CN112277558A - 减振器控制系统、车辆、信息处理装置及它们的控制方法以及记录介质 - Google Patents

减振器控制系统、车辆、信息处理装置及它们的控制方法以及记录介质 Download PDF

Info

Publication number
CN112277558A
CN112277558A CN202010691111.7A CN202010691111A CN112277558A CN 112277558 A CN112277558 A CN 112277558A CN 202010691111 A CN202010691111 A CN 202010691111A CN 112277558 A CN112277558 A CN 112277558A
Authority
CN
China
Prior art keywords
damper
control
vehicle
control unit
feedback data
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.)
Withdrawn
Application number
CN202010691111.7A
Other languages
English (en)
Inventor
藤元岳洋
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.)
Honda Motor Co Ltd
Original Assignee
Honda Motor Co Ltd
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 Honda Motor Co Ltd filed Critical Honda Motor Co Ltd
Publication of CN112277558A publication Critical patent/CN112277558A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G17/00—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load
    • B60G17/015—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements
    • B60G17/0152—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements characterised by the action on a particular type of suspension unit
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G17/00—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load
    • B60G17/06—Characteristics of dampers, e.g. mechanical dampers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/05—Attitude
    • B60G2400/051—Angle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/10—Acceleration; Deceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/20—Speed
    • B60G2400/202—Piston speed; Relative velocity between vehicle body and wheel
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/20—Speed
    • B60G2400/204—Vehicle speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/20—Speed
    • B60G2400/208—Speed of wheel rotation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/25—Stroke; Height; Displacement
    • B60G2400/252—Stroke; Height; Displacement vertical
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/40—Steering conditions
    • B60G2400/41—Steering angle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/50—Pressure
    • B60G2400/52—Pressure in tyre
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/80—Exterior conditions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Vehicle Body Suspensions (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供一种减振器控制系统，所述减振器控制系统具有：减振器控制单元，其对用于车辆的悬架的减振器的特性进行控制；以及处理单元，其接受在车辆中测量出的与车辆的行为相关的反馈数据，并将通过机器学习算法的执行而确定的运算处理应用于反馈数据，并将通过运算处理而得到的控制变量输出至减振器控制单元，减振器控制单元基于在减振器控制单元的内部使用的控制变量对减振器的特性进行控制，并且将在内部使用的控制变量替换为由处理单元输出的新的控制变量。

Description

减振器控制系统、车辆、信息处理装置及它们的控制方法以及 记录介质
技术领域
本发明涉及减振器控制系统、车辆、信息处理装置及它们的控制方法以及记录介质。
背景技术
以往，已知有使用机器学习算法对车辆的自主行驶适应性地进行控制(也称为自动驾驶)的技术，在专利文献1中公开了基于不进行主动搜索的强化学习的车辆控制技术。
另外，近年来，已知有采用能够对各车轮的减振器的衰减力进行控制的主动减振器作为用于悬架的减振器的车辆。通过对该衰减力进行控制，能够对车辆的侧倾行为等进行控制来提供更高的乘坐舒适性。
现有技术文献
专利文献
专利文献1：日本特开2018-37064号公报
发明内容
发明所要解决的问题
此外，可考虑通过机器学习算法对主动减振器的衰减力直接进行控制。在通过机器学习算法(特别是深层强化学习算法)对主动减振器直接进行控制来改善乘坐舒适性的情况下，有时使用该算法后的控制的响应性能会成为问题。即，若想要在大范围的行为上改善乘坐舒适性，则有时必须将衰减力的控制本身的响应性能提高至msec左右。对此，根据机器学习算法的计算负荷，从计算资源的观点来看，在具有稳健性(Robustness)的同时将衰减力的控制的响应性能提高至几msec有时是不现实的。
本发明是鉴于上述问题而完成的，其目的在于实现一种能够使用机器学习算法并以独立的响应性能和独立的稳健性进行减振器的特性的控制的技术。
用于解决问题的手段
根据本发明，提供一种减振器控制系统，其特征在于，
所述减振器控制系统具有：
减振器控制单元，其对用于车辆的悬架的减振器的特性进行控制；以及
处理单元，其接受在所述车辆中测量出的与所述车辆的行为相关的反馈数据，并将通过机器学习算法的执行而确定的运算处理应用于所述反馈数据，并将通过所述运算处理而得到的控制变量输出至所述减振器控制单元，
所述减振器控制单元基于在所述减振器控制单元的内部使用的控制变量对所述减振器的特性进行控制，并且将在所述内部使用的所述控制变量替换为由所述处理单元输出的新的所述控制变量。
另外，根据本发明，提供一种车辆，其特征在于，
所述车辆具有：
用于悬架的减振器；
减振器控制单元，其对所述减振器的特性进行控制；以及
处理单元，其接受在所述车辆中测量出的与所述车辆的行为相关的反馈数据，并将通过机器学习算法的执行而确定的运算处理应用于所述反馈数据，并将通过所述运算处理而得到的控制变量输出至所述减振器控制单元，
所述减振器控制单元基于在所述减振器控制单元的内部使用的控制变量对所述减振器的特性进行控制，并且将在所述内部使用的所述控制变量替换为由所述处理单元输出的新的所述控制变量。
进一步地，根据本发明，提供一种信息处理装置，其是与对用于车辆的悬架的减振器的特性进行控制的减振器控制单元一起使用的信息处理装置，其特征在于，
所述信息处理装置具有处理单元，其接受在所述车辆中测量出的与所述车辆的行为相关的反馈数据，并将通过机器学习算法的执行而确定的运算处理应用于所述反馈数据，并将通过所述运算处理而得到的控制变量输出至所述减振器控制单元，
所述减振器控制单元基于在所述减振器控制单元的内部使用的控制变量对所述减振器的特性进行控制，并且将在所述内部使用的所述控制变量替换为由所述处理单元输出的新的所述控制变量。
另外，根据本发明，提供一种减振器控制系统的控制方法，所述减振器控制系统具有对用于车辆的悬架的减振器的特性进行控制的减振器控制单元和处理单元，其特征在于，
所述控制方法具有：
处理步骤，在该处理步骤中，接受在所述车辆中测量出的与所述车辆的行为相关的反馈数据，并将通过机器学习算法的执行而确定的运算处理应用于所述反馈数据，并将通过所述运算处理而得到的控制变量输出至所述减振器控制单元；以及
减振器控制步骤，在该减振器控制步骤中，将在所述减振器控制单元的内部使用的所述控制变量替换为在所述处理步骤中输出的新的所述控制变量，并基于在所述内部使用的控制变量对所述减振器的特性进行控制。
进一步地，根据本发明，提供一种车辆的控制方法，所述车辆具有用于悬架的减振器、对所述减振器的特性进行控制的减振器控制单元和处理单元，其特征在于，
所述控制方法具有：
处理步骤，在该处理步骤中，接受在所述车辆中测量出的与所述车辆的行为相关的反馈数据，并将通过机器学习算法的执行而确定的运算处理应用于所述反馈数据，并将通过所述运算处理而得到的控制变量输出至所述减振器控制单元；以及
减振器控制步骤，在该减振器控制步骤中，将在所述减振器控制单元的内部使用的所述控制变量替换为在所述处理步骤中输出的新的所述控制变量，并基于在所述内部使用的控制变量对所述减振器的特性进行控制。
另外，根据本发明，提供一种信息处理装置的控制方法，所述信息处理装置是与对用于车辆的悬架的减振器的特性进行控制的减振器控制单元一起使用的信息处理装置，其特征在于，
所述控制方法具有处理步骤，在该处理步骤中，接受在所述车辆中测量出的与所述车辆的行为相关的反馈数据，并将通过机器学习算法的执行而确定的运算处理应用于所述反馈数据，并将通过所述运算处理而得到的控制变量输出至所述减振器控制单元，
所述减振器控制单元基于在所述减振器控制单元的内部使用的控制变量对所述减振器的特性进行控制，并且将在所述内部使用的所述控制变量替换为在所述处理步骤中输出的新的所述控制变量。
进一步地，根据本发明，提供一种记录介质，其存储用于使计算机作为减振器控制系统的各单元而发挥功能的程序，其特征在于，
所述减振器控制系统具有：
减振器控制单元，其对用于车辆的悬架的减振器的特性进行控制；以及
处理单元，其接受在所述车辆中测量出的与所述车辆的行为相关的反馈数据，并将通过机器学习算法的执行而确定的运算处理应用于所述反馈数据，并将通过所述运算处理而得到的控制变量输出至所述减振器控制单元，
所述减振器控制单元基于在所述减振器控制单元的内部使用的控制变量对所述减振器的特性进行控制，并且将在所述内部使用的所述控制变量替换为由所述处理单元输出的新的所述控制变量。
发明效果
根据本发明，能够使用机器学习算法并以独立的响应性能和独立的稳健性进行减振器的特性的控制。
附图说明
图1是表示本发明的实施方式所涉及的车辆以及信息处理装置的功能构成例的框图。
图2是作为本实施方式所涉及的减振器控制的一个例子，对与使用强化学习的情况下的动作概要相关的构成进行说明的图。
图3是作为本实施方式所涉及的减振器控制的一个例子，对应用演员-评论家(Actor-Critic)方法的情况下的构成进行说明的图。
图4是表示本实施方式所涉及的减振器控制的一系列动作的流程图。
图5是对能够在本实施方式中利用的传感器以及由该传感器测量的传感器数据的例子进行说明的图。
附图标记说明
213：数据输入部；214：模型处理部；215：控制变量输出部；106：减振器控制部；107：减振器。
具体实施方式
以下，参照附图对实施方式进行详细说明。此外，以下的实施方式并非对权利要求书所涉及的发明进行限定，另外，在实施方式中说明的特征的组合未必全部都是发明所必须的。也可以对实施方式中说明的多个特征中的两个以上的特征任意地进行组合。另外，对相同或者同样的构成标注相同的附图标记，并省略重复的说明。
<车辆以及信息处理装置的构成>
参照图1，对本实施方式所涉及的车辆100以及信息处理装置200的构成进行说明。此外，本实施方式所涉及的减振器控制系统例如包括信息处理装置200、减振器控制部106以及减振器107。在本实施方式中，以车辆100是具备主动减振器的四轮车辆的情况为例进行说明，但只要能够使用主动减振器对行为进行控制，本实施方式也可以应用于两轮车辆、除雪车等作业车辆。在以下的实施方式中，车辆包括车身以及减振器这两者，但在仅指车辆的纵向上的加速度的情况下，是指车辆车身的纵向上的加速度。
另外，参照后面的附图进行说明的各功能块可以整合或分离，并且所说明的功能也可以由其他功能块来实现。另外，作为硬件进行说明的部分也可以由软件来实现，反之亦然。
传感器部101是车辆100所具备的各种传感器，输出与车辆100的行为相关的传感器数据。图5表示传感器部101中的能够用于本实施方式的减振器控制处理的各种传感器和测量内容的一个例子。上述传感器例如包括用于对车辆100的车速进行测量的车速传感器、用于对车辆的车身加速度进行测量的加速度传感器、用于对减振器的行程行为(速度、位移)进行测量的悬架位移传感器。进一步地，上述传感器包括对转向输入进行测量的转向角传感器、获取自身位置的GPS等。此外，在以下的说明中，将在减振器控制处理中使用的、与车辆100的行为相关的上述传感器数据特别称为反馈数据。从传感器部101输出的与车辆100的行为相关的反馈数据被输入至信息处理装置200，并且被输入至数据输入部213、临时存储部216以及报酬决定部217。
另外，传感器部101也可以包括用于识别车辆的外部状况、距车辆的距离、路面状态等的摄像机、光学雷达(Lidar)以及雷达、用于识别在车辆上搭乘的搭乘者的状况的传感器。
通信部102例如是包括通信用电路等的通信设备，经由例如LTE、LTE-Advanced等或作为所谓的5G而标准化的移动通信与外部服务器、周围的交通系统等进行通信。可以从外部服务器接收地图数据的一部分或全部，或者从其他交通系统接收交通信息等。另外，通信部102能够将从传感器部101获取到的各种数据(传感器数据或反馈数据)发送至外部的服务器。操作部103除了安装在车辆100内的按钮、触摸面板等操作构件之外，还包括方向盘、制动踏板等接受用于对车辆100进行驾驶的输入的构件。电源部104例如包括由锂离子电池等构成的电池，向车辆100内的各部供给电力。动力部105例如包括产生用于使车辆行驶的动力的发动机、马达。
减振器107用于车辆100的悬架，例如是能够对作为减振器的特性的衰减力进行控制的主动减振器。例如，减振器107的控制通过对流过减振器107的内部的线圈的电流量进行控制来调节使内部的阀打开的压力，从而对减振器107的衰减力进行控制。减振器107由分别独立的四个减振器107构成，分别独立地进行控制。
减振器控制部106是用于对减振器107的特性进行控制的例如软件模块，减振器控制部106基于从信息处理装置200输出的控制变量来对(独立的四个减振器107各自的)减振器的特性进行控制。关于减振器控制部106的详细情况将在后面叙述。
系统控制部108是包括一个以上的处理器、ROM以及RAM并对车辆100内的各部的动作进行控制的控制器。在本实施方式中，对系统控制部108和减振器控制部106分别进行说明，但减振器控制部106也可以作为系统控制部108的一部分进行动作。
信息处理装置200从传感器部101获取反馈数据，并执行使用了后述的减振器控制处理中的机器学习算法的处理。例如，信息处理装置200包括CPU210、RAM211、ROM212、数据输入部213、模型处理部214、控制变量输出部215、临时存储部216以及报酬决定部217。
CPU210包括一个以上的处理器，通过将存储在ROM212中的计算机程序在RAM211中展开并执行而对信息处理装置200的各部的动作进行控制。RAM211例如包括DRAM等，作为CPU210的工作存储器而发挥功能。ROM212由非易失性的存储介质构成，存储由CPU210执行的计算机程序、使信息处理装置200进行动作时的设定值等。此外，在以下的实施方式中，以CPU210执行模型处理部214的处理的情况为例进行说明，但模型处理部214的处理也可以由未图示的一个以上的其他处理器(例如GPU)来执行。
数据输入部213获取在后述的临时存储部216中存储的反馈数据，并进行数据的预处理。为了使机器学习算法容易对作为反馈数据而输入的车辆的运动状态、驾驶输入的特征进行处理，而进行各种加工处理。在加工处理的一个例子中，包括加工为规定期间内的反馈数据的最大值、最小值等的处理。通过预先对反馈数据进行加工，与通过机器学习算法直接对原始反馈数据进行处理的情况相比，能够提高处理效率、学习效率。
模型处理部214例如进行强化学习等机器学习算法的运算，并将得到的输出输出至控制变量输出部215。模型处理部214使用来自数据输入部213的反馈数据和来自报酬决定部217的报酬数据，来执行强化学习算法，并输出提供给减振器控制部106的控制变量。模型处理部214通过强化学习算法的执行对内部的参数进行优化(即学习)，通过对反馈数据应用通过内部的参数确定的运算处理，从而输出与车辆100的行为相应的最佳的控制变量。
控制变量输出部215将从模型处理部214输出的控制变量输出至减振器控制部106。控制变量输出部215可以作为控制变量过滤单元进行动作，该控制变量过滤单元对从模型处理部214输出的控制变量是否在可容许的范围内进行判定，仅在判定为该控制变量在预先决定的可容许的范围内的情况下，将控制变量输出至减振器控制部106。在该情况下，即使在模型处理部214输出超过容许范围的值的情况下，也能够对减振器控制部106仅提供容许范围内的输出。
临时存储部216由易失性或非易失性的存储介质构成，临时性存储由信息处理装置200从传感器部101接受到的反馈数据。被临时性存储的反馈数据在规定的时机被读出到数据输入部213中。
报酬决定部217基于反馈数据来决定在机器学习算法(强化学习算法)中使用的报酬或惩罚，并输出至模型处理部214。关于报酬决定部217的详细情况将在后面叙述。
<与减振器控制处理的概要相关的功能块的构成>
接着，参照图2对本实施方式所涉及的减振器控制处理的概要和用于减振器控制处理的功能构成例进行说明。
本实施方式的减振器控制处理主要通过由模型处理部214中的使用机器学习算法的运算处理和减振器控制部106所进行的规则库(Rule Base)的运算处理构成的混合处理来实现。
在这样的构成中，减振器控制部106通过预先决定的规则库的运算处理，能够将低维控制输出以几百赫兹的高速的动作频率对减振器进行控制。另一方面，模型处理部214能够以不高于减振器控制部的动作频率执行高维的控制。减振器控制部106的低维的控制以规则库进行记述，因此容易使减振器控制部106的动作稳定，从而能够对动作进行掌握。因此，能够改善使用深层强化学习的情况下的输出的预见可能性的低下。
在某时刻t，模型处理部214接受反馈数据，将(通过由机器学习算法的执行而确定的运算处理)得到的控制变量输出至减振器控制部106。在强化学习中，该情况下的反馈数据相当于环境的状态(st)，控制变量相当于针对环境的行动(at)。
减振器控制部106在接受到来自模型处理部214的控制变量时，将在减振器控制部106的内部使用的控制变量替换为从模型处理部214获取到的新的控制变量。控制变量例如包括减振器控制部106的规则库的处理所参照的查阅表(Lookup Table)、与反馈数据相应的增益参数等的用于供减振器控制部106决定减振器的特性的参数。另外，控制变量也是减振器控制部106基于公知的天钩(Skyhook)理论来决定减振器107的衰减力的参数。例如，以使得在车辆100的传感器部101中测量的车辆的车身加速度与基于天钩理论的加速度相匹配的方式对减振器107的衰减力进行控制。
减振器控制部106基于新的控制变量进行针对反馈数据的减振器特性的控制。此时，减振器控制部106计算用于对减振器107的特性进行控制的控制量。例如，减振器107的特性是衰减力，用于对减振器107的特性进行控制的控制量是对该衰减力进行控制的电流量。减振器控制部106反复进行基于新的控制变量的、针对反馈数据的减振器控制，直到时刻变为t+1为止。
传感器部101获取时刻t+1的反馈数据并输出(也可以将从时刻t起到时刻t+1为止的反馈数据汇总，来作为时刻t+1的反馈数据)。在强化学习中，该反馈数据相当于环境的状态(st+1)。报酬决定部217基于来自传感器部101的反馈数据来决定强化学习中的报酬(rt+1)(或惩罚)并提供给模型处理部214。在本实施方式中，报酬是根据规定的反馈数据的组合而得到的、与车辆的行为相关的报酬值。报酬值也可以是对以多个观点求出的报酬值进行平均化或合计而得到的值。
模型处理部214在接受到报酬(rt+1)时，对后述的对策以及状态价值函数进行更新，并输出针对时刻t+1的反馈数据的新的控制变量(行动(at+1))。
<模型处理部214的构成>
进一步地，参照图3，对模型处理部214的更详细的构成和减振器控制处理中的模型处理部214的动作例进行说明。图3示意性地表示在使用演员-评论家方法的情况下的模型处理部214的内部构成例和在神经网络(NN)中实现模型处理部214的内部构成的情况下的网络构成例。
模型处理部214包括演员301和评论家302。演员301是基于对策π(s，a)来选择行动(a)的机构。作为一个例子，若设为在状态s下选择行动a的概率为p(s，a)，则通过使用了p(s，a)和例如softmax函数等的规定的函数来定义对策。评论家302是对当前演员所利用的对策π(s，a)进行评价的机构，具有表示该评价的状态价值函数V(s)。
若以在图2中说明的从时刻t起到时刻t+1的动作为例进行说明，在某时刻t，演员301接受反馈数据，基于对策π(s，a)输出控制变量(即行动(at))。
在由减振器控制部106进行了减振器控制之后，当得到时刻t+1的反馈数据(即状态(st+1))时，从报酬决定部217向评论家302输入基于该反馈数据的报酬(rt+1)。
评论家302计算用于对演员的对策进行改善的对策改善，并输入至演员301。对策改善可以通过公知的规定的计算方法求出，例如可以将使用报酬和反馈数据得到的、公知的TD误差δt＝rt+1+γV(st+1)-V(st)(γ是强化学习中的折扣报酬)作为对策改善来使用。
演员301基于对策改善来更新对策π(s，a)。对策的更新，例如可以进行以p(st，at)+βδt(β为步长参数)对p(st，at)进行替换这样的更新。即，演员301使用基于报酬的对策改善来更新对策。评论家302例如以V(s)+αδt(α为步长参数)对状态价值函数V(s)进行替换来进行更新。
图3的右图示意地表示在神经网络(NN)中实现模型处理部214的内部构成的情况下的网络构成例。在该例子中，由演员和评论家这两个神经网络构成。输入层310例如由1450个节点(神经元)构成。输入至输入层的信号例如是29ch×50步(＝1450)的反馈数据。
从输入层310输入的信号分别在演员的隐藏层311、评论家的隐藏层312中传输并从各自的输出层313和输出层314得到输出值。来自演员的神经网络的输出为对策，来自评论家的神经网络的输出为状态价值。作为一个例子，演员的隐藏层311例如由500个节点×5层的网络结构构成，评论家的隐藏层312例如由300个节点×3层的网络结构构成。另外，演员的输出层313例如由22个节点构成，评论家的输出层314例如由1个节点构成。但是，网络的节点数、层数、网络构成可以适当进行变更，也可以使用其他构成。
为了对各个神经网络进行优化，需要变更神经网络的权重参数。使用预先决定的损失函数并通过误差反向传播来进行神经网络的权重参数的变更。在本实施方式中，由于存在演员和评论家这两个网络，因此预先分别使用演员的损失函数Lactor和评论家的损失函数Lcritic。各个网络的加权参数例如通过针对各损失函数使用规定的梯度下降优化方法(例如RMSprop SGD)来进行变更。
<本实施方式所涉及的减振器控制处理的一系列动作>
接着，参照图4对本实施方式所涉及的减振器控制处理的一系列动作进行说明。此外，从在图2的说明中得到时刻t的反馈数据的时刻起开始本处理。此外，例如以5Hz的动作频率进行模型处理部214的动作。
在S401中，演员301从数据输入部213接受反馈数据，并基于对策π(s，a)输出控制变量(即，行动(at))。
在S402中，减振器控制部106在接受到来自模型处理部214的控制变量时，将在减振器控制部106的内部使用的控制变量替换为从模型处理部214获取到的新的控制变量。而且，减振器控制部106通过针对反馈数据应用替换后的控制变量，从而对减振器107的特性进行控制。此外，在图4所示的流程图中，为了简便，将S402-S404的步骤记载为由减振器控制部106进行的一次的控制。但是，减振器控制部106针对例如能够以1KHz的速度获取的反馈数据，以例如100Hz的动作频率对减振器特性进行控制，并以该动作频率对控制量(用于对减振器107的衰减力进行控制的电流量)进行控制。因此，实际上，在直至时刻t+1为止，可以反复进行S402-S404的处理。
在S403中，减振器控制部106对计算出的控制量(例如电流量)是否在预先决定的可容许的范围内进行判定，在判定为可容许的情况下，进入S404，在判定为不能容许的情况下，进入S405。在本实施方式中，设为在控制量为不能容许的情况下不对减振器特性进行变更，但可以进行其他控制。例如，也可以将被判定为不能容许的控制量修改为可容许的规定的上限值，并使用修改后的控制量对减振器107进行控制。通过进行这样的判定，即使在基于来自模型处理部214的控制变量而求出的控制量为异常值的情况下，也能够通过适当地将该控制值排除或修正为适当的值而实现安全的减振器控制。
在S404中，减振器控制部106将计算出的控制量(例如电流量)供给至减振器而对减振器107的特性进行控制。
在S405中，传感器部101(例如以1KHz的动作频率)获取反馈数据，直至时间t+1为止。
在S406中，数据输入部213对反馈数据实施上述的加工处理，应用前处理。此外，虽然在图4所示的流程图中未明示，但数据输入部213也可以对所输入的反馈数据是否是超过了预先决定的允许范围的数据进行判定。而且，在判定为存在超过该容许范围的数据的情况下(即传感器数据的异常值)，也可以以不进行使用该反馈数据的处理的方式结束本处理。这样，能够在可容许的反馈数据的范围内进行模型处理部214的内部参数的更新(例如对策、状态价值的更新)。
在S407中，报酬决定部217基于时刻t+1的反馈数据来决定上述报酬(rt+1)，并输出至评论家302。在S408中，评论家302计算用于改善演员的对策的上述对策改善(例如TD误差)，并输入至演员301。
在S409中，演员301基于S407中的对策改善来更新对策π(s，a)。演员301通过上述方法例如以通过p(st，at)+βδt对p(st，at)进行替换的方式更新对策。在S410中，评论家302将状态价值函数V(s)通过上述方法例如以V(s)+αδt(α为步长参数)进行替换来进行更新。当评论家302更新状态价值函数后，之后结束本处理。在本实施方式中，以从时刻t起到时刻t+1的动作为例进行了说明，但也可以反复进行图4所示的一系列的动作，在满足了规定的条件的情况下结束一系列的处理。
如上所述，在本实施方式中，设为使用对减振器的特性进行控制的减振器控制部106和将通过机器学习算法的执行而确定的运算处理应用于反馈数据并输出用于对减振器控制部106进行控制的控制变量的模型处理部214，对减振器的特性进行控制。由此，能够使用机器学习算法并以独立的响应性能和独立的稳健性进行减振器的特性的控制。
<变形例>
在上述实施方式中，对在减振器控制部106中执行预先决定的规则库的运算处理的例子进行了说明。但是，例如，如果是由单纯的网络构成且将控制变量作为输入的一部分的神经网络，并且网络的权重在学习后被固定并预先充分地进行了动作验证的构成，则也可以代替规则库的运算处理而用于减振器控制部106的运算。即，如果是这样的神经网络，则能够如规则库的运算处理那样进行高速动作，从而能够得到稳定的处理结果。
另外，在上述实施方式中，设为使反馈数据临时性存储在临时存储部216中，并由数据输入部213读出该反馈数据。由此，本实施方式的强化学习通过在线学习来更新内部参数，因此能够实现在当场快速地应对环境变化的学习。但是，也可以通过将存储在临时存储部216中的反馈数据发送至外部的服务器，并在外部服务器中实施批处理，从而使学习进一步稳定化。当在批处理中进行学习的情况下，也可以从外部服务器接收通过批处理更新后的内部参数。
另外，在上述实施方式中，以信息处理装置200设置在车辆100内的情况为例进行了说明。但是，信息处理装置200也可以设置在车辆外(例如外部服务器)，并在与车辆100之间发送接收反馈数据和控制变量。即使像这样远程地配置信息处理装置200与减振器控制部106，上述实施方式也能够有效地进行动作。即，能够在确保减振器控制部106的高响应性能的同时，通过基于机器学习算法的高维的输出来进行减振器控制部的控制。
<实施方式的总结>
1、上述实施方式的减振器控制系统(例如106、107、200)具有：
减振器控制单元(例如106)，其对用于车辆(例如100)的悬架的减振器(例如107)的特性进行控制；以及
处理单元(例如213、214、215)，其接受在车辆中测量出的与车辆的行为相关的反馈数据，并将通过机器学习算法的执行而确定的运算处理应用于反馈数据，并将通过运算处理而得到的控制变量输出至减振器控制单元，
减振器控制单元基于在减振器控制单元的内部使用的控制变量对减振器的特性进行控制，并且将在内部使用的控制变量替换为由处理单元输出的新的控制变量。
根据该实施方式，能够提供能够使用机器学习算法并以独立的响应性能和独立的稳健性进行减振器的特性的控制的减振器控制系统。
2、在上述实施方式的减振器控制系统中，
减振器控制单元以第一动作频率对减振器的特性进行控制，处理单元以小于第一动作频率的第二动作频率将控制变量输出至减振器控制单元。
根据该实施方式，减振器控制单元能够比处理单元更高速地对减振器的特性进行控制。
3、在上述实施方式的减振器控制系统中，
减振器控制单元不是通过由机器学习算法的执行而确定的运算处理而是通过预先决定的规则库的运算处理来进行基于在内部使用的控制变量的减振器的特性的控制(例如106)。
根据该实施方式，由于以规则库对减振器控制单元的低维的控制进行记述，因此容易使减振器控制单元的动作稳定，从而能够对动作进行掌握。
4、在上述实施方式的减振器控制系统中，
减振器控制单元根据基于替换后的新的控制变量而得到的减振器的特性的控制量在可容许的范围内这一判定，对减振器的特性进行控制(例如S403、S404)。
根据该实施方式，即使在基于来自模型处理部214的控制变量而求出的控制量为异常值的情况下，也能够通过适当地将该控制值排除或修正为适当的值而实现安全的减振器控制。
5、在上述实施方式的减振器控制系统中，
还具有控制变量过滤单元(例如215)，该控制变量过滤单元对从处理单元输出的控制变量是否在可容许的范围内进行判定，仅在判定为该控制变量在可容许的范围内的情况下，将从处理单元输出的控制变量输入至减振器控制单元。
根据该实施方式，即使在处理单元的输出是输出了超过容许范围的值的情况下，也能够对减振器控制单元仅提供容许范围内的输出。
6、在上述实施方式的减振器控制系统中，
还具有反馈数据过滤单元，该反馈数据过滤单元对反馈数据是否在可容许的范围内进行判定，仅在判定为该反馈数据在可容许的范围内的情况下，将反馈数据输入至处理单元(例如213、S406)。
根据该实施方式，能够在可容许的反馈数据的范围内进行处理单元的内部参数的更新(在深层强化学习的情况下，例如为对策、状态价值的更新)。
7、在上述实施方式的减振器控制系统中，
处理单元还接受基于与车辆的行为相关的反馈数据而计算出的报酬或惩罚，并将运算处理应用于反馈数据(例如214、217)。
根据该实施方式，能够应用通过基于反馈数据的报酬或惩罚而对处理单元的内部参数进行更新的算法。
8、在上述实施方式的减振器控制系统中，
机器学习算法包括深层强化学习算法(例如图3)。
根据该实施方式，能够输出与状况相应的适应性的且高维的控制变量。
9、在上述实施方式的减振器控制系统中，
反馈数据包括与如下测量数据相关的数据：与车辆的车身的行为相关的测量数据；与减振器的行程行为相关的测量数据；以及与车辆的转向角相关的测量数据。
根据该实施方式，能够使用高维的反馈数据进行考虑了综合状况的减振器控制。
10、在上述实施方式的减振器控制系统中，
减振器的特性是减振器的衰减力。
根据该实施方式，能够将上述实施方式中的减振器控制处理应用于主动减振器的衰减力的控制。
11、在上述实施方式的减振器控制系统中，
从处理单元输出的控制变量是用于基于天钩理论来决定减振器的衰减力的控制变量。
根据该实施方式，能够利用天钩理论通过上述实施方式中的减振器控制处理对减振器进行控制。
12、上述实施方式的车辆具有：
用于悬架的减振器；
减振器控制单元，其对减振器的特性进行控制；以及
处理单元，其接受在车辆中测量出的与车辆的行为相关的反馈数据，并将通过机器学习算法的执行而确定的运算处理应用于反馈数据，并将通过运算处理而得到的控制变量输出至减振器控制单元，
减振器控制单元基于在减振器控制单元的内部使用的控制变量对减振器的特性进行控制，并且将在内部使用的控制变量替换为由处理单元输出的新的控制变量。
根据该实施方式，能够提供能够使用机器学习算法并以独立的响应性能和独立的稳健性进行减振器的特性的控制的车辆。
13、上述实施方式的信息处理装置是与对用于车辆的悬架的减振器的特性进行控制的减振器控制单元一起使用的信息处理装置，
所述信息处理装置具有处理单元，该处理单元接受在车辆中测量出的与车辆的行为相关的反馈数据，并将通过机器学习算法的执行而确定的运算处理应用于反馈数据，并将通过运算处理而得到的控制变量输出至减振器控制单元，
减振器控制单元基于在减振器控制单元的内部使用的控制变量对减振器的特性进行控制，并且将在内部使用的控制变量替换为由处理单元输出的新的控制变量。
根据该实施方式，提供能够使用机器学习算法并以独立的响应性能和独立的稳健性进行减振器的特性的控制的信息处理装置。
14、上述实施方式的程序是用于使计算机作为减振器控制系统的各单元而发挥功能的程序，减振器控制系统具有：
减振器控制单元，其对用于车辆的悬架的减振器的特性进行控制；以及
处理单元，其接受在车辆中测量出的与车辆的行为相关的反馈数据，并将通过机器学习算法的执行而确定的运算处理应用于反馈数据，并将通过运算处理而得到的控制变量输出至减振器控制单元，
减振器控制单元基于在减振器控制单元的内部使用的控制变量对减振器的特性进行控制，并且将在内部使用的控制变量替换为由处理单元输出的新的控制变量。
根据该实施方式，提供能够使用机器学习算法并以独立的响应性能和独立的稳健性进行减振器的特性的控制的程序。
本发明不限于上述的实施方式，可以在本发明的主旨的范围内进行各种变形、变更。

Claims (17)

1.一种减振器控制系统，其特征在于，
所述减振器控制系统具有：
减振器控制单元，其对用于车辆的悬架的减振器的特性进行控制；以及
处理单元，其接受在所述车辆中测量出的与所述车辆的行为相关的反馈数据，并将通过机器学习算法的执行而确定的运算处理应用于所述反馈数据，并将通过所述运算处理而得到的控制变量输出至所述减振器控制单元，
所述减振器控制单元基于在所述减振器控制单元的内部使用的控制变量对所述减振器的特性进行控制，并且将在所述内部使用的所述控制变量替换为由所述处理单元输出的新的所述控制变量。
2.根据权利要求1所述的减振器控制系统，其特征在于，
所述减振器控制单元以第一动作频率对所述减振器的特性进行控制，所述处理单元以小于所述第一动作频率的第二动作频率将所述控制变量输出至所述减振器控制单元。
3.根据权利要求1所述的减振器控制系统，其特征在于，
所述减振器控制单元不是通过由机器学习算法的执行而确定的运算处理而是通过预先决定的规则库的运算处理来进行基于在所述内部使用的所述控制变量的所述减振器的特性的控制。
4.根据权利要求1所述的减振器控制系统，其特征在于，
所述减振器控制单元根据基于替换后的新的所述控制变量而得到的所述减振器的特性的控制量在可容许的范围内这一判定，对所述减振器的特性进行控制。
5.根据权利要求1所述的减振器控制系统，其特征在于，
所述减振器控制系统还具有控制变量过滤单元，该控制变量过滤单元对从所述处理单元输出的所述控制变量是否在可容许的范围内进行判定，仅在判定为该控制变量在可容许的范围内的情况下，将从所述处理单元输出的所述控制变量输入至所述减振器控制单元。
6.根据权利要求1所述的减振器控制系统，其特征在于，
所述减振器控制系统还具有反馈数据过滤单元，该反馈数据过滤单元对所述反馈数据是否在可容许的范围内进行判定，仅在判定为该反馈数据在可容许的范围内的情况下，将所述反馈数据输入至所述处理单元。
7.根据权利要求1所述的减振器控制系统，其特征在于，
所述处理单元还接受基于与所述车辆的行为相关的反馈数据而计算出的报酬或惩罚，并将所述运算处理应用于所述反馈数据。
8.根据权利要求7所述的减振器控制系统，其特征在于，
所述机器学习算法包括深层强化学习算法。
9.根据权利要求1所述的减振器控制系统，其特征在于，
所述反馈数据包括与如下测量数据相关的数据：与所述车辆的车身的行为相关的测量数据；与所述减振器的行程行为相关的测量数据；以及与所述车辆的转向角相关的测量数据。
10.根据权利要求1所述的减振器控制系统，其特征在于，
所述减振器的特性是所述减振器的衰减力。
11.根据权利要求10所述的减振器控制系统，其特征在于，
从所述处理单元输出的所述控制变量是用于基于天钩理论来决定所述减振器的衰减力的控制变量。
12.一种车辆，其特征在于，
所述车辆具有：
用于悬架的减振器；
减振器控制单元，其对所述减振器的特性进行控制；以及
处理单元，其接受在所述车辆中测量出的与所述车辆的行为相关的反馈数据，并将通过机器学习算法的执行而确定的运算处理应用于所述反馈数据，并将通过所述运算处理而得到的控制变量输出至所述减振器控制单元，
所述减振器控制单元基于在所述减振器控制单元的内部使用的控制变量对所述减振器的特性进行控制，并且将在所述内部使用的所述控制变量替换为由所述处理单元输出的新的所述控制变量。
13.一种信息处理装置，其是与对用于车辆的悬架的减振器的特性进行控制的减振器控制单元一起使用的信息处理装置，其特征在于，
所述信息处理装置具有处理单元，该处理单元接受在所述车辆中测量出的与所述车辆的行为相关的反馈数据，并将通过机器学习算法的执行而确定的运算处理应用于所述反馈数据，并将通过所述运算处理而得到的控制变量输出至所述减振器控制单元，
所述减振器控制单元基于在所述减振器控制单元的内部使用的控制变量对所述减振器的特性进行控制，并且将在所述内部使用的所述控制变量替换为由所述处理单元输出的新的所述控制变量。
14.一种减振器控制系统的控制方法，所述减振器控制系统具有对用于车辆的悬架的减振器的特性进行控制的减振器控制单元和处理单元，其特征在于，
所述控制方法具有：
处理步骤，在该处理步骤中，接受在所述车辆中测量出的与所述车辆的行为相关的反馈数据，并将通过机器学习算法的执行而确定的运算处理应用于所述反馈数据，并将通过所述运算处理而得到的控制变量输出至所述减振器控制单元；以及
减振器控制步骤，在该减振器控制步骤中，将在所述减振器控制单元的内部使用的所述控制变量替换为在所述处理步骤中输出的新的所述控制变量，并基于在所述内部使用的控制变量对所述减振器的特性进行控制。
15.一种车辆的控制方法，所述车辆具有用于悬架的减振器、对所述减振器的特性进行控制的减振器控制单元和处理单元，其特征在于，
所述控制方法具有：
处理步骤，在该处理步骤中，接受在所述车辆中测量出的与所述车辆的行为相关的反馈数据，并将通过机器学习算法的执行而确定的运算处理应用于所述反馈数据，并将通过所述运算处理而得到的控制变量输出至所述减振器控制单元；以及
减振器控制步骤，在该减振器控制步骤中，将在所述减振器控制单元的内部使用的所述控制变量替换为在所述处理步骤中输出的新的所述控制变量，并基于在所述内部使用的控制变量对所述减振器的特性进行控制。
16.一种信息处理装置的控制方法，所述信息处理装置是与对用于车辆的悬架的减振器的特性进行控制的减振器控制单元一起使用的信息处理装置，其特征在于，
所述控制方法具有处理步骤，在该处理步骤中，接受在所述车辆中测量出的与所述车辆的行为相关的反馈数据，并将通过机器学习算法的执行而确定的运算处理应用于所述反馈数据，并将通过所述运算处理而得到的控制变量输出至所述减振器控制单元，
所述减振器控制单元基于在所述减振器控制单元的内部使用的控制变量对所述减振器的特性进行控制，并且将在所述内部使用的所述控制变量替换为在所述处理步骤中输出的新的所述控制变量。
17.一种记录介质，其存储用于使计算机作为减振器控制系统的各单元而发挥功能的程序，其特征在于，
所述减振器控制系统具有：
减振器控制单元，其对用于车辆的悬架的减振器的特性进行控制；以及
处理单元，其接受在所述车辆中测量出的与所述车辆的行为相关的反馈数据，并将通过机器学习算法的执行而确定的运算处理应用于所述反馈数据，并将通过所述运算处理而得到的控制变量输出至所述减振器控制单元，
所述减振器控制单元基于在所述减振器控制单元的内部使用的控制变量对所述减振器的特性进行控制，并且将在所述内部使用的所述控制变量替换为由所述处理单元输出的新的所述控制变量。
CN202010691111.7A 2019-07-22 2020-07-17 减振器控制系统、车辆、信息处理装置及它们的控制方法以及记录介质 Withdrawn CN112277558A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-134773 2019-07-22
JP2019134773A JP2021017168A (ja) 2019-07-22 2019-07-22 ダンパ制御システム、車両、情報処理装置およびそれらの制御方法、ならびにプログラム

Publications (1)

Publication Number Publication Date
CN112277558A true CN112277558A (zh) 2021-01-29

Family

ID=74187582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010691111.7A Withdrawn CN112277558A (zh) 2019-07-22 2020-07-17 减振器控制系统、车辆、信息处理装置及它们的控制方法以及记录介质

Country Status (3)

Country Link
US (1) US20210023905A1 (zh)
JP (1) JP2021017168A (zh)
CN (1) CN112277558A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113119952A (zh) * 2021-05-31 2021-07-16 周宇 实时车辆稳定系统及其方法
CN113232566A (zh) * 2021-07-01 2021-08-10 周宇 Ai电磁瞬控主动防震座椅及其方法
CN113759715A (zh) * 2021-08-11 2021-12-07 中国船舶重工集团公司第七一九研究所 一种具有强化学习功能的舰船设备智能振动控制系统

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022174613A (ja) * 2021-05-11 2022-11-24 日立Astemo株式会社 サスペンション制御装置、およびサスペンション制御方法
JP2024098545A (ja) * 2023-01-11 2024-07-24 株式会社アイシン サスペンションシステム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09216509A (ja) * 1996-02-14 1997-08-19 Toyota Motor Corp 車輌のサスペンション制御方法
JP2018037064A (ja) * 2016-07-08 2018-03-08 トヨタ モーター エンジニアリング アンド マニュファクチャリング ノース アメリカ，インコーポレイティド 能動的探索なしの強化学習に基づくオンライン学習法及び車両制御方法
CN107825930A (zh) * 2017-12-08 2018-03-23 吉林大学 一种用于车辆悬架系统的智能模糊混合棚半主动控制方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2794068A1 (fr) * 1999-04-20 2000-12-01 Toyota Motor Co Ltd Dispositif et procede de commande de force d'ammortissement
JP2003104024A (ja) * 2001-09-28 2003-04-09 Tokico Ltd サスペンション制御装置
JP5941886B2 (ja) * 2013-08-30 2016-06-29 本田技研工業株式会社 サスペンション制御装置
JP2016068677A (ja) * 2014-09-29 2016-05-09 株式会社ショーワ 電動パワーステアリング装置
US11809895B2 (en) * 2017-02-02 2023-11-07 Nippon Telegraph And Telephone Corporation Control device, control method, and program
JP2018178900A (ja) * 2017-04-18 2018-11-15 株式会社日立製作所 風力発電システム
JP6788555B2 (ja) * 2017-08-07 2020-11-25 株式会社東芝 情報処理システム、情報処理装置、及び情報処理方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09216509A (ja) * 1996-02-14 1997-08-19 Toyota Motor Corp 車輌のサスペンション制御方法
JP2018037064A (ja) * 2016-07-08 2018-03-08 トヨタ モーター エンジニアリング アンド マニュファクチャリング ノース アメリカ，インコーポレイティド 能動的探索なしの強化学習に基づくオンライン学習法及び車両制御方法
CN107825930A (zh) * 2017-12-08 2018-03-23 吉林大学 一种用于车辆悬架系统的智能模糊混合棚半主动控制方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113119952A (zh) * 2021-05-31 2021-07-16 周宇 实时车辆稳定系统及其方法
CN113232566A (zh) * 2021-07-01 2021-08-10 周宇 Ai电磁瞬控主动防震座椅及其方法
CN113759715A (zh) * 2021-08-11 2021-12-07 中国船舶重工集团公司第七一九研究所 一种具有强化学习功能的舰船设备智能振动控制系统

Also Published As

Publication number Publication date
US20210023905A1 (en) 2021-01-28
JP2021017168A (ja) 2021-02-15

Similar Documents

Publication Publication Date Title
CN112277558A (zh) 减振器控制系统、车辆、信息处理装置及它们的控制方法以及记录介质
CN112805198B (zh) 用于自主驾驶的个人驾驶风格学习
Hua et al. Adaptive prescribed performance control of half-car active suspension system with unknown dead-zone input
Sankaranarayanan et al. Semiactive suspension control of a light commercial vehicle
KR102654627B1 (ko) 차량 제어 장치, 차량 제어 방법 및 차량 제어 시스템
KR102697705B1 (ko) 서스펜션 제어 장치 및 서스펜션 장치의 제어 방법
Ali et al. Combined ANFIS method with FA, PSO, and ICA as Steering control optimization on electric car
Morato et al. Sub‐optimal recursively feasible Linear Parameter‐Varying predictive algorithm for semi‐active suspension control
CN105722701A (zh) 用于提供调节参量的方法
Lin et al. A reinforcement learning backstepping‐based control design for a full vehicle active Macpherson suspension system
Yu et al. Automatic vehicle trajectory tracking control with self-calibration of nonlinear tire force function
Ferhath et al. A review on various control strategies and algorithms in vehicle suspension systems
Gerard et al. Global and local chassis control based on load sensing
JP7422169B2 (ja) 車両制御システムおよび方法
Dao et al. New hybrid SPEA/R-deep learning to predict optimization parameters of cascade FOPID controller according engine speed in powertrain mount system control of half-car dynamic model
JP7357537B2 (ja) 制御装置、制御装置の制御方法、プログラム、情報処理サーバ、情報処理方法、並びに制御システム
Aldair et al. Regeneration energy for nonlinear active suspension system using electromagnetic actuator
Zheng et al. Adaptive Model Predictive Control of Four-Wheel Drive Intelligent Electric Vehicles Based on Stability Probability Under Extreme Braking Conditions
Abougarair et al. Design and Simulation Optimal Controller for Quarter Car Active Suspension System
Kim et al. Deep Reinforcement Learning for Semi-Active Suspension: A Feasibility Study
Qamar et al. Online adaptive full car active suspension control using b-spline fuzzy-neural network
EP4082860A2 (en) Advanced control framework for automotive systems
Oya et al. Robust active suspension control of vehicles with varying vehicle mass
Khan et al. Online adaptive neuro-fuzzy based full car suspension control strategy
Feng Advanced Robust Control Strategies of Mechatronic Suspensions for Cars

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210129

WW01 Invention patent application withdrawn after publication