JPH05124495A

JPH05124495A - 車両減速制御装置

Info

Publication number: JPH05124495A
Application number: JP32003391A
Authority: JP
Inventors: Toshihiko Suzuki; 敏彦鈴木; Koji Ono; 宏司大野; Arata Takahashi; 新高橋; Gunji Sugimoto; 軍司杉本
Original assignee: Toyota Motor Corp; Toyota Central R&D Labs Inc
Current assignee: Toyota Motor Corp; Toyota Central R&D Labs Inc
Priority date: 1991-11-06
Filing date: 1991-11-06
Publication date: 1993-05-21

Abstract

(57)【要約】【目的】ブレーキを利用した車両減速制御装置で、ニュ
ーラルネットワークによる学習が安定して行われるもの
を得る。【構成】ブレーキ１４の液圧を制御する電磁液圧制御弁
を、フィードバック制御部４０と、ニューラルネットワ
ーク５０および学習管理装置５２を備えたフィードフォ
ワード制御部４２とによって制御し、車両１０を適正に
減速させる。ニューラルネットワーク５０は目標速度お
よび目標減速度を入力とし、目標速度と速度センサ１６
により検出された実速度との差の絶対値が小さくなるよ
うにユニットの結合の重みを更新する学習を行う。学習
管理装置５２は、減速制御回数が一定回数になるまでは
スロットル弁１８を介してエンジン１２に適正な駆動力
を発生させる。これにより、車両１０の前後方向ダイナ
ミクスを線形に近似させることができ、安定な学習が行
われる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は車両の減速制御装置に関
するものであり、特にブレーキを利用した減速制御装置
に関するものである。

【０００２】

【従来の技術】走行中の車両を減速させるためにはブレ
ーキが用いられるのが普通である。このブレーキの制御
には従来、比例，積分，微分等の制御要素によるフィー
ドバック制御が利用されていた。しかし、フィードバッ
ク制御による場合は制御遅れの発生を回避し得ず、十分
な精度で減速制御を行うことが困難である。したがっ
て、フィードフォワード制御を行うことが望ましいが、
ブレーキの制動力を制御する電磁液圧制御弁の制御特性
や摩擦部材の摩擦係数等には比較的大きなばらつきが生
じ易く、それらばらつきにフィードフォワード量を適合
させる作業が面倒である。近年、例えば、特開平２−２
３８５９９号公報に記載されているように、車両の制御
にニューラルネットワークを利用することが提案されて
おり、ニューラルネットワークによるフィードフォワー
ド制御を行えば、フィードフォワード量の適合作業を自
動で行うことが可能となる。

【０００３】

【発明が解決しようとする課題】しかし、ブレーキを利
用して車両を減速させる場合には、車両の前後方向のダ
イナミクスの非線形性、すなわち、減速時と加速時とで
ダイナミクスが違うという非線形性によって、車両組立
後のイニシャルトレーニング時にニューラルネットワー
クによる学習が安定して行われないという問題が生じ
る。ブレーキを利用した減速制御中に減速が強過ぎて増
速することが必要となった場合に、ブレーキの制動力を
０にしても増速することができないからである。本発明
は、以上の事情を背景として、イニシャルトレーニング
時にニューラルネットワークによる学習が安定して行わ
れる車両減速制御装置を得ることを課題としてなされた
ものである。

【０００４】

【課題を解決するための手段】この課題を解決するため
に、本発明に係る車両減速制御装置は、１）電気的な駆
動制御指令に応じて車両の駆動源の駆動力を制御可能な
駆動力制御手段と、２）電気的なブレーキ制御指令に応
じて車両のブレーキの制動力を制御可能なブレーキ制御
手段と、３）車両の速度を検出する速度検出手段と、
４）車両の走行条件に応じて少なくとも車両の目標速度
を含む目標変数を決定する目標変数決定手段と、５）複
数のニューロンユニットが互いに結合されており、少な
くとも目標変数決定手段により決定された目標変数を入
力として前記ブレーキ制御指令を発するとともに、速度
検出手段により検出される実速度の目標速度に対する誤
差が小さくなるようにニューロンユニット間の結合の重
みを修正する学習を行うフィードフォワード型のニュー
ラルネットワークと、６）少なくともそのニューラルネ
ットワークにおける学習の初期においては駆動源に駆動
力を発生させるように駆動力制御手段を作動させる駆動
力制御管理手段とを含むように構成される。なお、減速
制御中における駆動源の駆動力発生は、少なくともイニ
シャルトレーニングの初期の段階に行われればよく、減
速制御中は必ず駆動力が発生させられるようにしてもよ
い。

