JPH0587699A - ニユーラルネツトワークを用いた車両用ペダル操作性の評価方法 - Google Patents

Abstract

(57)【要約】 【目的】 車両用操作ペダルの評価を行うためにニュー
ラルネットワークを用いて、設計段階にて実車への模擬
搭載を含めた評価を可能とする。 【構成】 複数のモデル入力によって多階層ニューラル
ネットワークの評価出力を得、この評価出力を官能試験
による評価点とを比較して両者の誤差をもとにニューラ
ルネットワークの各ユニットの結合度を求め、評価用の
ニューラルネットワークを構築する。次に、被検ペダル
のテスト入力を前記ニューラルネットワークに入力し、
このときの評価点により設計ペダルの評価を簡単かつ客
観的な評価値として評価する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、ニューラルネットワー
クを用いた車両用ペダル操作性の評価方法、特に車両用
アクセルペダルあるいはブレーキペダルの踏み込みある
いは戻り値の操作性をエンジン特性を考慮しながら実車
での官能評価を行うことなく、ニューラルネットワーク
を用いて被検ペダルのテスト特性値を入力するのみで評
価可能な、改良された評価方法を提供することにある。

【０００２】

【従来の技術】車両の設計に当ってアクセルペダル、ブ
レーキペダルなどのペダル操作特性が車両の運転性能、
運転者の疲労度あるいは運転環境に大きな影響を与える
ために重要な要素となる。このような操作特性は、ペダ
ルの操作力とストロークとの関係そしてペダルストロー
クとバルブ開度との特性などによって個別的に決定さ
れ、また車両に組み込んだ場合には主としてエンジン性
能との関係で運転特性が決定される。

【０００３】従って、従来においては、このようなペダ
ル操作性は実車走行を行う時に専門の評価員による各項
目の単独評価及び運転時における官能評価を行うことに
よって得られる。

【０００４】

【発明が解決しようとする課題】しかしながら、前述し
た人間の官能評価では、熟練した評価員を育成しなけれ
ばならないという問題があり、さらにこのような評価員
によっても、個人差をできるだけ除去するために、複数
の評価員による評価が必要であり、実際上、評価に要す
る時間及び労力が極めて多大であるという問題があっ
た。

【０００５】また、前述したように、ペダル操作性は車
両のエンジン特性と密接に関連しており、操作ペダル単
独での評価よりもむしろ実車走行を行うときの運転性能
に大きな影響を与え、従来においては設計時に最適な評
価が行えないことから試作，実車搭載を繰り返して評価
を行うために車両形式ごとにこのようなめんどうな評価
を繰り返し行わなければならないという問題があった。

【０００６】このために、従来においては、各操作ペダ
ルは設計段階において単独の評価が行われ、さらにこれ
を実車に搭載した時の評価は別個官能評価をもって行
い、このような試行錯誤を繰り返して行うという面倒な
手続きが要求されていた。

【０００７】従来において、人間の脳機能を人工的に模
倣した情報処理システムとしてニューラルネットワーク
が実用化され、多数の異なるカテゴリーの入力量に対し
て一定の出量が得られるようにコンピュータを用いて高
速学習し、この結果、人間と同等の評価をばらつきなく
行うことができるという利点がある。このようなニュー
ラルネットワークの各層間の結合度を構築するために一
般的にバックプロパゲーションとして知られる学習アル
ゴリズムが用いられ、多階層に構築されたニューラルネ
ットワークに特定のモデル入出力関係を与えることによ
ってその後に入力されるあらゆるテスト入力に対して所
望の評価結果を提供することができる。この種のニュー
ラルネットワークを車両に適用した従来例として、例え
ば特開平２−２３８５９９、同特開平２−２３８６００
などが周知である。

【０００８】しかしながら、このような従来におけるニ
ューラルネットワークの利用は車両用の道路情況を認識
するために用いられ、本発明の対象とする操作性に関し
ては今だその適用が実現されていない。

【０００９】車両用の機器操作性に関するニューラルネ
ットワークの応用は、従来において「日産技報論文集１
９９０」（１９９０年５月２５日発行）の「スイッチ官
能評価システムへのニューラルネットワーク技術の適用
可能性」として知られている。しかしながら、この従来
例においても、単にスイッチ単独の押し圧感評価に用い
たのみで、アクセルペダルあるいはブレーキペダルなど
のペダル操作性を実車搭載時まで含めて実現することが
できず、今だニューラルネットワークの車両設計時での
応用は実用化の域に達していないという問題があった。

【００１０】本発明は上記従来の課題に鑑みなされたも
のであり、その目的は、車両用ペダル操作を実車搭載時
まで含めてニューラルネットワークにより学習させ、こ
のニューラルネットワークを用いてあらゆる車両あるい
はエンジン形式に合わせて操作ペダルの評価を設計時に
容易に可能とする改良された評価方法を提供することに
ある。

【００１１】

【課題を解決するための手段】上記の目的を達成するた
めに、本発明は、ニューラルネットワークの入力層にペ
ダル操作性に関する複数種類のモデル特性値を入力する
ステップと、前記モデル特性値の入力によりニューラル
ネットワークの出力層から得られた出力と官能テストの
評価点とを比較するステップと、前記比較結果に応じて
ニューラルネットワークの入力層と出力層間の各層の結
合度をニューラルネットワークの出力と官能評価点とが
一致するように繰り返し学習させるステップと、前記学
習された結合度を持ったニューラルネットワークにより
評価に供せられる被検ペダルのテスト特性値を入力ネッ
トワークの入力層に入力して、評価出力を得るステップ
とを含むことを特徴とする。

【００１２】そして、本発明においては、各特性値ごと
に入力層から所定中間層までをモジュール化し、この中
間出力を評価するステップを有し、各ペダル操作特性が
評価出力に与える影響度を個別に評価できることを特徴
とする。

【００１３】さらに、本発明においては、各ペダル操作
特性は、ペダル操作力／ペダルストローク特性、ペダル
ストローク／バルブ開度特性及びエンジン性能特性を含
むことを特徴とする。

【００１４】さらに、本発明においては、ペダル操作力
／ストローク特性とペダルストローク／バルブ開度特性
とはそれぞれペダル踏み込み値とペダル戻り値との両者
に分けてモジュール化されており、これらの各モジュー
ルごとに中間出力を出力できることを特徴とする。

【００１５】

【作用】従って、本発明によれば、操作ペダルの設計時
にあらかじめ各種のテストモードで結合度が構築された
ニューラルネットワークを用いて、極めて容易に評価点
を求めることができ、ペダル単独の評価点ばかりでなく
実車搭載した時のエンジン特性を含めた評価を行うこと
から、熟練した評価員を必要とすることのない簡単かつ
客観的な評価を可能とするという利点がある。

【００１６】

【実施例】以下、図面に基づいて本発明の好適な実施例
を説明する。

【００１７】図２には本発明における評価方法を実行す
るための評価装置の概略的な構成が示されている。

【００１８】図示のごとく、ペダル操作評価演算部１０
はニューラルネットワークを構成しており、さらに詳細
に説明すると、この評価演算部１０は入力信号をニュー
ラルネットワークに入力するために正規化するための信
号変換回路１１を含み、このデータはさらに入力ポート
１２から後述するニューラルネットワークの入力層に供
給され、記憶回路１３および演算回路１４によって各層
のユニットにおいて所定の結合度演算がおこなわれ、出
力ポート１５から外部へ出力される。

【００１９】もちろん、このニューラルネットワークは
バックプロパゲーションを利用した学習機能を有し、あ
らかじめ所定のモデル特性値の入力を官能評価結果と比
較して各ユニットでの結合度が定められており、このよ
うにして構築されたニューラルネットワークに被検ペダ
ルのテスト特性値が入力されて所望の評価出力を得るこ
とができる。

【００２０】前記モデル特性値あるいはテスト特性値の
入力はキーボード２０から与えられ、このような入力値
は例えばアクセルペダル、ブレーキペダルの物理性能
値、例えばペダル操作力／ペダルストローク特性、ペダ
ルストローク／バルブ開度特性あるいはエンジン性能特
性を含み、これらの特性値がキーボード入力される。

【００２１】一方、ニューラルネットワークの出力評価
点はＣＲＴディスプレイなどの表示装置３０によってた
だちに表示され、これによってペダル設計時にそのつど
操作性の評価を確認しながら設計が行えることが明らか
である。

【００２２】図３にはペダル操作力とペダルストローク
との関係が示されており、図示のごとく、ペダル単独の
特性が一例として示され、踏み込み時と戻り時には異な
る特性となり、このようなヒステリシスを持った特性を
考慮して、この実施例においては、踏み込み時と戻り時
とにおいてそれぞれ操作力／ストローク特性は別個にモ
ジュール化されて中間層において出力層におけるそれぞ
れの評価点に対する影響度を中間出力できるように構成
されている。

【００２３】本実施例において、入力特性値としては図
３に示した操作力／ストローク特性の他に、ペダルスト
ローク／バルブ開度特性そしてエンジン性能特性が選択
されており、これらをそれぞれ前述したようにヒステリ
シスを有する操作特性の場合には踏み込み時と戻り時に
おいてそれぞれ分離してモジュール化し、これを中間出
力として評価しながらさらに全モジュール出力を統合化
して出力層から評価点として出力する。

【００２４】後に詳述するように、本発明においては、
このような入力はまずモデル特性をニューラルネットワ
ークに入力し、このときに求められる出力と官能評価に
よる評価点とを比較し、両者が一致するようにニューラ
ルネットワークの各ユニットにおける結合度をバックプ
ロパゲーションにより求め、ニューラルネットワークの
結合度を定める。

【００２５】そして、このようにして求められたニュー
ラルネットワークを用いて、被検ペダルのテスト特性値
を入力して所望の評価点を得ることができる。

【００２６】図１には本発明に用いられるニューラルネ
ットワークの好適な一実施例が示されている。前述した
ように、本実施例においては操作ペダルの操作力／スト
ローク特性、ストローク／バルブ開度特性そしてエンジ
ン性能特性が入力される。これらの各入力信号は図示の
ごとく非線形特性であり複数点の情報を入力することに
よりニューラルネットワークで非線型性を表現する。そ
して、前記信号変換回路１１がこれらの入力値を正規化
された値に変換してニューラルネットワークの入力層に
供給する。

【００２７】ニューラルネットワークは逐次処理型のコ
ンピュータソフトウエアにより実現されており、実施例
においては、前記入力層とこれに引き続き設けられた中
間層１，２を含み、実施例における中間層２は各モジュ
ールの中間出力を評価するために各モジュールごとにま
とめられている。

【００２８】このモジュールは、本実施例において、前
記各入力をそれぞれ踏み込み時と戻り時とに分け、さら
にエンジン性能に関しては出力及びトルク性能値などに
分割して入力層から中間層１，中間層２まで別個にサブ
システムを構築するように結合されている。この結果、
各モジュールはそれぞれ単独でそれぞれの評価点を得る
ことができ、実際の最終評価点は出力層において全モジ
ュールの中間評価が統合されて最終評価点として出力さ
れるが、前記中間層２の出力を確認することによって、
統合化された全体の評価点に対して各モジュールが与え
る影響を監視することができ、ペダル設計時にこのよう
な中間評価点を示して最適設計を行うことが可能とな
る。

【００２９】実施例から明らかなように、ニューラルネ
ットワークは階層型に構築され、時系列に展開された各
データの各々に対応して設けられた入力ユニットＩm か
らなる入力層と、中間ユニットＭ１n からなる中間層１
と、各モジュールごとの統合結果を示す中間ユニットＭ
2oからなる中間層２と、統合された評価点を出力する出
力ユニットＯp からなる出力層とから構築されている。
そして、各ユニット間の結合度は周知のバックプロパゲ
ーション手法により学習される。このバックプロパゲー
ションによる学習則は、各出力ユニットＯp の評価点と
官能評価による評価員の評価点との誤差が最小となるよ
うに各ユニット間の結合度ｗを学習するものであり、一
般的に最小２乗誤差法が用いられる。

【００３０】以上のようにして、ニューラルネットワー
クの結合度学習が行われるとともに、このようにして構
築された結合度を有するニューラルネットワークに被検
ペダルのテスト特性値を入力することによって所望の評
価がペダル設計時に簡単に操作評価点を求めることがで
きる。

【００３１】前述した図２において、前記結合度ｗの演
算は演算回路１４によって行われ、モデル特性値の入力
によって得られた結合値ｗはＲＡＭなどの記憶回路１３
に記憶される。

【００３２】次に、ペダル操作評価のための処理方法を
図４および図５に基づいて説明する。

【００３３】図４に示されるフローチャートは学習時の
入力及び学習が完了した後のニューラルネットワークを
用いてテスト特性値の入力によって被検ペダルの評価点
を求めるためのフローチャートであり、一方、図５のフ
ローチャートは、モデル特性値を入力して官能評価結果
と比較し各結合度ｗを求めるための学習部分のフローチ
ャートを示している。

【００３４】まず、図４に基づいて本発明によるニュー
ラルネットワークを用いた操作性の評価方法を説明す
る。

【００３５】まず、ステップ１００において、ペダルが
搭載される車両が選定され、この結果データベースから
読み出された車両データがステップ１０１において入力
される。前述したように、これらの入力特性値は図１の
エンジン性能特性で示されるように非線形多次曲線とな
り、複数点の情報を入力することにより、ニューラルネ
ットワークで非線型性を表現することとする。これら複
数点の情報は、正規化されたデータに変換された後（ス
テップ１０２）ニューラルネットワークに入力される。

【００３６】次に、入力層に対して被検ペダルのテスト
特性値が入力され、この特性も図１に示されるごとく非
線形多次曲線であり、信号変換回路１１によって正規化
データに変換されて入力されることは前記エンジン性能
特性と同様である（ステップ１０３）。

【００３７】以上の入力処理によって全時系列データが
取り込まれ、次にニューラルネットワークの処理が実行
される。

【００３８】まず、ステップ１０４において、中間層１
の各ユニットＭ１n の出力値Ｍ1 Ｄn を求める。この演
算は、各入力データＩＤmにあらかじめ決定されている
結合度ｗmnを乗算し、この累積値ＮＥＴn を次式（１）
にて求め、 ＮＥＴn ＝Σｗmn・ＩＤm ‥‥（１） 次に、この累積値ＮＥＴn のジグモイド関数として出力
Ｍ1 Ｄnが次式（２）などによって求められる。

【００３９】 Ｍ1 Ｄn ＝１／｛１＋exp （−ＮＥＴn ＋θn ）｝‥‥（２） また、前記（１），（２）式における結合度ｗmnは入力
層と中間層１との間の結合度を示し、これらの結合度は
後述するバックプロバゲーション手法によって学習によ
り更新決定されている。

【００４０】上記ステップ１０４と同様にステップ１０
５において中間層２の各ユニットＭ2oの出力値Ｍ2 Ｄo
が演算される（式３，４）。

【００４１】 ＮＥＴo ＝Σｗno・Ｍ1 Ｄn ‥‥（３） Ｍ2 Ｄo ＝１／ {１＋exp （−ＮＥＴo ＋θo ）｝‥‥（４） 本実施例において、中間層２の出力はステップ１０５に
よって得られ、各モジュール、図１におけるＢ１〜Ｂ６
で示された各モジュールの個別の出力が中間層２の出力
Ｍ2 Ｄo として得られ、これによって、各モジュールの
単独の影響度を監視することが可能であり、後述する全
体的な評価に加えてこのような中間的な各モジュールの
評価を見ることによってペダルの設計に有意義な情報を
与えることができる。

【００４２】また、本実施例のように中間層２までを各
モジュールごとの演算とすることにより、統合ニューラ
ルネットワークの結合本数を減少させることができ、多
階層に構築したニューラルネットワークの処理時間を著
しく短縮することができるという利点がある。

【００４３】次に、出力層の各ユニットＯp の出力ＯＤ
p を前記ステップ１０４，１０５と同様に下記式
（５），（６）に従って求める。

【００４４】 ＮＥＴp ＝Σｗop・Ｍ2 Ｄo ‥‥（５） ＯＤp ＝１／｛１＋exp （−ＮＥＴp ＋θp ）｝ ‥‥（６） 以上のようにして、出力層から出力ＯＤp が得られ、こ
の出力値が発進時あるいは各種の定速あるいは加速時の
官能評価点として求められ、被検ペダルの操作評価が行
われる。

【００４５】なお、前記中間層２は本発明において必ず
しも必須ではなく、各モジュールの統合評価点に与える
影響を考慮する必要がないときにはこの中間層２を省略
することも可能であり、この場合には中間層１を直接出
力層へ全結合すればよい。

【００４６】以上のようにして、ニューラルネットワー
クを用いてペダル操作の評価が行えることが理解され
る。

【００４７】次に、図５に示した学習フローチャートに
よりニューラルネットワークの前記結合度を決定する手
順を説明する。

【００４８】この学習の実行はステップ２００によって
選択されており、前述した図４の評価フローチャートを
そのまま出力値とする場合には学習実行ステップ２００
からステップ２１０へただちに移行し、前記図４のフロ
ーチャートで示された出力値ＯＤp をそのまま出力して
評価点とする。

【００４９】一方、モデル特性値の入力によって結合度
ｗを決定する学習フローチャートの実行時には、ステッ
プ２００からステップ２０１へ移行し、評価者が選定さ
れ、官能評価による評価点が入力される（ステップ２０
２）。

【００５０】このとき、前記フローチャート図４におけ
るステップ１０３にはモデル特性値が入力されており、
これによって求められた出力値ＯＤp と前記評価者によ
る官能評価点に対応する教師データＴp との差を求め、
さらに前記ステップ１０６で求めた出力層各ユニットＯ
p への入力値の累積値ＮＥＴp をパラメータとして出力
層各ユニットＯp の入出力関係を表す関数の微分値ｆp'
（ＮＥＴp ）に基づき次式（７）に従って出力層の各ユ
ニットＯp の学習信号δp を演算する（ステップ２０
３）。

【００５１】 δp ＝（Ｔp −ＯＤp ）・ｆp'（ＮＥＴp ） ‥‥（７） 次に、ステップ２０４において、ステップ１０５で求め
た中間層２の各ユニットＭ2oへの入力の累積値ＮＥＴo
をパラメータとして中間層２の各ユニットＭ2oの入出力
関係を表す関数の微分値ｆn'（ＮＥＴn ）、ステップ２
０３で求めた出力層の各ユニットＯp の学習信号δp お
よび中間層２の各ユニットＭ2oと出力層の各ユニットＯ
p との結合度ｗpo に基づき次式（８）に従って中間層
２の各ユニットＭ2oの学習信号δo を演算する。

【００５２】 δo ＝ｆo'（ＮＥＴo ）・Σδp ｗpo ‥‥（８） さらに、ステップ２０５では中間層１の各ユニットＭ1n
の学習信号δnが演算され、同様にステップ２０６にお
いては入力層の各ユニットＩm の学習信号δmがそれぞ
れ次式（９），（１０）に従って演算される。

【００５３】 δn ＝ｆn'（ＮＥＴn ）・Σδo ｗon ‥‥（９） δm ＝ｆm'（ＮＥＴm ）・Σδn ｗnm ‥‥（１０） 以上のようにして、各層の誤差値が求められると、次に
ステップ２０７において各層内の各ユニットの修正量Δ
w が演算される。この修正量Δw は、学習乗数η、学習
信号δおよび各ユニットの出力値Ｄに基づき次式（１
１）に従って求められる。

【００５４】 Δw ＝η・δ・Ｄ ‥‥（１１） 次に、ステップ２０８は前記求められた修正量Δw を用
いて各ユニットの入力データとの結合度ｗを補正するこ
とによって結合量ｗの更新を行う。

【００５５】以上のようにして、各結合度が決定され、
官能評価を複数の評価員において行う場合には、全評価
者が終了するまでこのような結合度の演算が繰り返さ
れ、全評価者が終了した後（ステップ２０９）、ニュー
ラルネットワークの結合度が決定される。

【００５６】以上のようにして、本発明によれば、操作
ペダルの評価をニューラルネットワークを用いて設計段
階で行うことができ、実車搭載を必要とすることなく迅
速に最適なペダル設計を可能とする。

【００５７】もちろん、本発明において、入力値は実施
例に示した要素ばかりでなく他の要素を用いることもで
き、さらに入力層，出力層も要素数も適宜変更され、中
間階層の層数も必要に応じて増加減少することができ
る。

【００５８】また、本発明はアクセルペダルあるいはブ
レーキペダルなどのペダル機構に対して適用されている
が、このようなニューラルネットワークの利用はステア
リングホイールの設計にも容易に適用可能である。

【００５９】

【発明の効果】以上説明したように、本発明によれば、
ニューラルネットワークを用いて、極めて簡単に設計段
階でペダル評価を行うことができるという利点がある。

【図面の簡単な説明】

【図１】本発明に係る評価方法が適用されるニューラル
ネットワークの説明図。

【図２】本発明が適用される評価装置の概略的な構成
図。

【図３】本発明に用いられるペダル操作特性の一例を示
す特性図。

【図４】本発明に係る評価方法の評価出力を求めるフロ
ーチャート。

【図５】本発明におけるニューラルネットワークの結合
度を学習するためのフローチャート。

【符号の説明】

１０ 評価演算部 Ｉm 入力層 Ｍ1n 中間層１ Ｍ2o 中間層２ Ｏp 出力層

Claims (4)

【特許請求の範囲】
1. 【請求項１】 ニューラルネットワークの入力層にペダ
   ル操作性に関する複数種類のモデル特性値を入力するス
   テップと、 前記モデル特性値の入力によりニューラルネットワーク
   の出力層から得られた出力と官能テストの評価点とを比
   較するステップと、 前記比較結果に応じてニューラルネットワークの入力層
   と出力層間の各層の結合度をニューラルネットワークの
   出力と官能評価点とが一致するように繰り返し学習させ
   るステップと、 前記学習された結合度を持ったニューラルネットワーク
   により評価に供せられる被検ペダルのテスト特性値を入
   力ネットワークの入力層に入力して、評価出力を得るス
   テップと、 を含むニューラルネットワークを用いた車両用ペダル操
   作性の評価方法。
2. 【請求項２】 請求項１記載の評価方法において、 各特性値ごとに入力層から所定中間層までをモジュール
   化し、この中間出力を評価するステップを有し、 各ペダル操作特性が評価出力に与える影響度を個別に評
   価できることを特徴としたニューラルネットワークを用
   いた車両用ペダル操作性の評価方法。
3. 【請求項３】 請求項１記載の評価方法において、 各ペダル操作特性は、ペダル操作力／ペダルストローク
   特性、ペダルストローク／バルブ開度特性及びエンジン
   性能特性を含むことを特徴とするニューラルネットワー
   クを用いた車両用ペダル操作性の評価方法。
4. 【請求項４】 請求項３記載の評価方法において、 ペダル操作力／ストローク特性とペダルストローク／バ
   ルブ開度特性とはそれぞれペダル踏み込み値とペダル戻
   り値との両者に分けてモジュール化されており、これら
   の各モジュールごとに中間出力を出力できることを特徴
   としたニューラルネットワークを用いた車両用ペダル操
   作性の評価方法。