JP6750600B2 - 学習装置、電磁波反射特性推定装置、学習プログラム、および電磁波反射特性推定プログラム - Google Patents

Description

本発明は、学習装置、電磁波反射特性推定装置、学習プログラム、および電磁波反射特性推定プログラムに関する。

特許文献１には、離散化された解析空間の複数モデルに関する計算に使用されるパラメータを読み込む読込部と、前記パラメータを前記複数モデル間で共通化する共通化部と、前記複数モデルに対して、前記読込部によって読み込まれた前記パラメータを用いてＦＤＴＤ法により計算を行う計算部と、を備え、前記共通化部は、前記複数モデルの全てのモデルにおいて共通するパラメータをグループ化し、前記読込部は、前記複数モデルの計算に必要なパラメータを、前記共通化部によってグループ化された単位でまとめて読み込みを行う、解析装置が開示されている。

特許文献２には、金属壁に囲まれた構造物内の送信波源からの放射電磁界を、ＦＤＴＤ法を用いて解析する解析方法であって、第１の電磁界成分算出部が、第２の電磁界成分算出工程で算出された電磁界の値のうち、アンテナと仮想回路部との接続点での電磁界の値を用いて、ＦＤＴＤ法により解析空間における電磁界の値を算出する第１の電磁界成分算出工程と、第２の電磁界成分算出部が、前記第１の電磁界成分算出工程で算出された電磁界の値のうち、前記アンテナと前記解析空間との接続点での値を用いて、ＦＤＴＤ法により前記仮想回路部における電磁界の値を算出する第２の電磁界成分算出工程と、を備え、 前記解析空間は、波源を含む解析モデルが配置され、前記アンテナを介して前記仮想回路部と接続され、前記仮想回路部は、前記解析空間領域とは別の空間領域に設けられ前記アンテナを介して解析空間と接続され、４側面を完全導体境界条件とした空間内に配置した接続点、電圧源および吸収境界部からなるアンテナ給電用の給電回路であり、前記第１の電磁界成分算出工程と前記第２の電磁界成分算出工程とを同期して行うことを特徴とする解析方法が開示されている。

特許文献３には、レイトレーシング法に基づき電波の受信電界強度を推定する電波伝搬シミュレーション装置であって、波源を中心とする複数のレイヤを設定するレイヤ設定部と、レイを出射するレイ処理部と、推定対象領域に到達するレイに基づいて当該推定対象領域における受信電界強度を推定する電界強度推定部とを備え、前記レイ処理部は、

前記波源から第１レイを出射し、第ｍレイ（ｍは１以上の整数）がレイヤに到達すると、前記第ｍレイが前記レイヤを通過するとともに、前記第ｍレイが前記レイヤを通過する通過点とは異なる前記レイヤ上の出射点から第（ｍ＋１）レイを出射する電波伝搬シミュレーション装置が開示されている。

特許文献４には、染色体を用いたレイトレーシング法により電波の受信特性を推定する電波受信特性推定装置であって、構造物の面またはエッジを遺伝子とみなし、前記構造物の面またはエッジによる種々の光学的現象を伴って受信点に到達するレイの経路を染色体とみなし、当該染色体を予め定めた個数だけ生成する初期染色体生成手段と、前記初期染色体生成手段において生成した染色体が示す経路を対象にイメージング法によってレイをトレースするレイトレーシング手段と、前記染色体が示す経路のうち、レイが受信点に到達可能と判断された経路に対しては、受信電力を計算し、レイが受信点に到達不可能と判断された経路に対しては、ダミーの受信電力値を与える受信電力計算手段と、前記受信電力を染色体における適応度とみなし、各染色体を適応度によりランク付けする適応度評価手段と、前記適応度評価手段においてランク付けされた染色体が所定の収束条件を満たしているかを判定する収束条件判定手段と、該収束条件を満たしていない場合には、適応度の高い染色体を優先的に選択した後、遺伝的操作を行なうことにより、新たな染色体を予め定めた個数だけ生成する染色体再生成手段と、該収束条件を満たしていれば各染色体のレイトレース情報より所定の受信特性を求める受信特性算出手段と、を具備することを特徴とする電波受信特性推定装置が開示されている。

特開２０１５−１２５４９２号公報 特開２０１２−３５４６号公報 特開２０１６−２０８２６５号公報 特開２００６−８０６１８号公報

上記特許文献１および特許文献２記載の技術は、物体の電磁波反射特性のシミュレーションに適用可能なＦＤＴＤ法による解析を高速化する技術である。

しかしながら、空間および時間を離散化し状態を逐次的に更新していく手法であるＦＤＴＤ法に基づいており、ミリ波のように車載レーダーで用いられる周波数帯では計算時間が非常に長くなる、という問題がある。

また、上記特許文献３および特許文献４記載の技術は、物体の電磁波反射特性のシミュレーションに適用可能なレイトレーシング法による解析を高速化する技術である。

しかしながら、物体近傍のシミュレーション精度には原理的な制約があり、またＦＤＴＤ法と比較して高速ではあるものの、実時間で動作するのは困難である。

本発明は、上記問題点を鑑みてなされたものであり、物体の電磁波反射特性を計算する時間を短縮して実時間による動作を可能にすることができる学習装置、電磁波反射特性推定装置、電磁波反射特性推定プログラム、および学習プログラムを提供することを目的とする。

