3）の～0――マツダ技報No.41（2025） ）。（手法を開発してきた2. リアルワールドの走行シナリオ生成Histogram of Vehicle Speed and AccelerationFig. 4のように，このヒストグラムに集計するConversion between Vehicle Speed and Histogramによる走行シナリオ生成手法GANとは，Fig. 5に示す生成器（2Discriminator）のつのニューラルネットワーNNAI）を用いる生成Worldwide Fig. 32.2 走行シナリオ生成の課題 車両システムモデルに入力する走行シナリオは，車速推移を時間ごとに示した時系列形式である。前述の車速を適用しと加速度のヒストグラムは，個車の市場走行時の車速を時々刻々と集計した結果であるため，このヒストグラムから時系列の車速パターンの逆推定が可能となれば，リアルワールドを再現した走行シナリオのモデルへの入力が実現する。 一方で際は車速と加速度の使用域を時間ごとに積算するため出力が一意に定まるが，ヒストグラムから車速パターンに変換する際は分布を成す過程が無数にあるため出力が一4）意に定まらない課題がある。そこで，生成を用いて，本課題の解決を行う。Fig. 42.3GAN 初めに識別器（ク（以下，成などに使われている。生成器ではランダムノイズ（1の乱数ベクトル）を入力として画像などの生成対象を出力し，識別器では生成器から出力した偽物のデータに対して真偽を予測する。識別器は本物のデータと生成器の偽物のデータを用いて，本物と偽物を正しく識別できるように学習を行い，一方，生成器は生成した偽物のデータを識別器が誤って本物と識別するように学習する。このように生成器と識別器が互いに競い合って学習することで，生成器が本物と同等のクオリティーのデータを生成可能となる。11MBDWLTC （などの既存の走行AIのように個車の使われ方を表す燃のヒストグラFig. 3GAN（AIGenerator）との一種であり，画像生テムの全体最適化の これまでの本モデルによる検討では，harmonized Light vehicles Test Cycleモードでの解析を主体としてきた。一方で，前述のカーボンニュートラルの実現には，車両のライフサイクル全CO2体での排出量の削減が重要となるため，走行シーンにおいては実際のお客様の使い方（本稿では，リアルワールドと定義）を想定した解析により，市場での実用燃費のばらつき度合いを予測することが求められる。しかし，お客様の車両の使い方は多様なため，人の手によるリアルワールドの走行シナリオの設定が困難である。そこで，市場の車両から入手可能なビッグデータに生成て，お客様の使い方の特徴を再現した走行シナリオを生成する手法を構築した。そして，生成したシナリオを車両システムモデルの入力として解析を行い，実測の燃費分布と比較することで一連の予測技術の有用性を検証した。Fig. 11D Vehicle System Simulation Model2.1 市場ビッグデータFig. 2 マツダでは，費を始め，車速やエンジンの使用領域，空調の作動頻度などの記録（時系列ではなく，頻度や平均値などの統計情報）を蓄積した市場車両のデータベースを構築している。個車の記録は車両がディーラーに入庫した際に収集を行い，このデータベースから市場の燃費分布などをモニターする。今回は既存アセットの有効活用をコンセプトに，このデータベースの中で走行シナリオと相関性の高い，車速と加速度の使用領域を表したムを元にシナリオ生成を行う。なおヒストグラムは，横軸が車速，縦軸が加速度となり，高頻度の領域が右上に集まるほど高車速・急加速の多い走行を経験したことを示す。Fig. 2Monitoring Process of Fuel Economy Distribution
元のページ ../index.html#20