JP2007022169A - 車両制御装置およびカント状態判定方法 - Google Patents

Abstract

【課題】 車両の走行路のカント状態を精度よく速やかに判定可能とする車両制御装置およびカント状態判定方法の提供。
【解決手段】 車両１は、車速Ｖを検出するための車輪速センサ２５と、車両１の横加速度Ｇを検出する横Ｇセンサ２６と、車両１の操舵状態を検出するための操舵角センサ２１および操舵トルクセンサ２２と、少なくとも車両１の走行レーンを示す情報を含む走行環境情報を取得するためのナビゲーションシステム２８と、検出された車速Ｖ、横加速度Ｇ、操舵状態および走行環境情報と、少なくとも車両１の走行レーンに関連付けられた教師信号とに基づいて車両１の走行路のカント状態を学習すると共に、車速Ｖ、横加速度Ｇ、操舵状態および走行環境情報に基づいて学習結果を用いたニューラルネットワーク演算を行い、車両１の走行路のカント状態を判定するカント状態判定部を含む操舵ＥＣＵ２０とを備える。
【選択図】 図１

Description

本発明は、ニューラルネットワークを利用した車両制御装置およびカント状態判定方法に関する。

従来から、車両の走行路の車幅方向における傾斜状態であるカント状態を判定する装置として、ニューラルネットワークを利用したものが知られている（例えば、特許文献１参照。）。この装置は、車両の車速、横加速度、およびハンドルの操作状態に基づいて走行路のカント状態を学習し、学習結果を用いたニューラルネットワーク演算により、車速、車両の横加速度およびハンドルの操作状態に基づいて路面のカント状態を判定する。また、従来から、ドライバの操舵操作を妨げることなく、走行レーンの基準位置からの車両の横ずれ量や路面のカント状態に応じて適切な制御トルクを操舵アクチュエータに発生させ、それにより走行レーンの逸脱を回避する装置も知られている（例えば、特許文献２参照。）。この装置では、車速や操舵角等に基づいて算出される計算横加速度と、横加速度の実測値との偏差である横加速度偏差がカント状態を示すものとして用いられる。なお、複数の走行レーンのうち、自車両が位置する走行レーンを認識するための手段は、例えば次の特許文献３により開示されている。
特開平０５−２３８４０２号公報 特開平１１−０７３５９６号公報 特開平１１−３２１３７７号公報

近年では、特に米国において、走行路のカントに起因して本来直進すべきはずの車両が偏向しがちになる、いわゆる車両流れを抑制することが求められている。このためには、走行路のカント状態を適正に把握することが重要となるが、上述のニューラルネットワークを用いた場合、カント状態の判定に時間を要し、車両の偏向を速やかに抑制することが困難こともあり得る。また、車両の横加速度等に基づいて走行路のカント状態を推定しても、走行路のカント状態を精度よく得ることは困難である。

そこで、本発明は、車両の走行路のカント状態を精度よく速やかに判定可能とする車両制御装置およびカント状態判定方法の提供を目的とする。

本発明による車両制御装置は、車両の走行状態を制御するための車両制御装置であって、車両の車速を検出する車速検出手段と、車両の横加速度を検出する横加速度検出手段と、車両の操舵状態を検出する操舵状態検出手段と、少なくとも車両の走行レーンを示す情報を含む走行環境情報を取得する環境情報取得手段と、各手段により検出された車速、横加速度、操舵状態および走行環境情報と、少なくとも車両の走行レーンに関連付けられた教師信号とに基づいて車両の走行路のカント状態を学習すると共に、車速、横加速度、操舵状態および走行環境情報に基づいて学習結果を用いたニューラルネットワーク演算を行い、車両の走行路のカント状態を判定するカント状態判定手段とを備えることを特徴とする。

この車両制御装置のカント状態判定手段は、ニューラルネットワークとして構成されており、車速、横加速度、操舵状態および少なくとも車両の走行レーン情報を含む走行環境情報と、少なくとも車両の走行レーンに関連付けられた教師信号とに基づいて車両の走行路のカント状態を誤差逆伝搬学習（バックプロパゲーション学習）する。そして、このカント状態判定手段は、車両の走行中に車速、横加速度、操舵状態および少なくとも車両の走行レーン情報を含む走行環境情報が与えられると、これらのデータに基づいて上記誤差逆伝搬学習の結果を用いたニューラルネットワーク演算を行い、走行路のカント状態の判定結果を出力する。

ここで、一般に、各種道路については走行レーンごとにカント角が概ね判明している。従って、ニューラルネットワークの学習に際して、車両の走行レーンをも考慮することにより、誤差逆伝搬学習時の学習精度を向上させることができる。そして、このように高精度な学習を実行しておくことにより、車両が何れのレーンを走行していたとしても、また、レーン変更がなされたとしても、ニューラルネットワーク演算に際して走行路のカント状態を精度よく速やかに判定することが可能となる。

また、教師信号は、車両の走行レーンに応じて変化させられると好ましい。

この態様によれば、誤差逆伝搬学習時の学習精度と、ニューラルネットワーク演算に際しての演算精度および演算速度とを極めて良好に向上させることが可能となる。

更に、本発明による車両制御装置は、カント状態判定手段の判定結果に基づいて、車両が直進する際の偏向を抑制するための制御量を算出する車両偏向抑制手段を更に備えると好ましい。

この態様によれば、カント状態判定手段によって精度よく判定された走行路のカント状態から、走行路のカントに起因する車両の偏向を抑制するための制御量を精度よく算出することができるので、車両が何れのレーンを走行していたとしても、また、車両の走行中にレーン変更がなされたとしても、その都度、車両の偏向を良好に抑制することが可能となる。

