特開 2024-62315 情報処理装置、車両、及びプログラム

(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】P2024062315

(43)【公開日】2024-05-09

(54)【発明の名称】情報処理装置、車両、及びプログラム

(51)【国際特許分類】

   B60W 40/02 20060101AFI20240430BHJP

   B60W 60/00 20200101ALI20240430BHJP

   B60W 40/06 20120101ALI20240430BHJP

   B60W 30/09 20120101ALI20240430BHJP

   G08G 1/16 20060101ALI20240430BHJP

【ＦＩ】

B60W40/02

B60W60/00

B60W40/06

B60W30/09

G08G1/16 C

【審査請求】未請求

【請求項の数】11

【出願形態】ＯＬ

(21)【出願番号】P 2022196484

(22)【出願日】2022-12-08

(31)【優先権主張番号】P 2022170165

(32)【優先日】2022-10-24

(33)【優先権主張国・地域又は機関】JP

(71)【出願人】

【識別番号】591280485

【氏名又は名称】ソフトバンクグループ株式会社

(74)【代理人】

【識別番号】110001519

【氏名又は名称】弁理士法人太陽国際特許事務所

(72)【発明者】

【氏名】孫 正義

【テーマコード（参考）】

3D241

5H181

【Ｆターム（参考）】

3D241BA33

3D241BA49

3D241BC01

3D241CA00

3D241CC01

3D241CC08

3D241CE02

3D241CE04

3D241CE05

3D241CE08

3D241DB02Z

3D241DB20Z

3D241DC04Z

3D241DC18Z

3D241DC21Z

3D241DC31Z

3D241DC33Z

3D241DC40Z

3D241DC42Z

3D241DC45Z

3D241DC46Z

3D241DC51Z

3D241DC52Z

3D241DC53Z

3D241DC55Z

5H181AA01

5H181BB04

5H181BB12

5H181BB13

5H181BB20

5H181CC03

5H181CC04

5H181CC11

5H181CC12

5H181CC14

5H181EE13

5H181FF04

5H181FF33

5H181LL09

(57)【要約】      （修正有）

【課題】自動運転車両が道路における走行に際して生じる空気抵抗及び／又は摩擦等の要素の影響を走行しながら解析することができる情報処理装置、車両、及びプログラムを提供する。
【解決手段】本開示の情報処理装置１は、車両に関連する複数の情報を取得可能な情報取得部１０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２０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３０と、を含む。
【選択図】図２

【特許請求の範囲】

【請求項1】

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、
情報処理装置。

【請求項2】

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１に記載の情報処理装置。

【請求項3】

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１に記載の情報処理装置。

【請求項4】

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１に記載の情報処理装置。

【請求項5】

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１に記載の情報処理装置。

【請求項6】

前記複数のインデックス値は、前記車両の走行方向上の障害物と前記車両との間で前記車両が前記障害物に衝突せずに停止するのに要する要停止距離を含む第１距離に関する第１インデックス値を含み、
前記運転制御は、走行速度制御を含み、
前記走行速度制御は、前記車両の走行速度の制御であり、前記第１インデックス値に基づいて実行される
請求項１に記載の情報処理装置。

【請求項7】

前記走行速度制御は、前記車両が前記障害物に衝突しない最高速度で前記車両を走行させる制御を含み、
前記最高速度に関する情報は、前記第１インデックス値に基づいて算出される
請求項６に記載の情報処理装置。

【請求項8】

前記最高速度は、法定速度以下の範囲内、及び／又は、前方車両速度以下の範囲内での最高速度であり、
前記前方車両速度は、前記車両の前方を走行する他車両の走行速度である
請求項７に記載の情報処理装置。

【請求項9】

前記第１距離は、前記要停止距離とマージン距離とを合わせた距離である
請求項６に記載の情報処理装置。

【請求項10】

請求項１乃至請求項９のいずれか１項に記載の情報処理装置を備える
車両。

【請求項11】

コンピュータを、請求項１乃至請求項９のいずれか１項に記載の情報処理装置として機能させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、深層学習を用いた多変量解析を含む情報処理装置、車両、及びプログラムに関する。

【背景技術】

【0002】

特許文献１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。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２２－０３５１９８号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

従来の自動運転車両では、道路における走行に際して生じる空気抵抗、摩擦等の要素の影響を走行しながら解析することが困難だった。

【0005】

本開示の技術は、自動運転車両が道路における走行に際して生じる空気抵抗及び／又は摩擦等の要素の影響を走行しながら解析することができる情報処理装置、車両、及びプログラムを提供する。

