JP7467756B2 - 異常検知システム、車載器、異常検知方法、及びプログラム - Google Patents

異常検知システム、車載器、異常検知方法、及びプログラム Download PDF

Info

Publication number
JP7467756B2
JP7467756B2 JP2023500209A JP2023500209A JP7467756B2 JP 7467756 B2 JP7467756 B2 JP 7467756B2 JP 2023500209 A JP2023500209 A JP 2023500209A JP 2023500209 A JP2023500209 A JP 2023500209A JP 7467756 B2 JP7467756 B2 JP 7467756B2
Authority
JP
Japan
Prior art keywords
positioning data
gnss positioning
gnss
vehicle
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2023500209A
Other languages
English (en)
Other versions
JPWO2022176093A1 (ja
Inventor
剛志 是永
健司 ▲高▼尾
昌弘 山田
陽平 知識
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Heavy Industries Machinery Systems Co Ltd
Original Assignee
Mitsubishi Heavy Industries Machinery Systems Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mitsubishi Heavy Industries Machinery Systems Co Ltd filed Critical Mitsubishi Heavy Industries Machinery Systems Co Ltd
Publication of JPWO2022176093A1 publication Critical patent/JPWO2022176093A1/ja
Application granted granted Critical
Publication of JP7467756B2 publication Critical patent/JP7467756B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/40—Transportation

Description

本開示は、異常検知システム、車載器、異常検知方法、及びプログラムに関する。
車両等の移動体の走行位置を特定する技術として、全地球航法衛星システム（Global Navigation Satellite System、以下、ＧＮＳＳとも記載する。）が知られている。たとえば特許文献１には、車両に搭載されたＧＮＳＳ受信器（車載器）がＧＮＳＳ衛星から発信される衛星信号を受信して、受信した衛星信号に基づいて車両の位置を推定する技術が記載されている。
また、受信した衛星信号の情報、衛星信号から推定される自己位置情報等を含むＧＮＳＳ測位データの時系列変化から車両の走行経路を特定して、走行経路に応じた通行料金を課金するＧＮＳＳ課金システムが考えられている。
特開平９－５０９２号公報
ＧＮＳＳ課金システム等に用いられるアプリケーションでは、開発段階の動作検証、運用後の車載器の不調の検出、ＧＮＳＳ測位データのスプーフィング及びジャミングといった不正の検出等を行うために、ＧＮＳＳ測位データの異常チェックがライフサイクル全体に渡って必要となる。
しかしながら、位置誤差の大きさ、信号強度等のＧＮＳＳ測位データの品質は、車載器の機種別の特性、車載器が搭載された車両の特性、車載器の使用環境（走行経路の周辺に存在する建造物の有無等）といった様々な要素に左右される。このため、閾値との比較といった単純な条件分岐を組み合わせたルールベースの判定処理によって、ＧＮＳＳ測位データの異常を検知することが困難であった。
本開示は、このような課題に鑑みてなされたものであって、学習済みの生成モデルにより生成された疑似ＧＮＳＳ測位データを用いて、実測されたＧＮＳＳ測位データの異常を検知可能な異常検知システム、車載器、異常検知方法、及びプログラムを提供する。
本開示の一態様によれば、異常検知システムは、車両に搭載されたＧＮＳＳレシーバを介して、ＧＮＳＳ衛星から受信した衛星信号に関する情報、及び当該衛星信号から推定される前記車両の位置に関する情報を含むＧＮＳＳ測位データを収集する状態観測部と、前記ＧＮＳＳ測位データを用いて学習された生成モデルにより、疑似ＧＮＳＳ測位データを生成する生成部と、新たなＧＮＳＳ測位データが取得された場合に、生成された前記疑似ＧＮＳＳ測位データとの対比に基づいて、新たに取得された当該ＧＮＳＳ測位データが異常であるか否かを判定する異常判定部と、を備える。
本開示の一態様によれば、車載器は、車両に搭載されたＧＮＳＳレシーバを介して、ＧＮＳＳ衛星から受信した衛星信号に関する情報、及び当該衛星信号から推定される前記車両の位置に関する情報を含むＧＮＳＳ測位データを収集する状態観測部と、前記ＧＮＳＳ測位データを用いて学習された生成モデルにより、疑似ＧＮＳＳ測位データを生成する生成部と、新たなＧＮＳＳ測位データが取得された場合に、生成された前記疑似ＧＮＳＳ測位データとの対比に基づいて、当該ＧＮＳＳ測位データが異常であるか否かを判定する異常判定部と、を備える。
本開示の一態様によれば、異常検知方法は、車両に搭載されたＧＮＳＳレシーバを介して、ＧＮＳＳ衛星から受信した衛星信号に関する情報、及び当該衛星信号から推定される前記車両の位置に関する情報を含むＧＮＳＳ測位データを収集するステップと、前記ＧＮＳＳ測位データを用いて学習された生成モデルにより、疑似ＧＮＳＳ測位データを生成するステップと、新たなＧＮＳＳ測位データが取得された場合に、生成された前記疑似ＧＮＳＳ測位データとの対比に基づいて、当該ＧＮＳＳ測位データが異常であるか否かを判定するステップと、を有する。
本開示の一態様によれば、プログラムは、車両に搭載されたＧＮＳＳレシーバを介して、ＧＮＳＳ衛星から受信した衛星信号に関する情報、及び当該衛星信号から推定される前記車両の位置に関する情報を含むＧＮＳＳ測位データを収集するステップと、前記ＧＮＳＳ測位データを用いて学習された生成モデルにより、疑似ＧＮＳＳ測位データを生成するステップと、新たなＧＮＳＳ測位データが取得された場合に、生成された前記疑似ＧＮＳＳ測位データとの対比に基づいて、当該ＧＮＳＳ測位データが異常であるか否かを判定するステップと、を車載器のコンピュータに実行させる。
本開示に係る異常検知システム、車載器、異常検知方法、及びプログラムによれば、学習済みの生成モデルにより生成された疑似ＧＮＳＳ測位データを用いて、実測されたＧＮＳＳ測位データの異常を検知することができる。
本開示の第１の実施形態に係る異常検知システムの全体構成を示す図である。 本開示の第１の実施形態に係る異常検知システムの機能構成を示す図である。 本開示の第１の実施形態に係る学習部の機能構成、及び学習処理の一例を示す図である。 本開示の第１の実施形態に係る異常検知処理の一例を示す図である。 本開示の第２の実施形態に係る学習部の機能構成、及び学習処理の一例を示す図である。 本開示の第２の実施形態に係る異常検知処理の一例を示す図である。 本開示の第３の実施形態に係る異常検知システムの機能構成を示す図である。 本開示の一実施形態に係る車載器及びセンタサーバのハードウェア構成の一例を示す図である。
＜第１の実施形態＞
以下、本開示の第１の実施形態に係る異常検知システム１について、図１～図４を参照しながら説明する。
（異常検知システムの全体構成）
図１は、本開示の第１の実施形態に係る異常検知システムの全体構成を示す図である。
図１に示すように、異常検知システム１は、複数の車載器１０と、センタサーバ２０とを備えている。
複数の車載器１０は、それぞれ車両Ａに搭載される。車載器１０は、ＧＮＳＳ衛星４０が発信する衛星信号を受信して、当該信号に基づいて自機が搭載された車両Ａの位置を推定する。また、車載器１０は、受信した衛星信号に関する情報、車両Ａの推定位置に関する情報等を含むＧＮＳＳ測位データを収集して記録する。
センタサーバ２０は、車載器１０と無線通信用のネットワークＮ（セルラーネットワーク等）を介して通信可能に接続される。センタサーバ２０は、複数の車載器１０それぞれからＧＮＳＳ測位データを収集して、各車載器１０における正常なＧＮＳＳデータを模擬した疑似ＧＮＳＳデータを生成する生成モデルを学習する。また、センタサーバ２０は、学習済みの生成モデルを用いて、各車載器１０において実測されたＧＮＳＳ測位データの異常を検知する。
（異常検知システムの機能構成）
図２は、本開示の第１の実施形態に係る異常検知システムの機能構成を示す図である。
図２に示すように、車載器１０は、ＧＮＳＳレシーバ１００と、センサ情報取得部１０１と、状態観測部１０２と、出力部１０３と、記憶媒体１０４とを備えている。
ＧＮＳＳレシーバ１００は、ＧＮＳＳ衛星４０から発信される衛星信号を受信して、車両Ａの位置を推定する。また、ＧＮＳＳレシーバ１００は、受信した衛星信号に関する信号受信情報、及び車両Ａの位置に関する推定位置情報を含むＧＮＳＳ測位データを生成して、状態観測部１０２に出力する。
信号受信情報は、ＧＮＳＳレシーバ１００が受信した衛星信号の信号強度、衛星数、仰角、方位角等を含む。推定位置情報は、信号受信時点における車両Ａの推定位置（緯度、経度、高度）、推定速度等を含む。
センサ情報取得部１０１は、車両Ａが有する車載センサ３０からセンサ情報を取得する。車載センサ３０は、たとえば、路側に設けられた位置情報配信ビーコンから、車両Ａの位置を検出可能なビーコン信号を受信する受信器である。車載センサ３０は、路側に設けられたスピード計測機器から、スピード計測機器の設置位置における車両Ａの車速を検出可能な信号を受信する受信器であってもよい。また、車載センサ３０は、車両Ａの周辺環境（周辺の建造物の有無等）を検出可能な車載カメラ、ＬｉＤＡＲ（Light Detection and Ranging）であってもよい。さらに、車載センサ３０は、車両Ａの車速センサ、加速度センサ、角速度センサ等であってもよい。センサ情報取得部１０１は、車載センサ３０を介して取得した各種センサ情報を、状態観測部１０２に出力する。
状態観測部１０２は、ＧＮＳＳレシーバ１００を介して、ＧＮＳＳ測位データを収集する。
また、状態観測部１０２は、ＧＮＳＳ測位データの測位誤差をさらに収集する。測位誤差は、車両Ａの衛星信号に基づく推定位置と、実際の位置との差分（位置誤差）である。また、測位誤差は、車両Ａの衛星信号に基づく推定速度と、実際の速度との差分（速度誤差）を含んでいてもよい。
たとえば、状態観測部１０２は、記憶媒体１０４に予め記憶された地図データに基づいて、車両Ａの地図データのリンク上の位置を特定し、車両Ａの推定位置と、リンク上の位置との距離を位置誤差として求める。なお、状態観測部１０２は、車両Ａの推定位置と、センサ情報取得部１０１が取得した位置情報配信ビーコンのビーコン信号に基づいて特定された車両Ａの位置との差分を位置誤差として求めてもよい。また、状態観測部１０２は、車両Ａの推定速度と、センサ情報取得部１０１を介して路側のスピード計測機器、又は車両Ａの車速センサから得た車両Ａの速度との差分を、速度誤差として求める。
また、状態観測部１０２は、ＧＮＳＳレシーバ１００の特性を示すレシーバ情報と、ＧＮＳＳレシーバ１００の取付環境を示す取付環境情報と、車両Ａの周辺の遮蔽物の有無等を示す周辺環境情報とをさらに収集してもよい。
ＧＮＳＳレシーバ１００の特性とは、アンテナ感度、指向性、周波数特性等である。レシーバ情報は、たとえば、ＧＮＳＳレシーバの型式を含む。また、レシーバ情報は、ＧＮＳＳレシーバ１００の製造時期及び車両Ａへの取付期間を示す情報を含んでいてもよい。製造時期及び取付期間から、ＧＮＳＳレシーバ１００の経年劣化による影響を検出することができる。
取付環境情報は、ＧＮＳＳレシーバ１００が搭載された車両に関する情報（型式等）、アンテナ取付位置、アンテナ取付角度を含む。
周辺環境情報は、車両Ａの周辺に存在する建造物等、ＧＮＳＳ衛星４０の衛星信号を遮蔽する遮蔽物の有無を検出可能な情報である。周辺環境情報は、たとえばセンサ情報取得部１０１が取得した車載カメラの映像、ＬｉＤＡＲの計測結果である。
状態観測部１０２は、ＧＮＳＳレシーバ１００がＧＮＳＳ測位データを生成する度に、生成されたＧＮＳＳ測位データをセンタサーバ２０に送信する。他の実施形態では、状態観測部１０２は、所定期間毎に、又は所定数のＧＮＳＳ測位データが記憶媒体１０４に蓄積される毎に、蓄積された複数のＧＮＳＳ測位データをまとめてセンタサーバ２０に送信してもよい。また、状態観測部１０２は、測位誤差、レシーバ情報、取付環境情報、周辺環境情報を収集している場合は、これらをＧＮＳＳ測位データとともにセンタサーバ２０に送信する。
出力部１０３は、液晶ディスプレイ等の表示装置であり、ＧＮＳＳ測位データの異常に関する異常検知情報を出力（表示）する。なお、出力部１０３は異常検知情報を音声等で出力するスピーカをさらに有していてもよい。
記憶媒体１０４には、車載器１０の各部が取得、生成した各種データが記憶される。たとえば、記憶媒体１０４には、センサ情報取得部１０１が取得したセンサ情報、状態観測部１０２が収集したＧＮＳＳ測位データ等が記憶される。
また、センタサーバ２０は、学習部２００と、生成部２０１と、異常判定部２０２と、記憶媒体２０３とを備えている。
学習部２００は、車載器１０から受信した学習データを用いて、疑似ＧＮＳＳ測位データを生成する生成モデルを学習する。学習データには、車載器１０の状態観測部１０２が収集したＧＮＳＳ測位データが含まれる。また、学習データには、車載器１０のレシーバ情報、取付環境情報、車載器１０が搭載された車両Ａの周辺環境に関する情報がさらに含まれていてもよい。
生成部２０１は、学習部２００により学習された生成モデルにより、疑似ＧＮＳＳ測位データを生成する。
異常判定部２０２は、車載器１０から新たなＧＮＳＳ測位データが取得された場合に、生成部２０１によって生成された疑似ＧＮＳＳ測位データとの対比に基づいて、当該ＧＮＳＳ測位データが異常であるか否かを判定する。
記憶媒体２０３には、センタサーバ２０の各部が取得、生成した各種データが記憶される。たとえば、記憶媒体２０３には、車載器１０それぞれから収集したＧＮＳＳ測位データ、学習部２００により学習された生成モデル等が記憶される。
（学習処理）
本開示の第１の実施形態に係る学習部の機能構成、及び学習処理の一例を示す図である。
本実施形態に係る学習部２００は、敵対的生成ネットワーク（Generative adversarial networks）の技術を用いて、疑似ＧＮＳＳ測位データを生成するための生成モデルを学習する。図３に示すように、学習部２００は、ジェネレータ２００１と、ディスクリミネータ２００２とを有している。
ジェネレータ２００１は、入力された潜在変数ｚから、正常なＧＮＳＳ測位データを模擬した疑似ＧＮＳＳ測位データｘ´を生成する生成モデルである。つまり、ジェネレータ２００１は、入力された潜在変数ｚを、実測された複数のＧＮＳＳ測位データからなる観測空間にマッピングするものである。センタサーバ２０の記憶媒体２０３には、予め車載器１０により実測された正常時のＧＮＳＳ測位データが学習データとして蓄積されている。ジェネレータ２００１は、この学習データを用いて、正常時に取得された本物のＧＮＳＳ測位データに近い疑似ＧＮＳＳ測位データを生成できるように学習を行う。なお、正常なＧＮＳＳ測位データは、たとえば、技術者等により正常であると判断されたＧＮＳＳ測位データである。また、正常なＧＮＳＳ測位データは、故障等がなく正常動作していると確認されたＧＮＳＳレシーバ１００により収集されたＧＮＳＳ測位データであってもよい。
ディスクリミネータ２００２は、入力されたＧＮＳＳ測位データが、車載器１０により実測されたＧＮＳＳ測位データｘであるか、ジェネレータ２００１により生成された疑似ＧＮＳＳ測位データｘ´であるかを識別する。ディスクリミネータ２００２は、記憶媒体２０３に蓄積された学習データに基づいて、本物のデータであるＧＮＳＳ測位データと、偽物である疑似ＧＮＳＳ測位データとを識別できるように学習を行う。
なお、上記したように、学習データは、測位誤差をさらに含んでいてもよい。このような学習データを用いることにより、ジェネレータ２００１は、本物のＧＮＳＳ測位データにより近い測位誤差を含んだ疑似ＧＮＳＳ測位データを生成するように学習される。また、ディスクリミネータ２００２は、ＧＮＳＳ測位データに測位誤差が含まれていても、より正確にデータの真偽の識別できるように学習される。
また、学習データは、レシーバ情報（ＧＮＳＳレシーバ１００の型式、製造時期、仕様期間等）、取付環境情報（ＧＮＳＳレシーバ１００取付位置等）、周辺環境情報（衛星信号を遮蔽する遮蔽物の有無等）をさらに含んでいてもよい。ＧＮＳＳ衛星４０の信号受信情報（信号強度、衛星数等）、及び受信した衛星信号から求められる車両Ａの推定位置情報は、レシーバの型式に応じた特性、取付環境、又は車両Ａ（ＧＮＳＳレシーバ１００）の周辺の遮蔽物の有無等の条件に応じて変化する。たとえば、レシーバの特性（アンテナ感度、指向性、周波数特性）は、ＧＮＳＳレシーバ１００の型式毎に異なっている。このため、二つの車載器１０がそれぞれ型式の異なるＧＮＳＳレシーバ１００を有している場合、同じ時刻に同じ位置で衛星信号を受信したとしても、各車載器１０が出力するＧＮＳＳ測位データに含まれる信号受信情報及び推定位置情報が相違する場合がある。同様に、ＧＮＳＳレシーバ１００の取付環境、遮蔽物の有無等の周辺環境によっても、ＧＮＳＳ測位データが相違する場合がある。このため、ジェネレータ２００１は、学習データに含まれるレシーバ情報、取付環境情報、周辺環境情報をさらに学習することにより、これら情報に応じたより本物のＧＮＳＳ測位データに近い疑似ＧＮＳＳ測位データを生成できるようにする。同様に、ディスクリミネータ２００２は、ＧＮＳＳ測位データにレシーバ特性、取付環境、遮蔽物の有無による影響が含まれていても、より正確にデータの真偽の識別できるように学習される。
また、学習部２００は、ジェネレータ２００１で生成した疑似ＧＮＳＳ測位データを、ディスクリミネータ２００２で本物か偽物か識別させる訓練を繰り返すことにより、ジェネレータ２００１及びディスクリミネータ２００２をさらに学習させる処理を行う。以下、この学習処理の流れについて、図３を参照しながら説明する。
まず、ジェネレータ２００１は、入力された潜在変数ｚに基づいて疑似ＧＮＳＳ測位データｘ´を生成する（ステップＳ１０１）。ここでは、潜在変数ｚとして、たとえば乱数が用いられる。
次に、ディスクリミネータ２００２に、ジェネレータ２００１が生成した疑似ＧＮＳＳ測位データｘ´、又は記憶媒体２０３に蓄積されたＧＮＳＳ測位データｘが入力される（ステップＳ１０２）。
ディスクリミネータ２００２は、入力されたデータがＧＮＳＳ測位データｘ（本物）であるか、疑似ＧＮＳＳ測位データｘ´（偽物）であるか識別し、識別結果Ｐを出力する（ステップＳ１０３）。
ディスクリミネータ２００２の学習を行うフェーズでは、識別結果Ｐの正否に基づいて、ディスクリミネータ２００２がより正しく偽物と本物とを識別できるように学習（パラメータ調整等）を行う（ステップＳ１０４）。このとき、ジェネレータ２００１は変更せずに固定したままとする。
また、ジェネレータ２００１の学習を行うフェーズでは、識別結果Ｐに基づいて、ジェネレータ２００１がより本物に近い（ディスクリミネータ２００２に本物であると誤認させるような）疑似ＧＮＳＳ測位データを生成できるように学習を行う（ステップＳ１０５）。このとき、ディスクリミネータ２００２は変更せずに固定したままとする。
学習部２００は、上述の各ステップを繰り返し実行することにより、ジェネレータ２００１及びディスクリミネータ２００２を交互に学習させる。これにより、学習部２００は、より本物に近い疑似ＧＮＳＳ測位データｘ´を生成可能な生成モデルを学習することができる。学習済みのジェネレータ２００１（生成モデル）は、記憶媒体２０３に記憶され、センタサーバ２０が後述の異常検知処理を行う際に生成部２０１により利用される。
（異常検知処理）
図４は、本開示の第１の実施形態に係る異常検知処理の一例を示す図である。
以下、図４を参照しながら、異常検知システム１におけるＧＮＳＳ測位データの異常検知処理の流れについて説明する。なお、この異常検知処理は、前述した学習処理（図３）が完了した後に行われる。
まず、車載器１０の状態観測部１０２は、ＧＮＳＳレシーバ１００を介してＧＮＳＳ測位データを取得する（ステップＳ１１１）。また、状態観測部１０２は、センサ情報取得部１０１を介してセンサ情報を取得する（ステップＳ１１２）。
また、状態観測部１０２は、ＧＮＳＳ測位データの異常を検知するための評価データをセンタサーバ２０に送信する（ステップＳ１１３）。評価データには、ＧＮＳＳ測位データが含まれる。また、評価データには、状態観測部１０２が収集した測位誤差、レシーバ情報、取付環境情報、及び周辺環境情報のうち少なくとも一つが含まれていてもよい。
次に、センタサーバ２０の生成部２０１は、学習部２００によって学習済みの生成モデルを用いて、疑似ＧＮＳＳ測位データｘ´を生成する（ステップＳ１１４）。なお、本実施形態において、正常なＧＮＳＳ測位データに対応する潜在変数ｚは不明である。このため、生成部２０１は、潜在変数ｚの取り得る全ての値をたとえば順に入力して、各値に基づく複数の疑似ＧＮＳＳ測位データｘ´を生成する。そうすると、生成した複数の疑似ＧＮＳＳ測位データのうちいずれかは、本物のＧＮＳＳ測位データに近いものとなる。
次に、センタサーバ２０の異常判定部２０２は、車載器１０から取得した実測データであるＧＮＳＳ測位データｘと、生成部２０１が生成した疑似ＧＮＳＳ測位データｘ´とを対比して、ＧＮＳＳ測位データｘの異常の有無を判定する（ステップＳ１１５）。
疑似ＧＮＳＳ測位データｘ´は、車載器１０の状態が正常であるときに取得されると推定されるＧＮＳＳ測位データを模擬したものである。したがって、車載器１０の状態が正常であれば、車載器１０で実測されたＧＮＳＳ測位データｘは、生成部２０１が生成した複数の疑似ＧＮＳＳ測位データｘ´のいずれかに近いデータとなっているはずである。このため、異常判定部２０２は、たとえば、ＧＮＳＳ測位データｘと、複数の疑似ＧＮＳＳ測位データｘ´それぞれとの一致度を算出し、一致度が所定以上の値となる疑似ＧＮＳＳ測位データｘ´がある場合、ＧＮＳＳ測位データｘは正常であると判定する。一方、異常判定部２０２は、一致度が所定以上の疑似ＧＮＳＳ測位データｘ´がない場合、ＧＮＳＳ測位データｘは異常であると判定する。
判定が完了すると、異常判定部２０２は、異常の有無を示す判定結果を含む異常検知情報を車載器１０に送信する（ステップＳ１１６）。なお、異常検知情報は、異常判定部２０２が算出した一致度を含んでもよい。
また、車載器１０の出力部１０３は、センタサーバ２０から受信した異常検知情報を出力して、車両Ａの搭乗者に提示する（ステップＳ１１７）。なお、出力部１０３は、異常検知情報にＧＮＳＳ測位データｘが異常であることを示す情報が含まれている場合のみ、警告として異常検知情報を出力するようにしてもよい。
異常検知システム１は、状態観測部１０２がＧＮＳＳ測位データを取得する度に、又は、所定時間毎に、図４に示す一連の処理を実行し、ＧＮＳＳ測位データの異常の有無を判定する。
（作用効果）
以上のように、本実施形態に係る異常検知システム１は、状態観測部１０２が取得したＧＮＳＳ測位データｘと、生成部２０１により学習済みの生成モデルを用いて作成された疑似ＧＮＳＳ測位データｘ´との対比に基づいて、取得したＧＮＳＳ測位データｘが異常であるか否かを判定する。
このようにすることで、異常検知システム１は、ＧＮＳＳレシーバ１００により実測されたＧＮＳＳ測位データｘが疑似ＧＮＳＳ測位データｘ´と乖離している場合、ＧＮＳＳ測位データｘが異常であることを検知することができる。
また、異常検知システム１のセンタサーバ２０は、状態観測部１０２が収集した正常なＧＮＳＳ測位データを用いて、疑似ＧＮＳＳ測位データを生成する生成モデルを学習する学習部２００をさらに備える。
このようにすることで、異常検知システム１は、ＧＮＳＳレシーバ１００の状態が正常である場合に取得されると推定されるデータを模擬した疑似ＧＮＳＳ測位データを生成可能な生成モデルを学習することができる。よって、異常検知システム１は、このように学習された生成モデルを用いることにより、正常時のデータを模擬した疑似ＧＮＳＳ測位データｘ´から、実測されたＧＮＳＳ測位データｘが乖離している場合は、ＧＮＳＳ測位データｘが異常であると精度よく判定することができる。
また、状態観測部１０２はＧＮＳＳ測位データの測位誤差をさらに収集し、学習部２００は測位誤差をさらに用いて生成モデルを学習する。
実測されるＧＮＳＳ測位データには、測位誤差が含まれている場合がある。このため、本実施形態に係る異常検知システム１は、測位誤差も含めて生成モデルの学習を行うようにしている。これにより、異常検知システム１は、実際の車載器１０（ＧＮＳＳレシーバ１００）に生じる測位誤差についても模擬することができるので、このような測位誤差を含む疑似ＧＮＳＳ測位データを生成することが可能となる。そうすると、異常検知システム１は、より本物に近い疑似ＧＮＳＳ測位データを生成することができるので、異常検知の精度を向上させることができる。
また、状態観測部１０２はＧＮＳＳレシーバ１００の特性を検出可能なレシーバ情報を更に収集し、学習部２００はレシーバ情報をさらに用いて生成モデルを学習する。
ＧＮＳＳレシーバ１００の型式に応じて、レシーバの特性（アンテナ感度、指向性、周波数特性等）が異なる場合がある。つまり、異なるＧＮＳＳレシーバ１００を用いると、同じ時刻の同じ場所であっても、測位結果（ＧＮＳＳ測位データの内容）が異なる可能性がある。このため、本実施形態に係る異常検知システム１は、ＧＮＳＳレシーバ１００のレシーバ情報（型式）も含めて生成モデルの学習を行うようにしている。これにより、異常検知システム１は、ＧＮＳＳレシーバ１００の特性に応じた、より本物に近い疑似ＧＮＳＳ測位データを生成することができる。この結果、ＧＮＳＳレシーバ１００毎の特性の違いを考慮した異常検知が可能となり、異常検知の精度を向上させることができる。
また、レシーバ情報は、ＧＮＳＳレシーバ１００の製造時期及び使用期間を特定可能な情報を含んでいてもよい。
これにより、異常検知システム１は、ＧＮＳＳレシーバ１００の経年劣化による特性の変化をさらに学習させることができる。この結果、ＧＮＳＳレシーバ１００毎の経年劣化を考慮した異常検知が可能となり、異常検知の精度を向上させることができる。
また、状態観測部１０２はＧＮＳＳレシーバ１００の取付環境を示す取付環境情報をさらに収集し、学習部２００は取付環境情報をさらに用いて生成モデルを学習する。
たとえば、車両Ａ内におけるＧＮＳＳレシーバ１００の搭載車両や、取付位置等が変わると、ＧＮＳＳレシーバ１００が受信する衛星信号の信号強度等に影響が出る場合がある。そうすると、同じ型式のＧＮＳＳレシーバ１００であっても、測位結果が異なる可能性がある。このため、本実施形態に係る異常検知システム１は、ＧＮＳＳレシーバ１００の取付環境情報も含めて生成モデルの学習を行うようにしている。これにより、異常検知システム１は、ＧＮＳＳレシーバ１００の取付環境に応じた、より本物に近い疑似ＧＮＳＳ測位データを生成することができる。この結果、ＧＮＳＳレシーバ１００の取付環境を考慮した異常検知が可能となり、異常検知の精度を向上させることができる。
また、状態観測部１０２は車両Ａの周辺環境に関する周辺環境情報をさらに収集し、学習部２００は周辺環境情報をさらに用いて生成モデルを学習する。
車両Ａの周辺に衛星信号を遮蔽するような建造物がある場合、ＧＮＳＳレシーバ１００が受信する衛星信号の信号強度等に影響が出る場合がある。そうすると、車載器１０（ＧＮＳＳレシーバ１００）の状態が正常であっても、車両Ａの走行位置によって測位誤差等が大きく変動する可能性がある。このため、本実施形態に係る異常検知システム１は、車両Ａの周辺環境情報も含めて生成モデルの学習を行うようにしている。これにより、異常検知システム１は、車両Ａの周辺の遮蔽物の有無に応じた、より本物に近い疑似ＧＮＳＳ測位データを生成することができる。この結果、車両Ａ周辺の遮蔽状況を考慮した異常検知が可能となり、異常検知の精度を向上させることができる。
＜第２の実施形態＞
次に、本開示の第２の実施形態に係る異常検知システム１について、図５～図６を参照しながら説明する。
第１の実施形態と共通の構成要素には同一の符号を付して詳細説明を省略する。
（学習処理）
図５は、本開示の第２の実施形態に係る学習部の機能構成、及び学習処理の一例を示す図である。
図５に示すように、本実施形態に係る学習部２００は、エンコーダ２００３をさらに有している。
エンコーダ２００３は、ジェネレータ２００１に入力する最適な潜在変数ｚ´を求めるモデル（潜在変数モデル）である。エンコーダ２００３は、記憶媒体２０３に蓄積されたＧＮＳＳ測位データを潜在空間にマッピングして、ＧＮＳＳ測位データを入力したときに、入力されたデータに対応する潜在変数ｚ´を出力できるように学習する。
また、学習部２００は、ジェネレータ２００１、ディスクリミネータ２００２、及びエンコーダ２００３をさらに学習させる処理を行う。以下、この学習処理の流れについて、図５を参照しながら説明する。
まず、ジェネレータ２００１は、第１の実施形態と同様に、入力された潜在変数ｚに基づいて疑似ＧＮＳＳ測位データｘ´を生成する（ステップＳ２０１）。
また、エンコーダ２００３は、入力されたＧＮＳＳ測位データｘから、このデータに対応する潜在変数ｚ´を求める（ステップＳ２０２）。
次に、ディスクリミネータ２００２に、ＧＮＳＳ測位データと潜在変数との組み合わせからなるデータが入力される（ステップＳ２０２）。ここで入力されるデータは、ジェネレータ２００１が生成した疑似ＧＮＳＳ測位データｘ´とその生成に用いられた潜在変数ｚからなる組（ｘ´，ｚ）、又は、エンコーダ２００３に入力されたＧＮＳＳ測位データｘとそれに対応する潜在変数ｚ´からなる組（ｘ，ｚ´）である。
ディスクリミネータ２００２は、入力されたデータが、ＧＮＳＳ測位データｘ（本物）であるか、疑似ＧＮＳＳ測位データｘ´であるか識別し、識別結果Ｐを出力する（ステップＳ２０４）。
ディスクリミネータ２００２及びジェネレータ２００１は、第１の実施形態と同様に、それぞれの学習フェーズにおいて、識別結果Ｐに基づいて学習を行う（ステップＳ２０５、Ｓ２０６）。
また、エンコーダ２００３の学習フェーズにおいて、エンコーダ２００３は、ディスクリミネータ２００２によりＧＮＳＳ測位データｘが本物のデータであると識別されるように、ＧＮＳＳ測位データｘを潜在空間にマッピングし、適切な潜在変数ｚ´を出力できるように学習を行う。
学習部２００は、上述の各ステップを繰り返し実行することにより、ジェネレータ２００１、ディスクリミネータ２００２、及びエンコーダ２００３を交互に学習させる。これにより、学習部２００は、より本物に近い疑似ＧＮＳＳ測位データｘ´を生成可能な生成モデルを学習するとともに、より適切な潜在変数ｚ´を出力可能な潜在変数モデルを学習することができる。学習済みのジェネレータ２００１（生成モデル）及びエンコーダ２００３（潜在変数モデル）は、記憶媒体２０３に記憶され、センタサーバ２０が後述の異常検知処理を行う際に生成部２０１により利用される。
（異常検知処理）
図６は、本開示の第２の実施形態に係る異常検知処理の一例を示す図である。
以下、図６を参照しながら、異常検知システム１におけるＧＮＳＳ測位データの異常検知処理の流れについて説明する。なお、この異常検知処理は、前述した学習処理（図５）が完了した後に行われる。
まず、車載器１０の状態観測部１０２は、ＧＮＳＳ測位データを取得する（ステップＳ２１１）とともに、センサ情報を取得する（ステップＳ２１２）。また、状態観測部１０２は、ＧＮＳＳ測位データの異常を検知するための評価データをセンタサーバ２０に送信する（ステップＳ２１３）。これらの処理は、第１の実施形態（図４）のステップＳ１１１～Ｓ１１３と同様である。
次に、センタサーバ２０の生成部２０１は、学習部２００によって学習済みの潜在変数モデルに対し、車載器１０から取得したＧＮＳＳ測位データを入力して、このＧＮＳＳ測位データに対応する潜在変数ｚ´を求める（ステップＳ２１４）。
また、生成部２０１は、潜在変数モデルから出力された潜在変数ｚ´を生成モデルに入力して、この潜在変数ｚ´から疑似ＧＮＳＳ測位データｘ´を生成する（ステップＳ２１５）。
次に、センタサーバ２０の異常判定部２０２は、車載器１０から取得した実測データであるＧＮＳＳ測位データｘと、生成部２０１が生成した疑似ＧＮＳＳ測位データｘ´とを対比して、ＧＮＳＳ測位データｘの異常の有無を判定する（ステップＳ２１６）。本実施形態では、生成部２０１は、潜在変数ｚ´に基づく一つの疑似ＧＮＳＳ測位データのみを生成している。このため、異常判定部２０２は、ＧＮＳＳ測位データｘと、生成された一つの疑似ＧＮＳＳ測位データｘ´とを対比するのみでよい。判定が完了すると、異常判定部２０２は、異常の有無を示す判定結果を含む異常検知情報を車載器１０に送信する（ステップＳ２１７）。車載器１０の出力部１０３は、センタサーバ２０から異常検知情報を受信すると、この情報を出力して車両Ａの搭乗者に提示する（ステップＳ２１８）。これらの具体的な処理は、第１の実施形態（図４）のステップＳ１１５～Ｓ１１７と同様である。
異常検知システム１は、状態観測部１０２がＧＮＳＳ測位データを取得する度に、又は、所定時間毎に、図６に示す一連の処理を実行し、ＧＮＳＳ測位データの異常の有無を判定する。
（作用効果）
以上のように、本実施形態に係る異常検知システム１において、学習部２００は、ＧＮＳＳ測位データを用いて潜在変数モデルをさらに学習する。また、生成部２０１は、潜在変数モデルから出力された潜在変数ｚ´を生成モデルに入力して、疑似ＧＮＳＳ測位データｘ´を生成する。
本実施形態に係る異常検知システム１は、学習済みの潜在変数モデルを用いてＧＮＳＳ測位データから潜在変数ｚ´を特定することができるので、第１の実施形態のように、複数の潜在変数それぞれに基づく複数の疑似ＧＮＳＳ測位データを生成し、全ての疑似ＧＮＳＳ測位データとＧＮＳＳ測位データとを対比させる必要がない。このため、異常検知システム１は、生成部２０１及び異常判定部２０２における処理負荷を大幅に低減させることができる。
＜第３の実施形態＞
次に、本開示の第３の実施形態に係る異常検知システム１について、図７を参照しながら説明する。
第１及び第２の実施形態と共通の構成要素には同一の符号を付して詳細説明を省略する。
第１及び第２の実施形態に係る異常検知システム１では、センタサーバ２０が複数の車載器１０それぞれにおいて収集されるＧＮＳＳ測位データの異常の有無を判定していた。これに対し、本実施形態に係る異常検知システム１では、複数の車載器１０それぞれが、自身が取得したＧＮＳＳ測位データの異常の有無を判定する。
また、本実施形態に係るセンタサーバ２０の学習部２００は、第１又は第２の実施形態に係る学習部２００と同様の機能構成を有している。学習部２００が生成モデル及び潜在変数モデルの学習を完了すると、これら学習済みのモデルは各車載器１０に配布されて、車載器１０の記憶媒体１０４に記憶される。
（異常検知システムの機能構成）
図７は、本開示の第３の実施形態に係る異常検知システムの機能構成を示す図である。
図７に示すように、本実施形態に係る車載器１０は、生成部１１１及び異常判定部１１２をさらに備えている。
生成部１１１及び異常判定部１１２は、第１又は第２の実施形態に係るセンタサーバ２０の生成部２０１及び異常判定部２０２と同様の機能を有している。
すなわち、センタサーバ２０から生成モデルのみが配布されている場合、生成部１１１は、第１の実施形態（図４）のステップＳ１１４と同じ処理を行い、複数の疑似ＧＮＳＳ測位データｘ´を生成する。また、異常判定部１１２は、第１の実施形態（図４）のステップＳ１１５と同じ処理を行い、状態観測部１０２が取得したＧＮＳＳ測位データｘと、複数の疑似ＧＮＳＳ測位データｘ´それぞれとを対比して、異常の有無を判定する。
また、センタサーバ２０から生成モデル及び潜在変数モデルが配布されている場合、生成部１１１は、第２の実施形態（図６）のステップＳ２１４と同じ処理を行い、ＧＮＳＳ測位データを潜在変数モデルに入力して潜在変数ｚ´を得る。また、生成部１１１は、この潜在変数ｚ´を生成モデルに入力して、一つの疑似ＧＮＳＳ測位データｘ´を生成する。異常判定部１１２は、第２の実施形態（図６）のステップＳ２１６と同じ処理を行い、状態観測部１０２が取得したＧＮＳＳ測位データｘと、疑似ＧＮＳＳ測位データｘ´とを対比して、異常の有無を判定する。
（作用効果）
以上のように、本実施形態に係る車載器１０は、ＧＮＳＳ測位データを収集する状態観測部１０２と、学習済みの生成モデルを用いて疑似ＧＮＳＳ測位データを生成する生成部１１１と、新たに取得されたＧＮＳＳ測位データｘと疑似ＧＮＳＳ測位データｘ´との対比に基づいて、当該ＧＮＳＳ測位データｘが異常であるか否かを判定する異常判定部１１２とを備える。
このようにすることで、各車両Ａに搭載された車載器１０が、自身が収集したＧＮＳＳ測位データの異常を検知することが可能となる。これにより、異常検知システム１は、車載器１０とセンタサーバ２０との間で頻繁に評価データ（ＧＮＳＳ測位データ）を送受信する必要がなくなるので、通信量を大幅に低減させることができる。また、センタサーバ２０が複数の車載器１０の異常検出処理を行う態様と比較して、各車載器１０に異常検出処理の負荷を分散させることができるので、センタサーバ２０の処理負荷を大幅に低減させることができる。
＜ハードウェア構成＞
図８は、本開示の一実施形態に係る車載器及びセンタサーバのハードウェア構成の一例を示す図である。
図８に示すように、コンピュータ９００は、ＣＰＵ９０１、主記憶装置９０２、補助記憶装置９０３、インタフェース９０４を備える。
上述の各実施形態に係る車載器１０及びセンタサーバ２０は、それぞれ、コンピュータ９００に実装される。そして、上述した各処理部の動作は、プログラムの形式で補助記憶装置９０３に記憶されている。ＣＰＵ９０１は、プログラムを補助記憶装置９０３から読み出して主記憶装置９０２に展開し、当該プログラムに従って上記処理を実行する。また、ＣＰＵ９０１は、プログラムに従って、上述した各記憶部に対応する記憶領域を主記憶装置９０２に確保する。
プログラムは、コンピュータ９００に発揮させる機能の一部を実現するためのものであってもよい。たとえば、プログラムは、補助記憶装置９０３に既に記憶されている他のプログラムとの組み合わせ、または他の装置に実装された他のプログラムとの組み合わせによって機能を発揮させるものであってもよい。なお、他の実施形態においては、コンピュータ９００は、上記構成に加えて、または上記構成に代えてＰＬＤ（Programmable Logic Device）などのカスタムＬＳＩ（Large Scale Integrated Circuit）を備えてもよい。ＰＬＤの例としては、ＰＡＬ(Programmable Array Logic)、ＧＡＬ(Generic Array Logic)、ＣＰＬＤ(Complex Programmable Logic Device)、ＦＰＧＡ（Field Programmable Gate Array）が挙げられる。この場合、ＣＰＵ９０１によって実現される機能の一部または全部が当該集積回路によって実現されてよい。
補助記憶装置９０３の例としては、磁気ディスク、光磁気ディスク、光ディスク、半導体メモリ等が挙げられる。補助記憶装置９０３は、コンピュータ９００のバスに直接接続された内部メディアであってもよいし、インタフェース９０４または通信回線を介してコンピュータ９００に接続される外部記憶装置９１０であってもよい。また、このプログラムが通信回線によってコンピュータ９００に配信される場合、配信を受けたコンピュータ９００が当該プログラムを主記憶装置９０２に展開し、上記処理を実行してもよい。少なくとも１つの実施形態において、補助記憶装置９０３は、一時的でない有形の記憶媒体である。
また、当該プログラムは、前述した機能の一部を実現するためのものであってもよい。
さらに、当該プログラムは、前述した機能を補助記憶装置９０３に既に記憶されている他のプログラムとの組み合わせで実現するもの、いわゆる差分ファイル（差分プログラム）であってもよい。
以上のとおり、本発明に係るいくつかの実施形態を説明したが、これら全ての実施形態は、例として提示したものであり、発明の範囲を限定することを意図していない。これらの実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で種々の省略、置き換え、変更を行うことができる。これらの実施形態及びその変形例は、発明の要旨および技術的範囲に含まれる。
たとえば、上述の各実施形態において、学習部２００は、正常時のＧＮＳＳ測位データを学習データとして用いる例について説明したが、これに限られることはない。たとえば、状態観測部１０２は、異常時のＧＮＳＳ測位データをさらに収集してもよい。この異常時のＧＮＳＳ測位データには、「異常」であることを示すラベルを付加する。また、学習部２００は、ジェネレータ２００１が「異常」のラベルが付されたＧＮＳＳ測位データに近い疑似ＧＮＳＳ測位データを生成した場合にペナルティを与える。これにより、ジェネレータ２００１（生成モデル）は、正常時のＧＮＳＳ測位データに近い疑似ＧＮＳＳ測位データのみを生成するように学習することができる。
また、上述の各実施形態において、異常判定部２０２、１１２がＧＮＳＳ測位データｘと疑似ＧＮＳＳ測位データｘ´との一致度に基づいて異常の有無を判定する例について説明したが、これに限られることはない。他の実施形態では、異常判定部２０２、１１２は、学習部２００により学習された識別器（ディスクリミネータ２００２）を用いて異常の有無を判定するようにしてもよい。たとえば、識別器（ディスクリミネータ２００２）は、入力されたデータが本物であると識別する確率を識別結果Ｐとして出力する。このとき、異常判定部２０２、１１２は、ＧＮＳＳ測位データｘが本物である確率Ｐ１が、疑似ＧＮＳＳ測位データｘ´が本物である確率Ｐ２よりも低い場合、ＧＮＳＳ測位データｘは異常であると判定する。また、異常判定部２０２、１１２は、多少の誤差を許容するために、確率Ｐ１が確率Ｐ２よりも所定値以上低い場合に、ＧＮＳＳ測位データｘが異常であると判定してもよい。
＜付記＞
上述の実施形態に記載の異常検知システム、車載器、異常検知方法、及びプログラムは、たとえば以下のように把握される。
本開示の第１の態様によれば、異常検知システム（１）は、車両に搭載されたＧＮＳＳレシーバ（１００）を介して、ＧＮＳＳ衛星から受信した衛星信号に関する情報、及び当該衛星信号から推定される前記車両の位置に関する情報を含むＧＮＳＳ測位データを収集する状態観測部（１０２）と、前記ＧＮＳＳ測位データを用いて学習された生成モデルにより、疑似ＧＮＳＳ測位データを生成する生成部（１１１、２０１）と、新たなＧＮＳＳ測位データが取得された場合に、生成された前記疑似ＧＮＳＳ測位データとの対比に基づいて、新たに取得された当該ＧＮＳＳ測位データが異常であるか否かを判定する異常判定部（１１２、２０２）と、を備える。
このようにすることで、異常検知システムは、ＧＮＳＳレシーバにより実測されたＧＮＳＳ測位データが疑似ＧＮＳＳ測位データと乖離している場合、ＧＮＳＳ測位データが異常であることを検知することができる。
本開示の第２の態様によれば、第１の態様に係る異常検知システム（１）は、前記状態観測部（１０２）が収集した正常な前記ＧＮＳＳ測位データを用いて前記生成モデルを学習する学習部（２００）をさらに備える。
このようにすることで、異常検知システムは、ＧＮＳＳレシーバの状態が正常である場合に取得されると推定されるデータを模擬した疑似ＧＮＳＳ測位データを生成可能な生成モデルを学習することができる。よって、異常検知システムは、このように学習された生成モデルを用いることにより、正常時のデータを模擬した疑似ＧＮＳＳ測位データから、実測されたＧＮＳＳ測位データが乖離している場合は、ＧＮＳＳ測位データが異常であると精度よく判定することができる。
本開示の第３の態様によれば、第２の態様に係る異常検知システム（１）において、前記状態観測部（１０２）は、前記ＧＮＳＳ測位データの測位誤差をさらに収集し、前記学習部（２００）は、前記測位誤差をさらに用いて前記生成モデルを学習する。
このようにすることで、異常検知システムは、実際のＧＮＳＳレシーバの測位誤差も精度よく模擬することができる。そうすると、異常検知システムは、より本物に近い疑似ＧＮＳＳ測位データを生成することができるので、異常検知の精度を向上させることができる。
本開示の第４の態様によれば、第２又は第３の態様に係る異常検知システム（１）において、前記状態観測部（１０２）は、前記ＧＮＳＳレシーバ（１００）の特性を検出可能なレシーバ情報をさらに収集し、前記学習部（２００）は、前記レシーバ情報をさらに用いて前記生成モデルを学習する。
このようにすることで、異常検知システムは、ＧＮＳＳレシーバの特性に応じた、より本物に近い疑似ＧＮＳＳ測位データを生成することができる。この結果、ＧＮＳＳレシーバ毎の特性の違いを考慮した異常検知が可能となり、異常検知の精度を向上させることができる。
本開示の第５の態様によれば、第２から第４のいずれか一の態様に係る異常検知システム（１）において、前記状態観測部（１０２）は、前記ＧＮＳＳレシーバ（１００）の取付環境を示す取付環境情報をさらに収集し、前記学習部（２００）は、前記取付環境情報をさらに用いて前記生成モデルを学習する。
このようにすることで、異常検知システムは、ＧＮＳＳレシーバの取付環境に応じた、より本物に近い疑似ＧＮＳＳ測位データを生成することができる。この結果、ＧＮＳＳレシーバの取付環境を考慮した異常検知が可能となり、異常検知の精度を向上させることができる。
本開示の第６の態様によれば、第２から第５のいずれか一の態様に係る異常検知システム（１）において、前記状態観測部（１０２）は、前記車両の周辺環境に関する周辺環境情報をさらに収集し、前記学習部（２００）は、前記周辺環境情報をさらに用いて前記生成モデルを学習する。
このようにすることで、異常検知システムは、車両の周辺環境に応じた、より本物に近い疑似ＧＮＳＳ測位データを生成することができる。この結果、車両周辺の遮蔽状況を考慮した異常検知が可能となり、異常検知の精度を向上させることができる。
本開示の第７の態様によれば、第２から第６のいずれか一の態様に係る異常検知システム（１）において、前記学習部（２００）は、前記ＧＮＳＳ測位データを用いて、前記疑似ＧＮＳＳ測位データを生成するための潜在変数を出力する潜在変数モデルをさらに学習し、前記生成部（１１１、２０１）は、前記潜在変数モデルから出力された前記潜在変数を前記生成モデルに入力して、前記疑似ＧＮＳＳ測位データを生成する。
潜在変数が特定できない場合、生成部は潜在変数を一つずつ変更して、各潜在変数に基づく複数の疑似ＧＮＳＳ測位データを生成し、ＧＮＳＳ測位データと複数の疑似ＧＮＳＳ測位データそれぞれとを個別に対比する必要があった。しかしながら、上述の態様に係る異常検知システムは、学習済みの潜在変数モデルを用いて潜在変数を特定することができるので、生成部及び異常判定部における処理負荷を大幅に低減させることができる。
本開示の第８の態様によれば、車載器（１０）は、車両に搭載されたＧＮＳＳレシーバ（１００）を介して、ＧＮＳＳ衛星から受信した衛星信号に関する情報、及び当該衛星信号から推定される前記車両の位置に関する情報を含むＧＮＳＳ測位データを収集する状態観測部（１０２）と、前記ＧＮＳＳ測位データを用いて学習された生成モデルにより、疑似ＧＮＳＳ測位データを生成する生成部（１１１）と、新たなＧＮＳＳ測位データが取得された場合に、生成された前記疑似ＧＮＳＳ測位データとの対比に基づいて、当該ＧＮＳＳ測位データが異常であるか否かを判定する異常判定部（１１２）と、を備える。
このようにすることで、各車両に搭載された車載器が、自身が収集したＧＮＳＳ測位データの異常を検知することが可能となる。これにより、異常検知システムは、車載器とセンタサーバとの間で頻繁に評価データ（ＧＮＳＳ測位データ）を送受信する必要がなくなるので、通信量を大幅に低減させることができる。また、各車載器に異常検出処理の負荷を分散させることができる。
本開示の第９の態様によれば、異常検知方法は、車両に搭載されたＧＮＳＳレシーバ（１００）を介して、ＧＮＳＳ衛星から受信した衛星信号に関する情報、及び当該衛星信号から推定される前記車両の位置に関する情報を含むＧＮＳＳ測位データを収集するステップと、前記ＧＮＳＳ測位データを用いて学習された生成モデルにより、疑似ＧＮＳＳ測位データを生成するステップと、新たなＧＮＳＳ測位データが取得された場合に、生成された前記疑似ＧＮＳＳ測位データとの対比に基づいて、当該ＧＮＳＳ測位データが異常であるか否かを判定するステップと、を有する。
本開示の第１０の態様によれば、プログラムは、車両に搭載されたＧＮＳＳレシーバ（１００）を介して、ＧＮＳＳ衛星から受信した衛星信号に関する情報、及び当該衛星信号から推定される前記車両の位置に関する情報を含むＧＮＳＳ測位データを収集するステップと、前記ＧＮＳＳ測位データを用いて学習された生成モデルにより、疑似ＧＮＳＳ測位データを生成するステップと、新たなＧＮＳＳ測位データが取得された場合に、生成された前記疑似ＧＮＳＳ測位データとの対比に基づいて、当該ＧＮＳＳ測位データが異常であるか否かを判定するステップと、を車載器（１０）のコンピュータ（９００）に実行させる。
本開示に係る異常検知システム、車載器、異常検知方法、及びプログラムによれば、学習済みの生成モデルにより生成された疑似ＧＮＳＳ測位データを用いて、実測されたＧＮＳＳ測位データの異常を検知することができる。
１ 異常検知システム
１０ 車載器
１００ ＧＮＳＳレシーバ
１０１ センサ情報取得部
１０２ 状態観測部
１０３ 出力部
１０４ 記憶媒体
１１１ 生成部
１１２ 異常判定部
２０ センタサーバ
２００ 学習部
２００１ ジェネレータ
２００２ ディスクリミネータ
２００３ エンコーダ
２０１ 生成部
２０２ 異常判定部
２０３ 記憶媒体
３０ 車載センサ
４０ ＧＮＳＳ衛星
９００ コンピュータ
９０１ ＣＰＵ
９０２ 主記憶装置
９０３ 補助記憶装置
９０４ インタフェース
９１０ 外部記憶装置

Claims (9)

  1. 車両に搭載されたＧＮＳＳレシーバを介して、ＧＮＳＳ衛星から受信した衛星信号に関する情報、及び当該衛星信号から推定される前記車両の位置に関する情報を含むＧＮＳＳ測位データを収集する状態観測部と、
    前記ＧＮＳＳ測位データを用いて学習された生成モデルにより、疑似ＧＮＳＳ測位データを生成する生成部と、
    新たなＧＮＳＳ測位データが取得された場合に、生成された前記疑似ＧＮＳＳ測位データとの対比に基づいて、新たに取得された当該ＧＮＳＳ測位データが異常であるか否かを判定する異常判定部と、
    前記状態観測部が収集した正常な前記ＧＮＳＳ測位データを用いて前記生成モデルを学習する学習部と、
    を備え、
    前記状態観測部は、前記車両の周辺環境に関する周辺環境情報をさらに収集し、
    前記学習部は、前記周辺環境情報をさらに用いて前記生成モデルを学習し、
    前記周辺環境情報は、車載カメラ又はＬｉＤＡＲ（Light Detection and Ranging）を通じて取得された情報であって、衛星信号を遮蔽する遮蔽物の有無を示す情報である、
    異常検知システム。
  2. 前記状態観測部は、前記ＧＮＳＳ測位データの測位誤差をさらに収集し、
    前記学習部は、前記測位誤差をさらに用いて前記生成モデルを学習する、
    請求項１に記載の異常検知システム。
  3. 前記状態観測部は、前記ＧＮＳＳレシーバの特性を検出可能なレシーバ情報をさらに収集し、
    前記学習部は、前記レシーバ情報をさらに用いて前記生成モデルを学習する、
    請求項１又は２に記載の異常検知システム。
  4. 前記状態観測部は、前記ＧＮＳＳレシーバの取付環境を示す取付環境情報をさらに収集し、
    前記学習部は、前記取付環境情報をさらに用いて前記生成モデルを学習する、
    請求項１から３のいずれか一項に記載の異常検知システム。
  5. 前記学習部は、前記ＧＮＳＳ測位データを用いて、前記疑似ＧＮＳＳ測位データを生成するための潜在変数を出力する潜在変数モデルをさらに学習し、
    前記生成部は、前記潜在変数モデルから出力された前記潜在変数を前記生成モデルに入力して、前記疑似ＧＮＳＳ測位データを生成する、
    請求項１から４のいずれか一項に記載の異常検知システム。
  6. 車両に搭載されたＧＮＳＳレシーバを介して、ＧＮＳＳ衛星から受信した衛星信号に関する情報、及び当該衛星信号から推定される前記車両の位置に関する情報を含むＧＮＳＳ測位データを収集する状態観測部と、
    前記ＧＮＳＳ測位データを用いて学習された生成モデルにより、疑似ＧＮＳＳ測位データを生成する生成部と、
    新たなＧＮＳＳ測位データが取得された場合に、生成された前記疑似ＧＮＳＳ測位データとの対比に基づいて、当該ＧＮＳＳ測位データが異常であるか否かを判定する異常判定部と、
    前記状態観測部が収集した正常な前記ＧＮＳＳ測位データを用いて前記生成モデルを学習する学習部と、
    を備え、
    前記状態観測部は、前記車両の周辺環境に関する周辺環境情報をさらに収集し、
    前記学習部は、前記周辺環境情報をさらに用いて前記生成モデルを学習し、
    前記周辺環境情報は、車載カメラ又はＬｉＤＡＲ（Light Detection and Ranging）を通じて取得された情報であって、衛星信号を遮蔽する遮蔽物の有無を示す情報である、
    車載器。
  7. 車両に搭載されたＧＮＳＳレシーバを介して、ＧＮＳＳ衛星から受信した衛星信号に関する情報、及び当該衛星信号から推定される前記車両の位置に関する情報を含むＧＮＳＳ測位データを収集するステップと、
    前記ＧＮＳＳ測位データを用いて学習された生成モデルにより、疑似ＧＮＳＳ測位データを生成するステップと、
    新たなＧＮＳＳ測位データが取得された場合に、生成された前記疑似ＧＮＳＳ測位データとの対比に基づいて、当該ＧＮＳＳ測位データが異常であるか否かを判定するステップと、
    前記収集するステップで収集した正常な前記ＧＮＳＳ測位データを用いて前記生成モデルを学習するステップと、
    を有し、
    前記収集するステップでは、前記車両の周辺環境に関する周辺環境情報をさらに収集し、
    前記学習するステップでは、前記周辺環境情報をさらに用いて前記生成モデルを学習し、
    前記周辺環境情報は、車載カメラ又はＬｉＤＡＲ（Light Detection and Ranging）を通じて取得された情報であって、衛星信号を遮蔽する遮蔽物の有無を示す情報である、
    異常検知方法。
  8. 車両に搭載されたＧＮＳＳレシーバを介して、ＧＮＳＳ衛星から受信した衛星信号に関する情報、及び当該衛星信号から推定される前記車両の位置に関する情報を含むＧＮＳＳ測位データを収集するステップと、
    前記ＧＮＳＳ測位データを用いて学習された生成モデルにより、疑似ＧＮＳＳ測位データを生成するステップと、
    新たなＧＮＳＳ測位データが取得された場合に、生成された前記疑似ＧＮＳＳ測位データとの対比に基づいて、当該ＧＮＳＳ測位データが異常であるか否かを判定するステップと、
    前記収集するステップで収集した正常な前記ＧＮＳＳ測位データを用いて前記生成モデルを学習するステップと、
    を車載器のコンピュータに実行させるプログラムであって、
    前記収集するステップでは、前記車両の周辺環境に関する周辺環境情報をさらに収集し、
    前記学習するステップでは、前記周辺環境情報をさらに用いて前記生成モデルを学習し、
    前記周辺環境情報は、車載カメラ又はＬｉＤＡＲ（Light Detection and Ranging）を通じて取得された情報であって、衛星信号を遮蔽する遮蔽物の有無を示す情報である、
    プログラム。
  9. 車両に搭載されたＧＮＳＳレシーバを介して、ＧＮＳＳ衛星から受信した衛星信号に関する情報、及び当該衛星信号から推定される前記車両の位置に関する情報を含むＧＮＳＳ測位データを収集する状態観測部と、
    前記ＧＮＳＳ測位データを用いて学習された生成モデルにより、疑似ＧＮＳＳ測位データを生成する生成部と、
    新たなＧＮＳＳ測位データが取得された場合に、生成された前記疑似ＧＮＳＳ測位データとの対比に基づいて、新たに取得された当該ＧＮＳＳ測位データが異常であるか否かを判定する異常判定部と、
    前記状態観測部が収集した正常な前記ＧＮＳＳ測位データを用いて前記生成モデルを学習する学習部と、
    を備え、
    前記学習部は、前記ＧＮＳＳ測位データを用いて、前記疑似ＧＮＳＳ測位データを生成するための潜在変数を出力する潜在変数モデルをさらに学習し、
    前記生成部は、前記潜在変数モデルから出力された前記潜在変数を前記生成モデルに入力して、前記疑似ＧＮＳＳ測位データを生成する、
    異常検知システム。
JP2023500209A 2021-02-18 2021-02-18 異常検知システム、車載器、異常検知方法、及びプログラム Active JP7467756B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/006068 WO2022176093A1 (ja) 2021-02-18 2021-02-18 異常検知システム、車載器、異常検知方法、及びプログラム

Publications (2)

Publication Number Publication Date
JPWO2022176093A1 JPWO2022176093A1 (ja) 2022-08-25
JP7467756B2 true JP7467756B2 (ja) 2024-04-15

Family

ID=82930370

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023500209A Active JP7467756B2 (ja) 2021-02-18 2021-02-18 異常検知システム、車載器、異常検知方法、及びプログラム

Country Status (2)

Country Link
JP (1) JP7467756B2 (ja)
WO (1) WO2022176093A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003215228A (ja) 2002-01-23 2003-07-30 Hitachi Ltd 位置表示機能付き移動端末装置及び位置表示方法
US20120253656A1 (en) 2011-03-31 2012-10-04 Google Inc. Mobile state determination of location aware devices

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003215228A (ja) 2002-01-23 2003-07-30 Hitachi Ltd 位置表示機能付き移動端末装置及び位置表示方法
US20120253656A1 (en) 2011-03-31 2012-10-04 Google Inc. Mobile state determination of location aware devices

Also Published As

Publication number Publication date
WO2022176093A1 (ja) 2022-08-25
JPWO2022176093A1 (ja) 2022-08-25

Similar Documents

Publication Publication Date Title
US9799219B2 (en) Vehicle data system and method
US9478128B2 (en) Obtaining vehicle traffic information using mobile bluetooth detectors
US11435482B2 (en) Method for verifying the plausibility of GNSS position signals
US11170639B2 (en) Transportation threat detection system
WO2020080047A1 (ja) 侵入地点特定装置、および、侵入地点特定方法
CN112669594B (zh) 交通路况预测的方法、装置、设备及存储介质
Stipancic et al. Impact of congestion and traffic flow on crash frequency and severity: application of smartphone-collected GPS travel data
US11587366B1 (en) Systems and methods for selecting locations to validate automated vehicle data transmission
CN114945802A (zh) 用于识别和更新自动驾驶车辆的设计适用域的系统、设备和方法
CN114274972A (zh) 自主驾驶环境中的场景识别
CN114194209A (zh) 自动驾驶环境中的风险评估
Gawad et al. Dynamic mapping of road conditions using smartphone sensors and machine learning techniques
CN111739293A (zh) 一种数据融合方法及装置
KR101544854B1 (ko) 차량 주변의 도로 교통 정보 제공 방법 및 이를 이용한 도로 교통 정보 시스템
JP7091620B2 (ja) コンピュータプログラム、走行道路判定方法、走行道路判定装置および車載装置
JP7467756B2 (ja) 異常検知システム、車載器、異常検知方法、及びプログラム
CA2792902A1 (en) Method and system for detecting fraudulent position data of a mobile device
JP7381719B2 (ja) データ生成装置、データ生成方法、及びプログラム
CN115269371A (zh) 用于自动驾驶系统的路径规划系统开发的平台
Villar et al. Taximeter verification using imprecise data from GPS
Robinson et al. Automatic Identification of Vehicles with Faulty Automatic Vehicle Location and Control Units in London Buses' iBus System
WO2019038987A1 (ja) コンピュータプログラム、走行車線特定装置および走行車線特定システム
Villar et al. Taximeter verification with GPS and soft computing techniques
El-Wakeel Robust Multisensor-Based Framework for Efficient Road Information Services
Raiyn A Performance Analysis of GNSS Positioning Data Used for ISA

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230501

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231219

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240207

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240319

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240403