信息处理装置、信息处理方法、程序和可移动对象与流程

1.本技术涉及信息处理装置、信息处理方法、程序和可移动对象，并且具体地，涉及用于提高对可移动对象的外部环境的识别精确度的信息处理装置和其他。


背景技术：

2.通常地，自动驾驶车辆配备有车载摄像装置，基于行驶场景的图像数据识别外部环境，并且使用识别的结果自动地控制驾驶。例如，识别结果基于语义分割或者深度。因为它与安全直接相关，所以识别外部环境需要非常高的精确度。
3.为了识别行驶场景的图像数据，已知使用深度神经网络(dnn)作为机器学习技术。在这种情况下，利用由车载摄像装置实际捕获的行驶场景的图像数据执行学习，从而预先获取推断用dnn的系数。
4.在使用dnn基于行驶场景的图像数据识别外部环境时，行驶场景的图像数据与用于学习的行驶场景的图像数据之间的大差距导致识别结果的精确度下降。在学习中使用尽可能多的场景的图像数据，使得在一定程度上提高识别结果的精确度。然而，不可能执行覆盖全球各种场景的图像数据的学习。
5.例如，专利文献1公开了：消除每个捕获位置的学习数据数量的偏差使得能够获取通用学习系数。
6.引用列表
7.专利文献
8.专利文献1：日本专利申请特许公开第2018-195237号


技术实现要素：

9.发明要解决的问题
10.本技术的目的是提高对可移动对象的外部环境的识别精确度。
11.问题的解决方案
12.根据本技术的概念，提供一种信息处理装置，包括：
13.图像数据获取单元，其被配置成获取具有与可移动对象的移动场景对应的图像特征的图像数据；以及
14.学习用dnn单元，其被配置成：利用由图像数据获取单元获取的图像数据执行学习，以获取用于从移动场景的图像数据中识别可移动对象的外部环境的推断用dnn的系数。
15.在本技术中，图像数据获取单元获取具有与可移动对象的移动场景对应的图像特征的图像数据。例如，图像特征可以包括位置元素。在这种情况下，例如，图像特征还可以包括天气元素或日期与时间元素。
16.学习用dnn单元利用由图像数据获取单元获取的图像数据执行学习，以获取用于从移动场景的图像数据中识别可移动对象的外部环境的推断用dnn的系数。例如，基于第一时间区中的推断用dnn的系数，学习用dnn单元可以利用由图像数据采集单元获取的图像数
据执行转移学习，以获取要在第一时间区之后的第二时间区中使用的推断用dnn的系数。
17.如上所述，在本技术中，利用具有与可移动对象的移动场景对应的图像特征的图像数据执行学习，并且从移动场景的图像数据中获取用于识别可移动对象的外部环境的推断用dnn的系数。设定了推断用dnn的系数的推断用dnn能够从移动场景的图像数据中准确地识别可移动对象的外部环境。
18.注意，在本技术中，例如，信息处理装置还可以包括图像数据接收单元，其被配置成：在将位置信息以及日期与时间信息添加到图像数据的情况下，从可移动对象接收移动场景的图像数据。此外，在本技术中，例如，信息处理装置还可以包括系数发送单元，其被配置成将由学习用dnn单元获取的推断用dnn的系数发送至可移动对象。在这种情况下，例如，当由学习用dnn单元获取的推断用dnn的系数的评价值高于通用系数的评价值时，系数发送单元可以将由学习用dnn单元获取的推断用dnn的系数发送至可移动对象。这种布置使得可移动对象能够使用具有更高评价值的系数。
19.此外，根据本技术的另一概念，提供了一种可移动对象，包括：
20.推断用dnn单元，其被配置成用于从移动场景的图像数据中识别外部环境；
21.控制单元，其被配置成用于基于来自推断用dnn单元的识别结果来控制移动；以及
22.系数接收单元，其被配置成从云服务器接收要由推断用dnn单元使用的推断用dnn的系数，
23.其中，通过利用具有与移动场景对应的图像特征的图像数据执行学习来获得推断用dnn的系数。
24.在本技术中，可移动对象包括用于从移动场景的图像数据中识别外部环境的推断用dnn单元。控制单元基于来自推断用dnn单元的识别结果控制移动。此外，系数接收单元从云服务器接收要由推断用dnn单元使用的推断用dnn的系数。此处，通过利用具有与移动场景对应的图像特征的图像数据执行学习来获得推断用dnn的系数。
25.如上所述，在本技术中，通过利用具有与移动场景对应的图像特征的图像数据执行学习来获得推断用dnn的系数，并且从云服务器接收要由推断用dnn单元使用的推断用dnn的系数。这种布置使得推断用dnn单元能够从移动场景的图像数据中准确地识别可移动对象的外部环境。
26.注意，在本技术中，例如，可移动对象还可以包括图像数据发送单元，其被配置成：在将位置信息以及日期与时间信息添加到图像数据的情况下，向云服务器发送移动场景的图像数据。这种布置能够向云服务器提供移动场景的图像数据。此外，可以向云服务器提供关于该可移动对象的位置信息，并且可以容易地从云服务器接收与该可移动对象正在移动的地区对应的推断用dnn的系数。
27.此外，在本技术中，例如，可移动对象还可以包括：学习用dnn单元，其被配置成利用移动场景的图像数据执行学习以获取推断用dnn的系数；以及系数发送单元，其被配置成向云服务器发送由学习用dnn单元获取的推断用dnn的系数。通过这种布置，在由于云服务器对图像数据收集不足而无法通过执行学习获取推断用dnn的系数的情况下，由学习用dnn单元获取的推断用dnn的系数可以用作替代。
28.此外，在本技术中，例如，在可移动对象在第一地区与第二地区之间的重叠区域中朝向第二地区侧移动的情况下，当系数接收单元从云服务器接收与第二地区对应的推断用
dnn的系数时，推断用dnn单元可以从与第一地区对应的推断用dnn的系数切换成与第二地区对应的推断用dnn的系数。通过这种布置，即使在可移动对象正在移动的地区发生变化的情况下，它也能够使设置了适当系数的推断用dnn在不受到传输延迟影响的情况下工作。
29.此外，在本技术中，推断用dnn单元可以包括第一推断用dnn和第二推断用dnn，在可移动对象在第一地区中移动的情况下，系数接收单元可以接收与可移动对象接下来要移动到的第二地区对应的推断用dnn的系数，可以将与第一地区对应的推断用dnn的系数设置成第一推断用dnn并且将与第二地区对应的推断用dnn的系数设置成第二推断用dnn，并且当可移动对象从第一地区移动到第二地区中时，推断用dnn单元可以从使用中的第一推断用dnn切换成要使用的第二推断用dnn。通过这种布置，即使在可移动对象正在移动的地区发生变化的情况下，它也能够使设置了适当系数的推断用dnn在不受传输延迟影响的情况下工作。
30.此外，在本技术中，可移动对象还可以包括存储装置，其被配置成保存与可移动对象正在移动的地区对应的推断用dnn的系数和与该地区周围的另一地区对应的推断用dnn的系数，推断用dnn的系数分别由系数接收单元接收，并且当可移动对象从第一地区移动到第二地区中时，推断用dnn单元可以从存储装置中提取与第二地区对应的推断用dnn的系数，并且可以使用提取的推断用dnn的系数。通过这种布置，即使在可移动对象正在移动的地区发生变化的情况下，它也能够使设置了适当系数的推断用dnn在不受传输延迟影响的情况下工作。
附图说明
31.图1是示出作为实施方式的自动驾驶系统的配置示例的框图。
32.图2是示出自动驾驶车辆和云服务器的配置示例的框图。
33.图3示出了行驶场景的示例性图像数据和基于行驶场景的图像数据的语义分割的示例性识别结果。
34.图4是示出云服务器的详细配置示例的框图。
35.图5解释性地示出了图像数据库单元的处理。
36.图6是示出学习用dnn单元的详细配置示例的框图。
37.图7是示出系数数据库单元的详细配置示例的框图。
38.图8是示出图像数据库单元的示例性处理过程的流程图。
39.图9是示出学习用dnn单元的示例性处理过程的流程图。
40.图10是示出系数数据库单元的示例性处理过程的流程图。
41.图11解释性地示出了对dnn的系数的传输延迟进行处理的示例性方法。
42.图12是示出云服务器的硬件配置示例的框图。
具体实施方式
43.在下文中，将描述用于实施本发明的方式(在下文中称为“实施方式”)。注意，描述将按以下顺序给出。
44.1.实施方式
45.2.修改
46.《1.实施方式》
47.[自动驾驶系统的配置]
[0048]
图1示出了作为实施方式的自动驾驶系统10的配置示例。自动驾驶系统10包括具有多个自动驾驶功能并且通过因特网300连接至云服务器200的汽车(在下文中适当地称为“自动驾驶车辆”)100。
[0049]
在所示的示例中的多个地区即地区1、地区2、
…
、和地区n中，自动驾驶车辆正在行驶。每个自动驾驶车辆100定期地获取具有与行驶场景对应的图像特征的场景的图像数据，并且通过因特网300将该场景的图像数据发送至服务器200。此处，与行驶场景对应的图像特征包括行驶场景的位置元素(例如，关于行驶中的地区的信息)，并且包括行驶场景的天气元素、日期与时间元素等。
[0050]
每个自动驾驶车辆100包括推断深度神经网络(dnn)单元101，其从行驶场景的图像数据中识别外部环境。由推断用dnn单元101识别的外部环境基于例如语义分割或深度。在每个自动驾驶车辆100中，由推断用dnn单元101基于外部环境的识别结果来控制自动驾驶中的动力、制动等。
[0051]
云服务器200包括学习用dnn单元201。基于从每个自动驾驶车辆100发送的图像数据，学习用dnn单元201基于地区与天气定期地获取要设置到上述自动驾驶车辆100的推断用dnn单元101的dnn的系数。然后，云服务器200通过因特网300将与自动驾驶车辆100正在行驶的地区对应并且与当时的天气对应的dnn的系数定期地发送至每个自动驾驶车辆100。
[0052]
以这种方式，从云服务器200向自动驾驶车辆100发送与每个自动驾驶车辆100正在行驶的地区对应并且与当时的天气对应的dnn的系数。该布置使得能够通过每个自动驾驶车辆100的推断用dnn单元101来提高对外部环境的识别结果的精确度。因此，可以更准确地控制自动驾驶中的动力、制动等。
[0053]“自动驾驶车辆和云服务器的配置示例”[0054]
图2示出了自动驾驶车辆100和云服务器200的配置示例。自动驾驶车辆100包括推断用dnn单元101、捕获单元102、位置/日期与时间获取单元103、图像数据存储器104、数据发送单元105、数据接收单元106、dnn的系数存储器107、控制单元108和学习用dnn单元109。
[0055]
捕获单元102包括镜头、诸如ccd图像传感器或cmos图像传感器的捕获元件等，并且定期地获取与行驶场景对应的图像数据。位置/日期与时间获取单元103使用例如全球定位系统(gps)来获取关于当前位置的信息。此外，位置/日期与时间获取单元104从时钟单元(未示出)获取关于当前日期与时间的信息。
[0056]
在将由位置/日期与时间获取单元103获取的位置信息以及日期与时间信息添加到图像数据的情况下，图像数据存储器104临时保存由捕获单元102获取的行驶场景的图像数据。数据发送单元105通过因特网300向云服务器200发送保存在图像数据存储器104中的图像数据(在将位置信息以及日期与时间信息添加到图像数据的情况下)。
[0057]
数据接收单元106接收通过因特网300从云服务器200发送的dnn的系数。dnn的系数存储器107临时存储由数据接收单元106接收的dnn的系数。提取存储在dnn的系数存储器107中的dnn的系数并且将其设置到推断用dnn单元101。
[0058]
然后，推断用dnn单元101从由捕获单元102获取的行驶场景的图像数据中识别外部环境。例如，外部环境是基于例如语义分割或深度来识别的。例如，图3(a)示出了行驶场
景的示例性图像数据。图3(b)示出了基于对行驶场景的图像数据的语义分割的示例性识别结果。基于来自对推断用dnn单元101的外部环境的识别结果，控制单元108控制自动驾驶中的动力、制动等。
[0059]
例如，在由于没有通信网络而无法建立与云服务器200的通信的情况下，学习用dnn单元109利用存储在存储器104中的图像数据作为学习数据执行学习，并且然后获取dnn的系数。在这种情况下，例如，在某个时间区(第一时间区)中执行基于被设置到推断用dnn单元101并由其使用的dnn的系数的转移学习，并且获取要在下一时间区(第二时间区)中使用的dnn的系数。该dnn的系数是与行驶场景的地区(位置)和天气对应的专用系数。
[0060]
在与云服务器200的通信被启用的情况下，将由学习用dnn单元109获取的dnn的系数通过因特网300从数据发送单元105发送至云服务器200。替选地，由学习用dnn单元109获取的dnn的系数被设置到推断用dnn单元101并由其在下一时间区中使用。
[0061]
云服务器200包括学习用dnn单元201、数据接收单元202、图像数据库单元203、系数数据库单元204和数据发送单元205。
[0062]“云服务器的详细配置示例”[0063]
图4示出了云服务器200的详细配置示例。数据接收单元202通过诸如5g的通信接收通过因特网300从自动驾驶车辆100发送的行驶场景的图像数据(在将位置信息以及日期和时间信息添加到图像数据的情况下)。此外，数据接收单元202接收从自动驾驶车辆100发送的dnn的系数(专用系数)。
[0064]“图像数据库单元的描述”[0065]
图像数据库单元203基于被添加到图像数据的位置信息、日期与时间信息以及天气信息，以地区、日期与时间和天气为基础保存由数据接收单元202接收的行驶场景的图像数据。在这种情况下，可以从天气信息服务器获取天气信息，或者可以通过分析图像数据来获取天气信息。注意，在上述描述中，位置信息以及日期与时间信息被添加至从自动驾驶车辆100发送的行驶场景的图像数据；然而，还可以将天气信息添加到图像数据。
[0066]
此外，图像数据库单元203在某个时间区中配置并获取基于地区和天气的学习数据集，以获取要由自动驾驶车辆100的推断用dnn单元101在下一时间区中使用的dnn的系数。
[0067]
图5示出了在00:30到01:00的时间区(行驶中的时间区)中要用于学习与在要在下一个01:00到01:30的时间区中使用的某个地区中的晴朗天气对应的dnn的系数的学习数据集的配置示例。在该示例中，今天(晴天)00:00至00:30的图像数据比率为“3”，6月9日(晴天)01:00至01:30的图像数据比率为“5”，并且6月10日(多云)01:00至01:30的图像数据比率为“3”。由于天气完全不同，因此未使用6月8日(下雨)01:00至01:30的图像数据。
[0068]
注意，在该示例中，在学习数据集的配置中不包括今天(晴天)行驶的时间区的图像数据；然而，也可以设想包括图像数据。此外，还可以设想以年为单位来参考日期与时间。例如，可以有效地配置用于学习与很少下雪的地区当天(下雪)天气对应的dnn的系数的学习数据集。
[0069]
此外，在该示例中，以30分钟的间隔设置时间区。然而，可以根据学习的计算速度来定义这种时间区的长度。此外，在该示例中，学习数据集仅包括同一地区的图像数据。然而，例如，在由于仅包括同一地区的图像数据而导致图像数据的数目少的情况下，也可以设
想参考相邻地区的图像数据。
[0070]“学习用dnn单元的描述”[0071]
返回参照图4，基于由图像数据库单元203获取的基于地区与天气的学习数据集，学习用dnn单元201在某个时间区中利用基于地区和天气的学习dnn来执行学习，并且然后获取要在下一时间区中设置到自动驾驶车辆100的推断用dnn单元101并由其使用的dnn的系数。
[0072]
在这种情况下，执行基于某个时间区中的dnn的系数的转移学习(无监督)，并且获取要在下一时间区中使用的dnn的系数。某个时间区中的行驶场景与下一时间区中的行驶场景之间的变化不是很大。因此，顺序的转移学习能够在短时间内以少量的图像数据实现具有更高精确度的高效学习。例如，基于预先定义的学习时间段或预先定义的时期数(更新系数的次数)来确定学习结束条件。
[0073]
图6示出了学习用dnn单元201的详细配置示例。学习用dnn单元201包括基于地区与天气的学习dnn，并且执行分布式学习，在分布式学习中并行执行基于地区与天气的学习。该分布式学习使得能够提高整体计算速度。图示的示例示出了地区为1到n并且天气类型为1到n的情况。可以设想，天气类型包括晴天、阴天、下雨、下雪等。
[0074]
注意，在上面的描述中，在今天的某个时间区中，执行的是与下一时间区中的所有天气类型对应的各地区的dnn的系数的学习。然而，也可以设想，省略对今天各地区中完全不对应的天气类型的dnn的系数的学习。例如，在今天各地区中天气的对应类型仅为晴天的情况下，学习与其他类型的天气(例如多云、下雨和下雪)对应的dnn的系数是没有意义的，因此可以省略。
[0075]“系数数据库单元的描述”[0076]
返回参照图4，系数数据库单元204临时存储在某个时间区中由学习dnn学习单元201获取、接下来在时间区中要被设置到自动驾驶车辆100的推断用dnn单元101并由其使用的这样的基于地区与天气的dnn的系数(专用系数)。此外，系数数据库单元204还临时存储从自动驾驶车辆100发送的dnn的系数(专用系数)。
[0077]
此外，系数数据库单元204确定并发送要发送至每个自动驾驶车辆100的dnn的系数。在这种情况下，基本上，将基于地区与天气的dnn的系数——即专用系数——确定为要发送的dnn的系数。然而，在基于dnn的损失函数执行评价并且专用系数的评价值低于通用系数的评价值的情况下，将通用系数确定为要发送的dnn的系数而不是专用系数。此处，通用系数是通过利用满足多种条件(位置、天气、日期与时间等)的行驶场景的图像数据预先学习而获得的dnn的系数，并且是可以与多种条件对应的dnn的系数。
[0078]
图7示出了系数数据库单元204的详细配置示例。系数数据库单元204包括存储这样的dnn的系数的存储单元241，以及确定并输出要发送至每个自动驾驶车辆100的dnn的系数的dnn的系数确定单元242。此外，存储单元241包括：存储单元241a，其临时存储由学习用dnn单元201获取的基于地区与天气的dnn的系数(专用系数)；以及存储单元241b，其临时存储由数据接收单元202接收的基于地区与天气的dnn的系数(专用系数)。
[0079]
此外，dnn的系数确定单元242基本上将基于地区与天气的dnn的系数确定为要发送至每个自动驾驶车辆100的下一时间区中的dnn的系数，从存储单元241提取确定的dnn的系数，并且然后输出提取的dnn的系数作为要发送的dnn的系数。在这种情况下，基本上从存
储单元241a提取确定的dnn的系数。然而，在存储单元241a中不存在dnn的系数的情况下(与由于系统故障等而不能执行学习的情况对应)，如果dnn的系数存在于存储单元241b中，则从存储单元241b提取dnn的系数。
[0080]
注意，在存储单元241a和存储单元241b两者中都存在所确定的dnn的系数的情况下，也可以设想，dnn的系数确定单元242被配置成：输出评价值更高的dnn的系数，作为要发送的dnn的系数。
[0081]
在本实施方式中，实际上，dnn的系数确定单元242输出从存储单元241提取的dnn的系数作为要发送的dnn的系数。换句话说，仅当专用系数的评价值高于通用系数的评价值时，dnn的系数确定单元242才输出专用系数作为要发送的dnn的系数。当专用系数的评价值低于通用系数的评价值时，输出通用系数作为要发送的dnn的系数。
[0082]
例如，作为专用系数的评价值低于通用系数的评价值的情况，假设用于学习的图像数据的数目不足并且不能执行充分学习的情况。因此，当专用系数是不适当的dnn的系数时，可以避免在自动驾驶车辆100侧使用dnn的系数。
[0083]
此外，dnn的系数确定单元242可以被配置成：在存储单元241(存储单元241a或存储单元241b)中不存在所确定的dnn的系数的情况下，输出通用系数作为要发送的dnn的系数。
[0084]
返回参照图4，数据发送单元205通过因特网300将由系数数据库单元204确定的dnn的系数(专用系数或通用系数)发送至每个自动驾驶车辆100。在这种情况下，要在下一时间区中使用的dnn的系数在某个时间区中被发送至每个自动驾驶车辆100。
[0085]
注意，在上面描述中，当专用系数的评价值较低时系数数据库单元204输出通用系数作为要发送的dnn的系数，并且数据发送单元205将通用系数发送至自动驾驶车辆100。然而，也可以设想，系数数据库单元204被配置成当专用系数的评价值较低时输出用于指示使用通用系数的命令，并且数据发送单元205将该命令发送至自动驾驶车辆100。在这种情况下，根据该命令，自动驾驶车辆100使用自动驾驶车辆100具有的通用系数。
[0086]
还可以设想，系数数据库单元204被配置成在不将专用系数的评价值与通用系数的评价值进行比较的情况下持续输出专用系数，数据发送单元205被配置成将专用系数发送至自动驾驶车辆100，并且自动驾驶车辆100被配置成将专用系数的评价值与通用系数的评价值进行比较以确定使用哪个。
[0087]
注意，在系数数据库单元204输出通用系数作为某个地区和天气的dnn的系数的情况下，可以设想，在获取下一时间区中的地区和天气的dnn的系数的情况下，学习用dnn单元201基于通用系数执行转移学习。
[0088]“图像数据库单元、学习用dnn单元和系数数据库单元的示例性处理过程”[0089]
图8的流程图示出了图像数据库单元203的示例性处理过程。在步骤st1中，图像数据库单元203从数据接收单元202获取每个自动驾驶车辆100的行驶场景的图像数据(在将位置信息以及日期与时间信息添加到图像数据的情况下)。接下来，在步骤st2中，图像数据库单元203将天气信息添加到每个自动驾驶车辆100的行驶场景的获取的图像数据(在将位置信息和日期与时间信息添加到图像数据的情况下)。
[0090]
接下来，在步骤st3中，图像数据库单元203基于图像特征(地区、日期与时间、以及天气)保存每个自动驾驶车辆100的行驶场景的获取的图像数据。接下来，在步骤st4中，图
像数据库单元203基于图像特征(地区和天气)确定用于学习下一时间区中的dnn的系数的图像数据集(参见图5)。
[0091]
接下来，在步骤st5中，图像数据库单元203对每个基于图像特征(地区和天气)的图像数据集执行预处理，并且将每个基于图像特征(地区和天气)的图像数据集发送至学习用dnn单元201。例如，预处理包括将图像数据切割成片的处理、像素值规格化的处理、以及打乱顺序的处理。这是通常为学习关于图像数据而执行的预处理。
[0092]
图9的流程图示出了学习用dnn单元201的示例性处理过程。在步骤st11中，学习用dnn单元201从图像数据库单元203获取基于图像特征(地区和天气)的图像数据集。接下来，在步骤st12中，利用图像数据集，学习用dnn单元201基于图像特征(地区和天气)，dnn的系数利用学习用dnn进行学习(转移学习)。
[0093]
接下来，在步骤st13中，学习用dnn单元201基于预先定义的学习时间段或时期数来结束学习。接下来，在步骤st14中，学习用dnn单元201将基于图像特征(地区和天气)学习的dnn的系数发送至系数数据库单元204。
[0094]
图10的流程图示出了系数数据库单元204的示例性处理过程。在步骤st21中，系数数据库单元204从学习用dnn单元201获取基于图像特征(地区和天气)学习的dnn的系数。接下来，在步骤st22中，系数数据库单元204保存所获取的dnn的系数，其中添加了关于图像特征(地区和天气)的信息。
[0095]
接下来，在步骤st23中，系数数据库单元204评价所获取的dnn的系数(专用系数)的精确度是否高于通用系数。该评价基于损失函数来执行。接下来，在步骤st24中，在精确度更高的情况下，系数数据库单元204将获取的dnn的系数(专用系数)发送至数据发送单元205，否则在精确度不高的情况下，将通用系数发送至数据发送单元205，或者将使用车载通用系数的命令发送至数据发送单元205。
[0096]“dnn的系数的传输延迟的处理方法”[0097]
在从云服务器200向自动驾驶车辆100发送dnn的系数时发生延迟的情况下，存在如下地区，在其之间自动驾驶车辆100无法接收与行驶地区对应的dnn的系数。例如，作为处理这种传输延迟的方法，可以设想以下(1)至(3)。通过这些处理方法，即使在自动驾驶车辆100行驶的地区发生改变的情况下，也能够使设置了适当dnn的系数的推断用dnn在不受传输延迟影响的情况下工作。
[0098]
(1)在该方法中，在一个地区与另一地区之间设置重叠区域，并且在该区域中的dnn的系数之间进行切换。在这种情况下，在自动驾驶车辆100在第一地区与第二地区之间的重叠区域中朝向第二地区侧移动的情况下，当数据接收单元106从云服务器200接收到与第二地区对应的系数时，自动驾驶车辆100的推断用dnn单元101从与第一地区对应的dnn的系数切换至与第二地区对应的dnn的系数。
[0099]
(2)在该方法中，基于自动驾驶车辆100的行驶方向预测作为移动目的地的地区(区域)，将与作为移动目的地的地区对应的系数预先应用于两个单独准备的推断用dnn，并且当自动驾驶车辆100穿过该地区或在重叠区域中行驶时，对要使用的推断用dnn进行切换。在这种情况下，推断用dnn单元101包括第一推断用dnn和第二推断用dnn，并且在自动驾驶车辆100在第一地区中移动的情况下，数据接收单元106接收与自动驾驶车辆100接下来移动到的第二地区对应的dnn的系数。然后，将第一地区的dnn的系数设置为第一推断用
dnn，并且将第二地区的dnn的系数设置为第二推断用dnn。当自动驾驶车辆100从第一地区移动至第二地区中时，推断用dnn单元101从使用中的第一推断用dnn切换至要使用的第二推断用dnn。
[0100]
(3)在该方法中，在自动驾驶车辆100侧，包括行驶地区在内的大范围的dnn的系数被预先保存在存储装置中。当自动驾驶车辆100穿过该地区或在重叠区域中行驶时，切换至要由推断用dnn单元101使用的dnn的系数。在这种情况下，自动驾驶车辆100包括保存与自动驾驶车辆100正在移动的地区对应的dnn的系数和与该地区周围的另一地区对应的dnn的系数的存储装置，并且推断用dnn的系数均由数据接收单元106接收。当自动驾驶车辆100从自动驾驶车辆100行驶的第一地区移动到第二地区中时，推断用dnn单元101从存储装置中提取第二地区的dnn的系数，并且使用提取的dnn的系数。
[0101]
在这种情况下，保存在存储装置中的dnn的系数的范围根据自动驾驶车辆100的行驶而改变。在图11中，带虚线的椭圆指示自动驾驶车辆100正在行驶的地区，并且带实线的每个椭圆指示dnn的系数预先保存在存储装置中的地区周围的地区。注意，在所示的示例中，存在地区之间的重叠区域；然而，也可以设想不存在重叠区域。
[0102]“云服务器的硬件配置示例”[0103]
图12是示出云服务器200的硬件配置示例的框图。在云服务器200中，中央处理单元(cpu)501、只读存储器(rom)502和随机存取存储器(ram)503通过总线504相互连接。此外，输入/输出接口505连接至总线504。输入单元506、输出单元507、存储单元508、通信单元509和驱动器510连接至输入/输出接口505。
[0104]
输入单元506包括键盘、鼠标和麦克风。输出单元507包括显示器和扬声器。存储单元508包括硬盘或非易失性存储器。通信单元509包括网络接口。驱动器510驱动可移除介质511，例如磁盘、光盘、磁光盘或半导体存储器。
[0105]
在具有上述配置的云服务器200中，cpu 501例如通过输入/输出接口505和总线504将存储在存储单元508中的程序加载到ram 503中以执行该程序，从而执行上述的一系列处理。
[0106]
由cpu 501执行的程序可以通过记录在例如作为封装介质等的可移除介质511上来提供。替选地，该程序可以通过有线或无线传输介质(例如局域网、因特网或数字卫星广播)提供。
[0107]
在云服务器200中，通过将可移除介质511附接至驱动器510，可以通过输入/输出接口505将程序安装在存储单元508中。替选地，程序可以由通信单元509通过有线或无线传输介质来接收，并且可以安装在存储单元508中。此外，该程序可以预先安装在rom 502或存储单元508中。
[0108]
注意，由cpu 501执行的程序可以是根据本说明书中描述的顺序用于按时间顺序执行处理的程序，可以是用于并行执行处理的程序，或者是用于以必要时间(例如当进行呼叫时)执行处理的程序。
[0109]
如上所述，在图1所示的自动驾驶系统10中，从云服务器200向自动驾驶车辆100发送与每个自动驾驶车辆100正在行驶的地区对应且与当时的天气对应的dnn的系数(专用系数)。该布置使得能够通过每个自动驾驶车辆100的推断用dnn单元101提高外部环境的识别结果的精确度。因此，可以更准确地控制自动驾驶中的动力、制动等。
[0110]
《2.修改》
[0111]
注意，在上述实施方式中，没有具体提到地区；然而，对于危险地区，也可以设想利用范围缩小的地区执行学习。以这种方式利用范围缩小的地区进行学习能够提高所学习的dnn的系数的精确度。
[0112]
此外，在上述实施方式中，给出了在其中可移动对象是汽车100的示例。然而，即使可移动对象是例如自动行走机器人、诸如无人机的飞行对象等，本技术也同样适用。例如，在诸如无人机的飞行对象的情况下，还可以设想定义与飞行高度相关的图像特征。例如，0到2米的高度接近人类的视角，而不低于几十米的高度则是空中捕获的场景。
[0113]
已经参照附图详细描述了本公开内容的优选的实施方式；然而，本公开内容的技术范围不限于示例。明显的是，本公开内容的技术领域中具有普通知识的人可以在权利要求中描述的技术思想的范围中设想各种类型的变更或修改，并且因此，也可以自然地理解，此类变更或修改属于本公开内容的技术范围。
[0114]
此外，在本说明书中描述的效果仅是解释性的或示例性的，因此不是限制性的。即，根据本公开内容的技术可以展示来自本说明书的描述中对本领域技术人员而言明显的其他效果，连同或者代替上述效果。
[0115]
注意，本技术还可以采用以下配置。
[0116]
(1)一种信息处理装置，包括：
[0117]
图像数据获取单元，其被配置成获取具有与可移动对象的移动场景对应的图像特征的图像数据；以及
[0118]
学习用dnn单元，其被配置成：利用由所述图像数据获取单元获取的图像数据执行学习，以获取用于从所述移动场景的图像数据中识别所述可移动对象的外部环境的推断用dnn的系数。
[0119]
(2)根据上述(1)所述的信息处理装置，
[0120]
其中，所述图像特征包括位置元素。
[0121]
(3)根据上述(2)所述的信息处理装置，
[0122]
其中，所述图像特征还包括天气元素。
[0123]
(4)根据上述(2)或(3)所述的信息处理装置，
[0124]
其中，所述图像特征还包括日期和时间元素。
[0125]
(5)根据上述(1)至(4)中任一项所述的信息处理装置，
[0126]
其中，所述学习用dnn单元基于第一时间区中的所述推断用dnn的系数，利用由所述图像数据获取单元获取的图像数据执行转移学习，以获取要在所述第一时间区之后的第二时间区中使用的所述推断用dnn的系数。(6)根据上述(1)至(5)中任一项所述的信息处理装置，还包括：
[0127]
图像数据接收单元，其被配置成：以位置信息以及日期与时间信息被添加到所述图像数据的状态，从所述可移动对象接收所述移动场景的图像数据。
[0128]
(7)根据上述(1)至(6)中任一项所述的信息处理装置，还包括：
[0129]
系数发送单元，其被配置成向所述可移动对象发送由所述学习用dnn单元获取的所述推断用dnn的系数。
[0130]
(8)根据上述(7)所述的信息处理装置，
[0131]
其中，当由所述学习用dnn单元获取的所述推断用dnn的系数的评价值高于通用系数的评价值时，所述系数发送单元将由所述学习用dnn单元获取的所述推断用dnn的系数发送至所述可移动对象。
[0132]
(9)一种信息处理方法，包括：
[0133]
获取具有与可移动对象的移动场景对应的图像特征的图像数据的过程；以及
[0134]
利用获取的所述图像数据执行学习，以获取用于从所述移动场景的图像数据中识别所述可移动对象的外部环境的推断用dnn的系数的过程。
[0135]
(10)一种用于使计算机用作以下装置的程序：
[0136]
图像数据获取装置，其被配置成获取具有与可移动对象的移动场景对应的图像特征的图像数据；以及
[0137]
学习用dnn装置，其被配置成：利用由所述图像数据获取装置获取的图像数据执行学习，以获取用于从所述移动场景的图像数据中识别所述可移动对象的外部环境的推断用dnn的系数。
[0138]
(11)一种可移动对象，包括：
[0139]
推断用dnn单元，其被配置成从移动场景的图像数据识别外部环境；
[0140]
控制单元，其被配置成基于来自所述推断用dnn单元的识别结果来控制移动；以及
[0141]
系数接收单元，其被配置成从云服务器接收要由所述推断用dnn单元使用的推断用dnn的系数，
[0142]
其中，所述推断用dnn的系数是通过利用具有与所述移动场景对应的图像特征的图像数据执行的学习而获取的。
[0143]
(12)根据上述(11)所述的可移动对象，还包括：
[0144]
图像数据发送单元，其被配置成：以位置信息以及日期与时间信息被添加到所述图像数据的状态，向所述云服务器发送所述移动场景的图像数据。
[0145]
(13)根据上述(11)或(12)所述的可移动对象，还包括：
[0146]
学习用dnn单元，其被配置成：利用所述移动场景的图像数据执行学习，以获取所述推断用dnn的系数；以及
[0147]
系数发送单元，其被配置成向所述云服务器发送由所述学习用dnn单元获取的所述推断用dnn的系数。
[0148]
(14)根据上述(11)至(13)中任一项所述的可移动对象，
[0149]
其中，在所述可移动对象在第一地区与第二地区之间的重叠区域中朝向所述第二地区侧移动的情况下，当所述系数接收单元从所述云服务器接收与所述第二地区对应的所述推断用dnn的系数时，所述推断用dnn单元从与所述第一地区对应的所述推断用dnn的系数切换至与所述第二地区对应的所述推断用dnn的系数。
[0150]
(15)根据上述(11)至(13)中任一项所述的可移动对象，
[0151]
其中，所述推断用dnn单元包括第一推断用dnn和第二推断用dnn，
[0152]
所述系数接收单元在所述可移动对象在第一地区中移动的情况下，接收与所述可移动对象接下来移动至的第二地区对应的所述推断用dnn的系数，
[0153]
与所述第一地区对应的所述推断用dnn的系数被设置为所述第一推断用dnn，与所述第二地区对应的所述推断用dnn的系数被设置为所述第二推断用dnn，以及
[0154]
当所述可移动对象从所述第一地区移动至所述第二地区时，所述推断用dnn单元从使用中的所述第一推断用dnn切换至要使用的所述第二推断用dnn。
[0155]
(16)根据上述(11)至(13)中任一项所述的可移动对象，还包括：
[0156]
存储器，其被配置成保存由所述系数接收单元接收的、与所述可移动对象在其中移动的区域对应的所述推断用dnn的系数以及与所述区域周围的其他区域对应的所述推断用dnn的系数，
[0157]
其中，当所述可移动对象从第一地区移动至第二地区时，所述推断用dnn单元从所述存储器中提取与所述第二地区对应的所述推断用dnn的系数并且使用所提取的推断用dnn的系数。
[0158]
附图标记列表
[0159]
10自动驾驶系统
[0160]
100自动驾驶车辆
[0161]
101推断用dnn单元
[0162]
102捕获单元
[0163]
103位置/日期和时间获取单元
[0164]
104图像数据存储器
[0165]
105数据发送单元
[0166]
106数据接收单元
[0167]
107dnn的系数存储器
[0168]
108控制单元
[0169]
109学习用dnn单元
[0170]
200云服务器
[0171]
201学习用dnn单元
[0172]
202数据接收单元
[0173]
203图像数据库单元
[0174]
204系数数据库单元
[0175]
205数据发送单元
[0176]
241、241a、241b存储单元
[0177]
242输出dnn的系数确定单元
[0178]
300因特网