JP7457458B2 - 出力装置、コンピュータプログラム、および記憶媒体 - Google Patents

Description

本発明は、ユーザに適した人力駆動車の提案、または人力駆動車の乗り方を提案するための出力装置、コンピュータプログラム、および記憶媒体に関する。

自転車をはじめとして電動アシスト付き自転車、Ｅバイクと呼ばれる電動自転車等、少なくとも部分的に人力が用いられる人力駆動車がある。人力駆動車は、多様なフレームからユーザが体格および走行目的に合わせていずれかのフレームを選択し、サドル、ペダル等のパーツ、変速機、サスペンション等のコンポーネントを組み合わせて構成される。

診断装置を接続して故障の有無を含む診断を行なう技術が知られている（特許文献１、２参照）。従来の診断装置は、コンポーネントと通信し、コンポーネントに所定の動作を指示した場合に動作が終了したか否か等によって故障を診断する。

米国特許第７８１９０３２号明細書 米国特許第９２２７６９７号明細書

１つ１つのコンポーネントの故障の診断ができることは勿論のこと、ユーザの体格、目的、または乗り方の個性に応じて適切な他のパーツを提案したり、組み立てられた人力駆動車の仕様をいかす好ましい乗り方などを提案したりするサービスが期待される。

本発明の目的は、ユーザに適した人力駆動車の提案、または人力駆動車の乗り方を提案するための出力装置、コンピュータプログラム、および記憶媒体を提供することである。

（１）本発明の第１側面に従う出力装置は、人力駆動車を構成する各部品の情報を含む車両情報、および、前記人力駆動車の走行時の走行情報の少なくともいずれか１つに関する評価情報および提案情報の少なくともいずれか１つを、学習アルゴリズムによって学習された学習モデルを用いて出力するように構成される処理部を備える。
このため、人力駆動車の構成に対する適切な評価、または部品、部品の使用方法、または乗り方の提案をコンピュータに実行させることが可能になる。

（２）本発明の第２側面に従う出力装置では、前記処理部は、前記車両情報および前記走行情報の少なくともいずれか１つを、前記学習モデルに入力することによって、前記評価情報および前記提案情報の少なくともいずれか１つを出力するように構成される。
このため、人力駆動車の構成に対する適切な評価、または部品、部品の使用方法、または乗り方の提案をコンピュータに実行させることが可能になる。

（３）本発明の第３側面に従う出力装置では、前記学習モデルは、前記車両情報および前記走行情報の少なくともいずれか１つに関して、タイムレコードに基づくラベルが付与された教師データを用いて学習され、前記処理部は、前記人力駆動車が所定コースを走行することによって得られる実走タイムレコードを前記学習モデルに入力することによって、前記評価情報および前記提案情報の少なくともいずれか１つを出力する。
このため、タイムレコードを早めるための人力駆動車の構成に対する適切な評価、または部品、部品の使用方法、または乗り方の提案をコンピュータに実行させることが可能になる。

（４）本発明の第４側面に従う出力装置では、前記学習モデルは、前記車両情報および前記走行情報の少なくともいずれか１つに関して、快適度に基づくラベルが付与された教師データで学習され、前記処理部は、前記人力駆動車が所定コースを走行することによって得られる実走快適度を前記学習モデルに入力することによって、前記評価情報および前記提案情報の少なくともいずれか１つを出力する。
このため、所定コースを快適に走行するための人力駆動車の構成に対する適切な評価、または部品、部品の使用方法、または乗り方の提案をコンピュータに実行させることが可能になる。

（５）本発明の第５側面に従う出力装置では、前記（４）の出力装置における前記快適度は、前記走行情報に含まれるペダルへの荷重および角度の少なくともいずれか１つに基づいて前記荷重および角度の少なくともいずれか１つの変化が所定範囲になるように出力される。
このため、ペダルへの荷重が軽いか、または角度が一定となる快適な走行を実現するための人力駆動車の構成に対する適切な評価、または部品、部品の使用方法、または乗り方の提案をコンピュータに実行させることが可能になる。

（６）本発明の第６側面に従う出力装置では、前記提案情報は、乗り手による前記人力駆動車への人力駆動力の入力位置に関する情報を含む。
このため、乗り手がどのようなポイントで人力駆動すべきかの提案をコンピュータに実行させることが可能になる。

（７）本発明の第７側面に従う出力装置では、前記提案情報は、前記人力駆動車のペダルに対する乗り手のシューズの位置に関する情報を含む。
このため、乗り手の人力駆動力の入力位置に関し、乗り手のシューズのペダルに対する位置の提案をコンピュータに実行させることが可能になる。

（８）本発明の第８側面に従う出力装置では、前記提案情報は、前記シューズに対して前記シューズに取り付けられるクリートの前記シューズに対する位置の修正に関する情報を含む。
このため、乗り手の人力駆動力の入力位置に関し、乗り手のシューズに対するクリートの位置の修正案をコンピュータに実行させることが可能になる。

（９）本発明の第９側面に従う出力装置では、前記学習モデルは、前記車両情報および前記走行情報の少なくともいずれか１つに関し、乗り手のカテゴリーに基づくラベルが付与された教師データで学習される。
このため、乗り手の熟練度、タイプ等のカテゴリーに応じた人力駆動車の構成に対する適切な評価、または部品、部品の使用方法、または乗り方の提案をコンピュータに実行させることが可能になる。

（１０）本発明の第１０側面に従う出力装置では、前記処理部は、前記カテゴリーと前記車両情報および前記走行情報の少なくともいずれか１つとを、前記学習モデルに入力することによって、前記評価情報および前記提案情報の少なくともいずれか１つを出力するように構成される。
このため、乗り手の熟練度、タイプ等のカテゴリーに応じた人力駆動車の構成に対する適切な評価、または部品、部品の使用方法、または乗り方の提案をコンピュータに実行させることが可能になる。

（１１）本発明の第１１側面に従う出力装置では、前記提案情報は、前記人力駆動車のカスタマイズに関する情報を含む。
このため、車両情報または走行情報に応じた人力駆動車の部品の組み合わせに関するカスタマイズの提案をコンピュータに実行させることが可能になる。

（１２）本発明の第１２側面に従う出力装置では、前記提案情報は、乗り方に関する情報を含む。
このため、車両情報または走行情報に応じた人力駆動車の乗り方に関する提案をコンピュータに実行させることが可能になる。

（１３）本発明の第１３側面に従う出力装置では、前記学習モデルは、前記人力駆動車の構成毎に準備されており、前記処理部は、前記車両情報の構成毎に学習モデルを選択する。
このため、人力駆動車の構成に応じた部品、部品の使用方法、または乗り方の提案をコンピュータに実行させることが可能になる。

（１４）本発明の第１４側面に従うコンピュータプログラムは、人力駆動車を構成する各部品の情報を含む車両情報、および、前記人力駆動車の走行時の走行情報の少なくともいずれか１つに関する評価情報および提案情報の少なくともいずれか１つを、学習アルゴリズムによって学習された学習モデルを用いて出力する処理を、コンピュータに実行させる。
このため、人力駆動車の構成に対する適切な評価、または部品、部品の使用方法、または乗り方の提案をコンピュータに実行させることが可能になる。

（１５）本発明の第１５側面に従うコンピュータプログラムでは、前記車両情報および前記走行情報の少なくともいずれか１つを、前記学習モデルに入力することによって、前記評価情報および前記提案情報の少なくともいずれか１つを出力する処理を、前記コンピュータに実行させる。
このため、人力駆動車の構成に対する適切な評価、または部品、部品の使用方法、または乗り方の提案をコンピュータに実行させることが可能になる。

（１６）本発明の第１６側面に従う記憶媒体は、前記（１４）または（１５）のコンピュータプログラムが記憶される。
このため、コンピュータプログラムを記憶媒体から読み取ったコンピュータに、人力駆動車の構成に対して適切な評価をさせたり、または部品、部品の使用方法、または乗り方を提案させたりすることができる。

本発明のユーザに適した人力駆動車の提案、または人力駆動車の乗り方を提案するための情報を出力する出力装置によれば、人力駆動車の構成に対する適切な評価、または部品、部品の使用方法、または乗り方の提案を出力することができる。

第１実施形態における情報提供サービスを実現する装置群を示す図である。 処理ユニットが搭載された人力駆動車Ａの側面図である。 第１実施形態における処理ユニットの構成を示すブロック図である。 第１実施形態における端末装置および出力装置の構成を示すブロック図である。 第１例の学習モデルの概要を示す図である。 第１例の学習モデルの他の形態を示す図である。 第２例の学習モデルの概要を示す図である。 学習モデルを用いた評価または提案の出力処理の一例を示すフローチャートである。 第２実施形態における端末装置の構成を示すブロック図である。 第２実施形態の第１例の学習モデルの概要を示す図である。 第１例の学習モデルの他の概要を示す図である。 第２実施形態における学習モデルを用いた提案の出力処理の一例を示すフローチャートである。 提案情報の表示例を示す図である。 第２実施形態の第２例の学習モデルの概要を示す図である。 ユーザに対する乗り方の提案情報の表示例を示す図である。

以下の各実施形態に関する説明は、本発明に関する出力装置が取り得る形態の例示であり、その形態を制限することを意図していない。本発明に関する出力装置は、各実施形態の変形例、および、相互に矛盾しない少なくとも２つの変形例が組み合わせられた形態等のように各実施形態とは異なる形態を取り得る。

以下の各実施形態に関する説明において、前、後、前方、後方、左、右、横、上、および、下等の方向を表す言葉は、ユーザが人力駆動車のサドルに着座した状態における方向を基準として用いられる。

（第１実施形態）
第１実施形態では、人力駆動車メーカ、部品メーカまたは販売者によって管理される出力装置１と、出力装置１から提供される人力駆動車の関する評価または提案を表示させる端末装置２とを用いた人力駆動車に関する情報提供サービスを例に挙げて説明する。

図１は、第１実施形態における情報提供サービスを実現する装置群を示す図である。情報提供サービスは、人力駆動車Ａにおける走行中の情報を収集する処理ユニット１００と、出力装置１と、ユーザが使用する端末装置２とにより実現される。情報提供サービスでは、人力駆動車Ａに搭載された処理ユニット１００から、人力駆動車Ａの各部品の情報を含む車両情報、および、人力駆動車Ａの走行時の走行情報のいずれかを端末装置２を介して出力装置１へ提供する。出力装置１は、ユーザの人力駆動車Ａを構成する各部品の情報を含む車両情報、および、人力駆動車Ａの走行時の走行情報の少なくともいずれか１つに関する評価情報および提案情報の少なくともいずれか１つを端末装置２へ出力する。情報提供サービスでは、人力駆動車Ａのユーザに対し、人力駆動車Ａの部品または走り方を評価し、端末装置２を介し、より快適に人力駆動車Ａを走らせるための部品または走り方を提案する。

以下、人力駆動車Ａ内における処理と、人力駆動車Ａから得られる情報に基づく出力装置１および端末装置２における処理とに分けて順に説明する。

［人力駆動車における処理］
情報提供サービスで提案を行なうために、処理ユニット１００が人力駆動車Ａから車体に関する情報、または人力駆動車Ａを走らせたときに得られる走行情報を出力装置１へ提供する必要がある。図２は、処理ユニット１００が搭載された人力駆動車Ａの側面図である。人力駆動車Ａは、電気エネルギーを用いて人力駆動車Ａの推進をアシストするアシスト機構Ｃを含むロードバイクである。人力駆動車Ａの構成は、任意に変更可能である。第１例では、人力駆動車Ａはアシスト機構Ｃを含まない。第２例では、人力駆動車Ａの種類は、シティサイクル、マウンテンバイク、または、クロスバイクである。第３例では、人力駆動車Ａは、第１例および第２例の特徴を含む。

人力駆動車Ａは、フレームＡ１、ステムＡ２、ハンドルバーＡ３、前輪Ａ４、後輪Ａ５、およびシートＡ６を備える。人力駆動車Ａは、駆動機構Ｂ、アシスト機構Ｃ、操作装置Ｄ、変速機Ｅ、シートポストＦ、サスペンションＧ、バッテリユニットＨ、ブレーキＪ、ディスプレイＫ、および処理ユニット１００を備える。人力駆動車Ａは、速度センサＳ１、加速度センサＳ２、角度センサＳ３、ケイデンスセンサＳ４、およびトルクセンサＳ５を備える。

フレームＡ１は、ヘッドチューブＡ１１、トップチューブＡ１２、シートチューブＡ１３、ダウンチューブＡ１４、シートステーＡ１５およびチェーンステーＡ１６を含む。ヘッドチューブＡ１１の上部で、棒状のステムＡ２の一端がフロントフォークＡ１７と連動するように取り付けられる。ハンドルバーＡ３は、ステムＡ２の他端に設けられた孔に挿通された状態で固定される。フロントフォークＡ１７は、ヘッドチューブＡ１１にサスペンションＧを介して取り付けられている。前輪Ａ４は、フロントフォークＡ１７のエンドに、ハブを介して取り付けられる。ヘッドチューブＡ１１は、トップチューブＡ１２およびダウンチューブＡ１４とそれぞれ連結している。シートチューブＡ１３は、トップチューブＡ１２およびダウンチューブＡ１４の間を連結する。シートＡ６は、シートチューブＡ１３の上端に、シートポストＦを介して取り付けられる。シートステーＡ１５およびチェーンステーＡ１６の一端が、シートチューブＡ１３の上端および下端それぞれに連結される。シートステーＡ１５およびチェーンステーＡ１６は他端で互いに連結する。後輪Ａ５は、シートステーＡ１５およびチェーンステーＡ１６の連結部分にハブを介して取り付けられる。

駆動機構Ｂは、チェーンドライブ、ベルトドライブ、またはシャフトドライブによって人力駆動力を後輪Ａ５へ伝達する。図２に示す人力駆動車Ａはチェーンドライブの駆動機構Ｂを示している。駆動機構Ｂは、クランクＢ１、第１スプロケット組立体Ｂ２、第２スプロケット組立体Ｂ３、チェーンＢ４、および、一対のペダルＢ５を含む。

クランクＢ１は、クランク軸Ｂ１１、右クランクＢ１２、および左クランクＢ１３を含む。クランク軸Ｂ１１は、シートチューブＡ１３およびダウンチューブの結合部分に取り付けられたボトムブラケットに回転可能に支持される。右クランクＢ１２および左クランクＢ１３は、それぞれクランク軸Ｂ１１に連結される。一対のペダルＢ５の一方は右クランクＢ１２に回転可能に支持される。一対のペダルＢ５の他方は左クランクＢ１３に回転可能に支持される。

第１スプロケット組立体Ｂ２は、第１回転中心軸心を有し、クランク軸Ｂ１１と一体回転可能に連結される。第１スプロケット組立体Ｂ２は、１または複数のスプロケットＢ２２を含む。クランク軸Ｂ１１の回転中心軸心と第１スプロケット組立体Ｂ２の回転中心軸心は同軸である。

第２スプロケット組立体Ｂ３は、第２回転中心軸心を有し、後輪Ａ５のハブに回転可能に支持される。第２スプロケット組立体Ｂ３は、１または複数のスプロケットＢ３１を含む。

チェーンＢ４は、第１スプロケット組立体Ｂ２のいずれかのスプロケットＢ２２および第２スプロケット組立体Ｂ３のいずれかのスプロケットＢ３１に巻き掛けられる。一対のペダルＢ５に加えられる人力駆動力によってクランクＢ１が前転すると、第１スプロケット組立体Ｂ２がクランクＢ１とともに前転し、第１スプロケット組立体Ｂ２の回転がチェーンＢ４を介して第２スプロケット組立体Ｂ３に伝達されることで後輪Ａ５が前転する。

第１実施形態におけるペダルＢ５は、乗り手の靴の靴底に取り付けられたクリートとの連結具をもつクリップレスペダルである。

アシスト機構Ｃは、人力駆動車Ａの推進をアシストする。アシスト機構Ｃは、一例では第２スプロケット組立体Ｂ３とダウンチューブＡ１４との間に設けられ、第１スプロケット組立体Ｂ２にトルクを伝達することによって人力駆動車Ａの推進をアシストする。アシスト機構Ｃは電気モータを含む。アシスト機構Ｃは減速機を含んでいてもよい。アシスト機構Ｃは、人力駆動車Ａの後輪Ａ５に駆動力を伝達するチェーンＢ４を走行させる。アシスト機構Ｃは、チェーンＢ４の走行をアシストするための信号制御によって制御可能なコンポーネントの一部である。

操作装置Ｄは、ユーザが操作する操作部Ｄ１を含む。操作部Ｄ１は種々の形態をとり得る。コンポーネント群の任意のいずれかに対する操作信号を送ることができる操作装置Ｄ及び操作部Ｄ１であれば形態は問われない。操作部Ｄ１の一例は、１つまたは複数のボタンである。操作装置Ｄは操作部Ｄ１にて、変速機Ｅ、シートポストＦ、サスペンションＧ、およびブレーキＪの少なくともいずれか１つの制御について指定操作を受け付ける。操作部Ｄ１は、アシスト機構Ｃのモード（省エネルギーモード、ハイパワーモード等）の切り替えを受け付けてよい。操作部Ｄ１は第１例では、ブレーキレバーである。操作装置Ｄは、ブレーキＪに対するブレーキレバーの操作量を処理ユニット１００へ出力することができる。変速機Ｅ等のコンポーネント群に対する操作部Ｄ１の操作はブレーキレバーに限られないことは勿論である。操作部Ｄ１は第２例では、変速機Ｅにおける変速段数を指定するボタン、シートポストＦの高さを指定するボタン、サスペンションＧの動作を指定するボタン、アシスト機構Ｃのモードを選択するボタン等を含んでよい。

操作装置Ｄは、操作部Ｄ１の操作に応じた信号を送受信できるように、処理ユニット１００または各コンポーネントに直接的に通信接続される。第１例では、操作装置Ｄは、通信線、または、ＰＬＣ（Power Line Communication）が可能な電線によってコンポーネントと通信接続される。第２例では、操作装置Ｄは、無線通信が可能な無線通信ユニットによってコンポーネントと通信接続される。

変速機Ｅは種々の形態を取り得る。第１例では、変速機Ｅは、第２スプロケット組立体Ｂ３とチェーンＢ４との連結の状態を変更する外装変速機である。第２例では、変速機Ｅは、第１スプロケット組立体Ｂ２とチェーンＢ４との連結の状態を変更する外装変速機である。第３例では、第１例および第２例の組み合わせである。第４例では、変速機Ｅは、内装変速機である。第４例では、変速機Ｅの可動部は、内装変速機のスリーブおよび爪の少なくとも一方を含む。第５例では、変速機Ｅは、無段変速機である。第５例では、変速機Ｅの可動部は、無段変速機のボールプラネタリー（遊星転動体）を含む。変速機Ｅは、変速段数を変更するための信号制御によって制御可能なコンポーネントの一部である。以下の説明では、第１スプロケット組立体Ｂ２とチェーンＢ４との連結の状態、および、第２スプロケット組立体Ｂ３とチェーンＢ４との連結の状態をいずれも変更する第３例を挙げて説明する。

変速機Ｅは、フロントディレーラＥ１およびリアディレーラＥ２を含む。フロントディレーラＥ１は、フレームＡ１のシートチューブＡ１３に取り付けられる。フロントディレーラＥ１は、チェーンガイド、モータ、および段数センサを備える。フロントディレーラＥ１はモータによって、第１スプロケット組立体Ｂ２のスプロケットＢ２２に掛かるチェーンＢ４のチェーンガイドをシフトアップおよびシフトダウン方向に駆動する。フロントディレーラＥ１はモータによってチェーンガイドを、操作部Ｄ１に基づく操作装置Ｄからの変速指示、または図示しない制御ユニットからの自動変速指示に基づいていずれかの変速位置に位置決めする。

リアディレーラＥ２は、後輪Ａ５のクランク軸の端部を支持するチェーンステーＡ１６およびシートステーＡ１５の連結部分にディレーラハンガーを介して取り付けられる。リアディレーラＥ２はチェーンガイド、モータ、および段数センサを備える。リアディレーラＥ２はモータによって、第２スプロケット組立体Ｂ３のスプロケットＢ３１に掛かるチェーンＢ４のチェーンガイドをシフトアップおよびシフトダウン方向に駆動する。リアディレーラＥ２はモータによってチェーンガイドを、操作部Ｄ１に基づく操作装置Ｄからの変速指示、または図示しない制御ユニットからの自動変速指示に基づいていずれかの変速位置に位置決めする。

シートポストＦは、シートＡ６をフレームＡ１に連結させる部品である。シートポストＦは、フレームＡ１のシートチューブＡ１３に設けられたポスト本体Ｆ１と、ポスト本体Ｆ１の上端に設けられたヤグラＦ２とを含む。シートポストＦは第１例では、動作パラメータとして、シート高さを設定することで制御可能なコンポーネントの一部である。シートポストＦは第２例では、制御不可であってポスト本体Ｆ１のシートチューブＡ１３からの突出長は、乗り手自身またはメンテナンスのエンジニアによって調整される。

サスペンションＧは種々の形態をとり得る。サスペンションＧは第１例では前輪Ａ４を支持するフロントフォークＡ１７とヘッドチューブＡ１１との間に設けられ、前輪Ａ４に加えられた衝撃を減衰するフロントサスペンションである。サスペンションＧは、後輪Ａ５に加えられた衝撃を減衰するリアサスペンションであってもよい。サスペンションＧは、フロントサスペンションおよびリアサスペンションの両方を含んでもよい。サスペンションＧは、シートポストＦのポスト本体Ｆ１とシートチューブＡ１３との間に設けられてフレームＡ１への衝撃を減衰するシートサスペンションであってもよい。

バッテリユニットＨは、バッテリＨ１およびバッテリホルダＨ２を含む。バッテリＨ１は、１つ、または複数のバッテリセルを含む蓄電池である。バッテリホルダＨ２は、例えば、人力駆動車ＡのダウンチューブＡ１４に固定される。バッテリホルダＨ２は、フレームＡ１以外の自転車パーツに固定されてもよい。バッテリＨ１は、バッテリホルダＨ２に着脱可能である。バッテリＨ１は、バッテリホルダＨ２に取り付けられた場合に、アシスト機構Ｃ、変速機Ｅ、シートポストＦ、サスペンションＧ、および処理ユニット１００に電気的に接続される。

ブレーキＪは、種々の形態をとり得る。ブレーキＪは、第１例では図２に示すようにリムブレーキである。ブレーキＪは、第２例ではハブブレーキである。

ディスプレイＫは、乗り手であるユーザ向けにハンドルバーＡ３に取り付けられている。ディスプレイＫは一例では、液晶ディスプレイである。ディスプレイＫは他の例では、有機ＥＬディスプレイである。ディスプレイＫは、変速機Ｅとの通信により取得した変速段数を表示することができる。ディスプレイＫは、処理ユニット１００と接続されており、処理ユニット１００から出力される情報を表示出力する。

速度センサＳ１は、フロントフォークＡ１７に固定される。速度センサＳ１は、人力駆動車Ａの走行速度を示す信号を出力するセンサである。速度センサＳ１は例えば、前輪Ａ４のスポークに設けられたマグネットと、フロントフォークＡ１７に設けられてマグネットを検知する本体とを含み、前輪Ａ４の回転速度を計測する。速度センサＳ１は、後輪Ａ５にも設けられ、後輪Ａ５の回転速度も計測するとよい。

加速度センサＳ２は、フレームＡ１に固定される。加速度センサＳ２は第１例ではシートチューブＡ１３に取り付けられる。加速度センサＳ２は第２例では、アシスト機構Ｃまたは処理ユニット１００と一体に設けられてもよい。加速度センサＳ２は、フレームＡ１の振動に対応する加速度を示す信号を出力する。加速度センサＳ２は、フロントフォークＡ１７に取り付けられてもよい。

角度センサＳ３は、フレームＡ１に固定される。角度センサＳ３は第１例では、シートチューブＡ１３に設置される。角度センサＳ３は第２例では、アシスト機構Ｃまたは処理ユニット１００と一体に設けられてもよい。角度センサＳ３は第３例では、ヘッドチューブＡ１１およびステムＡ２に分けて設けられてもよい。角度センサＳ３は、人力駆動車Ａのヨー、ロール、およびピッチを示す信号をそれぞれ出力するセンサである。角度センサＳ３は、三軸全てではなく少なくともいずれか１つを出力するものであってよい。角度センサＳ３は第１例ではジャイロセンサである。角度センサＳ３は第２例では回転角度を出力する方位センサである。

ケイデンスセンサＳ４は、右クランクＢ１２および左クランクＢ１３のいずれかのケイデンスを測定するように設けられる。ケイデンスセンサＳ４は、測定したケイデンスを示す信号を出力する。トルクセンサＳ５は、右クランクＢ１２および左クランクＢ１３に掛かるトルクをそれぞれ測定するように設けられる。トルクセンサＳ５は、右クランクＢ１２および左クランクＢ１３の少なくとも一方において測定されたトルクを示す信号を出力する。

人力駆動車Ａは、上述のセンサ群Ｓ１からＳ５の他に、地磁気センサ、温度センサ、気圧センサ、集音センサまたは照度センサを備えてもよい。人力駆動車Ａは、前輪Ａ４または後輪Ａ５の横力センサをハブ軸受に備えてもよい。人力駆動車Ａは、ペダルＢ５に掛かる力を直接的に測定するセンサおよびペダルＢ５の角度を測定するセンサを備えてもよい。人力駆動車Ａは、乗り手の心拍、発汗量または乳酸値を測定するセンサをハンドルバーＡ３に備えてもよい。

処理ユニット１００は、上述のセンサ群Ｓ１－Ｓ５から走行情報を取得するための装置である。処理ユニット１００は第１例では、フレームＡ１のいずれかの箇所、図２に示したようにアシスト機構Ｃに設けられる。第２例では、バッテリホルダＨ２に設けられる。第３例では、コンポーネント間を通信接続するケーブル（図示せず）が接続されるジャンクションに設けられてもよい。第４例では、人力駆動車Ａのいずれかの箇所に着脱可能に設けられ、コンポ―ネント群夫々から情報を取得してもよい。

図３は、第１実施形態における処理ユニット１００の構成を示すブロック図である。処理ユニット１００は、処理部１０１、記憶部１０３、入出力部１０５、通信部１０７、およびＧＰＳ受信部１０９を備える。

処理部１０１は、ＣＰＵ（Central Processing Unit ）またはＧＰＵ（Graphics Processing Unit）を用いたプロセッサである。処理部１０は、内蔵するＲＯＭ（Read Only Memory）およびＲＡＭ（Random Access Memory）等のメモリを用いて処理を実行する。処理部１０１は、内蔵するタイマーによって逐次、時間情報を取得することができる。

記憶部１０３は、例えばフラッシュメモリ等の不揮発性メモリを含む。記憶部１０３は、処理部１０１によって作成された各コンポーネントの動作状態、およびセンサＳ１－Ｓ５から得られる情報を走行情報として逐次記憶する。記憶部１０３は、処理部１０１内蔵のタイマーによって得られる時刻情報を対応付けてログを記憶するとよい。

入出力部１０５は、人力駆動車Ａに設けられた操作装置Ｄ、およびセンサ群Ｓ１－５に接続される。入出力部１０５は、コンポーネント群に含まれる変速機Ｅ、シートポストＦ、サスペンションＧ、バッテリユニットＨ、およびブレーキＪに接続される。処理部１０１は、入出力部１０５によってディスプレイＫと接続されてもよい。

通信部１０７は、無線通信を行なうデバイスである。通信部１０７は、例えばBluetooth（登録商標）等、近距離無線通信規格により、ディスプレイＫまたは端末装置２と通信を行なうことができる。

ＧＰＳ受信部１０９は、ＧＰＳ信号を受信して人力駆動車Ａの位置を導出するデバイスである。処理部１０１は、ＧＰＳ受信部１０９によって人力駆動車Ａの位置を適宜特定することができる。

このように構成される人力駆動車Ａの処理ユニット１００は、センサＳ１からＳ５から得られる情報またはコンポーネント群から得られる動作状態を示す情報を収集して記憶すると共に、ユーザ向けにディスプレイＫに表示させる情報を出力する。処理部１０１は、記憶部１０３に各種情報を記憶する場合、時間情報と対応付けて記憶する。

処理ユニット１００の処理部１０１は第１例では、ブレーキＪの制動に関する情報を求め記憶部１０３に記憶する。第１例において処理部１０１は具体的には、所定のサンプリング周期（１０ミリ秒、３０ミリ秒、１００ミリ秒等）の都度に、速度センサＳ１で得られる車輪速と、車輪速から求められる速度とを特定して記憶部１０３に記憶する。処理部１０１は、加速度センサＳ２で得られる加速度および減速度を逐次記憶部１０３に記憶する。処理部１０１は、ＧＰＳ受信部１０９によりサンプリング周期で特定される位置を示す位置情報を適宜、記憶部１０３に記憶する。処理部１０１は、ブレーキＪに関し、所定のサンプリング周期の都度、操作装置Ｄから得られるブレーキ操作量、操作速度を記憶部１０３に記憶する。

処理部１０１は、ブレーキＪに関し、以下の処理を所定のサンプリング周期の都度に実行してもよい。以下の処理は、後述の出力装置１にて実行されてもよい。処理部１０１は、速度センサＳ１の車輪速から特定される速度との他に、ＧＰＳ受信部１０９により特定された位置に基づいて得られた速度とを用いて、前輪Ａ４または後輪Ａ５のいずれか一方のスリップ率を算出し、記憶部１０３に記憶しておく。処理部１０１は、速度から減速時の減速度を算出して記憶部１０３に記憶しておく。処理部１０１は、ブレーキの頻度を算出して記憶部１０３に記憶しておく。

処理ユニット１００の処理部１０１は第２例では、車輪に関する情報を求め記憶部１０３に記憶する。第２例において処理部１０１は、速度センサＳ１に基づき得られる車輪速度を逐次、記憶部１０３に記憶する。処理部１０１は第２例においても走行速度を求めて記憶部１０３に記憶してよい。処理部１０１は、角度センサＳ３により得られるヨー、ロール、およびピッチそれぞれにおける傾斜、ハンドルの回転角を取得して記憶部１０３に記憶する。処理部１０１は、角度センサＳ３により得られる人力駆動車Ａの前後の傾きを算出し、逐次記憶部１０３に記憶する。処理部１０１は、ＧＰＳ受信部１０９によりサンプリング周期で特定される位置に基づいて、人力駆動車Ａの進行方向を逐次特定して記憶部１０３に記憶してもよい。処理部１０１は車輪に関し、前輪Ａ４または後輪Ａ５のハブ軸受に設けた横力センサにおける計測値を記憶部１０３に記憶してもよい。

処理部１０１は、車輪に関し、変速機Ｅ、サスペンションＧの動作状態を取得して記憶部１０３に記憶してもよい。

処理ユニット１００の処理部１０１は、センサ群Ｓ１－３によって得られる情報をディスプレイＫに表示する。例えば処理部１０１は、速度センサＳ１から得られる速度を示す数値をディスプレイＫに表示する。処理部１０１は、人力駆動車Ａの傾きを導出し、ディスプレイＫに人力駆動車Ａのイラストに合わせてグラフィック的に表示させる。処理部１０１は、ブレーキＪの操作量をディスプレイＫに表示させてもよい。

処理ユニット１００の処理部１０１は、通信部１０７により、端末装置２と通信接続が確立されたことを検知すると、記憶部１０３に記憶してあるブレーキＪの制動に関する情報、または車輪に関する情報を読み出して端末装置２へ送信する。

［端末装置２および出力装置１における処理］
図４は、第１実施形態における端末装置２および出力装置１の構成を示すブロック図である。第１実施形態において出力装置１は、サーバコンピュータを用いる。出力装置１は、パーソナルコンピュータであってもよい。出力装置１は、処理部１０、記憶部１２、および通信部１４を備える。第１実施形態において以下では、出力装置１は１台のサーバコンピュータとして説明するが、複数のサーバコンピュータで機能または処理を分散させてもよいし、１台の大型コンピュータに仮想的に生成される複数のインスタンスの内の１つであってもよい。

処理部１０は、ＣＰＵまたはＧＰＵを用いたプロセッサである。処理部１０は、内蔵するＲＯＭおよびＲＡＭ等のメモリを用い、各構成部を制御して処理を実行する。処理部１０は、記憶部１２に記憶されている学習モデル１Ｍを含む制御プログラム１Ｐに基づき、学習モデル１Ｍを用いて人力駆動車Ａの評価、または乗り方の評価を端末装置２へ向けて出力する。処理部１０は、評価に基づいて部品、または乗り方に関する提案を端末装置２へ出力してもよい。

記憶部１２は、ハードディスク、または、ＳＳＤ（Solid State Drive ）を用い、制御プログラム１Ｐを含む処理部１０が参照するプログラム、およびデータを記憶する。記憶部１２は学習モデル１Ｍを記憶する。記憶部１２には、人力駆動車Ａおよび他の人力駆動車の部品の種別、品番、特性を示す情報がデータベース化されている。制御プログラム１Ｐ、および学習モデル１Ｍは、記憶媒体３に記憶された制御プログラム３０Ｐおよび学習モデル３０Ｍを読み出して記憶部１２に複製されたものであってもよい。

通信部１４は、公衆通信網Ｎ１を含むネットワークＮを介した端末装置２との通信接続を実現する通信モジュールである。通信部１４は例えば、Wi-Fi に対応する無線通信デバイスである。通信部１４は第２例では、ネットワークＮに含まれるキャリアネットワークＮ２を介した通信接続を実現するキャリア通信用モジュールである。通信部１４は第３例では有線接続用のネットワークカードである。

端末装置２は、メンテナンスを行なう人力駆動車Ａのユーザ、または人力駆動車Ａの販売者が所有するタブレット等の通信端末である。端末装置２は、所謂スマートフォンであってもよい。端末装置２は、ラップトップ型のパーソナルコンピュータであってもよい。端末装置２は、処理部２０、記憶部２２、第１通信部２４、第２通信部２５、表示部２６、および操作部２８を備える。

処理部２０は、ＣＰＵまたはＧＰＵを用いたプロセッサである。処理部２０は、内蔵するＲＯＭ、およびＲＡＭ等のメモリを用い、各構成部を制御して処理を実行する。処理部２０は、プロセッサ、メモリ、記憶部２２、第１通信部２４および第２通信部２５を集積した１つのハードウェア、ＳｏＣ（System On a Chip）として構成されていてもよい。処理部２０は、記憶部２２に記憶されているメンテナンスアプリプログラム２Ｐに基づいて、人力駆動車Ａの組み立てに関する情報を表示部２６に表示する。

記憶部２２は、フラッシュメモリを用い、メンテナンスアプリプログラム２Ｐを含む処理部２０が参照するプログラム、およびデータを記憶する。記憶部２２に記憶されているメンテナンスアプリプログラム２Ｐは、人力駆動車Ａの部品メーカから提供され、任意の配信サーバから配信され、汎用コンピュータである端末装置２にインストールされる。メンテナンスアプリプログラム２Ｐは、記憶媒体５に記憶されたメンテナンスアプリプログラム５０Ｐを読み出して記憶部２２に複製されたものであってもよい。

記憶部２２には、ユーザが使用する人力駆動車Ａに関する情報が記憶されている。記憶部２２には、人力駆動車Ａの車両情報が記憶されている。車両情報は、人力駆動車Ａの種類を示す情報を含む。種類は例えばシティサイクル、マウンテンバイク、および、クロスバイクである。車両情報は、人力駆動車Ａを構成する変速機Ｅ、シートポストＦ、サスペンションＧ等のコンポーネント、および他の部品の品番を含む。車両情報は、人力駆動車ＡのフレームＡ１の寸法を含む。車両情報は、フォークオフセットの長さ、前輪Ａ４の太さを含む。これらの車両情報は、メンテナンスアプリプログラム２０Ｐに基づき表示される入力画面にて、ユーザの操作部２８による入力操作を受け付けて記憶されてもよいし、処理ユニット１００から取得されて記憶されてもよい。

第１通信部２４は、公衆通信網Ｎ１への通信接続を実現する通信モジュールである。第１通信部２４は例えば、Wi-Fi に対応する無線通信デバイスである。第１通信部２４は第２例では、キャリアネットワークＮ２を介した通信を実現するキャリア通信用モジュールである。第１通信部２４は第３例ではネットワークカードである。

第２通信部２５は、処理ユニット１００との通信接続を実現する通信モジュールである。第２通信部２５は、例えばBluetooth（登録商標）等、近距離無線通信規格により、処理ユニット１００と通信を行なうことができる。

表示部２６は、液晶パネルまたは有機ＥＬディスプレイ等のディスプレイ装置を用いる。表示部２６は、人力駆動車Ａ、またはその乗り方に関する評価を表示する。表示部２６は、人力駆動車Ａに関するカスタマイズ等の提案を表示するために用いられる。

操作部２８は、利用者の操作を受け付けるインタフェースであり、物理ボタン、ディスプレイ内蔵のタッチパネルデバイス、スピーカ、およびマイクロフォン等を用いる。操作部２８は、物理ボタンまたはタッチパネルにて表示部２６で表示している画面上で操作を受け付けてもよいし、マイクロフォンにて入力音声から操作内容を認識し、スピーカで出力する音声との対話形式で操作を受け付けてもよい。

上述のような構成を有する第１実施形態の出力装置１は、制御プログラム１０Ｐに基づき、後述する学習アルゴリズムによって学習された学習モデル１Ｍを用いて、人力駆動車Ａの車両情報および走行中に得られる走行情報に応じて、人力駆動車Ａの構成を評価する評価情報を出力する。出力装置１は評価に基づいて人力駆動車Ａのカスタマイズに関する提案情報を出力する。出力情報は端末装置２へ送信され、端末装置２では、メンテナンスアプリプログラム２Ｐに基づいてこれを受信し、受信した出力情報に基づいて人力駆動車Ａの構成の評価および提案情報を表示部２６に表示する。

第１実施形態の出力装置１で用いられる学習モデル１Ｍについて説明する。学習モデル１Ｍは予め、出力装置１または外部装置によって生成され、学習される。図５は、第１例の学習モデル１Ｍの概要を示す図である。出力装置１は、ニューラルネットワーク（以下ＮＮ：Neural Network）を用いた教師ありの深層学習アルゴリズムによって人力駆動車Ａの部品の取り付け状態に関する入力情報に対する出力情報を出力する学習モデル１Ｍを生成する。学習アルゴリズムは教師なしの学習アルゴリズムでもよいし、リカレントニューラルネットワーク（Recurrent Neural Network）でもよい。学習アルゴリズムは強化学習でもよい。

図５に示す例では、学習モデル１Ｍは、人力駆動車ＡのブレーキＪに関する入力情報を入力する入力層３１と、人力駆動車Ａの乗り手のカテゴリーに関する出力情報を出力する出力層３２とを備える。学習モデル１Ｍは、入力情報が入力された場合に、乗り手の評価としてカテゴリーを出力するように教師データによって学習済みのパラメータを有する中間層３３を備える。入力層３１に、人力駆動車ＡのブレーキＪに関する情報が入力された場合、学習済みパラメータによって中間層３３で演算が行なわれ、出力層３２から、人力駆動車Ａの乗り手のカテゴリーに関する出力情報が出力される。

乗り手のカテゴリーは、タイプ、乗車環境の種別、および技量レベルのいずれかに基づき分類される。入力される情報は例えば、走行速度、減速度およびスリップ率を含む走行情報である。図５に示すように処理部１０は、時系列で記憶されてあったデータをグラフ化して画像として入力してもよい。出力装置１の処理部１０は、車輪速から得られる走行速度と、ＧＰＳにより特定された位置情報に基づいて得られる走行速度とを用い、スリップ率を算出して学習モデル１Ｍに入力する。スリップ率についても処理部１０は、時系列に算出し、グラフ化して画像として入力してもよい。スリップ率に関しては前輪Ａ４および後輪Ａ５それぞれについて算出してもよい。処理部１０は、制動フィードバック操作、操作速度を算出して入力してもよい。出力情報の乗り手のタイプは例えば、直線的な道をより速く走行するスプリンタータイプ、傾斜の多い道を速く走行するクライマータイプ、または長い距離を走行できるスタミナタイプである。出力情報の乗車環境は例えば、舗装されたオンロード、舗装されていないオフロードである。技量は例えば、高レベル、中レベルである。

処理部１０は、試験環境にて多様な人力駆動車Ａを走行させて得られるこれらの入力情報に、既知のカテゴリーが付与された情報群を教師データとして予め収集して学習モデル１Ｍを学習する。例えば、技量が高いレベルであってスプリンタータイプであることが既知の乗り手にオンロードを走行してもらい得られる走行速度、加速度、減速度、スリップ率等を入力情報として収集する。また技量が中レベルであってスタミナタイプであることが既知の乗り手にオンロードを走行してもらい得られる走行速度、加速度、減速度、スリップ率等を入力情報として収集する。このように、タイプ、乗車環境、および技量が既知の乗り手の走行情報を教師データとして学習された学習モデル１Ｍに対し、新たに入力された情報に基づいてユーザがいずれのタイプ、乗車環境および技量であるかの分類を、多様な入力情報に応じて出力できるように学習される。時系列に変化する走行速度、加減速度、スリップ率は、人力駆動車Ａの１回の走行の分類は、タイプ等の分類によって差異がることが既知であるところ、それらの情報について閾値等で判別することは非常に困難である。統計的処理によって分類されてもよいが学習モデル１Ｍを用いることで分類が容易になる。図５に示す学習モデル１Ｍを用いる場合、出力装置１は、入力された情報に対して出力された出力情報に基づいて、タイプ別、乗車環境別、および技量別に適切な部品として記憶部１２にデータベース化してある部品の情報を出力する。

学習モデル１Ｍは、図５に示したようにカテゴリーとして乗り手のタイプ、乗車環境の種別、および技量レベルのいずれかを出力してもよいが、カテゴリーも入力情報として入力し、推奨されるブレーキＪに関する部品を出力するものであってもよい。この場合、技量は累積走行距離等で判別されてもよい。図６は、第１例の学習モデル１Ｍの他の形態を示す図である。

図６に示す例にて学習モデル１Ｍは、人力駆動車ＡのブレーキＪに関する入力情報および乗り手のカテゴリーに関する入力情報を入力する入力層３１と、推奨される部品に関する出力情報を出力する出力層３２とを備える。学習モデル１Ｍは、入力情報が入力された場合に、推奨される部品の情報を出力するように教師データによって学習済みのパラメータを有する中間層３３を備える。入力層３１に、人力駆動車ＡのブレーキＪに関する情報および乗り手のカテゴリーが入力された場合、学習済みパラメータによって中間層３３で演算が行なわれ、出力層３２から、推奨される部品に関する出力情報が出力される。

図６における学習モデル１Ｍは、車輪速、走行速度、加速度、減速度、スリップ率が入力された場合に、推奨される部品を出力するように学習される。例えば、既知のカテゴリーの乗り手が使用している部品の情報を収集し、似たようなタイプの乗り手がよく使用している部品を出力するように学習されてもよい。既知のカテゴリーの乗り手に、プロのメンテナンスエンジニアが推奨している部品を出力するように学習されるとよい。例えば学習モデル１Ｍは、スリップ率が所定の限界を頻繁に超える場合には剛性が標準的な値よりも低く、摩擦係数が低い材料のブレーキＪを出力するように学習してあるとよい。またブレーキの操作回数が多い場合にも剛性が標準的な値よりも低く、摩擦係数が低い材料のブレーキＪを出力するように学習してあるとよい。

図７は、第２例の学習モデル１Ｍの概要を示す図である。図７に示す例では、学習モデル１Ｍは、人力駆動車Ａの車輪に関する入力情報を入力する入力層３１と、車体または車輪に関する部品の選択肢から提案される出力情報を出力する出力層３２とを備える。学習モデル１Ｍは、入力情報が入力された場合に、推奨される部品を出力するように教師データによって学習済みのパラメータを有する中間層３３を備える。入力層３１に、車輪に関する情報が入力された場合、学習済みパラメータによって中間層３３で演算が行なわれ、出力層３２から、人力駆動車Ａに対し推奨される部品に関する出力情報が出力される。

図７に示す第２例の学習モデル１Ｍに入力される情報は例えば、フレームの寸法、フォークオフセットの長さ、および車輪の太さ等の車両情報と、加速度、減速度、ハンドルの回転角度、車体の傾斜、軸荷重、および車輪横力等の走行情報とを含む。図７に示す例では入力情報は時系列で変化する情報と、変化しない車体情報とが含まれるので、学習モデル１Ｍを２つに分ける構成が好ましい。例えば、１つ目のモデルに時系列に変化する情報をまとめて入力して得られる出力と、車体情報とを２つ目のモデルに入力して最終的な出力情報を出力する構成が好ましい。

図７に示す例において出力装置１の処理部１０は、車体の傾斜とフレームの寸法に基づいて軸荷重を算出して入力する。処理部１０は、車輪の接地長さ、車輪の種類から求められる弾性係数、スリップ角度を用いて遠心力と釣り合う力として車輪横力を算出して入力する。横力センサから直接得られる情報を入力してもよい。スリップ角度は、ＧＰＳに基づいて逐次求められる進行方向とハンドルの回転角度とで算出されてもよい。図７に示す学習モデル１Ｍは例えば、人力駆動車Ａが直進しているにもかかわらず、頻繁に蛇行運転している場合には、短いオフセットのフロントフォークＡ１７を提案するか、より太い車輪を提案するように学習される。図７に示す学習モデル１Ｍは、人力駆動車Ａがコーナーを曲がる際に、車体傾斜角度が大きいにもかかわらず、回頭モーメントが小さい場合には、長いオフセットのフロントフォークＡ１７を提案するか、より細い車輪を提案するように学習される。

図５から図７に示した学習モデル１Ｍは、人力駆動車Ａの種類別、具体的にはシティサイクル、マウンテンバイク、および、クロスバイク別に学習されてもよい。図５から図７に示した学習モデル１Ｍは、人力駆動車Ａの構成毎に準備されてもよい。ここで構成とは、人力駆動車ＡのフレームＡ１、コンポーネント群Ｅ，Ｆ，Ｇ，Ｈ，Ｊそれぞれの組み合わせである。学習モデル１Ｍは例えばフレームＡ１のタイプ、変速機ＥおよびサスペンションＧの品番の組み合わせ等の車両情報に対応する構成別に準備されるとよい。

学習モデル１Ｍの内容例が図５から図７に示した例に限られないことは勿論である。評価または提案の内容に応じて適宜入力情報に応じた出力情報を出力するように学習されるとよい。

図８は、学習モデル１Ｍを用いた評価または提案の出力処理の一例を示すフローチャートである。走行中にセンサ群Ｓ１－Ｓ５から得られた情報を記憶した処理ユニット１００を備える人力駆動車Ａを停車させた状態で、ユーザが端末装置２からメンテナンスアプリプログラム２０Ｐに基づいてメンテナンス処理を開始させると、以下の処理が開始される。

端末装置２の処理部２０は、第２通信部２５により処理ユニット１００と通信接続を確立させると（ステップＳ２０１）、処理ユニット１００から記憶部１０３に記憶してある走行情報を取得する（ステップＳ２０３）。処理部２０は、記憶部２２から、人力駆動車Ａの車両情報の内の必要な情報を読み出して取得する（ステップＳ２０５）。処理部２０は、取得した走行情報および車両情報を第１通信部２４により出力装置１へ送信する（ステップＳ２０７）。

出力装置１は、処理ユニット１００にて得られた走行情報と、端末装置２に記憶されていた車両情報とを通信部１４により受信する（ステップＳ１０１）。出力装置１の処理部１０は、受信した走行情報および車両情報を学習モデル１Ｍに与え（ステップＳ１０３）、学習モデル１Ｍから出力される出力情報を特定する（ステップＳ１０５）。ステップＳ１０３では、学習モデル１Ｍが走行情報のみを入力する場合には走行情報のみを与えてもよいし、車両情報のみを入力する場合には車両情報のみを与えてもよい。

ステップＳ１０３において処理部１０は、図５から図７に示した学習モデル１Ｍの内、記憶部１２に記憶してあるいずれかに情報を与えて出力情報を特定する。

ステップＳ１０３において処理部１０は、学習モデル１Ｍが人力駆動車Ａの種類別に学習されている場合には、人力駆動車Ａの種類の指定を端末装置２から受信し、指定された種類に対応する学習モデルを選択する。学習モデル１Ｍが、人力駆動車Ａの構成毎に準備されている場合、処理部１０は、車両情報の構成毎に学習モデル１Ｍを選択する。

出力装置１の処理部１０は、特定された出力情報に基づく評価または提案を端末装置２へ送信する（ステップＳ１０７）。ステップＳ１０７で送信される情報は、学習モデル１Ｍの出力情報の内容に応じて異なってよい。処理部１０は上述したように、学習モデル１Ｍが図５に示したようにブレーキＪに関する乗り手を評価する情報を出力するケースでは、乗り手のタイプ別、乗車環境別、および技量別に適切な部品を提案情報としてステップＳ１０７で送信する。処理部１０はこの場合、端末装置２から送信された車両情報が示す部品と、学習モデル１Ｍから出力された適切な部品とに差異がある場合のみに提案情報を送信するようにしてもよい。

端末装置２は、第１通信部２４により評価または提案を受信し（ステップＳ２０９）、表示部２６に表示し（ステップＳ２１１）、処理を終了する。

このようにして、ベテランの組立エンジニア、またはコーチングスタッフによって提示されるような、人力駆動車Ａの構成に対する適切な評価、または部品、部品の使用方法、または乗り方の提案をコンピュータに実行させることが可能になる。このため、熟練のメンテナンスエンジニア、適切なアドバイスができるエンジニアが全てのユーザに対し、メンテナンスアプリプログラム２０Ｐをインストールした端末装置２から提供できる。

第１実施形態では、処理ユニット１００から得られる情報を、端末装置２を介して取得した出力装置１が、取得した情報に基づく提案を端末装置２へ示す構成とした。しかしながら処理ユニット１００が学習モデル１Ｍを記憶して出力装置１の機能を果たし、ディスプレイＫへ提案情報を出力するようにしてもよい。この場合、処理ユニット１００が出力装置１として単体で機能し、端末装置２は使用されない。

（第２実施形態）
第１実施形態では、外部の出力装置１が、学習モデル１Ｍに基づいて各種収集した情報に基づいて評価情報を出力した。しかしながらこれに限らず、ユーザが所持する端末装置２内で出力装置１の機能を果たしてもよい。

第２実施形態では、端末装置２にて学習モデル２Ｍを用いて出力装置１の機能を果たす。図９は、第２実施形態における端末装置２の構成を示すブロック図である。第２実施形態における端末装置２の構成は、学習モデル２Ｍが記憶されていること、学習モデル２Ｍに基づくサポートアプリプログラム２２Ｐに基づく処理の詳細が異なる点以外、ハードウェア構成は実施の形態１における構成と同様であるので、共通する構成には同一の符号を付して詳細な説明を省略する。第２実施形態では、処理ユニット１００無しに、端末装置２が直接的にコンポーネント群又はセンサ群Ｓ１－Ｓ５から走行情報を取得してもよい。

記憶部２２には、サポートアプリプログラム２２Ｐおよび学習モデル２Ｍが記憶されている。サポートアプリプログラム２２Ｐおよび学習モデル２Ｍは、記憶媒体５に記憶されたサポートアプリプログラム５２Ｐおよび学習モデル５０Ｍを処理部２０が読み出して記憶部２２に複製したものであってもよい。

処理部２０は第１実施形態と同様に、第２通信部２５により、処理ユニット１００と接続可能であり、処理ユニット１００から人力駆動車Ａの走行情報を取得することができる。第２実施形態では処理部１０は、第２通信部２５により、生体情報を取得するセンサ２９と通信接続が可能である。

センサ２９は、心拍、体表温度、発汗量、または乳酸値を取得する生体情報センサである。センサ２９は第１例では胸部に貼り付ける態様のセンサである。センサ２９は第２例では腕に巻くバンドを含むウェアラブルデバイスである。

第２実施形態における処理ユニット１００は、後述の学習モデル２Ｍで用いる快適度を算出してもよい。例えば処理ユニット１００の処理部１０１は、乗り手の快適度に関する情報を求め記憶部１０３に記憶する。処理部１０１は、ケイデンスセンサＳ４から得られるケイデンスを逐次記憶部１０３に記憶する。処理部１０１は、トルクセンサＳ５から得られるトルクを逐次記憶部１０３に記憶する。処理部１０１は、トルクセンサＳ５から得られるトルクに基づいて、ペダルＢ５への荷重を算出して逐次記憶部１０３へ記憶してもよい。

他の例において処理部１０１は、乗り手の快適度に関し、姿勢に関する情報を取得するセンサを用い、逐次記憶部１０３に記憶してもよい。乗り手の姿勢に関する情報は例えば角度センサＳ３から取得できるステムＡ２の角度であってもよいし、シートポストＦから取得するシートＡ６の高さであってよい。シートポストＦにてシートＡ６の傾きを取得できる場合には、シートＡ６の傾きであってよい。シートＡ６およびハンドルバーＡ３に掛かる体重分布を取得できるセンサが用いられてもよい。乗り手の姿勢によって乗り手への負荷を快適度として評価することができる。

端末装置２に記憶されている学習モデル２Ｍは、以下のようにして生成され、学習される。学習モデル２Ｍは、端末装置２ではなく外部装置、例えば部品メーカが管理するコンピュータによって予め生成される。

第２実施形態において第１例の学習モデル２Ｍは、所定の学習用のコースを多様な乗り手に各々の人力駆動車Ａで走行させたときの人力駆動車Ａの仕様を含む車両情報、および、走行中の加速度、減速度を含む走行情報の少なくとも１つに関し、快適度に基づくラベルが付与された教師データによって学習される。第２実施形態の第１例の学習モデル２Ｍは、人力駆動車Ａが所定コースを走行することによって新たに得られる実走快適度を、車両情報または走行情報と共に入力することによって、走行情報または車両情報に対する評価情報および提案情報の少なくともいずれか１つを出力する。

このため、多様な乗り手が乗る人力駆動車Ａの構成、例えば部品の品番が教師データとして収集される。人力駆動車Ａ毎に、人力駆動車Ａを構成する各パーツの寸法、例えばハンドルの幅、ステムＡ２の長さ、シートポストＦにおけるシートＡ６の高さ等の車両情報が教師データとして収集される。多様な人力駆動車Ａについて人力駆動車Ａ毎に、前輪Ａ４または後輪Ａ５の幅、リム幅、またはリム高さ等の車両情報が教師データとして収集されてよい。人力駆動車Ａ毎に、クランクＢ１のクランク長、ギアの大きさ等の車両情報が収集されてもよい。多様な乗り手による所定の学習用コースを走行したときの走行情報、例えば加速度、減速度、傾斜、ケイデンス、またはトルクが、人力駆動車Ａ毎に処理ユニット１００から収集されるとよい。多様な乗り手による所定の学習用コースを走行したときの生体情報、たとえば心拍数、体表温度、発汗量または乳酸値が、人力駆動車Ａ毎に収集されてもよい。人力駆動車Ａそれぞれに対応付けて乗り手の身長または体重の情報が収集されるとよい。

快適度に基づくラベルは例えば、収集された情報の内、走行情報に含まれるペダルＢ５への荷重および角度の少なくともいずれか１つの変化に基づいて学習モデル２Ｍを作成するオペレータによって付与されるとよい。ラベルは例えば、ペダルＢ５への荷重および角度の少なくともいずれか１つの変化が所定範囲内に収まるほどに、より快適であることを示す高評価で付与される。変化が所定範囲外にはずれる場合にはラベルは不快であることを示す低評価で付与される。快適度に基づくラベルは、収集された情報の内、車両情報に含まれるシートＡ６の高さ、走行情報に含まれるステムＡ２の角度を用いて付与されてもよい。快適度に基づくラベルはその他に、収集された情報の内、生体情報に含まれる心拍数、体表温度、発汗量または乳酸値に基づいて付与されてもよい。ラベルは例えば、心拍数が乗り手の通常の心拍数を基準として所定の割合以上高い場合には不快を示す低評価、所定範囲に収まる場合には高評価で付与されてもよい。

図１０は、第２実施形態の第１例の学習モデル２Ｍの概要を示す図である。図１０に示す例では、学習モデル２Ｍは、人力駆動車Ａで走行した場合の車両情報および走行情報を入力する入力層３１と、乗り方の提案情報を出力する出力層３２とを備える。入力層３１には、走行情報の一部から得られる快適度が入力される。学習モデル２Ｍは、入力情報が入力された場合に、より快適に走行できるような乗り方の提案を出力するように教師データによって学習済みのパラメータを有する中間層３３を備える。入力層３１に、ユーザの人力駆動車Ａの車両情報と、その人力駆動車Ａで学習用コースと同一のコースを実際にユーザが走行した場合に得られる走行情報とが実走快適度と共に入力された場合、学習済みパラメータによって中間層３３で演算が行なわれ、出力層３２から、人力駆動車Ａの乗り方の提案に関する出力情報が出力される。

図１０の例では出力層３２から、提案に関する出力情報として、乗り手による人力駆動車Ａへの人力駆動力の入力位置に関する情報を出力する。入力位置は例えば、力を入力すべきクランクＢ１の角度およびペダルＢ５の角度を示す。具体的には、その所定のコースではある角度で人力駆動力を入力することによって、快適に即ち、ペダルＢ５への荷重および角度が所定範囲内に収まるように人力駆動車Ａを走行させることができると提案される。

図１１は、第１例の学習モデル２Ｍの他の概要を示す図である。図１１に示す例では、図１０と比較して、車両情報および走行情報、走行情報から得られる快適度を、所定のコースを走行した場合の時間分布でグラフ化して入力するようにしてある。これにより、所定のコース中では、どのタイミングでどの角度で人力駆動力を入力することでより快適に走行することができるかを端末装置２が提案することが可能になる。入力すべき人力駆動力の配分を提案するように学習されてもよい。

第１例の学習モデル２Ｍは、図１０または図１１で示したように、人力駆動力を入力する位置に関する提案を出力したが、乗り方の提案情報はこれに限らないことは勿論である。乗り方の提案情報はその他、人力駆動車ＡのペダルＢ５に対する乗り手のシューズの位置に関する情報を含んでもよい。乗り方の提案情報は、ユーザのシューズに対してシューズに取り付けられるクリートのシューズに対する位置の修正に関する情報を含んでもよい。クリートの位置の調整は、ペダルＢ５側のクリートとの嵌合部にアクチュエータを設け、アクチュエータによって自動で可能であってもよい。この場合、処理ユニット１００へ位置の調整を指示する信号が端末装置２から送信され、ユーザは自身でシューズとペダルＢ５との間の位置関係を調整することなく、処理ユニット１００にて自動的に調整することが可能であってもよい。人力駆動車Ａの傾斜に応じて処理ユニット１００によってシューズとペダルＢ５との位置関係が自動で調整されてもよい。

学習モデル２Ｍは、乗り方の提案情報を出力するのではなく、人力駆動車Ａの車体または車輪に関する部品の選択肢から提案される部品の情報を出力してもよい。

図１２は、第２実施形態における学習モデル２Ｍを用いた提案の出力処理の一例を示すフローチャートである。端末装置２を用いてユーザがサポートアプリプログラム２２Ｐに基づいて提案を開始させることで、以下の処理が開始される。

端末装置２の処理部２０は、記憶部２２に記憶してある対象の人力駆動車Ａの車両情報を読み出しておく（ステップＳ２２１）。

処理部２０は、サンプリング周期毎に、第２通信部２５により処理ユニット１００と通信接続を確立させると（ステップＳ２２３）、処理ユニット１００から記憶部１０３に記憶してある前回取得した後に記憶された走行情報を取得する（ステップＳ２２５）。処理部２０は、処理ユニット１００との通信接続を切断し（ステップＳ２２７）、第２通信部２５によりセンサ２９と通信接続し（ステップＳ２２９）、センサ２９から生体情報を取得し（ステップＳ２３１）、センサ２９との通信接続を切断する（ステップＳ２３３）。

端末装置２がセンサ２９および処理ユニット１００と同時に通信接続が可能な構成では、ステップＳ２２７、Ｓ２３３の処理は不要である。

処理部２０は、ステップＳ２２５で取得した走行情報から実走快適度を求め（ステップＳ２３５）、車両情報と走行情報とステップＳ２３５で求めた実走快適度とを学習モデル２Ｍへ与える（ステップＳ２３７）。処理部２０は、学習モデル２Ｍから出力される提案に関する情報を特定する（ステップＳ２３９）。

処理部２０は、処理ユニット１００と通信接続し（ステップＳ２４１）、特定された提案に関する情報、例えばペダルＢ５の位置または角度に関する提案情報を処理ユニット１００へ送信し（ステップＳ２４３）、通信接続を切断する（ステップＳ２４５）。ステップＳ２４３において処理部２０は、処理ユニット１００のディスプレイＫで提案情報を表示するための表示データを送信するとよい。

処理部２０は、所定のコースの走行が終了したか否かを判断する（ステップＳ２４７）。処理部２０は、ステップＳ２４７にて、走行完了操作が行なわれたか、処理ユニット１００から得られる位置情報に基づいて走行が終了したかを判断して終了してよい。走行が終了していないと判断された場合（Ｓ２４７：ＮＯ）、処理部２０は処理をステップＳ２２３へ戻し、次のサンプリング周期での処理を実行する。

ステップＳ２４７で走行が終了したと判断された場合（Ｓ２４７：ＹＥＳ）、処理部２０は処理を終了する。

処理ユニット１００では、処理部１０１が端末装置２と提案情報が送信される都度これを受信し（ステップＳ３０１）、受信した提案情報に基づいて提案情報をディスプレイＫに表示させる（ステップＳ３０３）。

これにより、人力駆動車Ａの走行中に、処理ユニット１００のディスプレイＫに例えば、ペダルＢ５の位置、例えばペダルＢ５に人力駆動力を入力するクランクＢ１の角度の提案が表示される。表示態様は、メッセージでもよいが、グラフィックでもよい。図１３は、提案情報の表示例を示す図である。図１３に示すように、右クランクＢ１２がどのあたりでペダルＢ５をどのような角度で踏み込まれるとよいかの提案が表示される。その他、ペダルＢ５に対するシューズの位置をグラフィックで表示してもよい。

第２実施形態において第２例の学習モデル２Ｍは、所定の学習用のコースを複数の特定の乗り手が各々の人力駆動車Ａを走行させた情報に基づいて、特定の乗り手別に学習される。第２例の学習モデル２Ｍは、車両情報および前記走行情報の少なくともいずれか１つに関して、タイムレコードに基づくラベルが付与された教師データを用いて学習される。第２実施形態の第２例の学習モデル２Ｍは、人力駆動車Ａが所定コースを走行することによって得られる実走タイムレコードを学習モデル２Ｍに入力することによって、評価情報および前記提案情報の少なくともいずれか１つを出力する。

第２例の学習モデル２Ｍの生成および学習のために収集される教師データは、第１例の学習モデル２Ｍにおける教師データと同様である。人力駆動車Ａ毎に、人力駆動車Ａを構成する各パーツの寸法、例えばハンドルの幅、ステムＡ２の長さ、シートポストＦにおけるシートＡ６の高さ等の車両情報が教師データとして収集される。人力駆動車Ａ毎に、前輪Ａ４または後輪Ａ５の幅、リム幅、またはリム高さ等の車両情報が教師データとして収集されてよい。人力駆動車Ａ毎に、クランクＢ１のクランク長、ギアの大きさ等の車両情報が収集されてもよい。各乗り手による所定の学習用コースを走行したときの走行情報、例えば加速度、減速度、傾斜、ケイデンス、またはトルクが、人力駆動車Ａ毎に処理ユニット１００から集中されるとよい。各乗り手による所定の学習用コースを走行したときの生体情報、たとえば心拍数、体表温度、発汗量または乳酸値が、人力駆動車Ａ毎に収集されてもよい。人力駆動車Ａそれぞれに対応付けて乗り手の身長または体重の情報が収集されるとよい。

タイムレコードに基づくラベルは例えば、同一の所定コースについて走行タイムが短い程に高評価で付与され、走行タイムが長い程に低評価で付与されてもよい。

図１４は、第２実施形態の第２例の学習モデル２Ｍの概要を示す図である。図１４に示す例では、学習モデル２Ｍは、人力駆動車Ａを走行した場合の車両情報および走行情報を入力する入力層３１と、乗り方の提案情報を出力する出力層３２とを備える。入力層３１には、タイムレコードが入力される。学習モデル２Ｍは、入力情報が入力された場合に、よりタイムレコードを短くできるような乗り方の提案を出力するように、特定の乗り手の走行情報およびタイムレコードに基づく教師データによって学習済みのパラメータを有する中間層３３を備える。入力層３１に、ユーザの人力駆動車Ａの車両情報と、その人力駆動車Ａで選択された所定の走行コースを実際にユーザが走行した場合に得られる走行情報とがタイムレコードと共に入力された場合、学習済みパラメータによって中間層３３で演算が行なわれ、出力層３２から選択された特定の乗り手の乗り方に則した提案情報が出力される。

図１４の例では出力層３２から、提案に関する出力情報として第１例同様に、乗り手による人力駆動車Ａへの人力駆動力の入力位置に関する情報を出力する。出力層３２は、傾斜の大小の評価を出力してもよい。

これにより、特定の乗り手として例えばプロライダーに所定コースを走行してもらい得られたデータに基づいて学習することで、ユーザの乗り方とプロライダーの乗り方との比較が可能になる。

図１４に示した学習モデル２Ｍを用いた評価または提案情報の出力手順は、快適度をタイムレコードに代替する点以外は図１２のフローチャートに示した手順と同様であるから詳細な説明を省略する。

学習モデル２Ｍは、入力される車両情報の種類別に、特定の乗り手別に前記乗り手による走行時の走行情報を教師データとして学習されていてもよい。例えば、ロードバイクにおけるレースで実績のある特定のプロライダーと、マウンテンバイクのオフロードレースで実績のある特定のプロライダーとで別個に学習されてあることで、ユーザの嗜好および人力駆動車Ａの種類に応じた学習モデル２Ｍを適切に選択することが可能である。この場合、ユーザは端末装置２にてサポートアプリプログラム２２Ｐに基づいて学習モデル２２Ｍを特定の乗り手の名前等の識別情報で選択する。端末装置２の処理部２０は、選択された乗り手の教師データで学習された学習モデル２Ｍを選択し、選択した学習モデル２Ｍにユーザの人力駆動車Ａの車両情報およびユーザの走行情報を与え、出力される評価、または提案情報を表示してもよい。

処理部２０は、特定の乗り手に対応付けて選択した学習モデル２Ｍにユーザの走行中の走行情報を与えた場合に出力される評価を用いて、特定の乗り手の人力駆動車Ａの走行中の走行情報と、走行中ユーザの走行情報との差分を出力してもよい。これにより、ディスプレイＫには、ユーザの走行中の乗り方の概要を示すグラフィックを評価情報として表示することが可能である。図１５は、ユーザに対する乗り方の提案情報の表示例を示す図である。図１５では、ユーザと特定の乗り手との間の乗り方の比較を示している。図１５に示すような図がディスプレイＫに表示されることで、ユーザ（あなた）は例えば選択されたプロライダーＱとの比較が可能になる。ユーザの走行中の乗り方についての情報を端末装置２にて記憶しておき、図１５に示すような図は比較対象の特定の乗り手の乗り方との比較が端末装置２の表示部２６に表示されるようにしてもよい。

第２実施形態では、学習モデル２Ｍは、端末装置２にて処理に用いられるとして説明した。しかしながらこれに限らず、学習モデル２Ｍは、部品メーカが管理する出力装置１に記憶されており、処理ユニット１００から得られる走行情報に基づいて、出力装置１にて乗り方を提案する処理に用いられてもよい。

１００…処理ユニット、１０１…処理部、１０３…記憶部、１０９…ＧＰＳ受信部、１…出力装置、１０…処理部、１２…記憶部、１Ｐ…制御プログラム、１Ｍ，２Ｍ，３０Ｍ，５０Ｍ…学習モデル、２…端末装置、２０…処理部、２２…記憶部、２４…第１通信部、２５…第２通信部、２６…表示部、２８…操作部、２Ｐ，５０Ｐ…メンテナンスアプリプログラム、２２Ｐ，５２Ｐ…サポートアプリプログラム、３，５…記憶媒体、Ａ１…フレーム、Ａ１５…シートステー、Ａ１６…チェーンステー、Ａ２…ステム、Ａ３…ハンドルバー、Ａ４…前輪、Ａ５…後輪、Ｄ…操作装置、Ｅ…変速機、Ｆ…シートポスト、Ｇ…サスペンション、Ｊ…ブレーキ、Ｋ…ディスプレイ、Ｓ１…加速度センサ、Ｓ２…加速度センサ、Ｓ３…角度センサ、Ｓ４…ケイデンスセンサ、Ｓ５…トルクセンサ。

Claims (13)

1. 人力駆動車の部品を識別する識別データ、前記人力駆動車の走行時の走行情報、および、乗り手の情報を入力した場合に、前記人力駆動車を構成する部品の組み合わせに対する評価情報を、学習アルゴリズムによって学習された学習モデルを用いて出力するように構成される処理部を備え、
   前記学習モデルは、前記人力駆動車の前記識別データ、前記走行情報、および前記乗り手の情報を入力とし、前記人力駆動車の走行時の乗り手の快適度を示す値、および、前記人力駆動車の構成に対して与えられた評価を示す値の少なくともいずれか１つを、前記評価情報として出力とした、入力および出力の組みあわせを教師データとして用いて学習されている、出力装置。
2. 人力駆動車の走行時の走行情報、前記人力駆動車の乗り手のカテゴリー、および、前記人力駆動車の車体または部品の車両情報を入力した場合に、前記人力駆動車を構成する部品として推奨される部品の提案情報を、学習アルゴリズムによって学習された学習モデルを用いて出力するように構成される処理部を備え、
   前記乗り手のカテゴリーはタイプを含み、
   前記学習モデルは、前記人力駆動車の走行時の走行情報、前記人力駆動車の乗り手のカテゴリー、および、前記人力駆動車の車体または部品の車両情報を入力とし、推奨される部品を特定する情報を出力とした、入力及び出力の組み合わせを教師データとして用いて学習されている、出力装置。
3. 人力駆動車の車体または部品の寸法情報、および、前記人力駆動車の乗り手による前記人力駆動車の過去の走行時の走行情報の少なくともいずれか１つを入力した場合に、前記人力駆動車の走行時の乗り手による前記人力駆動車への人力駆動力の入力位置に関する提案情報を、学習アルゴリズムによって学習された学習モデルを用いて出力するように構成される処理部を備え、前記提案情報は、前記人力駆動車のペダルに対する乗り手のシューズの位置に関する情報を含み、前記学習モデルは、入力および出力の組み合わせを教師データとして用いて学習されている、出力装置。
4. 前記提案情報は、前記人力駆動車の乗り方に関する情報である、請求項３に記載の出力装置。
5. 前記提案情報は、前記シューズに対して前記シューズに取り付けられるクリートの前記シューズに対する位置の修正に関する情報を含む、請求項３又は４に記載の出力装置。
6. 前記学習モデルは、前記人力駆動車の乗り手と異なる特定の乗り手の所定コースの走行時のタイムレコードに基づくラベルが付与された教師データを用いて学習され、
   前記処理部は、前記人力駆動車が前記所定コースを走行することによって得られる前記人力駆動車の実走タイムレコードを前記学習モデルに入力することによって、前記乗り手による人力駆動車への人力駆動力の入力位置に関する提案情報、および、前記乗り手の身体の傾斜の大小の評価情報の少なくともいずれか１つを出力する、請求項３から５のいずれか一項に記載の出力装置。
7. 前記学習モデルは、前記教師データに、乗り手の快適度に基づくラベルを付与して学習され、
   前記処理部は、前記人力駆動車が所定コースを走行することによって得られる実走快適度を入力に加えて前記学習モデルに入力することによって、評価情報および提案情報の少なくともいずれか１つを出力する、請求項１から請求項６のいずれか一項に記載の出力装置。
8. 前記提案情報は、前記人力駆動車の走行時の走行情報に含まれるペダルへの荷重および角度の少なくともいずれか１つに基づいて前記荷重および角度の少なくともいずれか１つの変化が所定範囲になるように出力される、請求項７に記載の出力装置。
9. 前記学習モデルは、前記人力駆動車の構成毎に準備されており、
   前記処理部は、前記人力駆動車の構成毎に学習モデルを選択する、請求項１から請求項８のいずれか一項に記載の出力装置。
10. 人力駆動車の部品を識別する識別データ、前記人力駆動車の走行時の走行情報、および、乗り手の情報を入力した場合に、前記人力駆動車を構成する各部品に対する評価情報を、学習アルゴリズムによって学習された学習モデルを用いて出力する処理を、コンピュータに実行させ、
    前記学習モデルは、前記人力駆動車の前記識別データ、前記走行情報、および前記乗り手の情報を入力とし、前記人力駆動車の走行時の乗り手の快適度を示す値、および、前記人力駆動車の構成に対して与えられた評価を示す値の少なくともいずれか１つを出力とした、入力および出力の組みあわせを教師データとして用いて学習されている、コンピュータプログラム。
11. 人力駆動車の走行時の走行情報、前記人力駆動車の乗り手のカテゴリー、および、前記人力駆動車の車体または部品の車両情報を入力した場合に、前記人力駆動車を構成する部品として推奨される部品の提案情報を、学習アルゴリズムによって学習された学習モデルを用いて出力する処理を、コンピュータに実行させ、
    前記乗り手のカテゴリーはタイプを含み、
    前記学習モデルは、前記人力駆動車の走行時の走行情報、前記人力駆動車の乗り手のカテゴリー、および、前記人力駆動車の車体または部品の車両情報を入力とし、推奨される部品を特定する情報を出力とした、入力及び出力の組み合わせを教師データとして用いて学習されている、コンピュータプログラム。
12. 人力駆動車の車体または部品の寸法情報、および、前記人力駆動車の乗り手による前記人力駆動車の過去の走行時の走行情報の少なくともいずれか１つを入力した場合に、前記人力駆動車の走行時の乗り手による前記人力駆動車への人力駆動力の入力位置に関する提案情報を、学習アルゴリズムによって学習された学習モデルを用いて出力する処理を、コンピュータに実行させ、前記提案情報は、前記人力駆動車のペダルに対する乗り手のシューズの位置に関する情報を含み、前記学習モデルは、入力および出力の組み合わせを教師データとして用いて学習されている、コンピュータプログラム。
13. 請求項１０から請求項１２のいずれか一項に記載のコンピュータプログラムを記憶する、記憶媒体。

Images