JP7816319B2

JP7816319B2 - 車両の制御装置

Info

Publication number: JP7816319B2
Application number: JP2023149642A
Authority: JP
Inventors: 彰柱安
Original assignee: Toyota Motor Corp
Current assignee: Toyota Motor Corp
Priority date: 2023-09-14
Filing date: 2023-09-14
Publication date: 2026-02-18
Anticipated expiration: 2043-09-14
Also published as: US20250091557A1; US12534051B2; JP2025042549A

Description

本開示は、車両の制御装置に関する。

従来、この種の車両の制御装置としては、駆動軸に動力を出力するモータと、車軸を介して駆動軸に接続される車輪に制動力を付与する油圧式の制動力付与装置（ブレーキ）と、を備える車両に用いられ、ブレーキを制御するものが提案されている（例えば、特許文献１参照）。この装置では、車両が波状路を走行中に急制動が要求されたときには、ブレーキ油圧が閾値以下になるように制動力付与装置を制御する。これにより、車軸や駆動軸のトルク変動を抑制している。

特開２０１０－２６４９１５号公報

上述の制御装置では、車軸や駆動軸のトルク変動を抑制しているものの、ブレーキ油圧を閾値以下とするから、車両の減速を抑制しまうことがある。

本開示の車両の制御装置は、車軸や駆動軸のトルク変動を抑制すると共に車両をより適正に減速させることを主目的とする。

本開示の車両の制御装置は、上述の主目的を達成するために以下の手段を採った。

本開示の車両の制御装置は、
駆動軸に動力を出力するモータと、車軸を介して前記駆動軸に接続される車輪に制動力を付与する制動力付与装置と、を備える車両に用いられ、前記モータと前記制動力付与装置を制御する車両の制御装置であって、
波状路を走行中に制動要求がなされたときには、前記制動要求に基づく要求制動力が付与されているときの車輪速の時間波形を予測し、予測した前記車輪速の時間波形における前記車輪速の変動のタイミングに合わせて前記制動力付与装置から前記要求制動力から低減された制動力が付与されるように前記制動力付与装置を制御する低減制御を実行する
ことを要旨とする。

この本開示の車両の制御装置では、波状路を走行中に制動要求がなされたときには、制動要求に基づく要求制動力が付与されているときの車輪速の時間波形を予測し、予測した車輪速の時間波形における車輪速の変動のタイミングに合わせて制動力付与装置から要求制動力から低減された制動力が付与されるように制動力付与装置を制御する低減制御を実行する。波状路で車両が跳ねて車輪が空転したとき、即ち、車輪速に変動が発生しているときに車輪に一定の制動力が付与されると、車軸や駆動軸にトルク変動が発生してしまう。そのため、車輪速の変動に合わせて制動力付与装置から車輪に付与する制動力を要求制動力から低減させることにより、車輪速の変動に拘わらず一定の比較的大きな制動力を付与するものに比して、車軸や駆動軸のトルク変動を抑制できる。また、車輪速の変動に拘わらず一定の比較的小さな制動力を付与するものに比して、車両を迅速に減速させることができる。この結果、車軸や駆動軸のトルク変動を抑制できると共に、車両をより適正に減速させることができる。

こうした本開示の車両の制御装置において、制動要求は、急制動の要求であり、車輪速の時間波形として、車両が停車するまでの時間波形を予測してもよい。こうすれば、急制動が要求されるときに、車両が停車するまでの時間波形に応じて車軸や駆動軸のトルク変動を抑制できる。

また、本開示の車両の制御装置において、前記車輪速の時間波形に基づいて前記車両が停車する停車タイミングを予測し、前記低減制御の実行中に前記車輪速の変動幅が所定の低変動状態に至ったときは、前記低減制御の実行を終了し、予測した前記停車タイミングで前記車両が停車するように前記制動力付与装置を制御する。これにより、車両を予測した停車タイミングで停車させることができ、制動距離の増加を抑制できる。

さらに、本開示の車両の制御装置において、前記低減制御は、予測した前記車輪速の時間波形において前記車輪速が２回変動する毎に１回の割合で前記制動力付与装置から付与する制動力が低減するように前記制動力付与装置を制御してもよい。こうすれば、車輪に付与する制動力をある程度保持しつつ、車軸や駆動軸のトルク変動を抑制できる。

