JP2014046889A - 車両用制御装置 - Google Patents
車両用制御装置 Download PDFInfo
- Publication number
- JP2014046889A JP2014046889A JP2012193499A JP2012193499A JP2014046889A JP 2014046889 A JP2014046889 A JP 2014046889A JP 2012193499 A JP2012193499 A JP 2012193499A JP 2012193499 A JP2012193499 A JP 2012193499A JP 2014046889 A JP2014046889 A JP 2014046889A
- Authority
- JP
- Japan
- Prior art keywords
- vehicle
- hierarchical model
- unit
- control algorithm
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
【解決手段】検出部10によって検出された状態データに基づいて、車両が遭遇している走行場を推定する推定部20を有し、推定部20は、ニューラルネットワークの恒等写像モデル21と、ニューラルネットワークの非線形の階層型モデル22とを有し、恒等写像モデル21の入力層及び出力層の各ユニットに、状態データがパラメータとして入力され、恒等写像モデル21の中間層の各ユニットのパラメータが、階層型モデル22の入力層の各ユニットにそれぞれ入力され、階層型モデル22の出力層の各ユニットは、複数の走行場にそれぞれ対応し、階層型モデル22の出力層に出力されたパラメータに基づいて、複数の走行場の一つとして、車両が遭遇している走行場が推定される。
【選択図】図2
Description
なお、恒等写像モデルは、入力層と出力層に同一データを提示して、恒等写像としての中間層出力を学習させる階層型モデルである。恒等写像モデルでは、曖昧で不完全な多種多様な情報を入力及び出力とし、問題解決に必要な縮約された情報を自動的に抽出することができる。特に、恒等写像モデルでは、教師信号を必要としないため、未知の予め想定されていなかった未知の走行場を推定するのに用いて好適である。
さらに、本発明では、恒等写像モデルで圧縮抽出された情報に基づいて、階層型モデルの出力層の各ユニットに対応する複数の走行場の一つとして、車両が遭遇している走行場が推定される。これにより、より多様な走行場に対応できるように、車両の遭遇している走行場を的確に推定することができる。
また、非線形の階層型モデルも、ニューラルネットワークの階層型モデルをはじめ、種々のモデルを使用することができる。
特に、遺伝的ネットワークプログラミングでは、有向グラフ(ネットワーク)を用いて制御アルゴリズムの遺伝子型が表現されるため、従来の遺伝的アルゴリズムでは表現が困難であった数式やプログラムのコードなど、構造を有するデータを表現することができる。このため、遺伝的ネットワークプログラミングは、新たな走行場に対する適切な制御アルゴリズムを生成するのに用いて好適である。
まず、図1及び図2を参照して、本発明の実施形態による車両用制御装置の構成について説明する。図1は、実施形態による車両用制御装置の接続関係を示すブロック図であり、図2は、車両用制御装置の構成を示すブロック図である。
非同期処理モジュール120は、学習評価部60を有する。学習評価部60は、恒等写像モデル21の中間層に出力されるパラメータを入力して、制御アルゴリズムを学習評価する遺伝的ネットワークプログラミング(GNP)61と、ニューラルネットワークの学習用の非線形の階層型モデル62とを有する。
遺伝的アルゴリズム(GA)は、生物の進化過程において見られる、染色体の選択、交差及び突然変異を模倣し、工学的に応用した計算手法である。遺伝的アルゴリズムでは、設計変数を遺伝子とみなし、遺伝子をビット列構造で表現する。
先ず、初期集団を作成する(S41)。初期集団は、個体の集合であり、各個体は、解候補を記号化したものであって、それぞれが一つの遺伝子を有する。
評価値とは、各個体の有効性を定量的に示す指標をいい、例えば、燃費の良さを評価値とすることができる。
個体の選択とは、次世代に残す個体を選出することをいう。
交叉とは、親世代の遺伝子を交換し、子世代として新しい遺伝子を作成することをいう。また、突然変異とは、親世代に遺伝子の一部をランダムに書き換え、子世代とすることをいう。
最終世代になるまで、上記のS42〜S44のステップを繰り返す。
このようにして、最適解又は準最適解を探索する。
遺伝的プログラミング(GP)のアルゴリズムの流れも、図4に示したものと基本的に同じであるが、遺伝的プログラミング(GP)では、遺伝子を、ノード関数を用いた木構造で表現する。そして、ノード関数を用いてif−then文による条件判断を行い、処理を実行する。これにより、遺伝的プログラミングでは(GP)では、遺伝的アルゴリズム(GA)のビット列構造では扱えなかった構造的なシステムを扱うことができる。
遺伝的ネットワークプログラミング(GNP)のアルゴリズムの流れも、図4に示したものと基本的に同じであるが、遺伝的ネットワークプログラミング(GNP)では、図5に示すように、集団を構成する各個体が、ノード関数が有向枝によって相互に接続された有向グラフ(ネットワーク)構造を有する。ノード関数は、判定ノードと処理ノードの二種類のノードから構成される。判定ノードは、if−then文による条件判断及び分岐を担う。一方、処理ノードは、定められた処理(行動)を実行する役割を有する。また、判定ノードからは、分岐の数だけ有向枝が伸びる。一方、処理ノードからは、一本の有向枝のみが伸びる。
なお、遺伝的ネットワークプログラミング(GNP)では、どの個体でもノード数が一定であるため、ブロート(解の膨張)が発生しない。
pi=fi/Σf ・・・(1)
まず、接続先ノードを変更する突然変異(突然変異A)では、1個体を任意に選択し、設定した突然変異確率に基づき、突然変異させるべきノードを選択する。そして、選択されたノードの接続先をランダムに変更する。図8では、突然変異Aにおいて、ノードP1の接続先ノードが、右上の処理ノードから、左上の判断ノードへ切り替えられている。
なお、図9のフローチャートの左側部分は、同期処理モジュール110に処理に対応し、右側部分は、非同期処理モジュール120の処理に対応する。
この場合、恒等写像モデル21の中間層から出力されたパラメータを、ニューラルネットワークの非線形階層型モデルの入力層に入力して、走行場を推定する(S95)。その結果、図3の示す非線形階層型モデル22では、出力層の「渋滞」、「平坦」、「上り」及び「下り」の4つユニットの何れかに対応する走行場が推定される。
なお、新たな走行場を認識するための、同じノードを有する有向グラフ構造の出現の繰り返し回数は、経験的に任意の回数を設定するとよい。
ここで、図12に、非線形階層型モデルの出力層のパラメータの閾値を模式的に示す。なお、図12では、便宜的に、縦軸と横軸で表された2つのパラメータの組合せで閾値を示しているが、一般に、パラメータの数は3以上である。
これにより、予め設定されていなかった新たな走行場を含む、より多様な走行場に対応することが可能となる。
そこで、第2実施形態では、登録されたドライバごとに推定部20をそれぞれ設けている。また、ドライバごとに走行場を推定する以外は、上記第1実施形態による処理を同じ処理を行う。
11 ドライバ状態モニタ
12 車外環境モニタ
13 車両状態モニタ
20 推定部
30 選択部
40 変換部
50 メモリ
60 学習評価部
61 遺伝的ネットワークプログラミング(GNP)
62 学習用階層型モデル
70 車内LAN
71 パワートレーン制御モジュールECU
72 モータ制御ユニットECU
73 バッテリ制御モジュールECU
74 ブレーキ制御モジュールECU
81 エンジン
82 モータ/発電機
83 高圧バッテリ
84 ブレーキ
100 コアモジュールECU
110 同期処理モジュール
120 非同期処理モジュール
Claims (4)
- 車両を運転するドライバの状態、車外環境状態、及び車両状態の少なくとも一つの状態データを検出する検出手段と、
上記検出手段によって検出された状態データに基づいて、車両が遭遇している走行場を推定する推定手段と、
を有し、
上記推定手段は、恒等写像モデルと、非線形の階層型モデルとを有し、
上記恒等写像モデルの入力層及び出力層の各ユニットに、上記状態データがパラメータとして入力され、
上記恒等写像モデルの中間層の各ユニットのパラメータが、上記階層型モデルの入力層の各ユニットにそれぞれ入力され、上記階層型モデルの出力層の各ユニットは、複数の走行場にそれぞれ対応し、
上記推定手段は、上記階層型モデルの出力層に出力されたパラメータに基づいて、上記複数の走行場の一つとして、車両が遭遇している走行場を推定する
ことを特徴とする車両用制御装置。 - 評価学習手段を更に有し、上記評価学習手段は、
上記恒等写像モデルの上記中間層に出力されるパラメータに基づいて進化的アルゴリズムによって生成された制御アルゴリズムをモニタし、
上記制御アルゴリズムにおいて、同じノードを有する新たな制御アルゴリズムが繰り返し出現した場合に、上記新たな制御アルゴリズムに対応する走行場を新たな走行場として認識し、
上記階層型モデルの出力層に、上記新たな走行場に対応する新たな出力ユニットを追加した学習用階層型モデルを生成して、上記学習用階層型モデルで学習を行い、
上記推定手段は、上記階層型モデルを上記学習用階層型モデルに更新する
ことを特徴とする請求項1記載の車両用制御装置。 - 走行場と車両の制御アルゴリズムとが互いに対応付けて記憶された記憶手段と、
前記記憶手段に記憶された制御アルゴリズムから、上記推定手段によって推定された走行場に対応する制御アルゴリズムを選択する選択手段と、
選択された制御アルゴリズムを車両の制御パラメータに変換する変換手段と、
を更に有し、
上記階層型モデルが更新された場合に、上記新たな制御アルゴリズムを上記新たな走行場と対応付けて上記記憶手段に記憶する
ことを特徴とする請求項2記載の車両用制御装置。 - 車両を運転するドライバを識別するドライバ識別手段を更に有し、
上記推定手段は、ドライバごとに個別に設けられている
ことを特徴とする請求項1〜3の何れか一項に記載の車両用制御装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012193499A JP6011788B2 (ja) | 2012-09-03 | 2012-09-03 | 車両用制御装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012193499A JP6011788B2 (ja) | 2012-09-03 | 2012-09-03 | 車両用制御装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2014046889A true JP2014046889A (ja) | 2014-03-17 |
JP6011788B2 JP6011788B2 (ja) | 2016-10-19 |
Family
ID=50606965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012193499A Expired - Fee Related JP6011788B2 (ja) | 2012-09-03 | 2012-09-03 | 車両用制御装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6011788B2 (ja) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3382486A1 (en) * | 2017-03-29 | 2018-10-03 | Hitachi, Ltd. | Vehicle state monitoring apparatus, system and method |