【課題を解決するための手段】

【0006】

本開示の一実施態様によれば、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、を含む情報処理装置が提供される。

【0007】

本開示の一実施態様によれば、上記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。

【0008】

本開示の一実施態様によれば、上記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。

【0009】

本開示の一実施態様によれば、上記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含み、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含む。

【0010】

本開示の一実施態様によれば、上記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含む。

【0011】

本開示の一実施態様によれば、上記情報処理装置において、前記複数のインデックス値は、前記車両の走行方向上の障害物と前記車両との間で前記車両が前記障害物に衝突せずに停止するのに要する要停止距離を含む第１距離に関する第１インデックス値を含み、前記運転制御は、走行速度制御を含み、前記走行速度制御は、前記車両の走行速度の制御であり、前記第１インデックス値に基づいて実行される。

【0012】

本開示の一実施態様によれば、上記情報処理装置において、前記走行速度制御は、前記車両が前記障害物に衝突しない最高速度で前記車両を走行させる制御を含み、前記最高速度は、前記第１インデックス値に基づいて算出される。

【0013】

本開示の一実施態様によれば、上記情報処理装置において、前記最高速度は、法定速度以下の範囲内、及び／又は、前方車両速度以下の範囲内での最高速度であり、前記前方車両速度は、前記車両の前方を走行する他車両の走行速度である。

【0014】

本開示の一実施態様によれば、上記情報処理装置において、前記第１距離は、前記要停止距離とマージン距離とを合わせた距離である。

【0015】

本開示の一実施態様によれば、上記情報処理装置を備える車両が提供される。

【0016】

本開示の一実施態様によれば、コンピュータを、前記情報処理装置として機能させるためのプログラムが提供される。

【0017】

なお、上記の発明の概要は、本発明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、発明となりうる。

【図面の簡単な説明】

【0018】

【図1】Ｃｅｎｔｒａｌ Ｂｒａｉｎを搭載した車両の一例を示す概略図である。

【図2】本開示の第１の実施の形態に係る情報処理装置の一例を示したブロック図である。

【図3】本開示の第２の実施の形態に係る情報処理装置の一例を示したブロック図である。

【図4】本開示の第３の実施の形態に係る情報処理装置に含まれる推論部の構成の一例を示した概念図である。

【図5】本開示の第３の実施の形態に係る情報処理装置に含まれる情報取得部、推論部、及び運転制御部の処理内容の一例を示した概念図である。

【図6】本開示の第３の実施の形態に係る走行速度制御処理の流れの一例を示すフローチャートである。

【図7】情報処理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したブロック図である。

【発明を実施するための形態】

【0019】

以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明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発明の解決手段に必須であるとは限らない。

【0020】

本開示の情報処理装置は、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。

【0021】

また、本開示の情報処理装置は、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。

【0022】

図１は、Ｃｅｎｔｒａｌ Ｂｒａｉｎを搭載した車両の一例を示す概略図である。Ｃｅｎｔｒａｌ Ｂｒａｉｎは、本実施の形態に係る情報処理装置１の一例であってよい。Ｃｅｎｔｒａｌ Ｂｒａｉｎは、図１に示すように、複数のＧａｔｅ Ｗａｙが通信可能に接続されていてよい。本実施の形態に係るＣｅｎｔｒａｌ Ｂｒａｉｎは、Ｇａｔｅ Ｗａｙを介して取得した複数の情報に基づいて、Ｌｅｖｅｌ６の自動運転を実現し得るものである。

【0023】

「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。

【0024】

Ｌｅｖｅｌ６における計算力（すなわち、Ｌｅｖｅｌ６を実現する上で用いられる計算力）は、Ｌｅｖｅｌ５の計算力（すなわち、Ｌｅｖｅｌ５を実現する上で用いられる計算力）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。

【0025】

図２は、本開示の第１の実施の形態に係る情報処理装置の一例を示したブロック図である。本実施の形態に係る情報処理装置１は、車両に関連する複数の情報を取得可能な情報取得部１０と、情報取得部１０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２０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３０と、を少なくとも含む。

【0026】

情報取得部１０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１０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１０に含まれるセンサの一例としては、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、及び／又は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（すなわち、Ｌｅｖｅｌ５の計算力を実現可能な装置（ここでは、一例として、情報処理装置１)を実装した自動車）のＴｒｉｐデータである。

