JP5573210B2

JP5573210B2 - 筒内吸入空気量検出装置

Info

Publication number: JP5573210B2
Application number: JP2010023047A
Authority: JP
Inventors: 康人今井
Original assignee: Toyota Motor Corp
Current assignee: Toyota Motor Corp
Priority date: 2010-02-04
Filing date: 2010-02-04
Publication date: 2014-08-20
Anticipated expiration: 2030-02-04
Also published as: JP2011163120A

Description

本発明は、筒内吸入空気量検出装置に関するものである。

従来、このような分野の技術として、下記特許文献１に記載の内燃機関の制御装置が知られている。この制御装置は、燃焼室における筒内圧力を検出する筒内圧センサを備え、圧縮行程中かつ燃焼開始前の所定のタイミングで筒内圧センサによって検出される筒内圧力に基づいて、燃焼室に充填された空気の量（吸入空気量）を算出する。この制御装置は、内燃機関の過渡運転時には、ある気筒に点火順序が先行する少なくとも２つの気筒における吸入空気量の変化に基づき、当該気筒の吸入空気量を予測している。車両の内燃機関においては、気筒の吸入空気量を正確に予測することで、燃料噴射量を決定し、目標空燃比を達成することができる。

特開２００８−２９７９２２号公報

上記制御装置では、過渡運転時において、各気筒間の筒内圧力差が一定であるとの仮定の下で、吸入空気量の予測を行うものである。しかしながら、現実には、過渡運転時の各気筒間の筒内圧力差が一定であるとは限らない。すなわち、車両の加減速の仕方によっては上記の仮定が成立せず、予測による吸入空気量と実際の吸入空気量との誤差が大きくなってしまう。

そこで、本発明は、過渡運転時における気筒の吸入空気量の検出精度を高めることができる筒内吸入空気量検出装置を提供することを目的とする。

本発明の筒内吸入空気量検出装置は、車両の運転情報を蓄積し学習する運転情報蓄積手段と、運転情報蓄積手段で得られた過去の車両の運転情報に基づいて、車両の加減速を予測する加減速予測手段と、を備え、加減速予測手段が予測した車両の未来の加減速度に基づいて、車両の内燃機関の気筒に吸入される空気量の予測値を算出することを特徴とする。

この筒内吸入空気量検出装置は、蓄積された過去の車両の運転情報に基づいて未来の加減速度を予測する。そして、車両の未来の加減速度に基づいて、気筒に吸入される空気量の予測値を算出するので、空気量の予測値に車両の加減速度の影響を反映させることができ、過渡運転時における予測値の精度を高めることができる。

また、本発明の筒内吸入空気量検出装置は、車両の走行状況を検出する走行状況検出手段を更に備え、運転情報蓄積手段は、車両が行った加減速の態様を示す加減速情報と、当該加減速が行われた時点よりも所定時間手前に走行状況検出手段が検出した走行状況の過去データと、を対応づけて運転情報として蓄積し、加減速予測手段は、走行状況検出手段が検出した走行状況の現在データに類似した過去データが、運転情報蓄積手段に蓄積されている場合、該過去データに対応づけられた加減速情報と同じ態様で車両が加減速すると予測することとしてもよい。

この構成によれば、車両の過去の走行状況と加減速の態様との対応づけを参照することにより、現在の走行状況に基づいて加減速の態様を予測することができる。従って、例えば、車両のドライバの過去の運転傾向を、未来の加減速度の予測に反映させることができ、加減速度の予測の精度を高めることができる。

また、本発明の筒内吸入空気量検出装置は、気筒の筒内圧力を検出する筒内圧力検出手段を更に備え、所定の気筒の吸入空気量の予測値は、当該所定の気筒に点火順序が先行する少なくとも２つの気筒における各吸入空気量の差分に更に基づいて算出され、少なくとも２つの気筒における各吸入空気量は、圧縮行程中かつ燃焼開始前の所定のタイミングで筒内圧力検出手段によって検出される筒内圧力に基づいて検出されることとしてもよい。

所定の気筒の吸入空気量は、点火順序が先行する少なくとも２つの気筒における吸入空気量の差分に基づいてある程度予測が可能である。更に加えて、前述のように車両の加減速度を考慮に含めることにより、過渡運転時における気筒の吸入空気量の予測値の精度を高めることができる。

本発明の筒内吸入空気量検出装置によれば、過渡運転時における気筒の吸入空気量の検出精度を高めることができる。

本発明の筒内吸入空気量検出装置が適用される内燃機関を示す図である。本発明の筒内吸入空気量検出装置を示す図である。図１の内燃機関における燃料噴射量設定ルーチンを示すフローチャートである。内燃機関における筒内吸入空気量の時間に対する変化の様子の一例を示すタイムチャートである。（ａ）〜（ｅ）は、加減速予測ＣＰＵによる加減速の予測を模式的に説明する図である。予測パラメータ記憶部に記憶される予測パラメータの一例を示す図である。データ蓄積フェーズの手順を示すフローチャートの一例である。各クラスに抽出された各予測パラメータを模式的に示す図である。分布が一部において重複している予測パラメータの組の一例を示す図である。予測フェーズの手順を示すフローチャートの一例である。予測フェーズにおけるクラスタリングの一例を示す図である。

以下、図面を参照しつつ本発明に係る筒内吸入空気量検出装置の好適な実施形態について詳細に説明する。

図１は、本発明の一実施形態である筒内吸入空気量検出装置１が適用された内燃機関１００を示す概略構成図である。図１に示される内燃機関１００は、自動車の車両２００に搭載され、シリンダブロック２に形成された各気筒３の燃焼室３ａの内部で燃料および空気の混合気を燃焼させ、燃焼室３ａ内でピストン４を往復移動させることにより動力を発生するものである。内燃機関１００は多気筒エンジンとして構成され、本実施形態の内燃機関１００は、例えば４気筒エンジンとして構成されている。

各燃焼室３ａの吸気ポートは、吸気管（吸気マニホールド）５にそれぞれ接続され、各燃焼室３ａの排気ポートは、排気管（排気マニホールド）６にそれぞれ接続されている。また、内燃機関１００のシリンダヘッドには、吸気弁Ｖｉおよび排気弁Ｖｅが燃焼室３ａごとに配設されている。各吸気弁Ｖｉは対応する吸気ポートを開閉し、各排気弁Ｖｅは対応する排気ポートを開閉する。各吸気弁Ｖｉおよび各排気弁Ｖｅは、可変バルブタイミング機構を含む動弁機構によって開閉させられる。更に、内燃機関１００は、気筒数に応じた数の点火プラグ７を有し、点火プラグ７は、対応する燃焼室３ａ内に臨むようにシリンダヘッドに配設されている。

吸気管５は、図１に示されるように、サージタンク８に接続されている。サージタンク８には、吸気通路が接続されており、吸気通路は、エアクリーナ９を介して図示されない空気取入口に接続されている。そして、吸気通路の途中（サージタンク８とエアクリーナ９との間）には、スロットルバルブ（本実施形態では、電子制御式スロットルバルブ）１０が組み込まれている。一方、排気管６には、図１に示されるように、例えば三元触媒を含む前段触媒装置１１ａおよび例えばＮＯｘ吸蔵還元触媒を含む後段触媒装置１１ｂが接続されている。

更に、内燃機関１００は、複数のインジェクタ１２を有し、各インジェクタ１２は、図１に示されるように、対応する吸気管５の内部（吸気ポート内）に臨むように配置されている。各インジェクタ１２は、各吸気管５の内部にガソリン等の燃料を噴射する。なお、本実施形態の内燃機関１００は、いわゆるポート噴射式のガソリンエンジンとして説明されるが、これに限られるものではなく、本発明はインジェクタが対応する燃焼室３ａ内に臨むようにシリンダヘッドに配置されているいわゆる直噴式内燃機関や、インジェクタがポート噴射及び筒内噴射用に複数設けられているいわゆるデュアル噴射式の内燃機関に適用され得ることはいうまでもない。

上述の各点火プラグ７、スロットルバルブ１０、各インジェクタ１２および動弁機構等は、内燃機関１００の制御装置として機能するエンジン制御ＥＣＵ２０に電気的に接続されている。エンジン制御ＥＣＵ２０は、ＣＰＵ、ＲＯＭ、ＲＡＭ、入出力ポート、および、記憶装置等を含むものである。エンジン制御ＥＣＵ２０には、図１に示されるように、クランク角センサ１４やアクセル開度センサ１６を始めとした各種センサが電気的に接続されている。エンジン制御ＥＣＵ２０は、記憶装置に記憶されている各種マップ等を用いると共に各種センサの検出値等に基づいて、所望の出力が得られるように、点火プラグ７、スロットルバルブ１０、インジェクタ１２、動弁機構等を制御する。

また、内燃機関１００は、半導体素子、圧電素子、磁歪素子あるいは光ファイバ検出素子等を含む筒内圧センサ（筒内圧力検出手段）１５を気筒数に応じた数だけ有している。各筒内圧センサ１５は、対応する燃焼室３ａ内に受圧面が臨むようにシリンダヘッドに配設されており、エンジン制御ＥＣＵ２０に電気的に接続されている。各筒内圧センサ１５は、燃焼室３ａ内でその受圧面に加わる圧力（筒内圧力）を大気圧に対する相対値として出力するものであり、その受圧面に加わる圧力（筒内圧力）に応じた電圧信号（検出値を示す信号）をエンジン制御ＥＣＵ２０に与える。

更に、内燃機関１００は、サージタンク８内の充填空気の圧力（吸気圧）を絶対圧力として検出する吸気圧センサを有している。吸気圧センサも、エンジン制御ＥＣＵ２０に電気的に接続されており、検出したサージタンク８内の充填空気の絶対圧力を示す信号をエンジン制御ＥＣＵ２０に与える。なお、クランク角センサ１４、吸気圧センサの検出値は、微小時間おきにエンジン制御ＥＣＵ２０に順次与えられ、エンジン制御ＥＣＵ２０の所定の記憶領域（バッファ）に所定量ずつ格納保持される。また、各筒内圧センサ１５の検出値（筒内圧力）は、吸気圧センサの検出値に基づいて絶対圧補正された上で、エンジン制御ＥＣＵ２０の所定の記憶領域（バッファ）に所定量ずつ格納保持される。

図２に示す筒内吸入空気量検出装置１は、以上説明したような車両２００の内燃機関１００に適用されている。筒内吸入空気量検出装置１は、同図に示すように、上記のエンジン制御ＥＣＵ２０を含むと共に、上記の筒内圧センサ１５やクランク角センサ１４をはじめとする各種センサ類等を備えている。具体的には、筒内吸入空気量検出装置１は、クランク角センサ１４、筒内圧センサ１５、車速センサ６１、車間距離センサ６２、照度センサ６３、傾斜センサ６４、ドライバ状態センサ６５、認証装置６６、及び予測パラメータ記憶部６７を備えている。筒内吸入空気量検出装置１は、上記センサ類で得られる情報に基づき、内燃機関１００の各気筒３に充填される空気量（「筒内吸入空気量」又は単に「吸入空気量」と称する）を予測演算によって検出する。なお、本実施形態においては、筒内吸入空気量検出装置１は、検出した上記吸入空気量（予測値）に基づきインジェクタ１２の燃料噴射量を制御する機能を更に有しているものとする。

エンジン制御ＥＣＵ２０は、吸入空気量算出ＣＰＵ３０と加減速予測ＣＰＵ５０とを備えている。吸入空気量算出ＣＰＵ３０は吸入空気量の予測値を算出する。加減速予測ＣＰＵ５０は、上記の吸入空気量予測値の算出に用いるための情報として、車両２００の未来の加減速を予測する。更に、エンジン制御ＥＣＵ２０は、吸入空気量算出ＣＰＵ３０により算出された吸入空気量予測値に基づいて燃料噴射量を決定する燃料噴射量決定部４１を備えている。吸入空気量算出ＣＰＵ３０及び加減速予測ＣＰＵ５０は、それぞれ、ＣＰＵコア、ＲＯＭ、ＲＡＭ、通信回路、ＡＤ変換回路等を含むコンピュータとして構成されている。燃料噴射量決定部４１は、ＣＰＵ等を含んで構成される。

このうち吸入空気量算出ＣＰＵ３０は、ＡＤ変換部３１、吸入空気量推定部３２、吸入空気量補正処理部３３、及び補正値算出部３４を備えている。これらの各構成要素３１〜３４は、吸入空気量算出ＣＰＵ３０を構成するＣＰＵコア、ＲＯＭ、ＲＡＭ、通信回路、ＡＤ変換回路等のハードウエアが、所定のプログラムに従い協働して動作することによってソフトウエア的に実現される構成要素である。

次に、図２及び図３を参照しながら、筒内吸入空気量検出装置１による燃料噴射量の設定手順について説明する。内燃機関１００が始動されると、エンジン制御ＥＣＵ２０によって図３に示される燃料噴射量設定ルーチンが燃焼室３ａごとに繰り返し実行される。

筒内圧センサ１５からの筒内圧信号がＡＤ変換部３１でＡＤ変換され吸入空気量推定部３２に入力される。ＡＤ変換部３１によるＡＤ変換は、クランク角センサ１４からのクランク角度信号に同期して行われる。ＡＤ変換された筒内圧信号及びクランク角度信号は、吸入空気量推定部３２に入力される。そして、ステップＳ２０１ではまず、吸入空気量推定部３２により、各気筒３における燃焼室３ａへの吸入空気量ＤＪを算出する吸入空気量算出ルーチンが実行される。本実施の形態における吸入空気量算出ルーチンでは、吸入空気量推定部３２は、各気筒３の圧縮行程中かつ燃焼開始前の所定のタイミングにおける筒内圧センサ１５の検出値Ｐｃ（θ_x）を求め、そして、予め実験などにより求めて記憶されているマップを参照して、各気筒３への吸入空気量ＤＪｎ（以下、＃１気筒〜＃４気筒の吸入空気量をＤＪ₁〜ＤＪ₄と称す）を求める。なお、この筒内圧センサ１５の検出値Ｐｃ（θ_x）に基づく各気筒３への吸入空気量ＤＪｎは、バルブオーバーラップに起因する筒内残留ガス量の影響などを考慮して、適宜補正することが好ましく、その方法は特開２００６−１４４６４４号公報等に記載され公知であるので、ここでの詳細な説明は省略する。

かくて、上述の吸入空気量算出ルーチンＳ２０１が実行されることにより、エンジン制御ＥＣＵ２０の記憶装置には各気筒３の圧縮行程毎に求められた吸入空気量ＤＪｎ（ＤＪ₁〜ＤＪ₄）が記憶保持される。

そして、ステップＳ２０２では内燃機関１００が過渡運転状態にあるか否かが判定される。この過渡運転状態にあるか否かの判定は、例えば、アクセルペダルの踏込量（操作量）を検出するアクセル開度センサ１６からの信号に基づいて制御される電子制御式スロットルバルブ１０の単位時間当りの開度変化量が所定値を超えるか否かにより行うことができる。なお、このステップＳ２０２の判定で、内燃機関１００が過渡運転状態にないとされたときには、燃料噴射量設定ルーチンは一旦終了され、上述の吸入空気量算出ルーチンにて求められて記憶されている吸入空気量ＤＪ₁〜ＤＪ₄のうち、当該気筒３に１／Ｎサイクル（ただし、吸気、圧縮、膨張、排気の４行程を１サイクルとし、Ｎは気筒数を示す）だけ先行して圧縮行程を行う気筒３の吸入空気量ＤＪｎを用いて、燃料噴射量が設定される。なお、過渡運転状態でない、換言すると、定常運転のときは各気筒３毎の吸入空気量ＤＪnにはさほど差がないので、上述の吸入空気量ＤＪ₁〜ＤＪ₄のいずれを用いてもよい。

さらに、ステップＳ２０２の判定で、内燃機関１００が過渡運転状態であるとされたときには、ステップＳ２０３に進む。なお、以下の説明では、内燃機関１００が＃１、＃３、＃４、＃２気筒の点火順序で燃焼される場合に、＃１気筒に対する燃料噴射量設定を行う手順を例として説明する。

そこで、ステップＳ２０３では、当該＃１気筒の直前の点火順序である＃２気筒における吸入空気量ＤＪ₂が、第２の吸入空気量として、上述のＥＣＵ２０の記憶装置から読み出される。そして、次のステップＳ２０４では、当該＃１気筒に点火順序が２つ先行する＃４気筒における吸入空気量ＤＪ₄が、第１の吸入空気量として、上述のＥＣＵ２０の記憶装置から読み出され、かつ、当該＃１気筒に点火順序が先行する少なくとも２つの＃４気筒及び＃２気筒における吸入空気量の変化として、吸入空気量の差分ΔＤＪ_4→2が算出される。

ここで、内燃機関１００における筒内吸入空気量の時間に対する変化の様子の一例を図４のタイムチャートに示す。今、点火順序に従い、＃１、＃３、＃４、＃２気筒における筒内吸入空気量ＤＪ（ＤＪ₁、ＤＪ₃、ＤＪ₄、ＤＪ₂）を、それぞれ、「□」、「△」、「×」、「○」でプロットすると、内燃機関１００の定常運転時においては、＃１、＃３、＃４、＃２気筒における筒内吸入空気量ＤＪは時間の経過にかかわらずほぼ等しい。ところが、内燃機関１００の過渡運転状態においては、時間の経過と共に各気筒間においても筒内吸入空気量ＤＪに差ΔＤＪ_4→2、ΔＤＪ_3→4などが生じていることが分かる。

そこで、次のステップＳ２０５では、＃１気筒の筒内吸入空気量予測値ＫＬ₁が、ステップＳ２０３で求めた直前の＃２気筒における筒内吸入空気量ＤＪ₂に、ステップＳ２０４で算出された吸入空気量の差分ΔＤＪ_4→2を加算すること（ＫＬ₁＝ＤＪ₂＋ΔＤＪ_4→2）により求められる。

このステップＳ２０５で算出された筒内吸入空気量予測値ＫＬ₁は、図４からも理解できるように、筒内吸入空気量ＤＪ₁、ＤＪ₃、ＤＪ₄、ＤＪ₂が直線的に変化することを前提としており、すなわち、過渡運転時における車両２００の加減速度が一定であることを前提としている。ところが、車両２００の加減速度が変動する場合には、上記の前提は成立せず、予測値ＫＬ₁の誤差が大きくなってしまう。特に、筒内圧センサ１５による筒内圧力のサンプリング周期に対して短時間で加減速が発生する場合には、誤差が大きくなる。そこで、次のステップＳ２０６では、吸入空気量補正処理部３３が、車両の加減速を勘案して筒内吸入空気量予測値ＫＬ₁の補正を行う。

すなわち、ステップＳ２０６では、加減速予測ＣＰＵ５０が、未来に発生する車両２００の加減速の態様を予測し、加減速発生の有無を示す加減速予測フラグと、予測加減速度と、その加減速の開始までの時間と、を電気信号として補正値算出部３４に出力する。補正値算出部３４は、加減速予測フラグが”加減速の発生が予測される”旨を示した場合に、入力された予測加減速度等に基づいて補正値αを算出する。車両２００の加減速度はスロットルバルブ１０の開度と相関があり、スロットルバルブ１０の開度は吸入空気量と相関がある。従って、補正値算出部３４は、予測加減速度等に基づいて吸入空気量の変化量を予測するができ、予測に係る加減速の影響を筒内吸入空気量予測値ＫＬ₁に反映させるための補正値αを算出することができる。そして、ステップＳ２０７では、吸入空気量補正処理部３３が、補正値算出部３４が算出した補正値αに基づき、筒内吸入空気量予測値ＫＬ₁を、ＫＬ₁＝ＤＪ₂＋ΔＤＪ_4→2＋αと補正する。これにより、予測される車両２００の加減速が吸入空気量に及ぼす影響は、上記補正値αによって、筒内吸入空気量予測値ＫＬ₁に反映される。加減速予測ＣＰＵ５０による予測加減速度等の算出方法についての詳細は後述する。

そして、次のステップＳ２０８では、燃料噴射量決定部４１が、上記筒内吸入空気量予測値ＫＬ₁に対する燃料噴射量を決定し、インジェクタ１２の燃料噴射量を制御する。この場合、上記燃料噴射量は、＃１気筒における空燃比が運転状態に応じて定められる目標空燃比、例えば、理論空燃比となるように、予め準備されたマップを参照して決定される。

このようにして決定された＃１気筒への燃料噴射量は、各インジェクタ１２が、図１に示されるように、対応する吸気管５の内部（吸気ポート内）に臨むように配置されているポート噴射式の場合には、＃１気筒の吸入行程の後期に＃１気筒に対応するインジェクタ１２から噴射される。また、インジェクタが対応する燃焼室３ａ内に臨むようにシリンダヘッドに配置されているいわゆる直噴式内燃機関の場合には、＃１気筒の吸入行程の後期及び／又はその圧縮行程に噴射されてもよい。さらに、インジェクタがポート噴射及び筒内噴射用に複数設けられているいわゆるデュアル噴射式の内燃機関の場合には、ポート噴射のインジェクタから＃１気筒の吸入行程の後期及び筒内噴射用のインジェクタから＃１気筒の吸入行程の後期及び／又はその圧縮行程に噴射されてもよい。

このように、本実施形態の筒内吸入空気量検出装置１によれば、当該気筒（＃１）に点火順序が２つ先行する気筒（＃４）において吸入空気量算出手段により算出された第１の吸入空気量（ＤＪ₄）と直前の気筒（＃２）における第２の吸入空気量（ＤＪ₂）との差分により吸入空気量の変化量（ΔＤＪ_4→2）が求められ、この変化量と直前の第２の吸入空気量（ＤＪ₂）とにより、当該気筒（＃１）の吸入空気量が予測（ＫＬ₁）されるので、その精度を極めて高くすることができる。

また、吸入空気量の予測値ＫＬ₁には、補正値αを含めているので、車両２００の加減速の影響を予測値ＫＬ₁に反映させることで、過渡運転時における予測値ＫＬ₁の精度を更に高めることができる。また、予測値ＫＬ₁に対して車両２００の加減速の影響を反映させることができることから、筒内圧センサ１５による筒内圧力のサンプリング周期を比較的長くすることもでき、その結果、筒内圧力検出に関するＣＰＵ処理負荷を抑えることができる。また、吸入空気量を精度よく予測することができるので、吸気管５にエアフローメータを設置することも省略することができる。その結果、エンジン制御ＥＣＵ２０の製作コストや回路面積・消費電力を削減することができる。

続いて、加減速予測ＣＰＵ５０による車両２００の予測加減速度等の具体的な算出方法について詳細に説明する。

図５は、加減速予測ＣＰＵ５０による加速又は減速の予測を模式的に説明する図である。図５（ａ）は、車両２００の車速の時間的な変化を、図５（ｂ）は車速に対応する前方車両との距離の時間的な変化を、図５（ｃ）は車速に対応する車両２００周辺の照度の時間的な変化を、図５（ｄ）は車速に対応する路面の傾斜度の時間的な変化を、図５（ｅ）は車速に対応するドライバ情報の時間的な変化を、それぞれ例示する。以下、図５（ａ）〜（ｅ）のように、加減速を予測するための要素を、予測パラメータをいう。なお、図５（ｅ）ではドライバ情報としてハンドル（ステアリング）の把持力を示した。

例えば、図５（ａ）に示すように、時刻ｔ２〜ｔ３で車両が加速しているので、その手前の時刻ｔ１〜ｔ２における走行状況を蓄積し、運転者が加減速しやすい走行状況を学習することができれば、車両２００の加減速を予測できることになる。このような加減速予測の処理手順は、データ蓄積フェーズと予測フェーズとに分けることができる。

データ蓄積フェーズにおいて加減速予測ＣＰＵ５０は、図５のような予測パラメータを経時的に記録している。そして、時刻ｔ２〜ｔ３のように車両２００の加減速が検出されると、直前の時刻ｔ１〜ｔ２の予測パラメータと加減速との関係を蓄積（学習）する。例えば、前方車両との距離が大きくなれば、加速することが予測されるが、運転者が実際に加速するか否かは他の予測パラメータにも事前に兆候が現れると考えられる。例えば、加速する場合、周囲が明るいか、坂路を走行中か、運転者がハンドルをしっかり握っているか、等である。データ蓄積フェーズでは、このような加減速と予測パラメータとの種々の関係を蓄積していく。

これに対し予測フェーズでは、逐次、検出される予測パラメータ（後述する入力パラメータ）を監視しながら、検出される予測パラメータと蓄積してある予測パラメータ（後述する典型データ）とを比較する。そして、典型データと類似した入力データが検出された場合に、加減速予測ＣＰＵ５０が、車両２００が加速又は減速すると予測する。このような処理手順によって、加減速予測ＣＰＵ５０は、実際に加減速が発生する前に、運転者の操作による車両２００の加減速を予測することができる。

以上のような加減速予測処理を可能にするために、図２に示すように、加減速予測ＣＰＵ５０には、ＣＡＮ(Controller Area Network)等の車載ＬＡＮ又は専用のハーネスを介して、車速センサ６１、車間距離センサ６２、照度センサ６３、傾斜センサ６４、ドライバ状態センサ６５、認証装置６６及び予測パラメータ記憶部６７が接続されている。

また、加減速予測ＣＰＵ５０は、クラス分類部５１、典型データ決定部５２、距離評価部５３、加減速予測部５４、及び予測結果出力部５５を備えている。これらの各構成要素５１〜５４は、加減速予測ＣＰＵ５０を構成するＣＰＵコア、ＲＯＭ、ＲＡＭ、通信回路、ＡＤ変換回路等のハードウエアが、所定のプログラムに従い協働して動作することによってソフトウエア的に実現される構成要素である。加減速予測ＣＰＵ５０では、前述したように、車両２００の未来の予測加減速度等が得られ、予測加減速度等は吸入空気量算出ＣＰＵ３０の補正値算出部３４に送出される。

車速センサ６１は、例えば、車両２００の各輪に備えられたロータの円周上に定間隔で設置された凸部が通過する際の時速の変化をパルスとして計測し、単位時間あたりのパルス数に基づき各輪毎に車輪速を計測する。車輪速にタイヤの外径を乗じれば車速が得られる。

車間距離センサ６２は、レーザレーダ、ミリ波レーダ等により構成され、前方を走行している他車両との車間距離を検出する。例えば、ミリ波レーダ装置の場合、所定の水平走査角範囲（車長方向を中心に左右方向それぞれの所定角度範囲）を左右に走査しながらレーダパルスを照射する。照射方向に他車両が存在すれば反射波が受信されるので、送信したレーダパルスが受信される間での時間により他車両との相対距離を、送信波と受信波との周波数の差に基づき検出する。なお、自車両の前方だけでなく、後方の他車両との車間距離を検出してもよいし、側方又後側方の他車両との距離を検出してもよい。

照度センサ６３は、例えば、集積化光センサが用いられ、車両２００の周囲の光をフォトダイオードなどの光電変換素子により電圧に変換し、センサ内で演算処理を行い信号に変換して出力する。

傾斜センサ６４は、例えば、ＭＥＭＳ(Micro Electro MechanicalSystem)で形成された振動型のジャイロセンサであって、車両２００のピッチング方向の傾きによって生じる電極間の距離の変化を電圧信号として取り出し出力する。

ドライバ状態センサ６５は、上記のハンドルの把持力のように、運転者が車両２００の加速又は減速を行う際に特徴的になる運転者の状態を検出するセンサである。従って、例えば、ドライビングポジションや視線方向等の運転者の状態を検出してもよい。

例えば、ハンドルの把持力を検出する場合、ステアリングシャフトと一体のトルクセンサが検出する操舵トルクを利用する。操舵トルクを経時的に監視して、所定時間（例えば、５秒程度）における操舵トルクの最小値と最大値との差を把持力として検出する。これは、運転者が強くハンドルを把持しているほど、把持力により抑制される路面振動の反力が操舵トルクに反映されやすくなり、最小値と最大値との差が大きくなることを利用したものである。なお、例えば、ハンドルに埋設された圧力センサにより把持力を直接検出してもよいし、運転者の脈拍や体温等を検出するためにハンドルに配置された電極の接触面積を利用してもよい。

また、運転者の状態としてドライビングポジションを検出する場合、シート前後位置とヘッドレストに設けられた頭部位置検出センサにより検出された頭部の前後位置と、から運転者の頭部の前後位置を検出する。加減速の際（特に、加速の際）、運転者は頭部を前方に移動させることがあるからである。

また、運転者の状態として視線方向を検出する場合、カメラにより運転者の顔画像を撮影し、顔画像から検出した瞳孔位置に基づき視線方向を検出する。運転者は加速の際は前方のやや遠方を注視し、減速の際は前方の直前の他車両を注視することがあるからである。

なお、例えば照度のように、車両外部において共通の予測パラメータは、車両２００が独自に検出する必要はなく、路車間通信や携帯電話網を利用して配信される情報を利用して取得することもできる。このような予測パラメータは、例えば、地域を示す地域情報に対応づけて配信されており、照度に加え、雨天、曇天、降雪等の天候情報、気圧、黄砂量、花粉量などの情報についても外部から取得することができる。

以上のように、車速センサ６１は車速を、車間距離センサ６２は前方車間距離を、照度センサ６３は車両周囲の照度を、傾斜センサ６４は路面傾斜を、ドライバ状態センサ６５は走行中のドライバの状態を、車両２００の走行状況として検出する走行状況検出手段として機能する。

認証装置６６は、運転者を識別する装置である。運転者毎に、加減速操作を行う際の兆候は異なる。すなわち、まったく同じ予測パラメータに対して加減速を行う運転者も加減速を行わない運転者も存在するので、運転者を識別して予測パラメータを運転者毎に記憶することが好ましい。運転者の識別には、スマートキー（登録商標）により開錠した際のキーＩＤや生体情報を利用する。従って、認証装置６６は、キーＩＤを取得する照合ＥＣＵや、指紋、手（指、掌）の静脈、虹彩等の生体情報を検出する生体情報検出装置としてもよい。認証装置６６は、このようにして認証した運転者の識別情報を加減速予測ＣＰＵ５０に出力する。

なお、上述した予測パラメータは一例であって、前方車両や後方車両の車速、歩行者などの障害物の有無、現在時刻等を予測パラメータにしてもよい。

予測パラメータ記憶部６７は、例えば、ハードディスクドライブやフラッシュメモリを実体として、加減速予測ＣＰＵ５０により、運転者毎に予測パラメータが時系列的に記憶されていく。

図６は、予測パラメータ記憶部６７に記憶される予測パラメータの一例を示す。図示するように、車速Ａ、車間距離Ｂ、照度Ｃ、傾斜度Ｄ及び把持力Ｅがそれぞれ時系列的に記憶されている。以下、車速をＡｉ、車間距離をＢｉ、照度をＣｉ、傾斜度をＤｉ、把持力をＥｉにて表す（ｉは１以上の自然数）。

また、本実施形態では車両２００の加減速を予測するので、車速Ａｉの時間微分又はＧセンサから求められた加減速度を予測パラメータに対応づけて記録する。図６の加減速の欄では、加速を正の値で表し減速を負の値で表すものとする。

１つの予測パラメータの組は、それぞれ同じ時刻に検出されていることが好ましいが、厳密に同じ時刻に取得されていることまでは要求されない。信号を検出するサイクルが比較的長い予測パラメータ（例えば、照度、ドライバ状態）の場合、内挿（データ蓄積フェーズ）又は外挿（予測フェーズ）によって信号を補間することが好ましく、又は、直前に検出された値を予測パラメータとしてもよい。このような補間作業により、１組をなす予測パラメータの各要素をそれぞれ取得することができる。

［データ蓄積フェーズ］
データ蓄積フェーズは、後の予測フェーズにおいて入力データから加減速を予測するための典型データを生成する学習フェーズである。図５において説明したように、加減速予測ＣＰＵ５０は、分類対象である予測パラメータの組が分類されるべきクラスを学習事例として取得し、未知の予測パラメータの組をクラスタリングする。本実施形態では、データ蓄積フェーズにおいて予測パラメータの組が分類されるべきクラス（例えば、加速するか減速するか等）が既知であるので、「教師有りクラスタリング」を扱うことになる。

以下、学習事例として取得された予測パラメータの組を典型データと称し、未知の予測パラメータの組を入力データと称する。

ところで、データ蓄積フェーズは、学習のために数多くの組の予測パラメータを必要とするが、予測パラメータ記憶部６７に予測パラメータが蓄積されていれば、車両が停止していてもデータ蓄積フェーズを実行することができる。蓄積に必要な予測パラメータの組数や蓄積に必要な時間は、予測パラメータの要素の数、車両の使用態様等により変わると推定される。すなわち、予測パラメータの要素の数が多くなれば学習に時間がかかる。また、車速や前方車両との距離等は走行している限り取得しうるが、照度は種々の時間帯や天候、トンネル等を走行しなければ常に同じような照度が検出され得るし、傾斜度は坂路がある道路を走行しなければゼロに近い値しか得られない。

従って、例えば、予測パラメータの各要素のすべてにおいて十分な範囲の値が検出された場合、予め定めた数以上の組の予測パラメータが取得された場合、又は、予め定められた以上の期間が経過した場合に、データ蓄積フェーズを開始する。また、予測パラメータの各要素において十分な範囲の値を得てから典型データを生成するといった点を考慮すると、Ａｉ，Ｂｉ，Ｃｉ，Ｄｉ，Ｅｉの分散を算出し、要素のすべての予測パラメータの分散が安定したときにデータ蓄積フェーズを開始してもよい。

図７は、データ蓄積フェーズの手順を示すフローチャートの一例である。まず、クラス分類部５１は、予測パラメータの組を各クラスに分類する（Ｓ１０）。クラスとしては、少なくとも加速と減速の２つのクラスが必要であり、好ましくは、加減速が何秒後に始まるかを予測するため、加減速と時間とのクラスがあることが好ましく、更に好ましくは加減速の大きさに応じたクラスがあることが好ましい。

このような考え方から、例えば次のように予測パラメータのクラスを分類する。
ｗ１）加速度が１〜５[m/s²]を示した時刻に対し３〜５秒以内の予測パラメータ
ｗ２）加速度が１〜５[m/s²]を示した時刻に対し１〜２秒以内の予測パラメータ
ｗ３）加速度が６〜１０[m/s²]を示した時刻に対し３〜５秒以内の予測パラメータ
ｗ４）加速度が６〜１０[m/s²]を示した時刻に対し１〜２秒以内の予測パラメータ
同様に減速度についての４つのクラスを設定すれば、計８つのクラスが得られる。

図８は、このようにて各クラスと各予測パラメータの組を模式的に示す図である。１組の予測パラメータの要素の数を５つ（Ａ〜Ｅ）とした場合、５次元の空間に１組の予想パラメータがプロットされることになる。教師有りクラスタリングの場合には、クラス分類部５１は、クラスの分類規則に従い、予測パラメータ記憶部６７から、分類規則に従う予測パラメータを読み出せばよい。従って、予測フェーズでは、検出された入力データが属するクラスがあるか否かを判定すればよいことになる。

しかしながら、実際には、クラスｗ１とｗ２のように、同じ加速度が生じるが、いつ生じるかが異なるクラスは、予測パラメータの組の分布が重複したり接近したりすることもあると考えられ、図８に示すように境界が明確になるとは限らない。

図９（ａ）は、分布が一部において近接又は重複している予測パラメータの組の一例を示す。クラスｗ１とクラスｗ２でそれぞれの予測パラメータの組の分布が一部において重複している場合、重複した空間の予測パラメータの組は予測フェーズにおいて、予測精度向上の障害となる。

そこで、典型データ決定部５２は、クラス分類部５１が各クラスに分類した予測パラメータの組の中から、典型データを決定する（Ｓ２０）。すなわち、典型データは、そのクラスに対応した加減速を予測するための典型的な予測パラメータの組である。

まず、典型データ決定部５２は、各クラスの重心を決定する。各クラスの予測パラメータの組をＡｉ〜Ｅｉのベクトルで表した場合、重心の座標は次のようになる。
重心＝（sAi/クラスのデータ数,sBi/クラスのデータ数,sCi/クラスのデータ数,sDi/クラスのデータ数,sEi/クラスのデータ数）
そして、典型データ決定部５２は、クラスに関係なく、すべてのクラス（例えば８つのクラス）の重心と各予想パラメータの組との距離を算出する。そして、各予測パラメータの組について、一番距離が近い重心のクラスを判定する。そのクラスが、元々属するクラスである場合には、当該予測パラメータの組を、そのままそのクラスの典型データとして採用し、それ以外の場合には、当該予測パラメータの組を破棄する。このような処理により、図９（ａ）では、例えば、クラスｗ２の重心に近い予測パラメータの組Ｄ２、及びクラスｗ１の重心に近い予測パラメータの組Ｄ１を破棄することができ、リジェクト領域を設けることができる。これにより、予測フェーズにおける予測精度を向上することができる。

典型データ（予測パラメータの組）が破棄されたり、数が変わったりすると、クラスの重心位置が変わるので、典型データ決定部５２は、図９（ｂ）の予測パラメータの組に対し、再度重心位置を決定して同様の処理を繰り返す。そして、破棄される予測パラメータの組がなくなれば、各クラスを代表する典型データが決定され、クラスの領域が定まったことになる。図９においては、説明のためクラスの数を２つとしたが、実際はすべてのクラスに対し重心が決定される。

また、重心に近い典型データのうち、互いに空間的に重複する典型データ又は空間的に近い位置にある典型データは、何れかを選別して破棄してもよい。典型データの数が少なくなることにより予測フェーズの計算負荷を低減することができる。

図９（ｂ）では、予測パラメータの組を破棄したが、破棄する代わりに別のクラスにクラスタリングすることとしてもよい。この場合、典型データ決定部５２は、重心からの距離が近い方のクラスに、予測パラメータの組を入れてクラスを作り直す。これによりクラスの重心位置が変化するので、同様に、再度重心位置を決定し、重心位置の移動量が所定の閾値以下になったときに終了する（ｋ−平均法）。図９（ｃ）では、クラスｗ１のメンバーであった予測パラメータの組Ｄ２が、クラスｗ２に属することになった。

図９（ｃ）のような学習では、典型データの属するクラスが入れ替わってしまうが、例えば、加速度が生じる間での時間が異なるだけの２つのクラスでは、予測パラメータの組が入れ替わっても、予測フェーズにおける影響は少ない。

このように、予測パラメータ記憶部６７は、予測パラメータの組を車両２００の加減速の態様と対応づけ、車両２００の運転情報として蓄積し学習する運転情報蓄積手段として機能する。

［予測フェーズ］
予測フェーズの手順について、図１０のフローチャートを参照しながら説明する。予測フェーズには、例えばｋ−ＮＮ法を用いる。ｋ−ＮＮ法では、車両走行中の加減速予測ＣＰＵ５０に検出された入力データｘに対し、距離が近い順にｋ個の典型データを抽出する。そして、ｋ個の各典型データが属するクラスのうち最も数が多いクラスに、入力データｘをクラスタリングする。図１１は、予測フェーズにおけるクラスタリングの一例を示す図である。例えばｋ＝３とすれば、入力データｘに近い３つの典型データは、すべてクラスｗ２に属するので、入力データｘはクラスｗ２にクラスタリングされる。

距離を評価するため、加減速予測ＣＰＵ５０の距離評価部５３は、評価関数ｇ（ｘ）を用いて、典型データのすべてに対し入力データｘとの距離を算出する（Ｓ１１０）。

入力データｘと予測パラメータの組のデータとの距離を評価する評価関数ｇ（ｘ）を考えると、ｇ（ｘ）は次のように表すことができる。
ｇ（ｘ）＝Ｍ・Ｘ
ここで、Ｍは重み係数であり、Ｘは入力データｘと典型データとの距離を表すベクトルになる。

入力データｘをＡｘ，Ｂｘ，Ｃｘ，Ｄｘ，Ｅｘとし、典型データをＡｉ，Ｂｉ，Ｃｉ，Ｄｉ，Ｅｉとし、重み係数をＭａ，Ｍｂ，Ｍｃ，Ｍｄ，Ｍｅとした場合、ｇ（ｘ）は、例えば次式で表される。
g(x)= Ma(Ai-Ax)²+ Mb(Bi-Bx)²+Mc(Ci-Cx)²+ Md(Di-Dx)²+ Me(Ei-Ex)²
なお、重み係数Ｍは、予測パラメータのそれぞれに重み付けするための係数で、車速Ａ、車間距離Ｂ、照度Ｃ、傾斜度Ｄ及び把持力Ｅのうち加減速の予測に重視したい要素ほど大きくすることができる。各重み係数は、予め定められ距離評価部５３に記憶されている。

このように評価関数ｇ（ｘ）を用いて、入力データｘと距離が近いｋ個の典型データを決定する（Ｓ１２０）。なお、ｋを１として、入力データｘと最も近い距離の典型データが属するクラスに入力データｘをクラスタリングしてもよい。この場合の距離は、クラスの重心との間で算出される。

次いで、加減速予測部５４は、上記ｋ個の典型データが最も多く属するクラスを決定する（Ｓ１３０）。

一方、ｋ個の典型データが最も多く属するクラスに強制的に入力データｘをクラスタリングすると、上記のリジェクト領域の入力データｘに対しても、加速又は減速すると予測してしまうことになる。これを避けるため、予測結果出力部５５は、例えば、入力データｘをクラスタリングしたクラスの典型データと入力データｘとの距離との合計値（又は、入力データｘをクラスタリングしたクラスの重心と入力データｘとの距離でもよい）が、所定の閾値以上か否かを判定する。そして、距離の合計値が閾値を超えている場合（Ｓ１４０のＹｅｓ）、入力データｘをどのクラスにもクラスタリングすべきでないので、予測結果出力部５５は、加減速を予測しないで、次の入力データｘについての予測を開始する。距離の合計値が閾値未満の場合（Ｓ１４０のＮｏ）、予測結果出力部５５は、入力データｘをクラスタリングしたクラスに応じて車両２００の加減速を予測する（Ｓ１５０）。予測できる加減速にかかる情報は、データ蓄積フェーズにおけるクラスの分類に従うことになる。従ってここでは、例えば、車両２００の加速度、加速が始まるまでの時間、減速度、減速が始まるまでの時間が予測される。そして、予測結果出力部５５は、吸入空気量算出ＣＰＵ３０の補正値算出部３４に対して、加減速予測フラグと、予測加減速度と、その加減速の開始までの時間と、を送信する。加減速予測ＣＰＵ５０は、以上の処理を各入力データｘに対して繰り返す。

ここで、１つの入力データｘから加減速が予測されても、この予測は１００％の確率で正しいとは限らないので、複数（例えば、３以上連続する）の入力データｘについて同じクラスの加減速が予測された場合に、最終的な予測結果を出力することとしてもよい。この場合、加減速が始まるまでの時間、及び加速度又は減速度は、最後の入力データｘにより予測された時間及び加速度又は減速度とする。このような予測により、加減速の予測、加減速が始まるまでの時間、加速度又は減速度の予測の精度を向上させることができる。

なお、加減速予測ＣＰＵ５０は、加減速の予測に対応し、実際の車両２００の加減速の有無に基づいて学習を強化する。例えば、車両２００の加減速が発生するとの予測に対して車両２００の加減速が実際に発生した場合、典型データ決定部５２は、入力データｘを典型データに登録する。また、例えば、車両２００の加速が発生するとの予測に対して、車両２００の加速が実際には発生しなかった場合又は減速が発生した場合、典型データ決定部５２は、クラスタリングされた（予測された）クラスの典型データのうち、入力データｘとの距離が近いとされた典型データを破棄する。これにより、予測フェーズにおいても学習を繰り返し、予測精度を向上することができる。

以上のような処理によって、未来における車両２００の加減速の態様が高い精度で予測される。そして、前述したように、予測加減速度等が吸入空気量算出ＣＰＵ３０の補正値算出部３４に送出される。このように、吸入空気量算出ＣＰＵ３０が、精度が高い予測加減速度等を取得することができるので、結果として、吸入空気量算出ＣＰＵ３０による吸入空気量予測の精度が高められる。

１…筒内吸入空気量検出装置、３…気筒、７…筒内圧センサ（筒内圧力検出手段）、５０…加減速予測ＣＰＵ（加減速予測手段）、６１…車速センサ（走行状況検出手段）、６２…車間距離センサ（走行状況検出手段）、６３…照度センサ（走行状況検出手段）、６４…傾斜センサ（走行状況検出手段）、６５…ドライバ状態センサ（走行状況検出手段）、６６…認証装置（走行状況検出手段）、６７…予測パラメータ記憶部（運転情報蓄積手段）、２００…車両。

Claims

車両の運転情報を蓄積し学習する運転情報蓄積手段と、
前記運転情報蓄積手段で得られた過去の前記車両の運転情報に基づいて、前記車両の加減速を予測する加減速予測手段と、を備え、
前記加減速予測手段が予測した前記車両の未来の加減速度に基づいて、前記車両の内燃機関の気筒に吸入される空気量の予測値を算出することを特徴とする筒内吸入空気量検出装置。
前記車両の走行状況を検出する走行状況検出手段を更に備え、
前記運転情報蓄積手段は、
前記車両が行った加減速の態様を示す加減速情報と、当該加減速が行われた時点よりも所定時間手前に前記走行状況検出手段が検出した前記走行状況の過去データと、を対応づけて前記運転情報として蓄積し、
前記加減速予測手段は、
前記走行状況検出手段が検出した前記走行状況の現在データに類似した前記過去データが前記運転情報蓄積手段に蓄積されている場合、該過去データに対応づけられた前記加減速情報と同じ態様で前記車両が加減速すると予測することを特徴とする請求項１に記載の筒内吸入空気量検出装置。
前記気筒の筒内圧力を検出する筒内圧力検出手段を更に備え、
所定の前記気筒の吸入空気量の予測値は、
当該所定の気筒に点火順序が先行する少なくとも２つの気筒における各吸入空気量の差分に更に基づいて算出され、
前記少なくとも２つの気筒における各吸入空気量は、
圧縮行程中かつ燃焼開始前の所定のタイミングで前記筒内圧力検出手段によって検出される筒内圧力に基づいて検出されることを特徴とする請求項１又は２に記載の筒内吸入空気量検出装置。