JP7276449B2 - 一般化データ生成装置、推定装置、一般化データ生成方法、推定方法、一般化データ生成プログラム、及び推定プログラム - Google Patents
一般化データ生成装置、推定装置、一般化データ生成方法、推定方法、一般化データ生成プログラム、及び推定プログラム Download PDFInfo
- Publication number
- JP7276449B2 JP7276449B2 JP2021528504A JP2021528504A JP7276449B2 JP 7276449 B2 JP7276449 B2 JP 7276449B2 JP 2021528504 A JP2021528504 A JP 2021528504A JP 2021528504 A JP2021528504 A JP 2021528504A JP 7276449 B2 JP7276449 B2 JP 7276449B2
- Authority
- JP
- Japan
- Prior art keywords
- road surface
- generalized
- learning
- data group
- data
- 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
Images
Classifications
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Description
開示の技術は、一般化データ生成装置、推定装置、一般化データ生成方法、推定方法、一般化データ生成プログラム、及び推定プログラムに関する。
歩道あるいは車道等の路面上を移動する自動車、歩行者、車椅子等の移動体に搭載されたセンサを用いて、移動体が移動する路面の状況（段差、勾配等）を推定する技術が検討されている（例えば、非特許文献１、２を参照）。
「健常歩行者センサデータを用いたバリア検出の基礎検討」、宮田章裕、荒木伊織、王統順、鈴木天詩、ＩＰＳＪ論文誌（２０１８）、インターネット＜ＵＲＬ：https://mytlab.org/wp/wp-content/uploads/2018/05/2017_araki.pdf＞
「高速バスに載せたスマホの加速度センサーで路面の凹凸を検知、検証試験を実施」、[Online]、インターネット＜ＵＲＬ：https://sgforum.impress.co.jp/news/3595＞
上述の路面の状況の推定は、学習データを用いた機械学習により構築された学習済みモデルを用いて行われることが多い。しかしながら、路面の状況が統一されていない場合、路面の状況を推定したいデータにおける路面と同じ路面の学習データが必要なため、学習データの量が膨大になるという問題がある。つまり、推定したいデータが例えば滑らかな路面であれば、この滑らかな路面の学習データが必要とされ、推定したいデータが例えば粗い路面であれば、この粗い路面の学習データが必要とされる。学習済みモデルには、様々な条件のデータが入力されるため、高精度な推定を行うためには、これらの滑らかな路面及び粗い路面の各々の学習データが必要とされ、学習データの量が増大する。
開示の技術は、上記の点に鑑みてなされたものであり、学習データの量を抑制しつつ、対象物の状態の推定を精度良く行うことができる一般化データ生成装置、推定装置、一般化データ生成方法、推定方法、一般化データ生成プログラム、及び推定プログラムを提供することを目的とする。
上記目的を達成するために、本開示の第１態様に係る一般化データ生成装置は、複数種類の条件のうち、一般的な条件を満たすデータの集合である一般的学習データ群を入力として、予め定められた機械学習により、前記一般的な条件を満たすデータを求めるための学習用一般化モデルを学習して学習済み一般化モデルを出力する学習部と、前記複数種類の条件のいずれかを満たすデータの集合である入力データ群及び前記学習済み一般化モデルを用いて、前記入力データ群が前記一般的な条件を満たすように一般化された一般化入力データ群を生成する一般化データ生成部と、を備えている。
また、本開示の第２態様に係る推定装置は、複数種類の条件のうち、一般的な条件を満たすデータの集合である一般的学習データ群を入力として、予め定められた機械学習により、対象物の状態を推定するための学習用状態推定モデルを学習して学習済み状態推定モデルを出力する学習部と、前記複数種類の条件のいずれかを満たすデータの集合である入力データ群、及び前記一般的学習データ群を機械学習して得られた学習済み一般化モデルを用いて、前記入力データ群が前記一般的な条件を満たすように一般化された一般化入力データ群と、前記学習済み状態推定モデルとを用いて、前記対象物の状態を推定する推定部と、を備えている。
更に、上記目的を達成するために、本開示の第３態様に係る一般化データ生成方法は、学習部が、複数種類の条件のうち、一般的な条件を満たすデータの集合である一般的学習データ群を入力として、予め定められた機械学習により、前記一般的な条件を満たすデータを求めるための学習用一般化モデルを学習して学習済み一般化モデルを出力し、一般化データ生成部が、前記複数種類の条件のいずれかを満たすデータの集合である入力データ群及び前記学習済み一般化モデルを用いて、前記入力データ群が前記一般的な条件を満たすように一般化された一般化入力データ群を生成する。
また、本開示の第４態様に係る推定方法は、学習部が、複数種類の条件のうち、一般的な条件を満たすデータの集合である一般的学習データ群を入力として、予め定められた機械学習により、対象物の状態を推定するための学習用状態推定モデルを学習して学習済み状態推定モデルを出力し、推定部が、前記複数種類の条件のいずれかを満たすデータの集合である入力データ群、及び前記一般的学習データ群を機械学習して得られた学習済み一般化モデルを用いて、前記入力データ群が前記一般的な条件を満たすように一般化された一般化入力データ群と、前記学習済み状態推定モデルとを用いて、前記対象物の状態を推定する。
更に、上記目的を達成するために、本開示の第５態様に係る一般化データ生成プログラムは、複数種類の条件のうち、一般的な条件を満たすデータの集合である一般的学習データ群を入力として、予め定められた機械学習により、前記一般的な条件を満たすデータを求めるための学習用一般化モデルを学習して学習済み一般化モデルを出力し、前記複数種類の条件のいずれかを満たすデータの集合である入力データ群及び前記学習済み一般化モデルを用いて、前記入力データ群が前記一般的な条件を満たすように一般化された一般化入力データ群を生成することを、コンピュータに実行させる。
また、本開示の第６態様に係る推定プログラムは、複数種類の条件のうち、一般的な条件を満たすデータの集合である一般的学習データ群を入力として、予め定められた機械学習により、対象物の状態を推定するための学習用状態推定モデルを学習して学習済み状態推定モデルを出力し、前記複数種類の条件のいずれかを満たすデータの集合である入力データ群、及び前記一般的学習データ群を機械学習して得られた学習済み一般化モデルを用いて、前記入力データ群が前記一般的な条件を満たすように一般化された一般化入力データ群と、前記学習済み状態推定モデルとを用いて、前記対象物の状態を推定することを、コンピュータに実行させる。
開示の技術によれば、学習データの量を抑制しつつ、対象物の状態の推定を精度良く行うことができる。
以下、開示の技術の実施形態の一例を、図面を参照しつつ説明する。なお、各図面において、同一又は等価な構成要素及び部分には同一の参照符号を付与している。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。
本実施形態においては、路面上を移動する自動車、歩行者、車椅子等の移動体に搭載されたセンサにより検出された、移動体が移動する路面の状態を示す路面データから生成される学習データを用いて機械学習を行う場合について説明する。但し、対象物は、路面に限らず、一般的な状態と特殊な状態とを有する他の物体であってもよい。なお、移動体に搭載されるセンサには、一例として、加速度センサ、ジャイロセンサ、及び重力センサ等が用いられる。また、路面データは、移動体が路面上を移動する期間におけるセンサの検出値であり、時系列データとして表される。
図１は、本実施形態に係る一般化データ生成装置１０のハードウェア構成の一例を示すブロック図である。
図１に示すように、一般化データ生成装置１０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３、ストレージ１４、入力部１５、表示部１６、及び通信インタフェース（Ｉ／Ｆ）１７を備えている。各構成は、バス１８を介して相互に通信可能に接続されている。
ＣＰＵ１１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。すなわち、ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４からプログラムを読み出し、ＲＡＭ１３を作業領域としてプログラムを実行する。ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。本実施形態では、ＲＯＭ１２又はストレージ１４には、一般化データ生成プログラムが格納されている。
ＲＯＭ１２は、各種プログラム及び各種データを格納する。ＲＡＭ１３は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ１４は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）又はＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）により構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。
入力部１５は、自装置に対して各種の入力を行うために使用される。
表示部１６は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部１６は、タッチパネル方式を採用して、入力部１５として機能しても良い。
通信インタフェース１７は、自装置が他の外部機器と通信するためのインタフェースであり、例えば、イーサネット（登録商標）、ＦＤＤＩ（Ｆｉｂｅｒ Ｄｉｓｔｒｉｂｕｔｅｄ Ｄａｔａ Ｉｎｔｅｒｆａｃｅ）、Ｗｉ－Ｆｉ（登録商標）等の規格が用いられる。
次に、図２を参照して、一般化データ生成装置１０の機能構成について説明する。
図２は、本実施形態に係る一般化データ生成装置１０の機能構成の一例を示すブロック図である。
図２に示すように、一般化データ生成装置１０は、機能構成として、学習部１０１及び一般化データ生成部１０２を備えている。各機能構成は、ＣＰＵ１１がＲＯＭ１２又はストレージ１４に記憶された一般化データ生成プログラムを読み出し、ＲＡＭ１３に展開して実行することにより実現される。
学習部１０１は、複数種類の条件のうち、一般的な条件を満たすデータの集合である一般的学習データ群１４２を入力として、予め定められた機械学習により、一般的な条件を満たすデータを求めるための学習用一般化モデル１４１を学習して学習済み一般化モデル１４３を出力する。
一般化データ生成部１０２は、複数種類の条件のいずれかを満たすデータの集合である入力データ群１４４及び学習済み一般化モデル１４３を用いて、入力データ群１４４が一般的な条件を満たすように一般化された一般化入力データ群１４５を生成する。
具体的に、上記の複数種類の条件とは、一例として、滑らかな路面、粗い路面等の条件である。一般的学習データ群１４２を構成する一般的な条件を満たすデータとは、一例として、滑らかな路面を示す路面データである。この場合、路面データには、収集条件のラベルは付与されていない。ここでいう収集条件とは、例えば、滑らかな路面、粗い路面等を示す条件である。この路面データには、予め定められた区間毎に、路面の状態を示す正解ラベルが付与されている。ここでいう路面の状態とは、路面が平坦な状態、段差を含む状態、及び傾斜を含む状態のいずれかの状態を意味する。この正解ラベルは、一例として、人手により付与される。また、学習用一般化モデル１４１には、機械学習モデルの一例として、畳み込みニューラルネットワークを用いたモデル、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）等の種々のモデルが用いられる。この場合、学習用一般化モデル１４１は、滑らかな路面を示す路面データを求めるためのモデルであり、一般的学習データ群１４２を用いて機械学習され、学習済み一般化モデル１４３が生成される。つまり、学習済み一般化モデル１４３は、滑らかな路面を示す路面データをそのまま加工せずに機械学習して得られたモデルである。学習済み一般化モデル１４３は、滑らかな路面を示す路面データを圧縮して復元するオートエンコーダとして機械学習されたモデルである。学習済み一般化モデル１４３の生成には、オートエンコーダの一例として、ＪＭＶＡＥ（Ｊｏｉｎｔ Ｍｕｌｔｉｍｏｄａｌ Ｖａｒｉａｔｉｏｎ Ａｕｔｏｅｎｃｏｄｅｒ）を利用してもよい。
また、入力データ群１４４には、粗い路面を示す路面データ、滑らかな路面を示す路面データ、その他の条件の路面データ等、様々な条件の路面データが含まれる。なお、粗い路面及び滑らかな路面の判定は、例えば、センサの検出値に基づいて行われる。一般的に、移動体が粗い路面を走行する場合のセンサの検出値は、移動体が滑らかな路面を走行する場合のセンサの検出値と比べて、大きく変動する。すなわち、移動体が滑らかな路面を走行する期間では、路面データの変動は小さく、移動体が粗い路面を走行する期間では、路面データの変動は大きくなる。このため、路面データの変動が所定値以上であれば、粗い路面を示す路面データと判定し、路面データの変動が所定値未満であれば、滑らかな路面を示す路面データと判定する。
一般化データ生成部１０２は、入力データ群１４４から例えば粗い路面を示す路面データを取得した場合、取得した粗い路面を示す路面データを、学習済み一般化モデル１４３を用いて、滑らかな路面を示す路面データに変換する。この変換後の滑らかな路面を示す路面データの集合が一般化入力データ群１４５として生成される。つまり、一般化データ生成部１０２は、滑らかな路面を示す路面データ以外の路面データを取得した場合、取得した路面データを、学習済み一般化モデル１４３を構成する、滑らかな路面を示す路面データに近づくように変換する。
次に、図３を参照して、本実施形態に係る一般化データ生成装置１０の作用について説明する。
図３は、本実施形態に係る一般化データ生成プログラムによる処理の流れの一例を示すフローチャートである。一般化データ生成プログラムによる処理は、一般化データ生成装置１０のＣＰＵ１１が、ＲＯＭ１２又はストレージ１４に記憶されている一般化データ生成プログラムをＲＡＭ１３に書き込んで実行することにより、実現される。
図３のステップＳ１０１では、ＣＰＵ１１が、学習部１０１として、滑らかな路面を示す路面データの集合である一般的学習データ群１４２の入力を受け付ける。
ステップＳ１０２では、ＣＰＵ１１が、学習部１０１として、ステップＳ１０１で入力を受け付けた一般的学習データ群１４２を用いて、滑らかな路面を示す路面データを求めるための学習用一般化モデル１４１を機械学習することにより、学習済み一般化モデル１４３を出力する。学習済み一般化モデル１４３は、上述したように、滑らかな路面を示す路面データを圧縮して復元するオートエンコーダとして機械学習されたモデルである。
ステップＳ１０３では、ＣＰＵ１１が、一般化データ生成部１０２として、各種条件のデータ群である入力データ群１４４を取得する。
ステップＳ１０４では、ＣＰＵ１１が、一般化データ生成部１０２として、入力データ群１４４及び学習済み一般化モデル１４３を用いて、入力データ群１４４の各路面データが滑らかな路面を示す路面データに一般化された一般化入力データ群１４５を生成する。
ステップＳ１０５では、ＣＰＵ１１が、一般化データ生成部１０２として、ステップＳ１０４で生成した一般化入力データ群１４５をストレージ１４に記憶し、本一般化データ生成プログラムによる一連の処理を終了する。
次に、推定装置の実施形態について説明する。本実施形態に係る推定装置は、上述の一般化データ生成装置と別体としているが、一般化データ生成装置と一体で構成してもよい。
図４は、本実施形態に係る推定装置２０のハードウェア構成の一例を示すブロック図である。
図４に示すように、推定装置２０は、ＣＰＵ２１、ＲＯＭ２２、ＲＡＭ２３、ストレージ２４、入力部２５、表示部２６、及び通信インタフェース（Ｉ／Ｆ）２７を備えている。各構成は、バス２８を介して相互に通信可能に接続されている。
ＣＰＵ２１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。すなわち、ＣＰＵ２１は、ＲＯＭ２２又はストレージ２４からプログラムを読み出し、ＲＡＭ２３を作業領域としてプログラムを実行する。ＣＰＵ２１は、ＲＯＭ２２又はストレージ２４に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。本実施形態では、ＲＯＭ２２又はストレージ２４には、推定プログラムが格納されている。
ＲＯＭ２２は、各種プログラム及び各種データを格納する。ＲＡＭ２３は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ２４は、ＨＤＤ又はＳＳＤにより構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。
入力部２５は、自装置に対して各種の入力を行うために使用される。
表示部２６は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部２６は、タッチパネル方式を採用して、入力部２５として機能しても良い。
通信インタフェース２７は、自装置が他の外部機器と通信するためのインタフェースであり、例えば、イーサネット（登録商標）、ＦＤＤＩ、Ｗｉ－Ｆｉ（登録商標）等の規格が用いられる。
次に、図５を参照して、推定装置２０の機能構成について説明する。
図５は、本実施形態に係る推定装置２０の機能構成の一例を示すブロック図である。
図５に示すように、推定装置２０は、機能構成として、学習部２０１及び推定部２０２を備えている。各機能構成は、ＣＰＵ２１がＲＯＭ２２又はストレージ２４に記憶された推定プログラムを読み出し、ＲＡＭ２３に展開して実行することにより実現される。
学習部２０１は、複数種類の条件のうち、一般的な条件を満たすデータの集合である一般的学習データ群１４２を入力として、予め定められた機械学習により、対象物の状態を推定するための学習用状態推定モデル１４６を学習して学習済み状態推定モデル１４７を出力する。なお、一般的学習データ群１４２は、上述の一般化データ生成装置１０で用いたものと同一である。
推定部２０２は、上述の一般化データ生成装置１０により生成された一般化入力データ群１４５と、学習済み状態推定モデル１４７とを用いて、対象物の状態を推定し、推定して得られた状態推定結果１４８を出力する。但し、一般化入力データ群１４５は、複数種類の条件のいずれかを満たすデータの集合である入力データ群１４４（図２）、及び一般的学習データ群１４２を機械学習して得られた学習済み一般化モデル１４３（図２）を用いて、入力データ群１４４が一般的な条件を満たすように一般化されたデータの集合である。
上述したように、対象物とは、例えば、路面である。一般的学習データ群１４２を構成する一般的な条件を満たすデータとは、例えば、滑らかな路面を示す路面データであり、この路面データには、予め定められた区間毎に、路面の状態を示す正解ラベルが付与されている。ここでいう路面の状態とは、路面が平坦な状態、段差を含む状態、及び傾斜を含む状態のいずれかの状態を意味する。また、学習用状態推定モデル１４６には、機械学習モデルの一例として、畳み込みニューラルネットワークを用いたモデル、ＳＶＭ等の種々のモデルが用いられる。この場合、学習用状態推定モデル１４６は、路面の状態を推定するためのモデルであり、一般的学習データ群１４２を用いて機械学習され、学習済み状態推定モデル１４７が生成される。つまり、学習済み状態推定モデル１４７は、一般的学習データ群１４２を構成する滑らかな路面を示す路面データの集合を用いて機械学習されたモデルである。
一方、上述した一般化入力データ群１４５は、入力データ群１４４に含まれる各種条件（例えば、滑らかな路面、粗い路面、その他条件の路面）の路面データを、滑らかな路面を示す路面データに変換して得られたデータの集合である。つまり、推定装置２０に入力される路面データは、各種条件の路面データを変換して得られた、滑らかな路面を示す路面データとされる。このため、滑らかな路面を示す路面データを用いて機械学習された学習済み状態推定モデル１４７のみであっても、各種条件の路面データの集合である入力データ群１４４に対して、路面の状態の推定が可能とされる。
すなわち、推定部２０２は、一般化入力データ群１４５と、学習済み状態推定モデル１４７とを用いて、路面が平坦な状態、段差を含む状態、及び傾斜を含む状態のいずれの状態であるかを推定する。
次に、図６を参照して、本実施形態に係る推定装置２０の作用について説明する。
図６は、本実施形態に係る推定プログラムによる処理の流れの一例を示すフローチャートである。推定プログラムによる処理は、推定装置２０のＣＰＵ２１が、ＲＯＭ２２又はストレージ２４に記憶されている推定プログラムをＲＡＭ２３に書き込んで実行することにより、実現される。
図６のステップＳ１１１では、ＣＰＵ２１が、学習部２０１として、滑らかな路面を示す路面データの集合である一般的学習データ群１４２の入力を受け付ける。
ステップＳ１１２では、ＣＰＵ２１が、学習部２０１として、ステップＳ１１１で入力を受け付けた一般的学習データ群１４２を用いて、路面の状態を推定するための学習用状態推定モデル１４６を機械学習することにより、学習済み状態推定モデル１４７を出力する。
ステップＳ１１３では、ＣＰＵ２１が、推定部２０２として、上述の一般化データ生成装置１０により生成された一般化入力データ群１４５を取得する。
ステップＳ１１４では、ＣＰＵ２１が、推定部２０２として、ステップＳ１１３で取得した一般化入力データ群１４５と、ステップＳ１１２で機械学習により得られた学習済み状態推定モデル１４７とを用いて、一例として、路面の状態が、平坦な状態、段差を含む状態、及び傾斜を含む状態のいずれの状態であるかを推定する。
ステップＳ１１５では、ＣＰＵ２１が、推定部２０２として、ステップＳ１１４で推定して得られた状態推定結果１４８を例えばストレージ２４又は表示部２６に出力し、本推定プログラムによる一連の処理を終了する。
図７は、本実施形態に係る学習済み一般化モデル１４３及び学習済み状態推定モデル１４７を用いた推定処理の説明に供する図である。
本実施形態に係る一般化データ生成装置１０は、様々な条件の路面データ（図７の例では、粗い路面のデータ、他条件のデータ）を、学習済み一般化モデル１４３を用いて、滑らかな路面を示す路面データ（図７の例では、一般化データ）に変換する。そして、本実施形態に係る推定装置２０は、変換後の滑らかな路面を示す路面データに対して、一般的なデータ、すなわち、滑らかな路面を示す路面データで学習した学習済み状態推定モデル１４７を用いて、路面の状態を推定する。
このように本実施形態によれば、様々な条件の入力データに対して、各々の条件に合った状態推定モデルを用意する必要がなく、一般的な入力データで学習した状態推定モデルのみを用意しておけばよい。これにより、学習データの量を抑制しつつ、対象物の状態の推定を精度良く行うことができる。
なお、上記実施形態でＣＰＵがソフトウェア（プログラム）を読み込んで実行した一般化データ生成処理又は推定処理を、ＣＰＵ以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、及びＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、一般化データ生成処理又は推定処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。
また、上記実施形態では、一般化データ生成プログラム又は推定プログラムがストレージに予め記憶（インストール）されている態様を説明したが、これに限定されない。プログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、及びＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ等の非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記憶媒体に記憶された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。
以上の実施形態に関し、更に以下の付記を開示する。
（付記項１）
メモリと、
前記メモリに接続された少なくとも１つのプロセッサと、
を含み、
前記プロセッサは、
複数種類の条件のうち、一般的な条件を満たすデータの集合である一般的学習データ群を入力として、予め定められた機械学習により、前記一般的な条件を満たすデータを求めるための学習用一般化モデルを学習して学習済み一般化モデルを出力し、
前記複数種類の条件のいずれかを満たすデータの集合である入力データ群及び前記学習済み一般化モデルを用いて、前記入力データ群が前記一般的な条件を満たすように一般化された一般化入力データ群を生成する、
ように構成されている一般化データ生成装置。
メモリと、
前記メモリに接続された少なくとも１つのプロセッサと、
を含み、
前記プロセッサは、
複数種類の条件のうち、一般的な条件を満たすデータの集合である一般的学習データ群を入力として、予め定められた機械学習により、前記一般的な条件を満たすデータを求めるための学習用一般化モデルを学習して学習済み一般化モデルを出力し、
前記複数種類の条件のいずれかを満たすデータの集合である入力データ群及び前記学習済み一般化モデルを用いて、前記入力データ群が前記一般的な条件を満たすように一般化された一般化入力データ群を生成する、
ように構成されている一般化データ生成装置。
（付記項２）
メモリと、
前記メモリに接続された少なくとも１つのプロセッサと、
を含み、
前記プロセッサは、
複数種類の条件のうち、一般的な条件を満たすデータの集合である一般的学習データ群を入力として、予め定められた機械学習により、対象物の状態を推定するための学習用状態推定モデルを学習して学習済み状態推定モデルを出力し、
前記複数種類の条件のいずれかを満たすデータの集合である入力データ群、及び前記一般的学習データ群を機械学習して得られた学習済み一般化モデルを用いて、前記入力データ群が前記一般的な条件を満たすように一般化された一般化入力データ群と、前記学習済み状態推定モデルとを用いて、前記対象物の状態を推定する、
ように構成されている推定装置。
メモリと、
前記メモリに接続された少なくとも１つのプロセッサと、
を含み、
前記プロセッサは、
複数種類の条件のうち、一般的な条件を満たすデータの集合である一般的学習データ群を入力として、予め定められた機械学習により、対象物の状態を推定するための学習用状態推定モデルを学習して学習済み状態推定モデルを出力し、
前記複数種類の条件のいずれかを満たすデータの集合である入力データ群、及び前記一般的学習データ群を機械学習して得られた学習済み一般化モデルを用いて、前記入力データ群が前記一般的な条件を満たすように一般化された一般化入力データ群と、前記学習済み状態推定モデルとを用いて、前記対象物の状態を推定する、
ように構成されている推定装置。
（付記項３）
一般化データ生成処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
前記一般化データ生成処理は、
複数種類の条件のうち、一般的な条件を満たすデータの集合である一般的学習データ群を入力として、予め定められた機械学習により、前記一般的な条件を満たすデータを求めるための学習用一般化モデルを学習して学習済み一般化モデルを出力し、
前記複数種類の条件のいずれかを満たすデータの集合である入力データ群及び前記学習済み一般化モデルを用いて、前記入力データ群が前記一般的な条件を満たすように一般化された一般化入力データ群を生成する、
非一時的記憶媒体。
一般化データ生成処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
前記一般化データ生成処理は、
複数種類の条件のうち、一般的な条件を満たすデータの集合である一般的学習データ群を入力として、予め定められた機械学習により、前記一般的な条件を満たすデータを求めるための学習用一般化モデルを学習して学習済み一般化モデルを出力し、
前記複数種類の条件のいずれかを満たすデータの集合である入力データ群及び前記学習済み一般化モデルを用いて、前記入力データ群が前記一般的な条件を満たすように一般化された一般化入力データ群を生成する、
非一時的記憶媒体。
（付記項４）
推定処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
前記推定処理は、
複数種類の条件のうち、一般的な条件を満たすデータの集合である一般的学習データ群を入力として、予め定められた機械学習により、対象物の状態を推定するための学習用状態推定モデルを学習して学習済み状態推定モデルを出力し、
前記複数種類の条件のいずれかを満たすデータの集合である入力データ群、及び前記一般的学習データ群を機械学習して得られた学習済み一般化モデルを用いて、前記入力データ群が前記一般的な条件を満たすように一般化された一般化入力データ群と、前記学習済み状態推定モデルとを用いて、前記対象物の状態を推定する、
非一時的記憶媒体。
推定処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
前記推定処理は、
複数種類の条件のうち、一般的な条件を満たすデータの集合である一般的学習データ群を入力として、予め定められた機械学習により、対象物の状態を推定するための学習用状態推定モデルを学習して学習済み状態推定モデルを出力し、
前記複数種類の条件のいずれかを満たすデータの集合である入力データ群、及び前記一般的学習データ群を機械学習して得られた学習済み一般化モデルを用いて、前記入力データ群が前記一般的な条件を満たすように一般化された一般化入力データ群と、前記学習済み状態推定モデルとを用いて、前記対象物の状態を推定する、
非一時的記憶媒体。
１０ 一般化データ生成装置
１１、２１ ＣＰＵ
１２、２２ ＲＯＭ
１３、２３ ＲＡＭ
１４、２４ ストレージ
１５、２５ 入力部
１６、２６ 表示部
１７、２７ 通信Ｉ／Ｆ
１８、２８ バス
２０ 推定装置
１０１、２０１学習部
１０２ 一般化データ生成部
１４１ 学習用一般化モデル
１４２ 一般的学習データ群
１４３ 学習済み一般化モデル
１４４ 入力データ群
１４５ 一般化入力データ群
１４６ 学習用状態推定モデル
１４７ 学習済み状態推定モデル
１４８ 状態推定結果
２０２ 推定部
１１、２１ ＣＰＵ
１２、２２ ＲＯＭ
１３、２３ ＲＡＭ
１４、２４ ストレージ
１５、２５ 入力部
１６、２６ 表示部
１７、２７ 通信Ｉ／Ｆ
１８、２８ バス
２０ 推定装置
１０１、２０１学習部
１０２ 一般化データ生成部
１４１ 学習用一般化モデル
１４２ 一般的学習データ群
１４３ 学習済み一般化モデル
１４４ 入力データ群
１４５ 一般化入力データ群
１４６ 学習用状態推定モデル
１４７ 学習済み状態推定モデル
１４８ 状態推定結果
２０２ 推定部
Claims (7)
- 滑らかな路面及び粗い路面を含む複数種類の条件のうち、前記滑らかな路面を示すデータの集合である一般的学習データ群を入力として、予め定められた機械学習により、前記滑らかな路面を示すデータを求めるための学習用一般化モデルを学習して学習済み一般化モデルを出力する学習部と、
前記複数種類の条件のうち前記粗い路面を示すデータの集合である入力データ群及び前記学習済み一般化モデルを用いて、前記入力データ群が前記滑らかな路面を示すように変換された一般化入力データ群を生成する一般化データ生成部と、
を備えた一般化データ生成装置。 - 滑らかな路面及び粗い路面を含む複数種類の条件のうち、前記滑らかな路面を示すデータの集合である一般的学習データ群を入力として、予め定められた機械学習により、路面の状態を推定するための学習用状態推定モデルを学習して学習済み状態推定モデルを出力する学習部と、
前記複数種類の条件のうち前記粗い路面を示すデータの集合である入力データ群、及び前記一般的学習データ群を機械学習して得られた学習済み一般化モデルを用いて、前記入力データ群が前記滑らかな路面を示すように変換された一般化入力データ群と、前記学習済み状態推定モデルとを用いて、前記路面の状態を推定する推定部と、
を備えた推定装置。 - 前記推定部は、前記路面が平坦な状態、段差を含む状態、及び傾斜を含む状態のいずれの状態であるかを推定する請求項２に記載の推定装置。
- 学習部が、滑らかな路面及び粗い路面を含む複数種類の条件のうち、前記滑らかな路面を示すデータの集合である一般的学習データ群を入力として、予め定められた機械学習により、前記滑らかな路面を示すデータを求めるための学習用一般化モデルを学習して学習済み一般化モデルを出力し、
一般化データ生成部が、前記複数種類の条件のうち前記粗い路面を示すデータの集合である入力データ群及び前記学習済み一般化モデルを用いて、前記入力データ群が前記滑らかな路面を示すように変換された一般化入力データ群を生成する、
一般化データ生成方法。 - 学習部が、滑らかな路面及び粗い路面を含む複数種類の条件のうち、前記滑らかな路面を示すデータの集合である一般的学習データ群を入力として、予め定められた機械学習により、路面の状態を推定するための学習用状態推定モデルを学習して学習済み状態推定モデルを出力し、
推定部が、前記複数種類の条件のうち前記粗い路面を示すデータの集合である入力データ群、及び前記一般的学習データ群を機械学習して得られた学習済み一般化モデルを用いて、前記入力データ群が前記滑らかな路面を示すように変換された一般化入力データ群と、前記学習済み状態推定モデルとを用いて、前記路面の状態を推定する、
推定方法。 - 滑らかな路面及び粗い路面を含む複数種類の条件のうち、前記滑らかな路面を示すデータの集合である一般的学習データ群を入力として、予め定められた機械学習により、前記滑らかな路面を示すデータを求めるための学習用一般化モデルを学習して学習済み一般化モデルを出力し、
前記複数種類の条件のうち前記粗い路面を示すデータの集合である入力データ群及び前記学習済み一般化モデルを用いて、前記入力データ群が前記滑らかな路面を示すように変換された一般化入力データ群を生成することを、コンピュータに実行させるための一般化データ生成プログラム。 - 滑らかな路面及び粗い路面を含む複数種類の条件のうち、前記滑らかな路面を示すデータの集合である一般的学習データ群を入力として、予め定められた機械学習により、路面の状態を推定するための学習用状態推定モデルを学習して学習済み状態推定モデルを出力し、
前記複数種類の条件のうち前記粗い路面を示すデータの集合である入力データ群、及び前記一般的学習データ群を機械学習して得られた学習済み一般化モデルを用いて、前記入力データ群が前記滑らかな路面を示すように変換された一般化入力データ群と、前記学習済み状態推定モデルとを用いて、前記路面の状態を推定することを、コンピュータに実行させるための推定プログラム。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2019/024121 WO2020255260A1 (ja) | 2019-06-18 | 2019-06-18 | 一般化データ生成装置、推定装置、一般化データ生成方法、推定方法、一般化データ生成プログラム、及び推定プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2020255260A1 JPWO2020255260A1 (ja) | 2020-12-24 |
| JP7276449B2 true JP7276449B2 (ja) | 2023-05-18 |
Family
ID=74040307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021528504A Active JP7276449B2 (ja) | 2019-06-18 | 2019-06-18 | 一般化データ生成装置、推定装置、一般化データ生成方法、推定方法、一般化データ生成プログラム、及び推定プログラム |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20220351046A1 (ja) |
| JP (1) | JP7276449B2 (ja) |
| WO (1) | WO2020255260A1 (ja) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018020277A1 (en) | 2016-07-28 | 2018-02-01 | Google Llc | Domain separation neural networks |
| WO2018109505A1 (en) | 2016-12-15 | 2018-06-21 | Google Llc | Transforming source domain images into target domain images |
| WO2019102962A1 (ja) | 2017-11-22 | 2019-05-31 | 日本電気株式会社 | 学習装置、学習方法、及び、記録媒体 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6373227B2 (ja) * | 2015-04-28 | 2018-08-15 | 日本電信電話株式会社 | バリア情報生成装置、バリア情報生成方法およびプログラム |
| JP7021507B2 (ja) * | 2017-11-14 | 2022-02-17 | 富士通株式会社 | 特徴抽出装置、特徴抽出プログラム、および特徴抽出方法 |
-
2019
- 2019-06-18 US US17/619,602 patent/US20220351046A1/en active Pending
- 2019-06-18 JP JP2021528504A patent/JP7276449B2/ja active Active
- 2019-06-18 WO PCT/JP2019/024121 patent/WO2020255260A1/ja active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018020277A1 (en) | 2016-07-28 | 2018-02-01 | Google Llc | Domain separation neural networks |
| WO2018109505A1 (en) | 2016-12-15 | 2018-06-21 | Google Llc | Transforming source domain images into target domain images |
| WO2019102962A1 (ja) | 2017-11-22 | 2019-05-31 | 日本電気株式会社 | 学習装置、学習方法、及び、記録媒体 |
Non-Patent Citations (3)
| Title |
|---|
| DENG, W. et al.，Image-Image Domain Adaptation with Preserved Self-Similarity and Domain-Dissimilarity for Person Re-identification，arXiv，1711.07027v3，[online]，2018年05月15日，pp.1-10，<URL:https://arxiv.org/abs/1711.07027v3> |
| GHIFARY, M. et al.，Domain Generalization for Object Recognition with Multi-task Autoencoders，arXiv，1508.07680v1，[online]，2015年08月31日，pp.1-9，<URL:https://arxiv.org/abs/1508.07680v1> |
| HOFFMAN, J. et al.，Efficient Learning of Domain-invariant Image Representations，arXiv，1301.3224v5，[online]，2013年04月09日，pp.1-9，<URL:https://arxiv.org/abs/1301.3224v5> |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020255260A1 (ja) | 2020-12-24 |
| US20220351046A1 (en) | 2022-11-03 |
| JPWO2020255260A1 (ja) | 2020-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6853148B2 (ja) | 検知装置、検知方法及び検知プログラム | |
| JP7283485B2 (ja) | 推定装置、推定方法、及びプログラム | |
| Shafiei Dizaji et al. | Leveraging vision for structural identification: a digital image correlation based approach | |
| JP7164028B2 (ja) | 学習システム、データ生成装置、データ生成方法、及びデータ生成プログラム | |
| JP7276449B2 (ja) | 一般化データ生成装置、推定装置、一般化データ生成方法、推定方法、一般化データ生成プログラム、及び推定プログラム | |
| JP6347190B2 (ja) | 情報処理装置、プログラム及び方法 | |
| Yang et al. | Continuous video stream pixel sensor: A CNN‐LSTM based deep learning approach for mode shape prediction | |
| JP7268731B2 (ja) | 学習データ生成装置、学習装置、学習データ生成方法、及び学習データ生成プログラム | |
| WO2017037859A1 (ja) | 情報処理装置及び方法 | |
| US9928327B2 (en) | Efficient deployment of table lookup (TLU) in an enterprise-level scalable circuit simulation architecture | |
| EP3865838A1 (en) | Enhancing rtd measurement accuracy by means of variable excitation current | |
| WO2020100893A1 (ja) | 学習装置、推定装置、方法、及びプログラム | |
| JP7068583B2 (ja) | 学習装置、推定装置、学習方法、推定方法およびプログラム | |
| RU2017132375A (ru) | Способ и устройство обнаружения изменения поведения водителя автотранспортного средства | |
| JP7048896B2 (ja) | 学習データ生成装置、学習データ生成方法およびプログラム | |
| JP7157320B2 (ja) | 学習データ生成装置、学習データ生成方法およびプログラム | |
| WO2020100894A1 (ja) | 学習装置、方法、及びプログラム | |
| Glaser et al. | Modeling of a likelihood function based on a global sensitivity analysis | |
| JP4365366B2 (ja) | 非線形ダイナミクスを有する制御対象のためのモデル化装置、非線形ダイナミクスを有する制御対象のための制御装置、非線形ダイナミクスを有する車両のための制御装置及び非線形ダイナミクスを有する制御対象のためのモデル化プログラム。 | |
| Rao | Sparse arrays: Vector sensors and design algorithms | |
| Kozadaev et al. | IMPROVING THE ACCURACY OF INERTIAL-SATELLITE NAVIGATION SYSTEM IN IMMOBILITY MODE | |
| KR101998177B1 (ko) | 타이어 정상상태 해석방법 | |
| JP6996642B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
| US20230065704A1 (en) | Teacher data generation apparatus and teacher data generation method | |
| EP3715988A1 (en) | System, device and method for detecting anomalies in industrial assets |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211102 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230207 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230315 |
|
| 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: 20230404 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230417 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7276449 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |