JPH06249008A - 車両の駆動力制御装置 - Google Patents

Abstract

(57)【要約】 【目的】常に運転者の特性に合った駆動力制御を行うと
共に、加速走行時以外での不要な制御量感度の調整を除
去し、加速走行時の良好な走行フィーリングを確保す
る。 【構成】ニューロコンピュータ２２では、停車からの発
進加速、或いは定常走行等からの追越し加速や追従加速
等の踏増し加速といった加速動作の場合にのみ、加速度
Ｇを教師データとし、アクセルストロークＳ及び車速Ｖ
に対する加速度Ｇの関係を「要求加速度モデル」として
学習する。「要求加速度モデル」出力と加速度Ｇとの偏
差を誤差信号とし、アクセルストロークＳ及び車速Ｖに
対するスロットル開度Ｔｈの関係を「スロットル感度モ
デル」として学習する。スロットルコンピュータ２１で
は「スロットル感度モデル」出力を参照データとし、ア
クセルストロークＳに応じてスロットルバルブ７を開閉
させてエンジン２を出力制御する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は、車両の加速度が運転
者の要求する加速度となるように駆動力を制御するよう
にした車両の駆動力制御装置に関するものである。

【０００２】

【従来の技術】一般に、車両に対しては、様々な環境条
件の下での走行が要求されると共に、個々の運転者によ
る種々の運転操作がなされる。そして、車両の挙動につ
いては、運転者の意図する応答性と円滑性が要求され
る。従来より、車両の駆動力に関わる挙動については、
例えば内燃機関を搭載した車両において、運転者による
アクセルペダルの踏込量に応じて制御が行われることが
知られている。

【０００３】例えば、先に本願出願人により提案された
特願平３−８０１０３号では、内燃機関を搭載した車両
において、リンクレスタイプのスロットルバルブの開度
（スロットル開度）が、運転者によるアクセルペダルの
踏込量（アクセルストローク）に応じて制御されるよう
になっている。ここで、アクセルストロークに対応した
目標加速度を決定するためのデータは、マップとして予
めバックアップＲＡＭに記憶されている。そして、車両
の実際の加速度がマップより決定される目標加速度とな
るように、スロットル開度が制御され、もって車両の駆
動力が制御される。又、この提案技術では、アクセルス
トロークの変化と実際の加速度とが運転者の加速度要求
度合いの変化として検知され、その検知された加速度要
求度合いと、上記のマップより決定される目標加速度と
の偏差が最小となるように、そのマップのデータが修正
されてバックアップＲＡＭに記憶し直されるようになっ
ている。数学的には、目標加速度に関する補正（修正）
が上記の偏差に応じてなされることにより、マップの書
き替えが行われる。つまり、アクセルストロークに対応
する目標加速度のデータが学習される。

【０００４】従って、上記のように目標加速度のデータ
が、運転者の加速度要求度合いに合致するように学習さ
れることから、常に運転者の特性に合った目標加速度が
決定されることになった。その結果、運転者の意識状態
や運転環境に関係なく、常に運転者の特性に適した駆動
力が得られ、良好な運転性能が得られることになった。

【０００５】しかしながら、上記の提案技術では、目標
加速度のデータの学習としては、単にデータが補正（修
正）されてマップの書き替えが行われているだけであっ
た。そして、マップの書き替えについては、その時々で
アクセルストロークのある点、或いはある範囲について
のみ、目標加速度のデータが学習されるだけであった。
従って、特定の運転領域についてのみ目標加速度が補正
（修正）されるだけとなり、書き替えられたマップに領
域的な偏りが生じることになった。その結果、書き替え
られたマップで、アクセルストロークに対する目標加速
度の関係が部分的に不連続となり、車両の駆動力の制御
がアクセルストロークの変化に対して部分的に不連続な
ものとなる傾向があった。

【０００６】そこで、上記の不具合に対処することを狙
って、新たな技術が本願出願人により特願平４−３３６
３２３号に提案された。この提案技術では、ニューラル
ネットワーク技術を利用してマップの学習制御が行われ
るようになっている。ここでは、車両の走りに対する運
転者の要求が、その時々の実際の加速度から「要求加速
度モデル」として推定され、その「要求加速度モデル」
に基づき「スロットル感度モデル」が変更されてスロッ
トル感度が決定されている。又、その決定されたスロッ
トル感度とアクセルストロークとの積から求められる目
標スロットル開度と、実際のスロットル開度とが一致す
るように、エンジンのスロットルバルブが開閉制御され
るようになっている。

【０００７】従って、上記のようにニューラルネットワ
ーク技術を利用してマップの学習制御が行われることか
ら、アクセルストロークの全範囲に対する加速度及びス
ロットル開度の関係の全体が不連続とならず、エンジン
駆動力の制御を運転者によるアクセルストロークの全範
囲に渡って連続的なものとすることができることになっ
た。

【０００８】

【発明が解決しようとする課題】前記後者の新たな提案
技術では、車両の加速度がプラス側へ大きく変化する発
進加速時、追越し加速時等の加速走行時はもちろんのこ
と、同加速度変化がマイナス側へ大きく変化する減速走
行時や、同加速度変化の小さい定常走行時にもスロット
ル感度の調整が行われる。つまり、車両の走行時には、
その走行状況によらず常にスロットル感度の調整が行わ
れることになる。

【０００９】ところで、車両の走行フィーリングの向上
が最も要求されるのは加速時である。この観点からは、
加速走行時のスロットル感度の調整を、他の走行時のス
ロットル感度の調整よりも優先させる必要がある。

【００１０】しかしながら、上記したように前記提案技
術では、車両走行時に常にスロットル感度の調整が実行
される。このため、加速走行時にスロットル感度が一旦
高い値に調整されても、その加速走行後に定常走行や減
速走行が行われると、前記のスロットル感度が低い値で
上書きされてしまう。その結果、加速時の走行フィーリ
ングが低下するという問題がある。

【００１１】この発明は前述した事情に鑑みてなされた
ものであって、その目的は、運転者の意識状態や運転環
境にかかわりなく常に運転者の特性に合った駆動力の制
御を実現すると共に、駆動力の制御を運転者によるアク
セルペダル等の操作量の全範囲に渡って連続的なものと
することが可能で、併せて加速走行時の良好な走行フィ
ーリングを確保することが可能な車両の駆動力制御装置
を提供することにある。

