JP7040589B1 - 機械学習方法及び機械学習システム - Google Patents
機械学習方法及び機械学習システム Download PDFInfo
- Publication number
- JP7040589B1 JP7040589B1 JP2020199654A JP2020199654A JP7040589B1 JP 7040589 B1 JP7040589 B1 JP 7040589B1 JP 2020199654 A JP2020199654 A JP 2020199654A JP 2020199654 A JP2020199654 A JP 2020199654A JP 7040589 B1 JP7040589 B1 JP 7040589B1
- Authority
- JP
- Japan
- Prior art keywords
- machine learning
- server
- vehicle
- processing
- model
- 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.)
- Active
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 378
- 238000012545 processing Methods 0.000 claims abstract description 257
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000004891 communication Methods 0.000 claims description 63
- 238000012549 training Methods 0.000 claims description 44
- 230000005540 biological transmission Effects 0.000 claims description 19
- 238000010586 diagram Methods 0.000 abstract description 21
- 238000000034 method Methods 0.000 description 27
- 230000008569 process Effects 0.000 description 20
- 238000002485 combustion reaction Methods 0.000 description 13
- 239000000446 fuel Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000002347 injection Methods 0.000 description 8
- 239000007924 injection Substances 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 239000004065 semiconductor Substances 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/06—Improving the dynamic response of the control system, e.g. improving the speed of regulation or avoiding hunting or overshoot
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Human Computer Interaction (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Feedback Control In General (AREA)
- Traffic Control Systems (AREA)
Abstract
Description
前記車両が前記サーバへ前記モデルパラメータの値の機械学習を依頼する依頼信号を送信することと、
前記サーバが該サーバの現在の処理負荷を検出することと、
前記車両から前記依頼信号を受信したときに、前記サーバが、前記処理負荷に基づいて、前記サーバ及び前記車両それぞれで行う前記機械学習の処理量又は処理比率を決定することと、
前記サーバが、前記決定された該サーバにおける前記機械学習の処理量又は処理比率に応じて、前記モデルパラメータの値を機械学習するための訓練データセットに基づいて前記モデルパラメータの値を機械学習することと、
前記車両が、前記決定された該車両における前記機械学習の処理量又は処理比率に応じて、前記訓練データセットに基づいて前記モデルパラメータの値を機械学習すること、とを含み、
前記サーバは、前記処理負荷が相対的に高いときには相対的に低いときに比べて前記サーバにおける前記機械学習の処理量又は処理比率を少なくする、機械学習方法。
[2]前記サーバは、前記処理負荷が所定の基準処理負荷よりも高いときには前記機械学習の全ての処理を前記車両にて行わせることを決定し、且つ、前記処理負荷が前記基準処理負荷以下であるときには前記機械学習の全ての処理を前記サーバにて行わせることを決定する、上記[1]に記載の機械学習方法。
[3]前記基準処理負荷は、前記機械学習モデルの種類に応じて変更される、上記[2]に記載の機械学習方法。
[4]前記基準処理負荷は、前記機械学習モデルが前記車両の安全性に関連するモデルである場合には、前記機械学習モデルが前記車両の安全性に関連しないモデルである場合に比べて、高い、上記[3]に記載の機械学習方法。
