JP2978352B2 - 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傾向があった。

【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願
平３−８０１０３号に提案されている。この提案技術で
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、この提案技術では、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る。そして、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
提案技術では、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、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Ｍ
１の加速度の関係について予め学習された基準の加速度
モデルを記憶する基準加速度モデル記憶手段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Ｍ９
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Ｍ９と、その要求
加速度モデル学習手段Ｍ９により学習される加速度モデ
ルの出力と基準加速度モデル記憶手段Ｍ８に記憶されて
いる基準の加速度モデルとの偏差を演算し、その偏差に
基づき出力操作手段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として演算するための制御量感度演
算手段Ｍ１０と、その制御量感度演算手段Ｍ１０により
演算される制御量感度に基づき、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Ｍ１１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、基準
加速度モデル記憶手段Ｍ８には、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
係について予め学習された基準の加速度モデルが記憶さ
れている。又、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Ｍ９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
Ｍ９では、その教師データと当該手段Ｍ９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。更に、制御量感度演算手段Ｍ１０では、要求加速度
モデル学習手段Ｍ９により学習される加速度モデルの出
力と、基準加速度モデル記憶手段Ｍ８に記憶されている
基準の加速度モデルとの偏差が演算される。又、制御量
感度演算手段Ｍ１０では、その偏差に基づき出力操作手
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の制御量の関係が制御量感
度として演算される。そして、駆動制御手段Ｍ１１で
は、上記のように演算される制御量感度に基づき、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推定され、その加速度モデ
ルの出力と基準の加速度モデルとの偏差に応じて制御量
感度が求められる。そして、その制御量感度に基づき、
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、車両Ｍ１の加速度は、制御
量感度の変化に応じて、延いては学習された加速度モデ
ルの出力と基準の加速度モデルとの偏差の変化に応じて
変動することになる。よって、学習された加速度モデル
の出力と基準の加速度モデルとの偏差の変化が小さい場
合には、制御量感度の変化も小さくなり、車両Ｍ１の加
速度の変化も小さくなる。一方、学習された加速度モデ
ルの出力と基準の加速度モデルとの偏差の変化が大きい
場合には、制御量感度の変化も大きくなり、車両Ｍ１の
加速度の変化も大きくなる。

【００１２】更に、この発明によれば、出力操作手段Ｍ
４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。

【００１３】

【実施例】以下、この発明における車両の駆動力制御装
置を具体化した一実施例を図２〜図１０に基づいて詳細
に説明する。

【００１４】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。

【００１５】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。

【００１６】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。

【００１７】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。

【００１８】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は基準加速度モデル記憶手段、要求加速度
モデル学習手段及び制御量感度演算手段を構成してお
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。

【００１９】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。

【００２０】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」の学習制御を実行する。又、ＣＰＵ２３は、その
学習結果と、予め学習されている基準となる「基準加速
度モデル」との偏差から制御量感度としてのスロットル
感度を演算する。そして、ＣＰＵ２３はその学習結果等
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。

【００２１】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の学習結果等に基づ
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。

【００２２】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
習結果等のデータを入力値として読み込む。又、ＣＰＵ
３０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、
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。

【００２３】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。

【００２４】ここで、図４（ａ）に示す多層型ニューラ
ルネットワークは、その時々に学習更新されるものであ
り、その「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１
２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−Ｇｘ）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。

【００２５】一方、図４（ｂ）に示す多層型ニューラル
ネットワークは、複数の運転者ＤＲによる走行データか
ら、アクセルストロークＳ及び車速Ｖと加速度Ｇとの標
準的（或いは「平均的」）な関係が「基準加速度モデ
ル」として予め学習された修正不能のデータである。こ
の多層型ニューラルネットワークでは、「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。そして、「出力層」
のニューロンｎ３からは、出力結果として、アクセルス
トロークＳ、車速Ｖに応じた基準加速度モデル出力Ｇｓ
が得られる。即ち、「基準加速度モデル」は図６に示す
ような特性として学習されている。

