JP7446434B2 - サスペンション制御装置およびサスペンション装置の制御方法 - Google Patents

Description

本開示は、サスペンション制御装置およびサスペンション装置の制御方法に関する。

これまでのサスペンション制御は、車両状態を検出または推定し、それに応じたフィードバック制御を行っている（特許文献１参照）。フィードバック制御には、例えばスカイフック制御則やＢＬＱ（Bi-linear Optimal Control）が用いられている。

特開２０１４－６９７５９号公報

ところで、特許文献１に開示されたサスペンション制御装置は、スカイフック制御則、ＢＬＱなどの制御を用いている。しかしながら、これらの制御は、線形・双線形システムがベースの制御であるため、必ずしも最適な制御とは限らない。

一方、制御精度向上のため、直接最適制御の指令と車両状態を予め学習させ、学習結果の重み係数のみを用いて指令を算出するような機械学習を用いた制御が考えられる。しかしながら、機械学習を用いた制御では、制御指令の導出過程が分からないため、学習結果が正しいことを検証する手段がない虞れがある。そのため、例えば誤学習やＥＣＵ（電子制御ユニット）の偶発故障などが生じて、学習結果を用いた指令の算出結果が異常となった場合に、車両状態が不安定となる虞がある。

本発明の一実施形態の目的は、制御指令の算出結果を検証することができるサスペンション制御装置およびサスペンション装置の制御方法を提供することにある。

本発明の一実施形態は、車両の車体と車輪の間の力を調整する力発生機構を備えるサスペンション装置を制御するサスペンション制御装置であって、前記車両に設けられ、前記車両の車両状態量を推定する状態量算出部と、前記状態量算出部からの複数の異なる情報を入力することにより、事前に機械学習した学習結果を使って第１目標量を出力する第１指令算出部と、前記第１指令算出部とは異なる第２指令算出部と、前記第１目標量に基づき前記力発生機構を制御する制御指令を出力する制御指令出力部であって、前記第１目標量に基づき前記力発生機構を制御することによって前記状態量算出部による車両状態量が所定よりも大きくなる方向に作用する場合であって、前記第１指令算出部が出力する前記第１目標量の前記第２指令算出部が出力する第２目標量に対する乖離が所定量よりも大きいときに、前記第２目標量に対して前記所定量以内の値に前記第１目標量を制限して前記制御指令として出力する制御指令出力部と、を有している。

本発明の一実施形態は、車両の車体と車輪の間の力を調整する力発生機構を備えるサスペンション装置のコントローラの制御方法であって、前記コントローラは、前記車両の車両状態量を推定する状態量算出部からの複数の異なる情報を入力することにより、事前に機械学習した学習結果を使って第１指令算出部が第１目標量を出力する第１ステップと、前記第１目標量に基づき前記力発生機構を制御することによって車両状態量が所定よりも大きくなる方向に作用する場合であって、前記第１指令算出部とは異なる第２指令算出部が出力する第２目標量に対する前記第１目標量の乖離が所定量よりも大きいときに、前記第２目標量に対して前記所定量以内の値に前記第１目標量を制限して制御指令として前記力発生機構に出力する第２ステップと、を有している。

本発明の一実施形態によれば、制御指令の算出結果を検証することができる。

第１，第２の実施形態によるサスペンション制御装置を模式的に示す図である。 図１中のコントローラを示すブロック図である。 図２中の第１指令算出部のＤＮＮを学習する手順を示す説明図である。 制御指令出力部による制御指令制限処理を示す流れ図である。 変形例の制御指令出力部による制御指令異常判定処理を示す流れ図である。

以下、本発明の実施形態によるサスペンション制御装置およびサスペンション装置の制御方法を、４輪自動車に適用した場合を例に挙げ、添付図面に従って詳細に説明する。なお、図４、図５に示す流れ図の各ステップは、それぞれ「Ｓ」という表記を用いる（例えば、ステップ１は「Ｓ１」とする）。

図１ないし図４は、第１の実施形態を示している。図１において、車両のボディを構成する車体１の下側には、例えば左，右の前輪と左，右の後輪（以下、総称して車輪２という）が設けられている。これらの車輪２は、タイヤ３を含んで構成されている。タイヤ３は、路面の細かい凹凸を吸収するばねとして作用する。

サスペンション装置４は、車体１と車輪２との間に介装して設けられている。サスペンション装置４は、懸架ばね５（以下、スプリング５という）と、スプリング５と並列関係をなして車体１と車輪２との間に介装して設けられた減衰力調整式緩衝器（以下、可変ダンパ６という）とにより構成される。なお、図１は、１組のサスペンション装置４を、車体１と車輪２との間に設けた場合を模式的に図示している。４輪自動車の場合、サスペンション装置４は、４つの車輪２と車体１との間に個別に独立して合計４組設けられる。

ここで、サスペンション装置４の可変ダンパ６は、車体１側と車輪２側との間で調整可能な力を発生する力発生機構である。可変ダンパ６は、減衰力調整式の油圧緩衝器を用いて構成されている。可変ダンパ６には、発生減衰力の特性（即ち、減衰力特性）をハードな特性（硬特性）からソフトな特性（軟特性）に連続的に調整するため、減衰力調整バルブ等からなる減衰力可変アクチュエータ７が付設されている。なお、減衰力可変アクチュエータ７は、減衰力特性を必ずしも連続的に調整する構成でなくてもよく、例えば２段階以上の複数段階で減衰力を調整可能なものであってもよい。また、可変ダンパ６は、圧力制御タイプであってもよく、流量制御タイプであってもよい。

ばね上加速度センサ８は、車体１（ばね上）の上下加速度を検出する。ばね上加速度センサ８は、車体１の任意の位置に設けられている。ばね上加速度センサ８は、例えば可変ダンパ６の近傍となる位置で車体１に取り付けられている。ばね上加速度センサ８は、所謂ばね上側となる車体１側で上下方向の振動加速度を検出し、その検出信号を電子制御ユニット１１（以下、ＥＣＵ１１という）に出力する。

車高センサ９は、車体１の高さを検出する。車高センサ９は、例えばばね上側となる車体１側に、それぞれの車輪２に対応して複数個（例えば、４個）設けられている。即ち、各車高センサ９は、各車輪２に対する車体１の相対位置（高さ位置）を検出し、その検出信号をＥＣＵ１１に出力する。

路面計測センサ１０は、路面情報としての路面プロフィールを検出する路面プロフィール取得部を構成している。路面計測センサ１０は、例えば複数のミリ波レーダによって構成されている。路面計測センサ１０は、車両前方の路面状態（具体的には、検出対象の路面までの距離と角度、画面位置と距離を含む）を計測して検出する。路面計測センサ１０は、路面の検出値に基づき、路面プロフィールを出力する。

なお、路面計測センサ１０は、例えばミリ波レーダとモノラルカメラを組み合わせたものでもよく、特開２０１１－１３８２４４号公報等に記載のように、左，右一対の撮像素子（デジタルカメラ等）を含むステレオカメラによって構成されてもよい。路面計測センサ１０は、超音波距離センサ等によって構成されてもよい。

ＥＣＵ１１は、車両の姿勢制御等を含む挙動制御を行う制御装置として車両の車体１側に搭載されている。ＥＣＵ１１は、例えばマイクロコンピュータを用いて構成されている。ＥＣＵ１１は、データの記憶が可能なメモリ１１Ａを有している。ＥＣＵ１１は、コントローラ１２を備えている。メモリ１１Ａには、後述の制御指令制限処理のプログラム等が格納されている。

ＥＣＵ１１の入力側は、ばね上加速度センサ８、車高センサ９および路面計測センサ１０に接続されている。ＥＣＵ１１の出力側は、可変ダンパ６の減衰力可変アクチュエータ７に接続されている。ＥＣＵ１１は、ばね上加速度センサ８による上下方向の振動加速度の検出値と、車高センサ９による車高の検出値と、路面計測センサ１０による路面の検出値とに基づき、路面のプロフィールと車両状態量を取得する。コントローラ１２は、路面のプロフィールと車両状態量とに基づいて、サスペンション装置４の可変ダンパ６（力発生機構）で発生すべき力を求める。コントローラ１２は、可変ダンパ６で発生すべき力に基づいて命令信号（制御指令）を求め、その命令信号をサスペンション装置４の減衰力可変アクチュエータ７に出力する。

ＥＣＵ１１は、例えば車両が１０～２０ｍ程度を走行した数秒間に亘って、車両状態量と路面入力とデータをメモリ１１Ａに保存する。これにより、ＥＣＵ１１は、車両が所定の走行距離を走行したときの路面入力の時系列データ（路面プロフィール）と、車両状態量の時系列データとを生成する。

図２に示すように、ＥＣＵ１１のコントローラ１２は、状態量算出部１３、第１指令算出部１４、第２指令算出部１５および制御指令出力部１６を備えている。

状態量算出部１３は、ばね上加速度センサ８による上下方向の振動加速度の検出値と、車高センサ９による車高の検出値とに基づいて、車両状態量を求める。車両状態量には、例えば、車体１の上下方向の振動加速度（上下振動量）、車高、ばね上速度、相対速度（ピストン速度）、横加速度、ロール量、ピッチ量等が含まれている。

第１指令算出部１４は、複数の異なる情報を入力することにより、事前に機械学習した学習結果を使って第１目標量となる減衰力の第１指令値を出力する。学習結果は、ディープラーニングによる学習済みのディープニューラルネットワーク（ＤＮＮ）である。即ち、第１指令算出部１４は、ＤＮＮによって構成されている。第１指令算出部１４は、ＡＩ指令算出部であり、例えば４層以上の多層のニューラルネットワークによって構成されている。各層は、複数のニューロンを備えており、隣り合う２つの層のニューロンは、重み係数で結合されている。重み係数は、事前の学習によって設定されている。第１目標量は、例えばＤＮＮによって求められる目標減衰力である。具体的には、第１指令算出部１４は、ばね上加速度センサ８による上下方向の振動加速度の検出値と、車高センサ９による車高の検出値と、路面計測センサ１０による路面の検出値とに基づいて、路面入力の時系列データ（路面プロフィール）と、車両状態量の時系列データとを取得する。第１指令算出部１４は、路面入力の時系列データと、車両状態量の時系列データとに基づいて、最適指令値の時系列データを出力する。このとき、最新の最適指令値が、現時点の最適な減衰力の第１指令値に対応する。これにより、第１指令算出部１４は、現在の車両と路面に対して最も適切な減衰力の第１指令値を出力する。減衰力の第１指令値は、減衰力可変アクチュエータ７を駆動するための電流値に対応している。

なお、車両状態量の時系列データは、車体１の上下方向の振動加速度および車高の時系列データに限らず、ばね上速度、相対速度（ピストン速度）、前後加速度、横加速度、ロール量、ピッチ量等の時系列データを含んでもよい。

第２指令算出部１５は、例えば、乗り心地制御部であり、車両の乗り心地を向上させるための乗り心地制御指令を出力する。第２指令算出部１５は、機械学習を用いていない制御則を有し、車両状態量を入力することにより第２目標量となる減衰力の第２指令値を出力する。第２目標量は、例えば乗り心地制御部によって求められる目標減衰力である。第２指令算出部１５は、状態量算出部１３からばね上速度と、ばね上とばね下との間の相対速度（ピストン速度）とを取得する。第２指令算出部１５は、各輪のばね上速度と相対速度とに基づいて、乗り心地制御指令を出力する。このとき、乗り心地制御指令は、例えば減衰力可変アクチュエータ７への電流の指令信号となる制御指令値となっている。第２指令算出部１５は、例えばスカイフック制御則に基づいて、ばね上速度と相対速度とからばね上の上下振動を低減するための制御指令値を出力する。

なお、第１の実施形態では、第２指令算出部１５は、スカイフック制御に基づいて乗り心地制御指令を出力するものとした。本発明はこれに限らず、乗り心地制御部は、例えば双線形最適制御（ＢＬＱ制御）やＨ∞制御に基づいて乗り心地制御指令を出力してもよい。

第１の実施形態では、第２指令算出部１５は、乗り心地制御指令を出力した。これに限らず、第２指令算出部１５は、例えば、車両の操縦安定性を向上させるための操縦安定性制御指令を出力してもよい。この場合、第２指令算出部１５は、例えば車両状態量に含まれる前後加速度、横加速度、ロール量、ピッチ量、上下振動量等に基づいて、車両のロール、ダイブ、スクオット等を抑制する操縦安定性制御指令を出力する。さらに、第２指令算出部１５は、例えば乗り心地制御指令と操縦安定性制御指令のうちハード側の制御指令を優先させることによって、乗り心地制御指令と操縦安定性制御指令とを統合した制御指令を出力してもよい。

制御指令出力部１６は、指令制限部であって、第１指令値が制御の意図と反する指令になっていないか否かを判定し、必要に応じて第１指令値に制限をかける。制御指令出力部１６は、第１指令値（第１目標量）に基づき可変ダンパ６（力発生機構）を制御する制御指令を出力する。制御指令出力部１６は、第１指令値に基づき可変ダンパ６を制御することによって車両状態量が所定よりも大きくなる方向に作用する場合に、第１指令値を制限して制御指令として出力する。制御指令は、減衰力可変アクチュエータ７を駆動するための電流値に対応している。

制御指令出力部１６は、第１指令値の第２指令値に対する乖離が所定量よりも大きい場合に、第２指令値に対して所定量以内の値を制御指令として出力する。所定量は、第１指令値と第２指令値との差の許容範囲に対応しており、実験結果等によって適宜設定されている。制御指令出力部１６は、第１指令値が第２指令値に対する乖離が所定量よりも大きい場合に、第１指令値を制限して制御指令として出力する。制御指令出力部１６は、第１指令値の第２指令値に対する乖離が所定量よりも小さい場合は、第１指令値を制御指令として出力する。

次に、コントローラ１２の第１指令算出部１４の学習方法について、図３に示す説明図を参照して説明する。第１指令算出部１４は、（１）直接最適制御指令値探索、（２）指令値学習、（３）重み係数ダウンロードの処理を実行することによって、構築される。

まず、直接最適制御指令値探索を実行するために、車両モデル２１を含む解析モデル２０を構成する。図３には、車両モデル２１が１輪モデルの場合を例示した。車両モデル２１は、例えば左右一対の２輪モデルでもよい。車両モデル２１には、路面入力と、直接最適制御部２２から最適指令値が入力される。直接最適制御部２２は、以下に示す直接最適制御指令値探索の手順に従って、最適指令値を求める。（１）直接最適制御指令値探索 直接最適制御部２２は、事前に車両モデル２１を含む解析モデル２０を用いて、繰り返し演算により最適指令値を探索する。最適指令値の探索は、以下に示す最適制御問題と定式化し、最適化手法を用いて数値解析的に求める。

対象となる車両の運動は、状態方程式によって数１の式で表されるものとする。なお、式中のドットは、時間ｔによる１階微分（ｄ／ｄｔ）を意味する。

ここで、ｘは状態量、ｕは制御入力である。状態方程式の初期条件は、数２の式のように与えられる。

初期時刻ｔ0から終端時刻ｔｆまでの間に課せられる等式拘束条件と不等式拘束条件は、数３の式および数４の式のように表される。

最適制御問題は、数１の式に示す状態方程式と、数２の式に示す初期条件と、数３および数４の式に示す拘束条件を満足しつつ、数５の式に示す評価関数Ｊを最小にするような制御入力ｕ(ｔ)を求める問題である。

上記のような拘束条件付きの最適制御問題を解くのは、非常に困難である。このため、最適化手法として拘束条件を簡単に扱うことができる直接法を用いる。この手法は、最適制御問題をパラメタ最適化問題に変換し、最適化手法を用いて解を得る方法である。

最適制御問題をパラメタ最適化問題に変換するため、初期時刻ｔ0から終端時刻ｔｆまでをＮ個の区間に分割する。各区間の終端時刻をｔ1，ｔ2，…，ｔNと表すと、それらの関係は、数６に示す通りとなる。

連続的な入力ｕ(ｔ)は、数７に示すように、各区間の終端時刻における離散的な値ｕiで置き換えられる。

入力ｕ0，ｕ1，…，ｕNに対して状態方程式を初期条件ｘ0から数値積分し、各区間の終端時刻における状態量ｘ1，ｘ2，…，ｘNを求める。このとき、各区間内の入力は、各区間の終端時刻で与えられる入力を一次補間して求める。以上の結果、入力に対して状態量が決定され、これによって評価関数と拘束条件が表現される。よって、変換したパラメタ最適化問題は、次のように表すことができる。

最適化すべきパラメタをまとめてＸとすると、数８の式に示すようになる。

よって、数５の式に示す評価関数は、数９の式のように表される。

また、数３および数４の式に示す拘束条件は、数１０および数１１の式のように表される。

このようにして、前述のような最適制御問題は、数８ないし数１１の式で表されるパラメタ最適化問題に変換することができる。

路面に応じた最適制御指令を求める問題を最適制御問題として定式化するための評価関数Ｊは、上下加速度Ａzが最少となって乗り心地が良く、かつ制御指令値ｕを小さくするように、数１２の式のように定義する。ここで、ｑ1，ｑ2は重み係数である。ｑ1，ｑ2は、例えば実験結果等により予め設定されている。

直接最適制御部２２は、このように定式化したパラメタ最適問題を最適化手法により数値解析的に求め、様々な路面での最適指令値を導出する。（２）指令値学習 直接最適制御指令値探索により導出した最適指令値を出力とし、そのときの路面プロフィール、車両状態量を入力として、様々な路面の入出力を、人工知能となるＤＮＮ２３に学習させる。ＤＮＮ２３は、学習用のディープニューラルネットワークであり、車載用のＤＮＮ（第１指令算出部１４）と同じ構成になっている。ＤＮＮ２３には、路面プロフィールとして路面入力の時系列データと、車両状態量の時系列データとが入力される。このとき、路面入力と車両状態量とに対応して最適指令値の時系列データを教師データとして、ＤＮＮ２３におけるニューロン間の重み係数が求められる。（３）重み係数ダウンロード 指令値学習によって学習したＤＮＮ２３の重み係数を、実際のＥＣＵ１１の第１指令算出部１４となるＤＮＮに設定する。これにより、コントローラ１２の第１指令算出部１４が構成される。（４）最適指令値計算 第１指令算出部１４を含むコントローラ１２は、車両に搭載される。コントローラ１２の入力側には、ばね上加速度センサ８、車高センサ９および路面計測センサ１０が接続されている。コントローラ１２の出力側には、可変ダンパ６の減衰力可変アクチュエータ７に接続されている。コントローラ１２は、ばね上加速度センサ８、車高センサ９および路面計測センサ１０の検出信号に基づいて、路面入力と車両状態量とを取得する。コントローラ１２は、路面プロフィールとして路面入力の時系列データと、車両状態量の時系列データとを第１指令算出部１４に入力する。第１指令算出部１４は、路面入力と車両状態量の時系列データが入力されると、学習結果に応じて最適指令となる可変ダンパ６に対する第１指令値を出力する。

このように、直接最適制御部２２は、様々な条件において、直接最適制御指令をオフラインの数値最適化により導出する。その際の路面プロフィールおよび車両状態量と最適指令を人工知能(ＤＮＮ２３)に学習させる。この結果、ステップ毎の最適化を行うことなく、ＤＮＮ（第１指令算出部１４）を搭載したコントローラ１２（ＥＣＵ１１）によって、直接最適制御を実現することができる。

次に、図４を参照して、制御指令出力部１６による制御指令制限処理について説明する。

Ｓ１では、制御指令出力部１６は、第１指令値が制御の意図と反する値か否かを判定するための判定閾値として、第１指令値が正常と判定される所定範囲、即ち正常範囲を求める。

Ｓ２では、第１指令値が制御の意図と反する値か否かを判定する。制御の意図と反するか否かは、第１指令値と既存制御則による第２指令値との差が正常範囲を超えた状態の時間（正常範囲外の時間）が続くか否かで判定することができる。

正常範囲は、セミアクティブサスペンションからなるサスペンション装置４の動きに反対の結果を与える閾値によって設定される。サスペンション装置４の動きに反対の結果を与える場合には、例えば、既存制御則による第２指令算出部１５が基準よりも減衰率を高くしようとする場合に、ＡＩによる第１指令算出部１４では基準よりも低い指令となるときが含まれる。また、サスペンション装置４の動きに反対の結果を与える場合には、例えば、第２指令算出部１５が基準よりも減衰率を低くしようとする場合に、第１指令算出部１４では基準よりも高い指令となるときも含まれる。

一般的なセミアクティブダンパの制御では、普段は減衰率を低く、即ち柔らかくしておいて乗り心地をよくし、車体の運動を抑えたい場面では減衰率を高く、即ち硬くする。例えば、制御則（第２指令算出部１５）が比較的硬くする指令（第２指令値）を出すときに、ＡＩ（第１指令算出部１４）が比較的柔らかくする指令（第１指令値）を出す場面が長く続くのは異常であると考えられる。ここで、比較的硬い、柔らかい、の判断をする閾値を基準とする。この基準は、車速や車両の状態によって異なる。

制御の意図は、車速等の車両状態に応じて変化する。このため、第２指令値に対する第１指令値の正常範囲（所定量の範囲内）の幅は、車両状態によって変化可能としてもよい。一般的なセミアクティブダンパの制御では、普段は柔らかい状態にする。しかしながら、車速に応じて、普段の状態での硬さや、制御が介入するときの量を変えるチューニングをする。このため、比較的硬い、柔らかいの範囲が変化する。その結果、制御する範囲が狭まれば、正常範囲も狭くなり、基準が変化します。一例を挙げると、第２指令値に対する第１指令値の正常範囲は、低速走行状態で広くなり、高速走行状態で狭くなる。

また、第１指令値が制御の意図と反する値か否かは、車両状態を明らかに不安定にする指令か否かという点からも判定する。車両状態を明らかに不安定にする指令として、例えば（ａ）車体がロール状態にある時にさらにロールを助長するような指令、（ｂ）車体がピッチ状態にある場合にさらにピッチを助長するような指令、（ｃ）車体が上下振動中に、振動をさらに助長するような指令などが考えられる。

このため、制御指令出力部１６は、ロール量が所定量よりも大きい状態にあるときに、第１指令値に基づき可変ダンパ６を制御することによってロール量が更に大きくなる場合に、第１指令値を制限して制御指令として出力する。このとき、ロール量の所定量は、例えば車両がロールしているときに、これ以上ロールが大きくなると操縦安定性に影響を及ぼすと考えられるようなロールの大きさと判断できる量である。

制御指令出力部１６は、ピッチ量が所定量よりも大きい状態にあるときに、第１指令値に基づき可変ダンパ６を制御することによってピッチ量が更に大きくなる場合に、第１指令値を制限して制御指令として出力する。制御指令出力部１６は、上下振動量が所定量よりも大きい状態にあるときに、第１指令値に基づき可変ダンパ６を制御することによって上下振動量が更に大きくなる場合に、第１指令値を制限して制御指令として出力する。ピッチ量の所定量および上下振動量の所定量も、ロール量の所定量と同様に、操縦安定性に対する影響を考慮して設定されている。この場合、制御指令出力部１６は、ロール量、ピッチ量、上下振動量について、それぞれ個別の正常範囲（所定量）を有している。

車両の不安定状態を抑制するような制御機能は、例えばＡＢＳ（アンチロックブレーキシステム）、ＴＣＳ（トラクションコントロールシステム）などによって構成されている。このような制御機能は、車両状態に応じて有効と無効が切り替わると共に、効果の大きさも制御される。このため、第１指令値が制御の意図と反する値か否かの判定条件についても、同様に有効と無効の切り替えや閾値を変更して判定する。

Ｓ２では、第１指令値が正常範囲の下限値Ｉminと上限値Ｉmaxとの間の値か否かを判定する。第１指令値が正常範囲内の値である場合には、そのまま第１指令値を制御指令として採用する（Ｓ５）。即ち、第１指令値が正常範囲内の値となるときには、Ｓ５に移行して、制御指令を現在の第１指令値に設定する。

一方、正常範囲外の場合には、正常範囲の制限値を制御指令として出力する（Ｓ３、Ｓ４）。例えば、第１指令値が下限値Ｉminよりも小さいときには、Ｓ４に移行して、制御指令を下限値Ｉminに設定する。第１指令値が上限値Ｉmaxよりも大きいときには、Ｓ３に移行して、制御指令を上限値Ｉmaxに設定する。これにより、制御の意図に反した制御指令によって車両状態が不安定になることを避けることができる。

Ｓ６では、第１指令値が正常範囲外となる状態が予め決められた一定時間以上にわたって継続しているか否かを判定する。このとき、一定時間は、ノイズやセンサ精度等の影響によるものではなく、第１指令算出部１４が明らかに異常であると判定できる時間であり、実験結果等に基づいて適宜設定されている。第１指令値が正常範囲外となる状態が長く続いた場合には、Ｓ６で「ＹＥＳ」と判定し、Ｓ７に移行する。即ち、制御指令出力部１６は、第１指令値の第２指令値に対する乖離が所定量よりも大きい状態が所定時間よりも長く続いた場合に、異常状態と判断する。Ｓ７では、ＡＩからなる第１指令算出部１４に異常があると判定し、異常状態を車両システムに通知する。制御指令出力部１６は、異常状態と判断した場合、異常状態を記録すると共に車両において運転者へ通知する信号を出力する。これにより、例えば追加の学習を実施する、ＡＩ（第１指令算出部１４）を管理するデータベースへの通信、またはディーラでのメンテナンスを促すなどの必要な措置を取ることができる。

なお、異常判定時には、フェールセーフモードとして、既存制御則（例えば、第２指令算出部１５）に置き換えて制御を継続してもよい。即ち、制御指令出力部１６は、異常状態の場合、第２指令値を制御指令として出力してもよい。一方、第１指令値が正常範囲外となる状態が一定時間よりも短い場合には、Ｓ６で「ＮＯ」と判定し、処理を終了する。

かくして、本実施形態によれば、制御指令出力部１６は、第１指令値（第１目標量）に基づき可変ダンパ６（力発生機構）を制御する制御指令を出力する。制御指令出力部１６は、第１指令値に基づき可変ダンパ６を制御することによって車両状態量が所定よりも大きくなる方向に作用する場合に、第１指令値を制限して制御指令として出力する。

制御指令出力部１６は、ＡＩ（ＤＮＮ）の算出した制御指令（第１指令値）に対して、車両を安定的に動作させ得る正常範囲を求めて、正常範囲内（上限または下限）で可変ダンパ６を制御する。これによって、車両挙動の安定を担保すると共に、ＡＩの算出した第１指令値の正しさをチェックし、ＡＩの学習状態が正常であるか否かを確認することができる。

第１指令算出部１４は、事前に機械学習した学習結果を使って第１目標量となる第１指令値を出力する。学習結果は、ディープラーニングによる学習済みニューラルネットワーク（ＤＮＮ）である。このとき、第１指令算出部１４のＤＮＮは、事前に評価関数Ｊを最小となるように最適化手法によって求められた指令値と車両状態量を学習している。これにより、車両状態量に応じた真に最適な指令により制御することが可能となる。

制御指令出力部１６は、第１指令値の第２指令値に対する乖離が所定量よりも大きい場合に、第２指令値に対して所定量以内の値を制御指令として出力する。これにより、第１指令算出部１４の算出した第１指令値（制御量）が車両の不安定状態を助長するか否かを別の制御則と比較して判断することができる。

第２指令算出部１５は、機械学習を用いていない制御則を有し、車両状態量を入力することにより第２目標量となる減衰力の第２指令値を出力する。具体的には、第２指令算出部１５は、学習させていない既存の制御則（スカイフック制御、ＢＬＱ制御など）を用いる。このとき、第２指令算出部１５は従来からある制御則を用いるので、第２指令値の信頼性が高い。制御指令出力部１６は、このような信頼性の高い制御則を用いて第１指令値を制限する。これにより、異常状態に陥ることを抑制することができる。

制御指令出力部１６は、第１指令値の第２指令値に対する乖離が所定量よりも小さい場合は、第１指令値を制御指令として出力する。第１指令値と第２指令値とを比較した結果、正常範囲内である場合は、制御指令出力部１６は、制御指令としてそのまま第１指令値を出力する。

一方、正常範囲外の場合には、制御指令出力部１６は、制御指令として第１指令値を正常範囲の制限値に制限して出力する。即ち、制御指令出力部１６は、第１指令値が第２指令値に対する乖離が所定量よりも大きい場合に、第１指令値を制限して制御指令として出力する。これにより、第１指令値が第２指令値から正常範囲を超えて乖離した場合に、第１指令値に制限をかけることができる。この結果、制御の意図に反した指令によって車両状態が不安定になることを避けることができる。

制御の意図は、車速等の車両状態に応じて変化する。このため、第２指令値に対する第１指令値の正常範囲（所定量の範囲内）の幅は、車両状態によって変化させる。この結果、制御指令出力部１６は、より制御の意図に合った制御指令を出力することができる。

制御指令出力部１６は、ロール量が所定量よりも大きい状態にあるときに、第１指令値に基づき可変ダンパ６を制御することによってロール量が更に大きくなる場合に、第１指令値を制限して制御指令として出力する。これにより、車体がロール状態にあるときに、さらにロールを助長するような制御指令を制限することができる。

制御指令出力部１６は、ピッチ量が所定量よりも大きい状態にあるときに、第１指令値に基づき可変ダンパ６を制御することによって前記ピッチ量が更に大きくなる場合に、第１指令値を制限して制御指令として出力する。これにより、車体がピッチ状態にあるときに、さらにピッチを助長するような制御指令を制限することができる。

制御指令出力部１６は、上下振動量が所定量よりも大きい状態にあるときに、第１指令値に基づき可変ダンパ６を制御することによって上下振動量が更に大きくなる場合に、第１指令値を制限して制御指令として出力する。これにより、車体が上下振動状態にあるときに、振動をさらに助長するような制御指令を制限することができる。

制御指令出力部１６は、第１指令値の第２指令値に対する乖離が所定量よりも大きい状態が所定時間よりも長く続いた場合に、異常状態と判断する。これにより、正常範囲外の指令が長く続いた場合、制御指令出力部１６は、ＡＩに異常があると判定し、異常状態を車両システムに通知することができる。この結果、例えば追加の学習を実施することができる。

制御指令出力部１６は、異常状態と判断した場合、異常状態を記録すると共に車両において運転者へ通知する信号を出力する。これにより、ＡＩを管理するデータベースへの通信、またはディーラでのメンテナンスを促すなどの必要な措置を取ることができる。

制御指令出力部１６は、異常状態の場合、第２指令値を制御指令として出力する。これにより、異常判定時には、フェールセーフモードとして、既存の制御則に置き換えて制御を継続することができる。

次に、図１および図２は第２の実施形態を示している。第２の実施形態の特徴は、第２指令算出部は、第１指令算出部とは異なる条件により事前に機械学習した第２学習結果を有し、第２学習結果と複数の異なる情報から第２目標量を出力することにある。なお、第２の実施形態では、上述した第１の実施形態と同一の構成要素に同一の符号を付し、その説明を省略する。

第２の実施形態によるコントローラ３０は、第１の実施形態によるコントローラ１２とほぼ同様に構成されている。コントローラ３０は、状態量算出部１３、第１指令算出部１４、第２指令算出部３１および制御指令出力部３２を備えている。

第２指令算出部３１は、第１指令算出部１４とは異なる条件により、複数の異なる情報を入力することにより、事前に機械学習した第２学習結果を使って第２目標量となる減衰力の第２指令値を出力する。第２学習結果は、ディープラーニングによる学習済みのディープニューラルネットワーク（ＤＮＮ）である。即ち、第２指令算出部３１は、第１指令算出部１４とは異なる条件により事前に機械学習したディープニューラルネットワーク（ＤＮＮ）によって構成されている。第２指令算出部３１は、診断用ＡＩ指令算出部であり、第１指令算出部１４とは異なる学習データによって学習したＡＩ（ＤＮＮ）によって構成されている。このとき、異なる学習データとは、例えば、学習元となるデータについて、出力となる指令を算出する手段が異なるデータ、入力となる路面が異なるデータ、あるいは、そのいずれも異なるデータを指す。第２指令算出部３１の学習方法は、例えば、第１指令算出部１４と同様である。

