JP2966242B2 - 車両の駆動力制御装置 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は、車両の加速度が運転
者の要求する加速度となるように駆動力を制御する車両
の駆動力制御装置に関するものである。

【０００２】

【従来の技術】一般に、車両に対しては、様々な環境条
件の下での走行が要求されると共に、個々の運転者によ
る種々の運転操作がなされる。そして、車両の挙動につ
いては、運転者の意図する応答性と円滑性が要求され
る。従来より、車両の駆動力に関わる挙動については、
例えば内燃機関を搭載した車両において、運転者による
アクセルペダルの踏込量に応じて制御が行われることが
知られている。

【０００３】例えば、特開平１−２９４９２５号公報に
開示された技術では、運転者によるアクセルペダルの踏
込量（アクセル開度）とそのときの車速から、運転者の
意図する目標加速度が推定される。そして、その推定さ
れた目標加速度と実際の加速度との偏差が求められ、そ
の求められた偏差の大きさに基づいてスロットルバルブ
の開度が補正されることにより、実際の加速度が目標加
速度と一致するように制御される。

【０００４】しかしながら、上記の従来技術では、推定
されるべき目標加速度がアクセル開度と車速との関係か
ら、予めマップにより一律に定められているだけであ
る。従って、そのマップにおける目標加速度の設定が運
転者の特性に合ったものとは限らず、車両の駆動力を個
々の運転者の特性に合致させて好適に制御することは困
難であった。しかも、運転者が同一の場合でも、目標加
速度を推定するためのマップが常に同一なものであるこ
とから、運転者の意識状態や運転環境等が変わった場合
には、運転者の満足する目標加速度が得られなくなり、
車両の運転性能が悪化するおそれがあった。

【０００５】そこで、上記の不具合に対処すると共に、
制御装置におけるメモリの効率的利用や、目標加速度の
算出遅れ防止等を狙った技術が、本願出願人により特開
平４−３１４９４０号に開示されている。この開示技術
では、内燃機関を搭載した車両において、リンクレスタ
イプのスロットルバルブの開度が、運転者によるアクセ
ルペダルの踏込量（アクセルストローク）に応じて制御
される。ここで、アクセルストロークに対応した目標加
速度を決定するためのデータがマップとして予めバック
アップＲＡＭに記憶されている。そして、実際の加速度
がマップより決定される目標加速度となるように、スロ
ットルバルブの開度が制御され、もって車両の駆動力が
制御されるようになっている。又、この開示技術では、
アクセルストロークの変化と実際の加速度が運転者の加
速度要求度合いの変化として検知され、その検知された
加速度要求度合いと、上記のマップより決定される目標
加速度との偏差が最小となるように、マップのデータが
修正されてバックアップＲＡＭに記憶し直される。数学
的には、目標加速度に関する補正（修正）が上記の偏差
に応じてなされることにより、マップの書き替えが行わ
れている。つまり、アクセルストロークに対応する目標
加速度のデータが学習されるのである。

【０００６】従って、上記のように目標加速度のデータ
が、運転者の加速度要求度合いに合致するように学習さ
れることから、常に運転者の特性に合った目標加速度が
決定される。その結果、運転者の意識状態や運転環境に
関係なく常に運転者の特性に合った駆動力が得られる。

【０００７】

【発明が解決しようとする課題】ところが、前記後者の
開示技術では、目標加速度のデータの学習としては、単
にデータが補正（修正）されてマップの書き替えが行わ
れるだけであった。そして、マップの書き替えについて
は、その時々でアクセルストロークのある点、或いはあ
る範囲についてのみ、目標加速度のデータが学習される
だけであった。例えば、定常走行の運転領域では、それ
に対応したアクセルストロークの範囲についてのみ目標
加速度のデータが学習されるだけであった。或いは、急
加速走行の運転領域では、それに対応したアクセルスト
ロークの範囲についてのみ目標加速度のデータが学習さ
れるだけであった。従って、特定の運転領域についての
み目標加速度が補正（修正）されるだけとなり、書き替
えられたマップに領域的な偏りが生じることになる。つ
まり、アクセルストロークの特定範囲に関して目標加速
度に関する補正（修正）が行われても、その補正（修
正）がアクセルストロークの他の範囲に反映されること
がない。その結果、書き替えられたマップで、アクセル
ストロークに対する目標加速度の関係が部分的に不連続
となり、車両の駆動力の制御がアクセルストロークの変
化に対して部分的に不連続なものとなるおそれがあっ
た。

【０００８】この発明は前述した事情に鑑みてなされた
ものであって、その目的は、運転者の意識状態や運転環
境にかかわりなく常に運転者の特性に合った駆動力の制
御を行うことが可能で、しかもその駆動力の制御を運転
者によるアクセルペダル等の操作量の全範囲に渡って連
続的なものとすることの可能な車両の駆動力制御装置を
提供することにある。

【０００９】

【課題を解決するための手段】上記の目的を達成するた
めに、この発明においては、図１に示すように、車両Ｍ
１に搭載された駆動源Ｍ２の制御量を変更するための制
御量変更手段Ｍ３と、駆動源Ｍ２の出力を任意に制御す
るために運転者により操作される出力操作手段Ｍ４と、
その出力操作手段Ｍ４の操作量を検出するための操作量
検出手段Ｍ５とを備え、操作量検出手段Ｍ５の検出結果
に応じて制御量変更手段Ｍ３を駆動させることにより駆
動源Ｍ２の出力を制御して車両Ｍ１の駆動力を制御する
ようにした車両の駆動力制御装置において、車両Ｍ１の
加速度を検出するための加速度検出手段Ｍ６と、車両Ｍ
１の速度を検出するための速度検出手段Ｍ７と、加速度
検出手段Ｍ６の検出により得られる加速度を比較すべき
教師データとして、その教師データと当該手段Ｍ８の出
力との偏差を誤差信号とし、その誤差分が小さくなるよ
うに、出力操作手段Ｍ４の操作量及び速度検出手段Ｍ７
の検出により得られる速度に対する車両Ｍ１の加速度の
関係を、運転者の要求する加速度モデルとして学習する
ための要求加速度モデル学習手段Ｍ８と、加速度検出手
段Ｍ６の検出により得られる加速度と要求加速度モデル
学習手段Ｍ８により学習される加速度モデルの出力との
偏差を誤差信号として、その誤差分が小さくなるよう
に、出力操作手段Ｍ４の操作量及び速度検出手段Ｍ７の
検出により得られる速度に対する駆動源Ｍ２の制御量の
関係を、制御量感度モデルとして学習するための制御量
感度モデル学習手段Ｍ９と、その制御量感度モデル学習
手段Ｍ９により学習される制御量感度モデルの出力を参
照データとして、その参照データに基づき操作量検出手
段Ｍ５により検出される操作量に応じて制御量変更手段
Ｍ３の駆動を制御する駆動制御手段Ｍ１０とを備えたこ
とを趣旨としている。

【００１０】

【作用】上記の構成によれば、図１に示すように、加速
度検出手段Ｍ６の検出により得られる加速度は、要求加
速度モデル学習手段Ｍ８において、比較すべき教師デー
タとして用いられる。つまり、車両Ｍ１の実際の加速度
が、運転者の要求する加速度として比較に用いられる。
そして、要求加速度モデル学習手段Ｍ８では、その教師
データと当該手段Ｍ８の出力との偏差が小さくなるよう
に、即ち、運転者の要求する加速度と要求加速度モデル
の出力との偏差が小さくなるように、出力操作手段Ｍ４
の操作量及び速度検出手段Ｍ７の検出により得られる速
度に対する車両Ｍ１の加速度の関係が、運転者の要求す
る加速度モデルとして学習される。又、制御量感度モデ
ル学習手段Ｍ９では、同じく加速度検出手段Ｍ６の検出
により得られる加速度と、上記のように学習される加速
度モデルの出力との偏差が誤差信号として用いられる。
そして、制御量感度モデル学習手段Ｍ９では、上記の誤
差信号の誤差分が小さくなるように、即ち、車両Ｍ１の
加速度と加速度モデルの出力との偏差が小さくなるよう
に、出力操作手段Ｍ４の操作量及び車両Ｍ１の速度に対
する駆動源Ｍ２の制御量の関係が、制御量感度モデルと
して学習される。そして、駆動制御手段Ｍ１０では、上
記のように学習される制御量感度モデルの出力が参照デ
ータとして用いられ、その参照データに基づき、運転者
の操作による出力操作手段Ｍ４の操作量に応じて制御量
変更手段Ｍ３の駆動が制御される。これにより、駆動源
Ｍ２の出力が制御され、もって車両Ｍ１の駆動力が制御
される。

【００１１】従って、この発明によれば、常に運転者の
要求に応じた加速度モデルが得られ、その加速度モデル
に対応して制御量感度モデルが得られる。そして、常に
運転者の要求に合った加速度をもって、駆動源Ｍ２の制
御量が制御される。又、この発明によれば、出力操作手
段Ｍ４の操作量及び車両Ｍ１の速度に対する車両Ｍ１の
加速度の関係の全体が連続的なモデルとして学習され、
出力操作手段Ｍ４の操作量及び車両Ｍ１の速度に対する
駆動源Ｍ２の制御量の関係の全体が連続的なモデルとし
て学習される。そのため、車両Ｍ１の速度の全範囲につ
いて、出力操作手段Ｍ４の操作量の全範囲に対する加速
度及び制御量の関係が部分的に不連続となることはな
い。

【００１２】

【実施例】

（第１実施例）以下、この発明における車両の駆動力制
御装置を具体化した第１実施例を図２〜図１０に基づい
て詳細に説明する。

【００１３】図２はこの実施例における車両の駆動力制
御装置を概略的に示す構成図である。車両１には駆動源
としてのガソリンエンジン（以下単に「エンジン」とい
う。）２が搭載されている。エンジン２は複数気筒の直
列型となっている。エンジン２の吸気通路３には外気が
取り込まれ、図示しないインジェクタから噴射される燃
料が供給される。そして、エンジン２の図示しない各燃
焼室には、吸気通路３を通じて外気と燃料との混合気が
取り込まれる。更に、各燃焼室に取り込まれた混合気
が、図示しない各点火プラグの作動により爆発・燃焼さ
れることにより、図示しないピストン及びクランクシャ
フト等が作動してエンジン２の出力が得られる。又、エ
ンジン２の各燃焼室で燃焼された後の既燃焼ガスは、排
気通路４を通じて外部へと排出される。

【００１４】この実施例で、車両１はフロントエンジン
・リヤドライブ方式（ＦＲ方式）のものであり、エンジ
ン２のクランクシャフトは、図示しないトランスミッシ
ョン、プロペラシャフト、ディファンレンシャルギヤ及
びドライブシャフト等を介して、駆動輪である左右一対
の後輪５に駆動連結されている。又、従動輪である左右
一対の前輪６は、運転席に設けられた図示しないステア
リングホイールの操作に連動する操舵輪となっている。

【００１５】この実施例において、吸気通路３の途中に
は、制御量変更手段を構成するリンクレスタイプのスロ
ットルバルブ７が設けられている。即ち、スロットルバ
ルブ７は、その近傍に設けられた直流モータ８に連結さ
れている。そして、直流モータ８の作動により、エンジ
ン２の制御量としてのスロットルバルブ７の開度、即ち
スロットル開度Ｔｈが制御される。これにより、吸気通
路３を通じてエンジン２の各燃焼室へ取り込まれる空気
量が調整され、この空気量の調整により、エンジン２の
出力が制御される。

【００１６】スロットルバルブ７の近傍には、スロット
ルセンサ９が設けられている。このスロットルセンサ９
では、スロットル開度Ｔｈが検出され、それに応じた信
号が出力される。又、車両１の運転席には、出力操作手
段としてのアクセルペダル１０が設けられている。この
アクセルベダル１０は、エンジン２の出力を任意に制御
するために、運転者ＤＲにより操作されるものである。
又、アクセルペダル１０の近傍には、操作量検出手段と
してのアクセルセンサ１１が設けられている。このアク
セルセンサ１１では、アクセルペダル１０の操作量、即
ちアクセルストロークＳが検出され、それに応じた信号
が出力される。更に、車両１のほぼ中央には、加速度検
出手段を構成する周知の加速度センサ１２が設けられて
いる。この加速度センサ１２では、車両１の前後方向の
加速度Ｇが検出され、それに応じた信号が出力される。
加えて、前輪６には速度検出手段を構成する周知の車速
センサ１３が設けられている。この車速センサ１３で
は、前輪６の回転数に応じて車両１の速度、即ち車速Ｖ
が検出され、それに応じた信号が出力される。

【００１７】そして、この実施例では、スロットルバル
ブ７を運転者ＤＲの要求に応じて好適に開閉制御するた
めに、スロットルコンピュータ２１及びニューロコンピ
ュータ２２が設けられている。スロットルコンピュータ
２１は駆動制御手段を構成しており、スロットルコンピ
ュータ２１には、直流モータ８及びスロットルセンサ９
がそれぞれ電気的に接続されている。又、ニューロコン
ピュータ２２は要求加速度モデル学習手段及び制御量感
度モデル学習手段を構成しており、ニューラルネットワ
ークの技術を適用して構成されている。このニューロコ
ンピュータ２２には、アクセルセンサ１１、加速度セン
サ１２及び車速センサ１３がそれぞれ電気的に接続され
ている。又、ニューロコンピュータ２２とスロットルコ
ンピュータ２１とは互いに電気的に接続されている。

【００１８】図３はスロットルコンピュータ２１及びニ
ューロコンピュータ２２の電気的構成を示すブロック図
である。ニューロコンピュータ２２は、中央処理装置
（ＣＰＵ）２３、所定の学習制御プログラム等を予め記
憶した読み出し専用メモリ（ＲＯＭ）２４、ＣＰＵ２３
の演算結果等を一時記憶するランダムアクセスメモリ
（ＲＡＭ）２５、予め記憶されたデータを保存するバッ
クアップＲＡＭ２６等を備えている。そして、ニューロ
コンピュータ２２は、それら各部２３〜２６と外部入出
力回路２７等がバス２８によって接続された論理演算回
路として構成されている。外部入出力回路２７には、前
述したアクセルセンサ１１及び車速センサ１３がそれぞ
れ接続されている。又、外部入出力回路２７には、ロー
パスフィルタ２９を介して加速度センサ１２が接続され
ている。このローパスフィルタ２９は、加速度センサ１
２の検出信号のうち、基準となる所定の遮断周波数より
低い周波数の信号は自由に通し、高い周波数には大きな
減衰を与えるようになっている。併せて、外部入出力回
路２７には、前記したスロットルコンピュータ２１が接
続されている。又、ＲＯＭ２４には、ニューラルネット
ワーク技術を利用した学習制御プログラム等が予め記憶
されている。

【００１９】そして、ＣＰＵ２３は、外部入出力回路２
７等を介して入力される各センサ１１〜１３からの各種
信号を入力値として読み込む。ＣＰＵ２３は、それら入
力値に基づき、ＲＯＭ２４に記憶されている学習制御プ
ログラムに従い、運転者ＤＲの要求する「要求加速度モ
デル」と、それに応じた制御量感度モデルとしての「ス
ロットル感度モデル」の学習制御を実行する。そして、
ＣＰＵ２３はその学習結果を外部入出力回路２７を介し
てスロットルコンピュータ２１へ出力する。

【００２０】一方、スロットルコンピュータ２１はニュ
ーロコンピュータ２２と基本的に同じ構成をなしてお
り、ＣＰＵ３０、ＲＯＭ３１、ＲＡＭ３２、バックアッ
プＲＡＭ３３、外部入出力回路３４及びバス３５等によ
って構成されている。外部入出力回路３４には、前述し
た直流モータ８、スロットルセンサ９及びニューロコン
ピュータ２２がそれぞれ接続されている。又、ＲＯＭ３
１には、ニューロコンピュータ２２の学習結果に基づい
てスロットルバルブ７の開閉を制御するためのスロット
ル開度制御プログラムが予め記憶されている。

【００２１】そして、ＣＰＵ３０は、ニューロコンピュ
ータ２２から外部入出力回路３４を介して入力される学
習結果のデータを入力値として読み込む。又、ＣＰＵ３
０は、スロットルセンサ９からの信号を入力値として読
み込む。又、ＣＰＵ３０は、それら入力値に基づき、Ｒ
ＯＭ３１に記憶されているスロットル開度制御プログラ
ムに従い直流モータ８を好適に制御する。

【００２２】ここで、ニューロコンピュータ２２に適用
されているニューラルネットワーク技術の概念的な構成
を図４（ａ），（ｂ）に従って説明する。この実施例に
おけるニューラルネットワークは、図４（ａ），（ｂ）
に示すように、二つの多層型ニューラルネットワークを
備えている。各多層型ニューラルネットワークは、基本
的には同じ構成をなしており、２個のニューロンｎ１よ
りなる「入力層」と、２〜１０個のニューロンｎ２より
なる「中間層」と、１個のニューロンｎ３よりなる「出
力層」とを備えている。又、各層の間で各ニューロンｎ
１，ｎ２，ｎ３がシナプスｓｐにより結合されている。
各多層型ニューラルネットワークにおいて、信号は「入
力層」から「中間層」、「中間層」から「出力層」へ向
かって一方向へ流れる。各層のニューロンｎ１，ｎ２，
ｎ３では、前の層から受け取った信号に基づいて状態が
決定され、次の層へと信号が伝えられる。そして、各多
層型ニューラルネットワークの出力結果は、「出力層」
のニューロンｎ３の状態値として得られる。

【００２３】ここで、図４（ａ）に示す多層型ニューラ
ルネットワークは、「入力層」の各ニューロンｎ１に、
アクセルセンサ１１により検出されるアクセルストロー
クＳ、車速センサ１３により検出される車速Ｖがそれぞ
れ入力される。又、「出力層」のニューロンｎ３から得
られる出力、即ち要求加速度モデル出力Ｇｘは、加速度
センサ１２の検出により得られる車両１の加速度Ｇを
「教師データ」として、その「教師データ」と比較され
る。そして、その比較による加速度偏差ΔＧ（＝Ｇ−Ｇ
ｘ）を「誤差信号」とし、その誤差分が小さくなる方向
へ全てのニューロンｎ１，ｎ２，ｎ３のシナプスｓｐの
「重み係数」が修正される。つまり、車両１の加速度Ｇ
を運転者ＤＲの要求する加速度とし、その加速度Ｇを比
較すべき「教師データ」としている。そして、その「教
師データ」との偏差が小さくなるように、アクセルスト
ロークＳ及び車速Ｖに対する加速度Ｇの関係が、運転者
ＤＲの要求する「要求加速度モデル」として学習され
る。そして、この多層型ニューラルネットワークの出力
結果は、要求加速度モデル出力Ｇｘとして得られる。即
ち、「要求加速度モデル」は図５に示すような特性とし
て、要求加速度モデル出力Ｇｘが加速度Ｇに近づく方向
に学習される。

【００２４】一方、図４（ｂ）に示す多層型ニューラル
ネットワークは、「入力層」の各ニューロンｎ１に、上
記と同じくアクセルストロークＳ、車速Ｖがそれぞれ入
力される。又、「出力層」のニューロンｎ３から得られ
る出力結果、即ちスロットル感度モデル出力Ｔｈｘは、
加速度Ｇと上記の要求加速度モデル出力Ｇｘとの間の加
速度偏差ΔＧを「誤差信号」として学習が行われ、全て
のニューロンｎ１，ｎ２，ｎ３のシナプスｓｐの「重み
係数」が修正される。つまり、加速度偏差ΔＧを「誤差
信号」とし、その誤差分が小さくなるように、アクセル
ストロークＳ及び車速Ｖに対するスロットル開度Ｔｈの
関係が、運転者ＤＲの要求する「スロットル感度モデ
ル」として学習される。そして、この多層型ニューラル
ネットワークの出力結果は、スロットル感度モデル出力
Ｔｈｘとして得られる。即ち、「スロットル感度モデ
ル」は図６に示すような特性として学習される。

【００２５】上記のようなニューラルネットワークの概
念的な構成は、あくまでも便宜的に説明されたものであ
り、ニューラルネットワークの実体は、ニューロコンピ
ュータ２２のＲＯＭ２４に予め記憶されている学習制御
プログラムにある。そして、ニューラルネットワーク
は、その学習制御プログラムにおける数学的な演算の上
に成り立っており、学習方法としては一般に知られてい
る「誤差逆伝搬学習アルゴリズム」が適用されている。
この実施例では、最終的には図７に示すような、アクセ
ルストロークＳに対するスロットル感度Ｔｈｇの関係の
特性を求めるために、学習制御プログラムが作成されて
いる。

【００２６】次に、ニューロコンピュータ２２におい
て、上記のようなニューラルネットワーク技術を用いて
実行される「要求加速度モデル」及び「スロットル感度
モデル」等の学習のための処理動作について説明する。
図８はニューロコンピュータ２２により実行される学習
制御プログラムの「学習制御ルーチン」を示すフローチ
ャートである。このルーチンの処理は開始された後、一
定の周期、例えば「０．１秒」の時間間隔をもって周期
的に実行される。

【００２７】このルーチンの処理が開始されると、ステ
ップ１０１において、アクセルセンサ１１、加速度セン
サ１２及び車速センサ１３からの各種信号に基づきアク
セルストロークＳ、加速度Ｇ及び車速Ｖをそれぞれ読み
込む。

【００２８】続いて、ステップ１０２において、「スロ
ットル感度モデル」を実行し、スロットル感度モデルＴ
ｈｘを求めてスロットル感度Ｔｈｇを決定する。即ち、
今回読み込まれたアクセルストロークＳと車速Ｖとを入
力値として、既に学習済の「スロットル感度モデル」の
特性（図６を参照）からスロットル感度モデル出力Ｔｈ
ｘを求め、以下の計算式（１）に従ってスロットル感度
Ｔｈｇを決定する。

【００２９】Ｔｈｇ＝α＋Ｔｈｘ＊Ｋ …（１） ここで、「α」は基準値であり、この実施例では「α＝
１．０」となっている。又、「Ｋ」は正の定数である。

【００３０】そして、ステップ１０３において、今回決
定されたスロットル感度ＴｈｇとアクセルストロークＳ
とをスロットルコンピュータ２１へ出力する。或いは、
スロットル感度ＴｈｇとアクセルストロークＳとの積、
即ち目標スロットル開度Ｔｈｇ・Ｓを求め、その目標ス
ロットル開度Ｔｈｇ・Ｓをスロットルコンピュータ２１
へ出力する。

【００３１】次に、ステップ１０４において、車両１の
加速度Ｇを「教師データ」として、運転者ＤＲの要求す
る「要求加速度モデル」の学習を実行する。つまり、加
速度センサ１２により検出される車両１の加速度Ｇを比
較すべき「教師データ」として、その「教師データ」と
の偏差が小さくなるように、アクセルストロークＳ及び
車速Ｖに対する加速度Ｇの関係を、運転者ＤＲの要求す
る「要求加速度モデル」として学習するのである。

