JP7451946B2

JP7451946B2 - 制御装置

Info

Publication number: JP7451946B2
Application number: JP2019202587A
Authority: JP
Inventors: 彰人山本
Original assignee: Aisin Seiki Co Ltd; Aisin Corp
Current assignee: Aisin Corp
Priority date: 2019-11-07
Filing date: 2019-11-07
Publication date: 2024-03-19
Anticipated expiration: 2039-11-07
Also published as: US20210138862A1; JP2021077030A; DE102020128323A1; US11951791B2; CN112776553A

Description

本開示は、制御装置に関する。

従来、時系列データを検出するセンサからの出力に基づくセンサ信号に基づく制御を実行するにあたり、センサ信号に含まれる高周波帯域のノイズをローパスフィルタによって低減する技術が知られている。

特開２０１９－１３５１２０号公報

しかしながら、上記のような従来の技術では、低周波帯域のノイズを低減しきることができないとともに、高周波帯域において位相の遅れが発生することがある。この場合、センサ信号に基づく制御の性能が低下することがある。

そこで、本開示の課題の一つは、センサ信号のノイズをより適切に低減し、センサ信号に基づく制御の性能が低下するのを抑制することが可能な制御装置を提供することである。

本開示の一例としての制御装置は、時系列データを検出するセンサからの出力に基づくセンサ信号であって、ノイズを含んだセンサ信号を取得し、センサ信号に対応したノイズを含む第１信号と、ノイズが除去された第１信号を示す第２信号と、の対応関係を学習するようにトレーニングされたリカレントニューラルネットワークに基づいて、センサ信号に含まれるノイズを低減するノイズ低減処理部と、ノイズ低減処理部からの出力に基づいてアクチュエータを制御する制御処理部と、を備える。

上述した制御装置によれば、適切にトレーニングされたリカレントニューラルネットワークに基づいて、センサ信号のノイズをより適切に低減し、センサ信号に基づく制御の性能が低下するのを抑制することができる。

上述した制御装置において、センサは、車両の状態量に関する時系列データを検出する状態量センサを含む。このような構成によれば、車両の状態量に関する時系列データを利用した制御の性能が低下するのを抑制することができる。

この場合において、状態量センサは、車両の状態量としての車両の上下方向の変位に関する時系列データを検出する変位センサを含み、アクチュエータは、車両のサスペンションを制御するサスペンションアクチュエータを含む。このような構成によれば、車両の上下方向の変位に関する時系列データを利用したサスペンションの制御の性能が低下するのを抑制することができる。

また、上述した制御装置は、センサとノイズ低減処理部との間に設けられ、センサからの出力に対する信号処理を実行する信号処理部をさらに備え、ノイズ低減処理部は、信号処理部からの出力をセンサ信号として取得し、当該センサ信号に含まれる、少なくともセンサによる時系列データの検出時に発生するノイズおよび信号処理に起因して発生するノイズを低減する。このような構成によれば、少なくともセンサによる時系列データの検出時に発生するノイズおよび信号処理部による信号処理部による信号処理に起因して発生するノイズを低減し、信号処理の結果の精度を向上させ、当該信号処理の結果に基づく制御の性能が低下するのを抑制することができる。

この場合において、信号処理部は、信号処理として微分処理または積分処理を実行する。このような構成によれば、微分処理または積分処理の結果の精度を向上させ、当該信号処理の結果に基づく制御の性能が低下するのを抑制することができる。

また、上述した制御装置は、ノイズ低減処理部と制御処理部との間に設けられ、ノイズ低減処理部から出力されるノイズが低減されたセンサ信号に対する信号処理を実行する信号処理部をさらに備え、ノイズ低減処理部は、センサからの出力をセンサ信号として取得し、当該センサ信号に含まれる少なくともセンサによる時系列データの検出時に発生するノイズを低減し、制御処理部は、ノイズ低減処理部からの出力に応じた信号処理部からの出力に基づいて、アクチュエータを制御する。このような構成によれば、少なくともセンサによる時系列データの検出時に発生するノイズを低減することで信号処理の結果の精度を向上させ、当該信号処理の結果に基づく制御の性能が低下するのを抑制することができる。

また、上述した制御装置において、リカレントニューラルネットワークは、ＬＳＴＭ（Ｌｏｎｇｓｈｏｒｔ－ｔｅｒｍｍｅｍｏｒｙ）に基づくＳｅｑ２Ｓｅｑ（ＳｅｑｕｅｎｃｅｔｏＳｅｑｕｅｎｃｅ）モデルにより構成されている。このような構成によれば、リカレントニューラルネットワークを時系列データのノイズの低減に適した形に構成することができる。

図１は、実施形態にかかる制御装置の構成を示した例示的かつ模式的なブロック図である。図２は、実施形態にかかるノイズ低減ネットワークの構成を示した例示的かつ模式的なブロック図である。図３は、実施形態にかかるノイズ低減ネットワークのエンコーダ部の構成の一例を示した例示的かつ模式的なブロック図である。図４は、実施形態にかかるノイズ低減ネットワークのデコーダ部の構成の一例を示した例示的かつ模式的なブロック図である。図５は、比較例にかかる技術によるノイズの低減の結果の一例を示した例示的かつ模式的な図である。図６は、実施形態にかかる技術によるノイズの低減の結果の一例を示した例示的かつ模式的な図である。図７は、実施形態の変形例にかかる制御装置の構成を示した例示的かつ模式的なブロック図である。

以下、本開示の実施形態および変形例を図面に基づいて説明する。以下に記載する実施形態および変形例の構成、ならびに当該構成によってもたらされる作用および効果は、あくまで一例であって、以下の記載内容に限られるものではない。

＜実施形態＞
図１は、実施形態にかかる制御装置１００の構成を示した例示的かつ模式的なブロック図である。

図１に示されるように、実施形態にかかる制御装置１００は、センサ３０からの出力に応じて、アクチュエータ５０を制御するように構成されている。制御装置１００は、たとえばプロセッサおよびメモリなどのハードウェア資源を備えたマイクロコンピュータとして構成される。

なお、以下では、一例として、センサ３０およびアクチュエータ５０が車両に搭載される、すなわち制御装置１００が車両に搭載されるマイクロコンピュータであるＥＣＵ（ＥｌｅｃｔｒｏｎｉｃＣｏｎｔｒｏｌＵｎｉｔ）として構成される例について説明する。しかしながら、実施形態の技術は、車両の制御以外の一般的な制御にも適用することが可能である。

また、以下では、一例として、センサ３０が、車両の状態量に関する時系列データを検出する状態量センサ、より具体的には車両の上下方向の変位に関する時系列データを検出する変位センサ（車高センサ）として構成され、アクチュエータ５０が、車両のサスペンションを制御するサスペンションアクチュエータとして構成される例について説明する。しかしながら、実施形態では、センサ３０およびアクチュエータ５０が互いに対応していれば、センサ３０およびアクチュエータ５０の組み合わせがどのような形であってもよい。

ここで、従来、時系列データを検出する上記のようなセンサ３０からの出力に基づくセンサ信号に基づく制御を実行するにあたり、センサ信号に含まれる高周波帯域のノイズをローパスフィルタによって低減する技術が知られている。

しかしながら、上記のような従来の技術では、低周波帯域のノイズを低減しきることができないとともに、高周波帯域において位相の遅れが発生することがある（実例は後述する図５参照）。この場合、センサ信号に基づく制御の性能が低下することがある。

そこで、実施形態は、制御装置１００を以下のように構成することで、センサ信号のノイズをより適切に低減し、センサ信号に基づく制御の性能が低下するのを抑制することを実現する。

より具体的に、制御装置１００は、信号処理部１１０と、ノイズ低減処理部１２０と、制御処理部１３０と、を備えている。これらの構成は、たとえば、マイクロコンピュータとして構成された制御装置１００のプロセッサがメモリに記憶されたコンピュータプログラムを読み出して実行した結果として、すなわちハードウェアとソフトウェアとの協働により実現されうる。ただし、実施形態では、これらの構成の少なくとも一部または全部が専用の回路（ｃｉｒｃｕｉｔｒｙ）のようなハードウェアのみによって実現されてもよい。

信号処理部１１０は、センサ３０からの出力に対する信号処理を実行する。信号処理とは、たとえば、微分処理である。これにより、センサ３０が車高センサとして構成されている場合に、信号処理部１１０は、車高センサの検出結果を微分し、サスペンションのストロークの変化速度を示すセンサ信号を出力することが可能である。

信号処理部１１０から出力されるセンサ信号には、ＥＭＩ（ＥｌｅｃｔｒｏｍａｇｎｅｔｉｃＩｎｔｅｒｆｅｒｅｎｃｅ）およびＥＭＳ（ＥｌｅｃｔｒｏｍａｇｎｅｔｉｃＳｕｓｃｅｐｔｉｂｉｌｉｔｙ）などに分類可能な様々なノイズが含まれうる。たとえば、センサ信号には、センサ３０による時系列データの検出時に外部環境または内部環境の影響で電磁的または機械的要因により発生するノイズ、および信号処理部１１０による信号処理に起因して発生するノイズなどが含まれうる。

ノイズ低減処理部１２０は、センサ信号に含まれるノイズを低減する。より具体的に、ノイズ低減処理部１２０は、ノイズ低減ネットワーク１２１を用いて、信号処理部１１０から出力されるセンサ信号に含まれるノイズを低減する。

ノイズ低減ネットワーク１２１は、以下の図２～図４に示されるように、センサ信号に対応したノイズを含む第１信号と、ノイズが除去された第１信号を示す第２信号と、の対応関係を学習するようにトレーニングされたリカレントニューラルネットワーク（ＲＮＮ）として構成される。

図２は、実施形態にかかるノイズ低減ネットワーク１２１の構成を示した例示的かつ模式的なブロック図である。

図２に示されるように、実施形態にかかるノイズ低減ネットワーク１２１は、Ｓｅｑ２Ｓｅｑ（ＳｅｑｕｅｎｃｅｔｏＳｅｑｕｅｎｃｅ）モデルとして構成されている。より具体的に、ノイズ低減ネットワーク１２１は、ノイズを含んだセンサ信号の入力を受け付けてエンコード処理を実行するエンコーダ部１２１ａと、エンコーダ部１２１ａによるエンコーダ結果に基づいてデコード処理を実行し、ノイズを含まないセンサ信号を出力するデコーダ部１２１ｂと、を備えている。

たとえば、図２に示される例では、エンコーダ部１２１ａへの入力として、所定の時間間隔でプロットされた黒丸で示されるデータｘ_１、ｘ_２、ｘ_３、ｘ_４、ｘ_５、…が例示されている。これらのデータｘ_１、ｘ_２、ｘ_３、ｘ_４、ｘ_５、…を示す黒丸は、おおよそは正弦波状の一点鎖線Ｌ２００に沿ってプロットされているが、当該一点鎖線Ｌ２００と完全に一致するようにはプロットされていないので、ノイズを含んだセンサ信号に対応する。

一方、図２に示される例では、デコーダ部１２１ｂからの出力として、所定の時間間隔でプロットされた黒丸で示されるデータｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５、…が例示されている。これらのデータｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５、…を示す黒丸は、正弦波状の一点鎖線Ｌ２００と一致するようにプロットされているので、ノイズを含まないセンサ信号に対応する。

実施形態にかかるノイズ低減ネットワーク１２１は、上述したデータｘ_１、ｘ_２、ｘ_３、ｘ_４、ｘ_５、…のような、ノイズを含んだセンサ信号の時刻ごとの出力を示す時系列データの入力を受けて、上述したデータｙ_１、ｙ_２、ｙ_３、ｙ_４、ｙ_５、…のような、ノイズを含まないセンサ信号の時刻ごとの出力を示す時系列データを出力するように、機械学習により予めトレーニングされている。

なお、図２に示される例では、ノイズを含まないセンサ信号が正弦波の波形を有している構成が例示されているが、これはあくまで一例である。実施形態では、正弦波の波形を有するセンサ信号ではなく、正弦波以外の波形を有するセンサ信号が用いられる構成も考えられる。

以下、図３および図４を参照して、実施形態にかかるノイズ低減ネットワーク１２１のエンコーダ部１２１ａおよびデコーダ部１２１ｂの具体的な構成について説明する。ただし、以下の図３および図４に示される構成は、あくまで一例である。

図３は、実施形態にかかるノイズ低減ネットワーク１２１のエンコーダ部１２１ａの構成の一例を示した例示的かつ模式的なブロック図である。

図３に示されるように、実施形態にかかるエンコーダ部１２１ａは、ＬＳＴＭ（Ｌｏｎｇｓｈｏｒｔ－ｔｅｒｍｍｅｍｏｒｙ）に基づいて構成されている。すなわち、エンコーダ部１２１ａは、複数（たとえばＮ個）のＬＳＴＭブロックＢ_１１、Ｂ_１２、…Ｂ_１Ｎを用いて構成されている。各ＬＳＴＭブロックＢ_１１、Ｂ_１２、…Ｂ_１Ｎの構成は、入力ゲート、出力ゲート、および忘却ゲートを備えた一般的な構成である。

ＬＳＴＭブロックＢ_１１は、データｘ_１の入力を受けて、入力に応じた出力を示すデータｈ_１と、記憶セルを示すデータｃ_１と、を次のＬＳＴＭブロックＢ_１２に受け渡す。ＬＳＴＭブロックＢ_１２以降のブロックも同様に動作し、Ｎ個目のＬＳＴＭブロックＢ_１Ｎは、データｘ_Ｎの入力を受けて、入力に応じた出力を示すデータｈ_Ｎと、記憶セルを示すデータｃ_Ｎと、をエンコーダ部１２１ａの外部（つまりデコーダ部１２１ｂ）に受け渡す。

図４は、実施形態にかかるノイズ低減ネットワーク１２１のデコーダ部１２１ｂの構成の一例を示した例示的かつ模式的なブロック図である。

図４に示されるように、実施形態にかかるデコーダ部１２１ｂも、上述したエンコーダ部１２１ａと同様に、ＬＳＴＭに基づいて構成されている。すなわち、デコーダ部１２１ｂも、複数（たとえばＮ個）のＬＳＴＭブロックＢ_２１、Ｂ_２２、…Ｂ_２Ｎを用いて構成されている。各ＬＳＴＭブロックＢ_２１、Ｂ_２２、…Ｂ_２Ｎの構成は、上述したＬＳＴＭブロックＢ_１１、Ｂ_１２、…Ｂ_１Ｎと同様に、入力ゲート、出力ゲート、および忘却ゲートを備えた一般的な構成である。

ただし、デコーダ部１２１ｂは、上述したエンコーダ部１２１ａと異なり、ＬＳＴＭブロックＢ_２１、Ｂ_２２、…Ｂ_２Ｎに対応した複数（たとえばＮ個）の変換層Ｌ_１、Ｌ_２、…Ｌ_Ｎを備えている。これらの変換層Ｌ_１、Ｌ_２、…Ｌ_Ｎは、それぞれ、ＬＳＴＭブロックＢ_２１、Ｂ_２２、…Ｂ_２Ｎからの出力を示すデータＨ_１、Ｈ_２…、Ｈ_Ｎを、センサ信号に対応したデータｙ_１、ｙ_２、…ｙ_Ｎに変換する。

ＬＳＴＭブロックＢ_２１は、エンコーダ部１２１ａからのデータｈ_Ｎおよびｃ_Ｎの入力を受けて、入力に応じた出力を示すデータＨ_１を変換層Ｌ_１に受け渡すとともに、当該データＨ_１と、記憶セルを示すデータＣ_１と、を次のＬＳＴＭブロックＢ_２２に受け渡す。ＬＳＴＭブロックＢ_２２以降のブロックも同様に動作し、Ｎ個目のＬＳＴＭブロックＢ_２Ｎは、入力に応じた出力を示すデータｈ_Ｎを変換層Ｌ_Ｎに受け渡す。

このように、実施形態にかかるノイズ低減ネットワーク１２１は、ＬＳＴＭに基づくＳｅｑ２Ｓｅｑモデルにより構成されたリカレントニューラルネットワークに基づいて構成される。より具体的に、実施形態では、ノイズを含むセンサ信号に対応した第１信号と、ノイズが除去された第１信号を示す第２信号と、の対応関係を上記のようなリカレントニューラルネットワークが学習するように、ＬＳＴＭブロックＢ_１１、Ｂ_１２、…Ｂ_１Ｎと、ＬＳＴＭブロックＢ_２１、Ｂ_２２、…Ｂ_２Ｎと、変換層Ｌ_１、Ｌ_２、…Ｌ_Ｎと、に設定すべき重みおよびバイアスのトレーニングを実行された結果として、ノイズ低減ネットワーク１２１が構成される。

なお、実施形態において、学習用の教師データとしての第２信号は、たとえば、Ｆｏｒｗａｒｄ－ＢａｃｋｗａｒｄＦｉｌｔｅｒｉｎｇの手法に基づくフィルタ処理を第１信号に対して実行することで生成される。この手法によれば、第１信号から、ノイズの低減と位相の遅れの回避とが両立した第２信号を生成することが可能である。

図１に戻り、制御処理部１３０は、ノイズ低減処理部１２０からの出力に基づいて、アクチュエータ５０を制御するための指令値を算出する。より具体的に、制御処理部１３０は、アクチュエータ５０がサスペンションアクチュエータとして構成されている場合に、ノイズ低減処理部１２０から出力される、位相の遅れが抑制されつつノイズが低減されたセンサ信号に基づいて、車両の乗り心地および走行安定性を高い次元で両立するための指令値を算出することが可能である。

ここで、実施形態にかかる技術によるノイズの低減の効果（結果）について、比較例と対比しながら簡単に説明する。以下では、一例として、ノイズを低減する技術を適用する対象が、サスペンションのストロークの変化速度を示すセンサ信号であることを前提として説明する。

図５は、比較例にかかる技術によるノイズの低減の結果の一例を示した例示的かつ模式的な図である。比較例にかかる技術では、前述した従来の技術と同様の発想で、単純なローパスフィルタを通してセンサ信号から（高周波帯域の）ノイズが低減される。

図５の（Ａ）は、比較例にかかる技術によりノイズが低減されたセンサ信号の低周波帯域における波形の例を示している。図５の（Ａ）に示される例において、破線Ｌ５１０は、サスペンションのストロークの変化速度の実測値に対応し、実線Ｌ５１１は、車高センサの検出結果を微分することで得られるサスペンションのストロークの変化速度の推定値に対応する。破線Ｌ５１０と実線Ｌ５１１とを比較すれば分かるように、比較例にかかる技術では、推定値のノイズが十分に低減されていないと言える。

また、図５の（Ｂ）は、比較例にかかる技術によりノイズが低減されたセンサ信号の高周波帯域における波形の例を示している。図５の（Ｂ）に示される例において、破線Ｌ５２０は、サスペンションのストロークの変化速度の実測値に対応し、実線Ｌ５２１は、車高センサの検出結果を微分することで得られるサスペンションのストロークの変化速度の推定値に対応する。破線Ｌ５２０と実線Ｌ５２１とを比較すれば分かるように、比較例にかかる技術では、推定値のノイズは低減されているが、実測値の位相に対する推定値の位相の遅れが発生していると言える。

このように、比較例にかかる技術では、低周波帯域のノイズを低減しきることができないとともに、高周波帯域において位相の遅れが発生するので、推定値を制御に利用すると、不都合が発生しやすいと言える。しかしながら、実測値を取得するためのセンサを実際に車両に搭載するのは困難であるので、車高センサの検出結果に基づいて取得される推定値の精度を向上させることが望まれる。

そこで、実施形態にかかる技術によれば、次の図６に示されるように、車高センサの検出結果に基づいて取得される推定値の精度を向上させることができる。

図６は、実施形態にかかる技術によるノイズの低減の結果の一例を示した例示的かつ模式的な図である。実施形態にかかる技術では、前述したように、機械学習により予めトレーニングされたノイズ低減ネットワーク１２１により、センサ信号からノイズが低減される。

図６の（Ａ）は、実施形態にかかる技術によりノイズが低減されたセンサ信号の低周波帯域における波形の例を示している。図６の（Ａ）に示される例において、破線Ｌ６１０は、サスペンションのストロークの変化速度の実測値に対応し、実線Ｌ６１１は、車高センサの検出結果を微分することで得られるサスペンションのストロークの変化速度の推定値に対応する。破線Ｌ６１０と実線Ｌ６１１とを比較すれば分かるように、実施形態にかかる技術では、推定値と実測値とが略一致しているので、推定値のノイズが十分に低減されていると言える。

また、図６の（Ｂ）は、実施形態にかかる技術によりノイズが低減されたセンサ信号の高周波帯域における波形の例を示している。図６の（Ｂ）に示される例において、破線Ｌ６２０は、サスペンションのストロークの変化速度の実測値に対応し、実線Ｌ６２１は、車高センサの検出結果を微分することで得られるサスペンションのストロークの変化速度の推定値に対応する。破線Ｌ６２０と実線Ｌ６２１とを比較すれば分かるように、実施形態にかかる技術では、推定値と実測値とが略一致しているので、推定値のノイズが十分に低減されており、かつ、上述した図５の（Ｂ）に示されるような位相の遅れが発生しないと言える。

このように、実施形態にかかる技術によれば、比較例にかかる技術と異なり、低周波帯域および高周波帯域のいずれのノイズも十分に低減することができるとともに、位相の遅れが発生しない。したがって、実施形態にかかる技術によれば、車高センサにより取得される推定値の精度を向上させることができるので、ノイズに起因して制御の性能が低下するのを抑制することができる。

以上説明したように、実施形態にかかる制御装置１００は、ノイズ低減処理部１２０と、制御処理部１３０と、を備えている。

ノイズ低減処理部１２０は、時系列データを検出するセンサ３０からの出力に基づくセンサ信号であって、ノイズを含んだセンサ信号を取得し、ノイズ低減ネットワーク１２１に基づいて、センサ信号に含まれるノイズを低減する。ノイズ低減ネットワーク１２１は、センサ信号に対応したノイズを含む第１信号と、ノイズが除去された第１信号を示す第２信号と、の対応関係を学習するようにトレーニングされたリカレントニューラルネットワークである。制御処理部１３０は、ノイズ低減処理部１２０からの出力に基づいてアクチュエータ５０を制御する。

上記のような構成によれば、適切にトレーニングされたノイズ低減ネットワーク１２１に基づいて、センサ信号のノイズをより適切に低減し（図６参照）、センサ信号に基づく制御の性能が低下するのを抑制することができる。

ここで、実施形態において、センサ３０は、車両の状態量に関する時系列データを検出する状態量センサを含む。このような構成によれば、車両の状態量に関する時系列データを利用した制御の性能が低下するのを抑制することができる。

より具体的に、実施形態において、上記の状態量センサは、車両の状態量としての車両の上下方向の変位に関する時系列データを検出する変位センサ（車高センサ）を含み、アクチュエータ５０は、車両のサスペンションを制御するサスペンションアクチュエータを含む。このような構成によれば、車両の上下方向の変位に関する時系列データを利用したサスペンションの制御の性能が低下するのを抑制することができる。

また、実施形態にかかる制御装置１００は、信号処理部１１０をさらに備えている。信号処理部１１０は、センサ３０とノイズ低減処理部１２０との間に設けられ、センサ３０からの出力に対する信号処理を実行する。ノイズ低減処理部１２０は、信号処理部１１０からの出力をセンサ信号として取得し、当該センサ信号に含まれる、少なくともセンサ２０による時系列データの検出時に発生するノイズおよび信号処理部１１０による信号処理に起因して発生するノイズを低減する。このような構成によれば、少なくともセンサ２０による時系列データの検出時に発生するノイズおよび信号処理部１１０による信号処理に起因して発生するノイズを低減し、信号処理の結果の精度を向上させ、当該信号処理の結果に基づく制御の性能が低下するのを抑制することができる。

なお、実施形態において、信号処理部１１０は、信号処理として微分処理を実行する。このような構成によれば、微分処理の結果の精度を向上させ、当該信号処理の結果に基づく制御の性能が低下するのを抑制することができる。

また、実施形態において、ノイズ低減ネットワーク１２１は、ＬＳＴＭに基づくＳｅｑ２Ｓｅｑモデルにより構成されている。このような構成によれば、ノイズ低減ネットワーク１２１を時系列データのノイズの低減に適した形に構成することができる。

＜変形例＞
なお、上述した実施形態では、センサ３０が車高センサであり、アクチュエータ５０がサスペンションアクチュエータである構成が例示されている。しかしながら、本開示にかかる技術は、センサによる検出結果を利用してアクチュエータを制御する構成であれば、どのような構成にも適用することが可能である。すなわち、本開示にかかる技術は、車高センサ以外の車載センサによる検出結果を利用してサスペンションアクチュエータ以外の車載アクチュエータを制御する構成にはもちろん、車両以外の分野の一般的なセンサによる検出結果を利用して一般的なアクチュエータを制御する構成にも適用することが可能である。

また、上述した実施形態では、微分処理に起因して発生するノイズを低減する構成が主に例示されている。しかしながら、本開示にかかる技術は、積分処理に起因して発生するノイズを低減する構成にも適用することが可能である。したがって、本開示にかかる技術は、たとえば、変位と速度と加速度と加加速度との間の変換処理、および角度と角速度と角加速度と角加加速度との間の変換処理などといった、微分処理または積分処理を伴う様々な状態量の変換処理に起因して発生するノイズを低減する構成に適用することが可能である。

また、上述した実施形態では、ノイズの低減に用いるリカレントニューラルネットワークが、ＬＳＴＭに基づくＳｅｑ２Ｓｅｑモデルにより構成されている。しかしながら、変形例として、ＧＲＵ（ＧａｔｅｄＲｅｃｃｕｒｅｎｔＵｎｉｔ）またはＢｉ－ｄｉｒｅｃｔｉｏｎａｌＲＮＮなどを利用してノイズの低減に用いるリカレントニューラルネットワークを構成することも考えられる。また、変形例として、上述した実施形態にかかる構成に対して、Ａｔｔｅｎｔｉｏｎ機能の追加、多層化、双方向化、およびＳｋｉｐＣｏｎｎｅｃｔｉｏｎの追加などをさらに実施する構成も考えられる。

また、上述した実施形態では、信号処理の後にノイズの低減が実行される構成が例示されている。しかしながら、変形例として、次の図７に示されるような、ノイズの低減の後に信号処理が実行される構成も考えられる。

図７は、実施形態の変形例にかかる制御装置７００の構成を示した例示的かつ模式的なブロック図である。

図７に示されるように、変形例にかかる制御装置７００は、センサ３０と信号処理部１１０との間に、ノイズ低減ネットワーク７２１を利用してセンサ３０から出力されるセンサ信号のノイズを低減するノイズ低減処理部７２０を備えている。この変形例において、信号処理部１１０は、ノイズ低減処理部７２０からの出力に対して信号処理を実行し、制御処理部１３０は、信号処理部１１０からの出力に基づいてアクチュエータ５０を制御する。

すなわち、図７に示される変形例において、信号処理部１１０は、ノイズ低減処理部７２０と制御処理部１３０との間に設けられており、ノイズ低減処理部７２０から出力されるノイズが低減されたセンサ信号に対する信号処理を実行する。ノイズ低減処理部７２０は、センサ３０からの出力をセンサ信号として取得し、当該センサ信号に含まれる少なくともセンサ３０による時系列データの検出時に発生するノイズを低減し、制御処理部１３０は、ノイズ低減処理部７２０からの出力に応じた信号処理部１１０からの出力に基づいて、アクチュエータ５０を制御する。

なお、図７に示される変形例において、ノイズ低減ネットワーク７２１は、上述した実施形態にかかるノイズ低減ネットワーク１２１と同様に、リカレントニューラルネットワークとして構成される。ノイズ低減ネットワーク７２１は、センサ３０による時系列データの検出時に発生するノイズを低減するように、すなわちセンサ３０からの出力に含まれるノイズを適切に低減するように、適切に準備された教師データなどに基づいて予めトレーニングされている。

図７に示される変形例によれば、少なくともセンサ３０による時系列データの検出時に発生するノイズを低減することで信号処理の結果の精度を向上させ、当該信号処理の結果に基づく制御の性能が低下するのを抑制することができる。

以上、本開示の実施形態および変形例を説明したが、上述した実施形態および変形例はあくまで一例であって、発明の範囲を限定することは意図していない。上述した新規な実施形態および変形例は、様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。上述した実施形態および変形例は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

３０センサ（状態量センサ、変位センサ）
５０アクチュエータ（サスペンションアクチュエータ）
１００、７００制御装置
１１０信号処理部
１２０、７２０ノイズ低減処理部
１２１、７２１ノイズ低減ネットワーク
１３０制御処理部

Claims

時系列データを検出するセンサからの出力に基づく、ノイズを含んだセンサ信号を取得し、前記センサ信号に対応した前記ノイズを含む第１信号と、前記ノイズが除去された前記第１信号を示す第２信号と、の対応関係を学習するようにトレーニングされたリカレントニューラルネットワークに基づいて、前記センサ信号に含まれる前記ノイズを低減するノイズ低減処理部と、
前記ノイズ低減処理部からの出力に基づいてアクチュエータを制御する制御処理部と、
を備え、
前記ノイズが除去された前記第１信号を示す前記第２信号は、実測値の位相に対する推定値の位相の遅れが抑制されている、
制御装置。
前記センサは、車両の状態量に関する前記時系列データを検出する状態量センサを含む、
請求項１に記載の制御装置。
前記状態量センサは、前記車両の前記状態量としての前記車両の上下方向の変位に関する前記時系列データを検出する変位センサを含み、
前記アクチュエータは、前記車両のサスペンションを制御するサスペンションアクチュエータを含む、
請求項２に記載の制御装置。
前記センサと前記ノイズ低減処理部との間に設けられ、前記センサからの出力に対する信号処理を実行する信号処理部をさらに備え、
前記ノイズ低減処理部は、前記信号処理部からの出力を前記センサ信号として取得し、当該センサ信号に含まれる、少なくとも前記センサによる前記時系列データの検出時に発生する前記ノイズおよび前記信号処理部による前記信号処理に起因して発生する前記ノイズを低減する、
請求項１～３のうちいずれか１項に記載の制御装置。
前記信号処理部は、前記信号処理として微分処理または積分処理を実行する、
請求項４に記載の制御装置。
前記ノイズ低減処理部と前記制御処理部との間に設けられ、前記ノイズ低減処理部から出力される前記ノイズが低減された前記センサ信号に対する信号処理を実行する信号処理部をさらに備え、
前記ノイズ低減処理部は、前記センサからの出力を前記センサ信号として取得し、当該センサ信号に含まれる、少なくとも前記センサによる前記時系列データの検出時に発生する前記ノイズを低減し、
前記制御処理部は、前記ノイズ低減処理部からの出力に応じた前記信号処理部からの出力に基づいて、前記アクチュエータを制御する、
請求項１～３のうちいずれか１項に記載の制御装置。
前記リカレントニューラルネットワークは、ＬＳＴＭ（Ｌｏｎｇｓｈｏｒｔ－ｔｅｒｍｍｅｍｏｒｙ）に基づくＳｅｑ２Ｓｅｑ（ＳｅｑｕｅｎｃｅｔｏＳｅｑｕｅｎｃｅ）モデルにより構成されている、
請求項１～６のうちいずれか１項に記載の制御装置。