第２指令算出部３１は、例えば４層以上の多層のニューラルネットワークによって構成されている。各層は、複数のニューロンを備えており、隣り合う２つの層のニューロンは、重み係数で結合されている。重み係数は、事前の学習によって設定されている。第２指令算出部３１のＤＮＮは、第１指令算出部１４のＤＮＮと同じ層数やニューロン数を有していてもよく、異なる層数やニューロン数を有していてもよい。

第２目標量は、ＤＮＮによって求められる目標減衰力である。具体的には、第２指令算出部３１は、ばね上加速度センサ８による上下方向の振動加速度の検出値と、車高センサ９による車高の検出値と、路面計測センサ１０による路面の検出値とに基づいて、路面入力の時系列データ（路面プロフィール）と、車両状態量の時系列データとを取得する。第２指令算出部３１は、路面入力の時系列データと、車両状態量の時系列データとに基づいて、最適指令値の時系列データを出力する。このとき、最新の最適指令値が、現時点の最適な減衰力の第２指令値に対応する。これにより、第２指令算出部３１は、現在の車両と路面に対して最も適切な減衰力の第２指令値を出力する。減衰力の第２指令値は、減衰力可変アクチュエータ７を駆動するための電流値に対応している。

なお、車両状態量の時系列データは、車体１の上下方向の振動加速度および車高の時系列データに限らず、ばね上速度、相対速度（ピストン速度）、前後加速度、横加速度、ロール量、ピッチ量等の時系列データを含んでもよい。

制御指令出力部３２は、第１の実施形態による制御指令出力部１６と同様に構成されている。制御指令出力部３２は、指令制限部であって、制御の意図と反する指令になっていないかどうかを判定し、必要に応じて制限をかける。

制御指令出力部３２は、第１指令値（第１目標量）に基づき可変ダンパ６（力発生機構）を制御する制御指令を出力する。制御指令出力部３２は、第１指令値に基づき可変ダンパ６を制御することによって車両状態量が所定よりも大きくなる方向に作用する場合に、第１指令値を制限して制御指令として出力する。

このため、制御指令出力部３２は、第１指令値の第２指令値に対する乖離が所定量よりも大きい場合に、第２指令値に対して所定量以内の値を制御指令として出力する。制御指令出力部３２は、第１指令値が第２指令値に対する乖離が所定量よりも大きい場合に、第１指令値を制限して制御指令として出力する。制御指令出力部３２は、第１指令値の第２指令値に対する乖離が所定量よりも小さい場合は、第１指令値を制御指令として出力する。制御指令出力部３２は、第１の実施形態による制御指令出力部１６と同様に、図４に示す制御指令制限処理を実行する。所定量は、第１指令値と第２指令値との差の許容範囲に対応しており、実験結果等によって適宜設定されている。

かくして、第２の実施形態でも、第１の実施形態とほぼ同様の作用効果を得ることができる。また、第２の実施形態では、第２指令算出部３１も、第１指令算出部１４と同様に、ディープラーニングによって学習したＤＮＮによって構成されている。このとき、第２指令算出部３１は、第１指令算出部１４とは異なる条件により事前に機械学習した第２学習結果として、学習済みのディープニューラルネットワーク（ＤＮＮ）によって構成されている。このため、異なる学習済みのＡＩを比較対象にすることによって、車両挙動の安定を担保すると共に、ＡＩの算出した第１指令値の正しさをチェックし、ＡＩの学習状態が正常であるか否かを確認することができる。

制御指令出力部３２は、第１指令値が第２指令値に対する乖離が所定量よりも大きい場合に、第１指令値を制限して制御指令として出力する。第１指令値が第２指令値から正常範囲を超えて乖離した場合に、第１指令値に制限をかけることができる。

第２の実施形態では、コントローラ３０は、診断用ＡＩ指令算出部となる第２指令算出部３１を１つ備えるものとした。これに限らず、コントローラは、診断用ＡＩ指令算出部は複数備えてもよい。その場合、読み込むＡＩは、各々が異なる学習データによって学習したＡＩとする。複数の診断用ＡＩ指令算出部を備えた場合には、多数決によって正常な２つのＡＩを判定することができる。このため、さらに異常が発生するまでは、正常なＡＩを用いて制御を継続することができる。

そのような変形例の場合には、制御指令出力部は、図５に示す制御指令異常判定処理を複数回実施する。制御指令出力部は、ＡＩ指令算出部（第１指令算出部）に複数の診断用ＡＩ指令算出部（第２指令算出部）を加えた複数のＡＩ指令算出部から任意の２つのＡＩ指令算出部を選択する。制御指令出力部は、選択された２つのＡＩ指令算出部のうち一方を判定対象となるＡＩ指令算出部とし、他方を診断用ＡＩ指令算出部とする。

Ｓ１１では、判定対象となるＡＩ指令算出部の指令と、診断用ＡＩ指令算出部の指令を比較する。Ｓ１１では、これら２つの指令の差が所定量（正常範囲）を超えて大きいか否かを判定する。指令の差が正常範囲であれば、Ｓ１１で「ＮＯ」と判定し、Ｓ１４に移行する。Ｓ１４では、判定対象となるＡＩ指令算出部の指令を採用し、処理を終了する。

指令の差が正常範囲を超えて大きい場合には、異常状態であるとして、Ｓ１１で「ＹＥＳ」と判定し、Ｓ１２に移行する。Ｓ１２では、異常状態が一定時間以上継続しているか否かを判定する。異常状態が一定時間よりも短い場合には、異常は一時的なものであるとして、Ｓ１２で「ＮＯ」と判定し、Ｓ１４に移行する。異常状態が一定時間以上継続した場合には、Ｓ１２で「ＹＥＳ」と判定し、Ｓ１３に移行する。Ｓ１３では、判定対象となるＡＩ指令算出部が異常であると判定し、処理を終了する。

以上の異常判定処理を、全てのＡＩ指令算出部に対して実施する。これにより、ＡＩ指令算出部の指令に異常が発生した場合には、異常なＡＩを含む比較診断のみ異常判定となり、正常なＡＩ同士の診断は正常判定となる。このため、正常判定となったＡＩ指令算出部の指令を用いてサスペンション装置の制御を継続することができる。

なお、未学習の路面を走行した場合は、路面プロフィールを記憶してもよく、外部サーバに送信してもよい。この場合、直接最適制御部は、新たに取得した未学習の路面プロフィールに基づいて、最適指令値を求める。その後、路面プロフィールと最適指令値を追加してＤＮＮのニューロン間の重み係数を再度学習する。学習が完了した後、車両に搭載した重み係数算出マップの重み係数を更新する。これにより、次に同じ路面を走行するときには、重み係数算出マップは、更新データに基づく新たな重み係数をＤＮＮに設定する。このため、ＤＮＮを用いて可変ダンパ６の減衰力を最適制御することができる。

前記各実施形態では、状態量算出部１３は、ばね上加速度センサ８による上下方向の振動加速度の検出値と、車高センサ９による車高の検出値とに基づいて、車両状態量を求めるものとした。本発明はこれに限らず、状態量算出部は、例えば上下方向の振動加速度の検出値、車高の検出値に加えて、例えば車速等のような車両状態に関係する情報をＣＡＮ（Controller Area Network）からの信号に基づいて取得し、これらの情報を考慮して車両状態量を算出または推定してもよい。

前記各実施形態では、第１指令算出部１４、第２指令算出部３１は、ニューラルネットワークを備えるものとした。本発明はこれに限らず、第１指令算出部は、複数の異なる車両状態量に対して、複数の目標量の組を入出力データの組として学習可能であれば、ニューラルネットワークを備えなくてもよい。

前記各実施形態では、路面プロフィールは、路面計測センサ１０によって検出されるものとした。本発明はこれに限らず、路面プロフィールは、例えばＧＰＳデータを基にしてサーバから情報を取得してもよく、車車間通信により他車から情報を取得してもよい。また、路面プロフィールは、ばね上加速度センサ８による上下方向の振動加速度の検出値と、車高センサ９による車高の検出値とに基づき推定してもよい。

前記各実施形態では、第１指令算出部１４は、車両状態量と路面情報（路面プロフィール）に基づいて目標量（目標減衰力）を演算するものとした。本発明はこれに限らず、第１指令算出部は、路面情報を省き、車両状態量のみに基づいて目標量を演算してもよい。この場合、第１指令算出部は、複数の異なる車両状態量に対して、事前に準備された所定の評価手法を用いて得られる複数の目標量の組を入出力データの組として前記第１指令算出部（ＤＮＮ）に学習させることにより得られる学習結果を用いて前記演算を行う。

前記各実施形態では、第１目標量、第２目標量が目標減衰力に基づく第１指令値、第２指令値である場合を例示したが、目標減衰係数に基づく第１指令値、第２指令値でもよい。

前記各実施形態では、力発生機構としてセミアクティブダンパからなる可変ダンパ６である場合を例に説明した。本発明はこれに限らず、力発生機構としてアクティブダンパ（電気アクチュエータ、油圧アクチュエータのいずれか）を用いるようにしてもよい。前記各実施形態では、車体１側と車輪２側との間で調整可能な力を発生する力発生機構を、減衰力調整式の油圧緩衝器からなる可変ダンパ６により構成する場合を例に挙げて説明した。本発明はこれに限らず、例えば力発生機構を液圧緩衝器の他に、エアサスペンション、スタビライザ（キネサス）、電磁サスペンション等により構成してもよい。

前記各実施形態では、４輪自動車に用いる車両挙動装置を例に挙げて説明した。しかし、本発明はこれに限るものではなく、例えば２輪、３輪自動車、または作業車両、運搬車両であるトラック、バス等にも適用できる。

前記各実施形態は例示であり、異なる実施の形態で示した構成の部分的な置換または組み合わせが可能である。

次に、上記実施形態に含まれるサスペンション制御装置およびサスペンション装置の制御方法として、例えば、以下に述べる態様のものが考えられる。

第１の態様としては、車両の車体と車輪の間の力を調整する力発生機構を備えるサスペンション装置を制御するサスペンション制御装置であって、複数の異なる情報を入力することにより、事前に機械学習した学習結果を使って第１目標量を出力する第１指令算出部と、前記第１目標量に基づき前記力発生機構を制御する制御指令を出力する制御指令出力部であって、前記第１目標量に基づき前記力発生機構を制御することによって車両状態量が所定よりも大きくなる方向に作用する場合に、前記第１目標量を制限して前記制御指令として出力する制御指令出力部と、を有している。

第２の態様としては、第１の態様において、前記学習結果はディープラーニングによる学習済みニューラルネットワークである。

第３の態様としては、第２の態様において、前記第１指令算出部とは異なる第２指令算出部を有し、前記制御指令出力部は、前記第１目標量の前記第２指令算出部が出力する第２目標量に対する乖離が所定量よりも大きい場合に、前記第２目標量に対して前記所定量以内の値を前記制御指令として出力する。

第４の態様としては、第３の態様において、前記第２指令算出部は、機械学習を用いていない制御則を有し、前記車両状態量を入力することにより前記第２目標量を出力する。

第５の態様としては、第４の態様において、前記第２目標量に対する前記第１目標量の所定範囲の幅は、車両状態によって可変する。

第６の態様としては、第３の態様において、前記第２指令算出部は、前記第１指令算出部とは異なる条件により事前に機械学習した第２学習結果を有し、前記第２学習結果と前記複数の異なる情報から前記第２目標量を出力する。

第７の態様としては、第６の態様において、前記制御指令出力部は、前記第１目標量が前記第２目標量に対する乖離が所定量よりも大きい場合に、前記第１目標量を制限して前記制御指令として出力する。

第８の態様としては、第３の態様において、前記制御指令出力部は、前記第１目標量の前記第２指令算出部が出力する前記第２目標量に対する乖離が所定量よりも小さい場合は、前記第１目標量を前記制御指令として出力する。

第９の態様としては、第３の態様において、前記制御指令出力部は、前記第１目標量の前記第２指令算出部が出力する前記第２目標量に対する乖離が所定量よりも大きい状態が所定時間よりも長く続いた場合に、異常状態と判断する。

第１０の態様としては、第９の態様において、前記制御指令出力部は、前記異常状態と判断した場合、前記異常状態を記録すると共に前記車両において運転者へ通知する信号を出力する。

第１１の態様としては、第９の態様において、前記制御指令出力部は、前記異常状態の場合、前記第２目標量を前記制御指令として出力する。

第１２の態様としては、第１の態様において、前記車両状態量は、前記車体のロール量であって、前記制御指令出力部は、前記ロール量が所定量よりも大きい状態にあるときに、前記第１目標量に基づき前記力発生機構を制御することによって前記ロール量がさらに大きくなる場合に、前記第１目標量を制限して前記制御指令として出力する。

第１３の態様としては、第１の態様において、前記車両状態量は、前記車体のピッチ量であって、前記制御指令出力部は、前記ピッチ量が所定量よりも大きい状態にあるときに、前記第１目標量に基づき前記力発生機構を制御することによって前記ピッチ量がさらに大きくなる場合に、前記第１目標量を制限して前記制御指令として出力する。

第１４の態様としては、第１の態様において、前記車両状態量は、前記車体の上下振動量であって、前記制御指令出力部は、前記上下振動量が所定量よりも大きい状態にあるときに、前記第１目標量に基づき前記力発生機構を制御することによって前記上下振動量がさらに大きくなる場合に、前記第１目標量を制限して前記制御指令として出力する。

第１５の態様としては、車両の車体と車輪の間の力を調整する力発生機構を備えるサスペンション装置の制御方法であって、複数の異なる情報を入力することにより、事前に機械学習した学習結果を使って第１目標量を出力する第１ステップと、前記第１目標量に基づき前記力発生機構を制御することによって車両状態量が所定よりも大きくなる方向に作用する場合に、前記第１目標量を制限して制御指令として前記力発生機構に出力する第２ステップと、を有している。

第１６の態様としては、第１５の態様において、前記学習結果は、ディープラーニングによる学習済みニューラルネットワークである。

尚、本発明は上記した実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、また、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

本願は、２０２０年７月３１日付出願の日本国特許出願第２０２０－１３０３０６号に基づく優先権を主張する。２０２０年７月３１日付出願の日本国特許出願第２０２０－１３０３０６号の明細書、特許請求の範囲、図面、及び要約書を含む全開示内容は、参照により本願に全体として組み込まれる。

１ 車体 ２ 車輪 ３ タイヤ ４ サスペンション装置 ５ 懸架ばね（スプリング） ６ 可変ダンパ（力発生機構） ７ 減衰力可変アクチュエータ ８ ばね上加速度センサ ９ 車高センサ １０ 路面計測センサ １１ ＥＣＵ １２，３０ コントローラ １３ 状態量算出部 １４ 第１指令算出部 １５，３１ 第２指令算出部 １６，３２ 制御指令出力部

Claims (14)

1. 車両の車体と車輪の間の力を調整する力発生機構を備えるサスペンション装置を制御するサスペンション制御装置であって、
   前記車両に設けられ、前記車両の車両状態量を推定する状態量算出部と、
   前記状態量算出部からの複数の異なる情報を入力することにより、事前に機械学習した学習結果を使って第１目標量を出力する第１指令算出部と、
   前記第１指令算出部とは異なる第２指令算出部と、
   前記第１目標量に基づき前記力発生機構を制御する制御指令を出力する制御指令出力部であって、前記第１目標量に基づき前記力発生機構を制御することによって前記状態量算出部による車両状態量が所定よりも大きくなる方向に作用する場合であって、前記第１指令算出部が出力する前記第１目標量の前記第２指令算出部が出力する第２目標量に対する乖離が所定量よりも大きいときに、前記第２目標量に対して前記所定量以内の値に前記第１目標量を制限して前記制御指令として出力する制御指令出力部と、
   を有するサスペンション制御装置。
2. 請求項１に記載のサスペンション制御装置において、
   前記学習結果はディープラーニングによる学習済みニューラルネットワークであるサスペンション制御装置。
3. 請求項２に記載のサスペンション制御装置において、
   前記第２指令算出部は、機械学習を用いていない制御則を有し、前記車両状態量を入力することにより前記第２目標量を出力するサスペンション制御装置。
4. 請求項３に記載のサスペンション制御装置において、
   前記第２目標量に対する前記第１目標量の所定範囲の幅は、車両状態によって可変するサスペンション制御装置。
5. 請求項２に記載のサスペンション制御装置において、
   前記第２指令算出部は、前記第１指令算出部とは異なる条件により事前に機械学習した第２学習結果を有し、前記第２学習結果と前記複数の異なる情報から前記第２目標量を出力するサスペンション制御装置。
6. 請求項２に記載のサスペンション制御装置において、
   前記制御指令出力部は、前記第１目標量の前記第２指令算出部が出力する前記第２目標量に対する乖離が所定量よりも小さい場合は、前記第１目標量を前記制御指令として出力するサスペンション制御装置。
7. 請求項２に記載のサスペンション制御装置において、
   前記制御指令出力部は、前記第１目標量の前記第２指令算出部が出力する前記第２目標量に対する乖離が所定量よりも大きい状態が所定時間よりも長く続いた場合に、異常状態と判断するサスペンション制御装置。
8. 請求項７に記載のサスペンション制御装置において、
   前記制御指令出力部は、前記異常状態と判断した場合、前記異常状態を記録すると共に前記車両において運転者へ通知する信号を出力するサスペンション制御装置。
9. 請求項７に記載のサスペンション制御装置において、
   前記制御指令出力部は、前記異常状態の場合、前記第２目標量を前記制御指令として出力するサスペンション制御装置。
10. 請求項１に記載のサスペンション制御装置において、
    前記車両状態量は、前記車体のロール量であって、
    前記制御指令出力部は、前記ロール量が所定量よりも大きい状態にあるときに、前記第１目標量に基づき前記力発生機構を制御することによって前記ロール量がさらに大きくなる場合に、前記第１目標量を制限して前記制御指令として出力するサスペンション制御装置。
11. 請求項１に記載のサスペンション制御装置において、
    前記車両状態量は、前記車体のピッチ量であって、
    前記制御指令出力部は、前記ピッチ量が所定量よりも大きい状態にあるときに、前記第１目標量に基づき前記力発生機構を制御することによって前記ピッチ量がさらに大きくなる場合に、前記第１目標量を制限して前記制御指令として出力するサスペンション制御装置。
12. 請求項１に記載のサスペンション制御装置において、
    前記車両状態量は、前記車体の上下振動量であって、
    前記制御指令出力部は、前記上下振動量が所定量よりも大きい状態にあるときに、前記第１目標量に基づき前記力発生機構を制御することによって前記上下振動量がさらに大きくなる場合に、前記第１目標量を制限して前記制御指令として出力するサスペンション制御装置。
13. 車両の車体と車輪の間の力を調整する力発生機構を備えるサスペンション装置のコントローラの制御方法であって、
    前記コントローラは、前記車両の車両状態量を推定する状態量算出部からの複数の異なる情報を入力することにより、事前に機械学習した学習結果を使って第１指令算出部が第１目標量を出力する第１ステップと、
    前記第１目標量に基づき前記力発生機構を制御することによって前記状態量算出部による車両状態量が所定よりも大きくなる方向に作用する場合であって、前記第１指令算出部とは異なる第２指令算出部が出力する第２目標量に対する前記第１目標量の乖離が所定量よりも大きいときに、前記第２目標量に対して前記所定量以内の値に前記第１目標量を制限して制御指令として前記力発生機構に出力する第２ステップと、
    を有するサスペンション装置の制御方法。
14. 請求項１３に記載のサスペンション装置の制御方法において、
    前記学習結果は、ディープラーニングによる学習済みニューラルネットワークであるサスペンション装置の制御方法。