WO2021153049A1 - 情報処理装置 - Google Patents

情報処理装置 Download PDF

Info

Publication number
WO2021153049A1
WO2021153049A1 PCT/JP2020/046662 JP2020046662W WO2021153049A1 WO 2021153049 A1 WO2021153049 A1 WO 2021153049A1 JP 2020046662 W JP2020046662 W JP 2020046662W WO 2021153049 A1 WO2021153049 A1 WO 2021153049A1
Authority
WO
WIPO (PCT)
Prior art keywords
unit
information
determination unit
processing
dnn
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.)
Ceased
Application number
PCT/JP2020/046662
Other languages
English (en)
French (fr)
Inventor
咲絵 小松
浩朗 伊藤
功治 前田
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.)
Astemo Ltd
Original Assignee
Hitachi Astemo 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 Hitachi Astemo Ltd filed Critical Hitachi Astemo Ltd
Priority to CN202080089067.0A priority Critical patent/CN114846505B/zh
Priority to US17/786,680 priority patent/US20230012843A1/en
Priority to JP2021574516A priority patent/JP7239747B2/ja
Priority to DE112020005642.2T priority patent/DE112020005642T5/de
Publication of WO2021153049A1 publication Critical patent/WO2021153049A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Definitions

  • the present invention relates to an information processing device that uses a deep neural network.
  • DNN Deep Neural Network
  • DNN executes a learning process for learning the characteristics of an object and an inference process for extracting an object from image data based on the learned result.
  • the image data of the outside world is first acquired from the camera and converted into a format that can be used by DNN.
  • the inference process the converted image data is used as an input image, and the object is extracted using the DNN that has completed the learning process in advance. After that, a peripheral map is generated from the extraction result of the object, an action plan is made based on the peripheral map, and the vehicle is controlled.
  • Patent Document 1 discloses a technique of extracting an object from an input image from a camera using a neural network or the like and determining whether or not the space is a travelable space. Further, Patent Document 2 discloses a technique for gradually reducing the number of pixels of an input image from a camera according to a traveling state.
  • DNN repeatedly executes a convolution operation consisting of multiplication and addition, so the amount of operation is very large. Further, especially in the automatic driving of a vehicle, it is necessary to continuously update the action plan within a very short time, so that high-speed calculation is required for object extraction by DNN. Therefore, if a DNN is mounted on a GPU (Graphics Processing Unit), an FPGA (Field Programmable Gate Array), a microcomputer, a CPU, or the like, which is an arithmetic unit that can be mounted on a vehicle, the power consumption and the amount of heat generated by the arithmetic unit become extremely large.
  • GPU Graphics Processing Unit
  • FPGA Field Programmable Gate Array
  • Patent Document 1 does not consider reducing power consumption in either the conversion of the input image or the extraction of the object. Further, in Patent Document 2, it is possible to reduce the power consumption in the image conversion processing by changing the conversion method of the input image depending on the driving environment, but the power consumption in the inference processing using the DNN, which has a particularly large amount of calculation, is taken into consideration. Therefore, a sufficient power consumption reduction effect cannot be expected.
  • the present invention determines whether or not the object extraction process by the DNN can be omitted from the arithmetic load state and the driving environment of the arithmetic unit mounted on the vehicle, reduces the arithmetic load and power consumption of the arithmetic unit, and generates heat.
  • the purpose is to control the amount.
  • the present invention is an information processing apparatus having an arithmetic unit that executes an operation with a processor, a memory, and an inference model, and has a DNN processing unit that receives external information and extracts an object in the outside world from the external information by the inference model.
  • the DNN processing unit has a processing content control unit that controls the processing content of the DNN processing unit, and the DNN processing unit has an object extraction unit that executes the inference model in a deep neural network having a plurality of neuron layers.
  • the processing content control unit includes an execution layer determination unit that determines the layer to be used in the object extraction unit.
  • the information processing apparatus of the present invention reduces the amount of calculation of the deep neural network (DNN) based on the driving environment, thereby ensuring the DNN object extraction accuracy required for automatic driving, and the power consumption of the arithmetic unit. Can be reduced and the amount of heat generated can be suppressed. This makes it possible to increase the mileage of the electric vehicle and reduce the cost of the cooling system.
  • DNN deep neural network
  • Example 1 of this invention shows an example of the structure of the automatic driving system. It is a figure which shows Example 1 of this invention and shows a part of the process which performs the object extraction by DNN. It is a block diagram which shows Example 2 of this invention and shows an example of the structure of the automatic driving system. It is a block diagram which shows Example 3 of this invention and shows an example of the structure of the automatic driving system. It is a block diagram which shows Example 4 of this invention and shows an example of the structure of the automatic driving system.
  • FIG. 5 is a block diagram showing Example 5 of the present invention and showing an example of the configuration of an automatic driving system.
  • 6 is a block diagram showing Example 6 of the present invention and showing an example of the configuration of an automatic driving system.
  • Example 7 is a block diagram showing Example 7 of the present invention and showing an example of the configuration of an automatic driving system. It is a figure which shows Example 7 of this invention and shows a part of the process which performs the object extraction.
  • 8 is a block diagram showing Example 8 of the present invention and showing an example of the configuration of an automatic driving system. It is a figure which shows Example 8 of this invention and shows the image from the camera at the time of traveling through a tunnel.
  • 9 is a block diagram showing Example 9 of the present invention and showing an example of the configuration of an automatic driving system.
  • FIG. 10 is a block diagram showing Example 10 of the present invention and showing an example of the configuration of an automatic driving system.
  • 11 is a block diagram showing Example 11 of the present invention and showing an example of the configuration of an automatic driving system.
  • 12 is a block diagram showing Example 12 of the present invention and showing an example of the configuration of an automatic driving system.
  • DNN Deep Neural Network
  • a deep neural network having a plurality of layers of neurons repeatedly executes a convolution operation composed of multiplication and addition, so that the amount of calculation is very large.
  • the power consumption and heat generation amount of the arithmetic unit that executes the DNN are large. Therefore, when the object extraction process using the DNN is performed in the information processing device of the vehicle, the mileage of the electric vehicle may be shortened or the cooling cost may be reduced. Has become an issue.
  • FIG. 1 is a block diagram showing an example of the configuration of an automatic operation system using the information processing device 100 of this embodiment.
  • the automatic driving system using the information processing device 100 includes the information processing device 100, the camera 200, and the vehicle control unit 300.
  • the information processing apparatus 100 is a computer including a processor 10, a memory 20, and an FPGA (Field Programmable Gate Array) 170.
  • the FPGA 170 is adopted as the arithmetic unit for executing the DNN, but the present invention is not limited to this, and a GPU (Graphics Processing Unit) may be adopted as the arithmetic unit. Further, the arithmetic unit that executes the DNN may be housed in the same package as the processor 10. Further, the processor 10 and the FPGA 170 are connected to the camera 200 and the vehicle control unit 300 via an interface (not shown).
  • the action planning unit 130 is loaded into the memory 20 as a program and executed by the processor 10.
  • the processor 10 operates as a functional unit that provides a predetermined function by executing a process according to a program of each functional unit.
  • the processor 10 functions as the action planning unit 130 by executing the process according to the action planning program.
  • the processor 10 also operates as a functional unit that provides each function of a plurality of processes executed by each program.
  • a computer and a computer system are devices and systems including these functional parts.
  • the FPGA 170 includes a DNN processing unit 110 and a processing content control unit 120. Includes Action Planning Department 130. Further, the DNN processing unit 110 includes an object extraction unit 111. The processing content control unit 120 includes an execution layer determination unit 121. The camera 200 may or may not be included in the information processing device 100. Further, the information processing device 100 may or may not be mounted on the vehicle.
  • the object extraction unit 111 holds a DNN (inference model) for use in inference processing after learning processing is performed in a computer such as a PC or a server.
  • the FPGA 170 extracts an object from the image data by using a DNN that reflects the information output from the processing content control unit 120, which will be described later, with respect to the external information (image data) acquired by the camera 200.
  • the camera 200 is attached to a predetermined position (not shown) of the vehicle, acquires an image of the front of the vehicle as external information in order to detect an object in the outside world (front) of the vehicle, and outputs the image to the information processing device 100. do.
  • the action planning unit 130 generates an action plan such as the traveling direction and the traveling speed of the vehicle by using the information extracted by the object extraction unit 111, and outputs the action plan to the vehicle control unit 300.
  • the vehicle control unit 300 controls the vehicle based on the output from the action planning unit 130.
  • a well-known or known technique may be applied, and thus the details will not be described in this embodiment.
  • the execution layer determination unit 121 holds the number of execution layers of the DNN used in the object extraction process, and outputs the information to the object extraction unit 111.
  • FIG. 2 is a diagram showing an example in which a part of the processing when the object extraction unit 111 of FIG. 1 performs object extraction by DNN from the information (image data) of the camera 200 is extracted.
  • the camera image 500 shows an example of an image output from the camera 200 shown in FIG.
  • the image 510 shows an example in which the camera image 500 in the first layer of the DNN of the object extraction unit 111 is divided, and the images 520, 530, 540, and 550 are the second layer, the third layer, and the fourth layer, respectively.
  • the division method in the fifth layer is shown.
  • the DNN processing unit 110 extracts a small object 511 such as a distant person or a car by dividing the camera image 500 into small pieces in the first layer, and divides the camera image into large pieces in the fifth layer. This indicates that a large object 551 such as a nearby car is being extracted.
  • the structure of the DNN is not limited to a structure in which a small object is first extracted and then a large object is extracted as in the structure used in this embodiment, and any structure may be used as long as the object can be extracted. Further, the number of block divisions and the number of layers when calculating with DNN are not limited to the method of FIG. 2 as long as the accuracy required for realizing automatic operation can be ensured.
  • the number of blocks for performing object extraction processing may be reduced by reducing the number of layers of DNN.
  • the execution layer determination unit 121 determines that the DNN layer executed in the object extraction process is the second layer to the fifth layer excluding the first layer for extracting the smallest object, and transfers the object extraction unit 111 to the object extraction unit 111.
  • execution layer determination unit 121 may instruct the object extraction unit 111 to use a layer preset according to the travel environment or the like as a processing condition at the start of travel.
  • the object extraction unit 111 By reducing the DNN layer (fixed value) used by the object extraction unit 111 in this way, it is possible to reduce the power consumption of arithmetic units such as FPGA 170 and GPU and suppress the amount of heat generated. As a result, the mileage of the electric vehicle is increased, and the cooling cost of the arithmetic unit can be reduced.
  • the above values are used for the number of layers and blocks of DNN in FIG. 2, but the DNN used for actual object extraction can obtain external information from several thousand. It is divided into tens of thousands of blocks and has a large number of layers. Therefore, the actual number of operations is enormous compared to the example shown above, and the effect of reducing the amount of operations by reducing the number of layers is also very large.
  • the camera 200 is adopted as a sensor for acquiring external information, but this includes objects such as LiDAR (Light Detection and Ringing), RADAR (Radio Detection and Ringing), and a far-infrared camera. It is not limited to the camera 200 as long as it is a sensor that can acquire the distance and the type of the object. Further, the sensors may be used alone or in combination of two or more.
  • LiDAR Light Detection and Ringing
  • RADAR Radio Detection and Ringing
  • a far-infrared camera It is not limited to the camera 200 as long as it is a sensor that can acquire the distance and the type of the object. Further, the sensors may be used alone or in combination of two or more.
  • an example of the object extraction unit 111 that executes the inference model generated by machine learning with DNN is shown, but the present invention is not limited to this, and a model generated by other machine learning or the like is used. It can be used.
  • FIG. 3 is a block diagram showing an example of the configuration of an automatic operation system using the information processing device 100 of the second embodiment.
  • the same components as those in FIG. 1 are given the same name and reference numeral, and the description thereof will be omitted unless otherwise specified, assuming that they have the same or similar functions.
  • This embodiment shows an example in which the processing condition determination unit 122 and the sensor for detecting external state information are added to the first embodiment, and the execution layer determination unit 121 in the FPGA 170 is moved into the processing content control unit 120. ..
  • Other configurations are the same as those in the first embodiment.
  • the processing condition determination unit 122 newly added from the first embodiment determines the current traveling environment by inputting information indicating a traveling state from a sensor or the like of a traveling vehicle.
  • the execution layer determination unit 121 dynamically changes the number of layers (processing conditions) of the DNN used in the object extraction process based on the traveling environment determined by the processing condition determination unit 122.
  • the vehicle speed sensor 30 and the illuminance sensor 40 are connected to the information processing device 100 is shown, but the present invention is not limited thereto. Since it is sufficient if at least the vehicle speed can be detected, the vehicle speed may be calculated from the position information such as GPS (Global Positioning System).
  • GPS Global Positioning System
  • the processing condition determination unit 122 of the information processing device 100 determines the traveling environment from the information from the vehicle speed sensor 30 and the illuminance sensor 40, and outputs the information to the execution layer determination unit 121.
  • the execution layer determination unit 121 determines the layer to be used in the DNN as a processing condition based on the input traveling environment, and commands the object extraction unit 111.
  • the execution layer determination unit 121 is loaded into the memory 20 as a program and executed by the processor 10.
  • the execution layer of the DNN is statically determined in a limited driving environment.
  • the driving environment is various and complicated, and the accuracy of the object extracted from the image data.
  • processing condition determination unit 122 will be described with reference to a specific example.
  • the processing condition determination unit 122 describes an example in which the current traveling environment is determined to be in a traffic jam if the vehicle speed detected by the vehicle speed sensor 30 is equal to or less than a preset vehicle speed threshold value.
  • the object extraction unit 111 recognizes an object several tens of meters away. It is sufficient, and it is not necessary to extract the object with an accuracy for recognizing the object several hundred meters away.
  • the execution layer determination unit 121 determines the processing conditions based on the driving environment determined by the processing condition determination unit 122. As a processing condition, the execution layer determination unit 121 detects the smallest object in the DNN layer executed by the object extraction unit 111 so that the amount of DNN calculation can be reduced while ensuring the accuracy of object extraction required for automatic operation. It is determined to be the second layer (520) to the fifth layer (550) excluding the first layer (image 510 in FIG. 2).
  • the sensor for detecting the traveling state and the processing condition determining unit 122 for determining the traveling environment of the vehicle from the information indicating the traveling state are added to the configuration of the first embodiment to determine the execution layer.
  • the unit 121 determines the processing conditions suitable for the driving environment.
  • the information processing device 100 of the second embodiment dynamically affects the accuracy of object extraction and the power consumption and heat generation amount of the arithmetic unit (FPGA170) according to the driving environment as compared with the first embodiment. Can be changed dynamically.
  • the mileage of the electric vehicle is increased as compared with the first embodiment, and the cooling cost of the arithmetic unit (FPGA170) can be expected to be reduced.
  • the method of determining the traffic jam in the above does not have to be the vehicle speed sensor 30, and may be image information showing the traveling speed or traffic jam information such as a radio or the Internet.
  • the processing condition determination unit 122 determines that it is nighttime if the ambient brightness (illuminance) is equal to or less than the preset illuminance threshold value. At night, the surroundings become dark, and the camera 200 cannot obtain detailed external information as compared with the case where the surroundings are bright. Therefore, since it is not possible to obtain external information capable of extracting a distant object several hundred meters away, the object extraction unit 111 only needs to perform an operation with an accuracy of extracting an object several tens of meters away, and an object several hundred meters away. It is not necessary to extract the object with the accuracy to recognize.
  • the execution layer determination unit 121 provides information on the DNN layer executed by the object extraction unit 111 based on the traveling environment determined by the processing condition determination unit 122 from the second layer (520) to the fifth layer (550). ). Further, the information indicating the running state for determining the current brightness of the surroundings is not limited to the illuminance sensor 40. For example, day or night may be detected from a sensor such as a camera 200 that can detect the brightness of the surroundings, or a radio, the Internet, GPS, or the like that can determine the time.
  • an in-vehicle camera (not shown) may be used as information indicating the running state.
  • the processing condition determination unit 122 detects whether or not the driver is operating the steering wheel from the image data of the in-vehicle camera, and if the steering wheel is operated, the automatic driving (AD: Autonomous Driving) is not in use. Is determined.
  • AD Autonomous Driving
  • AD it is necessary to extract objects with high accuracy so that even small objects can be recognized because the vehicle is controlled only by the automatic driving system, but when AD is not used, the driver can obtain external information. Since it is recognizable, it is sufficient that the accuracy of object extraction capable of driving assistance (ADAS: Advanced Driver Assistance Systems) is maintained.
  • ADAS Advanced Driver Assistance Systems
  • the execution layer determination unit 121 determines that the information of the DNN layer executed by the object extraction unit 111 is the second layer (520) to the fifth layer (550) based on the traveling environment determined by the processing condition determination unit 122. do.
  • the information that the processing condition determination unit 122 determines whether or not the AD is in use is not limited to the in-vehicle camera, and can determine whether the driver is in the driver's seat, such as a sensor that detects the operation of the steering wheel. It may be. Further, it may be determined whether or not AD is used from the data such as the presence or absence of the action plan of the autonomous driving vehicle generated by the action planning unit 130.
  • processing condition determination unit 122 may determine the processing condition using any one of the information indicating the traveling state, or may use a plurality of the processing condition determination units 122 to determine the processing condition.
  • FIG. 4 is a block diagram showing an example of the configuration of an automatic driving system using the information processing device 100 of this embodiment.
  • the same components as those in FIG. 3 are given the same name and reference numeral, and unless otherwise specified, they are assumed to have the same or similar functions, and the description thereof will be omitted.
  • processing condition determination unit 122 and the load detection device 50 are added to the first embodiment, and the execution layer determination unit 121 in the FPGA 170 is moved into the processing content control unit 120.
  • Other configurations are the same as those in the first embodiment.
  • the processing condition determination unit 122 determines the current driving environment by inputting information indicating the traveling state from a running sensor or the like, but in the present embodiment, the processing condition determination unit 122 determines the current driving environment.
  • the calculation load of the object extraction unit 111 is used as an input to determine the current load state of the FPGA 170.
  • the execution layer determination unit 121 determines the number of DNN layers (processing conditions) used by the object extraction unit 111 based on the load state determined by the processing condition determination unit 122.
  • the load detection device 50 newly added from the first embodiment detects the calculation load of the FPGA 170 and inputs it to the processing condition determination unit 122.
  • the load detection device 50 can include, for example, a sensor that detects the power consumption of the FPGA 170, the supply current, and the like as an arithmetic load.
  • the execution layer determination unit 121 is arranged in the FPGA 170, but in the third embodiment, the execution layer determination unit 121 dynamically moves. In order to change the number of layers (processing conditions), the program is loaded into the memory 20 and executed by the processor 10.
  • processing condition determination unit 122 will be described with reference to a specific example.
  • the processing condition determination unit 122 calculates the load factor of the FPGA 170 as a calculation load and compares it with a predetermined load factor threshold value.
  • a load factor an example is shown in which a value (%) obtained by dividing the power consumption detected by the load detection device 50 by a predetermined maximum power is used.
  • the processing condition determination unit 122 determines that the calculation load of the FPGA 170 is reduced when the load factor of the FPGA 170 is higher than the load factor threshold value. Based on the determination result from the processing condition determination unit 122, the execution layer determination unit 121 first obtains the information of the DNN layer used in the object extraction unit 111 so that the load factor of the FPGA 170 is equal to or less than the load factor threshold value. It is determined to be the second layer (520) to the fifth layer (550) excluding the first layer (510) for detecting a small object.
  • the processing condition determination unit 122 that determines the load state from the arithmetic load of the FPGA 170
  • the load state according to the load factor of the FPGA 170 included in the information processing apparatus 100 is determined, and the execution layer determination unit 121 Can dynamically change the processing conditions according to the load status.
  • the information processing apparatus 100 can dynamically reduce the power consumption and the amount of heat generated by the FPGA 170 as compared with the first embodiment.
  • the information processing apparatus 100 of the present embodiment it is possible to suppress the occurrence of an abnormality in the FPGA 170 due to thermal runaway or the like and prevent the arithmetic accuracy of the arithmetic unit from being lowered. As a result, the mileage of the electric vehicle can be increased as compared with the first embodiment, and the cooling cost of the FPGA 170 or the like can be reduced.
  • the load factor of the FPGA 170 which is the calculation load in this embodiment, is not limited to the power consumption. Values related to the computational load such as the temperature of the FPGA 170 may be used. Further, the arithmetic load may include not only the FPGA 170 but also the arithmetic load of the processor 10.
  • processing condition determination unit 122 may determine the load state by using any one of the arithmetic loads, or may determine the load state by using a plurality of arithmetic loads.
  • FIG. 5 is a block diagram showing an example of the configuration of an automatic driving system using the information processing device 100 of this embodiment.
  • the same components as those in FIGS. 3 and 4 are given the same name and reference numeral, and unless otherwise specified, they are assumed to have the same or similar functions, and the description thereof will be omitted.
  • the current driving environment is determined by inputting information indicating a traveling state from a sensor or the like during traveling
  • the computing load of the information processing device 100 is input as the current driving environment.
  • An example of determining the load state is shown. In this example, an example in which the Example 2 is combined with the Example 3 is shown.
  • the processing condition determination unit 122 determines the traveling environment and the load state by inputting both the information indicating the traveling state and the calculation load of the FPGA 170, and outputs the determination result to the execution layer determination unit 121.
  • the execution layer determination unit 121 determines the number of layers (processing conditions) of the DNN used by the object extraction unit 111 based on the determination result from the processing condition determination unit 122.
  • the object extraction accuracy is dynamically compared to that of the second and third embodiments. And it is possible to change the reduction of power consumption and calorific value.
  • Example 2 As a result, an effect that combines the advantages of Example 2 and Example 3 can be expected. That is, it is possible to keep the load of the FPGA 170 in a normal state while maintaining the accuracy of object extraction suitable for various driving environments.
  • the processing condition determination unit 122 may determine the processing condition by using any one of the information indicating the traveling state and the calculation load, or may use a plurality of the processing condition determination unit 122 to determine the processing condition.
  • FIG. 6 is a block diagram showing an example of the configuration of an automatic operation system using the information processing device 100 of this embodiment.
  • the same components as those in FIG. 5 are given the same name and reference numeral, and unless otherwise specified, they are assumed to have the same or similar functions, and the description thereof will be omitted.
  • the LiDAR 400, the sensor recognition unit 140, and the recognition accuracy determination unit 150 are added to the components of the fourth embodiment.
  • Other configurations are the same as those in the fourth embodiment.
  • the sensor recognition unit 140 newly added from the fourth embodiment processes the information (distance and direction) from the LiDAR 400 to recognize the object. Further, the recognition accuracy determination unit 150 determines the difference between the result of object extraction from the object extraction unit 111 and the result of object recognition from the sensor recognition unit 140, so that the accuracy required for object extraction by the object extraction unit 111 is required. Is determined, and the determined result is output to the processing condition determination unit 122.
  • the processing condition determination unit 122 updates the reference value that is a condition for reducing the calculation load in the object extraction unit 111 based on the determination result from the recognition accuracy determination unit 150, the running state, and the calculation load. , Prevents the omission of excessive calculation that causes insufficient accuracy of object extraction due to reduction of calculation load.
  • the reference value for controlling the number of layers of the DNN used by the object extraction unit 111 by the information indicating the traveling state and the calculation load was static.
  • this reference value is dynamic.
  • the object extraction unit 111 there are 5 objects extracted by the object extraction unit 111 by inputting image data from the camera 200, and 7 objects recognized by the sensor recognition unit 140 from the information from the LiDAR 400, which are extracted by the object extraction unit 111. It is assumed that the number of objects recognized is less than the number of objects recognized by the sensor recognition unit 140.
  • the recognition accuracy determination unit 150 states that the object extraction unit 111 does not maintain the accuracy of object extraction required for automatic operation. Judges.
  • the recognition accuracy determination unit 150 Based on the information from the object extraction unit 111 and the sensor recognition unit 140, the recognition accuracy determination unit 150 outputs a command to the processing condition determination unit 122 to change the processing conditions so that the accuracy of object extraction is improved.
  • the processing condition determination unit 122 changes the reference value for determining the processing condition.
  • the recognition accuracy determination unit 150 calculates the value obtained by dividing the number of objects extracted by the object extraction unit 111 by the number of objects recognized by the sensor recognition unit 140 as the recognition accuracy, and the calculated recognition accuracy is calculated. If it is equal to or less than the preset accuracy threshold, it may be determined that the recognition accuracy has deteriorated and output to the processing condition determination unit 122 may be performed.
  • the processing condition determination unit 122 receives a command from the recognition accuracy determination unit 150 to improve the accuracy of object extraction, and the reference value is increased by + 5%. As the load factor threshold is increased. Further, the processing condition determination unit 122 notifies the execution layer determination unit 121 that the load factor threshold value has been increased.
  • the execution layer determination unit 121 When the execution layer determination unit 121 receives the notification of the increase in the load factor threshold value, the execution layer determination unit 121 adds a predetermined value to the number of DNN layers currently used by the object extraction unit 111 and commands the object extraction unit 111 of the FPGA 170.
  • the predetermined value of the execution layer determination unit 121 is set to, for example, one layer.
  • the execution layer determination unit 121 can increase the number of layers of DNN used by the object extraction unit 111 to improve the accuracy of extracting the object.
  • the execution layer determination unit 121 cancels the notification of the increase in the load factor threshold because the effect of increasing the number of DNN layers used by the object extraction unit 111 is low when the traveling environment is congested or at night. be able to.
  • the object extraction unit It is possible to prevent excessive reduction of arithmetic processing (layers) such that the accuracy of object extraction required for automatic operation is insufficient in 111.
  • the information processing apparatus 100 can maintain processing with higher accuracy than the above-described first, second, third, and fourth embodiments.
  • the information processing apparatus 100 of the present embodiment can further reduce the power consumption as compared with the first, second, third, and fourth embodiments.
  • the sensor used for determining the accuracy of object extraction is LiDAR400, which can determine the distance to an object such as a camera, RADAR, or a far-infrared camera and the type of the object. It may be different from the sensor that outputs the external information input to the extraction unit 111, and is not limited to LiDAR. Further, the sensors may be used alone or in combination of two or more.
  • the recognition accuracy determination unit 150 as a method for determining the accuracy of object extraction by the recognition accuracy determination unit 150, it is static that the result of the object extraction unit 111 and the result of the sensor recognition unit 140 are determined whether or not they match. Although it is a process, the reference for determining the accuracy of object extraction may be dynamically changed by providing the recognition accuracy determination unit 150 with a learning function.
  • FIG. 7 is a block diagram showing an example of the configuration of an automatic operation system using the information processing device 100 of this embodiment.
  • the same components as those in FIG. 5 are given the same name and reference numeral, and unless otherwise specified, they are assumed to have the same or similar functions, and the description thereof will be omitted.
  • an information amount determination unit 123 and an external information conversion unit 112 are added to the processing content control unit 120 of the fourth embodiment shown in FIG. 5, and an external information conversion unit 112 is added to the DNN processing unit 110, and the information is input from the camera 200.
  • An example of changing the number of pixels (or resolution) of the outside world image according to the driving environment and the load state is shown. Other than that, the configuration is the same as that of the fourth embodiment.
  • the information amount determination unit 123 determines the number of pixels (resolution) for inputting the external world image acquired by the camera 200 to the object extraction unit 111 based on the determination result from the processing condition determination unit 122, and converts the external information of the FPGA 170.
  • the external information conversion unit 112 converts the external world image acquired by the camera 200 into a format that can be used by DNN based on the command from the information amount determination unit 123. As a result, the object extraction unit 111 extracts the object with the number of pixels that matches the processing conditions (number of layers).
  • the size of the object extracted by each layer (510 to 550) of the object extraction unit 111 is different, so that the external world required depending on the processing content of each layer of the object extraction unit 111 is required. Since the number of pixels (resolution) of the image is also different, it is desirable that the number of pixels of the image input to the object extraction unit 111 is dynamically changed according to the number of layers used in the object extraction process.
  • the camera 200 outputs an image of 2 million pixels. Further, it is assumed that the information amount determination unit 123 determines from the determination result of the processing condition determination unit 122 that the number of pixels required for object extraction is 250,000 pixels.
  • the external information conversion unit 112 converts the 2 million pixel image output from the camera 200 so that it becomes 250,000 pixels.
  • the object extraction unit 111 extracts an object using the 250,000-pixel image output from the external information conversion unit 112.
  • the DNN processing unit 110 dynamically changes the number of pixels of the input image to the object extraction unit 111 based on the determination result from the processing condition determination unit 122, so that the DNN used by the object extraction unit 111 is used. It is possible to use an image having the same number of pixels as the number of execution layers. Therefore, in addition to reducing the execution layer of the DNN, the number of pixels of the image of the object extraction unit 111 can be reduced, and the amount of calculation can be reduced.
  • the information processing apparatus 100 of this embodiment can reduce power consumption and calorific value as compared with Examples 1, 2, 3, and 4.
  • the information processing device 100 of the present embodiment has a longer mileage in the electric vehicle than the first, second, third, and fourth embodiments, and can be expected to reduce the cooling cost of the FPGA 170 and the like.
  • the information amount determination unit 123 changes the number of pixels from the camera 200, but if the output of external information is LiDAR or RADAR, the number of point clouds is changed, or other information on external information.
  • the amount may be changed (reduced) and is not limited to the number of pixels.
  • FIG. 8 is a block diagram showing an example of the configuration of the automatic operation system using the information processing device 100 of the seventh embodiment.
  • the same components as those in FIG. 1 are given the same name and reference numeral, and unless otherwise specified, they are assumed to have the same or similar functions, and the description thereof will be omitted.
  • the block area determination unit 124 newly added in FIG. 8 holds a block area for executing the DNN object extraction process, and outputs the block area information to the object extraction unit 111.
  • the block area determination unit 124 of this embodiment holds a preset area as a fixed block area.
  • FIG. 9 is a diagram showing an example in which the object extraction unit 111 of FIG. 8 extracts a part of the process of extracting an object by DNN from the image data input from the camera 200.
  • the camera image 600 shows the camera image output from the camera 200 in FIG. Further, the image 610 shows the divided state of the camera image 600 in the first layer of the DNN for the object extraction unit 111, the image 620 shows the divided state in the second layer, and the image 630 shows the divided state in the third layer. Image 640 shows the divided state in the fourth layer, and image 650 shows the divided state in the fifth layer.
  • the structure of the DNN of the object extraction unit 111 is not limited to the configuration in which a small object is first extracted and then a large object is extracted as in the structure used in this embodiment, and the object is extracted from the camera image 600. Anything that can be extracted will do.
  • the number of block divisions and the number of layers when calculating the DNN in this case are not limited to the example of FIG. 9 as long as the accuracy required for realizing automatic operation can be ensured.
  • the camera image 600 from the camera 200 may show an object such as the hood of the own vehicle or the sky 601 as shown in FIG. These objects do not need to be extracted from the camera image 600 when controlling the vehicle. Therefore, by designating the block area in which the object extraction unit 111 executes DNN, it is possible to reduce the processing of object extraction in the block area in which only unnecessary objects are captured.
  • the object extraction unit 111 performs the object extraction process only in the area designated as the block area for executing the DNN.
  • the area where the object extraction process is not performed is defined as the exclusion area, and the area where the object extraction process is executed is defined as the block area.
  • the region of the camera image 600 in which only the sky is captured is designated as the exclusion region 611-A
  • the region of the camera image 600 in which only the bonnet is captured is designated as the exclusion region 611-B.
  • the object extraction unit 111 may perform object extraction by DNN in the block regions 612 of the third and fourth rows from the top of the image 610.
  • the object extraction unit 111 defines the region of the camera image 600 in which only the sky is captured as the exclusion region 621-A, and the region of the camera image 600 in which only the bonnet is captured as the exclusion region 621-B.
  • the object extraction unit 111 may perform object extraction by DNN in the block regions of the second and third rows from the top of the image 620.
  • the object extraction unit 111 may perform object extraction by DNN in the block areas 632 of the second and third rows from the top of the image 660.
  • all the areas are set to the block areas 642 and 652, and the object extraction by DNN is executed in all the blocks.
  • the processing of the DNN of the object extraction unit 111 is reduced in the fixed exclusion region of the camera image 600, so that, for example, the power consumption of the arithmetic unit such as the FPGA 170 and the GPU is reduced and the amount of heat generated is suppressed. Is possible. As a result, the mileage of the electric vehicle is increased, and the cooling cost of the arithmetic unit such as the FPGA 170 is reduced.
  • the above values are used for the number of layers and the number of blocks of the DNN in FIG. 9 for the sake of simplicity of explanation, but the DNN used for the actual object extraction is external information.
  • the camera image 600 is divided into thousands to tens of thousands of blocks, and the number of layers is large. Therefore, the actual number of operations is enormous compared to the example shown above, and the effect of reducing the amount of operations by reducing the block area for executing the operations is also very large.
  • external information is acquired from the camera 200, but the present invention is not limited to this.
  • the external information may be, for example, a sensor such as LiDAR, RADAR, or a far-infrared camera that can acquire the distance to an object and the type of the object. Further, the sensors may be used alone or in combination of two or more.
  • the block area determination unit 124 determines the block area to be executed by the DNN of the object extraction unit 111, even if the layers are deleted as in the first, second, third, fourth, fifth, and sixth embodiments. good. In this case, in addition to reducing the number of blocks used by the object extraction unit 111, the number of layers of the DNN is also reduced, so that the power consumption can be further reduced.
  • FIG. 10 is a block diagram showing an example of the configuration of an automatic operation system using the information processing device 100 of this embodiment.
  • the same components as those in FIG. 8 are given the same name and reference numeral, and unless otherwise specified, they are assumed to have the same or similar functions, and the description thereof will be omitted.
  • This embodiment shows an example in which the processing condition determination unit 122 and the sensor are added to the seventh embodiment and the block area determination unit 124 in the FPGA 170 is moved into the processing content control unit 120.
  • Other configurations are the same as those in the seventh embodiment.
  • the processing condition determination unit 122 newly added from the seventh embodiment determines the current traveling environment by inputting information indicating a traveling state from a sensor or the like of a traveling vehicle.
  • the block area determination unit 124 dynamically determines the block area (similar to 612, 622, 632, 642, 652 and the like in FIG. 9) that executes DNN in the object extraction process based on the driving environment determined by the processing condition determination unit 122. change.
  • the present invention is not limited thereto. ..
  • the processing condition determination unit 122 of the information processing device 100 determines the traveling environment from the information from the vehicle speed sensor 30 and the illuminance sensor 40, and outputs the information to the block area determination unit 124.
  • the block area determination unit 124 determines the block area (or exclusion area) used in the DNN as a processing condition based on the input traveling environment, and commands the object extraction unit 111.
  • Example 7 since the block area has a fixed value, an example in which the block area determination unit 124 is arranged in the FPGA 170 is shown, but in Example 8, the block area determination unit 124 dynamically blocks the block area (or exclusion area). ) Is changed. Therefore, the execution layer determination unit 121 is loaded into the memory 20 as a program and executed by the processor 10.
  • the block area for executing DNN is statically determined in a limited driving environment.
  • the driving environment is various and complicated, and an object extracted from image data. Since the accuracy of extraction changes from moment to moment, it is desirable to be able to dynamically change the block area (or exclusion area) in which DNN is executed according to the driving environment.
  • processing condition determination unit 122 will be described with reference to a specific example.
  • the processing condition determination unit 122 determines that the current traveling environment is in a traffic jam.
  • the change in the image input from the camera 200 is small, so that the object extraction unit 111 can follow the vehicle in front of the vehicle. It suffices if the object extraction accuracy is high, and it is not necessary to execute the object extraction in the entire area of the image from the camera 200.
  • the block area determination unit 124 determines the processing conditions based on the driving environment determined by the processing condition determination unit 122. As processing conditions, the block area determination unit 124 excludes areas 611, 621, 631 and DNN that do not extract objects in FIG. 9 so that the amount of DNN calculation can be reduced while ensuring the accuracy of object extraction required for automatic operation.
  • the block regions 612, 622, 632, 642, and 652 for object extraction are determined in.
  • the object extraction unit 111 extracts the object only in the block areas 612, 622, 632, 642, and 652 determined by the block area determination unit 124. In the following, it may be simply a block area and an exclusion area.
  • the processing condition determination unit 122 for determining the external environment (driving environment) from the information indicating the traveling state is added to the configuration of the seventh embodiment to determine the processing conditions suitable for the traveling environment. conduct.
  • the information processing apparatus 100 of the present embodiment can dynamically change the accuracy of object extraction, the power consumption of the FPGA 170, and the amount of heat generated according to the traveling environment as compared with the seventh embodiment.
  • the method of determining the traffic jam in the above does not have to be the vehicle speed sensor 30, and may be image information showing the traveling speed or traffic jam information such as a radio or the Internet.
  • the processing condition determination unit 122 determines that the ambient brightness (illuminance) is equal to or less than the preset illuminance threshold value, the traveling environment is determined to be in the tunnel.
  • FIG. 11 is a diagram showing an example in which the object extraction unit 111 performs DNN processing in the camera image 600 from the camera 200 traveling in the tunnel. Since the inside of the tunnel is covered with a wall, it is not necessary to perform the processing of extracting the objects at the left and right ends of the camera image 600.
  • the block area determination unit 124 determines the exclusion area 603 in which the object is not extracted as shown in FIG.
  • a device or the like capable of specifying the current position such as GPS can be used.
  • the block area determination unit 124 may instruct the object extraction unit 111 to set the region that does not change (or is small) between the frames of the camera image 600 as the exclusion region 603.
  • an in-vehicle camera (not shown) may be used as information indicating the running state.
  • the processing condition determination unit 122 detects whether or not the driver is operating the steering wheel from the image data of the in-vehicle camera, and if the steering wheel is operated, the automatic driving (AD: Autonomous Driving) is not in use. Is determined.
  • AD Autonomous Driving
  • AD it is necessary to extract objects with high accuracy so that even small objects can be recognized because the vehicle is controlled only by the automatic driving system, but when AD is not used, the driver can obtain external information. Since it is recognizable, it is sufficient that the accuracy of object extraction that can support driving is maintained.
  • the block area determination unit 124 determines the block area for executing DNN in the object extraction unit 111 based on the traveling environment determined by the processing condition determination unit 122. Alternatively, the block area determination unit 124 may determine an exclusion area 611 or the like that does not execute DNN. Further, the method of determining whether AD is in use does not have to be an in-vehicle camera, but a sensor that detects the operation of the steering wheel, a method that can determine whether the driver is in the driver's seat, or an autonomous vehicle generated by the action planning unit 130. It may be determined whether or not AD is used from the data such as the presence or absence of the action plan of.
  • processing condition determination unit 122 may determine the processing condition using any one of the information indicating the traveling state, or may use a plurality of the processing condition determination units 122 to determine the processing condition.
  • FIG. 12 is a block diagram showing an example of the configuration of an automatic driving system using the information processing device 100 of this embodiment.
  • the same components as those in FIG. 10 are given the same name and reference numeral, and unless otherwise specified, they are assumed to have the same or similar functions, and the description thereof will be omitted.
  • a processing condition determination unit 122 and a load detection device 50 are added to the seventh embodiment, and an example in which the block area determination unit 124 in the FPGA 170 is moved into the processing content control unit 120 is shown.
  • Other configurations are the same as those in the seventh embodiment.
  • the processing condition determination unit 122 determines the current driving environment by inputting information indicating the traveling state from a running sensor or the like, but in the present embodiment, the processing condition determination unit 122 determines the current traveling environment. Uses the arithmetic load of the information processing apparatus 100 as an input to determine the current load state of the FPGA 170.
  • the block area determination unit 124 determines the DNN block area used by the object extraction unit 111 for object extraction based on the load state determined by the processing condition determination unit 122.
  • the load detection device 50 newly added from the seventh embodiment detects the calculation load of the FPGA 170 and inputs it to the processing condition determination unit 122.
  • the load detection device 50 can include, for example, a sensor that detects the power consumption of the FPGA 170, the supply current, and the like as an arithmetic load.
  • the block area determination unit 124 is arranged in the FPGA 170, but in the ninth embodiment, the block area determination unit 124 is arranged. Since 124 dynamically changes the block area (processing condition), it is loaded into the memory 20 as a program and executed by the processor 10.
  • processing condition determination unit 122 will be described with reference to a specific example.
  • the processing condition determination unit 122 calculates the load factor of the FPGA 170 as a calculation load and compares it with a predetermined load factor threshold value.
  • a load factor an example is shown in which a value (%) obtained by dividing the power consumption detected by the load detection device 50 by a predetermined maximum power is used.
  • the processing condition determination unit 122 determines that the calculation load of the FPGA 170 is reduced when the load factor of the FPGA 170 is higher than the load factor threshold value. Based on the determination result from the processing condition determination unit 122, the block area determination unit 124 determines an exclusion region in which the object extraction unit 111 does not perform object extraction so that the load factor of the FPGA 170 is equal to or less than the load factor threshold value. ..
  • the block area determination unit 124 may instruct the object extraction unit 111 to set the region that does not change (or is small) between the frames of the camera image 600 as the exclusion region 603.
  • the processing condition determination unit 122 that determines the load state from the calculation load, the load state according to the load factor of the FPGA 170 included in the information processing apparatus 100 is determined, and the execution layer determination unit 121 loads. It is possible to dynamically change the processing conditions according to the state. As a result, the information processing apparatus 100 can dynamically reduce the power consumption and the amount of heat generated by the FPGA 170 as compared with the first embodiment.
  • the information processing apparatus 100 of the present embodiment it is possible to suppress the occurrence of an abnormality in the FPGA 170 due to thermal runaway or the like and prevent the calculation accuracy from being lowered. As a result, the mileage of the electric vehicle can be increased as compared with the first embodiment, and the cooling cost of the FPGA 170 or the like can be reduced.
  • the load factor of the FPGA 170 which is the calculation load in this embodiment, is not limited to the power consumption. Values related to the computational load such as the temperature of the FPGA 170 may be used. Further, the arithmetic load may include not only the FPGA 170 but also the arithmetic load of the processor 10.
  • processing condition determination unit 122 may determine the load state by using any one of the arithmetic loads, or may determine the load state by using a plurality of arithmetic loads.
  • FIG. 13 is a block diagram showing an example of the configuration of an automatic operation system using the information processing device 100 of this embodiment.
  • the same components as those in FIGS. 10 and 12 are given the same name and reference numeral, and unless otherwise specified, they are assumed to have the same or similar functions, and the description thereof will be omitted.
  • the current driving environment is determined by inputting information indicating a traveling state from a sensor or the like during traveling, and in the ninth embodiment, the calculation load of the information processing device 100 is input as the current load.
  • An example of determining the state is shown. In this example, an example in which the Example 8 is combined with the Example 9 is shown.
  • the processing condition determination unit 122 receives both the information indicating the traveling state during traveling and the calculation load of the FPGA 170 as inputs, determines the traveling environment and the load state, and outputs the information to the block area determination unit 124.
  • the block area determination unit 124 determines the block area (processing condition) of the DNN used for object extraction based on the determination result from the processing condition determination unit 122.
  • the block area determination unit 124 may determine the block area or the exclusion area as described above.
  • the information processing apparatus 100 of the present embodiment determines the traveling environment and the load state from the information indicating the traveling state by the processing condition determination unit 122 and the calculation load of the FPGA 170, thereby performing the eighth embodiment and the ninth embodiment.
  • the accuracy of object extraction and the reduction of power consumption and calorific value can be dynamically changed.
  • the information processing apparatus 100 of this embodiment can be expected to have an effect that combines the advantages of Examples 8 and 9. That is, it is possible to keep the load of the FPGA 170 in a normal state while maintaining the accuracy of object extraction suitable for various driving environments.
  • the processing condition determination unit 122 may determine the processing condition by using any one of the information indicating the traveling state and the calculation load, or may use a plurality of the processing condition determination unit 122 to determine the processing condition.
  • FIG. 14 is a block diagram showing an example of the configuration of an automatic driving system using the information processing device 100 of this embodiment.
  • the same components as those in FIG. 13 are given the same name and reference numeral, and unless otherwise specified, they are assumed to have the same or similar functions, and the description thereof will be omitted.
  • the LiDAR 400, the sensor recognition unit 140, and the recognition accuracy determination unit 150 are added to the components of the tenth embodiment.
  • Other configurations are the same as those in the fourth embodiment.
  • the sensor recognition unit 140 newly added from the tenth embodiment processes information (distance and direction) from the LiDAR 400 to recognize an object. Further, the recognition accuracy determination unit 150 determines the difference between the object extraction result from the object extraction unit 111 and the object recognition result from the sensor recognition unit 140, so that the accuracy required for object extraction by the object extraction unit 111 is required. Is determined, and the determined result is output to the processing condition determination unit 122.
  • the processing condition determination unit 122 updates the reference value that is a condition for reducing the calculation load in the object extraction unit 111 based on the determination result from the recognition accuracy determination unit 150, the running state, and the calculation load. , Prevents the omission of excessive calculation that causes insufficient accuracy of object extraction due to reduction of calculation load.
  • the block area for executing object extraction by DNN by the information indicating the running state and the calculation load is static, but the accuracy of object extraction required for automatic operation is required. It is desirable that this reference value is dynamic in order to maintain.
  • the object extraction unit 111 As an example, there are 5 objects extracted by the object extraction unit 111 by inputting image data from the camera 200, and 7 objects are recognized by the sensor recognition unit 140 from the information from the LiDAR 400, and the object extraction unit 111. It is assumed that the number of objects extracted in is less than the number of objects recognized by the sensor recognition unit 140.
  • the object extraction unit 111 determines that the accuracy of object extraction required for automatic operation is not maintained.
  • the recognition accuracy determination unit 150 Based on the information from the object extraction unit 111 and the sensor recognition unit 140, the recognition accuracy determination unit 150 outputs a command to the processing condition determination unit 122 to change the processing conditions so that the accuracy of object extraction is improved.
  • the processing condition determination unit 122 changes the reference value for determining the processing condition.
  • the processing condition determination unit 122 receives a command from the recognition accuracy determination unit 150 to improve the accuracy of object extraction, and the reference value is increased by + 5%. As the load factor threshold is increased. Further, the processing condition determination unit 122 notifies the block area determination unit 124 that the load factor threshold value has been increased.
  • the block area determination unit 124 When the block area determination unit 124 receives the notification of the increase in the load factor threshold value, the block area determination unit 124 adds a predetermined value to the DNN block area currently used by the object extraction unit 111 and commands the object extraction unit 111 of the FPGA 170.
  • the predetermined value of the block area determination unit 124 is set to, for example, 1.
  • the block area determination unit 124 can increase the number of DNN block areas used by the object extraction unit 111 to improve the accuracy of extracting the object. ..
  • the execution layer determination unit 121 cancels the notification of the increase in the load factor threshold because the effect of increasing the DNN block area used by the object extraction unit 111 is low when the traveling environment is congested or at night. be able to.
  • the object extraction unit It is possible to prevent excessive reduction of arithmetic processing (layers) such that the accuracy of object extraction required for automatic operation is insufficient in 111.
  • the information processing apparatus 100 of the present embodiment can maintain processing with higher accuracy than the above-mentioned Examples 7, 8, 9, and 10.
  • the information processing apparatus 100 of the present embodiment can reduce the power consumption of the FPGA 170 as compared with the examples 7, 8, 9, and 10.
  • the sensor used for determining the accuracy of object extraction is Lidar 400, which can determine the distance to an object such as a camera, RADAR, or a far-infrared camera and the type of the object, and is an object extraction unit 111. It is not limited to LiDAR as long as it is different from the sensor that outputs the external information input to. Further, the sensors may be used alone or in combination of two or more.
  • the recognition accuracy determination unit 150 as a method for determining the accuracy of object extraction by the recognition accuracy determination unit 150, it is static that the result of the object extraction unit 111 and the result of the sensor recognition unit 140 are determined whether or not they match. Although it is a process, the reference for determining the accuracy of object extraction may be dynamically changed by providing the recognition accuracy determination unit 150 with a learning function.
  • FIG. 15 is a block diagram showing an example of the configuration of an automatic operation system using the information processing device 100 of this embodiment.
  • the same components as those in FIG. 13 are given the same name and reference numeral, and unless otherwise specified, they are assumed to have the same or similar functions, and the description thereof will be omitted.
  • an information amount determination unit 123 and an external information conversion unit 112 are added to the processing content control unit 120 of the tenth embodiment shown in FIG. 13, and an external information conversion unit 112 is added to the DNN processing unit 110, and the information is input from the camera 200.
  • An example of changing the number of pixels (or resolution) of the outside world image according to the driving environment and the load state is shown. Other than that, the configuration is the same as that of the tenth embodiment.
  • the information amount determination unit 123 determines the number of pixels (resolution) for inputting the external world image acquired by the camera 200 to the object extraction unit 111 based on the result from the processing condition determination unit 122, and determines the number of pixels (resolution) to be input to the object extraction unit 111, and the external information conversion unit of the FPGA 170. Command 112.
  • the external information conversion unit 112 converts the external world image acquired by the camera 200 into a format that can be used by DNN based on the command from the information amount determination unit 123. As a result, the object extraction unit 111 extracts the object with the number of pixels according to the processing conditions (block area or exclusion area).
  • the camera 200 outputs an image of 2 million pixels. Further, it is assumed that the information amount determination unit 123 determines from the determination result of the processing condition determination unit 122 that the number of pixels required for object extraction is 250,000 pixels. In this case, the external information conversion unit 112 converts the 2 million pixel image output from the camera 200 into 250,000 pixels. The object extraction unit 111 extracts an object using the 250,000-pixel image output from the external information conversion unit 112.
  • the object extraction unit 111 executes the DNN by dynamically changing the number of pixels of the input image based on the determination result from the processing condition determination unit 122. It is possible to use an image having the number of pixels according to the area. Therefore, in addition to reducing the execution layer of the DNN, the number of pixels of the image for which the object extraction unit 111 extracts the object can be reduced, and the amount of calculation can be reduced.
  • the information processing apparatus 100 of this embodiment can reduce power consumption and calorific value as compared with Examples 7, 8, 9, and 10.
  • the information processing apparatus 100 of the present embodiment can be expected to have an increased mileage in the electric vehicle as compared with the examples 7, 8, 9, and 10, and an improvement in the cooling cost of the FPGA 170.
  • the information amount determination unit 123 changes the number of pixels from the camera 200, but if the output of external information is LiDAR or RADAR, the number of point clouds is determined, and other information on external information. The amount may be sufficient, and the number of pixels is not limited.
  • the information processing apparatus 100 of Examples 1 to 6 (7 to 12) can have the following configuration.
  • An information processing device (100) having a processor (10), a memory (20), and an arithmetic unit (FPGA170) that executes an operation with an inference model, and receives external information (output of the camera 200), and is described above. It has a DNN processing unit (110) that extracts an object in the outside world from the external information by an inference model, and a processing content control unit (120) that controls the processing content of the DNN processing unit (110).
  • the unit (110) has an object extraction unit (111) that executes the inference model in a deep neural network having a plurality of layers of neurons, and the processing content control unit (120) is the object extraction unit (111).
  • An information processing apparatus including an execution layer determination unit (121) for determining the layer used in the above.
  • the object extraction unit 111 by reducing the layer (fixed value) of the DNN used by the object extraction unit 111, it is possible to reduce the power consumption and the amount of heat generated by the arithmetic unit such as the FPGA 170 and the GPU. As a result, the mileage of the electric vehicle is increased, and the cooling cost of the arithmetic unit can be reduced.
  • the processing content control unit (120) receives external state information (running state) and sets a preset threshold value and external state information.
  • the execution layer determination unit (121) includes the processing condition determination unit (122) that compares the values and determines the external environment, and the execution layer determination unit (121) is the DNN processing unit based on the determination result of the processing condition determination unit (122).
  • the information processing apparatus 100 dynamically changes the processing conditions that affect the accuracy of object extraction and the power consumption and heat generation amount of the arithmetic unit (FPGA170) according to the driving environment, as compared with the above (1). It is possible to change to.
  • the information processing apparatus further including a load detection device (50) for detecting the arithmetic load of the arithmetic unit (170), and the processing content control unit (120). It has a processing condition determination unit (122) that receives the arithmetic load from the load detection device (50), compares the preset load threshold value with the arithmetic load, and determines the load state, and has the execution layer determination unit. (121) is an information processing apparatus characterized in that the number of layers used by the DNN processing unit (110) is determined based on the determination result of the processing condition determination unit (122).
  • the load state according to the load of the FPGA 170 included in the information processing apparatus 100 can be determined, and the execution layer determination unit 121 can dynamically change the processing conditions according to the load.
  • the information processing apparatus 100 can dynamically reduce the power consumption and the amount of heat generated by the FPGA 170 as compared with the above (1).
  • the information processing apparatus 100 of the present embodiment it is possible to suppress the occurrence of an abnormality in the FPGA 170 due to thermal runaway or the like and prevent the arithmetic accuracy of the arithmetic unit from being lowered. As a result, the mileage of the electric vehicle can be increased as compared with the first embodiment, and the cooling cost of the FPGA 170 or the like can be reduced.
  • the load detection device (50) for detecting the calculation load of the calculation device (170) is further provided, and the processing condition determination unit (122) receives the calculation load from the load detection device (50) and sets it in advance.
  • the load state is determined by comparing the calculated load threshold value with the arithmetic load, and the determination result of the external environment and the determination result of the load state are output to the execution layer determination unit (121) to be output to the execution layer determination unit (121).
  • 121) is an information processing apparatus characterized in that the number of layers used by the DNN processing unit (110) is determined based on the determination result of the processing condition determination unit (122).
  • the processing condition determination unit 122 determines the running environment and the load state from the information indicating the running state and the calculation load of the FPGA 170, thereby dynamically extracting the object as compared with the above (2) and (3). It is possible to change the accuracy and reduction of power consumption and calorific value. As a result, an effect that combines the above advantages (2) and (3) can be expected. That is, it is possible to keep the load of the FPGA 170 in a normal state while maintaining the accuracy of object extraction suitable for various driving environments.
  • the processing content control unit (120) receives sensor information (output of LiDAR400) for detecting an object and recognizes the object from the sensor information.
  • the recognition accuracy is calculated by comparing the sensor recognition unit (140), the object recognized by the sensor recognition unit (140), and the object extracted by the DNN processing unit (110), and the recognition accuracy is set in advance.
  • the recognition accuracy determination unit (150) for determining the decrease in recognition accuracy is further provided, and the processing condition determination unit (122) further includes the determination result of the external environment and the load.
  • the determination result of the recognition accuracy determination unit (150) is added to the determination result of the state and output to the execution layer determination unit (121), and the execution layer determination unit (121) is the processing condition determination unit (122).
  • An information processing apparatus characterized in that the number of layers used by the DNN processing unit (110) is determined based on the determination result of the above.
  • the object extraction unit by adding a sensor recognition unit 140 that recognizes an object based on information from the LiDAR 400, and a recognition accuracy determination unit 150 that determines the accuracy of object extraction by the object extraction unit 111 and the sensor recognition unit 140, the object extraction unit It is possible to prevent excessive reduction of arithmetic processing (layers) such that the accuracy of object extraction required for automatic operation is insufficient in 111. As a result, the information processing apparatus 100 can maintain processing with higher accuracy than the above (1), (2), (3), and (4). As a result, the power consumption can be further reduced with respect to the above (1), (2), (3), and (4).
  • the external information is image information
  • the processing content control unit (120) determines the determination result of the processing condition determination unit (122).
  • the DNN processing unit (110) further includes an information amount determining unit (123) that determines the amount of information of the image information based on the information amount, and the DNN processing unit (110) is based on the information amount determined by the information amount determining unit (123).
  • An information processing device further comprising an external information conversion unit (112) for changing the amount of information of the image information used in the object extraction unit (111).
  • the DNN processing unit 110 dynamically changes the number of pixels of the input image based on the determination result from the processing condition determination unit 122 to increase the number of DNN execution layers used by the object extraction unit 111. Images with a combined number of pixels can be used. Therefore, in addition to reducing the execution layer of the DNN, the number of pixels of the image used by the object extraction unit 111 can be reduced, and the amount of calculation can be further reduced. This makes it possible to reduce power consumption and calorific value as compared with the above (1), (2), (3), and (4). As a result, the mileage of the electric vehicle is increased as compared with the above (1), (2), (3), and (4), and the cooling cost of the FPGA 170 or the like can be expected to be reduced.
  • the present invention is not limited to the above-described examples, and includes various modifications.
  • the above-described embodiment is described in detail in order to explain the present invention in an easy-to-understand manner, and is not necessarily limited to the one including all the configurations described.
  • any of addition, deletion, or replacement of other configurations can be applied alone or in combination.
  • each of the above configurations, functions, processing units, processing means, etc. may be realized by hardware by designing a part or all of them by, for example, an integrated circuit. Further, each of the above configurations, functions, and the like may be realized by software by the processor interpreting and executing a program that realizes each function. Information such as programs, tables, and files that realize each function can be placed in a memory, a hard disk, a recording device such as an SSD (Solid State Drive), or a recording medium such as an IC card, an SD card, or a DVD.
  • SSD Solid State Drive
  • control lines and information lines indicate those that are considered necessary for explanation, and not all control lines and information lines are necessarily indicated on the product. In practice, it can be considered that almost all configurations are interconnected.
  • An information processing device that has an arithmetic unit that executes operations with a processor, memory, and an inference model.
  • the DNN processing unit includes a DNN processing unit that receives external information and extracts an object in the outside world from the external information by the inference model, and a processing content control unit that controls the processing content of the DNN processing unit. It has an object extraction unit including the inference model that divides the external information into a plurality of block regions for extracting objects of different sizes and extracts the objects in the outside world for each block region by a deep neural network.
  • the processing content control unit is an information processing device including a block area determination unit that determines the block area used in the object extraction unit.
  • the processing content control unit receives external state information, compares a preset threshold value with the value of the external state information, and determines the external environment.
  • the block area determination unit determines the block area to be used in the DNN processing unit based on the determination result of the processing condition determination unit, and outputs the block area to the DNN processing unit.
  • the information processing device further including a load detection device for detecting the calculation load of the calculation device, and the processing content control unit receives the calculation load from the load detection device. It has a processing condition determination unit that determines a load state by comparing a preset load threshold value with the arithmetic load, and the block area determination unit is the DNN processing unit based on the determination result of the processing condition determination unit.
  • An information processing device characterized in determining a pre-block area to be used in.
  • the information processing device further including a load detection device for detecting the calculation load of the calculation device, and the processing condition determination unit receives the calculation load from the load detection device.
  • the load state is determined by comparing the preset load threshold value with the arithmetic load, the determination result of the external environment and the determination result of the load state are output to the block area determination unit, and the block area determination unit determines the load state.
  • An information processing apparatus characterized in that the block region used in the DNN processing unit is determined based on a determination result of the processing condition determination unit.
  • the processing content control unit receives sensor information for detecting an object and recognizes the object from the sensor information by the sensor recognition unit and the sensor recognition unit.
  • the recognition accuracy is calculated by comparing the processed object with the object extracted by the DNN processing unit, and when the recognition accuracy is equal to or less than a preset accuracy threshold, the recognition accuracy determination unit determines a decrease in the recognition accuracy.
  • the processing condition determination unit adds the determination result of the recognition accuracy determination unit to the determination result of the external environment and the determination result of the load state, and outputs the determination result to the block area determination unit.
  • An information processing apparatus characterized in that the block area determination unit determines the block area to be used in the DNN processing unit based on a determination result of the processing condition determination unit.
  • the external information is image information
  • the processing content control unit determines the amount of information of the image information based on the determination result of the processing condition determination unit.
  • the DNN processing unit further has an information amount determining unit to be determined, and the DNN processing unit changes the information amount of the image information used in the object extraction unit based on the information amount determined by the information amount determining unit.
  • An information processing device characterized by further having a unit.
  • Information processing device 110 DNN processing unit 111 Object extraction unit 112 External information conversion unit 120 Processing content control unit 121 Execution layer determination unit 122 Processing condition determination unit 123 Information amount determination unit 124 Block area determination unit 130 Action planning unit 140 Sensor recognition unit 150 Extraction accuracy judgment unit 200 Camera 300 Vehicle control unit 400 LiDAR

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Neurology (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

車両の自動運転システムにおいて、走行中の環境等によりＤＮＮで行われる物体抽出の演算量を低減する。プロセッサとメモリと推論モデルで演算を実行する演算装置を有する情報処理装置であって、外部情報を受け付けて、前記推論モデルによって前記外部情報から外界の物体を抽出するＤＮＮ処理部と、前記ＤＮＮ処理部の処理内容を制御する処理内容制御部と、を有し、前記ＤＮＮ処理部は、複数のニューロンの層を有するディープニューラルネットワークで前記推論モデルを実行する物体抽出部を有し、前記処理内容制御部は、前記物体抽出部で用いる前記層を決定する実行層決定部を含む。

Description

情報処理装置
　本発明は、ディープニューラルネットワークを利用する情報処理装置に関する。
　近年、機械学習を用いて周辺認識や自動操舵、自動速度制御によって目的地まで車両を制御する技術が進展している。また、物体認識等に適用する機械学習の手法としてディープニューラルネットワーク（ＤＮＮ：Ｄｅｅｐ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）が知られている。
　ＤＮＮは、物体の特徴を習得する学習処理と、学習した結果をもとに画像データから物体の抽出を行う推論処理を実行する。従来からにＤＮＮを利用して車両の自動運転を行う際には、まずカメラから外界の画像データを取得し、ＤＮＮで使用可能なフォーマットに変換する。推論処理においては、変換された画像データを入力画像として予め学習処理を完了させたＤＮＮを使って物体の抽出を行う。その後、物体の抽出結果から周辺地図を生成し、周辺地図をもとに行動計画を立て、車両の制御を行う。
　特許文献１では、カメラからの入力画像からニューラルネットワーク等を用いて物体を抽出し、走行可能な空間か否かを決定する技術が示されている。また、特許文献２では、走行状態に合わせて段階的にカメラからの入力画像の画素数を小さくする技術が示されている。
特開２０１９－００８７９６号公報 特開２０１８－０５６８３８号公報
　ＤＮＮは乗算と加算で構成される畳み込み演算を繰り返して実行するため、演算量が非常に多い。また、特に車両の自動運転では非常に短い時間内で行動計画を更新し続ける必要があることから、ＤＮＮによる物体抽出には高速な演算が要求される。そのため、車両に搭載可能な演算装置であるＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）やＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）、マイコン、ＣＰＵ等にＤＮＮを実装すると、演算装置の消費電力や発熱量が非常に大きくなる。
　また、どのような場面でも自動運転を継続するためには、高い精度での物体抽出を行う必要があることから入力画像は画素数の大きいものを用いる必要があり、入力画像の変換をする際にも同様に消費電力や発熱量が大きくなる。車両が提供可能な電力には限りがあるため、消費電力や発熱量が大きくなることで電動車両では走行可能距離が短くなり、また、演算装置の冷却コストが増加するという問題が生じる。
　しかし、前記特許文献１では入力画像の変換及び物体抽出のいずれにおいても消費電力を低減させることは考慮されていない。また、特許文献２では走行環境により入力画像の変換方法を変更することで、画像変換処理での電力削減が可能であるが、特に演算量が多いＤＮＮを使った推論処理における消費電力は考慮されていないため、十分な消費電力の削減効果が期待できない。
　本発明は、前記の点に鑑み、車両に搭載される演算装置の演算負荷状態と走行環境から、ＤＮＮによる物体抽出処理の省略可否を判定し、演算装置の演算負荷及び消費電力の低減、発熱量の抑制を目的とする。
　本発明は、プロセッサとメモリと推論モデルで演算を実行する演算装置を有する情報処理装置であって、外部情報を受け付けて、前記推論モデルによって前記外部情報から外界の物体を抽出するＤＮＮ処理部と、前記ＤＮＮ処理部の処理内容を制御する処理内容制御部と、を有し、前記ＤＮＮ処理部は、複数のニューロンの層を有するディープニューラルネットワークで前記推論モデルを実行する物体抽出部を有し、前記処理内容制御部は、前記物体抽出部で用いる前記層を決定する実行層決定部を含む。
　本発明の情報処理装置は、走行環境に基づいてディープニューラルネットワーク（ＤＮＮ）の演算量を低減することにより、自動運転に必要とされるＤＮＮの物体抽出精度を確保しながら、演算装置の消費電力の削減と発熱量の抑制を実現できる。これにより、電動車両の走行可能距離の増大や冷却システムのコスト低減が可能となる。
　本明細書において開示される主題の、少なくとも一つの実施の詳細は、添付されている図面と以下の記述の中で述べられる。開示される主題のその他の特徴、態様、効果は、以下の開示、図面、請求項により明らかにされる。
本発明の実施例１を示し、自動運転システムの構成の一例を示すブロック図である。 本発明の実施例１を示し、ＤＮＮで物体抽出を行う処理の一部を示す図である。 本発明の実施例２を示し、自動運転システムの構成の一例を示すブロック図である。 本発明の実施例３を示し、自動運転システムの構成の一例を示すブロック図である。 本発明の実施例４を示し、自動運転システムの構成の一例を示すブロック図である。 本発明の実施例５を示し、自動運転システムの構成の一例を示すブロック図である。 本発明の実施例６を示し、自動運転システムの構成の一例を示すブロック図である。 本発明の実施例７を示し、自動運転システムの構成の一例を示すブロック図である。 本発明の実施例７を示し、物体抽出を行う処理の一部を示す図である。 本発明の実施例８を示し、自動運転システムの構成の一例を示すブロック図である。 本発明の実施例８を示し、トンネル走行時のカメラからの画像を表す図である。 本発明の実施例９を示し、自動運転システムの構成の一例を示すブロック図である。 本発明の実施例１０を示し、自動運転システムの構成の一例を示すブロック図である。 本発明の実施例１１を示し、自動運転システムの構成の一例を示すブロック図である。 本発明の実施例１２を示し、自動運転システムの構成の一例を示すブロック図である。
　以下、実施例を、図面を用いて説明する。
　複数のニューロンの層を有するディープニューラルネットワーク（以下ＤＮＮ：Ｄｅｅｐ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）は、乗算と加算で構成される畳み込み演算を繰り返し実行するため、演算量が非常に多い。それに伴いＤＮＮを実行する演算装置の消費電力や発熱量が大きいため、車両の情報処理装置にＤＮＮを用いた物体抽出処理を行う場合には、電動車両では走行可能距離が短くなる場合や冷却コストが高くなることが課題となっている。
　図１は、本実施例の情報処理装置１００を用いた自動運転システムの構成の一例を示すブロック図である。
　図１に示すように、本実施例に係る情報処理装置１００を用いた自動運転システムは、情報処理装置１００と、カメラ２００、車両制御部３００で構成される。ここで、情報処理装置１００は、プロセッサ１０と、メモリ２０と、ＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）１７０を含む計算機である。
　なお、本実施例では、ＤＮＮを実行する演算装置としてＦＰＧＡ１７０を採用した例を示すが、これに限定されるものではなく、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）を演算装置に採用してもよい。また、ＤＮＮを実行する演算装置は、プロセッサ１０と同一のパッケージに収容されてもよい。また、プロセッサ１０とＦＰＧＡ１７０は、図示しないインターフェースを介してカメラ２００及び車両制御部３００に接続される。
　メモリ２０には、行動計画部１３０がプログラムとしてロードされてプロセッサ１０によって実行される。プロセッサ１０は、各機能部のプログラムに従って処理を実行することによって、所定の機能を提供する機能部として稼働する。例えば、プロセッサ１０は、行動計画プログラムに従って処理を実行することで行動計画部１３０として機能する。他のプログラムについても同様である。さらに、プロセッサ１０は、各プログラムが実行する複数の処理のそれぞれの機能を提供する機能部としても稼働する。計算機及び計算機システムは、これらの機能部を含む装置及びシステムである。
　ＦＰＧＡ１７０は、ＤＮＮ処理部１１０と、処理内容制御部１２０とを含む。行動計画部１３０を含む。また、ＤＮＮ処理部１１０は、物体抽出部１１１を含む。処理内容制御部１２０は、実行層決定部１２１を含む。なお、カメラ２００は情報処理装置１００内に含まれていてもよいし、含まれていなくてもよい。また、情報処理装置１００は車両に搭載されていてもよいし、されていなくてもよい。
　最初に、ＤＮＮ処理部１１０の処理について説明する。物体抽出部１１１は、ＰＣや、サーバ等の計算機で学習処理が行われた後の推論処理に用いるためのＤＮＮ（推論モデル）が保持されている。ＦＰＧＡ１７０は、カメラ２００が取得した外部情報（画像データ）に対して、後述する処理内容制御部１２０から出力される情報を反映したＤＮＮを用いて画像データから物体の抽出を行う。
　なお、カメラ２００は車両の所定の位置（図示省略）に取り付けられて、車両の外界（前方）の物体を検出するため外部情報として、車両の前方の画像を取得し、情報処理装置１００へ出力する。
　行動計画部１３０は、物体抽出部１１１で物体を抽出した情報を用いて、車両の進行方向や、進行速度等の行動計画を生成し、車両制御部３００に出力する。車両制御部３００は行動計画部１３０からの出力をもとに車両の制御を行う。車両制御部３００で行う処理については、周知又は公知の技術を適用すればよいので、本実施例では詳述しない。
　次に、処理内容制御部１２０の処理について説明する。実行層決定部１２１は、物体抽出処理で使用するＤＮＮの実行層の数を保持しており、その情報を物体抽出部１１１に出力する。
　以下、物体抽出部１１１の処理について具体例を用いて説明する。ＤＮＮの物体抽出処理では、外部情報（画像データ）に対して分割数が異なる複数の層を用いて物体を抽出することで、様々な大きさの物体の抽出を可能とする。図２は図１の物体抽出部１１１がカメラ２００の情報（画像データ）からＤＮＮで物体抽出を行う際の処理の一部を抜粋した例を示す図である。
　図２において、カメラ画像５００は、図１に示したカメラ２００から出力される画像の一例を示す。また、画像５１０は、物体抽出部１１１のＤＮＮの第１層目でのカメラ画像５００を分割した例を示し、画像５２０、５３０、５４０、５５０はそれぞれ第２層、第３層、第４層、第５層での分割方法を示す。
　図２では、ＤＮＮ処理部１１０が、カメラ画像５００を第１層ではカメラ画像を小さく分割することで遠くの人や車等の小さい物体５１１を抽出し、第５層ではカメラ画像を大きく分割することで近くの車等大きい物体５５１を抽出していることを示している。
　ＤＮＮ処理部１１０は、画像５１０では入力画像（５００）を５×５＝２５のブロックに分割してそのブロック単位で物体抽出部１１１が物体抽出の処理を行う。ＤＮＮ処理部１１０は、同様に画像５２０では４×４＝１６、画像５３０では３×３＝９、画像５４０では２×２＝４、画像５５０では１×１＝１のブロックに分割して物体抽出の処理を行う。
　したがって、ＤＮＮ処理部１１０が図２に示す画像において物体抽出の処理を行う回数は、２５＋１６＋９＋４＋１＝５５回となる。なお、ＤＮＮの構造は、本実施例で使用した構造のように小さい物体を先に抽出してから大きい物体を抽出するという構造に限定されず、物体を抽出可能なものであればよい。また、ＤＮＮで演算する際のブロックの分割数及び層の数は、自動運転を実現するために必要な精度を確保することが可能であれば、図２の方法に限定されない。
　一方、例えば工場等の私有地内で見通しがよく、走行している車両の種類も限定されている道路を、一般道路に比べて十分に低速で走行する車等の場合では、数百メートル先にある遠くの小さい物体を抽出しなくてもよい。そのため、ＤＮＮの層数を減らすことで物体抽出の処理を行うブロック数を減らしてもよい。
　例えば、実行層決定部１２１は、物体抽出処理で実行するＤＮＮの層を１番小さい物体を抽出する第１層目を除いた、第２層から第５層と決めて、物体抽出部１１１へ指令する。物体抽出部１１１では、この実行層決定部１２１からの情報をもとに、ＤＮＮの第２層から第５層のみを実行して物体抽出の処理を行う。この場合、物体抽出の処理を行う回数は、１６＋９＋４＋１＝３０となり、前記全ての層で物体抽出をした場合に比べて、２５回の演算を削減できる。
　なお、実行層決定部１２１は、走行開始時に走行環境などに応じて予め設定された層を処理条件として物体抽出部１１１へ指令すればよい。
　このように、物体抽出部１１１が用いるＤＮＮの層（固定値）を削減することで、例えばＦＰＧＡ１７０やＧＰＵ等の演算装置の消費電力の削減及び発熱量の抑制が可能となる。結果として、電動車両では走行可能距離が増大し、演算装置の冷却コストが低減できる。
　なお、今回は説明を簡単にする都合上、図２におけるＤＮＮの層数やブロック数に前記のような値を使用しているが、実際の物体抽出に使用するＤＮＮでは外部情報を数千から数万のブロックに分割し、かつ層の数も多い。そのため、実際の演算回数は前記で示した例より膨大で、層数の削減による演算量の低減効果も非常に大きくなる。
　なお、本実施例では外部情報を取得するセンサとしてカメラ２００を採用した例を示すが、これはＬｉＤＡＲ（Ｌｉｇｈｔ　Ｄｅｔｅｃｔｉｏｎ　ａｎｄ　Ｒａｎｇｉｎｇ）や、ＲＡＤＡＲ（Ｒａｄｉｏ　Ｄｅｔｅｃｔｉｏｎ　ａｎｄ　Ｒａｎｇｉｎｇ）や、遠赤外線カメラ等の物体との距離や物体の種類が取得できるセンサであればよく、カメラ２００に限定されない。また、センサは単独で使用してもよいし、複数を組み合わせて使用してもよい。
　上記実施例１では、機械学習によって生成された推論モデルをＤＮＮで実行する物体抽出部１１１の例を示したが、これに限定されるものではなく、他の機械学習などによって生成されたモデルを利用することができる。
　以下に、本発明の実施例２について説明する。図３は、実施例２の情報処理装置１００を用いた自動運転システムの構成の一例を示すブロック図である。図３において、図１と同様の構成要素には同じ名称と符号を付与しており、特に説明がない限り、同一又は類似の機能を有するものとして説明を省略する。
　本実施例は、前記実施例１に処理条件判定部１２２と外部の状態情報を検出するセンサを追加して、ＦＰＧＡ１７０内の実行層決定部１２１を処理内容制御部１２０内へ移動した例を示す。その他の構成については、前記実施例１と同様である。
　図３において、実施例１から新たに追加された処理条件判定部１２２は、走行中の車両のセンサ等からの走行状態を示す情報を入力として、現在の走行環境の判定を行う。実行層決定部１２１は処理条件判定部１２２が判定した走行環境に基づいて物体抽出処理で使用するＤＮＮの層数（処理条件）を動的に変更する。
　本実施例では、車両の走行状態を検出するセンサとして、車速センサ３０と照度センサ４０を情報処理装置１００に接続する例を示すが、これらに限定されるものではない。少なくとも車速を検出できればよいので、ＧＰＳ（Ｇｒｏｂａｌ　Ｐｏｓｉｔｉｏｎｉｎｇ　Ｓｙｓｔｅｍ）等の位置情報から車速を算出するようにしてもよい。
　情報処理装置１００の処理条件判定部１２２は、車速センサ３０と照度センサ４０からの情報から走行環境を判定して、実行層決定部１２１へ出力する。実行層決定部１２１は、入力された走行環境に基づいてＤＮＮで使用する層を処理条件として決定して物体抽出部１１１へ指令する。
　前記実施例１では、層数（処理条件）が固定値のためＦＰＧＡ１７０内に実行層決定部１２１を配置した例を示したが、実施例２では、実行層決定部１２１が動的に層数（処理条件）を変更する。このため、実行層決定部１２１は、プログラムとしてメモリ２０にロードされて、プロセッサ１０によって実行する。
　実施例１では、限定された走行環境においてＤＮＮの実行層を静的に決定する例を示したが、車両の自動運転では走行環境は様々であり複雑で、画像データから抽出される物体の精度も時々刻々と変化するため、走行環境に応じてＤＮＮの実行層を動的に変更できることが望ましい。
　以下、処理条件判定部１２２の処理について具体例を用いて説明する。
　一例として、走行状態を示す情報とし車速センサ３０が検出した車速を用いる例を示す。処理条件判定部１２２は、車速センサ３０が検出した車速が、予め設定された車速閾値以下であれば現在の走行環境は渋滞中であると判定した例について説明する。
　車両が渋滞中で非常に低速（例えば、５ｋｍ／ｈ）で走行している場合は、カメラ２００から入力される画像の変化が小さいため、物体抽出部１１１では数十メートル先の物体を認識すればよく、数百ｍ先の物体を認識させるための精度で物体抽出をしなくてよい。
　実行層決定部１２１は、処理条件判定部１２２が判定した走行環境をもとに処理条件を決定する。実行層決定部１２１は処理条件として、自動運転に必要な物体抽出の精度を確保しつつＤＮＮの演算量が削減できるように、物体抽出部１１１で実行するＤＮＮの層は１番小さい物体を検出する第１層（図２の画像５１０）を除いた、第２層（５２０）から第５層（５５０）と決定する。
　このように、実施例２では前記実施例１の構成に、走行状態を検出するセンサと、走行状態を示す情報から車両の走行環境を判定する処理条件判定部１２２とを追加し、実行層決定部１２１が走行環境に適した処理条件の決定を行う。これにより、実施例２の情報処理装置１００は、実施例１よりも、走行環境に合わせて動的に、物体抽出の精度と演算装置（ＦＰＧＡ１７０）の消費電力及び発熱量に影響を与える処理条件の動的な変更が可能となる。
　結果として、電動車両では実施例１よりも走行可能距離が増大し、演算装置（ＦＰＧＡ１７０）の冷却コスト低減が期待できる。なお、上記で渋滞と判定する方法は、車速センサ３０でなくてもよく、走行速度が分かる画像情報や、ラジオ、インターネット等の渋滞情報でもよい。
　また、走行状態を示す情報として照度センサ４０を用いて、処理条件判定部１２２が周囲の明るさ（照度）が予め設定された照度閾値以下であれば夜間だと判定する。夜間は周囲が暗くなり、カメラ２００は周囲が明るい場合に比べて詳細な外部情報を得ることができない。そのため、数百メートル先の遠くの物体を抽出可能な外部情報を得られないため、物体抽出部１１１は数十メートル先の物体を抽出する精度で演算をすればよく、数百メートル先の物体を認識するための精度での物体抽出をしなくてよい。
　この場合、実行層決定部１２１は、処理条件判定部１２２が判定した走行環境をもとに、物体抽出部１１１で実行するＤＮＮの層の情報を第２層（５２０）から第５層（５５０）と決定する。また、現在の周辺の明るさを判定するための走行状態を示す情報は、照度センサ４０に限定されるものではない。例えば、カメラ２００等の周囲の明るさを検知できるセンサや、ラジオやインターネット、ＧＰＳ等の時刻を判定可能なものから昼か夜かを検知するようにしてもよい。
　また、走行状態を示す情報として車内カメラ（図示省略）を用いてもよい。この場合、処理条件判定部１２２は、車内カメラの画像データからドライバーがハンドルを操作しているか否かを検出し、ハンドルを操作していれば自動運転（ＡＤ：Ａｕｔｏｎｏｍｏｕｓ　Ｄｒｉｖｉｎｇ）の使用中ではないと判定する。ＡＤを使用する際には自動運転システムのみで車両を制御することから小さな物体まで認識するような高い精度での物体抽出が必要となるが、ＡＤを使用していない場合、ドライバーが外界情報を認知可能なため、運転支援（ＡＤＡＳ：Ａｄｖａｎｃｅｄ　Ｄｒｉｖｅｒ　Ａｓｓｉｓｔａｎｃｅ　Ｓｙｓｔｅｍｓ）が可能な物体抽出の精度が保たれていればよい。
　実行層決定部１２１は、処理条件判定部１２２が判定した走行環境をもとに、物体抽出部１１１で実行するＤＮＮの層の情報を第２層（５２０）から第５層（５５０）と決定する。
　また、処理条件判定部１２２がＡＤの使用中か否かを判定する情報は車内カメラに限定されるものではなく、ハンドルの操作を検知するセンサ等、ドライバーが運転席にいるかを判定可能なものでもよい。また、行動計画部１３０が生成した自動運転車両の行動計画の有無等のデータからＡＤを使用している否かを判定してもよい。
　なお、処理条件判定部１２２は走行状態を示す情報のうちいずれか１つを用いて処理条件の判定をしてもよいし、複数用いて処理条件の判定をしてもよい。
　以下に、本発明の実施例３について説明する。図４は、本実施例の情報処理装置１００を用いた自動運転システムの構成の一例を示すブロック図である。図４において、図３と同様の構成要素には同じ名称と符号を付与しており、特に説明がない限り、同一又は類似の機能を有するものとして、説明を省略する。
　本実施例では、前記実施例１に処理条件判定部１２２と負荷検出装置５０を追加して、ＦＰＧＡ１７０内の実行層決定部１２１を処理内容制御部１２０内へ移動した例を示す。
その他の構成については、前記実施例１と同様である。
　前記実施例２では、処理条件判定部１２２は、走行中のセンサ等からの走行状態を示す情報を入力として、現在の走行環境の判定を行っているが、本実施例では処理条件判定部１２２は、情報処理装置１００で物体抽出部１１１の演算負荷を入力として、現在のＦＰＧＡ１７０の負荷状態の判定を行う。実行層決定部１２１は処理条件判定部１２２が判定した負荷状態をもとに物体抽出部１１１で使用するＤＮＮの層数（処理条件）を決定する。
　図４において、実施例１から新たに追加された負荷検出装置５０は、ＦＰＧＡ１７０の演算負荷を検出して処理条件判定部１２２へ入力する。なお、負荷検出装置５０は、例えば、ＦＰＧＡ１７０の消費電力や、供給電流などを演算負荷として検出するセンサを含むことができる。
　また、前記実施例１では、層数（処理条件）が固定値のためＦＰＧＡ１７０内に実行層決定部１２１を配置した例を示したが、実施例３では、実行層決定部１２１が動的に層数（処理条件）を変更するため、プログラムとしてメモリ２０にロードされて、プロセッサ１０によって実行する。
　以下、処理条件判定部１２２の処理について具体例を用いて説明する。
　一例として、処理条件判定部１２２は、演算負荷としてＦＰＧＡ１７０の負荷率を算出し、所定の負荷率閾値と比較する。なお、負荷率は、負荷検出装置５０が検出した消費電力を所定の最大電力で除した値（％）を用いる例を示す。
　処理条件判定部１２２は、ＦＰＧＡ１７０の負荷率が負荷率閾値よりも高い場合、ＦＰＧＡ１７０の演算負荷を下げると判定する。実行層決定部１２１は、処理条件判定部１２２からの判定結果をもとに、ＦＰＧＡ１７０の負荷率が負荷率閾値以下になるように、物体抽出部１１１で使用するＤＮＮの層の情報を１番小さい物体を検出する第１層（５１０）を除いた第２層（５２０）から第５層（５５０）と決定する。
　このように、ＦＰＧＡ１７０の演算負荷から負荷状態を判定する処理条件判定部１２２を追加することで、情報処理装置１００に含まれるＦＰＧＡ１７０の負荷率に応じた負荷状態を判定し、実行層決定部１２１は負荷状態に応じて処理条件を動的に変更することが可能となる。これにより、情報処理装置１００は、実施例１に比して動的にＦＰＧＡ１７０の消費電力の削減及び発熱量の抑制ができる。
　さらに、本実施例の情報処理装置１００では、上記により、熱暴走等によりＦＰＧＡ１７０に異常が発生するのを抑制し、演算装置の演算精度が低下することを防ぐことが可能となる。これにより、前記実施例１に比して電動車両の走行可能距離を増大することが可能となり、ＦＰＧＡ１７０等の冷却コストを低減できる。
　また、本実施例で演算負荷としているＦＰＧＡ１７０の負荷率は、消費電力に限定されるものではない。ＦＰＧＡ１７０の温度等の演算負荷に関連する値を利用すればよい。また、上記演算負荷は、ＦＰＧＡ１７０だけはなくプロセッサ１０の演算負荷を含めるようにしてもよい。
　なお、処理条件判定部１２２は演算負荷のうちいずれか１つを用いて負荷状態の判定をしてもよいし、複数の演算負荷を用いて負荷状態を判定してもよい。
以下に、本発明の実施例４について説明する。図５は、本実施例の情報処理装置１００を用いた自動運転システムの構成の一例を示すブロック図である。図５において、図３、図４と同様の構成要素には同じ名称と符号を付与しており、特に説明がない限り、同一又は類似の機能を有するものとして、説明を省略する。
　本実施例では、前記実施例２の構成に前記実施例３の構成を加えた例を示す。その他の構成については、前記実施例２と同様である。
　前記実施例２では走行中のセンサ等からの走行状態を示す情報を入力として、現在の走行環境の判定を行っており、前記実施例３では情報処理装置１００の演算負荷を入力として、現在の負荷状態の判定を行う例を示した。本実施例では、前記実施例２に前記実施例３を組み合わせた例を示す。
　処理条件判定部１２２は、走行状態を示す情報と、ＦＰＧＡ１７０の演算負荷の両方を入力として、走行環境と負荷状態の判定を行って、実行層決定部１２１へ前記判定結果を出力する。実行層決定部１２１は、処理条件判定部１２２からの判定結果をもとに物体抽出部１１１で使用するＤＮＮの層数（処理条件）を決定する。
　このように、処理条件判定部１２２で走行状態を示す情報と、ＦＰＧＡ１７０の演算負荷から走行環境と負荷状態を判定することで、実施例２及び実施例３に比して動的に物体抽出精度と消費電力及び発熱量の削減を変更することが可能となる。
　結果として、実施例２及び実施例３の利点を合わせた効果が期待できる。つまり、様々な走行環境において適した物体抽出の精度を保ちつつ、ＦＰＧＡ１７０の負荷を正常な状態に保つことが可能となる。
　なお、処理条件判定部１２２は走行状態を示す情報及び演算負荷のうちいずれか１つを用いて処理条件の判定をしてもよいし、複数用いて処理条件の判定をしてもよい。
　以下に、本発明の実施例５形態について説明する。図６は、本実施例の情報処理装置１００を用いた自動運転システムの構成の一例を示すブロック図である。図６において、図５と同様の構成要素には同じ名称と符号を付与しており、特に説明がない限り、同一又は類似の機能を有するものとして、説明を省略する。
　本実施例は、前記実施例４の構成要素にＬｉＤＡＲ４００と、センサ認識部１４０と、認識精度判定部１５０を追加したものである。その他の構成については前記実施例４と同様である。
　図６において、実施例４から新たに追加されたセンサ認識部１４０は、ＬｉＤＡＲ４００からの情報（距離及び方位）を処理し、物体の認識を行う。また、認識精度判定部１５０は、物体抽出部１１１からの物体抽出の結果と、センサ認識部１４０からの物体認識の結果の差異を判定することで、物体抽出部１１１の物体抽出が必要な精度を保持しているか否を判定し、判定した結果を処理条件判定部１２２に出力する。
　そして、処理条件判定部１２２は、認識精度判定部１５０からの判定結果と、走行状態及び演算負荷に基づいて、物体抽出部１１１での演算負荷を削減する条件となる基準値を更新することで、演算負荷の削減による物体抽出の精度が不足するような過度な演算の省略を防ぐ。
　実施例１、２、３、４の情報処理装置１００では、走行状態を示す情報と演算負荷によって物体抽出部１１１で使用するＤＮＮの層数の制御を行うための基準値は静的であったが、自動運転に必要な物体抽出の精度を保つために、この基準値は動的であることが望ましい。
　以下、認識精度判定部１５０の処理について具体例を用いて説明する。
　一例として、カメラ２００からの画像データを入力して、物体抽出部１１１で抽出した物体が５個、ＬｉＤＡＲ４００からの情報からセンサ認識部１４０で認識した物体が７個で、物体抽出部１１１において抽出された物体の数がセンサ認識部１４０で認識された物体の数よりも少なかったとする。
　この場合、センサ認識部１４０で認識された物体が物体抽出部１１１では抽出できていないことから、物体抽出部１１１では自動運転に必要な物体抽出の精度が保たれていないと認識精度判定部１５０が判定する。
　認識精度判定部１５０は、物体抽出部１１１とセンサ認識部１４０のからの情報をもとに、処理条件判定部１２２に処理条件を物体抽出の精度が向上するように変更する命令を出力し、処理条件判定部１２２は処理条件を決めるための基準値の変更を行う。
　なお、認識精度判定部１５０は、物体抽出部１１１で抽出された物体の数を、センサ認識部１４０が認識した物体の数で除した値を認識精度として算出し、算出された認識精度が、予め設定された精度閾値以下の場合には、認識精度が低下したと判定して、処理条件判定部１２２へ出力するようにしてもよい。
　本実施例の基準値は、例えば、負荷率閾値を補正する値とした場合、処理条件判定部１２２は認識精度判定部１５０から物体抽出の精度を向上する命令を受け付けると、基準値を＋５％として負荷率閾値を増大させる。また、処理条件判定部１２２は、実行層決定部１２１へ負荷率閾値を増大したことを通知する。
　実行層決定部１２１は、負荷率閾値の増大の通知を受け付けると、現在物体抽出部１１１で使用しているＤＮＮの層数に所定値を加算してＦＰＧＡ１７０の物体抽出部１１１へ指令する。実行層決定部１２１の所定値は、例えば、１層などに設定される。
　このように、認識精度判定部１５０からの要求に応じて、実行層決定部１２１は物体抽出部１１１で使用するＤＮＮの層数を増大し、物体を抽出する精度を向上させることができる。
　ただし、実行層決定部１２１は、走行環境が渋滞中又は夜間の場合には、物体抽出部１１１が使用するＤＮＮの層数を増大させる効果が低いため、負荷率閾値の増大の通知をキャンセルすることができる。
　このように、ＬｉＤＡＲ４００からの情報で物体を認識するセンサ認識部１４０と、物体抽出部１１１とセンサ認識部１４０の物体抽出の精度を判定する認識精度判定部１５０を追加することで、物体抽出部１１１において自動運転に必要な物体抽出の精度が不足するような、過度の演算処理（層）の削減が行われることを防ぐことができる。
　これにより、情報処理装置１００は、前記実施例１、２、３、４よりも精度の高い処理を維持できる。結果として本実施例の情報処理装置１００は、実施例１、２、３、４に対して、より消費電力の削減が可能となる。
　なお、本実施例では物体抽出の精度の判定に用いるセンサをＬｉＤＡＲ４００としている例を示すが、これはカメラ、ＲＡＤＡＲ、遠赤外線カメラ等の物体との距離や物体の種類が判別できるもので、物体抽出部１１１に入力される外部情報を出力するセンサとは異なるものであればよく、ＬｉＤＡＲに限定されない。また、センサは単独で使用してもよいし、複数を組み合わせて使用してもよい。
　また、本実施例では、認識精度判定部１５０が物体抽出の精度を判定する手法として、物体抽出部１１１の結果とセンサ認識部１４０の結果が一致しているか否かを判定するという静的な処理となっているが、認識精度判定部１５０に学習機能を持たせることで物体抽出の精度を判定する基準を動的に変化させてもよい。
　以下に、本発明の実施例６について説明する。図７は、本実施例の情報処理装置１００を用いた自動運転システムの構成の一例を示すブロック図である。図７において、図５と同様の構成要素には同じ名称と符号を付与しており、特に説明がない限り、同一又は類似の機能を有するものとして、説明を省略する。
　本実施例では、図５に示した前記実施例４の処理内容制御部１２０に情報量決定部１２３と、ＤＮＮ処理部１１０内に外部情報変換部１１２を追加して、カメラ２００から入力された外界画像の画素数（又は解像度）を走行環境や負荷状態に応じて変更する例を示す。その他の、構成は前記実施例４と同様である。
　図７において、実施例４から新たに追加された情報量決定部１２３と外部情報変換部１１２について説明する。情報量決定部１２３は処理条件判定部１２２からの判定結果をもとに、カメラ２００で取得した外界画像を物体抽出部１１１へ入力する画素数（解像度）を決定して、ＦＰＧＡ１７０の外部情報変換部１１２へ指令する。
　外部情報変換部１１２は、情報量決定部１２３からの指令をもとにカメラ２００で取得した外界画像をＤＮＮで使用可能なフォーマットに変換する。これにより、物体抽出部１１１では処理条件（層数）に合わせた画素数で物体抽出が行われる。
　前記実施例１、２、３、４において、物体抽出部１１１の各層（５１０～５５０）で抽出される物体の大きさは異なるため、物体抽出部１１１の各層の処理内容によっては必要となる外界画像の画素数（解像度）も異なるため、物体抽出部１１１へ入力される画像の画素数は、物体抽出処理で使用する層数に応じて動的に変更されることが望ましい。
　以下、外部情報変換部１１２における処理について具体例を用いて説明する。
　一例として、カメラ２００は２００万画素の画像を出力していたとする。また、処理条件判定部１２２の判定結果から、情報量決定部１２３は、物体抽出をするために必要な画素数は２５万画素であると判定したとする。
　この場合、外部情報変換部１１２は、カメラ２００から出力された２００万画素の画像を２５万画素になるように変換する。物体抽出部１１１は、この外部情報変換部１１２から出力された２５万画素の画像を使って物体抽出を行う。
　このように、ＤＮＮ処理部１１０は、処理条件判定部１２２からの判定結果に基づいて物体抽出部１１１への入力画像の画素数を動的に変更することで、物体抽出部１１１で使用するＤＮＮの実行層の数に合わせた画素数の画像を使用することが可能となる。このため、ＤＮＮの実行層を削減することに加えて、物体抽出部１１１の画像の画素数を削減でき、演算量を削減することが可能となる。
　これにより、本実施例の情報処理装置１００は、実施例１、２、３、４よりも消費電力の削減及び発熱量の抑制が可能となる。結果として、本実施例の情報処理装置１００は、実施例１、２、３、４よりも電動車両では走行可能距離が増大し、ＦＰＧＡ１７０等の冷却コストの低減が期待できる。
　なお、本実施例では情報量決定部１２３はカメラ２００からの画素数を変更しているが、外部情報を出力するものがＬｉＤＡＲやＲＡＤＡＲであれば点群数を変更する等、外部情報の情報量の変更（削減）であればよく、画素数に限定されない。
　図８は、実施例７の情報処理装置１００を用いた自動運転システムの構成の一例を示すブロック図である。図８においては、図１と同様の構成要素には同じ名称と符号を付与しており、特に説明がない限り、同一又は類似の機能を有するものとして、説明を省略する。
　本実施例では、前記実施例１の実行層決定部１２１をブロック領域決定部１２４に置き換えた例を示す。その他の構成については、前記実施例１と同様である。
　図８において新たに追加されたブロック領域決定部１２４は、ＤＮＮの物体抽出の処理を実行するブロック領域を保持しており、ブロック領域の情報を物体抽出部１１１に出力する。本実施例のブロック領域決定部１２４は、予め設定された領域を固定されたブロック領域として保持している。
　以下、物体抽出部１１１の処理について具体例を用いて説明する。
　図９は図８の物体抽出部１１１が、カメラ２００から入力された画像データからＤＮＮで物体の抽出を行う処理の一部を抜粋した例を示す図である。
　図９において、カメラ画像６００は図８におけるカメラ２００から出力されるカメラ画像を示す。また、画像６１０は物体抽出部１１１用ＤＮＮの第１層目でのカメラ画像６００の分割状態を示し、画像６２０は第２層での分割状態を示し、画像６３０は第３層での分割状態を示し、画像６４０は第４層での分割状態を示し、画像６５０は第５層での分割状態を示す。
　ＤＮＮ処理部１１０は、画像６１０ではカメラ画像６００を５×５＝２５のブロックに分割して、物体抽出部１１１は各ブロック単位で物体抽出の処理を行う。ＤＮＮ処理部１１０は、同様に画像６２０ではカメラ画像６００を４×４＝１６のブロックに分割し、画像６３０ではカメラ画像６００を３×３＝９のブロックに分割し、画像６４０ではカメラ画像６００を２×２＝４のブロックに分割し、画像６５０ではカメラ画像６００を１×１＝１のブロックに分割して物体抽出の処理を行う。
