JP7208888B2 - コンピュータプログラム、推定装置、及び学習モデルの生成方法 - Google Patents

Description

本発明は、コンピュータプログラム、推定装置、及び学習モデルの生成方法に関する。

近年、トラック等の大型車両において、自重（積載重量）を計測する自重計が搭載されたものが知られている。

従来の自重計では、フロント及びリアの車軸両端部に取り付けられた荷重センサを用いて、前後左右の各タイヤに掛かる荷重を計測し、各荷重センサの出力の合計から積載重量を求めている。

特開２００４－１３２８７１号公報

しかしながら、従来の自重計では、各荷重センサの出力の合計を積載重量に換算する方式が取られているので、車両が傾斜地に存在する場合、荷台上の積み荷のバランスが均等でない場合等において、正しい積載重量を計測できないことがある。

本発明は、積載重量を精度良く推定できるコンピュータプログラム、推定装置、及び学習モデルの生成方法を提供することを目的とする。

本発明の一態様に係るコンピュータプログラムは、コンピュータに、特装車における複数の部位の変位量を夫々計測する複数の変位センサから、前記変位量に係る計測データを取得し、前記変位量に係る計測データと前記特装車の積載重量との関係を学習してある学習モデルに、前記複数の変位センサから取得した計測データを入力することにより、前記学習モデルを用いた演算を実行し、前記演算の実行結果に基づき、前記特装車の積載重量を推定する処理を実行させるためのコンピュータプログラムである。
なお、前記変位量は、特装車における複数の部位に負荷がかかる際に、「当該部位そのものに生じる変位の大きさ」または「当該部位が他の部位と比較した相対的な変位の大きさ」の少なくともいずれかを指している。また、前記変位センサは、前記複数の部位に直接的に取り付けられるセンサだけでなく、当該部位に取り付けられる計測部材（例えばロードセル）に内蔵されたセンサも指している。

本発明の一態様に係る推定装置は、特装車における複数の部位の変位量を夫々計測する複数の変位センサから、前記変位量に係る計測データを取得する取得部と、前記変位量に係る計測データと前記特装車の積載重量との関係を学習してある学習モデルに、前記複数の変位センサから取得した計測データを入力することにより、前記学習モデルを用いた演算を実行し、前記演算の実行結果に基づき、前記特装車の積載重量を推定する推定部とを備える。

本発明の一態様に係る学習モデルの生成方法は、コンピュータを用いて、特装車における複数の部位について計測された変位量に係る計測データと、前記特装車について計測された積載重量の値とを取得し、取得した計測データと積載重量の値とを訓練データに用いて、変位量に係る計測データの入力に応じて、前記特装車の積載重量についての演算結果を出力するよう構成される学習モデルを生成する。

本願によれば、積載重量を精度良く推定できる。

実施の形態１に係る特装車の全体構成を示す側面図である。 実施の形態１に係る特装車の全体構成を示す平面図である。 荷箱を起立させた状態の側面図である。 推定装置の内部構成を説明するブロック図である。 計測値テーブルの一例を示す概念図である。 学習モデルの構成を説明する模式図である。 学習モデルの生成手順を説明するフローチャートである。 学習モデルを用いた積載重量の推定手順を説明するフローチャートである。 計測結果を示すグラフである。 学習モデルの推定結果を示すグラフである。 実施の形態２に係る特装車の全体構成を示す側面図である。 実施の形態３における推定装置が実行する処理の手順について説明するフローチャートである。 学習モデルの再学習手順を説明するフローチャートである。

以下、本発明をその実施の形態を示す図面に基づいて具体的に説明する。
（実施の形態１）
図１は実施の形態１に係る特装車１の全体構成を示す側面図、図２はその平面図、図３は荷箱を起立させた状態の側面図である。図１～図３に例示する特装車１は、走行部であるトラックシャシ２と、走行部に搭載される架装装置の一例であるダンプ装置３とを備えるダンプトラックである。以下の説明において、前後、左右、上下の各方向は、トラックシャシ２の運転席に座った運転手から見た前後、左右、上下の各方向を表すものとする。なお、図２では、説明のために、ダンプ装置３を取り除いた状態を示している。

トラックシャシ２は、運転席が設けられるキャブ２０と、キャブ２０を支持するシャシフレーム２１とを備える。シャシフレーム２１は、前後方向に延びる左右一対のメインフレーム（縦根太）２１Ａ，２１Ａと、左右一対のメインフレーム２１Ａ，２１Ａを連結するクロスメンバ（横根太）２１Ｂ，２１Ｂ，…，２１Ｂとにより構成される（図２を参照）。トラックシャシ２の前輪２２Ｆ及び後輪２２Ｒは不図示の懸架装置を介してメインフレームに回転可能に取り付けられる。トラックシャシ２は、図に示していないエンジン（原動機）と、このエンジンにクラッチを介して連結される変速機とを備えており、駆動輪（例えば前輪２２Ｆ）の駆動系にエンジンの駆動力を変速機を介して伝達することによって、走行するように構成されている。

ダンプ装置３は、シャシフレーム２１上に固定されるサブフレーム３０と、サブフレーム３０によって支持され、土砂などの荷が積載される荷箱４とを備える。荷箱４は、サブフレーム３０の後端部にて左右方向に延びるヒンジ軸３１の回りに回動可能に支持されている。荷箱４は、上方が開放された箱体であり、矩形状の底部４０を囲むように配置されたフロントパネル４１、左右一対のサイドパネル４２、及びリアパネル（後アオリ）４３を備える。リアパネル４３は開閉可能に構成されている。

ダンプ装置３は、荷箱４を傾斜させるためのホイスト機構５を備える。ホイスト機構５は、例えば、リフトアーム５１、油圧シリンダ５２、テンションリンク５３を備える。油圧シリンダ５２が収縮した状態において、荷箱４は水平な姿勢に保たれる。一方、油圧シリンダ５２が伸長すると、荷箱４はその前部が持ち上げられ、ヒンジ軸３１の回りに回動する。その結果、図３に示すように荷箱４は後下がりに傾斜する。