【０００５】

【作用】このように、減速制御時にエンジン等車両の駆
動源に駆動力を発生させれば、車両の前後方向のダイナ
ミクスを線形に近くすることできる。したがって、ニュ
ーラルネットワークのイニシャルトレーニング時に学習
が安定して行われる。

【０００６】

【発明の効果】以上の説明から明らかなように、本発明
によれば、フィードフォワード制御により制御遅れの少
ない減速制御が実現される上、フィードフォワード量の
適合作業が自動で行われるため、作業工数が著しく低減
する効果が得られる。しかも、ニューラルネットワーク
による学習が安定して行われるため、短時間でイニシャ
ルトレーニングを完了することができる。

【０００７】

【実施例】以下、本発明の一実施例を図面に基づいて詳
細に説明する。図１において、符号１０は制御対象とし
ての車両を示す。車両１０は、駆動源としてのエンジン
１２と、制動手段としてのブレーキ１４と、速度検出手
段としての速度センサ１６とを備えている。エンジン１
２は、図２に示すスロットル弁１８により駆動力を制御
され、ブレーキ１４は電磁液圧制御弁２０により制動力
を制御される。スロットル弁１８のスロットル開度αと
エンジンの出力トルクＴとの間、および電磁液圧制御弁
２０のソレノイドの励磁電流Ｉ_sと出力液圧たるブレー
キ液圧Ｐ_bとの間にはそれぞれ図示の関係がある。

【０００８】車両１０の前後方向のダイナミクスモデル
は図２の破線で囲まれた部分で表される。すなわち、ス
ロットル弁１８，エンジン１２および駆動輪を含む系は
一時遅れ要素およびむだ時間要素を含む系と考えること
ができ、また、車両に働く力Ｆ_e，Ｆ_b，Ｆ_c，Ｆ_gと
加速度Α_vとの関係は次のように定式化できる。Ａ_v＝（Ｆ_e−Ｆ_b−Ｆ_c−Ｆ_g）／（Ｍ_v＋Ｍ_p）Ｆ_b＝Ｂ・μ・Ｐ_b（Ｉ_s）Ｆ_c＝ＣＦ_g＝（Ｍ_v＋Ｍ_p）・ｇ・sin θ ただし、Ｆ_eはエンジン１２の出力トルクＴに基づく車
両の駆動力である。また、Ｆ_bはブレーキの制動力で非
線型特性を持つ。Ｆ_cは走行抵抗で、空気抵抗分は０と
みなし、他の抵抗分は一定とみなす。Ｆ_gは道路勾配に
より発生する重力の車両前後方向成分である。Ｍ_vは車
両重量、Ｍ_pは乗車人員および積載物の積載重量であ
る。ＢおよびＣは定数であり、μはブレーキパッドの摩
擦係数で、ここでは変数と考える。ｇは重力加速度であ
り、θは道路勾配の角度である。また、車両の速度Ｖ_v
は加速度Ａ_vの積分であり、速度センサ１６により検出
される。

【０００９】スロットル弁１８はよく知られたものであ
るので説明を省略し、電磁液圧制御弁２０を図３に基づ
いて説明する。電磁液圧制御弁２０はスプール２６を備
え、このスプール２６は、ブレーキ１４に接続される出
力ポート２８とリザーバに接続される低圧ポート３０お
よび液圧源に接続される高圧ポート３２との連通状態を
切り換えるスプール弁である。スプール２６は、ソレノ
イド３４の電磁力と、出力ポート２８からのフィードバ
ック液圧に基づく反力ピストン３６の作動力とにより作
動させられ、出力ポート２８の液圧、つまりブレーキ液
圧Ｐ_bをほぼ励磁電流Ｉ_sに比例する大きさに制御す
る。ただし、厳密には電磁液圧制御弁２０の特性は若干
の非線型性とヒステリシスを有する。

【００１０】上記構成の車両１０を制御する制御部は、
図１に示すように、比例型のフィードバック制御部４０
と、学習型のフィードフォワード制御部４２とを備えて
いる。フィードバック制御部４０はアナログ回路で構成
された比例制御要素４６を有し、目標速度・減速度発生
装置４４から発生される目標速度Ｖ_dと前記速度センサ
１６により検出される車両の実速度Ｖ_vとの差が小さく
なるようにブレーキ１４を制御するものである。フィー
ドフォワード制御部４２は、ニューラルネットワーク５
０とそれの学習を管理する学習管理装置５２とを備えて
いる。

【００１１】目標速度・減速度発生装置４４は図４に一
例を示す目標速度Ｖ_dおよび目標減速度−Ａ_dの時間変
化のパターンを複数記憶しており、車両の走行状態の変
化に応じて適宜パターンを選択し、その選択したパター
ンに従って目標速度Ｖ_dおよび目標減速度−Ａ_dを時系
列的に供給するものである。

【００１２】ニューラルネットワーク５０は、図２に示
すように、目標速度Ｖ_dと目標減速度−Ａ_dとを入力と
してＦ（Ｖ_d，−Ａ_d，Ｗ）を出力するものである。な
お、Ｗは逐次更新される結合の重みのベクトルである。
ニューラルネットワーク５０は２個のニューロンユニッ
ト（以下、ユニットと略称する）から成る入力層５４、
１２個のユニットから成る中間層５６および１個のユニ
ットから成る出力層５８を有する。入力層５４のユニッ
トの出力関数は入力をそのまま出力する関数であり、中
間層５６および出力層５８の出力関数は＋１〜−１で規
格化されたシグモイド関数であって、ニューラルネット
ワーク５０はバックプロパゲーション法により、入力パ
ターンに対して望ましい出力パターンが得られるように
ユニット間の結合の重みを逐次更新する学習を行う。

【００１３】通常のバックプロパゲーション学習ではニ
ューラルネトワーク５０の出力と望ましい出力である教
師信号との差が学習信号として用いられるが、本実施例
においては正確な減速制御を実現できるフィードフォワ
ード量、すなわち教師信号が予め得られないため、次式
で表される量Ｊがコスト関数とされている。Ｊ＝（１／２）・（Ｖ_v−Ｖ_d）² したがって、学習は量Ｊが最小となる方向に進むことと
なる。

【００１４】この学習法は、制御対象が線形に近似でき
る場合には、誤差信号が制御対象のダイナミクスを通過
した後の信号で学習する方法と考えることができる。こ
こで、Ｖ_v−Ｖ_dは前記フィードバック制御部４０のフ
ィードバック誤差と同一であり、また、電磁液圧制御弁
２０の励磁電流Ｉ_sは次式で表される。Ｉ_s＝Ｋ（Ｖ_v−Ｖ_d）＋Ｆ（Ｖ_d，−Ａ_d，Ｗ）ただし、Ｋは比例制御要素４６の制御ゲインである。ニ
ューラルネットワーク５０の学習が未だ不完全な学習初
期においてはフィードバック制御部４０のみが有効に働
くが、学習が安定に進む条件下では誤差Ｖ_v−Ｖ_dが０
に収束する。すなわち、外乱による偏差がなければ、学
習完了後はニューラルネットワーク５０によるフィード
フォワード量のみで制御が行われるのである。この結
果、瞬時値としての任意の目標速度Ｖ_dおよび目標減速
度−Ａ_dの入力ペアに対する望ましい出力値が実現され
る。

【００１５】ニューラルネットワーク５０のユニット間
の結合の重みは当初ランダム値に設定される。それ以外
に妥当な設定方針が無いからである。そのため、ニュー
ラルネットワーク５０はイニシャルトレーニングの開始
からある程度学習が進むまではでたらめな制御を行う。
一般的な制御対象に対しては、初期重みを非常に小さく
して、初期には主としてフィードバック制御部４２によ
る制御が効くようにすることが一般的に行われている
が、ブレーキ制御システムにおいてはこれは本質的な対
策とはならない。車両の前後方向のダイナミクスには非
線形性があり、目標速度Ｖ_d＞実速度Ｖ_vとなった場合
にブレーキ液圧Ｐ_bを０にしても加速できないからであ
る。ブレーキ液圧Ｐ_bが正である場合には減圧学習を行
い、減圧され過ぎると目標速度Ｖ_d＜実速度Ｖ_vとなっ
て増圧学習を行うというように、学習過程が発振的とな
る。また、ブレーキ液圧Ｐ_bが０の場合には、減圧学習
を進めてもブレーキ液圧はそれ以上下がらないため、ニ
ューラルネットワーク５０は無意味な学習を進めること
となる。これら２つの理由により学習が安定に進まない
のである。

【００１６】この問題を解決するために本実施例におい
ては、学習管理装置５２が設けられている。ニューラル
ネットワーク５０の学習回数が所定回数に達するまでの
間および学習信号の絶対値が設定値より大きい間は、学
習管理装置５２がスロットル弁１８を適当な開度で開か
せて車両１０のダイナミクスを線形に近似させるように
なっているのである。

【００１７】上記目標速度・減速度発生装置４４，ニュ
ーラルネットワーク５０および学習管理装置５２は実際
にはコンピュータで構成されており、コンピュータのＲ
ＯＭには目標速度Ｖ_dおよび目標減速度−Ａ_dを時系列
的に供給するための複数のパターンのそれぞれに対応し
た複数のテーブルが設けられるとともに、図５および図
６のフローチャートでそれぞれ表される学習ルーチンお
よび学習管理ルーチンのプログラムが格納されている。

【００１８】本実施例の減速制御装置を備えた車両は、
図７に示すように、出荷前にイニシャルトレーニングを
施され、イニシャルトレーニングによる学習結果がＲＯ
Ｍ化された上で出荷される。そして、出荷後には、イグ
ニッションスイッチのＯＮ操作に応じてＲＯＭ化された
結合の重みによる初期設定が行われ、車両走行中は、ブ
レーキ１４や電磁液圧制御弁２０を始めとする各構成要
素の特性の経時変化や、道路勾配，積載重量等の環境変
化に順応して適正な制御を行うための学習が行われる。
この学習結果はバックアップＲＡＭに保持され、以後そ
のＲＡＭ値に基づいた減速制御が行われるとともに学習
が行われ、ＲＡＭ値が更新される。この時期には、車両
の走行環境等に合わせて目標速度Ｖ_dおよび目標減速度
−Ａ_dのパターンが１００msec毎に更新される。例え
ば、前方車両に追従する自動走行を行っている場合に、
前方車両が停止したため前方車両までの限られた距離以
内で停車させる必要が生じた場合には、その目的に合っ
たパターンが選択されるのである。

【００１９】以下、図５および図６のフローチャートを
参照しつつイニシャルトレーニングを説明する。このト
レーニングは第一段階と第二段階とから成っている。第
一段階はスロットル弁１８を制御してエンジン１２に減
速開始時の車両速度３０km／h を維持し得る出力トルク
Ｔを発生させつつ、実際にブレーキ液圧Ｐ_bの制御を行
って３０km／h から５km／h まで減速することを２０回
繰り返し、その間にニューラルネットワーク５０に学習
を行わせる段階であり、第二段階はエンジン１２の出力
トルクＴを０として、車両１０を完全に停止させるまで
減速する減速制御を１回行い、その間にニューラルネッ
トワーク５０に学習を行わせる段階である。第一段階お
よび第二段階の学習は、乗員１名が乗った車両１０が水
平な道路を３０km／h で走行している状態から減速制御
を行うことにより実行される。なお、第一段階において
は結合の重みの更新ゲインが０．００１とされ、第二段
階においては０．００５とされる。

【００２０】第一段階および第二段階の実行時には図５
の学習ルーチンおよび図６の学習管理ルーチンが１msec
に１回ずつ実行される。車両１０が３０km／h で走行し
ている状態において図示を省略する減速開始指令スイッ
チがＯＮされれば、目標速度・減速度発生装置４４（実
際にはそれを構成しているコンピュータ）に減速制御開
始信号が入力され、それに応じて学習ルーチンおよび学
習管理ルーチンの実行が開始されるのである。

【００２１】まず、図５のステップＳ１（以下、Ｓ１と
略記する。他のステップについても同様）において演算
／学習周期（ここでは１msec）の経過が待たれ、次にＳ
２において入力層５４へのデータ入力が行われる。図４
のパターンのテーブルから、その時に対応した目標速度
Ｖ_dおよび目標減速度−Ａ_dの値が読み出されるであ
る。続いて、Ｓ３において出力層５８の出力値が計算さ
れる。入力層５２の各ユニットは入力値をそのまま出力
値として伝達するため特に計算の必要はないが、中間層
５６および出力層５８の各ユニットについては、それら
ユニットの結合の重みにより各ユニットへの入力値が計
算され、その入力値に対するシグモイド関数の関数値が
各ユニットの出力値として計算されるのである。

【００２２】計算された出力値がＳ４において出力さ
れ、この出力値がフィードバック制御部４０の出力値と
加え合わされ、その加算値に対応する大きさの励磁電流
Ｉ_sが電磁液圧制御弁２０に供給される。その結果、ブ
レーキ液圧Ｐ_bが上昇し、ブレーキ１４が作動させられ
る。

【００２３】続いてＳ５において、制御目標値および実
現値の計測が行われる。その時の目標速度Ｖ_dがテーブ
ルから読み出されるとともに、速度センサ１６により検
出された実速度Ｖ_vが読み込まれるのである。それら目
標値と実現値との差の絶対値が誤差としてＳ６において
計算され、Ｓ７においてその誤差が設定値より小さいか
否かの判定が行われる。｜Ｖ_v−Ｖ_d｜が設定値以下で
あるか否かの判定と、（１／２）・（Ｖ_v−Ｖ_d）²が
設定値以下であるか否かの判定とは、それぞれの設定値
を適当に選べば同じことであるので、ここでは計算の容
易な前者が採用されているのである。

【００２４】判定の結果がＮＯであれば、Ｓ８において
各ユニット間の結合の重みが更新される。この更新は第
一段階においては０．００１のゲインで行われる。ま
た、判定の結果がＹＥＳであれば、Ｓ８がスキップさ
れ、更新は行われない。以後、Ｓ１〜Ｓ８が繰返し実行
される。

【００２５】以上の学習ルーチンが１回実行される毎に
図６の学習管理ルーチンも１回実行される。Ｓ１１にお
いて、学習回数、すなわち３０km／h から５km／h まで
の減速制御の実行回数が所定値（ここでは２０回）より
大きくなったか否かの判定が行われる。当初においては
この判定の結果は勿論ＮＯであり、Ｓ１２においてスロ
ットル制御の要，不要を表すスロットルフラグがＯＮと
され、Ｓ１３において、ブレーキ１４が作動させられな
いとすればエンジン１２に３０km／h の速度を維持し得
る出力トルクを出力させるようなスロットル弁１８の弁
開度が指令される。

【００２６】そして、Ｓ１１の判定結果がＹＥＳとなれ
ば、Ｓ１４において、誤差｜Ｖ_v−Ｖ_d｜が設定値より
小さいか否かの判定が行われる。Ｓ１１の判定結果がＹ
ＥＳとなった後には、Ｓ１４の判定結果もＹＥＳとなる
のが普通であるが、何らかの理由で誤差が未だ設定値よ
り大きければ、Ｓ１２，Ｓ１３が実行される。Ｓ１４の
判定結果がＹＥＳであれば、Ｓ１５においてスロットル
フラグがＯＦＦとされ、それによって学習が第二段階へ
移行する。

【００２７】第二段階においては、スロットルフラグが
ＯＦＦとされるのに応じてスロットル弁１８の制御が停
止され、速度３０km／h から完全に停車させる減速制御
が１回実行される。この１回の減速制御中にニューラル
ネットワーク５０は学習を完了し得、正確に望ましい減
速制御が行われる状態となる。これでイニシャルトレー
ニングが終了し、このときのニューラルネットワーク５
０の各ユニット間の結合の重みがＲＯＭに格納された
後、車両１０が出荷される。

【００２８】このように１つのパターンについてイニシ
ャルトレーニングを行っておけば、ニューラルネットワ
ークが持つジェネラライゼーション・アビリティと呼ば
れる補間能力により、出荷後の構成要素の経時変化や、
道路勾配，積載荷重等環境の変化に応じて十分な学習が
行われる。このことは実験によっても確認されている。

【００２９】本実施例装置においては減速度センサが使
用されない。現在入手可能な減速度センサは、一般に出
力の安定性が悪く、重力の影響を受ける等の計測精度上
の問題があり、一方、車輪の速度を微分して減速度を求
める場合には計測周期が長くなり、路面の摩擦係数の影
響を受ける等の問題があるため、減速度センサを必要と
しないことは大きなメリットである。

【００３０】また、本実施例装置は、組立完了直後のイ
ニシャルトレーニング時のみではなく、出荷後において
もニューラルネットワーク５０が学習を行うようにされ
ており、かつ、走行条件に応じて目標速度等のパターン
が自動で更新されるようになっているため、構成要素の
経時変化や車両の環境変化等が存在しても、常に適正な
減速／停止が実現される。

【００３１】また、減速制御と学習とが同時に行われ、
特別の教師信号を必要としないことも本実施例装置の特
徴の一つである。さらに、ニューラルネットワーク５０
は非線形パターン変換が可能であるため、電磁液圧制御
弁２０の若干の非線形特性を矯正することが可能であ
る。

【００３２】以上の説明から明らかなように、本実施例
においては、スロットル弁１８が駆動力制御手段を構成
し、電磁液圧制御弁２０がブレーキ制御手段を構成して
いる。また、速度センサ１６が速度検出手段を、目標速
度・減速度発生装置４４が目標変数決定手段をそれぞれ
構成しており、学習管理装置５２が駆動力制御管理手段
を構成している。

【００３３】上記実施例においては、中間層を１層のみ
備えるニューラルネットワーク５０が使用されている
が、中間層を２層以上備えるニューラルネットワークの
使用も勿論可能であり、各層のユニットの個数も上記実
施例における個数に限定されるわけではなく、さらに別
の形式のニューラルネットワークの使用も可能である。

【００３４】また、学習管理装置を、実速度が目標速度
より小さく、ブレーキ液圧を低減させるような学習信号
が発生していても、ブレーキ液圧が０であればニューラ
ルネットワークの学習を禁止して、学習が安定に進むよ
うにするものとすることも可能である。

【００３５】その他、いちいち例示はしないが、当業者
の知識に基づいて種々の変形，改良を施した態様で本発
明を実施することができる。

【図面の簡単な説明】

【図１】本発明の一実施例である車両減速制御装置を示
すブロック図である。

【図２】上記車両減速制御装置におけるニューラルネッ
トワークの詳細および制御対象としての車両のダイナミ
クスを示す説明図である。

【図３】上記車両減速制御装置の一構成要素である電磁
液圧制御弁の正面断面図である。

【図４】上記車両減速制御装置における目標速度および
目標減速度のパータンの一例を示すグラフである。

【図５】上記車両減速制御装置を構成するコンピュータ
のＲＯＭに格納されている学習ルーチンを示すフローチ
ャートである。

【図６】上記車両減速制御装置を構成するコンピュータ
のＲＯＭに格納されている学習管理ルーチンを示すフロ
ーチャートである。

【図７】上記車両減速制御装置の学習過程を示すフロー
チャートである。

【符号の説明】

１６速度センサ１８スロットル弁２０電磁液圧制御弁４０フィードバック制御部４２フィードフォワード制御部４４目標速度・減速度発生装置４６比例制御要素５０ニューラルネットワーク５２学習管理装置

───────────────────────────────────────────────────── フロントページの続き (72)発明者大野宏司愛知県愛知郡長久手町大字長湫字横道41− １株式会社豊田中央研究所内 (72)発明者高橋新愛知県愛知郡長久手町大字長湫字横道41− １株式会社豊田中央研究所内 (72)発明者杉本軍司愛知県愛知郡長久手町大字長湫字横道41− １株式会社豊田中央研究所内

Claims

【特許請求の範囲】

【請求項１】電気的な駆動制御指令に応じて車両の駆
動源の駆動力を制御可能な駆動力制御手段と、電気的なブレーキ制御指令に応じて車両のブレーキの制
動力を制御可能なブレーキ制御手段と、車両の速度を検出する速度検出手段と、車両の走行条件に応じて少なくとも車両の目標速度を含
む目標変数を決定する目標変数決定手段と、複数のニューロンユニットが互いに結合されており、少
なくとも前記目標変数決定手段により決定された目標変
数を入力として前記ブレーキ制御指令を発するととも
に、前記速度検出手段により検出される実速度の目標速
度に対する誤差が小さくなるように前記ニューロンユニ
ット間の結合の重みを修正する学習を行うフィードフォ
ワード型のニューラルネットワークと、少なくともそのニューラルネットワークにおける学習の
初期においては前記駆動源に駆動力を発生させるように
前記駆動力制御手段を作動させる駆動力制御管理手段と
を含むことを特徴とする車両減速制御装置。