車両制御支援サーバー
１７ 通信部（車両側送信部）（車両側受信部）
４３ 更新部
５１ 通信部（サーバー側送信部）（サーバー側受信部）
６２ 学習部
６３ 学習済みモデル比較部（選択部）

Claims (1)

1. 車両制御支援サーバーにおける機械学習によって生成される学習済みモデルを用いて、車両の制御を支援する車両制御支援システムであって、
   上記車両の車両側送信部から送信された、車両情報、運転者情報、並びに、当該車両の現在地付近の道路情報および交通情報を含む車両側データを受信するサーバー側受信部と、
   上記サーバー側受信部が受信した車両側データに基づいて、機械学習を行うことによって学習済みモデルを生成する学習部と、
   上記学習部が生成した学習済みモデルの中から最適な学習済みモデルを選択する選択部と、
   上記選択部が選択した学習済みモデルを上記車両の車両側受信部に送信可能なサーバー側送信部と、
   上記車両に設けられ、上記車両側受信部が受信した学習済みモデルを、所定条件下で更新する更新部と、を備え、
   上記車両情報には少なくとも上記車両の特性および状態に関する情報が含まれているとともに、上記運転者情報には、運転者が登録した運転の際に重視する項目、および、当該項目が影響する過去の走行情報、の少なくとも一方が含まれており、
   上記学習部は、上記車両の特性および状態、並びに、運転者が運転の際に重視する項目に対応した学習済みモデルを生成するように構成されていることを特徴とする車両制御支援システム。

Images