特装車１は、車両状態を検出する様々なセンサを備える。特装車１は、例えば、積載物による荷重が作用する複数の部位の変位量を計測する変位センサの一例として、歪センサ８１Ａ～８１Ｄを備える。歪センサ８１Ａ～８１Ｄは、例えば歪ゲージにより構成される。ここで、歪センサ８１Ａは前輪２２Ｆの車軸２３Ｆの右端付近に取り付けられ、歪センサ８１Ｂは前輪２２Ｆの車軸２３Ｆの左端付近に取り付けられる。歪センサ８１Ｃは後輪２２Ｒの車軸２３Ｒの右端付近に取り付けられ、歪センサ８１Ｄは後輪２２Ｒの車軸２３Ｒの左端付近に取り付けられる。歪センサ８１Ａ，８１Ｂ並びに歪センサ８１Ｃ，８１Ｄは、例えば、特装車１の前後方向の中心線に対して左右対称に取り付けられる。歪センサ８１Ａ～８１Ｄは、荷重に応じた車軸２３Ｆ，２３Ｒの歪量を時系列的に計測し、計測した歪量に係る計測データを出力する。なお、以下の説明において、歪センサ８１Ａ～８１Ｄのそれぞれを個別に説明する必要がない場合、単に歪センサ８１とも記載する（図４を参照）。

特装車１は、トラックシャシ２の傾斜を計測する傾斜計８２を備えてもよい。傾斜計８２は、シャシフレーム２１の適宜箇所（例えば前後方向及び左右方向の中央付近）に取り付けられる。傾斜計８２は、トラックシャシ２の前後方向の傾斜（ピッチ）、及び左右方向の傾斜（ロール）を時系列的に計測し、計測した傾斜に係る計測データを出力する。特装車１は、荷箱４の傾斜を計測する傾斜計（不図示）を備えてもよく、荷箱４の前後方向の傾斜（ピッチ）及び左右方向の傾斜（ロール）に係る計測データを時系列的に取得してもよい。

特装車１は、歪センサ８１の取り付け位置及びその近傍の温度（環境温度）を計測する温度計８３を備えてもよい。温度計８３により計測される環境温度は歪センサ８１の値を校正するために用いることができるので、温度計８３は、歪センサ８１の環境温度を計測するのに適した場所に取り付けられる。例えば、温度計８３は、シャシフレーム２１、サブフレーム３０、車軸２３Ｆ，２３Ｒなどの少なくとも一箇所に取り付けられる。温度計８３は、環境温度を時系列的に計測し、計測した温度に係る計測データを出力する。

特装車１は、油圧シリンダ５２のシリンダ圧を計測する圧力計８４を備えてもよい。圧力計８４は、油圧シリンダ５２のシリンダ圧を時系列的に計測し、計測したシリンダ圧に係る計測データを出力する。

特装車１は、歪センサ８１により計測される歪量を含む各種計測データに基づき、積載物の重量（積載重量）を推定する推定装置１００を備える。本実施の形態において、積載重量は、荷箱４に積載されている積載物、特装車１に乗車している乗員、特装車１に積まれている燃料など、特装車１を構成する走行部及び架装装置以外の重量の合計を表す。なお、荷を積んでいないときの走行部及び架装装置の重量の合計（以下、車両重量という）は既知であるとする。推定装置１００の内部構成、及び推定装置１００が実行する処理の内容については後に詳述することとするが、本実施の形態では、歪量を含む計測データと特装車１の積載重量との関係が学習された学習モデルＬＭ１を用いて、特装車１の積載重量を推定する。推定装置１００は、例えばシャシフレーム２１に取り付けられる。代替的に、推定装置１００は、キャブ２０の内部に設けられてもよい。

本実施の形態では、特装車１の一例としてダンプ装置３を備えたダンプトラックについて説明するが、特装車１は、ダンプトラックに限らず、ドライバン、冷凍冷蔵車、液体運搬車、粉体運搬車、給水車、散水車、塵芥収集車など、積載物によって積載重量が変化し得る任意の特装車であってもよい。

以下、推定装置１００について説明する。
図４は推定装置１００の内部構成を説明するブロック図である。推定装置１００は、専用又は汎用のコンピュータであり、制御部１０１、記憶部１０２、操作部１０３、入力部１０４、出力部１０５、及び通信部１０６を備える。

制御部１０１は、例えば、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）などを備える。制御部１０１が備えるＲＯＭには、推定装置１００が備えるハードウェア各部の動作を制御する制御プログラム等が記憶される。制御部１０１内のＣＰＵは、ＲＯＭに記憶された制御プログラムや後述する記憶部１０２に記憶された各種コンピュータプログラムを実行し、ハードウェア各部の動作を制御することによって、本実施の形態における推定装置１００としての機能を実現する。制御部１０１が備えるＲＡＭには、演算の実行中に利用されるデータ等が一時的に記憶される。

制御部１０１は、ＣＰＵ、ＲＯＭ、及びＲＡＭを備える構成としたが、代替的に、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）、ＤＳＰ（Digital Signal Processor）、量子プロセッサ、揮発性又は不揮発性のメモリ等を備える１又は複数の演算回路又は制御回路であってもよい。また、制御部１０１は、日時情報を出力するクロック、計測開始指示を与えてから計測終了指示を与えるまでの経過時間を計測するタイマ、数をカウントするカウンタ等の機能を備えていてもよい。

記憶部１０２は、ハードディスク、フラッシュメモリなどを用いた記憶装置を備える。記憶部１０２には、制御部１０１によって実行されるコンピュータプログラム、外部から取得した各種データ、推定装置１００の内部にて生成した各種データ等が記憶される。

記憶部１０２に記憶されるコンピュータプログラムは、学習モデルＬＭ１を生成するための学習プログラムＰＧ１、及び学習モデルＬＭ１を用いて特装車１の積載重量を推定するための推定プログラムＰＧ２等を含む。

これらのコンピュータプログラムは、コンピュータプログラムを読み取り可能に記録した非一時的な記録媒体Ｍにより提供されてもよい。記録媒体Ｍは、例えば、ＣＤ－ＲＯＭ、ＵＳＢメモリ、ＳＤ（Secure Digital）カードなどの可搬型メモリである。制御部１０１は、図に示していない読取装置を用いて、記録媒体Ｍから各種プログラムを読み取り、読み取った各種プログラムを記憶部１０２に記憶させる。

記憶部１０２は、歪センサ８１、傾斜計８２、温度計８３、及び圧力計８４から得られる計測データを時系列的に記憶する計測値テーブルＴＢ１を備えてもよい。図５は計測値テーブルＴＢ１の一例を示す概念図である。計測値テーブルＴＢ１は、歪センサ８１により計測される歪量、傾斜計８２により計測される特装車１の傾斜角度（ピッチ及びロール）、温度計８３により計測される環境温度、及び圧力計８４により計測される油圧シリンダ５２のシリンダ圧の計測データを時間（計測時刻）に関連付けて記憶したテーブルである。計測値テーブルＴＢ１は、積載重量を１トンに固定して計測した計測値を記憶するテーブル、積載重量を２トンに固定して計測した計測値を記憶するテーブル、積載重量を３トンに固定して計測した計測値を記憶するテーブルといったように積載重量毎に用意される。なお、計測値テーブルＴＢ１に記憶される値は、センサの出力値であってもよく、センサの出力値から換算した物理量であってもよい。

記憶部１０２は、歪量を含む計測データから特装車１の積載重量を推定するための学習モデルＬＭ１を備えてもよい。学習モデルＬＭ１は、歪量を含む計測データが入力された場合、積載重量に関する演算結果を出力するように構成される。学習モデルＬＭ１は、その定義情報によって定義される。学習モデルＬＭ１の定義情報には、例えば、学習モデルＬＭ１の構造（層の種類や種類、ノードの数など）を規定する情報や学習によって定められる結合荷重などのパラメータなどが含まれる。学習モデルＬＭ１の詳細については後に詳述する。

操作部１０３は、スイッチやボタンなどにより構成されており、各種の操作を受付ける。制御部１０１は、操作部１０３を通じて受付けた操作に基づき、適宜の処理を実行する。なお、本実施の形態では、推定装置１００が操作部１０３を備える構成としたが、操作部１０３は必須ではなく、外部に接続された機器や通信部１０６を介して操作を受付ける構成であってもよい。

入力部１０４は、各種センサを接続するためのインタフェースを備え、歪センサ８１、傾斜計８２、温度計８３、圧力計８４などのセンサが接続される。入力部１０４には、これらのセンサが有線によって接続されてもよく、無線によって接続されてもよい。入力部１０４には、歪センサ８１より出力される歪量に係る計測データ、傾斜計８２より出力される特装車１の傾斜に係る計測データ、温度計８３より出力される温度に係る計測データ、圧力計８４より出力される油圧シリンダ５２のシリンダ圧に係る計測データ等が適宜入力される。

出力部１０５は、液晶モニタなどの表示装置１２０を接続するための出力インタフェースを備える。表示装置１２０は、例えばキャブ２０の運転席近傍に設けられる。代替的に、表示装置１２０は、フロントパネル４１の後面側に設けられてもよい。出力部１０５が備える出力インタフェースは、アナログ形式の映像信号を出力する出力インタフェースであってもよく、ＤＶＩ（Digital Visual Interface）やＨＤＭＩ（High-Definition Multimedia Interface、登録商標）などのデジタル形式の映像信号を出力する出力インタフェースであってもよい。出力部１０５は、例えば、学習モデルＬＭ１を用いた積載重量の推定結果を表示装置１２０に表示させるべく、表示データを表示装置１２０へ出力する。

本実施の形態では、推定装置１００の外部に表示装置１２０を接続する構成としたが、推定装置１００が表示装置１２０を搭載するものであってもよい。

通信部１０６は、外部機器との間で各種のデータを送受信する通信インタフェースを備える。推定装置１００が通信部１０６を介して通信する相手先の一例は、特装車１に搭載される各種ＥＣＵ（Electronic Controller Unit）やＰＬＣ（Programmable Logic Controller）である。この場合、通信部１０６は、特装車１に搭載される各種ＥＣＵやＰＬＣと通信するために、例えばＲＳ－４８５に準拠した通信ポートを備えてもよく、ＣＡＮ（Controller Area Network）などの車内通信用の通信規格に準拠した通信インタフェースを備えてもよい。推定装置１００が通信部１０６を介して通信する相手先の他の例は、特装車１の外部に設置されるサーバ装置やユーザが所持する携帯端末などである。この場合、通信部１０６は、外部のサーバ装置などと通信するために、ＷｉＦｉ（登録商標）、３Ｇ、４Ｇ、５Ｇ、ＬＴＥ（Long Term Evolution）等の無線通信の通信規格に準じた通信インタフェースを備えてもよい。

以下、学習モデルＬＭ１について説明する。
図６は学習モデルＬＭ１の構成を説明する模式図である。本実施の形態における学習モデルＬＭ１は、例えばサポートベクタ回帰モデルであり、各種計測データが入力される入力層と、入力層に入力された計測データに基づき所定の演算を行うカーネルを含む中間層と、中間層からの出力を結合し、演算結果を出力する出力層とを備える。

学習モデルＬＭ１の入力層、中間層、及び出力層には、１つまたは複数のノードが存在し、各層のノードは前後の層に存在するノードと一方向に結合荷重で結合されている。なお、カーネルトリックを用いて非線形に拡張したサポートベクタマシンでは、中間層から出力層への結合荷重が学習により適応的に決定される。一方、入力層から中間層への結合荷重は固定であり、訓練データから機械的に求められる。

学習モデルＬＭ１の入力層には歪量を含む計測データが入力される。例えば、図６に示すように、前輪右車軸の歪量（歪センサ８１Ａによって計測される歪量）、前輪左車軸の歪量（歪センサ８１Ｂによって計測される歪量）、後輪右車軸の歪量（歪センサ８１Ｃによって計測される歪量）、後輪左車軸の歪量（歪センサ８１Ｄによって計測される歪量）、ロール及びピッチを含む傾斜（傾斜計８２によって計測される傾斜）、並びに、環境温度（温度計８３によって計測される温度）に係る計測データが学習モデルＬＭ１の入力層に入力される。

入力層に入力された計測データは、訓練データを用いて決定された結合荷重により重み付けされて中間層へ出力される。中間層は、入力層から入力されたデータに基づきカーネルを用いた演算を実行する。中間層の各カーネルにおいて演算されたデータは、学習によって決定された結合荷重により重み付けされて出力層へ出力される。出力層は、中間層から入力されたデータを結合することにより、積載重量に関する演算結果を出力する。ここで、出力層が出力する演算結果は、積載重量の推定値であってもよく、ある積載重量に該当する確率であってもよい。後者の場合、出力層は、複数のノードにより構成され、第１ノードからは積載重量が１トンである確率、第２ノードからは積載重量が２トンである確率、…、第Ｎノード（Ｎは２以上の整数）からは積載重量がＮトンである確率といったように、ある積載重量である確率を出力すればよい。

