知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024147209
(43)【公開日】2024-10-16
(54)【発明の名称】データベース構築方法
(51)【国際特許分類】
G06F 16/215 20190101AFI20241008BHJP
G08G 1/16 20060101ALI20241008BHJP
G06F 16/23 20190101ALI20241008BHJP
【ＦＩ】
G06F16/215
G08G1/16 A
G06F16/23
【審査請求】未請求
【請求項の数】10
【出願形態】ＯＬ
(21)【出願番号】P 2023060078
(22)【出願日】2023-04-03
(71)【出願人】
【識別番号】516227490
【氏名又は名称】株式会社テクノアクセルネットワークス
(74)【代理人】
【識別番号】100159499
【弁理士】
【氏名又は名称】池田 義典
(74)【代理人】
【識別番号】100120329
【弁理士】
【氏名又は名称】天野 一規
(74)【代理人】
【識別番号】100159581
【弁理士】
【氏名又は名称】藤本 勝誠
(74)【代理人】
【識別番号】100106264
【弁理士】
【氏名又は名称】石田 耕治
(74)【代理人】
【識別番号】100139354
【弁理士】
【氏名又は名称】松浦 昌子
(74)【代理人】
【識別番号】100208708
【弁理士】
【氏名又は名称】河村 健志
(74)【代理人】
【識別番号】100215371
【弁理士】
【氏名又は名称】古茂田 道夫
(74)【代理人】
【識別番号】100187997
【弁理士】
【氏名又は名称】田中 厳輝
(72)【発明者】
【氏名】宮田 博司
(72)【発明者】
【氏名】有本 和民
【テーマコード（参考）】
5B175
5H181
【Ｆターム（参考）】
5B175CA07
5B175DA10
5B175HB03
5H181AA01
5H181BB04
5H181LL01
5H181LL02
5H181LL04
(57)【要約】 （修正有）
【課題】関連性のある複数のデータを逐次的に、かつ、コンパクトに蓄積するデータベース構築方法を提供する。
【解決手段】方法は、第１登録データ群と、第１登録データに基づいて生成される第２登録データ群と、第２登録データに、その生成に寄与した第１登録データを紐付ける枝と、登録データの確信度とが格納されているデータベースを構築するデータベース構築方法であって、データ追加工程Ｓ１は、新たな第１登録データ、新たな第２登録データおよび新たな枝を、データベースにすでに登録されている第１登録データ、第２登録データおよび枝とに対応付ける対応付けステップＳ１１と、対応付けステップで対応付けられた既存の第１登録データおよび第２登録データの確信度を、対応する新たな第１登録データおよび第２登録データの確信度を用いて更新する確信度更新ステップＳ１２と、を含む。
【選択図】図６
【解決手段】方法は、第１登録データ群と、第１登録データに基づいて生成される第２登録データ群と、第２登録データに、その生成に寄与した第１登録データを紐付ける枝と、登録データの確信度とが格納されているデータベースを構築するデータベース構築方法であって、データ追加工程Ｓ１は、新たな第１登録データ、新たな第２登録データおよび新たな枝を、データベースにすでに登録されている第１登録データ、第２登録データおよび枝とに対応付ける対応付けステップＳ１１と、対応付けステップで対応付けられた既存の第１登録データおよび第２登録データの確信度を、対応する新たな第１登録データおよび第２登録データの確信度を用いて更新する確信度更新ステップＳ１２と、を含む。
【選択図】図６
【特許請求の範囲】
【請求項1】
複数の第１登録データが属する第１登録データ群と、
上記複数の第１登録データに基づいて生成される複数の第２登録データが属する第２登録データ群と、
上記第２登録データに、その生成に寄与した第１登録データを紐付ける枝と、
上記第１登録データおよび上記第２登録データの確信度と
が格納されているデータベースを構築するデータベース構築方法であって、
１または複数の新たな第１登録データおよび１または複数の新たな第２登録データと、上記新たな第２登録データの生成に寄与した第１登録データを紐付ける新たな枝とを、上記データベースに追加するデータ追加工程を備え、
上記データ追加工程が、
上記新たな第１登録データ、上記新たな第２登録データおよび上記新たな枝を、上記データベースにすでに登録されている既存の第１登録データ、既存の第２登録データおよび既存の枝と対応付ける対応付けステップと、
上記対応付けステップで対応付けられた上記既存の第１登録データおよび上記既存の第２登録データの確信度を、対応する上記新たな第１登録データおよび上記新たな第２登録データの確信度を用いて更新する確信度更新ステップと
を有するデータベース構築方法。
上記複数の第１登録データに基づいて生成される複数の第２登録データが属する第２登録データ群と、
上記第２登録データに、その生成に寄与した第１登録データを紐付ける枝と、
上記第１登録データおよび上記第２登録データの確信度と
が格納されているデータベースを構築するデータベース構築方法であって、
１または複数の新たな第１登録データおよび１または複数の新たな第２登録データと、上記新たな第２登録データの生成に寄与した第１登録データを紐付ける新たな枝とを、上記データベースに追加するデータ追加工程を備え、
上記データ追加工程が、
上記新たな第１登録データ、上記新たな第２登録データおよび上記新たな枝を、上記データベースにすでに登録されている既存の第１登録データ、既存の第２登録データおよび既存の枝と対応付ける対応付けステップと、
上記対応付けステップで対応付けられた上記既存の第１登録データおよび上記既存の第２登録データの確信度を、対応する上記新たな第１登録データおよび上記新たな第２登録データの確信度を用いて更新する確信度更新ステップと
を有するデータベース構築方法。
【請求項2】
上記確信度更新ステップで、更新される確信度が、既存の確信度および新たな確信度の平均値、最大値および最小値のうちのいずれかである請求項１に記載のデータベース構築方法。
【請求項3】
上記データ追加工程が、
上記確信度更新ステップ後に、上記対応付けステップで対応付けられた上記既存の枝の起点となる第１登録データの確信度および上記既存の枝の終点となる第２登録データの確信度を含む評価関数に基づいて、上記既存の枝を削除する枝苅ステップ
を有する請求項１に記載のデータベース構築方法。
上記確信度更新ステップ後に、上記対応付けステップで対応付けられた上記既存の枝の起点となる第１登録データの確信度および上記既存の枝の終点となる第２登録データの確信度を含む評価関数に基づいて、上記既存の枝を削除する枝苅ステップ
を有する請求項１に記載のデータベース構築方法。
【請求項4】
上記評価関数が、上記起点となる第１登録データの確信度および上記終点となる第２登録データの確信度の積、相加平均値、相乗平均値、最大値または最小値を含む請求項３に記載のデータベース構築方法。
【請求項5】
上記枝苅ステップにおいて、上記評価関数が上記起点となる第１登録データの確信度および上記終点となる第２登録データの確信度に対して単調増加する関数であり、上記評価関数の値が所定値以下または所定値未満となる場合に枝が削除される請求項３に記載のデータベース構築方法。
【請求項6】
上記枝苅ステップにおいて、上記評価関数が上記起点となる第１登録データの確信度および上記終点となる第２登録データの確信度に対して単調減少する関数であり、上記評価関数の値が所定値以上または所定値超となる場合に枝が削除される請求項３に記載のデータベース構築方法。
【請求項7】
上記枝苅ステップにおいて、上記評価関数が上記起点となる第１登録データの確信度および上記終点となる第２登録データの確信度に対して単調増加する関数であり、上記評価関数の値が所定値以上または所定値超となる場合に枝が削除される請求項３に記載のデータベース構築方法。
【請求項8】
上記枝苅ステップにおいて、上記評価関数が上記起点となる第１登録データの確信度および上記終点となる第２登録データの確信度に対して単調減少する関数であり、上記評価関数の値が所定値以下または所定値未満となる場合に枝が削除される請求項３に記載のデータベース構築方法。
