JP6702390B2 - 車両用駆動装置の制御装置、車載電子制御ユニット、学習済みモデル、機械学習システム、車両用駆動装置の制御方法、電子制御ユニットの製造方法及び出力パラメータ算出装置 - Google Patents

車両用駆動装置の制御装置、車載電子制御ユニット、学習済みモデル、機械学習システム、車両用駆動装置の制御方法、電子制御ユニットの製造方法及び出力パラメータ算出装置 Download PDF

Info

Publication number
JP6702390B2
JP6702390B2 JP2018191237A JP2018191237A JP6702390B2 JP 6702390 B2 JP6702390 B2 JP 6702390B2 JP 2018191237 A JP2018191237 A JP 2018191237A JP 2018191237 A JP2018191237 A JP 2018191237A JP 6702390 B2 JP6702390 B2 JP 6702390B2
Authority
JP
Japan
Prior art keywords
input
layer
output
vehicle
parameter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
JP2018191237A
Other languages
English (en)
Other versions
JP2020060127A (ja
Inventor
俊洋 中村
俊洋 中村
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Toyota Motor Corp filed Critical Toyota Motor Corp
Priority to JP2018191237A priority Critical patent/JP6702390B2/ja
Priority to US16/568,852 priority patent/US11732664B2/en
Priority to CN201910914723.5A priority patent/CN111016920B/zh
Priority to EP19202156.6A priority patent/EP3636905B1/en
Publication of JP2020060127A publication Critical patent/JP2020060127A/ja
Application granted granted Critical
Publication of JP6702390B2 publication Critical patent/JP6702390B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/0025—Controlling engines characterised by use of non-liquid fuels, pluralities of fuels, or non-fuel substances added to the combustible mixtures
    • F02D41/0047—Controlling exhaust gas recirculation [EGR]
    • F02D41/005—Controlling exhaust gas recirculation [EGR] according to engine operating conditions
    • F02D41/0052—Feedback control of engine parameters, e.g. for control of air/fuel ratio or intake air amount
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405—Neural network control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/30—Controlling fuel injection
    • F02D41/3005—Details not otherwise provided for
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/04—Engine intake system parameters
    • F02D2200/0406—Intake manifold pressure
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/06—Fuel or fuel supply system parameters
    • F02D2200/0602—Fuel pressure
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/06—Fuel or fuel supply system parameters
    • F02D2200/0614—Actual fuel mass or fuel injection amount
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/10—Parameters related to the engine output, e.g. engine torque or engine speed
    • F02D2200/101—Engine speed

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mechanical Engineering (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Hybrid Electric Vehicles (AREA)

Description

本発明は、車両用駆動装置の制御装置、車載電子制御ユニット、学習済みモデル、機械学習システム、車両用駆動装置の制御方法、電子制御ユニットの製造方法及び出力パラメータ算出装置に関する。
従来、入力層、中間層（隠れ層）及び出力層を含むニューラルネットワークを用いて所定の入力パラメータから所定の出力パラメータを導出することが知られている（例えば、特許文献１）。特許文献１に記載のニューラルネットワークでは、入力層の各ノードが一つの中間層の各ノードに並列的に結合されている。ニューラルネットワークを用いたモデルは、入力パラメータ及び出力パラメータとして使用可能なパラメータを有するあらゆるハードウェアに適用可能である。
特開２０１１−５４２００号公報
ところで、ハードウェアの設計では、ハードウェアの仕様に応じて必要なハードウェアの設計値が定められる。例えば、ハードウェアが内燃機関である場合、設計値は、圧縮比、気筒数、気筒配列等である。
ハードウェアの設計値はハードウェアの製造後には一定の値に固定される。すなわち、ハードウェアの設計値はハードウェアの作動状態に応じて変動しない。このため、ニューラルネットワークを用いたモデルが特定のハードウェアのみに適用される場合には、基本的にはハードウェアの設計値を入力パラメータとして用いる必要がない。
しかしながら、ハードウェアの設計変更等に柔軟に対応するためには、ニューラルネットワークを用いたモデルを設計値が異なる複数のハードウェアに適用できることが望ましい。この場合、ハードウェアの設計値を入力パラメータとして用いる必要がある。しかしながら、特許文献１はハードウェアの設計値を入力パラメータとして用いることについて何ら言及していない。
そこで、本発明の目的は、ハードウェアの設計値がニューラルネットワークの入力パラメータとして用いられる場合に、出力パラメータの予測精度を向上させることにある。
本開示の要旨は以下のとおりである。
（１）ニューラルネットワークを用いた学習済みモデルを用いて車両の出力パラメータを算出する演算部と、前記演算部によって算出された前記出力パラメータに基づいて、前記車両に搭載された車両用駆動装置を制御する制御部とを備え、前記ニューラルネットワークは、前記車両用駆動装置の設計値以外の前記車両の入力パラメータが入力される第１入力層と、前記設計値が入力される第２入力層と、前記第１入力層の出力が入力される第１隠れ層と、前記第２入力層の出力が入力される第２隠れ層と、前記出力パラメータを出力する出力層とを含み、前記第２隠れ層が前記第１隠れ層よりも前記出力層に近くなるように構成される、車両用駆動装置の制御装置。
（２）前記ニューラルネットワークは、前記第１隠れ層の出力が前記第２隠れ層に入力されるように構成される、上記（１）に記載の車両用駆動装置の制御装置。
（３）前記ニューラルネットワークは、前記第１隠れ層と前記第２隠れ層との間に少なくとも一つの隠れ層を含む、上記（１）に記載の車両用駆動装置の制御装置。
（４）前記ニューラルネットワークは、前記第２隠れ層の出力が前記出力層に入力されるように構成される、上記（１）から（３）のいずれか１つに記載の車両用駆動装置の制御装置。
（５）前記ニューラルネットワークは、前記第２隠れ層と前記出力層との間に少なくとも一つの隠れ層を含む、上記（１）から（３）のいずれか１つに記載の車両用駆動装置の制御装置。
（６）前記制御部は、前記車両に搭載された内燃機関を制御し、前記入力パラメータは機関回転数及び燃料噴射量を含み、前記設計値は前記内燃機関の圧縮比を含み、前記出力パラメータは排気温度を含む、上記（１）から（５）のいずれか１つに記載の車両用駆動装置の制御装置。
（７）前記設計値は、前記内燃機関の気筒数及び前記内燃機関の気筒配列を更に含む、上記（６）に記載の車両用駆動装置の制御装置。
（８）前記ニューラルネットワークは、前記設計値以外の前記車両の入力パラメータが入力される第３入力層と、前記設計値が入力される第４入力層と、前記第３入力層の出力が入力される第３隠れ層と、前記第４入力層の出力が入力される第４隠れ層とを更に含み、前記第３隠れ層が前記第２隠れ層よりも前記出力層に近く且つ前記第４隠れ層が前記第３隠れ層よりも前記出力層に近くなるように構成され、前記制御部は、前記車両に搭載された内燃機関を制御し、前記第１入力層に入力される前記入力パラメータは吸気マニホルド内の吸気の圧力及び流量を含み、前記第２入力層に入力される前記設計値は吸気マニホルドの内径を含み、前記第３入力層に入力される前記入力パラメータは、前記内燃機関の気筒内に噴射される燃料の噴射圧及び噴射量を含み、前記第４入力層に入力される前記設計値は前記内燃機関の圧縮比を含み、前記出力パラメータは前記内燃機関の出力トルクを含む、上記（１）から（５）のいずれか１つに記載の車両用駆動装置の制御装置。
（９）ニューラルネットワークを用いた学習済みモデルを車両に設けられた通信装置を介して前記車両の外部のサーバから受信すると共に、該学習済みモデルを用いて前記車両の出力パラメータを算出する演算部を備える車載電子制御ユニットであって、前記ニューラルネットワークは、前記車両に搭載された車両用駆動装置の設計値以外の前記車両の入力パラメータが入力される第１入力層と、前記設計値が入力される第２入力層と、前記第１入力層の出力が入力される第１隠れ層と、前記第２入力層の出力が入力される第２隠れ層と、前記出力パラメータを出力する出力層とを含み、前記第２隠れ層が前記第１隠れ層よりも前記出力層に近くなるように構成され、前記サーバは、前記入力パラメータ、前記設計値及び前記出力パラメータを含む訓練データセットを記憶する記憶装置を備え、該訓練データセットを用いて前記学習済みモデルを生成する、車載電子制御ユニット。
（１０）車両に搭載された車両用駆動装置の設計値と、該設計値以外の前記車両の入力パラメータと、前記車両の出力パラメータとを取得すると共に、前記車両に設けられた通信装置を介して、前記設計値、前記入力パラメータ及び前記出力パラメータを前記車両の外部のサーバに送信するパラメータ取得部と、ニューラルネットワークを用いた学習済みモデルを前記サーバから前記通信装置を介して受信すると共に、該学習済みモデルを用いて前記出力パラメータを算出する演算部とを備える車載電子制御ユニットであって、前記ニューラルネットワークは、前記入力パラメータが入力される第１入力層と、前記設計値が入力される第２入力層と、前記第１入力層の出力が入力される第１隠れ層と、前記第２入力層の出力が入力される第２隠れ層と、前記出力パラメータを出力する出力層とを含み、前記第２隠れ層が前記第１隠れ層よりも前記出力層に近くなるように構成され、前記サーバは、前記パラメータ取得部によって取得された前記入力パラメータ、前記設計値及び前記出力パラメータを訓練データセットとして用いて前記学習済みモデルを生成する、車載電子制御ユニット。
（１１）車両に搭載された車両用駆動装置の設計値以外の前記車両の入力パラメータが入力される第１入力層と、前記設計値が入力される第２入力層と、前記第１入力層の出力が入力される第１隠れ層と、前記第２入力層の出力が入力される第２隠れ層と、前記車両の出力パラメータを出力する出力層とを含み、前記第２隠れ層が前記第１隠れ層よりも前記出力層に近くなるように構成されたニューラルネットワークを用いた学習済みモデルであって、前記入力パラメータ、前記設計値及び前記出力パラメータを訓練データセットとして用いて前記ニューラルネットワークの重みが学習された、学習済みモデル。
（１２）車両に設けられた電子制御ユニットと、前記車両に設けられた通信装置と、前記車両の外部のサーバとを備えた機械学習システムであって、前記電子制御ユニットは、前記車両に搭載された車両用駆動装置の設計値と、該設計値以外の前記車両の入力パラメータと、前記車両の出力パラメータとを取得すると共に、前記通信装置を介して、前記設計値、前記入力パラメータ及び前記出力パラメータを前記サーバに送信するパラメータ取得部と、ニューラルネットワークを用いた学習済みモデルを前記サーバから前記通信装置を介して受信すると共に、該学習済みモデルを用いて前記出力パラメータを算出する演算部とを備え、前記ニューラルネットワークは、前記入力パラメータが入力される第１入力層と、前記設計値が入力される第２入力層と、前記第１入力層の出力が入力される第１隠れ層と、前記第２入力層の出力が入力される第２隠れ層と、前記出力パラメータを出力する出力層とを含み、前記第２隠れ層が前記第１隠れ層よりも前記出力層に近くなるように構成され、前記サーバは、前記パラメータ取得部によって取得された前記入力パラメータ、前記設計値及び前記出力パラメータを訓練データセットとして用いて前記学習済みモデルを生成する、機械学習システム。
（１３）車両に搭載された車両用駆動装置の設計値と、該設計値以外の前記車両の入力パラメータとを取得することと、ニューラルネットワークを用いた学習済みモデルを用いて、前記設計値及び前記入力パラメータに基づいて前記車両の出力パラメータを算出することと、前記出力パラメータに基づいて前記車両用駆動装置を制御することとを含み、前記ニューラルネットワークは、前記入力パラメータが入力される第１入力層と、前記設計値が入力される第２入力層と、前記第１入力層の出力が入力される第１隠れ層と、前記第２入力層の出力が入力される第２隠れ層と、前記出力パラメータを出力する出力層とを含み、前記第２隠れ層が前記第１隠れ層よりも前記出力層に近くなるように構成される、車両用駆動装置の制御方法。
（１４）車両に搭載された車両用駆動装置の設計値と、該設計値以外の前記車両の入力パラメータと、前記車両の出力パラメータとを訓練データセットとして用いて、ニューラルネットワークを用いた学習済みモデルを生成することと、前記学習済みモデルを電子制御ユニットに実装することとを含み、前記ニューラルネットワークは、前記入力パラメータが入力される第１入力層と、前記設計値が入力される第２入力層と、前記第１入力層の出力が入力される第１隠れ層と、前記第２入力層の出力が入力される第２隠れ層と、前記出力パラメータを出力する出力層とを含み、前記第２隠れ層が前記第１隠れ層よりも前記出力層に近くなるように構成される、電子制御ユニットの製造方法。
（１５）ハードウェアの設計値以外の入力パラメータが入力される第１入力層と、前記設計値が入力される第２入力層と、前記第１入力層の出力が入力される第１隠れ層と、前記第２入力層の出力が入力される第２隠れ層と、出力パラメータを出力する出力層とを含み、前記第２隠れ層が前記第１隠れ層よりも前記出力層に近くなるように構成されたニューラルネットワークを用いた学習済みモデルを用いて、前記入力パラメータ及び前記設計値に基づいて前記出力パラメータを算出するように構成された、出力パラメータ算出装置。
本発明によれば、ハードウェアの設計値がニューラルネットワークの入力パラメータとして用いられる場合に、出力パラメータの予測精度を向上させることができる。
図１は、第一実施形態に係る車両用駆動装置の制御装置が用いられる内燃機関を概略的に示す図である。 図２は、第一実施形態におけるＥＣＵのプロセッサの機能ブロック図である。 図３は、単純な構成を有するニューラルネットワークの一例を示す。 図４は、第一実施形態におけるニューラルネットワークの一例を示す図である。 図５は、ニューラルネットワークの自由度と出力パラメータの決定係数との関係を示す図である。 図６は、ニューラルネットワークの自由度と出力パラメータの決定係数との関係を示す図である。 図７は、第一実施形態におけるニューラルネットワークの別の例を示す図である。 図８は、第一実施形態における車両用駆動装置の制御の制御ルーチンを示すフローチャートである。 図９は、第二実施形態におけるニューラルネットワークの一例を示す図である。 図１０は、第三実施形態に係る機械学習システムを概略的に示す図である。 図１１は、第四実施形態に係る機械学習システムが適用される車両に設けられた内燃機関を概略的に示す図である。 図１２は、第四実施形態におけるＥＣＵのプロセッサの機能ブロック図である。
以下、図面を参照して本発明の実施形態について詳細に説明する。なお、以下の説明では、同様な構成要素には同一の参照番号を付す。
＜第一実施形態＞
最初に、図１〜図８を参照して、本発明の第一実施形態について説明する。
＜内燃機関全体の説明＞
図１は、第一実施形態に係る車両用駆動装置の制御装置が用いられる内燃機関を概略的に示す図である。図１に示される内燃機関１は、圧縮自着火式内燃機関（ディーゼルエンジン）であり、車両に搭載される。内燃機関１は、車両に搭載されたハードウェアであり、車両に搭載された車両用駆動装置の一例である。
内燃機関１は、機関本体１０、燃料供給装置２０、吸気系３０、排気系４０及び排気ガス再循環（ＥＧＲ）システム５０を備える。機関本体１０は、複数の気筒１１が形成されたシリンダブロックと、吸気ポート及び排気ポートが形成されたシリンダヘッドと、クランクケースとを備える。本実施形態では、気筒１１の数は４つである。各気筒１１内にはピストンが配置されると共に、各気筒１１は吸気ポート及び排気ポートに連通している。また、シリンダヘッドには、吸気ポートを開閉するように構成された吸気弁と、排気ポートを開閉するように構成された排気弁とが設けられている。
燃料供給装置２０は、燃料噴射弁２１、コモンレール２２、燃料供給管２３、燃料ポンプ２４及び燃料タンク２５を備える。燃料噴射弁２１は、コモンレール２２及び燃料供給管２３を介して燃料タンク２５に連結されている。燃料噴射弁２１は、各気筒１１の燃焼室内に燃料を直接噴射するようにシリンダヘッドに配置されている。燃料噴射弁２１はいわゆる筒内噴射弁である。燃料供給管２３には、燃料タンク２５内の燃料を圧送する燃料ポンプ２４が配置される。燃料ポンプ２４によって圧送された燃料は、燃料供給管２３を介してコモンレール２２に供給され、燃料噴射弁２１から各気筒１１の燃焼室内に直接噴射される。コモンレール２２内の燃料の圧力は燃料ポンプ２４の出力を変更することによって調整される。
吸気系３０は、吸気ポート、吸気マニホルド３１、吸気管３２、エアクリーナ３３、ターボチャージャ５のコンプレッサ３４、インタークーラ３５及びスロットル弁３６を備える。吸気ポート、吸気マニホルド３１及び吸気管３２は、空気を気筒１１内に導く吸気通路を形成する。
各気筒１１の吸気ポートは吸気マニホルド３１及び吸気管３２を介してエアクリーナ３３に連通している。吸気管３２内には、吸気管３２内を流通する吸入空気を圧縮して吐出するコンプレッサ３４と、コンプレッサ３４によって圧縮された空気を冷却するインタークーラ３５とが設けられている。スロットル弁３６は、スロットル弁駆動アクチュエータ３７によって回動せしめられることで、吸気通路の開口面積を変更することができる。
排気系４０は、排気ポート、排気マニホルド４１、排気管４２、ターボチャージャ５のタービン４３及びディーゼルパティキュレートフィルタ（ＤＰＦ）４４を備える。排気ポート、排気マニホルド４１及び排気管４２は、燃焼室における混合気の燃焼によって生じた排気ガスを排出する排気通路を形成する。
各気筒１１の排気ポートは、排気マニホルド４１及び排気管４２を介してＤＰＦ４４に連通している。排気管４２には、排気ガスのエネルギーによって回転駆動せしめられるタービン４３が設けられている。タービン４３が回転駆動せしめられると、これに伴ってコンプレッサ３４が回転し、よって吸入空気が圧縮される。本実施形態では、タービン４３には可変ノズルが設けられている。可変ノズルの開度が変更されると、タービン４３のタービンブレードに供給される排気ガスの流速が変化し、この結果、タービン４３の回転速度が変化する。
ＤＰＦ４４は排気ガス中の粒子状物質（ＰＭ）を捕集する。なお、排気系４０はＤＰＦ４４の代わりに又はＤＰＦ４４に加えて他の排気浄化装置を備えていてもよい。他の排気浄化装置は、例えば、選択還元型ＮＯｘ低減触媒（ＳＣＲ触媒）、ＮＯｘ吸蔵還元触媒、酸化触媒等である。
ＥＧＲシステム５０は、機関本体１０から排気通路に排出された排気ガスの一部を吸気通路に供給する。ＥＧＲシステム５０は、ＥＧＲ管５１と、ＥＧＲ制御弁５２と、ＥＧＲクーラ５３とを備える。ＥＧＲ管５１は、排気マニホルド４１と吸気マニホルド３１とに連結され、これらを互いに連通させる。ＥＧＲ管５１には、ＥＧＲ管５１内を流れるＥＧＲガスを冷却するＥＧＲクーラ５３が設けられている。また、ＥＧＲ管５１には、ＥＧＲ管５１によって形成されるＥＧＲ通路の開口面積を変更することができるＥＧＲ制御弁５２が設けられている。ＥＧＲ制御弁５２の開度を制御することによって、排気マニホルド４１から吸気マニホルド３１へ還流されるＥＧＲガスの流量が調整され、その結果、ＥＧＲ率が変化する。なお、ＥＧＲ率は、気筒１１内に供給される全ガス量（新気量とＥＧＲガス量との合計）に対するＥＧＲガス量の割合である。
なお、内燃機関１の構成は上記構成に限定されない。したがって、気筒配列、燃料の噴射態様、吸排気系の構成、動弁機構の構成、過給機の構成及び過給機の有無のような内燃機関の具体的な構成は、図１に示した構成と異なっていてもよい。例えば、内燃機関１は、混合気を点火するための点火プラグが設けられた火花点火式内燃機関（例えばガソリンエンジン）であってもよい。この場合、ＤＰＦ４４の代わりに、ガソリンパティキュレートフィルタ（ＧＰＦ）、三元触媒等が設けられる。また、内燃機関１が火花点火式内燃機関である場合、燃料噴射弁２１は、吸気ポート内に燃料を噴射するように配置されたポート噴射弁であってもよい。
＜車両用駆動装置の制御装置＞
車両用駆動装置（本実施形態では内燃機関１）の制御装置６０は電子制御ユニット（ＥＣＵ）６１及び各種センサを備える。内燃機関１の各種制御は各種センサの出力等に基づいてＥＣＵ６１によって実行される。
ＥＣＵ６１は、デジタルコンピュータから構成され、双方向性バス６２を介して相互に接続されたメモリ６３、プロセッサ６５、入力ポート６６及び出力ポート６７を備える。メモリ６３は、揮発性メモリ（例えば、ＲＡＭ）及び不揮発性メモリ（例えば、ＲＯＭ）を備え、プロセッサ６５において実行されるプログラム、プロセッサ６５によって各種処理が実行されるときに使用される各種データ等を記憶する。
入力ポート６６には、各種センサの出力が入力される。本実施形態では、エアフロメータ７１、吸気圧センサ７３、燃圧センサ７４及び負荷センサ７８の出力が、対応するＡＤ変換器６８を介して、入力ポート６６に入力される。
エアフロメータ７１は、エアクリーナ３３とコンプレッサ３４との間の吸気管３２に配置され、吸気管３２内の空気の流量を検出する。吸気圧センサ７３は、吸気マニホルド３１に配置され、吸気マニホルド３１内の吸気（本実施形態では新気及びＥＧＲガス）の圧力を検出する。
燃圧センサ７４は、コモンレール２２に配置され、コモンレール２２内の燃料の圧力、すなわち燃料噴射弁２１へ供給される燃料の圧力を検出する。負荷センサ７８は、車両に設けられたアクセルペダル７７に接続され、アクセルペダル７７の踏み込み量に比例した出力電圧を発生する。負荷センサ７８は機関負荷を検出する。また、入力ポート６６には、クランクシャフトが例えば１０°回転する毎に出力パルスを発生するクランク角センサ７９が接続され、この出力パルスが入力ポート６６に入力される。クランク角センサ７９は機関回転数を検出する。
一方、出力ポート６７は、対応する駆動回路６９を介して、内燃機関１の各種アクチュエータに接続される。本実施形態では、出力ポート６７は、タービン４３の可変ノズル、燃料噴射弁２１、燃料ポンプ２４、スロットル弁駆動アクチュエータ３７及びＥＧＲ制御弁５２に接続されている。ＥＣＵ６１は、これらアクチュエータを制御する制御信号を出力ポート６７から出力することによって内燃機関１を制御する。
図２は、第一実施形態におけるＥＣＵ６１のプロセッサ６５の機能ブロック図である。本実施形態では、プロセッサ６５は演算部８１及び制御部８２を有する。演算部８１は、ニューラルネットワークを用いた学習済みモデルを用いて車両の出力パラメータを算出する。制御部８２は、演算部８１によって算出された車両の出力パラメータに基づいて車両用駆動装置を制御する。
＜ニューラルネットワークの概要＞
最初に、図３を参照して、ニューラルネットワークの概要について説明する。図３は、単純な構成を有するニューラルネットワークの一例を示す。
図３における丸印は人工ニューロンを表す。人工ニューロンは、通常、ノード又はユニットと称される（本明細書では、「ノード」と称す）。図３において、Ｌ＝１は入力層を示し、Ｌ＝２及びＬ＝３は隠れ層を示し、Ｌ＝４は出力層を示している。なお、隠れ層は中間層とも称される。
図３において、ｘ1及びｘ2は入力層（Ｌ＝１）の各ノード及びそのノードからの出力値を示しており、ｙは出力層（Ｌ＝４）のノード及びその出力値を示している。同様に、ｚ1 (L=2) 、ｚ2 (L=2)及びｚ3 (L=2)は隠れ層（Ｌ＝２）の各ノード及びそのノードからの出力値を示しており、ｚ1 (L=3)及びｚ2 (L=3)は隠れ層（Ｌ＝３）の各ノード及びそのノードからの出力値を示している。
入力層の各ノードでは入力がそのまま出力される。一方、隠れ層（Ｌ＝２）の各ノードには、入力層の各ノードの出力値ｘ1及びｘ2が入力され、隠れ層（Ｌ＝２）の各ノードでは、それぞれ対応する重みｗ及びバイアスｂを用いて総入力値ｕが算出される。例えば、図３において隠れ層（Ｌ＝２）のｚk (L=2)（ｋ＝１、２、３）で示される各ノードにおいて算出される総入力値ｕk (L=2)は、次式のようになる（Ｍは入力層のノードの数）。
Figure 0006702390
 次いで、この総入力値ｕk (L=2)は活性化関数ｆにより変換され、隠れ層（Ｌ＝２）のｚk (L=2)で示されるノードから、出力値ｚk (L=2)（＝ｆ（ｕk (L=2)））として出力される。一方、隠れ層（Ｌ＝３）の各ノードには、隠れ層（Ｌ＝２）の各ノードの出力値ｚ1 (L=2) 、ｚ2 (L=2)及びｚ3 (L=2)が入力され、隠れ層（Ｌ＝３）の各ノードでは、それぞれ対応する重みｗ及びバイアスｂを用いて総入力値ｕ（＝Σｚ・ｗ＋ｂ）が算出される。この総入力値ｕは同様に活性化関数により変換され、隠れ層（Ｌ＝３）の各ノードから、出力値ｚ1 (L=3)、ｚ2 (L=3)として出力される、活性化関数は例えばシグモイド関数σである。
また、出力層（Ｌ＝４）のノードには、隠れ層（Ｌ＝３）の各ノードの出力値ｚ1 (L=3)及びｚ2 (L=3)が入力され、出力層のノードでは、それぞれ対応する重みｗ及びバイアスｂを用いて総入力値ｕ（Σｚ・ｗ＋ｂ）が算出され、又はそれぞれ対応する重みｗのみを用いて総入力値ｕ（Σｚ・ｗ）が算出される。例えば、出力層のノードでは活性化関数として恒等関数が用いられる。この場合、出力層のノードにおいて算出された総入力値ｕが、そのまま出力値ｙとして出力層のノードから出力される。
＜ニューラルネットワークにおける学習＞
本実施形態では、誤差逆伝播法を用いて、ニューラルネットワーク内における各重みｗの値及び各バイアスｂの値が学習される。誤差逆伝播法は周知であるため、誤差逆伝播法の概要について、以下に簡単に説明する。なお、バイアスｂは重みｗの一種なので、以下の説明では、バイアスｂは重みｗの一つとされている。
図３に示したようなニューラルネットワークにおいて、Ｌ＝２、Ｌ＝３又はＬ＝４の各層のノードへの総入力値ｕ(L)における重みをｗ(L)で表すと、誤差関数Ｅの重みｗ(L)による微分、すなわち、勾配∂Ｅ／∂ｗ(L)は次式に書き換えられる。
Figure 0006702390
 ここで、ｚ(L-1)・∂ｗ(L)＝∂ｕ(L)であり、（∂Ｅ／∂ｕ(L)）＝δ(L)とすると、上記（１）式は次式に変換される。
Figure 0006702390
ここで、ｕ(L)が変動すると、次の層の総入力値ｕ(L+1)の変化を通じて誤差関数Ｅの変動を引き起こすので、δ(L)を次式で表すことができる（ＫはＬ＋１層におけるノードの数）。
Figure 0006702390
 ここで、z(L)＝ｆ(u(L))と表すと、上記（３）式の右辺の総入力値ｕk (L+1)は次式で表される。
Figure 0006702390
 ここで、上記（３）式の右辺第１項（∂Ｅ／∂ｕ(L+1)）はδ(L+1)である。また、上記（３）式の右辺第２項（∂uk (L+1)／∂u(L)）は次式で表される。
Figure 0006702390
 したがって、δ(L)は、次式で表される。
Figure 0006702390
 すなわち、δ(L+1)が求まると、δ(L)を求めることができることになる。
ニューラルネットワークの学習が行われる場合、或る入力値ｘ及びその入力値ｘに対する出力の正解データｙtを含む訓練データセットが用いられる。或る入力値ｘに対する出力層からの出力値がｙであった場合、誤差関数として二乗誤差が用いられている場合には、誤差関数Ｅは、Ｅ＝１／２(ｙ−ｙt)2となる。また、図３の出力層（Ｌ＝４）のノードでは、出力値ｙ＝ｆ(u(L))となる。このため、出力層（Ｌ＝４）のノードにおけるδ(L)の値は、次式で示されるようになる。
Figure 0006702390
 ここで、出力層の活性化関数ｆ(u(L))が恒等関数である場合、ｆ’(u(L))＝１となる。したがって、δ(L)＝ｙ−ｙtとなり、δ(L)が求まる。
δ(L)が求まると、上式（６）を用いて前層のδ(L-1)が求まる。このようにして順次、前層のδが求められ、これらδの値を用いて、上式（２）から、各重みｗについて誤差関数Ｅの微分、すなわち、勾配∂Ｅ／∂ｗ(L)か求められる。勾配∂Ｅ／∂ｗ(L)か求められると、この勾配∂Ｅ／∂ｗ(L)を用いて、誤差関数Ｅの値が減少するように、重みｗの値が更新される。すなわち、重みｗの学習が行われることになる。
＜本実施形態におけるニューラルネットワーク＞
以下、本実施形態におけるニューラルネットワークについて説明する。本実施形態では、ニューラルネットワークを用いたモデルは、設計値が異なる複数の車両用駆動装置に適用される。このことによって、設計変更によって車両用駆動装置設計値が変更された場合、又は新たな型式の車両用駆動装置が開発された場合であっても、新たなモデルを生成することなく共通のモデルを用いて出力パラメータを算出することができる。また、設計値が異なる車両用駆動装置にモデルを適用するために、大量の訓練データセットを用いて再びニューラルネットワークの学習を行う必要がない。
本実施形態では、設計値が異なる複数の車両用駆動装置にモデルを適用するために、車両用駆動装置の設計値がニューラルネットワークの入力パラメータとして用いられる。この場合、設計値以外の他の入力パラメータと共に設計値をニューラルネットワークの同一の入力層に入力することが考えられる。
しかしながら、車両用駆動装置の設計値は車両用駆動装置の製造後には一定の値に固定される。したがって、設計値は個々の車両において定数となる。このため、設計値は、車両の運転状態に応じて変化する他の入力パラメータとは異なる性質を有する。
本願の発明者は、鋭意検討の結果、車両用駆動装置の設計値を他の入力パラメータとは異なる入力層に入力することによって出力パラメータの予測精度を向上させることができることを見出した。図４は、第一実施形態におけるニューラルネットワークの一例を示す図である。
図４に示されるように、ニューラルネットワークは第１入力層及び第２入力層を含む。したがって、ニューラルネットワークは複数の入力層を含む。第１入力層には車両用駆動装置の設計値以外の車両の入力パラメータが入力され、第２入力層には車両用駆動装置の設計値が入力される。設計値以外の車両の入力パラメータは、車両の運転状態に応じて変化する値である。一方、車両用駆動装置の設計値は、予め定められた値であり、車両の運転状態に応じて変化しない。
本実施形態では、車両用駆動装置は内燃機関１である。例えば、図４に示されたニューラルネットワークは出力パラメータとして排気温度を出力する。この場合、例えば、第１入力層に入力される車両の入力パラメータとして機関回転数及び燃料噴射弁２１からの燃料噴射量が用いられ、第１入力層のノードの数は二つとなる。また、例えば、第２入力層に入力される設計値として内燃機関１の圧縮比が用いられ、第２入力層のノードの数は一つとなる。なお、各入力層のノードの数は、各入力層に入力される入力パラメータの数と等しい。
また、ニューラルネットワークは第１隠れ層及び第２隠れ層を含む。したがって、ニューラルネットワークは複数の隠れ層を含む。図４の例では、第１隠れ層及び第２隠れ層のノードの数はそれぞれ４つである。すなわち、第１隠れ層及び第２隠れ層のノードの数は等しい。また、図４の例では、入力層及び隠れ層の数が等しい。
第１入力層は第１隠れ層に結合される。具体的には、第１入力層のノードは、それぞれ、第１隠れ層の全てのノードに結合される。このため、第１隠れ層には、第１入力層の出力が入力される。具体的には、第１隠れ層のノードには、それぞれ、第１入力層の全てのノードの出力が入力される。
第２入力層は第２隠れ層に結合される。具体的には、第２入力層のノードは第２隠れ層の全てのノードに結合される。このため、第２隠れ層には、第２入力層の出力が入力される。具体的には、第２隠れ層のノードには、それぞれ、第２入力層の全てのノードの出力が入力される。
また、第２隠れ層には、第１隠れ層の出力と相関する値も入力される。第１隠れ層の出力と相関する値には、第１隠れ層の出力と、第１隠れ層と第２隠れ層との間に他の隠れ層が含まれる場合に他の隠れ層によって変換された第１隠れ層の出力とが含まれる。図４の例では、第１隠れ層は第２隠れ層に結合される。具体的には、第１隠れ層のノードは、それぞれ、第２隠れ層の全てのノードに結合される。このため、第２隠れ層には、第１隠れ層の出力が入力される。具体的には、第２隠れ層のノードには、それぞれ、第１隠れ層の全てのノードの出力が入力される。
また、ニューラルネットワークは、車両の出力パラメータを出力する出力層を含む。出力層は第１隠れ層の出力及び第２隠れ層の出力に基づいて車両の出力パラメータを出力する。上述したように、例えば、車両の出力パラメータとして排気温度が用いられる。この場合、出力層のノードの数は一つである。出力層のノードの数は、出力層から出力される出力パラメータの数と等しい。
出力層には、第２隠れ層の出力と相関する値が入力される。第２隠れ層の出力と相関する値には、第２隠れ層の出力と、第２隠れ層と出力層との間に他の隠れ層が含まれる場合に他の隠れ層によって変換された第２隠れ層の出力とが含まれる。図４の例では、第２隠れ層は出力層に結合される。具体的には、第２隠れ層のノードは、それぞれ、出力層の全てのノードに結合される。このため、出力層には、第２隠れ層の出力が入力される。具体的には、出力層のノードには、第２隠れ層の全てのノードの出力が入力される。
また、設計値は、設計値以外の入力パラメータから生成される特徴量を補正するように機能すると考えられる。この機能がニューラルネットワークにおいて表されるように、本実施形態では、ニューラルネットワークは、第２入力層が結合された第２隠れ層が、第１入力層が結合された第１隠れ層よりも出力層に近くなるように構成される。言い換えれば、ニューラルネットワークは、第２入力層が結合された第２隠れ層が、第１入力層が結合された第１隠れ層よりも深い層になるように構成される。この結果、設計値と、設計値以外の入力パラメータから生成された特徴量とが第２隠れ層に入力されるようになり、第２隠れ層によって上記機能が実現される。この結果、出力パラメータの予測精度を向上させることができる。
図５及び図６は、ニューラルネットワークの自由度と出力パラメータの決定係数との関係を示す図である。ニューラルネットワークの自由度は、設定可能な重み及びバイアスの数が多いほど大きくなる。すなわち、ニューラルネットワークの自由度は、入力層の数、入力層のノードの数、隠れ層の数及び隠れ層のノードの数が多いほど大きくなる。
また、出力パラメータの決定係数Ｒ2は、次式によって算出され、０〜１の値を採る。出力パラメータの予測精度は、出力パラメータの決定係数が１に近付くほど高くなる。
Ｒ2＝（出力パラメータの予測値の偏差平方和）／（出力パラメータの観測値の偏差平方和）
ここで、出力パラメータの予測値は、学習済みのニューラルネットワークにより出力された値であり、出力パラメータの観測値はセンサ等を用いて実際に検出された値である。
図５には、図４に示されたニューラルネットワークを用いた結果が菱形でプロットされ、比較例１のニューラルネットワークを用いた結果が三角でプロットされている。比較例１のニューラルネットワークでは、図４に示されたニューラルネットワークから第２入力層が省略され、機関回転数、燃料噴射量及び内燃機関１の圧縮比が第１入力層に入力された。
図６には、図４に示されたニューラルネットワークを用いた結果が菱形でプロットされ、比較例２のニューラルネットワークを用いた結果が三角でプロットされている。比較例２のニューラルネットワークでは、図４に示されたニューラルネットワークにおいて燃料噴射量と内燃機関１の圧縮比とが入れ替えられた。すなわち、機関回転数及び内燃機関１の圧縮比が第１入力層に入力され、燃料噴射量が第２入力層に入力された。
図５及び図６から分かるように、図４に示されたニューラルネットワークでは、比較例１、２と比べて、ニューラルネットワークの自由度が小さい場合であっても、出力パラメータの決定係数が大きくなり、出力パラメータの予測精度が高くなる。したがって、ニューラルネットワークの自由度を大きくすることなく出力パラメータの予測精度を高めることができる。この結果、ニューラルネットワークを用いた学習済みモデルを作成するための学習時間を低減することができる。
なお、図４に示されるニューラルネットワークにおいて、隠れ層の数は３つ以上であってもよい。また、各入力層、各隠れ層及び出力層のノードの数は、それぞれ、１つ以上の他の数であってもよい。また、各隠れ層のノードの数が異なっていてもよい。また、設計値、設計値以外の入力パラメータ及び出力パラメータとして、図４とは異なるパラメータが用いられてもよい。
例えば、設計値以外の入力パラメータとして、燃料噴射量の代わりに機関負荷が用いられてもよい。また、設計値として、内燃機関１の圧縮比に加えて、内燃機関１の気筒数及び気筒配列が用いられてもよい。入力層には数値を入力する必要があるため、この場合、第２入力層のノードの数は三つになる。また、気筒配列が第２入力層に入力される場合、気筒配列が数値化される。例えば、直列の気筒配列に１が割り当てられ、Ｖ型の気筒配列に２が割り当てられ、水平対向の気筒配列に３が割り当てられる。
図７は、第一実施形態におけるニューラルネットワークの別の例を示す図である。図７に示されるように、ニューラルネットワークは、第１入力層に結合された第１隠れ層と第２入力層に結合された第２隠れ層との間に少なくとも一つの隠れ層を含んでいてもよい。また、図７に示されるように、ニューラルネットワークは、第２隠れ層と出力層との間に少なくとも一つの隠れ層を含んでいてもよい。このことによって、ニューラルネットワークが扱う事象が複雑な場合（例えば、入力パラメータ又は出力パラメータの数が多い場合）であっても、出力パラメータの予測精度を高めることができる。
ニューラルネットワークの学習（すなわち、重みｗ及びバイアスｂの設定）は、ニューラルネットワークを用いたモデルが車両に搭載される前に行われる。ニューラルネットワークの学習では、車両用駆動装置の設計値と、設計値以外の入力パラメータの実測値と、これらに対応する出力パラメータの実測値（正解データ）とを含む訓練データセットが用いられる。具体的には、多数の訓練データセットを用いて、上述した誤差逆伝播法によってニューラルネットワークの重みｗ及びバイアスｂを繰り返し更新することによって、重みｗ及びバイアスｂが設定される。この結果、ニューラルネットワークが学習され、ニューラルネットワークを用いた学習済みモデルが生成される。
生成された学習済みモデルは車両のＥＣＵ６１に実装される。なお、訓練データセットのための設計値、入力パラメータの実測値及び出力パラメータの実測値は例えばエンジンベンチ等を用いて予め取得される。また、ニューラルネットワークの学習は、例えば、工場に設置された計算機（例えばＧＰＵを搭載したコンピュータ）を用いて行われる。
＜フローチャート＞
図８は、第一実施形態における車両用駆動装置の制御の制御ルーチンを示すフローチャートである。本制御ルーチンはＥＣＵ６１によって所定の実行間隔で繰り返し実行される。
最初に、ステップＳ１０１において、演算部８１は車両用駆動装置の設計値及び設計値以外の車両の入力パラメータを取得する。車両用駆動装置の設計値は、予め定められた値であり、ＥＣＵ６１のメモリ６３に記憶されている。設計値以外の車両の入力パラメータは、各種センサ等を用いてＥＣＵ６１において算出され、演算部８１によって取得される。
例えば設計値以外の車両の入力パラメータとして機関回転数及び燃料噴射弁２１からの燃料噴射量が用いられる。この場合、機関回転数はクランク角センサ７９の出力に基づいて算出され、燃料噴射弁２１からの燃料噴射量は、ＥＣＵ６１から燃料噴射弁２１に出力される指令値に基づいて算出される。また、設計値以外の車両の入力パラメータとして機関負荷が用いられる場合、機関負荷は負荷センサ７８の出力に基づいて算出される。
次いで、ステップＳ１０２において、演算部８１は、ニューラルネットワークを用いた学習済みモデルを用いて、車両用駆動装置の設計値及び設計値以外の車両の入力パラメータに基づいて車両の出力パラメータを算出する。具体的には、演算部８１は、ステップ１０１において取得した設計値及び入力パラメータをニューラルネットワークに入力することによってニューラルネットワークに出力パラメータを出力させる。例えば、図４に示されるニューラルネットワークが用いられる場合には、設計値以外の入力パラメータが第１入力層に入力され、設計値が第２入力層に入力される。
次いで、ステップＳ１０３において、制御部８２は、演算部８１によって算出された出力パラメータに基づいて車両用駆動装置（本実施形態では内燃機関１）を制御する。例えば、出力パラメータが排気温度である場合、制御部８２は、排気温度が目標値に近付くように、燃料噴射量、燃料噴射時期、ＥＧＲ制御弁５２の開度等を制御する。ステップＳ１０３の後、本制御ルーチンは終了する。
＜第二実施形態＞
第二実施形態に係る車両用駆動装置の制御装置の構成及び制御は、基本的に第一実施形態における車両用駆動装置の制御装置と同様である。このため、以下、本発明の第二実施形態について、第一実施形態と異なる部分を中心に説明する。
第二実施形態では、演算部８１において、図９に示されるようなニューラルネットワークが用いられる。図９は、第二実施形態におけるニューラルネットワークの一例を示す図である。
図９に示されるように、ニューラルネットワークは、第１入力層、第２入力層、第３入力層及び第４入力層を含む。したがって、ニューラルネットワークは複数の入力層を含む。第１入力層及び第３入力層には車両用駆動装置の設計値以外の車両の入力パラメータが入力され、第２入力層及び第４入力層には車両用駆動装置の設計値が入力される。
図９に示されるニューラルネットワークでは、出力パラメータとして内燃機関１の出力トルクが用いられる。この場合、例えば各入力パラメータが以下のように設定される。
第１入力層に入力される車両の入力パラメータとして吸気マニホルド３１内の吸気の圧力及び流量が用いられ、第１入力層のノードの数は二つとなる。第２入力層に入力される設計値として吸気マニホルド３１の内径が用いられ、第２入力層のノードの数は一つとなる。第３入力層に入力される車両の入力パラメータとして、内燃機関１の気筒１１内に噴射される燃料の噴射圧及び噴射量、すなわち燃料噴射弁２１の燃料噴射圧及び燃料噴射量が用いられ、第３入力層のノードの数は二つとなる。第４入力層に入力される設計値として内燃機関１の圧縮比が用いられ、第４入力層のノードの数は一つとなる。
吸気マニホルド３１の内径及び内燃機関１の圧縮比は、予め定められ、ＥＣＵ６１のメモリ６３に記憶されている。吸気マニホルド３１の内径は例えば吸気ポート側の端部の内径である。各入力パラメータは、各種センサ等を用いてＥＣＵ６１において例えば以下のように算出され、演算部８１によって取得される。吸気マニホルド３１内の吸気の圧力は吸気圧センサ７３の出力に基づいて算出される。吸気マニホルド３１内の吸気の流量は、エアフロメータ７１の出力と、ＥＣＵ６１からＥＧＲ制御弁５２に出力される指令値とに基づいて算出される。内燃機関１の気筒１１内に噴射される燃料の噴射圧は燃圧センサ７４の出力に基づいて算出される。内燃機関１の気筒１１内に噴射される燃料の噴射量は、ＥＣＵ６１から燃料噴射弁２１に出力される指令値に基づいて算出される。
また、ニューラルネットワークは、第１隠れ層、第２隠れ層、第３隠れ層及び第４隠れ層を含む。したがって、ニューラルネットワークは複数の隠れ層を含む。図９の例では、第１隠れ層、第２隠れ層、第３隠れ層及び第４隠れ層のノードの数は、それぞれ４つであり、等しい。また、図９の例では、入力層及び隠れ層の数が等しい。
第１入力層は第１隠れ層に結合される。具体的には、第１入力層のノードは、それぞれ、第１隠れ層の全てのノードに結合される。このため、第１隠れ層には、第１入力層の出力が入力される。具体的には、第１隠れ層のノードには、それぞれ、第１入力層の全てのノードの出力が入力される。
第２入力層は第２隠れ層に結合される。具体的には、第２入力層のノードは第２隠れ層の全てのノードに結合される。このため、第２隠れ層には、第２入力層の出力が入力される。具体的には、第２隠れ層のノードには、それぞれ、第２入力層の全てのノードの出力が入力される。
また、第２隠れ層には、第１隠れ層の出力と相関する値も入力される。図９の例では、第１隠れ層は第２隠れ層に結合される。具体的には、第１隠れ層のノードは、それぞれ、第２隠れ層の全てのノードに結合される。このため、第２隠れ層には、第１隠れ層の出力が入力される。具体的には、第２隠れ層のノードには、それぞれ、第１隠れ層の全てのノードの出力が入力される。
第３入力層は第３隠れ層に結合される。具体的には、第３入力層のノードは、それぞれ、第３隠れ層の全てのノードに結合される。このため、第３隠れ層には、第３入力層の出力が入力される。具体的には、第３隠れ層のノードには、それぞれ、第３入力層の全てのノードの出力が入力される。
また、第３隠れ層には、第２隠れ層の出力と相関する値も入力される。図９の例では、第２隠れ層は第３隠れ層に結合される。具体的には、第２隠れ層のノードは、それぞれ、第３隠れ層の全てのノードに結合される。このため、第３隠れ層には、第２隠れ層の出力が入力される。具体的には、第３隠れ層のノードには、それぞれ、第２隠れ層の全てのノードの出力が入力される。
第４入力層は第４隠れ層に結合される。具体的には、第４入力層のノードは第４隠れ層の全てのノードに結合される。このため、第４隠れ層には、第４入力層の出力が入力される。具体的には、第４隠れ層のノードには、それぞれ、第４入力層の全てのノードの出力が入力される。
また、第４隠れ層には、第３隠れ層の出力と相関する値も入力される。図９の例では、第３隠れ層は第４隠れ層に結合される。具体的には、第３隠れ層のノードは、それぞれ、第４隠れ層の全てのノードに結合される。このため、第４隠れ層には、第３隠れ層の出力が入力される。具体的には、第４隠れ層のノードには、それぞれ、第３隠れ層の全てのノードの出力が入力される。
また、ニューラルネットワークは、車両の出力パラメータを出力する出力層を含む。出力層は、第１隠れ層の出力、第２隠れ層の出力、第３隠れ層の出力及び第４隠れ層の出力に基づいて車両の出力パラメータを出力する。上述したように、例えば車両の出力パラメータとして内燃機関１のトルクが用いられる。この場合、出力層のノードの数は一つである。
また、出力層には、第４隠れ層の出力と相関する値が入力される。図９の例では、第４隠れ層は出力層に結合される。具体的には、第４隠れ層のノードは、それぞれ、出力層の全てのノードに結合される。このため、出力層には、第４隠れ層の出力が入力される。具体的には、出力層のノードには、第４隠れ層の全てのノードの出力が入力される。
上述したように、設計値は、設計値以外の入力パラメータから生成される特徴量を補正するように機能すると考えられる。このため、図９に示されるように、ニューラルネットワークは、第２入力層が結合された第２隠れ層が、第１入力層が結合された第１隠れ層よりも出力層に近くなるように構成される。言い換えれば、ニューラルネットワークは、第２入力層が結合された第２隠れ層が、第１入力層が結合された第１隠れ層よりも深い層になるように構成される。この結果、設計値と、設計値以外の入力パラメータから生成された特徴量とが第２隠れ層に入力されるようになり、第２隠れ層によって上記機能が実現される。この結果、出力パラメータの予測精度を向上させることができる。
また、図９に示されるように、ニューラルネットワークは、第４入力層が結合された第４隠れ層が、第３入力層が結合された第３隠れ層よりも出力層に近くなるように構成される。言い換えれば、ニューラルネットワークは、第４入力層が結合された第４隠れ層が、第３入力層が結合された第３隠れ層よりも深い層になるように構成される。この結果、設計値と、設計値以外の入力パラメータから生成された特徴量とが第４隠れ層に入力されるようになり、第４隠れ層によって上記機能が実現される。この結果、出力パラメータの予測精度を向上させることができる。
また、連続的に起こる一連の現象において、相対的に後の時点の現象に関するパラメータは相対的に前の時点の現象に関するパラメータの影響を受けると考えられる。そこで、第二実施形態では、ニューラルネットワークは、相対的に後の時点の現象に関するパラメータが入力される入力層に結合された隠れ層が、相対的に前の時点の現象に関するパラメータが入力される入力層に結合された隠れ層よりも出力層に近くなるように構成される。このことによって、現象の時系列的な変化をニューラルネットワークによって表現することができ、出力パラメータの予測精度をより一層向上させることができる。
図９の例では、第１入力層に入力される吸気圧力及び吸気流量と、第２入力層に入力される吸気マニホルド３１の内径とは、気筒１１内への吸気の流入に関するパラメータである。一方、第３入力層に入力される燃料噴射圧及び燃料噴射量と、第４入力層に入力される内燃機関１の圧縮比とは、混合気の燃焼に関するパラメータである。混合気の燃焼は、気筒１１内への吸気の流入の後に生じる現象である。
このため、図９に示されるように、ニューラルネットワークは、第３入力層に結合された第３隠れ層が、第２入力層に結合された第２隠れ層よりも出力層に近くなるように構成される。すなわち、ニューラルネットワークは、相対的に後の時点の現象に関するパラメータが入力される第３入力層及び第４入力層に結合された第３隠れ層及び第４隠れ層が、相対的に前の時点の現象に関するパラメータが入力される第１入力層及び第２入力層に結合された第１隠れ層及び第２隠れ層よりも出力層に近くなるように構成される。この結果、気筒１１内への吸気の流入に関する特徴量が、第３隠れ層及び第４隠れ層に入力され、第３隠れ層及び第４隠れ層において、混合気の燃焼に関するパラメータの影響を受けるようになる。
なお、図９に示されるニューラルネットワークは、第１隠れ層と第２隠れ層との間、第２隠れ層と第３隠れ層との間、第３隠れ層と第４隠れ層との間、又は第４隠れ層と出力層との間に他の隠れ層を含んでもよい。また、各入力層、各隠れ層及び出力層のノードの数は、それぞれ、１つ以上の他の数であってもよい。また、各隠れ層のノードの数が異なっていてもよい。
また、各入力層に入力される入力パラメータ及び出力パラメータとして、図９とは異なるパラメータが用いられてもよい。例えば、第３入力層に入力される入力パラメータとして、燃料噴射量の代わりに機関負荷が用いられてもよい。また、第４入力層に入力される設計値として、内燃機関１の圧縮比に加えて、内燃機関１の気筒数及び気筒配列が用いられてもよい。この場合、第４入力層のノードの数は三つになる。また、気筒配列が第４入力層に入力される場合、気筒配列が数値化される。例えば、直列の気筒配列に１が割り当てられ、Ｖ型の気筒配列に２が割り当てられ、水平対向の気筒配列に３が割り当てられる。
＜第三実施形態＞
第三実施形態に係る機械学習システムに用いられる電子制御ユニットの構成及び制御は、基本的に第一実施形態における電子制御ユニットと同様である。このため、以下、本発明の第三実施形態について、第一実施形態と異なる部分を中心に説明する。
第三実施形態では、ニューラルネットワークを用いた学習済みモデルが車両の外部のサーバにおいて生成され、サーバから車両に受信された学習済みモデルが演算部８１において用いられる。このことによって、学習済みモデルを必要に応じて入れ替え又は追加することができ、ニューラルネットワークを用いて所望の出力パラメータを得ることができる。また、サーバとの通信によりニューラルネットワークの重み等を更新することによって出力パラメータの予測精度を高めることができる。
図１０は、第三実施形態に係る機械学習システムを概略的に示す図である。機械学習システム３００は、車両１００に設けられた電子制御ユニット（ＥＣＵ）６１及び通信装置９１と、車両１００の外部のサーバ２００とを備える。第一実施形態と同様に、図２に示されるように、ＥＣＵ６１のプロセッサ６５は演算部８１及び制御部８２を有する。
ＥＣＵ６１と通信装置９１とは、ＣＡＮ（Controller Area Network）等の規格に準拠した車内ネットワークを介して互いに通信可能に接続される。通信装置９１は、通信ネットワークを介してサーバ２００と通信可能な機器であり、例えばデータ通信モジュール（ＤＣＭ）である。通信装置９１とサーバ２００との間の通信は、各種通信規格に準拠した無線通信によって行われる。
サーバ２００は、通信インターフェース２１０、記憶装置２３０及びプロセッサ２２０を備える。通信インターフェース２１０及び記憶装置２３０は信号線を介してプロセッサ２２０に接続されている。なお、サーバ２００は、キーボード及びマウスのような入力装置、ディスプレイのような出力装置等を更に備えていてもよい。
通信インターフェース２１０は、サーバ２００を通信ネットワークを介して車両１００の通信装置９１に接続するためのインターフェース回路を有する。記憶装置２３０は、例えば、ハードディスクドライブ（ＨＤＤ）、ソリッドステートドライブ（ＳＤＤ）、光記録媒体、ランダムアクセスメモリ（ＲＡＭ）のような半導体メモリ等から構成される。
記憶装置２３０は各種データを記憶する。具体的には、記憶装置２３０は、ニューラルネットワークの学習を行うための訓練データセット（例えば、設計値以外の入力パラメータ、設計値及び出力パラメータを含む訓練データセット）と、ニューラルネットワークの学習を行うためのコンピュータプログラムとを記憶する。訓練データセットのための設計値、設計値以外の入力パラメータの実測値及び出力パラメータの実測値は例えばエンジンベンチ等を用いて予め取得される。なお、訓練データセットのためのこれらパラメータは、車両１００とは異なる他の車両において取得され、この他の車両に設けられた通信装置からサーバ２００に送信されてもよい。
図１０に示されるように、サーバ２００のプロセッサ２２０は機能ブロックとして学習部２２２を備える。学習部２２２は、サーバ２００の記憶装置２３０に記憶された訓練データセットを用いてニューラルネットワークの学習を行い、ニューラルネットワークを用いた学習済みモデルを生成する。具体的には、多数の訓練データセットを用いて、上述した誤差逆伝播法によってニューラルネットワークの重みｗ及びバイアスｂを繰り返し更新することによって、重みｗ及びバイアスｂが設定される。この結果、ニューラルネットワークが学習され、ニューラルネットワークを用いた学習済みモデルが生成される。なお、第三実施形態におけるニューラルネットワークは第一実施形態又は第二実施形態と同様の構成（例えば、図４、図７及び図９参照）を有する。
学習部２２２によって学習済みモデルが生成されると、生成された学習済みモデルがサーバ２００の通信インターフェース２１０及び車両１００の通信装置９１を介してサーバ２００からＥＣＵ６１に送信される。ＥＣＵ６１の演算部８１は、学習済みモデルをサーバ２００から通信装置９１を介して受信し、受信した学習済みモデルを用いて車両の出力パラメータを算出する。また、ＥＣＵ６１の制御部８２によって車両用駆動装置の制御が実行される場合には、第一実施形態と同様に図８の制御ルーチンが実行される。
＜第四実施形態＞
第四実施形態に係る機械学習システムの構成及び制御は、基本的に第三実施形態における機械学習システムと同様である。このため、以下、本発明の第四実施形態について、第三実施形態と異なる部分を中心に説明する。
第四実施形態では、第三実施形態と同様に、ニューラルネットワークを用いた学習済みモデルが車両の外部のサーバにおいて生成され、サーバから車両に受信された学習済みモデルが演算部８１において用いられる。一方、第三実施形態では、訓練データセットのための設計値、設計値以外の入力パラメータの実測値及び出力パラメータの実測値が車両において取得される。このことによって、多数の訓練データセットを容易に用意することができる。
図１１は、第四実施形態に係る機械学習システムが適用される車両に設けられた内燃機関を概略的に示す図である。内燃機関１’には、図１に示される各種センサに加えて、排気温センサ７５及びトルクセンサ７６が設けられている。
排気温センサ７５は、内燃機関１’の排気通路、例えばタービン４３とＤＰＦ４４との間に配置され、排気通路を流れる排気ガスの温度（排気温度）を検出する。トルクセンサ７６は、例えば内燃機関１’の出力軸（クランクシャフト）に配置され、内燃機関１’の出力トルクを検出する。排気温センサ７５及びトルクセンサ７６の出力は、対応するＡＤ変換器６８を介して、ＥＣＵ６１の入力ポート６６に入力される。
第三実施形態と同様に、図１０に示されるように、機械学習システム３００は、車両１００に設けられた電子制御ユニット（ＥＣＵ）６１及び通信装置９１と、車両１００の外部のサーバ２００とを備える。図１２は、第四実施形態におけるＥＣＵ６１のプロセッサ６５の機能ブロック図である。第四実施形態では、プロセッサ６５は、演算部８１及び制御部８２に加えて、パラメータ取得部８３を有する。
パラメータ取得部８３は、車両用駆動装置の設計値と、設計値以外の車両１００の入力パラメータと、車両１００の出力パラメータとを取得する。具体的には、パラメータ取得部８３は、演算部８１と同様に、各種センサの出力等に基づいてＥＣＵ６１によって算出された設計値以外の車両１００の入力パラメータを取得する。また、パラメータ取得部８３は、各種センサの出力等に基づいてＥＣＵ６１によって算出された出力パラメータを取得する。例えば、出力パラメータが排気温度である場合、パラメータ取得部８３は、排気温センサ７５の出力に基づいて算出された排気温度を取得する。また、出力パラメータが内燃機関１’の出力トルクである場合、パラメータ取得部８３は、トルクセンサ７６の出力に基づいて算出された内燃機関１’の出力トルクを取得する。設計値は、予め定められ、ＥＣＵ６１のメモリ６３に記憶されている。
パラメータ取得部８３は、取得した設計値、設計値以外の入力パラメータ及び出力パラメータを通信装置９１を介してサーバ２００に送信する。サーバ２００に送信された設計値、設計値以外の入力パラメータ及び出力パラメータはサーバ２００の記憶装置２３０に記憶される。また、これらパラメータは、車両１００とは異なる車両用制御装置の設計値を有する複数の他の車両においても取得され、各車両に設けられた通信装置からサーバ２００に送信される。車両１００及び他の車両からサーバ２００へのパラメータの送信は、多数の訓練データセットを得るために繰り返し行われる。
サーバ２００の学習部２２２は、パラメータ取得部８３によって取得された設計値、設計値以外の入力パラメータ及び出力パラメータを訓練データセットとして用いて、ニューラルネットワークを用いた学習済みモデルを生成する。具体的には、多数の訓練データセットを用いて、上述した誤差逆伝播法によってニューラルネットワークの重みｗ及びバイアスｂを繰り返し更新することによって、重みｗ及びバイアスｂが設定される。この結果、ニューラルネットワークが学習され、ニューラルネットワークを用いた学習済みモデルが生成される。
また、第三実施形態と同様に、サーバ２００の学習部２２２は学習済みモデルを演算部８１に送信し、演算部８１は、受信した学習済みモデルを用いて出力パラメータを算出する。学習済みモデルを用いて出力パラメータを算出することによって、センサ等によって出力パラメータを検出する前に、所定の入力パラメータに対する出力パラメータを予測することができる。
また、ＥＣＵ６１の制御部８２によって車両用駆動装置の制御が実行される場合には、第一実施形態と同様に図８の制御ルーチンが実行される。
＜その他の実施形態＞
以上、本発明に係る好適な実施形態を説明したが、本発明はこれら実施形態に限定されるものではなく、特許請求の範囲の記載内で様々な修正及び変更を施すことができる。
例えば、ニューラルネットワークにおいて、第１入力層に入力される車両の入力パラメータと、第２入力層に入力される車両用駆動装置の設計値と、車両の出力パラメータとは以下のように設定されてもよい。車両の入力パラメータは、機関回転数、燃料噴射量、燃料噴射時期、燃料噴射圧、吸気マニホルド３１内の吸気の温度及び圧力、ＥＧＲ制御弁５２の開度及び吸入空気量を含む。また、設計値は、内燃機関１、１’の圧縮比、燃料噴射弁２１のノズル数及びノズル径を含む。また、車両の出力パラメータは、燃焼音の音圧、内燃機関１、１’の出力トルク、機関本体１０から排出される有害物質の濃度及び内燃機関１、１’の熱効率を含む。有害物質は、例えば、一酸化炭素（ＣＯ）、炭化水素（ＨＣ）、窒素酸化物（ＮＯｘ）、粒子状物質（ＰＭ）等である。この場合も、入力パラメータ及び出力パラメータは各種センサの出力等に基づいてＥＣＵ６１において算出可能である。また、設計値は、予め定められ、ＥＣＵ６１のメモリ６３に記憶されている。
また、車両用駆動装置は、内燃機関以外の駆動装置、例えば、モータ、トランスミッション、バッテリ等であってもよい。例えば、本実施形態におけるニューラルネットワークを用いたモデルは、ハイブリッド車両（ＨＶ）、プラグインハイブリッド車両（ＰＨＶ）又は電気自動車（ＥＶ）に搭載されたバッテリに適用されてもよい。この場合、第１入力層に入力される車両の入力パラメータと、第２入力層に入力される車両用駆動装置の設計値と、車両の出力パラメータとは例えば以下のように設定される。
第１入力パラメータは、バッテリ電圧、バッテリ電流、バッテリ温度、車両の運転開始時のバッテリの充電率（ＳＯＣ：Ｓｔａｔｅ Ｏｆ Ｃｈａｒｇｅ）及び車両の連続運転時間を含む。また、第２入力パラメータはバッテリ容量及びバッテリのエネルギー密度を含む。また、出力パラメータは車両の運転中のバッテリのＳＯＣを含む。この場合も、入力パラメータ及び出力パラメータは各種センサの出力等に基づいてＥＣＵ６１において算出可能である。また、設計値は、予め定められ、ＥＣＵ６１のメモリ６３に記憶されている。
また、上述したようなニューラルネットワークを用いた学習済みモデルは、ハードウェアの設計値以外の入力パラメータ及びハードウェアの設計値に基づいて出力パラメータを算出されるように構成された出力パラメータ算出装置に用いられてもよい。この場合、入力パラメータ、設計値及び出力パラメータは、車両に関するパラメータに限定されない。
１、１’ 内燃機関
６０ 車両用駆動装置の制御装置
６１ 電子制御ユニット（ＥＣＵ）
８１ 演算部
８２ 制御部
８３ パラメータ取得部
９１ 通信装置
１００ 車両
２００ サーバ
３００ 機械学習システム

Claims (15)

  1. ニューラルネットワークを用いた学習済みモデルを用いて車両の出力パラメータを算出する演算部と、
    前記演算部によって算出された前記出力パラメータに基づいて、前記車両に搭載された車両用駆動装置を制御する制御部と
    を備え、
    前記ニューラルネットワークは、前記車両用駆動装置の設計値以外の前記車両の入力パラメータが入力される第１入力層と、前記設計値が入力される第２入力層と、前記第１入力層の出力が入力される第１隠れ層と、前記第２入力層の出力が入力される第２隠れ層と、前記出力パラメータを出力する出力層とを含み、前記第２隠れ層が前記第１隠れ層よりも前記出力層に近くなるように構成される、車両用駆動装置の制御装置。
  2. 前記ニューラルネットワークは、前記第１隠れ層の出力が前記第２隠れ層に入力されるように構成される、請求項１に記載の車両用駆動装置の制御装置。
  3. 前記ニューラルネットワークは、前記第１隠れ層と前記第２隠れ層との間に少なくとも一つの隠れ層を含む、請求項１に記載の車両用駆動装置の制御装置。
  4. 前記ニューラルネットワークは、前記第２隠れ層の出力が前記出力層に入力されるように構成される、請求項１から３のいずれか１項に記載の車両用駆動装置の制御装置。
  5. 前記ニューラルネットワークは、前記第２隠れ層と前記出力層との間に少なくとも一つの隠れ層を含む、請求項１から３のいずれか１項に記載の車両用駆動装置の制御装置。
  6. 前記制御部は、前記車両に搭載された内燃機関を制御し、
    前記入力パラメータは機関回転数及び燃料噴射量を含み、前記設計値は前記内燃機関の圧縮比を含み、前記出力パラメータは排気温度を含む、請求項１から５のいずれか１項に記載の車両用駆動装置の制御装置。
  7. 前記設計値は、前記内燃機関の気筒数及び前記内燃機関の気筒配列を更に含む、請求項６に記載の車両用駆動装置の制御装置。
  8. 前記ニューラルネットワークは、前記設計値以外の前記車両の入力パラメータが入力される第３入力層と、前記設計値が入力される第４入力層と、前記第３入力層の出力が入力される第３隠れ層と、前記第４入力層の出力が入力される第４隠れ層とを更に含み、前記第３隠れ層が前記第２隠れ層よりも前記出力層に近く且つ前記第４隠れ層が前記第３隠れ層よりも前記出力層に近くなるように構成され、
    前記制御部は、前記車両に搭載された内燃機関を制御し、
    前記第１入力層に入力される前記入力パラメータは吸気マニホルド内の吸気の圧力及び流量を含み、前記第２入力層に入力される前記設計値は吸気マニホルドの内径を含み、前記第３入力層に入力される前記入力パラメータは、前記内燃機関の気筒内に噴射される燃料の噴射圧及び噴射量を含み、前記第４入力層に入力される前記設計値は前記内燃機関の圧縮比を含み、前記出力パラメータは前記内燃機関の出力トルクを含む、請求項１から５のいずれか１項に記載の車両用駆動装置の制御装置。
  9. ニューラルネットワークを用いた学習済みモデルを車両に設けられた通信装置を介して前記車両の外部のサーバから受信すると共に、該学習済みモデルを用いて前記車両の出力パラメータを算出する演算部を備える車載電子制御ユニットであって、
    前記ニューラルネットワークは、前記車両に搭載された車両用駆動装置の設計値以外の前記車両の入力パラメータが入力される第１入力層と、前記設計値が入力される第２入力層と、前記第１入力層の出力が入力される第１隠れ層と、前記第２入力層の出力が入力される第２隠れ層と、前記出力パラメータを出力する出力層とを含み、前記第２隠れ層が前記第１隠れ層よりも前記出力層に近くなるように構成され、
    前記サーバは、前記入力パラメータ、前記設計値及び前記出力パラメータを含む訓練データセットを記憶する記憶装置を備え、該訓練データセットを用いて前記学習済みモデルを生成する、車載電子制御ユニット。
  10. 車両に搭載された車両用駆動装置の設計値と、該設計値以外の前記車両の入力パラメータと、前記車両の出力パラメータとを取得すると共に、前記車両に設けられた通信装置を介して、前記設計値、前記入力パラメータ及び前記出力パラメータを前記車両の外部のサーバに送信するパラメータ取得部と、
    ニューラルネットワークを用いた学習済みモデルを前記サーバから前記通信装置を介して受信すると共に、該学習済みモデルを用いて前記出力パラメータを算出する演算部と
    を備える車載電子制御ユニットであって、
    前記ニューラルネットワークは、前記入力パラメータが入力される第１入力層と、前記設計値が入力される第２入力層と、前記第１入力層の出力が入力される第１隠れ層と、前記第２入力層の出力が入力される第２隠れ層と、前記出力パラメータを出力する出力層とを含み、前記第２隠れ層が前記第１隠れ層よりも前記出力層に近くなるように構成され、
    前記サーバは、前記パラメータ取得部によって取得された前記入力パラメータ、前記設計値及び前記出力パラメータを訓練データセットとして用いて前記学習済みモデルを生成する、車載電子制御ユニット。
  11. 車両に搭載された車両用駆動装置の設計値以外の前記車両の入力パラメータが入力される第１入力層と、前記設計値が入力される第２入力層と、前記第１入力層の出力が入力される第１隠れ層と、前記第２入力層の出力が入力される第２隠れ層と、前記車両の出力パラメータを出力する出力層とを含み、前記第２隠れ層が前記第１隠れ層よりも前記出力層に近くなるように構成されたニューラルネットワークを用いた学習済みモデルであって、
    前記入力パラメータ、前記設計値及び前記出力パラメータを訓練データセットとして用いて前記ニューラルネットワークの重みが学習された、学習済みモデル。
  12. 車両に設けられた電子制御ユニットと、前記車両に設けられた通信装置と、前記車両の外部のサーバとを備えた機械学習システムであって、
    前記電子制御ユニットは、
    前記車両に搭載された車両用駆動装置の設計値と、該設計値以外の前記車両の入力パラメータと、前記車両の出力パラメータとを取得すると共に、前記通信装置を介して、前記設計値、前記入力パラメータ及び前記出力パラメータを前記サーバに送信するパラメータ取得部と、
    ニューラルネットワークを用いた学習済みモデルを前記サーバから前記通信装置を介して受信すると共に、該学習済みモデルを用いて前記出力パラメータを算出する演算部と
    を備え、
    前記ニューラルネットワークは、前記入力パラメータが入力される第１入力層と、前記設計値が入力される第２入力層と、前記第１入力層の出力が入力される第１隠れ層と、前記第２入力層の出力が入力される第２隠れ層と、前記出力パラメータを出力する出力層とを含み、前記第２隠れ層が前記第１隠れ層よりも前記出力層に近くなるように構成され、
    前記サーバは、前記パラメータ取得部によって取得された前記入力パラメータ、前記設計値及び前記出力パラメータを訓練データセットとして用いて前記学習済みモデルを生成する、機械学習システム。
  13. 車両に搭載された車両用駆動装置の設計値と、該設計値以外の前記車両の入力パラメータとを取得することと、
    ニューラルネットワークを用いた学習済みモデルを用いて、前記設計値及び前記入力パラメータに基づいて前記車両の出力パラメータを算出することと、
    前記出力パラメータに基づいて前記車両用駆動装置を制御することと
    を含み、
    前記ニューラルネットワークは、前記入力パラメータが入力される第１入力層と、前記設計値が入力される第２入力層と、前記第１入力層の出力が入力される第１隠れ層と、前記第２入力層の出力が入力される第２隠れ層と、前記出力パラメータを出力する出力層とを含み、前記第２隠れ層が前記第１隠れ層よりも前記出力層に近くなるように構成される、車両用駆動装置の制御方法。
  14. 車両に搭載された車両用駆動装置の設計値と、該設計値以外の前記車両の入力パラメータと、前記車両の出力パラメータとを訓練データセットとして用いて、ニューラルネットワークを用いた学習済みモデルを生成することと、
    前記学習済みモデルを電子制御ユニットに実装することと
    を含み、
    前記ニューラルネットワークは、前記入力パラメータが入力される第１入力層と、前記設計値が入力される第２入力層と、前記第１入力層の出力が入力される第１隠れ層と、前記第２入力層の出力が入力される第２隠れ層と、前記出力パラメータを出力する出力層とを含み、前記第２隠れ層が前記第１隠れ層よりも前記出力層に近くなるように構成される、電子制御ユニットの製造方法。
  15. ハードウェアの設計値以外の入力パラメータが入力される第１入力層と、前記設計値が入力される第２入力層と、前記第１入力層の出力が入力される第１隠れ層と、前記第２入力層の出力が入力される第２隠れ層と、出力パラメータを出力する出力層とを含み、前記第２隠れ層が前記第１隠れ層よりも前記出力層に近くなるように構成されたニューラルネットワークを用いた学習済みモデルを用いて、前記入力パラメータ及び前記設計値に基づいて前記出力パラメータを算出するように構成された、出力パラメータ算出装置。
JP2018191237A 2018-10-09 2018-10-09 車両用駆動装置の制御装置、車載電子制御ユニット、学習済みモデル、機械学習システム、車両用駆動装置の制御方法、電子制御ユニットの製造方法及び出力パラメータ算出装置 Expired - Fee Related JP6702390B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2018191237A JP6702390B2 (ja) 2018-10-09 2018-10-09 車両用駆動装置の制御装置、車載電子制御ユニット、学習済みモデル、機械学習システム、車両用駆動装置の制御方法、電子制御ユニットの製造方法及び出力パラメータ算出装置
US16/568,852 US11732664B2 (en) 2018-10-09 2019-09-12 Control device of vehicle drive device, vehicle-mounted electronic control unit, trained model, machine learning system, method of controlling vehicle drive device, method of producing electronic control unit, and output parameter calculation device
CN201910914723.5A CN111016920B (zh) 2018-10-09 2019-09-25 车辆用驱动装置的控制装置及控制方法、车载电子控制单元、已学习模型和机器学习系统
EP19202156.6A EP3636905B1 (en) 2018-10-09 2019-10-09 Control device of vehicle drive device, method of controlling vehicle drive device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018191237A JP6702390B2 (ja) 2018-10-09 2018-10-09 車両用駆動装置の制御装置、車載電子制御ユニット、学習済みモデル、機械学習システム、車両用駆動装置の制御方法、電子制御ユニットの製造方法及び出力パラメータ算出装置

Publications (2)

Publication Number Publication Date
JP2020060127A JP2020060127A (ja) 2020-04-16
JP6702390B2 true JP6702390B2 (ja) 2020-06-03

Family

ID=68242434

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018191237A Expired - Fee Related JP6702390B2 (ja) 2018-10-09 2018-10-09 車両用駆動装置の制御装置、車載電子制御ユニット、学習済みモデル、機械学習システム、車両用駆動装置の制御方法、電子制御ユニットの製造方法及び出力パラメータ算出装置

Country Status (4)

Country Link
US (1) US11732664B2 (ja)
EP (1) EP3636905B1 (ja)
JP (1) JP6702390B2 (ja)
CN (1) CN111016920B (ja)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6702380B2 (ja) * 2018-09-14 2020-06-03 トヨタ自動車株式会社 内燃機関の制御装置
JP6690743B1 (ja) * 2019-01-23 2020-04-28 トヨタ自動車株式会社 機械学習装置
JP7231144B2 (ja) * 2019-07-17 2023-03-01 株式会社トランストロン エンジン制御装置及びそれが有するニューラルネットワークプログラム
KR20210073882A (ko) * 2019-12-11 2021-06-21 현대자동차주식회사 빅데이터 기반 운행 정보 제공 시스템 및 방법
US11459962B2 (en) * 2020-03-02 2022-10-04 Sparkcognitton, Inc. Electronic valve control
JP2021179813A (ja) * 2020-05-13 2021-11-18 トヨタ自動車株式会社 配車装置、車両および端末
JP6795116B1 (ja) * 2020-06-08 2020-12-02 トヨタ自動車株式会社 車両、及びサーバ
JP7010343B1 (ja) * 2020-08-20 2022-01-26 トヨタ自動車株式会社 機械学習装置
CN113212244B (zh) * 2021-04-29 2022-08-16 浙江吉利控股集团有限公司 一种新能源车辆动力电池寿命预测方法及系统
JP2023074822A (ja) * 2021-11-18 2023-05-30 アズビル株式会社 情報処理装置、情報処理方法及び情報処理プログラム
CN114952791A (zh) * 2022-05-19 2022-08-30 中国科学院自动化研究所 肌肉骨骼机器人控制方法及装置

Family Cites Families (63)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2810170B2 (ja) * 1989-12-15 1998-10-15 株式会社日立製作所 多層型ネットワークの学習装置
US5113483A (en) * 1990-06-15 1992-05-12 Microelectronics And Computer Technology Corporation Neural network with semi-localized non-linear mapping of the input space
US5130936A (en) * 1990-09-14 1992-07-14 Arinc Research Corporation Method and apparatus for diagnostic testing including a neural network for determining testing sufficiency
JP2601003B2 (ja) * 1990-09-25 1997-04-16 日産自動車株式会社 車両の走行条件認識装置
US5402519A (en) * 1990-11-26 1995-03-28 Hitachi, Ltd. Neural network system adapted for non-linear processing
JP2934330B2 (ja) * 1991-02-28 1999-08-16 株式会社豊田中央研究所 車両の操作量決定装置
JP3301250B2 (ja) * 1995-01-27 2002-07-15 松下電器産業株式会社 空燃比制御装置
JPH0939821A (ja) * 1995-08-02 1997-02-10 Mitsubishi Motors Corp 車両の後輪操舵制御装置
US5781700A (en) * 1996-02-05 1998-07-14 Ford Global Technologies, Inc. Trained Neural network air/fuel control system
US5745653A (en) * 1996-02-05 1998-04-28 Ford Global Technologies, Inc. Generic neural network training and processing system
US5774823A (en) * 1997-09-04 1998-06-30 Ford Global Technologies, Inc. Method of generation correction tables for misfire detection using neural networks
EP1109001B1 (de) 1999-12-15 2005-03-16 Kistler Holding AG Verfahren zur Bestimmung des oberen Totpunktes einer Brennkraftmaschine mit neuronalem Lernen
DE10201018B4 (de) * 2002-01-11 2004-08-05 Eads Deutschland Gmbh Neuronales Netz, Opimierungsverfahren zur Einstellung der Verbindungsgewichte eines neuronalen Netzes sowie Analyseverfahren zur Überwachung eines Optimierungsverfahrens
JP2004239233A (ja) * 2003-02-10 2004-08-26 Toyota Motor Corp 内燃機関の気筒別空燃比の推定および気筒排気割合の推定
JP2007533911A (ja) * 2004-04-20 2007-11-22 サウスウエスト リサーチ インスティテュート 圧力関係の値用の個々の推量器を備える仮想シリンダ圧力センサ
US20060020563A1 (en) * 2004-07-26 2006-01-26 Coleman Christopher R Supervised neural network for encoding continuous curves
DE102006014915A1 (de) * 2006-03-30 2007-10-11 Siemens Ag Verfahren zum rechnergestützten Erstellen von Verarbeitungsvorschriften für die Steuerung von Kraftfahrzeuginsassen-Schutzsystemen
US20080154811A1 (en) * 2006-12-21 2008-06-26 Caterpillar Inc. Method and system for verifying virtual sensors
JP4930389B2 (ja) * 2008-01-18 2012-05-16 三菱自動車工業株式会社 空燃比制御装置及び空燃比制御方法
US7900509B2 (en) * 2008-08-06 2011-03-08 Ford Global Technologies, Llc Methods for variable displacement engine diagnostics
US7917333B2 (en) * 2008-08-20 2011-03-29 Caterpillar Inc. Virtual sensor network (VSN) based control system and method
CN101814158A (zh) * 2009-02-20 2010-08-25 北京联合大学生物化学工程学院 基于人工神经网络的实验数据分析处理方法
US8463721B2 (en) * 2010-08-05 2013-06-11 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for recognizing events
JP5234085B2 (ja) 2010-11-11 2013-07-10 富士電機株式会社 ニューラルネットワークの学習方法
WO2014144036A1 (en) * 2013-03-15 2014-09-18 Angel Enterprise Systems, Inc. Engine analysis and diagnostic system
JP5924315B2 (ja) 2013-08-08 2016-05-25 トヨタ自動車株式会社 車両の制御装置
US9328644B2 (en) * 2013-09-24 2016-05-03 GM Global Technology Operations LLC Exhaust system and method of estimating diesel particulate filter soot loading for same using two-tier neural network
DE102014000396A1 (de) 2014-01-17 2015-07-23 Fev Gmbh Modellbasierte Bestimmung einer Gemischmasse während einer Ladungswechselphase in einer Brennkammer einer Brennkraftmaschine
EP2996001A1 (de) * 2014-09-10 2016-03-16 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Analyse eines Datensatzes aus Beobachtungen
JP6172106B2 (ja) 2014-10-03 2017-08-02 トヨタ自動車株式会社 車両用情報提示装置
JP6411927B2 (ja) 2015-03-20 2018-10-24 トヨタ自動車株式会社 車両用自動変速機
DE102015207252A1 (de) * 2015-04-21 2016-10-27 Avl List Gmbh Verfahren und Vorrichtung zur modellbasierten Optimierung einer technischen Einrichtung
WO2017114810A1 (en) * 2015-12-31 2017-07-06 Vito Nv Methods, controllers and systems for the control of distribution systems using a neural network arhcitecture
US10328949B2 (en) 2016-01-28 2019-06-25 Toyota Motor Engineering & Manufacturing North America, Inc. Sensor blind spot indication for vehicles
JP6414096B2 (ja) 2016-02-17 2018-10-31 トヨタ自動車株式会社 車載装置、車載装置の制御方法及び車載装置の制御プログラム
JP6460349B2 (ja) 2016-04-13 2019-01-30 トヨタ自動車株式会社 車両走行制御装置
US20170308802A1 (en) * 2016-04-21 2017-10-26 Arundo Analytics, Inc. Systems and methods for failure prediction in industrial environments
JP6516298B2 (ja) 2016-05-06 2019-05-22 トヨタ自動車株式会社 情報表示装置
JP6390668B2 (ja) 2016-06-20 2018-09-19 トヨタ自動車株式会社 ハイブリッド車両
JP6520858B2 (ja) 2016-08-08 2019-05-29 トヨタ自動車株式会社 車両走行制御装置
JP6380489B2 (ja) 2016-09-07 2018-08-29 トヨタ自動車株式会社 車両の走行制御装置
US10276187B2 (en) * 2016-10-19 2019-04-30 Ford Global Technologies, Llc Vehicle ambient audio classification via neural network machine learning
JP6705368B2 (ja) 2016-12-06 2020-06-03 トヨタ自動車株式会社 自動運転装置
CN106740457A (zh) * 2016-12-07 2017-05-31 镇江市高等专科学校 基于bp神经网络模型的车辆换道决策方法
JP6540679B2 (ja) 2016-12-26 2019-07-10 トヨタ自動車株式会社 ハイブリッド車両の変速制御装置
US9914492B1 (en) 2017-04-13 2018-03-13 Toyota Research Institute, Inc. Low-profile vehicle
JP6856452B2 (ja) 2017-06-14 2021-04-07 トヨタ自動車株式会社 物標判定装置及び運転支援システム
US10960924B2 (en) 2017-06-16 2021-03-30 Toyota Research Institute, Inc. Vehicle systems for adjusting resistance or sensitivity of steering wheels and/or accelerator pedals
US10816975B2 (en) 2017-08-09 2020-10-27 Toyota Motor Engineering & Manufacturing North America, Inc. Autonomous acceleration profile feedback system
JP2019038314A (ja) 2017-08-23 2019-03-14 トヨタ自動車株式会社 車両運転支援装置
JP6834853B2 (ja) 2017-08-31 2021-02-24 トヨタ自動車株式会社 車両制御装置
JP6926957B2 (ja) 2017-11-02 2021-08-25 トヨタ自動車株式会社 車線変更支援装置
JP6954052B2 (ja) 2017-11-27 2021-10-27 トヨタ自動車株式会社 車群制御装置
JP6885315B2 (ja) 2017-12-06 2021-06-09 トヨタ自動車株式会社 センサー搭載構造
JP7024427B2 (ja) 2018-01-17 2022-02-24 トヨタ自動車株式会社 車両用表示装置
US10706300B2 (en) 2018-01-23 2020-07-07 Toyota Research Institute, Inc. Vehicle systems and methods for determining a target based on a virtual eye position and a pointing direction
JP7095291B2 (ja) 2018-01-30 2022-07-05 トヨタ自動車株式会社 車両用表示装置
JP6954850B2 (ja) 2018-02-09 2021-10-27 トヨタ自動車株式会社 表示装置
US10913360B2 (en) 2018-02-13 2021-02-09 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods of autonomous solar exposure
JP7069975B2 (ja) 2018-03-30 2022-05-18 トヨタ自動車株式会社 制御装置、制御装置用のプログラム、及び制御方法
US10746987B2 (en) 2018-07-12 2020-08-18 Toyota Research Institute, Inc. Vehicle systems and methods for redirecting a driver's gaze towards an object of interest
JP7095468B2 (ja) 2018-08-02 2022-07-05 トヨタ自動車株式会社 車両用表示制御装置、車両用表示制御方法及び車両用表示制御プログラム
JP7172287B2 (ja) 2018-08-28 2022-11-16 トヨタ自動車株式会社 自動運転システム

Also Published As

Publication number Publication date
CN111016920A (zh) 2020-04-17
CN111016920B (zh) 2023-07-07
JP2020060127A (ja) 2020-04-16
US20200109678A1 (en) 2020-04-09
US11732664B2 (en) 2023-08-22
EP3636905A2 (en) 2020-04-15
EP3636905A3 (en) 2020-07-29
EP3636905B1 (en) 2024-08-28

Similar Documents

Publication Publication Date Title
JP6702390B2 (ja) 車両用駆動装置の制御装置、車載電子制御ユニット、学習済みモデル、機械学習システム、車両用駆動装置の制御方法、電子制御ユニットの製造方法及び出力パラメータ算出装置
EP3690558B1 (en) Control device of internal combustion engine, in-vehicle electronic control unit, machine learning system, control method of internal combustion engine, manufacturing method of electronic control unit, and output parameter calculation device
JP6702389B2 (ja) 車両用駆動装置の制御装置、車載電子制御ユニット、学習済みモデル、機械学習システム、車両用駆動装置の制御方法、電子制御ユニットの製造方法及び出力パラメータ算出装置
US10635976B2 (en) Machine learning system for estimating a temperature of an exhaust purification catalyst
Isermann Engine modeling and control
CN101622437B (zh) 用于估计内燃机的排气温度的方法和设备
JP6501018B1 (ja) 未燃燃料量の機械学習装置
US11436488B2 (en) Control device
CN101523034B (zh) 基于发动机汽缸压力估算发动机的系统参数
US10371071B2 (en) Systems and methods for non-intrusive closed-loop combustion control of internal combustion engines
CN102191979A (zh) 用于内燃机的发动机排出NOx虚拟传感器
US10825267B2 (en) Control system of internal combustion engine, electronic control unit, server, and control method of internal combustion engine
JP6702380B2 (ja) 内燃機関の制御装置
CN104675538A (zh) 用于确定新鲜空气质量流量的方法和测量设备
JP2020062914A (ja) 情報提供装置
JP2020045821A (ja) 内燃機関の制御装置
Isermann et al. On the control and diagnosis of internal combustion engines
JP2016133044A (ja) 内燃機関の制御装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200130

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20200130

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20200217

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20200407

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200420

R151 Written notification of patent or utility model registration

Ref document number: 6702390

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151

LAPS Cancellation because of no payment of annual fees