[5]前記車両で前記訓練データセットに基づいて前記機械学習を行った場合の予想学習時間と前記訓練データセット及び前記モデルパラメータの前記車両と前記サーバとの間の送受信に必要な予想通信時間とを算出することを更に含み、
前記基準処理負荷は、前記サーバにおいて前記モデルパラメータの値を機械学習するのに前記予想学習時間から前記予想通信時間を減算した時間が必要になるような負荷又はそれよりも低い負荷である、上記[2]~[4]のいずれか1項に記載の機械学習方法。
[6]搭載された機器を制御するのに用いられる機械学習モデルを有する車両と、該車両と通信可能なサーバとを備え、前記機械学習モデルを構成するモデルパラメータの値を機械学習する、機械学習システムであって、
前記車両は、
前記サーバへ前記モデルパラメータの値の機械学習を依頼する依頼信号を送信する学習依頼送信部と、
前記モデルパラメータの値を機械学習するための訓練データセットに基づいて前記モデルパラメータの値を機械学習する車両側学習部と、を備え、
前記サーバは、
前記サーバの現在の処理負荷を検出する処理負荷検出部と、
前記車両から前記依頼信号を受信したときに、前記処理負荷に基づいて、前記サーバ及び前記車両それぞれで行う前記機械学習の処理量又は処理比率を決定する処理量決定部と、
前記訓練データセットに基づいて前記モデルパラメータの値を機械学習するサーバ側学習部と、を備え、
前記サーバ側学習部及び前記車両側学習部は、それぞれ、前記決定された前記機械学習の処理量又は処理比率に応じて、前記モデルパラメータの値を機械学習する学習部を備え、
前記処理量決定部は、前記処理負荷が相対的に高いときには相対的に低いときに比べて前記サーバ側学習部における前記機械学習の処理量又は処理比率を少なくする、機械学習システム。
≪機械学習システムの構成≫
まず、図1~図5を参照して、第一実施形態に係る機械学習システム1及び機械学習システム1において行われる機械学習方法について説明する。図1は、第一実施形態に係る機械学習システム1の概略的な構成図である。機械学習システム1は、各車両に特有の機械学習モデルを、各車両の状態を表す複数の状態パラメータの値を含む訓練データセットを用いて機械学習させる。機械学習モデルは、車両に搭載された機器を制御するのに用いられる。
本実施形態では、車両2の制御部141において、車両2に搭載された制御機器22を制御するにあたり、機械学習された機械学習モデルが用いられる。本実施形態では、機械学習モデルとして、ニューラルネットワークモデル(以下、「NNモデル」という)が用いられる。以下、図6を参照して、NNモデルの概要について説明する。図6は、単純な構成を有するNNモデルの一例を示す。
次に、上述したような機械学習モデル(NNモデル)の機械学習について説明する。斯かる機械学習モデルの精度を向上させるためには、機械学習モデルを構成するモデルパラメータの値の機械学習(以下、単に「機械学習モデルの機械学習」ともいう)を行う必要がある。そこで、本実施形態では、車両2の車両側学習部145又はサーバ3のサーバ側学習部333が機械学習モデルの機械学習を行う。具体的には、車両側学習部145又はサーバ側学習部333の機械学習では、機械学習モデルに入力パラメータの値が入力されるとこれら入力パラメータの値に対応する適切な出力パラメータの値が機械学習モデルから出力されるように、機械学習モデルの全てのモデルパラメータ(NNモデルであれば、重みw、バイアスb等)の値が算出される。以下、車両側学習部145又はサーバ側学習部333において行われる、機械学習モデルの機械学習の学習手法を簡単に説明する。
次に、図7及び図8を参照して、車両2又はサーバ3における機械学習モデルの学習処理の流れについて説明する。本実施形態では、サーバ3における処理負荷に応じて、機械学習モデルの機械学習を行う主体が変更される。特に、本実施形態では、サーバ3における処理負荷が高い場合には、車両2によって機械学習が行われ、サーバ3における処理負荷が低い場合には、サーバ3によって機械学習が行われる。したがって、本実施形態では、機械学習モデルの機械学習が車両2によって行われる場合とサーバ3で行われる場合とが存在する。したがって、以下では、機械学習が車両2及びサーバ3のそれぞれで行われる場合における学習処理の流れについて説明する。
上記実施形態に係る機械学習システム1及び機械学習システム1において実行される機械学習方法によれば、サーバ3における処理負荷が低いときにはサーバ3にて車両2の機械学習モデルの機械学習が行われ、サーバ3における処理負荷が高いときには車両2にて車両2の機械学習モデルの機械学習が行われる。この結果、できる限り処理速度の速いサーバ3にて機械学習モデルの機械学習を行いつつ、多数の車両からサーバ3に機械学習の依頼があるような場合においてもサーバ3の処理負荷が過剰に高くなってしまうことが抑制される。
次に、図9及び図10を参照して、第二実施形態に係る機械学習システム1及び機械学習システム1において行われる機械学習方法について説明する。第二実施形態に係る機械学習システム1の構成及び処理は基本的に第一実施形態に係る機械学習システム1の構成及び処理と同様である。以下では、第一実施形態に係る機械学習システム1と異なる点を中心に説明する。
次に、図11を参照して、第三実施形態に係る機械学習システム1及び機械学習システム1において行われる機械学習方法について説明する。第三実施形態に係る機械学習システム1の構成及び処理は基本的に第一実施形態及び第二実施形態に係る機械学習システム1の構成及び処理と同様である。以下では、第一実施形態及び第二実施形態に係る機械学習システム1と異なる点を中心に説明する。