【0027】

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、及び／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、及び／又は、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。

【0028】

上述した情報取得部１０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。

【0029】

推論部２０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１０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２０はＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）で構成することができる。

【0030】

この推論部２０は、情報取得部１０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、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（すなわち、各変数のインデックス化された値であるインデックス値）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、情報取得部１０によって取得された複数の情報）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推論部２０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。推論部２０の深層学習モデルは、入力された積分値に対応するインデックス値（例えば、最も高い確信度（すなわち、評価値）のインデックス値）を出力する。インデックス値の出力はナノ秒単位で行われる。

【0031】

【数1】

【0032】

【数2】

【0033】

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（すなわち、インデックス値）を示す。

【0034】

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推論部２０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、次のナノ秒に発生する結果）が推論部２０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）の積分値がナノ秒毎に推論部２０によって取得されるようにしてもよい。

【0035】

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つのインデックス値（例えば、次のナノ秒に発生する結果）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つのインデックス値が推論されるようにしてもよい。

【0036】

推論部２０にて得られた各変数のインデックス化された値（すなわち、インデックス値）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。

【0037】

運転制御部３０は、推論部２０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３０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で取得し、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。すなわち、運転制御部３０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として、最も高い確信度（すなわち、評価値）のインデックス値を取得し、取得したインデックス値に従って車両の運転制御を実行するようにしてもよい。

【0038】

上述した構成を備える情報処理装置１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。

【0039】

図３は、本開示の第２の実施の形態に係る情報処理装置の一例を示したブロック図である。本実施の形態に係る情報処理装置１Ａは、上述した第１の実施の形態に係る情報処理装置１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４０を含む点で、情報処理装置１とは相違している。

【0040】

戦略設定部４０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１０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（すなわち、走行速度の理論値、ｔｉｌｔの理論値、及び／又は、ブレーキ制御値（換言すると、制動機を司るパラメータ）の理論値）を含んで構成されていてよい。好ましくは、走行戦略の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（すなわち、走行速度の理論値、ｔｉｌｔの理論値、及び、ブレーキ制御値の理論値）で構成することができる。

【0041】

戦略設定部４０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３０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３０は、推論部２０にて推論された複数のインデックス値（例えば、走行速度を示すインデックス値、ｔｉｌｔを示すインデックス値、及びブレーキ制御値を示すインデックス値）と戦略設定部４０で設定された各理論値（例えば、走行速度の理論値、ｔｉｌｔの理論値、及び、ブレーキ制御値の理論値）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３１を含んでいると好ましい。

【0042】

推論部２０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３１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３１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。最適解の第１例としては、理論値に代えて用いられるインデックス値が挙げられる。最適解の第２例としては、理論値に代えて用いられる調整されたインデックス値が挙げられる。最適解の第３例としては、少なくとも１つの理論値と少なくとも１つのインデックス値とを用いた回帰分析が行われることによって得られる解が挙げられる。最適解の第４例としては、理論値とインデックス値とから得られる統計値（例えば、中央値及び／又は平均値等）が挙げられる。戦略更新部３１が第１～第４例の何れで最適解を導き出すかは、例えば、差分の大きさに応じて決められるようにしてもよい。なお、第１～第４例に限らず、他の方法によって得られる最適解であってもよい。

【0043】

このように戦略更新部３１によって再度最適解が導き出されることにより、例えば、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。すなわち、理論値のみに従って自動運転制御が行われると車両がスリップし、インデックス値のみに従って自動運転制御が行われると安全側にマージンを持ってスリップしない場合、マージンを差し引いて調整されたインデックス値が理論値として運転制御部３０によって用いられることにより、車両がスリップをしないぎりぎりの自動運転制御が実現される。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。

【0044】

加えて、情報取得部１０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。

【0045】

図４は、本開示の第３の実施の形態に係る情報処理装置１Ｂに含まれる推論部２０の構成の一例を示す概念図である。

【0046】

図４に示す例において、情報処理装置１Ｂは、車両４８に搭載されている。情報処理装置１Ｂに含まれる推論部２０は、深層学習モデル２０Ａを有する。深層学習モデル２０Ａは、ニューラルネットワークに対して、複数の教師データ５０を用いた深層学習が行われることによって最適化された学習済みモデルである。推論部２０は、深層学習モデル２０Ａを用いて環境情報５６（図５参照）から複数のインデックス値を推論する。

