JPH02238600A - 車両用道路状況認識装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 １更二月力 ［産業上の利用分野］ 本発明は車両用道路状況認識装置に関し，詳しくは、車
両が走行している道路の状況を、予め分類された複数の
道路状況（市街道路，高速道路，渋滞道路など）のひと
つとして認識する車両用道路状況認識装置に関する。

［従来の技術］ 従来、車両が走行している道路の状況を認識して、走行
に関する情報として運転者に提供したり車両の各種制御
に供しようとする装置が提案されている。例えば、撮像
装置により外界の映像色入力し、これをもとに２値化等
の画像処理を行ない、渋滞や市街地等の道路状況を認識
する試みがなされている。また、レーザ等を用いた距離
センサにより車両前後の車間距離等を検出して道路状況
の認識に供するものも考えられている。

［発明が解決しようとする課題］ しかしながら、走行中の車両；二おいて画像処理二より
道路状況在認識しようとすれば、基本的に動画像乞処理
しなければならないから、装置が大型化・複雑化し、車
載の装置としては、演算処理時間やコストの制約からそ
の実現は極めて困難であっＬ　また、車間距離等から渋
滞などの状況を認識しようとするものでは、新たなセン
サを必要とするといった問題や、車間距離等は運転者の
個人差が大きく正確な認識が困難であるといった問題が
あつｂ 即ち、現状では、走行中に車両が走行する道路の状況を
正確に認識することは、極めて困難であつん 本発明の車両用道Ｆ＝状況認識装置は上記課題を解決し
、高速に道路状況を認識することを目的とする。

東」肚！とり口求 かかる目的を達成する本発明の構成について以下説明す
る。

［課題を解決するための千段］ 本発明の車両用道路状況認識装置は、第１図に例示する
ように、 車両が走行している道路の状況を、予め分類された複数
の道路状況のひとつとして認識する車両用道路状況認識
装置であって、 車両の走行状態を反映した複数のパラメータを検比し、
各パラメータ毎にデータを畠力する走行データ出力手段
Ｄと、 該各パラメータの各データの各々を入力する入力ユニッ
トＩ　ｍ　（ｍ−＝　１．２，自・・）の集合である入
力層Ｉ　Ｌ，　　該入力層ＩＬの各入力ユニットｌｍと
少なくとも一部が結合された複数の中間ユニットＭｎ　
（ｎ＝１．２，・・・・）の集合である中間層Ｍ　Ｌ，
および該複数の中間ユニットＭｎの少なくとも一部と結
合され前記複数の道路状況に対応して設けられた出力ユ
ニット○ｐ　（ｐ＝１，２，・・・・）の集合である出
力層ＯＬからなり、各層間における各ユニット間の結合
の強さを、特定の道路状況毎に、出力層ＯＬの各出力ユ
ニットＯｐｌ二所望の出力が得られるよう予め学習した
ニューラルネットＮと、を備えたことを要旨とする。

［作用］ 上記構成を有する本発明の車両用道路状況認識装首（表
　　次のようにして車両が走行している道路の状況を、
予め分類された複数の道路状況のひとつとして認諏する
。

（１）　走行データ８力千段Ｄにより、車両の走行状態
、例えばアクセルの踏み込みｉ　車遠ブレーキの操作状
シ兄　ハンドル操舵角等を反映した複数のパラメータを
検畠し、各パラメータ毎にデータを出力する。この時、
各パラメータについてのデータは、所定個数の時系列デ
ータであってもよいし、所定時間における平均値や変化
量あるいは変化頻度のデータ等であってもよい。

（２）　走行データ出力手段Ｄによって出力された各パ
ラメータの各データの各々は、ニューラルネットＮの入
力層ＩＬの各入力ユニット１ｍに入力される。この入力
層ＩＬの各入力ユニットｍは、中間層ＭＬの複数の中間
ユニットＭｎの少なくとも一部と結合されており、更１
二この複敞の中間ユニットＭｎの少なくとも一部は、出
カ層ＯＬの複数の８カユニット○ｐに結合されている。

各ユニット間の結合の強さは予め学習されているから、
特定の道路状シ兄　例えば市街地路，高速道路，渋滞道
路，山岳路，雪上路，氷上路等の状況下において各パラ
メータの各データがニューラルネットＮの入力層ＩＬに
入力されると、出力層ＯＬの各出力ユニットＯｐには道
路状況に対応した所望の出力が得られる。

この結果、車両の走行状態を反映した複数のパラメータ
に基づいて、車両が現在走行している道路の状況を、予
め分類された複数の道路状況のひとつとして認識する。

なお、ニューラルネットＮ｛友　階層風　自由連想風　
相互結合型等種々の構成を採用することができ、階層型
の場合、中間層は１層に限定されるものではなく、２以
上の層包有する構成としてもよい。更に、ニューラルネ
ットＮ１：フィードバック結合を加えても差し支えない
。その学習は、パックプロパゲーション等の周知のアル
ゴリズムを適用することができ、フィードバック結合乞
有する場合には、再循環アルゴリズムあるいは再帰バツ
クブロパゲーションなどの手法乞用いることができる。

［実施例］ 以上説明した本発明の構成・作用ε一層明らかこするた
めに、以下本発明の車両用道路状況認識装首の好適な実
施例について説明する。第２図は、実施例としての車両
用道路状況認識装置の概略構成図である。

図示するように、この車両用道路状況認識装置は、車両
駆動源としての内燃機関１や変速機３等に配設され車両
の走行状態に関するパラメータを検呂するセンサ群と、
道路状況の認識結果を表示する表示装置５と、道路状況
の認識処理を行なう認識用電子制御装置（以下、認識用
ＥＣＵと呼ぶ）７とから構成されている。

まず、センサ群について説明する。車両の走行状態を検
出するセンサとして｛よ　アクセルペダル１０の操作量
ＡＣＣを検出するアクセルセンサ１１，ハンドルコ２の
操作量（即ち操舵角）Ｈを検出する操舵角センサ１４，
ブレーキペダル］６のオン・オフを検出するブレーキス
イッチ１８，車両速度Ｖを検出する車速センサ］９等が
ある。アクセル操作量ＡＣＣに応じたアナログ信号を出
力するアクセルセンサ１１］表　スロットル制御装置（
スロットルＥＣＵ）２１にも接続されている。

このスロットルＥＣｔＪ２１１Ｌ　　他のセンサ等から
入力も併せ判断し、モータ２２を駆動してスロットル２
３の開度、延いては内燃擁関］の吸入空気量を決定する
よう構成されている。

操舵角センサ］４（友　ハンドル］２の回転軸２４に設
けられており、ホトインタラプタを用いて、ハンドル］
２の操舵角Ｈに対応したパルス信号を出力するものであ
る。ブレーキスイッチ］８（表ブレーキペダル１６のオ
ン・オフを検出するセンサである。また、車速センサ１
９（表　変速機３の出力軸２９に設けら札　車両速度に
対応した間隔のパルス信号を出力するものである。

これらのセンサ群からの信号を入力して道路状況の認識
を行なう認識用ＥＣＵ７は、周知のごＰＵ３１，ＲＯＭ
３２，ＲＡＭ３３等を中心ニ構成されており、このほか
、割込信号等を生成するタイマ３５，センサ群からの信
号乞入力する入力ポ−　ト３　７，　　認識結果を表示
装置５に出力する出力ポート３８等が備えら托　これら
はバス３９を介して相互に接続されている。

入カポート３７とセンサ群と（表　ブレーキスイッチ１
８の場合には直接接続されるが、操舵角センサ１４等の
場合には、信号変換回路４１，４３．４５を介して接続
される。操舵角センサ］４からの信号を処理する信号変
換回路４１１表　　アップダウンカウンタを内蔵し、操
舵角センサ］４が出力するパルス列をカウントして操舵
角に対応した信号に変換するものである。また、アクセ
ルセンサ］１からの信号を処理する信号変換回路４３は
、アナログ信号を所定ビット数のディジタル信号に変換
するＡ／Ｄ変換器として構成されている。更に、車速セ
ンサ］９からの信号を処理する信号変換回路４５は、自
走式のタイマＥ内蔵しており、車速センサ１９が出力す
るパルス列の時間間隔をそのタイマで検出しこれを車速
Ｖに対応するデータに変換するものである。これらの信
号変換回路４１，　　４３．４５により変換されたデー
タは、入力ポート３７を介して認諏用ＥＣＵ７のＣＰＵ
３１に取り込ま札　道路状況の認識の処理に用いられる
。

認織用Ｅ　Ｃ　ＩＪ　７１１，　　いわゆるニューラル
ネットとしての構成を逐次処理型の既存のハードウェア
において、ソフトウエアにより実現したものである。ま
ず，第３図を参照しつつ、各センサ群がらのデータの処
理とニューラルネットの構成とについて説明する，車速
データやアクセル操作量データ等の信号農　データ取り
込み部ＳＤ１　（１：１．２，　３．　４）において所
定の間隔で読み込ま札　時系列データ展開部Ｔ　Ｄ　Ｓ
　ｉ　　（　ｉ　＝１，２，３．４）において、所定時
間間隔の時系列データに展開される。この時系列データ
展開部ＴＤＳｉは、単位時間毎にデタをシフトする措成
により、データに！■位時間ディレイを付与して時系列
データを生成する構成を備える。

ニューラルネットＮＮは、階層形のものであり、時系列
に展開された各データの各々に刻応して設けられた入力
ユニット１ｍからなる入力層と、入力ユニットとほぼ同
数だけ設けられた中間ユニットＭｎからなる中間層と、
認識すべき道路状況の種別数に対応する数だけ設けられ
た出力ユニットＯｐからなる出力層とから構成されてい
る。各ユニット間の結合の強さは、いわゆるパックプロ
バゲーション等の手法により学習されている。

このパックブロパゲーションによる学習とは、高速道路
などの典型的な道路状況における各センサからの時系列
データをニューラルネットＮＮに入力し、これらの入力
に対し、道路状況に対応する出力ユニットＯｐの出力値
が値１で、そｈｕ外の出力ユニットＯ．ｐの比力値が値
Ｏとなるよう噌二結合１ωを学習させるものである。こ
の手法｛エ周知のものなので、詳細な説明は省略するが
、基本的には、各出力ユニットＯｐの実際の出力と理想
的な出力（以下、教師データと呼ぶ）との誤差が最小に
なるように各ユニット間の結合の強さ（重み付データ）
ωを学習するものであり、最小２乗誤差法が用いられる
。なお、中間層と入力層については、教師データに相当
するものを決定することが実際上困難なので、出力側の
層の誤差値δに重み付データωを乗算した累積値をその
層の誤差値とし、これが最小になるように学習を行なう
。

各道路状況においてこうした学習を繰り返し行なって、
それぞれの走行状態での入力パターンに刻して各層の結
合の強さを学習しておけば、学習した走行パターン以外
のパターンが入力されても、これに一番近い出力の連想
（畠力の計算）がなさ札　ニューラルネットＮＮとして
、道路状況を認識することができることになる。

時系列データ展開部ＴＤＳｉによって展開された時系列
データは、ニューラルネットＮＮの入力層の各入力ユニ
ット１ｍに入力されることになるが、この様子を模式的
に示したのが第４図である。

時系列データは、単位時間毎に最も古いデータがひとつ
消去さ札　最新のデータがひとつ付け加えられて更新さ
れる。

以上の処理を簡単にまとめると、この車両用道路状況認
識装置（友　その使用に先だって、まずニューラルネッ
トＮＮ内の各層間の結合の強さをバックブロパゲーショ
ンの手法により学習し、学習後（よ　走行中の各入力信
号の一定時間の時系列データを入力して、出力の計算を
行なって道路状況を認識するのである。本実施例では、
学習された結合の強さを重み付データωとして予めＲＯ
Ｍ３２内に記憶し、これを用いた演算により道路状況の
認識を行なっている。

以下、実施例における具体的な道路状況の認識の処理（
上記演算）について、第５図のフローチャートに従って
説明する。この処理は、　１０ｍｓｅｃ割込ルーチンと
して１　０　［ｍｓｅｃ］毎に起動さねまずデータＤ１
を取り込む指令を出力する（ステップ１００）。ここで
、データＤ１とは、車速センサ］９の出力する車速デー
タＶ、アクセルセンサ］１が出力するアクセル操作量デ
ータＡＣＣ、ブレーキスイッチ］８の８カするオンオフ
信号Ｂ、操舵角センサ１４の土力する操舵角データＨ、
である。かかるデータＤ１の取り込み指令を出力した後
、この指令を受けた信号変換回路４１，４３．４５が既
述したＡ／Ｄ変換等の処理を行なってデータの取り込み
を完了するまで待機する（ステップ］］０）。

データの取り込みが完了した後、それまでに入力しＲＡ
Ｍ３３の所定の領域に記憶した全入力時系列データＴＤ
ｍをシフトする処理を行なう（ステップ１２０）。この
結果、全データＴＤｍは、単位時間Ｔｏ（本実施例では
割込インターバル１０　［ｍｓｅｃ］　）だけディレイ
されたことになる。続いて、ステップ１００，１１０で
取り込んだ各最新のデータを、全データＴＤｍが格納さ
れる領域のうち、最新時間のデータを格納するメモリに
ロードする処理を行なう（ステップ１３ｏ）。以上の処
理により、全時系列データＴＤｍの更新が完了する。

その後、ニューラルネットＮＮとしての処理を以下のよ
うに実行する。

（Ａ）　　まず、入力層の各ユニットＩｍの出力値ｌＤ
ｍｕ計算する（ステップ１４ｏ）。この計算は、各入力
データＤ１の時系列データＴＤｍに予め決定した重み付
データωｍを乗算して、次式（１）により累積値ＮＥＴ
ｍを求め、次式（２）により、この累積値ＮＥＴｍのジ
グモイド関数として出力値ＩＤｍを求めることにより行
なわれる。

ＮＥＴｍ＝ωｍ−ＴＤｍ　　　　　　−　　（１）なお
、式（２）のジグモイド関数は、累積数ＮＥＴ　ｍ　＝
　Ｏで関数値が値Ｏとなり、累積値ＮＥＴｍが最大値と
なったところで関数値が値１となり、累積値ＮＥＴｍが
その変域の中間値となったところで関数値が値０．５と
なるよう位相Ｓｍが決定されたものである。また、式（
１），　　（２）および以下の式において、ωは、各層
間の結合の強さを表す重み付データであり、ωｍは入力
データとこれに対応した入力ユニット１ｍ間の、ωｎｍ
は入力ユニット１ｍと中間ユニットＭｎ間の、ωｐｎは
中間ユニットＭｎと出力ユニットＯｐ間の、重み付デー
タである。これらの重み付データは、既述した通り、予
めバックプロパゲーションの手法により学習され決定さ
れてＲＯＭ３２内Ｉ：記憶されているものである。

（Ｂ）　　次に、中間層の各ユニットＭｎの出力値ＭＤ
ｎを、次式（３）．　　（４）に従って計算する処理を
行なう（ステップ１５０）。この出力値ＭＤｎの計算｛
表　入力ユニット１ｍの出力値ＩＤｍの計算と同様に行
なわれる。

ＮＥＴｎ＝Σωｎｍ・Ｉ　Ｄｍ　　　　　・−（３）ｍ （Ｃ）　　次に、出力層の各ユニットｏｐの出力イ１０
Ｄｐを、次式（５），　　（６）に従って計算する処理
を行なう（ステップ１６０）。この出力値○Ｄｐの計算
｛友　中間ユニット８ｎの出力値ＭＤｎの計算と同様に
行なわれる。

ＮＥＴｐ＝Σωｐｎ−ＭＤｎ　　　　・・・　（５）ｎ 以上の処理の後、ステップ１６０で計算した出力層の各
ユニットｏｐの出力値ＯＤｐを出力回路３８を介して、
出力する処理を行なう（ステップ１７０）。この出力値
Ｏ　Ｄ　ｐ　（１　　ニューラルネットＮＮによる認識
結果であり、学習時のパターンもしくはこれに類似のパ
ターンが入力されれば、対応する土力値ＯＤｐが近似的
１二値１に、他の出力値○Ｄｐが近似的に値０になる。

従って、この出力値ＯＤｐがそのまま道路状況の認識結
果となり、表示装置５内で所定の識閾値以上の出力値Ｏ
Ｄｐに対応したランプを点灯するよう構成すればよい。

過渡的な道路状況にあって認識が適正になされなかった
場合には、いずれの出力値ＯＤｐも諏閾値を越えないか
ら、表示装置５１：おいていずれのランプも点灯しない
。

この出力値ＯＤｐは、スロットルＥＣＵ２　１にも出力
されており、スロットルＥＣＵ２　１では、この出力値
○Ｄｐに反映された道路状況の認識に一１６ー 基づいて、アクセル操作量ＡＣＣとスロットル開度θと
の関係色切り換えている。即ち、第６図に示すように、
道路状況が市街道路であると判断された場合には、アク
セル操作量ＡＣＣにほぼ比例してスロットル開度θを制
御する制御特性（破線ＴＲ）が選択される。同様に、高
速道路であると判断されれば実線ＨＲの特性が、渋滞道
路であると判断されれば一点鎖線ＪＲの特性が、登坂道
路であると判断されれば二点鎖線ｔＪＲの特性が、各々
選択される。なお、雪上路に対応した出力ｏＤｐ　ＩＬ
．　　スロットルＥＣＵ２１では利用されておらず、図
示しないアンチスキッド制御装置もしくはトラクション
制御装置に畠力されている。

以上説明したように、本実施例の車両用道路状況認識装
置によれば、予め学習を済ませたニューラルネットＮＮ
を用いること１二より、車速Ｖ，アクセル操作量Ａ　Ｃ
　Ｃ，　　ブレーキデータＢ，操舵角データＨから、車
両の走行している道路の状況を容易に認識することがで
きる。従って、従来のように画像認識を行なって道路状
況を認識するものと較べて、非常に高速に道路の状況を
認識することが可能となる。また、画像認識のよう１：
新たな撮像器を用いる必要がなく、従来から用し＼られ
てぃた車の制御用信号をそのまま流用することができ、
システムのコストダウン、簡素化といった利点も得られ
る。：ユーラルネットＮＮを用いたので、道路状況の認
識のだめの判断基準をルール化する必要がなく、しかも
本実施例では、階層型のニューラルネットを用いている
ので学習も容易である。従って、判断基準の妥当性の検
討の必要がなく、定型的な手順で学習を行なえばよく、
車両用道路状況認識装置の開発期間を短縮することがで
きｔ二 更に、階層型ニューラルネットＮＮの採用に伴い、過渡
的な道路状況では補間的な認識結果が得られるという利
点も存在する。即ち、典型的な道路状況で学習しておけ
ば、道路状況が変化していくとき、例えば市街道路での
通常の走行から渋滞が始まるといった過渡的な状況では
、両道路状況の中間的な出力が得らね　道路状況の判断
を太き＋９− く誤ることがない６　また、本実施例では、運転者のア
クセル１タ２作やブレーキのオンオフ操作等のデータに
関し、　１　０　［ｍｓｅｃ］毎に更新される時系列デ
ータの１０秒間分（各データについて各々１０００点）
を用いているので、認識の精度が極めて高いという利点
がある。

これらの結果、本実施例の道路状況認識装置在搭載した
車両では、認識結果在用いてスロットルＥＣＵ２１によ
り道路状況に応じたアクセル操作量一スロットル開度特
性の制御を行なうことができ、車両のドライブフィーリ
ングを一層望ましいものとすることができる。

次に本発明の第２の実施例について説明する。

第２実施例の車両用道路状況認識装置は、その装置・構
成は第１実施例のものとほぼ同一であり、ニューラルネ
ットＮＮに入力される信号に関し、第１実施例では時系
列データＴＤｍを展開していたのに対して、第７図に示
すように、平均値処理部ＡＤＩ，２，３．４により平均
値処理を行なう点のみが相違する。すなわち、平均値処
理部ＡＤｉにおいて、車速データＶ，アクセル操作量デ
ータＡＣＣ等の所定時間（本実施例では１　０　０　［
ｍｓｅｃ］　）の平均値を求める処理を行なってから、
そのデータをニューラルネットＮＮに入力するのである
。

なお、平均値の算呂は、積分回路等のハードウエアによ
ってもよいし、ＣＰＵ３１による演算（ソフトウエア）
１二よってもよい。バ・ンクブロパゲーション等による
学習の方法、道路認識のための演算などは、第１実施例
と同様に行なわれる。

本実施例では、第１実施例の効果に加えて、データの平
均化によりニューラルネットＮＮへの入力データ数の低
減を図ることができ、装置構成の簡銘イし　処理速度の
向上といった効果を得ることができる。また、平均値を
とることにより、入力データに重畳されたノイズに対し
て強くなり、誤認識の可能性を低減することができる。

次に、本発明の第３の寞施例のついて説明する。

第３実施例でも、車両用道路状況認識装置の装置・構成
は第１実施例のものとほぼ同一であり、ニューラルネッ
トＮＮに入力される信号に関し、第］実施例では時系列
データを展開していたのに刻して、第８図に示すように
、変化抽出部ＤＤ＋，２，３．４により変化量および変
化回数を抽出する処理を行なう点のみが相違する。すな
わち、変化抽出部ＤＤｉにおいて、車速データＶ，アク
セル操作量データＡ　Ｃ　Ｃ，　　操舵角Ｈの所定時間
（本実施例では４　［ｍｓｅｃ］　）の変化足とブレー
キスイッチ１８のオン・オフ操作回数とを求める処理を
行なってから、そのデータをニューラルネットＮＮに入
力するのである。なお、変化の抽出は、微分回路やカウ
ンタ等のハードウェアによってもよいし、ＣＰＵ３１に
よる差分演算やカウント（ソフトウエア）１二よっても
よい。パックプロバゲーション等による学習の方法、道
路認識のための演算などよ、第１実施例と同様に行なわ
れる。

本実施例では、第１実施例の効果に加えて、デタの変化
」を扱うことによるニューラルネットＮＮへの入力デー
タ量の低減を図ることができ、装置構成の簡路イし　処
理速度の向上といった効果を得ることができる。また、
変化を抽呂することにより、道路状況の変化の認識を応
答性艮く行なうことが可能となる。

以上本発明のいくつかの実施例について説明したが、本
発明はこうした実施例に何等限定されるものではなく、
例えば認識列象となる道路状況を更に細分化した構成（
例えば、雪上路と氷上路あるいは山岳路の上りと下り等
を分けた構成）、ユーラルネットＮＮにお（１る車み例
データ（各層間の結合の強さ）をＩＣカード等の外部媒
体により供給するものとして運転者毎あるいは地１五　
季節毎にデータを変更可能とする構成など、本発明の要
旨を逸脱しない範囲において、種々なる態様で実施し得
ることは勿論である。

λ胛公匁１ 以上詳述したように、本発明の車両用道路状況認識装置
によれ（歌　道路状況を車速やアクセル操作量，ブレー
キのオンオフ，ハンドル操舵角等、車両の制御信号をも
とに認識するために、極めて高速に道路状況を認識する
ことができるという優れた効果を奏する。また、ニュー
ラルネットを用いているので、基本的に道路認識の判断
基準をルル化する必要がなく、判断基準の妥当性の検討
の必要がなく、認識装置の開発の短期化を図ることがで
きる。

更に、画像認識に基づく装置のように撮像器を用いる必
要がなく、車両の制御用信号をそのまま流用することも
できるため、システムの簡素化を図ることができる。従
って、装置のコストダウン：も寄与する。

【図面の簡単な説明】

第１図は本発明の基本的構成を例示するブロック図、第
２図は本発明の一実施例としての車両用道路状況認識装
置の概略構成図、第３図は道路上橋認識処理の機能を説
明するブロック図、第４図は入力される時系列データと
ニューラルネットＮＮとの関係を示す説明図、第５図は
第１実施例における道路状況の認識処理を示すフローチ
ャート、第６図は道路状況の認識結果を利用して制御さ
れるアクセル操作量一スロットル開度の制御特性を示す
グラフ、第７図は第２実施例の要部を示すブロック医　
第８図は第３実施例の要部乞示すブロック艮　である。 Ｄ・・・走行データ出力手段 Ｄｉ・・・データ取り込み部 ＴＤＳｉ・・・時系列データ展開部 ＮＮ・・・ニューラルネット　１ｍ・一人カユニットＭ
ｎ・・・中間ユニット　　　○ｐ・・・出力ユニット］
・・・内燃機関

Claims (1)

1. 【特許請求の範囲】 １　車両が走行している道路の状況を、予め分類された
   複数の道路状況のひとつとして認識する車両用道路状況
   認識装置であって、 車両の走行状態を反映した複数のパラメータを検出し、
   各パラメータ毎にデータを出力する走行データ出力手段
   と、 該各パラメータの各データの各々を入力する入力ユニッ
   トの集合である入力層、該入力層の各入力ユニットと少
   なくとも一部が結合された複数の中間ユニットの集合で
   ある中間層、および該複数の中間ユニットの少なくとも
   一部と結合され前記複数の道路状況に対応して設けられ
   た出力ユニットの集合である出力層からなり、前記各ユ
   ニット間の結合の強さを、特定の道路状況毎に、出力層
   の各出力ユニットに所望の出力が得られるよう予め学習
   したニューラルネットと、 を備えた車両用道路状況認識装置。