JP3067453B2

JP3067453B2 - 路面摩擦係数推定装置

Info

Publication number: JP3067453B2
Application number: JP7418293A
Authority: JP
Inventors: パルチンモイ; 秀明井上
Original assignee: Nissan Motor Co Ltd
Current assignee: Nissan Motor Co Ltd
Priority date: 1993-03-31
Filing date: 1993-03-31
Publication date: 2000-07-17
Anticipated expiration: 2015-07-17
Also published as: JPH06286630A

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は、車両走行中にその走
行路面の摩擦係数を推定する装置に関し、特に、ニュー
ラルネットワークを利用することにより、比較的検出の
容易な車両の走行状態に関する情報に基づいて、走行中
に直接測定することが困難な路面摩擦係数を推定可能と
したものである。

【０００２】

【従来の技術】従来から４ＷＳ（４輪操舵装置）、ＡＢ
Ｓ（アンチロック・ブレーキ・システム）、ＴＣＳ（ト
ラクション・コントロール・システム）、４ＷＤ（４輪
駆動装置）等のように車両の操縦安定性を高める種々の
技術が存在しており、これらは実際に車両に搭載されて
操縦安定性の向上に大きく貢献している。

【０００３】しかし、上記のような操縦安定性を高める
従来の装置にあっては、走行路面の摩擦係数自体を測定
又は推定しその結果を考慮して制御を行っているものは
存在しなかった。これは、路面の摩擦係数は、車両走行
中に直接測定することが非常に困難だからである。従っ
て、走行路面の摩擦係数は一定の値であると仮定して制
御を行うことになるのであるが、当然に実際の走行路面
の摩擦係数は一定の値ではない。このため、摩擦係数が
どのような値であっても車両の操縦安定性を損なわない
ように４ＷＳにおける後輪舵角制御や４ＷＤにおける駆
動力配分制御を行わなければならないのであり、摩擦係
数を考慮できない分、それら操縦安定性を高める技術の
有する能力が十分に活用されていないのが現状である。

【０００４】なお、路面の滑り状態を前後輪の車輪速差
や雨滴センサ等から間接的に判断して制御内容を変更す
る程度のものは存在するが（例えば、特開平１−９５９
６８号公報等参照）、車輪速差や雨滴センサ等から判断
するため、路面の滑り状態の検出精度はそれほど高くな
い。また、超音波センサ等を使って路面の荒さを読み取
る技術も研究されているが、実用レベルには至っていな
い。

【０００５】一方、車両パラメータのうち測定が容易な
パラメータに基づいて、測定が困難なパラメータを推定
するという技術が存在し（特開平４−１３８９７０号公
報参照）、かかる従来の技術では、推定演算のためにニ
ューラルネットワークを利用していた。即ち、上記公開
公報に開示された従来の技術は、車両パラメータを、他
の車両パラメータに基づいてニューラルネットワークを
利用して推定するというものであり、具体的に開示され
ているのは、車両に発生している前後加速度、横加速
度、上下加速度、操舵トルク、前輪舵角、車速、後輪舵
角等に基づいて、その車両に発生しているであろう横滑
り角及びヨーレートを推定する技術であり、いずれにし
ても、車両パラメータに基づいて他の車両パラメータを
推定する技術のみが開示されている。

【０００６】

【発明が解決しようとする課題】しかしながら、横滑り
角及びヨーレートは現在では安価なジャイロ等を用いる
ことにより容易に直接測定できるパラメータであり、こ
れを推定するためにニューラルネットワークを利用する
必要性は薄れている。つまり、車両の挙動そのものであ
る車両パラメータを推定するためにニューラルネットワ
ークを用いる必要性は現在では皆無といってもいいので
あり、むしろ、そのような検出が容易な車両の挙動に基
づいて、車両の操縦安定性に大きく影響を与えるが直接
測定が困難な数値等をニューラルネットワークによって
推定するのが望ましいのである。

【０００７】本発明は、このような観点からなされたも
のであり、車両の操縦安定性に大きな影響を与える路面
の摩擦係数を、実際に測定が容易な情報に基づいて推定
する装置を提供することを目的としている。

【０００８】

【課題を解決するための手段】上記目的を達成するため
に、請求項１記載の発明である路面摩擦係数推定装置
は、車両の走行状態を検出する車両走行状態検出手段
と、この車両走行状態検出手段が検出した車両の走行状
態を入力とし路面摩擦係数を出力とするニューラルネッ
トワークと、を備え、前記ニューラルネットワークは、
複数個の数値を並列に出力するニューラルネットワーク
を用いるとともに、前記複数個の出力と同じ個数の要素
からなり既知の路面摩擦係数に応じたパターンに設定さ
れる数列を教師信号として学習を行ったものである。

【０００９】また、請求項２記載の発明である路面摩擦
係数推定装置は、車両の走行状態を検出する車両走行状
態検出手段と，この車両走行状態検出手段が検出した車
両の走行状態を入力とし路面摩擦係数を出力とするニュ
ーラルネットワークと、を備え、前記ニューラルネット
ワークは自己回帰モデルを有するニューラルネットワー
クを用いるとともに、前記自己回帰モデルの出力を利用
して前記ニューラルネットワークを学習させるオンライ
ン学習手段を設けた。

【００１０】さらに，請求項３記載の発明である路面摩
擦係数推定装置は、上記請求項１記載の発明において、
前記ニューラルネットワークは自己回帰モデルを有する
ニューラルネットワークを用いるとともに、前記自己回
帰モデルの出力を利用して前記ニューラルネットワーク
を学習させるオンライン学習手段を設けた。

