TOP特許意匠商標
特許ウォッチ DM通知 Twitter
公開番号2021039522
公報種別公開特許公報(A)
公開日20210311
出願番号2019159963
出願日20190902
発明の名称制御装置および制御方法
出願人株式会社デンソーテン
代理人特許業務法人酒井国際特許事務所
主分類G06N 3/04 20060101AFI20210212BHJP(計算;計数)
要約【課題】メモリ容量を抑えつつ、複数のモデルを用いること。
【解決手段】実施形態に係る制御装置は、記憶部と、切替部とを備える。記憶部は、ニューラルネットワークによって構成されるモデルを記憶する。切替部は、記憶部に記憶されたモデルのパラメータを変更することで、ニューラルネットワークのノード数を疑似的に切り替える。
【選択図】図2
特許請求の範囲【請求項1】
ニューラルネットワークによって構成されるモデルを記憶する記憶部と、
前記記憶部に記憶された前記モデルのパラメータを変更することで、ニューラルネットワークのノード数を疑似的に切り替える切替部と
を備えることを特徴とする制御装置。
続きを表示(約 560 文字)【請求項2】
前記切替部は、
前記モデルのパラメータとして、増減させるノードの重みパラメータと、バイアスパラメータとを変更すること
を特徴とする請求項1に記載の制御装置。
【請求項3】
前記ノード数を切り替えるか否かを所定条件に基づいて判定する判定部
を備え、
前記切替部は、
前記判定部の判定結果に応じた前記ノード数へ切り替えること
を特徴とする請求項1または2に記載の制御装置。
【請求項4】
前記判定部は、
前記モデルに要求される精度に応じて、前記ノード数を切り替えるか否かを判定すること
を特徴とする請求項3に記載の制御装置。
【請求項5】
前記切替部は、
前記ニューラルネットワークを構成する層単位で前記ノード数を増減させること
を特徴とする請求項1〜4のいずれか一つに記載の制御装置。
【請求項6】
ニューラルネットワークによって構成されるモデルを記憶する記憶工程と、
前記記憶工程に記憶された前記モデルのパラメータを変更することで、ニューラルネットワークのノード数を疑似的に切り替える切替工程と
を含むことを特徴とする制御方法。

発明の詳細な説明【技術分野】
【0001】
本発明は、制御装置および制御方法に関する。
続きを表示(約 4,000 文字)【背景技術】
【0002】
従来、機械学習によって生成された複数のモデルを用いて、音声認識を行う音声認識装置がある。かかる音声認識装置では、複数のモデルから得られる出力データのうち、最も適合度の高いデータを音声認識結果と見做す(例えば、特許文献1参照)。
【先行技術文献】
【特許文献】
【0003】
特開平6−67698号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
しかしながら、従来技術では、複数のモデルをメモリに記憶しておく必要があるため、メモリ容量の大きい記憶媒体が必要となる。
【0005】
本発明は、上記に鑑みてなされたものであって、メモリ容量を抑えつつ、複数のモデルを用いることができる制御装置および制御方法を提供することを目的とする。
【課題を解決するための手段】
【0006】
上述した課題を解決し、目的を達成するために、実施形態に係る制御装置は、記憶部と、切替部とを備える。前記記憶部は、ニューラルネットワークによって構成されるモデルを記憶する。前記切替部は、前記記憶部に記憶された前記モデルのパラメータを変更することで、ニューラルネットワークのノード数を疑似的に切り替える。
【発明の効果】
【0007】
本発明によれば、メモリ容量を抑えつつ、複数のモデルを用いることができる。
【図面の簡単な説明】
【0008】
図1Aは、制御装置の搭載例を示す図である。
図1Bは、制御方法の概要を示す図である。
図2は、制御装置のブロック図である。
図3は、パラメータDBの一例を示す図である。
図4Aは、切替部が切り替えるパラメータの一例を示す図(その1)である。
図4Bは、切替部が切り替えるパラメータの一例を示す図(その2)である。
図5は、切替部が切り替えるパラメータの一例を示す図(その3)である。
図6は、制御装置が実行する処理手順を示すフローチャートである。
【発明を実施するための形態】
【0009】
以下、添付図面を参照して、実施形態に係る制御装置および制御方法について説明する。なお、以下に示す実施形態によりこの発明が限定されるものではない。
【0010】
まず、図1Aおよび図1Bを用いて、実施形態に係る制御装置および制御方法の概要について説明する。図1Aは、制御装置の搭載例を示す図である。図1Bは、制御方法の概要を示す図である。なお、かかる制御方法は、図1Aに示す制御装置1によって実行される。
【0011】
図1Aに示すように、実施形態に係る制御装置1は、車両100に搭載される。制御装置1は、車両100の車載センサから入力されるセンサ情報に基づく入力データDiをモデルMに入力することで出力データDoを生成する。ここで、モデルMとは、入力層、中間層(隠れ層)、および出力層と呼ばれるレイヤを有し、入力層から入力された入力データDiを各接続経路を伝播させながら出力層まで伝達する。なお、各層は、それぞれノードNによって構成される。
【0012】
この際、各接続経路に設定されたパラメータに基づいた演算処理を実行することで、入力データDiに対応する出力データDoを生成する。
【0013】
ところで、複数のモデルを記憶しておき、入力データ等に応じて、複数のモデルを切り替えて用いる場合が想定される。この場合、制御装置は、複数のモデルを予め記憶しておく必要があり、メモリ容量の圧迫を招く。また、上述のように、複数のモデルを車両に搭載する場合、それぞれのモデルについて、品質保証などの検査を行う必要があり、コストの増大を招くおそれがある。
【0014】
そこで、実施形態に係る制御方法では、モデルMのニューラルネットワーク構造を切り替えることで、1つのモデルMを複数のモデルMとして用いることとした。
【0015】
具体的には、図1Bに示すように、実施形態に係る制御方法では、大規模モデルM1と、大規模モデルM1よりもノード数が少ない小規模モデルM2とを切り替えることが可能である。
【0016】
より詳細には、実施形態に係る制御方法では、モデルMのパラメータを変更することで、大規模モデルM1と小規模モデルM2とを切り替えることが可能である。ここで、パラメータには、重みパラメータや、バイアスパラメータが含まれる。
【0017】
図1Bに示す例において、小規模モデルM2が、大規模モデルM1に比べて、中間層Lが少ない場合を示す。この場合、中間層Lの各ノードの出力経路の重みパラメータを「1」とし、各ノードのバイアスパラメータを「0」とすることで、実質的に中間層Lを削減したモデルMとすることができる。
【0018】
また、小規模モデルM2から大規模モデルM1へ切り替える場合には、上記の重みパラメータおよびバイアスパラメータをそれぞれ大規模モデルM1用に設定すればよい。
【0019】
このように、実施形態に係る制御方法では、1つのモデルMを大規模モデルM1と小規模モデルM2とで切り替えることが可能である。したがって、実施形態に係る制御方法では、1つのモデルMを記憶しておけばよいので、メモリ容量を抑えつつ、複数のモデルMを用いることができる。
【0020】
なお、上述の例では、大規模モデルM1と、1つの小規模モデルM2との間でモデルMを切り替える場合について示したが、これに限定されるものではなく、小規模モデルM2は2つ以上であってもよい。また、上述した実施形態では、中間層Lを増減させる場合について示したが、これに限定されるものではない。すなわち、任意のノードNを増減させることが可能である。
【0021】
次に、図2を用いて、実施形態に係る制御装置1の構成例について説明する。図2は、制御装置1のブロック図である。なお、図2には、車載センサ類101を併せて示す。車載センサ類101は、例えば、車両100の内燃機関(エンジン)の状態を検出するセンサ類である。制御装置1は、車載センサ類101から入力されるセンサ情報をモデルMに入力することで、エンジンの失火などといった状態を判定することができる。
【0022】
図2に示すように、制御装置1は、記憶部2と、制御部3とを備える。記憶部2は、例えば、RAM、フラッシュメモリ等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。
【0023】