図６に示す学習モデルＬＭ１は、歪センサ８１によって計測される歪量、傾斜計８２によって計測される傾斜、及び温度計８３によって計測される環境温度に係る計測データの入力に応じて、積載重量に関する演算結果を出力する構成としたが、学習モデルＬＭ１における入出力の関係は上記に限定されるものではなく、適宜設定することが可能である。例えば、学習モデルＬＭ１は、圧力計８４により計測される油圧シリンダ５２のシリンダ圧を更に含む計測データの入力に応じて、積載重量に関する演算結果を出力する構成としてもよい。また、学習モデルＬＭ１は、歪センサ８１によって計測される歪量に係る計測データを入力とし、積載重量に関する演算結果を出力する構成としてもよい。更に、歪センサ８１Ａ～８１Ｄの計測データのうち、選択した２つ又は３つの計測データを学習モデルＬＭ１へ入力し、積載重量に関する演算結果を出力する構成としてもよい。また、学習モデルＬＭ１は、歪量の計測データと、傾斜又は環境温度の計測データの何れか一方を入力とし、積載重量に関する演算結果を出力する構成としてもよい。更に、制御部１０１は、温度計８３により計測される環境温度を用いて、歪センサ８１によって計測される歪量を補正する前処理を行い、補正後の歪量を含むデータを学習モデルＬＭ１へ入力してもよい。

推定装置１００は、運用を開始する前段階の学習フェーズにおいて、歪量を含む計測データを収集し、収集した計測データを訓練データに用いて学習することにより、上述したような学習モデルＬＭ１を生成する。

図７は学習モデルＬＭ１の生成手順を説明するフローチャートである。推定装置１００の制御部１０１は、学習に先立ち、複数の歪センサ８１により計測される歪量を含む計測データを収集する（ステップＳ１０１）。このとき、制御部１０１は、積載重量を固定して歪量を含む計測データを収集し、その積載重量について計測データが十分得られた場合、積載重量を変更し、変更した積載重量にて歪量を含む計測データを収集する。制御部１０１は、積載重量を変更しながら、順次計測データを収集すればよい。このようにして、積載重量を様々に変更したときの歪量を含む計測データが得られる。なお、歪量などを計測する際の特装車１の姿勢は、水平姿勢だけでなく、前下がり、後下がり、左下がり、右下がりといった様々な傾斜姿勢をとってもよい。積載重量については、重量が既知の物品を荷箱４に積載することによって与えてもよく、トラックスケールなどの計測器を用いて実測してもよい。ステップＳ１０１で収集した計測データは、記憶部１０２の計測値テーブルＴＢ１に積載重量毎に記憶される。

なお、ステップＳ１０１において収集する計測データの種類は、生成する学習モデルＬＭ１の構成に応じて選択すればよい。例えば、歪量、傾斜、及び環境温度に係る計測データの入力に応じて、積載重量に関する演算結果を出力する学習モデルＬＭ１を生成する場合、制御部１０１は、歪センサ８１によって計測される歪量、傾斜計８２によって計測される傾斜、及び温度計８３によって計測される環境温度に係る計測データを収集すればよい。入出力の関係が上記とは異なる学習モデルＬＭ１を生成する場合についても同様であり、例えば、歪量に係る計測データの入力に応じて、積載重量に関する演算結果を出力する学習モデルＬＭ１を生成する場合、制御部１０１は、歪センサ８１によって計測される歪量に係る計測データのみを収集してもよい。

計測データの収集後、制御部１０１は、記憶部１０２から学習プログラムＰＧ１を読み出して実行することにより、以下の処理を実行する。

制御部１０１は、計測値テーブルＴＢ１から一組の訓練データを選択する（ステップＳ１０２）。訓練データは、同じ時間に計測された一連の計測データと、これらの計測データが得られたときの積載重量の値とを含む。

次いで、制御部１０１は、選択した訓練データを学習モデルＬＭ１へ入力し（ステップＳ１０３）、学習モデルＬＭ１による演算を実行する（ステップＳ１０４）。すなわち、制御部１０１は、学習モデルＬＭ１の入力層を構成するノードに、歪量、傾斜、環境温度などの計測データを入力し、中間層のカーネルを用いた演算を実行し、演算結果を出力層から出力する処理を行う。なお、学習が開始される前の初期段階には、学習モデルＬＭ１を記述する定義情報には初期値が与えられる。

次いで、制御部１０１は、ステップＳ１０４で得られた演算結果を評価し（ステップＳ１０５）、学習が完了したか否かを判断する（ステップＳ１０６）。具体的には、制御部１０１は、ステップＳ１０４で得られる演算結果と訓練データとに基づく誤差関数（目的関数、損失関数、コスト関数ともいう）を用いて、演算結果を評価することができる。制御部１０１は、例えば、最急降下法などの勾配降下法により誤差関数を最適化（最小化又は最大化）する課程で、誤差関数が閾値以下（又は閾値以上）となった場合、学習が完了したと判断してもよい。なお、過学習の問題を避けるために、交差検定、早期打ち切りなどの手法を取り入れ、適切なタイミングにて学習を終了させてもよい。

学習が完了してないと判断した場合（Ｓ１０６：ＮＯ）、制御部１０１は、学習モデルＬＭ１のノード間における結合荷重を更新して（ステップＳ１０７）、処理をステップＳ１０２へ戻し、別の訓練データを用いた学習を継続する。制御部１０１は、学習モデルＬＭ１の出力層から入力層に向かって、ノード間の結合荷重を順次更新する誤差逆伝搬法を用いて、ノード間の結合荷重を更新することができる。

学習が完了したと判断した場合（Ｓ１０６：ＹＥＳ）、制御部１０１は、学習済みの学習モデルＬＭ１として記憶部１０２に記憶させ（ステップＳ１０８）、本フローチャートによる処理を終了する。

以上のように、本実施の形態に係る推定装置１００は、積載重量が既知である場合の歪量を含む計測データを収集し、積載重量及び計測データを訓練データに用いることにより、学習モデルＬＭ１を生成することができる。

なお、本実施の形態では、推定装置１００において学習モデルＬＭ１を生成する構成としたが、学習モデルＬＭ１を生成する外部サーバ（不図示）を設け、外部サーバにて学習モデルＬＭ１を生成してもよい。この場合、外部サーバは、特装車１により収集される訓練データを通信等により取得し、取得した訓練データを用いて学習モデルＬＭ１を生成すればよい。また、推定装置１００は、通信等により、外部サーバから学習済みの学習モデルＬＭ１を取得し、取得した学習モデルＬＭ１を記憶部１０２に記憶させればよい。

推定装置１００は、運用フェーズにおいて、歪量を含む計測データを学習済みの学習モデルＬＭ１へ入力することにより、積載重量を推定することができる。

図８は学習モデルＬＭ１を用いた積載重量の推定手順を説明するフローチャートである。推定装置１００の制御部１０１は、記憶部１０２から推定プログラムＰＧ２を読み出して実行することにより、以下の処理を実行する。

制御部１０１は、入力部１０４を通じて、複数の歪センサ８１により計測される歪量を含む計測データを取得した場合、取得した計測データを学習モデルＬＭ１へ入力し（ステップＳ１２１）、学習モデルＬＭ１による演算を実行する（ステップＳ１２２）。このとき、制御部１０１は、取得した計測データを学習モデルＬＭ１の入力層を構成するノードに与える。入力層に与えられたデータは、訓練データを用いて決定された結合荷重により重み付けされて中間層へ出力される。中間層では、カーネルを用いた演算が実行され、学習によって決定された結合荷重により重み付けされて出力層へ出力される。出力層のノードは積載重量に関する演算結果を出力する。

制御部１０１は、学習モデルＬＭ１の演算結果に基づき積載重量を推定する（ステップＳ１２３）。学習モデルＬＭ１が積載重量の推定値を出力する構成としてある場合、制御部１０１は、学習モデルＬＭ１の出力値を積載重量として推定すればよい。また、学習モデルＬＭ１がある特定の積載重量である確率を出力する構成としてある場合、制御部１０１は、確率が最も高い積載重量の値を選択することにより、積載重量を推定することができる。

次いで、制御部１０１は、推定した積載重量を報知する（ステップＳ１２４）。このとき、制御部１０１は、推定した積載重量の情報を出力部１０５より出力し、表示装置１２０に表示させる。代替的に、制御部１０１は、推定した積載重量の情報を通信部１０６より送信することにより、ユーザ端末等に通知してもよい。推定装置１００にスピーカなどの音声出力装置が接続されている場合、制御部１０１は、推定した積載重量の情報を音声として出力してもよい。

以下、計測データの実測値、及び学習モデルＬＭ１による推定結果の一例を示す。
図９は計測結果を示すグラフである。図９に示すグラフは、特装車１が既知の重量（この例では４０００ｋｇ）の積載物を積載して一般道を走行し、到着した目的地において積載物を排出して、さらに積載物が無い状態で走行する間において、停車時に歪センサ８１、傾斜計８２、温度計８３を用いて、歪量、傾斜角度、及び環境温度を計測した結果を示している。グラフの横軸は経過時間（より正確には計測タイミング）を表し、縦軸は歪量（μＳＴ）、傾斜角度（度）、又は環境温度（℃）を表す。

図９に示すグラフにおいて、前輪右車軸の歪量は、前輪２２Ｆの車軸２３Ｆの右端付近に取り付けられた歪センサ８１Ａにより計測された歪量を表す。同様に、前輪左車軸、後輪右車軸、後輪左車軸の歪量は、前輪２２Ｆの車軸２３Ｆの左端付近、後輪２２Ｒの車軸２３Ｒの右端付近、後輪２２Ｒの車軸２３Ｒの左端付近にそれぞれ取り付けられた歪センサ８１Ｂ～８１Ｄにより計測された歪量を表す。また、傾斜（ロール及びピッチ）は、傾斜計８２により計測された特装車１の傾斜角度（ロール及びピッチ）を表し、環境温度は、温度計８３により計測された温度を表す。図９に示すように、歪センサ８１により計測される歪量は、特装車１が前後方向及び左右方向に±５度の範囲で傾斜した場合の計測値、環境温度が様々に変化した場合の計測値を含む。

なお、図９の例において、歪量、傾斜角度、及び環境温度の計測回数は４８０９回であり、各回において計測された計測値は計測値テーブルＴＢ１に記憶される。

図１０は学習モデルＬＭ１の推定結果を示すグラフである。グラフの横軸は経過時間を表し、縦軸は積載重量の推定値（ｋｇ）を表す。図１０の例では、積載重量が４０００ｋｇであるときの計測データ（図９を参照）の一部と、積載重量が０ｋｇであるときの計測データ（不図示）の一部とを訓練データに用いて、学習モデルＬＭ１を生成し、残りの計測データを学習済みの学習モデルＬＭ１に入力することにより、特装車１の積載重量を推定した。より具体的には、計測された歪量、傾斜角度、及び環境温度の４８０９組の計測値のうち、７０％を訓練データに用いて学習モデルＬＭ１を生成し、残りの３０％を学習モデルＬＭ１に入力して特装車１の積載重量を推定した。なお、計測データに関しては、積載重量が４０００ｋｇと０ｋｇだけに限らず、他の積載重量に基づく計測データを用いることも可能である。

学習済みの学習モデルＬＭ１を用いて推定した推定結果を実線（補正後）のグラフにより示す。また、参考として、従来の自重計により計測した積載重量の計測結果を破線（補正前）のグラフにより示す。特装車１の積載重量を４０００ｋｇとしたとき、従来の自重計は、およそ２２００ｋｇから４５００ｋｇの計測値を示しており、中央値を３３５０ｋｇとして±１１５０ｋｇの誤差を有していることが分かる。これに対し、学習モデルＬＭ１を用いて特装車１の積載重量を推定した結果、およそ４０００±５０ｋｇの推定値が得られており、従来の自重計と比較して精度良く積載重量を推定できていることが分かる。

なお、図１０に示す推定結果は、積載重量が４０００ｋｇであるときの計測データの一部と、積載重量が０ｋｇであるときの計測データの一部とを訓練データに用いて生成した学習モデルＬＭ１による推定結果を示したものであるが、積載重量を様々に変更して計測データを収集し、収集した計測データを用いて学習モデルＬＭ１を生成することにより、様々な積載重量を推定することが可能である。

また、図１０では、歪センサ８１によって計測される歪量、傾斜計８２によって計測される傾斜、及び温度計８３によって計測される環境温度に係る計測データの入力に応じて、積載重量に関する演算結果を出力するよう構成された学習モデルＬＭ１を用いて積載重量を推定した結果を示したが、学習モデルＬＭ１における入出力の関係は上記に限定されるものではなく、適宜設定することが可能である。上述したように、学習モデルＬＭ１は、圧力計８４により計測される油圧シリンダ５２のシリンダ圧を更に含む計測データの入力に応じて、積載重量に関する演算結果を出力する構成としてもよい。また、学習モデルＬＭ１は、歪センサ８１によって計測される歪量に係る計測データを入力とし、積載重量に関する演算結果を出力する構成としてもよい。更に、歪センサ８１Ａ～８１Ｄの計測データのうち、選択した２つ又は３つの計測データを学習モデルＬＭ１へ入力し、積載重量に関する演算結果を出力する構成としてもよい。また、学習モデルＬＭ１は、歪量の計測データと、傾斜又は環境温度の計測データの何れか一方を入力とし、積載重量に関する演算結果を出力する構成としてもよい。

以上のように、本実施の形態では、歪量を含む計測データと積載重量との関係が学習された学習モデルＬＭ１を用いることにより、特装車１の傾斜の有無に関わらず、積載重量を精度良く推定することができる。

