JP3039225B2

JP3039225B2 - 車体横すべり角推定装置

Info

Publication number: JP3039225B2
Application number: JP24293993A
Authority: JP
Inventors: 秀明井上; 博嗣山口; 真次松本; 直樹丸古
Original assignee: Nissan Motor Co Ltd
Current assignee: Nissan Motor Co Ltd
Priority date: 1993-09-29
Filing date: 1993-09-29
Publication date: 2000-05-08
Anticipated expiration: 2015-05-08
Also published as: JPH0796848A

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、車体の横すべり角の推
定装置に関するものである。

【０００２】

【従来の技術】車両の運動性能を向上させるために、横
すべり角βを検出して４ＷＳやブレーキ等を制御するこ
とは既知である。このような車両制御に用いる車体の横
すべり角βを検出する場合、従来から、次のような方法
が知られている。

【０００３】（１）一つは、次式により横すべり角βを
検出し、それを車両制御のための制御情報として用いる
ものである。

【数１】β＝Ｖｙ／Ｖｘ・・・１但し、Ｖｘ；車両前後方向速度（車速）Ｖｙ；車両横方向速度

【０００４】（２）他の一つは、下記に従い横すべり角
βを得、それを同様に制御実行時の制御情報として適用
していくものである。

【数２】 β＝∫Δβ・ｄｔ・・・２ａ Δβ＝（Ｙｇ／Ｖ）−（ｄ／ｄｔ）φ ・・・２ｂ但し、Ｙｇ；横加速度（横Ｇ）Ｖ；車速（ｄ／ｄｔ）φ；ヨーレイト

【０００５】（３）また、他の一つは、「日本機械学会
（Ｎｏ．９２０−５５）機械力学・計測制御講演論文集
（Ｖｏｌ．Ａ）６５４．ニューラルネットワークによ
る四輪操舵車の同定と制御」に記載の如くのニューラル
ネットワークによる推定によるものであり、この場合、
図５にその例を表すように、ニューラルネットワークの
入力には操舵角θ、車速Ｖ、後輪舵角δｒを与え、横す
べり角β、ヨーレイト（ｄ／ｄｔ）φが出力するよう学
習させる。

【０００６】

【発明が解決しようとする課題】しかして、上記（１）
による車体の横すべり角検出装置のものでは、その式１
の右辺分母値となる車速Ｖｘに関しては通常の如くに検
出可能である。しかしながら、その分子値となる車両横
方向速度Ｖｙについては、光学式センサを必要とし、非
常に高価であり、また、取付け位置が車両重心位置がに
限られ、実用的でない。

【０００７】また、上記（２）によるものの場合、同様
に車速値Ｖ自体に関しては通常の如くに車速センサによ
って検出可能である。ヨーレイト（ｄ／ｄｔ）φもま
た、この種の車両制御を例えばヨーレイトＦ／Ｂ制御で
行うときに普通に搭載されているヨーレイトセンサで検
出することができ、横加速度Ｙｇも横Ｇセンサを用い検
出できるものであるが、しかし、Ｙｇ検出にノイズがの
りやすい上、横すべり角値βを式２ａ，２ｂに従い演算
して求めることから、積分により誤差が集積して精度が
悪い。

【０００８】また、上記（３）のようなニューラルネッ
トワークによる推定のものにあっては、路面摩擦係数μ
の変化、車速の変化（＝加減速）時に誤差が出るという
問題があり、制御場面での路面μに左右されるなど、や
はり精度上の難点がある。

【０００９】こうして、いままでのものは、車両への実
装面で実用的でなかったり、精度面で十分に満足いくも
のではなく、車両の運動制御のためその制御情報として
横すべり角を導入するにあたり、実際に車体の横すべり
角を正確に検出するのに困難を伴っており、安価で高精
度の横すべり角検出ができれば望ましい。

【００１０】本発明は、このような点に鑑みてなされた
もので、上述の従来のような問題を伴わずに、車体の横
すべり角を精度良く推定することのできる車体横すべり
角推定装置を提供することを目的とするものである。

【００１１】

【課題を解決するための手段】本発明によって、下記の
車体横すべり角推定装置が提供される。即ち、舵角を検
出する舵角検出手段と、車速を検出する車速検出手段
と、車両に発生するヨーレイトを検出するヨーレイト検
出手段と、前記舵角検出手段及び車速検出手段からの舵
角信号及び車速信号を入力とし、ヨーレイトまたはヨー
レイトの変化率を出力とする車両運動特性を同定した第
１のニューラルネットワークモデルと、少なくとも前記
第１のニューラルネットワークモデルから出力されたヨ
ーレイトまたはヨーレイトの変化率と、前記ヨーレイト
検出手段から出力されるヨーレイト信号または該ヨーレ
イト信号に基づいて得られるヨーレイトの変化率とを入
力とし、車体横すべり角を出力とする第２のニューラル
ネットワークモデルとからなることを特徴とする車体横
すべり角推定装置、及び上記において、前記第２のニュ
ーラルネットワークモデルの入力は、舵角信号、車速信
号、前後加速度信号、横加速度信号のうちの全てまたは
一部を更に含むことを特徴とする車体横すべり角推定装
置である。

【００１２】

【作用】本発明では、請求項１記載のものの場合は、検
出手段としてその舵角検出手段、車速検出手段、ヨーレ
イト検出手段のそれぞれを有する一方、その第１，第２
の２つのニューラルネットワークモデルを用い、舵角、
車速、ヨーレイトから、車体の横すべり角を制御情報と
して制御を行う場合の実際の当該制御場面で必要とする
横すべり角の推定をする。その場合、第１のニューラル
ネットワークモデルは舵角検出手段及び車速検出手段か
らの舵角信号及び車速信号を入力とし、ヨーレイトまた
はヨーレイトの変化率を出力とする車両運動特性を同定
したニューラルネットワークモデルとして機能し、第２
のニューラルネットワークモデルが、少なくともその第
１のニューラルネットワークモデルからの出力であるヨ
ーレイトまたはヨーレイトの変化率を入力とするニュー
ラルネットワークモデルで、該第２のニューラルネット
ワークモデルは、かかる第１のニューラルネットワーク
モデルから出力されたヨーレイトまたはヨーレイトの変
化率と、それに対応して、実際に当該車両の制御場面で
ヨーレイト検出手段から出力される実ヨーレイト信号ま
たは該実ヨーレイト信号に基づいて得られるヨーレイト
の変化率とを入力とし、車体横すべり角を出力として、
推定横すべり角を得る。

【００１３】よって、こうした検出手段、２つのニュー
ラルネットワークモデルの組み合わせで、その一方の第
１のニューラルネットワークモデル側については例えば
特定のμの路面で車両を同定するよう、他方その出力を
入力とする第２のニューラルネットワークモデルはその
路面μとは異なる路面でも対応できるよう、学習をさせ
ておくことが可能で、実際の制御場面において通常の舵
角、車速、ヨーレイト検出のセンサを用いつつ、たとえ
路面μの異なる各種路面においてでさえも横すべり角を
精度良く検出することを可能ならしめる。

【００１４】請求項２の場合は、上記第２のニューラル
ネットワークモデルに対する入力、及び舵角信号、車速
信号、前後加速度信号、横加速度信号の全てまたは一部
を該第２のニューラルネットワークの入力とでき、ヨー
レイトまたはその変化率以外で、推定横すべり角を第２
のニューラルネットワークモデルにより得る場合におい
て影響を受けることとなる他の要素である舵角、車速、
前後加速度または横加速度の全てまたはその一部をも当
該第２のニューラルネットワークモデルで考慮して車体
の横すべり角の推定を行うことが可能で、その分、より
一層、推定横すべり角の精度を向上させることを可能な
らしめる。

【００１５】

【実施例】以下、本発明の実施例を図面に基づき説明す
る。図１〜図３は、本発明の一実施例を示す。本実施例
は、車体横すべり角推定のため車両に実装備すべきセン
サ類として、図１に示すように、舵角検出手段１０１、
車速検出手段１０２、ヨーレイト検出手段１０３を用い
る。