また、図2に示すように、記憶部2は、モデルDB21と、パラメータDB22とを備える。モデルDB21は、モデルMを記憶するデータベースである。モデルDB21には、上述の大規模モデルM1が記憶される。
【0024】
パラメータDB22は、モデルMに適用するパラメータを記憶するデータベースである。図3は、パラメータDB22の一例を示す図である。図3に示すように、パラメータDB22には、「パラメータID」、「適用条件」、「重みパラメータ」、「バイアスパラメータ」等が互いに関連付けられて記憶される。
【0025】
パラメータIDは、パラメータを識別する識別子であり、大規模モデルM1および小規模モデルM2を識別する識別子であるとも言える。適用条件は、対応するパラメータを適用する条件を示す。また、重みパラメータおよびバイアスパラメータは、上述のパラメータの一例である。また、これらパラメータは、機械学習によって導出される値である。なお、図3に示す例では、重みパラメータおよびバイアスパラメータを「C01」や「D01」のように模式的に示したが、「C01」や「D01」には具体的な情報が記載されているものとする。
【0026】
また、「C01」や「D01」には、モデルMのノード数に応じた個数のパラメータが記載される。詳細については後述するが、大規模モデルM1から小規模モデルM2へ切り替える場合に、削減するノードの重みパラメータおよびバイアスパラメータは「0」または「1」である。
【0027】
図2の説明に戻り、制御部3について説明する。制御部3は、コントローラであり、例えば、CPUやMPU等によって、記憶部2に記憶されている各種プログラムがRAMを作業領域として実行されることにより実現される。また、制御部3は、例えば、ASICやFPGA等の集積回路により実現することができる。
【0028】
図2に示すように、制御部3は、取得部31と、判定部32と、切替部33と、演算部34とを備える。取得部31は、車載センサ類101からセンサ情報を取得する。取得部31によって取得されたセンサ情報は、判定部32へ通知される。
【0029】
判定部32は、モデルMのノード数を切り替えるか否かを所定条件に基づいて判定する。具体的には、判定部32は、パラメータDB22を参照し、どの適用条件に合致するかを判定する。
【0030】
ここで、適用条件の一例として、モデルMに要求される精度が挙げられる。すなわち、かかる精度が高い場合、大規模モデルM1の方が好ましく、精度が低い場合には小規模モデルM2であっても対応可能である。
(【0031】以降は省略されています)

この特許をJ-PlatPatで参照する

関連特許

株式会社デンソーテン
筐体
株式会社デンソーテン
電子装置
株式会社デンソーテン
取付部材
株式会社デンソーテン
車載装置
株式会社デンソーテン
電子装置
株式会社デンソーテン
半波整流回路
株式会社デンソーテン
情報処理装置
株式会社デンソーテン
光源駆動装置
株式会社デンソーテン
異常検出装置
株式会社デンソーテン
料金計算装置
株式会社デンソーテン
電子制御装置
株式会社デンソーテン
緊急通報装置
株式会社デンソーテン
画像生成装置
株式会社デンソーテン
アンテナ装置
株式会社デンソーテン
アンテナ装置
株式会社デンソーテン
位置特定装置
株式会社デンソーテン
ノイズ低減装置
株式会社デンソーテン
付着物除去装置
株式会社デンソーテン
はんだ付け装置
株式会社デンソーテン
機器の取付構造
株式会社デンソーテン
走行状況記録装置
株式会社デンソーテン
画像記録システム
株式会社デンソーテン
アンテナ取付構造
株式会社デンソーテン
発熱部品の放熱構造
株式会社デンソーテン
ナビゲーション装置
株式会社デンソーテン
メモリアクセス装置
株式会社デンソーテン
負荷回路、増幅装置
株式会社デンソーテン
緊急通報装置及び方法
株式会社デンソーテン
管理装置及び管理方法
株式会社デンソーテン
制御装置および通知方法
株式会社デンソーテン
制御装置および制御方法
株式会社デンソーテン
制御装置および制御方法
株式会社デンソーテン
制御装置および補正方法
株式会社デンソーテン
制御装置および制御方法
株式会社デンソーテン
制御装置および制御方法
株式会社デンソーテン
制御装置および検出方法
続きを見る