WO2019186996A1 (ja) * | 2018-03-30 | 2019-10-03 | 日本電気株式会社 | モデル推定システム、モデル推定方法およびモデル推定プログラム |
JP2019527813A (ja) * | 2017-06-22 | 2019-10-03 | バイドゥドットコム タイムズ テクノロジー (ベイジン) カンパニー リミテッドBaidu.com Times Technology (Beijing) Co., Ltd. | 自律走行車の交通予測における予測軌跡の評価フレームワーク |
EP3617966A1 (en) * | 2018-08-27 | 2020-03-04 | Baidu Online Network Technology (Beijing) Co., Ltd. | Data processing method, apparatus and readable storage medium for evaluating ride comfortability |
CN111806445A (zh) * | 2020-05-29 | 2020-10-23 | 北汽福田汽车股份有限公司 | 车辆横向控制方法和装置、介质、设备、车辆 |
CN115556758A (zh) * | 2022-09-26 | 2023-01-03 | 湖北大学 | 一种基于增强现实的预警系统及预警方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5748662B2 (ja) * | 2008-09-17 | 2015-07-15 | ノボマー, インコーポレイテッド | 脂肪族ポリカーボネートクエンチ方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10283334A (ja) * | 1997-04-10 | 1998-10-23 | Fuji Electric Co Ltd | ニューラルネットワークの入力層最適化方法 |
JP2004034881A (ja) * | 2002-07-05 | 2004-02-05 | Honda Motor Co Ltd | 車両の走行制御装置 |
JP2009073465A (ja) * | 2007-08-28 | 2009-04-09 | Fuji Heavy Ind Ltd | 安全運転支援システム |
JP2009099051A (ja) * | 2007-10-18 | 2009-05-07 | Yamaha Motor Co Ltd | パラメトリック多目的最適化装置、パラメトリック多目的最適化方法およびパラメトリック多目的最適化プログラム |
JP2012025232A (ja) * | 2010-07-21 | 2012-02-09 | Keio Gijuku | 車両用制御装置 |
-
2012
- 2012-09-03 JP JP2012193499A patent/JP6011788B2/ja not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10283334A (ja) * | 1997-04-10 | 1998-10-23 | Fuji Electric Co Ltd | ニューラルネットワークの入力層最適化方法 |
JP2004034881A (ja) * | 2002-07-05 | 2004-02-05 | Honda Motor Co Ltd | 車両の走行制御装置 |
JP2009073465A (ja) * | 2007-08-28 | 2009-04-09 | Fuji Heavy Ind Ltd | 安全運転支援システム |
JP2009099051A (ja) * | 2007-10-18 | 2009-05-07 | Yamaha Motor Co Ltd | パラメトリック多目的最適化装置、パラメトリック多目的最適化方法およびパラメトリック多目的最適化プログラム |
JP2012025232A (ja) * | 2010-07-21 | 2012-02-09 | Keio Gijuku | 車両用制御装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3382486A1 (en) * | 2017-03-29 | 2018-10-03 | Hitachi, Ltd. | Vehicle state monitoring apparatus, system and method |
US10249112B2 (en) | 2017-03-29 | 2019-04-02 | Hitachi, Ltd. | Vehicle state monitoring apparatus, vehicle state monitoring system, and vehicle state monitoring method |
JP2019527813A (ja) * | 2017-06-22 | 2019-10-03 | バイドゥドットコム タイムズ テクノロジー (ベイジン) カンパニー リミテッドBaidu.com Times Technology (Beijing) Co., Ltd. | 自律走行車の交通予測における予測軌跡の評価フレームワーク |
WO2019186996A1 (ja) * | 2018-03-30 | 2019-10-03 | 日本電気株式会社 | モデル推定システム、モデル推定方法およびモデル推定プログラム |
EP3617966A1 (en) * | 2018-08-27 | 2020-03-04 | Baidu Online Network Technology (Beijing) Co., Ltd. | Data processing method, apparatus and readable storage medium for evaluating ride comfortability |
CN111806445A (zh) * | 2020-05-29 | 2020-10-23 | 北汽福田汽车股份有限公司 | 车辆横向控制方法和装置、介质、设备、车辆 |
CN115556758A (zh) * | 2022-09-26 | 2023-01-03 | 湖北大学 | 一种基于增强现实的预警系统及预警方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6011788B2 (ja) | 2016-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6011788B2 (ja) | 車両用制御装置 | |
JP7361775B2 (ja) | 自律運転のための個人運転スタイル学習 | |
KR102461831B1 (ko) | 자율주행 차량 군집 운행을 위한 비신호 교차로에서의 강화학습기반 통행 개선을 위한 장치 및 방법 | |
Brown et al. | A taxonomy and review of algorithms for modeling and predicting human driver behavior | |
CN109739219A (zh) | 通行路径的规划方法、装置、设备及可读存储介质 | |
EP0978790A1 (en) | Control system and method for controlling object using emotions and personality generated in the object | |
Deng et al. | Prediction of human driver behaviors based on an improved HMM approach | |
CN114170789B (zh) | 基于时空图神经网络的智能网联车换道决策建模方法 | |
Xie et al. | A driving behavior awareness model based on a dynamic Bayesian network and distributed genetic algorithm | |
CN110281949B (zh) | 一种自动驾驶统一分层决策方法 | |
JP6924629B2 (ja) | 自動制御装置およびその制御方法 | |
WO2018173933A1 (ja) | 情報処理装置、走行データ処理方法、車両およびプログラム記録媒体 | |
JP2019093896A (ja) | 情報処理装置、分類方法およびコンピュータ・プログラム | |
Odeh | Hybrid algorithm: fuzzy logic-genetic algorithm on traffic light intelligent system | |
Vasquez et al. | Multi-objective autonomous braking system using naturalistic dataset | |
KR20190111318A (ko) | 운전 상태 추정을 위한 이동체, 서버, 운전 상태 추정 방법 및 시스템 | |
CN114919578A (zh) | 智能车行为决策方法、规划方法、系统及存储介质 | |
Selvaraj et al. | An ML-aided reinforcement learning approach for challenging vehicle maneuvers | |
JP5665400B2 (ja) | 車両用制御装置 | |
WO2022044210A1 (ja) | 運転支援装置、学習装置、運転支援方法、運転支援プログラム、学習済モデルの生成方法、学習済モデル生成プログラム | |
EP4160478A1 (en) | Driving decision-making method, device, and chip | |
Tami et al. | Machine learning method to ensure robust decision-making of AVs | |
CN115981302A (zh) | 车辆跟驰换道行为决策方法、装置及电子设备 | |
CN114117944B (zh) | 一种模型更新方法、装置、设备及可读存储介质 | |
CN115330064A (zh) | 一种面向高度自动驾驶的人机决策逻辑在线优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20150312 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20160127 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20160203 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160404 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20160824 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20160906 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6011788 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |