ホーム > 特許ランキング > トヨタ自動車株式会社
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】特許公報(B2)
(11)【特許番号】
(24)【登録日】2024-12-16
(45)【発行日】2024-12-24
(54)【発明の名称】情報処理方法、情報処理装置及びサーバ装置
(51)【国際特許分類】
G06N 3/098 20230101AFI20241217BHJP
G06N 20/00 20190101ALI20241217BHJP
【ＦＩ】
G06N3/098
G06N20/00 130
【請求項の数】
19
(21)【出願番号】P 2021208921
(22)【出願日】2021-12-23
(65)【公開番号】P2023093838
(43)【公開日】2023-07-05
【審査請求日】2023-11-23
(73)【特許権者】
【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】110002860
【氏名又は名称】弁理士法人秀和特許事務所
(72)【発明者】
【氏名】鐘 雷
(72)【発明者】
【氏名】馬 じん
(72)【発明者】
【氏名】邵 校
(72)【発明者】
【氏名】大西 亮吉
【審査官】佐藤 直樹
(56)【参考文献】
【文献】特表２０１９－５２６８５１（ＪＰ，Ａ）
【文献】国際公開第２０２１／０５９６０７（ＷＯ，Ａ１）
【文献】西尾 理志，モバイルエッジにおける効率的な分散機械学習手法の検討，電子情報通信学会技術研究報告 Ｖｏｌ．１１８ Ｎｏ．１２３，日本，一般社団法人電子情報通信学会，2018年07月04日，第87-88頁
【文献】西尾 理志，Federated Learning チュートリアル：基礎から実践まで，電子情報通信学会２０２１年通信ソサイエティ大会講演論文集１，日本，2021年08月31日，SS52-SS53頁
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｎ ３／０９８
Ｇ０６Ｎ ２０／００
(57)【特許請求の範囲】
【請求項1】
それぞれ異なる移動体に搭載された複数の情報処理装置それぞれが、ローカルデータを収集することと、前記複数の情報処理装置それぞれが、収集された前記ローカルデータを使用して、グローバルモデルの機械学習を実施することで、ローカルモデルを生成することと、
前記複数の情報処理装置それぞれが、評価指標に従って評価値を算出することと、
前記複数の情報処理装置それぞれが、近接通信により、自己の移動体付近に存在する１台以上の他の移動体それぞれに搭載された他の情報処理装置に向けて、算出した前記評価値を送信することと、
前記複数の情報処理装置それぞれが、前記近接通信により、前記１台以上の他の移動体それぞれに搭載された前記他の情報処理装置から、前記他の情報処理装置で算出された前記評価値を受信することと、
前記複数の情報処理装置それぞれが、算出した前記評価値及び前記他の情報処理装置から受信した前記評価値を比較することで、評価が高いか否かを判定することと、
評価が高いと判定した少なくとも１つの情報処理装置が、生成した前記ローカルモデルを示すローカルモデル情報をサーバ装置に送信することと、
を備える、
情報処理方法。
【請求項2】
前記複数の情報処理装置それぞれは、ビーコンモジュールを備え、前記近接通信は、前記ビーコンモジュールを用いて行われる、
請求項１に記載の情報処理方法。
【請求項3】
前記評価指標は、前記ローカルデータのクオリティを評価するための第１指標を含む、請求項１又は２に記載の情報処理方法。
【請求項4】
前記評価指標は、前記複数の情報処理装置それぞれの計算能力を評価するための第２指標を含む、請求項１から３のいずれか１項に記載の情報処理方法。
【請求項5】
前記評価指標は、前記複数の情報処理装置それぞれの通信能力を評価するための第３指標を含む、
請求項１から４のいずれか１項に記載の情報処理方法。
【請求項6】
前記評価指標は、関数により表現され、前記複数の情報処理装置それぞれは、前記評価指標を表現する前記関数の演算処理を実行することで、前記評価値を算出する、
請求項１から５のいずれか１項に記載の情報処理方法。
【請求項7】
前記サーバ装置が、前記複数の情報処理装置それぞれに前記グローバルモデルを送信すること、及び前記複数の情報処理装置それぞれが、前記サーバ装置から前記グローバルモデルを受信すること、
を更に含む、
請求項１から６のいずれか１項に記載の情報処理方法。
【請求項8】
前記サーバ装置が、前記評価指標を示す評価指標情報を前記複数の情報処理装置それぞれに送信すること、及び前記複数の情報処理装置それぞれが、前記サーバ装置から前記評価指標情報を受信すること、
を更に含み、
前記複数の情報処理装置それぞれは、受信した前記評価指標情報に示される前記評価指標に従って前記評価値を算出する、
請求項１から７のいずれか１項に記載の情報処理方法。
【請求項9】
移動体に搭載される情報処理装置であって、ローカルデータを収集することと、
収集された前記ローカルデータを使用して、グローバルモデルの機械学習を実施することで、ローカルモデルを生成することと、
評価指標に従って評価値を算出することと、
近接通信により、付近に存在する１台以上の他の移動体それぞれに搭載された他の情報処理装置に向けて、算出した前記評価値を送信することと、
前記近接通信により、前記１台以上の他の移動体それぞれに搭載された前記他の情報処理装置から、前記他の情報処理装置で前記評価指標に従って算出された評価値を受信することと、
算出した前記評価値及び前記他の情報処理装置から受信した前記評価値を比較することで、評価が高いか否かを判定することと、
評価が高いと判定した場合に、生成した前記ローカルモデルを示すローカルモデル情報をサーバ装置に送信することと、
を実行するように構成された制御部を備える、
情報処理装置。
【請求項10】
ビーコンモジュールを更に備え、前記制御部は、前記ビーコンモジュールを用いて、前記近接通信を行うように構成される、
請求項９に記載の情報処理装置。
【請求項11】
前記評価指標は、前記ローカルデータのクオリティを評価するための第１指標を含む、請求項９又は１０に記載の情報処理装置。
【請求項12】
前記評価指標は、計算能力を評価するための第２指標を含む、請求項９から１１のいずれか１項に記載の情報処理装置。
【請求項13】
前記評価指標は、通信能力を評価するための第３指標を含む、請求項９から１２のいずれか１項に記載の情報処理装置。
【請求項14】
前記評価指標は、関数により表現され、前記制御部は、前記評価指標を表現する前記関数の演算処理を実行することで、前記評価値を算出するように構成される、
請求項９から１３のいずれか１項に記載の情報処理装置。
【請求項15】
前記制御部は、前記近接通信において、ブロードキャストで前記評価値を送信するように構成される、請求項９から１４のいずれか１項に記載の情報処理装置。
【請求項16】
ローカルデータをそれぞれ収集し、かつ収集されたローカルデータを使用して、グローバルモデルの機械学習を実施することで、ローカルモデルをそれぞれ生成するように構成される複数の情報処理装置であって、それぞれ異なる移動体に搭載された複数の情報処理装置それぞれと通信可能に構成されたサーバ装置であって、複数の情報処理装置の少なくとも１つの情報処理装置から、ローカルモデルを示すローカルモデル情報を受信することと、
前記少なくとも１つの情報処理装置から受信した前記ローカルモデル情報により示されるローカルモデルを統合することにより、新たなグローバルモデルを生成することと、
を実行するように構成された制御部を備え、
前記制御部は、評価指標を示す評価指標情報を前記複数の情報処理装置それぞれに送信することを更に実行するように構成され、
前記複数の情報処理装置それぞれは、
受信した前記評価指標情報に示される前記評価指標に従って評価値を算出し、
近接通信により、自己の移動体付近に存在する１台以上の他の移動体それぞれに搭載された他の情報処理装置に向けて、算出した前記評価値を送信し、
前記近接通信により、前記１台以上の他の移動体それぞれに搭載された前記他の情報処理装置から、前記他の情報処理装置で前記評価指標に従って算出された評価値を受信し、かつ
算出した前記評価値及び前記他の情報処理装置から受信した前記評価値を比較することで、評価が高いか否かを判定する、
ように更に構成され、
前記少なくとも１つの情報処理装置は、前記評価値による比較の結果、評価が高いと判定した情報処理装置である、
サーバ装置。
【請求項17】
前記制御部は、ブロードキャストにより、前記評価指標情報を前記複数の情報処理装置それぞれに送信するように構成される、請求項１６に記載のサーバ装置。
【請求項18】
前記制御部は、前記グローバルモデルを前記複数の情報処理装置それぞれに送信することを更に実行するように構成され、前記複数の情報処理装置それぞれは、収集された前記ローカルデータを使用して、受信した前記グローバルモデルの機械学習を実施することで、前記ローカルモデルを生成するように構成される、
請求項１６又は１７に記載のサーバ装置。
【請求項19】
前記制御部は、ブロードキャストにより、前記グローバルモデルを前記複数の情報処理装置それぞれに送信するように構成される、請求項１８に記載のサーバ装置。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、サーバ装置と車両等の移動体にそれぞれ搭載される複数の情報処理装置との間で実施される機械学習モデルの連合学習の技術に関する。
【背景技術】
【0002】
従来の機械学習の手法では、個々で得られた学習データを集約し、集約された学習データを使用して、機械学習モデルを訓練していた。しかしながら、この手法では、学習データを集約するのにコスト（例えば、時間コスト、通信コスト等）がかかってしまう、機械学習を実行するコンピュータの計算負荷が大きくなってしまう等の問題点があった。
【0003】
そこで、これらの問題点を解決する手法として連合学習が提案されている。連合学習は、学習データを集約せず、分散的に機械学習を実施する手法である。サーバ装置及び複数のクライアント装置の間で連合学習を行う場合、各クライアント装置は、ローカルデータを個々に収集する。各クライアント装置は、収集したローカルデータを使用して、グローバルモデルの機械学習を実施することで、ローカルモデルを生成する。続いて、各クライアント装置は、生成したローカルモデルをサーバ装置に送信する。サーバ装置は、各クライアント装置から受信したローカルモデルを統合することで、新たなグローバルモデルを生成する。
【0004】
この連合学習の手法によれば、ローカルデータをサーバ装置にアップロードすることなく、各クライアント装置で得られたローカルデータを反映した訓練済みの機械学習モデル（新たなグローバルモデル）を生成することができる。つまり、ローカルデータをサーバ装置に集約するコストを省くことができる。また、機械学習にかかる計算負荷を各クライアント装置に分散することができる。よって、上記従来の手法に比べて、コストの低減及び計算負荷の集中の回避を図った上で、多くのデータを学習した訓練済みモデルを生成することができる。
【0005】
特許文献１には、サーバ装置及びクライアント装置の間で連合学習を行う手順の一例が提案されている。非特許文献１には、中央サーバ及び各車両クライアントの間で連合学習を行う手法であって、二次元契約理論に基づいて中央サーバ及び各車両クライアントの間で相互作用し、連合学習に参加する車両クライアントを選択する手法が提案されている。
【先行技術文献】
【特許文献】
【0006】
【文献】米国特許出願公開第２０２０／０２４２５１４号明細書
【非特許文献】
【0007】
【文献】Dongdong Ye, Rong Yu, Miao Pan, Zhu Han, “Federated Learning in Vehicular Edge Computing: A Selective Model Aggregation Approach”, ［online］, ［令和３年１１月３０日検索］, インターネット＜URL: https://ieeexplore.ieee.org/document/8964354＞
【発明の概要】
【発明が解決しようとする課題】
【0008】
本開示の目的は、サーバ装置と移動体にそれぞれ搭載される複数の情報処理装置との間で効率的に連合学習を実施可能にす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】
【0009】
本開示の第１の態様に係る情報処理方法は、それぞれ異なる移動体に搭載された複数の情報処理装置それぞれが、ローカルデータを収集することと、前記複数の情報処理装置それぞれが、収集された前記ローカルデータを使用して、グローバルモデルの機械学習を実施することで、ローカルモデルを生成することと、前記複数の情報処理装置それぞれが、評価指標に従って評価値を算出することと、前記複数の情報処理装置それぞれが、近接通信により、自己の移動体付近に存在する１台以上の他の移動体それぞれに搭載された他の情報処理装置に向けて、算出した前記評価値を送信することと、前記複数の情報処理装置それぞれが、前記近接通信により、前記１台以上の他の移動体それぞれに搭載された前記他の情報処理装置から、前記他の情報処理装置で算出された前記評価値を受信することと、前記複数の情報処理装置それぞれが、算出した前記評価値及び前記他の情報処理装置から受信した前記評価値を比較することで、評価が高いか否かを判定することと、評価が高いと判定した少なくとも１つの情報処理装置が、生成した前記ローカルモデルを示すローカルモデル情報をサーバ装置に送信することと、を備える。
【0010】
本開示の第２の態様に係る情報処理装置は、移動体に搭載される情報処理装置であって、ローカルデータを収集することと、収集された前記ローカルデータを使用して、グローバルモデルの機械学習を実施することで、ローカルモデルを生成することと、評価指標に従って評価値を算出することと、近接通信により、付近に存在する１台以上の他の移動体それぞれに搭載された他の情報処理装置に向けて、算出した前記評価値を送信することと、前記近接通信により、前記１台以上の他の移動体それぞれに搭載された前記他の情報処理装置から、前記他の情報処理装置で前記評価指標に従って算出された評価値を受信することと、算出した前記評価値及び前記他の情報処理装置から受信した前記評価値を比較することで、評価が高いか否かを判定することと、評価が高いと判定した場合に、生成した前記ローカルモデルを示すローカルモデル情報をサーバ装置に送信することと、を実行するように構成された制御部を備える。
【0011】
本開示の第３の態様に係るサーバ装置は、ローカルデータをそれぞれ収集し、かつ収集されたローカルデータを使用して、グローバルモデルの機械学習を実施することで、ローカルモデルをそれぞれ生成するように構成される複数の情報処理装置であって、それぞれ異なる移動体に搭載された複数の情報処理装置それぞれと通信可能に構成されたサーバ装置であって、複数の情報処理装置の少なくとも１つの情報処理装置から、ローカルモデルを示すローカルモデル情報を受信することと、前記少なくとも１つの情報処理装置から受信した前記ローカルモデル情報により示されるローカルモデルを統合することにより、新たなグローバルモデルを生成することと、を実行するように構成された制御部を備える。前記複数の情報処理装置は、評価指標に従って評価値を算出し、近接通信により、自己の移動体付近に存在する１台以上の他の移動体それぞれに搭載された他の情報処理装置に向けて、算出した前記評価値を送信し、前記近接通信により、前記１台以上の他の移動体それぞれに搭載された前記他の情報処理装置から、前記他の情報処理装置で前記評価指標に従って算出された評価値を受信し、かつ算出した前記評価値及び前記他の情報処理装置から受信した前記評価値を比較することで、評価が高いか否かを判定する、ように更に構成される。前記少なくとも１つの情報処理装置は、前記評価値による比較の結果、評価が高いと判定した情報処理装置である。
【発明の効果】
【0012】
本開示によれば、サーバ装置と移動体にそれぞれ搭載される複数の情報処理装置との間で効率的に連合学習を実施することができる。
【図面の簡単な説明】
【0013】
【発明を実施するための形態】
【0014】
参加可能な全てのクライアント装置が連合学習に参加してもよいが、全てのクライアント装置が連合学習に参加すると、機械学習モデルを更新する（新たなグローバルモデルを生成する）効率が悪くなる。また、精度のよい訓練済みモデルが生成できるとは限られない。そこで、連合学習に参加するクライアント装置の選択（数の調整）が行われる場合がある。
【0015】
選択の簡易的な方法として、複数のクライアント装置の中から連合学習に参加するクライアント装置をランダムに選択することが挙げられる。しかしながら、この方法では、サーバ装置は、クライアント装置の属性（例えば、獲得可能なローカルデータの質、計算能力、通信能力等）が不明な状態で連合学習に参加するクライアント装置を選択するため、選択されたクライアント装置からモデル更新に適したローカルモデルが得られるとは限られない。そのため、モデル更新が非効率となり、通信量の増大を招く可能性がある。
【0016】
これを解決する一つの方法として、サーバ装置が、各クライアント装置の属性（状態、ステータス等と読み替えられてよい）を調査して、モデル更新に適したローカルモデルを生成可能なクライアント装置を特定する方法が考えられる。しかしながら、この方法では、各クライアント装置は、自身の属性をサーバ装置に報告することになり、プライバシーの問題が発生する可能性がある。また、選択プロセスが中央集権的であり、選択プロセスにおいてサーバ装置及び各クライアント装置の間でデータ通信が生じるため、連合学習の効率の悪化を招く可能性がある。
【0017】
非特許文献１で提案される方法では、二次元契約理論を採用することで、サーバ装置及び各クライアント装置（車両クライアント）間の情報の非対称性を担保することができる。つまり、各クライアント装置は、自身の属性をそのままの情報でサーバ装置に報告しなくとも、サーバ装置は、クライアント装置の属性に基づいて、連合学習に参加するクライアント装置を選択することができる。そのため、上記プライバシーの問題を解決することができる。しかしながら、この方法でも、選択プロセスは中央集権的であり、二次元契約理論の問題を解くために、サーバ装置及び各クライアント装置の間で複雑なデータ通信が行われる。そのため、連合学習の効率の悪化を招く可能性がある。したがって、従来の方法では、連合学習の効率に依然として課題がある。
【0018】
これに対して、本開示の第１の態様に係る情報処理方法は、それぞれ異なる移動体に搭載された複数の情報処理装置それぞれが、ローカルデータを収集することと、複数の情報処理装置それぞれが、収集されたローカルデータを使用して、グローバルモデルの機械学習を実施することで、ローカルモデルを生成することと、複数の情報処理装置それぞれが
、評価指標に従って評価値を算出することと、複数の情報処理装置それぞれが、近接通信により、自己の移動体付近に存在する１台以上の他の移動体それぞれに搭載された他の情報処理装置に向けて、算出した評価値を送信することと、複数の情報処理装置それぞれが、近接通信により、１台以上の他の移動体それぞれに搭載された他の情報処理装置から、他の情報処理装置で算出された評価値を受信することと、複数の情報処理装置それぞれが、算出した評価値及び他の情報処理装置から受信した評価値を比較することで、評価が高いか否かを判定することと、評価が高いと判定した少なくとも１つの情報処理装置が、生成したローカルモデルを示すローカルモデル情報をサーバ装置に送信することと、を備える。
、評価指標に従って評価値を算出することと、複数の情報処理装置それぞれが、近接通信により、自己の移動体付近に存在する１台以上の他の移動体それぞれに搭載された他の情報処理装置に向けて、算出した評価値を送信することと、複数の情報処理装置それぞれが、近接通信により、１台以上の他の移動体それぞれに搭載された他の情報処理装置から、他の情報処理装置で算出された評価値を受信することと、複数の情報処理装置それぞれが、算出した評価値及び他の情報処理装置から受信した評価値を比較することで、評価が高いか否かを判定することと、評価が高いと判定した少なくとも１つの情報処理装置が、生成したローカルモデルを示すローカルモデル情報をサーバ装置に送信することと、を備える。
【0019】
地理的に類似する範囲を移動する移動体にそれぞれ搭載される複数の情報処理装置は、互いに類似するローカルデータを収集する可能性が高い。そのため、これらの情報処理装置それぞれで生成されるローカルモデルの能力も互いに類似し、少なくとも１つの情報処理装置から得られるローカルモデルをグローバルモデルの更新に反映すれば十分である可能性が高い。本開示の第１の態様に係る情報処理方法では、選択プロセスは、各情報処理装置間の近接通信による評価値のやり取りによって達成される。この近接通信による選択プロセスによれば、地理的に近い範囲に存在する移動体にそれぞれ搭載された複数の情報処理装置の中から連合学習に参加する情報処理装置を選抜し、選抜された情報処理装置により生成されたローカルモデルをグローバルモデルの更新に反映することができる。また、サーバ装置を介さず、連合学習に参加する情報処理装置を自律分散的に選抜する（すなわち、各情報処理装置が連合学習に参加するか否かを自身で判断する）ことができる。したがって、本開示の第１の態様に係る情報処理方法によれば、サーバ装置と移動体にそれぞれ搭載される複数の情報処理装置との間で実施される連合学習の効率化を図ることができる。
【0020】
以下、本開示の一側面に係る実施の形態（以下、「本実施形態」とも表記する）を、図面に基づいて説明する。ただし、以下で説明する本実施形態は、あらゆる点において本開示の例示に過ぎない。本開示の範囲を逸脱することなく種々の改良又は変形が行われてよい。本開示の実施にあたって、実施形態に応じた具体的構成が適宜採用されてもよい。なお、本実施形態において登場するデータを自然言語により説明しているが、より具体的には、コンピュータが認識可能な疑似言語、コマンド、パラメータ、マシン語等で指定される。
【0021】
［１ 適用例］
図１は、本開示を適用した場面の一例を模式的に示す。本実施形態に係るシステムは、サーバ装置１及び複数の車載装置２により構成される。
図１は、本開示を適用した場面の一例を模式的に示す。本実施形態に係るシステムは、サーバ装置１及び複数の車載装置２により構成される。
【0022】
本実施形態に係るサーバ装置１は、車載装置２からローカルモデル５０を取得し、取得されたローカルモデル５０を統合するように構成される１台以上のコンピュータである。本実施形態に係る車載装置２は、ローカルデータ３を収集し、収集したローカルデータ３を使用して、グローバルモデル４０の機械学習を実施することで、ローカルモデル５０を生成するように構成される１台以上のコンピュータである。複数の車載装置２は、それぞれ異なる車両Ｖに搭載される。図１の例では、車載装置２Ａは車両ＶＡに搭載され、車載装置２Ｂは車両ＶＢに搭載される（以下の説明では、それぞれを区別する場合に、Ａ、Ｂ等の符号を付し、区別しない場合には符号を省略する）。車両Ｖは、例えば、自動車である。本実施形態において、車両Ｖは、移動体の一例であり、車載装置２は、移動体に搭載された情報処理装置の一例である。
【0023】
本実施形態では、各車載装置２は、ローカルデータ３を収集する。各車載装置２は、収集されたローカルデータ３を使用して、グローバルモデル４０の機械学習を実施すること
で、ローカルモデル５０を生成する。ローカルデータ３を使用して機械学習を実施することは、自装置のためにローカライズすることに対応する。グローバルモデル４０は、ローカルデータ３を使用した機械学習によりローカライズされる前の機械学習モデルである。ローカルモデル５０は、ローカルデータ３を使用した機械学習によりグローバルモデル４０が更新されることで生成される、ローカライズされた後の訓練済みの機械学習モデルである。
で、ローカルモデル５０を生成する。ローカルデータ３を使用して機械学習を実施することは、自装置のためにローカライズすることに対応する。グローバルモデル４０は、ローカルデータ３を使用した機械学習によりローカライズされる前の機械学習モデルである。ローカルモデル５０は、ローカルデータ３を使用した機械学習によりグローバルモデル４０が更新されることで生成される、ローカライズされた後の訓練済みの機械学習モデルである。
【0024】
各車載装置２は、評価指標７０に従って評価値６を算出する。各車載装置２は、近接通信により、自己の車両Ｖ付近に存在する１台以上の他の車両Ｖそれぞれに搭載された他の車載装置２に向けて、算出した評価値６を送信する。各車載装置２は、近接通信により、自己の車両Ｖ付近に存在する１台以上の他の車両Ｖそれぞれに搭載された他の車載装置２から、当該他の車載装置２で算出された評価値６を受信する。各車載装置２は、算出した評価値６及び１台以上の他の車両Ｖそれぞれの他の車載装置２から受信した評価値６を比較することで、評価が高いか否かを判定する。評価が高いと判定した少なくとも１つの車載装置２は、生成したローカルモデル５０を示すローカルモデル情報５００をサーバ装置１に送信する。
【0025】
図１の例では、車両ＶＡ及び車両ＶＢが、車載装置２Ａ及び車載装置２Ｂが近接通信により互いにデータの授受可能な範囲に存在することを想定している。この例では、車載装置２Ａは、ローカルデータ３Ａを収集し、収集されたローカルデータ３Ａを使用して、ローカルモデル５０Ａを生成する。車載装置２Ｂは、ローカルデータ３Ｂを収集し、収集されたローカルデータ３Ｂを使用して、ローカルモデル５０Ｂを生成する。
【0026】
車載装置２Ａは、評価指標７０に従って評価値６Ａを算出し、算出された評価値６Ａを近接通信により他の車両に搭載された他の車載装置に向けて送信する。車載装置２Ｂは、これを受信することで、車載装置２Ａの評価値６Ａを取得する。同様に、車載装置２Ｂは、評価指標７０に従って評価値６Ｂを算出し、算出された評価値６Ｂを近接通信により他の車載装置に向けて送信する。車載装置２Ａは、これを受信することで、車載装置２Ｂの評価値６Ｂを取得する。
【0027】
各車載装置（２Ａ、２Ｂ）は、自装置の評価値（６Ａ、６Ｂ）及び他装置の評価値（６Ｂ、６Ａ）を比較し、評価が高いか否かを判定する。図１の例では、車載装置２Ａが自身の評価は高いと判定し、車載装置２Ｂが自身の評価は低いと判定した場面を想定している。この場面では、２つの車載装置（２Ａ、２Ｂ）のうちの車載装置２Ａが、生成した自己のローカルモデル５０Ａを示すローカルモデル情報５００Ａをサーバ装置１に送信する。なお、図１により示される場面は一例であり、本開示が、この例に限られる訳ではない。サーバ装置１と通信可能な車載装置２の数、対象の車載装置２に対して近接通信によるデータ授受が可能な範囲に存在する（すなわち、対象の車載装置２と近接通信により評価値６をやり取りする）他の車載装置２の数、評価が高いと判定する車載装置２等の状況は、具体的な実施場面に応じて適宜特定されてよい。
【0028】
サーバ装置１は、複数の車載装置２のうちの少なくとも１つの車載装置２から、ローカルモデル５０を示すローカルモデル情報５００を受信する。サーバ装置１は、少なくとも１つの車載装置２それぞれから受信したローカルモデル情報５００により示されるローカルモデル５０を統合する。これにより、サーバ装置１は、新たなグローバルモデル４５を生成する。新たなグローバルモデル４５は、少なくとも１つの車載装置２から得られたローカルモデル５０を統合することで生成される訓練済みの機械学習モデルである。
【0029】
以上のとおり、本実施形態では、連合学習に参加する（ローカルモデル５０を提供する）車載装置２を選抜するための選択プロセスは、各車載装置２間の近接通信による評価値
６のやり取りによって達成される。この近接通信による選択プロセスによれば、地理的に近い範囲に存在する車両Ｖにそれぞれ搭載された複数の車載装置２の中から連合学習に参加する車載装置２を選抜し、選抜された車載装置２により生成されたローカルモデル５０をグローバルモデル４０の更新に反映することができる。また、サーバ装置１を介さず、連合学習に参加する車載装置２を自律分散的に選抜することができる。したがって、本実施形態によれば、サーバ装置１及び各車載装置２の間で実施される連合学習の効率化を図ることができる。加えて、各車載装置２間でやり取りされるデータは評価値６に過ぎないため、プライバシーの問題を解決することができる。
６のやり取りによって達成される。この近接通信による選択プロセスによれば、地理的に近い範囲に存在する車両Ｖにそれぞれ搭載された複数の車載装置２の中から連合学習に参加する車載装置２を選抜し、選抜された車載装置２により生成されたローカルモデル５０をグローバルモデル４０の更新に反映することができる。また、サーバ装置１を介さず、連合学習に参加する車載装置２を自律分散的に選抜することができる。したがって、本実施形態によれば、サーバ装置１及び各車載装置２の間で実施される連合学習の効率化を図ることができる。加えて、各車載装置２間でやり取りされるデータは評価値６に過ぎないため、プライバシーの問題を解決することができる。
【0030】
なお、本実施形態において、グローバルモデル４０及び評価指標７０の少なくとも一方は、サーバ装置１から各車載装置２に提供されてよい。連合学習に参加する可能性のある車載装置２の数は、特に限定されなくてよく、実施の形態に応じて適宜決定されてよい。サーバ装置１は、ローカルモデル５０の統合により生成された新たなグローバルモデル４５を各車載装置２に提供してよい。その後、新たなグローバルモデル４５をグローバルモデル４０として取り扱い、ローカルモデル５０の生成及び統合（更に新たなグローバルモデルの生成）が繰り返されてよい。本実施形態に係るシステムは、このローカルモデル５０の生成処理及び統合処理を繰り返し実行することで、精度よく推論タスクを遂行可能なグローバルモデルを生成してもよい。
【0031】
グローバルモデル（４０、４５）及びローカルモデル５０は、機械学習モデルにより、移動体（本実施形態では、車両Ｖ）に関する推論タスクを解く演算処理を実行するように構成される。機械学習モデルは、推論タスクを解く演算処理を実行するための１又は複数の演算パラメータを備える。機械学習モデルは、複数の推論タスクを解くように構成されてもよい。機械学習モデルは、例えば、ニューラルネットワーク、回帰モデル、サポートベクタマシン等により構成されてよい。
【0032】
推論タスクは、移動体に関するものであれば、特に限定されなくてよく、実施の形態に応じて適宜選択されてよい。一例として、各移動体はセンサを備えてよく、推論タスクは、センサにより得られるセンシングデータから何らかの推論結果を導出することであってよい。センサは、例えば、画像センサ（カメラ等）、近接センサ、Lidar（light detection and ranging）センサ、Radar(Radio Detection And Ranging)等であってよい。具体例として、センサは、カメラ等の画像センサであってよく、推論タスクは、画像センサにより得られる画像に映る対象物（例えば、通行人、信号機、中央分離帯、障害物等）を検出することであってよい。この場合、対象物を検出することは、セグメンテーションすること及び対象物を識別することを含んでよい。その他、センサは、画像センサ、近接センサ、Lidarセンサ、Radar等の車載センサであってよく、推論タスクは、センシングデータから移動体の制御内容を決定する（例えば、車両Ｖのブレーキをかける、ドアをロックする、自動運転の内容を決定する等）ことであってよい。推論タスクが、センシングデータから推論結果を導出することである場合、ローカルデータ３の収集には、センサが用いられてよい。
【0033】
評価指標７０は、グローバルモデル４０の更新に適した（すなわち、統合により生成される新たなグローバルモデル４５の性能がより良くなるような）ローカルモデル５０を生成する車載装置２が選抜されるように適宜規定されてよい。ローカルデータ３のクオリティは、統合により生成される新たなグローバルモデル４５の精度に影響を与える。また、車載装置２の計算能力が高いほど、ローカルモデル５０を高速に作成することができるため、タイムアウト内におけるローカルモデル５０のアップロードの成功確率が高い。加えて、サーバ装置１にローカルモデル５０を集約するのにかかる時間の短縮を図ることができる。同様に、車載装置２の通信能力が高いほど、サーバ装置１にローカルモデル５０を集約する時間の短縮を図ることができる。そこで、本実施形態では、評価指標７０は、ロ
ーカルデータ３のクオリティを評価するための第１指標、各車載装置２の計算能力を評価するための第２指標、及び各車載装置２の通信能力を評価するための第３指標の少なくともいずれかを含むように構成されてよい。また、評価指標７０は、関数によって表現されてよい。この場合、各車載装置２は、評価指標７０を表現する関数の演算処理を実行することで、評価値を算出してよい。
ーカルデータ３のクオリティを評価するための第１指標、各車載装置２の計算能力を評価するための第２指標、及び各車載装置２の通信能力を評価するための第３指標の少なくともいずれかを含むように構成されてよい。また、評価指標７０は、関数によって表現されてよい。この場合、各車載装置２は、評価指標７０を表現する関数の演算処理を実行することで、評価値を算出してよい。
【0034】
第１指標は、ローカルデータ３がグローバルモデル４０の性能向上に有益であろうほど評価が高くなり、性能向上に有益ではないであろうほど評価が低くなるように適宜規定されてよい。第１指標は、関数（ｆ１）と表現されてよい。ローカルデータ３が有益であるか否かは、グローバルモデル４０を使用して評価されてよい。一例として、グローバルモデル４０の機械学習に用いられる目的関数が、ローカルデータ３の有益性の評価にも用いられてよい。目的関数は、コスト関数、損失関数又は誤差関数と読み替えられてよい。機械学習における最適化問題が目的関数の値の最小化により構成される場合、ローカルデータ３に対するグローバルモデル４０の推論精度が低いほど、目的関数により算出される値は大きくなる。推論精度が低いことは、そのローカルデータ３がグローバルモデル４０にとって訓練の不十分なサンプルを多く含んでいることに対応し得る。このようなサンプルを訓練したローカルモデル５０を連合学習に反映することで、性能の良い新たなグローバルモデル４５が得られる可能性が高い。そのため、機械学習における最適化問題が目的関数の値の最小化により構成される場合、ローカルデータ３をグローバルモデル４０に与えて目的関数により算出される誤差が大きいほど評価が高く、誤差が小さいほど評価が低くなるように第１指標（ｆ１）は規定されてよい。評価値の高低がそのまま評価に対応している場合、単純には、目的関数がそのまま第１指標（関数ｆ１）として用いられてよい。なお、一例では、目的関数は、全ての車載装置２で同じであってよい。他の一例では、目的関数は、少なくとも一部の車載装置２でその他の車載装置２と異なっていてもよい。また、各車載装置２で収集されるローカルデータ３のサンプル数が異なる場合、例えば、標準化、サンプル数の調整等により、適正に比較可能にするための操作が行われてよい。
【0035】
第２指標は、計算能力が高いほど評価が高く、計算能力が低いほど評価が低くなるように適宜規定されてよい。第２指標は、関数（ｆ２）と表現されてよい。計算能力は、プロセッサ・リソース、メモリ・リソース等の計算資源の性能に応じて算定されてよい。プロセッサ・リソースは、例えば、ＣＰＵ（Central Processing Unit）、マイクロプロセッ
サ、ＦＰＧＡ（field-programmable gate array）、ＧＰＵ（Graphics Processing Unit
）等を含んでよい。メモリ・リソースは、例えば、ストレージ（ハードディスクドライブ、ソリッドステートドライブ等）、ＲＡＭ（Random Access Memory）、キャッシュメモリ（例えば、Last Level Cache）等を含んでよい。計算能力は、例えば、プロセッサ・リソースの計算速度、メモリ・リソースの容量、メモリ・リソースの読出速度等に基づいて評価されてよい。
サ、ＦＰＧＡ（field-programmable gate array）、ＧＰＵ（Graphics Processing Unit
）等を含んでよい。メモリ・リソースは、例えば、ストレージ（ハードディスクドライブ、ソリッドステートドライブ等）、ＲＡＭ（Random Access Memory）、キャッシュメモリ（例えば、Last Level Cache）等を含んでよい。計算能力は、例えば、プロセッサ・リソースの計算速度、メモリ・リソースの容量、メモリ・リソースの読出速度等に基づいて評価されてよい。
【0036】
第３指標は、通信能力が高いほど評価が高く、通信能力が低いほど評価が低くなるように適宜規定されてよい。第３指標は、関数（ｆ３）と表現されてよい。通信能力は、ローカルモデル５０の送信に使用し得る通信モジュールの性能に応じて算定されてよい。通信能力は、例えば、通信の帯域幅、通信速度等に基づいて評価されてよい。
【0037】
【数1】
評価指標７０が第１指標、第２指標及び第３指標を含む場合、評価指標７０は、上記式１の関数式で構成されてよい。ｋは、対象の車載装置２（車両Ｖ）を示し、Skは、対象の車載装置２で算出される評価値６を示す。ｃｎは、各指標の重み（優先度）である。ｃｎの値は適宜設定されてよい。一例では、各指標の重みｃｎは、オペレータの指定により設定されてよい。なお、関数（ｆ１、ｆ２、ｆ３）の表現は一例であり、各指標の順序は、特に限定されなくてよい。各関数の表現は、実施の形態に応じて適宜決定されてよい。
【0038】
評価指標７０により算出される評価値６と評価との間の関係は、特に限定されなくてよく、実施の形態に応じて適宜決定されてよい。一例では、評価値６の高いことが評価の高いことに対応してよい。他の一例では、評価値６の低いことが評価の高いことに対応してよい。なお、評価が高い（低い）ことは、連合学習に参加する優先度が高い（低い）ことに対応する。連合学習に参加することは、新たなグローバルモデル４５を生成するためにサーバ装置１に自装置で生成したローカルモデル５０を提供することに対応する。
【0039】
また、一例では、図１に示されるとおり、サーバ装置１及び各車載装置２は、ネットワークを介して互いに通信可能（接続可能）に構成されてよい。ネットワークの種類は、特に限定されなくてよく、例えば、インターネット、無線通信網、移動通信網、電話網、専用網等から適宜選択されてよい。
【0040】
［２ 構成例］
［ハードウェア構成例］
＜サーバ装置＞
図２は、本実施形態に係るサーバ装置１のハードウェア構成の一例を模式的に示す。図２に示されるとおり、本実施形態に係るサーバ装置１は、制御部１１、記憶部１２、通信モジュール１３、入力装置１４、出力装置１５、及びドライブ１６が電気的に接続されたコンピュータである。
［ハードウェア構成例］
＜サーバ装置＞
図２は、本実施形態に係るサーバ装置１のハードウェア構成の一例を模式的に示す。図２に示されるとおり、本実施形態に係るサーバ装置１は、制御部１１、記憶部１２、通信モジュール１３、入力装置１４、出力装置１５、及びドライブ１６が電気的に接続されたコンピュータである。
【0041】
制御部１１は、ハードウェアプロセッサであるＣＰＵ、ＲＡＭ、ＲＯＭ（Read Only Memory）、キャッシュメモリ等を含み、プログラム及び各種データに基づいて情報処理を実行するように構成される。制御部１１（ＣＰＵ）は、プロセッサ・リソースの一例である。記憶部１２は、例えば、ハードディスクドライブ、ソリッドステートドライブ等で構成される。記憶部１２は、メモリ・リソースの一例である。本実施形態では、記憶部１２は、プログラム８１、グローバルモデル情報４００、評価指標情報７００等の各種情報を記憶する。
【0042】
プログラム８１は、連合学習に関する情報処理（後述の図７）をサーバ装置１に実行させるためのプログラムである。プログラム８１は、当該情報処理の一連の命令を含む。グローバルモデル情報４００は、グローバルモデル４０を示すように構成される。評価指標情報７００は、評価指標７０を示すように構成される。
【0043】
通信モジュール１３は、例えば、有線ＬＡＮ（Local Area Network）モジュール、無線ＬＡＮモジュール等であり、ネットワークを介した有線又は無線通信を行うように構成される。サーバ装置１は、通信モジュール１３を介して、他のコンピュータ（例えば、各車載装置２）との間でデータ通信を行ってよい。
【0044】
入力装置１４は、例えば、マウス、キーボード等の入力を行うための装置である。出力装置１５は、例えば、ディスプレイ、スピーカ等の出力を行うための装置である。オペレータは、入力装置１４及び出力装置１５を利用することで、サーバ装置１を操作することができる。入力装置１４及び出力装置１５は、例えば、タッチパネルディスプレイ等によ
り一体的に構成されてもよい。
り一体的に構成されてもよい。
【0045】
ドライブ１６は、記憶媒体９１に記憶されたプログラム等の各種情報を読み込むための装置である。上記プログラム８１、グローバルモデル情報４００、及び評価指標情報７００の少なくともいずれかは、記憶媒体９１に記憶されていてもよい。記憶媒体９１は、コンピュータその他装置、機械等が、記憶されたプログラム等の各種情報を読み取り可能なように、当該プログラム等の情報を、電気的、磁気的、光学的、機械的又は化学的作用によって蓄積する媒体である。
【0046】
ここで、図２では、記憶媒体９１の一例として、ＣＤ、ＤＶＤ等のディスク型の記憶媒体を例示している。しかしながら、記憶媒体９１の種類は、ディスク型に限られなくてよい。ディスク型以外の記憶媒体として、例えば、フラッシュメモリ等の半導体メモリを挙げることができる。ドライブ１６の種類は、記憶媒体９１の種類に応じて適宜選択されてよい。
【0047】
なお、サーバ装置１の具体的なハードウェア構成に関して、実施形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、制御部１１は、複数のハードウェアプロセッサを含んでもよい。ハードウェアプロセッサは、マイクロプロセッサ、ＦＰＧＡ、ＧＰＵ等で構成されてよい。入力装置１４、出力装置１５及びドライブ１６の少なくともいずれかは省略されてもよい。サーバ装置１は、複数台のコンピュータにより構成されてよい。この場合、各コンピュータのハードウェア構成は、一致していてもよいし、或いは一致していなくてもよい。サーバ装置１は、提供されるサービス専用に設計されたコンピュータの他、汎用のコンピュータ等であってよい。
【0048】
＜車載装置＞
図３は、本実施形態に係る車載装置２のハードウェア構成の一例を模式的に示す。図３に示されるとおり、本実施形態に係る車載装置２は、制御部２１、記憶部２２、通信モジュール２３、入力装置２４、出力装置２５、ドライブ２６、近接通信モジュール２７、及び外部インタフェース２８が電気的に接続されたコンピュータである。
図３は、本実施形態に係る車載装置２のハードウェア構成の一例を模式的に示す。図３に示されるとおり、本実施形態に係る車載装置２は、制御部２１、記憶部２２、通信モジュール２３、入力装置２４、出力装置２５、ドライブ２６、近接通信モジュール２７、及び外部インタフェース２８が電気的に接続されたコンピュータである。
【0049】
制御部２１は、ハードウェアプロセッサであるＣＰＵ、ＲＡＭ、ＲＯＭ等を含み、プログラム及びデータに基づいて各種情報処理を実行するように構成される。制御部２１（ＣＰＵ）は、プロセッサ・リソースの一例である。記憶部２２は、メモリ・リソースの一例であり、例えば、ハードディスクドライブ、ソリッドステートドライブ等で構成される。本実施形態では、記憶部２２は、プログラム８２、グローバルモデル情報４００、評価指標情報７００、ローカルデータ３、ローカルモデル情報５００等の各種情報を記憶する。
【0050】
プログラム８２は、連合学習に関する情報処理（後述の図７及び図８）を車載装置２に実行させるためのプログラムである。プログラム８２は、当該情報処理の一連の命令を含む。ローカルモデル情報５００は、生成されたローカルモデル５０に関する情報を示すように構成される。
【0051】
通信モジュール２３は、例えば、無線ＬＡＮモジュール等であり、ネットワークを介した無線通信を行うように構成される。車載装置２は、通信モジュール２３を介して、他のコンピュータ（例えば、サーバ装置１）との間でデータ通信を行ってよい。入力装置２４及び出力装置２５は、入力装置１４及び出力装置１５と同様に構成されてよい。オペレータ（例えば、車両Ｖの搭乗者）は、入力装置２４及び出力装置２５を利用することで、車載装置２を操作することができる。
【0052】
ドライブ２６及び記憶媒体９２は、ドライブ１６及び記憶媒体９１と同様に構成されて
よい。上記プログラム８２、グローバルモデル情報４００、評価指標情報７００、ローカルデータ３、及びローカルモデル情報５００の少なくともいずれかは、記憶媒体９２に記憶されていてもよい。
よい。上記プログラム８２、グローバルモデル情報４００、評価指標情報７００、ローカルデータ３、及びローカルモデル情報５００の少なくともいずれかは、記憶媒体９２に記憶されていてもよい。
【0053】
近接通信モジュール２７は、近接通信によるデータ授受を実行可能に構成される。一例では、近接通信モジュール２７は、ビーコンモジュールであってよい。ビーコンモジュールの種類は、実施の形態に応じて適宜選択されてよい。近接通信モジュール２７には、公知の種類のビーコンモジュールが採用されてよい。本実施形態では、近接通信モジュール２７は、自装置以外の他の車載装置２と近接通信を行うのに用いられる。ただし、近接通信モジュール２７の使用用途は、これに限られる訳ではない。近接通信モジュール２７は、他の目的で使用されてもよい。また、近接通信モジュール２７の種類は、ビーコンモジュールに限られなくてよい。その他の一例では、近接通信モジュール２７は、例えば、Wi-Fi（登録商標）、Bluetooth（登録商標）、D2D等の近接通信を実行可能に構成されてよ
い。
い。
【0054】
外部インタフェース２８は、例えば、ＵＳＢ（Universal Serial Bus）ポート、専用ポート等であり、外部装置と接続するためのインタフェースである。外部インタフェース２８の種類及び数は、接続される外部装置の種類及び数に応じて適宜決定されてよい。本実施形態では、車載装置２は、外部インタフェース２８を介して、センサＳに接続されてよい。センサＳは、例えば、画像センサ（カメラ等）、近接センサ、Lidar（light detection and ranging）センサ、Radar等であってよい。グローバルモデル（４０、４５）及び
ローカルモデル５０により遂行される推論タスクは、センサＳにより得られるセンシングデータから推論結果を導出することであってよい。この場合、ローカルデータ３の収集には、センサＳが用いられてよい。
ローカルモデル５０により遂行される推論タスクは、センサＳにより得られるセンシングデータから推論結果を導出することであってよい。この場合、ローカルデータ３の収集には、センサＳが用いられてよい。
【0055】
なお、車載装置２の具体的なハードウェア構成に関して、実施形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、制御部２１は、複数のハードウェアプロセッサを含んでもよい。ハードウェアプロセッサは、マイクロプロセッサ、ＦＰＧＡ、ＧＰＵ等で構成されてよい。入力装置２４、出力装置２５、ドライブ２６、及び外部インタフェース２８の少なくともいずれかは省略されてもよい。車載装置２は、複数台のコンピュータにより構成されてよい。この場合、各コンピュータのハードウェア構成は、一致していてもよいし、或いは一致していなくてもよい。車載装置２は、提供されるサービス専用に設計されたコンピュータの他、汎用のコンピュータ、スマートフォンを含む携帯電話、タブレットＰＣ（Personal Computer）等であってよい。
【0056】
［ソフトウェア構成例］
＜サーバ装置＞
図４は、本実施形態に係るサーバ装置１のソフトウェア構成の一例を模式的に示す。サーバ装置１の制御部１１は、記憶部１２に記憶されたプログラム８１をＲＡＭに展開する。そして、制御部１１は、ＲＡＭに展開されたプログラム８１に含まれる命令をＣＰＵにより実行する。これにより、図４に示されるとおり、本実施形態に係るサーバ装置１は、モデル配信部１１１、指標配信部１１２、モデル受信部１１３、及び統合処理部１１４をソフトウェアモジュールとして備えるコンピュータとして動作する。すなわち、本実施形態では、サーバ装置１の各ソフトウェアモジュールは、制御部１１（ＣＰＵ）により実現される。
＜サーバ装置＞
図４は、本実施形態に係るサーバ装置１のソフトウェア構成の一例を模式的に示す。サーバ装置１の制御部１１は、記憶部１２に記憶されたプログラム８１をＲＡＭに展開する。そして、制御部１１は、ＲＡＭに展開されたプログラム８１に含まれる命令をＣＰＵにより実行する。これにより、図４に示されるとおり、本実施形態に係るサーバ装置１は、モデル配信部１１１、指標配信部１１２、モデル受信部１１３、及び統合処理部１１４をソフトウェアモジュールとして備えるコンピュータとして動作する。すなわち、本実施形態では、サーバ装置１の各ソフトウェアモジュールは、制御部１１（ＣＰＵ）により実現される。
【0057】
モデル配信部１１１は、グローバルモデル４０を示すグローバルモデル情報４００を複数の車載装置２それぞれに送信するように構成される。指標配信部１１２は、評価指標７０を示す評価指標情報７００を複数の車載装置２それぞれに送信するように構成される。本実施形態では、モデル配信部１１１及び指標配信部１１２の動作により、グローバルモ
デル４０及び評価指標７０が、サーバ装置１から各車載装置２に配信される。
デル４０及び評価指標７０が、サーバ装置１から各車載装置２に配信される。
【0058】
モデル受信部１１３は、複数の車載装置２のうちの少なくとも１つの車載装置２から、ローカルモデル５０を示すローカルモデル情報５００を受信するように構成される。少なくとも１つの車載装置２はそれぞれ、評価値６による選択プロセスの結果、評価が高いと判定した車載装置２である。選択プロセスは、自装置と他の車載装置２との間で近接通信により評価値６をやり取りし、自装置の評価値６と他の車載装置２の評価値６とを比較することを含む。
【0059】
統合処理部１１４は、少なくとも１つの車載装置２から受信したローカルモデル情報５００により示されるローカルモデル５０を統合することにより、新たなグローバルモデル４５を生成するように構成される。統合処理部１１４は、新たなグローバルモデル４５を示すグローバルモデル情報４５０を生成し、生成されたグローバルモデル情報４５０を所定の記憶領域（例えば、制御部１１のＲＡＭ、記憶部１２、記憶媒体９１、外部記憶装置等）に保存するように更に構成されてよい。
【0060】
＜車載装置＞
図５は、本実施形態に係る車載装置２のソフトウェア構成の一例を模式的に示す。車載装置２の制御部２１は、記憶部２２に記憶されたプログラム８２をＲＡＭに展開する。そして、制御部２１は、ＲＡＭに展開されたプログラム８２に含まれる命令をＣＰＵにより実行する。これにより、図５に示されるとおり、本実施形態に係る車載装置２は、モデル取得部２１１、指標取得部２１２、データ収集部２１３、機械学習部２１４、評価値算出部２１５、評価値送信部２１６、評価値受信部２１７、評価部２１８、及びモデル送信部２１９をソフトウェアモジュールとして備えるコンピュータとして動作する。すなわち、本実施形態では、サーバ装置１と同様に、車載装置２の各ソフトウェアモジュールも、制御部２１（ＣＰＵ）により実現される。
図５は、本実施形態に係る車載装置２のソフトウェア構成の一例を模式的に示す。車載装置２の制御部２１は、記憶部２２に記憶されたプログラム８２をＲＡＭに展開する。そして、制御部２１は、ＲＡＭに展開されたプログラム８２に含まれる命令をＣＰＵにより実行する。これにより、図５に示されるとおり、本実施形態に係る車載装置２は、モデル取得部２１１、指標取得部２１２、データ収集部２１３、機械学習部２１４、評価値算出部２１５、評価値送信部２１６、評価値受信部２１７、評価部２１８、及びモデル送信部２１９をソフトウェアモジュールとして備えるコンピュータとして動作する。すなわち、本実施形態では、サーバ装置１と同様に、車載装置２の各ソフトウェアモジュールも、制御部２１（ＣＰＵ）により実現される。
【0061】
モデル取得部２１１は、グローバルモデル４０を示すグローバルモデル情報４００を取得するように構成される。本実施形態では、モデル取得部２１１は、サーバ装置１から配信されるグローバルモデル情報４００を受信するように構成される。指標取得部２１２は、評価指標７０を示す評価指標情報７００を取得するように構成される。本実施形態では、指標取得部２１２は、サーバ装置１から配信される評価指標情報７００を受信するように構成される。
【0062】
データ収集部２１３は、ローカルデータ３を収集するように構成される。機械学習部２１４は、収集されたローカルデータ３を使用して、グローバルモデル４０の機械学習を実施することで、ローカルモデル５０を生成するように構成される。機械学習部２１４は、ローカルモデル５０を示すローカルモデル情報５００を生成し、生成されたローカルモデル情報５００を所定の記憶領域（例えば、制御部２１のＲＡＭ、記憶部２２、記憶媒体９２、外部記憶装置等）に保存するように更に構成されてよい。
【0063】
評価値算出部２１５は、取得した評価指標情報７００により示される評価指標７０に従って評価値６（６ｓ）を算出するように構成される。評価値送信部２１６は、近接通信により、自己の車両Ｖ付近に存在する１台以上の他の車両Ｖそれぞれに搭載された他の車載装置２に向けて、算出した評価値６（６ｓ）を送信するように構成される。評価値受信部２１７は、近接通信により、１台以上の他の車両Ｖそれぞれに搭載された他の車載装置２から、当該他の車載装置２で評価指標７０に従って算出された評価値６（６ｔ）を受信するように構成される。なお、以下の説明では、自装置（対象の車載装置２）の評価値に符号「６ｓ」を付し、対象の車載装置２から見て他の車載装置２の評価値に符号「６ｔ」を付す場合がある。
【0064】
評価部２１８は、算出した評価値６ｓ及び他の車載装置２から受信した評価値６ｔを比較することで、評価が高いか否かを判定するように構成される。モデル送信部２１９は、自装置の評価が高いと判定した場合に、生成したローカルモデル５０を示すローカルモデル情報５００をサーバ装置１に送信するように構成される。
【0065】
（機械学習方法の一例）
図６は、機械学習部２１４によるグローバルモデル４０の機械学習の処理過程の一例を模式的に示す。グローバルモデル（４０、４５）及びローカルモデル５０は、機械学習モデルにより構成される。機械学習モデルは、推論タスクを解く演算処理を実行するための１つ以上の演算パラメータであって、機械学習により値が調整される１つ以上の演算パラメータを備える。移動体に関する推論タスクを解く演算を実行可能であれば、機械学習モデルの種類、構成、及び構造は、特に限定されなくてよく、実施の形態に応じて適宜決定されてよい。
図６は、機械学習部２１４によるグローバルモデル４０の機械学習の処理過程の一例を模式的に示す。グローバルモデル（４０、４５）及びローカルモデル５０は、機械学習モデルにより構成される。機械学習モデルは、推論タスクを解く演算処理を実行するための１つ以上の演算パラメータであって、機械学習により値が調整される１つ以上の演算パラメータを備える。移動体に関する推論タスクを解く演算を実行可能であれば、機械学習モデルの種類、構成、及び構造は、特に限定されなくてよく、実施の形態に応じて適宜決定されてよい。
【0066】
図６は、典型例として、グローバルモデル４０を構成する機械学習モデルにニューラルネットワークを採用し、機械学習の手法に教師あり学習を採用した場面の一例を示している。この場合、各ノード（ニューロン）間の結合の重み、各ノードの閾値等が、演算パラメータの一例である。ニューラルネットワークの種類及び構造（例えば、各層の種類、層の数、各層のノードの数、ノードの接続関係等）は、実施の形態に応じて適宜決定されてよい。グローバルモデル４０は、例えば、全結合型ニューラルネットワーク、畳み込みニューラルネットワーク、再帰型ニューラルネットワーク、これらの組み合わせ等により構成されてよい。
【0067】
図６の一例では、ローカルデータ３は、複数のデータセット３０により構成される。各データセット３０は、訓練データ３１及び正解ラベル３３の組み合わせにより構成され、機械学習における訓練対象のサンプルとして使用される。訓練データ３１は、説明変数のサンプルであり、機械学習において機械学習モデルに入力される。推論タスクが、センシングデータから推論結果を導出することである場合、訓練データ３１は、センサＳにより得られるセンシングデータにより構成されてよい。正解ラベル３３は、入力された説明変数のサンプルに対する目的変数の真値、すなわち、対応する訓練データ３１に対する推論タスクの解（真値）を示すように構成される。機械学習において、訓練データ３１は入力データとして使用され、正解ラベル３３は教師信号として使用される。
【0068】
訓練データ３１は、適宜収集されてよい。一例では、各車載装置２の制御部２１は、グローバルモデル４０による推論タスクの遂行を運用しながら、データ収集部２１３として訓練データ３１を収集してよい。この場合、制御部２１は、グローバルモデル４０が誤った推論結果を導出した入力データを優先的に訓練データ３１として収集してよい。連合学習の処理を繰り返し実行するケースで、過去の処理でローカルモデル５０が暫定的に生成されている場合、制御部２１は、ローカルモデル５０による推論タスクの遂行を運用しながら、訓練データ３１を収集してよい。これに対して、正解ラベル３３は、得られた訓練データ３１に対する推論の正解を示すように適宜得られてよい。一例では、正解ラベル３３は、オペレータの入力により得られてよい。他の一例では、正解ラベル３３は、任意の推論処理により獲得されてもよい。正解ラベル３３は、他のセンサから得られる情報に基づいて獲得されてもよい。各データセット３０は、コンピュータの動作により自動的に生成されてもよいし、或いは少なくとも部分的にオペレータの操作を含むことで手動的に生成されてもよい。
【0069】
機械学習部２１４は、機械学習の処理として、グローバルモデル情報４００を参照し、グローバルモデル４０の初期設定を行う。グローバルモデル４０の情報が既に展開されて
いる場合、この処理は省略されてよい。次に、機械学習部２１４は、各データセット３０について、訓練データ３１を与えることでグローバルモデル４０から得られる出力値（推論結果）が正解ラベル３３により示される真値に適合するものとなるようにグローバルモデル４０を訓練する。グローバルモデル４０を訓練することは、グローバルモデル４０を構成する演算パラメータの値を調整（最適化）することにより構成される。演算パラメータの調整方法（最適化問題を解く方法）は、グローバルモデル４０に採用する機械学習モデルの種類、構成、構造等に応じて適宜決定されてよい。
いる場合、この処理は省略されてよい。次に、機械学習部２１４は、各データセット３０について、訓練データ３１を与えることでグローバルモデル４０から得られる出力値（推論結果）が正解ラベル３３により示される真値に適合するものとなるようにグローバルモデル４０を訓練する。グローバルモデル４０を訓練することは、グローバルモデル４０を構成する演算パラメータの値を調整（最適化）することにより構成される。演算パラメータの調整方法（最適化問題を解く方法）は、グローバルモデル４０に採用する機械学習モデルの種類、構成、構造等に応じて適宜決定されてよい。
【0070】
調整方法の一例として、グローバルモデル４０がニューラルネットワークにより構成される場合、機械学習部２１４は、各データセット３０の訓練データ３１をグローバルモデル４０に入力し、グローバルモデル４０の順伝播の演算処理を実行する。この演算処理の結果、機械学習部２１４は、訓練データ３１に対する推論結果に対応する出力値をグローバルモデル４０から取得する。機械学習部２１４は、得られた出力値と対応する正解ラベル３３により示される真値との間の誤差を算出し、算出された誤差の勾配を更に算出する。機械学習部２１４は、誤差逆伝播法により、算出された誤差の勾配を逆伝播することで、グローバルモデル４０の演算パラメータの値の誤差を算出する。機械学習部２１４は、算出された誤差に基づいて、演算パラメータの値を更新する。
【0071】
機械学習部２１４は、この一連の更新処理により、訓練データ３１を与えることで得られる出力値（推論結果）と正解ラベル３３により示される真値との間の誤差の和が小さくなるように、グローバルモデル４０の演算パラメータの値を調整する。この演算パラメータの値の調整は、例えば、設定された反復回数の調整を実行する、算出される誤差の和が閾値以下になる等の所定の条件を満たすまで繰り返されてよい。また、例えば、誤差を算出するための目的関数（コスト関数、損失関数、誤差関数）、学習率等の機械学習の条件は、実施の形態に応じて適宜設定されてよい。この機械学習の処理により、ローカルモデル５０を生成することができる。機械学習部２１４は、ローカルモデル５０を示すローカルモデル情報５００を生成する。
【0072】
なお、機械学習の手法は、図６に示される教師あり学習に限られなくてよい。他の一例では、機械学習の手法には、教師なし学習（敵対的学習を含む）又は強化学習が採用されてよい。ローカルデータ３の構成は、採用する機械学習の手法、機械学習モデルの種類等に応じて適宜決定されてよい。また、グローバルモデル４０を構成する機械学習モデルは、ニューラルネットワークに限られなくてよい。他の一例では、グローバルモデル４０は、回帰モデル、サポートベクタマシン等により構成されてよい。
【0073】
＜その他＞
本実施形態では、サーバ装置１及び車載装置２の各ソフトウェアモジュールがいずれも汎用のＣＰＵによって実現される例について説明している。しかしながら、上記ソフトウェアモジュールの一部又は全部が、１又は複数の専用のプロセッサにより実現されてもよい。上記各モジュールは、ハードウェアモジュールとして実現されてもよい。サーバ装置１及び車載装置２のソフトウェア構成に関して、実施形態に応じて、適宜、モジュールの省略、置換及び追加が行われてもよい。
本実施形態では、サーバ装置１及び車載装置２の各ソフトウェアモジュールがいずれも汎用のＣＰＵによって実現される例について説明している。しかしながら、上記ソフトウェアモジュールの一部又は全部が、１又は複数の専用のプロセッサにより実現されてもよい。上記各モジュールは、ハードウェアモジュールとして実現されてもよい。サーバ装置１及び車載装置２のソフトウェア構成に関して、実施形態に応じて、適宜、モジュールの省略、置換及び追加が行われてもよい。
【0074】
［３ 動作例］
図７は、本実施形態に係るサーバ装置１及び各車載装置２の間で実行される連合学習の処理過程の一例を示すシーケンス図である。以下の処理手順は、情報処理方法の一例である。ただし、以下の処理手順は、一例に過ぎず、各ステップは可能な限り変更されてよい。また、以下の処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。
図７は、本実施形態に係るサーバ装置１及び各車載装置２の間で実行される連合学習の処理過程の一例を示すシーケンス図である。以下の処理手順は、情報処理方法の一例である。ただし、以下の処理手順は、一例に過ぎず、各ステップは可能な限り変更されてよい。また、以下の処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。
【0075】
＜ステップＳ１１及びステップＳ２１＞
ステップＳ１１では、サーバ装置１の制御部１１は、モデル配信部１１１として動作し、通信モジュール１３を使用して、グローバルモデル４０を示すグローバルモデル情報４００を各車載装置２に送信する。
ステップＳ１１では、サーバ装置１の制御部１１は、モデル配信部１１１として動作し、通信モジュール１３を使用して、グローバルモデル４０を示すグローバルモデル情報４００を各車載装置２に送信する。
【0076】
送信範囲及び送信方法は、実施の形態に応じて適宜選択されてよい。一例として、制御部１１は、ブロードキャストにより、グローバルモデル情報４００（グローバルモデル４０）を各車載装置２に送信してもよい。これにより、無線通信の帯域幅を節約することができる。また、ローカルモデル５０を統合する地理的な範囲が任意に規定されてよく、規定された範囲毎に配信するグローバルモデル４０が選択されてよい。この場合、一部に配信されるグローバルモデル４０とその他に配信されるグローバルモデル４０とが異なっていてもよい。グローバルモデル４０の配信方法にブロードキャストを採用する場合、地理的な範囲は、ブロードキャストの範囲に応じて規定されてよい。
【0077】
グローバルモデル４０は、訓練前の機械学習モデルであってもよいし、或いは訓練済みの機械学習モデルであってもよい。グローバルモデル４０が訓練済みの機械学習モデルである場合、グローバルモデル４０は、サーバ装置１による機械学習により生成されたものであってもよいし、或いは事前の連合学習による統合処理で生成されたものであってもよい（例えば、後述するステップＳ３３の統合処理が完了後、新たなグローバルモデル４５をグローバルモデル４０としてステップＳ１１から再度処理を実行するケース）。
【0078】
サーバ装置１が、機械学習を実施することで、グローバルモデル４０を生成する場合、制御部１１は、グローバルデータを取得してよい。グローバルデータは、ローカルデータ３と同様に構成されてよい。グローバルデータは、例えば、実験環境でのデータ生成、車載装置２からの提供等により収集されてよい。そして、制御部１１は、得られたグローバルデータを使用して、機械学習を実施することにより、グローバルモデル４０を生成してもよい。グローバルモデル４０を生成する機械学習の方法は、ローカルモデル５０を生成する機械学習の方法と同様であってよい。一例では、図６の例と同様に、グローバルデータは、訓練データ及び正解ラベルの組み合わせをそれぞれ含む複数のデータセットにより構成されてよく、グローバルモデル４０は、教師あり学習により生成されてよい。
【0079】
グローバルモデル情報４００の構成は、グローバルモデル４０を再生可能であれば、特に限定されなくてよく、実施の形態に応じて適宜決定されてよい。一例では、グローバルモデル情報４００は、グローバルモデル４０に含まれる演算パラメータの値を示す情報を含んでよい。場合によって、グローバルモデル情報４００は、グローバルモデル４０の構造を示す情報を更に含んでもよい。構造は、例えば、入力層から出力層までの層の数、各層の種類、各層に含まれるニューロンの数、隣接する層のニューロン同士の結合関係等により特定されてよい。
【0080】
ステップＳ１１の処理に応じて、ステップＳ２１では、各車載装置２の制御部２１は、モデル取得部２１１として動作し、通信モジュール２３を使用して、サーバ装置１からグローバルモデル情報４００を受信する。これにより、各車載装置２は、グローバルモデル４０を取得する。
【0081】
＜ステップＳ１３及びステップＳ２３＞
ステップＳ１３では、サーバ装置１の制御部１１は、指標配信部１１２として動作し、通信モジュール１３を使用して、評価指標７０を示す評価指標情報７００を各車載装置２に送信する。
ステップＳ１３では、サーバ装置１の制御部１１は、指標配信部１１２として動作し、通信モジュール１３を使用して、評価指標７０を示す評価指標情報７００を各車載装置２に送信する。
【0082】
ステップＳ１１と同様に、送信範囲及び送信方法は、実施の形態に応じて適宜選択され
てよい。一例として、制御部１１は、ブロードキャストにより、評価指標情報７００を各車載装置２に送信してもよい。これにより、無線通信の帯域幅を節約することができる。また、配信する評価指標７０は、地理的な範囲毎に選択されてよい。この場合、一部に配信される評価指標７０とその他に配信される評価指標７０とが異なっていてもよい。評価指標情報７００の配信方法にブロードキャストを採用する場合、地理的な範囲は、ブロードキャストの範囲に応じて規定されてよい。
てよい。一例として、制御部１１は、ブロードキャストにより、評価指標情報７００を各車載装置２に送信してもよい。これにより、無線通信の帯域幅を節約することができる。また、配信する評価指標７０は、地理的な範囲毎に選択されてよい。この場合、一部に配信される評価指標７０とその他に配信される評価指標７０とが異なっていてもよい。評価指標情報７００の配信方法にブロードキャストを採用する場合、地理的な範囲は、ブロードキャストの範囲に応じて規定されてよい。
【0083】
評価指標情報７００の構成は、評価指標７０を特定し、評価値６を算出可能であれば、特に限定されなくてよく、実施の形態に応じて適宜決定されてよい。一例では、評価指標情報７００は、上記式１の関係式を示すように構成されてよい。他の一例では、各指標の関数が各車載装置２間で予め共有されている場合に、評価指標情報７００は、各指標の重みｃｎを示すように構成されてよい（各指標の関数の情報は省略されてよい）。この場合、各指標の重みｃｎは、地理的な範囲毎に適宜設定されてよく、制御部１１は、ブロードキャストにより、各指標の重みｃｎを評価指標情報７００として各車載装置２に送信してよい。
【0084】
ステップＳ１３の処理に応じて、ステップＳ２３では、各車載装置２の制御部２１は、指標取得部２１２として動作し、通信モジュール２３を使用して、サーバ装置１から評価指標情報７００を取得する。これにより、各車載装置２は、評価指標７０を取得する。
【0085】
＜ステップＳ２５＞
ステップＳ２５では、各車載装置２の制御部２１は、ローカルモデル５０の生成及び自律分散的な車両Ｖの選択処理を実行する。
ステップＳ２５では、各車載装置２の制御部２１は、ローカルモデル５０の生成及び自律分散的な車両Ｖの選択処理を実行する。
【0086】
図８は、本実施形態に係る各車載装置２によるローカルモデル５０の生成プロセス及び自律分散的な選択プロセスに関する処理手順の一例を示すフローチャートである。本実施形態に係るステップＳ２５の処理は、以下のステップＳ２５１～ステップＳ２５８の処理を含んでよい。ただし、図８に示される処理手順は一例に過ぎず、各処理は可能な限り変更されてよい。また、図８に示される処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。
【0087】
（ステップＳ２５１及びステップＳ２５２）
ステップＳ２５１では、各車載装置２の制御部２１は、データ収集部２１３として動作し、ローカルデータ３を収集する。ステップＳ２５２では、各車載装置２の制御部２１は、機械学習部２１４として動作し、収集されたローカルデータ３を使用して、受信したグローバルモデル４０の機械学習を実施することで、ローカルモデル５０を生成する。一例では、図６に示されるとおり、ローカルデータ３は、訓練データ３１及び正解ラベル３３の組み合わせをそれぞれ含む複数のデータセット３０により構成されてよく、ローカルモデル５０は、教師あり学習により生成されてよい。
ステップＳ２５１では、各車載装置２の制御部２１は、データ収集部２１３として動作し、ローカルデータ３を収集する。ステップＳ２５２では、各車載装置２の制御部２１は、機械学習部２１４として動作し、収集されたローカルデータ３を使用して、受信したグローバルモデル４０の機械学習を実施することで、ローカルモデル５０を生成する。一例では、図６に示されるとおり、ローカルデータ３は、訓練データ３１及び正解ラベル３３の組み合わせをそれぞれ含む複数のデータセット３０により構成されてよく、ローカルモデル５０は、教師あり学習により生成されてよい。
【0088】
機械学習が完了した後、各車載装置２の制御部２１は、ローカルモデル５０を示すローカルモデル情報５００を生成する。ローカルモデル情報５００の構成は、ローカルモデル５０を再生可能であれば、特に限定されなくてよく、実施の形態に応じて適宜決定されてよい。一例では、グローバルモデル情報４００と同様に、ローカルモデル情報５００は、機械学習により調整された、ローカルモデル５０に含まれる演算パラメータの値を示す情報を含んでよい。場合によって、ローカルモデル情報５００は、ローカルモデル５０の構造を示す情報を更に含んでもよい。他の一例では、ローカルモデル情報５００は、グローバルモデル４０からローカルモデル５０への更新（すなわち、グローバルモデル４０及びローカルモデル５０の間の演算パラメータの値の差分）を示すように構成されてよい。
【0089】
なお、ローカルモデル５０を生成した後、各車載装置２は、グローバルモデル情報４００をそのまま保持してもよいし、或いはグローバルモデル情報４００を削除してもよい（例えば、ローカルモデル情報５００で上書きしてもよい）。また、生成されたローカルモデル５０は、各車載装置２において任意のタイミングで推論タスクを解くのに利用されてよい。機械学習が完了した後、各車載装置２の制御部２１は、次のステップＳ２５３に処理を進める。
【0090】
（ステップＳ２５３）
ステップＳ２５３では、各車載装置２の制御部２１は、評価値算出部２１５として動作し、受信した評価指標情報７００により示される評価指標７０に従って自装置の評価値６ｓを算出する。本実施形態では、評価指標７０は、上記第１指標、第２指標及び第３指標の少なくともいずれかを含んでよい。また、評価指標７０は、関数により表現されてよい。これに応じて、各車載装置２の制御部２１は、評価指標７０を表現する関数（例えば、上記式１）の演算処理を実行することで、自装置の評価値６ｓを算出してよい。自装置の評価値６ｓを算出すると、制御部２１は、次のステップＳ２５４に処理を進める。
ステップＳ２５３では、各車載装置２の制御部２１は、評価値算出部２１５として動作し、受信した評価指標情報７００により示される評価指標７０に従って自装置の評価値６ｓを算出する。本実施形態では、評価指標７０は、上記第１指標、第２指標及び第３指標の少なくともいずれかを含んでよい。また、評価指標７０は、関数により表現されてよい。これに応じて、各車載装置２の制御部２１は、評価指標７０を表現する関数（例えば、上記式１）の演算処理を実行することで、自装置の評価値６ｓを算出してよい。自装置の評価値６ｓを算出すると、制御部２１は、次のステップＳ２５４に処理を進める。
【0091】
（ステップＳ２５４～ステップＳ２５６）
ステップＳ２５４では、各車載装置２の制御部２１は、評価値送信部２１６として動作し、近接通信により、自己の車両Ｖ付近に存在する１台以上の他の車両Ｖそれぞれに搭載された他の車載装置２に向けて、自装置の算出した評価値６ｓを送信する。ステップＳ２５５では、各車載装置２の制御部２１は、評価値受信部２１７として動作し、１台以上の他の車両Ｖそれぞれに搭載された他の車載装置２から、当該他の車載装置２で評価指標７０に従って算出された評価値６ｔを受信する。
ステップＳ２５４では、各車載装置２の制御部２１は、評価値送信部２１６として動作し、近接通信により、自己の車両Ｖ付近に存在する１台以上の他の車両Ｖそれぞれに搭載された他の車載装置２に向けて、自装置の算出した評価値６ｓを送信する。ステップＳ２５５では、各車載装置２の制御部２１は、評価値受信部２１７として動作し、１台以上の他の車両Ｖそれぞれに搭載された他の車載装置２から、当該他の車載装置２で評価指標７０に従って算出された評価値６ｔを受信する。
【0092】
ステップＳ２５４及びステップＳ２５５の処理を実行するタイミングは、各車載装置２間において任意の方法で調整されてよい。一例では、ステップＳ２５４による評価値６ｓの送信及びステップＳ２５５による評価値６ｔの受信の試行を実行する時間帯が予め決められていてよい。この場合、実行する時間帯の情報は、各車載装置２間で適宜共有されてよい。
【0093】
ステップＳ２５４及びステップＳ２５５の近接通信には、近接通信モジュール２７が用いられる。本実施形態では、各車載装置２は、近接通信モジュール２７としてビーコンモジュールを備えてよい。これに応じて、制御部２１は、ビーコンモジュールを用いて、近接通信を行ってもよい。これにより、安価に近接通信できる。なお、評価値６ｓの送信範囲は、近接通信モジュール２７の種類等に応じて適宜決定されてよい。
【0094】
また、送信方法は、実施の形態に応じて適宜選択されてよい。一例では、各車載装置２の制御部２１は、ステップＳ２５４の近接通信において、ブロードキャストで評価値６ｓを送信してもよい。ステップＳ２５５では、各車載装置２の制御部２１は、他の車載装置２からのブロードキャストを聴くことで、他の車載装置２から評価値６ｔの取得を試行してよい。これにより、近接通信の帯域幅を節約することができる。
【0095】
ステップＳ２５６では、各車載装置２の制御部２１は、一定期間内に他の車載装置２から評価値６ｔが得られたか否かを判定する。一定期間内に他の車載装置２から評価値６ｔが得られないことは、その一定期間の間、近接通信可能な範囲に他の車載装置２（他の車両Ｖ）が存在しないことに対応する。本実施形態に係る情報処理方法は、このような車載装置２を連合学習に参加させるように構成される。すなわち、一定期間内に他の車載装置２から評価値６ｔが得られなかった（タイムアウトした）場合、制御部２１は、ステップＳ２７に処理を進める。一方、一定期間内に１台以上の他の車両Ｖそれぞれに搭載された他の車載装置２から評価値６ｔを得た場合、制御部２１は、ステップＳ２５７に処理を進
める。
める。
【0096】
（ステップＳ２５７及びステップＳ２５８）
ステップＳ２５７では、制御部２１は、評価部２１８として動作し、自装置の算出した評価値６ｓ及び他の車載装置２から受信した評価値６ｔを比較することで、評価が高いか否かを判定する。
ステップＳ２５７では、制御部２１は、評価部２１８として動作し、自装置の算出した評価値６ｓ及び他の車載装置２から受信した評価値６ｔを比較することで、評価が高いか否かを判定する。
【0097】
評価が高いと判定する範囲は、実施の形態に応じて適宜決定されてよい。一例では、評価値（６ｓ、６ｔ）の比較の結果、最も評価が高い場合に、制御部２１は、評価が高いと判定し、それ以外の場合は、評価が高くないと判定してよい。他の一例では、評価値（６ｓ、６ｔ）の比較の結果、評価が高い方から数えて任意数番目以内である場合に、制御部２１は、評価が高いと判定し、それ以外の場合は、評価が高くないと判定してよい。
【0098】
ステップＳ２５８では、制御部２１は、ステップＳ２５７の比較の結果に応じて、処理の分岐先を決定する。評価が高いと判定した場合、制御部２１は、ステップＳ２７に処理を進める。一方、評価が高くないと判定した場合、車載装置２の制御部２１は、ステップＳ２７の処理を省略し、本動作例に係る処理手順を終了する。
【0099】
＜ステップＳ２７＞
ステップＳ２７では、制御部２１は、モデル送信部２１９として動作し、通信モジュール２３を使用して、自装置の生成したローカルモデル５０を示すローカルモデル情報５００をサーバ装置１に送信する。本実施形態では、ステップＳ２７の処理は、ステップＳ２５６の処理で一定期間内に他の車載装置２の評価値６ｔが得られなかった車載装置２、及びステップＳ２５７の比較の結果、評価が高いと判定した少なくとも１つの車載装置２により実行される。ローカルモデル情報５００の送信が完了すると、車載装置２の制御部２１は、本動作例に係る処理手順を終了する。
ステップＳ２７では、制御部２１は、モデル送信部２１９として動作し、通信モジュール２３を使用して、自装置の生成したローカルモデル５０を示すローカルモデル情報５００をサーバ装置１に送信する。本実施形態では、ステップＳ２７の処理は、ステップＳ２５６の処理で一定期間内に他の車載装置２の評価値６ｔが得られなかった車載装置２、及びステップＳ２５７の比較の結果、評価が高いと判定した少なくとも１つの車載装置２により実行される。ローカルモデル情報５００の送信が完了すると、車載装置２の制御部２１は、本動作例に係る処理手順を終了する。
【0100】
＜ステップＳ３１＞
図７に戻り、ステップＳ３１では、サーバ装置１の制御部１１は、モデル受信部１１３として動作し、ステップＳ２７の処理を実行した少なくとも１つの車載装置２から、ローカルモデル５０を示すローカルモデル情報５００を受信する。ローカルモデル情報５００を受信すると、制御部１１は、次のステップＳ３３に処理を進める。
図７に戻り、ステップＳ３１では、サーバ装置１の制御部１１は、モデル受信部１１３として動作し、ステップＳ２７の処理を実行した少なくとも１つの車載装置２から、ローカルモデル５０を示すローカルモデル情報５００を受信する。ローカルモデル情報５００を受信すると、制御部１１は、次のステップＳ３３に処理を進める。
【0101】
＜ステップＳ３３＞
ステップＳ３３では、制御部１１は、統合処理部１１４として動作し、少なくとも１つの車載装置２から受信したローカルモデル情報５００により示されるローカルモデル５０を統合することにより、新たなグローバルモデル４５を生成する。複数のローカルモデル５０を統合することは、各ローカルモデル５０に含まれる対応する演算パラメータ同士の値を平均化すること、対応する演算パラメータ同士の値を合計すること等であってよい。各ローカルモデル５０に含まれる演算パラメータの値は重み付けされた後に統合されてもよい。各ローカルモデル５０の重みは任意の方法で指定されてよい。
ステップＳ３３では、制御部１１は、統合処理部１１４として動作し、少なくとも１つの車載装置２から受信したローカルモデル情報５００により示されるローカルモデル５０を統合することにより、新たなグローバルモデル４５を生成する。複数のローカルモデル５０を統合することは、各ローカルモデル５０に含まれる対応する演算パラメータ同士の値を平均化すること、対応する演算パラメータ同士の値を合計すること等であってよい。各ローカルモデル５０に含まれる演算パラメータの値は重み付けされた後に統合されてもよい。各ローカルモデル５０の重みは任意の方法で指定されてよい。
【0102】
ローカルモデル５０の統合は、全ての演算パラメータで行われてもよいし、或いは一部の演算パラメータで行われてもよい。ローカルモデル５０の統合が部分的に行われる場合、車載装置２からサーバ装置１に送信されるローカルモデル情報５００において、統合が行われない範囲の情報は省略されてよい。
【0103】
制御部１１は、新たなグローバルモデル４５を示すグローバルモデル情報４５０を生成してよい。グローバルモデル情報４５０は、グローバルモデル情報４００と同様に構成されてよい。新たなグローバルモデル４５を生成した後、一例では、サーバ装置１は、更新
前のグローバルモデル情報４００及び車載装置２から受信したローカルモデル情報５００をそのまま保持してもよい。他の一例では、サーバ装置１は、グローバルモデル情報４００及びローカルモデル情報５００のうちの少なくとも一方を削除してもよい。
前のグローバルモデル情報４００及び車載装置２から受信したローカルモデル情報５００をそのまま保持してもよい。他の一例では、サーバ装置１は、グローバルモデル情報４００及びローカルモデル情報５００のうちの少なくとも一方を削除してもよい。
【0104】
新たなグローバルモデル４５の生成が完了すると、サーバ装置１の制御部１１は、本動作例に係る処理手順を終了する。なお、サーバ装置１及び各車載装置２は、新たなグローバルモデル４５をグローバルモデル４０として取り扱い、ステップＳ１１から連合学習の処理を繰り返し実行してよい。繰り返し実行する連合学習の処理手順において、評価指標７０を変更しない場合には、ステップＳ１３及びステップＳ２３の処理は省略されてよい。評価指標７０を変更するタイミングで、ステップＳ１３及びステップＳ２３の処理が適宜実行されてよい。
【0105】
［特徴］
本実施形態では、ステップＳ２５３～ステップＳ２５７による選択プロセスは、各車載装置２間の近接通信による評価値６のやり取りによって達成される。この近接通信による選択プロセスによれば、地理的に近い範囲に存在する車両Ｖにそれぞれ搭載された複数の車載装置２の中から連合学習に参加する車載装置２を選抜することができる。そして、選抜された車載装置２により生成されたローカルモデル５０をステップＳ３３の処理におけるグローバルモデル４０の更新に反映することができる。また、サーバ装置１を介さず、連合学習に参加する車載装置２を自律分散的に選抜することができる。したがって、本実施形態によれば、サーバ装置１及び各車載装置２の間で実施される連合学習の効率化を図ることができる。加えて、ステップＳ２５４及びステップＳ２５５の処理において各車載装置２間でやり取りされるデータは評価値６に過ぎないため、プライバシーの問題を解決することができる。
本実施形態では、ステップＳ２５３～ステップＳ２５７による選択プロセスは、各車載装置２間の近接通信による評価値６のやり取りによって達成される。この近接通信による選択プロセスによれば、地理的に近い範囲に存在する車両Ｖにそれぞれ搭載された複数の車載装置２の中から連合学習に参加する車載装置２を選抜することができる。そして、選抜された車載装置２により生成されたローカルモデル５０をステップＳ３３の処理におけるグローバルモデル４０の更新に反映することができる。また、サーバ装置１を介さず、連合学習に参加する車載装置２を自律分散的に選抜することができる。したがって、本実施形態によれば、サーバ装置１及び各車載装置２の間で実施される連合学習の効率化を図ることができる。加えて、ステップＳ２５４及びステップＳ２５５の処理において各車載装置２間でやり取りされるデータは評価値６に過ぎないため、プライバシーの問題を解決することができる。
【0106】
また、本実施形態では、グローバルモデル４０及び評価指標７０は、サーバ装置１から各車載装置２に提供される。これにより、グローバルモデル４０及び評価指標７０を柔軟に変更することができる。例えば、任意の地理的な範囲毎にグローバルモデル４０及び評価指標７０を適宜変更することができる。各範囲で生じる推論タスクの遂行に適切なようにグローバルモデル４０及び評価指標７０を調整することで、各範囲でより良い性能を発揮可能な新たなグローバルモデル４５を生成することができる。
【0107】
［４ 変形例］
以上、本開示の実施の形態を詳細に説明してきたが、前述までの説明はあらゆる点において本開示の例示に過ぎない。本開示の範囲を逸脱することなく種々の改良又は変形を行うことができることは言うまでもない。例えば、以下のような変更が可能である。以下の変形例は適宜組み合わせ可能である。
以上、本開示の実施の形態を詳細に説明してきたが、前述までの説明はあらゆる点において本開示の例示に過ぎない。本開示の範囲を逸脱することなく種々の改良又は変形を行うことができることは言うまでもない。例えば、以下のような変更が可能である。以下の変形例は適宜組み合わせ可能である。
【0108】
上記実施形態では、車両Ｖが移動体の一例であり、車載装置２が移動体に搭載される情報処理装置の一例である。しかしながら、本開示に係る移動体は、車両に限られなくてよい。移動体は、例えば、ドローン、ロボット装置等の移動可能に構成された装置であってよい。情報処理装置は、例えば、搭載される移動体の種類等に応じて適宜読み替えられてよい。
【0109】
上記実施形態では、グローバルモデル４０及び評価指標７０は、サーバ装置１から各車載装置２に提供されている。しかしながら、グローバルモデル４０及び評価指標７０の提供方法は、このような例に限定されなくてよい。他の一例では、グローバルモデル情報４００（グローバルモデル４０）は、外部記憶装置、外部サーバ、記憶媒体９２等から各車載装置２に提供されてよい。サーバ装置１から配信する方法以外でグローバルモデル４０を各車載装置２に提供する場合、サーバ装置１のソフトウェア構成からモデル配信部１１
１は省略されてよく、上記実施形態に係る情報処理方法の処理手順からステップＳ１１及びステップＳ２１の処理は省略されてよい。また、他の一例では、評価指標情報７００は、外部記憶装置、外部サーバ、記憶媒体９２等から各車載装置２に提供されてよい。評価指標情報７００は、各車載装置２に予め組み込まれていてもよい。サーバ装置１から配信する方法以外で評価指標情報７００を各車載装置２に提供する場合、サーバ装置１のソフトウェア構成から指標配信部１１２は省略されてよく、上記実施形態に係る情報処理方法の処理手順からステップＳ１３及びステップＳ２３の処理は省略されてよい。
１は省略されてよく、上記実施形態に係る情報処理方法の処理手順からステップＳ１１及びステップＳ２１の処理は省略されてよい。また、他の一例では、評価指標情報７００は、外部記憶装置、外部サーバ、記憶媒体９２等から各車載装置２に提供されてよい。評価指標情報７００は、各車載装置２に予め組み込まれていてもよい。サーバ装置１から配信する方法以外で評価指標情報７００を各車載装置２に提供する場合、サーバ装置１のソフトウェア構成から指標配信部１１２は省略されてよく、上記実施形態に係る情報処理方法の処理手順からステップＳ１３及びステップＳ２３の処理は省略されてよい。
【0110】
上記実施形態において、図７及び図８の情報処理に含まれる各ステップの処理順序は、矛盾が生じない範囲で適宜変更されてよい。一例として、ステップＳ１１及びステップＳ２１の処理は、ステップＳ２５２の処理を実行するまでの任意のタイミングで実行されてよい。ステップＳ１３及びステップＳ２３の処理は、ステップＳ２５３の処理を実行するまでの任意のタイミングで実行されてよい。ステップＳ１１及びステップＳ１３の処理順序は任意に変更されてよい。例えば、ステップＳ１１及びステップＳ１３は同時に実行されてよい。或いは、ステップＳ１３の処理が、ステップＳ１１の処理よりも前に実行されてよい。ステップＳ２５１の処理は、ステップＳ２５２の処理を実行するまでの任意のタイミングで実行されてよい。ステップＳ２５２の処理は、ステップＳ２７の処理を実行するまでの任意のタイミングで実行されてよい。ステップＳ２５３の処理は、ステップＳ２５４の処理を実行するまでの任意のタイミングで実行されてよい。ステップＳ２５４及びステップＳ２５５の処理順序は任意に変更されてよい。例えば、ステップＳ２５４及びステップＳ２５５の処理は並列に実行されてよい。
【0111】
また、上記実施形態に係る情報処理方法は、ステップＳ２５６の処理により、一定期間内に他の車載装置２の評価値６ｔが得られなかった車載装置２を連合学習に参加させるように構成されている。しかしながら、他の車載装置２の評価値６ｔが得られない車載装置２の取り扱いは、このような例に限定されなくてよい。上記実施形態に係る情報処理方法は、他の車載装置２の評価値６ｔが得られなかった車載装置２は連合学習に参加しないように構成されてもよい。すなわち、ステップＳ２５６の判定処理でＹＥＳの場合、制御部２１は、上記動作例に係る処理手順を終了してよい。他の一例では、ステップＳ２５６の処理は省略されてよい。
【0112】
［５ 補足］
本開示において説明した処理及び手段は、技術的な矛盾が生じない限りにおいて、自由に組み合わせて実施することができる。
本開示において説明した処理及び手段は、技術的な矛盾が生じない限りにおいて、自由に組み合わせて実施することができる。
【0113】
また、１つの装置が行うものとして説明した処理が、複数の装置によって分担して実行されてもよい。或いは、異なる装置が行うものとして説明した処理が、１つの装置によって実行されても構わない。コンピュータシステムにおいて、各機能をどのようなハードウェア構成によって実現するかは柔軟に変更可能である。
【0114】
本開示は、上記の実施形態で説明した機能を実装したコンピュータプログラムをコンピュータに供給し、当該コンピュータが有する１つ以上のプロセッサがプログラムを読み出して実行することによっても実現可能である。このようなコンピュータプログラムは、コンピュータのシステムバスに接続可能な非一時的なコンピュータ可読記憶媒体によってコンピュータに提供されてもよいし、ネットワークを介してコンピュータに提供されてもよい。非一時的なコンピュータ可読記憶媒体は、例えば、磁気ディスク（フロッピー（登録商標）ディスク、ハードディスクドライブ（ＨＤＤ）等）、光ディスク（ＣＤ－ＲＯＭ、ＤＶＤディスク、ブルーレイディスク等）など任意のタイプのディスク、読み込み専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、ＥＰＲＯＭ、ＥＥＰＲＯＭ、磁気カード、フラッシュメモリ、光学式カード、半導体ドライブ（ソリッドステートドライブ
等）、電子的命令を格納するために適した任意のタイプの媒体を含む。
等）、電子的命令を格納するために適した任意のタイプの媒体を含む。
【符号の説明】
【0115】
１…サーバ装置、
１１…制御部、１２…記憶部、１３…通信モジュール、
１４…入力装置、１５…出力装置、１６…ドライブ、
８１…プログラム、９１…記憶媒体、
１１１…モデル配信部、１１２…指標配信部、
１１３…モデル受信部、１１４…統合処理部、
２…車載装置（情報処理装置）、Ｖ…車両（移動体）、
２１…制御部、２２…記憶部、２３…通信モジュール、
２４…入力装置、２５…出力装置、２６…ドライブ、
２７…近接通信モジュール、
８２…プログラム、９２…記憶媒体、
２１１…モデル取得部、２１２…指標取得部、
２１３…データ収集部、２１４…機械学習部、
２１５…評価値算出部、２１６…評価値送信部、
２１７…評価値受信部、２１８…評価部、
２１９…モデル送信部、
３…ローカルデータ、
４０…グローバルモデル、４００…グローバルモデル情報、
４５…（新たな）グローバルモデル
５０…ローカルモデル、５００…ローカルモデル情報、
６…評価値、
７０…評価指標、７００…評価指標情報
１１…制御部、１２…記憶部、１３…通信モジュール、
１４…入力装置、１５…出力装置、１６…ドライブ、
８１…プログラム、９１…記憶媒体、
１１１…モデル配信部、１１２…指標配信部、
１１３…モデル受信部、１１４…統合処理部、
２…車載装置（情報処理装置）、Ｖ…車両（移動体）、
２１…制御部、２２…記憶部、２３…通信モジュール、
２４…入力装置、２５…出力装置、２６…ドライブ、
２７…近接通信モジュール、
８２…プログラム、９２…記憶媒体、
２１１…モデル取得部、２１２…指標取得部、
２１３…データ収集部、２１４…機械学習部、
２１５…評価値算出部、２１６…評価値送信部、
２１７…評価値受信部、２１８…評価部、
２１９…モデル送信部、
３…ローカルデータ、
４０…グローバルモデル、４００…グローバルモデル情報、
４５…（新たな）グローバルモデル
５０…ローカルモデル、５００…ローカルモデル情報、
６…評価値、
７０…評価指標、７００…評価指標情報
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】