CN111102043B - 控制支援装置及方法、车辆、记录介质、用于使计算机发挥功能的已学习模型及生成方法 - Google Patents

控制支援装置及方法、车辆、记录介质、用于使计算机发挥功能的已学习模型及生成方法 Download PDF

Info

Publication number
CN111102043B
CN111102043B CN201911010548.3A CN201911010548A CN111102043B CN 111102043 B CN111102043 B CN 111102043B CN 201911010548 A CN201911010548 A CN 201911010548A CN 111102043 B CN111102043 B CN 111102043B
Authority
CN
China
Prior art keywords
vehicle
learned model
control
unit
learned
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911010548.3A
Other languages
English (en)
Other versions
CN111102043A (zh
Inventor
北川荣来
横山大树
永坂圭介
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Toyota Motor Corp filed Critical Toyota Motor Corp
Publication of CN111102043A publication Critical patent/CN111102043A/zh
Application granted granted Critical
Publication of CN111102043B publication Critical patent/CN111102043B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N3/00—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust
    • F01N3/08—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for rendering innocuous
    • F01N3/10—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for rendering innocuous by thermal or catalytic conversion of noxious components of exhaust
    • F01N3/18—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for rendering innocuous by thermal or catalytic conversion of noxious components of exhaust characterised by methods of operation; Control
    • F01N3/20—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for rendering innocuous by thermal or catalytic conversion of noxious components of exhaust characterised by methods of operation; Control specially adapted for catalytic conversion ; Methods of operation or control of catalytic converters
    • F01N3/2006—Periodically heating or cooling catalytic reactors, e.g. at cold starting or overheating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
    • B60W10/06—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of combustion engines
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/24—Conjoint control of vehicle sub-units of different type or different function including control of energy storage means
    • B60W10/26—Conjoint control of vehicle sub-units of different type or different function including control of energy storage means for electrical energy, e.g. batteries or capacitors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W20/00—Control systems specially adapted for hybrid vehicles
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N9/00—Electrical control of exhaust gas treating apparatus
    • F01N9/005—Electrical control of exhaust gas treating apparatus using models instead of sensors to determine operating characteristics of exhaust systems, e.g. calculating catalyst temperature instead of measuring it directly
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D29/00—Controlling engines, such controlling being peculiar to the devices driven thereby, the devices being other than parts or accessories essential to engine operation, e.g. controlling of engines by signals external thereto
    • F02D29/02—Controlling engines, such controlling being peculiar to the devices driven thereby, the devices being other than parts or accessories essential to engine operation, e.g. controlling of engines by signals external thereto peculiar to engines driving vehicles; peculiar to engines driving variable pitch propellers
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/021—Introducing corrections for particular conditions exterior to the engine
    • F02D41/0235—Introducing corrections for particular conditions exterior to the engine in relation with the state of the exhaust gas treating apparatus
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405—Neural network control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2441—Methods of calibrating or learning characterised by the learning conditions
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
    • F02D41/2454—Learning of the air-fuel ratio control
    • F02D41/2461—Learning of the air-fuel ratio control by learning a value and then controlling another value
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
    • F02D41/2474—Characteristics of sensors
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/26—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using computer, e.g. microprocessor
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/30—Controlling fuel injection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2710/00—Output or target parameters relating to a particular sub-units
    • B60W2710/24—Energy storage means
    • B60W2710/242—Energy storage means for electrical energy
    • B60W2710/244—Charge state
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N2900/00—Details of electrical control or of the monitoring of the exhaust gas treating apparatus
    • F01N2900/04—Methods of control or diagnosing
    • F01N2900/0402—Methods of control or diagnosing using adaptive learning
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N2900/00—Details of electrical control or of the monitoring of the exhaust gas treating apparatus
    • F01N2900/06—Parameters used for exhaust control or diagnosing
    • F01N2900/10—Parameters used for exhaust control or diagnosing said parameters being related to the vehicle or its components
    • F01N2900/102—Travelling distance
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N2900/00—Details of electrical control or of the monitoring of the exhaust gas treating apparatus
    • F01N2900/06—Parameters used for exhaust control or diagnosing
    • F01N2900/16—Parameters used for exhaust control or diagnosing said parameters being related to the exhaust apparatus, e.g. particulate filter or catalyst
    • F01N2900/1624—Catalyst oxygen storage capacity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/021—Introducing corrections for particular conditions exterior to the engine
    • F02D41/0235—Introducing corrections for particular conditions exterior to the engine in relation with the state of the exhaust gas treating apparatus
    • F02D2041/0265—Introducing corrections for particular conditions exterior to the engine in relation with the state of the exhaust gas treating apparatus to decrease temperature of the exhaust gas treating apparatus
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/08—Exhaust gas treatment apparatus parameters
    • F02D2200/0814—Oxygen storage amount
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/50—Input parameters for engine control said parameters being related to the vehicle or its components
    • F02D2200/501—Vehicle speed
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/70—Input parameters for engine control said parameters being related to the vehicle exterior
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Abstract

本发明提供控制支援装置及方法、车辆、记录介质、用于使计算机发挥功能的已学习模型及生成方法。以在未搭载机器学习装置的车辆中也能够执行与使用通过机器学习而得到的已学习模型的控制大致同等的控制的方式进行支援。控制支援装置具备：数据取得部，取得与供给用于机器学习的参数的供给侧车辆的内部或外部的状态相关的传感器信息；学习部，通过使用输入输出数据组进行机器学习来生成已学习模型，输入输出数据组是数据取得部取得的传感器信息，且是包括已学习模型的输入参数及输出参数的数据；及发送部，发送已学习模型及将支援控制的车辆的传感器信息作为输入参数向生成的已学习模型输入而得到的输出参数的至少一方。

Description

控制支援装置及方法、车辆、记录介质、用于使计算机发挥功 能的已学习模型及生成方法
技术领域
本发明涉及控制支援装置、车辆、控制支援方法、记录介质、用于使计算机发挥功能的已学习模型及已学习模型的生成方法。
背景技术
已知有使用通过基于神经网络的机器学习得到的已学习模型来控制内燃机的技术(例如，参照专利文献1)。在该技术中，使用已学习模型来推定内燃机的规定的通路中的气体的流量，基于推定结果来控制内燃机。
现有技术文献
专利文献
专利文献1：日本特开2012-112277号公报
发明内容
发明所要解决的课题
但是，基于神经网络的机器学习需要充分的数据量及计算能力。
尤其是，在将通过机器学习而得到的已学习模型应用于车辆的控制的情况下，参数数量变多而计算量也变得庞大。使用很多参数数量并通过庞大的计算量来进行学习的机器学习装置会成为非常高的成本，因此能够搭载机器学习装置的车辆受到限定。在该情况下，在搭载有机器学习装置的车辆与未搭载机器学习装置的车辆之间产生性能差。于是，期望“在未搭载机器学习装置的车辆中也能够执行与使用通过机器学习而得到的已学习模型的情况同样的控制，能够减少搭载有机器学习装置的车辆与未搭载机器学习装置的车辆之间的性能差”的技术的开发。
本发明鉴于上述而完成，其目的在于，提供一种能够以在未搭载机器学习装置的车辆中也能够执行与使用通过机器学习而得到的已学习模型的控制大致同等的控制的方式进行支援的控制支援装置、车辆、控制支援方法、记录介质、用于使计算机发挥功能的已学习模型及已学习模型的生成方法。
用于解决课题的方案
为了解决上述的课题，达成上述目的，本发明的一方案的控制支援装置使用通过机器学习而得到的已学习模型来支援车辆的控制，其特征在于，具备：数据取得部，取得与供给用于所述机器学习的参数的供给侧车辆的内部或外部的状态相关的传感器信息；学习部，通过使用输入输出数据组进行所述机器学习来生成已学习模型，所述输入输出数据组是所述数据取得部取得的所述传感器信息，且是包括所述已学习模型的输入参数及输出参数的数据；及发送部，发送所述生成的已学习模型及将支援控制的所述车辆的传感器信息作为输入参数向所述生成的已学习模型输入而算出的输出参数的至少一方。
本发明的一方案的控制支援装置使用通过机器学习而得到的已学习模型来支援车辆的控制，其特征在于，具备：数据取得部，取得与供给用于所述机器学习的参数的供给侧车辆的内部或外部的状态相关的传感器信息；学习部，通过使用输入输出数据组进行所述机器学习来生成多个已学习模型，所述输入输出数据组是所述数据取得部从多个所述供给侧车辆取得的所述传感器信息，且是包括所述已学习模型的输入参数及输出参数的数据；选择部，从所述多个已学习模型中选择向支援控制的所述车辆发送的已学习模型；及发送部，将所述选择出的已学习模型向所述车辆发送。
由此，选择部从通过学习部进行机器学习而生成的多个已学习模型中选择向控制被支援的车辆发送的已学习模型，并向该车辆发送，由此，通过使选择部的选择最佳化，能够将适合于控制被支援的车辆的已学习模型向该车辆发送，因此，即使在车辆未搭载生成已学习模型的机器学习装置的情况下，也能够进行基于通过机器学习生成的已学习模型的控制。
本发明的一方案的控制支援装置使用通过机器学习而得到的已学习模型来支援车辆的控制，其特征在于，具备：数据取得部，取得与供给用于所述机器学习的参数的供给侧车辆的内部或外部的状态相关的传感器信息；学习部，通过使用输入输出数据组进行所述机器学习来生成多个已学习模型，所述输入输出数据组是所述数据取得部从多个所述供给侧车辆取得的所述传感器信息，且是包括所述已学习模型的输入参数及输出参数的数据；选择部，从所述多个已学习模型中选择已学习模型；预测部，算出将支援控制的所述车辆的传感器信息作为输入参数向所述选择出的已学习模型输入而得到的输出参数；及发送部，将所述算出的输出参数向所述车辆发送。
由此，在从通过学习部进行机器学习而生成的多个已学习模型中选择向控制被支援的车辆发送的已学习模型的基础上，将向已学习模型输入车辆的输入参数而算出的输出参数向该车辆发送，由此，即使在车辆未搭载根据已学习模型来算出输出参数的装置的情况下，也能够利用由通过机器学习生成的已学习模型得到的输出参数来进行车辆的控制。
本发明的一方案的控制支援装置在上述的发明中，可以是，所述数据取得部还取得与所述传感器信息建立了关联的所述供给侧车辆的行驶履历信息，所述学习部将所述生成的已学习模型与所述行驶履历信息建立关联，所述选择部从多个所述生成的已学习模型中选择与和所述车辆的行驶履历信息一致度高的行驶履历信息建立了关联的已学习模型。
由此，学习部基于与行驶履历信息建立了关联的传感器信息来生成与行驶履历信息建立了关联的已学习模型，因此能够将多个已学习模型基于行驶履历信息进行分类，因此，选择部能够基于控制被支援的车辆的行驶履历来选择适合于该车辆的已学习模型。
本发明的一方案的控制支援装置能够与能够存储通过机器学习而得到的已学习模型的服务器通信，使用所述已学习模型来支援车辆的控制，其特征在于，搭载于取得用于所述机器学习的参数的供给侧车辆，具备：数据取得部，取得与所述供给侧车辆的内部或外部的状态相关的传感器信息；学习部，通过使用输入输出数据组进行所述机器学习来生成已学习模型，所述输入输出数据组是所述数据取得部取得的传感器信息，且是包括所述已学习模型的输入参数及输出参数的数据；及发送部，将所述生成的已学习模型向所述服务器发送。
由此，能够将控制支援装置生成的已学习模型存储于外部的服务器，因此能够减少控制支援装置中的存储部的所需的容量，并且由于在服务器中无需新生成已学习模型，所以能够减少服务器中的机器学习的处理容量。
本发明的一方案的控制支援装置在上述的发明中，可以是，所述服务器将向从自多个所述控制支援装置分别接收到的多个已学习模型中找出或根据自多个所述控制支援装置分别接收到的多个已学习模型生成的已学习模型输入支援控制的所述车辆的传感器信息作为输入参数而得到的输出参数向所述车辆发送。
由此，能够在服务器中根据来自控制被支援的车辆的传感器信息来算出输出参数，因此即使在该车辆未搭载根据已学习模型来算出输出参数的装置的情况下，也能够将通过已学习模型算出的输出参数用于该车辆的控制。
本发明的一方案的控制支援装置在上述的发明中，可以是，所述服务器具备：服务器选择部，从通过对从多个所述控制支援装置分别接收到的多个已学习模型进行蓄积、合并或更新而得到的多个已学习模型中选择已学习模型；服务器预测部，算出将支援控制的车辆的传感器信息作为输入参数向所述选择出的已学习模型输入而得到的输出参数；及服务器通信部，将所述输出参数向所述车辆发送。另外，本发明的一方案的控制支援装置在该结构中，可以是，所述服务器还接收所述供给侧车辆中的与所述已学习模型建立了关联的行驶履历信息和所述车辆中的行驶履历信息，所述服务器选择部从通过进行所述蓄积、合并或更新而得到的多个已学习模型中选择与和所述车辆的行驶履历信息一致度高的行驶履历信息建立了关联的已学习模型。
由此，能够将从多个控制支援装置取得的多个已学习模型蓄积、合并且平均化，因此能够使已学习模型最佳化。另外，通过将向已学习模型输入控制被支援的车辆的输入参数而算出的输出参数向该车辆发送，即使在该车辆未搭载根据已学习模型来算出输出参数的装置的情况下，也能够利用由通过机器学习生成的已学习模型算出的输出参数来进行车辆的控制。另外，服务器选择部能够基于控制被支援的车辆的行驶履历来选择已学习模型，因此能够从最佳化的已学习模型中选择适合于该车辆的已学习模型。
本发明的一方案的控制支援装置在上述的发明中，可以是，还具备收费处理部，该收费处理部执行算出对所述车辆的用户进行所述控制的支援的对价的处理、算出对所述供给侧车辆的用户进行所述传感器信息的提供的报酬的处理及将所述算出的结果输出的处理。
由此，对于供给侧车辆的用户来说，能够将相对于传感器信息的发送的对价作为报酬而收取，因此能够减少与用户相关的对于发送信息的厌恶感，并且对于控制支援装置的管理者来说，由于能够收集很多信息，所以提供的已学习模型、输出参数能够更最佳化。另外，对于控制被支援的车辆的用户来说，能够使用基于从供给侧车辆发送出的各种信息而生成的已学习模型，并且对于控制支援装置的管理者来说，能够确保向供给侧车辆的用户支付的报酬。因而，使用控制支援装置的服务的提供容易普及。
本发明的一方案的控制支援装置在上述的发明中，可以是，所述传感器信息是从所述车辆中的最大催化剂内氧吸蔵量的信息、行驶距离的信息、平均速度的信息及平均加速度的信息中选择出的至少1种信息，所述算出的输出参数是催化剂预热延迟量、开始恒定输出驾驶的SOC值或执行燃料的增量控制的催化剂床温度。
由此，在控制被支援的车辆中，能够进行使用已学习模型得到的催化剂预热延迟量、开始恒定输出驾驶的SOC值及执行燃料的增量控制的催化剂床温度的控制。
本发明的一方案的车辆具备能够与能够存储通过机器学习而得到的已学习模型的服务器通信的车辆控制装置，其特征在于，所述服务器具备：服务器存储部，存储通过将与供给用于所述机器学习的参数的供给侧车辆的内部或外部的状态相关的传感器信息作为输入输出数据组进行机器学习而生成的所述已学习模型，所述输入输出数据组是包括所述已学习模型的输入参数及输出参数的数据；及服务器通信部，发送所述生成的已学习模型及在接收到所述车辆的传感器信息的情况下将所述车辆的传感器信息作为输入参数向所述已学习模型输入而算出的输出参数的至少一方，所述车辆控制装置具备：数据取得部，取得与所述车辆的内部或外部的状态相关的传感器信息；通信部，将要求所述已学习模型的发送的模型要求信号或要求与所述数据取得部取得的所述传感器信息对应地算出的输出参数的发送的参数要求信号和所述传感器信息向所述服务器发送，与所述模型要求信号或所述参数要求信号对应地，接收所述生成的已学习模型或所述算出的输出参数。
由此，在车辆中，通过向服务器发送模型要求信号，能够从服务器接收已学习模型，通过发送参数要求信号及车辆的传感器信息，能够从服务器接收算出的输出参数，因此，在车辆的车辆控制装置中，能够执行使用已学习模型的控制。
本发明的一方案的车辆具备能够与能够存储通过机器学习而得到的已学习模型的服务器通信的车辆控制装置，其特征在于，所述服务器具备服务器学习部，该服务器学习部通过使用输入输出数据组进行所述机器学习来生成已学习模型，所述输入输出数据组是与车辆的内部或外部的状态相关的传感器信息，且是包括所述已学习模型的输入参数及输出参数的数据，所述车辆控制装置具备：数据取得部，取得与所述车辆的内部或外部的状态相关的传感器信息；及发送部，将所述数据取得部取得的所述传感器信息向所述服务器发送。
由此，能够从供给侧车辆发送在服务器中用于进行机器学习的输入输出数据组，因此能够在服务器中生成通过机器学习而得到的已学习模型。
本发明的一方案的车辆具备能够与能够存储通过机器学习而得到的已学习模型的服务器通信的车辆控制装置，其特征在于，所述车辆控制装置具备：数据取得部，取得与所述车辆的内部或外部的状态相关的传感器信息；学习部，通过使用输入输出数据组进行所述机器学习来生成已学习模型，所述输入输出数据组是所述数据取得部取得的传感器信息，且是包括所述已学习模型的输入参数及输出参数的数据；及发送部，将所述学习部生成的已学习模型向所述服务器发送。
由此，能够在车辆侧生成已学习模型，将该已学习模型存储于外部的服务器，因此能够减少车辆的车辆控制装置中的存储部的所需的容量，并且能够减少服务器中的机器学习的处理容量。
本发明的一方案的控制支援方法是使用通过机器学习而得到的已学习模型来支援车辆的控制的控制支援装置执行的控制支援方法，其特征在于，包括：数据取得步骤，取得与供给用于所述机器学习的参数的供给侧车辆的内部或外部的状态相关的传感器信息；学习步骤，从存储部读出输入输出数据组，通过使用读出的所述输入输出数据组进行所述机器学习来生成已学习模型，所述输入输出数据组是在所述数据取得步骤中取得的传感器信息，且是包括所述已学习模型的输入参数及输出参数的数据；及发送步骤，发送所述生成的已学习模型及将支援控制的所述车辆的传感器信息作为输入参数向所述已学习模型输入而得到的输出参数的至少一方。
本发明的一方案的控制支援程序的特征在于，使利用通过机器学习而得到的已学习模型来支援车辆的控制的控制支援装置执行：数据取得步骤，取得与供给用于所述机器学习的参数的供给侧车辆的内部或外部的状态相关的传感器信息；学习步骤，从存储部读出输入输出数据组，通过使用读出的所述输入输出数据组进行所述机器学习来生成已学习模型，所述输入输出数据组是在所述数据取得步骤中取得的传感器信息，且是包括所述已学习模型的输入参数及输出参数的数据；及发送步骤，发送所述生成的已学习模型及将支援控制的所述车辆的传感器信息作为输入参数向所述已学习模型输入而得到的输出参数的至少一方。
本发明的一方案的用于使计算机发挥功能的已学习模型由神经网络构成，所述神经网络具有：输入层，被输入将车辆的内部或外部的状态定量化的输入参数；中间层，被输入所述输入层输出的信号，具有多层构造；及输出层，被输入所述中间层输出的信号，输出将所述车辆的规定的状态定量化的输出参数，各层由一或多个节点构成，所述已学习模型与所述车辆的行驶履历信息建立关联，将所述输入参数向所述输入层输入，进行基于所述神经网络的已学习的网络参数的运算，从所述输出层输出将所述车辆的规定的状态定量化的值。
由此，能够将基于使用神经网络的深度学习而生成的已学习模型与行驶履历信息建立关联而提供，能够恰当地支援使用已学习模型的车辆的控制。
本发明的一方案的已学习模型的生成方法生成用于使计算机以输出将车辆的规定的状态定量化的值的方式发挥功能的已学习模型，其特征在于，所述计算机使用具有被输入将所述车辆的内部或外部的状态定量化的输入参数的输入层、被输入所述输入层输出的信号且具有多层构造的中间层及被输入所述中间层输出的信号且输出输出参数的输出层且各层由一个或多个节点构成的神经网络，基于根据所述输入参数的输入而所述输出层输出的输出参数和与所述输入参数一起构成输入输出的数据组的输出参数，更新所述神经网络的网络参数，将所述网络参数与所述车辆的行驶履历信息建立关联而存储于存储部并进行学习。
由此，能够恰当地支援车辆的控制，能够提供与行驶履历信息建立了关联的已学习模型。
发明效果
根据本发明的控制支援装置、车辆、控制支援方法、记录介质、用于使计算机发挥功能的已学习模型及已学习模型的生成方法，能够以在未搭载机器学习装置的车辆中也能够执行与使用通过机器学习而得到的已学习模型的控制大致同等的控制的方式进行支援。
附图说明
图1是示出能够应用本发明的第一实施方式的控制支援装置的控制支援系统的概略图。
图2是概略地示出图1所示的本发明的第一实施方式的控制支援装置的结构的框图。
图3是示意性地示出学习部学习的神经网络的结构的图。
图4是说明神经网络所具有的节点的输入输出的概要的图。
图5是概略地示出图1所示的供给侧车辆的结构的框图。
图6是概略地示出图1所示的要求侧车辆的结构的框图。
图7是示出第一实施方式的控制支援方法的处理的流程的流程图。
图8是示出第二实施方式的控制支援方法的处理的流程的流程图。
图9是概略地示出第三实施方式的供给侧车辆的结构的框图。
图10是示出第三实施方式的控制支援方法的处理的流程的流程图。
具体实施方式
以下，参照附图对本发明的实施方式进行说明。需要说明的是，在以下的实施方式的全图中，对同一或对应的部分标注同一标号。另外，本发明不由以下说明的实施方式限定。
(第一实施方式)
首先，对第一实施方式的控制支援系统进行说明。图1示出该第一实施方式的控制支援系统。如图1所示，控制支援系统1具有能够经由网络10而互相通信的具备存储部23的控制支援服务器2、具备通信部33及传感器群36的多个车辆3及具备通信部43及传感器群36的车辆4。
网络10由互联网线路网、便携电话线路网等构成。网络10例如是互联网等公众通信网，例如由LAN(Local Area Network：局域网)、WAN(Wide Area Network：广域网)、便携电话等的电话通信网、公众线路、VPN(Virtual Private Network：虚拟私有网)及专用线等的一个或多个的组合构成。网络10适当组合了有线通信及无线通信。
(控制支援服务器)
控制支援服务器2执行经由网络10而收集从具有作为发送部的通信部33的多个车辆3发送出的各种信息的数据收集处理。控制支援服务器2能够利用收集到的各种信息来执行机器学习。控制支援服务器2对车辆4发送用于控制车辆4的各部分的规定的已学习模型。图2是概略地示出控制支援服务器2的结构的框图。
如图2所示，控制支援服务器2具备通信部21、控制部22及存储部23。通信部21例如是LAN(Local Area Network：局域网)接口板、用于无线通信的无线通信回路。LAN接口板、无线通信回路连接于作为公众通信网的互联网等网络10。作为发送部及接收部的通信部21连接于网络10，与多个车辆3及规定的车辆4之间进行通信。作为服务器通信部的通信部21从各车辆3、4接收车辆3、4固有的车辆识别信息、行驶履历信息、车辆信息，对车辆3、4发送已学习模型、控制信号。
车辆识别信息包括用于互相识别各车辆3、4的各种信息。行驶履历信息包括各车辆3、4中的行驶时间段、行驶路径、行驶地域、拥堵信息、天气、外气温及外气的湿度等信息。行驶时间段的信息是早中晚的信息、是否是通勤时间段的信息或是否出太阳的信息等。行驶路径的信息是特定的道路的上坡下坡的信息或对特定的道路的上坡下坡的信息追加行驶时间段的信息而得到的信息等。行驶地域的信息是行驶路线的信息、市町村的信息、都道府县的信息或关东、东海等地域的信息。拥堵信息是将实际的拥堵信息与行驶时间段建立关联而得到的信息或将实际的拥堵信息与由道路交通信息通信系统(VICS(注册商标)：Vehicle Information and Communication System)等取得的拥堵原因建立关联而得到的信息等。天气的信息是风向、风速及行进方向建立关联而得到的信息或由雨、雪等引起的路面状况的变化的信息等。外气温、湿度不仅包括行驶时的气温、湿度，也包括外气的实际的计测温度、计测湿度的信息。车辆信息作为与车辆3、4的车辆尤其是内燃机相关的信息，包括与发动机的状态、输入及输出相关的信息。车辆信息也可以还包括总行驶距离、位置信息、速度信息、加速度信息、装载载荷信息、传感器群取得信息及车型等信息。
控制部22具体而言具备CPU(Central Processing Unit：中央处理器)、DSP(Digital Signal Processor：数字信号处理器)、FPGA(Field-Programmable Gate Array：现场可编程门阵列)等处理器及RAM(Random Access Memory：随机存取存储器)、ROM(ReadOnly Memory：只读存储器)等主存储部(均未图示)。
存储部23由从RAM等易失性存储器、ROM等非易失性存储器、EPROM(ErasableProgrammable ROM：可擦除可编程只读存储器)、硬盘驱动器(HDD，Hard Disk Drive)及可移动介质等中选择出的存储介质构成。需要说明的是，可移动介质例如是USB(UniversalSerial Bus：通用串行总线)存储器或CD(Compact Disc：光盘)、DVD(Digital VersatileDisc：数字多功能光盘)或BD(Blu-ray(注册商标)Disc)这样的盘记录介质。另外，也可以使用能够从外部装配的存储卡等计算机可读的记录介质来构成存储部23。在存储部23中能够存储用于执行控制支援服务器2的动作的操作系统系统(Operating System：OS)、各种程序、各种表、各种数据库等。在各种程序中也包括第一实施方式的控制支援程序。这些各种程序也能够记录于硬盘、快闪存储器、CD-ROM、DVD-ROM、软盘等计算机可读的记录介质而广泛流通。
控制部22将存储于存储部23的程序加载到主存储部的作业区域执行，通过程序的执行而控制各构成部等，由此能够实现与规定的目的相符的功能。在第一实施方式中，通过控制部22对程序的执行来执行数据取得部221、学习部222、选择部223、预测部224及收费处理部225的功能。
数据取得部221作为由车辆3的传感器群36取得的与车辆3的内部或外部的状态相关的各种传感器信息，在将规定的控制信号作为输入参数的情况下，取得该输入参数和作为与输入参数对应的控制的结果而得到的输出参数。数据取得部221将这些输入参数及输出参数的组合作为输入输出数据组而写入并存储于存储部23的输入输出数据组存储部232。需要说明的是，输入输出数据组也被说成训练数据。另外，数据取得部221将由车辆3的传感器群36取得的各种传感器信息中的输入参数作为学习数据的输入参数，写入并存储于存储部23的学习数据存储部233。
也是服务器学习部的学习部222基于数据取得部221取得的输入输出数据组来进行机器学习。学习部222将学习的结果写入并存储于存储部23的已学习模型存储部231。学习部222与正在进行学习的神经网络相独立地，在规定的定时下将该定时下的最新的已学习模型存储于存储部23的已学习模型存储部231。在向已学习模型存储部231存储时，可以是删除旧的已学习模型并存储最新的已学习模型的更新，也可以是在保存旧的已学习模型的一部分或全部的状态下存储最新的已学习模型的蓄积。
也是服务器选择部的选择部223从存储于已学习模型存储部231的多个已学习模型选择规定的已学习模型。选择部223例如基于从车辆4发送出的行驶履历信息和与存储于已学习模型存储部231的已学习模型建立了关联的行驶履历信息来选择规定的已学习模型。在选择部223基于行驶履历信息来选择已学习模型的情况下，可以选择与和从车辆4发送出的行驶履历信息一致度最高的行驶履历信息建立了关联的已学习模型。
也是服务器预测部的预测部224通过将数据取得部221取得的输入参数向规定的已学习模型输入来算出将控制车辆4所需的物理量定量化的输出参数。关于预测部224将物理量定量化时使用的已学习模型后述。
收费处理部225进行对供给侧的车辆3的用户基于规定的合约而例如将根据传感器信息的发送量而提供的报酬或与发送量无关而固定地提供的报酬算出并输出的一系列处理。需要说明的是，报酬不限定于金钱，也可以是能够使用于规定的用途的积分等或打折优惠券等。需要说明的是，也可以进一步根据车辆信息及行驶履历信息的发送量来算出报酬。输出的报酬的信息向以往公知的例如信用卡公司、银行等金融机构的服务器、积分卡公司的服务器等(均未图示)发送，以规定的方法向车辆3的用户提供。由此，供给侧的车辆3的用户能够收取相对于从车辆3发送的传感器信息及行驶履历信息、车辆信息的发送的报酬。因而，对于车辆3的用户来说，相对于发送信息的厌恶感减少，控制支援服务器2能够收集更多的信息。另外，收费处理部225进行对要求侧的车辆4的用户基于规定的合约而例如将与车辆4接收的已学习模型的接收量、后述的预测值的数据量对应的从量性的对价或与接收量、数据量无关而固定性的对价算出并输出的一系列处理。输出的对价的信息向以往公知的例如信用卡公司、银行等金融机构的服务器等(均未图示)发送，以规定的方法向车辆4的用户索取。由此，对于要求侧的车辆4的用户来说，能够付出对价而在车辆4中使用已学习模型，因此即使在车辆4未搭载机器学习装置的情况下，也能够确保已学习模型的利用。另外，对于控制支援服务器2的管理者来说，能够确保向车辆3的用户支付的报酬。从以上的点来看，有助于控制支援系统1的普及。
也是服务器存储部的存储部23具有已学习模型存储部231、输入输出数据组存储部232及学习数据存储部233。在已学习模型存储部231中以能够检索的方式存储有已学习模型。已学习模型存储部231将由控制部22的学习部222生成的已学习模型蓄积、更新并存储。需要说明的是，在已学习模型存储部231中最初存储有初始状态的已学习模型。已学习模型是基于使用神经网络的深度学习而生成的已学习模型。存储已学习模型意味着存储已学习模型中的网络参数、运算的算法等信息。已学习模型与从车辆3发送出的行驶履历信息建立关联而存储。即，与从规定的车辆3发送出的输入输出数据组建立了关联的行驶履历信息与根据该输入输出数据组生成的已学习模型建立关联，存储于已学习模型存储部231。需要说明的是，也可以将已学习模型进一步与车辆3的车辆信息建立关联。
输入输出数据组存储部232存储由上述的输入参数和输出参数的组构成的输入输出数据组。学习数据存储部233将学习部222基于输入参数而算出的输出参数与该输入参数一起作为学习数据而存储。
以下，作为机器学习的具体的一例，对使用神经网络的深度学习进行说明。图3是示意性地示出学习部222学习的神经网络的结构的图。如图3所示，神经网络100是前馈传播型神经网络，具有输入层101、中间层102及输出层103。输入层101由多个节点构成，对各节点输入互相不同的输入参数。中间层102被输入来自输入层101的输出。中间层102具有包括由接受来自输入层101的输入的多个节点构成的层的多层的构造。输出层103被输入来自中间层102的输出，并输出输出参数。使用中间层102具有多层构造的神经网络的机器学习被称作深度学习。
图4是说明神经网络100具有的节点处的输入输出的概要的图。在图4中，示意性地示出了神经网络100中的具有I个节点的输入层101、具有J个节点的第一中间层121、具有K个节点的第二中间层122中的数据的输入输出的一部分(I、J、K是正的整数)。对输入层101的上从侧起的第i个节点输入输入参数xi(i＝1、2、…、I)。以下，将全部输入参数的集合记为“输入参数{xi}”。
输入层101的各节点对相邻的第一中间层121的各节点输出具有对输入参数乘以规定的权重而得到的值的信号。例如，输入层101的从上侧起的第i个节点对第一中间层121的从上侧起的第j(j＝1、2、…、J)个节点输出具有对输入参数xi乘以权重αij而得到的值αijxi的信号。对第一中间层121的从上侧起的第j个节点输入通过合计对来自输入层101的各节点的输出加上规定的偏倚b(1) j而得到的值Σi＝1～Iαijxi+b(1) j。在此，第一项目的Σi＝1～I意味着取i＝1、2、…、I之和。
第一中间层121的从上侧起的第j个节点的输出值yj作为从输入层101向该节点的输入值Σi＝1～Iαijxi+b(1) j的函数而表示为yj＝S(Σi＝1～Iαijxi+b(1) j)。该函数S被称作活性化函数。作为具体的活性化函数，例如可举出Sigmoid函数S(u)＝1/{1+exp(-u)}、修正线性函数(ReLU)S(u)＝max(0、u)等。活性化函数大多使用非线性函数。
第一中间层121的各节点对相邻的第二中间层122的各节点输出具有对输入参数乘以规定的权重而得到的值的信号。例如，第一中间层121的从上侧起的第j个节点对第二中间层122的从上侧起的第k个(k＝1、2、…、K)节点输出具有对输入值yj乘以权重βjk而得到的值βjkyj的信号。对第二中间层122的从上侧起的第k个节点输入通过合计对来自第一中间层121的各节点的输出加上规定的偏倚b(2) k而得到的值Σj＝1～Jβjkyj+b(2) k。在此，第一项目的Σj＝1～J意味着取j＝1、2、…、J之和。
第二中间层122的从上侧起的第k个节点的输出值zk使用以从第一中间层121向该节点的输入值Σj＝1～Jβjkyj+b(2) k为变量的活性化函数而表示为zk＝S(Σj＝1～Jβjkyj+b(2) k)。
这样，通过沿着从输入层101侧朝向输出层103侧的顺方向依次反复，最终从输出层103输出一个输出参数Y。以下，将神经网络100包括的权重及偏倚统一称作网络参数w。该网络参数w是以神经网络100的全部权重及偏倚为成分的矢量。
学习部222进行基于通过将输入参数{xi}向神经网络100输入而算出的输出参数Y和与输入参数{xi}一起构成输入输出数据组的输出参数(目标输出)Y0来更新网络参数的运算。具体而言，通过进行用于使2个输出参数Y与Y0的误差最小化的运算来更新网络参数w。此时，经常使用随机梯度下降法。以下，将输入参数{xi}及输出参数Y的组({xi}、Y)统称为“学习数据”。
以下，说明随机梯度下降法的概要。随机梯度下降法是以使根据对于使用2个输出参数Y和Y0定义的误差函数E(w)的网络参数w的各成分的微分而求出的梯度
Figure BDA0002244076890000171
最小化的方式更新网络参数w的方法。误差函数例如由学习数据的输出参数Y与输入输出数据组的输出参数Y0的平方误差|Y-Y0|2定义。另外，梯度
Figure BDA0002244076890000172
是具有与误差函数E(w)的网络参数w的成分相关的微分
Figure BDA0002244076890000173
Figure BDA0002244076890000174
(在此，i＝1～I，j＝1～J，k＝1～K)等作为成分的矢量。
在随机梯度下降法中，使用自动或手动确定的规定的学习率η，将网络参数w依次更新为
Figure BDA0002244076890000175
需要说明的是，学习率η也可以在学习的中途变更。在更一般的随机梯度下降法的情况下，误差函数E(w)通过从包括全部学习数据的样本中随机提取而定义。此时提取的学习数据的数量不限于1个，也可以是学习数据存储部233存储的学习数据的一部分。
作为用于高效地进行梯度
Figure BDA0002244076890000176
的计算的方法，已知有误差反向传播法。误差反向传播法是算出学习数据({xi}，Y)后基于输出层中的目标输出Y0与输出参数Y的误差而沿着输出层→中间层→输入层反过来计算梯度
Figure BDA0002244076890000177
的成分的方法。学习部222使用误差反向传播法算出梯度
Figure BDA0002244076890000178
的全部成分后，通过使用算出的梯度
Figure BDA0002244076890000179
应用上述的随机梯度下降法来更新网络参数w。
(供给侧车辆)
作为供给侧车辆的车辆3是通过驾驶员的驾驶而行驶的车辆或构成为能够按照提供的运行指令进行自主行驶的自主行驶车辆。图5是概略地示出车辆3的结构的框图。如图5所示，车辆3具备驱动部31、电子控制部32、通信部33、存储部34、输入输出部35、传感器群36及GPS部37。
驱动部31是车辆3的行驶所需的以往公知的驱动部。具体而言，车辆3具备成为驱动源的内燃机即发动机、传递发动机的驱动力的驱动传递机构及用于行驶的驱动轮等。车辆3的发动机构成为能够通过基于燃料的燃烧的驱动而使用电动机等发电。发电产生的电力充入能够充电的蓄电池。
电子控制部32及存储部34分别在物理上与上述的控制部22及存储部23是同样的。电子控制部32统括地控制搭载于车辆3的各种构成要素的动作。电子控制部32通过存储于存储部34的程序的执行来执行数据取得部321的功能。数据取得部321取得由传感器群36检测到的各种数据，将这些数据作为传感器信息而存储于传感器群取得信息存储部343。
作为发送部及接收部的通信部33由通过经由网络10的无线通信而至少与控制支援服务器2之间进行通信的例如车载通信模块(DCM：Data Communication Module)等构成。
存储部34具备行驶履历信息存储部341、车辆信息存储部342及传感器群取得信息存储部343。在行驶履历信息存储部341中以能够蓄积且能够更新的方式存储有车辆3中的包括速度、加速度、行驶时间段、行驶路径、行驶地域、拥堵信息、外气的温度、湿度及天气等的行驶履历信息。在车辆信息存储部342中以能够蓄积且能够更新的方式存储有包括车型、总行驶距离、燃料余量、当前位置等的车辆信息。在传感器群取得信息存储部343中作为传感器信息而以能够蓄积且能够更新的方式存储有由传感器群36检测到的各种数据。
输入输出部35由触摸面板显示器、扬声器麦克风等构成。作为输入单元的输入输出部35使用键盘、输入用的按钮、杆、在液晶等的显示器上层叠设置的触摸面板等用户接口而构成。构成为通过用户等操作触摸面板显示器或者朝向扬声器麦克风发出语音而向电子控制部32输入规定的信息。作为输出单元的输入输出部35构成为能够按照电子控制部32的控制而在触摸面板显示器的画面上显示文字、图形等，从扬声器麦克风输出语音，将规定的信息向外部通知。
传感器群36包括检测发动机的冷却水的水温(冷却水温)的水温传感器、检测发动机的进气温的进气温传感器、检测大气压的大气压传感器、检测发动机的油温的油温传感器、检测排气中的氧浓度的A/F传感器及检测蓄电池的充电状态的电流传感器等计测车辆3的状态的传感器。另外，传感器群36包括分别检测车辆3的速度和加速度的车速传感器和加速度传感器等与车辆3的行驶相关的传感器。传感器群36也可以包括检测外气温的外气温传感器、检测外气的湿度的湿度传感器等。传感器群36也可以还包括例如能够检测车厢内的各种状况的车厢内传感器、例如拍摄相机等拍摄装置等。
GPS部37接收来自GPS(Global Positioning System：全球定位系统)卫星(未图示)的电波，检测车辆3的位置。检测到的位置作为车辆信息中的位置信息而以能够检索的方式存储于车辆信息存储部342。需要说明的是，作为检测车辆3的位置的方法，也可以采用将LiDAR(Light Detection and Ranging、Laser Imaging Detection and Ranging：激光雷达)与三维数字地图组合而成的方法。
(要求侧车辆)
作为控制被支援的车辆的要求侧的车辆4是通过驾驶员的驾驶而行驶的车辆或构成为能够按照提供的运行指令而自主行驶的自主行驶车辆。图6是概略地示出车辆4的结构的框图。如图6所示，车辆4具备驱动部41、电子控制部42、通信部43、存储部44、输入输出部45、传感器群46及GPS部47。驱动部41、通信部43、输入输出部45、传感器群46及GPS部47分别与车辆3中的驱动部31、通信部33、输入输出部35、传感器群36及GPS部37是同样的。
电子控制部42及存储部44分别在物理上与上述的控制部22及存储部23是同样的。由电子控制部42及存储部44构成控制车辆4的各部分的车辆控制装置。电子控制部42统括地控制搭载于车辆4的各种构成要素的动作。电子控制部42通过存储于存储部44的程序的执行来执行数据取得部421及预测部422的功能。数据取得部421与车辆3的电子控制部32中的数据取得部321是同样的。预测部422通过将数据取得部421取得的各种数据作为输入参数向存储于存储部44的控制用信息存储部444的已学习模型输入来算出作为输出参数的预测值。
存储部44具备行驶履历信息存储部441、车辆信息存储部442、传感器群取得信息存储部443及控制用信息存储部444。行驶履历信息存储部441、车辆信息存储部442及传感器群取得信息存储部443分别与行驶履历信息存储部341、车辆信息存储部342及传感器群取得信息存储部343是同样的。控制用信息存储部444存储用于电子控制部42对各部分的控制的已学习模型、预测部422算出的预测值及从控制支援服务器2接收到的预测值的至少1个信息。
图7是示出第一实施方式的控制支援系统1中的控制支援方法的处理的流程的流程图。如图7所示，在步骤ST1中，在供给侧的车辆3中，电子控制部32的数据取得部321取得行驶履历信息及车辆信息。数据取得部321将取得的行驶履历信息及车辆信息分别存储于行驶履历信息存储部341及车辆信息存储部342。另外，在步骤ST2中，数据取得部321取得由传感器群36检测到的数据，并将这些检测数据作为传感器信息存储于传感器群取得信息存储部343。需要说明的是，步骤ST1、ST2也可以倒序进行，还可以并列进行。
接着，移向步骤ST3，电子控制部32判定当前时间点是否是预先设定的规定的定时。规定的定时是每隔规定时间间隔的周期性的时刻，或者是预先设定的规定时刻。在电子控制部32判定为当前时间点不是规定的定时的情况下(步骤ST3：否)，反复执行步骤ST1、ST2。在电子控制部32判定为成为了规定的定时的情况下(步骤ST3：是)，移向步骤ST4，数据取得部321将取得并保存的传感器信息与行驶履历信息及车辆信息互相建立关联，经由通信部33而向控制支援服务器2发送。需要说明的是，传感器信息与行驶履历信息及车辆信息的建立关联在传感器信息、行驶履历信息及车辆信息的取得后且这些信息的发送前进行即可。
在步骤ST5中，控制支援服务器2的控制部22的数据取得部221将从车辆3接收到的传感器信息基于行驶履历信息及车辆信息进行分类，并存储于输入输出数据组存储部232。由此，由行驶履历信息及车辆信息将传感器信息作为输入输出数据组分类。
接着，移向步骤ST6，学习部222从存储于输入输出数据组存储部232的各种传感器信息中将用于控制的传感器信息与行驶履历信息及车辆信息建立关联而提取。学习部222将提取出的传感器信息作为输入输出数据组，进行使用神经网络100的机器学习。由此，学习部222生成已学习模型，将已学习模型与行驶履历信息及车辆信息建立关联并存储于已学习模型存储部231。
以上的步骤ST1～ST6的处理在控制支援服务器2与多个供给侧的车辆3之间反复执行。由此，在控制支援服务器2的已学习模型存储部231中蓄积与各种行驶履历信息建立了关联的已学习模型。另外，控制部22的学习部222也可以将生成的已学习模型进一步与车辆信息建立关联而蓄积于已学习模型存储部231。也可以将过去生成的已学习模型利用与该已学习模型所关联的行驶履历信息的一致度高的新的已学习模型进行更新。而且，也可以将建立了关联的行驶履历信息互相接近的多个已学习模型互相合并并进行平均化等，生成新的已学习模型。需要说明的是，在将已学习模型平均化的情况下，能够通过将多个已学习模型中的各网络参数w针对各节点进行平均化等而进行。也可以进一步变更节点的数量。另外，学习部222也可以进一步参照车辆信息，将多个已学习模型合并或更新。由此，在已学习模型存储部231中，生成的已学习模型与行驶履历信息建立关联，蓄积、更新或者合并且平均化，并且存储。以上，控制支援系统1中的已学习模型的生成处理结束。
与步骤ST1～ST6的处理相独立地，在要求侧的车辆4中进行与步骤ST1、ST2同样的处理。即，在步骤ST7中，车辆4中的电子控制部42的数据取得部421取得本车的行驶履历信息及车辆信息。数据取得部421将取得的行驶履历信息及车辆信息分别存储于行驶履历信息存储部441及车辆信息存储部442。在步骤ST8中，数据取得部421取得由传感器群46检测到的数据，将这些检测数据作为传感器信息存储于传感器群取得信息存储部443。需要说明的是，步骤ST7、ST8也可以倒序进行，还可以并列进行。
在执行步骤ST1～ST8的处理后，由控制支援服务器2执行对于车辆4的控制支援处理。首先，在步骤ST9中，车辆4的通信部43对控制支援服务器2发送模型要求信号、行驶履历信息、车辆信息及车辆识别信息。需要说明的是，车辆识别信息也可以包含于车辆信息。
在步骤ST10中，控制部22的选择部223首先基于从车辆4接收到的行驶履历信息，从已学习模型存储部231中选择并找出至少1个与一致度最高的行驶履历信息建立了关联的已学习模型。需要说明的是，选择部223也可以进一步基于车辆信息的一致度，基于一致度高的行驶履历信息及车辆信息而选择至少1个已学习模型。选择部223参照车辆识别信息，将选择出的已学习模型向发送了模型要求信号的车辆4发送。
在步骤ST11中，电子控制部42的预测部422使用从控制支援服务器2经由通信部43而接收到的已学习模型，算出预测值并进行控制。即，首先，数据取得部421将接收到的已学习模型存储于控制用信息存储部444。接着，预测部422从传感器群取得信息存储部443选择并找出进行控制所需的传感器信息，作为输入参数。预测部422将输入参数向接收到的已学习模型输入，算出预测值。电子控制部42使用算出的预测值来控制驱动部41等。
需要说明的是，包括上述的供给侧的车辆3和要求侧的车辆4互相是同一车辆的情况。在车辆3、4是同一车辆的情况下，也可以取代收发行驶履历信息，根据车辆识别信息而在控制支援服务器2中生成已学习模型。而且，上述的步骤ST1～ST11在控制支援系统1中反复执行。由此，生成的已学习模型更最佳化。
(第一实施例)
以下，对使用已学习模型的控制的具体的实施例进行说明。在第一实施例中，将输入参数设为最大催化剂内氧吸蔵量(最大OSA)及车辆的行驶距离，将输出参数设为使发动机下次启动时的催化剂预热延迟量(以下，也称作催化剂预热延迟量)。在该情况下，将由车辆3的传感器群36计测到的最大OSA及车辆3的总行驶距离的数据和基于该最大OSA及该总行驶距离而在车辆3中检测、控制的催化剂预热延迟量的数据作为输入输出数据组，在控制支援服务器2中生成已学习模型。在车辆4中，预测部422将由传感器群46计测到的最大OSA及总行驶距离作为输入参数，向从控制支援服务器2接收到的已学习模型输入，算出催化剂预热延迟量的预测值。车辆4的电子控制部42按照预测部422算出的预测值来控制催化剂预热延迟量。通过该控制，即使搭载于车辆4的废气净化催化剂的劣化加深，也能够根据劣化的程度来进行催化剂预热的控制，因此能够抑制HC、CO作为尾气排放而大量排出。
(第二实施例)
在第二实施例中，将输入参数设为平均车速及平均加速度，将输出参数设为开始恒定输出驾驶的SOC(State of Charge：充电状态)值(以下，也称作开始SOC值)。在该情况下，将由车辆3的传感器群36计测并由控制部22或电子控制部32导出的平均车速及平均加速度的数据和基于该平均车速及该平均加速度而在多个车辆3中检测、控制的开始SOC值的数据作为输入输出数据组，在控制支援服务器2中生成已学习模型。在车辆4中，预测部422将由传感器群46计测并由电子控制部42算出的平均车速及平均加速度作为输入参数，向从控制支援服务器2接收到的已学习模型输入，算出开始SOC值的预测值。车辆4的电子控制部42按照预测部422算出的预测值来设定开始SOC值，控制恒定输出驾驶。
在PHV(Plug-in Hybrid Vehicle：插电式混合动力车辆)等车辆中，当SOC值变得小于规定值时，恒定输出驾驶开始而催化剂预热开始。若车辆4的驾驶员进行高速下的驾驶或急加速多的驾驶，则会在催化剂预热完成前SOC值下降而切换为通常行驶，因此催化剂预热有可能不充分。于是，通过将平均车速及平均加速度作为输入参数向已学习模型输入，算出开始SOC值的预测值作为输出参数，能够将开始SOC值设定为最佳的值。因此，能够减少在PHV等车辆中催化剂预热不充分的可能性。
(第三实施例)
在第三实施例中，将输入参数设为最大OSA及车辆的行驶距离，将输出参数设为为了抑制催化剂的OT(Over Temperature：过热)而执行燃料的增量控制的催化剂床温度(以下，也称作催化剂推定床温)。在该情况下，将由车辆3的传感器群36检测到的最大OSA及计测到的车辆3的总行驶距离的数据和基于该最大OSA及该总行驶距离而在车辆3中检测、控制的催化剂推定床温的数据作为输入输出数据组，在控制支援服务器2中生成已学习模型。在车辆4中，预测部422将由传感器群46计测到的最大OSA及总行驶距离作为输入参数，向从控制支援服务器2接收到的已学习模型输入，算出催化剂推定床温的预测值。车辆4的电子控制部42按照预测部422算出的预测值来设定催化剂推定床温，在催化剂床温度达到了设定的催化剂推定床温的情况下，进行使向发动机供给的燃料增量的控制。通过该控制，能够根据搭载于车辆4的废气净化催化剂的劣化的状态来降低催化剂推定床温，因此能够抑制催化剂的OT的发生。
(第四实施例)
在第四实施例中，将输入参数设为车辆4中的最大OSA、车辆的行驶距离、平均速度及平均加速度，将输出参数设为催化剂推定床温。在该情况下，将与车辆3相关的最大OSA、总行驶距离及控制部22或由电子控制部32导出的平均车速和平均加速度的数据和基于这4种数据而在车辆3中检测、控制的催化剂推定床温的数据作为输入输出数据组，在控制支援服务器2中生成已学习模型。在车辆4中，预测部422将与车辆4相关的最大OSA、总行驶距离、平均车速及平均加速度作为输入参数，向从控制支援服务器2接收到的已学习模型输入，算出催化剂推定床温的预测值。车辆4的电子控制部42按照预测部422算出的预测值来设定催化剂推定床温，在催化剂床温度达到了设定的催化剂推定床温的情况下，进行使燃料增加的控制。通过该控制，能够得到与第三实施例同样的效果。而且，根据第四实施例，若车辆4的驾驶员进行高速下的驾驶或急加速多的驾驶，则催化剂床温度有可能急剧上升，因此能够在这样的情况下使催化剂推定床温下降，在催化剂床温度更低的状态下执行向发动机供给的燃料的增量。由此，即使在高速驾驶或急加速多的驾驶中，也能够抑制催化剂的OT的发生。
另外，也可以将从上述的第一～第四实施例中选择出的多个实施例在同一车辆4内并列执行。
根据以上说明的第一实施方式，将从多个车辆3取得的传感器信息作为输入输出数据组而利用机器学习生成已学习模型，在从执行规定的控制的车辆4接收到模型要求信号的情况下，选择与和车辆4中的行驶履历信息一致度最高的行驶履历信息建立了关联的已学习模型并向车辆4发送，在车辆4中算出预测值。由此，在车辆4中，能够利用与本车的行驶状况最接近的行驶状况的已学习模型来算出预测值，因此能够恰当地支援基于预测值的车辆4的控制。
(第二实施方式)
接着，对第二实施方式的控制支援方法进行说明。第二实施方式的控制支援系统1、控制支援服务器2及车辆3、4的结构与第一实施方式是同样的。不过，在第二实施方式中，控制支援服务器2的处理及车辆4接收的信息与第一实施方式不同。在第二实施方式中，控制支援服务器2使用生成的已学习模型来算出车辆4中的控制用的预测值，车辆4取得该预测值。
图8是用于说明第二实施方式的控制支援方法的流程图。在图8中，步骤ST21～ST28与图7所示的步骤ST1～ST8是同样的。在第二实施方式中，控制支援服务器2利用步骤ST21～ST28来生成已学习模型。需要说明的是，步骤ST21～ST28在控制支援服务器2及车辆3中反复执行。由此，在控制支援服务器2的已学习模型存储部231中，生成的已学习模型与行驶履历信息建立关联而蓄积，建立了关联的行驶履历信息的一致度互相高的多个已学习模型合并且平均化，更新为新的已学习模型。需要说明的是，也可以与车辆信息进一步建立关联，在该情况下，也可以将在行驶履历信息及车辆信息上一致度高的多个已学习模型合并且平均化。
由控制支援服务器2生成已学习模型后，控制支援服务器2执行对于车辆4的控制支援处理。即，在步骤ST29中，车辆4的通信部43向控制支援服务器2发送作为参数要求信号的预测值要求信号、传感器信息、行驶履历信息、车辆信息及车辆识别信息。
当控制支援服务器2从车辆4接收到预测值要求信号、传感器信息、行驶履历信息、车辆信息及车辆识别信息时，移向步骤ST30。在步骤ST30中，控制部22的选择部223从存储于已学习模型存储部231的已学习模型选择至少1个与和从车辆4接收到的行驶履历信息一致度最高的行驶履历信息建立了关联的已学习模型。需要说明的是，选择部223也可以进一步也参照从车辆4接收到的车辆信息，选择至少1个与一致度最高的行驶履历信息及车辆信息建立了关联的已学习模型。
当移向步骤ST31后，预测部224使用选择出的已学习模型来算出预测值并发送预测值。即，预测部224首先从自车辆4接收到的传感器信息中选择进行控制所需的传感器信息，作为输入参数。预测部224将输入参数向选择出的已学习模型输入，算出预测值。预测部224通过通信部21而向基于车辆识别信息、车辆信息发送了预测值要求信号的车辆4发送算出的预测值。
车辆4的电子控制部42当通过通信部43而从控制支援服务器2接收到预测值时，在步骤ST32中，使用取得的预测值来控制驱动部41等。使用预测值的驱动部41等的控制的具体例与上述的第一～第四实施例是同样的。另外，上述的供给侧的车辆3和要求侧的车辆4也可以是同一车辆。
需要说明的是，在作为控制支援服务器2从车辆4接收并向已学习模型输入的输入参数的传感器信息的一部分缺少的情况下，预测部224也可以算出充当缺少的传感器信息的暂定值，作为输入参数。这在车辆4中未设置取得作为已学习模型的输入参数所需的传感器信息的传感器的情况下有效。而且，上述的步骤ST21～ST32在控制支援系统1中反复执行。由此，算出的预测值更最佳化。
根据第二实施方式，在控制支援服务器2中，生成已学习模型，且与从要求侧的车辆4接收到的传感器信息对应地算出预测值，向车辆4发送算出的预测值。由此，在车辆4中，能够使用通过在控制支援服务器2中生成的已学习模型而得到的预测值来进行控制，因此能够得到与第一实施方式同样的效果。而且，由于在控制支援服务器2中执行预测值的算出，所以无需在车辆4中设置算出预测值的预测部。因此，与第一实施方式相比，能够减少车辆4的处理容量，因此能够使能够执行使用已学习模型的控制的车辆4增加。
(第三实施方式)
接着，对第三实施方式的车辆及控制支援方法进行说明。第三实施方式的控制支援系统1、控制支援服务器2及车辆4的结构与第一实施方式是同样的，车辆4接收的信息与第二实施方式是同样的。不过，在第三实施方式中，控制支援服务器2及供给侧的车辆3的处理与第一及第二实施方式不同。在第三实施方式中，由供给侧的车辆3生成已学习模型，控制支援服务器2使用生成的已学习模型来算出要求侧的车辆4中的控制用的预测值。
(供给侧车辆)
图9是概略地示出第三实施方式的供给侧的车辆3A的结构的框图。如图9所示，车辆3A与图5所示的第一实施方式的车辆3同样，具备驱动部31、电子控制部32、通信部33、存储部34、输入输出部35、传感器群36及GPS部37。另外，车辆3A与车辆3不同，电子控制部32还具有学习部322，并且存储部34还具有输入输出数据组存储部344、已学习模型存储部345及学习数据存储部346。学习部322、输入输出数据组存储部344、已学习模型存储部345及学习数据存储部346分别与控制支援服务器2中的学习部222、输入输出数据组存储部232、已学习模型存储部231及学习数据存储部233是同样的。即，第三实施方式的车辆3A是搭载有控制支援装置的车辆。
图10是示出第三实施方式的控制支援方法的处理的流程的流程图。在图10中，步骤ST41、ST42、ST44、ST47、ST48与图7所示的步骤ST1、ST2、ST3、ST7、ST8是同样的。步骤ST41、ST42的处理也可以倒序进行，还可以并列进行，步骤ST47、ST48的处理也可以倒序进行，还可以并列进行。
当在执行步骤ST41、ST42后移向步骤ST43后，电子控制部32的学习部322生成已学习模型。即，电子控制部32的数据取得部321从存储于传感器群取得信息存储部343的各种传感器信息提取用于控制的传感器信息。数据取得部321进一步从行驶履历信息存储部341及车辆信息存储部342分别读出与提取出的传感器信息建立了关联的行驶履历信息及车辆信息。数据取得部321将提取出的传感器信息和建立了关联的行驶履历信息及车辆信息存储于输入输出数据组存储部344。接着，学习部322从输入输出数据组存储部344读出传感器信息，将读出的传感器信息作为输入输出数据组，进行使用神经网络100的机器学习。由此，学习部322生成已学习模型，将已学习模型与行驶履历信息及车辆信息建立关联而存储于已学习模型存储部345。
之后，移向步骤ST44，电子控制部32判定当前时间点是否是预先设定的规定的定时。在电子控制部32判定为当前时间点不是规定的定时的情况下(步骤ST44：否)，反复执行步骤ST41～ST43。
在电子控制部32判定为成为了规定的定时的情况下(步骤ST44：是)，移向步骤ST45。在步骤ST45中，电子控制部32将生成并保存的已学习模型与行驶履历信息及车辆信息互相建立关联，向控制支援服务器2发送。需要说明的是，已学习模型与行驶履历信息及车辆信息的建立关联在已学习模型的生成后且已学习模型的发送前之间进行即可。
在步骤ST46中，控制支援服务器2的数据取得部221将接收到的已学习模型基于行驶履历信息及车辆信息进行分类，存储于已学习模型存储部231。与上述的步骤ST41～ST46的处理相独立地，在要求侧的车辆4中，进行步骤ST47、ST48的处理。
以上的步骤ST41～ST48的处理在多个供给侧的车辆3与控制支援服务器2之间反复执行。由此，在控制支援服务器2的已学习模型存储部231中，与图7所示的步骤ST1～ST6同样，生成的已学习模型与行驶履历信息建立关联而蓄积，由行驶履历信息的一致度高的新的已学习模型更新，建立了关联的行驶履历信息的一致度高的多个已学习模型合并且平均化。
执行了以上的步骤ST41～ST48的处理后，执行步骤ST49～ST52。步骤ST49～ST52分别是与第二实施方式的图8所示的步骤ST29～ST32对应的处理。
包括上述的供给侧的车辆3A和要求侧的车辆4是同一车辆的情况。在该情况下，若作为已学习模型而采用在车辆3A(车辆4)中生成的已学习模型，利用车辆4(车辆3A)中的预测部422来算出预测值，则能够省略车辆3A、4与控制支援服务器2的通信。然而，在该情况下，已学习模型有可能成为过学习。在该情况下，即使车辆3A、4是同一车辆，也可以作为已学习模型而使用在控制支援服务器2中将多个已学习模型合并且平均化而得到的通用的已学习模型。
根据第三实施方式，在供给侧的车辆3中生成已学习模型，控制支援服务器2基于从要求侧的车辆4接收到的传感器信息来算出预测值，向车辆4发送算出的预测值。由此，在车辆4中，能够根据在车辆3中生成的已学习模型，使用由控制支援服务器2得到的预测值来进行控制，因此能够得到与第一及第二实施方式同样的效果。
以上，虽然对本发明的实施方式具体地进行了说明，但本发明不限定于上述的实施方式，能够进行基于本发明的技术思想的各种变形。例如，在上述的实施方式中举出的输入参数、输出参数只不过是例子，也可以根据需要而使用与此不同的输入参数、输出参数。
例如，在上述的实施方式中，作为机器学习的一例而说明了使用神经网络的深度学习，但也可以进行基于其以外的方法的机器学习。例如，也可以使用支持向量机、决策树、朴素贝叶斯、k最近邻法等其他的有监督学习。另外，也可以取代有监督学习而使用半监督学习。
作为构成输入输出数据组、学习数据的一部分的输入参数，除了从车辆4具有的传感器群46取得的数据以外，也可以使用例如通过路车间通信、车车间通信等而得到的数据。
进一步的效果、变形例能够由本领域技术人员容易地导出。本发明的更广泛的方案不限定于如以上这样表示且记述的特定的详情及代表性的实施方式。因此，能够不从由随附的权利要求及其均等物定义的总括性的发明的概念的精神或范围脱离而进行各种变更。
标号说明
1 控制支援系统
2 控制支援服务器
3、3A、4 车辆
21、33、43 通信部
22 控制部
23、34、44 存储部
100 神经网络
101 输入层
102 中间层
103 输出层
121 第一中间层
122 第二中间层
221、321、421 数据取得部
222、322 学习部
223 选择部
224、422 预测部
225 收费处理部
231、345 已学习模型存储部
232、344 输入输出数据组存储部
233、346 学习数据存储部。

Claims (10)

1.一种控制支援装置，使用通过机器学习而得到的已学习模型来支援车辆的控制，其特征在于，具备：
数据取得部，取得与供给用于所述机器学习的参数的供给侧车辆的内部或外部的状态相关的传感器信息；
学习部，通过使用输入输出数据组进行所述机器学习来生成多个已学习模型，所述输入输出数据组是所述数据取得部从多个所述供给侧车辆取得的所述传感器信息，且是包括所述已学习模型的输入参数及输出参数的数据；
选择部，从所述多个已学习模型中选择向支援控制的所述车辆发送的已学习模型；及
发送部，将所述选择出的已学习模型向所述车辆发送，
所述数据取得部还取得与所述传感器信息建立了关联的所述供给侧车辆的行驶履历信息，
所述学习部将所述生成的已学习模型与所述行驶履历信息建立关联，
所述选择部从多个所述生成的已学习模型中选择与和所述车辆的行驶履历信息一致度高的行驶履历信息建立了关联的已学习模型，互相合并并进行平均化。
2.一种控制支援装置，使用通过机器学习而得到的已学习模型来支援车辆的控制，其特征在于，具备：
数据取得部，取得与供给用于所述机器学习的参数的供给侧车辆的内部或外部的状态相关的传感器信息；
学习部，通过使用输入输出数据组进行所述机器学习来生成多个已学习模型，所述输入输出数据组是所述数据取得部从多个所述供给侧车辆取得的所述传感器信息，且是包括所述已学习模型的输入参数及输出参数的数据；
选择部，从所述多个已学习模型中选择已学习模型；
预测部，算出将支援控制的所述车辆的传感器信息作为输入参数向所述选择出的已学习模型输入而得到的输出参数；
发送部，将所述算出的输出参数向所述车辆发送，
所述数据取得部还取得与所述传感器信息建立了关联的所述供给侧车辆的行驶履历信息，
所述学习部将所述生成的已学习模型与所述行驶履历信息建立关联，
所述选择部从多个所述生成的已学习模型中选择与和所述车辆的行驶履历信息一致度高的行驶履历信息建立了关联的已学习模型，互相合并并进行平均化。
3.一种控制支援装置，能够与能够存储通过机器学习而得到的已学习模型的服务器通信，使用所述已学习模型来支援车辆的控制，其特征在于，
搭载于取得用于所述机器学习的参数的供给侧车辆，具备：
数据取得部，取得与所述供给侧车辆的内部或外部的状态相关的传感器信息；
学习部，通过使用输入输出数据组进行所述机器学习来生成多个已学习模型，所述输入输出数据组是所述数据取得部取得的传感器信息，且是包括所述已学习模型的输入参数及输出参数的数据；及
发送部，将所述生成的已学习模型向所述服务器发送，
所述服务器具备：
服务器选择部，从通过对从多个所述控制支援装置分别接收到的多个已学习模型进行蓄积、合并或更新而得到的多个已学习模型中选择已学习模型；
服务器预测部，算出将支援控制的所述车辆的传感器信息作为输入参数向所述选择出的已学习模型输入而得到的输出参数；及
服务器通信部，将所述输出参数向所述车辆发送，
所述服务器还接收所述供给侧车辆中的与所述已学习模型建立了关联的行驶履历信息和所述车辆中的行驶履历信息，
所述服务器选择部从通过进行所述蓄积、合并或更新而得到的多个已学习模型中选择与和所述车辆的行驶履历信息一致度高的行驶履历信息建立了关联的已学习模型，互相合并并进行平均化。
4.根据权利要求3所述的控制支援装置，其特征在于，
所述服务器将对从自多个所述控制支援装置分别接收到的多个已学习模型中找出或根据自多个所述控制支援装置分别接收到的多个已学习模型生成的已学习模型输入支援控制的所述车辆的传感器信息作为输入参数而得到的输出参数向所述车辆发送。
5.根据权利要求1~4中任一项所述的控制支援装置，其特征在于，
还具备收费处理部，该收费处理部执行算出对所述车辆的用户进行所述控制的支援的对价的处理、算出对所述供给侧车辆的用户进行所述传感器信息的提供的报酬的处理及将所述算出的结果输出的处理。
6.根据权利要求1~4中任一项所述的控制支援装置，
所述传感器信息是从所述车辆中的最大催化剂内氧吸蔵量的信息、行驶距离的信息、平均速度的信息及平均加速度的信息中选择出的至少1种信息，
所述输出参数是催化剂预热延迟量、开始恒定输出驾驶的SOC值或执行燃料的增量控制的催化剂床温度。
7.一种车辆，具备能够与能够存储通过机器学习而得到的已学习模型的服务器通信的车辆控制装置，其特征在于，
所述服务器具备：
服务器存储部，存储通过将与供给用于所述机器学习的参数的供给侧车辆的内部或外部的状态相关的传感器信息作为输入输出数据组进行机器学习而生成的多个所述已学习模型，所述输入输出数据组是包括所述已学习模型的输入参数及输出参数的数据；
服务器选择部，从所述多个已学习模型中选择向支援控制的所述车辆发送的已学习模型；及
服务器通信部，发送所述生成的已学习模型及在接收到所述车辆的传感器信息的情况下将所述车辆的传感器信息作为输入参数向所述已学习模型输入而算出的输出参数的至少一方，
所述服务器选择部从多个所述生成的已学习模型中选择与和所述车辆的行驶履历信息一致度高的行驶履历信息建立了关联的已学习模型，互相合并并进行平均化，
所述车辆控制装置具备：
数据取得部，取得与所述车辆的内部或外部的状态相关的传感器信息；及
通信部，将要求所述已学习模型的发送的模型要求信号或要求与所述数据取得部取得的所述传感器信息对应地算出的输出参数的发送的参数要求信号和所述传感器信息向所述服务器发送，与所述模型要求信号或所述参数要求信号对应地，接收所述生成的已学习模型或所述算出的输出参数。
8.一种车辆，具备能够与能够存储通过机器学习而得到的已学习模型的服务器通信的车辆控制装置，其特征在于，
所述车辆控制装置具备：
数据取得部，取得与所述车辆的内部或外部的状态相关的传感器信息；
学习部，通过使用输入输出数据组进行所述机器学习来生成多个已学习模型，所述输入输出数据组是所述数据取得部取得的传感器信息，且是包括所述已学习模型的输入参数及输出参数的数据；及
发送部，将所述学习部生成的已学习模型向所述服务器发送，
所述服务器具备：
服务器选择部，从通过对从多个所述车辆控制装置分别接收到的多个已学习模型进行蓄积、合并或更新而得到的多个已学习模型中选择已学习模型；
服务器预测部，算出将支援控制的车辆的传感器信息作为输入参数向所述选择出的已学习模型输入而得到的输出参数；及
服务器通信部，将所述输出参数向所述支援控制的车辆发送，
所述服务器还接收所述车辆中的与所述已学习模型建立了关联的行驶履历信息和所述支援控制的车辆中的行驶履历信息，
所述服务器选择部从通过进行所述蓄积、合并或更新而得到的多个已学习模型中选择与和所述支援控制的车辆的行驶履历信息一致度高的行驶履历信息建立了关联的已学习模型，互相合并并进行平均化。
9.一种控制支援方法，是使用通过机器学习而得到的已学习模型来支援车辆的控制的控制支援装置执行的控制支援方法，其特征在于，包括：
数据取得步骤，取得与供给用于所述机器学习的参数的供给侧车辆的内部或外部的状态相关的传感器信息；
学习步骤，从存储部读出输入输出数据组，通过使用读出的所述输入输出数据组进行所述机器学习来生成多个已学习模型，所述输入输出数据组是在所述数据取得步骤中取得的传感器信息，且是包括所述已学习模型的输入参数及输出参数的数据；
发送步骤，发送所述生成的已学习模型及将支援控制的所述车辆的传感器信息作为输入参数向所述已学习模型输入而得到的输出参数的至少一方；及
选择步骤，从所述多个已学习模型中选择向支援控制的所述车辆发送的已学习模型，
在所述选择步骤中，从多个所述生成的已学习模型中选择与和所述车辆的行驶履历信息一致度高的行驶履历信息建立了关联的已学习模型，互相合并并进行平均化。
10.一种保存控制支援程序的计算机可读取存储介质，其特征在于，所述控制支援程序使利用通过机器学习而得到的已学习模型来支援车辆的控制的控制支援装置执行：
数据取得步骤，取得与供给用于所述机器学习的参数的供给侧车辆的内部或外部的状态相关的传感器信息；
学习步骤，从存储部读出输入输出数据组，通过使用读出的所述输入输出数据组进行所述机器学习来生成多个已学习模型，所述输入输出数据组是在所述数据取得步骤中取得的传感器信息，且是包括所述已学习模型的输入参数及输出参数的数据；
发送步骤，发送所述生成的已学习模型及将支援控制的所述车辆的传感器信息作为输入参数向所述已学习模型输入而得到的输出参数的至少一方；及
选择步骤，从所述多个已学习模型中选择向支援控制的所述车辆发送的已学习模型，
在所述选择步骤中，从多个所述生成的已学习模型中选择与和所述车辆的行驶履历信息一致度高的行驶履历信息建立了关联的已学习模型，互相合并并进行平均化。
CN201911010548.3A 2018-10-25 2019-10-23 控制支援装置及方法、车辆、记录介质、用于使计算机发挥功能的已学习模型及生成方法 Active CN111102043B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-201218 2018-10-25
JP2018201218A JP6848949B2 (ja) 2018-10-25 2018-10-25 制御支援装置、車両、および制御支援システム

Publications (2)

Publication Number Publication Date
CN111102043A CN111102043A (zh) 2020-05-05
CN111102043B true CN111102043B (zh) 2022-03-11

Family

ID=70328495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911010548.3A Active CN111102043B (zh) 2018-10-25 2019-10-23 控制支援装置及方法、车辆、记录介质、用于使计算机发挥功能的已学习模型及生成方法

Country Status (4)

Country Link
US (1) US10968855B2 (zh)
JP (1) JP6848949B2 (zh)
CN (1) CN111102043B (zh)
DE (1) DE102019126147A1 (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018119417A1 (en) * 2016-12-22 2018-06-28 Nissan North America, Inc. Autonomous vehicle service system
US11875371B1 (en) 2017-04-24 2024-01-16 Skyline Products, Inc. Price optimization system
JP6852141B2 (ja) * 2018-11-29 2021-03-31 キヤノン株式会社 情報処理装置、撮像装置、情報処理装置の制御方法、および、プログラム
JP6744597B1 (ja) * 2019-10-18 2020-08-19 トヨタ自動車株式会社 車両用制御データの生成方法、車両用制御装置、車両用制御システム、および車両用学習装置
JP7322802B2 (ja) * 2020-05-13 2023-08-08 トヨタ自動車株式会社 配車装置および車両
JP7322804B2 (ja) * 2020-05-13 2023-08-08 トヨタ自動車株式会社 配車装置および車両
JP7322810B2 (ja) * 2020-05-21 2023-08-08 トヨタ自動車株式会社 燃温推定システム、データ解析装置、燃料供給装置の制御装置
JP6795116B1 (ja) * 2020-06-08 2020-12-02 トヨタ自動車株式会社 車両、及びサーバ
JP2021196777A (ja) * 2020-06-11 2021-12-27 トヨタ自動車株式会社 機械学習装置、機械学習システム、機械学習方法、及びプログラム
JP7298633B2 (ja) * 2020-06-18 2023-06-27 トヨタ自動車株式会社 機械学習装置
JP7151743B2 (ja) * 2020-06-18 2022-10-12 トヨタ自動車株式会社 車両用機械学習システム
JP2022007027A (ja) * 2020-06-25 2022-01-13 トヨタ自動車株式会社 車両用制御装置、車両用制御システム、および車両用学習装置
JP7074166B2 (ja) * 2020-08-07 2022-05-24 トヨタ自動車株式会社 サーバ、車両の制御装置、および車両の機械学習システム
JP7093031B2 (ja) * 2020-09-23 2022-06-29 ダイキン工業株式会社 情報処理装置、情報処理方法、及びプログラム
US20210188306A1 (en) * 2020-12-23 2021-06-24 Nageen Himayat Distributed learning to learn context-specific driving patterns
US11760376B2 (en) * 2020-12-29 2023-09-19 Ford Global Technologies, Llc Machine learning updating with sensor data
US11953896B2 (en) 2021-02-15 2024-04-09 Argo AI, LLC System and method for a modular and continually learning remote guidance system for autonomous vehicles
US11952014B2 (en) * 2021-10-29 2024-04-09 Waymo Llc Behavior predictions for active emergency vehicles
WO2023073910A1 (ja) * 2021-10-29 2023-05-04 日本電気株式会社 モデル分析装置、モデル分析方法、及び記録媒体
CN114999021A (zh) * 2022-05-17 2022-09-02 中联重科股份有限公司 用于确定油温异常原因的方法、处理器、装置及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104105947A (zh) * 2012-02-27 2014-10-15 丰田自动车工程及制造北美公司 用于确定可用的提供商的系统和方法
CN106114507A (zh) * 2016-06-21 2016-11-16 百度在线网络技术（北京）有限公司 用于智能车辆的局部轨迹规划方法和装置
US9779557B2 (en) * 2015-08-18 2017-10-03 Carfit Corp. Automotive activity monitor
JP2017215898A (ja) * 2016-06-02 2017-12-07 株式会社マーズスピリット 機械学習システム
CN108216261A (zh) * 2016-12-20 2018-06-29 现代自动车株式会社 基于预测目的地控制车辆的方法和系统
US10026506B1 (en) * 2015-02-06 2018-07-17 Brain Trust Innovations I, Llc System, RFID chip, server and method for capturing vehicle data

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003051095A (ja) 2001-08-07 2003-02-21 Mazda Motor Corp 自動車の制御ゲイン変更用サーバ、自動車の制御ゲイン変更方法、及び、自動車の制御ゲイン変更用プログラム
JP5426520B2 (ja) 2010-11-24 2014-02-26 本田技研工業株式会社 内燃機関の制御装置
JP6044556B2 (ja) * 2014-01-16 2016-12-14 株式会社デンソー 学習システム、車載装置、及び、サーバ
JP6471106B2 (ja) * 2016-01-19 2019-02-13 日立オートモティブシステムズ株式会社 車両制御装置、車両制御パラメータ学習システム
EP3820753B1 (en) * 2018-07-14 2023-08-02 Moove.AI Vehicle-data analytics
JP6741087B1 (ja) * 2019-02-01 2020-08-19 トヨタ自動車株式会社 内燃機関の制御装置、車載電子制御ユニット、機械学習システム、内燃機関の制御方法、電子制御ユニットの製造方法及び出力パラメータ算出装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104105947A (zh) * 2012-02-27 2014-10-15 丰田自动车工程及制造北美公司 用于确定可用的提供商的系统和方法
US10026506B1 (en) * 2015-02-06 2018-07-17 Brain Trust Innovations I, Llc System, RFID chip, server and method for capturing vehicle data
US9779557B2 (en) * 2015-08-18 2017-10-03 Carfit Corp. Automotive activity monitor
JP2017215898A (ja) * 2016-06-02 2017-12-07 株式会社マーズスピリット 機械学習システム
CN106114507A (zh) * 2016-06-21 2016-11-16 百度在线网络技术（北京）有限公司 用于智能车辆的局部轨迹规划方法和装置
CN108216261A (zh) * 2016-12-20 2018-06-29 现代自动车株式会社 基于预测目的地控制车辆的方法和系统

Also Published As

Publication number Publication date
CN111102043A (zh) 2020-05-05
DE102019126147A1 (de) 2020-04-30
JP2020067911A (ja) 2020-04-30
US10968855B2 (en) 2021-04-06
US20200132011A1 (en) 2020-04-30
JP6848949B2 (ja) 2021-03-24

Similar Documents

Publication Publication Date Title
CN111102043B (zh) 控制支援装置及方法、车辆、记录介质、用于使计算机发挥功能的已学习模型及生成方法
CN110991757B (zh) 一种混合动力电动汽车综合预测能量管理方法
TWI638328B (zh) 電力需求預測裝置、電力供給系統、電力需求預測方法、程式、供給電力管理裝置
US9090255B2 (en) Hybrid vehicle fuel efficiency using inverse reinforcement learning
CN110850861A (zh) 基于注意的分层变道深度强化学习
CN104280039B (zh) 用于提供电动车的驾驶信息的系统和方法
CN111532166A (zh) 一种电动汽车充电路径规划方法、装置、汽车及计算机存储介质
CN101837775A (zh) 用于优化能量储存部件使用的系统和方法
US10801848B2 (en) Crowd sourcing to predict vehicle energy consumption
Perger et al. Energy efficient route planning for electric vehicles with special consideration of the topography and battery lifetime
CN114078287A (zh) 操作具有至少一个牵引电池驱动的牵引马达的传动系的机动车辆的方法
US11946760B2 (en) Navigation map learning for intelligent hybrid-electric vehicle planning
JP2020093760A (ja) 制御支援装置
US11614335B2 (en) Route planner optimization for hybrid-electric vehicles
US20190232943A1 (en) Vehicle control system, vehicle control method, and storage medium
JP6268751B2 (ja) 目的地情報提供システム及び方法、並びにコンピュータプログラム
JP2020071611A (ja) 機械学習装置
JPWO2012004842A1 (ja) 運転操作支援装置及び運転操作支援方法
JP7400837B2 (ja) 消費エネルギー推定プログラム、消費エネルギー推定方法及び消費エネルギー推定装置
US11378412B2 (en) Device and method for outputting navigation information, and vehicle
US20230174042A1 (en) Intelligent Engine Activation Planner
JP2014228449A (ja) 電池劣化予測システムおよび経路探索システム
CN113253722B (zh) 电动车充电路径规划方法、装置及系统
CN113222248B (zh) 一种自动驾驶出租车充电桩选择方法
JP2022067454A (ja) 車両制御支援システム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant