JP7351814B2 - 車両応答予測装置、学習装置、方法、及びプログラム - Google Patents
車両応答予測装置、学習装置、方法、及びプログラム Download PDFInfo
- Publication number
- JP7351814B2 JP7351814B2 JP2020137639A JP2020137639A JP7351814B2 JP 7351814 B2 JP7351814 B2 JP 7351814B2 JP 2020137639 A JP2020137639 A JP 2020137639A JP 2020137639 A JP2020137639 A JP 2020137639A JP 7351814 B2 JP7351814 B2 JP 7351814B2
- Authority
- JP
- Japan
- Prior art keywords
- vehicle
- response
- time series
- learning
- neural network
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Description
とおくと、l層目の畳み込み層で畳み込んだ時の時刻tに対応する出力
は以下のように表される。
・・・(1)
・・・(2)
はアダマール積であり、z[t-H:t]=[zt-H,zt-H+1,・・・zt]であり、ReLU(x)=max(0,x)は要素ごとに演算する関数である。式(2)で1つ前の層から出力された特徴を足しているのは、残差接続(Residual Connection)で、勾配を伝えるためである(参考文献1参照)。また、この畳み込み層をDilated Convolutionとすることで、異なる時間の粒度での畳み込みができる(参考文献2参照)。例えば、2つの畳み込み層による畳み込み処理を畳み込み幅2で行い、それぞれのフィルタで畳み込まれる値の間隔であるDilationを1と2に設定しているので、合計では3ステップ前の時刻まで考慮してモデル化できる。
・・・(3)
・・・(4)
・・・(5)
から、結合層FCout(x)を用いて最終的な応答
を予測する。
・・・(6)
次に、本発明の実施の形態に係る車両応答予測装置10の動作について説明する。
次に、上記の実施の形態で説明したCNNモデルを用いた車両応答予測方法の実施例について説明する。
となる。この誤差をそれぞれの評価値を対等に評価するためのスケーリングとして、訓練データの応答の平均μiと分散σiを用いて以下のように正規化した。
が最も小さくなったときのスコアをその試行に対するスコアとし、5回試行した平均でスコアを定める。誤差は標準誤差を用いた。
上記の実施の形態では、予測処理と学習処理とを1つの装置で実現する場合を例に説明したが、これに限定されるものではなく、予測処理を行う車両応答予測装置と学習処理を行う学習装置とに分けて構成してもよい。この場合には、学習装置は、学習用データ作成部12、学習部14、及びモデル記憶部16を備える。車両応答予測装置は、入力データ作成部18、予測部20、及びモデル記憶部16を備える。
12 学習用データ作成部(作成部)
14 学習部
16 モデル記憶部
18 入力データ作成部
20 予測部
30 コンピュータ
46A 学習プログラム
46B 車両応答予測プログラム
60 畳み込みニューラルネットワークモデル
60A 入力部
60B シミュレータ部
60C 演算部
Claims (8)
- 車両に対する入力の時系列と、前記車両の特性とを表す入力データを入力とし、車両の応答を予測するための予め学習された畳み込みニューラルネットワークモデルを用いて、
予測対象の車両に対する入力の時系列と、前記予測対象の車両の特性とを表す入力データから、前記予測対象の車両の応答を予測する予測部
を含み、
前記畳み込みニューラルネットワークモデルの少なくとも一つの畳み込み層は、一つ前の層の出力に基づく畳み込み結果と、一つ前の層の出力との和に、活性化関数を適用したものを出力とする車両応答予測装置。 - 前記入力データは、前記車両に対する入力と前記車両の特性とを表すベクトルを、時系列順に並べた行列である請求項1記載の車両応答予測装置。
- 前記畳み込み層のフィルタは、前記フィルタにより畳み込まれる値の時系列方向の間隔が異なる複数のフィルタを含む請求項1又は2記載の車両応答予測装置。
- 車両に対する入力の時系列と前記車両の特性とに基づくシミュレーション結果として得られた車両の応答から、車両に対する入力の時系列と、前記車両の特性とを表す入力データ、及び車両の応答を表す学習用データを作成する作成部と、
前記学習用データに基づいて、前記入力データを入力とし、前記車両の応答を予測するための畳み込みニューラルネットワークモデルを学習する学習部と、
を含み、
前記作成部は、
車両に対する入力の時系列と前記車両の特性とに基づくシミュレーション結果として得られた、前記車両の状態の時系列及び前記車両の応答から、車両に対する入力の時系列と、前記車両の特性とを表す入力データ、前記車両の状態の時系列、及び前記車両の応答を表す学習用データを作成し、
前記学習部は、前記畳み込みニューラルネットワークモデルの中間出力が、前記学習用データの前記車両の状態の時系列に対応し、かつ、前記畳み込みニューラルネットワークの最終出力が、前記学習用データの前記車両の応答に対応するように、前記畳み込みニューラルネットワークモデルを学習する学習装置。 - 予測部が、車両に対する入力の時系列と、前記車両の特性とを表す入力データを入力とし、車両の応答を予測するための予め学習された畳み込みニューラルネットワークモデルを用いて、
予測対象の車両に対する入力の時系列と、前記予測対象の車両の特性とを表す入力データから、前記予測対象の車両の応答を予測する
車両応答予測方法であって、
前記畳み込みニューラルネットワークモデルの少なくとも一つの畳み込み層は、一つ前の層の出力に基づく畳み込み結果と、一つ前の層の出力との和に、活性化関数を適用したものを出力とする車両応答予測方法。 - 作成部が、車両に対する入力の時系列と前記車両の特性とに基づくシミュレーション結果として得られた車両の応答から、車両に対する入力の時系列と、前記車両の特性とを表す入力データ、及び車両の応答を表す学習用データを作成し、
学習部が、前記学習用データに基づいて、前記入力データを入力とし、前記車両の応答を予測するための畳み込みニューラルネットワークモデルを学習する
ことを含み、
前記作成部が作成することでは、
車両に対する入力の時系列と前記車両の特性とに基づくシミュレーション結果として得られた、前記車両の状態の時系列及び前記車両の応答から、車両に対する入力の時系列と、前記車両の特性とを表す入力データ、前記車両の状態の時系列、及び前記車両の応答を表す学習用データを作成し、
前記学習部が学習することでは、前記畳み込みニューラルネットワークモデルの中間出力が、前記学習用データの前記車両の状態の時系列に対応し、かつ、前記畳み込みニューラルネットワークの最終出力が、前記学習用データの前記車両の応答に対応するように、前記畳み込みニューラルネットワークモデルを学習する
学習方法。 - 車両に対する入力の時系列と、前記車両の特性とを表す入力データを入力とし、車両の応答を予測するための予め学習された畳み込みニューラルネットワークモデルを用いて、
予測対象の車両に対する入力の時系列と、前記予測対象の車両の特性とを表す入力データから、前記予測対象の車両の応答を予測する
ことをコンピュータに実行させるための車両応答予測プログラムであって、
前記畳み込みニューラルネットワークモデルの少なくとも一つの畳み込み層は、一つ前の層の出力に基づく畳み込み結果と、一つ前の層の出力との和に、活性化関数を適用したものを出力とする車両応答予プログラム。 - 車両に対する入力の時系列と前記車両の特性とに基づくシミュレーション結果として得られた車両の応答から、車両に対する入力の時系列と、前記車両の特性とを表す入力データ、及び車両の応答を表す学習用データを作成し、
前記学習用データに基づいて、前記入力データを入力とし、前記車両の応答を予測するための畳み込みニューラルネットワークモデルを学習する
ことを含み、
前記学習用データを作成することでは、
車両に対する入力の時系列と前記車両の特性とに基づくシミュレーション結果として得られた、前記車両の状態の時系列及び前記車両の応答から、車両に対する入力の時系列と、前記車両の特性とを表す入力データ、前記車両の状態の時系列、及び前記車両の応答を表す学習用データを作成し、
前記畳み込みニューラルネットワークモデルを学習することでは、前記畳み込みニューラルネットワークモデルの中間出力が、前記学習用データの前記車両の状態の時系列に対応し、かつ、前記畳み込みニューラルネットワークの最終出力が、前記学習用データの前記車両の応答に対応するように、前記畳み込みニューラルネットワークモデルを学習する
ことをコンピュータに実行させるための学習プログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020137639A JP7351814B2 (ja) | 2020-08-17 | 2020-08-17 | 車両応答予測装置、学習装置、方法、及びプログラム |
US17/403,499 US20220050944A1 (en) | 2020-08-17 | 2021-08-16 | Vehicle response predicting device, training device, method and recording medium on which a program is recorded |
CN202110936594.7A CN114077769A (zh) | 2020-08-17 | 2021-08-16 | 车辆应答预测装置、学习装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020137639A JP7351814B2 (ja) | 2020-08-17 | 2020-08-17 | 車両応答予測装置、学習装置、方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022033640A JP2022033640A (ja) | 2022-03-02 |
JP7351814B2 true JP7351814B2 (ja) | 2023-09-27 |
Family
ID=80223674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020137639A Active JP7351814B2 (ja) | 2020-08-17 | 2020-08-17 | 車両応答予測装置、学習装置、方法、及びプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220050944A1 (ja) |
JP (1) | JP7351814B2 (ja) |
CN (1) | CN114077769A (ja) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007091104A (ja) | 2005-09-29 | 2007-04-12 | Fuji Heavy Ind Ltd | 車両挙動推定予測装置および車両安定化制御システム |
WO2018163790A1 (ja) | 2017-03-06 | 2018-09-13 | ソニー株式会社 | 情報処理装置 |
JP2018195029A (ja) | 2017-05-16 | 2018-12-06 | 富士通株式会社 | 推定プログラム、推定方法および推定装置 |
US20190050711A1 (en) | 2017-08-08 | 2019-02-14 | Neusoft Corporation | Method, storage medium and electronic device for detecting vehicle crashes |
JP2019153246A (ja) | 2018-03-06 | 2019-09-12 | オムロン株式会社 | 情報処理装置、情報処理方法、及びプログラム |
WO2019220692A1 (ja) | 2018-05-15 | 2019-11-21 | 三菱電機株式会社 | 演算装置 |
JP2019214249A (ja) | 2018-06-11 | 2019-12-19 | 住友電気工業株式会社 | 検知装置、コンピュータプログラム、検知方法及び学習モデル |
JP2020043270A (ja) | 2018-09-12 | 2020-03-19 | 東京エレクトロン株式会社 | 学習装置、推論装置及び学習済みモデル |
-
2020
- 2020-08-17 JP JP2020137639A patent/JP7351814B2/ja active Active
-
2021
- 2021-08-16 US US17/403,499 patent/US20220050944A1/en active Pending
- 2021-08-16 CN CN202110936594.7A patent/CN114077769A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007091104A (ja) | 2005-09-29 | 2007-04-12 | Fuji Heavy Ind Ltd | 車両挙動推定予測装置および車両安定化制御システム |
WO2018163790A1 (ja) | 2017-03-06 | 2018-09-13 | ソニー株式会社 | 情報処理装置 |
JP2018195029A (ja) | 2017-05-16 | 2018-12-06 | 富士通株式会社 | 推定プログラム、推定方法および推定装置 |
US20190050711A1 (en) | 2017-08-08 | 2019-02-14 | Neusoft Corporation | Method, storage medium and electronic device for detecting vehicle crashes |
JP2019153246A (ja) | 2018-03-06 | 2019-09-12 | オムロン株式会社 | 情報処理装置、情報処理方法、及びプログラム |
WO2019220692A1 (ja) | 2018-05-15 | 2019-11-21 | 三菱電機株式会社 | 演算装置 |
JP2019214249A (ja) | 2018-06-11 | 2019-12-19 | 住友電気工業株式会社 | 検知装置、コンピュータプログラム、検知方法及び学習モデル |
JP2020043270A (ja) | 2018-09-12 | 2020-03-19 | 東京エレクトロン株式会社 | 学習装置、推論装置及び学習済みモデル |
Also Published As
Publication number | Publication date |
---|---|
JP2022033640A (ja) | 2022-03-02 |
US20220050944A1 (en) | 2022-02-17 |
CN114077769A (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6771645B2 (ja) | ドメイン分離ニューラルネットワーク | |
JP6654342B2 (ja) | 組立工程においてツーリング作業を実行するための、リアルタイムのフィードバックコントロール | |
US20180130203A1 (en) | Automated skin lesion segmentation using deep side layers | |
JP5411057B2 (ja) | 有限要素解析法におけるビーム−面接触をシミュレートする改善方法およびシステム | |
US8504331B2 (en) | Aerodynamic model identification process for aircraft simulation process | |
JP6614466B2 (ja) | 能力付与データ生成装置 | |
CN110059330B (zh) | 用于创作模拟场景的方法和系统 | |
TW202111613A (zh) | 評估材料機械性質的機器學習技術 | |
US10706205B2 (en) | Detecting hotspots in physical design layout patterns utilizing hotspot detection model with data augmentation | |
US20210295167A1 (en) | Generative networks for physics based simulations | |
CN114930336A (zh) | 用于估计仿真的计算成本的方法和系统 | |
US20210192111A1 (en) | Neural Reparameterization for Optimization of Physical Designs | |
Luo et al. | Deep convolutional neural networks for uncertainty propagation in random fields | |
Danglade et al. | A priori evaluation of simulation models preparation processes using artificial intelligence techniques | |
WO2021025075A1 (ja) | 訓練装置、推定装置、訓練方法、推定方法、プログラム及びコンピュータ読み取り可能な非一時的記憶媒体 | |
EP3805995A1 (en) | Method of and apparatus for processing data of a deep neural network | |
JP7351814B2 (ja) | 車両応答予測装置、学習装置、方法、及びプログラム | |
EP4222665A1 (en) | Automated generation of a machine learning model from computational simulation data | |
KR20190041388A (ko) | 전자 장치 및 그 제어 방법 | |
CN115346125B (zh) | 一种基于深度学习的目标检测方法 | |
KR20220076973A (ko) | 인공 신경망을 이용한 유동 해석 방법 | |
CN112242959A (zh) | 微服务限流控制方法、装置、设备及计算机存储介质 | |
US20210319312A1 (en) | Deep learning acceleration of physics-based modeling | |
CN105468805B (zh) | 一种表征数字模拟结果的图形表示的方法 | |
US20220215145A1 (en) | Machine learning for rapid automatic computer-aided engineering modeling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220513 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230214 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230215 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230322 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230704 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230814 |
|
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: 20230822 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230914 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7351814 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |