特開 2025-5167 自動運転システム

(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】P2025005167

(43)【公開日】2025-01-16

(54)【発明の名称】自動運転システム

(51)【国際特許分類】

   B60W 50/00 20060101AFI20250108BHJP

   B60W 60/00 20200101ALI20250108BHJP

【ＦＩ】

B60W50/00

B60W60/00

【審査請求】未請求

【請求項の数】5

【出願形態】ＯＬ

(21)【出願番号】P 2023105229

(22)【出願日】2023-06-27

(71)【出願人】

【識別番号】000003207

【氏名又は名称】トヨタ自動車株式会社

(74)【代理人】

【識別番号】110003199

【氏名又は名称】弁理士法人高田・高橋国際特許事務所

(72)【発明者】

【氏名】浦野 博充

(72)【発明者】

【氏名】大杉 雅道

【テーマコード（参考）】

3D241

【Ｆターム（参考）】

3D241BA00

3D241CC01

3D241CC08

3D241CC17

3D241CE04

3D241DA52Z

3D241DB01Z

3D241DB02Z

3D241DB05Z

3D241DB12Z

3D241DC25Z

3D241DC31Z

3D241DC33Z

(57)【要約】

【課題】自動運転制御に関連するログデータを適切に保存すること。
【解決手段】車両に搭載される自動運転システムは、機械学習モデルを利用して車両の自動運転制御の少なくとも一部を行う。自動運転制御の実行中、自動運転システムは、機械学習モデルを利用した自動運転制御に関連するログデータを含む対象データを取得する。自動運転システムは、単位時間あるいは単位距離当たりに対象保存量の対象データを１又は複数の記憶装置に保存する。アップロード位置は、１又は複数の記憶装置に保存された対象データの少なくとも一部が外部装置にアップロードされる位置である。対象保存量は、アップロード位置までの残り距離あるいは残り時間が少なくなるにつれて増加する第１保存量を含む。
【選択図】図４

【特許請求の範囲】

【請求項1】

車両に搭載される自動運転システムであって、
１又は複数のプロセッサと、
１又は複数の記憶装置と
を備え、
前記１又は複数のプロセッサは、
機械学習モデルを利用して前記車両の自動運転制御の少なくとも一部を行い、
前記自動運転制御の実行中、前記機械学習モデルを利用した前記自動運転制御に関連するログデータを含む対象データを取得し、
単位時間あるいは単位距離当たりに対象保存量の前記対象データを前記１又は複数の記憶装置に保存する
ように構成され、
アップロード位置は、前記１又は複数の記憶装置に保存された前記対象データの少なくとも一部が外部装置にアップロードされる位置であり、
前記対象保存量は、前記アップロード位置までの残り距離あるいは残り時間が少なくなるにつれて増加する第１保存量を含む
自動運転システム。

【請求項2】

請求項１に記載の自動運転システムであって、
前記対象データは、最低限必要とされる所定のログデータと、前記所定のログデータ以外の追加データとを含み、
前記１又は複数のプロセッサは、前記第１保存量の前記追加データを前記１又は複数の記憶装置に保存する
自動運転システム。

【請求項3】

請求項２に記載の自動運転システムであって、
前記追加データは、前記機械学習モデルを利用した前記自動運転制御に関連するデータであって、前記機械学習モデルあるいは他の機械学習モデルの学習に用いられる学習データを含む
自動運転システム。

【請求項4】

請求項１乃至３のいずれか一項に記載の自動運転システムであって、
前記対象保存量は、更に、前記１又は複数の記憶装置の残容量が少なくなるにつれて減少する第２保存量を含む
自動運転システム。

【請求項5】

請求項１乃至３のいずれか一項に記載の自動運転システムであって、
前記対象保存量は、更に、管理者によって指定される位置において確保される第３保存量を含む
自動運転システム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、車両に搭載される自動運転システムに関する。

