JPH07333242A - Method and apparatus for estimating yawing rate of vehicle - Google Patents
Method and apparatus for estimating yawing rate of vehicleInfo
- Publication number
- JPH07333242A JPH07333242A JP13023994A JP13023994A JPH07333242A JP H07333242 A JPH07333242 A JP H07333242A JP 13023994 A JP13023994 A JP 13023994A JP 13023994 A JP13023994 A JP 13023994A JP H07333242 A JPH07333242 A JP H07333242A
- Authority
- JP
- Japan
- Prior art keywords
- yaw rate
- rate value
- vehicle
- primary
- estimated
- 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.)
- Withdrawn
Links
Landscapes
- Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
Description
【０００１】[0001]
【産業上の利用分野】本発明は、車両に発生するヨーレ
ートを推定するヨーレート推定方法及びその装置に関す
るものである。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a yaw rate estimation method and apparatus for estimating a yaw rate generated in a vehicle.
【０００２】[0002]
【従来の技術】従来より、車両において、４輪操舵装置
を装備する場合に車両に発生するヨーレートをセンサに
より検出し、該ヨーレートを用いてフィードバック制御
をすることは知られている。従来のヨーレートセンサに
は、左右輪の回転差を基に円旋回時の幾何学的関係から
導いた線形式でヨーレートを検出するもの（例えば特開
平２−４０５０４号公報参照）と、操舵角を基に円旋回
時の幾何学的関係から導いた線形式でヨーレートを検出
するもの（例えば特開平４−３５３０７６号公報参照）
とがある。2. Description of the Related Art Conventionally, it is known that when a vehicle is equipped with a four-wheel steering system, a yaw rate generated in the vehicle is detected by a sensor and feedback control is performed using the yaw rate. The conventional yaw rate sensor detects a yaw rate in a linear form derived from a geometrical relationship during circular turning based on a rotation difference between the left and right wheels (for example, see Japanese Patent Laid-Open No. 2-40504), and a steering angle. The yaw rate is detected in a linear form derived from the geometrical relationship at the time of circular turning (see, for example, Japanese Patent Laid-Open No. 4-353076).
There is.
【０００３】ところが、上記従来のヨーレートセンサ
は、いずれも円旋回時の幾何学的関係から導いた線形式
でヨーレートを検出するものであるため、非線形領域の
運動状態の時つまり左右輪回転差が所定値以上の時又は
操輪角が所定値以上の時にはヨーレートを精度良く検出
することができなくなるという問題があった。However, all of the above-mentioned conventional yaw rate sensors detect the yaw rate in a linear form derived from the geometrical relationship at the time of circular turning, and therefore, in the non-linear motion state, that is, the left and right wheel rotation difference. There is a problem that the yaw rate cannot be accurately detected when the yaw rate is equal to or more than a predetermined value or when the wheel steering angle is equal to or more than the predetermined value.
【０００４】そこで、近年、非線形領域の運動状態の時
にもヨーレートを精度良く推定するために、ニューラル
ネットワークを用いたものが提案されている。このニュ
ーラルネットワークは、通常、ヨーレートに関連する左
右輪の回転差、操舵角、操舵速度、車速及び車体加速度
等の車両状態量を入力変数として中間層のニューロンと
シナプス結合するとともに、該中間層のニューロンを、
推定ヨーレート値を出力する出力層のニューロンとシナ
プス結合して構成されるものであって、学習回数を高め
ることで線形領域から非線形領域に亘ってヨーレートを
高い精度で推定できることが実証されている。Therefore, in recent years, a method using a neural network has been proposed in order to accurately estimate the yaw rate even in a motion state in a non-linear region. This neural network normally synapse-connects with neurons in the intermediate layer using the vehicle state quantities such as the rotation difference between the left and right wheels, the steering angle, the steering speed, the vehicle speed, and the vehicle body acceleration, which are related to the yaw rate, as input variables. Neurons
It is constructed by synapse-connecting with the neuron of the output layer that outputs the estimated yaw rate value, and it has been proved that the yaw rate can be estimated with high accuracy from the linear region to the non-linear region by increasing the learning number.
【０００５】[0005]
【発明が解決しようとする課題】ところが、一つのニュ
ーラルネットワークでもって、車両の線形運転領域から
非線形運転領域までの全てに亘りヨーレートを精度良く
推定するためには中間層のニューロンを非常に多くする
必要があり、そのため、ニューラルネットワーク演算に
時間がかかり、この演算を行うコンピュータの負担が大
きくなるという問題がある。However, in order to accurately estimate the yaw rate from the linear driving region to the non-linear driving region of the vehicle with one neural network, the number of neurons in the intermediate layer is increased. Therefore, there is a problem that the neural network calculation takes time, and the load on the computer that performs this calculation increases.
【０００６】本発明はかかる点に鑑みてなされたもので
あり、その目的とするところは、車両の所定の運転領域
別に異なるニューラルネットワークを用い、或いは特定
の運転領域にのみニューラルネットワークを用いること
により、車両の全運転領域に亘ってヨーレートを精度良
く推定しつつ、中間層のニューロン数を少なくしてコン
ピュータの負担を軽減し得るようにするものである。The present invention has been made in view of the above points, and an object of the present invention is to use different neural networks for each predetermined driving area of a vehicle or to use a neural network only for a specific driving area. , While accurately estimating the yaw rate over the entire driving region of the vehicle, the number of neurons in the intermediate layer can be reduced to reduce the load on the computer.
【０００７】[0007]
【課題を解決するための手段】上記目的を達成するた
め、請求項１記載の発明は、車両に発生するヨーレート
を推定するヨーレート推定方法として、車両の所定の運
転領域別に設定されかつ各々少なくとも左右輪の回転差
と操舵角と車速とを入力情報とするニューラルネットワ
ーク演算により１次ヨーレート値を算出する複数の演算
部を用意し、該複数の演算部でそれぞれ現時点の入力情
報に基づいて１次ヨーレート値を算出するとともに、こ
れらの１次ヨーレート値を、現時点の車両の運転状態に
応じた適合度により合成して推定ヨーレート値を算出す
る構成とする。In order to achieve the above object, the invention according to claim 1 is a yaw rate estimating method for estimating a yaw rate occurring in a vehicle, which is set for each predetermined driving area of the vehicle and is at least left and right. A plurality of calculation units for calculating a primary yaw rate value by a neural network calculation using the wheel rotation difference, the steering angle, and the vehicle speed as input information are prepared, and the plurality of calculation units each perform a primary calculation based on the current input information. The yaw rate value is calculated, and the estimated yaw rate value is calculated by synthesizing these primary yaw rate values according to the degree of conformity according to the current driving state of the vehicle.
【０００８】請求項２記載の発明は、請求項１記載の発
明に従属し、その一つの態様を示す。つまり、上記複数
の演算部が、直進付近用に設定された演算部と、定常旋
回領域用に設定された演算部と、急旋回の非線形領域用
に設定された演算部との場合である。The invention according to claim 2 is dependent on the invention according to claim 1, and shows one mode thereof. That is, this is a case in which the plurality of arithmetic units are an arithmetic unit set for near straight traveling, an arithmetic unit set for a steady turning region, and an arithmetic unit set for a non-linear region of a sharp turn.
【０００９】請求項３記載の発明は、車両に発生するヨ
ーレートを推定するヨーレート推定方法として、車両の
運転領域を操舵角に基づいて直進付近と定常旋回領域と
急旋回の非線形領域とに判別し、直進付近では円旋回時
の幾何学的関係から導いた線形式で１次ヨーレート値を
算出してそれを推定ヨーレート値とし、急旋回の非線形
領域では少なくとも左右輪の回転差と操舵角と車速とを
入力情報とするニューラルネットワーク演算により１次
ヨーレート値を算出してそれを推定ヨーレート値とし、
定常旋回領域では上記円旋回時の幾何学的関係の線形式
による１次ヨーレート値と上記ニューラルネットワーク
演算による１次ヨーレート値とを、操舵角に応じた配分
比で合成して推定ヨーレート値を算出する構成とする。According to a third aspect of the present invention, as a yaw rate estimating method for estimating the yaw rate generated in the vehicle, the operating region of the vehicle is discriminated based on the steering angle into a straight driving region, a steady turning region and a non-linear region of a sharp turn. , Around the straight ahead, the primary yaw rate value is calculated in a linear form derived from the geometrical relationship at the time of circular turning, and it is used as the estimated yaw rate value. At least in the non-linear region of sharp turning, the rotational difference between the left and right wheels, the steering angle, and the vehicle speed. The primary yaw rate value is calculated by a neural network operation using and as input information, and is used as the estimated yaw rate value,
In the steady turning region, the estimated yaw rate value is calculated by synthesizing the linear yaw rate value of the geometrical relationship at the time of the circular turn and the primary yaw rate value by the neural network calculation with a distribution ratio according to the steering angle. The configuration is
【００１０】請求項４記載の発明は、車両に発生するヨ
ーレートを推定するヨーレート推定方法として、車両の
運転領域を操舵角に基づいて直進付近と定常旋回領域と
急旋回の非線形領域とに判別し、直進付近では左右輪の
回転差と操舵角とに基づくファジィ制御則とファジィ推
論とから１次ヨーレート値を算出してそれを推定ヨーレ
ート値とし、急旋回の非線形領域では少なくとも左右輪
の回転差と操舵角と車速とを入力情報とするニューラル
ネットワーク演算により１次ヨーレート値を算出してそ
れを推定ヨーレート値とし、定常旋回領域では上記ファ
ジィ制御則とファジィ推論とによる１次ヨーレート値と
上記ニューラルネットワーク演算による１次ヨーレート
値とを、操舵角に応じた配分比で合成して推定ヨーレー
ト値を算出する構成とする。According to a fourth aspect of the present invention, as a yaw rate estimating method for estimating the yaw rate generated in the vehicle, the operating area of the vehicle is discriminated based on the steering angle into a straight driving area, a steady turning area and a non-linear area of a sharp turn. , Around the straight ahead, the primary yaw rate value is calculated from the fuzzy control law and the fuzzy inference based on the rotational difference between the left and right wheels and the steering angle, and the estimated yaw rate value is used as the estimated yaw rate value. The primary yaw rate value is calculated by a neural network operation using the steering angle and the vehicle speed as input information, and the calculated yaw rate value is used as the estimated yaw rate value. In the steady turning region, the primary yaw rate value based on the fuzzy control law and fuzzy reasoning and the neural A structure in which the estimated yaw rate value is calculated by combining the primary yaw rate value calculated by the network with the distribution ratio according to the steering angle. To.
【００１１】請求項５記載の発明は、請求項３記載の発
明に従属し、円旋回時の幾何学的関係から導いた１次ヨ
ーレート値の線形式を具体的に示す。つまり、上記１次
ヨーレート値φ1 の線形式は、左右輪の回転差をＲv 、
トレッドをｄとすると、 φ1 ＝Ｒv ／ｄ である。The invention according to claim 5 is dependent on the invention according to claim 3, and specifically shows a linear form of the first-order yaw rate value derived from the geometrical relationship during circular turning. That is, the linear form of the above-mentioned primary yaw rate value φ1 represents the rotation difference between the left and right wheels as Rv,
If the tread is d, then φ1 = Rv / d.
【００１２】請求項６記載の発明は、請求項１、３又は
４記載の発明に従属し、直進時にヨーレートの定常偏差
を求め、推定ヨーレート値に対し該定常偏差を補正する
構成とする。The invention according to claim 6 is dependent on the invention according to claim 1, 3 or 4, and is configured such that a steady-state deviation of the yaw rate is obtained when the vehicle goes straight, and the steady-state deviation is corrected with respect to the estimated yaw rate value.
【００１３】請求項７記載の発明は、車両に発生するヨ
ーレートを推定するヨーレート推定装置として、車両の
所定の運転領域別に設定されかつ各々少なくとも左右輪
の回転差と操舵角と車速とを入力情報とするニューラル
ネットワーク演算により１次ヨーレート値を算出する複
数の１次ヨーレート値演算部と、該各演算部で算出され
た１次ヨーレート値を、現時点の車両の運転状態に応じ
た適合度により合成して推定ヨーレート値を算出する推
定ヨーレート値演算部とを備える構成とする。According to a seventh aspect of the present invention, as a yaw rate estimating device for estimating a yaw rate generated in a vehicle, the yaw rate estimating device is set for each predetermined driving region of the vehicle, and at least the rotational difference between the left and right wheels, the steering angle, and the vehicle speed are input information. A plurality of primary yaw rate value calculation units for calculating a primary yaw rate value by a neural network calculation and a primary yaw rate value calculated by each of the calculation units are combined by a degree of suitability according to the current driving state of the vehicle. And an estimated yaw rate value calculation unit for calculating an estimated yaw rate value.
【００１４】請求項８記載の発明は、車両に発生するヨ
ーレートを推定するヨーレート推定装置として、車両の
運転領域を操舵角に基づいて直進付近と定常旋回領域と
急旋回の非線形領域とに判別する判別手段と、円旋回時
の幾何学的関係から導いた線形式で１次ヨーレート値を
算出する線形式演算部と、車両の運転領域のうち急旋回
の非線形領域用に設定されかつ少なくとも左右輪の回転
差と操舵角と車速とを入力情報とするニューラルネット
ワーク演算により１次ヨーレート値を算出するニューラ
ルネット演算部と、直進付近では上記線形式演算部で算
出された１次ヨーレート値を推定ヨーレート値とし、急
旋回の非線形領域では上記ニューラルネット演算部で算
出された１次ヨーレート値を推定ヨーレート値とし、定
常旋回領域では上記２種の１次ヨーレート値を、操舵角
に応じた配分比で合成して推定ヨーレート値を算出する
推定ヨーレート値演算部とを備える構成とする。According to an eighth aspect of the present invention, as a yaw rate estimating device for estimating the yaw rate generated in the vehicle, the operating area of the vehicle is discriminated based on the steering angle into a straight traveling area, a steady turning area and a non-linear area of a sharp turn. A discriminating means, a linear-form calculation unit for calculating a primary yaw rate value in a linear form derived from a geometrical relationship at the time of a circular turn, a non-linear region of a sharp turn in a driving region of the vehicle, and at least left and right wheels. A neural network calculation unit that calculates a primary yaw rate value by a neural network calculation that uses the rotation difference, the steering angle, and the vehicle speed as input information, and an estimated yaw rate that is the linear yaw rate value calculated by the linear format calculation unit near straight ahead. In the non-linear region of a sharp turn, the primary yaw rate value calculated by the neural network calculation unit is used as the estimated yaw rate value, and in the steady turn region, Two primary yaw rate value, a configuration and a yaw rate value calculation unit for calculating an estimated yaw rate values are combined in the allocation ratio corresponding to the steering angle.
【００１５】請求項９記載の発明は、車両に発生するヨ
ーレートを推定するヨーレート推定装置として、車両の
運転領域を操舵角に基づいて直進付近と定常旋回領域と
急旋回の非線形領域とに判別する判別手段と、左右輪の
回転差と操舵角とに基づくファジィ制御則とファジィ推
論とから１次ヨーレート値を算出するファジィ演算部
と、車両の運転領域のうち急旋回の非線形領域用に設定
されかつ少なくとも左右輪の回転差と操舵角と車速とを
入力情報とするニューラルネットワーク演算により１次
ヨーレート値を算出するニューラルネット演算部と、直
進付近では上記ファジィ演算部で算出された１次ヨーレ
ート値を推定ヨーレート値とし、急旋回の非線形領域で
は上記ニューラルネット演算部で算出された１次ヨーレ
ート値を推定ヨーレート値とし、定常旋回領域では上記
２種の１次ヨーレート値を、操舵角に応じた配分比で合
成して推定ヨーレート値を算出する推定ヨーレート値演
算部とを備える構成とする。According to a ninth aspect of the present invention, as a yaw rate estimating device for estimating a yaw rate generated in a vehicle, the operating area of the vehicle is discriminated based on a steering angle into a straight-ahead region, a steady turning region and a non-linear region of a sharp turn. The determination means, the fuzzy calculation section for calculating the primary yaw rate value from the fuzzy control law based on the rotation difference between the left and right wheels and the steering angle, and the fuzzy inference, and the non-linear area for the sharp turn in the driving area of the vehicle are set. Also, a neural network calculation unit that calculates a primary yaw rate value by a neural network calculation that uses at least the rotational difference between the left and right wheels, the steering angle, and the vehicle speed as input information, and the primary yaw rate value calculated by the fuzzy calculation unit near straight ahead. Is used as the estimated yaw rate value, and in the non-linear region of a sharp turn, the primary yaw rate value calculated by the neural network computing unit is used as the estimated yaw rate value. And bets values, the two primary yaw rate value in the steady turning region is configured to include the estimated yaw rate value calculation unit for calculating an estimated yaw rate values are combined in the allocation ratio corresponding to the steering angle.
【００１６】[0016]
【作用】上記の構成により、請求項１又は７記載の発明
では、車両の所定の運転領域別（例えば、請求項２記載
の発明の如く直進付近と定常旋回領域と急旋回の非線形
領域）に設定されたニューラルネットワークからなる複
数の演算部を用意し、これらの演算部で現時点の入力情
報に基づいてニューラルネットワーク演算により１次ヨ
ーレート値を算出しているため、一つのニューラルネッ
トワークでもって車両の全運転領域に亘ってヨーレート
を精度良く推定する場合に比べて、各演算部のニューラ
ルネットワーク中間層のニューロン数が大幅に少なくな
り、ニューラルネットワーク演算全体ひいてはヨーレー
ト推定に要する時間も少なくなる。また、各演算部で算
出された１次ヨーレート値を、現時点の車両の運転状態
に応じた適合度により合成して推定ヨーレート値を算出
しているため、車両の運転領域間で推定ヨーレート値が
段差を生じることはなく、ヨーレートが適切に推定され
ることになる。With the above construction, according to the invention described in claim 1 or 7, the vehicle is divided into predetermined driving regions (for example, as in the invention described in claim 2, in the vicinity of straight running, a steady turning region, and a non-linear region of a sharp turn). Since a plurality of calculation units composed of the set neural network are prepared and the primary yaw rate value is calculated by the neural network calculation based on the input information at the present time in these calculation units, one neural network Compared with the case where the yaw rate is accurately estimated over the entire operating region, the number of neurons in the neural network intermediate layer of each operation unit is significantly reduced, and the time required for the entire neural network operation and thus the yaw rate estimation is reduced. In addition, since the estimated yaw rate value is calculated by combining the primary yaw rate values calculated by the respective calculation units with the degree of conformity according to the driving state of the vehicle at the present time, the estimated yaw rate value varies between the driving areas of the vehicle. The step is not generated, and the yaw rate is properly estimated.
【００１７】請求項３又は８記載の発明では、車両の運
転領域を直進付近と定常旋回領域と急旋回の非線形領域
とに分け、直進付近では円旋回時の幾何学的関係から導
いた線形式で１次ヨーレート値を算出してそれを推定ヨ
ーレート値とし、急旋回の非線形領域ではニューラルネ
ットワーク演算により１次ヨーレート値を算出してそれ
を推定ヨーレート値とし、定常旋回領域では上記円旋回
時の幾何学的関係の線形式による１次ヨーレート値と上
記ニューラルネットワーク演算による１次ヨーレート値
とを、操舵角に応じた配分比で合成して推定ヨーレート
値を算出しているため、一つのニューラルネットワーク
でもって車両の全運転領域に亘ってヨーレートを精度良
く推定する場合に比べて、ニューラルネットワーク中間
層のニューロン数が大幅に少なくなり、ヨーレート推定
に要する時間も少なくなる。また、車両の全運動領域に
亘ってヨーレートを精度良くかつ領域間で段差を生じる
ことなく適切に推定できることになる。According to the third or eighth aspect of the invention, the driving region of the vehicle is divided into a straight driving region, a steady turning region and a steep turning non-linear region, and in the straight driving region, a linear form derived from the geometrical relationship during circular turning is derived. Then, the primary yaw rate value is calculated and used as the estimated yaw rate value. In the steep turning nonlinear region, the primary yaw rate value is calculated by a neural network operation and used as the estimated yaw rate value. The estimated yaw rate value is calculated by synthesizing the linear yaw rate value of the geometrical relationship and the primary yaw rate value obtained by the neural network calculation with a distribution ratio according to the steering angle. Therefore, the number of neurons in the middle layer of the neural network is greater than that in the case where the yaw rate is accurately estimated over the entire driving region of the vehicle. Significantly less, time is also reduced required for yaw rate estimated. In addition, the yaw rate can be accurately estimated accurately over the entire movement region of the vehicle without causing a step difference between the regions.
【００１８】請求項４又は９記載の発明では、車両の運
転領域を直進付近と定常旋回領域と急旋回の非線形領域
とに分け、直進付近では左右輪の回転差と操舵角とに基
づくファジィ制御則とファジィ推論とから１次ヨーレー
ト値を算出してそれを推定ヨーレート値とし、急旋回の
非線形領域ではニューラルネットワーク演算により１次
ヨーレート値を算出してそれを推定ヨーレート値とし、
定常旋回領域では上記ファジィ制御則とファジィ推論と
による１次ヨーレート値と上記ニューラルネットワーク
演算による１次ヨーレート値とを、操舵角に応じた配分
比で合成して推定ヨーレート値を算出しているため、一
つのニューラルネットワークでもって車両の全運転領域
に亘ってヨーレートを精度良く推定する場合に比べて、
ニューラルネットワーク中間層のニューロン数が大幅に
少なくなり、ヨーレート推定に要する時間も少なくな
る。また、車両の全運動領域に亘ってヨーレートを精度
良くかつ領域間で段差を生じることなく適切に推定でき
ることになる。In the invention according to claim 4 or 9, the driving region of the vehicle is divided into a straight driving region, a steady turning region and a non-linear region of a sharp turning, and in the straight driving region, fuzzy control based on the rotation difference between the left and right wheels and the steering angle. Calculate the primary yaw rate value from the law and fuzzy reasoning and use it as the estimated yaw rate value. In the non-linear region of a sharp turn, calculate the primary yaw rate value by neural network operation and use it as the estimated yaw rate value.
In the steady turning region, the estimated yaw rate value is calculated by synthesizing the primary yaw rate value obtained by the fuzzy control law and the fuzzy inference with the primary yaw rate value obtained by the neural network operation at a distribution ratio according to the steering angle. , Compared with the case where the yaw rate is accurately estimated over the entire driving area of the vehicle with one neural network,
The number of neurons in the middle layer of the neural network is significantly reduced, and the time required for yaw rate estimation is also reduced. In addition, the yaw rate can be accurately estimated accurately over the entire movement region of the vehicle without causing a step difference between the regions.
【００１９】請求項６記載の発明では、直進時に左右輪
のタイヤ径等に起因するヨーレートの定常偏差を求め、
推定ヨーレート値に対し該定常偏差を補正しているた
め、ヨーレートの推定精度がより高められる。According to the sixth aspect of the invention, the steady-state deviation of the yaw rate due to the tire diameters of the left and right wheels, etc., is calculated when going straight,
Since the steady-state deviation is corrected with respect to the estimated yaw rate value, the yaw rate estimation accuracy can be further improved.
【００２０】[0020]
【実施例】以下、本発明の実施例を図面に基づいて説明
する。Embodiments of the present invention will be described below with reference to the drawings.
【００２１】図１は本発明の第１実施例に係わる車両の
ヨーレート推定装置のブロック線図である。図１におい
て、１は右車輪の所定時間当りの回転数である車輪速を
検出する右車輪速センサ、２は左車輪の車輪速を検出す
る左車輪速センサ、３は操舵輪である前輪の操舵角を検
出する操舵角検出手段としての操舵角センサである。上
記両車輪速センサ１，２で検出された車輪速Ｗr ，Ｗl
は加算点４で互いに減算されることにより左右輪の回転
差（詳しくは所定時間当りの回転数差ないし回転速度
差）Ｒv が算出されるようになっており、車輪速センサ
１，２及び加算点４により、左右輪の回転差を検出する
回転差検出手段５が構成されている。上記回転差Ｒv
は、フィルター６を通して正規化処理部７に入力され
る。FIG. 1 is a block diagram of a vehicle yaw rate estimating device according to a first embodiment of the present invention. In FIG. 1, 1 is a right wheel speed sensor that detects a wheel speed that is the number of rotations of a right wheel per predetermined time, 2 is a left wheel speed sensor that detects a wheel speed of a left wheel, and 3 is a front wheel that is a steered wheel. It is a steering angle sensor as a steering angle detecting means for detecting a steering angle. Wheel speeds Wr and Wl detected by the two wheel speed sensors 1 and 2
Are subtracted from each other at an addition point 4 to calculate a rotation difference (specifically, a rotation speed difference or rotation speed difference per predetermined time) Rv between the left and right wheels. The point 4 constitutes a rotation difference detecting means 5 for detecting the rotation difference between the left and right wheels. Above rotation difference Rv
Is input to the normalization processing unit 7 through the filter 6.
【００２２】上記両車輪速センサ１，２で検出された車
輪速Ｗr ，Ｗl は加算点１１で互いに加算されるととも
に、この加算値は係数積算部１２で１／２倍されること
により車速Ｖが算出されるようになっており、車輪速セ
ンサ１，２、加算点１１及び係数積算部１２により、車
速Ｖを検出する車速検出手段１３が構成されている。車
速Ｖは正規化処理部７に入力される。上記操舵角センサ
３で検出された操舵角Ｆs も正規化処理部７に入力され
る。また、操舵角Ｆs は、加算点１４に対し、そのまま
入力されるとともに、遅延回路１５で１計測タイミング
遅れた後に入力され、該加算点１４でこの両入力値が互
いに減算されることにより操舵速度Ｄfsが算出されるよ
うになっており、操舵角センサ３に加えて加算点１４と
遅延回路１５とにより、操舵速度Ｄfsを検出する操舵速
度検出手段１６が構成されている。上記操舵速度Ｄfsも
正規化処理部７に入力される。The wheel speeds Wr and Wl detected by the two wheel speed sensors 1 and 2 are added to each other at an addition point 11, and the added value is halved by a coefficient integration section 12 to reduce the vehicle speed V. Is calculated, and the wheel speed sensors 1 and 2, the addition point 11, and the coefficient integration unit 12 constitute a vehicle speed detection unit 13 that detects the vehicle speed V. The vehicle speed V is input to the normalization processing unit 7. The steering angle Fs detected by the steering angle sensor 3 is also input to the normalization processing unit 7. Further, the steering angle Fs is input to the addition point 14 as it is, and is also input after a delay of one measurement timing in the delay circuit 15, and the both input values are subtracted from each other at the addition point 14 to obtain the steering speed. Dfs is calculated, and the addition point 14 and the delay circuit 15 in addition to the steering angle sensor 3 constitute a steering speed detecting means 16 for detecting the steering speed Dfs. The steering speed Dfs is also input to the normalization processing unit 7.
【００２３】上記正規化処理部７に各々入力して正規化
された左右輪の回転差正規化値Ｒvn、車速正規化値Ｖn
、操舵角正規化値Ｆsn及び操舵速度正規化値Ｄfsn
は、それぞれ第１、第２及び第３の１次ヨーレート値演
算部２１，２２，２３に入力される。上記各１次ヨーレ
ート値演算部２１〜２３は、いずれも左右輪の回転差正
規化値Ｒvnと車速正規化値Ｖn と操舵角正規化値Ｆsnと
操舵速度正規化値Ｄfsn とを入力変数としかつ中間層に
複数（本実施例の場合は６個）のニューロンを有するニ
ューラルネットワークにより構成されており、ニューラ
ルネットワーク演算により１次ヨーレート値φ1 ，φ2
，φ3 を算出する。これらのうち、第１の１次ヨーレ
ート値演算部２１は直進付近用に設定されたものであ
り、第２の１次ヨーレート値演算部２２は定常旋回領域
用に設定されたものであり、第３の１次ヨーレート値演
算部２３は急旋回の非線形領域用に設定されたものであ
る。各１次ヨーレート値演算部２１〜２３で算出された
１次ヨーレート値φ1 ，φ2 ，φ3は、いずれも推定ヨ
ーレート値演算部２４に入力される。The rotation difference normalization value Rvn and the vehicle speed normalization value Vn of the left and right wheels, which are respectively input to the normalization processing unit 7 and are normalized.
, Steering angle normalized value Fsn and steering speed normalized value Dfsn
Are input to the first, second and third primary yaw rate value calculation units 21, 22, 23, respectively. Each of the primary yaw rate value calculation units 21 to 23 uses the left and right wheel rotation difference normalized value Rvn, the vehicle speed normalized value Vn, the steering angle normalized value Fsn, and the steering speed normalized value Dfsn as input variables. The intermediate layer is composed of a neural network having a plurality of neurons (six in the case of this embodiment), and the primary yaw rate values φ1 and φ2 are calculated by the neural network.
, Φ3 is calculated. Of these, the first primary yaw rate value calculation unit 21 is set for near straight travel, and the second primary yaw rate value calculation unit 22 is set for steady turn area. The first-order yaw rate value calculation unit 23 of No. 3 is set for a non-linear region of a sharp turn. The primary yaw rate values φ1, φ2, φ3 calculated by the primary yaw rate value computing units 21 to 23 are all input to the estimated yaw rate value computing unit 24.
【００２４】また、操舵角センサ３で検出された操舵角
Ｆs は、適合度算出部２５に入力される。該適合度算出
部２５は、図６に示すようなメンバーシップ関数（詳し
くは後述する）を用いて、上記三つの１次ヨーレート値
φ1 ，φ2 ，φ3 に各々対応する適合度Ｇ1 ，Ｇ2 ，Ｇ
3 を求めるようになっており、この適合度Ｇ1 〜Ｇ3
は、上記推定ヨーレート値演算部２４に入力される。該
推定ヨーレート値演算部２４は、三つの１次ヨーレート
値φ1 ，φ2 ，φ3 とこれらの適合度Ｇ1 〜Ｇ3とから
推定ヨーレート値φを下記の式 φ＝Ｇ1 ×φ1 ＋Ｇ2 ×φ2 ＋Ｇ3 ×φ3 … により算出する。Further, the steering angle Fs detected by the steering angle sensor 3 is input to the fitness calculating section 25. The goodness-of-fit calculation unit 25 uses the membership function as shown in FIG. 6 (details will be described later), and the goodness-of-fit G1, G2, G corresponding to the three primary yaw rate values φ1, φ2, φ3, respectively.
3 is required, and the goodness of fit G1 to G3
Is input to the estimated yaw rate value calculator 24. The estimated yaw rate value calculation unit 24 calculates the estimated yaw rate value φ from the three primary yaw rate values φ1, φ2, φ3 and the matching degrees G1 to G3 of the following equation: φ = G1 × φ1 + G2 × φ2 + G3 × φ3 ... Calculate by
【００２５】上記推定ヨーレート値演算部２４で算出さ
れた推定ヨーレート値φは、推定ヨーレート値補正部２
６及び記憶部２７に入力される。上記記憶部２７には、
回転差検出手段５で検出された左右輪回転差Ｒv 及び車
速検出手段１３で検出された車速Ｖも入力される一方、
該記憶部２７に記憶された情報（過去の左右輪回転差Ｒ
v と車速Ｖと推定ヨーレート値φ）は、推定ヨーレート
値補正部２６に入力される。該推定ヨーレート値補正部
２６は、車両の直進時に推定ヨーレート値φの誤差であ
る定常偏差を求めるとともに、推定ヨーレート値φに対
し該定常偏差を補正するように設けられている。該補正
部２６で補正された推定ヨーレート値φがヨーレート推
定装置の出力信号である。The estimated yaw rate value φ calculated by the estimated yaw rate value calculator 24 is calculated by the estimated yaw rate value corrector 2
6 and the storage unit 27. In the storage unit 27,
The left and right wheel rotation difference Rv detected by the rotation difference detection means 5 and the vehicle speed V detected by the vehicle speed detection means 13 are also input.
Information stored in the storage unit 27 (past left / right wheel rotation difference R
The v, the vehicle speed V, and the estimated yaw rate value φ) are input to the estimated yaw rate value correction unit 26. The estimated yaw rate value correction unit 26 is provided so as to obtain a steady-state deviation that is an error of the estimated yaw rate value φ when the vehicle goes straight, and to correct the steady-state deviation for the estimated yaw rate value φ. The estimated yaw rate value φ corrected by the correction unit 26 is the output signal of the yaw rate estimation device.
【００２６】次に、上記第１実施例のヨーレート推定装
置において、ヨーレートを推定する場合の動作手順であ
るヨーレート推定方法について、図２に示すメインフロ
ーチャートに従って説明する。Next, a yaw rate estimating method, which is an operation procedure for estimating a yaw rate in the yaw rate estimating apparatus of the first embodiment, will be described with reference to the main flow chart shown in FIG.
【００２７】図２において、先ず、ステップＳ1 で計測
タイミングとなるのを待った後、ステップＳ2 で車両運
動情報としての右車輪速Ｗr 及び左車輪速Ｗl をそれぞ
れ車輪速センサ１，２により計測するとともに、ステッ
プＳ3 でドライバー操作情報としての操舵角Ｆs を操舵
角センサ３により計測する。続いて、ステップＳ4 にお
いて上記右車輪速Ｗr と左車輪速Ｗl との差分である左
右輪回転差Ｒv を加算点４で求めるとともに、該左右輪
回転差Ｒv に対しフィルター６でフィルター計算をす
る。この左右輪回転差Ｒv のフィルター計算は、下記の
式 Ｒvf＝Filter（Ｗl −Ｗr ） ＝ｂ(1) ・Ｒv(t)＋ｂ(2) ・Ｒv(t-1)＋ｂ(3) ・Ｒv(t-3) ＋ｂ(4) ・Ｒv(t-4)＋ｂ(5) ・Ｒv(t-5)−ａ(2) ・Ｒvf(t-1) −ａ(3) ・Ｒvf(t-2) −ａ(4) ・Ｒvf(t-4) −ａ(5) ・Ｒvf(t-5) … により行う。但し、フィルター定数は、例えば ａ＝［1.0 -2.5562 2.6311 -1.2487 0.2299 ］ ｂ＝［0.0199 -0.0052 0.0266 -0.0052 0.0199］ である。In FIG. 2, first, after waiting for the measurement timing in step S1, the right wheel speed Wr and the left wheel speed Wl as vehicle motion information are measured by the wheel speed sensors 1 and 2, respectively, in step S2. In step S3, the steering angle Fs as driver operation information is measured by the steering angle sensor 3. Then, in step S4, the left / right wheel rotation difference Rv, which is the difference between the right wheel speed Wr and the left wheel speed Wl, is obtained at the addition point 4, and the filter calculation is performed by the filter 6 on the left / right wheel rotation difference Rv. The filter calculation of the left-right wheel rotation difference Rv is performed by the following equation Rvf = Filter (Wl-Wr) = b (1) -Rv (t) + b (2) -Rv (t-1) + b (3) -Rv ( t-3) + b (4) -Rv (t-4) + b (5) -Rv (t-5) -a (2) -Rvf (t-1) -a (3) -Rvf (t-2) -A (4) -Rvf (t-4) -a (5) -Rvf (t-5) ... However, the filter constant is, for example, a = [1.0-2.5562 2.6311-1.2487 0.2299] b = [0.0199-0.0052 0.0266-0.0052 0.0199].
【００２８】上記フィルター計算の後、ステップＳ5 で
正規化処理部７にてその入力情報である左右輪回転差Ｒ
v 、車速Ｖ、操舵角Ｆs 及び操舵速度Ｄfsを正規化す
る。この正規化計算は、下記の式 Ｒvn＝Ｒv ／２ Ｖn ＝（Ｖ−７０）／７０ Ｆsn＝Ｆs ／５ Ｄfsn ＝（Ｆs （ｔ）−Ｆs （ｔ−１））／２０ Ｐ＝［Ｒvn，Ｖn ，Ｆsn，Ｄfsn ］t … により行う。After the above filter calculation, in step S5, the normalization processing section 7 inputs the left / right wheel rotation difference R which is the input information.
The v, the vehicle speed V, the steering angle Fs, and the steering speed Dfs are normalized. This normalization calculation is performed by the following equation: Rvn = Rv / 2 Vn = (V-70) / 70 Fsn = Fs / 5 Dfsn = (Fs (t) -Fs (t-1)) / 20 P = [Rvn, Vn, Fsn, Dfsn] t ...
【００２９】続いて、ステップＳ6 ，Ｓ7 ，Ｓ8 でそれ
ぞれ第１、第２及び第３の１次ヨーレート値演算部２１
〜２３にて左右輪回転差正規化値Ｒvnと車速正規化値Ｖ
n と操舵角正規化値Ｆsnと操舵速度正規化値Ｄfsn とを
入力変数とするニューラルネットワーク演算をして１次
ヨーレート値φ1 〜φ3 を算出する。このニューラルネ
ットによる１次ヨーレート値の算出（ニューラルネット
計算）は、図３に示すフローチャートに従って行う。Subsequently, in steps S6, S7 and S8, the first, second and third primary yaw rate value calculating units 21 are respectively executed.
Left to right wheel rotation difference normalized value Rvn and vehicle speed normalized value V
Neural network operations using n, the steering angle normalized value Fsn, and the steering speed normalized value Dfsn as input variables are performed to calculate the primary yaw rate values φ1 to φ3. The calculation of the primary yaw rate value by this neural network (neural network calculation) is performed according to the flowchart shown in FIG.
【００３０】続いて、ステップＳ9 で適合度算出部２５
にて上記各１次ヨーレート値φ1 〜φ3 に対応した適合
度Ｇ1 〜Ｇ3 をファジィ演算により求める。この適合度
Ｇ1〜Ｇ3 のファジィ演算は、図５に示すフローチャー
トに従って行う。次に、ステップＳ10で推定ヨーレート
値演算部２４にて１次ヨーレート値φ1 〜φ3 と適合度
Ｇ1 〜Ｇ3 とから推定ヨーレート値φを下記の式 φ＝Ｇ1 ×φ1 ＋Ｇ2 ×φ2 ＋Ｇ3 ×φ3 … により算出する。Then, in step S9, the fitness calculating section 25
Then, the goodnesses of fit G1 to G3 corresponding to the respective primary yaw rate values .phi.1 to .phi.3 are obtained by fuzzy calculation. The fuzzy calculation of the conformances G1 to G3 is performed according to the flowchart shown in FIG. Next, in step S10, the estimated yaw rate value calculating unit 24 calculates the estimated yaw rate value φ from the primary yaw rate values φ1 to φ3 and the goodness of fit G1 to G3 by the following equation φ = G1 × φ1 + G2 × φ2 + G3 × φ3 ... calculate.
【００３１】しかる後、ステップＳ11で推定ヨーレート
値補正部２６にて上記推定ヨーレート値φに対し定常偏
差の補正をする。この定常偏差の補正は、図７に示すフ
ローチャートに従って行う。そして、ステップＳ12で上
記定常偏差補正後の推定ヨーレート値φを出力し、ステ
ップＳ1 に戻る。Then, in step S11, the estimated yaw rate correction unit 26 corrects the steady-state deviation of the estimated yaw rate value φ. This correction of the steady deviation is performed according to the flowchart shown in FIG. Then, in step S12, the estimated yaw rate value φ after the steady-state deviation correction is output, and the process returns to step S1.
【００３２】次に、ニューラルネットの計算について、
図３に示すフローチャートに従って説明する。Next, regarding the calculation of the neural network,
Description will be given according to the flowchart shown in FIG.
【００３３】図３において、先ず、ステップＳ21で正規
化情報Ｐ（左右輪回転差正規化値Ｒvnと車速正規化値Ｖ
n と操舵角正規化値Ｆsnと操舵速度正規化値Ｄfsn ）を
入力した後、ステップＳ22でこの正規化情報Ｐと中間層
重み係数Ｗ1 （ｉ，ｊ）とのマトリックス積Ｕ0 を求
め、ステップＳ23でこのマトリックスＵ0 に中間層バイ
アス係数Ｂ1 （ｉ）を加算し、その値を新たにマトリッ
クスＵ0 と置換える。ここで、ｉは中間層のニューロン
数、ｊは入力数であり、本実施例の場合はｉ＝６，ｊ＝
４である。In FIG. 3, first, in step S21, the normalization information P (left and right wheel rotation difference normalization value Rvn and vehicle speed normalization value V
After inputting n, the steering angle normalized value Fsn, and the steering speed normalized value Dfsn), a matrix product U0 of the normalized information P and the intermediate layer weighting coefficient W1 (i, j) is obtained in step S22, and step S23. Then, the intermediate layer bias coefficient B1 (i) is added to this matrix U0, and the value is newly replaced with the matrix U0. Here, i is the number of neurons in the intermediate layer and j is the number of inputs. In the case of this embodiment, i = 6 and j =
It is 4.
【００３４】続いて、ステップＳ24で上記マトリックス
Ｕ0 の正接双曲線関数である中間層伝達関数Ｕ（＝ｔａ
ｎｈ（Ｕ0 ））を計算する。中間層伝達関数に正接双曲
線関数を用いたのは、入力が正負両方に分布することに
対応したものである。この中間層伝達関数Ｕの計算は、
図４に示すフローチャートに従って行う。しかる後、ス
テップＳ25で上記中間層伝達関数Ｕと出力層重み係数Ｗ
2 （ｉ）とのマトリックス積である１次ヨーレート値φ
1 〜3 を求め、ステップＳ16でこの１次ヨーレート値φ
1 〜3 に出力層バイアス係数Ｂ2 を加算し、その値を新
たに１次ヨーレート値φ1 〜3 と置換える。その後メイ
ンフローチャートに戻る。Then, in step S24, the intermediate layer transfer function U (= ta), which is the tangent hyperbolic function of the matrix U0.
nh (U0)) is calculated. The use of the tangent hyperbolic function as the intermediate layer transfer function corresponds to the fact that the input is distributed in both positive and negative. The calculation of this intermediate layer transfer function U is
This is performed according to the flowchart shown in FIG. Then, in step S25, the intermediate layer transfer function U and the output layer weighting coefficient W are obtained.
2 (i) Matrix product of primary yaw rate φ
1 to 3 are obtained, and in step S16, this primary yaw rate value φ
The output layer bias coefficient B2 is added to 1 to 3, and the value is newly replaced with the primary yaw rate values φ1 to φ3. After that, the process returns to the main flowchart.
【００３５】尚、中間層重み係数Ｗ1 、中間層バイアス
係数Ｂ1 、出力層重み係数Ｗ2 及び出力層バイアス係数
Ｂ2 は、バックプロパゲーション法を用いた学習によ
り、本実施例に係わるヨーレート推定装置の製造前に全
装置共通に決定されたものである。また、直進付近用の
ニューラルネットワーク（第１の１次ヨーレート値演算
部２１）ではこれらの係数Ｗ1 ，Ｗ2 ，Ｂ1 ，Ｂ2 が直
進付近での学習により、定常旋回領域用のニューラルネ
ットワーク（第２の１次ヨーレート値演算部２２）では
これらの係数Ｗ1 ，Ｗ2 ，Ｂ1 ，Ｂ2 が定常旋回領域で
の学習により、急旋回の非線形領域用のニューラルネッ
トワーク（第３の１次ヨーレート値演算部２３）ではこ
れらの係数Ｗ1 ，Ｗ2 ，Ｂ1 ，Ｂ2 が急旋回の非線形領
域での学習によりそれぞれ決定されている。The intermediate layer weighting coefficient W1, the intermediate layer bias coefficient B1, the output layer weighting coefficient W2, and the output layer bias coefficient B2 are manufactured by learning using the back propagation method to manufacture the yaw rate estimating apparatus according to this embodiment. It was previously determined for all devices. Further, in the neural network for straight traveling (first first yaw rate value calculation unit 21), these coefficients W1, W2, B1, and B2 are learned in the vicinity of straight traveling to obtain a neural network for steady turning area (second In the first-order yaw rate value calculation unit 22), these coefficients W1, W2, B1, and B2 are learned in the steady turning region, so that in the neural network for the non-linear region of the sharp turn (the third first-order yaw rate value calculation unit 23). These coefficients W1, W2, B1 and B2 are respectively determined by learning in the non-linear region of a sharp turn.
【００３６】次に、中間層伝達関数Ｕの計算について、
図４に示すフローチャートに従って説明する。Next, regarding the calculation of the intermediate layer transfer function U,
Description will be given according to the flowchart shown in FIG.
【００３７】図４において、先ず、ステップＳ31で変数
ｉｉに１をセットした後、ステップＳ32でマトリックス
の値Ｕ0 （ｉｉ）が正であるか負であるかを判定する。
正であるときにはステッブＳ33でフラグｆをリセット
し、ステップＳ36へ移行する一方、負であるときにはス
テップＳ34でフラグｆをセットし、ステップＳ35でマト
リックスの値Ｕ0 （ｉｉ）にマイナス符号を掛けて正の
値に置換えた後、ステップＳ36へ移行する。ステップＳ
36では予め作成されたマップを用いて上記値Ｕ0（ｉ
ｉ）に対応した中間層伝達関数値Ｕ（ｉｉ）を算出す
る。上記マップは、Ｕ＝ｔａｎｈ（Ｕ0 ）を０≦Ｕ0 ≦
２０の範囲で表現したものである。このようにマップを
用いて中間層伝達関数値Ｕ（ｉｉ）を算出すると計算時
間を節約することができる。In FIG. 4, first, in step S31, the variable ii is set to 1, and in step S32, it is determined whether the matrix value U0 (ii) is positive or negative.
If it is positive, the flag f is reset in step S33, and the process proceeds to step S36. If it is negative, the flag f is set in step S34, and the matrix value U0 (ii) is multiplied by a minus sign in step S35 to be positive. After replacing with the value of, the process proceeds to step S36. Step S
At 36, the above value U0 (i
The intermediate layer transfer function value U (ii) corresponding to i) is calculated. In the above map, U = tanh (U0) where 0≤U0≤
It is expressed in the range of 20. When the intermediate layer transfer function value U (ii) is calculated using the map in this way, the calculation time can be saved.
【００３８】しかる後、ステップＳ37でフラグｆがセッ
トされているか否かを判定し、セットされているときつ
まり先にマトリックスの値Ｕ0 （ｉｉ）を正の値にして
いるときには、ステップＳ38でこの値にマイナス符号を
掛けて元の負の値に戻す。続いて、ステップＳ39で変数
ｉｉを１カウントアップした後、ステップＳ40で変数ｉ
ｉがニューラルネットワークの入力情報の次数ｉより大
きいか否かを判定する。この判定がＮＯのときにはステ
ップＳ32に戻る一方、判定がＹＥＳのときには中間層伝
達関数Ｕを終了し、ニューラルネット計算に戻る。Thereafter, in step S37, it is determined whether or not the flag f is set. If the flag f is set, that is, if the matrix value U0 (ii) is set to a positive value, then this is determined in step S38. Multiply the value by a minus sign to restore the original negative value. Then, after incrementing the variable ii by 1 in step S39, the variable i is incremented in step S40.
It is determined whether i is larger than the order i of the input information of the neural network. When the determination is NO, the process returns to step S32, while when the determination is YES, the intermediate layer transfer function U is terminated and the process returns to the neural network calculation.
【００３９】次に、各ニューラルネット適合度のファジ
ィ演算について、図５に示すフローチャートに従って説
明する。Next, the fuzzy calculation of each neural network fitness will be described with reference to the flowchart shown in FIG.
【００４０】図５において、先ず、ステップＳ51で第１
〜第３の１次ヨーレート値演算部２１〜２３の各ニュー
ラルネットに対応するメンバーシップ関数μｍ1 ，μｍ
2 ，μｍ3 を認識する。これらのメンバーシップ関数μ
ｍ1 ，μｍ2 ，μｍ3 は、図６に示すように横軸に操舵
角Ｆs （詳しくはその絶対値｜Ｆs ｜）を、縦軸に係数
ｇを各々とって表される。続いて、ステップＳ52で現時
点の操舵角Ｆs （詳しくはその絶対値｜Ｆs ｜）に対応
したメンバーシップ関数値ｇ1 ，ｇ2 ，ｇ3 を設定し、
ステップＳ53で各ニューラルネット適合度Ｇ1 〜Ｇ3
を、下記の式 Ｇ1 ＝ｇ1 ／（ｇ1 ＋ｇ2 ＋ｇ3 ） Ｇ2 ＝ｇ2 ／（ｇ1 ＋ｇ2 ＋ｇ3 ） Ｇ3 ＝ｇ3 ／（ｇ1 ＋ｇ2 ＋ｇ3 ） により計算する。その後メインフローチャートに戻る。In FIG. 5, first, in step S51, the first
~ Membership functions μm1 and μm corresponding to the neural networks of the third primary yaw rate value calculation units 21 to 23
Recognize 2, μm3. These membership functions μ
As shown in FIG. 6, m1, .mu.m2, and .mu.m3 are represented by the steering angle Fs (specifically, absolute value | Fs |) on the horizontal axis and the coefficient g on the vertical axis. Then, in step S52, the membership function values g1, g2, g3 corresponding to the steering angle Fs at present (specifically, the absolute value | Fs |) are set,
In step S53, each neural network conformance G1 to G3
Is calculated by the following formula G1 = g1 / (g1 + g2 + g3) G2 = g2 / (g1 + g2 + g3) G3 = g3 / (g1 + g2 + g3). After that, the process returns to the main flowchart.
【００４１】ここで、図６に示すメンバーシップ関数μ
ｍ1 ，μｍ2 ，μｍ3 からは、操舵角Ｆs が小さい直進
付近では第１つまり直進付近用の１次ヨーレート値演算
部２１のニューラルネット適合度Ｇ1 が最も大きな値に
なり、操舵角Ｆs が中程度の定常旋回領域では第２つま
り定常旋回領域用の１次ヨーレート値演算部２２のニュ
ーラルネット適合度Ｇ2 が最も大きな値になり、操舵角
Ｆs がかなり大きい非線形領域では第３つまり非線形領
域用の１次ヨーレート値演算部２３のニューラルネット
適合度Ｇ3 が最も大きな値になる。Here, the membership function μ shown in FIG.
From m1, μm2, and μm3, the neural network suitability G1 of the first yaw rate value calculation unit 21 for the first or near-straight ahead has the largest value near the straight ahead where the steering angle Fs is small, and the steering angle Fs is medium. In the steady turning region, the neural net suitability G2 of the second or steady turning region primary yaw rate value calculation unit 22 has the largest value, and in the non-linear region where the steering angle Fs is considerably large, the third or non-linear region primary The neural network compatibility G3 of the yaw rate calculation unit 23 becomes the largest value.
【００４２】次に、ヨーレートの定常偏差補正につい
て、図７に示すフローチャートに従って説明する。Next, the steady deviation correction of the yaw rate will be described with reference to the flowchart shown in FIG.
【００４３】図７において、先ず、ステップＳ61で補正
テーブル作成時間ｉｌを、図８に示すマップを用いて決
定する。図８のマップは、中車速域では車速Ｖが大きく
なる従って補正テーブル作成時間ｉｌが小さくなるよう
に設定されている。これは、車速Ｖの大きさに拘らず、
常に略一定の走行距離で補正テーブルを作成するためで
ある。In FIG. 7, first, in step S61, the correction table creation time il is determined using the map shown in FIG. The map in FIG. 8 is set so that the vehicle speed V increases in the medium vehicle speed range, and thus the correction table creation time il decreases. This is regardless of the vehicle speed V
This is because the correction table is always created with a substantially constant traveling distance.
【００４４】続いて、ステップＳ62で車速検出手段１３
の計算出力である車速Ｖ、回転差検出手段５の計算出力
である左右輪回転差Ｒv 及び推定ヨーレート値演算部２
４の計算出力である推定ヨーレート値φを記憶する。こ
の記憶は、記憶部２７において、各計算出力毎にデータ
を古い計測タイミング順にｍ個並べて行われる。以下、
車速、左右輪回転差及び推定ヨーレート値の記憶データ
は、それぞれＶm ，Ｒvm及びφm と表す。尚、ステップ
Ｓ62の記憶以外のヨーレート定常偏差補正の実行は、全
て推定ヨーレート値補正部２６で行われる。Then, in step S62, the vehicle speed detecting means 13
Of the vehicle speed V, which is the calculation output of the rotation difference detection means 5, and the left and right wheel rotation difference Rv, which is the calculation output of the rotation difference detection means 5, and the estimated yaw rate value calculation unit
The estimated yaw rate value φ, which is the calculated output of No. 4, is stored. This storage is performed in the storage unit 27 by arranging m pieces of data in order of old measurement timing for each calculation output. Less than,
The stored data of the vehicle speed, the left / right wheel rotation difference, and the estimated yaw rate value are represented as Vm, Rvm, and φm, respectively. It should be noted that the execution of the yaw rate steady-state deviation correction other than the storage in step S62 is all performed by the estimated yaw rate value correction unit 26.