【００１２】

【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、この発明においては、図１に示すように、車両Ｍ
１に搭載された駆動源Ｍ２の制御量を変更するための制
御量変更手段Ｍ３と、駆動源Ｍ２の出力を任意に制御す
るために運転者により操作される出力操作手段Ｍ４と、
出力操作手段Ｍ４の操作量を検出するための操作量検出
手段Ｍ５とを備え、操作量検出手段Ｍ５の検出結果に応
じて制御量変更手段Ｍ３を駆動させることにより駆動源
Ｍ２の出力を制御して車両Ｍ１の駆動力を制御するよう
にした車両の駆動力制御装置において、車両Ｍ１の加速
度を検出するための加速度検出手段Ｍ６と、車両Ｍ１の
速度を検出するための速度検出手段Ｍ７と、車両Ｍ１の
停車からの発進加速や定常走行からの追越し加速、前車
への追従加速等の踏増し加速といった加速動作の開始を
検出する加速開始検出手段Ｍ８と、車両Ｍ１の加速動作
の終了を検出する加速終了検出手段Ｍ９と、加速開始検
出手段Ｍ８により車両Ｍ１の加速動作開始が検出されて
から、加速終了検出手段Ｍ９により車両Ｍ１の加速動作
終了が検出されるまでの加速持続期間において、加速度
検出手段Ｍ６の検出により得られる加速度を比較すべき
教師データとして、その教師データと当該手段Ｍ８の出
力との偏差を誤差信号とし、その誤差分が小さくなるよ
うに、出力操作手段Ｍ４の操作量及び速度検出手段Ｍ７
の検出により得られる速度に対する車両Ｍ１の加速度の
関係を、運転者が要求する加速度モデルとして学習する
ための要求加速度モデル学習手段Ｍ１０と、加速度検出
手段Ｍ６の検出により得られる加速度と要求加速度モデ
ル学習手段Ｍ１０により学習される加速度モデルの出力
との偏差を誤差信号として、その誤差分が小さくなるよ
うに、出力操作手段Ｍ４の操作量及び速度検出手段Ｍ７
の検出により得られる速度に対する駆動源Ｍ２の制御量
の関係を制御量感度モデルとして学習するための制御量
感度モデル学習手段Ｍ１１と、制御量感度モデル学習手
段Ｍ１１により学習される制御量感度モデルの出力を参
照データとして、その参照データに基づき操作量検出手
段Ｍ５により検出される操作量に応じて制御量変更手段
Ｍ３の駆動を制御する駆動制御手段Ｍ１２とを備えたこ
とを趣旨としている。

【００１３】

【作用】上記の構成によれば、図１に示すように、加速
度検出手段Ｍ６の検出により得られる加速度は、要求加
速度モデル学習手段Ｍ１０において、比較すべき教師デ
ータとして用いられる。つまり、車両Ｍ１の実際の加速
度が、運転者の要求する加速度として比較に用いられ
る。

【００１４】要求加速度モデル学習手段Ｍ１０では、加
速開始検出手段Ｍ８により車両Ｍ１の加速動作の開始が
検出されてから、加速終了検出手段Ｍ９により車両Ｍ１
の加速動作終了が検出されるまでの加速持続期間におい
て、運転者が要求する加速度モデルが学習される。より
詳しくは、教師データと当該手段Ｍ８の出力との偏差が
小さくなるように、即ち、運転者の要求する加速度と要
求加速度モデルの出力との偏差が小さくなるように、出
力操作手段Ｍ４の操作量及び速度検出手段Ｍ７の検出に
より得られる速度に対する車両Ｍ１の加速度の関係が加
速度モデルとして学習される。

【００１５】制御量感度モデル学習手段Ｍ１１では制御
量感度モデルが学習される。この学習に際しては、加速
度検出手段Ｍ６の検出により得られる加速度と、上記の
ように学習される加速度モデルの出力との偏差が誤差信
号として用いられる。そして、制御量感度モデル学習手
段Ｍ１１では、上記の誤差信号の誤差分が小さくなるよ
うに、即ち、車両Ｍ１の加速度と加速度モデルの出力と
の偏差が小さくなるように、出力操作手段Ｍ４の操作量
及び車両Ｍ１の速度に対する駆動源Ｍ２の制御量の関係
が、制御量感度モデルとして学習される。

【００１６】駆動制御手段Ｍ１２では、上記のように学
習される制御量感度モデルの出力が参照データとして用
いられ、その参照データに基づき、運転者の操作による
出力操作手段Ｍ４の操作量に応じて制御量変更手段Ｍ３
の駆動が制御される。その結果、駆動源Ｍ２の出力が制
御され、もって車両Ｍ１の駆動力が制御される。

【００１７】従って、この発明によれば、車両Ｍ１の加
速持続期間において、常に運転者の要求に応じた加速度
モデルが得られ、その加速度モデルに対応して制御量感
度モデルが得られる。そして、常に運転者の要求に合っ
た加速度をもって、駆動源Ｍ２の制御量が制御される。

【００１８】又、この発明によれば、出力操作手段Ｍ４
の操作量及び車両Ｍ１の速度に対する車両Ｍ１の加速度
の関係の全体が連続的なモデルとして学習され、出力操
作手段Ｍ４の操作量及び車両Ｍ１の速度に対する駆動源
Ｍ２の制御量の関係の全体が連続的なモデルとして学習
される。そのため、車両Ｍ１の速度の全範囲について、
出力操作手段Ｍ４の操作量の全範囲に対する加速度及び
制御量の関係が部分的に不連続となることはない。

【００１９】ところで、加速度モデル及び制御量感度モ
デルの各学習は、加速動作の開始が検出された時点に開
始され、加速動作の終了が検出された時点に終了する。
つまり、車両Ｍ１の走行時には、加速走行、減速走行、
定常走行等の種々の走行が行われるが、その各種走行状
況の中から判別された加速走行時にのみ、加速度モデル
及び制御量感度モデルが学習される。従って、加速走行
時以外の走行時での制御量感度の不要な調整が除去され
る。

【００２０】

【実施例】以下、この発明における車両の駆動力制御装
置を具体化した一実施例を図２〜図１１に基づいて詳細
に説明する。

【００２１】図２は、この実施例における車両の駆動力
制御装置を概略的に示す構成図である。車両１には、駆
動源としての多気筒直列型のガソリンエンジン（以下単
に「エンジン」という。）２が搭載されている。エンジ
ン２において気筒毎に設けられた燃焼室には、吸気通路
３を通じて外気と燃料との混合気が取り込まれる。この
混合気が点火プラグの作動にて爆発・燃焼されることに
より、ピストン、クランクシャフト等が作動してエンジ
ン２の出力が得られる。燃焼により生じた既燃焼ガス
は、排気通路４を通じて外部へ排出される。

【００２２】この実施例で、車両１はフロントエンジン
・リヤドライブ方式（ＦＲ方式）のものであり、エンジ
ン２のクランクシャフトは、図示しないトランスミッシ
ョン、プロペラシャフト、ディファレンシャルギヤ、ド
ライブシャフト等を介して、駆動輪である左右一対の後
輪５に駆動連結されている。又、従動輪である左右一対
の前輪６は、運転席に設けられた図示しないステアリン
グホイールの操作に連動する操舵輪となっている。

【００２３】この実施例において、吸気通路３の途中に
は、リンクレスタイプのスロットルバルブ７が軸７ａに
より回動可能に支持されている。この軸７ａは、スロッ
トルバルブ７の近傍に設けられた直流モータ８に連結さ
れている。これらのスロットルバルブ７及び直流モータ
８は制御量変更手段を構成している。そして、直流モー
タ８の作動により、スロットルバルブ７が軸７ａと一体
回動され、エンジン２の制御量としてのスロットルバル
ブ７の開度（スロットル開度Ｔｈ）が調整される。この
作用により、吸気通路３を通じて各燃焼室へ取り込まれ
る空気量が調整され、エンジン２の出力が制御される。

【００２４】スロットルバルブ７の近傍にはスロットル
センサ９が設けられている。このスロットルセンサ９で
は、スロットル開度Ｔｈが検出され、それに応じた信号
が出力される。車両１の運転席には、出力操作手段を構
成するアクセルペダル１０が設けられている。このアク
セルペダル１０は、エンジン２の出力を任意に制御する
ために、運転者ＤＲにより踏み込み操作されるものであ
る。アクセルペダル１０の近傍には操作量検出手段を構
成するアクセルセンサ１１が設けられている。このアク
セルセンサ１１では、アクセルペダル１０の操作量であ
るアクセルストロークＳが検出され、それに応じた信号
が出力される。

【００２５】前記アクセルペダル１０の近傍にはブレー
キペダル１５が並設されている（図２では便宜的にアク
セルペダル１０の上方に示している）。ブレーキペダル
１５は、車両１の走行を停止させたり、停止している車
両１が走行するのを阻止したりするために、運転者ＤＲ
により踏み込み操作されるものである。ブレーキペダル
１５の近傍には、加速終了検出手段の一部を構成するプ
ッシュ式のストップランプスイッチ１４が設けられてい
る。このストップランプスイッチ１４は通常オフ状態に
なっており、運転者ＤＲによってブレーキペダル１５が
所定量以上踏み込まれたときにのみオン信号が出力され
る。

【００２６】車両１のほぼ中央には、加速度検出手段を
構成する周知の加速度センサ１２が設けられている。こ
の加速度センサ１２では、車両１の前後方向の加速度Ｇ
が検出され、それに応じた信号が出力される。前輪６に
は、速度検出手段を構成する周知の車速センサ１３が設
けられている。この車速センサ１３では、前輪６の回転
数に応じて車両１の走行速度である車速Ｖが検出され、
それに応じた信号が出力される。

【００２７】そして、この実施例では、スロットルバル
ブ７を運転者ＤＲの要求に応じて好適に開閉制御するた
めに、スロットルコンピュータ２１及びニューロコンピ
ュータ２２が設けられている。スロットルコンピュータ
２１は駆動制御手段を構成している。スロットルコンピ
ュータ２１には、前記直流モータ８及びスロットルセン
サ９がそれぞれ電気的に接続されている。又、ニューロ
コンピュータ２２はニューラルネットワークの技術が適
用されたもので、要求加速度モデル学習手段、制御量感
度モデル学習手段を構成すると共に、加速開始検出手段
の一部及び加速終了検出手段の一部をそれぞれ構成して
いる。このニューロコンピュータ２２には、アクセルセ
ンサ１１、加速度センサ１２、車速センサ１３及びスト
ップランプスイッチ１４がそれぞれ電気的に接続されて
いる。ニューロコンピュータ２２とスロットルコンピュ
ータ２１とは互いに電気的に接続されている。

【００２８】図３はスロットルコンピュータ２１及びニ
ューロコンピュータ２２の電気的構成を示すブロック図
である。ニューロコンピュータ２２は、カウンタの機能
を兼ね備えた中央処理装置（ＣＰＵ）２３、ニューラル
ネットワーク技術を利用した学習制御プログラム等を予
め記憶した読み出し専用メモリ（ＲＯＭ）２４、ＣＰＵ
２３の演算結果等を一時記憶するランダムアクセスメモ
リ（ＲＡＭ）２５、予め記憶されたデータを保存するバ
ックアップＲＡＭ２６等を備えている。そして、ニュー
ロコンピュータ２２は、それら各部２３〜２６と外部入
出力回路２７等がバス２８によって接続された論理演算
回路として構成されている。

【００２９】外部入出力回路２７には、前述したアクセ
ルセンサ１１、車速センサ１３及びストップランプスイ
ッチ１４がそれぞれ接続されている。又、外部入出力回
路２７には、ローパスフィルタ２９を介して加速度セン
サ１２が接続されている。このローパスフィルタ２９
は、加速度センサ１２の検出信号のうち、基準となる所
定の遮断周波数より低い周波数の信号は自由に通し、高
い周波数には大きな減衰を与えるようになっている。併
せて、外部入出力回路２７には、前記したスロットルコ
ンピュータ２１が接続されている。

【００３０】そして、ＣＰＵ２３は、外部入出力回路２
７を介して入力される各センサ１１〜１３及びストップ
ランプスイッチ１４からの各種信号を入力値として読み
込む。ＣＰＵ２３は、それら入力値に基づき、ＲＯＭ２
４に記憶されている学習制御プログラムに従い、運転者
ＤＲの要求する「要求加速度モデル」と、それに応じた
制御量感度モデルとしての「スロットル感度モデル」の
学習制御を実行する。そして、ＣＰＵ２３はその学習結
果を外部入出力回路２７を介してスロットルコンピュー
タ２１へ出力する。

【００３１】一方、スロットルコンピュータ２１はニュ
ーロコンピュータ２２と基本的に同じ構成をなしてお
り、ＣＰＵ３０、ＲＯＭ３１、ＲＡＭ３２、バックアッ
プＲＡＭ３３、外部入出力回路３４及びバス３５によっ
て構成されている。外部入出力回路３４には、前述した
直流モータ８、スロットルセンサ９及びニューロコンピ
ュータ２２がそれぞれ接続されている。ＲＯＭ３１に
は、ニューロコンピュータ２２の学習結果、或いは別途
に設定された設定値に基づきスロットルバルブ７の開閉
を制御するためのスロットル開度制御プログラムが予め
記憶されている。

【００３２】そして、ＣＰＵ３０は、ニューロコンピュ
ータ２２から外部入出力回路３４を介して入力される学
習結果のデータを入力値として読み込む。又、ＣＰＵ３
０は、外部入出力回路３４を介して入力されるスロット
ルセンサ９からの信号を入力値として読み込む。ＣＰＵ
３０は、それら入力値に基づき、ＲＯＭ３１に記憶され
ているスロットル開度制御プログラムに従い直流モータ
８を好適に制御する。

【００３３】ここで、ニューロコンピュータ２２に適用
されているニューラルネットワーク技術の概念的な構成
について説明する。この実施例におけるニューラルネッ
トワークは、図４（ａ），（ｂ）に示すように、二つの
多層型ニューラルネットワークを備えている。各多層型
ニューラルネットワークは、基本的には同じ構成をなし
ており、２個のニューロンｎ１よりなる「入力層」と、
２〜１０個のニューロンｎ２よりなる「中間層」と、１
個のニューロンｎ３よりなる「出力層」とを備えてい
る。又、各層の間で各ニューロンｎ１，ｎ２，ｎ３がシ
ナプスｓｐにより結合されている。各多層型ニューラル
ネットワークにおいて、信号は「入力層」から「中間
層」、「中間層」から「出力層」へ向かって一方向へ流
れる。各層のニューロンｎ１，ｎ２，ｎ３では、前の層
から受け取った信号に基づいて状態が決定され、次の層
へ信号が伝えられる。そして、各多層型ニューラルネッ
トワークの出力結果は、「出力層」のニューロンｎ３の
状態値として得られる。

【００３４】ここで、図４（ａ）に示す多層型ニューラ
ルネットワークは、「入力層」の各ニューロンｎ１に、
アクセルセンサ１１により検出されるアクセルストロー
クＳ、車速センサ１３により検出される車速Ｖがそれぞ
れ入力される。又、「出力層」のニューロンｎ３から得
られる出力、即ち要求加速度モデル出力Ｇｘは、加速度
センサ１２の検出により得られる車両１の加速度Ｇを
「教師データ」として、その「教師データ」と比較され
る。そして、その比較による加速度偏差ΔＧ（＝Ｇ−Ｇ
ｘ）を「誤差信号」とし、その誤差分が小さくなる方向
へ全てのニューロンｎ１，ｎ２，ｎ３のシナプスｓｐの
「重み係数」が修正される。つまり、車両１の加速度Ｇ
を運転者ＤＲの要求する加速度とし、その加速度Ｇを比
較すべき「教師データ」としている。そして、その「教
師データ」との偏差が小さくなるように、アクセルスト
ロークＳ及び車速Ｖに対する加速度Ｇの関係が、運転者
ＤＲの要求する「要求加速度モデル」として学習され
る。そして、この多層型ニューラルネットワークの出力
結果は、要求加速度モデル出力Ｇｘとして得られる。即
ち、「要求加速度モデル」は図５に示すような特性とし
て、要求加速度モデル出力Ｇｘが加速度Ｇに近づく方向
に学習される。

【００３５】一方、図４（ｂ）に示す多層型ニューラル
ネットワークは、「入力層」の各ニューロンｎ１に、上
記と同じくアクセルストロークＳ、車速Ｖがそれぞれ入
力される。又、「出力層」のニューロンｎ３から得られ
る出力結果、即ちスロットル感度モデル出力Ｔｈｘは、
加速度Ｇと上記の要求加速度モデル出力Ｇｘとの間の加
速度偏差ΔＧを「誤差信号」として学習が行われ、全て
のニューロンｎ１，ｎ２，ｎ３のシナプスｓｐの「重み
係数」が修正される。つまり、加速度偏差ΔＧを「誤差
信号」とし、その誤差分が小さくなるように、アクセル
ストロークＳ及び車速Ｖに対するスロットル開度Ｔｈの
関係が、運転者ＤＲの要求する「スロットル感度モデ
ル」として学習される。そして、この多層型ニューラル
ネットワークの出力結果は、スロットル感度モデル出力
Ｔｈｘとして得られる。即ち、「スロットル感度モデ
ル」は図６に示すような特性として学習される。

【００３６】上記のようなニューラルネットワークの概
念的な構成は、あくまでも便宜的に説明されたものであ
り、ニューラルネットワークの実体は、ニューロコンピ
ュータ２２のＲＯＭ２４に予め記憶されている学習制御
プログラムにある。そして、ニューラルネットワーク
は、その学習制御プログラムにおける数学的な演算の上
に成り立っており、学習方法としては一般に知られてい
る「誤差逆伝搬学習アルゴリズム」が適用されている。
この実施例では、最終的には図７に示すような、アクセ
ルストロークＳに対するスロットル感度Ｔｈｇの関係の
特性を求めるために、学習制御プログラムが作成されて
いる。

【００３７】次に、ニューロコンピュータ２２におい
て、上記のようなニューラルネットワーク技術を用いて
実行される「要求加速度モデル」及び「スロットル感度
モデル」等の学習のための処理動作について説明する。

【００３８】図８は、ニューロコンピュータ２２により
実行される学習制御プログラムの「学習制御ルーチン」
を示すフローチャートである。このルーチンの処理は開
始された後、一定の周期、例えば「０．１秒」の時間間
隔をもって周期的に実行される。

【００３９】学習制御ルーチンの各処理は、プログラム
内のカウンタのカウント動作に基づいて実行される。カ
ウンタは、車両１の加速動作が開始されてから終了され
るまでの期間に求められたスロットル感度Ｔｈｇの算出
回数をカウントする。カウント動作により得られるカウ
ント値τは、車両１の加速動作開始が検出されてから加
速動作終了が検出されるまでの加速持続時間に相当す
る。

【００４０】加速動作は、停車から発進加速を行う場合
と、定常走行等から追越し加速や前車への追従加速等、
アクセルの踏増しを行う踏増し加速の場合がある。発進
加速の開始条件は、発進加速開始条件が成立しているか
否かを表す（条件が成立している場合は「１」、成立し
ていない場合は「０」）発進加速開始フラグＦ１が
「０」で、且つ、踏増し加速開始条件が成立しているか
否かを表す（条件が成立している場合は「１」、成立し
ていない場合は「０」）踏増し加速開始フラグＦ２が
「０」で、且つ、ブレーキペダル１５を踏んでいない状
態、即ち、ストップランプスイッチ１４がオフ状態で、
且つ、単位時間ΔＴ（例えば０．５秒）当たりのアクセ
ルストロークＳの変化分ΔＳが所定値（例えば３％）以
上で、且つ、車速Ｖが所定値（例えば５Ｋｍ／時）以下
の場合である。

【００４１】踏増し加速の開始条件は、踏増し加速開始
フラグＦ２が「０」で、且つ、ブレーキペダル１５を踏
んでいない状態、即ち、ストップランプスイッチ１４が
オフ状態で、且つ、単位時間ΔＴ（例えば０．５秒）当
たりのアクセルストロークＳの変化分ΔＳが所定値（例
えば５％）以上で、且つ、車速Ｖが所定値（例えば５Ｋ
ｍ／時）以上の場合である。

【００４２】加速終了条件は、（１）発進加速開始条件
が成立して発進加速開始フラグＦ１が「１」の状態、或
いは、踏増し加速開始条件が成立して踏増し加速開始フ
ラグＦ２が「１」の状態で、且つ、ブレーキペダル１５
が踏み込まれてストップランプスイッチ１４がオン状態
になった場合、（２）発進加速開始条件が成立してから
所定時間（例えば１秒）以上経過し、且つ、アクセルス
トロークＳの変化分ΔＳが所定値（例えば１０％）以下
で、且つ、車速Ｖが所定値（例えば１０Ｋｍ／時）以下
の場合、（３）発進加速開始条件、或いは踏増し加速開
始条件が成立してカウント値τが予め定められた第１の
所定値Ｔ（例えば７５）になった場合である。この場
合、学習制御ルーチンの制御周期が０．１秒で、第１の
所定値Ｔが７５ならば、カウント値τが第１の所定値Ｔ
になるまでの時間（加速持続時間＝要求加速度モデル及
びスロットル感度モデルの学習持続時間）は７．５秒で
ある。

【００４３】尚、カウント値τ、発進加速開始フラグＦ
１、踏増し加速開始フラグＦ２は、エンジン始動のため
にイグニションキーがオン操作されたときに初期値とし
て「０」に設定される。

【００４４】このルーチンの処理が開始されると、ステ
ップ１０１において、アクセルセンサ１１、加速度セン
サ１２及び車速センサ１３からの各種信号に基づきアク
セルストロークＳ、加速度Ｇ及び車速Ｖをそれぞれ読み
込む。そして、アクセルストロークＳからアクセルスト
ローク変化分ΔＳを算出する。ここで、アクセルストロ
ーク変化分ΔＳは、アクセルストロークＳに関する今回
と前回（前記単位時間ΔＴだけ前）との読み込み値の差
により求められる。

【００４５】次に、ステップ１０２において、「スロッ
トル感度モデル」を実行する。即ち、今回読み込まれた
アクセルストロークＳと車速Ｖとを入力値として、既に
学習済の「スロットル感度モデル」の特性（図６を参
照）からスロットル感度モデル出力Ｔｈｘを求める。そ
して、スロットル感度モデル出力Ｔｈｘより、以下の計
算式（１）に従ってスロットル感度Ｔｈｇを決定する。

【００４６】Ｔｈｇ＝α＋Ｔｈｘ＊Ｋ …（１） ここで、「α」は基準値であり、この実施例では「α＝
１．０」となっている。又、「Ｋ」は正の定数である。

【００４７】続いて、ステップ１０３において、今回決
定されたスロットル感度ＴｈｇとアクセルストロークＳ
とをスロットルコンピュータ２１へ出力する。或いは、
スロットル感度ＴｈｇとアクセルストロークＳとの積、
即ち目標スロットル開度Ｔｈｇ・Ｓを求め、その目標ス
ロットル開度Ｔｈｇ・Ｓをスロットルコンピュータ２１
へ出力する。

【００４８】次に、ステップ１０４において、発進加速
開始条件が成立したか否かを判定する。そして、発進加
速開始条件が成立した場合には、ステップ１０５へ移行
し、発進加速開始フラグＦ１を「１」にセットすると共
に踏増し加速開始フラグＦ２を「０」にリセットし、ス
テップ１０６へ移行する。一方、ステップ１０４におい
て、発進加速開始条件が成立しない場合はステップ１０
６へ移行する。ステップ１０４の判定は、発進加速開始
のタイミングのみを検出し、発進加速が持続中であるか
否かは判定していない。よって、既に発進加速開始条件
が成立して発進加速開始フラグＦ１が「１」ならば、発
進加速持続中であり、ステップ１０５の処理を省略す
る。

【００４９】ステップ１０６においては、踏増し加速開
始条件が成立したか否かを判定する。踏増し加速開始条
件が成立した場合は、ステップ１０７に移行し、カウン
ト値τと発進加速開始フラグＦ１を「０」にリセット
し、踏増し加速開始フラグＦ２を「１」にセットする。
ここで、踏増し加速開始条件が成立した時点で既に発進
加速が継続中であった場合は、この時点から新たにカウ
ント値τをカウントする。

【００５０】一方、ステップ１０６で踏増し加速開始条
件が成立しなかった場合はステップ１１３に移行する。
ステップ１１３では、発進加速開始フラグＦ１と踏増し
加速開始フラグＦ２が共に「０」であるか否かを判定す
る。両方共に「０」の場合は、発進加速でも踏増し加速
でもなく、その後の処理を一旦終了し、処理開始から
「０．１秒」が経過すると、再びステップ１０１からの
処理を開始する。

【００５１】発進加速開始フラグＦ１と踏増し加速開始
フラグＦ２のどちらかが「１」の場合は発進加速、或い
は、踏増し加速持続中であり、ステップ１０８に移行す
る。ステップ１０８では、加速終了条件が成立したか否
かを判定する。

【００５２】そして、加速終了条件が成立した場合に
は、ステップ１１４へ移行する。一方、加速終了条件が
成立しない場合、即ち、発進加速、或いは踏増し加速継
続中の場合はステップ１０９へ移行する。

【００５３】ステップ１０９においては、カウント値τ
を「１」だけカウントアップする。次に、ステップ１１
０において、車両１の加速度Ｇを「教師データ」とし
て、運転者ＤＲの要求する「要求加速度モデル」の学習
を実行する。つまり、加速度センサ１２により検出され
る車両１の加速度Ｇを比較すべき「教師データ」とし
て、その「教師データ」との偏差が小さくなるように、
アクセルストロークＳ及び車速Ｖに対する加速度Ｇの関
係を、運転者ＤＲの要求する「要求加速度モデル」とし
て学習する。

【００５４】例えば、図５に実線で示す曲線が現在の
「要求加速度モデル」の特性であるとする。そして、車
両１を現在より速く走行させるために運転者ＤＲがアク
セルペダル１０を踏み込んで、車両１の加速度Ｇが現在
の要求加速度モデル出力Ｇｘよりも大きくなったとす
る。このときの加速度Ｇが新しい要求加速度であり、
「要求加速度モデル」は図５に実線で示す特性が破線で
示す特性に更新される。即ち、アクセルストロークＳ及
び車速Ｖに対する要求加速度モデル出力Ｇｘの関係の全
体が連続的なモデルとして学習される。そして、この特
性は部分的に不連続となることはない。

【００５５】尚、図５には車速Ｖが「０」のときの特性
が示されているが、「要求加速度モデル」では、アクセ
ルストロークＳの全範囲及び車速Ｖの全範囲と車両１の
加速度Ｇとの関係が学習されるようになっている。

【００５６】続いて、ステップ１１１においては、加速
度Ｇと上記の要求加速度モデル出力Ｇｘとの差（Ｇ−Ｇ
ｘ）を加速度偏差ΔＧとして求める。そして、ステップ
１１２において、その加速度偏差ΔＧを「誤差信号」と
して、「スロットル感度モデル」の学習を実行する。つ
まり、加速度偏差ΔＧを「誤差信号」として、その誤差
分が小さくなるように、アクセルストロークＳ及び車速
Ｖに対するスロットル開度Ｔｈの関係を、「スロットル
感度モデル」として学習する。

【００５７】例えば、図６に実線で示す直線を「スロッ
トル感度モデル」の初期値であるとする。そして、車両
１を現在より速く走行させるために運転者ＤＲがアクセ
ルペダル１０を踏み込むと、車両１の加速度Ｇが大きく
なり、要求加速度モデル出力Ｇｘとの間で差が発生し、
そのときの加速度偏差ΔＧが求められる。そして、その
加速度偏差ΔＧを「誤差信号」とし、その誤差分が小さ
くなるように学習が行われると、そのときのスロットル
感度モデル出力Ｔｈｘが新しいスロットル感度モデル出
力Ｔｈｘであり、「スロットル感度モデル」は図６に実
線で示す初期値から破線で示す曲線のような特性に更新
される。即ち、アクセルストロークＳ及び車速Ｖに対す
るスロットル感度モデル出力Ｔｈｘの関係の全体が連続
的なモデルとして学習される。そして、この特性は部分
的に不連続となることはない。

【００５８】このようにして、ニューラルネットワーク
の技術を用いた学習制御の処理が実行され、運転者ＤＲ
の要求する「要求加速度モデル」及び「スロットル感度
モデル」の特性がそれぞれ学習される。ここでは、その
時々に学習される「要求加速度モデル」及び「スロット
ル感度モデル」の特性としてのシナプスｓｐの「重み係
数」が、バックアップＲＡＭ２６に書き替えられて記憶
される。

【００５９】尚、車両１の工場出荷時における上記の
「重み係数」の初期値は、次のように決定される。先
ず、要求加速度モデルは、車両１が複数の運転者ＤＲに
より運転されたときの加速度Ｇが「教師データ」として
学習され、その学習結果の平均的な特性が初期値とされ
る。そして、スロットル感度モデルの「重み係数」は、
そのスロットル感度モデル出力Ｔｈｘが「０」になるよ
うに学習される。

【００６０】ステップ１１２の処理が実行された後、そ
の後の処理を一旦終了し、処理開始から「０．１秒」が
経過すると、再びステップ１０１からの処理を開始す
る。一方、ステップ１０８において、加速終了条件が成
立したことによって移行したステップ１１４において
は、カウント値τと発進加速開始フラグＦ１、及び踏増
し加速開始フラグＦ２をそれぞれ「０」にリセットす
る。そして、その後の処理を一旦終了し、処理開始から
「０．１秒」が経過すると、再びステップ１０１からの
処理を開始する。

【００６１】次に、上記のような処理動作により決定さ
れるスロットル感度Ｔｈｇと、そのときのアクセルスト
ロークＳとに基づき、スロットルコンピュータ２１によ
り実行されるスロットル開度制御の処理動作について説
明する。図９のフローチャートはスロットルコンピュー
タ２１により実行されるスロットル開度制御プログラム
の「スロットル開度制御ルーチン」を示している。この
ルーチンの処理は所定の時間間隔をもって周期的に実行
される。

【００６２】このルーチンの処理が開始されると、先ず
ステップ２０１において、スロットルセンサ９からの信
号に基づきスロットル開度Ｔｈを読み込むと共に、ニュ
ーロコンピュータ２２から出力されるスロットル感度Ｔ
ｈｇとアクセルストロークＳ、又は目標スロットル開度
Ｔｈｇ・Ｓを読み込む。ここで、スロットル感度Ｔｈｇ
とアクセルストロークＳとの読み込みが前提である場合
には、同ステップ２０１において、両者Ｔｈｇ，Ｓの積
が目標スロットル開度Ｔｈｇ・Ｓとして求められる。

【００６３】続いて、ステップ２０２において、現在の
スロットル開度Ｔｈが目標スロットル開度Ｔｈｇ・Ｓよ
りも小さいか否かを判断する。ここで、スロットル開度
Ｔｈが目標スロットル開度Ｔｈｇ・Ｓよりも小さい場合
には、ステップ２０３において、スロットルバルブ７を
開方向へ駆動させるように直流モータ８を例えば正転さ
せる。又、ステップ２０４において、スロットルセンサ
９からの信号に基づきスロットル開度Ｔｈを読み込む。

【００６４】そして、ステップ２０５において、スロッ
トル開度Ｔｈが目標スロットル開度Ｔｈｇ・Ｓよりも小
さいか否かを判定する。ここで、スロットル開度Ｔｈが
目標スロットル開度Ｔｈｇ・Ｓよりも小さい場合には、
ステップ２０３へ戻り、スロットルバルブ７を更に開方
向へ駆動させるために、ステップ２０３，２０４，２０
５の処理を繰り返す。これに対し、スロットル開度Ｔｈ
が目標スロットル開度Ｔｈｇ・Ｓと等しいかそれよりも
大きい場合には、スロットルバルブ７をそれ以上開方向
へ駆動させないものとして、その後の処理を一旦終了す
る。

【００６５】一方、ステップ２０２において、現在のス
ロットル開度Ｔｈが目標スロットル開度Ｔｈｇ・Ｓより
も小さくない場合には、ステップ２０６へ移行する。そ
して、同ステップ２０６において、現在のスロットル開
度Ｔｈが目標スロットル開度Ｔｈｇ・Ｓよりも大きいか
否かを判断する。ここで、スロットル開度Ｔｈが目標ス
ロットル開度Ｔｈｇ・Ｓよりも大きくない場合、即ちＴ
ｈ＝Ｔｈｇ・Ｓの場合には、そのままその後の処理を一
旦終了する。

【００６６】又、ステップ２０６において、スロットル
開度Ｔｈが目標スロットル開度Ｔｈｇ・Ｓよりも大きい
場合には、ステップ２０７において、スロットルバルブ
７を閉方向へ駆動させるように直流モータ８を逆転させ
る。又、ステップ２０８において、スロットルセンサ９
からの信号に基づきスロットル開度Ｔｈを読み込む。

【００６７】そして、ステップ２０９において、スロッ
トル開度Ｔｈが目標スロットル開度Ｔｈｇ・Ｓよりも大
きいか否かを判定する。ここで、スロットル開度Ｔｈが
目標スロットル開度Ｔｈｇ・Ｓよりも大きい場合には、
ステップ２０７へ戻り、スロットルバルブ７を更に閉方
向へ駆動させるためにステップ２０７，２０８，２０９
の処理を繰り返す。これに対し、スロットル開度Ｔｈが
目標スロットル開度Ｔｈｇ・Ｓと等しいかそれよりも小
さい場合には、スロットルバルブ７をそれ以上閉方向へ
駆動させないものとして、その後の処理を一旦終了す
る。

【００６８】このように、スロットル開度Ｔｈが目標ス
ロットル開度Ｔｈｇ・Ｓに一致するように直流モータ８
の回転が制御され、それによってスロットルバルブ７が
開閉制御される。スロットルバルブ７の開閉動作によ
り、エンジン２の出力が制御され、その結果として車両
１の駆動力が制御される。以上説明したように、この実
施例では、スロットル感度Ｔｈｇを求めるための学習時
には、車両１の走りに対する運転者ＤＲの要求が、その
時々の加速度Ｇから「要求加速度モデル」として推定さ
れる。又、その「要求加速度モデル」に基づき「スロッ
トル感度モデル」が変更されてスロットル感度Ｔｈｇが
決定される。又、その決定されたスロットル感度Ｔｈｇ
とアクセルストロークＳとの積から求められる目標スロ
ットル開度Ｔｈｇ・Ｓと、スロットル開度Ｔｈとが一致
するように、スロットルバルブ７が開閉制御される。し
かも、常に運転者ＤＲの要求に応じた「要求加速度モデ
ル」が得られ、その「要求加速度モデル」に対応して、
「スロットル感度モデル」が得られる。そして、常に運
転者ＤＲの要求に合った加速度Ｇをもって、エンジン２
のスロットル開度Ｔｈが制御される。

【００６９】従って、車両１に対する運転者ＤＲの要求
加速度が大きいときには、スロットル感度Ｔｈｇが大き
くなる。そのため、同一の加速度Ｇを得るためのアクセ
ルストロークＳの変化範囲が狭くなり、アクセルペダル
１０の少ない操作によって大きな加速度Ｇを得ることが
できるようになり、車両１の加速性能が向上したように
運転者ＤＲに感じさせることができる。例えば、運転者
ＤＲの意識が急いだ状態であったり、車両１の運転環境
が渋滞のない高速道路であったりして、車両１を速く走
行させたいときには、アクセルペダル１０の少ない操作
によって大きな加速度Ｇを得ることができ、加速感を向
上させることができる。

【００７０】一方、車両１に対する運転者ＤＲの要求加
速度が小さいときには、スロットル感度Ｔｈｇが小さく
なる。そのため、同一の加速度Ｇを得るためのアクセル
ストロークＳの変化範囲が広くなり、アクセルペダル１
０の多い操作によって加速度Ｇを微妙に変化させること
ができるようになり、運転者ＤＲにとってアクセルペダ
ル１０の操作性能を向上させることができる。例えば、
運転者ＤＲの意識がのんびりした状態であったり、車両
１の運転環境が渋滞路や雪道等であったりして、車両１
をゆっくりと走行させたいときには、アクセルペダル１
０の多い操作によって加速度Ｇを微妙に変えることがで
き、車両１の操作感を向上させることができる。

【００７１】つまり、この実施例では、運転者ＤＲの加
速度に対する要求度合いに合致するように学習が行われ
ることから、常に運転者ＤＲの特性に合ったスロットル
感度Ｔｈｇが決定される。その結果、運転者ＤＲの意識
状態（急いでいる、のんびりしている等）や運転環境
（路面状態、昼間・夜間、トンネル内、雨中路、雪道、
山間路、渋滞路等）にかかわりなく、車両１について、
常に運転者ＤＲの特性に合った駆動力の制御を行うこと
ができる。

【００７２】又、この実施例では、ニューロコンピュー
タ２２における学習制御に、ニューラルネットワーク技
術を用いたことから、アクセルストロークＳ及び車速Ｖ
に対する要求加速度モデル出力Ｇｘの関係の全体が連続
的なモデルとして学習され、その特性が部分的に不連続
となることはない。同じく、アクセルストロークＳ及び
車速Ｖに対するスロットル感度モデル出力Ｔｈｘの関係
の全体が連続的なモデルとして学習され、その特性が部
分的に不連続となることはない。これは、ニューラルネ
ットワークの技術を用いたことにより、アクセルストロ
ークＳ及び車速Ｖの不連続点の間で学習される「要求加
速度モデル」が補間されるためである。つまり、アクセ
ルストロークＳ及び車速Ｖのある特定な範囲について行
われる要求加速度モデル出力Ｇｘの修正が、アクセルス
トロークＳ及び車速Ｖの他の範囲に対応する要求加速度
モデル出力Ｇｘの修正にも反映される。又、アクセルス
トロークＳ及び車速Ｖのある特定な範囲について行われ
るスロットル感度モデル出力Ｔｈｘの修正が、アクセル
ストロークＳ及び車速Ｖの他の範囲に対応するスロット
ル感度モデル出力Ｔｈｘにも反映される。

【００７３】その結果、車速Ｖの全範囲について、車両
１の駆動力の制御が運転者ＤＲによるアクセルペダル１
０の操作量、即ちアクセルストロークＳの全操作範囲に
渡って連続的なものとすることができる。よって、運転
者ＤＲによりアクセルペダル１０が連続的に踏み込まれ
たときには、車両１の加速度Ｇが唐突に変化するような
ことがなく、車速Ｖの上昇を常に滑らかなものにするこ
とができる。

【００７４】更に、この実施例では、加速度Ｇから「要
求加速度モデル」を推定し、その「要求加速度モデル」
から「スロットル感度モデル」を変更するように学習が
行われることから、単なる部分的な補正（修正）によっ
てマップの書き替えを行う場合と較べて、マップの補間
演算が不必要となり、演算時間を更に短くすることがで
きる。

【００７５】加えて、この実施例では、ニューロコンピ
ュータ２２において、加速度センサ１２がローパスフィ
ルタ２９を介して外部入出力回路２７に接続されてい
る。そのため、車両１が凸凹路を走行しているときのハ
ーシュネスに起因して、加速度センサ１２での検出信号
にノイズが発生した場合には、そのノイズに相関する高
周波成分がローパスフィルタ２９で減衰される。即ち、
加速度センサ１２からの加速度Ｇの信号に、図１１
（ａ）に示すようにハーシュネスに起因する大きなノイ
ズが含まれていた場合でも、その信号がローパスフィル
タ２９を通過することにより、図１１（ｂ）に示すよう
なノイズの少ない加速度Ｇの信号に調整されることにな
る。

【００７６】その結果、ニューロコンピュータ２２で
は、学習のために用いられる加速度Ｇの信号を、ハーシ
ュネスに起因したノイズが除去されたものとすることが
できる。よって、「要求加速度モデル」及び「スロット
ル感度モデル」についての誤学習を未然に防止すること
ができ、延いてはスロットル感度Ｔｈｇが誤った方向へ
調整されることを未然に防止することができる。

【００７７】ところで、この実施例では、前記した「要
求加速度モデル」の学習、及び「スロットル感度モデ
ル」の学習を、車両１の全走行時に行うのではなく、加
速時にのみ行うようにしている。つまり、車両１の走行
時には、加速走行、減速走行、定常走行等の種々の走行
が行われるが、その各種走行状況の中から判別された加
速走行時にのみ、「要求加速度モデル」及び「スロット
ル感度モデル」が学習される。従って、加速走行時以外
の走行時での不要なスロットル感度Ｔｈｇの調整が除去
される。

【００７８】例えば、図１０において、時刻ｔ１〜ｔ２
の期間で実際に定常走行が行われているとする。この場
合には、「要求加速度モデル」及び「スロットル感度モ
デル」の各学習が許可されない。そして、時刻ｔ２以降
で追越し加速や追従加速のためにアクセルペダル１０が
大きく踏み込まれたとする。この場合には、「要求加速
度モデル」及び「スロットル感度モデル」の各学習が許
可される。

【００７９】このため、車両１の走行状況によらず、走
行時に常にスロットル感度Ｔｈｇの調整が行われる場合
（従来技術での提案技術に相当）とは異なり、加速走行
時にスロットル感度Ｔｈｇが一旦高い値に調整された後
に定常走行や減速走行が行われても、前記のスロットル
感度Ｔｈｇが低い値で上書きされることがない。その結
果、加速時の良好な走行フィーリングを確保することが
できる。

【００８０】尚、この発明は前記実施例に限定されるも
のではなく、発明の趣旨を逸脱しない範囲で構成の一部
を適宜に変更して次のように実施することもできる。 （１）前記実施例では、ガソリンエンジン２を駆動源と
し、リンクレスタイプのスロットルバルブ７及び直流モ
ータ８を制御量変更手段としたが、それ以外の駆動源及
び制御量変更手段に具体化することもできる。例えば、
電気自動車において直流モータ等の電動機を駆動源と
し、電動機への電流を制御する電流制御回路等を制御量
変更手段とすることもできる。

【００８１】（２）前記実施例では、運転者ＤＲにより
操作される出力操作手段としてアクセルペダル１０を用
いたが、これに代え、出力操作手段としてアクセルレバ
ーやそれ以外の操作部材を用いることもできる。

【００８２】（３）前記実施例では、アクセルセンサ１
１を操作量検出手段としてアクセルストロークＳを検出
するようにしたが、次のようにすることもできる。即
ち、アクセルストロークＳの代わりにアクセル踏力を検
出するセンサを用いたり、アクセルストロークＳを検出
するアクセルセンサとアクセル踏力を検出するセンサと
を併用したりすること。

【００８３】（４）前記実施例では、加速度検出手段と
して加速度センサ１２を用いたが、車速センサ１３を加
速度検出手段として、その車速センサ１３により検出さ
れる車速Ｖを時間微分することにより加速度Ｇを得るよ
うにしてもよい。

【００８４】（５）前記実施例では、ニューロコンピュ
ータ２２におけるニューラルネットワーク技術として、
多層型ニューラルネットワークを採用したが、相互結合
型ニューラルネットワークを採用することもできる。

【００８５】（６）前記実施例では、スロットル感度モ
デル出力Ｔｈｘをスロットル感度の補正量とし、式
（１）によってスロットル感度Ｔｈｇを求めたが、この
スロットル感度Ｔｈｇを直接出力することもできる。こ
の場合、車両１の工場出荷時における初期値は、基準値
αを出力するように学習することになる。

【００８６】（７）前記実施例では、発進加速の検出及
び踏増し加速の検出を、アクセルストローク変化分ΔＳ
が任意の設定値以上の場合に行うようにしたが、これ以
外の条件に基づいて検出してもよい。例えば、加速度Ｇ
の変化分が設定値以上の場合、或いは、前記（３）にお
いて、アクセルストロークＳの代わりにアクセル踏力を
用いたときにアクセル踏力が任意の設定値以上になった
場合、或いは、アクセル踏力の変化分が任意の設定値以
上になった場合としてもよい。

【００８７】

【発明の効果】以上詳述したように、この発明によれ
ば、車両の加速度を比較すべき教師データとして用い、
出力操作手段の操作量に対する車両の加速度の関係を、
運転者の要求する加速度モデルとして学習している。
又、その学習された加速度モデルの出力と車両の加速度
との偏差を誤差信号として用い、出力操作手段の操作量
に対する駆動源の制御量の関係を、制御量感度モデルと
して学習している。そして、その学習された制御量感度
モデルの出力を参照データとして用い、出力操作手段の
操作量に応じて駆動源の制御量を制御するようにしてい
る。

【００８８】従って、運転者の要求に応じた加速度モデ
ルが得られ、その加速度モデルに対応して、制御量感度
モデルが得られ、常に運転者の要求に合った加速度をも
って制御量が制御される。又、操作量に対する加速度の
関係や、操作量に対する制御量の関係の全体が連続的な
モデルとして学習され、出力操作手段の全操作範囲に対
する加速度及び制御量の関係の全体が不連続となること
はない。その結果、運転者の意識状態や運転環境にかか
わりなく常に運転者の特性に合った駆動力の制御を行う
ことができる。

【００８９】又、この発明によれば、全走行状況下から
加速走行時を確実に判別して、加速走行時以外の走行状
況下での不要な制御量感度の調整を除去し、加速走行時
の良好な走行フィーリングを確保することができる。

【図面の簡単な説明】

【図１】この発明の基本的な概念構成を示す概念構成図
である。

【図２】この発明を具体化した一実施例における車両の
駆動力制御装置の概略的な構成を示す概略構成図であ
る。

【図３】一実施例において、スロットルコンピュータ及
びニューロコンピュータの電気的構成を示すブロック図
である。

【図４】一実施例において、ニューロコンピュータに適
用されている多層型ニューラルネットワークの概念的な
構成を示す構成図である。

【図５】一実施例において、「要求加速度モデル」の特
性を示す特性図である。

【図６】一実施例において、「スロットル感度モデル」
の特性を示す特性図である。

【図７】一実施例において、「スロットル感度」の特性
を示す特性図である。

【図８】一実施例において、ニューロコンピュータによ
り実行される「学習制御ルーチン」を示すフローチャー
トである。

【図９】一実施例において、スロットルコンピュータに
より実行される「スロットル開度制御ルーチン」を示す
フローチャートである。

【図１０】一実施例において、車両走行中の実際のアク
セルストロークの変化を示すタイムチャートである。

【図１１】一実施例において、ローパスフィルタの作用
に関する加速度信号の変化を示すタイムチャートであ
る。

【符号の説明】

１…車両、２…駆動源を構成するエンジン、７…制御量
変更手段の一部を構成するスロットルバルブ、８…制御
量変更手段の一部を構成する直流モータ、１０…出力操
作手段を構成するアクセルペダル、１１…操作量検出手
段を構成するアクセルセンサ、１２…加速度検出手段を
構成する加速度センサ、１３…速度検出手段を構成する
車速センサ、１４…加速終了検出手段の一部を構成する
ストップランプスイッチ、２１…駆動制御手段を構成す
るスロットルコンピュータ、２２…要求加速度モデル学
習手段、制御量感度モデル学習手段及び加速開始検出手
段の一部及び加速終了検出手段の一部を構成するニュー
ロコンピュータ、ＤＲ…運転者、Ｔｈ…エンジンの制御
量としてのスロットル開度、Ｇ…加速度、Ｖ…車速、Ｓ
…アクセルペダルの操作量としてのアクセルストロー
ク、Ｇｘ…要求加速度モデル出力、ΔＧ…誤差信号とし
ての加速度偏差、Ｔｈｘ…スロットル感度モデル出力、
Ｔｈｇ…スロットル感度

フロントページの続き (51)Int.Cl.⁵ 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｆ０２Ｄ 45/00 Ａ 7536−3Ｇ Ｇ０５Ｂ 13/02 Ｌ 9131−3Ｈ 13/04 9131−3Ｈ (72)発明者 大嶋 満寿治 愛知県愛知郡長久手町大字長湫字横道41番 地の１株式会社豊田中央研究所内 (72)発明者 ▲吉▼田 浩之 愛知県愛知郡長久手町大字長湫字横道41番 地の１株式会社豊田中央研究所内

Claims (1)

【特許請求の範囲】
1. 【請求項１】 車両に搭載された駆動源の制御量を変更
   するための制御量変更手段と、 前記駆動源の出力を任意に制御するために運転者により
   操作される出力操作手段と、 前記出力操作手段の操作量を検出するための操作量検出
   手段とを備え、前記操作量検出手段の検出結果に応じて
   前記制御量変更手段を駆動させることにより前記駆動源
   の出力を制御して前記車両の駆動力を制御するようにし
   た車両の駆動力制御装置において、 前記車両の加速度を検出するための加速度検出手段と、 前記車両の速度を検出するための速度検出手段と、 前記車両の加速動作の開始を検出する加速開始検出手段
   と、 前記車両の加速動作の終了を検出する加速終了検出手段
   と、 前記加速開始検出手段により車両の加速動作開始が検出
   されてから、前記加速終了検出手段により車両の加速動
   作終了が検出されるまでの加速持続期間において、前記
   加速度検出手段の検出により得られる加速度を比較すべ
   き教師データとして、その教師データと当該手段の出力
   との偏差を誤差信号とし、その誤差分が小さくなるよう
   に、前記出力操作手段の操作量及び前記速度検出手段の
   検出により得られる速度に対する前記車両の加速度の関
   係を、前記運転者が要求する加速度モデルとして学習す
   るための要求加速度モデル学習手段と、 前記加速度検出手段の検出により得られる加速度と前記
   要求加速度モデル学習手段により学習される加速度モデ
   ルの出力との偏差を誤差信号として、その誤差分が小さ
   くなるように、前記出力操作手段の操作量及び前記速度
   検出手段の検出により得られる速度に対する前記駆動源
   の制御量の関係を制御量感度モデルとして学習するため
   の制御量感度モデル学習手段と、 前記制御量感度モデル学習手段により学習される制御量
   感度モデルの出力を参照データとして、その参照データ
   に基づき前記操作量検出手段により検出される操作量に
   応じて前記制御量変更手段の駆動を制御する駆動制御手
   段とを備えたことを特徴とする車両の駆動力制御装置。