CN116867657A

CN116867657A - 车辆状态量推定装置

Info

Publication number: CN116867657A
Application number: CN202280012225.1A
Authority: CN
Inventors: 山本彰人
Original assignee: Aisin Co Ltd
Current assignee: Aisin Co Ltd
Priority date: 2021-02-03
Filing date: 2022-01-25
Publication date: 2023-10-10

Abstract

实施方式的车辆状态量推定装置具有数据获取部和车辆状态推定部。数据获取部获取与车辆的速度相关的数据即第一数据。车辆状态推定部利用进行了学习以根据第一数据的输入来推定车轮在车辆的上下方向上相对于车辆的车体的相对速度和在上下方向上的车体的速度即车体速度中的至少一方的神经网络，推定与由数据获取部获取的第一数据相应的相对速度和车体速度中的至少一方。

Description

车辆状态量推定装置

技术领域

本发明的实施方式涉及车辆状态量推定装置。

背景技术

以往，已知一种作为车辆状态，推定车轮在车辆上下方向上相对于车体的相对速度(所谓行程速度)或在车辆上下方向上的车体的速度即车体速度(所谓簧上速度)，并基于推定出的相对速度或车体的速度来控制悬架的减震器的衰减力的技术。

现有技术文献

专利文献

专利文献1：日本特开平10-913号公报

专利文献2：日本特开2016-117326号公报

发明内容

发明所要解决的问题

在这种技术中，如果能够实现车辆状态的推定精度的提高，则是有意义的。

解决问题的技术方案

本发明的实施方式的车辆状态量推定装置包括：数据获取部，获取与车辆的速度相关的数据即第一数据；以及车辆状态推定部，利用进行了学习以根据所述第一数据的输入来推定所述车辆的车轮在所述车辆的上下方向上相对于所述车辆的车体的相对速度和在所述上下方向上的所述车体的速度即车体速度中的至少一方的第一神经网络，推定与由所述数据获取部获取的所述第一数据相应的所述相对速度和所述车体速度中的至少一方。

根据这样的结构，车辆状态推定部利用进行了学习以根据第一数据的输入来推定车轮在车辆的上下方向上相对于车辆的车体的相对速度和在车辆的上下方向上的车体的速度即车体速度中的至少一方的第一神经网络，推定与由数据获取部获取的第一数据相应的相对速度和车体速度中的至少一方，因此能够提高车辆状态(相对速度和车体速度中的至少一方)的推定精度。

在所述车辆状态量推定装置中，例如，所述第一数据是表示所述车轮的转速的车轮速度数据。

根据这样的结构，车辆状态推定部利用进行了学习以根据车轮速度数据的输入来推定车轮在车辆的上下方向上相对于车辆的车体的相对速度和在车辆的上下方向上的车体的速度即车体速度中的至少一方的第一神经网络，推定与由数据获取部获取的车轮速度数据相应的相对速度和车体速度中的至少一方，因此能够提高车辆状态(相对速度和车体速度中的至少一方)的推定精度。

在所述车辆状态量推定装置中，例如，所述数据获取部获取表示所述车辆的横摆率(yaw rate)的横摆率数据，所述第一神经网络进行学习以根据所述车轮速度数据和所述横摆率的输入来推定所述相对速度和所述车体速度中的至少一方，所述车辆状态推定部利用所述第一神经网络，推定与由所述数据获取部获取的所述车轮速度数据和所述横摆率数据相应的所述相对速度和所述车体速度中的至少一方。

根据这样的结构，能够进一步提高车辆状态(相对速度和车体速度中的至少一方)的推定精度。

在所述车辆状态量推定装置中，例如，所述车辆具有减震器，所述减震器介于所述车体和所述车轮之间，能够根据输入的电流来变更衰减力，所述数据获取部获取表示所述电流的值的电流值数据，所述第一神经网络进行学习以根据所述车轮速度数据和所述电流值数据的输入来推定所述相对速度和所述车体速度中的至少一方，所述车辆状态推定部利用所述第一神经网络，推定与由所述数据获取部获取的所述车轮速度数据和所述电流值数据相应的所述相对速度和所述车体速度中的至少一方。

在所述车辆状态量推定装置中，例如，所述数据获取部获取表示所述车辆的转向角度的转向角度数据，所述第一神经网络进行学习以根据所述车轮速度数据和所述转向角度数据的输入来推定所述相对速度和所述车体速度中的至少一方，所述车辆状态推定部利用所述第一神经网络，推定与由所述数据获取部获取的所述车轮速度数据和所述转向角度数据相应的所述相对速度和所述车体速度中的至少一方。

另外，在所述车辆状态量推定装置中，所述第一数据是表示所述车辆的加速度的加速度数据，所述第一神经网络进行学习以推定所述相对速度，所述车辆状态推定部利用所述第一神经网络，推定与由所述数据获取部获取的所述加速度数据相应的所述相对速度。

根据这样的结构，相对速度推定部利用进行了学习以根据加速度数据的输入来推定车辆的车轮在车辆的上下方向上相对于车辆的车体的相对速度的第一神经网络，推定与由数据获取部获取的加速度数据相应的相对速度，因此能够提高车轮相对于车体的相对速度的推定精度。

在所述车辆状态量推定装置中，例如，所述数据获取部获取表示所述车辆的横摆率的横摆率数据，所述第一神经网络进行学习以根据所述加速度数据和所述横摆率数据的输入来推定所述相对速度，所述车辆状态推定部利用所述第一神经网络，推定与由所述数据获取部获取的所述加速度数据和所述横摆率数据相应的所述相对速度。

根据这样的结构，能够进一步提高车轮相对于车体的相对速度的推定精度。

在所述车辆状态量推定装置中，例如，所述车辆具有减震器，所述减震器介于所述车体和所述车轮之间，能够根据输入的电流来变更衰减力，所述数据获取部获取表示所述电流的值的电流值数据，所述第一神经网络进行学习以根据所述加速度数据和所述电流值数据的输入来推定所述相对速度，所述车辆状态推定部利用所述第一神经网络，推定与由所述数据获取部获取的所述加速度数据和所述电流值数据相应的所述相对速度。

在所述车辆状态量推定装置中，例如，所述数据获取部获取表示所述车辆的转向角度的转向角度数据，所述第一神经网络进行学习以根据所述加速度数据和所述转向角度数据的输入来推定所述相对速度，所述车辆状态推定部利用所述第一神经网络，推定与由所述数据获取部获取的所述加速度数据和所述转向角度数据相应的所述相对速度。

在所述车辆状态量推定装置中，例如，所述数据获取部获取表示所述车轮的转速的车轮速度数据，所述第一神经网络进行学习以根据所述加速度数据和所述车轮速度数据的输入来推定所述相对速度，所述车辆状态推定部利用所述第一神经网络，推定与由所述数据获取部获取的所述加速度数据和所述车轮速度数据相应的所述相对速度。

在所述车辆状态量推定装置中，例如，所述数据获取部包括：获取部，从仅设置在车辆上的彼此位置不同的多个加速度检测对象部位中的一部分的加速度传感器，获取表示所述加速度检测对象部位的实际的加速度、即实际加速度的实际加速度数据；以及推定部，利用进行了学习以根据所述实际加速度数据的输入来推定在多个所述加速度检测对象部位均设置有所述加速度传感器的情况下的各所述加速度传感器检测的所述加速度检测对象部位的所述实际加速度的第二神经网络，推定与所述实际加速度数据的输入相应的多个所述加速度检测对象部位的全部的所述实际加速度。

根据这样的结构，能够提高加速度数据的精度，并且能够进一步提高车轮相对于车体的相对速度的推定精度。

在所述车辆状态量推定装置中，例如，所述第一神经网络是LSTM(Long ShortTerm Memory:长短期记忆网络)。

根据这样的结构，能够提高车辆状态(相对速度和车体速度中的至少一方)的推定精度。

本发明的实施方式的车辆状态量推定装置包括：获取部，从仅设置在车辆上的彼此位置不同的多个加速度检测对象部位中的一部分的加速度传感器，获取表示所述加速度检测对象部位的实际的加速度、即实际加速度的实际加速度数据；以及推定部，利用进行了学习以根据所述实际加速度数据的输入来推定在多个所述加速度检测对象部位均设置有所述加速度传感器的情况下的各所述加速度传感器检测的所述加速度检测对象部位的所述实际加速度的神经网络，推定与所述实际加速度数据的输入相应的多个所述加速度检测对象部位的全部的所述实际加速度。

根据这样的结构，能够实现车辆的加速度的推定精度的提高。

附图说明

图1是示出第一实施方式的车辆的一例的概略结构的示意图。

图2是示出第一实施方式的车辆的悬架装置的一例的概略结构的示意图。

图3是第一实施方式的车辆的一例的控制装置的功能框图。

图4是示出第一实施方式的车辆状态推定网络的结构的示例性且示意性的框图。

图5是示出第一实施方式的车辆状态推定网络的编码器部的结构的一例的示例性且示意性的框图。

图6是示出第一实施方式的车辆状态推定网络的解码器部的结构的一例的示例性且示意性的框图。

图7是示出第一实施方式的车辆状态推定网络的LSTM块的结构的一例的示例性且示意性的框图。

图8是示出第一实施方式的控制装置执行的车辆状态推定方法的一例的流程图。

图9是示出基于第一实施方式的技术的行程速度的推定结果的一例的示例性且示意性的图。

图10是示出第二实施方式的车辆的一例的概略结构的示意图。

图11是第二实施方式的车辆的一例的控制装置的功能框图。

图12是示出第二实施方式的行程速度推定网络的结构的示例性且示意性的框图。

图13是示出第二实施方式的控制装置执行的相对速度推定方法的一例的流程图。

图14是示出基于第二实施方式的技术的行程速度的推定结果的一例的示例性且示意性的图。

图15是示出基于比较例的技术的行程速度的推定结果的一例的示例性且示意性的图。

图16是示出基于第二实施方式的技术的行程速度的推定误差的一例的示例性且示意性的图。

图17是示出基于第二实施方式的技术的行程速度的推定误差的一例的示例性且示意性的图。

图18是示出第三实施方式的车辆的一例的概略结构的示意图。

图19是第三实施方式的车辆的一例的控制装置的功能框图。

图20是示出第三实施方式的行程速度推定网络和簧上加速度推定网络的结构的示例性且示意性的框图。

图21是示出基于第三实施方式的技术的簧上加速度的推定结果的一例的示例性且示意性的图。

图22是示出基于比较例的技术的簧上加速度的推定结果的一例的示例性且示意性的图。

具体实施方式

以下，参照附图对实施方式进行详细说明。另外，本发明并不限定于该实施方式。在以下的多个实施方式中包括有相同的结构构件。对这些相同的结构构件标注相同的附图标记，并且省略重复的说明。

＜第一实施方式＞

图1是示出第一实施方式的车辆1的一例的概略结构的示意图。在本实施方式中，车辆1例如可以是以内燃机(发动机，未图示)为驱动源的汽车(内燃机汽车)，也可以是以电动机(马达，未图示)为驱动源的汽车(电动汽车，燃料电池汽车等)，也可以是将它们两者作为驱动源的汽车(混合动力汽车)。另外，车辆1可以搭载各种变速装置，也可以搭载驱动内燃机或电动机所需的各种装置(系统、部件等)。另外，车辆1中的与车轮3的驱动相关的装置的方式、数量、布局等可以进行各种设定。另外，在本实施方式中，作为一例，车辆1是四轮车(四轮汽车)，具有左右两个前轮3F和左右两个后轮3R。此外，在图1中，车辆前后方向的前方(方向Fr)为左侧。

在本实施方式中，作为一例，车辆1的车辆控制系统100具有控制装置10、转向装置11、转向角度传感器12、横摆率传感器13、制动系统61等。另外，车辆控制系统100具有与两个前轮3F分别对应的悬架装置4、旋转传感器5、制动装置6等，并且具有与两个后轮3R分别对应的悬架装置4、旋转传感器5等。此外，车辆1除了图1的结构构件之外还具有作为车辆1的基本的结构构件，但在此，仅对与车辆控制系统100相关的结构及与该结构相关的控制进行说明。另外，作为两个前轮3F和两个后轮3R的总称，使用车轮3。另外，将车辆1的车轮3相对于车辆1的车体2的相对速度称为行程速度，将相对于悬架装置4位于车体2侧的车辆1的部分称为簧上，将相对于悬架装置4位于车轮3侧的车辆1的部分称为簧下。另外，在以下的说明中，只要没有特别提及，相对速度就是在车辆1的上下方向上的车轮3相对于车体2的相对速度。

控制装置10从车辆控制系统100的各部接收信号、数据等，并且执行车辆控制系统100的各部的控制、各种运算。在本实施方式中，控制装置10为车辆状态量推定装置的一例。另外，控制装置10由计算机构成，具有运算处理部(微型计算机、ECU(ElectronicControlUnit：电子控制单元)等，未图示)、存储部10d(例如，ROM(Read OnlyMemory：只读存储器)、RAM(Random Access Memory：随机存取存储器)、闪存器等，参照图3)等。运算处理部能够读出存储(安装)在非易失性的存储部10d(例如ROM、闪存器等)的程序，按照该程序执行运算处理，作为图3所示的各部发挥功能(进行动作)。另外，在存储部10d中，可以存储与控制相关的各种运算中使用的数据(表格(数据组)、函数等)、运算结果(也包括运算中途的值)等。另外，在存储部10d中存储有车辆状态推定网络121。在后面详述车辆状态推定网络121。

转向装置11例如包括方向盘，对两个前轮3F进行转向(转动)。转向角度传感器12检测前轮3F的转向角度(舵角、操舵角、转向角)，输出表示检测出的转向角度的转向角度数据。

横摆率传感器13检测车辆1(车体2)的横摆率，输出表示检测出的横摆率的横摆率信息。

图2是示出第一实施方式的车辆的悬架装置4的一例的概略结构的示意图。如图2所示，悬架装置4介于车轮3和车体2之间，抑制来自路面的振动或冲击传递到车体。悬架装置4具有螺旋弹簧4a和减震器4b。减震器4b能够电控制(调整)衰减力(衰减特性)。具体而言，减震器4b具有基于输入的电流来动作的促动器4bb。促动器4bb能够变更设置于减震器4b的活塞的节流孔的开口度，或者变更阀体和阀座之间的开口度。由此，控制在减震器4b内被活塞分隔的两个油室之间流通的润滑油的流通量，调整减震器4b的衰减力。悬架装置4分别设置于四个车轮3(两个前轮3F和两个后轮3R)，控制装置10能够控制四个车轮3各自的衰减力。控制装置10能够将四个车轮3控制为衰减力彼此不同的状态。详细而言，为了控制减震器4b的衰减力(＝衰减系数C×行程速度V)，控制衰减系数C。更详细而言，通过控制在减震器4b的促动器4bb流经的电流来控制衰减系数C。减震器4b也被称为阻尼器(Damper)。

旋转传感器5能够输出与四个车轮3各自的转速(角速度、转数、旋转状态)相应的信号。控制装置10能够根据旋转传感器5的检测结果来计算车辆1的速度。此外，除了车轮3用的旋转传感器5之外，也可以设置检测曲轴、车轴等的旋转的旋转传感器(未图示)，控制装置10也可以根据该旋转传感器的检测结果来获取车辆1的速度。

另外，上述的车辆控制系统100的结构只不过是一例，可以进行各种变更来实施。作为构成车辆控制系统100的各个装置，可以使用公知的装置。另外，车辆控制系统100的各结构可以与其他结构共用。

并且，在本实施方式中，作为一例，控制装置10通过硬件和软件(程序)的协作，能够作为如图3所示的数据获取部10a、车辆状态推定部10b、衰减控制部10c等发挥功能(进行动作)。即，在程序中，作为一例，可以包括与图3所示的除了存储部10d之外的各块对应的模块。

数据获取部10a从各旋转传感器5获取表示车轮3的转速的车轮速度数据。另外，数据获取部10a从横摆率传感器13获取表示车辆1的横摆率的横摆率数据。另外，数据获取部10a从衰减控制部10c获取表示输入到减震器4b的电流的值的电流值数据。另外，数据获取部10a从转向角度传感器12获取表示车辆1的转向角度的转向角度数据。

作为一例，由数据获取部10a获取的规定的数据(以后也称为输入数据)输入到车辆状态推定部10b。车辆状态推定部10b利用车辆状态推定网络121，推定与输入数据相应的相对速度。输入数据至少包括车轮速度数据。另外，除了车轮速度数据以外，输入数据还可以包括横摆率数据、电流值数据、以及转向角度数据中的至少一种。此外，输入数据不限于上述的数据。车轮速度数据是第一数据的一例。

车辆状态推定网络121构成为预先进行了学习以根据输入数据的输入来推定车辆1的车轮3在车辆1的上下方向上相对于车辆1的车体2的相对速度和、在车辆1的上下方向上的车体2的速度即车体速度中的至少一方(作为一例，两者)的递归神经网络(RNN)。在车辆状态推定网络121学习时，输入数据是由数据获取部10a获取的上述的输入数据，作为教师数据的输出数据例如是利用相对速度传感器(未图示)测量的车辆1的车轮3在车辆1的上下方向上相对于车辆1的车体2的相对速度的实测值(真值)和、利用速度传感器(未图示)测量的在车辆1的上下方向上的车体2的速度的实测值中的至少一方(作为一例，两者)。此外，车辆状态推定网络121也可以构成为预先进行了学习以推定上述的相对速度和上述的车体速度中的任一方的递归神经网络(RNN)。

图4是示出第一实施方式的车辆状态推定网络121的结构的示例性且示意性的框图。图5是示出第一实施方式的车辆状态推定网络121的编码器部121a的结构的一例的示例性且示意性的框图。图6是示出第一实施方式的车辆状态推定网络121的解码器部121b的结构的一例的示例性且示意性的框图。图7是示出第一实施方式的车辆状态推定网络121的LSTM块的结构的一例的示例性且示意性的框图。

如图4所示，实施方式的车辆状态推定网络121构成为Seq2Seq(Sequence toSequence：序列到序列)模型。更具体地，车辆状态推定网络121具有：编码器部121a，接收输入数据的输入并执行编码处理；以及解码器部121b，基于编码器部121a的编码器结果来执行解码处理，输出执行了解码处理的数据(以后也称为输出数据)。

在图4所示的例子中，作为向编码器部121a的输入，例示出了以规定的时间间隔输入的输入数据x₁、x₂、x₃、x₄、x₅、…。

另一方面，在图5所示的例子中，作为从解码器部121b的输出，例示出了以规定的时间间隔输出的输出数据y₁、y₂、y₃、y₄、y₅、…。

实施方式的车辆状态推定网络121通过机器学习预先训练，以接收如上述的输入数据x₁、x₂、x₃、x₄、x₅、…那样的时间序列数据的输入，并输出上述的输出数据y₁、y₂、y₃、y₄、y₅、…那样的表示每个时刻的输出的时间序列数据。

以下，参照图5～图7，对第一实施方式的车辆状态推定网络121的编码器部121a和解码器部121b的具体结构进行说明。但是，以下的图5和图6所示的结构仅是一个例子。

如图5所示，第一实施方式的编码器部121a基于LSTM(Long short-termmemory：长短期记忆网络)构成。即，编码器部121a使用多个(例如N个)LSTM块B₁₁、B₁₂、…B_1N而构成。以后，作为LSTM块B₁₁、B₁₂、…B_1N的总称，有时使用LSTM块B₁。各LSTM块B₁₁、B₁₂、…B_1N的结构是具有输入门、输出门、以及遗忘门的一般的结构。作为一例，如图7所示，LSTM块B₁包括矩阵乘积运算部201a、201b、相加部201c、201d、201k、相乘部201j、201p、slice(切片)部201e、S型函数(Sigmoid function)部201f、201h、201i、tanh(双曲正切)部201g。由这些各部进行运算。相加部201c、201d、201k和相乘部201j、201p是每个矩阵要素的运算(哈达玛运算)。此外，图7中的Wh是对隐藏层赋予的权重，Wx是对输入值赋予的权重。

LSTM块B₁₁接收输入数据x₁的输入，并将表示与输入对应的输出的数据h₁和表示存储单元的数据c₁传递给下一LSTM块B₁₂。LSTM块B₁₂之后的块也相同地动作，第N个LSTM块B_1N接收数据x_N的输入，并将表示与输入对应的输出的数据h_N和表示存储单元的数据c_N传递给编码器部121a的外部(即解码器部121b)。

如图6所示，与上述的编码器部121a相同，实施方式的解码器部121b也基于LSTM构成。即，解码器部121b也使用多个(例如N个)LSTM块B₂₁、B₂₂、…B_2N而构成。与上述的LSTM块B₁₁、B₁₂、…B_1N相同，各LSTM块B₂₁、B₂₂、…B_2N的结构是具有输入门、输出门、以及遗忘门的一般的结构。

但是，与上述的编码器部121a不同，解码器部121b具有与LSTM块B₂₁、B₂₂、…B_2N对应的多个(例如N个)转换层L₁、L₂、…L_N。这些转换层L₁、L₂、…L_N分别将表示来自LSTM块B₂₁、B₂₂、…B_2N的输出的数据H₁、H₂…、H_N转换为与传感器信号对应的输出数据y₁、y₂、…y_N。在此，输出数据y＝(数据H)×(权重W)+(偏差b)。权重W和偏差(bias)b通过机器学习来求出。

LSTM块B₂₁接收来自编码器部121a的数据h_N和c_N的输入，将表示与输入对应的输出的数据H₁传递给转换层L₁，并且将该数据H₁和表示存储单元的数据C₁传递给下一LSTM块B₂₂。LSTM块B₂₂之后的块也同样地动作，第N个LSTM块B_2N将表示与输入对应的输出的数据H_N传递给转换层L_N。

这样，实施方式的车辆状态推定网络121基于递归神经网络构成，该递归神经网络由基于LSTM的Seq2Seq模型构成。更具体地，在实施方式中，作为执行应在LSTM块B₁₁、B₁₂、…B_1N、LSTM块B₂₁、B₂₂、…B_2N、转换层L₁、L₂、…L_N设定的权重W和偏差b的训练，以使上述的递归神经网络学习输入数据和输出数据的对应关系的结果，构成车辆状态推定网络121。此外，车辆状态推定网络121不限于上述。例如，车辆状态推定网络121除了上述以外，还可以进行Attention(注意力)、RNN(Recurrent Neural Network：递归神经网络)、双向LSTM、skip(跳跃)连接、Transformer(基于注意力机制的序列模型)等。

返回到图3，衰减控制部10c基于由车辆状态推定部10b推定的相对速度和车体速度中的至少一方(作为一例，两者)来控制减震器4b的衰减力。具体而言，衰减控制部10c确定输入到减震器4b的电流值并将该电流值输入到减震器4b。

接下来，参照图8说明控制装置10执行的车辆状态推定方法的一例。图8是示出第一实施方式的控制装置10执行的车辆状态推定方法的一例的流程图。此外，图8示出了作为输入数据使用了车轮速度数据的例子，但是输入数据不限于此。

如图8所示，首先，数据获取部10a获取车轮速度数据(步骤S1)。接下来，车辆状态推定部10b基于由数据获取部10a获取的车轮速度数据和车辆状态推定网络121，推定作为相对速度的行程速度和车体速度中的至少一方(作为一例，两者)(步骤S2)。

图9是示出基于第一实施方式的技术的行程速度的推定结果的一例的示例性且示意性的图。在图9中示出了利用本实施方式的技术来推定的行程速度(推定值)和实际测量的行程速度(真值)。在本实施方式中，能够推定对控制减震器4b的衰减力有效的、10Hz以上的波形的行程速度。

另外，本实施方式的控制装置10(衰减控制部10c)以如下方式控制减震器4b。即，控制装置10基于利用车辆状态推定网络121推定的相对速度和车体速度(簧上速度)来控制减震器4b的衰减力。更具体而言，控制装置10基于车体速度进行天棚(Skyhook)控制等公知的乘坐舒适性控制而获得目标衰减力。然后，控制装置10基于利用车辆状态推定网络121推定的相对速度和目标衰减力来计算减震器4b的目标衰减系数。接下来，控制装置10将与目标衰减系数对应的电流输入到减震器4b。

