CN115298045A - 车辆控制装置、车辆控制方法以及车辆控制系统 - Google Patents

车辆控制装置、车辆控制方法以及车辆控制系统 Download PDF

Info

Publication number
CN115298045A
CN115298045A CN202180022063.5A CN202180022063A CN115298045A CN 115298045 A CN115298045 A CN 115298045A CN 202180022063 A CN202180022063 A CN 202180022063A CN 115298045 A CN115298045 A CN 115298045A
Authority
CN
China
Prior art keywords
vehicle
command value
target
damping force
learning
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.)
Pending
Application number
CN202180022063.5A
Other languages
English (en)
Inventor
平尾隆介
一丸修之
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.)
Hitachi Astemo Ltd
Original Assignee
Hitachi Astemo 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 Hitachi Astemo Ltd filed Critical Hitachi Astemo Ltd
Publication of CN115298045A publication Critical patent/CN115298045A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • B60G17/018—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 use of a specific signal treatment or control method
    • 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
    • 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
    • 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
    • B60G2400/102—Acceleration; Deceleration 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
    • B60G2400/60—Load
    • 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
    • B60G2400/82—Ground surface
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2600/00—Indexing codes relating to particular elements, systems or processes used on suspension systems or suspension control systems
    • B60G2600/18—Automatic control means
    • B60G2600/187—Digital Controller Details and Signal Treatment
    • B60G2600/1878—Neural Networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2600/00—Indexing codes relating to particular elements, systems or processes used on suspension systems or suspension control systems
    • B60G2600/70—Computer memory; Data storage, e.g. maps for adaptive control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2400/00—Special features of vehicle units
    • B60Y2400/86—Suspension systems

Landscapes

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

Abstract

控制器具备：运算处理部，其基于输入的车辆状态量进行规定的运算，并输出目标阻尼力；阻尼力映射，其基于所述目标阻尼力取得用于控制可变阻尼器的控制指令值。运算处理部使用学习结果进行运算，所述学习结果通过将对多个不同的车辆状态量使用事先准备的规定的评价方法而得到的多个目标阻尼力的组作为输入输出数据的组，使运算处理部学习而得到。

Description

车辆控制装置、车辆控制方法以及车辆控制系统
技术领域
本公开涉及车辆控制装置、车辆控制方法以及车辆控制系统。
背景技术
在专利文献1中，公开有为了进行具有非线形运动特性的减震器的最佳控制，求取减震器内部的熵的时间微分和从控制减震器的控制装置向减震器赋予的熵的时间微分的差，并将该差作为评价函数通过遗传算法使所述控制装置的控制参数最优化。
现有技术文献
专利文献
专利文献1：(日本)特开2000-207002号公报
发明内容
发明所要解决的技术问题
然而，在悬架的阻尼力控制中，需求在实际使用时根据驾驶员(驾驶员)的喜好或要求规格来变更评价函数的权重或阻尼力特性的应对。为了容易进行这一点，有必要研究改善方案。
用于解决技术问题的技术方案
本发明的一实施方式的目的在于，提供能够根据驾驶员的喜好或要求规格变更阻尼力特性的车辆控制装置、车辆控制方法、以及车辆控制系统。
本发明的一实施方式的车辆控制装置适用于具备调整车辆的车体、和所述车辆的车轮之间的力的力产生机构的所述车辆，所述车辆控制装置具备：运算处理部，其基于输入的车辆状态量进行规定的运算，并输出目标量；控制指令值取得部，其基于所述目标量取得用于控制所述力产生机构的控制指令值；所述运算处理部使用学习结果进行所述运算，所述学习结果通过将对多个不同的车辆状态量使用事先准备的规定的评价方法而得到的多个目标量的组作为输入输出数据的组，使所述运算处理部学习而得到。
本发明的一实施方式的车辆控制方法适用于具备调整车辆的车体、和所述车辆的车轮之间的力的力产生机构的所述车辆，所述车辆控制方法具备：基于输入的车辆状态量进行规定的运算，并输出目标量的运算处理步骤；基于所述目标量取得用于控制所述力产生机构的控制指令值的控制指令值取得步骤；在所述运算处理步骤中，使用学习结果进行所述运算，所述学习结果通过将对多个不同的车辆状态量使用事先准备的规定的评价方法而得到的多个目标量的组作为输入输出数据的组，使所述运算处理部学习而得到。
本发明的一实施方式的车辆控制系统具备：力产生机构，其调整车辆的车体、和所述车辆的车轮之间的力；控制器，所述控制器具备：运算处理部，其基于输入的车辆状态量进行规定的运算，并输出目标量；控制指令值取得部，其基于所述目标量取得用于控制所述力产生机构的控制指令值；所述运算处理部使用学习结果进行所述运算，所述学习结果通过将对多个不同的车辆状态量使用事先准备的规定的评价方法而得到的多个目标量的组作为输入输出数据的组，使所述运算处理部学习而得到。
根据本发明一实施方式，能够根据驾驶员的喜好或要求规格变更阻尼力特性。
附图说明
图1是示意性地示出第一实施方式的车辆控制系统的图。
图2是示出学习第一、第三实施方式的控制器的DNN的顺序的说明图。
图3是示出权重系数计算映射所包括的第一映射以及第二映射的具体例的说明图。
图4是示出关于第一实施方式以及比较例的路面位移、簧上加速度、簧上急动度、活塞速度、电流值、阻尼力的时间变化的特性线图。
图5是示出第二实施方式的车辆控制系统的说明图。
图6是示出第四实施方式的车辆控制系统的说明图。
具体实施方式
以下，将本发明的实施方式的车辆控制装置、车辆控制方法以及车辆控制系统适用于四轮汽车的情形举例，并根据附图详细说明。
在图1中，在构成车辆的车身的车体1的下侧例如设置有左、右前轮和左、右后轮(以下，总称为车轮2)。这些车轮2构成为包含轮胎3。轮胎3作为吸收路面的细微凹凸的弹簧发挥作用。
悬架装置4介入车体1和车轮2之间而设置。悬架装置4由悬架弹簧5(以下，称为弹簧5)、与弹簧5形成并列关系并介入车体1和车轮2之间而设置的阻尼力调整式缓冲器(以下，称为可变阻尼器6)构成。需要注意的是，图1示意性示出将一组悬架装置4设置于车体1和车轮2之间的情形。在四轮自动车的情况下，在四个车轮2和车体1之间分别独立设置合计四组悬架装置4。
在此，悬架装置4的可变阻尼器6是在车体1侧和车轮2侧之间产生能够调整的力的力产生机构。可变阻尼器6使用阻尼力调整式的液压缓冲器构成。为了将产生的阻尼力特性(即，阻尼力特性)从硬特性(硬特性)连续调整到软特性(软特性)，在可变阻尼器6附设有由阻尼力调整阀等构成的阻尼力可变促动器7。需要注意的是，阻尼力可变促动器7可以不必为连续调整阻尼力特性的结构，也可以为例如能够以两阶段以上的多阶段的方式调整阻尼力的结构。另外，可变阻尼器6可以为压力控制型，也可以为流量控制型。
簧上加速度传感器8检测车体1(簧上)的上下加速度。簧上加速度传感器8设置于车体1的任意位置。簧上加速度传感器8例如在可变阻尼器6附近的位置安装于车体1。簧上加速度传感器8在成为所谓的簧上侧的车体1侧检测上下方向的振动加速度，并将该检测信号向电子控制单元11(以下，称为ECU11)输出。
车高传感器9检测车体1的高度。车高传感器9例如在成为簧上侧的车体1侧与每个车轮2对应地设置多个(例如，四个)。即，各车高传感器9检测车体1相对于各车轮2的相对位置(高度位置)，并将该检测信号向ECU11输出。车高传感器9以及簧上加速度传感器8构成检测车辆状态量的车辆状态量取得部。需要注意的是，车辆状态量不限于车体1的上下加速度和车体1的高度。车辆状态量例如可以包括对车体1的高度(车高)进行微分后的相对速度、对车体1的上下加速度进行积分后的上下速度等。在该情况下，车辆状态量取得部除了车高传感器9、簧上加速度传感器8，还具有对车高进行微分的微分器、对上下加速度进行积分的积分器等。
路面测量传感器10构成检测作为路面信息的路面轮廓的路面轮廓取得部。路面测量传感器10例如由多个毫米波雷达构成。路面测量传感器10测量并检测车辆前方的路面状态(具体地，包括到检测对象的路面的距离和角度、画面位置和距离)。路面测量传感器10基于路面的检测值，输出路面轮廓。
需要注意的是，路面测量传感器10例如可以是组合了毫米波雷达和单频道摄像机的传感器，也可以为如(日本)特开2011－138244号公报等公开的、由包括左、右一对拍摄元件(数码相机等)的立体相机构成。路面测量传感器10也可以由超音波距离传感器等构成。
ECU11作为进行包含车辆的姿势控制等的行为控制的控制装置搭载于车辆的车体1侧。ECU11例如使用微型计算机而构成。ECU11具有能够数据存储的存储器11A。ECU11具备控制器12。
ECU11的输入侧与簧上加速度传感器8、车高传感器9、路面测量传感器10以及模式开关17连接。ECU11的输出侧与可变阻尼器6的阻尼力可变促动器7连接。ECU11的控制器12基于簧上加速度传感器8检测的上下方向的振动加速度的检测值、车高传感器9检测的车高的检测值、和路面测量传感器10检测的路面的检测值，取得路面轮廓和车辆状态量。控制器12基于路面轮廓和车辆状态量，求取应该由悬架装置4的可变阻尼器6(力产生机构)产生的力，并将该命令信号向悬架装置4的阻尼力可变促动器7输出。
ECU11例如在车辆行驶10～20m左右的几秒间，将车辆状态量和路面输入的数据保存于存储器11A。由此，ECU11生成车辆行驶了规定的行驶距离时的路面输入的时间序列数据(路面轮廓)、和车辆状态量的时间序列数据。控制器12以基于路面轮廓和车辆状态量的时间序列数据来调整应该由可变阻尼器6产生的阻尼力的方式进行控制。
控制器12具备运算处理部13和阻尼力映射16。运算处理部13基于被输入的车辆状态量进行规定的运算，并输出成为目标量的目标阻尼力。运算处理部13使用学习结果进行运算，该学习结果通过将对多个不同的车辆状态量使用事先准备的规定的评价方法(评价函数J)而得到的多个目标阻尼力的组作为输入输出数据的组，使运算处理部13(DNN15)(深度神经网络)学习而得到。此时，运算处理部13加入被输入的路面信息(路面轮廓)进行运算。因此，运算处理部13使用学习结果进行运算，该学习结果通过以对多个不同的车辆状态量和多个不同的路面信息使用事先准备的规定的评价方法(评价函数J)而得到的多个目标阻尼力的组作为输入输出数据的组，使运算处理部13学习而得到。运算处理部13具备权重系数计算映射14、和学习完成的DNN15。此时，学习结果是通过使用神经网络进行学习的深层学习而得到的权重系数Wij。
权重系数计算映射14设定有使用多个不同的权重(评价函数J的权重)进行深层学习而得到的、多组不同的权重系数Wij_HighGain、Wij_LowGain。权重系数计算映射14利用被输入的规定的条件，基于多组不同的权重系数Wij_HighGain、Wij_LowGain来取得被特定的一组权重系数Wij。
模式开关17与权重系数计算映射14的输入侧连接。模式开关17设置于车体1。模式开关17例如具有“Sport(运动)”、“Normal(普通)”、“Comfort(舒适)”三个模式。模式开关17选择这三个模式中的一个模式。模式开关17将选择了的模式的信号向ECU11的权重系数计算映射14输出。此时，向权重系数计算映射14输入的规定的条件是由模式开关17选择的模式。
在权重系数计算映射14设定有学习完成的多组(例如两组)权重系数Wij_HighGain、Wij_LowGain。权重系数计算映射14根据由模式开关17选择了的模式，将这些多组权重系数Wij_HighGain、Wij_LowGain合成，从而计算新的一组权重系数Wij。权重系数计算映射14将计算出的一组权重系数Wij设定于DNN15。
如图3所示，权重系数计算映射14具备第一映射14A、和第二映射14B。第一映射14A是表示从模式开关17输出的模式和增益调度参数(GSP)的关系的模式SW·GSP映射。第一映射14A根据由模式开关17选择了的模式，计算GSP。例如，在“Sport”模式中，GSP为0.9。在“Normal”模式中，GSP为0.44。在“Comfort”模式中，GSP为0.1。
第二映射14B是表示权重系数和GSP关系的GSP·权重系数映射。第二映射14B根据从第一映射14A输出的GSP，将预先设定的多组(例如两组)权重系数Wij_HighGain、Wij_LowGain合成，计算新的一组权重系数Wij。例如第一组的权重系数Wij_HighGain包括权重系数Whigh_11、…、Whigh_ij，并与GSP为1的情形对应。另一方面，第二组的权重系数Wij_LowGain包括权重系数Wlow_11、…、Wlow_ij，并与GSP为0的情形对应。因此，第二映射14B基于从第一映射14A输出的GSP，对这两组权重系数Wij_HighGain、Wij_LowGain进行例如线性插值，从而计算新的一组权重系数Wij。第二映射14B将计算出的一组权重系数Wij设定于DNN15。
需要注意的是，权重系数的插值方法不限于线性插值，能够适用各种插值方法。权重系数计算映射14不限于具备两个映射(第一映射14A、第二映射14B)，也可以由单一的映射构成。在该情况下，权重系数计算映射根据模式，将多组权重系数Wij_HighGain、Wij_LowGain合成，从而特定新的一组权重系数Wij。
DNN15是设定特定的权重系数Wij且使用神经网络进行运算的指令值取得部。控制器12基于簧上加速度传感器8检测的上下方向的振动加速度的检测值、车高传感器9检测的车高检测值、和路面测量传感器10检测的路面检测值，取得路面输入的时间序列数据(路面轮廓)、和车辆状态量的时间序列数据。控制器12的DNN15基于路面输入的时间序列数据、和车辆状态量的时间序列数据，输出成为目标量的目标阻尼力的时间序列数据。此时，最新的目标阻尼力与当前最佳的目标阻尼力(最佳目标阻尼力)对应。
阻尼力映射16是取得控制指令值的控制指令值取得部，该控制指令值基于目标阻尼力(目标量)控制可变阻尼器6(力产生机构)。阻尼力映射16表示目标阻尼力和向可变阻尼器6输出的指令值的关系。阻尼力映射16基于从DNN15取得的最新目标阻尼力、和车辆状态量所包括的簧上和簧下之间的相对速度，输出阻尼力的指令值。由此，控制器12相对于当前的车辆和路面来输出最佳的阻尼力的指令值。阻尼力的指令值例如与用于驱动阻尼力可变促动器7的电流值对应。
接着，关于控制器12的DNN15的学习方法，参照图2所示的说明图进行说明。DNN15构造为执行：(1)直接最佳控制指令值探索、(2)指令值学习、(3)权重系数下载、(4)权重系数的计算以及设定。
首先，为了执行直接最佳控制指令值探索，构建包括车辆模型21的分析模型20。图2中示出车辆模型21为一轮模型的情形。车辆模型21例如也可以为左右一对的两轮模型，也可以为四轮模型。路面输入、和来自直接最佳控制部22的最佳指令值(最佳目标阻尼力)向车辆模型21输入。直接最佳控制部22根据以下所示的直接最佳控制指令值探索的顺序，求取最佳指令值。
(1)直接最佳控制指令值探索直接最佳控制部22事先使用包括车辆模型21的分析模型20，通过重复运算来探索最佳指令值。就最佳指令值的探索而言，公式化为以下所示的最佳控制问题，并使用最优化方法而数值分析地求取。
成为对象车辆的运动设为利用状态方程式通过公式1示出。需要注意的是，式中的点是指对时间t的1阶微分(d/dt)。
【公式1】
Figure BDA0003850175160000071
在此，x为状态量，u为控制输入。状态方程式的初始条件如公式2那样被给予。
【公式2】
x(t0)＝x0
从初始时刻t0到终端时刻tf之间被赋予的等式约束条件和不等式约束条件如公式3以及公式4所示。
【公式3】
Ψ＝Ψ{x(t)，u(t)}＝0
【公式4】
θ＝θ{x(t)，u(t)}≤0
最佳控制问题是满足公式1所示的状态方程式、公式2所示的初始条件、公式3以及公式4所示的约束条件且求取使公式5所示的评价函数J最小的控制输入u(t)的问题。
【公式5】
Figure BDA0003850175160000072
求解如上述的带有约束条件的最佳控制问题是非常困难的。因此，作为最优化方法使用能够简单处理约束条件的直接法。该方法是将最佳控制问题变换为参数最优化问题，并使用最优化方法得到解的方法。
为了将最佳控制问题变换为参数最优化问题，将从初始时刻t0到终端时刻tf分割为N个区间。若将各区间的终端时刻表示为t1、t2、...、tN，它们的关系如公式6所示。
【公式6】
t0＜t1＜t2＜…＜tN-1＜tX＝tf
连续的输入u(t)如公式7所示，被各区间的终端时刻下的离散的值ui替换。
【公式7】
ui≡u(ti)，(i＝0，1，…，N)
针对输入u0、u1、…、uN将状态方程式从初始条件x0数值积分，从而求取各区间的终端时刻下的状态量x1、x2、…、xN。此时，各区间内的输入通过对在各区间的终端时刻给予的输入进行一次插值而求得。综上所述，针对输入确定状态量，并通过这来表示评价函数和约束条件。因此，变换后的参数最优化问题能够如下地表示。
若将应该最优化的参数统称为X，则如公式8所示。
【公式8】
Figure BDA0003850175160000081
因此，公式5所示的评价函数如公式9所示。
【公式9】
J＝Φ(X)
另外，公式3以及公式4所示的约束条件如公式10以及公式11所示。
【公式10】
Figure BDA0003850175160000082
【公式11】
Figure BDA0003850175160000083
这样，上述的最佳控制问题能够变换为公式8至公式11所示的参数最优化问题。
用于将求取与路面对应的最佳控制指令的问题公式化为最佳控制问题的评价函数J如公式12那样定义，以使上下加速度Az成为最少且乘坐舒适性良好，且使控制指令值u小。在此，q1、q2为评价函数的权重。q1、q2例如通过实验结果等预先设定。
【公式12】
Figure BDA0003850175160000084
直接最佳控制部22通过最优化方法而数值分析地求取这样公式化后的参数最优化问题，从而导出在各种路面的最佳指令值(目标阻尼力)。
接着，为了能够在适应车辆时简单地变更控制器，在各种路面也导出在变更了权重q1、q2的值的情况下的最佳指令值。例如，若使权重q1加入，则能够重视减小加速度的减振性。相反若使权重q2加入，则指令值变小，从而在半主动悬架中重视隔振性。
(2)指令值学习将由直接最佳控制指令值探索而导出的最佳指令值(目标阻尼力)输出，并将此时的路面轮廓、车辆状态量作为输入，从而使成为人工智能的DNN23学习各种路面的输入输出。DNN23为学习用的深度神经网络，且成为与车载用的DNN15相同的结构。路面输入的时间序列数据、和车辆状态量的时间序列数据作为路面轮廓向DNN23输入。此时，根据路面输入和车辆状态量将最佳指令值的时间序列数据作为教学(teacher)数据，求取DNN23中的神经元间的权重系数。此时，在评价函数的权重q1、q2不同的多个情况下，求取神经元间的权重系数。
(3)权重系数下载将通过指令值学习而学习了的DNN23的多组权重系数Wij_HighGain、Wij_LowGain设定为实际的ECU11的权重系数计算映射14。
(4)最佳指令值计算包含DNN15的控制器12搭载于车辆。簧上加速度传感器8、车高传感器9、路面测量传感器10以及模式开关17与控制器12的输入侧连接。可变阻尼器6的阻尼力可变促动器7与控制器12的输出侧连接。控制器12的权重系数计算映射14根据由模式开关17选择了的模式，从预先下载的多组权重系数Wij_HighGain、Wij_LowGain计算一组权重系数Wij。权重系数计算映射14将与模式开关17的模式对应的一组权重系数Wij设定于成为指令值取得部的DNN15。由此，构成控制器12的DNN15。
控制器12基于簧上加速度传感器8、车高传感器9以及路面测量传感器10的检测信号，取得路面输入和车辆状态量。控制器12将路面输入的时间序列数据、和车辆状态量的时间序列数据作为路面轮廓向DNN15输入。DNN15在路面输入和车辆状态量的时间序列数据被输入时，根据学习结果输出成为最佳指令的目标阻尼力。阻尼力映射16基于从DNN15输出的目标阻尼力、和车辆状态量所包括的簧上和簧下之间的相对速度，计算指令值(指令电流)。控制器12将阻尼力映射16计算出的指令电流向可变阻尼器6输出。
这样，直接最佳控制部22在各种条件下，通过离线的数值最优化导出直接最佳控制指令。使人工智能(DNN23)学习此时的路面轮廓以及车辆状态量、和最佳指令。其结果，能够在不对每个步骤进行最优化的情况下，通过搭载了DNN15的控制器12(ECU11)，实现直接最佳控制。
接着，为了确认基于DNN15的乘坐舒适性性能的效果，对基于如现有的天棚控制法则的反馈控制作为比较例的控制、和第一实施方式的DNN15的控制，通过车辆的模拟比较了乘坐舒适性性能等。需要注意的是，模拟条件设为假设了例如E级轿车的车辆规格。模拟模型使用了考虑簧上和簧下质量后的1/4车辆模型。路面为了确认基本的簧上的减振性能设定了起伏路。模式开关17选择的模式为“Normal”模式。
模拟结果如图4所示。图4示出簧上加速度等的时间变化的结果。由此，第一实施方式的控制与现有的控制(天棚控制法则)比较，在路面输入变化之前将阻尼力设定地较高。因此，比较第一实施方式的控制与比较例的控制(天棚控制法则)可知，虽然到0.6秒附近加速度很大，但之后加速度的峰值变小，波形变平滑，且通过起伏路后的收敛性也得到改善。由此，第一实施方式的控制与比较例的控制(天棚控制法则)相比，实现了高的减振性能和平滑化。
这样，根据本实施方式，控制器12具备：运算处理部13，该运算处理部13基于输入的车辆状态量进行规定的运算，输出目标阻尼力(目标量)；阻尼力映射16(控制指令值取得部)，该阻尼力映射16基于所述目标阻尼力取得用于控制可变阻尼器6(力产生机构)的控制指令值。运算处理部13使用学习结果进行运算，该学习结果通过将对多个不同的车辆状态量使用事先准备的规定的评价方法而得到的多个目标量的组作为输入输出数据的组，使DNN23学习而得到。此时，学习结果是通过使用神经网络进行学习的深层学习而得到的权重系数。由此，通过调整权重系数，能够根据驾驶员的喜好或要求规格变更阻尼力特性。此外，能够通过与各路面和车辆对应的真正的最佳指令进行控制，因此能够提高乘坐舒适性和操作稳定性能。
另外，运算处理部13具备：权重系数计算映射14(权重系数取得部)，设定使用多个不同的评价函数的权重q1、q2进行深层学习而得到的多组不同的权重系数Wij_HighGain、Wij_LowGain，并通过输入的规定的条件，基于多组不同的权重系数Wij_HighGain、Wij_LowGain取得特定的一组权重系数Wij；DNN15(指令值取得部)，设定特定的权重系数Wij，并使用神经网络进行运算。
此时，权重系数计算映射14具备表示从模式开关17输出的模式(规定的条件)和GSP的关系的第一映射14A、和表示权重系数和GSP的关系的第二映射14B。权重系数计算映射14根据成为输入的规定的条件的模式开关17的模式，取得DNN15的权重系数Wij。由此，能够根据驾驶员的喜好或OEM(original equipment manufacturer：原始设备制造商)的要求，变更DNN15的权重系数Wij。其结果是，能够在车辆侧简单地进行DNN15的权重系数Wij的调整或变更。
另外，阻尼力映射16表示作为目标量的目标阻尼力和向可变阻尼器6输出的指令值的关系。因此，在使最佳指令值为阻尼力指令的情况下，即使阻尼力特性变更，仅更新处于DNN15后段的阻尼力映射16即可。因此，能够仅以阻尼力映射16的映射更新来进行对阻尼器特性的应对。
另外，即使为如半主动悬架(可变阻尼器6)一样的非线形的控制对象，也无需复杂的模型化即可构建控制。将考虑了各路面、车辆、可变阻尼器6的特性的直接最佳控制安装于ECU11从运算时间来看不能组入现有技术。但是，若为事先学习了直接最佳指令的人工智能(DNN15)则能够组入ECU11(控制器12)。因此，能够通过ECU11实现直接最佳控制。
运算处理部13还加入被输入的路面信息(路面轮廓)来进行运算，并使用如下学习结果进行运算，该学习结果通过以对多个不同的车辆状态量和多个不同的路面信息使用事先准备的规定的评价方法而得到的多个目标量的组作为输入输出数据的组，使运算处理部13的DNN15学习而得到。此时，DNN15事先学习以使评价函数J为最小的方式通过最优化方法求得的指令值和车辆状态量以及路面轮廓。由此，能够通过与各路面对应的真正的最佳指令进行控制，因此能够提高乘坐舒适性和操作稳定性能。
接着，图5示出第二实施方式。第二实施方式的特征在于在前轮和后轮分别设定不同的DNN。需要注意的是，在第二实施方式中，对与上述第一实施方式相同的构成要素标以相同的标记，省略其说明。
第二实施方式的ECU30构成为与第一实施方式的ECU11相同。ECU30具备控制器31。ECU30的输入侧与簧上加速度传感器8、车高传感器9、路面测量传感器10以及模式开关17连接。ECU30的输出侧与可变阻尼器6的阻尼力可变促动器7连接。ECU30的控制器31基于簧上加速度传感器8检测的上下方向的振动加速度的检测值、车高传感器9检测的车高的检测值、和路面测量传感器10检测的路面的检测值，取得路面轮廓和车辆状态量。控制器31基于路面轮廓和车辆状态量，求取应该由悬架装置4的可变阻尼器6(力产生机构)产生的力，并将其命令信号向悬架装置4的阻尼力可变促动器7输出。
控制器31具备运算处理部32、前轮阻尼力映射36以及后轮阻尼力映射37。运算处理部32具备权重系数计算映射33、学习完成的前轮用DNN34以及后轮用DNN35。
控制器31具备运算处理部32、前轮阻尼力映射36以及后轮阻尼力映射37。运算处理部32具备权重系数计算映射33、前轮用DNN34以及后轮用DNN35。
权重系数计算映射33构成为与第一实施方式的权重系数计算映射14相同。权重系数计算映射33设定有使用多个不同的权重(评价函数的权重)进行深层学习而得到的多组不同的权重系数。此时，权重系数包括前轮用的权重系数和后轮用的权重系数。模式开关17与权重系数计算映射33的输入侧连接。权重系数计算映射33通过由模式开关17选择的模式，取得基于多组不同的前轮用的权重系数而特定的一组前轮用的权重系数。此外，权重系数计算映射33通过由模式开关17选择的模式，取得基于多组不同的后轮用的权重系数而特定的一组后轮用的权重系数。
前轮用DNN34和后轮用DNN35包含于指令值取得部。前轮用DNN34是相对于车轮2中的前轮的、前轮用指令值取得部。后轮用DNN35是相对于车轮2中的后轮的、后轮用指令值取得部。前轮用DNN34和后轮用DNN35构成为与第一实施方式的DNN相同。因此，前轮用DNN34和后轮用DNN35为AI学习部，例如由四层以上的多层神经网络构成。各层具备多个神经元，相邻的两个层的神经元利用权重系数结合。前轮用DNN34的权重系数设定有权重系数计算映射33取得的前轮用的权重系数。后轮用DNN35的权重系数设定有权重系数计算映射33取得的后轮用的权重系数。
控制器31基于由簧上加速度传感器8检测的上下方向的振动加速度检测值、由车高传感器9检测的车高的检测值、和由路面测量传感器10检测的路面的检测值，四轮分别取得路面输入的时间序列数据(路面轮廓)、和车辆状态量的时间序列数据。
此时，前轮用DNN34基于路面输入的时间序列数据、和车辆状态量的时间序列数据，输出前轮用的目标阻尼力的时间序列数据。前轮阻尼力映射36基于从前轮用DNN34取得的最新的目标阻尼力、和车辆状态量所含有的簧上和簧下之间的相对速度，输出前轮用的阻尼力的指令值。控制器31将相对于当前车辆和路面最佳的阻尼力的指令值(指令电流)向前轮的可变阻尼器6的阻尼力可变促动器7输出。
同样地，后轮用DNN35基于路面输入的时间序列数据、和车辆状态量的时间序列数据，输出后轮用的目标阻尼力的时间序列数据。后轮阻尼力映射37基于从后轮用DNN35取得的最新的目标阻尼力、和车辆状态量所含有的簧上和簧下之间的相对速度，输出前轮用的阻尼力的指令值。控制器31将相对于当前的车辆和路面最佳的阻尼力的指令值(指令电流)向后轮的可变阻尼器6的阻尼力可变促动器7输出。
这样，在第二实施方式中也能够取得与第一实施方式几乎相同的作用效果。另外，在第二实施方式中，指令值取得部具备前轮用DNN34和后轮用DNN35。此时，分别使前轮用DNN34和后轮用DNN35根据前轮和后轮的车辆规格学习不同的最佳指令。具体地，将在直接最佳控制指令值探索中使用的车辆模型的规格在前轮和后轮分别设定，并分别独立地探索最佳目标阻尼力(最佳指令)。此时，直接最佳控制指令值探索的处理变为两倍。但是，能够在前轮和后轮根据通常不同的车辆规格导出最佳目标阻尼力，因此能够提高例如减振性能等。
接着，图2示出第三实施方式。第三实施方式的特征在于用于求取最佳控制指令(目标阻尼力)的评价函数将车辆的上下加速度分离为低频分量和高频分量。需要注意的是，在第三实施方式中，对于上述第一实施方式相同的构成要素标以相同的标记，省略其说明。
在第一实施方式中，最优化的评价函数J仅由上下加速度和最佳控制指令构成。与此相对地，在第三实施方式中，最优化的评价函数J将上下加速度分离为低频分量和高频分量。低频分量例如为轻飘飘感的区域的第一频率区域(0.5－2Hz)的分量。高频分量为轻飘飘感以外的振动区域的第二频率区域(2－50Hz)的分量。由此，能够指定想要减少上下加速度的低频振动还是高频信号。
此时，第三实施方式的直接最佳控制部40使用以下的公式13所示的评价函数J。
【公式13】
Figure BDA0003850175160000141
在此，q11是相对于低频上下加速度的权重，q12是相对于高频上下加速度的权重，q2是相对于控制指令的权重。
低频上下加速度使用对上下加速度进行低通滤波处理后的值计算。高频上下加速度使用对上下加速度进行高通滤波处理后的值计算。需要注意的是，也可以对上下加速度进行频率分析，并使用使低频分量/高频分量为RMS值(有效值)的值构成评价函数。不限于低频分量和高频分量两个频率分量，例如也可以使用加入低频分量和高频分量之间的中间频率分量的包括三个频率分量的评价函数，也可以使用包括四个以上的频率分量的评价函数。
因此，在第三实施方式中也能够得到与第一实施方式几乎相同的作用效果。另外，在第三实施方式中，评价函数J将车辆的上下加速度分离为低频分量和高频分量。因此，通过使用这样的评价函数J，能够指定想要减少上下加速度的低频振动还是高频信号。
接着，图6示出第四实施方式。第四实施方式的特征在于，控制器具备：BLQ控制部，其基于输入的车辆状态量取得用于进行反馈控制的目标量；控制指令调停部，其基于由DNN得到的目标量和由BLQ控制部得到的目标量，取得向阻尼力映射输出的目标量。需要注意的是，在第四实施方式中，对与上述第一实施方式相同的构成要素标以相同的标记，省略其说明。
第四实施方式的ECU50构成为与第一实施方式的ECU11相同。ECU50具备控制器51。ECU50输入侧与簧上加速度传感器8、车高传感器9以及路面测量传感器10连接。ECU50的输出侧与可变阻尼器6的阻尼力可变促动器7连接。
ECU50的控制器51基于由路面测量传感器10检测的路面的检测值取得路面轮廓。ECU50的控制器51具备推定车辆状态的车辆状态推定部52。车辆状态推定部52例如基于由簧上加速度传感器8检测的上下方向的振动加速度的检测值、和由车高传感器9检测的车高的检测值，取得车辆状态量。控制器51基于路面轮廓和车辆状态量，求取应该由悬架装置4的可变阻尼器6(力产生机构)产生的力，并将该命令信号向悬架装置4的阻尼力可变促动器7输出。
控制器51具备运算处理部13、阻尼力映射16。运算处理部13具备权重系数计算映射14、学习完成的DNN15(深度神经网络)。此外，控制器51具备BLQ控制部53、控制指令调停部55。
权重系数计算映射14设定有使用多个不同的权重(评价函数的权重)进行深层学习而得到的多组不同的权重系数。权重系数计算映射14根据由模式开关17选择的模式，并基于多组不同的权重系数取得特定的一组权重系数。
DNN15的权重系数设定有权重系数计算映射14取得的一组权重系数。基于由路面测量传感器10检测的路面的检测值的路面轮廓向DNN15输入，且来自车辆状态推定部52的车辆状态量也向DNN15输入。此时，DNN15基于路面输入的时间序列数据、和车辆状态量的时间序列数据，输出由时间序列数据构成的最佳目标阻尼力。
BLQ控制部53是基于被输入的车辆状态量，取得用于反馈控制的目标阻尼力(目标量)的反馈目标量取得部。此时，BLQ控制部53是双线形最佳控制部。从车辆状态推定部52输出的车辆状态量向BLQ控制部53输入。BLQ控制部53基于双线形最佳控制理论，根据来自车辆状态推定部52的车辆状态量，求取用于减少簧上的上下振动的目标阻尼力(BLQ目标阻尼力)。此时，BLQ目标阻尼力是基于被输入的车辆状态量，用于反馈控制的目标量。
学习程度判断部54基于车辆状态量判断DNN15的学习程度。具体地，学习程度判断部54基于车辆状态量所含有的簧上上下加速度，判断DNN15的学习程度。学习程度判断部54例如具有通过车辆的行驶试验等的结果而预先决定的第一阈值A和第二阈值B。第一阈值A是用于判断学习程度是否为100％的簧上上下加速度的基准值。第二阈值B是比第一阈值A大的值，是用于判断学习程度是否为0％的簧上上下加速度的基准值。
在簧上上下加速度为第一阈值A以下的情况下，视为可靠性高，因此学习程度判断部54判断为学习程度为100％。在簧上上下加速度比第一阈值A大且比第二阈值小的情况下，视为可靠性为中左右，因此学习程度判断部54判断为学习程度为50％。在簧上上下加速度为第二阈值B以上的情况下，视为可靠性低，因此学习程度判断部54判断为学习程度为0％。
需要注意的是，学习程度判断部54不限于簧上上下加速度，例如可以考虑从DNN15输出的最佳目标阻尼力，判断学习程度。学习程度判断部54在100％、50％、0％的三阶段判断学习程度。但不限于此，学习程度判断部54也可以分二阶段判断学习程度，也可以分四阶段判断。
控制指令调停部55是基于由DNN15得到的目标量、和由BLQ控制部53得到的目标量，取得向阻尼力映射16输出的目标量的调停部。从学习程度判断部54输出的学习程度、从DNN15输出的最佳目标阻尼力(目标量)、和从BLQ控制部53输出的BLQ目标阻尼力(目标量)向控制指令调停部55输入。控制指令调停部55基于DNN15的学习程度，调整最佳目标阻尼力和BLQ目标阻尼力，从而调整向阻尼力映射16输出的目标阻尼力。
在基本学习完成的情况下，与BLQ控制部53相比，DNN15的例如减振性等的控制性能更高。在该情况下，信任控制指令调停部55、DNN15，并直接输出DNN15的最佳目标阻尼力。另一方面，在未学习或者学习中途的情况下，DNN15未必为最佳的控制。因此，根据控制指令调停部55、DNN15的学习程度，决定DNN15的指令(最佳目标阻尼力)和BLQ控制部53的指令(BLQ目标阻尼力)的分配，并从这两个指令输出最终的指令(目标阻尼力)。
具体地，控制指令调停部55在DNN15的学习程度为100％时，将DNN15的最佳目标阻尼力作为最终的目标阻尼力输出。控制指令调停部55在DNN15的学习程度为50％时，将DNN15的最佳目标阻尼力和BLQ控制部53的BLQ目标阻尼力的平均值(相加平均)作为最终的目标阻尼力输出。控制指令调停部55在DNN15的学习程度为0％时，将BLQ控制部53的BLQ目标阻尼力作为最终的目标阻尼力输出。
阻尼力映射16基于从控制指令调停部55取得的最终的目标阻尼力、和车辆状态量所含有的簧上和簧下之间的相对速度，输出阻尼力的指令值。控制器51将对当前的车辆和路面最佳的阻尼力的指令值(指令电流)向前轮的可变阻尼器6的阻尼力可变促动器7输出。
这样，在第四实施方式中也能够得到与第一实施方式几乎相同的作用效果。另外，在第四实施方式中，控制器51具备：BLQ控制部53，其取得用于进行反馈控制的BLQ目标阻尼力；控制指令调停部55(调停部)，其基于通过DNN15得到的最佳目标阻尼力(目标量)和通过BLQ控制部53得到的BLQ目标阻尼力(目标量)取得向阻尼力映射16输出的目标阻尼力(目标量)。由此，在DNN15为未学习的状态下，控制器51基于来自BLQ控制部53的BLQ目标阻尼力控制可变阻尼器6。其结果，在第四实施方式中，能够保证与使用反馈控制的现有技术相同程度的乘坐舒适性控制的性能。另外，在学习完成的路面中，也能够通过使DNN15的AI控制和BLQ控制部53的反馈控制组合，来应对车辆规格变化。
需要注意的是，在未学习的路面上行驶的情况下，可以存储路面轮廓，也可以发送到外部服务器。在该情况下，直接最佳控制部基于新取得的未学习的路面轮廓，求取最佳指令值。之后，加入路面轮廓和最佳指令值对DNN的神经元间的权重系数再度学习。在学习结束后，更新搭载于车辆的权重系数计算映射的权重系数。由此，下次在相同的路面行驶时，权重系数计算映射将基于更新数据的新的权重系数设定于DNN。因此，能够使用DNN对可变阻尼器6的阻尼力进行最佳控制。
另外，反馈目标量取得部不限于BLQ控制(双线形最佳控制)，也可以基于天棚控制法则控制可变阻尼器6，也可以基于如H∞控制等一样的其他的控制法则控制可变阻尼器6。
在所述第一、第二实施方式中，车辆状态量取得部具备簧上加速度传感器8和车高传感器9。本发明不限于此，车辆状态量取得部例如除了簧上加速度传感器8和车高传感器9之外，还可以包括基于由簧上加速度传感器8检测的上下方向的振动加速度的检测值、和由车高传感器9检测的车高的检测值，计算车辆状态量的部分。另外，车辆状态量取得部除了来自簧上加速度传感器、和车高传感器的检测信号之外，例如还可以基于来自CAN(Controller Area Network)的信号取得与车速等之类的车辆状态相关的信息，并考虑这些信息从而计算或者推定车辆状态量。在该情况下，车辆状态量取得部除了各种传感器之外，通过ECU11、30内的运算部分构成。
在上述各实施方式中，运算处理部13、32具备神经网络。本发明不限于此，运算处理部只要能够相对于多个不同的车辆状态量，将多个目标量的组作为输入输出数据的组学习，也可以不具备神经网络。
在上述各实施方式中，路面轮廓取得部通过路面测量传感器10检测路面轮廓。本发明不限于此，路面轮廓取得部也可以例如以GPS数据为基础从服务器取得信息，或者也可以通过车车间通信从其他车取得信息。另外，路面轮廓取得部也可以基于由簧上加速度传感器8检测的上下方向的振动加速度的检测值、和由车高传感器9检测的车高的检测值，推定路面信息(路面轮廓)。在该情况下，路面轮廓取得部除了各种传感器之外，由ECU11、30、50内的运算部分构成。
在上述各实施方式中，运算处理部13、32基于车辆状态量和路面信息(路面轮廓)运算目标量(目标阻尼力)。本发明不限于此，运算处理部也可以省略路面信息，仅基于车辆状态量运算目标量。在该情况下，运算处理部使用如下学习结果进行所述运算，该学习结果通过将对多个不同的车辆状态量使用事先准备的规定的评价方法而得到的多个目标量的组作为输入输出数据的组，使所述运算处理部学习而得到。
在上述各实施方式中，作为目标量使用了目标阻尼力，但也可以使用目标阻尼系数。在该情况下，控制指令值取得部基于目标阻尼系数，取得对可变阻尼器6的控制指令值。
在上述各实施方式中，在车辆设置将作为规定的条件的模式向权重系数计算映射14、33输入的模式开关17。本发明不限于此，例如可以在车辆维护时从外部便携式终端将规定的条件输入到权重系数计算映射。
在上述各实施方式中，作为力产生机构以由半主动阻尼器构成的可变阻尼器6的情形为例作了说明。本发明不限于此，作为力产生机构可以使用主动阻尼器(电气促动器、液压促动器的任何一个)。在上述各实施方式中，以通过由阻尼力调整式的液压缓冲器组成的可变阻尼器6构成产生在车体1侧和车轮2侧之间能够调整的力的力产生机构的情形举例说明。本发明不限于此，例如除液压缓冲器之外，也可以由空气悬架、稳定器(动态调节悬架系统，キネサス)、电磁悬架等构成力产生机构。
在上述各实施方式中，用于四轮自动车的车辆行为装置举例说明。但是，本发明不限于此，例如也可以适用于两轮、三轮自动车、或者作业车辆、运输车辆的卡车、公共汽车等。
上述各实施方式是示例，能够将在不同实施方式中示出的结构部分替换或者组合。
接着，作为上述实施方式所含有的车辆控制装置、车辆控制方法以及车辆控制系统，例如为以下所述的方式。
作为第一方式：一种车辆控制装置，适用于具备调整车辆的车体、和所述车辆的车轮之间的力的力产生机构的所述车辆，所述车辆控制装置具备：运算处理部，基于输入的车辆状态量进行规定的运算，并输出目标量；控制指令值取得部，基于所述目标量取得用于控制所述力产生机构的控制指令值；所述运算处理部使用学习结果进行所述运算，所述学习结果通过将对多个不同的车辆状态量使用事先准备的规定的评价方法而得到的多个目标量的组作为输入输出数据的组，使所述运算处理部学习而得到。
作为第二方式：在第一方式中，所述学习结果是通过使用神经网络进行学习的深层学习而得到的权重系数。
作为第三方式：在第二方式中，所述运算处理部具备：权重系数取得部，设定使用多个不同的权重进行所述深层学习而得到的多个不同的权重系数，并通过输入的规定的条件，取得所述多个不同的权重系数中的特定的权重系数；指令值取得部，设定所述特定的权重系数，并进行使用神经网络进行学习的所述运算。
作为第四方式：在第三方式中，所述权重系数取得部具备：第一映射，表示从模式开关输出的所述规定的条件、和增益调度参数的关系；第二映射，其表示所述权重系数、和所述增益调度参数的关系。
作为第五方式：在第三方式中，所述目标量为目标阻尼力，所述控制指令值取得部是表示所述目标阻尼力、和向所述力产生机构输出的指令值的关系的阻尼力映射。
作为第六方式：在第三方式中，所述指令值取得部具备：相对于所述车轮中的前轮的前轮用指令值取得部、和相对于所述车轮中的后轮的后轮用指令值取得部。
作为第七方式：在第三方式中，具备：反馈目标量取得部，其基于所述输入的车辆状态量，取得用于进行反馈控制的目标量；调停部，其基于通过所述指令值取得部得到的目标量、和通过所述反馈目标量取得部得到的目标量，取得向所述控制指令值取得部输出的目标量。
作为第八方式：在第一方式中，所述规定的评价方法包括评价函数，所述评价函数包括将所述车辆的上下加速度分离为低频分量和高频分量的结构。
作为第九方式：在第一方式中，所述目标量为目标阻尼力，所述控制指令值取得部是表示所述目标阻尼力和向所述力产生机构输出的指令值的关系的阻尼力映射。
作为第十方式：在第一方式中，所述运算处理部还加入输入的路面信息进行所述运算，并使用学习结果进行所述运算，所述学习结果通过将对多个不同的车辆状态量和多个不同的路面信息使用事先准备的规定的评价方法而得到的多个目标量的组作为输入输出数据的组，使所述运算处理部学习而得到。
作为第十一方式：一种车辆控制方法，其适用于具备调整车辆的车体、和所述车辆的车轮之间的力的力产生机构的所述车辆，所述车辆控制方法具备：基于输入的车辆状态量进行规定的运算，并输出目标量的运算处理步骤；基于所述目标量取得用于控制所述力产生机构的控制指令值的控制指令值取得步骤；在所述运算处理步骤中，使用学习结果进行所述运算，所述学习结果通过将对多个不同的车辆状态量使用事先准备的规定的评价方法而得到的多个目标量的组作为输入输出数据的组，使运算处理部学习而得到。
作为第十二方式：一种车辆控制系统，其具备：力产生机构，其调整车辆的车体、和所述车辆的车轮之间的力；控制器，所述控制器具备：运算处理部，其基于输入的车辆状态量进行规定的运算，并输出目标量；控制指令值取得部，其基于所述目标量取得用于控制所述力产生机构的控制指令值；所述运算处理部使用学习结果进行所述运算，所述学习结果通过将对多个不同的车辆状态量使用事先准备的规定的评价方法而得到的多个目标量的组作为输入输出数据的组，使所述运算处理部学习而得到。
需要注意的是，本发明不限于上述实施方式，还包含各种变形例。例如，上述实施方式是为了使本发明易于理解而详细地说明，未必限于具备说明的全部的结构。另外，能够将某个实施方式的结构的一部分替换为其他实施方式的结构，另外，能够在某个实施方式的结构中添加其他实施方式的结构。另外，关于各实施方式的结构的一部分，能够追加·删除·替换其他的结构。
本申请基于2020年3月18日申请的日本国专利申请第2020－047947号主张优先权。包含2020年3月18日申请的日本国专利申请第2020－047947号的说明书、权利要求、附图、以及摘要的全部公开内容通过参照整体引用于本申请。
附图标记说明
1：车体；
2：车轮；
3：轮胎；
4：悬架装置；
5：悬架弹簧(弹簧)；
6：可变阻尼器(力产生机构)；
7：阻尼力可变促动器；
8：簧上加速度传感器；
9：车高传感器；
10：路面测量传感器；
11、30、50：ECU；
12、31、51：控制器(车辆控制装置)；
13、32：运算处理部；
14、33：权重系数计算映射(权重系数取得部)；
14A：第一映射；
14B：第二映射；
15：DNN(指令值取得部)；
16：阻尼力映射(控制指令值取得部)；
17：模式开关；
22、40：直接最佳控制部；
34：前轮用DNN(前轮用指令值取得部)；
35：后轮用DNN(后轮用指令值取得部)；
36：前轮阻尼力映射(控制指令值取得部)；
37：后轮阻尼力映射(控制指令值取得部)；
52：车辆状态推定部；
53：BLQ控制部(反馈目标量取得部)；
54：学习程度判断部；
55：控制指令调停部(调停部)。

Claims (12)

1.一种车辆控制装置，其适用于具备调整车辆的车体、和所述车辆的车轮之间的力的力产生机构的所述车辆，所述车辆控制装置具备：
运算处理部，其基于输入的车辆状态量进行规定的运算，并输出目标量；
控制指令值取得部，其基于所述目标量取得用于控制所述力产生机构的控制指令值；
所述运算处理部使用学习结果进行所述运算，所述学习结果通过将对多个不同的车辆状态量使用事先准备的规定的评价方法而得到的多个目标量的组作为输入输出数据的组，使所述运算处理部学习而得到。
2.如权利要求1所述的车辆控制装置，其中，
所述学习结果是通过使用神经网络进行学习的深层学习而得到的权重系数。
3.如权利要求2所述的车辆控制装置，其中，
所述运算处理部具备：
权重系数取得部，其设定使用多个不同的权重进行所述深层学习而得到的多个不同的权重系数，并通过输入的规定的条件，取得所述多个不同的权重系数中的特定的权重系数；
指令值取得部，其设定所述特定的权重系数，并进行使用神经网络进行学习的所述运算。
4.如权利要求3所述的车辆控制装置，其中，
所述权重系数取得部具备：
第一映射，其表示从模式开关输出的所述规定的条件、和增益调度参数的关系；
第二映射，其表示所述权重系数、和所述增益调度参数的关系。
5.如权利要求3所述的车辆控制装置，其中，
所述目标量为目标阻尼力，
所述控制指令值取得部是表示所述目标阻尼力、和向所述力产生机构输出的指令值的关系的阻尼力映射。
6.如权利要求3所述的车辆控制装置，其中，
所述指令值取得部具备：相对于所述车轮中的前轮的前轮用指令值取得部、和相对于所述车轮中的后轮的后轮用指令值取得部。
7.如权利要求3所述的车辆控制装置，其中，
具备：反馈目标量取得部，其基于所述输入的车辆状态量，取得用于进行反馈控制的目标量；
调停部，其基于通过所述指令值取得部得到的目标量、和通过所述反馈目标量取得部得到的目标量，取得向所述控制指令值取得部输出的目标量。
8.如权利要求1所述的车辆控制装置，其中，
所述规定的评价方法包括评价函数，
所述评价函数包括将所述车辆的上下加速度分离为低频分量和高频分量的构成。
9.如权利要求1所述的车辆控制装置，其中，
所述目标量为目标阻尼力，
所述控制指令值取得部是表示所述目标阻尼力和向所述力产生机构输出的指令值的关系的阻尼力映射。
10.如权利要求1所述的车辆控制装置，其中，
所述运算处理部还加入输入的路面信息进行所述运算，所述运算处理部使用学习结果进行所述运算，所述学习结果通过将对多个不同的车辆状态量和多个不同的路面信息使用事先准备的规定的评价方法而得到的多个目标量的组作为输入输出数据的组，使所述运算处理部学习而得到。
11.一种车辆控制方法，其适用于具备调整车辆的车体、和所述车辆的车轮之间的力的力产生机构的所述车辆，所述车辆控制方法具备：
基于输入的车辆状态量进行规定的运算，并输出目标量的运算处理步骤；
基于所述目标量取得用于控制所述力产生机构的控制指令值的控制指令值取得步骤；
在所述运算处理步骤中，使用学习结果进行所述运算，所述学习结果通过将对多个不同的车辆状态量使用事先准备的规定的评价方法而得到的多个目标量的组作为输入输出数据的组，使运算处理部学习而得到。
12.一种车辆控制系统，其具备：
力产生机构，其调整车辆的车体、和所述车辆的车轮之间的力；
控制器，其具备：运算处理部，其基于输入的车辆状态量进行规定的运算，并输出目标量；控制指令值取得部，其基于所述目标量取得用于控制所述力产生机构的控制指令值；
所述运算处理部使用学习结果进行所述运算，所述学习结果通过将对多个不同的车辆状态量使用事先准备的规定的评价方法而得到的多个目标量的组作为输入输出数据的组，使所述运算处理部学习而得到。
CN202180022063.5A 2020-03-18 2021-03-05 车辆控制装置、车辆控制方法以及车辆控制系统 Pending CN115298045A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020-047947 2020-03-18
JP2020047947 2020-03-18
PCT/JP2021/008663 WO2021187161A1 (ja) 2020-03-18 2021-03-05 車両制御装置、車両制御方法および車両制御システム

Publications (1)

Publication Number Publication Date
CN115298045A true CN115298045A (zh) 2022-11-04

Family

ID=77768192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180022063.5A Pending CN115298045A (zh) 2020-03-18 2021-03-05 车辆控制装置、车辆控制方法以及车辆控制系统

Country Status (6)

Country Link
US (1) US20230100858A1 (zh)
JP (1) JP7393520B2 (zh)
KR (1) KR102654627B1 (zh)
CN (1) CN115298045A (zh)
DE (1) DE112021001704T5 (zh)
WO (1) WO2021187161A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220234410A1 (en) * 2021-01-28 2022-07-28 Volvo Car Corporation Rear damper adjustment
CN115782496B (zh) * 2022-12-01 2023-10-03 西南交通大学 一种基于map控制的半主动悬架系统智能进化方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03201008A (ja) * 1989-12-28 1991-09-02 Toshiba Corp ゲインスケジューリング制御装置
JP2792633B2 (ja) * 1990-02-09 1998-09-03 株式会社日立製作所 制御装置
JPH0516634A (ja) * 1991-07-16 1993-01-26 Kayaba Ind Co Ltd 車両のサスペンシヨン制御装置
JPH0573104A (ja) * 1991-09-11 1993-03-26 Hitachi Ltd Ｐｉｄパラメータオートチユーニング方法
JPH06135214A (ja) * 1992-10-28 1994-05-17 Mazda Motor Corp 路面状態判定装置
JP2000207002A (ja) 1999-01-18 2000-07-28 Yamaha Motor Co Ltd ショックアブソ―バの最適制御方法
JP6869319B2 (ja) 2019-12-17 2021-05-12 マクセルホールディングス株式会社 半田ボールの配列用マスク、およびその製造方法

Also Published As

Publication number Publication date
KR20220110319A (ko) 2022-08-05
US20230100858A1 (en) 2023-03-30
WO2021187161A1 (ja) 2021-09-23
JP7393520B2 (ja) 2023-12-06
KR102654627B1 (ko) 2024-04-03
DE112021001704T5 (de) 2023-02-02
JPWO2021187161A1 (zh) 2021-09-23

Similar Documents

Publication Publication Date Title
CN110654195B (zh) 车辆、车辆悬架系统及其调节方法、装置
WO2020158314A1 (ja) 車両挙動装置
JP7393520B2 (ja) 車両制御装置
JP7186282B2 (ja) サスペンション制御装置
CN112776551B (zh) 一种基于运动图式的磁流变悬架半主动控制方法及系统
JP7446434B2 (ja) サスペンション制御装置およびサスペンション装置の制御方法
CN110722950A (zh) 一种汽车悬架混合阻尼可拓切换控制方法
CN114211926B (zh) 一种颠簸路面的汽车悬架控制系统
CN115963836A (zh) 一种路径跟踪与车身姿态协同控制方法
CN113071282B (zh) 一种车辆调节方法及装置
JP7312707B2 (ja) サスペンション制御装置
US20220118812A1 (en) Suspension stroke related value estimation device and method
Hirao et al. A semi-active suspension system using ride control based on bi-linear optimal control theory and handling control considering roll feeling
JPH01109112A (ja) 自動車の適応サスペンション制御装置
Jurisch et al. Vertical Trajectory Planning for Autonomous Vehicles
CN115476881B (zh) 车辆轨迹跟踪控制方法、装置、设备及介质
Feng Advanced Robust Control Strategies of Mechatronic Suspensions for Cars
JP5104594B2 (ja) 車両制御装置
JP2023135097A (ja) サスペンション制御装置
EP4320367A1 (en) Method for controlling variable damping suspensions
CN116305524A (zh) 一种空气悬架整车动态响应解算方法及相关组件
CN117241953A (zh) 悬架控制装置和悬架控制方法
CN117962538A (zh) 预瞄式半主动悬架的控制方法、装置、设备及存储介质
CN116101008A (zh) 基于整车性能的半主动悬架控制方法、系统及车辆
CN117183641A (zh) 一种半主动悬架系统的控制方法

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