なお、本実施の形態では、学習モデルＬＭ１の一例としてサポートベクタ回帰モデルについて説明したが、線形回帰、ロジスティック回帰等の回帰分析手法を用いてもよい。また、決定木、回帰木、ランダムフォレスト、勾配ブースティング木等の探索木を用いた手法、単純ベイズ等を含むベイズ推定法、ＡＲ（Auto Regressive）、ＭＡ（Moving Average）、状態空間モデル等を含む時系列予測手法、Ｋ近傍法等を含むクラスタリング手法、ブースティング、バギング等を含むアンサンブル学習を用いた手法、階層型クラスタリング、非階層型クラスタリング、トピックモデル等を含むクラスタリング手法、アソシエーション分析、強調フィルタリング等を含むその他の手法により学習された学習モデルを用いてもよい。また、学習モデルＬＭ１を、深層学習によるニューラルネットワーク、畳み込みニューラルネットワーク、再帰型ニューラルネットワークなどにより構成してもよい。

（実施の形態２）
実施の形態１では、車軸２３Ｆ，２３Ｒに取り付けられた歪センサ８１から歪量に係る計測データを取得する構成としたが、歪センサ８１の取り付け箇所は、車軸２３Ｆ，２３Ｒに限定されるものではない。
実施の形態２では、シャシフレーム２１に固定される構造物に歪センサ８１を取り付けた構成について説明する。

図１１は実施の形態２に係る特装車１の全体構成を示す側面図である。図１１に示す特装車１は、歪センサ８１の取り付け箇所のみが実施の形態１と異なる。実施の形態２における歪センサ８１は、シャシフレーム２１に固定される構造物の複数箇所に取り付けられる。シャシフレーム２１に固定される構造物の一例はサブフレーム３０である。図１１の例は、このサブフレーム３０の前後方向に離隔した２箇所に歪センサ８１を取り付けた構成を示している。

なお、図１１では、サブフレーム３０の前後方向に離隔した２箇所に歪センサ８１を取り付ける構成としたが、特装車１の前後方向の中心線に対して左右対称の２箇所に歪センサ８１を取り付けてもよい。また、取り付ける歪センサ８１の個数は２個に限定されるものではなく、３箇所以上の歪センサ８１が取り付けられてもよい。更に、歪センサ８１を取り付けるための専用ブラケットを用意し、専用ブラケットを介して歪センサ８１をサブフレーム３０に取り付けてもよい。

推定装置１００は、サブフレーム３０に取り付けられた歪センサ８１により計測される歪量を含む計測データを用いて、実施の形態１と同様の学習モデルＬＭ１を生成し、生成した学習モデルＬＭ１を用いて、荷箱４に積載される積載物の重量を推定することができる。

以上のように、実施の形態２では、歪センサ８１をサブフレーム３０に取り付ける構成としたので、トラックシャシ２に対して何ら改変を加えることなく、積載重量の推定が可能となる。

（実施の形態３）
実施の形態１では、学習モデルＬＭ１を用いて特装車１の積載重量を推定する構成としたが、例えばトラックスケールを用いることにより、積載物を含む特装車１の全重量を実測することができるので、荷を積んでいないときの車両重量が既知であれば、トラックスケールにより実測された全重量から車両重量を差し引くことにより、積載重量を求めることができる。
実施の形態３では、学習モデルＬＭ１を用いて推定した積載重量と、トラックスケールを用いて求めた積載重量との乖離度を判定し、乖離度に係る情報を出力する構成について説明する。なお、特装車１の全体構成、及び推定装置１００の内部構成等については実施の形態１と同様であるため、その説明を省略することとする。

図１２は実施の形態３における推定装置１００が実行する処理の手順について説明するフローチャートである。推定装置１００の制御部１０１は、トラックスケールによる積載重量の実測値を取得する（ステップＳ３０１）。トラックスケールを用いることにより、積載物を含む特装車１の全重量を実測することができるので、トラックスケールにより実測された全重量から車両重量を差し引くことにより、積載重量を求めることができる。車両重量については既知であるとする。なお、積載重量の計算は制御部１０１が行ってもよく、外部端末等において行ってもよい。外部端末等で計算された積載重量を取得する場合、操作部１０３を通じて数値入力を受け付けてもよく、用紙上に印刷された実測値を外部端末等により読み取り、読み取った実測値を外部端末等から通信により取得してもよい。

次いで、制御部１０１は、学習モデルＬＭ１による積載重量の推定結果を取得する（ステップＳ３０２）。すなわち、制御部１０１は、実施の形態１と同様に、歪量を含む計測データを学習モデルＬＭ１に入力し、学習モデルＬＭ１を用いた演算を行うことにより、積載重量の推定結果を取得する。

次いで、制御部１０１は、トラックスケールより得られる積載重量の実測値と、学習モデルＬＭ１より得られる積載重量の推定値との乖離度を判定する（ステップＳ３０３）。制御部１０１は、積載重量の推定値から実測値を差し引くことにより、乖離度を判定してもよく、積載重量の推定値から実測値を差し引いた値を実測値で除算することにより乖離度を判定してもよい。

次いで、制御部１０１は、ステップＳ３０３の判定結果を出力する（ステップＳ３０４）。このとき、制御部１０１は、乖離の度合いを示す情報を出力部１０５より出力することにより、表示装置１２０に表示させてもよく、通信部１０６より外部端末等へ通知してもよい。また、制御部１０１は、積載重量を推定した日時を示す日時情報、特装車１を識別する識別情報等を併せて外部端末等へ通知してもよい。

実測値と推定値との乖離度が大きい場合、学習モデルＬＭ１により精度良く推定できていない可能性があるので、学習モデルＬＭ１を再学習したり、歪センサ８１等の取り付け位置を変更したり、交換したりするなどの対処が可能となる。

また、特装車１の積載重量を計測する自重計の検査が要求されている場合、推定装置１００において推定した積載重量、トラックスケールにより実測された積載重量、積載重量を推定した日時、特装車１を識別する識別子などの情報を、検定機関の端末へ通知し、検定機関より自重計技術基準適合証の交付を受けるようにしてもよい。

（実施の形態４）
実施の形態４では、学習モデルＬＭ１を再学習する構成について説明する。
なお、特装車１の全体構成、及び推定装置１００の内部構成等については実施の形態１と同様であるため、その説明を省略することとする。

図１３は学習モデルＬＭ１の再学習手順を説明するフローチャートである。制御部１０１は、運用フェーズ開始後の適宜のタイミングにて、トラックスケールによる積載重量の実測値と、学習モデルＬＭ１による推定値とを比較する（ステップＳ４０１）。なお、実測値は、操作部１０３による入力を受付けることによって取得してもよく、用紙上に印刷されたトラックスケールの実測値を外部端末等により読み取り、読み取った値を外部端末等から通信により取得してもよい。

