JP7414995B2 - Ａｉ統合システム、ａｉ統合装置及びａｉ統合プログラム - Google Patents

Description

本開示は、種々の入力情報をもとに制御を行う複数のＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）を統合したＡＩ統合システムと、そこで用いられるＡＩ統合装置及びＡＩ統合プログラムに関する。

近年、自動車を始めとする車両の自動運転技術の発展に伴い、人体検知を行う車載カメラ８の制御やステアリング装置の制御にＡＩを用いるなど、様々な車載装置にＡＩが搭載されている。

このような状況にあり、ＡＩを搭載した複数の下位の装置に対して上位の装置から制御を行う技術が開示されている（例えば、特許文献１）。特許文献１の手法によれば、利用者がＧＵＩを介して、複数の機器に搭載されたニューラルネットワークを簡易に構築したり、上位の装置からニューラルネットワークを搭載した複数の装置を制御したりすることを可能とする。

特開２０１８－１４０６０号

しかしながら、先行技術によれば、車両の種別、仕様、及び、購入者の要望によるオプションの選択など、完成車のバリエーションが多様であるため、１つの車両にＡＩを搭載した複数の装置が統合された完成車において、統合前に学習過程を経た複数のＡＩが適切に連動して制御を行えるかどうか、信頼性を確保できないおそれがある。

本開示は、上述の問題を解決するためのものであって、種々の制御を行うＡＩが１つのシステムに統合された後に適切に制御できるようにすることを目的とする。

ＡＩ統合システムは、複数の制御対象の装置が動作する環境の特徴を示す検知情報をセンサ及び外部ネットワークの少なくともいずれかを介して入力とし、複数の制御対象の装置を制御するための制御信号を生成する複数の学習済みモデルのうちから、検知情報又は生成された制御信号の少なくともいずれかと、環境を特徴付ける要素に予め設けられた優先度の情報とをもとに、１つを選択する統括部と、選択された学習済みモデルを用いて、複数の制御対象の装置を制御する複数のセンサ処理部とを備える。統括部は、各センサ処理部による各制御対象の装置への制御を評価し、評価を考慮して、複数の学習済みモデルのうちから１つを選択することによって、複数の制御対象の装置の制御を統合する。

また、ＡＩ統合システムは、制御対象の装置が動作する環境の特徴を示す検知情報をセンサ及び通信ネットワークの少なくともいずれかを介して入力とし、制御対象の装置を制御するための制御信号を生成する学習済みモデルと、複数の制御対象の装置の各々と対応して学習済みモデルを用いて制御する複数のセンサ処理部と、前記複数のセンサ処理部の各々で使用中の前記学習済みモデルの優先度を導出し、導出した優先度に基づき、複数のセンサ処理部の少なくともいずれかに対し、使用中の学習済みモデルに追加学習させる学習部とを備える。

また、ＡＩ統合装置は、複数の制御対象の装置が動作する環境の特徴を示す検知情報をセンサ及び外部ネットワークの少なくともいずれかを介して入力として複数の制御対象の装置を制御するための制御信号を生成する複数の学習済みモデルのうちから、検知情報又は生成された制御信号の少なくともいずれかと、環境を特徴付ける要素に予め設けられた優先度の情報とをもとに、１つを選択する統括部を備える。統括部は、各制御対象の装置への制御を評価し、評価を考慮して、複数の学習済みモデルのうちから１つを選択することによって、複数の制御対象の装置の制御を統合する。

また、ＡＩ統合装置は、複数の制御対象の装置の各々と対応した、制御対象の装置が動作する環境の特徴を示す検知情報をセンサ及び通信ネットワークの少なくともいずれかを介して入力として制御対象の装置を制御するための制御信号を生成する各々の学習済みモデルの少なくともいずれかにおける制御の優先度を導出し、導出した前記優先度に基づいて前記学習済みモデルの少なくともいずれかに対し、優先的に追加学習させる統括部を備える。

また、ＡＩ統合プログラムは、複数の制御対象の装置が動作する環境の特徴を示す検知情報をセンサ及び外部ネットワークの少なくともいずれかを介して入力として複数の制御対象の装置を制御するための制御信号を生成する複数の学習済みモデルのうちから、検知情報又は生成された制御信号の少なくともいずれかと、環境を特徴付ける要素に予め設けられた優先度の情報とをもとに、環境に適する１つを選択し、選択された学習済みモデルを用いて複数のセンサ処理部に複数の制御対象の装置を制御させる。各センサ処理部による各制御対象の装置への制御を評価し、評価を考慮して、複数の学習済みモデルのうちから１つを選択することによって、複数の制御対象の装置の制御を統合する。

また、ＡＩ統合プログラムは、複数の制御対象の装置の各々と対応した、制御対象の装置が動作する環境の特徴を示す検知情報をセンサ及び通信ネットワークの少なくともいずれかを介して入力として制御対象の装置を制御するための制御信号を生成する各々の学習済みモデルの少なくともいずれかにおける制御の優先度を導出し、導出した前記優先度に基づいて前記学習済みモデルの少なくともいずれかに対し、優先的に追加学習させる。

本開示によれば、複数のＡＩが１つのシステムに統合された後、従来よりも適切に制御させられる効果が得られる。

本開示の実施の形態１における、ＡＩ統合システムを説明するためのシステム構成図である。 ＡＩ統合システムに統合される種々のＡＩを示すシステム構成図である。 別のＡＩ統合システムを説明するためのシステム構成図である。 図３に示すＡＩ統合システムに統合される種々のＡＩを示すシステム構成図である。 図３に示すＡＩ統合システムの統括部を説明するためのシステム構成図である。 図３に示すＡＩ統合システムの構成を説明するためのシステム構成図である。 センサ処理部の構成を説明するための模式図である。 ＡＩに行わせる学習と、学習によって獲得される学習済みモデルとを説明するための図である。 統括部の評価部が、検知情報及び制御信号のデータセットをもとにＮＮデータを評価する過程を説明するための模式図である。 ＡＩ統合システムにおける統括部での処理を説明するためのフローチャート図である。 統括部の第１の変形例を説明するための模式図である。 統括部の第２の変形例を説明するための模式図である。 本開示の実施の形態２における、ＡＩでの制御で扱う検知情報及び制御信号を２次元で表現する制御領域を説明するための模式図である。 各々の車載装置での制御における相互の影響を説明するための模式図である。 ＡＩによる制御が有するロバスト性を説明するための模式図である。 ＡＩでの制御におけるロバスト性が拡張された状態を説明するための模式図である。 走行シーンと対応したＡＩの制御領域の重複部分を示す模式図である。 システムとしての車両と、種々の車載装置を制御するサブシステムとしてのＡＩと、さらに統括部との関係を説明するための模式図である。 制御の優先度を考慮したときの各々のＮＮデータにおける統合学習の収束度合いを説明するための模式図である。 制御の優先度を考慮したときの各々のＮＮデータにおける統合学習の収束度合いを説明するための別の模式図である。 制御の優先度を考慮したときの各々のＮＮデータにおける統合学習の収束度合いを説明するためのさらに別の模式図である。 車両に関わる物理量が制御項目に影響を及ぼすメカニズムの一例を説明するための模式図である。 ＡＩ統合システムに統合された複数のＡＩを統合学習させる過程を説明するための模式図である。 ＡＩ統合システムにおける統括部での処理を説明するためのフローチャート図である。 本開示の実施の形態３における、ＮＮデータへの統合学習を通じて制御の優先度を決定する過程を説明するための模式図である。 本開示の実施の形態４における、ＮＮデータへの統合学習を通じて制御の優先度を決定する別の過程を説明するための模式図である。 ３層のニューラルネットワークの例を説明するための模式図である。 本開示の技術を実施するためのハードウェア構成である。

実施の形態１．
本開示では、ＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）を“学習モデル”、“学習済みモデル”又は“学習器”と記載する。また、本開示では、“学習器”とは、既知の学習手法を用いることにより入力情報に対して出力情報を決定できるソフトウェア又はＬＳＩで構成される制御装置を指し、“学習モデル”とは、前述の“学習器”を構成する入力情報と出力情報との対応付けが決まる前段階のソフトウェア又はＬＳＩを指し、“学習済みモデル”とは、前述の“学習器”を構成する入力情報と出力情報との対応付けが決まった段階のソフトウェア又はＬＳＩを指すが、学習過程を経て知能を獲得するものであれば上述の構成以外のものであってもよい。

図１は、本開示の実施の形態１における、ＡＩ統合システム１を説明するためのシステム構成図である。ここでいうＡＩ統合システム１とは、ＡＩを用いて制御する装置を複数統合させて動作させることにより、用途に応じた処理又は動作を行うシステムを指す。

図１に、ＡＩ統合システム１の例を示す。ＡＩ統合システム１は、産業用ロボットＭ１，Ｍ２及びコンベアー装置Ｍ３を統合したシステムである。

産業用ロボットＭ１は腕節部Ａｒｍ１、捕捉部Ｈａｎｄ１及び撮像部Ｃａｍｅｒａ１を備えており、撮像部Ｃａｍｅｒａ１で撮像しながらコンベアーによって運ばれる複数の部品類Ｐａｒｔｓ１を識別し、腕節部Ａｒｍ１及び捕捉部Ｈａｎｄ１を駆動させて部品類Ｐａｒｔｓ１を補足する。また、産業用ロボットＭ２は腕節部Ａｒｍ２、捕捉部Ｈａｎｄ２及び撮像部Ｃａｍｅｒａ２を備えており、撮像部Ｃａｍｅｒａ２で撮像しながらコンベアーによって運ばれる複数の部品類Ｐａｒｔｓ２を識別し、腕節部Ａｒｍ２及び捕捉部Ｈａｎｄ２を駆動させて部品類Ｐａｒｔｓ２を補足する。また、コンベアー装置Ｍ３は、コンベアーＣｏｎｖｅｙｏｒ及び切り替え部Ｓｗｉｔｃｈを備えており、コンベアーＣｏｎｖｅｙｏｒは１つの通路が途中で２つの通路に分岐して複数の部品類Ｐａｒｔｓを運び、切り替え部ＳｗｉｔｃｈはコンベアーＣｏｎｖｅｙｏｒの分岐点において、運ばれてくる複数の部品類Ｐａｒｔｓを所定条件のもと、産業用ロボットＭ１又は産業用ロボットＭ２のいずれかの側に切り替えて流す。

図２は、ＡＩ統合システム１に統合される種々のＡＩを示すシステム構成図である。図２（ａ）に示すように、産業用ロボットＭ１の腕節部Ａｒｍ１はＡＩであるＡＩ１ａによって制御され、捕捉部Ｈａｎｄ１はＡＩであるＡＩ１ｈによって制御され、撮像部Ｃａｍｅｒａ１はＡＩであるＡＩ１ｃによって制御される。また、産業用ロボットＭ２の腕節部Ａｒｍ２はＡＩであるＡＩ２ａによって制御され、捕捉部Ｈａｎｄ２はＡＩであるＡＩ２ｈによって制御され、撮像部Ｃａｍｅｒａ２はＡＩであるＡＩ２ｃによって制御される。また、コンベアー装置Ｍ３はＡＩであるＡＩ３によって制御される。産業用ロボットＭ１のＡＩ１ａ、ＡＩ１ｈ及びＡＩ１ｃ、産業用ロボットＭ２のＡＩ２ａ，ＡＩ２ｈ及びＡＩ２ｃ、並びに、コンベアー装置Ｍ３のＡＩ３は、それぞれ、産業用ロボットＭ１，Ｍ２及びコンベアー装置Ｍ３が連動できるように制御を行う。

ところで、産業用ロボットＭ１のＡＩ１ａ、ＡＩ１ｈ及びＡＩ１ｃ、産業用ロボットＭ２のＡＩ２ａ，ＡＩ２ｈ及びＡＩ２ｃ、並びに、コンベアー装置Ｍ３のＡＩ３は、各々のＡＩが搭載される産業用ロボットＭ１，Ｍ２及びコンベアー装置Ｍ３が統合される前に個別に制御に関する学習を行っており、ＡＩ統合システム１として統合された後に各々の装置が実際に稼働する環境においては制御に関する学習を行っていない。そのため、システムとして各々の装置が適切に動作する保証が持てないことが危惧される。

本開示では、上述のような、複数のＡＩを統合するシステムにおいて、各々のＡＩがシステムに適した制御を行うための学習を行わせるＡＩについて説明する。図２（ｂ）では、このような複数のＡＩに学習を行わせるＡＩをＡＩｓｖとして示している。

次に、ＡＩ統合システム１の別の例として、自動運転機能又は運転支援機能を実装した自動車について説明する。

図３は、別のＡＩ統合システム１を説明するためのシステム構成図である。図３では、ＡＩ統合システム１として車両２の構成を示している。車両２は、ここでは自動車（より具体的には、完成車）とする。以下、ＡＩ統合システム１を単に“システム”とも記載する。

車両２のボディである車体３には、タイヤ４、ドア５、ヘッドライト６、電子ミラー７、車載カメラ８、レーダ９及びトランスミッション１０が備え付けられる。車載カメラ８及びレーダ９は、車両２の周辺の対象物を検出するための装置である。車載カメラ８は撮像装置である。レーダ９にはＬｉＤＡＲ（ｌｉｇｈｔ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｒａｎｇｉｎｇ）などのレーザーレーダ又はミリ波レーダなどの電磁波が用いられる。

駆動装置１１は、エンジン又はモーターなど、車両２を走行させるための駆動力を発生する装置である。制動装置１２は、機械的ブレーキ又は電力回生ブレーキなど、車両２を減速又は停止させるための制動力を発生する装置又は減速機構である。操舵装置１３は、車両２の進行方向を変えるためのステアリング装置である。緩衝装置１４は、車両２に生じる振動及び慣性力などの応力を緩和及び緩衝するための減衰力を発生するサスペンション装置である。
駆動装置１１及び制動装置１２は、タイヤ４に駆動力及び制動力を与える。また、操舵装置１３は、タイヤ４の向きを変えることで進行方向に向かう抗力を与える。また、緩衝装置１４は、車両２と路面との間に生じる応力を緩和するためにタイヤ４と車体３との間に減衰力を与える。

ＵＩ装置１５は、メーター機器を含めたインストルメントパネル、カーナビゲーション又は情報端末装置など、搭乗者に対して車両２の周囲を表示したり、車両２の周辺の状況を通知したり、車両２に搭載された種々の装置類の操作を可能としたりする、ＵＩ（ユーザーインターフェース、Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）のための装置である。
ドア５、ヘッドライト６及び電子ミラー７は、ＵＩ装置１５を介して、搭乗者からの操作を受け付けて動作する。

認識装置１６は、車載カメラ８、レーダ９及び図示しないＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）装置などを個別又は連動させて制御することにより、車両２内外の対象物を検出及び認識したり、車両２の位置情報を取得したりする。なお、認識装置１６がヘッドライト６を制御することにより、車載カメラ８での撮像による物体などの検出及び認識の精度を向上させるようにしてもよい。
伝達装置１７は、変速機及び差動装置など駆動伝達に関わる経路であるトランスミッション１０を制御する。

上述の駆動装置１１、制動装置１２、操舵装置１３、緩衝装置１４、ＵＩ装置１５、認識装置１６及び伝達装置１７は同一の装置として搭載されてもよい。また、上述の装置以外にも、車両２に搭載される他の装置をＡＩ統合システム１に含めてもよい。

図４は、図３に示すＡＩ統合システム１に統合される種々のＡＩを示すシステム構成図である。図４では、ＡＩ統合システム１は、駆動装置１１、制動装置１２、操舵装置１３、緩衝装置１４、ＵＩ装置１５、認識装置１６及び伝達装置１７の各々を制御するためのＡＩが統合されている。各々のＡＩは機械学習を用いた学習器Ｌｍであって、例えば、ニューラルネットワークを用いて学習させた学習済みモデルである。各々のＡＩは、ソフトウェア又はＬＳＩで構成される。

駆動装置１１を制御するＡＩを駆動制御部２１、制動装置１２を制御するＡＩを制動制御部２２、操舵装置１３を制御するＡＩを操舵制御部２３、緩衝装置１４を制御するＡＩを緩衝制御部２４、ＵＩ装置１５を制御するＡＩをＵＩ制御部２５、認識装置１６を制御するＡＩを認識制御部２６、及び、伝達装置１７を制御するＡＩを伝達制御部２７とする。

図５は、図３に示すＡＩ統合システム１の統括部３０を説明するためのシステム構成図である。ＡＩ統合システム１は統括部３０を備える。なお、統括部３０はＡＩ統合装置とも扱うものとする。また、統括部３０はＡＩ統合プログラム、ＡＩ統合回路及びＡＩ統合データとも扱うものとする。

統括部３０は、駆動制御部２１、制動制御部２２、操舵制御部２３、緩衝制御部２４、ＵＩ制御部２５、認識制御部２６及び伝達制御部２７に対し、統合学習を行わせる。
また、統括部３０は、車両２が走行する環境である走行シーンＤｓの推定、ＡＩ統合システム１に統合された各々のＡＩの制御の評価、各々のＡＩの制御に用いられる学習済みモデルの切り替えなどを行う。統括部３０での処理の詳細については後述する。

なお、本開示では、車両２が置かれる環境の例として走行シーンＤｓを扱うが、ここでの環境とは、車両２の走行に関わる状態又は状況に限定されるものではなく、例えば、搭乗者の挙動、体調及び安全状況、並びに、車両２の経年劣化の状態など、車載装置の制御に関わるものを含む。

図６は、図３に示すＡＩ統合システム１の構成を説明するためのシステム構成図である。ＡＩ統合システム１は、統括部３０及び複数のセンサ処理部３１Ａ，３１Ｂ，・・・，３１Ｎを備える。統括部３０は、複数のセンサ処理部３１と接続して種々の信号を送受信する。

また、ＡＩ統合システム１には、車両２に搭載される種々のセンサ３２Ａ，３２Ｂ，・・・，３２Ｎ、車載ネットワーク４０に接続する通信装置４１、並びに、車両２に搭載される種々の車載装置Ｖｄが接続される。これらのセンサ３２、通信装置４１及び車載装置Ｖｄは信号伝送路４２を介して繋がる。車載ネットワーク４０は、車車間通信、地車間通信、並びに、社会インフラとして敷設された広域通信網又はインターネット網と繋がる。

図６では、センサ３２Ａに接続するセンサ処理部３１をセンサ処理部３１Ａ、センサ３２Ｂに接続するセンサ処理部３１をセンサ処理部３１Ｂとしているが、各々のセンサ３２とセンサ処理部３１との対応は１対１でなくとも良く、１対複数、複数対１、並びに、複数対複数であってもよい。

種々のセンサ３２Ａ，３２Ｂ，・・・，３２Ｎは、車両２に搭載される装置であって、例えば、走行速度情報、サスペンションに掛かる荷重情報、及び、温度情報など、車両２に関わる種々の情報を検知して出力する。

例えば、複数あるセンサ３２のいずれかは、車体３及び個々の車輪の少なくともいずれかにおいて、速度及び加速度、ロール・ピッチ・ヨーを含む角度及び角速度、振動の振幅及び周波数、並びに、正のトルク及び負のトルク（つまり、駆動力及び制動力）などの走行制御に関わる動的な情報と、車体３内部、車体３外部及び車体３そのものの少なくともいずれかにおいて、温度、湿度、照度及び重量などの走行条件に関わる静的な情報とを検知して、検知した情報を対応するセンサ処理部３１に出力する。