上記の目的を達成するために、請求項１に記載の発明の電磁波反射特性推定装置は、物体の三次元形状データに基づいて、電磁界解析により前記物体の電磁波反射特性を算出する算出部と、前記物体の三次元形状データに基づいて、前記物体の形状を含む物体特徴量を抽出する物体特徴量抽出部と、前記物体特徴量を入力として、機械学習により学習された演算パラメータを用いて前記物体の電磁波反射特性を推定する推定部と、前記算出部により算出された前記物体の電磁波反射特性を目標値として、前記物体の電磁波反射特性が前記目標値に近づくように、前記演算パラメータを学習する学習部と、を備える。

なお、請求項２に記載したように、前記算出部は、前記物体が近傍に存在する場合として、前記物体の形状のサイズが予め定めた閾値以上の場合の前記物体の電磁波反射特性を算出し、前記推定部は、前記物体が近傍に存在する場合の前記物体の電磁波反射特性を推定し、前記学習部は、前記算出部により算出された前記物体が近傍に存在する場合の電磁波反射特性を目標値として、前記物体の電磁波反射特性が前記目標値に近づくように、前記演算パラメータを学習するようにしてもよい。

また、請求項３に記載したように、前記算出部は、前記物体が遠方に存在する場合として、前記物体の形状のサイズが予め定めた閾値未満の場合の前記物体の電磁波反射特性を算出し、前記推定部は、前記物体が遠方に存在する場合の前記物体の電磁波反射特性を推定し、前記学習部は、前記算出部により算出された前記物体が遠方に存在する場合の電磁波反射特性を目標値として、前記物体の電磁波反射特性が前記目標値に近づくように、前記演算パラメータを学習するようにしてもよい。

請求項４記載の発明の電磁波反射特性推定装置は、物体を撮影する撮影部と、前記撮影部により撮影された撮影画像に基づいて、前記物体の形状を含む物体特徴量を抽出する物体特徴量抽出部と、前記物体特徴量を入力として、請求項１〜３の何れか１項に記載の学習装置により学習された前記演算パラメータに基づいて前記物体の電磁波反射特性を推定する推定部と、を備える。

なお、請求項５に記載したように、物体を撮影する撮影部と、前記撮影部により撮影された撮影画像に基づいて、前記物体の形状を含む物体特徴量を抽出する特徴量抽出部と、前記物体特徴量に基づいて、前記物体の形状のサイズが予め定めた閾値以上であれば前記物体が近傍に存在すると判定し、前記物体の形状のサイズが予め定めた閾値未満であれば前記物体が遠方に存在すると判定する判定部と、前記物体特徴量を入力として、前記判定部により前記物体が近傍であると判定された場合には、請求項２記載の学習装置により学習された前記演算パラメータに基づいて前記物体の電磁波反射特性を推定し、前記判定部により前記物体が遠方であると判定された場合には、請求項３記載の学習装置により学習された前記演算パラメータに基づいて前記物体の電磁波反射特性を推定する推定部と、を備えた構成としてもよい。

また、請求項６に記載したように、前記撮影部により撮影された撮影画像に基づいて、前記物体の周囲を含む周囲特徴量を抽出する周囲特徴量抽出部を備え、前記推定部は、前記物体特徴量および前記周囲特徴量を入力として、前記物体の電磁波反射特性を推定するようにしてもよい。

請求項７記載の発明の電磁波反射特性推定装置は、物体を撮影する撮影部と、前記撮影部により撮影された撮影画像に基づいて、前記物体の形状を含む物体特徴量を抽出する物体特徴量抽出部と、前記物体特徴量を入力として、請求項１記載の学習装置により学習された前記演算パラメータに基づいて前記物体のレーダー断面積を推定する第１の推定部と、前記第１の推定部により推定された前記物体のレーダー断面積を入力として、請求項２記載の学習装置により学習された前記演算パラメータに基づいて前記物体の電磁波反射強度を推定する第２の推定部と、前記第２の推定部により推定された前記物体の電磁波反射強度を入力として、請求項３記載の学習装置により学習された前記演算パラメータに基づいて前記物体の電磁波反射強度を推定する第３の推定部と、を備える。

なお、請求項８に記載したように、前記撮影部により撮影された撮影画像に基づいて、前記物体の周囲を含む周囲特徴量を抽出する周囲特徴量抽出部を備え、前記第２の推定部は、前記物体のレーダー断面積および前記周囲特徴量を入力として、前記物体の電磁波反射強度を推定し、前記第３の推定部は、前記第２の推定部により推定された前記物体の電磁波反射強度および前記周囲特徴量を入力として、前記物体の電磁波反射強度を推定するようにしてもよい。

請求項９記載の発明の学習プログラムは、コンピュータを、請求項１〜３の何れか１項に記載の学習装置の各部として機能させるための学習プログラムである。

請求項１０記載の発明の電磁波反射特性推定プログラムは、コンピュータを、請求項４〜８の何れか１項に記載の電磁波反射特性推定装置の各部として機能させるための電磁波反射特性推定プログラムである。

