JP4510739B2 - 車両挙動推定予測装置および車両安定化制御システム - Google Patents

Description

本発明は、車両挙動推定予測装置および車両安定化制御システムに係り、特にニューラルネットワーク演算により車両の挙動を表す量の推定値や予測値を算出する車両挙動推定予測装置および車両安定化制御システムに関する。

ステアリングホイールやアクセルペダル、ブレーキペダル等の操作を従来のように機械的結合を通して駆動系に伝えるかわりにセンサ等で読み取り電気信号として駆動系に伝達して電子制御を行う、いわゆるバイワイヤ技術の開発等を含む車両制御の高度化に伴い、制御に用いる車両の挙動を表す量、すなわち車両に生じているヨーレートや横加速度、車体滑り角、タイヤにかかる横力や前後力、ロールレート、ピッチレート、路面摩擦係数等を精度良く測定することが非常に重要になっている。

また、これらの量の一定時間後の値を予測し、将来的な車両挙動の予測ができれば、より精度の高い挙動制御が可能となると考えられており、このような車両の挙動予測ができれば、車両挙動が不安定な状態に陥る前に車両の挙動安定化制御を行うことが可能となり、より高度な予防安全技術の開発につながると期待されている。

しかし、これらの車両の挙動を表す量がすべて精度良く測定できるとは限らず、例えばその量を測定できる測定装置やセンサはあっても信頼性の低いものであったり、装置やセンサの精度が高くても高価でありあるいは大型である等の理由で実車への搭載が困難である場合も多く、また、車両の挙動を表す量自体がセンサ等では実測が困難である場合もある。

そのため、従来、車両運動モデルとして数理モデルを用い、車速やステアリングホイールの操舵角等の比較的容易に精度良く測定可能な量の測定値を数理モデルに入力して、それらの実際上測定が困難な量の現在値を推定したりあるいは一定時間後の値を予測させていた。

ところが、これらの数理モデルは、計算時間の短縮等のために線形近似された運動方程式が用いられることが多く、このような数理モデルでは、線形近似が成立する通常の走行状態では推定値等の精度が比較的良好であっても、特に車両がスピンを起こしていたりドリフト状態にある場合のような非線形領域における車両の挙動を必ずしも正確に表現することができない。また、あまり複雑な数理モデルでは計算に時間を要し、リアルタイム性に欠けて車両制御に用いることができなかった。

このような問題点を解消するため、車両運動モデルとして前記のような数理モデルを用いる代わりにニューラルネットワークによる演算により車両の挙動を表す量を算出するニューラルネットワークモデルを用いた車両挙動推定予測装置が知られている（例えば、特許文献１等参照）。

しかし、このような装置において、例えばニューラルネットワークでヨーレートの推定値や予測値を算出するように構成した場合、車両が通常の走行状態、スピン状態あるいはドリフト状態のいずれの状態にある場合でも、ニューラルネットワークに入力される車速やステアリングホイールの操舵角等の値が同じであれば理論上同じ値のヨーレートが出力されることになり、車両の挙動を正確に表現することができない。

そこで、近年、ニューラルネットワークに車両の挙動を表す量の現在値を入力するだけでなく、それらの過去のデータをも入力するように構成することで、車両の挙動を表す量のデータの推移や履歴を踏まえた高精度の推定値や予測値を出力することを意図した車両挙動推定予測装置が提案されている。

例えば、ニューラルネットワークに現在の車両の挙動を表す量と一定時間前の量とを入力して一定時間後の車両の挙動を表す量を予測する車両挙動推定予測装置（特許文献２参照）や、複数の車両の挙動を表す量についてそれぞれ現在の測定値と複数の時間遅れ値Ｉｎ（ｔ−１）、Ｉｎ（ｔ−２）、…、Ｉｎ（ｔ−ｋ）とをすべてニューラルネットワークに入力するように構成した車両挙動推定予測装置（特許文献３参照）、さらにはニューラルネットワークからの出力値を１〜数サイクル遅延させてフィードバックして再度ニューラルネットワークに入力するように構成したフィードバック型の車両挙動推定予測装置（特許文献３、４参照）が提案されている。
特開平１１−１４７４６０号公報 特開平６−１３５３４６号公報 特開平６−２８６６３０号公報 特開２００４−２４９８１２号公報

しかしながら、特許文献２に記載の車両挙動推定予測装置では、過去のデータとして現在の時刻から一定時間前の１時点における測定値を入力するだけなので、予測が過去の車両の挙動を表す量のデータの推移を踏まえているとはいえず、必ずしも精度の高い予測が得られない。

また、特許文献３、４に記載の車両挙動推定予測装置では、ニューラルネットワークからの出力値をフィードバックして再入力するとしても１〜数サイクル遅延させて入力する構成とならざるを得ず、直接的には現在の時刻に直前の数個のデータしか反映させることができない。また、フィードバックにより出力値が再入力されるループの中で過去の出力値による影響が希釈され、どの程度前までの過去の出力値が反映された状態で取り込まれているかが判然としない。

また、特許文献３に記載の車両挙動推定予測装置のように、ニューラルネットワークに複数の車両の挙動を表す量についてそれぞれ複数の時間遅れ値を入力するように構成すると、ニューラルネットワークに入力されるデータの数が膨大になり、計算負荷が過大になるうえ、ニューラルネットワークの学習に非常に長時間を要し、収束性も通常悪くなる。

また、このような弊害を避けるために、例えば時間遅れの時間幅を縮小してそれぞれの車両の挙動を表す量について入力する過去のデータを少数に絞ると、結局、前記特許文献２、４に記載の車両挙動推定予測装置と同様に、現在の時刻の直近のデータや過去の断続的な数時点のデータしか反映できなくなり、必ずしも過去のデータの推移を踏まえた演算を行えないという問題があった。

本発明は、前記事情に鑑みてなされたものであり、ニューラルネットワークへのデータの入力数の増大を抑えつつ、過去のデータの推移の特徴を明示的に反映させて精度良く車両の挙動を表す量を推定し予測することが可能な車両挙動推定予測装置およびそれを用いた車両安定化制御システムを提供することを目的とする。

前記の問題を解決するために、第１の発明は、車両挙動推定予測装置において、
測定装置により測定された車両の挙動を表す量に関するデータを時系列的に記憶するデータ記憶手段と、
前記データ記憶手段から読み出された設定された時間分の前記時系列的に記憶されたデータから前記データの推移の特徴が保持されるように特徴量を抽出する特徴量抽出手段と、
抽出された前記特徴量に基づいて現在の車両の挙動を表す推定値または一定時間後の車両の挙動を表す予測値を算出するニューラルネットワークで構成された演算手段と
を備え、前記特徴量抽出手段は、正規化され配列された前記設定された時間分の時系列的に記憶されたデータにフーリエ変換を施して周波数スペクトルを求め、前記周波数スペクトルの各ピークに対応する一定数の特徴周波数を特徴量として抽出することを特徴とする。

第１の発明によれば、車両挙動推定予測装置は、操舵角センサ等の測定装置により測定されたステアリングホイールの操舵角等の車両の挙動を表す量に関するデータをデータ記憶手段に時系列的に記憶させ、特徴量抽出手段がそれらのデータのうち設定された時間分のデータをデータ記憶手段から読み出してデータの推移の特徴が保持されるように当該データから特徴量を抽出し、ニューラルネットワークで構成された演算手段でその特徴量に基づいて車両の挙動を表す量の現在の推定値または一手時間後の予測値を算出する。

また第１の発明によれば、車両挙動推定予測装置の特徴量抽出手段では、例えば設定された時間分の正規化された時系列データをメモリ上に配列し、その数値列に対して高速フーリエ変換を施して振幅についての周波数スペクトルを求め、その周波数スペクトル中にピークとして現れる所定の数の特徴周波数を特徴量として抽出する。

第２の発明は、車両挙動推定予測装置において、
測定装置により測定された車両の挙動を表す量に関するデータを時系列的に記憶するデータ記憶手段と、
前記データ記憶手段から読み出された設定された時間分の前記時系列的に記憶されたデータから前記データの推移の特徴が保持されるように特徴量を抽出する特徴量抽出手段と、
抽出された前記特徴量に基づいて現在の車両の挙動を表す推定値または一定時間後の車両の挙動を表す予測値を算出するニューラルネットワークで構成された演算手段と
を備え、前記特徴量抽出手段は、正規化され配列された前記設定された時間分の時系列的に記憶されたデータにフーリエ変換を施して周波数スペクトルを求め、前記周波数スペクトルの各ピークに対応する一定数の特徴周波数を特徴量として抽出することを特徴とする。

第２の発明によれば、車両挙動推定予測装置の特徴量抽出手段では、データ記憶手段から読み出された過去の時系列データから共分散行列を求め、その共分散行列に対する主成分分析により求められた固有値のうちの一定数の固有値または固有ベクトルのうち一定数の固有ベクトルを特徴量として抽出する。

第３の発明は、第１又は第２の発明の車両挙動推定予測装置において、前記演算手段は、遅れ要素フィードバックを有するリカレント型ニューラルネットワークで構成されており、かつ、前記測定装置により測定された教師データに基づいて予め学習されるように構成されていることを特徴とする。

第３の発明によれば、車両挙動推定予測装置においては、遅れ要素フィードバックを有するリカレント型ニューラルネットワークで構成され、測定装置により測定された教師データに基づいて予め学習された演算手段によって抽出された特徴量に基づいて現在の車両の挙動を表す推定値または一定時間後の車両の挙動を表す予測値を算出する。

第４の発明は、車両安定化制御システムにおいて、
第１から第３の発明のいずれかの車両挙動推定予測装置と、
前記車両挙動推定予測装置から出力される推定値または予測値に基づいて車両の安定化制御を行う制御装置と
を備えることを特徴とする。

第４の発明によれば、車両安定化制御システムは、第１から第３の発明の車両挙動推定予測装置から車両の挙動を表す量の推定値や予測値を出力し、制御装置でその推定値や予測値に基づいて車両の安定化制御を行う。

第１の発明によれば、車両挙動推定予測装置を、操舵角センサ等の測定装置により測定されたステアリングホイールの操舵角等の車両の挙動を表す量に関するデータをデータ記憶手段に時系列的に記憶させ、特徴量抽出手段がそれらのデータのうち設定された時間分のデータをデータ記憶手段から読み出してデータの推移の特徴が保持されるように当該データから特徴量を抽出し、ニューラルネットワークで構成された演算手段でその特徴量に基づいて車両の挙動を表す量の現在の推定値または一手時間後の予測値を算出するように構成した。

このように、過去の膨大な数の時系列データに対して、例えばフーリエ変換を施して格段に少ない数の特徴周波数を特徴量として抽出することで、時系列データからその推移の特徴が保持されるように特徴量を抽出することができる。そのため、特許文献３、４に記載の車両挙動推定予測装置のように出力値がフィードバックされて再入力されるループを有するニューラルネットワークを用いた場合、そのループの中で過去のデータが希釈され、どの程度前までの過去のデータが反映された状態で取り込まれているかが分からなくなるが、本発明の車両挙動推定予測装置によれば、過去のデータの推移の特徴が保持されるように抽出された特徴量をニューラルネットワークに入力することで、過去のデータの推移を明示的にニューラルネットワークでの演算に反映させて車両の挙動を表す量の推定や予測を行うことが可能となる。

また、前記特許文献３に記載の車両挙動推定予測装置のようにニューラルネットワークに過去の膨大な数の時系列データを入力する必要がなく、格段に少ない数の特徴量を入力することで同様の効果を奏することができるとともに、ニューラルネットワークのノード数を低減できることからニューラルネットワークにおける演算の負担を低減させ、学習に要する時間を短縮させ、さらに学習における収束性を向上させることが可能となる。

さらに、本発明の車両挙動推定予測装置によれば、このように過去のデータの推移を明示的に反映させて演算を行うことにより、例えば現在の車速やステアリングホイールの操舵角等の入力値が同一であっても、過去のデータの推移から現在の車両の挙動が通常の走行状態にあるかスピン状態やドリフト状態にあるか等を的確に判別してそれぞれの挙動に即した推定値や予測値を出力できるから、非常に精度良く車両の挙動を表す量を推定し予測することが可能となる。

また第１の発明によれば、車両挙動推定予測装置の特徴量抽出手段を、例えば設定された時間分の正規化された時系列データをメモリ上に配列し、その数値列に対して高速フーリエ変換を施して振幅についての周波数スペクトルを求め、その周波数スペクトル中にピークとして現れる所定の数の特徴周波数を特徴量として抽出するように構成した。

フーリエ変換の一般的な性質として、周波数スペクトルが求まれば逆変換により元の関数を完全に復元することができ、また、周波数スペクトル中にピークとして現れる特徴周波数を適切に選択すれば、それらの特徴周波数とその特徴周波数における振幅を用いて逆変換を行うことで比較的忠実に元の関数を復元することができることが知られている。

すなわち、本発明において、過去の時系列データからなる数値列に対してフーリエ変換を施して得られた周波数スペクトル中のピークに対応する特徴周波数を特徴量として抽出すれば、その特徴量を用いて逆変換することで元の膨大な数の過去の時系列データからなる数値列を比較的忠実に復元することができるから、このようにして抽出された特徴量は、過去の時系列データの推移を特徴づけるものであるということができる。

そのため、フーリエ変換の手法を用いて抽出された特徴量は、過去の時系列的に記憶された膨大なデータからデータの推移の特徴が保持されるように抽出されたものであるということができ、このような特徴量を用いることで、第１の発明の効果をより効果的に発揮させることが可能となる。

第２の発明によれば、車両挙動推定予測装置の特徴量抽出手段を、データ記憶手段から読み出された過去の時系列データから共分散行列を求め、その共分散行列に対する主成分分析により求められた固有値のうちの一定数の固有値または固有ベクトルのうち一定数の固有ベクトルを特徴量として抽出するように構成した。

共分散行列の一般的な性質として、固有値とそれに対応する固有ベクトルが求まればそれらから形成される固有値行列および固有ベクトル行列から元の共分散行列を完全に導出することができ、また、固有値を適切に選択すれば、それらの固有値からなる固有値行列とそれに対応する固有ベクトルからなる固有ベクトル行列とから元の共分散行列に比較的精度良く近似した行列を求めることができることが知られている。

すなわち、本発明において、過去の時系列データから形成される共分散行列に対して主成分分析を行って求められる固有値から適切な固有値を選択して特徴量として抽出すれば、その特徴量から元の共分散行列、すなわち元の過去の時系列データを比較的精度良く再現することができるから、このようにして抽出された特徴量は、過去の時系列データの推移を特徴づけるものであるということができる。

そのため、共分散行列の主成分分析の手法を用いて抽出された特徴量、すなわち一定数の固有値またはそれに対応する一定数の固有ベクトルは、過去の時系列的に記憶された膨大なデータからデータの推移の特徴が保持されるように抽出されたものであるということができ、このような特徴量を用いることで、第１の発明の効果をより効果的に発揮させることが可能となる。

第３の発明によれば、車両挙動推定予測装置を、遅れ要素フィードバックを有するリカレント型ニューラルネットワークで構成され、測定装置により測定された教師データに基づいて予め学習された演算手段によって抽出された特徴量に基づいて現在の車両の挙動を表す推定値または一定時間後の車両の挙動を表す予測値を算出するように構成した。

そのため、演算手段における演算において前述したような過去の膨大なデータの推移の特徴が保持されて反映されるという前記の各発明の効果に加え、演算結果を直前または数サイクル前に出力した値にも依存するようにすることができるため、突飛な値が出力されることを防止することができ、出力される推定値や予測値に連続性や因果性を持たせることが可能となる。

また、演算手段を、測定装置により測定された教師データに基づいて予め学習されるように構成したため、前記の各発明の効果に加え、例えば、路面が乾燥していて外乱が少ない状態における走行データを教師データとして修正手段の学習を行っておけば、車両挙動推定装置から外乱の少ない状態における車両の挙動を表す量の推定値や予測値を出力するように構成することが可能となる。また、このように構成された車両挙動推定装置から出力される推定値や予測値を基準としてそれと実測値とを比較することで外乱が生じていることを認識することができ、それに応じた適切な安定化制御を行うことが可能となる。

第４の発明によれば、車両安定化制御システムを、第１から第３の発明の車両挙動推定予測装置から車両の挙動を表す量の推定値や予測値を出力し、制御装置でその推定値や予測値に基づいて車両の安定化制御を行うように構成した。

そのため、本実施形態に係る車両安定化制御システム６によれば、第１から第３の発明の車両挙動推定予測装置から送信されてくる過去のデータの推移の特徴を明示的に反映させた高精度の推定値や予測値に基づいて、車両の現在の挙動を推定し、将来の挙動を予測することが可能となる。

また、その高精度の推定値や予測値を用いて車両の挙動を的確に把握し、車両の挙動を不安定化させている要因を除去する方向に効果的に制御し、あるいは車両の挙動を不安定化させる要因を修正して不安定化が生じないように予め効果的に制御することが可能となる。

さらに、予め車両挙動推定予測装置の演算手段を、路面が乾燥していて外乱が少ない状態における走行データを教師データとして学習を行っておくことで、外乱の少ない状態における車両の挙動を表す量の推定値や予測値を出力させ、それと実際の測定値とを比較することで、車両に生じているあるいは生じる可能性がある外乱を把握して的確に車両挙動の安定化制御を行うことが可能となる。

以下、本発明に係る車両挙動推定予測装置および車両安定化制御システムの実施の形態について、図面を参照して説明する。

まず、本実施形態に係る車両挙動推定予測装置について説明する。本実施形態の車両挙動推定予測装置１は、図示しないＣＰＵやＲＯＭ、ＲＡＭ、入出力インターフェース等がバスにより接続されたコンピュータにより構成されている。

図１は、本実施形態に係る車両挙動推定予測装置の構成を示すブロック図である。車両挙動推定予測装置１は、データ記憶手段２と、特徴量抽出手段３と、演算手段４と、最適化手段５とを有している。

データ記憶手段２は、ＨＤＤ等の記憶手段により構成されており、データ記憶手段２には、装置外の操舵角センサＳ１、アクセル開度センサＳ２、車輪速センサＳ３、ブレーキセンサＳ４、前後加速度センサＳ５、横加速度センサＳ６、ヨーレートセンサＳ７、ロールレートセンサＳ８、ピッチレートセンサＳ９等の測定装置Ｓが接続されている。なお、測定装置Ｓは、演算手段４を構成する各演算手段での演算に必要なデータを測定可能な測定装置が適宜選択される。

データ記憶手段２には、各測定装置Ｓにより測定された操舵角やアクセル開度、車速等の車両の挙動を表す量に関するデータが所定のサイクルごとに入力されるようになっており、データ記憶手段２は、それらのデータを時系列的に記憶するように構成されている。

特徴量抽出手段３は、データ記憶手段２から予め設定された時間分の過去の時系列データを読み出し、時系列データの特徴が保持されるように縮退させて特徴量として抽出するようになっている。

本実施形態では、特徴量抽出手段３は、データ記憶手段２から設定された時間分の時系列データを読み出してそれぞれ正規化してメモリ上に一列に配列し、その配列された時系列データに高速フーリエ変換（ＦＦＴ：Fast Fourier Transform）を施して周波数スペクトルを求め、その周波数スペクトルの各ピークに対応する一定数の特徴周波数を特徴量として抽出するように構成されている。

具体的には、特徴量抽出手段３は、図２に示すように、データ記憶手段２に時系列的に記憶された操舵角センサＳ１やアクセル開度センサＳ２、車輪速センサＳ３、…、ピッチレートセンサＳ９の各測定値である操舵角δ、アクセル開度Ａ、車速Ｖ、…、ピッチレートＰの中から、現在の時刻ｔから予め設定された時間であるｓ秒前のデータとしてδt-s、Ａt-s、Ｖt-s、…、Ｐt-sを読み出し正規化してメモリ上に一列に配列し、続けてその１サイクル後のデータδt-s+1c、Ａt-s+1c、Ｖt-s+1c、…、Ｐt-s+1cを読み出して正規化して一列に配列するという操作を、現在のデータδt、Ａt、Ｖt、…、Ｐtあるいは現在より１サイクル前のデータのδt-1c、Ａt-1c、Ｖt-1c、…、Ｐt-1cを配列し終わるまで行うようになっている。なお、添字の１ｃは１サイクル分の実時間を表す。

さらに、特徴量抽出手段３は、このようにして一列に配列された数値列に対して高速フーリエ変換を施して、図３に示すような振幅についての周波数ｆに対する分布Ｇ（ｆ）、すなわち周波数スペクトルＧ（ｆ）を求め、その周波数スペクトルＧ（ｆ）の各ピークのうち振幅が大きい順に一定数の特徴周波数を特徴量ｆ１t、ｆ２t、ｆ３tとして抽出するようになっている。なお、特徴量ｆ１t、ｆ２t、ｆ３tは、現在の時刻ｔ以前の設定された時間分の時系列データの推移の特徴を保持するものであるから、時刻ｔが変わるとそれに応じて変化し得る。

このように、特徴量抽出手段３は、図２に例示したような大量の過去の一定時間分の時系列データδt-s、Ａt-s、…、δt、Ａt、Ｖt、…、Ｐtあるいはδt-s、Ａt-s、…、δt-1c、Ａt-1c、Ｖt-1c、…、Ｐt-1cを、それらの時系列データの推移の特徴が保持されるように一定数の特徴量ｆ１t、ｆ２t、ｆ３tに縮退させて抽出するように構成されている。

なお、本実施形態では、過去のデータが３個の特徴量ｆ１t、ｆ２t、ｆ３tに縮退される場合について述べたが、周波数スペクトルＧ（ｆ）から抽出される特徴量の数をより多く設定するほど元の時系列データの推移の特徴がより反映された形で推定値や予測値の算出を行うことが可能である。しかし、特徴量の数を多くするほど演算手段４における演算等の負担が重くなる。そのため、抽出される特徴量の数は、求められる推定値や予測値の精度と演算手段４における演算の負担等の観点から適宜設定される。

また、フーリエ変換の手法としては、例えば２次元高速フーリエ変換等で行うように構成することも可能である。２次元高速フーリエ変換を用いる場合には正規化されたデータを２次元配列して変換を施し、スペクトル解析により、９×３や３×３等に縮退させてそれらを２７個や９個等の特徴量として抽出するように構成される。

演算手段４は、図１に示したように、ヨーレート演算手段４１や車体滑り角演算手段４２、ロールレート演算手段４３、ピッチレート演算手段４４等、車両挙動推定予測装置１に求められる機能に応じて単数または複数の演算手段で構成されている。

演算手段４を構成する各演算手段には、それぞれ特徴量抽出手段３から送信されてきた前記抽出された特徴量と、各測定装置Ｓからデータ記憶手段２を介してあるいは介さずに直接送信されてきた現在の測定値とが入力されるようになっており、各演算手段は、それぞれの特徴量や現在の測定値に基づいて現在の車両の挙動を表す量の推定値もしくは一定時間後の車両の挙動を表す予測値、またはその双方を算出するようになっている。

なお、演算手段４で算出される車両の挙動を表す量としては、本実施形態のようなヨーレートや車体滑り角、ロールレート、ピッチレートのほか、例えば、タイヤにかかる横力や前後力、路面摩擦係数等が挙げられる。

本実施形態では、演算手段４を構成する各演算手段は、それぞれ前記特許文献４に記載された車両運動モデルの生成装置に用いられているものと同様の遅れ要素フィードバックを有するリカレント型ニューラルネットワークで構成されている。

各演算手段の具体的な構成は、例えば図４に示されるようないわゆる階層型とされており、入力層として、前述した特徴量抽出手段３から送信されてきた特徴量ｆ１t、ｆ２t、ｆ３tと各測定装置Ｓからデータ記憶手段２を介して送信されてきた現在の測定値、すなわち操舵角δt、アクセル開度Ａt、車速Ｖt、…、ピッチレートＰtの正規化値の入力とが入力されるノードと、出力が遅れ要素としてフィードバックされて入力されるノードとを有している。

また、各演算手段のニューラルネットワークは、中間層として適宜設定された数のノードを有しており、さらに、出力層として一定時間後のヨーレートの予測値γｅ、すなわち例えばａ秒後、ｂ秒後、ｃ秒後、…の予測ヨーレートγｅt+a、γｅt+b、γｅt+c、…を出力するノードを有している。

なお、ニューラルネットワークの中間層のノードの数は任意に定められ、また中間層を本実施形態のように１段ではなく複数段設けるように構成することも可能である。また、出力層に、前記特許文献４に記載されたリカレント型ニューラルネットワークのように車両の挙動を表す量の推定値や予測値を出力せず遅れ要素フィードバックにのみ関与するノードを設けることも可能である。また、添字ｅは現在の推定値または将来の予測値であることを示す。

出力層から出力される予測ヨーレートγｅt+a、γｅt+b、γｅt+c、…は、遅れ要素フィードバック成分として、遅延回路Ｚ^−１を介して１サイクルあるいは２サイクル遅延されて入力層のノードに入力されるように構成されている。３サイクル以上前の出力値を入力するように構成することも可能である。

ニューラルネットワークの入力層、中間層および出力層を構成する各ノードＮiは、所定の伝達関数に従って入力Ｘiに対して１つの出力Ｙiを出力するようになっている。本実施形態では、伝達関数として下記（１）式で示されるシグモイド関数が用いられている。なお、下記（１）式におけるθiはノードＮiごとの閾値である。
Ｙi＝１／（１＋exp（−（Ｘi−θi））） …（１）

前記（１）式における入力Ｘiは、入力層においては、ノードＮ１〜Ｎ１８にそれぞれ入力される特徴量ｆ１t、ｆ２t、ｆ３tの正規化値、現在の操舵角δt、アクセル開度Ａt、車速Ｖt、…、ピッチレートＰtの正規化値、および遅れ要素フィードバック成分の値である。

また、中間層においては、前記（１）式における入力Ｘiは、入力層の各ノードＮ１〜Ｎ１８の出力Ｙj（ｊ＝１〜１８）を重み付けした総和であり、出力層においては、中間層の各ノードＮ１９〜Ｎ２３の出力Ｙj（ｊ＝１９〜２３）を重み付けした総和である。すなわち、結合重み係数をｗijとした場合、ノードＮiへの入力Ｘiは、
Ｘi＝Σｗij×Ｙj …（２）
で求められる。

なお、伝達関数は、前記（１）式に示されたシグモイド関数以外の関数を用いることも可能であり、例えば、ヒステリシス、リミッタ、二値化、不感帯、前記遅延回路Ｚ^−１等の時間遅れ、ピークホールド、微分、積分、最大値等の各関数を用いることができる。

また、図４ではニューラルネットワークに特徴量ｆ１t、ｆ２t、ｆ３tおよび現在の測定値である操舵角δt、アクセル開度Ａt、車速Ｖt、…、ピッチレートＰtを入力して、現在からａ秒後、ｂ秒後、ｃ秒後の予測ヨーレートγｅt+a、γｅt+b、γｅt+cを出力するヨーレート演算手段４１の場合が例示されているが、演算手段４を構成する各演算手段はこの形に限定されない。

すなわち、まず、各演算手段を車両の挙動を表す量の現在の推定値、すなわち例えば車両の挙動を表す量がヨーレートであれば現在の推定値である推定ヨーレートγｅtを出力するように構成してもよく、また、現在の推定値と一定時間後の予測値とを同時に出力するように構成することも可能である。さらに、出力される予測値の個数や現在からの時間間隔は必要に応じて適宜設定される。

また、各演算手段のニューラルネットワークに入力される測定値は、図４に示されたように測定装置Ｓで測定されたすべての測定結果を入力するように構成してもよいが、通常、その演算手段で演算される車両の挙動を表す量と相関が強いと考えられる測定値が選択されて入力されるように構成される。

例えば、演算手段がヨーレートの予測値を算出するヨーレート予測器であれば、ニューラルネットワークには測定値として操舵角δtやアクセル開度Ａt、車速Ｖt、ヨーレートγtが入力される。また、演算手段が例えばヨーレートの現在値を推定するヨーレート推定器であれば、ニューラルネットワークには測定値として操舵角δtやアクセル開度Ａt、車速Ｖtが入力されるように構成される。

さらに、本実施形態では、各演算手段に、特徴量抽出手段３で抽出された特徴量と各測定装置Ｓから送信されてきた現在の測定値とを入力する場合について述べたが、前述したように、特徴量抽出手段３での特徴量抽出において現在のデータが含まれた数値列に対してフーリエ変換を施して特徴量を抽出する場合には、特徴量自体にすでに現在の測定値が反映されているとも言い得るので、必ずしも各演算手段のニューラルネットワークに現在の測定値を入力するように構成する必要はない。

最適化手段５は、演算手段４を構成する各演算手段における各ノードＮｉの閾値θｉと結合重み係数ｗijとを遺伝的アルゴリズムの学習則に基づく学習により予め自動的に最適化するように構成されている。なお、以下では、図４に示されたヨーレート演算手段４１の学習を行う場合について説明するが他の演算手段でも同様である。また、ニューラルネットワークのノードの伝達関数がシグモイド関数である場合について述べるが、伝達関数がシグモイド関数以外の関数で構成されている場合には、その関数に用いられる閾値や係数、定数等が組み込まれた遺伝子型の個体について各処理が行われる。

図５は、最適化手段の構成を示すブロック図である。最適化手段５は、初期個体生成手段６と、評価値算出手段７と、終了判定手段８と、親選択手段９と、交叉手段１０と、突然変異手段１１とを備えている。

初期個体生成手段６は、最適化の開始指示に応じて、演算手段４１を構成するニューラルネットワークの各ノードのシグモイド関数について、必要な個数の閾値θｉと結合重み係数ｗijとよりなる遺伝子型の個体を予め設定された個体数生成させて、それぞれ初期個体群を形成させるように構成されている。

遺伝子型の個体は、例えば、図４のノードＮ１〜Ｎ２６の各ノードについてノードＮ１の閾値θ１、結合重み係数ｗ1,19、ｗ1,20、…、ｗ1,23、ノードＮ２の閾値θ２、結合重み係数ｗ2,19、…の順に各ノードの閾値θｉと結合重み係数ｗijとを１列に並べた形に形成され、各ノードの閾値θｉと結合重み係数ｗijの初期値は乱数を用いてランダムに決定されるようになっている。なお、個体の遺伝子型の構成はこのような構成に限定されず、下記の演算の容易さ等の観点から適宜決定される。

初期個体生成手段６は、このような遺伝子型の個体を例えば１００個生成して初期個体群とし、評価値算出手段７に送信するようになっている。

評価値算出手段７は、初期個体群の中から１つの個体を選択し、その個体の各ノードの閾値θｉと結合重み係数ｗijとを演算手段４１に送信して演算手段４１のニューラルネットワークをセットアップするようになっている。

評価値算出手段７は、入力された教師データＴとしての所定のサイクル数の操舵角δ、アクセル開度Ａ、車速Ｖ、…、ピッチレートＰの実測データおよび実ヨーレートγのうち、実測データδ、Ａ、Ｖ、…、Ｐをデータ記憶手段２に送信して時系列的に記憶させ、特徴量抽出手段３にデータ記憶手段２から予め設定された時間分の過去の時系列データを順次読み出させて特徴量ｆ１t、ｆ２t、ｆ３tを算出させ、算出された特徴量ｆ１t、ｆ２t、ｆ３tとデータ記憶手段２から読み出された現在の時刻ｔのδt、Ａt、Ｖt、…、Ｐtをヨーレート演算手段４１のニューラルネットワークに入力して予測ヨーレートγｅt+a、γｅt+b、γｅt+cの演算を行わせるようになっている。

また、評価値算出手段７は、ヨーレート演算手段４１からの予測ヨーレートγｅt+a、γｅt+b、γｅt+cの入力を受けると、それらを経時的に保存しながら、予測ヨーレートγｅt+aと教師データである実ヨーレートγの時刻ｔ＋ａのデータであるγt+aとの差の二乗を算出し、下記（３）式に従って単位時間あたりの二乗誤差平均値として評価値Ｑａを算出するようになっている。

ここで、ｔcは１サイクルの所要時間であり、Ｎは教師データとして最適化手段５に入力された実データの所定の総サイクル数である。

また、予測ヨーレートγｅt+b、γｅt+cについても教師データである実ヨーレートγの時刻ｔ＋ｂおよび時刻ｔ＋ｃのデータであるγt+b、γt+cとの差の二乗をそれぞれ算出して同様に評価値Ｑｂ、Ｑｃを算出し、評価値Ｑａ、Ｑｂ、Ｑｃの和として当該個体に対する評価値Ｑを算出するようになっている。

なお、前記（３）式から分かるように、評価値Ｑが小さいほど予測ヨーレートγｅの実ヨーレートγに対する近似の度合が高いことを表す。

評価値算出手段７は、上記のシミュレーション処理を初期個体群のすべての個体について行い、個体ごとにそれぞれ評価値Ｑを計算するようになっている。評価値算出手段７は、個体と評価値Ｑとを終了判定手段８に送信するようになっている。

本実施形態では、終了判定手段８では、個体の世代が予め設定された世代数に達したか否かが判定されるようになっており、終了判定手段８は、設定された世代数に達したと判定すると、最適化された個体、すなわち個体群中の最も評価値Ｑが小さい個体の閾値θｉと結合重み係数ｗijとをデータ記憶手段２等の記憶手段に保存させるようになっている。

なお、最適化された各ノードの閾値θｉと結合重み係数ｗijは、車両挙動推定予測装置１の起動時に前記記憶手段から読み出され、ヨーレート演算手段４１に送信されてヨーレート演算手段４１がセットアップされるようになっている。

また、終了判定手段８における終了条件は、本実施形態のように設定された世代数に達したか否かで判定するように設定することも可能であるが、この他にも、例えば、目標評価値を予め設定しておき、評価値Ｑがその目標評価値に達した個体が現れた時点で終了するように構成することも可能である。

終了判定手段８は、設定された世代数に達していないと判定すると、個体および評価値Ｑを親選択手段９に送信するようになっている。

本実施形態の親選択手段９では、エリート保存による親選択が行われるように構成されている。すなわち、親選択手段９は、個体群の中から評価値Ｑが小さい順に所定個数の個体をメモリ１２に格納して隔離すると同時に、隔離した個体のコピーを生成し、そのコピーと格納された個体以外の個体について逆ルーレット選択や期待値選択、ランキング選択、トーナメント選択等の方法で次世代に残すべき個体の選択を行うように構成されている。親選択手段９は、選択された個体を交叉手段１０に送信するようになっている。

交叉手段１０では、遺伝子型の各個体について１点交叉や多点交叉、一様交叉、ＳＰＸ（Simplex Crossover）交叉、ＵＮＤＸ（Unimodel Normal Distribution Crossover）交叉等の通常の方法により所定の確率で交叉が行われるようになっている。また、交叉により生成された個体は、突然変異手段１１に送信され、突然変異手段１１では、個体を構成する各ノードの閾値θｉや結合重み係数ｗijの値をそれぞれ一定の割合でランダムに変化させるようになっている。

交叉手段１０および突然変異手段１１における処理が終了した各個体は、前記評価値算出手段７に送信され、再度それぞれの個体についてシミュレーション処理が行われ、評価値Ｑが算出されるように構成されている。評価値Ｑが算出された個体は終了判定手段８に送信され、メモリ１２に格納された１世代前の個体とともに終了判定が行われるようになっている。この最適化処理は終了条件を満たすまで繰り返されるようになっている。

また、この最適化処理は、演算手段４を構成する各演算手段についてそれぞれ行われるようになっている。その際、各演算手段の学習に用いられる教師データＴは、演算手段で演算される車両の挙動を表す量の種類に応じて必要な実測値が適宜最適化手段５に入力される。

次に、本実施形態に係る車両挙動推定予測装置１の作用について説明する。

前述したように、車両挙動推定予測装置１の演算手段４を構成する各演算手段は最適化手段５により操舵角δやアクセル開度Ａ、車速Ｖ等の実測値等に基づいて予め学習され、最適化される。そして、車両挙動推定予測装置１の起動時に、前記記憶手段に保存された最適化された各ノードの閾値θｉと結合重み係数ｗijがそれぞれ読み出され、各演算手段にそれぞれ送信されて各演算手段がセットアップされる。

車両挙動推定予測装置１に、操舵角センサＳ１やアクセル開度センサＳ２、車輪速センサＳ３等により測定された操舵角δやアクセル開度Ａ、車速Ｖ等の測定値が一定のサイクルごとに入力されると、それらの情報はデータ記憶手段２に入力され、時系列的に記憶されていく。

特徴量抽出手段３は、データ記憶手段２にデータが入力されるごとに、データ記憶手段２から予め設定された時間分の過去の時系列データδt-s、Ａt-s、Ｖt-s、…、Ｐt-s、δt-s+1c、Ａt-s+1c、Ｖt-s+1c、…、Ｐt-s+1c、…を読み出して、図２に示されたように個々のデータを正規化してメモリ上に一列に配列する。

そして、正規化された数値列に対して高速フーリエ変換を施して図３に示されたような周波数スペクトルＧ（ｆ）を求め、この周波数スペクトルＧ（ｆ）の各ピークのうち振幅が大きい順に本実施形態では３個の特徴周波数ｆ１、ｆ２、ｆ３を特徴量ｆ１t、ｆ２t、ｆ３tとして抽出する。

特徴量抽出手段３は、このようにして現在の時刻ｔ以前の過去の膨大な数の時系列データを、高速フーリエ変換により、その時系列データの推移の特徴が保持されるように縮退させて特徴量ｆ１t、ｆ２t、ｆ３tとして抽出し、演算手段４にそれらの特徴量ｆ１t、ｆ２t、ｆ３tを出力する。

演算手段４を構成する各演算手段には、それぞれ特徴量抽出手段３から送信されてきた特徴量ｆ１t、ｆ２t、ｆ３tの正規化値と、データ記憶手段２から読み出された現在の時刻ｔの測定値である操舵角δt、アクセル開度Ａt、車速Ｖt、…、ピッチレートＰtのうちその演算手段の演算に用いられる測定値の正規化値とが入力される。

本実施形態では、さらに、各演算手段を構成するニューラルネットワークに、遅延回路Ｚ^−１を介して１サイクルあるいは２サイクル前の出力値である遅れ要素フィードバック成分が入力される。

これらの値が入力されると、各演算手段で、予め学習され最適化された各ノードの閾値θｉと結合重み係数ｗijに従ってニューラルネットワーク演算が行われ、各演算手段から、それぞれ現在の時刻ｔにおける推定値である推定ヨーレートγｅt、推定車体滑り角βｅt、推定ロールレートＲｅt、推定ピッチレートＰｅt、…もしくは一定時間後の予測値である予測ヨーレートγｅt+a、γｅt+b、γｅt+c、…、予測車体滑り角βｅt+a、βｅt+b、βｅt+c、…、予測ロールレートＲｅt+a、Ｒｅt+b、Ｒｅt+c、…、予測ピッチレートＰｅt+a、Ｐｅt+b、Ｐｅt+c、…、が出力され、またはこれらの推定値と予測値がともに出力される。

以上のように、本実施形態に係る車両挙動推定予測装置１によれば、特徴量抽出手段３で、例えば現在の時刻ｔ以前の過去の膨大な数の時系列データからなる数値列に高速フーリエ変換を施して周波数スペクトルＧ（ｆ）を求める等して、時系列データをその推移の特徴が保持されるように縮退させて特徴量を抽出するように構成した。

本実施形態で用いられたフーリエ変換の一般的な性質として、周波数スペクトルＧ（ｆ）が求まれば逆変換により元の関数を完全に復元することができ、また、周波数スペクトルＧ（ｆ）中でピークとして現れる特徴周波数を適切に選択すれば、それらの特徴周波数とその特徴周波数における振幅を用いて逆変換を行うことで比較的忠実に元の関数を復元することができることが知られている。

本実施形態においても、前記のように過去の時系列データからなる数値列に対してフーリエ変換を施して得られた周波数スペクトルＧ（ｆ）中のピークに対応する特徴周波数ｆ１、ｆ２、ｆ３、…は、逆変換により元の膨大な数の過去の時系列データからなる数値列を比較的忠実に復元可能とするものである。

つまり、それらの特徴周波数ｆ１、ｆ２、ｆ３、…、すなわち特徴量ｆ１t、ｆ２t、ｆ３t、…は、過去の時系列データの推移を特徴づけるものであるということができ、過去の時系列的に記憶された膨大なデータからデータの推移の特徴が保持されるように縮退されたものであるといえる。

例えば、仮にサンプリングレートを１００ミリ秒とした場合、本実施形態のように９つの測定装置Ｓ１〜Ｓ９の測定値を過去１０秒分データ記憶手段２から読み出すとすると、過去の時系列データとして９００個の実データが読み出される。これらの実データを前記特許文献３に記載の車両挙動推定予測装置のようにすべて演算手段のニューラルネットワークに入力することは、演算に掛かる負荷が非常に大きくなる上、ニューラルネットワークの学習時の学習に要する時間が非常に長期化し収束性も悪くなる等の観点から現実的とは言い難い。

しかし、本実施形態に係る車両挙動推定予測装置１のように、実データの数より格段に少ない数の特徴量ｆ１t、ｆ２t、ｆ３t、…を演算手段に入力することで、ニューラルネットワークへのデータの入力数の増大を抑え、入力数の軽減を図ることが可能となる。

しかも、特許文献３、４に記載の車両挙動推定予測装置のように出力値がフィードバックされて再入力されるループを有するニューラルネットワークを用いた場合、そのループの中で過去のデータが希釈され、どの程度前までの過去のデータが反映された状態で取り込まれているかが分からなくなるが、本実施形態のように過去のデータの推移の特徴が保持されるように縮退させて抽出された特徴量をニューラルネットワークに入力することで、過去のデータの推移を明示的にニューラルネットワークでの演算に反映させて車両の挙動を表す量の推定や予測を行うことが可能となる。

また、本実施形態に係る車両挙動推定予測装置１によれば、このように過去のデータの推移を明示的に反映させて演算を行うことにより、現在の車速Ｖtやステアリングホイールの操舵角δtの入力値が同一であっても、過去のデータの推移から現在の車両の挙動が通常の走行状態にあるかスピン状態やドリフト状態にあるかを的確に判別してそれぞれの挙動に即した推定値や予測値を出力できるから、非常に精度良く車両の挙動を表す量を推定し予測することが可能となる。

なお、本実施形態では、特徴量抽出手段３における高速フーリエ変換において、設定された時間分の各測定装置Ｓの時系列データを順次一列に配列する場合について述べたが、測定装置ごとのデータの推移を反映させるために、例えば、上記の例でいえば測定装置ごとに１００個分の設定された時間分の時系列データを一列に配列して変換し、測定装置ごとに特徴量を抽出するように構成することも可能である。この場合、例えば９個の測定装置のそれぞれにつき３個ずつ特徴量を抽出するように構成すれば、演算手段のニューラルネットワークには２７個の特徴量が入力されるようになる。

また、特徴量抽出手段３における特徴量として、共分散行列の主成分分析の手法により求めた固有値を抽出するように構成することも可能である。

具体的に本実施形態に即していえば、特徴量抽出手段３は、例えば、ｓ秒前から現在の時刻ｔあるいは現在の時刻ｔの１サイクル前までの時系列データをデータ記憶手段２から読み出して、それぞれのサイクルごとに、操舵角センサＳ１、アクセル開度センサＳ２、車輪速センサＳ３、…、ピッチレートセンサＳ９の各測定値である操舵角δ、アクセル開度Ａ、車速Ｖ、…、ピッチレートＰの正規化値を成分とする下記（４）式で表される９次元ベクトルｘ_ｋ（ｋ＝ｔ−ｓ〜ｔまたはｋ＝ｔ−ｓ〜ｔ−１ｃ）を生成する。

この場合、このような９次元ベクトルがｎ個生成されるとすると、特徴量抽出手段３は、下記（５）式に従ってｎ個の９次元ベクトルの標本平均ベクトルμを算出し、

前記各９次元ベクトルとこの標本平均ベクトルμから下記（６）式に基づいて共分散行列Ｒを求める。

そして、特徴量抽出手段３は、主成分分析により下記（７）式を満たす固有値行列Λおよび固有ベクトル行列Φを求める。

ここで、固有値行列Λは、Ｒの固有値をλ_１、λ_２、…、λ_９（λ_１≧λ_２≧…≧λ_９）とした場合に下記（８）式のように表され、固有ベクトル行列Φは、Ｒの固有値λ_１、λ_２、…、λ_９に対応する固有ベクトルをφ_１、φ_２、…、φ_９とした場合に下記（９）式のように表される。

特徴量抽出手段３は、このようにして求められた固有値λ_１、λ_２、…、λ_９のうち、例えば大きい順に一定数の固有値を特徴量として抽出するように構成される。

なお、例えば、特徴量として固有値の大きい順に３個の固有値λ_１、λ_２、λ_３を抽出するように構成した場合、それらの固有値λ_１、λ_２、λ_３からなる固有値行列Λｍおよびそれらの固有値に対応する固有ベクトルφ_１、φ_２、φ_３からなる固有ベクトル行列Φｍは下記（１０）式および（１１）式のように表され、

下記（１２）式で求められる近似値Ｒｍで元の共分散行列Ｒを比較的精度良く近似することができる。

すなわち、以上のように、特徴量として共分散行列の主成分分析の手法により求めた固有値を抽出するように構成した場合も、その抽出された固有値からなる固有値行列Λｍとそれらの固有値に対応する固有ベクトルからなる固有ベクトル行列Φｍから元の共分散行列Ｒを比較的忠実に復元することが可能であるから、特徴量である固有値は、過去の時系列データの推移を特徴づけるものであるということができ、過去の時系列的に記憶された膨大なデータからデータの推移の特徴が保持されるように縮退されたものであるということができる。

なお、固有値に対する固有ベクトル自体も、固有値が大きい順に第１主成分、第２主成分、…として、過去のデータの特徴主成分が保持されるように縮退されている。そのため、特徴量抽出手段３における特徴量として、共分散行列の主成分分析の手法により求めた固有値を用いる代わりに、或いは固有値とともに、一定数の固有ベクトルを抽出するように構成することも可能である。

次に、本実施形態に係る車両挙動推定予測装置１を用いた車両安定化制御システムについて説明する。

本実施形態に係る車両安定化制御システム６は、図６に示されるように、車両挙動推定予測装置１と、制御装置７と、アクセル開度等を調整する各種アクチュエータ等８とを備えている。なお、各種アクチュエータ等８としては、具体的には、４輪独立ブレーキ、アクセル開度を制御する電子制御スロットル、バイワイヤによるステアリング制御のようにステアリングサーボ機能を有するシステム等が挙げられる。

車両挙動推定予測装置１は、前述したようにステアリングホイールの操舵角センサＳ１やアクセル開度センサＳ２、車輪速センサＳ３等の測定装置Ｓにより測定された現在の時刻ｔの操舵角δt、アクセル開度Ａt、車速Ｖt等が入力されると、制御装置７に対して前述したように現在の時刻ｔの推定ヨーレートγｅtや推定車体滑り角βｅt等や一定時間後の予測値である予測ヨーレートγｅt+a、γｅt+b、γｅt+c、…、予測車体滑り角βｅt+a、βｅt+b、βｅt+c、…、等を出力するようになっている。

また、本実施形態に係る車両挙動推定予測装置１のヨーレート演算手段４１、車体滑り角演算手段４２等の演算手段４は、予め路面が乾燥していて外乱が少ない状態における走行データを教師データとして学習が行われている。

なお、以下では、車両挙動推定予測装置１から現在の時刻ｔの推定ヨーレートγｅtおよび推定車体滑り角βｅtが出力される場合について述べるが、車両安定化制御システム６を、現在の時刻ｔの推定ロールレートＲｅtや推定ピッチレートＰｅt等、あるいは一定時間後の予測ヨーレートγｅtや予測車体滑り角βｅt、予測ロールレートＲｅt、予測ピッチレートＰｅt等の値を用いて同様に車両の安定化制御を行うように構成することも可能である。

制御装置７は、図示しないＣＰＵやＲＯＭ、ＲＡＭ、入出力インターフェース等がバスに接続されたコンピュータにより構成されており、制御装置７には、車両挙動推定予測装置１から出力された推定ヨーレートγｅt、推定車体滑り角βｅtが入力されるようになっている。また、本実施形態では、その他、操舵角δtと、図示しないヨーレートセンサおよび車体滑り角センサで測定された実ヨーレートγtおよび実車体滑り角βtが入力されるようになっている。

制御装置７は、入力されたステアリングホイールの操舵角δtにおけるヨーレートや車体滑り角の現在の時刻ｔにおける推定値とセンサによる実測値とを比較して車両がスピン状態やドリフト状態にあるか、あるいはアンダステアの状態にあるかオーバステアの状態にあるかを判断して、各種アクチュエータ等８に制御信号を送信して車両の安定化制御を行うように構成されている。

すなわち、車両安定化制御システム６の作用としては、制御装置７は、車両挙動推定予測装置１から送信されてきた現在の時刻ｔの推定ヨーレートγｅtおよび推定車体滑り角βｅtと、センサから送信されてきた操舵角δt、実ヨーレートγt、実車体滑り角βtに基づいて推定ヨーレートγｅtおよび実ヨーレートγtと推定車体滑り角βｅtおよび実車体滑り角βtとをそれぞれ比較する。

そして、制御装置７は、まず、推定ヨーレートγｅtと実ヨーレートγtとが一定の誤差範囲内でありほぼ等しい状態で、推定車体滑り角βｅtに比べて実車体滑り角βtが設定された閾値以上に大きい場合には、路面摩擦係数が減少し車両が路面に対して滑っており車両にスピンが生じているあるいはスピンが生じかけていると判断して、スピンの発生を阻止するように各種アクチュエータ等８に制御信号を送信する。

具体的には、制御装置７は、４輪独立ブレーキのうち車両の旋回の外側に位置するブレーキにブレーキ圧を上げるように信号を送信し、アクセル開度を制御する電子制御スロットルにはアクセル開度を絞るように信号を送信し、また、ステアリングサーボ機能を有するシステムにはステアリングの操舵角の絶対値を小さくする方向に戻すように信号を送信してスピン発生を防止し、あるいは生じているスピンを解消する。

なお、推定車体滑り角βｅtに比べて実車体滑り角βtが同じか小さい場合には、制御装置７は各種アクチュエータ等８に対しては特別の制御を行わない。

また、制御装置７は、推定車体滑り角βｅtと実車体滑り角βtとが一定の誤差範囲内でありほぼ等しい状態で、推定ヨーレートγｅtが実ヨーレートγtに比べて設定された正の閾値以上に大きい場合には、車両がアンダステアの状態にあると判断してアンダステア状態を解消し、またドリフトの発生を阻止するように各種アクチュエータ等８に制御信号を送信する。

具体的には、制御装置７は、前輪に対する後輪のトルク配分を上げるように調整する信号をトルク配分電子制御システムに送信してアンダステアを解消し、４輪独立ブレーキのうち車両の進行方向側の前輪に対応するブレーキにブレーキ圧を上げるように信号を送信してドリフトの発生を防止し、あるいは生じているドリフト状態を解消する。

さらに、制御装置７は、推定車体滑り角βｅtと実車体滑り角βtとが一定の誤差範囲内でありほぼ等しい状態で、推定ヨーレートγｅtが実ヨーレートγtに比べて設定された負の閾値より小さい場合には、車両がオーバステアの状態にあると判断して後輪に対する前輪のトルク配分を上げるように調整する信号をトルク配分電子制御システムに送信してオーバステアを解消する。

なお、車両安定化制御システム６は、この他にも、例えば、車両挙動推定予測装置１からヨーレートの１秒後、２秒後、３秒後の予測値γｅt+1、γｅt+2、γｅt+3を出力し、制御装置７がその予測値γｅt+1、γｅt+2、γｅt+3とステアリングホイールの操舵角δtとを監視し、例えば、操舵角δtが正または負の値であり運転者がステアリングホイールを切っている状態で３秒後の予測ヨーレートγｅt+3が１、２秒後の予測ヨーレートγｅt+1、γｅt+2から急激に変化すると予測された場合には、３秒後にスピンが生じると判断して、予め４輪独立ブレーキのうち車両の旋回の外側に位置するブレーキにはブレーキ圧を上げるように、アクセル開度を制御する電子制御スロットルにはアクセル開度を絞るように、また、ステアリングサーボ機能を有するシステムにはステアリングの操舵角の絶対値を小さくする方向に戻すようにそれぞれ信号を送信してスピンの発生を防止するように構成することも可能である。

また、例えば、車両挙動推定予測装置１を車両の推定横加速度Ｇｙｅtや予測横加速度Ｇｙｅt+a、Ｇｙｅt+b、Ｇｙｅt+c、…を出力するように構成し、制御装置７がそれらの値と横加速度センサＳ６による実測値Ｇｙtとを比較することで、強い横風や路面の左右方向の傾斜、あるいはドリフト等のために車両に横加速度が生じていると判断した場合に、ステアリングサーボ機能を有するシステムに対して、横加速度の実測値Ｇｙと推定値または予測値Ｇｙｅとの差が小さくする方向にステアリングホールを切るように制御信号を送信するように構成することも可能である。

以上のように、本実施形態に係る車両安定化制御システム６によれば、過去のデータの推移の特徴を明示的に反映させて車両の挙動を表す量を推定し予測することが可能な車両挙動推定予測装置１から送信されてくる高精度の推定値や予測値に基づいて、車両の現在の挙動を推定し、将来の挙動を予測することができる。

そして、その高精度の推定値や予測値を用いて車両の挙動を的確に把握し、車両の挙動を不安定化させている要因を除去する方向に制御し、あるいは車両の挙動を不安定化させる要因を修正して不安定化が生じないように予め制御することが可能となる。

また、予め車両挙動推定予測装置１の演算手段４を、路面が乾燥していて外乱が少ない状態における走行データを教師データとして学習を行っておくことで、外乱の少ない状態における車両の挙動を表す量の推定値や予測値と実際の測定値とを比較することで、車両に生じているあるいは生じる可能性がある外乱を把握し、車両挙動の安定化制御を行うことが可能となる。

なお、本実施形態では、車両挙動推定予測装置１やそれを用いた車両安定化制御システム６を実車両に搭載する場合について述べたが、例えば、これらをコンピュータに組み込んでシミュレーション解析を行うように構成することも可能であり、このような場合も本発明に含まれる。

本実施形態に係る車両挙動推定予測装置の構成を示すブロック図である。 各測定装置からの測定値を正規化して一列に配列した状態を説明する図である。 高速フーリエ変換により得られた周波数スペクトルＧ（ｆ）の例を示す図である。 本実施形態に係る各演算手段の構成を示す図である。 本実施形態に係る最適化手段の構成を示すブロック図である。 本実施形態に係る車両挙動推定予測装置を用いた車両安定化制御システムの構成を示すブロック図である。

符号の説明

１ 車両挙動推定予測装置
２ データ記憶手段
３ 特徴量抽出手段
４ 演算手段
６ 車両安定化制御システム
７ 制御装置
ｆ１、ｆ２、ｆ３ 特徴量
Ｓ 測定装置
Ｔ 教師データ

Claims (4)

1. 測定装置により測定された車両の挙動を表す量に関するデータを時系列的に記憶するデータ記憶手段と、
   前記データ記憶手段から読み出された設定された時間分の前記時系列的に記憶されたデータから前記データの推移の特徴が保持されるように特徴量を抽出する特徴量抽出手段と、
   抽出された前記特徴量に基づいて現在の車両の挙動を表す推定値または一定時間後の車両の挙動を表す予測値を算出するニューラルネットワークで構成された演算手段と
   を備え、
   前記特徴量抽出手段は、正規化され配列された前記設定された時間分の時系列的に記憶されたデータにフーリエ変換を施して周波数スペクトルを求め、前記周波数スペクトルの各ピークに対応する一定数の特徴周波数を特徴量として抽出することを特徴とする車両挙動推定予測装置。
2. 測定装置により測定された車両の挙動を表す量に関するデータを時系列的に記憶するデータ記憶手段と、
   前記データ記憶手段から読み出された設定された時間分の前記時系列的に記憶されたデータから前記データの推移の特徴が保持されるように特徴量を抽出する特徴量抽出手段と、
   抽出された前記特徴量に基づいて現在の車両の挙動を表す推定値または一定時間後の車両の挙動を表す予測値を算出するニューラルネットワークで構成された演算手段と
   を備え、
   前記特徴量抽出手段は、前記過去の時系列データから共分散行列を求め、前記共分散行列に対する主成分分析により求められた、固有値のうち一定数の固有値または固有ベクトルのうち一定数の固有ベクトルを特徴量として抽出することを特徴とする車両挙動推定予測装置。
3. 前記演算手段は、遅れ要素フィードバックを有するリカレント型ニューラルネットワークで構成されており、かつ、前記測定装置により測定された教師データに基づいて予め学習されるように構成されていることを特徴とする請求項１又は請求項２に記載の車両挙動推定予測装置。
4. 請求項１から請求項３のいずれか一項に記載の車両挙動推定予測装置と、
   前記車両挙動推定予測装置から出力される推定値または予測値に基づいて車両の安定化制御を行う制御装置と
   を備えることを特徴とする車両安定化制御システム。

Images