また、他のセンサ３２のいずれかは、カメラ８での撮像、レーダ９による物体検知、並びに、例えばＧＰＳを用いた位置検知及び通信デバイスを利用したデータ通信などの周囲の状況の認識に関わる情報を取得して、取得した情報を対応するセンサ処理部３１に出力する。

種々の装置を統合するシステム１としての車両２は、上述した種々のセンサ３２及び通信から得られる情報に基づいて自車両２の状態を認識し、認識した状態Ｓｔにおいて取るべき行動Ａｃｔを関連付けたデータセット（行動Ａｃｔ，状態Ｓｔ）を扱うことにより、自車両２が置かれた環境とインタラクションをする。以下、種々の装置を全て統合した車両２を完成車と呼ぶ。

自車両２の状態Ｓｔとは、上述のセンサ３２及び通信を介して得られる、例えば、位置情報、目標との距離情報、速度情報などの種々の情報から導出される。以下、種々のセンサ３２及び通信から得られる情報をまとめて検知情報Ｓｉとする。また、行動Ａｃｔとは、車両２に搭載される種々の車載装置Ｖｄに対する制御、並びに、搭乗者に対する種々の情報の通知又は提供を指す。

センサ処理部３１は、制御対象の車載装置Ｖｄと双方向の信号伝送が可能に接続している。センサ処理部３１は、制御対象の車載装置Ｖｄ又は信号伝送路４２に接続された他の装置に実装される。
センサ処理部３１は、上述した種々のセンサ３２及び通信を介して入力した検知情報Ｓｉをもとに制御信号Ｃｓを生成して、制御対象の車載装置Ｖｄに対して生成した制御信号Ｃｓを送信する。センサ処理部３１は、入力した検知情報Ｓｉと、車載装置Ｖｄを制御するために生成した制御信号Ｃｓとを統括部３０に対して逐次出力する。

統括部３０は、記憶部３０ｍを備えており、入力した情報、導出した情報又は設定された情報など種々の情報を、一時的又は消去されるまで、記憶部３０ｍに保持することができる。

統括部３０は、検知情報Ｓｉ、制御信号Ｃｓ及び出力元のセンサ処理部３１を関連付けた関連情報Ｒｉを保持する。統括部３０に入力される検知情報Ｓｉ及び制御信号Ｃｓには、出力元のセンサ処理部３１を示す情報が付与されている。このことは、センサ処理部３１が検知情報Ｓｉ及び制御信号Ｃｓを出力するときに出力元の情報として付与したり、信号伝送路４２上の装置が出力元のセンサ処理部３１の情報と検知情報Ｓｉ及び制御信号Ｃｓとを関連付けるために付与したりすることで可能となる。

このように、上述のデータセット（行動Ａｃｔ，状態Ｓｔ）は、検知情報Ｓｉと制御信号Ｃｓとを関連付けたデータセット（制御信号Ｃｓ，検知情報Ｓｉ）として扱うことができる。

本開示では、センサ処理部３１が実装するＡＩの一例としてニューラルネットワークを扱う。センサ処理部３１は、複数のニューラルネットワークデータを保持しており、これらの複数のニューラルネットワークデータを切り替えて設定し、制御対象の車載装置Ｖｄの制御を行う。センサ処理部３１に設定されたニューラルネットワークデータは、検知情報Ｓｉを入力すると、検知情報Ｓｉと対応した制御信号Ｃｓを生成する。以下、ニューラルネットワークデータをＮＮデータＮｄと記載する。

図６では、センサ処理部３１Ａは、学習器Ｌｍ、ＮＮデータＮｄＡ１，ＮｄＡ２，・・・，ＮｄＡｎ、及び、教師データＴｄＡを保持している。また、センサ処理部３１Ｂは、学習器Ｌｍ、ＮＮデータＮｄＢ１，ＮｄＢ２，・・・，ＮｄＢｎ、及び、教師データＴｄＢを保持している。以降、センサ処理部３１Ｎまで同様である。

センサ処理部３１が保持する複数のＮＮデータＮｄは学習済みモデルである。この学習済みモデルは、ニューラルネットワークで構築される学習モデルに対して、入力する検知情報Ｓｉと出力する制御に関わる情報（又は制御信号Ｃｓ）とのデータセット、つまり教師データＴｄを用いて学習を行わせることにより獲得される。教師データＴｄは正解データとも呼ばれる。なお、センサ処理部３１が保持する複数のＮＮデータＮｄの学習は、センサ処理部３１が車両２に統合されるのに先立って行われる。

なお、ＡＩの学習モデルは、ニューラルネットワーク以外の機械学習の手法、例えば強化学習によって、構築されてもよい。

図７は、センサ処理部３１の構成を説明するための模式図である。
センサ処理部３１は、ＡＩ（つまり、学習器Ｌｍ）、複数のＮＮデータＮｄを保持するための図示しない記憶装置、複数のＮＮデータＮｄのうちの１つをＡＩに設定するための図示しない設定部、及び、車内外の他の装置との通信を行う図示しない通信部を備える。
センサ処理部３１が備える複数のＮＮデータＮｄは、センサ処理部３１が車両２に統合されるのに先立って、教師データ群を用いた学習器Ｌｍでの学習が収束した学習済みモデルである。

図７に示すように、センサ処理部３１ＡのＡＩは、ニューラルネットワークで実現されており、パーセプトロンを有する。そして、複数のＮＮデータＮｄＡ１，ＮｄＡ２，・・・，ＮｄＡｎの各々は、パーセプトロンのネットワークを構成するためのパラメータデータであって、設定部は、複数のＮＮデータＮｄＡ１，ＮｄＡ２，・・・，ＮｄＡｎのうち１つをＡＩのパーセプトロンに設定する。つまり、パーセプトロンの構成を、複数のＮＮデータＮｄＡ１，ＮｄＡ２，・・・，ＮｄＡｎによって変えることができる。

これにより、センサ処理部３１ＡのＡＩは、設定されたＮＮデータＮｄに依存して、ある入力情報（つまり、検知情報Ｓｉ）に対して異なる出力情報（つまり、制御信号Ｃｓ）を生成することが可能となる。その結果、各々のセンサ処理部３１は、車両２が置かれた環境に適応できるＮＮデータＮｄをＡＩに設定することにより、環境に応じて入力される検知情報Ｓｉに基づいて、適応性の高い（言い換えると、環境に対してインタラクティブな）制御信号Ｃｓを生成して、制御対象となる車載装置Ｖｄを制御することができる。

なお、図７に示す例は、パラメータデータを変えることによってパーセプトロンの構成、つまりＡＩの制御特性を変化させるものであるが、この他の実装方法として、例えば、センサ処理部３１が構成の異なるパーセプトロンを複数保持して、パーセプトロン自体を切り替えることによって、ＡＩの制御特性を変化させたりする構成としたり、学習器Ｌｍ内にパーセプトロンを持たせる構成としたりしてもよい。つまり、パーセプトロンの配置は任意に設計されるものとする。

図８は、ＡＩに行わせる学習と、学習によって獲得される学習済みモデルとを説明するための図である。図８では、例えば、制動装置１２を制御するための学習モデルを扱っている。

図８（ａ）に示すように、学習モデルの学習過程において入力される情報Ｂ１は、車両２の走行速度、走行地点（又は走行位置）、目標地点（又は、目標距離若しくは目標位置）、及び、目標速度などが挙げられる。また、学習過程において教師データＴｄとなる入力情報Ｂ２は、車両２の走行速度、走行地点（又は走行位置）、目標地点（又は、目標距離若しくは目標位置）、目標速度、及び、制動力（又は、制動量若しくは制動時間）などが挙げられる。

教師データＴｄを用いて学習を行った学習モデルは、入力情報Ｂ１に対して適切な制動力（又は、制動量若しくは制動時間）を推定し、出力情報Ｃとして出力できるようになる。

さらに、図８（ｂ）の「＜１＞データ取得」に示すように、学習のために取得するデータは、実際の走行車両２で得られる、制動制御Ｂｃに関わる種々の情報を扱ってもよい。
制動制御Ｂｃに関わる種々の情報とは、センサ３２を用いて得られる又は導出される走行状態（例えば、各々のタイヤ４に掛かる荷重、車体３の傾き、及び車体３に働く慣性モーメントなど）及び路面状態、車載カメラ８又はレーダ（ＬｉＤＡＲ）などを用いて認識される周囲の状況及び目標地点（又は、目標距離若しくは目標位置）、並びに、ＧＰＳ、車車間通信又はＶＩＣＳ（Ｖｅｈｉｃｌｅ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍ（登録商標））などの車載ネットワーク４０の通信を用いて得られる走行地点（又は走行位置）、天候の状況及び交通状況などが挙げられる。

また、車両２及び環境のモデルを構築し、構築したモデルに対してシミュレーション解析を行うことで導出されるデータを扱ってもよい。その他に、予め得られる既知の情報として、車両２の固有情報（例えば、車体３重量、静止時の重心、二輪駆動又は四輪駆動、並びに、前輪駆動又は後輪駆動など）を扱ってもよい。

そして、図８（ｂ）の「＜２＞データ前処理」に示すように、取得したデータに対して、次のように前処理を行うことが考えられる。実測によってデータを取得する場合、センサ３２での検出情報の数値化及び変換処理、車載カメラ８での撮像画像の検出及び認識処理、レーダでの反射波情報の測定及び三次元マッピング処理、ＧＰＳ情報に基づいた走行地点（又は走行位置）及び目標地点（又は、目標距離若しくは目標位置）の導出処理などが挙げられる。シミュレーション解析の場合、構築した車両２及び環境モデルに対する動的解析の外乱を含めた精度向上と演算量の削減、並びに誤差の修正処理などが挙げられる。

そして、図８（ｂ）の「＜３＞ＡＩ学習」に示すように、制動装置１２を制御の対象とするセンサ処理部３１のＡＩは、上述の入力情報Ｂ１及びＢ２並びに出力情報Ｃを用いて学習を経ることで、例えば、走行条件及び交通規制などに応じた走行速度の制限、走行路上での衝突回避のための停止、カーブ又は見通しの悪い交差点での走行動作に伴う減速、目的地点での停車、といった動作に際して適宜、制動制御Ｂｃの決定を行えるようになる。

さらに、上述の学習を各々のセンサ処理部３１のＡＩに対して行うことで、種々の走行シーンＤｓに対応した複数の学習済みモデルとしてのＮＮデータＮｄを獲得することができる。種々の走行シーンＤｓは、完成車が走行する様々な環境（例えば、交通規制、走行場所、路面状態、気候、及び気温など）を特徴付ける要素の情報で区別される。学習過程で用いられる教師データＴｄは、この環境を特徴付ける要素の情報を含むように予め用意される。走行シーンＤｓについては後述する。

このようにして、車両２に搭載される車載装置Ｖｄは、センサ処理部３１がこれらのＮＮデータＮｄを切り替えて適用することにより、自装置の動作を環境に合わせることが可能となる。
そして、図８（ｂ）の「＜４＞ＡＩ活用」に示すように、センサ処理部３１のＡＩは、例えば、様々な環境に適用可能な自動運転機能又は運転支援機能を実装した自動車における制動装置１２の制動制御に活用される。このことは、完成車メーカーは、完成車に搭載された車載装置Ｖｄに対して所望する信頼性を確保することができるようになる。

完成車としての車両２が走行する環境には、例えば、比較的低速に走行する市街地又は山岳地、比較的高速に走行する高速道路又は交通規制の緩い郊外の交通網、タイヤ４のグリップが利きやすい舗装道路、並びに、タイヤ４のグリップが利きづらい未舗装路などが挙げられる。

そして、これらの環境における検知情報Ｓｉとして、例えば、市街地では、走行車線、標識、信号、他の車両２、歩行者、自転車及び周囲若しくは周辺の見通しを妨げる建物等の障害物などが多く存在する。また、山岳地では、走行車線において頻度が高く度合いの厳しい起伏、勾配及び湾曲などが多く存在する。また、高速道路では、周囲の走行車両２との位置関係、トンネルへの出入りによる明暗、道路への乗り降りを含む車線の変更、及び、交通規制又は標識などが多く存在する。

さらに、車両２が走行する環境には、例えば、車載カメラ８が撮像する映像から情報を認識しづらい豪雨の状況、ステアリング制御とおりに走行しづらい強風の状況、並びに、水たまり、凍結及び深雪といった路面状態を悪化させる天候及び気象の状況などが挙げられる。

このように、車両２が走行する環境における検知情報Ｓｉは、種々の交通規制、周囲若しくは周辺の状況及び路面状態、種々の天候及び気候の状況、並びに、これらの状態及び状況が複合的に影響を及ぼす場合に依存する。複合的に影響を及ぼす走行シーンＤｓとは、例えば、晴天の都市部の一般道路、雨天時の郊外の舗装されていない走行路、及び、豪雪時の高速道路などであって、環境を特徴付ける複数の要素を組み替えたり組み合わせたりすることで構成される。センサ処理部３１は、これら複数の要素を検知情報Ｓｉとして入力する。

なお、環境を特徴付ける複数の要素は、シミュレーションによって導出した情報であってもよいし、実際の車両２を実環境で走行させたときに取得した情報であってもよい。

車両２が置かれた環境に応じて、種々の車載装置Ｖｄの制御を行うセンサ処理部３１のＡＩは、車両２に統合される前段階において学習を行う。多様な特徴を含む環境を表現した走行シーンＤｓごとに複数の教師データＴｄ（以下、教師データ群と呼ぶ）が予め用意される。これらの走行シーンＤｓごとの教師データ群を用いて学習モデルに学習をさせることによって学習済みモデルを獲得する。１つの走行シーンＤｓと対応した学習済みモデルが１つのＮＮデータＮｄであって、センサ処理部３１は複数のＮＮデータＮｄを保持している。

そして、センサ処理部３１は、車両２に統合された後、入力する検知情報Ｓｉをもとに、統括部３０から切り替え指示ＳｗがあったＮＮデータＮｄを用いて制御を行う。統括部３０の切り替え指示Ｓｗについては後述する。このときのセンサ処理部３１でのＮＮデータＮｄの切り替えは、統括部３０からの切り替え指示Ｓｗがあった直後でなくとも、センサ処理部３１の制御又は車載装置Ｖｄの動作が安定しているタイミングで行うようにしてもよい。

このように、統合された車両２において各々のセンサ処理部３１が複数あるＮＮデータＮｄのうち環境に適したＮＮデータＮｄに切り替えることで、例えば、市街地において速度の変化度合いを緩くするとともに車載カメラ８及び車載レーダ９の検知対象を比較的小さなもの（例えば、歩行者、自転車及び信号など）に向けて特に感度を高める、高速道路において速度の変化度合いを強くするとともにステアリングの変化度合いを大きく緩やかにする、山岳地においてステアリングの変化度合いを細かく機微にするとともに車載カメラ８及び車載レーダの検知対象を比較的大きなもの（例えば、湾曲した断崖及び傾斜など）に向けて特に感度を高める、などといった制御を車載装置Ｖｄに対して行わせることが可能となる。

つまり、センサ処理部３１は、例えば、右折を行う制御であっても、走行する環境に応じて、制御の量、期間（又は時間）、変化率（又は変化速度）及び他の制御との優先度などが異なる制御信号Ｃｓを生成して出力することが可能となる。

統括部３０は、種々の走行シーンＤｓを推定するための情報、各々のセンサ処理部３１が保持する複数のＮＮデータＮｄと走行シーンＤｓとの関連付けを示す情報、並びに、センサ処理部３１と検知情報Ｓｉ及び制御信号Ｃｓとを関連付ける関連情報Ｒｉを予め保持している。この関連情報Ｒｉは、図８（ａ）に示した、システム１への統合前のＡＩ対して行われる学習に関する情報、つまり、入力情報Ｂ１及びＢ２と出力情報Ｃとのデータセットをもとに生成される。また、統括部３０は、各々のセンサ処理部３１に設定中のＮＮデータＮｄの情報を保持している。

図６に説明を戻す。統括部３０は、評価部３０ｅ及び選択部３０ｓを備える。以下、統括部３０の評価部３０ｅについて説明する。

評価部３０ｅは、入力した検知情報Ｓｉをもとに、車両２が置かれた環境を特徴付ける要素を抽出又は導出し、センサ処理部３１に設定中のＮＮデータＮｄでの制御が適切であるかどうかを評価する。

評価部３０ｅは、上述の関連情報Ｒｉを用いて、車両２に統合後の各々のセンサ処理部３１が出力する検知情報Ｓｉと制御信号Ｃｓとのデータセットの評価を行う。つまり、評価部３０ｅは、車両２が環境とインタラクションするときの、車両２の状態Ｓｔ（つまり、入力する検知情報Ｓｉ）と行動Ａｃｔ（つまり、出力する制御信号Ｃｓ）のデータセットを用いて、各々のＡＩに設定されたＮＮデータＮｄの制御を評価する。

図９は、統括部３０の評価部３０ｅが、検知情報Ｓｉ及び制御信号ＣｓのデータセットをもとにＮＮデータＮｄを評価する過程を説明するための模式図である。

センサ処理部３１Ａに設定されるＮＮデータＮｄＡ１は、市街地での走行において駆動装置１１（例えば、エンジン又はモーター）を制御するために獲得された学習済みモデルである。また、センサ処理部３１Ａに設定されるＮＮデータＮｄＡ２は、高速道路での走行において駆動装置１１（例えば、エンジン又はモーター）を制御するために獲得された学習済みモデルである。

センサ処理部３１Ｂに設定されるＮＮデータＮｄＢ１は、市街地での走行において制動装置１２（例えばブレーキ装置）を制御するために獲得された学習済みモデルである。また、センサ処理部３１Ｂに設定されるＮＮデータＮｄＢ２は、高速道路での走行において制動装置１２（例えばブレーキ装置）を制御するために獲得された学習済みモデルである。

センサ処理部３１Ｃに設定されるＮＮデータＮｄＣ１は、市街地での走行において操舵装置１３（例えばステアリング装置）を制御するために獲得された学習済みモデルである。また、センサ処理部３１Ｃに設定されるＮＮデータＮｄＣ２は、高速道路での走行において操舵装置１３（例えばステアリング装置）を制御するために獲得された学習済みモデルである。

センサ処理部３１Ｄに設定されるＮＮデータＮｄＤ１は、市街地での走行において緩衝装置１４（例えばサスペンション装置）を制御するために獲得された学習済みモデルである。また、センサ処理部３１Ｄに設定されるＮＮデータＮｄＤ２は、高速道路での走行において緩衝装置１４（例えばサスペンション装置）を制御するために獲得された学習済みモデルである。

評価部３０ｅは、車両２への統合後のセンサ処理部３１Ａ～Ｄから入力する検知情報Ｓｉ及び制御信号Ｃｓのデータセットをもとに、当該センサ処理部３１に設定中のＮＮデータＮｄが環境に適しているかどうか評価を行う。

図９（ａ）は、センサ処理部３１Ａが、ＮＮデータＮｄＡ１及びＮＮデータＮｄＡ２を用いて駆動装置１１（例えば、エンジン又はモーター）を制御したときの、車両２の走行速度ｖと、車両２の振動及び傾きから導出される走行の不安定度合いＩｓとの関係を示している。この他にも、走行の不安定度合いＩｓには、評価対象の車載装置Ｖｄに対する制御に関わる情報とセンサ３２に関わる情報とのデータセットを用いても良く、例えば、各々のタイヤ４の摩擦力及び荷重（又は衝撃力）、並びに、車両２の運動エネルギー及び慣性モーメントなどを用いてもよい。駆動装置１１に対する制御を駆動制御Ｄｃとする。