また、車両偏向抑制手段は、カント状態判定手段の判定結果に基づいて、車両に設けられている操舵装置の補助操舵量を制御量として算出すると好ましい。

更に、車両偏向抑制手段は、カント状態判定手段の判定結果に基づいて、車両の各車輪位置における目標車高を制御量として算出するものであってもよい。

本発明によるカント状態判定方法は、車両の走行路のカント状態を判定するカント状態判定方法であって、車両の車速、横加速度、操舵状態、および少なくとも車両の走行レーン情報を含む走行環境情報と、少なくとも車両の走行レーンに関連付けられた教師信号とをニューラルネットワークに与えて車両の走行路のカント状態を学習させる学習ステップと、ニューラルネットワークに車両の車速、横加速度、操舵状態および走行環境情報を与えて学習結果を用いたニューラルネットワーク演算を実行させることにより車両の走行路のカント状態を判定する判定ステップとを含み、学習ステップでは、車両の走行レーンに応じて教師信号を変化させるものである。

本発明によれば、車両の走行路のカント状態を精度よく速やかに判定することが可能となる。

以下、図面を参照しながら、本発明を実施するための最良の形態について詳細に説明する。

〔第１実施形態〕
図１は、本発明の第１実施形態に係る車両制御装置を備えた車両の要部を示す概略構成図である。同図に示されるように、車両１は、本実施形態では前輪である左右一対の操舵輪２Ｌ，２Ｒまたは図示されない後輪を駆動するための内燃機関、電気モータ、あるいはこれらを組み合わせたハイブリッド動力ユニットといった駆動源（図示省略）を有すると共に、左側の操舵輪２Ｌおよび右側の操舵輪２Ｒを操舵するための車両操舵装置１０を含む。操舵輪２Ｌ，２Ｒは、それぞれホイールとタイヤとを含み、各操舵輪２Ｌ，２Ｒのホイールは、ブレーキユニットを構成するディスクロータ３を介してナックル４により支持されている。ナックル４には、ナックルアーム５が一体化または連結されており、ナックル４は、車両１の懸架装置を構成するストラットバーやロワアーム等を介して車体に対して支持されている。また、各操舵輪２Ｌおよび２Ｒのホイールの内部には、ディスクロータ３を介して各操舵輪２Ｌおよび２Ｒに制動力を付与するためのブレーキキャリパ６が配置されている。

一方、車両１の車両操舵装置１０は、ドライバーによって操作される操舵ハンドル１１を含む。操舵ハンドル１１は、ステアリングシャフト１２の一端に固定されており、ステアリングシャフト１２の他端は、操舵ギヤボックス１４に連結されている。操舵ギヤボックス１４は、ステアリングシャフト１２の端部に固定される図示されないピニオンギヤと、このピニオンギヤと噛合する操舵ロッドとしてのラック１５とを含み、ステアリングシャフト１２の回転運動をラック１５の左右の直線運動に変換する操舵角伝達機構として機能する。また、ステアリングシャフト１２には、操舵ハンドル１１と操舵ギヤボックス１４との間位置するように、伝達比可変機構（ＶＧＲＳ）１６が組み込まれている。この伝達比可変機構１６は、操舵ハンドル１１の操舵角に対する操舵輪２Ｌおよび２Ｒの転舵角の比である伝達比を変化させる機能を有するものであり、この伝達比を変化させるための駆動源としてのＤＣモータを主構成要素とするアクチュエータ１６ａと、減速機（差動装置）１６ｂとを含む。

そして、車両操舵装置１０は、いわゆる電動パワーステアリングユニットとして構成されており、ドライバーの操作とは独立にラック１５（操舵ロッド）にトルクを付与可能であってラック１５の直線運動をアシストする電動アシストユニット（トルク付与手段）１７を有している。本実施形態において、電動アシストユニット１７は、伝達比可変機構１６よりも下流側、すなわち操舵輪２Ｌ側に設けられている。

電動アシストユニット１７は、ステータおよびロータを含むモータ１８を有し、例えば、いわゆるボールスクリュ式のアシストユニットとして構成される。本実施形態では、モータ１８のロータに、図示されないボールねじナットが固定されており、このボールネジナットと、何れも図示されないボールおよびラック１５の一端側（本実施形態では、操舵輪２Ｌ側）に形成されたねじ溝とを介してモータ１８からラック１５にトルクが伝達されることになる。なお、電動アシストユニット１７は、上述のようなラックアシスト式のものに限られず、ピニオンアシスト式あるいはコラムアシスト式のものであってもよい。

電動アシストユニット１７から延出するラック１５の端部は、タイロッド１９を介して、左側の操舵輪２Ｌのナックルアーム５に連結される。また、操舵ギヤボックス１４から操舵輪２Ｒ側に延出するラック１５の端部は、タイロッド１９を介して、右側の操舵輪２Ｒのナックルアーム５に連結される。

上述のように構成される車両操舵装置１０は、図１に示されるように、本発明による車両制御装置としての操舵用電子制御ユニット（以下「操舵ＥＣＵ」という）２０によって制御される。すなわち、車両操舵装置１０に含まれる伝達比可変機構１６や電動アシストユニット１７は、それぞれ操舵ＥＣＵ２０によって制御される。操舵ＥＣＵ２０は、各種演算処理を実行するＣＰＵ、各種制御プログラムを格納するＲＯＭ、データ格納やプログラム実行のためのワークエリアとして利用されるＲＡＭ、入出力インターフェース、データを書き換え可能な記憶装置等を備えるものである。

そして、操舵ＥＣＵ２０の入出力インターフェースには、操舵角センサ２１、操舵トルクセンサ２２、作動角センサ２３、ＥＰＳトルクセンサ２４、車輪速センサ２５、横Ｇセンサ２６、ヨーレートセンサ２７およびナビゲーションシステム２８が接続されている。操舵角センサ２１は、操舵ハンドル１１の操舵角θｆを検知し、検知した値を示す信号を操舵ＥＣＵ２０に与える。操舵トルクセンサ２２は、ドライバーから操舵ハンドル１１に付与された操舵トルクＴを検知し、検知した値を示す信号を操舵ＥＣＵ２０に与える。作動角センサ２３は、伝達比可変機構１６が作動したことによる操舵角の変化分（増加分）を検知し、検知した値を示す信号を操舵ＥＣＵ２０に与える。

ＥＰＳトルクセンサ２４は、電動アシストユニット１７によるアシストトルクを検知し、検知した値を示す信号を操舵ＥＣＵ２０に与える。車輪速センサ２５は、操舵輪２Ｌ，２Ｒを含むすべての車輪に備えられている。各車輪速センサ２５は、対応する車輪の回転速度を検知し、それぞれ検知した値を示す信号を操舵ＥＣＵ２０に与える。横Ｇセンサ２６は、車両１に作用する横方向すなわち車幅方向における横方向加速度Ｇを検知し、検知した値を示す信号を操舵ＥＣＵ２０に与える。ヨーレートセンサ２７は、車両１の鉛直軸回りの回転角速度（ヨーレート）δを検知し、検知した値を示す信号を操舵ＥＣＵ２０に与える。ナビゲーションシステム２８は、車両１の走行中に、車両の走行環境を示す情報を取得し、取得した情報を操舵ＥＣＵ２０に与える。ナビゲーションシステム２８により取得される情報には、少なくとも車両１が走行している走行レーンを示す情報が含まれる。操舵ＥＣＵ２０は、各センサ２１〜２７およびナビゲーションシステム２８等からの信号に基づいて、伝達比可変機構１６および電動アシストユニット１７を制御する。なお、横加速度Ｇ、操舵角θｆ、操舵トルクＴ、およびヨーレートδは、右方向を正とし、かつ左方向を負とする。

上述の車両操舵装置１０を備えた車両１では、ドライバーによって操舵ハンドル１１が操作されると、操舵トルクセンサ２２によって検出される操舵トルクＴや車輪速センサ２５の検出値から定まる車速Ｖに応じたアシストトルクが定められる。すなわち、操舵ＥＣＵ２０は、操舵ハンドル１１が操作されると、予め定められたマップを用いてドライバーによる操舵トルクＴと車両１の車速Ｖとに応じた電動アシストユニット１７によるアシストトルクを定め、ＥＰＳトルクセンサ２４の検出値が当該アシストトルクと一致するように電動アシストユニット１７を制御する。これにより、車両１では、ドライバーの操舵負担を軽減すると共に、滑らかで応答性の高い操舵感をドライバーに与えることが可能となる。

また、車両１では、操舵ＥＣＵ２０により、例えば各車輪速センサ２５の検出値から求められる車両１の車速Ｖに応じた操舵角と転舵角との伝達比が定められ、当該伝達比が実現されるように伝達比可変機構１６が制御される。これにより、一対の操舵輪２Ｌおよび２Ｒの転舵角が伝達比可変機構１６によって設定されることになり、低速走行時の取り回し性や、中高速走行時の操舵安定性を良好に確保することが可能となる。

ところで、上述のような車両操舵装置１０を備えた車両１の走行中、路面状況やサスペンションの設定等に起因して、本来直進すべきはずの車両１が偏向しがちになることがある。例えば、車両１の走行路が車幅方向において概ね一様に傾斜するカント路である場合、直進状態における偏向（いわゆる車両流れ）が発生し易い。このような場合、ドライバーが操舵ハンドル１１を介して操舵トルクを加えれば、車両は直進状態に保たれることになるが、これでは、ドライバーの操舵負担が大きくなり、快適な運転環境を提供し得なくなるおそれがある。

このため、車両１の操舵ＥＣＵ２０には、走行路のカント状態を判定するためのニューラルネットワークＮＮを含むカント状態判定部３０と、ニューラルネットワークＮＮの学習に際して利用される減算器３５と、カント状態判定部３０の判定結果に基づいて車両１が直進する際の偏向を抑制するための制御量を算出する演算処理部４０とが含まれている。本実施形態において、演算処理部４０は、カント状態判定部３０の判定結果に基づいて、車両操舵装置１０の補助操舵量を制御量として算出する。

図２は、操舵ＥＣＵ２０のカント状態判定部３０を示す機能ブロック図である。同図に示されるように、カント状態判定部３０は、平均演算器３１−１，３１−２，３１−３，３１−４，３１−５および３１−６を含む。平均演算器３１−１〜３１−６は、それぞれ車輪速センサ２５、横Ｇセンサ２６、操舵角センサ２１、操舵トルクセンサ２２、ヨーレートセンサ２７、ナビゲーションシステム２８に対応しており、それぞれ、対応するセンサ等からの車速Ｖ、横加速度Ｇ、操舵角θｆ、操舵トルクＴ、ヨーレートδおよび走行レーン情報Ｌの平均値Ｖ_ＡＶ，Ｇ_ＡＶ，θｆ_ＡＶ，Ｔ_ＡＶ，δ_ＡＶ，Ｌ_ＡＶを算出する。そして、平均演算器３１−１〜３１−６は、それぞれ算出した平均値Ｖ_ＡＶ，Ｇ_ＡＶ，θｆ_ＡＶ，Ｔ_ＡＶ，δ_ＡＶ，Ｌ_ＡＶをニューラルネットワークＮＮの入力層３２を構成する入力ユニット３２−１，３２−２，３２−３，３２−４，３２−５，３２−６のうちの対応するものに入力データＩＤ_１〜ＩＤ_６として与える。

ニューラルネットワークＮＮは、入力ユニット３２−１〜３２−６により構成される入力層３２と、中間ユニット３３−１〜３３−ｍにより構成される中間層３３と、単一の出力ユニットにより構成される出力層３４とを含む。出力層３４は、図２に示されるように、減算器３５および演算処理部４０に接続されている。そして、入力データＩＤｉ（ｉ＝１〜６）と、各入力層の出力値Ｘｉ（ｉ＝１〜６）と、各中間ユニット３３−１〜３３−ｍの出力値Ｙｊ（ｊ＝１〜ｍ）および出力層３４の出力値Ｚとは、それぞれ次の（１）〜（３）式により定義される。

（１）〜（３）式における結合係数ω０ｉ，ω１ｉｊ，ω２ｊおよび閾値θ０ｉ，θ１ｊ，θ２はニューラルネットワークＮＮの学習結果を表す定数であり、関数ｆ（ｘ）はステップ状関数、シグモイド関数等の関数である。これらの結合係数ω０ｉ，ω１ｉｊ，ω２ｊ、閾値θ０ｉ，θ１ｊ，θ２および関数ｆ（ｘ）は、操舵ＥＣＵ２０の記憶装置に記憶される。カント状態判定部３０は、走行路のカント状態を学習する学習モード、および、学習モードで得た学習結果を用いて走行路のカント状態を判定する判定モードのもとで動作する。

学習モードにおいては、車両１を平坦路やカント路で走行させ、カント状態判定部３０のニューラルネットワークＮＮに路面状態を学習させながら、学習結果を結合係数ω０ｉ，ω１ｉｊ，ω２ｊおよび閾値θ０ｉ，θ１ｊ，θ２として記憶装置に記憶させる。平坦路における学習に際しては、車両１を平坦路で走行させながら、車速Ｖ、横加速度Ｇ、操舵角θｆ、操舵トルクＴおよびヨーレートδの平均値Ｖ_ＡＶ，Ｇ_ＡＶ，θｆ_ＡＶ，Ｔ_ＡＶ，δ_ＡＶをニューラルネットワークＮＮの入力層３２に与えると共に、教師信号として、平坦路を示す値を減算器３５に与える。そして、図２に示されるように、教師信号に示される値とと出力層３４からの出力値Ｚとの偏差ΔｅをニューラルネットワークＮＮにフィードバックし、偏差Δｅが最小になるように、バックプロパゲーション法を用いて各結合係数ω０ｉ，ω１ｉｊ，ω２ｊおよび各閾値θ０ｉ，θ１ｊ，θ２を順次更新・記憶させる。

一方、カント路に関しては、複数車線道路では走行レーンごとに路面のカント状態が異なっていることを踏まえて、次のような手順でニューラルネットワークＮＮの学習が実行される。ここでは、図３に例示される３車線道路にて車両１を走行させて路面のカント状態を学習させる例について説明する。図３に示されるように、３車線道路の右レーンのカント角＝θｒ（例えばθｒ＝＋２°）であり、中央レーンのカント角＝θｃ（例えばθｃ＝＋１°）であり、左レーンのカント角＝θｌ（例えばθｌ＝−１°）であるものとする。ただし、カント角は、路面が右下がりである場合を正とする。

この場合、車両１を３車線道路の各レーンを走行させ、カント状態判定部３０のニューラルネットワークＮＮに路面状態を学習させながら、学習結果を結合係数ω０ｉ，ω１ｉｊ，ω２ｊおよび閾値θ０ｉ，θ１ｊ，θ２として記憶装置に記憶させていく。車両１を右レーンで走行させた場合、車速Ｖ、横加速度Ｇ、操舵角θｆ、操舵トルクＴ、ヨーレートδおよび走行レーン情報Ｌの平均値Ｖ_ＡＶ，Ｇ_ＡＶ，θｆ_ＡＶ，Ｔ_ＡＶ，δ_ＡＶ，Ｌ_ＡＶをニューラルネットワークＮＮの入力層３２に与える。この際、走行レーン情報Ｌとしては、右レーンを示す値が連続的に入力層３２に与えられることになる。また、教師信号としては、右レーンのカント角θｒを示す値が減算器３５に与えられる。そして、教師信号に示される値と出力層３４からの出力値Ｚとの偏差ΔｅをニューラルネットワークＮＮにフィードバックし、偏差Δｅが最小になるように、バックプロパゲーション法を用いて各結合係数ω０ｉ，ω１ｉｊ，ω２ｊおよび各閾値θ０ｉ，θ１ｊ，θ２を順次更新・記憶させる。

また、車両１を中央レーンで走行させた場合、車速Ｖ、横加速度Ｇ、操舵角θｆ、操舵トルクＴ、ヨーレートδおよび走行レーン情報Ｌの平均値Ｖ_ＡＶ，Ｇ_ＡＶ，θｆ_ＡＶ，Ｔ_ＡＶ，δ_ＡＶ，Ｌ_ＡＶをニューラルネットワークＮＮの入力層３２に与える。この際、走行レーン情報Ｌとしては、中央レーンを示す値が連続的に入力層３２に与えられることになる。また、教師信号としては、中央レーンのカント角θｃを示す値が減算器３５に与えられる。そして、教師信号に示される値と出力層３４からの出力値Ｚとの偏差ΔｅをニューラルネットワークＮＮにフィードバックし、偏差Δｅが最小になるように、バックプロパゲーション法を用いて各結合係数ω０ｉ，ω１ｉｊ，ω２ｊおよび各閾値θ０ｉ，θ１ｊ，θ２を順次更新・記憶させる。

更に、車両１を左レーンで走行させた場合、車速Ｖ、横加速度Ｇ、操舵角θｆ、操舵トルクＴ、ヨーレートδおよび走行レーン情報Ｌの平均値Ｖ_ＡＶ，Ｇ_ＡＶ，θｆ_ＡＶ，Ｔ_ＡＶ，δ_ＡＶ，Ｌ_ＡＶをニューラルネットワークＮＮの入力層３２に与える。この際、走行レーン情報Ｌとしては、左レーンを示す値が連続的に入力層３２に与えられることになる。また、教師信号としては、左レーンのカント角θｌを示す値が減算器３５に与えられる。そして、教師信号に示される値と出力層３４からの出力値Ｚとの偏差ΔｅをニューラルネットワークＮＮにフィードバックし、偏差Δｅが最小になるように、バックプロパゲーション法を用いて各結合係数ω０ｉ，ω１ｉｊ，ω２ｊおよび各閾値θ０ｉ，θ１ｊ，θ２を順次更新・記憶させる。

このように、本実施形態では、走行路のカント状態の学習に際し、車両１が走行する走行レーンに応じて教師信号が変化させられる。すなわち、各種道路については走行レーンごとにカント角が概ね判明しているのが一般的であるので、ニューラルネットワークＮＮの学習に際して、車両１の走行レーンをも考慮することにより、誤差逆伝搬学習時の学習精度を極めて良好に向上させることが可能となる。なお、上述のようなカント路に関する学習は、２車線道路や１車線道路、更には、３車線を越える多車線道路についても同様に実行される。

次に、車両１の走行中に実行される判定モードにおけるカント状態判定部３０および演算処理部４０の動作について説明する。図４は、判定モードにおけるカント状態判定部３０および演算処理部４０の動作を説明するためのフローチャートである。図４に示されるルーチンは、車両１の走行中に所定時間おきに繰り返し実行されるものである。このルーチンの実行タイミングになると、車輪速センサ２５、横Ｇセンサ２６、操舵角センサ２１、操舵トルクセンサ２２、ヨーレートセンサ２７およびナビゲーションシステム２８により、車速Ｖ、横加速度Ｇ、操舵角θｆ、操舵トルクＴ、ヨーレートδおよび走行レーン情報Ｌが取得される（Ｓ１０）。そして、引き続いて、カント状態判定部３０によりニューラルネットワーク演算処理（Ｓ１２）が実行される。

図５は、Ｓ１２におけるニューラルネットワーク演算処理の手順を説明するためのフローチャートである。ニューラルネットワーク演算処理に際しては、同図に示されるように、まず、時系列データＶ_０〜Ｖ_ｎ−１，Ｇ_０〜Ｇ_ｎ−１，θｆ_０〜θｆ_ｎ−１，Ｔ_０〜Ｔ_ｎ−１，δ_０〜δ_ｎ−１，Ｌ_０〜Ｌ_ｎ−１が更新される（Ｓ１２０）。これらの時系列データＶ_０〜Ｖ_ｎ−１，Ｇ_０〜Ｇ_ｎ−１，θｆ_０〜θｆ_ｎ−１，Ｔ_０〜Ｔ_ｎ−１，δ_０〜δ_ｎ−１，Ｌ_０〜Ｌ_ｎ−１は、上述のＳ１０にて取得される車速Ｖ、横加速度Ｇ、操舵角θｆ、操舵トルクＴ、ヨーレートδおよび走行レーン情報Ｌの現在から過去に遡った各ｎ個のサンプリングデータである。そして、Ｓ１２０の更新処理においては、最も古いｎ番目のデータが消去されると共に、それ以外のデータが順次シフトされ、Ｓ１０にて新たに取得された車速Ｖ、横加速度Ｇ、操舵角θｆ、操舵トルクＴ、ヨーレートδおよび走行レーン情報Ｌが最新のデータＶ_０，Ｇ_０，θｆ_０，Ｔ_０，δ_０，Ｌ_０として記憶される。

Ｓ１２０の更新処理の後、次の（４）〜（９）式に従って時系列データＶ_０〜Ｖ_ｎ−１，Ｇ_０〜Ｇ_ｎ−１，θｆ_０〜θｆ_ｎ−１，Ｔ_０〜Ｔ_ｎ−１，δ_０〜δ_ｎ−１，Ｌ_０〜Ｌ_ｎ−１の各平均値Ｖ_ＡＶ，Ｇ_ＡＶ，θｆ_ＡＶ，Ｔ_ＡＶ，δ_ＡＶ，Ｌ_ＡＶが算出され、各平均値Ｖ_ＡＶ，Ｇ_ＡＶ，θｆ_ＡＶ，Ｔ_ＡＶ，δ_ＡＶ，Ｌ_ＡＶが、ニューラルネットワークＮＮの入力層３２に対する入力データＩＤ_１〜ＩＤ_６とされる（Ｓ１２２）。なお、これらＳ１２０およびＳ１２２の処理は、主として図２に示される平均演算器３１−１〜３１−６により実行される機能に対応している。

［数２］
ＩＤ_１＝Ｖ_ＡＶ＝（Ｖ_０＋Ｖ_１＋……＋Ｖ_ｎ−１）／ｎ…（４）

［数３］
ＩＤ_２＝Ｇ_ＡＶ＝（Ｇ_０＋Ｇ_１＋……＋Ｇ_ｎ−１）／ｎ…（５）

［数４］
ＩＤ_３＝θｆ_ＡＶ＝（θｆ_０＋θｆ_１＋……＋θ_ｆｎ−１）／ｎ…（６）

［数５］
ＩＤ_４＝Ｔ_ＡＶ＝（Ｔ_０＋Ｔ_１＋……＋Ｔ_ｎ−１）／ｎ…（７）

［数６］

ＩＤ_５＝δ_ＡＶ＝（δ_０＋δ_１＋……＋δ_ｎ−１）／ｎ…（８）

［数７］
ＩＤ_６＝Ｌ_ＡＶ＝（Ｌ_０＋Ｌ_１＋……＋Ｌ_ｎ−１）／ｎ…（９）

次いで、入力データＩＤ_１〜ＩＤ_６と、操舵ＥＣＵ２０の記憶装置に記憶されている結合係数ω０ｉおよび閾値θ０ｉとを用いて上記（１）式の演算が実行され、ニューラルネットワークＮＮの入力層３２の出力値Ｘｉ（ｉ＝１〜６）が算出される（Ｓ１２４）。また、入力層３２の出力値Ｘｉと、操舵ＥＣＵ２０の記憶装置に記憶されている結合係数ω１ｉおよび閾値θ１ｉとを用いて上記（２）式の演算が実行され、ニューラルネットワークＮＮの中間層３３の出力値Ｙｊ（ｊ＝１〜ｍ）が算出される（Ｓ１２６）。そして、中間層３３の出力値Ｙｊと、操舵ＥＣＵ２０の記憶装置に記憶されている結合係数ω２ｉおよび閾値θ２とを用いて上記（３）式の演算が実行され、それにより算出されたニューラルネットワークＮＮの出力層３４の出力値Ｚが演算処理部４０に出力されることになる（Ｓ１２８）。

上述のように、結合係数ω０ｉ，ω１ｉｊ，ω２ｊおよび閾値θ０ｉ，θ１ｊ，θ２は、上記学習モードにおいて走行路のカント状態を車速Ｖ、横加速度Ｇ、操舵角θｆ、操舵トルクＴ、ヨーレートδおよび走行レーン情報Ｌに基づいて学習した結果を示すものである。従って、ニューラルネットワーク演算の出力値Ｚは、例えば車両１が３車線道路の右レーンを走行している場合、走行路面のカント角がθｒであることを示すものとなり、車両１が３車線道路の中央レーンを走行している場合、走行路面のカント角がθｃであることを示すものとなり、車両１が３車線道路の左レーンを走行している場合、走行路面のカント角がθｌであることを示すものとなる。この際、本実施形態では、上述のように高精度な学習が予め実行されていることから、車両１が何れのレーンを走行していたとしても、また、レーン変更がなされたとしても、ニューラルネットワーク演算に際して走行路のカント状態を精度よく速やかに判定することが可能となる。

Ｓ１２のニューラルネットワーク演算処理が終了すると、演算処理部４０は、カント状態判定部３０のニューラルネットワークＮＮの出力値Ｚに基づいて、車両１が直進する際の偏向を抑制するための制御量の算出を開始する。この場合、演算処理部４０は、まず、操舵ＥＣＵ２０の記憶装置に格納されている図６および図７に例示されるようなマップを用いて、車速Ｖに対応した所定の係数Ｋ_１，Ｋ_２を定める（Ｓ１４）。更に、演算処理部４０は、図６および図７に例示されるマップと同様に操舵ＥＣＵ２０の記憶装置に格納されているマップ（図８参照）を用いて、カント状態判定部３０の出力値Ｚに対応した補正値Ａｚを定める（Ｓ１６）。演算処理部４０は、係数Ｋ_１，Ｋ_２および補正値Ａｚを定めると、演算処理部４０は、Ｓ１０にて取得された操舵角θｆおよびヨーレートδと、係数Ｋ１，Ｋ２および補正値Ａｚとを用いて次の（１０）式の演算を実行し、車両１が直進する際の偏向を抑制するために必要とされる補助操舵量である目標補助操舵角θ_ａ＊を算出する（Ｓ１８）。

［数８］
θ_ａ＊＝Ｋ_１・θｆ＋Ｋ_２・δ＋Ａｚ…（１０）

目標補助操舵角θ_ａ＊を算出すると、演算処理部４０は、当該目標補助操舵角θ_ａ＊を示す制御信号を生成して伝達比可変機構１６に与える（Ｓ２０）。当該制御信号を受け取ると、伝達比可変機構１６のアクチュエータ１６ａは、目標補助操舵角θ_ａ＊の絶対値に対応した角度だけラック１５を右または左に変位させるべく作動する。これにより、車両１がカント路を走行している場合、伝達比可変機構１６によって各操舵輪２Ｌおよび２Ｒがカントによる影響を打ち消すように、すなわち、操舵トルクを低減させるように補助操舵されるので、車両１は、ドライバーの補正操舵無しでも良好に直進するようになる。このように、本実施形態によれば、カント状態判定部３０によって精度よく判定された走行路のカント状態から、走行路のカントに起因する車両１の偏向を抑制するための補正操舵量を精度よく算出することができるので、車両１が何れのレーンを走行していたとしても、また、レーン変更がなされたとしても、その都度、車両１の偏向を良好に抑制することが可能となる。

なお、本実施形態では、ナビゲーションシステム２８を用いて車両１の走行レーン情報を取得しているが、これに限られるものではない。すなわち、車両１の走行レーン情報は、車両１の前部に設けられたレーダユニットや撮像ユニットを用いて取得してもよい。また、カント状態判定部３０のニューラルネットワークＮＮに対して、走行レーン情報以外の環境情報を入力するようにしてもよい。この場合、ナビゲーションシステム等を用いて、例えば直線が５００ｍ以上続く旨あるいは直線が２ｋｍ以上続く旨等の車両１周辺の走行路情報を取得し、カント状態判定部３０のニューラルネットワークＮＮに入力するとよい。カント状態判定部３０のニューラルネットワークＮＮにこのような環境情報を入力することにより、誤差逆伝搬学習時の学習精度と、ニューラルネットワーク演算に際しての演算精度および演算速度とをより一層向上させることが可能となる。更に、上述のような補助操舵は、伝達比可変機構１６の代わりに、電動アシストユニット１７や各操舵輪を独立操舵するためのアクチュエータを用いて実行してもよく、後輪操舵装置が設けられている場合には、当該後輪操舵装置を用いて実行してもよい。

〔第２実施形態〕
以下、図９および図１０を参照しながら、本発明の第２実施形態に係る車両制御装置について説明する。なお、上述の第１実施形態に関連して説明されたものと同一の要素には同一の参照符号が付され、重複する説明は省略される。

図９は、本発明の第２実施形態に係る車両制御装置が適用された車両を説明するための制御ブロック図である。同図に示されるように、本実施形態に係る車両１Ａは、車高調整可能に構成されており、右前輪ＦＲ、左前輪ＦＬ、右後輪ＲＲおよび左後輪ＬＲごとに、図示されないショックアブソーバの減衰力を変化させるためのＦＲサスペンションコントロールアクチュエータ５１ＦＲ、ＦＬサスペンションコントロールアクチュエータ５１ＦＬ、ＲＲサスペンションコントロールアクチュエータ５１ＲＲ、およびＲＬサスペンションコントロールアクチュエータ５１ＲＬを備えている。

また、車両１Ａは、右前輪ＦＲ、左前輪ＦＬ、右後輪ＲＲおよび左後輪ＬＲごとに、ＦＲ車高センサ５２ＦＲ、ＦＬ車高センサ５２ＦＬ、ＲＲ車高センサ５２ＲＲ、およびＲＬ車高センサ５２ＲＬを備えている。更に、車両１Ａには、前輪側ソレノイドエアバルブ、後輪側ソレノイドエアバルブ、排気ソレノイドエアバルブといったバルブ群５３や、圧縮機およびモータを含むコンプレッサＡＳＳＹ５４等が設けられている。これらの機器は、図９に示されるように、サスペンションＥＣＵ５０によりそれぞれ制御される。

サスペンションＥＣＵ５０も、各種演算処理を実行するＣＰＵ、各種制御プログラムを格納するＲＯＭ、データ格納やプログラム実行のためのワークエリアとして利用されるＲＡＭ、入出力インターフェース、データを書き換え可能な記憶装置等を備えるものである。サスペンションＥＣＵ５０の入出力インターフェースには、操舵角センサ２１、操舵トルクセンサ２２、車輪速センサ２５、横Ｇセンサ２６、ヨーレートセンサ２７およびナビゲーションシステム２８が接続されている。そして、本実施形態では、サスペンションＥＣＵ５０に上述のカント状態判定部３０および演算処理部４０が組み込まれている。

車両制御装置としてのサスペンションＥＣＵ５０（カント状態判定部３０および演算処理部４０）は、図１０に示されるルーチンを実行し、ニューラルネットワーク演算によって走行路のカント状態を判定すると共に、判定結果に応じて各車輪ＦＲ，ＦＬ，ＲＲ，ＲＬに対応する位置の車高ＨＦＲ，ＨＦＬ，ＨＲＲ，ＨＲＬを調整する。

すなわち、図１０のルーチンの実行タイミングになると、車輪速センサ２５、横Ｇセンサ２６、操舵角センサ２１、操舵トルクセンサ２２、ヨーレートセンサ２７およびナビゲーションシステム２８により、車速Ｖ、横加速度Ｇ、操舵角θｆ、操舵トルクＴ、ヨーレートδおよび走行レーン情報Ｌが取得されると共に、各車高センサ５２ＦＲ〜ＲＬにより各車輪ＦＲ〜ＲＬに対応した位置の車高ＨＦＲ，ＨＦＬ，ＨＲＲ，ＨＲＬが取得される（Ｓ３０）。引き続いて、カント状態判定部３０により第１実施形態と同様の手順によりニューラルネットワーク演算処理（Ｓ３２）が実行され、ニューラルネットワークＮＮの出力値Ｚが演算処理部４０に与えられる。

Ｓ３２のニューラルネットワーク演算処理が終了すると、演算処理部４０は、カント状態判定部３０のニューラルネットワークＮＮの出力値Ｚに基づいて、車両１Ａが直進する際の偏向を抑制するための制御量の算出を開始する。この場合、演算処理部４０は、まず、操舵ＥＣＵ２０の記憶装置に格納されているマップを用いて、車速Ｖに対応した所定の係数Ｋ_１，Ｋ_２を定める（Ｓ３４）。更に、演算処理部４０は、同様に記憶装置に格納されている他のマップを用いて、カント状態判定部３０の出力値Ｚに対応した補正値Ａｚを定める（Ｓ３６）。演算処理部４０は、係数Ｋ_１，Ｋ_２および補正値Ａｚを定めると、右前輪ＦＲ、右後輪ＲＲ、左前輪ＦＬおよび左後輪ＲＬの目標車高ＨＦＲ＊，ＨＲＲ＊，ＨＦＬ＊およびＨＲＬ＊を次の（１１）〜（１４）式に従って定める（Ｓ３８）。

［数９］
ＨＦＲ＊＝Ｋ_１・θｆ＋Ｋ_２・δ＋Ａｚ…（１１）

［数１０］
ＨＲＲ＊＝Ｋ_１・θｆ＋Ｋ_２・δ＋Ａｚ…（１２）

［数１１］
ＨＦＬ＊＝−ＨＦＲ＊…（１３）

［数１２］
ＨＲＬ＊＝−ＨＲＲ＊…（１４）

そして、演算処理部４０は、目標車高ＨＦＲ＊，ＨＦＬ＊，ＨＲＲ＊，ＨＲＬ＊から、Ｓ３０にて取得された車高ＨＦＲ，ＨＦＬ，ＨＲＲ，ＨＲＬをそれぞれ減算した偏差ＨＦＲ＊−ＨＦＲ，ＨＦＬ＊−ＨＦＬ，ＨＲＲ＊−ＨＲＲ，ＨＲＬ＊−ＨＲＬを示す制御信号を各アクチュエータ５１ＦＲ，５１ＦＬ，５１ＲＲ，５１ＲＬに与える（Ｓ４０）。各アクチュエータ５１ＦＲ，５１ＦＬ，５１ＲＲ，５１ＲＬは、それぞれに対応する偏差ＨＦＲ＊−ＨＦＲ，ＨＦＬ＊−ＨＦＬ，ＨＲＲ＊−ＨＲＲ，ＨＲＬ＊−ＨＲＬに応じた量だけ車輪ＦＲ，ＦＬ，ＲＲ，ＲＬの位置の車高を変位させる。これにより、車輪ＦＲ，ＦＬ，ＲＲ，ＲＬの位置における車高は、それぞれ目標車高ＨＦＲ＊，ＨＦＬ＊，ＨＲＲ＊，ＨＲＬ＊に設定される。

この結果、車両１Ａがカント路を走行している場合、各アクチュエータ５１ＦＲ〜５１ＲＬの作用により、路面に対して逆向きのカントをつけるように車両１Ａの車高が調整されることになるので、車両１Ａは、ドライバーの補正操舵無しでも良好に直進するようになる。このように、本実施形態によっても、カント状態判定部３０によって精度よく判定された走行路のカント状態から、走行路のカントに起因する車両１Ａの偏向を抑制するための各車輪位置における目標車高を精度よく算出することができるので、車両１Ａが何れのレーンを走行していたとしても、また、レーン変更がなされたとしても、その都度、車両１Ａの偏向を良好に抑制することが可能となる。

なお、本実施形態においても、車両１Ａの走行レーン情報は、車両１の前部に設けられたレーダユニットや撮像ユニットを用いて取得してもよい。また、カント状態判定部３０のニューラルネットワークＮＮに対して、走行レーン情報以外の環境情報を入力するようにしてもよい。

本発明の第１実施形態に係る車両制御装置が適用された車両の要部を示す概略構成図である。 図１の車両に設けられた操舵ＥＣＵのカント状態判定部を示す機能ブロック図である。 ３車線道路における路面のカント状態を説明するための模式図である。 図１の車両に設けられた操舵ＥＣＵのカント状態判定部および演算処理部の動作を説明するためのフローチャートである。 図１の車両に設けられた操舵ＥＣＵによるニューラルネットワーク演算処理の手順を説明するためのフローチャートである。 車両の車速と、車両直進時の偏向を抑制するための制御量を算出する際に用いられる係数との相関を例示する特性図である。 車両の車速と、車両直進時の偏向を抑制するための制御量を算出する際に用いられる係数との相関を例示する特性図である。 ニューラルネットワーク演算による出力値に対する補正値を説明するための特性図である。 本発明の第２実施形態に係る車両制御装置が適用された車両の制御ブロック図である。 図９の車両に設けられたサスペンションＥＣＵのカント状態判定部および演算処理部の動作を説明するためのフローチャートである。

符号の説明

１，１Ａ 車両、２Ｌ，２Ｒ 操舵輪、３ ディスクロータ、４ ナックル、５ ナックルアーム、６ ブレーキキャリパ、１０ 車両操舵装置、１１ 操舵ハンドル、１２ ステアリングシャフト、１４ 操舵ギヤボックス、１５ ラック、１６ 伝達比可変機構、１６ａ アクチュエータ、１７ 電動アシストユニット、１８ モータ、１９ タイロッド、２０ 操舵ＥＣＵ、２１ 操舵角センサ、２２ 操舵トルクセンサ、２３ 作動角センサ、２４ ＥＰＳトルクセンサ、２５ 車輪速センサ、２６ 横Ｇセンサ、２７ ヨーレートセンサ、２８ ナビゲーションシステム、３０ カント状態判定部、３１、平均演算器、３２ 入力層、３３ 中間層、３４ 出力層、３５ 減算器、４０ 演算処理部、５０ サスペンションＥＣＵ、５１ＦＲ、５１ＦＬ，５１ＲＲ，５１ＲＬ サスペンションコントロールアクチュエータ、５２ＦＲ，５２ＦＬ，５２ＲＲ，５２ＲＬ 車高センサ、５３ バルブ群、５４ コンプレッサＡＳＳＹ。

Claims (6)

1. 車両の走行状態を制御するための車両制御装置であって、
   前記車両の車速を検出する車速検出手段と、
   前記車両の横加速度を検出する横加速度検出手段と、
   前記車両の操舵状態を検出する操舵状態検出手段と、
   少なくとも前記車両の走行レーンを示す情報を含む走行環境情報を取得する環境情報取得手段と、
   前記各手段により検出された車速、横加速度、操舵状態および走行環境情報と、少なくとも前記車両の走行レーンに関連付けられた教師信号とに基づいて前記車両の走行路のカント状態を学習すると共に、車速、横加速度、操舵状態および走行環境情報に基づいて学習結果を用いたニューラルネットワーク演算を行い、前記車両の走行路のカント状態を判定するカント状態判定手段とを備えることを特徴とする車両制御装置。
2. 前記教師信号は、前記車両の走行レーンに応じて変化させられることを特徴とする請求項１に記載の車両制御装置。
3. 前記カント状態判定手段の判定結果に基づいて、前記車両が直進する際の偏向を抑制するための制御量を算出する車両偏向抑制手段を更に備えることを特徴とする請求項１または２に記載の車両制御装置。
4. 前記車両偏向抑制手段は、前記カント状態判定手段の判定結果に基づいて、前記車両に設けられている操舵装置の補助操舵量を前記制御量として算出することを特徴とする請求項３に記載の車両制御装置。
5. 前記車両偏向抑制手段は、前記カント状態判定手段の判定結果に基づいて、前記車両の各車輪位置における目標車高を前記制御量として算出することを特徴とする請求項３に記載の車両制御装置。
6. 車両の走行路のカント状態を判定するカント状態判定方法であって、
   前記車両の車速、横加速度、操舵状態、および少なくとも前記車両の走行レーン情報を含む走行環境情報と、少なくとも前記車両の走行レーンに関連付けられた教師信号とをニューラルネットワークに与えて前記車両の走行路のカント状態を学習させる学習ステップと、
   前記ニューラルネットワークに前記車両の車速、横加速度、操舵状態および走行環境情報を与えて学習結果を用いたニューラルネットワーク演算を実行させることにより前記車両の走行路のカント状態を判定する判定ステップとを含み、
   学習ステップでは、前記車両の走行レーンに応じて教師信号を変化させることを特徴とするカント状態判定方法。

Images