如上所述，在本实施方式中，控制装置10(车辆状态量推定装置)具有数据获取部10a和车辆状态推定部10b(车辆状态推定部)。数据获取部10a获取表示车辆1的车轮3的转速的车轮速度数据。车辆状态推定部10b利用进行了学习以根据车轮速度数据的输入来推定车辆1的车轮3在车辆1的上下方向上相对于车辆1的车体2的相对速度和、在车辆1的上下方向上的车体2的速度即车体速度中的至少一方的车辆状态推定网络121(神经网络)，推定与由数据获取部10a获取的车轮速度数据相应的相对速度(行程速度)和车体速度中的至少一方。

根据这样的结构，由于车辆状态推定部10b利用进行了学习以根据车轮速度数据的输入来推定车辆1的车轮3在车辆1的上下方向上相对于车辆1的车体2的相对速度和、车体2的速度即车体速度中的至少一方的车辆状态推定网络121(神经网络)，推定与由数据获取部10a获取的车轮速度数据相应的相对速度(行程速度)和车体速度中的至少一方，因此，能够提高车辆状态(相对速度和车体速度中的至少一方)的推定精度。另外，车辆状态推定网络121在学习时，将通信延迟引起的输入数据的输入延迟(时滞)也作为一个特征获取来学习。因此，在车辆状态推定网络121中，例如，不必为了抑制在车辆状态的推定中通信延迟的影响，而通过滤波器等来删除输入数据的一部分。因此，车辆状态推定网络121即使在与簧下的共振频率对应的时间间隔下也能够推定车辆状态。

另外，在本实施方式中，车辆状态推定网络121是LSTM。

另外，在本实施方式中，数据获取部10a获取表示车辆1的横摆率的横摆率数据。车辆状态推定网络121进行学习以根据车轮速度数据和横摆率数据的输入来推定相对速度和车体速度中的至少一方。车辆状态推定部10b利用车辆状态推定网络121，推定与由数据获取部10a获取的车轮速度数据和横摆率数据相应的相对速度和车体速度中的至少一方。

另外，在本实施方式中，车辆1具有减震器4b，该减震器4b介于车体2和车轮3之间，能够根据输入的电流来变更衰减力。数据获取部10a获取表示电流的值的电流值数据。车辆状态推定网络121进行学习以根据车轮速度数据和电流值数据的输入来推定相对速度和车体速度中的至少一方。车辆状态推定部10b利用车辆状态推定网络121，推定与由数据获取部10a获取的车轮速度数据和电流值数据相应的相对速度和车体速度中的至少一方。

另外，在本实施方式中，数据获取部10a获取表示车辆1的转向角度的转向角度数据。车辆状态推定网络121进行学习以根据车轮速度数据和转向角度数据的输入来推定相对速度和车体速度中的至少一方。车辆状态推定部10b利用车辆状态推定网络121，推定与由数据获取部10a获取的车轮速度数据和转向角度数据相应的相对速度和车体速度中的至少一方。

＜第二实施方式＞

图10是示出第二实施方式的车辆1的一例的概略结构的示意图。本实施方式与第一实施方式的不同之处在于，设置有加速度传感器6及控制装置10执行的处理。

在本实施方式中，作为一例，车辆1的车辆控制系统100具有控制装置10、转向装置11、转向角度传感器12、横摆率传感器13、制动系统61等。另外，车辆控制系统100具有与两个前轮3F分别对应的悬架装置4、旋转传感器5、加速度传感器6等，并且具有与两个后轮3R分别对应的悬架装置4、旋转传感器5、加速度传感器6等。

加速度传感器6与两个前轮3F和两个后轮3R分别对应地设置。即，加速度传感器6与四个车轮3和悬架装置4分别对应地设置于车体2。加速度传感器6检测车辆1中的车体2的加速度。详细而言，各加速度传感器6设置在车体2上的位于各车轮3的正上方(轮毂的正上方位置)的加速度检测对象部位。即，在本实施方式中，加速度检测对象部位为四个。在本实施方式中，作为一例，加速度传感器6能够获取车辆1的上下方向的加速度、车辆1的前后方向(长度方向)的加速度、车辆1的宽度方向(车宽方向、宽度方向、左右方向)的加速度。

并且，在本实施方式中，作为一例，控制装置10通过硬件和软件(程序)的协作，能够作为如图11所示的数据获取部10a、行程速度推定部10bA、衰减控制部10c等发挥功能(进行动作)。即，在程序中，作为一例，可以包括与图11所示的除了存储部10d之外的各块对应的模块。

数据获取部10a从各加速度传感器6获取表示车辆1的加速度的加速度数据。车辆1的加速度可以是任意方向的加速度。另外，车辆1的加速度可以是多个方向的加速度。即，车辆1的加速度可以是车辆1的前后方向的加速度、车辆1的左右方向的加速度、车辆1的上下方向的加速度中的一个或多个。另外，数据获取部10a从横摆率传感器13获取表示车辆1的横摆率的横摆率数据。另外，数据获取部10a从衰减控制部10c获取表示输入到减震器4b的电流的值的电流值数据。另外，数据获取部10a从转向角度传感器12获取表示车辆1的转向角度的转向角度数据。另外，数据获取部10a从旋转传感器5获取表示车轮3的转速的车轮速度数据。加速度数据是作为与车辆1的速度相关的数据的第一数据的一例。

作为一例，由数据获取部10a获取的规定的数据(以后也称为输入数据)输入到行程速度推定部10bA。行程速度推定部10bA利用行程速度推定网络121A，推定与输入数据相应的相对速度。输入数据至少包括加速度数据。另外，除了加速度数据以外，输入数据还可以包括横摆率数据、电流值数据、转向角度数据、以及车轮速度数据中的至少一种。此外，输入数据不限于上述的数据。

行程速度推定网络121A构成为预先进行了学习以根据输入数据的输入来推定车辆1的车轮3在车辆1的上下方向上相对于车辆1的车体2的相对速度的递归神经网络(RNN)。在行程速度推定网络121A学习时，输入数据是由数据获取部10a获取的上述的输入数据，作为教师数据的输出数据例如是利用相对速度传感器(未图示)测量的车辆1的车轮3相对于车辆1的车体2的相对速度的实测值(真值)。行程速度推定网络121A是第一神经网络的一例。

图12是示出第二实施方式的行程速度推定网络121A的结构的示例性且示意性的框图。

如图12所示，本实施方式的行程速度推定网络121A构成为Seq2Seq(Sequence toSequence：序列到序列)模型。更具体地，行程速度推定网络121A具有与第一实施方式的车辆状态推定网络121相同的结构、即编码器部121a和解码器部121b。

返回到图11，衰减控制部10c基于由行程速度推定部10bA推定的相对速度来控制减震器4b的衰减力。具体而言，衰减控制部10c确定输入到减震器4b的电流值并将该电流值输入到减震器4b。

接下来，参照图13说明控制装置10执行的相对速度推定方法的一例。图13是示出第二实施方式的控制装置10执行的相对速度推定方法的一例的流程图。此外，图13示出了作为输入数据使用加速度数据的例子，但是输入数据不限于此。

如图13所示，首先，数据获取部10a获取加速度数据(S11)。接下来，行程速度推定部10bA基于由数据获取部10a获取的加速度数据和行程速度推定网络121A，推定作为相对速度的行程速度(S12)。

图14是示出基于第二实施方式的技术的行程速度的推定结果的一例的示例性且示意性的图。在图14中示出了利用本实施方式的技术来推定的行程速度(推定值)和实际测量的行程速度(真值)。

图15是示出基于比较例的技术的行程速度的推定结果的一例的示例性且示意性的图。在图15中示出了利用比较例的技术来推定的行程速度(推定值)和实际测量的行程速度(真值)。比较例的技术基于所生成的运动方程式来推定行程速度。由图14和图15可知，本实施方式的技术与比较例的技术相比，推定的行程速度与实际测量的行程速度之间的误差较小。

图16是示出基于第二实施方式的技术的行程速度的推定误差的一例的示例性且示意性的图。图16的横轴表示学习次数，图16的纵轴表示相对速度相对于真值的推定误差。图16的线Q1表示在输入了与一个车轮3对应的上下方向的加速度的情况下的推定误差。图16的线Q2表示在输入了与四个车轮3对应的上下方向的加速度的情况下的推定误差。图16的线Q4表示在输入了与四个车轮3对应的上下方向的加速度和、与一个车轮3对应的前后方向及左右方向的加速度的情况下的推定误差。此外，图16的例子中的加速度是一个例子，输入的加速度不限于此。

图17是示出基于第二实施方式的技术的行程速度的推定误差的一例的示例性且示意性的图。在图17中，示出了与一个车轮(作为一例，前轮)对应的行程速度的推定误差。图17的横轴表示学习次数，图17的纵轴表示相对速度相对于真值的推定误差。图17的线Q5表示在输入了与一个车轮3对应的上下方向的加速度的情况下的推定误差。图17的线Q6表示在输入了与一个车轮3对应的上下方向的加速度和输入到一个车轮3的减震器4b的电流值的情况下的推定误差。图17的线Q7表示在输入了与四个车轮3对应的上下方向的加速度和输入到四个车轮3的减震器4b的电流值的情况下的推定误差。此外，图17的例子中的加速度是一个例子，输入的加速度不限于此。

另外，本实施方式的控制装置10(衰减控制部10c)以如下方式控制减震器4b。即，控制装置10基于利用行程速度推定网络121A推定的相对速度来控制减震器4b的衰减力。更具体而言，控制装置10通过对加速度传感器6的加速度数据进行积分来计算车体2的速度(以后也称为簧上速度)。接下来，基于车体2的速度进行天棚控制等公知的乘坐舒适性控制而获得目标衰减力。然后，控制装置10基于利用行程速度推定网络121A推定的相对速度和目标衰减力来计算减震器4b的目标衰减系数。接下来，控制装置10将与目标衰减系数对应的电流输入到减震器4b。

如上所述，在本实施方式中，控制装置10(车辆状态量推定装置)具有数据获取部10a和行程速度推定部10bA(相对速度推定部、车辆状态推定部)。数据获取部10a获取表示车辆1的加速度的加速度数据。行程速度推定部10bA利用进行了学习以根据加速度数据的输入来推定车辆1的车轮3在车辆1的上下方向上相对于车辆1的车体2的相对速度的行程速度推定网络121A(第一神经网络)，推定与由数据获取部10a获取的加速度数据相应的相对速度(行程速度)。

根据这样的结构，由于行程速度推定部10bA利用进行了学习以根据加速度数据的输入来推定车辆1的车轮3在车辆1的上下方向上相对于车辆1的车体2的相对速度的行程速度推定网络121A，推定与由数据获取部10a获取的加速度数据相应的相对速度，因此，能够提高车轮3相对于车体2的相对速度的推定精度。

另外，在本实施方式中，行程速度推定网络121A是LSTM。

根据这样的结构，能够提高车轮3相对于车体2的相对速度的推定精度。

另外，在本实施方式中，数据获取部10a获取表示车辆1的横摆率的横摆率数据。行程速度推定网络121A进行学习以根据加速度数据和横摆率数据的输入来推定相对速度。行程速度推定部10bA利用行程速度推定网络121A，推定与由数据获取部10a获取的加速度数据和横摆率数据相应的相对速度。

根据这样的结构，能够进一步提高车轮3相对于车体2的相对速度的推定精度。

另外，在本实施方式中，车辆1具有减震器4b，该减震器4b介于车体2和车轮3之间，能够根据输入的电流来变更衰减力。数据获取部10a获取表示电流的值的电流值数据。行程速度推定网络121A进行学习以根据加速度数据和电流值数据的输入来推定相对速度。行程速度推定部10bA利用行程速度推定网络121A，推定与由数据获取部10a获取的加速度数据和电流值数据相应的相对速度。

另外，在本实施方式中，数据获取部10a获取表示车辆1的转向角度的转向角度数据。行程速度推定网络121A进行学习以根据加速度数据和转向角度数据的输入来推定相对速度。行程速度推定部10bA利用行程速度推定网络121A，推定与由数据获取部10a获取的加速度数据和转向角度数据相应的相对速度。

另外，在本实施方式中，数据获取部10a获取表示车轮3的转速的车轮速度数据。行程速度推定网络121A进行学习以根据加速度数据和车轮速度数据的输入来推定相对速度。行程速度推定部10bA利用行程速度推定网络121A，推定与由数据获取部10a获取的加速度数据和车轮速度数据相应的相对速度。

此外，在上述实施方式中，示出了在四个车轮3每一个分别设置有一个加速度传感器6的例子，但是加速度传感器6的数量和搭载位置不限于此。例如，加速度传感器6也可以仅搭载在四个车轮3中的除了规定的一个车轮(例如左后轮3R)以外的三个车轮。在该情况下，例如，可以假设车体2为刚性体，根据设置在三个车轮的加速度传感器6的输出值，几何学地推定没有设置加速度传感器6的一个车轮的加速度。另外，加速度传感器6优选搭载于车轮3的正上方(轮毂的正上方位置)，但是在加速度传感器6搭载于从车轮3的正上方稍微离开的位置的情况下，也可以同样地根据加速度传感器6的输出值推定车轮3的正上方的加速度。

＜第三实施方式＞

图18是示出第三实施方式的车辆1的一例的概略结构的示意图。本实施方式与第二实施方式的不同之处在于，加速度传感器6的数量和控制装置10执行的处理。

如图18所示，加速度传感器6仅设置在四个车轮3中的三个车轮。作为一例，加速度传感器6设置在左右两个前轮3F和左后轮3L。即，在右后轮3R没有设置加速度传感器6。即，在本实施方式中，加速度传感器6仅设置在车体2上的位于各车轮3的正上方(轮毂的正上方位置)的四个加速度检测对象部位中的三个加速度检测对象部位。加速度传感器6检测加速度检测对象部位的实际的加速度、即实际加速度。此外，车体的加速度也被称为簧上加速度。即，加速度传感器6检测簧上加速度。

图19是第三实施方式的车辆1的一例的控制装置10的功能框图。如图19所示，数据获取部10a具有获取部10aa和推定部10ab。

获取部10aa从加速度传感器6获取表示加速度检测对象部位的实际加速度的实际加速度数据。

由获取部10aa获取的加速度传感器6的三个加速度检测对象部位的实际加速度数据输入到推定部10ab。推定部10ab利用簧上加速度推定网络122(第二神经网络)，推定与输入的三个加速度检测对象部位的实际加速度数据相应的所有(作为一例，四个)加速度检测对象部位的实际加速度。

如图19所示，除了行程速度推定网络121A以外，在存储部10d还存储有簧上加速度推定网络122。

图20是示出第三实施方式的行程速度推定网络121A和簧上加速度推定网络122的结构的示例性且示意性的框图。

簧上加速度推定网络122构成为预先进行了学习以根据多个加速度检测对象部位中的一部分(作为一例，三个)加速度检测对象部位的实际加速度数据(输入数据)的输入来推定所有(作为一例，四个)加速度检测对象部位的实际加速度数据(输出)的递归神经网络(RNN)。在行程速度推定网络121A学习时，输入数据是多个加速度检测对象部位中的一部分(作为一例，三个)加速度检测对象部位的实际加速度数据。另外，在该学习中，作为教师数据的输出数据是，在多个加速度检测对象部位均设置有加速度传感器6情况下的各加速度传感器6检测的加速度检测对象部位的实际加速度。此外，在行程速度推定网络121A学习时的车辆1(作为一例，学习用测试车)和实际使用簧上加速度推定网络122的车辆1(作为一例，量产车)中，各加速度传感器6相对于车体2的安装可以不同。例如，与实际使用簧上加速度推定网络122的车辆1相比，在行程速度推定网络121A学习时的车辆1中，各加速度传感器6可以更牢固地安装在车体2。例如，这通过使将加速度传感器6安装到车体2的托架等的刚性相对较高来实现。由此，在学习时抑制加速度传感器6的振动，能够进一步提高加速度的检测精度。簧上加速度推定网络122是神经网络和第二神经网络的一例。

与行程速度推定网络121A相同，簧上加速度推定网络122构成为Seq2Seq模型。更具体而言，与行程速度推定网络121A相同，簧上加速度推定网络122具有：编码器部121a，接收输入数据的输入并执行编码处理；以及解码器部121b，基于编码器部121a的编码器结果来执行解码处理，输出执行了解码处理的数据。

数据获取部10a推定的加速度数据输入到行程速度推定部10bA。行程速度推定部10bA将由数据获取部10a推定的加速度数据作为输入数据，通过行程速度推定网络121A来推定相对速度、即行程速度。

图21是示出基于第三实施方式的技术的簧上加速度的推定结果的一例的示例性且示意性的图。在图21中示出了利用第三实施方式的技术来推定的簧上加速度(推定值)和实际测量的簧上加速度(真值)。

图22是示出基于比较例的技术的簧上加速度的推定结果的一例的示例性且示意性的图。在图22中示出了利用比较例的技术来推定的簧上加速度(推定值)和实际测量的簧上加速度(真值)。比较例的技术是根据设置有加速度传感器6的加速度检测对象部位的加速度，几何学地求出没有设置加速度传感器6的加速度检测对象部位的加速度的例子。由图21和图22可知，本实施方式的技术与比较例的技术相比，推定的簧上加速度与实际测量的簧上加速度之间的误差较小。

如上所述，在本实施方式中，数据获取部10a具有获取部10aa和推定部10ab。获取部10aa从仅设置在车辆1上的彼此位置不同的多个加速度检测对象部位中的一部分的加速度传感器6，获取表示加速度检测对象部位的实际的加速度、即实际加速度的实际加速度数据。推定部10ab利用进行了学习以根据实际加速度数据的输入来推定在多个加速度检测对象部位均设置有加速度传感器的情况下的各加速度传感器检测的加速度检测对象部位的实际加速度的簧上加速度推定网络122(第二神经网络)，推定与实际加速度数据的输入相应的多个加速度检测对象部位的全部的实际加速度。

根据这样的结构，由于推定部10ab利用簧上加速度推定网络122，推定包括没有设置加速度传感器6的部位在内的多个加速度检测对象部位的全部的实际加速度，因此能够提高加速度数据的精度。因此，能够进一步提高车轮相对于车体的相对速度的推定精度。

此外，推定部10ab也可以利用簧上加速度推定网络122，仅推定多个加速度检测对象部位中没有设置加速度传感器6的加速度检测对象部位的实际加速度。另外，推定部10ab也可以利用簧上加速度推定网络122，推定多个加速度检测对象部位中至少没有设置加速度传感器6的加速度检测对象部位的实际加速度。在这些情况下，未通过推定部10ab进行实际加速度的推定的加速度检测对象部位的实际加速度，可以由获取部10aa从加速度传感器6获取，并输入到行程速度推定部10bA。

对本发明中的实施方式和变形例进行了说明，但这些仅是示例性的，并不意图限定发明的范围。这些新的实施方式能够以其他各种方式实施，并且在不脱离发明的主旨的范围内可以进行各种省略、替换、变更。这些实施方式及其变形包含在发明的范围和主旨中，并且包含在权利要求书所记载的发明及其等同范围内。

附图标记说明

1：车辆

2：车体

3：车轮

4b：减震器

10：控制装置(车辆状态量推定装置)

10a：数据获取部

10aa：获取部

10ab：推定部

10b：车辆状态推定部

10bA：行程速度推定部(相对速度推定部)

121：车辆状态推定网络(第一神经网络)

121A：行程速度推定网络(第一神经网络)

122：簧上加速度推定网络(神经网络、第二神经网络)

Claims

1.一种车辆状态量推定装置，其中，包括：

数据获取部，获取与车辆的速度相关的数据即第一数据；以及

车辆状态推定部，利用进行了学习以根据所述第一数据的输入来推定所述车辆的车轮在所述车辆的上下方向上相对于所述车辆的车体的相对速度和在所述上下方向上的所述车体的速度即车体速度中的至少一方的第一神经网络，推定与由所述数据获取部获取的所述第一数据相应的所述相对速度和所述车体速度中的至少一方。

2.根据权利要求1所述的车辆状态量推定装置，其中，

所述第一数据是表示所述车轮的转速的车轮速度数据。

3.根据权利要求2所述的车辆状态量推定装置，其中，

所述数据获取部获取表示所述车辆的横摆率的横摆率数据，

所述第一神经网络进行学习以根据所述车轮速度数据和所述横摆率的输入来推定所述相对速度和所述车体速度中的至少一方，

所述车辆状态推定部利用所述第一神经网络，推定与由所述数据获取部获取的所述车轮速度数据和所述横摆率数据相应的所述相对速度和所述车体速度中的至少一方。

4.根据权利要求2所述的车辆状态量推定装置，其中，

所述车辆具有减震器，所述减震器介于所述车体和所述车轮之间，能够根据输入的电流来变更衰减力，

所述数据获取部获取表示所述电流的值的电流值数据，

所述第一神经网络进行学习以根据所述车轮速度数据和所述电流值数据的输入来推定所述相对速度和所述车体速度中的至少一方，

所述车辆状态推定部利用所述第一神经网络，推定与由所述数据获取部获取的所述车轮速度数据和所述电流值数据相应的所述相对速度和所述车体速度中的至少一方。

5.根据权利要求2所述的车辆状态量推定装置，其中，

所述数据获取部获取表示所述车辆的转向角度的转向角度数据，

所述第一神经网络进行学习以根据所述车轮速度数据和所述转向角度数据的输入来推定所述相对速度和所述车体速度中的至少一方，

所述车辆状态推定部利用所述第一神经网络，推定与由所述数据获取部获取的所述车轮速度数据和所述转向角度数据相应的所述相对速度和所述车体速度中的至少一方。

6.根据权利要求1所述的车辆状态量推定装置，其中，

所述第一数据是表示所述车辆的加速度的加速度数据，

所述第一神经网络进行学习以推定所述相对速度，

所述车辆状态推定部利用所述第一神经网络，推定与由所述数据获取部获取的所述加速度数据相应的所述相对速度。

7.根据权利要求6所述的车辆状态量推定装置，其中，

所述数据获取部获取表示所述车辆的横摆率的横摆率数据，

所述第一神经网络进行学习以根据所述加速度数据和所述横摆率数据的输入来推定所述相对速度，

所述车辆状态推定部利用所述第一神经网络，推定与由所述数据获取部获取的所述加速度数据和所述横摆率数据相应的所述相对速度。

8.根据权利要求6所述的车辆状态量推定装置，其中，

所述数据获取部获取表示所述电流的值的电流值数据，

所述第一神经网络进行学习以根据所述加速度数据和所述电流值数据的输入来推定所述相对速度，

所述车辆状态推定部利用所述第一神经网络，推定与由所述数据获取部获取的所述加速度数据和所述电流值数据相应的所述相对速度。

9.根据权利要求6所述的车辆状态量推定装置，其中，

所述第一神经网络进行学习以根据所述加速度数据和所述转向角度数据的输入来推定所述相对速度，

所述车辆状态推定部利用所述第一神经网络，推定与由所述数据获取部获取的所述加速度数据和所述转向角度数据相应的所述相对速度。

10.根据权利要求6所述的车辆状态量推定装置，其中，

所述数据获取部获取表示所述车轮的转速的车轮速度数据，

所述第一神经网络进行学习以根据所述加速度数据和所述车轮速度数据的输入来推定所述相对速度，

所述车辆状态推定部利用所述第一神经网络，推定与由所述数据获取部获取的所述加速度数据和所述车轮速度数据相应的所述相对速度。

11.根据权利要求6至10中任一项所述的车辆状态量推定装置，其中，

所述数据获取部包括：

获取部，从仅设置在车辆上的彼此位置不同的多个加速度检测对象部位中的一部分的加速度传感器，获取表示所述加速度检测对象部位的实际的加速度即实际加速度的实际加速度数据；以及

推定部，利用进行了学习以根据所述实际加速度数据的输入来推定在多个所述加速度检测对象部位均设置有所述加速度传感器的情况下的各所述加速度传感器检测的所述加速度检测对象部位的所述实际加速度的第二神经网络，推定与所述实际加速度数据的输入相应的多个所述加速度检测对象部位的全部的所述实际加速度。

12.根据权利要求1至11中任一项所述的车辆状态量推定装置，其中，

所述第一神经网络是长短期记忆网络。

13.一种车辆状态量推定装置，其中，包括：

推定部，利用进行了学习以根据所述实际加速度数据的输入来推定在多个所述加速度检测对象部位均设置有所述加速度传感器的情况下的各所述加速度传感器检测的所述加速度检测对象部位的所述实际加速度的神经网络，推定与所述实际加速度数据的输入相应的多个所述加速度检测对象部位的全部的所述实际加速度。