制御部１０１は、比較結果に基づき、再学習を実行するか否かを判断する（ステップＳ４０２）。学習モデルＬＭ１による推定値が実測値に近い場合（例えば、両者の差が２０％未満である場合）、制御部１０１は、再学習を実行しないと判断し（Ｓ４０２：ＮＯ）、本フローチャートによる処理を終了する。

一方、学習モデルＬＭ１による推定値が実測値に近くない場合（例えば、両者の差が２０％以上である場合）、制御部１０１は、再学習を実行すると判断する（Ｓ４０２：ＹＥＳ）。

再学習すると判断した場合、制御部１０１は、計測データの収集を行う（ステップＳ４０３）。すなわち、実施の形態１と同様に、積載重量を固定した上で、歪センサ８１、傾斜計８２、温度計８３、圧力計８４を用いて、歪量、傾斜、環境温度、シリンダ圧を計測すればよい。収集した計測データは計測値テーブルＴＢ１に記憶される。

次いで、制御部１０１は、計測値テーブルＴＢ１から一組の訓練データを選択する（ステップＳ４０４）。訓練データは、同じ時間に計測された一連の計測データと、これらの計測データが得られたときの積載重量の値とを含む。

次いで、制御部１０１は、選択した訓練データを学習モデルＬＭ１へ入力し（ステップＳ４０５）、学習モデルＬＭ１による演算を実行する（ステップＳ４０６）。すなわち、制御部１０１は、学習モデルＬＭ１の入力層を構成するノードに、歪量、傾斜、環境温度などの計測データを入力し、中間層のカーネルを用いた演算を実行し、演算結果を出力層から出力する処理を行う。なお、再学習を開始する前に、学習モデルＬＭ１を記述する定義情報に初期値を与えてもよい。

次いで、制御部１０１は、ステップＳ４０６で得られた演算結果を評価し（ステップＳ４０７）、学習が完了したか否かを判断する（ステップＳ４０８）。具体的には、制御部１０１は、ステップＳ４０６で得られる演算結果と訓練データとに基づく誤差関数（目的関数、損失関数、コスト関数ともいう）を用いて、演算結果を評価することができる。制御部１０１は、例えば、最急降下法などの勾配降下法により誤差関数を最適化（最小化又は最大化）する課程で、誤差関数が閾値以下（又は閾値以上）となった場合、学習が完了したと判断してもよい。なお、過学習の問題を避けるために、交差検定、早期打ち切りなどの手法を取り入れ、適切なタイミングにて学習を終了させてもよい。

学習が完了してないと判断した場合（Ｓ４０８：ＮＯ）、制御部１０１は、学習モデルＬＭ１のノード間における結合荷重を更新して（ステップＳ４０９）、処理をステップＳ４０４へ戻し、別の訓練データを用いた学習を継続する。制御部１０１は、学習モデルＬＭ１の出力層から入力層に向かって、ノード間の結合荷重を順次更新する誤差逆伝搬法を用いて、ノード間の結合荷重を更新することができる。

学習が完了したと判断した場合（Ｓ４０８：ＹＥＳ）、制御部１０１は、学習済みの学習モデルＬＭ１として記憶部１０２に記憶させ（ステップＳ４１０）、本フローチャートによる処理を終了する。

以上のように、本実施の形態に係る推定装置１００は、積載重量の実測値と推定値とが乖離している場合、学習モデルＬＭ１を再学習することができる。

今回開示された実施形態は、全ての点において例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上述した意味ではなく、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及び範囲内での全ての変更が含まれることが意図される。

例えば、上記実施形態では、歪センサ８１は、歪ゲージからなるものであったが、本発明はこれに限らず、歪センサ８１を、歪ゲージ式のロードセルとすることもできる。その場合、ロードセルの形状は、バー型とピン型のどちらであってもよい。

また、上記実施形態では、歪センサ８１は、車軸２３Ｆ，２３Ｒまたはサブフレーム３０に取り付けられていたが、本発明はこれに限らず、歪センサ８１を他の場所に取り付けてもよい。例えば、歪センサを、ダンプ装置３における荷箱４に取り付けたり、荷箱４とサブフレーム３０とを連結するヒンジ軸３１に取り付けたりしてもよい。また、歪センサ８１を、シャシフレーム２１や懸架装置（不図示）に取り付けてもよい。例えば、懸架装置に取り付ける際には、歪センサ８１の取付部位が他の部位と比較してどの程度沈み込むかを計測することも有用である。そのため、こうした場合には取付部位の歪量を計測するのではなく他の部位に対する沈み込み量を計測する変位センサ（レーザー距離センサなど）を用いても良い。なお、沈み込み量などの変位量を計測する場合には、特装車１における前輪２２Ｆもしくは後輪２２Ｒの空気圧の影響も受けやすいことから、タイヤプレッシャモニタなどを用いてこれらの計測データも計測値テーブルＴＢ１に加えるとさらに好ましい。

また、上記実施形態では、推定装置１００は、特装車１のシャシフレーム２１やキャブ２０の内部に設けられていたが、本発明はこれに限らず、推定装置１００を、管理センタ等の特装車１とは別の離れた場所に設けるようにしてもよい。その場合、特装車１には、歪センサ８１、傾斜計８２、温度計８３、圧力計８４等の各種センサと通信装置と表示装置とを設け、これらの各種センサからのデータを当該通信装置により推定装置１００に送信するようにすればよい。推定装置１００では、受信した各種センサからデータを処理して、結果を特装車１の通信装置へ送信し、これにより、特装車１の表示装置に積載重量の推定結果を表示させるようにしてもよい。

さらに、上記実施形態では、複数の歪センサ８１から歪量に係る計測データに基づいて積載重量を推定するものとしているが、複数の油圧センサからの油圧変化量に係る計測データに基づいて積載重量を推定するものなど、他の指標に基づくものであっても構わない。例えばホイスト機構５内の油圧シリンダ５２のシリンダ圧を計測する圧力計８４とともに、ヒンジ軸３１付近に油圧式のロードセルを設けた構成とすると良い。この場合、わずかに油圧シリンダ５２を伸長させて荷箱４をわずかに傾斜させた状態とし、圧力計８４及び上記ロードセルにおける油圧の計測データに基づいて積載重量を推定する。こうした計測データは、上述した歪、油圧などに限定されず、他の変位量も適宜計測対象とすることができる。