【請求項9】
上記データ追加工程が、
上記枝苅ステップ後に、第１登録データのうちこれを起点とする枝が存在しない第１登録データ、および第２登録データのうちこれを終点とする枝が存在しない第２登録データを削除するデータ削除ステップ
を有する請求項３に記載のデータベース構築方法。
上記枝苅ステップ後に、第１登録データのうちこれを起点とする枝が存在しない第１登録データ、および第２登録データのうちこれを終点とする枝が存在しない第２登録データを削除するデータ削除ステップ
を有する請求項３に記載のデータベース構築方法。
【請求項10】
上記枝が、初期値を登録時とする更新時刻データを有しており、
上記確信度更新ステップにおいて、上記対応付けステップで対応付けられた上記既存の枝の上記更新時刻データを、上記確信度を更新した時刻に更新し、
上記枝苅ステップにおいて、所定時間以上更新時刻データの更新がない枝も削除する請求項３または請求項９に記載のデータベース構築方法。
上記確信度更新ステップにおいて、上記対応付けステップで対応付けられた上記既存の枝の上記更新時刻データを、上記確信度を更新した時刻に更新し、
上記枝苅ステップにおいて、所定時間以上更新時刻データの更新がない枝も削除する請求項３または請求項９に記載のデータベース構築方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、データベース構築方法に関する。
【背景技術】
【0002】
近年、車両の安全運転や自動運転支援が実用化されつつあり、また自動運転の開発も進んでいる。自動運転では、車両の前方をカメラで撮影し、撮影された画像をもとに歩行者、駐車車両等の障害物を認識し、未来位置を予測し、これらの障害物を回避する制御がなされる。
【0003】
上記障害物が歩行者であれば、時々刻々移動する可能性が高く、上記障害物が駐車車両であれば、時刻が経過してもその場に留まっている可能性が高いことになる。このように認識された障害物により、未来位置の予測にも影響が生じ得る。また、障害物ではないもの（例えば路面の凹凸や汚れなど）を障害物と認識してしまうと、車両は不要な回避行動をとるように制御されてしまう。
【0004】
さらに、例えば歩行者は、通常は直線的に移動するが、例えば駐車車両があればそれを避けるような回避行動をとる。このように障害物が移動するものである場合、その移動は、他の障害物により影響を受けることになる。
【0005】
障害物と互いの動きに誤認識があると、その未来位置の予測に大きな影響を生じる場合が少なくない。このような誤認識を抑制することができる自動運転システムが提案されている（特開２０２２－１３０２０９号公報参照）。この自動運転システムでは、過去に認識された障害物に関する特徴量の分布を表す特徴量分布と、評価対象として認識された障害物の特徴量とを比較し、障害物の誤認識を判定する判定部を備えている。上記特徴量分布は、障害物が滞留した時間の分布を表す滞留時間分布、障害物が移動した速度の分布を表す移動速度分布、障害物が移動した距離の分布を表す移動距離分布等である。このような特徴量を使用すると、例えば障害物が歩行者であると判断されているのに、歩行者では想定できないような高速移動をしているような場合には、誤認識であると判断できる。
【0006】
上記自動運転システムでは、上記判定部が誤認識であると判断した場合は、詳細データとして収集し、オペレータに対して、誤認識と判定されたときの画像データを提示し、オペレータから異常の有無および要因を含む判定結果の入力を受け付けるように構成されている。
【先行技術文献】
【特許文献】
【0007】
【特許文献1】特開２０２２－１３０２０９号公報
【発明の概要】
【発明が解決しようとする課題】
【0008】
上記自動運転システムでは、収集された詳細データはデータベースに蓄積され、例えば障害物の認識モデルの再学習に使用される。この詳細データは、障害物が相互に関連性を有する木構造を示し、その構造が常に変化し得る。このとき、複数のどんなデータがどういう関係性で関連するのかを、事前に確定することは難しく、また、実際の状況においていつでもすべての組み合わせがあらわるとは限らない。このため、生じ得る様々な関係性を表すためには、複数のデータをすべて記録しておく必要性があり、複数のデータを１つのデータに縮退して蓄積することが容易ではない。このため、詳細データは個別に格納され、データベースのデータ量が膨大になる傾向にある。
【0009】
膨大なデータ量を削減するため、類似するデータや頻度の高いデータを抽出してまとめ上げる方法を採用し得るが、その場合でも抽出前にいったんデータを膨大に蓄積する必要があり、詳細データが収集される都度に行うことはできない。
【0010】
本開示は、以上のような事情に基づいてなされたものであり、関連性のある複数のデータを逐次的に、かつコンパクトにデータベースに蓄積できるデータベース構築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】
【0011】
本開示の一態様に係るデータベース構築方法は、複数の第１登録データが属する第１登録データ群と、上記複数の第１登録データに基づいて生成される複数の第２登録データが属する第２登録データ群と、上記第２登録データに、その生成に寄与した第１登録データを紐付ける枝と、上記第１登録データおよび上記第２登録データの確信度とが格納されているデータベースを構築するデータベース構築方法であって、１または複数の新たな第１登録データおよび１または複数の新たな第２登録データと、上記新たな第２登録データの生成に寄与した第１登録データを紐付ける新たな枝とを、上記データベースに追加するデータ追加工程を備え、上記データ追加工程が、上記新たな第１登録データ、上記新たな第２登録データおよび上記新たな枝を、上記データベースにすでに登録されている既存の第１登録データ、既存の第２登録データおよび既存の枝と対応付ける対応付けステップと、上記対応付けステップで対応付けられた上記既存の第１登録データおよび上記既存の第２登録データの確信度を、対応する上記新たな第１登録データおよび上記新たな第２登録データの確信度を用いて更新する確信度更新ステップとを有する。
【発明の効果】
【0012】
本開示のデータベース構築方法は、関連性のある複数のデータを逐次的に、かつコンパクトにデータベースに蓄積できる。
【図面の簡単な説明】
【0013】
【発明を実施するための形態】
【0014】
［本開示の実施形態の説明］
最初に本開示の実施態様を列記して説明する。
最初に本開示の実施態様を列記して説明する。
【0015】
本開示の一態様に係るデータベース構築方法は、複数の第１登録データが属する第１登録データ群と、上記複数の第１登録データに基づいて生成される複数の第２登録データが属する第２登録データ群と、上記第２登録データに、その生成に寄与した第１登録データを紐付ける枝と、上記第１登録データおよび上記第２登録データの確信度とが格納されているデータベースを構築するデータベース構築方法であって、１または複数の新たな第１登録データおよび１または複数の新たな第２登録データと、上記新たな第２登録データの生成に寄与した第１登録データを紐付ける新たな枝とを、上記データベースに追加するデータ追加工程を備え、上記データ追加工程が、上記新たな第１登録データ、上記新たな第２登録データおよび上記新たな枝を、上記データベースにすでに登録されている既存の第１登録データ、既存の第２登録データおよび既存の枝と対応付ける対応付けステップと、上記対応付けステップで対応付けられた上記既存の第１登録データおよび上記既存の第２登録データの確信度を、対応する上記新たな第１登録データおよび上記新たな第２登録データの確信度を用いて更新する確信度更新ステップとを有する。
【0016】
当該データベース構築方法では、新たに発生した登録データのうち、既存の登録データと対応するものは共通化するので、データベースのデータ量が膨大となることを抑止できる。また、当該データベース構築方法では、対応付けられた既存の登録データの確信度を新たな登録データの確信度を用いて更新する。この確信度は、登録データの信頼度を意味し、確信度を更新することで、登録データ自体の信頼度や時間軸に対する重要度を判断できるから、当該データベース構築方法によれば、いったんデータを膨大に蓄積することなく、逐次的にデータを更新することができる。
【0017】
上記確信度更新ステップで、更新される確信度が、既存の確信度および新たな確信度の平均値、最大値および最小値のうちのいずれかであるとよい。平均値は比較的簡単な演算でもっともらしい確信度を与える。最大値は確信度が高いつまり信頼度の高いデータベースの構築に適している。逆に、最小値は特異性の高いデータベースの構築に適している。
【0018】
上記データ追加工程が、上記確信度更新ステップ後に、上記対応付けステップで対応付けられた上記既存の枝の起点となる第１登録データの確信度および上記既存の枝の終点となる第２登録データの確信度を含む評価関数に基づいて、上記既存の枝を削除する枝苅ステップを有するとよい。確信度の更新後に、例えば確信度が低い登録データは信頼性が低いと解釈可能である。当該データベース構築方法では、第１登録データに基づいて第２登録データが生成されるが、関連付けられる第１登録データおよび第２登録データの確信度がともに低いような場合、その関連づけは信頼性が低く、例えば構築されたデータベースを活用する際に外乱となるおそれがある。このような登録データの関連性については、両者を紐付ける枝を刈り取ることで削除できる。つまり、確信度を含む評価関数に基づいて枝を削除することで、構築されるデータベースの信頼度を高めることができる。
【0019】
上記評価関数が、上記起点となる第１登録データの確信度および上記終点となる第２登録データの確信度の積、相加平均値、相乗平均値、最大値または最小値を含むとよい。上記評価関数として確信度の積、相加平均値、相乗平均値、最大値または最小値を含めることで、比較的簡単な評価関数で構築されるデータベースの信頼度を高めることができる。
【0020】
上記枝苅ステップにおいて、上記評価関数が上記起点となる第１登録データの確信度および上記終点となる第２登録データの確信度に対して単調増加する関数であり、上記評価関数の値が所定値以下または所定値未満となる場合に枝が削除されるとよい。このように評価関数が第１登録データの確信度および第２登録データの確信度に対して単調増加する関数である場合、評価関数の値を所定値以下または所定値未満となる場合に枝を削除することで、構築されるデータベースの信頼度を高めることができる。
【0021】
上記枝苅ステップにおいて、上記評価関数が上記起点となる第１登録データの確信度および上記終点となる第２登録データの確信度に対して単調減少する関数であり、上記評価関数の値が所定値以上または所定値超となる場合に枝が削除されるとよい。このように評価関数が第１登録データの確信度および第２登録データの確信度に対して単調減少する関数である場合、評価関数の値を所定値以上または所定値超となる場合に枝を削除することで、構築されるデータベースの信頼度を高めることができる。
【0022】
上記枝苅ステップにおいて、上記評価関数が上記起点となる第１登録データの確信度および上記終点となる第２登録データの確信度に対して単調増加する関数であり、上記評価関数の値が所定値以上または所定値超となる場合に枝が削除されるとよい。この場合、むしろ確信度が低い登録データを紐付ける枝が残り、確信度の高い登録データを紐付ける枝が刈り取られることとなる。確信度が低い登録データは希にしか生じないと解釈することも可能である。この解釈に基づけば、確信度が低い登録データを紐付ける枝を積極的に残すことで、主に特異ケースを抽出したデータベースを構築することができる。
【0023】
上記枝苅ステップにおいて、上記評価関数が上記起点となる第１登録データの確信度および上記終点となる第２登録データの確信度に対して単調減少する関数であり、上記評価関数の値が所定値以下または所定値未満となる場合に枝が削除されるとよい。このように上記評価関数が上記起点となる第１登録データの確信度および上記終点となる第２登録データの確信度に対して単調減少する関数である場合、上記評価関数の値が所定値以下または所定値未満となる場合に枝を削除することで、主に特異ケースを抽出したデータベースを構築することができる。
【0024】
上記データ追加工程が、上記枝苅ステップ後に、第１登録データのうちこれを起点とする枝が存在しない第１登録データ、および第２登録データのうちこれを終点とする枝が存在しない第２登録データを削除するデータ削除ステップを有するとよい。枝苅の結果、起点とする枝が存在しない第１登録データおよび終点とする枝が存在しない第２登録データは、データベースの構成に寄与せず不要であるので、これを削除することでデータベースをさらにコンパクト化することができる。
【0025】
上記枝が、初期値を登録時とする更新時刻データを有しており、上記確信度更新ステップにおいて、上記対応付けステップで対応付けられた上記既存の枝の上記更新時刻データを、上記確信度を更新した時刻に更新し、上記枝苅ステップにおいて、所定時間以上更新時刻データの更新がない枝も削除するとよい。所定時間以上更新時刻データの更新がない枝は、古いデータで現在では発生頻度が低下したデータであるとみなせる。このようなデータを削除することで、データベースの信頼度を維持しつつ、コンパクト化が図れる。
【0026】
ここで「確信度」とは、抽出あるいは推定されたデータの信頼性を意味し、－１から１の範囲の小数で表すことができる。確信度が－１である場合、データが確実に誤っていることを意味し、１である場合はデータが確実に正しいことを意味し、０である場合はデータが正しいか誤っているかが不明であることを意味する。本明細書では、正しいデータを推論することが目的であるため、確信度の範囲は０以上１以下となる。
【0027】
［本開示の実施形態の詳細］
以下、本開示の実施形態に係るデータベース管理システムについて、適宜図面を参照しつつ説明する。
以下、本開示の実施形態に係るデータベース管理システムについて、適宜図面を参照しつつ説明する。
【0028】
本開示の一実施形態に係るデータベース管理システムは、第１登録データに基づいて第２登録データが生成されるような段階的に処理がなされる処理系、例えば安全運転支援システムや自動運転に必要な情報を収集するために用いることができる。以下、安全運転支援システムや自動運転に必要な情報を収集する場合を例にとり説明するが、当該データベース管理システムが用いられる範囲がこれに限定されることを意味するものではない。
【0029】
安全運転支援システムや自動運転に必要な情報は、例えば自動車の周辺状況や運転状況、ドライバの状況などが該当し、当該データベース管理システムでは、これらの状況を処理して、その過程を残す。得られたデータベースは、例えば事故分析、快適度分析、データを抽出するＡＩのモデルの修正などに用いることができる。また、それぞれの状況に合わせてパーソナライズ、ローカライズが行われ、例えば運転状況のシーンを類別化し、パターン化することもできる。当該データベース管理システムは、このような目的に合うデータベースを構築することができる。
【0030】
〔通信システム〕
図１に示す通信システム１００は、当該データベース管理システムが搭載されている通信システムの構成例である。通信システム１００は、複数のモバイル基地局１１０と複数の移動体１２０とを含むネットワーク１３０を有する通信システムである。当該通信システム１００は、１の主データベース１４１と、この主データベース１４１と直接に若しくは１または複数の中間データベース１４２を介して間接に接続される複数の末端データベース１４３とを有する階層化データベース１４０を備える。
図１に示す通信システム１００は、当該データベース管理システムが搭載されている通信システムの構成例である。通信システム１００は、複数のモバイル基地局１１０と複数の移動体１２０とを含むネットワーク１３０を有する通信システムである。当該通信システム１００は、１の主データベース１４１と、この主データベース１４１と直接に若しくは１または複数の中間データベース１４２を介して間接に接続される複数の末端データベース１４３とを有する階層化データベース１４０を備える。
【0031】
＜ネットワーク＞
ネットワーク１３０に含まれる複数のモバイル基地局１１０および複数の移動体１２０は、互いに共通のワイヤレスインタフェースで接続されている。
ネットワーク１３０に含まれる複数のモバイル基地局１１０および複数の移動体１２０は、互いに共通のワイヤレスインタフェースで接続されている。
【0032】
上記ワイヤレスインタフェースとしては、５Ｇ、ローカル５Ｇ、４Ｇ、ＤＳＲＣ（Ｄｅｄｉｃａｔｅｄ Ｓｈｏｒｔ Ｒａｎｇｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ）、ＬＰＷＡ（Ｌｏｗ Ｐｏｗｅｒ Ｗｉｄｅ Ａｒｅａ）、ＷｉＦｉ、ＩＥＥＥ８０２．１１系列、ＩＴＳ（Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｒａｎｓｐｏｒｔ Ｓｙｓｔｅｍ）通信のインタフェース等を用いることができる。
【0033】
モバイル基地局１１０および複数の移動体１２０は、任意の２者間で直接通信を行うことができるように構成されていることが好ましい。さらに、例えば移動体１２０から他の移動体１２０を経由してモバイル基地局１１０に至るような、１または複数の移動体１２０を中継器とした通信を行うこともできるとよい。なお、図１では図面が煩雑となることを避けるため、上記２者間の通信のうち一部を代表して図示しており、その全てが図示されているわけではない。
【0034】
＜モバイル基地局＞
モバイル基地局１１０は、通信システム１００のワイヤレス通信が行える地理的範囲を統括し、制御する基地局である。具体的には、モバイル基地局１１０は、例えば複数の移動体１２０のデータ管理処理と配信制御処理とを行う。
モバイル基地局１１０は、通信システム１００のワイヤレス通信が行える地理的範囲を統括し、制御する基地局である。具体的には、モバイル基地局１１０は、例えば複数の移動体１２０のデータ管理処理と配信制御処理とを行う。
【0035】
モバイル基地局１１０は、主基地局１１１と、ローカル基地局１１２とを含み、他のネットワークのモバイル基地局との間、あるいはクラウドデータセンターとの間の通信を行え、通信の基幹網を構成する。
【0036】
（主基地局）
主基地局１１１は、上記地理的範囲全体を統括および制御する。主基地局１１１は、通信機能、主データベース１４１およびプロセッサを有する。
主基地局１１１は、上記地理的範囲全体を統括および制御する。主基地局１１１は、通信機能、主データベース１４１およびプロセッサを有する。
【0037】
（ローカル基地局）
ローカル基地局１１２は、主基地局１１１の下層に属し、主基地局１１１が統括する地理的範囲を細分化して統括する。このため、通常、複数のローカル基地局１１２が設けられる。逆に、上記地理的範囲を細分化する必要がない場合は、ローカル基地局１１２は省略可能であり、モバイル基地局１１０は主基地局１１１のみで構成され、上記地理的範囲全体を直接統括する。
ローカル基地局１１２は、主基地局１１１の下層に属し、主基地局１１１が統括する地理的範囲を細分化して統括する。このため、通常、複数のローカル基地局１１２が設けられる。逆に、上記地理的範囲を細分化する必要がない場合は、ローカル基地局１１２は省略可能であり、モバイル基地局１１０は主基地局１１１のみで構成され、上記地理的範囲全体を直接統括する。
【0038】
ローカル基地局１１２は、通信機能、中間データベース１４２およびプロセッサを有する。ローカル基地局１１２は、例えばローカル５Ｇ基地局とすることができる。
【0039】
＜移動体＞
複数の移動体１２０は、当該通信システム１００のネットワーク１３０が管理するデータ共有エリア（ワイヤレス通信が行える地理的範囲）を移動する機器である。複数の移動体１２０は、通信機能、末端データベース１４３およびプロセッサを有する。図１に示す通信システム１００において、移動体１２０は、車両である。
複数の移動体１２０は、当該通信システム１００のネットワーク１３０が管理するデータ共有エリア（ワイヤレス通信が行える地理的範囲）を移動する機器である。複数の移動体１２０は、通信機能、末端データベース１４３およびプロセッサを有する。図１に示す通信システム１００において、移動体１２０は、車両である。
【0040】
複数の移動体１２０の末端データベース１４３は、相互に参照可能に構成されている。また、移動体１２０は、後述するデータベース管理装置１を有している（図２参照）。
【0041】
〔データベース管理装置〕
図２に示すデータベース管理装置１は、データベース１０と、センサ２０と、第１登録データ生成部３０と、第２登録データ生成部４０と、第３登録データ生成部５０とを備える。なお、データベース管理装置１のデータベース１０が、末端データベース１４３を構成している。
図２に示すデータベース管理装置１は、データベース１０と、センサ２０と、第１登録データ生成部３０と、第２登録データ生成部４０と、第３登録データ生成部５０とを備える。なお、データベース管理装置１のデータベース１０が、末端データベース１４３を構成している。
【0042】
＜データベース＞
データベース１０は、複数の第１登録データが属する第１登録データ群１１、複数の第２登録データが属する第２登録データ群１２、複数の第３登録データが属する第３登録データ群１３、詳細センサデータ１４および枝データ１５が格納されている。
データベース１０は、複数の第１登録データが属する第１登録データ群１１、複数の第２登録データが属する第２登録データ群１２、複数の第３登録データが属する第３登録データ群１３、詳細センサデータ１４および枝データ１５が格納されている。
【0043】
第１登録データ群１１、第２登録データ群１２および第３登録データ群１３は、個々の上記第１登録データ、上記第２登録データおよび上記第３登録データにそれぞれ対応するデータの信頼性を表す第１確信度１１ａ、第２確信度１２ａおよび第３確信度１３ａを含む。
【0044】
詳細センサデータ１４は、センサ２０で検知した情報である。詳細センサデータ１４は、データ量が多い重たいデータとなりがちであるので、例えば一定時間保持後に古いデータから順に消去される等の処理が行われる。
【0045】
詳細センサデータ１４は、主に自己のセンサ２０により検知されたデータである。一方、第１登録データ群１１、第２登録データ群１２および第３登録データ群１３は、比較的データ量が少ない軽いデータであり、上記ワイヤレスインタフェースを介して他の移動体１２０の情報をも容易に格納することができるので、移動体１２０が必要とするネットワーク１３０中の情報が適宜集められている。
【0046】
＜センサ＞
センサ２０が検知する情報としては、天候、気温といった任意の自然現象や、交通渋滞等の人工物で生ずる現象、心拍数、呼吸数、血圧等の人間のバイタル情報、車両への人物の接近、道路上への落下物の情報、時刻、移動速度、位置などのセンサで検知できる任意のものを挙げることができる。中でも、移動体１２０が車両である場合、センサ２０が、道路の状況を捉えるカメラであるとよい。道路の画像は、多くの情報を一度に取得できる反面、処理が複雑となる。データベース管理装置１は、このような複雑な処理も高い精度で行うことができるので、例えば自動運転等に応用し易い。
センサ２０が検知する情報としては、天候、気温といった任意の自然現象や、交通渋滞等の人工物で生ずる現象、心拍数、呼吸数、血圧等の人間のバイタル情報、車両への人物の接近、道路上への落下物の情報、時刻、移動速度、位置などのセンサで検知できる任意のものを挙げることができる。中でも、移動体１２０が車両である場合、センサ２０が、道路の状況を捉えるカメラであるとよい。道路の画像は、多くの情報を一度に取得できる反面、処理が複雑となる。データベース管理装置１は、このような複雑な処理も高い精度で行うことができるので、例えば自動運転等に応用し易い。
【0047】
各移動体１２０は、センサ２０により収集した情報を上記プロセッサにより処理し、末端データベース１４３に格納する。
【0048】
＜データ生成部＞
データベース管理装置１は、第１登録データ生成部３０、第２登録データ生成部４０および第３登録データ生成部５０を備えることで、センサ２０により検知されるセンサ情報を起点として、上記第１登録データ、上記第２登録データ、上記第３登録データ、第１確信度１１ａ、第２確信度１２ａおよび第３確信度１３ａを生成することができる。
データベース管理装置１は、第１登録データ生成部３０、第２登録データ生成部４０および第３登録データ生成部５０を備えることで、センサ２０により検知されるセンサ情報を起点として、上記第１登録データ、上記第２登録データ、上記第３登録データ、第１確信度１１ａ、第２確信度１２ａおよび第３確信度１３ａを生成することができる。
【0049】
（第１登録データ生成部）
第１登録データ生成部３０は、センサ２０により検知されたセンサ情報に基づいて上記第１登録データを生成する。また、第１確信度１１ａは、第１登録データ生成部３０により生成される。
第１登録データ生成部３０は、センサ２０により検知されたセンサ情報に基づいて上記第１登録データを生成する。また、第１確信度１１ａは、第１登録データ生成部３０により生成される。
【0050】
第１登録データ生成部３０は、既知のセンサ情報と、そのセンサ情報に対応する第１登録データとを教師データとして機械学習された第１予測モデル３１を用いて、上記センサ情報から上記第１登録データを生成することが好ましい。
【0051】
この場合、第１確信度１１ａは、第１予測モデル３１に含まれるパラメータから決定することができる。このように第１予測モデル３１にいわゆるＡＩを用いると、その予測モデルに含まれるパラメータから容易に第１確信度１１ａを算出することができる。
【0052】
（第２登録データ生成部）
第２登録データ生成部４０は、上記第１登録データに基づいて上記第２登録データを生成する。また、第２確信度１２ａは、第２登録データ生成部４０により生成される。
第２登録データ生成部４０は、上記第１登録データに基づいて上記第２登録データを生成する。また、第２確信度１２ａは、第２登録データ生成部４０により生成される。
【0053】
第２登録データ生成部４０は、既知のセンサ情報および既知の第１登録データと、そのセンサ情報および第１登録データに対応する第２登録データとを教師データとして機械学習された第２予測モデル４１を用いて、上記センサ情報および上記第１登録データから上記第２登録データを生成することが好ましい。
【0054】
この場合、第２確信度１２ａは、第２予測モデル４１に含まれるパラメータから決定されるとよい。このように第２予測モデル４１にＡＩを用いると、その予測モデルに含まれるパラメータから容易に第２確信度１２ａを算出することができる。
【0055】
（第３登録データ生成部）
第３登録データ生成部５０は、上記第２登録データに基づいて上記第３登録データを生成する。また、第３確信度１３ａは、第３登録データ生成部５０により生成される。
第３登録データ生成部５０は、上記第２登録データに基づいて上記第３登録データを生成する。また、第３確信度１３ａは、第３登録データ生成部５０により生成される。
【0056】
第３登録データ生成部５０は、既知のセンサ情報および既知の第２登録データと、そのセンサ情報および第２登録データに対応する第３登録データとを教師データとして機械学習された第３予測モデル５１を用いて、上記センサ情報および上記第２登録データから上記第３登録データを生成することが好ましい。なお、第３登録データ生成部５０において、上記第２登録データに替えてまたは加えて、第１登録データを用いてもよい。
【0057】
この場合、第３確信度１３ａは、第３予測モデル５１に含まれるパラメータから決定されるとよい。このように第３予測モデル５１にＡＩを用いると、その予測モデルに含まれるパラメータから容易に第３確信度１３ａを算出することができる。
【0058】
＜具体事例＞
具体事例として、移動体１２０が車両、センサ２０が道路の状況を捉えるカメラであり、自動運転である車両が道路上の障害物を見極め、回避行動の必要性を判断する場合を例に挙げて、さらにデータベース管理装置１の動作を詳細に説明するが、データベース管理装置１の適用範囲が本事例に限定されることを意味するものではない。
具体事例として、移動体１２０が車両、センサ２０が道路の状況を捉えるカメラであり、自動運転である車両が道路上の障害物を見極め、回避行動の必要性を判断する場合を例に挙げて、さらにデータベース管理装置１の動作を詳細に説明するが、データベース管理装置１の適用範囲が本事例に限定されることを意味するものではない。
【0059】
図２には、道路状況の一例として、移動体１２０の前方に、三角コーンＸ１、自転車Ｘ２および歩行者Ｘ３が存在している場合を示している。
【0060】
（第１登録データ生成部）
このような系において、第１登録データ生成部３０の役割は、物理情報の特徴抽出であり、この事例では、センサ２０が検知したセンサ情報から認知した障害物が三角コーン、自転車、歩行者等のどれに属する物体であるのかを分類するステップとなる。
このような系において、第１登録データ生成部３０の役割は、物理情報の特徴抽出であり、この事例では、センサ２０が検知したセンサ情報から認知した障害物が三角コーン、自転車、歩行者等のどれに属する物体であるのかを分類するステップとなる。
【0061】
このとき第１登録データ生成部３０が生成する第１確信度１１ａは、分類結果の信頼度を意味する。この確信度は、０以上１以下の小数値で表され、１に近いほど信頼度が高いことを意味する。
【0062】
第１確信度１１ａの意味は、次の通りである。三角コーンＸ１は、第１登録データ生成部３０によって、三角コーンに分類されることになる。典型的な三角コーンの特徴を備えていた場合は、その第１確信度１１ａは１に近いものとなるが、例えば三角コーンＸ１が灰色等の目立たない色彩であった場合は、三角コーンではない可能性が示唆され、第１確信度１１ａは低いこと（例えば０．５等）になる。あるいは、三角コーンＸ１が空中に浮遊していた場合、判断が誤っている可能性も十分に想定され、第１確信度１１ａの数値はさらに低いこと（例えば０．１等）になる。このように障害物が三角コーンに分類されたからといって、その信頼度はまちまちであるから、これを示す量が第１確信度１１ａということになる。
【0063】
（第２登録データ生成部）
第２登録データ生成部４０の役割は、第１登録データ生成部３０が抽出した物理情報をもとにした意味情報の抽出であり、この事例では、障害物の未来位置の予測となる。
第２登録データ生成部４０の役割は、第１登録データ生成部３０が抽出した物理情報をもとにした意味情報の抽出であり、この事例では、障害物の未来位置の予測となる。
【0064】
例えば自転車Ｘ２に着目する。センサ２０が検知したセンサ情報に基づく三角コーンＸ１、自転車Ｘ２及び歩行者Ｘ３の位置関係が図３のようであったとする。さらに、センサ情報から自転車Ｘ２の速度も取得可能であり、自転車Ｘ２の未来位置を予測することができる。
【0065】
自転車Ｘ２の前方には三角コーンＸ１が存在する。三角コーンＸ１は、原則として移動しないから、自転車Ｘ２の方が三角コーンＸ１を避ける行動をとることが容易に予測され、さらに道路の中央側（図３の上側）には、自転車Ｘ２より高速で移動する移動体１２０が後方（図３の右側）から迫っているから、道路の端側（図３の下側）に回避する可能性が高く、例えば図３に示すように、移動する可能性を決定することができる。
【0066】
ここで、第１確信度１１ａと同様に、自転車Ｘ２の移動の方向と確率の算出自体の確信度が定義でき、これを第２確信度１２ａとすることができる。この場合、移動方向が３通り（図３のＹ１～Ｙ３）存在するので、第２確信度１２ａは、その移動方向ごとに３つの数値が存在し得る。
【0067】
（第３登録データ生成部）
第３登録データ生成部５０の役割は、第２登録データ生成部４０が抽出した意味情報をもとにした価値情報の抽出であり、この事例では、障害物に対する危険性の予測あるいは危険回避行動の予測となる。
第３登録データ生成部５０の役割は、第２登録データ生成部４０が抽出した意味情報をもとにした価値情報の抽出であり、この事例では、障害物に対する危険性の予測あるいは危険回避行動の予測となる。
【0068】
第３登録データ生成部５０では、入力として上記第２登録データに加えて、センサ情報から得られる移動体１２０の位置や速度が挙げられる。必要に応じて上記第１登録データを参照してもよい。
【0069】
