特開 2024-159226 機械学習装置

(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】P2024159226

(43)【公開日】2024-11-08

(54)【発明の名称】機械学習装置

(51)【国際特許分類】

   G06N 20/00 20190101AFI20241031BHJP

   G06F 18/2321 20230101ALI20241031BHJP

【ＦＩ】

G06N20/00

G06F18/2321

【審査請求】未請求

【請求項の数】5

【出願形態】ＯＬ

(21)【出願番号】P 2023075077

(22)【出願日】2023-04-28

(71)【出願人】

【識別番号】000005348

【氏名又は名称】株式会社ＳＵＢＡＲＵ

(74)【代理人】

【識別番号】110000936

【氏名又は名称】弁理士法人青海国際特許事務所

(72)【発明者】

【氏名】金堀 凌也

(57)【要約】

【課題】車両の適合定数の設定のために必要な工数を削減する。
【解決手段】機械学習装置は、１つまたは複数のプロセッサと、プロセッサに接続される１つまたは複数のメモリと、を備え、プロセッサは、メモリに含まれるプログラムと協働し、車両を走行させた際の複数種類の加速度波形を取得することと、複数種類の加速度波形のそれぞれを評価した評点である複数種類の教師データを取得することと、複数種類の加速度波形を、当該加速度波形の形状に基づいてグループ化することと、グループ化された加速度波形の評点を補正規則に基づいて補正することと、を含む処理を実行する。
【選択図】図８

【特許請求の範囲】

【請求項1】

１つまたは複数のプロセッサと、
前記プロセッサに接続される１つまたは複数のメモリと、
を備え、
前記プロセッサは、前記メモリに含まれるプログラムと協働し、
車両を走行させた際の複数種類の加速度波形を取得することと、
前記複数種類の加速度波形のそれぞれを評価した評点である複数種類の教師データを取得することと、
前記複数種類の前記加速度波形を、当該加速度波形の形状に基づいてグループ化することと、
前記グループ化された前記加速度波形の前記評点を補正規則に基づいて補正することと、
を含む処理を実行する、
機械学習装置。

【請求項2】

前記補正規則は、前記グループ化された前記加速度波形のうち、同じ前記評点に評価された加速度波形の数が最も多い前記加速度波形の前記評点を基準とすることである、
請求項１に記載の機械学習装置。

【請求項3】

前記補正規則は、前記グループ化された前記加速度波形の最大振幅の大きさに応じて予め定められた評点に補正することである、
請求項１に記載の機械学習装置。

【請求項4】

前記複数種類の前記加速度波形をグループ化する処理は、
前記複数種類の前記加速度波形をＫ－Ｓｈａｐｅ法を用いてグループ化する、
請求項１～３のいずれかに記載の機械学習装置。

【請求項5】

前記プロセッサは、
前記補正された前記評点の教師データに基づいてＡＩモデルを学習させること、
前記学習されたＡＩモデルに前記車両を走行させた際の加速度波形を入力することで予測された評点を取得すること、
を含む処理をさらに実行する、
請求項１～３のいずれかに記載の機械学習装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、機械学習装置に関する。

【背景技術】

【0002】

従来、車両の制御プログラムにおいて、車種ごとの車両特性差を補償するために適合定数の設定が行われている。この適合定数は、例えば、ベテランドライバが車両を走行させ、官能評価を行うことで、車両走行時において不快な加速とならないように設定される。この適合定数の設定に、数か月程度の工数が必要となる。

【0003】

特許文献１には、車両の加速度情報を入力させ、運転者の運転挙動を推定する機械学習モデル（以下、ＡＩモデルという）を備えた情報処理装置について開示がある。このようなＡＩモデルを用いて、ＡＩモデルがベテランドライバの代わりに車両走行時の官能評価を行うことができれば、適合定数の設定のために必要な工数を削減することができる。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】国際公開第２０２０／０３５９９６号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

ところで、ＡＩモデルの学習においては、教師データが必要である。ＡＩモデルがベテランドライバの代わりに官能評価を行うためには、教師データとして、車両のさまざまな加速度波形と、それを評価して数値化したさまざまな評点のデータが必要となる。しかし、この教師データにばらつきがあると、ＡＩモデルを正しく学習させることができず、結果、車両の適合定数の設定のために必要な工数を削減することができないという問題が発生していた。

【0006】

本発明は、このような課題に鑑み、車両の適合定数の設定のために必要な工数を削減することが可能な機械学習装置を提供することを目的としている。

【課題を解決するための手段】

【0007】

上記課題を解決するために、本発明の機械学習装置は、１つまたは複数のプロセッサと、プロセッサに接続される１つまたは複数のメモリと、を備え、プロセッサは、メモリに含まれるプログラムと協働し、車両を走行させた際の複数種類の加速度波形を取得することと、複数種類の加速度波形のそれぞれを評価した評点である複数種類の教師データを取得することと、複数種類の加速度波形を、当該加速度波形の形状に基づいてグループ化することと、グループ化された加速度波形の評点を補正規則に基づいて補正することと、を含む処理を実行する。

【発明の効果】

【0008】

本発明によれば、車両の適合定数の設定のために必要な工数を削減することが可能となる。

【図面の簡単な説明】

【0009】

【図1】図１は、本実施形態に係る機械学習システムの構成を示す概略構成図である。

【図2】図２は、本実施形態に係る機械学習装置の機能構成の一例を示すブロック図である。

【図3】図３は、入力データである加速度波形と、当該加速度波形を評価した評点である教師データの一例を示すグラフである。

【図4】図４は、グループＡに分類された加速度波形を示すグラフである。

【図5】図５は、グループＢに分類された加速度波形を示すグラフである。

【図6】図６は、グループＣに分類された加速度波形を示すグラフである。

【図7】図７は、補正部が図３に示される教師データを補正した後の状態を示すグラフである。

【図8】図８は、グループ化部により分類されたグループＡ、Ｂ，Ｃとは別のグループＤの加速度波形を示すグラフである。

【図9】図９は、本実施形態に係る機械学習装置の処理の流れ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】

【0010】

以下に添付図面を参照しながら、本発明の好適な実施形態について詳細に説明する。かかる実施形態に示す寸法、材料、その他具体的な数値などは、発明の理解を容易とするための例示にすぎず、特に断る場合を除き、本発明を限定するものではない。なお、本明細書および図面において、実質的に同一の機能、構成を有する要素については、同一の符号を付することにより重複説明を省略し、また本発明に直接関係のない要素は図示を省略する。

【0011】

図１は、本実施形態に係る機械学習システム１００の構成を示す概略構成図である。機械学習システム１００は、車両２００と、機械学習装置３００とを含む。車両２００は、例えば、走行用の駆動源としてエンジンが設けられたエンジン車両である。なお、車両２００は、走行用の駆動源としてエンジンとモータとが駆動源として設けられたハイブリッド車両であってもよいし、走行用の駆動源としてモータが設けられた電気車両であってもよい。

【0012】

また、本実施形態では、主に、車両２００が四輪の自家用自動車である例について説明する。しかし、かかる例に限定されず、車両２００は、バス、トラックもしくはタクシー等の商業用車両、または、パトカー、消防車、救急車、レッカー車、除雪車もしくは工事用車両等の特殊車両、または、自動二輪車など、各種の自動車であってもよい。

【0013】

本実施形態の車両２００は、加速度センサ２１０を備える。加速度センサ２１０は、車両２００の加速度を計測する。加速度センサ２１０は、計測した車両２００の加速度を示す加速度データを機械学習装置３００に送信する。

【0014】

機械学習装置３００は、加速度センサ２１０から取得した車両２００の加速度データを基に、車両２００の加速時あるいは減速時における乗り心地である快適度の官能評価を行う装置である。機械学習装置３００には、大別して学習フェーズと予測フェーズの２つのフェーズが設けられている。

【0015】

学習フェーズは、機械学習装置３００に学習データが入力され、当該学習データを基にＡＩモデルを構築するフェーズである。以下、学習フェーズで構築されたＡＩモデルを、学習済みモデルという。

【0016】

学習データには、入力データとしての車両２００の加速度データと、正解データとしての教師データとが含まれる。教師データは、車両２００の加速度データの加速度波形を評価し、数値化した評点である。例えば、教師データは、ベテランドライバが車両２００を走行させた際の車両２００の加速度波形を評価して、その快適度を評点として整数で表したものである。

【0017】

本実施形態では、学習データには、車両２００を複数回走行させた際の複数種類の加速度波形を有する複数種類の加速度データが含まれる。また、教師データは、複数種類の加速度波形のそれぞれを評価し、数値化した評点を有する。なお、教師データは、加速度データに紐付けられ、各加速度波形に対応する評点が紐付けられている。そのため、学習データには、複数種類の加速度波形に紐付けられた複数種類の教師データが含まれる。

【0018】

予測フェーズは、学習済みモデルに教師データが紐付けられていない、例えば、ベテランドライバではないドライバが乗車したときの加速度データを入力させ、当該加速度データに含まれる加速度波形を評価した評点を予測するフェーズである。このように、予測フェーズで入力される入力データは、学習フェーズで入力される学習データと異なっている。

【0019】

機械学習装置３００は、Ｉ／Ｆ部３１０と、データ保持部３２０と、システムバス３３０と、１つまたは複数のプロセッサ３４０と、１つまたは複数のメモリ３５０とを含む。Ｉ／Ｆ部３１０は、車両２００から送信された加速度データを取得するためのインターフェースである。

【0020】

データ保持部３２０は、ＲＡＭ、フラッシュメモリ、ＨＤＤ等で構成され、以下に示すプロセッサ３４０の処理に必要な様々な情報を保持する。例えば、データ保持部３２０には、学習フェーズで使用される学習データが保持されている。システムバス３３０は、Ｉ／Ｆ部３１０、データ保持部３２０、プロセッサ３４０、メモリ３５０を電気的に接続し、これらの間でデータを伝送する伝送路である。

【0021】

プロセッサ３４０は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を含む。メモリ３５０は、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）およびＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などを含む。ＲＯＭは、ＣＰＵが使用するプログラムおよび演算パラメータ等を記憶する記憶素子である。ＲＡＭは、ＣＰＵにより実行される処理に用いられる変数およびパラメータ等のデータを一時記憶する記憶素子である。

【0022】

本実施形態の機械学習装置３００によれば、学習フェーズにおいて入力データと教師データとをＡＩモデルに入力させることで、入力データから予測した評点が教師データに近づくように機械学習が行われ、学習済みモデルが構築される。これにより、予測フェーズにおいて、入力データとして加速度波形を学習済みモデルに入力させることで、学習済みモデルにより適切に予測された評点を出力させることができる。その結果、学習済みモデルがベテランドライバの代わりに車両走行時の官能評価を行うことができ、適合定数の設定のために必要な工数を削減することができる。

【0023】

ところで、ＡＩモデルの学習において、教師データにばらつきがあると、ＡＩモデルを正しく学習させることができなくなるという問題が発生する場合がある。教師データのばらつきは、類似した形状を有する加速度波形群において、ベテランドライバが評価し、数値化した評点のうち最も信頼性の高い真値としての評点からのずれである。教師データのばらつきは、例えば、類似する加速度データに対して異なるベテランドライバが異なる評点を付けたときに生じ得る。そこで、本実施形態の機械学習装置３００は、学習フェーズにおいて教師データのばらつきを補正する補正処理を行う。以下、本実施形態の機械学習装置３００における教師データの補正処理について詳細に説明する。

【0024】

図２は、本実施形態に係る機械学習装置３００の機能構成の一例を示すブロック図である。例えば、図２に示されるように、機械学習装置３００は、加速度波形取得部３００ａ、教師データ取得部３００ｂ、グループ化部３００ｃ、補正部３００ｄ、学習部３００ｅ、予測評点取得部３００ｆを含む。

【0025】

プロセッサ３４０は、メモリ３５０に含まれるプログラムと協働し、メモリ３５０に含まれるプログラムを実行することで、上記の加速度波形取得部３００ａ、教師データ取得部３００ｂ、グループ化部３００ｃ、補正部３００ｄ、学習部３００ｅ、予測評点取得部３００ｆにより行われる以下で説明する処理を含む各種処理を実現する。

【0026】

加速度波形取得部３００ａは、加速度センサ２１０から取得した車両２００の加速度データを基に、車両２００を走行させた際の加速度波形を取得する。教師データ取得部３００ｂは、加速度波形取得部３００ａで取得された加速度波形を評価した評点である教師データを取得する。

【0027】

なお、本実施形態では、加速度波形取得部３００ａは、１または複数のベテランドライバが車両２００を複数回走行した際の複数種類の加速度波形を取得し、教師データ取得部３００ｂは、当該複数種類の加速度波形のそれぞれをベテランドライバが評価した複数種類の教師データを取得する。

【0028】

グループ化部３００ｃは、加速度波形取得部３００ａで取得された複数種類の加速度波形を、当該加速度波形の形状に基づいてグループ化する。グループ化部３００ｃの詳細な内容については後述する。補正部３００ｄは、グループ化部３００ｃによりグループ化された加速度波形の評点を補正規則に基づいて補正する。補正部３００ｄの詳細な内容については後述する。

【0029】

学習部３００ｅは、補正部３００ｄにより補正された評点の教師データに基づいて、上述した学習フェーズにおいてＡＩモデルを学習させる。学習部３００ｅによるＡＩモデルの学習が行われることで、学習済みモデルが構築される。

【0030】

予測評点取得部３００ｆは、上述した予測フェーズにおいて、加速度波形取得部３００ａで取得された加速度波形を、学習部３００ｅにより構築された学習済みモデルに入力させることで当該加速度波形の評点を予測させる。そして、予測評点取得部３００ｆは、学習済みモデルにより予測され、出力された評点を取得する。

【0031】

図３は、入力データである加速度波形と、当該加速度波形を評価した評点である教師データの一例を示すグラフである。図３では、加速度波形の一例として、９種類の加速度波形Ｌ１、Ｌ２、Ｌ３、Ｌ４、Ｌ５、Ｌ６、Ｌ７、Ｌ８、Ｌ９が示されている。また、図３中、一点鎖線は評点２、実線は評点３、破線は評点４を表している。

【0032】

図３に示す例では、加速度波形Ｌ１は、評点２と評価され、加速度波形Ｌ２は、評点３と評価され、加速度波形Ｌ３は、評点２と評価されている。また、加速度波形Ｌ４は、評点４と評価され、加速度波形Ｌ５は、評点４と評価され、加速度波形Ｌ６は、評点３と評価されている。また、加速度波形Ｌ７は、評点３と評価され、加速度波形Ｌ８は、評点３と評価され、加速度波形Ｌ９は、評点３と評価されている。

【0033】

学習フェーズにおいて、加速度波形取得部３００ａは、加速度波形Ｌ１～Ｌ９を取得する。また、教師データ取得部３００ｂは、加速度波形Ｌ１、Ｌ３に紐付けられた評点２、加速度波形Ｌ２、Ｌ６、Ｌ７、Ｌ８、Ｌ９に紐付けられた評点３、加速度波形Ｌ４、Ｌ５に紐付けられた評点４を取得する。

【0034】

学習フェーズにおいて、グループ化部３００ｃは、加速度波形取得部３００ａで取得された複数種類の加速度波形を、当該加速度波形の形状に基づいてグループ化する。本実施形態では、グループ化部３００ｃは、複数種類の加速度波形をＫ－Ｓｈａｐｅ法を用いてグループ化する。Ｋ－Ｓｈａｐｅ法は、時系列データを対象とした形状ベースのクラスタリング手法であり、類似形状を自動的にグループ化する手法である。なお、本実施形態では、グループ化部３００ｃは、複数種類の加速度波形をグループ化するためにＫ－Ｓｈａｐｅ法を使用しているが、加速度波形の形状に基づいてグループ化できれば他の手法でもよくこれに限定されない。

【0035】

図３に示される９種類の加速度波形Ｌ１～Ｌ９は、Ｋ－Ｓｈａｐｅ法により、類似形状ごとに例えば３つのグループＡ、グループＢ、グループＣに分類される。このＫ－Ｓｈａｐｅ法により分類されるグループの数は、評点の種類の数に応じて決定される。具体的に、評点の種類の数が多いほど、分類されるグループの数が多くなる。図３に示される例では、評点が３種類であるため、Ｋ－Ｓｈａｐｅ法により分類されるグループの数は、３つに決定される。ただし、これに限定されず、Ｋ－Ｓｈａｐｅ法により分類されるグループの数は、評点の種類の数によらず、類似形状の数だけ分類されるようにしてもよい。

【0036】

図４は、グループＡに分類された加速度波形Ｌ１～Ｌ３を示すグラフである。図５は、グループＢに分類された加速度波形Ｌ４～Ｌ６を示すグラフである。図６は、グループＣに分類された加速度波形Ｌ７～Ｌ９を示すグラフである。

【0037】

図４に示すように、加速度波形Ｌ１～Ｌ９のうち第１の類似形状を有する加速度波形Ｌ１～Ｌ３がグループＡに分類される。また、図５に示すように、加速度波形Ｌ１～Ｌ９のうち第２の類似形状を有する加速度波形Ｌ４～Ｌ６がグループＢに分類される。また、図６に示すように、加速度波形Ｌ１～Ｌ９のうち第３の類似形状を有する加速度波形Ｌ６～Ｌ９がグループＣに分類される。

【0038】

図４に示されるように、グループＡにおいて、加速度波形Ｌ１は、評点２と評価され、加速度波形Ｌ２は、評点３と評価され、加速度波形Ｌ３は、評点２と評価されており、第１の類似形状を有する加速度波形Ｌ１～Ｌ３の教師データにばらつきが生じている。

【0039】

図５に示されるように、グループＢにおいて、加速度波形Ｌ４は、評点４と評価され、加速度波形Ｌ５は、評点４と評価され、加速度波形Ｌ６は、評点３と評価されており、第２の類似形状を有する加速度波形Ｌ４～Ｌ６の教師データにばらつきが生じている。

【0040】

そこで、補正部３００ｄは、ばらつきが生じている教師データを補正すべく、グループ化部３００ｃによりグループ化された加速度波形の評点を補正規則に基づいて補正する。ここで、補正規則は、第１の補正規則と、第２の補正規則とを含む。第１の補正規則は、グループ化された加速度波形のうち、同じ評点に評価された加速度波形の数が最も多い加速度波形の評点を基準とすることである。なお、加速度波形の評点が整数ではなく実数である場合、補正部３００ｄは、グループ内の加速度波形の評点を四捨五入して整数に補正するようにしてもよい。例えば、グループ内のある加速度波形の評点が２．３１２である場合、補正部３００ｄは、その加速度波形の評点を２に補正するようにしてもよい。

【0041】

図４に示す例では、グループ化された加速度波形Ｌ１～Ｌ３のうち、加速度波形Ｌ１、Ｌ３は、評点２に評価され、加速度波形Ｌ２は、評点３に評価されている。補正部３００ｄは、第１の補正規則に従って、グループ化された加速度波形Ｌ１～Ｌ３のうち、同じ評点に評価された加速度波形の数が最も多い加速度波形Ｌ１、Ｌ３の評点２を基準とし、加速度波形Ｌ２の評点３を評点２に補正する。これにより、グループＡの加速度波形Ｌ１～Ｌ３の評点は、全て同じ評点２に補正される。

【0042】

図５に示す例では、グループ化された加速度波形Ｌ４～Ｌ６のうち、加速度波形Ｌ４、Ｌ５は、評点４に評価され、加速度波形Ｌ６は、評点３に評価されている。補正部３００ｄは、第１の補正規則に従って、グループ化された加速度波形Ｌ４～Ｌ６のうち、同じ評点に評価された加速度波形の数が最も多い加速度波形Ｌ４、Ｌ５の評点４を基準とし、加速度波形Ｌ６の評点３を評点４に補正する。これにより、グループＢの加速度波形Ｌ４～Ｌ６の評点は、全て同じ評点４に補正される。

【0043】

なお、図６に示す例では、グループ化された加速度波形Ｌ７～Ｌ９のうち、加速度波形Ｌ７～Ｌ９は、全て同じ評点３に評価されている。グループ内の全ての加速度波形の評点が同じである場合、補正部３００ｄによる評点の補正が行われずに、評点が維持される。したがって、グループＣの加速度波形Ｌ７～Ｌ９の評点は全て評点３に維持される。

【0044】

図７は、補正部３００ｄが図３に示される教師データを補正した後の状態を示すグラフである。図７に示されるように、グループＡに属する加速度波形Ｌ１～Ｌ３の評点は、補正部３００ｄにより全て同じ評点２に補正されている。また、グループＢに属する加速度波形Ｌ４～Ｌ６の評点は、補正部３００ｄにより全て同じ評点４に補正されている。その結果、各グループに属する加速度波形の評点は全て同じ評点に統一されるように補正され、各グループにおいて評点のばらつきが解消されている。

【0045】

このように、補正部３００ｄは、グループ内でばらつきが生じている教師データを補正することができ、グループ内の教師データを全て同じ評点に統一させることができる。なお、補正部３００ｄは、第１の補正規則に従って加速度波形Ｌ１～Ｌ９の評点を補正できなかった場合、第２の補正規則に従って加速度波形Ｌ１～Ｌ９の評点を補正する。

【0046】

例えば、補正部３００ｄは、グループ化された加速度波形のうち、同じ評点に評価された加速度波形の最大の数が同数となる場合、第２の補正規則に従って加速度波形Ｌ１～Ｌ９の評点を補正する。第２の補正規則は、グループ化された加速度波形の最大振幅の大きさに応じて予め定められた評点に補正することである。

【0047】

図８は、グループ化部３００ｃにより分類されたグループＡ、Ｂ，Ｃとは別のグループＤの加速度波形Ｌ１０～Ｌ１３を示すグラフである。加速度波形Ｌ１０～Ｌ１３は、グループ化部３００ｃにより互いに類似形状を有する加速度波形としてグループＤに分類された加速度波形である。

【0048】

図８に示す例では、グループ化された加速度波形Ｌ１０～Ｌ１３のうち、加速度波形Ｌ１０、Ｌ１１は、評点２に評価され、加速度波形Ｌ１２、Ｌ１３は、評点３に評価されている。このように、グループＤでは、グループ化された加速度波形Ｌ１０～Ｌ１３のうち、同じ評点に評価された加速度波形の最大の数が同数となる。

【0049】

この場合、補正部３００ｄは、第１の補正規則に従って加速度波形Ｌ１０～Ｌ１３の評点である教師データを補正できないとして、第２の補正規則に従って加速度波形Ｌ１０～Ｌ１３の評点である教師データを補正する。

【0050】

図８に示す例では、補正部３００ｄは、第２の補正規則に従って、グループ化された加速度波形Ｌ１０～Ｌ１３の最大振幅が第１の閾値以上であるか否かの判定を行う。最大振幅が第１の閾値以上である場合、補正部３００ｄは、グループＤの加速度波形Ｌ１０～Ｌ１３の評点を全て評点２に統一するように補正する。

【0051】

一方、最大振幅が第１の閾値未満である場合、補正部３００ｄは、グループ化された加速度波形Ｌ１０～Ｌ１３の最大振幅が第２の閾値以上であるか否かの判定を行う。ここで、第２の閾値は、第１の閾値より小さい値である。なお、第１の閾値および第２の閾値は、予め実験や官能評価により設定される値である。

【0052】

最大振幅が第１の閾値未満かつ第２の閾値以上である場合、補正部３００ｄは、グループＤの加速度波形Ｌ１０～Ｌ１３の評点を全て評点３に統一するように補正する。一方、最大振幅が第２の閾値未満である場合、補正部３００ｄは、グループＤの加速度波形Ｌ１０～Ｌ１３の評点を全て評点４に統一するように補正する。

【0053】

このように、本実施形態の補正部３００ｄは、教師データにばらつきが生じている場合、学習フェーズにおいて教師データのばらつきを補正する補正処理を行う。この補正処理により、教師データのばらつきを無くすことができ、ＡＩモデルを正しく学習させることができる。

【0054】

なお、他の加速度波形の形状と類似形状を有さずに、グループ化された加速度波形が単数である場合、当該単数の加速度波形の評点について、補正部３００ｄによる補正が行われずに、その評点が維持される。ただし、これに限定されず、補正部３００ｄは、第２の補正規則に基づいて、グループ内の単数の加速度波形の評点を補正するようにしてもよい。

【0055】

学習部３００ｅは、補正部３００ｄにより補正された評点の教師データに基づいて、学習フェーズにおいてＡＩモデルを学習させる。これにより、学習部３００ｅにおいて、ばらつきが補正された教師データを基にＡＩモデルを学習させることで、ＡＩモデルを正しく学習させることができ、正しく学習された学習済みモデルが構築される。

【0056】

予測評点取得部３００ｆは、予測フェーズにおいて、加速度波形取得部３００ａで取得された加速度波形を、学習部３００ｅにより構築された学習済みモデルに入力させることで予測された評点を取得する。

【0057】

以上、本実施形態の機械学習装置３００によれば、学習フェーズにおいて入力データとばらつきが補正された教師データとをＡＩモデルに入力させることで、ＡＩモデルを正しく学習させることができ、正しく学習された学習済みモデルが構築される。これにより、予測フェーズにおいて、入力データとして加速度波形を学習済みモデルに入力させることで、学習済みモデルにより適切に予測された評点を出力させることができる。その結果、学習済みモデルがベテランドライバの代わりに車両走行時の官能評価を行うことができ、適合定数の設定のために必要な工数を削減することができる。

【0058】

図９は、本実施形態に係る機械学習装置３００の処理の流れを示すフローチャートである。図９に示すように、加速度波形取得部３００ａは、車両２００を走行させた際の加速度データを基に、車両２００の加速度波形を取得する（ステップＳ１００）。

【0059】

教師データ取得部３００ｂは、取得した加速度波形を評価した評点である教師データを取得する（ステップＳ２００）。グループ化部３００ｃは、取得した加速度波形を、当該加速度波形の形状に基づいてグループ化する（ステップＳ３００）。

【0060】

補正部３００ｄは、グループ化された加速度波形の評点を第１の補正規則あるいは第２の補正規則に基づいて補正する（ステップＳ４００）。学習部３００ｅは、補正された評点の教師データに基づいてＡＩモデルを学習させる（ステップＳ５００）。予測評点取得部３００ｆは、学習されたＡＩモデルに車両２００を走行させた際の加速度波形を入力することで予測された評点を取得する（ステップＳ６００）。

【0061】

以上、添付図面を参照しながら本発明の好適な実施形態について説明したが、本発明はかかる実施形態に限定されないことは言うまでもない。当業者であれば、特許請求の範囲に記載された範疇において、各種の変更例または修正例に想到し得ることは明らかであり、それらについても当然に本発明の技術的範囲に属するものと了解される。

【0062】

なお、上述した本実施形態に係る機械学習装置３００による一連の処理は、ソフトウェア、ハードウェア、または、ソフトウェアとハードウェアとの組合せのうちいずれを用いて実現されてもよい。ソフトウェアを構成するプログラムは、例えば、各装置の内部または外部に設けられる非一時的な記憶媒体（non-transitory media）に予め格納される。そして、プログラムは、例えば、非一時的な記憶媒体（例えば、ＲＯＭ）から一時的な記憶媒体（例えば、ＲＡＭ）に読み出され、ＣＰＵなどのプロセッサにより実行される。

【0063】

上記各装置の各機能を実現するためのプログラムを作成し、上記各装置のコンピュータにインストールすることが可能である。プロセッサが、メモリに記憶されているプログラムを実行することにより、上記各機能の処理が実行される。このとき、複数のプロセッサによりプログラムを分担して実行してもよいし、１つのプロセッサでプログラムを実行してもよい。また、通信ネットワークにより相互に接続された複数のコンピュータを用いるクラウドコンピューティングにより、上記各装置の各機能を実現してもよい。なお、プログラムは、外部装置から通信ネットワークを通じた配信により、各装置のコンピュータに提供されて、インストールされてもよい。

【符号の説明】

【0064】

１００ 機械学習システム
２００ 車両
２１０ 加速度センサ
３００ 機械学習装置
３００ａ 加速度波形取得部
３００ｂ 教師データ取得部
３００ｃ グループ化部
３００ｄ 補正部
３００ｅ 学習部
３００ｆ 予測評点取得部
３１０ Ｉ／Ｆ部
３２０ データ保持部
３３０ システムバス
３４０ プロセッサ
３５０ メモリ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】