JP2023036321A - 車両の制動制御装置 - Google Patents
車両の制動制御装置 Download PDFInfo
- Publication number
- JP2023036321A JP2023036321A JP2021143310A JP2021143310A JP2023036321A JP 2023036321 A JP2023036321 A JP 2023036321A JP 2021143310 A JP2021143310 A JP 2021143310A JP 2021143310 A JP2021143310 A JP 2021143310A JP 2023036321 A JP2023036321 A JP 2023036321A
- Authority
- JP
- Japan
- Prior art keywords
- vehicle
- braking
- information
- learning
- outside
- 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
- 230000004043 responsiveness Effects 0.000 claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims description 31
- 230000004044 response Effects 0.000 abstract description 2
- 230000004913 activation Effects 0.000 abstract 2
- 238000000034 method Methods 0.000 description 30
- 238000004364 calculation method Methods 0.000 description 29
- 230000008569 process Effects 0.000 description 23
- 238000012545 processing Methods 0.000 description 22
- 238000004891 communication Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 12
- 238000003384 imaging method Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000002360 preparation method Methods 0.000 description 9
- 230000001133 acceleration Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000002783 friction material Substances 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T7/00—Brake-action initiating means
- B60T7/12—Brake-action initiating means for automatic initiation; for initiation not subject to will of driver or passenger
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Regulating Braking Force (AREA)
- Traffic Control Systems (AREA)
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。
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。
(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。
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。
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。
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。
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。
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。
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。
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。
・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。
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。
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。
<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。
(1-3)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。
(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。
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。
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。
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。
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。
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。
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、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。
・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。
(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。
(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。
(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。
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。
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。
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。
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
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)
- 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。 - 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。
- 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。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021143310A JP2023036321A (ja) | 2021-09-02 | 2021-09-02 | 車両の制動制御装置 |
PCT/JP2022/029374 WO2023032547A1 (ja) | 2021-09-02 | 2022-07-29 | 車両の制動制御装置 |
CN202280059192.6A CN117882124A (zh) | 2021-09-02 | 2022-07-29 | 车辆的制动控制装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021143310A JP2023036321A (ja) | 2021-09-02 | 2021-09-02 | 車両の制動制御装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023036321A true JP2023036321A (ja) | 2023-03-14 |
Family
ID=85410973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021143310A Pending JP2023036321A (ja) | 2021-09-02 | 2021-09-02 | 車両の制動制御装置 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP2023036321A (ja) |
CN (1) | CN117882124A (ja) |
WO (1) | WO2023032547A1 (ja) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5353745B2 (ja) * | 2010-02-10 | 2013-11-27 | トヨタ自動車株式会社 | 運転支援システム |
WO2015166721A1 (ja) * | 2014-05-02 | 2015-11-05 | エイディシーテクノロジー株式会社 | 車両制御装置 |
JP6773210B2 (ja) * | 2017-03-07 | 2020-10-28 | 日産自動車株式会社 | 走行支援方法及び運転制御装置 |
JP7414490B2 (ja) * | 2019-11-27 | 2024-01-16 | 株式会社Subaru | 制御装置 |
-
2021
- 2021-09-02 JP JP2021143310A patent/JP2023036321A/ja active Pending
-
2022
- 2022-07-29 CN CN202280059192.6A patent/CN117882124A/zh active Pending
- 2022-07-29 WO PCT/JP2022/029374 patent/WO2023032547A1/ja active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2023032547A1 (ja) | 2023-03-09 |
CN117882124A (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107415945B (zh) | 用于评估车道换道的自动驱动系统及其使用方法 | |
CN108248609B (zh) | 混合动力车辆和在混合动力车辆中预测驾驶样式的方法 | |
JP6177666B2 (ja) | 移動体の駆動制御装置 | |
KR100954208B1 (ko) | 경로 곡률에 따른 차량의 속도제어장치 | |
WO2020259705A1 (en) | Autonomous driving handoff systems and methods | |
JP5831560B2 (ja) | 減速因子推定装置及び運転支援装置 | |
CN103764431A (zh) | 车辆的制动力控制装置 | |
JP7081423B2 (ja) | 情報処理システム | |
CN104875741A (zh) | 用于微hev的基于信息的发动机停止/起动灵敏度控制 | |
CN104417558A (zh) | 减速度设定系统、方法以及程序 | |
JPWO2018230341A1 (ja) | 車両制御装置 | |
JP4328745B2 (ja) | 減速車両用のフロント/リアのブレーキ配分のための方法および装置 | |
JP2000128007A (ja) | 車両の転舵制御方法および車両用障害物回避装置 | |
JP5790795B2 (ja) | 減速因子推定装置 | |
JP5098503B2 (ja) | 走行制御計画生成装置 | |
WO2023032547A1 (ja) | 車両の制動制御装置 | |
JP4328746B2 (ja) | ベンド走行中の減速車両用内側および外側ブレーキの管理方法および装置 | |
JP2006321485A (ja) | 車両の走行安全装置 | |
CN114291049B (zh) | 一种自动驻车系统及方法 | |
JP2016007955A (ja) | 車両制御装置 | |
WO2013114625A1 (ja) | 運転支援装置 | |
JP2004161174A (ja) | 車両用制動制御装置 | |
JP2019209700A (ja) | 衝突回避装置 | |
WO2023074073A1 (ja) | 車両用制御装置 | |
JP2020001579A (ja) | モータサイクルの挙動を制御する制御装置及び制御方法 |