マツダ技報2025

21/257

pz(z)pdata(x)～329km～25941log1xGGD(x)1）（（）12GD)2）（～0の――マツダ技報No.41（2025）　 　 　　　()Dxloglog1)logdatadataConcept of Driving Scenario Generation Based on CGANCGANの学習には，に示す，北米地域を対象に市街地や高速45Condition of Real-World Driving DataNorth AmericaCity, Highway, Suburban, Hill171km/h1245では，一律の長さのデータを学習してその長さWLTCなどの走行モードと同程秒）を生成するが，この実路データではケーFig. 5　以上のGANの学習は式（よるミニマックス法（想定される最大の損失が最小になる選択を探索）の最適化問題となる。ここでDは本物のデータの確率分布，データ，zはランダムノイズ，は生成器である。minmax(,)VDGGAN今回はこのGANを発展させた，，条件付きGAN法を提案する。CGANでは，生成器から特定の属性の出力を可能とするために，ランダムノイズに属性を指定する条件ベクトルを結合して生成器へ入力する。よって，の最適化問題は，元のを追加した式（）となる。minmax(,)VDGこの条件付与の特徴を用いて，ノイズに結合する条件ベクトルを前述のヒストグラムとする。これにより，ランダム性とヒストグラムの特徴を併せもつ情報を生成器に入力することで，特定のヒストグラムの車速パターンへの一意性のない変換を実現する。本手法を以下の手順①～⑤に示す。　①実路を走行しながら車速を計測したデータ（と，そのデータをヒストグラムに変換した条件ベクトルを準備する。なお，加速度の情報は車速の微分により算出する。　②生成器にランダムノイズとヒストグラムのベクトルを与えて，そのヒストグラムの時の車速パターンを生成する。　③識別器は実測した車速パターンと生成した車速パターンを用いて，本物と偽物を識別できるように学習を行う。　④生成器は識別器が誤って実測の車速パターンと識別するように学習を行う。（※②～④を学習完了まで繰り返す。）Concept of GAN）に示す二人のプレイヤーにはランダムノイズの確率分布，()DGzCGANConditional を用いた車速パターンの生成手CGANGANの式（）から条件ベクトル|(Dxy|(DGzyFig. 6のようにランダム2.1節）から2.3節で述べたよケースの車速デー12283sFig. 75（）　⑤ランダムノイズと市場データベース（選択したヒストグラムのベクトルを，学習が完了した生成器に与えて市場を想定した車速パターンを生成する。は本物のは識別器，Fig. 62.4　学習データ　本手法におけるうに実路を走行した時系列の車速データが必要となる。の学習yTable 1今回は道路などの実路を走行時に計測したタを使用する。Table 1RegionRoad TypeVehicle Speed RangeDuration RangeDistance RangeNumber of Data2.4節）CGANの車速パターン（今回は度の1600スごとに長さが異なっている。また，学習データの増強と学習する車速域に偏りを生じさせないために，ように各実路データの分割を行い，それらの分割データを結合してねらいの時間長さ及び車速域の学習データを作成する。一方で，結合するデータはランダムで選択するため，結合箇所で車速が急変化するなど，実路に則さない学習データが生じる可能性がある。そこで，各区間のデータをランダムに選択する際に制約を付与し，制約を満たすまでその区間のデータの選択を繰り返し行う。12~xp~()zpzz~xp()x~zpz()z