【背景技術】

【0002】

機械学習モデルを利用して車両の自動運転制御を行う技術が知られている。特許文献１は、機械学習モデルの学習に使用可能な訓練データを収集する方法を開示している。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】国際公開第２０１９／１１６４２３号

【発明の概要】

【発明が解決しようとする課題】

【0004】

車両の自動運転制御を事後的に検証するための方法として、自動運転制御に関連するログデータを車載記憶装置に保存することが考えられる。但し、車載記憶装置の容量には限界があるため、最低限必要なログデータを保存できないような状況を回避することが望まれる。

【0005】

本開示の１つの目的は、自動運転制御に関連するログデータを適切に保存することができる技術を提供することにある。

【課題を解決するための手段】

【0006】

本開示の１つの観点は、車両に搭載される自動運転システムに関する。
自動運転システムは、１又は複数のプロセッサと、１又は複数の記憶装置とを備える。
１又は複数のプロセッサは、機械学習モデルを利用して車両の自動運転制御の少なくとも一部を行う。
自動運転制御の実行中、１又は複数のプロセッサは、機械学習モデルを利用した自動運転制御に関連するログデータを含む対象データを取得する。
１又は複数のプロセッサは、単位時間あるいは単位距離当たりに対象保存量の対象データを１又は複数の記憶装置に保存する。
アップロード位置は、１又は複数の記憶装置に保存された対象データの少なくとも一部が外部装置にアップロードされる位置である。
対象保存量は、アップロード位置までの残り距離あるいは残り時間が少なくなるにつれて増加する第１保存量を含む。

【発明の効果】

【0007】

単位時間あるいは単位距離あたりの対象保存量は、第１保存量を含む。第１保存量は、アップロード位置までの残り距離あるいは残り時間が少なくなるにつれて増加する。残り距離あるいは残り時間が多い段階では、第１保存量は小さめ（控え目）に設定される。これにより、早い段階で記憶装置の空き容量が枯渇するといった事態が抑制される。つまり、必要なログデータが記憶装置に保存されなくなるといった事態が抑制される。

【0008】

一方、アップロード位置までの残り距離あるいは残り時間が少なくなるにつれて、第１保存量は増加し、記憶装置に保存される対象データはよりリッチになる。これにより、有用なデータをより多く保存することが可能となる。すなわち、記憶装置の容量を有効活用することができる。

【0009】

このように、本開示によれば、記憶装置の容量を有効活用しつつ、自動運転制御に関連するログデータを適切に保存することが可能となる。

【図面の簡単な説明】

【0010】

【図1】実施の形態に係る車両の自動運転制御に関連する構成例を示すブロック図である。

【図2】実施の形態に係る自動運転システムの構成例を示す概念図である。

【図3】実施の形態に係るアップロード位置を説明するための概念図である。

【図4】実施の形態に係るログデータ保存処理の第１の例を説明するための概念図である。

【図5】実施の形態に係るログデータ保存処理の第２の例を説明するための概念図である。

【図6】実施の形態に係るログデータ保存処理の第３の例を説明するための概念図である。

【発明を実施するための形態】

【0011】

１．車両の自動運転
図１は、本実施の形態に係る車両１の自動運転制御に関連する構成例を示すブロック図である。自動運転とは、車両１の操舵、加速、及び減速のうち少なくとも１つをオペレータによる運転操作によらず自動的に行うことである。自動運転制御は、完全自動運転制御だけでなく、リスク回避制御、レーンキープアシスト制御、等も含む概念である。オペレータは、車両１に搭乗するドライバであってもよいし、車両１を遠隔操作する遠隔オペレータであってもよい。

【0012】

車両１は、センサ群１０、認識部２０、計画部３０、制御量算出部４０、及び走行装置５０を含んでいる。

【0013】

センサ群１０は、車両１の周囲の状況を認識するために用いられる認識センサ１１を含んでいる。認識センサ１１としては、カメラ、ＬＩＤＡＲ（Laser Imaging Detection and Ranging）、レーダ、等が例示される。センサ群１０は、更に、車両１の状態を検出する状態センサ１２、車両１の位置を検出する位置センサ１３、等を含んでいてもよい。状態センサ１２としては、速度センサ、加速度センサ、ヨーレートセンサ、舵角センサ、等が例示される。位置センサ１３としては、ＧＮＳＳ（Global Navigation Satellite System）センサが例示される。

【0014】

センサ検出情報ＳＥＮは、センサ群１０によって得られる情報である。例えば、センサ検出情報ＳＥＮは、カメラによって撮影される画像を含んでいる。他の例として、センサ検出情報ＳＥＮは、ＬＩＤＡＲによって得られる点群情報を含んでいてもよい。センサ検出情報ＳＥＮは、車両１の状態を示す車両状態情報を含んでいてもよい。センサ検出情報ＳＥＮは、車両１の位置を示す位置情報を含んでいてもよい。

【0015】

認識部２０は、センサ検出情報ＳＥＮを受け取る。認識部２０は、認識センサ１１により得られる情報に基づいて、車両１の周囲の状況を認識する。例えば、認識部２０は、車両１の周囲の物体を認識する。物体としては、歩行者、他車両（先行車両、駐車車両、等）、白線、道路構造物（例：ガードレール、縁石）、落下物、信号機、交差点、標識、等が例示される。認識結果情報ＲＥＳは、認識部２０による認識結果を示す。例えば、認識結果情報ＲＥＳは、車両１に対する物体の相対位置及び相対速度を示す物体情報を含む。

【0016】

計画部（planner）３０は、認識部２０から認識結果情報ＲＥＳを受け取る。また、計画部３０は、車両状態情報、位置情報、予め生成された地図情報を受け取ってもよい。地図情報は、高精度３次元地図情報であってもよい。計画部３０は、受け取った情報に基づいて、車両１の走行計画を生成する。走行計画は、予め設定された目的地に到達するためのものであってもよいし、リスクを回避するためのものであってもよい。走行計画としては、現在の走行車線を維持する、車線変更を行う、追い越しを行う、右左折を行う、操舵する、加速する、減速する、停止する、等が例示される。更に、計画部３０は、車両１が走行計画に従って走行するために必要な目標トラジェクトリＴＲＪを生成する。目標トラジェクトリＴＲＪは、目標位置及び目標速度を含んでいる。

【0017】

制御量算出部４０は、計画部３０から目標トラジェクトリＴＲＪを受け取る。制御量算出部４０は、車両１が目標トラジェクトリＴＲＪに追従するために必要な制御量ＣＯＮを算出する。制御量ＣＯＮは、車両１と目標トラジェクトリＴＲＪとの間の偏差を減少させるために要求される制御量であるということもできる。制御量ＣＯＮは、操舵制御量、駆動制御量、及び制動制御量のうち少なくとも一つを含む。操舵制御量としては、目標舵角、目標トルク、目標モータ角、目標モータ駆動電流、等が例示される。駆動制御量としては、目標速度、目標加速度、等が例示される。制動制御量としては、目標速度、目標減速度、等が例示される。

【0018】

走行装置５０は、操舵装置５１、駆動装置５２、及び制動装置５３を含んでいる。操舵装置５１は、車輪を転舵する。例えば、操舵装置５１は、電動パワーステアリング（EPS: Electric Power Steering）装置を含んでいる。駆動装置５２は、駆動力を発生させる動力源である。駆動装置５２としては、エンジン、電動機、インホイールモータ、等が例示される。制動装置５３は、制動力を発生させる。走行装置５０は、制御量算出部４０から制御量ＣＯＮを受け取る。走行装置５０は、操舵制御量、駆動制御量、及び制動制御量のそれぞれに従って、操舵装置５１、駆動装置５２、及び制動装置５３を動作させる。これにより、車両１が目標トラジェクトリＴＲＪに追従するように走行する。

【0019】

認識部２０は、ルールベースモデル及び機械学習モデルのうち少なくとも一方を含んでいる。ルールベースモデルは、予め決められたルール群に基づいて認識処理を行う。機械学習モデルとしては、ＮＮ（Neural Network）、ＳＶＭ（Support Vector Machine）、回帰モデル、決定木モデル、等が例示される。ＮＮは、ＣＮＮ（Convolutional Neural Network）、ＲＮＮ（Recurrent Neural Network）、あるいはそれらの組み合わせであってもよい。ＮＮにおける各層の種類、層の数、ノード数は任意である。機械学習モデルは、機械学習を通して予め生成される。認識部２０は、モデルにセンサ検出情報ＳＥＮを入力することによって認識処理を行う。認識結果情報ＲＥＳは、モデルから出力される、あるいは、モデルからの出力に基づいて生成される。

【0020】

計画部３０も同様に、ルールベースモデル及び機械学習モデルのうち少なくとも一方を含んでいる。計画部３０は、モデルに認識結果情報ＲＥＳを入力することによって計画処理を行う。目標トラジェクトリＴＲＪは、モデルから出力される、あるいは、モデルからの出力に基づいて生成される。

【0021】

制御量算出部４０も同様に、ルールベースモデル及び機械学習モデルのうち少なくとも一方を含んでいる。制御量算出部４０は、モデルに目標トラジェクトリＴＲＪを入力することによって制御量算出処理を行う。制御量ＣＯＮは、モデルから出力される、あるいは、モデルからの出力に基づいて生成される。

【0022】

認識部２０、計画部３０、及び制御量算出部４０のうち２以上は、一体的に構成されていてもよい。認識部２０、計画部３０、及び制御量算出部４０の全てが一体的に構成されていてもよい（End-to-End構成）。例えば、認識部２０と計画部３０は、センサ検出情報ＳＥＮから目標トラジェクトリＴＲＪを出力するＮＮにより一体的に構成されていてもよい。一体的構成の場合であっても、認識結果情報ＲＥＳや目標トラジェクトリＴＲＪといった中間生成物が出力されてもよい。例えば、認識部２０と計画部３０がＮＮにより一体的に構成される場合、認識結果情報ＲＥＳは、ＮＮの中間層の出力であってよい。

【0023】

認識部２０、計画部３０、及び制御量算出部４０は、車両１の自動運転を制御する「自動運転制御部」を構成している。本実施の形態では、自動運転制御部の少なくとも一部に機械学習モデルが利用される。すなわち、認識部２０、計画部３０、及び制御量算出部４０のうち少なくとも１つは機械学習モデルを含んでいる。自動運転制御部は、機械学習モデルを利用して、車両１の自動運転制御の少なくとも一部を行う。

【0024】

図２は、本実施の形態に係る自動運転システム１００の構成例を示す概念図である。自動運転システム１００は、車両１に搭載されており、車両１の自動運転制御を行う。自動運転システム１００は、上述の自動運転制御部の機能を少なくとも有する。自動運転システム１００は、更に、センサ群１０や走行装置５０を含んでいてもよい。

【0025】

自動運転システム１００は、１又は複数のプロセッサ１１０（以下、単にプロセッサ１１０と呼ぶ）と１又は複数の記憶装置１２０（以下、単に記憶装置１２０と呼ぶ）を含んでいる。プロセッサ１１０は、各種処理を実行する。プロセッサ１１０として、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、等が例示される。認識部２０、計画部３０、及び制御量算出部４０は、単一のプロセッサ１１０で実現されてもよいし、別々のプロセッサ１１０で実現されてもよい。記憶装置１２０は、各種情報を格納する。記憶装置１２０としては、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、揮発性メモリ、不揮発性メモリ、等が例示される。

【0026】

プログラム１３０は、車両１を制御するためのコンピュータプログラムであり、プロセッサ１１０によって実行される。プログラム１３０を実行するプロセッサ１１０と記憶装置１２０との協働により、自動運転システム１００による各種処理が実現されてもよい。プログラム１３０は、記憶装置１２０に格納される。プログラム１３０は、コンピュータ読み取り可能な記録媒体に記録されてもよい。

【0027】

モデルデータ１４０は、認識部２０、計画部３０、及び制御量算出部４０に含まれるモデルのデータである。上述の通り、本実施の形態では、認識部２０、計画部３０、及び制御量算出部４０のうち少なくとも１つは「機械学習モデル」を含んでいる。モデルデータ１４０は、記憶装置１２０に格納され、自動運転制御に利用される。

【0028】

自動運転制御の最中、プロセッサ１１０は、機械学習モデルを利用した自動運転制御に関連する「ログデータＬＯＧ」を取得する。ログデータＬＯＧは、機械学習モデルを利用した自動運転制御の検証等に利用される。ログデータＬＯＧは、自動運転制御部に入力されるセンサ検出情報ＳＥＮを含んでいてもよい。ログデータＬＯＧは、自動運転制御部から出力される制御量ＣＯＮを含んでいてもよい。ログデータＬＯＧは、認識部２０から出力される認識結果情報ＲＥＳを含んでいてもよい。ログデータＬＯＧは、計画部３０から出力される目標トラジェクトリＴＲＪを含んでいてもよい。ログデータＬＯＧは、認識部２０による認識処理における判断の理由を含んでいてもよい。ログデータＬＯＧは、計画部３０による計画処理における判断の理由を含んでいてもよい。ログデータＬＯＧは、自動運転制御に対するオペレータの介入の有無を含んでいてもよい。

【0029】

プロセッサ１１０は、自動運転制御の最中に取得したログデータＬＯＧを記憶装置１２０に格納する。プロセッサ１１０は、一定期間の間だけ、ログデータＬＯＧを記憶装置１２０に一時的に保存してもよい。

【0030】

管理サーバ２００は、車両１の外部に存在する外部装置である。管理サーバ２００は、通信ネットワークを介して１又は複数の車両１と通信を行う。自動運転制御の最中、あるいは、自動運転制御の終了後、車両１のプロセッサ１１０は、ローカルの記憶装置１２０に保存されたログデータＬＯＧの少なくとも一部を管理サーバ２００にアップロードしてもよい。プロセッサ１１０は、管理サーバ２００にアップロードしたログデータＬＯＧをローカルの記憶装置１２０から消去してもよい。

【0031】

管理サーバ２００は、データベース２２０を有している。管理サーバ２００は、１又は複数の車両１からアップロードされるログデータＬＯＧを取得する。そして、管理サーバ２００は、取得したログデータＬＯＧをデータベース２２０に保存（保管）する。管理サーバ２００は、少なくとも所定期間、ログデータＬＯＧを保存（保管）する。ログデータＬＯＧは、機械学習モデルを利用した自動運転制御の検証等に利用される。

【0032】

２．効率的なログデータ保存
以下の説明において、アップロード対象データＤＵＰは、車両１から管理サーバ２００にアップロードされる対象となるデータを意味する。アップロード対象データＤＵＰは、少なくとも、機械学習モデルを利用した自動運転制御に関連するログデータＬＯＧを含む。アップロード対象データＤＵＰは、自動運転制御に直接関連しないデータを含んでいてもよい。

【0033】

図３は、アップロード位置ＰＵを説明するための概念図である。アップロード位置ＰＵとは、車両１の記憶装置１２０に保存されたアップロード対象データＤＵＰの少なくとも一部が管理サーバ２００にアップロードされる位置である。典型的には、アップロード位置ＰＵは、予め定められている。例えば、アップロード位置ＰＵは、車両１の目的地である。他の例として、アップロード位置ＰＵは、出発地と目的地の間に位置する中間地点であってもよい。アップロード位置ＰＵは、車両１の拠点であってもよい。例えば、車両１がバス等のモビリティサービス車両である場合、アップロード位置ＰＵは、モビリティサービス車両の拠点（例：バスセンター）であってもよい。アップロード位置ＰＵは、予め地図情報に登録される。

