JP7446568B2 - 自動運転向け「意思決定」モデルの構成方法、その装置、又はプログラム - Google Patents

Description

本発明は人工知能分野における自動運転向け「意思決定」モデルの構成方法である。

自動運転車は人工知能の主戦場であるが、残念ながら自動運転車の制御問題に応用されている機械学習の研究成果は少なく、今でもそれほど注目されていない。

トヨタ自動車株式会社は、「運転指向推定装置」の特許を発表しており（特許文献１）、該当特許では、自動運転中の突発的な状況に対して、運転者が反応していない場合でも、人工知能のＣＮＮニューラルネットワークの機械学習アルゴリズムにより、運転状態を自動的に選択して、運転事故等を避けることを提案している。

２０１６年１０月９日に日本ＮＨＫ解説委員室山哲氏が「どう越える？自動運転実現の壁」（非特許文献１）を解説した際、自動運転システムにおける現在まだ解決できていないいくつかの課題を挙げた。

人間とシステムの判断の食い違い課題：今年２月にグーグル社での自動運転の実験中、グーグル車が道路を右折しようと、前方に砂袋があることに気付き、それを避けて、右に車線を変えたところ、後ろからきたバスの運転手は、グーグル車がブレーキをかけるはずと想定し、まさか車線を越えてくるとは思わなかったため、衝突事故が起きた。

自動運転車との車間距離の選択課題：ある会社のアンケートで、自動運転車を道で見つけた時の反応を聞いたところ、４１％が近づかないと答えた。しかし、「一定距離を取ったほうがいい」「接近したほうがいい」「好奇心をもって追い上げる」と答えた人もいた。自動運転車として人間との感覚と融合すべきという課題を、どのように解决するか、人間に最も近い運転方式をどのように選択するか、自動制御の難しい課題となっている。

人間と自動運転車の権限譲渡課題：人間とシステム操作の交代段階では、両者の意識がお互いに伝えることができない。例えば、緊急事態に、自動運転からドライバー運転に即時に切り替わる瞬間、自動運転時に選択された応急対策は、ドライバーと異なるため、事故を起こしやすいし、タイミングを逃す可能性がある。

Ｔｒｏｌｌｅｙ問題：緊急時に犠牲者の数をどのように最小限に抑えるか？これは有名なトロリー問題で、複雑な倫理問題であるので、技術の対応は困難である。
また、機械学習の自動運転理論では、現在価値のある解決策を提案した人はいない。

２０１８年３月にＵｂｅｒ自動運転車が人に衝突する事件が発生し、自動運転車の開発における安全走行と快適走行の矛盾、また障害物判定用のしき値を設定する問題があった。〔非特許文献２〕

公道テストの走行距離が地球一周に達成し、世界を一変させることが期待されておる市場投入寸前のグーグルの自動運転車は、現在（２０１８年８月）、家の前で右道路に回った時にトラブルを発生した。〔非特許文献３〕

日立の大島弘安が発表した「予見ファジー制御方式による自動列車運転装置の実現」という論文（非特許文献４）では、ファジィ推論のルールベースにより列車の自動運転が実現できることを提出している。

筑波大学の安信誠二が発表した「予測ファジィ制御列車自動運転システム」（非特許文献５）では、従来のＰＩＤ調節が列車自動運転の走行を正確に制御することができるが、円滑な走行は自動運転の鍵であり、搭乗者が快適に感じる鍵でもあること、また自動運転の中核的な問題は、安全性、走行速度、駅間の走行時間、快適さ、消費電力、停止精度を考慮した多目的制御問題であることを提出した。

先行特許文献

（特開２００８－２２５９２３）

ｈｔｔｐ：／／ｗｗｗ．ｎｈｋ．ｏｒ．ｊｐ／ｋａｉｓｅｔｓｕ－ｂｌｏｇ／１００／２５５０８９．ｈｔｍｌ ｈｔｔｐ：／／ｗｗｗ．ｓｏｈｕ．ｃｏｍ／ａ／２２５９６２１９２＿１０００８３７３４ ｈｔｔｐｓ：／／ｂａｉｊｉａｈａｏ．ｂａｉｄｕ．ｃｏｍ／ｓ？ｉｄ＝１６１０１１３３３８４３６０１２３７５＆ｗｆｒ＝ｓｐｉｄｅｒ＆ｆｏｒ＝ｐｃ ｈｔｔｐｓ：／／ｗｗｗ．ｊｓｔａｇｅ．ｊｓｔ．ｇｏ．ｊｐ／ａｒｔｉｃｌｅ／ｉｅｅｊｅｉｓｓ１９８７／１０９／５／１０９＿５＿３３７／＿ｐｄｆ ｈｔｔｐ：／／ｔｔｔ．ａｋｉｂａ．ｃｏｏｃａｎ．ｊｐ／ｙａｓｕｎｏｂｕ／ｅｄｕ／ｉｎｔｃｏｎｔｈｔｍｓ／ｔｅｘｔ／ｓｉｃ０７ａ＿ｔｒａｉｎＡＴＯ．ｐｄｆ＃ｓｅａｒｃｈ＝％２７予見ファジィー制御列車自動運転システム％２７

上記（特許文献１）は、人工知能のニューラルネットワークアルゴリズムを採用しているが、ニューラルネットワークアルゴリズムは主に「訓練」により目的関数の情報を膨大なデータ集合に載せる。データ集合は訓練により最適解を得るために、すべての状態を組み合わせする必要があることで、所要組合せの総回数は｛（Ｗ×Ｔ）^ｎ｝×Ｐになる。ここのｎは層の毎のニューラルネットワークの節点数で、Ｐはニューラルネットワークの層数である。このような指数的な計算の複雑度により生じた膨大な計算量、これに応じて大容量のハードウェアの必要がある。
また、ディープラーニングで採用している学習効果に関する損失関数で引用している確率最急降下法ＳＧＤを改善策として取り入れても、得られた訓練値も局所最適解しか得られないため、「ブラックボックス」問題をさけることができない、そのため、何時事故を発生するか不透明である。

また、ニューラルネットワークのモデルにおけるしき値は人間が勝手に決めたものなので、現実の人間の脳のニューラルネットワークのメカニズムと違い、脳神経の刺激信号のメカニズムが何ら反映されておらず、人間の脳がニューロンの神経信号が生じる興奮の程度によって異なる判断を行うメカニズムも現在のニューラルネットワークのモデルに反映できないなど、従来のニューラルネットワークモデルは広く応用できない。現在に流行されているディープラーニングは、従来のニューラルネットワークに比べて隠れ層の数だけ増加し、計算がさらに複雑になるほか、従来のニューラルネットワークの問題点を改善していないため、広く応用が見込みにくい。

上記（非特許文献１）で提出されている「人間とシステムの判断の食い違い課題」、「人間と自動運転車の権限譲渡課題」、「人間と自動運転車の権限譲渡課題」及び「テイリー問題」を、人工知能による自動運転の解決すべき問題とする。また、「意思決定」に基づいた自動運転の決断の方法は、人工知能の導入により、解決できるような方法を期待される。

上記（非特許文献２）と（非特許文献３）から、Ｇｏｏｇｌｅや数多くの国際的に有名な自動車メーカーが従来の制御方法を採用しており、１０年近く自動運転車の開発における進捗が滞っている原因は、自動運転車の複雑度が非常に高いために制御領域のＮＰ問題が発生していることが明確となった、このＮＰ問題を避けなければ自動運転車は決して進展しない。

上記（非特許文献４）では、列車の自動運転問題を主に解決し、ファジィ推論のルールベースにより列車の自動運転を実現することを提案したが、膨大な知識ベースの構築には、大規模な人手によるルールベースの構築作業が必要となり、また、僅かの目的関数しか解決できないため、車の自動運転への適用が困難である。

上記（非特許文献５）では、多目的なファジィ制御が提案されているが、採用されているファジィ制御は、非線形的や、ランダムの目的関数にとって、多目的関数に対応する制御に無理があるため、具体的な目的関数毎の個別制御にとどまっている。特に自動運転車では人間の意識と機械との融合と、安全性と、省エネルギーと、快適性などの目的関数が多く存在する、多目的関数の同時制御について、異なる目的関数が同一空間にないため、共通の最適化された制御値を見つけることができず、たとえ同一空間にマッピングしても、異なる目的関数が従来の方法では共通の最適な交点を得ることができないため、多目的最適制御間の冗長を探らなければならず、さらに非線形的、またはランタムのような多目的最適制御を実現するためには、多目的制御向け機械学習モデルの構築が必要になってくる。

本発明の第一の目的は、最大確率のガウス過程の群知能（Ｍｕｌｔｉ－Ａｇｅｎｔ）と言ったＳＤＬモデルの機械学習を提出し、機械学習の計算力を向上させることで、訓練がなくても機械学習により画像の最適なアプローチを実現する。

本発明の第二の目的は、下記通り：自動運転車が優良なドライバーから高い運転技術を機械に学習し、自動運転車の非線形の問題や、ランタム問題や、さらに多目的問題を対応できるような新しい自動制御理論を提供する。または、自動運転車の制御の複雑度が低下させ、従来の自動運転車制御上のＮＰ問題を避ける方法を提供する。

本発明の第三の目的は、「意思決定」の構成する方法を提供し、複雑な道路状況に対応できる「意思決定」により、自動運転車にとって、生物の意識を持つ人間より、もっと最適化、且つ正確的に、意思決定ができる方法を提供する。

本発明の第四の目的は、自動運転車に適した多目的な最適制御機械学習モデルおよびシステム装置を提出し、安全運転、快速到着、快適乗車、省エネなどの多目的の目的関数に対する最適な機械学習モデルの制御を実現できる方法を提供する。

本発明の第五の目的は下記通り：ＳＤＬモデルの導入による対象とした画像の抽出方法を提出し、新しい機械学習の画像処理方法を提供することにより、画像処理および画像識別の精度を向上させることを目的とする。

本発明の第六の目的は下記通り：非負性、非縮退性、対称性及び三角不等式の距離尺度の条件を満たしたユークリッド空間と確率空間を統一することが可能になった距離の計算方法を提供する。

本発明の第七の目的は下記通り：ユークリッド空間と確率空間を統一することが可能になったファジィ事象確率測度の計算方法を提出し、ガウス分布がインターリーブされたデータ間の分類問題を解決することや、ミクロで不確定な、不安定な情報からマクロな積分を行うことによって確定的、安定した価値のある情報を生成することができるため、予想外の応用効果を実現することが期待できる方法を提出する。

上記少なくとも１つの目的を達成するために、本発明は、下記技術方法を提供する。
前記課題を解決するために、請求項１に係れる発明は、
自動運転向け「意思決定」モデルの構成方法において、
１．プロセッサ、メモリを含むハードウェアに搭載された「意思決定」モデルのソフトウェアは、自動運転車と周りの同行車との互に、走っている距離、速度、加速度を含む少なくとも一つの要素の値を、人間の運転の知恵に基づいて、安全運転の状態になる度合い、若しくは危険運転状態になるような度合いにより、数学的のような関数として定式化することにおいて、人間の運転知識が機械に理解させることを可能とする；
２．自動運転のハードウェアとソフトウェアを協働することにより、上述の少なくとも二つの数学的のような関数との論理演算を行うことにより、自動運転の最適化されて、正確的な意思決定の結果を得ることが可能になる；或いは上述の数学的のような関数の値に対し、自動運転車が加速して前の同行車に近づけるか、減速して後方の車に近づけるか、又は、左車線へ車線変更するか、右車線へ車線変更するかを決定するためには、正負両方向の情報がすべて利用されることにより、正負両方向の強い競合の結果として、最適化されて、正確的な意思決定をすることを特徴とする自動運転向け「意思決定」モデルの構成方法。

このようなことによって、自動運転車の周りの路上状況にとって、機械が生物の意識を持つ人間より、深く把握することができ、さらに、人間より複雑なロジックを処理することが可能であるので、人間より正確な意思決定を得ることができる。

前記課題を解決するために、請求項２に係れる発明は、自動運転向け「意思決定」モデルの構成方法において、
前記、安全運転の状態になる度合いとは、人間の運転の知恵に基づいて、自動運転車は、安全運転の状態に近づけば近づくほど、安全運転の状態になる度合いは「１」になる、逆に安全運転の状態に離れるほど、「０」に近づくこと；或いは、危険運転の状態になる度合いとは、人間の運転の知恵に基づいて、自動運転車は、危険運転の状態に近づけば近づくほど、危険運転の状態になる度合いは「１」になる、逆に危険運転の状態に離れるほど、「０」に近づくことを特徴とする請求項１に記載の自動運転向け「意思決定」モデルの構成方法。

前記課題を解決するために、請求項３に係れる発明は、自動運転向け「意思決定」モデルの構成方法において、
前記、数学的のような関数とは、ファジィ数学のメンバーシップ関数、或いはファジィ事象確率測度と指すことを特徴とする請求項１に記載の自動運転向け「意思決定」モデルの構成方法。

前記課題を解決するために、請求項４に係れる発明は、自動運転向け「意思決定」モデルの構成装置であって、
プロセッサ、メモリを含むハードウェアに搭載された「意思決定」モデルのソフトウェアは、自動運転車と周りの同行車との互に、走っている距離、速度、加速度を含む少なくとも一つの要素の値を、人間の運転の知恵に基づいて、安全運転の状態になる度合い、若しくは危険運転状態になるような度合いにより、数学的のような関数として定式化することにおいて、人間の運転知識が機械に理解させることを可能とする；
自動運転のハードウェアとソフトウェアを協働することにより、上述の少なくとも二つの数学的のような関数との論理演算を行うことにより、自動運転の最適化されて正確的な意思決定の結果を得ることが可能になる；或いは上述の数学的のような関数の値に対し、自動運転車が加速して前の同行車に近づけるか、減速して後方の車に近づけるか、又は、左車線へ車線変更するか、右車線へ車線変更するかを決定するためには、正負両方向の情報がすべて利用されることにより、正負両方向の強い競合の結果として、最適化されて、正確的な意思決定をすることを特徴とする自動運転向け「意思決定」モデルの構成装置。

前記課題を解決するために、請求項５に係れる発明は、
請求項１～３のいずれ１項に記載された方法をプロセッサに実行させるためのプログラム。

前記課題を解決するために、請求項５に係れる発明は、自動運転向け「意思決定」モデルの構成プログラムにおいて、
請求項１～３のいずれ１項に記載された方法をプロセッサに実行させるためのプログラム。

本発明が提案する自動運転向け「意思決定」モデルの構成方法の実施効果は、生物意識を持つ人間より、もっと正確に決断することが可能になった。自動運転車の安全性を向上させ、開発コストを削減し、ドライブテストの距離を短縮させることができる。

図１自動機械学習による道路車線のアプローチ方法を示す図
図２自動機械学習による道路車線のアプローチを実現するフローチャート
図３確率空間を含む異なる空間を越える距離の定義イメージ図
図４車線画像の確率空間の特徴ベクトルを求めるフローチャート
図５最大確率諧調値を計算するフローチャート
図６車線画像の位置を特定する機械学習フローチャート
図７車線線画像の特徴ベクトル間の距離を算出するフローチャート
図８自動機械学習による車線アプローチの効果図
図９ ＳＤＬモデルの導入による車線画像抽出の効果図
図１０最大確率の導関数値の求め方を示す図
図１１画像をエッジ化処理する効果図
図１２「機械理解」を定式化する基本な考え方
図１３「機械理解」をモデル化する方法
図１４「機械推論」の構成方法のイメージ図
図１５自動運転の「機知獲得」の制御方法イメージ図
図１６自動運転中に遭遇可能な状況を示す図
図１７「機知獲得」と「意思決定」の融合方法を示す図

１００はエッジ画像上の車線位置付近の離散格子である
１０１は車線位置近傍に位置する離散格子の中心線である
１０２と１０３は中心線１０１の両側の直線である
３０１は確率空間を含むユークリッド空間である
３０２は確率分布３２０の中心点である
３０３は確率分布３２０の第１確率分布値の目盛りである
３０４は確率分布３２０の第２の確率分布値の目盛りである
３０５は確率分布３２０の第３確率分布値の目盛りである
３０６は確率分布３２０の第１確率分布の目盛りに属する領域である
３０７は確率分布３２０の第２確率分布の目盛りに属する領域である
３０８は確率分布３２０の第３確率分布の目盛りに属する領域である
３００はユークリッド空間の一点である
３１０は確率分布３３０の中心点である。
３１１は確率分布３３０の第１確率分布値の目盛りである
３１２は確率分布３３０の第２確率分布値の目盛りである
３１３は確率分布３３０の第３確率分布値の目盛りである
３１４は確率分布３３０の第１確率分布の目盛りに属する領域である
３１５は確率分布３３０の第２確率分布の目盛りに属する領域である
３１６は確率分布３３０の第３確率分布の目盛りに属する領域である
３２０および３３０は確率空間である

以下、添付図面を合わせて本発明の実施例をさらに詳細に説明するが、本発明の実施例は説明性であり、限定性ではない。
図１は、自動機械学習による道路車線のアプローチ方法を示す図である。

本出願で提案するＳＤＬ（ＳｕＰｅｒＤｅｅＰＬｅａｒｎｉｎｇ）モデルとは、最大確率のガウス過程に属する数学モデルであり、確率尺度の自己組織化機械学習モデル、あるいは自動機械学習モデルを用いて、ユークリッド空間と確率空間の距離を統一する計算式、またはユークリッド空間と確率空間を統一するファジィ事象確率測度計算式を、全部または一部で用いて構成された人工知能システムである。

図１（ａ）に示すように、上記、確率尺度自己組織化の定義基づいた教師なし機械学習モデルである。その繰り返しの処理方法は：与えた空間から、ガウス分布の計算方法により最大確率尺度を求める、最大確率尺度に基づいて、必ず新たな空間が生成され、新たな空間に対し、さらに新たな最大確率尺度を求める、このように数回の繰り返しにより処理し、必ず最大確率尺度により収束した空間を得ることができる。その結果は、最大確率の尺度と、最大確率の空間、最大確率の尺度を得る、さらにこの複数な結果により最大確率のガウス分布に現れることができる。

図１（ｂ）に示すように、これは複合機械学習モデルである、ここで、自動機械学習モデルという。具体的原理は、与えた空間に対し、最適化された尺度、または最大情報量の尺度、または最大確率の尺度などに基づいて、繰り返し処理すれば必ず最適化された、または最大情報量、最大密度、最大確率の空間が獲得される。この新たな空間に関数アプローチモデルを加え、関数アプローチの効果を前の空間のアプローチ程度よりも高くすることにより、新たな空間に新たな最適化された尺度、または最大確率、最大密度、または最大確率の尺度が生成し、繰り返し処理すれば、さらに新たな最適化された、または最大情報量、最大密度、または最大確率の空間が生成する。このように空間で関数アプローチモデルを使用し関数最適アプローチをし続けることにより、関数アプローチの効果をより良くなるし、また数回の繰り返しにより処理を経て関数アプローチ効果を最適な状態に達することができる、このような機械学習モデルを、多くの訓練をしなくて、最適な関数アプローチ効果を得ることができるため、自動機械学習と呼べる。

上記最適化された尺度を、フラクタル、または自然環境における生物の遺伝および進化を模倣する遺伝的操作、または最大ファジィ値、または最大密度値、または最大アプローチ値、または最大類似関係値のうちの１つの値とする。

あるいは、非確率空間に対して、ユークリッド距離（ＥｕｃｌｉｄｅａｎＤｉｓｔａｎｃｅ）尺度、マンハッタン距離（ＭａｎｈａｔｔａｎＤｉｓｔａｎｃｅ）尺度、チェビシェフ距離（ＣｈｅｂｙｓｈｅｖＤｉｓｔａｎｃｅ）尺度、ミンコフスキー距離（ＭｉｎｋｏｗｓｋｉＤｉｓｔａｎｃｅ）尺度、マハラノビス距離（ＭａｈａｌａｎｏｂｉｓＤｉｓｔａｎｃｅ）尺度、余弦（Ｃｏｓｉｎｅ）尺度、ユークリッド空間と確率空間の距離を統一する尺度、またはユークリッド空間と確率空間のファジィ事象確率測度を含め、少なくても１つの尺度とする。
或いはジィャカッド類似係数（Ｊａｃｃａｒｄｓｉｍｉｌａｒｉｔｙ Ｃｏｅｆｆｉｃｉｅｎｔ）尺度、またはハミング距離（Ｈａｍｍｉｎｇ Ｄｉｓｔａｎｃｅ）尺度を含め、少なくても１つの尺度とする。

上記最大情報量を、最大情報エントロピーとする。
上記最大確率の尺度を、正規分布、多変量正規分布、対数正規分布指数分布、ｔ分布、Ｆ分布、Ｘ^２分布、二項分布、負の二項分布、ポアソン分布、アーラン分布（Ｅｒｌａｎｇ Ｄｉｓｔｒｉｂｕｔｉｏｎ）、超幾何分布、幾何分布、トラフィック分布、ワイブル分布（Ｗｅｉｂｕｌｌ Ｄｉｓｔｒｉｂｕｔｉｏｎ）、三角分布、ベータ分布（Ｂｅｔｅ Ｄｉｓｔｒｉｂｕｔｉｏｎ）、ガンマ分布（Ｇａｍｍａ Ｄｉｓｔｒｉｂｕｔｉｏｎ）のうちのいずれかに基づく最大確率値のとする。

上記関数アプローチを行うモデルを、線形回帰アプローチ、最小自乗アプローチ、最小二乗アプローチ、チェビシェフ多項式アプローチ、スプライン関数アプローチ、多項式補間アプローチ、三角多項式アプローチ、有理関数アプローチ、パデアプローチとする。

