JP5547913B2 - オンラインリスク学習システム - Google Patents
オンラインリスク学習システム Download PDFInfo
- Publication number
- JP5547913B2 JP5547913B2 JP2009152715A JP2009152715A JP5547913B2 JP 5547913 B2 JP5547913 B2 JP 5547913B2 JP 2009152715 A JP2009152715 A JP 2009152715A JP 2009152715 A JP2009152715 A JP 2009152715A JP 5547913 B2 JP5547913 B2 JP 5547913B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- risk
- unit
- online
- fusion
- 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.)
- Expired - Fee Related
Links
Landscapes
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Description
本発明のオンラインリスク学習システムは、自動車等の移動体に搭載され、外界環境の検出結果からその環境内に含まれる危険度(リスク)に係る情報を適応的に認識するシステムであり、事前には想定していなかった環境に対しても、適応的にリスク認識が行えるようにオンラインで成長していく。
教師作成部6は、学習ユニット4の学習リスク分布テーブルに対する教師情報を、車両操作情報に基づいて作成する。本形態では、車両操作情報からのリスク抽出に際しては学習を行わず、教師作成部6は、予め設定したルールを用いてドライバの操作情報からリスク情報を抽出するようにしている。このルールに従ったリスク情報の抽出処理においては、リスク情報をレベル付きの1次元データとして扱う。
フレーム間のブレーキ圧力の差分に応じてリスクレベルを設定する。例えば、ブレーキ圧力の差分が1×102kPa以上ならリスク有り、1×102kPaでリスク5、1×103kPaでリスク10とし、リスク5とリスク10との間は、ブレーキ圧力の差分に応じて線形に設定する。
所定の車速以上で、ブレーキ圧力に応じてリスクレベルを設定する。例えば、車速10km/h以上で、ブレーキ圧力が20×102kPa以上の場合はリスク10、ブレーキ圧力が10×102kPa以上の場合はリスク6、ブレーキ圧力が5×102kPa以上の場合はリスク2とする。
ウインカーが出ていない状態で、フレーム間のハンドル角の差分の絶対値が設定値(例えば10deg)以上の場合、リスク5とする。
所定の車速以上で、フレーム間のアクセル開度の差分に応じてリスクレベルを設定する。例えば、車速5km/h以上でアクセル開度の差分が−1%以下の場合、リスク4とする。
加速中のアクセル開度に応じてリスクレベルを設定する。加速中であるか否かは、車速の微分値で判断し、車速の微分値0以上(加速中)でアクセル開度1%以下の場合、リスク2とする。
画像特徴量抽出部7は、車載カメラ2からの撮像画像を入力し、ノイズ除去、ゲイン調整、γ補正等のビデオプロセス処理を経て所定の階調のデジタル画像に変換し、この画像の特徴量を抽出する。すなわち、得られた画像から、エッジ情報、動き情報、色情報等の特徴量を抽出し、それらの情報をN次元ベクトルとして保持する。
入力画像に対して、ソベル、縦方向ソベル、横方向ソベル、フレーム間差分、輝度、彩度の6種類のフィルタ処理を行い、6次元の特徴量データを抽出する。
フィルタ処理された画像の画素値に対して、平均、分散、最大値、最小値、横方向重心、縦方向重心、コントラスト、均一性、エントロピー、フラクタル次元の10種類の計算処理を行い、10次元の特徴量データを抽出する。
図2に示すように、画像内に領域A0を設定し、この設定領域A0の全体、設定領域A0内の左側の領域A1、右側の領域A2、中央の領域A3の4種類の領域について、4次元の特徴量データを抽出する。
融合ユニット計算部8は、得られたN次元の特徴量ベクトルを1次元の状態という量に変換する。状態とは、入力された画像を走行している場所や、天候、走行状態などによりシーン分けしているイメージになる。実際には、オンライン学習時、今はどのシーンであるかを明示的に教師することはできないため、入力データを状態数Mのクラスにクラスタリングしている。つまり、状態の認識は、入力された画像特徴量データから状態という量を出力する識別器の機能によって処理される(但し、この識別器の出力は、1状態を確定せずに確率的に扱うこともできる)。
L(s)=(Σi(prots(i)−In(i))2)1/2 …(1)
K=mins(L(s)) …(2)
P(s)=(exp(−L(s)/σ))/z …(3)
z=Σsexp(−L(s)/σ) …(4)
学習量計算部9は、学習ユニット4が保持する学習SOM41に対して、融合SOM51の勝者ニューロンと同じ番号の勝者ニューロン及びその周辺のニューロンの参照ベクトル値が入力ベクトルに近づくよう、更新量を計算する。この計算を繰り返して、学習SOM41が入力データの分布を最適に表現できるように教師無しで学習してゆく。1次元SOMによる学習のイメージを、図4に示す。
prots(i)→prots(i)+α(In(i)−prots(i) …(5)
α=a・b(t)・c(D(s,K),t)・e(t) …(6)
但し、a :学習係数
b :時間減衰係数
c :領域減衰係数
D(s,K):更新対象のニューロンと勝者ベクトル間のつながりにおける距離
e :教師情報係数
ベースユニット3及び学習ユニット4は、各リスクレベル算出部33,43において、状態量に応じたリスクレベルを、それぞれのリスク分布テーブル32,42を参照して計算する。前述したように、各状態はそれぞれリスク確率分布を持つため、状態sでのリスクの確率分布をp(R│s)と表すことにする。尚、ここでのリスクは、教師作成部6でのリスクと対応しており、11段階のレベルに分けているので、リスクレベルRとリスク確率(分布)p(R│s)とは、例えば図6に示すような関係で表される。
E=ΣRR・p(R│s) …(7)
E=ΣsΣRP(s)・R・p(R│s) …(8)
pt+1(R│st)=pt(R│st)+β…(9)
pt+1(R│st)←pt+1(R│st)/ΣRpt+1(R│st) …(10)
p(r│st-1)=p(r│st-1)+η・(RI(r)+γ・p(r│st)−p(r│st-1))
+h・η・(γ・p(r−1│st)−p(r−1│st-1))
+h・η・(γ・p(r+1│st)−p(r+1│st-1)) …(11)
但し、h:リスクレベル方向の伝播の大きさを表すパラメータ
γ:時系列の伝播の大きさを表すパラメータ
η:一回の学習での更新の大きさを表すパラメータ
RI(r)=1 (r=Q) …(12)
RI(r)=0 (r≠Q) …(13)
R≠0のとき、
e(t)=10・R・p(R│st) …(14)
R=0のとき、
e(t)=const …(15)
ベースユニット3によるリスクレベル(以下、「ベースリスクレベル」と記載)と学習ユニット4によるリスクレベル(以下、「学習リスクレベル」と記載)は、融合計算部10において所定の比率(融合率)αfで融合され、融合ユニット5に送出される。具体的には、融合ユニット5へ出力されるリスクレベルは、ベースリスクレベルと学習リスクレベルとを融合率αfで加重平均する等して算出される。
Ci=(1−αfi)・Bi+αfi・Li …(16)
3 ベースユニット
4 学習ユニット
5 融合ユニット
8 融合ユニット計算部
10 融合計算部
αf 融合率
Claims (5)
- 移動体の外界環境を検出し、この外界環境に含まれるリスクを学習的に認識するオンラインリスク学習システムであって、
上記リスクの事前学習結果を保持するベースユニットと、上記リスクのオンラインでの学習結果を保持する学習ユニットとを備え、
上記ベースユニットによるリスクレベルと上記学習ユニットによるリスクレベルとを所定の融合率で融合し、オンラインでの唯一のリスクレベルとして出力し、
上記学習ユニットの学習回数が設定値に達するまでは上記融合率を増加させ、上記融合率が上記設定値に達した後は上記融合率を一定値とすることにより、上記学習ユニットの偏学習が生じる特定の走行環境に偏った運転から異なる走行環境に遭遇した場合であっても上記ベースユニットの事前学習結果の忘却を回避するよう構成することを特徴とするオンラインリスク学習システム。 - 上記融合率を、上記ベースユニットの学習パラメータと上記学習ユニットの学習パラメータとの類似度に応じて制御することを特徴とする請求項1記載のオンラインリスク学習システム。
- 上記融合率を、上記学習ユニットの学習回数と、上記ベースユニットの学習パラメータと上記学習ユニットの学習パラメータとの類似度とを組み合わせて制御することを特徴とする請求項1記載のオンラインリスク学習システム。
- 上記ベースユニットの事前学習結果と上記学習ユニットのオンライン学習結果とを融合して保持する融合ユニットを設け、該融合ユニットから上記唯一のリスクレベルを出力することを特徴とする請求項1〜3の何れか一に記載のオンラインリスク学習システム。
- 上記ベースユニットと上記学習ユニットとを並列動作させ、各ユニットから出力されるリスクレベルを上記融合率で融合して上記唯一のリスクレベルとして出力することを特徴とする請求項1〜3の何れか一に記載のオンラインリスク学習システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009152715A JP5547913B2 (ja) | 2009-06-26 | 2009-06-26 | オンラインリスク学習システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009152715A JP5547913B2 (ja) | 2009-06-26 | 2009-06-26 | オンラインリスク学習システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2011008613A JP2011008613A (ja) | 2011-01-13 |
JP5547913B2 true JP5547913B2 (ja) | 2014-07-16 |
Family
ID=43565170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009152715A Expired - Fee Related JP5547913B2 (ja) | 2009-06-26 | 2009-06-26 | オンラインリスク学習システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5547913B2 (ja) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11242517A (ja) * | 1998-02-24 | 1999-09-07 | Kooda Denshi Kk | 診断装置 |
JP3703821B2 (ja) * | 2003-09-02 | 2005-10-05 | 株式会社国際電気通信基礎技術研究所 | 並列学習装置、並列学習方法及び並列学習プログラム |
EP1858736B1 (de) * | 2005-03-17 | 2011-08-03 | Continental Teves AG & Co. oHG | Verfahren und fahrdynamikregelsystem zum stabilisieren eines fahrzeugs |
JP5185554B2 (ja) * | 2007-03-23 | 2013-04-17 | 富士重工業株式会社 | オンラインリスク学習システム |
-
2009
- 2009-06-26 JP JP2009152715A patent/JP5547913B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2011008613A (ja) | 2011-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108725440B (zh) | 前向碰撞控制方法和装置、电子设备、程序和介质 | |
JP7140922B2 (ja) | マルチセンサデータ融合方法、及び装置 | |
JP2011014037A (ja) | リスク予測システム | |
Cui et al. | Deep kinematic models for kinematically feasible vehicle trajectory predictions | |
CN112099496B (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
Breitenstein et al. | Systematization of corner cases for visual perception in automated driving | |
EP4152204A1 (en) | Lane line detection method, and related apparatus | |
KR102313773B1 (ko) | 신경망 학습에 기반한 입력 처리 방법 및 이를 위한 장치 | |
JP5185554B2 (ja) | オンラインリスク学習システム | |
JP5572339B2 (ja) | オンラインリスク認識システム | |
US11364899B2 (en) | Driving assistance method and system | |
Kim | Robust lane detection and tracking in challenging scenarios | |
US11242050B2 (en) | Reinforcement learning with scene decomposition for navigating complex environments | |
JP2009096365A (ja) | リスク認識システム | |
Pizzati et al. | Enhanced free space detection in multiple lanes based on single CNN with scene identification | |
CN111605565A (zh) | 基于深度强化学习的自动驾驶行为决策方法 | |
JP2011003076A (ja) | リスク認識システム | |
US20230245554A1 (en) | Method and computer program for characterizing future trajectories of traffic participants | |
CN113435356B (zh) | 一种克服观察噪声与感知不确定性的轨迹预测方法 | |
WO2022044210A1 (ja) | 運転支援装置、学習装置、運転支援方法、運転支援プログラム、学習済モデルの生成方法、学習済モデル生成プログラム | |
JP6905433B2 (ja) | 車両行動予測装置、車両行動予測方法および車両行動予測用のニューラルネットワークの学習方法 | |
Yoo et al. | Gin: Graph-based interaction-aware constraint policy optimization for autonomous driving | |
Aboah et al. | Ai-based framework for understanding car following behaviors of drivers in a naturalistic driving environment | |
JP5547913B2 (ja) | オンラインリスク学習システム | |
US20220383510A1 (en) | Method For Training A Neural Network For Semantic Image Segmentation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20120330 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20130718 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130723 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130920 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20131224 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140217 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20140422 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20140516 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5547913 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
LAPS | Cancellation because of no payment of annual fees |