１ 特装車
２ トラックシャシ
３ ダンプ装置
４ 荷箱
５ ホイスト機構
２０ キャブ
２１ シャシフレーム
２２Ｆ 前輪
２２Ｒ 後輪
２３Ｆ，２３Ｒ 車軸
３０ サブフレーム
８１ 歪センサ
８２ 傾斜計
８３ 温度計
８４ 圧力計
１００ 推定装置
１０１ 制御部
１０２ 記憶部
１０３ 操作部
１０４ 入力部
１０５ 出力部
１０６ 通信部
ＰＧ１ 学習プログラム
ＰＧ２ 推定プログラム
ＴＢ１ 計測値テーブル
ＬＭ１ 学習モデル

Claims (14)

1. コンピュータに、
   特装車における複数の部位の変位量を夫々計測する複数の変位センサから、前記変位量に係る計測データを取得し、
   前記特装車におけるトラックシャシの傾斜を計測する傾斜計から、前記傾斜に係る計測データを取得し、
   前記変位量及び前記傾斜に係る計測データと、前記特装車の積載重量との関係を学習してある学習モデルに、前記複数の変位センサから取得した計測データと前記傾斜計から取得した計測データとを入力することにより、前記学習モデルを用いた演算を実行し、
   前記演算の実行結果に基づき、前記特装車の積載重量を推定する
   処理を実行させるためのコンピュータプログラム。
2. 前記変位センサは、前記特装車の前後方向又は左右方向に離隔して、前記特装車のシャシフレームに固定される構造物の複数箇所に取り付けてある
   請求項１に記載のコンピュータプログラム。
3. 前記変位センサは、前記特装車の前後方向又は左右方向に離隔して、前記特装車が備える車軸の複数箇所に取り付けてある
   請求項１又は請求項２に記載のコンピュータプログラム。
4. コンピュータに、
   特装車が備える荷台を傾斜させるための油圧シリンダのシリンダ圧を計測する圧力計から、前記シリンダ圧に係る計測データを取得し、
   前記特装車におけるトラックシャシの傾斜を計測する傾斜計から、前記傾斜に係る計測データを取得し、
   前記シリンダ圧及び前記傾斜に係る計測データと、前記特装車の積載重量との関係を学習してある学習モデルに、前記圧力計から取得した計測データと前記傾斜計から取得した計測データとを入力することにより、前記学習モデルを用いた演算を実行し、
   前記演算の実行結果に基づき、前記特装車の積載重量を推定する
   処理を実行させるためのコンピュータプログラム。
5. 前記コンピュータに、
   推定した前記特装車の積載重量を報知する
   処理を実行させるため請求項１から請求項４の何れか１つに記載のコンピュータプログラム。
6. 前記コンピュータに、
   トラックスケールにより計測された前記特装車の積載重量を取得し、
   取得した積載重量と、前記演算の実行結果から推定された積載重量との乖離度を判定し、
   判定した乖離度に係る情報を出力する
   処理を実行させるための請求項１から請求項５の何れか１つに記載のコンピュータプログラム。
7. 特装車における複数の部位の変位量を夫々計測する複数の変位センサから、前記変位量に係る計測データを取得し、前記特装車におけるトラックシャシの傾斜を計測する傾斜計から、前記傾斜に係る計測データを取得する取得部と、
   前記変位量及び前記傾斜に係る計測データと、前記特装車の積載重量との関係を学習してある学習モデルに、前記複数の変位センサから取得した計測データと前記傾斜計から取得した計測データとを入力することにより、前記学習モデルを用いた演算を実行し、前記演算の実行結果に基づき、前記特装車の積載重量を推定する推定部と
   を備える推定装置。
8. 特装車が備える荷台を傾斜させるための油圧シリンダのシリンダ圧を計測する圧力計から、前記シリンダ圧に係る計測データを取得し、前記特装車におけるトラックシャシの傾斜を計測する傾斜計から、前記傾斜に係る計測データを取得する取得部と、
   前記シリンダ圧及び前記傾斜に係る計測データと、前記特装車の積載重量との関係を学習してある学習モデルに、前記圧力計から取得した計測データと前記傾斜計から取得した計測データとを入力することにより、前記学習モデルを用いた演算を実行し、前記演算の実行結果に基づき、前記特装車の積載重量を推定する推定部と
   を備える推定装置。
9. コンピュータを用いて、
   特装車の複数の部位について計測された変位量に係る計測データと、前記特装車について計測されたトラックシャシの傾斜に係る計測データと、前記特装車について計測された積載重量の値とを取得し、
   取得した前記変位量及び前記傾斜に係る計測データと積載重量の値とを訓練データに用いて、変位量及び傾斜に係る計測データの入力に応じて、前記特装車の積載重量についての演算結果を出力するよう構成される学習モデルを生成する
   学習モデルの生成方法。
10. 前記コンピュータは、
    前記特装車におけるシャシフレームに固定される構造物に前記特装車の前後方向又は左右方向に離隔して取り付けてある複数の変位センサから、前記変位量に係る計測データを取得し、
    取得した計測データを前記訓練データに用いて、前記学習モデルを生成する
    請求項９に記載の学習モデルの生成方法。
11. 前記コンピュータは、
    前記特装車が備える車軸に前記特装車の前後方向又は左右方向に離隔して取り付けてある複数の変位センサから、前記変位量に係る計測データを取得し、
    取得した計測データを前記訓練データに用いて、前記学習モデルを生成する
    請求項９又は請求項１０に記載の学習モデルの生成方法。
12. コンピュータを用いて、
    特装車が備える荷台を傾斜させるための油圧シリンダのシリンダ圧を計測する圧力計から、前記シリンダ圧に係る計測データを取得し、
    前記特装車におけるトラックシャシの傾斜を計測する傾斜計から、前記傾斜に係る計測データを取得し、
    前記特装車について計測された積載重量の値を取得し、
    前記シリンダ圧及び前記傾斜に係る計測データと積載重量の値とを訓練データに用いて、シリンダ圧及び傾斜に係る計測データの入力に応じて、前記特装車の積載重量についての演算結果を出力する学習モデルを生成する
    学習モデルの生成方法。
13. 前記コンピュータは、
    トラックスケールにより計測された前記特装車の積載重量の値を取得し、
    取得した前記積載重量の値と前記計測データとを訓練データに用いて前記学習モデルを再学習する
    請求項９から請求項１２の何れか１つに記載の学習モデルの生成方法。
14. 前記コンピュータは、
    端末装置に入力された前記特装車の積載重量の値を、前記端末装置から取得し、
    取得した前記積載重量の値と前記計測データとを訓練データに用いて前記学習モデルを再学習する
    請求項９から請求項１２の何れか１つに記載の学習モデルの生成方法。

Images