JPWO2017213064A1 - 車両制御システム、車両制御方法およびプログラム - Google Patents

Abstract

車両制御システムは、車両の走行に関して、環境や利用者の特徴を反映させた制御を、学習時間の増加を抑えながら行うことができるように、車両の走行に関わる属性を含むデータを蓄積する蓄積手段から選択された前記属性を用いて、前記データに含まれる走行特性を類型化する類型化手段と、前記類型化手段による類型化の結果である類型ごとに、前記走行特性を表すモデルを学習する学習手段と、制御対象の車両の走行時の前記属性の値に対応する前記類型の前記学習されたモデルにより、前記走行の制御内容を決定する制御内容決定手段とを備える。

Description

本開示は、車両制御システム、車両制御方法およびプログラム記録媒体に関し、特に、環境や利用者の特徴を反映させる車両制御システム、車両制御方法およびプログラム記録媒体に関する。

車両の運転者の運転負担の軽減等のため、車両の運転を自動で行うための自動運転技術が開発されている。また、運転者の好みや走り方に合わせた走行を提供する技術も提案されている。これにより、運転者の好みに合わせた運転を支援することができる。

例えば、特許文献１には、ユーザの好みや走り方に合致した走行特性を得る制御方法が開示されている。この制御方法では、複数ユーザの学習データまたは走行データをユーザ毎にサーバに蓄積して共有し、ユーザに合わせて制御ゲインを変更する。その結果、安全かつ快適な走行が可能となる。

また、特許文献２には、運転者の違和感を抑制した自動運転を可能とする運転制御装置が開示されている。この運転制御装置では、手動運転制御時に、あらかじめ設定された、車両の運転環境を特定する複数の項目に対応付けて運転者の運転操作を学習し、自動運転制御時に、その時点の運転環境での学習結果を参照して車両を制御する。その結果、自動運転時の運転者の違和感を抑制することが可能となる。

特許文献３には、予測制御モデルと現実世界との間のかい離を小さくするように予測制御モデルを自動的に構築する予測制御方法等が開示される。

特許文献４には、先行車両と、自車両及び後続車両を含む全体的な経済性を向上させることが可能な、運転支援システム等が開示される。

特許文献５には、制御および調整システムの操作モードが運転スタイル値に応じて運転者の運転スタイルに自動的に適合される既存の装置に対して、運転者に対する支援に関して改良する制御装置等が開示される。

また、関連技術として、非特許文献１には、機械学習における特徴量自動生成に関する技術が開示されている。非特許文献２には、異種混合学習に関する技術が開示されている。

特開２００３−０５０６０５号公報 特開２０１５−０８９８０１号公報 国際公開第２０１５／０３７１６５号 特開２０１５−２２５３８４号公報 特表２００５−５１１３９２号公報

James Max Kanter, Kalyan Veeramachaneni著, "Deep Feature Synthesis: Towards Automating Data Science Endeavors"、2015 IEEE International Conference on Data Science and Advanced Analytics (DSAA)、２０１５年、p.1-10. 藤巻 遼平、外４名、"異種混合学習技術とビッグデータ分析ソリューションの研究開発"、［online］、[２０１７年４月２７日検索]、インターネット＜http://www.fbi-award.jp/sentan/jusyou/2015/7.pdf＞

上述した特許文献１および特許文献２に開示されている技術では、ユーザごとに車両の走行に関する情報を蓄積し学習している。その結果、蓄積された情報が増加するのに応じて、学習時間が増加するという課題がある。

特許文献３ないし５には、車両の走行に関する制御において、学習時間の増加を抑制する技術は開示されていない。

本願発明は、上記課題を鑑みてなされたものであり、車両の走行に関して、環境や利用者の特徴を反映させた制御を、学習時間の増加を抑えながら行うことができる車両制御システム等を提供することを主要な目的とする。

本発明の一態様に係る車両制御システムは、車両の走行に関わる属性を含むデータを蓄積する蓄積手段から選択された前記属性を用いて、前記データに含まれる走行特性を類型化する類型化手段と、前記類型化手段による類型化の結果である類型ごとに、前記走行特性を表すモデルを学習する学習手段と、制御対象の車両の走行時の前記属性の値に対応する前記類型の前記学習されたモデルにより、前記走行の制御内容を決定する制御内容決定手段とを備える。

本発明の一態様に係る車両制御方法は、車両の走行に関わる属性を含むデータを蓄積する蓄積手段から選択された前記属性を用いて、前記データに含まれる走行特性を類型化し、前記類型化手段による類型化の結果である類型ごとに、前記走行特性を表すモデルを学習し、制御対象の車両の走行時の前記属性の値に対応する前記類型の前記学習されたモデルにより、前記走行の制御内容を決定する。

本発明の一態様に係るプログラム記録媒体は、車両の走行に関わる属性を含むデータを蓄積する蓄積手段から選択された前記属性を用いて、前記データに含まれる走行特性を類型化する処理と、前記類型化の結果である類型ごとに、前記走行特性を表すモデルを学習する処理と、制御対象の車両の走行時の前記属性の値に対応する前記類型の前記学習されたモデルにより、前記走行の制御内容を決定する処理とを、コンピュータに実行させるプログラムを記録する。

本願発明によれば、車両制御システムにおいて、車両の走行に関して、環境や利用者の特徴を反映させた制御を、学習時間の増加を抑えながら行うことができるという効果が得られる。

本発明の第１の実施形態に係る車両制御システムの構成を示すブロック図である。 本発明の第２の実施形態に係る車両制御システムの構成を示す図である。 第２の実施形態に係る車両制御システムの情報解析動作の概要を示すフローチャートである。 第２の実施形態に係る車両制御システムの制御実行動作の概要を示すフローチャートである。 本発明の第３の実施形態に係る車両制御システムの構成を示す図である。 本発明の第４の実施形態に係る車両制御システムの構成を示す図である。 本発明の第４の実施形態に係る車両制御システムの蓄積部に蓄積された情報（データ）の一例を示す図である。 加速時速度の類型化の結果の一例を示す図である。 加速時速度の類型化の結果の他の例を示す図である。 加速時速度の類型化の結果の他の例を示す図である。 加速時速度の類型化の結果の他の例を示す図である。 減速時の制動距離の類型化の結果の一例を示す図である。 類型情報の一例を示す図である。 類型情報の一例を示す図である。 類型情報の一例を示す図である。 モデル設定部が制御部に設定するモデルの一例を示す図である。 モデル設定に関するユーザインタフェースの一例を示す図である。 各実施形態に示した装置を実現するハードウエア構成の一例を示す図である。

以下、本発明の実施形態について図面を参照して詳細に説明する。なお、図面における矢印の方向は、一例を示すものであり、ブロック間の信号の向きを限定するものではない。

第１の実施形態
図１は、本発明の第１の実施形態に係る車両制御システム１の構成を示すブロック図である。第１の実施形態に係る車両制御システム１は、類型化部２、学習部３および制御内容決定部４を備える。

類型化部２は、車両の走行に関わる属性を含むデータを蓄積する蓄積手段から選択された属性を用いて、データに含まれる走行特性を類型化する。学習部３は、類型化部２による類型化の結果である類型ごとに、走行特性を表すモデルを学習する。

制御内容決定部４は、制御対象の車両の走行時の属性の値に対応する類型の学習されたモデルにより、走行の制御内容を決定する。

上記構成を採用することにより、本第１の実施形態によれば、車両の走行に関して、類型ごとに、走行特性を表すモデルを学習するので、環境や利用者の特徴を反映させた制御を、学習時間の増加を抑えながら行うことができるという効果が得られる。

第２の実施形態
図２は、本発明の第２の実施形態に係る車両制御システム１００の構成を示す図である。第２の実施形態に係る車両制御システム１００は、収集部１２１、類型判別部１２２、モデル設定部１２３、制御部１２４、蓄積部１３１、属性選択部１３２、類型化部１３３、モデル学習部１３４および類型・モデル保存部１３５を備える。

車両制御システム１００の各構成要素の概要について説明する。

収集部１２１は、車両制御システム１００の利用者、外部環境、内部状態等を示す情報を収集する。収集部１２１は、例えば、センサ、カメラ、入力手段、読み取り装置を含んでもよい。

類型判別部１２２は、類型・モデル保存部１３５に保存される情報と、収集部１２１が収集した情報とを用いて、車両制御システム１００の利用状況がどの類型に属するかを判別する。ここでは、収集部１２１において収集された情報のうち、どの程度過去までさかのぼって上記類型の判別に用いるかは、事前に決定しておいてもよいし、情報のばらつき具合から動的に決定してもよい。

モデル設定部１２３は、類型判別部１２２において判別された類型に対応するモデルを、類型・モデル保存部１３５から読み出して、制御部１２４に設定する。読み出すモデルは、車両の走行を特徴づける、数値、関数形、数式で用いられる係数（パラメータ）などである。

制御部１２４は、モデル設定部１２３により設定されたモデルに従って、車両の制御を実行する。

蓄積部１３１は、収集部１２１において収集された情報を蓄積する。蓄積部１３１に蓄積された情報は、利用者、外部環境、内部状態等、運転環境に関する何らかの特性を示す、分析対象のデータである。属性選択部１３２は、蓄積部１３１に蓄積された情報（データ）を参照して、類型化と学習に適切な属性を選択する。

類型化部１３３は、蓄積部１３１に蓄積されたデータと、属性選択部１３２で選択された属性とを用いて、データに含まれる走行特性の類型化を行う。そして、類型化部１３３は、類型化の結果を類型・モデル保存部１３５に保存する。

モデル学習部１３４は、類型化部１３３で類型化した類型ごとに、蓄積部１３１に蓄積されたデータに関してモデルを学習し、学習の結果を類型・モデル保存部１３５に保存する。

類型・モデル保存部１３５は、類型化部１３３で類型化された類型と、モデル学習部１３４で学習されたモデルに関する情報を保存する。

次に、本発明の第２の実施形態に係る車両制御システム１００の動作の概要について説明する。図３は、第２の実施形態に係る車両制御システム１００の情報解析動作の概要を示すフローチャートである。車両制御システム１００は、図３に示す情報解析動作を、蓄積部１３１に十分な情報が蓄積された段階で、任意のタイミングで実行すればよい。

まず、属性選択部１３２は、蓄積部１３１からデータを読み出し（Ｓ１０１）、読み出したデータに含まれる属性を選択する（Ｓ１０２）。システムの設計者が事前に選択した属性に、属性選択部１３２が属性を追加して選択してもよい。

類型化部１３３は、蓄積部１３１から読み出されたデータに含まれる走行特性を、属性選択部１３２により選択された属性を特徴ベクトルとして、類型化する（Ｓ１０３）。類型化には、既存のｋ−ｍｅａｎｓ法などのクラスタリング手法を用いることができる。

類型化した結果、類型間のサンプル数に偏りがある場合、処理Ｓ１０２に戻って属性選択をやり直してもよい。すなわち、サンプル数に基づいて、属性選択が繰り返されてもよい。サンプル数について、偏りの有無を示す閾値が予め設定されてもよい。モデル学習部１３４は、処理Ｓ１０１において読み出した情報から、類型化部１３３による類型ごとにその類型に属するデータを抽出し、その類型におけるモデルを学習する（Ｓ１０４）。モデルの学習には、既存の線形回帰分析などの回帰分析手法を用いることができる。

ここで、モデルは、属性の特徴や属性間の関係を表す、例えば類型ごとに異なる数式であってもよいし、固定の数式であってもよいし、あるいは定数であってもよい。また、モデルは、所定の対応関係を示すテーブル等であってもよいし、決定木であってもよい。またモデルは、パラメータを用いて表せる数式であってもよい。

モデルの学習の結果、モデルの精度が十分に高くない場合（Ｓ１０５においてＮｏ）、処理Ｓ１０２に戻って属性選択をやり直してもよい。モデルの精度が十分に高くなったら（Ｓ１０５においてＹｅｓ）、類型化部１３３とモデル学習部１３４は、それぞれ類型化の結果とモデル学習の結果を、類型・モデル保存部１３５に保存する（Ｓ１０６）。

なお、モデルの精度は、例えば、モデルを用いて算出された走行特性の、Ｓ１０４において学習に用いたデータに対する誤差に基づいて求められてよい。例えば、上記誤差が閾値より小さくなったときに、モデルの精度が十分に高くなったと判断されてもよい。モデルの精度は、また、例えばホールドアウト検証や交差検証を用いて求められてよい。

次に、第２の実施形態に係る車両制御システム１００の制御実行動作について説明する。図４は、第２の実施形態に係る車両制御システム１００の制御実行動作の概要を示すフローチャートである。制御実行動作は、上述した情報解析動作により生成された類型化の結果とモデル学習の結果を用いて、利用者に対する車両制御システム１００の制御を実行する動作である。車両制御システム１００は、制御実行動作を、上述した情報解析動作が終了した後に実行する。

まず、収集部１２１は、車両制御システム１００の内部および外部の情報、すなわち利用者、外部環境、内部状態等を示す情報を収集する（Ｓ１１１）。次に、類型判別部１２２は、Ｓ１１１において収集した情報を参照して、類型・モデル保存部１３５に保存された類型に関する情報にしたがって、車両制御システム１００の利用状況がどの類型に属するかを判別する（Ｓ１１２）。

モデル設定部１２３は、Ｓ１１２で判別された類型に対応するモデルを、類型・モデル保存部１３５から読みだして、制御部１２４に設定する（Ｓ１１３）。これにより、制御部１２４は、設定されたモデルにしたがって、車両制御システム１００が動作するように制御する。

以上のように、本第２の実施形態によれば、車両制御システム１００のモデル学習部１３４は、蓄積されたデータに関して、類型化部１３３による類型ごとに学習を行うので、蓄積されたデータ毎に選択された属性に関して学習する場合と比較して、学習時間と学習結果の増加を抑制できるという効果が得られる。

また、上述のように学習結果の増加を抑制できるので、学習結果の検証時間を短縮することができるという効果が得られる。また、現在の車両制御システム１００の利用者、外部環境、内部状態に合致するモデルを、モデル設定部１２３が類型・モデル保存部１３５から検索する時間を短縮することができる。

また、本第２の実施形態によれば、属性選択部１３２が、蓄積された情報から、利用者、外部環境、内部状態等に関する属性を選択するので、事前の属性選択に要する工数を省くことができるという効果が得られる。また、属性選択部１３２は、類型化の結果やモデル学習の結果に応じて、属性選択を再度行うので、学習と環境の特定の精度を高めることができるという効果が得られる。

第３の実施形態
図５は、本発明の第３の実施形態に係る車両制御システム２００の構成を示す図である。第３の実施形態に係る車両制御システム２００は、上記第２の実施形態において説明した、収集部１２１、類型判別部１２２、モデル設定部１２３および制御部１２４を含む一以上の制御実行装置１２０と、上記第２の実施形態において説明した、蓄積部１３１、属性選択部１３２、類型化部１３３、モデル学習部１３４および類型・モデル保存部１３５を含む情報解析装置１３０とを含む。

制御実行装置１２０と情報解析装置１３０とは、互いに有線または無線で通信可能に接続されている。

蓄積部１３１は、一以上の制御実行装置１２０の収集部１２１からの情報を蓄積する。類型・モデル保存部１３５は、一以上の制御実行装置１２０の類型判別部１２２とモデル設定部１２３とから読み出される。その他の構成要素の動作は、上記第２の実施形態において説明した動作と同様である。複数の制御実行装置１２０は、互いに独立に動作してもよい。

以上のように、本第３の実施形態によれば、車両制御システム２００において、複数の制御実行装置１２０に対して、一の情報解析装置１３０が制御解析動作を行うことで、複数の制御実行装置１２０が情報解析装置１３０を共有できるので、必要なハードウェア量を削減できるという効果が得られる。また、複数の収集部１２１からの情報が蓄積部１３１に蓄積されると共にそれら情報に基づいてモデル学習が行われるので、より多くの情報を蓄積することによりモデル学習の精度を上げることができるという効果が得られる。

第４の実施形態
図６は、本発明の第４の実施形態に係る車両制御システム３００の構成を示す図である。第４の実施形態では、第３の実施形態において図５を参照して説明した車両制御システム２００を、車両の走行に関する制御に適用した例について説明する。車両制御システム３００の制御実行装置１２０は、車両に搭載されているとする。制御実行装置１２０はまた、図５に示した制御実行装置１２０に加えて、入出力部１２５を備える。

制御実行装置１２０の収集部１２１は、ドライバ認識装置を含む。ドライバ認識装置は、車両を運転する利用者（ドライバ）を認識する。利用者の認識は、例えば、ドライバ自身による端末等からの入力、ドライバ個人が所有するＩＤカードの読み取り、指紋や顔などのドライバの生体情報の解析などにより行う。あるいは、利用開始時の操作特性から利用者が判別されてもよい。

また、収集部１２１は、カメラを含み、該カメラにより天候などの外部環境に関する情報を収集する。外部環境に関する情報はまた、車両が走行する道路（走行路）に関する情報でもよく、道路幅やカーブの曲がり具合等を示す情報でもよい。さらに、収集部１２１は、速度センサを含み、該速度センサにより、内部状態として例えば車両速度情報を収集する。収集された情報は、蓄積部１３１に蓄積される。

なお、第４の実施形態に係る車両制御システム３００は、制御実行装置１２０を搭載した１台の車両を制御することに限定されず、第３の実施形態において説明したように制御実行装置１２０をそれぞれ搭載した複数台の車両を制御してもよい。また、制御実行装置１２０と情報解析装置１３０との間の情報のやり取りは、無線通信で行われてもよい。さらに、情報解析装置１３０は、制御実行装置１２０とは別に、管理室等に収容されていてもよい。

図７は、蓄積部１３１に蓄積された情報（データ）の一例を示す図である。データは、例えば、ドライバＩＤ（ＩＤｅｎｔｉｆｉｃａｔｉｏｎ）、加速時速度、減速時速度、制動距離、天候を含む。ドライバＩＤは、利用者を識別するための識別子である。加速時速度は、車両が加速するときの時系列（例えば１秒間隔）で示される速度である。減速時速度は、車両が減速するときの時系列（例えば１秒間隔）で示される速度である。制動距離は、制動を始めてから止まるまでに走行した距離である。天候は、その情報を取得した時の天気である。

以降、上記第２の実施形態にて示した図３を参照して、第４の実施形態に係る車両制御システム３００の動作について説明する。

属性選択部１３２は、蓄積部１３１に蓄積されたデータを読み出して（Ｓ１０１）、データに含まれる属性を選択する（Ｓ１０２）。属性は、例えば車両の周辺環境や利用者の特徴など、運転環境を特定するための項目（環境項目）であってよい。属性の適切な選択により、適切な運転環境の特定ができる。

属性選択部１３２は、類型化のための属性として、例えば、ドライバＩＤ、天候、加速時の速度比、制動距離比等を選択する。加速時の速度比とは、例えば、車両が加速を完了した時点の速度に対する、該当時刻における速度の比率である。制動距離比とは、例えば、天候が快晴である時点の制動距離に対する、該当時点における制動距離の比率である。

属性は、例えば、車両制御システム３００の設計者が予め選択してもよいし、所定の基準で選択されてもよい。あるいは、非特許文献１に記載の特徴量自動設計技術を用いて選択されてもよい。

類型化部１３３は、蓄積部１３１に蓄積されたデータを参照して、属性選択部１３２により選択された属性を特徴ベクトルとして、走行特性を類型化する（Ｓ１０３）。

図８は、加速時速度の類型化の結果を示す図である。図８では、時刻に対する上述した加速時の速度比をドライバごとに示している。この場合、類型化する属性として、ドライバＩＤが選択されている。

図８では、ドライバＩＤが「０」と「１」であるデータに含まれる加速時速度は類型「Ａ１」に、ドライバＩＤが「２」であるデータに含まれる加速時速度は類型「Ａ２」に、ドライバＩＤが「３」であるデータに含まれる加速時速度は類型「Ａ３」に、それぞれ類型化されていることが分かる。

類型化には既存のｋ−ｍｅａｎｓ法などのクラスタリング手法を用いることができる。ｋ−ｍｅａｎｓ法を用いる場合、類型化部１３３は、例えば、図８のように、ドライバごとの、所定時刻に対する速度比を、図７に示したデータに基づいてプロットすると共にそのプロットの近似曲線のうちいずれか複数を選択する。そして、類型化部１３３は、その選択された近似曲線と近い近似曲線で示される情報（サンプル）を、同じ類型と判断してもよい。すなわち、近似曲線間の距離に基づいて、ｋ−ｍｅａｎｓ法によって類型化されてよい。

類型化した結果、類型間のサンプル数に偏りがある場合、処理Ｓ１０２に戻って属性選択をやり直してもよい。そして、その選択された属性に関して上記のようにｋ−ｍｅａｎｓ法などで再度類型化して、サンプル数に偏りが生じなければ、類型化を完了してもよい。このように、サンプル数に偏りがなくなるまで、類型化部１３３は、類型化を繰り返してもよい。

図９Ａ乃至図９Ｃは、加速時速度の類型化の結果の他の例を示す図である。すなわち、図９Ａ乃至図９Ｃは、ドライバＩＤ、加速時速度および天候が類型化の属性として選択され、その属性の組み合わせで、加速時速度が類型化された結果を示す。図９Ａは天候が「快晴」、「晴」、「曇」のとき、図９Ｂは天候が「雨」のとき、図９Ｃは天候が「雪」のときの、ドライバＩＤごとの加速時速度の類型化の結果をそれぞれ示す。

図９Ａに示すように、ドライバＩＤが「０」と「１」で天候が「快晴」、「晴」、「曇」であるデータに含まれる加速時速度は類型「Ｂ１」に、ドライバＩＤが「２」で天候が「快晴」、「晴」、「曇」であるデータに含まれる加速時速度は類型「Ｂ２」に、ドライバＩＤが「３」で天候が「快晴」、「晴」、「曇」であるデータに含まれる加速時速度は類型「Ｂ３」に、それぞれ類型化されることが分かる。

図９Ｂに示すように、ドライバＩＤが「０」と「１」で天候が「雨」であるデータに含まれる加速時速度は類型「Ｂ４」に、ドライバＩＤが「２」と「３」で天候が「雨」であるデータに含まれる加速時速度は類型「Ｂ５」に、それぞれ類型化されることが分かる。また図９Ｃに示すように、すべてのドライバIDで天候が「雪」であるデータに含まれる加速時速度は類型「Ｂ６」に類型化されることが分かる。

図１０は、減速時の制動距離の類型化の結果を示す図である。ここでは、ドライバＩＤ、天候、制動距離が類型化の属性として選択され、その属性の組み合わせで、減速時の制動距離が類型化された結果を示す。天候が「快晴」、「晴」、「曇」であるデータに含まれる減速時の制動距離は類型「Ｃ１」に、ドライバＩＤが「０」と「１」で天候が「雨」であるデータに含まれる減速時の制動距離は類型「Ｃ２」に、ドライバＩＤが「２」と「３」で天候が「雨」であるデータに含まれる減速時の制動距離は類型「Ｃ３」に、天候が「雪」であるデータに含まれる減速時の制動距離は類型「Ｃ４」に、それぞれ類型化されることが分かる。

類型化が完了すると、モデル学習部１３４は、上述のように類型化部１３３により類型化された類型ごとに、その類型に属するデータを蓄積部１３１から抽出し、その類型における車両の走行特性を表すモデルを学習する。モデルの学習には、既存の線形回帰分析などの回帰分析手法を用いてもよい。あるいは、非特許文献２に示されるような異種混合学習を用いてもよい。モデル学習部１３４は、例えば、類型ごとに、加速時の速度比（以降、加速パターンとも称する）、制動距離比を表すモデルを学習する。

例えば図９Ａに示した類型Ｂ１の場合、モデル学習部１３４は、例えば、ドライバＩＤ＝「０」、「１」であるデータを、蓄積部１３１から読み出して、その加速パターンを学習する。

ここで、モデルは、上記第３の実施形態において示したように、属性の特徴や属性間の関係を表す、例えば類型ごとに異なる数式であってもよいし、固定の数式であってもよいし、定数であってもよい。また、モデルは、例えば時間と速度の関係を含むテーブル等であってもよい。また、モデルは、パラメータを用いて表せる数式であってもよいし、決定木であってもよい。例えば、制動距離が図１０に示すように類型化された場合、モデルは、類型ごとの制動距離比を示す定数であってもよい。

モデル学習の精度が十分でない場合（Ｓ１０５においてＮｏ）、処理Ｓ１０２に戻って属性選択をやり直してもよい。学習精度が十分に高くなったら（Ｓ１０５においてＹｅｓ）、類型化部１３３とモデル学習部１３４は、それぞれ類型化の結果とモデル学習の結果を、類型・モデル保存部１３５に保存する（Ｓ１０６）。

このように、類型化部１３３とモデル学習部１３４は、モデル学習の精度が十分になるまで、回帰分析等の手法を用いて、属性の選択も含めてモデルを最適化する。すなわち、属性の選択と、類型化は、モデルの性能に基づいて繰り返し行われる。モデルは、例えば、性能を表す所定の評価値に基づいて最適化すればよい。

類型・モデル保存部１３５に保存された、類型とそれに対応するモデルを含む情報（以降、「類型情報」と称する）により、類型ごとの制御内容が決定される。なお、類型化部１３３とモデル学習部１３４は、制御内容決定手段とも称する。

図１１乃至図１３は、それぞれ類型・モデル保存部１３５に保存された類型情報の一例を示す図である。図１１乃至図１３に示すように、類型情報は、類型、条件およびモデルから構成される。

図１１は、図８に示した類型Ａ１、Ａ２、Ａ３に関する類型情報を示す図である。図１１において、類型Ａ１は、ドライバＩＤが「０」または「１」であるデータに含まれる走行特性を表すモデルの学習の結果、「加速パターンＡ１」であるモデルが生成されたことを示す。加速パターンＡ１は、例えば、図８に示したような曲線のカーブを決める係数等であってもよい。なお、図１１の条件は、ドライバＩＤが「０」または「１」のデータは、類型Ａ１と判別されるための条件であることを示す。

図１２は、図９Ａ乃至図９Ｃに示した類型Ｂ１乃至類型Ｂ６に関する類型情報を示す図である。図１２において、例えば、類型Ｂ１は、ドライバＩＤが「０」または「１」、かつ、天候が「快晴」または「晴」または「曇」であるデータの学習の結果、「加速パターンＢ１」であるモデルが生成されたことを示す。

図１３は、図１０に示した類型Ｃ１乃至類型Ｃ４に関する類型情報を示す図である。図１３において、例えば、類型Ｃ１は、天候が「快晴」または「晴」または「曇」であるデータの学習の結果、「制動距離比＝１」であるモデルが生成されたことを示す。

モデルは、その他にも、車両の向き（ハンドル角度）、速度、加速度、走行路における位置など、車両の走行特性を表す値等であってよい。このようなモデルにより、例えば、道路のコーナーでの加速の仕方や、車両が道路の曲がり角を回るときに大回りに回るのか小回りに回るのか等、運転者の運転特性に合わせて車両の制御ができる。

上記のような、類型化の結果とモデル学習の結果が、類型・モデル保存部１３５に保存される。

ここで、類型の数について説明する。例えば図８に示したように、ドライバの数＝「４」よりも、類型の数＝「３」は少ない。また図９Ａ乃至図９Ｃに示したように、ドライバの数＝「４」と天候の種類＝「５」の組み合わせの数＝（４×５＝）「２０」であるのに対して、類型の数＝「６」であり、類型の数の方が少ない。また図１０に示した場合も、ドライバの数＝「４」と天候の種類＝「５」の組み合わせの数＝（４×５＝）「２０」よりも、類型の数＝「４」の方が少ない。したがって、属性や属性の組み合わせごとに学習するよりも、類型ごとに学習することにより、学習時間の短縮を図ることができる。

上記のように類型・モデル保存部１３５に保存された類型化の結果とモデル学習の結果とを用いて、車両制御システム３００は、以下のように制御実行動作を行う。

以降、上記第２の実施形態にて示した図４を参照して、本第４の実施形態に係る車両制御システム３００の制御実行動作について説明する。ここで、制御対象は、例えば車両の速度、向き（ハンドル角度）、ブレーキの操作量、ブレーキの操作タイミング等であって、予め制御実行装置１２０に設定されている。ここでは、例として、車両の速度が制御対象として設定されているとする。

制御実行装置１２０を搭載した車両において、例えば、利用者による利用開始に応じて、収集部１２１が、利用者、外部環境、内部状態等を示す情報を収集する。

類型判別部１２２は、収集部１２１により収集された情報と、上述のように類型・モデル保存部１３５に保存された情報とを用いて、制御実行装置１２０の利用状況が、制御対象に関してどの類型に属するかを判別する。例えば、収集部１２１が、ドライバＩＤ＝「３」、天候＝「晴」を収集情報として収集した場合、類型判別部１２２は、速度に関する類型情報、ここでは図１２に示す類型情報に基づいて、制御実行装置１２０の利用状況は、類型Ｂ３に属すると判別する。

続いてモデル設定部１２３は、類型判別部１２２により判別された類型のモデルを、類型・モデル保存部１３５から読み出して、制御部１２４に設定する。具体的には、図９Ａに示した類型Ｂ３に関する学習の結果得られたモデルである「加速パターンＢ３」に適合する加速パターンとなるように、制御部１２４に設定する。

図１４は、モデル設定部１２３が制御部１２４に設定するモデルの一例を示す図である。図１４に示すように、モデルは、加速を開始してからの、例えば１秒ごとの経過時間（ｓ）と、各経過時間における車両の速度（ｋｍ／ｈ）とを含むテーブルであってよい。

制御部１２４は、上記のようにモデルが設定されると、そのモデルにしたがって、車両の走行を制御する。例えば、図１４に示されるようなテーブルが設定されると、制御部１２４は、各経過時間に対応して設定された速度に達するために必要な加速度を算出すると共に、その加速度に相当する量のアクセルが踏み込まれるように制御する。

上記のような制御部１２４による制御により、設定されたモデルに合うように、車両の走行が制御される。

また制御部１２４は、制御の内容を、車両内のディスプレイ等の入出力部１２５に表示してもよい。図１５は、モデル設定に関するユーザインタフェースの一例を示す図である。ドライバＩＤは、ドライバ認識装置により認識されたドライバのＩＤ（ここでは「０」）を示す。類型は、類型判別部１２２により判別された類型（ここでは「Ｂ３」）を示す。設定モデルは、類型・モデル保存部１３５から読みだされた加速パターンと、制動パターンを示す。ここでは、加速パターンとして「加速パターンＢ３」、制動パターンとして「Ｂｒｋ２７」がそれぞれ示されている。

制御部１２４は、上述のような情報をモデル設定部１２３から取得すると、図１５に示すように入出力部１２５に表示してもよい。

また、図１５に示すようなインタフェースを介して、利用者が、類型や設定モデルを変更してもよい。すなわち、入出力部１２５は、利用者から、類型、設定モデルの入力を受け付け、例えば図１５に示す「設定」ボタンが押下されたことを受け付けると、その旨を制御部１２４に通知する。制御部１２４は、その通知に応じて、入力された設定モデルで車両の走行を制御してもよい。また、上記では車両の速度が制御対象として予め設定されていることを説明したが、利用者から制御対象の入力を受け付け、入力された制御対象に関する制御を行うようにしてもよい。

以上のように、本第４の実施形態によれば、車両の利用者、外部環境、内部状態等を示す、蓄積部１３１に蓄積されたデータに関して、属性選択部１３２は、類型化と学習に適切な属性を選択し、類型化部１３３は、選択された属性を用いて、データの類型化を行う。モデル学習部１３４は、類型化部１３３による類型ごとに、データに含まれる走行特性を表すモデルの学習を行う。そして、制御部１２４は、類型のモデルに基づいて車両の走行を制御することで、環境や利用者の特徴を反映させた車両の制御を行う。

上記構成を採用することにより、本第４の実施形態によれば、類型ごとにモデルの学習を行うので、学習時間と学習結果の増加を抑えながら環境や利用者の特徴を反映させた車両の走行の制御を行うことができるという効果が得られる。また、学習結果を削減できるので、学習結果の検証時間を短縮できる。さらに、類型・モデル保存部１３５に保存する情報が削減されるので、モデル設定部１２３が類型・モデル保存部１３５から類型情報を検索する時間を短縮することができる。

また、蓄積部１３１に蓄積されたデータから、属性選択部１３２により車両の走行を特徴づける属性を選択するので、事前の属性決定の工数を省くことができるという効果が得られる。また、属性を事前に設定する場合、その属性の選択が適切でないと精度の高い学習や運転環境の特定ができないが、本第４の実施形態によれば、類型化の結果やモデル学習の結果に応じて属性選択を再度行うので、学習と環境の特定の精度を高めることができるという効果が得られる。

なお、第４の実施形態においては、車両制御システムによる車両の走行に関わる制御を例に説明したが、他の制御に適用してもよい。例えば、車両制御システムによる制御を、部屋の温度制御に適用してもよい。

この場合、あるユーザが手動でエアコンの温度設定をした際の、設定温度、およびそのときの室外温度、室内温度等を、収集情報として蓄積部１３１に蓄積しておく。この蓄積された情報に含まれる特性を、上記実施形態において説明したように類型化して、モデルを学習しておく。

学習した結果であるモデルを用いて、そのユーザが次に入室したときに、制御部１２４がエアコンの温度を設定する。これにより、そのユーザに適した温度を自動的に設定することができる。

あるいは、部屋の照明とＡＶ（Ａｕｄｉｏ Ｖｉｓｕａｌ）機器の制御に、車両制御システムによる制御を適用してもよい。具体的には、例えば、部屋の照明とテレビの音量を制御する場合、あるユーザがテレビを見る際に、設定したテレビの音量、部屋の明るさ、番組、時間帯、周囲の音量等、収集情報として蓄積部１３１に蓄積しておく。この蓄積された情報に含まれる特性を、上記実施形態において説明したように類型化して、モデルを学習しておく。

学習した結果であるモデルを用いて、そのユーザが次にテレビの電源をつけたときに、制御部１２４が、テレビの音量と部屋の照明を設定する。これにより、そのユーザに適した音量と照明を自動的に設定することができる。

図１等に示した装置の各部は、図１６に例示するハードウエア資源において実現される。すなわち、図１６に示す構成は、プロセッサ１１、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１２、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１３、外部接続インタフェース１４、記録装置１５および各構成要素を接続するバス１６を備える。

上述した各実施形態では、図１６に示すプロセッサ１１が実行する一例として、装置に対して、上述した機能を実現可能なコンピュータ・プログラムを供給した後、そのコンピュータ・プログラムを、プロセッサ１１がＲＡＭ１２に読み出して実行することによって実現する場合について説明した。しかしながら、上記各図に示した各ブロックに示す機能は、一部または全部を、ハードウエアとして実現してもよい。

かかる供給されたコンピュータ・プログラムは、読み書き可能なメモリ（一時記憶媒体）またはハードディスク装置等のコンピュータ読み取り可能な記憶デバイスに格納すればよい。そして、このような場合において、本発明は、かかるコンピュータ・プログラムを表すコード或いはかかるコンピュータ・プログラムを格納した記憶媒体によって構成されると捉えることができる。

