JPH06270827A - 後輪操舵制御装置 - Google Patents
後輪操舵制御装置Info
- Publication number
- JPH06270827A JPH06270827A JP5057422A JP5742293A JPH06270827A JP H06270827 A JPH06270827 A JP H06270827A JP 5057422 A JP5057422 A JP 5057422A JP 5742293 A JP5742293 A JP 5742293A JP H06270827 A JPH06270827 A JP H06270827A
- Authority
- JP
- Japan
- Prior art keywords
- wheel steering
- rear wheel
- gain
- vehicle
- angle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Steering Control In Accordance With Driving Conditions (AREA)
- Steering-Linkage Mechanisms And Four-Wheel Steering (AREA)
Abstract
(57)【要約】 （修正有）
【目的】 ドライバに違和感を与えることない後輪操舵
を可能とした後輪操舵制御装置を提供する。 【構成】 ハンドル角センサ１６、車速センサ１８、前
後加速度センサ２０、横加速度センサ２２及びヨー角速
度センサ２４のセンサ群と、これらの検出信号に基づ
き、目標後輪舵角を計算する４ＷＳコントローラ２５
と、検出信号に基づき、車体重心スリップ角の近似値Ａ
を算出する近似式計算ブロック２６と、入力情報を生成
する前処理ブロック２８及びメモリ３０と、入力情報と
近似値を入力とし、官能評価ドライバにより選択された
教師ゲインに基づき学習済みであり、教師ゲインに対応
した制御ゲインＣを出力するニューラルネットワーク３
２と、４ＷＳコントローラからの目標後輪舵角に制御ゲ
インを乗算して、新たな目標後輪舵角δrを出力する補
正ブロック２７と、この出力に従い、後輪操舵系１０と
を備えている。
を可能とした後輪操舵制御装置を提供する。 【構成】 ハンドル角センサ１６、車速センサ１８、前
後加速度センサ２０、横加速度センサ２２及びヨー角速
度センサ２４のセンサ群と、これらの検出信号に基づ
き、目標後輪舵角を計算する４ＷＳコントローラ２５
と、検出信号に基づき、車体重心スリップ角の近似値Ａ
を算出する近似式計算ブロック２６と、入力情報を生成
する前処理ブロック２８及びメモリ３０と、入力情報と
近似値を入力とし、官能評価ドライバにより選択された
教師ゲインに基づき学習済みであり、教師ゲインに対応
した制御ゲインＣを出力するニューラルネットワーク３
２と、４ＷＳコントローラからの目標後輪舵角に制御ゲ
インを乗算して、新たな目標後輪舵角δrを出力する補
正ブロック２７と、この出力に従い、後輪操舵系１０と
を備えている。
Description
【０００１】
【産業上の利用分野】この発明は、前輪に加えて後輪を
も操舵可能にした前後輪操舵式車両の後輪操舵制御装置
に関する。
も操舵可能にした前後輪操舵式車両の後輪操舵制御装置
に関する。
【０００２】
【従来の技術】この種の前後輪操舵式車両（４ＷＳ車
両）は、後輪を操舵する後輪操舵アクチュエータを備え
ており、この後輪操舵アクチュエータは４ＷＳコントロ
ーラからの目標後輪操舵量が与えられると、この目標後
輪操舵量にその実後輪操舵量を一致させるべく後輪を操
舵するものとなっている。このように前輪の操舵に加え
て後輪が適切に操舵されると、通常の２ＷＳ車両に比べ
て、４ＷＳ車両の旋回性能や操縦安定性能は共に向上す
る。
両）は、後輪を操舵する後輪操舵アクチュエータを備え
ており、この後輪操舵アクチュエータは４ＷＳコントロ
ーラからの目標後輪操舵量が与えられると、この目標後
輪操舵量にその実後輪操舵量を一致させるべく後輪を操
舵するものとなっている。このように前輪の操舵に加え
て後輪が適切に操舵されると、通常の２ＷＳ車両に比べ
て、４ＷＳ車両の旋回性能や操縦安定性能は共に向上す
る。
【０００３】４ＷＳコントローラは、後輪の操舵を適切
に制御するため、前輪の操舵状態を表すハンドル角の情
報や、車両の運動状態を表す車速や車両のヨー角速度等
の情報に基づき、目標後輪操舵量を決定するものとなっ
ている。ところで、４ＷＳコントローラは、車両自体の
運動性能のみを考慮した後輪操舵の制御則に基づき、検
出した各種情報から目標後輪操舵量を決定するため、こ
の目標後輪操舵量に従い、後輪操舵アクチュエータによ
り、後輪が実際に操舵されると、走行状況によっては、
その後輪操舵が車両のユーザドライバに大きな違和感を
与えてしまうこともある。
に制御するため、前輪の操舵状態を表すハンドル角の情
報や、車両の運動状態を表す車速や車両のヨー角速度等
の情報に基づき、目標後輪操舵量を決定するものとなっ
ている。ところで、４ＷＳコントローラは、車両自体の
運動性能のみを考慮した後輪操舵の制御則に基づき、検
出した各種情報から目標後輪操舵量を決定するため、こ
の目標後輪操舵量に従い、後輪操舵アクチュエータによ
り、後輪が実際に操舵されると、走行状況によっては、
その後輪操舵が車両のユーザドライバに大きな違和感を
与えてしまうこともある。
【０００４】このようなことから、４ＷＳコントローラ
にて決定された目標後輪操舵量に一定のゲインを乗算す
ることで、目標後輪操舵量を一律に減少させて補正し、
この補正値を新たな目標後輪操舵量に設定し直して、後
輪の操舵を制御するのが一般的である。
にて決定された目標後輪操舵量に一定のゲインを乗算す
ることで、目標後輪操舵量を一律に減少させて補正し、
この補正値を新たな目標後輪操舵量に設定し直して、後
輪の操舵を制御するのが一般的である。
【０００５】
【発明が解決しようとする課題】しかしながら、４ＷＳ
コントローラにて決定された目標後輪操舵量を一律に減
少させて、後輪の操舵制御を行うと、ユーザドライバに
違和感を与えることのない領域にあっても、後輪操舵が
不所望に抑制されてしまい、４ＷＳ車両本来の操舵制御
による効果が発揮されないことになる。
コントローラにて決定された目標後輪操舵量を一律に減
少させて、後輪の操舵制御を行うと、ユーザドライバに
違和感を与えることのない領域にあっても、後輪操舵が
不所望に抑制されてしまい、４ＷＳ車両本来の操舵制御
による効果が発揮されないことになる。
【０００６】この発明は、上述した事情に基づいてなさ
れたもので、その目的とするところは、ユーザドライバ
に違和感を与えることなく、後輪操舵制御を十分に発揮
することができる後輪操舵制御装置を提供することにあ
る。
れたもので、その目的とするところは、ユーザドライバ
に違和感を与えることなく、後輪操舵制御を十分に発揮
することができる後輪操舵制御装置を提供することにあ
る。
【０００７】
【課題を解決するための手段】この発明の後輪操舵制御
装置は、 前輪の操舵状態を検出する第１検出手段と、
車両の各種の運動状態をそれぞれ検出する第２検出手段
と、前記第１及び第２検出手段にて検出した前輪操舵情
報及び運動情報に基づき、前記目標後輪操舵量を算出す
る後輪操舵量演算手段と、この後輪操舵量演算手段にて
算出された前記目標後輪操舵量の制御ゲインを演算する
ゲイン演算手段と、前記後輪操舵量演算手段からの前記
目標後輪操舵量と前記ゲイン演算手段からの制御ゲイン
に基づき、目標後輪操舵量をゲイン調整した値を新たな
目標後輪操舵量として決定し、この決定した目標後輪操