【００２６】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。

【００２７】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」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２
２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。

【００２８】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。

【００２９】続いて、ステップ１０２において、今回読
み込まれたアクセルストロークＳ及び車速Ｖより要求加
速度モデル出力Ｇｘを決定する。即ち、アクセルストロ
ークＳと車速Ｖとを入力値として、既に学習されている
「要求加速度モデル」の特性（図５を参照）から要求加
速度モデル出力Ｇｘを求めるのである。

【００３０】次に、ステップ１０３において、今回読み
込まれたアクセルストロークＳ及び車速Ｖより基準加速
度モデル出力Ｇｓを決定する。即ち、アクセルストロー
クＳと車速Ｖとを入力値として、予め学習済みの「基準
加速度モデル」の特性（図６を参照）から基準加速度モ
デル出力Ｇｓを求めるのである。

【００３１】又、ステップ１０４において、今回求めら
れた要求加速度モデル出力Ｇｘ及び基準加速度モデル出
力Ｇｓよりスロットル感度Ｔｈｇを決定する。即ち、以
下の計算式（１）に従ってスロットル感度Ｔｈｇを決定
する。

【００３２】 Ｔｈｇ＝α＋（Ｇｘ−Ｇｓ）＊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。

【００３３】例えば、図６に実線で示す「基準加速度モ
デル」の特性に対して、現在の「要求加速度モデル」の
特性が破線で示すようであったとする。このとき、ある
アクセルストロークＳに対する要求加速度モデル出力Ｇ
ｘと基準加速度モデル出力Ｇｓとの偏差（Ｇｘ−Ｇｓ）
が、スロットル感度Ｔｈｇに反映されることになる。そ
して、要求加速度モデル出力Ｇｘと基準加速度モデル出
力Ｇｓとの偏差がプラス側に大きいほど、スロットル感
度Ｔｈｇは大きくなる。即ち、そのときの運転者ＤＲの
要求する加速度Ｇが複数運転者の要求する標準的な加速
度より大きいほど、スロットル感度Ｔｈｇは大きくなる
のである。

【００３４】そして、ステップ１０５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。

【００３５】その後、ステップ１０６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。

【００３６】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。

【００３７】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。

【００３８】そして、ステップ１０６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。

【００３９】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」の特性が学習される。
ここでは、その時々に学習される「要求加速度モデル」
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。

【００４０】尚、車両１の工場出荷時における「要求加
速度モデル」の「重み係数」の初期値は、「基準加速度
モデル」のそれとなっている。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。

【００４１】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。

【００４２】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。

【００４３】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。

【００４４】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。

【００４５】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。

【００４６】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。

【００４７】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。

【００４８】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」として推定される。
又、その「要求加速度モデル」から得られる要求加速度
モデル出力Ｇｘと「基準加速度モデル」から得られる標
準的な基準加速度モデル出力Ｇｓとの偏差（Ｇｘ−Ｇ
ｓ）に応じて、スロットル感度Ｔｈｇが決定されてい
る。そして、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」のレベルに対
応して、スロットル感度Ｔｈｇが得られる。そして、そ
のスロットル感度Ｔｈｇに応じて、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。

【００４９】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。

【００５０】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。

【００５１】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。

【００５２】又、この実施例において、車両１の加速度
Ｇは、スロットル感度Ｔｈｇの変化に応じて、即ち学習
により推定された要求加速度モデル出力Ｇｘと予め設定
された基準加速度モデル出力Ｇｓとの偏差（Ｇｘ−Ｇ
ｓ）の変化に応じて、変化することになる。つまり、こ
の実施例で、あるアクセルストロークＳに対する車両１
の加速度Ｇが大きく変化するのは、車両１の過去の走り
方と、車両１の現在の走り方との比較によってではな
く、車両１の基準となる標準的な走り方と、車両１の現
在の走り方との比較による。そのため、上記の偏差（Ｇ
ｘ−Ｇｓ）の変化が小さい場合には、スロットル感度Ｔ
ｈｇの変化も小さくなり、車両１の実際の加速度Ｇの変
化も小さくなる。一方、上記の偏差（Ｇｘ−Ｇｓ）の変
化が大きい場合には、スロットル感度Ｔｈｇの変化も大
きくなり、車両１の実際の加速度Ｇの変化も大きくな
る。従って、「基準加速度モデル」の特性から離れて、
常に車両１を速く走らせようとする運転者ＤＲ、或い
は、常に車両１をゆっくりと走らせようとする運転者Ｄ
Ｒにとっては、スロットル感度Ｔｈｇが大きく変化する
ことが少なく、車両１の加速度Ｇが大きく変化すること
も少ない。又、「基準加速度モデル」の特性に近く、常
に車両１を標準的に走らせる運転者ＤＲにとっても、ス
ロットル感度Ｔｈｇが大きく変化することは少なく、車
両１の加速度Ｇが大きく変化することも少ない。

【００５３】更に、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。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のである。

【００５４】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。

【００５５】又、この実施例では、実際の加速度Ｇから
推定される要求加速度モデル出力Ｇｘと基準加速度モデ
ル出力Ｇｓとの偏差から、スロットル感度Ｔｈｇを決定
するようにしている。そのため、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、マップの補間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。

【００５６】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。

【００５７】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」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。

【００５８】尚、この発明は前記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。

【００５９】（２）前記実施例では、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。

【００６０】（３）前記実施例では、アクセルセンサ１
１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。

【００６１】（４）前記実施例では、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。 （５）前記実施例では、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。

【００６２】（６）前記実施例では、計算式（１）に従
ってスロットル感度Ｔｈｇを求めたが、次のような計算
式（２）に従ってスロットル感度Ｔｈｇを求めることも
できる。

【００６３】 Ｔｈｇ＝α＋｛（Ｇｘ／Ｇｓ）−１．０｝＊Ｋ …（２） （７）前記実施例では、予め学習された「基準加速度モ
デル」を多層型ニューラルネットワークの形でニューロ
コンピュータ２２のＲＯＭ２４に記憶するようにした
が、予め学習された「基準加速度モデル」をマップの形
でニューロコンピュータ２２のＲＯＭ２４に記憶するよ
うにしてもよい。

【００６４】

【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予め学習され
た基準の加速度モデルとの偏差を用い、出力操作手段の
操作量及び車両の速度に対する駆動源の制御量の関係を
制御量感度として演算している。そして、その演算され
た制御量感度に基づき、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。

【００６５】従って、運転者の要求に応じた加速度モデ
ルが得られ、その加速度モデルの出力と基準の加速度モ
デルとの偏差に応じた制御量感度が得られ、常に運転者
の要求に合った加速度をもって駆動源の制御量が制御さ
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。

【００６６】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一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】一実施例において、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】一実施例において、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】一実施例において、「要求加速度モデル」の特
性を示す特性図である。

【図６】一実施例において、「基準加速度モデル」の特
性を示す特性図である。

【図７】一実施例において、「スロットル感度」の特性
を示す特性図である。

【図８】一実施例において、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】一実施例において、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】一実施例において、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。

【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…基準加速
度モデル記憶手段、要求加速度モデル学習手段及び制御
量感度演算手段を構成するニューロコンピュータ。

───────────────────────────────────────────────────── 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 Ｇ０５Ｂ 13/02 Ｇ０５Ｂ 13/02 Ｌ 13/04 13/04 (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４−314940（ＪＰ，Ａ) 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 9/02 351 F02D 11/10 F02D 41/04 310 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、 前記出力操作手段の操作量及び前記車両の速度に対する
   前記車両の加速度の関係について予め学習された基準の
   加速度モデルを記憶するための基準加速度モデル記憶手
   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
   モデルの出力と前記基準加速度モデル記憶手段に記憶さ
   れている基準の加速度モデルとの偏差を演算し、その偏
   差に基づき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として演算するための制御量感
   度演算手段と、 前記制御量感度演算手段により演算される制御量感度に
   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。