01［］）30（――マツダ技報No.41（2025） qest(x)ptrue(x)vmaxvmax < 50Fig. 7Driving Pattern Creation Process for Train Data ここで，制約の具体例を示すと，第最終区間の最終値が区間の最終値と今回区間の初期値の差が指定した車速差の範囲内であること，などが挙げられる。以上により結合された学習データについて，最後に全区間での最高車速の確認を行う。Table 2と内訳を示しており，最高車速が低速から高速のデータまでそれぞれ均一な割合となるように学習データを準備した。なお，表中のを示し，学習データは全部でTable 2Train Data CompositionCondition km/h50≤vmax < 7070≤vmax < 9090≤vmax < 110110≤vmaxTotal Pattern of Train Data2.5 学習結果 本手法における8CGANでは，生成器に低車速と高車速走行時のヒストグラムを入力した際に出力された車速パターンについて，学習の経過による変化を示している。図中の上部には条件ベクトルとして与えた，北米市場のデータベースからサン区間の初期値と2であることや，第区間以降は前には作成した学習データの一例は各パターンにおける最高車速500パターンとなる。Example Pattern(Time vs Vehicle Speed)の学習結果を以下に述べる。プリングした低車速域と高車速域の分布をもつ個車のヒストグラム（すなわち未学習の分布）を掲載している。まず学習初期には，め，各ヒストグラムで車速パターンとは認識できない類似した結果を出力した。また学習の中盤では，ノイズが含まれるが車速のようなパターンを出力することを確認した。ただしこの時点においては，双方に明確な車速差の特徴が出ていない。一方で学習完了時には，各ヒストグラムの特徴をとらえたノイズのない本物と同様の車速パターンを出力することができた。なお，生成器に入力するランダムノイズについて，図中の検証時は学習を通して同じ値を使用している。Number of Data100100100100Fig. 8100 最後に図中の下部では，生成した車速パターンの確度500を検証するために，この車速パターンを再度ヒストグラムに変換を行い，入力に用いたヒストグラムと比較した結果を示している。目視においても各ヒストグラムを再Fig. 現できていることが分かるが，分布の一致度を定量的に比較するために各々のジェンスを算出する。めることができ，を表す。ここで，13の重みの調整ができていないたNNTraining Result of Driving Scenario GenerationKL Kullback-LeiblerKLダイバージェンスは式（に近いほど分布が一致していることは真の確率分布，ダイバー）で求は推定
元のページ ../index.html#22