JP2023151357A - 人力駆動車用制御装置、学習方法、人力駆動車の制御方法、およびコンピュータプログラム - Google Patents

Abstract

【課題】自動制御に用いるモデルの学習に要する時間を短縮し、未学習のシチュエーションにおいても自動制御を実現する人力駆動車用制御装置、学習方法、人力駆動車の制御方法、およびコンピュータプログラムを提供する。【解決手段】人力駆動車用制御装置は、人力駆動車の走行に関する入力情報を取得する取得部と、取得した入力情報に基づき、前記人力駆動車に搭載されているデバイスの制御に関する出力情報を出力するように学習される第１学習モデルを記憶する記憶部と、前記第１学習モデルに前記入力情報を入力して得られる出力情報に基づき決定した制御データによって前記デバイスを制御する制御部と、前記人力駆動車、および、前記人力駆動車のライダの少なくとも一方が異なる人力駆動車における入力情報によって学習された第２学習モデルを用いて前記記憶部の第１学習モデルを補完する処理を実行する補完処理部とを備える。【選択図】図７

Description

本発明は、人力駆動車用制御装置、学習方法、人力駆動車の制御方法、およびコンピュータプログラムに関する。

人力駆動車の電装化が進み、変速機、制動装置、アシスト装置を含む搭載デバイスの自動制御が実現されている。人力駆動車に設けられた速度センサ、ケイデンスセンサ、トルクセンサ、およびカメラの内の少なくとも１つから得られる情報を入力した場合に、搭載デバイスの制御に関する情報を出力するように、深層学習によって学習されるモデルを用いることが提案されている（特許文献１等）。

特許第６９８５２１７号

深層学習により人力駆動車の自動制御を実現することによって、ライダの身体的特徴、ライダの嗜好等、ライダ個々に自動制御を最適化することができる。

本発明の目的は、自動制御に用いるモデルの学習に要する時間を短縮し、未学習のシチュエーションにおいても自動制御を実現する人力駆動車用制御装置、学習方法、人力駆動車の制御方法、およびコンピュータプログラムを提供することである。

（１）本発明の第１側面に従う人力駆動車用制御装置は、人力駆動車の走行に関する入力情報を取得する取得部と、取得した入力情報に基づき、前記人力駆動車に搭載されているデバイスの制御に関する出力情報を出力するように学習される第１学習モデルを記憶する記憶部と、前記第１学習モデルに前記入力情報を入力して得られる出力情報に基づき決定した制御データによって前記デバイスを制御する制御部と、前記人力駆動車、および、前記人力駆動車のライダの少なくとも一方が異なる人力駆動車における入力情報によって学習された第２学習モデルを用いて前記記憶部の第１学習モデルを補完する処理を実行する補完処理部とを備える。

上記第１側面の人力駆動車用制御装置によれば、デバイスの制御に用いる第１学習モデルは、他の第２学習モデルを用いて補完される。人力駆動車およびライダの少なくともいずれか一方について個々に学習する場合、未走行のシチュエーションにおける学習は実施されない。他の第２学習モデルを用いて第１学習モデルを補完することにより、未学習の走行シチュエーションにおける入力情報に対しての学習の時間を短縮し、自動制御自体も可能になる。

（２）本発明の第２側面に従う人力駆動車用制御装置は、上記第１側面の人力駆動車用制御装置において、前記補完処理部は、前記記憶部の第１学習モデルの少なくとも一部を前記第２学習モデルによって更新する。

上記第２側面の人力駆動車用制御装置によれば、他の第２学習モデルを用いた補完により、未学習の走行シチュエーションにおける入力情報に対しての学習の時間を短縮し、自動制御自体も可能になる。

（３）本発明の第３側面に従う人力駆動車用制御装置は、上記第１側面の人力駆動車用制御装置において、前記補完処理部は、前記取得部によって取得した入力情報と、前記入力情報を前記第２学習モデルに入力した場合に出力される出力情報とを学習データとして前記第１学習モデルを学習する。

上記第３側面の人力駆動車用制御装置によれば、他の第２学習モデルから出力される出力情報を用いて学習する補完により、未学習の走行シチュエーションにおける入力情報に対しての学習の時間を短縮し、自動制御自体も可能になる。

（４）本発明の第４側面に従う人力駆動車用制御装置は、上記第１側面から第３側面のいずれか１つの人力駆動車用制御装置において、前記第１学習モデルは、互いに異なる複数の走行シチュエーションにおいて前記取得部により取得された入力情報で学習されており、前記補完処理部は、前記第１学習モデルが学習済みの走行シチュエーションとは異なる未学習の走行シチュエーションであって、第２学習モデルが学習済みの走行シチュエーションについて前記第２学習モデルを用い、前記第１学習モデルを補完する。

上記第４側面の人力駆動車用制御装置によれば、走行シチュエーション別に補完される。未学習の走行シチュエーションにおける入力情報に対しての学習の時間を短縮し、自動制御自体も可能になる。

（５）本発明の第５側面に従う人力駆動車用制御装置は、上記第１側面から第３側面のいずれか１つの人力駆動車用制御装置において、前記第１学習モデルは、走行シチュエーション別に記憶された複数の学習モデルを含み、前記補完処理部は、前記複数の学習モデルのうち、前記第１学習モデルが学習済みの走行シチュエーションとは異なる未学習の走行シチュエーションに対応する学習モデルとして、前記未学習の走行シチュエーションを学習済みの第２学習モデルの一部を用いる。

上記第５側面の人力駆動車用制御装置によれば、未学習のシチュエーションの学習モデルを第１学習モデルの学習モデルとして記憶することにより、入力情報に対しての学習の時間を短縮し、自動制御自体も可能になる。

（６）本発明の第６側面に従う人力駆動車用制御装置は、上記第４側面または第５側面の人力駆動車用制御装置において、前記走行シチュエーションは、オンロード、オフロード、および市街地の少なくとも１つに区別される。

上記第６側面の人力駆動車用制御装置によれば、他の第２学習モデルを用いた補完により、オンロード、オフロード、および市街地のうち、未学習の走行シチュエーションにおける入力情報に対しての学習の時間を短縮し、自動制御自体も可能になる。

（７）本発明の第７側面に従う人力駆動車用制御装置は、上記第４側面から第６側面のいずれか１つの人力駆動車用制御装置において、前記走行シチュエーションは、上り、平坦、および下りの少なくとも１つに区別される。

上記第７側面の人力駆動車用制御装置によれば、他の第２学習モデルを用いた補完により、上り、平坦、および下りのうち、未学習の走行シチュエーションにおける入力情報に対しての学習の時間を短縮し、自動制御自体も可能になる。

（８）本発明の第８側面に従う人力駆動車用制御装置は、上記第１側面から第７側面のいずれか１つの人力駆動車用制御装置において、前記補完処理部は、同一の入力情報を入力した場合に出力される出力情報が、前記第１学習モデルに入力した場合に出力される出力情報と類似する第２学習モデルを用いる。

上記第８側面の人力駆動車用制御装置によれば、類似する他の第２学習モデルを用いた補完により、未学習の走行シチュエーションにおける入力情報に対しての学習の時間を短縮し、自動制御自体も可能になる。

（９）本発明の第９側面に従う人力駆動車用制御装置は、上記第８側面の人力駆動車用制御装置において、前記第１学習モデルは、互いに異なる複数の走行シチュエーションにおいて前記取得部により取得された入力情報で学習されており、前記補完処理部は、複数の第２学習モデルのうち、前記第１学習モデルが学習済みの走行シチュエーションにおける入力情報を入力した場合に出力される出力情報が、前記第１学習モデルに前記入力情報を入力した場合に出力される出力情報と類似する第２学習モデルを用いる。

上記第９側面の人力駆動車用制御装置によれば、類似する他の第２学習モデルを用いた補完により、オンロード、オフロード、および市街地のうち、未学習の走行シチュエーションにおける入力情報に対しての学習の時間を短縮し、自動制御自体も可能になる。

（１０）本発明の第１０側面に従う人力駆動車用制御装置は、上記第８側面の人力駆動車用制御装置において、前記第１学習モデルおよび第２学習モデルは、走行シチュエーション別に記憶された複数の学習モデルを含み、前記補完処理部は、複数の第２学習モデルのうち、前記第１学習モデルが学習済みの走行シチュエーションにおける入力情報を入力した場合に出力される出力情報が、前記第１学習モデルに前記入力情報を入力した場合に出力される出力情報と類似する第２学習モデルを用い、前記第２学習モデルに含まれる複数の学習モデルのうち、前記学習済みの走行シチュエーションとは異なる未学習の走行シチュエーションに対応する学習モデルを取得する。

上記第１０側面の人力駆動車用制御装置によれば、他の第２学習モデルに含まれる学習モデルを第１学習モデルの学習モデルとする補完により、未学習の走行シチュエーションにおける入力情報に対しての学習の時間を短縮し、自動制御自体も可能になる。

（１１）本発明の第１１側面に従う人力駆動車用制御装置は、上記第１側面から第７側面のいずれか１つの人力駆動車用制御装置において、前記補完処理部は、同一の入力情報に基づいて決定される制御データが、類似する他の人力駆動車用制御装置にて使用されている第２学習モデルを用いる。

上記第１１側面の人力駆動車用制御装置によれば、類似する制御データを出力する他の第２学習モデルを用いた補完により、未学習の走行シチュエーションにおける入力情報に対しての学習の時間を短縮し、自動制御自体も可能になる。

（１２）本発明の第１２側面に従う人力駆動車用制御装置は、上記第１１側面の人力駆動車用制御装置において、前記第１学習モデルは、互いに異なる複数の走行シチュエーションにおいて前記取得部により取得された入力情報で学習されており、前記補完処理部は、複数の第２学習モデルのうち、前記第１学習モデルで学習済みの走行シチュエーションの入力情報を入力した場合の出力情報に基づき決定される制御データが、前記第１学習モデルに前記入力情報を入力した場合の出力情報に基づき決定される制御データと類似する第２モデルを用いる。

上記第１２側面の人力駆動車用制御装置によれば、類似する制御データを出力する他の第２学習モデルを用いた補完により、未学習の走行シチュエーションにおける入力情報に対しての学習の時間を短縮し、自動制御自体も可能になる。

（１３）本発明の第１３側面に従う人力駆動車用制御装置は、上記第１１側面の人力駆動車用制御装置において、前記第１学習モデルおよび第２学習モデルは、走行シチュエーション別に記憶された複数の学習モデルを含み、前記補完処理部は、複数の第２学習モデルのうち、前記第１学習モデルで学習済みの走行シチュエーションの入力情報を入力した場合の出力情報に基づき決定される制御データが、前記第１学習モデルに前記入力情報を入力した場合の出力情報に基づき決定される制御データと類似する第２学習モデルを用い、前記第２学習モデルに含まれる複数の学習モデルのうち、前記学習済みの走行シチュエーションとは異なる未学習の走行シチュエーションに対する学習モデルを取得する。

上記第１３側面の人力駆動車用制御装置によれば、類似する制御データを出力する他の第２学習モデルに含まれる学習モデルを第１学習モデルの学習モデルとして記憶する補完により、未学習の走行シチュエーションにおける入力情報に対しての学習の時間を短縮し、自動制御自体も可能になる。

（１４）本発明の第１４側面に従う人力駆動車用制御装置は、上記第１側面から第７側面のいずれか１つの人力駆動車用制御装置において、前記補完処理部は、複数の第２学習モデルのうち、前記人力駆動車とタイプおよびサイズの少なくとも１つが、同一または類似する他の人力駆動車における入力情報で学習された第２学習モデルを用いる。

上記第１４側面の人力駆動車用制御装置によれば、人力駆動車のタイプおよびサイズが類似する他の第２学習モデルを用いた補完により、未学習の走行シチュエーションにおける入力情報に対しての学習の時間を短縮し、自動制御自体も可能になる。

（１５）本発明の第１５側面に従う人力駆動車用制御装置は、上記第１側面から第７側面のいずれか１つの人力駆動車用制御装置において、前記補完処理部は、複数の第２学習モデルのうち、前記デバイスと同一または類似する種別および製造者のデバイスを搭載している他の人力駆動車における入力情報で学習された第２学習モデルを用いる。

上記第１５側面の人力駆動車用制御装置によれば、搭載されているデバイスが同一または類似する人力駆動車の第２学習モデルを用いた補完により、未学習の走行シチュエーションにおける入力情報に対しての学習の時間を短縮し、自動制御自体も可能になる。

（１６）本発明の第１６側面に従う人力駆動車用制御装置は、上記第１５側面の人力駆動車用制御装置において、前記デバイスは、変速装置、サスペンション、シートポスト、制動装置、およびアシスト装置の少なくとも１つの種別に識別される。