第３確信度１３ａについても、第３登録データの算出自体の確信度が定義できる。例えば自転車Ｘ２がＹ１に移動する場合、移動体１２０の前方に飛び出すこととなるため、危険性が高いと判断される。一方、自転車Ｘ２がＹ３に移動する場合は、危険性は低い。これらは比較的高い確信度で予見可能であると思われる。ところが、自転車Ｘ２がＹ２に移動する場合、自転車Ｘ２の運転者は三角コーンＸ１に気付いていない可能性が否定できず危険性は断定的には予見できず、比較的低い確信度となると考えられる。
【0070】
上述した点を除き、第３登録データ生成部５０は、第２登録データ生成部４０と同様に構成することができる。
【0071】
（枝データ）
上述のように自転車Ｘ２の前方には三角コーンＸ１が存在する。三角コーンＸ１は、原則として移動しないから、自転車Ｘ２の方が三角コーンＸ１を避ける行動をとることが予想される。つまり、自転車Ｘ２の未来位置の予測には、三角コーンＸ１が寄与することとなる。この場合、第２登録データであるＹ１～Ｙ３に、その生成に寄与した第１登録データであるＸ１を紐付ける。この紐付け情報は、枝情報として枝データ１５に格納される。
上述のように自転車Ｘ２の前方には三角コーンＸ１が存在する。三角コーンＸ１は、原則として移動しないから、自転車Ｘ２の方が三角コーンＸ１を避ける行動をとることが予想される。つまり、自転車Ｘ２の未来位置の予測には、三角コーンＸ１が寄与することとなる。この場合、第２登録データであるＹ１～Ｙ３に、その生成に寄与した第１登録データであるＸ１を紐付ける。この紐付け情報は、枝情報として枝データ１５に格納される。
【0072】
上述の具体例で示した登録データと枝との関係を模式的に示すと図４のように表せる。図４では、第１登録データをＸ１～Ｘ３、第２登録データをＹ１～Ｙ３、第３登録データをＺ１～Ｚ３で表し、それぞれの確信度をｆ＊、登録データを紐付ける枝をＥ＊＊で示している。ここで、＊は、登録データの符号を示す。
【0073】
〔データベース構築方法〕
上述の図４に示す具体例を図５に示すデータベース１０に登録し、データベース１０を構築する方法、すなわち本開示の一実施形態に係るデータベース構築方法について説明する。当該データベース構築方法は、複数の第１登録データＸ１～Ｘ３が属する第１登録データ群１１と、複数の第１登録データＸ１～Ｘ３に基づいて生成される複数の第２登録データＹ１～Ｙ３が属する第２登録データ群１２と、第２登録データＹ１～Ｙ３に、その生成に寄与した第１登録データＸ１～Ｘ３を紐付ける枝ＥＸｉＹｊと、複数の第２登録データＹ１～Ｙ３に基づいて生成される複数の第３登録データＺ１～Ｚ３が属する第３登録データ群１３と、第３登録データＺ１～Ｚ３に、その生成に寄与した第２登録データＹ１～Ｙ３を紐付ける枝ＥＹｊＺｋと、第１登録データＸ１～Ｘ３、第２登録データＹ１～Ｙ３および第３登録データＺ１～Ｚ３の確信度ｆ＊（＊：Ｘ１～Ｘ３、Ｙ１～Ｙ３、Ｚ１～Ｚ３）とが格納されているデータベース１０を構築するデータベース構築方法である。
上述の図４に示す具体例を図５に示すデータベース１０に登録し、データベース１０を構築する方法、すなわち本開示の一実施形態に係るデータベース構築方法について説明する。当該データベース構築方法は、複数の第１登録データＸ１～Ｘ３が属する第１登録データ群１１と、複数の第１登録データＸ１～Ｘ３に基づいて生成される複数の第２登録データＹ１～Ｙ３が属する第２登録データ群１２と、第２登録データＹ１～Ｙ３に、その生成に寄与した第１登録データＸ１～Ｘ３を紐付ける枝ＥＸｉＹｊと、複数の第２登録データＹ１～Ｙ３に基づいて生成される複数の第３登録データＺ１～Ｚ３が属する第３登録データ群１３と、第３登録データＺ１～Ｚ３に、その生成に寄与した第２登録データＹ１～Ｙ３を紐付ける枝ＥＹｊＺｋと、第１登録データＸ１～Ｘ３、第２登録データＹ１～Ｙ３および第３登録データＺ１～Ｚ３の確信度ｆ＊（＊：Ｘ１～Ｘ３、Ｙ１～Ｙ３、Ｚ１～Ｚ３）とが格納されているデータベース１０を構築するデータベース構築方法である。
【0074】
当該データベース構築方法は、図６に示すように、複数の新たな第１登録データＸ１～Ｘ３、複数の新たな第２登録データＹ１～Ｙ３および複数の新たな第３登録データＺ１～Ｚ３と、新たな第２登録データＹ１～Ｙ３の生成に寄与した第１登録データＸ１～Ｘ３を紐付ける新たな枝ＥＸｉＹｊと、新たな第３登録データＺ１～Ｚ３の生成に寄与した第２登録データＹ１～Ｙ３を紐付ける新たな枝ＥＹｊＺｋとを、データベース１０に追加するデータ追加工程Ｓ１を備える。
【0075】
データ追加工程Ｓ１は、対応付けステップＳ１１と、確信度更新ステップＳ１２と、枝苅ステップＳ１３と、データ削除ステップＳ１４とを有する。
【0076】
＜対応付けステップ＞
対応付けステップＳ１１では、新たな第１登録データＸ１～Ｘ３、新たな第２登録データＹ１～Ｙ３、新たな第３登録データＺ１～Ｚ３および新たな枝Ｅ＊＊（＊：Ｘ１～Ｘ３、Ｙ１～Ｙ３、Ｚ１～Ｚ３）を、データベース１０にすでに登録されている既存の第１登録データＸｉ、既存の第２登録データＹｊ、既存の第３登録データＺｋおよび既存の枝Ｅ＊＊（＊：Ｘｉ、Ｙｊ、Ｚｋ）と対応付ける。
対応付けステップＳ１１では、新たな第１登録データＸ１～Ｘ３、新たな第２登録データＹ１～Ｙ３、新たな第３登録データＺ１～Ｚ３および新たな枝Ｅ＊＊（＊：Ｘ１～Ｘ３、Ｙ１～Ｙ３、Ｚ１～Ｚ３）を、データベース１０にすでに登録されている既存の第１登録データＸｉ、既存の第２登録データＹｊ、既存の第３登録データＺｋおよび既存の枝Ｅ＊＊（＊：Ｘｉ、Ｙｊ、Ｚｋ）と対応付ける。
【0077】
具体的には、対応する登録データ（第１登録データＸｉ、第２登録データＹｊ、第３登録データＺｋおよび枝Ｅ＊＊をマッピングするとよい。図７および図８に対応付けステップＳ１１後の対応関係を示す。図７および図８において、対応付けられた登録データおよび枝を実線で示し、対応付けられなかった登録データおよび枝を破線で示している。
【0078】
例えば歩行者Ｘ３について、同一の歩行者を対応付ける（異なる歩行者は対応付けない）方法と、カテゴリーが歩行者であれば異なる歩行者であっても対応付ける方法とが想定される。いずれの方法を採用するかは、データベース１０の目的に応じて変わり得る。例えばデータベース１０が時間的に連続するある一場面の解析を目的とするものであれば、前者の方法が採用され得る。一方、データベース１０が歩行者Ｘ３と自転車Ｘ２あるいは移動体１２０との関係を一般化することを目的とするものであれば、後者の方法が採用され得る。
【0079】
ここで、例えば第１登録データＸ１～Ｘ３は、単に障害物の種類のみを表すデータであってもよいが、その位置や移動速度を含むデータセットであってもよい。このデータセットの内容は、第２登録データＹ１～Ｙ３を生成する際の必要性に応じて適宜決定される。例えば第１登録データＸ１～Ｘ３に、障害物の種類に加えてその位置も含める場合、その位置を精密に定義すると、位置情報の相違により、新たな第１登録データＸ１～Ｘ３が既存の第１登録データＸｉと対応付けられない可能性が高くなる。このため、例えばカメラにより取得された画像を所定の区画（例えば図３であれば５×５の区画）に分割し、第１登録データＸｉの属する区画により対応付けるとよい。
【0080】
＜確信度更新ステップ＞
確信度更新ステップＳ１２では、対応付けステップＳ１１で対応付けられた既存の第１登録データＸｉ、既存の第２登録データＹｊおよび既存の第３登録データＺｋの確信度Ｆ＊（＊：Ｘｉ、Ｙｊ、Ｚｋ）を、対応する新たな第１登録データＸ１～Ｘ３、新たな第２登録データＹ１～Ｙ３および新たな第３登録データＺ１～Ｚ３の確信度ｆ＊を用いて更新する。
確信度更新ステップＳ１２では、対応付けステップＳ１１で対応付けられた既存の第１登録データＸｉ、既存の第２登録データＹｊおよび既存の第３登録データＺｋの確信度Ｆ＊（＊：Ｘｉ、Ｙｊ、Ｚｋ）を、対応する新たな第１登録データＸ１～Ｘ３、新たな第２登録データＹ１～Ｙ３および新たな第３登録データＺ１～Ｚ３の確信度ｆ＊を用いて更新する。
【0081】
更新される確信度は、図８において実線で示されている確信度（第１確信度１１ａ、第２確信度１２ａおよび第３確信度１３ａ）である。このうち、第２登録データＹ３のように対応付けられている枝Ｅ＊＊がつながっていないデータに係る確信度ＦＹ３は更新対象から外してもよい。このようなデータは、新たな登録データとは生成に寄与したデータが全く異なるためである。
【0082】
確信度更新ステップＳ１２で、更新される確信度Ｆ＊としては、既存の確信度Ｆ＊および新たな確信度ｆ＊の平均値、最大値、最小値、最頻値、中央値、積分フィルタ値、カルマンフィルタ値などが選択可能である。中でも平均値、最大値および最小値のうちのいずれかであることが好ましい。平均値は比較的簡単な演算でもっともらしい確信度を与える。最大値は確信度が高いつまり信頼度の高いデータベース１０の構築に適している。逆に、最小値は特異性の高いデータベース１０の構築に適している。なお、更新される確信度Ｆ＊として、平均値、最頻値または中央値を採用する場合には、確信度Ｆ＊以外に総和と度数とを保持しておくとよい。
【0083】
なお、新たな登録データＸｉ、Ｙｊ、Ｚｋや新たな枝Ｅ＊＊において、既存の登録データＸｉ、Ｙｊ、Ｚｋや枝Ｅ＊＊と対応付けられないものが存在し得る。例えば図７の例では、第１登録データＸ３、第３登録データＺ３、枝ＥＸ１Ｙ３、枝ＥＸ２Ｙ２、枝ＥＸ２Ｙ３、枝ＥＸ３Ｙ３、枝ＥＹ３Ｚ３が、これに相当する。このような新たな登録データＸｉ、Ｙｊ、Ｚｋや新たな枝Ｅ＊＊は、そのままデータベース１０に追加され、新たな登録データＸｉ、Ｙｊ、Ｚｋには、対応する新たな確信度ｆ＊が付与される（図９参照）。
【0084】
＜枝刈ステップ＞
枝刈ステップＳ１３では、確信度更新ステップＳ１２後に、対応付けステップＳ１１で対応付けられた既存の枝ＥＸｉＹｊの起点となる第１登録データＸｉの確信度ｆＸｉおよび既存の枝ＥＸｉＹｊの終点となる第２登録データＹｊの確信度ｆＹｊを含む評価関数または対応付けステップＳ１１で対応付けられた既存の枝ＥＹｊＺｋの起点となる第２登録データＹｊの確信度ｆＹｊおよび既存の枝ＥＹｊＺｋの終点となる第３登録データＺｋの確信度ｆＺｋを含む評価関数に基づいて、既存の枝ＥＸｉＹｊまたは枝ＥＹｊＺｋを削除する。
枝刈ステップＳ１３では、確信度更新ステップＳ１２後に、対応付けステップＳ１１で対応付けられた既存の枝ＥＸｉＹｊの起点となる第１登録データＸｉの確信度ｆＸｉおよび既存の枝ＥＸｉＹｊの終点となる第２登録データＹｊの確信度ｆＹｊを含む評価関数または対応付けステップＳ１１で対応付けられた既存の枝ＥＹｊＺｋの起点となる第２登録データＹｊの確信度ｆＹｊおよび既存の枝ＥＹｊＺｋの終点となる第３登録データＺｋの確信度ｆＺｋを含む評価関数に基づいて、既存の枝ＥＸｉＹｊまたは枝ＥＹｊＺｋを削除する。
【0085】
確信度Ｆ＊の更新後に、例えば確信度Ｆ＊が低い登録データは信頼性が低いと解釈可能である。当該データベース構築方法では、第１登録データＸｉに基づいて第２登録データＹｊが生成されるが、関連付けられる第１登録データＸｉおよび第２登録データＹｊの確信度Ｆ＊がともに低いような場合、その関連づけは信頼性が低く、例えば構築されたデータベース１０を活用する際に外乱となるおそれがある。このような登録データの関連性については、両者を紐付ける枝を刈り取ることで削除できる。つまり、確信度を含む評価関数に基づいて枝を削除することで、構築されるデータベース１０の信頼度を高めることができる。
【0086】
上記評価関数は、個々の枝Ｅ＊＊単位で定義されていてもよいし、例えば図７のＸ１→Ｙ１→Ｚ１のパスを構成する２つの枝ＥＸ１Ｙ１と枝ＥＹ１Ｚ１とを含めて定義されてもよい。パス単位で定義する場合、図７のＸ２→Ｙ２→Ｚ２のように一部のパス（Ｙ２→Ｚ２）しか既存のデータベース１０と合致しないということが生じ得る。この場合は、Ｙ２→Ｚ２は評価の対象とはならず、このパスに対しては、枝刈ステップＳ１３は実行されない。
【0087】
ここでは、上記評価関数が個々の枝Ｅ＊＊単位で定義されている場合を例にとり説明を続ける。なお、個々の枝Ｅ＊＊として、枝ＥＸｉＹｊと枝ＥＹｊＺｋとが存在するが、枝ＥＸｉＹｊで代表させても一般性は失わない、そこで、さらに既存の枝ＥＸｉＹｊの起点となる第１登録データＸｉの確信度ＦＸｉおよび既存の枝ＥＸｉＹｊの終点となる第２登録データＹｊの確信度ＦＹｊを含む評価関数に基づいて、既存の枝ＥＸｉＹｊを削除する場合を用いて説明する。
【0088】
上記評価関数としては、確信度ＦＸｉおよび確信度ＦＹｊの和、積、最大値、最小値、相加平均値、相乗平均値などが採用可能である。なかでも上記評価関数が、上記起点となる第１登録データＸｉの確信度ＦＸｉおよび上記終点となる第２登録データＹｊの確信度ＦＹｊの積、相加平均値、相乗平均値、最大値または最小値を含むことが好ましい。上記評価関数として確信度の積、相加平均値、相乗平均値、最大値または最小値を含めることで、比較的簡単な評価関数で構築されるデータベース１０の信頼度を高めることができる。
【0089】
上記評価関数が上記起点となる第１登録データＸｉの確信度ＦＸｉおよび上記終点となる第２登録データＹｊの確信度ＦＹｊに対して単調増加する関数であり、上記評価関数の値が所定値以下または所定値未満となる場合に枝ＥＸｉＹｊが削除されるとよい。このように評価関数が第１登録データＸｉの確信度ＦＸｉおよび第２登録データＹｊの確信度ＦＹｊに対して単調増加する関数である場合、上記評価関数の値が小さいことは、第１登録データＸｉと第２登録データＹｊとが同時に生じることに対する確信度が低いことを意味する。つまり、この枝ＥＸｉＹｊは信頼性が低いと解釈可能である。従って、上記評価関数の値を所定値以下または所定値未満となる場合に枝を削除することで、構築されるデータベース１０の信頼度を高めることができる。
【0090】
上記評価関数が上記起点となる第１登録データＸｉの確信度ＦＸｉおよび上記終点となる第２登録データＹｊの確信度ＦＹｊに対して単調減少する関数であり、上記評価関数の値が所定値以上または所定値超となる場合に枝ＥＸｉＹｊが削除されるとよい。このように評価関数が第１登録データＸｉの確信度ＦＸｉおよび第２登録データＹｊの確信度ＦＹｊに対して単調減少する関数である場合、上記評価関数の値が大きいことは、第１登録データＸｉと第２登録データＹｊとが同時に生じることに対する確信度が低いことを意味する。従って、上記評価関数の値を所定値以上または所定値超となる場合に枝を削除することで、構築されるデータベース１０の信頼度を高めることができる。
【0091】
逆に、上記評価関数が上記起点となる第１登録データＸｉの確信度ＦＸｉおよび上記終点となる第２登録データＹｊの確信度ＦＹｊに対して単調増加する関数であり、上記評価関数の値が所定値以上または所定値超となる場合に枝ＥＸｉＹｊが削除されるように構成することもできる。この場合、むしろ確信度が低い登録データを紐付ける枝ＥＸｉＹｊが残り、確信度の高い登録データを紐付ける枝ＥＸｉＹｊが刈り取られることとなる。確信度が低い登録データは希にしか生じないと解釈することも可能である。この解釈に基づけば、確信度が低い登録データを紐付ける枝ＥＸｉＹｊを積極的に残すことで、主に特異ケースを抽出したデータベース１０を構築することができる。
【0092】
上記評価関数が上記起点となる第１登録データＸｉの確信度ＦＸｉおよび上記終点となる第２登録データＹｊの確信度ＦＹｊに対して単調減少する関数であり、上記評価関数の値が所定値以下または所定値未満となる場合に枝ＥＸｉＹｊが削除されるようにしてもよい。このように上記評価関数が上記起点となる第１登録データＸｉの確信度ＦＸｉおよび上記終点となる第２登録データＹｊの確信度に対して単調減少する関数である場合には、上記評価関数の値が所定値以下または所定値未満となる場合に枝ＥＸｉＹｊを削除することで、主に特異ケースを抽出したデータベース１０を構築することができる。
【0093】
上記評価関数を構築するにあたって、第１登録データＸｉおよび第２登録データＹｊが同時に生じる確信度をＰ（Ｘｉ、Ｙｊ）とし、第１登録データＸｉが生じないことを「！Ｘｉ」と表すことにする。つまり、Ｐ（！Ｘｉ、Ｙｊ）は第１登録データＸｉが生じず、かつ第２登録データＹｊが生じる確信度を意味する。このとき、Ｐ（Ｘｉ、Ｙｊ）＋Ｐ（！Ｘｉ、Ｙｊ）＋Ｐ（Ｘｉ、！Ｙｊ）＋Ｐ（！Ｘｉ、！Ｙｊ）＝１を満たすようにＰ（Ｘｉ、Ｙｊ）を定め、上記評価関数としてＰ（Ｘｉ、Ｙｊ）を用いることが好ましい。このような評価関数を用いることで、構築されるデータベース１０の信頼度をさらに高めることができる。
【0094】
枝ＥＸｉＹｊを削除対象とするか否かの上記所定値は、構築されるデータベース１０の信頼度、要請されるコンパクト化などに応じ、適宜決定されるが、例えば上記評価関数として上述のＰ（Ｘｉ、Ｙｊ）を用いる場合であれば、上記所定値は０．４とすることが好ましく、０．３とすることがより好ましい。Ｐ（Ｘｉ、Ｙｊ）が上記所定値以下または未満である場合に削除対象とすることで効果的にコンパクト化できる。
【0095】
枝ＥＸｉＹｊが、初期値を登録時とする更新時刻データを有しており、確信度更新ステップＳ１２において、対応付けステップＳ１１で対応付けられた既存の枝ＥＸｉＹｊの上記更新時刻データを、上記確信度を更新した時刻に更新し、枝苅ステップＳ１３において、所定時間以上更新時刻データの更新がない枝ＥＸｉＹｊも削除してもよい。所定時間以上更新時刻データの更新がない枝ＥＸｉＹｊは、古いデータで現在では発生頻度が低下したデータであるとみなせる。このようなデータを削除することで、データベース１０の信頼度を維持しつつ、コンパクト化が図れる。
【0096】
＜データ削除ステップ＞
データ削除ステップＳ１４は、枝苅ステップＳ１３後に、第１登録データＸｉのうちこれを起点とする枝ＥＸｉＹｊが存在しない第１登録データＸｉ、および第２登録データＹｊのうちこれを終点とする枝ＥＸｉＹｊが存在しない第２登録データＹｊを削除する。
データ削除ステップＳ１４は、枝苅ステップＳ１３後に、第１登録データＸｉのうちこれを起点とする枝ＥＸｉＹｊが存在しない第１登録データＸｉ、および第２登録データＹｊのうちこれを終点とする枝ＥＸｉＹｊが存在しない第２登録データＹｊを削除する。
【0097】
例えば図９のデータベース１０において、枝苅ステップＳ１３で枝ＥＸ１Ｙ１および枝ＥＸ２Ｙ１が削除され、存在しない場合、第２登録データＹ１を終点とする枝ＥＸｉＹｊが存在しなくなるため、この第２登録データＹ１は削除される。
【0098】
そして、第２登録データＹ１が削除されると、枝ＥＹ２Ｚ３が不要となり削除し得る。さらに、この枝ＥＹ２Ｚ３の削除により、第３登録データＹ１を終点とする枝ＥＸｉＹｊが存在しなくなるため、第３登録データＺ１を終点とする枝ＥＹｉＺｊが存在しなくなるため、この第３登録データＺ１も削除し得る。このように連鎖的に不要な枝Ｅ＊＊や登録データＸｉ、Ｙｊ、Ｚｋを削除してもよい。
【0099】
また、例えば枝苅ステップＳ１３で枝ＥＹ２Ｚ２が削除された場合であれば、第２登録データＹ２を起点とする枝ＥＹｉＺｊが存在しなくなるため、第２登録データＹ２が削除される。
【0100】
一方、枝ＥＸ１Ｙ１が削除されても、この枝ＥＸ１Ｙ１の起点である第１登録データＸ１は削除されない。第１登録データＸ１には、削除されていない枝ＥＸ１Ｙ２や枝ＥＸ１Ｙ３が存在しているためである。
【0101】
このように枝苅の結果、起点とする枝ＥＸｉＹｊが存在しない第１登録データＸｉおよび終点とする枝ＥＸｉＹｊが存在しない第２登録データＹｊは、データベース１０の構成に寄与せず不要であるので、これを削除することでデータベース１０をさらにコンパクト化することができる。
【0102】
＜利点＞
当該データベース構築方法では、新たに発生した登録データＸｉ、Ｙｊ、Ｚｋのうち、既存の登録データＸｉ、Ｙｊ、Ｚｋと対応するものは共通化するので、データベース１０のデータ量が膨大となることを抑止できる。また、当該データベース構築方法では、対応付けられた既存の登録データＸｉ、Ｙｊ、Ｚｋの確信度Ｆ＊を新たな登録データＸｉ、Ｙｊ、Ｚｋの確信度ｆ＊を用いて更新する。この確信度Ｆ＊は、登録データＸｉ、Ｙｊ、Ｚｋの信頼度を意味し、確信度Ｆ＊を更新することで、登録データＸｉ、Ｙｊ、Ｚｋ自体の信頼度や時間軸に対する重要度を判断できるから、当該データベース構築方法によれば、いったんデータを膨大に蓄積することなく、逐次的にデータを更新することができる。
当該データベース構築方法では、新たに発生した登録データＸｉ、Ｙｊ、Ｚｋのうち、既存の登録データＸｉ、Ｙｊ、Ｚｋと対応するものは共通化するので、データベース１０のデータ量が膨大となることを抑止できる。また、当該データベース構築方法では、対応付けられた既存の登録データＸｉ、Ｙｊ、Ｚｋの確信度Ｆ＊を新たな登録データＸｉ、Ｙｊ、Ｚｋの確信度ｆ＊を用いて更新する。この確信度Ｆ＊は、登録データＸｉ、Ｙｊ、Ｚｋの信頼度を意味し、確信度Ｆ＊を更新することで、登録データＸｉ、Ｙｊ、Ｚｋ自体の信頼度や時間軸に対する重要度を判断できるから、当該データベース構築方法によれば、いったんデータを膨大に蓄積することなく、逐次的にデータを更新することができる。
【0103】
［その他の実施形態］
上記実施形態は、本発明の構成を限定するものではない。従って、上記実施形態は、本明細書の記載および技術常識に基づいて上記実施形態各部の構成要素の省略、置換または追加が可能であり、それらは全て本発明の範囲に属するものと解釈されるべきである。
上記実施形態は、本発明の構成を限定するものではない。従って、上記実施形態は、本明細書の記載および技術常識に基づいて上記実施形態各部の構成要素の省略、置換または追加が可能であり、それらは全て本発明の範囲に属するものと解釈されるべきである。
【0104】
上記実施形態では、第１登録データ群から第３登録データ群までの３つの登録データ群を備える場合を説明したが、第４登録データ群あるいはそれ以上のデータ群を備え、第４確信度あるいはそれ以上の確信度を含むデータベースも本発明の対象とするところである。逆に、第３登録データ群を備えない２段構成のデータベースも本発明の対象とするところである。
【0105】
また、第１登録データから第３登録データの全てが確信度を含む必要はなく、例えば第２登録データと第３登録データとが確信度を含むデータベースも本発明の対象とするところである。
【0106】
上記実施形態では、第３登録データが第２登録データに基づいて生成される場合を説明したが、第３登録データが第１登録データに基づいて生成される場合や、第３登録データが第１登録データおよび第２登録データに基づいて生成される場合も本発明の対象とするところである。
【0107】
上記実施形態では、データ追加工程が枝苅ステップと、削除ステップとを有する場合を説明したが、データ追加工程が削除ステップを有さない構成や、データ追加工程が枝苅ステップと、削除ステップとをともに有さない場合も本発明の意図するところである。
【産業上の利用可能性】
【0108】
以上説明したように、本開示のデータベース構築方法は、関連性のある複数のデータを逐次的に、かつコンパクトにデータベースに蓄積できる。
【符号の説明】
【0109】
１ データベース管理装置
１０ データベース
１１ 第１登録データ群
１１ａ 第１確信度
１２ 第２登録データ群
１２ａ 第２確信度
１３ 第３登録データ群
１３ａ 第３確信度
１４ 詳細センサデータ
１５ 枝データ
２０ センサ
３０ 第１登録データ生成部
３１ 第１予測モデル
４０ 第２登録データ生成部
４１ 第２予測モデル
５０ 第３登録データ生成部
５１ 第３予測モデル
１００ 通信システム
１１０ モバイル基地局
１１１ 主基地局
１１２ ローカル基地局
１２０ 移動体
１３０ ネットワーク
１４０ 階層化データベース
１４１ 主データベース
１４２ 中間データベース
１４３ 末端データベース
Ｘ１ 三角コーン
Ｘ２ 自転車
Ｘ３ 歩行者
１０ データベース
１１ 第１登録データ群
１１ａ 第１確信度
１２ 第２登録データ群
１２ａ 第２確信度
１３ 第３登録データ群
１３ａ 第３確信度
１４ 詳細センサデータ
１５ 枝データ
２０ センサ
３０ 第１登録データ生成部
３１ 第１予測モデル
４０ 第２登録データ生成部
４１ 第２予測モデル
５０ 第３登録データ生成部
５１ 第３予測モデル
１００ 通信システム
１１０ モバイル基地局
１１１ 主基地局
１１２ ローカル基地局
１２０ 移動体
１３０ ネットワーク
１４０ 階層化データベース
１４１ 主データベース
１４２ 中間データベース
１４３ 末端データベース
Ｘ１ 三角コーン
Ｘ２ 自転車
Ｘ３ 歩行者
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】