2 車両
3 サーバ
11 ECU
13 記憶装置
14 プロセッサ
22 制御機器
23 センサ
32 記憶装置
33 プロセッサ
Claims (8)
- 搭載された機器を制御するのに用いられる機械学習モデルを有する車両と、該車両と通信可能なサーバとを備える機械学習システムにおいて行われる、前記機械学習モデルを構成するモデルパラメータの値を機械学習する、機械学習方法であって、
前記車両が前記サーバへ前記モデルパラメータの値の機械学習を依頼する依頼信号を送信することと、
前記サーバが該サーバの現在の処理負荷を検出することと、
前記車両から前記依頼信号を受信したときに、前記サーバが、前記処理負荷に基づいて、前記サーバ及び前記車両それぞれで行う前記機械学習の処理量又は処理比率を決定することと、
前記サーバが、前記決定された該サーバにおける前記機械学習の処理量又は処理比率に応じて、前記モデルパラメータの値を機械学習するための訓練データセットに基づいて前記モデルパラメータの値を機械学習することと、
前記車両が、前記決定された該車両における前記機械学習の処理量又は処理比率に応じて、前記訓練データセットに基づいて前記モデルパラメータの値を機械学習すること、とを含み、
前記サーバは、前記処理負荷が相対的に高いときには相対的に低いときに比べて前記サーバにおける前記機械学習の処理量又は処理比率を少なくする、機械学習方法。 - 前記サーバは、前記処理負荷が所定の基準処理負荷よりも高いときには前記機械学習の全ての処理を前記車両にて行わせることを決定し、且つ、前記処理負荷が前記基準処理負荷以下であるときには前記機械学習の全ての処理を前記サーバにて行わせることを決定する、請求項1に記載の機械学習方法。
- 前記基準処理負荷は、前記機械学習モデルの種類に応じて変更される、請求項2に記載の機械学習方法。
- 前記基準処理負荷は、前記機械学習モデルが前記車両の安全性に関連するモデルである場合には、前記機械学習モデルが前記車両の安全性に関連しないモデルである場合に比べて、高い、請求項3に記載の機械学習方法。
- 前記車両で前記訓練データセットに基づいて前記機械学習を行った場合の予想学習時間と前記訓練データセット及び前記モデルパラメータの前記車両と前記サーバとの間の送受信に必要な予想通信時間とを算出することを更に含み、
前記基準処理負荷は、前記サーバにおいて前記モデルパラメータの値を機械学習するのに前記予想学習時間から前記予想通信時間を減算した時間が必要になるような負荷又はそれよりも低い負荷である、請求項2~4のいずれか1項に記載の機械学習方法。 - 前記車両で前記訓練データセットに基づいて前記機械学習を行った場合の予想学習時間と、前記訓練データセットの前記車両と前記サーバとの間での送受信に必要な予想通信時間とを算出することをさらに含み、
前記サーバは、前記処理負荷が相対的に高いときには相対的に低いときに比べて前記サーバにおける前記機械学習の処理量又は処理比率が少なくなるように、予想学習時間から予想通信時間を減算した値に基づいて、前記機械学習の処理量又は処理比率を連続的又は段階的に変化させる、請求項1に記載の機械学習方法。 - 搭載された機器を制御するのに用いられる機械学習モデルを有する車両と通信可能であり且つ前記機械学習モデルを構成するモデルパラメータの値を機械学習するサーバであって、
前記サーバが該サーバの現在の処理負荷を検出する処理負荷検出部と、
当該サーバへ前記モデルパラメータの値の機械学習を依頼する依頼信号を前記車両から受信したときに、前記処理負荷に基づいて、前記サーバ及び前記車両それぞれで行う前記機械学習の処理量又は処理比率を決定する処理量決定部と、
前記決定された該サーバにおける前記機械学習の処理量又は処理比率に応じて、前記モデルパラメータの値を機械学習するための訓練データセットに基づいて前記モデルパラメータの値を機械学習する学習部と、
前記学習部による前記モデルパラメータの値の機械学習が行われた場合に該機械学習によって得られた前記モデルパラメータの値を前記車両に送信する送信部と、を有し、
前記処理量決定部は、前記処理負荷が相対的に高いときには相対的に低いときに比べて前記サーバにおける前記機械学習の処理量又は処理比率を少なくする、サーバ。 - 搭載された機器を制御するのに用いられる機械学習モデルを有する車両と、該車両と通信可能なサーバとを備え、前記機械学習モデルを構成するモデルパラメータの値を機械学習する、機械学習システムであって、
前記車両は、
前記サーバへ前記モデルパラメータの値の機械学習を依頼する依頼信号を送信する学習依頼送信部と、
前記モデルパラメータの値を機械学習するための訓練データセットに基づいて前記モデルパラメータの値を機械学習する車両側学習部と、を備え、
前記サーバは、
前記サーバの現在の処理負荷を検出する処理負荷検出部と、
前記車両から前記依頼信号を受信したときに、前記処理負荷に基づいて、前記サーバ及び前記車両それぞれで行う前記機械学習の処理量又は処理比率を決定する処理量決定部と、
前記訓練データセットに基づいて前記モデルパラメータの値を機械学習するサーバ側学習部と、を備え、
前記サーバ側学習部及び前記車両側学習部は、それぞれ、前記決定された前記機械学習の処理量又は処理比率に応じて、前記モデルパラメータの値を機械学習する学習部を備え、
前記処理量決定部は、前記処理負荷が相対的に高いときには相対的に低いときに比べて前記サーバ側学習部における前記機械学習の処理量又は処理比率を少なくする、機械学習システム。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020199654A JP7040589B1 (ja) | 2020-12-01 | 2020-12-01 | 機械学習方法及び機械学習システム |