上記第１６側面の人力駆動車用制御装置によれば、搭載されている変速装置、サスペンション、シートポスト、制動装置、およびアシスト装置が同一または類似する人力駆動車の第２学習モデルを用いた補完により、学習の時間を短縮し、自動制御自体も可能になる。

（１７）本発明の第１７側面に従う人力駆動車用制御装置は、上記第１側面から第７側面のいずれか１つの人力駆動車用制御装置において、前記補完処理部は、複数の第２学習モデルのうち、前記人力駆動車のライダと同一または類似するタイプのライダの人力駆動車における入力情報で学習された第２学習モデルを用いる。

上記第１７側面の人力駆動車用制御装置によれば、ライダのタイプが同一または類似する人力駆動車で学習された他の第２学習モデルを用いた補完により、未学習の走行シチュエーションにおける入力情報に対しての学習の時間を短縮し、自動制御自体も可能になる。

（１８）本発明の第１８側面に従う人力駆動車用制御装置は、上記第１側面から第１７側面のいずれか１つの人力駆動車用制御装置において、前記記憶部に記憶されている第１学習モデルを、他へ送信する。

上記第１８側面の人力駆動車用制御装置によれば、各人力駆動車で学習された第１学習モデルが送信され、他の人力駆動車における第１学習モデルの補完に利用可能となる。

（１９）本発明の第１９側面に従う人力駆動車用制御装置は、上記第１側面から第１８側面のいずれか１つの人力駆動車用制御装置において、前記第２学習モデルは、他の複数の人力駆動車で学習された複数のモデルの重みおよびバイアスの少なくとも一方を含むパラメータを統計処理して得られるモデルである。

上記第１９側面の人力駆動車用制御装置によれば、各人力駆動車で学習された第１学習モデルの重みおよびバイアスの少なくとも一方を含むパラメータを統計処理して得られるモデルが、他の人力駆動車における第１学習モデルの補完に利用可能となる。

（２０）本発明の第２０側面に従う学習方法は、人力駆動車に搭載されるコンピュータが、前記人力駆動車の走行に関する入力情報に基づき、前記人力駆動車に搭載されているデバイスの制御に関する出力情報を出力するように学習される第１学習モデルに対し、前記人力駆動車、および、前記人力駆動車のライダの少なくとも一方が異なる人力駆動車における入力情報によって学習された第２学習モデルを外部から選択し、選択した第２学習モデルを用いて、前記第１学習モデルを補完する処理を実行する。

上記第２０側面の学習方法によれば、他の第２学習モデルを用いて第１学習モデルを補完することにより、未学習の走行シチュエーションにおける入力情報に対しての学習の時間を短縮し、自動制御自体も可能になる。

（２１）本発明の第２１側面に従う人力駆動車の制御方法は、人力駆動車に搭載されるコンピュータが、前記人力駆動車の走行に関する入力情報に基づき、前記人力駆動車に搭載されているデバイスの制御に関する出力情報を出力するように学習される第１学習モデルに対し、前記人力駆動車、および、前記人力駆動車のライダの少なくとも一方が異なる人力駆動車における入力情報によって学習された第２学習モデルを外部から選択し、選択した第２学習モデルを用いて、前記第１学習モデルを補完する処理を実行し、補完語の前記第１学習モデルに、前記入力情報を入力して得られる出力情報に基づき制御データを決定し、決定した制御データによって前記デバイスを制御する。

上記第２１側面の人力駆動車の制御方法によれば、他の第２学習モデルを用いて第１学習モデルを補完することにより、未学習の走行シチュエーションにおける入力情報に対しての学習の時間を短縮し、自動制御自体も可能になる。

（２２）本発明の第２２側面に従うコンピュータプログラムは、人力駆動車に搭載されるコンピュータが、前記人力駆動車の走行に関する入力情報に基づき、前記人力駆動車に搭載されているデバイスの制御に関する出力情報を出力するように学習される第１学習モデルに対し、前記人力駆動車、および、前記人力駆動車のライダの少なくとも一方が異なる人力駆動車における入力情報によって学習された第２学習モデルを外部から選択し、選択した第２学習モデルを用いて、前記第１学習モデルを補完する処理を実行する、処理を実行させる。

上記第２２側面のコンピュータプログラムによれば、他の第２学習モデルを用いて第１学習モデルを補完することにより、未学習の走行シチュエーションにおける入力情報に対しての学習の時間を短縮し、自動制御自体も可能になる。

本発明に関する人力駆動車用制御装置、学習方法、人力駆動車の制御方法、およびコンピュータプログラムによれば、自動制御に用いるモデルの学習に要する時間を短縮し、未学習のシチュエーションにおいても自動制御を実現できる。

第１実施形態における制御装置が適用される人力駆動車の側面図である。 制御装置の構成を説明するブロック図である。 第１学習モデルの一例を説明する図である。 第１学習モデルの他の一例を説明する図である。 第１実施形態の制御装置と情報処理装置とを示す図である。 情報処理装置の構成を説明するブロック図である。 第１実施形態の第１学習モデルの学習方法の一例を示すフローチャートである。 第１実施形態の第１学習モデルを用いた制御処理の一例を示すフローチャートである。 第２実施形態の制御装置の構成を説明するブロック図である。 第３実施形態の第１学習モデルの学習方法の一例を示すフローチャートである 第４実施形態の第１学習モデルの概要図である。 第４実施形態の第１学習モデルの学習方法の一例を示すフローチャートである。 第４実施形態の第１学習モデルの学習方法の一例を示すフローチャートである。 第４実施形態の第１学習モデルを用いた制御処理の一例を示すフローチャートである。 第５実施形態の第１学習モデルを説明する図である。 第５実施形態の第１学習モデルの学習方法の一例を示すフローチャートである。 第５実施形態の第１学習モデルの学習方法の一例を示すフローチャートである。 第５実施形態の補完処理部による処理を説明する図である。 第５実施形態の第１学習モデルを用いた制御処理の一例を示すフローチャートである。 第６実施形態の制御装置と情報処理装置とを示す図である。 第６実施形態の情報処理装置における処理手順の一例を示すフローチャートである。 第６実施形態の第２学習モデルの概要図である。

以下の各実施形態に関する説明は、本発明に関する人力駆動車用制御装置、学習方法、人力駆動車の制御方法、およびコンピュータプログラムが取り得る形態の例示であり、その形態を制限することを意図していない。本発明に関する人力駆動車用制御装置、学習方法、人力駆動車の制御方法、およびコンピュータプログラムは、各実施形態の変形例、および、相互に矛盾しない少なくとも２つの変形例が組み合わせられた形態等のように各実施形態とは異なる形態を取り得る。

以下の各実施形態に関する説明において、前、後、前方、後方、左、右、横、上、および、下等の方向を表す言葉は、ユーザが人力駆動車のサドルに着座した状態における方向を基準として用いられる。

以下の各実施形態において、本発明に関する人力駆動車用制御装置を、制御装置と称して説明する。

（第１実施形態）
図１は、第１実施形態における制御装置１００が適用される人力駆動車１の側面図である。人力駆動車１は、走行のための原動力に関して、少なくとも部分的に人力を用いる車両である。内燃機関または電動機のみを原動力に用いる車両は、本実施形態の人力駆動車１から除外される。人力駆動車１は、例えばマウンテンバイク、ロードバイク、クロスバイク、シティサイクル、電動アシストバイク（ｅ－ｂｉｋｅ）等を含む自転車である。

人力駆動車１は、車両本体１０、ハンドルバー１２、前輪１４、後輪１６、およびサドル１８を備える。人力駆動車１は、駆動機構２０、デバイス３０、操作装置４０、バッテリ５０、およびセンサ６０を備える。

車両本体１０は、フレーム１０Ａ、およびフロントフォーク１０Ｂを備える。前輪１４は、フロントフォーク１０Ｂに回転可能に支持される。後輪１６は、フレーム１０Ａに回転可能に支持される。ハンドルバー１２は、前輪１４の進行方向を変更できるように、フレーム１０Ａに支持される。

駆動機構２０は、クランク２１、第１スプロケットアセンブリ２３、第２スプロケットアセンブリ２５、チェーン２７、および、一対のペダル２９を含む。

クランク２１は、クランク軸２１Ａ、右クランク２１Ｂ、および左クランク２１Ｃを含む。クランク軸２１Ａは、フレーム１０Ａに回転可能に支持される。右クランク２１Ｂおよび左クランク２１Ｃは、それぞれクランク軸２１Ａに連結される。一対のペダル２９の一方は、右クランク２１Ｂに回転可能に支持される。一対のペダル２９の他方は、左クランク２１Ｃに回転可能に支持される。

第１スプロケットアセンブリ２３は、クランク軸２１Ａと一体回転可能に連結されている。第１スプロケットアセンブリ２３は、１または複数のスプロケット２３Ａを含む。第１スプロケットアセンブリ２３は、一例では、外径が異なる複数のスプロケット２３Ａを含む。

第２スプロケットアセンブリ２５は、後輪１６のリアハブに回転可能に支持される。第２スプロケットアセンブリ２５は、１または複数のスプロケット２５Ａを含む。第２スプロケットアセンブリ２５は、一例では、外径が異なる複数のスプロケット２５Ａを含む。

チェーン２７は、第１スプロケットアセンブリ２３のいずれかのスプロケット２３Ａ、および、第２スプロケットアセンブリ２５のいずれかのスプロケット２５Ａに巻き掛けられる。ペダル２９に加えられる人力駆動力によってクランク２１が前転すると、スプロケット２３Ａがクランク２１とともに前転し、スプロケット２３Ａの回転がチェーン２７を介して第２スプロケットアセンブリ２５のスプロケット２５Ａに伝達する。スプロケット２５Ａの回転が、後輪１６を回転させる。チェーン２７の代わりに、ベルトまたはシャフトが用いられてもよい。

制御装置１００は、一例では、人力駆動車１のバッテリ５０、サイクルコンピュータ、ドライブユニット等に搭載される。制御装置１００は、デバイス３０、操作装置４０、バッテリ５０と接続されている。接続形態および制御装置１００の詳細は後述する。

人力駆動車１は、バッテリ５０から供給される電力によって動作し、制御装置１００によって動作が制御されるデバイス３０を備える。デバイス３０は、変速装置３１、サスペンション３３、シートポスト３５、制動装置３７、およびアシスト装置３９を含む。デバイス３０は基本的に、操作装置４０における操作に従った制御装置１００による制御によって動作する。制御装置１００の制御対象は、デバイス３０は、変速装置３１、サスペンション３３、シートポスト３５、制動装置３７、およびアシスト装置３９の少なくとも１つである。

変速装置３１は、クランク２１の回転速度に対する後輪１６の回転速度の比率、即ち、人力駆動車１の変速比を変更する。変速比は、変速装置３１に入力される入力回転速度に対する、変速装置３１が出力する出力回転速度の比率によって表される。変速比を式によって表すと、“変速比＝出力回転速度／入力回転速度”である。第１例では、変速装置３１は、第２スプロケットアセンブリ２５とチェーン２７との連結状態を変更する外装変速機（リアディレーラ）である。第２例では、変速装置３１は、第１スプロケットアセンブリ２３とチェーン２７との連結状態を変更する外装変速機（フロントディレーラ）である。第３例では、後輪１６のハブに設けられる内装変速機である。変速装置３１は、無段変速機であってもよい。

サスペンション３３は、一例では、フロントフォーク１０Ｂに設けられ、前輪１４に加えられた衝撃を減衰するフロントサスペンションである。サスペンション３３は、他の一例では、フレーム１０Ａに設けられ、後輪１６に与えられた衝撃を減衰するリアサスペンションであってもよい。サスペンション３３は、モータを含み、減衰率、ストローク量、およびロックアウト状態とするか否かを含む制御データによって、モータを回転させるか、ロックして制御可能である。サスペンション３３は、内部のオイルの流路を制御するためのバルブ、および電磁弁のいずれか一方を含み、減衰率、ストローク量、およびロックアウト状態とするか否かを含む制御データによって制御されてもよい。

シートポスト３５は、フレーム１０Ａに取り付けられる。シートポスト３５は、モータを含む。シートポスト３５は、モータを含み、サドル１８をフレーム１０Ａに対して上昇させるか、または、下降させる。シートポスト３５は、支持位置を含む制御データによってモータを回転させて制御可能である。

制動装置３７は、前輪１４を制動するように構成されるフロントブレーキ装置３７１と、後輪１６を制動するように構成されるリアブレーキ装置３７２とを含む。フロントブレーキ装置３７１およびリアブレーキ装置３７２は、例えば、キャリパブレーキ装置またはディスクブレーキ装置などをそれぞれ含む。フロントブレーキ装置３７１およびリアブレーキ装置３７２は、キャリパブレーキ装置またはディスクブレーキ装置を動作させるモータ等を含み、制動力を変更可能である。

