JPH06273187A - 車体重心スリップ角計測装置 - Google Patents
車体重心スリップ角計測装置Info
- Publication number
- JPH06273187A JPH06273187A JP5057421A JP5742193A JPH06273187A JP H06273187 A JPH06273187 A JP H06273187A JP 5057421 A JP5057421 A JP 5057421A JP 5742193 A JP5742193 A JP 5742193A JP H06273187 A JPH06273187 A JP H06273187A
- Authority
- JP
- Japan
- Prior art keywords
- vehicle
- slip angle
- vehicle body
- center slip
- body weight
- 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
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D6/00—Arrangements for automatically controlling steering depending on driving conditions sensed and responded to, e.g. control circuits
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D7/00—Steering linkage; Stub axles or their mountings
- B62D7/06—Steering linkage; Stub axles or their mountings for individually-pivoted wheels, e.g. on king-pins
- B62D7/14—Steering linkage; Stub axles or their mountings for individually-pivoted wheels, e.g. on king-pins the pivotal axes being situated in more than one plane transverse to the longitudinal centre line of the vehicle, e.g. all-wheel steering
- B62D7/15—Steering linkage; Stub axles or their mountings for individually-pivoted wheels, e.g. on king-pins the pivotal axes being situated in more than one plane transverse to the longitudinal centre line of the vehicle, e.g. all-wheel steering characterised by means varying the ratio between the steering angles of the steered wheels
- B62D7/159—Steering linkage; Stub axles or their mountings for individually-pivoted wheels, e.g. on king-pins the pivotal axes being situated in more than one plane transverse to the longitudinal centre line of the vehicle, e.g. all-wheel steering characterised by means varying the ratio between the steering angles of the steered wheels characterised by computing methods or stabilisation processes or systems, e.g. responding to yaw rate, lateral wind, load, road condition
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T2230/00—Monitoring, detecting special vehicle behaviour; Counteracting thereof
- B60T2230/02—Side slip angle, attitude angle, floating angle, drift angle
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
- Navigation (AREA)
Abstract
(57)【要約】
【目的】 学習済みニューラルネットワークの使用によ
り正確な計測と車両への搭載が可能となり、且つ、ニュ
ーラルネットワークの負担をも軽減できる車体重心スリ
ップ角計測装置を提供する。 【構成】 車体重心スリップ角計測装置は、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のセンサ
群と、線形2自由度車両モデルから導出した近似式を有
し、センサ16,18,24の検出値のみから近似式に
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、センサ群の検出値を前処理し
て、入力情報を生成する前処理ブロック28及びメモリ
30と、前記入力情報と前記近似値とを入力とし、実車
体重心スリップ角と前記近似値との間の誤差に対応した
補正値を出力する学習済みのニューラルネットワーク3
2と、学習済みのニューラルネットワーク32及び近似
式計算ブロック26から出力される補正値と近似値とを
加算した値を車体重心スリップ角βとして出力する加算
部36とを備える。
り正確な計測と車両への搭載が可能となり、且つ、ニュ
ーラルネットワークの負担をも軽減できる車体重心スリ
ップ角計測装置を提供する。 【構成】 車体重心スリップ角計測装置は、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のセンサ
群と、線形2自由度車両モデルから導出した近似式を有
し、センサ16,18,24の検出値のみから近似式に
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、センサ群の検出値を前処理し
て、入力情報を生成する前処理ブロック28及びメモリ
30と、前記入力情報と前記近似値とを入力とし、実車
体重心スリップ角と前記近似値との間の誤差に対応した
補正値を出力する学習済みのニューラルネットワーク3
2と、学習済みのニューラルネットワーク32及び近似
式計算ブロック26から出力される補正値と近似値とを
加算した値を車体重心スリップ角βとして出力する加算
部36とを備える。
Description
【0001】
【産業上の利用分野】この発明は、4輪操舵システムを
備えた車両に好適する車体重心スリップ角計測装置に関
する。
備えた車両に好適する車体重心スリップ角計測装置に関
する。
【0002】
【従来の技術】4輪操舵システムを備えた車両は、前輪
の操舵に伴い、その後輪をも操舵可能であるから、後輪
操舵が最適に制御されれば、通常の車両に比べて、旋回
性能や操縦安定性能を向上させることができる。ところ
で、後輪操舵制御を最適に行うには、車両の旋回時、車
両の挙動を示す各種の状態を正確に把握する必要があ
り、その状態量の1つである車体重心スリップ角は、後
輪操舵を行う上で、特に重要なものとなる。ここで、車
体重心スリップ角とは、図1に示されているように、車
両の旋回時、車両の進行方向と車体の向きとのなす角度
で定義される。
の操舵に伴い、その後輪をも操舵可能であるから、後輪
操舵が最適に制御されれば、通常の車両に比べて、旋回
性能や操縦安定性能を向上させることができる。ところ
で、後輪操舵制御を最適に行うには、車両の旋回時、車
両の挙動を示す各種の状態を正確に把握する必要があ
り、その状態量の1つである車体重心スリップ角は、後
輪操舵を行う上で、特に重要なものとなる。ここで、車
体重心スリップ角とは、図1に示されているように、車
両の旋回時、車両の進行方向と車体の向きとのなす角度
で定義される。
【0003】車体重心スリップ角が検出可能であれば、
車両の旋回時、車体重心スリップ角がゼロとなるよう
に、後輪操舵を制御でき、この結果、操舵に対する車体
のヨー角速度とその横加速度との位相差を理論上ゼロに
することができる。車体重心スリップ角の検出には、例
えば光学式の非接触対地速度計が利用可能である。
車両の旋回時、車体重心スリップ角がゼロとなるよう
に、後輪操舵を制御でき、この結果、操舵に対する車体
のヨー角速度とその横加速度との位相差を理論上ゼロに
することができる。車体重心スリップ角の検出には、例
えば光学式の非接触対地速度計が利用可能である。
【0004】
【発明が解決しようとする課題】しかしながら、この対
地速度計は、光学式であるために、路面状態によっては
ノイズによる悪影響を受け易く、また、その大きさや価
格を考慮すると、市販車の運動制御システムに組み込ん
で、高精度な検出を安定して行うことは事実上困難であ
るという課題がある。
地速度計は、光学式であるために、路面状態によっては
ノイズによる悪影響を受け易く、また、その大きさや価
格を考慮すると、市販車の運動制御システムに組み込ん
で、高精度な検出を安定して行うことは事実上困難であ
るという課題がある。
【0005】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、学習済みのニュ
ーラルネットワークの使用により、市販車の運動制御シ
ステムへの組み込みを可能とし、且つ、ニューラルネッ
トワークの負担を軽減して、高精度な検出が可能となる
車体重心スリップ角計測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、学習済みのニュ
ーラルネットワークの使用により、市販車の運動制御シ
ステムへの組み込みを可能とし、且つ、ニューラルネッ
トワークの負担を軽減して、高精度な検出が可能となる
車体重心スリップ角計測装置を提供することにある。
【0006】
【課題を解決するための手段】この発明の車体重心スリ
ップ角計測装置は、車両の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、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から車体重心スリップ角の近
似値を算出する演算手段と、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と前記演算手段
にて算出された前記近似値とを入力とするとともに、実
車体重心スリップ角と前記近似値との間の偏差を教師デ
ータとして学習されており、前記前輪操舵情報及び前記
運動情報に加え前記近似値が入力されると、前記偏差に
対応した補正値を出力する学習済みのニューラルネット
ワークと、前記演算手段から出力された近似値と学習済
みのニューラルネットワークから出力された補正値とを
加算した値を車体重心スリップ角として出力する加算手
段とを備えている。
ップ角計測装置は、車両の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、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から車体重心スリップ角の近
似値を算出する演算手段と、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と前記演算手段
にて算出された前記近似値とを入力とするとともに、実
車体重心スリップ角と前記近似値との間の偏差を教師デ
ータとして学習されており、前記前輪操舵情報及び前記
運動情報に加え前記近似値が入力されると、前記偏差に
対応した補正値を出力する学習済みのニューラルネット
ワークと、前記演算手段から出力された近似値と学習済
みのニューラルネットワークから出力された補正値とを
加算した値を車体重心スリップ角として出力する加算手
段とを備えている。
【0007】
【作用】上述の車体重心スリップ角計測装置によれば、
第1及び第2検出手段にて、車両の操舵情報及び運動情
報が得られると、これら操舵情報及び運動情報から演算
手段は、車体重心スリップ角の近似値を算出する。一
方、第1及び第2検出手段にて得られた前記操舵情報及
び運動情報は、演算手段にて得た前記近似値とともに、
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
れる。この学習済みのニューラルネットワークは、実車
体重心スリップ角と前記近似値との間の偏差を教師デー
タとして学習されており、従って、ニューラルネットワ
ークからは前記偏差に相当する補正値が出力され。この
補正値と前記近似値とは加算手段にて加算され、この加
算値が車体重心スリップ角として出力される。
第1及び第2検出手段にて、車両の操舵情報及び運動情
報が得られると、これら操舵情報及び運動情報から演算
手段は、車体重心スリップ角の近似値を算出する。一
方、第1及び第2検出手段にて得られた前記操舵情報及
び運動情報は、演算手段にて得た前記近似値とともに、
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
れる。この学習済みのニューラルネットワークは、実車
体重心スリップ角と前記近似値との間の偏差を教師デー
タとして学習されており、従って、ニューラルネットワ
ークからは前記偏差に相当する補正値が出力され。この
補正値と前記近似値とは加算手段にて加算され、この加
算値が車体重心スリップ角として出力される。
【0008】
【実施例】図2を参照すると、この発明の一実施例に係
わる車体重心スリップ角計測装置を搭載した4輪操舵車
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FWL,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。
わる車体重心スリップ角計測装置を搭載した4輪操舵車
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FWL,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。
【0009】後輪操舵系10に関し、より詳しく説明す
ると、後輪アクチュエータ8には電磁バルブ12が備え
られており、この電磁バルブ12はコントローラ14か
らの制御信号を受けて、その開弁方向及び開度が制御さ
れ、この結果、後輪アクチュエータ8を介して後輪RW
L,RWRが操舵されることになる。コントローラ14に
は、車体重心スリップ角計測装置にも使用される各種の
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2
0、横加速度センサ22及びヨー角速度センサ24があ
る。
ると、後輪アクチュエータ8には電磁バルブ12が備え
られており、この電磁バルブ12はコントローラ14か
らの制御信号を受けて、その開弁方向及び開度が制御さ
れ、この結果、後輪アクチュエータ8を介して後輪RW
L,RWRが操舵されることになる。コントローラ14に
は、車体重心スリップ角計測装置にも使用される各種の
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2
0、横加速度センサ22及びヨー角速度センサ24があ
る。
【0010】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,RWR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。
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,RWR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。
【0011】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、コントローラ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。コントローラ1
4は、上述した各種センサからの検出信号から車体重心
スリップ角を計測し、この計測結果に基づき、後輪RW
L,RWRの操舵を制御する機能を含んでおり、具体的に
は、コントローラ14は図3に示されているように、近
似式計算ブロック26、前処理ブロック28、メモリ3
0、ニューラルネットワーク32及びフィードバック制
御ブロック34を備えている。
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、コントローラ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。コントローラ1
4は、上述した各種センサからの検出信号から車体重心
スリップ角を計測し、この計測結果に基づき、後輪RW
L,RWRの操舵を制御する機能を含んでおり、具体的に
は、コントローラ14は図3に示されているように、近
似式計算ブロック26、前処理ブロック28、メモリ3
0、ニューラルネットワーク32及びフィードバック制
御ブロック34を備えている。
【0012】近似式計算ブロック26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、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。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から近似式に基づき算出可
能である。
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。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から近似式に基づき算出可
能である。
【0013】ここで、(4)式の近似式は、(3)式で
示される特定の操舵パターンを与えた条件下でのみ成立
する。このため、近似式では操舵パターンの変化やタイ
ヤの非線形特性等を考慮していないことから、近似式か
ら得られる近似値Aは、実際の車体重心スリップ角βに
対して偏差を生じるが、この偏差は、以下に説明するニ
ューラルネットワーク32の出力によって解消される。
示される特定の操舵パターンを与えた条件下でのみ成立
する。このため、近似式では操舵パターンの変化やタイ
ヤの非線形特性等を考慮していないことから、近似式か
ら得られる近似値Aは、実際の車体重心スリップ角βに
対して偏差を生じるが、この偏差は、以下に説明するニ
ューラルネットワーク32の出力によって解消される。
【0014】即ち、ニューラルネットワーク32は、前
述した各種センサからの情報がメモリ30及び前処理ブ
ロック28を介して入力されると、これらの入力情報に
基づき、前記偏差に相当する補正値Cが出力されるもの
となっている。ニューラルネットワーク32への入力情
報に関して詳述すると、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δ
f1、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。
述した各種センサからの情報がメモリ30及び前処理ブ
ロック28を介して入力されると、これらの入力情報に
基づき、前記偏差に相当する補正値Cが出力されるもの
となっている。ニューラルネットワーク32への入力情
報に関して詳述すると、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δ
f1、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。
【0015】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。
【0016】ここで、前処理ブロック28からニューラ
ルネットワーク32への入力情報は、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。
ルネットワーク32への入力情報は、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。
【0017】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は近似式の係数ベ
クトルと実車の係数ベクトルとの誤差ベクトルを近似す
れば良いことになる。この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。
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は近似式の係数ベ
クトルと実車の係数ベクトルとの誤差ベクトルを近似す
れば良いことになる。この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。
【0018】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。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。
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。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。
【0019】更に、線形2自由度モデルでは考慮されて
いない前後加速度Gzに関するGz×ψの状態量に加え
て、近似値Aがニューラルネットワーク32への入力情
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。
いない前後加速度Gzに関するGz×ψの状態量に加え
て、近似値Aがニューラルネットワーク32への入力情
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。
【0020】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3
に示したコントローラ14の機能ブロック及びセンサ群
に加えて、ベクトル前後速度計38及びベクトル横速度
計40を備えており、これら速度計38,40は車体重
心スリップ角計算ブロック42に接続されている。この
車体重心スリップ角計算ブロック42は、ベクトル前後
速度計38及びベクトル横速度計40の出力即ち前後加
速度及び横加速度から公知の算出式に基づき、実車体重
心スリップ角βAを算出する。 βA=tan-1(横加速度/前後加速度) 車体重心スリップ角計算ブロック42の出力である実車
体重心スリップ角βAと近似式計算ブロック26からの
近似値Aとは減算部44に入力され、この減算部44
は、実車体重心スリップ角βAと近似値Aと間の偏差D
を教師データとして出力する。
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3
に示したコントローラ14の機能ブロック及びセンサ群
に加えて、ベクトル前後速度計38及びベクトル横速度
計40を備えており、これら速度計38,40は車体重
心スリップ角計算ブロック42に接続されている。この
車体重心スリップ角計算ブロック42は、ベクトル前後
速度計38及びベクトル横速度計40の出力即ち前後加
速度及び横加速度から公知の算出式に基づき、実車体重
心スリップ角βAを算出する。 βA=tan-1(横加速度/前後加速度) 車体重心スリップ角計算ブロック42の出力である実車
体重心スリップ角βAと近似式計算ブロック26からの
近似値Aとは減算部44に入力され、この減算部44
は、実車体重心スリップ角βAと近似値Aと間の偏差D
を教師データとして出力する。
【0021】そして、減算部44からの偏差Dとニュー
ラルネットワーク32からの補正値Cとは減算部46に
入力され、この減算部46は、これら偏差Eと補正値C
との間の誤差Eを出力し、この誤差Eがニューラルネッ
トワーク32に戻される。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。
ラルネットワーク32からの補正値Cとは減算部46に
入力され、この減算部46は、これら偏差Eと補正値C
との間の誤差Eを出力し、この誤差Eがニューラルネッ
トワーク32に戻される。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。
【0022】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,M
U,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。そして、
出力ユニットOUの誤差EOに関しては、偏差D、出力
ユニットOUの出力値XO(=補正値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F
Oに基づき、次式から算出される。 EO=(D−XO)×FO 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。
32においては、先ず、各層の各ユニット(IU,M
U,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。そして、
出力ユニットOUの誤差EOに関しては、偏差D、出力
ユニットOUの出力値XO(=補正値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F
Oに基づき、次式から算出される。 EO=(D−XO)×FO 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。
【0023】上述した学習は、種々の走行条件、路面状
態及び前輪操舵パターンを考慮した多数の教師データに
基づき、繰り返して行われる。また、学習は、図7のシ
ステムを搭載した車両の走行試験にて行うか、又は、非
線形6自由度車両モデルを大形計算機上でシュミレーシ
ョン走行させて、学習用データの収集を行い、この収集
した学習用データにより行うこともできる。
態及び前輪操舵パターンを考慮した多数の教師データに
基づき、繰り返して行われる。また、学習は、図7のシ
ステムを搭載した車両の走行試験にて行うか、又は、非
線形6自由度車両モデルを大形計算機上でシュミレーシ
ョン走行させて、学習用データの収集を行い、この収集
した学習用データにより行うこともできる。
【0024】従って、学習済みのニューラルネットワー
ク32から出力される補正値Cは、車体重心スリップ角
βに対する近似値Aの偏差D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から出力された補正値Cと近似式計算
ブロック26から出力された近似値Aとを加算部36に
て加算すれば、その加算値は実車体重心スリップ角βA
に一致した車体重心スリップ角βとなる。
ク32から出力される補正値Cは、車体重心スリップ角
βに対する近似値Aの偏差D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から出力された補正値Cと近似式計算
ブロック26から出力された近似値Aとを加算部36に
て加算すれば、その加算値は実車体重心スリップ角βA
に一致した車体重心スリップ角βとなる。
【0025】このようにして推定した車体重心スリップ
角βは、加算部36からフィードバック制御ブロック3
4に入力され、このフィードバック制御ブロック34
は、目標値(ゼロ)と車体重心スリップ角βとの間の偏
差に基づき、後輪アクチュエータ8の電磁バルブ12に
向けて制御信号を出力し、この結果、後輪アクチュエー
タ8は、車体重心スリップ角βがゼロとなるように後輪
RWL,RWRの舵角を制御する。
角βは、加算部36からフィードバック制御ブロック3
4に入力され、このフィードバック制御ブロック34
は、目標値(ゼロ)と車体重心スリップ角βとの間の偏
差に基づき、後輪アクチュエータ8の電磁バルブ12に
向けて制御信号を出力し、この結果、後輪アクチュエー
タ8は、車体重心スリップ角βがゼロとなるように後輪
RWL,RWRの舵角を制御する。
【0026】前述した車体重心スリップ角の計測手順
は、図8の計測ルーチンで表すことができる。計測ルーチン 先ず、ステップS1にて、コントローラ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。
は、図8の計測ルーチンで表すことができる。計測ルーチン 先ず、ステップS1にて、コントローラ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。
【0027】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。
【0028】ステップS7では、コントローラ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
記補正値Cを推定して出力し(ステップS10)、そし
て、前記近似値Aと補正値Cとを加算して、車体重心ス
リップ角βを推定する(ステップS11)。
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
記補正値Cを推定して出力し(ステップS10)、そし
て、前記近似値Aと補正値Cとを加算して、車体重心ス
リップ角βを推定する(ステップS11)。
【0029】推定された車体重心スリップ角βは、フィ
ードバック制御ブロック34に出力され(ステップS1
2)、次のステップS13にて、このルーチンの処理終
了を判別する。即ち、このステップでは、例えば車両の
ハンドル4が操作されているか否かを判別し、操作中で
あればルーチンを繰り返して実行し、ハンドル4が中立
位置に戻された時点で、ルーチンの処理を終了する。
ードバック制御ブロック34に出力され(ステップS1
2)、次のステップS13にて、このルーチンの処理終
了を判別する。即ち、このステップでは、例えば車両の
ハンドル4が操作されているか否かを判別し、操作中で
あればルーチンを繰り返して実行し、ハンドル4が中立
位置に戻された時点で、ルーチンの処理を終了する。
【0030】図9を参照すれば、前輪舵角δfが図に示
すように変化したときのヨー角速度ψ及び横加速度GY
の変化に加え、推定された車体重心スリップ角βと実車
体重心スリップ角βAとの関係が示されているが、これ
ら車体重心スリップ角βと実車体重心スリップ角βAと
は殆ど一致しており、この結果、この発明の計測装置に
よれば、車体重心スリップ角βを正確に推定できること
が分かる。なお、図9中、一点鎖線は近似値Aの出力変
化を示している。
すように変化したときのヨー角速度ψ及び横加速度GY
の変化に加え、推定された車体重心スリップ角βと実車
体重心スリップ角βAとの関係が示されているが、これ
ら車体重心スリップ角βと実車体重心スリップ角βAと
は殆ど一致しており、この結果、この発明の計測装置に
よれば、車体重心スリップ角βを正確に推定できること
が分かる。なお、図9中、一点鎖線は近似値Aの出力変
化を示している。
【0031】
【発明の効果】以上説明したように、この発明の車体重
心スリップ角計測装置によれば、第1及び第2検出手段
にて得た車両の操舵情報及び運動情報が演算手段に与え
られることで、車体重心スリップ角の近似値が得られ、
この近似値は前記操舵情報及び運動情報ととにも学習済
みのニューラルネットワークに入力される。この学習済
みのニューラルネットワークは、実車体重心スリップ角
と前記近似値との間の偏差を教師データとして学習され
ているので、学習済みのニューラルネットから出力され
る補正値は前記偏差に相当するものとなり、この結果、
前記近似値に補正値を加算した値は正確な車体重心スリ
ップ角となる。このように学習済みのニューラルネット
ワークを使用することで、既存の光学式対地速度計を必
要とせずに、車体重心スリップ角が計測できるから、車
両への搭載が可能となり、また、学習済みのニューラル
ネットワークは車体重心スリップ角自体ではなく、近似
値の補正値をその出力としているから、その出力のダイ
ナミックレンジが小さくなって、ニューラルネットワー
クの負担をも軽減される等の利点がある。
心スリップ角計測装置によれば、第1及び第2検出手段
にて得た車両の操舵情報及び運動情報が演算手段に与え
られることで、車体重心スリップ角の近似値が得られ、
この近似値は前記操舵情報及び運動情報ととにも学習済
みのニューラルネットワークに入力される。この学習済
みのニューラルネットワークは、実車体重心スリップ角
と前記近似値との間の偏差を教師データとして学習され
ているので、学習済みのニューラルネットから出力され
る補正値は前記偏差に相当するものとなり、この結果、
前記近似値に補正値を加算した値は正確な車体重心スリ
ップ角となる。このように学習済みのニューラルネット
ワークを使用することで、既存の光学式対地速度計を必
要とせずに、車体重心スリップ角が計測できるから、車
両への搭載が可能となり、また、学習済みのニューラル
ネットワークは車体重心スリップ角自体ではなく、近似
値の補正値をその出力としているから、その出力のダイ
ナミックレンジが小さくなって、ニューラルネットワー
クの負担をも軽減される等の利点がある。
【図1】車体重心スリップ角を説明するための図であ
る。
る。
【図2】車体重心スリップ角計測装置を組み込んだ4輪
操舵車両を示す概略図である。
操舵車両を示す概略図である。
【図3】図2のコントローラ内において、車体重心スリ
ップ角を計測する部分のブロック図である。
ップ角を計測する部分のブロック図である。
【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3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3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3のブロック図にて実行される車体重心スリ
ップ角の算出ルーチンを示したフローチャートである。
ップ角の算出ルーチンを示したフローチャートである。
【図9】前輪操舵に対し、算出された車体重心スリップ
角、実車体重心スリップ角及び近似値との関係を示した
グラフである。
角、実車体重心スリップ角及び近似値との関係を示した
グラフである。
14 コントローラ 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 26 近似式計算ブロック(演算手段) 28 前処理ブロック(前処理手段) 30 メモリ(前処理手段) 32 ニューラルネットワーク 36 加算部(加算手段)
Claims (5)
- 【請求項1】 車両の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、これら第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から車体重心スリップ角の
近似値を算出する演算手段と、前記第1及び第2検出手
段にて検出された前記前輪操舵情報及び前記運動情報と
前記演算手段にて算出された前記近似値とを入力とする
とともに、実車体重心スリップ角と前記近似値との間の
偏差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に加えて前記近似値が入力される
と、前記偏差に対応した補正値を出力する学習済みのニ
ューラルネットワークと、前記演算手段から出力された
近似値と学習済みのニューラルネットワークから出力さ
れた補正値とを加算した値を車体重心スリップ角として
出力する加算手段とを具備したことを特徴とする車体重
心スリップ角計測装置。 - 【請求項2】 前記演算手段は、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、前輪操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1の車体重心スリップ角計測装置。 - 【請求項3】 前記演算手段は、前記第1及び第2検出
手段にて検出した前輪操舵情報及び運動情報を前記ニュ
ーラルネットワークに与える前に、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いることを
特徴とする請求項1の車体重心スリップ角計測装置。 - 【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、車
両の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2又は請求項3の車体重心スリップ角計
測装置。 - 【請求項5】 前記前処理手段は、前記ハンドル角セン
サの出力に基づき算出される現時点から過去分の前輪舵
角を時系列データとして記憶保持する記憶手段と、前記
第2検出手段の各センサの検出値から、横加速度−車速
×ヨー角速度、車速×ヨー角速度、ヨー角速度/車速、
ヨー角加速度及び前後加速度×ヨー角速度を算出する計
算手段とを有し、前記記憶手段の時系列データ及び前記
計算手段にて算出した各データをニューラルネットに与
えることを特徴とする請求項4の車体重心スリップ角計
測装置。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP5057421A JP2882232B2 (ja) | 1993-03-17 | 1993-03-17 | 車体重心スリップ角計測装置 |
US08/191,082 US5579245A (en) | 1993-03-17 | 1994-02-04 | Vehicle slip angle measuring method and a device therefor |
EP94301812A EP0615892B1 (en) | 1993-03-17 | 1994-03-15 | Vehicle slip angle measuring method and a device therefor |
DE69403706T DE69403706T2 (de) | 1993-03-17 | 1994-03-15 | Verfahren und Vorrichtung zur Erfassung des Gierwinkels eines Fahrzeugs |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP5057421A JP2882232B2 (ja) | 1993-03-17 | 1993-03-17 | 車体重心スリップ角計測装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH06273187A true JPH06273187A (ja) | 1994-09-30 |
JP2882232B2 JP2882232B2 (ja) | 1999-04-12 |
Family
ID=13055193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP5057421A Expired - Fee Related JP2882232B2 (ja) | 1993-03-17 | 1993-03-17 | 車体重心スリップ角計測装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US5579245A (ja) |
EP (1) | EP0615892B1 (ja) |
JP (1) | JP2882232B2 (ja) |
DE (1) | DE69403706T2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4865363A (en) * | 1987-09-11 | 1989-09-12 | Kyoshin Industries Co., Ltd. | Pipe connection device for scientific equipment |
CN111746633A (zh) * | 2020-07-02 | 2020-10-09 | 南京航空航天大学 | 一种基于强化学习的车辆分布式转向驱动系统控制方法 |
Families Citing this family (58)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0859712B1 (de) * | 1996-09-24 | 2000-11-29 | Robert Bosch Gmbh | Verfahren und vorrichtung zur regelung einer die fahrzeugbewegung repräsentierenden bewegungsgrösse |
DE19650691C2 (de) * | 1996-12-07 | 1998-10-29 | Deutsch Zentr Luft & Raumfahrt | Verfahren zur Lenkunterstützung eines Fahrers eines Straßenfahrzeugs |
US6233513B1 (en) * | 1997-11-27 | 2001-05-15 | Masato Abe | Method and system for computing a vehicle body slip angle in a vehicle movement control |
US6130706A (en) * | 1998-03-25 | 2000-10-10 | Lucent Technologies Inc. | Process for determining vehicle dynamics |
US6834218B2 (en) | 2001-11-05 | 2004-12-21 | Ford Global Technologies, Llc | Roll over stability control for an automotive vehicle |
US7152473B1 (en) * | 2000-03-17 | 2006-12-26 | Input/Output, Inc. | Integrated and multi-axis sensor assembly and packaging |
US6904350B2 (en) | 2000-09-25 | 2005-06-07 | Ford Global Technologies, Llc | System for dynamically determining the wheel grounding and wheel lifting conditions and their applications in roll stability control |
US7109856B2 (en) | 2000-09-25 | 2006-09-19 | Ford Global Technologies, Llc | Wheel lifted and grounded identification for an automotive vehicle |
US7233236B2 (en) | 2000-09-25 | 2007-06-19 | Ford Global Technologies, Llc | Passive wheel lift identification for an automotive vehicle using operating input torque to wheel |
US7132937B2 (en) | 2000-09-25 | 2006-11-07 | Ford Global Technologies, Llc | Wheel lift identification for an automotive vehicle using passive and active detection |
US6356188B1 (en) | 2000-09-25 | 2002-03-12 | Ford Global Technologies, Inc. | Wheel lift identification for an automotive vehicle |
DE10128357A1 (de) * | 2001-06-13 | 2003-03-06 | Continental Teves Ag & Co Ohg | Verfahren zur Regelung der Fahrstabilität |
US6654674B2 (en) | 2001-11-21 | 2003-11-25 | Ford Global Technologies, Llc | Enhanced system for yaw stability control system to include roll stability control function |
US6556908B1 (en) | 2002-03-04 | 2003-04-29 | Ford Global Technologies, Inc. | Attitude sensing system for an automotive vehicle relative to the road |
DE10215464B9 (de) * | 2002-03-28 | 2013-11-07 | Volkswagen Ag | Verfahren und Vorrichtung zum Schätzen einer Zustandsgröße |
US7085639B2 (en) | 2002-08-01 | 2006-08-01 | Ford Global Technologies, Llc | System and method for characterizing the road bank for vehicle roll stability control |
US7079928B2 (en) | 2002-08-01 | 2006-07-18 | Ford Global Technologies, Llc | System and method for determining a wheel departure angle for a rollover control system with respect to road roll rate and loading misalignment |
US7194351B2 (en) | 2002-08-01 | 2007-03-20 | Ford Global Technologies, Llc | System and method for determining a wheel departure angle for a rollover control system |
US7003389B2 (en) | 2002-08-01 | 2006-02-21 | Ford Global Technologies, Llc | System and method for characterizing vehicle body to road angle for vehicle roll stability control |
US6941205B2 (en) | 2002-08-01 | 2005-09-06 | Ford Global Technologies, Llc. | System and method for deteching roll rate sensor fault |
US7302331B2 (en) | 2002-08-01 | 2007-11-27 | Ford Global Technologies, Inc. | Wheel lift identification for an automotive vehicle |
US6961648B2 (en) | 2002-08-05 | 2005-11-01 | Ford Motor Company | System and method for desensitizing the activation criteria of a rollover control system |
US6963797B2 (en) | 2002-08-05 | 2005-11-08 | Ford Global Technologies, Llc | System and method for determining an amount of control for operating a rollover control system |
US7085642B2 (en) | 2002-08-05 | 2006-08-01 | Ford Global Technologies, Llc | Method and system for correcting sensor offsets |
US20040024504A1 (en) | 2002-08-05 | 2004-02-05 | Salib Albert Chenouda | System and method for operating a rollover control system during an elevated condition |
US7430468B2 (en) | 2002-08-05 | 2008-09-30 | Ford Global Technologies, Llc | System and method for sensitizing the activation criteria of a rollover control system |
US20040024505A1 (en) | 2002-08-05 | 2004-02-05 | Salib Albert Chenouda | System and method for operating a rollover control system in a transition to a rollover condition |
US6840343B2 (en) * | 2002-10-16 | 2005-01-11 | Ford Global Technologies, Llc | Tire side slip angle control for an automotive vehicle using steering peak seeking actuators |
US6662898B1 (en) | 2002-10-16 | 2003-12-16 | Ford Global Technologies, Llc | Tire side slip angle control for an automotive vehicle using steering actuators |
US9162656B2 (en) | 2003-02-26 | 2015-10-20 | Ford Global Technologies, Llc | Active driven wheel lift identification for an automotive vehicle |
US7653471B2 (en) | 2003-02-26 | 2010-01-26 | Ford Global Technologies, Llc | Active driven wheel lift identification for an automotive vehicle |
US7239949B2 (en) | 2003-02-26 | 2007-07-03 | Ford Global Technologies, Llc | Integrated sensing system |
US7136731B2 (en) | 2003-06-11 | 2006-11-14 | Ford Global Technologies, Llc | System for determining vehicular relative roll angle during a potential rollover event |
US7502675B2 (en) | 2004-04-01 | 2009-03-10 | Delphi Technologies, Inc. | Feedforward control of motor vehicle roll angle |
US7308350B2 (en) | 2004-05-20 | 2007-12-11 | Ford Global Technologies, Llc | Method and apparatus for determining adaptive brake gain parameters for use in a safety system of an automotive vehicle |
US7451032B2 (en) | 2004-06-02 | 2008-11-11 | Ford Global Technologies, Llc | System and method for determining desired yaw rate and lateral velocity for use in a vehicle dynamic control system |
US7191047B2 (en) | 2004-09-27 | 2007-03-13 | Delphi Technologies, Inc. | Motor vehicle control using a dynamic feedforward approach |
US7640081B2 (en) | 2004-10-01 | 2009-12-29 | Ford Global Technologies, Llc | Roll stability control using four-wheel drive |
US7668645B2 (en) | 2004-10-15 | 2010-02-23 | Ford Global Technologies | System and method for dynamically determining vehicle loading and vertical loading distance for use in a vehicle dynamic control system |
US7715965B2 (en) | 2004-10-15 | 2010-05-11 | Ford Global Technologies | System and method for qualitatively determining vehicle loading conditions |
US7660654B2 (en) | 2004-12-13 | 2010-02-09 | Ford Global Technologies, Llc | System for dynamically determining vehicle rear/trunk loading for use in a vehicle control system |
US7480547B2 (en) | 2005-04-14 | 2009-01-20 | Ford Global Technologies, Llc | Attitude sensing system for an automotive vehicle relative to the road |
JP4727304B2 (ja) * | 2005-06-06 | 2011-07-20 | パナソニック株式会社 | 曲線描画装置、曲線描画方法、駐車支援装置及び車両 |
US7590481B2 (en) | 2005-09-19 | 2009-09-15 | Ford Global Technologies, Llc | Integrated vehicle control system using dynamically determined vehicle conditions |
US8121758B2 (en) | 2005-11-09 | 2012-02-21 | Ford Global Technologies | System for determining torque and tire forces using integrated sensing system |
US7600826B2 (en) | 2005-11-09 | 2009-10-13 | Ford Global Technologies, Llc | System for dynamically determining axle loadings of a moving vehicle using integrated sensing system and its application in vehicle dynamics controls |
JP2008265461A (ja) * | 2007-04-18 | 2008-11-06 | Honda Motor Co Ltd | 車体スリップ角推定装置 |
CN106184363B (zh) * | 2016-07-20 | 2018-10-09 | 广西科技大学 | 四轮独立转向车辆的控制方法 |
CN106218715B (zh) * | 2016-07-20 | 2018-06-08 | 广西科技大学 | 一种四轮独立转向车辆的控制方法 |
US10019008B2 (en) * | 2016-09-28 | 2018-07-10 | Baidu Usa Llc | Sideslip compensated control method for autonomous vehicles |
US10343685B2 (en) | 2016-09-28 | 2019-07-09 | Baidu Usa Llc | Physical model and machine learning combined method to simulate autonomous vehicle movement |
IT201700019122A1 (it) * | 2017-02-21 | 2018-08-21 | Automobili Lamborghini Spa | Metodo di stima di un parametro di assetto di un veicolo. |
DE102017205093A1 (de) | 2017-03-27 | 2018-09-27 | Conti Temic Microelectronic Gmbh | Verfahren und System zur Vorhersage von Sensorsignalen eines Fahrzeugs |
CN109325590B (zh) * | 2018-09-14 | 2020-11-03 | 中国科学院计算技术研究所 | 用于实现计算精度可变的神经网络处理器的装置 |
DE102019115967A1 (de) * | 2019-06-12 | 2020-12-17 | Bayerische Motoren Werke Aktiengesellschaft | Hybrides Fahrzeugmodell basierend auf einem Einspurmodell und einem neuronalen Netz |
DE102019212432B3 (de) * | 2019-08-20 | 2020-12-03 | Volkswagen Aktiengesellschaft | Verfahren und Vorrichtung zum Schätzen eines Lenkraddrehmoments für eine mechanische Rückkopplung an einem Lenkrad einer Lenkung eines Kraftfahrzeugs |
DE102021207315A1 (de) | 2021-07-12 | 2023-01-12 | Zf Friedrichshafen Ag | Verfahren zum Bestimmen eines Schwimmwinkels, Verfahren zum Trainieren eines künstlichen neuronalen Netzwerks zur Bestimmung eines Fehlers eines geschätzten Schwimmwinkels und Verfahren zum Bestimmen eines Fehlers eines geschätzten Schwimmwinkels |
IT202200003818A1 (it) * | 2022-03-01 | 2022-06-01 | Univ Degli Studi Di Trento | Dispositivi e metodi, basati su reti neurali, per la stima della velocità laterale di veicoli |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3661472D1 (en) * | 1985-04-13 | 1989-01-26 | Nissan Motor | Vehicle control system for controlling side slip angle and yaw rate gain |
JPS62137276A (ja) * | 1985-12-09 | 1987-06-20 | Nissan Motor Co Ltd | 車両用操舵系制御装置 |
US5003480A (en) * | 1989-05-29 | 1991-03-26 | Nissan Motor Co., Ltd. | Four wheel steering system for vehicle |
JP2792633B2 (ja) * | 1990-02-09 | 1998-09-03 | 株式会社日立製作所 | 制御装置 |
JP2762711B2 (ja) * | 1990-07-02 | 1998-06-04 | 日産自動車株式会社 | 車両の制動挙動補償装置 |
JP2895198B2 (ja) * | 1990-09-29 | 1999-05-24 | カヤバ工業株式会社 | 後輪舵角制御方法 |
JPH04149605A (ja) * | 1990-10-09 | 1992-05-22 | Kayaba Ind Co Ltd | 車両制御方法 |
JPH04189631A (ja) * | 1990-11-26 | 1992-07-08 | Kayaba Ind Co Ltd | 車両制御方法 |
US5386365A (en) * | 1991-03-22 | 1995-01-31 | Mazda Motor Corporation | Rear wheel steering system for vehicle |
JPH04372409A (ja) * | 1991-06-20 | 1992-12-25 | Kayaba Ind Co Ltd | 車両運動予測装置 |
JP3033314B2 (ja) * | 1992-01-14 | 2000-04-17 | トヨタ自動車株式会社 | 車両の走行特性制御装置 |
-
1993
- 1993-03-17 JP JP5057421A patent/JP2882232B2/ja not_active Expired - Fee Related
-
1994
- 1994-02-04 US US08/191,082 patent/US5579245A/en not_active Expired - Fee Related
- 1994-03-15 DE DE69403706T patent/DE69403706T2/de not_active Expired - Fee Related
- 1994-03-15 EP EP94301812A patent/EP0615892B1/en not_active Expired - Lifetime
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4865363A (en) * | 1987-09-11 | 1989-09-12 | Kyoshin Industries Co., Ltd. | Pipe connection device for scientific equipment |
CN111746633A (zh) * | 2020-07-02 | 2020-10-09 | 南京航空航天大学 | 一种基于强化学习的车辆分布式转向驱动系统控制方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2882232B2 (ja) | 1999-04-12 |
DE69403706T2 (de) | 1998-01-15 |
EP0615892B1 (en) | 1997-06-11 |
DE69403706D1 (de) | 1997-07-17 |
EP0615892A1 (en) | 1994-09-21 |
US5579245A (en) | 1996-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2882232B2 (ja) | 車体重心スリップ角計測装置 | |
CN101233482B (zh) | 在线性工作范围下在线估计车辆侧滑 | |
US5548536A (en) | Method for determining quantities which characterize the driving behavior | |
US6522956B2 (en) | Method and device for estimating a transverse acceleration at an axle of a semitrailer or a trailer of a vehicle combination | |
CN105151047B (zh) | 一种汽车质心侧偏角测量方法 | |
JP3285257B2 (ja) | 自動車の後退走行の検出方法 | |
CN111873991B (zh) | 一种车辆转向的控制方法、装置、终端及存储介质 | |
US6745112B2 (en) | Method of estimating quantities that represent state of vehicle | |
JPH0725320B2 (ja) | 車両用実舵角制御装置 | |
CN106938664A (zh) | 车轮对准监测 | |
CN103279675A (zh) | 轮胎-路面附着系数与轮胎侧偏角的估计方法 | |
JP2552380B2 (ja) | 検出値オフセット量除去装置 | |
JP4568996B2 (ja) | 操舵装置と操舵装置の抗力算出装置 | |
US20030089542A1 (en) | Method of estimating quantities that represent state of vehicle | |
JP2001134320A (ja) | 車線追従制御装置 | |
JP3282449B2 (ja) | 車輌の横滑り状態量検出装置 | |
JP3067453B2 (ja) | 路面摩擦係数推定装置 | |
JPS62210169A (ja) | 車両用実舵角制御装置 | |
Deng et al. | RLS-based online estimation on vehicle linear sideslip | |
JP3246042B2 (ja) | 後輪操舵制御装置 | |
KR0162671B1 (ko) | 차체중심슬립각 계측장치 및 차체슬립각 계측방법 | |
JPH0695733A (ja) | 自走台車の絶対位置検出方法 | |
JP2755068B2 (ja) | 車体重心スリップ角計測装置 | |
JPH05314397A (ja) | センサ信号処理装置 | |
JP7206875B2 (ja) | 車両横速度推定装置 |
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: 19990105 |
|
LAPS | Cancellation because of no payment of annual fees |