特許ウォッチ

公開番号2025034841
公報種別公開特許公報(A)
公開日2025-03-13
出願番号2023141491
出願日2023-08-31
発明の名称モデル生成方法
出願人トヨタ自動車株式会社
代理人弁理士法人秀和特許事務所
主分類G08G 1/00 20060101AFI20250306BHJP(信号)
要約【課題】移動体の自動制御に使用される制御モデルの性能の向上を簡易的な方法で図る技術を提供する。
【解決手段】本開示の一側面に係るモデル生成装置は、移動体の制御モデルを使用した自動制御の運用時において性能不足と評価されるシーンに関する不備シーンデータを収集し、性能不足と評価されるシーンにおいて、制御モデルの性能を補足するためのパッチモデルを、収集された不備シーンデータから生成し、及び生成されたパッチモデルを出力する。
【選択図】図1
特許請求の範囲【請求項１】
コンピュータが、
移動体の制御モデルを使用した自動制御の運用時において性能不足と評価されるシーンに関する不備シーンデータを収集すること、
前記性能不足と評価されるシーンにおいて、前記制御モデルの性能を補足するためのパッチモデルを、収集された前記不備シーンデータから生成すること、
生成された前記パッチモデルを出力すること、
を実行する、
モデル生成方法。
続きを表示（約 470 文字）【請求項２】
前記パッチモデルは、前記移動体に配備されている前記制御モデルと別個に併存し、前記性能不足と評価されるシーンでのみ使用される新たな制御モデルである、
請求項１に記載のモデル生成方法。
【請求項３】
前記パッチモデルは、前記制御モデルの既設部分を変更せずに、前記制御モデルの出力を増設するように配備され、その増設の部分が、前記性能不足と評価されるシーンに適合する制御指令を導出するように構成される、
請求項１に記載のモデル生成方法。
【請求項４】
前記制御モデルの性能を補足することは、
前記制御モデルにより導出される制御指令に代えて、前記パッチモデルにより導出される制御指令を使用すること、又は
前記制御モデルにより導出される制御指令を前記パッチモデルにより修正すること、により構成される、
請求項１に記載のモデル生成方法。
【請求項５】
前記移動体は、車両である、
請求項１から４のいずれか１項に記載のモデル生成方法。

発明の詳細な説明【技術分野】
【０００１】
本開示は、モデル生成方法に関する。
続きを表示（約 2,000 文字）【背景技術】
【０００２】
特許文献１には、訓練済みのニューラルネットワークを使用して、ルート、ＧＰＳデータ及びセンサデータから車両のコマンドを決定するように構成された自律的車両制御のためのシステムが提案されている。
【先行技術文献】
【特許文献】
【０００３】
特表２０１９－５３３８１０号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
本開示の目的の一つは、移動体の自動制御に使用される制御モデルの性能の向上を簡易的な方法で図る技術を提供することである。
【課題を解決するための手段】
【０００５】
本開示の第１態様に係るモデル生成方法は、コンピュータが、移動体の制御モデルを使用した自動制御の運用時において性能不足と評価されるシーンに関する不備シーンデータを収集すること、前記性能不足と評価されるシーンにおいて、前記制御モデルの性能を補足するためのパッチモデルを、収集された前記不備シーンデータから生成すること、及び生成された前記パッチモデルを出力することを実行する情報処理方法である。なお、パッチモデルは、ニューラルネットワークにより構成されてよく、パッチモデルを生成する手法には、深層学習等の機械学習が用いられてよい。
【発明の効果】
【０００６】
本開示によれば、移動体の自動制御に使用される制御モデルの性能の向上を簡易的な方法で図ることができる。
【図面の簡単な説明】
【０００７】
図１は、本開示が適用される場面の一例を模式的に示す。
図２は、本開示のパッチモデルの形態の一例を模式的に示す。
図３は、本開示のパッチモデルの形態の一例を模式的に示す。
図４は、本開示のモデル生成装置のハードウェア構成の一例を模式的に示す。
図５は、本開示のモデル生成に関する処理手順の一例を示す。
【発明を実施するための形態】
【０００８】
従来、ルールベースによる自動運転システムが知られている。また、特許文献１等の方法によれば、訓練済み機械学習モデルを使用することで、自動運転システムを構築することができる。しかしながら、本件発明者は、これらの従来の方法には、次のような問題点があることを見出した。例えば、工事、天候、交通量等により短期的に交通網（道路状況）が変更されることがある。また、新たな道路が追加される、規制が変更される等の要因で恒常的に交通網が変更されることもある。交通事情は様々な要因で変動し得るため、ルールベース及び機械学習モデルのいずれの形態でも、全てのシーンに完全に対応可能な制御モデルを生成することは困難である。そのため、車両の制御（自動運転）に使用される
制御モデルは適宜更新することが求められる。しかしながら、位置、ルート、周囲環境等の様々な事情を考慮して、制御指令を導出するため、制御モデルの構造は複雑になり得る。そのため、制御モデルの更新には時間がかかり得る。一例では、性能不足のシーンに対処するために制御モデルを更新すると、更新前は制御指令を適切に導出可能であった別のシーンで性能不足に陥る可能性がある。そのような事態が生じないように制御モデルの性能を検証するためには時間がかかり得る。すなわち、制御モデルを更新する方法では、制御モデルの性能を低コストで速やかに向上させることは困難である。なお、この問題点は、車両の種類を問わず生じ得る。また、このような問題点が生じるのは、車両を制御する場面に限られない。移動を制御する点では、車両以外の移動体でも同様である。そのため、車両以外のあらゆる移動体を制御する場面でも、同様の問題点が生じ得る。
【０００９】
これに対して、本開示の第１態様に係るモデル生成方法は、コンピュータが、移動体の制御モデルを使用した自動制御の運用時において性能不足と評価されるシーンに関する不備シーンデータを収集すること、性能不足と評価されるシーンにおいて、制御モデルの性能を補足するためのパッチモデルを、収集された不備シーンデータから生成すること、及び生成されたパッチモデルを出力することを実行する情報処理方法である。
【００１０】
本開示の第１態様では、制御モデルの性能不足と評価されるシーンに対処するため、制御モデルそのものを更新するのではなく、制御モデルの性能を補足するためのパッチモデルを生成する。このパッチモデルは、性能不足と評価されるシーンにのみ対処可能であればよいため、制御モデルそのものと比べて、簡易的に生成可能である。よって、本開示によれば、簡易的な方法での制御モデルの性能向上を期待することができる。
（【００１１】以降は省略されています）

関連特許