本発明によれば、物体の電磁波反射特性を計算する時間を短縮して実時間による動作を可能にすることができる、という効果を奏する。

学習装置の機能ブロック図である。 学習装置のハードウェア構成の構成図である。 学習処理のフローチャートである。 車両の斜視図である。 ボクセル化した車両の斜視図である。 第１実施形態に係る電磁波反射特性推定装置の機能ブロック図である。 電磁波反射特性推定装置のハードウェア構成の構成図である。 第１実施形態に係る電磁波反射特性推定処理のフローチャートである。 第２実施形態に係る電磁波反射特性推定装置の機能ブロック図である。 第２実施形態に係る電磁波反射特性推定処理のフローチャートである。 第３実施形態に係る電磁波反射特性推定装置の機能ブロック図である。 第４実施形態に係る電磁波反射特性推定処理のフローチャートである。 第４実施形態に係る電磁波反射特性推定装置の機能ブロック図である。 第４実施形態に係る電磁波反射特性推定処理のフローチャートである。 第５実施形態に係る電磁波反射特性推定装置の機能ブロック図である。 第５実施形態に係る電磁波反射特性推定処理のフローチャートである。 電磁界シミュレーションによるレーダー断面積の算出結果の一例を示す図である。 車両の斜視図である。 レーダー断面積の推定値および目標値の算出結果の一例を示す図である。

以下、図面を参照して本発明の実施の形態を詳細に説明する。

（第１実施形態）

図１は、本実施の形態に係る学習装置１０の構成例を示す図である。学習装置１０は、算出部１２、物体特徴量抽出部１４、推定部１６、および学習部１８を備える。

算出部１２は、物体の三次元形状データに基づいて、電磁界解析により物体の電磁波反射特性を算出する。本実施形態では、物体の一例として車両（自動車）の電磁波反射特性を算出する場合について説明するが、これに限られるものではない。また、電磁波反射特性としては、物体そのものが有する電磁波反射特性を表すレーダー断面積、物体から直接反射した電磁波の強度を表す電磁波反射強度等があるが、これらに限られるものではない。また、電磁界解析としては、公知の電磁界シミュレーションを用いることができ、例えば前述したＦＤＴＤ法またはレイトレーシング法等を用いることができるが、これらに限られるものではない。

物体特徴量抽出部１４は、物体の三次元形状データに基づいて、物体の形状を含む物体特徴量を抽出する。本実施形態では、詳細は後述するが、物体の形状をボクセルで表したボクセルデータを物体特徴量として用いる場合について説明する。なお、物体特徴量としては、形状だけでなく、例えば素材の種類、誘電率、導電率等を含むようにしてもよい。

推定部１６は、物体特徴量を入力として、機械学習により学習された演算パラメータを用いて物体の電磁波反射特性を推定する。本実施形態では、機械学習として三次元畳み込みニューラルネットワークを用いる場合について説明するが、これに限られるものではない。例えば、ＳＶＭ（Support Vector Machine）またはランダムフォレスト等の機械学習を用いてもよい。

学習部１８は、算出部１２により算出された物体の電磁波反射特性を目標値として、物体の電磁波反射特性が目標値に近づくように、演算パラメータを学習する。

図２は、学習装置１０のハードウェア構成を示すブロック図である。

学習装置１０は、コンピュータとしての機能を有し、ＣＰＵ（Central Processing Unit）３０Ａ、ＲＯＭ（Read Only Memory）３０Ｂ、ＲＡＭ（Random Access Memory）３０Ｃ、不揮発性メモリ３０Ｄ、ハードディスク３０Ｅ、および通信インターフェース(I/F:Interface)部３０Ｆを有する。そして、ＣＰＵ３０Ａ、ＲＯＭ３０Ｂ、ＲＡＭ３０Ｃ、不揮発性メモリ３０Ｄ、ハードディスク３０Ｅ、および通信インターフェース部３０Ｆは、バス３０Ｇを介して互いに接続されている。

ＣＰＵ３０Ａは、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。その際、ＲＡＭ３０Ｃをワークエリアとしてプログラムを実行する。

不揮発性メモリ３０Ｄは、学習装置１０の電源をオフにしてもデータ内容が保持されるメモリである。

ハードディスク３０Ｅには、例えば後述する学習プログラム、三次元形状データ、演算パラメータ等が記憶される。なお、学習プログラムは、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ、ＣＤ−ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等のコンピュータ読み取り可能な記録媒体によって提供されてもよいし、インターネット等のネットワークを介してオンラインで提供されてもよい。

通信インターフェース部３０Ｆは、図示しない外部装置と通信を行う。

次に、ＣＰＵ３０Ａで実行される学習処理について、図３に示すフローチャートを参照して説明する。ＣＰＵ３０Ａは、ハードディスク３０Ｅに記憶された学習プログラムを読み込んで実行する。なお、以下では、電磁波反射特性としてレーダー断面積を推定する三次元畳み込みニューラルネットワークで用いられる演算パラメータを学習する場合について説明する。

ステップＳ１００では、物体の一例として車両の三次元形状データをハードディスク３０Ｅから読み込む。なお、複数台（例えば数十台）分の三次元形状データを読み込む。また、三次元形状データとしては、一例として公開データセットであるＮＴＵ３Ｄ Ｍｏｄｅｌ Ｄａｔａｂａｓｅに含まれる車両の三次元形状データを用いることができるが、これに限られるものではない。

ステップＳ１０２では、車両の三次元形状データに基づいて、電磁界シミュレーションにより車両のレーダー断面積を算出する。具体的には、例えば図４に示すように、車両３２がＸＹ平面上に設けられている場合は、ＸＹ平面内で車両３２を予め定めた角度（例えば２度）ずつ回転させながら３６０度回転させ、パルス上の平面波を車両に照射した場合のレーダー断面積を電磁界シミュレーションにより算出する。また、ステップＳ１０２の処理は、複数台分の車両について実行する。これにより、各車両について、複数の角度から平面波を照射した場合のレーダー断面積が得られる。例えば車両を２度ずつ回転させた場合は、１８０個のレーダー断面積が得られる。

ステップＳ１０４では、ステップＳ１０２で算出した複数台分の車両について算出したレーダー断面積をハードディスク３０Ｅに記憶させる。

ステップＳ１０６では、ステップＳ１００で読み込んだ複数台分の車両の三次元形状データに基づいて、各車両の物体特徴量を抽出する。具体的には、三次元形状データをボクセルデータに変換することで車両の形状を物体特徴量として抽出する。ここで、ボクセルデータは、複数の立方体のボクセルの集合で車両の形状を表した二値化データである。なお、ボクセルの形状は立方体に限られるものではない。

具体的には、例えば６４（Ｘ方向のボクセル数）×６４（Ｙ方向のボクセル数）×３２（Ｚ方向のボクセル数）個のボクセルの各々について、車両の形状に合わせてボクセルを「１」または「０」に設定することにより車両の形状を二値化する。これを複数台分の車両について実行する。図５には、一例として図４に示す車両３２をボクセル化した車両３４を示した。

ステップＳ１０８では、三次元畳み込みニューラルネットワークを用いて演算パラメータを学習する。具体的には、ステップＳ１０６の処理で得られたボクセルデータのうち、１台分の車両のボクセルデータをテストデータ、残りの車両のボクセルデータを学習データとして三次元畳み込みニューラルネットワークに入力し、車両のレーダー断面積を推定する。そして、推定された車両のレーダー断面積が、ステップＳ１０４で記憶された目標値に近づくように、演算パラメータを学習する。学習された演算パラメータは、ハードディスク３０Ｅに記憶する。

次に、電磁波反射特性推定装置について説明する。図６には、本実施形態に係る電磁波反射特性推定装置４０の構成を示した。電磁波反射特性推定装置４０は、例えば車両のダッシュボード等、前方を走行する車両を撮影可能な位置に設置される。

図６に示すように、電磁波反射特性推定装置４０は、撮影部４２、物体特徴量抽出部４４、および推定部４６を備える。

撮影部４２は、前方を走行する車両を撮影する。例えばＣＣＤまたはＣＭＯＳセンサ等の撮像素子を備えたデジタルカメラ等が採用される。

物体特徴量抽出部４４は、撮影部４２により撮影された撮影画像に基づいて、車両の形状を含む物体特徴量を抽出する。具体的には、物体特徴量抽出部４４は、撮影画像に基づいて、パターンマッチング等の公知の手法により車両の形状を抽出し、抽出した車両の形状をボクセルデータに変換する。ボクセルデータへの変換は、学習装置１０の特徴量抽出部１４と同様の処理である。

推定部４６は、物体特徴量抽出部４４により抽出された物体特徴量を入力として、学習装置１０により学習された演算パラメータに基づいて車両のレーダー断面積を推定する。すなわち、学習装置１０により学習された演算パラメータが設定された三次元畳み込みニューラルネットワークを用いて、撮影画像から得られた車両の形状を表すボクセルデータを入力として、レーダー断面積を推定する。

図７は、電磁波反射特性推定装置４０のハードウェア構成を示すブロック図である。

電磁波反射特性推定装置４０は、コンピュータとしての機能を有し、ＣＰＵ（Central Processing Unit）５０Ａ、ＲＯＭ（Read Only Memory）５０Ｂ、ＲＡＭ（Random Access Memory）５０Ｃ、不揮発性メモリ５０Ｄ、ハードディスク５０Ｅ、および通信インターフェース(I/F:Interface)部５０Ｆを有する。そして、ＣＰＵ５０Ａ、ＲＯＭ５０Ｂ、ＲＡＭ５０Ｃ、不揮発性メモリ５０Ｄ、ハードディスク５０Ｅ、および通信インターフェース部５０Ｆは、バス５０Ｇを介して互いに接続されている。

ＣＰＵ５０Ａは、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。その際、ＲＡＭ５０Ｃをワークエリアとしてプログラムを実行する。

不揮発性メモリ５０Ｄは、電磁波反射特性推定装置４０の電源をオフにしてもデータ内容が保持されるメモリである。

ハードディスク５０Ｅには、例えば後述する電磁波反射特性推定プログラム、演算パラメータ等が記憶される。なお、電磁波反射特性推定プログラムは、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ、ＣＤ−ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等のコンピュータ読み取り可能な記録媒体によって提供されてもよいし、インターネット等のネットワークを介してオンラインで提供されてもよい。

通信インターフェース部５０Ｆは、図示しない外部装置と通信を行う。

次に、ＣＰＵ５０Ａで実行される電磁波反射特性推定処理について、図８に示すフローチャートを参照して説明する。ＣＰＵ５０Ａは、ハードディスク５０Ｅに記憶された電磁波反射特性推定プログラムを読み込んで実行する。

ステップＳ２００では、前方の車両を撮影する。

ステップＳ２０２では、ステップＳ２００で撮影された撮影画像に基づいて、車両の形状を含む物体特徴量を抽出する。すなわち、撮影画像に基づいて車両の形状を抽出し、抽出した車両の形状をボクセルデータに変換する。

ステップＳ２０４では、ステップＳ２０２の処理で得られたボクセルデータを、学習装置１０により学習された演算パラメータが設定された三次元畳み込みニューラルネットワークに入力し、車両のレーダー断面積を推定する。

このように、本実施形態では、学習装置１０によって予め学習された演算パラメータが設定された三次元畳み込みニューラルネットワークを用いて車両のレーダー断面積を推定するため、車両のレーダー断面積を計算する時間を短縮して実時間による動作を可能にすることができる。

なお、本実施形態では、電磁波反射特性としてレーダー断面積を推定する三次元畳み込みニューラルネットワークで用いられる演算パラメータを学習する場合について説明したが、電磁波反射特性として電磁波反射強度を推定する三次元畳み込みニューラルネットワークで用いられる演算パラメータを学習する場合にも適用可能である。この場合、上記の「レーダー断面積」を「電磁波反射強度」に置き換えればよい。

また、本実施形態では、電磁界シミュレーションによりレーダー断面積の目標値を算出する場合について説明したが、様々な形状の車両のレーダー断面積を実測し、実測したレーダー断面積を目標値として用いても良い。また、電磁波反射強度も同様に、様々な形状の車両の電磁波反射強度を実測し、実測した電磁波反射強度を目標値として用いても良い。

（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。第２実施形態では、第１実施形態と異なる部分を中心に説明する、このため、第１実施形態と同一部分には同一符号を付し、その詳細な説明は省略する。

図９は、第２実施形態に係る電磁波反射特性推定装置４０Ａの構成図である。図９に示すように、電磁波反射特性推定装置４０Ａは、判定部４８を備えた点、推定部４６が近傍用の演算パラメータまたは遠方用の演算パラメータに基づいてレーダー断面積を推定する点が、第１実施形態に係る電磁波反射特性推定装置４０と異なる。

判定部４８は、物体特徴量抽出部４４が抽出した物体特徴量に基づいて、物体が近傍および遠方の何れであるかを判定する。例えば、物体特徴量として抽出した車両の形状のサイズ（例えば面積）が予め定めた閾値以上であれば物体が近傍に存在すると判定し、予め定めた閾値未満であれば物体が遠方に存在すると判定する。ここで、近傍とは、例えば自車両から前方の車両までの距離が数十メートル未満の場合をいい、遠方とは、自車両から前方の車両までの距離が数十メートル以上の場合をいう。従って、閾値は、自車両から前方の車両までの距離が数十メートルの場合に相当する車両のサイズに設定される。

推定部４６は、物体特徴量抽出部４４により抽出された物体特徴量を入力として、車両が近傍の場合は、学習装置１０により学習された近傍用の演算パラメータに基づいて車両のレーダー断面積を推定し、車両が遠方の場合は、学習装置１０により学習された遠方用の演算パラメータに基づいて車両のレーダー断面積を推定する。

なお、近傍用の演算パラメータは、学習装置１０が図３のステップＳ１０２で電磁界シミュレーションにより車両のレーダー断面積を推定する際に、電磁界シミュレーションのパラメータとして近傍の電磁界をシミュレーションするように設定して算出されたレーダー断面積を目標値として学習することで得られる。また、遠方用の演算パラメータは、学習装置１０が図３のステップＳ１０２で電磁界シミュレーションにより車両のレーダー断面積を推定する際に、電磁界シミュレーションのパラメータとして遠方の電磁界をシミュレーションするように設定して算出されたレーダー断面積を目標値として学習することで得られる。

次に、ＣＰＵ５０Ａで実行される電磁波反射特性推定処理について、図１０に示すフローチャートを参照して説明する。

ステップＳ２００、Ｓ２０２は、図８のステップＳ２００、Ｓ２０２と同一の処理である。

ステップＳ２０３では、ステップＳ２０２で抽出された物体特徴量に基づいて、車両が近傍に存在するか否かを判定する。すなわち、車両の形状のサイズが閾値以上であれば車両が近傍に存在すると判定し、予め定めた閾値未満であれば車両が遠方に存在すると判定する。

そして、車両が近傍に存在する場合には、ステップＳ２０４Ａに移行し、車両が遠方に存在する場合には、ステップＳ２０４Ｂに移行する。

ステップＳ２０４Ａでは、近傍用の演算パラメータを用いた三次元畳み込みニューラルネットワークにより車両のレーダー断面積を推定する。

一方、ステップＳ２０４Ｂでは、遠方用の演算パラメータを用いた三次元畳み込みニューラルネットワークにより車両のレーダー断面積を推定する。

このように、本実施形態では、車両が近傍に存在するか遠方に存在するかを判定し、それぞれの場合に対応した演算パラメータを用いた三次元畳み込みニューラルネットワークによりレーダー断面積を推定するので、精度良くレーダー断面積を推定することができる。

なお、第１実施形態でも説明したように、学習装置１０は、レーダー断面積に代えて、電磁波反射強度を推定する三次元畳み込みニューラルネットワークで用いられる近傍用の演算パラメータおよび遠方用の演算パラメータを学習することもできる。

（第３実施形態）

次に、本発明の第３実施形態について説明する。第３実施形態では、上記各実施形態と異なる部分を中心に説明する、このため、上記各実施形態と同一部分には同一符号を付し、その詳細な説明は省略する。

図１１は、第３実施形態に係る電磁波反射特性推定装置４０Ｂの構成図である。図１１に示すように、電磁波反射特性推定装置４０Ｂは、周囲特徴量抽出部５２を備えた点、推定部４６が周囲特徴量抽出部５２が抽出した周囲特徴量も用いてレーダー断面積を推定する点が、第１実施形態に係る電磁波反射特性推定装置４０と異なる。

周囲特徴量抽出部５２は、撮影部４２により撮影された撮影画像に基づいて、車両の周囲を含む周囲特徴量を抽出する。具体的には、物体特徴量抽出部４４が車両の形状を抽出する場合と同様に、撮影画像に基づいて、パターンマッチング等の公知の手法により車両の周囲、例えば建物、道路等の形状等を抽出し、抽出した周囲の形状等をボクセルデータ等に変換する。

推定部４６は、物体特徴量だけでなく周囲特徴量も三次元畳み込みニューラルネットワークに入力して車両のレーダー断面積を推定する。

次に、ＣＰＵ５０Ａで実行される電磁波反射特性推定処理について、図１２に示すフローチャートを参照して説明する。

ステップＳ２００、Ｓ２０２は、図８のステップＳ２００、Ｓ２０２と同一の処理である。

ステップＳ２０３Ａでは、ステップＳ２００で撮影された撮影画像に基づいて、車両の周囲を含む周囲特徴量を抽出する。すなわち、撮影画像に基づいて車両の周囲の形状を抽出し、抽出した車両の周囲の形状をボクセルデータに変換する。

ステップＳ２０４では、ステップＳ２０２の処理で得られた車両の形状のボクセルデータおよびステップＳ２０３Ａの処理で得られた車両の周囲の形状のボクセルデータを、学習装置１０により学習された演算パラメータが設定された三次元畳み込みニューラルネットワークに入力し、車両のレーダー断面積を推定する。

このように、本実施形態では、周囲特徴量も考慮してレーダー断面積が推定されるので、精度良くレーダー断面積を推定することができる。

（第４実施形態）

次に、本発明の第４実施形態について説明する。第４実施形態では、上記各実施形態と異なる部分を中心に説明する、このため、上記各実施形態と同一部分には同一符号を付し、その詳細な説明は省略する。

図１３は、第４実施形態に係る電磁波反射特性推定装置４０Ｃの構成図である。図１３に示すように、電磁波反射特性推定装置４０Ｃは、第１の推定部４６Ａ、第２の推定部４６Ｂ、および第３の推定部４６Ｃを備えた点が、第１実施形態に係る電磁波反射特性推定装置４０と異なる。

第１の推定部４６Ａは、第１の推定部４６と同様の機能を有する。すなわち、第１の推定部４６Ａは、物体特徴量抽出部４４により抽出された物体特徴量を入力として、学習装置１０により学習された演算パラメータ、具体的には、レーダー断面積を推定する三次元畳み込みニューラルネットワークについて学習された演算パラメータに基づいて物体のレーダー断面積を推定する。

第２の推定部４６Ｂは、第１の推定部４６Ｂにより推定された車両のレーダー断面積を入力として、学習装置１０により学習された演算パラメータ、具体的には、第２実施形態で説明したように、電磁波反射強度を推定する三次元畳み込みニューラルネットワークについて学習された近傍用の演算パラメータに基づいて車両の電磁波反射強度を推定する。

第３の推定部４６Ｃは、第２の推定部４６Ｂにより推定された車両の電磁波反射強度を入力として、学習装置により学習された演算パラメータ、具体的には、第２実施形態で説明したように、電磁波反射強度を推定する三次元畳み込みニューラルネットワークについて学習された遠方用の演算パラメータに基づいて車両の電磁波反射強度を推定する。

次に、ＣＰＵ５０Ａで実行される電磁波反射特性推定処理について、図１４に示すフローチャートを参照して説明する。

ステップＳ２００、Ｓ２０２、Ｓ２０４は、図８のステップＳ２００、Ｓ２０２、Ｓ２０４と同一の処理である。

ステップＳ２０６Ａは、図１０のステップ２０４Ａと同様の処理であるが、レーダー断面積ではなく電磁波反射強度を推定する点が異なる。すなわち、ステップＳ２０６では、近傍用の演算パラメータに基づいて車両の電磁波反射強度を推定する。

ステップＳ２０６Ｂは、図１０のステップ２０４Ｂと同様の処理であるが、レーダー断面積ではなく電磁波反射強度を推定する点が異なる。すなわち、ステップＳ２０６Ｂでは、遠方用の演算パラメータに基づいて車両の電磁波反射強度を推定する。

このように、本実施形態では、第１の推定部４６Ａ〜第３の推定部４６Ｃを直列に接続した構成として車両の電磁波反射強度を推定するので、精度良く電磁波反射強度を推定することができる。

（第５実施形態）

次に、本発明の第５実施形態について説明する。第５実施形態では、上記各実施形態と異なる部分を中心に説明する、このため、上記各実施形態と同一部分には同一符号を付し、その詳細な説明は省略する。

図１５は、第５実施形態に係る電磁波反射特性推定装置４０Ｄの構成図である。図１５に示すように、電磁波反射特性推定装置４０Ｄは、第３実施形態で説明した周囲特徴量抽出部５２を備えた点が、第４実施形態に係る電磁波反射特性推定装置４０Ｄと異なる。

第２の推定部４６Ｂは、第１の推定部４６Ａが推定した車両のレーダー断面積および周囲特徴量抽出部５２が抽出した周囲特徴量を入力として、車両の電磁波反射強度を推定する。

第３の推定部４６Ｃは、第２の推定部４６Ｂが推定した車両の電磁波反射強度および周囲特徴量抽出部５２が抽出した周囲特徴量を入力として、車両の電磁波反射強度を推定する。

次に、ＣＰＵ５０Ａで実行される電磁波反射特性推定処理について、図１６に示すフローチャートを参照して説明する。

ステップＳ２００、Ｓ２０２、Ｓ２０４は、図１４のステップＳ２００、Ｓ２０２、Ｓ２０４と同一の処理である。また、ステップＳ２０３Ａの処理は、図１２のステップＳ２０３Ａと同一の処理である。

ステップＳ２０６Ａは、ステップＳ２０３Ａで抽出した周囲特徴量も三次元畳み込みニューラルネットワークに入力する点が図１４のステップＳ２０６Ａと異なるが、その他は同じである。

ステップＳ２０６Ｂは、ステップＳ２０３Ａで抽出した周囲特徴量も三次元畳み込みニューラルネットワークに入力する点が図１４のステップＳ２０６Ｂと異なるが、その他は同じである。

このように、本実施形態では、周囲特徴量も考慮して車両の電磁波反射強度を推定するので、精度良く電磁波反射強度を推定することができる。

（実施例）

次に、本発明の実施例について説明する。

まず、物体の３次元形状の公開データセットであるＮＴＵ ３Ｄ Ｍｏｄｅｌ Ｄａｔａｂａｓｅに含まれる車両２７台について、ＦＤＴＤ法を改良した手法である有限積分法（ｆｉｎｉｔｅ ｉｎｔｅｇｒａｔｉｏｎ ｔｅｃｈｎｉｑｕｅ：ＦＩＴ）を用いた電磁界シミュレーションにより、車両正面から２度刻みでパルス状の平面波を入射させた場合のレーダー断面積を算出した。算出したレーダー断面積の結果を図１７に示す。

次に、２７台の内の１台をテストデータとし、残りの２６台分のデータを学習データとして、３次元畳み込みニューラルネットワークに対して二値化した６４×６４×３２ボクセルで表現した車両の形状を入力し、レーダー断面積の出力を学習させた。

その結果、レーダー断面積の推定値と目標値の相関係数は２７台で平均して０．６３であった。また、車両１台に対して１つの入射角度でのレーダー断面積の計算時間は平均５．４ｍｓと非常に高速であった。従来法を用いた場合の計算時間は高性能のパーソナルコンピュータを用いた場合でも３０ｓ程度はかかるため、５０００分の１以下に短縮できたことになり、実時間による動作が可能であることが判った。

また、図１８に示すような新規の車両５４に対してレーダー断面積（ＲＣＳ推定値）を推定した結果と電磁波シミュレーションによりレーダー断面積（ＲＣＳ目標値）を算出した結果を図１９に示した。この例では、ＲＣＳ推定値とＲＣＳ目標値との相関係数は０．８９であった。

このように、新規の車両に対しても精度良くレーダー断面積を推定することができることが判った。

１０ 学習装置
１２ 算出部
１４ 物体特徴量抽出部
１４ 特徴量抽出部
１６ 推定部
１８ 学習部
４０、４０Ａ、４０Ｂ、４０Ｃ、４０Ｄ、４０Ｅ 電磁波反射特性推定装置
４２ 撮影部
４４ 物体特徴量抽出部
４６ 推定部
４６Ａ 第１の推定部
４６Ｂ 第２の推定部
４６Ｃ 第３の推定部
４８ 判定部

