JP2023036321A - 車両の制動制御装置 - Google Patents

Abstract

【課題】車両の外部の状況に応じて制動作動の応答性を設定できる車両の制動制御装置を提供すること。【解決手段】制動制御装置１００は、車両１０の外部の状況に関する車外状況情報を取得する情報取得部１０１と、情報取得部１０１が取得した車外状況情報を学習器１１０に入力することによって学習器１１０から出力された指標に応じて制動作動の応答性を設定する設定部１０３とを備えている。【選択図】図１

Description

本発明は、車両の制動制御装置に関する。

特許文献１には、車両の運転者による手動運転と自動運転とにおいて、手動運転中に先行車両が存在しない場合の制動距離を学習し、その学習結果を自動運転の走行特性に反映させることが開示されている。

国際公開第２０１８／１６３２８８号

しかしながら、車両の外部の状況である車外状況は多種多様であるため、車外状況に応じた車両用制動装置の制御には改善の余地がある。本発明の課題は、多種多様な車外状況に応じて好適な制動作動の応答性を設定できる車両の制動制御装置を提供することである。

上記課題を解決するための車両の制動制御装置は、車両の車輪に制動力を付与する制動装置に適用される装置である。この制動制御装置は、前記車両の外部の状況に関する情報である車外状況情報を取得する情報取得部と、前記制動装置において前記車輪に制動力を付与する制動作動が発生する蓋然性を前記車両の外部の状況に基づいて推定する機械学習を行った学習器に、前記情報取得部が取得した前記車外状況情報を入力することによって当該学習器から出力された指標に応じて前記制動作動の応答性を設定する設定部と、を備えている。

上述したように車外状況は多種多様である。そのため、多種多様な車外状況を規定する多数のパラメータを入力とする条件分岐によって上記蓋然性を求めることは容易ではない。この点、上記構成によれば、自車両で取得された車外状況情報を学習器に入力することより、当該車外状況情報に対応する上記蓋然性を求めることができる。そのため、制動作動の応答性を、多種多様な車外状況に応じて好適に設定できる。

図１は、第１実施形態に係る車両の模式図である。 図２は、同車両に搭載されている摩擦ブレーキの概略構成を示す一部断面図である。 図３は、同車両に搭載されている制動制御装置により実行されるプレ制動処理に係る制御の流れを説明するフローチャートである。 図４は、第１実施形態に係る機械学習の方法を示す模式図である。 図５は、第１実施形態に係る学習装置により実行される学習処理に係る制御の流れを示すフローチャートである。 図６は、第２実施形態に係る車両及び車外サーバ装置を示す模式図である。 図７は、第２実施形態の車両及び車外サーバ装置において実行されるプレ制動処理の流れを示すシーケンス図である。

（第１実施形態）
以下、第１実施形態を図１～図５に従って説明する。
図１は、本実施形態に係る車両１０と、車両１０に搭載されている制動装置３０と、制動装置３０を制御する制動制御装置１００とを示す図である。

＜制動装置＞
制動装置３０は、摩擦ブレーキ２０を有している。摩擦ブレーキ２０は、対応する車輪１１に制動力を付与する制動機構である。

摩擦ブレーキ２０は、例えばキャリパタイプの制動機構である。摩擦ブレーキ２０は、車輪１１と一体に回転する被摩擦部としてのロータ２１と、摩擦部としてのブレーキパッド２２とを有している。

図２は、摩擦ブレーキ２０を示す一部断面図である。摩擦ブレーキ２０は、ブレーキパッド２２がロータ２１に対して接近方向と離間方向とに変位可能に構成されている。接近方向とは、ブレーキパッド２２をロータ２１に対して相対的に接近させる方向である。離間方向とは、ブレーキパッド２２をロータ２１から相対的に離間させる方向である。

図２に二点鎖線で示すように摩擦ブレーキ２０が車輪１１に制動力を付与していない状態では、ブレーキパッド２２はロータ２１から離間する。一方で、図２に実線で示すように摩擦ブレーキ２０が車輪１１に制動力を付与している状態では、ブレーキパッド２２はロータ２１に接触する。

摩擦ブレーキ２０は、ホイールシリンダ２３を備えている。例えば車両１０の運転者がブレーキペダル１５を操作すると、ホイールシリンダ２３内にブレーキ液が供給されるため、ホイールシリンダ２３内の液圧であるＷＣ圧が増大する。これにより、ホイールシリンダ２３のピストン２５が移動し、ブレーキパッド２２が、図２に白抜きの矢印で示すようにロータ２１に接近する。そして、ブレーキパッド２２がロータ２１に接触すると、車輪１１に制動力が付与される。

図１に示すように、制動装置３０は、アクチュエータ（ＡＣＴ）３１を有している。制動装置３０は、アクチュエータ３１の作動によってＷＣ圧を調整できるように構成されている。そのため、制動装置３０は、ブレーキペダル１５が操作されていない場合であっても、アクチュエータ３１の作動によって、車輪１１に制動力を付与できる。

＜センサ系＞
車両１０のセンサ系は、例えば、車輪速センサ５１、前後加速度センサ５２、ヨーレートセンサ５３及びブレーキスイッチ５６などを備えている。車輪速センサ５１は、車輪１１の回転速度である車輪速ＷＳを検出し、車輪速ＷＳに応じた検出信号を制動制御装置１００に出力する。前後加速度センサ５２は、車両１０の前後加速度Ｇｘを検出し、前後加速度Ｇｘに応じた検出信号を制動制御装置１００に出力する。ヨーレートセンサ５３は、車両１０のヨーレートＹｒを検出し、ヨーレートＹｒに応じた検出信号を制動制御装置１００に出力する。ブレーキスイッチ５６は、ブレーキペダル１５の操作の有無に関する信号を制動制御装置１００に出力する。

＜車外監視系＞
車両１０は、車両１０の外部の状況を監視する車外監視系６０を備えている。車外監視系６０は、例えば、撮像装置６１とレーダー装置６２とを有している。撮像装置６１は、車両１０の外部を撮像する。レーダー装置６２は、例えば、車両１０と、車両１０の周辺に位置する他の車両、歩行者及び障害物との距離を検出する。車外監視系６０は、撮像装置６１が撮像した画像などの情報である画像情報、及び、レーダー装置６２が検出した情報であるレーダー情報を制動制御装置１００に出力する。

制動制御装置１００は、ナビゲーション装置（ＮＡＶ）７０から地図情報を取得する。地図情報は、車両１０の現在位置に関する情報である。ナビゲーション装置７０は、車両１０に設けられた車載のナビゲーション装置であってもよいし、車両１０の運転者が所有する携帯型端末であってもよい。

＜制動制御装置＞
制動制御装置１００は、演算部であるＣＰＵと記憶部とを備えている。記憶部は、ＲＯＭを含んでいる。ＲＯＭには、ＣＰＵが実行する各種の制御プログラムと、学習器１１０を構成する学習済モデルＬＭとが記憶されている。すなわち、制動制御装置１００は、学習器１１０を備えている。

記憶部に記憶されている制御プログラムをＣＰＵが実行することにより、制動制御装置１００は、情報取得部１０１、指標取得部１０２、設定部１０３及び制動処理部１０４として機能する。

情報取得部１０１は、車両１０の外部に関する情報である車外状況情報を取得する。例えば、情報取得部１０１は、撮像情報、レーダー情報及び地図情報を、車外状況情報として取得する。情報取得部１０１は、撮像情報、レーダー情報及び地図情報から把握可能な情報を車外状況情報として取得してもよい。

指標取得部１０２は、情報取得部１０１が取得した車外状況情報を基に、制動作動の蓋然性を示す指標ＩＮＤを取得する。詳しくは、指標取得部１０２は、車外状況情報を学習器１１０に入力し、学習器１１０から出力された値を指標ＩＮＤとして取得する。

ここで制動作動の蓋然性とは、制動装置３０において制動作動が発生する蓋然性である。制動作動の蓋然性とは、制動装置３０に対して車輪１１に制動力を付与する要求である制動要求がなされる可能性であるともいえる。本実施形態では、運転者によるブレーキペダル１５の操作に起因して車輪１１に制動力が付与された場合にも、ブレーキペダル１５が操作されていない状況下におけるアクチュエータ３１の作動によって車輪１１に制動力が付与された場合にも、制動装置３０において制動作動が発生したものと見なす。

制動作動の蓋然性は車外状況と相関する。例えば、車両１０の周辺に存在する他の車両や歩行者が多いほど、これらの車両や歩行者との距離が近いほど、車両１０が走行している道路の幅が狭いほど、制動作動の蓋然性は高くなる傾向が認められる。車両１０が走行している道路に交通信号機や交差点やカーブ区間が多いほど、交通信号機や交差点やカーブ区間との距離が近いほど、制動作動の蓋然性は高くなる傾向が認められる。車両１０が一般道を走行している場合、車両１０が高速道路を走行している場合と比較し、制動作動の蓋然性は高くなる傾向が認められる。車両１０が市街地を走行している場合、車両１０が郊外を走行している場合と比較し、制動作動の蓋然性は高くなる傾向が認められる。車両１０が降坂路を走行している場合、車両１０が登坂路を走行している場合と比較し、制動作動の蓋然性は高くなる傾向が認められる。

学習器１１０は、車外状況に基づいて制動作動の蓋然性を推定する機械学習を行った学習済モデルＬＭにより構築されている。例えば学習済モデルＬＭは、順伝搬型のニューラルネットワークである。学習済モデルＬＭは、車外状況情報が入力されると、同車外状況情報に応じた制動作動の蓋然性を示す値を指標ＩＮＤとして出力する。例えば、指標ＩＮＤは、制動作動の蓋然性が高いほど大きい値となる。すなわち、学習済モデルＬＭは、車外状況を制動作動の蓋然性に写像する。学習済モデルＬＭの生成方法については後述する。

設定部１０３は、指標取得部１０２が取得した指標ＩＮＤに応じて制動作動の応答性を設定する。例えば、設定部１０３は、指標ＩＮＤが示す制動作動の蓋然性の高さが所定の閾値以上である場合に、制動作動の準備を摩擦ブレーキ２０に行わせるための処理を実行する。上記準備を「制動準備」といい、上記処理を「制動準備処理」という。一方、設定部１０３は、指標ＩＮＤが示す制動作動の蓋然性の高さが所定の閾値未満である場合に、制動準備処理を実行しない。

図２を参照し、制動準備処理の一例について説明する。設定部１０３は、制動準備処理としてプレ制動処理を実行する。プレ制動処理は、アクチュエータ３１の作動によって摩擦ブレーキ２０のブレーキパッド２２をロータ２１に相対的に接近させる処理である。こうしたプレ制動処理が実行されることにより、制動装置３０に対して制動要求が発生した時点から車輪１１に制動要求に応じた制動力が実際に付与されるまでの時間である空走時間を短縮できる。

プレ制動処理では、ブレーキパッド２２をロータ２１に接触させなくてもよいし、ブレーキパッド２２をロータ２１に接触させてもよい。ただし、ブレーキパッド２２をロータ２１に接触させる場合には、車輪１１に付与される制動力が微少であるものとする。

制動処理部１０４は、車両１０に制動力を発生させる際に制動装置３０のアクチュエータ３１を制御する。すなわち、制動処理部１０４は、アクチュエータ３１を作動させることにより、車輪１１に付与する制動力を調整する。

＜プレ制動処理に係る制御＞
図３は、プレ制動処理に係る制御の流れを示すフローチャートである。この制御は、制動制御装置１００によって実行される。

図３に示す制御において、ステップＳ１１では、制動制御装置１００は、情報取得部１０１として機能することにより、車外監視系６０が出力した画像情報を取得する。
ステップＳ１３において、制動制御装置１００は、情報取得部１０１として機能することにより、車外監視系６０が出力したレーダー情報を取得する。

制動制御装置１００は、撮像情報を解析することにより、車両１０の周辺の状況として、例えば車両１０の周辺を走行する他の車両や歩行者の数、車両１０と他の車両や歩行者との距離、車両１０の周辺に交通信号機が存在するか否か、及び、車両１０が走行する道路の幅などを把握できる。制動制御装置１００は、レーダー情報を解析することにより、例えば車両１０の周辺を走行する他の車両や歩行者の数、及び、車両１０と他の車両や歩行者との距離などを把握できる。
制動制御装置１００（情報取得部１０１）は、撮像情報及びレーダー情報を車外状況情報として取得してもよいし、撮像情報及びレーダー情報から把握可能な情報を車外状況情報として取得してもよい。

ステップＳ１５において、制動制御装置１００は、情報取得部１０１として機能することにより、ナビゲーション装置７０が出力した地図情報を取得する。
地図情報としては、例えば、車両１０が走行している地域に関する情報及び車両１０が走行している道路に関する情報が考えられる。例えば、車両１０が走行している地域に関する情報としては、車両１０が市街地を走行しているのか又は車両１０が郊外を走行しているのかを示す情報が考えられる。車両１０が走行している道路に関する情報としては、交通信号機や交差点やカーブの比較的多い道路を車両１０が走行しているのか又は交通信号機や交差点やカーブの比較的少ない道路を車両１０が走行しているのかを示す情報、車両１０が一般道を走行しているのか又は車両１０が高速道路を走行しているかを示す情報、車両１０が降坂路を走行しているか又は車両１０が登坂路を走行しているかを示す情報が考えられる。
制動制御装置１００（情報取得部１０１）は、地図情報及び地図情報から把握可能な情報の少なくともいずれか一方を車外状況情報として取得する。

ステップＳ１７において、制動制御装置１００は、情報取得部１０１として機能することにより、車両１０に設けられている各種のセンサ５１～５３の検出値、例えば車輪速ＷＳ、前後加速度Ｇｘ及びヨーレートＹｒのうちの少なくとも１つを、センサ情報として取得する。また、制動制御装置１００は、これら検出値から把握できる車両１０の挙動をセンサ情報として取得できる。ここでいう車両１０の挙動としては、車両１０の走行速度、加速度及び旋回状態などが考えられる。

ステップＳ１９において、制動制御装置１００は、指標取得部１０２として機能することにより、取得した車外状況情報及びセンサ情報を学習器１１０に入力する。
ステップＳ２１において、制動制御装置１００は、指標取得部１０２として機能することにより、学習器１１０から出力された値を指標ＩＮＤとして取得する。

ステップＳ２３において、制動制御装置１００は、設定部１０３として機能することにより、指標ＩＮＤが指標判定値ＩＮＤＴｈ以上であるか否かを判定する。指標判定値ＩＮＤＴｈは、指標ＩＮＤが示す制動作動の蓋然性の高さを評価するための閾値である。

指標ＩＮＤが指標判定値ＩＮＤＴｈ以上である場合（Ｓ２３：ＹＥＳ）、制動制御装置１００は、ステップＳ２５の処理に移行する。一方、指標ＩＮＤが指標判定値ＩＮＤＴｈ未満である場合（Ｓ２３：ＮＯ）、制動制御装置１００は、ステップＳ２７の処理に移行する。

ステップＳ２５において、制動制御装置１００は、設定部１０３として機能することにより、上記のプレ制動処理を実行する。これにより、摩擦ブレーキ２０では、ブレーキパッド２２がロータ２１に接近する。そのため、制動装置３０における制動作動の応答性が高くなる。その後、制動制御装置１００は、図３に示す制御を一旦終了する。

ステップＳ２７において、制動制御装置１００は、設定部１０３として機能することにより、プレ制動処理の実行を終了する。例えば、設定部１０３は、制動装置３０のアクチュエータ３１の駆動を停止させる。これにより、摩擦ブレーキ２０では、ブレーキパッド２２がロータ２１から離間する。その後、制動制御装置１００は、図３に示す制御を一旦終了する。

＜学習済モデルＬＭの生成方法＞
図４及び図５を参照し、学習器１１０を構築している学習済モデルＬＭの生成方法について説明する。

図４に示すように、学習装置２００は、車両１０の外部に設置されている。学習装置２００は、車両１０から取得した学習データＬＤに基づいて制動作動の蓋然性を推定する機械学習を行う。こうした機械学習の結果が、学習済モデルＬＭである。

学習装置２００は、通信部２０１、記憶部２０２及び演算部２０３を備えている。学習装置２００の記憶部２０２には学習プログラムＬＰが記憶されている。一方、車両１０は、制動制御装置１００及び通信部１２０を備えている。

学習装置２００の演算部２０３は、学習プログラムＬＰを実行する。これにより、演算部２０３は、複数の車両１０の制動制御装置１００から通信部１２０、ネットワーク３００及び通信部２０１を介して学習データＬＤを取得する。演算部２０３は、取得した学習データＬＤを記憶部２０２に記憶する。そして、演算部２０３は、記憶部２０２に記憶した学習データＬＤを用いて上記機械学習を行い、機械学習の結果である学習結果ＬＲを記憶部２０２に記憶する。

本実施形態では、学習データＬＤは、以下の情報を含んでいる。
・車両１０において制動作動が発生した時点又はその直前又は直後における車外状況情報である制動時車外状況情報。
・車両１０において制動作動が発生した時点又はその直前又は直後におけるセンサ情報である制動時センサ情報。
・車両１０において制動作動が発生していない状態における車外状況情報である非制動時車外状況情報。
・車両１０において制動作動が発生していない状態におけるセンサ情報である非制動時センサ情報。

以降の記載において、制動時車外状況情報及び制動時センサ情報を、「制動時車外状況情報等」という。また、非制動時車外状況情報及び非制動時センサ情報を、「非制動時車外状況情報等」という。この場合、学習装置２００は、制動時車外状況情報等を正解データとし、非制動時車外状況情報等を不正解データとして教師あり学習を行うことができる。

図５は、上述した学習処理に係る制御の流れを示すフローチャートである。この制御は学習装置２００の演算部２０３により実行される。以下の説明では、本制御は、後述する学習完了フラグＦＬＧにオフがセットされている状態において、学習装置２００の通信部２０１が車両１０から学習データＬＤを受信することを契機に開始されるものとする。

図５に示す制御においてステップＳ５１では、演算部２０３は、車両１０から送信された情報を学習データＬＤとして取得する。ここで取得する情報は、制動時車外状況情報等又は非制動時車外状況情報等である。

ステップＳ５３において、演算部２０３は、ステップＳ５１で取得した学習データＬＤを用いた機械学習を行う。
例えば、演算部２０３はニューラルネットワークの機械学習を実施する。この場合、演算部２０３は、ニューラルネットワークの構成、各ニューロン間の結合の重みの初期値及び各ニューロンの閾値の初期値を、テンプレートにより与えてもよいし、オペレータの入力により与えてもよい。再学習を行う場合、演算部２０３は、学習結果ＬＲに基づいてニューラルネットワークを作成してもよい。

この場合、演算部２０３は、ニューラルネットワークの入力層に学習データＬＤを入力して、ニューラルネットワークの出力層から出力された値である出力値を取得する。そして、演算部２０３は、取得した出力値と正解値又は不正解値との誤差を演算する。具体的には、学習データＬＤが制動時車外状況情報等である場合、演算部２０３は、出力値と正解値である１との差を誤差とする。一方、学習データＬＤが非制動時車外状況情報等である場合、演算部２０３は、出力値と不正解値である０との差を誤差とする。

演算部２０３は、これらの誤差が小さくなるように各ニューロン間の結合の重み及び各ニューロンの閾値を更新する。この際、演算部２０３は、周知の通時的誤差逆伝搬（Back propagation through time）法、又は、確率的勾配降下（Stochastic gradient descent）法などを用いることができる。

このようにニューラルネットワークのパラメータを更新すると、演算部２０３は、ステップＳ５５の処理に移行する。ステップＳ５５において、演算部２０３は、機械学習が完了したか否かを判断する。例えば、演算部２０３は、機械学習に用いた学習データＬＤのデータ数ＤＣが判定値ＤＣＴｈ以上であるか否かを判定する。判定値ＤＣＴｈは、機械学習が十分に行えたか否かを判断するための学習データＬＤのデータ数ＤＣの閾値である。

演算部２０３は、データ数ＤＣが判定値ＤＣＴｈ以上である場合には、機械学習が完了したと見なして（Ｓ５５：ＹＥＳ）、ステップＳ５９の処理に移行する。一方、データ数ＤＣが判定値ＤＣＴｈ未満である場合、演算部２０３は、機械学習が完了したとは見なさず（Ｓ５５：ＮＯ）、ステップＳ５７の処理に移行する。

ステップＳ５７において、演算部２０３は、学習完了フラグＦＬＧにオフをセットする。その後、演算部２０３は本制御を一旦終了する。
ステップＳ５９において、演算部２０３は、学習完了フラグＦＬＧにオンをセットする。そして演算部２０３は、その時点におけるニューラルネットワークのパラメータを学習結果ＬＲとして記憶部２０２に記憶する。その後、演算部２０３は本制御を終了する。

本実施形態では、車両１０から学習データＬＤを受信したことを契機に、演算部２０３が学習プログラムＬＰを実行するようにしたが、これに限らない。例えば、所定数の学習データＬＤを記憶部２０２に記憶した後に、それらの学習データＬＤを入力とする機械学習を行ってもよい。また、学習データＬＤの準備と機械学習とは別個の処理であってもよい。

上記の制御の実施を通じて学習済モデルＬＭが生成される。そして、このような学習済モデルＬＭが、制動制御装置１００に設けられる。
＜本実施形態における作用及び効果＞
はじめに、学習済モデルＬＭの生成方法の作用及び効果について説明する。

（１－１）本実施形態によれば、学習装置２００は、車両１０からネットワーク３００を介して学習データＬＤを取得する。そのため、学習装置２００では学習データＬＤを容易に収集できる。特に、車両１０から制動時車外状況情報を取得することにより、精度の高い教師データ（正解データ）を容易に収集できる。

（１－２）本実施形態では、撮像情報を学習データＬＤとしているため、多種多様な車両１０の外部の周辺状況を考慮した機械学習を行うことができる。
（１－３）本実施形態では、地図情報を学習データＬＤとしているため、車両１０が走行している地域や車両１０が走行している道路を考慮した機械学習を行うことができる。

（１－４）本実施形態では、車外状況情報に加えてセンサ情報を学習データＬＤとして機械学習を行うようにした。ここで、車外状況情報が同一であったとしても、車両１０の挙動によって制動作動の蓋然性は変化し得る。例えば車両１０が高速道路を走行している場合、基本的には、制動作動の蓋然性は低い。しかしながら、車両１０が高速道路で低速走行している場合は、車両１０が走行しているエリアで渋滞が発生している可能性がある。そのため、高速道路で車両１０が低速走行している場合、制動作動の蓋然性が高い。したがって、車外状況情報に加えてセンサ情報を用いて機械学習を行うことにより、精度の高い学習済モデルＬＭを生成することが可能である。

（１－５）本実施形態によれば、１台の車両１０ではなく複数台の車両１０から学習データＬＤを取得することにより、特定の運転者の癖によって学習データＬＤのデータ群に偏りが発生することを抑制できる。本実施形態では、上述したように車両１０からネットワーク３００を介して学習データＬＤを取得するようにしたため、複数台の車両１０から学習データＬＤを容易に取得できる。

次に、制動制御装置１００の作用及び効果について説明する。
（１－６）本実施形態では、学習器１１０は、車外状況に対応する制動作動の蓋然性を推定する機械学習が施された学習済モデルＬＭにより構成されている。そして、走行中の車両１０の車外状況情報を学習器１１０に入力することにより、学習器１１０から出力された値（指標ＩＮＤ）に応じた制動装置３０における制動作動の応答性が設定される。これにより、多種多様な車外状況に応じた制動作動の応答性を好適に設定できる。

（第２実施形態）
第２実施形態を図６及び図７に従って説明する。第２実施形態では、学習器１１０が車外サーバ装置４００に設けられている点が第１実施形態と異なる。以下の説明においては、第１実施形態と相違している部分について主に説明するものとし、第１実施形態と同一又は相当する部材構成には同一符号を付して重複説明を省略するものとする。

図６には、車両１０と車外サーバ装置４００とを含む車両制御システムの一例が図示されている。
＜車両＞
図６に示すように、車両１０は、制動装置３０と、制動制御装置１００と、通信部１２０とを備えている。制動制御装置１００は、車外状況情報などを通信部１２０からネットワーク３００を介して車外サーバ装置４００に送信する。

＜車外サーバ装置＞
車外サーバ装置４００は、演算部４０１と、記憶部４０２と、学習器１１０と、通信部４０３とを備えている。車外サーバ装置４００では、通信部４０３が、車両１０から送信された車外状況情報などをネットワーク３００を介して受信する。車外サーバ装置４００は、通信部４０３が受信した車外状況情報等を学習器１１０に入力する。そして、車外サーバ装置４００は、学習器１１０から出力された値である指標ＩＮＤに関する情報である指標情報を、通信部４０３からネットワーク３００を介して車両１０に送信する。

＜プレ制動処理に係る制御＞
図７は、プレ制動処理に係る制御の流れを示すシーケンス図である。車両１０側のプレ制動処理に係る制御のプログラムは、制動制御装置１００の記憶部に記憶され、制動制御装置１００の演算部により実行される。車外サーバ装置４００側のプレ制動処理に係る制御のプログラムは、車外サーバ装置４００の記憶部４０２に記憶され、車外サーバ装置４００の演算部４０１により実行される。

車両１０の制動制御装置１００は、ステップＳ１１～Ｓ１５において、車外状況情報を取得する。詳しくは、制動制御装置１００は、情報取得部１０１として機能することにより、撮像装置６１が出力した撮像情報を車外状況情報として取得する（ステップＳ１１）。制動制御装置１００は、レーダー装置６２が出力したレーダー情報を車外状況情報として取得する（ステップＳ１３）。制動制御装置１００は、ナビゲーション装置７０から地図情報を車外状況情報として取得する（ステップＳ１５）。

ステップＳ１７において、制動制御装置１００は、情報取得部１０１として機能することにより、センサ系からセンサ情報を取得する。
ステップＳ１９１において、制動制御装置１００は、指標取得部１０２として機能することにより、車外状況情報などを通信部１２０から車外サーバ装置４００に送信する。

車外サーバ装置４００は、ステップＳ１９１において車両１０が送信した車外状況情報などを受信すると、ステップＳ１９２～Ｓ１９４の処理を実行する。
ステップＳ１９２において、車外サーバ装置４００の演算部４０１は、車両１０が送信した車外状況情報などを、学習器１１０の学習済モデルＬＭに入力する。

ステップＳ１９３において、演算部４０１は、学習器１１０の学習済モデルＬＭから出力された値を指標ＩＮＤとして取得する。
ステップＳ１９４において、演算部４０１は、指標ＩＮＤに関する情報である指標情報を、通信部２０１から車両１０に送信する。

車両１０の制動制御装置１００は、ステップＳ１９４において車外サーバ装置４００が送信した指標情報を受信すると、ステップＳ２１１の処理を実行する。ステップＳ２１１において、制動制御装置１００は、指標取得部１０２として機能することにより、指標情報が示す指標ＩＮＤを取得する。そして、制動制御装置１００は、ステップＳ２３の処理に移行する。ステップＳ２３以降の処理の流れは、第１実施形態と同様であるため、説明を割愛する。

＜本実施形態の作用及び効果＞
本実施形態によれば、上記（１－１）～（１－５）と同等の効果に加え、以下に示す効果をさらに得ることができる。

（２－１）本実施形態では、車両１０の制動制御装置１００は、車外状況情報などを車外サーバ装置４００に送信する。すると、車外サーバ装置４００は、車両１０から受信した車外状況情報などを学習済モデルＬＭに入力し、学習済モデルＬＭから出力された値である指標ＩＮＤに関する指標情報を車両１０に送信する。これにより、車両１０の制動制御装置１００は、車外サーバ装置４００から受信した指標情報が示す指標ＩＮＤに応じた制動作動の応答性を設定する。これにより、多種多様な車外状況に応じた制動作動の応答性を好適に設定できる。

（２－２）本実施形態では、学習器１１０が車外サーバ装置４００に設けられており、学習器１１０が制動制御装置１００に設けられていない。これにより、制動制御装置１００の小型化を図ることができる。

（２－３）学習器１１０が車外サーバ装置４００に設けられている。そのため、車外サーバ装置４００に学習装置２００に相当する機能を設けたり、車外サーバ装置４００に学習装置２００を接続したりすれば、学習器１１０から出力された指標ＩＮＤを車両１０に提供しつつ、学習済モデルＬＭの再学習を行うことも可能である。

（変更例）
上記複数の実施形態は、以下のように変更して実施することができる。上記複数の実施形態及び以下の変更例は、技術的に矛盾しない範囲で互いに組み合わせて実施することができる。

・上記複数の実施形態では、指標ＩＮＤが指標判定値ＩＮＤＴｈ未満である場合には、プレ制動処理を実行しないが、指標ＩＮＤに応じた制動作動の応答性が設定できれば、これに限らない。例えば、大きさの異なる複数の指標判定値ＩＮＤＴｈを設定し、制動作動の蓋然性が高くなるほどブレーキパッド２２とロータ２１との距離を段階的に短くするようにしてもよい。また例えば、指標判定値ＩＮＤＴｈを設定することなく、制動作動の蓋然性が高くなるほどブレーキパッド２２とロータ２１との距離を連続的に短くするようにしてもよい。

・上記複数の実施形態では、制動準備処理として、制動要求が発生してから車輪１１に制動力が付与されるまでに要する制動装置３０の作動量を小さくする処理を例示したが、これに限らない。具体的には、制動準備処理は、制動装置３０の作動速度を高める処理でもよい。例えば制動装置３０が、ホイールシリンダ２３にブレーキ液を供給する電動ポンプと、同電動ポンプのアウトレットとインレットとを接続する環流路に設けられた電磁弁とを有している場合、制動作動の応答性を高める処理は電磁弁を開弁させた状態で電動ポンプの吐出量を増加させる処理でもよい。この場合、制動要求の発生に伴って電磁弁の開度を小さくすることにより、電動ポンプの吐出量が多いほど、多くのブレーキ液をホイールシリンダ２３に供給することができる。

・上記複数の実施形態では、車外状況情報及びセンサ情報を機械学習に用いているが、機械学習にセンサ情報を用いることは必須ではない。車外状況情報のみを機械学習に用いた場合、指標取得部１０２は、車外状況情報及びセンサ情報のうちの車外状況情報のみを学習器１１０に入力することになる。

・上記複数の実施形態では、車外状況情報として、撮像情報、レーダー情報及び地図情報を機械学習に用いることとしたが、これら全ての情報を機械学習に用いなくてもよい。
・上記複数の実施形態では、複数の車両１０から得た車外状況情報を機械学習に用いているが、１台の車両１０（例えば自車両）から得た車外状況情報を機械学習に用いてもよい。

・上記複数の実施形態では、ニューラルネットワークの機械学習を実施することとしたが、学習済モデルはニューラルネットワークに限らない。
・制動制御装置１００は、ＣＰＵとＲＯＭとを備えて、ソフトウェア処理を実行するものに限らない。例えば、上記複数の実施形態においてソフトウェア処理されたものの少なくとも一部を、ハードウェア処理する専用のハードウェア回路を備えてもよい。専用のハードウェア回路としては、例えば、ＡＳＩＣを挙げることができる。

・上記複数の実施形態では、キャリパタイプの摩擦ブレーキ２０を例示したが、摩擦ブレーキはドラムタイプのものでもよい。この場合、摩擦ブレーキは、摩擦材としてのブレーキライニングと被摩擦材としてのブレーキドラムとを有している。

・上記複数の実施形態では、液圧式の摩擦ブレーキ２０を例示したが、摩擦ブレーキは電動式のものでもよい。この場合、摩擦材は電気モータにより駆動される。
（実施形態等から把握可能な技術的思想）
次に、上記複数の実施形態及び変更例から把握できる技術的思想について記載する。

（イ）前記学習器は、複数の前記車両で取得された前記車外状況情報を学習データとして機械学習が行われたものであることが好ましい。
（ロ）前記情報取得部は、前記車両の外部を撮像することによって得た画像の情報を、前記車外状況情報として取得することが好ましい。

（ハ）前記情報取得部は、前記車両に搭載されているレーダー装置が検出した情報を、前記車外状況情報として取得することが好ましい。
（ニ）前記情報取得部は、前記車両が走行する位置を含む地図に関する情報を、前記車外状況情報として取得することが好ましい。

（ホ）前記制動機構は、前記車輪と一体に回転する被摩擦部と、前記被摩擦部に相対的に接近する方向及び当該被摩擦部から相対的に離間する方向に変位する摩擦部と、を有するとともに、前記被摩擦部に前記摩擦部を接触させることによって前記車輪に制動力を付与するものであり、
前記設定部は、前記摩擦部を前記被摩擦部に相対的に接近させる処理を実行することが好ましい。

（ヘ）前記制動機構は、前記車輪と一体に回転する被摩擦部と、前記被摩擦部に相対的に接近する方向である接近方向及び当該被摩擦部から相対的に離間する方向である離間方向に変位する摩擦部と、を有するとともに、前記被摩擦部に前記摩擦部を接触させることによって前記車輪に制動力を付与するものであり、
前記設定部は、前記摩擦部が静止する状態を維持可能な範囲の駆動力を前記制動装置に発生させる処理を実行することが好ましい。

（ト）車両の車輪に制動力を付与する制動装置を備える車両と、前記車両の外部に設けられた車外サーバ装置と、を含む車両用システムであって、
前記車両は、
前記車両の外部の状況に関する情報である車外状況情報を前記車外サーバ装置に送信する車両側通信部と、
前記制動装置において制動力を付与する制動作動が発生する蓋然性に応じて、前記制動作動の応答性を設定する設定部と、を備え、
前記車外サーバ装置は、
前記制動作動の蓋然性を前記車外状況情報に基づいて推定する機械学習を行った学習器に、前記車両通信部から送信された前記車外状況情を入力することによって、前記学習器から出力された指標を、前記車両に送信するサーバ側通信部を備えている車両用システム。

（チ）第一車両から取得された学習データに基づいて、第二車両の制御に用いられる学習済モデルを学習する学習方法であって、
前記第一車両の車輪に制動力を付与する制動作動が発生した際の前記第一車両の外部の状況に関する車外状況情報を、教師データとして取得する取得処理と、
前記取得処理で取得した前記車外状況情報を前記学習済モデルに入力し、前記学習済モデルから出力される値と制動作動が発生したという結果との比較によって、前記第二車両の外部の状況に基づいて前記第二車両の車輪に制動力を付与する制動作動が発生する蓋然性を推定する教師あり学習を行う学習処理と、を有する学習方法。

この場合、第一車両と第二車両とは、別車両であってもよいし、同一車両であってもよい。

１０…車両
１１…車輪
２０…摩擦ブレーキ
２１…被摩擦部
２２…摩擦部
３０…制動装置
１００…制動制御装置
１０１…情報取得部
１０２…指標取得部
１０３…設定部
１１０…学習器
１２０…通信部（車両側通信部の一例）
４００…車外サーバ装置
４０３…通信部（サーバ側通信部の一例）
ＬＭ…学習済モデル

Claims (3)

1. 車両の車輪に制動力を付与する制動装置に適用され、
   前記車両の外部の状況に関する情報である車外状況情報を取得する情報取得部と、
   前記制動装置において前記車輪に制動力を付与する制動作動が発生する蓋然性を前記車両の外部の状況に基づいて推定する機械学習を行った学習器に、前記情報取得部が取得した前記車外状況情報を入力することによって当該学習器から出力された指標に応じて前記制動作動の応答性を設定する設定部と、
   を備える車両の制動制御装置。
2. 前記学習器は、前記制動作動が行われた際に取得された前記車外状況情報を基に機械学習が行われたものである、請求項１に記載の車両の制動制御装置。
3. 前記設定部は、前記指標が示す前記制動作動の蓋然性の高さが判定値以上である場合に、前記制動作動の準備を前記制動装置に行わせる、請求項１又は請求項２に記載の車両の制動制御装置。

Images