図９（ａ）に示すように、ＮＮデータＮｄＡ１は、学習過程によれば、走行速度ｖが時速４０ｋｍ～時速６０ｋｍの状態のとき、ＮＮデータＮｄＡ２よりも走行の不安定度合いＩｓを低く抑制することができる。また、ＮＮデータＮｄＡ２は、学習過程によれば、走行速度ｖが時速８０ｋｍ～時速１００ｋｍの状態のとき、ＮＮデータＮｄＡ１よりも走行の不安定度合いＩｓを低く抑制することができる。

評価部３０ｅは、統括部３０が保持する情報又は統括部３０がセンサ処理部３１Ａから入力する情報に基づいて、センサ処理部３１ＡにはＮＮデータＮｄＡ１が設定中であり、検知情報Ｓｉ及び制御信号Ｃｓのデータセットをもとに走行速度ｖが時速４０ｋｍ～時速６０ｋｍの状態であると判断した場合、センサ処理部３１ＡにＮＮデータＮｄＡ１が設定されていることは適切であると評価する。また、検知情報Ｓｉ及び制御信号Ｃｓのデータセットをもとに走行の不安定度合いＩｓが低く抑制されていると判断した場合、ＮＮデータＮｄＡ１の制御は適切であると評価する。

一方で、評価部３０ｅは、統括部３０が保持する情報又は統括部３０がセンサ処理部３１Ａから入力する情報に基づいて、センサ処理部３１ＡにはＮＮデータＮｄＡ２が設定中であり、検知情報Ｓｉ及び制御信号Ｃｓのデータセットをもとに走行速度ｖが時速８０ｋｍ～時速１００ｋｍの状態であると判断した場合、センサ処理部３１ＡにＮＮデータＮｄＡ２が設定されていることは適切であると評価する。また、検知情報Ｓｉ及び制御信号Ｃｓのデータセットをもとに走行の不安定度合いＩｓが低く抑制されていると判断した場合、ＮＮデータＮｄＡ２の制御は適切であると評価する。

図９（ｂ）は、センサ処理部３１Ｂが、ＮＮデータＮｄＢ１及びＮＮデータＮｄＢ２を用いて制動装置１２（例えばブレーキ装置）を制御したときの、車両２の走行速度ｖと、走行の不安定度合いＩｓとの関係を示している。走行の不安定度合いＩｓについては、図９（ａ）と同様である。制動装置１２に対する制御を制動制御Ｂｃとする。

図９（ｂ）に示すように、ＮＮデータＮｄＢ１は、学習過程によれば、走行速度ｖが時速４０ｋｍ～時速６０ｋｍの状態のとき、ＮＮデータＮｄＢ２よりも走行の不安定度合いＩｓを低く抑制することができる。また、ＮＮデータＮｄＢ２は、学習過程によれば、走行速度ｖが時速８０ｋｍ～時速１００ｋｍの状態のとき、ＮＮデータＮｄＢ１よりも走行の不安定度合いＩｓを低く抑制することができる。

評価部３０ｅは、統括部３０が保持する情報又は統括部３０がセンサ処理部３１Ｂから入力する情報に基づいて、センサ処理部３１ＢにはＮＮデータＮｄＢ１が設定中であり、検知情報Ｓｉ及び制御信号Ｃｓのデータセットをもとに走行速度ｖが時速４０ｋｍ～時速６０ｋｍの状態であると判断した場合、センサ処理部３１ＢにＮＮデータＮｄＢ１が設定されていることは適切であると評価する。また、検知情報Ｓｉ及び制御信号Ｃｓのデータセットをもとに走行の不安定度合いＩｓが低く抑制されていると判断した場合、ＮＮデータＮｄＢ１の制御は適切であると評価する。

一方で、評価部３０ｅは、統括部３０が保持する情報又は統括部３０がセンサ処理部３１Ｂから入力する情報に基づいて、センサ処理部３１ＢにはＮＮデータＮｄＢ２が設定中であり、検知情報Ｓｉ及び制御信号Ｃｓのデータセットをもとに走行速度ｖが時速８０ｋｍ～時速１００ｋｍの状態であると判断した場合、センサ処理部３１ＢにＮＮデータＮｄＢ２が設定されていることは適切であると評価する。また、検知情報Ｓｉ及び制御信号Ｃｓのデータセットをもとに走行の不安定度合いＩｓが低く抑制されていると判断した場合、ＮＮデータＮｄＢ２の制御は適切であると評価する。

図９（ｃ）は、センサ処理部３１Ｃが、ＮＮデータＮｄＣ１及びＮＮデータＮｄＣ２を用いて操舵装置１３（例えばステアリング装置）を制御したときの、車両２の走行速度ｖと、走行の不安定度合いＩｓとの関係を示している。走行の不安定度合いＩｓについては、図９（ａ）と同様である。操舵装置１３に対する制御を操舵制御Ｓｃとする。

図９（ｃ）に示すように、ＮＮデータＮｄＣ１は、学習過程によれば、走行速度ｖが時速４０ｋｍ～時速６０ｋｍの状態のとき、ＮＮデータＮｄＣ２よりも走行の不安定度合いＩｓを低く抑制することができる。また、ＮＮデータＮｄＣ２は、学習過程によれば、走行速度ｖが時速８０ｋｍ～時速１００ｋｍの状態のとき、ＮＮデータＮｄＣ１よりも走行の不安定度合いＩｓを低く抑制することができる。

評価部３０ｅは、統括部３０が保持する情報又は統括部３０がセンサ処理部３１Ｃから入力する情報に基づいて、センサ処理部３１ＣにはＮＮデータＮｄＣ１が設定中であり、検知情報Ｓｉ及び制御信号Ｃｓのデータセットをもとに走行速度ｖが時速４０ｋｍ～時速６０ｋｍの状態であると判断した場合、センサ処理部３１ＣにＮＮデータＮｄＣ１が設定されていることは適切であると評価する。また、検知情報Ｓｉ及び制御信号Ｃｓのデータセットをもとに走行の不安定度合いＩｓが低く抑制されていると判断した場合、ＮＮデータＮｄＣ１の制御は適切であると評価する。

一方で、評価部３０ｅは、統括部３０が保持する情報又は統括部３０がセンサ処理部３１Ｃから入力する情報に基づいて、センサ処理部３１ＣにはＮＮデータＮｄＣ２が設定中であり、検知情報Ｓｉ及び制御信号Ｃｓのデータセットをもとに走行速度ｖが時速８０ｋｍ～時速１００ｋｍの状態であると判断した場合、センサ処理部３１ＣにＮＮデータＮｄＣ２が設定されていることは適切であると評価する。また、検知情報Ｓｉ及び制御信号Ｃｓのデータセットをもとに走行の不安定度合いＩｓが低く抑制されていると判断した場合、ＮＮデータＮｄＣ２の制御は適切であると評価する。

図９（ｄ）は、センサ処理部３１Ｄが、ＮＮデータＮｄＤ１及びＮＮデータＮｄＤ２を用いて緩衝装置１４（例えばサスペンション装置）を制御したときの、車両２の走行速度ｖと、走行の不安定度合いＩｓとの関係を示している。走行の不安定度合いＩｓについては、図９（ａ）と同様である。緩衝装置１４に対する制御を緩衝制御Ｃｃとする。

図９（ｄ）に示すように、ＮＮデータＮｄＤ１は、学習過程によれば、走行速度ｖが時速４０ｋｍ～時速６０ｋｍの状態のとき、ＮＮデータＮｄＤ２よりも走行の不安定度合いＩｓを低く抑制することができる。また、ＮＮデータＮｄＤ２は、学習過程によれば、走行速度ｖが時速８０ｋｍ～時速１００ｋｍの状態のとき、ＮＮデータＮｄＤ１よりも走行の不安定度合いＩｓを低く抑制することができる。

評価部３０ｅは、統括部３０が保持する情報又は統括部３０がセンサ処理部３１Ｄから入力する情報に基づいて、センサ処理部３１ＤにはＮＮデータＮｄＤ１が設定中であり、検知情報Ｓｉ及び制御信号Ｃｓのデータセットをもとに走行速度ｖが時速４０ｋｍ～時速６０ｋｍの状態であると判断した場合、センサ処理部３１ＤにＮＮデータＮｄＤ１が設定されていることは適切であると評価する。また、検知情報Ｓｉ及び制御信号Ｃｓのデータセットをもとに走行の不安定度合いＩｓが低く抑制されていると判断した場合、ＮＮデータＮｄＤ１の制御は適切であると評価する。

一方で、評価部３０ｅは、統括部３０が保持する情報又は統括部３０がセンサ処理部３１Ｄから入力する情報に基づいて、センサ処理部３１ＤにはＮＮデータＮｄＤ２が設定中であり、検知情報Ｓｉ及び制御信号Ｃｓのデータセットをもとに走行速度ｖが時速８０ｋｍ～時速１００ｋｍの状態であると判断した場合、センサ処理部３１ＤにＮＮデータＮｄＤ２が設定されていることは適切であると評価する。また、検知情報Ｓｉ及び制御信号Ｃｓのデータセットをもとに走行の不安定度合いＩｓが低く抑制されていると判断した場合、ＮＮデータＮｄＤ２の制御は適切であると評価する。

このようにして、評価部３０ｅは、各々のセンサ処理部３１が複数あるＮＮデータＮｄの１つを用いて制御対象の車載装置Ｖｄを制御するときの検知情報Ｓｉ及び制御信号Ｃｓのデータセットに基づいて、センサ処理部３１に設定中のＮＮデータＮｄが適しているかどうかを評価するとともに、当該ＮＮデータＮｄの制御による車載装置Ｖｄの動作及び状態の安定性を評価する。

評価部３０ｅは、さらに、複数のセンサ処理部３１に設定中のＮＮデータＮｄを組み合わせたときの制御が適切に機能しているかどうかを判定及び評価してもよい。

以下、統括部３０の選択部３０ｓについて説明をする。評価部３０ｅでの評価の内容が、設定中のＮＮデータＮｄの制御が適切ではなく、そのため車両２の走行が不安定であることを示す場合、選択部３０ｓは、入力した検知情報Ｓｉ及び制御信号Ｃｓのデータセットをもとに、上述した複数の走行シーンＤｓのうち、いずれに近似するか、又は、いずれの走行シーンＤｓが相応しいか推定を行う。

選択部３０ｓが走行シーンＤｓを推定するための情報としては、例えば、車両２の走行速度、振動、傾き、運動エネルギー及び慣性モーメント、タイヤ４に掛かる摩擦力及び荷重（又は衝撃力）、並びに、走行路の勾配又は湾曲度合い（つまりＲの度合い）、気温又は気候などが挙げられる。選択部３０ｓは、この他に、車載ネットワーク４０から得られる情報を用いて走行シーンＤｓを推定してもよい。

なお、統括部３０は、環境を特徴付ける要素の情報と、当該要素の情報を対応付けた走行シーンＤｓの情報とを予め保持しているものとする。

ここで、実際の環境から得られる検知情報Ｓｉが、予め保持する走行シーンＤｓを構成する要素の情報と一致することは稀であると考えられる。そこで、環境を特徴付ける要素のうち走行の安全性又は信頼性に関わるものに予め高い優先度を設けておき、選択部３０ｓが、総合的に優先度の高い走行シーンＤｓを推定するようにしたり、近似する走行シーンＤｓの候補を複数推定して、そのうち最も走行の安全性が高い制御と対応する走行シーンＤｓを推定するようにしたりしてもよい。最も走行の安全性が高い制御とは、例えば、走行速度の制御範囲が低速なもの、又は、周囲の対象物の検知若しくは周辺の状況の認識に基づいて走行制御を行うものなどである。

そして、選択部３０ｓは、各々のセンサ処理部３１が保持するＮＮデータＮｄのうち、推定した走行シーンＤｓに適するものを選択する。また、選択部３０ｓは、入力した検知情報Ｓｉ及び制御信号Ｃｓのデータセットをもとに、実際の環境に近似又は相応する特徴を含む教師データ群を用いて学習を行ったものを選択したり、車載ネットワーク４０から得られる情報を用いてＮＮデータＮｄを選択したりしてもよい。

その後、選択部３０ｓは、各々のセンサ処理部３１に対し、選択したＮＮデータＮｄを設定するように切り替え指示Ｓｗを行う。

さらに、選択部３０ｓは、評価部３０ｅでの評価内容によらず、あるセンサ処理部３１から入力した検知情報Ｓｉ及び制御信号Ｃｓのデータセットをもとに、複数の走行シーンＤｓのうちから新たに近似する又は相応しいものを推定したり、あるセンサ処理部３１に設定中のＮＮデータＮｄよりも走行シーンＤｓに適する他のＮＮデータＮｄを選択し、当該センサ処理部３１に対して当該他のＮＮデータＮｄを設定させるための切り替え指示Ｓｗを行ったりしてもよい。

図１０は、ＡＩ統合システム１における統括部３０での処理を説明するためのフローチャート図である。

図１０（ａ）は、評価部３０ｅでの処理を示す。
処理Ｓｐ８１ａでは、評価部３０ｅが、各々のセンサ処理部３１から検知情報Ｓｉ及び制御信号Ｃｓのデータセットを入力する。
処理Ｓｐ８２ａでは、評価部３０ｅが、処理Ｓｐ８１ａで入力したデータセットと対応する各々のセンサ処理部３１のＮＮデータＮｄでの制御を評価する。
処理Ｓｐ８３ａでは、評価部３０ｅが、処理Ｓｐ８２ａでの評価をもとに各々のＮＮデータＮｄでの制御が適切であるかどうかを判定する。制御が適切であるＮＮデータＮｄにおいては処理Ｓｐ８１ａに進む。制御が適切ではないＮＮデータＮｄにおいては処理Ｓｐ８４ａに進む。
処理Ｓｐ８４ａでは、図１０（ｂ）の処理を行う。

図１０（ｂ）は、選択部３０ｓでの処理を示す。
処理Ｓｐ８１ｂでは、選択部３０ｓが、各々のセンサ処理部３１から検知情報Ｓｉを入力する。
処理Ｓｐ８２ｂでは、選択部３０ｓが、処理Ｓｐ８１ｂで入力した検知情報Ｓｉをもとに車両２が走行する走行シーンＤｓを推定する。
処理Ｓｐ８３ｂでは、選択部３０ｓが、各々のセンサ処理部３１に対して、処理Ｓｐ８２ｂで推定した走行シーンＤｓに適するＮＮデータＮｄを選択する。
処理Ｓｐ８４ｂでは、選択部３０ｓが、各々のセンサ処理部３１に対して、処理Ｓｐ８３ｂで選択したＮＮデータＮｄに切り替えさせる切り替え指示を送信する。

なお、図１０（ａ）及び（ｂ）の一連の処理は独立して行われてもよい。また、図１０（ａ）及び（ｂ）の個々の処理は、次の処理の進捗によらず実行を開始させてもよい。例えば、各々のセンサ処理部３１からデータセットが送信されれば、逐次入力を行う。

以上説明したように、実施の形態１によれば、種々の用途の動作を行う複数の装置と、当該複数の装置をそれぞれ制御する複数のＡＩとを統合したＡＩ統合システム１において、ＡＩを搭載した各々のセンサ処理部３１は、システム１が置かれた環境の情報である検知情報Ｓｉを入力し、制御対象の装置を制御する制御信号Ｃｓを生成して出力する。各々のセンサ処理部３１は、ＮＮデータＮｄを複数保持しており、そのうち１つのＮＮデータＮｄをＡＩに設定することにより制御を行う。複数のＮＮデータＮｄは、システム１が置かれる環境に対応して、学習モデルに学習を行わせた学習済みモデルである。統括部３０（評価部３０ｅ）は、各々のセンサ処理部３１のＡＩに設定されたＮＮデータＮｄでの制御対象の装置への制御を評価する。また、統括部３０（選択部３０ｓ）は、各々のセンサ処理部３１に対して、推定される走行シーンＤｓと対応したＮＮデータＮｄを選択するとともに、選択したＮＮデータＮｄに切り替える指示を行って設定させる。その結果、ＡＩ統合システム１に、種々の用途の動作を行う各々の装置を制御する複数のＡＩを統合したとき、システム１が置かれた環境に適するＮＮデータＮｄを各々のセンサ処理部３１に設定させて、種々の用途で動作する各々の装置を適切に制御させることを可能とする。

なお、ＡＩ統合システム１としては、実施の形態１で説明した車両２の他に、例えば、産業ロボット（つまり、ファクトリーオートメーション）、監視システム（又は監視装置）、空調システム（又は空調装置）、並びに、ホームエレクトロニクスなど、複数のＡＩを統合するものが対象となる。

システム１に統合される複数のＡＩが複数の学習済みモデルを切り替えて制御を行う場合、複数のＡＩが個別に制御を行うと、制御対象の装置間において動作の整合が取れなくなるおそれがある。特に、システム１に統合されるＡＩ間の制御の関連性が複雑となると、設計者が各々のＡＩの制御の整合性を考慮して、システム１が安定した状態となるようにＡＩの学習済みモデルを切り替えさせることは困難となる。この問題に対して、システム１が統合された複数のＡＩの制御によって不安定な状態に陥らないように、統括部３０が各々のＡＩの制御を評価して、適切な学習済みモデルを設定させるようにしたので、種々の用途の動作を行う装置類をそれぞれ制御するＡＩを個別に学習させたとしても、学習済みモデルで制御を行う複数のＡＩをシステム１に統合したときに、システム１が安定して動作することが可能となる。

なお、ＡＩ統合システム１の統括部３０は、１つの車載装置Ｖｄと対応した１つのセンサ処理部に対して、複数の学習済みモデルのうちから１つを選択し設定させてもよい。

＜変形例＞
図１１は、統括部３０の第１の変形例を説明するための模式図である。また、図１２は、統括部３０の第２の変形例を説明するための模式図である。図１１に示すように、ＡＩ統合システム１の統括部３０は、各々のセンサ処理部３１のうち少なくともいずれかを含んでいてもよい。また、図１２に示すように、ＡＩ統合システム１の統括部３０が車両２の外部サーバにあり、車載ネットワーク４０の通信を介して、車両２のセンサ処理部３１などと情報のやり取りを行うようにしてもよい。

実施の形態２．
実施の形態１では、種々の車載装置Ｖｄを車両２に統合するのに先立って、車載装置Ｖｄを制御するセンサ処理部３１のＡＩに対し、複数の走行シーンＤｓごとに学習を行わせて走行シーンＤｓと対応した複数のＮＮデータＮｄを獲得させた。そして、車載装置Ｖｄの車両２への統合後には、各々のセンサ処理部３１に対し、車両２が走行する環境に応じて獲得した複数のＮＮデータＮｄを切り替えて設定させた。実施の形態２では、各々のセンサ処理部３１が車両２の置かれた環境に応じて設定するＮＮデータＮｄに対して統合学習を行う。