　したがって、図９に示す第１層～第５層の物体抽出部１１１を構成するＤＮＮが物体抽出処理を行う回数は２５＋１６＋９＋４＋１＝５５回となる。なお、物体抽出部１１１のＤＮＮの構造については、本実施例で使用した構造のように小さい物体を先に抽出してから大きい物体を抽出するという構成に限定されず、カメラ画像６００から物体を抽出可能なものであればよい。また、この場合のＤＮＮの演算をする際のブロックの分割数及び層の数は、自動運転を実現するために必要な精度を確保することが可能であれば、図９の例に限定されない。
　一方、例えばカメラ２００からのカメラ画像６００には、図９に示すように自車のボンネットや空６０１等の物体が写る場合がある。これらの物体は、車両の制御を行う際にはカメラ画像６００からの抽出が不要な物体である。そのため、物体抽出部１１１がＤＮＮを実行するブロック領域を指定することで、不要な物体のみが写るブロック領域での物体抽出の処理を削減してもよい。
　図９において、例えば、平坦な見通しのよい道のみを走行する車両の場合には、カメラ画像６００には自動運転に不要な物体（雲やボンネット）が常に同じ場所にある。この場合、この部分のブロック領域では物体抽出の処理を行わなくてよい。物体抽出部１１１では、ＤＮＮを実行するブロック領域として指定された領域のみで物体抽出の処理を行う。
　図９の場合では、物体抽出の処理を行わない領域を除外領域とし、物体抽出の処理を実行する領域をブロック領域とする。
　物体抽出部１１１の第１層の画像６１０では、カメラ画像６００のうち空のみが写る領域を除外領域６１１－Ａとし、カメラ画像６００のうちボンネットのみが写る領域を除外領域６１１－Ｂとする。なお、除外領域の空とボンネットを特定しない場合には、「－」以降の符号を省略した符号「６１１」で表す。他の構成要素の符号についても同様である。
　そして、除外領域６１１－Ａと６１１－Ｂの間の領域を、ブロック領域６１２に設定する。すなわち、第１層では、物体抽出部１１１が、画像６１０のうち上から３行目と４行目のブロック領域６１２でＤＮＮによる物体抽出を実施すればよい。
　第２層の画像６２０では、物体抽出部１１１がカメラ画像６００のうち空のみが写る領域を除外領域６２１－Ａとし、カメラ画像６００のうちボンネットのみが写る領域を除外領域６２１－Ｂとする。
　そして、除外領域６２１－Ａと６２１－Ｂの間の領域を、ブロック領域６２２に設定する。第２層では、物体抽出部１１１が画像６２０のうち上から２行目と３行目のブロック領域でＤＮＮによる物体抽出を実施すればよい。
　第３層の画像６３０では、物体抽出部１１１がカメラ画像６００のうち空のみが写る領域を除外領域６３１－Ａとする。そして、除外領域６３１－Ａ以外の領域を、ブロック領域６３２として設定する。第３層では、物体抽出部１１１が、画像６６０のうち上から２行目と３行目のブロック領域６３２でＤＮＮによる物体抽出を実施すればよい。
　第４層の画像６４０と第５層の画像６２０では、全ての領域がブロック領域６４２、６５２に設定されて、全てのブロックでＤＮＮによる物体抽出が実行される。
　このように、物体抽出の処理を行わない除外領域６１１を、ブロック領域決定部１２４に予め設定しておくことで、ＤＮＮの演算数は９＋８＋６＋４＋１＝２８回となり、カメラ画像６００の全てのブロック領域で物体抽出を実施した場合に比べて、２７回のＤＮＮの演算を削減できる。
　本実施例では、カメラ画像６００のうち固定された除外領域で物体抽出部１１１のＤＮＮの処理が削減されることで、例えば、ＦＰＧＡ１７０やＧＰＵ等の演算装置の消費電力の削減及び発熱量の抑制が可能となる。結果として、電動車両では走行可能距離が増大し、ＦＰＧＡ１７０等の演算装置の冷却コストが低減される。
　なお、本実施例では説明を簡単にする都合上、図９におけるＤＮＮの層数やブロック数に前記のような値を使用しているが、実際の物体抽出に使用するＤＮＮでは外部情報であるカメラ画像６００を数千から数万のブロックに分割し、かつ層の数も多い。そのため、実際の演算回数は前記で示した例より膨大で、演算を実行するブロック領域を削減することによる演算量の低減効果も非常に大きくなる。
　なお、本実施例では外部情報をカメラ２００から取得しているが、これに限定されるものではない。外部情報としては、例えば、ＬｉＤＡＲや、ＲＡＤＡＲあるいは遠赤外線カメラ等の物体との距離や物体の種類が取得できるセンサであればよい。また、センサは単独で使用してもよいし、複数を組み合わせて使用してもよい。
　また、ブロック領域決定部１２４では物体抽出部１１１のＤＮＮが実行するブロック領域を決定しているが、前記実施例１、２、３、４、５、６のように層の削除を行ってもよい。この場合、物体抽出部１１１で使用するブロック数を削減するのに加えて、ＤＮＮの層数も削減することで、さらに消費電力を削減することが可能となる。
　以下に、本発明の実施例８について説明する。図１０は、本実施例の情報処理装置１００を用いた自動運転システムの構成の一例を示すブロック図である。図１０において、図８と同様の構成要素には同じ名称と符号を付与しており、特に説明がない限り、同一又は類似の機能を有するものとして、説明を省略する。
　本実施例は、前記実施例７に処理条件判定部１２２とセンサを追加して、ＦＰＧＡ１７０内のブロック領域決定部１２４を処理内容制御部１２０内へ移動した例を示す。その他の構成については、前記実施例７と同様である。
　図１０において、実施例７から新たに追加された処理条件判定部１２２は、走行中の車両のセンサ等からの走行状態を示す情報を入力として、現在の走行環境の判定を行う。ブロック領域決定部１２４は処理条件判定部１２２が判定した走行環境に基づいて、物体抽出処理でＤＮＮを実行するブロック領域（図９の６１２、６２２、６３２、６４２、６５２以下同様）を動的に変更する。
　本実施例では、車両の走行状態を検出するセンサとして、前記実施例２と同様に車速センサ３０と照度センサ４０を情報処理装置１００に接続する例を示すが、これらに限定されるものではない。
　情報処理装置１００の処理条件判定部１２２は、前記実施例２と同様に、車速センサ３０と照度センサ４０からの情報から走行環境を判定して、ブロック領域決定部１２４へ出力する。ブロック領域決定部１２４は、入力された走行環境に基づいてＤＮＮで使用するブロック領域（又は除外領域）を処理条件として決定して物体抽出部１１１へ指令する。
　前記実施例７では、ブロック領域が固定値のためＦＰＧＡ１７０内にブロック領域決定部１２４を配置した例を示したが、実施例８では、ブロック領域決定部１２４が動的にブロック領域（又は除外領域）を変更する。このため、実行層決定部１２１はプログラムとしてメモリ２０にロードされて、プロセッサ１０によって実行される。
　実施例７では、限定された走行環境においてＤＮＮを実行するブロック領域を静的に決定する例を示したが、車両の自動運転では走行環境は様々であり複雑で、画像データから抽出される物体抽出の精度も時々刻々と変化するため、走行環境に応じてＤＮＮを実行するブロック領域（又は除外領域）を動的に変更できることが望ましい。
　以下、処理条件判定部１２２の処理について具体例を用いて説明する。
　一例として、走行状態を示す情報とし車速センサ３０が検出した車速を用いる例を示す。処理条件判定部１２２は、車速センサ３０が検出した車速が、予め設定された車速閾値以下であれば現在の走行環境が渋滞中であると判定する。
　車両が渋滞中で非常に低速（例えば、５ｋｍ／ｈ）で走行している場合は、カメラ２００から入力される画像の変化が小さいため、物体抽出部１１１では、自車前方の車両に追従可能な物体抽出の精度があればよく、カメラ２００からの画像の全ての領域で物体抽出を実行する必要がない。
　ブロック領域決定部１２４は、処理条件判定部１２２が判定した走行環境をもとに処理条件を決定する。ブロック領域決定部１２４は、処理条件として、自動運転に必要な物体抽出の精度を確保しつつＤＮＮの演算量が削減できるように、図９における物体抽出をしない除外領域６１１、６２１、６３１及びＤＮＮで物体抽出を行うブロック領域６１２、６２２、６３２、６４２、６５２を決定する。
　物体抽出部１１１は、ブロック領域決定部１２４が決定したブロック領域６１２、６２２、６３２、６４２、６５２のみで物体抽出を行う。なお、以下では単にブロック領域と除外領域とする場合がある。
　このように、実施例８では前記実施例７の構成に、走行状態を示す情報から外部環境（走行環境）を判定する処理条件判定部１２２を追加し、走行環境に適した処理条件の判定を行う。これにより、本実施例の情報処理装置１００は、前記実施例７に比して走行環境に合わせて動的に、物体抽出の精度とＦＰＧＡ１７０の消費電力及び発熱量の変更ができる。
　結果として、電動車両では実施例７に比して走行可能距離が増大し延び、ＦＰＧＡ１７０の冷却コスト低減が期待できる。なお、上記で渋滞と判定する方法は、車速センサ３０でなくてもよく、走行速度が分かる画像情報や、ラジオ、インターネット等の渋滞情報でもよい。
　また、走行状態を示す情報として照度センサ４０を用いて、処理条件判定部１２２が周囲の明るさ（照度）が予め設定された照度閾値以下であれば走行環境がトンネル内だと判定する。
　図１１は、トンネル走行中のカメラ２００からのカメラ画像６００のうち、物体抽出部１１１でＤＮＮの処理を行う例を示した図である。トンネル内は周囲が壁で覆われているため、カメラ画像６００のうち、左右端の物体抽出の処理はしなくてもよい。
　ブロック領域決定部１２４は、処理条件判定部１２２からの判定結果がトンネル内であれば、図１１に示す物体抽出をしない除外領域６０３を決定する。現在の走行環境をトンネルと判別する方法は、ＧＰＳのように現在位置を特定可能な装置等を用いることができる。
　なお、ブロック領域決定部１２４は、カメラ画像６００のフレーム間で変化のない（又は少ない）領域を除外領域６０３とするよう、物体抽出部１１１へ指令してもよい。
　また、走行状態を示す情報として車内カメラ（図示省略）を用いてもよい。この場合、処理条件判定部１２２は、車内カメラの画像データからドライバーがハンドルを操作しているか否かを検出し、ハンドルを操作していれば自動運転（ＡＤ：Ａｕｔｏｎｏｍｏｕｓ　Ｄｒｉｖｉｎｇ）の使用中ではないと判定する。ＡＤを使用する際には自動運転システムのみで車両を制御することから小さな物体まで認識するような高い精度での物体抽出が必要となるが、ＡＤを使用していない場合、ドライバーが外界情報を認知可能なため、運転支援が可能な物体抽出の精度が保たれていればよい。
　ブロック領域決定部１２４は、処理条件判定部１２２が判定した走行環境をもとに、物体抽出部１１１でＤＮＮを実行するブロック領域を決定する。あるいは、ブロック領域決定部１２４は、ＤＮＮを実行しない除外領域６１１等を決定してもよい。また、ＡＤ使用中かを判定する方法は車内カメラでなくてもよく、ハンドルの操作を検知するセンサやドライバーが運転席にいるかを判定可能なもの、又は行動計画部１３０が生成した自動運転車の行動計画の有無等のデータからＡＤを使用しているか判定してもよい。
　なお、処理条件判定部１２２は走行状態を示す情報のうちいずれか１つを用いて処理条件の判定をしてもよいし、複数用いて処理条件の判定をしてもよい。
　以下に、本発明の実施例９について説明する。図１２は、本実施例の情報処理装置１００を用いた自動運転システムの構成の一例を示すブロック図である。図１２において、図１０と同様の構成要素には同じ名称と符号を付与しており、特に説明がない限り、同一又は類似の機能を有するものとして、説明を省略する。
　本実施例では、前記実施例７に処理条件判定部１２２と負荷検出装置５０を追加して、ＦＰＧＡ１７０内のブロック領域決定部１２４を処理内容制御部１２０内へ移動した例を示す。その他の構成については、前記実施例７と同様である。
　前記実施例８では、処理条件判定部１２２は、走行中のセンサ等からの走行状態を示す情報を入力として、現在の走行環境の判定を行っているが、本実施例では処理条件判定部１２２は、情報処理装置１００の演算負荷を入力として、現在のＦＰＧＡ１７０の負荷状態の判定を行う。ブロック領域決定部１２４は、処理条件判定部１２２が判定した負荷状態をもとに物体抽出部１１１が物体抽出に使用するＤＮＮのブロック領域を決定する。
　図１２において、実施例７から新たに追加された負荷検出装置５０は、ＦＰＧＡ１７０の演算負荷を検出して処理条件判定部１２２へ入力する。なお、負荷検出装置５０は、例えば、ＦＰＧＡ１７０の消費電力や、供給電流などを演算負荷として検出するセンサを含むことができる。
　また、前記実施例７では、ＤＮＮを実行するブロック領域（又は除外領域）が固定値のためＦＰＧＡ１７０内にブロック領域決定部１２４を配置した例を示したが、実施例９では、ブロック領域決定部１２４が動的にブロック領域（処理条件）を変更するため、プログラムとしてメモリ２０にロードされて、プロセッサ１０によって実行する。
　以下、処理条件判定部１２２の処理について具体例を用いて説明する。
　一例として、処理条件判定部１２２は、演算負荷としてＦＰＧＡ１７０の負荷率を算出し、所定の負荷率閾値と比較する。なお、負荷率は、負荷検出装置５０が検出した消費電力を所定の最大電力で除した値（％）を用いる例を示す。
　処理条件判定部１２２は、ＦＰＧＡ１７０の負荷率が負荷率閾値よりも高い場合、ＦＰＧＡ１７０の演算負荷を下げると判定する。ブロック領域決定部１２４は、処理条件判定部１２２からの判定結果をもとに、ＦＰＧＡ１７０の負荷率が負荷率閾値以下になるように、物体抽出部１１１で物体抽出を実施しない除外領域を決定する。
　なお、ブロック領域決定部１２４は、カメラ画像６００のフレーム間で変化のない（又は少ない）領域を除外領域６０３とするよう、物体抽出部１１１へ指令してもよい。
　このように、演算負荷から負荷状態を判定する処理条件判定部１２２を追加することで、情報処理装置１００に含まれるＦＰＧＡ１７０の負荷率に応じた負荷状態を判定し、実行層決定部１２１は負荷状態に応じて処理条件を動的に変更することが可能となる。これにより、情報処理装置１００は、実施例１に比して動的にＦＰＧＡ１７０の消費電力の削減及び発熱量の抑制ができる。
　さらに、本実施例の情報処理装置１００では、上記により、熱暴走等によりＦＰＧＡ１７０に異常が発生するのを抑制し、演算精度が低下することを防ぐことが可能となる。これにより、前記実施例１に比して電動車両の走行可能距離を増大することが可能となり、ＦＰＧＡ１７０等の冷却コストを低減できる。
　また、本実施例で演算負荷としているＦＰＧＡ１７０の負荷率は、消費電力に限定されるものではない。ＦＰＧＡ１７０の温度等の演算負荷に関連する値を利用すればよい。また、上記演算負荷は、ＦＰＧＡ１７０だけはなくプロセッサ１０の演算負荷を含めるようにしてもよい。
　なお、処理条件判定部１２２は演算負荷のうちいずれか１つを用いて負荷状態の判定をしてもよいし、複数の演算負荷を用いて負荷状態を判定してもよい。
　以下に、本発明の実施例１０について説明する。図１３は、本実施例の情報処理装置１００を用いた自動運転システムの構成の一例を示すブロック図である。図１３において、図１０、図１２と同様の構成要素には同じ名称と符号を付与しており、特に説明がない限り、同一又は類似の機能を有するものとして、説明を省略する。
　本実施例では、前記実施例８の構成に前記実施例９構成を加えた例を示す。その他の構成については、前記実施例８と同様である。
　前記実施例８では走行中のセンサ等からの走行状態を示す情報を入力として、現在の走行環境の判定を行っており、実施例９では情報処理装置１００の演算負荷を入力として、現在の負荷状態の判定を行う例を示した。本実施例では、前記実施例８に前記実施例９を組み合わせた例を示す。
　処理条件判定部１２２は、走行中の走行状態を示す情報と、ＦＰＧＡ１７０の演算負荷の両方を入力として、走行環境と負荷状態の判定を行ってブロック領域決定部１２４へ出力する。ブロック領域決定部１２４は、処理条件判定部１２２からの判定結果をもとに物体抽出に使用するＤＮＮのブロック領域（処理条件）を決定する。なお、ブロック領域決定部１２４は、上述のようにブロック領域又は除外領域を決定すればよい。
　このように、本実施例の情報処理装置１００は、処理条件判定部１２２で走行状態を示す情報と、ＦＰＧＡ１７０の演算負荷から走行環境と負荷状態を判定することで、実施例８及び実施例９に比して物体抽出の精度と消費電力及び発熱量の削減を動的に変更できる。
　結果として、本実施例の情報処理装置１００は、実施例８及び実施例９の利点を合わせた効果が期待できる。つまり、様々な走行環境において適した物体抽出の精度を保ちつつ、ＦＰＧＡ１７０の負荷を正常な状態に保つことが可能となる。
　なお、処理条件判定部１２２は走行状態を示す情報及び演算負荷のうちいずれか１つを用いて処理条件の判定をしてもよいし、複数用いて処理条件の判定をしてもよい。
　以下に、本発明の実施例１１について説明する。図１４は、本実施例の情報処理装置１００を用いた自動運転システムの構成の一例を示すブロック図である。図１４において、図１３と同様の構成要素には同じ名称と符号を付与しており、特に説明がない限り、同一又は類似の機能を有するものとして、説明を省略する。
　本実施例は、前記実施例１０の構成要素にＬｉＤＡＲ４００と、センサ認識部１４０と、認識精度判定部１５０を追加したものである。その他の構成については前記実施例４と同様である。
　図１４において、実施例１０から新たに追加されたセンサ認識部１４０はＬｉＤＡＲ４００からの情報（距離及び方位）を処理し、物体の認識を行う。また、認識精度判定部１５０は、物体抽出部１１１からの物体の抽出結果と、センサ認識部１４０からの物体認識の結果の差異を判定することで、物体抽出部１１１の物体抽出が必要な精度を保持しているか否かを判定し、判定した結果を処理条件判定部１２２に出力する。
して演算負荷を削減する条件となる基準値を更新することで、演算負荷削減による物体抽出の精度が不足するような過度な演算削除を防ぐ。
　そして、処理条件判定部１２２は、認識精度判定部１５０からの判定結果と、走行状態及び演算負荷に基づいて、物体抽出部１１１での演算負荷を削減する条件となる基準値を更新することで、演算負荷の削減による物体抽出の精度が不足するような過度な演算の省略を防ぐ。
　前記実施例７、８、９、１０では、走行状態を示す情報と演算負荷によってＤＮＮによって物体抽出を実行するブロック領域は静的であったが、自動運転をするために必要な物体抽出の精度を保つために、この基準値は動的であることが望ましい。
　以下、認識精度判定部１５０の処理について具体例を用いて説明する。
　一例として、カメラ２００からの画像データを入力して、物体抽出部１１１で抽出した物体が５個、ＬｉＤＡＲ４００からの情報からセンサ認識部１４０で認識した物体の個数が７個で、物体抽出部１１１において抽出された物体の数がセンサ認識部１４０で認識された物体の数よりも少なかったとする。
　この場合、センサ認識部１４０で抽出された物体が物体抽出部１１１では抽出できていないことから、物体抽出部１１１は自動運転に必要な物体抽出の精度が保たれていないと判定する。
　認識精度判定部１５０は、物体抽出部１１１とセンサ認識部１４０のからの情報をもとに、処理条件判定部１２２に処理条件を物体抽出の精度が向上するように変更する命令を出力し、処理条件判定部１２２は処理条件を決めるための基準値の変更を行う。
　本実施例の基準値は、例えば、負荷率閾値を補正する値とした場合、処理条件判定部１２２は認識精度判定部１５０から物体抽出の精度を向上する命令を受け付けると、基準値を＋５％として負荷率閾値を増大させる。また、処理条件判定部１２２は、ブロック領域決定部１２４へ負荷率閾値を増大したことを通知する。
　ブロック領域決定部１２４は、負荷率閾値の増大の通知を受け付けると、現在物体抽出部１１１で使用しているＤＮＮのブロック領域に所定値を加算してＦＰＧＡ１７０の物体抽出部１１１へ指令する。ブロック領域決定部１２４の所定値は、例えば、１などに設定される。
　このように、認識精度判定部１５０からの要求に応じて、ブロック領域決定部１２４は物体抽出部１１１で使用するＤＮＮのブロック領域の数を増大し、物体を抽出する精度を向上させることができる。
　ただし、実行層決定部１２１は、走行環境が渋滞中又は夜間の場合には、物体抽出部１１１が使用するＤＮＮのブロック領域を増大させる効果が低いため、負荷率閾値の増大の通知をキャンセルすることができる。
　このように、ＬｉＤＡＲ４００からの情報で物体を認識するセンサ認識部１４０と、物体抽出部１１１とセンサ認識部１４０の物体抽出の精度を判定する認識精度判定部１５０を追加することで、物体抽出部１１１において自動運転に必要な物体抽出の精度が不足するような、過度の演算処理（層）の削減が行われることを防ぐことができる。
　これにより、本実施例の情報処理装置１００は、前記実施例７、８、９、１０よりも精度の高い処理を維持できる。結果として本実施例の情報処理装置１００は、実施例７、８、９、１０に対して、ＦＰＧＡ１７０の消費電力を低減することが可能となる。
　なお、本実施例では物体抽出の精度の判定に用いるセンサをＬｉｄａｒ４００としているが、これはカメラ、ＲＡＤＡＲ、遠赤外線カメラ等の物体との距離や物体の種類が判別できるもので、物体抽出部１１１に入力される外部情報を出力するセンサと異なるものであればよく、ＬｉＤＡＲに限定されない。また、センサは単独で使用してもよいし、複数を組み合わせて使用してもよい。
　また、本実施例では、認識精度判定部１５０が物体抽出の精度を判定する手法として、物体抽出部１１１の結果とセンサ認識部１４０の結果が一致しているか否かを判定するという静的な処理となっているが、認識精度判定部１５０に学習機能を持たせることで物体抽出の精度を判定する基準を動的に変化させてもよい。
　以下に、本発明の実施例１２について説明する。図１５は、本実施例の情報処理装置１００を用いた自動運転システムの構成の一例を示すブロック図である。図１５において、図１３と同様の構成要素には　同じ名称と符号を付与しており、特に説明がない限り、同一又は類似の機能を有するものとして、説明を省略する。
　本実施例では、図１３に示した前記実施例１０の処理内容制御部１２０に情報量決定部１２３と、ＤＮＮ処理部１１０内に外部情報変換部１１２を追加して、カメラ２００から入力された外界画像の画素数（又は解像度）を走行環境や負荷状態に応じて変更する例を示す。その他の、構成は前記実施例１０と同様である。
　図１５において、前記実施例１０から新たに追加された情報量決定部１２３と外部情報変換部１１２について説明する。情報量決定部１２３は処理条件判定部１２２からの結果をもとに、カメラ２００で取得した外界画像を物体抽出部１１１へ入力する画素数（解像度）を決定して、ＦＰＧＡ１７０の外部情報変換部１１２へ指令する。
　外部情報変換部１１２は、情報量決定部１２３からの指令をもとにカメラ２００で取得した外界画像をＤＮＮで使用可能なフォーマットに変換する。これにより、物体抽出部１１１では処理条件（ブロック領域又は除外領域）に合わせた画素数で物体抽出が行われる。
　以下、外部情報変換部１１２における処理について具体例を用いて説明する。
　一例として、カメラ２００は２００万画素の画像を出力していたとする。また、処理条件判定部１２２の判定結果から、情報量決定部１２３は、物体抽出をするために必要な画素数は２５万画素であると判定したとする。この場合、外部情報変換部１１２は、カメラ２００から出力された２００万画素の画像を２５万画素になるように変換する。物体抽出部１１１は、この外部情報変換部１１２から出力された２５万画素の画像を使って物体抽出を行う。
　このように、本実施例の情報処理装置１００は、処理条件判定部１２２からの判定結果に基づいて入力画像の画素数を動的に変更することで、物体抽出部１１１でＤＮＮを実行するブロック領域に合わせた画素数の画像を使用することが可能となる。このため、ＤＮＮの実行層を削減することに加えて、物体抽出部１１１が物体抽出を行う画像の画素数を削減でき、演算量を削減することが可能となる。
　これにより、本実施例の情報処理装置１００は、前記実施例７、８、９、１０よりも消費電力の削減及び発熱量の抑制が可能となる。結果として、本実施例の情報処理装置１００は、実施例７、８、９、１０より電動車両では走行可能距離が伸び増大し、ＦＰＧＡ１７０の冷却コストの改善が期待できる。
　なお、本実施例では情報量決定部１２３はカメラ２００からの画素数を変更しているが、外部情報を出力するものがＬｉＤＡＲやＲＡＤＡＲであれば点群数を決定する等、外部情報の情報量であればよく、画素数に限定されない。
　＜結び＞　以上のように、上記実施例１～６（７～１２）の情報処理装置１００は、以下のような構成とすることができる。
　（１）プロセッサ（１０）とメモリ（２０）と推論モデルで演算を実行する演算装置（ＦＰＧＡ１７０）を有する情報処理装置（１００）であって、外部情報（カメラ２００の出力）を受け付けて、前記推論モデルによって前記外部情報から外界の物体を抽出するＤＮＮ処理部（１１０）と、前記ＤＮＮ処理部（１１０）の処理内容を制御する処理内容制御部（１２０）と、を有し、前記ＤＮＮ処理部（１１０）は、複数のニューロンの層を有するディープニューラルネットワークで前記推論モデルを実行する物体抽出部（１１１）を有し、前記処理内容制御部（１２０）は、前記物体抽出部（１１１）で用いる前記層を決定する実行層決定部（１２１）を含むことを特徴とする情報処理装置。
　上記構成により、物体抽出部１１１が使用するＤＮＮの層（固定値）を削減することで、例えばＦＰＧＡ１７０やＧＰＵ等の演算装置の消費電力の削減及び発熱量の抑制が可能となる。結果として、電動車両では走行可能距離が増大し、演算装置の冷却コストが低減できる。
　（２）上記（１）に記載の情報処理装置であって、前記処理内容制御部（１２０）は、外部の状態情報（走行状態）を受け付けて、予め設定された閾値と外部の状態情報の値を比較して、外部環境を判定する処理条件判定部（１２２）を含み、前記実行層決定部（１２１）は、前記処理条件判定部（１２２）の判定結果に基づいて、前記ＤＮＮ処理部（１１０）で使用する前記層の数を決定し、前記ＤＮＮ処理部（１１０）に出力することを特徴とする情報処理装置。
　上記構成により、走行状態を検出するセンサと、走行状態を示す情報から車両の走行環境を判定する処理条件判定部１２２とを追加し、実行層決定部１２１が走行環境に適した処理条件の決定を行う。これにより、情報処理装置１００は、上記（１）よりも、走行環境に合わせて動的に、物体抽出の精度と演算装置（ＦＰＧＡ１７０）の消費電力及び発熱量に影響を与える処理条件を動的に変更することが可能となる。
　結果として、電動車両では上記（１）よりも走行可能距離が増大し、演算装置（ＦＰＧＡ１７０）の冷却コスト低減が期待できる。
　（３）上記（１）に記載の情報処理装置であって、前記演算装置（１７０）の演算負荷を検出する負荷検出装置（５０）をさらに有し、前記処理内容制御部（１２０）は、前記負荷検出装置（５０）から前記演算負荷を受け付けて、予め設定された負荷閾値と前記演算負荷を比較して負荷状態を判定する処理条件判定部（１２２）を有し、前記実行層決定部（１２１）は、前記処理条件判定部（１２２）の判定結果に基づいて、前記ＤＮＮ処理部（１１０）で使用する前記層の数を決定することを特徴とする情報処理装置。
　上記構成により、情報処理装置１００に含まれるＦＰＧＡ１７０の負荷に応じた負荷状態を判定し、実行層決定部１２１は負荷に応じて処理条件を動的に変更することができる。これにより、情報処理装置１００は、上記（１）に比して動的にＦＰＧＡ１７０の消費電力の削減及び発熱量の抑制が可能となる。
　さらに、本実施例の情報処理装置１００では、上記により、熱暴走等によりＦＰＧＡ１７０に異常が発生するのを抑制し、演算装置の演算精度が低下することを防ぐことが可能となる。これにより、前記実施例１に比して電動車両の走行可能距離を増大することが可能となり、ＦＰＧＡ１７０等の冷却コストを低減できる。
　（４）上記（２）に記載の情報処理装置であって、　
　前記演算装置（１７０）の演算負荷を検出する負荷検出装置（５０）をさらに有し、前記処理条件判定部（１２２）は、前記負荷検出装置（５０）から前記演算負荷を受け付けて、予め設定された負荷閾値と前記演算負荷を比較して負荷状態を判定し、前記外部環境の判定結果と前記負荷状態の判定結果を前記実行層決定部（１２１）へ出力し、前記実行層決定部（１２１）は、前記処理条件判定部（１２２）の判定結果に基づいて、前記ＤＮＮ処理部（１１０）で使用する前記層の数を決定することを特徴とする情報処理装置。
　上記構成により、処理条件判定部１２２で走行状態を示す情報と、ＦＰＧＡ１７０の演算負荷から走行環境と負荷状態を判定することで、上記（２）及び（３）に比して動的に物体抽出の精度と消費電力及び発熱量の削減を変更することが可能となる。結果として、上記（２）及び（３）の利点を合わせた効果が期待できる。つまり、様々な走行環境において適した物体抽出の精度を保ちつつ、ＦＰＧＡ１７０の負荷を正常な状態に保つことが可能となる。
　（５）上記（４）に記載の情報処理装置であって、前記処理内容制御部（１２０）は、物体を検出するセンサ情報（ＬｉＤＡＲ４００の出力）を受け付けて、前記センサ情報から物体を認識するセンサ認識部（１４０）と、前記センサ認識部（１４０）で認識された物体と、前記ＤＮＮ処理部（１１０）で抽出した物体を比較して認識精度を算出し、前記認識精度が予め設定された精度閾値以下の場合には、認識精度の低下を判定する認識精度判定部（１５０）と、をさらに有し、前記処理条件判定部（１２２）は、前記外部環境の判定結果と、前記負荷状態の判定結果に、前記認識精度判定部（１５０）の判定結果を加えて前記実行層決定部（１２１）へ出力し、前記実行層決定部（１２１）は、前記処理条件判定部（１２２）の判定結果に基づいて、前記ＤＮＮ処理部（１１０）で使用する前記層の数を決定することを特徴とする情報処理装置。
　上記構成により、ＬｉＤＡＲ４００からの情報で物体を認識するセンサ認識部１４０と、物体抽出部１１１とセンサ認識部１４０の物体抽出の精度を判定する認識精度判定部１５０を追加することで、物体抽出部１１１において自動運転に必要な物体抽出の精度が不足するような、過度の演算処理（層）の削減が行われることを防ぐことができる。これにより、情報処理装置１００は、上記（１）、（２）、（３）、（４）よりも精度の高い処理を維持できる。結果として上記（１）、（２）、（３）、（４）に対して、より消費電力の削減が可能となる。
　（６）上記（２）に記載の情報処理装置であって、前記外部情報は、画像情報であって、前記処理内容制御部（１２０）は、前記処理条件判定部（１２２）の判定結果に基づいて前記画像情報の情報量を決定する情報量決定部（１２３）をさらに有し、前記ＤＮＮ処理部（１１０）は、前記情報量決定部（１２３）で決定された情報量に基づいて、前記物体抽出部（１１１）で用いる前記画像情報の情報量を変更する外部情報変換部（１１２）をさらに有することを特徴とする情報処理装置。
　上記構成により、ＤＮＮ処理部１１０は、処理条件判定部１２２からの判定結果に基づいて入力画像の画素数を動的に変更することで、物体抽出部１１１で使用するＤＮＮの実行層の数に合わせた画素数の画像を使用することができる。このため、ＤＮＮの実行層を削減することに加えて、物体抽出部１１１で使用する画像の画素数を削減でき、演算量さらに削減することが可能となる。これにより、上記（１）、（２）、（３）、（４）よりも消費電力の削減及び発熱量の抑制が可能となる。結果として、上記（１）、（２）、（３）、（４）よりも電動車両では走行可能距離が増大し、ＦＰＧＡ１７０等の冷却コストの低減が期待できる。
　なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。
例えば、上記した実施例は本発明を分かりやすく説明するために詳細に記載したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加、削除、又は置換のいずれもが、単独で、又は組み合わせても適用可能である。
　また、上記の各構成、機能、処理部、及び処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、及び機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）等の記録装置、又は、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。
　また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。
　＜補足＞
　特許請求の範囲に記載した以外の本発明の観点の代表的なものとして、次のものがあげられる。
　＜７＞
　プロセッサとメモリと推論モデルで演算を実行する演算装置を有する情報処理装置であって、
　外部情報を受け付けて、前記推論モデルによって前記外部情報から外界の物体を抽出するＤＮＮ処理部と、前記ＤＮＮ処理部の処理内容を制御する処理内容制御部と、を有し、前記ＤＮＮ処理部は、前記外部情報を異なる大きさの物体を抽出するための複数のブロック領域に分割し、ディープニューラルネットワークによって前記ブロック領域毎に前記外界の物体を抽出する前記推論モデルを含む物体抽出部を有し、前記処理内容制御部は、前記物体抽出部で用いる前記ブロック領域を決定するブロック領域決定部を含むことを特徴とする情報処理装置。
　＜８＞
　上記＜７＞に記載の情報処理装置であって、前記処理内容制御部は、外部の状態情報を受け付けて、予め設定された閾値と外部の状態情報の値を比較して、外部環境を判定する処理条件判定部を含み、前記ブロック領域決定部は、前記処理条件判定部の判定結果に基づいて、前記ＤＮＮ処理部で使用する前記ブロック領域を決定し、前記ＤＮＮ処理部に出力することを特徴とする情報処理装置。
　＜９＞
　上記＜７＞に記載の情報処理装置であって、前記演算装置の演算負荷を検出する負荷検出装置をさらに有し、前記処理内容制御部は、前記負荷検出装置から前記演算負荷を受け付けて、予め設定された負荷閾値と前記演算負荷を比較して負荷状態を判定する処理条件判定部を有し、前記ブロック領域決定部は、前記処理条件判定部の判定結果に基づいて、前記ＤＮＮ処理部で使用する前ブロック領域を決定することを特徴とする情報処理装置。
　＜１０＞
　上記＜８＞に記載の情報処理装置であって、前記演算装置の演算負荷を検出する負荷検出装置をさらに有し、前記処理条件判定部は、前記負荷検出装置から前記演算負荷を受け付けて、予め設定された負荷閾値と前記演算負荷を比較して負荷状態を判定し、前記外部環境の判定結果と前記負荷状態の判定結果を前記ブロック領域決定部へ出力し、前記ブロック領域決定部は、前記処理条件判定部の判定結果に基づいて、前記ＤＮＮ処理部で使用する前記ブロック領域を決定することを特徴とする情報処理装置。
　＜１１＞
　上記＜１０＞に記載の情報処理装置であって、前記処理内容制御部は、物体を検出するセンサ情報を受け付けて、前記センサ情報から物体を認識するセンサ認識部と、前記センサ認識部で認識された物体と、前記ＤＮＮ処理部で抽出した物体を比較して認識精度を算出し、前記認識精度が予め設定された精度閾値以下の場合には、認識精度の低下を判定する認識精度判定部と、をさらに有し、前記処理条件判定部は、前記外部環境の判定結果と、前記負荷状態の判定結果に、前記認識精度判定部の判定結果を加えて前記ブロック領域決定部へ出力し、前記ブロック領域決定部は前記処理条件判定部の判定結果に基づいて、前記ＤＮＮ処理部で使用する前記ブロック領域を決定することを特徴とする情報処理装置。
　＜１２＞
　上記＜８＞に記載の情報処理装置であって、前記外部情報は、画像情報であって、前記処理内容制御部は、前記処理条件判定部の判定結果に基づいて前記画像情報の情報量を決定する情報量決定部をさらに有し、前記ＤＮＮ処理部は、前記情報量決定部で決定された情報量に基づいて、前記物体抽出部で用いる前記画像情報の情報量を変更する外部情報変換部をさらに有することを特徴とする情報処理装置。
１００　情報処理装置
１１０　ＤＮＮ処理部
１１１　物体抽出部
１１２　外部情報変換部
１２０　処理内容制御部
１２１　実行層決定部
１２２　処理条件判定部
１２３　情報量決定部
１２４　ブロック領域決定部
１３０　行動計画部
１４０　センサ認識部
１５０　抽出精度判定部
２００　カメラ
３００　車両制御部
４００　ＬｉＤＡＲ

