JP2021176032A - 制御装置 - Google Patents
制御装置 Download PDFInfo
- Publication number
- JP2021176032A JP2021176032A JP2020081047A JP2020081047A JP2021176032A JP 2021176032 A JP2021176032 A JP 2021176032A JP 2020081047 A JP2020081047 A JP 2020081047A JP 2020081047 A JP2020081047 A JP 2020081047A JP 2021176032 A JP2021176032 A JP 2021176032A
- Authority
- JP
- Japan
- Prior art keywords
- learning model
- learning
- model
- storage device
- power storage
- 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.)
- Pending
Links
Images
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
- Hybrid Electric Vehicles (AREA)
Abstract
【課題】蓄電装置の蓄電残量が低下している場合であっても機械学習における出力値を得ることが可能な制御装置を提供する。【解決手段】機械学習により構築された学習モデルと、学習モデルを記憶する電子制御ユニットと、蓄電装置とを有し、学習モデルに基づいて所定の出力パラメータを求める制御装置において、学習モデルは、演算負荷が大きい第1学習モデルと、相対的に演算負荷が小さい第2学習モデルとを含み、モデル選択部は、蓄電残量が予め定められた所定値未満の場合に、第2学習モデルを選択する(ステップS3)。【選択図】図4
Description
この発明は、ニューラルネットワークなどの機械学習を行う機械学習装置を備えた制御装置に関するものである。
特許文献1には、ニューラルネットワークを用いて内燃機関の浄化装置の温度を精度よく予測することを目的とした機械学習装置が記載されている。この特許文献1に記載された機械学習装置は、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気浄化触媒に流入する排気ガス中のHCまたはCO濃度、および、排気浄化触媒の温度の関係を示す学習用データを取得する。またその取得したデータをニューラルネットワークの入力パラメータとすると共に、取得された排気浄化触媒の温度を教師データとしてニューラルネットワークの重みを学習し、学習済みのニューラルネットワークを用いて排気浄化触媒の温度を推定するように構成されている。
近年、AIや機械学習を車両の各種制御に適用することが知られている。そのようなAIや機械学習は、必要とする入力データが多いほど、あるいは、ニューラルネットワークにおける入力層と出力層との間に設けられる隠れ層(中間層)が多いほど精度の高い制御が可能になる。上述の特許文献1に記載された機械学習装置においては、機関回転数、機関の負荷率、機関の空燃比、機関の点火時期、排気ガス中のHCやCO濃度など比較的多くの入力データを取得して排気浄化触媒の温度を推定しているため、精度の高い浄化触媒の温度の推定が可能である。一方、このようなニューラルネットワークを用いて演算を行う演算部や上記の入力データを取得するデータ取得部は、電子制御装置(ECU)に設けられており、そのような演算等は蓄電装置の電力を用いて行うことになる。したがって、例えば蓄電装置の蓄電残量(SOC)が低下している際に、多くの入力データを取得して、あるいは、多くの隠れ層を設けて機械学習を実行した場合には、出力値(所定の出力パラメータ)を得るための十分な電力を確保できず、ひいては出力値を得られないおそれがある。
この発明は上記の技術的課題に着目してなされたものであって、蓄電装置の蓄電残量が低下している場合であっても機械学習における出力値を得ることが可能な制御装置を提供することを目的とするものである。
上記の目的を達成するために、この発明は、機械学習により構築された学習モデルと、前記学習モデルを記憶する電子制御ユニットと、前記電子制御ユニットに電気的に連結された蓄電装置とを有し、前記学習モデルに基づいて所定の出力パラメータを求める制御装置において、前記学習モデルは、演算負荷が大きい第1学習モデルと、前記第1学習モデルより演算負荷が小さい第2学習モデルとを含み、前記蓄電装置の蓄電残量を取得する蓄電残量取得部と、前記学習モデルを選択するモデル選択部とを備え、前記モデル選択部は、前記蓄電残量が予め定められた所定値未満の場合に、前記第2学習モデルを選択することを特徴としている。
この発明によれば、蓄電装置の蓄電残量に応じて学習モデルを選択するように構成されている。具体的には、ECU(電子制御ユニット)に、ニューラルネットワークなどの機械学習によって構築された複数の学習モデルが記憶されており、蓄電装置の蓄電残量が予め定められた所定値未満の場合には、その複数の学習モデルのうちの機械学習における演算負荷が小さいモデルを選択するように構成されている。そのため、蓄電装置の蓄電残量が低下している場合であっても、所定の出力パラメータ(出力値)を得るための電力が小さくなり、その結果、その出力値を確実に求めることができる。つまり、所定の制御において、電力が不足することを要因として出力値を得られないことを抑制もしくは回避できる。
この発明を図に示す実施形態に基づいて説明する。なお、以下に説明する実施形態はこの発明を具体化した場合の一例に過ぎないのであって、この発明を限定するものではない。
この発明の実施形態における制御装置は、例えば内燃機関を駆動力源とした車両、内燃機関とモータとを駆動力源とした車両(いわゆるハイブリッド車)、モータを駆動力源とした車両(いわゆるEV車)、自動運転が可能な車両など(以下、単に車両1と記す)に備えられる。また、車両1には、各種データを収集し、各種制御を実行するECU(電子制御ユニット)2が設けられている。また、そのECU2は、ニューラルネットワークなどの機械学習を行う機械学習装置3を備えている。さらに、ECU2には、蓄電装置4が電気的に連結されている。
ECU2は、マイクロコンピュータを主体にして構成され、入力されるデータや予め記憶しているデータなどを使用して演算を行い、その演算の結果を指令信号として出力することにより、駆動力や制動力の制御、操舵特性の制御、その他各種の制御を実行するように構成されている。図1は、そのECU2の構成を説明するためのブロック図であって、ECU2は、機械学習装置3を含んで構成される。
機械学習装置3は、入力値と出力値との相関関係を、ニューラルネットワークなどの機械学習によって構築し、それによって学習したモデルをECU2に記憶するように構成されている。図1に示す例では、その学習したモデルを学習済みモデル5と記している。具体的には、図1に示すように、機械学習装置3は、各種センサや各種機器の状態、すなわち変化する状態変数を取得する状態取得部6と、その状態取得部6で取得したデータに応じて出力値(出力パラメータ)を学習する学習部7とを具備している。
ここで、ニューラルネットワークについて簡単に説明する。ニューラルネットワークは、前掲の特許文献1に記載されているように機械学習の一種であり、個々の人工ニューロン(ノードとも称される)が結合されてネットワークが構築され、入力ノードから中間ノード、そして中間ノードから出力ノードへ単一の方向のみに信号が伝播する構造とされている。また、各ノードをつなぐ部分の「重み」を何らかの演算や方法によってそれぞれ調整することにより、学習結果として所定の出力が得られる。そして、その学習過程で作成した学習モデル(制御モデルあるいはニューロンモデルとも称される)を使用して各種制御を実行する。
この発明の実施形態では、上記のニューラルネットワークにより構築した学習モデルを複数備えている。図2および図3は、その学習モデルを示す図であって、図2は、蓄電装置4の蓄電残量が比較的高い場合のモデルを示し、図3は、蓄電装置4の蓄電残量が比較的低い場合のモデルを示している。
図2の学習モデルについて具体的に説明すると、この学習モデルは、従来知られている構成と同様に、入力層、隠れ層(中間層)、および、出力層によって構成されている。入力層には、所定の運転状態における各種センサの値(実測値)が入力データとして入力される。また、出力層は、所定の出力パラメータの実測値とされ、すなわち所定の出力パラメータは教師データとして用いられる。なお、各種センサとは、例えばアクセル開度センサ、エンジン回転数センサ、車速センサ、車輪速センサ、モータの回転数センサ、触媒温度センサ、SOCセンサなどがある。
また、図2に示す例では、隠れ層が複数の層から構成されており、多くのノードが設けられている。したがって、重みやバイアスをかけることで、より精度の高い出力値が得られるモデルとされている。つまり、図2に示すモデルでは、蓄電装置4の蓄電残量が比較的高いため、蓄電残量の電力を使用して精度の高い演算が可能となる。なお、隠れ層の層数は、任意の個数とすることができ、また同様に、入力層のノードの数、隠れ層のノードの数、出力層のノードの数も任意の個数とすることができる。
一方、図3に示す例では、隠れ層が一つとされている。つまり、図2のモデルに比べて隠れ層およびノードの数が少なく演算負荷が小さいモデルとなっている。その他の構成は図2の構成と同様であるため、その説明は省略する。なお、上述の図2の学習モデルが、この発明の実施形態における「第1学習モデル」に相当し、図3の学習モデルが、この発明の実施形態における「第2学習モデル」に相当する。
また、ECU2は、入力データ取得部8、SOC取得部(蓄電残量取得部)9、および、モデル選択部10を更に備えている。入力データ取得部8は、各種センサからの入力データを取得し、SOC取得部9は、蓄電装置4の蓄電残量を取得する。モデル選択部10は、上記の複数の学習モデルのうち任意のモデルを選択する。
このように構成された制御装置は、必要とする入力データが多いほど、あるいは、ニューラルネットワークにおける隠れ層やノードの数が多いほど精度の高い制御が可能になる。一方、ニューラルネットワークを用いて演算を行う演算部や上記の入力データを入力するデータ取得部8は、ECU2に設けられているから、そのような演算等は蓄電装置4の電力を用いて行うことになる。したがって、例えば蓄電装置4の蓄電残量(SOC)が低下している際に、多くの入力データを取得して、あるいは、多くの隠れ層を設けた機械学習を実行した場合には、出力値(所定の出力パラメータ)を得るための十分な電力を確保できず、ひいては出力値を得られないことがある。そこで、この発明の実施形態では、蓄電装置4の蓄電残量が低下している場合であっても所定の出力値を得ることができるように構成されている。
図4は、その制御の一例を示すフローチャートであって、蓄電装置4の蓄電残量に応じて任意の学習モデルを選択して出力値を得るように構成されている。先ず、入力データを取得したか否かを判断する(ステップS1)。これは、上述したように各種センサ等から入力されるデータであって、その入力されるデータは、上述したように、アクセル開度、車速、エンジンやモータの回転数、エンジンやモータのトルク、触媒温度などである。なお、例えば出力パラメータ(教師データ)に対して、未だ所定の入力データを取得できていないような場合には、このステップS1で否定的に判断される。したがって、入力データを取得できていないことなどにより、このステップS1で否定的に判断された場合には、これ以降の制御を実行することなく図4におけるルーチンを一旦終了する。
それとは反対に、このステップS1で肯定的に判断された場合、すなわち入力データを取得できたと判断した場合には、SOCの値を取得する(ステップS2)。これは、現在の蓄電装置4の蓄電残量を取得するステップであって、上述のSOC取得部9により取得する。
ついで、その取得したSOCの値に応じて学習モデルを選択する(ステップS3)。上述したように、この発明の実施形態では、機械学習装置3で構築した学習モデルを複数備えており、その例としては、図2および図3に示したモデルである。図2の学習モデルは、蓄電装置4の蓄電残量が比較的高い場合に実行される学習モデルであり、それとは反対に図3の学習モデルは、蓄電装置4の蓄電残量が比較的低い場合に実行される学習モデルである。したがって、このステップS3では、ステップS2で取得した蓄電装置4の蓄電残量に応じて図2もしくは図3の学習モデルを選択する。
具体的には、ステップS2で取得した蓄電装置4の蓄電残量が予め定めた所定値以上の場合には、図2の学習モデルを選択する。それとは反対に、ステップS2で取得した蓄電装置4の蓄電残量が所定値未満の場合には、図3の学習モデルを選択する。つまり、所定の出力パラメータを得ることが可能な学習モデルを選択する。
ついで、その選択した学習モデルに、入力データを入力し、所定の出力パラメータを求める(ステップS4)。つまり、ステップS3で選択した学習モデルで機械学習を行って出力値を得る。そして、その得た出力パラメータを用いて目的の制御を行う(ステップS5)。
このように、この発明の実施形態では、予め複数の学習モデルを構築し、蓄電装置4の蓄電残量に応じて任意の学習モデルを選択するように構成されている。具体的には、機械学習において演算負荷が大きいモデルや演算負荷が小さいモデルなどを構築してECU2に記憶させておく。そして、現在の蓄電装置4の蓄電残量に応じて学習モデルを選択するように構成されている。そのため、例えば、蓄電装置4の蓄電残量が低下しているような場合であっても、演算負荷の小さい学習モデルを選択することにより所定の出力パラメータを求めることができる。つまり、出力値を得ることができる。言い換えれば、蓄電装置4の蓄電残量が低下していることを要因として、出力値を得ることができないなどの不都合が生じることを回避できる。
以上、この発明の実施形態について説明したが、この発明は上述した例に限定されないのであって、この発明の目的を達成する範囲で適宜変更してもよい。上述した実施形態では、学習モデルとして図2および図3の二つの学習モデルをECU2に記憶するように構成したものの、この学習モデルは、複数であれば三つ以上であってもよい。三つ以上などより多くの学習モデルを記憶しておくことにより、蓄電装置4の蓄電残量に応じてより精度の高い学習モデルを選択でき、その結果、出力値もより精度の高いものとなる。
1 車両
2 制御装置
3 機械学習装置
4 蓄電装置
5 学習済みモデル
6 状態取得部
7 学習部
8 入力データ取得部
9 SOC取得部
10 モデル選択部
2 制御装置
3 機械学習装置
4 蓄電装置
5 学習済みモデル
6 状態取得部
7 学習部
8 入力データ取得部
9 SOC取得部
10 モデル選択部
Claims (1)
- 機械学習により構築された学習モデルと、前記学習モデルを記憶する電子制御ユニットと、前記電子制御ユニットに電気的に連結された蓄電装置とを有し、前記学習モデルに基づいて所定の出力パラメータを求める制御装置において、
前記学習モデルは、演算負荷が大きい第1学習モデルと、前記第1学習モデルより演算負荷が小さい第2学習モデルとを含み、
前記蓄電装置の蓄電残量を取得する蓄電残量取得部と、
前記学習モデルを選択するモデル選択部とを備え、
前記モデル選択部は、前記蓄電残量が予め定められた所定値未満の場合に、前記第2学習モデルを選択する
ことを特徴とする制御装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020081047A JP2021176032A (ja) | 2020-05-01 | 2020-05-01 | 制御装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020081047A JP2021176032A (ja) | 2020-05-01 | 2020-05-01 | 制御装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021176032A true JP2021176032A (ja) | 2021-11-04 |
Family
ID=78300392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020081047A Pending JP2021176032A (ja) | 2020-05-01 | 2020-05-01 | 制御装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021176032A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023149174A1 (ja) * | 2022-02-02 | 2023-08-10 | ソニーグループ株式会社 | 情報処理装置、情報処理方法及びプログラム |
-
2020
- 2020-05-01 JP JP2020081047A patent/JP2021176032A/ja active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023149174A1 (ja) * | 2022-02-02 | 2023-08-10 | ソニーグループ株式会社 | 情報処理装置、情報処理方法及びプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113153521B (zh) | 一种利用人工神经网络预测车辆发动机扭矩的系统和方法 | |
Di Cairano et al. | Stochastic MPC with learning for driver-predictive vehicle control and its application to HEV energy management | |
AU2020256407B2 (en) | Method of generating vehicle control data, vehicle control device, and vehicle control system | |
KR100261956B1 (ko) | 하이브리드 차량의 제어 시스템 | |
CN112682197B (zh) | 车辆用控制数据的生成方法、车辆用控制装置和控制系统 | |
JP6624319B1 (ja) | 触媒劣化検出装置、触媒劣化検出システム、データ解析装置、内燃機関の制御装置、および中古車の状態情報提供方法 | |
CN112682184A (zh) | 车辆用控制装置、车辆用控制系统以及车辆控制方法 | |
CN113006951B (zh) | 车辆用控制数据的生成方法、车辆用控制装置、车辆用控制系统以及车辆用学习装置 | |
EP0982484B1 (en) | Output control method and control system of a power source for a vehicle | |
CN112682200A (zh) | 车辆用控制数据的生成方法、车辆用控制装置和车辆用控制系统 | |
CN113103972A (zh) | 车辆用控制数据的生成方法及装置、车辆用控制装置及系统、车辆用学习装置和存储介质 | |
CN113264034B (zh) | 车辆用控制数据的生成方法、控制装置、系统及学习装置 | |
CN113103971A (zh) | 车辆用控制数据的生成方法、车辆用控制装置、车辆用控制系统以及车辆用学习装置 | |
JP2020100386A (ja) | パワートレーンシステム | |
Park et al. | Intelligent energy management and optimization in a hybridized all-terrain vehicle with simple on–off control of the internal combustion engine | |
CN112682196A (zh) | 车辆用控制装置、车辆用控制系统、以及车辆用学习装置 | |
JP2021176032A (ja) | 制御装置 | |
Fechert et al. | Using deep reinforcement learning for hybrid electric vehicle energy management under consideration of dynamic emission models | |
JP7205460B2 (ja) | 車両用制御データの生成方法、車両用制御装置、車両用制御システム、および車両用学習装置 | |
Corno et al. | Predictive cylinder deactivation control for large displacement automotive engines | |
JP2020133620A (ja) | 触媒劣化検出装置、触媒劣化検出システム、データ解析装置、内燃機関の制御装置、および中古車の状態情報提供方法 | |
Fanesi et al. | Supervising MHEV’s control system with GPS data and fuzzy logic to optimize fuel economy | |
CN112648093B (zh) | 内燃机的状态推定装置、内燃机的状态推定系统、数据解析装置及内燃机的控制装置 | |
Radmilovic et al. | Vibration comfort control for HEV based on machine learning | |
Haehn | Learning control strategies for hybrid vehicles using neural networks |