【００１１】

【作用】請求項１記載の発明にあっては、車両走行状態
検出手段が車両の走行状態（例えば、舵角，スロットル
開度等の運転状態や、前後加速度，ヨーレート等の車両
挙動状態等）を検出すると、それらがニューラルネット
ワークに入力される。すると、ニューラルネットワーク
において各ニューロンの結合状態や入力に対する重み係
数等に応じた演算が行われ、ニューラルネットワークの
出力層から路面摩擦係数の推定結果が出力される。

【００１２】入力として用いられる車両の走行状態は、
路面摩擦係数の影響を受けて変化するものである必要が
あるが、検出可能な車両の走行状態の多くは路面摩擦係
数の影響を受けることから、この路面摩擦係数推定装置
を搭載する車両における他の制御（例えば、後輪操舵制
御、駆動力配分制御等）で使用されているセンサの出力
を利用すればよい。また、ニューラルネットワークは、
車両に搭載される前に、そのような車両の走行状態を入
力とし既知の路面摩擦係数を教師信号として多くのケー
スに基づく学習を済ませておく必要がある。

【００１３】また、ニューラルネットワークは複数個
（ここでは、ｎ個とする）の数値を並列に出力するた
め、それら出力のそれぞれの値をＯ_i（ｉ＝１，…，
ｎ）、ニューラルネットワークの学習の際に用いられる
教師信号をＴ_j（ｊ＝１，…，ｎ）、その教師信号Ｔ_j
の各要素をｔ_ji、教師信号Ｔ_jに対応する既知の路面摩
擦係数をμ_j ^*とすれば、出力Ｏ_iが教師信号Ｔ_jの対
応する要素ｔ_jiに一致するように例えばバックプロパゲ
ーション等のアルゴリズムに従って学習を行うことによ
りニューラルネットワークのシステム同定が行われるこ
とになる。

【００１４】そして、ニューラルネットワークによって
路面摩擦係数を推定する際には、複数の出力Ｏ_iによっ
て一つの路面摩擦係数が表されることになるから、一つ
の出力で路面摩擦係数を表す場合に比べて高精度の推定
が行われる。さらに、請求項２又は３記載の発明にあっ
ては、自己回帰モデルを有するニューラルネットワーク
を用いるとともに、オンライン学習手段を有するため、
過渡応答時であっても高精度の路面摩擦係数の推定が行
われる。

【００１５】

【実施例】以下、この発明の実施例を図面に基づいて説
明する。図１は本発明の第１実施例における車両の概略
構成図であって、この実施例は、４ＷＳ機能を有する車
両に本発明に係る路面摩擦係数推定装置を適用したもの
である。

【００１６】先ず、構成を説明すると、図１において、
前輪１Ｌ，１Ｒはナックル（図示せず）を介してタイロ
ッド３Ｌ，３Ｒの外端に連結され、そのタイロッド３
Ｌ，３Ｒの内端は、ラックアンドピニオン式ステアリン
グ装置４のラック軸４ａに接続されている。そして、ラ
ックアンドピニオン式ステアリング装置４のピニオン軸
（図示せず）とステアリングホイール６とがステアリン
グシャフト５を介して回転伝達可能に接続されている。
つまり、前輪１Ｌ，１Ｒは、操縦者がステアリングホイ
ール６を操舵することにより、左右に転舵されるように
なっている。

【００１７】一方、後輪２Ｌ，２Ｒには、図示しないデ
ィファレンシャルギヤボックスで分配された駆動力を受
けて回転する車軸１０Ｌ，１０Ｒの外端が回転力伝達可
能に連結されている。従って、この車両は後輪２Ｌ，２
Ｒが駆動輪となる後輪駆動車である。さらに、この車両
は、モータ１１の回転力によって駆動する後輪操舵装置
１２を有しており、この後輪操舵装置１２に内端が連結
された後輪操舵用のタイロッド１３Ｌ，１３Ｒの外端
が、後輪２Ｌ，２Ｒに連結されている。従って、後輪２
Ｌ，２Ｒは、モータ１１に供給する電流を制御すること
により、任意の方向に且つ任意の大きさで転舵されるよ
うになっている。

【００１８】モータ１１には、モータドライバ１５が接
続されていて、このモータドライバ１５と、これに電力
を供給するバッテリ１６のリレースイッチ１６ａとが、
マイクロコンピュータや必要なインタフェース回路等を
含んで構成されるコントローラ２０によって制御される
ようになっている。コントローラ２０は、後述する演算
処理を実行して車両の操縦安定性が向上するような目標
後輪舵角δ_r ^*を算出し、そして、後輪２Ｌ，２Ｒの実
際の舵角である実後輪舵角δ_rがその目標後輪舵角δ_r
^*に一致するように、モータドライバ１５に制御信号Ｃ
Ｓを出力してモータ１１を駆動させるものであり、かか
るコントローラ２０には、そのような制御に必要な種々
の信号が供給されている。

【００１９】この実施例では、コントローラ２０には、
例えば公知のポテンショメータから構成されステアリン
グホイール６の操舵角を検出する操舵角センサ２１、例
えば変速機の出力軸に取り付けられた回転速度計から構
成され車速を検出する車速センサ２２、例えば公知のジ
ャイロから構成され車両に発生しているヨーレートを検
出するヨーレートセンサ２３、例えば公知のジャイロ等
を利用して構成され車両の横滑り角を検出する横滑り角
センサ２４及び例えば後輪操舵装置１２のギアの回転角
等に基づいて後輪２Ｌ，２Ｒの実後輪舵角δ_rを検出す
る後輪舵角センサ２５が接続されていて、それら各セン
サ２１〜２５から供給される操舵角θ、車速ｖ、ヨーレ
ートφ、横滑り角β及び実後輪舵角δ_rに基づいて所定
の制御を実行する。

【００２０】図２はコントローラ１０内で実行される後
輪操舵制御に関する処理の概要を示すフローチャートで
あり、この処理は、図示しないオペレーティングシステ
ムにより所定周期（例えば、５msec）毎の割り込み処理
として実行される。処理の流れをフローチャートに従っ
て説明すると、先ずそのステップ１０１において、操舵
角センサ２１から供給される操舵角θ、車速センサ２２
から供給される車速ｖ、ヨーレートセンサから供給され
るヨーレートφ、横滑り角センサ２４から供給される横
滑り角β及び後輪舵角センサ２５から供給される実後輪
舵角δ_rを読み込む。

【００２１】次いで、ステップ１０２に移行し、ステッ
プ１０１で読み込んだ操舵角θ、車速ｖ、ヨーレートφ
及び横滑り角βを入力として、図３に示すようなニュー
ラルネットワークＮＮに基づく演算処理を実行して、路
面摩擦係数μを演算する。ニューラルネットワークＮＮ
の内容については後に詳細に説明する。そして、ステッ
プ１０３に移行し、次のステップ１０４で使用する後輪
舵角決定用係数Ｃ₁を下記の（１）式に従って設定す
る。

【００２２】Ｃ₁＝Ｃ₀・μ ……（１）ステップ１０２で演算される路面摩擦係数μは、0.０≦
μ≦1.０という範囲に収まる無次元化された係数であっ
て、乾いた舗装路のように滑り難い状態で1.０に近い値
を採り、凍結された路面のように滑り易い状態では0.０
に近い値を採るようになっている。従って、後輪舵角決
定用係数Ｃ₁は、走行路面が滑り難い状態では定数Ｃ₀
に近い値を採り、走行路面が滑り易くなるほど小さい値
を採ることになる。

【００２３】ステップ１０３の演算が行われた後には、
ステップ１０４に移行し、車両を２輪モデルで近似して
横滑り角β＝０とした場合のヨーレートφと前輪舵角δ
_fとの関係を表す下記の（２）式に従って、目標ヨーレ
ートφ^*を演算する。 φ^*＝｛Ｇ₀／（１＋τ₀ｓ）｝δ_f ……（２）なお、前輪舵角δ_fは、前輪１Ｌ，１Ｒ側のステアリン
グギア比Ｎから、 δ_f＝θ／Ｎとして求められる。また、Ｇ₀＝Ｃ₁ＶＬ／（ＭＬ_rＶ²＋ＬＬ_fＣ₁） τ₀＝ＶＩ／（ＭＬ_rＶ²＋ＬＬ_fＣ₁）であり、Ｍ，Ｉ，Ｌ_f，Ｌ_r，Ｌ（＝Ｌ_f＋Ｌ_r）は車
両諸元等によって決まる定数、ｓはラプラス演算子であ
る。

【００２４】目標ヨーレートφ^*が求められたら、ステ
ップ１０５に移行し、下記の（３）式に従って目標後輪
舵角δ_r ^*を演算する。 δ_r ^*＝Ｋ_p（φ^*−φ） ……（３）Ｋ_pは比例定数である。このように目標ヨーレートφ^*
と実際のヨーレートφとの偏差に比例定数Ｋ_pを乗じる
ことにより目標後輪舵角δ_r ^*が決定されるのであるか
ら、比例定数Ｋ_pを大きくすれば外乱があっても車両を
目標ヨーレートφ^*に近づけることが可能であるが、実
際にはモータ１１等の応答遅れ等が存在するため、比例
定数Ｋ_pをあまり大きくすることはできない。ここで
は、Ｋ_p＝−１（sec ）とする。

【００２５】そして、ステップ１０６に移行し、実後輪
舵角δ_rが目標後輪舵角δ_r ^*に一致するようなモータ
ドライバ１５に対する制御信号ＣＳを決定し、この制御
信号ＣＳをステップ１０７においてモータドライバ１５
に供給する。なお、ステップ１０７では、リレースイッ
チ１６ａがオフの場合にはこれをオンとするような制御
信号も出力する。モータドライバ１５に制御信号を供給
したら、今回の割り込み処理を終了し、次の割り込みタ
イミングとなったらステップ１０１に戻って上述した処
理を繰り返し実行するようになっている。

【００２６】ここで、ステップ１０２における路面摩擦
係数μの演算に用いられるニューラルネットワークＮＮ
は、図３に示すように、操舵角θ，車速ｖ，ヨーレート
φ及び横滑り角βを入力とし、路面摩擦係数μを出力と
したネットワークであって、この例では、入力層，中間
層及び出力層の三層構造のニューラルネットワークＮＮ
を用いている。

【００２７】そして、ニューラルネットワークＮＮを構
成する各ニューロンｎｒは、所定個数の入力ｘ_kに対し
て一つの出力ｙを生成する処理要素であって、所定の伝
達関数に従って出力ｙを生成する。例えば、各ニューロ
ンｎｒへの個々の入力に対する重み係数をｗ_k、自己の
状態に関する定数をεとすれば、下記の（４）式のよう
な伝達関数を用いることができる。

【００２８】ニューラルネットワークＮＮは、車両に搭載される前に
学習を行っておく必要がある。具体的には、多数パター
ンの操舵角θ，車速ｖ，ヨーレートφ及び横滑り角βに
対する既知の路面摩擦係数μ^*を教師信号として、その
既知の路面摩擦係数μ^*と出力層のニューロンｎｒから
出力される路面摩擦係数μとの誤差が小さくなるよう
に、各ニューロンｎｒの重み係数や定数εを更新するの
である。このような学習のアルゴリズムとしては、例え
ば公知のバックプロパゲーション等が適用される。

【００２９】図４（ｂ）〜（ｇ）は、車速ｖ＝１００km
／ｈにおいて操舵角θを図４（ａ）に示すように正弦波
状に変化させた場合のヨーレートφ及び横滑り角βの変
化を複数の路面摩擦係数μ（＝1.０，0.４，0.１）毎に
求めた車体運動シミュレーションの結果を示す波形図で
あり、これら波形図からも判るように、操舵に対する応
答としてのヨーレートφ及び横滑り角βは、路面摩擦係
数μの影響を受けて大きく変化するものである。なお、
ここには図示しないが、車速ｖが異なればヨーレートφ
及び横滑り角βの波形も変化することが判っている。

【００３０】従って、図３に示すようなニューラルネッ
トワークＮＮを用いれば、路面摩擦係数μを推定するこ
とは十分に可能である。次に、本実施例の動作を説明す
る。コントローラ２０内のマイクロコンピュータにおい
て所定の割り込みタイミング毎に図２に示す処理が実行
されるため、各センサの出力値である操舵角θ，車速
ｖ，ヨーレートφ，横滑り角β及び実後輪舵角δ_rが読
み込まれ、そして、操舵角θ，車速ｖ，ヨーレートφ及
び横滑り角βを入力として、図３に示したニューラルネ
ットワークＮＮに基づく演算処理が実行され、路面摩擦
係数μが演算される。ただし、ニューラルネットワーク
ＮＮは異なる単位の数値を入力として、やはりそれら入
力とは単位の異なる路面摩擦係数μを演算するものであ
るから、入力値は無次元化（0.０〜1.０の範囲内で正規
化）する必要があり、出力値は無次元化された値として
得られる。

【００３１】表１は、図３に示すニューラルネットワー
クＮＮによって演算された路面摩擦係数μの結果を種々
の車速ｖ毎に示しており、同時に路面摩擦係数μの真の
値も示している。なお、この結果を得たニューラルネッ
トワークＮＮは、３つの路面摩擦係数μ（＝1.０，0.
４，0.１）に対して学習を行ったものである。

【００３２】

【表１】

【００３３】表１に示す結果からも判るように、ニュー
ラルネットワークＮＮを用いることにより、直接測定す
ることが非常に困難な路面摩擦係数μを、ある程度の精
度で推定することが可能となるのである。なお、上記表
１に示す結果を得たニューラルネットワークＮＮは、剛
体マスバネモデルを用いた車両の応答を使って学習を行
っているため、その推定精度がやや低いかも知れない
が、これは、実際に対象とする車両を種々の速度で且つ
異なる摩擦係数の道路を走行させて運動特性を表すパラ
メータ（ここでは、操舵角θ，ヨーレートφ，横滑り角
β）を記録し、その記録したパラメータに基づいてニュ
ーラルネットワークＮＮの学習を行えば、より高い精度
の推定が可能となる。また、ここでは３つの路面摩擦係
数μ（＝1.０，0.４，0.１）に対して学習を行っている
が、教師信号の種類をさらに多くすれば、ニューラルネ
ットワークＮＮの推定精度をさらに上げることは可能で
ある。

【００３４】そして、コントローラ１０内のマイクロコ
ンピュータは、その推定された路面摩擦係数μを考慮し
て目標後輪舵角δ_r ^*を演算し、そして、実後輪舵角δ
_rがその目標後輪舵角δ_r ^*に一致するようにモータド
ライバ１５に対して制御信号ＣＳを出力する。つまり、
本実施例にあっては、直接測定することが実質的に不可
能な路面摩擦係数μを、測定が容易な操舵角θ，車速
ｖ，ヨーレートφ及び横滑り角βに基づいて推定するこ
とが可能であり、そして、その推定された路面摩擦係数
μを用いて４ＷＳ車両の後輪舵角制御を行う構成となっ
ているため、路面摩擦係数μを考慮せずに後輪舵角制御
を行っていた従来の４ＷＳ車両よりもさらに操縦安定性
が向上するようになるのである。

【００３５】図５は、乾いた路面を車速ｖ＝１２０km／
ｈで直進走行中に、操舵角θを３０度だけステップ状に
変化させた場合のヨーレートφ，横方向速度ｖ_y及び後
輪舵角δ_rの変化を示す波形図であって、波形Ａは路面
摩擦係数μを考慮しない従来の４ＷＳ車両の応答、波形
Ｂは通常の２ＷＳ車両の応答を示している。このよう
に、路面摩擦係数μを考慮せずに後輪を操舵する従来の
４ＷＳ車両であっても、通常の２ＷＳ車両に比べて、ヨ
ーレートφのハンチングを抑制でき、横滑り角（＝ｖ_y
／ｖ）も零に近づくため、運転し易くなっているといえ
る。

【００３６】図６は、積雪のある路面を車速ｖ＝１２０
km／ｈで直進走行中に、操舵角θを３０度だけステップ
状に変化させた場合のヨーレートφ，横方向速度ｖ_y及
び後輪舵角δ_rの変化を示す波形図であって、波形Ａは
路面摩擦係数μを考慮しない従来の４ＷＳ車両の応答、
波形Ｂは通常の２ＷＳ車両の応答、波形Ｃは超音波セン
サ等により路面摩擦係数μを検出しその検出値に基づい
て後輪操舵制御を行った４ＷＳ車両の応答、波形Ｄは本
実施例の４ＷＳ車両の応答を示している。

【００３７】これによれば、積雪のある路面では、従来
の４ＷＳ車両でも横滑り角をそれほど抑えることができ
ないのに対し、路面摩擦係数μを考慮して後輪操舵制御
を行う４ＷＳ車両では、横滑り角を小さく抑えて運転が
し易くなっている。特に、本実施例の４ＷＳ車両であれ
ば、積雪のある路面においても、従来の４ＷＳ車両が乾
いた路面で達成できるのと同程度に横滑り角を小さくす
ることができる。つまり、本実施例の構成であれば、路
面摩擦係数μの変化に関わらず、良好な操縦安定性を得
ることができるのである。

【００３８】ここで、本実施例にあっては、操舵角セン
サ２１，車速センサ２２，ヨーレートセンサ２３及び横
滑り角センサ２４のそれぞれが車両走行状態検出手段に
対応し、操舵角θ，車速ｖ，ヨーレートφ及び横滑り角
βのそれぞれが車両の走行状態に対応する。図７は本発
明の第２実施例を示す図であり、この実施例は、統計的
な数学モデルに基づくニューラルネットワークＮＮを用
いた点に特徴がある。

【００３９】具体的には、ニューラルネットワークＮＮ
は、出力層に３個のニューロンｎｒを設けることによ
り、３個の出力Ｏ₁，Ｏ₂及びＯ₃を並列に出力するよ
うになっている。そして、このニューラルネットワーク
ＮＮも、上記第１実施例の場合と同様に車両に搭載され
る前に適宜学習を行っておく必要があるが、ニューラル
ネットワークＮＮの出力がＯ₁，Ｏ₂，Ｏ₃という３つ
の数値として得られるため、これに対応した学習を行う
必要がある。

【００４０】ここでは、図７にも示すように、ニューラ
ルネットワークＮＮの出力に対応した３つの教師信号Ｔ
₁，Ｔ₂，Ｔ₃を用いるとともに、それら一つ一つを、
既知の路面摩擦係数μ₁ ^*（＝1.０），μ₂ ^*（＝0.
４），μ₃ ^*（＝0.１）に対応させ、そして、各教師信
号Ｔ₁，Ｔ₂，Ｔ₃は、ニューラルネットワークＮＮの
出力の個数に対応した３つの要素ｔ_.1，ｔ_.2，ｔ_.3（・
＝１，２又は３）から構成している。この実施例では、Ｔ₁＝（１，０，０）Ｔ₂＝（０，１，０）Ｔ₃＝（０，０，１）であり、それら各教師信号Ｔ₁，Ｔ₂，Ｔ₃の各要素ｔ
_.1，ｔ_.2，ｔ_.3と、出力Ｏ₁，Ｏ₂，Ｏ₃との誤差が小
さくなるように、バックプロパゲーション等の学習アル
ゴリズムを利用して学習を行うのである。

【００４１】表２は、表１と同様に図７に示すニューラ
ルネットワークＮＮによって演算された路面摩擦係数μ
の結果を種々の車速ｖ毎に示した表である。

【００４２】

【表２】

【００４３】ただし、ニューラルネットワークＮＮの出
力がＯ₁〜Ｏ₃の３つの数値であり、学習の際に上述し
たような教師信号Ｔ₁〜Ｔ₃を用いていることから、路
面摩擦係数μは、下記の（５）式に基づいて演算され
る。表１及び表２を比較すると、本実施例のように統計的な
数学モデルに基づくニューラルネットワークＮＮを用い
た方が高精度に路面摩擦係数μを推定することができる
のが判る。これは、一つの路面摩擦係数μを３つの出力
Ｏ₁〜Ｏ₃で表現されるように、出力層に３つのニュー
ロンｎｒを設けたため、推定精度に影響を与える重み係
数の個数が増えるとともにニューロンｎｒ間の結合関係
が複雑になったことが主な原因である。

【００４４】つまり、本実施例にあっては、直接測定す
ることが実質的に不可能な路面摩擦係数μを、上記第１
実施例よりもさらに高精度に推定することが可能である
から、その推定された路面摩擦係数μを用いて４ＷＳ車
両の後輪舵角制御を行えば、上記第１実施例よりもさら
に操縦安定性が向上するようになる。その他の作用効果
等は上記第１実施例と同様であるためその説明は省略す
る。

【００４５】なお、本実施例では、ニューラルネットワ
ークＮＮの出力を３つとしているが、この個数は任意で
あり、マイクロコンピュータの演算能力等に応じて適宜
増減できるものである。そして、ニューラルネットワー
クＮＮの出力の個数は多いほど高精度に路面摩擦係数μ
が推定されるようになるから、マイクロコンピュータの
演算能力の範囲で可能な限り出力の個数は多くした方が
よい。

【００４６】図８及び図９は本発明の第３実施例を示す
図であり、この実施例は、自己回帰モデルの一つである
ＡＲＭＡ（Auto Regressive Moving Average）モデルを
有するニューラルネットワークＮＮを用いた点に特徴が
ある。ここで、上記第１実施例で説明した図４にも示さ
れるように、路面摩擦係数μが異なればヨーレートφ及
び横滑り角βの応答に特徴が現れるのであるが、操舵状
態が変化した直後は、ヨーレートφ及び横滑り角βは過
渡応答の状態であり、その過渡応答は路面摩擦係数μに
よっても異なるが１〜４秒程度続いてしまうため、操舵
状況が変化した後は、ヨーレートφ及び横滑り角βの応
答が定常応答となるまでの間は路面摩擦係数μの推定精
度が極端に落ちてしまう恐れがある。

【００４７】つまり、高速道路を走行している場合のよ
うに同じ操舵状態が比較的長く続く走行状況であれば特
に問題はないのであるが、通常の街中を走行している場
合のように操舵状態が頻繁に変化する状況においては、
路面摩擦係数μの推定精度が低い恐れがあることから、
路面摩擦係数μを推定してもそれを後輪操舵制御等に有
効に活用できないことになる。

【００４８】これに対し、本実施例では、図８に示すよ
うに、入力Ｉ₁（ｔ），…，Ｉ_m（ｔ）（これら入力
は、例えば上記第１，第２実施例のように、操舵角θ，
車速ｖ，ヨーレートφ及び横滑り角βであってもよい
し、後に説明する他の実施例のようにその他のセンサ出
力であってもよい。）とともにその時間遅れ値Ｉ₁（ｔ
−１），…，Ｉ₁（ｔ−ｋ），…，Ｉ_m（ｔ−１），
…，Ｉ_m（ｔ−ｋ）をニューラルネットワークＮＮの入
力層に供給し、さらに、ニューラルネットワークＮＮの
出力Ｏ₁（ｔ），…，Ｏ_n（ｔ）を時間遅れ演算部３１
及びＡＲＭＡモデル３０を介してニューラルネットワー
クＮＮの入力層に戻している。

【００４９】ＡＲＭＡモデル３０の基本的概念の一例を
図９に示す。この図９の例は、一つの主記憶３０ａと二
つの補助記憶３０ｂ，３０ｃとから構成されたものであ
って、その入力ｘ（ｋ）及び出力ｙ（ｋ＋１）間の関係
は、ＡＲＭＡモデル内の重み係数をα_i（ｔ），β
_j（ｔ），γ_k（ｔ）、主記憶３０ａ及び補助記憶３０
ｂ，３０ｃの記憶数をｎ，ｌ，ｍとすれば、下記の
（６）式のようになる。

【００５０】そして、ＡＲＭＡモデル３０の出力ｙ（ｔ＋１）と、次
の処理におけるＡＲＭＡモデル３０への入力ｘ（ｔ＋
１）との誤差ｅ（ｔ＋１）｛＝ｘ（ｔ＋１）−ｙ（ｔ＋
１）｝が小さくなるように、最小自乗法を利用して、重
み係数をα_i（ｔ），β_j（ｔ），γ_k（ｔ）及び記憶
数をｎ，ｌ，ｍを適宜更新する処理を上記第１実施例で
説明した図２に示す処理とともに実行する。

【００５１】つまり、本実施例では、上記第１，第２実
施例のように現在の入力値のみではなく、過去の入力や
出力をそれに応じた重み係数を乗じてニューラルネット
ワークＮＮに取り込むとともに、ＡＲＭＡモデル３０の
出力を利用してニューラルネットワークＮＮの一部をな
すＡＲＭＡモデル３０内の重み係数や記憶数を更新する
機能（即ち、オンライン学習機能）を備えているため、
定常応答時だけでなく、操舵状態が変化した直後のよう
に過渡応答時であっても、高精度に路面摩擦係数μを推
定することができるのである。

【００５２】よって、通常の街中を走行するような場合
であっても、路面摩擦係数μを取り入れて後輪操舵制御
を行うことができるから、全体的に操縦安定性を向上さ
せることができるようになる。ちなみに、本実施例のよ
うに自己回帰モデルを有するニューラルネットワークＮ
Ｎを用いずに同等の効果を得ようとすると、センサ入力
を多数の周波数成分毎に分解し、各周波数成分毎に設け
られたニューラルネットワークで演算を行い、それら各
ニューラルネットワークの出力を時間軸上に戻して路面
摩擦係数μを演算する構成としなければならないが、十
分な精度を得るためにはセンサ入力を非常に多く次数成
分毎（例えば、１００次以上）に分解する必要があるた
め、実質的に実現不可能である。

【００５３】ここで、本実施例では、上述した最小自乗
法を利用して重み係数及び記憶数を更新する処理によっ
て、オンライン学習手段が構成される。なお、本実施例
では、自己回帰モデルとしてＡＲＭＡモデルを適用した
場合について説明したが、他の自己回帰モデル、例え
ば、ＡＲＭＡＸ（ＡＲＭＡ＋ＡＲＸ（Auto Regressive
Exogenous ））モデルや、拡張カルマンフィルタ等を用
いてもよい。

【００５４】図１０は本発明の第４実施例を示す図であ
り、この実施例では、ニューラルネットワークＮＮへの
入力として、操舵角θ，車速ｖ及びヨーレートφの３つ
のセンサ出力を利用したものである。即ち、上記第１〜
第３実施例では、操舵角θ，車速ｖ，ヨーレートφ及び
横滑り角βの４つをニューラルネットワークＮＮへの入
力としているのに対し、本実施例では、横滑り角βを省
略しているのであり、横滑り角センサが不要である分、
安価な構成とすることができる。つまり、横滑り角セン
サを有しない車両であっても、容易に適用することがで
きるという利点がある。また、本実施例の構成は、特に
４ＷＳ車両であれば既に必要なセンサが備えられている
ことから、安価に実現できる。

【００５５】図１１は本発明の第５実施例を示す図であ
り、上記第４実施例の構成に前後加速度Ｘｇをニューラ
ルネットワークＮＮへの入力として加えたものである。
即ち、車体に発生するヨーレートφは、路面摩擦係数μ
の影響を受けて大きく変化するものであるが、その他に
制動力の影響を受けても大きく変化するものであること
から、その制動力に応じて変化する前後方向加速度Ｘｇ
をニューラルネットワークＮＮへの入力とすることによ
り、路面摩擦係数μの推定精度を向上させようというも
のである。

【００５６】例えば、路面摩擦係数μが1.０に近い乾い
た路面を走行中に、軽いブレーキ操作をしつつステアリ
ングを操舵すると、大きめのヨーレートが発生するが、
同じ状況で強いブレーキ操作をすれさ小さめのヨーレー
トが発生するのである。従って、本実施例のように前後
方向加速度ＸｇをもニューラルネットワークＮＮへの入
力とすれば、さらに高精度に路面摩擦係数μを推定する
ことができるようになる。また、本実施例の構成は、特
に４ＷＳ車両であれば必要なセンサが既に備えられてい
ることから、安価に実現できる。

【００５７】図１２は本発明の第６実施例を示す図であ
り、上記第５実施例の構成に実後輪舵角δ_rをニューラ
ルネットワークＮＮへの入力として加えてものである。
即ち、４ＷＳ車両であれば、後輪舵角によっても発生す
るヨーレートが変化することから、実後輪舵角δ_rをも
ニューラルネットワークＮＮへの入力とすればまたさら
に高精度に路面摩擦係数μを推定することができるよう
になる。

【００５８】図１３は本発明の第７実施例を示す図であ
り、車輪回転数ω，ブレーキ圧力Ｐ及びブレーキトルク
Ｔ_BをニューラルネットワークＮＮへの入力としたもの
である。即ち、路面摩擦係数μが異なれば、同じブレー
キ圧力Ｐに対する車輪回転数ω及びブレーキトルクＴ_B
が異なることから、本実施例の構成であっても、路面摩
擦係数μの推定が可能となるのである。

【００５９】特に、本実施例の構成であれば、車両の直
進時であってもブレーキ操作が行われれば路面摩擦係数
μを推定することができるという利点がある。また、本
実施例の構成は、ＡＢＳを有する車両であれば必要なセ
ンサは既に備えられていることから、安価に実現でき
る。図１４は本発明の第８実施例を示す図であり、車輪
回転数ω，エンジン回転数Ｎ_E，スロットル開度κ及び
駆動トルクＴ_EをニューラルネットワークＮＮへの入力
としたものである。

【００６０】このような構成であれば、アクセルを踏み
込んだ時の車輪回転数ωの変化から路面摩擦係数μを推
定することができるから、直進走行時に単に加速する場
合でも路面摩擦係数μを推定することができるようにな
る。また、本実施例の構成は、ＴＣＳを有する車両であ
れば必要なセンサは既に備えられていることから、安価
に実現できる。

【００６１】図１５は本発明の第９実施例を示す図であ
り、操舵角θ及びパワーステアリング装置の油圧Ｐ_Sを
ニューラルネットワークＮＮへの入力としたものであ
る。即ち、油圧式パワーステアリング装置を有する車両
においては、路面摩擦係数μが異なれば、操舵角θに対
して発生するパワステ油圧Ｐ_Sが異なることから、本実
施例の構成であっても、路面摩擦係数μの推定が可能と
なる。

【００６２】そして、本実施例の構成であれば、４Ｗ
Ｓ，ＡＢＳ，ＴＣＳ等の特殊な機能を有しない車両であ
っても、安価に実現できるという利点がある。図１６は
本発明の第１０実施例を示す図であり、上記第９実施例
の構成に車速ｖをニューラルネットワークＮＮへの入力
として加えたものである。このような構成であれば、上
記第９実施例と同様の利点があり、車速感応型の油圧式
パワーステアリング装置であっても高精度に路面摩擦係
数μを推定することができるようになる。

【００６３】図１７は本発明の第１１実施例を示す図で
あり、これは、上記各実施例で説明したような特徴を有
するニューラルネットワークＮＮを複数設けるととも
に、それらニューラルネットワークＮＮの出力である路
面摩擦係数μをさらに別のニューラルネットワークＮＮ
₀の入力とし、そのニューラルネットワークＮＮ₀でさ
らに路面摩擦係数μ₀を演算しようとするものである。

【００６４】このような構成であれば、上記各実施例で
求められた路面摩擦係数μに基づいて路面摩擦係数μ₀
が求められることから、推定精度が飛躍的に向上するよ
うになる。図１８は本発明の第１２実施例を示す図であ
り、この実施例は、上記第４〜第１１実施例の機能を統
合したものである。

【００６５】即ち、上記第４〜第１１実施例に必要なセ
ンサ出力を全て読み込み可能とし、それらセンサ出力
を、データローダ３５及びスイッチ３６を介して、必要
な組み合わせにしてニューラルネットワークＮＮに供給
可能としたものである。そして、例えば車両が４ＷＳ車
両として機能しており且つ操舵が行われている場合には
上記第４，第５又は第６実施例として機能させるべくそ
れに必要なセンサ出力をニューラルネットワークＮＮに
供給し、例えば制動時には上記第７実施例として機能さ
せるべくそれに必要なセンサ出力をニューラルネットワ
ークＮＮに供給し、例えば加速時には上記第８実施例と
して機能させるべくそれに必要なセンサ出力をニューラ
ルネットワークＮＮに供給し、特に高精度の路面摩擦係
数μの推定が必要な場合には上記第１１実施例として機
能させるべく全てのセンサ出力をニューラルネットワー
クＮＮに供給する。なお、本実施例の場合、ニューラル
ネットワークＮＮの入力数は選択された機能によって異
なることになるが、非供給状態の入力層には“０”を入
力するようにし、それに対応して適宜学習を行っておけ
ばよい。

【００６６】このような構成であれば、上記各実施例の
それぞれの利点を生かすことができるから、どのような
状況においても路面摩擦係数μを推定し、これを各種制
御に有効に用いることができるようになる。なお、上記
各実施例では、特に４ＷＳ車両に本発明を適用した場合
について説明したが、本発明を適用できる車両はこれに
限定されるものではなく、４ＷＤ，ＡＢＳ，ＴＣＳ等の
各種の機能を備えた車両であってもよいし、或いはエン
ジン制御やパワーステアリング制御等に適用することも
可能である。

【００６７】また、ニューラルネットワークＮＮへの入
力としての車両の走行状態は、上記各実施例で説明した
ものに限定されるものではなく、要は、路面摩擦係数の
影響受けて変化し且つ検出が可能なものであれば何であ
ってもよい。

【００６８】

【発明の効果】以上説明したように、本発明によれば、
車両の走行状態を検出し、これをニューラルネットワー
クへの入力として路面摩擦係数を演算する構成としたた
め、直接検出可能なパラメータに基づき、直接測定が困
難な路面摩擦係数を高精度に推定することができるとい
う効果がある。

【００６９】特に、請求項１記載の発明であれば、より
高精度に路面摩擦係数を推定することができるという効
果がある。また、請求項２記載の発明であれば、過渡応
答時であっても高精度に路面摩擦係数を推定することが
できるという効果がある。さらに、請求項３記載の発明
であれば、請求項１記載の発明と請求項２記載の発明と
を併せた効果を奏することができる。

【図面の簡単な説明】

【図１】本発明の第１実施例における車両の構成を示す
概念図である。

【図２】コントローラ内で実行される処理の概要を示す
フローチャートである。

【図３】第１実施例におけるニューラルネットワークの
構成を示す概念図である。

【図４】操舵に対するヨーレート及び横滑り角の応答の
例を示す波形図である。

【図５】従来の４ＷＳ車両の制御効果を説明する波形図
である。

【図６】本実施例の効果を説明する波形図である。

【図７】第２実施例におけるニューラルネットワークの
構成を示す概念図である。

【図８】第３実施例におけるニューラルネットワークの
構成を示す概念図である。

【図９】ＡＲＭＡモデルの一例を示す概念図である。

【図１０】第４実施例の構成図である。

【図１１】第５実施例の構成図である。

【図１２】第６実施例の構成図である。

【図１３】第７実施例の構成図である。

【図１４】第８実施例の構成図である。

【図１５】第９実施例の構成図である。

【図１６】第１０実施例の構成図である。

【図１７】第１１実施例の構成図である。

【図１８】第１２実施例の構成図である。

【符号の説明】

２０コントローラ２１操舵角センサ２２車速センサ２３ヨーレートセンサ２４横滑り角センサ２５後輪舵角センサＮＮ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 113:00 123:00 127:00 137:00 (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】車両の走行状態を検出する車両走行状態
検出手段と、この車両走行状態検出手段が検出した車両
の走行状態を入力とし路面摩擦係数を出力とするニュー
ラルネットワークと、を備え、前記ニューラルネットワークは、複数個の数値を並列に
出力するニューラルネットワークを用いるとともに、前
記複数個の出力と同じ個数の要素からなり既知の路面摩
擦係数に応じたパターンに設定される数列を教師信号と
して学習を行ったものであることを特徴とする路面摩擦
係数推定装置。
【請求項２】車両の走行状態を検出する車両走行状態
検出手段と、この車両走行状態検出手段が検出した車両
の走行状態を入力とし路面摩擦係数を出力とするニュー
ラルネットワークと、を備え、前記ニューラルネットワークは自己回帰モデルを有する
ニューラルネットワークを用いるとともに、前記自己回
帰モデルの出力を利用して前記ニューラルネットワーク
を学習させるオンライン学習手段を設けたことを特徴と
する路面摩擦係数推定装置。
【請求項３】前記ニューラルネットワークは自己回帰
モデルを有するニューラルネットワークを用いるととも
に、前記自己回帰モデルの出力を利用して前記ニューラ
ルネットワークを学習させるオンライン学習手段を設け
た請求項１記載の路面摩擦係数推定装置。