そして、本開示の車両の制御装置において、機械学習により前記波状路を走行中に前記制動要求がなされたときの前記車輪速の時間波形のモデルを生成し、前記波状路を走行中に制動要求がなされたときには、前記モデルを用いて前記車輪速の時間波形を予測してもよい。機械学習により生成したモデルを用いて車輪速の時間波形を予測することにより、車輪速の時間波形の予測の精度が向上する。精度よく予測された車輪速の時間波形を用いて低減制御を実行するから、より適正に、車軸や駆動軸のトルク変動を抑制できると共に車両を減速させることができる。

発明の実施形態としての車両の制御装置を搭載する電気自動車２０の構成の概略を示す構成図である。機械学習により機械学習モデルＭ１を作成する様子の一例を示す説明図である。機械学習により機械学習モデルＭ２を作成する様子の一例を示す説明図である。電子制御ユニット４０に実行されるブレーキ制御ルーチンの一例を示すフローチャートである電子制御ユニット４０に実行される予測処理ルーチンの一例を示すフローチャートである。ブレーキ油圧Ｐｂｏｉｌおよび車輪速Ｖｗの時間変化の一例を示す説明図である。

本開示の実施形態について図面を参照しながら説明する。図１は、本発明の実施形態としての車両の制御装置を搭載する電気自動車２０の構成の概略を示す構成図である。実施形態の電気自動車２０は、図示するように、モータ２２と、インバータ２４と、バッテリ３０と、システムメインリレー３４と、電子制御ユニット４０と、ブレーキアクチュエータ（制動力付与装置）６２と、を備える。

モータ２２は、同期発電電動機として構成されており、永久磁石が埋め込まれた回転子と、三相コイルが巻回された固定子と、を備える。このモータ２２の回転子は、駆動輪２８ａ，２８ｂにデファレンシャルギヤ２７を介して連結された駆動軸２６に接続されている。

インバータ２４は、モータ２２に接続されると共に電力ライン３２に接続されている。このインバータ２４は、６つのトランジスタと、６つのダイオードと、を有する周知のインバータ回路として構成されている。

バッテリ３０は、例えばリチウムイオン二次電池やニッケル水素二次電池として構成されており、電力ライン３２に接続されている。電力ライン３２には、システムメインリレー３４が取り付けられている。このシステムメインリレー３４は、図示しないが、電力ライン３２の正極母線に設けられた正極側リレーと、電力ライン３２の負極母線に設けられた負極側リレーと、負極側リレーをバイパスするようにプリチャージ用抵抗とプリチャージ用リレーとが直列接続されたプリチャージ回路と、を有する。電力ライン３２には、平滑用のコンデンサ３６や図示しない補機も接続されている。

電子制御ユニット４０は、ＣＰＵ４２を中心とするマイクロプロセッサとして構成されており、ＣＰＵ４２の他に、処理プログラムを記憶するＲＯＭ４４やデータを一時的に記憶するＲＡＭ４６，図示しないフラッシュメモリ，図示しない入出力ポート、図示しない通信ポートなどを備える。

電子制御ユニット４０には、各種センサからの信号が入力ポートを介して入力されている。電子制御ユニット４０に入力される信号としては、例えば、モータ２２の回転子の回転位置を検出する回転位置検出センサ（例えばレゾルバ）２２ａからの回転位置θｍ，バッテリ３０の端子間に取り付けられた電圧センサ３１ａからの電圧ＶＢ，バッテリ３０の出力端子に取り付けられた電流センサ３１ｂからの電流ＩＢを挙げることができる。また、コンデンサ３６の端子間に取り付けられた電圧センサ３７からのコンデンサ３６（電力ライン３２）の電圧Ｖｉｎも挙げることができる。さらに、スタートスイッチ５０からのスタート信号や，シフトレバー５１の操作位置を検出するシフトポジションセンサ５２からのシフトポジションＳＰ，アクセルペダル５３の踏み込み量を検出するアクセルペダルポジションセンサ５４からのアクセル開度，ブレーキペダル５５の踏み込み量を検出するブレーキペダルポジションセンサ５６からのブレーキペダルポジション，車速センサ５８からの車速Ｖ、水平方向および前後方向および垂直方向の加速度を検出する３軸加速度センサ５９からの３軸加速度αなども挙げることができる。

電子制御ユニット４０からは、各種制御信号が出力ポートを介して出力されている。電子制御ユニット４０から出力される信号としては、例えば、インバータ２４のトランジスタへのスイッチング制御信号，システムメインリレー３４への駆動制御信号などを挙げることができる。

電子制御ユニット４０は、回転位置検出センサ２２ａからの回転位置θｍに基づいてモータ２２の回転数Ｎｍを演算したり、図示しない電流センサにより検出されたモータ２２の三相コイルに流れる電流に基づいてモータ２２から出力されているトルクとしてのモータトルクＴｍを演算している。電子制御ユニット４０は、３軸加速度センサ５９からの３軸加速度αに基づいてピッチ角θｐを演算している。電子制御ユニット４０は、車両の重量やホイールベースの長さ、重心の高さ、車両の進行方向への加速度などに基づいてタイヤの接地荷重Ｌｖや前後荷重Ｌｌを演算している。

ブレーキアクチュエータ６２は、ブレーキペダル５５の踏み込みに応じて生じるブレーキマスタシリンダ６０の圧力（ブレーキ油圧）Ｐｂｏｉｌと車速Ｖとにより車両に作用させる制動力におけるブレーキの分担分に応じた制動力が従動輪２９ａ，２９ｂや駆動輪２８ａ，２８ｂに作用するようディスクブレーキ６６ａ～６６ｄのピストンの油圧を調整したり、ブレーキペダル５５の踏み込みに無関係に、従動輪２９ａ，２９ｂや駆動輪２８ａ，２８ｂに制動力が作用するようディスクブレーキ６６ａ～６６ｄのピストンの油圧を調整できるように構成されている。ブレーキ油圧Ｐｂｏｉｌは、ブレーキマスタシリンダ６０の圧力（ブレーキ油圧）を検出する図示しない油圧センサにより検出されたものを用いている。以下、ブレーキアクチュエータ６２の作動により従動輪２９ａ，２９ｂや駆動輪２８ａ，２８ｂに作用させる制動力を油圧ブレーキと称することがある。ブレーキアクチュエータ６２は、ブレーキ用電子制御ユニット（以下、ブレーキＥＣＵという）６４により制御されている。ブレーキＥＣＵ６４は、電子制御ユニット４０と通信しており、電子制御ユニット４０からの制御信号によってブレーキアクチュエータ６２を駆動制御したり、必要に応じてブレーキ油圧Ｐｂｏｉｌなどブレーキアクチュエータ６２の状態に関するデータを電子制御ユニット４０に出力する。

ブレーキＥＣＵ６４は、従動輪２９ａ，２９ｂや駆動輪２８ａ，２８ｂに取り付けられた車輪速センサ６８ａ～６８ｄからの車輪速Ｖｄｒ，Ｖｄｌ，Ｖｎｒ，Ｖｎｌやディスクブレーキ６６ａ～６６ｄのブレーキパッドの温度を検出する温度センサ６９ａ～６９ｄからのブレーキパッド温度Ｔｂｐａ～Ｔｂｐｄ、図示しない操舵角センサからの操舵角などが入力されている。

ブレーキＥＣＵ６４は、運転者がブレーキペダル５５を踏み込んだときにブレーキペダル５５の踏み込み量に応じて駆動輪２８ａ，２８ｂや従動輪２９ａ，２９ｂに作用させるべき制動トルクを計算する。そして、ブレーキＥＣＵ６４は、駆動輪２８ａ，２８ｂや従動輪２９ａ，２９ｂに作用させるべき制動トルクをディスクブレーキ６６ａ～６６ｄによる制動トルクとモータ２２の回生制御による制動トルクとに分担する。そして、ディスクブレーキ６６ａ～６６ｄから作用させるべき制動トルク（要求制動力）Ｔｂ＊が作用するようにブレーキアクチュエータ６２を駆動制御する。モータ２２の回生制御による制動トルクＴｂｍ＊については電子制御ユニット４０に送信し、これを受信した電子制御ユニット４０がモータ２２出力すべき制動トルクが出力されるようにインバータ２４のスイッチング素子をスイッチング制御する。

さらに、ブレーキＥＣＵ６４は、所定時間毎（例えば、数ｍｓｅｃ毎など）に車輪速センサ６８ａ～６８ｄからの車輪速Ｖｄｒ，Ｖｄｌ，Ｖｎｒ，Ｖｎｌを入力して、入力する毎に前回入力したときからの車輪速Ｖｄｒ，Ｖｄｌ，Ｖｎｒ，Ｖｎｌからの変動量ΔＶｄｒ、ΔＶｄｌ、ΔＶｎｒ、ΔＶｎｌと、変動量ΔＶｄｒ、ΔＶｄｌ、ΔＶｎｒ、ΔＶｎｌの平均値（＝（ΔＶｄｒ＋ΔＶｄｌ＋ΔＶｎｒ＋ΔＶｎｌ）／４）の積算値Ｓｄｖを演算する。そして、積算値Ｓｄｖが閾値Ｓｄｒｅｆ１以上になったときに、路面が波状路であると判定して、波状路フラグＦを値１に設定する。積算値Ｓｄｖが閾値Ｓｄｒｅｆ１未満になったときに、路面が波状路ではないと判定して、波状路フラグＦを値０に設定する。

次に、こうして構成された実施形態の電気自動車２０の動作、特に、波状路を走行中に走行要求がなされたときの動作について説明する。最初に、電気自動車２０において事前に（例えば、電気自動車２０の出荷前に電気自動車２０をテストコースやシャシダイナモメータ上で駆動して）行なわれる機械学習について説明し、続いて、走行中の動作について説明する。

図２は、機械学習により機械学習モデルＭ１を作成する様子の一例を示す説明図である。実施形態の電気自動車２０では、電子制御ユニット４０は、事前に、機械学習により、モータトルクＴｍと車速Ｖと車輪速Ｖｄｒ，Ｖｄｌ，Ｖｎｒ，Ｖｎｌと接地荷重Ｌｖとピッチ角θｐとを入力データとし、タイヤと路面との摩擦係数μ（タイヤμ）を出力データとする機械学習モデルＭ１を作成して、電子制御ユニット４０のＲＯＭ４４に記憶する。ここで、車速Ｖは、車速センサ５８により検出されたものを、車輪速Ｖｄｒ，Ｖｄｌ，Ｖｎｒ，Ｖｎｌは車輪速センサ６８ａ～６８ｄにより検出されたものを用いる。モータトルクＴｍ、接地荷重Ｌｖ、ピッチ角θｐは、電子制御ユニット４０で演算したものを用いる。タイヤμは、予めテストコースの路面やシャシダイナモの接地面とタイヤの摩擦係数として予め演算したものを用いる。

図３は、機械学習により機械学習モデルＭ２を作成する様子の一例を示す説明図である。実施形態の電気自動車２０では、電子制御ユニット４０は、事前に、機械学習により、急制動の要求がなされて駆動輪２８ａ、２８ｂや従動輪２９ａ，２９ｂに制動トルクが付与されたときのタイヤμとモータトルクＴｍと回転数Ｎｍと車速Ｖと車輪速Ｖｄｒ，Ｖｄｌ，Ｖｎｒ，Ｖｎｌと接地荷重Ｌｖと前後荷重Ｌｌとピッチ角θｐとブレーキ油圧Ｐｂｏｉｌとブレーキパッド温度Ｔｂｐａ～Ｔｂｐｄとを入力データとし、所定の急制動がなされてから電気自動車２０が停車するまでの期間における車輪速Ｖｄｒ，Ｖｄｌ，Ｖｎｒ，Ｖｎｌの平均値（以下、「車輪速Ｖｗ」という）の時間波形を出力データとする機械学習モデルＭ２を作成して、電子制御ユニット４０のＲＯＭ４４に記憶する。ここで、車速Ｖは、車速センサ５８により検出されたものを、車輪速Ｖｄｒ，Ｖｄｌ，Ｖｎｒ，Ｖｎｌは車輪速センサ６８ａ～６８ｄにより検出されたものをそれぞれ用いる。ブレーキ油圧Ｐｂｏｉｌは、図示しない油圧センサにより検出されたもの、ブレーキパッド温度Ｔｂｐａ～Ｔｂｐｄは、温度センサ６０ａ～６９ｄにより検出されたものを、ブレーキＥＣＵ６４を介して入力する。モータトルクＴｍ、回転数Ｎｍ、接地荷重Ｌｖ、前後荷重Ｌｌ、ピッチ角θｐは、電子制御ユニット４０で演算したものを用いる。タイヤμは、予めテストコースの路面やシャシダイナモの接地面とタイヤの摩擦係数として予め演算したものを用いる。急制動の要求は、時間の変化量に対するブレーキ油圧Ｐｂｏｉｌの傾きＫｐｂｏｉｌが所定値ｄｐｒｅｆを超えているときなどを挙げることができる。

続いて、実施形態の電気自動車２０が波状路を走行しているときの動作について説明する。図４は、電子制御ユニット４０に実行されるブレーキ制御ルーチンの一例を示すフローチャートである。本ルーチンは、走行中に実行される。

本ルーチンが実行されると、電子制御ユニット４０のＣＰＵ４２は、車輪速Ｖｄｒ，Ｖｄｌ，Ｖｎｒ，Ｖｎｌとブレーキ油圧Ｐｂｏｉｌと波状路フラグＦとを入力する処理を実行する（ステップＳ１００）。車輪速Ｖｄｒ，Ｖｄｌ，Ｖｎｒ，Ｖｎｌは車輪速センサ６８ａ～６８ｄにより検出されたものを入力する。ブレーキ油圧Ｐｂｏｉｌは、図示しない油圧センサにより検出されたものをブレーキＥＣＵ６４を介して入力する。

こうして予測したタイヤμを含む処理に必要なデータを入力すると、波状路フラグＦが値１であるか否かを判定する（ステップＳ１１０）。波状路フラグＦが値０のときには、波状路を走行中ではないと判断して、本ルーチンを終了する。

ステップＳ１１０で波状路フラグＦが値１のときには、次式（１）を用いて時間に対するブレーキ油圧Ｐｂｏｉｌの傾きＫｐｂｏｉｌを演算する（ステップＳ１２０）。式（１）中、「前回Pboil」は、前回ステップＳ１００やステップＳ１４０を実行したときに入力したブレーキ油圧Ｐｂｏｉｌである。時間ｔｒｅｆは、前回ステップＳ１００やステップＳ１４０を実行してからの経過時間である。

Kpboil=(Pboil-前回Pboil)/tref・・・(1)

続いて、傾きＫｐｂｏｉｌが閾値Ｋｒｅｆを超えているか否かを判定する（ステップＳ１３０）。閾値Ｋｒｅｆは、ブレーキ油圧Ｐｂｏｉｌが短時間で急激に変化したか否かを判定するための閾値である。ブレーキ油圧Ｐｂｏｉｌは、ブレーキペダル５５の踏み込みに応じて生じる。したがって、ステップＳ１３０は、ブレーキペダル５５が短時間に急激に踏み込まれたか否か、つまり、急制動が要求されたか否かを判定する処理となっている。傾きＫｐｂｏｉｌが閾値Ｋｒｅｆを超えていないときには、本ルーチンを終了する。

ステップＳ１３０で傾きＫｐｂｏｉｌが閾値Ｋｒｅｆを超えているときには、急制動が要求されたと判断して、モータトルクＴｍと回転数Ｎｍと車速Ｖと車輪速Ｖｄｒ，Ｖｄｌ，Ｖｎｒ，Ｖｎｌと接地荷重Ｌｖと前後荷重Ｌｌとピッチ角θｐとブレーキ油圧Ｐｂｏｉｌとブレーキパッド温度Ｔｂｐａ～Ｔｂｐｄとタイヤμとを入力する処理を実行する（ステップＳ１４０）。車速Ｖは、車速センサ５８により検出されたものを、車輪速Ｖｄｒ，Ｖｄｌ，Ｖｎｒ，Ｖｎｌは車輪速センサ６８ａ～６８ｄにより検出されたものをそれぞれ入力する。ブレーキ油圧Ｐｂｏｉｌは、図示しない油圧センサにより検出されたもの、ブレーキパッド温度Ｔｂｐａ～Ｔｂｐｄは、温度センサ６０ａ～６９ｄにより検出されたものを、ブレーキＥＣＵ６４を介して入力する。モータトルクＴｍ、回転数Ｎｍ、接地荷重Ｌｖ、前後荷重Ｌｌ、ピッチ角θｐは、電子制御ユニット４０で演算したものを用いる。タイヤμは、機械学習モデルＭ１を用いて予測したものをＲＡＭ４６から入力する。

ここで、タイヤμの予測について説明する。図５は、電子制御ユニット４０に実行される予測処理ルーチンの一例を示すフローチャートである。本ルーチンは、走行中に繰り返し実行される。

本ルーチンが実行されると、電子制御ユニット４０のＣＰＵ４２は、モータトルクＴｍと車速Ｖと車輪速Ｖｄｒ，Ｖｄｌ，Ｖｎｒ，Ｖｎｌと接地荷重Ｌｖとピッチ角θｐと波状路フラグＦの入力する（ステップＳ３００）。車速Ｖは、車速センサ５８により検出されたものを、車輪速Ｖｄｒ，Ｖｄｌ，Ｖｎｒ，Ｖｎｌは車輪速センサ６８ａ～６８ｄにより検出されたものを入力する。モータトルクＴｍ、接地荷重Ｌｖ、ピッチ角θｐは、電子制御ユニット４０で演算したものを入力する。波状路フラグＦは、上述したように、車輪速センサ６８ａ～６８ｄからの車輪速Ｖｄｒ，Ｖｄｌ，Ｖｎｒ，Ｖｎｌに基づいて設定したものを入力する。

続いて、モータトルクＴｍと車速Ｖと車輪速Ｖｄｒ，Ｖｄｌ，Ｖｎｒ，Ｖｎｌと接地荷重Ｌｖとピッチ角θｐを入力データとして機械学習モデルＭ１を用いてタイヤμを予測し（ステップＳ３１０）、波状路フラグＦが値１か否かを判定する（ステップＳ３２０）。波状路フラグＦが値１でないときには、本ルーチンを終了し、波状路フラグＦが値１のときには、予測したタイヤμをＲＡＭ４６に記憶して（ステップＳ３３０）、本ルーチンを終了する。

続いて、ステップＳ１４０で入力したデータ、即ち、タイヤμとモータトルクＴｍと回転数Ｎｍと車速Ｖと車輪速Ｖｄｒ，Ｖｄｌ，Ｖｎｒ，Ｖｎｌと接地荷重Ｌｖと前後荷重Ｌｌとピッチ角θｐとブレーキ油圧Ｐｂｏｉｌとブレーキパッド温度Ｔｂｐａ～Ｔｂｐｄとを入力データとして、機械学習モデルＭ２を用いて現時点から電気自動車２０が停車するまでの車輪速Ｖｗの時間波形を予測する（ステップＳ１５０）。図６は、ブレーキ油圧Ｐｂｏｉｌおよび車輪速Ｖｗの時間変化の一例を示す説明図である。時間ｔ０は、ステップＳ１３０で傾きＫｐｂｏｉｌが閾値Ｋｒｅｆを超えていると判定されたタイミングである。時間ｔ１は、車両が停車するタイミングである。ステップＳ１５０では、図６における時間ｔ０から時間ｔ１までの車輪速Ｖｗの時間変化（時間波形）を予測する処理となっている。今、波状路を走行していることから、波状路で車両が跳ねて駆動輪２８ａ，２８ｂや従動輪２９ａ，２９が空転し、接地したときに駆動輪２８ａ，２８ｂや従動輪２９ａ，２９の回転数が小さくなることから、車輪速Ｖｗは周期的に変動（増減）する。

そして、車輪速Ｖｗの時間波形において車輪速Ｖｗの変動に合わせたタイミングで、車輪速Ｖｗが２回変動する毎に１回の割合で、ディスクブレーキ６６ａ～６６ｄから駆動輪２８ａ，２８ｂや従動輪２９ａ，２９ｂに作用させるべき制動トルクＴｂ＊から低減した制動トルクが駆動輪２８ａ，２８ｂや従動輪２９ａ，２９ｂに作用するようブレーキアクチュエータ６２を制御してブレーキ油圧を調整する低減制御を実行する（ステップＳ１６０）。こうした制御により、図６に示すように、ブレーキ油圧Ｐｂｏｉｌは、車輪速Ｖｗが２回変動する毎に１回の割合で、車輪速Ｖｗが減少するタイミングで、制動トルクＴｂ＊に対応するブレーキ油圧Ｐｂｏ＊から低減し、車輪速Ｖｗが増加するタイミングでブレーキ油圧Ｐｂｏ＊に戻る。これにより、車輪速Ｖｗの変動に拘わらず時間変化をせずに一定の制動トルクＴｂ＊をディスクブレーキ６６ａ～６６ｄから駆動輪２８ａ，２８ｂや従動輪２９ａ，２９ｂに作用させるものに比して、車軸や駆動軸２６のトルク変動を抑制できる。また、車輪速Ｖｗの変動に拘わらず一定の制動トルクＴｂ＊より小さな制動トルクをディスクブレーキ６６ａ～６６ｄから駆動輪２８ａ，２８ｂや従動輪２９ａ，２９ｂに作用させるものに比して、車両を迅速に減速させることができる。したがって、車軸や駆動軸２６のトルク変動を抑制できると共に、車両をより適正に減速させることができる。

続いて、ステップＳ１００、Ｓ１４０と同様の処理で車輪速Ｖｄｒ，Ｖｄｌ，Ｖｎｒ，Ｖｎｌを入力し（ステップＳ１７０）、前回実行したステップＳ１００やＳ１４０で入力した車輪速Ｖｄｒ，Ｖｄｌ，Ｖｎｒ，Ｖｎｌからの変動量ΔＶｄｒ、ΔＶｄｌ、ΔＶｎｒ、ΔＶｎｌと、変動量ΔＶｄｒ、ΔＶｄｌ、ΔＶｎｒ、ΔＶｎｌの平均値（＝（ΔＶｄｒ＋ΔＶｄｌ＋ΔＶｎｒ＋ΔＶｎｌ）／４）の積算値Ｓｄｖを演算し（ステップＳ１８０）、積算値Ｓｄｖが閾値Ｓｄｒｅｆ２未満であるか否かを判定する（ステップＳ１９０）。閾値Ｓｄｒｅｆ２は、車輪速Ｖｗの変動幅が十分に低いとみなすことが可能な所定の低変動状態であるか否かを判定するための閾値である。積算値Ｓｄｖが閾値Ｓｄｒｅｆ２以上のときには、車輪速Ｖｗの変動幅が十分に小さくなっていないと判断して、ステップＳ１４０に戻り、積算値Ｓｄｖが閾値Ｓｄｒｅｆ２未満になるまで、ステップＳ１４０～Ｓ１９０を繰り返す。

そして、積算値Ｓｄｖが閾値Ｓｄｒｅｆ２未満になったときには、ステップＳ１５０で予測した車輪速Ｖｗの波形において電気自動車２０が停車する時間ｔ１で車両が停車するようにブレーキアクチュエータ６２を制御する停車制御を実行し（ステップＳ２００）、ステップＳ１４０と同様の処理で車速Ｖを入力し（ステップＳ２１０）、車速Ｖが値０であるか否かを判定する（ステップＳ２２０）。車速Ｖが値０でないとき、つまり、電気自動車２０が停車していないときには、電気自動車２０が停車するまで、ステップＳ２００～Ｓ２２０を繰り返す。そして、電気自動車２０が停車したときに、本ルーチンを終了する。これにより、電気自動車２０を予測した停車タイミングとしての時間ｔ１で停車させることができ、制動距離の増加を抑制できる。

以上説明した本実施形態の車両の制御装置を搭載する電気自動車２０によれば、波状路を走行中に制動要求がなされたときには、機械学習モデルＭ２を用いて現時点から電気自動車２０が停車するまでの車輪速Ｖｗの時間波形を予測し、車輪速Ｖｗの時間波形において車輪速Ｖｗの変動に合わせたタイミングに合わせてディスクブレーキ６６ａ～６６ｄから駆動輪２８ａ，２８ｂや従動輪２９ａ，２９ｂに作用させるべき制動トルクＴｂ＊から低減した制動トルクが駆動輪２８ａ，２８ｂや従動輪２９ａ，２９ｂに作用するようブレーキアクチュエータ６２を制御してブレーキ油圧を調整する低減制御を実行することにより、車軸や駆動軸２６のトルク変動を抑制できると共に、電気自動車２０をより適正に減速させることができる。

また、車輪速Ｖｗの時間波形に基づいて電気自動車２０が停車する時間ｔ１（停車タイミング）を予測し、低減制御の実行中に積算値Ｓｄｖが閾値Ｓｄｒｅｆ２未満になったときには、低減制御の実行を終了し、時間ｔ０で車両が停車するようにブレーキアクチュエータ６２を制御する停車制御を実行するから、車両を予測した停車タイミングとしての時間ｔ１で停車させることができ、制動距離の増加を抑制できる。

さらに、低減制御では、車輪速Ｖｗが２回変動する毎に１回の割合で、ディスクブレーキ６６ａ～６６ｄから駆動輪２８ａ，２８ｂや従動輪２９ａ，２９ｂに作用させるべき制動トルクＴｂ＊から低減した制動トルクが駆動輪２８ａ，２８ｂや従動輪２９ａ，２９ｂに作用するようブレーキアクチュエータ６２を制御してブレーキ油圧を調整するから、駆動輪２８ａ、２８ｂや従動輪２９ａ、２９ｂに付与する制動力をある程度保持しつつ、車軸や駆動軸２６のトルク変動を抑制できる。

そして、機械学習により波状路を走行中に制動要求がなされたときの車輪速Ｖｗの時間波形のモデルとして機械学習モデルＭ２を生成し、波状路を走行中に制動要求がなされたときには、機械学習モデルＭ２を用いて車輪速Ｖｗの時間波形を予測するから、より適正に、車軸や駆動軸２６のトルク変動を抑制できると共に電気自動車２０を減速させることができる。

上述の実施形態では、低減制御では、車輪速Ｖｗが２回変動する毎に１回の割合で、ディスクブレーキ６６ａ～６６ｄから駆動輪２８ａ，２８ｂや従動輪２９ａ，２９ｂに作用させるべき制動トルクＴｂ＊から低減した制動トルクを駆動輪２８ａ，２８ｂや従動輪２９ａ，２９ｂに作用させている。しかし、車輪速Ｖｗが３回変動する毎に１回の割合や、車輪速Ｖｗが４回変動する毎に１回の割合で、ディスクブレーキ６６ａ～６６ｄから駆動輪２８ａ，２８ｂや従動輪２９ａ，２９ｂに作用させるべき制動トルクＴｂ＊から低減した制動トルクを駆動輪２８ａ，２８ｂや従動輪２９ａ，２９ｂに作用させてもよい。

上述の実施形態では、制動要求を急制動の要求としている。しかし、制動要求を、急制動より制動要求が低い制動要求としてもよい。

上述の実施形態では、機械学習により波状路を走行中に制動要求がなされたときの車輪速Ｖｗの時間波形のモデルとして機械学習モデルＭ２を生成し、波状路を走行中に制動要求がなされたときには、機械学習モデルＭ２を用いて車輪速Ｖｗの時間波形を予測している。しかし、機械学習とは異なる手法で車輪速Ｖｗの時間波形を予測してもよい。

実施形態の主要な要素と課題を解決するための手段の欄に記載した発明の主要な要素との対応関係について説明する。実施形態では、電子制御ユニット４０とブレーキＥＣＵ６４とが「車両の制御装置」に相当する。

なお、実施形態の主要な要素と課題を解決するための手段の欄に記載した発明の主要な要素との対応関係は、実施形態が課題を解決するための手段の欄に記載した発明を実施するための形態を具体的に説明するための一例であることから、課題を解決するための手段の欄に記載した発明の要素を限定するものではない。即ち、課題を解決するための手段の欄に記載した発明についての解釈はその欄の記載に基づいて行なわれるべきものであり、実施形態は課題を解決するための手段の欄に記載した発明の具体的な一例に過ぎないものである。

以上、本開示を実施するための実施形態について説明したが、本開示はこうした実施形態に何等限定されるものではなく、本開示の要旨を逸脱しない範囲内において、種々なる形態で実施し得ることは勿論である。

本開示は、車両の制御装置の製造産業などに利用可能である。

２０電気自動車、２２モータ、２２ａ回転位置検出センサ、２４インバータ、２６駆動軸、２７デファレンシャルギヤ、２８ａ，２８ｂ駆動輪、２９ａ，２９ｂ従動輪、３０バッテリ、３１ａ電圧センサ、３１ｂ電流センサ、３２電力ライン、３４システムメインリレー、３６コンデンサ、３７電圧センサ、３８補機、４０電子制御ユニット、４２ＣＰＵ、４４ＲＯＭ、４６ＲＡＭ、５０スタートスイッチ、５１シフトレバー、５２シフトレバーポジションセンサ、５３アクセルペダル、５４アクセルペダルポジションセンサ、５５ブレーキペダル、５６ブレーキペダルポジションセンサ、５８車速センサ、５９３軸加速度センサ、６０ブレーキマスタシリンダ、６２ブレーキアクチュエータ、６４ブレーキ用電子制御ユニット、６６ａ～６６ｄディスクブレーキ、６８ａ～６８ｄ車輪速センサ、６９ａ～６９ｄ温度センサ。

Claims

駆動軸に動力を出力するモータと、車軸を介して前記駆動軸に接続される車輪に制動力を付与する制動力付与装置と、を備える車両に用いられ、前記モータと前記制動力付与装置を制御する車両の制御装置であって、
波状路を走行中に制動要求がなされたときには、前記制動要求に基づく要求制動力が付与されているときの車輪速の時間波形を予測し、予測した前記車輪速の時間波形における前記車輪速の変動のタイミングに合わせて前記制動力付与装置から前記要求制動力から低減された制動力が付与されるように前記制動力付与装置を制御する低減制御を実行する
車両の制御装置。
請求項１記載の車両の制御装置であって、
前記制動要求は、急制動の要求であり、
前記車輪速の時間波形として、前記車両が停車するまでの時間波形を予測する
車両の制御装置。
請求項２記載の車両の制御装置であって、
前記車輪速の時間波形に基づいて前記車両が停車する停車タイミングを予測し、
前記低減制御の実行中に前記車輪速の変動幅が所定の低変動状態に至ったときは、前記低減制御の実行を終了し、予測した前記停車タイミングで前記車両が停車するように前記制動力付与装置を制御する
車両の制御装置。
請求項１記載の車両の制御装置であって、
前記低減制御は、予測した前記車輪速の時間波形において前記車輪速が２回変動する毎に１回の割合で前記制動力付与装置から付与する制動力が低減するように前記制動力付与装置を制御する
車両の制御装置。
請求項１記載の車両の制御装置であって、
機械学習により前記波状路を走行中に前記制動要求がなされたときの前記車輪速の時間波形のモデルを生成し、
前記波状路を走行中に前記制動要求がなされたときには、前記モデルを用いて前記車輪速の時間波形を予測する
車両の制御装置。