WO2024090390A1

WO2024090390A1 - 情報処理装置、車両、情報処理方法、及び情報処理プログラム

Info

Publication number: WO2024090390A1
Application number: PCT/JP2023/038227
Authority: WO
Inventors: 正義孫
Original assignee: ソフトバンクグループ株式会社
Priority date: 2022-10-24
Filing date: 2023-10-23
Publication date: 2024-05-02

Abstract

情報処理装置は、第１カメラにより撮影された物体の画像から、撮影された前記物体を点として捉えた点情報を出力する第１プロセッサと、前記第１カメラと対応する方向を向いた第２カメラにより撮影された前記物体の画像から、撮影された前記物体を識別した識別情報を出力する第２プロセッサと、を備える。

Description

情報処理装置、車両、情報処理方法、及び情報処理プログラム

　本開示は、情報処理装置、車両、情報処理方法、及び情報処理プログラムに関する。

　特開２０２２－０３５１９８号公報には、自動運転機能を有する車両について記載されている。

　ところで、特開２０２２－０３５１９８号公報に記載のように車両を自動運転する場合は、カメラによって車両の周囲が撮影された複数の画像を用いて自動運転の制御が行われる。そのため、従来の自動運転においては、自動運転を制御するプロセッサが取得するデータ量が多くなってしまい、自動運転の制御に要する計算量が多くなるとの問題があった。

　そこで、本開示は、カメラにより撮影された物体の撮影情報を所定の出力先に出力する場合に、当該出力先に出力するデータ量を削減することができる情報処理装置、車両、情報処理方法、及び情報処理プログラムを提供することを目的とする。

　第１態様の情報処理装置は、第１カメラにより撮影された物体の画像から、撮影された前記物体を点として捉えた点情報を出力する第１プロセッサと、前記第１カメラと対応する方向を向いた第２カメラにより撮影された前記物体の画像から、撮影された前記物体を識別した識別情報を出力する第２プロセッサと、を備える。

　第２態様の情報処理装置は、第１態様の情報処理装置において、前記第１プロセッサから出力された前記点情報及び前記第２プロセッサから出力された前記識別情報を対応付ける第３プロセッサを備える。

　第３態様の情報処理装置は、第１態様又は第２態様の情報処理装置において、前記第１カメラのフレームレートは可変であり、前記第１プロセッサは、所定要因に応じて前記第１カメラのフレームレートを変更する。

　第４態様の情報処理装置は、第３態様の情報処理装置において、前記第１プロセッサは、所定の対象物に対する外部環境に関するスコアを算出する。

　第５態様の情報処理装置は、第４態様の情報処理装置において、前記第１プロセッサは、算出した前記外部環境に関するスコアに応じて、前記第１カメラのフレームレートを変更する。

　第６態様の情報処理装置は、第１態様から第５態様の何れか１つの情報処理装置において、前記第１プロセッサは、前記第１カメラにより撮影された前記物体の画像から、撮影された前記物体の存在位置を示す点の３次元直交座標系における少なくとも２つの座標軸の座標値を出力し、前記第１プロセッサから出力された前記点情報及び前記第２プロセッサから出力された前記識別情報を対応付ける第３プロセッサを備える。

　第７態様の情報処理装置は、第６態様の情報処理装置において、前記第１プロセッサは、前記第１カメラにより撮影された画像から認識した前記物体の輪郭を囲む多角形の頂点の少なくとも対角となる２点の座標値を出力する。

　第８態様の情報処理装置は、第７態様の情報処理装置において、前記第１プロセッサは、前記第１カメラにより撮影された画像から認識した前記物体の輪郭を囲む多角形の複数の頂点の座標値を出力する。

　第９態様の情報処理装置は、第１態様から第８態様の何れか１つの情報処理装置において、前記第１プロセッサから出力された前記点情報及び前記第２プロセッサから出力された前記識別情報を対応付け、前記点情報及び前記識別情報に基づいて、移動体の自動運転を制御する第３プロセッサを備える。

　第１０態様の情報処理装置は、第９態様の情報処理装置において、前記第３プロセッサは、検知部が検知した検知情報に基づいて、前記移動体の自動運転を制御するための制御変数を算出し、算出した前記制御変数と、前記点情報及び前記識別情報とに基づいて、前記移動体の自動運転を制御する。

　第１１態様の情報処理装置は、第１態様から第１０態様の何れか１つの情報処理装置において、前記第１プロセッサは、前記第１カメラにより撮影された前記物体の可視光画像及び赤外線画像の少なくとも一方に基づいて、前記点情報を出力し、前記第１プロセッサから出力された前記点情報及び前記第２プロセッサから出力された前記識別情報を対応付ける第３プロセッサを備える。

　第１２態様の情報処理装置は、第１１態様の情報処理装置において、前記第１プロセッサは、所定要因により前記第１カメラに含まれる可視光カメラにより撮影された前記物体の可視光画像から前記物体を捉えられない場合、前記第１カメラに含まれる赤外線カメラにより撮影された前記物体の赤外線画像に基づいて前記点情報を出力する。

　第１３態様の情報処理装置は、第１２態様の情報処理装置において、前記第１プロセッサは、前記可視光カメラにより前記可視光画像を撮影するタイミングと、前記赤外線カメラにより前記赤外線画像を撮影するタイミングとを同期させる。

　第１４態様の情報処理装置は、第１態様から第１３態様の何れか１つの情報処理装置において、前記第１プロセッサは、前記第１カメラにより撮影された前記物体の画像及びレーダーにより前記物体に照射された電磁波の前記物体からの反射波に基づくレーダー信号から、前記点情報を出力し、前記第１プロセッサから出力された前記点情報及び前記第２プロセッサから出力された前記識別情報を対応付ける第３プロセッサを備える。

　第１５態様の情報処理装置は、第１４態様の情報処理装置において、前記第１プロセッサは、前記第１カメラにより前記画像を撮影するタイミングと、前記レーダーが前記レーダー信号に基づく前記物体の３次元点群データを取得するタイミングとを同期させる。

　第１６態様の情報処理装置は、第１４態様又は第１５態様の情報処理装置において、前記第１カメラによって撮影される単位時間あたりの画像数及び前記レーダーによって取得される単位時間あたりの３次元点群データの数は、前記第２カメラによって撮影される単位時間あたりの画像数より多い。

　第１７態様の情報処理装置は、第１態様から第１６態様の何れか１つの情報処理装置において、前記第２プロセッサは、前記第２カメラにより撮影された前記物体の画像から、撮影された前記物体の種別を示すラベル情報を出力し、前記第１プロセッサから出力された前記点情報及び前記第２プロセッサから出力された前記ラベル情報を対応付ける第３プロセッサを備える。

　第１８態様の情報処理装置は、第１７態様の情報処理装置において、前記第３プロセッサは、前記点情報が示す前記物体の位置情報と、前記位置情報が示す位置に存在する前記物体についての前記ラベル情報とを対応付ける。

　第１９態様の情報処理装置は、第１８態様の情報処理装置において、前記第３プロセッサは、前記第２プロセッサが前記ラベル情報を出力したタイミングと同じタイミングで前記第１プロセッサから出力された前記点情報を前記ラベル情報に対応付ける。

　第２０態様の情報処理装置は、第１８態様又は第１９態様の情報処理装置において、前記第３プロセッサは、前記点情報及び前記ラベル情報を対応付けた後に前記第１プロセッサから新たな前記点情報が出力された場合、新たな前記点情報についても前記ラベル情報と対応付ける。

　第２１態様の情報処理装置は、第１態様から第２０態様の何れか１つの情報処理装置において、前記第１プロセッサから出力された前記点情報及び前記第２プロセッサから出力された前記識別情報を対応付ける第３プロセッサを備え、前記第１プロセッサは、前記第１カメラにより撮影された前記物体の画像から、前記点情報として前記物体の存在位置を示す点の３次元直交座標系における前記物体の奥行き方向の座標値を導出する。

　第２２態様の情報処理装置は、第２１態様の情報処理装置において、前記第１プロセッサは、複数の前記第１カメラにより撮影された前記物体の画像から、前記点情報として前記奥行き方向の座標値を導出する。

　第２３態様の情報処理装置は、第２１態様又は第２２態様の情報処理装置において、前記第１プロセッサは、前記第１カメラにより撮影された前記物体の画像及びレーダーにより前記物体に照射された電磁波の前記物体からの反射波に基づくレーダー信号から、前記点情報として前記物体の幅方向、高さ方向、及び前記奥行き方向の座標値を導出する。

　第２４態様の情報処理装置は、第２１態様から第２３態様の何れか１つの情報処理装置において、前記第１プロセッサは、前記第１カメラにより撮影された前記物体の画像及び照射装置により前記物体に照射されたストラクチャードライトを撮影した結果から、前記点情報として前記物体の幅方向、高さ方向、及び前記奥行き方向の座標値を導出する。

　第２５態様の情報処理装置は、第２１態様から第２４態様の何れか１つの情報処理装置において、前記第１プロセッサは、第１時点の前記３次元直交座標系における前記物体の幅方向、高さ方向、及び前記奥行き方向の座標値と、前記第１時点の次の時点である第２時点における前記幅方向及び前記高さ方向の座標値とから、前記点情報として前記第２時点における前記奥行き方向の座標値を導出する。

　第２６態様の情報処理装置は、第１態様の情報処理装置において、前記第１プロセッサから出力された前記点情報及び前記第２プロセッサから出力された前記識別情報を対応付ける第３プロセッサを備え、前記第３プロセッサは、前記第１カメラにより撮影された前記物体の画像から、前記点情報として前記物体の存在位置を示す点の３次元直交座標系における前記物体の奥行き方向の座標値を導出する。

　第２７態様の情報処理装置は、第１態様から第２６態様の何れか１つの情報処理装置において、前記第１プロセッサは、イベントカメラにより撮影された前記物体の画像から、前記点情報を出力し、前記第２プロセッサは、前記イベントカメラと対応する方向を向いた前記第２カメラにより撮影された前記物体の画像から、前記識別情報を出力し、前記第１プロセッサから出力された前記点情報及び前記第２プロセッサから出力された前記識別情報を対応付ける第３プロセッサを備える。

　第２８態様の情報処理装置は、第２７態様の情報処理装置において、前記第１プロセッサは、所定要因により可視光カメラにより撮影された前記物体の可視光画像から前記物体を捉えられない場合、前記イベントカメラにより撮影された前記物体の画像に基づいて前記点情報を出力する。

　第２９態様の情報処理装置は、第２８態様の情報処理装置において、前記所定要因は、前記物体の移動速度が所定値以上の場合及び単位時間あたりにおける環境光の光量変化が所定値以上の場合の少なくとも１つを含む。

　第３０態様の情報処理装置は、第２７態様から第２９態様の何れか１つの情報処理装置において、前記イベントカメラは、現時刻に撮影された画像と前時刻に撮影された画像との差異部分を表すイベント画像を出力するカメラである。

　第３１態様の情報処理装置は、第１態様から第３０態様の何れか１つの情報処理装置において、前記第２プロセッサは、撮影された前記物体の画像を、第１のフレームレートで出力し、前記第１プロセッサは、撮影された前記物体の動きを示す動き情報を、前記第１のフレームレートよりも高い第２のフレームレートで出力し、前記画像及び前記動き情報に基づいて、車両の運転制御を実行する第３プロセッサを備える。

　第３２態様の情報処理装置は、第３１態様の情報処理装置において、前記第２のフレームレートは、前記第１のフレームレートの１０倍以上である。

　第３３態様の情報処理装置は、第３１態様又は第３２態様の情報処理装置において、前記第２のフレームレートは、１００フレーム／秒以上である。

　第３４態様の情報処理装置は、第３１態様から第３３態様の何れか１つの情報処理装置において、前記第１プロセッサは、物体の存在位置を示す点の、所定の座標軸に沿った動きのベクトル情報を出力する。

　第３５態様の情報処理装置は、第３４態様の情報処理装置において、２つの前記第１プロセッサを用いて、物体の存在位置を示す点の、三次元直交座標系における３つの座標軸の各々に沿った動きのベクトル情報を出力する。

　第３６態様の情報処理装置は、第３５態様の情報処理装置において、前記第３プロセッサは、１０億分の１秒単位で複数の情報を処理する能力を有する。

　第３７態様の情報処理装置は、第１態様の情報処理装置において、フレームレートが１００フレーム／秒以上のカメラで撮影された物体の画像から、物体の存在位置を示す点のみを抽出し、前記の物体の存在位置を示す点の、所定の座標軸に沿った動きのベクトル情報をプロセッサから出力する。

　第３８態様の情報処理装置は、第３５態様の情報処理装置において、前記第１プロセッサは、前記物体の輪郭を囲む四角形の頂点の少なくとも対角となる２つ点について前記ベクトル情報を出力する。

　第３９態様の情報処理装置は、第１態様から第３８態様の何れか１つの情報処理装置において、前記第１プロセッサは、前記物体の画像から前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点の、所定の座標軸に沿った動きを示す動き情報を１０００フレーム／秒以上のフレームレートで出力する。

　第４０態様の情報処理装置は、第３９態様の情報処理装置において、前記第１プロセッサは、前記物体の中心点又は重心点の所定の座標軸に沿った動きのベクトル情報を前記動き情報として出力する。

　第４１態様の情報処理装置は、第３９態様又は第４０態様の情報処理装置において、前記第１プロセッサは、前記物体の輪郭を囲む四角形の頂点の少なくとも対角となる２つ点について所定の座標軸に沿った動きのベクトル情報を前記動き情報として出力する。

　第４２態様の情報処理装置は、第３９態様から第４１態様の何れか１つの情報処理装置において、前記画像は、赤外線画像を含む。

　第４３態様の情報処理装置は、第３９態様から第４２態様の何れか１つの情報処理装置において、前記画像は、互いに同期した可視光画像及び赤外線画像を含む。

　第４４態様の情報処理装置は、第３９態様から第４３態様の何れか１つの情報処理装置において、２つの前記第１プロセッサを用いて、前記物体の存在位置を示す点の、三次元直交座標系における３つの座標軸の各々に沿った動きのベクトル情報を前記動き情報として出力する。

　第４５態様の情報処理装置は、第３９態様から第４４態様の何れか１つの情報処理装置において、前記第１プロセッサは、前記物体に照射された電磁波の前記物体からの反射波に基づいて、前記物体までの距離を導出し、前記物体の存在位置を示す点の、三次元直交座標系における３つの座標軸の各々に沿った動きのベクトル情報を前記動き情報として出力する。

　第４６態様の情報処理装置は、第３９態様から第４５態様の何れか１つの情報処理装置において、前記物体の画像を１０００フレーム／秒未満のフレームレートで出力する前記第２プロセッサと、前記動き情報と、前記第２プロセッサから出力された画像とに基づいて、前記物体に対する応答制御を行う第３プロセッサと、を更に含む。

　第４７態様の情報処理装置は、第１態様から第４６態様の何れか１つの情報処理装置において、前記第１プロセッサは、前記物体が写る画像から前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力する。

　第４８態様の情報処理装置は、第４７態様の情報処理装置において、前記情報処理装置は、フレームレートを変更することが可能なカメラを備え、前記第１プロセッサは、外部環境に関するスコアを計算し、前記スコアに応じて、前記カメラのフレームレートを決定し、決定した前記フレームレートにより画像の撮像を指示する制御信号を前記カメラに対して出力し、前記カメラによって撮像された画像から前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力する。

　第４９態様の情報処理装置は、第４８態様の情報処理装置において、前記情報処理装置は車両に搭載され、前記第１プロセッサは、前記外部環境に関するスコアとして、前記車両の走行に関する危険度を計算し、前記危険度に応じて、前記カメラのフレームレートを決定し、決定した前記フレームレートにより画像の撮像を指示する制御信号を前記カメラに対して出力し、前記カメラによって撮像された画像から前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力する。

　第５０態様の情報処理装置は、第４７態様から第４９態様の何れか１つの情報処理装置において、前記第１プロセッサは、前記画像から物体を抽出し、前記物体の存在位置が所定領域である場合に、前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力する。

　第５１態様の情報処理装置は、第４７態様から第５０態様の何れか１つの情報処理装置において、前記第１プロセッサは、前記画像から物体を抽出し、前記物体毎にスコアを計算し、前記スコアが所定閾値以上の前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力する。

　第５２態様の情報処理装置は、第１態様から第５１態様の何れか１つの情報処理装置において、第１の水平画角の第１のカメラと、前記第１の水平画角よりも広い第２の水平画角の第２のカメラと、前記第１のカメラの撮影方向を調整する調整部と、を備え、前記第１プロセッサは、前記第２のカメラにより取得された画像において前記第１のカメラの死角にある物体の動きを検知した場合、前記第１のカメラの撮影方向を検知した物体の方向に向けるように前記調整部を制御する。

　第５３態様の情報処理装置は、第５２態様の情報処理装置において、前記第２のカメラの水平画角は、３６０°である。

　第５４態様の情報処理装置は、第５３態様の情報処理装置において、前記調整部の水平方向における撮影方向の調整範囲は、基準方向に対して±１３５°以内の範囲である。

　第５５態様の情報処理装置は、第５２態様から第５４態様の何れか１つの情報処理装置において、前記第１のカメラは、前記第２のカメラよりも単位画角当たりの解像度が高い。

　第５６態様の情報処理装置は、第５２態様から第５５態様の何れか１つの情報処理装置において、前記第１プロセッサは、前記第１のカメラにより取得された画像、及び、前記第２のカメラにより取得された画像を用いて、画像中の物体までの距離の情報を取得する。

　第５７態様の情報処理装置は、第１態様から第５６態様の何れか１つの情報処理装置において、画像から抽出した物体の動きを示す動き情報を出力する前記第１プロセッサと、画像から抽出した物体の種別を示す種別情報を出力する前記第２プロセッサと、前記動き情報及び前記種別情報に基づいて、前記物体に対する応答制御を行う第３プロセッサと、自装置が搭載された移動体の外部に設置された外部カメラにより取得された画像及び当該外部カメラの位置情報を取得する取得部と、を備え、前記第２プロセッサは、外部カメラにより取得された画像から抽出した物体の種別を示す種別情報を、当該外部カメラの位置情報と関連付けて出力する。

　第５８態様の情報処理装置は、第５７態様の情報処理装置において、前記第２プロセッサは、外部カメラにより取得された画像から抽出した物体が、前記移動体の進行に影響を及ぼす可能性がある物体である場合に、進行に影響を及ぼす可能性がある物体であることを示す識別情報を付して、当該物体の種別情報を出力する。

　第５９態様の情報処理装置は、第５８態様の情報処理装置において、前記移動体の進行に影響を及ぼす可能性がある物体は、人又は動物である。

　第６０態様の情報処理装置は、第５７態様から第５９態様の何れか１つの情報処理装置において、前記取得部は、前記移動体の進行ルートの前方に位置する外部カメラから画像及び位置情報を取得する。

　第６１態様の情報処理装置は、第６０態様の情報処理装置において、前記取得部は、前記移動体の進行ルートの前方において、自装置から最も近い外部カメラのみから画像及び位置情報を取得する。

　第６２態様の情報処理装置は、第６０態様又は第６１態様の情報処理装置において、前記取得部は、前記移動体の進行ルートを案内するナビゲーションシステムのルート情報に基づいて、前記移動体の進行ルートの前方に位置する外部カメラを特定する。

　第６３態様の情報処理装置は、第１態様から第６２態様の何れか１つの情報処理装置において、第１位置、および、前記第１位置とは少なくとも水平方向の位置が異なる第２位置へカメラを順次移動させると共に、前記カメラによって前記第１位置および前記第２位置で各々画像を撮影させる撮影部と、前記第１位置で撮影された第１画像および前記第２位置で撮影された第２画像に基づいて、前記第１画像および前記第２画像に各々映っている物体の３次元位置を算出する処理部と、を含む。

　第６４態様の情報処理装置は、第６３態様の情報処理装置において、前記撮影部は、前記カメラが前記第１位置および前記第２位置を各々通る環状の経路に沿って循環移動するように、前記カメラが取り付けられた部材を回転させる移動部を含む。

　第６５態様の情報処理装置は、第６４態様の情報処理装置において、前記処理部は、外部環境に関するスコアを計算し、計算した前記スコアに応じて前記カメラのフレームレートを決定し、前記移動部は、前記処理部によって決定されたフレームレートに応じて前記部材の回転速度を変更する。

　第６６態様の情報処理装置は、第６３態様から第６５態様の何れか１つの情報処理装置において、前記処理部は、前記第１画像と前記第２画像との撮影時刻差に起因する、前記第１画像および前記第２画像における前記物体の２次元位置の偏差を補正して、前記物体の３次元位置を算出する。

　第６７態様の情報処理装置は、第６６態様の情報処理装置において、前記処理部は、前記第１位置で第１時刻に撮影された第１画像と前記第１位置で第２時刻に撮影された第１画像とのマッチングを行い、マッチング結果に基づいて、前記第２位置での撮影時刻である第３時刻に前記第１位置で撮影を行った場合に得られる仮想第１画像における前記物体の２次元位置を推定することで、前記物体の２次元位置の偏差を補正する。

　第６８態様の情報処理装置は、第１態様から第６７態様の何れか１つの情報処理装置において、前記第１プロセッサから出力された前記点情報及び前記第２プロセッサから出力された前記識別情報を対応付ける第３プロセッサを備え、前記第１カメラで撮像された画像が鮮明でない場合、前記第３プロセッサは、前記第２カメラで撮像された画像を前記第１カメラで撮像された画像の代替として使用する。

　第６９態様の情報処理装置は、第６８態様の情報処理装置において、前記第１カメラで撮像された画像が鮮明でない場合、前記第３プロセッサは、前記第１カメラで撮像される画像を鮮明にする処理を実行する。

　第７０態様の情報処理装置は、第１態様から第６９態様の何れか１つの情報処理装置において、前記第２プロセッサは、自装置の近隣に存在する他装置で撮影された前記物体の画像と、前記物体の位置情報とを用いて、前記第２カメラにより撮像された前記画像の位置情報を取得する。

　第７１態様の情報処理装置は、第７０態様の情報処理装置において、前記第２プロセッサは、前記他装置からの前記物体の画像及び前記物体の位置情報の送信時間を考慮して、前記第２カメラのフレームと前記他装置からの前記物体の画像のフレームとを同期させる。

　第７２態様の情報処理装置は、第１態様から第７１態様の何れか１つの情報処理装置において、前記第１プロセッサは、前記第１カメラにより撮影された前記物体の画像から、撮影された前記物体の存在位置を示す点の３次元直交座標系を構成する少なくとも２つの座標軸において、前記物体の中心点若しくは重心点の存在位置を示した第１座標値又は前記物体の輪郭を囲む多角形の頂点の少なくとも対角となる２点の存在位置を示した第２座標値を、所定のタイミングで切り替えて出力する。

　第７３態様の情報処理装置は、第７２態様の情報処理装置において、前記第１プロセッサは、所定要因により前記第２カメラにより撮影された前記物体の画像から、撮影された前記物体を前記第２プロセッサが識別できない場合に、出力する座標値を前記第１座標値から前記第２座標値に切り替える。

　第７４態様の情報処理装置は、第７２態様又は第７３態様の情報処理装置において、前記第１プロセッサは、前記物体の移動速度が所定閾値以下の場合、又は前記物体の移動方向が所定方向である場合に、出力する座標値を前記第２座標値から前記第１座標値に切り替える。

　第７５態様の情報処理装置は、第７２態様から第７４態様の何れか１つの情報処理装置において、前記第１プロセッサから出力された前記第１座標値又は前記第２座標値及び前記第２プロセッサから出力された前記識別情報を対応付ける第３プロセッサを備える。

　第７６態様の情報処理装置は、第１態様から第７５態様の何れか１つの情報処理装置において、前記第１プロセッサは、移動体が通行する通行路内に存在する前記物体が前記移動体に接触する可能性が低いと判定できる場合、前記物体についての前記点情報の出力を停止する。

　第７７態様の情報処理装置は、第７６態様の情報処理装置において、前記第１プロセッサは、前記通行路内において前記移動体の移動ルート上に前記物体が存在せず、かつ前記移動ルートから前記物体が離れていく場合に、前記物体が前記移動体に接触する可能性が低いと判定する。

　第７８態様の情報処理装置は、第１態様から第７７態様の何れか１つの情報処理装置において、前記第１プロセッサは、前記第１カメラにより撮影された前記物体の画像から、前記点情報を出力すると共に、前記点情報の時系列から、点の動きを示す動き情報を算出して出力し、前記第１プロセッサから出力された前記動き情報及び前記第２プロセッサから出力された前記識別情報を対応付ける第３プロセッサを備え、前記第３プロセッサは、動きの方向が対応する複数の物体の動き情報が検知された場合、前記複数の物体の動き情報を除去し、残りの前記動き情報と、前記識別情報を対応付ける。

　第７９態様の情報処理装置は、第７８態様の情報処理装置において、前記第１プロセッサは、前記点情報の時系列から、ハフ変換を用いて、点の動きの方向を算出し、前記算出された点の動きの方向の点情報の変化から、動きの速度を算出する。

　第８０態様の情報処理装置は、第７８態様又は第７９態様の情報処理装置において、前記第３プロセッサは、前記第１プロセッサから出力された前記動き情報及び前記第２プロセッサから出力された前記識別情報を対応付け、前記動き情報及び前記識別情報に基づいて、移動体の自動運転を制御する。

　第８１態様の情報処理装置は、第１態様から第８０態様の何れか１つの情報処理装置において、少なくとも１つのプロセッサを備え、前記プロセッサは、カメラにより撮影された前記物体の画像から、前記点情報を出力し、複数フレームの画像から出力された前記点情報に基づいて、移動方向が上下方向の何れかの方向で、かつ同じ方向であり、上下方向の移動量が一定範囲内の点を一定数以上検出した場合、前記点情報に含まれる点の中から、検出した一定数以上の点以外の点のみを出力する。

　第８２態様の情報処理装置は、第８１態様の情報処理装置において、前記プロセッサは、前記カメラが設けられた移動体が直進中である場合、検出した一定数以上の点の中から、左右方向の移動量が閾値以上の点を更に出力する。

　第８３態様の情報処理装置は、第１態様から第８２態様の何れか１つの情報処理装置において、第１移動体に対して用いられる第１移動体プロセッサを備え、前記第１移動体プロセッサは、前記第１移動体の周囲が撮影されることによって得られた第１画像に基づいて、前記第１移動体の周囲に含まれる第１物体の種類を認識し、第２移動体に対して用いられる第２移動体プロセッサは、前記第２移動体の周囲が撮影されることによって得られた第２画像に基づいて、前記第２移動体の周囲に含まれる第２物体の種類を認識し、前記第１移動体プロセッサによって前記第１物体の種類として前記第２移動体が認識されており、かつ、前記第２移動体プロセッサによって前記第２物体の種類として前記第１移動体が認識されている場合に、前記第１移動体プロセッサは、前記第２移動体プロセッサによって前記第１移動体が認識されていることを示す識別子を設定する。

　第８４態様の情報処理装置は、第８３態様の情報処理装置において、前記第２移動体は、自動運転が可能な移動体であり、前記第１移動体プロセッサは、前記第１移動体プロセッサによって前記第１物体の種類として前記第２移動体が認識されており、前記第２移動体プロセッサによって前記第２物体の種類として前記第１移動体が認識されており、かつ、前記第２移動体が自動運転中である場合に、前記第１移動体プロセッサは、前記識別子を設定する。

　第８５態様の情報処理装置は、第８３態様又は第８４態様の情報処理装置において、前記第１移動体及び前記第２移動体は、自動運転が可能な移動体であり、前記第１移動体プロセッサは、前記識別子が設定されており、かつ、前記第２移動体が自動運転中である場合に、前記第２移動体の挙動に基づいて前記第１移動体の自動運転を制御する。

　第８６態様の情報処理装置は、第８５態様の情報処理装置において、前記第２移動体プロセッサは、前記第２移動体の自動運転を制御し、前記第１移動体プロセッサは、前記挙動を示す情報として、前記第２移動体プロセッサが前記第２移動体の自動運転を制御する制御情報を取得し、前記制御情報に基づいて前記第１移動体の自動運転を制御する。

　第８７態様の情報処理装置は、第８６態様の情報処理装置において、前記第１移動体には、第１優先順位が付与されており、前記第２移動体には、第２優先順位が付与されており、前記第１移動体プロセッサは、前記第１優先順位が前記第２優先順位よりも高いことを条件に前記制御情報を取得する。

　第８８態様の情報処理装置は、第８５態様から第８７態様の何れか１つの情報処理装置において、前記第１移動体プロセッサは、前記第１画像を得るために行われる撮影のフレームレートよりも高いフレームレートで前記第１移動体の周囲が撮影されることにより得られた第３画像に基づいて前記第１物体を点として捉えた第１点情報を出力し、前記第１移動体プロセッサによって前記第１物体の種類として認識された前記第２移動体を特定可能な第２移動体情報と前記第１点情報とを対応付け、対応付けた前記第２移動体情報及び前記第１点情報に基づいて前記第１移動体の自動運転を制御する。

　第８９態様の情報処理装置は、第８８態様の情報処理装置において、前記第１移動体プロセッサは、第１プロセッサ、第２プロセッサ、及び第３プロセッサを有し、前記第１プロセッサは、前記第１点情報を出力し、前記第２プロセッサは、前記第１画像に基づいて前記第１物体の種類を認識し、前記第３プロセッサは、前記第２移動体情報と前記第１点情報とを対応付け、かつ、前記第１移動体の自動運転を制御する。

　第９０態様の情報処理装置は、第８３態様から第８９態様の何れか１つの情報処理装置において、前記第２移動体は、自動運転が可能な移動体であり、前記第２移動体プロセッサは、前記第２画像を得るために行われる撮影のフレームレートよりも高いフレームレートで前記第２移動体の周囲が撮影されることにより得られた第４画像に基づいて前記第２物体を点として捉えた第２点情報を出力し、前記第２移動体プロセッサによって前記第２物体の種類として認識された前記第１移動体を特定可能な第１移動体情報と前記第２点情報とを対応付け、対応付けた前記第１移動体情報及び前記第２点情報に基づいて前記第２移動体の自動運転を制御する制御処理を行い、前記第１移動体プロセッサは、前記第１移動体プロセッサによって前記第１物体の種類として前記第２移動体が認識されており、前記第２移動体プロセッサによって前記第２物体の種類として前記第１移動体が認識されており、かつ、前記第２移動体プロセッサによって前記制御処理が行われている場合に、前記識別子を設定する。

　第９１態様の情報処理装置は、第８５態様から第９０態様の何れか１つの情報処理装置において、前記第１移動体プロセッサは、前記第１移動体と前記第２移動体との接触を回避可能な制御内容で前記第１移動体の自動運転を制御する。

　第９２態様の情報処理装置は、第８３態様から第９１態様の何れか１つの情報処理装置において、前記第１移動体プロセッサは、前記識別子が設定された場合に、前記第２移動体プロセッサによって前記第１移動体が認識されていることを報知装置に対して報知させる。

　第９３態様の情報処理装置は、第１態様から第９２態様の何れか１つの情報処理装置において、少なくとも１つのプロセッサを含む情報処理装置であって、前記プロセッサは、撮像された物体の画像を、第１のフレームレートで出力し、前記第１のフレームレートで出力される画像の各々について、その画像に含まれる物体の種別を示すラベル情報を導出し、撮像された物体の画像からその物体の存在位置を示す位置情報を、前記第１のフレームレートよりも高い第２のフレームレートで出力し、前記第２のフレームレートで順次出力される位置情報のうち、前記第１のフレームレートで出力される画像の出力タイミングに対応する各時点における位置情報と、その位置情報に対応する物体と同一の物体について導出された前記ラベル情報とを対応付ける。

　第９４態様の情報処理装置は、第９３態様の情報処理装置において、前記プロセッサは、前記第２のフレームレートで出力される位置情報のうち、前記ラベル情報との対応付けが行われていない位置情報について、直前に対応付けられた前記ラベル情報を対応付ける。

　第９５態様の情報処理装置は、第９３態様又は第９４態様の情報処理装置において、前記プロセッサは、前記物体の存在位置を示す少なくとも１つの点を前記位置情報として出力する。

　第９６態様の情報処理装置は、第９３態様から第９５態様の何れか１つの情報処理装置において、前記プロセッサは、前記第１のフレームレートで出力される解像度が相対的に高い第１の画像に基づいて前記ラベル情報を導出し、解像度が相対的に低い第２の画像に基づいて前記位置情報を導出する。

　第９７態様の情報処理装置は、第２態様から第９６態様の何れか１つの情報処理装置において、前記第３プロセッサは、前記第１カメラにより撮影された第１画像に写る物体と前記第２カメラにより撮影された第２画像に写る物体のうち、所定の条件を満たす物体を、同一の物体であると判定し、同一であると判定された物体について、前記点情報と前記識別情報との対応付けを行う。

　第９８態様の情報処理装置は、第９７態様の情報処理装置において、前記所定の条件は、前記第１画像に写る物体と前記第２画像に写る物体の位置関係が整合することを第１の条件として含み、前記第１画像に写る物体と前記第２画像に写る輪郭が整合することを第２の条件として含み、前記第１画像に写る物体について推定される当該物体の種別と、前記第２画像に写る物体について推定される当該物体の種別が整合することを第３の条件として含み、前記第３プロセッサは、前記第１の条件、前記第２の条件及び前記第３の条件の少なくとも１つを満たす場合に、前記第１画像に写る物体と前記第２画像に写る物体が同一の物体であると判定する。

　第９９態様の情報処理装置は、第１態様から第９８態様の何れか１つの情報処理装置において、抽出部と、統合部と、推定部と、更新部とを含む情報処理装置であって、前記抽出部は、物体が写る画像から時刻ｔの前記物体の２次元空間上の存在位置を示す第１平面座標を抽出し、前記統合部は、前記物体の３次元空間上の奥行き方向について検知された第１奥行き情報と、前記第１平面座標と前記第１奥行き情報とを結合し、時刻ｔにおける前記物体の３次元座標を生成し、前記抽出部は、時刻ｔの次の時刻の前記物体の２次元空間上の存在位置を示す第２平面座標を抽出し、前記推定部は、前記物体が存在する空間の形状情報と、前記第１平面座標から前記第２平面座標への変化とに基づいて、前記次の時刻に対応する第２奥行き情報を推定し、前記更新部は、前記第２平面座標と、推定された前記第２奥行き情報とを統合し、前記次の時刻における前記物体の３次元座標を更新する。

　第１００態様の情報処理装置は、第９９態様の情報処理装置において、前記統合部は、センサで検出された点群データから前記第１奥行き情報を検知する。

　第１０１態様の情報処理装置は、第１００態様の情報処理装置において、前記物体の移動後の前記次の時刻の前記第２平面座標を抽出した場合に、前記次の時刻に対応する前記点群データから得られる奥行き情報を取得できていない場合に、前記第２奥行き情報の推定、及び前記更新を実行する。

　第１０２態様の情報処理装置は、第９９態様から第１０１態様の何れか１つの情報処理装置において、前記形状情報は、高解像度カメラにより取得した画像及びセンサが検出した点群データから得られる路面の形状と、予め設定された前記物体の形状を含み、前記推定部は、前記路面の形状に対して移動する前記物体の形状が、前記第１平面座標から前記第２平面座標に変化したときの奥行き方向の移動量を計算することにより、前記第２奥行き情報を推定する。

　第１０３態様の情報処理装置は、第９９態様から第１０２態様の何れか１つの情報処理装置において、前記物体の存在位置を示す座標に対応する点を前記物体の輪郭を表すボックスの頂点における複数の点の各々として、前記抽出部は、前記点の各々について、当該点の前記第１平面座標及び前記第２平面座標を抽出し、前記統合部は、前記点の各々について、当該点の前記物体の３次元座標を生成し、前記推定部は、前記点の各々について、当該点の前記第２奥行き情報を推定し、前記更新部は、前記点の各々について、当該点の前記物体の３次元座標を更新する。

　第１０４態様の情報処理装置は、第１態様から第１０３態様の何れか１つの情報処理装置において、前記第１プロセッサから出力された前記点情報及び前記第２プロセッサから出力された前記識別情報を対応付ける第３プロセッサを備え、前記第１プロセッサは、前記点情報が複数の場合に、前記点情報に対応付けられた前記識別情報について予め定めた優先度に応じて、次の時点の前記点情報を出力する。

　第１０５態様の情報処理装置は、第１０４態様の情報処理装置において、前記第１プロセッサは、第１時点において、前記第１カメラにより撮影された前記物体の画像から、前記点情報として前記物体の存在位置を示す点の３次元直交座標系における前記物体の奥行き方向の座標値を導出し、前記第１プロセッサは、前記点情報が複数の場合に、前記点情報に対応付けられた前記識別情報について予め定めた優先度に応じて、第１時点の次の時点である第２時点における前記奥行き方向の座標値を導出する。

　第１０６態様の情報処理装置は、第１０４態様又は第１０５態様の情報処理装置において、前記第１プロセッサは、前記優先度について、前記識別情報が示す物体の挙動の有無に応じて、挙動を生じる物体には高い優先度を定め、挙動を生じない物体には前記高い優先度よりも低い優先度を定める。

　第１０７態様の情報処理装置は、第１０６態様の情報処理装置において、前記第１プロセッサは、前記優先度について、前記挙動を生じる物体について、当該物体の危険因子に応じたより高い優先度を定める。

　第１０８態様の情報処理装置は、第１０７態様の情報処理装置において、前記第１プロセッサは、前記点情報の数が所定数以上の場合に、前記優先度で次の時点の前記点情報を導出する。

　第１０９態様の情報処理装置は、第１態様から第１０８態様の何れか１つの情報処理装置において、前記第１プロセッサは、前記点情報について、前記画像についての所定の条件を満たす各時点において、前記第１カメラにより撮影された前記物体の画像から、前記点情報として前記物体の存在位置を示す点の３次元直交座標系における前記物体の奥行き方向の座標値を導出する。

　第１１０態様の情報処理装置は、第１０９態様の情報処理装置において、前記第１プロセッサは、前記所定の条件を満たす各時点を第２時点として、第１時点の前記３次元直交座標系における前記物体の幅方向、高さ方向、及び前記奥行き方向の座標値と、前記第１時点の次の時点である第２時点における前記幅方向及び前記高さ方向の座標値とから、前記点情報として前記第２時点における前記奥行き方向の座標値を導出する。

　第１１１態様の情報処理装置は、第１１０態様の情報処理装置において、前記第１プロセッサは、前記所定の条件を、前記第１時点の前記幅方向及び前記高さ方向の座標値に対する、前記第２時点の前記幅方向及び前記高さ方向の座標値の変化量として、当該変化量に対して予め定めた頻度で、前記奥行き方向の座標値を導出する。

　第１１２態様の情報処理装置は、第１態様から第１１１態様の何れか１つの情報処理装置において、前記第１プロセッサは、前記点情報について、前記第１カメラにより撮影された前記物体の画像から、前記点情報として前記物体の存在位置を示す点の３次元直交座標系における前記物体の奥行き方向の座標値を導出し、前記第１プロセッサは、所定のセンサ情報から前記奥行き方向の座標値の補正情報を学習する。

　第１１３態様の情報処理装置は、第１１２態様の情報処理装置において、前記第１プロセッサは、導出した前記奥行き方向の座標値と、所定のセンサで検出した前記奥行き方向の座標値との差異が閾値以上の場合に、前記センサ情報を収集し、収集したセンサ情報における特定の走行状況に対して前記補正情報を学習する。

　第１１４態様の情報処理装置は、第１１３態様の情報処理装置において、前記第１プロセッサは、第１時点の前記３次元直交座標系における前記物体の幅方向、高さ方向、及び前記奥行き方向の座標値と、前記第１時点の次の時点である第２時点における前記幅方向及び前記高さ方向の座標値とから、前記点情報として前記第２時点における前記奥行き方向の座標値を導出する。

　第１１５態様の情報処理装置は、第１態様の情報処理装置において、車両に関連する複数の情報を取得可能な情報取得部と、深層学習を用い、前記情報取得部が取得した前記複数の情報から複数のインデックス値を推論する推論部と、前記複数のインデックス値に基づいて前記車両の運転制御を実行する運転制御部と、を備える。

　第１１６態様の情報処理装置は、第１１５態様の情報処理装置において、前記推論部は、前記深層学習を用いた積分法による多変量解析により、前記複数の情報から前記複数のインデックス値を推論する。

　第１１７態様の情報処理装置は、第１１５態様又は第１１６態様の情報処理装置において、前記情報取得部は、１０億分の１秒単位で前記複数の情報を取得し、前記推論部及び運転制御部は、１０億分の１秒単位で取得された前記複数の情報を用いて、前記複数のインデックス値の推論及び前記車両の運転制御を１０億分の１秒単位で実行する。

　第１１８態様の情報処理装置は、第１１５態様から第１１７態様の何れか１つの情報処理装置において、前記車両が目的地に到達するまでの走行戦略を設定する戦略設定部を更に備え、前記走行戦略は、前記目的地までの最適ルート、走行速度、ｔｉｌｔ、ブレーキングの少なくとも１つの理論値を含み、前記運転制御部は、前記複数のインデックス値と前記理論値との差分に基づいて前記走行戦略を更新する戦略更新部を備える。

　第１１９態様の情報処理装置は、第１１５態様から第１１８態様の何れか１つの情報処理装置において、前記情報取得部は、前記車両の下部に設けられて走行する地面の温度、材質及びｔｉｌｔを検出可能なセンサを備える。

　第１２０態様の情報処理装置は、第１態様の情報処理装置において、車両の自動運転を制御する前記車両に搭載された制御装置の作動に関わる物体を検出した検出結果を取得する取得部と、前記検出結果に基づいて、前記制御装置における冷却を実行する実行部とを備える。

　第１２１態様の情報処理装置は、第１２０態様の情報処理装置において、前記取得部は、前記検出結果として、物体の１フレームの画像から前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点の、所定の座標軸に沿った動きを示す動き情報を１００フレーム／秒以上のフレームレートで取得する。

　第１２２態様の情報処理装置は、第１２１態様の情報処理装置において、前記検出結果を用いて、前記制御装置の作動を予測する予測部をさらに備え、前記予測部は、前記検出結果と、前記検出結果が取得された際の前記制御装置の作動状況と、を学習データとした機械学習によって生成された学習モデルを用いて、前記制御装置の作動を予測する。

　第１２３態様の情報処理装置は、第１２２態様の情報処理装置において、前記予測部は、前記制御装置における複数の部位のそれぞれの温度変化をさらに予測し、前記実行部は、前記制御装置における前記部位の冷却を制御する。

　第１２４態様の情報処理装置は、第１態様の情報処理装置において、車両に備えた複数のセンサ情報のうち、予め定められた数のセンサ情報の複数の組み合わせ毎に、前記車両の４つの車輪それぞれの車輪速、傾き、及び前記車輪を支持するサスペンション毎の、当該車輪速、当該傾き、及び当該サスペンションを制御するためのインデックス値を算出し、前記インデックス値を集約して当該車輪速、当該傾き、及び当該サスペンション毎の制御変数を算出する算出部と、前記制御変数に基づいて、自動運転を制御する制御部と、を備える。

　第１２５態様の情報処理装置は、第１２４態様の情報処理装置において、前記算出部は、深層学習を用いた積分法による多変量解析により、前記インデックス値から前記制御変数を算出する。

　第１２６態様の情報処理装置は、第１２４態様又は第１２５態様の情報処理装置において、前記制御部は、前記制御変数に基づいて、１０億分の１秒単位で前記自動運転を制御する。

　第１２７態様の情報処理装置は、第１態様の情報処理装置において、車両の周囲の状況を検出する周期として、前記車両の周囲を撮影する第１周期より短い第２周期で前記車両の周囲の状況を検出するセンサを含む検出部から前記車両に関連する複数の情報を取得する取得部と、前記取得された複数の情報から前記車両の周囲の状況に関するインデックス値を算出し、算出されたインデックス値から前記車両の挙動を制御するための制御変数を算出する算出部と、前記算出した前記制御変数に基づいて、前記車両の挙動を制御する制御部と、を備える。

　第１２８態様の情報処理装置は、第１２７態様の情報処理装置において、前記算出部は、深層学習を用いた積分法による多変量解析により、前記インデックス値から前記制御変数を算出する。

　第１２９態様の情報処理装置は、第１２７態様又は第１２８態様の情報処理装置において、前記取得部は、１０億分の１秒単位で前記複数の情報を取得し、前記算出部は、１０億分の１秒単位で取得された前記複数の情報を用いて、前記インデックス値の算出及び前記制御変数を１０億分の１秒単位で実行する。

　第１３０態様の情報処理装置は、第１２７態様から第１２９態様の何れか１つの情報処理装置において、前記算出部は、前記取得された複数の情報に基づいて、前記車両に対する対象物の衝突を予測し、前記予測した予測結果が、不可避な衝突を示す場合、前記不可避な衝突における前記車両に発生する損害が予め定めた閾値以下の損害に対応する制御変数を前記制御変数として算出する。

　第１３１態様の情報処理装置は、第１３０態様の情報処理装置において、前記車両に発生する損害は、前記車両の変形位置及び変形量の少なくとも１つである。

　第１３２態様の情報処理装置は、第１３０態様又は第１３１態様の情報処理装置において、前記車両に発生する損害に対応する制御変数は、車両の衝突角度、及び車速の少なくとも１つである。

　第１３３態様の情報処理装置は、第１態様の情報処理装置において、前記第１プロセッサは、物体が写る画像から前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力する。

　第１３４態様の情報処理装置は、第１３３態様の情報処理装置において、前記情報処理装置は、フレームレートを変更することが可能なカメラを備え、前記第１プロセッサは、外部環境に関するスコアを計算し、前記スコアに応じて、前記カメラのフレームレートを決定し、決定した前記フレームレートにより画像の撮像を指示する制御信号を前記カメラに対して出力し、前記カメラによって撮像された画像から前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力する。

　第１３５態様の情報処理装置は、第１３４態様の情報処理装置において、前記情報処理装置は車両に搭載され、前記第１プロセッサは、前記外部環境に関するスコアとして、前記車両の走行に関する危険度を計算し、前記危険度に応じて、前記カメラのフレームレートを決定し、決定した前記フレームレートにより画像の撮像を指示する制御信号を前記カメラに対して出力し、前記カメラによって撮像された画像から前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力する。

　第１３６態様の情報処理装置では、第１３３態様から第１３５態様の何れか１つの情報処理装置において、前記第１プロセッサは、前記画像から物体を抽出し、前記物体の存在位置が所定領域である場合に、前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力する。

　第１３７態様の情報処理装置では、第１３３態様から第１３６態様の何れか１つの情報処理装置において、前記第１プロセッサは、前記画像から物体を抽出し、前記物体毎にスコアを計算し、前記スコアが所定閾値以上の前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力する。

　第１３８態様の車両は、カメラを含む一対のカメラユニットと、プロセッサとを備えた車両であって、第１のカメラユニットは、車両前方の物体が写る画像から前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力し、第２のカメラユニットは、車両後方の物体が写る画像から前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力し、前記プロセッサは、前記第１のカメラユニット及び前記第２のカメラユニットから出力された物体の存在位置に基づいて前記車両の走行を制御する。

　第１３９態様の車両は、第１３８態様の車両において、前記各カメラユニットが有する前記カメラは、フレームレートを変更することが可能であり、前記第１のカメラユニット及び前記第２のカメラユニットの一方は、前記第１のカメラユニット及び前記第２のカメラユニットの他方における物体の検知状況に応じて、前記カメラのフレームレートを設定し、設定された前記フレームレートにより撮像された前記カメラの画像から前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力する。

　第１４０態様の車両は、第１３８態様又は第１３９態様の車両において、前記カメラよりも高解像度の高解像度カメラを備え、かつ前記各カメラユニットのそれぞれに接続される他のカメラユニットをさらに備え、前記各カメラユニットは、前記高解像度カメラの情報に基づいて特定された物体の情報を取得可能であって、前記第１のカメラユニット及び前記第２のカメラユニットの一方は、前記第１のカメラユニット及び前記第２のカメラユニットの他方が有する物体の情報を取得する。

　第１４１態様の情報処理方法は、第１カメラにより撮影された物体の画像から、撮影された前記物体を点として捉えた点情報を出力し、前記第１カメラと対応する方向を向いた第２カメラにより撮影された前記物体の画像から、撮影された前記物体を識別した識別情報を出力する、処理をコンピュータが実行する。

　第１４２態様の情報処理プログラムは、コンピュータに、第１カメラにより撮影された物体の画像から、撮影された前記物体を点として捉えた点情報を出力し、前記第１カメラと対応する方向を向いた第２カメラにより撮影された前記物体の画像から、撮影された前記物体を識別した識別情報を出力する、処理を実行させる。

　なお、上記の本開示の概要は、本開示の必要な特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、本開示となりうる。

第１の実施形態に係るＣｅｎｔｒａｌ　Ｂｒａｉｎを搭載した車両の一例を示す概略図である。第１の実施形態に係る情報処理装置の構成の一例を示すブロック図である。第２の実施形態に係る情報処理装置の構成の一例を示すブロック図である。第３の実施形態に係るＭｏＰＵが出力する点情報の例を示す説明図である。第５の実施形態に係る情報処理装置の構成の一例を示すブロック図である。第６の実施形態に係る情報処理装置の構成の一例を示すブロック図である。第７の実施形態に係る点情報とラベル情報との対応付けの一例を示す説明図である。第７の実施形態に係るＣｅｎｔｒａｌ　Ｂｒａｉｎによって実施される、特徴点とラベル情報との対応付け処理の流れの一例を示すフローチャートである。第８の実施形態に係る車両の概略構成を示す説明図である。第８の実施形態に係る冷却実行装置の機能構成の例を示すブロック図である。第９の実施形態に係る情報処理装置の構成の一例を示す第１のブロック図である。第９の実施形態に係る情報処理装置の構成の一例を示す第２のブロック図である。第９の実施形態において、物体の時系列における座標検出を模式的に示す図である。第９の実施形態において、変化量に応じてｚ座標値の更新頻度を定めた場合のフローチャートである。第９の実施形態において、補正情報を学習する場合のフローチャートである。第１０の実施形態に係る情報処理装置の構成の一例を示すブロック図である。第１０の実施形態に係るイベントカメラにより撮影された物体の画像を説明するための第１の説明図である。第１０の実施形態に係るイベントカメラにより撮影された物体の画像を説明するための第２の説明図である。第１０の実施形態に係るイベントカメラにより撮影された物体の画像を説明するための第３の説明図である。第１１の実施形態に係る情報処理装置の構成の一例を示す第１のブロック図である。第１１の実施形態に係る情報処理装置の構成の一例を示す第２のブロック図である。第１２の実施形態に係る情報処理装置の構成の一例を示す第１のブロック図である。第１２の実施形態に係る情報処理装置の構成の一例を示す第２のブロック図である。第１３の実施形態に係る情報処理装置の構成の一例を示す第１のブロック図である。第１３の実施形態に係る情報処理装置の構成の一例を示す第２のブロック図である。第１３の実施形態において、歩道上に存在している物体からは特徴点を抽出しない場合の処理を説明するための第１の図である。第１３の実施形態において、歩道上に存在している物体からは特徴点を抽出しない場合の処理を説明するための第２の図である。第１４の実施形態に係る情報処理装置のブロック図である。第１４の実施形態に係る車両に搭載される高解像度カメラ及び全方位カメラの撮影方向及び撮影画角範囲を示す第１の図である。第１４の実施形態に係る全方位カメラにより取得された画像と高解像度カメラ３０Ｌにより取得された画像との撮影範囲の関係を示す第１の図である。第１４の実施形態に係る車両に搭載される高解像度カメラ及び全方位カメラの撮影方向及び撮影画角範囲を示す第２の図である。第１４の実施形態に係る全方位カメラにより取得された画像と高解像度カメラ３０Ｌにより取得された画像との撮影範囲の関係を示す第２の図である。第１５の実施形態に係る情報処理装置のブロック図である。第１５の実施形態に係るカメラ管理データベースの一例を示す図である。第１５の実施形態に係る車両を説明するための第１の図である。第１５の実施形態に係る外部カメラから取得した画像の一例を示す図である。第１５の実施形態に係るオブジェクト管理データベースの一例を示す図である。第１５の実施形態に係る車両を説明するための第２の図である。第１５の実施形態に係る車両を説明するための第３の図である。第１６の実施形態に係る情報処理装置の構成の一例を示すブロック図である。第１６の実施形態に係るカメラおよび移動部を示す斜視図である。第１６の実施形態に係る物体の２次元位置の偏差を補正する処理を説明するための第１の説明図である。第１６の実施形態に係る物体の２次元位置の偏差を補正する処理を説明するための第２の説明図である。第１７の実施形態に係るＣｅｎｔｒａｌ　Ｂｒａｉｎの機能的な構成を示すブロック図である。第１７の実施形態において、点情報の時系列から、点の動きの方向を算出する方法を説明するための第１の図である。第１７の実施形態において、点情報の時系列から、点の動きの方向を算出する方法を説明するための第２の図である。第１７の実施形態において、複数の物体の動き情報の一例を示す図である。第１７の実施形態において、除去後の動き情報の一例を示す図である。第１７の実施形態に係るＣｅｎｔｒａｌ　Ｂｒａｉｎが実行する対応付け処理の流れを示すフローチャートである。第１８の実施形態に係るＭｏＰＵが実行する点情報の出力処理を説明するための図である。第１９の実施形態に係る情報処理装置の構成の一例を示すブロック図である。第１９の実施形態に係る第１車両の第１判定部、第２判定部、第３判定部、及び設定部の処理内容の一例を示す概念図である。第１９の実施形態に係る設定部によって識別子が設定されていない場合に第１車両の推論部及び運転制御部によって行われる処理の内容の一例を示す概念図である。第１９の実施形態に係る設定部によって識別子が設定されている場合に第１車両の推論部及び運転制御部によって行われる処理の内容の一例を示す概念図である。第１９の実施形態に係る第１車両と第２車両との正面衝突が回避される態様の一例を示す概念図である。第１９の実施形態に係る自動運転制御処理の流れの一例を示す第１のフローチャートである。第１９の実施形態に係る自動運転制御処理の流れの一例を示す第２のフローチャートである。第１９の実施形態に係る自動運転制御処理の流れの一例を示す第３のフローチャートである。第１９の実施形態に係る第１車両が第２車両によって認識されたことが報知される態様の一例を示す概念図である。第２０の実施形態に係る物体認識の態様の一例を示す図である。第２０の実施形態に係る物体の特徴点の抽出の態様の一例を示す図である。第２０の実施形態に係るＭｏＰＵの態様の一例を示す図である。第２０の実施形態に係るＭｏＰＵの処理のフローチャートの一例を示す図である。第２１の実施形態に係る車両の構成を説明する図である。第２２の実施形態に係る情報処理装置の構成の一例を示すブロック図である。第２２の実施形態に係るレート変更処理の一例を示すフローチャートである。第２２の実施形態におけるカメラの視野角を説明する図である。第２２の実施形態に係る引継ぎ処理の一例を示すフローチャートである。第２３の実施形態に係る情報処理装置の構成の一例を示す第１のブロック図である。第２３の実施形態に係る情報処理装置の構成の一例を示す第２のブロック図である。第２４の実施形態に係るシステムの一例を概略的に示す図である。第２４の実施形態に係るシステムにおける学習フェーズについて説明するための説明図である。第２４の実施形態に係るシステムにおける冷却実行フェーズについて説明するための説明図である。第２４の実施形態に係るＳｏＣＢｏｘ及び冷却部の一例を概略的に示す第１の図である。第２４の実施形態に係るＳｏＣＢｏｘ及び冷却部の一例を概略的に示す第２の図である。第２４の実施形態に係るＳｏＣＢｏｘ及び冷却部の一例を概略的に示す第３の図である。第２５の実施形態に係る超高性能自動運転のＡＩの危険予測能力について概略的に示す図である。第２５の実施形態に係るＣｅｎｔｒａｌ　Ｂｒａｉｎにより実行されるフローチャートである。第２５の実施形態に係るＣｅｎｔｒａｌ　Ｂｒａｉｎによる自動運転の制御例を説明する第１の説明図である。第２５の実施形態に係るＣｅｎｔｒａｌ　Ｂｒａｉｎによる自動運転の制御例を説明する第２の説明図である。第２５の実施形態に係るＣｅｎｔｒａｌ　Ｂｒａｉｎによる自動運転の制御例を説明する第３の説明図である。第２５の実施形態に係るＣｅｎｔｒａｌ　Ｂｒａｉｎによる自動運転の制御例を説明する第４の説明図である。第２５の実施形態に係るＣｅｎｔｒａｌ　Ｂｒａｉｎによる自動運転の制御例を説明する第５の説明図である。第２６の実施形態に係るＣｅｎｔｒａｌ　Ｂｒａｉｎによる自動運転の制御例を説明する説明図として、車両の周囲に他車両が走行している状態を示す模式図である。第２６の実施形態に係るＣｅｎｔｒａｌ　Ｂｒａｉｎにより実行されるフローチャートである。情報処理装置又は冷却実行装置として機能するコンピュータのハードウェア構成の一例を概略的に示す説明図である。

　以下、本開示の実施形態を説明するが、以下の実施形態は本開示を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが本開示の解決手段に必須であるとは限らない。開示の技術の実施形態に係る情報処理装置は、車両の制御に関連する多くの情報に基づいて、運転制御に必要なインデックス値を高精度に求めるものであってよい。したがって、本開示の情報処理装置は、少なくとも一部が車両に搭載されて、車両の制御を実現するものであってよい。

　（第１の実施形態）
　まず、本実施形態に係る第１の実施形態について説明する。本開示に係る情報処理装置は、一例として、少なくとも一部が車両１００に搭載されて、車両１００の自動運転制御を行う。また、当該情報処理装置は、Ａｕｔｏｎｏｍｏｕｓ　ＤｒｉｖｉｎｇをＬｅｖｅｌ６によるＡＩ／多変量解析／ゴールシーク／戦略立案／最適確率解／最適スピード解／最適コースマネジメント／エッジにおける多種センサ入力により得られたデータを基にリアルタイムで実現でき、デルタ最適解に基づいて調整される走行システムを提供し得る。車両１００は「対象物」の一例である。

　ここで、「Ｌｅｖｅｌ６」とは、自動運転を表すレベルであり、完全自動運転を表すＬｅｖｅｌ５よりも更に上のレベルに相当する。Ｌｅｖｅｌ５は完全自動運転を表すものの、それは人が運転するのと同等のレベルであり、それでも未だ事故等が発生する確率はある。Ｌｅｖｅｌ６とは、Ｌｅｖｅｌ５よりも上のレベルを表すものであり、Ｌｅｖｅｌ５よりも事故が発生する確率が低いレベルに相当する。

　Ｌｅｖｅｌ６における計算力は、Ｌｅｖｅｌ５の計算力の１０００倍程度である。したがって、Ｌｅｖｅｌ５では実現できなかった高性能な運転制御が実現可能である。

　図１は、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５を搭載した車両１００の一例を示す概略図である。Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５には、複数のＧａｔｅ　Ｗａｙが通信可能に接続されている。Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、Ｇａｔｅ　Ｗａｙを介して外部のクラウドサーバに接続されている。Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、Ｇａｔｅ　Ｗａｙを介して外部のクラウドサーバへアクセスすることができるように構成されている。その一方で、Ｇａｔｅ　Ｗａｙの存在により、外部からＣｅｎｔｒａｌ　Ｂｒａｉｎ１５へ直接アクセスすることはできないように構成されている。

　Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、所定時間が経過する毎に、要求信号をクラウドサーバへ出力する。具体的には、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、１０億分の１秒毎に、問い合わせを表す要求信号をクラウドサーバへ出力する。一例として、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、Ｇａｔｅ　Ｗａｙを介して取得した複数の情報に基づいて、ＬｅｖｅＬ６の自動運転を制御する。

　図２は、第１の実施形態に係る情報処理装置１０の構成の一例を示すブロック図である。情報処理装置１０は、ＩＰＵ（Ｉｍａｇｅ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１１、ＭｏＰＵ（Ｍｏｔｉｏｎ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１２、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５及びメモリ１６を備えている。Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ＧＮＰＵ（Ｇｒａｐｈｉｃｓ　Ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１３及びＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１４を含んで構成されている。

　ＩＰＵ１１は、車両１００に設置された超高解像度カメラ（図示せず）に内蔵されている。ＩＰＵ１１は、超高解像度カメラにより撮影された車両１００の周囲に存在する物体の画像について、ベイヤ変換、デモザイク、ノイズ除去、シャープ化等の所定の画像処理を行い、処理された物体の画像を、例えば１０フレーム／秒のフレームレートかつ１２００万画素の解像度で出力する。また、ＩＰＵ１１は、超高解像度カメラにより撮影された物体の画像から、撮影された物体を識別した識別情報を出力する。識別情報は、撮影された物体が何であるか（例えば、人なのか、障害物なのか）を識別するために必要な情報である。本実施形態では、ＩＰＵ１１は、識別情報として、撮影された物体の種別（種類）を示すラベル情報（例えば、撮影された物体が犬なのか、猫なのか、又はクマなのかを示す情報）を出力する。さらに、ＩＰＵ１１は、撮影された物体の超高解像度カメラのカメラ座標系における位置を示す位置情報を出力する。ＩＰＵ１１から出力された画像、ラベル情報、及び位置情報は、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５及びメモリ１６に供給される。ＩＰＵ１１は「第２プロセッサ」の一例であり、超高解像度カメラは「第２カメラ」の一例である。

　ＭｏＰＵ１２は、車両１００に設置された超高解像度カメラとは別の別カメラ（図示せず）に内蔵されている。ＭｏＰＵ１２は、超高解像度カメラと対応する方向を向いた別カメラにより１００フレーム／秒以上のフレームレートで撮影された物体の画像から、撮影された物体を点として捉えた点情報を、例えば１００フレーム／秒以上のフレームレートで出力する。ＭｏＰＵ１２から出力された点情報は、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５及びメモリ１６に供給される。このように、ＭｏＰＵ１２が点情報を出力するために用いる画像と、ＩＰＵ１１が識別情報を出力するために用いる画像とは、別カメラ及び超高解像度カメラが対応する方向を向いて撮影した画像（撮影を行うことで得た画像）である。ここで、「対応する方向」とは、別カメラの撮影範囲と超高解像度カメラの撮影範囲とが重複する方向である。上記の場合だと、別カメラは、超高解像度カメラの撮影範囲と重複する方向を向いて物体を撮影する。なお、超高解像度カメラ及び別カメラが対応する方向を向いて物体を撮影することは、例えば、超高解像度カメラ及び別カメラ間のカメラ座標系の対応関係を予め求めておくことにより実現される。

　例えば、ＭｏＰＵ１２は、点情報として、物体の存在位置を示す点の３次元直交座標系における少なくとも２つの座標軸の座標値を出力する。当該座標値は、一例として、物体の中心点（又は重心点）を示している。また、ＭｏＰＵ１２は、２つの座標軸の座標値として、当該３次元直交座標系における幅方向に沿った軸（ｘ軸）の座標値（以下、「ｘ座標値」とする）及び高さ方向に沿った軸（ｙ軸）の座標値（以下、「ｙ座標値」とする）を出力する。なお、ｘ軸は、車両１００の車幅方向に沿った軸であり、ｙ軸は、車両１００の高さ方向に沿った軸である。

　以上の構成により、ＭｏＰＵ１２が出力する１秒間の点情報は１００フレーム以上のｘ座標値及びｙ座標値を含むため、当該点情報に基づくと、上記３次元直交座標系におけるｘ軸及びｙ軸上の物体の動き（移動方向及び移動速度）を把握することができる。つまり、ＭｏＰＵ１２が出力する点情報は、物体の上記３次元直交座標系における位置を示す位置情報及び物体の動きを示す動き情報を含んでいる。

　以上のように、ＭｏＰＵ１２から出力される点情報には、撮影された物体が何であるか（例えば、人なのか、障害物なのか）を識別するために必要な情報は含まれておらず、当該物体の中心点（又は重心点）のｘ軸及びｙ軸上の動き（移動方向及び移動速度）を示す情報のみが含まれている。そして、ＭｏＰＵ１２から出力される点情報は、画像情報を含まないため、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５及びメモリ１６に出力するデータ量を画期的に削減することができる。ＭｏＰＵ１２は「第１プロセッサ」の一例であり、別カメラは「第１カメラ」の一例である。

　上述の通り、本実施形態では、ＭｏＰＵ１２が内蔵された別カメラのフレームレートは、ＩＰＵ１１が内蔵された超高解像度カメラのフレームレートより大きい。具体的には、別カメラのフレームレートは１００フレーム／秒以上であり、超高解像度カメラのフレームレートは１０フレーム／秒である。つまり、別カメラのフレームレートは、超高解像度カメラのフレームレートの１０倍以上である。

　Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ＭｏＰＵ１２から出力された点情報及びＩＰＵ１１から出力されたラベル情報を対応付ける。例えば、上記別カメラと超高解像度カメラとのフレームレート差に起因して、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、物体についての点情報を取得しているが、ラベル情報を取得していない状態がある。この状態では、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、点情報に基づいて物体のｘ座標値及びｙ座標値を認識するが、その物体が何であるかは認識していない。

　その後、上記物体についてのラベル情報を取得した場合、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、当該ラベル情報の種別（例：ＰＥＲＳＯＮ）を導出する。そして、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、当該ラベル情報と上記で取得している点情報とを対応付ける。これにより、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、点情報に基づいて物体のｘ座標値及びｙ座標値を認識するとともに、その物体が何であるかを認識する。Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は「第３プロセッサ」の一例である。

　ここで、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、超高解像度カメラ及び別カメラにより撮影された物体が、例えば、物体Ａ及び物体Ｂのように複数存在する場合、次のようにして各物体についての点情報及びラベル情報を対応付ける。上記の別カメラと超高解像度カメラとのフレームレート差に起因して、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、物体Ａ及び物体Ｂについての点情報（以下、「点情報Ａ」及び「点情報Ｂ」とする）を取得しているが、ラベル情報を取得していない状態がある。この状態では、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、点情報Ａに基づいて物体Ａのｘ座標値及びｙ座標値を認識し、点情報Ｂに基づいて物体Ｂのｘ座標値及びｙ座標値を認識するが、それらの物体が何であるかは認識していない。

　その後、一のラベル情報を取得した場合、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、当該一のラベル情報の種別（例：ＰＥＲＳＯＮ）を導出する。そして、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、当該一のラベル情報と共にＩＰＵ１１から出力された位置情報と、取得している点情報Ａ及び点情報Ｂに含まれる位置情報とに基づいて、当該一のラベル情報と対応付ける点情報を特定する。例えば、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ＩＰＵ１１から出力された位置情報が示す物体の位置に最も近い位置を示す位置情報を含む点情報を特定し、当該点情報を当該一のラベル情報に対応付ける。上記で特定された点情報が点情報Ａである場合、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、当該一のラベル情報と点情報Ａとを対応付け、点情報Ａに基づいて物体Ａのｘ座標値及びｙ座標値を認識するとともに、物体Ａが何であるかを認識する。

　以上説明したように、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、超高解像度カメラ及び別カメラにより撮影された物体が複数存在する場合、ＩＰＵ１１から出力された位置情報と、ＭｏＰＵ１２から出力された点情報に含まれる位置情報とに基づいて、点情報及びラベル情報の対応付けを行う。

　また、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ＩＰＵ１１から出力された画像及びラベル情報に基づいて、車両１００の周囲に存在する物体（人、動物、道路、信号、標識、横断歩道、障害物、建物など）を認識する。また、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ＭｏＰＵ１２から出力された点情報に基づいて、車両１００の周囲に存在する、何であるか認識された物体の位置及び動きを認識する。Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は認識した情報に基づいて、例えば、車輪を駆動するモータの制御（速度制御）、ブレーキ制御、ハンドル制御を行い、当該物体に対する応答制御として、車両１００の自動運転を制御する。例えば、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ＭｏＰＵ１２から出力された点情報に含まれる位置情報及び動き情報から、物体との衝突を回避するように車両１００の自動運転を制御する。Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５において、ＧＮＰＵ１３は画像認識に関する処理を担ってもよく、ＣＰＵ１４は、車両制御に関する処理を担ってもよい。

　一般的に自動運転における画像認識を行うために超高解像度カメラが使用されている。ここで、超高解像度カメラによって撮影された画像（超高解像度カメラによって撮影されることによって得られた画像）から、当該画像に含まれる物体が何であるかを認識することは可能である。しかしながら、Ｌｅｖｅｌ６時代の自動運転ではこれだけでは不十分である。Ｌｅｖｅｌ６時代では、物体の動きをより高精度に認識することも必要である。ＭｏＰＵ１２によって物体の動きをより高精度に認識することで、例えば、自動運転によって走行する車両１００が障害物を回避する回避動作を、より高精度で行うことが可能となる。しかしながら、超高解像度カメラでは、１秒間に１０フレーム程度しか画像を取得することができず、物体の動きを解析する精度はＭｏＰＵ１２を搭載したカメラに比べると低い。一方、ＭｏＰＵ１２を搭載したカメラでは、例えば１００フレーム／秒の高フレームレートでの出力が可能である。

　そこで、第１の実施形態に係る情報処理装置１０は、ＩＰＵ１１及びＭｏＰＵ１２の２つの独立したプロセッサを備える。情報処理装置１０は、超高解像度カメラに内蔵されたＩＰＵ１１には、撮影した物体が何であるかを識別するために必要な情報を取得する役割を与え、別カメラに内蔵されたＭｏＰＵ１２には、物体の位置及び動きを検出する役割を与えている。ＭｏＰＵ１２は、撮影した物体を点として捉え、その点の座標が上記３次元直交座標系における少なくともｘ軸及びｙ軸上のどの方向に、どの程度の速度で動くかを解析する。物体の全体の輪郭と、その物体が何なのかの検知は、超高解像度カメラからの画像によって行うことが可能であることから、ＭｏＰＵ１２によって、例えば、物体の中心点がどのように移動するかさえ分かれば、物体全体がどのような挙動をするかがわかる。

　物体の中心点の移動と速度のみを解析する手法によれば、物体の画像全体がどのように動くかを判断することに比べて、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５に出力するデータ量を大幅に抑制し、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５における計算量を大幅に低減することが可能である。例えば、１０００ピクセル×１０００ピクセルの画像を、１０００フレーム／秒のフレームレートでＣｅｎｔｒａｌ　Ｂｒａｉｎ１５に出力する場合、色情報を含めると、４０億ビット／秒のデータをＣｅｎｔｒａｌ　Ｂｒａｉｎ１５に出力することになる。ＭｏＰＵ１２が、物体の中心点の動きを示す点情報のみを出力することで、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５に出力するデータ量を２万ビット／秒に圧縮することができる。すなわち、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５に出力するデータ量が２０万分の１に圧縮される。

　このように、ＩＰＵ１１から出力される低フレームレートかつ高解像度の画像及びラベル情報と、ＭｏＰＵ１２から出力される高フレームレートかつ軽量の点情報とを組み合わせて用いることで、物体の動きを含む物体認識を、少ないデータ量で実現することが可能となる。

　また、情報処理装置１０では、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５がＭｏＰＵ１２から出力された点情報及びＩＰＵ１１から出力されたラベル情報を対応付けることにより、どのような物体がどのような動きをしているのかに関する情報を把握することができる。

　（第２の実施形態）
　次に、本実施形態に係る第２の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。

　図３は、第２の実施形態に係る情報処理装置１０の構成の一例を示すブロック図である。図３に示すように、車両１００に搭載される情報処理装置１０は、左側の目に相当するＭｏＰＵ１２Ｌと、右側の目に相当するＭｏＰＵ１２Ｒと、ＩＰＵ１１と、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５とを備えている。

　ＭｏＰＵ１２Ｌは、カメラ３０２Ｌと、レーダー３２Ｌと、赤外線カメラ３４Ｌと、コア１７Ｌを備えている。また、ＭｏＰＵ１２Ｒは、カメラ３０２Ｒと、レーダー３２Ｒと、赤外線カメラ３４Ｒと、コア１７Ｒを備えている。なお、以下では、ＭｏＰＵ１２ＬとＭｏＰＵ１２Ｒとを区別しない場合には「ＭｏＰＵ１２」、カメラ３０２Ｌとカメラ３０２Ｒとを区別しない場合には「カメラ３０２」、レーダー３２Ｌとレーダー３２Ｒとを区別しない場合には「レーダー３２」、赤外線カメラ３４Ｌと赤外線カメラ３４Ｒとを区別しない場合には「赤外線カメラ３４」、コア１７Ｌとコア１７Ｒとを区別しない場合には「コア１７」と記載する。

　ＭｏＰＵ１２が備えるカメラ３０２は、ＩＰＵ１１が備える超高解像度カメラ（例えば、１０フレーム／秒）よりも大きいフレーム数（１２０，２４０，４８０，９６０，又は１９２０フレーム／秒）で物体を撮影する。カメラ３０２のフレームレートは可変である。カメラ３０２は「第１カメラ」の一例である。

　ＭｏＰＵ１２が備えるレーダー３２は、物体に照射した電磁波の当該物体からの反射波に基づく信号であるレーダー信号を取得する。ＭｏＰＵ１２が備える赤外線カメラ３４は、赤外線画像を撮影するカメラ（物体からの赤外線を撮影することで、物体を示す赤外線画像を取得するカメラ）である。

　ＭｏＰＵ１２が備えるコア１７（例えば、１つ以上のＣＰＵにより構成される）は、カメラ３０２が撮影した１フレームの画像（カメラ３０２によって撮影されることで得られた１フレームの画像）毎に特徴点を抽出し、点情報として、上記３次元直交座標系における物体のｘ座標値及びｙ座標値を出力する。コア１７は、例えば、画像から抽出した物体の中心点（重心点）を特徴点とする。なお、コア１７が出力する点情報は、上記実施形態と同様に、位置情報及び動き情報を含む。

　ＩＰＵ１１は、超高解像度カメラ（図示せず）を備えており、超高解像度カメラにより撮影された物体の画像（超高解像度カメラにより物体が撮影されることによって得られた画像）、当該物体の種別を示すラベル情報、及び当該物体の超高解像度カメラのカメラ座標系における位置を示す位置情報を出力する。

　Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ＭｏＰＵ１２から出力された点情報と、ＩＰＵ１１から出力された画像、ラベル情報、及び位置情報とを取得する。そして、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ＭｏＰＵ１２から出力された点情報に含まれる位置情報とＩＰＵ１１から出力された位置情報とが対応する位置に存在する物体についてのラベル情報を当該点情報に対応付ける。これにより、情報処理装置１０では、ラベル情報が示す物体が何であるかという情報と、点情報が示す物体の位置及び動きとを対応付けることが可能になる。

　ここで、ＭｏＰＵ１２は、所定要因に応じてカメラ３０２のフレームレートを変更する。第２の実施形態では、ＭｏＰＵ１２は、所定要因の一例として外部環境に関するスコアに応じてカメラ３０２のフレームレートを変更する。この場合、ＭｏＰＵ１２は、車両１００に対する外部環境に関するスコアを算出し、算出したスコアに応じて、カメラ３０２のフレームレートを変更する。そして、ＭｏＰＵ１２は、変更したフレームレートで画像を撮影させるための制御信号をカメラ３０２に対して出力する。これにより、カメラ３０２は、制御信号が示すフレームレートで画像を撮影する（カメラ３０２は、制御信号が示すフレームレートで撮影を行うことで画像を取得する）。この構成により、情報処理装置１０によれば、外部環境に適したフレームレートで物体の画像を撮影することができる（外部環境に適したフレームレートで物体を撮影することができる）。

　なお、車両１００に搭載される情報処理装置１０は、図示しない複数種類のセンサを備えている。ＭｏＰＵ１２は、複数種類のセンサから取り入れられたセンサ情報（例えば、体重の重心移動、道路の材質の検知、外気温度の検知、外気湿度の検知、坂道の上下横斜め傾き角度の検知、道路の凍り方、水分量の検知、それぞれのタイヤの材質、摩耗状況、空気圧の検知、道路幅、追い越し禁止有無、対向車、前後車両の車種情報、それらの車のクルージング状態、又は周囲の状況(鳥、動物、サッカーボール、事故車、地震、家事、風、台風、大雨、小雨、吹雪、霧、など)等）及び点情報に基づいて、車両１００に対する外部環境に関するスコアとして、車両１００の移動に関する危険度を算出する。危険度は、車両１００が今後どの程度の危険な場所を走行するかの度合を示している。この場合、ＭｏＰＵ１２は、算出した危険度に応じてカメラ３０２のフレームレートを変更する。車両１００は「移動体」の一例である。この構成により、情報処理装置１０によれば、車両１００の移動に関する危険度に応じてカメラ３０２のフレームレートを変更することができる。センサは「検知部」の一例であり、センサ情報は「検知情報」の一例である。

　例えば、ＭｏＰＵ１２は、算出した危険度が高いほどカメラ３０２のフレームレートを高くする。ＭｏＰＵ１２は、算出した危険度が第１閾値未満の場合、カメラ３０２のフレームレートを１２０フレーム／秒に変更する。また、ＭｏＰＵ１２は、算出した危険度が第１閾値以上かつ第２閾値未満の場合、カメラ３０２のフレームレートを２４０，４８０，９６０フレーム／秒の何れかに変更する。また、ＭｏＰＵ１２は、算出した危険度が第２閾値以上の場合、カメラ３０２のフレームレートを１９２０フレーム／秒に変更する。なお、ＭｏＰＵ１２は、危険度が上記の何れかである場合において、選択したフレームレートでカメラ３０２に画像を撮影させること（選択したフレームレートでカメラ３０２に撮影させること）に加え、当該フレームレートに応じた数値でレーダー信号を取得及び赤外線画像を撮影するように、レーダー３２及び赤外線カメラ３４へ制御信号を出力してもよい。

　例えば、ＭｏＰＵ１２は、算出した危険度が低いほどカメラ３０２のフレームレートを低くする。ＭｏＰＵ１２は、カメラ３０２のフレームレートを１９２０フレーム／秒に設定した状態で、算出した危険度が第１閾値以上かつ第２閾値未満の場合、カメラ３０２のフレームレートを２４０，４８０，９６０フレーム／秒の何れかに変更する。また、ＭｏＰＵ１２は、カメラ３０２のフレームレートを１９２０フレーム／秒に設定した状態で、算出した危険度が第１閾値未満の場合、カメラ３０２のフレームレートを１２０フレーム／秒に変更する。さらに、ＭｏＰＵ１２は、カメラ３０２のフレームレートを２４０，４８０，９６０フレーム／秒の何れかに設定した状態で、算出した危険度が第１閾値未満の場合、カメラ３０２のフレームレートを１２０フレーム／秒に変更する。なお、この場合も上記と同様に、変更したカメラ３０２のフレームレートに応じた数値でレーダー信号を取得及び赤外線画像を撮影する（変更したカメラ３０２のフレームレートに応じた数値でのレーダー信号の取得及び赤外線画像を得るための撮影を行う）ように、レーダー３２及び赤外線カメラ３４へ制御信号を出力してもよい。

　また、ＭｏＰＵ１２は、危険度を予測する情報としてロングテールインシデントＡＩ（Ａｒｔｉｆｉｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ）　ＤＡＴＡ（例えば、レベル５の自動運転制御方式が実装された車両のＴｒｉｐデータ）又は地図情報等、車両１００が走行する前から既知である走行に関するビッグデータを利用して、危険度を算出してもよい。

　上記では、外部環境に関するスコアとして危険度を算出したが、外部環境に関するスコアとなる指標は危険度に限定されない。例えば、ＭｏＰＵ１２は、カメラ３０２に写る物体の移動方向又は速さ等に基づいて、危険度とは別の外部環境に関するスコアを算出し、そのスコアに応じて、カメラ３０２のフレームレートを変更してもよい。以下、ＭｏＰＵ１２がカメラ３０２に写る物体の速さに関するスコアである速さスコアを算出し、速さスコアに応じて、カメラ３０２のフレームレートを変更する場合について説明する。一例として、速さスコアは、物体の速度が速いほど高くなり、遅いほど低くなるよう設定されている。そして、ＭｏＰＵ１２は、算出した速さスコアが高いほどカメラ３０２のフレームレートを高くし、低いほどカメラ３０２のフレームレートを低くする。このため、ＭｏＰＵ１２は、物体の速度が速いために算出した速さスコアが閾値以上となった場合、カメラ３０２のフレームレートを１９２０フレーム／秒に変更する。また、ＭｏＰＵ１２は、物体の速度が遅いために算出した速さスコアが閾値未満となった場合、カメラ３０２のフレームレートを１２０フレーム／秒に変更する。なお、この場合も上記と同様に、変更したカメラ３０２のフレームレートに応じた数値でレーダー信号を取得及び赤外線画像を撮影する（変更したカメラ３０２のフレームレートに応じた数値でのレーダー信号の取得及び赤外線画像を得るための撮影を行う）ように、レーダー３２及び赤外線カメラ３４へ制御信号を出力してもよい。

　次に、ＭｏＰＵ１２がカメラ３０２に写る物体の移動方向に関するスコアである方向スコアを算出し、方向スコアに応じて、カメラ３０２のフレームレートを変更する場合について説明する。一例として、方向スコアは、物体の移動方向が道路に近づく方向であると高くなり、道路から離れる方向であると低くなるよう設定されている。そして、ＭｏＰＵ１２は、算出した方向スコアが高いほどカメラ３０２のフレームレートを高くし、低いほどカメラ３０２のフレームレートを低くする。具体的には、ＭｏＰＵ１２は、ＡＩを利用することなどにより物体の移動方向を特定し、特定した移動方向に基づいて方向スコアを算出する。そして、ＭｏＰＵ１２は、物体の移動方向が道路に近づく方向であったために算出した方向スコアが閾値以上となった場合、カメラ３０２のフレームレートを１９２０フレーム／秒に変更する。また、ＭｏＰＵ１２は、物体の移動方向が道路から離れる方向であったために算出した方向スコアが閾値未満となった場合、カメラ３０２のフレームレートを１２０フレーム／秒に変更する。なお、この場合も上記と同様に、変更したカメラ３０２のフレームレートに応じた数値でレーダー信号を取得及び赤外線画像を撮影する（変更したカメラ３０２のフレームレートに応じた数値でのレーダー信号の取得及び赤外線画像を得るための撮影を行う）ように、レーダー３２及び赤外線カメラ３４へ制御信号を出力してもよい。

　また、ＭｏＰＵ１２は、算出した外部環境に関するスコアが所定の閾値以上の物体についてのみ点情報を出力してもよい。この場合、例えば、ＭｏＰＵ１２は、カメラ３０２に写る物体の移動方向又は存在位置に応じてその物体についての点情報を出力するか否かを判定してもよい。例えば、ＭｏＰＵ１２は、車両１００の走行に対する影響が低い物体についての点情報は出力しなくてもよい。具体的には、ＭｏＰＵ１２は、カメラ３０２に写る物体の移動方向を算出し、道路から遠ざかっていく歩行者等の物体についての点情報は出力しない。一方、ＭｏＰＵ１２は、道路に近づく物体（例えば、道路に飛び出しそうな歩行者等の物体）又は道路内に存在する物体（例えば、道路に設けられた横断歩道を横断している歩行者又は自転車等の物体）についての点情報は出力する。この構成により、情報処理装置１０によれば、車両１００の走行に対する影響が低い物体についての点情報を出力せずに済む。

　なお、上記においてＭｏＰＵ１２は、車両１００が走行する道路内に物体が存在する場合、当該物体についての点情報を出力することとしたが、開示の技術は、この態様に限定されるものではない。例えば、ＭｏＰＵ１２は、車両１００が走行する道路内に物体が存在していても、当該物体が車両１００に接触する可能性が低いと判定できる場合、当該物体についての点情報の出力を停止してもよい。道路は「通行路」の一例である。

　ここで、ＭｏＰＵ１２は、道路内において車両１００の移動ルート上に物体が存在せず、かつ当該移動ルートから物体が離れていく場合に、物体が車両１００に接触する可能性が低いと判定する。一例として、道路内において車両１００の移動ルート上に物体が存在しない状況は、複数車線の道路において車両１００が走行している車線とは異なる車線に物体が位置している場合が例示される。また、車両１００の移動ルートから物体が離れていく場合は、例えば、複数車線の道路において車両１００が走行している車線から離れる方向に物体が移動している場合が例示される。

　上記構成により、車両１００が走行する道路内に物体が存在する場合は常に当該物体についての点情報を出力する場合に比べて、ＭｏＰＵ１２の処理負荷を軽減しつつ、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５に出力するデータ量を削減することができる。

　また、以上の説明では、ＭｏＰＵ１２が危険度を算出する場合を例示したが、開示の技術は、この態様に限定されるものではない。例えば、ＭｏＰＵ１２に代えてＣｅｎｔｒａｌ　Ｂｒａｉｎ１５が危険度を算出してもよい。この場合、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、複数種類のセンサから取り入れられたセンサ情報及びＭｏＰＵ１２から出力された点情報に基づいて、車両１００に対する外部環境に関するスコアとして、車両１００の移動に関する危険度を算出する。そして、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、算出した危険度に応じてカメラ３０２のフレームレートを変更する指示をＭｏＰＵ１２に出力する。

　また、以上の説明では、ＭｏＰＵ１２が、カメラ３０２が撮影した画像（カメラ３０２が撮影を行うことで得た画像）に基づいて点情報を出力する場合を例示したが、開示の技術は、この態様に限定されるものではない。例えば、ＭｏＰＵ１２は、カメラ３０２が撮影した画像（カメラ３０２が撮影を行うことで得た画像）に代えて、レーダー信号及び赤外線画像に基づいて点情報を出力してもよい。ＭｏＰＵ１２は、赤外線カメラ３４が撮影した物体の赤外線画像からは、カメラ３０２が撮影した画像（カメラ３０２が撮影を行うことで得た画像）と同様に物体のｘ座標値及びｙ座標値を導出することが可能である。レーダー３２は、レーダー信号に基づく物体の３次元点群データを取得することが可能である。つまり、レーダー３２は、上記３次元直交座標系におけるｚ軸の座標を検出することが可能である。ここで、ｚ軸は、物体の奥行き方向及び車両１００の進行方向に沿った軸であり、以下では、ｚ軸の座標値を「ｚ座標値」と記載する。この場合、ＭｏＰＵ１２は、ステレオカメラの原理を利用して、レーダー３２が物体の３次元点群データを取得したタイミングと同じタイミングで赤外線カメラ３４により撮影された当該物体のｘ座標値及びｙ座標値と、当該３次元点群データが示す当該物体のｚ座標値とを組み合わせて、点情報として物体の３つの座標軸（ｘ軸、ｙ軸、及びｚ軸）の座標値を導出する。そして、ＭｏＰＵ１２は、導出した点情報をＣｅｎｔｒａｌ　Ｂｒａｉｎ１５に出力する。

　また、以上の説明では、ＭｏＰＵ１２が点情報を導出する場合を例示したが、開示の技術は、この態様に限定されるものではない。例えば、ＭｏＰＵ１２に代えてＣｅｎｔｒａｌ　Ｂｒａｉｎ１５が点情報を導出してもよい。Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５が点情報を導出することは、例えば、カメラ３０２Ｌ、カメラ３０２Ｒ、レーダー３２、及び赤外線カメラ３４が検出した情報を組み合わせることで実現される。具体例として、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、カメラ３０２Ｌにより撮影された物体のｘ座標値及びｙ座標値と、カメラ３０２Ｒにより撮影された物体のｘ座標値及びｙ座標値とに基づいて三点測量を行うことにより、点情報として物体の３つの座標軸（ｘ軸、ｙ軸、及びｚ軸）の座標値を導出する。

　また、以上の説明では、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５が、ＩＰＵ１１から出力された画像及びラベル情報と、ＭｏＰＵ１２から出力された点情報とに基づいて車両１００の自動運転を制御する場合を例示したが、開示の技術は、この態様に限定されるものではない。例えば、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ＩＰＵ１１及びＭｏＰＵ１２から出力された上記情報に基づいて、ロボットの動作制御を行ってもよい。ロボットは、人間の代わりに作業を行う人型のスマートロボットであってもよい。この場合、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ＩＰＵ１１及びＭｏＰＵ１２から出力された上記情報に基づいて、ロボットの腕、手のひら、指、及び足等の動作制御を行って、物体を握る、掴む、抱える、背負う、移動させる、運ぶ、投げる、蹴る、及び避ける等の動作を行わせる。Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５がロボットの動作制御を行う場合、ＩＰＵ１１及びＭｏＰＵ１２は、ロボットの右目及び左目の位置に搭載されてもよい。つまり右目には右目用のＩＰＵ１１及びＭｏＰＵ１２を搭載し、左目には左目用のＩＰＵ１１及びＭｏＰＵ１２を搭載してもよい。

　また、カメラ３０２のレンズに汚れが付着している、又はフロントガラスに汚れが付着している等の理由で、カメラ３０２が撮像した画像が鮮明でない場合、車両１００の自動運転の制御が困難になるおそれがある。

　そこで、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、カメラ３０２が撮像した画像が鮮明でない場合、ＩＰＵ１１側の超高解像度カメラで撮像された画像を、カメラ３０２が撮像した画像の代替として使用してもよい。カメラ３０２が撮像した画像が鮮明でない場合とは、日中で屋外を走行しているにもかかわらず、カメラ３０２が撮像した画像の所定の面積が極端に暗く写っている、又はコントラストが低くなっている、等である。

　Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ＩＰＵ１１側の超高解像度カメラで撮像された画像を、カメラ３０２が撮像した画像の代替として使用することで、車両１００の自動運転の制御を継続することが出来る。

　カメラ３０２が撮像した画像が鮮明でない場合、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、カメラ３０２が撮像した画像を鮮明にするような処理を実行してもよい。そのような処理として、例えば、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、フロントガラスの汚れを落とすために、洗浄液を噴出させてワイパーを動作させてもよい。

　その後、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、カメラ３０２が撮像した画像が鮮明になった場合、カメラ３０２が撮像した画像を車両１００の自動運転の制御に用いるよう処理を戻してもよい。

　情報処理装置１０は、他の車両１００から、当該車両１００のカメラ３０２で撮像された画像を取得してもよい。また、情報処理装置１０は、他の車両１００から、当該車両１００のＭｏＰＵ１２から出力された点情報に含まれる位置情報を取得してもよい。この場合、画像及び位置情報を取得する他の車両１００は、例えば、車両１００の近隣に存在しており、車両１００と同じ方向を走行していることが望ましい。

　他の車両１００から、当該車両１００のカメラ３０２で撮像された画像（他装置画像）及び当該車両１００のＭｏＰＵ１２から出力された点情報に含まれる位置情報を取得すると、ＭｏＰＵ１２は、自車両１００のカメラ３０２で撮像された画像（自装置画像）と、他装置画像とを比較して、両画像に共通する範囲を抽出する。そして、ＭｏＰＵ１２は、抽出した範囲の画像、及び他の車両１００から取得した位置情報を用いて、自装置画像の点情報に含まれる位置情報を取得してもよい。

　ＭｏＰＵ１２は、任意の手法で両画像に共通する範囲を抽出する。例えば、ＭｏＰＵ１２は、両画像に共通する被写体（人間、及び物体等）の存在を検出し、その検出結果を用いて両画像に共通する範囲を抽出してもよい。

　また、ＭｏＰＵ１２は、他の車両１００からの画像及び位置情報の送信時間を考慮して、自装置画像のフレームと他装置画像のフレームとを同期させてもよい。ＭｏＰＵ１２が自装置画像のフレームと他装置画像のフレームとを同期させることで、同一のタイミングで撮像された２つの画像を用いた共通範囲の抽出が可能となる。同一のタイミングで撮像された２つの画像を用いた共通範囲の抽出が可能となることで、ＭｏＰＵ１２は、精度良く自装置画像の点情報に含まれる位置情報を取得することができる。

　なお情報処理装置１０がロボットに備わっている場合、画像及び位置情報を、他の車両１００ではなく、図２に示した構成と同様の構成を有する装置、例えば当該ロボットの近隣に存在するロボットから取得してもよい。

　（第３の実施形態）
　次に、本実施形態に係る第３の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。
　一例として、第３の実施形態に係る情報処理装置１０は、第１の実施形態と同様の図２に示す構成を備えている。

　第３の実施形態に係るＭｏＰＵ１２は、点情報として、別カメラにより撮影された画像（別カメラにより撮影が行われることで得られた画像）から認識した物体の輪郭を囲む多角形の頂点の少なくとも対角となる２点の存在位置を示した座標値である複数座標値を出力する。当該複数座標値の各々が示す座標値は、第１の実施形態と同様、上記３次元直交座標系における物体のｘ座標値及びｙ座標値である。複数座標値は「第２座標値」の一例である。

　図４は、第３の実施形態に係るＭｏＰＵ１２が出力する点情報の例を示す説明図である。図４では、ＭｏＰＵ１２が、別カメラにより撮影された画像（別カメラにより撮影が行われることで得られた画像）に含まれる４つの物体のそれぞれについて、当該物体の輪郭を四角形で囲んだバウンディングボックス２１、２２、２３、２４が示されている。そして、図４は、ＭｏＰＵ１２が、物体の輪郭を囲む四角形のバウンディングボックス２１、２２、２３、２４の頂点の対角となる２点の座標値を複数座標値として出力した態様を例示している。このように、ＭｏＰＵ１２は物体を点としてではなく、一定の大きさを持つオブジェクトとして捉えてもよい。

　また、物体を一定の大きさを持つオブジェクトとして捉える場合、ＭｏＰＵ１２は、別カメラにより撮影された画像（別カメラにより撮影が行われることで得られた画像）から認識した物体の輪郭を囲む多角形の頂点の対角となる２点の座標値ではなく、物体の輪郭を囲む多角形の複数の頂点の座標値を複数座標値として出力してもよい。例えば、図４を例にすると、ＭｏＰＵ１２は、当該物体の輪郭を四角形で囲んだバウンディングボックス２１、２２、２３、２４の４つの頂点全ての座標値を複数座標値として出力してもよい。

　以上の説明では、ＭｏＰＵ１２が、点情報として、別カメラにより撮影された物体の画像から複数座標値を出力する場合を例示したが、開示の技術は、この態様に限定されるものではない。ＭｏＰＵ１２は、点情報として、別カメラにより撮影された物体の画像から、上記３次元直交座標系を構成する少なくとも２つの座標軸（例えば、ｘ軸及びｙ軸）において、物体の中心点若しくは重心点の存在位置を示した単数座標値又は上記の複数座標値を所定のタイミングで切り替えて出力してもよい。単数座標値は「第１座標値」の一例である。

　例えば、所定のタイミングとして、所定要因により超高解像度カメラにより撮影された物体の画像から撮影された物体をＩＰＵ１１が識別できない場合に、ＭｏＰＵ１２は、点情報として出力する座標値を単数座標値から複数座標値に切り替える。ここで、ＩＰＵ１１は、撮影された物体の種別を識別できず、ラベル情報をＣｅｎｔｒａｌ　Ｂｒａｉｎ１５に出力できない場合、点情報として出力する座標値を切り替える指示情報をＭｏＰＵ１２に出力する。一例として、ＭｏＰＵ１２は、指示情報を取得した場合に撮影された物体をＩＰＵ１１が識別できないとして、点情報として出力する座標値を単数座標値から複数座標値に切り替える。

　上記構成により、例えば、所定要因として暗闇又は悪天候等の影響でＩＰＵ１１が撮影された物体を識別できない場合に、点情報として出力する座標値を複数座標値に切り替えることで、ＩＰＵ１１の代わりにＭｏＰＵ１２が物体の大きさを把握する役割を担うことができる。

　また、所定のタイミングとして、物体の移動速度が所定閾値以下の場合、又は物体の移動方向が所定方向である場合に、ＭｏＰＵ１２は、点情報として出力する座標値を複数座標値から単数座標値に切り替える。

　ＭｏＰＵ１２は、別カメラに写る物体の速さに関するスコアである速さスコアを算出する。一例として、速さスコアは、物体の移動速度が速いほど高くなり、遅いほど低くなるよう設定されている。そして、ＭｏＰＵ１２は、物体の移動速度が所定閾値以下のために算出した速さスコアが閾値未満となった場合、点情報として出力する座標値を複数座標値から単数座標値に切り替える。

　また、ＭｏＰＵ１２は、別カメラに写る物体の移動方向に関するスコアである方向スコアを算出する。一例として、方向スコアは、物体の移動方向が道路に近づく方向であると高くなり、道路から離れる方向であると低くなるよう設定されている。そして、ＭｏＰＵ１２は、物体の移動方向が所定方向となる道路から離れる方向であったために算出した方向スコアが閾値未満となった場合、点情報として出力する座標値を複数座標値から単数座標値に切り替える。

　上記構成により、車両１００が今後どの程度の危険な場所を走行するかの度合を示す危険度が低い場合に点情報として出力する座標値を単数座標値に切り替えることで、ＭｏＰＵ１２の処理負荷を軽減しつつ、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５に出力するデータ量を削減することができる。

　（第４の実施形態）
　次に、本実施形態に係る第４の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。
　一例として、第４の実施形態に係る情報処理装置１０は、第１の実施形態と同様の図２に示す構成を備えている。

　第４の実施形態に係る情報処理装置１０が搭載される車両１００は、レーダー、ＬｉＤＡＲ、高画素・望遠・超広角・３６０度・高性能カメラ、ビジョンセンサ、音センサ、超音波センサ、振動センサ、赤外線センサ、紫外線センサ、電波センサ、温度センサ、及び湿度センサの少なくとも１つから構成されるセンサを備えている。情報処理装置１０がセンサから取り入れるセンサ情報として、体重の重心移動、道路の材質の検知、外気温度の検知、外気湿度の検知、坂道の上下横斜め傾き角度の検知、道路の凍り方、水分量の検知、それぞれのタイヤの材質、摩耗状況、空気圧の検知、道路幅、追い越し禁止有無、対向車、前後車両の車種情報、それらの車のクルージング状態、周囲の状況（鳥、動物、サッカーボール、事故車、地震、火事、風、台風、大雨、小雨、吹雪、霧、など）等が挙げられる。センサは「検知部」の一例であり、センサ情報は「検知情報」の一例である。

　第４の実施形態に係るＣｅｎｔｒａｌ　Ｂｒａｉｎ１５は、センサが検知したセンサ情報に基づいて、車両１００の自動運転を制御するための制御変数を算出する。Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、１０億分の１秒毎にセンサ情報を取得する。具体的には、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、車両１００の４つの車輪それぞれの車輪速、傾き、及び車輪を支持するサスペンションを制御するための制御変数を算出する。なお、車輪の傾きは、道路に対して水平な軸に対する車輪の傾き、及び道路に対して垂直な軸に対する車輪の傾きの双方を含む。この場合、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、４つの車輪それぞれの車輪速、道路に対して水平な軸に対する４つの車輪それぞれの傾き、道路に対して垂直な軸に対する４つの車輪それぞれの傾き、及び４つの車輪それぞれを支持するサスペンションを制御するための計１６の制御変数を算出する。

　そして、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、上記で算出した制御変数と、ＭｏＰＵ１２から出力された点情報及びＩＰＵ１１から出力されたラベル情報とに基づいて、車両１００の自動運転を制御する。具体的には、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、上記１６の制御変数に基づいて、４つの車輪にそれぞれ搭載されたインホイールモータを制御することで、車両１００の４つの車輪それぞれの車輪速、傾き、及び４つの車輪それぞれを支持するサスペンションを制御して自動運転を行う。また、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、点情報及びラベル情報に基づいて、車両１００の周囲に存在する何であるか認識された物体の位置及び動きを認識し、この認識した情報に基づいて、例えば、物体との衝突を回避するように車両１００の自動運転を制御する。このようにＣｅｎｔｒａｌ　Ｂｒａｉｎ１５が車両１００の自動運転を制御することで、例えば、車両１００が山道を走行する場合には当該山道に合わせた最適なステアリングを行うことができ、車両１００を駐車場に駐車する場合には当該駐車場に合わせた最適なアングルで走行することができる。

　ここで、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、機械学習、より詳しくは深層学習（Ｄｅｅｐ　Ｌｅａｒｎｉｎｇ）を用いて、上記センサ情報及び図示しないサーバ等からネットワークを介して取得可能な情報から制御変数を推論することが可能なものであってよい。換言すると、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５はＡＩで構成することができる。

　Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、１０億分の１秒毎の上記センサ情報及びロングテールインシデントＡＩ　ｄａｔａの計算力であって、Ｌｅｖｅｌ６を実現する上で用いられる計算力（以下、「Ｌｅｖｅｌ６の計算力」とも称する）を用い、下記式（１）に示すような積分法による多変量解析（例えば式（２）参照）を行うことで、制御変数を求め得る。より詳しくは、Ｌｅｖｅｌ６の計算力で各種Ｕｌｔｒａ　Ｈｉｇｈ　Ｒｅｓｏｌｕｔｉｏｎのデルタ値の積分値を求めながら、エッジレベルでかつリアルタイムで各制御変数を求め、次の１０億分の１秒に発生する結果（すなわち、各制御変数）を最も高い確率論値で取得し得る。これを実現するためには、例えば、空気抵抗、道路抵抗、道路要素（例えばゴミ）、及び滑り係数等の各変数（例えば、上記センサ情報及びネットワークを介して取得可能な情報）を特定可能な関数（換言すると、各変数の挙動を示す関数）のデルタ値（例えば、微小時間の変化値）を時間積分することにより得られる積分値をＣｅｎｔｒａｌ　Ｂｒａｉｎ１５の深層学習モデル（例えば、ニューラルネットワークに対して深層学習が行われることによって得られた学習済みモデル）に入力する。Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５の深層学習モデルは、入力された積分値に対応する制御変数（例えば、最も高い確信度（すなわち、評価値）の制御変数）を出力する。制御変数の出力は１０億分の１秒単位で行われる。

　なお、一例として、式（１）において、“ｆ（Ａ）”は、例えば、空気抵抗、道路抵抗、道路要素（例えばゴミ）、及び滑り係数等の各変数の挙動を示す関数が簡略化されて表現された式である。また、一例として、式（１）は、“ｆ（Ａ）”の時刻ａから時刻ｂまでの時間積分ｖを示す式である。式（２）中のＤＬは深層学習（例えば、ニューラルネットワークに対して深層学習が行われることによって最適化された深層学習モデル）を示し、ｄＡ_ｎ／ｄｔは、ｆ（Ａ，Ｂ，Ｃ，Ｄ，・・・，Ｎ）のデルタ値を示し、Ａ，Ｂ，Ｃ，Ｄ，…，Ｎは、空気抵抗、道路抵抗、道路要素（例えばゴミ）、及び滑り係数等の各変数を示し、ｆ（Ａ，Ｂ，Ｃ，Ｄ，・・・，Ｎ）は、Ａ，Ｂ，Ｃ，Ｄ，…，Ｎの挙動を示す関数を示し、Ｖ_ｎは、ニューラルネットワークに対して深層学習が行われることによって最適化された深層学習モデルから出力される値（制御変数）を示す。

　なお、ここでは、関数のデルタ値を時間積分することにより得られる積分値をＣｅｎｔｒａｌ　Ｂｒａｉｎ１５の深層学習モデルに入力する形態例を挙げているが、これは、あくまでも一例に過ぎない。例えば、空気抵抗、道路抵抗、道路要素、及び滑り係数等の各変数の挙動を示す関数のデルタ値を時間積分することにより得られる積分値（例えば、次の１０億分の１秒に発生する結果）がＣｅｎｔｒａｌ　Ｂｒａｉｎ１５の深層学習モデルによって推論され、推論結果として、最も高い確信度（すなわち、評価値）の積分値が１０億分の１秒毎にＣｅｎｔｒａｌ　Ｂｒａｉｎ１５によって取得されるようにしてもよい。

　また、ここでは、深層学習モデルに積分値を入力したり、深層学習モデルから積分値を出力したりする形態例を挙げているが、これは、あくまでも一例に過ぎず、積分値を用いなくても本開示の技術は成立する。例えば、Ａ，Ｂ，Ｃ，Ｄ，…，Ｎに相当する値を例題データとし、少なくとも１つの制御変数（例えば、次の１０億分の１秒に発生する結果）に相当する値を正解データとした教師データを用いた深層学習がニューラルネットワークに対して行われることで最適化された深層学習モデルによって少なくとも１つの制御変数が推論されるようにしてもよい。

　Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５にて得られた制御変数は、Ｄｅｅｐ　Ｌｅａｒｎｉｎｇの回数を増加させることによりさらに精緻化させ得る。例えば、タイヤや、モータの回転、ステアリング角度や、道路の材質、天気、ごみや二次曲線的減速時における影響、スリップ、バランス崩壊や再獲得のためのステアリングやスピードコントロールの仕方等の膨大なデータやロングテールインシデントＡＩ　ｄａｔａを用いてより正確な制御変数を算出することができる。

　（第５の実施形態）
　次に、本実施形態に係る第５の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。
　図５は、第５の実施形態に係る情報処理装置１０の構成の一例を示すブロック図である。なお、図５は、情報処理装置１０の一部の構成のみを示している。

　図５に示すように、ＭｏＰＵ１２では、カメラ３０により撮影された物体の可視光画像及び赤外線画像が、それぞれ、１００フレーム／秒以上のフレームレートでコア１７に入力される。当該カメラ３０は、物体の可視光画像を撮影可能な可視光カメラ３０５Ａ及び物体の赤外線画像を撮影可能な赤外線カメラ３０５Ｂを含んで構成されている。そして、コア１７は、入力された可視光画像及び赤外線画像の少なくとも一方に基づいて、点情報をＣｅｎｔｒａｌ　Ｂｒａｉｎ１５に出力する。

　ここで、コア１７は、可視光カメラ３０５Ａにより撮影された物体の可視光画像から物体を識別できる場合には、当該可視光画像に基づいて点情報を出力する。一方、コア１７は、所定要因により当該可視光画像から物体を捉えられない場合、赤外線カメラ３０５Ｂにより撮影された物体の赤外線画像に基づいて点情報を出力する。例えば、所定要因として暗闇の影響により、コア１７が可視光画像から物体を捉えられない場合が想定される。この場合には、コア１７は、赤外線カメラ３０５Ｂを用いて物体の熱を検知し、その検知結果である赤外線画像に基づいて、物体の点情報を出力する。なお、これに限らず、コア１７は、可視光画像及び赤外線画像に基づいて点情報を出力してもよい。

　また、ＭｏＰＵ１２は、可視光カメラ３０５Ａにより可視光画像を撮影する（可視光画像を得るための撮影が可視光カメラ３０５Ａによって行われる）タイミングと、赤外線カメラ３０５Ｂにより赤外線画像を撮影する（赤外線画像を得るための撮影が赤外線カメラ３０５Ｂによって行われる）タイミングとを同期させる。具体的には、ＭｏＰＵ１２は、同じタイミングで可視光画像及び赤外線画像を撮影する（ＭｏＰＵ１２は、可視光の撮影と赤外線の撮影を行う）ように、カメラ３０へ制御信号を出力する。これにより、可視光カメラ３０５Ａによって撮影される１秒あたりの画像数（可視光カメラ３０５Ａが撮影を行うことによって得られる１秒あたりの画像数）と、赤外線カメラ３０５Ｂによって撮影される１秒あたりの画像数（赤外線カメラ３０５Ｂが撮影を行うことによって得られる１秒あたりの画像数）とが同期する（例えば、１９２０フレーム／秒）。

　（第６の実施形態）
　次に、本実施形態に係る第６の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。
　図６は、第６の実施形態に係る情報処理装置１０の構成の一例を示すブロック図である。なお、図６は、情報処理装置１０の一部の構成のみを示している。

　図６に示すように、ＭｏＰＵ１２では、カメラ３０により撮影された物体の画像及びレーダー３２により物体に照射された電磁波の物体からの反射波に基づくレーダー信号が、それぞれ、１００フレーム／秒以上のフレームレートでコア１７に入力される。そして、コア１７は、入力された物体の画像及びレーダー信号に基づいて、点情報をＣｅｎｔｒａｌ　Ｂｒａｉｎ１５に出力する。コア１７は、入力された物体の画像からは、物体のｘ座標値及びｙ座標値を導出することが可能である。上述の通り、レーダー３２は、レーダー信号に基づく物体の３次元点群データを取得し、上記３次元直交座標系におけるｚ軸の座標を検出することが可能である。この場合、コア１７は、ステレオカメラの原理を利用して、レーダー３２が物体の３次元点群データを取得したタイミングと同じタイミングでカメラ３０により撮影された当該物体のｘ座標値及びｙ座標値と、当該３次元点群データが示す当該物体のｚ座標値とを組み合わせて、点情報として物体の３つの座標軸（ｘ軸、ｙ軸、及びｚ軸）の座標値を導出する。なお、上記でコア１７に入力された物体の画像は、可視光画像及び赤外線画像の少なくとも１つを含むものであってもよい。

　また、ＭｏＰＵ１２は、カメラ３０により画像を撮影する（カメラ３０が撮影を行う）タイミングと、レーダー３２がレーダー信号に基づく物体の３次元点群データを取得するタイミングとを同期させる。具体的には、ＭｏＰＵ１２は、同じタイミングで画像を撮影し、物体の３次元点群データを取得するように、カメラ３０及びレーダー３２へ制御信号を出力する。これにより、カメラ３０によって撮影される１秒あたりの画像数（カメラ３０が撮影を行うことによって得られる１秒あたりの画像数）と、レーダー３２によって取得される１秒あたりの３次元点群データの数とが同期する（例えば、１９２０フレーム／秒）。このように、カメラ３０によって撮影される１秒あたりの画像数（カメラ３０が撮影を行うことによって得られる１秒あたりの画像数）及びレーダー３２によって取得される１秒あたりの３次元点群データの数は、ＩＰＵ１１が備える超高解像度カメラのフレームレート、すなわち、超高解像度カメラによって撮影される１秒あたりの画像数（超高解像度カメラが撮影を行うことによって得られる１秒あたりの画像数）より多い。

　（第７の実施形態）
　次に、本実施形態に係る第７の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。
　一例として、第７の実施形態に係る情報処理装置１０は、第１の実施形態と同様の図２に示す構成を備えている。

　第７の実施形態に係るＣｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ＩＰＵ１１がラベル情報を出力したタイミングと同じタイミングでＭｏＰＵ１２から出力された点情報を、当該ラベル情報に対応付ける。また、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、点情報及びラベル情報を対応付けた後にＭｏＰＵ１２から新たな点情報が出力された場合、新たな点情報についても当該ラベル情報と対応付ける。新たな点情報は、ラベル情報と対応付けた点情報が示す物体と同一の物体の点情報であって、当該対応付けが行われてから次のラベル情報が出力されるまでの間の一又は複数の点情報である。第７の実施形態では、上記実施形態と同様、ＭｏＰＵ１２が内蔵された別カメラのフレームレートは１００フレーム／秒以上（例えば、１９２０フレーム／秒）であり、ＩＰＵ１１が内蔵された超高解像度カメラのフレームレートは１０フレーム／秒である。

　図７Ａは、第７の実施形態に係る点情報とラベル情報との対応付けの一例を示す説明図である。以下の説明では、ＭｏＰＵ１２から出力される１秒あたりの点情報の数を「点情報の出力レート」と称し、ＩＰＵ１１から出力される１秒あたりのラベル情報の数を「ラベル情報の出力レート」と称する。

　図７Ａには、物体Ｂ１４の点情報Ｐ４の出力レートの時系列が示されている。物体Ｂ１４についての点情報Ｐ４の出力レートは１９２０フレーム／秒である。また、点情報Ｐ４は、図中右から左へ移動している。物体Ｂ１４についてのラベル情報の出力レートは１０フレーム／秒であり、点情報Ｐ４の出力レートよりも低い。

　まず、時刻ｔ０の時点では、物体Ｂ１４についてのラベル情報はＩＰＵ１１から出力されていない。そのため、時刻ｔ０の時点では、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、点情報Ｐ４に基づいて物体Ｂ１４の座標値（位置情報）を認識するが、物体Ｂ１４が何であるかは認識していない。

　次に、時刻ｔ１の時点では、物体Ｂ１４についてのラベル情報がＩＰＵ１１から出力されている。そのため、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、当該ラベル情報に基づいて、物体Ｂ１４についてラベル情報「ＰＥＲＳＯＮ」を導出する。そして、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、時刻ｔ１において導出したラベル情報「ＰＥＲＳＯＮ」と、時刻ｔ１においてＭｏＰＵ１２から出力された点情報Ｐ４の座標値（位置情報）とを対応付ける。これにより、時刻ｔ１の時点では、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、点情報Ｐ４に基づいて物体Ｂ１４の座標値（位置情報）を認識するとともに、その物体Ｂ１４が何であるかを認識する。

　図７Ａでは、物体Ｂ１４についての次のラベル情報がＩＰＵ１１から出力されるタイミングを時刻ｔ２としている。そのため、時刻ｔ２の時点では、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ＩＰＵ１１から出力された当該ラベル情報に基づいて、物体Ｂ１４についてラベル情報「ＰＥＲＳＯＮ」を導出する。そして、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、時刻ｔ２において導出したラベル情報「ＰＥＲＳＯＮ」と、時刻ｔ２においてＭｏＰＵ１２から出力された点情報Ｐ４の座標値（位置情報）とを対応付ける。

　ここで、ＭｏＰＵ１２が内蔵された別カメラとＩＰＵ１１が内蔵された超高解像度カメラとのフレームレート差に起因して、時刻ｔ１から時刻ｔ２までの期間は、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５により物体Ｂ１４についての点情報Ｐ４は取得される一方、ラベル情報は取得されない。この場合、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、時刻ｔ１から時刻ｔ２までの期間に取得した点情報Ｐ４については、点情報Ｐ４について直前の時刻ｔ１に対応付けたラベル情報「ＰＥＲＳＯＮ」と対応付ける。ここで、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５が時刻ｔ１から時刻ｔ２までの期間に取得した点情報Ｐ４は「新たな点情報」の一例である。図７Ａに示す例では、時刻ｔ１から時刻ｔ２までの期間にＭｏＰＵ１２から複数の点情報Ｐ４が出力されたため、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、複数の点情報Ｐ４を取得している。そのため、図７Ａに示す例では、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、時刻ｔ１から時刻ｔ２までの期間に取得した複数の点情報Ｐ４の何れについても直前の時刻ｔ１に対応付けたラベル情報「ＰＥＲＳＯＮ」と対応付ける。なお、図７Ａに示す例と異なり、時刻ｔ１から時刻ｔ２までの期間にＭｏＰＵ１２から１つの点情報Ｐ４が出力された場合には、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、当該１つの点情報Ｐ４について直前の時刻ｔ１に対応付けたラベル情報「ＰＥＲＳＯＮ」と対応付ける。

　ここで、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、動きを追跡している物体の種別が不確定な期間が生じても、その物体の点情報が高フレームレートで継続的に出力されるため、当該物体の座標値（位置情報）を見失うリスクは低い。このため、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、点情報とラベル情報との対応付けを１度行った場合、次のラベル情報を取得するまでの間に取得した点情報については、直前のラベル情報を推定的に付与することが可能となる。

　Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、点情報の座標値の時系列に基づいて、当該物体の速度及び加速度を導出する。また、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、点情報の座標値の時系列に基づいて、当該物体の動きを予測する。物体の動きの予測には、当該物体のラベル情報を加味してもよい。

　ここで、互いに対応付けられるラベル情報と点情報の座標値は、同一の物体に関するものであることが必要である。すなわち、物体Ａのラベル情報と、物体Ａとは異なる物体Ｂの点情報の座標値とが対応付けられることを回避しなければならない。下記の条件１～３は、ラベル情報の対象物体と、点情報の座標値の対象物体とが同一物体であるための条件である。

＜条件１＞
　ＩＰＵ１１が搭載されたカメラと、ＭｏＰＵ１２が搭載されたカメラの設置位置（画角差）から、ＩＰＵ１１から出力される高解像度画像（以下ＩＰＵ画像と称する）と、ＭｏＰＵ１２が搭載されたカメラによって撮像された画像（以下ＭｏＰＵ画像と称する）の相対的な位置関係は特定可能である。ＩＰＵ画像に写る物体と、ＭｏＰＵ画像に写る物体の位置関係が整合する場合、両物体が同一である可能性がある。そこで、ＩＰＵ画像に写る物体と、ＭｏＰＵ画像に写る物体の位置関係が整合することを両物体が同一であることの条件１とする。「位置関係が整合する」とは、ＩＰＵ画像とＭｏＰＵ画像の画角差を考慮した場合に、両画像に写る物体が、同じ位置にあるとみなせることを意味する。

＜条件２＞
　ＭｏＰＵ画像は解像度が低いが、物体の輪郭は認識可能である。ＩＰＵ画像に写る物体の輪郭とＭｏＰＵ画像に写る物体の輪郭が整合する場合、両物体は同一である可能性がある。そこで、ＩＰＵ画像に写る物体の輪郭と、ＭｏＰＵ画像に写る物体の輪郭が整合することを両物体が同一であることの条件２とする。「輪郭が整合する」とは、ＩＰＵ画像に写る物体の輪郭と、ＭｏＰＵ画像に写る物体の輪郭の類似度が一定以上であることを意味する。例えば、ＭｏＰＵ画像に写る物体の輪郭とＩＰＵ画像に写る物体の輪郭を、位置ずれを考慮した上で重ね合わせて、両画像における物体の輪郭の位置が一致する割合が所定の閾値以上である場合、両画像に写る物体の輪郭の類似度が一定以上であると判定してもよい。

＜条件３＞
　ＭｏＰＵ１２が捉えた物体の点情報の動きから、その物体が何であるかをある程度推定することは可能である。例えば、人間の動きと自動車の動きは明らかに異なる。標識及び信号等の建造物は全く動かない。ＭｏＰＵ１２が捉えた物体の点情報の動きから推定した物体の種別と、ＩＰＵ画像から推定した物体の種別（ラベル情報）が整合する場合、両物体が同一である可能性がある。そこで、ＭｏＰＵが捉えた物体の点情報の動きから推定した物体の種別と、ＩＰＵ画像から推定した物体の種別（ラベル情報）が整合することを両物体が同一であることの条件３とする。「物体の種別が整合する」とは、ＭｏＰＵ１２が捉えた物体の点情報の動きから推定した物体の種別と、ＩＰＵ画像から推定した物体の種別（ラベル情報）が矛盾しないことを意味する。

　Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、上記の条件１～３の全てを満たす場合に、ラベル情報の対象物体と、点情報の座標値の対象物体とが同一物体であると判定し、両物体について、点情報とラベル情報との対応付けを行う。図７Ｂは、第７の実施形態に係るＣｅｎｔｒａｌ　Ｂｒａｉｎ１５によって実施される、点情報とラベル情報との対応付け処理の流れの一例を示すフローチャートである。

　ステップＳ１においてＣｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ＩＰＵ画像に写る物体と、ＭｏＰＵ画像に写る物体について、条件１を満たす物体、すなわち位置関係が整合する物体を抽出する。ステップＳ２においてＣｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ＩＰＵ画像に写る物体と、ＭｏＰＵ画像に写る物体のうち、条件１を満たす物体について、更に条件２を満たす物体、すなわち輪郭が整合する物体を抽出する。ステップＳ３においてＣｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ＩＰＵ画像に写る物体と、ＭｏＰＵ画像に写る物体のうち、条件１及び条件２の双方を満たす物体について、更に条件３を満たす物体、すなわち物体の種別が整合する物体を抽出する。ステップＳ４においてＣｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ステップＳ３において抽出された物体、すなわち条件１～３の全てを満たす物体について、点情報の座標値とラベル情報とを対応付ける。なお、以上の説明では、条件１～３の全てを満たす場合に、当該物体が同一であると判定する場合を例示したが、条件１～３のうちの１つ又は２つを満たす物体を同一の物体であると判定して、その物体について点情報の座標値とラベル情報とを対応付けてもよい。この場合、条件１～３の少なくとも１つを必須の条件としてもよい。例えば条件３（ラベル情報の整合）を必須条件とし、他の２つの条件を満たさない場合でも、当該物体が同一であると判定してもよい。また、満たした条件の数に基づいて、当該物体の同一性についての信頼度を導出し、この信頼度を車両制御に用いてもよい。例えば、条件１～３の全てを満たす場合に、その物体に応じた車両制御を行ってもよい。

　（第８の実施形態）
　次に、本実施形態に係る第８の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。
　車両１００の自動運転を制御する情報処理装置１０が高度な演算処理を行う際に、発熱が課題となる。そこで、第８の実施形態は、情報処理装置１０に対する冷却機能を有する車両１００を提供する。

　図８は、第８の実施形態に係る車両１００の概略構成を示す説明図である。図８に示すように、車両１００には、情報処理装置１０、冷却実行装置１１０、及び冷却部１２０が搭載されている。

　第８の実施形態に係る情報処理装置１０は、車両１００の自動運転を制御する装置であって、一例として、第１の実施形態と同様の図２に示す構成を備えている。冷却実行装置１１０は、情報処理装置１０による物体の検出結果を取得し、当該検出結果に基づいて、情報処理装置１０に対する冷却を冷却部１２０に実行させる。冷却部１２０は、空冷手段、水冷手段、及び液体窒素冷却手段等の少なくとも１つの冷却手段を用いて情報処理装置１０を冷却する。以下では、情報処理装置１０における冷却対象を、車両１００の自動運転を制御するＣｅｎｔｒａｌ　Ｂｒａｉｎ１５（詳しくは、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５を構成するＣＰＵ１４）として説明するが、これに限定はされない。

　情報処理装置１０及び冷却実行装置１１０は、図示しないネットワークを介して通信可能に接続されている。当該ネットワークは、車両ネットワーク、インターネット、ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）、及び移動体通信ネットワークの何れであってもよい。移動体通信ネットワークは、５Ｇ（５ｔｈ　Ｇｅｎｅｒａｔｉｏｎ）通信方式、ＬＴＥ（Ｌｏｎｇ　Ｔｅｒｍ　Ｅｖｏｌｕｔｉｏｎ）通信方式、３Ｇ（３ｒｄ　Ｇｅｎｅｒａｔｉｏｎ）通信方式、及び６Ｇ（６ｔｈ　Ｇｅｎｅｒａｔｉｏｎ）通信方式以降の通信方式の何れに準拠していてもよい。

　図９は、第８の実施形態に係る冷却実行装置１１０の機能構成の例を示すブロック図である。図９に示すように、冷却実行装置１１０は、機能構成として、取得部１１２、実行部１１４、及び予測部１１６を有する。

　取得部１１２は、情報処理装置１０による物体の検出結果を取得する。例えば、当該検出結果として、取得部１１２は、ＭｏＰＵ１２から出力される物体の点情報を取得する。

　実行部１１４は、取得部１１２が取得した物体の検出結果に基づいて、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５に対する冷却を実行させる。例えば、実行部１１４は、ＭｏＰＵ１２から出力された物体の点情報に基づいて、当該物体が移動していることを認識した場合、冷却部１２０によるＣｅｎｔｒａｌ　Ｂｒａｉｎ１５に対する冷却を開始させる。

　なお、実行部１１４は、物体の検出結果に基づいてＣｅｎｔｒａｌ　Ｂｒａｉｎ１５に対する冷却を実行させることに限らず、情報処理装置１０の作動状況の予測結果に基づいてＣｅｎｔｒａｌ　Ｂｒａｉｎ１５に対する冷却を実行させてもよい。

　ここで、予測部１１６は、取得部１１２が取得した物体の検出結果に基づいて、情報処理装置１０、具体的には、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５の作動状況を予測する。例えば、予測部１１６は、所定の記憶領域に記憶されている学習モデルを取得する。そして、予測部１１６は、取得部１１２が取得したＭｏＰＵ１２から出力された物体の点情報を学習モデルに入力することによって、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５の作動状況を予測する。ここで、学習モデルは、当該作動状況として、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５のコンピューティングパワーの状況及び変化量を出力する。また、予測部１１６は、当該作動状況と共に情報処理装置１０、具体的には、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５の温度変化を予測して出力してもよい。例えば、予測部１１６は、取得部１１２が取得したＭｏＰＵ１２から出力された物体の点情報の数に基づいて、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５の温度変化を予測する。この場合、予測部１１６は、点情報の数が多いほど温度変化が大きくなると予測し、点情報の数が少ないほど温度変化が小さくなると予測する。

　上記の場合、実行部１１４は、予測部１１６によるＣｅｎｔｒａｌ　Ｂｒａｉｎ１５の作動状況の予測結果に基づいて、冷却部１２０によるＣｅｎｔｒａｌ　Ｂｒａｉｎ１５に対する冷却を開始させる。例えば、実行部１１４は、当該作動状況として予測されたＣｅｎｔｒａｌ　Ｂｒａｉｎ１５のコンピューティングパワーの状況及び変化量が所定の閾値を超えた場合、冷却部１２０による冷却を開始させる。また、実行部１１４は、当該作動状況として予測されたＣｅｎｔｒａｌ　Ｂｒａｉｎ１５の温度変化に基づく温度が所定の閾値を超えた場合、冷却部１２０による冷却を開始させる。

　また、実行部１１４は、予測部１１６によるＣｅｎｔｒａｌ　Ｂｒａｉｎ１５の温度変化の予測結果に応じた冷却手段を用いて、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５に対する冷却を実行させてもよい。例えば、実行部１１４は、予測されたＣｅｎｔｒａｌ　Ｂｒａｉｎ１５の温度が高いほど、多数の冷却手段を用いて冷却部１２０に冷却を実行させてもよい。具体例として、実行部１１４は、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５の温度が第１閾値を超えることが予測された場合、１つの冷却手段を用いて冷却部１２０に冷却を実行させる。一方、実行部１１４は、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５の温度が第１閾値よりも高い第２閾値を超えることが予測された場合、複数の冷却手段を用いて冷却部１２０に冷却を実行させる。

　また、実行部１１４は、予測されたＣｅｎｔｒａｌ　Ｂｒａｉｎ１５の温度が高いほど、強力な冷却手段を用いて、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５に対する冷却を実行させてもよい。例えば、実行部１１４は、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５の温度が第１閾値を超えることが予測された場合、空冷手段を用いて冷却部１２０に冷却を実行させる。また、実行部１１４は、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５の温度が第１閾値よりも高い第２閾値を超えることが予測された場合、水冷手段を用いて冷却部１２０に冷却を実行させる。さらに、実行部１１４は、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５の温度が第２閾値よりも高い第３閾値を超えることが予測された場合、液体窒素冷却手段を用いて冷却部１２０に冷却を実行させる。

　さらに、実行部１１４は、取得部１１２が取得したＭｏＰＵ１２から出力された物体の点情報の数に基づいて、冷却に用いる冷却手段を決定してもよい。この場合、実行部１１４は、点情報の数が多いほど強力な冷却手段を用いて、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５に対する冷却を実行させてもよい。例えば、実行部１１４は、点情報の数が第１閾値を超える場合、空冷手段を用いて冷却部１２０に冷却を実行させる。また、実行部１１４は、点情報の数が第１閾値よりも高い第２閾値を超える場合、水冷手段を用いて冷却部１２０に冷却を実行させる。さらに、実行部１１４は、点情報の数が第２閾値よりも高い第３閾値を超える場合、液体窒素冷却手段を用いて冷却部１２０に冷却を実行させる。

　ところで、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５が作動する契機として、車道に存在する動く物体を検出した場合がある。例えば、車両１００が自動運転を行っている際に車道に存在する動く物体が検出された場合、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、当該物体に対して車両１００を制御するための演算処理を行うことがある。上述のように、車両１００の自動運転を制御するＣｅｎｔｒａｌ　Ｂｒａｉｎ１５が高度な演算処理を行う際の発熱が課題となる。そこで、第８の実施形態に係る冷却実行装置１１０は、情報処理装置１０による物体の検出結果に基づいてＣｅｎｔｒａｌ　Ｂｒａｉｎ１５の放熱を予測し、放熱の開始前又は放熱の開始と同時にＣｅｎｔｒａｌ　Ｂｒａｉｎ１５に対する冷却を実行させる。これにより、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、車両１００の自動運転中に高温となることが抑制され、当該自動運転中における高度な演算が可能となる。

　（第９の実施形態）
　次に、本実施形態に係る第９の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。
　第９の実施形態に係る情報処理装置１０が備えるＭｏＰＵ１２は、カメラにより撮影された物体の画像から、点情報として物体のｚ座標値を導出する。以下、第９の実施形態に係る情報処理装置１０の各態様について順に説明する。

　第１態様に係る情報処理装置１０は、第２の実施形態と同様の図３に示す構成を備えている。

　上記第１態様において、ＭｏＰＵ１２は、複数のカメラ３０２、具体的には、カメラ３０２Ｌ及びカメラ３０２Ｒにより撮影された物体の画像から、点情報として物体のｚ座標値を導出する。上述の通り、１つのＭｏＰＵ１２を用いた場合は、点情報として物体のｘ座標値及びｙ座標値を導出することが可能である。ここで、２つのＭｏＰＵ１２を用いた場合は、ステレオカメラの原理を利用して、２つのカメラ３０２により撮影された物体の画像に基づいて点情報として物体のｚ座標値を導出することが可能である。そのため、当該第１態様は、ステレオカメラの原理を利用して、ＭｏＰＵ１２Ｌのカメラ３０２Ｌ及びＭｏＰＵ１２Ｒのカメラ３０２Ｒによりそれぞれ撮影された物体の画像に基づいて、点情報として物体のｚ座標値を導出する。

　第２態様に係る情報処理装置１０は、第２の実施形態と同様の図３に示す構成を備えている。

　上記第２態様において、ＭｏＰＵ１２は、カメラ３０２により撮影された物体の画像及びレーダー３２により物体に照射された電磁波の物体からの反射波に基づくレーダー信号から、点情報として物体のｘ座標値、ｙ座標値、及びｚ座標値を導出する。上述の通り、レーダー３２は、レーダー信号に基づく物体の３次元点群データを取得することが可能である。つまり、レーダー３２は、上記３次元直交座標系におけるｚ軸の座標を検出することが可能である。この場合、ＭｏＰＵ１２は、ステレオカメラの原理を利用して、レーダー３２が物体の３次元点群データを取得したタイミングと同じタイミングでカメラ３０２により撮影された当該物体のｘ座標値及びｙ座標値と、当該３次元点群データが示す当該物体のｚ座標値とを組み合わせて、点情報として物体の３つの座標軸の座標値を導出する。

　第３態様に係る情報処理装置１０は、図１０に示す構成を備えている。図１０は、第９の実施形態に係る情報処理装置１０の構成の一例を示す第１のブロック図である。なお、図１０は、情報処理装置１０の一部の構成のみを示している。

　上記第３態様において、ＭｏＰＵ１２は、カメラ３０により撮影された物体の画像及び照射装置１３０により物体に照射されたストラクチャードライトを撮影した結果から、点情報として物体のｚ座標値を導出する。

　図１０に示すように、ＭｏＰＵ１２では、カメラ３０により撮影された物体の画像及び照射装置１３０により物体に照射されたストラクチャードライトをカメラ１４０が撮影した結果であるストラクチャードライトのパターンの歪みを示す歪み情報が、それぞれ、１００フレーム／秒以上のフレームレートでコア１７に入力される。そして、コア１７は、入力された物体の画像及び歪み情報に基づいて、点情報をＣｅｎｔｒａｌ　Ｂｒａｉｎ１５に出力する。

　ここで、物体の３次元位置又は形状を識別する方式の１つとして、ストラクチャードライト方式がある。ストラクチャードライト方式は、ドット状にパターニングされたストラクチャードライトを物体に照射し、そのパターンの歪みから奥行き情報を取得するものである。ストラクチャードライト方式は、例えば、参考文献（http://ex-press.jp/wp-content/uploads/2018/10/018_teledyne_3rd.pdf）に開示されている。

　図１０に示す照射装置１３０は、物体にストラクチャードライトを照射する。また、カメラ１４０は、照射装置１３０により物体に照射されたストラクチャードライトを撮影する。そして、カメラ１４０は、撮影したストラクチャードライトのパターンの歪みに基づく歪み情報をコア１７に出力する。

　ここで、ＭｏＰＵ１２は、カメラ３０により画像を撮影する（カメラ３０が撮影を行う）タイミングと、カメラ１４０によりストラクチャードライトを撮影するタイミングとを同期させる。具体的には、ＭｏＰＵ１２は、同じタイミングで画像を撮影する（同じタイミングで物体を撮影する）ように、カメラ３０及びカメラ１４０へ制御信号を出力する。これにより、カメラ３０によって撮影される１秒あたりの画像数（カメラ３０が撮影を行うことによって得られる１秒あたりの画像数）と、カメラ１４０によって撮影される１秒あたりの画像数（カメラ１４０が撮影を行うことによって得られる１秒あたりの画像数）とが同期する（例えば、１９２０フレーム／秒）。このように、カメラ３０によって撮影される１秒あたりの画像数（カメラ３０が撮影を行うことによって得られる１秒あたりの画像数）及びカメラ１４０によって撮影される１秒あたりの画像数（カメラ１４０が撮影を行うことによって得られる１秒あたりの画像数）は、ＩＰＵ１１が備える超高解像度カメラのフレームレート、すなわち、超高解像度カメラによって撮影される１秒あたりの画像数より多い。

　そして、コア１７は、カメラ１４０によりストラクチャードライトが撮影されたタイミングと同じタイミングでカメラ３０により撮影された当該物体のｘ座標値及びｙ座標値と、当該ストラクチャードライトのパターンの歪みに基づく歪み情報とを組み合わせて、点情報として物体のｚ座標値を導出する。

　第４態様に係る情報処理装置１０は、図１１に示す構成を備えている。図１１は、第９の実施形態に係る情報処理装置１０の構成の一例を示す第２のブロック図である。なお、図１１は、情報処理装置１０の一部の構成のみを示している。

　図１１に示すブロック図は、図２に示すブロック図の構成にＬｉｄａｒセンサ１８を加えたものである。Ｌｉｄａｒセンサ１８は、３次元空間に存在する物体及び車両１００が走行中の路面を含む点群データを取得するセンサである。情報処理装置１０は、Ｌｉｄａｒセンサ１８により取得した点群データを用いることで、物体の奥行き方向における位置情報、すなわち、物体のｚ座標値を導出することができる。なお、Ｌｉｄａｒセンサ１８により取得される点群データは、ＭｏＰＵ１２から出力される物体のｘ座標値及びｙ座標値より長い間隔で取得されることを想定する。また、ＭｏＰＵ１２は、第９の実施形態の第３態様と同様にカメラ３０を備えている。

　第４態様では、ＭｏＰＵ１２は、ステレオカメラの原理を利用して、Ｌｉｄａｒセンサ１８が物体の点群データを取得したタイミングと同じタイミングでカメラ３０により撮影された当該物体のｘ座標値及びｙ座標値と、当該点群データが示す当該物体のｚ座標値とを組み合わせて、点情報として物体の３つの座標軸の座標値を導出する。

　ここで、上記第４態様において、ＭｏＰＵ１２は、時刻ｔの物体のｘ座標値、ｙ座標値、及びｚ座標値と、時刻ｔの次の時点である（例えば時刻ｔ＋１）における物体のｘ座標値及びｙ座標値とから、点情報として時刻ｔ＋１における物体のｚ座標値を導出する。時刻ｔは「第１時点」の一例であり、時刻ｔ＋１は「第２時点」の一例である。第４態様では、時刻ｔ＋１における物体のｚ座標値は、形状情報、すなわち、ジオメトリを用いて導出する。以下、この詳細について説明する。

　図１２Ａは、第９の実施形態において、物体の時系列における座標検出を模式的に示す図である。図１２ＡにおいてＪは矩形で表された物体の位置を示し、物体の位置はＪ１からＪ２に時系列に移動している。図１２Ａにおいて、物体がＪ１に位置する時刻ｔにおける物体の座標値が（ｘ１、ｙ１、ｚ１）であり、物体がＪ２に位置する時刻ｔ＋１における物体の座標値が（ｘ２、ｙ２、ｚ２）である。

　まず、時刻ｔについて説明する。
　ＭｏＰＵ１２は、カメラ３０により撮影された物体の画像から、当該物体のｘ座標値及びｙ座標値を導出する。続いて、ＭｏＰＵ１２は、Ｌｉｄａｒセンサ１８から取得した点群データが示す当該物体のｚ座標値と上記ｘ座標値及びｙ座標値とを統合して、時刻ｔにおける当該物体の３次元座標値（ｘ１、ｙ１、ｚ１）を導出する。

　次に、時刻ｔ＋１について説明する。
　ＭｏＰＵ１２は、空間のジオメトリと、時刻ｔから時刻ｔ＋１への物体のｘ座標値及びｙ座標値の変化とに基づいて、時刻ｔ＋１における当該物体のｚ座標値を導出する。空間のジオメトリには、ＩＰＵ１１が備える超高解像度カメラにより撮影された画像（超高解像度カメラにより撮影が行われることで得られた画像）及びＬｉｄａｒセンサ１８の点群データから得られる路面の形状と、車両１００の形状とが含まれる。

　路面の形状を示すジオメトリは、時刻ｔの時点であらかじめ生成しておく。ＭｏＰＵ１２は、路面の形状を示すジオメトリと合わせて車両１００の形状を示すジオメトリを利用することで、路面上を車両１００が走行する場合をシミュレーションでき、ｘ軸、ｙ軸、及びｚ軸の各軸の移動量を推定できる。

　そのため、ＭｏＰＵ１２は、カメラ３０により撮影された物体の画像から、時刻ｔ＋１における当該物体のｘ座標値及びｙ座標値を導出する。ＭｏＰＵ１２は、当該物体が時刻ｔのｘ座標値及びｙ座標値（ｘ１、ｙ１）から時刻ｔ＋１のｘ座標値及びｙ座標値（ｘ２、ｙ２）に変化したときのｚ軸の移動量をシミュレーションから算出することで、時刻ｔ＋１における当該物体のｚ座標値を導出することができる。そして、ＭｏＰＵ１２は、上記ｘ座標値及びｙ座標値とｚ座標値とを統合して、時刻ｔ＋１における当該物体の３次元座標値（ｘ２、ｙ２、ｚ２）を導出する。

　図１２Ａに示すように、物体は、平面座標の移動（すなわち、ｘ軸及びｙ軸）と共に奥行き方向に移動しているため、車両１００の自動運転を高精度に制御するためにはｚ軸方向の移動も検知する必要がある。ここで、ＭｏＰＵ１２は、Ｌｉｄａｒセンサ１８の点群データから導出可能な物体のｚ座標値を、当該物体のｘ座標値及びｙ座標値ほど高速に取得できない場合もある。そのため、上記第４態様では、ＭｏＰＵ１２は、時刻ｔの物体のｘ座標値、ｙ座標値、及びｚ座標値と時刻ｔ＋１における物体のｘ座標値及びｙ座標値とから、時刻ｔ＋１における物体のｚ座標値を導出することとしている。これにより、上記第４態様に係る情報処理装置１０によれば、ＭｏＰＵ１２により、高速フレームショットによる２次元の動き検知と共に３次元の動き検知が、高性能かつ低用量のデータで実現できる。

　また、ＭｏＰＵ１２は、点情報が複数検出されている場合に、点情報に対応付けられたラベル情報について定めた優先度に応じて、次の時点の物体のｚ座標値を導出してもよい。例えば、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５では点情報及びラベル情報が対応付けられるが、当該ラベル情報が示す物体に、ｚ座標値を処理する場合の優先度を定めておく。以下、優先度の一例を説明する。例えば、物体の種別を示すラベル情報が、人、前方の車両、動物、又は障害物など、挙動を生じる物体であり、当該物体の挙動が走行に影響する対象である場合は、高い優先度（ＲＡＮＫ：Ａ）のカテゴリを設定する。一方、ラベル情報が、標識、又は道路脇の設置物など、静的な物体であり、挙動を生じない物体である場合は、低い優先度（ＲＡＮＫ：Ｂ）を設定する。このように、ＭｏＰＵ１２では、ラベル情報における物体の挙動の有無に応じて、優先度を設定できる。また、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５から物体の挙動の大きさを取得し、物体の挙動に対して重みづけを行い、物体の優先度を更新するようにしてもよい。例えば、挙動が大きい物体については重みを大きくし、挙動が小さい物体については重みを小さくするように優先度を更新する。

　また、優先度のＲＡＮＫはＡ、Ｂに限定されるものではなく、Ａ～Ｃ、又はＡ～Ｄなど、適宜、物体の種別に応じて段階を設けて定めてよい。また、上述の高い優先度の中で、細分化した優先度を設定してもよい。例えば、人、及び前方の車両は、大きな事故に繋がり得る危険度の高い物体とも捉えることができる。そこで、高い優先度のＲＡＮＫ：Ａについて、ＲＡＮＫ：Ａ１、ＲＡＮＫ：Ａ２に分け、人、前方の車両は、ＲＡＮＫ：Ａ１に設定し、動物、又は障害物などはＲＡＮＫ：Ａ２に設定する。このように、物体の危険因子に応じた優先度を設定してもよい。また、前方車両の中でも、大型のトラック又は荷物を積載したトラックなどは、通常の車両よりも、より危険度が高いといえる。そのため、ラベル情報でこれらを細分化して識別するようにし、ＭｏＰＵ１２で、通常の車両よりも高い優先度を設定するようにしてもよい。

　また、物体の数（すなわち点情報に対応付けられたラベル情報の数）に応じて、優先度を用いた処理順とするか否かを判定してもよい。例えば、物体が所定数（例えば３など）以上の場合は、優先度の順番に応じて各物体のｚ座標値を導出し、物体の所定数未満で少ない場合はとくに処理順を定めずに各物体のｚ座標値を処理する。また、物体間の距離、物体の密度に応じて、優先度を用いた処理順とするか否かを判定してもよい。

　また、優先度は、第９の実施形態の点情報として物体のｚ座標値を導出する場合に限らず、上述の第１～第８の実施形態の場合にも適用してもよい。ＭｏＰＵ１２は、点情報が複数の場合に、上述のラベル情報について定めた優先度に応じて、次の時点の点情報を導出してもよい。

　また、ＭｏＰＵ１２は、ｘ座標値及びｙ座標値の変化量によって、ｚ座標値の更新頻度を定め、当該頻度に応じてｚ座標値を導出するようにしてもよい。例えば、ｘ座標値及びｙ座標値の変化量が小さい場合には、走行環境が、平坦な道路や見通しのよい道路であることや、自動運転の速度も緩やかであり、自動運転の挙動も変化が少ない状態であることが想定される。このような場合には、ｘ座標値及びｙ座標値の取得だけでも十分に物体を捉えることができると考えられる。そのため、ｘ座標値及びｙ座標値の変化量が閾値以下の場合には、ｚ座標値の導出の頻度を低い頻度に設定し、ｘ座標値及びｙ座標値が閾値以上の場合には、ｚ座標値の導出の頻度を高い頻度に設定する。このように、ｚ座標値の導出に更新頻度を設定する。ｘ座標値及びｙ座標値の変化量が、「画像についての所定の条件」の一例であり、変化量に応じて定める更新頻度が「所定の条件を満たす各時点」の一例である。なお、１秒間に点情報は１００フレーム以上のｘ座標値及びｙ座標値を含むとされるが、時点ごとに、これらの平均を用いればよい。また、時刻ｔと時刻ｔ＋１の間隔は適宜、設計し得る事項である。

　図１２Ｂは、変化量に応じてｚ座標値の更新頻度を定めた場合のフローチャートである。なお、第１時点である時刻ｔの３次元座標値（ｘ１、ｙ１、ｚ１）と、時刻ｔ＋１のｘ座標値及びｙ座標値とは少なくとも導出されているとする。

　ステップＳ３００では、ＭｏＰＵ１２は、時刻ｔのｘ座標値及びｙ座標値と、時刻ｔ＋１のｘ座標値及びｙ座標値とを取得する。

　ステップＳ３０２では、ＭｏＰＵ１２は、時刻ｔから時刻ｔ＋１へのｘ座標値及びｙ座標値の変化量が閾値以上か否かを判定する。閾値以上である場合にはステップＳ３０４へ移行し、閾値未満であればステップＳ３０６へ移行する。

　ステップＳ３０４では、ＭｏＰＵ１２は、ｚ座標値の更新頻度を高い頻度に設定する。

　ステップＳ３０６では、ＭｏＰＵ１２は、ｚ座標値の更新頻度を低い頻度に設定する。

　ステップＳ３０８では、ＭｏＰＵ１２は、設定された頻度に応じて、更新タイミングである場合に、当該時刻におけるｚ座標値を導出する。なお、上記ステップＳ３００～Ｓ３０６の実行に関わらず、設定された頻度の更新タイミングとなった場合には、Ｓ３０８の処理を実行し、ｚ座標値を導出する。

　このように、処理負荷を軽減しつつ、走行状況に応じてｚ座標値を導出することで、必要な場合に高精度に物体の位置を特定できる。なお、更新頻度の設定は、上述した第１～４態様において、画像からｚ座標値を導出する場合において適用可能である。

　また、ＭｏＰＵ１２は、推定したｚ軸の移動量と、Ｌｉｄａｒセンサ１８で検出したｚ座標値とに差異があった場合、補正情報の学習を行うようにしてもよい。例えば、推定によるｚ座標値と、検出したｚ座標値とに差異が閾値以上の場合が生じた時のセンサ情報を収集し、データから物体の奥行き推定の補正情報を学習する。センサ情報から車両１００の補正対象の走行状況を特定し、特定した補正対象の走行状況に対して補正情報を学習する。補正対象の走行状況を特定する手法は、例えば、センサ情報を特徴量化し、平均の特徴量に対して差が生じた特徴量の項目を学習条件とすればよい。学習手法には深層学習等の補正対象の走行状況のセンサ情報を入力として、補正情報を出力できる任意の手法を用いればよい。補正情報は、入力された走行状況が補正対象に適合する場合に、補正候補のｚ座標値を出力する推定モデルとして学習できる。また、補正後のｚ座標値の精度を検証し、補正情報を再学習するように構成することができる。

　図１２Ｃは、補正情報を学習する場合のフローチャートである。なお、各時点で時刻ｔのｚ座標値とｘ座標値及びｙ座標値とを統合して、時刻ｔにおける当該物体の３次元座標値が導出されているとする。

　ステップＳ４００では、ＭｏＰＵ１２は、各時刻について推定したｚ座標値と、Ｌｉｄａｒセンサ１８で検出したｚ座標値とを取得する。

　ステップＳ４０２では、ＭｏＰＵ１２は、推定したｚ座標値と、検出したｚ座標値との差異が閾値以上のセンサ情報を収集する。

　ステップＳ４０４では、ＭｏＰＵ１２は、収集したセンサ情報から補正対象の走行状況を特定する。

　ステップＳ４０６では、ＭｏＰＵ１２は、補正対象の走行状況に関するセンサ情報を学習データとして用いて、補正情報を学習する。

　ＭｏＰＵ１２は、ｚ座標値の推定時に、学習した補正情報を適用し、補正候補のｚ座標値を出力し、ｚ座標値を補正する。

　このように、精度が不安定な走行状況においても、補正情報を用いて、物体の位置を特定できる。なお、補正情報の学習は、上述した第１～４態様において、画像からｚ座標値を導出する場合において適用可能である。

　また、以上の説明では、ＭｏＰＵ１２がカメラ３０により撮影された物体の画像から、点情報として物体のｚ座標値を導出する場合を例示したが、開示の技術は、この態様に限定されるものではない。例えば、ＭｏＰＵ１２に代えてＣｅｎｔｒａｌ　Ｂｒａｉｎ１５が点情報として物体のｚ座標値を導出してもよい。この場合、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、カメラ３０により撮影された物体の画像に対して、以上の説明でＭｏＰＵ１２が実行していた処理を行うことにより、点情報として物体のｚ座標値を導出する。一例として、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、複数のカメラ３０２、具体的には、カメラ３０２Ｌ及びカメラ３０２Ｒにより撮影された物体の画像から、点情報として物体のｚ座標値を導出する。この場合、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ステレオカメラの原理を利用して、ＭｏＰＵ１２Ｌのカメラ３０２Ｌ及びＭｏＰＵ１２Ｒのカメラ３０２Ｒによりそれぞれ撮影された物体の画像に基づいて、点情報として物体のｚ座標値を導出する。

　（第１０の実施形態）
　次に、本実施形態に係る第１０の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。
　図１３は、第１０の実施形態に係る情報処理装置１０の構成の一例を示すブロック図である。なお、図１３は、情報処理装置１０の一部の構成のみを示している。

　図１３に示すように、ＭｏＰＵ１２では、イベントカメラ３０Ｃにより撮影された物体の画像（以下、「イベント画像」と記載することもある）がコア１７に入力される。そして、コア１７は、入力されたイベント画像に基づいて、点情報をＣｅｎｔｒａｌ　Ｂｒａｉｎ１５に出力する。なお、イベントカメラは、例えば、参考文献（https://dendenblog.xyz/event-based-camera/）に開示されている。

　図１４は、イベントカメラ３０Ｃにより撮影された物体の画像（イベント画像）を説明するための説明図である。図１４Ａは、イベントカメラ３０Ｃによる撮影対象となる物体を示す図である。図１４Ｂは、イベント画像の一例を示す図である。図１４Ｃは、イベント画像が表す、現時刻に撮影された画像（現時刻に撮影が行われることによって得られた画像）と前時刻に撮影された画像（前時刻に撮影が行われることによって得られた画像）との差異部分の重心を点情報として算出した例を示す図である。イベント画像は、現時刻に撮影された画像（現時刻に撮影が行われることによって得られた画像）と前時刻に撮影された画像（前時刻に撮影が行われることによって得られた画像）との差異部分が点として抽出される。このため、イベントカメラ３０Ｃを利用した場合には、例えば、図１４Ｂに示されるように、図１４Ａに示される人物領域のうちの移動している各箇所の点が抽出されてしまう。

　これに対し、コア１７は、図１４Ｃに示されるように、物体である人物を抽出した後に、人物領域を表す特徴点の座標（例えば、１点のみ）を抽出する。これにより、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５及びメモリ１６に転送されるデータ量を抑制させることできる。イベント画像は、物体である人物を任意のフレームレートで抽出できるため、イベントカメラ３０Ｃの場合は、上記実施形態でＭｏＰＵ１２に搭載されたカメラ３０の最大フレームレート（例：１９２０フレーム／秒）以上のフレームレートで抽出することもでき、物体の点情報を精度良く捉えることができる。

　なお、第１０の実施形態に係る情報処理装置１０は、上記実施形態と同様に、ＭｏＰＵ１２がイベントカメラ３０Ｃに加えて、可視光カメラ３０５Ａを備えてもよい。この場合、ＭｏＰＵ１２では、可視光カメラ３０５Ａにより撮影された物体の可視光画像及びイベント画像が、それぞれコア１７に入力される。そして、コア１７は、入力された可視光画像及びイベント画像の少なくとも一方に基づいて、点情報をＣｅｎｔｒａｌ　Ｂｒａｉｎ１５に出力する。

　例えば、コア１７は、可視光カメラ３０５Ａにより撮影された物体の可視光画像から物体を識別できる場合には、当該可視光画像に基づいて点情報を出力する。一方、コア１７は、所定要因により当該可視光画像から物体を捉えられない場合、イベント画像に基づいて点情報を出力する。所定要因は、物体の移動速度が所定値以上の場合及び単位時間あたりにおける環境光の光量変化が所定値以上の場合の少なくとも１つを含む。例えば、物体の動作が高速で当該可視光画像から物体を捉えられない場合、コア１７は、イベント画像に基づいて物体を識別して、点情報として当該物体のｘ座標値及びｙ座標値を出力する。また、逆光等の急激な環境光の光量変化により当該可視光画像から物体を捉えられない場合、コア１７は、イベント画像に基づいて物体を識別して、点情報として当該物体のｘ座標値及びｙ座標値を出力する。この構成により、情報処理装置１０によれば、所定要因に応じて、物体を撮影するカメラ３０を使い分けることができる。

　（第１１の実施形態）
　次に、本実施形態に係る第１１の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。

　図１５は、第１１の実施形態に係る情報処理装置１０の構成の一例を示す第１のブロック図であり、図１６は、第１１の実施形態に係る情報処理装置１０の構成の一例を示す第２のブロック図である。

　図１５に示すように、車両１００の左側に取り付けられたカメラからの画像及び車両１００の右側に取り付けられたカメラからの画像を、ＭｏＰＵ１２のコア１２Ａに入力してもよい。これらの画像は、それぞれ、例えば１０００ピクセル×１０００ピクセルの色情報を含む画像であり、１０００フレーム／秒のフレームレートでコア１２Ａに入力されてもよい。ＭｏＰＵ１２のコア１２Ａは、これらの画像に基づいて、三次元直交座標系における３つの座標軸（ｘ軸、ｙ軸、ｚ軸）の各々に沿った動きのベクトル情報を１０００フレーム／秒のフレームレートでＣｅｎｔｒａｌ　Ｂｒａｉｎ１５に転送してもよい。また、図１６に示すように、車両１００の左側に取り付けられたカメラからの画像及び車両１００の右側に取り付けられたカメラからの画像を、それぞれ、別々のコア１２Ａ_１及び１２Ａ_２を用いて処理してもよい。

　（第１２の実施形態）
　次に、本実施形態に係る第１２の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。

　図１７は、第１２の実施形態に係る情報処理装置１０の構成の一例を示す第１のブロック図であり、図１８は、第１２の実施形態に係る情報処理装置１０の構成の一例を示す第２のブロック図である。

　図１７に示すように、ＭｏＰＵ１２は、可視光画像及び赤外線画像の少なくとも一方に基づいて動き情報を出力してもよい。可視光画像は可視光カメラによって撮影された画像であり、赤外線画像は赤外線カメラによって撮影された画像である。可視光画像及び赤外線画像は、それぞれ、１０００フレーム／秒以上のフレームレートでコア１２Ａに入力される。可視光画像及び赤外線画像は、互いに同期していることが好ましい。ＭｏＰＵ１２による物体検出において赤外線画像を用いることで、例えば夜間等の可視光画像による物体検出が困難である場合でも物体検出が可能となる。ＭｏＰＵ１２は、可視光画像及び赤外線画像うち、赤外線画像のみに基づいて動き情報を出力してもよいし、可視光画像及び赤外線画像の双方に基づいて動き情報を出力してもよい。

　また、図１８に示すように、ＭｏＰＵ１２は、画像及びレーダー信号に基づいて動き情報を出力してもよい。レーダー信号は、物体に照射された電磁波の当該物体からの反射波に基づく信号である。ＭｏＰＵ１２は、画像及びレーダー信号に基づいて、物体までの距離を導出し、当該物体の存在位置を示す点の、三次元直交座標系における３つの軸の各々に沿った動きのベクトル情報を動き情報として出力してもよい。画像は、可視光画像及び赤外線画像の少なくとも１つを含むものであってもよい。画像及びレーダー信号は、１０００フレーム／秒以上のフレームレートでコア１２Ａに入力される。

　また、以上の説明では、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５が、ＩＰＵ１１から出力された画像及びＭｏＰＵ１２から出力された動き情報に基づいて車両１００の運転制御を実行する場合を例示したが、開示の技術は、この態様に限定されるものではない。Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ＩＰＵ１１から出力された画像及びＭｏＰＵ１２から出力された動き情報に基づいて、当該物体に対する応答制御として、ロボットの動作制御を行ってもよい。ロボットは例えば、人間の代わりに作業を行う人型のスマートロボットであってもよい。例えば、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ＩＰＵ１１から出力された画像及びＭｏＰＵ１２から出力された動き情報に基づいて、ロボットの腕、手のひら、指、足の動作制御を行って、当該物体を握る、掴む、抱える、背負う、移動させる、運ぶ、投げる、蹴る、避ける等の動作制御を行ってもよい。ＩＰＵ１１及びＭｏＰＵ１２は、例えば、ロボットの右目及び左目の位置に搭載されてもよい。

　（第１３の実施形態）
　次に、本実施形態に係る第１３の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。第１３の実施形態は、画像を撮像する際のフレームレートが可変である点等を特徴とする。

（車両１００に搭載される情報処理装置：ＳｍａｒｔＣａｒ）
　図１９は、車両１００に搭載される、第１３の実施形態に係る情報処理装置２１３のブロック図である。図１９に示されているように、車両１００に搭載される情報処理装置２１３は、左側の目に相当するＭｏＰＵ１２Ｌと、右側の目に相当するＭｏＰＵ１２Ｒと、ＩＰＵ１１と、コア１２Ｘと、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５とを備えている。

　ＭｏＰＵ１２Ｌは、カメラ３１３Ｌと、レーダー３２Ｌと、赤外線カメラ３４Ｌと、専用のコア１２ＡＬと、を備えている。また、ＭｏＰＵ１２Ｒは、カメラ３１３Ｒと、レーダー３２Ｒと、赤外線カメラ３４Ｒと、専用のコア１２ＡＲと、を備えている。レーダー３２Ｌ，３２Ｒは、上述したレーダー信号を検知する。赤外線カメラ３４Ｌ，３４Ｒは、上述した赤外線画像を取得する。

　ＩＰＵ１１は、上述したような高解像度カメラ（図示省略）を備えており、高解像度カメラによって撮像された高解像度画像から物体を検知し、物体の種別を表す情報（以下、単に「ラベル情報」と称する。）を出力する。

　なお、以下では、左側の目に相当するＭｏＰＵ１２Ｌの処理についてのみ説明する。

　ＭｏＰＵ１２Ｌが備えるカメラ３１３Ｌは、ＩＰＵ１１が備える高解像度カメラ（例えば、１０フレーム／秒で撮像）よりも高いフレーム数（１２０，２４０，４８０，９６０，又は１９２０フレーム／秒）で画像を撮像する。カメラ３１３Ｌは、フレームレートを変更することが可能なカメラである。

　ＭｏＰＵ１２Ｌのコア１２ＡＬ（例えば、１つ以上のＣＰＵにより構成される）は、カメラ３１３Ｌが撮像した１フレームの画像毎に特徴点を抽出し、その座標値（Ｘ，Ｙ）を出力する。ＭｏＰＵ１２Ｌは、例えば、画像から抽出した物体の中心点（重心点）を特徴点として出力する。なお、特徴点は、物体を疑似的に囲む矩形の対角頂点２点であってもよい。また一定の大きさを持つオブジェとして捉える場合は、カメラによって撮影された画像から認識した物体の輪郭を囲む四角形の頂点の少なくとも対角となる２つの座標点だけである必要はなく、輪郭を含む複数の座標点を抽出しても良い。

　具体的には、ＭｏＰＵ１２Ｌは、１つの物体から抽出された特徴点の座標値（Ｘ，Ｙ）を出力する。なお、例えば、複数の物体（例えば、物体Ａ、物体Ｂ、及び物体Ｃ等）が１つの画像に写っている場合には、ＭｏＰＵ１２Ｌは、それら複数の物体の各々から抽出された特徴点の座標値（Ｘｎ，Ｙｎ）を出力するようにしてもよい。各時刻に撮像された画像の特徴点の系列は、物体の動き情報に相当する。

　また、例えば、暗闇の影響によって、ＭｏＰＵ１２Ｌが物体を識別できない場合が想定される。この場合には、ＭｏＰＵ１２Ｌは、赤外線カメラ３４Ｌを用いて物体の熱を検知し、その検知結果である赤外線画像と、カメラ３１３Ｌによって撮像された画像とに基づいて、物体の座標（Ｘｎ，Ｙｎ）を出力するようにしてもよい。また、カメラ３１３Ｌによる画像の撮像と赤外線カメラ３４Ｌによる赤外線画像の撮像とを同期させるようにしてもよい。この場合には、例えば、カメラ３１３Ｌによって撮像される１秒当たりの画像数と、赤外線カメラ３４Ｌによって撮像される１秒当たりの画像数とを同期させる（例えば、１９２０フレーム／秒）。

　また、ＭｏＰＵ１２Ｌは、レーダー３２Ｌによって取得された３次元点群データに基づいて、物体のＺ軸の座標値を取得してもよい。なお、この場合には、カメラ３１３Ｌによる画像の撮像とレーダー３２Ｌによる３次元点群データの取得とを同期させるようにしてもよい。例えば、レーダー３２Ｌによって取得される１秒当たりの３次元点群データの数と、カメラ３１３Ｌによって撮像される１秒当たりの画像数とを同期させる（例えば、１９２０フレーム／秒）。

　また、カメラ３１３Ｌによって撮像される１秒当たりの画像数と、赤外線カメラ３４Ｌによって撮像される１秒当たりの画像数と、レーダー３２Ｌによって取得される１秒当たりの３次元点群データの数とを同一にし、データ取得のタイミングを同期させるようにしてもよい。

　コア１２Ｘは、ＭｏＰＵ１２Ｌから出力された特徴点の座標と、ＩＰＵ１１から出力された対象物のラベル情報（物体が犬なのか、猫なのか、又はクマなのかを表す情報）とを取得する。そして、コア１２Ｘは、ラベル情報と特徴点に対応する座標とを対応付けて出力する。これにより、特徴点が表す物体が何を表しているのかという情報と、特徴点が表す物体の動き情報とを対応付けることが可能になる。

　以上が左側の目に相当するＭｏＰＵ１２Ｌの処理である。右側の目に相当するＭｏＰＵ１２Ｒは、左側の目に相当するＭｏＰＵ１２Ｌと同様の処理を実行する。

　なお、ＭｏＰＵ１２Ｌのカメラ３１３Ｌによって撮像された画像と、ＭｏＰＵ１２Ｒのカメラ３１３Ｒによって撮像された画像とに基づいて、ステレオカメラの原理を利用して、特徴点の奥行き方向の座標値Ｚｎを更に算出してもよい。

（ロボットに搭載される情報処理装置：ＳｍａｒｔＲｏｂｏｔ）
　図２０は、ロボットに搭載される、第１３の実施形態に係る情報処理装置３１０のブロック図である。図２０に示されているように、ロボットに搭載される情報処理装置３１０は、左側の目に相当するＭｏＰＵ１２Ｌと、右側の目に相当するＭｏＰＵ１２Ｒと、赤外線カメラ３４と、ストラクチャードライト３６１３と、コア１２Ｘと、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５とを備えている。ロボットに搭載される情報処理装置３１０は、車両１００に搭載される情報処理装置２１３と同様の機能を有している。

　例えば、暗闇の影響によって、ＭｏＰＵ１２Ｌが物体を識別できない場合には、ＭｏＰＵ１２Ｌは、赤外線カメラ３４を用いて物体の熱を検知し、その検知結果である赤外線画像と、カメラ３１３Ｌによって撮像された画像とに基づいて、物体の座標（Ｘｎ，Ｙｎ）を出力する。また、カメラ３１３Ｌによる画像の撮像と赤外線カメラ３４による赤外線画像の撮像とを同期させるようにしてもよい。この場合には、例えば、カメラ３１３Ｌによって撮像される１秒当たりの画像数と、赤外線カメラ３４によって撮像される１秒当たりの画像数とを同期させる（例えば、１９２０フレーム／秒）。

　また、コア１２Ｘは、物体の奥行き方向の座標Ｚｎを取得するために、ストラクチャードライト３６１３を使用してもよい。ストラクチャードライト３６１３は、例えば、参考文献（http://ex-press.jp/wp-content/uploads/2018/10/018_teledyne_3rd.pdf）に開示されている。この場合には、カメラ３１３Ｌ，３１３Ｒによる画像の撮像とストラクチャードライト３６１３による３次元データとの計測とを同期させるようにしてもよい。例えば、カメラ３１３Ｌ，３１３Ｒによって撮像される１秒当たりの画像数と、ストラクチャードライト３６１３によって計測される１秒当たりの３次元データとを同期させるようにしてもよい（例えば、１９２０フレーム／秒）。

　更に、赤外線カメラ３４によって撮像された赤外線画像とストラクチャードライト３６１３によって計測された３次元データとの両方を併用してもよい。

（外部環境に応じたフレームレートの変更）
　情報処理装置２１３，３１０は、外部環境に応じてカメラのフレームレートを変更するようにしてもよい。例えば、情報処理装置２１３，３１０は、外部環境に関するスコアを計算し、スコアに応じて、カメラ３１３Ｌ，３１３Ｒのフレームレートを決定する。そして、情報処理装置２１３，３１０は、決定したフレームレートにより画像の撮像を指示する制御信号をカメラ３１３Ｌ，３１３Ｒに対して出力する。カメラ３１３Ｌ，３１３Ｒは、決定されたフレームレートで画像を撮像する。そして、情報処理装置２１３，３１０は、カメラ３１３Ｌ，３１３Ｒによって撮像された画像から物体の存在位置を示す点を抽出し、物体の存在位置を示す点を出力する。

　なお、車両１００に搭載される情報処理装置２１３は、図示しない複数種類のセンサを備えている。車両１００に搭載される情報処理装置２１３が備える１つ以上のプロセッサは、複数種類のセンサ（図示省略）から取り入れられたセンサ情報（例えば、体重の重心移動、道路の材質の検知、外気温度の検知、外気湿度の検知、坂道の上下横斜め傾き角度の検知、道路の凍り方、水分量の検知、それぞれのタイヤの材質、摩耗状況、空気圧の検知、道路幅、追い越し禁止有無、対向車、前後車両の車種情報、それらの車のクルージング状態、又は周囲の状況(鳥、動物、サッカーボール、事故車、地震、家事、風、台風、大雨、小雨、吹雪、霧、など)等）に基づいて、外部環境に関するスコアとして、自車両１００が今後どの程度の危険な場所を走行するかの危険度を計算する。

　そして、情報処理装置２１３が備える１つ以上のプロセッサは、計算した危険度と閾値とに基づいて、１秒当たりに撮像される画像数（フレームレート）を切り替える。

　例えば、情報処理装置２１３が備える１つ以上のプロセッサは、危険度が第１閾値より低い場合は、１２０フレーム／秒を選択し、そのフレームレートで画像の撮像、レーダー信号の取得、又は赤外線画像の撮像をするように、カメラ３１３Ｌ，３１３Ｒ、レーダー３２Ｌ，３２Ｒ、及び赤外線カメラ３４Ｌ，３４Ｒへ制御信号を出力する。

　また、例えば、情報処理装置２１３が備える１つ以上のプロセッサは、危険度が第１閾値以上であり、かつ第４閾値より低い場合は、２４０，４８０，９６０フレーム／秒の何れかを選択し、そのフレームレートで各種のデータを取得するように各機器へ制御信号を出力する。

　また、例えば、情報処理装置２１３が備える１つ以上のプロセッサは、危険度が第４閾値以上である場合は、１９２０フレーム／秒を選択し、そのフレームレートで各種のデータを取得するように各機器へ制御信号を出力する。

　また、情報処理装置２１３が備える１つ以上のプロセッサは、危険度を予測する情報としてロングテールインシデントＡＩ（Ａｒｔｉｆｉｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ）　ＤＡＴＡ（例えば、レベル５の自動運転制御方式が実装された車両のＴｒｉｐデータ）又は地図情報等、車両１００が走行する前から既知である走行に関するビッグデータを利用し、危険度を予測するようにしてもよい。

　また、ロボットに搭載される情報処理装置３１０が備える１つ以上のプロセッサは、例えば、カメラ３１３Ｌ，３１３Ｒに写る物体の速度等に基づいて、外部環境に関するスコアを計算し、そのスコアに応じてフレームレートを変更するようにしてもよい。例えば、外部環境に関するスコアは、物体の速度が速いほど大きくなるように計算される。このため、ロボットに搭載される情報処理装置３１０が備える１つ以上のプロセッサは、外部環境に関するスコアが大きい場合には、１９２０フレーム／秒を選択し、そのフレームレートで各種のデータを取得するように各機器へ制御信号を出力する。また、ロボットに搭載される情報処理装置３１０が備える１つ以上のプロセッサは、外部環境に関するスコアが小さい場合には、１２０フレーム／秒を選択し、そのフレームレートで各種のデータを取得するように各機器へ制御信号を出力する。その他の制御は、上記の車両１００に搭載される情報処理装置２１３と同様である。

（物体が検出された領域に応じた特徴点の出力）
　情報処理装置２１３，３１０は、画像に写る物体の存在位置が所定領域である場合に、物体の存在位置を示す点をするようにしてもよい。この場合、情報処理装置２１３，３１０は、物体が検出された領域に応じてその物体の特徴点を出力するか否かを判定する。例えば、車両１００に搭載される情報処理装置２１３のコア１２ＡＬ，１２ＡＲは、車両１００が走行する道路領域において検出された物体とは異なる物体（例えば、歩道上に存在している物体）からは特徴点を抽出しないようにする。図２１に、例えば、歩道上に存在している物体からは特徴点を抽出しない場合の処理を説明するための図を示す。

　図２１Ａでは、物体Ｂ１～Ｂ４が抽出されている。本来であれば、物体Ｂ１～Ｂ４の各々について特徴点を表す座標が抽出される。

　この場合、例えば、図２１Ｂに示されているように、車両１００に搭載される情報処理装置２１３が備えるコア１２ＡＬ，１２ＡＲは、既知の技術を用いて、車両１００前方の画像から道路境界Ｌを逐次検出する。そして、情報処理装置２１３が備えるコア１２ＡＬ，１２ＡＲは、道路境界Ｌによって特定される道路上に位置する物体Ｂ１～Ｂ３からのみ特徴点を表す座標を抽出する。

　また、例えば、情報処理装置２１３が備えるコア１２ＡＬ，１２ＡＲは、道路上に位置する物体Ｂ１、Ｂ３、及びＢ４とは異なる物体Ｂ２についてはその物体領域自体を抽出せずに、物体Ｂ１、Ｂ３、及びＢ４からのみ特徴点を表す座標を抽出するようにしてもよい。

（物体の動きに応じた特徴点の出力）
　情報処理装置２１３，３１０は、画像に写る物体毎にスコアを計算し、スコアが所定閾値以上の物体の存在位置を示す点を抽出するようにしてもよい。この場合、例えば、情報処理装置２１３，３１０は、物体の動きに応じてその物体の特徴点を出力するか否かを判定するようにしてもよい。例えば、情報処理装置２１３のコア１２ＡＬ，１２ＡＲは、車両１００の走行に影響の無い物体からは特徴点を抽出しないようにしてもよい。具体的には、情報処理装置２１３のコア１２ＡＬ，１２ＡＲは、ＡＩを利用することなどにより、画像に写る物体の移動方向又は速さ等を計算する。そして、例えば、情報処理装置２１３のコア１２ＡＬ，１２ＡＲは、道路から遠ざかっていく歩行者等からは特徴点を抽出しない。一方、情報処理装置２１３のコア１２ＡＬ，１２ＡＲは、道路に近づく物体（例えば、道路に飛び出しそうな子供）からは特徴点を抽出する。

　また、情報処理装置２１３が備える１つ以上のプロセッサは、例えば、イベントカメラ（https://dendenblog.xyz/event-based-camera/）によって撮像された画像からも特徴点を抽出することが可能である。図１４に、イベントカメラによって撮像された画像を説明するための図を示す。

　図１４に示されているように、イベントカメラによって撮像された画像は、現時刻に撮像された画像と前時刻に撮像された画像との差異部分が点として抽出される。このため、イベントカメラを利用した場合には、例えば、図１４Ｂに示されるように、図１４Ａに示される人物領域のうちの移動している各箇所の点が抽出されてしまう。

　これに対し、情報処理装置２１３が備える１つ以上のプロセッサは、図１４Ｃに示されるように、物体である人物を抽出した後に、人物領域を表す特徴点の座標（例えば、１点のみ）を抽出する。これにより、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５及びメモリ１６に転送される情報量を抑制させることできる。イベントカメラによって撮像された画像は、物体である人物を任意のフレームレートで抽出できるため、ＭｏＰＵ１２Ｌ，１２Ｒに搭載されるカメラ３１３Ｌ，３１３Ｒは、最大１９２０フレーム／秒のフレームレートで画像を撮像するが、イベントカメラの場合は１９２０フレーム/秒に限らず、それ以上のフレームレートで抽出することもでき、より物体の動き情報を精度良く捉えることができる。

　以上説明したように、第１３の実施形態の情報処理装置２１３，３１０は、物体が写る画像から物体の存在位置を示す点を抽出し、物体の存在位置を示す点を出力する。これにより、コア１２Ｘ、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５、及びメモリ１６に転送される情報量を抑制させることできる。また、物体の存在位置を示す点とＩＰＵ１１から出力されたラベル情報とを対応付けることにより、どのような物体がどのような動きをしているのかに関する情報が把握される。特に、ＭｏＰＵ１２Ｌ，１２Ｒに搭載されるカメラ３１３Ｌ，３１３Ｒは、最大１９２０フレーム／秒のフレームレートで画像を撮像することが可能であるため、物体の動き情報を精度良く捉えることができる。

　また、情報処理装置２１３，３１０は、フレームレートを変更することが可能なカメラ３１３Ｌ，３１３Ｒを備え、外部環境に関するスコアを計算し、当該スコアに応じてカメラのフレームレートを決定する。そして、情報処理装置２１３，３１０は、決定したフレームレートにより画像の撮像を指示する制御信号をカメラ３１３Ｌ，３１３Ｒに対して出力し、カメラ３１３Ｌ，３１３Ｒによって撮像された画像から物体の存在位置を示す点を抽出し、物体の存在位置を示す点を出力する。これにより、外部環境に適したフレームレートで画像を撮像することができる。

　また、情報処理装置２１３は、外部環境に関するスコアとして、車両１００の走行に関する危険度を計算し、危険度に応じて、カメラ３１３Ｌ，３１３Ｒのフレームレートを決定し、決定したフレームレートにより画像の撮像を指示する制御信号をカメラ３１３Ｌ，３１３Ｒ対して出力し、カメラ３１３Ｌ，３１３Ｒによって撮像された画像から物体の存在位置を示す点を抽出する。これにより、車両１００の走行に関する危険度に応じてフレームレートを変更することができる。

　また、情報処理装置２１３，３１０は、画像から物体を抽出し、物体の存在位置が所定領域である場合に、物体の存在位置を示す点を抽出し、物体の存在位置を示す点を出力する。これにより、情報処理装置２１３，３１０のコア１２ＡＬ，１２ＡＲは、制御処理にとって重要度が低い領域の点を取得せずに済む。

　また、情報処理装置２１３，３１０は、画像から物体を抽出し、物体毎にスコアを計算し、スコアが所定閾値以上の物体の存在位置を示す点を抽出し、物体の存在位置を示す点を出力する。これにより、情報処理装置２１３，３１０のコア１２ＡＬ，１２ＡＲは、制御処理にとって重要度が低い物体の点を取得せずに済む。

　（第１４の実施形態）
　次に、本実施形態に係る第１４の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。第１４の実施形態は、ＭｏＰＵ１２が画角の異なる複数のカメラを備えている点等を特徴とする。

（車両に搭載される情報処理装置：ＳｍａｒｔＣａｒ）
　図２２は、車両５０（図２３参照）に搭載される、第１４の実施形態に係る情報処理装置４１０のブロック図である。図２３は、車両５０に搭載される高解像度カメラ３０Ｌ及び全方位カメラ３０Ｒの撮影方向及び撮影画角範囲を示す図である。なお、説明の便宜上、図２３に示す矢印Ｈに沿った方向を車両５０の上下方向とし、矢印Ｗに沿った方向を車両５０の左右方向とし、矢印Ｄに沿った方向を車両５０の前後方向とする。

　図２２に示されているように、車両５０（図２３参照）に搭載される情報処理装置４１０は、ＩＰＵ１１と、ＭｏＰＵ１２と、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５とを備えている。

　ＩＰＵ１１は、上述したような高解像度のカメラ３０Ａと、コア１１Ａ（例えば、１つ以上のＣＰＵにより構成される）とを備えており、カメラ３０Ａによって撮像された高解像度画像から物体を検知し、物体の種別を表す情報を出力する。

　ＭｏＰＵ１２は、高解像度カメラ３０Ｌと、全方位カメラ３０Ｒと、調整部４０と、コア１２Ａ（例えば、１つ以上のＣＰＵにより構成される）とを備えており、高解像度カメラ３０Ｌ及び全方位カメラ３０Ｒによって撮像された画像から物体を検知し、物体の動きを示す動き情報を出力する。

　高解像度カメラ３０Ｌは、所定の水平画角のカメラであり、全方位カメラ３０Ｒよりも単位画角当たりの解像度が高いカメラである。本実施形態において、高解像度カメラ３０Ｌの水平画角は、一例として４５°とするが、これに限らず、どのような画角としてもよい。また、高解像度カメラ３０Ｌの水平画角は、例えばズーム機能等により、変更できるようにしてもよい。高解像度カメラ３０Ｌは、開示の技術における「第１のカメラ」の一例である。

　また、全方位カメラ３０Ｒは、水平画角が３６０°のカメラである。全方位カメラ３０Ｒは、開示の技術における「第２のカメラ」の一例である。なお、「第２のカメラ」としては、「第１のカメラ」の水平画角よりも広い水平画角のカメラであれば、全方位カメラ３０Ｒに限らず、例えば、水平画角が２７０°のカメラとする等、どのようなカメラでもよい。

　図２３に示すように、高解像度カメラ３０Ｌ及び全方位カメラ３０Ｒは、車両５０のルーフに設置されている。高解像度カメラ３０Ｌは、車両５０の高さ方向Ｈと平行な回転軸を中心に回転自在に設置されており、後述の調整部４０により撮影方向が水平方向において調整可能に構成されている。高解像度カメラ３０Ｌの撮影方向は、通常時では車両５０の前方に向けられている。

　また、高解像度カメラ３０Ｌ及び全方位カメラ３０Ｒは、車両５０の左右方向において異なる位置に設置されている。高解像度カメラ３０Ｌは相対的に左側に設置されており、全方位カメラ３０Ｒは相対的に右側に設置されている。本実施形態のＭｏＰＵ１２は、上記実施形態で説明した通り、高解像度カメラ３０Ｌにより取得された画像と、全方位カメラ３０Ｒにより取得された画像とに基づいて、ステレオカメラの原理を利用して、特徴点の奥行き方向の座標値Ｚを算出することが可能である。

　なお、画角が異なる２つのカメラにより取得された画像に基づいて、ステレオカメラの原理を利用して特徴点の奥行き方向の座標値Ｚを算出する場合には、例えば、画角が広い方の全方位カメラ３０Ｒにおいて取得された画像を、画角が狭い方の高解像度カメラ３０Ｌにおいて取得された画像の撮影方向及び撮影範囲と一致するようにトリミングした補正画像とすればよい。

　調整部４０は、例えばモータ等により構成され、コア１２Ａの制御により、高解像度カメラ３０Ｌを回転させて、水平方向における撮影方向を調整可能に構成されている。調整部４０は、車両５０の前方を高解像度カメラ３０Ｌの撮影方向の基準方向（０°）として、プラス方向（右回転方向）及びマイナス方向（左回転方向）に高解像度カメラ３０Ｌの撮影方向を調整可能に構成されている。

　コア１２Ａは、全方位カメラ３０Ｒにより取得された画像において高解像度カメラ３０Ｌの死角にある物体の動きを検知した場合、高解像度カメラ３０Ｌの撮影方向を、検知した物体の方向に向けるように調整部４０を制御する。

　ここで、コア１２Ａにおける高解像度カメラ３０Ｌの撮影方向の制御について詳細に説明する。図２４は全方位カメラ３０Ｒにより取得された画像と高解像度カメラ３０Ｌにより取得された画像との撮影範囲の関係を示す図である。

　図２４に示すように、全方位カメラ３０Ｒにより取得された画像ＧＲは、水平画角が３６０°の画像である。すなわち、画像ＧＲは、車両５０の前方を高解像度カメラ３０Ｌの撮影方向の基準方向（０°）として、±１８０°の範囲の画像である。

　高解像度カメラ３０Ｌにより取得された画像ＧＬは、水平画角が４５°の画像である。高解像度カメラ３０Ｌの撮影方向は、通常時では車両５０の前方に設定されている。従って、通常時の画像ＧＬは、車両５０の前方を高解像度カメラ３０Ｌの撮影方向の基準方向（０°）として、±２２．５°の範囲の画像である。

　一例として、図２３に示すように、車両５０の前方を基準方向（０°）として－１００°の方向に移動物体Ｂが存在する場合について説明する。この場合、図２４に示すように、全方位カメラ３０Ｒにより取得された画像ＧＲにおいて、車両５０の前方を基準方向（０°）として－１００°に対応する位置に、移動物体Ｂが写る。

　コア１２Ａは、画像ＧＲにおいて移動物体Ｂを検知すると、この移動物体Ｂが高解像度カメラ３０Ｌの撮影範囲に含まれるか判定する。図２３及び図２４に示す移動物体Ｂは、高解像度カメラ３０Ｌの撮影範囲から外れており、高解像度カメラ３０Ｌの死角にある物体である。

　この場合、コア１２Ａは、図２５及び図２６に示すように、高解像度カメラ３０Ｌの水平方向における撮影方向を、移動物体Ｂの中心位置の方向（－１００°の方向）に向けるように調整部４０を制御する。

　なお、高解像度カメラ３０Ｌの撮影方向の調整については、撮影方向の調整後に取得される画像ＧＬ内に移動物体Ｂが含まれるように調整すればよく、移動物体Ｂの中心位置と合致するように撮影方向を調整する態様に限らない。例えば、画像ＧＬにおける回転方向側の端部に移動物体Ｂが写るように調整すれば、画像ＧＬの中心に移動物体Ｂが写るように調整する場合と比較して、高解像度カメラ３０Ｌの回転量を少なくすることができる。

　また、全方位カメラ３０Ｒにより取得された画像ＧＲにおける移動物体Ｂの移動方向を予測して、高解像度カメラ３０Ｌの撮影方向の調整制御に反映させてもよい。

　例えば、上記の例のように、高解像度カメラ３０Ｌの撮影方向を基準方向（０°）から移動物体Ｂの中心位置の方向（－１００°の方向）に調整する場合において、移動物体Ｂが基準方向側に移動している場合、高解像度カメラ３０Ｌの撮影方向の調整目標を－１００°よりも絶対値が小さい角度に修正してもよい。これにより、高解像度カメラ３０Ｌの回転量を少なくすることができる。

　また、高解像度カメラ３０Ｌの撮影方向を基準方向（０°）から移動物体Ｂの中心位置の方向（－１００°の方向）に調整する場合において、移動物体Ｂが基準方向と反対側に移動している場合、高解像度カメラ３０Ｌの撮影方向の調整目標を－１００°よりも絶対値が大きい角度に修正してもよい。これにより、高解像度カメラ３０Ｌの撮影方向の調整後に移動物体Ｂが高解像度カメラ３０Ｌの撮像範囲に含まれなくなることを防ぐことができる。

　上記の場合においては、全方位カメラ３０Ｒにより取得された画像ＧＲにおける移動物体Ｂの移動速度に応じて、調整目標からの修正量を変更してもよい。例えば、移動物体Ｂの移動速度が速い程、調整目標からの修正量を大きくし、移動物体Ｂの移動速度が遅い程、調整目標からの修正量を小さくしてもよい。これにより、高解像度カメラ３０Ｌの撮影方向の調整をより適切に行うことができる。

　以上説明したように、第１４の実施形態の情報処理装置４１０において、ＭｏＰＵ１２は、第２のカメラ（本例では、全方位カメラ３０Ｒ）により取得された画像において第１のカメラ（本例では、高解像度カメラ３０Ｌ）の死角にある物体の動きを検知した場合、第１のカメラの撮影方向を検知した物体の方向に向けるように調整部４０を制御するようにしている。

　これにより、第２のカメラにより取得された画像を用いて広範囲の情報を取得しつつ、動きのある物体を検知した際には、第１のカメラにより取得された画像を組み合わせて移動物体の検知を行うことができるため、移動物体の検出精度を向上させることができる。

　また、第２のカメラの水平画角を、３６０°としている。これにより、情報処理装置４１０が搭載された移動体の全周囲の情報を取得できる。

　また、第１のカメラは、第２のカメラよりも単位画角当たりの解像度が高いものとしている。これにより、移動物体の検出精度をさらに向上させることができる。

　なお、第１４の実施形態の情報処理装置４１０において、調整部４０の水平方向における撮影方向の調整範囲は、基準方向に対して±１３５°以内、好ましく±１３５°以内は±９０°以内の範囲とし、移動物体が当該調整範囲から外れた位置にある場合には、撮影方向の調整を行わないようにしてもよい。

　このように、撮影方向の調整範囲を前方付近に限定することにより、第１のカメラは情報処理装置４１０が搭載された移動体の移動制御において重要度が高い前方付近の検出に専念できるため、前方付近の移動物体に対する追従性を向上させることができる。

　また、ＭｏＰＵ１２は、第１のカメラにより取得された画像、及び、第２のカメラにより取得された画像を用いて、画像中の物体までの距離の情報を取得してもよい。上記の通り、画角が異なる２つのカメラにより取得された画像であっても、ステレオカメラの原理を利用して画像中の物体までの距離の情報を取得することは可能であり、このような態様とすることにより、ＭｏＰＵ１２において取得する情報量を多くすることができる。

　（第１５の実施形態）
　次に、本実施形態に係る第１５の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。第１５の実施形態は、ＩＰＵ１１が外部カメラにより取得された画像から抽出した物体の種別を示す種別情報を、当該外部カメラの位置情報と関連付けて出力する点等を特徴とする。

（車両に搭載される情報処理装置：ＳｍａｒｔＣａｒ）
　図２７は、車両５０（図２９参照）に搭載される、第１５の実施形態に係る情報処理装置４１０のブロック図である。

　図２７に示されているように、車両５０（図２９参照）に搭載される情報処理装置４１０は、ＩＰＵ１１と、ＭｏＰＵ１２と、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５と、ナビゲーションシステム４５とを備えている。

　ＩＰＵ１１は、カメラ３０Ａと、コア１１Ａ（例えば、１つ以上のＣＰＵにより構成される）と、取得部４１５とを備えており、カメラ３０Ａによって撮像された画像、及び、車両５０の外部に設置された外部カメラ６０によって撮像された画像から物体（以下、「オブジェクト」と称する。）を検知し、オブジェクトの種別を表す情報を出力する。

　取得部４１５は、車両５０の外部に設置された外部カメラ６０により取得された画像及び当該外部カメラ６０の位置情報を取得するものであり、例えば、１つ以上のＣＰＵと、外部の装置に無線で接続するための無線通信部とにより構成される。

　なお、車両５０の外部には複数台の外部カメラ６０Ａ、６０Ｂ、６０Ｃ…が設置されている。これらの外部カメラ６０Ａ、６０Ｂ、６０Ｃは、ネットワークを介して管理サーバ７０に接続されている。ここで、ネットワークは、例えば、インターネット、ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）等、どのようなネットワークでもよい。

　ＭｏＰＵ１２は、カメラ３０Ｂと、コア１２Ａ（例えば、１つ以上のＣＰＵにより構成される）とを備えており、カメラ３０Ｂによって撮像された画像からオブジェクトを検知し、オブジェクトの動きを示す動き情報を出力する。

　ナビゲーションシステム４５は、車両５０の移動案内をおこなうためのシステムであり、例えば、公知のカーナビゲーションシステムと同等のシステムを用いることができる。

（ＩＰＵ１１の処理の詳細説明）
　次に、本実施形態におけるＩＰＵ１１の処理について詳細に説明する。

　最初に、車両５０の外部に設置されている複数台の外部カメラ６０Ａ、６０Ｂ、６０Ｃを管理する管理サーバ７０について説明する。管理サーバ７０は、カメラ管理データベースを備えている。

　図２８は、管理サーバ７０において管理されるカメラ管理データベースの一例を示す図である。図２８に示すように、カメラ管理データベースは、カメラＩＤと、アドレスと、設置位置とを関連付けて記憶している。カメラＩＤは、外部カメラ６０の各々に対して付与される固有のＩＤである。アドレスは、外部カメラ６０の各々に対してネットワークを介して接続する際のアドレスを示す情報であり、例えば、ＩＰ（Internet Protocol）アドレス等の情報である。なお、ＩＰアドレスのバージョンに制限はなく、例えば、ＩＰｖ４（Internet Protocol version 4）又はＩＰｖ６（Internet Protocol version 6）等、種々のバージョンとすることができる。設置位置は、外部カメラ６０の各々が設置されている位置を示す情報であり、例えば、ＧＰＳ（Ｇｌｏｂａｌ　Ｐｏｓｉｔｉｏｎｉｇ　Ｓｙｓｔｅｍ）座標（例えば、緯度、経度等）等の情報である。

　外部カメラ６０は、例えば、道路沿いのビル、信号機、又は、中央分離帯等に設置されたカメラである。

　管理サーバ７０は、カメラ管理データベースを参照することにより、任意の外部カメラ６０に接続することができる。また、カメラ管理データベースは、管理サーバ７０に接続された外部の装置からも参照することができる。ＩＰＵ１１の取得部４１５は、無線を介して管理サーバ７０と接続可能に構成されている。

　車両５０の移動時において、取得部４１５は、管理サーバ７０に接続し、管理サーバ７０に記憶されているカメラ管理データベースと、ナビゲーションシステム４５から取得した車両５０の位置情報及び進行方向の情報とに基づいて、車両５０の進行ルートの前方に位置する外部カメラ６０の中で、最も車両５０に近い外部カメラ６０を特定する。

　本実施形態では、車両５０の進行ルートの前方に位置する外部カメラ６０は、一例として、車両５０の車体の前方において車体の前後方向の中心軸を基準として所定の幅の範囲に位置する外部カメラ６０とする。

　なお、車両５０の進行ルートの前方に位置する外部カメラ６０は、上記の態様に限らず、車両５０の進行ルートの前方に位置していればどのような外部カメラ６０でもよい。例えば、車両５０がナビゲーションシステム４５によりルート案内されている状況下では、ナビゲーションシステム４５により設定されたルートから所定の範囲に位置する外部カメラ６０としてもよい。

　そして、取得部４１５は、特定した外部カメラ６０において取得された現在の画像及び当該外部カメラ６０の位置情報を取得する。

　本実施形態では、取得部４１５は、特定した外部カメラ６０から、車両５０が特定した外部カメラ６０の付近を通過するまでの間、１秒毎に画像を取得する。ここで、画像を取得する時間の間隔は、１秒毎に限らず、例えば、１０秒毎、５秒毎、又は、０．１秒毎等、どのような態様としてもよい。

　なお、取得部４１５における画像の取得は、上記の態様に限らず、車両５０が特定した外部カメラ６０の付近を通過するまでの間、車両５０の走行距離が一定距離毎に画像を取得するようにしてもよいし、特定した外部カメラ６０から１回のみ画像を取得する等、どのような態様としてもよい。

　例えば、図２９に示すように、車両５０の周囲に複数の外部カメラ６０Ａ～６０Ｎが存在する場合、取得部４１５は、車両５０の進行ルートの前方に位置する外部カメラ６０の中で、最も車両５０に近い外部カメラ６０Ｇを特定し、特定した外部カメラ６０Ｇにおいて取得された現在の画像及び当該外部カメラ６０Ｇの位置情報を取得する。

　なお、特定した外部カメラ６０Ｇにおいて取得された現在の画像の取得については、管理サーバ７０を介して取得してもよいし、直接外部カメラ６０Ｇに接続して取得してもよい。

　ＩＰＵ１１のコア１１Ａは、外部カメラ６０により取得された画像から抽出したオブジェクトの種別を示す種別情報を、当該外部カメラ６０の位置情報と関連付けて出力する。

　図２９に示す例では、取得部４１５は、外部カメラ６０Ｇから画像を取得している。図３０は、外部カメラ６０Ｇから取得した画像の一例を示す図である。図３０に示すように、外部カメラ６０Ｇから取得した画像ＧＥｘ中には、２台の車と人が写っている。

　ＩＰＵ１１のコア１１Ａは、画像ＧＥｘ中から、２台の車と人をオブジェクトＢ１～Ｂ３として抽出する。次に、コア１１Ａは、オブジェクトＢ１～Ｂ３の各々について、オブジェクトの種別を判別する。そして、コア１１Ａは、オブジェクトＢ１～Ｂ３の各々について、オブジェクトの種別を示す種別情報を、外部カメラ６０Ｇの位置情報と関連付けて出力し、オブジェクト管理データベースＤＢに登録する。オブジェクト管理データベースＤＢは、例えば、メモリ１６（図２参照）に記憶されている。

　このとき、コア１１Ａは、抽出したオブジェクトが、車両５０の進行に影響を及ぼす可能性があるオブジェクトである場合に、進行に影響を及ぼす可能性があるオブジェクトであることを示す識別情報（以下、「要注意フラグ」と称する。）を付して、当該オブジェクトの種別情報を出力する。

　なお、車両５０の進行に影響を及ぼす可能性があるオブジェクトは、例えば、人又は動物等が挙げられる。本実施形態では、一例として、コア１１Ａは、抽出したオブジェクトが、人又は動物である場合に、要注意フラグを付して、当該オブジェクトの種別情報を出力する。

　図３１は、情報処理装置４１０において管理されるオブジェクト管理データベースＤＢの一例を示す図である。図３１に示すように、オブジェクト管理データベースＤＢは、オブジェクトＩＤと、登録日時と、オブジェクト位置と、オブジェクト種別と、要注意フラグの有無とを関連付けて記憶している。

　オブジェクトＩＤは、コア１１Ａにより検出されたオブジェクトの各々に対して付与される固有のＩＤである。登録日時は、当該オブジェクトをオブジェクト管理データベースＤＢに登録した際の日時の情報である。オブジェクト位置は、当該オブジェクトを撮影した外部カメラ６０の位置を示す情報であり、取得部４１５により取得された外部カメラ６０の位置情報である。オブジェクト種別は、当該オブジェクトの種別を示す情報であり、例えば、人、動物、車、バイク、自転車、信号等の情報である。要注意フラグの有無は、当該オブジェクトに対して上記の要注意フラグが付与されているか否かを示す情報である。

　上記実施形態で説明したように、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ＩＰＵ１１が備えるカメラ３０Ａにより取得された画像に基づきＩＰＵ１１から出力された画像及び識別情報と、ＭｏＰＵ１２が備えるカメラ３０Ｂにより取得された画像に基づきＭｏＰＵ１２から出力された動き情報に基づいて、車両５０の運転制御を実行する。

　それに加えて、本実施形態のＣｅｎｔｒａｌ　Ｂｒａｉｎ１５は、オブジェクト管理データベースＤＢを参照して、車両５０の前方に位置し、車両５０の進行に影響を及ぼす可能性があるオブジェクトを事前に把握することができる。そのため、車両５０の運転制御をより適切に行うことができる。

　例えば、図２９に示すように、車両５０が外部カメラ６０Ｇの手前に位置する段階で、外部カメラ６０Ｇの周辺に位置し、車両５０の進行に影響を及ぼす可能性があるオブジェクトを事前に把握することができる。本例では、図３０に示すように、外部カメラ６０Ｇの周辺に人（図中、オブジェクトＢ３）が存在することが把握できる。

　これにより、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、外部カメラ６０Ｇの周辺において人が飛び出してくる可能性を考慮して、例えば、車両５０が外部カメラ６０Ｇの周辺に到達する前に減速したり、人が飛び出してきた場合に即座にブレーキを掛けることができるように準備したりする等の事前制御を行うことができる。

　その結果、図３２に示すように、車両５０が外部カメラ６０Ｇの周辺に到達した際に、人が飛び出してきたとしても、事前制御を行っているため、余裕を持って対処することができる。

　以上説明したように、第１５の実施形態の情報処理装置４１０において、ＩＰＵ１１は、外部カメラ６０により取得された画像から抽出した物体の種別を示す種別情報を、当該外部カメラ６０の位置情報と関連付けて出力するようにしている。これにより、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、情報処理装置４１０が搭載された車両５０の外部に設置された外部カメラ６０により取得された画像まで考慮して、車両５０の運転制御を実行することができる。

　また、ＩＰＵ１１は、外部カメラ６０により取得された画像から抽出した物体が、人又は動物等の、車両５０の進行に影響を及ぼす可能性がある物体である場合に、進行に影響を及ぼす可能性がある物体であることを示す識別情報を付して、当該物体の種別情報を出力するようにしている。これにより、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、進行に影響を及ぼす可能性がある物体を考慮して、車両５０の運転制御を実行することができる。

　また、取得部４１５は、車両５０の進行ルートの前方に位置する外部カメラ６０から画像及び位置情報を取得するようにしている。これにより、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、外部カメラ６０の設置位置に到達する前に、進行に影響を及ぼす可能性がある物体に対する事前制御を行うことができる。

　また、取得部４１５は、車両５０の進行ルートの前方において、自装置から最も近い外部カメラのみから画像及び位置情報を取得するようにしている。これにより、取得部４１５にける通信データ量を抑えることができる。

　なお、取得部４１５が画像及び位置情報を取得する外部カメラ６０の特定方法については、上記の態様に限らず、どのような態様としてもよい。例えば、取得部４１５は、車両５０の進行ルートを案内するナビゲーションシステム４５のルート情報に基づいて、車両５０の進行ルートの前方に位置する外部カメラ６０を特定し、特定した外部カメラ６０から画像及び位置情報を取得するようにしてもよい。

　例えば、図３３に示すように、ナビゲーションシステム４５により、車両５０の進行ルートＲが設定されていたとする。この場合、取得部４１５は、進行ルートＲ沿いに設置されている外部カメラ６０Ａ、６０Ｂ、６０Ｃ、６０Ｅ、６０Ｆ、６０Ｇを、車両５０の進行ルートの前方に位置する外部カメラ６０として特定し、特定した外部カメラ６０から画像及び位置情報を取得するようにしてもよい。

　この場合、画像及び位置情報の取得について、取得部４１５は、必ずしも、進行ルートＲ沿いに設置されている全ての外部カメラ６０から画像及び位置情報を取得する必要はなく、例えば、車両５０から所定の距離範囲内に位置する外部カメラ６０のみから画像及び位置情報を取得してもよい。

　また、カメラ管理データベースが、カメラＩＤ、アドレス、及び、設置位置に加えて、カメラの撮像方向及び／又は撮像範囲の情報を管理している場合、取得部４１５は、進行ルートＲ沿いに設置されている外部カメラ６０の中で、車両５０が進行ルートＲを走行中に車両５０を撮影可能な外部カメラ６０を特定し、特定した外部カメラ６０から画像及び位置情報を取得するようにしてもよい。このような態様とすることにより、進行ルートＲ沿いに設置されている外部カメラ６０であっても、車両５０の撮像ができない外部カメラ６０からの画像及び位置情報の取得は行われなくなり、走行制御に用いることができないデータの取得が行われなくなるため、通信データ量の低減及び取得部４１５における処理量の低減に寄与する。

　（第１６の実施形態）
　次に、本実施形態に係る第１６の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。

　図３４は、第１６の実施形態に係る情報処理装置１０の構成の一例を示すブロック図である。
　図３４に示すように、第１６の実施形態に係る情報処理装置１０は、ＭｏＰＵ１２が１つのみ設けられている。ＭｏＰＵ１２は撮影部３６１６を含んでおり、撮影部３６１６は、単一のカメラ３０と、当該カメラ３０を移動させる移動部３８１６と、を含んでいる。図３５に示すように、移動部３８１６は円板状の回転部材４０１６を備えており、回転部材４０１６は軸線が水平方向におおよそ沿うように配置されている。また、移動部３８１６はモータなどから成るアクチュエータ４２を備えており、回転部材４０１６はアクチュエータ４２により回転部材４０１６の軸線回りに回転される。

　カメラ３０は、回転部材４０１６の周縁部に、撮影光軸が回転部材４０１６の軸線と平行になるように取り付けられている。これにより、アクチュエータ４２によって回転部材４０１６が回転されると、カメラ３０は、第１位置Ｐ１、および、第１位置Ｐ１とは水平方向の位置が異なる第２位置Ｐ２へ順次移動される。より詳しくは、カメラ３０は、第１位置Ｐ１および第２位置Ｐ２を各々通る円環状の経路に沿って循環移動される。

　ここで、ＭｏＰＵ１２は、外部環境に関するスコアに応じてカメラ３０のフレームレートＦＲを決定し、ＭｏＰＵ１２の撮影部３６１６は、決定したフレームレートＦＲに応じた回転周期（＝１／ＦＲ）でアクチュエータ４２により回転部材４０１６を回転させる。また、撮影部３６１６の移動部３８１６は、カメラ３０が第１位置Ｐ１に位置したタイミングおよび第２位置Ｐ２に位置したタイミングで各々画像を撮影させる。これにより、カメラ３０による撮影周期はフレームレートの２倍の逆数（＝１／(２×ＦＲ)）となる。

　また、ＭｏＰＵ１２はコア１７を含んでいる。本実施形態では、第１位置Ｐ１で撮影された第１画像と、第２位置Ｐ２で撮影された第２画像と、の撮影時刻に差が生ずるので、第１画像と第２画像とを同時刻に撮影した場合と比較して、第１画像および第２画像における物体の２次元位置に偏差が生ずる。このため、コア１７は、第１画像と第２画像との撮影時刻差に起因する、第１画像および第２画像における物体の２次元位置の偏差を補正する。

　具体的には、例えば、図３６Ａに示すように、第１時刻ｔ１に第１位置Ｐ１で撮影された第１画像から物体Ａの２次元位置（ＸlA(t1),ＹlA(t1）)が算出され、第３時刻ｔ３に第２位置Ｐ２で撮影された第２画像から物体Ａの２次元位置（ＸrA(t3),ＹrA(t3）)が算出され、第２時刻ｔ２に第１位置Ｐ１で撮影された第１画像から物体Ａの２次元位置（ＸlA(t2),ＹlA(t2）)が算出された場合を考える（ｔ１＜ｔ２＜ｔ３）。

　この場合、コア１７は、第１位置Ｐ１で第１時刻ｔ１に撮影された第１画像と第１位置Ｐ１で第２時刻ｔ２に撮影された第１画像とのマッチングを行う。またコア１７は、マッチングの結果に基づいて、第２位置Ｐ２での撮影時刻である第３時刻ｔ３に第１位置Ｐ１で撮影を行った場合に得られる仮想第１画像における物体Ａの２次元位置を推定する（図３６Ｂに「時刻ｔ３での物体Ａの２次元位置推定」と表記して示す２次元位置（ＸlA(t3),ＹlA(t3）)も参照。

　これにより、コア１７を含むＭｏＰＵ１２からは、フレームレートＦＲに応じた周期で、物体Ａの推定２次元位置（ＸlA(t3),ＹlA(t3）)と、物体Ａの２次元位置（ＸrA(t3),ＹrA(t3）)と、がＣｅｎｔｒａｌ　Ｂｒａｉｎ１５へ出力される。そして、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、物体Ａの推定２次元位置（ＸlA(t3),ＹlA(t3）)および物体Ａの２次元位置（ＸrA(t3),ＹrA(t3）)から、時刻ｔ３での物体Ａの３次元位置（ＸA(t3),ＹA(t3),ＺA(t3)）を算出する。

　また、例えば、図３６Ａに示すように、第１時刻ｔ１に第１位置Ｐ１で撮影された第１画像から物体Ｂの２次元位置（ＸlB(t1),ＹlB(t1）)が算出され、第３時刻ｔ３に第２位置Ｐ２で撮影された第２画像から物体Ｂの２次元位置（ＸrB(t3),ＹrB(t3）)が算出され、第２時刻ｔ２に第１位置Ｐ１で撮影された第１画像から物体Ａの２次元位置（ＸlB(t2),ＹlB(t2）)が算出された場合を考える（ｔ１＜ｔ２＜ｔ３）。

　この場合、コア１７は、第１位置Ｐ１で第１時刻ｔ１に撮影された第１画像と第１位置Ｐ１で第２時刻ｔ２に撮影された第１画像とのマッチングを行う。またコア１７は、マッチングの結果に基づいて、第２位置Ｐ２での撮影時刻である第３時刻ｔ３に第１位置Ｐ１で撮影を行った場合に得られる仮想第１画像における物体Ｂの２次元位置を推定する（図３６Ｂに「時刻ｔ３での物体Ｂの２次元位置推定」と表記して示す２次元位置（ＸlB(t3),ＹlB(t3）)も参照。

　これにより、コア１７を含むＭｏＰＵ１２からは、フレームレートＦＲに応じた周期で、物体Ｂの推定２次元位置（ＸlB(t3),ＹlB(t3）)と、物体Ｂの２次元位置（ＸrB(t3),ＹrB(t3）)と、がＣｅｎｔｒａｌ　Ｂｒａｉｎ１５へ出力される。そして、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、物体Ｂの推定２次元位置（ＸlB(t3),ＹlB(t3）)および２次元位置（ＸrB(t3),ＹrB(t3）)から、時刻ｔ３での物体Ｂの３次元位置（ＸB(t3),ＹB(t3),ＺB(t3)）を算出する。このように、コア１７を含むＭｏＰＵ１２は、物体の３次元位置を算出するＣｅｎｔｒａｌ　Ｂｒａｉｎ１５と共に、本開示に係る処理部の一例である。

　以上説明したように、第１６の実施形態に係る情報処理装置１０において、撮影部３６１６は、第１位置Ｐ１および第１位置Ｐ２とは少なくとも水平方向の位置が異なる第２位置Ｐ２へカメラ３０を順次移動させると共に、カメラ３０によって第１位置Ｐ１および第２位置Ｐ２で各々画像を撮影させる。そして,処理部（ＭｏＰＵ１２およびＣｅｎｔｒａｌ　Ｂｒａｉｎ１５）は、第１位置Ｐ１で撮影された第１画像および第２位置Ｐ２で撮影された第２画像に基づいて、第１画像および第２画像に各々映っている物体の３次元位置を算出する。これにより、物体の３次元位置を算出するにあたり、カメラ３０を複数設ける必要がなくなり、情報処理装置１０の構成を簡単にすることができる。

　また、第１６の実施形態において、撮影部３６１６は、カメラ３０が第１位置Ｐ１および第２位置Ｐ２を各々通る環状の経路に沿って循環移動するように、カメラ３０が取り付けられた回転部材４０１６を回転させる移動部３８１６を含んでいる。これにより、例えば、第１位置Ｐ１および第２位置Ｐ２との間でカメラ３０を直線的に往復移動させるなどの態様と比較して、実施が容易になる。

　また、第１６の実施形態において、処理部（ＭｏＰＵ１２）は、外部環境に関するスコアを計算し、計算したスコアに応じてカメラ３０のフレームレートＦＲを決定し、移動部３８１６は、処理部（ＭｏＰＵ１２）によって決定されたフレームレートＦＲに応じて回転部材４０１６の回転速度を変更する。これにより、カメラ３０のフレームレートＦＲを連続的に変更することが可能となる。

　また、第１６の実施形態において、処理部（ＭｏＰＵ１２およびＣｅｎｔｒａｌ　Ｂｒａｉｎ１５）は、第１画像と第２画像との撮影時刻差に起因する、第１画像および第２画像における物体の２次元位置の偏差を補正して、物体の３次元位置を算出する。これにより、物体の３次元位置の算出精度を向上させることができる、

　また、第１６の実施形態において、処理部（ＭｏＰＵ１２のコア１７）は、第１位置Ｐ１で第１時刻に撮影された第１画像と第１位置Ｐ１で第２時刻に撮影された第１画像とのマッチングを行い、マッチング結果に基づいて、第２位置での撮影時刻である第３時刻に第１位置Ｐ１で撮影を行った場合に得られる仮想第１画像における物体の２次元位置を推定することで、物体の２次元位置の偏差を補正する。これにより、物体の３次元位置の算出精度を向上させることを、比較的簡易な処理で実現することができる。

　なお、第１６の実施形態では、第１位置Ｐ１および第２位置Ｐ２へカメラ３０を順次移動させることを、カメラ３０が第１位置Ｐ１および第２位置Ｐ２を各々通る環状の経路に沿って循環移動するように、カメラ３０が取り付けられた回転部材４０１６を回転させることで実現する態様を説明した。しかし、本開示はこれに限定されるものではなく、第１位置Ｐ１および第２位置Ｐ２へカメラ３０を順次移動させることを、例えば、第１位置Ｐ１および第２位置Ｐ２との間でカメラ３０を直線的に往復移動させるなどにより実現してもよい。

　また、第１６の実施形態では、外部環境に関するスコアに応じてカメラ３０のフレームレートＦＲを決定し、決定したフレームレートＦＲに応じて回転部材４０１６の回転速度を変更する態様を説明したが、本開示はこれに限定されるものではない。例えば、回転部材４０１６の回転速度を一定とし、カメラ３０のフレームレートＦＲは、回転部材４０１６の回転周期を２で除した時間の整数倍の逆数に設定するようにしてもよい。

　（第１７の実施形態）
　次に、本実施形態に係る第１７の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。

　一例として、第１７の実施形態に係る情報処理装置１０は、第１の実施形態と同様の図２に示す構成を備えている。

　第１７の実施形態に係るＭｏＰＵ１２は、別カメラにより撮影された物体の画像から、撮影された物体を点として捉えた点情報を出力すると共に、点情報の時系列から、点の動きを示す動き情報を算出して出力する。具体的には、ＭｏＰＵ１２は、点情報の時系列から、ハフ変換を用いて、点の動きの方向を算出し、算出された点の動きの方向の点情報の変化から、動きの速度を算出する。

　例えば、図３８Ａに示すような、点情報の時系列から、図３８Ｂに示すように、ハフ変換を用いて、点の動きの方向を算出する。

　ＩＰＵ１１は、別カメラと対応する撮影方向で超高解像度カメラにより撮影された物体の画像から、撮影された物体を識別した識別情報を出力する。

　Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ＭｏＰＵ１２から出力された動き情報及びＩＰＵ１１から出力された識別情報を対応付ける。Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、機能的には、図３７に示すように、取得部１７０と、動き検知部１７２と、除去部１７４と、対応付け部１７６とを備えている。

　取得部１７０は、ＭｏＰＵ１２から出力された動き情報及びＩＰＵ１１から出力された識別情報を取得する。

　動き検知部１７２は、ＭｏＰＵ１２から出力された動き情報に基づいて、動きの方向が対応する複数の物体の動き情報を検知する。具体的には、動き情報間での動きの方向のなす角が、閾値以下であり、かつ、動きの方向が対応する複数の物体の動き情報の数が、閾値以上である場合に、動きの方向が対応する複数の物体の動き情報を検知したと判断する。

　例えば、図３９に示すように、複数の物体の動き情報Ｍ１～Ｍ８から、動きの方向が対応する複数の物体の動き情報Ｍ１～Ｍ６を検知する。

　除去部１７４は、動きの方向が対応する複数の物体の動き情報が検知された場合、複数の物体の動き情報を除去する。

　例えば、図４０に示すように、複数の物体の動き情報Ｍ１～Ｍ８から、動きの方向が対応する複数の物体の動き情報Ｍ１～Ｍ６を除去することにより、動き情報Ｍ７、Ｍ８が得られる。

　対応付け部１７６は、除去後の動き情報、及びＩＰＵ１１から出力された識別情報を対応付け、対応付けられた動き情報及び識別情報に基づいて、移動体の自動運転を制御する。

　次に、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５が実行する対応付け処理を、図４１を用いて説明する。このとき、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５には、ＭｏＰＵ１２から動き情報が入力され、ＩＰＵ１１から識別情報が入力されているものとする。

　まず、ステップＳ１００において、取得部１７０は、ＭｏＰＵ１２から出力された動き情報及びＩＰＵ１１から出力された識別情報を取得する。

　ステップＳ１０２において、動き検知部１７２は、ＭｏＰＵ１２から出力された動き情報に基づいて、動きの方向が対応する複数の物体の動き情報を検知する。

　ステップＳ１０４において、除去部１７４は、動きの方向が対応する複数の物体の動き情報が検知された場合、複数の物体の動き情報を除去する。

　ステップＳ１０６において、対応付け部１７６は、除去後の動き情報、及びＩＰＵ１１から出力された識別情報を対応付ける。

　以上説明したように、第１７の実施形態に係る情報処理装置１０によれば、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、動きの方向が対応する複数の物体の動き情報が検知された場合、複数の物体の動き情報を除去し、残りの動き情報と、識別情報を対応付ける。これにより、ＭｏＰＵ１２から出力された動き情報から、動きの方向が対応する小物体を多く検知した場合、当該小物体を除去して、識別情報と対応付けることができる。例えば、ＭｏＰＵ１２から出力された動き情報から、降雨、降雪時のノイズを除去することができる。

　（第１８の実施形態）
　次に、本実施形態に係る第１８の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。

　一例として、第１８の実施形態に係る情報処理装置１０は、第１の実施形態と同様の図２に示す構成を備えている。

　第１８の実施形態に係るＭｏＰＵ１２は、第１実施形態と同様に、別カメラにより撮影された物体の画像から、撮影された物体を点として捉えた点情報を出力する。

　そして、図４２に示すように、ＭｏＰＵ１２は、複数フレームの画像から出力された点情報に基づいて、移動方向が上下方向の何れかの方向で、かつ同じ方向であり、上下方向の移動量が一定範囲内の点を一定数以上検出した場合、点情報に含まれる点の中から、検出した一定数以上の点以外の点のみを出力する。なお、ここでいう上下方向は、画像の上下方向であり、車両１００の高さ方向に相当する方向である。また、ここでいう左右方向は、画像の左右方向であり、車両１００の車幅方向に相当する方向である。この場合の一定範囲は、予め固定値として設定されてもよいし、路面の状態に応じて設定されてもよい。また、この場合の一定数は、予め固定値として設定されてもよいし、例えば、点情報に含まれる点の数のうちの１割の値等、点情報に含まれる点の数に応じて設定されてもよい。

　図４２では、連続する３つのフレームの画像それぞれにおいて、点情報に３つの点Ｑ１、Ｑ２、Ｑ３が含まれる例を示している。また、図４２では、点Ｑ１及び点Ｑ２が上下方向の同じ方向に移動しており、かつその上下方向の移動量が一定範囲内である例を示している。また、図４２では、点Ｑ３が左上方向に移動した後に左下方向に移動している例を示している。

　図４２の例では、ＭｏＰＵ１２は、連続する３つのフレームの画像から出力された点情報に基づいて、点情報に含まれる３つの点Ｑ１、Ｑ２、Ｑ３の中から、点Ｑ３のみを出力する。これは、点Ｑ１、Ｑ２が実際は静止しているのに、車両１００が路面の状態等の影響によりバウンドすることによって点Ｑ１、Ｑ２が画像内を移動しているように見えていると推定されるためである。

　ＭｏＰＵ１２により出力された点を表す点情報は、第１の実施形態と同様に、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５によって、ＩＰＵ１１から出力されたラベル情報と対応付けられる。

　以上説明したように、本実施形態によれば、出力対象の点情報のうち、実際は静止しているのに画像内では動いて見えると推定される点を表す情報が出力対象外とされる。従って、本実施形態によれば、カメラにより撮影された物体の撮影情報である点情報を所定の出力先に出力する場合に、当該出力先に出力するデータ量を削減することができる。

　なお、本実施形態において、ＭｏＰＵ１２は、車両１００が直進中である場合、検出した一定数以上の点の中から、左右方向の移動量が閾値以上の点を更に出力してもよい。ＭｏＰＵ１２は、車両１００が直進中であるか否かを、車両１００の操舵角を用いて判定する技術、又は前輪と後輪のそれぞれの左右車輪速比を用いて判定する技術等の公知の技術を用いて判定することができる。

　また、本実施形態において、ＭｏＰＵ１２が実行した、点情報に含まれる点の中から、検出した一定数以上の点以外の点のみを出力する処理をＣｅｎｔｒａｌ　Ｂｒａｉｎ１５が実行してもよい。

　（第１９の実施形態）
　次に、本実施形態に係る第１９の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。

　図４３は、第１９の実施形態に係る情報処理装置１０の構成の一例を示すブロック図である。なお、図４３は、情報処理装置１０の一部の構成のみを示している。情報処理装置１０は、本開示の「情報処理装置」及び「コンピュータ」の一例である。

　情報処理装置１０は、複数の車両２００に搭載されている。図４３に示す例では、複数の車両２００の一例として、第１車両２００Ａ及び第２車両２００Ｂが示されている。第１車両２００Ａは、本開示の「第１移動体」の一例であり、第２車両２００Ｂは、本開示の「第２移動体」の一例である。以下では、説明の便宜上、第１車両２００Ａと第２車両２００Ｂとを区別して説明する必要がない場合、「車両２００」と称する。

　情報処理装置１０は、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５、通信Ｉ／Ｆ２０２、第１メモリ２０４、及び第２メモリ２０６を備えている。ここで、Ｉ／Ｆとは、“Ｉｎｔｅｒｆａｃｅ”の略称を指す。

　第１車両２００Ａに搭載されている情報処理装置１０のＣｅｎｔｒａｌ　Ｂｒａｉｎ１５は、第１車両２００Ａに対して用いられる。また、第２車両２００Ｂに搭載されている情報処理装置１０のＣｅｎｔｒａｌ　Ｂｒａｉｎ１５は、第２車両２００Ｂに対して用いられる。なお、第１車両２００Ａに搭載されている情報処理装置１０のＣｅｎｔｒａｌ　Ｂｒａｉｎ１５は、本開示の「第１移動体プロセッサ」の一例であり、第２車両２００Ｂに搭載されている情報処理装置１０のＣｅｎｔｒａｌ　Ｂｒａｉｎ１５は、本開示の「第２移動体プロセッサ」の一例である。

　以下では、説明の便宜上、第１車両２００Ａに搭載されている情報処理装置１０を「第１車両２００Ａの情報処理装置１０」と称し、第２車両２００Ｂに搭載されている情報処理装置１０を「第２車両２００Ｂの情報処理装置１０」と称する。また、以下では、説明の便宜上、第１車両２００Ａの情報処理装置１０のＣｅｎｔｒａｌ　Ｂｒａｉｎ１５を「第１車両２００ＡのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５」と称し、第２車両２００Ｂの情報処理装置１０のＣｅｎｔｒａｌ　Ｂｒａｉｎ１５を「第２車両２００ＢのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５」と称する。

　通信Ｉ／Ｆ２０２、第１メモリ２０４、及び第２メモリ２０６は、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５に接続されている。通信Ｉ／Ｆ２０２は、通信プロセッサ及びアンテナ等を含む通信用のインタフェースであり、図１に示すＧａｔｅｗａｙに含まれている。通信Ｉ／Ｆ２０２は、異なる車両２００間でのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５を用いた通信を司る。例えば、第１車両２００ＡのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５及び第２車両２００ＢのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５は、第１車両２００Ａの通信Ｉ／Ｆ２０２及び第２車両２００Ｂの通信Ｉ／Ｆ２０２を介して各種信号の授受を行う。通信Ｉ／Ｆ２０２に対して適用される通信規格の一例としては、Ｗｉ－Ｆｉ（登録商標）又は５Ｇ（５ｔｈ　Ｇｅｎｅｒａｔｉｏｎ　Ｍｏｂｉｌｅ　Ｃｏｍｍｕｎｉｃａｔｉｏｎ　Ｓｙｓｔｅｍ）等の無線通信規格が挙げられる。

　第１メモリ２０４は、例えば、不揮発性メモリ（例えば、フラッシュメモリ等）である。第１メモリ２０４には、プログラム２０８を含む各種プログラム及び各種パラメータ等が格納されている。プログラム２０８は、本開示の「情報処理プログラム」の一例である。

　第２メモリ２０６は、例えば、揮発性メモリ（例えば、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）等）である。第２メモリ２０６は、一時的に情報が格納されるメモリであり、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５等のプロセッサによってワークメモリとして用いられる。

　ところで、第１車両２００Ａ及び第２車両２００Ｂでは、上記第１の実施形態等でも説明したように、情報処理装置１０の制御下で、自動運転が行われる。第１車両２００Ａの自動運転では、周辺の他車両である第２車両２００Ｂの情報（例えば、現在位置及び速度の情報）に基づいて第１車両２００Ａの運転が制御される。一方、第２車両２００Ｂでも、同じ要領で自動運転が行われており、この場合、第２車両２００Ｂは、第１車両２００Ａを認識した上で、第１車両２００Ａの動きを予測して自動運転を行う。

　このように、第１車両２００Ａ及び第２車両２００Ｂが、互いを認識した合った上で、互いの動きを予測して自動運転を行う場合、例えば、第１車両２００Ａと第２車両２００Ｂとが正面衝突を避けるために、第１車両２００Ａと第２車両２００Ｂとの双方が進路を変更するケースが考えられる。しかし、第１車両２００Ａ又は第２車両２００Ｂが進路を変更すれば済むところ、第１車両２００Ａと第２車両２００Ｂとの双方が進路を変更することにより、第１車両２００Ａ及び第２車両２００Ｂ以外の周囲の車両（例えば、第１車両２００Ａに対する後続車両及び第２車両２００Ｂに対する後続車両、並びに、第１車両２００Ａに対する並走車両及び第２車両２００Ｂに対する並走車両等）の走行の妨げになる虞がある。

　また、正面衝突を避けるために、第１車両２００Ａ及び第２車両２００Ｂの自動運転の制御により、第２車両２００Ｂだけが進路を変更すれば済むところ、第１車両２００Ａも進路を変更することとなり、この場合、例えば、急な進路変更のために乗員に対して不快感を与えたりする虞もある。なお、正面衝突を避ける場面に限らず、車線変更時の接触及び／又は隊列走行時の接触を避ける場面等でも、同様のことが言える。

　また、従来既知の技術（例えば、特許文献１に記載の技術）では、第１車両２００Ａの運転手等が、第２車両２００Ｂが第１車両２００Ａを認識しているか否かを把握することが困難である。そのため、第２車両２００Ｂが第１車両２００Ａを認識しているか否かによって、第１車両２００Ａの運転方法を変えたり、第１車両２００Ａの運転手による第２車両２００Ｂに対する意識の持ち方に変化を齎したりすることは困難である。

　そこで、このような事情に鑑み、本第１９の実施形態では、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５によって自動運転制御処理が行われる。

　Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、第１メモリ２０４からプログラム２０８を読み出し、読み出したプログラム２０８を第２メモリ２０６上で実行することにより自動運転制御処理を行う。自動運転制御処理は、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５が第２メモリ２０６上で実行するプログラム２０８に従って、第１判定部１５Ａ、第２判定部１５Ｂ、第３判定部１５Ｃ、設定部１５Ｄ、推論部１５Ｅ、調整部１５Ｆ、及び運転制御部１５Ｇとして動作することによって実現される。

　複数の車両２００のそれぞれには、互いに異なる優先順位情報２０９が付与されている。優先順位情報２０９は、複数の車両２００のうち、設定部１５Ｄによる処理を優先して行う車両２００の優先順位を示す情報である。第１車両２００Ａに付与されている優先順位情報２０９により示される優先順位は、本開示の「第１優先順位」の一例であり、第２車両２００Ｂに付与されている優先順位情報２０９により示される優先順位は、本開示の「第２優先順位」の一例である。優先順位情報２０９は、各車両２００の情報処理装置１０の第１メモリ２０４に格納されている。

　図４４は、第１車両２００Ａの第１判定部１５Ａ、第２判定部１５Ｂ、第３判定部１５Ｃ、及び設定部１５Ｄの処理内容の一例を示す概念図である。

　第１車両２００ＡのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５には、ＩＰＵ１１からラベル情報２１０が入力される。ラベル情報２１０は、上記第１の実施形態で説明したラベル情報と同一の情報である。

　なお、第１車両２００ＡのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５に入力されるラベル情報２１０は、本開示の「第２移動体を特定可能な第２移動体情報」の一例である。また、第２車両２００ＢのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５に入力されるラベル情報２１０は、本開示の「第１移動体を特定可能な第１移動体情報」の一例である。

　第１判定部１５Ａは、ラベル情報２１０を取得し、ラベル情報２１０を参照して、第１車両２００Ａの超高解像度カメラにより第１車両２００Ａの周囲が撮影されることによって得られた画像である第１画像（以下、単に「第１画像」とも称する）に写っている物体（本開示の「第１物体」の一例）の種類を認識する。そして、第１判定部１５Ａは、第１画像に写っている物体の種類として認識した種類が第２車両２００Ｂであるか否かを判定する。

　なお、第２車両２００Ｂの情報処理装置１０でも、同様の要領で、第２車両２００Ｂの超高解像度カメラにより第２車両２００Ｂの周囲が撮影されることによって得られた画像である第２画像（以下、単に「第２画像」とも称する）に写っている物体（本開示の「第２物体」の一例）の種類が認識される。そして、認識された種類が第１車両２００Ａであるか否かが判定される。

　第１画像に第２車両２００Ｂが写っていると第１判定部１５Ａによって判定された場合、第１車両２００ＡのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５は、通信Ｉ／Ｆ２０２を介して要求信号２１２を第２車両２００Ｂの情報処理装置１０に送信する。要求信号２１２は、第２車両２００Ｂの情報処理装置１０に対して応答信号２１４の送信を要求する信号である。

　第２車両２００Ｂの通信Ｉ／Ｆ２０２は、第１車両２００ＡのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５によって送信された要求信号２１２を受信する。第２車両２００ＢのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５は、要求信号２１２に応じた応答信号２１４を、第２車両２００Ｂの通信Ｉ／Ｆ２０２を介して第１車両２００Ａの情報処理装置１０に送信する。

　第２車両２００ＢのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５から応答信号２１４が送信されると、第１車両２００Ａの通信Ｉ／Ｆ２０２は、応答信号２１４を受信する。第１車両２００ＡのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５は、通信Ｉ／Ｆ２０２によって受信された応答信号２１４を取得する。

　応答信号２１４には、運転中情報２１４Ａ、認識情報２１４Ｂ、及び制御情報２１４Ｃが含まれている。また、応答信号２１４には、第２車両２００Ｂに付与されている優先順位情報２０９も含まれている。

　運転中情報２１４Ａは、第２車両２００Ｂが自動運転中であるか否かを示す情報である。認識情報２１４Ｂは、第２車両２００Ｂの情報処理装置１０によって第１車両２００Ａが認識されているか否かを示す情報である。制御情報２１４Ｃは、第２車両２００ＢのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５が第２車両２００Ｂの自動運転を制御する情報である。

　第１判定部１５Ａは、ラベル情報２１０及び運転中情報２１４Ａを参照して、第１画像に写っている物体の種類として認識した種類が自動運転中の第２車両２００Ｂであるか否かを判定する。

　第１判定部１５Ａによって、第１画像に写っている物体の種類として認識された種類が自動運転中の第２車両２００Ｂであると判定された場合、第２判定部１５Ｂは、認識情報２１４Ｂを参照して、第２車両２００Ｂの情報処理装置１０が第１車両２００Ａを認識しているか否かを判定する。

　第２車両２００Ｂの情報処理装置１０が第１車両２００Ａを認識していると第２判定部１５Ｂによって判定された場合、第３判定部１５Ｃは、第１車両２００Ａの優先順位が第２車両２００Ｂの優先順位よりも高いか否かを判定する。第３判定部１５Ｃによる判定は、応答信号２１４に含まれる優先順位情報２０９と第１メモリ２０４に格納されている優先順位情報２０９とを用いて行われる。応答信号２１４に含まれる優先順位情報２０９は、第２車両２００Ｂに対して付与されている情報であり、第１メモリ２０４に格納されている優先順位情報２０９は、第１車両２００Ａに対して付与されている情報である。第３判定部１５Ｃは、第１車両２００Ａに付与されている優先順位情報２０９により示される順位が第２車両２００Ｂに付与されている優先順位情報２０９により示される順位よりも高いか否かを判定する。

　ここで、第１車両２００Ａに付与されている優先順位情報２０９により示される順位が第２車両２００Ｂに付与されている優先順位情報２０９により示される順位よりも高いと判定された場合、設定部１５Ｄは、第２車両２００Ｂによって第１車両２００Ａが認識されていることを示す識別子２１６を設定する。識別子２１６の設定は、設定部１５Ｄによって第２メモリ２０６に識別子２１６が格納されることによって実現される。識別子２１６の一例としては、フラグが挙げられる。

　図４５は、設定部１５Ｄによって識別子２１６が設定されていない場合に第１車両２００Ａの推論部１５Ｅ及び運転制御部１５Ｇによって行われる処理の内容の一例を示す概念図である。

　設定部１５Ｄによって識別子２１６が設定されていない場合、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、センサ情報２１８、対応付け情報２１９、及び未設定情報２２２に基づいて、上記第１の実施形態等で説明したのと同様の要領で、第１車両２００Ａの自動運転を制御する。センサ情報２１８は、上記第１の実施形態等で説明したセンサ情報と同一の情報である。対応付け情報２１９は、第１点情報とラベル情報２１０とを上記第１の実施形態等で説明したのと同様の要領で対応付けた情報である。第１点情報は、上記第１の実施形態等で説明した点情報と同一の情報である。すなわち、第１点情報は、第１画像を得るために行われる撮影のフレームレートよりも高いフレームレートで第１車両２００Ａの周囲が撮影されることにより得られた画像である第３画像（以下、単に「第３画像」とも称する）に基づいて、第１車両２００Ａの周囲に含まれる物体（本開示の「第１物体」の一例）を点として捉えた点情報である。未設定情報２２２は、識別子２１６が設定されていないことを示す情報である。

　なお、ここでは、第１車両２００ＡのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５によって対応付け情報２１９が得られる形態例を挙げているが、第２車両２００ＢのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５でも、対応付け情報２１９と同様の情報として、第２車両側対応付け情報（図示省略）が得られる。第２車両側対応付け情報は、上記第１の実施形態等で説明した点情報と同様の要領で得られた第２点情報とラベル情報２１０と同様の要領で得られた情報とが対応付けられた情報である。第２点情報は、第２画像を得るために行われる撮影のフレームレートよりも高いフレームレートで第２車両２００Ｂの周囲が撮影されることにより得られた画像である第４画像（以下、単に「第４画像」とも称する）に基づいて、第２車両２００Ｂの周囲に含まれる物体（本開示の「第２物体」の一例）を点として捉えた点情報である。第２車両側対応付け情報は、第２車両２００ＢのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５によって、第１車両２００ＡのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５と同様の処理で用いられる。

　第１車両２００Ａの自動運転の制御を実現するために、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、センサ情報２１８及び対応付け情報２１９に基づいて、第１車両２００Ａの自動運転を制御するための制御変数として第１制御変数２２４を算出する。第１制御変数２２４は、上記第１の実施形態等で説明した制御変数と同義の変数である。

　第１制御変数２２４は、推論部１５Ｅによって算出される。推論部１５Ｅは、深層学習モデル２２６を有しており、深層学習モデル２２６を用いて第１制御変数２２４を算出する。

　深層学習モデル２２６は、ニューラルネットワークに対して教師データを用いた深層学習が行われることによって得られた学習済みモデルである。ここで用いられる教師データの一例としては、例題データと第１制御変数２２４を想定した正解データとが対応付けられたデータセットが挙げられる。例題データの一例としては、センサ情報２１８を想定したデータとして実機による試験及び／又はコンピュータ・シミュレーション等によって事前に得られたデータ、対応付け情報２１９を想定したデータとして実機による試験及び／又はコンピュータ・シミュレーション等によって事前に得られたデータ、並びに、識別子２１６が設定されているか否かを示すデータが挙げられる。

　推論部１５Ｅは、センサ情報２１８、対応付け情報２１９、及び未設定情報２２２を深層学習モデル２２６に入力する。深層学習モデル２２６は、入力されたセンサ情報２１８、対応付け情報２１９、及び未設定情報２２２に対応する第１制御変数２２４（例えば、最も高い確信度の制御変数）を出力する。

　なお、ここでは、深層学習モデル２２６を用いることによって第１制御変数２２４が算出される算出方法を例示しているが、これは、あくまでも一例に過ぎず、上記第４の実施形態で説明した各種の算出方法（例えば、積分法による多変量解析）を用いることによって第１制御変数２２４が算出されるようにしてもよい。

　運転制御部１５Ｇは、上記第１の実施形態等で説明したのと同様の要領で、推論部１５Ｅによって算出された第１制御変数２２４に基づいて第１車両２００Ａの自動運転を制御する。

　図４６は、設定部１５Ｄによって識別子２１６が設定されている場合に第１車両２００Ａの推論部１５Ｅ及び運転制御部１５Ｇによって行われる処理の内容の一例を示す概念図である。

　設定部１５Ｄによって識別子２１６が設定されている場合、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、センサ情報２１８、対応付け情報２１９、及び設定情報２２８に基づいて、上記第１の実施形態等で説明したのと同様の要領で、第１車両２００Ａの自動運転を制御する。設定情報２２８は、識別子２１６が設定されていることを示す情報である。

　推論部１５Ｅは、センサ情報２１８、対応付け情報２１９、及び設定情報２２８を深層学習モデル２２６に入力する。深層学習モデル２２６は、入力されたセンサ情報２１８、対応付け情報２１９、及び設定情報２２８に対応する第１制御変数２２４を出力する。

　Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、第２車両２００Ｂの情報処理装置１０から取得した制御情報２１４Ｃ（図４４参照）に基づいて第１車両２００Ａの自動運転を制御する。これを実現するために、図４６に示す例では、調整部１５Ｆが、第１制御変数２２４及び制御情報２１４Ｃを取得する。調整部１５Ｆによる制御情報２１４Ｃの取得は、第１車両２００Ａに付与されている優先順位情報２０９により示される優先順位が第２車両２００Ｂに付与されている優先順位情報２０９（図４４に示す例では、応答信号２１４に含まれている優先順位情報２０９）により示される優先順位よりも高いことを条件に行われる。本第１９の実施形態では、識別子２１６が設定されている場合に、調整部１５Ｆによって応答信号２１４（図４４参照）から制御情報２１４Ｃが取得される。

　調整部１５Ｆは、制御情報２１４Ｃに基づいて第１制御変数２２４を調整することにより第２制御変数２３０を生成する。制御情報２１４Ｃは、第２車両２００ＢのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５が第２車両２００Ｂの自動運転を制御する情報であるため、調整部１５Ｆは、制御情報２１４Ｃから、第２車両２００Ｂの自動運転を予測することが可能となり、第２車両２００Ｂの自動運転を予測した結果を第１制御変数２２４に反映させることで第１制御変数２２４を調整する。第１制御変数２２４が調整部１５Ｆによって調整されることによって得られた第２制御変数２３０は、運転制御部１５Ｇによって用いられる。すなわち、運転制御部１５Ｇは、第２制御変数２３０に基づいて第１車両２００Ａの自動運転を制御する。

　これにより、第２車両２００Ｂが自動運転中である場合に、第２車両２００Ｂの挙動に基づいて第１車両２００Ａの自動運転が制御される。つまり、運転制御部１５Ｇは、自動運転中の第２車両２００Ｂの挙動を予測し、予測した挙動に基づいて第１車両２００Ａの自動運転を制御する。

　例えば、図４７に示すように、第１車両２００Ａと第２車両２００Ｂとが対峙した状態で互いに直進している場合、第１車両２００Ａと第２車両２００Ｂとの接触（ここでは、一例として正面衝突）を回避可能な制御内容で第１車両２００Ａの自動運転が制御される。また、第１車両２００Ａの運転制御部１５Ｇは、制御情報２１４Ｃに基づいて、自動運転中の第２車両２００Ｂが進路を変更することを予測する。そのため、第１車両２００Ａの運転制御部１５Ｇは、第１車両２００Ａの進路を変更せずに第１車両２００Ａを直進させたとしても、第１車両２００Ａと第２車両２００Ｂとの接触を回避可能であると判断する。そして、第１車両２００Ａの運転制御部１５Ｇは、第１車両２００Ａをそのまま直進させるように第１車両２００Ａの自動運転を制御する。

　図４８～図５０は、第１車両２００ＡのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５によって実行される自動運転制御処理の流れの一例を示すフローチャートである。図４８～図５０のフローチャートに示す自動運転制御処理の流れは、本開示の「情報処理方法」の一例である。

　図４８に示す自動運転制御処理では、先ず、ステップＳＴ１０で、第１判定部１５Ａは、ＩＰＵ１１からラベル情報２１０を取得する。ステップＳＴ１０の処理が実行された後、自動運転制御処理はステップＳＴ１２へ移行する。

　ステップＳＴ１２で、第１判定部１５Ａは、ラベル情報２１０を参照して、第１画像に写っている物体の種類として認識した種類が第２車両２００Ｂであるか否かを判定する。ステップＳＴ１２において、第１画像に写っている物体の種類として認識した種類が第２車両２００Ｂでない場合は、判定が否定されて、自動運転制御処理は、図４９に示すステップＳＴ３４へ移行する。ステップＳＴ１２において、第１画像に写っている物体の種類として認識した種類が第２車両２００Ｂである場合は、判定が肯定されて、自動運転制御処理はステップＳＴ１４へ移行する。

　ステップＳＴ１４で、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、要求信号２１２を第２車両２００Ｂの情報処理装置１０に送信する。ステップＳＴ１４の処理が実行された後、自動運転制御処理はステップＳＴ１６へ移行する。

　ステップＳＴ１６で、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、通信Ｉ／Ｆ２０２によって応答信号２１４が受信されたか否かを判定する。ステップＳＴ１６において、通信Ｉ／Ｆ２０２によって応答信号２１４が受信されていない場合は、判定が否定されて、自動運転制御処理はステップＳＴ１８へ移行する。ステップＳＴ１６において、通信Ｉ／Ｆ２０２によって応答信号２１４が受信された場合は、判定が肯定されて、自動運転制御処理はステップＳＴ２０へ移行する。

　ステップＳＴ１８で、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ステップＳＴ１６の処理を実行してから所定時間（例えば、数ミリ秒～数百ミリ秒の範囲内で事前に定められた時間）が経過したか否かを判定する。ステップＳＴ１８において、ステップＳＴ１６の処理を実行してから所定時間が経過していない場合は、判定が否定されて、自動運転制御処理はステップＳＴ１６へ移行する。ステップＳＴ１８において、ステップＳＴ１６の処理を実行してから所定時間が経過した場合は、判定が肯定されて、自動運転制御処理は、図４９に示すステップＳＴ３４へ移行する。

　ステップＳＴ２０で、第１判定部１５Ａは、応答信号２１４から運転中情報２１４Ａを取得する。ステップＳＴ２０の処理が実行された後、自動運転制御処理はステップＳＴ２２へ移行する。

　ステップＳＴ２２で、第１判定部１５Ａは、ラベル情報２１０及び運転中情報２１４Ａを参照して、第１画像に写っている物体の種類として認識した種類が自動運転中の第２車両２００Ｂであるか否かを判定する。ステップＳＴ２２において、第１画像に写っている物体の種類として認識した種類が自動運転中の第２車両２００Ｂでない場合は、判定が否定されて、自動運転制御処理は、図４９に示すステップＳＴ３４へ移行する。ステップＳＴ２２において、第１画像に写っている物体の種類として認識した種類が自動運転中の第２車両２００Ｂである場合は、判定が肯定されて、自動運転制御処理はステップＳＴ２４へ移行する。

　ステップＳＴ２４で、第２判定部１５Ｂは、応答信号２１４から認識情報２１４Ｂを取得する。ステップＳＴ２４の処理が実行された後、自動運転制御処理はステップＳＴ２６へ移行する。

　ステップＳＴ２６で、第２判定部１５Ｂは、認識情報２１４Ｂを参照して、第２車両２００Ｂの情報処理装置１０が第１車両２００Ａを認識しているか否かを判定する。ステップＳＴ２６において、第２車両２００Ｂの情報処理装置１０が第１車両２００Ａを認識していない場合は、判定が否定されて、自動運転制御処理は、図４９に示すステップＳＴ３４へ移行する。ステップＳＴ２６において、第２車両２００Ｂの情報処理装置１０が第１車両２００Ａを認識している場合は、判定が肯定されて、自動運転制御処理はステップＳＴ２８へ移行する。

　ステップＳＴ２８で、第３判定部１５Ｃは、応答信号２１４に含まれる優先順位情報２０９（すなわち、第２車両２００Ｂに付与されている優先順位情報２０９）と第１メモリ２０４に格納されている優先順位情報２０９（すなわち、第１車両２００Ａに付与されている優先順位情報２０９）とを取得する。ステップＳＴ２８の処理が実行された後、自動運転制御処理はステップＳＴ３０へ移行する。

　ステップＳＴ３０で、第３判定部１５Ｃは、第１車両２００Ａに付与されている優先順位情報２０９により示される順位（以下、「第１車両２００Ａの優先順位」とも称する）が第２車両２００Ｂに付与されている優先順位情報２０９により示される順位（以下、「第２車両２００Ｂの優先順位」とも称する）よりも高いか否かを判定する。ステップＳＴ２８において、第１車両２００Ａの優先順位が第２車両２００Ｂの優先順位よりも高くない場合は、判定が否定されて、自動運転制御処理は、図４９に示すステップＳＴ３４へ移行する。ステップＳＴ２８において、第１車両２００Ａの優先順位が第２車両２００Ｂの優先順位よりも高い場合は、判定が肯定されて、自動運転制御処理はステップＳＴ３２へ移行する。

　ステップＳＴ３２で、設定部１５Ｄは、第２メモリ２０６に識別子２１６を格納することにより識別子２１６を設定する。ステップＳＴ３２の処理が実行された後、自動運転制御処理は、図５０に示すステップＳＴ４０へ移行する。

　図４９に示すステップＳＴ３４で、推論部１５Ｅは、センサ情報２１８、対応付け情報２１９、及び未設定情報２２２を深層学習モデル２２６に入力する。ステップＳＴ３４の処理が実行された後、自動運転制御処理はステップＳＴ３６へ移行する。

　ステップＳＴ３６で、推論部１５Ｅは、センサ情報２１８、対応付け情報２１９、及び未設定情報２２２が深層学習モデル２２６に入力されたことに応じて深層学習モデル２２６から出力された第１制御変数２２４を取得する。ステップＳＴ３６の処理が実行された後、自動運転制御処理はステップＳＴ３８へ移行する。

　ステップＳＴ３８で、運転制御部１５Ｇは、第１制御変数２２４に基づいて第１車両２００Ａの自動運転を制御する。ステップＳＴ３８の処理が実行された後、自動運転制御処理は、図５０に示すステップＳＴ５２へ移行する。

　図５０に示すステップＳＴ４０で、推論部１５Ｅは、センサ情報２１８、対応付け情報２１９、及び設定情報２２８を深層学習モデル２２６に入力する。ステップＳＴ４０の処理が実行された後、自動運転制御処理はステップＳＴ４２へ移行する。

　ステップＳＴ４２で、推論部１５Ｅは、推論部１５Ｅは、センサ情報２１８、対応付け情報２１９、及び設定情報２２８が深層学習モデル２２６に入力されたことに応じて深層学習モデル２２６から出力された第１制御変数２２４を取得する。ステップＳＴ４２の処理が実行された後、自動運転制御処理はステップＳＴ４４へ移行する。

　ステップＳＴ４４で、調整部１５Ｆは、応答信号２１４から制御情報２１４Ｃを取得する。ステップＳＴ４４の処理が実行された後、自動運転制御処理はステップＳＴ４６へ移行する。

　ステップＳＴ４６で、調整部１５Ｆは、ステップＳＴ４２で取得された第１制御変数２２４を、ステップＳＴ４４で取得した制御情報２１４Ｃに基づいて調整することより第２制御変数２３０を生成する。ステップＳＴ４６の処理が実行された後、自動運転制御処理はステップＳＴ４８へ移行する。

　ステップＳＴ４８で、運転制御部１５Ｇは、第２制御変数２３０に基づいて第１車両２００Ａの自動運転を制御する。ステップＳＴ４８の処理が実行された後、自動運転制御処理はステップＳＴ５０へ移行する。

　ステップＳＴ５０で、設定部１５Ｄは、識別子２１６を第２メモリ２０６から消去することにより識別子２１６の設定を解除する。ステップＳＴ５０の処理が実行された後、自動運転制御処理はステップＳＴ５２へ移行する。

　ステップＳＴ５２で、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、自動運転制御処理が終了する条件を満足したか否かを判定する。自動運転制御処理が終了する条件の一例としては、第１車両２００Ａの情報処理装置１０に対して、自動運転制御処理を終了させる指示が与えられた、という条件が挙げられる。ステップＳＴ５２において、自動運転制御処理が終了する条件を満足していない場合は、判定が否定されて、自動運転制御処理は、図４８に示すステップＳＴ１０へ移行する。ステップＳＴ５２において、自動運転制御処理が終了する条件を満足した場合は、判定が肯定されて、自動運転制御処理が終了する。

　以上説明したように、本第１９の実施形態では、第１車両２００ＡのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５によって自動運転中の第２車両２００Ｂが認識され、かつ、第２車両２００ＢのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５によって第１車両２００Ａが認識された場合に、設定部１５Ｄによって識別子２１６が設定される。これにより、第１車両２００Ａが周囲の自動運転中の第２車両２００Ｂを認識した場合に、自動運転中の第２車両２００Ｂが第１車両２００Ａを認識している場合と自動運転中の第２車両２００Ｂが第１車両２００Ａを認識していない場合とで第１車両２００Ａの挙動を変えることに寄与することができる。

　また、本第１９の実施形態では、識別子２１６が設定されていることを条件に、自動運転中の第２車両２００Ｂの挙動に基づいて第１車両２００Ａの自動運転が制御される。従って、第１車両２００Ａが周囲の自動運転中の第２車両２００Ｂを認識した場合に、自動運転中の第２車両２００Ｂが第１車両２００Ａを認識している場合と自動運転中の第２車両２００Ｂが第１車両２００Ａを認識していない場合とで第１車両２００Ａの挙動を変えることができる。

　また、本第１９の実施形態では、第１車両２００ＡのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５によって制御情報２１４Ｃに基づいて第１車両２００Ａの自動運転が制御される。制御情報２１４Ｃは、第２車両２００ＢのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５が第２車両２００Ｂの自動運転を制御する情報である。従って、第１車両２００ＡのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５は、制御情報２１４Ｃを用いずに第１車両２００Ａの自動運転が制御される場合に比べ、自動運転中の第２車両２００Ｂの挙動を高精度に予測した上で第１車両２００Ａの自動運転を制御することができる。

　また、本第１９の実施形態では、第１車両２００Ａの優先順位が第２車両２００Ｂの優先順位よりも高いことを条件に、第１車両２００ＡのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５によって制御情報２１４Ｃが取得され、制御情報２１４Ｃに基づいて第１車両２００Ａの自動運転が制御される。これにより、第２車両２００ＢのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５によって、第１制御変数２２４の調整、及び、第２制御変数２３０（図４６参照）に基づく自動運転の制御が行われないようにすることができる。

　このように、第２車両２００ＢのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５によって不要な処理（例えば、第１制御変数２２４の調整、及び、第２制御変数２３０（図４６参照）に基づく自動運転の制御）は行われないので、第２車両２００ＢのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５の処理負荷を軽減することができる。

　また、図４７に示すように、第１車両２００Ａと第２車両２００Ｂとが対峙した状態で互いに直進している場合、第２車両２００Ｂは、第１制御変数２２４と同様の要領で得られる制御変数に基づいて自動運転が制御されるので、進路が変更される。これに対して、第１車両２００Ａは、第２制御変数２３０に基づく自動運転の制御により、進路を変更せずに直進する。これにより、第１車両２００Ａは、無駄な進路変更をせずに第２車両２００Ｂとの接触（図４７に示す例では、正面衝突）を回避することができる。また、第１車両２００Ａが無駄な進路変更をせずに直進するため、第１車両２００Ａに対する後続車両及び／又は並走車両の走行を妨げないようにすることができる。

　なお、上記第１９の実施形態では、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５が、第１判定部１５Ａ、第２判定部１５Ｂ、第３判定部１５Ｃ、設定部１５Ｄ、推論部１５Ｅ、調整部１５Ｆ、及び運転制御部１５Ｇとして動作する形態例を挙げたが、本開示はこれに限定されない。例えば、図５１に示すように、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、更に報知制御部１５Ｈとして動作するようにしてもよい。例えば、この場合、報知制御部１５Ｈは、設定部１５Ｄによって識別子２１６が設定されたことを条件に、第２車両２００ＢのＣｅｎｔｒａｌ　Ｂｒａｉｎによって第１車両２００Ａが認識されていることを報知装置２３２に対して報知させる。

　報知装置２３２の第１例としては、ディスプレイ２３２Ａが挙げられる。この場合、報知制御部１５Ｈは、第２車両２００ＢのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５によって第１車両２００Ａが認識されていることを示すメッセージ２３４及び／又はマーク等の可視情報をディスプレイ２３２Ａの画面に表示する。報知装置２３２の第２例としては、スピーカを含めた音声再生装置２３２Ｂが挙げられる。この場合、報知制御部１５Ｈは、第２車両２００ＢのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５によって第１車両２００Ａが認識されていることを示す音声を音声再生装置２３２Ｂに対して再生させる。なお、ディスプレイ２３２Ａ及び音声再生装置２３２Ｂは、あくまでも一例に過ぎず、第２車両２００ＢのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５によって第１車両２００Ａが認識されていることを示す情報を第１車両２００Ａの運転手等に対して知覚させることが可能な装置であれば如何なる装置であってもよい。

　このように、設定部１５Ｄによって識別子２１６が設定されたことを条件に、第２車両２００ＢのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５によって第１車両２００Ａが認識されていることが報知されることにより、第１車両２００Ａの運転手等は、第２車両２００ＢのＣｅｎｔｒａｌ　Ｂｒａｉｎによって第１車両２００Ａが認識されていることに気付くことができる。この結果、例えば、第２車両２００Ｂが第１車両２００Ａを認識しているか否かによって、第１車両２００Ａの運転手は、第１車両２００Ａの運転方法を変えたり、第２車両２００Ｂに対する意識の持ち方を変えたりすることができる。

　また、上記第１９の実施形態では、設定部１５Ｄによって識別子２１６が設定される条件として、第１車両２００ＡのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５によって自動運転中の第２車両２００Ｂが認識されているという第１条件、及び、第２車両２００ＢのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５によって第１車両２００Ａが認識されているという第２条件を挙げたが、本開示はこれに限定されない。例えば、第１条件及び第２条件に加え、以下に示す第３条件を満たした場合に、設定部１５Ｄによって識別子２１６が設定されるようにしてもよい。第３条件とは、対応付け情報２１９に基づいて第１車両２００Ａの自動運転が制御されるのと同様の要領（例えば、図４５及び図４６に示す例と同様の要領）で、第２車両２００ＢのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５が第２車両側対応付け情報に基づいて第２車両２００Ｂの自動運転を制御する制御処理が行っているという条件を指す。

　このように、第１～第３条件を満たした場合に識別子２１６が設定されるようにすることで、第１条件及び第２条件のみを満たした場合に識別子２１６が設定される場合よりも識別子２１６が設定される頻度を抑えることができる。この結果、例えば、調整部１５Ｆによる処理（図４６参照）が行われる頻度が抑えられるので、第１車両２００ＡのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５にかかる演算負荷を軽減することができる。

　上記第１９の実施形態では、第１条件及び第２条件を満たした場合に識別子２１６が設定される形態例を挙げたが、本開示はこれに限定されない。例えば、自動運転中であるか否かに関わらず第２車両２００Ｂが認識され、かつ、第２車両２００ＢのＣｅｎｔｒａｌ　Ｂｒａｉｎ１５によって第１車両２００Ａが認識された場合に、識別子２１６が設定されるようにしてもよい。これにより、第１車両２００Ａが周囲の第２車両２００Ｂを認識した場合に、第２車両２００Ｂが第１車両２００Ａを認識している場合と第２車両２００Ｂが第１車両２００Ａを認識していない場合とで第１車両２００Ａの挙動を変えることに寄与することができる。

　上記第１９の実施形態では、調整部１５Ｆによって制御情報２１４Ｃに基づいて第１制御変数２２４が調整されることで第２制御変数２３０が生成される形態例を挙げたが、本開示はこれに限定されない。例えば、センサ情報２１８、対応付け情報２１９、設定情報２２８、及び制御情報２１４Ｃを入力とし、第２制御変数２２４を出力とするようにニューラルネットワークに対して深層学習が行われることによってニューラルネットワークが最適化されて得られた深層学習モデルを用いて第２制御変数２２４が得られるようにしてもよい。このようにすれば、調整部１５Ｆは不要となる。

　上記第１９の実施形態では、ＩＰＵ１１によって物体の認識が行われてラベル情報２１０が生成されることを前提として説明したが、本開示はこれに限定されず、ＩＰＵ１１以外の少なくとも１つのプロセッサ（例えば、ＭｏＰＵ１２、ＧＮＰＵ１３、及び／又はＣＰＵ１４）によって物体の認識が行われてラベル情報２１０が生成されるようにしてもよい。

　上記第１９の実施形態では、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５によって自動運転制御処理が行われる形態例を挙げたが、本開示はこれに限定されず、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５以外の少なくとも１つのプロセッサ（例えば、ＩＰＵ１１、ＭｏＰＵ１２、及び／又は、車両２００以外の場所に存在するプロセッサ等）が自動運転制御処理を行うようにしてもよいし、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５と少なくとも１つのプロセッサとが自動運転制御処理を分散して行うようにしてもよい。

　上記第１９の実施形態では、車両２００に情報処理装置１０が搭載されている形態例を挙げて説明したが、本開示はこれに限定されない。情報処理装置１０は、車両２００以外の場所に設けられた外部装置（例えば、サーバ）であってもよく、外部装置によって自動運転制御処理が行われた結果に従って車両２００の自動運転が制御されるようにしてもよい。

　上記第１９の実施形態では、車両２００を例示したが、本開示の技術は、車両２００以外の移動体（例えば、航空機又は船舶等）に対しても適用可能である。

　（第２０の実施形態）
　次に、本実施形態に係る第２０の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。

＜第２０の実施形態＞
　上記したように、高解像度カメラ（ＩＰＵ１１）は、捉えた物体が何なのかを認識するために必要な画像情報を取得する役割を担い、ＭｏＰＵ１２は、物体の動きを検出する役割を担う。図５２Ａは、ＩＰＵ１１が搭載された高解像度カメラ（図示せず）によって撮像された高解像度画像に基づいて行われる物体認識の態様の一例を示す図である。ＩＰＵ１１は、高解像度カメラによって撮像された高解像度画像について所定の画像処理を行い、処理された物体の画像を、例えば１０フレーム／秒のフレームレート且つ１２００万画素の解像度で出力する。ＩＰＵ１１から出力された高解像度画像は、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５に順次供給される。Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ＩＰＵ１１から１０フレーム／秒で出力される高解像度画像の各々について、その画像に含まれる物体を認識し、その物体の種別を示すラベル情報を導出する。画像に複数の物体が含まれている場合、複数の物体の各々についてラベル情報が導出される。図５２Ａには、ＩＰＵ１１から出力される高解像度画像１０１Ａから道路上に位置する物体Ｂ１１～Ｂ１４が抽出され、物体Ｂ１１～Ｂ１４の各々についてラベル情報が付与されている様子が示されている。なお、ラベル情報を導出する処理をＩＰＵ１１が行ってもよい。

　図５２Ｂは、ＭｏＰＵ１２が搭載されたカメラ（図示せず）によって撮像された画像に基づいて行われる物体の特徴点の抽出の態様の一例を示す図である。なお、図５２Ｂに示す特徴点の抽出に用いられる画像１０１Ｂは、図５２Ａに示す高解像度画像１０１Ａと同じタイミングで撮像されたものである。

　ＭｏＰＵ１２が搭載されたカメラは、ＩＰＵ１１から出力される高解像度画像のフレームレート（例えば１０フレーム／秒）よりも高いフレームレート（例えば１９２０フレーム／秒）による撮影が可能である。ＭｏＰＵ１２は、撮像された物体の画像からその物体の存在位置を示す特徴点を抽出し、抽出した特徴点の座標値（Ｘ，Ｙ）を例えば１９２０フレーム／秒のフレームレートで出力する。物体の存在位置を示す特徴点の座標値は、開示の技術における「位置情報」の一例である。

　図５２Ｂには、ＭｏＰＵ１２が搭載されたカメラによって撮像された画像１０１Ｂから道路上に位置する物体Ｂ１１～Ｂ１４が抽出され、物体Ｂ１１～Ｂ１４の各々について特徴点Ｑ１～Ｑ４の座標値（Ｘｎ，Ｙｎ）が出力されている様子が示されている。図５２Ｂに示す物体Ｂ１１～Ｂ１４は、それぞれ図５２Ａに示す物体Ｂ１１～Ｂ１４と同じ物体である。ＭｏＰＵ１２による処理対象の画像１０１Ｂは、ＩＰＵ１１における高解像度画像１０１Ａよりも解像度が低くてもよい。

　ＭｏＰＵ１２は、画像から抽出した物体の中心点（重心点）を特徴点として出力する。なお、特徴点は、物体を疑似的に囲む矩形の対角頂点２点であってもよい。また物体を一定の大きさを持つオブジェとして捉える場合は、カメラによって撮影された画像から認識した物体の輪郭を囲む四角形の頂点の少なくとも対角となる２つの座標点だけである必要はなく、輪郭を含む複数の座標点を抽出しても良い。１９２０フレーム／秒で出力される特徴点の座標値の時系列は、当該物体の動き情報に相当する。

　ＭｏＰＵ１２から出力される特徴点の座標値は、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５に順次供給される。Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は、ＭｏＰＵ１２からの特徴点の座標値と、ＩＰＵ１１からの高解像度画像に基づいて導出したラベル情報との対応付けを行う。

　以上説明したように、開示の技術の第２０の実施形態に係る情報処理装置は、少なくとも１つのプロセッサ（ＩＰＵ１１、ＭｏＰＵ１２及びＣｅｎｔｒａｌ　Ｂｒａｉｎ１５）を含む。いずれかのプロセッサは、撮像された物体の画像を、第１のフレームレート（例えば１０フレーム／秒）で出力する。いずれかのプロセッサは、第１のフレームレートで出力される画像の各々について、その画像に含まれる物体の種別を示すラベル情報を導出する。いずれかのプロセッサは、撮像された物体の画像からその物体の存在位置を示す位置情報（特徴点の座標値）を、第１のフレームレートよりも高い第２のフレームレート（例えば１９２０フレーム／秒）で出力する。いずれかのプロセッサは、第２のフレームレートで順次出力される位置情報（特徴点の座標値）のうち、第１のフレームレートで出力される画像の出力タイミングに対応する各時点（時刻ｔ１、ｔ２）における位置情報と、その位置情報に対応する物体と同一の物体について導出されたラベル情報とを対応付ける。

　いずれかのプロセッサは、第２のフレームレートで出力される位置情報（特徴点の座標値）のうち、第１のフレームレートで出力される画像の出力タイミング（時刻ｔ１、ｔ２）に対応しない各時点（すなわち、時刻ｔ１より後から時刻ｔ２までの期間）における位置情報については、当該位置情報について直前に対応付けられたラベル情報（時刻ｔ１の画像に基づくラベル情報）を対応付ける。

　車両の自動運転において、事故発生のリスクを抑制するためには、自車両の周囲に存在する物体の動きを、高い時間分解能で認識することが重要である。物体の動きの高時間分解能での認識は、ＭｏＰＵ１２が、物体の特徴点の座標値を例えば１９２０フレーム／秒で取得することで実現される。物体の特徴点からは、その物体が何であるかを把握することはできないが、物体との衝突を回避する目的の下では、その物体の動きを高時間分可能で認識することの方が、その物体が何であるかを認識することよりも重要である。

　その物体が何であるかを認識は、ＩＰＵ１１からの高解像度画像に基づいてラベル情報を導出することにより実現される。物体の特徴点の座標値と、その物体のラベル情報とを対応付けることで、その物体が何であるかを認識するとともにその物体の動きを認識することが可能となる。

　ＩＰＵ１１とＭｏＰＵ１２の出力のフレームレート差に起因して、特徴点の座標値（位置情報）と同じタイミングでラベル情報は取得されない。このため特徴点とラベル情報との対応付けは、１９２０フレーム／秒のフレームレートで順次出力される特徴点のうち、１０フレーム／秒のフレームレートで出力される高解像度画像の出力タイミングに対応する各時点における特徴点についてのみ行われる。具体的には、５７６フレームの特徴点のうちの２つについて、ラベル情報が対応付けられる。このように、本実施形態に係る情報処理装置によれば、特徴点とラベル情報との対応付けが離散的となる。これにより、動きを追跡している物体の種別が不確定な期間が生じることになる。種別が不確定な物体であっても、その物体の動きを高フレームレートで追跡することは、事故発生のリスクを抑制するためには重要である。また、特徴点は高フレームレートで継続的に抽出されるので、抽出された特徴点を見失うリスクは低い。このため、特徴点とラベル情報との対応付けが１度行われた場合には、その後のタイミングで抽出される特徴点については、同じラベル情報を推定的に付与することが可能である。なお、本実施形態では、特徴点とラベル情報との対応付けをＣｅｎｔｒａｌ　Ｂｒａｉｎ１５が行う場合を例示したが、情報処理装置が備える他のプロセッサが特徴点とラベル情報との対応付けを行ってもよい。またＺ軸方向のｚ座標については特に言及はしていないが、特徴点のｘ座標、ｙ座標に対応するｚ座標についても当然に種々の方法で取得されていてよい。

　（第２１の実施形態）
　次に、本実施形態に係る第２１の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。

　一例として、第２１の実施形態に係る情報処理装置１０は、第９の実施形態と同様の図１１に示す構成を備えている。ＩＰＵ１１は、高解像度カメラによって撮像された高解像度画像から物体を検知し、物体の種別を表すラベル情報を出力する。また、特徴点は、物体を疑似的に囲む矩形の対角頂点２点であってもよい。

　本実施形態では、１つのＭｏＰＵ１２を用いる想定であり、１つのＭｏＰＵ１２を用いた場合には、物体の存在位置を示す点の、三次元直交座標系における２つの座標軸（Ｘ軸及びＹ軸）の各々に沿った動きのベクトル情報を取得することが可能である。そのため、３次元空間上の奥行き方向として検知されたＺ軸は、Ｌｉｄａｒセンサ１８により取得した点群データから抽出し、Ｘ軸及びＹ軸と統合する。これにより、ＭｏＰＵ１２は、ステレオカメラの原理を利用して、物体の存在位置を示す点の、三次元直交座標系における３つの座標軸（Ｘ軸、Ｙ軸、Ｚ軸）の各々に沿った動きのベクトル情報を出力する。Ｚ軸は、奥行き方法（車両の走行）に沿った軸である。なお、本実施形態では、時刻ｔの次の時刻（例えばｔ＋１）におけるＺ軸情報は形状情報、すなわちジオメトリを用いて更新する。ＭｏＰＵ１２の構成の詳細については後述する。

　Ｌｉｄａｒセンサ１８は、３次元空間に存在する物体や走行中の路面を含む点群データを取得する。Ｌｉｄａｒセンサ１８により取得した点群データを用いることにより、物体の高精度なＺ軸情報を抽出できるが、平面座標（Ｘ軸、Ｙ軸）よりも取得に時間を要する。Ｌｉｄａｒセンサ１８において、点群データは、ＭｏＰＵ１２で取得される平面座標より長い取得間隔で取得されることを想定する。

［ＭｏＰＵ１２の機能的な構成］
　図５３は、ＭｏＰＵ１２の機能的な構成を含むブロック図である。図５３に示されているように、ＭｏＰＵ１２は、カメラ３０と、レーダー３２と、赤外線カメラ３４と、抽出部３５と、統合部３６と、推定部３７と、更新部３８とを備えている。レーダー３２は、レーダー信号を検知する。赤外線カメラ３４は、赤外線画像を取得する。なお、抽出部３５、統合部３６、推定部３７、及び更新部３８がＭｏＰＵ１２に含まれる場合を例に説明するが、これに限定されるものではなく、情報処理装置１０内のコア１２Ｘや他の装置に含める構成としてもよい。

　図１２Ａは、物体の時系列における座標検出を模式的に示す図である。図１２ＡにおいてＪは矩形で表された物体の位置を示し、物体の位置はＪ１からＪ２に時系列に移動している。物体は、平面座標の移動と共に奥行き方向に移動しているため、Ｚ軸方向の移動も検知する必要がある。もっとも、Ｌｉｄａｒセンサ１８の点群データから検知するＺ軸情報は、ＭｏＰＵ１２による平面座標ほど高速に取得できない場合がある。そのため本実施形態では、時刻ｔ＋１のＺ軸情報を、ＩＰＵ１１の高解像度カメラの画像、及びＬｉｄａｒセンサ１８の点群データから路面のジオメトリを推定し、補完する。時刻ｔ＋１の奥行き情報のｚ２は、路面に乗っている物体、すなわち車両のジオメトリを利用すること推定できる。ｚ２は、抽出した平面座標（ｘ１，ｙ１）が（ｘ２，ｙ２）に移動した場合の変化から、ｚ１からｚ２へのＺ軸の移動量を計算することにより、推定される。このようにして、ＭｏＰＵ１２により高速フレームショットによる２次元の動き検知と共に、３次元の動き検知が、高性能、かつ、低用量のデータで実現できる。

　抽出部３５は、物体が写る画像から物体の２次元空間上の存在位置を示す平面座標（Ｘｎ，Ｙｎ）を抽出する。平面座標におけるｎは各時刻の系列として表され、例えば、時刻ｔ＝１の場合を平面座標（Ｘ１，Ｙ１）、次の時刻ｔ＋１の場合を平面座標（Ｘ２，Ｙ２）と表す。時刻ｔ又は次の時刻ｔ＋１で表される。なお、次の時刻ｔ＋１は一例であり、時刻ｔに任意の時間ｍだけ進んだ時刻ｔ＋ｍを、時刻ｔの次の時刻としてもよい。時刻ｔの平面座標（Ｘ１，Ｙ１）が、本開示の第１平面座標の一例であり、次の時刻ｔ＋１（ｔ＋ｍ）の平面座標（Ｘ２，Ｙ２）が本開示の第２平面座標の一例である。抽出部３５は、カメラ３０が撮像した１フレームの画像ごとに特徴点を抽出し、画像から抽出した物体の中心点（重心点）について、平面座標（Ｘｎ，Ｙｎ）を、特徴点として出力する。Ｘｎ及びＹｎは、時系列の各時刻における座標値である。なお、特徴点は、物体を疑似的に囲む矩形の対角頂点２点であってもよい。また一定の大きさを持つオブジェとして捉える場合は、カメラ３０によって撮影された画像から認識した物体の輪郭を囲む四角形の頂点の少なくとも対角となる２つの座標点だけである必要はなく、輪郭を含む複数の座標点を抽出してもよい。

　統合部３６は、Ｌｉｄａｒセンサ１８から取得した点群データから、時刻ｔにおける物体の奥行き情報であるＺ軸情報（Ｚ１）を検知する。統合部３６は、平面座標（Ｘ１，Ｙ１）と検知したＺ軸情報（Ｚ１）とを統合し、時刻ｔにおける物体の３次元座標（Ｘ１，Ｙ１，Ｚ１）を生成する。なお、Ｚ軸情報の検知は、Ｌｉｄａｒセンサ１８で行ってもよい。時刻ｔのＺ軸情報（Ｚ１）が本開示の第１奥行き情報の一例である。

　推定部３７は、物体が存在する空間のジオメトリと、時刻ｔの平面座標（Ｘ１，Ｙ１）から時刻ｔ＋１の平面座標（Ｘ２，Ｙ２）への変化とに基づいて、時刻ｔ＋１に対応するＺ軸情報（Ｚ２）を推定する。空間のジオメトリには、ＩＰＵ１１の高解像度カメラにより取得した画像及びＬｉｄａｒセンサ１８が検出した点群データから得られる路面の形状と、予め設定された物体の形状が含まれる。形状を設定する対象の物体は、情報処理装置１０が積載された物体である車両である。路面の形状を示すジオメトリは、時刻ｔの時点であらかじめ生成しておく。路面のジオメトリと合わせて車両のジオメトリを利用することで、路面上を車両が走行する場合をシミュレーションでき、Ｘ軸、Ｙ、及びＺ軸の各軸の移動量が推定できる。そのため、推定部３７は、平面座標（Ｘ１，Ｙ１）から平面座標（Ｘ２，Ｙ２）に変化したときの奥行き方向の移動量をシミュレーションから計算することで、時刻ｔ＋１に対応するＺ軸情報（Ｚ２）を推定できる。時刻ｔ＋１のＺ軸情報（Ｚ２）が本開示の第２奥行き情報の一例である。

　更新部３８は、時刻ｔ＋１の平面座標（Ｘ２，Ｙ２）と、推定されたＺ軸情報（Ｚ２）とを統合し、時刻ｔ＋１における物体の３次元座標（Ｘ２，Ｙ２、Ｚ２）を更新する。なお、物体の移動後の次の時刻ｔ＋１の平面座標（Ｘ２，Ｙ２）を抽出した場合に、時刻ｔ＋１に対応する点群データから得られるＺ軸情報（Ｚ２）を取得できていない場合に、Ｚ軸情報（Ｚ２）の推定、及び３次元座標の更新を実行するようにしてもよい。

　以上のようにして、ＭｏＰＵ１２は、時系列に得られる３次元座標（Ｘｎ，Ｙｎ，Ｚｎ）を特徴点の座標としてコア１２Ｘに出力する。具体的には、ＭｏＰＵ１２は、１つの物体から抽出された特徴点の座標値（Ｘｎ，Ｙｎ，Ｚｎ）を出力する。なお、例えば、複数の物体（例えば、物体Ａ、物体Ｂ、及び物体Ｃ等）が１つの画像に写っている場合には、ＭｏＰＵ１２Ｌは、それら複数の物体の各々から抽出された特徴点の座標値（Ｘｎ，Ｙｎ，Ｚｎ）を出力するようにしてもよい。各時刻に撮像された画像の特徴点の系列は、物体の動き情報に相当する。

（処理の流れ）
　情報処理装置１０におけるＭｏＰＵ１２は、図５４に示されているフローチャートを実行する。ＭｏＰＵ１２は、例えば、カメラ３０において画像を取得する周期又は当該周期に応じた所定の時間間隔において、フローチャートの一連の処理を実行する。

　ステップＳ５００において、抽出部３５は、時刻ｔにおける物体が写る画像から物体の２次元空間上の存在位置を示す平面座標（Ｘ１，Ｙ１）を抽出する。

　ステップＳ５０２において、統合部３６は、Ｌｉｄａｒセンサ１８から取得した点群データから、時刻ｔにおける物体の奥行き情報であるＺ軸情報（Ｚ１）を検知する。

　ステップＳ５０４において、統合部３６は、平面座標（Ｘ１，Ｙ１）と検知したＺ軸情報（Ｚ１）とを統合し、時刻ｔにおける物体の３次元座標（Ｘ１，Ｙ１，Ｚ１）を生成する。

　ステップＳ５０６において、抽出部３５は、次の時刻ｔ＋１における平面座標（Ｘ２，Ｙ２）を抽出する。

　ステップＳ５０８において、推定部３７は、物体が存在する空間のジオメトリと、時刻ｔの平面座標（Ｘ１，Ｙ１）から時刻ｔ＋１の平面座標（Ｘ２，Ｙ２）への変化とに基づいて、時刻ｔ＋１に対応するＺ軸情報（Ｚ２）を推定する。

　ステップＳ５１０において、更新部３８は、時刻ｔ＋１の平面座標（Ｘ２，Ｙ２）と、推定されたＺ軸情報（Ｚ２）とを統合し、時刻ｔ＋１における物体の３次元座標（Ｘ２，Ｙ２、Ｚ２）を更新する。

　以上が、ＭｏＰＵ１２が時系列における３次元座標（Ｘｎ，Ｙｎ，Ｚｎ）を出力するために実行する処理の流れである。
（他の変形例）
　また、以上の説明では、ＭｏＰＵ１２が、物体の中心点の動きを示す動き情報を出力する形態を例示した。しかしながら、開示の技術はこの態様に限定されない。ＭｏＰＵ１２は、カメラ３０によって撮影された画像から認識した物体の輪郭を囲む四角形（バウンディングボックス）の頂点の少なくとも対角となる２つの座標点について動き情報を出力してもよい。このように、物体の存在位置を示す座標に対応する点を物体の輪郭を表すバウンディングボックスの頂点における複数の点の各々とする。この場合、抽出部３５は、点の各々について、当該点の時刻ｔの平面座標（Ｘ１，Ｙ１）及び時刻ｔ＋１の平面座標（Ｘ２，Ｙ２）を抽出する。統合部３６は、点の各々について、当該点の物体の時刻ｔの３次元座標（Ｘ１，Ｙ１，Ｚ１）を生成する。推定部３７は、点の各々について、当該点の時刻ｔ＋１のＺ軸情報（Ｚ２）を推定する。更新部３８は、点の各々について、当該点の物体の時刻ｔ＋１３次元座標（Ｘ２，Ｙ２，Ｚ２）を更新する。

　（第２２の実施形態）
　次に、本実施形態に係る第２２の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。

　第２２の実施形態は、車両の前後にＩＰＵ１１及びＭｏＰＵ１２を設けた点で、第１３の実施形態のＳｍａｒｔＣａｒと異なる。以下、第１３の実施形態との相違点について説明する。なお、同一の構成には同一の符号を付しており、詳細な説明については割愛する。

　図５５に示されるように、車両１には、車両前方を監視する前方ＩＰＵ１１Ｆｒ及び前方ＭｏＰＵユニット１２Ｆｒと、車両後方を監視する後方ＩＰＵ１１Ｒｒ及び後方ＭｏＰＵユニット１２Ｒｒと、が設けられている。前方ＭｏＰＵユニット１２Ｆｒは、開示の技術における「第１のカメラユニット」の一例であり、後方ＭｏＰＵユニット１２Ｒｒは、開示の技術における「第２のカメラユニット」の一例である。

　前方ＩＰＵ１１Ｆｒでは高解像度カメラ（図示省略）が車両前方に向けられており、後方ＩＰＵ１１Ｒｒでは高解像度カメラ（図示省略）が車両後方に向けられている。また、前方ＭｏＰＵユニット１２Ｆｒでは、カメラ３１３Ｌ、レーダー３２Ｌ及び赤外線カメラ３４Ｌが車両前方に向けられており、後方ＭｏＰＵユニット１２Ｒｒでは、カメラ３１３Ｌ、レーダー３２Ｌ及び赤外線カメラ３４Ｌが車両後方に向けられている。

　図５６は、車両１に搭載される、第２２の実施形態に係る情報処理装置２２０のブロック図である。図５６に示されるように、前方ＭｏＰＵユニット１２Ｆｒ及び後方ＭｏＰＵユニット１２Ｒｒは、それぞれ左側の目に相当するＭｏＰＵ１２Ｌと、右側の目に相当するＭｏＰＵ１２Ｒと、を備えている。また、前方ＭｏＰＵユニット１２Ｆｒのコア１２Ｘと、後方ＭｏＰＵユニット１２Ｒｒのコア１２Ｘとは、互いに通信可能に接続されている。さらに、前方ＭｏＰＵユニット１２Ｆｒのコア１２Ｘ、及び、後方ＭｏＰＵユニット１２Ｒｒのコア１２Ｘは、それぞれ、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５に対して接続されている。

　本実施形態の情報処理装置２２０では、前方ＩＰＵ１１Ｆｒ及び前方ＭｏＰＵユニット１２Ｆｒにより車両前方の特徴点の座標及び対象物のラベル情報を取得し、後方ＩＰＵ１１Ｒｒ及び後方ＭｏＰＵユニット１２Ｒｒにより車両後方の特徴点の座標及び対象物のラベル情報を取得する。これにより、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５は車両１を制御する。なお、前方ＭｏＰＵユニット１２Ｆｒ及び後方ＭｏＰＵユニット１２Ｒｒでは共通の座標軸（ｘ軸、ｙ軸、ｚ軸）に基づいて特徴点の座標値（Ｘｎ，Ｙｎ，Ｚｎ）が得られるように構成されている。これにより、本実施形態のＣｅｎｔｒａｌ　Ｂｒａｉｎ１５は、車両１の停車中や走行中において、後方から接近する物体に対しても、精度よく車両制御を行うことができる。つまり、自動運転機能を有する車両において、車両前方のみを監視する場合に比べて、車両後方から接近する物体に対する回避動作が改善される。

（警戒状態に応じたフレームレートの変更）
　情報処理装置２２０は、前方ＭｏＰＵユニット１２Ｆｒ及び後方ＭｏＰＵユニット１２Ｒｒの一方の検知状況に基づいて、前方ＭｏＰＵユニット１２Ｆｒ及び後方ＭｏＰＵユニット１２Ｒｒの他方のカメラのフレームレートが変更される。

　具体的に、前方ＭｏＰＵユニット１２Ｆｒ及び後方ＭｏＰＵユニット１２Ｒｒは、車両１に対して所定値以上の速度で接近する物体があり、警戒状態と判定した場合、通常は２４０フレーム／秒以下であるカメラ３１３Ｌ，３１３Ｒのフレームレートを、９６０フレーム／秒以上に上げる。つまり、前方ＭｏＰＵユニット１２Ｆｒ及び後方ＭｏＰＵユニット１２Ｒｒは、車両１に対する前方又は後方の物体の相対的な速度が予め設定した閾値を超えた場合にフレームレートを変更するように構成されている。以下、本実施形態のフレームレートを変更するレート変更処理を、図５７を用いて説明する。なお、図５７は前方ＭｏＰＵユニット１２Ｆｒにおける処理の例である。

　図５７のステップＳ６００において、前方ＭｏＰＵユニット１２Ｆｒのコア１２Ｘは、前方ＭｏＰＵユニット１２Ｆｒにおける特徴点の座標及び対象物のラベル情報を取得する。

　ステップＳ６０２において、前方ＭｏＰＵユニット１２Ｆｒのコア１２Ｘは、後方ＭｏＰＵユニット１２Ｒｒにおける特徴点のベクトル情報及び対象物のラベル情報を取得する。

　ステップＳ６０４において、前方ＭｏＰＵユニット１２Ｆｒのコア１２Ｘは、取得した情報に基づいて警戒状態についての判定処理を実行する。例えば、車両１に対する後方の物体の相対的な速度が予め設定した閾値を超えた場合に警戒状態が開始される。また例えば、前方や後方に存在している警戒対象の物体が車両１から遠ざかる、居なくなる等した場合に警戒状態が終了される。

　ステップＳ６０６において、前方ＭｏＰＵユニット１２Ｆｒのコア１２Ｘは、警戒状態が開始したか否かを判定する。コア１２Ｘは、警戒状態が開始したと判定した場合（ステップＳ６０６でＹＥＳの場合）、ステップＳ６０８に進む。一方、コア１２Ｘは、警戒状態が開始していないと判定した場合（ステップＳ６０６でＮＯの場合）、ステップＳ６００に戻る。

　ステップＳ６０８において、前方ＭｏＰＵユニット１２Ｆｒのコア１２Ｘは、前方ＭｏＰＵユニット１２Ｆｒにおけるカメラ３１３Ｌ，３１３Ｒのフレームレートを高い状態に設定する。

　ステップＳ６１０において、前方ＭｏＰＵユニット１２Ｆｒのコア１２Ｘは、警戒状態が終了したか否かを判定する。コア１２Ｘは、警戒状態が終了したと判定した場合（ステップＳ６１０でＹＥＳの場合）、ステップＳ６１２に進む。一方、コア１２Ｘは、警戒状態が終了していないと判定した場合（ステップＳ６１０でＮＯの場合）、ステップＳ６００に戻る。

　ステップＳ６１２において、前方ＭｏＰＵユニット１２Ｆｒのコア１２Ｘは、前方ＭｏＰＵユニット１２Ｆｒにおけるカメラ３１３Ｌ，３１３Ｒのフレームレートを低い状態に設定する。そして、ステップＳ６００に戻る。

　以上、本実施形態のレート変更処理によれば、以下の態様に対応することができる。例えば、車両前方においては車両１に接近する物体が存在せず、車両後方から車両１をふらつきながら追い越すような二輪車や動物等が現れたとする。この場合、前方ＭｏＰＵユニット１２Ｆｒでは、処理負荷軽減のためにフレームレートを下げていたとしても、後方ＭｏＰＵユニット１２Ｒｒにおける物体の接近検知に基づいて、フレームレートを上げることができる。これにより、物体が車両１を追い越してからは、前方ＭｏＰＵユニット１２Ｆｒにより、精度のよい監視が可能となる。

　なお、上記の実施形態では、警戒状態が開始されると、フレームレートが低い状態から高い状態に変更されるが、一気に変更されるのではなく、段階的にフレームレートが高くなるように構成してもよい。例えば、通常は２４０フレーム／秒の場合に、警戒状態が開始されると、まずは、フレームレートを９６０フレーム/秒にし、警戒状態が所定時間（例えば１秒間）継続するとフレームレートを１９２０フレーム/秒にするように構成してもよい。このような、フレームレートの段階的な上昇は２段階に限らず、カメラ３１３Ｌ，３１３Ｒが有するフレームレートの数に合わせて、設定することができる。また、フレームレートを上げる場合に限らず、下げる場合においても警戒状態に応じて段階的に下げてもよい。

（対象物ラベルの引継ぎ）
　本実施形態の情報処理装置２２０は、前方ＭｏＰＵユニット１２Ｆｒ及び後方ＭｏＰＵユニット１２Ｒｒの一方において、生成された対象物のラベル情報を前方ＭｏＰＵユニット１２Ｆｒ及び後方ＭｏＰＵユニット１２Ｒｒの他方に提供することができる。

　例えば、図５８に示されるように、前方ＭｏＰＵユニット１２Ｆｒ及び後方ＭｏＰＵユニット１２Ｒｒのカメラ３１３Ｌ，３１３Ｒの視野角Ｍがそれぞれ１８０度であるとする。これに対して、前方ＩＰＵ１１Ｆｒ及び後方ＩＰＵ１１Ｒｒの高解像度カメラの視野角Ｖがカメラ３１３Ｌ，３１３Ｒの視野角Ｍよりも狭いとする。この場合、ＩＰＵ１１の高解像度カメラが撮像できない視野外周部の物体については、ＭｏＰＵ１２により座標値が取得できたとしても対象物のラベル情報が付与されない。そこで、図５９の引継ぎ処理により、前方ＭｏＰＵユニット１２Ｆｒ及び後方ＭｏＰＵユニット１２Ｒｒの一方において、すでに生成されている対象物のラベル情報を前方ＭｏＰＵユニット１２Ｆｒ及び後方ＭｏＰＵユニット１２Ｒｒの他方に提供することができる。なお、図５９は前方ＭｏＰＵユニット１２Ｆｒにおける処理の例である。

　図５９のステップＳ７００において、前方ＭｏＰＵユニット１２Ｆｒのコア１２Ｘは、前方ＭｏＰＵユニット１２Ｆｒにおける特徴点の座標及び対象物のラベル情報を取得する。

　ステップＳ７０２において、前方ＭｏＰＵユニット１２Ｆｒのコア１２Ｘは、後方ＭｏＰＵユニット１２Ｒｒにおける特徴点のベクトル情報及び対象物のラベル情報を取得する。

　ステップＳ７０４において、前方ＭｏＰＵユニット１２Ｆｒのコア１２Ｘは、ステップＳ７００においてラベル情報を取得できなかったか否かを判定する。コア１２Ｘは、ラベル情報を取得できなかったと判定した場合（ステップＳ７０４でＹＥＳの場合）、ステップＳ７０６に進む。一方、コア１２Ｘは、ラベル情報を取得できたと判定した場合（ステップＳ７０４でＮＯの場合）、ステップＳ７００に戻る。

　ステップＳ７０６において、前方ＭｏＰＵユニット１２Ｆｒのコア１２Ｘは、ベクトル情報に基づく予想座標と現在の座標が一致したか否かを判定する。すなわち、後方ＭｏＰＵユニット１２Ｒｒから取得したベクトル情報に基づいて予想された特徴点の座標と、前方ＭｏＰＵユニット１２Ｆｒにおいて取得した現在の特徴点とが一致したか否かを判定する。コア１２Ｘは、ベクトル情報に基づく予想座標と現在の座標が一致したと判定した場合（ステップＳ７０６でＹＥＳの場合）、ステップＳ７０８に進む。一方、コア１２Ｘは、ベクトル情報に基づく予想座標と現在の座標が一致していないと判定した場合（ステップＳ７０６でＮＯの場合）、ステップＳ７００に戻る。

　ステップＳ７０８において、前方ＭｏＰＵユニット１２Ｆｒのコア１２Ｘは、後方ＭｏＰＵユニット１２Ｒｒにおける対象物のラベルを、前方ＭｏＰＵユニット１２Ｆｒにおいて検知された特徴点に対して付与する。そして、ステップＳ７００に戻る。

　以上、本実施形態の引継ぎ処理によれば、前方ＩＰＵ１１Ｆｒ及び後方ＩＰＵ１１Ｒｒの高解像度カメラの視野角Ｖが狭く、視野角Ｖの外で特徴点が検出された場合であっても以下の効果を有する。すなわち、前方ＭｏＰＵユニット１２Ｆｒ及び後方ＭｏＰＵユニット１２Ｒｒの何れか一方で既に検知され付与さている対象物のラベルを前方ＭｏＰＵユニット１２Ｆｒ及び後方ＭｏＰＵユニット１２Ｒｒの他方に適用することができる。これにより、例えば、物体が車両１を追い越すようなシチュエーションにおいて、前方ＭｏＰＵユニット１２Ｆｒは後方ＭｏＰＵユニット１２Ｒｒが特徴点を抽出した直後から対象物を特定することができる。

　（第２３の実施形態）
　次に、本実施形態に係る第２３の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。

　図６０は、第２３の実施形態に係る情報処理装置の構成の一例を示す第１のブロック図である。本実施の形態に係る情報処理装置１０は、車両に関連する複数の情報を取得可能な情報取得部１０２３と、情報取得部１０２３が取得した複数の情報から複数のインデックス値を推論する推論部２０２３と、複数のインデックス値に基づいて車両の運転制御を実行する運転制御部３０２３と、を少なくとも含む。

　情報取得部１０２３は、車両に関連する様々な情報を取得することが可能なものである。この情報取得部１０２３としては、例えば車両の各所に取り付けられたセンサや、図示しないサーバ等からネットワークを介して取得可能な情報を取得するための通信手段を含むことができる。情報取得部１０２３に含まれるセンサとしては、レーダー、ＬｉＤＡＲ、高画素・望遠・超広角・３６０度・高性能カメラ、ビジョン認識、微細音センサ、超音波センサ、振動センサ、赤外線センサ、紫外線センサ、電磁波センサ、温度センサ、湿度センサ、スポットＡＩ天気予報、高精度マルチチャネルＧＰＳ、低高度衛星情報等が挙げられる。もしくは、ロングテールインシデントＡＩ　ｄａｔａ等が挙げられる。ロングテールインシデントＡＩ　ｄａｔａとは、レベル５の実装した自動車のＴｒｉｐデータである。

　複数種類のセンサが取得可能な情報には、地面（例えば道路）の温度や材質、外気温、地面の傾斜（ｔｉｌｔ）、道路の凍結状態や水分量、それぞれのタイヤの材質や摩耗状況、あるいは空気圧、道路幅、追い越し禁止有無、対向車の有無、前後車両の車種情報、それらの車のクルージング状態、周囲の状況（鳥、動物、サッカーボール、事故車、地震、家事、風、台風、大雨、小雨、吹雪、霧、など）等が挙げられ、本実施の形態では、Ｌｅｖｅｌ６の計算力を利用することで、これらの検知を１０億分の１秒（ナノ秒）毎に実施することができる。

　上述した情報取得部１０２３に、車両の下部に設けられて走行する地面の温度、材質及びｔｉｌｔを検出可能な車両下部センサを含んでいることは、特に留意すべき事項である。この車両下部センサを利用して、ｉｎｄｅｐｅｎｄｅｎｔ　ｓｍａｒｔ　ｔｉｌｔを実行することができる。

　推論部２０２３は、機械学習、より詳しくは深層学習（Ｄｅｅｐ　Ｌｅａｒｎｉｎｇ）を用いて、情報取得部１０２３で取得した複数の情報から車両の制御に関連するインデックス化された値を推論することが可能なものであってよい。換言すると、推論部２０２３はＡＩ（Ａｒｔｉｆｉｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ）で構成することができる。

　この推論部２０２３は、情報取得部１０２３において多くのセンサ群等で収集したナノ秒毎のデータやロングテールインシデントＡＩ　ｄａｔａを、Ｌｅｖｅｌ６の計算力を用い、下記式（１）に示すような積分法による多変量解析（例えば式（２）参照）を行うことで、正確なインデックス（ｉｎｄｅｘ）値を求め得る。より詳しくは、Ｌｅｖｅｌ６の計算力で各種Ｕｌｔｒａ　Ｈｉｇｈ　Ｒｅｓｏｌｕｔｉｏｎのデルタ値の積分値を求めながら、エッジレベルで且つリアルタイムで各変数のインデックス化された値を求め、次のナノ秒に発生する結果を最も高い確率論値を取得し得る。

　なお、式中のＤＬは深層学習を示し、Ａ，Ｂ，Ｃ，Ｄ，…，Ｎは、空気抵抗、道路抵抗、道路要素（例えばゴミ）及び滑り係数等を示す。

　推論部２０２３にて得られた各変数のインデックス化された値は、Ｄｅｅｐ　Ｌｅａｒｎｉｎｇの回数を増加させることによりさらに精緻化させ得る。例えば、タイヤや、モータの回転、ステアリング角度や、道路の材質、天気、ごみや二次曲線的減速時における影響、スリップ、バランス崩壊や再獲得のためのステアリングやスピードコントロールの仕方等の膨大なデータやロングテールインシデントＡＩ　ｄａｔａを用いてより正確なインデックス値を算出することができる。

　運転制御部３０２３は、推論部２０２３にて特定された複数のインデックス値に基づいて車両の運転制御を実行するものであってよい。この運転制御部３０２３は、車両の自動運転制御を実現することが可能なものであってよい。詳しくは、複数のインデックス値から次のナノ秒に発生する結果を最も高い確率論値を取得し、当該確率論値を考慮した車両の運転制御を実施することができる。

　上述した構成を備える情報処理装置１０によれば、Ｌｅｖｅｌ５の計算力よりも極めて大きなＬｅｖｅｌ６の計算力を用いて情報の解析や推論を実施できるため、従前とは比較にならないレベルの精緻な解析が可能となる。これにより、安全な自動運転のための車両制御を可能にする。さらには、上記のＡＩによる多変量解析によりＬｅｖｅｌ５の世界と比べて１０００倍の価値の差を生み出すことができる。

　図６１は、第２３の実施形態に係る情報処理装置の構成の一例を示す第２のブロック図である。情報処理装置１０Ａは、上述した情報処理装置１０に加えて、車両が目的地に到達するまでの走行戦略を設定する戦略設定部４０２３を含む点で、情報処理装置１０とは相違している。

　戦略設定部４０２３は、車両の乗員等が入力した目的地の情報や、現在地と目的地の間の交通情報等に基づいて、現在地から目的地に到達するまでの走行戦略を設定するものであってよい。その際に、戦略設定を計算するその時点の情報、つまり情報取得部１０２３が現在取得しているデータを加味して良い。目的地までの単なるルート計算だけでなく、その瞬間の周辺状況を加味することで、より現実に則した理論値を計算するためである。走行戦略は、目的地までの最適ルート（戦略ルート）、走行速度、ｔｉｌｔ、ブレーキングの少なくとも１つの理論値を含んで構成されていてよい。好ましくは、走行戦略上述した最適ルート、走行速度、ｔｉｌｔ、ブレーキングの全ての理論値で構成することができる。

　戦略設定部４０２３で設定された走行戦略を構成する複数の理論値は、運転制御部３０２３における自動運転制御に利用され得る。これに加えて、運転制御部３０２３は、推論部２０２３にて推論された複数のインデックス値と戦略設定部４０２３で設定された各理論値との差分に基づいて走行戦略を更新することが可能な戦略更新部３１２３を含んでいると好ましい。

　推論部２０２３にて推論されるインデックス値は、車両走行中に取得される情報、具体的には実際の走行時に検出される。例えば摩擦係数に基づいて推論されたものである。したがって、戦略更新部３１２３においては、このインデックス値を考慮することで、戦略ルート通行時における刻一刻と変わる変化へ対応することが可能となる。具体的には、戦略更新部３１２３において、走行戦略に含まれる理論値とインデックス値からその差分（デルタ値）を算出することで、再度最適解を導き出し、戦略ルートを再策定することができる。これにより、スリップをしないぎりぎりの自動運転制御をも実現できる。また、このような更新処理に際しても、上述Ｌｅｖｅｌ６の計算力を用いることができるため、１０億分の１秒単位で補正、微調整することが可能となり、より緻密な走行制御が実現できる。

　加えて、情報取得部１０２３が上述した車両下部センサを有している場合には、この車両下部センサが地面の温度や材質なども検知するため、戦略ルート通行時における刻一刻と変わる変化へ対応することが可能となる。走行戦略に含まれる走行コースを計算する際、ｉｎｄｅｐｅｎｄｅｎｔ　ｓｍａｒｔ　ｔｉｌｔを実施することもできる。更に、別の情報を検知（飛んでくるタイヤ、破片、動物など）した場合においても、戦略ルート通行時における刻一刻と変わる変化へ対応することで、瞬間瞬間に最適な走行コースを再計算し、最適コースマネジメントを実施することができる。

　（第２４の実施形態）
　次に、本実施形態に係る第２４の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。

　自動運転向けのＳｏＣ（ＳｙｓｔｅｍｏｎＣｈｉｐ）が高度な演算処理を行う際に、発熱が課題となる。そこで、本実施形態では、ＳｏＣＢｏｘの処理の作動を検知して、ＳｏＣＢｏｘの冷却を実行する冷却実行装置を提供する。冷却実行装置は、本開示における「情報処理装置」の一例である。

　ところで、ＳｏＣＢｏｘが作動する契機として、車道に存在する動く物体を検出した場合がある。例えば、ＳｏＣＢｏｘは、自動運転を行っている際に、車道に存在する動く物体を検出した場合、当該物体に対して車両を制御するための演算処理を行うことがある。しかしながら、ＳｏＣＢｏｘはすぐ高温になるため、車両での高度な演算が難しい（完全自動運転への課題）。そこで、車道に存在する動く物体等を検出することによって、ＳｏＣＢｏｘの作動に起因する放熱を予測し、ＳｏＣＢｏｘの冷却を行うことが考えられる。例えば、動く物体等を検出することによってＳｏＣＢｏｘの放熱を予測し、放熱と同時に冷却することで、ＳｏＣＢｏｘが高温になるのを防ぎ、車両での高度な演算を可能にする。

　動く物体等を検出することによってＳｏＣＢｏｘの放熱を予測し、放熱と同時に冷却することで、ＳｏＣＢｏｘが高温になるのを防ぎ、車両での高度な演算を可能にする。

　図６２は、システム２４００の一例を概略的に示す。システム２４００は、管理サーバ２４４０、ＳｏＣＢｏｘ２４７０、冷却実行装置２４８０、及び冷却部２４９０を備える。

　ＳｏＣＢｏｘ２４７０、冷却実行装置２４８０、及び冷却部２４９０は、車両に搭載されている。ＳｏＣＢｏｘ２４７０は、車両に搭載された、複数のセンサのセンサ値を用いて、車両の自動運転を制御する。車両の自動運転制御には、非常に高い処理負荷がかかるため、ＳｏＣＢｏｘ２４７０は、非常に高温になってしまう場合がある。ＳｏＣＢｏｘ２４７０があまりに高温になると、ＳｏＣＢｏｘ２４７０の動作が正常に行われなくなるおそれ、及び車両に悪影響を及ぼすおそれがある。

　本実施形態に係る冷却実行装置２４８０は、例えば、ＳｏＣＢｏｘ２４７０の作動を予測して、作動に基づいて、ＳｏＣＢｏｘ２４７０の冷却を開始する。例えば、冷却実行装置２４８０は、ＳｏＣＢｏｘ２４７０の作動の要因である動く物体を検出した場合、即座にＳｏＣＢｏｘ２４７０の冷却を開始する。ＳｏＣＢｏｘ２４７０の作動に起因する発熱の開始よりも早く、又は、発熱の開始と同時に冷却を開始することによって、ＳｏＣＢｏｘ２４７０が高温になってしまうことを確実に防止することができる。

　なお、冷却実行装置２４８０は、ＡＩによって、ＳｏＣＢｏｘ２４７０の作動を予測してもよい。ＳｏＣＢｏｘ２４７０の作動の学習は、車両２４５０によって収集されたデータを用いることによって行われてよい。例えば、管理サーバ２４４０が、車両２４５０からデータを収集して、学習を実行する。学習を実行する主体は、管理サーバ２４４０に限らず、他の装置であってもよい。

　車両２４５０には、ＳｏＣＢｏｘ２４７０と、センサとしてのＭｏＰＵ（Ｍｏｔｉｏｎ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）２４５８と、が搭載されている。ＳｏＣＢｏｘ２４７０は、車両２４５０に搭載されている、ＭｏＰＵ２４５８を含む複数のセンサのセンサ値や、複数種類のサーバ２４３０から受信する外部情報を用いて、車両２４５０の自動運転を制御する。

　ここで、ＭｏＰＵ２４５８は、車両に設置された図示しない低解像度カメラに内蔵され得る。ＭｏＰＵ２４５８は、撮影された物体の動きを示す動き情報を、例えば１００フレーム／秒のフレームレートで出力する。ＭｏＰＵ２４５８は、物体の存在位置を示す点の、所定の座標軸に沿った動きのベクトル情報を動き情報として出力する。すなわち、ＭｏＰＵ２４５８から出力される動き情報には、撮影された物体が何であるか（例えば、人なのか、障害物なのか）を識別するために必要な情報は含まれておらず、当該物体の中心点（又は重心点）の座標軸（ｘ軸、ｙ軸、ｚ軸）上の動き（移動方向と移動速度）を示す情報のみが含まれている。

　サーバ２４３０は、外部装置の一例であってよい。複数種類のサーバ２４３０の例として、交通情報を提供するサーバ、天候情報を提供するサーバ、等が挙げられる。ＳｏＣＢｏｘ２４７０は、自動運転の制御に用いた、ＭｏＰＵ２４５８による検出結果を含むセンサ値や外部情報等と、制御したときのＳｏＣＢｏｘ２４７０の作動状況と、制御したときのＳｏＣＢｏｘ２４７０の温度変化とを管理サーバ２４４０に送信する。

　管理サーバ２４４０は、１又は複数のＳｏＣＢｏｘ２４７０及び複数のセンサから受信した情報を用いた学習を実行する。管理サーバ２４４０は、ＳｏＣＢｏｘ２４７０が取得したＭｏＰＵ２４５８の検出結果と、ＳｏＣＢｏｘ２４７０がこれらの情報を取得したときのＳｏＣＢｏｘ２４７０の作動状況とを学習データとした機械学習を実行することにより、ＳｏＣＢｏｘ２４７０が取得する情報を入力とし、ＳｏＣＢｏｘ２４７０の作動状況を出力とする学習モデルを生成する。

　車両２４６０は、本実施形態に係る冷却機能を有する車両である。車両２４６０には、センサとしてのＭｏＰＵ２４５８、ＳｏＣＢｏｘ２４７０、冷却実行装置２４８０、及び冷却部２４９０が搭載されている。冷却実行装置２４８０は、管理サーバ２４４０によって生成された学習モデルを管理サーバ２４４０から受信して記憶してよい。

　冷却実行装置２４８０は、車両２４６０に搭載されている、ＭｏＰＵ２４５８による検出結果を含む複数のセンサのセンサ値を、複数のセンサから、又は、ＳｏＣＢｏｘ２４７０から取得して、ＳｏＣＢｏｘ２４７０の作動を予測した場合に、冷却部２４９０によるＳｏＣＢｏｘ２４７０の冷却を開始してよい。具体的には、冷却実行装置２４８０は、ＭｏＰＵ２４５８による検出結果として、動く物体等を検出した場合、ＳｏＣＢｏｘ２４７０が作動すると予測し、冷却部２４９０によるＳｏＣＢｏｘ２４７０の冷却を開始する。

　また、冷却実行装置２４８０は、車両２４６０に搭載されている、ＭｏＰＵ２４５８による検出結果を含む複数のセンサのセンサ値を、複数のセンサから、又は、ＳｏＣＢｏｘ２４７０から取得して、取得した情報を学習モデルに入力することによって、ＳｏＣＢｏｘ２４７０の作動を予測してよい。

　ＳｏＣＢｏｘ２４７０、冷却実行装置２４８０、管理サーバ２４４０、サーバ２４３０は、ネットワーク２４２０を介して通信してよい。ネットワーク２４２０は、車両ネットワークを含んでよい。ネットワーク２４２０は、インターネットを含んでよい。ネットワーク２４２０は、ＬＡＮ（ＬｏｃａｌＡｒｅａＮｅｔｗｏｒｋ）を含んでよい。ネットワーク２４２０は、移動体通信ネットワークを含んでよい。移動体通信ネットワークは、５Ｇ（５ｔｈＧｅｎｅｒａｔｉｏｎ）通信方式、ＬＴＥ（ＬｏｎｇＴｅｒｍＥｖｏｌｕｔｉｏｎ）通信方式、３Ｇ（３ｒｄＧｅｎｅｒａｔｉｏｎ）通信方式、及び６Ｇ（６ｔｈＧｅｎｅｒａｔｉｏｎ）通信方式以降の通信方式のいずれに準拠していてもよい。

　図６３は、システム２４００における学習フェーズについて説明するための説明図である。ここでは、車両２４５０に搭載されているセンサ２４５１として、カメラ２４５２、ＬｉＤＡＲ（ＬｉｇｈｔＤｅｔｅｃｔｉｏｎＡｎｄＲａｎｇｉｎｇ）２４５３、ミリ波センサ２４５４、超音波センサ２４５５、ＩＭＵセンサ２４５６、ＧＮＳＳ（ＧｌｏｂａｌＮａｖｉｇａｔｉｏｎＳａｔｅｌｌｉｔｅＳｙｓｔｅｍ）センサ２４５７、ＭｏＰＵ２４５８、及び温度センサ２４５９を例示している。車両２４５０は、これらの全てを備えるのではなく、一部を備えなくてもよく、これら以外のセンサを備えてもよい。

　ＳｏＣＢｏｘ２４７０は、センサ２４５１に含まれるそれぞれのセンサからセンサ情報を取得する。また、ＳｏＣＢｏｘ２４７０は、ネットワーク２４２０を介した通信を実行してよく、ＳｏＣＢｏｘ２４７０は、ネットワーク２４２０を介して、複数のサーバ２４３０のそれぞれから外部情報を受信する。そして、ＳｏＣＢｏｘ２４７０は、取得した情報を用いて、車両２４５０の自動運転制御を実行する。

　ＳｏＣＢｏｘ２４７０は、ＳｏＣＢｏｘ２４７０の作動として、コンピューティングパワーを記録する。ＳｏＣＢｏｘ２４７０は、ＳｏＣＢｏｘ２４７０のコンピューティングパワーを定期的に記録してよく、不定期に記録してもよい。ＳｏＣＢｏｘ２４７０は、センサ２４５１から受信したセンサ情報、サーバ２４３０から受信した外部情報と、これらの情報を取得して自動運転制御を実行したときの、ＳｏＣＢｏｘ２４７０のコンピューティングパワーとを記録して、管理サーバ２４４０に送信してよい。

　管理サーバ２４４０は、情報取得部２４４２、モデル生成部２４４４、及びモデル提供部２４４６を備える。情報取得部２４４２は、各種情報を取得する。管理サーバ２４４０は、ＳｏＣＢｏｘ２４７０によって送信された情報を受信してよい。

　モデル生成部２４４４は、情報取得部２４４２が取得した情報を用いた機械学習を実行して、学習モデルを生成する。

　モデル生成部２４４４は、ＳｏＣＢｏｘ２４７０が取得した情報と、ＳｏＣＢｏｘ２４７０が情報を取得したときのＳｏＣＢｏｘ２４７０の作動状況とを学習データとした機械学習を実行することによって、ＳｏＣＢｏｘ２４７０が取得する情報を入力とし、ＳｏＣＢｏｘ２４７０の作動状況を出力とする学習モデルを生成してよい。具体的には、モデル生成部２４４４は、ＳｏＣＢｏｘ２４７０が取得する情報としてＭｏＰＵ２４５８による検出結果を入力し、ＳｏＣＢｏｘ２４７０の作動状況としてパワーコンピューティングパワーの状況、及び変化量を出力とする学習モデルを生成する。

　モデル提供部２４４６は、モデル生成部２４４４が生成した学習モデルを提供する。モデル提供部２４４６は、車両２４６０に搭載されている冷却実行装置２４８０に、学習モデルを送信してよい。

　システム２４００は、ＳｏＣＢｏｘ２４７０の複数の部位のそれぞれの温度変化を予測するように構成されてもよい。この場合、車両２４５０には、ＳｏＣＢｏｘ２４７０の複数の部位のそれぞれの温度変化をそれぞれが測定する複数の温度センサ２４５９を備えてよい。ＳｏＣＢｏｘ２４７０は、センサ２４５１から受信したセンサ情報、サーバ２４３０から受信した外部情報と、これらの情報を取得して自動運転制御を実行したときに、複数の温度センサ２４５９によって測定された温度変化とを、管理サーバ２４４０に送信してよい。モデル生成部２４４４は、ＳｏＣＢｏｘ２４７０が取得した情報と、ＳｏＣＢｏｘ２４７０が情報を取得したときのＳｏＣＢｏｘ２４７０の複数の部位のそれぞれの温度変化と、ＳｏＣＢｏｘ２４７０の作動状況とを学習データとして機械学習を実行することによって、ＳｏＣＢｏｘ２４７０が取得する情報を入力とし、ＳｏＣＢｏｘ２４７０における複数の部位のそれぞれの温度変化と、ＳｏＣＢｏｘ２４７０の作動状況とを出力とする学習モデルを生成する。

　図６４は、システム２４００における冷却実行フェーズについて説明するための説明図である。ここでは、車両２４６０に搭載されているセンサ２４６１として、カメラ２４６２、ＬｉＤＡＲ２４６３、ミリ波センサ２４６４、超音波センサ２４６５、ＩＭＵセンサ２４６６、ＧＮＳＳセンサ２４６７、ＭｏＰＵ２４６８、及び温度センサ２４６９を例示している。車両２４６０は、これらの全てを備えるのではなく、一部を備えなくてもよく、これら以外のセンサを備えてもよい。

　冷却実行装置２４８０は、情報取得部２４８２、冷却実行部２４８４、モデル記憶部２４８６、及び予測部２４８８を備える。

　情報取得部２４８２は、ＳｏＣＢｏｘ２４７０が取得する情報を取得する。情報取得部２４８２は、ＳｏＣＢｏｘ２４７０がセンサ２４６１から取得するセンサ情報を、センサ２４６１又はＳｏＣＢｏｘ２４７０から取得する。例えば、情報取得部２４８２は、ＳｏＣＢｏｘ２４７０がセンサ２４６１から取得したセンサ情報を、ＳｏＣＢｏｘ２４７０から受信してよい。情報取得部２４８２は、ＳｏＣＢｏｘ２４７０がセンサ２４６１から取得するセンサ情報と同じセンサ情報を、センサ２４６１から受信してもよい。この場合、センサ２４６１のそれぞれのセンサは、センサ情報をＳｏＣＢｏｘ２４７０及び冷却実行装置２４８０のそれぞれに送信してよい。

　冷却実行部２４８４は、センサ情報に含まれるＭｏＰＵ２４５８による検出結果に基づいて、ＳｏＣＢｏｘ２４７０の冷却を開始する。例えば、冷却実行部２４８４は、ＭｏＰＵ２４５８による検出結果が、動く物体を検出したことを示す場合、ＳｏＣＢｏｘ２４７０の冷却を開始する。

　冷却実行部２４８４は、冷却部２４９０を用いて、ＳｏＣＢｏｘ２４７０の冷却を実行する。冷却部２４９０は、空冷手段、水冷手段、又は液体窒素冷却手段によってＳｏＣＢｏｘ２４７０を冷却する。

　なお、本実施形態では、動く物体を検出した場合、ＳｏＣＢｏｘ２４７０の作動を予測する形態について説明した。しかし、これに限定されない。予測部２４８８は、ＡＩによってＳｏＣＢｏｘ２４７０の作動を予測してよい。

　例えば、モデル記憶部２４８６は、管理サーバ２４４０から受信した学習モデルを記憶する。予測部２４８８は、情報取得部２４８２が取得したＭｏＰＵ２４５８による検出結果を、モデル記憶部２４８６に記憶されている学習モデルに入力することによって、ＳｏＣＢｏｘ２４７０の作動状況を予測する。ここで、学習モデルは、作動状況として、ＳｏＣＢｏｘ２４７０のパワーコンピューティングパワーの状況、及び変化量を出力する。また、予測部２４８８は、作動状況と共に、ＳｏＣＢｏｘ２４７０における複数の部位のそれぞれの温度変化を予測して出力してもよい。

　冷却実行部２４８４は、ＡＩによって予測されたＳｏＣＢｏｘ２４７０の作動状況に応じて、ＳｏＣＢｏｘ２４７０の冷却を開始してもよい。例えば、冷却実行部２４８４は、作動状況として予測されたＳｏＣＢｏｘ２４７０のパワーコンピューティングパワーの状況、及び変化量が予め定められた閾値を超えた場合、ＳｏＣＢｏｘ２４７０の冷却を開始する。また、冷却実行部２４８４は、ＡＩによって予測されたＳｏＣＢｏｘ２４７０の作動状況、及びＳｏＣＢｏｘ２４７０における部位の温度変化に応じて、ＳｏＣＢｏｘ２４７０の冷却を開始してもよい。例えば、冷却実行部２４８４は、作動状況として予測されたＳｏＣＢｏｘ２４７０のパワーコンピューティングパワーの状況、及び変化量が予め定められた閾値を超えた場合、かつ温度変化が予め定められた閾値を超えた場合、ＳｏＣＢｏｘ２４７０における該当する部位の冷却を開始する。

　また、冷却部２４９０は、複数種類の冷却手段を備えてもよい。例えば、冷却部２４９０は、複数種類の空冷手段を備える。例えば、冷却部２４９０は、複数種類の水冷手段を備える。例えば、冷却部２４９０は、複数種類の液体窒素冷却手段を備える。冷却部２４９０は、１又は複数種類の空冷手段、１又は複数種類の水冷手段、及び１又は複数の液体窒素冷却手段のうちの複数を含んでもよい。

　複数の冷却手段は、それぞれが、ＳｏＣＢｏｘ２４７０の異なる部位を冷却するように配置されてよい。予測部２４８８は、情報取得部２４８２が取得する情報を用いて、ＳｏＣＢｏｘ２４７０の複数の部位のそれぞれの温度変化を予測してよい。冷却実行部２４８４は、予測部２４８８による予測結果に基づいて、ＳｏＣＢｏｘ２４７０の複数の部位のそれぞれを冷却する複数の冷却手段から選択した冷却手段を用いて、ＳｏＣＢｏｘ２４７０の冷却を開始してよい。

　冷却実行部２４８４は、予測部２４８８によって予測されたＳｏＣＢｏｘ２４７０の温度の高さに応じた冷却手段を用いて、ＳｏＣＢｏｘ２４７０の冷却を実行してもよい。例えば、冷却実行部２４８４は、ＳｏＣＢｏｘ２４７０の温度が高いほど、より多くの冷却手段を用いて、ＳｏＣＢｏｘ２４７０の冷却を実行する。具体例として、冷却実行部２４８４は、ＳｏＣＢｏｘ２４７０の温度が第１の閾値を超えることが予測された場合に、複数の冷却手段のうちの１つを用いた冷却を開始し、それでも、ＳｏＣＢｏｘ２４７０の温度が上昇して、第２の閾値を超えることが予測された場合に、用いる冷却手段の数を増やす。

　冷却実行部２４８４は、ＳｏＣＢｏｘ２４７０の温度が高い程、より強力な冷却手段を用いて、ＳｏＣＢｏｘ２４７０の冷却を実行してもよい。例えば、冷却実行部２４８４は、ＳｏＣＢｏｘ２４７０の温度が第１の閾値を超えることが予測された場合に、空冷手段を用いた冷却を開始し、それでも、ＳｏＣＢｏｘ２４７０の温度が上昇して、第２の閾値を超えることが予測された場合に、水冷手段を用いた冷却を開始し、それでも、ＳｏＣＢｏｘ２４７０の温度が上昇して、第３の閾値を超えることが予測された場合に、液体窒素冷却手段を用いた冷却を開始する。

　ＳｏＣＢｏｘ２４７０は、複数の処理チップを有してよく、複数の処理チップは、それぞれＳｏＣＢｏｘ２４７０の異なる位置に配置されてよい。複数の冷却手段のそれぞれは、複数の処理チップのそれぞれに対応する位置に配置されてよい。

　例えば、自動運転の制御状況に応じて、使用する処理チップの数が変化する場合に、使用している処理チップに対応する冷却手段による冷却が行われることになるので、効率的な冷却を実現することができる。

　なお、本実施形態では、ＭｏＰＵ２４５８によって動く物体を検出した場合、ＳｏＣＢｏｘ２４７０を冷却する形態について説明した。しかし、これに限定されない。ＭｏＰＵ２４５８によって動く物体を検出した場合、ＳｏＣＢｏｘ２４７０の発熱による電力の回生を開始してもよい。例えば、ＳｏＣＢｏｘ２４７０にペルチェ素子を設置し、ＭｏＰＵ２４５８によって動く物体を検出した場合、ＳｏＣＢｏｘ２４７０の発熱を用いたペルチェ素子による発電を開始してもよい。ペルチェ素子を用いることによって、ＳｏＣＢｏｘ２４７０の発熱した際に即座に電力が得られるため、エネルギー効率が向上する。

　図６５は、ＳｏＣＢｏｘ２４７０及び冷却部２４９０の一例を概略的に示す。図６５は、冷却部２４９０が、１つの冷却手段によって構成されている場合を例示している。冷却実行装置２４８０が、動く物体を検出した場合に、冷却部２４９０による冷却を開始することによって、ＳｏＣＢｏｘ２４７０の全体を冷却することができる。

　図６６は、ＳｏＣＢｏｘ２４７０及び冷却部２４９０の一例を概略的に示す。図６６は、冷却部２４９０が、ＳｏＣＢｏｘ２４７０の複数の部位のそれぞれを冷却する複数の冷却手段によって構成されている場合を例示している。冷却実行装置２４８０が、温度センサ２４６９を用いて、ＳｏＣＢｏｘ２４７０の複数の部位のそれぞれの温度変化を予測して、いずれかの部位が発熱を開始したり、いずれかの部位の温度が予め定められた閾値を超えたりすることを予測したことに応じて、当該部位に対応する冷却手段のみを用いた冷却を実行することにより、効率的な冷却を実現することができる。

　図６７は、ＳｏＣＢｏｘ２４７０及び冷却部２４９０の一例を概略的に示す。図６７は、冷却部２４９０が、２種類の冷却手段によって構成されている場合を例示している。冷却実行装置２４８０が、ＳｏＣＢｏｘ２４７０の複数の部位のそれぞれの温度変化を予測して、いずれかの部位が発熱を開始したり、いずれかの部位の温度が予め定められた閾値を超えたりすることを予測したことに応じて、当該部位に対応する冷却手段のみを用いた冷却を実行することにより、効率的な冷却を実現することができる。また、冷却実行装置２４８０が、ＳｏＣＢｏｘ２４７０の温度が高まるにつれて、使用する冷却手段を増やす、すなわち、本例においては、まず、２種類の冷却手段のうちの１つを用いた冷却を開始し、更にＳｏＣＢｏｘ２４７０の温度が高まる場合に、もう１つの冷却手段を用いた冷却を開始することによって、冷却に用いるエネルギーを効率化することができる。

　（第２５の実施形態）
　次に、本実施形態に係る第２５の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。

　図６８は、本実施形態に係る超高性能自動運転のＡＩの危険予測の能力について概略的に示す。本実施形態においては、複数種類のセンサ情報をＡＩデータ化してクラウドに蓄積する。ＡＩがナノセカンド（１０億分の１秒）ごとに状況のベストミックスを予測、判断し、車両１００の運行を最適化する。

　本実施形態において使用する車両１００に備えたセンサの例として、レーダー、ＬｉＤＡＲ、高画素・望遠・超広角・３６０度・高性能カメラ、ビジョン認識、微細音、超音波、振動、赤外線、紫外線、電磁波、温度、湿度、スポットＡＩ天気予報、高精度マルチチャネルＧＰＳ、低高度衛星情報、ロングテールインシデントＡＩｄａｔａ等が挙げられる。ロングテールインシデントＡＩｄａｔａとはレベル５の実装した自動車のＴｒｉｐデータである。

　上記センサは車両周辺の状況を検出するセンサを含む。車両周辺の状況を検出するセンサは、車両の周囲の状況を検出する周期として、車両の周囲をカメラ等で撮影する第１周期より短い第２周期で車両周辺の状況を検出する。

　複数種類のセンサから取り入れるセンサ情報として、体重の重心移動、道路の材質の検知、外気温度の検知、外気湿度の検知、坂道の上下横斜め傾き角度の検知、道路の凍り方、水分量の検知、それぞれのタイヤの材質、摩耗状況、空気圧の検知、道路幅、追い越し禁止有無、対向車、前後車両の車種情報、それらの車のクルージング状態、周囲の状況（鳥、動物、サッカーボール、事故車、地震、火事、風、台風、大雨、小雨、吹雪、霧、など）等が挙げられ、本実施形態では、これらの検知を１０億分の１秒毎に実施する。

　本実施形態においては、ＣｅｎｔｒａｌＢｒａｉｎ１５は、上記のセンサにより検知されたセンサ情報のうち、予め定められた数のセンサ情報の複数の組み合わせ毎に、車両の４つの車輪それぞれの車輪速、傾き、及び車輪を支持するサスペンション毎の、車輪速、傾き、及びサスペンションを制御するための制御変数を算出する算出部として機能する。なお、車輪の傾きは、道路に対して水平な軸に対する車輪の傾き、及び道路に対して垂直な軸に対する車輪の傾きの双方を含む。

　ここで、予め定められた数は、例えば３個である。３個のセンサ情報に基づいて、車輪速、傾き、及びサスペンションを制御するためのインデックス値を算出する。３個のセンサ情報の組み合わせから算出するインデックス値の数は、例えば３個である。車輪速、傾き、及びサスペンションを制御するためのインデックス値には、例えば、センサ情報のうち空気抵抗に関する情報から算出したインデックス値、センサ情報のうち道路抵抗に関する情報から算出したインデックス値、センサ情報のうち滑り係数に関する情報から算出したインデックス値などが含まれる。そして、センサ情報の組み合わせが異なる複数のセンサ情報の組み合わせ毎に算出したインデックス値を集約して、車輪速、傾き、及びサスペンションを制御するための制御変数を算出する。例えば、センサ１、２及び３の組み合わせで複数のインデックス値を算出し、センサ４、５及び６の組み合わせで複数のインデックス値を算出し、センサ１、３及び７の組み合わせで複数のインデックス値を算出し、このインデックス値を集約して制御変数を算出する。このように、センサ情報の組み合わせを変えながら予め定められた数、例えば３００個のインデックス値を算出し、制御変数を算出する。具体的には、算出部は、機械学習、より詳しくは深層学習（Ｄｅｅｐ　Ｌｅａｒｎｉｎｇ）を用いて、センサ情報から制御変数を算出することが可能なものであってよい。換言すると、算出部はＡＩ（Ａｒｔｉｆｉｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ）で構成することができる。

　この算出部は、多くのセンサ群等で収集したナノ秒毎のデータを、Ｌｅｖｅｌ６の計算力を用い、下記式（１）に示すような積分法による多変量解析（例えば式（２）参照）を行うことで、正確な制御変数を求め得る。より詳しくは、Ｌｅｖｅｌ６の計算力で各種Ｕｌｔｒａ　Ｈｉｇｈ　Ｒｅｓｏｌｕｔｉｏｎのデルタ値の積分値を求めながら、エッジレベルで且つリアルタイムで各変数のインデックス化された値を求め、次のナノ秒に発生する結果を最も高い確率論値を取得し得る。

　なお、式中のＤＬは深層学習を示し、Ａ，Ｂ，Ｃ，Ｄ，…，Ｎは、センサ情報から算出したインデックス値であり、例えば空気抵抗から算出したインデックス値、道路抵抗から算出したインデックス値、道路要素から算出したインデックス値及び滑り係数から算出したインデックス値等を示す。予め定められた数のセンサ情報の組み合わせを変えながら算出されたインデックス値が３００個の場合は、式中のＡ～Ｎのインデックス値も３００個となり、３００個のインデックス値を集約する。

　また、上記の式（２）では、車輪速（Ｖ）について算出しているが、傾き、及びサスペンションを制御するための制御変数についても同様に算出する。

　具体的には、ＣｅｎｔｒａｌＢｒａｉｎ１５は、４つの車輪それぞれの車輪速、道路に対して水平な軸に対する４つの車輪それぞれの傾き、道路に対して垂直な軸に対する４つの車輪それぞれの傾き、及び４つの車輪それぞれを支持するサスペンションを制御するための計１６の制御変数を算出する。本実施形態では、上記１６の制御変数の算出を１０億分の１秒毎に実施する。なお、上記の４つの車輪それぞれの車輪速は「４つの車輪にそれぞれ搭載されたインホイールモータのスピン数（回転数）」と言うこともでき、上記の道路に対して水平な軸に対する４つの車輪それぞれの傾きは「４つの車輪それぞれの水平アングル」と言うこともできる。そして、上記の制御変数は、例えば、車両が山道を走行する場合には当該山道に合わせた最適なステアリングを行うための数値となり、車両を駐車場に駐車する場合には当該駐車場に合わせた最適なアングルで走行するための数値となる。

　また、本実施形態においては、ＣｅｎｔｒａｌＢｒａｉｎ１５は、４つの車輪それぞれの車輪速、道路に対して水平な軸に対する４つの車輪それぞれの傾き、道路に対して垂直な軸に対する４つの車輪それぞれの傾き、及び４つの車輪それぞれを支持するサスペンションを制御するための計１６の制御変数を算出するが、この算出はＣｅｎｔｒａｌＢｒａｉｎ１５である必要は無く、上記の制御変数を算出する専用のアンカーチップを別途設けても良い。この場合にも式中（２）のＤＬは深層学習を示し、Ａ，Ｂ，Ｃ，Ｄ，…，Ｎは、センサ情報から算出した値インデックス値を示す。集約するインデックスの数が上述したように３００個の場合は、かかる式中のインデックスの数も３００個となる。

　また、本実施形態においては、ＣｅｎｔｒａｌＢｒａｉｎ１５は、上記で算出した制御変数に基づいて、１０億分の１秒単位で自動運転を制御する制御部として機能する。具体的には、ＣｅｎｔｒａｌＢｒａｉｎ１５は、上記１６の制御変数に基づいて、４つの車輪にそれぞれ搭載されたインホイールモータを制御することで、車両１００の４つの車輪それぞれの車輪速、傾き、及び４つの車輪それぞれを支持するサスペンションを制御して自動運転を行う。

　ＣｅｎｔｒａｌＢｒａｉｎ１５は、図６９に示されているフローチャートを繰り返し
実行する。

　ステップＳ２５１０において、ＣｅｎｔｒａｌＢｒａｉｎ１５は、センサにより検知された道路情報を含むセンサ情報を取得する。そして、ＣｅｎｔｒａｌＢｒａｉｎ１５は、ステップＳ２５１１に進む。

　ステップＳ２５１１において、ＣｅｎｔｒａｌＢｒａｉｎ１５は、ステップＳ２５１０で取得したセンサ情報に基づいて、上記１６の制御変数を算出する。そして、ＣｅｎｔｒａｌＢｒａｉｎ１５は、ステップＳ２５１２に進む。

　ステップＳ２５１２において、ＣｅｎｔｒａｌＢｒａｉｎ１５は、ステップＳ２５１１で算出した制御変数に基づいて、自動運転を制御する。そして、ＣｅｎｔｒａｌＢｒａｉｎ１５は、当該フローチャートの処理を終了する。

　図７０から図７４は、ＣｅｎｔｒａｌＢｒａｉｎ１５による自動運転の制御例を説明する説明図である。なお、図７０から図７２は、車両１００を前方から見た視点の説明図であり、図７３及び図７４は、車両１００を下方から見た視点の説明図である。

　図７０は、車両１００が平坦な道路Ｒ１を走行中の場合を示している。ＣｅｎｔｒａｌＢｒａｉｎ１５は、道路Ｒ１に合わせて算出した上記１６の制御変数に基づいて、４つの車輪３０２５にそれぞれ搭載されたインホイールモータ３１２５を制御することで、４つの車輪３０２５それぞれの車輪速、傾き、及び４つの車輪３０２５それぞれを支持するサスペンション３２２５を制御して自動運転を行う。

　図７１は、車両１００が山道Ｒ２を走行中の場合を示している。ＣｅｎｔｒａｌＢｒａｉｎ１５は、山道Ｒ２に合わせて算出した上記１６の制御変数に基づいて、４つの車輪３０２５にそれぞれ搭載されたインホイールモータ３１２５を制御することで、４つの車輪３０２５それぞれの車輪速、傾き、及び４つの車輪３０２５それぞれを支持するサスペンション３２２５を制御して自動運転を行う。

　図７２は、車両１００が水たまりＲ３を走行中の場合を示している。ＣｅｎｔｒａｌＢｒａｉｎ１５は、水たまりＲ３に合わせて算出した上記１６の制御変数に基づいて、４つの車輪３０２５にそれぞれ搭載されたインホイールモータ３１２５を制御することで、４つの車輪３０２５それぞれの車輪速、傾き、及び４つの車輪３０２５それぞれを支持するサスペンション３２２５を制御して自動運転を行う。

　図７３は、車両１００が矢印Ａ１で示す方向にカーブする場合を示している。ＣｅｎｔｒａｌＢｒａｉｎ１５は、進入するカーブ路に合わせて算出した上記１６の制御変数に基づいて、４つの車輪３０２５にそれぞれ搭載されたインホイールモータ３１２５を制御することで、４つの車輪３０２５それぞれの車輪速、傾き、及び４つの車輪３０２５それぞれを支持するサスペンション３２２５（図示せず）を制御して自動運転を行う。

　図７４は、車両１００が矢印Ａ２で示す方向に平行移動する場合を示している。ＣｅｎｔｒａｌＢｒａｉｎ１５は、矢印Ａ２で示す方向への平行移動に合わせて算出した上記１６の制御変数に基づいて、４つの車輪３０２５にそれぞれ搭載されたインホイールモータ３１２５を制御することで、４つの車輪３０２５それぞれの車輪速、傾き、及び４つの車輪３０２５それぞれを支持するサスペンション３２２５（図示せず）を制御して自動運転を行う。

　なお、図７０から図７４で示す車輪３０２５及びサスペンション３２２５の状態（傾き）は、あくまで一例であり、各図で示す状態とは異なる車輪３０２５及びサスペンション３２２５の状態が生じうることは言うまでもない。

　ここで、従来の車両に搭載されたインホイールモータは、それぞれの駆動輪を独立して制御することができるが、当該車両では、道路状況等を分析してインホイールモータを制御することまではできなかった。そのため、当該車両では、例えば、山道又は水たまり等を走行する場合に道路状況等に基づく適切な自動運転が行えなかった。

　しかし、本実施形態に係る車両１００によれば、上記で説明した構成に基づいて、道路状況等の環境に適してスピード及びステアリング等が制御された自動運転を行うことができる。

　（第２６の実施形態）
　次に、本実施形態に係る第２６の実施形態について、上記実施形態との重複部分を省略又は簡略しつつ説明する。

　本実施の形態に係る情報処理装置の一例として機能するＣｅｎｔｒａｌＢｒａｉｎ１５は、車両に関連する複数の情報を取得可能な取得部と、取得部が取得した複数の情報から制御変数を算出する算出部と、制御変数に基づいて車両の運転制御を実行する制御部と、のそれぞれの機能を少なくとも含む。

　例えば、ＣｅｎｔｒａｌＢｒａｉｎ１５は、上記のセンサにより検知された１つ以上のセンサ情報を用いて、車両の４つの車輪それぞれの車輪速、傾き、及び車輪を支持するサスペンション毎の、車輪速、傾き、及びサスペンションを制御するための制御変数を算出する機能する。なお、車輪の傾きは、道路に対して水平な軸に対する車輪の傾き、及び道路に対して垂直な軸に対する車輪の傾きの双方を含む。

　ここで、１つ以上のセンサ情報は車両周辺の状況を検出するセンサからのセンサ情報を適用可能である。また、１つ以上のセンサ情報として複数のセンサ情報を用いる場合は、予め定められた数のセンサ情報を適用可能である。予め定められた数は、例えば３個である。３個のセンサ情報に基づいて、車輪速、傾き、及びサスペンションを制御するためのインデックス値を算出する。３個のセンサ情報の組み合わせから算出するインデックス値の数は、例えば３個である。車輪速、傾き、及びサスペンションを制御するためのインデックス値には、例えば、センサ情報のうち空気抵抗に関する情報から算出したインデックス値、センサ情報のうち道路抵抗に関する情報から算出したインデックス値、センサ情報のうち滑り係数に関する情報から算出したインデックス値などが含まれる。

　ところで、車両の走行中には、障害物が車両に接近する場合がある。この場合、車両は、障害物との接触または衝突を回避するために車両の挙動を変更して走行することが好ましい。障害物の一例には、走行中の自車両以外の他車両、壁面、ガードレール、縁石、及びその他の設置物が挙げられる。以降の説明では、障害物の一例として、車両１００に接近する他車両を適用した場合を説明する。なお、障害物は対象物の一例である。

　図７５は、対面２車線の道路を走行する車両１００を自車両１００Ａとして、自車両１００Ａの周囲に他車両１００Ｂ、１００Ｃ、１００Ｄが走行している状態を模式的に示す図である。図の例では、自車両１００Ａに後続して他車両１００Ｂが走行し、対向車線を他車両１００Ｄが先行して走行し、後続して他車両１００Ｃが走行している状態である。

　自車両１００ＡのＣｅｎｔｒａｌＢｒａｉｎ１５は、時々刻々と変化する、走行路を走行する状態に合わせて算出した上述した制御変数に基づいて、４つの車輪３０２５にそれぞれ搭載されたインホイールモータ３１２５を制御することで、４つの車輪３０２５それぞれの車輪速、傾き、及び４つの車輪３０２５それぞれを支持するサスペンション３２２５を制御して自動運転を行う。また、ＣｅｎｔｒａｌＢｒａｉｎ１５は、自車両１００Ａの周囲の他車両１００Ｂ、１００Ｃ、１００Ｄの挙動をセンサにより検出しセンサ情報として取得している。

　ＣｅｎｔｒａｌＢｒａｉｎ１５は、少なくとも障害物を回避して走行するために、取得されたセンサ情報から自車両に対する対象物としての障害物について接触を含む衝突を予測する機能を有している。図７５に示すように、ＣｅｎｔｒａｌＢｒａｉｎ１５は、センサ情報から、他車両１００Ｄが自車両１００Ａの前方に進入することが予測される場合、少なくとも他車両１００Ｄに接触することを回避することが可能な自車両１００Ａの挙動を示す制御変数を算出する。

　例えば、図７５に示す例で、自車両１００Ａが現在の走行状態で走行している経路１００Ａｘ１では他車両１００Ｄと衝突する。そこで、ＣｅｎｔｒａｌＢｒａｉｎ１５は、他車両１００Ｄとの衝突を回避する経路１００Ａｘ２、及び１００Ａｘ３等の経路を算出し、何れかを選択し、制御変数を算出する。経路の選択は、自車両１００Ａにおける制御変数による負荷が予め定めた所定値より低い（例えば、最小値の）制御変数となる経路を選択すればよい。

　上述した自動運転を実現し得るＣｅｎｔｒａｌＢｒａｉｎ１５についてさらに説明する。第２６の実施形態に係る情報処理装置１０は、第１の実施形態と同様の図２に示す構成を備えている。なお、上述したＣｅｎｔｒａｌＢｒａｉｎ１５は、ゲートウェイを含む情報処理装置として機能する広義の処理装置でもあり、プロセッサごとに機能を分類した場合の狭義の処理装置でもある。

　本実施形態では、センサ情報として、車両１００の周囲の状況を検出する周期として、車両の周囲をカメラ等で撮影する第１周期より短い第２周期で車両周辺の状況を検出することが可能である。すなわち、上述したＬｅｖｅｌ５では、カメラ等によって０．３秒に２回の周囲の状況を検出できるが、本実施形態ではＬｅｖｅｌ６で５７６回の周囲の状況を検出できる。そして、５７６回の周囲の状況の検出毎にインデックス値及び制御変数を算出でき、Ｌｅｖｅｌ５で実行される自動運転より、高速かつ安全な走行を実行可能に、車両の挙動を制御可能である。

　上記では、経路を選択することで衝突を回避する場合を説明したが、これに限定されない。例えば、自車両１００Ａが他車両への衝突を回避困難な場合、不可避な衝突における車両に発生する損害を低減する制御変数を算出することが可能である。すなわち、ＣｅｎｔｒａｌＢｒａｉｎ１５は、不可避な衝突における車両に発生する損害が予め定めた閾値以下の損害に対応する制御変数を制御変数として算出してもよい。よって、上述した算出部は、取得された複数のセンサ情報に基づいて、車両１００に対する対象物の衝突を予測し、予測した予測結果が、不可避な衝突を示す場合、不可避な衝突における車両に発生する損害が予め定めた閾値以下の損害に対応する制御変数を制御変数として算出することを含む。車両に発生する損害は、前記車両の変形位置及び変形量の少なくとも１つを適用可能である。また、車両に発生する損害に対応する制御変数は、車両の衝突角度、及び車速の少なくとも１つを適用可能である。

　図７６は、不可避な衝突における車両１００に発生する損害を低減することを可能とするＣｅｎｔｒａｌＢｒａｉｎ１５における処理の流れの一例を示すフローチャートである。ＣｅｎｔｒａｌＢｒａｉｎ１５は、図６９に示す処理に代えて図７６に示す処理を繰り返し実行することが可能である。なお、図６９に示す処理との重複部分は説明を省略又は簡略する。

　ＣｅｎｔｒａｌＢｒａｉｎ１５は、ステップＳ２６１０で、自車両と他車両との関係を算出する。具体的には、ステップＳ２６１０では、センサ情報に基づいて、車両１００に対する対象物（例えば、他車両）の衝突を予測し、予測結果が衝突不可避であるかを判定する。そして、ステップＳ２６２０では当該予測による判定結果が衝突不可避か否かを判断する。ステップＳ２６２０で肯定判断の場合はステップＳ２６４０へ処理を移行し、否定判断の場合はステップＳ２６３０で制御変数を算出する。ステップＳ２６４０では、上述したように不可避な衝突における車両に発生する損害を低減する制御変数を算出し、ステップＳ２６５０へ進む。

　ステップＳ２６１０、Ｓ２６２０、Ｓ２６３０、及びＳ２６４０の処理は、上述した順序に限定されない。例えば、ステップＳ２６３０の処理後に、ステップＳ２６２０、及びＳ２６４０の処理を実行してもよい。具体的には、まず、ステップＳ２６３０で、車両１００に対する他車両の衝突を予測し、自車両と他車両との間の相互関係についてリスクが最小となる関係を示す制御変数を算出する。当該リスクが最小となる関係は、例えば、接触や衝突を含む関係及び当該関係を回避する関係のなかにおける接触や衝突を含む関係となる可能性が低い関係が挙げられる。すなわち、衝突リスクが最低の制御変数を算出する。次に、ステップＳ２６２０で、算出された制御変数による車両１００の挙動が、車両１００に対する他車両の衝突を予測し、予測結果について衝突が不可避か否かを判断する。この場合、ステップＳ２６２０で否定判断の場合は、そのままステップＳ２６５０へ進めばよい。一方、肯定判断の場合にステップＳ２６４０で、ステップＳ２６３０で算出した制御変数を、衝突リスクをさらに低減可能な制御変数を算出する。具体的には自車両と他車両とが接触又は衝突によって生じる、車両に発生する損害を低減する、車両の衝突角度、及び車速の少なくとも１つを算出する。

　なお、車両１００の速度に関する制御変数は、加速側を大中小（Ｌ、Ｍ、Ｓ）に各１０種類を設定して合計３０種類のパターンを適用し、減速側を大中小（Ｌ、Ｍ、Ｓ）に各１０種類を設定して合計３０種類のパターンを適用し、選択するようにしてもよい。この場合、自車両と他車両との間の関係は時々刻々と変化し、自車両と他車両とが接近する状態では距離が接近する方向に辺かするので、パターンを選択する選択肢が時々刻々と小さくなり、選択のための処理時間は低減でき、さらにデルタの差の調整が少なくなる。

　また、上記では自車両１００Ａに対する他車両として、他車両１００Ｄを適用した場合を説明したが、上述した自車両１００Ａの周囲の他車両１００Ｂ、１００Ｃ、１００Ｄの少なくとも１つ、そして全ての他車両を対象とし、当該対象の他車両に対する衝突リスクを低減する制御変数を算出してもよい。

　従って、ＣｅｎｔｒａｌＢｒａｉｎ１５は、接触を含む衝突の予測に合わせて算出した制御変数に基づいて、例えば４つの車輪３０２５にそれぞれ搭載されたインホイールモータ３１２５を制御することで、４つの車輪３０２５それぞれの車輪速、傾き、及び４つの車輪３０２５それぞれを支持するサスペンション３２２５を制御することで、衝突の回避、または衝突時に車両に発生する損害を低減して自動運転することが可能となる。

　図７７は、情報処理装置１０又は冷却実行装置１１０として機能するコンピュータ１２００のハードウェア構成の一例を概略的に示す。コンピュータ１２００にインストールされたプログラムは、コンピュータ１２００を、本実施形態に係る装置の１又は複数の「部」として機能させ、又はコンピュータ１２００に、本実施形態に係る装置に関連付けられるオペレーション又は当該１又は複数の「部」を実行させることができ、及び／又はコンピュータ１２００に、本実施形態に係るプロセス又は当該プロセスの段階を実行させることができる。そのようなプログラムは、コンピュータ１２００に、本明細書に記載のフローチャート及びブロック図のブロックのうちのいくつか又はすべてに関連付けられた特定のオペレーションを実行させるべく、ＣＰＵ１２１２によって実行されてよい。

　本実施形態によるコンピュータ１２００は、ＣＰＵ１２１２、ＲＡＭ１２１４、及びグラフィックコントローラ１２１６を含み、それらはホストコントローラ１２１０によって相互に接続されている。コンピュータ１２００はまた、通信インタフェース１２２２、記憶装置１２２４、ＤＶＤドライブ、及びＩＣカードドライブのような入出力ユニットを含み、それらは入出力コントローラ１２２０を介してホストコントローラ１２１０に接続されている。ＤＶＤドライブは、ＤＶＤ－ＲＯＭドライブ及びＤＶＤ－ＲＡＭドライブ等であってよい。記憶装置１２２４は、ハードディスクドライブ及びソリッドステートドライブ等であってよい。コンピュータ１２００はまた、ＲＯＭ１２３０及びキーボードのようなレガシの入出力ユニットを含み、それらは入出力チップ１２４０を介して入出力コントローラ１２２０に接続されている。

　ＣＰＵ１２１２は、ＲＯＭ１２３０及びＲＡＭ１２１４内に格納されたプログラムに従い動作し、それにより各ユニットを制御する。グラフィックコントローラ１２１６は、ＲＡＭ１２１４内に提供されるフレームバッファ等又はそれ自体の中に、ＣＰＵ１２１２によって生成されるイメージデータを取得し、イメージデータがディスプレイデバイス１２１８上に表示されるようにする。

　通信インタフェース１２２２は、ネットワークを介して他の電子デバイスと通信する。記憶装置１２２４は、コンピュータ１２００内のＣＰＵ１２１２によって使用されるプログラム及びデータを格納する。ＤＶＤドライブは、プログラム又はデータをＤＶＤ－ＲＯＭ等から読み取り、記憶装置１２２４に提供する。ＩＣカードドライブは、プログラム及びデータをＩＣカードから読み取り、及び／又はプログラム及びデータをＩＣカードに書き込む。

　ＲＯＭ１２３０はその中に、アクティブ化時にコンピュータ１２００によって実行されるブートプログラム等、及び／又はコンピュータ１２００のハードウェアに依存するプログラムを格納する。入出力チップ１２４０はまた、様々な入出力ユニットをＵＳＢポート、パラレルポート、シリアルポート、キーボードポート、マウスポート等を介して、入出力コントローラ１２２０に接続してよい。

　プログラムは、ＤＶＤ－ＲＯＭ又はＩＣカードのようなコンピュータ可読記憶媒体によって提供される。プログラムは、コンピュータ可読記憶媒体から読み取られ、コンピュータ可読記憶媒体の例でもある記憶装置１２２４、ＲＡＭ１２１４、又はＲＯＭ１２３０にインストールされ、ＣＰＵ１２１２によって実行される。これらのプログラム内に記述される情報処理は、コンピュータ１２００に読み取られ、プログラムと、上記様々なタイプのハードウェアリソースとの間の連携をもたらす。装置又は方法が、コンピュータ１２００の使用に従い情報のオペレーション又は処理を実現することによって構成されてよい。

　例えば、通信がコンピュータ１２００及び外部デバイス間で実行される場合、ＣＰＵ１２１２は、ＲＡＭ１２１４にロードされた通信プログラムを実行し、通信プログラムに記述された処理に基づいて、通信インタフェース１２２２に対し、通信処理を命令してよい。通信インタフェース１２２２は、ＣＰＵ１２１２の制御の下、ＲＡＭ１２１４、記憶装置１２２４、ＤＶＤ－ＲＯＭ、又はＩＣカードのような記録媒体内に提供される送信バッファ領域に格納された送信データを読み取り、読み取られた送信データをネットワークに送信し、又はネットワークから受信した受信データを記録媒体上に提供される受信バッファ領域等に書き込む。

　また、ＣＰＵ１２１２は、記憶装置１２２４、ＤＶＤドライブ（ＤＶＤ－ＲＯＭ）、ＩＣカード等のような外部記録媒体に格納されたファイル又はデータベースの全部又は必要な部分がＲＡＭ１２１４に読み取られるようにし、ＲＡＭ１２１４上のデータに対し様々なタイプの処理を実行してよい。ＣＰＵ１２１２は次に、処理されたデータを外部記録媒体にライトバックしてよい。

　様々なタイプのプログラム、データ、テーブル、及びデータベースのような様々なタイプの情報が記録媒体に格納され、情報処理を受けてよい。ＣＰＵ１２１２は、ＲＡＭ１２１４から読み取られたデータに対し、本開示の随所に記載され、プログラムの命令シーケンスによって指定される様々なタイプのオペレーション、情報処理、条件判断、条件分岐、無条件分岐、情報の検索／置換等を含む、様々なタイプの処理を実行してよく、結果をＲＡＭ１２１４に対しライトバックする。また、ＣＰＵ１２１２は、記録媒体内のファイル、データベース等における情報を検索してよい。例えば、各々が第２の属性の属性値に関連付けられた第１の属性の属性値を有する複数のエントリが記録媒体内に格納される場合、ＣＰＵ１２１２は、当該複数のエントリの中から、第１の属性の属性値が指定されている条件に一致するエントリを検索し、当該エントリ内に格納された第２の属性の属性値を読み取り、それにより予め定められた条件を満たす第１の属性に関連付けられた第２の属性の属性値を取得してよい。

　上で説明したプログラム又はソフトウエアモジュールは、コンピュータ１２００上又はコンピュータ１２００近傍のコンピュータ可読記憶媒体に格納されてよい。また、専用通信ネットワーク又はインターネットに接続されたサーバシステム内に提供されるハードディスク又はＲＡＭのような記録媒体が、コンピュータ可読記憶媒体として使用可能であり、それによりプログラムを、ネットワークを介してコンピュータ１２００に提供する。

　本実施形態におけるフローチャート及びブロック図におけるブロックは、オペレーションが実行されるプロセスの段階又はオペレーションを実行する役割を持つ装置の「部」を表わしてよい。特定の段階及び「部」が、専用回路、コンピュータ可読記憶媒体上に格納されるコンピュータ可読命令と共に供給されるプログラマブル回路、及び／又はコンピュータ可読記憶媒体上に格納されるコンピュータ可読命令と共に供給されるプロセッサによって実装されてよい。専用回路は、デジタル及び／又はアナログハードウェア回路を含んでよく、集積回路（ＩＣ）及び／又はディスクリート回路を含んでよい。プログラマブル回路は、例えば、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、及びプログラマブルロジックアレイ（ＰＬＡ）等のような、論理積、論理和、排他的論理和、否定論理積、否定論理和、及び他の論理演算、フリップフロップ、レジスタ、並びにメモリエレメントを含む、再構成可能なハードウェア回路を含んでよい。

　コンピュータ可読記憶媒体は、適切なデバイスによって実行される命令を格納可能な任意の有形なデバイスを含んでよく、その結果、そこに格納される命令を有するコンピュータ可読記憶媒体は、フローチャート又はブロック図で指定されたオペレーションを実行するための手段を作成すべく実行され得る命令を含む、製品を備えることになる。コンピュータ可読記憶媒体の例としては、電子記憶媒体、磁気記憶媒体、光記憶媒体、電磁記憶媒体、半導体記憶媒体等が含まれてよい。コンピュータ可読記憶媒体のより具体的な例としては、フロッピー（登録商標）ディスク、ディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、消去可能プログラマブルリードオンリメモリ（ＥＰＲＯＭ又はフラッシュメモリ）、電気的消去可能プログラマブルリードオンリメモリ（ＥＥＰＲＯＭ）、静的ランダムアクセスメモリ（ＳＲＡＭ）、コンパクトディスクリードオンリメモリ（ＣＤ－ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、ブルーレイ（登録商標）ディスク、メモリスティック、集積回路カード等が含まれてよい。

　コンピュータ可読命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、又はＳｍａｌｌｔａｌｋ（登録商標）、ＪＡＶＡ（登録商標）、Ｃ＋＋等のようなオブジェクト指向プログラミング言語、及び「Ｃ」プログラミング言語又は同様のプログラミング言語のような従来の手続型プログラミング言語を含む、１又は複数のプログラミング言語の任意の組み合わせで記述されたソースコード又はオブジェクトコードのいずれかを含んでよい。

　コンピュータ可読命令は、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサ、又はプログラマブル回路が、フローチャート又はブロック図で指定されたオペレーションを実行するための手段を生成するために当該コンピュータ可読命令を実行すべく、ローカルに又はローカルエリアネットワーク（ＬＡＮ）、インターネット等のようなワイドエリアネットワーク（ＷＡＮ）を介して、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサ、又はプログラマブル回路に提供されてよい。プロセッサの例としては、コンピュータプロセッサ、処理ユニット、マイクロプロセッサ、デジタル信号プロセッサ、コントローラ、マイクロコントローラ等を含む。

　以上、本開示を実施の形態を用いて説明したが、本開示の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更又は改良を加えることが可能であることが当業者に明らかである。その様な変更又は改良を加えた形態も本開示の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。

　特許請求の範囲、明細書、及び図面中において示した装置、システム、プログラム、及び方法における動作、手順、ステップ、及び段階などの各処理の実行順序は、特段「より前に」、「先立って」などと明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、及び図面中の動作フローに関して、便宜上「まず、」、「次に、」などを用いて説明したとしても、この順で実施することが必須であることを意味するものではない。

　上記実施形態において、各プロセッサ（例：ＩＰＵ１１、ＭｏＰＵ１２、及びＣｅｎｔｒａｌ　Ｂｒａｉｎ１５）が実行するとした処理はあくまで例示であり、各処理を実行するプロセッサは限定されない。例えば、上記実施形態でＭｏＰＵ１２が実行するとした処理を、ＭｏＰＵ１２に代えて、Ｃｅｎｔｒａｌ　Ｂｒａｉｎ１５が実行してもよいし、ＩＰＵ１１、ＭｏＰＵ１２、及びＣｅｎｔｒａｌ　Ｂｒａｉｎ１５以外の他のプロセッサが実行してもよい。

　２０２２年１０月２４日に出願された日本国特許出願２０２２－１７０１６５号の開示、２０２２年１０月２７日に出願された日本国特許出願２０２２－１７２７７７号の開示、２０２２年１１月１日に出願された日本国特許出願２０２２－１７５６７９号の開示、２０２２年１１月１日に出願された日本国特許出願２０２２－１７５６９８号の開示、２０２２年１１月１１日に出願された日本国特許出願２０２２－１８１３６２号の開示、２０２２年１１月１４日に出願された日本国特許出願２０２２－１８２１３１号の開示、２０２２年１１月２１日に出願された日本国特許出願２０２２－１８６０４０号の開示、２０２２年１１月２４日に出願された日本国特許出願２０２２－１８７６４８号の開示、２０２２年１１月２４日に出願された日本国特許出願２０２２－１８７６４９号の開示、２０２２年１１月２８日に出願された日本国特許出願２０２２－１８９５４６号の開示、２０２２年１２月２６日に出願された日本国特許出願２０２２－２０９０７０号の開示、２０２３年１月４日に出願された日本国特許出願２０２３－０００３２１号の開示、２０２３年３月９日に出願された日本国特許出願２０２３－０３６９６７号の開示、２０２３年３月９日に出願された日本国特許出願２０２３－０３６９６８号の開示、２０２３年３月９日に出願された日本国特許出願２０２３－０３６９６９号の開示、２０２３年３月９日に出願された日本国特許出願２０２３－０３６９７２号の開示、２０２３年３月９日に出願された日本国特許出願２０２３－０３６９７３号の開示、２０２３年３月９日に出願された日本国特許出願２０２３－０３６９７４号の開示、２０２３年３月９日に出願された日本国特許出願２０２３－０３６９７６号の開示、２０２３年３月９日に出願された日本国特許出願２０２３－０３６９７７号の開示、２０２３年３月３１日に出願された日本国特許出願２０２３－０５９４１１号の開示、２０２３年４月１８日に出願された日本国特許出願２０２３－０６８０６２号の開示、２０２３年４月２０日に出願された日本国特許出願２０２３－０６９６１８号の開示、２０２３年４月２１日に出願された日本国特許出願２０２３－０７０３９４号の開示、２０２３年４月２８日に出願された日本国特許出願２０２３－０７５２５９号の開示、２０２３年５月２日に出願された日本国特許出願２０２３－０７６２５３号の開示、２０２３年５月２日に出願された日本国特許出願２０２３－０７６２６１号の開示、２０２３年５月８日に出願された日本国特許出願２０２３－０７６９４３号の開示、２０２３年５月８日に出願された日本国特許出願２０２３－０７６９４４号の開示、２０２３年５月１５日に出願された日本国特許出願２０２３－０８０３５３号の開示、２０２３年５月１９日に出願された日本国特許出願２０２３－０８３４５２号の開示、２０２３年５月２２日に出願された日本国特許出願２０２３－０８４１２１号の開示、２０２３年５月２３日に出願された日本国特許出願２０２３－０８４８６０号の開示、２０２３年６月２６日に出願された日本国特許出願２０２３－１０４４２４号の開示は、その全体が参照により本明細書に取り込まれる。

　本明細書に記載された全ての文献、特許出願、及び技術規格は、個々の文献、特許出願、及び技術規格が参照により取り込まれることが具体的かつ個々に記された場合と同程度に、本明細書中に参照により取り込まれる。

Claims

　第１カメラにより撮影された物体の画像から、撮影された前記物体を点として捉えた点情報を出力する第１プロセッサと、
　前記第１カメラと対応する方向を向いた第２カメラにより撮影された前記物体の画像から、撮影された前記物体を識別した識別情報を出力する第２プロセッサと、
　を備える、
　情報処理装置。
　前記第１プロセッサから出力された前記点情報及び前記第２プロセッサから出力された前記識別情報を対応付ける第３プロセッサを備える、
　請求項１に記載の情報処理装置。
　前記第１カメラのフレームレートは可変であり、
　前記第１プロセッサは、所定要因に応じて前記第１カメラのフレームレートを変更する、
　請求項１に記載の情報処理装置。
　前記第１プロセッサは、所定の対象物に対する外部環境に関するスコアを算出する、
　請求項３に記載の情報処理装置。
　前記第１プロセッサは、算出した前記外部環境に関するスコアに応じて、前記第１カメラのフレームレートを変更する、
　請求項４に記載の情報処理装置。
　前記第１プロセッサは、前記第１カメラにより撮影された前記物体の画像から、撮影された前記物体の存在位置を示す点の３次元直交座標系における少なくとも２つの座標軸の座標値を出力し、
　前記第１プロセッサから出力された前記点情報及び前記第２プロセッサから出力された前記識別情報を対応付ける第３プロセッサを備える、
　請求項１に記載の情報処理装置。
　前記第１プロセッサは、前記第１カメラにより撮影された画像から認識した前記物体の輪郭を囲む多角形の頂点の少なくとも対角となる２点の座標値を出力する、
　請求項６に記載の情報処理装置。
　前記第１プロセッサは、前記第１カメラにより撮影された画像から認識した前記物体の輪郭を囲む多角形の複数の頂点の座標値を出力する、
　請求項７に記載の情報処理装置。
　前記第１プロセッサから出力された前記点情報及び前記第２プロセッサから出力された前記識別情報を対応付け、前記点情報及び前記識別情報に基づいて、移動体の自動運転を制御する第３プロセッサを備える、
　請求項１に記載の情報処理装置。
　前記第３プロセッサは、
　検知部が検知した検知情報に基づいて、前記移動体の自動運転を制御するための制御変数を算出し、
　算出した前記制御変数と、前記点情報及び前記識別情報とに基づいて、前記移動体の自動運転を制御する、
　請求項９に記載の情報処理装置。
　前記第１プロセッサは、前記第１カメラにより撮影された前記物体の可視光画像及び赤外線画像の少なくとも一方に基づいて、前記点情報を出力し、
　前記第１プロセッサから出力された前記点情報及び前記第２プロセッサから出力された前記識別情報を対応付ける第３プロセッサを備える、
　請求項１に記載の情報処理装置。
　前記第１プロセッサは、所定要因により前記第１カメラに含まれる可視光カメラにより撮影された前記物体の可視光画像から前記物体を捉えられない場合、前記第１カメラに含まれる赤外線カメラにより撮影された前記物体の赤外線画像に基づいて前記点情報を出力する、
　請求項１１に記載の情報処理装置。
　前記第１プロセッサは、前記可視光カメラにより前記可視光画像を撮影するタイミングと、前記赤外線カメラにより前記赤外線画像を撮影するタイミングとを同期させる、
　請求項１２に記載の情報処理装置。
　前記第１プロセッサは、前記第１カメラにより撮影された前記物体の画像及びレーダーにより前記物体に照射された電磁波の前記物体からの反射波に基づくレーダー信号から、前記点情報を出力し、
　前記第１プロセッサから出力された前記点情報及び前記第２プロセッサから出力された前記識別情報を対応付ける第３プロセッサを備える、
　請求項１に記載の情報処理装置。
　前記第１プロセッサは、前記第１カメラにより前記画像を撮影するタイミングと、前記レーダーが前記レーダー信号に基づく前記物体の３次元点群データを取得するタイミングとを同期させる、
　請求項１４に記載の情報処理装置。
　前記第１カメラによって撮影される単位時間あたりの画像数及び前記レーダーによって取得される単位時間あたりの３次元点群データの数は、前記第２カメラによって撮影される単位時間あたりの画像数より多い、
　請求項１４に記載の情報処理装置。
　前記第２プロセッサは、前記第２カメラにより撮影された前記物体の画像から、撮影された前記物体の種別を示すラベル情報を出力し、
　前記第１プロセッサから出力された前記点情報及び前記第２プロセッサから出力された前記ラベル情報を対応付ける第３プロセッサを備える、
　請求項１に記載の情報処理装置。
　前記第３プロセッサは、前記点情報が示す前記物体の位置情報と、前記位置情報が示す位置に存在する前記物体についての前記ラベル情報とを対応付ける、
　請求項１７に記載の情報処理装置。
　前記第３プロセッサは、前記第２プロセッサが前記ラベル情報を出力したタイミングと同じタイミングで前記第１プロセッサから出力された前記点情報を前記ラベル情報に対応付ける、
　請求項１８に記載の情報処理装置。
　前記第３プロセッサは、前記点情報及び前記ラベル情報を対応付けた後に前記第１プロセッサから新たな前記点情報が出力された場合、新たな前記点情報についても前記ラベル情報と対応付ける、
　請求項１８に記載の情報処理装置。
　前記第１プロセッサから出力された前記点情報及び前記第２プロセッサから出力された前記識別情報を対応付ける第３プロセッサを備え、
　前記第１プロセッサは、前記第１カメラにより撮影された前記物体の画像から、前記点情報として前記物体の存在位置を示す点の３次元直交座標系における前記物体の奥行き方向の座標値を導出する、
　請求項１に記載の情報処理装置。
　前記第１プロセッサは、複数の前記第１カメラにより撮影された前記物体の画像から、前記点情報として前記奥行き方向の座標値を導出する、
　請求項２１に記載の情報処理装置。
　前記第１プロセッサは、前記第１カメラにより撮影された前記物体の画像及びレーダーにより前記物体に照射された電磁波の前記物体からの反射波に基づくレーダー信号から、前記点情報として前記物体の幅方向、高さ方向、及び前記奥行き方向の座標値を導出する、
　請求項２１に記載の情報処理装置。
　前記第１プロセッサは、前記第１カメラにより撮影された前記物体の画像及び照射装置により前記物体に照射されたストラクチャードライトを撮影した結果から、前記点情報として前記物体の幅方向、高さ方向、及び前記奥行き方向の座標値を導出する、
　請求項２１に記載の情報処理装置。
　前記第１プロセッサは、第１時点の前記３次元直交座標系における前記物体の幅方向、高さ方向、及び前記奥行き方向の座標値と、前記第１時点の次の時点である第２時点における前記幅方向及び前記高さ方向の座標値とから、前記点情報として前記第２時点における前記奥行き方向の座標値を導出する、
　請求項２１に記載の情報処理装置。
　前記第１プロセッサから出力された前記点情報及び前記第２プロセッサから出力された前記識別情報を対応付ける第３プロセッサを備え、
　前記第３プロセッサは、前記第１カメラにより撮影された前記物体の画像から、前記点情報として前記物体の存在位置を示す点の３次元直交座標系における前記物体の奥行き方向の座標値を導出する、
　請求項１に記載の情報処理装置。
　前記第１プロセッサは、イベントカメラにより撮影された前記物体の画像から、前記点情報を出力し、
　前記第２プロセッサは、前記イベントカメラと対応する方向を向いた前記第２カメラにより撮影された前記物体の画像から、前記識別情報を出力し、
　前記第１プロセッサから出力された前記点情報及び前記第２プロセッサから出力された前記識別情報を対応付ける第３プロセッサを備える、
　請求項１に記載の情報処理装置。
　前記第１プロセッサは、所定要因により可視光カメラにより撮影された前記物体の可視光画像から前記物体を捉えられない場合、前記イベントカメラにより撮影された前記物体の画像に基づいて前記点情報を出力する、
　請求項２７に記載の情報処理装置。
　前記所定要因は、前記物体の移動速度が所定値以上の場合及び単位時間あたりにおける環境光の光量変化が所定値以上の場合の少なくとも１つを含む、
　請求項２８に記載の情報処理装置。
　前記イベントカメラは、現時刻に撮影された画像と前時刻に撮影された画像との差異部分を表すイベント画像を出力するカメラである、
　請求項２７に記載の情報処理装置。
　前記第２プロセッサは、撮影された前記物体の画像を、第１のフレームレートで出力し、
　前記第１プロセッサは、撮影された前記物体の動きを示す動き情報を、前記第１のフレームレートよりも高い第２のフレームレートで出力し、
　前記画像及び前記動き情報に基づいて、車両の運転制御を実行する第３プロセッサを備える、
　請求項１に記載の情報処理装置。
　前記第２のフレームレートは、前記第１のフレームレートの１０倍以上である、
　請求項３１に記載の情報処理装置。
　前記第２のフレームレートは、１００フレーム／秒以上である、
　請求項３１に記載の情報処理装置。
　前記第１プロセッサは、物体の存在位置を示す点の、所定の座標軸に沿った動きのベクトル情報を出力する、
　請求項３１に記載の情報処理装置。
　２つの前記第１プロセッサを用いて、物体の存在位置を示す点の、三次元直交座標系における３つの座標軸の各々に沿った動きのベクトル情報を出力する、
　請求項３４に記載の情報処理装置。
　前記第３プロセッサは、１０億分の１秒単位で複数の情報を処理する能力を有する、
　請求項３５に記載の情報処理装置。
　フレームレートが１００フレーム／秒以上のカメラで撮影された物体の画像から、物体の存在位置を示す点のみを抽出し、前記の物体の存在位置を示す点の、所定の座標軸に沿った動きのベクトル情報をプロセッサから出力する、
　請求項１に記載の情報処理装置。
　前記第１プロセッサは、前記物体の輪郭を囲む四角形の頂点の少なくとも対角となる２つ点について前記ベクトル情報を出力する、
　請求項３５に記載の情報処理装置。
　前記第１プロセッサは、前記物体の画像から前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点の、所定の座標軸に沿った動きを示す動き情報を１０００フレーム／秒以上のフレームレートで出力する、
　請求項１に記載の情報処理装置。
　前記第１プロセッサは、前記物体の中心点又は重心点の所定の座標軸に沿った動きのベクトル情報を前記動き情報として出力する、
　請求項３９に記載の情報処理装置。
　前記第１プロセッサは、前記物体の輪郭を囲む四角形の頂点の少なくとも対角となる２つ点について所定の座標軸に沿った動きのベクトル情報を前記動き情報として出力する、
　請求項３９に記載の情報処理装置。
　前記画像は、赤外線画像を含む、
　請求項３９に記載の情報処理装置。
　前記画像は、互いに同期した可視光画像及び赤外線画像を含む、
　請求項３９に記載の情報処理装置。
　２つの前記第１プロセッサを用いて、前記物体の存在位置を示す点の、三次元直交座標系における３つの座標軸の各々に沿った動きのベクトル情報を前記動き情報として出力する、
　請求項３９に記載の情報処理装置。
　前記第１プロセッサは、前記物体に照射された電磁波の前記物体からの反射波に基づいて、前記物体までの距離を導出し、前記物体の存在位置を示す点の、三次元直交座標系における３つの座標軸の各々に沿った動きのベクトル情報を前記動き情報として出力する、
　請求項３９に記載の情報処理装置。
　前記物体の画像を１０００フレーム／秒未満のフレームレートで出力する前記第２プロセッサと、
　前記動き情報と、前記第２プロセッサから出力された画像とに基づいて、前記物体に対する応答制御を行う第３プロセッサと、
　を更に含む請求項３９に記載の情報処理装置。
　前記第１プロセッサは、前記物体が写る画像から前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力する、
　請求項１に記載の情報処理装置。
　前記情報処理装置は、フレームレートを変更することが可能なカメラを備え、
　前記第１プロセッサは、
　外部環境に関するスコアを計算し、
　前記スコアに応じて、前記カメラのフレームレートを決定し、
　決定した前記フレームレートにより画像の撮像を指示する制御信号を前記カメラに対して出力し、
　前記カメラによって撮像された画像から前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力する、
　請求項４７に記載の情報処理装置。
　前記情報処理装置は車両に搭載され、
　前記第１プロセッサは、
　前記外部環境に関するスコアとして、前記車両の走行に関する危険度を計算し、
　前記危険度に応じて、前記カメラのフレームレートを決定し、
　決定した前記フレームレートにより画像の撮像を指示する制御信号を前記カメラに対して出力し、
　前記カメラによって撮像された画像から前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力する、
　請求項４８に記載の情報処理装置。
　前記第１プロセッサは、
　前記画像から物体を抽出し、
　前記物体の存在位置が所定領域である場合に、前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力する、
　請求項４７に記載の情報処理装置。
　前記第１プロセッサは、
　前記画像から物体を抽出し、
　前記物体毎にスコアを計算し、
　前記スコアが所定閾値以上の前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力する、
　請求項４７に記載の情報処理装置。
　第１の水平画角の第１のカメラと、
　前記第１の水平画角よりも広い第２の水平画角の第２のカメラと、
　前記第１のカメラの撮影方向を調整する調整部と、
　を備え、
　前記第１プロセッサは、前記第２のカメラにより取得された画像において前記第１のカメラの死角にある物体の動きを検知した場合、前記第１のカメラの撮影方向を検知した物体の方向に向けるように前記調整部を制御する、
　請求項１に記載の情報処理装置。
　前記第２のカメラの水平画角は、３６０°である、
　請求項５２に記載の情報処理装置。
　前記調整部の水平方向における撮影方向の調整範囲は、基準方向に対して±１３５°以内の範囲である、
　請求項５３に記載の情報処理装置。
　前記第１のカメラは、前記第２のカメラよりも単位画角当たりの解像度が高い、
　請求項５２に記載の情報処理装置。
　前記第１プロセッサは、前記第１のカメラにより取得された画像、及び、前記第２のカメラにより取得された画像を用いて、画像中の物体までの距離の情報を取得する、
　請求項５２に記載の情報処理装置。
　画像から抽出した物体の動きを示す動き情報を出力する前記第１プロセッサと、
　画像から抽出した物体の種別を示す種別情報を出力する前記第２プロセッサと、
　前記動き情報及び前記種別情報に基づいて、前記物体に対する応答制御を行う第３プロセッサと、
　自装置が搭載された移動体の外部に設置された外部カメラにより取得された画像及び当該外部カメラの位置情報を取得する取得部と、を備え、
　前記第２プロセッサは、外部カメラにより取得された画像から抽出した物体の種別を示す種別情報を、当該外部カメラの位置情報と関連付けて出力する、
　請求項１に記載の情報処理装置。
　前記第２プロセッサは、外部カメラにより取得された画像から抽出した物体が、前記移動体の進行に影響を及ぼす可能性がある物体である場合に、進行に影響を及ぼす可能性がある物体であることを示す識別情報を付して、当該物体の種別情報を出力する、
　請求項５７に記載の情報処理装置。
　前記移動体の進行に影響を及ぼす可能性がある物体は、人又は動物である、
　請求項５８に記載の情報処理装置。
　前記取得部は、前記移動体の進行ルートの前方に位置する外部カメラから画像及び位置情報を取得する、
　請求項５７に記載の情報処理装置。
　前記取得部は、前記移動体の進行ルートの前方において、自装置から最も近い外部カメラのみから画像及び位置情報を取得する、
　請求項６０に記載の情報処理装置。
　前記取得部は、前記移動体の進行ルートを案内するナビゲーションシステムのルート情報に基づいて、前記移動体の進行ルートの前方に位置する外部カメラを特定する、
　請求項６０に記載の情報処理装置。
　第１位置、および、前記第１位置とは少なくとも水平方向の位置が異なる第２位置へカメラを順次移動させると共に、前記カメラによって前記第１位置および前記第２位置で各々画像を撮影させる撮影部と、
　前記第１位置で撮影された第１画像および前記第２位置で撮影された第２画像に基づいて、前記第１画像および前記第２画像に各々映っている物体の３次元位置を算出する処理部と、
　を含む、
　請求項１に記載の情報処理装置。
　前記撮影部は、前記カメラが前記第１位置および前記第２位置を各々通る環状の経路に沿って循環移動するように、前記カメラが取り付けられた部材を回転させる移動部を含む、
　請求項６３に記載の情報処理装置。
　前記処理部は、外部環境に関するスコアを計算し、計算した前記スコアに応じて前記カメラのフレームレートを決定し、
　前記移動部は、前記処理部によって決定されたフレームレートに応じて前記部材の回転速度を変更する、
　請求項６４に記載の情報処理装置。
　前記処理部は、前記第１画像と前記第２画像との撮影時刻差に起因する、前記第１画像および前記第２画像における前記物体の２次元位置の偏差を補正して、前記物体の３次元位置を算出する、
　請求項６３に記載の情報処理装置。
　前記処理部は、前記第１位置で第１時刻に撮影された第１画像と前記第１位置で第２時刻に撮影された第１画像とのマッチングを行い、マッチング結果に基づいて、前記第２位置での撮影時刻である第３時刻に前記第１位置で撮影を行った場合に得られる仮想第１画像における前記物体の２次元位置を推定することで、前記物体の２次元位置の偏差を補正する、
　請求項６６に記載の情報処理装置。
　前記第１プロセッサから出力された前記点情報及び前記第２プロセッサから出力された前記識別情報を対応付ける第３プロセッサを備え、
　前記第１カメラで撮像された画像が鮮明でない場合、前記第３プロセッサは、前記第２カメラで撮像された画像を前記第１カメラで撮像された画像の代替として使用する、
　請求項１に記載の情報処理装置。
　前記第１カメラで撮像された画像が鮮明でない場合、前記第３プロセッサは、前記第１カメラで撮像される画像を鮮明にする処理を実行する、
　請求項６８に記載の情報処理装置。
　前記第２プロセッサは、自装置の近隣に存在する他装置で撮影された前記物体の画像と、前記物体の位置情報とを用いて、前記第２カメラにより撮像された前記画像の位置情報を取得する、
　請求項１に記載の情報処理装置。
　前記第２プロセッサは、前記他装置からの前記物体の画像及び前記物体の位置情報の送信時間を考慮して、前記第２カメラのフレームと前記他装置からの前記物体の画像のフレームとを同期させる、
　請求項７０に記載の情報処理装置。
　前記第１プロセッサは、前記第１カメラにより撮影された前記物体の画像から、撮影された前記物体の存在位置を示す点の３次元直交座標系を構成する少なくとも２つの座標軸において、前記物体の中心点若しくは重心点の存在位置を示した第１座標値又は前記物体の輪郭を囲む多角形の頂点の少なくとも対角となる２点の存在位置を示した第２座標値を、所定のタイミングで切り替えて出力する、
　請求項１に記載の情報処理装置。
　前記第１プロセッサは、所定要因により前記第２カメラにより撮影された前記物体の画像から、撮影された前記物体を前記第２プロセッサが識別できない場合に、出力する座標値を前記第１座標値から前記第２座標値に切り替える、
　請求項７２に記載の情報処理装置。
　前記第１プロセッサは、前記物体の移動速度が所定閾値以下の場合、又は前記物体の移動方向が所定方向である場合に、出力する座標値を前記第２座標値から前記第１座標値に切り替える、
　請求項７２に記載の情報処理装置。
　前記第１プロセッサから出力された前記第１座標値又は前記第２座標値及び前記第２プロセッサから出力された前記識別情報を対応付ける第３プロセッサを備える、
　請求項７２に記載の情報処理装置。
　前記第１プロセッサは、移動体が通行する通行路内に存在する前記物体が前記移動体に接触する可能性が低いと判定できる場合、前記物体についての前記点情報の出力を停止する、
　請求項１に記載の情報処理装置。
　前記第１プロセッサは、前記通行路内において前記移動体の移動ルート上に前記物体が存在せず、かつ前記移動ルートから前記物体が離れていく場合に、前記物体が前記移動体に接触する可能性が低いと判定する、
　請求項７６に記載の情報処理装置。
　前記第１プロセッサは、前記第１カメラにより撮影された前記物体の画像から、前記点情報を出力すると共に、前記点情報の時系列から、点の動きを示す動き情報を算出して出力し、
　前記第１プロセッサから出力された前記動き情報及び前記第２プロセッサから出力された前記識別情報を対応付ける第３プロセッサを備え、
　前記第３プロセッサは、動きの方向が対応する複数の物体の動き情報が検知された場合、前記複数の物体の動き情報を除去し、残りの前記動き情報と、前記識別情報を対応付ける、
　請求項１に記載の情報処理装置。
　前記第１プロセッサは、前記点情報の時系列から、ハフ変換を用いて、点の動きの方向を算出し、
　前記算出された点の動きの方向の点情報の変化から、動きの速度を算出する、
　請求項７８に記載の情報処理装置。
　前記第３プロセッサは、前記第１プロセッサから出力された前記動き情報及び前記第２プロセッサから出力された前記識別情報を対応付け、前記動き情報及び前記識別情報に基づいて、移動体の自動運転を制御する、
　請求項７８に記載の情報処理装置。
　少なくとも１つのプロセッサを備え、
　前記プロセッサは、
　カメラにより撮影された前記物体の画像から、前記点情報を出力し、
　複数フレームの画像から出力された前記点情報に基づいて、移動方向が上下方向の何れかの方向で、かつ同じ方向であり、上下方向の移動量が一定範囲内の点を一定数以上検出した場合、前記点情報に含まれる点の中から、検出した一定数以上の点以外の点のみを出力する、
　請求項１に記載の情報処理装置。
　前記プロセッサは、前記カメラが設けられた移動体が直進中である場合、検出した一定数以上の点の中から、左右方向の移動量が閾値以上の点を更に出力する、
　請求項８１に記載の情報処理装置。
　第１移動体に対して用いられる第１移動体プロセッサを備え、
　前記第１移動体プロセッサは、
　前記第１移動体の周囲が撮影されることによって得られた第１画像に基づいて、前記第１移動体の周囲に含まれる第１物体の種類を認識し、
　第２移動体に対して用いられる第２移動体プロセッサは、前記第２移動体の周囲が撮影されることによって得られた第２画像に基づいて、前記第２移動体の周囲に含まれる第２物体の種類を認識し、
　前記第１移動体プロセッサによって前記第１物体の種類として前記第２移動体が認識されており、かつ、前記第２移動体プロセッサによって前記第２物体の種類として前記第１移動体が認識されている場合に、前記第１移動体プロセッサは、前記第２移動体プロセッサによって前記第１移動体が認識されていることを示す識別子を設定する、
　請求項１に記載の情報処理装置。
　前記第２移動体は、自動運転が可能な移動体であり、
　前記第１移動体プロセッサは、
　前記第１移動体プロセッサによって前記第１物体の種類として前記第２移動体が認識されており、前記第２移動体プロセッサによって前記第２物体の種類として前記第１移動体が認識されており、かつ、前記第２移動体が自動運転中である場合に、前記第１移動体プロセッサは、前記識別子を設定する、
　請求項８３に記載の情報処理装置。
　前記第１移動体及び前記第２移動体は、自動運転が可能な移動体であり、
　前記第１移動体プロセッサは、
　前記識別子が設定されており、かつ、前記第２移動体が自動運転中である場合に、前記第２移動体の挙動に基づいて前記第１移動体の自動運転を制御する、
　請求項８３に記載の情報処理装置。
　前記第２移動体プロセッサは、前記第２移動体の自動運転を制御し、
　前記第１移動体プロセッサは、
　前記挙動を示す情報として、前記第２移動体プロセッサが前記第２移動体の自動運転を制御する制御情報を取得し、
　前記制御情報に基づいて前記第１移動体の自動運転を制御する、
　請求項８５に記載の情報処理装置。
　前記第１移動体には、第１優先順位が付与されており、
　前記第２移動体には、第２優先順位が付与されており、
　前記第１移動体プロセッサは、前記第１優先順位が前記第２優先順位よりも高いことを条件に前記制御情報を取得する、
　請求項８６に記載の情報処理装置。
　前記第１移動体プロセッサは、
　前記第１画像を得るために行われる撮影のフレームレートよりも高いフレームレートで前記第１移動体の周囲が撮影されることにより得られた第３画像に基づいて前記第１物体を点として捉えた第１点情報を出力し、
　前記第１移動体プロセッサによって前記第１物体の種類として認識された前記第２移動体を特定可能な第２移動体情報と前記第１点情報とを対応付け、
　対応付けた前記第２移動体情報及び前記第１点情報に基づいて前記第１移動体の自動運転を制御する、
　請求項８５に記載の情報処理装置。
　前記第１移動体プロセッサは、第１プロセッサ、第２プロセッサ、及び第３プロセッサを有し、
　前記第１プロセッサは、前記第１点情報を出力し、
　前記第２プロセッサは、前記第１画像に基づいて前記第１物体の種類を認識し、
　前記第３プロセッサは、前記第２移動体情報と前記第１点情報とを対応付け、かつ、前記第１移動体の自動運転を制御する、
　請求項８８に記載の情報処理装置。
　前記第２移動体は、自動運転が可能な移動体であり、
　前記第２移動体プロセッサは、
　前記第２画像を得るために行われる撮影のフレームレートよりも高いフレームレートで前記第２移動体の周囲が撮影されることにより得られた第４画像に基づいて前記第２物体を点として捉えた第２点情報を出力し、
　前記第２移動体プロセッサによって前記第２物体の種類として認識された前記第１移動体を特定可能な第１移動体情報と前記第２点情報とを対応付け、
　対応付けた前記第１移動体情報及び前記第２点情報に基づいて前記第２移動体の自動運転を制御する制御処理を行い、
　前記第１移動体プロセッサは、前記第１移動体プロセッサによって前記第１物体の種類として前記第２移動体が認識されており、前記第２移動体プロセッサによって前記第２物体の種類として前記第１移動体が認識されており、かつ、前記第２移動体プロセッサによって前記制御処理が行われている場合に、前記識別子を設定する、
　請求項８３に記載の情報処理装置。
　前記第１移動体プロセッサは、前記第１移動体と前記第２移動体との接触を回避可能な制御内容で前記第１移動体の自動運転を制御する、
　請求項８５に記載の情報処理装置。
　前記第１移動体プロセッサは、前記識別子が設定された場合に、前記第２移動体プロセッサによって前記第１移動体が認識されていることを報知装置に対して報知させる、
　請求項８３に記載の情報処理装置。
　少なくとも１つのプロセッサを含む情報処理装置であって、
　前記プロセッサは、
　撮像された物体の画像を、第１のフレームレートで出力し、
　前記第１のフレームレートで出力される画像の各々について、その画像に含まれる物体の種別を示すラベル情報を導出し、
　撮像された物体の画像からその物体の存在位置を示す位置情報を、前記第１のフレームレートよりも高い第２のフレームレートで出力し、
　前記第２のフレームレートで順次出力される位置情報のうち、前記第１のフレームレートで出力される画像の出力タイミングに対応する各時点における位置情報と、その位置情報に対応する物体と同一の物体について導出された前記ラベル情報とを対応付ける、
　請求項１に記載の情報処理装置。
　前記プロセッサは、前記第２のフレームレートで出力される位置情報のうち、前記ラベル情報との対応付けが行われていない位置情報について、直前に対応付けられた前記ラベル情報を対応付ける、
　請求項９３に記載の情報処理装置。
　前記プロセッサは、前記物体の存在位置を示す少なくとも１つの点を前記位置情報として出力する、
　請求項９３に記載の情報処理装置。
　前記プロセッサは、
　前記第１のフレームレートで出力される解像度が相対的に高い第１の画像に基づいて前記ラベル情報を導出し、
　解像度が相対的に低い第２の画像に基づいて前記位置情報を導出する、
　請求項９３に記載の情報処理装置。
　前記第３プロセッサは、前記第１カメラにより撮影された第１画像に写る物体と前記第２カメラにより撮影された第２画像に写る物体のうち、所定の条件を満たす物体を、同一の物体であると判定し、同一であると判定された物体について、前記点情報と前記識別情報との対応付けを行う、
　請求項２に記載の情報処理装置。
　前記所定の条件は、前記第１画像に写る物体と前記第２画像に写る物体の位置関係が整合することを第１の条件として含み、前記第１画像に写る物体と前記第２画像に写る輪郭が整合することを第２の条件として含み、前記第１画像に写る物体について推定される当該物体の種別と、前記第２画像に写る物体について推定される当該物体の種別が整合することを第３の条件として含み、
　前記第３プロセッサは、前記第１の条件、前記第２の条件及び前記第３の条件の少なくとも１つを満たす場合に、前記第１画像に写る物体と前記第２画像に写る物体が同一の物体であると判定する、
　請求項９７に記載の情報処理装置。
　抽出部と、統合部と、推定部と、更新部とを含む情報処理装置であって、
　前記抽出部は、物体が写る画像から時刻ｔの前記物体の２次元空間上の存在位置を示す第１平面座標を抽出し、
　前記統合部は、前記物体の３次元空間上の奥行き方向について検知された第１奥行き情報と、前記第１平面座標と前記第１奥行き情報とを結合し、時刻ｔにおける前記物体の３次元座標を生成し、
　前記抽出部は、時刻ｔの次の時刻の前記物体の２次元空間上の存在位置を示す第２平面座標を抽出し、
　前記推定部は、前記物体が存在する空間の形状情報と、前記第１平面座標から前記第２平面座標への変化とに基づいて、前記次の時刻に対応する第２奥行き情報を推定し、
　前記更新部は、前記第２平面座標と、推定された前記第２奥行き情報とを統合し、前記次の時刻における前記物体の３次元座標を更新する、
　請求項１に記載の情報処理装置。
　前記統合部は、センサで検出された点群データから前記第１奥行き情報を検知する、
　請求項９９に記載の情報処理装置。
　前記物体の移動後の前記次の時刻の前記第２平面座標を抽出した場合に、前記次の時刻に対応する前記点群データから得られる奥行き情報を取得できていない場合に、前記第２奥行き情報の推定、及び前記更新を実行する、
　請求項１００に記載の情報処理装置。
　前記形状情報は、高解像度カメラにより取得した画像及びセンサが検出した点群データから得られる路面の形状と、予め設定された前記物体の形状を含み、
　前記推定部は、前記路面の形状に対して移動する前記物体の形状が、前記第１平面座標から前記第２平面座標に変化したときの奥行き方向の移動量を計算することにより、前記第２奥行き情報を推定する、
　請求項９９に記載の情報処理装置。
　前記物体の存在位置を示す座標に対応する点を前記物体の輪郭を表すボックスの頂点における複数の点の各々として、
　前記抽出部は、前記点の各々について、当該点の前記第１平面座標及び前記第２平面座標を抽出し、
　前記統合部は、前記点の各々について、当該点の前記物体の３次元座標を生成し、
　前記推定部は、前記点の各々について、当該点の前記第２奥行き情報を推定し、
　前記更新部は、前記点の各々について、当該点の前記物体の３次元座標を更新する、
　請求項９９に記載の情報処理装置。
　前記第１プロセッサから出力された前記点情報及び前記第２プロセッサから出力された前記識別情報を対応付ける第３プロセッサを備え、
　前記第１プロセッサは、前記点情報が複数の場合に、前記点情報に対応付けられた前記識別情報について予め定めた優先度に応じて、次の時点の前記点情報を出力する、
　請求項１に記載の情報処理装置。
　前記第１プロセッサは、第１時点において、前記第１カメラにより撮影された前記物体の画像から、前記点情報として前記物体の存在位置を示す点の３次元直交座標系における前記物体の奥行き方向の座標値を導出し、
　前記第１プロセッサは、前記点情報が複数の場合に、前記点情報に対応付けられた前記識別情報について予め定めた優先度に応じて、第１時点の次の時点である第２時点における前記奥行き方向の座標値を導出する、
　請求項１０４に記載の情報処理装置。
　前記第１プロセッサは、前記優先度について、前記識別情報が示す物体の挙動の有無に応じて、挙動を生じる物体には高い優先度を定め、挙動を生じない物体には前記高い優先度よりも低い優先度を定める、
　請求項１０４に記載の情報処理装置。
　前記第１プロセッサは、前記優先度について、前記挙動を生じる物体について、当該物体の危険因子に応じたより高い優先度を定める、
　請求項１０６に記載の情報処理装置。
　前記第１プロセッサは、前記点情報の数が所定数以上の場合に、前記優先度で次の時点の前記点情報を導出する、
　請求項１０７に記載の情報処理装置。
　前記第１プロセッサは、前記点情報について、前記画像についての所定の条件を満たす各時点において、前記第１カメラにより撮影された前記物体の画像から、前記点情報として前記物体の存在位置を示す点の３次元直交座標系における前記物体の奥行き方向の座標値を導出する、
　請求項１に記載の情報処理装置。
　前記第１プロセッサは、前記所定の条件を満たす各時点を第２時点として、第１時点の前記３次元直交座標系における前記物体の幅方向、高さ方向、及び前記奥行き方向の座標値と、前記第１時点の次の時点である第２時点における前記幅方向及び前記高さ方向の座標値とから、前記点情報として前記第２時点における前記奥行き方向の座標値を導出する、
　請求項１０９に記載の情報処理装置。
　前記第１プロセッサは、前記所定の条件を、前記第１時点の前記幅方向及び前記高さ方向の座標値に対する、前記第２時点の前記幅方向及び前記高さ方向の座標値の変化量として、当該変化量に対して予め定めた頻度で、前記奥行き方向の座標値を導出する、
　請求項１１０に記載の情報処理装置。
　前記第１プロセッサは、前記点情報について、前記第１カメラにより撮影された前記物体の画像から、前記点情報として前記物体の存在位置を示す点の３次元直交座標系における前記物体の奥行き方向の座標値を導出し、
　前記第１プロセッサは、所定のセンサ情報から前記奥行き方向の座標値の補正情報を学習する、
　請求項１に記載の情報処理装置。
　前記第１プロセッサは、導出した前記奥行き方向の座標値と、所定のセンサで検出した前記奥行き方向の座標値との差異が閾値以上の場合に、前記センサ情報を収集し、収集したセンサ情報における特定の走行状況に対して前記補正情報を学習する、
　請求項１１２に記載の情報処理装置。
　前記第１プロセッサは、第１時点の前記３次元直交座標系における前記物体の幅方向、高さ方向、及び前記奥行き方向の座標値と、前記第１時点の次の時点である第２時点における前記幅方向及び前記高さ方向の座標値とから、前記点情報として前記第２時点における前記奥行き方向の座標値を導出する、
　請求項１１３に記載の情報処理装置。
　車両に関連する複数の情報を取得可能な情報取得部と、
　深層学習を用い、前記情報取得部が取得した前記複数の情報から複数のインデックス値を推論する推論部と、
　前記複数のインデックス値に基づいて前記車両の運転制御を実行する運転制御部と、を備える、
　請求項１に記載の情報処理装置。
　前記推論部は、前記深層学習を用いた積分法による多変量解析により、前記複数の情報から前記複数のインデックス値を推論する、
　請求項１１５に記載の情報処理装置。
　前記情報取得部は、１０億分の１秒単位で前記複数の情報を取得し、前記推論部及び運転制御部は、１０億分の１秒単位で取得された前記複数の情報を用いて、前記複数のインデックス値の推論及び前記車両の運転制御を１０億分の１秒単位で実行する、
　請求項１１５に記載の情報処理装置。
　前記車両が目的地に到達するまでの走行戦略を設定する戦略設定部を更に備え、
　前記走行戦略は、前記目的地までの最適ルート、走行速度、ｔｉｌｔ、ブレーキングの少なくとも１つの理論値を含み、
　前記運転制御部は、前記複数のインデックス値と前記理論値との差分に基づいて前記走行戦略を更新する戦略更新部を備える、
　請求項１１５に記載の情報処理装置。
　前記情報取得部は、前記車両の下部に設けられて走行する地面の温度、材質及びｔｉｌｔを検出可能なセンサを備える、
　請求項１１５に記載の情報処理装置。
　車両の自動運転を制御する前記車両に搭載された制御装置の作動に関わる物体を検出した検出結果を取得する取得部と、
　前記検出結果に基づいて、前記制御装置における冷却を実行する実行部と
　を備える、
　請求項１に記載の情報処理装置。
　前記取得部は、前記検出結果として、物体の１フレームの画像から前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点の、所定の座標軸に沿った動きを示す動き情報を１００フレーム／秒以上のフレームレートで取得する、
　請求項１２０に記載の情報処理装置。
　前記検出結果を用いて、前記制御装置の作動を予測する予測部をさらに備え、
　前記予測部は、前記検出結果と、前記検出結果が取得された際の前記制御装置の作動状況と、を学習データとした機械学習によって生成された学習モデルを用いて、前記制御装置の作動を予測する、
　請求項１２１に記載の情報処理装置。
　前記予測部は、前記制御装置における複数の部位のそれぞれの温度変化をさらに予測し、
　前記実行部は、前記制御装置における前記部位の冷却を制御する、
　請求項１２２に記載の情報処理装置。
　車両に備えた複数のセンサ情報のうち、予め定められた数のセンサ情報の複数の組み合わせ毎に、前記車両の４つの車輪それぞれの車輪速、傾き、及び前記車輪を支持するサスペンション毎の、当該車輪速、当該傾き、及び当該サスペンションを制御するためのインデックス値を算出し、前記インデックス値を集約して当該車輪速、当該傾き、及び当該サスペンション毎の制御変数を算出する算出部と、
　前記制御変数に基づいて、自動運転を制御する制御部と、を備える、
　請求項１に記載の情報処理装置。
　前記算出部は、深層学習を用いた積分法による多変量解析により、前記インデックス値から前記制御変数を算出する、
　請求項１２４に記載の情報処理装置。
　前記制御部は、前記制御変数に基づいて、１０億分の１秒単位で前記自動運転を制御する、
　請求項１２４に記載の情報処理装置。
　車両の周囲の状況を検出する周期として、前記車両の周囲を撮影する第１周期より短い第２周期で前記車両の周囲の状況を検出するセンサを含む検出部から前記車両に関連する複数の情報を取得する取得部と、
　前記取得された複数の情報から前記車両の周囲の状況に関するインデックス値を算出し、算出されたインデックス値から前記車両の挙動を制御するための制御変数を算出する算出部と、
　前記算出した前記制御変数に基づいて、前記車両の挙動を制御する制御部と、を備える、
　請求項１に記載の情報処理装置。
　前記算出部は、深層学習を用いた積分法による多変量解析により、前記インデックス値から前記制御変数を算出する、
　請求項１２７に記載の情報処理装置。
　前記取得部は、１０億分の１秒単位で前記複数の情報を取得し、前記算出部は、１０億分の１秒単位で取得された前記複数の情報を用いて、前記インデックス値の算出及び前記制御変数を１０億分の１秒単位で実行する、
　請求項１２７に記載の情報処理装置。
　前記算出部は、前記取得された複数の情報に基づいて、前記車両に対する対象物の衝突を予測し、前記予測した予測結果が、不可避な衝突を示す場合、前記不可避な衝突における前記車両に発生する損害が予め定めた閾値以下の損害に対応する制御変数を前記制御変数として算出する、
　請求項１２７に記載の情報処理装置。
　前記車両に発生する損害は、前記車両の変形位置及び変形量の少なくとも１つである、
　請求項１３０に記載の情報処理装置。
　前記車両に発生する損害に対応する制御変数は、車両の衝突角度、及び車速の少なくとも１つである、
　請求項１３０に記載の情報処理装置。
　前記第１プロセッサは、物体が写る画像から前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力する、
　請求項１に記載の情報処理装置。
　前記情報処理装置は、フレームレートを変更することが可能なカメラを備え、
　前記第１プロセッサは、
　外部環境に関するスコアを計算し、
　前記スコアに応じて、前記カメラのフレームレートを決定し、
　決定した前記フレームレートにより画像の撮像を指示する制御信号を前記カメラに対して出力し、
　前記カメラによって撮像された画像から前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力する、
　請求項１３３に記載の情報処理装置。
　前記情報処理装置は車両に搭載され、
　前記第１プロセッサは、
　前記外部環境に関するスコアとして、前記車両の走行に関する危険度を計算し、
　前記危険度に応じて、前記カメラのフレームレートを決定し、
　決定した前記フレームレートにより画像の撮像を指示する制御信号を前記カメラに対して出力し、
　前記カメラによって撮像された画像から前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力する、
　請求項１３４に記載の情報処理装置。
　前記第１プロセッサは、
　前記画像から物体を抽出し、
　前記物体の存在位置が所定領域である場合に、前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力する、
　請求項１３３に記載の情報処理装置。
　前記第１プロセッサは、
　前記画像から物体を抽出し、
　前記物体毎にスコアを計算し、
　前記スコアが所定閾値以上の前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力する、
　請求項１３３に記載の情報処理装置。
　カメラを含む一対のカメラユニットと、プロセッサとを備えた車両であって、
　第１のカメラユニットは、車両前方の物体が写る画像から前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力し、
　第２のカメラユニットは、車両後方の物体が写る画像から前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力し、
　前記プロセッサは、前記第１のカメラユニット及び前記第２のカメラユニットから出力された物体の存在位置に基づいて前記車両の走行を制御する、
　車両。
　前記各カメラユニットが有する前記カメラは、フレームレートを変更することが可能であり、
　前記第１のカメラユニット及び前記第２のカメラユニットの一方は、
　前記第１のカメラユニット及び前記第２のカメラユニットの他方における物体の検知状況に応じて、前記カメラのフレームレートを設定し、
　設定された前記フレームレートにより撮像された前記カメラの画像から前記物体の存在位置を示す点を抽出し、前記物体の存在位置を示す点を出力する、
　請求項１３８に記載の車両。
　前記カメラよりも高解像度の高解像度カメラを備え、かつ前記各カメラユニットのそれぞれに接続される他のカメラユニットをさらに備え、
　前記各カメラユニットは、前記高解像度カメラの情報に基づいて特定された物体の情報を取得可能であって、
　前記第１のカメラユニット及び前記第２のカメラユニットの一方は、
　前記第１のカメラユニット及び前記第２のカメラユニットの他方が有する物体の情報を取得する、
　請求項１３８又は１３９に記載の車両。
　第１カメラにより撮影された物体の画像から、撮影された前記物体を点として捉えた点情報を出力し、
　前記第１カメラと対応する方向を向いた第２カメラにより撮影された前記物体の画像から、撮影された前記物体を識別した識別情報を出力する、
　処理をコンピュータが実行する情報処理方法。
　コンピュータに、
　第１カメラにより撮影された物体の画像から、撮影された前記物体を点として捉えた点情報を出力し、
　前記第１カメラと対応する方向を向いた第２カメラにより撮影された前記物体の画像から、撮影された前記物体を識別した識別情報を出力する、
　処理を実行させるための情報処理プログラム。