【００３２】例えば、図５に実線で示す曲線が現在の
「要求加速度モデル」の特性であるとする。そして、運
転者ＤＲが現在より速く走るためにアクセルペダル１０
を操作して、車両１の加速度Ｇが現在の要求加速度モデ
ル出力Ｇｘよりも大きくなったとする。このときの加速
度Ｇが新しい要求加速度であり、「要求加速度モデル」
は図５に実線で示す曲線が破線で示す曲線のような特性
へと更新される。即ち、アクセルストロークＳ及び車速
Ｖに対する要求加速度モデル出力Ｇｘの関係の全体が連
続的なモデルとして学習される。そして、この特性は部
分的に不連続となることはない。

【００３３】尚、図５には車速Ｖが「０」のときの特性
が示されているが、「要求加速度モデル」では、アクセ
ルストロークＳの全範囲及び車速Ｖの全範囲と車両１の
加速度Ｇとの関係が学習されている。

【００３４】そして、ステップ１０５においては、加速
度Ｇと上記の要求加速度モデル出力Ｇｘとの間の加速度
偏差ΔＧを求め、その加速度偏差ΔＧを「誤差信号」と
して、「スロットル感度モデル」の学習を実行する。つ
まり、加速度偏差ΔＧを「誤差信号」として、その誤差
分が小さくなるように、アクセルストロークＳ及び車速
Ｖに対するスロットル開度Ｔｈの関係を、「スロットル
感度モデル」として学習するのである。

【００３５】例えば、図６に実線で示す直線を「スロッ
トル感度モデル」の初期値であるとする。そして、運転
者ＤＲが現在より速く走るためにアクセルペダル１０を
操作すると、車両１の加速度Ｇが大きくなり、要求加速
度モデル出力Ｇｘとの間で差が発生し、そのときの加速
度偏差ΔＧが求められる。そして、その加速度偏差ΔＧ
を「誤差信号」とし、その誤差分が小さくなるように学
習が行われると、そのときのスロットル感度モデル出力
Ｔｈｘが新しいスロットル感度モデル出力Ｔｈｘであ
り、「スロットル感度モデル」は図６に実線で示す初期
値から破線で示す曲線のような特性へと更新される。即
ち、アクセルストロークＳ及び車速Ｖに対するスロット
ル感度モデル出力Ｔｈｘの関係の全体が連続的なモデル
として学習される。そして、この特性は部分的に不連続
となることはない。

【００３６】その後、ステップ１０５の処理を実行した
後、その後の処理を一旦終了し、処理開始から「０．１
秒」を経過すると、処理は再びステップ１０１から開始
される。

【００３７】このようにして、ニューラルネットワーク
の技術を用いた学習制御の処理が実行され、運転者ＤＲ
の要求する「要求加速度モデル」及び「スロットル感度
モデル」の特性がそれぞれ学習される。ここでは、その
時々に学習される「要求加速度モデル」及び「スロット
ル感度モデル」の特性としてのシナプスｓｐの「重み係
数」が、バックアップＲＡＭ２６に書き替えられて記憶
される。

【００３８】尚、車両１の工場出荷時における上記の
「重み係数」の初期値は、次のように決定される。先
ず、要求加速度モデルは、車両１が複数の運転者ＤＲに
より運転されたときの加速度Ｇが「教師データ」として
学習され、その学習結果の平均的な特性が初期値とされ
る。そして、スロットル感度モデルの「重み係数」は、
そのスロットル感度モデル出力Ｔｈｘが「０」になるよ
うに学習される。

【００３９】次に、上記のような処理動作によって決定
されたスロットル感度Ｔｈｇとそのときのアクセルスト
ロークＳとに基づき、スロットルコンピュータ２１によ
り実行されるスロットル開度制御の処理動作について説
明する。図９はスロットルコンピュータ２１により実行
されるスロットル開度制御プログラムの「スロットル開
度制御ルーチン」を示すフローチャートである。このル
ーチンの処理は開始された後、所定の時間間隔をもって
周期的に実行される。

【００４０】このルーチンの処理が開始されると、先ず
ステップ２０１において、スロットルセンサ９からの信
号に基づきスロットル開度Ｔｈを読み込むと共に、ニュ
ーロコンピュータ２２から出力される最新のスロットル
感度ＴｈｇとアクセルストロークＳ、或いは目標スロッ
トル開度Ｔｈｇ・Ｓを読み込む。ここで、スロットル感
度ＴｈｇとアクセルストロークＳとの読み込みが前提で
ある場合には、同ステップ２０１において、両者Ｔｈ
ｇ，Ｓの積が目標スロットル開度Ｔｈｇ・Ｓとして求め
られる。

【００４１】続いて、ステップ２０２において、現在の
スロットル開度Ｔｈが目標スロットル開度Ｔｈｇ・Ｓよ
りも小さいか否かを判断する。ここで、スロットル開度
Ｔｈが目標スロットル開度Ｔｈｇ・Ｓよりも小さい場合
には、ステップ２０３において、スロットルバルブ７を
開方向へ駆動させるように直流モータ８を正転させる。
又、ステップ２０４において、スロットルセンサ９から
の信号に基づきスロットル開度Ｔｈを読み込む。

【００４２】その後、ステップ２０５において、スロッ
トル開度Ｔｈが目標スロットル開度Ｔｈｇ・Ｓよりも小
さいか否かを判断する。ここで、スロットル開度Ｔｈが
目標スロットル開度Ｔｈｇ・Ｓよりも小さい場合には、
ステップ２０３へジャンプし、スロットルバルブ７を更
に開方向へ駆動させるために、ステップ２０３，２０
４，２０５の処理を繰り返す。これに対し、スロットル
開度Ｔｈが目標スロットル開度Ｔｈｇ・Ｓと等しいかそ
れよりも大きい場合には、スロットルバルブ７をそれ以
上開方向へ駆動させないものとして、その後の処理を一
旦終了する。

【００４３】一方、ステップ２０２において、現在のス
ロットル開度Ｔｈが目標スロットル開度Ｔｈｇ・Ｓより
も小さくない場合には、ステップ２０６へ移行して、ス
ロットル開度Ｔｈが目標スロットル開度Ｔｈｇ・Ｓより
も大きいか否かを判断する。ここで、スロットル開度Ｔ
ｈが目標スロットル開度Ｔｈｇ・Ｓよりも大きくない場
合、即ち「Ｔｈ≦Ｔｈｇ・Ｓ」の場合には、そのままそ
の後の処理を一旦終了する。

【００４４】又、ステップ２０６において、スロットル
開度Ｔｈが目標スロットル開度Ｔｈｇ・Ｓよりも大きい
場合には、ステップ２０７において、スロットルバルブ
７を閉方向へ駆動させるように直流モータ８を逆転させ
る。又、ステップ２０８において、スロットルセンサ９
からの信号に基づきスロットル開度Ｔｈを読み込む。

【００４５】その後、ステップ２０９において、スロッ
トル開度Ｔｈが目標スロットル開度Ｔｈｇ・Ｓよりも大
きいか否かを判断する。ここで、スロットル開度Ｔｈが
目標スロットル開度Ｔｈｇ・Ｓよりも大きい場合には、
ステップ２０７へジャンプし、スロットルバルブ７を更
に閉方向へ駆動させるために、ステップ２０７，２０
８，２０９の処理を繰り返す。これに対し、スロットル
開度Ｔｈがスロットル感度Ｔｈｇと等しいかそれよりも
小さい場合には、スロットルバルブ７をそれ以上閉方向
へ駆動させないものとして、その後の処理を一旦終了す
る。

【００４６】このように、スロットル開度Ｔｈが目標ス
ロットル開度Ｔｈｇ・Ｓに一致するように直流モータ８
の回転が制御され、それによって、スロットルバルブ７
が開閉制御される。これにより、エンジン２の出力が制
御され、その結果として車両１の駆動力が制御される。

【００４７】以上説明したように、この実施例では、車
両１の走りに対する運転者ＤＲの要求が、その時々の加
速度Ｇから「要求加速度モデル」として推定され、その
「要求加速度モデル」に基づき「スロットル感度モデ
ル」が変更されてスロットル感度Ｔｈｇが決定されてい
る。又、その決定されたスロットル感度Ｔｈｇとアクセ
ルストロークＳとの積から求められる目標スロットル開
度Ｔｈｇ・Ｓと、スロットル開度Ｔｈとが一致するよう
に、スロットルバルブ７が開閉制御されている。しか
も、常に運転者ＤＲの要求に応じた「要求加速度モデ
ル」が得られ、その「要求加速度モデル」に対応して、
「スロットル感度モデル」が得られる。そして、常に運
転者ＤＲの要求に合った加速度Ｇをもって、エンジン２
のスロットル開度Ｔｈが制御される。

【００４８】従って、車両１に対する運転者ＤＲの要求
加速度が大きいときには、スロットル感度Ｔｈｇが大き
くなる。そのため、同一の加速度Ｇを得るためのアクセ
ルストロークＳの変化範囲が狭くなり、アクセルペダル
１０の少ない操作によって大きな加速度Ｇを得ることが
できるようになり、車両１の加速性能が向上したように
運転者ＤＲに感じさせることができる。例えば、運転者
ＤＲの意識が急いだ状態であったり、車両１の運転環境
が渋滞のない高速道路であったりして、車両１を速く走
行させたいときには、アクセルペダル１０の少ない操作
によって大きな加速度Ｇを得ることができ、加速感を向
上させることができる。

【００４９】一方、車両１に対する運転者ＤＲの要求加
速度が小さいときには、スロットル感度Ｔｈｇが小さく
なる。そのため、同一の加速度Ｇを得るためのアクセル
ストロークＳの変化範囲が広くなり、アクセルペダル１
０の多い操作によって加速度Ｇを微妙に変化させること
ができるようになり、運転者ＤＲにとってアクセルペダ
ル１０の操作性能を向上させることができる。例えば、
運転者ＤＲの意識がのんびりした状態であったり、車両
１の運転環境が渋滞路や雪道等であったりして、車両１
をゆっくりと走行させたいときには、アクセルペダル１
０の多い操作によって加速度Ｇを微妙に変えることがで
き、車両１の操作感を向上させることができる。

【００５０】つまり、この実施例では、運転者ＤＲの加
速度に対する要求度合いに合致するように学習が行われ
ることから、常に運転者ＤＲの特性に合ったスロットル
感度Ｔｈｇが決定される。その結果、運転者ＤＲの意識
状態（急いでいる、のんびりしている等）や運転環境
（路面状態、昼間・夜間、トンネル内、雨中路、雪道、
山間路、渋滞路等）にかかわりなく、車両１について、
常に運転者ＤＲの特性に合った駆動力の制御を行うこと
ができるのである。

【００５１】又、この実施例では、ニューロコンピュー
タ２２における学習制御に、ニューラルネットワーク技
術を用いたことから、アクセルストロークＳ及び車速Ｖ
に対する要求加速度モデル出力Ｇｘの関係の全体が連続
的なモデルとして学習され、その特性が部分的に不連続
となることはない。同じく、アクセルストロークＳ及び
車速Ｖに対するスロットル感度モデル出力Ｔｈｘの関係
の全体が連続的なモデルとして学習され、その特性が部
分的に不連続となることはない。これは、ニューラルネ
ットワークの技術を用いたことにより、アクセルストロ
ークＳ及び車速Ｖの不連続点の間で学習される「要求加
速度モデル」が補間されるためである。つまり、アクセ
ルストロークＳ及び車速Ｖのある特定な範囲について行
われる要求加速度モデル出力Ｇｘの修正が、アクセルス
トロークＳ及び車速Ｖの他の範囲に対応する要求加速度
モデル出力Ｇｘの修正にも反映される。又、アクセルス
トロークＳ及び車速Ｖのある特定な範囲について行われ
るスロットル感度モデル出力Ｔｈｘの修正が、アクセル
ストロークＳ及び車速Ｖの他の範囲に対応するスロット
ル感度モデル出力Ｔｈｘにも反映される。

【００５２】その結果、車速Ｖの全範囲について、車両
１の駆動力の制御が運転者ＤＲによるアクセルペダル１
０の操作量、即ちアクセルストロークＳの全操作範囲に
渡って連続的なものとすることができる。よって、運転
者ＤＲによりアクセルペダル１０が連続的に踏み込まれ
たときには、車両１の加速度Ｇが唐突に変化するような
ことがなく、車速Ｖの上昇を常に滑らかなものにするこ
とができる。

【００５３】更に、この実施例では、加速度Ｇから「要
求加速度モデル」を推定し、その「要求加速度モデル」
から「スロットル感度モデル」を変更するように学習が
行われることから、従来技術のような補正（修正）によ
ってマップの書き替えを行う場合と較べて、マップの補
完演算が不必要となり、演算時間を更に短くすることが
できる。

【００５４】加えて、この実施例では、ニューロコンピ
ュータ２２において、加速度センサ１２がローパスフィ
ルタ２９を介して外部入出力回路２７に接続されてい
る。そのため、車両１が凸凹路を走行しているときのハ
ーシュネスに起因して、加速度センサ１２での検出信号
にノイズが発生した場合には、そのノイズに相関する高
周波成分がローパスフィルタ２９で減衰される。即ち、
加速度センサ１２からの加速度Ｇの信号に、図１０
（ａ）に示すようにハーシュネスに起因する大きなノイ
ズが含まれていた場合でも、その信号がローパスフィル
タ２９を通過することにより、図１０（ｂ）に示すよう
なノイズの少ない加速度Ｇの信号に調整されることにな
る。

【００５５】その結果、ニューロコンピュータ２２で
は、学習のために用いられる加速度Ｇの信号を、ハーシ
ュネスに起因したノイズが除去されたものとすることが
できる。よって、「要求加速度モデル」及び「スロット
ル感度モデル」についての誤学習を未然に防止すること
ができ、延いてはスロットル感度Ｔｈｇが誤った方向へ
調整されることを未然に防止することができる。

【００５６】（第２実施例）次に、この発明における車
両の駆動力制御装置を具体化した第２実施例を図１１〜
図１３に従って説明する。尚、この実施例では、前記第
１実施例の構成と基本的に同じ部材については同一の符
号を付して説明を省略し、特に異なった点を中心に説明
する。

【００５７】図１１は車両の駆動力制御装置を概略的に
示す構成図である。この実施例では、前記第１実施例の
ニューロコンピュータ２２に代わってモデル学習コンピ
ュータ４１が設けられている。そして、そのモデル学習
コンピュータ４１により、要求加速度モデル学習手段及
び制御量感度モデル学習手段が構成されている。このモ
デル学習コンピュータ４１では、第１実施例におけるニ
ューラルネットワークの技術に代わって、マップを用い
た学習（更新）及び実行（読み出し）の新たな方法が採
用されている。

【００５８】この実施例において、スロットルコンピュ
ータ２１及びモデル学習コンピュータ４１の電気的構成
は、第１実施例において図３に示すものと基本的に同じ
であり、図３におけるニューロコンピュータ２２の構成
がモデル学習コンピュータ４１のそれに相当している。
そして、モデル学習コンピュータ４１のＲＯＭ２４には
マップを用いた学習（更新）及び実行（読み出し）の新
たな方法に係る学習制御プログラム等が予め記憶されて
いる。又、バックアップＲＡＭ２６には、後述する二つ
のマップが予め記憶されている。そして、モデル学習コ
ンピュータ４１のＣＰＵ２３は各センサ１１〜１３から
の入力値に基づき、ＲＯＭ２４に記憶されている学習制
御プログラムに従い、運転者ＤＲの要求する「要求加速
度モデル」と、それに応じた制御量感度モデルとしての
「スロットル感度モデル」の学習制御を実行する。そし
て、ＣＰＵ２３はその学習結果をスロットルコンピュー
タ２１へ出力する。

【００５９】一方、スロットルコンピュータ２１のＲＯ
Ｍ３１には、モデル学習コンピュータ４１の学習結果に
基づいてスロットルバルブ７の開閉を制御するためのス
ロットル開度制御プログラムが予め記憶されている。そ
して、そのＣＰＵ３０はモデル学習コンピュータ４１か
ら入力される学習結果のデータと、スロットルセンサ９
から入力される信号とに基づき、ＲＯＭ３１に記憶され
ているスロットル開度制御プログラムに従い直流モータ
８を好適に制御する。

【００６０】次に、モデル学習コンピュータ４１に適用
されているマップを用いた学習（更新）及び実行（読み
出し）の新たな方法について説明する。この実施例にお
いて、モデル学習コンピュータ４１のバックアップＲＡ
Ｍ２６には、図１２（ａ），（ｂ）に示すような「要求
加速度モデル学習用」のマップと「スロットル感度モデ
ル学習用」のマップとが記憶されている。各々のマップ
は、アクセルストロークＳと車速Ｖをパラメータとして
作成されている。

【００６１】ここで、図１２（ａ）に示す「要求加速度
モデル学習用」のマップでは、アクセルストロークＳと
車速Ｖとに対する要求加速度モデル出力Ｇｘの学習結果
が記憶される。即ち、モデル学習コンピュータ４１で
は、同マップを参照して得られる要求加速度モデル出力
Ｇｘが、加速度センサ１２から入力される「教師デー
タ」としての加速度Ｇと比較される。そして、その比較
による加速度偏差ΔＧ（＝Ｇ−Ｇｘ）を「誤差信号」と
し、その誤差分が小さくなる方向へマップのデータが学
習（更新）される。つまり、モデル学習コンピュータ４
１は、運転者ＤＲの要求する加速度Ｇを比較すべき「教
師データ」とし、その「教師データ」との偏差が小さく
なるように、アクセルストロークＳ及び車速Ｖに対する
加速度Ｇの関係を、運転者ＤＲの要求する「要求加速度
モデル」として、マップにより学習するのである。そし
て、このマップによる学習結果が要求加速度モデル出力
Ｇｘとして得られる。即ち、この実施例でも、「要求加
速度モデル」は図５に示すような特性として、要求加速
度モデル出力Ｇｘが加速度Ｇに近づく方向に学習され
る。尚、上記のマップには、「要求加速度モデル」の初
期値として、複数の運転者による走行データの学習結果
が記憶されている。

【００６２】一方、図１２（ｂ）に示す「スロットル感
度モデル学習用」のマップでは、上記と同じくアクセル
ストロークＳと車速Ｖとに対するスロットル感度モデル
Ｔｈｘの学習結果が記憶される。即ち、モデル学習コン
ピュータ４１では、同マップを参照して得られるスロッ
トル感度モデル出力Ｔｈｘが、加速度Ｇと要求加速度モ
デル出力Ｇｘとの間の加速度偏差ΔＧを「誤差信号」と
してマップのデータが学習（更新）される。つまり、モ
デル学習コンピュータ４１は、加速度偏差ΔＧを「誤差
信号」とし、その誤差分が小さくなるように、アクセル
ストロークＳ及び車速Ｖに対するスロットル開度Ｔｈの
関係を、運転者ＤＲの要求する「スロットル感度モデ
ル」として、マップにより学習するのである。そして、
このマップによる学習結果が、スロットル感度モデル出
力Ｔｈｘとして得られる。即ち、この実施例でも、「ス
ロットル感度モデル」は図６に示すような特性として学
習される。尚、上記のマップには、「スロットル感度モ
デル」の初期値として、基準スロットル感度（この実施
例では「１．０」）が記憶されている。

【００６３】ここで、「要求加速度モデル」と「スロッ
トル感度モデル」の学習方法について説明する。上記の
ようなモデルの学習のために一般的なマップを用いた場
合、一定時間毎にアクセルストロークＳ、車速Ｖ及び加
速度Ｇが入力されることから、アクセルストロークＳと
車速Ｖとが不等間隔なデータとなり、マップの全域で均
等に学習（更新）することができず、その結果、マップ
の出力が不連続となる。そこで、この実施例では、マッ
プの出力を連続的にすべく、マップの学習（更新）及び
実行（読み出し）を以下のような方法で行っている。

【００６４】図１３はその方法を説明するために使用さ
れる便宜的なマップである。このマップは、「Ｘ」と
「Ｙ」を変数とする２変数のマップであり、変数ＸがＭ
分割され、変数ＹがＮ分割された「Ｍ＊Ｎ」の２次元配
列Ｚ（Ｍ，Ｎ）で表されている（Ｍ，Ｎはそれぞれ整
数。）。このマップで扱われる変数Ｘの範囲は「Ｘ０」
を最小値とし、「Ｘ１」を最大値としている。又、この
マップで扱われる変数Ｙの範囲は、「Ｙ０」を最小値と
し、「Ｙ１」を最大値としている。又、マップの変数Ｘ
の方向におけるアドレスＡｘの範囲は「０〜（Ｍ−
１）」であり、変数Ｙの方向におけるアドレスＡｙ範囲
は「０〜（Ｎ−１）」の整数である。

【００６５】ここで、任意の（Ｘ，Ｙ）のマップアドレ
ス（Ａｘ，Ａｙ）は、以下の計算式（１１）及び計算式
（１２）により表される。 Ａｘ＝（Ｘ−Ｘ０）／Ｒｘ …（１１） Ａｙ＝（Ｙ−Ｙ０）／Ｒｙ …（１２） そして、上記計算式（１１）（１２）の（Ｒｘ，Ｒｙ）
は、マップ上の１点で代表する（Ｘ，Ｙ）の範囲であ
り、以下の計算式（１３）及び計算式（１４）により表
される。

【００６６】 Ｒｘ＝（Ｘ１−Ｘ０）／Ｍ …（１３） Ｒｙ＝（Ｙ１−Ｙ０）／Ｎ …（１４） 任意の（Ｘ，Ｙ）は計算式（１１）（１２）のマップア
ドレス（Ａｘ，Ａｙ）で代表される。ここで、任意のマ
ップアドレス（Ａｘ，Ａｙ）と任意の（Ｘ，Ｙ）との距
離Ｄｘｙは、変数Ｘの方向の距離を「Ｄｘ」、変数Ｙの
方向の距離を「Ｄｙ」とすると、以下の計算式（１
５）、計算式（１６）及び計算式（１７）により表され
る。

【００６７】 Ｄｘ＝（Ｘ−Ｘ０）−Ａｘ＊Ｒｘ …（１５） Ｄｙ＝（Ｙ−Ｙ０）−Ａｙ＊Ｒｙ …（１６） Ｄｘｙ＝（Ｄｘ² ＋Ｄｙ²)^1/2 …（１７） そして、計算式（７）の距離Ｄｘｙが、任意の正の小さ
な距離Ｄｍｉｎより小さいとき、距離Ｄｘｙは以下の計
算式（１８）により表される。

【００６８】Ｄｘｙ＝Ｄｍｉｎ …（１８） 又、任意の（Ｘ，Ｙ）とマップ上の全ての点との距離Ｄ
ｘｙの逆数を「Ｗｘｙ」とし、その逆数Ｗｘｙの和を
「Ｗ」とすると、それらは以下の計算式（１９）及び計
算式（２０）により表される。

【００６９】

【数１】

【００７０】ここで、マップの学習（更新）は、以下に
表される計算式（２１）を使用してマップ上の全ての点
について行われる。但し、計算式（２１）において、
「ε」（正の小さな定数）は学習率であり、「σ」は任
意の（Ｘ，Ｙ）についての学習信号である。

【００７１】 Ｚ（Ａｘ，Ａｙ）＝Ｚ（Ａｘ，Ａｙ）＋ε＊σ＊Ｗｘｙ／Ｗ …（２１） 又、マップの実行（読み出し）は、以下に表される計算
式（２２）を使用してマップ上の全ての点について行わ
れる。ここでは、マップの値と距離の逆数Ｗｘｙに比例
した重みとの積和が求められる。

【００７２】

【数２】

【００７３】以上のような方法によってマップの学習
（更新）及び実行（読み出し）が行われる。そして、こ
の実施例では、前述したマップの値Ｚとして、「要求加
速度モデル」には要求加速度モデル出力Ｇｘが、「スロ
ットル感度モデル」にはスロットル感度モデル出力Ｔｈ
ｘがそれぞれ割り当てられている。又、この実施例で
は、前述したマップの変数Ｘ，Ｙの分割が「Ｍ＝Ｎ＝
４」とされ、変数ＸにはアクセルストロークＳが、変数
Ｙには車速Ｖがそれぞれ割り当てられている。

【００７４】上記のようなマップの学習（更新）及び実
行（読み出し）の方法は、モデル学習コンピュータ４１
のＲＯＭ２４に予め記憶されている学習制御プログラム
によって行われる。そして、この実施例でも、最終的に
は図７に示すような、アクセルストロークＳに対するス
ロットル感度Ｔｈｇの関係の特性を求めるために、学習
制御プログラムが作成されている。

【００７５】尚、この実施例で、上記のような方法を用
いて実行される学習のための基本的な処理の流れは、前
記第１実施例における図８の「学習制御ルーチン」のそ
れと同じである。そして、その「学習制御ルーチン」の
処理が実行され、運転者ＤＲの要求する「要求加速度モ
デル」及び「スロットル感度モデル」の特性がそれぞれ
学習される。ここでは、その時々に学習される「要求加
速度モデル」及び「スロットル感度モデル」の特性がバ
ックアップＲＡＭ２６における各マップに書き替えられ
て記憶される。

【００７６】又、この実施例で、上記の「学習制御ルー
チン」の処理の流れに基づいて決定されるスロットル感
度Ｔｈｇと、そのときのアクセルストロークＳとに基づ
き、スロットルコンピュータ２１によりスロットル開度
制御が実行される。ここで、実行されるスロットル開度
制御のための基本的な処理の流れは、前記第１実施例に
おける図９の「スロットル開度制御ルーチン」のそれと
同じである。そして、その「スロットル開度制御ルーチ
ン」の処理が実行され、スロットル開度Ｔｈが目標スロ
ットル開度Ｔｈｇ・Ｓに一致するように直流モータ８の
回転が制御され、それによって、スロットルバルブ７が
開閉制御される。これにより、エンジン２の出力が制御
され、その結果として車両１の駆動力が制御される。

【００７７】以上説明したように、この実施例では前記
第１実施例と同じく、車両１の走りに対する運転者ＤＲ
の要求が、その時々の加速度Ｇから「要求加速度モデ
ル」として推定され、その「要求加速度モデル」に基づ
き「スロットル感度モデル」が変更されてスロットル感
度Ｔｈｇが決定される。又、その決定されたスロットル
感度ＴｈｇとアクセルストロークＳとの積から求められ
る目標スロットル開度Ｔｈｇ・Ｓと、スロットル開度Ｔ
ｈとが一致するように、スロットルバルブ７が開閉制御
される。しかも、常に運転者ＤＲの要求に応じた「要求
加速度モデル」が得られ、その「要求加速度モデル」に
対応して、「スロットル感度モデル」が得られる。そし
て、常に運転者ＤＲの要求に合った加速度Ｇをもって、
エンジン２のスロットル開度Ｔｈが制御される。

【００７８】そして、この実施例では第１実施例と同じ
く、運転者ＤＲの加速度に対する要求度合いに合致する
ように学習が行われることから、常に運転者ＤＲの特性
に合ったスロットル感度Ｔｈｇが決定される。その結
果、運転者ＤＲの意識状態や運転環境にかかわりなく、
車両１について、常に運転者ＤＲの特性に合った駆動力
の制御を行うことができる。

【００７９】又、この実施例では、モデル学習コンピュ
ータ４１における学習制御に、前述したマップの学習
（更新）及び実行（読み出し）の新たな方法を採用して
いる。そのため、アクセルストロークＳ及び車速Ｖに対
する要求加速度モデル出力Ｇｘの関係の全体が連続的な
モデルとして学習され、その特性が部分的に不連続とな
ることはない。同じく、アクセルストロークＳ及び車速
Ｖに対するスロットル感度モデル出力Ｔｈｘの関係の全
体が連続的なモデルとして学習され、その特性が部分的
に不連続となることはない。これは、前述したマップの
学習のための方法を採用したことにより、図１２（ａ）
（ｂ）の各マップにおいて、アクセルストロークＳ及び
車速Ｖの任意の点で「要求加速度モデル」及び「スロッ
トル感度モデル」が学習される際に、その学習結果に基
づきマップ上の他の全ての点の値が更新されるからであ
る。つまり、アクセルストロークＳ及び車速Ｖのある特
定な範囲について行われる要求加速度モデル出力Ｇｘの
修正が、アクセルストロークＳ及び車速Ｖの他の範囲に
対応する要求加速度モデル出力Ｇｘの修正にも反映され
る。又、アクセルストロークＳ及び車速Ｖのある特定な
範囲について行われるスロットル感度モデル出力Ｔｈｘ
の修正が、アクセルストロークＳ及び車速Ｖの他の範囲
に対応するスロットル感度モデル出力Ｔｈｘにも反映さ
れる。

【００８０】その結果、車速Ｖの全範囲について、車両
１の駆動力の制御をアクセルストロークＳの全操作範囲
に渡って連続的なものとすることができる。よって、運
転者ＤＲによりアクセルペダル１０が連続的に踏み込ま
れたときに、車両１の加速度Ｇが唐突に変化するような
ことがなく、車速Ｖの上昇を常に滑らかなものにするこ
とができる。このことは、前記第１実施例でニューラル
ネットワークの技術を採用したことにより得られる効果
と同等である。

【００８１】又、この実施例では、第１実施例の場合と
は異なり、ニューラルネットワークの技術の代わりに、
マップの学習のための方法を採用していることから、次
のような利点が得られる。即ち、この実施例では、ニュ
ーラルネットワークの実行と学習のために要する演算量
よりも演算量が少なくなり、ニューラルネットワークの
演算プログラムの内容量よりもプログラムの内容量が少
なくなる。そのため、この実施例では、その演算量とプ
ログラム内容量とが少ない分だけ、学習時の演算時間を
短縮化することができ、使用すべきメモリ容量を削減す
ることができる。その結果、モデル学習コンピュータ４
１におけるＲＯＭ２４、ＲＡＭ２５及びバックアップＲ
ＡＭ２６等を高速で大容量のメモリとする必要がなくな
り、装置の製作コストを低減することができる。

【００８２】以上説明した作用及び効果は、この実施例
で前記第１実施例のそれと対比すべき点であるが、それ
以外については前記第１実施例と基本的に同等の作用及
び効果を得ることができる。

【００８３】尚、この発明は前記各実施例に限定される
ものではなく、発明の趣旨を逸脱しない範囲で構成の一
部を適宜に変更して次のように実施することもできる。 （１）前記各実施例では、ガソリンエンジン２を駆動源
とし、リンクレスタイプのスロットルバルブ７をその制
御量変更手段としたが、それ以外の駆動源及び制御量変
更手段に具体化することもできる。例えば、電気自動車
において直流モータ等の電動機を駆動源とし、電動機へ
の電流を制御する電流制御回路等を制御量変更手段とす
ることもできる。

【００８４】（２）前記各実施例では、運転者ＤＲによ
り操作される出力操作手段としてアクセルペダル１０を
用いたが、出力操作手段としてアクセルレバーやそれ以
外の操作部材を用いることもできる。

【００８５】（３）前記各実施例では、アクセルセンサ
１１を操作量検出手段としてアクセルストロークＳを検
出するようにしたが、次のようにすることもできる。即
ち、アクセルストロークＳの代わりにアクセル踏力を検
出するセンサを用いたり、アクセルストロークＳを検出
するアクセルセンサとアクセル踏力を検出するセンサと
を併用したりすること。

【００８６】（４）前記各実施例では、加速度検出手段
として加速度センサ１２を用いたが、車速センサ１３を
加速度検出手段として、車速センサ１３により検出され
る車速Ｖを時間微分することにより加速度Ｇを得るよう
にしてもよい。

【００８７】（５）前記各実施例では、スロットル感度
モデル出力Ｔｈｘをスロットル感度の補正量とし、計算
式（１）によってスロットル感度Ｔｈｇを求めたが、ス
ロットル感度Ｔｈｇを直接出力することもできる。この
場合、車両１の工場出荷時における初期値は、基準値α
を出力するように学習することになる。

【００８８】（６）前記第１実施例では、ニューロコン
ピュータ２２におけるニューラルネットワーク技術とし
て、多層型ニューラルネットワークを採用したが、相互
結合型ニューラルネットワークを採用することもでき
る。

【００８９】（７）前記第２実施例では、各マップの各
変数Ｘ，ＹとしてアクセルストロークＳ及び車速Ｖの分
割数Ｍ，Ｎをそれぞれ「４」としたが、その分割数Ｍ，
Ｎを適宜に増減してもよい。但し、分割数Ｍ，Ｎを多く
した場合に、マップによる推定誤差は少なくなるが、学
習及び実行のための演算時間は長くなる。

【００９０】（８）前記第２実施例では、マップの学習
（更新）及び実行（読み出し）において、周囲の影響を
距離の逆数Ｗｘｙに比例させるようにしたが、距離の関
数の逆数であればよい。例えば、周囲の影響を距離の二
乗の逆数に比例させてもよい。

【００９１】（９）前記第２実施例では、各マップの各
変数Ｘ，ＹとしてアクセルストロークＳ及び車速Ｖを等
間隔に分割したが、それらを不等間隔に分割してもよ
い。例えば、アクセルストロークＳの小さい範囲を細か
く分割してもよい。

【００９２】

【発明の効果】以上詳述したように、この発明によれ
ば、車両の加速度を比較すべき教師データとして用い、
出力操作手段の操作量に対する車両の加速度の関係を、
運転者の要求する加速度モデルとして学習している。
又、その学習された加速度モデルの出力と車両の加速度
との偏差を誤差信号として用い、出力操作手段の操作量
に対する駆動源の制御量の関係を、制御量感度モデルと
して学習している。そして、その学習された制御量感度
モデルの出力を参照データとして用い、出力操作手段の
操作量に応じて駆動源の制御量を制御するようにしてい
る。

【００９３】従って、運転者の要求に応じた加速度モデ
ルが得られ、その加速度モデルに対応して、制御量感度
モデルが得られ、常に運転者の要求に合った加速度をも
って制御量が制御される。又、操作量に対する加速度の
関係や、操作量に対する制御量の関係の全体が連続的な
モデルとして学習され、出力操作手段の全操作範囲に対
する加速度及び制御量の関係の全体が不連続となること
はない。

【００９４】その結果、運転者の意識状態や運転環境に
かかわりなく常に運転者の特性に合った駆動力の制御を
行うことができる。しかも、その駆動力の制御を運転者
によるアクセルペダル等の操作量の全範囲に渡って連続
的なものとすることができるという優れた効果を発揮す
る。

【図面の簡単な説明】

【図１】この発明の基本的な概念構成を示す概念構成図
である。

【図２】この発明を具体化した第１実施例における車両
の駆動力制御装置の概略的な構成を示す概略構成図であ
る。

【図３】第１実施例において、スロットルコンピュータ
及びニューロコンピュータの電気的構成を示すブロック
図である。

【図４】第１実施例において、ニューロコンピュータに
適用されている多層型ニューラルネットワークの概念的
な構成を示す構成図である。

【図５】第１実施例において「要求加速度モデル」の特
性を示す特性図である。

【図６】第１実施例において「スロットル感度モデル」
の特性を示す特性図である。

【図７】第１実施例において「スロットル感度」の特性
を示す特性図である。

【図８】第１実施例において、ニューロコンピュータに
より実行される「学習制御ルーチン」を示すフローチャ
ートである。

【図９】第１実施例において、スロットルコンピュータ
により実行される「スロットル開度制御ルーチン」を示
すフローチャートである。

【図１０】第１実施例において、ローパスフィルタの作
用に関する加速度信号の変化を示すタイムチャートであ
る。

【図１１】この発明を具体化した第２実施例における車
両の駆動力制御装置の概略的な構成を示す概略構成図で
ある。

【図１２】第２実施例において、モデル学習コンピュー
タで用いられている各マップの概念構成図である。

【図１３】第２実施例において、モデル学習コンピュー
タで用いられる各マップの概念構成を説明するための便
宜的なマップである

【符号の説明】

１…車両、２…駆動源としてのエンジン、７…スロット
ルバルブ、８…直流モータ（７，８は制御量変更手段を
構成している）、１０…出力操作手段としてのアクセル
ペダル、１１…操作量検出手段としてのアクセルセン
サ、１２…加速度検出手段としての加速度センサ、１３
…速度検出手段としての車速センサ、２１…駆動制御手
段を構成するスロットルコンピュータ、２２…要求加速
度モデル学習手段及び制御量感度モデル学習手段を構成
するニューロコンピュータ。４１…要求加速度モデル学
習手段及び制御量感度モデル学習手段を構成するモデル
学習コンピュータ。

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁶ 識別記号 ＦＩ Ｆ０２Ｄ 45/00 ３４０ Ｆ０２Ｄ 45/00 ３４０Ｈ ３７０ ３７０Ｂ (72)発明者 ▲吉▼田 浩之 愛知県愛知郡長久手町大字長湫字横道41 番地の１株式会社 豊田中央研究所 内 (56)参考文献 特開 平４−71933（ＪＰ，Ａ) 特開 平３−96636（ＪＰ，Ａ) 特開 平３−156601（ＪＰ，Ａ) 特開 平５−92731（ＪＰ，Ａ) 特開 平３−117652（ＪＰ，Ａ) 特開 平２−199256（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁶，ＤＢ名) F02D 29/02 301 F02D 45/00 340 F02D 45/00 370

Claims (1)

(57)【特許請求の範囲】
1. 【請求項１】 車両に搭載された駆動源の制御量を変更
   するための制御量変更手段と、 前記駆動源の出力を任意に制御するために運転者により
   操作される出力操作手段と、 前記出力操作手段の操作量を検出するための操作量検出
   手段とを備え、前記操作量検出手段の検出結果に応じて
   前記制御量変更手段を駆動させることにより前記駆動源
   の出力を制御して前記車両の駆動力を制御するようにし
   た車両の駆動力制御装置において、 前記車両の加速度を検出するための加速度検出手段と、 前記車両の速度を検出するための速度検出手段と、 前記加速度検出手段の検出により得られる加速度を比較
   すべき教師データとして、その教師データと当該手段の
   出力との偏差を誤差信号とし、その誤差分が小さくなる
   ように、前記出力操作手段の操作量及び前記速度検出手
   段の検出により得られる速度に対する前記車両の加速度
   の関係を、前記運転者の要求する加速度モデルとして学
   習するための要求加速度モデル学習手段と、 前記加速度検出手段の検出により得られる加速度と前記
   要求加速度モデル学習手段により学習される加速度モデ
   ルの出力との偏差を誤差信号として、その誤差分が小さ
   くなるように、前記出力操作手段の操作量及び前記速度
   検出手段の検出により得られる速度に対する前記駆動源
   の制御量の関係を、制御量感度モデルとして学習するた
   めの制御量感度モデル学習手段と、 前記制御量感度モデル学習手段により学習される制御量
   感度モデルの出力を参照データとして、その参照データ
   に基づき前記操作量検出手段により検出される操作量に
   応じて前記制御量変更手段の駆動を制御する駆動制御手
   段とを備えたことを特徴とする車両の駆動力制御装置。