DE102021129697.8A DE102021129697A1 (de) | 2020-12-01 | 2021-11-15 | Maschinenlernverfahren und Maschinenlernsystem |
US17/536,615 US11623652B2 (en) | 2020-12-01 | 2021-11-29 | Machine learning method and machine learning system |
CN202111430621.XA CN114578687A (zh) | 2020-12-01 | 2021-11-29 | 机器学习方法及机器学习系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020199654A JP7040589B1 (ja) | 2020-12-01 | 2020-12-01 | 機械学習方法及び機械学習システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7040589B1 true JP7040589B1 (ja) | 2022-03-23 |
JP2022087620A JP2022087620A (ja) | 2022-06-13 |
Family
ID=81214316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020199654A Active JP7040589B1 (ja) | 2020-12-01 | 2020-12-01 | 機械学習方法及び機械学習システム |
Country Status (4)
Country | Link |
---|---|
US (1) | US11623652B2 (ja) |
JP (1) | JP7040589B1 (ja) |
CN (1) | CN114578687A (ja) |
DE (1) | DE102021129697A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7040589B1 (ja) * | 2020-12-01 | 2022-03-23 | トヨタ自動車株式会社 | 機械学習方法及び機械学習システム |
US11760376B2 (en) * | 2020-12-29 | 2023-09-19 | Ford Global Technologies, Llc | Machine learning updating with sensor data |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006244146A (ja) | 2005-03-03 | 2006-09-14 | Canon Inc | コンテンツ管理システム |
JP2019021201A (ja) | 2017-07-20 | 2019-02-07 | 株式会社デンソー | 学習サーバ及び支援システム |
JP2019094044A (ja) | 2017-11-17 | 2019-06-20 | 株式会社デンソー | 車両制御装置 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69232112T2 (de) | 1991-11-12 | 2002-03-14 | Fujitsu Ltd | Vorrichtung zur Sprachsynthese |
JP3446764B2 (ja) * | 1991-11-12 | 2003-09-16 | 富士通株式会社 | 音声合成システム及び音声合成サーバ |
JPH1153326A (ja) | 1997-07-30 | 1999-02-26 | Internatl Business Mach Corp <Ibm> | 分散処理システム、クライアントノード、サーバノードおよび分散処理方法 |
DE202016004627U1 (de) | 2016-07-27 | 2016-09-23 | Google Inc. | Training eines neuronalen Wertnetzwerks |
CN115343947A (zh) * | 2016-09-23 | 2022-11-15 | 苹果公司 | 自主车辆的运动控制决策 |
JP6575932B2 (ja) * | 2017-03-29 | 2019-09-18 | マツダ株式会社 | 車両運転支援システム |
US11741354B2 (en) | 2017-08-25 | 2023-08-29 | Ford Global Technologies, Llc | Shared processing with deep neural networks |
US20190147855A1 (en) | 2017-11-13 | 2019-05-16 | GM Global Technology Operations LLC | Neural network for use in speech recognition arbitration |
US11429862B2 (en) * | 2018-03-20 | 2022-08-30 | Sri International | Dynamic adaptation of deep neural networks |
JP6986503B2 (ja) * | 2018-09-10 | 2021-12-22 | 日立Astemo株式会社 | 電子制御装置、ニューラルネットワーク更新システム |
US20210182739A1 (en) * | 2019-12-17 | 2021-06-17 | Toyota Motor Engineering & Manufacturing North America, Inc. | Ensemble learning model to identify conditions of electronic devices |
JP7040571B2 (ja) * | 2020-09-03 | 2022-03-23 | トヨタ自動車株式会社 | 学習装置及びモデル学習システム |
JP7040589B1 (ja) * | 2020-12-01 | 2022-03-23 | トヨタ自動車株式会社 | 機械学習方法及び機械学習システム |
-
2020
- 2020-12-01 JP JP2020199654A patent/JP7040589B1/ja active Active
-
2021
- 2021-11-15 DE DE102021129697.8A patent/DE102021129697A1/de active Pending
- 2021-11-29 US US17/536,615 patent/US11623652B2/en active Active
- 2021-11-29 CN CN202111430621.XA patent/CN114578687A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006244146A (ja) | 2005-03-03 | 2006-09-14 | Canon Inc | コンテンツ管理システム |
JP2019021201A (ja) | 2017-07-20 | 2019-02-07 | 株式会社デンソー | 学習サーバ及び支援システム |
JP2019094044A (ja) | 2017-11-17 | 2019-06-20 | 株式会社デンソー | 車両制御装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2022087620A (ja) | 2022-06-13 |
CN114578687A (zh) | 2022-06-03 |
US11623652B2 (en) | 2023-04-11 |
US20220169268A1 (en) | 2022-06-02 |
DE102021129697A1 (de) | 2022-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7040589B1 (ja) | 機械学習方法及び機械学習システム | |
CN113830097B (zh) | 车辆、模型学习系统以及服务器 | |
US11675999B2 (en) | Machine learning device | |
US20220194394A1 (en) | Machine learning device and machine learning system | |
US11820398B2 (en) | Learning apparatus and model learning system | |
JP6939963B1 (ja) | モデル学習システム及びサーバ | |
US20210192872A1 (en) | Model diagnosis device and model diagnosis system | |
JP6962435B1 (ja) | 機械学習装置 | |
JP2022079938A (ja) | 機械学習システム | |
JP2022076257A (ja) | 機械学習システム、車両及びサーバ | |
US20220292350A1 (en) | Model updating apparatus, model updating method, and model updating program | |
JP7276298B2 (ja) | モデル学習システム、車両の制御装置及びモデル学習方法 | |
JP2022173803A (ja) | 学習モデルのパラメータの値の授受装置及び授受システム | |
JP2022035222A (ja) | 機械学習装置 | |
JP2022053033A (ja) | 機械学習装置 | |
JP2022007079A (ja) | 車両 | |
JP2022007498A (ja) | 機械学習装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210624 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210624 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210831 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211101 |
|
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: 20220208 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220221 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7040589 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |