JP2024047280A - サスペンションシステム - Google Patents

Abstract

【課題】ニューラルネットワークでセンサ機能を代替する場合に、ニューラルネットワークの不得意状態を抽出し、学習を支援するセンサレスサスペンションシステムを提供する。
【解決手段】
センサ情報とサスペンションの状態情報とを関連付けて、機械学習で計算するサスペンションシステムであって、重みパラメータ記憶部と、車両状態推定部と、推定結果に基づいて、第１物理値を計算する第１の車両挙動計算部と、前記センサ情報に基づいて、第２物理値を計算する第２の車両挙動計算部と、前記第１物理値と前記第２物理値を比較して前記サスペンションの状態の推定精度を出力する推定精度検証部と、前記推定精度の出力結果に基づいて、重みパラメータの学習を指示する走行データ管理部と、を備える。
【選択図】図１

Description

本発明は、サスペンションシステムに関する。

路面状況や運転状況に合わせて、サスペンションのばねに対する減衰力を変化させることで、車両の姿勢を制御するサスペンション制御システムでは、車両の４輪のサスペンションのピストン速度およびばね上上下速度を検出するセンサから得られるセンサデータを検出することで、制御値を計算してサスペンションを制御している。このセンサ機能について、低コスト化および適合工数削減の観点から、ＣＡＮ（Controller Area Network）データからセンサ値を推定するロジックや推定機能を実現するニューラルネットワークを搭載することで、センサレス化を実現する技術がある。

しかしながら、走行道路は多種多様であり、全ての道路において前述のセンサ値推定技術がセンサ機能を代替することは簡単ではない。特にニューラルネットワークを適用した場合は、出荷時に搭載した学習済ニューラルネットワークで継続的にセンサ代替することは困難な可能性がある。そのため、サスペンション制御システムにおいては、道路の網羅性を向上させるための継続的な学習システムが必要である。

さらに、機械学習が適用されることがある画像認識の分野では、認識率が低い画像をヒトが特定しやすく、その画像に特化して追加学習を実施すればよいのに対して、センサレスを前提としたニューラルネットワークを適用したセンサ値推定技術においては、教師データとなるセンサ値が存在しないことから不得手な道路状況を特定することが困難である。

例えば、下記の特許文献１では、車両の挙動に関するフィードバックデータを受け付けて、機械学習アルゴリズムを実行しながら、ダンパの特性の制御を高い応答性能とロバスト性で行うことが可能なダンパ制御システムについて開示されている。

特開２０２１－１７１６８号公報

従来の技術を踏まえて、サスペンション状態をセンサで直接検出せずに他のセンサ情報から推定するセンサレス化を実現するためには、さらにセンサ値推定の不得手状態を抽出して、機械学習のモデルの精度を上げる継続的な学習が必要である。これを鑑みて本発明は、ニューラルネットワークでセンサ機能を代替する場合に、ニューラルネットワークの不得意状態を抽出し、学習を支援するセンサレスサスペンションシステムを提供することが目的である。

車両に備えられる複数のセンサから取得されるセンサ情報と、前記車両に備えられるサスペンションの状態情報と、を関連付けて、機械学習で計算するサスペンションシステムであって、前記機械学習によって算出される重みパラメータを記憶する重みパラメータ記憶部と、前記センサ情報と前記重みパラメータとに基づいて、前記サスペンションの状態の推定結果を出力する車両状態推定部と、出力された前記推定結果に基づいて、前記車両の挙動に関する物理量の第１物理値を計算する第１の車両挙動計算部と、前記センサ情報に基づいて、前記物理量の第２物理値を計算する第２の車両挙動計算部と、前記第１物理値と前記第２物理値を比較することで、前記車両状態推定部による前記サスペンションの状態の推定精度を出力する推定精度検証部と、前記推定精度検証部による前記推定精度の出力結果に基づいて、学習管理サーバーに前記重みパラメータの学習を指示する走行データ管理部と、を備える。

サスペンション状態をセンサで直接検出せずに他のセンサ情報から推定する場合に、ニューラルネットワークの不得意状態を抽出し、学習を支援するセンサレスサスペンションシステムを提供できる。

本発明の第１の実施形態に係る、サスペンションシステムの機能ブロック図 図１の車両状態推定部をニューラルネットワークの構成で表した図 ニューラルネットワークを学習する際の入出力データセットの関係図 車両側の車両状態推定と学習要通知に関するフローチャート 車両側の重みデータ更新に関するフローチャート サーバー側の重みデータ学習に関するフローチャート サーバー側の異常検知対応に関するフローチャート ＣＡＮデータ、車両挙動推定結果と車両挙動物理値計算結果データに係るデータを可視化するための端末画面例 車両のデータを可視化するための端末画面を想定した別の一例 車両挙動推定の結果をドライバーが確認できるようにした場合の一例 本発明の第２の実施形態に係る、サスペンションシステムの機能ブロック図 図５の車輪速信頼度判定部の内部構成の一例 本発明の第３の実施形態に係る、サスペンションシステムの機能ブロック図 第３の実施形態におけるセレクタの制御信号例 第３の実施形態のフローチャート 第４の実施形態に係る、サスペンションシステムの機能ブロック図

以下、図面を参照して本発明の実施形態を説明する。以下の記載および図面は、本発明を説明するための例示であって、説明の明確化のため、適宜、省略および簡略化がなされている。本発明は、他の種々の形態でも実施する事が可能である。特に限定しない限り、各構成要素は単数でも複数でも構わない。

図面において示す各構成要素の位置、大きさ、形状、範囲などは、発明の理解を容易にするため、実際の位置、大きさ、形状、範囲などを表していない場合がある。このため、本発明は、必ずしも、図面に開示された位置、大きさ、形状、範囲などに限定されない。

（本発明の第１の実施形態と装置の全体構成）
（図１）
サスペンション用センサを車載しないセンサレスを前提とし、自動車の乗り心地を良化させるために減衰力の制御を行うサスペンションシステムは、車両１０１、学習管理サーバー１０２、インターネット環境１０３の構成を有する。車両１０１は、サスペンションＥＣＵ（Electronic Control Unit）１０４、ＥＣＵ１０５、センサ１０６ａ…１０６ｂ、センサＥＣＵ１０７、ＣＡＮ１０８、アクティブサスペンション１０９（以下サスペンション１０９）、表示部１１０、インターフェース（Ｉ／Ｆ）１１１の構成を有している。

サスペンションＥＣＵ１０４は、車両状態推定部１１２、重みデータ管理部１１３、重みパラメータ格納部１１４、サスペンション制御値計算部１１５、第１ピッチレイト計算部１１６、第２ピッチレイト計算部１１７、推定精度検証部１１８、走行データ管理部１１９、走行データ格納部１２０を有している。

サスペンション１０９は、車両１０１が走行するときに、タイヤを介して路面から伝達される振動について、シートに座った運転手や搭乗者が感じる振動を抑制する。サスペンションＥＣＵ１０４によって、サスペンション１０９の減衰力特性は制御され、サスペンションＥＣＵ１０４のサスペンション制御値計算部１１５は、サスペンション１０９の制御値を導出する。

学習管理サーバー１０２は、サスペンションＥＣＵ１０４に含まれる車両状態推定部１１２の学習を管理するサーバーであり、インターネット環境１０３を介して、車両１０１に情報を伝達する。ＥＣＵ１０５は、インターネット環境１０３から伝達された学習管理サーバー１０２の情報を、ＣＡＮ１０８に伝送する。これにより、サスペンションＥＣＵ１０４内では、ＣＡＮ１０８を経由して、各機能部と情報共有している。なお、センサＥＣＵ１０７は、センサ１０６ａ…１０６ｂの情報を取得して、ＣＡＮ１０８に伝送することで、センサ情報を車両１０１の各機能部と情報共有している。

サスペンションＥＣＵ１０４の各機能部について説明する。サスペンションＥＣＵ１０４は、インターフェース１１１を介してＣＡＮ１０８から情報を取得またはＣＡＮ１０８へ情報を出力している。重みデータ管理部１１３は、重みパラメータ格納部１１４（重みパラメータ記憶部）に格納された重みパラメータを読み出すことで、車両状態推定部１１２の推定のために行う計算仕様を決定する。また、重みデータ管理部１１３は、ＣＡＮ１０８を介して学習管理サーバー１０２から学習された重みパラメータを取得し、重みパラメータの更新を行っている。

車両状態推定部１１２は、ＣＡＮ１０８内に常時伝送されているデータの中で、特定の情報としてセンサ１０６ａ…１０６ｂで取得できるセンサ情報を参照する。センサ１０６ａ…１０６ｂは、車両１０１が有する４つの車輪のうち１つの車輪の回転速度（車輪速）の他、車両挙動系では前後加速度、左右加速度、上下加速度、ヨーレート、ロールレイト、ピッチレイト等をそれぞれ検出し、センサ情報としてＣＡＮ１０８に伝送する。なお、図１ではセンサ１０６ａ…１０６ｂとあたかも２種であるかのように図示しているが、実際には、前述した物理値を計測するものであり、多数であることは言うまでもない。また、車両状態推定部１１２が搭載される車両１０１が学習用車両の場合は、サスペンション用の加速度センサを車載しており、そのデータもＣＡＮ１０８に伝送される。

車両状態推定部１１２は、各センサ１０６ａ…１０６ｂからのセンサ情報を取得する。また、車両状態推定部１１２は、重みデータ管理部１１３が重みパラメータ格納部１１４から読み出した重みパラメータの値を、走行時の車両状態に係るデータとして取得する。車両状態推定部１１２は、取得したセンサ情報と取得した重みパラメータに基づいて、４輪毎のサスペンション制御に係る物理量の推定結果を出力する。

サスペンション制御値計算部１１５は、車両状態推定部１１２で推定された物理量に基づいて、サスペンション１０９の減衰力を制御するための制御値を計算する。このように、推定を用いた制御値の計算を行うことで、従来のように、ばね上上下速度やピストンのストローク速度を測定するための加速度センサの設置が不要になり、低コスト化に貢献できる。

つづいて、車両状態推定部１１２の推定精度の検証について説明する。まず、車両状態推定部１１２は、推定した４輪のサスペンションのばね上上下速度（サスペンション１０９の状態情報）を第１ピッチレイト計算部１１６に転送する。第１ピッチレイト計算部１１６は、転送された４輪分のばね上上下速度に基づいてピッチレイト（第１の物理値）を計算する。一方で、車両１０１に備えられる複数のセンサ１０６ａ…１０６ｂから取得されたＣＡＮ１０８に含まれる４輪の車輪速データ（センサ情報）は、第２ピッチレイト計算部１１７に転送される。第２ピッチレイト計算部１１７は、転送された４輪の車輪速データに基づいてピッチレイト（第２の物理値）を計算する。

本発明は、ピッチレイトはばね上上下速度でも、４輪の車輪速でも計算できることに着目したものであり、推定結果由来の第１のピッチレイトについて、第２のピッチレイトを手本として、その推定精度を検証する狙いがある。ばね上上下速度と４輪の車輪速に基づいた計算によって導き出した２つのピッチレイトを比較して、同様な値であれば、車両状態推定部１１２が推定したばね上上下速度の推定精度は良好であると判断する。

推定精度検証部１１８は、第１ピッチレイト計算部１１６と第２ピッチレイト計算部１１７で算出された２つのピッチレイト（第１の物理値および第２の物理値）を比較する。推定精度検証部１１８は、２つのピッチレイトの差が所定の閾値より小さければ、車両状態推定部１１２の出力した推定結果は問題ないと判定する。一方で、推定精度検証部１１８は、２つのピッチレイトの差が所定の閾値より大きければ、車両状態推定部１１２の出力した推定結果は問題ありと判定し、車両状態推定部１１２の出力精度が悪い状態を特定する。推定精度検証部１１８は、車両状態推定部１１２の出力精度が悪い状態を特定すると、ＣＡＮ１０８経由で車両状態推定部１１２に入力された時系列データセットに対して、問題ありのフラグが付与される。

このように、車両状態推定部１１２で出力される推定結果であるサスペンション１０９の状態について、第１の物理値と第２の物理値の差の情報を推定精度として出力する。なお、第１の物理値および第２の物理値はピッチレイトに限らず、複数の情報やデータに基づいて計算できる他の車両挙動データ、例えば、ロールレイトであってもよい。

このように、ニューラルネットワークが推定するばね上上下速度から算出したピッチレイト（第１ピッチレイト計算部１１６が計算するピッチレイト）と、ニューラルネットワークを経由しないＣＡＮ１０８からの車輪速の情報から算出したピッチレイト（第２ピッチレイト計算部１１７が計算するピッチレイト）を比較することで、車両状態推定部１１２によるばね上上下速度の推定精度が低精度かどうかを判断する。

なお、車両状態推定部１１２のニューラルネットワークにおいて用いられる重みパラメータは、車両１０１とは別に、サスペンション用の加速度センサを搭載した検証車両等で教師データを作成し、学習によって得られたパラメータである。

推定精度検証部１１８は、問題ありのフラグが付与されたデータセットを走行データ管理部１１９に転送する。走行データ管理部１１９は、転送されたデータセットを走行データ格納部１２０に格納する。このようなプロセスを踏むことで、走行データ格納部１２０には、車両状態推定部１１２が不得手とするデータセットが蓄積される。走行データ管理部１１９は、蓄積された不得手なデータセットに基づいて、車両１０１の走行環境について、学習管理サーバー１０２に重みパラメータの更新を指示する。学習管理サーバー１０２は、推定精度検証部１１８の出力に基づいて行われた走行データ管理部１１９の指示に従い、重みパラメータを更新するための学習を実行する。このように、学習管理サーバー１０２は、車両１０１に搭載されたサスペンションＥＣＵ１０４における推定精度検証部１１８の出力結果に基づいて、重みパラメータを学習する。

（図２Ａ）
車両状態推定部１１２のニューラルネットワークは、入力層（素子数ｉ）２０１、隠れ層（素子数ｊ）２０２、出力層（素子数Ｋ）２０３の各素子を階層的に結合した３層構成の階層型ニューラルネットワークにより構成される。ニューラルネットワークの入力層素子群２０１は、車輪速時系列の入力素子群２０１ａと、車両挙動時系列の入力素子群２０１ｂとを含み、この２つの素子群により、サスペンション１０９の状態を推定する。

隠れ層素子群２０２の素子数は、一般的には入力層素子群２０１と出力層素子群２０３の素子数から決められるが、ニューラルネットワークによる状態推定の精度を最大化する数とする。出力層素子群２０３からは、ピストン速度、あるいは車載したサスペンション１０９のばね上上下速度の推定瞬時値が出力される。なお、図２Ａではニューラルネットワークの例として多層パーセプトロンを示したが、時系列データの学習に有利な再帰型ニューラルネットワークであってもよい。

入力層素子群２０１の各素子と隠れ層素子群２０２の各素子とは、重みＷ１ｉｊ（ｉ＝１～Ｉ、ｊ＝１～Ｊ）で結合され、隠れ層素子群２０２の各素子と出力層素子２０３とは、重みＷ２ｊｋ（ｊ＝１～Ｊ、ｋ＝１）で結合される。これらの重みの情報（重みパラメータ）は、重みＷ１ｉｊ、重みＷ２ｊｋの行列式で表される。重みパラメータは予め機械学習で求められ、重みパラメータ格納部１１４に格納されており、車両状態推定部１１２は重みパラメータ管理部１１３を介して重みパラメータ格納部１１４から重みパラメータを取得することで、ニューラルネットワークを用いた計算を実施する。なお、この例では、最も単純な隠れ層素子群２０２が１層の全素子接続型のニューラルネットワークを示したが、これに限定されない。

（図２Ｂ）
上段の図は、ＣＡＮ１０８の情報のうち車輪速を一例としたものである。ニューラルネットワークの学習は、前述したようにサスペンション１０９の制御用にピストン速度とばね上上下速度を測定する加速度センサを搭載した検証車両で走行することで行われ、かつ当該検証車両のＣＡＮに含まれるデータの時系列データ２０４と、センサデータ（車載センサの時系列データ）２０５を使用して実施される。

具体的に、時系列データ２０４のうち、ウィンドウ２０６に含まれるデータをサンプリングした離散値がニューラルネットワークの入力層素子群２０１（図２Ａ）にセットされる。そして、それに対応するセンサデータ瞬時値２０７をニューラルネットワークの出力層素子２０３（図２Ａ）にセットする。ウィンドウ２０６とセンサデータ瞬時値２０７の関係について、ウィンドウ２０６の幅を例えば１秒とすると、センサデータ瞬時値２０７は、１秒前の走行履歴から推定されるような仕様とする。したがって、サンプリング間隔を例えば２０ｍ／秒とするとウィンドウ２０６内のサンプリング点は５０個（＝１秒÷２０ｍ／秒）となり、この５０個のデータ群とセンサデータ瞬時値２０７の組み合わせを学習用データセットと定義する。そして、ウィンドウ２０６とセンサデータ瞬時値２０７を２０ｍ／秒ごとに時間方向にスライドさせることで、データセットをｎ倍化する。これにより多数のデータセットを使用したニューラルネットワークの学習ができる。

（図３Ａ）
車両１０１においての車両状態の推定と学習要通知について説明する。まず、ステップＳ１０１で車両状態推定部１１２は、車両１０１が走行しているかどうかを判断する。車両１０１が走行していれば、ステップＳ１０２およびステップＳ１０３に進み、走行していなければフローを終了する。

ステップＳ１０２では、第２ピッチレイト計算部１１７は、車輪速からピッチレイトを計算する。一方で、ステップＳ１０３では、車両状態推定部１１２はばね上上下速度を推定する。ステップＳ１０４では、ステップＳ１０３で推定したばね上上下速度に基づいて、第１ピッチレイト計算部１１６がピッチレイトを計算し、ステップＳ１０５に進む。

ステップＳ１０５では、ステップＳ１０２およびステップＳ１０４で算出した２つのピッチレイトに基づいて、推定精度検証部１１８が推定精度（誤差）を計算する。ステップＳ１０６では、所定の閾値の例として、この推定精度（誤差）が１度より大きければステップＳ１０６に進み、１度より小さければステップＳ１０１に戻る。なお、ピッチレイトを用いた推定精度の判断基準の閾値として誤差１度を用いたが、この値に限らなくてもよい。

ステップＳ１０７では、推定精度検証部１１８で推定精度（誤差）が１度より大きく、推定精度が悪いと判断されたデータに学習要フラグを付与する。ステップＳ１０８では学習要フラグが付与された走行データについて、走行データ管理部１１９が走行データ格納部１２０に書き込みを行う。ステップＳ１０９では、走行データ管理部１１９が学習要フラグ数をカウントする。

ステップＳ１１０では、走行データ管理部１１９が、走行データ格納部１２０に格納している学習要フラグ数が１０００カウントより大きくなったかどうかを判断する。この１０００カウントが、走行データ格納部１２０に蓄積されたデータを、学習管理サーバー１０２へ転送する条件になる。学習要フラグ数が１０００カウントより大きくなった場合は、ステップＳ１１１に進み、学習要フラグが付与された走行データを走行データサーバーである学習管理サーバー１０２に転送する。なお、学習管理サーバー１０２にデータを転送する条件として、学習要フラグ数の基準を１０００としたが、この値に限らなくてもよい。

（図３Ｂ）
車両１０１においての重みパラメータのデータ更新について説明する。ステップＳ２０１で、重みデータ管理部１１３は学習管理サーバー１０２から重みパラメータの受信があるかどうかを判断する。重みパラメータの受信があればステップＳ２０２へ進み、なければステップＳ２０１を繰り返す。

ステップＳ２０２では、重みデータ管理部１１３が、取得した重みパラメータのデータを重みパラメータ格納部１１４に格納する。ステップＳ２０３では、重みデータ管理部１１３が、格納部１１４に重みパラメータの格納が完了しているかどうか判断する。重みパラメータが格納完了していればステップＳ２０４へ進み、完了していなければステップＳ２０３を繰り返す。

ステップＳ２０４では、重みデータ管理部１１３が、重みパラメータの切り替えを行い、再びステップＳ２０１からのフローを繰り返し、かつステップＳ２０５のフローに進む。ステップＳ２０５では、車両状態推定部１１２が重みパラメータに基づいて車両状態を推定し、推定結果を出力する。

ステップＳ２０６では、推定精度検証部１１８が車両状態推定部１１２の推定出力に異常があるかどうかを判断する。ある場合はステップＳ２０７に進み、ない場合はステップＳ２０１からのフローを繰り返す。ステップＳ２０７では、推定精度検証部１１８が、異常がある走行データに学習要フラグを付与する。ステップＳ２０８では、推定精度検証部１１８が推定出力の異常を、後述の図４Ｂに図示する端末画面４０７を有する端末を所持する車両状態推定部１１２の開発者や、保守点検等を行う検査員等に通知した後、ステップＳ２０１からのフローを繰り返す。

（図３Ｃ）
学習管理サーバー１０２においての重みパラメータの学習について説明する。ステップＳ３０１では、学習管理サーバー１０２が車両１０１から走行データを受信する。つづいてステップＳ３０２では、学習管理サーバー１０２がニューラルネットワークの学習を行う。次に、ステップＳ３０３で学習管理サーバー１０２が重みパラメータを格納する。次に、ステップＳ３０４で学習管理サーバー１０２が重みパラメータを重みデータ管理部１１３に転送し、フローを終了する。

（図３Ｄ）
学習管理サーバー１０２において、車両状態の推定の異常の検知対応についてのフローである。ステップＳ４０１で、学習管理サーバー１０２は推定精度検証部１１８から車両状態の推定について異常通知があるかどうかを判断する。異常通知があればステップＳ４０２に進み、なければステップＳ４０１を繰り返す。ステップＳ４０２では、学習管理サーバー１０２は車両状態推定部１１２の出力の検証を行う。

ステップＳ４０３では、学習管理サーバー１０２は車両状態推定部１１２の出力に異常が発生したかどうかを判断する。異常が発生したと判断された場合はステップＳ４０４に進み、発生していないと判断された場合は、ステップＳ４０６に進む。

ステップＳ４０４では、学習管理サーバー１０２が格納する最新の重みパラメータのデータを退避させる。つづいて、ステップＳ４０５では学習管理サーバー１０２において再び学習が行われ、ステップＳ４０２のフローを繰り返す。ステップＳ４０６では、ステップＳ４０３で異常が発生していないと判断されたため、学習管理サーバー１０２から車両１０１に重みパラメータが転送される。なお、再学習は最新の重みパラメータを退避させて新しい初期値で学習する内容で説明したが、最新の重みパラメータを初期値とした追加学習であっても構わない。

（図４Ａ）
ＣＡＮ系データ、車両挙動推定結果、車両挙動物理値の計算結果データに係るデータをそれぞれ可視化する走行試験においての測定装置画面４０１において、上段には、ＣＡＮ１０８から参照する複数の種類のデータ４０２，４０３（ＣＡＮ系データ）、中段には、車両状態推定部１１２が出力する車両挙動推定結果４０４、下段には、車両挙動物理値の時系列データ４０５が表示されている。また、例えば、ニューラルネットワークへ入力するためにデータセットを、ＣＳＶ形式のファイルでテキストデータとして出力し格納するためのファイル出力ボタン４０６があるものとする。なお、ボタン４０６は装置に備えられている物理的なボタンであったり、タッチ操作で選択されたりしてもよく、また、ポインティングデバイス等で選択してもよい。また、タッチセンサ機能と合わせて手指によるタッチ操作で選択されるものでもよい。

（図４Ｂ）
端末画面４０７には、車両状態推定部１１２の出力であるニューラルネットワークの出力に基づいて第１ピッチレイト計算部１１６で計算したピッチレイト４０８と、４輪の車輪速であるニューラルネットワークの出力に基づかない第２ピッチレイト計算部１１７で計算したピッチレイト４０９を並べて提示する。さらに、２種のピッチレイトの差が所定の値以上だった場合はハイレベル、２種のピッチレイトの差が所定の値未満だった場合はローレベルになるような表示を提示する精度判定結果４１０を、２つのピッチレイトと並べて提示するものとする。

（図４Ｃ）
図４Ｃは、車両挙動推定の結果について、表示部１１０を通してユーザが確認できるようにした場合を示した図であり、ここではユーザは運転手を一例としている。インパネ４１１の表示内容には、車両挙動推定結果４１２が含まれる。例えば、ランプ４１３は、精度判定結果４１０がハイレベルで誤差が大きい場合に点灯するランプである。また、表示メーター４１４は走行距離、走行時間に対して、精度判定結果４１０（図４Ｂ）がハイレベルである走行局面の距離、あるいはハイレベルである時間の割合を示すグラフを表している。

これにより、推定精度検証部１１８が出力する推定精度は、表示部１１０を通して、車両状態推定部１１２の開発者や、端末を所持する保守点検等を行う検査員や、車両１０１の運転手等のユーザに提示されるため、ニューラルネットワークが適用されたサスペンションシステムの精度の良否を確認し、低精度状態を認識できるようになる。

（第２の実施形態）
（図５）
第２の実施形態は、車輪速由来のピッチレイトの計算が、天候や路面状態によって信頼度が異なることに着目した実施形態である。第１の実施形態に対して変更および加えた機能部として、サスペンションシステムは、天候情報サーバー５０３、ＧＰＳセンサ５０４、ステレオカメラ５０５（ステカメ）、車輪速信頼度判定部５０６、を有している。車輪速信頼度判定部５０６は、車両１０１の外部の情報、例えば天候情報サーバー５０３や、車載したステレオカメラ５０５やＧＰＳセンサ５０４の情報に基づいて、推定精度検証部１１８の出力について信頼度を判定している。このように、路面状態を参照したり、路面状態によってピッチレイトの信頼度が変化したりすることに着目し、信頼度判定結果を反映させることで、ニューラルネットワークの不得意状態を抽出する狙いがある。

（図６）
車輪速信頼度判定部５０６は、路面μ推定部６０１と車輪速信頼度計算部６０２を有している。車輪速信頼度判定部５０６が参照する情報は、ステレオカメラ５０５の情報、ＧＰＳセンサ５０４の情報、天候情報サーバー５０３の情報、車両１０１の装着されたタイヤの状況の情報等である。これらを参照し、それらの情報を路面μ推定部６０１に入力する。

路面μ推定部６０１は、例えばステレオカメラ５０５の情報に基づいて一般的に走行する路面がスリップしやすい状態、例えば降雨による水たまりができている状況や、積雪や氷結による路面μが低い状況を検知する機能を有するものとする。これについては、ステレオカメラ５０５でなくとも、同様の検知ができれば良いので、ＧＰＳセンサ５０４から取得できる自車の位置情報で天候情報サーバー５０３に問い合わせて路面状況を推定してもよい。

また、これまで説明した周囲の状況に応じて変化する要素以外で定常的に決まる要素、例えば砂地であったり、粒度が粗めのダート路面であったりといった情報を地図と関連付けて管理しておいて、ＧＰＳセンサ５０４の情報に基づいて路面がスリップ、または車輪が空転しやすいか否かを検知してもよい。

車輪速信頼度判定部５０６は、路面μ推定部６０１が出力する路面の情報と、車両１０１の情報と、車両１０１に装着したタイヤの状況（例えばグリップ力）の情報に基づいて車輪速情報の信頼度を計算し、計算結果を推定精度検証部１１８に出力する。一般的に、路面μは舗装ドライ路面が０．８程度、舗装ウェット路面が０．４～０．６の範囲、積雪路が０．２～０．５の範囲、氷結路が０．１～０．２の範囲とされており、この路面μとタイヤの状況からトータルの摩擦係数μ’を推定し、車両１０１の重量Ｎとの積算で滑り出す物理量を計算する。

推定精度検証部１１８（図５）は、車輪速信頼度判定部５０６において計算された車輪速情報の信頼度と、第１ピッチレイト計算部１１６で計算されたピッチレイトと、第２ピッチレイト計算部１１７で計算されたピッチレイトと、に基づいて、推定精度の検証を行う。車輪速信頼度判定部５０６で判定される車輪速情報の信頼度が高い場合は、第１の実施形態と同様に処理が進む。しかし、車輪速情報の信頼度が低い場合は、ニューラルネットワークによる車両状態の推定を継続したり、それ以外の代替手段に切り替えたりする処理を行う。

なお、前述した路面μは一例であり、タイヤの状況が取得できない場合は、μ’の計算を簡略化することできる。また、車両１０１の重量Ｎも車両自体の重量に加えて、搭乗者や積載物の重量が加味されることで精度を向上させてもよい。

（第３の実施形態）
（図７）
本実施形態に係るサスペンションＥＣＵ１０４は、第１の実施形態と比較して、セレクタ７０３、推定値検証／補正部７０５を新たに備える。また、車両状態推定部１１２ａ～１１２ｄは４つの車輪ごとに設置されることで、互いに連携している。車両状態推定部１１２ａ～１１２ｄは、それぞれＦＬ（左前）用１１２ａ、ＦＲ（右前）用１１２ｂ、ＲＬ（左後）用１１２ｃ、ＲＲ（右後）用１１２ｄが設置されている。

セレクタ７０３は、４つの車両状態推定部１１２ａ～１１２ｄから３つの推定結果を選択し、組み合わせを異ならせる。第１ピッチレイト計算部１１６は、セレクタ７０３で選択された３つの推定結果に基づいて、４種のピッチレイト（第１の物理値）を計算する。これは、車両１０１が剛体だとすると、３輪分の推定結果（ばね上上下速度）で第１の物理値（ピッチレイト）が計算できるので、３つの推定結果の選択の仕方で４種の第１の物理値を算出できるためである。

このように算出する理由として、推定値検証／補正部７０５の比較において、例えば、１輪のばね上上下速度だけが低精度であった場合は、その１輪を含まない他の３輪のばね上上下速度で計算したピッチレイトは車輪速由来のピッチレイトとほぼ一致する可能性が高く、その１輪を含む３種のピッチレイトは車輪速由来のピッチレイトと一致しない可能性が高いためである。このようにして、推定値検証／補正部７０５は、車輪速由来のピッチレイトと一致したピッチレイトの計算に用いた３輪のばね上上下速度推定値は高精度と判断し、対応する３輪分のばね上上下速度の推定値をサスペンション制御値計算部１１５に転送し、残りの１輪を排除する。

また、前述したように３輪分のデータがあればピッチレイトが計算できるので、推定値検証／補正部７０５は車輪速由来の正解のピッチレイトと３輪分のばね上上下速度を使用して、低精度と判定した１輪のばね上上下速度を逆算する。推定値検証／補正部７０５は、逆算した低精度の１輪のばね上上下速度を、サスペンション制御値計算部１１５に転送する。つまり、推定精度検証を行う推定値検証／補正部７０５は、４種の推定結果の検証や逆算による推定結果の導出を行う。

このように、高精度のピッチレイトが１系統でも得られれば、それを導出するのに使用した３系統のばね上上下速度の推定結果は高精度であると判定でき、また、残りの１系統のばね上上下速度の推定結果は低精度であると判定できる。低精度のばね上上下速度であった場合は、第２ピッチレイト計算部１１７で計算したピッチレイトおよび３系統のばね上上下速度を使用して逆算することで推定結果として採用でき、学習管理サーバー１０２で実施する車両状態推定部１１２を実現するニューラルネットワークの教師データとして扱うことができる。

なお、推定値検証／補正部７０５は、４種の第１の物理値のそれぞれと第２の物理値との比較に基づいた４つの差分値すべてが、所定の閾値よりも小さい場合に、４つの車両状態推定部１１２ａ～１１２ｄから出力される４つの推定結果を、サスペンション１０９の状態として採用して、サスペンション制御値計算部１１５にその推定結果を転送する（後述の図９におけるステップＳ１０、ステップＳ１８）。

推定値検証／補正部７０５は、低精度とされたばね上上下速度を出力した車両状態推定部１１２ａ～１１２ｄいずれかの入力データセットと、推定値検証／補正部７０５が計算したばね上上下速度を走行データ管理部１１９に転送し、走行データ管理部１１９は入力データセットとばね上上下速度を走行データ格納部１２０に格納する。

走行データ管理部１１９は、走行データ格納部１２０に一定数（例えば１０００）のデータセットが格納されたら、そのカウントを転送条件としてインターフェース１１１を介して、データセットを学習管理サーバー１０２に転送する。

これらにより、学習管理サーバー１０２に車両状態推定部１１２が不得手とされるデータセットを蓄積することができ、蓄積データを使用した追加学習を実施することで車両状態推定部１１２ａ～１１２ｄの精度を向上させることができる。

（図８）
セレクタ７０３について説明する。図８において、セレクタ７０３は、車両状態推定部１１２の動作周期である車両状態推定周期８０１を基準に４つのフェーズを設けて、ＦＬ選択信号８０２、ＦＲ選択信号８０３、ＲＬ選択信号８０４、ＲＲ選択信号８０５の中からどのように３つ選ぶかを示している。例えば、周期８０１が２０ｍ／秒とすると、２０ｍ／秒を４分割した中で３輪を選択する組み合わせを異ならせることになる。

図８の例を見ると、第１期間ではＦＬ選択信号８０２とＦＲ選択信号８０３とＲＬ選択信号８０４がハイレベルであるため、ＦＬとＦＲとＲＬの３種を選択する。第２期間では、ＦＲ選択信号８０３とＲＬ選択信号８０４とＲＲ選択信号８０５がハイレベルであるため、ＦＲとＲＬとＲＲの３種を選択する。第３期間では、ＦＬ選択信号８０２とＲＬ選択信号８０４とＲＲ選択信号８０５がハイレベルであるため、ＦＬとＲＬとＲＲの３種を選択する。第４期間では、ＦＬ選択信号８０２とＦＲ選択信号８０３とＲＲ選択信号８０５がハイレベルであるため、ＦＬとＦＲとＲＲの３種を選択する。

なお、この図８では、推定値検証／補正部７０５が１系統であり、シリアル処理で実施した場合の制御信号であり、推定値検証／補正部７０５が４系統であればパラレル処理で実施するのが一般的である。

（図９）
第３の実施形態のフローチャートについて説明する。ステップＳ１では、走行データ管理部１１９のカウンタの値を０にする（リセットする）。ステップＳ２では、第１ピッチレイト計算部１１６が車輪ＦＬ，ＦＲ，ＲＬのばね上上下速度を使用して計算したセンサ推定値を用いてピッチレイト計算Ａを行う。ステップＳ３では、第１ピッチレイト計算部１１６が車輪ＦＲ，ＲＬ，ＲＲのばね上上下速度を使用して計算したセンサ推定値を用いてピッチレイト計算Ｂを行う。ステップＳ３では、第１ピッチレイト計算部１１６が車輪ＲＬ，ＲＲ，ＦＬのばね上上下速度を使用して計算したセンサ推定値を用いてピッチレイト計算Ｃを行う。ステップＳ４では、第１ピッチレイト計算部１１６が車輪ＲＲ，ＦＬ，ＦＲのばね上上下速度を使用して計算したセンサ推定値を用いてピッチレイト計算Ｄを行う。

ステップＳ６では、推定値検証／補正部７０５が、ステップＳ２で算出した計算結果Ａから、第２ピッチレイト計算部１１７で算出した車輪速由来の計算結果を引いたものを算出する。ステップＳ７では、推定値検証／補正部７０５が、ステップＳ３で算出した計算結果Ｂから第２ピッチレイト計算部１１７で算出した車輪速由来の計算結果を引いたものを算出する。ステップＳ８では、推定値検証／補正部７０５が、ステップＳ３で算出した計算結果Ｃから第２ピッチレイト計算部１１７で算出した車輪速由来の計算結果を引いたものを算出する。ステップＳ９では、推定値検証／補正部７０５が、ステップＳ５で算出した計算結果Ｄから第２ピッチレイト計算部１１７で算出した車輪速由来の計算結果を引いたものを算出する。

ステップＳ１０では、推定値検証／補正部７０５が、ステップＳ６～ステップＳ９で算出した４つの結果の差が所定の閾値よりも小さいかどうかを判定する。算出した４つの結果の差が小さい場合は、ステップＳ１８に進み、推定値検証／補正部７０５が４種の推定結果を採用する。その後は、４種の推定結果を引き続き用いることができるかどうか（差が所定の閾値よりも小さいかどうか）を判定し続けるために、ステップＳ２に戻る。

ステップＳ１０で、算出した４種の結果の差が大きい場合は、ステップＳ１１に進む。ステップＳ１１では、推定値検証／補正部７０５が、ステップＳ６で算出した計算結果の差が所定よりも小さいかどうかを判断する。その差が所定の閾値よりも小さくない場合、ステップＳ１２で、推定値検証／補正部７０５が、ステップＳ７で算出した計算結果の差が所定の閾値よりも小さいかどうかを判断する。その差が所定よりも小さくない場合、ステップＳ１３で、推定値検証／補正部７０５が、ステップＳ８で算出した計算結果の差が所定の閾値よりも小さいかどうかを判断する。その差が所定の閾値よりも小さくない場合、ステップＳ１４で、推定値検証／補正部７０５が、ステップＳ９で算出した計算結果Ｄの差が所定の閾値よりも小さいかどうかを判断する。ステップＳ１４でその差が所定の閾値よりも小さくない場合、ステップＳ２のフローに戻る。

ステップＳ１５では、ステップＳ１１において、ステップＳ６で算出した差が所定の閾値よりも小さい場合、ステップＳ２のピッチレイト計算Ａで車輪ＦＬ，ＦＲ，ＲＬのばね上上下速度を使用して計算したセンサ推定値を採用する。ステップＳ１６ではこれに基づいて、残りの車輪ＲＲのばね上上下速度を計算し、ステップＳ１７でその算出した車輪ＲＲのばね上上下速度をデータセットに格納する。なお、車輪ＦＬの計算フローであるステップＳ１８～ステップＳ２０、車輪ＦＲの計算フローであるステップＳ２１～ステップＳ２３、車輪ＲＬの計算フローであるステップＳ２４～ステップＳ２６、については、ステップＳ１５～ステップＳ１７までのフローと同様であるため記述を割愛する。

ステップＳ２７で、走行データ格納部１２０がカウンタ処理を行う。ステップＳ２８でステップＳ２７のカウンタ処理数が１０００を超えていれば、ステップＳ２９で、走行データ格納部１２０は更新データセットを学習管理サーバー１０２に送信し、ステップＳ３０で走行データ格納部１２０のデータセットを消去し、ステップＳ１に戻って上述のフローを繰り返す。する。ステップＳ２８でカウンタ処理数が１０００を超えていなければ、ステップＳ２に戻って上述のフローを繰り返す。

（第４の実施形態）
（図１０）
第４の実施形態は、走行データの得手／不得手のフラグだけあれば仮想環境だけで再学習（パラメータの更新）ができるような構成を有している。これは、前述の実施形態において走行しながら車両状態推定部１１２が出力するばね上上下速度やピストン速度の推定精度を向上させたのに対し、第４の実施形態は、仮想環境下に走行環境を再現し、仮想環境下でばね上上下速度やピストン速度の推定精度を向上させるものである。

具体的には、既存センサであるＧＰＳセンサ５０４やステレオカメラ６０４で取得した道路情報（道路プロファイルを含む）と合わせて、精度状態を学習管理サーバー１０２に転送し、学習管理サーバー１０２においてシミュレーションで再現することで、教師データを作成することで学習を実施する。

本実施形態は、第２の実施形態に、学習管理サーバー１０２内に車両挙動シミュレータ１１０３を追加し、さらに仮想環境下にリアルの地形及び道路形状を再現するために使用する地図情報サーバー１１０４が構成に含まれることが特徴である。地図情報サーバー１１０４が扱う地図情報は、例えばオープンソースのＯＳＭ（Open Street Map）であり、その他の有償／無償の地図データあってもよい。これらの地図データには、標高／勾配情報が含まれたり、データ収集が進めば道路プロファイルといった情報を適用したりしてもよい。

また、地図情報サーバー１１０４に天候情報サーバー５０３の情報を付与すれば、仮想環境下におけるリアル環境の再現性は向上していく。よって、学習管理サーバー１０２は、車両１０１に搭載される第２のセンサ（天候情報サーバー５０３、地図情報サーバー１１０４）で取得された第２のセンサ情報と、車両１０１の外部で学習される仮想環境情報と、に基づいて、重みパラメータを学習する。このようにして、高度化された仮想環境下で学習管理サーバー１０２の車両挙動シミュレータ１１０３を活用すれば、必ずしも実車の測定でなくても、車両状態推定部１１２が出力するばね上上下速度やピストン速度の推定精度を向上させることができるようになる。

以上説明した本発明の実施形態によれば、以下の作用効果を奏する。

（１）車両１０１に備えられる複数のセンサ１０６から取得されるセンサ情報と、車両１０１に備えられるサスペンション１０９の状態情報と、を関連付けて、機械学習で計算するサスペンションシステムは、前記機械学習によって算出される重みパラメータを記憶する重みパラメータ記憶部１１４と、センサ情報と重みパラメータとに基づいて、サスペンション１０９の状態の推定結果を出力する車両状態推定部１１２と、を備える。出力された推定結果に基づいて、車両１０１の挙動に関する物理量の第１物理値を計算する第１の車両挙動計算部１１６と、センサ情報に基づいて、物理量の第２物理値を計算する第２の車両挙動計算部１１７と、第１物理値と第２物理値を比較することで、車両状態推定部１１２によるサスペンション１０９の状態の推定精度を出力する推定精度検証部１１８と、を備える。推定精度検証部１１８による推定精度の出力結果に基づいて、学習管理サーバー１０２に重みパラメータの学習を指示する走行データ管理部１１９と、を備える。このようにしたことで、サスペンション用センサを搭載しない車両においてニューラルネットワークの不得意状態を抽出し、学習を支援できる。

（２）車両１０１は、車両１０１が備える４つの車輪とそれぞれ連携する、４つの車両状態推定部１１２を有し、４つの車両状態推定部１１２から出力される４つの推定結果のうち、３つの推定結果を選択するセレクタ７０３を備える。このようにしたことで、３輪分の推定結果だけで、車両状態推定部１１２おいてサスペンション１０９の状態を推定できる。

（３）第１の車両挙動計算部１１６は、セレクタ７０３によって選択された３つの推定結果から４種の第１物理値を算出し、推定精度検証部１１８は、４種の第１物理値のそれぞれと第２物理値との比較に基づいた４つの差分値が、所定の閾値よりも小さい場合には、４つの車両状態推定部１１２から出力される４つの推定結果を、サスペンションの状態として採用し、推定精度検証部１１８は、算出された４種の第１物理値のうちいずれか１種の第１物理値において、第２物理値との比較に基づいた差分値が、所定の閾値よりも小さい場合には、第１物理値を算出するためにセレクタ７０３によって選択された３つの推定結果を、サスペンション１０９の状態として採用し、第１の車両挙動計算部１１６は、算出された４種の第１物理値において、第２物理値との比較に基づいた差分値が、所定の閾値よりも大きい場合には、再度、セレクタ７０３によって選択された３つの推定結果から４種の第１物理値を算出し直す。このようにしたことで、低精度の車両状態の推定結果を考慮した推定精度の判断ができる。

（４）推定精度検証部１１８は、セレクタ７０３によって選択されなかった推定結果を、セレクタ７０３によって選択した３つの推定結果と、第２の物理値とによって算出する。このようにしたことで、セレクタ７０３によって選択されていない推定結果についても第１の物理値を算出できる。

（５）推定精度検証部１１８が出力する推定精度は、表示部１１０を通してユーザに提示される。このようにしたことで、サスペンション１０９の状態の推定精度を可視化できる。

（６）第１物理値および第２物理値は、車両１０１のピッチレイトあるいはロールレイトである。このようにしたことで、複数の車両挙動データに基づいて第１の物理値および第２の物理値を求めることができる。

（７）学習管理サーバー１０２は、車両１０１に搭載される第２のセンサで取得された第２のセンサ情報と、車両１０１の外部で学習される仮想環境情報と、に基づいて、重みパラメータを学習する。このようにしたことで、仮想環境下でばね上上下速度やピストン速度の推定精度を向上させる。

（８）学習管理サーバー１０２は、車両１０１に搭載された計算機に基づいて、重みパラメータを学習するこのようにしたことで、車両１０１側に学習管理サーバー１０２を設置せずに、重みパラメータを更新できる。

なお、本発明は上記の実施形態に限定されるものではなく、その要旨を逸脱しない範囲内で様々な変形や他の構成を組み合わせることができる。また本発明は、上記の実施形態で説明した全ての構成を備えるものに限定されず、その構成の一部を削除したものも含まれる。

１０１ 車両
１０２ 学習管理サーバー
１０３ ネットワーク
１０４ サスペンションＥＣＵ
１０５ 車両ＥＣＵ
１０６ センサ
１０７ センサＥＣＵ
１０８ ＣＡＮ
１０９ アクティブサスペンション
１１０ 表示部
１１１ インターフェース（Ｉ／Ｆ）
１１２ 車両状態推定部
１１３ 重みデータ管理部
１１４ 重みパラメータ格納部（記憶部）
１１５ サスペンション制御値計算部
１１６ 第１ピッチレイト計算部
１１７ 第２ピッチレイト計算部
１１８ 推定精度検証部
１１９ 走行データ管理部
１２０ 走行データ格納部
２０１ ニューラルネットワークの入力層素子群
２０２ ニューラルネットワークの隠れ層素子群
２０３ ニューラルネットワークの出力層素子
２０４ 時系列データ
２０５ センサデータ
２０６ ウィンドウ
２０７ センサデータ瞬時値
４０１ 測定装置画面
４０２ 車輪速データ（ＣＡＮ系データ）
４０３ 前後加速度データ（ＣＡＮ系データ）
４０４ ピストン速度データ（車両状態推定値）
４０５ ピッチレイトデータ（車両挙動物理値）
４０６ ファイル出力ボタン
４０７ 端末画面
４０８ ニューラルネットワーク由来のピッチレイト
４０９ 非ニューラルネットワーク由来のピッチレイト
４１０ 精度判定結果
４１１ インストルメントパネル
４１２ 車両挙動推定結果
４１３ 判定結果提示ランプ
４１４ 走行距離メーター
５０３ 天候情報サーバー
５０４ ＧＰＳセンサ
５０５ ステレオカメラ
５０６ 車輪速信頼度判定部
６０１ 路面μ推定部
７０３ セレクタ
７０５ 推定値検証／補正部
８０１ 車両状態推定周期
８０２～８０５ 選択信号
１１０３ 車両挙動シュミレータ
１１０４ 地図情報サーバー

Claims (8)

1. 車両に備えられる複数のセンサから取得されるセンサ情報と、前記車両に備えられるサスペンションの状態情報と、を関連付けて、機械学習で計算するサスペンションシステムであって、
   前記機械学習によって算出される重みパラメータを記憶する重みパラメータ記憶部と、
   前記センサ情報と前記重みパラメータとに基づいて、前記サスペンションの状態の推定結果を出力する車両状態推定部と、
   出力された前記推定結果に基づいて、前記車両の挙動に関する物理量の第１物理値を計算する第１の車両挙動計算部と、
   前記センサ情報に基づいて、前記物理量の第２物理値を計算する第２の車両挙動計算部と、
   前記第１物理値と前記第２物理値を比較することで、前記車両状態推定部による前記サスペンションの状態の推定精度を出力する推定精度検証部と、
   前記推定精度検証部による前記推定精度の出力結果に基づいて、学習管理サーバーに前記重みパラメータの学習を指示する走行データ管理部と、を備える
   サスペンションシステム。
2. 請求項１に記載のサスペンションシステムであって、
   前記車両は、前記車両が備える４つの車輪とそれぞれ連携する、４つの前記車両状態推定部を有し、
   ４つの前記車両状態推定部から出力される４つの前記推定結果のうち、３つの前記推定結果を選択するセレクタを備える
   サスペンションシステム。
3. 請求項２に記載のサスペンションシステムであって、
   前記第１の車両挙動計算部は、前記セレクタによって選択された３つの前記推定結果から４種の前記第１物理値を算出し、
   前記推定精度検証部は、４種の前記第１物理値のそれぞれと前記第２物理値との比較に基づいた４つの差分値が、所定の閾値よりも小さい場合には、４つの前記車両状態推定部から出力される４つの前記推定結果を、前記サスペンションの状態として採用し、
   前記推定精度検証部は、算出された４種の前記第１物理値のうちいずれか１種の前記第１物理値において、前記第２物理値との比較に基づいた差分値が、所定の閾値よりも小さい場合には、前記第１物理値を算出するために前記セレクタによって選択された３つの前記推定結果を、前記サスペンションの状態として採用し、
   前記第１の車両挙動計算部は、算出された４種の前記第１物理値において、前記第２物理値との比較に基づいた差分値が、所定の閾値よりも大きい場合には、再度、前記セレクタによって選択された３つの前記推定結果から４種の前記第１物理値を算出し直す
   サスペンションシステム。
4. 請求項３に記載のサスペンションシステムであって、
   前記推定精度検証部は、前記セレクタによって選択されなかった前記推定結果を、前記セレクタによって選択した３つの前記推定結果と、前記第２物理値とによって算出する
   サスペンションシステム。
5. 請求項１に記載のサスペンションシステムであって、
   前記推定精度検証部が出力する前記推定精度は、表示部を通してユーザに提示される
   サスペンションシステム。
6. 請求項１に記載のサスペンションシステムであって、
   前記第１物理値および前記第２物理値は、前記車両のピッチレイトあるいはロールレイトである
   サスペンションシステム。
7. 請求項１に記載のサスペンションシステムであって、
   前記学習管理サーバーは、前記車両に搭載される第２のセンサで取得された第２のセンサ情報と、前記車両の外部で学習される仮想環境情報と、に基づいて、前記重みパラメータを学習する
   サスペンションシステム。
8. 請求項４に記載のサスペンションシステムであって、
   前記学習管理サーバーは、前記車両に搭載された計算機に基づいて、前記重みパラメータを学習する
   サスペンションシステム。

Images