【００１６】舵角検出手段１０１は、車両が２ＷＳ車な
ら、例えば前輪舵角δｆを検出する舵角センサで構成で
きる。車速検出手段１０２は、車体速を得るものであれ
ば足りる。従って、通常装備される車速センサであって
よい。このほか、例えばアンチスキッド制御システム
（ＡＢＳ）搭載車の場合では、各輪の車輪速センサから
の車輪速信号を用い、ＡＢＳ制御で採用されている擬似
車速算出の手法で得られるものを車速Ｖ値とするもので
あってもよい。この場合において、車速検出手段部分
は、車輪速センサ及びその擬似車速演算部を含んで構成
される。

【００１７】ヨーレイト検出手段１０３は、車両に発生
するヨーレイト（ｄ／ｄｔ）φ（なお、以下では、（ｄ
／ｄｔ）φを簡単に表記する目的のため、γと表す場合
もある）を検出すもので、ヨーレイトセンサで構成する
ことができる。なお、ここでは、ヨーレイトγを用いる
が、ヨーレイト信号自体のほか、そのヨーレイトγの変
化率を使用してもよい。

【００１８】装置は、更に、ニューラルネットワークを
用いるが、この場合、第１のニューラルネットワーク１
１１と第２のニューラルネットワーク１１２との２つを
有する。前者は、上記舵角検出手段１０１からの舵角信
号、及び車速検出手段１０２からの車速信号を入力と
し、ヨーレイトを出力とする車両運動特性を同定した第
１のニューラルネットワークモデルを構成するものであ
り、後者は、その第１のニューラルネットワークモデル
から出力されたヨーレイトと上記ヨーレイト検出手段１
０３から出力されたヨーレイト信号とを入力とし、車体
横すべり角（推定横すべり角）を出力とする第２のニュ
ーラルネットワークモデルを構成する。

【００１９】なお、第１のニューラルネットワーク１１
１の出力がヨーレイトの変化率であり、それを第２のニ
ューラルネットワーク１１１の入力とする場合において
は、それに対応させるべく、第２のニューラルネットワ
ーク１１２の他の入力の一つとしては、ヨーレイト信号
（実ヨーレイト）自体ではなく、そのヨーレイト信号に
基づいて得られたヨーレイトの変化率（実ヨーレイト変
化率）とすることができ、このようにしてもよい。

【００２０】本実施例では、車体横すべり角を制御情報
として車両走行時の車両制御にそれを使用する車両に
は、その車体の横すべり角検出のために上記したそれら
舵角検出手段１０１、車速検出手段１０２、ヨーレイト
検出手段１０３、第１のニューラルネットワーク１１
１、第２のニューラルネットワーク１１２が装備され、
ユーザへは、車両はそのような状態のものとして提供さ
れる。

【００２１】上記の如くの入出力の第１のニューラルネ
ットワーク１１１及び第２のニューラルネットワーク１
１２は、制御用のコントローラに格納されるが、それら
２つをのものを利用することにより、車体の横すべり角
を検出する装置を得る場合に、例えば路面摩擦係数μ＝
１のドライ路面で車両を同定する第１のニューラルネッ
トを構成し、その出力を入力とする第２のニューラルネ
ットを構成して各種路面で車両を同定して、既存のセン
サ類を用いつつ、舵角、車速、ヨーレイトからたとえμ
の異なる各種路面においてでさえも横すべり角を精度良
く検出することのできる機能をもつ装置も容易に実現さ
れる。

【００２２】以下、図２及び図３をも参照し、主に舵
角、車速、ヨーレイトから車体横すべり角を推定するた
めの本実施例に従う車体横すべり角推定装置の実現手順
について、その横すべり角検出手法等を含めて更に具体
的に説明する。下記では、第１のニューラルネットワー
クの作成、第２のニューラルネットワークの作成の順で
述べる。

【００２３】〔第１のニューラルネットワークの作成〕
一般に用いられる車両の平面運動の線形２輪モデルの運
動方程式は、次のようである。

【数３】 ∂β／∂ｔ＝−（２（Ｋｆ＋Ｋｒ）／ｍＶ）・β −｛（２（Ｌｆ・Ｋｆ−Ｌｒ・Ｋｒ）／ｍＶ²）＋１｝・γ ＋（２Ｋｆ／ｍＶ）・δｆ＋（２Ｋｆ／ｍＶ）・δｒ・・・４