図１（Ｃ）は自動学習による車線アプローチのイメージ図である。
図１（Ｃ）に示すように、（１００）は自動運転車の車線画像であり、車線画像は離散ドットから構成される１本の斜線であり、（１０１）は車線位置の中心になった離散画素の中心線である。初期状態で、この中心線は最初に与えられた空間から、アプローチ関数により求めたものである。与えた空間に対し、必ず１つの尺度が存在する、この尺度の範囲以内（１０２と１０３により囲まれた領域）に属したドットを、極力車線の中心線（１０１）にアプローチする、尺度の範囲以外（１０２と１０３により囲まれた領域以外の領域）に属したドットを取り除くことにより、新たな空間を生成することができる。ここでの尺度を確率分布の分散とし、または（１０２）と（１０１）で囲まれた領域のドットの密度としてもいい、（１０３）と（１０１）で囲まれた領域のドット密度としてもよい。さらに、（１０２）と（１０１）、（１０３）と（１０１）、または（１０２）と（１０３）で囲まれた領域のドットの二次元確率としてもよい。

密度値を尺度とする場合に、（１０３）と（１０１）で囲まれた領域のドット密度、または（１０３）と（１０１）で囲まれた領域のドット密度を、増加すると、（１０３）と（１０１）のピッチ、または（１０３）と（１０１）のピッチを減少することとする。逆に（１０３）と（１０１）で囲まれた領域のドット密度、または（１０３）と（１０１）で囲まれた領域のドット密度を、減少すれば、（１０３）と（１０１）のピッチ、または（１０３）と（１０１）のピッチを増加することとする。
二次元確率分布の最大確率分布値を尺度とする場合に、矩形領域の二次元確率分布を使用することとする。

［図２］自動機械学習による道路車線のアプローチを実現するフローチャートである。
図１、図２に示すように、自動機械学習による車線認識の処理手順は、下記通り：
Ｓ_１は初期化ステップ：まず、車線認識の前に、車線画像の抽出方法は、人間介入により、元画像データから、抽出対象とした車線画像データを切り離し、抽出対象とした画像の色情報、諧調値の情報、エッジの情報、周波数情報、模様情報、空間関係情報を含む少なくても一つの画像情報に基づいて、複素数の特徴値を求める。

複数の抽出対象とした車線画像の各々特徴値を用いて、最大確率のガウス過程の群知能（Ｍｕｌｔｉ－Ａｇｅｎｔ）の機械学習を行う、具体的に、車線画像の各々特徴値に対し、図１に示した機械学習により、ガウス分布の最大確率値、最大確率の尺度を求め、車線画像の各々特徴値のガウス分布により確率空間の特徴ベクトルを構成し、求められた確率空間の特徴ベクトルの各々特徴値の最大確率値、及び最大確率尺度を用いて、各々特徴値のガウス分布を表れる。確率空間の特徴ベクトルの各々特徴値の最大確率値、及び最大確率尺度を確率空間の特徴ベクトルとして、データベースに登録する。

車線認識の初期化処理は、まず車線の大体な領域を決める、データベースに登録された確率空間の特徴ベクトルと、認識画像の車線領域の特徴ベクトルとの後述のような異なる空間距離の尺度を用いて、図１（ａ）に示した確率尺度の自己組織化機械学習により、繰り返し処理で、画像の画素を洗い出してから、正確な車線領域を得て、登録された最大確率車線諧調を入れ替える。

所定の車線画像の領域内で、諧調値が２５６諧調のドットの位置をｘ_ｉｊ、ｙ_ｉｊ（ｉ＝１，

の順とし、ドット順番と処理結果を無関係とする。
Ｓ_２は中心車線を求めるステップ：Ｓ_１初期化ステップで生成した車線領域で、下記計算式により中心線［図１（ｃ）の（１０１）］を求める。

ｉ番目に与えられた車線領域［図１（ｃ）の（１０２）と（１０３）］のドット集合をＰ_ｉ（ｉ＝１，

を行う。

上述の数式１～５を用い、車線画像の領域で線形回帰線を求める、この直線は最も、車線領域のドットにとって、最適な中心位置である。

Ｓ_３はドットから中心線までの距離を求めるステップ：所定の車線領域ｉの内で、

ｄ_ｉｊの正負を判定することにより、所定領域におけるドットが、線形回帰直線のどの方向の領域であるかと分かる。

Ｓ_４は繰り返し処理の尺度を求めるステップ：与えた第ｉ車線領域の全て

Ｓ_５は新たな空間を求めるステップ：与えた第ｉ車線領域の各々ドットに対し、Ｓ_４ステップにより最大確率距離値ｄ_ｉ′と、最大確率尺度Ｓ_ｉを得た、最大確率尺度Ｓ_ｉに基づいて、さらにドットを、図１に示した機械学習の繰り返し処理により洗い出した結果は、新しい最大確率空間を得た。このように繰り返し処理によって、最終車線の最適アプローチの認識結果を獲得した。

さらに正確的に、車線認識の結果を得るために、線形回帰直線（１０１）と数式８のＳ_ｉ尺度（１０２）または（１０３）の両側で囲まれた領域のドットの密度を新たな空間を生成する尺度とする。密度が増加すると（３０２）と（３０１）または（３０３）と（３０１）間の間隔が減少し、逆なら（３０２）と（３０１）または（３０３）と（３０１）の間の間隔が増加する。

別の方法は、二次元矩形確率分布数式を用いて、最大確率尺度に基づいて、新しい最大確率の空間を、繰り返し処理により、生成することが可能である。
Ｓ_６は繰り返し処理が完了したかどうかを判別するステップ：「ＮＯ」であればＳ_２スキップへ繰り返し処理を継続し、「ＹＥＳ」であればＳ_７の終了ステップに進む。判断の根拠は：繰り返し処理の回数が最大繰り返し処理回数に達したか？または、繰り返し処理が最適なアプローチの結果に達したかである。
Ｓ_７は終了ステップである。

このように繰り返し処理を行うことで、車線の位置を得て、正確に車線認識を行うことが可能である。
［図３］確率空間を含む異なる空間を越える距離の定義イメージ図である。
図３に示すように、（３０１）は確率空間を含むユークリッド空間である。ユークリッド空間には２つの確率空間（３２０）および（３３０）がある。（３０２）は確率分布（３２０）の中心点である。（３０３）は確率分布（３２０）の第１確率分布値の目盛りであり、（３０４）は確率分布（３２０）の第２確率分布値の目盛りであり、（３０５）は確率分布（３２０）の第３確率分布値の目盛りである。
また、（３０６）を確率分布（３２０）の第１確率分布の目盛りに所属する領域とし、（３０２）と（３０３）の間の尺度の目盛り間隔をＤ_１ｊ ^{（３２０）}とし、この領域における確率分布値をＰ_１ｊ ^{（３２０）}とする。（３０７）を確率分布（３２０）の第２確率分布の目盛りに所属する領域とすると、（３０３）と（３０４）の間の尺度の目盛り間隔をＤ_２ｊ ^{（３２０）}とし、この領域における確率分布値をＰ_２ｊ ^{（３２０）}とする。（３０８）を確率分布（３２０）の第３確率分布の目盛りに所属する領域とすると、（３０４）と（３０５）の間の尺度の目盛り間隔をＤ_３ｊ ^{（３２０）}とし、この領域における確率分布値をＰ_３ｊ ^{（３２０）}とする。

同様に、（３１０）は確率分布（３３０）の中心点である。（３１１）を確率分布（３３０）の第１確率分布値の目盛りとし、（３１２）を確率分布（３３０）の第２確率分布値の目盛りとし、（３１３）を確率分布（３３０）の第３確率分布値の目盛りとする。また、（３１４）を確率分布（３３０）の第１確率分布の目盛りに所属する領域とすると、（３１０）と（３１１）の間の尺度の目盛り間隔をＤ_１ｊ ^{（３３０）}とし、この領域における確率分布値をＰ_１ｊ ^{（３３０）}とする。（３１５）を確率分布（３３０）の第２確率分布の目盛りに所属する領域とすると、（３１１）と（３１２）の間の尺度の目盛り間隔をＤ_２ｊ ^{（３３０）}とし、この領域における確率分布値をＰ_２ｊ ^{（３３０）}とする。（３１６）を確率分布（３３０）の第３確率分布の目盛りに所属する領域とすると、（３１２）と（３１３）の間の尺度の目盛り間隔をＤ_３ｊ ^{（３３０）}とし、この領域における確率分布値をＰ_３ｊ ^{（３３０）}とする。

なお、確率空間（３２０）および（３３０）の確率分布中心を（３０２）および（３１０）とし、また（３０２）と（３１０）を２つのデータ集合の要素ｗ_ｊ∈Ｗとｖ_ｊ∈Ｖとする。さらに確率分布中心（３０２）および（３１０）を結ぶ直線の中間に任意の一点ｒ_ｊ∈Ｒがあるとし、任意の一点ｒ_ｊ∈Ｒが確率空間（３２０）に属するか、確率空間（３３０）に属するかを求める。

また、ｍ_ｊ ^（ｗｊ）はｒ_ｊ∈Ｒと確率分布中心ｗ_ｊ∈Ｗとの間の確率分布目盛りの数とし、ｍ_ｊ ^（ｖｊ）はｒ_ｊ∈Ｒと確率分布中心ｖ_ｊ∈Ｖとの間の確率分布目盛りの数とする。例えば、

それで、確率空間（３３０）の集合Ｖと確率空間（３２０）の集合Ｗとの間でユークリッド空間と確率空間の統一距離Ｇ（Ｖ，Ｗ）は下記計算数式により算出できる。

ここで、上記計算数式が成り立つ根拠は：
まず、確率空間はユークリッド空間に属することは証明する。
ユークリッド空間をＥとし、確率空間をＰとし、サンプリング空間をΩとし、サンプリング空間の要素をω∈Ωとし、

上述の証明の意味は、確率空間のすべてのデータはユークリッド空間に属しているので、確率空間はユークリッド空間に属していることである。

次に確率空間の距離の証明は、確率空間のユークリッド空間の距離をξとし、この距離間での確率分布を１とすると、確率空間距離にとって、ξ＝０，すなわち

が「０」になることを分かった、すなわち確率空間（３２０）と（３３０）における（Δ_ｊ ^（ｖｊ）＋Δ_ｊ ^（ｗｊ））を、ユークリッド距離と確率空間の距離との誤差値とする、この２つの誤差値を除去すれば、確率空間（３２０）と（３３０）におけるユークリッド空間と確率空間が統一された厳密な距離を得ることが可能である。

最後、ユークリッド空間と確率空間を統一した距離Ｇ（Ｖ，Ｗ）の距離尺度の対称性、および三角不等数式に満たすことを証明する。
数式９により、確率空間の集合Ｖから確率空間の集合Ｗの距離は、数式９により、確率空間の集合Ｗから確率空間の集合Ｖと等しい、または、確率空間の集合Ｖから確率空間の集合Ｗまでの距離について、集合Ｖと集合Ｗの間に一点集合Ｒを導入し、集合Ｒから確率空間の集合Ｖまでの距離に、集合Ｒから確率空間の集合Ｗまでの距離は、確率空間の集合Ｖから集合Ｒまでの距離と、確率空間の集合Ｗから集合Ｒまでの距離は等しい。これによって、数式９により定義された距離尺度の対称性、および三角不等数式に満たすことを分かった。

図３で提案したユークリッド空間と確率空間を統一した距離の獲得方法をまとめると、その特徴は、ユークリッド空間に少なくとも１つ存在している確率空間がある、ユークリッド空間のデータを、確率空間に通ったとき、該当空間の確率距離は通過した領域の確率値に関係されること。

上記ユークリッド空間は、マンハッタン空間；チェビシェフ空間（Ｃｈｅｂｙｓｈｅｖ Ｓｐａｃｅ）；ミンコフスキー空間（Ｍｉｎｋｏｗｓｋｉ Ｓｐａｃｅ）；マハラノビス空間（Ｍａｈａｌａｎｏｂｉｓ Ｓｐａｃｅ）；余弦空間（Ｃｏｓｉｎｅ Ｓｐａｃｅ）のうちを含め、流用することが可能である。

上述のように、上記計算式（９）はユークリッド空間と確率空間の距離を統一することができ、且つ以下の距離条件を満たす；

（２）非縮退性： ｄ（ｗ，ｖ）＝０，ではｗ＝ｖ；
（３）対称性： ∀ｗ，ｖ，ｄ（ｗ，ｖ）＝ｄ（ｖ，ｗ）；

計算数式９のユークリッド空間と確率空間の距離を統一でき、かつ距離尺度のすべての尺度条件を満たすことに基づいて、下記通りのより厳密なファジィ事象確率測度の尺度計算数式を提供ことができる。

上記通り、ｒ_ｊ∈Ｒと確率空間（３３０）の確率分布値の中心値ｖ_ｊ∈Ｖとの間のファジィ事象確率測度を考慮した場合、もしｒ_ｊ∈Ｒが確率空間（３３０）の確率分布のうちのある領域にあれば、その領域の確率分布値をＰｆ_ｊ ^（ｖｊ）とし、また偶然に確率空間（３２０）の確率分布値の中心値ｗ_ｊ∈Ｗも確率空間（３３０）の確率分布のうちのある領域にあり、その領域の確率分布値をＰｆ_ｊ ^（ｗｊ）とすれば、この２つの確率分布がほぼ重なることになった。

数式９から分かるように、集合Ｒが集合Ｖに属するファジィ事象確率測度の計算数式は次のようになる。

上記数式９および数式１０を参照すると、Ｄ_ｉｊ ^（ｗｊ）およびＤ_ｉｊ ^（ｖｊ）、Ｐ_ｉｊ ^（ｗｊ）およびＰ_ｉｊ ^（ｖｊ）、ｍ_ｊ ^（ｗｊ）およびｍ_ｊ ^（ｖｊ）、Ｐｆ_ｊ ^（ｖｊ）およびＰｆ_ｊ ^（ｗｊ）、Ｐｈ_ｊ ^（ｖｊ）およびＰｈ_ｊ ^（ｗｊ）が計算できる。
集合Ｒが集合Ｗに属するファジィ事象確率測度の数式は下記のような計算数式から得ることができる。

最後に、数式１２と数式１３より、超深層競合的学習の結果は下記計算数式から得ることができる：

数式１４から、任意の集合Ｒが２つの確率分布の中間にあれば、最適な分類を得ることができる。数式９と同様に、数式１２および数式１３も距離尺度のすべての条件を満たす。

上記数式１２の競合的学習は、下記数式１３のようにミクロから競合することもできる。

数式１５は定式化された競合的学習モデルであり、ミクロ上の不確定な空間情報、およびランダムな確率情報を競合させてから積分することにより、マクロ上に確定的で安定した価値のある情報を生成することができる。これがファジィ事象確率測度の競合的学習の優位性である。

上記ファジィ事象確率測度のメンバーシップ関数の数式は一例であり、人間介入により、目的に立つための規則に従って目的関数の結果を０～１の曖昧な数値にするため、任意の数式の構成や、曖昧情報と確率情報を両方に考慮した数式の構成や、さらに空間情報と確率情報を両方に考慮した数式の構成が全部本発明の領域である。

図４は、車線画像の確率空間の特徴ベクトルを求めるフローチャートである。
図４に示すように：車線画像の確率空間の特徴ベクトルを求めるフローチャートは、次のように五つのステップがある。

車線画像の切り抜きステップＳ_１：人間の介入により、実際な車線を入った動画から、一つずつのフレームの車線画像を手作業で、切り抜き、数十、または数百個車線画像を集める。

特徴ベクトルの算出ステップＳ_２：抽出対象とした車線画像の色情報：例はＲ、Ｇ、Ｂ、或いはＬ、ａ、ｂなど色情報。諧調値の情報：例は各々色画像の各々画素の諧調の分布の状態、各々諧調の大きさの状況、各々諧調の密度の状況、最大諧調値、最小諧調値、最大確率の諧調値、最大確率の尺度値など。エッジの情報：例は画像の各方向の導関数の情報。周波数情報：例はＦＦＴのような情報、模様情報：例は画像のフレーム情報など。空間関係情報：例は画像の各々諧調の配置関係などを含む少なくても一つの画像情報に基づいて、複素数の特徴値を求める。

機械学習ステップＳ_３：上述の図１の内容を参考して、切り抜きされた数百ぐらい車線画像を用いて、車線画像の特徴ベクトルに属した各々の特徴値に対し、機械学習により、切り抜きされた数百ぐらい車線画像に関するガウス分布の最大確率値、最大確率尺度を求める。
または、車線画像の諧調値に関するガウス分布の最大確率値、最大確率尺度を求める。

データベースの登録ステップＳ_４：上記ステップＳ_１から、切り離れた数十個、または数百個の車線画像に対し、各々車線画像の特徴値の最大確率値、最大確率尺度から、確率空間の特徴ベクトルを構成し、車線画像の各々特徴値に関するガウス分布の最大確率値、最大確率尺度を一緒にデータベースとして登録する。

終了ステップＳ_５：車線画像の確率空間の特徴ベクトルを求める処理を終了する。

上記対象画像の諧調情報の特徴値の求める例として、最大確率値、最大確率尺度の算出は、以下の方法により提供される。
図５は、最大確率尺度に基づいた自己組織の機械学習の処理フローチャートである。
図５に示すように、与えた色画像の最大確率諧調値の算出は、下記５つのステップによって行われる。

初期化ステップＳ_１：このステップでは、まず最大繰り返し処理の回数ＭＮを設定し、通常は５～１０回とする。また繰り返し処理の効果の評価値をＶとし、主に繰り返し処理を収束したか否かを判断する。

諧調値の平均と分散を求めるステップＳ_２：

ａ画像の平均諧調値ｇ^（ｋ）は下記通り：

ａ画像の諧調値の確率分布の分散は下記通り：

自己組織化処理ステップＳ_３：ｇ^（ｋ）を中心とし、Ｓ^２（ｋ）を最大確率尺度とする。この尺度に基づいて、尺度以外のドットを取り除くことにより、新しい最大確率空間を構成する。

繰り返し処理完了の判断ステップＳ_４：繰り返し処理回数から最大繰り返し処理の回数になったかどうかを判断する（ＭＮ－Ｋ）＝０？または繰り返し処理を収束したか否かを判断する｜Ｓ^{２（ｋ＋１）}－Ｓ^２（ｋ）｜≦Ｖ？により、「ＹＥＳ」であれば繰り返し処理が完了し、第５ステップのＳ_５に進み、「ＮＯ」であれば第２ステップのＳ_２に戻って繰り返し処理を継続する。

終了ステップＳ_５は：繰り返し処理完了。

ここで、図４に示した車線画像の確率空間の特徴ベクトルを求めた結果に基づいて、不特定な画像に対し、対象車線の位置を特定する方法を提供する。
図６は、車線画像の位置を特定する機械学習フローチャートである。
図６に示すように、車線画像の位置を特定する機械学習
車線画像概略位置を決めるステップＳ_１：車線の特徴、配置状況など情報を用いて、不特定な車線画像の概略位置を特定する。

特徴ベクトルの算出ステップＳ_２：図４のステップＳ_２の対象画像の特徴ベクトルを求める方法を用いて、車線画像概略位置を決めるステップＳ_１により求めた車線画像の特徴ベクトルを求める。この特徴ベクトルはユークリッド空間に属することが判明した。

確率空間の距離の算出ステップＳ_３：上述の図３により、特徴ベクトルの算出ステップＳ_２により、ユークリッド空間に属した車線画像の特徴ベクトルと、上述の図４により、登録された確率空間特徴ベクトルと距離を、上述の図３により、提供したユークリッド空間と確率空間を統一した距離の数式９を用いて算出する。

車線画像の画素を選ぶステップＳ_４：上述確率空間の距離の算出ステップＳ_３により、算出したユークリッド空間に属した車線画像の特徴ベクトルと、登録された確率空間特徴ベクトルと距離に基づいて、不特定な車線画像の画素を選ぶ、取り除いた画素に対し、ユークリッド空間と確率空間を統一した距離が短くなると、この画素は車線画像ではないとし、そのままで取り除く、そうでない場合、この画素を車線画素とする。このように繰り返し処理により、車線画像を選ぶことができる。

車線画像の諧調値を与えるステップＳ_５：上記ステップＳ_４により選ばれた車線画像に対し、上記図４により登録された確率空間の特徴ベクトルに該当した車線画像の最大確率の諧調値、または車線画像の諧調の最大確率尺度値を用いて、不特定の車線画像の諧調を決める。

終了ステップＳ_５：車線画像の位置を特定する機械学習の処理は完了。

図７は、車線画像の特徴ベクトル間の距離を算出するフローチャートである。
図７に示すように、車線画像の特徴ベクトル間の距離を算出するのは、下記の三つのステップで求めることができる。

対象画像の読み取りステップＳ_１：車線画像に属するビデオから１つの対象車線画像を読み取る。

特徴値を求めるステップＳ_２：対象画像のＲＧＢの３色画像に対して対象画像の最大確率の諧調値、最大確率尺度値、諧調の平均値、各方向のエジ値などそれぞれ複数な特徴値を求めることができる。

特徴ベクトル間の距離の計算ステップＳ_３：異なる環境に取られた車線画像をＦ^ｚ（ｚ＝１，２，…，ｇ）とし、各画像Ｆ^ｚがｈ個の特徴値を生成できる、機械学習によって、ｈ個の最大確率特徴値データＬ_ｊ∈Ｌ（ｊ＝１，２，．．．，ｈ）、および最大確率尺度データＭ_ｊ∈Ｍ（ｊ＝１，２，．．．，ｈ）を得る。最大確率特徴値データと、最大確率尺度データとは、確率空間の特徴ベクトルを構成することが可能である。
また、不特定なサンプル車線画像の特徴ベクトルＳの要素ｓ_ｊ∈Ｓ（ｊ＝１，２，．．．，ｈ）は、確率空間の特徴ベクトルとのユークリッド空間と確率空間との距離は

終了ステップＳ_４：プログラム処理終了である。

図８は、自動機械学習による車線アプローチの効果図である。
図８に示すように、（ａ）は、自動機械学習を用いて車線アプローチの繰り返し処理過程であり、前回の繰り返し処理車線よりもさらにアプローチされていることが明らかである。（ｂ）は車線識別結果であり、最適なアプローチ車線であることが明らかになった。

図９は、ＳＤＬモデルの導入による車線画像抽出の効果図である。
図９に示すように、ＳＤＬモデルの導入による車線画像抽出の効果は、従来の２値化画像よりも車線がはっきりに抽出された、また、環境画像が邪魔になれなかった、車線認識の精度は従来の方法より高かったことができた。

以下、本発明の新しいエッジ画像処理方法を提供する。
まず、二次元画像に対して一次導関数の計算を行う。
二次元画像の関数式をＦ（ｘ，ｙ）とし、画像に対して一次導関数を求める方法は下記通り：

画像に対して二次導関数を求める方法は下記通り：

従来、画像の導関数を算出した結果は、ノイズが強い、ノイズを抑えるために、従来のＰｒｅｗｉｔｔアルゴリズムやＳｏｂｅｌアルゴリズムがあるが、ここでは確率尺度自己組織化の機械学習アルゴリズムを導入し、複数の画素の導関数から中間の１画素の最大確率の導関数値を求める。

［図１０］は最大確率の導関数値の求め方を示す図である。
図１０に示すように、画素Ｆ（ｘ，ｙ）を中心にし、５＊５画素行列の２５画素分の一次導関数をそれぞれ求める。図５に示した確率尺度の自己組織化機械学習により２５個の導関数値の中から最大確率値を求め、この最大確率導関数値を中心点Ｆ（ｘ，ｙ）の正式な導関数値とする。画像全体の導関数値は、各点の水平方向および垂直方向の平行移動により、最終的に画像全体の一次導関数を計算することができる。

上記確率尺度の自己組織化機械学習で求めた一次導数値の最大確率値に対して、「一次導関数値の最大確率値」よりも小さい画素の諧調値を「０」とし、「一次導関数値の最大確率値」よりも大きい画素の諧調値を「２５６」とすることで、エッジ画像の結果を得ることができる。即ち、確率尺度の自己組織化機械学習で求めた一次導関数値の最大確率尺度以内の最大確率空間が属する画素の諧調値を「２５６」と、その他の画素の諧調値を「０」とする。

この結果の上で、２次導関数の結果を得るために、上記の導出方法と同様に、５＊５の合計２５個の画像画素の１次導関数の上に、再び二次導関数を求めることができるが、上記の数式（２０）と（２１）に従って直接行うこともでき、画像画素に対する二次導関数の計算をそれぞれ行った後、二次導関数の各諧調値を、図５に示す最大確率自己組織化モデルを用いて二次導関数値の諧調値の最大確率値を求める。すなわち二次導関数値の諧調値の最大確率値より小さい画素の諧調値を「０」諧調に、その他の諧調値を「２５６」とし、または上記のように、最大確率自己組織化モデルで求めた二次導関数値の諧調値の最大確率値の最大確率尺度以内の最大確率空間に属する画素の諧調値を「２５６」と、その他の画素の諧調値を「０」とすると、二次導関数のエッジ画像が得ることが可能である。

図１１は、画像をエッジ化処理する効果図である。
図１１から、確率尺度の自己組織化機械学習によるエッジ化処理の効果が顕著であることが分かった。

次は「意思決定」を構成する方法を提供する。
「意思決定」とは、環境のすべての情報を深層に感知することができる「機械感知」の機能を、さらに感知した情報を深層に理解できる「機械理解」機能を、持つことによって、人間より正確な判断結果を得ることが可能になったアルゴリズムである。

まず、環境のすべての情報を感知した上、さらに「機械理解」の機能を構成する方法を提供する。
定式化するために、ここではメンバーシップ関数（Ｍｅｍｂｅｒｓｈｉｐ Ｆｕｎｃｔｉｏｎ）を導入する。

図１２は、「機械理解」を定式化する基本な考え方である。
図１２（ａ）に示すように引数値が小さいほどメンバーシップ関数ＭＦの値が大きくなり、逆に引数値が大きいほどメンバーシップ関数ＭＦの値が小さくなる。例えば自動運転車の速度が安全速度に近いほど、引数値が小さければ、ＭＦ値が大きくなり、自動運転車がより安全になるが、逆であれば自動運転車がより危険になる。このような定式を利用することで、自動運転車の状態を簡単に記述することができる。ここで、Ｔを危険状態のひき値とする。

図１２（ｂ）に示すように：引数値が大きいほどメンバーシップ関数ＭＦの値が大きくなり、逆に引数値が小さいほどメンバーシップ関数ＭＦの値が小さくなる。例えば自動運転車と同じ車線で同行している車との間隔が大きいほど、引数値が大きくなりＭＦ値が大きければ、自動運転車がより安全になるが、逆であれば自動運転車がより危険になる。このような定式を利用することにより、自動運転車と同行車の距離に基づいて自動運転車の運転状態を簡単に記述することができる。ここでのＴを危険状態のひき値とする。

図１２（ｃ）に示すように、自動運転車と近傍車線の同行車とは、前から最後まで車間距離により自動運転車の「意思決定」を反映する関数である。最初の状態で、自動運転車と、前方の近傍車線に走っている同行車との距離が遠ければ、ＭＦ値が大きく、自動運転車は安全であるが、自動運転車の速度が同行車より大きいため、２台の車両が徐々に接近し、Ｔ_１状態になると、自動運転車は危

車はより安全になる。

図１２（ｄ）に示すように、一つの最適値を与えると、引数値がこの最適値より大きい値からこの最適値に近づくと、ＭＦ値も徐々に最大値に近づくが、引数値が最適値から小さくなると、ＭＦ値も徐々に小さくなる。例えば自動運転車の速度は安全値より高い値から、徐々に安全値に近づくとＭＦ値が大きくなり、Ｔ_１ひき値より小さい場合に、自動運転車は安全状態に近づく。

安全状態と危険状態の変化の過程は指数的な比例により変化されるので、メンバーシップ関数は非線形関数を構成することがある。

図１３は、「機械理解」をモデル化する方法である。
図１３に示すように：自動運転車Ｃ_１を真ん中の車線を走行する車とし、前方にある同行車をＣ_２とする。Ｃ_１の位置Ｐ_１と同行車Ｃ_２の位置Ｐ_２との間の距離をｄ_０とする。同様に左側車線の前方の同行車をＣ_２’とし、Ｃ_１の位置Ｐ_１と同行車Ｃ_２’の位置Ｐｃ_２’との間の距離をしｄ_０’とする。また、右側車線の前方の同行車をＣ_２″とし、Ｃ_１の位置Ｐ_１と同走行車Ｃ_２″の位置Ｐ_２″との間の距離をｄ_０″とする。

また、ａ_１の領域を、自動運転車Ｃ_１にとって絶対に許されない危険な領域とする、この領域の前方に車を遭遇すれば、必ず緊急ブレーキを掛けなければならない。

さらに、ａ_２の領域を、自動運転車Ｃ_１にとっての第２の危険領域とし、この領域の前方に車を遭遇すれば、緊急ブレーキによって危険を排除することができる。

ａ_３の領域を、自動運転車Ｃ_１にとっての第３の危険領域とし、自動運転車がせざるをえない場合に、この領域の前方に車を遭遇しても許されるが、この領域で自動運転車線変更をしてはいけないし、できるだけ早くこの領域から避ける必要がある。

自動運転車Ｃ_１の速度をＳ_１とし、同行車Ｃ_２、Ｃ_２’又はＣ_２″の速度をＳ_２、Ｓ_２’又はＳ_２″とし、自動運転車Ｃ_１と同行車Ｃ_２、Ｃ_２’又はＣ_２″との初期距離をｄ_０、ｄ_０’又はｄ_０″とする場合、自動運転車Ｃ_１と同行車Ｃ_２、Ｃ_２’またはＣ_２″との動的な距離は、下記通りになる。

この場合、車間距離に関する動的なメンバーシップ関数の数式は下記通り：

この数式があれば、自動運転車が直線走行中のすべての「機械理解」を数式２３で表現することができ、これはルールベースの積み重ねによる意思決定モデルよりはるかに簡略化されている。

さらに、同行車がａ_３領域から離れた場合、交通事故が発生する確率は０であるが、ａ_１領域において、同行車が同車線の先行車であれば交通事故が発生する確率は０．６２であり、ａ_２領域において、同行車が同車線の先行車であれば交通事故が発生する確率は０．３４であり、ａ_３領域において、同行車が同車線の先行車であれば交通事故が発生する確率は０．０４である。

同行車の存在による交通事故の発生確率値をＰ_ＷＤとする場合、確率情報を考慮した車間距離に関するファジィ事象確率測度ＷＤ_Ｆの数式は下記通り：

このように、自動運転車の走行中の状態を数式２４により動的に記述されることができるので、このような「意思決定」に適合した自動運転車の走行状況の記述方法のほか、様々な道路状況に対し、１つの数式により、まとめることができたことで、システム制御の複雑さが簡略化された役割を果たすことを分かった。

自動運転車の具体的な「意思決定」が構成された「機械理解」の方法は次のように定式することができる。
例は、自動運転車Ｃ_１は、右車線に変更する場合、自動運転車Ｃ_１は、右車線に走行している前の同行車Ｃ_２”との一定的な車間距離を持つ必要がある。この

同様に、自動運転車Ｃ_１は、右車線に変更する条件としては、また、自動運転車Ｃ_１は、右車線に走行している後ろの同行車Ｃ_３”との一定な車間距離を持つ必要

または、自動運転車Ｃ_１は、右車線に変更するもう一つの条件は、自動運転車Ｃ_１は、同じの車線の前方に走行している同行車Ｃ_２との車間距離は短くすぎる。このようなメンバーシップ関数をＷＤ_ｍｉｎ（ｄ_Ｃ１Ｃ２）とすることが可能である、ここで、自動運転車Ｃ_１と同じの車線の前方に走行している同行車Ｃ_２との一定な車間距離の値をｄ_Ｃ１Ｃ２とし、車間距離の値ｄ_Ｃ１Ｃ２は短くければ、メンバーシップ関数ＷＤ_ｍｉｎ（ｄ_Ｃ１Ｃ２）の値は大きくなる。

自動運転車Ｃ_１は、右車線に変更する条件について、また、様々な路上の状況に応じて、いろいろなメンバーシップ関数の定式する必要はあるので、上述の内容を参考して、定式することが可能である。このようなすべての「機械理解」方法を本発明の内容を含めている。

次、自動運転車Ｃ_１は、右車線に変更するかどうか、次のロジックの演算により結論を出ることが可能になる。

ここで、ＦＰ_ｒの値は大きければ、自動運転車Ｃ_１は、右車線に変更する必要さも大きい、逆にＦＰ_ｒの値は小さければ、自動運転車Ｃ_１は、右車線に変更する必要はない。

本発明は、次に、競合的学習を導入した「意思決定」の構成を提案する。
ここで、自動運転車Ｃ_１はスピードアップし、前方の同行車に近づくことのファジィ事象確率測度値をＦＰ_ｆとし、前方の同行車から離れることのファジィ事象確率測度値をＦＰ_－ｆとし、スピードダウンして後方の同行車に近づくことのファジィ事象確率測度値をＦＰ_ｂとし、後方の同行車から遠ざかることのファジィ事象確率測度値をＦＰ_－ｂとする。

なお、自動運転車Ｃ_１は左車線へ車線変更することのファジィ事象確率測度値をＦＰ_ｌとし、左車線へ車線変更できないことのファジィ事象確率測度値をＦＰ_－ｌとし、同様に、自動運転車Ｃ_１は、右車線へ車線変更することのファジィ事象確率測度値をＦＰ_ｒとし、右車線へ車線変更できないことのファジィ事象確率測度値をＦＰ_－ｒとする。

ここで図１３を参照すると、自動運転車Ｃ_１がスピードアップして前方の同行車に近づくことのファジィ事象確率測度値ＦＰ_ｆは、前方の同行車との車間距離のファジィ事象確率測度ＷＤ_Ｆ（数式２４）；自動運転車Ｃ_１の速度Ｓ_１は要求された速度Ｓ_ｓより低い；後方同行車との距離は安全車間の距離Ｄ_Ｓ１３に近づきすぎ、また一定時間内に常に近接している状態にあることにより決められる。

ここで、ω_７１～ω_７５は各要素の重みであり、実際に応じて選択する必要がある。また、前方の同行車から離れることのファジィ事象確率測度値ＦＰ_－ｆ＝１－ＦＰ_ｆ。

次に図１３を参照したうえで、減速して後方の同行車に近づくことのファジィ事象確率測度ＦＰ_ｂを定式化する。ＦＰ_ｂ値は、自動運転車Ｃ_１と前方の同行車Ｃ_２との車間距離Ｄ_Ｓ１２が近すぎて、同行車Ｃ_２と離れる必要があること、また、自動運転車Ｃ_１の速度ｓ_１が要求速度Ｓ_ｓより高い、後方の同行車Ｃ_３の速度が要求速度Ｓ_ｓより遅くなることにより決められる。

ここで、ω_８１～ω_８６は各要素の重みであり、実際に応じて選択する必要がある。また、自動運転車Ｃ_１が後方の同行車から離れることのファジィ事象確率測度値ＦＰ_－ｂ＝１－ＦＰ_ｂ。

ここで再び図１３を参照し、Ｃ_１が左車線へ車線変更する必要があるファジィ事象確率測度ＦＰ_ｌを定式化する。ＦＰ_ｌ値は自動運転車Ｃ_１が左車線の同行車Ｃ_２’から一定の車間距離ＷＤ_Ｆ２をもつこと、自動運転車Ｃ_１の速度Ｓ_１が要求された速度Ｓ_ｓを下回り、また自動運転車Ｃ_１と前方同行車Ｃ_２との間隔［ｄ_０－（Ｓ_１－Ｓ_２）Ｔ］が近すぎ、

決められる。さらにＦＰ_ｌ値は、自動運転車Ｃ_１と左側の同行車Ｃ_２’との車間距離が一定であり、前方同行車Ｃ_２との間隔［ｄ_０－（Ｓ_１－Ｓ_２）Ｔ］が近すぎるとともに、後方同行車Ｃ_３との間隔［ｄ_０－（Ｓ_１－Ｓ_２）Ｔ］も近すぎることにより決められる。

ここで，ω_９１～ω_１０２は各要素の重みであり、実際に応じて選択する必要がある。また、左車線に変更できないことのファジィ事象確率測度値ＦＰ_－ｌ＝１－ＦＰ_ｌ。

最後に、自動運転車Ｃ_１は右車線へ車線変換する必要があることのファジィ事象確率測度ＦＰ_ｒの定式化をする。ＦＰ_ｒ値は自動運転車Ｃ_１と右側の同行車Ｃ_２″との車間距離が一定であり、自動運転車Ｃ_１の速度ｓ_１は要求された速度Ｓｓより低くなった、また自動運転車Ｃ_１と前方同行車Ｃ_２との距離が近すぎることにより決められる。そしてＦＰ_ｌ値は自動運転車Ｃ_１と右面の同行車Ｃ_２″との車間距離が一定であり、前方同行車Ｃ_２との間隔が近すぎるとともに後方同行車Ｃ_３との間隔も近すぎることにより決められる。

ここで、ω_１１１～ω_１２０は各要素の重みであり、実際に応じて選択する必要がある。また、右車線に変更できないことのファジィ事象確率測度ＦＰ_－ｒ＝１－ＦＰ_ｒ。

数式２２～２９実は自動運転車が直線を走行する時の動的な安全運転状態を表しており、前後の速度の変化や走行距離に応じて様々な状態を変化する。

上述のファジィ事象確率測度、若しくはファジィ理論のメンバシップ関数の定式の方法は、図１２の考え方を参考して、いろいろな形の公式を作成することが可能である、または、数式２６～２９の中で、重みの必要があるが、自動運転に関して、生物の意識を持つ人間の判断経験、または安全運転の規則と融合した決断結果に基づいて、重みと見なして、直接に定式化、或いは数学的の処理をすることにより、機械的に深い理解を達成することが可能になれば、これはすべての本発明の内容を含んでいる。

これから、自動運転車Ｃ_１が前方に向かって加速走行して前方の同行車に接近するか、減速走行して後方の同行車Ｃに接近するか、左車線へ車線変更するか、右車線へ車線変更するかを、競合的学習により決定する「機械推論」の構成方法を提供する。

図１４は、「機械推論」の構成方法のイメージ図である。
ここで提出した「機械推論」は、図１４に示すように、「機械推論」を構成する方法である。直進車に走っている自動運転車Ｃ_１は、複雑な車間の関係の中、自動運転車Ｃ_１が加速して前の同行車に近づけるか、減速して後方の車に近づけるか、左車線へ車線変更するか、右車線へ車線変換するかを決定するためには、はっきりかつ最適な判断の必要があるので、「機械推論」を導入して「意思決定」を持つシステムを構成しなければならない。

図１４に示すように、自動運転車Ｃ_１が加速して前方の車に近づけることがＦＰ_ｆ値に関係しているとともに、後車に減速接近しないことのファジィ事象確率測度値ＦＰ_－ｂ、左車線へ車線変更しないことのファジィ事象確率測度値ＦＰ_－ｌおよび右車線へ車線変更しないことのファジィ事象確率測度値ＦＰ_－ｒの値にも関係しているとする場合、自動運転車Ｃ_１が加速して前方の車Ｃ_２に近づけるファジィ事象確率測度ＦＰ_ｆ’は：

ここで、ＦＰ_－ｆ∪ＦＰ_ｂ∪ＦＰ_ｌ∪ＦＰ_ｒ≠０とする。

これにより正負両方向の情報をすべて利用することができ、正負両方向の強い競合的学習の結果として、最適化されてより正確的に、最もはっきりな決断を実現することが可能になった。これは「機械決断」という役割を果たした。

同様に、自動運転車Ｃ_１が減速して、前方車Ｃ_２と離れ、後ろの車Ｃ_３に近づけるファジィ事象確率測度ＦＰ_ｂ’は：

ここで、ＦＰ_ｆ∪ＦＰ_－ｂ∪ＦＰ_ｌ∪ＦＰ_ｒ≠０とする。

安全運転の規則により、自動車が頻繁に車線変更しないことがあるため、自動運転車Ｃ_１が左車線に変更するかどうかは、自動運転車Ｃ_１と左車線同行車との間のファジィ事象確率測度の関係だけでなく、直線車線、および右車線の同行車との間の関係にも決められる。このようなことを、すてに、上述の数式２８または２９により、考慮されている。

上記の数式３０または３１の定式方法を参考して、自動運転車Ｃ_１が左車線へ車線変更することのファジィ事象確率測度ＦＰ_ｌを次のように定式することができる。

ここで、ＦＰ_ｆ∪ＦＰ_ｂ∪ＦＰ_－ｌ∪ＦＰ_ｒ≠０とする。

同様の方法で、自動運転車Ｃ_１が右車線へ車線変更するか否かは、上記の３０、数式３０または３１の定式方法を参考して、自動運転車Ｃ_１が右車線へ車線変更しないことのファジィ事象確率測度ＦＰ’_－ｒは次のようになる。

ここで、ＦＰ_ｆ∪ＦＰ_ｂ∪ＦＰ_ｌ∪ＦＰ_－ｒ≠０とする。

数式３０～３３により、正負両方向の情報をすべて利用することができ、正負両方向の強い競合的学習の結果を得ることが可能であるが、ロジックの演算数式しかできないため、小さい情報をすべて利用することができない。

ここで、すべての曖昧情報と確率情報を利用できる新しい「機械推論」方法を提供する。
まずは、自動運転車Ｃ_１は、加速して前に進むか、減速して前の同行車と離れるか、前に進むのは、ファジィ事象確率測度値ＦＰ_ｆとＦＰ_－ｂ、または、減速して前の同行車と離れるのは、ファジィ事象確率測度値ＦＰ_ｌとＦＰ_－ｒに関連して

の車線に車線変更しないファジィ事象確率測度値ＦＰ_－ｒとを関係している。

まず、上述のように、自動運転車Ｃ_１が前かあるいは後ろか走るファジィ事象確

次は、自動運転車Ｃ_１は左の車線に車線変更しないファジィ事象確率測度値ＦＰ_－ｌと、また、右の車線に車線変更しないファジィ事象確率測度値ＦＰ_－ｒを、加速して前の同行車Ｃ_２に近づくか、若しくは減速して後ろの同行車Ｃ_３に近づくか、どちらのファジィ事象確率測度値に加えるか、ここで、前と後ろへ近づくファジィ事象確率測度値の間の比率により分ける。

式３５に基づいて、自動運転車Ｃ_１は、加速して前に進む比率を、ＰＥ_ｆ＝

数式３４と３５により、自動運転車Ｃ_１は、実際に加速して前に進むファジィ事象確率

同様に、自動運転車Ｃ_１は、実際に減速して後ろに近づくファジィ事象確率測度値

次は、自動運転車Ｃ_１が左車線に車線変更するファジィ事象確率測度値の帰一化

また、自動運転車Ｃ_１は、左車線に車線変更するファジィ事象確率測度値の算出を

数式３９に基づいて、自動運転車Ｃ_１は、左車線に車線変更するファジィ事象確

自動運転車Ｃ_１は、左車線に車線変更するファジィ事象確率測度値の算出をする方法は次のようになる。

同様に、自動運転車Ｃ_１は、実際に右車線に車線変更するファジィ事象確率測度値を次のように算出することができる。

数式３４～４１を用いて、自動運転車Ｃ_１は、前に進むか、後ろに近づけるか、左車線に車線変更するか、さらに、右車線に車線変更するか、正負両側のファジィ事象確率測度の情報をすべて利用することが可能になった。

数式３０～３３は自動運転車Ｃ_１が直線道路上での走行中に対し、関数ＦＰ_ｂ、ＦＰ_ｆ、ＦＰ_ｌ、ＦＰ_ｒの数式中で、引数は自動運転車Ｃ_１と同行車との車間の相対速度、相対距離が変数になっているので、このような定式の方法は次のようになる。

ここで、時間τを引数とすると、数式３０～３３のＦＰ_ｆ、ＦＰ_ｂ、ＦＰ_ｌ、ＦＰ_ｒから関数ＦＰ_ｆ（τ）、ＦＰ_ｂ（τ）、ＦＰ_ｌ（τ）、ＦＰ_ｒ（τ）になる、このようにすると、動的な「機械推論」を構成することができる。

自動運転車Ｃ_１が加速して前方の車Ｃ_２に近づけるファジィ事象確率測度関数式ＦＰ_ｆ’（τ）は下記の通りになる。

同様に自動運転車Ｃ_１が減速して、前方車Ｃ_２と離れ、後ろの車Ｃ_３に近づけるファジィ事象確率測度関数式ＦＰ_ｂ’（τ）は下記の通りになる。

また、自動運転車Ｃ_１が左車線へ車線変更するファジィ事象確率測度関数式ＦＰ_ｌ’（τ）は下記の通りになる。

次、自動運転車Ｃ_１が右車線車線へ車線変更するファジィ事象確率測度関数式ＦＢ_ｒ’（τ）は：

次のようになる。

になる。

になる。

になる。

これに基づき、自動運転車は自動運転中に、どこが安全な走行エリアであるか、どこからが危険になるか、安全な車間の距離を持つか、これらのことを予測し、危険を避けることに対し、自動運転車の運転環境に基づいて、動的に深層感知が可能な「機械感知」機能、深層理解が可能な「機械理解」機能、さらに深層判断が可能な「機械推論」機能を含め、構成された「意思決定」により、生物の意識により判断した結果の正確度を超えたことが可能である。どんなに称しても、どんな形で構成しても、本発明の内容に属する。

ここで、上述のファジィ事象確率測度値を、確率情報がなければ、メンバーシップ関数値と称することができる、また、動的なファジィ事象確率測度関数を、確率情報がなければ、メンバーシップ関数と称することができる。

上記「意思決定」のモデルとしは、自動運転車が走行している各々路上の状況を判断し、一つずつの路上の状況に応じて、正確な指令を出す、自動運転の制御システムがこの指令を受けて、優良運転者から学習した「知能獲得」のデータベースから、該当された制御データを読み取り、実行する。機械は、人間から知能を受けて、意識を持つ人間より正確的に決断でき、人間の運転レベルより高くなる。これは機械に知能を持たせるアルゴリズムと言える。

以下、本出願が提案する自動運転システムの制御特徴に対し、まず自動運転の制御上の複雑なＮＰ問題をどのように回避するかを考慮すること。従来の制御方法では制御点ごとにひき値を設定して制御するが、それでは少なくとも数十種類の道路状況があり、各道路状況はまた数十個の制御点の調節を行うことになる。これは典型的な組み合わせ理論のＮＰ問題であり、チューリング機械が解決できない難題である。

本出願は自動運転車の複雑な制御上のＮＰ（Ｎｏｎ－ｄｅｔｅｒｍｉｎｉｓｔｉｃ Ｐｏｌｙｎｏｍｉａｌ）問題を解決するために、機械が人間を学習する方法でＮＰ問題を回避することを提案する。機械が人間を学習する方法により各種の自動運転の知識を生成し、機械は人から「機知獲得」を実現し、機械には「知恵」が生れたため、自動運転車は最も人間に近い「機知獲得」の制御結果を実現することが可能になったので、自動運転車の複雑度を大幅に低減させ、それによって自動運転車の制御が複雑なＮＰ問題から脱却し、チューリングテスト効果を実現する自動運転システムが見込める。

［図１５］自動運転の「機知獲得」の制御方法イメージ図である。
図１５に示すように、自動運転車Ｃ_１が前方車Ｃ_２との車間距離（ＤＤ）、自動運転車Ｃ_１の初期速度（ＩＶ）、坂道の角度（ＴＳ）及びカーブ道の具合（Ｄｉｓ）等が検索項目に属し、制御項目には、ハンドル角度（Ｓｗ）、アクセル度合い（Ｔｖ）、ブレーキ度合い（ＢＳ）、走行方向（Ｐ／Ｎ）、カーブ制御（Ｔｃ）、ウインカー（ＴＩ）、間隔制御（Ｃｉ）、道路状況種類（ＲＣ）等の条件がある、これらのデータを制御ベクトルとする。

確率尺度の自己組織化機械学習ＤＬ_１は、複数の自動運転車の訓練データから最大確率値を求め、知覚層（Ｐ_１）の節点に入力することを担当する。

知覚層と神経層（Ｐ_２）を結ぶ確率尺度の自己組織化機械学習ＤＬ_２は、
訓練データ集合に属する複数の訓練データ、即ち制御ベクトルに対し、上述図５の確率尺度の自己組織という機械学習の処理方法を参考して、各々要素の最大確率のガウス分布を求め、正確性のない訓練データを除いて、新たな訓練データ空間を得る、このように繰り返し処理することにより、一つの最大確率のガウス分布の制御ベクトルを得ることが可能である、このような訓練結果を自動運転の制御の「機知獲得」データとする。

また、上述の訓練を続ける場合に、ユークリッド空間と確率空間を統一できる距離の計算式（１０）と、ユークリッド空間と確率空間を統一できるファジィ事象確率測度数式（１１）を用いて、確率空間に属されたガウス分布の制御ベクトルと続けて訓練したサンプリングのデータとの間の距離は一番短い、また確率測度は一番大きい複数な訓練データの集合を構成することができる。一定範囲を超えた場合に、後補データとしてメモリ空間に登録される。このような方法を用いて、ユークリッド空間と確率空間を統一できる距離と、ユークリッド空間と確率空間を統一できるファジィ事象確率測度を選ぶ基準として、最適な複数な訓練データの集合を構成することにより、さらに、これらのデータを確率尺度の自己組織化機械学習を通し、最適な「機知獲得」の確率空間の制御ベクトルを構成することができる。

ＥＰＤはデータ検索のために設置されたメモリ空間であり，「意識獲得」の状態指令に従ってＥＰＤデータベースの内容を検索し、制御項目のデータを取り出して自動運転車の走行を制御する。具体的な検索方法は：ユークリッド空間および確率空間の距離を統一する計算式（１０）と異なる空間のファジィ事象確率測度式（１１）によって、「意識獲得」の状態指令を検索するキーワードとして、ＥＰＤデータベース中のデータの確率分布との間の距離、あるいはファジィ事象確率測度を計算し、計算結果の最も近い自動運転の制御に該当された「機知獲得」のデータベースを引き出す、制御ベクトルの各データを用いて自動運転車を制御する。それ以外にまた、ジャイロスコープによる自動運転の姿勢の制御、位置決めの制御、車線制御、また、特別な路上状況に応じて、人間介入により規則の作成することも考える。

自動運転の「機知獲得」は機械が人間から運転技能を学ぶことが可能になり、複雑系な自動運転の制御問題を簡単に解決できる、「機知獲得」が様々な運転状態に対応できる十分な知識を持たせるように、自動運転車にとっていろいろ道路状況に応じて、事前に大量に訓練する必要がある。

自動運転の「機知獲得」を構成するデータの獲得方法について、「意思決定」システムにより、ある１つの同行車との関係、または一つの道路状況に基づいて出された状態指令を取得してから、「機知獲得」システムは、上記の１つの状態指令を受けて、自動運転車を訓練する時に人間の運転者の運転により生成したハンドル情報、アクセル情報、ブレーキ情報、シフト情報、ウインカー情報の少なくとも１つの情報を登録し、複数なこのような情報から、制御特徴ベクドルを生成し、上述の確率尺度の自己組織のアルゴリズムを用いて、最大確率のガウス過程を求めた結果を「機知獲得」データベースに登録する。

上記「意思決定」は、自動運転車と同行車との間の関係を獲得することが、ファジィ事象確率測度関係、ファジィ関係、確率関係、車間距離関係のうちの少なくとも一つ関係を指す。

前記「機知獲得」のデータを、同一の「意思決定」指令が複数回の訓練を経て獲得された複数のデータが確率尺度の自己組織化機械学習により求めた訓練データの最大確率値；訓練データの最大確率空間；訓練データの最大確率の分布とする。

ここで、訓練データの最大確率値を、「機知獲得」システムの制御ベクトル値とする。訓練データの最大確率空間を、訓練品質の判別根拠とし、訓練結果の取捨選択を行う根拠とし、及び新たな「機知獲得」」データの追加の根拠とする。訓練データの最大確率分布は、自動運転の制御上の冗長性を利用することにより、データベースの規模を減らすことができる。また、サンプルデータと、登録された確率空間に属した「機知獲得」が構成されたデータベースを検索することによって、新しい訓練データを選ぶ基準として、「機知獲得」の最適化を活用することを考える。

自動運転の「機知獲得」モデル導入の制御方法は：「意思決定」によって自動運転車と同行車との関係に基づいて道路状況に関した一つの状態指令を取得し、この状態指令を取得した後、その状態指令に対応された「機知獲得」データを呼び出し、「機知獲得」データに従って自動運転車の走行を制御する。

上記「意思決定」によりある同行車との間の関係を獲得することを、ファジィ事象確率測度関係、ファジィ関係、確率関係、車間距離関係のうちの少なくとも１つの関係とする。

上記その状態に対応する「機知獲得」データの呼び出しとは、「意思決定」により与える指令をデータベースの検索条件として、「機知獲得」データベース中の各データとの間で、ユークリッド空間と確率空間を統一した距離の計算式や、ファジィ事象確率測度の計算式により、求めた距離、または測度が最も小さい「機知獲得」データを制御データとするものである。

人間工学で提唱された「快適乗車」」の原則として、自動運転の加速、または減速時に±ｘ［ｍ／ｓ^２］を超えない、または加速度がｙ［ｍ／ｓ^２］を超えないことを制御し、不快な乗車感を与えないように、「快適な乗車」を実現する。

自動運転の制御は決して単に「機知獲得」データの呼び出しだけで実現することではなく、自律分散制御理論によって、自動運転の制御は独立した制御能力を有し、道路状況でランダムに発生する様々な偶然事件に対応するために、「機知獲得」機能システムにも、自動運転車の感知層の様々な情報を把握することを備える必要がある、「意思決定」機能システムから離れても自律的に一定範囲、一定条件での自動運転を行えることを可能とする。

「機知獲得」データは自動運転車が走行過程中にＧＩＳ情報や、ジャイロスコープ情報、またはレーター情報によって測定された間隔により連続的に制御するものである。訓練時にはこの間隔でデータ収集を行い「機知獲得」を実現する。自動運転車の走行過程においてもこの間隔によって「機知獲得」データを読み取って該当制御ベクトルに基づいて制御を行うことである。

自動運転車の制御は単に「機知獲得」データを読み取り、「機知獲得」データに従って制御するだけでなく、自律分散的な制御システムとして、自動運転車が読み取った「機知獲得」データを実行し、「機知獲得」データに従って必要な制御を行うとともに、知覚層からの情報を受け取ることにより、突発的な事象の発生や、突発的な事象の発生の可能性に基づいて様々な事象が発生する可能性を自主的に判断し、対応する処理をすることが必要である。

図１６は、自動運転中に遭遇可能な状況を示す図である。
図１６（ａ）で、自動運転車Ｃ_１が右車線で停車したばかりのバスＣ_２を通過しようところ、バスの前方が自動運転車を見えない死角エリアであるため、自動運転車の制御システムとしては、万が一バスの前から乗客が跳び出してきた場合、非常停車を可能とする。

図１６（ｂ）で、自動運転車Ｃ_１が信号のない交差点を通過しようところ、交差点の左側の他の道路にも１つの同行車Ｃ_２が交差点に向かって来ており、走行車Ｃ_２の位置が自動運転車にとっての死角であるため、自動運転車Ｃ_１としては万が一走行車Ｃ_２が交差点から出てきた場合交通事故が発生することを考慮し、走行車Ｃ_２が出てきても交通事故にならないことを考えなければならない。

しかし自動運転車の走行中に、これらのように交通事故が発生する可能性があるところが多く、処理がうまくいかないと、自動運転車を乗ることが、非常に

せるかが大事である。バスの前から乗客が飛び出してくる確率が小さいため、自動運転車とバスの距離に応じて、自動運転車の速度をバスの先端に近づいて乗

に、また良い乗り心地を確保できるようにすること。これを人間から、機械に車の運転知恵とする「機知獲得」の一つの制御特徴である。

自動運転にとって、多目的な問題を解決する方法は、まずは初期速度、目標速度、走行距離、終点速度など様々な走行条件を機械に学習させ、また「安全規則」を守る前提として、自動運転車がどのように「快適乗車」にするか、「安全規則」と「快適乗車」を満足すると同時に、どのように「早く到着」を実現するかを人間から機械に教えて大量の「機知獲得」のデータを形成し、また「機知獲得」のデータが走行する曲線を「意思決定」が予測する走行曲線と融合すること。

ここでは、優れた運転指導者の運転テクニックを機械学習の「機知獲得」により自動運転車に教示し、上記「意思決定」から出された状態指令を通し、自動運転車の「快適乗車」が円滑に行えるような自動運転車が直面する複雑なＮＰ制御問題を解決する方法を提案した。

様々な運転過程における複雑な問題を解決するために、機械学習により、機械が人間に様々な運転スキルを学習し、また、生物の意識を持つ人間より、もっと賢い「意思決定」と、「機知獲得」との融合し、「安全走行」、「快適乗車」及び「快速到着」、「省エネ」等の多目的制御を実現することが可能である。

図１７は、「機知獲得」と「意思決定」の融合方法を示す図である。
本出願は「機知獲得」、「意思決定」、「快適乗車」、および「快速到着」の４つの目的関数の融合をする方法を提出する。まずは「機知獲得」により、人間が自動運転に教える際に、訓練したデータにとって、できるだけ「快適乗車」、および「快速到着」の特徴を持たせる。また様々な走行状況下で訓練を行い、優れた運転者の高い運転スキルと、乗車者に「快適乗車」を楽しませることとを自動運転の機械に教えることである。

図１７に示すように、通常では自動運転車は「機知獲得」のデータＭＬＤ_１で運転しているが、同行車Ｃ_２の領域に入った場合に、「機知獲得」から同行車Ｃ_２の領域を越える指令をもらい、所与された同行車Ｃ_２の領域を越えるための時間、そして必要とされる速度に基づき、自動運転車Ｃ_１はｔのタイミングで、「意思決定」により、より高速度の「機知獲得」データＭＬＤ２を呼び出す。自動運転車の制御は、「快適乗車」を考慮しながら、「意思決定」はより早い段階でデータＭＬＤ_２を呼び出してスピードを徐々に上げるようにする。

「快適乗車」という目的関数については、人間工学で提案されている「快適乗車」から、主に自動運転車の加速及び減速において±７［ｍ／ｓ^２］を超えない、約１０［ｍ／ｓ^２］の加速度の振動という問題を回避すれば、「快適乗車」の効果を得ることが分かる。

本出願では「機知獲得」、「意思決定」、「快適乗車」及び「快速到着」の四つの目的関数を融合する第二の方法を提案する。上記の人間工学が提出した「快適乗車」の原則を用いて、「機知獲得」データ及び「意思決定」データを修正することで、「機知獲得」「意思決定」のデータが「快適乗車」の要求に満足するようにする。

本願では、「機知獲得」、「意思決定」、「快適乗車」、及び「快速到着」を融合する第三の方法を提案する。「機知獲得」で得られた運転曲線、及び「意思決定」で得られた運転曲線、及び「快適乗車」により、得られた運転曲線をもって、最小二乗法により３つの曲線の最適アプローチを行い、自動運転車を関数アプローチ後の曲線上で走行させることである。あるいは、図５に示す最大確率自己組織化の教師なし機械学習により、３つの曲線の各離散点の最大確率値を算出し、最大確率値で連結し生成した曲線に基づいて、走行させることである。また、スプライン関数を用いてラッピング処理を行うこともできる。「機知獲得」、「意思決定」、「快適乗車」、「早く到着」の４つの目的関数に依存するものは図１４の競合的学習を参考すれば取得することもできる。

競合的学習の概念は、現場で得られたデータ、例えば、“速度”、“加速度”や、“早く到着”の確率分布に近づく、“省エレー”、“安全走行”の確率分布からの距離に離れた場合に、“速度”、“加速度”や、“早く到着”のマイナス方向に調整する。逆に、“速度”、“加速度”や、“早く到着”の確率分布にから離れ、“省エレー”、“安全走行”の確率分布に近づく場合に、有利なプラス方向に調整することにより、競合的学習の多目的制御が実現され、自動運転車を最適な制御状態にすることができる。

ここでは上記「意思決定」と「機知獲得」による具体的な自動運転車の訓練方法をまとめる。
一つの走行状態は、アクセルの制御により自動運転車の加速或いは減速制御と、ハンドルの制御により、自動運転車がカーブする、減速または停止のブレーキ制御、自動車が前進または後退するシフトの制御、ウインカーの制御などを同時にできる。１つの走行状態は、意思決定層から走行状態を変更する指令を受けていない、または突発的な状態に遭遇していない限り、走行状態を維持し続ける。１つの走行状態が完了する場合、「意思決定」システムの状態指令に基づいて次の走行状態に移行することができる。

ここでは、優良な運転者が自動車を運転する際に、自動運転車の内部に搭載されている「意思決定」機能システムが受けた自動運転車の周囲の走行車の状態情報、例えば自動運転車と各同行車との距離、各同行車との相対速度などから、上述のような深い「機械理解」の処理、または「機械推論」により、構成された「意思決定」機能は、この走行車の状態、例は自動運転車の速度、前車との距離、及び速度に応じて、優良運転者が制御されたアクセルの加速、減速のデータ、ハンドルで自動運転車をカーブさせるデータ、ブレーキの制御により車両を減速や停止させるデータ、シフト制御により車を前進や後退させるデータ、ウインカー制御データなどを訓練し、データベースに登録する、また「意思決定」の道路情報をもって、優秀な運転手が自動運転車を運転する訓練を各道路状況に分けた上で、各道路状況での運転手の行動、つまり、アクセルの加速、減速のデータ、ハンドルで自動運転車をカーブさせるデータ、ブレーキの制御により車両を減速や停止させるデータ、シフト制御により車を前進や後退させるデータ、ウインカー制御データ等をもって自動運転車制御用「機知獲得」のデータを構成すれば、自動運転車への訓練ができるようになる方法を提出する。

このように、人間の知識が自動運転車の身につけさせ、機械の知恵を生み出すことにより、自動運転車が人のように一定の運転レベルを持つこと、自動運転車の制御の複雑さを低減させること、自動運転車における制御の複雑さから発生したＮＰ問題から避けることができる。

自動運転車の制御方法については、逆に優良運転者の訓練により様々な道路状況での制御データを取得して「機知獲得」を実現しているため、「意思決定」システムが様々な道路状況に応じて出す状態指令に基づき、対応する「機知獲得」データを呼び出し、自動運転車の走行を制御することが可能になった。

Claims (5)

1. 自動運転向け「意思決定」モデルの構成方法において、
   １．プロセッサ、メモリを含むハードウェアに搭載された「意思決定」モデルのソフトウェアは、自動運転車と周りの同行車との互に、走っている距離、速度、加速度を含む少なくとも一つの要素の値を、人間の運転の知恵に基づいて、安全運転の状態になる度合い、若しくは危険運転状態になるような度合いにより、数学的のような関数として定式化することにおいて、人間の運転知識が機械に理解させることを可能とする；
   ２．自動運転のハードウェアとソフトウェアを協働することにより、上述の少なくとも二つの数学的のような関数との論理演算を行うことにより、自動運転の最適化されて、正確的な意思決定の結果を得ることが可能になる；或いは上述の数学的のような関数の値に対し、自動運転車が加速して前の同行車に近づけるか、減速して後方の車に近づけるか、又は、左車線へ車線変更するか、右車線へ車線変更するかを決定するためには、正負両方向の情報がすべて利用されることにより、正負両方向の強い競合の結果として、最適化されて、正確的な意思決定をすることを特徴とする自動運転向け「意思決定」モデルの構成方法。
2. 自動運転向け「意思決定」モデルの構成方法において、
   前記、安全運転の状態になる度合いとは、人間の運転の知恵に基づいて、自動運転車は、安全運転の状態に近づけば近づくほど、安全運転の状態になる度合いは「１」になる、逆に安全運転の状態に離れるほど、「０」に近づくこと；或いは危険運転の状態になる度合いとは、人間の運転の知恵に基づいて、自動運転車は、危険運転の状態に近づけば近づくほど、危険運転の状態になる度合いは「１」になる、逆に危険運転の状態に離れるほど、「０」に近づくことを特徴とする請求項１に記載の自動運転向け「意思決定」モデルの構成方法。
3. 自動運転向け「意思決定」モデルの構成方法において、
   前記、数学的のような関数とは、ファジィ数学のメンバーシップ関数、或いはファジィ事象確率測度と指すことを特徴とする請求項１に記載の自動運転向け「意思決定」モデルの構成方法。
4. 自動運転向け「意思決定」モデルの構成装置であって、
   プロセッサ、メモリを含むハードウェアに搭載された「意思決定」モデルのソフトウェアは、自動運転車と周りの同行車との互に、走っている距離、速度、加速度を含む少なくとも一つの要素の値を、人間の運転の知恵に基づいて、安全運転の状態になる度合い、若しくは危険運転状態になるような度合いにより、数学的のような関数として定式化することにおいて、人間の運転知識が機械に理解させることを可能とする；
   自動運転のハードウェアとソフトウェアを協働することにより、上述の少なくとも二つの数学的のような関数との論理演算を行うことにより、自動運転の最適化されて正確的な意思決定の結果を得ることが可能になる；或いは上述の数学的のような関数の値に対し、自動運転車が加速して前の同行車に近づけるか、減速して後方の車に近づけるか、又は、左車線へ車線変更するか、右車線へ車線変更するかを決定するためには、正負両方向の情報がすべて利用されることにより、正負両方向の強い競合の結果として、最適化されて、正確的な意思決定をすることを特徴とする自動運転向け「意思決定」モデルの構成装置。
5. 自動運転向け「意思決定」モデルの構成プログラムにおいて、
   請求項１～３のいずれ１項に記載された方法をプロセッサに実行させるためのプログラム。