【0047】

教師データ５０は、例題データ５２及び正解データ５４を有するデータセットである。例題データ５２は、例題環境情報５２Ａを有する。例題環境情報５２Ａは、情報取得部１０によって取得される環境情報５６（図５参照）を想定した情報である。例えば、例題環境情報５２Ａは、車両障害物間距離５２Ａ１、走行速度５２Ａ２、空気抵抗５２Ａ３、道路抵抗５２Ａ４、道路要素５２Ａ５、及び地面傾斜５２Ａ６等を含む情報である。ここで、空気抵抗５２Ａ３は、上記第１の実施の形態で例示した空気抵抗に相当し、道路抵抗５２Ａ４は、上記第１の実施の形態で例示した道路抵抗に相当し、道路要素５２Ａ５は、上記第１の実施の形態で例示した道路要素に相当し、地面傾斜５２Ａ６は、上記第１の実施の形態で例示したｔｉｌｔに相当する。また、車両障害物間距離５２Ａ１は、車両４８と車両４８の走行方向上の障害物（図４に示す例では、車両４８の１台前の車両５３）との距離である。走行速度５２Ａ２は、車両４８の走行速度である。

【0048】

正解データ５４は、例題データ５２に対する正解データ（すなわち、アノテーション）である。正解データ５４は、正解距離５４Ａを有する。正解距離５４Ａは、本開示の技術に係る「第１距離」の一例である。

【0049】

正解距離５４Ａは、要停止距離５４Ａ１とマージン距離５４Ａ２とを合わせた距離である。要停止距離５４Ａ１は、車両４８と車両５３との間で車両４８が車両５３に衝突せずに停止するのに要する距離である。車両５３は、車両４８の走行方向上の障害物であり、車両４８の前方を走行している。図４に示す例では、車両４８の前方を走行している車両５３を例示しているが、本開示の技術はこれに限定されず、車両４８の前方で停止している車両５３、又は、車両４８の前方に存在する歩行者等であってもよく、車両４８の走行方向上の障害物であればよい。

【0050】

マージン距離５４Ａ２は、車両４８と車両５３との衝突を回避するための確実性を高めるために余分に定められた距離（例えば、数メートル程度の距離）である。

【0051】

図５は、第３の実施の形態に係る情報処理装置１Ｂに含まれる情報取得部１０、推論部２０、及び運転制御部３０の処理内容の一例を示した概念図である。

【0052】

情報取得部１０は、上記第１の実施の形態と同様の要領で、環境情報５６を取得する。環境情報５６は、車両障害物間距離５６Ａ、走行速度５６Ｂ、空気抵抗５６Ｃ、道路抵抗５６Ｄ、道路要素５６Ｅ、及び地面傾斜５６Ｆ等を含む情報である。

【0053】

推論部２０は、情報取得部１０によって取得された環境情報５６を深層学習モデル２０Ａに入力する。これにより、深層学習モデル２０Ａは、環境情報５６に対応するインデックス値５８（すなわち、環境情報５６に対応する正解距離５４Ａに関するインデックス値）を出力する。推論部２０は、深層学習モデル２０Ａから出力されたインデックス値５８を取得する。インデックス値５８は、非衝突距離として深層学習モデル２０Ａによって推論されたインデックス値である。非衝突距離とは、例えば、車両４８と車両４８の走行方向上の障害物（図４に示す例では、車両５３）とが衝突しない距離を指す。インデックス値５８は、上記第１の実施の形態で説明した積分法による多変量解析が行われることによって得られるインデックス値であってもよい。なお、インデックス値５８は、本開示の技術に係る「第１インデックス値」の一例である。

【0054】

運転制御部３０は、推論部２０によって取得されたインデックス値５８から、走行速度演算式６０を用いて、車両４８が走行方向上の障害物（例えば、車両４８の前方に存在する車両又は歩行者等）に衝突しない最高速度６２を算出する。走行速度演算式６０は、インデックス値５８を独立変数とし、最高速度６２を従属変数とする演算式である。最高速度６２は、法定速度以下、かつ、前方車両速度以下の範囲内での最高速度である。前方車両速度は、車両４８の前方を走行している他車両（例えば、車両４８の走行方向上の１台前の車両）の走行速度である。例えば、前方車両速度は、情報取得部１０等によって取得される。運転制御部３０は、情報取得部１０等によって取得された前方車両速度を参照して最高速度６２を算出する。

【0055】

運転制御部３０は、推論部２０によって推論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。運転制御は、走行速度制御を含む。走行速度制御は、車両４８の走行速度の制御であり、インデックス値５８に基づいて実行される。走行速度制御は、最高速度６２で車両４８を走行させる制御を含む。すなわち、運転制御部３０は、インデックス値５８に基づいて算出された最高速度６２で車両４８を走行させるように車両４８の駆動系（例えば、車輪に動力を伝達する動力源）を制御する。

【0056】

図６は、情報処理装置１Ｂによって実行される走行速度制御処理の流れの一例を示すフローチャートである。

【0057】

図６に示す走行速度制御処理では、先ず、ステップＳＴ１０で、情報取得部１０は、ナノ秒単位で規定されたタイミングが到来したか否か（例えば、１０億分の１秒が経過したか否か）を判定する。ステップＳＴ１０において、ナノ秒単位で規定されたタイミングが到来していない場合は、判定が否定されて、走行速度制御処理はステップＳＴ２２へ移行する。ステップＳＴ１０において、ナノ秒単位で規定されたタイミングが到来した場合は、判定が肯定されて、走行速度制御処理はステップＳＴ１２へ移行する。

【0058】

ステップＳＴ１２で、情報取得部１０は、環境情報５６を取得する。ステップＳＴ１２の処理が実行された後、走行速度制御処理はステップＳＴ１４へ移行する。

【0059】

ステップＳＴ１４で、推論部２０は、ステップＳＴ１２で情報取得部１０によって取得された環境情報５６を深層学習モデル２０Ａに入力する。これに応じて、深層学習モデル２０Ａは、入力された環境情報５６に対応するインデックス値５８を出力する。ステップＳＴ１４の処理が実行された後、走行速度制御処理はステップＳＴ１６へ移行する。

【0060】

ステップＳＴ１６で、推論部２０は、深層学習モデル２０Ａから出力されたインデックス値５８を取得する。ステップＳＴ１６の処理が実行された後、走行速度制御処理はステップＳＴ１８へ移行する。

【0061】

ステップＳＴ１８で、運転制御部３０は、ステップＳＴ１６で推論部２０によって取得されたインデックス値５８から走行速度演算式６０を用いて最高速度６２を算出する。ステップＳＴ１８の処理が実行された後、走行速度制御処理はステップＳＴ２０へ移行する。

【0062】

ステップＳＴ２０で、運転制御部３０は、ステップＳＴ１８で算出した最高速度６２で車両４８を走行させるように車両４８の駆動系を制御する。ステップＳＴ２０の処理が実行された後、走行速度制御処理はステップＳＴ２２へ移行する。

【0063】

ステップＳＴ２２で、運転制御部３０は、走行速度制御処理が終了する条件を満足したか否かを判定する。走行速度制御処理が終了する条件の一例としては、情報処理装置１Ｂに対して、走行速度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ＳＴ２２において、走行速度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、走行速度制御処理はステップＳＴ１０へ移行する。ステップＳＴ２２において、走行速度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、走行速度制御処理が終了する。

【0064】

以上説明したように、本第３の実施の形態では、車両４８の走行方向上の障害物と車両４８との間で車両４８が障害物に衝突せずに停止するのに要する要停止距離５４Ａ１を含む正解距離５４Ａに関するインデックス値５８が推論部２０によって推論される。そして、運転制御部３０によって、インデックス値５８に基づいて車両４８の走行速度が制御される。従って、車両４８を目的地まで安全に且つ短時間で走行させることができる。

【0065】

また、本第３の実施の形態では、ナノ秒単位でインデックス値５８が推論され、インデックス値５８に基づいて最高速度６２が算出される。最高速度６２は、車両４８が障害物に衝突しない最高速度であり、最高速度６２で車両４８を走行させるように車両４８の駆動系が運転制御部３０によって制御される。従って、車両４８を目的地まで安全に且つ最短時間で走行させることができる。

【0066】

また、本第３の実施の形態では、最高速度６２が、法定速度以下、かつ、前方車両速度以下の範囲内で算出される。従って、車両４８を目的地まで法定速度を遵守した上で、安全に且つ最短時間で走行させることができる。

【0067】

また、本第３の実施の形態では、正解距離５４Ａとして、要停止距離５４Ａ１とマージン距離５４Ａ２とを合わせた距離が用いられている。従って、正解距離５４Ａとして要停止距離５４Ａ１のみを用いる場合に比べ、車両４８と車両５３とが衝突する可能性を低くすることができる。

【0068】

なお、上記第３の実施の形態では、インデックス値５８の一例として、深層学習モデル２０Ａによって非衝突距離として推論されたインデックス値を例示したが、本開示の技術はこれに限定されない。例えば、インデックス値５８として、深層学習モデル２０Ａによって最高速度６２を示すインデックス値が推論されるようにしてもよい。この場合、例えば、インデックス値５８により示される最高速度６２で車両４８を走行させるように車両４８の駆動系が運転制御部３０によって制御されるようにすればよい。

【0069】

また、上記第３の実施の形態では、最高速度６２が算出される例を挙げて説明したが、これは、あくまでも一例に過ぎず、指定された速度よりも高速であり、かつ、最高速度６２よりも低速な速度が算出されるようにしてもよい。また、速度に代えて、車輪の回転スピン数が算出されるようにしてもよく、速度に関する情報（すなわち、車両４８の速度を制御するのに用いられるパラメータ）が算出されるようにすればよい。

【0070】

また、上記第３の実施の形態では、正解距離５４Ａとして、要停止距離５４Ａ１とマージン距離５４Ａ２とを合わせた距離を挙げたが、これは、あくまでも一例に過ぎず、要停止距離５４Ａ１のみが正解距離５４Ａとして用いられてもよい。

【0071】

図７は、上述した情報処理装置（Ｃｅｎｔｒａｌ Ｂｒａｉｎ）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、上述した各実施の形態に係る装置の１又は複数の「部」として機能させ、又はコンピュータ１２００に、各実施の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、各実施の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。

【0072】

各実施の形態に係るコンピュータ１２００は、ＣＰＵ１２１２、ＲＡＭ１２１４、及びグラフィックコントローラ１２１６を含んでいてよく、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てよい。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んでいてよく、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に接続されていてよい。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んでいてよく、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に接続されていてよい。

【0073】

ＣＰＵ１２１２は、ＲＯＭ１２３０及びＲＡＭ１２１４内に格納されたプログラムに従い動作することにより各ユニットを制御し得る。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ことができる。

【0074】

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ことができる。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ことができる。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に提供することができる。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カードに書き込むことができる。

【0075】

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ことができる。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。

【0076】

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得る。このプログラムは、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によって実行され得る。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ことができる。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。

【0077】

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ことができる。

【0078】

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。

【0079】

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し得る。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。

【0080】

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に提供するものとすることができる。

【0081】

本実施の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。

【0082】

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。

【0083】

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。

【0084】

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。

【0085】

以上、本発明を実施の形態を用いて説明したが、本発明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発明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。

【0086】

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。

【0087】

本明細書において、「α及び／又はβ」は、「α及びβのうちの少なくとも１つ」と同義である。つまり、「α及び／又はβ」は、αだけであってもよいし、βだけであってもよいし、α及びβの組み合わせであってもよい、という意味である。また、本明細書において、３つ以上の事柄を「及び／又は」で結び付けて表現する場合も、「α及び／又はβ」と同様の考え方が適用される。

【符号の説明】

【0088】

１０ 情報取得部
２０ 推論部
２０Ａ 深層学習モデル
３０ 運転制御部
３１ 戦略更新部
４０ 戦略設定部
４８，５３ 車両
５０ 教師データ
５２ 例題データ
５２Ａ 例題環境情報
５２Ａ１，５６Ａ 車両障害物間距離
５２Ａ２，５６Ｂ 走行速度
５２Ａ３，５６Ｃ 空気抵抗
５２Ａ４，５６Ｄ 道路抵抗
５２Ａ５，５６Ｅ 道路要素
５２Ａ６，５６Ｆ 地面傾斜
５４ 正解データ
５４Ａ 正解距離
５４Ａ１ 要停止距離
５４Ａ２ マージン距離
５８ インデックス値
６０ 走行速度演算式
６２ 最高速度
１２００ コンピュータ
１２１０ ホストコントローラ
１２１２ ＣＰＵ
１２１４ ＲＡＭ
１２１６ グラフィックコントローラ
１２１８ ディスプレイデバイス
１２２０ 入出力コントローラ
１２２２ 通信インタフェース
１２２４ 記憶装置
１２３０ ＲＯＭ
１２４０ 入出力チップ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】