各々のセンサ処理部３１が保持している複数のＮＮデータＮｄは、最終的な製品（つまり、完成車）として統合される前段階での学習によって獲得された学習済みモデルであり、最終的な製品として統合された状態において、制御対象となる車載装置Ｖｄに対して適切な制御を行える保証はない。つまり、各々のセンサ処理部３１が、学習済みの複数のＮＮデータＮｄを予め保持してこれらを切り替えながら制御対象となる車載装置Ｖｄを制御することが可能だとしても、実際の環境を走行する完成車というシステム１で統合されたとき、切り替え指示Ｓｗにより設定されたＮＮデータＮｄが各々の車載装置Ｖｄを安定して制御し続けることができるかどうか、信頼性を確証できないおそれがある。

ここで、制御における高いロバスト性とは、各々のセンサ処理部３１が車両２に統合された後の、実際に車両２が走行する環境において、センサ処理部３１のＡＩ（つまり、学習過程の学習モデル又は学習済みモデル）が車載装置Ｖｄの制御を行うとき、例えば、学習過程での教師データＴｄに含まれていなかった特徴を含む検知情報Ｓｉが入力されたり、教師データＴｄには含まれていたが組み合わせとして入力しなかった複数の特徴を含む検知情報Ｓｉが入力されたり、学習過程において考慮されなかった外乱を含む検知情報Ｓｉが入力されたりしても、制御対象の車載装置Ｖｄを不安定な動作状態のままとすることなく、速やかに安定した動作状態に遷移させて制御を継続できる性質を指すものとする。

図１３は、本開示の実施の形態２における、ＡＩでの制御で扱う検知情報Ｓｉ及び制御信号Ｃｓを２次元で表現する制御領域を説明するための模式図である。

統括部３０は、完成車を模擬したシミュレーションによる解析、又は、実際の完成車を用いた実測によって得られた教師データＴｄに基づき、理論上は安定して車載装置Ｖｄを制御できる検知情報Ｓｉ及び制御信号Ｃｓの範囲によって表される制御可能な領域の情報を、各々のセンサ処理部３１と対応させて保持している。

図１３に示すように、種々の車載装置Ｖｄに対するＡＩでの制御で扱う検知情報Ｓｉ及び制御信号Ｃｓの２軸で構成される制御領域を考える。なお、種々の車載装置Ｖｄの例として、駆動装置１１、制動装置１２、操舵装置１３、緩衝装置１４の４つを扱うものとする。

駆動装置１１を制御の対象とするセンサ処理部３１Ａの制御領域は、検知情報Ｓｉとして車両２の速度及び加速度を扱い、制御信号Ｃｓとして駆動力Ｄｆを扱うものとする。また、制動装置１２を制御の対象とするセンサ処理部３１Ｂの制御領域は、検知情報Ｓｉとして路面の勾配及び摩擦力（つまり、各々のタイヤ４と路面とのグリップ度合い）を扱い、制御信号Ｃｓとして制動力Ｂｆを扱うものとする。また、操舵装置１３を制御の対象とするセンサ処理部３１Ｃの制御領域は、検知情報Ｓｉとして車両２の向き及び位置の変化（例えば、変化量又は変化率）を扱い、制御信号Ｃｓとして操舵反応Ｓｒ（例えば、操舵量又は操舵速度）を扱うものとする。また、緩衝装置１４を制御の対象とするセンサ処理部３１Ｄの制御領域は、検知情報Ｓｉとして車両２の振動及び応力の変化（例えば、変化量又は変化率）を扱い、制御信号Ｃｓとして緩衝反応Ｃｒ（例えば、緩衝量又は緩衝速度）を扱うものとする。

制御領域上の楕円Ａ１～Ａ４，Ｂ１～Ｂ４，Ｃ１～Ｃ４及びＤ１～Ｄ４は、センサ処理部３１Ａ，３１Ｂ，３１Ｃ及び３１Ｄが保持するＮＮデータＮｄＡ１～ＮｄＡ４，ＮｄＢ１～ＮｄＢ４，ＮｄＣ１～ＮｄＣ４及びＮｄＤ１～ＮｄＤ４を示しており、各々のＮＮデータＮｄが扱う検知情報Ｓｉ及び制御信号Ｃｓの範囲を模式的に表している。

駆動装置１１について具体例を挙げると、市街地の走行シーンＤｓに対応した楕円Ａ１と、高速道路の走行シーンＤｓに対応した楕円Ａ２とを比較すると、楕円Ａ１より楕円Ａ２の方が、数値が高い範囲において車両２の速度及び加速度を維持するように駆動力を制御することとなる。なお、高速道路への出入りなどの一時的な低速運転又は渋滞などの徐行運転は、市街地又は高速道路と対応する走行シーンＤｓ及び教師データＴｄに含まれるものとする。また、市街地の走行シーンＤｓに対応した楕円Ａ１と、山岳地の走行シーンＤｓに対応した楕円Ａ３とを比較すると、車両２の速度及び加速度を維持する範囲は同程度であるが、楕円Ａ１より楕円Ａ３の方が、数値が高い範囲において駆動力を制御することとなる。また、市街地の走行シーンＤｓに対応した楕円Ａ１と、郊外の未舗装路の走行シーンＤｓに対応した楕円Ａ４とを比較すると、楕円Ａ１より楕円Ａ３の方が、数値が高い範囲において車両２の速度及び加速度を維持するとともに、数値が高い範囲において駆動力を制御することとなる。以下、この楕円枠を制御可能域Ｉａと定義する。

制動装置１２についても同様に、入力する検知情報Ｓｉと生成する制御信号Ｃｓとの範囲として、市街地の走行シーンＤｓに対応した制御可能域Ｉａである楕円Ｂ１、高速道路の走行シーンＤｓに対応した制御可能域Ｉａである楕円Ｂ２、山岳地の走行シーンＤｓに対応した制御可能域Ｉａである楕円Ｂ３、及び、未舗装路の走行シーンＤｓに対応した制御可能域Ｉａである楕円Ｂ４を考える。

操舵装置１３についても同様に、入力する検知情報Ｓｉと生成する制御信号Ｃｓとの範囲として、市街地の走行シーンＤｓに対応した制御可能域Ｉａである楕円Ｃ１、高速道路の走行シーンＤｓに対応した制御可能域Ｉａである楕円Ｃ２、山岳地の走行シーンＤｓに対応した制御可能域Ｉａである楕円Ｃ３、及び、未舗装路の走行シーンＤｓに対応した制御可能域Ｉａである楕円Ｃ４を考える。

緩衝装置１４についても同様に、入力する検知情報Ｓｉと生成する制御信号Ｃｓとの範囲として、市街地の走行シーンＤｓに対応した制御可能域Ｉａである楕円Ｄ１、高速道路の走行シーンＤｓに対応した制御可能域Ｉａである楕円Ｄ２、山岳地の走行シーンＤｓに対応した制御可能域Ｉａである楕円Ｄ３、及び、未舗装路の走行シーンＤｓに対応した制御可能域Ｉａである楕円Ｄ４を考える。

ＮＮデータＮｄＡ１，ＮｄＡ２，・・・，ＮｄＤ４の各々は、車載装置Ｖｄ及びセンサ処理部３１が車両２に統合されたとき、統合前の学習により獲得した制御可能域Ｉａにおいて、車両２を環境に適応させて走行制御を行うことを期待されている。

統括部３０は、図１３に示したような、各々のＮＮデータＮｄの制御可能域Ｉａを検知情報Ｓｉ及び制御信号Ｃｓのデータセットで表される情報として予め保持している。評価部３０ｅは、この制御可能域Ｉａの情報を用いて、車載装置Ｖｄの動作状態の安定性の評価を行ったり、設定中のＮＮデータＮｄでの制御が適切に機能しているかどうかの評価を行ったりすることができる。また、選択部３０ｓは、この制御可能域Ｉａの情報を用いて、現在の走行シーンＤｓに適するＮＮデータＮｄを選択し、切り替え指示Ｓｗを行うことができる。

図１４は、各々の車載装置Ｖｄでの制御における相互の影響を説明するための模式図である。図１４では、車両２が山岳地を走行する場合に、センサ処理部３１Ａ，３１Ｂ，３１Ｃ及び３１ＤにおいてＮＮデータＮｄＡ３，ＮｄＢ３，ＮｄＣ３及びＮｄＤ３が制御を行うことを表している。また、実線矢印Ｅａｂ，Ｅａｃ及びＥａｄは、センサ処理部３１ＡのＮＮデータＮｄＡ３での制御が他のセンサ処理部３１のＮＮデータＮｄＢ３，ＮｄＣ３及びＮｄＤ３での制御と相互に影響し合うことを示す。

駆動装置１１におけるＮＮデータＮｄＡ３の制御可能域Ｉａの点Ｕａでの制御によって、制動装置１２、操舵装置１３及び緩衝装置１４におけるＮＮデータＮｄＢ３，ＮｄＣ３及びＮｄＤ３のそれぞれは、制御可能域Ｉａの点Ｕｂ，Ｕｃ及びＵｄで制御を行ったとする。このとき、点Ｕａ，Ｕｂ，Ｕｃ及びＵｄは制御可能域Ｉａに含まれるため、評価部３０ｅは、それぞれのＮＮデータＮｄの制御が適切に機能していると評価する。

また、駆動装置１１におけるＮＮデータＮｄＡ３の制御可能域Ｉａの点Ｆａでの制御によって、制動装置１２、操舵装置１３及び緩衝装置１４におけるＮＮデータＮｄＢ３，ＮｄＣ３及びＮｄＤ３のそれぞれは、制御可能域Ｉａの点Ｆｂ，Ｆｃ及びＦｄで制御を行ったとする。このとき、点Ｆａ及びＦｂは制御可能域Ｉａに含まれるが、点Ｆｃ及びＦｄは制御可能域Ｉａに含まれないため、評価部３０ｅは、それぞれのＮＮデータＮｄの制御が適切に機能していないと評価する。しかしながら、点Ｆｃは操舵装置１３を制御の対象とするＮＮデータＮｄでのロバスト性に基づいた制御によって、次の制御のタイミングにおけるＮＮデータＮｄでの制御が制御可能域Ｉａに含まれたとすると、安定した走行状態に車両２を維持できる可能性が生じる。

このように、一般に、学習済みモデルを含む制御系（言い換えると、制御システム）は、多少のロバスト性を有することが期待される。つまり、センサ処理部３１のＮＮデータＮｄは、このロバスト性を有することにより、制御可能域Ｉａを超えた破線楕円枠の領域においても、制御対象となる車載装置Ｖｄの制御を行えることが期待される。以下、この破線楕円枠をロバスト制御域Ｒａと定義する。

このようなロバスト制御域Ｒａでの制御は、例えば、車両２のタイヤ４の空気圧又はブレーキ圧、並びに、積載物による車体３の重量又は受ける風圧など、一時的又は経時的な走行特性の変化に対しても制御が行えることが望まれる。

しかしながら、ロバスト制御域Ｒａは、不確定な領域であって、設計によって意図したとおりのロバスト性を制御系（言い換えると、制御システム）に与えることは困難である。そのため、センサ処理部３１が保持するＮＮデータＮｄが有するロバスト性では対応できない適応外領域Ｎａが存在する可能性がある。

図１４では、実線矢印Ｅａｂ，Ｅａｃ及びＥａｄと同様に、センサ処理部３１Ｂ，３１Ｃ及び３１Ｄの各々のＮＮデータＮｄでの制御が相互に影響し合うことを破線矢印Ｅｂｃ，Ｅｂｄ及びＥｃｄで示す。上述のとおり、各々の車載装置Ｖｄは、ＮＮデータＮｄＡ３，ＮｄＢ３，ＮｄＣ３及びＮｄＤ３の制御可能域Ｉａ以外の不確定なロバスト制御域Ｒａにおいて制御される可能性がある。このような不確定なロバスト制御域Ｒａにおいて各々の車載装置Ｖｄが制御された結果、車両２というシステム１のうえで適切に連動するとは限らない。つまり、実線矢印Ｅａｂ，Ｅａｃ及びＥａｄ、並びに、破線矢印Ｅｂｃ，Ｅｂｄ及びＥｃｄに示した相互の影響に起因して、あるＮＮデータＮｄでのロバスト制御域Ｒａにおける制御の結果が、他のＮＮデータＮｄに対して適応外領域Ｎａでの制御に繋がり、当該他のＮＮデータＮｄが制御できない状況に陥るおそれがある。

このような適応外領域Ｎａは、車載装置Ｖｄが車両２に統合される前であっても、センサ処理部３１の各々のＮＮデータＮｄが制御できる範囲を評価することにより、ある程度は予測が可能である。しかしながら、適応外領域Ｎａを狭めるための統合学習（つまり、最終的な制御系である完成車のロバスト性を高めるための追加の学習）を、車両２に統合される前の個々のＮＮデータＮｄに対して（つまり、学習済みモデルとしてのＮＮデータＮｄを獲得する過程で）行うことは困難である。

各々の車載装置Ｖｄを制御するセンサ処理部３１のＮＮデータＮｄが適応外領域Ｎａで制御する状況に陥らないように、各々のＮＮデータＮｄでの制御のロバスト性を高めることを考える。

図１５は、ＡＩによる制御が有するロバスト性を説明するための模式図である。図１４に示す適応外領域Ｎａでの制御に陥らないために、車両２が山岳地を走行する場合、各々の車載装置Ｖｄを制御するＮＮデータＮｄＡ３，ＮｄＢ３，ＮｄＣ３及びＮｄＤ３のロバスト制御域Ｒａが拡張されることで、あるＮＮデータＮｄでの制御の結果、他のＮＮデータＮｄでの制御がロバスト制御域Ｒａの内側に含まれる可能性が高まる。これにより、各々のＮＮデータＮｄは制御対象の制御を速やかに制御可能域Ｉａ内に遷移させ、その結果、安定した制御を継続する可能性が高まる。

図１５では、ＮＮデータＮｄＣ３での制御がロバスト制御域Ｒａ内で行われた結果、ＮＮデータＮｄＤ３での制御は拡張されたロバスト制御域Ｒａ内となったことを示す。これにより、次の制御のタイミングにおいて、ＮＮデータＮｄＣ３及びＮｄＤ３は、速やかに制御可能域Ｉａ内での制御に復帰できるようになる。

図６に示すように、統括部３０は、学習部３０ａを備える。統括部３０は、図１３に示したような、各々のセンサ処理部３１における複数のＮＮデータＮｄＡ１，ＮｄＡ２，・・・，ＮｄＤ４のデータセットの制御可能域Ｉａの情報を予め保持している。そして、センサ処理部３１に設定中のＮＮデータＮｄが制御可能域Ｉａ外において制御を行い、その後、速やかに制御可能域Ｉａ内での制御に復帰した場合、学習部３０ａは、このときの制御可能域Ｉａ外での制御に対応したデータセットを当該ＮＮデータＮｄのロバスト制御域Ｒａとして、予め保持する制御可能域Ｉａの情報に対し追加及び更新を行う。

ここで、ＮＮデータＮｄでの制御が速やかに制御可能域Ｉａ内に復帰したかどうかの判定は、車両２を構成する種々の車載装置Ｖｄの動作状態が安定した状態にあるか、又は、安定した状態に遷移しているか、評価部３０ｅが予め設計で定められた期間における安定性を評価することにより行うことができる。

図１６は、ＡＩでの制御におけるロバスト性が拡張された状態を説明するための模式図である。図１６に示すように、山岳地での走行シーンＤｓと同様に、他の走行シーンＤｓにおいてもＮＮデータＮｄのロバスト制御域Ｒａが拡張されれば、より安定して車両２の走行を制御することが可能となる。

図１７は、走行シーンＤｓと対応したＡＩの制御領域の重複部分を示す模式図である。ところで、図１７に示すように、センサ処理部３１が保持する走行シーンＤｓに対応した複数のＮＮデータＮｄの制御可能域Ｉａ及びロバスト制御域Ｒａを合わせた領域には、重複する重複制御域Ｄａが存在する可能性がある。このような重複制御域Ｄａに含まれるデータセットの扱いとしては、例えば、他の設定中のＮＮデータＮｄの走行シーンＤｓとの整合性又は親和性がある走行シーンＤｓに対応したＮＮデータＮｄに含まれるものと判定したり、重複制御域Ｄａに遷移したデータセットがその直前に含まれていた領域のＮＮデータＮｄに含まれるものと判定したりすることが考えられる。つまり、重複制御域Ｄａに含まれるデータセットが、次に遷移する見込みの高い領域と対応するＮＮデータＮｄに含まれるように判定する。

図１８は、システム１としての車両２と、種々の車載装置Ｖｄを制御するサブシステムとしてのＡＩと、さらに統括部３０との関係を説明するための模式図である。

システム１としての車両２（つまり、完成車）において、統括部３０は、センサ処理部３１とその制御対象の車載装置Ｖｄとの組をそれぞれサブシステムとして扱う。

各々のサブシステムは、統合前の学習によって獲得されたＮＮデータＮｄを用いて、車両２というシステム１への統合後、検知情報Ｓｉの入力と制御信号Ｃｓの生成を行いながら、各々のサブシステムの用途の動作を行う。

ところで、用途が同じサブシステムであっても、統合されるシステム１としての完成車の車種（例えば、車体３重量、重心、車幅、及びホイールベースなど）が異なったり、車種が同じであっても、仕様（例えば、ハイブリッドエンジン若しくはモーターエンジン、二輪駆動若しくは四輪駆動、並びに、排気量など）又は装備（例えば、タイヤ４、ホイール及びヘッドライト６など）が異なったりすれば、同じ環境で、同じコースを、同じ速度で走行したとしても、各々のサブシステムのセンサ処理部３１が入力する検知情報Ｓｉと生成する制御信号Ｃｓとは異なってくる。

つまり、システム１としての完成車はプロパティ（つまり、車種、仕様又は装備などの種々のパラメータによって定まる特性）がそれぞれで異なる。言い換えると、完成車はそれぞれ複数の固有のパラメータを持っている。そのため、種々の車載装置Ｖｄを制御するＮＮデータＮｄを連動させて統合学習を行わせるためには、車両２が持つ複数の固有のパラメータが及ぼす車載装置Ｖｄへの影響を考慮する必要がある。

このことは、統合前の学習によって獲得されるＮＮデータＮｄの制御可能域Ｉａが同じであっても、車両２のプロパティが異なれば、制御によりデータセットが遷移する領域も異なってくることを意味する。そのため、車両２（つまり、完成車）ごとにＮＮデータＮｄの制御可能域Ｉａが適切に形成されていることが望ましく、その結果としてロバスト制御域Ｒａが適切に拡張されることが期待できる。

そこで、車両２への統合前の学習によって獲得されるＮＮデータＮｄの制御可能域Ｉａを基礎として、車両２への統合後に、ＮＮデータＮｄに対して統合学習を行わせることを考える。つまり、ＮＮデータＮｄの制御可能域Ｉａを再形成させ、さらに再形成された制御可能域Ｉａを基礎としてロバスト制御域Ｒａを拡張させることを目的に、統合後の統合学習を行わせる。

以下、各々のセンサ処理部３１が保持するＮＮデータＮｄを統合学習させる方法について説明する。なお、統合後のＮＮデータＮｄの統合学習は、実際の環境において、又は、ある走行シーンＤｓを模擬した環境において、完成車を走行させることにより行われる。これらの環境には統合前の学習での走行シーンＤｓに含まれる特徴的な要素と同等の要素が含まれるものとする。

車両２への統合後、選択部３０ｓは、入力する検知情報Ｓｉをもとに走行シーンＤｓを推定し、各々のセンサ処理部３１が保持する複数のＮＮデータＮｄのうち、推定した走行シーンＤｓに対応するＮＮデータＮｄを選択して、各々のセンサ処理部３１に対して設定させる。ここで、統合学習においては、選択部３０ｓが行う走行シーンＤｓの推定とＮＮデータＮｄの選択及び設定とを人が行ってもよい。

また、各々のセンサ処理部３１が保持するＮＮデータＮｄには、学習済みモデルを変化させない追加学習非対応モードと、追加の学習によって学習済みモデルを変化させることが可能な追加学習対応モードとを、切り替えて設定できるものとする。なお、車両２への統合時点では、各々のセンサ処理部３１のＮＮデータＮｄは追加学習非対応モードに設定されるものとする。なお、学習部３０ａからの追加学習対応モードの指示を追加学習対応モードＡＬ、学習部３０ａからの追加学習非対応モードの切り替え指示を追加学習非対応モードＮＬとする。

先ず、学習部３０ａが、各々のセンサ処理部３１に対して設定中のＮＮデータＮｄを追加学習対応モードに切り替えさせ、各々のセンサ処理部３１のＮＮデータＮｄに独立して一斉に統合学習を行わせる例について説明する。

ここでは、統合学習を行うための走行シーンＤｓとして高速道路を扱う。そして、車両２ごとに異なるプロパティとして、２つの車両２Ａ及び２Ｂを扱うものとする。車両２Ａは、排気量が大きく、馬力が高く、車体３の重量が重い車両２（例えば、排気量が４０００ｃｃ以上のもの）とする。車両２Ｂは、排気量が小さく、馬力が低く、車体３の重量が軽い車両２（例えば、排気量が６６０ｃｃ以下のもの）とする。

高速道路では、車両２Ａ及び車両２Ｂは、走行速度の維持又は他車の追い越しをするための加速、ジャンクション付近での車線変更又はカーブのための減速、並びに、進行方向を変えるための操舵を行う。

以下、種々の車載装置Ｖｄのうち、駆動装置１１、制動装置１２及び操舵装置１３、並びに、これら３つの車載装置Ｖｄを制御の対象とするセンサ処理部３１Ａ、センサ処理部３１Ｂの及びＣを扱うものとする。
また、センサ処理部３１Ａ、センサ処理部３１Ｂの及びＣに設定される、高速道路に対応したＮＮデータＮｄをＮＮデータＮｄＡ２，ＮｄＢ２及びＮｄＣ２とする。ＮＮデータＮｄＡ２，ＮｄＢ２及びＮｄＣ２は制御対象の車載装置Ｖｄの制御を行いつつ、独立して一斉に統合学習を行わせる。

高速道路において、車両２ＡがＲの小さいカーブに差し掛かるとき、車両２Ａの制動装置１２を制御するＮＮデータＮｄＢ２ａは、車両２Ａの重量が重いため、カーブに差し掛かる前に十分に走行速度を落としきれなかったとする。ＮＮデータＮｄＢ２ａは、カーブに差し掛かる時点で走行速度が速すぎるため、制御可能域Ｉａでの制御では走行の安全を確保できないと判定し、他のＮＮデータＮｄの制御とは独立して、制御可能域Ｉａを超える大きい制動力で制動装置１２を制御する。また、車両２Ａの操舵装置１３を制御するＮＮデータＮｄＣ２ａは、カーブに差し掛かる時点で走行速度が速すぎるため、制御可能域Ｉａでの制御では走行の安全を確保できないと判定し、他のＮＮデータＮｄの制御とは独立して、制御可能域Ｉａを超える大きい操舵量と操舵速度で操舵装置１３を制御する。その結果、車両２Ａは強めのブレーキと急なステアリングによって、タイヤ４のグリップが利きづらくなり、スリップしてしまうことが考えられる。

このように、制動制御Ｂｃより先に又は一斉に操舵制御Ｓｃを行ってしまうと、タイヤ４と路面との摩擦力が車体３の慣性力に負けてスリップし、車両２の進行方向を目標に近づけることが困難となる。

車両２Ａの駆動装置１１を制御するＮＮデータＮｄＡ２ａは、車両２Ｂよりも重い車体３を加速させるために、車両２Ｂの駆動装置１１を制御するＮＮデータＮｄＡ２ｂに比べて高い駆動力の範囲で制御を行うこととなる。その結果、駆動力を制御するための制御量の変動（つまり、変化量又は変化率）が急峻となる。このため、学習を行うにしたがって、ＮＮデータＮｄＡ２ａの制御はＮＮデータＮｄＡ２ｂに比べて、駆動力を高める傾向が強くなると考えられる。

また、車両２Ａの制動装置１２を制御するＮＮデータＮｄＢ２ａは、車両２Ｂよりも重い車体３を減速させるために、車両２Ｂの制動装置１２を制御するＮＮデータＮｄＢ２ｂに比べて高い制動力の範囲で制御を行うこととなる。その結果、制動力を制御するための制御量の変動（つまり、変化量又は変化率）が急峻となる。このため、学習を行うにしたがって、ＮＮデータＮｄＢ２ａの制御はＮＮデータＮｄＢ２ｂに比べて、制動力を高める傾向が強くなると考えられる。

また、車両２Ａの操舵装置１３を制御するＮＮデータＮｄＣ２ａは、車両２Ｂよりも重くホイールベースが長い車体３を操舵するために、車両２Ｂの制動装置１２を制御するＮＮデータＮｄＣ２ｂに比べて操舵角の制御が複雑となる。それは、車体３が重いほど進行方向への慣性が大きくなるため、新たな目標となる進行方向に向かうフィードバック制御が安定しづらくなるからである。また、ホイールベースが長いほど回転半径が大きくなるため、新たな目標となる進行方向に向かうには広い範囲で操舵角を制御することとなるからである。その結果、操舵を制御するための制御量の変動（つまり、変化量又は変化率）が大きくなる。このため、学習を行うにしたがって、ＮＮデータＮｄＣ２ａの制御はＮＮデータＮｄＣ２ｂに比べて、操舵角を大きく頻繁に変える傾向が強くなると考えられる。

一方で、高速道路において、車両２ＢがＲの小さいカーブに差し掛かるとき、車両２Ｂの制動装置１２を制御するＮＮデータＮｄＢ２ｂは、車両２Ｂの重量が軽いため、カーブに差し掛かる前に十分に走行速度を落とすことができる。そのため、ＮＮデータＮｄＢ２ｂは制御可能域Ｉａにおいて制動装置１２を制御することができる。

また、車両２Ｂの操舵装置１３を制御するＮＮデータＮｄＣ２ｂは、カーブに差し掛かる時点で十分に走行速度が落ちているため、制御可能域Ｉａにおいて操舵装置１３を制御することができる。その結果、車両２Ｂは適度なブレーキとステアリングにより、タイヤ４のグリップが利いており、スリップすることはない。

車両２Ｂは、排気量が小さく、車体３の重量が軽く、ホイールベースが短いため、車両２Ａでの制御よりも制御量の変動（つまり、変化量又は変化率）が緩やかとなる。

統合前の学習済みモデルであるＮＮデータＮｄをそのまま車両２Ａの制御に用いたとすると、ＮＮデータＮｄが事前の学習過程（又は、教師データＴｄ）をもとに車両２Ａを制御しようとしても、実際の環境での車両２Ａの動作の変動（つまり、制御信号Ｃｓに対する車両２の状態を示すデータセットの変動）が激しいため、事前の教師データＴｄで獲得した制御可能域Ｉａから外れてロバスト制御域Ｒａでの制御をとる可能性が比較的大きくなると考えられる。このことは、ロバスト制御域Ｒａでの制御から速やかに制御可能域Ｉａでの制御に遷移しづらくする。このような場合、統合学習を行わせたとしても、統合前の学習済みモデルの制御可能域Ｉａを車両２Ａに適した制御可能域Ｉａに再形成させられる可能性は低い。

一方で、統合前の学習済みモデルであるＮＮデータＮｄをそのまま車両２Ｂの制御に用いたとすると、ＮＮデータＮｄが事前の学習過程（又は、教師データＴｄ）をもとに車両２Ｂを制御したとき、実際の環境での車両２Ｂの動作の変動（つまり、制御信号Ｃｓに対する車両２の状態を示すデータセットの変動）が緩やかであるため、事前の教師データＴｄで獲得した制御可能域Ｉａから外れてロバスト制御域Ｒａでの制御をとる可能性が比較的小さくなると考えられる。このことは、ロバスト制御域Ｒａでの制御から速やかに制御可能域Ｉａでの制御に遷移しやすくする。このような場合、統合学習を行わせることで、統合前の学習済みモデルの制御可能域Ｉａを車両２Ｂに適した制御可能域Ｉａに再形成させられる可能性は高い。

このように、各々のＮＮデータＮｄを統合させるシステム１によっては、統合学習を秩序立てずに、独立して一斉に行わせると、各々のＮＮデータＮｄでの制御が環境に対して適切に機能せず、その結果、学習がスムーズに収束せず、統合後の各々のＡＩがシステム１における用途を果たせない場合が生じるおそれがある。つまり、統合学習を行ったとしてもＮＮデータＮｄの制御可能域Ｉａが適切に再形成されず、システム１の動作が不安定のままとなるおそれがある。

次に、学習部３０ａが、制御の優先度Ｐを考慮し、優先度Ｐの高いセンサ処理部３１に対して設定中のＮＮデータＮｄを追加学習対応モードに切り替えさせ、各々のセンサ処理部３１のＮＮデータＮｄに秩序立てて統合学習を行わせる例について説明する。

図１９は、制御の優先度Ｐを考慮したときの各々のＮＮデータＮｄにおける統合学習の収束度合いを説明するための模式図である。車両２の走行シーンＤｓとして、高速道路を扱うものとする。

図１９（ａ１）～（ａ３）は、制御の優先度Ｐとして、駆動制御Ｄｃ、制動制御Ｂｃ、及び操舵制御Ｓｃの順に統合学習を行っている。

図１９（ａ１）は、センサ処理部３１Ａが、ＮＮデータＮｄＡ２を用いて駆動制御Ｄｃを行ったときの、駆動装置１１への制御信号Ｃｓの送信回数に対する制御の安定評価Ｓｅの遷移を示している。

制御信号Ｃｓの送信回数に記した１Ｍはある所定の回数を示しており、１０Ｍは１Ｍの１０倍を示す。また、制御の安定評価Ｓｅは、検知情報Ｓｉから得られる情報をもとに導出される評価値によって、評価部３０ｅで判定することができる。そして、評価部３０ｅは、評価値の変動が収束判断値Ｃｏｎｖ以下となったことで学習が収束したと判断する。

駆動装置１１及び制動装置１２に対する制御の安定評価Ｓｅは、例えば、走行速度の変化量及び変化率、目標の走行距離における目標の走行速度への到達度合い、並びに、燃費などの情報を用いて、評価部３０ｅで判定することができる。また、操舵装置１３に対する制御の安定評価Ｓｅは、例えば、目標の走行距離における目標の走行軌道への到達度合い、並びに、当該軌道上での車両２の姿勢などの情報を用いて、評価部３０ｅで判定することができる。また、緩衝装置１４に対する制御の安定評価Ｓｅは、例えば、車両２に働く慣性モーメント、各タイヤ４に掛かる荷重、車両２の傾き、並びに、車両２の振動などの情報を用いて、評価部３０ｅで判定することができる。

図１９（ａ１）に示すように、ＮＮデータＮｄＡ２は、制御信号Ｃｓの送信回数が１０Ｍを過ぎたあたりで評価値の変動は収束判断値Ｃｏｎｖ以下に収束する。このときの制御信号Ｃｓの送信回数をＴａ１とする。

図１９（ａ２）は、センサ処理部３１Ｄが、ＮＮデータＮｄＤ２を用いて制動制御Ｂｃを行ったときの、制動装置１２への制御信号Ｃｓの送信回数に対する制御の安定評価Ｓｅの遷移を示している。制御信号Ｃｓの送信回数及び制御の安定評価Ｓｅについては、図１９（ａ１）と同様とする。図１９（ａ２）に示すように、ＮＮデータＮｄＤ２は、制御信号Ｃｓの送信回数が１０Ｍを過ぎたあたりで評価値の変動は収束判断値Ｃｏｎｖ以下に収束する。このときの制御信号Ｃｓの送信回数をＴａ２とする。

図１９（ａ３）は、センサ処理部３１Ｂが、ＮＮデータＮｄＢ２を用いて操舵制御Ｓｃを行ったときの、操舵装置１３への制御信号Ｃｓの送信回数に対する制御の安定評価Ｓｅの遷移を示している。制御信号Ｃｓの送信回数及び制御の安定評価Ｓｅについては、図１９（ａ１）と同様とする。図１９（ａ３）に示すように、ＮＮデータＮｄＢ２は、制御信号Ｃｓの送信回数が１０Ｍに達する手前で評価値の変動は収束判断値Ｃｏｎｖ以下に収束する。このときの制御信号Ｃｓの送信回数をＴａ３とする。

図１９（ａ１）～（ａ３）では、ＮＮデータＮｄＡ２，ＮｄＢ２及びＮｄＤ２は、制御信号Ｃｓの送信回数が増加するのに伴い、評価値の変動が収束している。つまり、この優先度Ｐで制御を行っていくことで、ＮＮデータＮｄＡ２，ＮｄＢ２及びＮｄＤ２は制御対象の車載装置Ｖｄを安定して制御できるようになる。

図２０は、制御の優先度Ｐを考慮したときの各々のＮＮデータＮｄにおける統合学習の収束度合いを説明するための別の模式図である。車両２の走行シーンＤｓとして、高速道路を扱うものとする。
図２０（ｂ１）～（ｂ３）は、制御の優先度Ｐとして、操舵制御Ｓｃ、駆動制御Ｄｃ、及び制動制御Ｂｃの順に統合学習を行っている。

図２０（ｂ１）は、センサ処理部３１Ｂが、ＮＮデータＮｄＢ２を用いて操舵制御Ｓｃを行ったときの、操舵装置１３への制御信号Ｃｓの送信回数に対する制御の安定評価Ｓｅの遷移を示している。制御信号Ｃｓの送信回数に記した１Ｍはある所定の回数を示しており、１０Ｍは１Ｍの１０倍を示し、１００Ｍは１Ｍの１００倍を示す。制御信号Ｃｓの送信回数及び制御の安定評価Ｓｅについては、図１９（ａ１）と同様とする。図２０（ｂ１）に示すように、ＮＮデータＮｄＢ２は、制御信号Ｃｓの送信回数が１００Ｍを超えたところで評価値の変動は収束判断値Ｃｏｎｖ以下に収束する。このときの制御信号Ｃｓの送信回数をＴｂ１とする。

図２０（ｂ２）は、センサ処理部３１Ａが、ＮＮデータＮｄＡ２を用いて駆動制御Ｄｃを行ったときの、駆動装置１１への制御信号Ｃｓの送信回数に対する制御の安定評価Ｓｅの遷移を示している。制御信号Ｃｓの送信回数及び制御の安定評価Ｓｅについては、図１９（ａ１）と同様とする。図２０（ｂ２）に示すように、ＮＮデータＮｄＡ２は、制御信号Ｃｓの送信回数が１００Ｍを超えたところで評価値の変動は収束判断値Ｃｏｎｖ以下に収束する。このときの制御信号Ｃｓの送信回数をＴｂ２とする。

図２０（ｂ３）は、センサ処理部３１Ｄが、ＮＮデータＮｄＤ２を用いて制動制御Ｂｃを行ったときの、制動装置１２への制御信号Ｃｓの送信回数に対する制御の安定評価Ｓｅの遷移を示している。制御信号Ｃｓの送信回数及び制御の安定評価Ｓｅについては、図１９（ａ１）と同様とする。図２０（ｂ３）に示すように、ＮＮデータＮｄＤ２は、制御信号Ｃｓの送信回数が１００Ｍを超えたところで評価値の変動は収束判断値Ｃｏｎｖ以下に収束する。このときの制御信号Ｃｓの送信回数をＴｂ３とする。

図２０（ｂ１）～（ｂ３）では、ＮＮデータＮｄＡ２，ＮｄＢ２及びＮｄＤ２は、図１９（ａ１）～（ａ３）の場合と比べて、評価値の変動が収束するのに、より多くの制御信号Ｃｓの送信を要している。つまり、図２０（ｂ１）～（ｂ３）では、この優先度Ｐで制御を行っていくことで、ＮＮデータＮｄＡ２，ＮｄＢ２及びＮｄＤ２は制御対象の車載装置Ｖｄを安定して制御できるようにはなるが、図１９（ａ１）～（ａ３）の場合と比べると、制御が適切に行われなかったときのデータセットを多く含んでおり、そのため、獲得された制御可能域Ｉａ及びロバスト制御域Ｒａが図１９（ａ１）～（ａ３）の場合と比べて適切ではないおそれがある。

図２１は、制御の優先度Ｐを考慮したときの各々のＮＮデータＮｄにおける統合学習の収束度合いを説明するためのさらに別の模式図である。車両２の走行シーンＤｓとして、高速道路を扱うものとする。
図２１（ｃ１）～（ｃ４）は、制御の優先度Ｐとして、緩衝制御Ｃｃ、駆動制御Ｄｃ、制動制御Ｂｃ、及び操舵制御Ｓｃの順に統合学習を行っている。

図２１（ｃ１）は、センサ処理部３１Ｃが、ＮＮデータＮｄＣ２を用いて緩衝制御Ｃｃを行ったときの、緩衝装置１４への制御信号Ｃｓの送信回数に対する制御の安定評価Ｓｅの遷移を示している。制御信号Ｃｓの送信回数及び制御の安定評価Ｓｅについては、図１９（ａ１）と同様とする。図２１（ｃ１）に示すように、ＮＮデータＮｄＣ２は、制御信号Ｃｓの送信回数が１０Ｍに達しないところで評価値の変動は収束判断値Ｃｏｎｖ以下に収束する。このときの制御信号Ｃｓの送信回数をＤｃ１とする。

図２１（ｃ２）は、センサ処理部３１Ａが、ＮＮデータＮｄＡ２を用いて駆動制御Ｄｃを行ったときの、駆動装置１１への制御信号Ｃｓの送信回数に対する制御の安定評価Ｓｅの遷移を示している。制御信号Ｃｓの送信回数及び制御の安定評価Ｓｅについては、図１９（ａ１）と同様とする。図２１（ｃ２）に示すように、ＮＮデータＮｄＡ２は、制御信号Ｃｓの送信回数が１０Ｍに達しないところで評価値の変動は収束判断値Ｃｏｎｖ以下に収束する。このときの制御信号Ｃｓの送信回数をＤｃ２とする。

図２１（ｃ３）は、センサ処理部３１Ｄが、ＮＮデータＮｄＤ２を用いて制動制御Ｂｃを行ったときの、制動装置１２への制御信号Ｃｓの送信回数に対する制御の安定評価Ｓｅの遷移を示している。制御信号Ｃｓの送信回数及び制御の安定評価Ｓｅについては、図１９（ａ１）と同様とする。図２１（ｃ３）に示すように、ＮＮデータＮｄＤ２は、制御信号Ｃｓの送信回数が１０Ｍに達しないところで評価値の変動は収束判断値Ｃｏｎｖ以下に収束する。このときの制御信号Ｃｓの送信回数をＤｃ３とする。