【数４】 ∂γ／∂ｔ＝−（２（Ｌｆ・Ｋｆ−Ｌｒ・Ｋｒ）／Ｉ）・β −（２（Ｌｆ²・Ｋｆ＋Ｌｒ²・Ｋｒ）／ＩＶ）・γ ＋（２Ｌｆ・Ｋｆ／Ｉ）・δｆ −（２Ｌｆ・Ｋｒ／Ｉ）・δｒ・・・５但し、β ；車体横すべり角 γ ；ヨーレイトｍ；車体質量Ｉ；ヨー慣性モーメントＶ；車速 δｆ；前輪舵角 δｒ；後輪舵角Ｋｆ；前輪コーナリングパワーＫｒ；後輪コーナリングパワーＬｆ；車両重心と前輪車軸間距離Ｌｒ；車両重心と後輪車軸間距離

【００２４】運動方程式は、このように表されるが、以
下では、簡単のため２ＷＳ（即ち、δ_r＝０）の場合に
ついて述べる。なお、４ＷＳの場合は、後輪舵角δ_rを
検出してコントローラに入力すればよい。

【００２５】さて、上記において、車体横すべり角β
は、前輪舵角δｆ（なお、ステアリングホイールの操舵
角を検出する場合は、それをステアリングギア比を用い
て換算して得られる値を適用すればよい）、車速Ｖを入
力として、式４，５の微分微分方程式を解けば得られ
る。しかしながら、一般に前後コーナリングパワーＫ
ｆ，Ｋｒは一定値ではなく前輪舵角δｆに対して非線形
特性を持つため、前輪舵角δｆの小さい場合は横すべり
角β、ヨーレイトγとも実車に良く合うが、前輪舵角δ
ｆが大きくなるとズレてくる（即ち、式４，５で同定が
うまくいかない）。

【００２６】そこで、その不具合を補正するのが、非線
形特性も学習により考慮することが可能なニューラルネ
ット（以下、ＮＮとも略す）である（詳細は、前掲文献
に詳しい）。

【００２７】図２は、ＮＮを用いる横すべり角推定方法
の基本原理を示す。まず、図２に示すＮＮ１００を構成
する。ここでは、入力は前輪舵角δｆ、車速Ｖ、出力は
横すべり角β、ヨーレイトγであり、ＮＮ内の層の構成
の仕方は、学習が収束さえすれば任意である。

【００２８】さて、車両にはヨーレイトセンサと横すべ
り角センサを取り付ける。ここで、その横すべり角セン
サは前後方向速度Ｖｘと横方向速度Ｖｙを光学的に検出
するものとできるが、これは、後に取りはずすことを前
提として取り付ける横すべり角検出用計測器として用い
る。かかる計測器の出力から、横すべり角はβ＝Ｖｙ／
Ｖｘとして検出される。なお、この計測器は、一度、第
１のＮＮが決定すればはずせることから、高価であろう
と、大きくとも問題とはならない。光学式横すべり角セ
ンサは、ユーザーに渡される車両としては装備されてい
るセンサではない。本例に従うとき、実際に、結果とし
て実装されるのは車速センサ、舵角センサであり、また
ヨーレイトセンサである。

【００２９】そして、この横すべり角検出用計測器、ヨ
ーレイトセンサで検出された横すべり角βとヨーレイト
γを教師信号β_t，γ_tとして、ＮＮの出力β，γがβ
_t，γ_tに一致するように、バックプロパゲーションに
よりＮＮ内の重み変数を確定していく。なお、この場
合、学習の際の入力パターンは車速Ｖ、前輪舵角δｆの
組合せで１０〜数１０パターンで現実的な数である。こ
うして学習が終了すると、任意の車速Ｖ、前輪舵角δｆ
にて該当車両が発生する横すべり角βとヨーレイトγが
求まる。

【００３０】〔第２のニューラルネットワークの作成〕
ところで、上記ＮＮは本実施例での第１のニューラルネ
ットワークに適用できるものであるが、単にそれだけで
あると、車両が各種路面を走行する場合の対応を確保す
るには十分ではない。即ち、こうした第１のニューラル
ネットにより求められたβ、γとともに、或る特性の路
面でのみ有効なものであり、それ以外の各種路面、例え
ば雪路にいくと、大幅にズレてしまう。理由の一つは、
前後コーナリングパワーＫｆ、Ｋｒが走行路面により大
きく変化してしまうからである。