舵量を後輪操舵系の後輪操舵アクチュエータに与える決
定手段とを備えている。そして、前記ゲイン演算手段
は、前記第１及び第２検出手段にて検出した前輪操情報
及び前記運動情報を入力とし、官能評価ドライバにより
調整された教師ゲインを教師データとして学習されてお
り、前記前輪操舵情報及び前記運動情報が入力される
と、前記教師ゲインに応した前記制御ゲインを出力する
学習済みのニューラルネットワークを有している。
装置は、 前輪の操舵状態を検出する第１検出手段と、
車両の各種の運動状態をそれぞれ検出する第２検出手段
と、前記第１及び第２検出手段にて検出した前輪操舵情
報及び運動情報に基づき、前記目標後輪操舵量を算出す
る後輪操舵量演算手段と、この後輪操舵量演算手段にて
算出された前記目標後輪操舵量の制御ゲインを演算する
ゲイン演算手段と、前記後輪操舵量演算手段からの前記
目標後輪操舵量と前記ゲイン演算手段からの制御ゲイン
に基づき、目標後輪操舵量をゲイン調整した値を新たな
目標後輪操舵量として決定し、この決定した目標後輪操
舵量を後輪操舵系の後輪操舵アクチュエータに与える決
定手段とを備えている。そして、前記ゲイン演算手段
は、前記第１及び第２検出手段にて検出した前輪操情報
及び前記運動情報を入力とし、官能評価ドライバにより
調整された教師ゲインを教師データとして学習されてお
り、前記前輪操舵情報及び前記運動情報が入力される
と、前記教師ゲインに応した前記制御ゲインを出力する
学習済みのニューラルネットワークを有している。
【０００８】
【作用】上述した後輪操舵制御装置によれば、車両の走
行中、第１及び第２検出手段にて、前輪操舵情報及び車
両の運動情報が検出されると、これらの情報は一方にお
いて、前記ゲイン演算手段即ち学習済みのニューラルネ
ットワークに入力として与えられ、この学習済みのニュ
ーラルネットワークから、官能評価ドライバの教師ゲイ
ンに対応した制御ゲインが出力される。また、他方にお
いて、前記前輪操舵情報及び前記運動情報は後輪操舵量
演算手段に供給され、この後輪操舵量演算手段は目標後
輪操舵量を出力する。この目標後輪操舵量及び前記制御
ゲインは決定手段に共に供給され、この決定手段は後輪
操舵量演算手段からの目標後輪操舵量を制御ゲインで調
整して値を新たな目標後輪操舵量として、後輪操舵系の
後輪操舵アクチュエータに出力し、この結果、後輪操舵
アクチュエータは新たな目標後輪操舵量に従い、後輪を
操舵する。
行中、第１及び第２検出手段にて、前輪操舵情報及び車
両の運動情報が検出されると、これらの情報は一方にお
いて、前記ゲイン演算手段即ち学習済みのニューラルネ
ットワークに入力として与えられ、この学習済みのニュ
ーラルネットワークから、官能評価ドライバの教師ゲイ
ンに対応した制御ゲインが出力される。また、他方にお
いて、前記前輪操舵情報及び前記運動情報は後輪操舵量
演算手段に供給され、この後輪操舵量演算手段は目標後
輪操舵量を出力する。この目標後輪操舵量及び前記制御
ゲインは決定手段に共に供給され、この決定手段は後輪
操舵量演算手段からの目標後輪操舵量を制御ゲインで調
整して値を新たな目標後輪操舵量として、後輪操舵系の
後輪操舵アクチュエータに出力し、この結果、後輪操舵
アクチュエータは新たな目標後輪操舵量に従い、後輪を
操舵する。
【０００９】
【実施例】図１を参照すると、この発明の一実施例に係
わる前後輪操舵式車両（４ＷＳ車両）が概略的に示され
ている。４ＷＳ車両は、パワーシリンダ２及びラック・
ピニオン機構を含み、ハンドル４の操作に応じて前輪Ｆ
ＷL,ＦＷRを操舵する前輪操舵系６と、油圧シリンダか
らなる後輪操舵アクチュエータ８によって、後輪ＲＷL,
ＲＷRを操舵する後輪操舵系１０とを備えている。
わる前後輪操舵式車両（４ＷＳ車両）が概略的に示され
ている。４ＷＳ車両は、パワーシリンダ２及びラック・
ピニオン機構を含み、ハンドル４の操作に応じて前輪Ｆ
ＷL,ＦＷRを操舵する前輪操舵系６と、油圧シリンダか
らなる後輪操舵アクチュエータ８によって、後輪ＲＷL,
ＲＷRを操舵する後輪操舵系１０とを備えている。
【００１０】後輪操舵系１０に関し、より詳しく説明す
ると、後輪操舵アクチュエータ８には、後輪舵角センサ
１１や電磁バルブ１２が組み合わされており、これら後
輪舵角センサ１１及び電磁バルブ１２は、フィードバッ
クコントローラ１３を介してコントロールユニット１４
に電気的に接続されている。フィードバックコントロー
ラ１３にコントロールユニット１４にて決定された後輪
ＲＷL,ＲＷRの目標後輪操舵量すなわち目標後輪舵角
と、後輪舵角センサ１１にて検出した実後輪舵角が与え
られると、フィードバックコントローラ１３は電磁バル
ブ１２の開弁方向及び開度を制御し、つまり、後輪操舵
アクチュエータ８の作動を制御し、その実後輪舵角を目
標後輪舵角に一致させるべく後輪ＲＷL,ＲＷRを操舵さ
せる。
ると、後輪操舵アクチュエータ８には、後輪舵角センサ
１１や電磁バルブ１２が組み合わされており、これら後
輪舵角センサ１１及び電磁バルブ１２は、フィードバッ
クコントローラ１３を介してコントロールユニット１４
に電気的に接続されている。フィードバックコントロー
ラ１３にコントロールユニット１４にて決定された後輪
ＲＷL,ＲＷRの目標後輪操舵量すなわち目標後輪舵角
と、後輪舵角センサ１１にて検出した実後輪舵角が与え
られると、フィードバックコントローラ１３は電磁バル
ブ１２の開弁方向及び開度を制御し、つまり、後輪操舵
アクチュエータ８の作動を制御し、その実後輪舵角を目
標後輪舵角に一致させるべく後輪ＲＷL,ＲＷRを操舵さ
せる。
【００１１】コントロールユニット１４には、前記目標
後輪舵角を決定するために、各種のセンサが接続されて
おり、これらのセンサには、ハンドル角センサ１６、車
速センサ１８、前後加速度センサ２０、横加速度センサ
２２及びヨー角速度センサ２４がある。ハンドル角セン
サ１６はハンドル４の操作角即ちハンドル角θHを検出
し、車速センサ１８は車両の速度、車速Ｖを検出する。
ここで、車速センサ１８は車両のスピードメータであっ
てもよいし、又は、各車輪毎に車輪速センサが装着され
ている場合にあっては、前輪ＦＷL,ＦＷRの車輪速セン
サの出力を平均して求めた平均前輪速と、後輪ＲＷL,Ｒ
ＷRの車輪速センサの出力を平均して求めた平均後輪速
とのうちの小さい方を車速Ｖとしてもよい。
後輪舵角を決定するために、各種のセンサが接続されて
おり、これらのセンサには、ハンドル角センサ１６、車
速センサ１８、前後加速度センサ２０、横加速度センサ
２２及びヨー角速度センサ２４がある。ハンドル角セン
サ１６はハンドル４の操作角即ちハンドル角θHを検出
し、車速センサ１８は車両の速度、車速Ｖを検出する。
ここで、車速センサ１８は車両のスピードメータであっ
てもよいし、又は、各車輪毎に車輪速センサが装着され
ている場合にあっては、前輪ＦＷL,ＦＷRの車輪速セン
サの出力を平均して求めた平均前輪速と、後輪ＲＷL,Ｒ
ＷRの車輪速センサの出力を平均して求めた平均後輪速
とのうちの小さい方を車速Ｖとしてもよい。
【００１２】前後加速度センサ２０、横加速度センサ２
２及びヨー角速度センサ２４は、車体の前後加速度
ＧZ、車体の横加速度ＧY及び車体のヨー角速度ψをそれ
ぞれ検出する。従って、コントロールユニット１４には
各センサから、ハンドル角θH、車速Ｖ、前後加速度
ＧZ、横加速度ＧY及びヨー角速度ψが入力される。従っ
て、コントロールユニット１４は、上述した各種センサ
からの検出信号に基づいて目標後輪舵角を算出する。
２及びヨー角速度センサ２４は、車体の前後加速度
ＧZ、車体の横加速度ＧY及び車体のヨー角速度ψをそれ
ぞれ検出する。従って、コントロールユニット１４には
各センサから、ハンドル角θH、車速Ｖ、前後加速度
ＧZ、横加速度ＧY及びヨー角速度ψが入力される。従っ
て、コントロールユニット１４は、上述した各種センサ
からの検出信号に基づいて目標後輪舵角を算出する。
【００１３】具体的には、コントロールユニット１４は
図２に示されているように、４ＷＳコントローラ２５、
補正ブロック２７、近似式計算ブロック２６、前処理ブ
ロック２８、メモリ３０及びニューラルネットワーク３
２を備えている。４ＷＳコントローラ２５には、ハンド
ル角センサ１６、車速センサ１８及びヨー角速度センサ
２４からの検出信号が入力され、これらの検出信号から
例えば次式に基づき目標後輪舵角δrが演算される。 δr＝Ｋ1×θH＋Ｋ2×（ψO−ψ） ψO ：車速Ｖとハンドル角θHとから決定される目標ヨ
ー角速度 Ｋ1，Ｋ2：車速Ｖから決定される補正係数 ４ＷＳコントローラ２５にて求められた目標後輪舵角δ
rは補正ブロック２７に出力され、この補正ブロック２
７では目標後輪舵角δrに制御ゲインを乗算して、目標
後輪舵角δrを補正し、この補正後の値を新たな目標後
輪舵角δrとして前記フィードバックコントローラ１３
に供給する。
図２に示されているように、４ＷＳコントローラ２５、
補正ブロック２７、近似式計算ブロック２６、前処理ブ
ロック２８、メモリ３０及びニューラルネットワーク３
２を備えている。４ＷＳコントローラ２５には、ハンド
ル角センサ１６、車速センサ１８及びヨー角速度センサ
２４からの検出信号が入力され、これらの検出信号から
例えば次式に基づき目標後輪舵角δrが演算される。 δr＝Ｋ1×θH＋Ｋ2×（ψO−ψ） ψO ：車速Ｖとハンドル角θHとから決定される目標ヨ
ー角速度 Ｋ1，Ｋ2：車速Ｖから決定される補正係数 ４ＷＳコントローラ２５にて求められた目標後輪舵角δ
rは補正ブロック２７に出力され、この補正ブロック２
７では目標後輪舵角δrに制御ゲインを乗算して、目標
後輪舵角δrを補正し、この補正後の値を新たな目標後
輪舵角δrとして前記フィードバックコントローラ１３
に供給する。
【００１４】一方、近似式計算ブロック２６にも、ハン
ドル角センサ１６、車速センサ１８及びヨー角速度セン
サ２４からの検出信号、つまり、ハンドル角θH、車速
Ｖ及びヨー角速度ψがそれぞれ入力され、これらに基づ
き、近似式計算ブロック２６は車体重心スリップ角βの
近似値Ａを算出する。なお、車体重心スリップ角βと
は、図３に示されているように、車両の進行方向と車体
の向きとのなす角度を示している。
ドル角センサ１６、車速センサ１８及びヨー角速度セン
サ２４からの検出信号、つまり、ハンドル角θH、車速
Ｖ及びヨー角速度ψがそれぞれ入力され、これらに基づ
き、近似式計算ブロック２６は車体重心スリップ角βの
近似値Ａを算出する。なお、車体重心スリップ角βと
は、図３に示されているように、車両の進行方向と車体
の向きとのなす角度を示している。
【００１５】近似式計算ブロック２６には、近似値Ａの
算出のために近似式が与えられており、この近似式は、
図４の一般的な線形２自由度車両モデルから導出され
る。即ち、この車両モデルの運動方程式は、次の２つの
式で記述される。 ｍ×Ｖ（dβ／dt）＋２×（Ｋf＋Ｋr）×β ＋｛ｍ×Ｖ＋（２／Ｖ）×（Ｌf×Ｋf−Ｌr×Ｋr）｝×ψ ＝２×Ｋf×δf ・・・（１） ２×（Ｌf×Ｋf−Ｌr×Ｋr）×β＋Ｉ×（ｄψ／ｄｔ） ＋（２／Ｖ）×（Ｌf2×Ｋf＋Ｌr2×Ｋr）×ψ ＝２×Ｌf×Ｋf×δf ・・・（２） ｍ ：車体質量、 Ｋf，Ｋr：前／後輪の等価コーナリ
ングパワー Ｉ ：ヨー慣性モーメント、 Ｌf ：前車軸重心間距離 Ｌr：後車軸重心間距離、 δf ：前輪舵角 今、次式 δf＝δfMAX×（１−ｅ-2t） ・・・（３） δfMAX：最大舵角 で記述され、且つ、図５に示されるようなステップ状の
操舵入力を（１），（２）式に与えたときの応答を線形
解析すると、時間領域におけるヨー角速度ψと車体重心
スリップ角βの解がそれぞれ求められ、これら２つの解
から次式で示される近似式を得ることができる。 Ａ＝β0×ψ＋Ｋ0 ×｛ψ−ψ（１−ｅ-2t）｝ ・・・（４） β0：（車速Ｖと前輪舵角δfとより求まるβ定常値）／
ヨー角速度ψ Ｋ0：第１項に対する過渡状態における補正係数 従って、（４）式の近似式に車速Ｖ、前輪舵角δf及び
ヨー角速度ψを与えると、車体重心スリップ角βの近似
値Ａを算出できる。なお、前輪舵角δfは、近似式計算
ブロック２６内にて、ハンドル角θHから演算処理して
求めることができ、従って、近似値Ａは、車速Ｖ、ハン
ドル角θH及びヨー角速度ψが与えられると、（４）式
の近似式から算出可能である。
算出のために近似式が与えられており、この近似式は、
図４の一般的な線形２自由度車両モデルから導出され
る。即ち、この車両モデルの運動方程式は、次の２つの
式で記述される。 ｍ×Ｖ（dβ／dt）＋２×（Ｋf＋Ｋr）×β ＋｛ｍ×Ｖ＋（２／Ｖ）×（Ｌf×Ｋf−Ｌr×Ｋr）｝×ψ ＝２×Ｋf×δf ・・・（１） ２×（Ｌf×Ｋf−Ｌr×Ｋr）×β＋Ｉ×（ｄψ／ｄｔ） ＋（２／Ｖ）×（Ｌf2×Ｋf＋Ｌr2×Ｋr）×ψ ＝２×Ｌf×Ｋf×δf ・・・（２） ｍ ：車体質量、 Ｋf，Ｋr：前／後輪の等価コーナリ
ングパワー Ｉ ：ヨー慣性モーメント、 Ｌf ：前車軸重心間距離 Ｌr：後車軸重心間距離、 δf ：前輪舵角 今、次式 δf＝δfMAX×（１−ｅ-2t） ・・・（３） δfMAX：最大舵角 で記述され、且つ、図５に示されるようなステップ状の
操舵入力を（１），（２）式に与えたときの応答を線形
解析すると、時間領域におけるヨー角速度ψと車体重心
スリップ角βの解がそれぞれ求められ、これら２つの解
から次式で示される近似式を得ることができる。 Ａ＝β0×ψ＋Ｋ0 ×｛ψ−ψ（１−ｅ-2t）｝ ・・・（４） β0：（車速Ｖと前輪舵角δfとより求まるβ定常値）／
ヨー角速度ψ Ｋ0：第１項に対する過渡状態における補正係数 従って、（４）式の近似式に車速Ｖ、前輪舵角δf及び
ヨー角速度ψを与えると、車体重心スリップ角βの近似
値Ａを算出できる。なお、前輪舵角δfは、近似式計算
ブロック２６内にて、ハンドル角θHから演算処理して
求めることができ、従って、近似値Ａは、車速Ｖ、ハン
ドル角θH及びヨー角速度ψが与えられると、（４）式
の近似式から算出可能である。
【００１６】近似式計算ブロック２６にて算出された近
似値Ａは１つの入力情報として、前記ニューラルネット
ワーク３２に与えられる。また、ニューラルネットワー
ク３２には前記近似値Ａ以外の他の入力情報をも与えら
れ、これらの他の入力情報は前記前処理ブロック２８及
びメモリ３０にて生成される。
似値Ａは１つの入力情報として、前記ニューラルネット
ワーク３２に与えられる。また、ニューラルネットワー
ク３２には前記近似値Ａ以外の他の入力情報をも与えら
れ、これらの他の入力情報は前記前処理ブロック２８及
びメモリ３０にて生成される。
【００１７】即ち、ハンドル角センサ１６からのハンド
ル角θHは前処理ブロック２８内での演算処理により、
前輪舵角δfに変換された後、メモリ３０に時系列にし
て格納される。例えば、メモリ３０には、現時点の前輪
舵角δf0、ｔ1時間（０．１秒）前の前輪舵角δf1、ｔ2
時間（０．２秒）前の前輪舵角δf2、ｔ3時間（０．３
秒）前の前輪舵角δf3及びｔ4時間（０．４秒）前の前
輪舵角δf4の時系列データが車両のパラメータとして格
納され、この後、この時系列データはニューラルネット
ワーク３２に入力される。
ル角θHは前処理ブロック２８内での演算処理により、
前輪舵角δfに変換された後、メモリ３０に時系列にし
て格納される。例えば、メモリ３０には、現時点の前輪
舵角δf0、ｔ1時間（０．１秒）前の前輪舵角δf1、ｔ2
時間（０．２秒）前の前輪舵角δf2、ｔ3時間（０．３
秒）前の前輪舵角δf3及びｔ4時間（０．４秒）前の前
輪舵角δf4の時系列データが車両のパラメータとして格
納され、この後、この時系列データはニューラルネット
ワーク３２に入力される。
【００１８】一方、車速センサ１８、前後加速度センサ
２０、横加速度センサ２２及びヨー角速度センサ２４か
らの車速Ｖ、前後加速度ＧZ、横加速度ＧY及びヨー角速
度ψは前処理ブロック２８に直接に与えられ、そして、
この前処理ブロック２８は、他の車速パラメータとし
て、横加速度−車速×ヨー角速度（＝ＧY−Ｖ×ψ）、
車速×ヨー角速度（＝Ｖ×ψ）、ヨー角速度／車速（＝
ψ／Ｖ）、ヨー角加速度（＝ψA）及び前後加速度×ヨ
ー角速度（＝ＧZ×ψ）を演算して求めた後、それぞれ
の演算結果をニューラルネットワーク３２に入力する。
２０、横加速度センサ２２及びヨー角速度センサ２４か
らの車速Ｖ、前後加速度ＧZ、横加速度ＧY及びヨー角速
度ψは前処理ブロック２８に直接に与えられ、そして、
この前処理ブロック２８は、他の車速パラメータとし
て、横加速度−車速×ヨー角速度（＝ＧY−Ｖ×ψ）、
車速×ヨー角速度（＝Ｖ×ψ）、ヨー角速度／車速（＝
ψ／Ｖ）、ヨー角加速度（＝ψA）及び前後加速度×ヨ
ー角速度（＝ＧZ×ψ）を演算して求めた後、それぞれ
の演算結果をニューラルネットワーク３２に入力する。
【００１９】ニューラルネットワーク３２は、上述した
入力情報に基づいて制御ゲインＣ（０≦Ｃ≦１）を出力
し、この制御ゲインＣを前記補正ブロック２７に与え
る。ニューラルネットワーク３２に与えられる車体重心
スリップ角βの近似値Ａは、車両のヨー運動、横運動を
規定する状態量であるから、前記制御ゲインＣの算出に
あたり重要な入力情報であり、また、近似値Ａ以外の他
の入力情報は、前記の（１），（２）式をそれぞれ変形
して得られる次式を考慮して決定されたものである。 β＝｛１／２×（Ｋf＋Ｋr）｝×｛２×Ｋf×δf−ｍ×Ｖ×（ｄβ／ｄｔ） −ｍ×Ｖ×ψ−２（Ｌf×Ｋf−Ｌr×Ｋr）×（ψ／Ｖ）｝ ・・・（５） β＝｛１／２×（Ｋf×Ｌf＋Ｋr×Ｌr）｝×｛２×Ｌf×Ｋf×δf −Ｉ×ψA −２×（Ｌf2×Ｋf＋Ｌr2×Ｋr）×（ψ／Ｖ）｝ ・・・（６） 上記の（５），（６）式から、車体重心スリップ角β
は、下線を施して示した状態量の線形和で記述されるこ
とが分かる。
入力情報に基づいて制御ゲインＣ（０≦Ｃ≦１）を出力
し、この制御ゲインＣを前記補正ブロック２７に与え
る。ニューラルネットワーク３２に与えられる車体重心
スリップ角βの近似値Ａは、車両のヨー運動、横運動を
規定する状態量であるから、前記制御ゲインＣの算出に
あたり重要な入力情報であり、また、近似値Ａ以外の他
の入力情報は、前記の（１），（２）式をそれぞれ変形
して得られる次式を考慮して決定されたものである。 β＝｛１／２×（Ｋf＋Ｋr）｝×｛２×Ｋf×δf−ｍ×Ｖ×（ｄβ／ｄｔ） −ｍ×Ｖ×ψ−２（Ｌf×Ｋf−Ｌr×Ｋr）×（ψ／Ｖ）｝ ・・・（５） β＝｛１／２×（Ｋf×Ｌf＋Ｋr×Ｌr）｝×｛２×Ｌf×Ｋf×δf −Ｉ×ψA −２×（Ｌf2×Ｋf＋Ｌr2×Ｋr）×（ψ／Ｖ）｝ ・・・（６） 上記の（５），（６）式から、車体重心スリップ角β
は、下線を施して示した状態量の線形和で記述されるこ
とが分かる。
【００２０】近似式では、前記状態量の係数が定数であ
るのに対して、実車ではタイヤの非線形性や荷重起動等
の関数であると考えることができる。ここで、ニューラ
ルネットワーク３２への入力情報として、前記状態量を
とれば、ニューラルネットワーク３２は車体重心スリッ
プ角βと近似値Ａとの間の誤差を適切に補正できること
になる。
るのに対して、実車ではタイヤの非線形性や荷重起動等
の関数であると考えることができる。ここで、ニューラ
ルネットワーク３２への入力情報として、前記状態量を
とれば、ニューラルネットワーク３２は車体重心スリッ
プ角βと近似値Ａとの間の誤差を適切に補正できること
になる。
【００２１】ニューラルネットワーク３２の構造には、
前後方向で符号が反転する車速Ｖから、左右方向で符号
が反転する車体重心スリップ角βへの座標系変換が含ま
れており、ニューラルネットワーク３２の入力から出力
への関数の単純化を図ることができる。前記状態量のう
ちで、前輪舵角δfは車両への入力であるので、前述し
た如く、ニューラルネットワーク３２に時系列パターン
として与えられている。
前後方向で符号が反転する車速Ｖから、左右方向で符号
が反転する車体重心スリップ角βへの座標系変換が含ま
れており、ニューラルネットワーク３２の入力から出力
への関数の単純化を図ることができる。前記状態量のう
ちで、前輪舵角δfは車両への入力であるので、前述し
た如く、ニューラルネットワーク３２に時系列パターン
として与えられている。
【００２２】また、（５）式のＶ×（ｄβ／ｄｔ）の状
態量に関しては、車体重心スリップ角βが十分に小さい
と仮定すれば、横加速度ＧYがＶ×（ｄβ／ｄｔ＋ψ）
として書き換えられることから、 ｄβ／ｄｔ＝ＧY／Ｖ−ψ となり、よって、Ｖ×（ｄβ／ｄｔ）の状態量は、 Ｖ×（ｄβ／ｄｔ）＝ＧY−ψ×Ｖ で表すことができる。
態量に関しては、車体重心スリップ角βが十分に小さい
と仮定すれば、横加速度ＧYがＶ×（ｄβ／ｄｔ＋ψ）
として書き換えられることから、 ｄβ／ｄｔ＝ＧY／Ｖ−ψ となり、よって、Ｖ×（ｄβ／ｄｔ）の状態量は、 Ｖ×（ｄβ／ｄｔ）＝ＧY−ψ×Ｖ で表すことができる。
【００２３】更に、ニューラルネットワーク３２には、
線形２自由度モデルでは考慮されていない前後加速度Ｇ
zに関するＧz×ψの状態量もまた入力情報として与えら
れている。ニューラルネットワーク３２は、図６に概略
構成が示されているように階層型のものであり、各入力
情報毎に入力ユニットＩＵを有した入力層と、幾つかの
中間ユニットＭＵを有した中間層と、補正値Ｃを出力す
る１つの出力ユニットＯＵを有した出力層とから構成さ
れている。
線形２自由度モデルでは考慮されていない前後加速度Ｇ
zに関するＧz×ψの状態量もまた入力情報として与えら
れている。ニューラルネットワーク３２は、図６に概略
構成が示されているように階層型のものであり、各入力
情報毎に入力ユニットＩＵを有した入力層と、幾つかの
中間ユニットＭＵを有した中間層と、補正値Ｃを出力す
る１つの出力ユニットＯＵを有した出力層とから構成さ
れている。
【００２４】ニューラルネットワーク３２内の各ユニッ
ト間の結合の強さは、バックプロパゲーションの手法に
より予め学習されており、この学習は図７に示す学習シ
ステムを使用して行われる。この学習システムは、図２
に示したコントロールユニット１４の機能ブロック及び
センサ群に加えて、ゲイン調整ダイヤル２９を備えてい
る。このゲイン調整ダイヤル２９は官能評価ドライバに
よって操作されるもので、これより、官能評価ドライバ
により選択された教師ゲインが教師データとしてニュー
ラルネットワーク３２に与えられるようになっている。
ト間の結合の強さは、バックプロパゲーションの手法に
より予め学習されており、この学習は図７に示す学習シ
ステムを使用して行われる。この学習システムは、図２
に示したコントロールユニット１４の機能ブロック及び
センサ群に加えて、ゲイン調整ダイヤル２９を備えてい
る。このゲイン調整ダイヤル２９は官能評価ドライバに
よって操作されるもので、これより、官能評価ドライバ
により選択された教師ゲインが教師データとしてニュー
ラルネットワーク３２に与えられるようになっている。
【００２５】即ち、学習時、ゲイン調整ダイヤル２９か
らの教師ゲインＣT（０≦ＣT≦１）は前記補正ブロック
２７及び減算部３１に入力され、この減算部３１は教師
ゲインＣTとニューラルネットワーク３２からの制御ゲ
インＣとの間の誤差を算出して、この誤差Ｅをニューラ
ルネットワーク３２に戻す。また、学習時にあっては、
補正ブロック２７にて、次式に示す如く、４ＷＳコント
ローラ２５からの目標後輪舵角δrに教師ゲインＣTが乗
算されて、新たな目標後輪舵角δrが算出される。
らの教師ゲインＣT（０≦ＣT≦１）は前記補正ブロック
２７及び減算部３１に入力され、この減算部３１は教師
ゲインＣTとニューラルネットワーク３２からの制御ゲ
インＣとの間の誤差を算出して、この誤差Ｅをニューラ
ルネットワーク３２に戻す。また、学習時にあっては、
補正ブロック２７にて、次式に示す如く、４ＷＳコント
ローラ２５からの目標後輪舵角δrに教師ゲインＣTが乗
算されて、新たな目標後輪舵角δrが算出される。
【００２６】δr＝ＣT×δr 学習時、このようにして決定された目標後輪舵角δr
は、後輪操舵系即ち後輪操舵アクチュエータ８に向けて
制御信号として出力され、この結果、後輪操舵アクチュ
エータ８は、後輪ＲＷL,ＲＷRの実後輪舵角が目標後輪
舵角δrに一致するようにフィードバック制御される。
は、後輪操舵系即ち後輪操舵アクチュエータ８に向けて
制御信号として出力され、この結果、後輪操舵アクチュ
エータ８は、後輪ＲＷL,ＲＷRの実後輪舵角が目標後輪
舵角δrに一致するようにフィードバック制御される。
【００２７】従って、官能評価ドライバは、種々の走行
条件、路面状態及び前輪操舵パターンにて走行試験を繰
り返し、その後輪操舵が違和感を与えるような状況にあ
っては教師ゲインＣTを下げるように、ゲイン調整ダイ
ヤル１９を操作し、逆に違和感のない状況にあっては教
師ゲインＣTを上げるようにゲイン調整ダイヤル１９を
操作しながら、ニューラルネットワーク３２の学習を繰
り返す。
条件、路面状態及び前輪操舵パターンにて走行試験を繰
り返し、その後輪操舵が違和感を与えるような状況にあ
っては教師ゲインＣTを下げるように、ゲイン調整ダイ
ヤル１９を操作し、逆に違和感のない状況にあっては教
師ゲインＣTを上げるようにゲイン調整ダイヤル１９を
操作しながら、ニューラルネットワーク３２の学習を繰
り返す。
【００２８】シグモイド関数を使用したバックプロパゲ
ーションの学習則は、公知の如く、前記誤差Ｅが最小と
なるように、ニューラルネットワーク３２内の各ユニッ
ト間の結合の強さ（結合量）ωを学習するものである。
より具体的には、ニューラルネットワーク３２において
は、先ず、各層の各ユニット（ＩＵ，ＭＵ，ＯＵ）の出
力値Ｘ（ＸI，ＸM，ＸO）が算出される。これら出力値
Ｘは、各層において、各ユニットへの入力と結合量との
積を累積し、その累積値をパラメータとしたシグモイド
関数の値として求められる。
ーションの学習則は、公知の如く、前記誤差Ｅが最小と
なるように、ニューラルネットワーク３２内の各ユニッ
ト間の結合の強さ（結合量）ωを学習するものである。
より具体的には、ニューラルネットワーク３２において
は、先ず、各層の各ユニット（ＩＵ，ＭＵ，ＯＵ）の出
力値Ｘ（ＸI，ＸM，ＸO）が算出される。これら出力値
Ｘは、各層において、各ユニットへの入力と結合量との
積を累積し、その累積値をパラメータとしたシグモイド
関数の値として求められる。
【００２９】そして、出力ユニットＯＵの誤差ＥOに関
しては、教師ゲインＣT、出力ユニットＯＵの出力値ＸO
（＝制御ゲインＣ）及び出力ユニットＯＵの入出力関係
を表すシグモイド関数の微分値ＦOに基づき、次式から
算出される。 Ｅ0＝（ＣT−Ｘ0）×Ｆ0 また、中間層の各中間ユニットＭＵの誤差ＥMに関して
は、各中間ユニットＭＵの入出力関係を表すシグモイド
関数の微分値ＦM、出力ユニットＯＵの誤差ＥO、及び各
中間ユニットＭＵと出力ユニットＯＵとの間の結合量ω
OMに基づき、次式から算出される。 ＥM＝ＦM×Σ（ＥO×ωOM） 更に、入力層の各入力ユニットＩＵの誤差ＥIに関して
は、各入力ユニットＩＵの入出力関係を表すシグモイド
関数の微分値ＦI、各中間ユニットＭＵの誤差ＥM、及び
各中間ユニットＭＵと各入力ユニットＩＵとの結合量ω
MIに基づき、次式から算出される。 ＥI＝ＦI×Σ（ＥM×ωMI） 次に、学習定数η、各層の各ユニット（ＩＵ，ＭＵ，Ｏ
Ｕ）のそれぞれの誤差Ｅ（ＥI，ＥM，ＥO）及び各層の
各ユニット（ＩＵ，ＭＵ，ＯＵ）の出力値Ｘ（ＸI，
ＸM，ＸO）に基づき、各層の各ユニット（ＩＵ，ＭＵ，
ＯＵ）の入力データとの結合量ω（ωID，ωMI，ωOM）
の修正量Δω（ΔωID，ΔωMI，ΔωOM）が次式により
算出される。なお、結合量ωIDは、入力ユニットＩＵの
入力データとの結合量を示している。 Δω＝η×Ｅ×Ｘ 算出された修正量Δωは各ユニットの入力データとの結
合量ω（ωID，ωMI，ωOM）に加算されて、更新された
結合量ω（＝ω＋Δω）が得られる。
しては、教師ゲインＣT、出力ユニットＯＵの出力値ＸO
（＝制御ゲインＣ）及び出力ユニットＯＵの入出力関係
を表すシグモイド関数の微分値ＦOに基づき、次式から
算出される。 Ｅ0＝（ＣT−Ｘ0）×Ｆ0 また、中間層の各中間ユニットＭＵの誤差ＥMに関して
は、各中間ユニットＭＵの入出力関係を表すシグモイド
関数の微分値ＦM、出力ユニットＯＵの誤差ＥO、及び各
中間ユニットＭＵと出力ユニットＯＵとの間の結合量ω
OMに基づき、次式から算出される。 ＥM＝ＦM×Σ（ＥO×ωOM） 更に、入力層の各入力ユニットＩＵの誤差ＥIに関して
は、各入力ユニットＩＵの入出力関係を表すシグモイド
関数の微分値ＦI、各中間ユニットＭＵの誤差ＥM、及び
各中間ユニットＭＵと各入力ユニットＩＵとの結合量ω
MIに基づき、次式から算出される。 ＥI＝ＦI×Σ（ＥM×ωMI） 次に、学習定数η、各層の各ユニット（ＩＵ，ＭＵ，Ｏ
Ｕ）のそれぞれの誤差Ｅ（ＥI，ＥM，ＥO）及び各層の
各ユニット（ＩＵ，ＭＵ，ＯＵ）の出力値Ｘ（ＸI，
ＸM，ＸO）に基づき、各層の各ユニット（ＩＵ，ＭＵ，
ＯＵ）の入力データとの結合量ω（ωID，ωMI，ωOM）
の修正量Δω（ΔωID，ΔωMI，ΔωOM）が次式により
算出される。なお、結合量ωIDは、入力ユニットＩＵの
入力データとの結合量を示している。 Δω＝η×Ｅ×Ｘ 算出された修正量Δωは各ユニットの入力データとの結
合量ω（ωID，ωMI，ωOM）に加算されて、更新された
結合量ω（＝ω＋Δω）が得られる。
【００３０】従って、学習済みのニューラルネットワー
ク３２から出力される制御ゲインＣは、官能評価ドライ
バにより選択された教師ゲインＣTに相当する値となる
ことから、図３に示されているように、学習済みのニュ
ーラルネットワーク３２から出力された制御ゲインＣと
４ＷＳコントローラ２５から出力された目標後輪舵角δ
rとが補正ブロック２７に与えられると、この補正ブロ
ック２７からは、ゲイン調整された新たな目標後輪舵角
δrが後輪操舵系即ち後輪操舵アクチュエータ８に向け
て制御信号として出力され、この結果、後輪操舵アクチ
ュエータ８は、後輪ＲＷL,ＲＷRの実後輪舵角が目標後
輪舵角δrに一致するようにフィードバック制御され
る。
ク３２から出力される制御ゲインＣは、官能評価ドライ
バにより選択された教師ゲインＣTに相当する値となる
ことから、図３に示されているように、学習済みのニュ
ーラルネットワーク３２から出力された制御ゲインＣと
４ＷＳコントローラ２５から出力された目標後輪舵角δ
rとが補正ブロック２７に与えられると、この補正ブロ
ック２７からは、ゲイン調整された新たな目標後輪舵角
δrが後輪操舵系即ち後輪操舵アクチュエータ８に向け
て制御信号として出力され、この結果、後輪操舵アクチ
ュエータ８は、後輪ＲＷL,ＲＷRの実後輪舵角が目標後
輪舵角δrに一致するようにフィードバック制御され
る。
【００３１】前述した後輪操舵制御は、図８の操舵制御
ルーチンで表すことができる。操舵制御ルーチン 先ず、ステップＳ１にて、コントロールユニット１４に
ハンドル角θH即ち前輪舵角δfが入力されると、カウン
タの値ｉに０がセットされ（ステップＳ２）、その入力
された前輪舵角δfがメモリ３０に格納つまりセーブさ
れる（ステップＳ３）。なお、前輪舵角δfは、前述し
たように前処理ブロック２８にてハンドル角θHから演
算して求められたものである。
ルーチンで表すことができる。操舵制御ルーチン 先ず、ステップＳ１にて、コントロールユニット１４に
ハンドル角θH即ち前輪舵角δfが入力されると、カウン
タの値ｉに０がセットされ（ステップＳ２）、その入力
された前輪舵角δfがメモリ３０に格納つまりセーブさ
れる（ステップＳ３）。なお、前輪舵角δfは、前述し
たように前処理ブロック２８にてハンドル角θHから演
算して求められたものである。
【００３２】次のステップＳ４にて、０．１秒だけ待機
（ウェイト）した後、カウンタの値ｉが１だけインクリ
メントされ（ステップＳ５）、そして、そのカウンタの
値ｉが４よりも小さいか否かが判別される（ステップＳ
６）。ステップＳ６の判別結果が真（Yes）であると、
ステップＳ１以降のステップが繰り返され、判別結果が
偽（No）になると、ステップＳ７に進む。従って、ステ
ップＳ６の判別結果が偽になった時点では、メモリ３０
に前輪舵角δfに関する時系列データ、即ち、δf0，δf
1，δf2，δf3，δf4がセーブされていることになる。
（ウェイト）した後、カウンタの値ｉが１だけインクリ
メントされ（ステップＳ５）、そして、そのカウンタの
値ｉが４よりも小さいか否かが判別される（ステップＳ
６）。ステップＳ６の判別結果が真（Yes）であると、
ステップＳ１以降のステップが繰り返され、判別結果が
偽（No）になると、ステップＳ７に進む。従って、ステ
ップＳ６の判別結果が偽になった時点では、メモリ３０
に前輪舵角δfに関する時系列データ、即ち、δf0，δf
1，δf2，δf3，δf4がセーブされていることになる。
【００３３】ステップＳ７では、コントロールユニット
１４にセンサ１８，２０，２２，２４からの車速Ｖ、前
後加速度ＧZ、横加速度ＧY及びヨー角速度ψがそれぞれ
入力され、これらの入力から、近似式に基づき近似値Ａ
が算出された後（ステップＳ８）、前処理計算により、前
述したＧY−Ｖ×ψ、Ｖ×ψ、ψ／Ｖ、ψA、ＧZ×ψが
得られ（ステップＳ９）、これらの値と前記時系列デー
タとは入力情報として、学習済みのニューラルネットワ
ーク３２に与えられ、このニューラルネットワーク３２
は前記制御ゲインＣを計算して出力する（ステップＳ１
０）。そして、４ＷＳコントローラ２５にて目標後輪舵
角δrが計算され（ステップＳ１１）、この目標後輪舵
角δrに前記制御ゲインＣが乗算されて、新たな目標後
輪舵角δrが算出される（ステップＳ１２）。
１４にセンサ１８，２０，２２，２４からの車速Ｖ、前
後加速度ＧZ、横加速度ＧY及びヨー角速度ψがそれぞれ
入力され、これらの入力から、近似式に基づき近似値Ａ
が算出された後（ステップＳ８）、前処理計算により、前
述したＧY−Ｖ×ψ、Ｖ×ψ、ψ／Ｖ、ψA、ＧZ×ψが
得られ（ステップＳ９）、これらの値と前記時系列デー
タとは入力情報として、学習済みのニューラルネットワ
ーク３２に与えられ、このニューラルネットワーク３２
は前記制御ゲインＣを計算して出力する（ステップＳ１
０）。そして、４ＷＳコントローラ２５にて目標後輪舵
角δrが計算され（ステップＳ１１）、この目標後輪舵
角δrに前記制御ゲインＣが乗算されて、新たな目標後
輪舵角δrが算出される（ステップＳ１２）。
【００３４】この後、目標後輪舵角δrは、フィードバ
ックコントローラ１３に出力されることにより（ステッ
プＳ１３）、後輪ＲＷL,ＲＷRが実際に操舵され始め
る。フィードバックコントローラ１３は、目標後輪舵角
δrに実後輪舵角が一致したか否かを判別し、この判別
結果が真になるように後輪操舵系１０を制御する。次の
ステップＳ１４では、制御の終了条件が判別されるが、
この終了条件としては例えば車両のイグニッションスイ
ッチのオフ等が考えられる。
ックコントローラ１３に出力されることにより（ステッ
プＳ１３）、後輪ＲＷL,ＲＷRが実際に操舵され始め
る。フィードバックコントローラ１３は、目標後輪舵角
δrに実後輪舵角が一致したか否かを判別し、この判別
結果が真になるように後輪操舵系１０を制御する。次の
ステップＳ１４では、制御の終了条件が判別されるが、
この終了条件としては例えば車両のイグニッションスイ
ッチのオフ等が考えられる。
【００３５】上述した後輪操舵制御装置によれば、４Ｗ
Ｓコントローラ２５にて計算される目標後輪舵角δrを
学習済みのニューラルネットワーク３２の出力即ち制御
ゲインＣにて補正するようにしたから、補正後の目標後
輪舵角δrは、車両自体の運動性能のみならず、ドライ
バ自身の好みを考慮した非線形のマップから決定され
る。つまり、その目標後輪舵角δrに基づく後輪制御が
ドライバに違和感を与える状況では前記制御ゲインＣが
下げられて、その後輪操舵が抑制され、逆に、ドライバ
に違和感を与えない状況にあっては制御ゲインＣが上げ
られることで、後輪操舵は抑制することなく実施され、
その操舵制御による効果を最大限に発揮可能となる。
Ｓコントローラ２５にて計算される目標後輪舵角δrを
学習済みのニューラルネットワーク３２の出力即ち制御
ゲインＣにて補正するようにしたから、補正後の目標後
輪舵角δrは、車両自体の運動性能のみならず、ドライ
バ自身の好みを考慮した非線形のマップから決定され
る。つまり、その目標後輪舵角δrに基づく後輪制御が
ドライバに違和感を与える状況では前記制御ゲインＣが
下げられて、その後輪操舵が抑制され、逆に、ドライバ
に違和感を与えない状況にあっては制御ゲインＣが上げ
られることで、後輪操舵は抑制することなく実施され、
その操舵制御による効果を最大限に発揮可能となる。
【００３６】また、ニューラルネットワーク３２の入力
情報の１つに、車両の運動状態を把握する上で重要なパ
ラメータとなる車体重心スリップ角β、即ち、その近似
値Ａが採用されていることから、ニューラルネットワー
ク３２の学習効率を高めることができる。また、ニュー
ラルネットワーク３２には、前処理ブロック２８にて処
理された入力情報が与えるようにしたから、この前処理
ブロック２８からの前述した入力情報は、車体重心スリ
ップ角βに対する前記近似値Ａの偏差に関しての前後加
速度ＧZ及び横加速度ＧYの影響度や、車両の前後系の運
動状態や左右系の運動状態を片方の系に統一した演算処
理を考慮して設定でき、これにより、ニューラルネット
ワーク３２の負担を軽減できるばかりでなく、その出力
の精度を高めることができる。
情報の１つに、車両の運動状態を把握する上で重要なパ
ラメータとなる車体重心スリップ角β、即ち、その近似
値Ａが採用されていることから、ニューラルネットワー
ク３２の学習効率を高めることができる。また、ニュー
ラルネットワーク３２には、前処理ブロック２８にて処
理された入力情報が与えるようにしたから、この前処理
ブロック２８からの前述した入力情報は、車体重心スリ
ップ角βに対する前記近似値Ａの偏差に関しての前後加
速度ＧZ及び横加速度ＧYの影響度や、車両の前後系の運
動状態や左右系の運動状態を片方の系に統一した演算処
理を考慮して設定でき、これにより、ニューラルネット
ワーク３２の負担を軽減できるばかりでなく、その出力
の精度を高めることができる。
【００３７】更に、ニューラルネットワーク３２にはメ
モリ３０から現時点の前輪舵角δf0のみならず、過去分
の前輪舵角δf1，δf2，δf3，δf4もまた入力情報とし
て与えられるから、前輪舵角δfに対しての他の入力情
報との対応関係が正確になる利点をも有する。
モリ３０から現時点の前輪舵角δf0のみならず、過去分
の前輪舵角δf1，δf2，δf3，δf4もまた入力情報とし
て与えられるから、前輪舵角δfに対しての他の入力情
報との対応関係が正確になる利点をも有する。
【００３８】
【発明の効果】以上説明したたように、この発明の後輪
操舵制御装置によれば、後輪操舵量演算手段にて前輪舵
角情報及び車両の運動情報から算出される目標後輪操舵
量を、官能評価ドライバにて選択された教師ゲインに基
づき学習済のニューラルネットワークの出力つまり制御
ゲインにより調整するようにしたから、その調整後の新
たな目標後輪操舵量はドライバの好みを考慮して決定さ
れることになる。この結果、その後輪操舵がドライバに
違和感を与えるような状況にあっては後輪操舵を抑制
し、逆に、違和感のない状況では、その後輪操舵による
効果を最大限に発揮できるような後輪の操舵制御が可能
となる。
操舵制御装置によれば、後輪操舵量演算手段にて前輪舵
角情報及び車両の運動情報から算出される目標後輪操舵
量を、官能評価ドライバにて選択された教師ゲインに基
づき学習済のニューラルネットワークの出力つまり制御
ゲインにより調整するようにしたから、その調整後の新
たな目標後輪操舵量はドライバの好みを考慮して決定さ
れることになる。この結果、その後輪操舵がドライバに
違和感を与えるような状況にあっては後輪操舵を抑制
し、逆に、違和感のない状況では、その後輪操舵による
効果を最大限に発揮できるような後輪の操舵制御が可能
となる。
【図１】４ＷＳ車両を示した概略図である。
【図２】図１のコントロールユニット内の一部を示した
ブロック図である。
ブロック図である。
【図３】車体重心スリップ角を説明するための図であ
る。
る。
【図４】線形２自由度車両モデルを示した図である。
【図５】ステップ状の操舵入力を示したグラフである。
【図６】図２のニューラルネットワークの構成を示した
概略図である。
概略図である。
【図７】図２のニューラルネットワークの学習システム
を示したブロック図である。
を示したブロック図である。
【図８】図２のブロック図にて実行される後輪の操舵制
御ルーチンを示したフローチャートである。
御ルーチンを示したフローチャートである。
６ 前輪操舵系 ８ 後輪操舵アクチュエータ １０ 後輪操舵系 １３ フィードバックコントローラ １４ コントロールユニット １６ ハンドル角センサ １８ 車速センサ ２０ 前後加速度センサ ２２ 横加速度センサ ２４ ヨー角速度センサ ２５ ４ＷＳコントローラ（後輪操舵量演算手段） ２６ 近似式計算ブロック ２７ 補正ブロック（決定手段） ２８ 前処理ブロック ３０ メモリ ３２ ニューラルネットワーク
───────────────────────────────────────────────────── 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 Ｂ６２Ｄ 113:00 137:00
Claims (4)
- 【請求項１】 ハンドル操作に応じて作動する前輪操舵
系と、目標後輪操舵量が与えられたとき、この目標後輪
操舵量に従い、後輪操舵アクチュエータを介して後輪操
舵を制御する後輪操舵系とを備えた前後輪操舵式車両に
おいて、 前輪の操舵状態を検出する第１検出手段と、車両の各種
の運動状態をそれぞれ検出する第２検出手段と、前記第
１及び第２検出手段にて検出した前輪操舵情報及び運動
情報に基づき、前記目標後輪操舵量を算出する後輪操舵
量演算手段と、この後輪操舵量演算手段にて算出された
前記目標後輪操舵量の制御ゲインを演算するゲイン演算
手段と、前記後輪操舵量演算手段からの前記目標後輪操
舵量と前記ゲイン演算手段からの制御ゲインに基づき、
目標後輪操舵量をゲイン調整した値を新たな目標後輪操
舵量として決定し、この決定した目標後輪操舵量を前記
後輪操舵系に与える決定手段とを備えており、 前記ゲイン演算手段は、前記第１及び第２検出手段にて
検出した前輪操情報及び前記運動情報を入力とし、官能
評価ドライバにより調整された教師ゲインを教師データ
として学習されており、前記前輪操舵情報及び前記運動
情報が入力されると、前記教師ゲインに対応した前記制
御ゲインを出力する学習済みのニューラルネットワーク
を有していることを特徴とする後輪操舵制御装置。 - 【請求項２】 前記ゲイン演算手段は、前記第１及び第
２検出手段にて検出された前輪操舵情報及び後輪操舵情
報が前記ニューラルネットワークに入力される前に、こ
れら前輪操舵情報及び運動情報を処理する前処理手段を
備えており、この前処理手段は、前記前輪操舵情報及び
前記運動情報から車体重心スリップ角の近似値を算出
し、この近似値をニューラルネットワークへの１つの入
力として与える近似値計算手段を有していることを特徴
とする請求項１の後輪操舵制御装置。 - 【請求項３】 前記近似値計算手段は、車両を線形の数
理モデルとしてみて、この数理モデルの運動方程式から
導出され、車速、前輪舵角及び車両のヨー角速度のみか
ら、前記近似値の算出を可能とする近似式を備えている
ことを特徴とする請求項２の後輪操舵制御装置。 - 【請求項４】 前記第１検出手段は、車両のハンドル角
を検出するハンドル角センサを備えており、 前記第２検出手段は、車速を検出する車速センサと、前
記ヨー角速度を検出するヨー角速度センサと、車両の前
後加速度を検出する前後加速度センサと、車両の横加速
度を検出する横加速度センサとを備えていることを特徴
とする請求項３の後輪操舵制御装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5742293A JP3246042B2 (ja) | 1993-03-17 | 1993-03-17 | 後輪操舵制御装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5742293A JP3246042B2 (ja) | 1993-03-17 | 1993-03-17 | 後輪操舵制御装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH06270827A true JPH06270827A (ja) | 1994-09-27 |
| JP3246042B2 JP3246042B2 (ja) | 2002-01-15 |
Family
ID=13055220
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5742293A Expired - Fee Related JP3246042B2 (ja) | 1993-03-17 | 1993-03-17 | 後輪操舵制御装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3246042B2 (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010184519A (ja) * | 2009-02-10 | 2010-08-26 | Honda Motor Co Ltd | 後輪操舵制御装置 |
| CN106546261A (zh) * | 2016-09-20 | 2017-03-29 | 捷开通讯(深圳)有限公司 | 一种基于虚拟现实设备的角度数据补偿方法及装置 |
| CN110466602A (zh) * | 2019-08-29 | 2019-11-19 | 南京林业大学 | 轮毂电机驱动电动汽车的分时四轮转向系统及其控制方法 |
| CN113002620A (zh) * | 2021-03-12 | 2021-06-22 | 重庆长安汽车股份有限公司 | 自动驾驶方向盘角度偏差修正方法、系统及车辆 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04138970A (ja) * | 1990-09-29 | 1992-05-13 | Kayaba Ind Co Ltd | 後輪舵角制御方法 |
| JPH04372469A (ja) * | 1991-06-19 | 1992-12-25 | Kayaba Ind Co Ltd | 車両の後輪操舵装置 |
| JPH05676A (ja) * | 1991-06-19 | 1993-01-08 | Kayaba Ind Co Ltd | 車両の後輪操舵装置 |
| JPH05185947A (ja) * | 1992-01-14 | 1993-07-27 | Toyota Motor Corp | 車両の走行特性制御装置 |
-
1993
- 1993-03-17 JP JP5742293A patent/JP3246042B2/ja not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04138970A (ja) * | 1990-09-29 | 1992-05-13 | Kayaba Ind Co Ltd | 後輪舵角制御方法 |
| JPH04372469A (ja) * | 1991-06-19 | 1992-12-25 | Kayaba Ind Co Ltd | 車両の後輪操舵装置 |
| JPH05676A (ja) * | 1991-06-19 | 1993-01-08 | Kayaba Ind Co Ltd | 車両の後輪操舵装置 |
| JPH05185947A (ja) * | 1992-01-14 | 1993-07-27 | Toyota Motor Corp | 車両の走行特性制御装置 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010184519A (ja) * | 2009-02-10 | 2010-08-26 | Honda Motor Co Ltd | 後輪操舵制御装置 |
| CN106546261A (zh) * | 2016-09-20 | 2017-03-29 | 捷开通讯(深圳)有限公司 | 一种基于虚拟现实设备的角度数据补偿方法及装置 |
| CN106546261B (zh) * | 2016-09-20 | 2019-08-23 | 捷开通讯(深圳)有限公司 | 一种基于虚拟现实设备的角度数据补偿方法及装置 |
| CN110466602A (zh) * | 2019-08-29 | 2019-11-19 | 南京林业大学 | 轮毂电机驱动电动汽车的分时四轮转向系统及其控制方法 |
| CN110466602B (zh) * | 2019-08-29 | 2023-10-10 | 南京林业大学 | 轮毂电机驱动电动汽车的分时四轮转向系统及其控制方法 |
| CN113002620A (zh) * | 2021-03-12 | 2021-06-22 | 重庆长安汽车股份有限公司 | 自动驾驶方向盘角度偏差修正方法、系统及车辆 |
| CN113002620B (zh) * | 2021-03-12 | 2023-04-25 | 重庆长安汽车股份有限公司 | 自动驾驶方向盘角度偏差修正方法、系统及车辆 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3246042B2 (ja) | 2002-01-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2882232B2 (ja) | 車体重心スリップ角計測装置 | |
| US6909957B2 (en) | Method for controlling yaw and transversal dynamics in a road vehicle | |
| US6789017B2 (en) | Vehicle steering angle position determination method | |
| US4830127A (en) | System and method for controlling a steering reaction force imposed on a steering wheel | |
| US6865461B2 (en) | Method and device for controlling driving dynamics | |
| US5684699A (en) | Travel characteristic control system for automotive vehicle | |
| JP2982595B2 (ja) | 車両用実舵角制御装置 | |
| JPH05131946A (ja) | 車両の後輪操舵制御装置 | |
| JP3516986B2 (ja) | 運転技量推定装置 | |
| JP2552380B2 (ja) | 検出値オフセット量除去装置 | |
| JP5393495B2 (ja) | 操舵装置 | |
| JP3246042B2 (ja) | 後輪操舵制御装置 | |
| JPH04138970A (ja) | 後輪舵角制御方法 | |
| JP3067453B2 (ja) | 路面摩擦係数推定装置 | |
| JP3182972B2 (ja) | 車両の後輪操舵制御装置 | |
| JPH0939821A (ja) | 車両の後輪操舵制御装置 | |
| JPS62210169A (ja) | 車両用実舵角制御装置 | |
| JP2755068B2 (ja) | 車体重心スリップ角計測装置 | |
| JPH10297518A (ja) | 後輪操舵制御装置 | |
| JP3003228B2 (ja) | 車両の舵角制御装置 | |
| JPH05238402A (ja) | 車両用道路状況認識装置 | |
| JP3166388B2 (ja) | 操舵力制御装置 | |
| JPH06127407A (ja) | 前後輪操舵式車両の後輪操舵制御装置 | |
| JP2770505B2 (ja) | 車両の後輪舵角制御装置 | |
| KR0162671B1 (ko) | 차체중심슬립각 계측장치 및 차체슬립각 계측방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20011002 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071102 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081102 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091102 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091102 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101102 Year of fee payment: 9 |
|
| LAPS | Cancellation because of no payment of annual fees |