図２１（ｃ４）は、センサ処理部３１Ｂが、ＮＮデータＮｄＢ２を用いて操舵制御Ｓｃを行ったときの、操舵装置１３への制御信号Ｃｓの送信回数に対する制御の安定評価Ｓｅの遷移を示している。制御信号Ｃｓの送信回数及び制御の安定評価Ｓｅについては、図１９（ａ１）と同様とする。図２１（ｃ４）に示すように、ＮＮデータＮｄＢ２は、制御信号Ｃｓの送信回数が１０Ｍに達しないところで評価値の変動は収束判断値Ｃｏｎｖ以下に収束する。このときの制御信号Ｃｓの送信回数をＤｃ４とする。

図２１（ｃ２）～（ｃ４）では、ＮＮデータＮｄＡ２，ＮｄＢ２及びＮｄＤ２は、図１９（ａ１）～（ａ３）の場合と比べて、評価値の変動が収束するのに、より少ない制御信号Ｃｓの送信で済んでいる。つまり、図２１（ｃ２）～（ｃ４）では、この優先度Ｐで制御を行っていくことで、ＮＮデータＮｄＡ２，ＮｄＢ２及びＮｄＤ２は制御対象の車載装置Ｖｄを安定して制御できるようになる。さらに、図１９（ａ１）～（ａ３）の場合と比べると、制御が適切に行われたデータセットを多く含んでおり、そのため、獲得された制御可能域Ｉａ及びロバスト制御域Ｒａが図１９（ａ１）～（ａ３）の場合と比べて適切であることが期待できる。

なお、評価部３０ｅは、各々のＮＮデータＮｄでの統合学習が収束するかどうかの判定について、評価値の変動が収束判断値Ｃｏｎｖ以下に収束する前に、例えば、制御信号Ｃｓの送信回数が所定回数に達したり、所定時間が経過したりすることにより行うことができる。
所定回数及び所定時間は、走行シーンＤｓ及びセンサ処理部３１ごとに統括部３０に予め設定されてもよいし、統括部３０が自車両２での統合学習を通じて車両２のプロパティ及び走行シーンＤｓに基づき導出したり、車載ネットワーク４０を介して取得したりすることにより設定されてもよい。

なお、ＮＮデータＮｄでの統合学習が収束しない場合、学習部３０ａは、選択部３０ｓに対してＮＮデータＮｄの再選択指示Ｒｓと切り替え指示Ｓｗとを行わせてもよい。

図１９（ａ１）～（ａ３）及び図２０（ｂ１）～（ｂ３）での駆動制御Ｄｃ、制動制御Ｂｃ及び操舵制御Ｓｃにおける統合学習の収束度合いの違いは、統合学習の優先度Ｐを駆動制御Ｄｃ、制動制御Ｂｃ及び操舵制御Ｓｃの順に行ったことである。

駆動制御Ｄｃ、制動制御Ｂｃ及び操舵制御Ｓｃの３つの制御項目Ｃｉの優先度Ｐは次のように考えられる。駆動制御Ｄｃが適切に行われず、過度な加速により走行速度が非常に高い状態において、制動制御Ｂｃ及び操舵制御Ｓｃを行ったとしても、タイヤ４と路面との間の摩擦力（つまり、タイヤ４のグリップ）が車体３の慣性力に負けてスリップしてしまうおそれがある。そのため、駆動制御Ｄｃが適切に行われない状態で車両２を安定した状態に維持させることは困難である。したがって、３つの制御項目Ｃｉのうち駆動制御Ｄｃが適切に行われることが最も優先される。

また、駆動制御Ｄｃが適切に行われて走行速度が適度である状態において、制動制御Ｂｃより優先的に操舵制御Ｓｃを行ってしまうと、タイヤ４と路面との間の摩擦力（つまり、タイヤ４のグリップ）が車体３の慣性力に負けてスリップしてしまうおそれがある。そのため、制動制御Ｂｃが適切に行われない状態で操舵制御Ｓｃを行ったとしても車両２を安定した状態に維持させることは困難である。したがって、３つの制御項目Ｃｉのうち制動制御Ｂｃが適切に行われることが次に優先される。

また、図１９（ａ１）～（ａ３）及び図２１（ｃ２）～（ｃ４）での駆動制御Ｄｃ、制動制御Ｂｃ及び操舵制御Ｓｃにおける統合学習の収束度合いの違いは、図２１（ｃ１）の緩衝制御Ｃｃにおける統合学習を優先的に行ったことである。

例えば、車両２が凹凸の激しい未舗装面を走行する場合、タイヤ４と路面との間の摩擦力が低下してグリップが利きづらく、車両２の走行が安定しない状態となる。このような状態では、駆動制御Ｄｃ、制動制御Ｂｃ及び操舵制御Ｓｃを適切に行うことは困難となる。

車両２の走行時の安定性を確保するうえで、慣性力に抗して車体３の傾き（又は姿勢）及び重心の位置が制御されること、また、各々のタイヤ４が路面に対して均等な荷重で接地することが望ましい。車体３の傾きが抑えられていると、車両２の重心の位置が変動しづらくなり、各々のタイヤ４が路面に対して均等な荷重で接地しやすくなる。また、各々のタイヤ４が路面に対して均等な荷重で接地していると、各々のタイヤ４と路面との間の摩擦力が損なわれにくくグリップが利きた状態を維持しやすくなる。緩衝装置１４は、各々のタイヤ４の緩衝度合い（つまり、変化量又は変化速度）を変化させることによって、車両２の重心の位置を変化させる（つまり、車体３の前後左右の傾きと重量のバランスを変化させる）ことができる。これにより、車両２が加速、減速及びカーブを行うとき、車両２の進行方向とは別の方向に働く慣性力に抗して路面に力を伝達させるタイヤ４の摩擦力（つまり、グリップ）をより向上させることが可能となる。

例えば、車両２が前方に加速する際には、慣性力によって車両２が後方に傾くが、この慣性力に抗して緩衝装置１４が後輪の緩衝度合いを強めるように（つまり、後輪が沈みにくくなるように）動作することで、後輪に慣性力が集中して後輪の摩擦力が負けてしまうのを抑制し、結果としてタイヤ４からの前進する回転力を路面に伝わりやすくすることができる。

また、車両２が走行中にカーブする際には、慣性力によって車両２がカーブする向きとは反対に傾くが、この慣性力に抗して緩衝装置１４がカーブの外側の車輪の緩衝度合いを強めるように（つまり、カーブの外側の車輪が沈みにくくなるように）動作することで、カーブ外側の車輪に慣性力が集中して車輪の摩擦力が負けてしまうのを抑制し、つまり、左右の車輪に適度に慣性力を分散させ、結果としてタイヤ４からの進行方向を変更するための反力を路面に伝わりやすくすることができる。

なお、カーブに伴い車両２が減速すると車両２が前方に傾くが、前輪に荷重が掛かることによってカーブの際の摩擦力（つまり、進行方向を変更するための反力）を強める作用が生じる。その一方で、前輪に荷重が掛かり過ぎる（言い換えると、車両２が前方に傾き過ぎる）ことによって後輪の摩擦力を弱める作用（つまり、後輪のスリップ）が生じる。このような過度な作用によって後輪のスリップを生じさせないように、緩衝装置１４がカーブの外側の前後の車輪の緩衝度合いを調整することが望ましい。

統合学習によって車両２に適した緩衝制御Ｃｃが行われることにより、車体３の傾きを抑制したり、各々のタイヤ４が路面に対して均等な荷重で接地させたりすることが可能となる。その結果、各々のタイヤ４と路面との間の摩擦力の低下を抑制してグリップを利きやすくする作用をもたらすことになる。したがって、駆動制御Ｄｃ、制動制御Ｂｃ及び操舵制御Ｓｃよりも緩衝制御Ｃｃを優先的に行うことは、車両２の走行における安定性を確保しやすくする。

前述の高速道路での走行例では、プロパティが異なる車両２Ａ及びＢの駆動制御Ｄｃ、制動制御Ｂｃ及び操舵制御Ｓｃの優先度Ｐを扱った。そこでは、車両２Ｂより車両２Ａのほうが、排気量、馬力及び車体３の重量が大きいため、その分、制御量の変動も大きくなり、統合前の学習によって獲得されたＮＮデータＮｄでは適切に制御が行われないおそれがあることを説明した。

しかしながら、上述の凹凸の激しい未舗装面を走行する場合、車両２Ａに比べて車両２Ｂは、車体３及び車輪のサイズが小さく重量が軽いため、路面の凹凸を走行するうえで安定性を確保しづらい。このような場合、緩衝制御Ｃｃが適切に行われるように優先的に統合学習を行わせることで、走行時の安定性を確保しやすくなる。ここでの緩衝制御Ｃｃとは、例えば、車体３の傾き、タイヤ４が乗り上げる凹凸の大きさ、又は、カーブで働く慣性力の大きさなどに応じて、各々のタイヤ４に対する緩衝装置１４の緩衝度合いの強弱を変えたり、緩衝動作のレスポンスを変えたりすることが考えられる。

上述の凹凸が激しい未舗装面での走行例では、統合学習によって緩衝制御Ｃｃが適切に行われるようになると、駆動制御Ｄｃ、制動制御Ｂｃ及び操舵制御Ｓｃでの統合学習がより適切に行われることが期待される。

上述のとおり、システム１への統合後のＮＮデータＮｄを統合学習させる順序によっては、各々のＮＮデータＮｄでの制御が環境に対して適切に機能せず、その結果、学習がスムーズに収束せず、統合後の各々のＡＩがシステム１における用途を果たせない場合が生じるおそれがある。つまり、統合学習を行ったとしてもＮＮデータＮｄの制御可能域Ｉａが適切に再形成されず、システム１の動作が不安定のままとなるおそれがある。

そのため、学習部３０ａは、図１９～図２１に示される安定評価Ｓｅを行った結果、統合学習させているＮＮデータＮｄでの制御が環境に対して適切に機能していないと判定する場合には、制御の優先度Ｐを導出する過程にフィードバックして、制御の優先度Ｐを変更して統合学習を行わせることにより、制御対象となる車載装置Ｖｄへの制御の過不足を抑制することが可能となる。

また、このような安定評価Ｓｅを行った結果は、制御に対する各々の車載装置Ｖｄの動作の特性を示す情報として蓄積し、車両２のプロパティ又は走行シーンＤｓの特徴における影響を分析することにより、統合前の学習における教師データＴｄ及び学習過程での評価指標、並びに、統合後の統合学習における走行シーンＤｓの推定及び制御の優先度Ｐの導出などに活用することができる。

図２２は、車両２に関わる物理量が制御項目Ｃｉに影響を及ぼすメカニズムの一例を説明するための模式図である。

制御項目Ｃｉとして、ここでは、駆動制御Ｄｃ、制動制御Ｂｃ、操舵制御Ｓｃ、及び、緩衝制御Ｃｃを扱う。また、車両２に関わる種々のパラメータとして、ここでは、車体３、車幅、ホイールベース、走行速度、重量（又は質量）、及び、重心を扱う。

一般に、重量（又は質量）は、完成車である車体３によって決まる。重心は、車体３、車幅及びホイールベースなどによって決まる。重量（又は質量）及び重心に関わるパラメータとして、さらに搭乗者及び積載物を扱ってもよい。

制御項目Ｃｉの駆動制御Ｄｃ、制動制御Ｂｃ、操舵制御Ｓｃ、及び、緩衝制御Ｃｃは、制御の結果が互いに影響し合う。これらの制御項目Ｃｉにおける相互の影響を表現するために、それぞれの制御項目Ｃｉの制御モデルＣａを構成する物理量として、摩擦力Ｆｂ、荷重（又は衝撃力）Ｆｐ、運動エネルギーＥ、及び、慣性モーメントＩを扱う。ここで、駆動制御Ｄｃの制御モデルＣａは制御モデルＣａＡ、また、制動制御Ｂｃの制御モデルＣａは制御モデルＣａＢなど、制御項目Ｃｉごとに制御モデルＣａが決まる。また、荷重（又は衝撃力）Ｆｐ及び運動エネルギーＥについては量又は変動率を扱ってもよい。

図２２に示すように、駆動制御Ｄｃの制御モデルＣａは、少なくとも、車両２に働く摩擦力Ｆｂと、運動エネルギーＥとを含めて表現することができる。また、制動制御Ｂｃの制御モデルＣａは、少なくとも、車両２に働く摩擦力Ｆｂと、運動エネルギーＥとを含めて表現することができる。また、操舵制御Ｓｃの制御モデルＣａは、少なくとも、車両２に働く摩擦力Ｆｂと、慣性モーメントＩ（又は運動エネルギーＥ）とを含めて表現することができる。また、緩衝制御Ｃｃの制御モデルＣａは、少なくとも、車両２に働く荷重（又は衝撃力）Ｆｐを含めて表現することができる。ここで、摩擦力Ｆｂ及び荷重（若しくは、衝撃力）Ｆｐは、車両２の各タイヤ４に働くものと見做すことができる。

駆動制御Ｄｃ及び制動制御Ｂｃは、摩擦力Ｆｂ及び運動エネルギーＥの２つの変動の影響を受ける。そして、操舵制御Ｓｃは、摩擦力Ｆｂ及び慣性モーメントＩ（又は運動エネルギーＥ）の２つの変動の影響を受ける。そして、緩衝制御Ｃｃは、荷重（又は衝撃力）Ｆｐの１つの変動の影響を受ける。

以下に、車両２に働く物理量を用いて各々の制御モデルＣａを表現した例を示す。

摩擦力Ｆｂは、例えば、数式（１）で表すことができる。

…（１）
（μ：摩擦係数、Ｎ：垂直抗力）

荷重又は衝撃力Ｆｐは、例えば、数式（２）で表すことができる。

…（２）
（ｍ：質量、ｍｇ：重量、ｖ：車両２の走行速度、ｌ：衝撃により進む距離、ｈ：落下した（又は進んだ）距離）

運動エネルギーＥは、例えば、数式（３）で表すことができる。

…（３）
（ｍ：質量、ｖ：車両２の走行速度、Ｉ：慣性モーメント、ω：角速度）

慣性モーメントＩは、例えば、数式（４）で表すことができる。

…（４）
（ｍ：質量、ｒ：回転半径、ｄ：回転軸と重心との距離）

なお、制御モデルＣａは、学習モデルに含まれるものであってもよいし、機械学習に限定されない一般的な制御回路又は制御プログラムに適用されるものであってもよい。

一般に、ごく短い時間の摩擦力Ｆｂに含まれるＮは、各タイヤ４に掛かる荷重又は衝撃力Ｆｐにより変動する。また、各タイヤ４に掛かる荷重又は衝撃力Ｆｐは、走行する車両２の運動エネルギーＥにより変動する。また、走行する車両２の運動エネルギーＥは、車両２の走行速度ｖと慣性モーメントＩにより変動する。また、慣性モーメントＩは、車両２の重心の位置ｄにより変動する。

そして、駆動制御Ｄｃ及び制動制御Ｂｃは、車両２の走行速度ｖを変化させる。緩衝制御Ｃｃは、車両２の重心の位置ｄを変化させる。操舵制御Ｓｃは、車両２の横滑り、オーバーステア又はアンダーステアが生じないものとすると、車両２の走行速度及び重心を変化させない、又は、変化させても微小なものと扱うことができる。

ここで、駆動制御Ｄｃ及び制動制御Ｂｃが走行速度ｖを変化させると、それに伴い運動エネルギーＥが変動する。このため、運動エネルギーＥによって表現される荷重（又は衝撃力）Ｆｐと、荷重（又は衝撃力）Ｆｐによって表現される摩擦力Ｆｂとのいずれも、駆動制御Ｄｃ及び制動制御Ｂｃにより変動する。

また、緩衝制御Ｃｃが車両２の重心の位置ｄを変化させると、それに伴い慣性モーメントＩが変化する。このため、慣性モーメントＩによって表現される運動エネルギーＥと、運動エネルギーＥによって表現される荷重（又は衝撃力）Ｆｐと、荷重（又は衝撃力）Ｆｐによって表現される摩擦力Ｆｂとのいずれも、緩衝制御Ｃｃにより変動する。

重心の位置ｄの変動を直接に受ける慣性モーメントＩを制御モデルＣａに含んだ操舵制御Ｓｃは、重心の位置を変動させる緩衝制御Ｃｃの影響が強い。また、走行速度ｖの変動を直接に受ける運動エネルギーＥを制御モデルＣａに含んだ駆動制御Ｄｃ、制動制御Ｂｃ及び操舵制御Ｓｃは、走行速度ｖを変動させる駆動制御Ｄｃ及び制動制御Ｂｃの影響が強い。また、駆動制御Ｄｃと制動制御Ｂｃとを比べると、駆動制御Ｄｃは運動エネルギーＥを増加させ、制動制御Ｂｃは運動エネルギーＥを減少させるため、駆動制御Ｄｃの方が他の制御項目Ｃｉに与える影響が強い。

これらの関係をまとめると、操舵制御Ｓｃは、駆動制御Ｄｃ、制動制御Ｂｃ及び緩衝制御Ｃｃの影響を強く受ける。制動制御Ｂｃは、駆動制御Ｄｃ及び緩衝制御Ｃｃの影響を強く受ける。駆動制御Ｄｃは、制動制御Ｂｃ及び緩衝制御Ｃｃの影響を強く受ける。緩衝制御Ｃｃは、駆動制御Ｄｃ及び制動制御Ｂｃの影響を受ける。なお、駆動制御Ｄｃが与える影響は、制動制御Ｂｃが与える影響よりも強い。また、駆動制御Ｄｃ、制動制御Ｂｃ及び操舵制御Ｓｃは慣性モーメントＩの影響を受け、慣性モーメントＩは操舵制御Ｓｃの影響を受ける。したがって、各々の制御項目Ｃｉが影響する度合い、つまり、制御の優先度Ｐは、緩衝制御Ｃｃ＞駆動制御Ｄｃ＞制動制御Ｂｃ＞操舵制御Ｓｃの順となる。

このように、車両２に関わる物理量を用いて各々の制御項目Ｃｉを表現した制御モデルＣａに基づいて、各々の制御項目Ｃｉに対して統合学習を行わせるときの優先度Ｐを導出することができる。

なお、車両２の制御モデルＣａは、上述の数式（１）から（４）の式に限定されることはなく、ラグランジアン又はハミルトニアンの関数を用い、運動量、ポテンシャル、並びに、摩擦力及び空気抵抗などの外力表現を含んだ種々の物理量を、高速演算が可能なコンピュータ（つまり、各々の制御モデルＣａの解析に特化した演算装置又は量子コンピュータなど）に演算させて導出してもよい。このとき、例えば、全て又は一部の解析演算を“運動エネルギー＞＞ポテンシャル＋外力エネルギー”の系と見做せる場合に、運動量の解析として扱うことで演算量を抑制してもよい。また、これらの解析演算の過程において、各々の制御モデルＣａの事前の解析結果を、例えば、統括部３０、センサ処理部３１、車載装置Ｖｄ又は車載ネットワーク４０上のサーバなどで複数保持しておき、各々の車載装置Ｖｄの挙動との類似性に基づいて保持された解析結果を利用することにより、解析演算の効率化又は高速化を図ってもよい。

