JP2008247094A - 車両用空調装置、車両用空調装置の制御方法、車載機器制御装置および車載機器の制御方法 - Google Patents

Abstract

【課題】簡便な操作でドライバの好みに応じた最適な設定に調整可能な車両用空調装置及びその制御方法を提供する。
【解決手段】車両用空調装置（１）は、情報取得部（５１〜５３）で取得された状態情報と確率モデルに基づいて、空調設定に関して推薦する設定操作を決定する推薦操作決定部（６３）と、推薦された設定操作を承認するか否かを入力する判定入力部（７５）と、推薦された設定操作が承認された場合、その設定操作に応じて設定情報又は制御情報を修正する制御情報修正部（６４）と、修正された設定情報又は制御情報等にしたがって、空調空気を車両内に供給する空調部（１０）の空調制御を行う空調制御部（６５）と、乗員の負荷状態を検知する負荷状態検知部（７１〜７４）と、推薦された設定操作が承認されない場合、乗員の負荷状態、又は操作部（５９）を通じてなされた設定操作の内容に応じて確率モデルを修正する学習部（６６）を有する。
【選択図】図１

Description

本発明は、車両用空調装置、車両用空調装置の制御方法、車載機器制御装置および車載機器の制御方法に関し、特に、状況に応じて最適な空調設定を推薦する車両用空調装置およびその車両用空調装置の制御方法に関する。

一般に、車両用空調装置では、設定温度、外気温、内気温、日射量などの各種パラメータに応じて、各吹き出し口から送出される空調空気の温度、風量などを自動的に決定する。しかし、ドライバの体感温度、温感（暑がり、寒がりなど）には個人差が存在する。そのため、自動的に決定された空調空気の温度、風量などが、最適な値とならないことがある。そのような場合、ドライバは、必要に応じて操作パネルを操作して、設定温度を高くしたり、あるいは低くしたり、あるいは、風量を増加又は減少させるように空調装置を調節する。そこで、このような操作を簡単化するための自動制御システムが開発されている（特許文献１参照）。特許文献１に記載の自動制御システムは、所定の目標物の接近など、何らかのトリガ情報を取得して、そのトリガ情報に関連付けられた各種の自動制御（例えば、空調装置の内外気切替、オーディオをラジオ交通情報にセット、ワイパーを停止など）をドライバに提示する。そして、その自動制御システムは、ドライバがその提示された自動制御に対してＹＥＳボタンを通じて肯定操作を行うだけで、それらの自動制御を実行する。

また、車両に搭載された各種装置をドライバを煩わせることなく効果的に活用するための車両エージェントシステムが開発されている（特許文献２参照）。特許文献２に開示された車両エージェントシステムは、ドライバからの指示または状況検出手段によって検出された状況の変化に基づき、その指示または状況の変化に適した対応を記憶部から読み出してドライバに提示し、その提示内容に対するドライバの指示などに基づいて、決定された対応を車両各部に実行させる。そして、その車両エージェントシステムは、実行された内容に基づいて履歴情報を更新し、次回の提示時には、その履歴情報を利用して、使用頻度の高いもの、最近使用されたものなどが提示されるようにする。

特開２０００−１２７８６９号公報 特開２００３−２５２１３０号公報

しかし、特許文献１に記載の自動制御システムは、各トリガ情報に対して予め関連付けられた制御しか自動的に実行できない。そのため、各トリガ情報に関連付けられた自動制御の内容がドライバの好みと一致しない場合、ドライバは、結局自分で所望の操作を行わなければならない。またこのような場合、ドライバは、自動制御システムにより提案された内容を確認したり、否定操作を行わなければならず、その自動制御システムは、逆にドライバに対して負荷を増やすだけとなってしまい、操作の簡単化という目的を達成することはできない。

また、特許文献２に記載の車両エージェントシステムでは、提示されても使用されなかった対応は、履歴情報に含まれなくなっていくので、提示すらされないようになっていく。しかし、提示時に、ドライバが忙しくてその提示された対応に対する承認を行えないような場合、例えば、車線変更中のような場合には、提示された対応がドライバの望むものであっても、結果的にその対応が使用されないこともある。このような場合にも、その車両エージェントシステムでは、一律に履歴情報を更新してしまうので、本来ドライバに対して提示されるべき対応が、提示されなくなってしまうおそれがある。

本発明の目的は、簡便な操作でドライバの好みに応じた最適な設定に調整可能な車両用空調装置、車両用空調装置の制御方法、車載機器制御装置および車載機器の制御方法を提供することにある。
本発明の他の目的は、推薦を行う状況またはドライバに推薦する設定内容を自動的に調整可能な車両用空調装置、車両用空調装置の制御方法、車載機器制御装置および車載機器の制御方法を提供することにある。

請求項１の記載によれば、本発明の一つの形態として、車両用空調装置が提供される。係る車両用空調装置は、情報取得部（５１、５２、５３）で取得された車両に関する状態を表す状態情報を、確率モデルに入力して空調設定に関する設定操作についての推薦確率を算出し、算出した推薦確率が所定の閾値以上となる場合、その設定操作を推薦する推薦操作決定部（６３）と、表示部（５９）を通じて提示された、推薦された設定操作を承認するか否かを入力する判定入力部（７５）と、推薦された設定操作を承認する承認操作がなされた場合、車両用空調装置の設定情報又は制御情報を、その推薦された設定操作に応じて修正する制御情報修正部（６４）と、修正された設定情報又は制御情報、若しくは操作部（５９）を通じてなされた設定操作に対応する車両用空調装置の設定情報又は制御情報にしたがって、空調空気を車両内に供給する空調部（１０）の空調制御を行う空調制御部（６５）と、乗員の負荷状態を検知する負荷状態検知部（７１、７２、７３、７４）と、承認操作がなされない場合、負荷状態検知部（７１、７２、７３、７４）で検知された乗員の負荷状態、又は操作部（５９）を通じてなされた乗員の設定操作の内容に応じて確率モデルを修正する学習部（６６）とを有する。

係る構成を有することにより、本発明に係る車両用空調装置は、簡便な操作でドライバの好みに応じた最適な設定に調整することができる。また、本発明に係る車両用空調装置は、推薦する設定操作の提案を行う状況またはドライバに推薦する設定内容を自動的に調整することができる。なお、状態情報は、例えば、車両内外の空調情報、車両の位置情報、車両の挙動情報、時間情報又は車両のドライバの生体情報などである。また、空調情報は、車内の内気温、車外の外気温及び日射量を含む。また、設定操作とは、設定温度の変更、風量の変更、内気循環モードに設定する、デフロスタを作動あるいは停止させるといった、車両用空調装置の動作状態を変更させる操作をいう。さらに、設定情報とは、設定温度、風量、内外気の吸気比、各吹出口から送出される空調空気の風量比など、車両用空調装置の動作を規定する情報をいう。さらに、制御情報とは、空調空気の温度、ブロアファンの回転数、エアミックスドアの開度など、設定情報に基づいて求められ、空調部の各部の動作を制御する情報をいう。

また、請求項２に記載のように、学習部（６６）は、乗員が表示部（５９）に推薦された設定操作が提示された時点から所定期間が経過するまでに推薦された設定操作と同一の設定操作を操作部（５９）を通じて行った場合、推薦された設定操作について算出される推薦確率を低くするように確率モデルを修正することが好ましい。

この場合において、請求項３に記載のように、確率モデルは、状態情報が所定の値を有する場合に第１の事象が生じる第１の条件付き確率及び第２の事象が生じる第２の条件付き確率を出力する第１のノードと、第１の条件付き確率と第２の条件付き確率を入力として、第１の事象が生じた場合に推薦すべき設定操作の第３の条件付き確率と第２の事象が生じた場合に推薦すべき設定操作の第４の条件付き確率を求め、第３の条件付き確率と第４の条件付き確率を合計して推薦すべき設定操作の推薦確率を算出する第２のノードとを有し、学習部（６６）は、第３の条件付き確率が第４の条件付き確率よりも高い場合には、第１の条件付き確率を低くするように第１のノードを修正し、かつ、第４の条件付き確率が第３の条件付き確率以上の場合には、第２の条件付き確率を低くするように第１のノードを修正することが好ましい。
係る構成を有することにより、本発明に係る車両用空調装置は、設定操作の推薦を行う状況を、乗員の好みに応じて調整することができる。

また、請求項４に記載のように、確率モデルは、複数の異なる設定操作に関してそれぞれ推薦確率を算出するものであり、推薦操作決定部（６３）は、複数の異なる設定操作のそれぞれについて算出された推薦確率のうち、最も高い推薦確率に対応する設定操作を、推薦する設定操作とすることが好ましい。

さらに、請求項５に記載のように、学習部（６６）は、複数の設定操作のうち、推薦された設定操作と異なる設定操作を乗員が表示部（５９）に推薦された設定操作が提示された時点から所定期間が経過するまでに操作部（５９）を通じて行った場合、乗員が行った設定操作について算出される推薦確率を高くするように確率モデルを修正することが好ましい。

この場合において、請求項６に記載のように、確率モデルは、状態情報が所定の値を有する場合に第１の事象が生じる第１の条件付き確率と、状態情報が所定の値を有する場合に第２の事象が生じる第２の条件付き確率を出力する第１のノードと、第１の条件付き確率と第２の条件付き確率を入力として、複数の異なる設定操作のそれぞれについて、第１の事象が生じた場合に推薦する第３の条件付き確率と、第２の事象が生じた場合に推薦する第４の条件付き確率を求め、第３の条件付き確率と第４の条件付き確率を合計することにより、複数の異なる設定操作のそれぞれについて推薦確率を算出する第２のノードとを有し、学習部（６６）は、乗員が行った設定操作に関する第３の条件付き確率又は第４の条件付き確率を高く、かつ推薦された設定操作に関する第３の条件付き確率又は第４の条件付き確率を低くするように第２のノードを修正することが好ましい。
係る構成を有することにより、本発明に係る車両用空調装置は、所定の状況下において推薦されるべき設定操作の内容を、乗員の好みに応じて最適化することができる。

また、請求項７に記載のように、学習部（６６）は、乗員が表示部（５９）に推薦された設定操作が提示された時点から所定期間が経過するまでに操作部（５９）を通じて確率モデルが推薦確率を算出しない別の種類の設定操作を行った場合、乗員の行った設定操作に関する推薦確率を算出するように確率モデルを修正することが好ましい。

この場合において、請求項８に記載のように、確率モデルは、状態情報が所定の値を有する場合に第１の事象が生じる第１の条件付き確率及び第２の事象が生じる第２の条件付き確率を出力する第１のノードと、第１の条件付き確率と第２の条件付き確率を入力として、第１の事象が生じた場合に推薦すべき設定操作の第３の条件付き確率と第２の事象が生じた場合に推薦すべき設定操作の第４の条件付き確率を求め、第３の条件付き確率と第４の条件付き確率を合計して推薦すべき設定操作の推薦確率を算出する第２のノードとを有し、学習部（６６）は、確率モデルに、第１の条件付き確率と第２の条件付き確率を入力として、第１の事象が生じた場合に乗員が行った設定操作を推薦する第５の条件付き確率と第２の事象が生じた場合に乗員が行った設定操作を推薦する第６の条件付き確率を求め、第５の条件付き確率と第６の条件付き確率を合計して乗員が行った設定操作の推薦確率を出力する第３のノードを追加することが好ましい。
係る構成を有することにより、本発明に係る車両用空調装置は、所定の状況下では推薦することが想定されていなかった設定操作まで、使用状況に応じて推薦することができるようになる。

また、請求項９に記載のように、学習部（６６）は、乗員が表示部（５９）に推薦された設定操作が提示された時点から所定期間が経過するまでに承認操作を行わず、かつ提示の時点において、車両用空調装置の設定操作を行う余裕が無い程度に乗員の負荷状態が大きい場合、確率モデルの修正を行わないことが好ましい。
係る構成を有することにより、本発明に係る車両用空調装置は、本来修正を行う必要がない場合にまで確率モデルが修正されて、所定の状況下で推薦されるべき設定操作が推薦されなくなることを防止することができる。

また、請求項１０の記載によれば、本発明の他の形態として、車両用空調装置の制御方法が提供される。係る制御方法は、車両に関する状態を表す状態情報を取得するステップと、状態情報が所定の条件を満たす場合、その状態情報を確率モデルに入力して空調設定に関する設定操作についての推薦確率を算出し、算出した推薦確率が所定の閾値以上となる場合、設定操作を推薦するステップと、推薦された設定操作が承認されたか否かを判定するステップとを有する。さらに、係る制御方法は、推薦された設定操作が承認された場合、車両用空調装置の設定情報又は制御情報を、推薦された設定操作に応じて修正するステップと、修正された設定情報又は制御情報にしたがって、空調部（１０）の空調制御を行うステップを有し、一方、推薦された設定操作が承認されない場合、乗員の負荷状態を検知するステップと、車両用空調装置に関して任意の設定操作を行うための操作部（５９）を通じてなされた乗員の設定操作の内容を取得するステップと、検知された乗員の負荷状態又は操作部（５９）を通じてなされた乗員の設定操作の内容に応じて確率モデルを修正するステップを有する。

さらに、請求項１１の記載によれば、本発明の他の形態として、車両に搭載された車載機器を制御する車載機器制御装置が提供される。係る車載機器制御装置は、情報取得部（５１、５２、５３）で取得された車両に関する状態を表す状態情報を、確率モデルに入力して車載機器に関する設定操作についての推薦確率を算出し、算出した推薦確率が所定の閾値以上となる場合、その設定操作を推薦する推薦操作決定部（６３）と、表示部（５９）を通じて提示された、推薦された設定操作を承認するか否かを入力する判定入力部（７５）と、推薦された設定操作を承認する承認操作がなされた場合、車載機器の設定情報又は制御情報を、その推薦された設定操作に応じて修正する制御情報修正部（６４）と、修正された設定情報又は制御情報、若しくは操作部（５９）を通じてなされた設定操作に対応する車載機器の設定情報又は制御情報にしたがって、車載機器の制御を行う制御部（６５）と、乗員の負荷状態を検知する負荷状態検知部（７１、７２、７３、７４）と、承認操作がなされない場合、負荷状態検知部（７１、７２、７３、７４）で検知された乗員の負荷状態、又は操作部（５９）を通じてなされた乗員の設定操作の内容に応じて確率モデルを修正する学習部（６６）とを有する。

さらに、請求項１２の記載によれば、本発明の他の形態として、車載機器の制御方法が提供される。係る制御方法は、車両に関する状態を表す状態情報を取得するステップと、状態情報が所定の条件を満たす場合、その状態情報を確率モデルに入力して車載機器に関する設定操作についての推薦確率を算出し、算出した推薦確率が所定の閾値以上となる場合、設定操作を推薦するステップと、推薦された設定操作が承認されたか否かを判定するステップとを有する。さらに、係る制御方法は、推薦された設定操作が承認された場合、車載機器の設定情報又は制御情報を、推薦された設定操作に応じて修正するステップと、修正された設定情報又は制御情報にしたがって、車載機器の制御を行うステップを有し、一方、推薦された設定操作が承認されない場合、乗員の負荷状態を検知するステップと、車載機器に関して任意の設定操作を行うための操作部（５９）を通じてなされた乗員の設定操作の内容を取得するステップと、検知された乗員の負荷状態又は操作部（５９）を通じてなされた乗員の設定操作の内容に応じて確率モデルを修正するステップを有する。

なお、上記各手段に付した括弧内の符号は、後述する実施形態に記載の具体的手段との対応関係を示す一例である。

以下、本発明を適用した車両用空調装置について説明する。
本発明を適用した車両用空調装置は、ドライバの温感又は特定状況を想定して予め作成された少なくとも一つの確率モデルに基づいて、最適と考えられる空調設定を推定してドライバに推薦するものである。特に、この車両用空調装置は、その推薦がドライバによって拒否又は無視された場合に、推薦時のドライバの負荷状態、ドライバによって別途なされた設定操作などに基づいてその原因を推定し、推定された原因に応じて確率モデルをどのように修正するかを決定した上で、その修正を行うものである。

図１は、車両用空調装置１の全体構成を示す構成図である。図１に示すように、車両用空調装置１は、主に機械的構成からなる空調部１０と、この空調部１０を制御する制御部６０とを有する。

まず、空調部１０の冷凍サイクルＲの構成を説明する。車両用空調装置１の冷凍サイクルＲは閉回路で構成され、その閉回路はコンプレッサ１１より時計回りにコンデンサ１５、レシーバ１６、膨張弁１７、およびエバポレータ１８を含む。そして、コンプレッサ１１は、冷媒を圧縮して高圧ガスにする。また、コンプレッサ１１は、ベルト１２を介して車載エンジン１３より伝わる動力断続用の電磁クラッチ１４を備える。コンデンサ１５は、コンプレッサ１１より送られてきた高温、高圧の冷媒ガスを冷却し、液化させる。レシーバ１６は、液化された冷媒ガスを貯蔵する。また、冷却性能の低下を防ぐため、液化された冷媒に含まれるガス状の気泡を取り除き、完全に液化された冷媒のみを膨張弁１７へ送る。膨張弁１７は、液化された冷媒を断熱膨張させて低温、低圧化し、エバポレータ１８へ送る。エバポレータ１８は、低温、低圧化された冷媒と、エバポレータ１８に送り込まれた空気との間で熱交換を行ってその空気を冷却する。

次に、空調部１０の空調ケース２０内の構成について説明する。エバポレータ１８の上流側には、ブロワファン２１が配置されている。ブロワファン２１は遠心式送風ファンで構成され、駆動用モータ２２により回転駆動される。ブロワファン２１の吸入側には、内外気切替箱２３が配置される。内外気切替箱２３内には、内外気サーボモータ２４で駆動される内外気切替ドア２５が配置される。そして内外気切替ドア２５は、内気吸込口２６と外気吸込口２７とを切り替えて開閉する。そして、内気吸込口２６又は外気吸込口２７から取り込まれた空気は、内外気切替箱２３を経由して、ブロアファン２１によってエバポレータ１８へ送られる。なお、ブロアファン２１の回転速度を調整することにより、車両用空調装置１から送出される風量を調節することができる。

エバポレータ１８の下流側には、エバポレータ１８側から順に、エアミックスドア２８、およびヒータコア２９が配置される。ヒータコア２９には、ヒータコア２９を通る空気を暖めるために、車載エンジン１３の冷却に使用された冷却水が循環供給される。また、空調ケース２０には、ヒータコア２９をバイパスするバイパス通路３０が形成されている。エアミックスドア２８は、温調サーボモータ３１により回動され、各吹き出し口から送出される空気を所定の温度にするために、ヒータコア２９を通過する通路３２からの温風とバイパス通路３０を通過する冷風との風量割合を調整する。

さらに、バイパス通路３０を経由した冷風と、ヒータコア２９を通過する通路３２からの温風とが混合される空気混合部３３の下流側には、空調空気を車内に送出するフット吹き出し口３４、フェイス吹き出し口３５、デフロスタ吹き出し口３６が設けられている。そして、各吹き出し口には、各吹き出し口を開閉するためのフットドア３７、フェイスドア３８及びデフロスタドア３９がそれぞれ設けられている。なお、フット吹き出し口３４は、運転席または助手席の足元へ空調空気を送出し、フェイス吹き出し口３５は、フロントパネルから運転席または助手席に向けて空調空気を送出する。また、デフロスタ吹き出し口３６は、フロントガラスへ向けて空調空気を送出する。各ドア３７、３８及び３９は、モードサーボモータ４０により駆動される。

次に、車両用空調装置１が有する情報取得部として機能する各種センサについて説明する。内気温センサ５１は、車室内の温度（内気温）T_rを測定するために、ハンドル近傍のインストルメントパネルなどにアスピレータとともに設置される。また、外気温センサ５２は、車室外の温度（外気温）T_amを測定するために、コンデンサ１５の外側前面の車両前方ラジエターグリルに設置される。さらに、車室内に照りつける日射光の強さ（日射量）Sを測定するために、日射センサ５３が車室内のフロントガラス近傍に取り付けられる。なお、日射センサ５３はフォトダイオードなどで構成される。これらセンサで取得された内気温T_r、外気温T_am及び日射量Sは、空調情報とされ、温調制御及び風量制御を行うために、制御部６０で使用される。なお、温調制御及び風量制御の詳細は後述する。

さらに、エバポレータ１８から吹き出される空気の温度（エバポレータ出口温度）を測定するためのエバポレータ出口温度センサ、ヒータコア２９へのエンジン冷却水の冷却水の水温を測定するためのヒータ入口水温センサ、及び冷凍サイクルＲ内を循環する冷媒の圧力を測定するための圧力センサなどが設けられる。その他、車室内には、ドライバ及び同乗者の顔を撮影するための１台以上の車内カメラ、車外の様子を撮影する車外カメラ、ドライバの生体情報を取得するための体温センサなどを設置してもよい。

車両用空調装置１は、上記の各センサからのセンシング情報の他、ナビゲーションシステムから、車両の現在位置、進行方向、周辺地域情報、Ｇｂｏｏｋ情報などの位置情報を状態情報として取得するようにしてもよい。また、車両操作機器から、アクセル開度、ハンドル、ブレーキ、パワーウインドウ開度、ワイパー、ターンレバー若しくはカーオーディオのＯＮ／ＯＦＦなどの各種操作情報及び車速、車両挙動情報などを状態情報として取得するようにしてもよい。さらに、車載時計より、曜日、現在時刻などの時間情報を状態情報として取得するようにしてもよい。
このように、ナビゲーションシステム、車両操作機器なども、情報取得部として機能し得る。

さらに、車両用空調装置１は、ドライバの負荷状態を調べるための負荷状態検知部を有する。負荷状態検知部は、車両用空調装置１が推薦する設定を提示した時点などにおけるドライバの負荷状態を検知して制御部６０へ送る。本実施形態では、この負荷状態検知部として、ハンドルの回転角度を調べる舵角センサ７１、ブレーキ操作量を調べるブレーキ操作量センサ７２、ウインカー（ＯＮかＯＦＦか）７３、ドライバが会話中か否かを調べるための集音マイク７４を用いた。また、この他、負荷状態検知部として、カーオーディオ、ナビゲーションシステム、パワーウインドウなどを操作中か否かを検知するセンサを用いることができる。

さらに、車両用空調装置１は、推薦された空調設定の提案に対してドライバが承認する承認操作または拒否する拒否操作を行うための判定入力部を有する。本実施形態では、承認操作及び拒否操作用の判定入力部として、ＹＥＳボタンとＮＯボタンを有するＹＥＳ／ＮＯスイッチ７５を、ハンドルに設けた。そして、ＹＥＳボタンをＯＮにする操作を承認操作、ＮＯボタンをＯＮにする操作を拒否操作とした。ＹＥＳ／ＮＯスイッチ７５においてなされたスイッチ操作は、電気信号として制御部６０へ通知される。
なお、制御部６０に音声認識プログラムを搭載することにより、集音マイク７４で検出されたドライバの音声に反応して承認操作（例えば、「はい」という音声を認識した場合）か拒否操作（例えば、「いいえ」という音声を認識した場合）かを判定するように、判定入力部を構成してもよい。

図２は、車両用空調装置１の制御部６０の機能ブロック図である。
制御部６０は、図示していないＣＰＵ，ＲＯＭ，ＲＡＭ等からなる１個もしくは複数個の図示してないマイクロコンピュータ、その周辺回路、電気的に書き換え可能な不揮発性メモリ等からなる記憶部６１、及び各種センサ、ナビゲーションシステム５６又は車両操作機器５７などとコントロールエリアネットワーク（ＣＡＮ）のような車載通信規格に従って通信を行う通信部６２から構成される。

さらに、制御部６０は、このマイクロコンピュータ及びマイクロコンピュータ上で実行されるコンピュータプログラムによって実現される機能モジュールとして、推薦操作決定部６３、制御情報修正部６４、空調制御部６５及び学習部６６を有する。

制御部６０は、上記のセンシング情報などの状態情報を取得すると、それらをＲＡＭに一時的に記憶する。同様に、操作部であるＡ／Ｃ操作パネル５９から取得された設定情報もＲＡＭに一時的に記憶する。そして制御部６０は、空調制御部６５において、それら状態情報及び設定情報に基づいて空調部１０を制御して、各吹き出し口から送出される空調空気の風量比、全体の風量及び温度を調節する。ここで制御部６０は、各状態情報の何れかが変動して所定の条件を満たした場合、推薦操作決定部６３において、その状態情報に対応して空調設定を最適化するために、複数の設定操作の中から最適と判断した設定操作をドライバに対して提案する。ドライバがその推薦された設定操作の提案を承認すると、制御情報修正部６４において、空調設定を提示内容にあわせて修正し、空調制御部６５で修正後の設定になるように空調部１０を制御する。さらに制御部６０は、ドライバがその提案を拒否または無視した場合、学習部６６において、推薦内容及び提案を行うタイミングを適宜修正する。以下、これらの動作を行う各機能モジュールについて説明する。

推薦操作決定部６３は、情報取得部から取得された状態情報（例えば、内気温T_r、外気温T_am）が、所定の条件を満たした場合、例えば、予め定められた所定の値となった場合に、確率モデルに基づいて、最適と判断した設定操作を推薦する。
本実施形態では、確率モデルとして、ベイジアンネットワークを用いた。ベイジアンネットワークは、複数の事象の確率的な因果関係をモデル化するものであり、各ノード間の伝播を条件付き確率で求める、非循環有向グラフで表されるネットワークである。なお、ベイジアンネットワークの詳細については、本村陽一、岩崎弘利著、「ベイジアンネットワーク技術」、初版、電機大出版局、２００６年７月、繁桝算男他著、「ベイジアンネットワーク概説」、初版、培風館、２００６年７月、又は尾上守夫監修、「パターン識別」、初版、新技術コミュニケーションズ、２００１年７月などに開示されている。

本実施形態では、確率モデルは、予め想定された条件に対する設定操作ごとに生成される。例えば、内気温T_rが所定の範囲になったときに設定温度T_setを変更する、日射量Sが所定の範囲になったときに風量Wを調節する、トンネルなど、所定の構造物に近づいたときに内気循環モードにするといった設定操作についての確率モデルが生成される。そして、記憶部６１には、確率モデルの構造情報が、関連する情報とともに記憶される。具体的には、確率モデルの構造情報として、確率モデルを構成する各ノード間の接続関係を表すグラフ構造、入力ノードに与えられる入力情報のタイプ、各ノードの条件付き確率表（以下、ＣＰＴという）が、記憶部６１に記憶される。また、確率モデルに関連する情報として、確率モデルの識別番号、その確率モデルを用いて設定パラメータの修正を行う推薦確率P_rの算出を開始するための条件（例えば、内気温T_rが所定温度に上昇、日射量Sが所定範囲に到達、車両がトンネルの１ｋｍ以内に接近といった条件）、その設定操作で修正される設定パラメータ及びその修正値（例えば、設定温度T_setを23℃にする場合には、（T_set,23）、風量WをHiにする場合には、(W,Hi)など）が各確率モデルに関連付けられて、記憶部６１に記憶される。なお、本実施形態では、設定パラメータとは、設定温度T_set、風量W、内気循環モード／外気導入モードの設定などドライバがＡ／Ｃ操作パネル５９などを通じて直接設定可能な設定情報をいう。

推薦操作決定部６３は、利用可能な確率モデルを記憶部６１から読み出す。推薦操作決定部６３は、読み出された１以上の確率モデルのうち、観測された状態情報の変動に関連するものに、その確率モデルの入力情報として定められた状態情報を入力して、ドライバが各確率モデルに関連付けられた設定操作を行う推薦確率P_rを求める。推薦確率P_rは、例えば確率伝播法（belief propagation）を用いて計算することができる。そして、推薦操作決定部６３は、求めた推薦確率P_rが、ドライバがその設定操作を行う可能性があると考えられる閾値Th1以上の場合、その設定操作内容をドライバに提示する。具体的には、推薦操作決定部６３は、Ａ／Ｃ操作パネル５９あるいはナビゲーションシステムなどの表示部を通じてその設定操作内容を表示してドライバに知らせる。なお、推薦操作決定部６３は、車内に設置されたスピーカを通じて設定操作内容を音声でドライバに知らせてもよい。そして、ドライバにその設定操作を行うか否かを確認する。

以下、内気温T_rの変化に応じて設定温度T_setを調整する設定操作を推薦する例を用いて、推薦操作決定部６３の動作を説明する。ここでは、ドライバがその設定操作を行う可能性があると考えられる閾値Th1を0.5とした。なお、閾値Th1は0.5に限られず、例えば、0.6又は0.8といったより高い値に設定してもよい。
図３に、車両用空調装置１の設定パラメータを自動調節するために使用される確率モデルの一例のグラフ構造を示す。図３に示す確率モデル１０１は、３層構造のベイジアンネットワークである。確率モデル１０１の入力ノード１０２は、内気温T_rを入力パラメータとする。中間ノード１０３は、入力ノードから取得した内気温T_rの事前確率または測定値に基づいて、内気温T_rが26℃〜28℃である場合にドライバが暑いと感じる状態にあるという第１の事象またはドライバが暑いと感じる状態にないという第２の事象となる条件付き確率を出力する。なお、以下では、便宜上、ドライバが暑いと感じる状態にあることを「暑いモードMが真(True)」、ドライバは暑いと感じていない状態にあることを「暑いモードMが偽(False)」という。中間ノード１０３の出力は、出力ノード１０４に入力される。そして出力ノード１０４は、暑いモードMが真である場合または偽である場合に、車両用空調装置１の設定温度T_setを23℃〜25℃に設定する条件付き確率に基づいて、設定温度T_setを23℃〜25℃に設定する推薦確率P_rを出力として算出する。図３中の表１１２〜１１４は、それぞれ入力ノード１０２の事前確率表、中間ノード１０３及び出力ノード１０４のＣＰＴである。

ここで、設定温度T_setが25℃である場合に、内気温T_rが26℃から27℃に上昇したものとして、推薦操作決定部６３が上記の確率モデル１０１を用いて設定温度T_setを23℃〜25℃に設定する推薦確率P_rを求める動作を以下に説明する。この例において、内気温T_rが27℃である場合に暑いモードMが真である確率及び偽である確率は、ＣＰＴ１１３を参照すると、それぞれ0.8、0.2である。したがって、設定温度T_setを23℃にする推薦確率P_r(T_set=23℃|T_r=27℃)は、ＣＰＴ１１４より、以下のように求められる。
P_r(T_set=23℃|T_r=27℃)
= P(T_set=23℃|M=True)・P(M=True)
+ P(T_set=23℃|M=False)・P(M=False)
＝ 0.80・0.80 + 0.0・0.20 = 0.64
となる。同様に、設定温度T_setを24℃にする推薦確率P_r(T_set=24℃|T_r=27℃)及び設定温度T_setを25℃にする推薦確率P_r(T_set=25℃|T_r=27℃)は、以下の通りとなる。
P_r(T_set=24℃|T_r=27℃)
= P(T_set=24℃|M=True)・P(M=True)
+ P(T_set=24℃|M=False)・P(M=False)
＝ 0.20・0.80 + 0.2・0.20 = 0.20
P_r(T_set=25℃|T_r=27℃)
= P(T_set=25℃|M=True)・P(M=True)
+ P(T_set=25℃|M=False)・P(M=False)
＝ 0.00・0.80 + 0.8・0.20 = 0.16

上記の計算結果より、設定温度T_setを23℃にする推薦確率P_r(T_set=23℃|T_r=27℃)が一番高いことが分かる。そのため、推薦操作決定部６３はその推薦確率P_r(T_set=23℃|T_r=27℃)を選択し、閾値Th1と比較する。そして、その推薦確率P_r(=0.64)が閾値Th1(=0.5)以上であるため、推薦操作決定部６３は、設定温度T_setを23℃に設定する操作を操作パネル５９などを通じてドライバに提案する。

なお、上記の例では、簡単化のために、確率モデルを各層につき一つのノードを有する３層のネットワーク構成としたが、２層または４層以上のネットワーク構成としてもよい。また、入力ノードに与えられる状態情報は、内気温T_rに限定されず、またその状態情報の値の区分も、上記の例のように1℃単位で区分するものに限られない。さらに、内気温T_r以外の状態情報を入力とする入力ノード又は中間ノードを、入力ノード１０２及び中間ノード１０３の代わりに、あるいは入力ノード１０２及び中間ノード１０３に加えて有するものでもよい。

制御情報修正部６４は、ドライバがその設定操作を行うことを承認する操作を行った場合、その設定になるよう関連する設定パラメータを、確率モデルに関連付けられた修正情報に基づいて修正する。なお、確率モデルに関連付けられた修正情報とは、その確率モデルによって規定される修正において、設定パラメータの修正後の値、あるいは、設定パラメータを所望の修正値に変更するために設定パラメータに加えられ、若しくは乗じられる修正量をいう。例えば、上記の例では、ドライバが、設定温度T_setを23℃に設定する提案に対して承認操作を行うと、制御情報修正部６４は、設定温度T_setを23℃に修正し、制御部６０の各部で利用可能なように、制御部６０のＲＡＭに一時記憶する。

一方、ドライバが推薦された設定操作の提案を拒否したり、無視した場合（例えば、その提案が行われてから一定期間の間、承認操作も拒否操作も行わない場合）には、その推薦確率P_rの算出に用いた確率モデルを学習部６６にて修正する。学習部６６の処理については、後述する。また、

空調制御部６５は、各設定パラメータの値及び各センサから取得したセンシング情報をＲＡＭから読み出し、それらの値に基づいて、空調部１０の制御を行う。そのために、空調制御部６５は、温度調節部６５１、コンプレッサ制御部６５２、吹出口制御部６５３、吸込口制御部６５４及び送風量設定部６５５を有する。また、空調制御部６５は、制御情報修正部６４において修正された設定パラメータがＲＡＭに記憶されている場合には、その修正されたパラメータを読み出して使用する。

温度調節部６５１は、設定温度T_set及び各温度センサ及び日射センサ５３の測定信号に基づいて、各吹き出し口から送出される空調空気の必要吹出口温度（空調温度T_ao）を決定する。そして、その空調空気の温度が空調温度T_aoとなるように、エアミックスドア２８の開度を決定し、温調サーボモータ３１へ、エアミックスドア２８の開度が設定された位置になるように制御信号を送信する。例えば、エアミックスドア２８の開度は、内気温T_rと設定温度T_setの差を、外気温T_am、日射量Sなどで補正した値を入力とし、エアミックスドア２８の開度を出力とする制御式に基づいて決定される。ここで、エアミックスドア２８の開度を、一定の時間間隔（例えば、５秒間隔）毎に判定する。そのような制御を行うための各測定値から空調温度T_aoを求めるための温調制御式及びエアミックスドア２８の開度の関係式を以下に示す。

上式において、Doは、エアミックスドア２８の開度を表す。また、係数k_set、k_r、k_am、k_s、C、a、bは定数であり、T_set、T_r、T_am、Sは、それぞれ、設定温度、内気温、外気温及び日射量を表す。ここで、制御情報修正部６４が設定温度T_setを修正している場合、その修正された設定温度T_setを使用する。また、エアミックスドア２８の開度Doは、ヒータコア２９を経由する通路３２を閉じた状態（すなわち、冷房のみが動作する状態）を０％、バイパス通路３０を閉じた状態（すなわち、暖房のみが動作する状態）を１００％として設定される。温調制御式の各係数k_set、k_r、k_am、k_s、C及びエアミックスドアの開度を求める関係式の係数a、bは温調制御パラメータとして設定される。
なお、温度調節部６５１は、空調温度T_ao及びエアミックスドア２８の開度を、ニューラルネットワークを用いた制御やファジイ制御など、他の周知の制御方法を用いて決定してもよい。算出された空調温度T_aoは、制御部６０の他の部で参照できるように、記憶部６１に記憶される。

コンプレッサ制御部６５２は、温度調節部６５１で求められた空調温度（必要吹出口温度）T_ao、設定温度T_set及びエバポレータ出口温度などに基づいて、コンプレッサ１１のＯＮ／ＯＦＦを制御する。コンプレッサ制御部６５２は、車内を冷房する場合、デフロスタを作動させる場合などには、原則としてコンプレッサ１１を作動させ、冷凍サイクルＲを作動させる。ただし、エバポレータ１８がフロストすることを避けるために、エバポレータ出口温度が、エバポレータ１８がフロストする温度近くまで低下すると、コンプレッサ１１を停止する。そして、エバポレータ出口温度がある程度上昇すると、再度コンプレッサ１１を作動させる。なお、コンプレッサ１１の制御は、可変容量制御など周知の方法を用いて行えるため、ここでは詳細な説明を省略する。

吹出口制御部６５３は、Ａ／Ｃ操作パネル５９を通じてドライバが設定した風量比の設定値、温度調節部６５１で求められた空調温度T_ao、設定温度T_setなどに基づいて、各吹き出し口から送出される空調空気の風量比を求め、その風量比に対応するように、フットドア３７、フェイスドア３８及びデフロスタドア３９の開度を決定する。吹出口制御部６５３は、風量比の設定値、空調温度T_ao、設定温度T_setなどと各ドア３７〜３９の開度との関係を表す制御式にしたがって各ドア３７〜３９の開度を決定する。このような制御式は予め規定され、制御部６０において実行されるコンピュータプログラムに組み込まれている。なお、吹出口制御部６５３は、他の周知の方法を用いて、各ドア３７〜３９の開度を決定することもできる。そして、各ドア３７〜３９が決定された開度となるように、モードサーボモータ４０を制御する。
また、吹出口制御部６５３は、制御情報修正部６４が風量比の設定値又は設定温度T_setを修正している場合には、その修正された設定値又は設定温度T_setを使用して各ドア３７〜３９の開度を決定する。

吸込口制御部６５４は、Ａ／Ｃ操作パネル５９から取得した吸込口設定、設定温度T_set、空調温度T_ao、内気温T_rなどに基づいて、車両用空調装置１が内気吸気口２６から吸気する空気と外気吸気口２７から吸気する空気の比率を設定する。吸込口制御部６５４は、外気温T_am、内気温T_rと設定温度T_setとの差などと吸気比との関係を表す制御式にしたがって内外気切替ドア２５の開度を決定する。このような制御式は予め設定され、制御部６０において実行されるコンピュータプログラムに組み込まれている。なお、吸込口制御部６５４は、他の周知の方法を用いて、内外気切替ドア２５の開度を決定することもできる。吸込口制御部６５４は、内外気サーボモータ２４を制御し、内外気切替ドア２５を求めた吸気比となるように回動させる。また、吸込口制御部６５４は、制御情報修正部６４が吸気設定値又は設定温度T_setを修正している場合には、その修正された吸気設定値又は設定温度T_setを使用して内外気切替ドア２５の開度を決定する。

送風量設定部６５５は、Ａ／Ｃ操作パネル５９から取得した風量W、設定温度T_set、空調温度T_ao、内気温T_r、外気温T_am及び日射量Sなどに基づいて、ブロアファン２１の回転速度を決定する。そして、駆動用モータ２２へ、ブロアファン２１の回転速度が設定値になるように制御信号を送信する。例えば、風量設定が手動設定になっている場合には、送風量設定部６５５は、Ａ／Ｃ操作パネル５９から取得した風量Wとなるようにブロアファン２１の回転速度を決定する。また、風量設定が自動設定になっている場合には、送風量設定部６５５は、内気温T_r、空調温度T_aoなどと風量Wとの関係を表す風量制御式にしたがってブロアファン２１の回転速度を決定する。あるいは、風量制御式を、設定温度T_set及び空調情報（内気温T_r、外気温T_am及び日射量S）と、風量Wの関係を直接的に表すものとしてもよい。このような風量制御式として、周知の様々なものを用いることができる。なお、このような制御式は予め設定され、制御部６０において実行されるコンピュータプログラムに組み込まれている。あるいは、送風量設定部６５５は、空調情報と風量Wの関係を定めたマップを予め準備しておき、そのマップを参照して測定された空調情報に対応する風量Wを決定するマップ制御など、他の周知の方法を用いて、ブロアファン２１の回転速度を決定することもできる。また、送風量設定部６５５は、制御情報修正部６４が風量W又は設定温度T_setを修正している場合には、その修正された風量W又は設定温度T_setを使用してブロアファン２１の回転速度を決定する。

学習部６６は、推薦操作決定部６３によりなされた設定操作についての提案に対して、ドライバがその提案を無視または拒否した場合に、その提案内容の決定に使用した確率モデルの修正を行う。
そこでまず、学習部６６は、提案に対するドライバの反応に応じて、確率モデルをどのように修正するかを決定する。そのために、学習部６６は、提案時及び何らかの空調設定操作が実行された時点におけるドライバの負荷状態、拒否操作が行われたか、無視されたか、推薦された設定操作とは異なる設定操作が行われたか否かに基づいて、確率モデルをどのように修正するかを決定する。そして学習部６６は、決定された修正方針に基づいて、その確率モデルを修正する。以下、フローチャートを参照しつつ、学習部６６の動作について説明する。

図４は、学習部６６による学習動作を示すフローチャートである。最初に、学習部６６は、拒否操作が行われたか否か、提案時のドライバの負荷状態、及び、推薦された設定操作に対する承認操作とは別個に、Ａ／Ｃ操作パネル５９を通じて車両用空調装置１の設定操作が行われた場合には、その設定操作の内容、提案からその設定操作に至るまでの経過時間を取得する（ステップＳ１０１）。なお、その経過時間は、制御部６０に内蔵されるクロックに基づいて計時される。

次に、学習部６６は、ステップＳ１０１で取得した各情報を用いて、学習方法を決定するための参照テーブルを参照し、学習方法を決定する（ステップＳ１０２）。ここで参照テーブルは、確率モデルごとに対応するものが準備され、記憶部６１に予め保存される。そして学習部６６は、修正対象となる確率モデルの識別番号を参照して、関連する参照テーブルを記憶部６１から読み出して使用する。

図５は、参照テーブルの一例である。図５に示した参照テーブル５００は、上記の内気温T_rの上昇に対して設定温度T_setを変更する確率モデルに関連付けられたものである。参照テーブル５００の左端の列５０１には、ドライバが推薦された設定操作に対してどのような判定を行ったか、すなわち、拒否操作、承認操作、無視の何れの判定を行ったかが示される。

参照テーブル５００の左側から２番目の列５０２には、推薦操作決定部６３により推薦された設定操作の提案がなされた時点でのドライバの負荷状態の区分が示される。本実施形態では、ドライバに車両用空調装置１の設定操作を行う余裕が無い程度に負荷が掛かっている状態を負荷状態大とし、そこまでの負荷ではない場合を負荷状態小とした。ここで、学習部６６は、負荷状態が大か小かについて、負荷状態検知部である各センサからの情報を総合して判断する。具体的には、負荷状態検知部の各センサによって検知されるドライバの操作に、所定の評価点を予め定めておき、その評価点が所定の閾値以上となった場合に負荷状態を大と判定し、その所定値未満の場合に負荷状態を小と判定する。本実施形態では、舵角センサ７１によりハンドルが所定角以上回転されていること、すなわち、進路変更が検知された場合の評価点を５０とした。また、ブレーキ操作量センサ７２によりブレーキ操作がなされていることが検知された場合の評価点を５０とした。さらに、ウインカー７３がＯＮの場合の評価点を３０とした。また、集音マイク７４が、車内で会話がなされていると判断できる所定量以上の音量を検知した場合の評価点を２０とした。そして、評価点の合計が５０点以上の場合、負荷状態を大、評価点の合計が５０点未満の場合、負荷状態を小とした。
なお、負荷状態の判定方法は上記に限られない。また、負荷状態の判定は、大と小の２段階に判定するものに限られず、３段階以上に区分するように判定してもよい。

参照テーブル５００の左から３番目の列５０３には、ドライバが、推薦された設定操作を承認せずに、Ａ／Ｃ操作パネル５９を通じて行った設定操作の内容を示される。特にこの設定操作の内容は、関連する確率モデルと対応する推薦内容に応じて定められる。そして、推薦内容と同一の設定操作（上記の例では、設定温度T_setを23℃に設定）、推薦内容とは異なるが、その確率モデルで選択され得る他の設定操作（上記の例では、設定温度T_setを24℃または25℃に設定）、及びその確率モデルでは選択されない設定操作（上記の例では、風量（ブロワ）変更、内外気切換など）に区分される。
ここで、学習部６６は、ドライバが実行した設定操作がどの区分に合致するか否かを調べるために、設定操作のタイプ（設定温度T_setの変更、風量Wの変更など）を数値で表し、実行設定値と関連付け、２要素の配列で表す。例えば、設定操作のタイプに関して、設定温度T_setの変更の場合１、風量Wの変更の場合２とする。そして、設定温度T_setを23℃にした場合には、（1,23）、風量WをHiに設定した場合には、(2,Hi)のように表す。

一方、推薦内容と同一の設定操作、及び、推薦内容と異なるが、その確率モデルで選択され得る他の設定操作についても、同様の配列で表す。そして、学習部６６は、実行された操作を表す配列の各要素と、上記の配列の各要素が一致するか否かを調べる。そして、実行された設定操作を表す配列の各要素が、推薦された設定操作を表す配列の各要素と一致すれば、学習部６６は、推薦内容と同一の設定操作が行われたと判断する。また、実行された設定操作のタイプを表す配列の要素（上記の例では、１番目の要素）が、その確率モデルで選択され得る他の設定操作を表す何れかの配列についての設定操作のタイプを表す要素と一致するなら、学習部６６は、他の選択肢に相当する設定操作が実行されたと判断する。ドライバによって行われた設定操作を表す配列のうち、設定操作のタイプを表す要素が、その確率モデルで推薦され得る設定操作を表す何れの配列とも一致しない場合は、学習部６６は、その確率モデルでは選択されない設定操作が実行されたと判断する。
なお、推薦操作決定部６３が、推薦する設定操作をドライバに提示してからの経過時間が所定期間（例えば、１分間）を超えた後に、Ａ／Ｃ操作パネル５９を通じて行われた設定操作は、もはや推薦された設定操作とは無関係であると考えられる。そのため、このような場合には、学習部６６は、ドライバは何の設定操作も行わなかったと判断する。

参照テーブル５００の左から４番目の列５０４には、ドライバがＡ／Ｃ操作パネル５９を通じて設定操作を行った時点、あるいは、設定操作が全く行われなかった場合には、推薦された設定操作の提案がなされた時点から、所定期間（例えば、１分間）を経過した時点における、ドライバの負荷状態の区分が示される。なお、この列５０４に示される負荷状態の大小の区分も、列５０２と同様に、ドライバに車両用空調装置１の設定操作を行う余裕が無い程度に負荷が掛かっているか否かを表すものであり、したがって、列５０２と同様にその大小の区分は決定される。

参照テーブル５００の左から５番目の列５０５には、推薦された設定操作の提案がなされた時点から、ドライバがＡ／Ｃ操作パネル５９を通じて設定操作を行うまでの経過時間による区分が示される。本実施形態では、提案がなされてから１０秒以内にドライバが設定操作を行った場合、経過時間を短に区分し、それ以降に設定操作が行われた場合には、経過時間を長に区分する。なお、提案がなされた時点を起点とする代わりに、ドライバの負荷状態が大から小に変化した時点を起点として、経過時間を求めるようにしてもよい。

参照テーブル５００の一番右側の列５０６には、対応する学習方法が示される。各学習方法については後述する。また、参照テーブル５００の各欄のうち、‘−’で表された欄に関しては、学習方法の選択において参照されないことを意味する。なお、上記の参照テーブル５００に示した各列の区分と学習方法の対応関係は、一例を示すだけのものであり、本発明は、この例に限定されるものではない。例えば、提案時の負荷状態が大で、Ａ／Ｃ操作パネル５９を通じた設定操作が行われない場合、列５０４に示した所定時間経過時の負荷状態にかかわらず、確率モデルの学習を行わないとしてもよい。また、対象となる設定操作が容易なものである場合、例えば、設定温度の調整がダイヤル式であるような場合には、ドライバの負荷の影響は小さいと考えられるので、ドライバの負荷状態によらずに学習方法を決定するように、参照テーブルを構成してもよい。

学習部６６は、ステップＳ１０２において学習方法が選択されると、確率モデルの修正を行うか否か判定する（ステップＳ１０３）。そして、学習部６６は、学習テーブルを参照した結果、「学習なし」が選択されている場合には、ステップＳ１０３で、確率モデルの修正なしと判定し、学習処理を終了する。一方、「学習なし」以外のものが選択されている場合には、学習方法がコンテンツ学習２か否か判定する（ステップＳ１０４）。学習方法がコンテンツ学習２でない場合、学習方法にしたがって学習対象ノードを選択し、その学習対象ノードのＣＰＴに含まれる条件付き確率の修正値を求める（ステップＳ１０６）。その後、ＣＰＴをその修正値で書き換え、記憶部６１に記憶されている、対応するＣＰＴを上書きして更新する（ステップＳ１０７）。そして、学習処理を終了する。
ステップＳ１０４において、学習方法がコンテンツ学習２と判定された場合、ドライバがＡ／Ｃ操作パネル５９を通じて行った設定操作を出力とする出力ノードを、確率モデルに追加する（ステップＳ１０５）。そして、制御をステップＳ１０６へ移行する。

ここで、各学習方法について詳しく説明する。本実施形態では、学習方法として、提案学習、シーン学習、コンテンツ学習１、コンテンツ学習２及び通常学習の５通りの学習方法がある。以下、順に説明する。

提案学習は、ドライバが設定操作の提案をされること自体を好まないと考えられる場合に適用される。そのため、提案学習では、学習部６６は、上記のステップＳ１０６の処理として、拒否操作又は無視された推薦内容の設定操作について、今後推薦され難くなるように、提案時の状況を入力とするノードについて、推薦された設定操作に結び付く条件付き確率を低くする。

図３に示した確率モデルを用いた上記の例に基づいて、提案学習の場合の学習部６６の処理を説明する。ここで、車内の内気温T_rが27℃に上昇したことに伴い、推薦操作決定部６３が設定温度T_setを23℃にする提案をしたにもかかわらず、ドライバはＹＥＳ／ＮＯスイッチ７５を通じて拒否操作を行った上、その提案から１０秒以内にわざわざＡ／Ｃ操作パネル５９を通じて設定温度T_setを23℃に設定したとする。この場合、提案された状況は、内気温T_rが27℃という状況なので、学習部６６は、内気温T_rを入力とするノード１０３のＣＰＴ１１３において、内気温T_r＝27℃を入力とする項目を修正対象として選択する。そして、学習部６６は、ノード１０３の出力を入力とするノード１０４のＣＰＴ１１４を参照して、設定温度T_setを23℃にする推薦確率に寄与度の高い方のノード１０４の入力値、すなわち、ノード１０３の出力値を決定する。本実施形態では、ＣＰＴ１１４を参照すると、暑いモードMが真である場合に設定温度T_setを23℃にする条件付き確率の方が暑いモードMが偽である場合に設定温度T_setを23℃にする条件付き確率よりも高いことが分かる。そのため、学習部６６は、ＣＰＴ１１３において、内気温T_r＝27℃の場合に暑いモードMが真である条件付き確率P(M=True|T_r=27℃)を低くする。なお、暑いモードMが真である場合と偽である場合とで、設定温度T_setを23℃にする条件付き確率が等しい場合は、学習部６６は、予め定めたルールに則って何れか一方の条件付き確率を下げる。

一例として、学習部６６は、以下の式を用いて、条件付き確率P(M=True|T_r=27℃)の修正値P'(M=True|T_r=27℃)を求める。
P'(M=True|T_r=27℃) = P(M=True|T_r=27℃) - θ_s×C_s （ただし、θ_s > 0）
θ_s = (α_s- P(M=True|T_r=27℃))
ここで、α_s、C_sは定数であり、α_sは、学習により修正される条件付き確率の上限値に相当し、C_sは１回の学習で変動する量（すなわち、学習速度）に相当する。本実施形態では、それぞれα_s=1.0、C_s=1.0とした。また、上式において、θ_s≦0の場合には、θ_s=0とする（すなわち、それ以上の修正は行わない）。なお、学習部６６は、上記の式を用いる代わりに、例えば、条件付き確率P(M=True|T_r=27℃)に一定の補正係数を乗じて、条件付き確率の修正値P'(M=True|T_r=27℃)を求めるようにしてもよい。さらに、上記の修正に合わせて、整合性を確保するために、内気温T_r＝27℃の場合に暑いモードMが偽である条件付き確率P(M=False|T_r=27℃)を以下のように修正する。
P'(M=False|T_r=27℃) = 1.0 - P'(M=True|T_r=27℃)

シーン学習は、提案内容そのものは、ドライバにとって許容されるものであったにもかかわらず、提案時の状況が不適切であったと考えられる場合に適用される。そこで、本実施形態では、提案時においてはその推薦内容がドライバに受けいれられなかったものの、提案時から一定時間経過後に、ドライバが推薦内容と同じ設定操作をＡ／Ｃ操作パネル５９を通じて行った場合にシーン学習が適用される。提案学習との違いは、学習部６６が、提案学習で行われるＣＰＴの修正に加えて、ドライバによる操作が実行された時点における状況を入力とするノードについて、推薦された設定操作に結び付く条件付き確率を上げるようにＣＰＴの修正を行う点にある。なお、ドライバによる操作が実行された時点の状況が、提案時と同様であった場合には、シーン学習の代わりに提案学習が行われる。

上記と同様に、図３の確率モデルの例を用いて説明する。推薦操作決定部６３が設定温度T_setを23℃にする提案をした時点では、ドライバはその提案を無視し、その提案から３０秒後にＡ／Ｃ操作パネル５９を通じて設定温度T_setを23℃に設定したとする。そして、その操作時の内気温T_rが、27℃から28℃にさらに上昇していたとする。
この場合、操作が行われた状況は、内気温T_rが28℃という状況なので、学習部６６は、内気温T_rを入力とするノード１０３のＣＰＴ１１３において、内気温T_r＝28℃を入力とする項目も修正対象として選択する。そして、学習部６６は、ノード１０３の出力を入力とするノード１０４のＣＰＴ１１４を参照して、設定温度T_setを23℃にする確率に寄与度の高い方のノード１０４の入力値、すなわち、ノード１０３の出力値を決定する。本実施形態では、ＣＰＴ１１４を参照すると、暑いモードMが真である場合に設定温度T_setを23℃にする条件付き確率の方が、暑いモードMが偽である場合に設定温度T_setを23℃にする条件付き確率よりも高いことが分かる。そのため、学習部６６は、ＣＰＴ１１３において、内気温T_r＝28℃の場合に暑いモードMが真である条件付き確率P(M=True|T_r=28℃)を高くする。

ここで学習部６６は、提案学習の場合と同様に、条件付き確率P(M=True|T_r=27℃)の修正値P'(M=True|T_r=27℃)を求めるとともに、条件付き確率P(M=True|T_r=28℃)の修正値P'(M=True|T_r=28℃)を以下のように求める。
P'(M=True|T_r=27℃) = P(M=True|T_r=27℃) - θ_s×C_s （ただし、θ_s > 0）
θ_s = (α_s- P(M=True|T_r=27℃))
P'(M=True|T_r=28℃) = P(M=True|T_r=28℃) + θ_t×C_t （ただし、θ_t > 0）
θ_t = (α_t- P(M=True|T_r=28℃))
ここで、α_s、C_s、α_t、C_tは定数であり、上記と同様に、α_s、α_tは、学習により修正される条件付き確率の上限値に相当し、C_s、C_tは１回の学習で変動する量に相当する。本実施形態では、それぞれα_s=α_t=1.0、C_s=C_t=1.0とした。また、上式において、θ_t≦0の場合には、θ_t=0とする（すなわち、それ以上の修正は行わない）。θ_sについても同様である。なお、学習部６６は、上記の式を用いる代わりに、例えば、条件付き確率P(M=True|T_r=28℃)に一定の補正係数を乗じて、条件付き確率の修正値P'(M=True|T_r=28℃)を求めるようにしてもよい。さらに、上記の修正に合わせて、整合性を確保するために、内気温T_r＝27℃の場合に暑いモードMが偽である条件付き確率P(M=False| T_r=27℃)及び内気温T_r＝28℃の場合に暑いモードMが偽である条件付き確率P(M=False| T_r=28℃)を以下のように修正する。
P'(M=False|T_r=27℃) = 1.0 - P'(M=True|T_r=27℃)
P'(M=False|T_r=28℃) = 1.0 - P'(M=True|T_r=28℃)

コンテンツ学習１及びコンテンツ学習２は、提案時の状況は適切であったものの、推薦された設定操作の内容がドライバにとって不適切であったと考えられる場合に適用される。このうち、コンテンツ学習１は、推薦された設定操作に関連する確率モデルにおいて、選択される可能性のあった他の設定操作が推薦される確率を高くするものである。一方、コンテンツ学習２は、その確率モデルに基づいても、学習前の状態では推薦されることのなかった設定操作が、その確率モデルによって推薦され得るように、修正を行うものである。

そこで、コンテンツ学習１が選択された場合、学習部６６は、上記のステップＳ１０６の処理として、推薦された設定操作についての推薦確率P_rを低くし、代わりにドライバが行った設定操作についての推薦確率P_rを高くするように、出力ノードのＣＰＴ１１４を修正する。
上記と同様に、図３の確率モデルの例を用いて説明する。ここで、推薦操作決定部６３が設定温度T_setを23℃にする提案を行ったにもかかわらず、ドライバは、設定温度T_setを24℃にする設定操作を行ったものとする。
この場合、学習部６６は、内気温T_rが27℃なので、ＣＰＴ１１３より、暑いモードMが真である確率の方が、暑いモードMが偽である確率よりも高いことが分かる。そのため、学習部６６は、暑いモードMが真であることを入力値とし、設定温度T_setを23℃にする条件付き確率P(T_set=23℃|M=True)を低く、設定温度T_setを24℃にする条件付き確率P(T_set=24℃|M=True)を高くするよう、出力ノード１０４のＣＰＴ１１４を修正する。それらの修正値P'(T_set=23℃|M=True)及びP'(T_set=24℃|M=True)は、それぞれ以下の式で求められる。
P'(T_set=23℃|M=True) = P(T_set=23℃|M=True) - θ_c×C_c （ただし、θ_c > 0）
P'(T_set=24℃|M=True) = P(T_set=24℃|M=True) + θ_c×C_c （ただし、θ_c > 0）
θ_c = (α_c- P(T_set=23℃|M=True))
ここで、α_c、C_cは定数であり、上記と同様に、それぞれ、学習により修正される条件付き確率の上限値、及び、１回の学習で変動する量に相当する。本実施形態では、それぞれα_c=1.0、C_c=1.0とした。また、上式において、θ_c≦0の場合には、θ_c=0とする（すなわち、それ以上の修正は行わない）。なお、学習部６６は、上記の式を用いる代わりに、例えば、条件付き確率P(T_set=23℃|M=True)に一定の補正係数を乗じて、条件付き確率の修正値P'(T_set=23℃|M=True)を求めるようにしてもよい。さらに、暑いモードMが偽である場合に設定温度T_setを23℃にする条件付き確率P(T_set=23℃|M=False)及び設定温度T_setを24℃にする条件付き確率P(T_set=24℃|M=False)も同様に修正してもよい。

さらに、ドライバが、その確率モデルに関連付けられた設定操作と同じタイプの設定操作を行ったものの、出力ノードのＣＰＴに、その設定値に対応する条件付き確率が存在しない場合もある。このような場合、学習部６６は、出力ノードのＣＰＴに、ドライバの設定操作値に対応する欄を追加する。そして、新たに追加した設定操作値に対する学習前の条件付き確率を0.0として、上記と同様に学習を行う。例えば、図３の確率モデルに対して、ドライバが設定温度T_setを22℃に設定したといった場合、以下のように修正後の条件付き確率を求めて、ＣＰＴ１１４を更新する。
P'(T_set=23℃|M=True) = P(T_set=23℃|M=True) - θ_c×C_c （ただし、θ_c > 0）
P'(T_set=22℃|M=True) = 0.0 + θ_c×C_c （ただし、θ_c > 0）
θ_c = (α_c- P(T_set=23℃|M=True))

コンテンツ学習２が選択された場合、学習部６６は、上記のステップＳ１０５の処理として、確率モデルに、ドライバが行った設定操作についての推薦確率P_rを出力とする出力ノードを追加する。さらに学習部６６は、上記のステップＳ１０６の処理として、推薦された設定操作に関する推薦確率P_rを低くするように、既存の出力ノードのＣＰＴを修正する。

上記と同様に、図３の確率モデルの例を用いて説明する。ここで、推薦操作決定部６３が設定温度T_setを23℃にする提案を行ったにもかかわらず、ドライバは、風量WをHiにする設定操作を行ったものとする。
この場合、学習部６６は、風量Wの設定操作に関する出力ノードを追加する。図６に示す確率モデル１０１’は、図３の確率モデル１０１に、風量Wの設定に関する推薦確率P_rを出力する出力ノード１０５を追加したものである。図６において、出力ノード１０５のＣＰＴ１１５は、風量WをHiにする設定と、Loにする設定の二つに対する推薦確率P_rを出力するものである。なお、風量設定が３段階以上存在する場合には、学習部６６は、ＣＰＴ１１５を、各段階に対する推薦確率P_rを出力するように構成してもよい。あるいは、学習部６６は、ドライバが設定操作を行ったHiという設定と、その他に区分するように構成してもよい。

この例の場合、内気温T_rが27℃のとき、暑いモードMが真である確率の方が、暑いモードMが偽である確率よりも高い。そのため、学習部６６は、新設された出力ノード１０５のＣＰＴ１１５において、ドライバが行った風量WをHiにするという設定操作について、暑いモードMが真である場合の条件付き確率が高くなるように設定する。例えば、図６に示すように、学習部６６は、暑いモードMが真であるときに、風量WをHiにする設定操作についての条件付き確率を0.8、風量WをLoにする設定操作についての条件付き確率を0.2と設定する。なお、暑いモードMが偽である場合の条件付き確率については、風量WをHiにする設定操作及びLoにする設定操作のどちらの確率が高いか判断できないため、初期値としてともに条件付き確率を0.5とする。

次に、学習部６６は、推薦された設定操作（設定温度T_setを23℃にする）に関する推薦確率P_rが低くなるように、既設の出力ノード１０４のＣＰＴ１１４を修正する。この場合、学習部６６は、内気温T_rが27℃なので、ＣＰＴ１１３より、暑いモードMが真である確率の方が、暑いモードMが偽である確率よりも高いことが分かる。そのため、学習部６６は、暑いモードMが真であることを入力値とし、設定温度T_setを23℃にする条件付き確率P(T_set=23℃|M=True)を低くするよう、ＣＰＴ１１４を修正する。それらの修正値P'(T_set=23℃|M=True)は、コンテンツ学習１の場合と同様に、以下の式で求められる。
P'(T_set=23℃|M=True) = P(T_set=23℃|M=True) - θ_c×C_c （ただし、θ_c > 0）
θ_c = (α_c- P(T_set=23℃|M=True))
また、整合性を保つために、学習部６６は、設定温度T_setを23℃にする条件付き確率P(T_set=23℃|M=True)の修正量(θ_c×C_c)を、提案時の設定温度T_setである25℃にする条件付き確率P(T_set=25℃|M=True)に加え、設定温度T_setを変える提案が行われ難くする。なお、α_c、C_cの値は、コンテンツ学習１についてのそれらの値と同じ値に設定してもよく、別の値に設定してもよい（例えば、学習速度が速くなるように、コンテンツ学習２の場合はC_c=2.0に設定する）。
なお、上記θ_s,、θ_t、θ_cを求める際に，推論結果の確率値の項（例えば、P(T_set=23℃|M=True)）を用いたが、これは一例である。例えば、過去にCPTを学習した回数Qより，シグモイド関数g(Q)を計算する。これを用いてθ_c =α_c-C*g(Q) (Cは定数)としても良い。他にも、学習回数に関連する分布関数として、ベータ分布、ディリクレ分布があり、これらを用いても良い。

通常学習は、ドライバが推薦された設定操作を拒否又は無視した原因が特定できない場合に選択される。原因を特定できないため、通常学習が選択された場合、学習部６６は、上記のステップＳ１０６の処理として、シーン学習（上記のように、提案学習を含む）とコンテンツ学習１の両方を実行する。なお、シーン学習及びコンテンツ学習１の詳細は、上述したとおりなので、ここでは詳細な説明は省略する。

上記の例で示した各定数は、制御部６０を動作させるプログラムに、学習方法と関連付けて組み込んでもよく、あるいは、参照テーブルのような形式で記憶部６１に予め保存しておいてもよい。

以下、図７に示したフローチャートを参照しつつ、本発明を適用した車両用空調装置１の空調制御動作について説明する。なお、空調制御動作は、制御部６０により、制御部６０に組み込まれたコンピュータプログラムにしたがって行われる。

図７に示すように、車両用空調装置１の電源が投入され、車両用空調装置１が起動すると、制御部６０は、記憶部６１から各設定情報を取得する。また制御部６０は、各センサから内気温T_r、外気温T_am、日射量Sなどの各種状態情報を取得し、次に取得された状態情報との比較のために、制御部６０を構成するＲＡＭに一時的に記憶する（ステップＳ２０１）。次に、制御部６０の推薦操作決定部６３は、取得した状態情報の何れかが変動し、所定範囲に含まれる値となったか否かを、記憶されている状態情報と比較することにより調べる（ステップＳ２０２）。そして、状態情報の変動がなければ、推薦操作決定部６３は、処理を終了する。一方、ステップＳ２０２において、状態情報の何れかが所定範囲に含まれる値となった場合、推薦操作決定部６３は、その変動した状態情報に関連する確率モデルを選択する（ステップＳ２０３）。そして、推薦操作決定部６３は、その選択された確率モデルを用いて、その確率モデルに関連付けられた設定操作についての推薦確率P_rを算出する（ステップＳ２０４）。なお、上記の図３の確率モデルのように、複数の設定操作が関連付けられている場合、推薦操作決定部６３は、それぞれの設定操作について推薦確率P_rを算出し、そののうちの最も高い値となるものを選択する。

その後、推薦操作決定部６３は、算出された推薦確率P_rを、所定の閾値Th1（上記のように、閾値Th1は、例えば0.5に設定される）と比較する（ステップＳ２０５）。そして、算出された推薦確率P_rが、所定の閾値Th1未満の場合、推薦操作決定部６３は何の推薦も行わず、処理を終了する。一方、ステップＳ２０５において、算出された推薦確率P_rが、所定の閾値Th1以上の場合、推薦操作決定部６３は、その推薦確率P_rと対応する設定操作をＡ／Ｃ操作パネル５９などを通じてドライバに提案する（ステップＳ２０６）。そして、推薦操作決定部６３は、ドライバがその推薦された設定操作を承認したか否か判定する（ステップＳ２０７）。なお、ドライバが推薦された設定操作を承認したか否かの判定は、上記のように、ＹＥＳ／ＮＯスイッチを通じて承認操作が行われたか否かにより行われる。そして、ドライバが推薦された設定操作を承認した場合、制御部６０の制御情報修正部６４は、その推薦された設定操作に関連付けられた修正情報を記憶部６１から取得し、その修正情報を用いて設定パラメータを修正する（ステップＳ２０８）。さらに、制御部６０の空調制御部６５は、その修正された設定パラメータを用いて空調制御を実施する（ステップＳ２０９）。そして、処理を終了する。

一方、ステップＳ２０７において、ドライバが推薦された設定操作を承認しなかった場合、制御部６０の学習部６６は、その推薦に使用した確率モデルを修正する（ステップＳ２１０）。なお、確率モデルの修正に関しては、図４に示したフローチャートとともに、既に詳細に説明したので、ここでは説明を省略する。ステップＳ２１０の後、学習部６６は、処理を終了する。
以後、車両用空調装置１は、電源ＯＦＦ、すなわち稼動停止となるまで上記のステップＳ２０１〜Ｓ２１０の制御を、一定の間隔（例えば、１０秒間隔）で繰り返す。

以上説明してきたように、本発明を適用した車両用空調装置１は、内気温、外気温、日射量などの変動に応じて、最適と思われる空調設定を確率モデルを用いて自動的に選択し、推薦する設定操作としてドライバに提示する。そして、推薦された設定操作に対してドライバはＹＥＳ／ＮＯスイッチ７５のＹＥＳボタンを押すという簡単な操作を行うだけで、車両用空調装置１を推薦された設定にすることができる。また、車両用空調装置１は、ドライバが、推薦された設定操作を拒否又は無視した場合には、その提案時のドライバの負荷、その後のドライバの手動による車両用空調装置１の設定操作の内容などに応じて、確率モデルの最適な修正方法を選択するので、誤った学習をしてしまう危険性が減少するとともに、ドライバに推薦する設定内容または推薦を行う状況を自動的に調整することができる。さらに、車両用空調装置１は、一度提案され難くなった設定内容についても、その後の使用状況の変化によって、また推薦されるようにすることができる。

なお、本発明は、上記の実施形態に限定されるものではない。例えば、確率モデルは、車両用空調装置１に登録された利用者毎に生成されるようにしてもよい。この場合、例えば、ドライバを撮影する車内カメラを設置し、さらに、車内カメラで撮影された画像に基づいて、ドライバを識別する照合部を制御部内に設ける。照合部は、エンジンスイッチをＯＮすると、車内カメラで撮影された画像と、車両用空調装置１に予め登録された登録済利用者に関する照合情報に基づいて、ドライバの照合及び認証を行い、ドライバが何れの登録済利用者か判定する。そして、制御部６０は、ドライバと判定された登録済利用者の識別情報（ＩＤ）及び登録済利用者に関連する確率モデルを記憶部６１から読み出して使用する。

ここで、照合部は、例えば以下の方法によってドライバの照合及び認証を行う。照合部は、車内カメラで撮影された画像を２値化したり、エッジ検出を行ってドライバの顔に相当する領域を識別する。そして、識別された顔領域から、目、鼻、唇など特徴的な部分をエッジ検出等の手段によって検出し、その特徴的な部分の大きさ、相対的な位置関係などを特徴量の組として抽出する。次に、照合部は、抽出された特徴量の組を、予め記憶部６１に記憶されている、各登録済利用者に関して求められた特徴量の組と比較し、相関演算などを用いて一致度を算出する。そして、最も高い一致度が、所定の閾値以上となる場合、照合部は、ドライバを、その最も高い一致度となった登録済利用者として認証する。なお、上記の照合方法は、一例に過ぎず、照合部は、他の周知の照合方法を使用して、ドライバの照合及び認証を行うことができる。

さらに、上記の実施形態では、制御情報修正部６４において修正される設定パラメータは、設定温度T_setや風量Wなど、Ａ／Ｃ操作パネル５９を通じてドライバが直接設定できるパラメータとした。しかし、制御情報修正部６４は、確率モデルに基づいて修正する設定パラメータを、温調制御式を用いて算出される空調温度T_ao若しくは風量制御式を用いて算出されるブロアファン２１の回転数、エアミックスドア２８の開度など、空調部１０の各部の動作に直接関連する制御情報としてもよい。
なお、上記の実施形態では、学習を提案を行う度に行ってきたが、必ずしも提案ごとに行う必要は無く、複数回の提案結果を履歴情報として蓄積し、まとめて学習しても良い。この場合、「学習なし」と判定された学習用データは履歴情報から捨てることが出来るため、記憶部６１の記憶容量を比較的小さくすることができる。

なお、本発明を適用する空調装置は、フロントシングル、左右独立、リア独立、４席独立、上下独立の何れのタイプのものであってもよい。何れかの独立タイプの空調装置に本発明を適用する場合には、内気温センサ、日射センサなどが複数搭載されてもよい。

さらに本発明は、空調装置以外の車載機器の制御にも適用することが可能である。１ないし複数の状態情報を取得し、それらの状態情報の変動に関連する確率モデルを特定し、その確率モデルに所定の状態情報を入力して、特定の設定操作の推薦を行うようなものであれば、本発明を適用することができる。特にボデー系機器操作やナビ操作などでは、機器ごとに操作の負荷が異なる。例えば、オートクルージングシステムのように、操作スイッチがハンドルに取り付けられるような操作しやすい機器では、ドライバの負荷の影響は少ない。一方、ＣＤのオートチェンジャのように、ドライバがハンドルから手を離して操作しなければならないような操作しにくい機器では、ドライバの負荷の影響が大きくなる。そこで、操作し易い機器の設定を対象する場合には、学習方法を決定するための参照テーブルを、ドライバの負荷によらずに学習方法を決定するように構成してもよい。一方、操作し難い機器の設定を対象する場合には、学習方法を決定するための参照テーブルを、上記の実施例と同様に、ドライバの負荷も参照して学習方法を決定することが好ましい。

例えば、本発明を、空調装置以外の車載機器の制御に適用する例として、ナビゲーションシステムから車両の位置情報を状態情報として取得して、車両が所定範囲内に入った場合には、カーラジオをＯＮにして、道路交通情報を受信する操作の推薦確率を確率モデルによって計算し、推薦確率が所定の閾値以上であれば、その設定操作を推薦するように構成することもできる。
上記のように、本発明の範囲内で様々な修正を行うことが可能である。

本発明を適用した車両用空調装置の全体構成を示す構成図である。 車両用空調装置の制御部の機能ブロック図である。 本発明を適用した車両用空調装置で使用する確率モデルの一例を示す図である。 本発明を適用した車両用空調装置の学習動作を示すフローチャートである。 学習方法を選択するための参照テーブルの一例である。 図３の確率モデルに出力ノードを追加した確率モデルの修正例である。 本発明を適用した車両用空調装置の制御動作を示すフローチャートである。

符号の説明

１ 車両用空調装置
１０ 空調部
５１ 内気温センサ
５２ 外気温センサ
５３ 日射センサ
５９ Ａ／Ｃ操作パネル
６０ 制御部
６１ 記憶部
６２ 通信部
６３ 推薦操作決定部
６４ 制御情報修正部
６５ 空調制御部
６６ 学習部
７１ 舵角センサ
７２ ブレーキ操作量センサ
７３ ウインカー
７４ 集音マイク
７５ ＹＥＳ／ＮＯスイッチ
１０１、１０１’ 確率モデル
１０２〜１０５ ノード
１１２〜１１５ 条件付き確率表（ＣＰＴ）

Claims (12)

1. 車両用空調装置であって、
   空調空気を車両内に供給する空調部（１０）と、
   前記車両に関する状態を表す状態情報を取得する情報取得部（５１、５２、５３）と、
   前記状態情報が所定の値を有する場合、該状態情報を確率モデルに入力して空調設定に関する設定操作についての推薦確率を算出し、算出した推薦確率が所定の閾値以上となる場合、該設定操作を推薦する推薦操作決定部（６３）と、
   前記推薦された設定操作を乗員に提示する表示部（５９）と、
   前記推薦された設定操作を承認するか否かを入力する判定入力部（７５）と、
   前記判定入力部（７５）を通じて、前記推薦された設定操作を承認する承認操作がなされた場合、前記車両用空調装置の設定情報又は制御情報を、前記推薦された設定操作に応じて修正する制御情報修正部（６４）と、
   乗員が前記車両用空調装置に関して任意の設定操作を行うための操作部（５９）と、
   前記修正された設定情報又は制御情報、若しくは前記操作部（５９）を通じてなされた設定操作に対応する前記車両用空調装置の設定情報又は制御情報にしたがって、前記空調部（１０）の空調制御を行う空調制御部（６５）と、
   乗員の負荷状態を検知する負荷状態検知部（７１、７２、７３、７４）と、
   前記判定入力部（７５）を通じて前記承認操作がなされない場合、前記負荷状態検知部（７１、７２、７３、７４）で検知された乗員の負荷状態、又は前記操作部（５９）を通じてなされた乗員の設定操作の内容に応じて前記確率モデルを修正する学習部（６６）と、
   を有することを特徴とする車両用空調装置。
2. 前記学習部（６６）は、乗員が前記表示部（５９）に前記推薦された設定操作が提示された時点から所定期間が経過するまでに前記推薦された設定操作と同一の設定操作を前記操作部（５９）を通じて行った場合、前記推薦された設定操作について算出される推薦確率を低くするように前記確率モデルを修正する、請求項１に記載の車両用空調装置。
3. 前記確率モデルは、前記状態情報が前記所定の値を有する場合に第１の事象が生じる第１の条件付き確率と、前記状態情報が前記所定の値を有する場合に第２の事象が生じる第２の条件付き確率を出力する第１のノードと、該第１の条件付き確率と該第２の条件付き確率を入力として、該第１の事象が生じた場合に推薦すべき設定操作の第３の条件付き確率と該第２の事象が生じた場合に該推薦すべき設定操作の第４の条件付き確率を求め、該第３の条件付き確率と該第４の条件付き確率を合計して該推薦すべき設定操作の推薦確率を算出する第２のノードとを有し、
   前記学習部（６６）は、前記第３の条件付き確率が前記第４の条件付き確率よりも高い場合には、前記第１の条件付き確率を低くするように前記第１のノードを修正し、かつ、前記第４の条件付き確率が前記第３の条件付き確率以上の場合には、前記第２の条件付き確率を低くするように前記第１のノードを修正する、請求項２に記載の車両用空調装置。
4. 前記確率モデルは、複数の異なる設定操作に関してそれぞれ推薦確率を算出するものであり、
   前記推薦操作決定部（６３）は、前記複数の異なる設定操作のそれぞれについて算出された推薦確率のうち、最も高い推薦確率に対応する設定操作を、前記推薦する設定操作とする、請求項１に記載の車両用空調装置。
5. 前記学習部（６６）は、前記複数の設定操作のうち、前記推薦された設定操作と異なる設定操作を乗員が前記表示部（５９）に前記推薦された設定操作が提示された時点から所定期間が経過するまでに前記操作部（５９）を通じて行った場合、該乗員が行った設定操作について算出される推薦確率を高くするように前記確率モデルを修正する、請求項４に記載の車両用空調装置。
6. 前記確率モデルは、前記状態情報が前記所定の値を有する場合に第１の事象が生じる第１の条件付き確率と、前記状態情報が前記所定の値を有する場合に第２の事象が生じる第２の条件付き確率を出力する第１のノードと、該第１の条件付き確率と該第２の条件付き確率を入力として、前記複数の異なる設定操作のそれぞれについて、該第１の事象が生じた場合に推薦する第３の条件付き確率と、該第２の事象が生じた場合に推薦する第４の条件付き確率を求め、該第３の条件付き確率と該第４の条件付き確率を合計することにより、前記複数の異なる設定操作のそれぞれについて推薦確率を算出する第２のノードとを有し、
   前記学習部（６６）は、前記乗員が行った設定操作に関する前記第３の条件付き確率又は前記第４の条件付き確率を高く、かつ前記推薦された設定操作に関する前記第３の条件付き確率又は前記第４の条件付き確率を低くするように前記第２のノードを修正する、請求項５に記載の車両用空調装置。
7. 前記学習部（６６）は、乗員が前記表示部（５９）に前記推薦された設定操作が提示された時点から所定期間が経過するまでに前記操作部（５９）を通じて前記確率モデルが推薦確率を算出しない別の種類の設定操作を行った場合、該乗員の行った設定操作に関する推薦確率を算出するように前記確率モデルを修正する、請求項１に記載の車両用空調装置。
8. 前記確率モデルは、前記状態情報が前記所定の値を有する場合に第１の事象が生じる第１の条件付き確率と、前記状態情報が前記所定の値を有する場合に第２の事象が生じる第２の条件付き確率を出力する第１のノードと、該第１の条件付き確率と該第２の条件付き確率を入力として、該第１の事象が生じた場合に推薦すべき設定操作の第３の条件付き確率と該第２の事象が生じた場合に該推薦すべき設定操作の第４の条件付き確率を求め、該第３の条件付き確率と該第４の条件付き確率を合計して該推薦すべき設定操作の推薦確率を算出する第２のノードとを有し、
   前記学習部（６６）は、前記確率モデルに、前記第１の条件付き確率と前記第２の条件付き確率を入力として、前記第１の事象が生じた場合に前記乗員が行った設定操作を推薦する第５の条件付き確率と前記第２の事象が生じた場合に前記乗員が行った設定操作を推薦する第６の条件付き確率を求め、該第５の条件付き確率と該第６の条件付き確率を合計して前記乗員が行った設定操作の推薦確率を出力する第３のノードを追加する、請求項７に記載の車両用空調装置。
9. 前記学習部（６６）は、乗員が前記表示部（５９）に前記推薦された設定操作が提示された時点から所定期間が経過するまでに前記承認操作を行わず、かつ前記提示の時点において、前記車両用空調装置の設定操作を行う余裕が無い程度に乗員の負荷状態が大きい場合、前記確率モデルの修正を行わない、請求項１に記載の車両用空調装置。
10. 空調空気を車両内に供給する空調部（１０）を有する車両用空調装置の制御方法であって、
    前記車両に関する状態を表す状態情報を取得するステップと、
    前記状態情報が所定の条件を満たす場合、該状態情報を確率モデルに入力して空調設定に関する設定操作についての推薦確率を算出し、算出した推薦確率が所定の閾値以上となる場合、該設定操作を推薦するステップと、
    前記推薦された設定操作が承認されたか否かを判定するステップと、
    前記推薦された設定操作が承認された場合、
    前記車両用空調装置の設定情報又は制御情報を、前記推薦された設定操作に応じて修正するステップと、
    前記修正された設定情報又は制御情報にしたがって、前記空調部（１０）の空調制御を行うステップと、
    前記推薦された設定操作が承認されない場合、
    乗員の負荷状態を検知するステップと、
    前記車両用空調装置に関して任意の設定操作を行うための操作部（５９）を通じてなされた乗員の設定操作の内容を取得するステップと、
    前記検知された乗員の負荷状態又は前記操作部（５９）を通じてなされた乗員の設定操作の内容に応じて前記確率モデルを修正するステップと、
    を有することを特徴とする制御方法。
11. 車両に搭載された車載機器を制御する車載機器制御装置であって、
    前記車両に関する状態を表す状態情報を取得する情報取得部（５１、５２、５３）と、
    前記状態情報が所定の条件を満たす場合、該状態情報を確率モデルに入力して前記車載機器に関する設定操作についての推薦確率を算出し、算出した推薦確率が所定の閾値以上となる場合、該設定操作を推薦する推薦操作決定部（６３）と、
    前記推薦された設定操作を乗員に提示する表示部（５９）と、
    前記推薦された設定操作を承認するか否かを入力する判定入力部（７５）と、
    前記判定入力部（７５）を通じて、前記推薦された設定操作を承認する承認操作がなされた場合、前記車載機器の設定情報又は制御情報を、前記推薦された設定操作に応じて修正する制御情報修正部（６４）と、
    乗員が前記車載機器に関して任意の設定操作を行うための操作部（５９）と、
    前記修正された設定情報又は制御情報、若しくは前記操作部（５９）を通じてなされた設定操作に対応する前記車載機器の設定情報又は制御情報にしたがって、前記車載機器の制御を行う制御部（６５）と、
    乗員の負荷状態を検知する負荷状態検知部（７１、７２、７３、７４）と、
    前記判定入力部（７５）を通じて前記承認操作がなされない場合、前記負荷状態検知部（７１、７２、７３、７４）で検知された乗員の負荷状態、又は前記操作部（５９）を通じてなされた乗員の設定操作の内容に応じて前記確率モデルを修正する学習部（６６）と、
    を有することを特徴とする車載機器制御装置。
12. 車両に搭載された車載機器の制御方法であって、
    前記車両に関する状態を表す状態情報を取得するステップと、
    前記状態情報が所定の条件を満たす場合、該状態情報を確率モデルに入力して前記車載機器に関する設定操作についての推薦確率を算出し、算出した推薦確率が所定の閾値以上となる場合、該設定操作を推薦するステップと、
    前記推薦された設定操作が承認されたか否かを判定するステップと、
    前記推薦された設定操作が承認された場合、
    前記車載機器の設定情報又は制御情報を、前記推薦された設定操作に応じて修正するステップと、
    前記修正された設定情報又は制御情報にしたがって、前記車載機器の制御を行うステップと、
    前記推薦された設定操作が承認されない場合、
    乗員の負荷状態を検知するステップと、
    前記車載機器に関して任意の設定操作を行うための操作部（５９）を通じてなされた乗員の設定操作の内容を取得するステップと、
    前記検知された乗員の負荷状態又は前記操作部（５９）を通じてなされた乗員の設定操作の内容に応じて前記確率モデルを修正するステップと、
    を有することを特徴とする制御方法。

Images