JP2007223494A - 車両挙動推定予測装置および車両安定化制御システム - Google Patents

Abstract

【課題】複数の車両挙動を表す量をその特徴を反映させながら次元圧縮することで、ニューラルネットワークへの入力数の低減し、精度良く車両挙動を表す量を推定し予測することが可能な車両挙動推定予測装置およびそれを用いた車両安定化制御システムを提供する。
【解決手段】車両挙動推定予測装置１は、測定装置Ｓにより測定された複数の車両挙動を表す量に関するデータを砂時計型ニューラルネットワークinＳＮＮを用いて次元圧縮させ砂時計型ニューラルネットワークinＳＮＮの圧縮層Ｌ３からの出力を特徴量ｆ１として抽出する特徴量抽出手段２と、抽出された特徴量ｆ１に基づいて現在の車両挙動を表す量の推定値または一定時間後の車両挙動を表す量の予測値を出力するニューラルネットワークＲＮＮで構成された演算手段３とを備える。
【選択図】図１

Description

本発明は、車両挙動推定予測装置および車両安定化制御システムに係り、特にニューラルネットワーク演算により車両挙動を表す量の推定値や予測値を算出する車両挙動推定予測装置および車両安定化制御システムに関する。

ステアリングホイールやアクセルペダル、ブレーキペダル等の操作をセンサ等で読み取り電気信号として駆動系に伝達して電子制御を行う、いわゆるバイワイヤ技術等の開発が進んでいる。このような車両制御の高度化に伴い、制御に用いる車両挙動を表す量、すなわち車両に生じているヨーレートや横加速度、すべり角、タイヤにかかる横力や前後力、ロールレート、ピッチレート、路面摩擦係数等の現在の値を精度良く推定することが非常に重要になっている。

また、これらの量の一定時間後の値を予測し、将来的な車両挙動の予測ができれば、より精度の高い挙動制御が可能となると考えられており、このような車両の挙動予測ができれば、車両挙動が不安定な状態に陥る前に車両の挙動安定化制御を行うことが可能となり、より高度な予防安全技術の開発につながると期待されている。

しかし、これらの車両挙動を表す量を測定する測定装置は、例えば、信頼性が低かったり、高価であったり、或いは大型であったりして実車への搭載が困難である場合も多い。そこで、従来、車両運動の数理モデルを用いて車輪速やステアリングホイールの操舵角等の比較的容易に精度良く測定可能な量の測定値に基づいてこのような実際上測定が困難な量の現在値を推定したり一定時間後の値を予測させていた。

また、近年、数理モデルを用いる代わりに、ニューラルネットワークによる演算により車両挙動を表す量を算出する車両挙動推定予測装置が開発されている（例えば、特許文献１、２等参照）。しかし、これらのニューラルネットワークによる演算にせよ、前記の数理モデルによる演算にせよ、車両の走行状態がスピン状態やドリフト状態のような非線形領域にある場合、車両挙動を精度良く表現することは困難である。

そこで、非線形領域においても車両挙動を表す量を精度良く推定し予測することを目的として、出力値の過去の履歴を現在のニューラルネットワークからの出力値に反映させるべく出力値を１〜数サイクル遅延させてフィードバックして再度入力するように構成したリカレント型ニューラルネットワークを用いた車両挙動推定予測装置が知られている（特許文献３参照）。
特開平１１−１４７４６０号公報 特開平６−２８６６３０号公報 特開２００４−２４９８１２号公報

ニューラルネットワークを用いて車両挙動を表す量の推定値や予測値を算出する場合、その量の変動に影響を与える可能性がある他の量を多数種類入力する方がより精度が上がると期待され、通常、精度が上がる。

しかしながら、ニューラルネットワークへの入力が多次元になると、遺伝的アルゴリズム等により最適化されるべき変数が膨大になり、ニューラルネットワークの学習能力が飽和して容易に収束しなくなる場合がある。特に、リカレント型ニューラルネットワークのように過去の出力値を再入力する場合、遅延サイクル数を増やすほど入力の次元が増大するため、容易に学習を行うことができなくなる可能性が高くなる。

しかし、逆に、ニューラルネットワークに入力する車両挙動を表す量の数を単純に減らすだけでは、出力値の精度が下がり、車両挙動を表す量の現在値や予測値として有効な値を出力できなくなり、車両挙動推定予測装置の信頼性が低下する。

本発明は、前記事情に鑑みてなされたものであり、複数の車両挙動を表す量をその特徴を反映させながら次元圧縮することで、ニューラルネットワークへの入力数の低減し、精度良く車両挙動を表す量を推定し予測することが可能な車両挙動推定予測装置およびそれを用いた車両安定化制御システムを提供することを目的とする。

前記の問題を解決するために、第１の発明は、
車両挙動推定予測装置において、
測定装置により測定された複数の車両挙動を表す量に関するデータを砂時計型ニューラルネットワークを用いて次元圧縮させ前記砂時計型ニューラルネットワークの圧縮層からの出力を特徴量として抽出する特徴量抽出手段と、
抽出された前記特徴量に基づいて現在の車両挙動を表す量の推定値または一定時間後の車両挙動を表す量の予測値を出力するニューラルネットワークで構成された演算手段と
を備えることを特徴とする。

第２の発明は、第１の発明の車両挙動推定予測装置において、前記演算手段を構成するニューラルネットワークは、遅れ要素フィードバックを有するリカレント型ニューラルネットワークであることを特徴とする。

第３の発明は、第２の発明の車両挙動推定予測装置において、前記遅れ要素フィードバックを有するリカレント型ニューラルネットワークは、現在または過去の複数の時点で出力された複数の前記推定値または前記予測値である遅れ要素を砂時計型ニューラルネットワークを用いて次元圧縮させ、前記砂時計型ニューラルネットワークの圧縮層からの出力を前記リカレント型ニューラルネットワークの入力層に入力させるように構成されていることを特徴とする。

第４の発明は、第３の発明の車両挙動推定予測装置において、前記特徴量を抽出する砂時計型ニューラルネットワーク、前記リカレント型ニューラルネットワークおよび前記複数の遅れ要素を次元圧縮する砂時計型ニューラルネットワークは、測定装置により測定された実測データおよび前記リカレント型ニューラルネットワークからの出力データを教師データとして算出される評価値に基づいて予めそれぞれ個別に学習されることを特徴とする。

第５の発明は、第４の発明の車両挙動推定予測装置において、前記特徴量を抽出する砂時計型ニューラルネットワーク、前記リカレント型ニューラルネットワークおよび前記複数の遅れ要素を次元圧縮する砂時計型ニューラルネットワークの学習において、学習タイミングを切り替えながら個別に学習を行わせるためにいずれか１つを選択する切替手段を備えることを特徴とする。

第６の発明は、第５の発明の車両挙動推定予測装置において、前記切替手段は、前記測定装置により測定された実測データと前記リカレント型ニューラルネットワークからの出力データについてそれぞれ平均値、分散および周期を算出し、両者の平均値、分散および周期の差をそれぞれ正規化して比較した場合に、正規化された平均値の差が最も大きい場合には前記特徴量を抽出する砂時計型ニューラルネットワークを、正規化された分散の差が最も大きい場合には前記リカレント型ニューラルネットワークを、正規化された周期の差が最も大きい場合には前記複数の遅れ要素を次元圧縮する砂時計型ニューラルネットワークを選択することを特徴とする。

第７の発明は、車両安定化制御システムにおいて、
第１から第６のいずれかの発明の車両挙動推定予測装置と、
前記車両挙動推定予測装置から出力される前記推定値または前記予測値に基づいて車両の安定化制御を行う制御装置と
を備えることを特徴とする。

第１の発明によれば、特徴量抽出手段の砂時計型ニューラルネットワークでは、ハンドル角等が入力層に入力され、一旦圧縮層で次元圧縮された後、出力層からハンドル角等が復元されて出力される。そのため、圧縮層からの出力は、入力されたハンドル角等の複数の車両挙動を表す量の特徴がすべて反映された情報であると言える。

従って、圧縮層からその情報を引き出し、それを特徴量として抽出して演算手段に入力することで、１つの入力で演算手段のニューラルネットワークにハンドル角等の複数の車両挙動を表す量を入力することと同じ効果を得ることが可能となる。そのため、ニューラルネットワークが出力する車両挙動を表す量の推定値や予測値の変動に影響を与える可能性がある他の多数種類の量をニューラルネットワークに入力することと同等の効果を得ることが可能となり、ニューラルネットワークから出力される車両挙動を表す量の推定値や予測値の精度を向上させることが可能となる。

また、多数の車両挙動を表す量を少数の特徴量に次元圧縮して入力することで、実際にニューラルネットワークに入力されるデータの数を低減させることが可能となり、ニューラルネットワークを構成するノード数も低減できる。そのため、遺伝的アルゴリズム等により最適化されるべき変数が少数となり、ニューラルネットワークの学習において容易に収束し、学習効率が向上して学習速度が促進されるとともに、ニューラルネットワークから出力される車両挙動を表す量の推定値や予測値の精度をさらに向上させることが可能となる。

第２の発明によれば、演算手段から出力される車両挙動を表す量の推定値や予測値に直前または数サイクル前に出力した推定値等を反映させて、出力される推定値や予測値として突飛な値が出力されることを防止することができ、出力される推定値や予測値に連続性や因果性を持たせることが可能となる。そのため、精度良く車両挙動を表す量を推定し予測することが可能となり、前記発明の効果をより的確に発揮させることが可能となる。

第３の発明によれば、過去に出力した過去の数サイクルの出力の特徴が反映された情報を１つまたは少数の情報に次元圧縮してリカレント型ニューラルネットワークに入力することが可能となるため、遅れ要素についても前記と同様の効果を得ることが可能となり、前記発明の効果をより効果的に発揮させることが可能となる。

第４の発明によれば、特徴量を抽出する砂時計型ニューラルネットワークと、リカレント型ニューラルネットワークおよび複数の遅れ要素を次元圧縮する砂時計型ニューラルネットワークを実測データや出力データを教師データとしてそれぞれ学習することで、車両挙動推定予測装置のニューラルネットワーク全体についてまとめて学習する場合に比べて、個々のニューラルネットワークの学習の収束性が向上する。そのため、学習効率がさらに向上して学習速度が促進されるとともに、ニューラルネットワークから出力される車両挙動を表す量の推定値や予測値の精度をさらに向上させることが可能となり、前記各発明の効果がより効果的に発揮される。

第５の発明によれば、切替手段で特徴量を抽出する砂時計型ニューラルネットワークと、リカレント型ニューラルネットワークおよび複数の遅れ要素を次元圧縮する砂時計型ニューラルネットワークを選択して学習タイミングを切り替えながら個別に学習を行わせるため、効率良く各ニューラルネットワークの学習を行うことが可能となり、前記各発明の効果がより効率良く発揮される。

第６の発明によれば、演算手段から出力される車両挙動を表す量の推定値や予測値の出力データと学習に用いられた教師データのそれぞれの波形の平均値、分散、周期に基づいて切替手段で学習タイミングを切り替える。それぞれの波形の平均値の差が大きければ特徴量を抽出する砂時計型ニューラルネットワークの学習の具合が悪く、それぞれの波形の分散の差が大きければリカレント型ニューラルネットワークの学習の具合が悪く、それぞれの波形の周期の差が大きければ複数の遅れ要素を次元圧縮する砂時計型ニューラルネットワークの学習の具合が悪い。

そのため、出力データと教師データのそれぞれの波形の平均値、分散、周期に基づいて学習タイミングを切り替えることで、学習すべきニューラルネットワークを適切に選択することが可能となり、車両挙動推定予測装置が出力する車両挙動を表す量の精度を効率良く的確に向上させることが可能となるため、前記各発明の効果がより効果的に発揮される。

第７の発明によれば、車両挙動推定予測装置から車両安定化システムの制御装置に送信されてくる高精度の推定値や予測値に基づいて車両の現在の挙動を推定し、将来の挙動を予測することが可能となる。そのため、その高精度の推定値や予測値を用いて車両挙動を不安定化させている要因を除去する方向に効果的に制御し、あるいは車両挙動を不安定化させる要因を修正して不安定化が生じないように予め効果的に制御することが可能となる。

また、予め車両挙動推定予測装置の演算手段を、路面が乾燥していて外乱が少ない状態における走行データを教師データとして学習を行っておくことで、外乱の少ない状態における車両挙動を表す量の推定値や予測値を出力させ、それと実際の測定値とを比較することで、車両に生じているあるいは生じる可能性がある外乱を把握して的確に車両挙動の安定化制御を行うことが可能となる。

以下、本発明に係る車両挙動推定予測装置および車両安定化制御システムの実施の形態について、図面を参照して説明する。

まず、本実施形態に係る車両挙動推定予測装置について説明する。本実施形態の車両挙動推定予測装置１は、図示しないＣＰＵやＲＯＭ、ＲＡＭ、入出力インターフェース等がバスにより接続されたコンピュータにより構成されている。

図１は、本実施形態に係る車両挙動推定予測装置の構成を示すブロック図である。車両挙動推定予測装置１は、特徴量抽出手段２と、演算手段３と、最適化手段４とを有している。

本実施形態では、車両挙動推定予測装置１には、操舵角センサＳ１、ステア反力センサＳ２、車輪速センサＳ３、横加速度センサＳ４、前後加速度センサＳ５、アクセル開度センサＳ６、温度センサＳ７、風速センサＳ８等の測定装置Ｓが接続されており、それぞれのセンサからハンドル角δ、ステア反力Ｓｔ、車輪速Ｖ、車体横加速度Ｇｙ、車体前後加速度Ｇｘ、アクセル開度Ａ、外気温度Ｔｅ、外気風速Ｗがそれぞれ入力されるようになっている。

特徴量抽出手段２には、ハンドル角δ、ステア反力Ｓｔ、車輪速Ｖ、車体横加速度Ｇｙ、車体前後加速度Ｇｘ、アクセル開度Ａのデータが入力されるようになっている。また、ハンドル角δについては、微分器５、６により微分値および２階微分値すなわちハンドル角速度ｄδおよびハンドル角加速度ｄ^２δが算出され、それらの値も特徴量抽出手段２に入力されるようになっている。

特徴量抽出手段２は、図２（Ａ）に示すような単数または複数の砂時計型ニューラルネットワークinＳＮＮで構成されている。本実施形態では、ハンドル角δ、ハンドル角速度ｄδ、ハンドル角加速度ｄ^２δおよびステア反力Ｓｔが１つの砂時計型ニューラルネットワークに入力されるようになっており、図示を省略するが車輪速Ｖ、車体横加速度Ｇｙ、車体前後加速度Ｇｘおよびアクセル開度Ａが別の砂時計型ニューラルネットワークに入力されるようになっている。

本実施形態で用いられる砂時計型ニューラルネットワークinＳＮＮは、ノードＮ１〜Ｎ４で構成される入力層Ｌ１、ノードＮ５〜Ｎ７で構成される入力側中間層Ｌ２、ノードＮ８で構成される圧縮層Ｌ３、ノードＮ９〜Ｎ１１で構成される出力側中間層Ｌ４、およびノードＮ１２〜Ｎ１５で構成される出力層Ｌ５で構成されている。

なお、圧縮層Ｌ３を構成するノードを、例えば図２（Ｂ）に示すように複数のノードで構成することも可能である。この場合、圧縮層Ｌ３を構成するノードの数は、入力層Ｌ１のノード数すなわち入力されるデータの数より少なくなるように設定される。

また、砂時計型ニューラルネットワークinＳＮＮは、圧縮層Ｌ３を境にして入力側と出力側とが対称になるようにノードが配置される。入力側中間層Ｌ２および出力側中間層Ｌ４を構成するノードの数は適宜設定され、或いはそれらを設けないことも可能である。

砂時計型ニューラルネットワークinＳＮＮは、後述する学習により入力層Ｌ１への入力データと同じデータが出力層Ｌ５から出力されるようになっている。すなわち、データは入力層Ｌ１から圧縮層Ｌ３への流れで次元圧縮され、圧縮層Ｌ３から出力層Ｌ５への流れで復元されるようになっている。

つまり、圧縮層Ｌ３から出力側中間層Ｌ４への出力は、圧縮層Ｌ３から出力層Ｌ５への流れで入力データが復元されるような入力データすなわち入力された複数の車両挙動を表す量の特徴がすべて反映された量になっている。従って、圧縮層Ｌ３からの出力は、入力された複数の車両挙動を表す量の特徴を表す特徴量として用いることができる。

そこで、本発明では、砂時計型ニューラルネットワークinＳＮＮで入力された複数の車両挙動を表す量に関するデータを次元圧縮し、その圧縮層Ｌ３からの出力を入力された複数の車両挙動を表す量の特徴量として抽出し、圧縮層Ｌ３からの出力すなわち特徴量を演算手段３に出力するようになっている。

なお、本実施形態では、砂時計型ニューラルネットワークinＳＮＮの出力層Ｌ５からの各出力は、後述する学習時以外には活用されない。

図２（Ａ）に示した砂時計型ニューラルネットワークinＳＮＮでは１つのノードからなる圧縮層Ｌ３から１種類の特徴量ｆ１が演算手段３に出力され、もう１つの車輪速Ｖ等が入力される砂時計型ニューラルネットワークinＳＮＮの圧縮層からは別の特徴量ｆ２が演算手段３に出力されるようになっている。なお、図２（Ｂ）に示した砂時計型ニューラルネットワークinＳＮＮでは２つのノードからなる圧縮層から２種類の特徴量が出力され、それらのいずれか或いはその両方が出力されて演算手段３に送られる。

砂時計型ニューラルネットワークinＳＮＮの入力層Ｌ１、入力側中間層Ｌ２、圧縮層Ｌ３、出力側中間層Ｌ４および出力層Ｌ５を構成する各ノードＮｉは、所定の伝達関数に従って入力Ｘｉに対して１つの出力Ｙｉを出力するようになっている。本実施形態では、伝達関数として下記（１）式で表されるシグモイド関数が用いられている。なお、下記（１）式におけるθｉはノードＮｉごとの閾値である。
Ｙｉ＝１／（１＋exp（−（Ｘｉ−θｉ））） …（１）

前記（１）式における入力Ｘｉは、入力層Ｌ１においては、ノードＮ１〜Ｎ４にそれぞれ入力されるハンドル角δ、ハンドル角速度ｄδ、ハンドル角加速度ｄ^２δおよびステア反力Ｓｔのそれぞれの正規化値である。また、もう１つの砂時計型ニューラルネットワークinＳＮＮでは、車輪速Ｖ、車体横加速度Ｇｙ、車体前後加速度Ｇｘおよびアクセル開度Ａのそれぞれの正規化値である。

また、入力側中間層Ｌ２、圧縮層Ｌ３、出力側中間層Ｌ４および出力層Ｌ５においては、前記（１）式における入力Ｘｉは、それぞれ上流側の各ノードＮｊの出力Ｙｊを重み付けした総和である。すなわち、上流側のノードＮｊと下流側のノードＮｉとの結合重み係数をｗijとした場合、ノードＮｉへの入力Ｘｉは、
Ｘｉ＝Σｗij×Ｙｊ …（２）
で求められる。

なお、伝達関数は、前記（１）式に示されたシグモイド関数以外の関数を用いることも可能である。例えば、ヒステリシス、リミッタ、二値化、不感帯、遅延回路Ｚ^−１等の時間遅れ、ピークホールド、微分、積分、最大値等の各関数を用いることが可能であり、適宜選択されて用いられる。

また、次元圧縮すべきデータの数が多い場合は、複数の砂時計型ニューラルネットワークの圧縮層からそれぞれ出力されたデータを再度別の砂時計型ニューラルネットワークに入力してさらに次元圧縮し、その圧縮層からの出力を特徴量として演算手段３に送るように構成することも可能である。

演算手段３は、図１に示したように、すべり角演算手段３１やヨーレート演算手段３２、ロールレート演算手段３３、ピッチレート演算手段３４等、車両挙動推定予測装置１に求められる機能に応じて単数または複数の演算手段で構成されている。そのため、この他、例えば、タイヤにかかる横力や前後力、路面摩擦係数等を演算する演算手段を備えることも可能である。

演算手段３を構成する各演算手段には、それぞれ特徴量抽出手段２から送信されてきた前記抽出された特徴量と、各測定装置Ｓから送信されてきた測定値とが入力されるようになっている。本実施形態では、温度センサＳ７および風速センサＳ８から送信されてきた外気温度Ｔｅおよび外気風速Ｗの測定値が演算手段３に直接入力されるようになっている。

また、各演算手段は、それぞれの特徴量や測定値に基づいて現在の車両挙動を表す量の推定値もしくは一定時間後の車両挙動を表す量の予測値、またはその双方を算出するようになっている。なお、各演算手段から推定値と予測値のいずれが出力されるか、或いはその双方が出力され得るかは、後述するリカレント型ニューラルネットワークＲＮＮの出力層の構造および何を出力させるかの学習の仕方による。

本実施形態では、演算手段３を構成する各演算手段は、図３に示すような遅れ要素フィードバックを有する階層型のリカレント型ニューラルネットワークＲＮＮで構成されている。

なお、以下では、砂時計型ニューラルネットワークretＳＮＮを含む遅れ要素フィードバックを有するリカレント型ニューラルネットワークＲＮＮが現在のすべり角の推定値βｅを出力する場合を想定して説明するが、一定時間後のすべり角の予測値βｅを出力する場合や他の車両挙動を表す量の推定値や予測値を出力する場合も同様に説明される。

本実施形態で用いられるリカレント型ニューラルネットワークＲＮＮの本体部は、ノードＮ１６〜Ｎ２０で構成される入力層Ｌ６、ノードＮ２１〜Ｎ２３で構成される第１中間層Ｌ７、ノードＮ２４〜Ｎ２７で構成される第２中間層Ｌ８、およびノードＮ２８で構成される出力層Ｌ９で構成されている。

なお、中間層を２層ではなく１層のみ設けてもよく、３層以上設けることも可能である。また、中間層Ｌ７、Ｌ８や出力層Ｌ９を構成するノードの数は適宜設定される。出力層Ｌ９を複数のノードで構成する場合、いずれのノードから推定値や予測値を出力し、いずれのノードからの出力を後述する砂時計型ニューラルネットワークretＳＮＮに送信するかは適宜決定される。

リカレント型ニューラルネットワークＲＮＮの入力層Ｌ６、第１中間層Ｌ７、第２中間層Ｌ８および出力層Ｌ９を構成する各ノードＮｉが前記（１）式で表されるシグモイド関数に従って入力Ｘｉに対して１つの出力Ｙｉを出力するようになっていて、第１中間層Ｌ７、第２中間層Ｌ８および出力層Ｌ９における入力Ｘｉが前記（２）式に従ってそれぞれ上流側の各ノードＮｊの出力Ｙｊを重み付けした総和であることは、前述した砂時計型ニューラルネットワークinＳＮＮの場合と同様である。また、伝達関数としてシグモイド関数以外の関数を用いることも可能である。

リカレント型ニューラルネットワークの入力層Ｌ６を構成するノードＮ１６〜Ｎ１９には、特徴量抽出手段２から送信されてきた特徴量ｆ１、ｆ２および外気温度Ｔｅや外気風速Ｗの測定値のそれぞれの正規化値が入力されるようになっている。

また、入力Ｌ６を構成するもう１つのノードＮ２０には、リカレント型ニューラルネットワークから現在または過去の複数の時点で出力された推定値βｅが遅れ要素としてフィードバックされて次元圧縮されて入力されるようになっている。

この遅れ要素の次元圧縮には、特徴量抽出手段２を構成する砂時計型ニューラルネットワークinＳＮＮと同様の砂時計型ニューラルネットワークretＳＮＮが用いられるようになっている。本実施形態では、砂時計型ニューラルネットワークretＳＮＮは、砂時計型ニューラルネットワークinＳＮＮと同じ構成とされており、入力層Ｌ１０、入力側中間層Ｌ１１、圧縮層Ｌ１２、出力側中間層Ｌ１３および出力層Ｌ１４で構成されている。

砂時計型ニューラルネットワークretＳＮＮの入力層Ｌ１０を構成するノードＮ２９には現在出力された推定値βｅが遅れ要素として入力され、ノードＮ３０〜３２には、それと同期してそれぞれ遅延回路Ｚ^−１で１サイクルずつ遅延された過去の推定値βｅがそれぞれ遅れ要素として入力されるようになっている。

砂時計型ニューラルネットワークretＳＮＮは、学習により入力層Ｌ１０への入力データと同じデータが出力層Ｌ１４から出力されるようになっており、圧縮層Ｌ１２から次元圧縮された情報が出力されるようになっている。圧縮層Ｌ１２から出力された情報は、リカレント型ニューラルネットワークＲＮＮの入力層Ｌ６のノードＮ２０に入力されるようになっている。

この情報は、リカレント型ニューラルネットワークＲＮＮの出力であるすべり角の推定値βｅの過去の履歴すなわち時間的変化を反映した量であり、いわば出力値の時間的変化の特徴量ｆｄと言い得る量である。

なお、本実施形態では、現在の出力値およびそれの１サイクルずつ前の連続する出力値を砂時計型ニューラルネットワークretＳＮＮに入力する場合について述べたが、現在の出力値の使用の有無や過去の出力値の時間間隔や用いる個数等は適宜決められる。また、現在および過去の何個の推定値βｅをフィードバックするかによって砂時計型ニューラルネットワークretＳＮＮの入力層Ｌ１０のノード数およびそれと同数の出力層Ｌ１４のノード数が決まる。

その際、入力層Ｌ１０への入力データ数が多くなる場合は、複数の砂時計型ニューラルネットワークの圧縮層からそれぞれ出力されたデータを再度別の砂時計型ニューラルネットワークに入力してさらに次元圧縮し、その圧縮層からの出力をリカレント型ニューラルネットワークＲＮＮの入力層Ｌ６に入力するように構成することも可能である。

また、本実施形態では、砂時計型ニューラルネットワークinＳＮＮの場合と同様に、砂時計型ニューラルネットワークretＳＮＮの出力層Ｌ１４からの各出力は、後述する学習時以外には活用されない。

最適化手段４は、特徴量抽出手段２を構成する砂時計型ニューラルネットワークinＳＮＮと、演算手段３を構成する各演算手段におけるリカレント型ニューラルネットワークＲＮＮと砂時計型ニューラルネットワークretＳＮＮのそれぞれについて、各ノードＮｉの閾値θｉと結合重み係数ｗijとを遺伝的アルゴリズムの学習則に基づく学習により予め自動的に最適化するように構成されている。

なお、以下では、演算手段３として現在のすべり角の推定値βｅを出力するすべり角演算手段３１について学習を行う場合について説明するが、一定時間後のすべり角の予測値βｅを出力する場合や他の車両挙動を表す量の推定値や予測値を出力する場合も同様に説明される。また、各ニューラルネットワークのノードの伝達関数がシグモイド関数である場合について述べるが、伝達関数がシグモイド関数以外の関数で構成されている場合には、その関数に用いられる閾値や係数、定数等が同様にして最適化される。

最適化手段４は、図４に示すように、データ記憶手段７と、評価手段８と、切替手段９とを備えている。

データ記憶手段７には、学習に用いられる時系列的な実測データＤが入力されて保存されている。実測データＤは、各演算手段に共通のデータとして、車両挙動推定予測装置１に入力されるハンドル角δ、ステア反力Ｓｔ、車輪速Ｖ、車体横加速度Ｇｙ、車体前後加速度Ｇｘ、アクセル開度Ａ、外気温度Ｔｅ、外気風速Ｗのある所定時間分の実測値であり、教師データとしても用いられる。

また、データ記憶手段７には、すべり角演算手段３１の学習に用いられる教師データＴとしてそれらのデータＤと同一のタイミングですべり角センサにより実測された時系列的なすべり角βreのデータが入力され保存されるようになっている。なお、演算手段３を構成する各演算手段の学習に教師データとして用いられるそれぞれの車両挙動を表す量の時系列的な実測値はそれぞれ予めデータ記憶手段７に入力され保存される。

評価手段８は、図５に示すように、初期個体生成手段１０と、評価値算出手段１１と、終了判定手段１２と、親選択手段１３と、交叉手段１４と、突然変異手段１５とを備えている。また、評価手段８は、図示しないメモリを備えている。

まず、特徴量抽出手段２の砂時計型ニューラルネットワークinＳＮＮの学習について説明する。

初期個体生成手段１０は、最適化の開始指示に応じて、砂時計型ニューラルネットワークinＳＮＮを構成する各ノードのシグモイド関数について、必要な個数の閾値θｉと結合重み係数ｗijとを遺伝子を含む個体を予め設定された個体数生成させて、それぞれ１世代目の個体群を形成させるように構成されている。

遺伝子型の１つの個体は、図２（Ａ）の砂時計型ニューラルネットワークinＳＮＮのノードＮ１〜Ｎ１５の各ノードについてノードＮ１の閾値θ１、結合重み係数ｗ1,5、ｗ1,6、ｗ1,7、ノードＮ２の閾値θ２、結合重み係数ｗ2,5、…の順に各ノードの閾値θｉと結合重み係数ｗijとを１列に並べた数値列を含む形に形成される。１世代目の個体群の生成の際、各個体の各ノードの閾値θｉと結合重み係数ｗijの値はランダムに設定されるようになっている。なお、個体の構成はこのような構成に必ずしも限定されず、下記の演算の容易さ等の観点から適宜決定される。

本実施形態のように特徴量抽出手段２を構成する砂時計型ニューラルネットワークinＳＮＮが２つある場合には、初期個体生成手段１０は、２つの１世代目の個体群をそれぞれ独立に生成させる。そして、評価手段８は、以下の進化過程を２つの群のそれぞれで独立に並行して行うようになっている。

以下では、ハンドル角δ、ハンドル角速度ｄδ、ハンドル角加速度ｄ^２δおよびステア反力Ｓｔが入力される砂時計型ニューラルネットワークinＳＮＮの学習について述べるが、車輪速Ｖ、車体横加速度Ｇｙ、車体前後加速度Ｇｘおよびアクセル開度Ａが入力される砂時計型ニューラルネットワークinＳＮＮも同様にかつ同時並行的に学習が行われる。

初期個体生成手段１０は、前記構成の個体を１つの群につき例えば１００個生成して、評価値算出手段１１に送信するようになっている。

評価値算出手段１１は、個体群の中から１つの個体を選択し、その個体に含まれる各ノードの閾値θｉと結合重み係数ｗijとを砂時計型ニューラルネットワークinＳＮＮに送信し、砂時計型ニューラルネットワークinＳＮＮをセットアップして試行を行うようになっている。

評価値算出手段１１は、セットアップが完了すると、データ記憶手段７に入力されているハンドル角δおよびステア反力Ｓｔの所定時間分の実測データを時系列的に読み出す。また、ハンドル角δについては装置１の微分器５、６を用いて微分および２階微分を行ってハンドル角速度ｄδおよびハンドル角加速度ｄ^２δを算出する。そして、ハンドル角δ、ハンドル角速度ｄδ、ハンドル角加速度ｄ^２δおよびステア反力Ｓｔを図２（Ａ）に示した特徴量抽出手段２の砂時計型ニューラルネットワークinＳＮＮの入力層Ｌ１のノードＮ１〜Ｎ４にそれぞれ同期的に順次入力するようになっている。

評価値算出手段１１は、入力層Ｌ１への入力に応じて出力層Ｌ５のノードＮ１２〜Ｎ１５からハンドル角δ、ハンドル角速度ｄδ、ハンドル角加速度ｄ^２δおよびステア反力Ｓｔが順次出力されると、下記の（３）式に従って、各個体の評価値Ｑを算出するようになっている。

ここで、ＳｉはノードＮ１２〜Ｎ１５から出力されたハンドル角δ、ハンドル角速度ｄδ、ハンドル角加速度ｄ^２δおよびステア反力Ｓｔであり、ＴｉはノードＮ１〜Ｎ４に入力されたハンドル角δ、ハンドル角速度ｄδ、ハンドル角加速度ｄ^２δ、ステア反力Ｓｔである。また、ｔcは１サイクルの所要時間であり、Ｎはデータ記憶手段７から評価値算出手段１１に入力された所定時間分の実測データＤの所定の総サイクル数である。

この場合、実測データＤは入力される実測値であるとともに教師データにもなっている。なお、前記（３）式から分かるように、評価値Ｑが小さいほど入力された実測データＤと出力されたデータとの近似の度合が高いことを表す。

評価値算出手段１１は、この試行を個体群のすべての個体について行い、個体ごとにそれぞれ評価値Ｑを計算するようになっている。評価値算出手段１１は、個体と評価値Ｑとを終了判定手段１２に送信するようになっている。

終了判定手段１２は、設定された終了判定条件を満たしているか否かを判断するようになっている。そして、終了判定条件を満たしていると判断した場合は、個体群の中で最良の評価値Ｑを有する個体に含まれる砂時計型ニューラルネットワークinＳＮＮの各ノードの閾値θｉと結合重み係数ｗijとを特徴量抽出手段２に送って砂時計型ニューラルネットワークをセットアップさせると同時に、個体群のすべての個体をメモリに保存するようになっている。また、終了判定手段１２は、終了判定条件を満たしていないと判断した場合は、個体および評価値Ｑを親選択手段１３に送信するようになっている。

本実施形態では、終了判定条件は、設定された世代数に達することとされており、設定された世代数に達した時点で評価手段８における進化過程が終了するようになっている。しかし、終了判定条件を、例えば、設定した評価値より良い、すなわち設定した評価値より小さい評価値Ｑを有する個体が現れた時点で終了するように設定することも可能であり、また、設定された処理時間に達した時点で終了するように設定することも可能である。

本実施形態の親選択手段１３では、エリート保存による親選択が行われるように構成されている。すなわち、親選択手段１３は、個体群の中から評価値Ｑが小さい順に所定個数の個体をメモリ１６に格納して隔離すると同時に、隔離した個体のコピーを生成し、そのコピーと格納された個体以外の個体について逆ルーレット選択や期待値選択、ランキング選択、トーナメント選択等の方法で個体の選択を行うように構成されている。親選択手段１３は、選択された個体を交叉手段１４に送信するようになっている。

交叉手段１４では、親選択手段１３から送られてきた親個体というべき各個体について１点交叉や多点交叉、一様交叉、ＳＰＸ（Simplex Crossover）交叉、ＵＮＤＸ（Unimodel Normal Distribution Crossover）交叉等の通常の方法により所定の確率で交叉を行うようになっている。また、交叉により生成された個体は、突然変異手段１５に送信され、突然変異手段１５では、個体を構成する各ノードの閾値θｉや結合重み係数ｗijの値をそれぞれ一定の割合でランダムに変化させるようになっている。このようにして次世代の個体群が生成される。

交叉手段１４および突然変異手段１５における処理が終了した各個体は、前記評価値算出手段１１に送信され、再度それぞれの個体について試行が行われ、評価値Ｑが算出されるように構成されている。評価値Ｑが算出された個体は終了判定手段１２に送信され、終了判定手段１２では、メモリ１６に格納された１世代前の個体とともに終了判定が行われるようになっている。この最適化処理は終了条件を満たすまで繰り返される。

評価手段８は、以上のようにして特徴量抽出手段２の砂時計型ニューラルネットワークinＳＮＮの学習を行うようになっている。また、一連の砂時計型ニューラルネットワークinＳＮＮ、retＳＮＮ、リカレント型ニューラルネットワークＲＮＮの学習において、再度砂時計型ニューラルネットワークinＳＮＮの学習を行う場合には、メモリに保存されている砂時計型ニューラルネットワークinＳＮＮ用の個体群の各個体をメモリから読み出して、引き続き学習を行うようになっている。

評価手段８は、図３に示した演算手段３における砂時計型ニューラルネットワークretＳＮＮの学習についても、前記砂時計型ニューラルネットワークinＳＮＮの学習と同様にして学習を行うようになっている。

しかし、砂時計型ニューラルネットワークinＳＮＮで用いた個体群とは別に新たに個体群を生成して砂時計型ニューラルネットワークretＳＮＮの学習を行い、しかも、演算手段３における各演算手段について別々に個体群を生成させて独立に学習を行うようになっている。

また、終了判定条件が満たされると、個体群の中で最良の評価値Ｑを有する個体に含まれる各ノードの閾値θｉと結合重み係数ｗijとを学習の対象となった演算手段の砂時計型ニューラルネットワークretＳＮＮに送ってセットアップさせると同時に、その砂時計型ニューラルネットワークretＳＮＮ用の個体群のすべての個体をメモリに保存するようになっている。

さらに、一連の砂時計型ニューラルネットワークinＳＮＮ、retＳＮＮ、リカレント型ニューラルネットワークＲＮＮの学習において、再度その砂時計型ニューラルネットワークretＳＮＮの学習を行う場合には、メモリに保存されているその砂時計型ニューラルネットワークretＳＮＮ用の個体群の各個体をメモリから読み出して、引き続き学習を行うようになっている。

砂時計型ニューラルネットワークretＳＮＮの学習の場合、入力層Ｌ１０のノードＮ２９〜Ｎ３２に入力される教師データとしての入力データは、図３に示したように、その砂時計型ニューラルネットワークretＳＮＮが用いられているリカレント型ニューラルネットワークＲＮＮからの出力データである現在の推定値βｅtと１サイクルずつ遅延された過去の推定値βｅt-1、βｅt-2、βｅt-3である。

そのため、評価手段８の評価値算出手段１１は、各個体の試行に際して、データ記憶手段７に入力されているハンドル角δ、ステア反力Ｓｔ、車輪速Ｖ、車体横加速度Ｇｙ、車体前後加速度Ｇｘ、アクセル開度Ａのデータを時系列的に読み出し、ハンドル角δについては微分器５、６を用いて微分や２階微分によりハンドル角速度ｄδとハンドル角加速度ｄ^２δを算出して特徴量抽出手段２に送信する。また同時に、外気温度Ｔｅ、外気風速Ｗのデータをデータ記憶手段７から読み出して演算手段３に送信する。

そして、リカレント型ニューラルネットワークＲＮＮから出力された現在の推定値βｅtと１サイクルずつ遅延された過去の推定値βｅt-1、βｅt-2、βｅt-3を砂時計型ニューラルネットワークretＳＮＮの入力層Ｌ１０のノードＮ２９〜Ｎ３２に順次入力し、出力層Ｌ１４のノードＮ４０〜Ｎ４３から現在の推定値βｅtと過去の推定値βｅt-1、βｅt-2、βｅt-3を順次出力させる。

そして、前記（３）式に従って各個体の評価値Ｑを算出するようになっている。この場合、前記（３）式におけるＳｉはノードＮ４０〜Ｎ４３から出力された推定値βｅt、βｅt-1、βｅt-2、βｅt-3であり、ＴｉはノードＮ２９〜Ｎ３２に入力された推定値βｅt、βｅt-1、βｅt-2、βｅt-3である。

本実施形態では、砂時計型ニューラルネットワークretＳＮＮの学習においても、終了判定条件は、設定された世代数に達することとされている。他の条件設定を行うことも可能である。

図３に示したリカレント型ニューラルネットワークＲＮＮの学習においても、評価手段８の評価値算出手段１１は、各個体の試行に際して、データ記憶手段７に入力されているハンドル角δ、ステア反力Ｓｔ、車輪速Ｖ、車体横加速度Ｇｙ、車体前後加速度Ｇｘ、アクセル開度Ａのデータを時系列的に読み出し、ハンドル角δについては微分器５、６を用いて微分や２階微分によりハンドル角速度ｄδとハンドル角加速度ｄ^２δを算出して特徴量抽出手段２に送信し、外気温度Ｔｅ、外気風速Ｗのデータをデータ記憶手段７から読み出して演算手段３に送信する。

そして、リカレント型ニューラルネットワークＲＮＮの場合には、データ記憶手段７に教師データＴとして保存されているデータ、すなわちすべり角演算手段３１の場合にはハンドル角δ等と同一のタイミングで実測されたすべり角βreのデータを読み出して、そのデータとリカレント型ニューラルネットワークＲＮＮから出力された推定値βｅtとを前記（３）式に代入して各個体の評価値Ｑを算出するようになっている。

従って、この場合、前記（３）式におけるＳｉはノードＮ２８から出力された推定値βｅtの時系列データであり、Ｔｉは教師データとしてデータ記憶手段７から読み出されたすべり角βの実測値βreの時系列データである。また、この場合、データの種類は１種類しかないからｉ＝１である。

特定のリカレント型ニューラルネットワークＲＮＮの学習に用いられた個体は、他の演算手段や他の砂時計型ニューラルネットワークinＳＮＮ、retＳＮＮの学習に用いられた個体とは独立に生成された個体を用い、個体群がメモリに保存され、一連の学習において再度そのリカレント型ニューラルネットワークＲＮＮの学習を行う場合には、メモリに保存されているそのリカレント型ニューラルネットワークＲＮＮ用の個体群の各個体をメモリから読み出して、引き続き学習を行うことは前記砂時計型ニューラルネットワークinＳＮＮ、retＳＮＮの学習の場合と同様である。

また、本実施形態では、リカレント型ニューラルネットワークＲＮＮの学習においても、終了判定条件は、設定された世代数に達することとされている。他の条件設定を行うことも可能である。

切替手段９は、学習タイミングを切り替えながら前記砂時計ニューラルネットワークinＳＮＮ、retＳＮＮおよびリカレント型ニューラルネットワークＲＮＮの学習を行わせるために、１つのニューラルネットワークの学習が終了するごとにいずれか１つのニューラルネットワークを選択する手段である。

切替手段９における学習タイミングの切り替えの基準として、例えば、単純に砂時計ニューラルネットワークinＳＮＮ、リカレント型ニューラルネットワークＲＮＮ、砂時計ニューラルネットワークretＳＮＮの順番に学習させるように構成することも可能である。

本実施形態では、切替手段９における学習タイミングの切り替えの基準として、以下の基準により学習するニューラルネットワークを選択するようになっている。

すなわち、ハンドル角δ等を装置１に入力して演算手段のリカレント型ニューラルネットワークＲＮＮから推定値βｅを出力させ、推定値βｅと教師データであるすべり角の実測値βreについてそれぞれの時系列データの波形について平均値、分散および周期を算出する。そして、両者の平均値、分散および周期の差をそれぞれ正規化して比較した場合に、両者の差が最も大きいものが平均値である場合には砂時計型ニューラルネットワークinＳＮＮを、分散である場合にはリカレント型ニューラルネットワークＲＮＮを、周期である場合には砂時計型ニューラルネットワークretＳＮＮを選択するようになっている。

具体的には、切替手段９は、まず、現段階でメモリに記憶されている砂時計ニューラルネットワークinＳＮＮ、retＳＮＮ、リカレント型ニューラルネットワークＲＮＮについての各個体群の中から最も良い評価値Ｑを有する個体に含まれる各ノードの閾値θｉと結合重み係数ｗijを各ニューラルネットワークに送信してセットアップする。

そして、データ記憶手段７からハンドル角δ、ステア反力Ｓｔ、車輪速Ｖ、車体横加速度Ｇｙ、車体前後加速度Ｇｘ、アクセル開度Ａのデータを時系列的に読み出し、ハンドル角δについては微分器５、６を用いて微分や２階微分によりハンドル角速度ｄδとハンドル角加速度ｄ^２δを算出して特徴量抽出手段２に送信し、外気温度Ｔｅ、外気風速Ｗのデータを読み出して演算手段３のすべり角演算手段３１に送信する。

リカレント型ニューラルネットワークＲＮＮから出力されたすべり角の推定値βｅの時系列データを、所定の時間間隔ごとの時系列データβｅｉに分割し、各時系列データβｅｉについて平均値Ｍｅｉ、分散σｅｉ、周期Ｆｅｉをそれぞれ算出する。なお、この場合、周期Ｆｅｉとは、時系列データβｅｉに高速フーリエ変換（ＦＦＴ：Fast Fourier Transform）を施して周波数スペクトルを求め、その周波数スペクトルの最大のピークに対応する周波数の逆数である。

また、切替手段９は、データ記憶手段７からハンドル角δ等と同一のタイミングで実測された教師データとしてのすべり角βreを読み出し、同様に所定の時間間隔ごとの時系列データβreｉに分割し、各時系列データβreｉについて平均値Ｍreｉ、分散σreｉ、周期Ｆreｉをそれぞれ算出する。

そして、平均値Ｍｅｉと平均値Ｍreｉとの差を算出し、すべて足し合わせる。分散σｅeｉと分散σreｉ、周期Ｆｅｉと周期Ｆreｉについても同様に差を算出して足し合わせる。そして、足し合わせた平均値の差、分散の差、周期の差をそれぞれ正規化し、それぞれの比を算出して一番比率が高かったものを学習の対象として選択するようになっている。

本実施形態では、平均値は砂時計型ニューラルネットワークinＳＮＮに、分散はリカレント型ニューラルネットワークＲＮＮに、周期は砂時計型ニューラルネットワークretＳＮＮにそれぞれ対応づけられている。

これは、特徴量抽出手段２の砂時計型ニューラルネットワークinＳＮＮの学習の具合が悪いと出力データβｅの平均値と教師データβreの平均値との間に差が生じ、演算手段３のリカレント型ニューラルネットワークＲＮＮの学習の具合が悪いと出力データβｅの分散と教師データβreの分散との間に差が生じ、砂時計型ニューラルネットワークretＳＮＮの学習の具合が悪いと出力データβｅの周期と教師データβreの周期との間に差が生じるという知見に基づく。

切替手段９は、評価手段８が設定された世代数の学習を終えると、前記要領で平均値の差、分散の差、周期の差を算出し、例えば、（平均値の差）：（分散の差）：（周期の差）が０．１：０．４：０．５であった場合には砂時計型ニューラルネットワークretＳＮＮを学習の対象として選択して評価手段８に砂時計型ニューラルネットワークretＳＮＮの学習を行わせるようになっている。

本実施形態では、切替手段９による切り替え回数が所定回数に達した時点で切り替えを終了し、最適化手段４における最適化処理が終了するようになっている。なお、終了の条件としては、この他にも、例えば、砂時計型ニューラルネットワークinＳＮＮ、retＳＮＮおよびリカレント型ニューラルネットワークＲＮＮについての個体の最良の評価値Ｑがそれぞれに設定された評価値をすべて上回った時点で終了するように構成することも可能である。

次に、本実施形態に係る車両挙動推定予測装置１を用いた車両安定化制御システムについて説明する。

本実施形態に係る車両安定化制御システム１７は、図６に示されるように、車両挙動推定予測装置１と、制御装置１８と、アクセル開度等を調整する各種アクチュエータ等１９とを備えている。なお、各種アクチュエータ等１９としては、具体的には、４輪独立ブレーキ、アクセル開度を制御する電子制御スロットル、バイワイヤによるステアリング制御のようにステアリングサーボ機能を有するシステム等が挙げられる。

車両挙動推定予測装置１は、前述したようにステアリングホイールの操舵角センサＳ１等の測定装置Ｓにより測定された操舵角δ等が入力されると、制御装置１８に対して前述したように現在のすべり角の推定値βｅやヨーレートの推定値γｅ等や一定時間後のすべり角の予測値βｅやヨーレートの予測値γｅ等を出力するようになっている。

また、本実施形態に係る車両挙動推定予測装置１のすべり角演算手段３１、ヨーレート演算手段３２等の演算手段３は、予め路面が乾燥していて外乱が少ない状態における走行データを教師データとして学習が行われている。

制御装置１８は、図示しないＣＰＵやＲＯＭ、ＲＡＭ、入出力インターフェース等がバスに接続されたコンピュータにより構成されており、制御装置１８には、車両挙動推定予測装置１から出力されたすべり角やヨーレート等の推定値や予測値βｅ、γｅが入力されるようになっている。また、本実施形態では、その他、操舵角δと、図示しないすべり角センサおよびヨーレートセンサで測定された実すべり角βreおよび実ヨーレートγreが入力されるようになっている。

制御装置１８は、入力されたステアリングホイールの操舵角δにおけるすべり角やヨーレートの現在の推定値βｅ、γｅとセンサによる実測値βre、γreとを比較して車両がスピン状態やドリフト状態にあるか、あるいはアンダステアの状態にあるかオーバステアの状態にあるかを判断するようになっている。

各種アクチュエータ等１９は、制御装置１８から送信される制御信号に応じて作動するようになっている。

次に、本実施形態に係る車両挙動推定予測装置１およびそれを用いた車両安定化制御システム１７の作用について説明する。

車両挙動推定予測装置１の特徴量抽出手段２の砂時計型ニューラルネットワークinＳＮＮおよび演算手段３を構成する各演算手段のリカレント型ニューラルネットワークＲＮＮ、砂時計型ニューラルネットワークretＳＮＮは、最適化手段４により操舵角δ等の実測データＤおよび教師データＴに基づいてそれぞれ予め学習され最適化される。そして、それぞれ最適化された各ノードの閾値θｉと結合重み係数ｗijによってセットアップされる。

車両挙動推定予測装置１に、操舵角センサＳ１やステア反力センサＳ２、車輪速センサＳ３等から測定された操舵角δやステア反力Ｓｔ、車輪速Ｖ等の測定値が同期がとられた一定のサンプリングサイクルごとに入力されると、それらの測定値のうち、ハンドル角δは微分器５、６によりハンドル角速度ｄδおよびハンドル角加速度ｄ^２δが算出され、ハンドル角δ、ハンドル角速度ｄδ、ハンドル角加速度ｄ^２δ、ステア反力Ｓｔ、車輪速Ｖ、車体横加速度Ｇｙ、車体前後加速度Ｇｘ、アクセル開度Ａが特徴量抽出手段２に入力される。また、外気温度Ｔｅ、外気風速Ｗは演算手段３に入力される。

特徴量抽出手段２では、一方の砂時計型ニューラルネットワークinＳＮＮの入力層Ｌ１のノードＮ１〜Ｎ４にそれぞれハンドル角δ、ハンドル角速度ｄδ、ハンドル角加速度ｄ^２δ、ステア反力Ｓｔの正規化値が入力され、次元圧縮されて圧縮層Ｌ３のノードＮ８から特徴量ｆ１が抽出されて演算手段３に出力される。また、他方の砂時計型ニューラルネットワークinＳＮＮの入力層Ｌ１のノードＮ１〜Ｎ４にそれぞれ車輪速Ｖ、車体横加速度Ｇｙ、車体前後加速度Ｇｘ、アクセル開度Ａの正規化値が入力され、次元圧縮されて圧縮層Ｌ３のノードＮ８から特徴量ｆ２が抽出されて演算手段３に出力される。

演算手段３を構成する各演算手段には、それぞれ特徴量抽出手段２から送信されてきた特徴量ｆ１、ｆ２の正規化値と、直接入力された外気温度Ｔｅ、外気風速Ｗの正規化値が入力される。そして、各演算手段が、同時に、それぞれが演算すべき車両挙動を表す量の推定値や予測値を算出する。各演算手段の中から演算を行うべき演算手段を選択して演算を行わせるようにすることも可能である。

すべり角演算手段３１を例にとって説明すると、すべり角演算手段３１を構成するリカレント型ニューラルネットワークＲＮＮの入力層Ｌ６のノードＮ１６〜Ｎ１９にそれぞれ特徴量ｆ１、ｆ２、外気温度Ｔｅ、外気風速Ｗの正規化値が入力され、ノードＮ２０には砂時計型ニューラルネットワークretＲＮＮの圧縮層Ｌ１２から出力値βｅの時間的変化の特徴量ｆｄの正規化値が入力される。

各入力値は、ニューラルネットワーク演算処理され、リカレント型ニューラルネットワークＲＮＮの出力層Ｌ９のノードＮ２８からすべり角の推定値や予測値を表す出力値βｅが出力される。

出力値βｅは、遅延回路Ｚ^−１を介して正規化されて砂時計型ニューラルネットワークretＳＮＮの入力層Ｌ１０のノードＮ２９〜Ｎ３２に入力され、次元圧縮されて圧縮層Ｌ１２のノードＮ３６から特徴量ｆｄが抽出されて出力され、リカレント型ニューラルネットワークＲＮＮの入力層Ｌ６のノードＮ２０に入力される。

車両安定化制御システム１７には、車両挙動推定予測装置１から例えばすべり角の推定値βｅやヨーレートの推定値γｅが入力され、操舵角センサＳ１等の測定装置Ｓにより測定された操舵角δ等が入力され、さらにすべり角センサやヨーレートセンサから実すべり角βreや実ヨーレートγreが入力される。

これらの値が入力されると、制御装置１８は、例えば、ステアリングホイールの操舵角δにおけるすべり角やヨーレートの推定値βｅ、γｅと、センサによる実測値βre、γreとを比較して、車両がスピン状態やドリフト状態にあるか、あるいはアンダステアの状態にあるかオーバステアの状態にあるかを判断して、各種アクチュエータ等１９に制御信号を送信して車両の安定化制御を行う。

具体的には、制御装置１８は、まず、ヨーレートの推定値γｅと実ヨーレートγreとが一定の誤差範囲内にあってほぼ等しい状態であり、すべり角の推定値βｅに比べて実すべり角βreが設定された閾値以上に大きい場合には、路面摩擦係数が減少して車両が路面に対して滑っており、車両にスピンが生じているあるいはスピンが生じかけていると判断して、スピンの発生を阻止するように各種アクチュエータ等１９に制御信号を送信する。

この場合、制御装置１８は、例えば、４輪独立ブレーキのうち車両の旋回の外側に位置するブレーキにブレーキ圧を上げるように信号を送信し、アクセル開度を制御する電子制御スロットルにはアクセル開度を絞るように信号を送信し、また、ステアリングサーボ機能を有するシステムにはステアリングの操舵角の絶対値を小さくする方向に戻すように信号を送信してスピン発生を防止し、あるいは生じているスピンを解消する。

なお、すべり角の推定値βｅに比べて実すべり角βreが同じか小さい場合には、制御装置１８は各種アクチュエータ等１９に対しては特別の制御を行わない。

また、制御装置１８は、すべり角の推定値βｅと実すべり角βreとが一定の誤差範囲内にあってほぼ等しい状態であり、ヨーレートの推定値γｅが実ヨーレートγreに比べて設定された正の閾値以上に大きい場合には、車両がアンダステアの状態にあると判断してアンダステア状態を解消し、またドリフトの発生を阻止するように各種アクチュエータ等１９に制御信号を送信する。

この場合、制御装置１８は、例えば、前輪に対する後輪のトルク配分を上げるように調整する信号をトルク配分電子制御システムに送信してアンダステアを解消し、４輪独立ブレーキのうち車両の進行方向側の前輪に対応するブレーキにブレーキ圧を上げるように信号を送信してドリフトの発生を防止し、あるいは生じているドリフト状態を解消する。

さらに、制御装置１８は、すべり角の推定値βｅと実すべり角βreとが一定の誤差範囲内にあってほぼ等しい状態であり、ヨーレートの推定値γｅが実ヨーレートγreに比べて設定された負の閾値より小さい場合には、車両がオーバステアの状態にあると判断して、例えば、後輪に対する前輪のトルク配分を上げるように調整する信号をトルク配分電子制御システムに送信してオーバステアを解消する。

なお、車両安定化制御システム１７は、この他にも、例えば、車両挙動推定予測装置１からヨーレートの１秒後、２秒後、３秒後の予測値γｅt+1、γｅt+2、γｅt+3を出力させ、制御装置１８がその予測値γｅt+1、γｅt+2、γｅt+3とステアリングホイールの現在の操舵角δtとを監視する。

その際、例えば、操舵角δtが正または負の値であり運転者がステアリングホイールを切っている状態で、３秒後の予測ヨーレートγｅt+3が１、２秒後の予測ヨーレートγｅt+1、γｅt+2から急激に変化すると予測された場合には、３秒後にスピンが生じると判断する。

そして、予め４輪独立ブレーキのうち車両の旋回の外側に位置するブレーキにはブレーキ圧を上げるように、アクセル開度を制御する電子制御スロットルにはアクセル開度を絞るように、また、ステアリングサーボ機能を有するシステムにはステアリングの操舵角の絶対値を小さくする方向に戻すようにそれぞれ信号を送信してスピンの発生を防止するように構成することも可能である。

また、例えば、車両挙動推定予測装置１を車体横加速度の推定値Ｇｙｅや横加速度の予測値Ｇｙｅt+a、Ｇｙｅt+b、Ｇｙｅt+c、…を出力するように構成し、制御装置１８がそれらの値と横加速度センサＳ６による実測値Ｇｙreとを比較するように構成することも可能である。

このように構成すれば、制御装置１８がそれらの値と横加速度センサＳ６による実測値Ｇｙreとを比較して、強い横風や路面の左右方向の傾斜、あるいはドリフト等のために車両に横加速度が生じていると判断することが可能となる。そして、その場合には、ステアリングサーボ機能を有するシステムに対して、横加速度の実測値Ｇｙreと推定値または予測値Ｇｙｅとの差が小さくする方向にステアリングホールを切るように制御信号を送信することが可能となる。

以上のように、本実施形態に係る車両挙動推定予測装置１によれば、特徴量抽出手段２の砂時計型ニューラルネットワークinＳＮＮでは、ハンドル角δ等が入力層に入力され、一旦圧縮層で次元圧縮された後、出力層からハンドル角δ等が復元されて出力される。そのため、圧縮層から出力側中間層への出力は、入力されたハンドル角δ等の複数の車両挙動を表す量の特徴がすべて反映された情報であると言える。

従って、圧縮層からその情報を引き出し、それを特徴量として抽出して演算手段３に入力することで、１つの入力で演算手段３のニューラルネットワークにハンドル角δ等の複数の車両挙動を表す量を入力することと同じ効果を得ることが可能となる。そのため、ニューラルネットワークが出力する車両挙動を表す量の推定値や予測値の変動に影響を与える可能性がある他の多数種類の量をニューラルネットワークに入力することと同等の効果を得ることが可能となり、ニューラルネットワークから出力される車両挙動を表す量の推定値や予測値の精度を向上させることが可能となる。

また、多数の車両挙動を表す量を少数の特徴量に次元圧縮して入力することで、実際にニューラルネットワークに入力されるデータの数を低減させることが可能となり、ニューラルネットワークを構成するノード数も低減できる。そのため、遺伝的アルゴリズム等により最適化されるべき変数が少数となり、ニューラルネットワークの学習において容易に収束し、学習効率が向上して学習速度が促進されるとともに、ニューラルネットワークから出力される車両挙動を表す量の推定値や予測値の精度をさらに向上させることが可能となる。

また、車両挙動を表す量の推定値や予測値を演算して出力する演算手段３を遅れ要素フィードバックを有するリカレント型ニューラルネットワークＲＮＮで構成し、現在または過去の複数の時点で出力された複数の推定値や予測値を砂時計型ニューラルネットワークを用いて次元圧縮させてリカレント型ニューラルネットワークＲＮＮの入力層に入力させる。

そのため、演算手段３から出力される車両挙動を表す量の推定値や予測値に直前または数サイクル前に出力した推定値等を反映させて、出力される推定値や予測値に連続性や因果性を持たせることが可能となる。また、過去に出力した過去の数サイクルの出力の特徴が反映された情報を１つまたは少数の情報に次元圧縮してリカレント型ニューラルネットワークＲＮＮに入力することが可能となるため、遅れ要素についても上記と同様の効果を得ることが可能となる。

学習においては、学習タイミングを切り替えながら砂時計型ニューラルネットワークinＳＮＮ、retＳＮＮやリカレント型ニューラルネットワークＲＮＮの学習を個別に行わせることで、それぞれの学習で容易に収束し、学習効率が向上して学習速度が促進されるとともに、ニューラルネットワークから出力される車両挙動を表す量の推定値等や特徴量の精度をさらに向上させることが可能となる。

また、演算手段３から出力される車両挙動を表す量の推定値や予測値の出力データと学習に用いられた教師データのそれぞれの波形の平均値、分散、周期に基づいて学習タイミングを切り替える。それぞれの波形の平均値の差が大きければ砂時計型ニューラルネットワークinＳＮＮの学習の具合が悪く、それぞれの波形の分散の差が大きければリカレント型ニューラルネットワークＲＮＮの学習の具合が悪く、それぞれの波形の周期の差が大きければ砂時計型ニューラルネットワークretＳＮＮの学習の具合が悪い。

そのため、出力データと教師データのそれぞれの波形の平均値、分散、周期に基づいて学習タイミングを切り替えることで、学習すべきニューラルネットワークを適切に選択することが可能となり、車両挙動推定予測装置１が出力する車両挙動を表す量の精度を効率良く的確に向上させることが可能となる。

一方、本実施形態に係る車両安定化システム１７によれば、車両挙動推定予測装置１から送信されてくる高精度の推定値や予測値に基づいて車両の現在の挙動を推定し、将来の挙動を予測することが可能となる。そのため、その高精度の推定値や予測値を用いて車両挙動を不安定化させている要因を除去する方向に効果的に制御し、あるいは車両挙動を不安定化させる要因を修正して不安定化が生じないように予め効果的に制御することが可能となる。

また、予め車両挙動推定予測装置の演算手段を、路面が乾燥していて外乱が少ない状態における走行データを教師データとして学習を行っておくことで、外乱の少ない状態における車両挙動を表す量の推定値や予測値を出力させ、それと実際の測定値とを比較することで、車両に生じているあるいは生じる可能性がある外乱を把握して的確に車両挙動の安定化制御を行うことが可能となる。

なお、本実施形態では、車両挙動推定予測装置１にハンドル角δ等が入力される場合について説明したが、入力されるデータはこれらに限定されず、適宜装置１にセンサ等を接続して入力される。また、微分値や２階微分値が算出されるデータは本実施形態のようにハンドル角δに限定されず適宜決定される。

さらに、特徴量抽出手段２に入力されるデータの種類は、車両挙動推定予測装置１が果たすべき機能等に応じて適宜決定される。また、特徴量抽出手段のそれぞれの砂時計型ニューラルネットワークに入力するデータとして、通常、互いに相関が強いと考えられる車両挙動を表す量が組み合わされるが、データの組み合わせは適宜決定される。

また、本実施形態では、車両挙動推定予測装置１やそれを用いた車両安定化制御システム１７を実車両に搭載する場合について述べたが、例えば、これらをコンピュータに組み込んでシミュレーション解析を行うように構成することも可能であり、このような場合も本発明に含まれる。

本実施形態に係る車両挙動推定予測装置の構成を示すブロック図である。 本実施形態に係る特徴量抽出手段の構成を示す図であり、（Ａ）は砂時計型ニューラルネットワークの圧縮層のノードが単数の場合、（Ｂ）は複数の場合を示す。 本実施形態に係る各演算手段の構成を示す図である。 本実施形態に係る最適化手段の構成を示す図である。 本実施形態に係る最適化手段の構成を示すブロック図である。 本実施形態に係る車両挙動推定予測装置を用いた車両安定化制御システムの構成を示すブロック図である。

符号の説明

１ 車両挙動推定予測装置
２ 特徴量抽出手段
３ 演算手段
９ 切替手段
１７ 車両安定化システム
１８ 制御装置
Ｓ 測定装置
ＲＮＮ リカレント型ニューラルネットワーク
inＳＮＮ 砂時計型ニューラルネットワーク
retＳＮＮ 砂時計型ニューラルネットワーク
Ｌ３ 圧縮層
Ｌ６ 入力層
Ｌ１２ 圧縮層
ｆ１、ｆ２ 特徴量
Ｄ 実測データ
Ｔ 教師データ
Ｑ 評価値
Ｍ 平均値
σ 分散
Ｆ 周期

Claims (7)

1. 測定装置により測定された複数の車両挙動を表す量に関するデータを砂時計型ニューラルネットワークを用いて次元圧縮させ前記砂時計型ニューラルネットワークの圧縮層からの出力を特徴量として抽出する特徴量抽出手段と、
   抽出された前記特徴量に基づいて現在の車両挙動を表す量の推定値または一定時間後の車両挙動を表す量の予測値を出力するニューラルネットワークで構成された演算手段と
   を備えることを特徴とする車両挙動推定予測装置。
2. 前記演算手段を構成するニューラルネットワークは、遅れ要素フィードバックを有するリカレント型ニューラルネットワークであることを特徴とする請求項１に記載の車両挙動推定予測装置。
3. 前記遅れ要素フィードバックを有するリカレント型ニューラルネットワークは、現在または過去の複数の時点で出力された複数の前記推定値または前記予測値である遅れ要素を砂時計型ニューラルネットワークを用いて次元圧縮させ、前記砂時計型ニューラルネットワークの圧縮層からの出力を前記リカレント型ニューラルネットワークの入力層に入力させるように構成されていることを特徴とする請求項２に記載の車両挙動推定予測装置。
4. 前記特徴量を抽出する砂時計型ニューラルネットワーク、前記リカレント型ニューラルネットワークおよび前記複数の遅れ要素を次元圧縮する砂時計型ニューラルネットワークは、測定装置により測定された実測データおよび前記リカレント型ニューラルネットワークからの出力データを教師データとして算出される評価値に基づいて予めそれぞれ個別に学習されることを特徴とする請求項３に記載の車両挙動推定予測装置。
5. 前記特徴量を抽出する砂時計型ニューラルネットワーク、前記リカレント型ニューラルネットワークおよび前記複数の遅れ要素を次元圧縮する砂時計型ニューラルネットワークの学習において、学習タイミングを切り替えながら個別に学習を行わせるためにいずれか１つを選択する切替手段を備えることを特徴とする請求項４に記載の車両挙動推定予測装置。
6. 前記切替手段は、前記測定装置により測定された実測データと前記リカレント型ニューラルネットワークからの出力データについてそれぞれ平均値、分散および周期を算出し、両者の平均値、分散および周期の差をそれぞれ正規化して比較した場合に、正規化された平均値の差が最も大きい場合には前記特徴量を抽出する砂時計型ニューラルネットワークを、正規化された分散の差が最も大きい場合には前記リカレント型ニューラルネットワークを、正規化された周期の差が最も大きい場合には前記複数の遅れ要素を次元圧縮する砂時計型ニューラルネットワークを選択することを特徴とする請求項５に記載の車両挙動推定予測装置。
7. 請求項１から請求項６のいずれか一項に記載の車両挙動推定予測装置と、
   前記車両挙動推定予測装置から出力される前記推定値または前記予測値に基づいて車両の安定化制御を行う制御装置と
   を備えることを特徴とする車両安定化制御システム。

Images