Claims (10)

1. 物体の三次元形状データに基づいて、電磁界解析により前記物体の電磁波反射特性を算出する算出部と、
   前記物体の三次元形状データに基づいて、前記物体の形状を含む物体特徴量を抽出する物体特徴量抽出部と、
   前記物体特徴量を入力として、機械学習により学習された演算パラメータを用いて前記物体の電磁波反射特性を推定する推定部と、
   前記算出部により算出された前記物体の電磁波反射特性を目標値として、前記物体の電磁波反射特性が前記目標値に近づくように、前記演算パラメータを学習する学習部と、
   を備えた学習装置。
2. 前記算出部は、前記物体が近傍に存在する場合として、前記物体の形状のサイズが予め定めた閾値以上の場合の前記物体の電磁波反射特性を算出し、
   前記推定部は、前記物体が近傍に存在する場合の前記物体の電磁波反射特性を推定し、
   前記学習部は、前記算出部により算出された前記物体が近傍に存在する場合の電磁波反射特性を目標値として、前記物体の電磁波反射特性が前記目標値に近づくように、前記演算パラメータを学習する
   請求項１記載の学習装置。
3. 前記算出部は、前記物体が遠方に存在する場合として、前記物体の形状のサイズが予め定めた閾値未満の場合の前記物体の電磁波反射特性を算出し、
   前記推定部は、前記物体が遠方に存在する場合の前記物体の電磁波反射特性を推定し、
   前記学習部は、前記算出部により算出された前記物体が遠方に存在する場合の電磁波反射特性を目標値として、前記物体の電磁波反射特性が前記目標値に近づくように、前記演算パラメータを学習する
   請求項１記載の学習装置。
4. 物体を撮影する撮影部と、
   前記撮影部により撮影された撮影画像に基づいて、前記物体の形状を含む物体特徴量を抽出する物体特徴量抽出部と、
   前記物体特徴量を入力として、請求項１〜３の何れか１項に記載の学習装置により学習された前記演算パラメータに基づいて前記物体の電磁波反射特性を推定する推定部と、
   を備えた電磁波反射特性推定装置。
5. 物体を撮影する撮影部と、
   前記撮影部により撮影された撮影画像に基づいて、前記物体の形状を含む物体特徴量を抽出する特徴量抽出部と、
   前記物体特徴量に基づいて、前記物体の形状のサイズが予め定めた閾値以上であれば前記物体が近傍に存在すると判定し、前記物体の形状のサイズが予め定めた閾値未満であれば前記物体が遠方に存在すると判定する判定部と、
   前記物体特徴量を入力として、前記判定部により前記物体が近傍であると判定された場合には、請求項２記載の学習装置により学習された前記演算パラメータに基づいて前記物体の電磁波反射特性を推定し、前記判定部により前記物体が遠方であると判定された場合には、請求項３記載の学習装置により学習された前記演算パラメータに基づいて前記物体の電磁波反射特性を推定する推定部と、
   を備えた電磁波反射特性推定装置。
6. 前記撮影部により撮影された撮影画像に基づいて、前記物体の周囲を含む周囲特徴量を抽出する周囲特徴量抽出部を備え、
   前記推定部は、前記物体特徴量および前記周囲特徴量を入力として、前記物体の電磁波反射特性を推定する
   請求項４または請求項５記載の電磁波反射特性推定装置。
7. 物体を撮影する撮影部と、
   前記撮影部により撮影された撮影画像に基づいて、前記物体の形状を含む物体特徴量を抽出する物体特徴量抽出部と、
   前記物体特徴量を入力として、請求項１記載の学習装置により学習された前記演算パラメータに基づいて前記物体のレーダー断面積を推定する第１の推定部と、
   前記第１の推定部により推定された前記物体のレーダー断面積を入力として、請求項２記載の学習装置により学習された前記演算パラメータに基づいて前記物体の電磁波反射強度を推定する第２の推定部と、
   前記第２の推定部により推定された前記物体の電磁波反射強度を入力として、請求項３記載の学習装置により学習された前記演算パラメータに基づいて前記物体の電磁波反射強度を推定する第３の推定部と、
   を備えた電磁波反射特性推定装置。
8. 前記撮影部により撮影された撮影画像に基づいて、前記物体の周囲を含む周囲特徴量を抽出する周囲特徴量抽出部を備え、
   前記第２の推定部は、前記物体のレーダー断面積および前記周囲特徴量を入力として、前記物体の電磁波反射強度を推定し、
   前記第３の推定部は、前記第２の推定部により推定された前記物体の電磁波反射強度および前記周囲特徴量を入力として、前記物体の電磁波反射強度を推定する
   請求項７記載の電磁波反射特性推定装置。
9. コンピュータを、請求項１〜３の何れか１項に記載の学習装置の各部として機能させるための学習プログラム。
10. コンピュータを、請求項４〜８の何れか１項に記載の電磁波反射特性推定装置の各部として機能させるための電磁波反射特性推定プログラム。