JP4336277B2 - 運転支援装置 - Google Patents

Description

本発明は、省燃費運転の支援を行う運転支援装置に関するものである。

上述した運転支援装置としては、例えば、特許文献１に記載された車両運転状態評価システムが提案されている。この車両運転状態評価システムによれば、エンジンの回転速度と負荷と燃費率の関係を規定した燃費率マップを参照して、現在のエンジンの回転数及び負荷から現在のエンジンの燃費率を演算する。

また、シフトアップ時のエンジンの回転速度及び負荷を求め、上述した燃費率マップを参照して、シフトアップさせた場合のエンジンの燃費率を演算する。そして、演算された現在の燃費率よりもシフトアップさせた場合の燃費率の方が小さい場合にシフトアップを促すものである。

なお、上述した燃費率マップは、エンジン開発時に得られたデータに基づき作成されるか、車両の走行試験を行いその試験結果に基づいて作成されるものであることが記載されている。何れにしても、燃費率マップは、車両に搭載前に予め作成されるものである。

しかしながら、上述した従来の車両運転状態評価システムでは、予め燃費率マップを作成しておく必要がある。この燃費率マップは、搭載エンジン毎に異なるものであり、このため、搭載エンジン毎に作成する必要があり、コスト的に問題となる。また、燃費率マップが作成されていないエンジンを搭載した車両には、使うことができないという問題もある。さらに、燃費率マップは、搭載エンジンの違いだけでなく、搭載車両毎に微妙に異なる場合もあるため、従来のシステムでは、正確な燃費運転の支援を行うことができない。

また、車両の経時変化により燃費率マップが変化してしまっても、正確な燃費運転の支援を行うことができなくなる。さらに、運転の指示はシフトアップのみであり、具体的なアクセル開度の指示は行っていない。

さらに、燃費の良し悪しはドライバの運転だけではなく、車両の状態によっても変わってくる。例えば、重い荷物を積んでいたり、タイヤの空気圧が低かったりすると、ドライバが燃費を良くするために最適な運転しても、燃費は悪くなる。しかしながら、従来の車両運転状態評価システムでは、車両の状態を無視した運転評価や支援を行っているため、適切な運転評価、運転支援を行うことができないという問題もあった。
特開２００４−６０５４８号公報

そこで、本発明は、上記のような問題点に着目し、予め燃費率マップを作成する必要をなくすことにより、コストダウンを図ると共に、車両を選ばずに搭載することができ、しかも、車両状態に適した運転支援を行うことができる運転支援装置を提供することを課題とする。

請求項１記載の発明は、図１に示す基本構成図によれば、車両の速度と前記車両の回転数及びアクセル開度から求めた負荷係数とギア比とを検出する走行状態検出手段１０ａ−１と、前記車両に装着されたタイヤの空気圧情報及び前記車両の自重情報の少なくとも一方を車両状態情報として検出する車両情報検出手段１０ａ−２と、前記車両の燃費情報を検出する燃費検出手段１０ａ−３と、前記走行状態検出手段により検出された車両の速度、負荷係数及びギア比と前記車両情報検出手段により検出された車両状態情報とを入力とし、前記燃費検出手段により検出された燃費情報を出力とする学習を行う学習手段１０ａ−４と、前記学習手段１０ａ−４による学習結果を用いて、入力された車両の速度、負荷係数、ギア比及び車両状態情報に対する燃費情報を推論する推論手段１０ａ−５と、前記推論手段に車両の速度、負荷係数、ギア比及び車両状態情報を入力する入力手段１０ａ−６と、前記燃費検出手段により検出された現燃費情報と、前記推論手段により推論された燃費情報との比較に基づいて、運転支援を行う支援手段１０ａ−７とを備えたことを特徴とする運転支援装置に存する。

請求項１記載の発明によれば、走行状態検出手段１０ａ−１が車両の速度と車両の回転数及びアクセル開度から求めた負荷係数とギア比とを検出する。車両情報検出手段１０ａ−２が車両に装着されたタイヤの空気圧情報及び車両の自重情報の少なくとも一方を車両状態情報として検出する。燃費検出手段１０ａ−３が車両の燃費情報を検出する。学習手段１０ａ−４が走行状態検出手段１０ａ−１により検出された車両の速度、負荷係数及びギア比と車両情報検出手段１０ａ−２により検出された車両状態情報とを入力とし、燃費検出手段１０ａ−３により検出された燃費情報を出力とする学習を行う。推論手段１０ａ−５が、学習手段１０ａ−４が行った学習結果を用いて、入力された速度、負荷係数、ギア比、及び、車両状態情報、に対する燃費情報を推論する。入力手段１０ａ−６が推論手段１０ａ−５に速度、負荷係数、ギア比、及び、車両状態情報、を入力する。支援手段１０ａ−７が燃費検出手段１０ａ−３により検出された現燃費情報と、推論手段１０ａ−５により推論された燃費情報との比較に基づいて、運転支援を行う。

従って、走行状態検出手段１０ａ−１、車両情報検出手段１０ａ−２及び燃費検出手段１０ａ−３による検出結果を用いて、車両の速度、負荷係数、ギア比、及び、車両状態情報を入力とし、燃費情報を出力とした学習が行われ、その学習結果を用いて運転支援が行われる。つまり、走行中に行われる学習により車両の速度、負荷係数、ギア比、及び、車両状態情報と燃費情報との関係を得ることができ、予め車両の速度、負荷係数、ギア比、及び、車両状態情報と燃費情報との関係を示すマップを作成する必要がない。しかも、タイヤの空気圧、車両の自重によって燃費が変動することに着目して、タイヤの空気圧情報、車両の自重情報を車両状態情報として入力して、学習、推論を行うようにしている。

請求項２記載の発明は、前記入力手段が、複数パターンのギア比と、前記走行状態検出手段により検出された車両の速度及び負荷係数と、の組み合わせを入力するように設定され、前記支援手段が、複数パターンのギア比の入力に対して前記推論手段が推論した燃費情報のうち最も良いものより、前記燃費検出手段により検出された現燃費情報が悪いとき、前記最も良い燃費情報の推論時に入力したギア比にするように促すことを特徴とする請求項１に記載の運転支援装置に存する。

請求項３記載の発明は、前記車両のアクセル開度を検出するアクセル開度検出手段をさらに備え、前記学習手段が、さらに前記アクセル開度を出力とする学習を行い、前記推論手段が、入力された車両の速度、負荷係数、ギア比及び車両状態情報に対する前記アクセル開度を推論し、前記支援手段が、前記促したギア比を入力したときに推論された前記アクセル開度にするようにさらに促すことを特徴とする請求項２に記載の運転支援装置に存する。

以上説明したように請求項１記載の発明によれば、走行状態検出手段、車両情報検出手段及び燃費検出手段による検出結果を用いて、車両の速度、負荷係数、ギア比、及び、車両状態情報を入力とし、燃費情報を出力とした学習が行われ、その学習結果を用いて運転支援が行われる。つまり、走行中に行われる学習により車両の速度、負荷係数、ギア比、及び、車両状態情報と燃費情報との関係を得ることができ、予め車両の速度、負荷係数、ギア比、及び、車両状態情報と燃費情報との関係を示すマップを作成する必要がないので、コストダウンを図ると共に、車両を選ばずに搭載することができる。しかも、タイヤの空気圧、車両の自重によって燃費が変動することに着目して、タイヤの空気圧情報、車両の自重情報を車両状態情報として入力して、学習、推論を行うようにしているので、タイヤの空気圧、車両の自重に適した運転支援を行うことができる運転支援装置を得ることができる。

請求項２記載の発明によれば、ギアを指示することができる。

請求項３記載の発明によれば、アクセル開度を指示することができる。

第１実施形態
以下、本発明の運転支援装置を、図面に基づいて説明する。図２は、本発明の運転支援装置の一実施形態を示すブロック図である。同図に示すように、本発明の運転支援装置内に備えられたマイクロコンピュータ（以下μＣＯＭ）１０には、入力インタフェース（Ｉ／Ｆ）１１を介して、車両が単位距離走行する毎に出力される車速パルスＰ１、クランクシャフトの回転に応じて出力される回転数パルスＰ２、燃料が例えば１ｃｃ消費される毎に出力される燃料パルスＰ３が供給されている。

上述したμＣＯＭ１０にはまた、入力Ｉ／Ｆ１１を介して、アクセルペダルに取り付けた角度センサ（図示せず）からの電圧値がアクセル開度信号Ｓ１として供給されている。さらに、タイヤ空気圧センサ（図示せず）からのタイヤの空気圧Ａ（＝空気圧情報）に応じた空気圧信号Ｓ２が供給されている。

μＣＯＭ１０は、プログラムに従って各種の処理を行う中央処理ユニット（ＣＰＵ）１０ａ、ＣＰＵ１０ａが行う処理のプログラムなどを格納した読み出し専用のメモリであるＲＯＭ１０ｂ、ＣＰＵ１０ａでの各種の処理過程で利用するワークエリア、各種データを格納するデータ格納エリアなどを有する読み出し書き込み自在のメモリであるＲＡＭ１０ｃなどを内蔵している。

上述したμＣＯＭ１０は、液晶ディスプレイ１３に接続されている。この液晶ディスプレイ１３は、例えば、図３に示すように、燃費状態表示部１３ａ、シフト操作表示部１３ｂ、理想アクセル開度指示部１３ｃ、現アクセル開度指示部１３ｄ及びマルチディスプレイ部１３ｅから構成されている。燃費状態表示部１３ａは、現在の車両の燃費状態を表示するためのものであり、例えば、太い方（下方）から細い方（上方）に向かうに従って、赤色から緑色に変化する帯状表示部から構成されている。この燃費状態表示部１３ａでは、太い方（赤）から細い方（緑）に向かう程、燃費が良い状態を示す。

シフト操作表示部１３ｂは、シフト操作を指示するためのものであり、シフトアップが指示されているときには「ＵＰ」が点灯され、シフトダウンが指示されているときには「ＤＯＷＮ」が点灯される。理想アクセル開度指示部１３ｃは、省燃費となる理想のアクセル開度を指示するものであり、例えば、帯状の表示部から構成されている。この理想アクセル開度指示部１３ｃでは、細い方から太い方に向かうほど、理想のアクセル開度が大きい状態を示す。

また、現アクセル開度指示部１３ｄは、現アクセル開度を指示するためのものである。従って、アクセルを踏ませる指示を行う場合は、現アクセル開度指示部１３ｄより下側に理想のアクセル開度が表示され、アクセルを緩ませる指示を行う場合は、現アクセル開度指示部１３ｄより上側に理想のアクセル開度が表示される。

マルチディスプレイ部１３ｅは、平均燃費、瞬時燃費、速度、燃料消費量、省燃費得点、車両メンテナンス情報などが表示される。また、上述したμＣＯＭ１０には、設定ボタン１４（図３参照）の押圧によってオンするスイッチＳＷ（図２参照）が接続され、設定ボタン１４の操作によって、マルチディスプレイ部１３ｅへの表示項目などが設定できるようになっている。さらに、上述したμＣＯＭ１０は、出力Ｉ／Ｆ１５を介して、コンパクトフラッシュ（登録商標）カード（ＣＦカード）等の記録媒体１６に、例えば、車両の速度などの各種走行状態情報の書き込みができるようになっている。

上述した構成の運転支援装置の動作について、図４及び図５のＣＰＵ１０ａの処理手順を示すフローチャートを参照して以下説明する。まず、ＣＰＵ１０ａは、走行状態検出手段、車両状態検出手段及び燃費情報検出手段として働き、例えば、１秒毎に、図４に示す検出処理を行う。

検出処理において、ＣＰＵ１０ａはまず、車速パルスＰ１から現在の車両の速度ｖｐ（ｋｍ／ｍ）を、回転数パルスＰ２から現在のエンジン回転数Ｎｐ（ｒｐｍ）を、燃料パルスＰ３から現在の１秒当たりの燃料消費量αｐ（ｃｃ）を各々検出する（ステップＳ１）。この１秒当たりの燃料消費量αｐ（ｃｃ）が請求項中の燃費情報に相当する。さらにＣＰＵ１０ａは、アクセル開度信号Ｓ１から現在のアクセル開度βｐ（％）を、空気圧信号Ｓ２からタイヤの現空気圧Ａｐを各々検出する（ステップＳ１）。

次に、ＣＰＵ１０ａは、検出した速度ｖｐ、エンジン回転数Ｎｐから現在のギア比Ｇｐ（＝ｖｐ／Ｎｐ）を検出する（ステップＳ２）。さらに、ＣＰＵ１０ａは、求めた現アクセル開度βｐ、エンジン回転数Ｎｐから負荷情報としての負荷係数γｐ（＝βｐ／Ｎｐ）を検出する（ステップＳ３）。ここで、無負荷状態では、燃料消費量（≒アクセル開度）に応じてエンジン回転数はほぼ一意に決定できると考えられる。しかし、実際には様々な負荷（路面抵抗、勾配、積載荷重など）によってエネルギー損失が生じており、アクセル開度とエンジン回転数の関係は負荷に応じて変化する。

ここから、「エンジンに与えたエネルギー（≒燃料消費量≒アクセル開度）当たりの駆動力（≒エンジン回転数）」を計算することで、負荷の大きさを表すことができると考えられる。この値が大きいほど損失が小さい、つまり負荷が小さいと言えるが、「係数の大きさ＝負荷の大きさ」とした方が直感的であるため逆数を取り、本実施形態ではこれを負荷係数と定義した。
負荷係数＝アクセル開度／回転数

また、ＣＰＵ１０ａは、図６に示すようなファジィ化ニューロネットワークに従って、速度ｖ、空気圧Ａ、負荷係数γ、ギア比Ｇを入力データとし、燃料消費量α、アクセル開度βを出力データとして推論する推論処理を行うことができる。また、入力データと出力データとの関係は、検出処理の検出結果に基づいて学習される。これら推論・学習については後で詳しく説明する。

また、ＣＰＵ１０ａは、検出処理が行われる毎に、推論手段、入力手段、支援手段として働き、図５に示す省燃費運転の支援を行うための支援処理を行う。ＣＰＵ１０ａは、まず、図６に示すようなネットワークへの入力データを作成する（ステップＳ５）。入力データとしては、検出処理で検出された現ギア比Ｇｐ、現ギア比に対して１つ上のギア比Ｇｕ、現ギア比に対して１つ下のギア比Ｇｄと、同じく検出処理で検出された現速度ｖｐ、現空気圧Ａｐ及び現負荷係数γｐとを組み合わせたＩ１〜Ｉ３の３パターンが作成される。
Ｉ１＝［Ｇｕ、ｖｐ、Ａｐ、γｐ］、Ｉ２＝［Ｇｄ、ｖｐ、Ａｐ、γｐ］、Ｉ３＝［Ｇｐ、ｖｐ、Ａｐ、γｐ］

次に、ＣＰＵ１０ａは、図６に示すようなネットワークに、Ｉ１〜Ｉ３を入力して、Ｉ１〜Ｉ３に対する燃料消費量α１〜α３、アクセル開度β１〜β３を推論する推論処理を行う（ステップＳ６）。次に、ＣＰＵ１０ａは、推論した燃料消費量α１〜α３のうち最も少ない燃料消費量αｍｉｎと、検出処理により検出した現燃料消費量αｐとを比較する（ステップＳ７）。

今、燃料消費量αｍｉｎ＝α１であり、かつ、現燃料消費量αｐ＞推論した燃料消費量α１＝αｍｉｎであった場合（ステップＳ７でＹ）、燃料消費量αｍｉｎを推論したときの入力データＩ１中のギア比Ｇｕは、現ギア比Ｇｐより１つ上のギア比であると判断し（ステップＳ８でＮ）、シフト指示部１３において「ＵＰ」を点灯させるシフト指示を行い（ステップＳ９）、運転者にシフトアップを促す。その後、入力データＩ１に対して推論したアクセル開度β１を、理想アクセル開度指示部１３ｃに指示すると共に、検出処理により検出した現アクセル開度βｐを現アクセル開度指示部１３ｄによって指示させるアクセル指示を行った後（ステップＳ１０）、ステップＳ１１に進む。

また、燃料消費量αｍｉｎ＝α２であり、かつ、現燃料消費量αｐ＞推論した燃料消費量α２＝αｍｉｎであった場合（ステップＳ７でＹ）、燃料消費量α２を推論したときの入力データＩ２中のギア比Ｇｄは、現ギア比Ｇｐより１つ下のギア比であると判断し（ステップＳ８でＮ）、シフト指示部１３において「ＤＯＷＮ」を点灯させるシフト指示を行い（ステップＳ９）、運転者にシフトダウンを促す。その後、入力データＩ２に対して推論されたアクセル開度β２を、理想アクセル開度指示部１３ｃに指示すると共に、検出処理により検出した現アクセル開度βｐを現アクセル開度指示部１３ｄによって指示させるアクセル指示を行った後（ステップＳ１０）、ステップＳ１１に進む。

また、燃料消費量αｍｉｎ＝α３であり、かつ、現燃料消費量αｐ＞推論した燃料消費量α３＝αｍｉｎであった場合（ステップＳ７でＹ）、燃料消費量α３を推論したときの入力データＩ３中のギア比Ｇｐは、現ギア比Ｇｐと同じであると判断し（ステップＳ８でＹ）、ステップＳ９のシフト指示を行うことなく、直ちにステップＳ１０に進む。ステップＳ１０において、ＣＰＵ１０ａは、入力データＩ３に対して推論されたアクセル開度β３を、理想アクセル開度指示部１３ｃに指示すると共に、検出処理によって検出された現アクセル開度βｐを現アクセル開度指示部１３ｄによって指示させるアクセル指示を行った後、ステップＳ１１に進む。

これに対して、現燃料消費量αｐ≦αｍｉｎであった場合（ステップＳ７でＮ）、現状の走行状態で省燃費運転ができているとして、シフト指示も、アクセル指示も行うことなく、直ちにステップＳ１１に進む。ステップＳ１１においては、現在の燃費状態を表示する処理を行う。具体的には、例えば、現燃料消費量αｐが燃料消費量αｍｉｎより少ない場合（ステップＳ７でＮ）、現状の燃費状態が一番良い旨を表示する。一方、現燃料消費量αｐが燃料消費量αｍｉｎより多い場合（ステップＳ７でＹ）、現燃料消費量αｐと燃料消費量αｍｉｎとの差分が大きくなるに従って、燃費状態が悪くなるように表示する。

以上のことから明らかなように、速度、負荷係数、ギア比が入力となる走行状態情報に相当し、アクセル開度が出力となる走行状態情報に相当する。また、空気圧Ａが車両状態情報に相当する。

本実施形態における学習・推論では、ファジィ化ニューロを用いている。ファジィ化ニューロとは、従来のニューラルネットワークとファジィ推論との互いの長所を融合させたものである。このファジィ化ニューロは、ファジィ推論において一般的に用いられている台形状のメンバーシップ関数（以下、ＭＦ）というフィルタ関数と、重みｗを持った素子を基本構成要素としている。このＭＦは、図６に示すように、入力データの度数分布を正規分布に近似することにより表現している。

図６にファジィ化ニューロのネットワーク構成を示す。基本的なネットワーク構成としては、正規化テーブルＮＴ１〜ＮＴ４からなる入力部、パターンセットＰＳ１〜ＰＳ３、パターンテーブルＰＴ１及びＰＴ３の３層構造からなる前段部と、パターンセットＰＳ４及びＰＳ５、正規化テーブルＮＴ５及びＮＴ６の２層構造からなり、前段部を反転させたような後段部とからなっている。入力部では、入力データはそれぞれ正規化テーブルＮＴ１〜ＮＴ４にて正規化データに変換される。正規化された各入力データはそれぞれＭＦに入力され、そこで合致度に変換される。

次段のパターンセットＰＳ１〜ＰＳ３は、ＭＦの集合体で構成され、各ＭＦにより得られた合致度を、重みを用いて合成したものを出力とする。出力部のパターンテーブルＰＴ１及びＰＴ２では、複数のパターンセットＰＳ１〜ＰＴ３から出力される合致度の中で最大のものを後段部へ出力する。後段部において、パターンセットＰＳ４及びＰＳ５では、パターンテーブルＰＴ１及びＰＴ２からの出力のうち、閾値を超えたものが出力され、その合致度によってリンク上のＭＦを変形し、後段の正規化テーブルＮＴ５及びＮＴ６に伝達する。正規化テーブルＮＴ５及びＮＴ６においては、伝達されたＭＦ形状を合成したものの重心を取るなどしてデ・ファジィ化して、教示された出力データと等価な次元を持つ連続値に変換する。

また、学習手段として働く、学習処理では、検出処理により検出された速度、傾斜角度、負荷係数、ギア比を入力データ、アクセル開度、燃料消費量を教師信号として、メンバーシップ関数の形状変更やパターンセットの自動生成を行うが、このファジィ化ニューロでは１件の教師信号ごとに学習するのではなく、一定数蓄積後にまとめて学習するため、高速学習が可能となっている。

なお、学習を行う際、速度、燃料消費量、アクセル開度は次に示す条件でフィルタリングされる。例えば、速度については、５ｋｍ／ｈ以下を停止とみなし、０ｋｍ／ｈとする。燃料消費量については、１ｃｃ以下をそれ以上改善できないとみなし、０ｃｃとする。アクセル開度については、５％以下を電圧変動によるノイズとみなし、０％とする。

上述した構成の運転支援装置によれば、検出処理による検出結果を用いて、速度、空気圧、負荷係数、ギア比を入力とし、アクセル開度、燃料消費量を出力とした学習が行われ、その学習結果を用いて運転支援が行われる。つまり、走行中に行われる学習により、その車両に対応した速度、空気圧、負荷係数及びギア比と、アクセル開度や、燃料消費量との関係を得ることができ、予め速度、負荷係数及びギア比と、アクセル開度や、燃料消費量との関係を示すマップを作成する必要がない。このため、コストダウンを図ると共に、車両を選ばずに搭載することができる。

しかも、タイヤの空気圧によって燃費が変動することに着目し、タイヤの空気圧を入力として、学習、推論を行うようにしている。これにより、例えば空気圧が低い状態であっり、燃費が悪くなってしまってもその空気圧に応じた燃料消費量が推論されるため、タイヤの空気圧に適した運転支援を行うことができる。

なお、上述した第１実施形態では、空気圧信号Ｓ２からタイヤの空気圧Ａを検出し、検出した空気圧Ａを入力して、学習、推論を行っていた。しかしながら、例えば、空気圧信号Ｓ２を直接入力し、学習、推論することも考えられる。

また、上述した第１実施形態では、燃費情報として単位時間当たりの燃料消費量を用いていたが、例えば、車両速度／アクセル開度で求められる効率係数を、燃費情報として用いることも考えられる。この場合、燃料消費量を計測する燃料計を用いなくても、燃費情報を得ることができるため、燃料計を搭載していない車両でも利用することができる。

また、空気圧信号Ｓ２から検出したタイヤの空気圧Ａが異常な値であった場合、その旨をドライバに報知する手段を設けたり、また、無線を使って管理センタに報知する手段を設けることも考えられる。

第２実施形態
また、上述した第１実施形態では、車両状態情報として、タイヤの空気圧Ａを入力データとして、学習、推論を行っていた。しかしながら、車両の自重情報を入力し、学習、推論させることも考えられる。車両の自重情報は、車両に搭載した公知の自重計により求めることができる。これにより、例えば重い荷物を積載した状態であり、燃費が悪くなってしまうような状況であっても自重に応じた燃料消費量が推論されるため、自重に適した運転支援を行うことができる。

以上実施の形態に基づいて本発明を説明したが、本発明は上述した実施の形態に限定されるものではなく、本発明の要旨の範囲内で種々の変形や応用が可能である。ここで、本発明の要旨をまとめると以下のようになる。

（１） 車両の走行状態情報を検出する走行状態検出手段と、
前記車両の状態に関する車両状態情報を検出する車両情報検出手段と、
前記車両の燃費情報を検出する燃費検出手段と、
前記検出された走行状態情報及び前記車両状態情報を入力とし、前記検出された燃費情報を出力とする学習を行う学習手段と、
前記学習手段が行った学習結果を用いて、入力された走行状態情報及び車両状態情報に対する燃費情報を推論する推論手段と、
前記推論手段に走行状態情報及び車両状態情報を入力する入力手段と、
前記燃費検出手段により検出された現燃費情報と、前記推論手段により推論された燃費情報との比較に基づいて、運転の支援を行う支援手段とを備えたことを特徴とする運転支援装置。

（２） （１）に記載の運転支援装置であって、
前記燃費検出手段は、単位時間当たりの燃料消費量を、前記燃費情報として検出することを特徴とする運転支援装置。

（３） （１）に記載の運転支援装置であって、
前記燃費検出手段は、車両速度とアクセル開度から求められる効率係数を、前記燃費情報として検出することを特徴とする運転支援装置。

（４） （１）〜（３）何れかに記載の運転支援装置であって、
前記入力手段は、前記走行状態検出手段により検出された現走行状態情報を前記推論手段に入力することを特徴とする運転支援装置。

（５） （４）に記載の運転支援装置であって、
前記支援手段は、前記燃費検出手段によって検出された現燃費情報と、前記推論手段によって、前記現走行状態情報から推論された燃費情報との比較に基づき、車両の現燃費状態を検出し、運転者に報知することを特徴とする運転支援装置。

（６） （１）〜（５）何れか記載の運転支援装置であって、
前記走行情報検出手段は、前記学習手段の入力となる入力走行状態情報と、前記学習手段の出力となる出力走行状態情報とを検出し、
前記学習手段は、前記検出された入力走行状態情報を入力とし、前記検出された燃費情報及び前記出力走行状態情報を出力とした学習を行い、
前記入力手段は、前記走行状態検出手段により検出された現入力走行状態情報を前記推論手段に入力し、
前記推論手段は、前記学習手段が行った学習結果を用いて、前記入力された現入力走行状態情報に対する燃費情報及び出力走行状態情報を推論し、
前記支援手段は、前記燃費検出手段により検出された現燃費情報が、前記推論手段により推論された燃費情報より悪いとき、車両の走行状態を、前記推論手段により推論された出力走行状態情報にするように促すことを特徴とする運転支援装置。

（７） （６）記載の運転支援装置であって、
車両のアクセル開度を前記出力走行状態情報とし、
前記支援手段は、前記燃費検出手段により検出された現燃費情報が、前記推論手段により推論された燃費情報より悪いとき、前記推論手段により推論されたアクセル開度に促すことを特徴とする運転支援装置。

（８） （１）〜（７）何れか記載の運転支援装置であって、
前記入力手段は、前記推論手段に複数パターンの走行状態情報を入力し、
前記支援手段は、前記複数パターンの走行状態情報の入力に対して前記推論手段が推論した燃費情報のうち、最も良いものより、前記燃費検出手段により検出された現燃費情報が悪いとき、車両の走行状態を、前記最も良い燃費情報の推論時に入力した走行状態情報にするように促すことを特徴とする運転支援装置。

（９） （８）記載の運転支援装置であって、
前記走行状態検出手段は、前記車両のギア比を含む走行状態情報を検出し、
前記入力手段は、複数パターンのギア比と、前記走行状態検出手段が検出した現走行状態情報のうち、前記ギア比を除いたものとの組み合わせを推論手段に入力し、
前記支援手段は、前記複数パターンのギア比の入力に対して前記推論手段が推論した燃費情報のうち、最も良いものより、前記燃費検出手段により検出された現燃費情報が悪いとき、前記最も良い燃料情報の推論時に入力したギア比にするように促すことを特徴とする運転支援装置。

（１０） （６）〜（９）記載の運転支援装置であって、
前記走行状態検出手段が、前記車両の速度を、前記走行状態情報として検出し、
前記学習手段が、前記車両の速度を入力として学習を行い、
前記入力手段は、前記車両の現速度を前記推論手段に入力することを特徴とする運転支援装置。

（１１） （１）〜（１０）何れか記載の運転支援装置であって、
前記走行状態検出手段は、車両の速度、車両エンジンの負荷情報、車両のギア比を走行状態情報として検出することを特徴とする運転支援装置。

（１２） （１１）記載の運転支援装置であって、
前記走行状態検出手段は、アクセル開度／エンジン回転数を負荷情報として検出することを特徴とする運転支援装置。

（１３） （１２）記載の運転支援装置であって、
前記走行状態検出手段は、車両の速度／エンジン回転数をギア比として検出することを特徴とする運転支援装置。

本発明の運転支援装置の基本構成図である。 本発明の運転支援装置の一実施形態を示すブロック図である。 図２に示す運転支援装置を構成する液晶ディスプレイの表示例を示した図である。 図２に示す運転支援装置を構成するＣＰＵ１０ａの検出処理における処理手順を示すフローチャートである。 図２に示す運転支援装置を構成するＣＰＵ１０ａの支援処理における処理手順を示すフローチャートである。 本実施形態の学習・推論で用いられているファジ化ニューロネットワークの一例である。

符号の説明

１０ａ−１ 走行状態検出手段
１０ａ−２ 車両状態検出手段
１０ａ−３ 燃費情報検出手段
１０ａ−４ 学習手段
１０ａ−５ 推論手段
１０ａ−６ 入力手段
１０ａ−７ 支援手段

Claims (3)

1. 車両の速度と前記車両の回転数及びアクセル開度から求めた負荷係数とギア比とを検出する走行状態検出手段と、
   前記車両に装着されたタイヤの空気圧情報及び前記車両の自重情報の少なくとも一方を車両状態情報として検出する車両情報検出手段と、
   前記車両の燃費情報を検出する燃費検出手段と、
   前記走行状態検出手段により検出された車両の速度、負荷係数及びギア比と前記車両情報検出手段により検出された車両状態情報とを入力とし、前記燃費検出手段により検出された燃費情報を出力とする学習を行う学習手段と、
   前記学習手段が行った学習結果を用いて、入力された車両の速度、負荷係数、ギア比及び車両状態情報に対する燃費情報を推論する推論手段と、
   前記推論手段に車両の速度、負荷係数、ギア比及び車両状態情報を入力する入力手段と、
   前記燃費検出手段により検出された現燃費情報と、前記推論手段により推論された燃費情報との比較に基づいて、運転支援を行う支援手段とを備えたことを特徴とする運転支援装置。
2. 前記入力手段が、複数パターンのギア比と、前記走行状態検出手段により検出された車両の速度及び負荷係数と、の組み合わせを入力するように設定され、
   前記支援手段が、複数パターンのギア比の入力に対して前記推論手段が推論した燃費情報のうち最も良いものより、前記燃費検出手段により検出された現燃費情報が悪いとき、前記最も良い燃費情報の推論時に入力したギア比にするように促す
   ことを特徴とする請求項１に記載の運転支援装置。
3. 前記車両のアクセル開度を検出するアクセル開度検出手段をさらに備え、
   前記学習手段が、さらに前記アクセル開度を出力とする学習を行い、
   前記推論手段が、入力された車両の速度、負荷係数、ギア比及び車両状態情報に対する前記アクセル開度を推論し、
   前記支援手段が、前記促したギア比を入力したときに推論された前記アクセル開度にするようにさらに促す
   ことを特徴とする請求項２に記載の運転支援装置。

Images