JP2024067931A - 車両用サービス提供装置 - Google Patents

Abstract

【課題】車両用サービス提供装置により提供されるサービスの質の向上。【解決手段】車両用サービス提供装置（１）は、車両に配置され、車両及び車両とは別の装置（２９）の少なくとも一方から取得可能な第１情報を取得する情報取得部（１０１）と、第１情報に含まれない第２情報であって車両の制御量を示す第２情報を第１情報から推定する機械学習を行った学習済モデル（Ｍ１、Ｍ２、Ｍ３）に、情報取得部により取得された第１情報を入力し、当該学習済モデルから出力された指標に基づいて、第２情報を生成する情報生成部（１０２）と、情報生成部より生成された第２情報に基づくサービスを提供するサービス提供部（１０３）と、を備えている。【選択図】図１

Description

本開示は車両用サービス提供装置に関する。

特許文献１には、内燃機関の制御装置が開示されている。この制御装置は、ニューラルネットワークモデルを活用して、車両の燃料噴射弁に対する指令値や燃料噴射に関する物理量を検出するセンサの出力値から混合気の着火時期や混合気の燃焼機関や排気ガスに含まれる有害物質の濃度等を算出し、それらの値に基づいて内燃機関を制御する。

特開２０２０－１２５６９４号公報

しかしながら、車両に関する機械学習の活用には未だ検討の余地がある。
本開示は、車両用サービス提供装置により提供されるサービスの質を向上することを課題とする。

上記の課題を解決するために、本開示の一態様に係る車両用サービス提供装置は、車両に配置され、前記車両に関するサービスを提供する車両用サービス提供装置において、前記車両及び前記車両とは別の装置の少なくとも一方から取得可能な第１情報を取得する情報取得部と、前記第１情報に含まれない第２情報であって前記車両の制御量を示す第２情報を前記第１情報から推定する機械学習を行った学習済モデルに、前記情報取得部により取得された前記第１情報を入力し、当該学習済モデルから出力された指標に基づいて、前記第２情報を生成する情報生成部と、前記情報生成部より生成された前記第２情報に基づくサービスを提供するサービス提供部と、を備えている。

また、本開示の別の一対象に係る車両用サービス提供装置は、車両に配置され、前記車両に関するサービスを提供する車両用サービス提供装置において、所定の物理量を検出するセンサと、前記センサから第１情報を取得する情報取得部と、前記第１情報に含まれない第２情報であって前記車両の制御量を示す第２情報を前記第１情報から推定する機械学習を行った学習済モデルに、前記情報取得部により取得された前記第１情報を入力し、当該学習済モデルから出力された指標に基づいて、前記第２情報を生成する情報生成部と、前記情報生成部より生成された前記第２情報に基づくサービスを提供するサービス提供部と、を備えている。

本開示の一態様によれば、車両用サービス提供装置により提供されるサービスの質を向上させることができる。

本開示の一実施形態に係る車両用サービス提供装置の構成例を示す図である。 車両用サービス提供装置で使用される学習済みの学習モデルの説明に用いる図である。 車両用サービス提供装置における処理の流れを示すフローチャートである。 学習モデルを構築する学習装置の構成例を示す図である。 学習装置における処理の流れを示すフローチャートである。 アクセル制御量推定用の学習モデルに係る説明変数の説明に用いる図である。 制動装置に関する寸法を示す図である。 ブレーキ制御量推定用の学習モデルに係る説明変数の説明に用いる図である。 ステア制御量推定用の学習モデルに係る説明変数の説明に用いる図である。

（車両用サービス提供装置の構成）
図１は、本開示の一実施の形態に係る車両用サービス提供装置の構成例を示す図である。図１に示す車両用サービス提供装置１は、例えば車両に設置されるデジタルタコメータである。車両用サービス提供装置１は、制御部１０と、記憶部１１と、３軸加速度センサ１２と、３軸角速度センサ１３と、表示部１４と、入出力インタフェース１５とを備えている。以降、車両用サービス提供装置１が設置されている車両を車両Ｖ１と呼称する。

制御部１０は、例えばＣＰＵ（Central Processing Unit）であり、プログラムを記憶部１１から読み出して実行する。
記憶部１１は、例えばＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）等を有し、制御部１０が実行するプログラムと、学習済みの第１学習モデルＭ１、第２学習モデルＭ２および第３学習モデルＭ３を記憶している。また記憶部１１は、制御部１０がワークスペースとして使用するＲＡＭ（Random Access Memory）等を有している。
学習済みの第１学習モデルＭ１、第２学習モデルＭ２および第３学習モデルＭ３については、後に詳述する。

３軸加速度センサ１２は、車両Ｖ１の前後方向、左右方向、上下方向の３方向の加速度を検出する。
３軸角速度センサ１３は、車両Ｖ１のピッチ方向、ヨー方向、ロール方向の３方向の角速度を検出する。
表示部１４は、例えば液晶表示装置であって、エンジンの回転数、学習済みの第１学習モデルＭ１、第２学習モデルＭ２および第３学習モデルＭ３による推定結果等を表示する。
入出力インタフェース１５は、例えばＵＳＢ（Universal Serial Bus）端子、ＬＡＮ（Local Area Network）端子等を含む。制御部１０は、入出力インタフェース１５を介して、例えば、車両Ｖ１内に配置されている移動体通信機２との間で情報の送受信を行う。

移動体通信機２は、例えば、車両Ｖ１の搭乗者により車両Ｖ１内に持ち込まれたスマートフォンであって、表示部２１と、ＧＰＳ信号受信部２２と、入力装置２３とを備えている。
表示部２１は、例えば液晶表示装置である。
ＧＰＳ信号受信部２２は、ＧＰＳ衛星２９から送信されるＧＰＳ信号を受信する。
入力装置２３は、例えばタッチパネル等であり、移動体通信機２のユーザによる入力操作を受け付ける。

（学習済の学習モデル）
図２は、学習済みの第１学習モデルＭ１、第２学習モデルＭ２および第３学習モデルＭ３の説明に用いる図である。
第１学習モデルＭ１、第２学習モデルＭ２および第３学習モデルＭ３の学習モデルとしては、例えば、再帰ニューラルネットワークや、アンサンブルモデルが考えられる。再帰ニューラルネットワークとしては、ＬＳＴＭ（Long Short Term Memory）等が考えられる。アンサンブルモデルとしては、ＸＧＢｏｏｓｔ（eXtreme Gradient Boosting）等が考えられる。
学習済みの第１学習モデルＭ１、第２学習モデルＭ２および第３学習モデルＭ３には、説明変数として車両Ｖ１の第１情報４１が入力される。

図２に示す第１情報４１には、車両Ｖ１から取得された情報と、車両Ｖ１とは別の装置（以下「別装置」という）から取得された情報とが含まれる。
車両Ｖ１から取得される情報としては、例えば、エンジン回転数パルス５１や、車速パルス５３が考えられる。
別装置から取得される情報としては、例えば、車両Ｖ１の搭乗者により車両Ｖ１内に持ち込まれた移動体通信機２や、ＧＰＳ衛星２９や、路上インフラから取得される情報が考えられる。移動体通信機２から取得される情報としては、例えば、ＧＰＳ信号受信部２２により受信されたＧＰＳ信号５５や、移動体通信機２においてＧＰＳ信号５５から生成された車両Ｖ１の緯度、経度、及び標高５６等が考えられる。

第１情報４１には、車両Ｖ１や別装置から取得された情報に基づいて生成される情報が含まれてもよい。
車両Ｖ１から取得された情報に基づいて生成される情報としては、例えば、エンジン回転数パルス５１から生成されるエンジン回転数５２や、車速パルス５３から生成される車速５４等が考えられる。
別装置から取得された情報に基づいて生成される第１情報４１としては、ＧＰＳ信号５５から生成される車両Ｖ１の緯度、経度、及び標高５６等が考えられる。

第１情報４１には、車両用サービス提供装置１に設けられたセンサ（以下「内蔵センサ」という）から取得される情報が更に含まれる。ここでセンサとは、所定の物理量を検出する検知器である。
内蔵センサから取得される情報としては、例えば、３軸加速度センサ１２の出力５７および３軸角速度センサ１３の出力５９等が考えられる。

第１情報４１には、内蔵センサから取得された情報に基づいて生成される情報が含まれてもよい。
内蔵センサから取得された情報から生成される情報としては、例えば、３軸加速度センサ１２の出力５７から生成される３軸加速度５８や、３軸角速度センサ１３の出力５９から生成される３軸角速度６０等が考えられる。

第１情報４１には、車両Ｖ１の車両諸元６１が含まれてもよい。車両諸元６１としては、車両Ｖ１の駆動装置に関する情報、車両Ｖ１の制動装置に関する情報、車両Ｖ１の操舵装置に関する情報、車両Ｖ１の重量に関する情報、車両Ｖ１の寸法に関する情報、車両Ｖ１のタイヤに関する情報等が考えられる。これらの車両諸元６１は、車両用サービス提供装置１の記憶部１１に予め記憶させてもよいし、移動体通信機２の入力装置２３を用いてユーザに入力させることにしてもよい。

車両Ｖ１の駆動装置に関する情報としては、動力機（エンジン）に関する情報や、トランスミッションに関する情報等が考えられる。動力機としては、内燃機関や電気モータ等が考えらえる。内燃機関としては、液体燃料を燃焼させるものや、気体燃料を燃焼させるもの等が考えられる。

車両Ｖ１の動力機である内燃機関に関する情報としては、内燃機関の着火方式、排気量、気筒数、圧縮比、シリンダの内径、シリンダの行程、最大出力、最大トルク等が考えられる。車両Ｖ１の動力機である電気モータに関する情報としては、電気モータの定格出力、最大出力、最大トルク等が考えられる。
車両Ｖ１のトランスミッションに関する情報としては、車両Ｖ１のトランスミッションの種別、トランスミッションのギヤ比、デフ比（デファレンシャル比）等が考えられる。

車両Ｖ１の制動装置に関する情報としては、車両Ｖ１の制動装置の種別、ブレーキパッドに関する情報等が考えられる。車両Ｖ１の制動装置の種別としては、ディスクブレーキ、ドラムブレーキ、エアブレーキ、回生ブレーキ等が考えられる。

車両Ｖ１の操舵装置に関する情報としては、操舵装置のステアリングギヤボックスの種別、ステアリングギヤのギヤ比に関する情報等が考えられる。操舵装置のステアリングギヤボックスの種別としては、ボールナット式、ラックアンドピニオン式等が考えられる。

車両Ｖ１の重量に関する情報としては、車両Ｖ１の車両重量、車両総重量等が考えられる。
車両Ｖ１の寸法に関する情報としては、車両Ｖ１の全長、全高、全幅、最低地上高、車室内高さ、ホイールベース、車両Ｖ１の重心位置、車両Ｖ１の重心点から前輪中心までの距離、車両Ｖ１の重心点から後輪中心までの距離等が考えられる。
車両Ｖ１のタイヤに関する情報としては、タイヤ径、タイヤの種類等が考えられる。タイヤの種類としては、タイヤの製造元や、夏用タイヤと冬用タイヤと夏冬両用タイヤの種別等が考えられる。

第１情報４１には、車両Ｖ１の車両状態６２が含まれてもよい。
車両状態６２としては、車両Ｖ１の車速や加減速度、エンジンが出力している駆動力、トランスミッションのギヤ段、車両Ｖ１の走行シーン、車両Ｖ１に搭乗している搭乗者の重量と車両に積載している積載物の重量を含む車両Ｖ１の実際の重量（以下「実重量」という）、車両Ｖ１が走行している路面の勾配、車両Ｖ１が走行している路面と車両Ｖ１のタイヤとの間の摩擦係数μ１、車両Ｖ１が走行している路面の状態、トランスミッションのギヤ段、制動装置のブレーキパッドをディスクロータに押し当てる力（以下「押圧力」という）、制動装置のブレーキパッドとディスクロータとの摩擦係数μ２、制動装置のブレーキパッドのパッド温度、制動装置のディスクロータのロータ温度、制動装置のフルードのフルード温度、車両Ｖ１の空気抵抗、車両Ｖ１の前輪および後輪のコーナリングパワー等が考えられる。
車両状態６２は、センサの出力値に対応する実情報であってもよいし、実情報から推定された推定情報であってもよい。

車両状態６２は、各種公知技術を利用して導出することができる。
走行シーンを示す情報としては、車両Ｖ１が前進しているか後進しているかを示す情報等が考えられる。車両Ｖ１が前進しているか後進しているかは、例えば、車両Ｖ１の向きと、ＧＰＳ信号５５に基づいて算出された車両Ｖ１の位置（緯度、経度、標高）の時間変化とに基づいて判定することができる。

車両Ｖ１の実重量は、例えば、車両の運動方程式に車両Ｖ１のエンジントルクと車両Ｖ１の加速度とを代入することで、算出することができる。
車両Ｖ１が走行している路面の勾配は、例えば、３軸加速度センサ１２による前後方向の出力信号と、車両Ｖ１の車速５４の時間変化とから推定することができる。
車両Ｖ１が走行している路面と車両Ｖ１のタイヤとの間の摩擦係数μ１は、例えば、特開２０００－１１８３４号公報に開示されている技術を利用して、推定することができる。
車両Ｖ１のギヤ段は、例えば、特開２０１９－１５７６６４号公報に開示されている技術を利用して、推定することができる。

フルード温度は、例えば、特開２０１３－２３０７８４号公報に開示されている技術を利用して、推定することができる。
ディスクロータのロータ温度は、例えば、特開２０１２－１９２８７４号公報に開示されている技術を利用して、推定することができる。
車両Ｖ１の空気抵抗は、例えば、以下に示す式１に、車両諸元６１に含まれる車両Ｖ１の全高および全幅と、車両Ｖ１の車速５４とを代入することで、算出することができる。ここで式１のＡは、空気密度等により決まる定数である。
空気抵抗＝｛（全高×全幅）／２｝×車速^２×Ａ … （式１）

学習済みの第１学習モデルＭ１、第２学習モデルＭ２および第３学習モデルＭ３は、目的変数として、図２に示す第２情報４２を出力する。第２情報４２は、第１情報４１には含まれない情報であって、車両Ｖ１の制御量を示す情報である。
第２情報４２としては、車両Ｖ１および別装置からの取得が制限されている情報、取得した情報の使用が制限されている情報が考えられる。制限としては、物理的制限や、契約上の制限が考えられる。
第２情報４２には、車両Ｖ１のアクセル制御量４３、ブレーキ制御量４４、ステア制御量４５が含まれる。これらの制御量は、車両Ｖ１の駆動装置や制動装置や操舵装置において導出されてはいるものの、車両Ｖ１から取得できないことが考えられる。

学習済の第１学習モデルＭ１は、第１情報４１が入力されると、車両Ｖ１のアクセル制御量４３を示す指標を出力する。アクセル制御量４３としては、車両Ｖ１のアクセルペダルに対する操作量、スロットル開度等が考えられる。
学習済の第２学習モデルＭ２は、第１情報４１が入力されると、車両Ｖ１のブレーキ制御量４４を示す指標を出力する。ブレーキ制御量４４としては、車両Ｖ１のブレーキペダルに対する操作量、マスタシリンダに発生するブレーキ圧等が考えられる。
学習済の第３学習モデルＭ３は、第１情報４１が入力されると、車両Ｖ１のステア制御量４５を示す指標を出力する。ステア制御量４５としては、車両Ｖ１のステアリングホイールに対する操作量、舵角等が考えられる。

（車両用サービス提供装置の機能）
車両用サービス提供装置１の制御部１０は、記憶部１１に記憶されているプログラムを実行することにより、情報取得部１０１、情報生成部１０２、サービス提供部１０３として機能する。

情報取得部１０１は、第１情報４１を取得する。具体的には、制御部１０は、例えば、車両Ｖ１、別装置および車両用サービス提供装置１に設けられたセンサから第１情報４１を取得し、それらの第１情報４１を記憶部１１のＲＭＡ等に一時記憶する。
情報生成部１０２は、第１情報４１から第２情報４２を生成する。具体的には、制御部１０は、学習済みの第１学習モデルＭ１、第２学習モデルＭ２および第３学習モデルＭ３に、情報取得部１０１により取得された第１情報４１をそれぞれ入力し、車両Ｖ１のアクセル制御量４３、ブレーキ制御量４４およびステア制御量４５を生成する。
サービス提供部１０３は、情報生成部１０２により生成された第２情報４２に基づくサービスを提供する。具体的には、制御部１０は、例えば、アクセル制御量４３、ブレーキ制御量４４およびステア制御量４５を表示部１４に表示させる。

（車両用サービス提供装置の作動）
図３は、車両用サービス提供装置１における処理の流れを示すフローチャートである。車両用サービス提供装置１の制御部１０は、図３に示す一連の処理を、所定の実行周期で繰り返し実行する。
Ｓ１０１において、制御部１０は、情報取得部１０１として機能し、第１情報４１を取得する。続くＳ１０２において、制御部１０は、情報生成部１０２として機能し、第２情報４２を生成する。続くＳ１０３において、制御部１０は、サービス提供部１０３として機能し、第２情報４２に基づくサービスを提供する。

（学習装置の構成）
図４は、車両用サービス提供装置１が用いる第１学習モデルＭ１、第２学習モデルＭ２および第３学習モデルＭ３を構築する際に用いられる学習装置３の一構成を示す図である。学習装置３は、制御部３０と、記憶部３１と、入出力インタフェース３２とを備えている。

制御部３０は、例えばＣＰＵであり、プログラムを記憶部３１から読み出して実行する。
記憶部３１は、例えばＨＤＤ、ＳＳＤ等を有し、制御部３０が実行するプログラムを記憶している。また、記憶部３１は、制御部１０がワークスペースとして使用するＲＡＭ等を有する。記憶部３１のＲＡＭ等は、構築途中の第１学習モデルＭ１、第２学習モデルＭ２および第３学習モデルＭ３等を一時記憶する。
入出力インタフェース３２は、例えば、ＵＳＢ端子、ＬＡＮ端子等である。教師データは、入出力インタフェース３２を介して、学習装置３に提供される。

（学習装置の機能）
学習装置３の制御部３０は、記憶部３１に記憶されているプログラムを実行することにより、教師データ取得部２０１及び学習部２０２として機能する。

図４に示す教師データ取得部２０１は、第１学習モデルＭ１、第２学習モデルＭ２および第３学習モデルＭ３の構築に用いる教師データを取得する。
具体的には、教師データを記憶部３１のＳＳＤ等に記憶しておく場合は、制御部３０は、記憶部３１に記憶されている教師データを、記憶部３１のＲＡＭ等に一時記憶する。
また、学習装置３に入出力インタフェース３２を介して接続されている外部機器の記憶部に教師データを記憶しておく場合は、制御部３０は、外部機器の記憶部に記憶されている教師データを学習装置３の記憶部３１のＲＡＭ等に一時記憶する。

教師データは、教師データ生成用の車両から取得した第１情報４１と、その第１情報４１を取得したタイミングにおける第２情報４２とのデータセットである。教師データ生成用の車両は、車両Ｖ１を製造する企業や、学習モデルを構築する企業が所有する車両であってもよいし、市場で販売された車両であってもよい。

学習部２０２は、教師データ取得部２０１により取得された教師データに基づいて、第１学習モデルＭ１、第２学習モデルＭ２および第３学習モデルＭ３のパラメータを更新する。具体的には、制御部３０は、教師データの第１情報４１を学習モデルに入力し、学習モデルから出力された指標と教師データの第２情報４２とを比較し、その結果に基づいて学習モデルのパラメータを更新する。

学習部２０２は、アクセル制御量４３を目的変数とする教師データを用いた機械学習により、第１学習モデルＭ１のパラメータを更新する。
学習部２０２は、ブレーキ制御量４４を目的変数とする教師データを用いた機械学習により、第２学習モデルＭ２のパラメータを更新する。
学習部２０２は、ステア制御量４５を目的変数とする教師データを用いた機械学習により、第３学習モデルＭ３のパラメータを更新する。

（学習装置の作動）
図５は、学習装置３における処理の流れを示すフローチャートである。学習装置３の制御部３０は、図５に示す一連の処理を、所定の実行周期で繰り返し実行する。
Ｓ２０１において、制御部３０は、教師データ取得部２０１として機能し、教師データを取得する。続くＳ２０２において、制御部３０は、学習部２０２として機能し、Ｓ２０１で取得した教師データに基づいて第１学習モデルＭ１、第２学習モデルＭ２および第３学習モデルＭ３のパラメータを更新する。

図６は、アクセル制御量４３に関する説明変数の説明に用いる図である。図６には、アクセル制御量４３が車速５４や加速度４６として車両Ｖ１の挙動に現れるまでの作用に関連する説明変数が図示されている。
アクセル制御量４３は、エンジン回転数５２と密接な関係がある。
したがって、第１学習モデルＭ１の説明変数に、車両状態６２としてのエンジン回転数パルス５１やエンジン回転数５２を含めることにより、アクセル制御量４３を精度よく推定することができる。

エンジン回転数５２は、下記の式２から明らかなように、タイヤ円周、デフ比８２、トランスミッションにおける変速比、及び車速５４と関係がある。
車速＝（エンジン回転数×タイヤ円周）／（変速比×デフ比）…（式２）
ここでタイヤ円周は、タイヤ径８３から算出可能である。変速比は、トランスミッションのギヤ比８０、ギヤ段８１等から導出可能である。
したがって、第１学習モデルＭ１の説明変数に、車両諸元６１としてのタイヤ径８３やトランスミッションのギヤ比８０やデフ比８２、車両状態６２としてのギヤ段８１や車速５４を含めることにより、アクセル制御量４３を精度よく推定することができる。

アクセル制御量４３は、エンジントルク８５と密接な関係がある。
エンジントルク８５は、下記の式３から明らかなように、内燃機関の燃焼時における燃焼室内の圧力（以下「燃焼室内圧力」という）、車両諸元６１に含まれるエンジンの排気量、及び単位時間当たりの爆発回数と関係がある。単位時間当たりの爆発回数は気筒数と関係がある。
エンジントルク＝燃焼室内圧力×排気量×爆発回数／２π …（式３）
したがって、第１学習モデルＭ１の説明変数に、内燃機関に関する車両諸元６１を含めることにより、アクセル制御量４３を精度よく推定することができる。

エンジントルク８５は、下記の式４から明らかなように、エンジンが出力している駆動力８６、トランスミッションにおける変速比、デフ比８２、及びタイヤ円周と関係がある。
駆動力＝エンジントルク×変速比×デフ比×伝達効率／タイヤ円周 …（式４）
前述したとおり、タイヤ円周はタイヤ径８３から算出可能であり、変速比はトランスミッションのギヤ比８０、ギヤ段８１等から導出可能である。
また、駆動力８６は、車両Ｖ１の加速度４６及び車両Ｖ１の重量８７と関連する。
したがって、第１学習モデルＭ１の説明変数に、車両諸元６１としてのタイヤ径８３やトランスミッションのギヤ比８０やデフ比８２、車両状態６２としての加速度４６やギヤ段８１や駆動力８６や実重量８７を含めることにより、アクセル制御量４３を精度よく推定することができる。

さらに、第１学習モデルＭ１の説明変数に、車両状態６２を加えることにより、様々な車両状態に起因する推定誤差を抑制することができる。

例えば、車両Ｖ１に荷物を積載したことにより、車両Ｖ１の重心位置８８が低くなると、車両Ｖ１のピッチ方向およびロール方向の角速度が減少する傾向がある。したがって、第１学習モデルＭ１の説明変数に、車両状態６２としての実重量８７を含めることにより、車両Ｖ１への荷物の積載に起因するアクセル制御量４３の推定誤差を抑制することができる。
また、車両Ｖ１が走行中の路面が坂道である場合、３軸加速度センサ１２により検出される前後方向の加速度には、重力加速度の前後方向成分の影響を受ける。したがって、第１学習モデルＭ１の説明変数に、車両Ｖ１が走行している路面の勾配を含めることにより、車両Ｖ１が走行中の路面が坂道であることに起因するアクセル制御量４３の推定誤差を抑制することができる。
また、車両Ｖ１が走行中の路面が凍結している場合、路面とタイヤの間で前後方向または左右方向にスリップが生じ、車両Ｖ１が適正に進まないことがある。したがって、第１学習モデルＭ１の説明変数に、車両Ｖ１が走行している路面の摩擦係数μ１を含めることにより、車両Ｖ１が走行中の路面が凍結していることに起因するアクセル制御量４３の推定誤差を抑制することができる。

その他、各種センサが車両Ｖ１挙動を検出するタイミングとその挙動が車両Ｖ１に発生した実際のタイミングとのずれは、適切な車両諸元６１や車両状態６２を説明変数に追加することで対応し得る。この場合、車両諸元６１として追加する説明変数としては、車両Ｖ１のサスペンションやタイヤの硬さ、センサの取り付け位置等が考えられる。車両状態６２として追加する説明変数としては、３軸加速度センサの出力５７、３軸角速度センサの出力５９、３軸加速度５８、３軸角速度６０等が考えられる。

図７は、制動装置に関する寸法を示す図である。図７には、制動装置９７のディスクロータ９７Ａ、ブレーキパッド９７Ｂ、およびキャリパ９７Ｃと、タイヤ９８と、路面９９とが図示されている。図７において、Ａはキャリパ９７Ｃのシリンダ面積を、ｒはブレーキ制動径を、Ｄはタイヤ９８の外径（タイヤ径）を示している。
図８は、ブレーキ制御量４４に関する説明変数の説明に用いる図である。図８には、ブレーキ制御量４４が減速度４７として車両Ｖ１の挙動に現れるまでの作用に関連する説明変数が図示されている。

ブレーキパッド９７Ｂをディスクロータ９７Ａに押し当てる押圧力８９は、ブレーキ制御量４４及びフルード温度８４と関係がある。ブレーキパッド９７Ｂとディスクロータ９７Ａとの間に生じる摩擦力は、ブレーキパッド９７Ｂをディスクロータ９７Ａに押し付ける押圧力８９、ブレーキパッド９７Ｂのパッド温度９０及びディスクロータ９７Ａのロータ温度９１と関係がある。

タイヤ９８と路面９９との間の制動力Ｆは、下記の式５から算出することができる。
制動力Ｆ＝定数Ｋ×キャリパ９７Ｃのシリンダ面積Ａ×ブレーキパッド９７Ｂの摩擦係数μ２×ブレーキ油圧Ｐ×ブレーキ制動径ｒ／タイヤ径Ｄ …（式５）
制動力Ｆ（９２）は、上記の式５から明らかなように、ブレーキパッド９７Ｂとディスクロータ９７Ａの摩擦係数μ２、及びタイヤ径Ｄ（８３）と関係がある。
したがって、第２学習モデルＭ２の説明変数に、車両諸元６１としてのタイヤ径８３、車両状態６２としての押圧力８９や摩擦係数μ２やフルード温度８４やパッド温度９０やロータ温度９１を含めることにより、ブレーキ制御量４４を精度よく推定することができる。

さらに、ブレーキパッド９７Ｂのパッド温度９０が所定温度を超えると、フェード現象が発生し、摩擦材の摩擦係数μ２が低下することが考えられる。したがって、第２学習モデルＭ２の説明変数に、車両状態６２としてのロータ温度９１を含めることにより、フェード現象に起因するブレーキ制御量４４の推定誤差を抑制することができる。

また、制動装置のフルード温度が所定温度を超えると、ベーパーロック現象が発生し得る。したがって、第２学習モデルＭ２の説明変数に、車両状態６２としてのフルード温度８４を含めることにより、ベーパーロック現象に起因するブレーキ制御量４４の推定誤差を抑制することができる。

図９は、ステア制御量４５に関する説明変数の説明に用いる図である。図９には、ステア制御量４５がヨーレイト４８として車両Ｖ１の挙動に現れるまでの作用に関連する説明変数が図示されている。

ステア制御量４５の一例である舵角は、下記の式６から明らかなように、ヨーレイト４８、車速５４、ホイールベース９５、及びスタビリティファクタ９６と関連する。
舵角＝ヨーレイト×ホイールベース×（１＋車速^２×スタビリティファクタ）／車速 …（式６）
ここで、ヨーレイト４８とは、ヨー方向の角速度である。ホイールベース９５とは、車両Ｖ１の前輪と後輪の車軸間の長さである。スタビリティファクタ９６とは、車両Ｖ１の旋回特性を表す値である。

スタビリティファクタ９６は、車両Ｖ１の重量８７と、車両Ｖ１の重心点から前輪中心までの距離と、車両Ｖ１の重心点から後輪中心までの距離と、前輪のコーナリングパワーと、後輪のコーナリングパワーとから算出することができる。車両Ｖ１の重心点から前輪中心までの距離と、車両Ｖ１の重心点から後輪中心までの距離とは、車両Ｖ１のホイールベース９５と車両Ｖ１の重心位置８８とから算出することができる。

したがって、第３学習モデルＭ３の説明変数に、車両諸元６１としての重量８７や、重心位置８８や、ホイールベース９５や、コーナリングパワー、車両状態としての３軸角速度センサ１３の出力５７や、３軸角速度６０や、車速パルス５３や、車速５４を含めることにより、ステア制御量４５の推定精度を向上させることができる。

（変形例）
上記実施形態では、車両用サービス提供装置１は、デジタルタコメータであるものとして説明した。しかし、車両用サービス提供装置１は、デジタルタコメータだけに限定されない。車両用サービス提供装置１は、例えば、スマートフォンなどの移動体通信機であってもよい。車両用サービス提供装置１が移動体通信機である場合、車両用サービス提供装置１は、エンジン回転数パルス５１、エンジン回転数５２、車速パルス５３、車速５４に関する第１情報を、デジタルタコメータから取得することにしてもよい。この場合、車両用サービス提供装置１が移動体通信機２を兼ねることにしてもよい。

上記実施形態では、車両用サービス提供装置１は、移動体通信機２からＧＰＳ信号５５を取得するものとした。しかし、車両用サービス提供装置１は、ＧＰＳ信号受信部２２と実質的に同一のＧＰＳ信号受信部を備え、その受信部で受信した信号をＧＰＳ信号５５にすることにしもよいし、車両Ｖ１のナビゲーションシステムからＧＰＳ信号５５またはＧＰＳ信号５５から生成された情報を取得することにしてもよい。

上記実施形態では、第１情報４１に、車両Ｖ１から取得された情報と、車両Ｖ１とは別の装置から取得された情報と、車両用サービス提供装置１に設けられたセンサから取得された情報とを含めることにした。しかし、車両Ｖ１から取得された情報と、車両Ｖ１とは別の装置から取得された情報と、車両用サービス提供装置１に設けられたセンサから取得された情報の少なくとも一つを、第１情報４１に含めることにしてもよい。

上記実施形態では、第２情報４２に、車両Ｖ１のアクセル制御量４３と、ブレーキ制御量４４と、ステア制御量４５とを含めることにした。しかし、車両Ｖ１のアクセル制御量４３と、ブレーキ制御量４４と、ステア制御量４５との少なくとも一つを、第２情報４２含めることにしてもよい。

上記実施形態では、学習済みの第１学習モデルＭ１、第２学習モデルＭ２および第３学習モデルＭ３を、車両用サービス提供装置１の記憶部１１に記憶することにした。しかし、上記学習済の学習モデルを別装置の記憶部に記憶することにしてもよい。別装置としては、例えば学習装置３が考えられる。この場合、車両用サービス提供装置１の情報生成部１０２が、学習装置３の記憶部３１に記憶されている上記学習済の学習モデルに第１情報４１を入力し、当該学習モデルから出力された指標や当該指標に基づく制御量を学習装置３から取得することが考えられる。

上記実施形態では、学習済みの第１学習モデルＭ１、第２学習モデルＭ２および第３学習モデルＭ３を、学習装置３により構築することにした。しかし、学習装置３が構築する学習モデルは、第１情報４１から第２情報４２を推定する学習モデルであればよく、第１学習モデルＭ１、第２学習モデルＭ２および第３学習モデルＭ３のうちの少なくとも一つであってもよいし、第１学習モデルＭ１、第２学習モデルＭ２および第３学習モデルＭ３以外の学習モデルであってもよい。

上記実施形態では、第１学習モデルＭ１、第２学習モデルＭ２および第３学習モデルＭ３を用いて、第２情報４２を生成することにした。しかし、第２情報４２の推定に用いる学習モデルは、第１情報４１から第２情報を推定する学習モデルであればよく、第１学習モデルＭ１、第２学習モデルＭ２および第３学習モデルＭ３のうちの少なくとも一つであってもよいし、第１学習モデルＭ１、第２学習モデルＭ２および第３学習モデルＭ３以外の学習モデルであってもよい。

上記実施形態では、第１学習モデルＭ１、第２学習モデルＭ２および第３学習モデルＭ３の学習モデルを、再帰ニューラルネットワークやアンサンブルモデルであることにした。しかし、第１学習モデルＭ１、第２学習モデルＭ２および第３学習モデルＭ３の学習モデルは、これらの学習モデルに限定されない。
また、再帰ニューラルネットワークとしてＬＳＴＭを例示したが、再帰ニューラルネットワークはこれに限定されない。また、アンサンブルモデルとしてＸＧＢｏｏｓｔを例示したが、アンサンブルモデルはこれに限定されない。

上記実施形態の中で第１情報４１に含まれるものとして列挙した車両諸元６１および車両状態６２は、あくまで例示であって、例示したものすべてを含むことを要さず、また、例示したもの以外の情報を含むことにしてもよい。

〔まとめ〕
本開示の一態様に係る車両用サービス提供装置は、車両に配置され、前記車両及び前記車両とは別の装置の少なくとも一方から取得可能な第１情報を取得する情報取得部と、前記第１情報に含まれない第２情報であって前記車両の制御量を示す第２情報を前記第１情報から推定する機械学習を行った学習済モデルに、前記情報取得部により取得された前記第１情報を入力し、当該学習済モデルから出力された指標に基づいて、前記第２情報を生成する情報生成部と、前記情報生成部より生成された前記第２情報に基づくサービスを提供するサービス提供部と、を備えている。

本開示の一態様に係る車両用サービス提供装置によれば、車両や車両とは別の装置から取得可能な第１情報から車両や車両とは別の装置から取得不能な第２情報を、車両や車両とは別の装置から取得可能な第１情報から生成し、その第２情報に基づくサービスを提供することができる。これにより、車両用サービス提供装置により提供されるサービスの質を向上することができる。
ここで、様々な第１情報から第２情報を生成するアルゴリズムをルールベースで作成すると、そのアルゴリズムは複雑なものになる。この点、本開示の一態様に係る車両用サービス提供装置では、学習済モデルを活用して第２情報を生成するため、サービスの質を向上する車両用サービス提供装置を簡素化することができる。

本開示の一態様に係る車両用サービス提供装置は、車両に配置され、所定の物理量を検出するセンサと、前記センサから第１情報を取得する情報取得部と、前記第１情報に含まれない第２情報であって前記車両の制御量を示す第２情報を前記第１情報から推定する機械学習を行った学習済モデルに、前記情報取得部により取得された前記第１情報を入力し、当該学習済モデルから出力された指標に基づいて、前記第２情報を生成する情報生成部と、前記情報生成部より生成された前記第２情報に基づくサービスを提供するサービス提供部と、を備えている。

本開示の一態様に係る車両用サービス提供装置によれば、所定の物理量を検出するセンサから取得した第１情報から第１情報に含まれない第２情報を生成し、その第２情報に基づくサービスが提供することができる。これにより、車両用サービス提供装置により提供されるサービスの質を向上することができる。
ここで、様々な第１情報から第２情報を生成するアルゴリズムをルールベースで作成すると、そのアルゴリズムは複雑なものになる。この点、本開示の一態様に係る車両用サービス提供装置では、学習済モデルを活用して第２情報を生成するため、サービスの質を向上する車両用サービス提供装置を簡素化することができる。

本開示の一態様に係る車両用サービス提供装置では、前記学習済モデルは、車両諸元に関する情報を含む前記第１情報から前記第２情報を推定するものであり、前記情報取得部は、前記車両の車両諸元に関する情報を、前記第１情報として取得し、前記情報生成部は、前記車両についての車両諸元に関する情報を含む前記第１情報を前記学習済モデルに入力して、前記第２情報を生成する。
本開示の一態様に係る車両用サービス提供装置では、車両の諸元に関する情報を含む第１情報が学習済モデルに入力され、当該学習済モデルから出力された指標に基づいて第２情報が生成される。本開示の一態様に係る車両用サービス提供装置によれば、第２情報の生成に車両の諸元が加味されるため、新規車両が市場に投入されたとしても、新規車両用の学習モデルを新たに構築する必要がない。

本開示の一態様に係る車両用サービス提供装置では、前記学習済モデルは、車両状態に関する情報を含む前記第１情報から前記第２情報を推定するものであり、前記情報取得部は、前記車両の車両状態に関する情報を、前記第１情報として取得し、前記情報生成部は、前記車両の車両状態に関する情報を含む前記第１情報を前記学習済モデルに入力して、前記第２情報を生成する。
本開示の一態様に係る車両用サービス提供装置では、車両の車両状態に関する情報を含む第１情報が学習済モデルに入力され、当該学習済モデルから出力された指標に基づいて第２情報が生成される。本開示の一態様に係る車両用サービス提供装置によれば、第２情報の生成に車両状態が加味されるため、より適正な第２情報を生成することができる。

学習装置は、第１情報と、前記第１情報に含まれない第２情報であって前記車両の制御量を示す第２情報とを含む教師データとを取得する教師データ取得部と、前記教師データ取得部により取得された前記第１情報を説明変数とし、前記教師データ取得部により取得された前記第２情報を目的変数とする機械学習により、前記第１情報から前記第２情報を推定する学習済みモデルを構築する学習部と、を備えている。

本開示は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本開示の技術的範囲に含まれる。

１ 車両用サービス提供装置
２ 移動体通信機
３ 学習装置
１０、３０ 制御部
１１、３１ 記憶部
１２ ３軸加速度センサ
１３ ３軸角速度センサ
２２ ＧＰＳ信号受信部
２９ ＧＰＳ衛星
４１ 第１情報
４２ 第２情報
４３ アクセル制御量
４４ ブレーキ制御量
４５ ステア制御量
６１ 車両諸元
６２ 車両状態
１０１ 情報取得部
１０２ 情報生成部
１０３ サービス提供部
２０１ 教師データ取得部
２０２ 学習部
Ｍ１ 第１学習モデル
Ｍ２ 第２学習モデル
Ｍ３ 第３学習モデル

Claims (4)

1. 車両に配置され、前記車両に関するサービスを提供する車両用サービス提供装置において、
   前記車両及び前記車両とは別の装置の少なくとも一方から取得可能な第１情報を取得する情報取得部と、
   前記第１情報に含まれない第２情報であって前記車両の制御量を示す第２情報を前記第１情報から推定する機械学習を行った学習済モデルに、前記情報取得部により取得された前記第１情報を入力し、当該学習済モデルから出力された指標に基づいて、前記第２情報を生成する情報生成部と、
   前記情報生成部より生成された前記第２情報に基づくサービスを提供するサービス提供部と、
   を備えていることを特徴とする車両用サービス提供装置。
2. 車両に配置され、前記車両に関するサービスを提供する車両用サービス提供装置において、
   所定の物理量を検出するセンサと、
   前記センサから第１情報を取得する情報取得部と、
   前記第１情報に含まれない第２情報であって前記車両の制御量を示す第２情報を前記第１情報から推定する機械学習を行った学習済モデルに、前記情報取得部により取得された前記第１情報を入力し、当該学習済モデルから出力された指標に基づいて、前記第２情報を生成する情報生成部と、
   前記情報生成部より生成された前記第２情報に基づくサービスを提供するサービス提供部と、
   を備えていることを特徴とする車両用サービス提供装置。
3. 前記学習済モデルは、前記車両の車両諸元に関する情報を含む前記第１情報から前記第２情報を推定するものであり、
   前記情報取得部は、前記車両の車両諸元に関する情報を、前記第１情報として取得し、
   前記情報生成部は、前記車両についての車両諸元に関する情報を含む前記第１情報を前記学習済モデルに入力して、前記第２情報を生成することを特徴とする請求項１または２に記載の車両用サービス提供装置。
4. 前記学習済モデルは、前記車両の車両状態に関する情報を含む前記第１情報から前記第２情報を推定する機械学習を行うことにより構築され、
   前記情報取得部は、前記車両の車両状態に関する情報を、前記第１情報として取得し、
   前記情報生成部は、前記車両についての車両状態に関する情報を含む前記第１情報を前記学習済モデルに入力して、前記第２情報を生成することを特徴とする請求項１または２に記載の車両用サービス提供装置。

Images