アシスト装置３９は、人力駆動車１の人力駆動力を助力する装置である。アシスト装置３９は、一例ではドライブユニット内に配置される。アシスト装置３９は、一例ではバッテリ５０に配置される。アシスト装置３９は、モータを含む。アシスト装置３９は、一例では、クランク軸２１Ａおよびフレーム１０Ａとの間に介在し、第１スプロケットアセンブリ２３へトルクを伝達して人力駆動車１への人力駆動力を助力する。アシスト装置３９は、一例では、人力駆動車１の後輪１６に駆動力を伝達するチェーン２７を駆動させて人力駆動車１への人力駆動力を助力する。

操作装置４０は、ハンドルバー１２に設けられる。操作装置４０は、ライダによって操作される操作部４０Ａを含む。操作部４０Ａは、１または複数のボタンを含む。操作部４０Ａは、ブレーキレバーを含む。操作部４０Ａは、左右のハンドルに設けられているブレーキバーを左右に倒すことで操作が可能である。操作部４０Ａとして、ライダが所持する情報端末装置７が用いられてもよい。

操作装置４０は、変速指示装置４０Ｂを含む。変速指示装置４０Ｂは、一例では、操作部４０Ａに含まれる複数のボタンである。変速指示装置４０Ｂは、他の例では、ブレーキバーに取り付けられた装置である。ライダが変速指示装置４０Ｂに対しブレーキバーを倒すか、複数のボタンのいずれかを押下するといった操作の都度、変速装置３１に対するマニュアル操作、変速比のアップ、あるいは変速比のダウンが可能である。

操作装置４０は、サスペンション指示装置４０Ｃを含む。サスペンション指示装置４０Ｃは、例えば操作部４０Ａに含まれるボタンである。サスペンション指示装置４０Ｃに対応するボタンの押下により、サスペンションの減衰率、ストローク等の制御データの設定が可能である。

操作装置４０は、シートポスト指示装置４０Ｄを含む。シートポスト指示装置４０Ｄは、例えば操作部４０Ａに含まれるボタンである。シートポスト指示装置４０Ｄに対応するボタンの押下により、サドル３５１の上昇および下降が可能である。

操作装置４０は、制動指示装置４０Ｅを含む。制動指示装置４０Ｅは、ブレーキレバーである。ブレーキレバーの操作により、制動装置３７のキャリパブレーキ装置またはディスクブレーキ装置を動作させることが可能である。

操作装置４０は、アシスト指示装置４０Ｆを含む。アシスト指示装置４０Ｆは例えば、操作部４０Ａに含まれるボタンである。アシスト指示装置４０Ｆに対応するボタンの押下により、アシストのモードを複数の段階（高／中／低）からいずれかの設定が可能である。

操作装置４０は、操作に応じた信号を制御装置１００へ送信できるように、制御装置１００と通信接続される。操作装置４０は、操作に応じた信号を直接的に変速装置３１、サスペンション３３、シートポスト３５、制動装置３７およびアシスト装置３９へ操作に応じた信号を出力できるように、通信接続されてもよい。第１例では、操作装置４０は、通信線、または、ＰＬＣ（Power Line Communication）が可能な電線によって制御装置１００と通信する。操作装置４０は、通信線、または、ＰＬＣが可能な電線によって変速装置３１、サスペンション３３、シートポスト３５、制動装置３７、アシスト装置３９および制御装置１００と通信してもよい。第２例では、操作装置４０は、無線通信によって制御装置１００と通信する。操作装置４０は、無線通信によって変速装置３１、サスペンション３３、シートポスト３５、制動装置３７、アシスト装置３９および制御装置１００と通信してもよい。

操作装置４０は、動作状態を報知する報知部を備えてもよい。操作装置４０は、変速装置３１、サスペンション３３、シートポスト３５、制動装置３７およびアシスト装置３９に対する制御状態を、ランプ、ディスプレイ、スピーカ等によってライダへ報知してもよい。

バッテリ５０は、バッテリ本体５１およびバッテリホルダ５３を含む。バッテリ本体５１は、１または複数のバッテリセルを含む蓄電池である。バッテリホルダ５３は、人力駆動車１のフレーム１０Ａに固定される。バッテリ本体５１は、バッテリホルダ５３に着脱可能である。バッテリ５０は、デバイス３０、操作装置４０および制御装置１００に電気的に接続され、必要に応じて電力を供給する。バッテリ５０は、制御装置１００と通信するための制御部を含むことが好ましい。制御部は、ＣＰＵを用いたプロセッサを含むことが好ましい。

人力駆動車１は、ライダの状態、走行環境を含む走行に関する情報を取得するためのセンサ６０を各所に備える。センサ６０は、速度センサ６１、加速度センサ６２、トルクセンサ６３、ケイデンスセンサ６４、ジャイロセンサ６５、着座センサ６６、カメラ６７、および位置情報センサ６８を含む。

速度センサ６１は、例えば、前輪１４に設けられ、前輪１４の単位時間当たりの回転数に対応する信号を制御装置１００へ送信する。速度センサ６１の出力に基づいて、制御装置１００は、人力駆動車１の車速および移動距離を算出できる。

加速度センサ６２は、例えば、フレーム１０Ａに固定される。加速度センサ６２は、フレーム１０Ａを基準として三軸（前後方向、左右方向、上下方向）の人力駆動車１の振動を出力するセンサであり、人力駆動車１の動きおよび振動を検出するために設けられている。加速度センサ６２は、動きおよび振動の大きさに対応する信号を制御装置１００へ送信する。

トルクセンサ６３は、例えば、右クランク２１Ｂおよび左クランク２１Ｃに掛かるトルクをそれぞれ測定するように設けられる。トルクセンサ６３は、右クランク２１Ｂおよび左クランク２１Ｃの少なくとも一方において測定されたトルクに対応する信号を制御装置１００へ送信する。

ケイデンスセンサ６４は、例えば、右クランク２１Ｂおよび左クランク２１Ｃのいずれかのケイデンスを測定するように設けられる。ケイデンスセンサ６４は、測定したケイデンスに対応する信号を制御装置１００へ送信する。

ジャイロセンサ６５は、例えば、フレーム１０Ａに固定される。ジャイロセンサ６５は人力駆動車１のヨー、ロール、ピッチの回転を検出するために設けられている。ジャイロセンサ６５は、三軸それぞれの回転量に対応する信号を制御装置１００へ送信する。ヨーは、上下方向軸まわりの回転である。ロールは、前後方向軸まわりの回転である。ピッチは、左右方向軸まわりの回転である。

着座センサ６６は、サドル３５１の内面に、サドル３５１にライダが着座しているか否かを測定するように設けられる。着座センサ６６は、例えば圧電センサを用い、サドル３５１に掛けられる重みに対応する信号を制御装置１００へ送信する。

カメラ６７は、フロントフォーク１０Ｂに前方を向けて設けられる。第１例では、フロントフォーク１０Ｂにライトと共に前方に向けて設けられる。第２例では、ハンドルバー１２に設けられる。カメラ６７は、カメラモジュールを用いてユーザの視界に対応する映像を出力する。カメラ６７は、進行方向に存在する物を撮影した映像信号を出力する。

位置情報センサ６８は、例えば、フレーム１０Ａに固定される。位置情報センサ６８は、人力駆動車１の位置に関する情報を検出するために設けられている。例えば、位置情報センサ６８は、人力駆動車１の地球上の経度、および緯度に関する情報を検出するために設けられている。例えば、位置情報センサ６８は、ＧＰＳセンサである。位置情報センサ６８は、人力駆動車１の位置に関する情報に対応する信号を制御装置１００へ送信する。

センサ６０は、速度センサ６１、加速度センサ６２、トルクセンサ６３、ケイデンスセンサ６４、ジャイロセンサ６５、着座センサ６６、カメラ６７、および位置情報センサ６８を全て含まなくともよい。

図２は、制御装置１００の構成を説明するブロック図である。制御装置１００は、制御部１１０、および記憶部１１２を備える。

制御部１１０は、ＣＰＵを用いたプロセッサである。制御部１１０は、内蔵するＲＯＭ（Read Only Memory）およびＲＡＭ（Random Access Memory）等のメモリを用いる。制御部１１０は、デバイス制御部１１６と、補完処理部１１８とで、機能を分別して処理を実行する。

デバイス制御部１１６は、人力駆動車の走行に関する入力情報をセンサ６０から取得する。デバイス制御部１１６は、デバイス制御プログラム１０Ｐに従って、後述の第１学習モデル１１Ｍに取得した入力情報を入力して得られる出力情報に基づき決定した制御データによってデバイス３０を制御する。デバイス制御部１１６は、デバイス制御プログラム１０Ｐに従って、決定した制御データに基づいて人力駆動車１に搭載されている制御対象の動作、制御対象への給電、および制御対象との通信を制御する。

補完処理部１１８は、補完処理プログラム１２Ｐに従って記憶部１１２に記憶されている第１学習モデル１１Ｍを、人力駆動車１、および、人力駆動車１のライダの少なくとも一方が異なる人力駆動車における入力情報によって学習された第２学習モデルを用いて補完する処理を実行する。

制御部１１０は、後述する第１学習モデル１１Ｍを用いてデバイス制御部１１６の機能によりデバイス３０を自動制御するモードと、第１学習モデル１１Ｍの学習モードとの異なる制御状態で処理を実行する。制御部１１０は、第１学習モデル１１Ｍの精度が一定の精度に達するまで、基本的には操作装置４０に対する操作に基づく学習モードの処理を実行する。制御部１１０は、第１学習モデル１１Ｍの精度が一定の精度に達すると、基本的に、第１学習モデル１１Ｍを用いた自動制御モードの処理を実行しつつ、補完処理部１１８によって第１学習モデル１１Ｍを補完する。

記憶部１１２は、例えば、フラッシュメモリ等の不揮発性メモリを含む。記憶部１１２は、デバイス制御プログラム１０Ｐおよび補完処理プログラム１２Ｐを記憶する。デバイス制御プログラム１０Ｐおよび補完処理プログラム１２Ｐはそれぞれ、非一時記憶媒体９００に記憶されたデバイス制御プログラム９０Ｐおよび補完処理プログラム９２Ｐを、制御部１１０が読み出して記憶部１１２に複製したものであってもよい。

記憶部１１２は、第１学習モデル１１Ｍを記憶している。第１学習モデル１１Ｍについては詳細を後述する。第１学習モデル１１Ｍも、非一時記憶媒体９００に記憶された第１学習モデル９１Ｍを、制御部１１０が読み出して記憶部１１２に複製したものであってもよい。

制御部１１０（デバイス制御部１１６および補完処理部１１８）は、制御対象と通信を行なう。この場合、制御部１１０自体が制御対象向けの通信部（図示せず）を有してもよいし、制御部１１０が制御装置１００内部に設けられる制御対象向けの通信部と接続されてもよい。制御部１１０は、制御対象または通信部と通信を行なうための接続部を有することが好ましい。

制御部１１０は、ＰＬＣおよびＣＡＮ通信の少なくとも１つによって制御対象と通信を行なうことが好ましい。制御部１１０が制御対象と行なう通信は、有線通信に限らず、ＡＮＴ（登録商標）、ＡＮＴ＋（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＷｉＦｉ（登録商標）、ＺｉｇＢｅｅ（登録商標）等の無線通信でもよい。

制御部１１０は、信号線を介してセンサ６０と接続される。制御部１１０は、信号線を介してセンサ６０によって出力される信号から、人力駆動車１の走行に関する入力情報を取得する。

制御部１１０は、後述する情報処理装置８と、アンテナを有する無線通信デバイス１１４を介して通信し得る。無線通信デバイス１１４は、制御装置１００に内蔵されていてもよい。無線通信デバイス１１４は、所謂インターネットを介した通信を実現するデバイスである。無線通信デバイス１１４は、ＡＮＴ（登録商標）、ＡＮＴ＋（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標） 、ＷｉＦｉ（登録商標）、ＺｉｇＢｅｅ（登録商標）、ＬＴＥ（Long Term Evolution）等の無線通信用のデバイスでもよい。無線通信デバイス１１４は、３Ｇ、４Ｇ、５Ｇ、ＬＴＥ（Long Term Evolution）、ＷＡＮ（Wide Area Network）、ＬＡＮ（Local Area Network）、インターネット回線、専用回線、衛星回線等の通信ネットワークに準拠してもよい。

このように構成される制御装置１００による制御内容を説明する。制御装置１００の制御部１１０は、デバイス制御部１１６の機能により、デバイス制御プログラム１０Ｐに従って、後述の第１学習モデル１１Ｍに取得した入力情報を入力して得られる出力情報に基づき決定した制御データによってデバイス３０を自動制御する。第１実施形態において制御部１１０は、デバイス制御部１１６により、入力情報を第１学習モデル１１Ｍに入力して得られる情報に基づき、変速装置３１を自動制御する。

図３は、第１学習モデル１１Ｍの一例を説明する図である。第１学習モデル１１Ｍは、ニューラルネットワーク（以下ＮＮ：Neural Network）を用いた教師ありの深層学習により学習される学習モデルである。第１学習モデル１１Ｍは、リカレントニューラルネットワーク（Recurrent Neural Network）により学習されるモデルであってもよい。図３に示す第１学習モデル１１Ｍは、センサ６０により取得される人力駆動車１の走行に関する入力情報を入力した場合に、変速装置３１に対して指示する変速比を再現するように学習される。

第１学習モデル１１Ｍは、センサ６０で得られる人力駆動車１の走行に関する入力情報が入力される入力層１１１を含む。第１学習モデル１１Ｍは、人力駆動車１の変速装置３１の制御に関する出力情報を出力する出力層１１５を含む。第１学習モデル１１Ｍは、入力層１１１および出力層１１５の中間に位置する１または複数の層からなるノード群を含み、出力情報に関して操作装置４０にて受け付けた操作内容を含む学習データに基づいて学習される中間層１１３を含む。中間層１１３のノードはそれぞれ、前段の層のノードとの関係において重みおよびバイアスの少なくとも一方を含むパラメータを持つ。制御部１１０は、補完処理部１１８の一部の学習機能に基づき、実際の変速装置３１に指示された変速比を、対応する入力情報にラベル付けすることにより学習データを作成する。制御部１１０は、作成した学習データを入力層１１１に入力し、出力層１１５から出力される変速比と、実際にライダから指示された変速比との誤差を小さくするように、中間層１１３における各パラメータを学習する。これにより、センサ６０から得られる入力情報に応じて、ライダが、人力駆動車１の速度、加速度、道路の種別といったシチュエーションに応じて変速装置３１に対して指示する変速比を再現する第１学習モデル１１Ｍが学習される。

図４は、第１学習モデル１１Ｍの他の一例を説明する図である。図４に示す第１学習モデル１１Ｍは、図３に示した例と同様に、ＮＮを用いた教師ありの深層学習により学習される学習モデルである。第１学習モデル１１Ｍは、センサ６０により取得される人力駆動車１の走行に関する入力情報を入力した場合に、変速装置３１に対して指示する確率を出力するように学習される。

第１学習モデル１１Ｍは、入力層１１１、中間層１１３および出力層１１５を含む。他の一例の第１学習モデル１１Ｍは、変速装置３１へ変速比の変更を指示したか否かを、その入力情報にラベル付けすることにより学習データを作成する。制御部１１０は、作成した学習データを入力層１１１に入力し、出力層１１５から出力される確率と、実際にライダから指示されたか否かの結果との誤差を小さくするように、中間層１１３における各パラメータを学習する。これにより、センサ６０から得られる入力情報に応じて、ライダが、人力駆動車１の速度、加速度、道路の種別といったシチュエーションに応じて変速装置３１に対して指示する確率を出力する第１学習モデル１１Ｍが学習される。

人力駆動車１では、デバイス制御部１１６は、第１学習モデル１１Ｍから出力される出力情報を用い、変速装置３１を制御する。図３に示した第１学習モデル１１Ｍを用いる場合、制御部１１０は、第１学習モデル１１Ｍから出力される変速比に基づき、変速装置３１で変速を実施できる。図４に示した第１学習モデル１１Ｍを用いる場合、制御部１１０は、第１学習モデル１１Ｍから出力される確率に基づき、変速装置３１の変速比を変更できる。

第１学習モデル１１Ｍは、人力駆動車１が出荷される前の段階で、汎用的な学習データを用い、入力情報に対して図３または図４に示したような出力情報を出力するように学習されている。出荷後の人力駆動車１では、制御装置１００は、学習モードで運転し、ライダの嗜好、ライダの特性に合わせて、制御部１１０は第１学習モデル１１Ｍの学習を進める。ただし、人力駆動車１が走行していない環境における変速装置３１に対する制御データをライダに最適化させるための学習は、不足している。そこで、第１実施形態において制御装置１００は、補完処理部１１８により、人力駆動車１、および、人力駆動車１のライダの少なくとも一方が異なる他の人力駆動車における入力情報によって学習された第２学習モデルを用いて第１学習モデル１１Ｍを補完する。

補完に用いられる第２学習モデルは、他の人力駆動車１、または他のライダについて学習された学習モデルであり、各人力駆動車１に対応する制御装置１００から情報処理装置８に収集されたものである。

図５は、第１実施形態の制御装置１００と情報処理装置８とを示す図である。第１実施形態の制御装置１００は、図５に示すように、情報処理装置８と通信ネットワークＮを介して互いに通信可能である。通信ネットワークＮは、３Ｇ、４Ｇ、５Ｇ、ＬＴＥ、ＷＡＮ、ＬＡＮ、インターネット回線、専用回線、衛星回線等の通信回線や基地局等の通信設備により構成される。制御装置１００は、通信ネットワークＮを介して情報処理装置８と通信可能に構成される情報端末装置７を用いてもよい。情報端末装置７は、例えば、人力駆動車１のライダが用いるスマートフォンやサイクルコンピュータ等であり、ライダの指示を入力したり、ライダに対して情報を出力したりするユーザインタフェースとしても機能し得る。

情報処理装置８は、複数の第２学習モデル８２Ｍを記憶した記憶部８０２を備えている。制御装置１００は、情報処理装置８との通信により、複数の第２学習モデル８２Ｍのいずれかを利用できる。

図６は、情報処理装置８の構成を説明するブロック図である。情報処理装置８は、制御部８００、記憶部８０２、および、通信部８０４を備える。

制御部８００は、ＣＰＵを用いたプロセッサである。制御部８００は、ＧＰＵ（Graphics Processing Unit）を用いてもよい。制御部８００は、ＣＰＵおよびＧＰＵを用いてもよい。制御部８００は、内蔵するＲＯＭおよびＲＡＭ等のメモリを用い、制御装置１００との間でデータを送受信し、

制御部８００は、ＦＰＧＡ（Field Programmable Gate Array ）、ＤＳＰ（Digital Signal Processor）、量子プロセッサ、揮発性または不揮発性のメモリ等を備える１または複数の処理回路であってもよい。

記憶部８０２は、ハードディスク、ＳＳＤ（Solid State Drive ）等の大容量不揮発性メモリである。記憶部８０２は、複数の人力駆動車１から収集した複数の第２学習モデル８２Ｍを、第２学習モデル８２Ｍをそれぞれ識別するモデル識別データと対応付けて記憶する。

記憶部８０２は、第２学習モデル８２Ｍのモデル識別データに、学習された人力駆動車１および人力駆動車１のライダの少なくとも一方を識別するデータに対応付けて記憶する。記憶部８０２は、人力駆動車１およびライダの少なくとも一方を識別するデータに対応付けて、人力駆動車１のスペック、ライダのタイプを格納するモデルデータベース８２２を含む。これにより、制御部８００は、第２学習モデル８２Ｍが、どのような入力情報に対して学習されたかを判別できる。

通信部８０４は、ネットワークＮを介した制御装置１００との通信を行なう通信デバイスである。通信部８０４は、３Ｇ、４Ｇ、５Ｇ、ＬＴＥ、ＷＡＮ、ＬＡＮ、インターネット回線、専用回線、衛星回線等の通信ネットワークに準拠する。制御部８００は、通信部８０４を介して制御装置１００との間でデータを送受信する。

このように構成される制御装置１００および情報処理装置８により、制御装置１００は、第２学習モデル８２Ｍを用いて補完された第１学習モデル１１Ｍを用いて、変速装置３１を制御する。

図７は、第１実施形態の第１学習モデル１１Ｍの学習方法の一例を示すフローチャートである。制御装置１００は、学習モードにおいて以下の処理を実行する。

制御装置１００の制御部１１０は、センサ６０から人力駆動車１の走行に関する入力情報を取得し、記憶する（ステップＳ１０１）。制御部１１０は、走行中に複数時点でステップＳ１０１の処理を実行する。

ステップＳ１０１において制御部１１０は、速度センサ６１、加速度センサ６２、トルクセンサ６３、ケイデンスセンサ６４、ジャイロセンサ６５、着座センサ６６、およびカメラ６７の少なくとも１つからデータを取得する。

制御部１１０は、取得した人力駆動車１の走行に関する入力情報を、第１学習モデル１１Ｍへ入力し（ステップＳ１０３）、第１学習モデル１１Ｍから出力される出力情報を取得する（ステップＳ１０５）。

制御部１１０は、ステップＳ１０５で取得した出力情報と、ステップＳ１０１で取得した入力情報に対応する実際のライダによる変速指示装置４０Ｂに対する操作内容との対比に基づき、未学習のシチュエーションであるか否かを判断する（ステップＳ１０７）。

未学習のシチュエーションであると判断された場合（Ｓ１０７：ＹＥＳ）、制御部１１０は、無線通信デバイス１１４により情報処理装置８へ第２学習モデル８２Ｍのリクエストを送信する（ステップＳ１０９）。

情報処理装置８は、第２学習モデル８２Ｍのリクエストを受信すると（ステップＳ８０１）、制御部８００は、リクエスト元の制御装置１００の人力駆動車１の識別データを特定する（ステップＳ８０３）。

制御部８００は、情報処理装置８で記憶されている複数の第２学習モデル８２Ｍのうち、リクエスト元の制御装置１００の人力駆動車１およびライダの少なくとも一方と類似する人力駆動車またはライダに対応する第２学習モデル８２Ｍを抽出する（ステップＳ８０５）。

ステップＳ８０５において制御部８００は、第１例として、複数の第２学習モデル８２Ｍのうち、リクエスト元の制御装置１００の人力駆動車１とタイプおよびサイズの少なくとも１つが、同一または類似する他の人力駆動車１において学習された第２学習モデルを抽出する。制御部８００は例えば、リクエスト元の制御装置１００が搭載されている人力駆動車１の種別がマウンテンバイクである場合、モデルデータベース８２２を参照し、マウンテンバイクである他の人力駆動車１の識別データが対応付けられている第２学習モデル８２を抽出する。

ステップＳ８０５において制御部８００は、第２例として、複数の第２学習モデル８２Ｍのうち、リクエスト元の制御装置１００の人力駆動車１に搭載されているデバイス３０と同一または類似する種別および製造者のデバイス３０を搭載している他の人力駆動車１において学習された第２学習モデル８２を抽出する。デバイス３０は、制御対象の変速装置３１のみならず、サスペンション３３、シートポスト３５、制動装置３７、およびアシスト装置３０の少なくとも１つであってよい。制御部８００は、モデルデータベース８２２を参照し、変速装置３１、サスペンション３３、シートポスト３５、制動装置３７、およびアシスト装置３９の少なくとも１つが同一または類似する人力駆動車１において学習された第２学習モデル８２Ｍを抽出する。

ステップＳ８０５において制御部８００は、第３例として、複数の第２学習モデル８２Ｍのうち、リクエスト元の制御装置１００の人力駆動車１のライダと同一または類似するタイプのライダの人力駆動車１において学習された第２学習モデル８２Ｍを抽出する。制御部８００は、モデルデータベース８２２を参照し、高ケイデンス高トルクタイプ、高ケイデンス低トルクタイプ、低ケイデンス高トルクタイプ、低ケイデンス低トルクタイプ等に分類されるライダの識別データに基づき、類似するタイプのライダが乗る人力駆動車１において学習された第２学習モデル８２Ｍを抽出する。

制御部８００は、第１例から第３例までの方法のうち、１つの方法で複数の第２学習モデル８２Ｍを抽出してもよいし、２つの方法または３つの方法を組み合わせて複数の第２学習モデル８２Ｍを抽出してもよい。

制御部８００は、ステップＳ８０５において、抽出した複数の第２学習モデル８２Ｍを、類似度でソートし所定数の第２学習モデル８２Ｍに絞り込んでもよい。類似度は、例えば、同一である項目が多いほど高くなるように算出される。

制御部８００は、抽出された複数の第２学習モデル８２Ｍの候補を、通信部８０４から制御装置１００へ送信する（ステップＳ８０７）。

制御部１１０は、情報処理装置８から、人力駆動車１およびライダの少なくとも一方が異なる他の人力駆動車１における入力情報によって学習された第２学習モデル８２Ｍの複数の候補を受信する（ステップＳ１１１）。制御部１１０は、複数の候補から第２学習モデル８２Ｍを選択する（ステップＳ１１３）。

ステップＳ１１３において制御部１１０は、第１例では、複数の候補のうち、ステップＳ１０１で取得した入力情報を入力した場合に出力される出力情報が、実際のライダによる変速指示装置４０Ｂに対する操作内容と最も近い第２学習モデル８２を選択する。

ステップＳ１１３において制御部１１０は、第２例では、複数の候補のうち、同一の入力情報を入力した場合に得られる出力情報からデバイス制御部１１６が決定する制御データが、類似する第２学習モデル８２Ｍを選択する。より具体的には、制御部１１０は、ステップＳ１０１で取得した入力情報を第２学習モデル８２Ｍの候補それぞれに入力する。制御部１１０は、第２学習モデル８２Ｍの候補それぞれから出力される出力情報に基づいてデバイス制御部１１６が決定する制御データのうち、実際のライダによる変速指示装置４０Ｂに対する操作内容と最も類似する制御データを決定する。制御部１１０は、決定した制御データの元となる出力情報を出力した第２学習モデル８２を選択する。

ステップＳ１１３において制御部１１０は、第３例では、受信した複数の候補から１つ任意に選択してもよい。

制御部１１０は、第１学習モデル１１Ｍの少なくとも一部を、ステップＳ１１３で選択した第２学習モデル８２Ｍによって更新することによって補完処理を実行する（ステップＳ１１５）。ステップＳ１１５において制御部１１０は、第１学習モデル１１Ｍの全部を、選択した第２学習モデル８２Ｍで置き換えてもよい。ステップＳ１１５において制御部１１０は、選択した第２学習モデル８２Ｍのパラメータで、第１学習モデル１１Ｍの一部のパラメータを更新してもよい。

制御部１１０は、補完後の第１学習モデル１１Ｍを、ステップＳ１０１で取得した入力情報に、これに対応する実際のライダによる変速指示装置４０Ｂに対する操作内容をラベル付けした学習データにより再学習し（ステップＳ１１７）、処理を終了する。

制御部１１０は、ステップＳ１０７において、未学習のシチュエーションでないと判断された場合（Ｓ１０７：ＮＯ）、制御部１１０は、学習済みの第１学習モデル１１Ｍを、無線通信デバイス１１４から情報処理装置８へ送信する（ステップＳ１１９）。ステップＳ１１９

情報処理装置８は、学習された第１学習モデル１１Ｍを受信し（ステップＳ８０９）、第２学習モデル８２Ｍとして記憶部８０２に記憶し（ステップＳ８１１）、処理を終了する。

図７のフローチャートに示した処理手順は、人力駆動車１の走行中に限らず、ステップＳ１０１で記憶した入力情報に基づき、一回の旅程が終了する都度に実行されてもよい。図７のフローチャートに示した処理手順により、未学習であると判断された第１学習モデル１１Ｍは、第２学習モデル８２Ｍによって補完される。これにより、次にステップＳ１０７で未学習のシチュエーションであると判断される可能性が低く、未学習のシチュエーションであっても、第１学習モデル１１Ｍを自動制御に用いることができる。

図８は、第１実施形態の第１学習モデル１１Ｍを用いた制御処理の一例を示すフローチャートである。制御装置１００は、制御モードにおいて以下の処理を繰り返し実行する。

制御装置１００の制御部１１０は、センサ６０から人力駆動車１の走行に関する入力情報を取得し（ステップＳ２０１）、

制御部１１０は、取得した人力駆動車１の走行に関する入力情報を、第１学習モデル１１Ｍへ入力し（ステップＳ２０３）、第１学習モデル１１Ｍから出力される出力情報を取得する（ステップＳ２０５）。

制御部１１０は、ステップＳ２０５で取得した出力情報に基づき、デバイス制御部１１６によって変速装置３１の制御データを決定する（ステップＳ２０７）。ステップＳ２０７において制御部１１０は、変速比そのものを決定してもよいし、変速させるか否かを決定してもよい。

制御部１１０は、決定した制御データによって変速装置３１を制御し（ステップＳ２０９）、処理を終了する。制御部１１０は、ステップＳ２０１－Ｓ２０９の処理を繰り返し実行する。

第１実施形態の制御装置１００の処理により、未学習の走行シチュエーションに対しても第２学習モデル８２Ｍを用いて第１学習モデル１１Ｍの学習を進め、学習に要する時間を短縮できる。制御装置１００の処理により、未学習の走行シチュエーションに対しても第２学習モデル８２Ｍを用いて第１学習モデル１１Ｍを補完し、未学習のシチュエーションにおいても自動制御を実現できる。

（第２実施形態）
第２実施形態では、変速装置３１以外の、サスペンション３３、シートポスト３５、制動装置３７およびアシスト装置３９それぞれも含めて制御対象とする。第２実施形態では、第１学習モデル１１Ｍに基づく制御対象は、変速装置３１、サスペンション３３、シートポスト３５、制動装置３７およびアシスト装置３９の少なくとも１つであればよい。

第２実施形態では、制御対象ごとに、第１学習モデル１１Ｍが別途学習される。図９は、第２実施形態の制御装置１００の構成を説明するブロック図である。図９では、制御装置１００のみの構成を説明しており、制御装置１００に接続されるデバイス３０、操作装置４０、およびセンサ６０の図示を省略している。

制御装置１００の記憶部１１２には、変速装置３１の制御に用いる第１学習モデル１１Ｍ、サスペンション３３の制御に用いる第１学習モデル１３Ｍが記憶されている。記憶部１１２には、シートポスト３５の制御に用いる第１学習モデル１５Ｍ、制動装置３７の制御に用いる第１学習モデル１７Ｍ、アシスト装置３９の制御に用いる第１学習モデル１９Ｍが記憶されている。

第１学習モデル１１Ｍ、第１学習モデル１３Ｍ、第１学習モデル１５Ｍ、第１学習モデル１７Ｍ、および第１学習モデル１９Ｍは、非一時記憶媒体９００に記憶された第１学習モデル９１Ｍ、第１学習モデル９３Ｍ、第１学習モデル９５Ｍ、第１学習モデル９７Ｍ、第１学習モデル９９Ｍを複製したものであってもよい。

第２実施形態の制御装置１００の制御部１１０は、第１実施形態で変速装置３１を対象として実行した図８のフローチャートに示した処理手順および第９のフローチャートに示した処理手順を、デバイス３０ごとに実行する。

これにより、制御装置１００は、サスペンション３３、シートポスト３５、制動装置３７およびアシスト装置３９の少なくとも１つを制御対象として、未学習の走行シチュエーションに対しても第２学習モデル８２Ｍを用いて第１学習モデル１１Ｍ，１３Ｍ，１５Ｍ，１７Ｍ，１９Ｍそれぞれの学習を進める。いずれのデバイス３０の制御についても、学習に要する時間を短縮できる。

（第３実施形態）
第３実施形態では、未学習であると判断された場合の学習方法が異なる。第３実施形態の制御装置１００の構成は、以下に説明する学習方法の処理手順の詳細以外、第１実施形態の制御装置１００の構成と同様である。第３実施形態の制御装置１００の構成のうち、第１実施形態の制御装置１００と共通する構成については同一の符号を付して詳細な説明を省略する。

図１０は、第３実施形態の第１学習モデル１１Ｍの学習方法の一例を示すフローチャートである。制御部１１０は、第１実施形態で示した図７のフローチャートの処理手順を実行し、情報処理装置８から複数の第２学習モデル８２Ｍを受信し（Ｓ１１１）、いずれかを選択し（ステップＳ１１３）、以下に示すように第１学習モデル１１Ｍを補完する。

制御部１１０は、選択した第２学習モデル８２Ｍを記憶部１１２に記憶する（ステップＳ５０１）。制御部１１０は、ステップＳ１０１で取得し、記憶してある入力情報を、選択した第２学習モデル８２Ｍへ入力する（ステップＳ５０３）。制御部１１０は、第２学習モデル８２Ｍから出力される出力情報を取得する（ステップＳ５０５）。

制御部１１０は、入力情報と出力情報とを対応付けて学習データとして記憶する（ステップＳ５０７）。制御部１１０は、記憶してある学習データを用いて第１学習モデル１１Ｍを学習し（ステップＳ５０９）、学習処理を終了する。

第３実施形態で制御装置１００は、図１０に示したように、制御部１１０が取得した入力情報と、前記入力情報を前記第２学習モデル８２Ｍに入力した場合に出力される出力情報とを学習データとして前記第１学習モデル１１Ｍを学習する。

人力駆動車１の制御装置１００で学習が不足しているシチュエーションにおいても、学習済みの第２学習モデル８２Ｍを用いて制御ができ、第２学習モデル８２Ｍを用いて学習データを作成して第１学習モデル１１Ｍを学習することができる。未学習のシチュエーションについての学習時間を短縮できる。

（第４実施形態）
第４実施形態の制御装置１００の構成は、第１学習モデル１１Ｍの構成、および第１学習モデル１１Ｍを用いた処理手順の詳細以外、第１実施形態の制御装置１００と同様である。第４実施形態の制御装置１００の構成のうち、第１実施形態の制御装置１００と共通する構成については同一の符号を付して詳細な説明を省略する。

図１１は、第４実施形態の第１学習モデル１１Ｍの概要図である。第４実施形態においても第１学習モデル１１Ｍは、ＮＮを用いた教師ありの深層学習により学習される学習モデルである。第４実施形態の第１学習モデル１１Ｍは、互いに異なる複数の走行シチュエーションにおいて取得された入力情報で学習されている。走行シチュエーションは、オンロード、オフロード、および市街地の少なくとも１つに区別される。走行シチュエーションは、上り、平坦、および下りの少なくとも１つに区別される。以下の説明において、走行シチュエーションは、オンロードの上り、オンロードの平坦な道、オンロードの下り、オフロードの上り、オフロードな平坦な道、オフロードの下り、市街地の上り、市街地の平坦な道、市街地の下り、の計９つの走行シチュエーションに区別される。走行シチュエーションは、９つに区別されることに限定されない。走行シチュエーションは、上記の区別に限定されない。走行シチュエーションは、例えば、発進時、加速時、減速時、および停止時のような加減速に関する走行シチュエーションによって区別されてもよい。走行シチュエーションは、例えば、直進時、カーブ進入時、カーブ退出時、交差点進入時、および幅員が減少する道への進入時のような道路形状に関する走行シチュエーションによって区別されてもよい。走行シチュエーションは、例えば、周囲に乗り物がいない時、後ろから車が接近している時、他の人力駆動車と一緒に走行している時、および他の人力駆動車を追い抜こうとしている時のような他の乗り物に関する走行シチュエーションによって区別されてもよい。

第１学習モデル１１Ｍは、センサ６０で得られる人力駆動車１の走行に関する入力情報と、シチュエーションを示すデータとが入力される入力層１１１を含む。それ以外の構成は、第１実施形態で説明した第１学習モデル１１Ｍと同様である。以下の説明において、第１学習モデル１１Ｍは、センサ６０により取得される人力駆動車１の走行に関する入力情報と、走行シチュエーションを示すデータを入力した場合に、デバイス３０の１つとして変速装置３１に対して指示する変速比を再現するように学習される。

第４実施形態において制御部１１０は、補完処理部１１８の一部の学習機能に基づき、実際の変速装置３１に指示された変速比を、対応する入力情報にラベル付けすることにより学習データを作成する。制御部１１０は、作成した学習データと、センサ６０から得られる情報に基づき判定される走行シチュエーションとを入力層１１１に入力し、出力層１１５から出力される変速比と、実際にライダから指示された変速比との誤差を小さくするように、中間層１１３における各パラメータを学習する。これにより、センサ６０から得られる入力情報に応じて、ライダが、人力駆動車１の走行シチュエーションと、その走行シチュエーションにおける速度、加速度等に応じて変速装置３１に対して指示する変速比を再現する第１学習モデル１１Ｍが学習される。

図１１の第１学習モデル１１Ｍは、デバイス３０の制御に関する出力情報として、変速装置３１の制御データの数値を出力するものとした。第４実施形態においても、第１学習モデル１１Ｍの出力層１１５は、変速装置３１に対して指示する確率を出力してもよい。この場合、中間層１１３は、走行シチュエーションに応じて、変速装置３１に対してライダが変速を指示する確率を出力するように学習される。

第４実施形態では、各制御装置１００において学習される第１学習モデル１１Ｍも、情報処理装置８に収集され、記憶される。

図１２および図１３は、第４実施形態の第１学習モデル１１Ｍの学習方法の一例を示すフローチャートである。制御装置１００は、学習モードにおいて以下の処理を実行する。

制御装置１００の制御部１１０は、センサ６０から人力駆動車１の走行に関する入力情報を取得し、記憶する（ステップＳ１３１）。ステップＳ１３１において制御部１１０は、速度センサ６１、加速度センサ６２、トルクセンサ６３、ケイデンスセンサ６４、ジャイロセンサ６５、着座センサ６６、およびカメラ６７の少なくとも１つからデータを取得する。

制御部１１０は、センサ６０から取得した入力情報に基づき、走行シチュエーションを判別する（ステップＳ１３３）。

ステップＳ１３３において制御部１１０は、速度センサ６１、加速度センサ６２、トルクセンサ６３、ケイデンスセンサ６４、ジャイロセンサ６５、着座センサ６６、カメラ６７、および位置情報センサ６８の少なくとも１つで得られる情報に基づき、走行シチュエーションを判別する。第１例において制御部１１０は、位置情報センサ６８から得られる人力駆動車１の位置に関する情報と、予め人力駆動車１が有する地図情報とに基づき、人力駆動車１が走行している道が、オフロードであるか、市街地であるか、オンロードであるかを判別する。第１例において、制御部１１０は、地図情報を通信により外部から取得するように構成されていてもよい。第２例において制御部１１０は、加速度センサ６２から得られる人力駆動車１に対する振動、ジャイロセンサ６５から得られる人力駆動車１の姿勢の情報に基づき、人力駆動車１が走行している道が、オフロードであるか、市街地であるか、オンロードであるかを判別する。第２例において制御部１１０は、振動が所定値より大きくなる頻度が所定頻度より高い場合に、走行シチュエーションはオフロードであると判別できる。第３例において制御部１１０は、着座センサ６６から、着座していない状態で走行する頻度が所定頻度より高い場合、走行シチュエーションはオフロードであると判別できる。第４例において制御部１１０は、走行距離に対して停止および走行の繰り返しが所定の回数以上である場合に、走行シチュエーションは市街地であると判別できる。第５例において制御部１１０は、トルクおよびケイデンスが一定である場合、走行シチュエーションはオンロードであると判別できる。第６例において制御部１１０は、オフロードでも市街地でもない場合に、走行シチュエーションはオンロードであると判別できる。

ステップＳ１３３において制御部１１０は、ジャイロセンサ６５により、人力駆動車１のピッチ方向の傾きによって、上り、下り、および平坦をそれぞれ判別できる。

制御部１１０は、ステップＳ１３３で判別した走行シチュエーションは、未学習の走行シチュエーションであるか否かを判断する（ステップＳ１３５）。ステップＳ１３５において制御部１１０は、未学習の走行シチュエーションであるか否かを、走行シチュエーションを識別するデータに対応付けて記憶部１１２に記憶した学習済みか否かの情報に基づき判断する。

未学習の走行シチュエーションであると判断された場合（Ｓ１３５：ＹＥＳ）、制御部１１０は、無線通信デバイス１１４により情報処理装置８へ、第２学習モデル８２Ｍのリクエストを送信する（ステップＳ１３７）。ステップＳ１３７において制御部１１０は、判別した走行シチュエーションを識別するデータを指定してリクエストを送信する。

情報処理装置８は、第２学習モデル８２Ｍのリクエストを受信すると（ステップＳ８２１）、制御部８００は、リクエスト元の制御装置１００の人力駆動車１の識別データを特定する（ステップＳ８２３）。

制御部８００は、情報処理装置８で記憶されている複数の第２学習モデル８２のうち、リクエストで指定された走行シチュエーションについて学習済みの第２学習モデル８２Ｍを抽出する（ステップＳ８２５）。制御部８００は、抽出された第２学習モデル８２Ｍから、リクエスト元の制御装置１００の人力駆動車１およびライダの少なくとも一方と類似する人力駆動車またはライダに対応する第２学習モデル８２Ｍを候補として選択する（ステップＳ８２７）。

ステップＳ８２７において制御部８００は、第１実施形態の図７のフローチャートに示した処理手順のステップＳ８０５で説明した第１例から第３例のうちの少なくとも１つの方法を用いて選択するとよい。

制御部８００は、選択した第２学習モデル８２Ｍの候補を、通信部８０４から制御装置１００へ送信する（ステップＳ８２９）。

制御部１１０は、情報処理装置８から、人力駆動車１およびライダの少なくとも一方が異なる他の人力駆動車１における入力情報によって学習された第２学習モデル８２Ｍの複数の候補を受信する（ステップＳ１３９）。制御部１１０は、複数の候補から第２学習モデル８２Ｍを選択する（ステップＳ１４１）。

ステップＳ１４１において制御部１１０は、第１例では、複数の候補のうち、ステップＳ１０１で取得した入力情報を入力した場合に出力される出力情報が、実際のライダによる変速指示装置４０Ｂに対する操作内容と最も近い第２学習モデル８２Ｍを選択する。

ステップＳ１４１において制御部１１０は、第２例では、複数の候補のうち、第１学習モデル１１Ｍが学習済みの他の走行シチュエーションで取得され、記憶されている入力情報を入力した場合に出力される出力情報が、第１学習モデル１１Ｍに入力情報を入力した場合に出力される出力情報と類似する第２学習モデル８２Ｍを選択する。

ステップＳ１４１において制御部１１０は、第３例では、複数の候補のうち、同一の入力情報を入力した場合に得られる出力情報からデバイス制御部１１６が決定する制御データが、類似する第２学習モデル８２Ｍを選択する。より具体的には、制御部１１０は、ステップＳ１３１で取得した入力情報を第２学習モデル８２Ｍの候補それぞれに入力する。制御部１１０は、第２学習モデル８２Ｍの候補それぞれから出力される出力情報に基づいてデバイス制御部１１６が決定する制御データのうち、実際のライダによる変速指示装置４０Ｂに対する操作内容と最も類似する制御データを決定する。制御部１１０は、決定した制御データの元となる出力情報を出力した第２学習モデル８２を選択する。

ステップＳ１４１において制御部１１０は、第４例では、複数の候補のうち、学習済みの他の走行シチュエーションで取得された入力情報を入力した場合の出力情報に基づきデバイス制御部１１６が決定する制御データが類似する第２学習モデル８２Ｍを用いる。より具体的には、制御部１１０は、他の学習済みとされた走行シチュエーションで取得されて記憶してある入力情報と、その走行シチュエーションを識別するデータとを、第２学習モデル８２Ｍの候補それぞれに入力する。制御部１１０は、記憶してある入力情報と、その走行シチュエーションを識別するデータとを、学習済みの第１学習モデル１１Ｍへ入力する。学習済みの走行シチュエーションについて第１学習モデル１１Ｍから得られる出力情報に基づきデバイス制御部１１６が決定する制御データを取得する。この制御データは制御には用いられない。制御部１１０は、第２学習モデル８２Ｍの候補それぞれから出力される出力情報に基づいてデバイス制御部１１６が決定する制御データを取得する。制御部１１０は、第２学習モデル８２の候補のうち、第１学習モデル１１Ｍからの出力情報に基づき決定された制御データと類似する制御データの元となる出力情報を出力した第２学習モデル８２Ｍを選択する。

ステップＳ１４１において制御部１１０は、第５例では、受信した複数の候補から１つ任意に選択してもよい。

制御部１１０は、第１学習モデル１１Ｍの少なくとも一部を、ステップＳ１４１で選択した第２学習モデル８２Ｍによって更新することによって補完処理を実行する（ステップＳ１４３）。ステップＳ１４３において制御部１１０は、第３実施形態に示した手順により、第２学習モデル８２から得られる出力情報を学習データとして用いて学習する。ステップＳ１４３において制御部１１０は、第１学習モデル１１Ｍの全部を、選択した第２学習モデル８２Ｍで置き換えてもよい。ステップＳ１４３において制御部１１０は、選択した第２学習モデル８２Ｍのパラメータで、第１学習モデル１１Ｍの一部のパラメータを更新してもよい。

制御部１１０は、補完後の第１学習モデル１１Ｍを、ステップＳ１３１で取得した入力情報に、これに対応する実際のライダによる変速指示装置４０Ｂに対する操作内容をラベル付けした学習データにより再学習する（ステップＳ１４５）。制御部１１０は、ステップＳ１３３で判別した走行シチュエーションを識別するデータに対応付けて、学習済みであることを記憶部１１２に記憶する（ステップＳ１４７）。

制御部１１０は、ステップＳ１３５において、未学習の走行シチュエーションでないと判断された場合（Ｓ１３５：ＮＯ）、制御部１１０は、学習済みの第１学習モデル１１Ｍを、走行シチュエーションを識別するデータと共に無線通信デバイス１１４から情報処理装置８へ送信する（ステップＳ１４９）。

情報処理装置８は、学習された第１学習モデル１１Ｍを受信し（ステップＳ８３１）、第２学習モデル８２Ｍとして、走行シチュエーションを識別するデータと共に記憶部８０２に記憶し（ステップＳ８３３）、処理を終了する。

図１２および図１３のフローチャートに示した処理手順は、人力駆動車１の走行中に限らず、ステップＳ１３１で記憶した入力情報に基づき、一回の旅程が終了する都度に実行されてもよい。図１２および図１３のフローチャートに示した処理手順により、未学習の走行シチュエーションについて第１学習モデル１１Ｍは、第２学習モデル８２Ｍによって補完される。これにより、次にステップＳ１０７で未学習のシチュエーションであると判断される可能性が低く、未学習のシチュエーションであっても、第１学習モデル１１Ｍを自動制御に用いることができる。

図１４は、第４実施形態の第１学習モデル１１Ｍを用いた制御処理の一例を示すフローチャートである。制御装置１００は、制御モードにおいて以下の処理を繰り返し実行する。

制御装置１００の制御部１１０は、センサ６０から人力駆動車１の走行に関する入力情報を取得する（ステップＳ２２１）。制御部１１０は、センサ６０から取得した入力情報に基づき、走行シチュエーションを判別する（ステップＳ２２３）。

制御部１１０は、取得した人力駆動車１の走行に関する入力情報と、判別した走行シチュエーションを識別するデータとを、第１学習モデル１１Ｍへ入力する（ステップＳ２２５）。制御部１１０は、第１学習モデル１１Ｍから出力される出力情報を取得する（ステップＳ２２７）。

制御部１１０は、ステップＳ２２７で取得した出力情報に基づき、デバイス制御部１１６によって変速装置３１の制御データを決定する（ステップＳ２２９）。ステップＳ２２９において制御部１１０は、変速比そのものを決定してもよいし、変速させるか否かを決定してもよい。

制御部１１０は、決定した制御データによって変速装置３１を制御し（ステップＳ２３１）、処理を終了する。制御部１１０は、ステップＳ２２１－Ｓ２３１の処理を繰り返し実行する。

ステップＳ２３１の制御の後に、操作装置４０によりライダからの介入操作があった場合、制御部１１０は、対象の走行シチュエーションについては未学習であると記憶し直し、図１２および図１３のフローチャートに示した処理手順を実行してもよい。この場合、制御部１１０は、第２学習モデル８２Ｍによって補完された第１学習モデル１１Ｍに対し、人力駆動車１のセンサ６０から得られる入力情報と、走行シチュエーションを識別するデータと、ライダからの操作とを含む学習データを用いた再学習を実行する。

第４実施形態の制御装置１００の処理により、未学習の走行シチュエーションであるか否かに応じて適切な制御データに関する出力情報を得られる第１学習モデル１１Ｍの学習時間を短縮できる。

（第５実施形態）
第５実施形態の制御装置１００の構成は、第１学習モデル１１Ｍの構成、および第１学習モデル１１Ｍを用いた処理手順の詳細以外、第１実施形態の制御装置１００と同様である。第５実施形態の制御装置１００の構成のうち、第１実施形態の制御装置１００と共通する構成については同一の符号を付して詳細な説明を省略する。

図１５は、第５実施形態の第１学習モデル１１Ｍを説明する図である。第５実施形態において第１学習モデル１１Ｍは、走行シチュエーション別に記憶された複数の学習モデル１１ＭＡ，学習モデル１１ＭＢ，…を含む。各学習モデル１１ＭＡ，１１ＭＢ，１１ＭＣ，…は、いずれも第１実施形態の図３、または図４に示した構成の入力層、出力層および中間層を含む学習モデルである。入力層、出力層および中間層についての詳細な説明を省略する。

各学習モデル１１ＭＡ，１１ＭＢ，１１ＭＣ，…は、走行シチュエーション別に、センサ６０により取得される人力駆動車１の走行に関する入力情報を入力した場合に、デバイス３０に対する制御データを出力するように学習される。図１４に示すように、第５実施形態では、走行シチュエーションは、オンロード、オフロード、および市街地の少なくとも１つに区別され、且つ、走行シチュエーションは、上り、平坦、および下りの少なくとも１つに区別される。以下の説明において、走行シチュエーションは、オンロードの上り、オンロードの平坦な道、オンロードの下り、オフロードの上り、オフロードの平坦な道、オフロードの下り、市街地の上り、市街地の平坦な道、市街地の下り、の計９つの走行シチュエーションに区別される。

例えば学習モデル１１ＭＡは、オンロードの上りの走行シチュエーションを走行中の人力駆動車１でセンサ６０から取得される入力情報と、ライダからの操作内容とを学習データとして学習される。学習モデル１１ＭＢは、オンロードの平坦な道の走行シチュエーションを走行中の人力駆動車１でセンサ６０から取得される入力情報と、ライダからの操作内容とを学習データとして学習される。同様にして学習モデル１１ＭＣは、オンロードの下りの走行シチュエーションを走行中の人力駆動車１でセンサ６０から取得される入力情報と、ライダからの操作内容とを学習データとして学習される。学習モデル１１ＭＤ，学習モデル１１ＭＥ，学習モデル１１ＭＦ，学習モデル１１ＭＧ，学習モデル１１ＭＨ，学習モデル１１ＭＩはそれぞれ、オフロードの上り、オフロードの平坦な道、オフロードの下り、市街地の上り、市街地の平坦な道、市街地の下りについて学習される。

上述のように走行シチュエーション別に学習された複数の学習モデルを含む第１学習モデル１１Ｍを用いた制御装置１００の処理について以下に説明する。

図１６および図１７は、第５実施形態の第１学習モデル１１Ｍの学習方法の一例を示すフローチャートである。図１６および図１７のフローチャートに示した処理手順のうち、第４実施形態の図１２および図１３のフローチャートに示した処理手順と共通する手順については同一のステップ番号を付して詳細な説明を省略する。

制御部１１０は、入力情報を取得して記憶し（Ｓ１３１）、走行シチュエーションを判別する（Ｓ１３３）。

制御部１１０は、記憶部１１２で学習済みの第１学習モデル１１Ｍは、ステップＳ１３３で判別した走行シチュエーションについて学習済みの学習モデル１１ＭＡ，１１ＭＢ，…を含むか否かを判断する（ステップＳ１５１）。

第１学習モデル１１Ｍは、判別した走行シチュエーションについて学習済みの学習モデル１１ＭＡ，１１ＭＢ，…を含むと判断された場合（Ｓ１５１：ＹＥＳ）、制御部１１０は、ステップＳ１５３の処理を実行する。制御部１１０は、判別したシチュエーションを識別するデータと、判別した走行シチュエーション用の学習済みの学習モデル１１ＭＡ，１１ＭＢ，…とを、無線通信デバイス１１４から情報処理装置８へ送信する（ステップＳ１５３）。

情報処理装置８は、判別したシチュエーションを識別するデータ学習された第１学習モデル１１Ｍを受信する（ステップＳ８５１）。制御部８００は、受信した第１学習モデル１１Ｍを、第２学習モデル８２Ｍとして、走行シチュエーションを識別するデータと共に記憶部８０２に記憶し（ステップＳ８５３）、処理を終了する。記憶部８０２には、複数の学習モデルを含む第１学習モデル１１Ｍが、第２学習モデル８２Ｍとして記憶される。

第１学習モデル１１Ｍは、判別した走行シチュエーションについて学習済みの学習モデル１１ＭＡ，１１ＭＢ，…を含まないと判断された場合（Ｓ１５１：ＮＯ）、制御部１１０は、無線通信デバイス１１４により情報処理装置８へ、第２学習モデル８２Ｍのリクエストを送信する（ステップＳ１５５）。ステップＳ１５５において制御部１１０は、判別した走行シチュエーションを識別するデータを指定してリクエストを送信する。

情報処理装置８は、第２学習モデル８２Ｍのリクエストを受信すると（ステップＳ８５５）、制御部８００は、リクエスト元の制御装置１００の人力駆動車１の識別データを特定する（ステップＳ８５７）。

制御部８００は、情報処理装置８で記憶されている複数の第２学習モデル８２のうち、リクエストで指定された走行シチュエーションの学習済みの学習モデルを含む第２学習モデル８２Ｍを抽出する（ステップＳ８５９）。制御部８００は、抽出された第２学習モデル８２Ｍから、リクエスト元の制御装置１００の人力駆動車１およびライダの少なくとも一方と類似する人力駆動車またはライダに対応する第２学習モデル８２Ｍを候補として選択する（ステップＳ８６１）。

ステップＳ８６１において制御部８００は、第１実施形態の図７のフローチャートに示した処理手順のステップＳ８０５で説明した第１例から第３例のうちの少なくとも１つの方法を用いて選択するとよい。

制御部８００は、選択した第２学習モデル８２Ｍの候補を、通信部８０４から制御装置１００へ送信する（ステップＳ８６３）。

制御部１１０は、情報処理装置８から、人力駆動車１およびライダの少なくとも一方が異なる他の人力駆動車１における入力情報によって学習された第２学習モデル８２Ｍの複数の候補を受信する（ステップＳ１５７）。制御部１１０は、複数の候補から第２学習モデル８２Ｍを選択する（ステップＳ１５９）。

ステップＳ１５９において制御部１１０は、複数の候補のうち、第１学習モデル１１Ｍが学習済みの走行シチュエーションにおける入力情報を、その走行シチュエーション用の学習モデルに入力した場合に出力される出力情報が、学習モデル１１ＭＡ，１１ＭＢ，…に入力情報を入力した場合に出力される出力情報と類似する第２学習モデル８２Ｍを用いる。より具体的には、制御部１１０は、第１学習モデル１１Ｍのうち、ステップＳ１３３で判別した走行シチュエーションと異なる他の学習済みとされた走行シチュエーションの学習モデル１１ＭＡ，１１ＭＢ，…のいずれか１つを選択する。制御部１１０は、同一の学習済みとされた走行シチュエーションの学習モデルを、第２学習モデル８２Ｍの候補それぞれから選択する。制御部１１０は、選択したいずれか１つの、例えば学習モデル１１ＭＡに学習済み走行シチュエーションにおける入力情報を入力した場合に出力される出力情報を記憶する。制御部１１０は、候補それぞれから選択した学習モデルに、学習済み走行シチュエーションにおける入力情報を入力した場合に出力される出力情報を記憶する。制御部１１０は、候補それぞれから選択した学習モデルのうち、選択した１つの学習モデル１１ＭＡから出力される出力情報と類似する出力情報を出力した学習モデルを選択する。制御部１１０は、選択した学習モデルを含む候補の第２学習モデル８２を特定する。

ステップＳ１５９において制御部１１０は、複数の候補のうち、第１学習モデル１１Ｍで学習済みの走行シチュエーションの入力情報を入力した場合の出力情報に基づき決定される制御データが、第１学習モデル１１Ｍに前記入力情報を入力した場合の出力情報に基づき決定される制御データと類似する第２学習モデル８２Ｍを用いる。より具体的には、制御部１１０は、第１学習モデル１１Ｍのうち、ステップＳ１３３で判別した走行シチュエーションと異なる他の学習済みとされた走行シチュエーションの学習モデル１１ＭＡ，１１ＭＢ，…のいずれか１つを選択する。制御部１１０は、選択したいずれか１つの、例えば学習モデル１１ＭＡと同一の走行シチュエーションの学習モデルを、第２学習モデル８２Ｍの候補それぞれから選択する。制御部１１０は、選択した学習モデル１１ＭＡに学習済み走行シチュエーションにおける入力情報を入力する。学習済みの走行シチュエーションについて選択した１つの学習モデル１１ＭＡから得られる出力情報に基づきデバイス制御部１１６が決定する制御データを取得する。この制御データは制御には用いられない。制御部１１０は、第２学習モデル８２Ｍの候補から選択した、学習モデル１１ＭＡと同一の走行シチュエーション用の学習モデルに、学習済み走行シチュエーションにおける入力情報を入力する。制御部１１０は、学習モデル１１ＭＡと同一の走行シチュエーション用の学習モデルそれぞれから出力される出力情報に基づいてデバイス制御部１１６が決定する制御データを取得する。制御部１１０は、第２学習モデル８２の候補のうち、学習モデル１１ＭＡからの出力情報に基づき決定された制御データと類似する制御データの元となる出力情報を出力した学習モデルを含む第２学習モデル８２Ｍを選択する。

制御部１１０は、選択した第２学習モデル８２に含まれる複数の学習モデルのうち、学習済みの走行シチュエーションとは異なる、ステップＳ１３３で判別した未学習の走行シチュエーションに対応する学習モデルを取得する（ステップＳ１６１）。

制御部１１０は、取得した学習モデルを、第１学習モデル１１ＭにおけるステップＳ１３３で判別した走行シチュエーションにおける学習モデルとして記憶することによって、補完処理を実行し（ステップＳ１６３）、処理を終了する。

図１８は、第５実施形態の補完処理部１１８による処理を説明する図である。図１８中の第１学習モデル１１Ｍは当初、９つの走行シチュエーションのうち、オンロードの３つの走行シチュエーション用の学習モデル１１ＭＡ，１１ＭＢ，１１ＭＣについて学習済みである。他の走行シチュエーションについては、未学習である。図１７では、学習済みの走行シチュエーションの学習モデル１１ＭＡ，１１ＭＢ，１１ＭＣについては実線で示し、未学習の走行シチュエーションの学習モデルは破線で示す。

図１８に示した第１学習モデル１１Ｍを記憶している制御装置１００の人力駆動車１が、オフロードの走行を開始した場合、制御部１１０は、人力駆動車１の傾斜等によって、走行シチュエーションをオフロードと判別する。制御部１１０は、第１学習モデル１１Ｍは、学習済みのオフロードの走行シチュエーション用の学習モデルを含まないと判断する（Ｓ１５１：ＹＥＳ）。制御部１１０は、情報処理装置８へリクエストすることにより、学習済みのオフロードの走行シチュエーション用の学習モデルを含む第２学習モデル８２Ｍの候補を取得する。制御部１１０は、取得した第２学習モデル８２Ｍの候補から、オンロードのシチュエーションにおいて最も類似する出力情報を出力する第２学習モデル８２Ｍを選択する。制御部１１０は、選択した第２学習モデル８２Ｍに含まれるオフロードの走行シチュエーション用の学習モデルを取得する。これにより、図１７に示すように、第１学習モデル１１Ｍは、オフロードの走行シチュエーションについて学習済みの学習モデル１１ＭＤ，１１ＭＥ，１１ＭＦを含むモデルに補完される。

図１９は、第５実施形態の第１学習モデル１１Ｍを用いた制御処理の一例を示すフローチャートである。制御装置１００は、制御モードにおいて以下の処理を繰り返し実行する。

制御装置１００の制御部１１０は、センサ６０から人力駆動車１の走行に関する入力情報を取得する（ステップＳ２５１）。制御部１１０は、センサ６０から取得した入力情報に基づき、走行シチュエーションを判別する（ステップＳ２５３）。

制御部１１０は、判別した走行シチュエーション用の学習モデルを、第１学習モデル１１Ｍから選択する（ステップＳ２５５）。制御部１１０は、取得した人力駆動車１の走行に関する入力情報を、ステップＳ２５５で選択した学習モデルへ入力する（ステップＳ２５７）。制御部１１０は、第１学習モデル１１Ｍから出力される出力情報を取得する（ステップＳ２５９）。

制御部１１０は、ステップＳ２２７で取得した出力情報に基づき、デバイス制御部１１６によって変速装置３１の制御データを決定する（ステップＳ２６１）。ステップＳ２６１において制御部１１０は、変速比そのものを決定してもよいし、変速させるか否かを決定してもよい。

制御部１１０は、決定した制御データによって変速装置３１を制御し（ステップＳ２６３）、処理を終了する。制御部１１０は、ステップＳ２５１－Ｓ２６３の処理を繰り返し実行する。

第５実施形態では、上述したように、未学習の走行シチュエーションについても他の第２学習モデル８２Ｍを用いて、第１学習モデル１１Ｍを補完する。未学習の走行シチュエーションについても他の第２学習モデル８２Ｍで補完した第１学習モデル１１Ｍを用いて自動制御が可能である。

（第６実施形態）
図２０は、第６実施形態の制御装置１００と情報処理装置８とを示す図である。第６実施形態の制御装置１００の構成は、第１実施形態の制御装置１００と同様である。第６実施形態の制御装置１００および情報処理装置８は、情報処理装置８における以下に示す処理手順以外は、第１実施形態の制御装置１００および情報処理装置８と同様である。以下に示す第６実施形態の制御装置１００および情報処理装置８の構成のうち、第１実施形態と共通する構成については同一の符号を付して詳細な説明を省略する。

第６実施形態では、第２学習モデル８２は走行シチュエーション別の学習モデルを含む。第６実施形態では、情報処理装置８が、各制御装置１００から収集した走行シチュエーション別の学習モデルの重み、およびバイアスの少なくとも一方を含むパラメータを統計処理して各学習モデルを作成する。

図２１は、第６実施形態の情報処理装置８における処理手順の一例を示すフローチャートである。情報処理装置８は、制御装置１００から第１学習モデル１１Ｍが送信されると、以下の処理を実行する。

制御部８００は、第１学習モデル１１Ｍを受信すると（ステップＳ６０１）、送信元の制御装置１００の人力駆動車１の識別データを特定する（ステップＳ６０３）。

制御部８００は、受信した第１学習モデル１１Ｍに対し、リクエスト元の制御装置１００の人力駆動車１およびライダの少なくとも一方と類似する人力駆動車またはライダに対応する他の第２学習モデル８２Ｍを抽出する（ステップＳ６０５）。情報処理装置８において第２学習モデル８２Ｍは、ライダのタイプ別、人力駆動車１のタイプ別に記憶されている。

ステップＳ６０５において制御部８００は、第１実施形態の図７のフローチャートに示したステップＳ８０５で説明した第１例から第３例のうちの少なくとも１つを用いて、第２学習モデル８２Ｍを抽出する。

制御部８００は、受信した第１学習モデル１１Ｍが含む走行シチュエーション別の学習モデルと、抽出した第２学習モデル８２Ｍとが含む走行シチュエーション別の学習モデルについて、重み、およびバイアスの少なくとも一方を含むパラメータを統計処理して各学習モデルを作成する（ステップＳ６０７）。

制御部８００は、作成した各学習モデルを含む第２学習モデル８２Ｍによって、ステップＳ６０５で抽出した第２学習モデル８２Ｍを更新し（ステップＳ６０９）、処理を終了する。

図２２は、第６実施形態の第２学習モデル８２の概要図である。第６実施形態では、図２２に示すように、第２学習モデル８２はそれぞれ、走行シチュエーション別の学習モデルを含む。走行シチュエーション別の学習モデルはいずれも、図２１で説明したように、同一のタイプのライダの人力駆動車１の制御装置１００から収集した同一走行シチュエーションの複数の学習モデルの重み、およびバイアスの少なくとも一方を含むパラメータを統計処理したものである。

第６実施形態の情報処理装置８の処理により、情報処理装置８に記憶される第２学習モデル８２Ｍは、複数の人力駆動車１で学習されたモデルを統計して合算したモデルとなる。このように、制御装置１００は、特定の人力駆動車１、および特定のライダの学習モデルではなく、汎用化された第２学習モデル８２Ｍを用いて補完してもよい。

上述のように開示された実施の形態は全ての点で例示であって、制限的なものではない。本発明の範囲は、特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内での全ての変更が含まれる。

１…人力駆動車，１０…車両本体，１０Ａ…フレーム，１０Ｂ…フロントフォーク，１２…ハンドルバー，１４…前輪，１６…後輪，１８…サドル，２０…駆動機構，２１…クランク，２１Ａ…クランク軸，２１Ｂ…右クランク，２１Ｃ…左クランク，２３…第１スプロケットアセンブリ，２３Ａ…スプロケット，２５…第２スプロケットアセンブリ，２５Ａ…スプロケット，２７…チェーン，２９…ペダル，３０…デバイス，３１…変速装置，３３…サスペンション，３５…シートポスト，３７…制動装置，３７１…フロントブレーキ装置，３７２…リアブレーキ装置，３９…アシスト装置，４０…操作装置，４０Ａ…操作部，４０Ｂ…変速指示装置，４０Ｃ…サスペンション指示装置，４０Ｄ…シートポスト指示装置，４０Ｅ…制動指示装置，４０Ｆ…アシスト指示装置，５０…バッテリ，５１…バッテリ本体，５３…バッテリホルダ，６０…センサ，６１…速度センサ，６２…加速度センサ，６３…トルクセンサ，６４…ケイデンスセンサ，６５…ジャイロセンサ，６６…着座センサ，６７…カメラ，６８…位置情報センサ，７…情報端末装置，１００…制御装置，１１０…制御部，１１２…記憶部，１１４…無線通信デバイス，１１６…デバイス制御部，１１８…補完処理部，１０Ｐ…デバイス制御プログラム，１２Ｐ…補完処理プログラム，１１Ｍ…第１学習モデル，１１１…入力層，１１３…中間層，１１５…出力層，１１ＭＡ…学習モデル，１１ＭＢ…学習モデル，１１ＭＣ…学習モデル，１１ＭＤ…学習モデル，１１ＭＥ…学習モデル，１１ＭＦ…学習モデル，１１ＭＧ…学習モデル，１１ＭＩ…学習モデル，１３Ｍ…第１学習モデル，１５Ｍ…第１学習モデル，１７Ｍ…第１学習モデル，１９Ｍ…第１学習モデル，８…情報処理装置，８００…制御部，８０２…記憶部，８２２…モデルデータベース，８０４…通信部，８２Ｍ…第２学習モデル，９００…非一時記憶媒体，９０Ｐ…デバイス制御プログラム，９２Ｐ…補完処理プログラム，９１Ｍ…第１学習モデル，９３Ｍ…第１学習モデル，９５Ｍ…第１学習モデル，９７Ｍ…第１学習モデル，９９Ｍ…第１学習モデル

Claims (22)

1. 人力駆動車の走行に関する入力情報を取得する取得部と、
   取得した入力情報に基づき、前記人力駆動車に搭載されているデバイスの制御に関する出力情報を出力するように学習される第１学習モデルを記憶する記憶部と、
   前記第１学習モデルに前記入力情報を入力して得られる出力情報に基づき決定した制御データによって前記デバイスを制御する制御部と、
   前記人力駆動車、および、前記人力駆動車のライダの少なくとも一方が異なる人力駆動車における入力情報によって学習された第２学習モデルを用いて前記記憶部の第１学習モデルを補完する処理を実行する補完処理部と
   を備える、人力駆動車用制御装置。
2. 前記補完処理部は、前記記憶部の第１学習モデルの少なくとも一部を前記第２学習モデルによって更新する、
   請求項１に記載の人力駆動車用制御装置。
3. 前記補完処理部は、前記取得部によって取得した入力情報と、前記入力情報を前記第２学習モデルに入力した場合に出力される出力情報とを学習データとして前記第１学習モデルを学習する、
   請求項１に記載の人力駆動車用制御装置。
4. 前記第１学習モデルは、互いに異なる複数の走行シチュエーションにおいて前記取得部により取得された入力情報で学習されており、
   前記補完処理部は、前記第１学習モデルが学習済みの走行シチュエーションとは異なる未学習の走行シチュエーションであって、第２学習モデルが学習済みの走行シチュエーションについて前記第２学習モデルを用い、前記第１学習モデルを補完する、
   請求項１から３のいずれか１項に記載の人力駆動車用制御装置。
5. 前記第１学習モデルは、走行シチュエーション別に記憶された複数の学習モデルを含み、
   前記補完処理部は、前記複数の学習モデルのうち、前記第１学習モデルが学習済みの走行シチュエーションとは異なる未学習の走行シチュエーションに対応する学習モデルとして、前記未学習の走行シチュエーションを学習済みの第２学習モデルの一部を用いる、
   請求項１から３のいずれか１項に記載の人力駆動車制御装置。
6. 前記走行シチュエーションは、オンロード、オフロード、および市街地の少なくとも１つに区別される、
   請求項４または５に記載の人力駆動車用制御装置。
7. 前記走行シチュエーションは、上り、平坦、および下りの少なくとも１つに区別される、
   請求項４から６のいずれか１項に記載の人力駆動車用制御装置。
8. 前記補完処理部は、同一の入力情報を入力した場合に出力される出力情報が、前記第１学習モデルに入力した場合に出力される出力情報と類似する第２学習モデルを用いる、
   請求項１から７のいずれか１項に記載の人力駆動車用制御装置。
9. 前記第１学習モデルは、互いに異なる複数の走行シチュエーションにおいて前記取得部により取得された入力情報で学習されており、
   前記補完処理部は、複数の第２学習モデルのうち、前記第１学習モデルが学習済みの走行シチュエーションにおける入力情報を入力した場合に出力される出力情報が、前記第１学習モデルに前記入力情報を入力した場合に出力される出力情報と類似する第２学習モデルを用いる、
   請求項８に記載の人力駆動車用制御装置。
10. 前記第１学習モデルおよび第２学習モデルは、走行シチュエーション別に記憶された複数の学習モデルを含み、
    前記補完処理部は、
    複数の第２学習モデルのうち、前記第１学習モデルが学習済みの走行シチュエーションにおける入力情報を入力した場合に出力される出力情報が、前記第１学習モデルに前記入力情報を入力した場合に出力される出力情報と類似する第２学習モデルを用い、
    前記第２学習モデルに含まれる複数の学習モデルのうち、前記学習済みの走行シチュエーションとは異なる未学習の走行シチュエーションに対応する学習モデルを取得する、
    請求項８に記載の人力駆動車用制御装置。
11. 前記補完処理部は、同一の入力情報に基づいて決定される制御データが、類似する他の人力駆動車用制御装置にて使用されている第２学習モデルを用いる、
    請求項１から７のいずれか１項に記載の人力駆動車用制御装置。
12. 前記第１学習モデルは、互いに異なる複数の走行シチュエーションにおいて前記取得部により取得された入力情報で学習されており、
    前記補完処理部は、複数の第２学習モデルのうち、前記第１学習モデルで学習済みの走行シチュエーションの入力情報を入力した場合の出力情報に基づき決定される制御データが、前記第１学習モデルに前記入力情報を入力した場合の出力情報に基づき決定される制御データと類似する第２モデルを用いる、
    請求項１１に記載の人力駆動車用制御装置。
13. 前記第１学習モデルおよび第２学習モデルは、走行シチュエーション別に記憶された複数の学習モデルを含み、
    前記補完処理部は、
    複数の第２学習モデルのうち、前記第１学習モデルで学習済みの走行シチュエーションの入力情報を入力した場合の出力情報に基づき決定される制御データが、前記第１学習モデルに前記入力情報を入力した場合の出力情報に基づき決定される制御データと類似する第２学習モデルを用い、
    前記第２学習モデルに含まれる複数の学習モデルのうち、前記学習済みの走行シチュエーションとは異なる未学習の走行シチュエーションに対する学習モデルを取得する、
    請求項１１に記載の人力駆動車用制御装置。
14. 前記補完処理部は、複数の第２学習モデルのうち、前記人力駆動車とタイプおよびサイズの少なくとも１つが、同一または類似する他の人力駆動車における入力情報で学習された第２学習モデルを用いる、
    請求項１から７のいずれか１項に記載の人力駆動車用制御装置。
15. 前記補完処理部は、複数の第２学習モデルのうち、前記デバイスと同一または類似する種別および製造者のデバイスを搭載している他の人力駆動車における入力情報で学習された第２学習モデルを用いる、
    請求項１から７のいずれか１項に記載の人力駆動車用制御装置。
16. 前記デバイスは、変速装置、サスペンション、シートポスト、制動装置、およびアシスト装置の少なくとも１つの種別に識別される、
    請求項１５に記載の人力駆動車用制御装置。
17. 前記補完処理部は、複数の第２学習モデルのうち、前記人力駆動車のライダと同一または類似するタイプのライダの人力駆動車における入力情報で学習された第２学習モデルを用いる、
    請求項１から７のいずれか１項に記載の人力駆動車用制御装置。
18. 前記記憶部に記憶されている第１学習モデルを、他へ送信する、
    請求項１から１７のいずれか１項に記載の人力駆動車用制御装置。
19. 前記第２学習モデルは、他の複数の人力駆動車で学習された複数のモデルの重み、およびバイアスの少なくとも一方を含むパラメータを統計処理して得られるモデルである、
    請求項１から１８のいずれか１項に記載の人力駆動車用制御装置。
20. 人力駆動車に搭載されるコンピュータが、
    前記人力駆動車の走行に関する入力情報に基づき、前記人力駆動車に搭載されているデバイスの制御に関する出力情報を出力するように学習される第１学習モデルに対し、前記人力駆動車、および、前記人力駆動車のライダの少なくとも一方が異なる人力駆動車における入力情報によって学習された第２学習モデルを外部から選択し、
    選択した第２学習モデルを用いて、前記第１学習モデルを補完する処理を実行する、
    学習方法。
21. 人力駆動車に搭載されるコンピュータが、
    前記人力駆動車の走行に関する入力情報に基づき、前記人力駆動車に搭載されているデバイスの制御に関する出力情報を出力するように学習される第１学習モデルに対し、前記人力駆動車、および、前記人力駆動車のライダの少なくとも一方が異なる人力駆動車における入力情報によって学習された第２学習モデルを外部から選択し、
    選択した第２学習モデルを用いて、前記第１学習モデルを補完する処理を実行し、
    補完語の前記第１学習モデルに、前記入力情報を入力して得られる出力情報に基づき制御データを決定し、
    決定した制御データによって前記デバイスを制御する、
    人力駆動車の制御方法。
22. 人力駆動車に搭載されるコンピュータが、
    前記人力駆動車の走行に関する入力情報に基づき、前記人力駆動車に搭載されているデバイスの制御に関する出力情報を出力するように学習される第１学習モデルに対し、前記人力駆動車、および、前記人力駆動車のライダの少なくとも一方が異なる人力駆動車における入力情報によって学習された第２学習モデルを外部から選択し、
    選択した第２学習モデルを用いて、前記第１学習モデルを補完する処理を実行する、
    処理を実行させる、コンピュータプログラム。

Images