JP7003333B2 - 日射予測装置、空調制御装置、学習装置、及び日射予測方法 - Google Patents

Description

この発明は、日射予測装置、空調制御装置、学習装置、及び日射予測方法に関するものである。

車両において、乗員に日射が直接到達している状態と、乗員に日射が直接到達していない状態とでは、乗員の感じる温度が異なる。そのため、例えば、特許文献１には、日射の乗員への直接到達の有無による影響を考慮して車両用の空調機器を制御する技術が開示されている。

特開２００２－１７２９２６号公報

特許文献１に記載されたような従来の車両用空調制御装置は、日射の乗員への直接到達の有無による影響を考慮するために、熱画像センサにより乗員の表面温度を検知し、検知した乗員の表面温度に基づいて空調機器を制御していた。従来の車両用空調制御装置のように、日射の影響を受けて変化した後の乗員の表面温度を検知して空調機器を制御すると、乗員が快適となるまでに時間がかかっていた。

この発明は、上記のような課題を解決するためになされたもので、車両内の日射状態を予測することを目的とする。

この発明に係る日射予測装置は、予測日時における予測対象車両の位置及び向きを含む車両状態を示す予測条件データと予測日時における太陽の位置を示す太陽位置データとを取得する予測条件取得部と、予測条件取得部により取得された予測日時における予測条件データと太陽位置データとを用いて、予測日時において予測対象車両に照射される日射の方向及び強度を示す予測日射ベクトルを算出する予測ベクトル算出部と、過去の日時における車両の内部の日射状態を示す実績日射データと、車両に照射された日射の方向及び強度を示す日射ベクトルとを入力すると、車両の内部の日射状態を予測した予測日射データを出力する学習済みの学習器に対し、予測ベクトル算出部により算出された予測日射ベクトルを入力し、学習器の演算処理を実行することで、予測日時における予測対象車両の内部の日射状態を予測した予測日射データを、学習器から取得する予測部とを備えるものである。

この発明によれば、車両内の日射状態を予測することができる。

実施の形態１に係る日射予測装置を備えた空調制御装置と学習装置の構成例を示すブロック図である。 実施の形態１に係る空調制御装置の動作例を示すフローチャートである。 実施の形態１に係る学習装置の動作例を示すフローチャートである。 実施の形態２に係る日射予測装置を備えた空調制御装置と学習装置の構成例を示すブロック図である。 実施の形態２に係る空調制御装置の動作例を示すフローチャートである。 実施の形態２に係る学習装置の動作例を示すフローチャートである。 実施の形態３に係る日射予測装置を備えた空調制御装置と学習装置の構成例を示すブロック図である。 各実施の形態に係る空調制御装置のハードウェア構成の一例を示す図である。 各実施の形態に係る空調制御装置のハードウェア構成の別の例を示す図である。 各実施の形態に係る学習装置のハードウェア構成の一例を示す図である。 各実施の形態に係る学習装置のハードウェア構成の別の例を示す図である。

以下、この発明をより詳細に説明するために、この発明を実施するための形態について、添付の図面に従って説明する。
実施の形態１．
図１は、実施の形態１に係る日射予測装置１０を備えた空調制御装置２と学習装置３０の構成例を示すブロック図である。日射予測装置１０は、車両１の内部（以下、「車室内」と称する）の日射状態を予測するものである。空調制御装置２は、日射予測装置１０により予測された日射状態に基づき、車両１に搭載された空調機器４を制御することにより、車両１の内部の温度調整を行うものである。実施の形態１において、空調機器４が搭載された車両１は、「予測対象車両」に相当する。

空調制御装置２には、ナビゲーション装置３が接続されている。ナビゲーション装置３は、車両１の位置座標、車両１が走行する予定の経路、及び現在の日時等の情報を出力する。経路の情報は、例えば、車両１が走行する予定の経路の各地点における、走行予定時刻ごとの車両１の進行方向、又は車両１の水平方向に対する傾斜角度の情報等を含む。なお、車両１の傾斜角度は、例えば、水平方向に対する路面の傾斜角度から推定された情報である。

予測条件取得部１１は、予測日時における車両１の位置及び向きを含む車両状態を示す予測条件データを、ナビゲーション装置３から取得する。予測日時は、例えば、日付、曜日、祭日、又は季節等、及び、時刻又は時間帯等で特定される。予測日時における車両１の位置は、予測日時における車両１の位置座標である。予測日時における車両１の向きは、予測日時における車両１の進行方向、又は車両１の進行方向と傾斜角度である。予測条件取得部１１は、予測条件データを予測部１２へ出力する。

予測部１２は、学習済みの学習器１３を有する。学習器１３は、過去の日時における車両１の内部の日射状態を示す実績日射データと、当該過去の日時における車両１の位置及び向きを含む車両状態を示す実績条件データとを用いて、車両１の内部の日射状態を予測するように、機械学習が行われた学習器である。学習器１３の機械学習を行う学習装置３０については後述する。実績日射データは、例えば、日射の影響を受けて変化する、車室内の表面温度分布を示す熱画像である。

予測部１２は、学習器１３に対し、予測条件取得部１１により取得された予測日時の予測条件データを入力し、学習器１３の演算処理を実行することで、当該予測日時における車両１の内部の日射状態を予測した予測日射データを、学習器１３から取得する。予測部１２は、学習器１３から取得した、予測日時における予測日射データを、空調制御部２０へ出力する。予測日射データは、例えば、日射の影響を受けて変化する、車室内の表面温度分布を示す熱画像である。

空調制御部２０は、予測部１２により予測された予測日時の予測日射データを用いて、車両１の内部の温度調整を行うように、車両１に搭載された空調機器４を制御する。上述のように、予測日射データが熱画像である場合、日射がある領域ほど、また日射強度が高いほど、また日射量が多いほど、車室内の表面温度が高くなる。そこで、空調制御部２０は、例えば、予測日時の車室内において表面温度が予め定められた冷房設定温度より高い領域に対し、当該予測日時より前に、冷風の送風又は送風量の増加を行うように空調機器４を制御する。また、空調制御部２０は、予測日時の車室内において表面温度が予め定められた暖房設定温度より低い領域に対し、当該予測日時より前に、温風の送風又は送風量の増加を行うように空調機器４を制御する。空調機器４を制御する領域は、車室内を右左に分割した２領域であってもよいし、前後に分割した２領域であってもよいし、前後左右に分割した４領域であってもよいし、座席ごとに分割した領域であってもよい。空調機器４の制御単位となる当該領域は、例えば、空調機器４の仕様に応じて予め定められていてもよいし、空調制御部２０が予測日射データである熱画像に基づいてその都度定めてもよい。例えば、空調機器４の吹き出し口が座席ごとに設けられている場合、空調制御部２０は、座席単位で空調機器４を制御する。また、空調制御部２０は、図示しないカメラ等を利用して各座席における乗員の有無を判定し、乗員が存在する座席に限定して空調機器４を制御するようにしてもよい。

次に、空調制御装置２の動作を説明する。
図２は、実施の形態１に係る空調制御装置２の動作例を示すフローチャートである。空調制御装置２は、図２のフローチャートに示される動作を繰り返し行う。
ステップＳＴ１において、予測条件取得部１１は、予測日時における予測条件データをナビゲーション装置３から取得する。ステップＳＴ２において、予測部１２は、予測条件取得部１１により取得された予測日時の予測条件データを学習器１３に入力し、学習器１３の演算処理を実行する。ステップＳＴ３において、予測部１２は、学習器１３から演算処理の結果である、予測日時の予測日射データを取得する。ステップＳＴ４において、空調制御部２０は、予測部１２により予測された予測日時の予測日射データを用いて、当該予測日時より前に空調機器４の制御を開始する。

次に、学習装置３０について説明する。
図１に示されるように、学習装置３０は、学習用データ取得部３１、及び学習部３２を備える。また、学習装置３０には、熱画像センサ５が接続されている。熱画像センサ５は、車室内の表面温度分布を検知し、表面温度分布を示す熱画像を出力する。

学習用データ取得部３１は、車両１の位置及び向きを含む車両状態を示す実績条件データを、ナビゲーション装置３から取得する。車両１の位置は、車両１の位置座標である。車両１の向きは、車両１の進行方向、又は車両１の進行方向と傾斜角度である。なお、学習用データ取得部３１は、車両１の進行方向と傾斜角度を、図示しない加速度センサ等から取得してもよい。また、学習用データ取得部３１は、車室内の表面温度分布を示す熱画像を、熱画像センサ５から取得する。学習用データ取得部３１は、熱画像センサ５から取得した熱画像を、実績日射データとして用いる。実績日射データは、機械学習における正解データに相当する。学習用データ取得部３１は、ナビゲーション装置３から取得した実績条件データ及び熱画像センサ５から取得した実績日射データを、学習用データとして学習部３２へ出力する。なお、実績条件データ及び実績日射データは、予測条件データの「予測日時」よりも過去の日時のものである。なお、過去の日時は、例えば、日付、曜日、祭日、又は季節等、及び、時刻又は時間帯等で特定される。

学習部３２は、学習用データ取得部３１により取得された過去の日時の実績条件データと実績日射データを用いて、任意の日時、任意の車両１の位置、及び任意の車両１の向きにおける車室内の日射状態を予測して予測日射データとして出力するように学習器１３を機械学習させる。日射状態は、例えば、日射の影響を受けて変化する、車室内の表面温度分布である。なお、実績条件データの車両１の向きが、車両１の進行方向のみである場合に比べ、車両１の進行方向と実際の車両１の水平方向に対する傾斜角度の両方を含む場合のほうが、日射が車室内に侵入する方向及び角度を加味した学習が可能となり、日射予測装置１０による日射状態の予測精度が向上する。

学習部３２は、例えば、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）等の公知な学習方法を用いればよい。学習方法がＣＮＮである場合、学習部３２は、車両１の位置及び向きを示す車両状態を示す情報並びに日時を示す情報を入力すると、当該日時における車室内の表面温度分布を示す情報を出力するように、ニューラルネットワークを構築する。そして、学習部３２は、構築したニューラルネットワークの構成、当該ニューラルネットワークのニューロン間の結合の重み、及び各ニューロンの閾値を示す情報を、学習結果データとして学習器１３に設定することで、学習済みの学習器１３を生成する。なお、学習部３２は、オンライン学習、バッチ学習、又はミニバッチ学習等を行うことによって、任意のタイミングで学習器１３を更新可能である。

図３は、実施の形態１に係る学習装置３０の動作例を示すフローチャートである。
ステップＳＴ１１において、学習用データ取得部３１は、過去又は現在の日時における実績条件データをナビゲーション装置３から取得する。学習用データ取得部３１は、過去又は現在の日時における実績日射データを熱画像センサ５から取得する。学習用データ取得部３１は、取得した実績条件データ及び実績日射データを紐付けて学習用データとし、学習用データを学習部３２へ出力する。

ステップＳＴ１２において、学習部３２は、学習用データ取得部３１からの学習用データを用いて、学習器１３を学習させる。

以上のように、実施の形態１に係る日射予測装置１０は、予測条件取得部１１と、予測部１２とを備える。予測条件取得部１１は、予測日時における車両１の位置及び向きを含む車両状態を示す予測条件データを取得する。予測部１２は、過去の日時における車両１の内部の日射状態を示す実績日射データと、車両１の位置及び向きを含む車両状態を示す実績条件データとを入力すると、車両１の内部の日射状態を予測した予測日射データを出力する学習済みの学習器１３に対し、予測条件取得部１１により取得された予測条件データを入力し、学習器１３の演算処理を実行することで、予測日時における車両１の内部の日射状態を予測した予測日射データを、学習器１３から取得する。これにより、日射予測装置１０は、車両１の内部の日射状態を予測することができる。

また、実施の形態１に係る空調制御装置２は、日射予測装置１０と、空調制御装置２とを備える。空調制御装置２は、日射予測装置１０により予測された予測日射データを用いて、車両１の内部の温度調整を行うように、車両１に搭載された空調機器４を制御する。これにより、空調制御装置２は、従来のように日射の影響を受けて変化した乗員の表面温度を検知して空調機器４を制御するのではなく、日射の影響を受けて乗員の表面温度が変化する前に空調機器４の制御を開始することができるので、乗員が快適となるまでの時間を短縮できる。

また、実施の形態１に係る学習装置３０は、学習用データ取得部３１と、学習部３２とを備える。学習用データ取得部３１は、過去の日時における車両１の内部の日射状態を示す実績日射データと、過去の日時における車両１の位置及び向きを含む車両状態を示す実績条件データとを取得する。学習部３２は、学習用データ取得部３１により取得された実績日射データと実績条件データとを用いて、任意の日時及び車両状態での車両１の内部の日射状態を予測して予測日射データとして出力するように学習器１３を機械学習させる。これにより、学習装置３０は、予測対象車両である車両１の内部の日射状態を予測するのに利用する学習済みの学習器１３を構築することができる。

また、実施の形態１によれば、学習器１３は、過去の日時における車両１の内部の日射状態を示す実績日射データと、車両１の位置及び向きを含む車両状態を示す実績条件データとを入力すると、車両１の内部の日射状態を予測した予測日射データを出力するものである。これにより、学習装置３０は、車高及び採光部の日射遮蔽シートの有無等、予測対象車両特有の条件を加味した学習が可能となる。採光部は、車両１の窓及びサンルーフ等である。日射予測装置１０は、予測対象車両である車両１の実際の過去のデータを用いて機械学習が行われた学習器１３を用いて、車両１の日射状態を予測することができる。よって、日射予測装置１０による日射状態の予測精度が向上する。

なお、実施の形態１では、予測対象車両である車両１に、日射予測装置１０と学習装置３０とが搭載された構成であるが、この構成に限定されない。例えば、学習装置３０は、ネットワーク上のサーバ装置等であってもよい。この構成の場合、サーバ装置である学習装置３０は、通信装置等を介して、車両１から学習用データを収集して機械学習を行い、学習器１３を生成するための学習結果データを生成する。そして、サーバ装置である学習装置３０は、この学習結果データを、通信装置等を介して、車両１の日射予測装置１０に送信する。

また、実施の形態１では、学習装置３０は、予測対象車両である車両１において取得された学習用データを用いた機械学習を行う構成であるが、予測対象車両以外の車両において取得された学習用データを用いた機械学習を行う構成であってもよい。例えば、ネットワーク上のサーバ装置等が、１以上の車両から学習用データを収集して蓄積するか、又はシミュレーションにより学習用データを作成して蓄積する。この場合、学習装置３０は、通信装置等を介して、サーバ装置等に蓄積されている学習用データを取得して機械学習を行うことが可能である。また、学習装置３０は、予測対象車両である車両１の車種等と同じ又は類似する車種等の学習用データを、サーバ装置等から取得することが好ましい。

また、実施の形態１では、学習器１３の学習に、車両１の位置及び向きを含む車両状態を示す実績条件データを用いる構成であったが、他のデータも用いてもよい。例えば、学習部３２は、実績条件データに加え、車両１が備える採光部の開閉状態又は空調機器４の制御状態の少なくとも一方を含む車両データを用いてもよい。
この構成の場合、学習用データ取得部３１は、ナビゲーション装置３から車両１の位置及び向きを含む車両状態を示す情報を取得すると共に、図示しない車両制御ＥＣＵ（Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｎｔｒｏｌ Ｕｎｉｔ）等から車両１の採光部の開閉状態を示す情報を取得し、空調制御部２０から空調機器４の制御状態を示す情報を取得する。そして、学習部３２は、学習用データ取得部３１が取得したこれらの情報を用いて学習器１３の機械学習を行う。日射予測装置１０の予測条件取得部１１は、図示しない車両制御ＥＣＵ等から車両１の採光部の開閉状態を示す情報を取得する。また、予測条件取得部１１は、空調制御部２０から空調機器４の制御状態を示す情報を取得してもよい。予測条件取得部１１は、取得した情報を車両データとする。予測部１２は、予測条件取得部１１が取得した予測条件データと車両データとを用いて日射状態を予測する。実績日射データが熱画像である場合、車室内の表面温度は、車両１の採光部が開いている場合、閉じている場合に比べて下がりやすい。また、車室内の表面温度は、日射の影響を受けて変化する他、空調機器４の設定温度、風向き、及び風量等に応じても変化する。そのため、学習装置３０は、車室内の表面温度に影響を及ぼす日射以外の条件を加味した学習が可能となり、日射予測装置１０は、日射状態の予測精度が向上する。また、学習装置３０は、車室内の表面温度に影響を及ぼす条件として、採光部に貼られた日射遮蔽シートの有無、又は採光部の透過率若しくは材質等を加味してもよい。

実施の形態２．
実施の形態１に係る日射予測装置１０及び学習装置３０は、予測条件データ及び実績条件データとして、任意の日時における車両１の位置及び向きを示す情報を用いたが、実施の形態２では、任意の日時における日射ベクトルを用いる。

図４は、実施の形態２に係る日射予測装置１０を備えた空調制御装置２と学習装置３０の構成例を示すブロック図である。実施の形態２に係る日射予測装置１０は、図１に示された実施の形態１の日射予測装置１０に対して予測ベクトル算出部１４が追加された構成である。実施の形態２に係る学習装置３０は、図１に示された実施の形態１の学習装置３０に対してベクトル算出部３４が追加された構成である。また、車両１には、太陽位置記憶部６が搭載されている。図４において図１と同一又は相当する部分は、同一の符号を付し説明を省略する。

太陽位置記憶部６は、日時と太陽の位置との対応関係を示す太陽位置データを記憶している。太陽位置データは、車両１に照射される日射の方向を算出するために必要なデータである。なお、日射予測装置１０又は学習装置３０が、太陽位置記憶部６を備える構成であってもよい。

予測条件取得部１１は、予測日時における予測条件データを、ナビゲーション装置３から取得して予測ベクトル算出部１４へ出力する。予測条件データは、予測日時における車両１の位置及び向きを含む車両状態を示す情報である。なお、車両１の向きは、車両１の進行方向のみでもよいし、車両１の進行方向と傾斜角度の両方を含んでもよい。また、予測条件取得部１１は、当該予測日時における太陽位置データを、太陽位置記憶部６から取得して予測ベクトル算出部１４へ出力する。

予測ベクトル算出部１４は、予測条件取得部１１により取得された予測日時における予測条件データと太陽位置データとを用いて、車両１を基準とした、当該予測日時において車両１に照射される日射の方向及び強度を示す日射ベクトルを算出する。予測ベクトル算出部１４は、日射ベクトルの算出方法として、公知な算出方法を用いればよい。予測ベクトル算出部１４は、算出した予測日時における日射ベクトル（以下、「予測日射ベクトル」と称する）を示す情報を、予測部１２へ出力する。

学習器１３は、過去の日時における車両１の内部の日射状態を示す実績日射データと、当該過去の日時において車両１に照射された日射の方向及び強度を示す日射ベクトルとを用いて、車両１の内部の日射状態を予測するように機械学習が行われた学習器である。日射状態は、例えば、日射の影響を受けて変化する、車室内の表面温度分布である。実績日射データは、例えば、車室内の表面温度分布を示す熱画像である。

予測部１２は、学習器１３に対し、予測ベクトル算出部１４により算出された予測日時の予測日射ベクトルを入力し、学習器１３の演算処理を実行することで、当該予測日時における車両１の内部の日射状態を予測した予測日射データを、学習器１３から取得する。予測部１２は、学習器１３から取得した、予測日時における予測日射データを、空調制御部２０へ出力する。予測日射データは、例えば、日射の影響を受けて変化する、車室内の表面温度分布を示す熱画像である。

次に、空調制御装置２の動作を説明する。
図５は、実施の形態２に係る空調制御装置２の動作例を示すフローチャートである。空調制御装置２は、図５のフローチャートに示される動作を繰り返し行う。
ステップＳＴ１において、予測条件取得部１１は、予測日時における予測条件データをナビゲーション装置３から取得すると共に、太陽位置データを太陽位置記憶部６から取得する。続くステップＳＴ２１において、予測ベクトル算出部１４は、予測条件取得部１１により取得された予測日時の予測条件データと太陽位置データとを用いて、当該予測日時の予測日射ベクトルを算出する。ステップＳＴ２において、予測部１２は、予測ベクトル算出部１４により算出された予測日時の予測日射ベクトルを学習器１３に入力し、学習器１３の演算処理を実行する。ステップＳＴ３及びステップＳＴ４の処理は、図２のステップＳＴ３及びステップＳＴ４の処理と同じである。

次に、学習装置３０について説明する。
図４に示されるように、学習用データ取得部３１は、過去の日時における車両１の位置及び向きを含む車両状態を示す実績条件データを、ナビゲーション装置３から取得して学習用データ取得部３１へ出力する。なお、車両１の向きは、車両１の進行方向のみでもよいし、車両１の進行方向と傾斜角度の両方を含んでもよい。また、学習用データ取得部３１は、過去の日時における太陽位置データを、太陽位置記憶部６から取得してベクトル算出部３４へ出力する。また、学習用データ取得部３１は、過去の日時における車室内の表面温度分布を示す熱画像を、熱画像センサ５から取得してベクトル算出部３４へ出力する。

ベクトル算出部３４は、学習用データ取得部３１により取得された過去の日時における実績条件データと太陽位置データとを用いて、当該過去の日時において車両１に照射される日射の方向及び強度を示す日射ベクトルを算出する。ベクトル算出部３４は、予測ベクトル算出部１４と同様、日射ベクトルの算出方法として、公知な算出方法を用いればよい。ベクトル算出部３４は、算出した過去の日時における日射ベクトル、及び学習用データ取得部３１から取得した当該過去の日時における実績日射データを、学習部３２へ出力する。

学習部３２は、ベクトル算出部３４により算出された過去の日時の日射ベクトルと、学習用データ取得部３１により取得された当該過去の日時の実績日射データを用いて、任意の日射ベクトルにおける車室内の日射状態を予測して予測日射データとして出力するように学習器１３を機械学習する。日射状態は、例えば、日射の影響を受けて変化する、車室内の表面温度分布である。学習部３２は、実施の形態１と同様に、ＣＮＮ等の公知な学習方法を用いればよい。

図６は、実施の形態２に係る学習装置３０の動作例を示すフローチャートである。
ステップＳＴ１１において、学習用データ取得部３１は、過去又は現在の日時における実績条件データをナビゲーション装置３から取得する。学習用データ取得部３１は、過去又は現在の日時における実績日射データをナビゲーション装置３から取得する。学習用データ取得部３１は、過去又は現在の日時における太陽位置データを太陽位置記憶部６から取得する。学習用データ取得部３１は、取得した実績条件データ、実績日射データ、及び太陽位置データを紐付けて学習用データとし、学習用データをベクトル算出部３４へ出力する。

続くステップＳＴ２２において、ベクトル算出部３４は、学習用データ取得部３１からの学習用データを用いて、過去又は現在の日時における日射ベクトルを算出する。ステップＳＴ１２において、学習部３２は、ベクトル算出部３４からの日射ベクトル及び実績日射データを用いて、学習器１３を学習させる。

以上のように、実施の形態２に係る日射予測装置１０は、予測条件取得部１１と、予測ベクトル算出部１４と、予測部１２とを備える。予測条件取得部１１は、予測日時における車両１の位置及び向きを含む車両状態を含む予測条件データと、予測日時における太陽の位置を示す太陽位置データを取得する。予測ベクトル算出部１４は、予測条件取得部１１により取得された予測日時における予測条件データと太陽位置データとを用いて、予測日時において車両１に照射される日射の方向及び強度を示す予測日射ベクトルを算出する。予測部１２は、過去の日時における車両１の内部の日射状態を示す実績日射データと車両１に照射された日射の方向及び強度を示す日射ベクトルとを入力すると、車両１の内部の日射状態を予測した予測日射データを出力する学習済みの学習器１３に対し、予測ベクトル算出部１４により算出された予測日射ベクトルを入力し、学習器１３の演算処理を実行することで、予測日時における車両１の内部の日射状態を予測した予測日射データを、学習器１３から取得する。これにより、日射予測装置１０は、車両１の内部の日射状態を予測することができる。また、実施の形態２では、学習器１３に入力する情報が予測日射ベクトルのみになるため、実施の形態１に比べ、学習器１３であるニューラルネットワーク等の構造を単純化することができる。

また、実施の形態２によれば、学習器１３は、過去の日時における車両１の内部の日射状態を示す実績日射データと、車両１に照射された日射の方向及び強度を示す日射ベクトルとを入力すると、車両１の内部の日射状態を予測した予測日射データを出力するものである。これにより、学習装置３０は、車高及び採光部の日射遮蔽シートの有無等、予測対象車両特有の条件を加味した学習が可能となる。日射予測装置１０は、予測対象車両である車両１の実際の過去のデータを用いて機械学習が行われた学習器１３を用いて、車両１の日射状態を予測することができる。よって、日射予測装置１０による日射状態の予測精度が向上する。

なお、学習部３２は、予測対象車両特有の条件として、車両１の車高又は車両１が備える採光部の設置位置等を示す車両データを用い、機械学習を行ってもよい。車高及び採光部の位置等は、車室内に侵入する日射の方向及び角度に影響を及ぼす。この構成の場合、学習器１３は、学習用データ取得部３１により取得された過去の日時における車両１の実績日射データと、学習用データ取得部３１により車両１から取得された車両１の車両データと、ベクトル算出部３４により算出された当該過去の日時における車両１の日射ベクトルとを用いて、車両１の内部の日射状態を予測するように機械学習が行われる。
また、この構成の場合、日射予測装置１０の予測条件取得部１１は、車両１の車両データを車両１から取得する。予測部１２は、この学習器１３に対し、予測ベクトル算出部１４により算出された予測日時の予測日射ベクトルと、予測条件取得部１１により取得された車両１の車両データとを入力し、学習器１３の演算処理を実行することで、予測日時における車両１の内部の日射状態を予測した予測日射データを、学習器１３から取得する。これにより、学習装置３０は、車高及び採光部の位置等、予測対象車両特有の条件を加味した学習が可能となり、日射予測装置１０は、日射状態の予測精度が向上する。

また、実施の形態２でも、実施の形態１と同様に、学習部３２は、予測対象車両特有の条件として、車両１の過去の日時における熱画像と日射ベクトルと、車両１が備える採光部の開閉状態又は空調制御状態の少なくとも一方を示す車両データとを用いて、学習器１３の機械学習を行ってもよい。

また、実施の形態２でも、実施の形態１と同様に、学習装置３０は、ネットワーク上のサーバ装置等であってもよい。また、学習装置３０は、予測対象車両である車両１以外の車両において取得された学習用データ、又はシミュレーションにより作成された学習用データ等を用いて機械学習を行ってもよい。

また、実施の形態２では、予測ベクトル算出部１４は、車両１の位置及び向きを含む車両状態を示す実績条件データと、太陽位置データとを用いて、予測日射ベクトルを算出する構成であったが、これら以外のデータも用いて予測日射ベクトルを算出してもよい。

例えば、予測条件取得部１１は、予測日時における予測条件データ及び太陽位置データに加え、予測日時において車両１の周辺に存在する日射遮蔽物を示す遮蔽物データを取得してもよい。日射遮蔽物とは、山等の地形、及び建物等の、車両１への日射を遮る物体である。予測条件取得部１１は、例えば、車両１が走行する予定の経路周辺に存在する日射遮蔽物を示す遮蔽物データを、ナビゲーション装置３から取得する。予測ベクトル算出部１４は、予測日時における予測条件データ、太陽位置データ、及び遮蔽物データを用いて、予測日時における予測日射ベクトルを算出する。この際、予測ベクトル算出部１４は、例えば、予測条件データと太陽位置データとを用いて算出した予測日射ベクトルの日射強度を、遮蔽物データを用いて補正する。予測ベクトル算出部１４は、例えば、遮蔽物データに基づいて太陽と車両１との間に日射遮蔽物が存在すると判断した場合、予測日射ベクトルの日射強度を下げる。

上記の場合、学習用データ取得部３１も、過去の日時における実績条件データ及び太陽位置データに加え、過去の日時における車両１周辺の遮蔽物データを取得する。ベクトル算出部３４は、過去の日時における実績条件データ、太陽位置データ、及び遮蔽物データを用いて、過去の日時における日射ベクトルを算出する。

また、例えば、予測条件取得部１１は、予測日時における予測条件データ及び太陽位置データに加え、予測日時における車両１の周辺の気象予報データを取得してもよい。予測条件取得部１１は、例えば、車両１が走行する予定の経路における各地点の走行予定時刻（つまり、予測日時）の気象予報データを、気象予報データを提供しているサーバ装置等から取得する。予測ベクトル算出部１４は、予測日時における予測条件データ、太陽位置データ、及び気象予報データを用いて、予測日時における予測日射ベクトルを算出する。この際、予測ベクトル算出部１４は、例えば、予測条件データと太陽位置データとを用いて算出した予測日射ベクトルの日射強度を、気象予報データを用いて補正する。予測ベクトル算出部１４は、例えば、気象予報データが「曇り」の場合に予測日射ベクトルの日射強度を５０％に下げてもよいし、「雲量」に応じて下げ幅を調整してもよい。

上記の場合、学習用データ取得部３１も、過去の日時における実績条件データ及び太陽位置データに加え、過去の日時における車両１周辺の実際の気象データを取得する。ベクトル算出部３４は、過去の日時における実績条件データ、太陽位置データ、及び気象データを用いて、過去の日時における日射ベクトルを算出する。

このように、予測ベクトル算出部１４及びベクトル算出部３４が、遮蔽物データ若しくは気象予報データの一方、又は遮蔽物データと気象予報データの両方を用いて日射ベクトルを算出することにより、日射予測装置１０による日射状態の予測精度が向上する。

実施の形態３．
実施の形態１，２では、実績日射データ及び予測日射データが、車室内の表面温度分布を示す熱画像であった。これに対し、実施の形態３では、実績日射データ及び予測日射データが、車室内の日射状態を示す情報である。

図７は、実施の形態３に係る日射予測装置１０を備えた空調制御装置２と学習装置３０の構成例を示すブロック図である。実施の形態３の車両１には、熱画像センサ５の代わりに、日射センサ７が搭載されている。図７において図１と同一又は相当する部分は、同一の符号を付し説明を省略する。

日射センサ７は、車室内の日射状態を検知し、検知結果を実績日射データとして学習用データ取得部３１へ出力する。日射センサ７は、例えば、車両１の各ドアの内側部分及びセンタコンソール付近に設置される。日射センサ７が出力する実績日射データは、車両１の内部において日射がある領域を示すデータである。または、この実績日射データは、車両１の内部における日射強度分布を示すデータであってもよい。実績日射データが日射強度分布を示すデータである場合、このデータは、車両１の内部を２以上の領域に分割した領域ごとの日射強度を示すデータであってもよいし、座席ごとの日射強度を示すデータであってもよい。領域分割の仕方としては、車両１の左右、車両１の前後、又は車両１の前後左右等がある。分割領域は、例えば、空調機器４の仕様に応じて予め定められていてもよい。

予測条件取得部１１は、予測日時における予測条件データを、ナビゲーション装置３から取得して予測部１２へ出力する。

学習器１３は、過去の日時における車両１の内部の日射状態を示す実績日射データと、当該過去の日時における車両１の位置及び向きを含む車両状態を示す実績条件データとを用いて、車両１の内部の日射状態を予測して予測日射データとして出力するように、機械学習が行われた学習器である。実績日射データは、上述のように、車室内の日射がある領域を示すデータ又は日射強度分布を示すデータ等である。

予測部１２は、学習器１３に対し、予測条件取得部１１により取得された予測日時の予測条件データを入力し、学習器１３の演算処理を実行することで、当該予測日時における車両１の内部の日射状態を予測した予測日射データを、学習器１３から取得する。予測部１２は、学習器１３から取得した、予測日時における予測日射データを、空調制御部２０へ出力する。予測日射データは、実績日射データと同様に、車室内の日射がある領域を示すデータ又は日射強度分布を示すデータ等である。

空調制御部２０は、予測部１２により予測された予測日時の予測日射データを用いて、車両１の内部の温度調整を行うように、車両１に搭載された空調機器４を制御する。上述のように、予測日射データが車室内の日射がある領域を示すデータ又は日射強度分布を示すデータ等である場合、日射がある領域ほど、また日射強度が高いほど、また日射量が多いほど、車室内の表面温度が高くなる。そこで、空調制御部２０は、例えば、予測日時が夏季である場合、車室内において日射がある領域又は日射強度が予め定められた閾値より高い領域に対し、当該予測日時より前に、冷風の送風又は送風量の増加を行うように空調機器４を制御する。また、空調制御部２０は、予測日時が冬季である場合、車室内において日射がない領域又は日射強度が予め定められた閾値より低い領域に対し、当該予測日時より前に、温風の送風又は送風量の増加を行うように空調機器４を制御する。また、空調制御部２０は、図示しないカメラ等を利用して各座席における乗員の有無を判定し、乗員が存在する座席に限定して空調機器４を制御するようにしてもよい。

また、空調制御部２０は、予測日射データを用いて車室内の表面温度を推定し、推定した表面温度を用いて実施の形態１のように空調機器４を制御してもよい。この場合、空調制御部２０は、例えば、車室内の分割領域ごと又は座席ごとの日射強度を用いて分割領域ごと又は座席ごとの受熱量を推定し、推定した受熱量を用いて分割領域ごと又は座席ごとの表面温度を推定する。空調制御部２０は、表面温度の推定方法として、公知の技術を用いればよい。

なお、予測部１２は、車両１が走行する予定の経路における各地点の走行予定時刻を予測日時として、予測日射データを予測してもよい。この場合、予測部１２は、当該経路を走行予定時刻に基づいて単位時間ごとに区分する。そして、予測部１２は、予測した走行予定時刻ごとの予測日射データを用いて、当該経路を上記単位時間ごとに区分した区間それぞれで日射強度を積算した日射量を求め、当該区間ごとの日射量を示す日射予測マップを生成してもよい。例えば、予測部１２は、当該経路のうち、出発地から３０分間で到達する予定の地点までの区間において、当該３０分間の時系列の予測日射データを用いて日射強度を積算し、当該３０分間の日射量を算出する。同様に、予測部１２は、次の３０分間で到達する予定の地点までの区間における日射量を算出する。このようにして、予測部１２は、車両１が当該経路を走行した場合の３０分間ごとの日射量の変化を示す日射予測マップを生成する。なお、予測部１２は、単位時間あたりの日射量を算出する以外にも、単位時間あたりの日射強度の平均値等を算出してもよい。
この構成の場合、空調制御部２０は、予測部１２により生成された日射予測マップに基づき、車両１が走行する予定の経路が単位時間ごとに区切られた各区間における空調機器４の制御計画を事前に立てる。その際、空調制御部２０は、日射量に基づいて空調機器４の制御計画を立ててもよいし、日射量から表面温度を推定し、推定した表面温度に基づいて空調機器４の制御計画を立ててもよい。

以上のように、実施の形態３によれば、予測日射データは、車両１の内部において日射がある領域を示すデータであってもよいし、車両１の内部における日射強度分布を示すデータであってもよい。また、予測日射データが日射強度分布を示すデータである場合、この予測日射データは、車両１の内部を２以上の領域に分割した場合の領域ごとの日射強度を示すデータであってもよいし、座席ごとの日射強度を示すデータであってもよい。このように、日射予測装置１０は、空調機器４の仕様等に応じて、予測日射データとして様々な車室内の日射状態を予測することが可能である。

また、実施の形態３によれば、予測部１２は、車両１が走行する予定の経路における各地点の走行予定時刻を予測日時として予測した予測日射データを用いて、当該経路を走行予定時刻に基づいて単位時間ごとに区分した区間それぞれで日射強度を積算した日射量を求め、当該区間ごとの日射量を示す日射予測マップを生成する。これにより、空調制御装置２は、車両１の走行開始前に、日射予測マップを用いて空調機器４の制御計画を立てることができる。

なお、実施の形態３では、実施の形態１に係る空調制御装置２及び学習装置３０において、熱画像センサ５に代えて日射センサ７が用いられたが、実施の形態２に係る空調制御装置２及び学習装置３０において、熱画像センサ５に代えて日射センサ７が用いられてもよい。

最後に、各実施の形態における空調制御装置２及び学習装置３０のハードウェア構成を説明する。
図８及び図９は、各実施の形態に係る日射予測装置１０を備えた空調制御装置２のハードウェア構成例を示す図である。空調制御装置２における予測条件取得部１１、予測部１２、学習器１３、予測ベクトル算出部１４、及び空調制御部２０の機能は、処理回路により実現される。即ち、空調制御装置２は、上記機能を実現するための処理回路を備える。処理回路は、専用のハードウェアとしての処理回路１００であってもよいし、メモリ１０２に格納されるプログラムを実行するプロセッサ１０１であってもよい。

図８に示されるように、処理回路が専用のハードウェアである場合、処理回路１００は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、又はこれらを組み合わせたものが該当する。予測条件取得部１１、予測部１２、学習器１３、予測ベクトル算出部１４、及び空調制御部２０の機能を複数の処理回路１００で実現してもよいし、各部の機能をまとめて１つの処理回路１００で実現してもよい。

図９に示されるように、処理回路がプロセッサ１０１である場合、予測条件取得部１１、予測部１２、学習器１３、予測ベクトル算出部１４、及び空調制御部２０の機能は、ソフトウェア、ファームウェア、又はソフトウェアとファームウェアとの組み合わせにより実現される。ソフトウェア又はファームウェアはプログラムとして記述され、メモリ１０２に格納される。プロセッサ１０１は、メモリ１０２に格納されたプログラムを読みだして実行することにより、各部の機能を実現する。即ち、空調制御装置２は、プロセッサ１０１により実行されるときに、図２等のフローチャートで示されるステップが結果的に実行されることになるプログラムを格納するためのメモリ１０２を備える。また、このプログラムは、予測条件取得部１１、予測部１２、学習器１３、予測ベクトル算出部１４、及び空調制御部２０の手順又は方法をコンピュータに実行させるものであるとも言える。

なお、予測条件取得部１１、予測部１２、学習器１３、予測ベクトル算出部１４、及び空調制御部２０の機能について、一部を専用のハードウェアで実現し、一部をソフトウェア又はファームウェアで実現するようにしてもよい。このように、空調制御装置２における処理回路は、ハードウェア、ソフトウェア、ファームウェア、又はこれらの組み合わせによって、上述の機能を実現することができる。

図１０及び図１１は、各実施の形態に係る学習装置３０のハードウェア構成例を示す図である。学習装置３０における学習用データ取得部３１、学習部３２、及びベクトル算出部３４の機能は、処理回路により実現される。即ち、学習装置３０は、上記機能を実現するための処理回路を備える。処理回路は、専用のハードウェアとしての処理回路２００であってもよいし、メモリ２０２に格納されるプログラムを実行するプロセッサ２０１であってもよい。

図１０に示されるように、処理回路が専用のハードウェアである場合、処理回路２００は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又はこれらを組み合わせたものが該当する。学習用データ取得部３１、学習部３２、及びベクトル算出部３４の機能を複数の処理回路２００で実現してもよいし、各部の機能をまとめて１つの処理回路２００で実現してもよい。

図１１に示されるように、処理回路がプロセッサ２０１である場合、学習用データ取得部３１、学習部３２、及びベクトル算出部３４の機能は、ソフトウェア、ファームウェア、又はソフトウェアとファームウェアとの組み合わせにより実現される。ソフトウェア又はファームウェアはプログラムとして記述され、メモリ２０２に格納される。プロセッサ２０１は、メモリ２０２に格納されたプログラムを読みだして実行することにより、各部の機能を実現する。即ち、学習装置３０は、プロセッサ２０１により実行されるときに、図３等のフローチャートで示されるステップが結果的に実行されることになるプログラムを格納するためのメモリ２０２を備える。また、このプログラムは、学習用データ取得部３１、学習部３２、及びベクトル算出部３４の手順又は方法をコンピュータに実行させるものであるとも言える。

なお、学習用データ取得部３１、学習部３２、及びベクトル算出部３４の機能について、一部を専用のハードウェアで実現し、一部をソフトウェア又はファームウェアで実現するようにしてもよい。このように、学習装置３０における処理回路は、ハードウェア、ソフトウェア、ファームウェア、又はこれらの組み合わせによって、上述の機能を実現することができる。

ここで、プロセッサ１０１，２０１とは、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、処理装置、演算装置、又はマイクロプロセッサ等のことである。
メモリ１０２，２０２は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、又はフラッシュメモリ等の不揮発性もしくは揮発性の半導体メモリであってもよいし、ハードディスク又はフレキシブルディスク等の磁気ディスクであってもよいし、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）又はＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）等の光ディスクであってもよい。

なお、本発明はその発明の範囲内において、各実施の形態の自由な組み合わせ、各実施の形態の任意の構成要素の変形、又は各実施の形態の任意の構成要素の省略が可能である。

この発明に係る日射予測装置は、車両の内部の日射状態を予測する以外にも、鉄道、船舶、又は航空機等、移動体の内部の日射状態を予測する日射予測装置等に用いるのに適している。

１ 車両、２ 空調制御装置、３ ナビゲーション装置、４ 空調機器、５ 熱画像センサ、６ 太陽位置記憶部、７ 日射センサ、１０ 日射予測装置、１１ 予測条件取得部、１２ 予測部、１３ 学習器、１４ 予測ベクトル算出部、２０ 空調制御部、３０ 学習装置、３１ 学習用データ取得部、３２ 学習部、３４ ベクトル算出部、１００，２００ 処理回路、１０１，２０１ プロセッサ、１０２，２０２ メモリ。

Claims (13)

1. 予測日時における予測対象車両の位置及び向きを含む車両状態を示す予測条件データと前記予測日時における太陽の位置を示す太陽位置データとを取得する予測条件取得部と、
   前記予測条件取得部により取得された前記予測日時における前記予測条件データと前記太陽位置データとを用いて、前記予測日時において前記予測対象車両に照射される日射の方向及び強度を示す予測日射ベクトルを算出する予測ベクトル算出部と、
   過去の日時における車両の内部の日射状態を示す実績日射データと、前記車両に照射された日射の方向及び強度を示す日射ベクトルとを入力すると、前記車両の内部の日射状態を予測した予測日射データを出力する学習済みの学習器に対し、前記予測ベクトル算出部により算出された前記予測日射ベクトルを入力し、前記学習器の演算処理を実行することで、前記予測日時における前記予測対象車両の内部の日射状態を予測した予測日射データを、前記学習器から取得する予測部とを備える日射予測装置。
2. 前記学習器は、前記過去の日時における前記予測対象車両の内部の日射状態を示す実績日射データと、前記予測対象車両に照射された日射の方向及び強度を示す日射ベクトルとを入力すると、前記予測対象車両の内部の日射状態を予測した予測日射データを出力するものであることを特徴とする請求項１記載の日射予測装置。
3. 前記予測条件取得部は、前記予測日時における前記予測条件データと前記太陽位置データに加え、前記予測日時において前記予測対象車両の周辺に存在する日射遮蔽物を示す遮蔽物データを取得し、
   前記予測ベクトル算出部は、前記予測日時における前記予測条件データと前記太陽位置データと前記遮蔽物データとを用いて、前記予測日時における前記予測日射ベクトルを算出することを特徴とする請求項１記載の日射予測装置。
4. 前記予測条件取得部は、前記予測日時における前記予測条件データと前記太陽位置データに加え、前記予測日時における前記予測対象車両の周辺の気象予報データを取得し、
   前記予測ベクトル算出部は、前記予測日時における前記予測条件データと前記太陽位置データと前記気象予報データとを用いて、前記予測日射ベクトルを算出することを特徴とする請求項１記載の日射予測装置。
5. 前記学習器は、前記過去の日時における前記実績日射データと、前記日射ベクトルと、前記過去の日時における前記車両の車高又は前記車両が備える採光部の設置位置を示す車両データとを入力すると、前記予測対象車両の内部の日射状態を予測した予測日射データを出力するものであり、
   前記予測条件取得部は、前記予測日時における前記予測条件データと前記太陽位置データに加え、前記予測対象車両の車両データを取得し、
   前記予測部は、前記学習器に対し、前記予測ベクトル算出部により算出された前記予測日射ベクトルと前記予測条件取得部により取得された前記車両データとを入力し、前記学習器の演算処理を実行することで、前記予測日時における前記予測対象車両の内部の日射状態を予測した予測日射データを、前記学習器から取得することを特徴とする請求項１記載の日射予測装置。
6. 前記予測日射データは、前記車両の内部において日射がある領域を示すデータであることを特徴とする請求項１記載の日射予測装置。
7. 前記予測日射データは、前記車両の内部における日射強度分布を示すデータであることを特徴とする請求項１記載の日射予測装置。
8. 前記予測日射データは、前記車両の内部を２以上の領域に分割した領域ごとの日射強度を示すデータであることを特徴とする請求項７記載の日射予測装置。
9. 前記予測日射データは、前記車両の内部における座席ごとの日射強度を示すデータであることを特徴とする請求項７記載の日射予測装置。
10. 前記予測部は、前記予測対象車両が走行する予定の経路における各地点の走行予定時刻を前記予測日時として予測した前記予測日射データを用いて、当該経路を走行予定時刻に基づいて単位時間ごとに区分した区間それぞれで日射強度を積算した日射量を求め、当該区間ごとの日射量を示す日射予測マップを生成することを特徴とする請求項７記載の日射予測装置。
11. 前記実績日射データが前記車両の内部の表面温度分布を示す熱画像である場合であって、
    前記学習器は、前記過去の日時における前記熱画像と前記日射ベクトルと、前記車両が備える採光部の開閉状態又は空調制御状態の少なくとも一方を示す車両データとを入力すると、前記予測対象車両の内部の日射状態を予測した予測日射データを出力するものであり、
    前記予測条件取得部は、前記予測日時における前記予測条件データと前記太陽位置データに加え、前記予測対象車両の車両データを取得し、
    前記予測部は、前記学習器に対し、前記予測ベクトル算出部により算出された前記予測日射ベクトルと前記予測条件取得部により取得された前記車両データとを入力し、前記学習器の演算処理を実行することで、前記予測日時における前記予測対象車両の内部の日射状態を予測した予測日射データを、前記学習器から取得することを特徴とする請求項１記載の日射予測装置。
12. 車両に搭載される空調制御装置であって、
    請求項１記載の日射予測装置と、
    前記日射予測装置により予測された予測日射データを用いて、前記車両の内部の温度調整を行うように、前記車両に搭載された空調機器を制御する空調制御部とを備えることを特徴とする空調制御装置。
13. 予測条件取得部と、予測ベクトル算出部と、予測部とを備えた日射予測装置が行う日射予測方法であって、
    前記予測条件取得部が、予測日時における予測対象車両の位置及び向きを含む車両状態を示す予測条件データと前記予測日時における太陽の位置を示す太陽位置データとを取得し、
    前記予測ベクトル算出部が、前記予測条件取得部により取得された前記予測日時における前記予測条件データと前記太陽位置データとを用いて、前記予測日時において前記予測対象車両に照射される日射の方向及び強度を示す予測日射ベクトルを算出し、
    前記予測部が、過去の日時における車両の内部の日射状態を示す実績日射データと、前記車両に照射された日射の方向及び強度を示す日射ベクトルとを入力すると、前記車両の内部の日射状態を予測した予測日射データを出力する学習済みの学習器に対し、前記予測ベクトル算出部により算出された前記予測日射ベクトルを入力し、前記学習器の演算処理を実行することで、前記予測日時における前記予測対象車両の内部の日射状態を予測した予測日射データを、前記学習器から取得する日射予測方法。

Images