【0034】

典型的には、車両１はアップロード位置ＰＵにおいて停止する。アップロード位置ＰＵにおいて、プロセッサ１１０は、自動運転制御を一時停止してもよい。アップロード位置ＰＵにおいて、プロセッサ１１０は、管理サーバ２００と通信を行い、アップロード対象データＤＵＰの少なくとも一部を管理サーバ２００にアップロードする。プロセッサ１１０は、アップロード対象データＤＵＰの全てを管理サーバ２００にアップロードしてもよい。プロセッサ１１０は、管理サーバ２００にアップロードしたログデータＬＯＧをローカルの記憶装置１２０から消去してもよい。

【0035】

アップロード対象データＤＵＰに含まれるログデータＬＯＧは、機械学習モデルを利用した自動運転制御の検証等に利用される。検証等に最低限必要なログデータＬＯＧについては、車両１のローカルな記憶装置１２０に保存された後、管理サーバ２００にアップロードされることが望まれる。但し、車両１の記憶装置１２０の容量には限界がある。そのことを考慮して、最低限必要なログデータＬＯＧを保存できないような状況を回避することが望まれる。その一方で、車両１の記憶装置１２０の容量を有効活用することも望まれる。

【0036】

以上の観点から、本実施の形態は、ログデータＬＯＧを車両１の記憶装置１２０に適切に保存することができる技術を提案する。

【0037】

２－１．第１の例
図４は、ログデータ保存処理の第１の例を説明するための概念図である。車両１は、出発地ＰＳからアップロード位置ＰＵに移動する。図４の横軸は、出発地ＰＳとアップロード位置ＰＵとの間の位置、あるいは、その位置に対応する時間を表す。

【0038】

単位時間あるいは単位距離あたりに記憶装置１２０に保存されるアップロード対象データＤＵＰの量を、以下、「対象保存量Ｑ」と呼ぶ。プロセッサ１１０は、単位時間あるいは単位距離あたりに対象保存量Ｑのアップロード対象データＤＵＰを記憶装置１２０に保存する。第１の例では、対象保存量Ｑは、「基本保存量Ｑ０」と「第１保存量Ｑ１」を含む。

【0039】

基本保存量Ｑ０は、検証等に最低限必要とされる所定のログデータＬＯＧの量である。最低限必要な所定のログデータＬＯＧの種類は、例えば、自動運転システム１００あるいは管理サーバ２００の管理者によって予め指定される。例えば、最低限必要なログデータＬＯＧは、センサ検出情報ＳＥＮや制御量ＣＯＮを含む。尚、基本保存量Ｑ０は、位置、時間、周辺環境、シーン等に応じて変動する可能性がある。

【0040】

一方、第１保存量Ｑ１は、最低限必要な所定のログデータＬＯＧ以外の「追加データ」の量である。例えば、追加データは、最低限必要な所定のログデータＬＯＧ以外の追加的なログデータＬＯＧを含む。他の例として、追加データは、機械学習モデルの学習に用いられる学習データを含んでいてもよい。学習データは、車両１における機械学習モデルを利用した自動運転制御に関連するデータである。学習データは、機械学習モデルに入力された入力データと機械学習モデルから出力された出力データの組み合わせであってもよい。尚、学習データは、当該車両１の自動運転制御に利用される機械学習モデルの学習（更新）に用いられてもよいし、他の機械学習モデルの学習に用いられてもよい。更に他の例として、追加データは、自動運転制御に直接関連しないデータを含んでいてもよい。

【0041】

単位時間あるいは単位距離あたりに記憶装置１２０に保存されるアップロード対象データＤＵＰは、「基本保存量Ｑ０の所定のログデータＬＯＧ」と「第１保存量Ｑ１の追加データ」を含む。所定のログデータＬＯＧだけでなく追加データも記憶装置１２０に保存することによって、記憶装置１２０の容量を有効活用することができる。

【0042】

但し、基本保存量Ｑ０は、位置、時間、周辺環境、シーン等に応じて変動する可能性がある。基本保存量Ｑ０を予測することは必ずしも容易ではない。最初から無計画に記憶装置１２０の容量を消費してしまうと、後になって記憶装置１２０の空き容量が枯渇してしまうおそれがある。記憶装置１２０の空き容量が枯渇すると、最低限必要な所定のログデータＬＯＧも記憶装置１２０に保存されなくなるおそれがある。

【0043】

そこで、第１保存量Ｑ１は、アップロード位置ＰＵまでの残り距離Ｄｒあるいは残り時間Ｔｒを考慮して設定される。言い換えれば、第１保存量Ｑ１は、アップロード位置ＰＵまでの残り距離Ｄｒあるいは残り時間Ｔｒの関数（ｆ１）として表される。残り距離Ｄｒは、車両１の現在位置とアップロード位置ＰＵに基づいて算出可能である。車両１の現在位置は、位置センサ１３によって得られる。アップロード位置ＰＵは、地図情報に予め登録されている。残り時間Ｔｒは、残り距離Ｄｒと車両１の速度から推定可能である。車両１の速度は、状態センサ１２によって検出される。あるいは、車両１がバス等のモビリティサービス車両である場合、アップロード位置ＰＵまでの残り時間Ｔｒは、モビリティサービス車両の運行スケジュールから得られる。

【0044】

より詳細には、図４に例示されるように、第１保存量Ｑ１は、アップロード位置ＰＵまでの残り距離Ｄｒあるいは残り時間Ｔｒが少なくなるにつれて増加する。この増加は、単調増加であってもよいし、段階的な増加であってもよい。例えば、出発地ＰＳからアップロード位置ＰＵまでの車両１の走行ルートは、第１区間とそれに続く第２区間を含む。この場合、第２区間における第１保存量Ｑ１は、第１区間における第１保存量Ｑ１よりも多くなるように設定される。モビリティサービス車両がある拠点（例：バスセンター）から出発して同じ拠点に戻ってくる場合、第１区間は往路区間であり、第２区間は復路区間であってもよい。第１区間における第１保存量Ｑ１はゼロであってもよい。

【0045】

追加データは、最低限必要な所定のログデータＬＯＧ以外の追加的なログデータＬＯＧであってもよい。この場合、例えば、記憶装置１２０に保存されるログデータＬＯＧの種類が、アップロード位置ＰＵまでの残り距離Ｄｒあるいは残り時間Ｔｒが少なくなるにつれて増加する。他の例として、ログデータＬＯＧのサンプリングレートが、アップロード位置ＰＵまでの残り距離Ｄｒあるいは残り時間Ｔｒが少なくなるにつれて増加してもよい。

【0046】

図４に例示されるような第１保存量Ｑ１のプロファイルは、自動運転システム１００あるいは管理サーバ２００の管理者によって予め設定されてもよい。

【0047】

以上に説明されたように、第１の例によれば、単位時間あるいは単位距離あたりの対象保存量Ｑは、第１保存量Ｑ１を含む。第１保存量Ｑ１は、アップロード位置ＰＵまでの残り距離Ｄｒあるいは残り時間Ｔｒが少なくなるにつれて増加する。残り距離Ｄｒあるいは残り時間Ｔｒが多い段階では、第１保存量Ｑ１は小さめ（控え目）に設定される。これにより、早い段階で記憶装置１２０の空き容量が枯渇するといった事態が抑制される。つまり、最低限必要な所定のログデータＬＯＧが記憶装置１２０に保存されなくなるといった事態が抑制される。

【0048】

一方、アップロード位置ＰＵまでの残り距離Ｄｒあるいは残り時間Ｔｒが少なくなるにつれて、第１保存量Ｑ１は増加し、記憶装置１２０に保存される追加データはよりリッチになる。これにより、有用なデータをより多く保存することが可能となる。すなわち、記憶装置１２０の容量を有効活用することができる。

【0049】

このように、第１の例によれば、記憶装置１２０の容量を有効活用しつつ、自動運転制御に関連するログデータＬＯＧを適切に保存することが可能となる。

【0050】

２－２．第２の例
図５は、ログデータ保存処理の第２の例を説明するための概念図である。第１の例と重複する説明は、適宜省略される。第２の例では、対象保存量Ｑは、「基本保存量Ｑ０」と「第２保存量Ｑ２」を含む。

【0051】

第１保存量Ｑ１と同様に、第２保存量Ｑ２も、最低限必要な所定のログデータＬＯＧ以外の「追加データ」の量である。この第２保存量Ｑ２は、記憶装置１２０の残容量Ｃｒを考慮して設定される。言い換えれば、第２保存量Ｑ２は、記憶装置１２０の残容量Ｃｒの関数（ｆ２）として表される。より詳細には、第２保存量Ｑ２は、記憶装置１２０の残容量Ｃｒが少なくなるにつれて減少する。この減少は、単調減少であってもよいし、段階的な減少であってもよい。図５に示されるように、残容量Ｃｒが十分に残っている段階で、第２保存量Ｑ２はゼロになってもよい。例えば、残容量Ｃｒが所定の閾値未満になると、第２保存量Ｑ２はゼロに設定される。第２保存量Ｑ２のプロファイルは、管理者によって予め設定されてもよい。

【0052】

記憶装置１２０の残容量Ｃｒが比較的多い段階では、第２保存量Ｑ２は大きめに設定され、記憶装置１２０に保存される追加データはリッチになる。これにより、有用なデータをより多く保存することが可能となる。すなわち、記憶装置１２０の容量を有効活用することができる。

【0053】

一方、記憶装置１２０の残容量Ｃｒが比較的少なくなると、第２保存量Ｑ２は小さくなる。これにより、記憶装置１２０の空き容量が枯渇するといった事態が抑制される。つまり、最低限必要な所定のログデータＬＯＧが記憶装置１２０に保存されなくなるといった事態が抑制される。

【0054】

このように、第２の例によれば、記憶装置１２０の容量を有効活用しつつ、自動運転制御に関連するログデータＬＯＧを適切に保存することが可能となる。

【0055】

２－３．第３の例
図６は、ログデータ保存処理の第３の例を説明するための概念図である。第１の例と重複する説明は、適宜省略される。第３の例では、対象保存量Ｑは、「基本保存量Ｑ０」と「第３保存量Ｑ３」を含む。

【0056】

第１保存量Ｑ１と同様に、第３保存量Ｑ３も、最低限必要な所定のログデータＬＯＧ以外の「追加データ」の量である。この第３保存量Ｑ３は、管理者によって指定される位置においてピンポイントに確保される。例えば、管理者は、イベントが発生しやすい位置（例：交差点）を指定する。第３保存量Ｑ３は、所定量であってもよいし、管理者によって指定されてもよい。第３保存量Ｑ３のプロファイルは、管理者によって予め設定されてもよい。

【0057】

第３の例によっても、記憶装置１２０の容量を有効活用しつつ、自動運転制御に関連するログデータＬＯＧを適切に保存することが可能となる。

【0058】

２－４．第４の例
上述の第１～第３の例のうち２以上の組み合わせも可能である。例えば、第３の例は、第１の例あるいは第２の例と組み合わされてもよい。例えば、第１保存量Ｑ１あるいは第２保存量Ｑ２が希薄な位置においてピンポイントに第３保存量Ｑ３が設定されてもよい。第１の例と第２の例と第３の例の組み合わせも可能である。

【符号の説明】

【0059】

１…車両、１０…センサ群、２０…認識部、３０…計画部、４０…制御量算出部、５０…走行装置、１００…自動運転システム、２００…管理サーバ、ＣＯＮ…制御量、ＬＯＧ…ログデータ、ＲＥＳ…認識結果情報、ＳＥＮ…センサ検出情報、ＴＲＪ…目標トラジェクトリ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】