Claims (6)

  1. 　プロセッサとメモリと推論モデルで演算を実行する演算装置を有する情報処理装置であって、
    　外部情報を受け付けて、前記推論モデルによって前記外部情報から外界の物体を抽出するＤＮＮ処理部と、
    　前記ＤＮＮ処理部の処理内容を制御する処理内容制御部と、を有し、
    　前記ＤＮＮ処理部は、
    　複数のニューロンの層を有するディープニューラルネットワークで前記推論モデルを実行する物体抽出部を有し、
    　前記処理内容制御部は、
    　前記物体抽出部で用いる前記層を決定する実行層決定部を含むことを特徴とする情報処理装置。
  2. 　請求項１に記載の情報処理装置であって、
    　前記処理内容制御部は、
    　外部の状態情報を受け付けて、予め設定された閾値と外部の状態情報の値を比較して、外部環境を判定する処理条件判定部を含み、
    　前記実行層決定部は、
    　前記処理条件判定部の判定結果に基づいて、前記ＤＮＮ処理部で使用する前記層の数を決定し、前記ＤＮＮ処理部に出力することを特徴とする情報処理装置。
  3. 　請求項１に記載の情報処理装置であって、
    　前記演算装置の演算負荷を検出する負荷検出装置をさらに有し、
    　前記処理内容制御部は、
    　前記負荷検出装置から前記演算負荷を受け付けて、予め設定された負荷閾値と前記演算負荷を比較して負荷状態を判定する処理条件判定部を有し、
    　前記実行層決定部は、
    　前記処理条件判定部の判定結果に基づいて、前記ＤＮＮ処理部で使用する前記層の数を決定することを特徴とする情報処理装置。
  4. 　請求項２に記載の情報処理装置であって、
    　前記演算装置の演算負荷を検出する負荷検出装置をさらに有し、
    　前記処理条件判定部は、
    　前記負荷検出装置から前記演算負荷を受け付けて、予め設定された負荷閾値と前記演算負荷を比較して負荷状態を判定し、前記外部環境の判定結果と前記負荷状態の判定結果を前記実行層決定部へ出力し、
    　前記実行層決定部は、
    　前記処理条件判定部の判定結果に基づいて、前記ＤＮＮ処理部で使用する前記層の数を決定することを特徴とする情報処理装置。
  5. 　請求項４に記載の情報処理装置であって、
    　前記処理内容制御部は、
    　物体を検出するセンサ情報を受け付けて、前記センサ情報から物体を認識するセンサ認識部と、
    　前記センサ認識部で認識された物体と、前記ＤＮＮ処理部で抽出した物体を比較して認識精度を算出し、前記認識精度が予め設定された精度閾値以下の場合には、認識精度の低下を判定する認識精度判定部と、をさらに有し、
    　前記処理条件判定部は、
    　前記外部環境の判定結果と、前記負荷状態の判定結果に、前記認識精度判定部の判定結果を加えて前記実行層決定部へ出力し、
    　前記実行層決定部は、
    　前記処理条件判定部の判定結果に基づいて、前記ＤＮＮ処理部で使用する前記層の数を決定することを特徴とする情報処理装置。
  6. 　請求項２に記載の情報処理装置であって、
    　前記外部情報は、画像情報であって、
    　前記処理内容制御部は、
    　前記処理条件判定部の判定結果に基づいて前記画像情報の情報量を決定する情報量決定部をさらに有し、
    　前記ＤＮＮ処理部は、
    　前記情報量決定部で決定された情報量に基づいて、前記物体抽出部で用いる前記画像情報の情報量を変更する外部情報変換部をさらに有することを特徴とする情報処理装置。
PCT/JP2020/046662 2020-01-30 2020-12-15 情報処理装置 Ceased WO2021153049A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202080089067.0A CN114846505B (zh) 2020-01-30 2020-12-15 信息处理装置
US17/786,680 US20230012843A1 (en) 2020-01-30 2020-12-15 Information processing apparatus
JP2021574516A JP7239747B2 (ja) 2020-01-30 2020-12-15 情報処理装置
DE112020005642.2T DE112020005642T5 (de) 2020-01-30 2020-12-15 Informationsverarbeitungsvorrichtung

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020013448 2020-01-30
JP2020-013448 2020-01-30

Publications (1)

Publication Number Publication Date
WO2021153049A1 true WO2021153049A1 (ja) 2021-08-05

Family

ID=77079733

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/046662 Ceased WO2021153049A1 (ja) 2020-01-30 2020-12-15 情報処理装置

Country Status (5)

Country Link
US (1) US20230012843A1 (ja)
JP (1) JP7239747B2 (ja)
CN (1) CN114846505B (ja)
DE (1) DE112020005642T5 (ja)
WO (1) WO2021153049A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2024041325A (ja) * 2022-09-14 2024-03-27 株式会社日立製作所 演算装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0757094A (ja) * 1993-08-10 1995-03-03 Ricoh Co Ltd ニューラルネットワークによる画像認識装置
JP2018190045A (ja) * 2017-04-28 2018-11-29 日立オートモティブシステムズ株式会社 車両電子制御装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0757904A (ja) * 1993-08-13 1995-03-03 Kobe Steel Ltd ダイヤモンド半導体装置
JP5401344B2 (ja) * 2010-01-28 2014-01-29 日立オートモティブシステムズ株式会社 車両用外界認識装置
US20160328644A1 (en) * 2015-05-08 2016-11-10 Qualcomm Incorporated Adaptive selection of artificial neural networks
JP6735506B2 (ja) 2016-09-29 2020-08-05 パナソニックＩｐマネジメント株式会社 画像生成装置、および、画像処理システム
JP6846624B2 (ja) * 2017-02-23 2021-03-24 パナソニックＩｐマネジメント株式会社 画像表示システム、画像表示方法及びプログラム
JP2018135068A (ja) * 2017-02-23 2018-08-30 パナソニックＩｐマネジメント株式会社 情報処理システム、情報処理方法及びプログラム
US10007269B1 (en) 2017-06-23 2018-06-26 Uber Technologies, Inc. Collision-avoidance system for autonomous-capable vehicle
US11093793B2 (en) * 2017-08-29 2021-08-17 Vintra, Inc. Systems and methods for a tailored neural network detector
US11455538B2 (en) * 2018-12-20 2022-09-27 GM Global Technology Operations LLC Correctness preserving optimization of deep neural networks
US12456055B2 (en) * 2019-06-17 2025-10-28 Nvidia Corporation Weakly-supervised object detection using one or more neural networks

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0757094A (ja) * 1993-08-10 1995-03-03 Ricoh Co Ltd ニューラルネットワークによる画像認識装置
JP2018190045A (ja) * 2017-04-28 2018-11-29 日立オートモティブシステムズ株式会社 車両電子制御装置

Also Published As

Publication number Publication date
JP7239747B2 (ja) 2023-03-14
CN114846505B (zh) 2025-05-30
DE112020005642T5 (de) 2022-09-01
CN114846505A (zh) 2022-08-02
US20230012843A1 (en) 2023-01-19
JPWO2021153049A1 (ja) 2021-08-05

Similar Documents

Publication Publication Date Title
US20230012645A1 (en) Deep neural network processing for sensor blindness detection in autonomous machine applications
JP7633162B2 (ja) 自律運転アプリケーションのための曲線適合を使用するランドマーク検出
US12039436B2 (en) Stereo depth estimation using deep neural networks
US11804047B2 (en) Method and apparatus for recognizing object
CN111095291B (zh) 由自动驾驶车辆实时检测车道和边界
CN113950702B (zh) 在视频分析应用中使用相关滤波器的多对象跟踪
US20210046861A1 (en) Automatic high beam control for autonomous machine applications
US20200324794A1 (en) Technology to apply driving norms for automated vehicle behavior prediction
CN116263688B (zh) 在自主系统和应用程序中使用特征描述符绘图进行单个和跨传感器对象追踪
US11987266B2 (en) Distributed processing of vehicle sensor data
CN114155272A (zh) 自主机器应用中的自适应目标跟踪算法
US20250078532A1 (en) Path marking detection and classification for autonomous and semi-autonomous systems and applications
CN110494863A (zh) 确定自主车辆的可驾驶自由空间
CN108537326A (zh) 用于自动驾驶车辆的方法、介质和系统
CN111133447A (zh) 适于自主驾驶的对象检测和检测置信度
CN115480092B (zh) 自主机器应用中多个频率范围内的电压监测
EP3850539B1 (en) Deep neural network processing for sensor blindness detection in autonomous machine applications
JP2024544502A (ja) 効率的なオブジェクト属性および／または意図分類のための機械学習アーキテクチャ
EP3989031B1 (en) Systems and methods for fusing road friction data to enhance vehicle maneuvering
JP7143269B2 (ja) 車両挙動予測のための圧縮環境特徴の表示
CN113609888A (zh) 利用平面单应性和自监督的场景结构理解进行对象检测
CN118154639A (zh) 用于自主系统及应用的对象跟踪管理
EP4602575A1 (en) Determining lanes from drivable area
CN119497280A (zh) 用于自主系统和应用的场景照明检测
JP7239747B2 (ja) 情報処理装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20916349

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021574516

Country of ref document: JP

Kind code of ref document: A

122 Ep: pct application non-entry in european phase

Ref document number: 20916349

Country of ref document: EP

Kind code of ref document: A1

WWG Wipo information: grant in national office

Ref document number: 202080089067.0

Country of ref document: CN