かかるコンピュータ・プログラムは、不揮発性記憶媒体に記憶されてもよい。

また、各装置の各構成要素の一部又は全部は、汎用または専用の回路（ｃｉｒｃｕｉｔｒｙ）、プロセッサ等やこれらの組み合わせによって実現される。これらは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。各装置の各構成要素の一部又は全部は、上述した回路等とプログラムとの組み合わせによって実現されてもよい。

各装置の各構成要素の一部又は全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントアンドサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。

以上、上述した実施形態を参照して本発明を説明した。しかしながら、本発明は、上述した実施形態には限定されない。即ち、本発明は、本発明のスコープ内において、種々の上記開示要素の多様な組み合わせ乃至選択など、当業者が理解し得る様々な態様を適用することができる。

本発明は、例えば、車両の走行の制御や、居住空間におけるエアコンなどの環境制御装置の制御、不特定多数の利用者が操作する装置の制御、ロボット等に適用できる。また、利用者を材料と読み替えることにより、各種の材料に対応する製造装置等にも適用できる。

この出願は、２０１６年６月９日に出願された日本出願特願２０１６−１１４９９７を基礎とする優先権を主張し、その開示の全てをここに取り込む。

１１ プロセッサ
１２ ＲＡＭ
１３ ＲＯＭ
１４ 外部接続インタフェース
１５ 記録装置
１６ バス
１、１００、２００、３００ 車両制御システム
２ 類型化部
３ 学習部
４ 制御内容決定部
１２０ 制御実行装置
１２１ 収集部
１２２ 類型判別部
１２３ モデル設定部
１２４ 制御部
１２５ 入出力部
１３０ 情報解析装置
１３１ 蓄積部
１３２ 属性選択部
１３３ 類型化部
１３４ モデル学習部
１３５ 類型・モデル保存部

Claims (10)

1. 車両の走行に関わる属性を含むデータを蓄積する蓄積手段から選択された前記属性を用いて、前記データに含まれる走行特性を類型化する類型化手段と、
   前記類型化手段による類型化の結果である類型ごとに、前記走行特性を表すモデルを学習する学習手段と、
   制御対象の車両の走行時の前記属性の値に対応する前記類型の前記学習されたモデルにより、前記走行の制御内容を決定する制御内容決定手段と
   を備えた車両制御システム。
2. 前記蓄積手段から、１または複数の前記属性を選択する属性選択手段をさらに備え、
   前記属性選択手段による前記属性の選択と、該選択された属性を用いた前記類型化手段による類型化は、前記モデルの性能に基づいて繰り返し行われる
   請求項１記載の車両制御システム。
3. 前記類型化手段は、前記類型化の結果である各類型に属する前記データの数に基づいて、前記属性選択手段による前記属性の選択が繰り返し行われるように制御する
   請求項２記載の車両制御システム。
4. 前記類型化手段は、前記データに含まれる車両の速度、加速度および走行路における位置の少なくとも一を、前記走行特性として類型化する
   請求項１乃至請求項３のいずれか１項記載の車両制御システム。
5. 前記制御内容決定手段により決定された制御内容である、前記制御対象に関わる類型と、該類型の前記学習されたモデルを出力する出力手段
   をさらに備えた請求項１乃至請求項４のいずれか１項記載の車両制御システム。
6. 前記制御内容決定手段により決定された制御内容に基づいて前記制御対象の制御を行う制御手段
   をさらに備えた請求項１乃至請求項５のいずれか１項記載の車両制御システム。
7. 前記制御手段は、前記制御内容決定手段により決定された制御内容である、前記制御対象に関わる類型と、該類型の前記学習されたモデルを出力する出力手段により出力された、前記制御対象に関わる類型と、該類型の前記学習されたモデルに対して、変更を受け付けると共に、受け付けた変更の内容に基づいて、前記制御対象の制御を行う
   請求項６記載の車両制御システム。
8. 車両の走行に関わる属性を含むデータを蓄積する蓄積手段から選択された前記属性を用いて、前記データに含まれる走行特性を類型化し、
   前記類型化の結果である類型ごとに、前記走行特性を表すモデルを学習し、
   制御対象の車両の走行時の前記属性の値に対応する前記類型の前記学習されたモデルにより、前記走行の制御内容を決定する
   車両制御方法。
9. 前記蓄積手段から、１または複数の前記属性を選択する属性選択手段による前記属性の選択と、該選択された属性を用いた前記類型化は、前記モデルの性能に基づいて繰り返し行われる
   請求項８記載の車両制御方法。
10. 車両の走行に関わる属性を含むデータを蓄積する蓄積手段から選択された前記属性を用いて、前記データに含まれる走行特性を類型化する処理と、
    前記類型化の結果である類型ごとに、前記走行特性を表すモデルを学習する処理と、
    制御対象の車両の走行時の前記属性の値に対応する前記類型の前記学習されたモデルにより、前記走行の制御内容を決定する処理とを、
    コンピュータに実行させるプログラムを記録するプログラム記録媒体。

Images