JP7487709B2 - 車両駆動ユニットの制御装置及び制御方法 - Google Patents

Description

本開示は、車両駆動ユニットの制御装置及び制御方法に関する。

特許文献１には、内燃機関と変速機を有する駆動系とを搭載した車両に適用された車両制御装置が開示されている。この車両制御装置は、車両に関する各種状態量を検出する検出手段の検出結果に基づいて予め用意された複数種類の駆動トルク出力パターンの中から１つの出力パターンを選択する制御パターン選択手段と、制御パターン選択手段によって選択された出力パターンに基づいて内燃機関及び駆動系を制御する制御手段と、を備えている。

特開２００５－１１９３５９号公報

車両の加速時又は減速時には、車両のドライブシャフトのねじれに起因する車両前後振動（車両前後加速度の振動）が生じたり、車両の１つ以上の動力源からドライブシャフトまでの動力伝達経路に位置するギアのバックラッシュが詰まることに起因する車両前後振動が生じたりする。

車両前後振動の抑制と車両運動性能（応答性）とをバランス良く成立させるために、特許文献１に記載の車両制御装置は、上述のように複数種類の駆動トルク出力パターンを備えている。そして、これらの駆動トルク出力パターンは、車両に関する各種状態量の検出結果に応じて異なるように設定されている。このような特許文献１に記載のトルク制御手法では、車両の運転状態に応じて多くの適合値が必要となる。

本開示は、上述のような課題に鑑みてなされたものであり、適合工数を低減しつつ、車両前後振動抑制と車両加減速性能とを両立できるようにした車両駆動ユニットの制御装置及び制御方法を提供することを目的とする。

本開示の一態様に係る車両駆動ユニットの制御装置は、１つ以上の動力源を有する車両駆動ユニットを車両の運転状態に基づいて制御する。制御装置は、プロセッサと、記憶装置と、を備える。記憶装置は、車両駆動ユニットに指令される車両駆動トルクである指令トルクを入力とし車両前後加速度の予測値である予測加速度を出力とする機械学習モデルである車両前後加速度予測モデルを記憶している。プロセッサは、車両前後加速度予測モデルを用いて予測加速度を算出する予測加速度算出処理と、運転状態に基づく車両駆動トルクの目標値である目標トルクに対する指令トルクの偏差を低減しつつ目標トルクに応じた目標車両前後加速度に対する予測加速度の偏差を最小化する評価関数を最小とする指令トルクを算出する指令トルク算出処理と、を実行する。

プロセッサは、指令トルクに応じた車両駆動トルクが車両駆動ユニットから出力されることに伴って生じる実車両前後加速度に対する予測加速度の差に基づいて、車両前後加速度予測モデルから出力される予測加速度を補正する加速度補正処理をさらに実行してもよい。

プロセッサは、現在の時間ステップからの所定期間である予測期間に含まれる複数の時間ステップでの目標トルク、指令トルク、目標車両前後加速度、及び予測加速度のデータを対象として、予測加速度算出処理及び指令トルク算出処理を時間ステップ毎に実行してもよい。

予測期間は、車両のドライブシャフトのねじれに起因する実車両前後加速度の振動、及び、１つ以上の動力源からドライブシャフトまでの動力伝達経路に位置するギアのバックラッシュが詰まることに起因する実車両前後加速度の振動のうちの少なくとも一方の予測に必要とされる最小の期間であってもよい。

プロセッサは、予測期間に含まれる複数の時間ステップのそれぞれにおける目標トルクを、現在の時間ステップにおける目標トルクの値で一定としてもよい。

本開示の他の態様に係る車両駆動ユニットの制御方法は、１つ以上の動力源を有する車両駆動ユニットを車両の運転状態に基づいて制御する。制御方法は、車両駆動ユニットに指令される車両駆動トルクである指令トルクを入力とし車両前後加速度の予測値である予測加速度を出力とする機械学習モデルである車両前後加速度予測モデルを用いて、予測加速度を算出する予測加速度算出処理と、運転状態に基づく車両駆動トルクの目標値である目標トルクに対する指令トルクの偏差を低減しつつ目標トルクに応じた目標車両前後加速度に対する予測加速度の偏差を最小化する評価関数を最小とする指令トルクを算出する指令トルク算出処理と、を含む。

本開示に係る車両駆動ユニットの制御装置又は制御方法によれば、評価関数を最小とする指令トルクが算出される。この評価関数は、目標車両前後加速度に対する予測加速度の偏差を最小化するものである。このため、評価関数を最小とする指令トルクによれば、車両前後振動を良好に抑制できる。そして、この指令トルクの算出に用いられる予測加速度は、機械学習モデルである車両前後加速度予測モデルを用いて算出される。これにより、車両駆動トルクの制御に用いられる適合値の数を減らすことができる。また、上記評価関数によれば、目標車両前後加速度に対する予測加速度の偏差を最小化するだけでなく、目標トルクに対する指令トルクの偏差をも低減する指令トルクが算出される。このため、車両前後振動を抑制しつつ、目標トルクを良好に満たせるように指令トルクを決定できるようになる。このように、本開示に係る制御装置又は制御方法によれば、適合工数を低減しつつ、車両前後振動の抑制と車両加減速性能とを両立できるようになる。

実施の形態１に係る車両駆動ユニットを搭載する車両のシステム構成の一例を示す図である。 実施の形態１に係る車両駆動トルクの制御構造の概要を示すブロック図である。 実施の形態１に係る車両駆動トルク制御に関する処理の流れの一例を示すフローチャートである。 予測期間ｔｐ中の目標トルクＴｐｆｒｑの予測手法を説明するためのタイムチャートである。 図２に示す目標値変換部によって算出される予測期間ｔｐの目標車両前後加速度Ｇｒｅｑの一例を表したタイムチャートである。 実施の形態２に係る車両駆動トルクの制御構造の概要を示すブロック図である。 図６に示すモデル補正部及びモデル再学習部に関する処理の流れの一例を示すフローチャートである。 図７中のステップＳ２００の判定手法の一例を説明するためのタイムチャートである。 図６に示すモデル補正部による予測加速度Ｇｐｒｅの時間遅れ及び振幅の補正手法の一例を説明するための図である。 図６に示すモデル再学習部による予測加速度Ｇｐｒｅの再学習が行われる条件における予測加速度Ｇｐｒｅ及び実加速度Ｇａｃｔの波形の一例を示すタイムチャートである。

以下に説明される各実施の形態において各要素の個数、数量、量、範囲等の数に言及した場合、特に明示した場合や原理的に明らかにその数に特定される場合を除いて、その言及した数に、本開示に係る技術思想が限定されるものではない。また、以下に示す実施の形態において説明する構造やステップ等は、特に明示した場合や明らかに原理的にそれに特定される場合を除いて、本開示に係る技術思想に必ずしも必須のものではない。

１．実施の形態１
１－１．車両のシステム構成例
図１は、実施の形態１に係る車両駆動ユニット１０を搭載する車両１００のシステム構成の一例を示す図である。車両１００は、車両駆動ユニット１０を備えている。車両駆動ユニット１０は、車両１００（車輪１０２）を駆動する。車両駆動ユニット１０は、第１モータジェネレータ（ＭＧ）１、第２モータジェネレータ（ＭＧ）２、及び内燃機関３を動力源として備えている。ＭＧ１は主に発電機として用いられ、ＭＧ２は主に車輪１０２を駆動する電動機として用いられる。また、車両駆動ユニット１０は、一例として動力分割機構１２を備えている。

動力分割機構１２は、第１プラネタリギアユニット１４、第２プラネタリギアユニット１６、低速用クラッチ１８、高速用クラッチ２０、及び減速機構２２を含む。第１プラネタリギアユニット１４は、第１サンギア１４ａと第１キャリア１４ｂと第１リングギア１４ｃとを含む。第２プラネタリギアユニット１６は、第２サンギア１６ａと第２キャリア１６ｂと第２リングギア１６ｃとを含む。第１サンギア１４ａはＭＧ１に連結され、第１キャリア１４ｂは内燃機関３に連結されている。第１リングギア１４ｃは、第２サンギア１６ａに連結されている。

低速用クラッチ１８は、第２サンギア１６ａと第２キャリア１６ｂとを連結可能に構成されている。高速用クラッチ２０は、第２キャリア１６ｂと第２リングギア１６ｃとを連結可能に構成されている。減速機構２２は、第２リングギア１６ｃの回転軸線及びＭＧ２の回転軸２ａと平行なカウンタ軸（以下、「ペラ軸」とも称される）２４と、ディファレンシャルギア２６とを含む。ペラ軸２４は、第２リングギア１６ｃ及びＭＧ２のそれぞれにギアを介して連結されている。すなわち、ペラ軸２４は、第２リングギア１６ｃからのトルク（主に、内燃機関３からのトルク）にＭＧ２のトルクを付加できるように配置されている。また、ペラ軸２４は、ギアを介してディファレンシャルギア２６と連結されている。したがって、第２リングギア１６ｃからのトルク、及びＭＧ２のトルクは、減速機構２２及びドライブシャフト１０４を介して車輪１０２に伝達される。なお、車両駆動ユニット１０は、ディファレンシャルギア２６を内蔵していてもよいし、ディファレンシャルギア２６を内蔵していなくてもよい。

上述した車両駆動ユニット１０によれば、クラッチ１８及び２０の係合／解放を制御することにより変速を行うことができる。具体的には、車両駆動ユニット１０の駆動モードは、車両１００の高速時に適した高速モードと、低速時に適した低速モードとを含む。動力分割機構１２によれば、低速用クラッチ１８を解放しつつ高速用クラッチ２０を係合することによって高速モードを選択でき、高速用クラッチ２０を解放しつつ低速用クラッチ１８を係合することによって低速モードを選択できる。

上述のように、車両１００は、一例として動力分割方式の車両駆動ユニット１０を備えるハイブリッド車両である。ただし、本開示に係る「車両」は、動力分割方式以外の方式の車両駆動ユニットを備えるハイブリッド車両であってもよい。また、車両は、例えば、動力源として電動モータのみを有する車両駆動ユニットを備える車両（例えば、バッテリ電気自動車又は燃料電池自動車）であってもよく、又は動力源として内燃機関のみを有する車両駆動ユニットを備える車両であってもよい。

また、車両１００は、電子制御ユニット（ＥＣＵ）３０を備えている。ＥＣＵ３０は、車両１００に関する各種処理を実行するコンピュータであり、車両駆動ユニット１０を制御する「制御装置」に相当する。具体的には、ＥＣＵ３０によって実行される処理は、ＭＧ１、ＭＧ２及び内燃機関３の制御に関する処理、並びに、クラッチ１８及び２０の制御（変速制御）に関する処理を含む。ＥＣＵ３０は、プロセッサ３０ａ及び記憶装置３０ｂを備えている。プロセッサ３０ａは、記憶装置３０ｂに格納されているプログラムを読み出して実行する。これにより、プロセッサ３０ａによる上述の各種処理が実現される。なお、ＥＣＵ３０は複数であってもよい。ＥＣＵ３０は、例えば、車両駆動ユニット１０を統括的に制御するＥＣＵと、ＭＧ１及びＭＧ２をそれぞれ制御するＥＣＵと、内燃機関３を制御するＥＣＵと、クラッチ１８及び２０を制御するＥＣＵとを含むように構成されていてもよい。

ＥＣＵ３０は、上述の各種処理に用いられるセンサ類３２からセンサ信号を取り込む。ここでいうセンサ類３２は、例えば、車両加速度センサ、車速センサ、アクセルポジションセンサ、ＭＧ１回転数センサ、ＭＧ２回転数センサ、クランク角センサ、及びシフトポジション（変速モード）センサを含む。また、記憶装置３０ｂは、図２を参照して後述される車両前後加速度予測モデル３８を記憶している。

１－２．車両駆動トルク制御
図２は、実施の形態１に係る車両駆動トルクの制御構造の概要を示すブロック図である。ＥＣＵ３０は、車両１００を駆動するために「車両駆動トルク制御」を実行する。図２は、この車両駆動トルク制御に関連するＥＣＵ３０の機能構成を示している。ＥＣＵ３０は、目標トルク算出部３４と、目標値変換部３６と、車両前後加速度予測モデル３８と、駆動力最適化器４０と、を備えている。これらの目標トルク算出部３４、目標値変換部３６、車両前後加速度予測モデル３８、及び駆動力最適化器４０は、記憶装置３０ｂに格納されたプログラムがプロセッサ３０ａによって実行されたときにソフトウェア的に実現される。

本実施形態の車両駆動トルク制御の対象となる車両駆動トルクは、一例として、ペラ軸２４のトルク（ペラ軸トルク）Ｔｐである。以下、ペラ軸トルクＴｐの目標値（要求値）は、「目標トルクＴｐｆｒｑ」と称される。また、車両駆動ユニット１０に指令される車両駆動トルクである「指令トルク」は、一例として、ペラ軸トルクＴｐの指令値である「指令トルクＴｐｃｍ」である。

なお、車両駆動トルク制御に用いられる「車両駆動トルク」は、車両駆動トルク制御内で統一して使用されるものであれば、ペラ軸トルクＴｐ（すなわち、ディファレンシャルギア２６の入力側のトルク）に限られない。すなわち、例えば、ディファレンシャルギア２６による最終減速後のトルク（すなわち、ドライブシャフト１０４のトルク）が車両駆動トルクとして用いられてもよい。

目標トルク算出部３４は、目標トルクＴｐｆｒｑを算出する。目標トルクＴｐｆｒｑの算出は、例えば次のように行うことができる。すなわち、目標トルク算出部３４は、アクセルポジション（アクセル開度）と車速とに基づいてペラ軸回転数を算出する。次いで、目標トルク算出部３４は、アクセル開度、ペラ軸回転数、及びシフトポジションと目標トルクＴｐｆｒｑとの関係を定めたマップ（図示省略）から、アクセル開度、ペラ軸回転数、及びシフトポジションに応じた目標トルクＴｐｆｒｑを算出する。この目標トルクＴｐｆｒｑの算出に用いられるアクセル開度、車速、及びシフトポジションは、例えば、上述のセンサ類３２を用いて取得される。

目標トルク算出部３４によって算出された目標トルクＴｐｆｒｑは、目標値変換部３６と駆動力最適化器４０に入力される。目標値変換部３６は、車両前後加速度Ｇの目標値（要求値）である「目標車両前後加速度（又は、単に「目標加速度」）Ｇｒｅｑ」を算出する。目標加速度Ｇｒｅｑの具体的な算出手法は、図３を参照して後述される。目標値変換部３６によって算出された目標加速度Ｇｒｅｑは、駆動力最適化器４０に入力される。

車両前後加速度予測モデル（又は、単に「加速度予測モデル」）３８は、ある指令トルクＴｐｃｍが車両駆動ユニット１０に指令されたことに伴って車両１００に生じる車両前後加速度Ｇを予測するものである。すなわち、加速度予測モデル３８は、指令トルクＴｐｃｍを入力とし、車両前後加速度Ｇの予測値である「予測加速度Ｇｐｒｅ」を出力として構築された機械学習モデルである。具体的には、加速度予測モデル３８には、駆動力最適化器４０から出力された指令トルクＴｐｃｍが入力される。また、加速度予測モデル３８には、指令トルクＴｐｃｍとともに、車両の運転状態を示す任意の変数ｘが入力される。変数ｘは、例えば、ＭＧ２のトルクと車速である。

加速度予測モデル３８は、例えばディープニューラルネットワークを用いて構築されている。加速度予測モデル３８の学習は、説明変数（入力）である指令トルクＴｐｃｍ及び変数ｘの時系列データと目的変数（出力）である車両前後加速度Ｇ（実車両前後加速度Ｇａｃｔ）の時系列データとの組み合わせである学習データを用いて事前に行われている。学習データは、車両１００の加速時及び減速時における所定のデータ取得期間を対象として取得される。付け加えると、加速度予測モデル３８は、車両１００上で更新可能に構築されている。

付け加えると、学習データは、車両駆動ユニット１０を備える車両１００を実際に用いて取得されるものである。したがって、加速度予測モデル３８は、車両１００の特性に良好に適合した機械学習モデルとして構築される。このように、本開示に係る「車両前後加速度予測モデル」によれば、学習データの取得のために用いられた車両の特性を良好に反映しつつ、入力された指令トルクに応じた車両前後加速度Ｇの予測を行えるようになる。

駆動力最適化器４０には、目標トルクＴｐ及び目標加速度Ｇｒｅｑとともに、加速度予測モデル３８によって予測された予測加速度Ｇｐｒｅが入力される。駆動力最適化器４０は、これらの入力に対し、評価関数Ｊ（後述の図３参照）を最小とする指令トルクＴｐｃｍを算出する。

駆動力最適化器４０によって算出された指令トルクＴｐｃｍが加速度予測モデル３８に入力されると、加速度予測モデル３８は、入力された最新の指令トルクＴｐｃｍに応じた最新の予測加速度Ｇｐｒｅを算出し、駆動力最適化器４０に出力する。評価関数Ｊの値が所定の最適性基準を満たさない間は、駆動力最適化器４０は、加速度予測モデル３８から最新の予測加速度Ｇｐｒｅを受け取りながら、指令トルクＴｐｃｍを繰り返し算出（修正）する。一方、評価関数Ｊの値が最適性基準を満たした場合には、駆動力最適化器４０は、最新の指令トルク（修正トルク）Ｔｐｃｍを最終的なペラ軸トルクＴｐの指令値（最終指令トルクＴｐｃｍｆ）として車両駆動ユニット１０に出力（指令）する。

ここで、車両１００では、加速時又は減速時に目標トルクＴｐが車両駆動ユニット１０に与えられると、ドライブシャフト１０４のねじれに起因する車両前後振動、及び、車両駆動ユニット１０の各部のギアのバックラッシュが詰まることに起因する車両前後振動が生じ得る。このような車両前後振動（より詳細には、車両前後加速度Ｇの振動）の波形を評価するために、予測加速度Ｇｐｒｅの波形（より詳細には、時系列データ）を取得することが必要とされる。以下、予測加速度Ｇｐｒｅの波形（時系列データ）を取得する期間は、「予測期間ｔｐ」と称される。予測期間ｔｐ（例えば、後述の図４参照）は、現在の時間ステップからの所定期間である。

予測加速度Ｇｐｒｅの予測精度の確保と予測に要する演算負荷の低減のためには、予測期間ｔｐは、短い方が望ましい。その一方で、車両前後振動の波形を適切に評価するためには、少なくとも当該車両前後振動の半周期分の予測加速度Ｇｐｒｅの時系列データを取得することが必要とされる。これは、当該車両前後振動の振幅を取得できるようにするためである。そして、車両前後振動の半周期分の予測加速度Ｇｐｒｅの時系列データを取得するためには、予測期間ｔｐは、０．３秒以上必要となる。そこで、本実施形態では、予測期間ｔｐの一例として、０．３秒が用いられている。なお、０．３秒より長い予測期間ｔｐが用いられてもよい。

上述の理由により、本実施形態では、図２に示す車両駆動トルク制御における目標加速度Ｇｒｅｑ、指令トルクＴｐｃｍ、及び予測加速度Ｇｐｒｅは、以下に図３を参照して詳述されるように予測期間ｔｐ分の時系列データとして取得される。

次に、図３は、実施の形態１に係る車両駆動トルク制御に関する処理の流れの一例を示すフローチャートである。このフローチャートの処理は、車両１００の運転中に、所定の制御周期で（換言すると、時間ステップ毎に）繰り返し実行される。したがって、予測期間ｔｐは、時間ステップ毎に、１時間ステップ分だけ進行する。

図３では、ＥＣＵ３０（プロセッサ３０ａ）は、まずステップＳ１００において、目標トルクＴｐｆｒｑに基づいて、予測期間ｔｐの目標車両前後加速度Ｇｒｅｑを算出する。このステップＳ１００の処理は、目標値変換部３６の処理に該当する。

図４は、予測期間ｔｐ中の目標トルクＴｐｆｒｑの予測手法を説明するためのタイムチャートである。なお、図４は、加速時の目標トルクＴｐの波形を示している。減速時の目標トルクＴｐの波形は、図４に示すものと正負が逆となる。

ステップＳ１００における予測期間ｔｐの目標加速度Ｇｒｅｑの算出の基礎となる目標トルクＴｐｆｒｑは、図４に示すように、現時刻（現在の時間ステップ）の値で一定であると予測される。既述したように、目標トルク算出部３４における目標トルクＴｐｆｒｑの算出では、車両１００の運転状態を示すパラメータであるアクセル開度、車速、ペラ軸回転数、及びシフトポジションが用いられる。予測期間ｔｐの目標トルクＴｐｆｒｑが一定で続くものとして扱うことにより、予測期間ｔｐのアクセル開度等のパラメータを予測する必要なしに当該予測期間ｔｐの目標トルクＴｐｆｒｑを取得できる。すなわち、この取得方法は、予測期間ｔｐにおけるドライバーのアクセルペダルの操作を予測することを必要としない。

ステップＳ１００において、目標加速度Ｇｒｅｑは、車両駆動トルク制御の対象となる車両１００の運動方程式に基づく次の（１）式を用いて算出することができる。

（１）式を用いた目標加速度Ｇｒｅｑの算出では、目標トルクＴｐｆｒｑがそのまま用いられるのではなく、次のように変換された後の目標トルクＴｐｆｒｑ＿ｄが用いられる。目標値変換部３６は、例えば、次のようなトルク予測モデルを含んで構成されている。このトルク予測モデルは、通信遅れ、むだ時間、及び一次遅れを模擬してペラ軸トルクＴｐの応答特性を予測するように構成されている。目標トルクＴｐｆｒｑ＿ｄは、現時刻の目標トルクＴｐｆｒｑをこのようなトルク予測モデルに入力することによって算出される。また、（１）式において、ディファレンシャルギア２６における最終減速比ＤＲ、車輪１０２のタイヤ半径ｒ、及び、車両重量ＶＭは既知である。走行抵抗ＲＬは、別途算出又は検出される。（１）式中の数値「９．８１」は重力加速度である。

図５は、図２に示す目標値変換部３６によって算出される予測期間ｔｐの目標車両前後加速度Ｇｒｅｑの一例を表したタイムチャートである。ステップＳ１００では、上述のように変換された後の目標トルクＴｐｆｒｑ＿ｄを（１）式に代入することにより、図５に示すように予測期間ｔｐの目標加速度Ｇｒｅｑの波形（時系列データ）が算出される。なお、図５は、加速時の目標加速度Ｇｒｅｑの波形を示しており、減速時の目標加速度Ｇｒｅｑの波形は、図５に示すものと正負が逆となる。

ステップＳ１００に続くステップＳ１０２の処理は、駆動力最適化器４０の処理に該当する。ステップＳ１０２では、ＥＣＵ３０は、予測期間ｔｐの指令トルクＴｐｃｍの探索初期点を、乱数を用いてランダムに決定する。制御周期が例えば２０ミリ秒であるとすると、０．３秒の予測期間ｔｐには、現在の時間ステップに続く１５個の時間ステップが含まれることになる。したがって、本ステップＳ１０２では、予測期間ｔｐの指令トルクＴｐｃｍの探索初期点として、１５点の指令トルクＴｐｃｍが決定される。これらの指令トルクＴｐｃｍは、所定の上下限値の範囲内で決定される。付け加えると、上限値は、例えば、ステップＳ１００において一定値として扱われた目標トルクＴｐｆｒｑである。

ステップＳ１０２に続くステップＳ１０４の処理は、駆動力最適化器４０の処理と、加速度予測モデル３８の処理とに該当する。後者の処理は、本開示に係る「予測加速度算出処理」の一例に相当する。

具体的には、ステップＳ１０４では、ＥＣＵ３０（駆動力最適化器４０）は、ステップＳ１０２で決定した探索初期点、又は後述のステップＳ１１０において修正した探索点を加速度予測モデル３８に入力する。ＥＣＵ３０（加速度予測モデル３８）は、入力された探索初期点又は修正後の探索点（すなわち、予測期間ｔｐの指令トルク（修正トルク）Ｔｐｃｍの時系列データ）に応じた予測期間ｔｐの予測加速度Ｇｐｒｅの時系列データを生成（算出）する。生成された予測加速度Ｇｐｒｅの時系列データは、駆動力最適化器４０に入力される。

ステップＳ１０４に続くステップＳ１０６の処理は、駆動力最適化器４０の処理に該当する。ステップＳ１０６では、ＥＣＵ３０は、予測期間ｔｐの目標トルクＴｐｆｒｑ（一定値）、目標加速度Ｇｒｅｑ（時系列データ）、及び予測加速度Ｇｐｒｅ（時系列データ）を用いて評価関数Ｊの値を算出する。

評価関数Ｊは、車両１００の運転状態に基づく目標トルクＴｐｆｒｑ（一定値）に対する指令トルクＴｐｃｍ（探索点）の偏差を低減しつつ目標加速度Ｇｒｅｑに対する予測加速度Ｇｐｒｅの偏差を最小化する評価関数であり、次の（２）式のように定式化される。

（２）式において、ｔは時間であり、ｗｔ及びｗｇは任意の重みである。（２）式の右辺は、目標トルクＴｐｆｒｑ（一定値）に対する指令トルクＴｐｃｍ（ｔ）の偏差の２乗とｗｔ／２との積と、目標加速度Ｇｒｅｑ（ｔ）に対する予測加速度Ｇｐｒｅ（ｔ）の偏差の２乗とｗｇ／２との積との和の定積分である。（２）式の積分区間を特定する時刻ｔ_０から時刻ｔ_ｈまでの期間は、上述の予測期間ｔｐに対応している。付け加えると、（２）式によれば、重みｗｔ及びｗｇの大きさを調整することで、評価関数Ｊの最小化に対する上記２つの偏差のそれぞれの影響の度合いを任意に設定することができる。

ステップＳ１０６に続くステップＳ１０８及びＳ１１０の処理は、駆動力最適化器４０の処理に該当する。これらのステップＳ１０８及びＳ１１０の処理は、駆動力最適化器４０による駆動力（指令トルクＴｐｃｍ）の最適化（最小化）の具体的な手法の１つである粒子群最適化手法のアルゴリズムに従って実行される処理である。なお、当該最適化のために、シューティング法等の他の最適化手法が用いられてもよい。

ステップＳ１０８では、ＥＣＵ３０は、評価関数Ｊの最適解への収束条件が満たされるか否かを判定する。具体的には、ＥＣＵ３０は、ステップＳ１０６において算出した評価関数Ｊの値が、粒子群最適化手法によって導き出される最適性の基準値（例えば、評価関数Ｊの絶対値）を満たすか否かを判定する。

ステップＳ１０８において収束条件が満たされない場合には、処理はステップＳ１１０に進む。ステップＳ１１０では、ＥＣＵ３０は、ステップＳ１０６において算出した評価関数Ｊの値に応じて、探索点（すなわち、予測期間ｔｐの指令トルクＴｐｃｍの時系列データ）を修正する。より具体的には、粒子群最適化手法を用いる例では、修正後の探索点の座標が、粒子群最適化手法のアルゴリズムに従って計算される。

ステップＳ１１０において探索点が修正されると、処理はステップＳ１０４に戻る。ＥＣＵ３０（駆動力最適化器４０）は、ステップＳ１０８の収束条件が満たされない間は、ステップＳ１０４、Ｓ１０６、及びＳ１１０の処理を繰り返し実行する。これにより、評価関数Ｊの値が徐々に小さくなっていく。

一方、ステップＳ１０８において収束条件が満たされた場合、つまり、評価関数Ｊを最小とする指令トルク（修正トルク）Ｔｐｃｍが算出された場合には、処理はステップＳ１１２に進む。ステップＳ１１２では、ＥＣＵ３０（駆動力最適化器４０）は、最新の（すなわち、最適化された）指令トルクＴｐｃｍの時系列データに含まれる次回の時間ステップの指令トルクＴｐｃｍの値を、最終指令トルクＴｐｃｍｆとして車両駆動ユニット１０に出力（指令）する。

なお、ステップＳ１０２～Ｓ１１０の処理（ただし、ステップＳ１０４中の加速度予測モデル３８の処理を除く）は、本開示に係る「指令トルク算出処理」の一例に相当する。

１－３．効果
以上説明したように、本実施形態の車両駆動トルクの制御構造は、車両前後加速度予測モデル３８と駆動力最適化器４０とを組み合わせて構成されている（図２参照）。具体的には、車両駆動トルク制御によれば、評価関数Ｊを最小とする指令トルクＴｐｃｍが算出される。この評価関数Ｊは、目標加速度Ｇｒｅｑに対する予測加速度Ｇｐｒｅの偏差（加速度偏差）を最小化するものである。より詳細には、図５に示すように目標加速度Ｇｒｅｑの波形は振動していないため、評価関数Ｊに含まれる上記加速度偏差が小さくなると、車両前後振動（車両前後加速度Ｇの振動）が低減される。このため、評価関数Ｊを最小とする指令トルクＴｐｃｍによれば、車両前後振動を良好に抑制できる。そして、この指令トルクＴｐｃｍの算出に用いられる予測加速度Ｇｐｒｅは、機械学習モデルである加速度予測モデル３８を用いて算出される。これにより、車両駆動トルク制御に用いられる適合値の数を大幅に減らすことができる。

また、評価関数Ｊは、目標車両前後加速度Ｇｒｅｑに対する予測加速度Ｇｐｒｅの加速度偏差だけでなく、目標トルクＴｐｆｒｑに対する指令トルクＴｐｃｍの偏差（トルク偏差）をも低減可能な指令トルクＴｐｃｍを算出できるように設定されている。このため、車両前後振動を抑制しつつ、目標トルクＴｐｆｒｑを良好に満たせるように指令トルクＴｐｃｍ（最終指令トルクＴｐｃｍｆ）を決定できるようになる。

したがって、本実施形態の車両駆動トルク制御によれば、適合工数を低減しつつ、車両前後振動の抑制と車両加減速性能とを両立できるようになる。付け加えると、評価関数Ｊ（（２）式参照）によれば、重みｗｔ及びｗｇの大きさを調整することで、車両前後振動の抑制と車両加減速性能の確保とのバランスを調整することができる。

また、本実施形態の車両駆動トルク制御では、現在の時間ステップからの所定期間である予測期間ｔｐに含まれる複数の時間ステップでの目標トルクＴｐｆｒｑ、指令トルクＴｐｃｍ、目標車両前後加速度Ｇｒｅｑ、及び予測加速度Ｇｐｒｅのデータを対象として、加速度予測モデル３８による予測加速度Ｇｐｒｅの算出（予測加速度算出処理）、及び、駆動力最適化器４０による指令トルクＴｐｃｍの算出（指令トルク算出処理）が時間ステップ毎に実行される。これにより、予測加速度Ｇｐｒｅの波形（時系列データ）を利用して予測加速度Ｇｐｒｅを評価しつつ、指令トルクＴｐｃｍの算出を行えるようになる。

そして、予測期間ｔｐは、ドライブシャフト１０４のねじれに起因する車両前後振動、及び、車両駆動ユニット１０のギアのバックラッシュが詰まることに起因する車両前後振動の予測に必要とされる最小の期間（車両前後振動の半周期分に相当する期間（例えば、０．３秒））として設定されている。このように、予測期間ｔｐを出来るだけ短い期間として設定することにより、予測の精度確保と予測に要する演算負荷の低減を図りつつ、車両前後振動の抑制と車両加減速性能との両立が可能な指令トルクＴｐｃｍ（最終指令トルクＴｐｃｍｆ）の算出を行えるようになる。なお、本開示に係る「予測期間」は、ドライブシャフトのねじれに起因する実車両前後加速度の振動、及び、１つ以上の動力源からドライブシャフトまでの動力伝達経路に位置するギアのバックラッシュが詰まることに起因する実車両前後加速度の振動のうちの「何れか一方」の予測に必要とされる最小の期間であってもよい。

さらに、本実施形態では、予測期間ｔｐに含まれる複数の時間ステップのそれぞれにおける目標トルクＴｐｆｒｑは、現在の時間ステップ（予測期間ｔｐの始点）における目標トルクＴｐｆｒｑの値で一定とされている。このような例に代え、予測期間ｔｐの目標トルクＴｐｆｒｑは、予測期間ｔｐのドライバーのアクセルペダル操作等、予測期間ｔｐの目標トルクＴｐｆｒｑの算出に必要とされるパラメータの予測を任意の手法で行いつつ算出されてもよい。これに対し、本実施形態のように予測期間ｔｐの目標トルクＴｐｆｒｑを一定値として予測することにより、ドライバーのアクセルペダル操作等のパラメータの予測を必要とせずに、予測期間ｔｐの目標トルクＴｐｆｒｑを設定できるようになる。このことも、車両駆動トルク制御に用いられる適合値の低減につながる。

２．実施の形態２
実施の形態２は、以下に説明される車両駆動トルクの制御構造において、実施の形態１と相違している。

図６は、実施の形態２に係る車両駆動トルクの制御構造の概要を示すブロック図である。図６に示す制御構造は、加速度予測モデル３８に代えて加速度予測モデル５０を備えるとともに、モデル補正部５２を追加的に備える点において、実施の形態１の制御構造（図２参照）と相違している。

具体的には、加速度予測モデル５０は、モデル再学習部５０ａを含む点を除き、加速度予測モデル３８と同じである。

モデル補正部５２（プロセッサ３０ａ）は、指令トルクＴｐｃｍ（最終指令トルクＴｐｃｍｆ）に応じたペラ軸トルクＴｐが車両駆動ユニット１０から出力されることに伴って生じる実車両前後加速度（以下、単に「実加速度」とも称する）Ｇａｃｔに対する予測加速度Ｇｐｒｅの差に基づいて、加速度予測モデル５０から出力される予測加速度Ｇｐｒｅを補正する。このような予測加速度Ｇｐｒｅの補正が行われた後、モデル補正部５２は、加速度予測モデル５０の出力である予測加速度Ｇｐｒｅに代え、補正後の予測加速度Ｇｐｒｅ’を駆動力最適化器４０に出力する。この補正は、本開示に係る「加速度補正処理」の一例に相当する。実加速度Ｇａｃｔは、センサ類３２に含まれる車両加速度センサ（Ｇセンサ）によって検出される。

図７は、図６に示すモデル補正部５２及びモデル再学習部５０ａに関する処理の流れの一例を示すフローチャートである。このフローチャートの処理は、車両駆動トルク制御の実行中に（すなわち、図３に示すフローチャートの処理と並行して）繰り返し実行される。なお、以下の説明は、加速時を例に挙げて行われるが、減速時に行われる処理も同様である。

図７では、ＥＣＵ３０（プロセッサ３０ａ）は、まずステップＳ２００において、実加速度Ｇａｃｔに対する予測加速度Ｇｐｒｅの差（すなわち、予測誤差）が、所定の閾値以上であるか否かを判定する。より具体的には、この判定は、例えば、所定の判定期間ｔｄ中の実加速度Ｇａｃｔ及び予測加速度Ｇｐｒｅの波形（時系列データ）を用いて行われる。

図８は、図７中のステップＳ２００の判定手法の一例を説明するためのタイムチャートである。図８は、車両１００の加速時に実加速度Ｇａｃｔ（実線）と予測加速度Ｇｐｒｅ（破線）との間に差が生じている状況を示している。図８において、Ａａ及びＡｐは、それぞれ、実加速度Ｇａｃｔ及び予測加速度Ｇｐｒｅの振幅であり、Ｆａ及びＦｐは、それぞれ、実加速度Ｇａｃｔ及び予測加速度Ｇｐｒｅの振動の半周期である。判定期間ｔｄは、一例として、駆動力最適化器４０において用いられる上述の予測期間ｔｐと同じである。ただし、判定期間ｔｄは、予測期間ｔｐよりも長い所定期間であってもよい。判定期間ｔｄを予測期間ｔｐよりも長く設定する場合には、本ステップＳ２００の予測誤差の判定のために、判定期間ｔｄ分の予測加速度Ｇｐｒｅの時系列データが加速度予測モデル５０を用いて算出されてもよい。

ステップＳ２００では、図８に示すように、ＥＣＵ３０は、所定の判定期間ｔｄ中の実加速度Ｇａｃｔの波形と予測加速度Ｇｐｒｅの波形との間に囲まれた領域の面積（積分値）を、上記予測誤差として算出する。そして、ＥＣＵ３０は、算出した予測誤差が閾値以上であるか否かを判定する。この閾値は、例えば、車両１００に乗っている人が知覚可能な加速度の最小値相当の値として事前に設定されている。

ステップＳ２００において、算出された予測誤差が閾値未満である場合（つまり、人が知覚可能な加速度よりも小さな予測誤差しか生じていない場合）には、ＥＣＵ３０は、今回の処理サイクルを終了する。一方、算出された予測誤差が閾値以上である場合には、処理はステップＳ２０２に進む。

ステップＳ２０２では、ＥＣＵ３０は、予測加速度Ｇｐｒｅの波形に振動が発生しているか否かを判定する。この判定は、例えば、加速開始後の予測加速度Ｇｐｒｅの波形の振幅Ａｐ（例えば、図８参照）が所定の閾値以上であるか否かに基づいて行うことができる。

ステップＳ２０２の判定結果が肯定的である場合（すなわち、図８に示す予測加速度Ｇｐｒｅの波形の例のように振動が生じている場合）には、処理はステップＳ２０４に進む。ステップＳ２０４では、ＥＣＵ３０は、予測加速度Ｇｐｒｅ及び実加速度Ｇａｃｔのそれぞれの波形について、半周期Ｆｐ、Ｆａ及び振幅Ａｐ、Ａａを取得する。なお、振幅Ａｐは、ステップＳ２０２で取得されたものと同じである。

ステップＳ２０４に続くステップＳ２０６では、ＥＣＵ３０は、実加速度Ｇａｃｔの半周期Ｆａに対する予測加速度Ｇｐｒｅの半周期Ｆｐの誤差（実加速度Ｇａｃｔの波形に対する予測加速度Ｇｐｒｅの波形の時間遅れ）があるか否かを判定する。この判定は、例えば、半周期Ｆａと半周期Ｆｐとの差の絶対値が所定の閾値以上であるか否かに基づいて行うことができる。その結果、半周期Ｆｐに誤差がある場合には処理はステップＳ２０８に進み、半周期Ｆｐに誤差がない場合には処理はステップＳ２１０に進む。

ステップＳ２０８では、ＥＣＵ３０は、実加速度Ｇａｃｔの波形に対する予測加速度Ｇｐｒｅの波形の時間遅れを補正するための補正ゲインＧｆを算出し、予測加速度Ｇｐｒｅの時間遅れを補正する。この補正ゲインＧｆは、半周期Ｆａに基づいて算出される。例えば、ＥＣＵ３０は、ステップＳ２０４にて取得された半周期Ｆａ及びＦｐの値を用いて、半周期Ｆａを半周期Ｆｐで除して得られる値を補正ゲインＧｆとして算出する。

図９（Ａ）及び図９（Ｂ）は、図６に示すモデル補正部５２による予測加速度Ｇｐｒｅの時間遅れ及び振幅の補正手法の一例を説明するための図である。図９（Ａ）は、加速度予測モデル５０の出力である予測加速度Ｇｐｒｅの波形（すなわち、モデル補正部５２による補正前の波形）を表している。図９（Ｂ）は、モデル補正部５２による補正後の予測加速度Ｇｐｒｅ’の波形を表している。図９（Ｂ）に示す例では、時間遅れ及び振幅の双方の補正が行われている。

ステップＳ２０８では、ＥＣＵ３０は、上述のように補正ゲインＧｆを算出したうえで、算出した補正ゲインＧｆを補正前の予測加速度Ｇｐｒｅの波形（時系列データ）に反映させることにより、予測加速度Ｇｐｒｅの波形の時間遅れを補正する。具体的には、加速度予測モデル５０から出力される補正前の予測加速度Ｇｐｒｅに対し、補正ゲインＧｆが乗算される。その結果、加速度予測モデル５０の出力である予測加速度Ｇｐｒｅの波形の半周期Ｆｐが、図９（Ｂ）中に示す半周期Ｆｐ’のように補正される。このような補正ゲインＧｆを用いた時間遅れの補正は、補正ゲインＧｆの算出後に加速度予測モデル５０から出力される予測加速度Ｇｐｒｅに対して継続的に反映される。

ステップＳ２０８に続くステップＳ２１０では、ＥＣＵ３０は、実加速度Ｇａｃｔの振幅Ａａに対する予測加速度Ｇｐｒｅの振幅Ａｐの誤差があるか否かを判定する。この判定は、例えば、振幅Ａａと振幅Ａｐとの差の絶対値が所定の閾値以上であるか否かに基づいて行うことができる。その結果、振幅Ａｐに誤差がある場合には処理はステップＳ２１２に進む。一方、振幅Ａｐに誤差がない場合には、ＥＣＵ３０は、今回の処理サイクルを終了する。

ステップＳ２１２では、ＥＣＵ３０は、実加速度Ｇａｃｔの波形に対する予測加速度Ｇｐｒｅの波形の振幅Ａｐの誤差を補正するための補正ゲインＧａを算出し、予測加速度Ｇｐｒｅの振幅Ａｐの誤差を補正する。この補正ゲインＧａは、振幅Ａａに基づいて算出される。例えば、ＥＣＵ３０は、ステップＳ２０４にて取得された振幅Ａａ及びＡｐの値を用いて、振幅Ａａを振幅Ａｐで除して得られる値を補正ゲインＧａとして算出する。

ステップＳ２１２では、ＥＣＵ３０は、上述のように補正ゲインＧａを算出したうえで、算出した補正ゲインＧａを補正前の予測加速度Ｇｐｒｅの波形（時系列データ）に反映させることにより、振幅Ａｐを補正する。具体的には、加速度予測モデル５０から出力される補正前の予測加速度Ｇｐｒｅに対し、補正ゲインＧａが乗算される。その結果、加速度予測モデル５０からの出力である予測加速度Ｇｐｒｅの波形の振幅Ａｐが、図９（Ｂ）中に示す振幅Ａｐ’のように補正される。このような補正ゲインＧａを用いた振幅Ａｐの補正は、補正ゲインＧａの算出後に加速度予測モデル５０から出力される予測加速度Ｇｐｒｅに対して継続的に反映される。

なお、図７中のステップＳ２００～Ｓ２１２の処理は、本開示に係る「加速度補正処理」の一例に相当する。

次に、図１０は、図６に示すモデル再学習部５０ａによる予測加速度Ｇｐｒｅの再学習が行われる条件における予測加速度Ｇｐｒｅ及び実加速度Ｇａｃｔの波形の一例を示すタイムチャートである。図１０に示す例における予測加速度Ｇｐｒｅの波形では、図８に示す予測加速度Ｇｐｒｅの波形と同様に、判定期間ｔｄにおける実加速度Ｇａｃｔに対する予測加速度Ｇｐｒｅの誤差（予測誤差）が閾値（ステップＳ２００参照）以上となっている。しかしながら、この予測加速度Ｇｐｒｅの波形には、振動は発生していない。このように振動が発生していない場合には、モデル補正部５２による補正を行うことができない。その結果、ステップＳ２０２の判定結果が否定的となり、処理はステップＳ２１４に進む。

ステップＳ２１４では、ＥＣＵ３０は、処理が本ステップＳ２１４に進んだ後に到来する加速時（及び減速時）において、加速度予測モデル５０の再学習に用いられる学習データを取得する。具体的には、学習データは、事前に行われる学習で用いられるものと同様に、説明変数（入力）である指令トルクＴｐｃｍ及び変数ｘの時系列データと目的変数（出力）である車両前後加速度Ｇ（実車両前後加速度Ｇａｃｔ）の時系列データとの組み合わせである。

ステップＳ２１４に続くステップＳ２１６では、ＥＣＵ３０は、加速度予測モデル５０の再学習に十分な所定数の学習データの取得が完了したか否かを判定する。その結果、所定数の学習データの取得が完了した場合には、処理はステップＳ２１８に進む。

ステップＳ２１８では、ＥＣＵ３０は、取得した学習データを用いて、加速度予測モデル５０の再学習を実行する。具体的には、ステップＳ２１８では、ＥＣＵ３０は、再学習前の加速度予測モデル５０の複製を作成して記憶装置３０ｂに保存する。そして、複製された方の加速度予測モデル（説明の便宜上、「加速度予測モデルＣ」と称する）に学習データを与えることにより、当該加速度予測モデルＣの学習を行う。なお、加速度予測モデルＣの学習は、事前の学習に用いられた古い学習データとともにステップＳ２１４において取得された学習データを用いて行われてもよいし、古い学習データを用いずに行われてもよい。

ステップＳ２１８に続くステップＳ２２０では、ＥＣＵ３０は、加速度予測モデルＣによる予測加速度Ｇｐｒｅの算出精度が、現行の加速度予測モデル５０のそれよりも高いか否かを判定する。具体的には、この判定は、例えば次のように行うことができる。すなわち、加速度予測モデルＣの学習完了後に到来した車両１００の加速時において、ＥＣＵ３０は、２つの加速度予測モデル５０及びＣのそれぞれを用いて、ステップＳ２００と同様の処理によって予測加速度Ｇｐｒｅの予測誤差を算出する。そして、ＥＣＵ３０は、加速度予測モデルＣの予測誤差が、現行の加速度予測モデル５０の予測誤差より小さいか否かを判定する。

ステップＳ２２０において現行の加速度予測モデル５０の予測精度と比べて加速度予測モデルＣの予測精度が良好である場合には、処理はステップＳ２２２に進む。ステップＳ２２２では、ＥＣＵ３０は、現行の加速度予測モデル５０を削除し、加速度予測モデルＣによって加速度予測モデル５０を更新する。一方、ステップＳ２２０において現行の加速度予測モデル５０の予測精度の方が加速度予測モデルＣの予測精度より良好である場合には、ＥＣＵ３０は、加速度予測モデルＣを削除しつつ、今回の処理サイクルを終了する（すなわち、加速度予測モデル５０の更新を行わない）。

以上説明したように、実施の形態２の車両駆動トルクの制御構造は、モデル補正部５２を追加的に備えている。これにより、例えば、加速度予測モデル５０が搭載される車両１００の個体差に起因して予測加速度Ｇｐｒｅの精度が良好でない場合に、モデル補正部５２を利用して予測精度を担保できるようになる。

また、本実施形態の加速度予測モデル５０は、モデル再学習部５０ａを有する。このため、予測加速度Ｇｐｒｅの波形に振動が発生していないためにモデル補正部５２による補正を行うことができない場合であっても、モデル再学習部５０ａを利用して予測精度を担保できるようになる。

付け加えると、ＥＣＵ３０は、図７に示すステップＳ２００の処理において予測加速度Ｇｐｒｅの予測誤差が所定の閾値以上となる判定結果が所定回数継続して得られた場合に、ステップＳ２０２の処理に進んでもよい。これにより、ＥＣＵ３０は、予測加速度Ｇｐｒｅに継続的な予測誤差が生じた場合に、モデル補正部５２又はモデル再学習部５０ａを利用して予測精度を担保できるようになる。

１ 第１モータジェネレータ
２ 第２モータジェネレータ
３ 内燃機関
１０ 車両駆動ユニット
１２ 動力分割機構
２２ 減速機構
２４ カウンタ軸（ペラ軸）
２６ ディファレンシャルギア
３０ 電子制御ユニット（ＥＣＵ）
３０ａ プロセッサ
３０ｂ 記憶装置
３２ センサ類
３４ 目標トルク算出部
３６ 目標値変換部
３８、５０ 車両前後加速度予測モデル
４０ 駆動力最適化器
５０ａ 車両前後加速度予測モデルのモデル再学習部
５２ モデル補正部
１００ 車両
１０２ 車輪
１０４ ドライブシャフト

Claims (5)

1. １つ以上の動力源を有する車両駆動ユニットを車両の運転状態に基づいて制御する制御装置であって、
   プロセッサと、
   前記車両駆動ユニットに指令される車両駆動トルクである指令トルクを入力とし車両前後加速度の予測値である予測加速度を出力とする機械学習モデルである車両前後加速度予測モデルを記憶する記憶装置と、
   を備え、
   前記プロセッサは、
   前記車両前後加速度予測モデルを用いて前記予測加速度を算出する予測加速度算出処理と、
   前記運転状態に基づく前記車両駆動トルクの目標値である目標トルクに対する前記指令トルクの偏差を低減しつつ前記目標トルクに応じた目標車両前後加速度に対する前記予測加速度の偏差を最小化する評価関数を最小とする前記指令トルクを算出する指令トルク算出処理と、
   を実行する
   ことを特徴とする車両駆動ユニットの制御装置。
2. 前記プロセッサは、前記指令トルクに応じた車両駆動トルクが前記車両駆動ユニットから出力されることに伴って生じる実車両前後加速度に対する前記予測加速度の差に基づいて、前記車両前後加速度予測モデルから出力される前記予測加速度を補正する加速度補正処理をさらに実行する
   ことを特徴とする請求項１に記載の車両駆動ユニットの制御装置。
3. 前記プロセッサは、現在の時間ステップからの所定期間である予測期間に含まれる複数の時間ステップでの前記目標トルク、前記指令トルク、前記目標車両前後加速度、及び前記予測加速度のデータを対象として、前記予測加速度算出処理及び前記指令トルク算出処理を時間ステップ毎に実行する
   ことを特徴とする請求項１又は２に記載の車両駆動ユニットの制御装置。
4. 前記予測期間は、前記車両のドライブシャフトのねじれに起因する実車両前後加速度の振動、及び、前記１つ以上の動力源から前記ドライブシャフトまでの動力伝達経路に位置するギアのバックラッシュが詰まることに起因する実車両前後加速度の振動のうちの少なくとも一方の予測に必要とされる最小の期間である
   ことを特徴とする請求項３に記載の車両駆動ユニットの制御装置。
5. 前記プロセッサは、前記予測期間に含まれる前記複数の時間ステップのそれぞれにおける前記目標トルクを、前記現在の時間ステップにおける前記目標トルクの値で一定とする
   ことを特徴とする請求項４に記載の車両駆動ユニットの制御装置。

Images