【００３１】第２のニューラルネットワークは、こうし
た影響も排除し、各種路面でも精度を十分なものにしよ
うとすることから導入する。今、路面摩擦係数をμ、或
る路面を走行する場合の前後コーナリングパワーをＫ
ｆ′，Ｋｒ′とすると、ほぼ

【数５】Ｋｆ′＝μ・Ｋｆ・・・６ａＫｒ′＝μ・Ｋｒ・・・６ｂとおくことができ、これを前記式４，５に代入すると、
次式７，８となる（または積分して、式７ａ，７ｂとな
る）。

【数６】 ∂β′／∂ｔ＝μ・∂β／∂ｔ（または積分して、β′＝μ・β）・・・７

【数７】 ∂γ′／∂ｔ＝μ・∂γ／∂ｔ（または積分して、γ′＝μ・γ）・・・８ここに、β′，γ′は、車両がμなる摩擦係数の路面を
走行したときに発生する横すべり角、ヨーレイト。

【００３２】さて、ここで、式８に着目すると、第１の
ニューラルネットが出力するヨーレイトγとその時実際
にセンサにより検出されるヨーレイトγ′（実ヨーレイ
ト）とを比較すると、車両が走行中の当該路面のμが分
ることになる。そして、それを式７に適用すると、第１
のニューラルネットが出力する横すべり角βと、式８に
より求められた路面のμから、その路面を走行中の該当
車両の実際の横すべり角β′が求められる。

【００３３】しかして、ここで、前記式６ａ，６ｂは、
常に成り立つわけではなく、γ、γ′自体の大きさに対
して非線形要素を持つ。そこで、このために、更に図３
に示すような第２のニューラルネット１１２を構成する
ものである。図３の如く、第１のニューラルネット１１
１に加え、第２のニューラルネット１１２を用いて、こ
れら２つを使用し、図示のように、第２のニューラルネ
ット１１２は第１のニューラルネット１１１の出力を入
力とし、かつヨーレイトセンサからの信号はその第２の
ニューラルネット１１２の入力とするよう、組み合わせ
ることができる。

【００３４】実際の手順では、予め測定してμ値が判っ
ているドライ路（μ＝１）、ウエット路（μ＝０．
８）、雪路（μ＝０．４）、アイス路（μ＝０．１）の
全てまたは３種で走行する。好ましくは、μ＝１のドラ
イ路を基準とし、ドライ路面で車両運動性能を同定する
よう第１のニューラルネットを構成できるようにするの
がよく、車両はかかる基本のドライ路のほか、上記ウエ
ット路、雪路及びアイス路の計４種の各種路面を横すべ
り角検出用計測器を取り付けた状態で走行するか、また
は基本のドライ路のほか、上記路面のうちのμの異なる
他の２種の路面の計３種の各種路面を走行する。このよ
うにして走行し、その過程で上記計測器で測定したβ′
を教師信号β_t′として第２のＮＮの出力値βがβ_t′
に一致するように学習をくり返す。

【００３５】かくて、ＮＮ内の全ての重み定数が確定す
ると、本横すべり角推定装置が完成することになる。そ
して、以後、横すべり角検出用計測器はとりはずす。即
ち、光学式横すべり角センサは専らかかる計測器として
用いるものであり、これは既に述べた通りである。

【００３６】以上、述べたところをまとめると、図１に
示した第１実施例の構成のものとなり、本実施例によれ
ば、従来の問題を解消し得て、既存のセンサを用いて各
種路面においても精度良く横すべり角を検出できる。

【００３７】次に、本発明に他の実施例について説明す
る。図４は、第２の実施例の構成を示す図である。本実
施例は、前記第１実施例の構成ものとの対比でいえば、
検出手段として、前後加速度検出手段１０４をも設けた
ものである。ここに、前後加速度検出手段１０４は、車
両の前後加速度（前後Ｇ）Ｘｇ信号を検出する前後加速
度センサで構成できる。

【００３８】そして、本実施例では、例えば、第２のニ
ューラルネットワーク１１２の入力としては、ヨーレイ
ト検出手段１０３からのヨーレイト信号と第１のニュー
ラルネットワーク１１１からの出力ヨーレイトのほか、
舵角検出手段１０１及び車速検出手段１０２からの舵角
信号及び車速信号、並びに、その前後加速度検出手段１
０４からの前後加速度信号も入力するものとする。これ
は、前後コーナリングパワＫｆ，Ｋｒの非線形要素は、
前輪舵角δｆ、車速Ｖ、前後加速度Ｘｇにも影響を受け
ることから、それをも考慮し、このように第２のニュー
ラルネットワーク１１２にそれらをも入力して推定横す
べり角の精度を上げるものである。

【００３９】本実施例による場合は、前記実施例と同様
の作用効果を得られるのに加え、更に一層の精度向上が
図れる利点がある。

【００４０】また、本実施例の態様に従う場合は、上記
構成のものに限られない。例えば、第２のニューラルネ
ットワークモデルに対する入力は、ヨーレイト検出手段
からの出力信号と第１のニューラルネットワークモデル
からの出力値及び、舵角信号、車速信号、前後加速度信
号、横加速度信号の全てまたは一部である態様でもよ
い。

【００４１】

【発明の効果】本発明によれば、車体の横すべり角を制
御情報として得る場合に、実際の制御場面において通常
の舵角、車速、ヨーレイト検出のセンサを用いつつ、た
とえ路面μの異なる各種路面においてでさえも横すべり
角を精度良く検出するができる車体横すべり角推定装置
を提供することができ、本横すべり角推定装置を装備し
た車両では当該横すべり角推定装置で得られる推定横す
べり角で車両運動制御をより正確に達成することがで
き、制御の実効性が高まる。

【００４２】また、請求項２の如く舵角信号、車速信
号、前後加速度信号、横加速度信号の全てまたは一部を
第２のニューラルネットワークに入力すると、横すべり
角を該第２のニューラルネットワークモデルにより得る
場合においてそれをも加味して車体の横すべり角の推定
を行うことが可能で、その分より一層推定横すべり角の
精度を上げることができ、更に大きな効果を得られる。

【図面の簡単な説明】

【図１】本発明の一実施例を示す図である。

【図２】同例による横すべり角推定方法の基本原理の説
明に供する図である。

【図３】同じく、原理の説明に供する図である。

【図４】本発明の他の実施例を示す図である。

【図５】従来例の説明に供する図である。

【符号の説明】

１０１舵角検出手段１０２車速検出手段１０３ヨーレイト検出手段１０４前後加速度検出手段１１０ニューラルネットワーク１１１第１のニューラルネットワーク１１２第２のニューラルネットワーク

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁷ 識別記号ＦＩＢ６２Ｄ 137:00 (72)発明者丸古直樹神奈川県横浜市神奈川区宝町２番地日産自動車株式会社内 (56)参考文献特開平６−135346（ＪＰ，Ａ) 特開平６−278628（ＪＰ，Ａ) 特開平５−301574（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁷，ＤＢ名) B62D 6/00

Claims

(57)【特許請求の範囲】

【請求項１】舵角を検出する舵角検出手段と、車速を検出する車速検出手段と、車両に発生するヨーレイトを検出するヨーレイト検出手
段と、前記舵角検出手段及び車速検出手段からの舵角信号及び
車速信号を入力とし、ヨーレイトまたはヨーレイトの変
化率を出力とする車両運動特性を同定した第１のニュー
ラルネットワークモデルと、少なくとも前記第１のニューラルネットワークモデルか
ら出力されたヨーレイトまたはヨーレイトの変化率と、
前記ヨーレイト検出手段から出力されるヨーレイト信号
または該ヨーレイト信号に基づいて得られるヨーレイト
の変化率とを入力とし、車体横すべり角を出力とする第
２のニューラルネットワークモデルとからなることを特
徴とする車体横すべり角推定装置。
【請求項２】請求項１において、前記第２のニューラルネットワークモデルの入力は、舵
角信号、車速信号、前後加速度信号、横加速度信号のう
ちの全てまたは一部を更に含むことを特徴とする車体横
すべり角推定装置。