JP3071333B2 - 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よう
にした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、先に本願出願人により提案された
特願平３−８０１０３号では、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
（スロットル開度）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よう
になっている。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は、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、車両
の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、スロットル開度が制御され、もって車両の駆
動力が制御される。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と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、そのマップのデータが修正
されてバックアップＲＡＭに記憶し直されるようになっ
ている。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。

【０００４】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
決定されることになった。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適した駆動
力が得られ、良好な運転性能が得られることになった。

【０００５】しかしながら、上記の提案技術では、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ているだけであっ
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。
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った。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
ものとなる傾向があった。

【０００６】そこで、上記の不具合に対処することを狙
って、新たな技術が本願出願人により特願平４−３３６
３２３号に提案された。この提案技術では、ニューラル
ネットワーク技術を利用してマップの学習制御が行われ
るようになっている。ここでは、車両の走りに対する運
転者の要求が、その時々の実際の加速度から「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
トル感度が決定されている。又、その決定されたスロッ
トル感度とアクセルストロークとの積から求められる目
標スロットル開度と、実際のスロットル開度とが一致す
るように、エンジンのスロットルバルブが開閉制御され
るようになっている。

【０００７】従って、上記のようにニューラルネットワ
ーク技術を利用してマップの学習制御が行われることか
ら、アクセルストロークの全範囲に対する加速度及びス
ロットル開度の関係の全体が不連続とならず、エンジン
駆動力の制御を運転者によるアクセルストロークの全範
囲に渡って連続的なものとすることができることになっ
た。

【０００８】

【発明が解決しようとする課題】ところが、上記後者の
新たな提案技術では、車両の加速度に基づいて学習制御
が実行されることにより、駆動源の制御量感度（スロッ
トル感度）が決定されるようになっている。つまり、車
両の加速走行時に学習制御が実行されてスロットル感度
が決定されるようになっている。そのため、ある低いス
ロットル感度が決定された状態から、その加速走行後に
即座に車両の速度の大きい走行状態へ移行したい場合、
すなわち、運転者の要求加速度が大きくなった場合であ
っても、しばらくの間は、低いスロットル感度のままで
スロットルバルブが開閉制御される場合がある。例え
ば、スロットル感度の低い状態で走行中に上り坂にさし
かかり、スロットル感度を上昇させるべくアクセルペダ
ルを大きく踏み込んだとしても、車両の加速度がなかな
か上昇しない場合があり得る。そのため、上記従来技術
では、運転者の要求加速度が小さいものと判断してしま
い、スロットル感度がなかなか上昇しない。

【０００９】また、ある高いスロットル感度が決定され
た状態から、その加速走行後に即座に車両の速度の小さ
い走行状態へ移行したい場合、すなわち、運転者の要求
加速度が小さくなった場合であっても、しばらくの間
は、高いスロットル感度のままでスロットルバルブが開
閉制御される場合がある。例えば、スロットル感度の高
い状態で走行中に下り坂にさしかかり、スロットル感度
を低下させるべくアクセルペダルを小さく踏み込んだと
しても、車両の加速度がなかなか低下しない場合があり
得る。そのため、上記従来技術では、運転者の要求加速
度が大きいものと判断してしまい、スロットル感度がな
かなか低下しない。

【００１０】このように、上記の各状態から運転者が速
く走りたくなってアクセルペダルを大きく踏んだり、ゆ
っくり走りたくなってアクセルペダルをそっと踏んだり
したとしても、スロットルバルブが予想外にあまり開か
なくなってしまったり、逆に開いてしまったりする傾向
があった。その結果、運転者の意図を車両の駆動力の制
御に反映させる上で、アクセルコントロール性が十分な
ものでなくなる傾向があり、良好な運転性能の確保が十
分でなくなるおそれがあった。

【００１１】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
御を実現すると共に、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
することが可能で、併せて、駆動源の制御量感度の高い
状態から運転者の要求加速度が小さくなった場合又は駆
動源の制御量感度の低い状態から運転者の要求加速度が
大きくなった場合に速やかに制御量感度を変化させて良
好な運転性能を確保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。

【００１２】

【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
偏差を演算し、その偏差に基づいて学習値を設定する学
習値設定手段Ｍ９と、学習値設定手段Ｍ９により設定さ
れた学習値を学習信号として、その学習値が小さくなる
ように、出力操作手段Ｍ４の操作量及び速度検出手段Ｍ
７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Ｍ１０と、制御量感度モデル学
習手段Ｍ１０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Ｍ１１と、制御
量感度モデル学習手段Ｍ１０により学習される制御量感
度モデルの出力を予め定められた基準値と比較する制御
量感度モデル出力比較手段Ｍ１２と、出力操作手段Ｍ４
の検出により得られる操作量を予め定められた第１の所
定量及びそれよりも小さい第２の所定量と比較する操作
量比較手段Ｍ１３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予め定められ
た第１の所定値及びそれよりも小さい第２の所定値と比
較する偏差比較手段Ｍ１４と、制御量感度モデル出力比
較手段Ｍ１２の比較結果が基準値未満であり、操作量比
較手段Ｍ１３の比較結果が第１の所定量よりも大きく、
かつ、偏差比較手段Ｍ１４の比較結果が第１の所定値よ
りも小さいときには、学習値を、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より
も高い正の値に設定し、制御量感度モデル出力比較手段
Ｍ１２の比較結果が基準値よりも大きく、操作量比較手
段Ｍ１３の比較結果が第２の所定量よりも小さく、か
つ、偏差比較手段Ｍ１４の比較結果が第２の所定値より
も大きいときには、学習値を、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Ｍ
８により学習される加速度モデルの出力との偏差よりも
さらに低い負の値に設定する学習値修正設定手段Ｍ１５
とを備えたことをその要旨としている。

【００１３】

【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の加速度との関係が、運転者の要求
する加速度モデルとして学習される。また、学習値設定
手段Ｍ９では、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が演算され、その偏差
に基づいて学習値が設定される。そして、制御量感度モ
デル学習手段Ｍ１０では、上記の学習値が学習信号とさ
れ、その学習値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Ｍ１１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。

【００１４】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。

【００１５】また、制御量感度モデル出力比較手段Ｍ１
２では、制御量感度モデル学習手段Ｍ１０により学習さ
れる制御量感度モデルの出力が予め定められた基準値と
比較される。操作量比較手段Ｍ１３では、出力操作手段
Ｍ４の検出により得られる操作量が予め定められた第１
の所定量及びそれよりも小さい第２の所定量と比較され
る。偏差比較手段Ｍ１４では、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Ｍ
８により学習される加速度モデルの出力との偏差が予め
定められた第１の所定値及びそれよりも小さい第２の所
定値と比較される。そして、学習値修正設定手段Ｍ１５
では、制御量感度モデル出力比較手段Ｍ１２の比較結果
が基準値未満であり、操作量比較手段Ｍ１３の比較結果
が第１の所定量よりも大きく、かつ、偏差比較手段Ｍ１
４の比較結果が第１の所定値よりも小さいときには、学
習値が、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よりも高い正の値に設定され
る。このため、制御量感度の小さい状態から、車両を速
やかに加速させるべく出力操作手段Ｍ４の操作量を大き
くした場合、加速度の上昇度合いが少ないにもかかわら
ず出力操作手段Ｍ４の操作量が第１の所定値よりも大き
いので、学習値が上記偏差よりも高い正の値に設定され
る。従って、学習される制御量感度モデルの出力が速や
かに上昇する。

【００１６】また、同じく学習値修正設定手段Ｍ１５で
は、制御量感度モデル出力比較手段Ｍ１２の比較結果が
基準値よりも大きく、操作量比較手段Ｍ１３の比較結果
が第２の所定量よりも小さく、かつ、偏差比較手段Ｍ１
４の比較結果が第２の所定値よりも大きいときには、学
習値が、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よりもさらに低い負の値に設
定される。このため、制御量感度の大きい状態から、車
両をゆっくりと加速させるべく出力操作手段Ｍ４の操作
量を小さくした場合、加速度の上昇度合いが多いにもか
かわらず出力操作手段Ｍ４の操作量が第２の所定値より
も小さいので、学習値が上記偏差よりも低い負の値に設
定される。従って、学習される制御量感度モデルの出力
が速やかに低下する。

【００１７】

【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１２に基づいて詳細
に説明する。

【００１８】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。

【００１９】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。

【００２０】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。

【００２１】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。

【００２２】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、学習値設定
手段、制御量感度モデル学習手段、制御量感度モデル出
力比較手段、操作量比較手段、偏差比較手段及び学習値
修正設定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１
２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。

【００２３】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、カウンタの機能
を兼ね備えた中央処理装置（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１２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、ＲＯＭ２
４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。

【００２４】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。

【００２５】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、或いは
別途に設定された設定値に基づきスロットルバルブ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。

【００２６】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。

【００２７】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。

【００２８】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。

【００２９】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に対し、その加速度偏差ΔＧ、第１の所定
値としての第１のしきい値「ｄｇ」又は第２の所定値と
しての第２のしきい値「−ｄｇ」が学習値δ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、第１のしきい値「ｄｇ」又は第２のしきい値
「−ｄｇ」を学習値δとし（この点については後述す
る）、その値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。

【００３０】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。

【００３１】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。

【００３２】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。

【００３３】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Ｔｈｘを求める。続
いて、スロットル感度モデル出力Ｔｈｘより、以下の計
算式（１）に従ってスロットル感度Ｔｈｇを決定する。

【００３４】Ｔｈｇ＝α＋Ｔｈｘ＊ｋ１ …（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、「ｋ１」は正の定数であ
る。

【００３５】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。

【００３６】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。

【００３７】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。

【００３８】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るようになっている。

【００３９】続いて、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との差を加速度
偏差ΔＧとして求める。又、ステップ１０６において
は、今回のルーチンで決定されたスロットル感度Ｔｈｇ
が予め定められた基準値Ｔｈｇｓｔｄよりも小さく、今
回のルーチンで読み込まれたアクセルストロークＳが予
め定められた第１の所定量Ｓ１よりも大きく、かつ、今
回のルーチンで求められた加速度偏差ΔＧが予め定めら
れた第１のしきい値「ｄｇ」よりも小さいか否かを判断
する。但し、第１の所定量Ｓ１は正の値を採り、運転者
が速く走りたいと判断するのに足りる十分に大きな量で
ある。また、第１のしきい値「ｄｇ」は正の値を採り、
この実施例では例えば「ｄｇ＝０．１〔ｇ〕」（但し、
〔ｇ〕は重力加速度を示す）である。そして、スロット
ル感度Ｔｈｇが基準値Ｔｈｇｓｔｄよりも小さく、アク
セルストロークＳが第１の所定量Ｓ１よりも大きく、か
つ、加速度偏差ΔＧが第１のしきい値「ｄｇ」よりも小
さい場合には、ステップ１０７へ移行する。

【００４０】ステップ１０７においては、第１のしきい
値「ｄｇ」を学習値δとして設定する。一方、ステップ
１０６において、各要件のうちのいずれか１つでも満足
しない場合には、ステップ１０８へ移行する。ステップ
１０８においては、今回のルーチンで決定されたスロッ
トル感度Ｔｈｇが予め定められた基準値Ｔｈｇｓｔｄよ
りも大きく、今回のルーチンで読み込まれたアクセルス
トロークＳが予め定められた第２の所定量Ｓ２よりも小
さく、かつ、今回のルーチンで求められた加速度偏差Δ
Ｇが予め定められた第２のしきい値「−ｄｇ」よりも大
きい（高い）か否かを判断する。但し、第２の所定量Ｓ
２は正の値を採り、運転者がゆっくり走りたいと判断す
るのに足りる十分に小さな量である。また、第２のしき
い値「−ｄｇ」は負の値を採り、この実施例では例えば
「−ｄｇ＝−０．１〔ｇ〕」である。そして、スロット
ル感度Ｔｈｇが基準値Ｔｈｇｓｔｄよりも大きく、アク
セルストロークＳが第２の所定量Ｓ２よりも小さく、か
つ、加速度偏差ΔＧが第２のしきい値「−ｄｇ」よりも
大きい場合には、ステップ１０９へ移行する。

【００４１】ステップ１０９においては、第２のしきい
値「−ｄｇ」を学習値δとして設定する。また、ステッ
プ１０８において、各要件のうちのいずれか１つでも満
足しない場合には、ステップ１１０へ移行する。そし
て、ステップ１１０においては、加速度偏差ΔＧを学習
値δとして設定する。

【００４２】最後に、ステップ１０７、ステップ１０９
又はステップ１１０から移行して、ステップ１１１にお
いては、今回のルーチンで設定された学習値δを学習信
号として「スロットル感度モデル」の学習を実行する。
そして、その後の処理を一旦終了する。つまり、学習値
δを学習信号として、その値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Ｔ
ｈ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。

【００４３】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Δ
Ｇ、アクセルストロークＳ等に基づいて上記ステップ１
０７、ステップ１０９又はステップ１１０の処理により
学習値δが設定される。その学習値δを学習信号とし
て、その値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。

【００４４】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。

【００４５】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。

【００４６】次に、上記のような処理動作により決定さ
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とに基づいて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。

【００４７】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、スロットル感度Ｔｈｇの学習
時には、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。又、ニューロコンピュータ２
２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Ｔｈｇ，Ｓの積が目標スロ
ットル開度Ｔｈｇ・Ｓとして求められる。

【００４８】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。

【００４９】そして、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
さいか否かを再び判断する。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２０３，２
０４，２０５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。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へ移行する。
そして、同ステップ２０６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よりも大きくない場合には、
そのままその後の処理を一旦終了する。

【００５０】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。

【００５１】そして、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
きいか否かを再び判断する。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が目標スロットル開度Ｔｈｇ・Ｓ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。

【００５２】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。

【００５３】以上説明したように、この実施例では、ス
ロットル感度Ｔｈｇを求めるための学習時には、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」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Ｔ
ｈｇ・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」にほぼ対応して、「スロ
ットル感度モデル」が得られる。そして、常に運転者Ｄ
Ｒ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。

【００５４】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。

【００５５】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。

【００５６】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。

【００５７】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。

【００５８】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。

【００５９】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」
に基づいて「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、単なる部分的な補正（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。

【００６０】また、この実施例の特徴部分としては、加
速度Ｇと上記の要求加速度モデル出力Ｇｘとの差を加速
度偏差ΔＧとして求め、その加速度偏差ΔＧ、スロット
ル感度Ｔｈｇ及びアクセルストロークＳに基づき、種々
の場合に分けて学習値δを設定するようにしたことであ
る。

【００６１】すなわち、スロットル感度Ｔｈｇが基準値
Ｔｈｇｓｔｄよりも小さく、アクセルストロークＳが第
１の所定量Ｓ１よりも大きく、かつ、加速度偏差ΔＧが
第１のしきい値「ｄｇ」よりも小さい場合には、第１の
しきい値「ｄｇ」が学習値δとして設定される。そのた
め、当初のスロットル感度Ｔｈｇが比較的鈍感で、か
つ、アクセルペダル１０を大きく踏み込んだ場合には、
加速度偏差ΔＧよりも大きな第１のしきい値「ｄｇ」が
学習値δとして設定される。従って、図１０において実
線で示すように、例えばスロットル感度Ｔｈｇの低い状
態（例えばスロットル感度Ｔｈｇ＝「０．５」）から運
転者の要求加速度が大きくなった場合に、従来技術の場
合（図の２点鎖線）とは異なり、速やかにスロットル感
度Ｔｈｇを上昇させてスロットル開度Ｔｈの変動を敏感
なものとさせることができる。すなわち、即座にアクセ
ルペダル１０の少ない操作によって加速度Ｇを大きく変
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の操作性能をさらに向上させること
ができ、良好な運転性能を確保することができる。

【００６２】また、スロットル感度Ｔｈｇが基準値Ｔｈ
ｇｓｔｄよりも大きく、アクセルストロークＳが第２の
所定量Ｓ２よりも小さく、かつ、加速度偏差ΔＧが第２
のしきい値「−ｄｇ」よりも大きい（高い）場合には、
第２のしきい値「−ｄｇ」が学習値δとして設定され
る。そのため、当初のスロットル感度Ｔｈｇが比較的敏
感で、かつ、アクセルペダル１０を少なく踏み込んだ場
合には、加速度偏差ΔＧよりもさらに低い第２のしきい
値「−ｄｇ」が学習値δとして設定される。従って、図
１１において実線で示すように、例えばスロットル感度
Ｔｈｇの高い状態（例えばスロットル感度Ｔｈｇ＝
「１．５」）から運転者の要求加速度が小さくなった場
合に、従来技術の場合（図の２点鎖線）とは異なり、速
やかにスロットル感度Ｔｈｇを低下させてスロットル開
度Ｔｈの変動を鈍感なものとさせることができる。すな
わち、即座にアクセルペダル１０の多い操作によって加
速度Ｇを小さく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の操作性能をさら
に向上させることができ、良好な運転性能を確保するこ
とができる。

【００６３】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１３
（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１３（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。

【００６４】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。

【００６５】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、スロットル感度Ｔｈｇが基準値
Ｔｈｇｓｔｄよりも小さく、アクセルストロークＳが第
１の所定量Ｓ１よりも大きく、かつ、加速度偏差ΔＧが
第１のしきい値「ｄｇ」よりも小さい場合には、第１の
しきい値「ｄｇ」を学習値δとして設定したが、加速度
偏差ΔＧよりも大きければいかなる値に設定してもよ
い。また、スロットル感度Ｔｈｇが基準値Ｔｈｇｓｔｄ
よりも大きく、アクセルストロークＳが第２の所定量Ｓ
２よりも小さく、かつ、加速度偏差ΔＧが第２のしきい
値「−ｄｇ」よりも大きい（高い）場合には、第２のし
きい値「−ｄｇ」を学習値δとして設定するようにした
が、加速度偏差ΔＧよりも低い負の値であればいかなる
値に設定してもよい。さらに、前記実施例では、上記以
外の場合には、加速度偏差ΔＧをそのまま学習値δとし
て設定するようにしたが、このような場合に、学習値δ
を加速度偏差ΔＧ以外の値に設定するような構成として
もよい。

【００６６】（２）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。

【００６７】（３）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。

【００６８】（４）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もできる。

【００６９】（５）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。

【００７０】（６）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。

【００７１】（７）前記実施例では、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。

【００７２】

【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
との偏差を演算し、その偏差に基づいて学習値を設定す
るとともに、学習値が小さくなるように出力操作手段の
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。

【００７３】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。

【００７４】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。

【００７５】又、この発明によれば、操作量比較手段の
比較結果を考慮に入れて学習値を設定するようにしてい
る。従って、駆動源の制御量感度の高い状態から運転者
の要求加速度が小さくなった場合又は駆動源の制御量感
度の低い状態から運転者の要求加速度が大きくなった場
合に速やかに制御量感度を変化させて良好な運転性能を
確保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、「スロットル感度モデル」
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、時刻に対するスロットル
感度の関係を従来技術と対比して示すグラフである。

【図１１】一実施例において、時刻に対するスロットル
感度の関係を従来技術と対比して示すグラフである。

【図１２】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…要求加速
度モデル学習手段、学習値設定手段、制御量感度モデル
学習手段、制御量感度モデル出力比較手段、操作量比較
手段、偏差比較手段及び学習値修正設定手段を構成する
ニューロコンピュータ。

フロントページの続き (51)Int.Cl.⁷ 識別記号 ＦＩ Ｆ０２Ｄ 29/02 ３０１ Ｆ０２Ｄ 29/02 ３０１Ｚ 41/04 ３１０ 41/04 ３１０Ｂ 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１−219336（ＪＰ，Ａ) 特開 平３−78539（ＪＰ，Ａ) 特開 平４−112935（ＪＰ，Ａ) 特開 昭61−8434（ＪＰ，Ａ) 特開 平５−92731（ＪＰ，Ａ) 特開 平４−314940（ＪＰ，Ａ) 特開 平４−293626（ＪＰ，Ａ) 特開 平４−274935（ＪＰ，Ａ) 特開 平４−71933（ＪＰ，Ａ) 特開 平３−96636（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁷，ＤＢ名) F02D 45/00 370 F02D 45/00 340 F02D 29/02 301 F02D 41/04 310

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演算し、その偏差に基づいて学習値
   を設定する学習値設定手段と、 前記学習値設定手段により設定された学習値を学習信号
   とし、その学習値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、 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予め定められた基準値と比較する制
   御量感度モデル出力比較手段と、 前記出力操作手段の検出により得られる操作量を予め定
   められた第１の所定量及びそれよりも小さい第２の所定
   量と比較する操作量比較手段と、 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予め定められた第１の所定値及びそ
   れよりも小さい第２の所定値と比較する偏差比較手段
   と、 前記制御量感度モデル出力比較手段の比較結果が前記基
   準値未満であり、操作量比較手段の比較結果が前記第１
   の所定量よりも大きく、かつ、前記偏差比較手段の比較
   結果が前記第１の所定値よりも小さいときには、前記学
   習値を、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よりも高い正の値に設定し、
   前記制御量感度モデル出力比較手段の比較結果が前記基
   準値よりも大きく、操作量比較手段の比較結果が前記第
   ２の所定量よりも小さく、かつ、前記偏差比較手段の比
   較結果が前記第２の所定値よりも大きいときには、前記
   学習値を、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よりもさらに低い負の値に
   設定する学習値修正設定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。