上述した４つの制御項目Ｃｉの優先度Ｐによれば、先ず、学習部３０ａは、緩衝装置１４を制御の対象とするセンサ処理部３１ＤのＮＮデータＮｄを追加学習対応モードに設定し、統合後の車両２に適する緩衝制御Ｃｃを統合学習させる。次に、学習部３０ａは、駆動装置１１を制御の対象とするセンサ処理部３１ＡのＮＮデータＮｄを追加学習対応モードに設定し、統合後の車両２に適する駆動制御Ｄｃを統合学習させる。次に、学習部３０ａは、制動装置１２を制御の対象とするセンサ処理部３１ＢのＮＮデータＮｄを追加学習対応モードに設定し、統合後の車両２に適する制動制御Ｂｃを統合学習させる。次に、学習部３０ａは、操舵装置１３を制御の対象とするセンサ処理部３１ＣのＮＮデータＮｄを追加学習対応モードに設定し、統合後の車両２に適する操舵制御Ｓｃを統合学習させる。
このように、制御の優先度Ｐを考慮することにより、各々の制御項目Ｃｉに関わるＮＮデータＮｄの統合学習を時系列で切り替えて行わせることが可能となる。

図２３は、ＡＩ統合システム１に統合された複数のＡＩを統合学習させる過程を説明するための模式図である。図２３に示す２軸は、縦軸にＡＩと対応する制御項目Ｃｉを、横軸に時系列の量として時間軸Ｃｏをとっている。また、縦軸の制御項目Ｃｉは、システム１が動作する環境（例えば、走行シーンＤｓ）における、制御の優先度Ｐの順で並べられている。なお、横軸には、時系列で扱える量であれば、例えば、演算又は計数のカウント数などでもよい。図２３の例では、緩衝制御Ｃｃ、駆動制御Ｄｃ、制動制御Ｂｃ、操舵制御Ｓｃ、伝達制御Ｔｃ、認識制御Ｒｃ、ＵＩ制御Ｕｉ、及び、バッテリー制御Ｅｃの順に並べられている。

学習部３０ａは、統合学習の開始である時間Ｔ１において、最も優先度Ｐが高い緩衝制御Ｃｃと対応するセンサ処理部３１ＤのＮＮデータＮｄＤに対して統合学習Ｌｄ１を行わせる。評価部３０ｅは、統合学習Ｌｄ１における収束度合い又は安定評価Ｓｅなどの情報をもとに、時間Ｔ１から開始された統合学習Ｌｄ１の進捗を評価する。学習部３０ａは、評価部３０ｅでの評価をもとに、他のＡＩの統合学習に切り替えるかどうかを判断する。

ところで、複数のＡＩに対して制御の優先度Ｐを考慮しつつ並行して学習を進めさせる方針のもと、システム１に統合される装置類及び制御するＡＩの特性に応じて、統合学習Ｌｄ１が収束していなくとも、安定評価Ｓｅなどから得られる学習の進捗によって他のＡＩの統合学習に切り替える判断を行うよう、学習部３０ａを処理させることも可能である。また、制御の優先度Ｐが高い順に、順次、ＡＩの統合学習を終了させて次のＡＩの統合学習に切り替えるよう、学習部３０ａを処理させることも可能である。

学習部３０ａは、時間Ｔ２において、２番目に優先度Ｐが高い駆動制御Ｄｃと対応するセンサ処理部３１ＡのＮＮデータＮｄＡに対して統合学習Ｌａ１を行わせる。評価部３０ｅは、統合学習Ｌａ１における収束度合い又は安定評価Ｓｅなどの情報をもとに、時間Ｔ２から開始された統合学習Ｌａ１の進捗を評価する。学習部３０ａは、評価部３０ｅでの評価をもとに、他のＡＩの統合学習に切り替えるかどうかを判断する。

ここで、学習部３０ａは、統合学習Ｌｄ１と同様にして、統合学習Ｌａ１が収束していなくとも、安定評価Ｓｅなどから得られる学習の進捗によって他のＡＩの統合学習に切り替える判断を行うものとする。

学習部３０ａは、時間Ｔ３において、改めてセンサ処理部３１ＤのＮＮデータＮｄＤに対して統合学習Ｌｄ２を行わせる。

このように、学習部３０ａは、時間Ｔ２における統合学習Ｌｄ１から統合学習Ｌａ１への切り替え判断とともに、統合学習Ｌａ１での進捗によって再び緩衝制御Ｃｃの統合学習Ｌｄ２に切り替える判断を行っておくことも可能である。つまり、学習部３０ａは、上述の方針のもと、優先度Ｐが高い統合学習ｘの終了前に、優先度Ｐが低い他のＡＩの統合学習ｙを途中まで進めさせ、再び優先度Ｐが高い統合学習ｘを進めさせることで、複数のＡＩに対して制御の優先度Ｐを考慮しつつ並行して学習済みモデルを変更させることができる。

学習部３０ａは、時間Ｔ４において、３番目に優先度Ｐが高い制動制御Ｂｃと対応するセンサ処理部３１ＢのＮＮデータＮｄＢに対して統合学習Ｌｂ１を行わせる。評価部３０ｅは、統合学習Ｌｂ１における収束度合い又は安定評価Ｓｅなどの情報をもとに、時間Ｔ４から開始された統合学習Ｌｂ１の進捗を評価する。学習部３０ａは、評価部３０ｅでの評価をもとに、他のＡＩの統合学習に切り替えるかどうかを判断する。

学習部３０ａは、時間Ｔ５において、改めて駆動制御Ｄｃと対応するセンサ処理部３１ＡのＮＮデータＮｄＡに対して統合学習Ｌａ２を行わせる。

以降、同様にして、学習部３０ａは、時間Ｔ６から時間Ｔ１１までの期間に、緩衝制御Ｃｃと対応するセンサ処理部３１ＤのＮＮデータＮｄＤ、駆動制御Ｄｃと対応するセンサ処理部３１ＡのＮＮデータＮｄＡ、制動制御Ｂｃと対応するセンサ処理部３１ＢのＮＮデータＮｄＢ、及び、操舵制御Ｓｃと対応するセンサ処理部３１ＣのＮＮデータＮｄＣに対して統合学習を行わせる。その結果、統合学習Ｌｄ１，統合学習Ｌａ１，統合学習Ｌｄ２，統合学習Ｌｂ１，統合学習Ｌａ２，統合学習Ｌｃ１，統合学習Ｌｄ３，統合学習Ｌａ３，統合学習Ｌｂ２及び統合学習Ｌｃ２に示すように、制御の優先度Ｐを反映しつつ、ＮＮデータＮｄの学習を順次終了させることができる。

さらに、学習部３０ａは、時間Ｔ１１から時間Ｔ１７において、制御の優先度Ｐが低い伝達制御Ｔｃ、認識制御Ｒｃ、ＵＩ制御Ｕｉ及びバッテリー制御Ｅｃの各々と対応するセンサ処理部３１のＮＮデータＮｄに対しても統合学習を行わせることが可能である。

なお、学習部３０ａは、時間Ｔ１２のように、伝達制御Ｔｃと対応するセンサ処理部３１ＥのＮＮデータＮｄＥに対する統合学習Ｌｔ１の最中に、並行して認識制御Ｒｃと対応するセンサ処理部３１ＦのＮＮデータＮｄＦに対する統合学習Ｌｆ１を開始させたり、時間Ｔ１４のように、統合学習Ｌｆ１の最中に、並行してＵＩ制御Ｕｉと対応するセンサ処理部３１ＧのＮＮデータＮｄＧに対する統合学習Ｌｇ１、及び、バッテリー制御Ｅｃと対応するセンサ処理部３１ＨのＮＮデータＮｄＨに対する統合学習Ｌｈ１を開始させたりしてもよい。

図２３に示すように、制御の優先度Ｐを考慮することによって、学習部３０ａは複数のＡＩに対して分割して統合学習を行わせることが可能となる。これにより、複数のＡＩは、影響力の強さにしたがった一方的な追加学習（つまり、統合学習）だけでなく、相互に及ぼす影響の結果を反映した双方向的な追加学習（つまり、統合学習）により学習モデルを変更させることが可能となる。

図２４は、ＡＩ統合システム１における統括部３０での処理を説明するためのフローチャート図である。図２４は、統括部３０が、各々のセンサ処理部３１のＮＮデータＮｄに統合学習を行わせる処理を示す。

処理Ｓｐ１６１では、選択部３０ｓが、図１０（ｂ）の処理Ｓｐ８１ｂで入力した検知情報Ｓｉをもとに車両２が走行する走行シーンＤｓを推定する。
処理Ｓｐ１６２では、学習部３０ａが、処理Ｓｐ１６１で推定した走行シーンＤｓをもとに、各々のセンサ処理部３１のＮＮデータＮｄでの制御の優先度Ｐを導出する。
処理Ｓｐ１６３では、学習部３０ａが、処理Ｓｐ１６２で導出した制御の優先度Ｐをもとに、各々のセンサ処理部３１のＮＮデータＮｄに対して統合学習を行わせる。
処理Ｓｐ１６４では、評価部３０ｅが、処理Ｓｐ１６３でのＮＮデータＮｄに対する統合学習により入力したデータセットをもとに、ＮＮデータＮｄでの制御を評価する。
処理Ｓｐ１６５では、評価部３０ｅが、処理Ｓｐ１６４での評価をもとに、各ＮＮデータＮｄでの統合学習が収束したかどうかを判定する。統合学習が収束した場合は処理Ｓｐ１６１に進み、選択部３０ｓが新たな走行シーンＤｓであること、又は走行シーンが変わったことを推定したとき、引き続き、制御の優先度Ｐを導出し、各々のＮＮデータＮｄを追加学習対応モードに設定して統合学習を行わせる。統合学習が収束しない場合は処理Ｓｐ１６６に進み、図１０（ｂ）の処理を行う。

なお、処理Ｓｐ１６７のように、学習部３０ａは、処理Ｓｐ１６４での評価をもとにして、処理Ｓｐ１６３に進み、図２３に示したように各々のＮＮデータＮｄでの統合学習の実行を切り替えさせてもよいし、処理Ｓｐ１６２に進み、走行シーンＤｓの特徴に応じて各々のＮＮデータＮｄでの制御の優先度Ｐを改めて導出し直してもよい。

なお、図２４の一連の処理は、図１０（ａ）及び（ｂ）の処理と独立して行われてもよい。また、図２４の個々の処理は、次の処理の進捗によらず実行を開始させてもよい。例えば、各々のＮＮデータＮｄでの制御の優先度Ｐを導出しつつ、既に導出した優先度Ｐに基づいて個々のＮＮデータＮｄに統合学習を行わせてもよい。

さらに、学習部３０ａは、各々のＮＮデータＮｄの統合学習が収束した後は、各々のＮＮデータＮｄを、常時、追加学習非対応モードに設定してもよいし、追加学習対応モードに設定してもよい。

また、複数の車両２において、車種、装備及び仕様などのプロパティが同等と見做せる場合、ある車両２で統合学習を行わせたＮＮデータＮｄを他の車両２に対して通信を介して取得させ用いさせてもよい。

また、プロパティが同等な複数の車両２間において、統合学習を行わせた各々のＮＮデータＮｄを比較及び分析して情報の差分を抽出し、抽出した差分情報をフィードバックすることにより、各々のＮＮデータＮｄでの制御における不具合の改善に利用したり、制御の優先度Ｐを導出するときの制御モデルＣａに反映したり、各々のＮＮデータＮｄでの制御がより安定して安全性及び信頼性の高いものとなるように適用させてもよい。このようにすることで、車両２が走行する多様な環境において、車両２が個別に複数のＡＩをＡＩ統合システム１に統合させるための統合学習を地道に行うことなく、複数の車両２間で未対応の環境に対して相互に補完し合いながら、より高精度でより迅速に、複数のＡＩを車両２のシステム１に適応させることが可能となる。

上述した複数の車両２を扱う場合、車載ネットワーク４０に接続するサーバが、複数の車両２に搭載の統括部３０と通信して、各々の統括部３０及びセンサ処理部３１が保持する種々の情報及びＮＮデータＮｄの更新を行ってもよい。

以上説明したように、実施の形態２によれば、実施の形態１のＡＩ統合システム１において、システム１に統合された後の複数のＡＩがシステム１の特性に合わせて適切に制御を行えるようにするために、統括部３０が複数のＡＩに対して制御の優先度Ｐを考慮した統合学習を行わせる。統括部３０（学習部３０ａ）は、システム１に統合された各々のセンサ処理部３１が保持するＮＮデータＮｄに統合学習を行わせる。統括部３０（学習部３０ａ）は、統括部３０（選択部３０ｓ）で推定した走行シーンＤｓと対応するＮＮデータＮｄに対して統合学習を行わせる。また、統括部３０（学習部３０ａ）は、走行シーンＤｓと対応して各々のセンサ処理部３１に設定されたＮＮデータＮｄのうちから、制御の優先度Ｐをもとに秩序立てて（つまり、順序を決めて）統合学習を行わせる。ここでの制御の優先度Ｐは、例えば、各々の制御項目Ｃｉが相互に及ぼす影響度合いの強さ関係、各々の制御項目Ｃｉを制御モデルＣａで表現したときに含まれる物理量（つまり、システム１に固有のパラメータ）を介した制御項目Ｃｉ間の因果関係、及び、各々のセンサ処理部３１のＮＮデータＮｄが行う制御により制御対象の装置が行う動作の安定評価Ｓｅなどをもとに、学習部３０ａが導出してもよいし、人によって若しくはネットワークを介して設定されてもよい。その結果、ＡＩ統合システム１に、種々の用途の動作を行う各々の装置を制御する複数のＡＩを統合したとき、システム１が動作する環境において、複数のＡＩに設定されたＮＮデータＮｄを秩序立てて統合学習させることが可能となる。

このように、ＮＮデータＮｄの統合学習を制御の優先度Ｐを考慮して行わせると、システム１が動作する環境において安定した動作状態を維持させるのにベースとなる制御項目Ｃｉ（言い換えると、クリティカルな制御項目Ｃｉ）が先行して適切に機能するようになるため、その他の制御項目Ｃｉがより適切に機能できるようになり、結果として、統合後の複数のＡＩをシステム１に適応させやすくする効果が得られる。

システム１への統合後のＡＩは、統合学習によって統合前の学習により獲得した学習済みモデルをシステム１に適応して変化させることができる。そして、システム１に適応して制御を変化させたＡＩは、システム１への統合前と比べて、制御を行ううえでのロバスト性はより高いと言える。

また、システム１に新たにセンサ３２及びセンサ処理部３１を追加したり、センサ処理部３１に接続するセンサ３２を変更したりして統合させる場合においても、統括部３０が改めて統合学習を行わせるＮＮデータＮｄの優先度Ｐを導出して学習させることにより、システム１は安定した動作状態を継続することが可能となる。このとき、学習部３０ａが追加又は変更があったセンサ３２を扱うセンサ処理部３１のＮＮデータＮｄに対して優先的に統合学習を行わせるよう処理することで、システム１を再び安定して動作させることが期待できる。このことは、システム１に適応して制御を変化させたＡＩが制御を行ううえでのロバスト性を向上させることに繋がる。

また、システム１に統合済みのセンサ処理部３１のＮＮデータＮｄを変更した場合においても、統括部３０が変更されたＮＮデータＮｄを統合学習させることによって、システム１を安定して動作させることが可能となる。このとき、変更されたＮＮデータＮｄだけでなく、制御の優先度Ｐに基づいて、他のＮＮデータＮｄを統合学習させてもよい。制御の優先度Ｐは統括部３０が改めて導出してもよいし、既に導出されたものを用いてもよい。

また、システム１に搭載された車載装置Ｖｄ又は統合されたセンサ処理部３１のいずれかが異常状態となった場合においても、統括部３０が、異常状態となった車載装置Ｖｄ又はセンサ処理部３１に関わるＮＮデータＮｄを除く、他のＮＮデータＮｄを統合学習させることによって、システム１を継続して動作させる可能性が得られる。これにより、システム１における装置動作に対する制御のロバスト性が向上する。

また、ＡＩを活用した装置又は部品の共通化を図る場合、統合する各々のＡＩを代表的なシステム１において統合学習させておくことで、これらのＡＩを他のシステム１に統合させた後に行う統合学習を効率化させることが期待できる。これにより、多品種のシステム１に対して、装置及び部品とともに制御を共用化することが可能となる。

また、上述の説明では、学習部３０ａは、各々のＮＮデータＮｄが行う制御に関して優先度Ｐを導出して統合学習に利用したが、車載装置Ｖｄ自体及び車載装置Ｖｄの動作の少なくともいずれかに関して優先度Ｐを導出して統合学習に利用してもよい。

また、各々のセンサ処理部３１の学習器Ｌｍが単一のＮＮデータＮｄを扱う（つまり、センサ処理部３１がＡＩを切り替えない）構成であっても、本実施の形態２を適用することは可能である。この場合、統括部３０は、各々のセンサ処理部３１で用いられる単一のＮＮデータＮｄ（つまりＡＩ）に統合学習を行わせるときの優先度Ｐを上述の要領で導出し、導出した優先度Ｐに基づいて各々のＮＮデータＮｄの学習を実行させる。これにより、上述と同様にして、システム１に統合される前の学習によって制御対象となる車載装置Ｖｄを制御するための学習済みモデルであるＡＩ（つまり、ＮＮデータＮｄ）を、システム１への統合後に秩序立てて統合学習させることが可能となり、その結果、各々のセンサ処理部３１のＡＩに対してより適切に制御を行わせる効果が得られる。このことは、ＡＩが学習によって獲得する制御（言い換えると、自律制御）のロバスト性を向上させることに繋がる。

実施の形態３．
実施の形態２では、各々の制御項目Ｃｉを表現する制御モデルＣａを用いて制御の優先度Ｐを導出した。実施の形態３では、各々の制御項目Ｃｉにおける学習過程に基づき、制御の優先度Ｐを導出する。

図２５は、本開示の実施の形態３における、ＮＮデータＮｄへの統合学習を通じて制御の優先度Ｐを決定する過程を説明するための模式図である。

学習部３０ａは、各々のセンサ処理部３１が保持するＮＮデータＮｄの車両２への統合前の学習に関する情報を取得できるものとする。

ＮＮデータＮｄの車両２への統合前の学習に関する情報とは、種々の走行シーンＤｓにおけるＮＮデータＮｄの学習過程に関する情報であって、例えば、各々のＮＮデータＮｄにおける走行シーンＤｓごとの制御の貢献度合い、学習の収束度合い、又は、学習に用いるシードを変えたときの学習過程のばらつき度合いなどの種々の評価項目が挙げられる。

走行シーンＤｓごとの制御の貢献度合いとは、車両２の走行に対する影響力であって、例えば、ＮＮデータＮｄの制御対象となる車載装置Ｖｄが適切に動作したとき（例えば、車載装置Ｖｄの制御とその結果が、走行シーンＤｓに対応した教師データＴｄに近似するとき）、又は、適切に動作しなかったとき（例えば、車載装置Ｖｄの制御とその結果が、走行シーンＤｓに対応した教師データＴｄに近似しないとき）、並びに、制御の後の走行の安定評価などから導出できる。学習の収束度合いは、例えば、学習が収束したと判定されるまでの制御信号Ｃｓの送信回数、又は、学習に用いる教師データ数（若しくはデータセット数）などから導出できる。学習に用いるシードを変えたときの学習過程のばらつき度合いは、例えば、シード数と学習過程のばらつきとの関係などから導出できる。

以下に、学習部３０ａが制御の優先度Ｐを決定する過程について説明する。ここでは、評価部３０ｅが、車両２への統合前の各々のセンサ処理部３１のＮＮデータＮｄに対し、走行シーンＤｓごとに上述の評価項目で評価を行う。上述の評価項目とは、制御の貢献度合い、学習の収束度合い及び学習過程のばらつき度合いである。

評価部３０ｅは、この評価結果をもとに走行シーンＤｓごとの評価値Ｖａｌを導出し、評価値Ｖａｌが高いものを抽出する。評価値Ｖａｌを抽出する過程において、評価項目ごとに重み付けを変えてもよい。

車両２が走行する環境として、凍結又は未舗装などの路面状態が悪い走行シーンＤｓを扱い、上述の評価項目をもとに評価値Ｖａｌを導出した結果、各々の制御項目ＣｉにおけるＮＮデータＮｄの評価値Ｖａｌが次のとおりとなったとする。
［駆動制御Ｄｃ，制動制御Ｂｃ，操舵制御Ｓｃ，緩衝制御Ｃｃ，ＵＩ制御Ｕｉ，認識制御Ｒｃ，伝達制御Ｔｃ，バッテリー制御Ｅｃ，・・・］
＝［８．５，７．５，７．０，９．０，５．０，３．０，２．０，１．５，・・・］

この評価値Ｖａｌをもとに、制御の優先度Ｐが高いものを抽出する。抽出の方法としては、例えば、評価値Ｖａｌが６．０以上の制御項目Ｃｉを選択する方法が挙げられる。これにより、緩衝制御Ｃｃ（評価値Ｖａｌ：９．０）、駆動制御Ｄｃ（評価値Ｖａｌ：８．５）、制動制御Ｂｃ（評価値Ｖａｌ：７．５）及び操舵制御Ｓｃ（評価値Ｖａｌ：７．０）の４つの制御項目Ｃｉが抽出されたとする。

抽出された４つの制御項目Ｃｉに対して、評価値Ｖａｌの高い順に優先度Ｐを設けて統合学習を行わせる。さらに、その他の走行シーンＤｓについても同様にして、評価、抽出及び優先度Ｐの決定を行い、各々のＮＮデータＮｄに統合学習を行わせる。

以上説明したように、実施の形態３によれば、実施の形態２のＡＩ統合システム１において、評価部３０ｅが、例えば、各々のセンサ処理部３１のＮＮデータＮｄにおける統合前の学習過程に関する情報、及び、各々のＮＮデータＮｄでの制御の貢献度合いなどをもとに評価値Ｖａｌを導出し、統括部３０（学習部３０ａ）が、導出された評価値Ｖａｌをもとに各々の制御項目Ｃｉの制御の優先度Ｐを決定して統合学習を行わせることが可能となる。なお、実施の形態２の方法と合わせて制御の優先度Ｐを導出することも可能である。

実施の形態４．
実施の形態４では、実施の形態３で抽出された制御項目Ｃｉをさらに組み合わせて統合学習を行わせる。

図２６は、本開示の実施の形態４における、ＮＮデータＮｄへの統合学習を通じて制御の優先度Ｐを決定する別の過程を説明するための模式図である。実施の形態３の例では、学習部３０ａは、車両２に統合する種々のセンサ処理部３１が担う制御項目Ｃｉのうち、緩衝制御Ｃｃ、駆動制御Ｄｃ、制動制御Ｂｃ及び操舵制御Ｓｃの４つを抽出した。

本実施の形態では、学習部３０ａは、抽出された４つの制御項目Ｃｉ（つまり、駆動制御Ｄｃ、制動制御Ｂｃ、操舵制御Ｓｃ及び緩衝制御Ｃｃ）のうちから２つ以上を組み合わせて、試行的な統合学習を行わせる。

図２６（ａ）では、学習部３０ａは、抽出された４つの制御項目Ｃｉのうち２つを組み合わせた６パターンについて、組み合わせ対象の２つの制御項目Ｃｉは追加学習対応モードとし、その他の制御項目Ｃｉは追加学習非対応モードとして、試行的な統合学習を行わせる。そして、評価部３０ｅは、組み合わせた６パターンについて試行的な統合学習を行わせたときの学習過程の評価を行う。学習過程の評価としては、例えば、各々のＮＮデータＮｄの出力（つまり、制御信号Ｃｓ）のばらつき度合い、又は、図１９～図２１に示した制御の安定評価Ｓｅなどが考えられる。学習過程において、各々のＮＮデータＮｄの出力（つまり、制御信号Ｃｓ）のばらつき度合いが大きければ、統合学習の候補として低い評価を与えることにより、制御のばらつき度合いが小さいＮＮデータＮｄの組み合わせを優先して統合学習させることが可能となる。このような試行的な統合学習での評価をもとに、学習部３０ａは、優先的に組み合わせて統合学習を行わせるＮＮデータＮｄを決定し、組み合わせたそれぞれのＮＮデータＮｄの学習が収束するまで統合学習を行わせる。

図２６（ｂ）では、学習部３０ａは、抽出された４つの制御項目Ｃｉのうち２つの組み合わせの順序を考慮した１２パターンについて、組み合わせ対象の２つの制御項目Ｃｉは順を変えて追加学習対応モードとし、その他の制御項目Ｃｉは追加学習非対応モードとして、試行的な統合学習を行わせる。そして、図２６（ａ）と同様にして、評価部３０ｅは、組み合わせた１２パターンについて試行的な統合学習を行わせたときの学習過程の評価を行う。このような試行的な統合学習での評価をもとに、学習部３０ａは、順序を考慮したうえで優先的に組み合わせて統合学習を行わせるＮＮデータＮｄを決定し、組み合わせたＮＮデータＮｄの学習が順次収束するまで統合学習を行わせる。

図２６（ａ）及び（ｂ）は一例であって、学習部３０ａは、種々の制御項目Ｃｉから複数のＮＮデータＮｄを組み合わせて試行的な統合学習を行わせるとともに、優先度Ｐを決定して統合学習を行わせてもよい。

以上説明したように、実施の形態４によれば、実施の形態２のＡＩ統合システム１において、学習部３０ａが、例えば、各々のセンサ処理部３１のＮＮデータＮｄを組み合わせた複数のパターンにおけるＮＮデータＮｄでの試行的な統合学習を行わせて、評価部３０ｅが、これらの試行的な統合学習に対して評価を行う。そして、学習部３０ａが、評価部３０ｅでの評価をもとに、ＮＮデータＮｄの組み合わせの優先度Ｐを決定し、ＮＮデータＮｄの統合学習を行わせることが可能となる。なお、実施の形態２及び３の方法と合わせて制御の優先度Ｐを導出することも可能である。

上述した実施の形態１から４におけるニューラルネットワークは、一般に、複数のニューロンからなる入力層、複数のニューロンからなる中間層（隠れ層）、及び複数のニューロンからなる出力層で構成される。中間層は、１層、又は２層以上でもよい。
図２７は、３層のニューラルネットワークの例を説明するための模式図である。例えば、図２７に示すような３層のニューラルネットワークであれば、複数の入力が入力層（Ｘ１‐Ｘ３）に入力されると、その値に重みＷ１（ｗ１１‐ｗ１６）を掛けて中間層（Ｙ１‐Ｙ２）に入力され、その結果にさらに重みＷ２（ｗ２１‐ｗ２６）を掛けて出力層（Ｚ１‐Ｚ３）から出力される。この出力結果は、重みＷ１とＷ２の値によって変わる。
また、学習器Ｌｍに適用される学習アルゴリズムとしては、特徴量そのものの抽出を学習する、深層学習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）を用いることもでき、他の公知の方法、例えば遺伝的プログラミング、機能論理プログラミング、サポートベクターマシンなどに従って機械学習を実行してもよい。

図２８は、上述した各実施の形態並びに変形例に示した本開示の技術を実施するためのハードウェア構成例である。ハードウェアは、少なくとも、演算装置であるＣＰＵ、メモリなどの記憶デバイスである補助記憶装置、及び、ハードディスク又は光ディスクなどの主記憶装置で構成される。ハードウェア構成は図２８の例に限られることはない。さらに、外部ネットワークと接続する通信デバイスを備えていてもよい。

＜各実施の形態並びに変形例の主な構成＞
ＡＩ統合システムは、制御対象の装置が動作する環境の特徴を示す検知情報をセンサ及び外部ネットワークの少なくともいずれかを介して入力とし、制御対象の装置を制御するための制御信号を生成する複数の学習済みモデルのうちから、入力した検知情報をもとに、１つを選択する統括部と、選択された学習済みモデルを用いて、制御対象の装置を制御するセンサ処理部とを備える。なお、統括部は、入力した検知情報及び制御信号の少なくともいずれかに基づき、複数の学習済みモデルのうちから１つを選択するようにしてもよい。

また、ＡＩ統合システムは、制御対象の装置が動作する環境の特徴を示す検知情報をセンサ及び通信ネットワークの少なくともいずれかを介して入力とし、制御対象の装置を制御するための制御信号を生成する学習済みモデルと、複数の制御対象の装置の各々と対応して学習済みモデルを用いて制御する複数のセンサ処理部と、複数のセンサ処理部の各々に対し、学習済みモデルに追加学習させる学習部とを備える。なお、学習部は、複数のセンサ処理部のうち少なくともいずれかに対し追加学習させるようにしてもよい。

また、ＡＩ統合装置は、制御対象の装置が動作する環境の特徴を示す検知情報をセンサ及び外部ネットワークの少なくともいずれかを介して入力として制御対象の装置を制御するための制御信号を生成する複数の学習済みモデルのうち、入力した検知情報をもとに１つを選択して制御させる統括部を備える。なお、統括部は、入力した検知情報及び制御信号の少なくともいずれかに基づき、複数の学習済みモデルのうちから１つを選択するようにしてもよい。

また、ＡＩ統合装置は、複数の制御対象の装置の各々と対応した、制御対象の装置が動作する環境の特徴を示す検知情報をセンサ及び通信ネットワークの少なくともいずれかを介して入力として制御対象の装置を制御するための制御信号を生成する各々の学習済みモデルの少なくともいずれかに対し、優先的に追加学習させる統括部を備える。

また、ＡＩ統合プログラムは、制御対象の装置が動作する環境の特徴を示す検知情報をセンサ及び外部ネットワークの少なくともいずれかを介して入力として制御対象の装置を制御するための制御信号を生成する複数の学習済みモデルのうちから、入力した検知情報をもとに、環境に適する１つを選択し、制御対象の装置を制御させる。なお、ＡＩ統合プログラムは、入力した検知情報及び制御信号の少なくともいずれかに基づき、複数の学習済みモデルのうちから１つを選択するようにしてもよい。

また、ＡＩ統合プログラムは、複数の制御対象の装置の各々と対応した、制御対象の装置が動作する環境の特徴を示す検知情報をセンサ及び通信ネットワークの少なくともいずれかを介して入力として制御対象の装置を制御するための制御信号を生成する学習済みモデルの少なくともいずれかに対し、優先的に追加学習させる。

１ ＡＩ統合システム、２ 車両、３ 車体、４ タイヤ、５ ドア、６ ヘッドライト、７ 電子ミラー、８ 車載カメラ、９ レーダ、１０ トランスミッション、１１ 駆動装置、１２ 制動装置、１３ 操舵装置、１４ 緩衝装置、１５ ＵＩ装置、１６ 認識装置、１７ 伝達装置、２１ 駆動制御部、２２ 制動制御部、２３ 操舵制御部、２４ 緩衝制御部、２５ ＵＩ制御部、２６ 認識制御部、２７ 伝達制御部、３０ 統括部、３０ｅ 評価部、３０ｓ 選択部、３０ａ 学習部、３０ｍ 記憶部、３１，３１Ａ，３１Ｂ，・・・，３１Ｎ センサ処理部、３２，３２Ａ，３２Ｂ，・・・，３２Ｎ センサ、４０ 車載ネットワーク、４１ 通信装置、４２ 信号伝送路、１０１ サブシステム、Ｎｄ，ＮｄＡ，ＮｄＡ１，ＮｄＡ２，・・・，ＮｄＢ，ＮｄＢ１，・・・，ＮｄＮｎ ＮＮデータ、Ｌｍ 学習器、Ｓｉ 検知情報、Ｃｓ 制御信号、Ｓｗ 切り替え指示、Ｒｓ 再選択指示、ＡＬ 追加学習対応モード、ＮＬ 追加学習非対応モード、Ｄｓ，ＤｓＡ，ＤｓＢ，・・・，ＤｓＮ 走行シーン、Ｃａ，ＣａＡ，ＣａＢ，・・・，ＣａＮ 制御モデル、Ｓｅ 安定評価、Ｐ 制御の優先度、Ｃｉ 制御項目、Ｄｃ 駆動制御、Ｂｃ 制動制御、Ｓｃ 操舵制御、Ｃｃ 緩衝制御、Ｕｉ ＵＩ制御、Ｒｃ 認識制御、Ｔｃ 伝達制御、Ｉａ 制御可能域、Ｒａ ロバスト制御域、Ｎａ 適応外領域。

Claims (13)

1. 複数の制御対象の装置が動作する環境の特徴を示す検知情報をセンサ及び外部ネットワークの少なくともいずれかを介して入力とし、前記複数の制御対象の装置を制御するための制御信号を生成する複数の学習済みモデルのうちから、前記検知情報又は生成された前記制御信号の少なくともいずれかと、前記環境を特徴付ける要素に予め設けられた優先度の情報とをもとに、１つを選択する統括部と、
   選択された前記学習済みモデルを用いて、前記複数の制御対象の装置を制御する複数のセンサ処理部と、
   を備え、
   前記統括部は、各前記センサ処理部による各前記制御対象の装置への制御を評価し、前記評価を考慮して、前記複数の学習済みモデルのうちから１つを選択することによって、前記複数の制御対象の装置の制御を統合するＡＩ統合システム。
2. 前記統括部は、
   前記センサ処理部から入力する前記検知情報をもとに前記環境を判定し、前記複数の学習済みモデルのうちから前記センサ処理部が用いる学習済みモデルを選択する選択部を有する、
   請求項１に記載のＡＩ統合システム。
3. 前記統括部は、
   入力する前記検知情報及び前記制御信号をもとに、前記センサ処理部が用いている前記学習済みモデルの制御を評価する評価部を有し、
   前記選択部は、前記評価部での評価に応じて前記複数の学習済みモデルのうちから前記センサ処理部が用いる学習済みモデルを選択する、
   請求項２に記載のＡＩ統合システム。
4. 前記統括部は、
   前記複数のセンサ処理部に対して、使用中の前記学習済みモデルに追加学習させる学習部を有する、
   請求項１から３のいずれか１項に記載のＡＩ統合システム。
5. 制御対象の装置が動作する環境の特徴を示す検知情報をセンサ及び外部ネットワークの少なくともいずれかを介して入力とし、前記制御対象の装置を制御するための制御信号を生成する複数の学習済みモデルのうちから、前記検知情報又は生成された前記制御信号の少なくともいずれかと、前記環境を特徴付ける要素に予め設けられた優先度の情報とをもとに、１つを選択する統括部と、
   選択された前記学習済みモデルを用いて、前記制御対象の装置を制御するセンサ処理部と、
   を備え、
   前記統括部は、
   前記複数のセンサ処理部に対して、使用中の前記学習済みモデルに追加学習させる学習部を有し、
   前記学習部は、
   前記複数のセンサ処理部の各々で使用中の前記学習済みモデルの優先度を導出し、導出した優先度に基づき、前記複数のセンサ処理部の少なくともいずれかに対して、使用中の前記学習済みモデルに追加学習させるＡＩ統合システム。
6. 制御対象の装置が動作する環境の特徴を示す検知情報をセンサ及び通信ネットワークの少なくともいずれかを介して入力とし、前記制御対象の装置を制御するための制御信号を生成する学習済みモデルと、
   複数の前記制御対象の装置の各々と対応して前記学習済みモデルを用いて制御する複数のセンサ処理部と、
   前記複数のセンサ処理部の各々で使用中の前記学習済みモデルの優先度を導出し、導出した優先度に基づき、前記複数のセンサ処理部の少なくともいずれかに対し、使用中の前記学習済みモデルに追加学習させる学習部と、
   を備えるＡＩ統合システム。
7. 前記学習部は、
   前記複数のセンサ処理部の各々で使用中の前記学習済みモデルでの制御に基づき、前記優先度を導出する、
   請求項６に記載のＡＩ統合システム。
8. 前記学習部は、
   前記複数のセンサ処理部の各々が制御する制御対象の装置に基づき、前記優先度を導出する、
   請求項６に記載のＡＩ統合システム。
9. 複数の制御対象の装置が動作する環境の特徴を示す検知情報をセンサ及び外部ネットワークの少なくともいずれかを介して入力として前記複数の制御対象の装置を制御するための制御信号を生成する複数の学習済みモデルのうちから、前記検知情報又は生成された前記制御信号の少なくともいずれかと、前記環境を特徴付ける要素に予め設けられた優先度の情報とをもとに、１つを選択する統括部を備え、
   前記統括部は、各前記制御対象の装置への制御を評価し、前記評価を考慮して、前記複数の学習済みモデルのうちから１つを選択することによって、前記複数の制御対象の装置の制御を統合するＡＩ統合装置。
10. 複数の制御対象の装置の各々と対応した、前記制御対象の装置が動作する環境の特徴を示す検知情報をセンサ及び通信ネットワークの少なくともいずれかを介して入力として前記制御対象の装置を制御するための制御信号を生成する各々の学習済みモデルの少なくともいずれかに対し、前記環境を特徴付ける要素に予め設けられた優先度の情報をもとに優先的に追加学習させる統括部を備えるＡＩ統合装置。
11. 複数の制御対象の装置の各々と対応した、前記制御対象の装置が動作する環境の特徴を示す検知情報をセンサ及び通信ネットワークの少なくともいずれかを介して入力として前記制御対象の装置を制御するための制御信号を生成する各々の学習済みモデルの少なくともいずれかにおける制御の優先度を導出し、導出した前記優先度に基づいて前記学習済みモデルの少なくともいずれかに対し、優先的に追加学習させる統括部を備えるＡＩ統合装置。
12. 複数の制御対象の装置が動作する環境の特徴を示す検知情報をセンサ及び外部ネットワークの少なくともいずれかを介して入力として前記複数の制御対象の装置を制御するための制御信号を生成する複数の学習済みモデルのうちから、前記検知情報又は生成された前記制御信号の少なくともいずれかと、前記環境を特徴付ける要素に予め設けられた優先度の情報とをもとに、前記環境に適する１つを選択し、選択された前記学習済みモデルを用いて複数のセンサ処理部に前記複数の制御対象の装置を制御させ、
    各前記センサ処理部による各前記制御対象の装置への制御を評価し、前記評価を考慮して、前記複数の学習済みモデルのうちから１つを選択することによって、前記複数の制御対象の装置の制御を統合する、ＡＩ統合プログラム。
13. 複数の制御対象の装置の各々と対応した、前記制御対象の装置が動作する環境の特徴を示す検知情報をセンサ及び通信ネットワークの少なくともいずれかを介して入力として前記制御対象の装置を制御するための制御信号を生成する各々の学習済みモデルの少なくともいずれかにおける制御の優先度を導出し、導出した前記優先度に基づいて前記学習済みモデルの少なくともいずれかに対し、優先的に追加学習させる、ＡＩ統合プログラム。

Images