【００４５】続いて、ステップＳ63で記憶回数ｉを１カ
ウントアップした後、ステップＳ64で先に求めた補正テ
ーブル作成時間ｉｌを計測間隔で除して補正テーブル作
成時間ｉｌを作成回数に置換える。そして、ステップＳ
65で記憶回数ｉが補正テーブル作成回数ｉｌを越えてい
るか否かを判定し、その判定がＮＯのときには直ちにス
テップＳ75へ移行してヨーレート補正値の計算を実行す
る。Subsequently, after the storage count i is incremented by 1 in step S63, the correction table creation time il previously obtained is divided by the measurement interval to replace the correction table creation time il with the creation count in step S64. And step S
At 65, it is determined whether or not the storage count i exceeds the correction table creation count il. If the determination is NO, the process immediately proceeds to step S75 and the yaw rate correction value is calculated.
【００４６】一方、上記ステップＳ65の判定がＹＥＳの
ときには、ステップＳ66で左右輪回転差の記憶データＲ
vmの標準偏差Ｒvsを求め、ステップＳ67で該標準偏差Ｒ
vsが所定値Ｒvlより大きいか否かを判定する。上記所定
値Ｒvlは、車両の直進走行時における左右輪回転差の変
動限界を意味する。従って、ステップＳ67は、結局、車
両の直進走行時であるか否かを判定しているのである。
そして、ステップＳ67の判定がＹＥＳの直進走行時以外
のときにはステップＳ73へ移行する一方、ステップＳ67
の判定がＮＯの直進走行時のときには、ステップＳ68で
推定ヨーレート値の記憶データφm の平均値（つまりヨ
ーレートの定常偏差である補正量）φcを計算するとと
もに、ステップＳ69で車速の記憶データＶm の平均値
（つまり平均車速）Ｖc を計算する。On the other hand, if the determination in step S65 is YES, the stored data R of the left / right wheel rotation difference is determined in step S66.
The standard deviation Rvs of vm is obtained, and the standard deviation Rvs is calculated in step S67.
It is determined whether vs is larger than a predetermined value Rvl. The predetermined value Rvl means the fluctuation limit of the left-right wheel rotation difference when the vehicle is traveling straight ahead. Therefore, in step S67, it is finally determined whether or not the vehicle is traveling straight ahead.
Then, when the determination in step S67 is other than YES when the vehicle is traveling straight, the process proceeds to step S73, while step S67.
When the determination is NO in the straight running, the average value (that is, the correction amount that is the steady-state deviation of the yaw rate) φc of the estimated yaw rate value stored data φm is calculated in step S68, and the stored data Vm of the vehicle speed is stored in step S69. Calculate an average value (that is, average vehicle speed) Vc.
【００４７】続いて、ステップＳ70で既存のデータ群Ｖ
t に今回の計測データの平均車速Ｖc を含めて車速補正
テーブルデータを並べ替えるとともに、ステップＳ71で
上記平均車速Ｖc の位置に応じて、図９に示すような既
存補正テーブルデータの中に今回の推定ヨーレート平均
値φc を挿入し、ステップＳ72で上記既存補正テーブル
データの推定ヨーレート値の定常偏差φt と車速Ｖt と
の関係から定常偏差の二次式（図９中の二次曲線）φcc φcc＝ａＶ2 ＋ｂＶ＋ｃ … を最小２乗法により決定する。Then, in step S70, the existing data group V
The vehicle speed correction table data is rearranged so that the average vehicle speed Vc of the measurement data of this time is included in t, and the existing correction table data shown in FIG. 9 is stored in the existing correction table data according to the position of the average vehicle speed Vc in step S71. An estimated yaw rate average value φc is inserted, and in step S72, a quadratic equation (a quadratic curve in FIG. 9) of steady-state deviation φcc φcc = from the relation between the steady-state deviation φt of the existing correction table data and the vehicle speed Vt. aV 2 + bV + c ... Is determined by the method of least squares.
【００４８】しかる後、ステップＳ73で車速、左右輪回
転差及び推定ヨーレート値の記憶データを全てクリアす
るとともに、ステップＳ74で記憶回数ｉを零にリセット
する。そして、ステップＳ75において、上記式から現
時点の車速Ｖに対応した推定ヨーレート値の定常偏差φ
t を求め、推定ヨーレート値演算部２４で算出した推定
ヨーレート値φから該定常偏差φt を減算する補正を行
う。その後メインフローチャートに戻る。Thereafter, in step S73, all the stored data of the vehicle speed, the left / right wheel rotation difference, and the estimated yaw rate value are cleared, and the stored number i is reset to zero in step S74. Then, in step S75, the steady-state deviation φ of the estimated yaw rate value corresponding to the current vehicle speed V is calculated from the above equation.
Then, t is obtained, and correction is performed by subtracting the steady-state deviation φt from the estimated yaw rate value φ calculated by the estimated yaw rate value calculator 24. After that, the process returns to the main flowchart.
【００４９】以上のように、第１実施例においては、車
両の直進付近用、定常旋回領域用及び急旋回の非線形領
域用に各々設定されたニューラルネットワークからなる
３つの１次ヨーレート値演算部２１〜２３を用意し、こ
れらの演算部２１〜２３で現時点の左右輪回転差Ｒv 、
車速Ｖ、操舵角Ｆs 及び操舵速度Ｄfsを入力情報とする
ニューラルネットワーク演算により１次ヨーレート値φ
1 〜φ3 を算出しているため、一つのニューラルネット
ワークでもって車両の全運転領域に亘ってヨーレートを
精度良く推定する場合に比べて、上記各演算部２１〜２
３のニューラルネットワーク中間層のニューロン数を大
幅に少なくすることができる。この結果、ニューラルネ
ットワーク演算全体ひいてはヨーレート推定に要する時
間を少なくすることができ、このヨーレート推定を実行
するコンピュータの負担を軽減することができる。As described above, in the first embodiment, the three primary yaw rate value calculators 21 each consisting of a neural network set for the straight-ahead traveling of the vehicle, for the steady turning region, and for the non-linear region of the steep turning are provided. To 23 are prepared, and the left and right wheel rotation difference Rv at the present time is calculated by these calculation units 21 to 23.
The primary yaw rate value φ is calculated by a neural network calculation using the vehicle speed V, the steering angle Fs and the steering speed Dfs as input information.
Since 1 to φ3 are calculated, the above calculation units 21 to 2 are compared with the case where the yaw rate is accurately estimated over the entire driving region of the vehicle by one neural network.
The number of neurons in the middle layer of the neural network 3 can be greatly reduced. As a result, it is possible to reduce the time required for the entire neural network calculation, and thus for the yaw rate estimation, and reduce the load on the computer that executes this yaw rate estimation.
【００５０】その上、上記３つの１次ヨーレート値演算
部２１〜２３で算出した１次ヨーレート値φ1 〜φ3
を、現時点の操舵角Ｆs に応じた適合度Ｇ1 〜Ｇ3 を用
いて式により合成して推定ヨーレート値φを算出して
いるため、直進付近と定常旋回領域との間及び定常旋回
領域と急旋回の非線形領域との間で推定ヨーレート値φ
が段差を生じることはなく、ヨーレートφを適切に推定
することができる。In addition, the primary yaw rate values φ1 to φ3 calculated by the above three primary yaw rate value computing units 21 to 23.
Since the estimated yaw rate value φ is calculated by synthesizing the estimated yaw rate value φ using the equations using the goodness-of-fit G1 to G3 corresponding to the steering angle Fs at the present time, the estimated yaw rate value φ is calculated. Estimated yaw rate value φ
Does not cause a step, and the yaw rate φ can be appropriately estimated.
【００５１】さらに、車両の直進走行時にはヨーレート
は実際には発生しないが、左右輪のタイヤ径の相違等に
起因してヨーレートが恰も発生しているかのように推定
ヨーレート値φc が算出されることがある。この時の推
定ヨーレート値φc を基にヨーレートの定常偏差φt を
求め、該定常偏差φt を上記推定ヨーレート値φから減
算して補正を行っているので、ヨーレートの推定精度を
より高めることができる。しかも、上記ヨーレートの定
常偏差φt を求めるに当たっては、該定常偏差φt が車
速Ｖに応じて異なることを考慮し、車速Ｖの二次関数式
として定常偏差の演算式φccを求めているので、定常偏
差φt を適切に算出してヨーレートの推定精度をより一
層高めることができる。Further, the yaw rate does not actually occur when the vehicle is traveling straight, but the estimated yaw rate value φc should be calculated as if the yaw rate were also generated due to differences in the tire diameters of the left and right wheels. There is. Since the steady-state deviation φt of the yaw rate is obtained based on the estimated yaw rate value φc at this time and the steady-state deviation φt is subtracted from the estimated yaw rate value φ for correction, the yaw rate estimation accuracy can be further improved. Moreover, in obtaining the steady-state deviation φt of the yaw rate, the steady-state deviation calculation expression φcc is obtained as a quadratic function expression of the vehicle speed V in consideration of the fact that the steady-state deviation φt differs depending on the vehicle speed V. The deviation φt can be appropriately calculated to further improve the estimation accuracy of the yaw rate.
【００５２】図１０は本発明の第２実施例に係わる車両
のヨーレート推定装置のブロック線図である。図１０に
おいて、３１は右車輪の所定時間当りの回転数である車
輪速を検出する右車輪速センサ、３２は左車輪の車輪速
を検出する左車輪速センサ、３３は操舵輪である前輪の
操舵角を検出する操舵角検出手段としての操舵角センサ
である。上記両車輪速センサ３１，３２で検出された車
輪速Ｗr ，Ｗl は加算点３４で互いに減算されることに
より左右輪の回転差Ｒv が算出されるようになってお
り、車輪速センサ３１，３２及び加算点３４により、左
右輪の回転差を検出する回転差検出手段３５が構成され
ている。上記回転差Ｒv はフィルター３６を通して、線
形式演算部３７及び正規化処理部３８にそれぞれ入力さ
れる。上記線形式演算部３７は、左右輪の回転差Ｒv を
基に円旋回時の幾何学的関係から導いた下記の線形式 φl ＝Ｒv ／ｄ … により１次ヨーレート値φl を算出する。但し、ｄはト
レッドである。この１次ヨーレート値φl は、推定ヨー
レート値演算部５２に入力される。FIG. 10 is a block diagram of a vehicle yaw rate estimating device according to the second embodiment of the present invention. In FIG. 10, 31 is a right wheel speed sensor that detects the wheel speed that is the number of rotations of the right wheel per predetermined time, 32 is a left wheel speed sensor that detects the wheel speed of the left wheel, and 33 is a front wheel that is a steered wheel. It is a steering angle sensor as a steering angle detecting means for detecting a steering angle. The wheel speeds Wr and Wl detected by the two wheel speed sensors 31 and 32 are subtracted from each other at an addition point 34 to calculate the rotation difference Rv between the left and right wheels. And the addition point 34 constitutes a rotation difference detection means 35 for detecting the rotation difference between the left and right wheels. The rotation difference Rv is input to the linear calculation unit 37 and the normalization processing unit 38 through the filter 36. The linear-form calculation unit 37 calculates the primary yaw rate value φl by the following linear form φl = Rv / d ... However, d is a tread. The primary yaw rate value φl is input to the estimated yaw rate value calculator 52.
【００５３】上記両車輪速センサ３１，３２で検出され
た車輪速Ｗr ，Ｗl は加算点４１で互いに加算されると
ともに、この加算値は係数積算部４２で１／２倍される
ことにより車速Ｖが算出されるようになっており、車輪
速センサ３１，３２、加算点４１及び係数積算部４２に
より、車速Ｖを検出する車速検出手段４３が構成されて
いる。車速Ｖは正規化処理部３８に入力される。上記操
舵角センサ３３で検出された操舵角Ｆs も正規化処理部
３８に入力される。また、操舵角Ｆs は、加算点４４に
対し、そのまま入力されるとともに、遅延回路４５で１
計測タイミング遅れた後に入力され、該加算点４４でこ
の両入力値が互いに減算されることにより操舵速度Ｄfs
が算出されるようになっており、操舵角センサ３３に加
えて加算点４４と遅延回路４５とにより、操舵速度Ｄfs
を検出する操舵速度検出手段４６が構成されている。上
記操舵速度Ｄfsも正規化処理部３８に入力される。The wheel speeds Wr and Wl detected by the two wheel speed sensors 31 and 32 are added to each other at an addition point 41, and the added value is multiplied by 1/2 in a coefficient integrating section 42 to obtain a vehicle speed V. Is calculated, and the wheel speed sensors 31 and 32, the addition point 41, and the coefficient integration unit 42 constitute a vehicle speed detection means 43 that detects the vehicle speed V. The vehicle speed V is input to the normalization processing unit 38. The steering angle Fs detected by the steering angle sensor 33 is also input to the normalization processing unit 38. Further, the steering angle Fs is directly input to the addition point 44, and the delay circuit 45 sets 1
The steering speed Dfs is input after the measurement timing is delayed, and both input values are subtracted from each other at the addition point 44.
The steering speed Dfs is calculated by the addition point 44 and the delay circuit 45 in addition to the steering angle sensor 33.
Steering speed detecting means 46 for detecting The steering speed Dfs is also input to the normalization processing unit 38.
【００５４】上記正規化処理部３８に各々入力して正規
化された左右輪の回転差正規化値Ｒvn、車速正規化値Ｖ
n 、操舵角正規化値Ｆsn及び操舵速度正規化値Ｄfsn
は、ニューラルネット演算部５１に入力される。該ニュ
ーラルネット演算部５１は、左右輪の回転差正規化値Ｒ
vnと車速正規化値Ｖn と操舵角正規化値Ｆsnと操舵速度
正規化値Ｄfsn とを入力変数としかつ中間層に複数（本
実施例の場合は６個）のニューロンを有するニューラル
ネットワークにより構成されており、ニューラルネット
ワーク演算により１次ヨーレート値φn を算出する。ま
た、ニューラルネット演算部５１は、車両の運転領域の
うち、特に急旋回の非線形領域用に設定されたものであ
る。ニューラルネット演算部５１で算出された１次ヨー
レート値φn は、推定ヨーレート値演算部５２に入力さ
れる。The rotation difference normalization value Rvn and the vehicle speed normalization value V of the left and right wheels which are respectively input to the normalization processing unit 38 and normalized.
n, steering angle normalized value Fsn and steering speed normalized value Dfsn
Is input to the neural network calculation unit 51. The neural network calculation unit 51 uses the rotation difference normalized value R of the left and right wheels.
vn, a vehicle speed normalized value Vn, a steering angle normalized value Fsn, and a steering speed normalized value Dfsn are used as input variables, and a neural network having a plurality of neurons (six in the case of this embodiment) is formed in the intermediate layer. Therefore, the primary yaw rate value φn is calculated by the neural network calculation. The neural network calculation unit 51 is set for a non-linear region of a sharp turn, of the driving region of the vehicle. The primary yaw rate value φn calculated by the neural network calculation unit 51 is input to the estimated yaw rate value calculation unit 52.
【００５５】また、操舵角センサ３３で検出された操舵
角Ｆs は、配分比算出部５３に入力される。該配分比算
出部５３は、図１１に示すようなマップを用いて、配分
比ｋ（０≦ｋ≦１）を求めるようになっており、この配
分比ｋは、上記推定ヨーレート値演算部５２に入力され
る。該推定ヨーレート値演算部５２は、線形式による１
次ヨーレート値φl 及びニューラルネットワーク演算に
よる１次ヨーレート値φn とこれらの配分比ｋとから推
定ヨーレート値φを下記の式 φ＝ｋ×φl ＋（１−ｋ）×φn … により算出する。The steering angle Fs detected by the steering angle sensor 33 is input to the distribution ratio calculation unit 53. The distribution ratio calculation unit 53 is adapted to obtain a distribution ratio k (0 ≦ k ≦ 1) using a map as shown in FIG. 11, and this distribution ratio k is the estimated yaw rate value calculation unit 52. Entered in. The estimated yaw rate value calculation unit 52 uses the linear format 1
The estimated yaw rate value φ is calculated from the next yaw rate value φl, the primary yaw rate value φn by the neural network calculation and the distribution ratio k of these values by the following equation φ = k × φl + (1-k) × φn.
【００５６】ここで、図１１のマップでは、操舵角Ｆs
（詳しくはその絶対値｜Ｆs ｜）が小さい直進付近では
配分比ｋが１．０、操舵角Ｆs がかなり大きい非線形領
域では配分比ｋが０、直進付近と非線形領域との間の定
常旋回領域では配分比ｋが操舵角Ｆs の増加に伴い一次
関数的に小さくなるように設定される。従って、推定ヨ
ーレート値補正部５４は、結局、直進付近では線形式
による１次ヨーレート値φl を推定ヨーレート値φと
し、非線形領域ではニューラルネットワーク演算による
１次ヨーレート値φn を推定ヨーレート値φとし、定常
旋回領域では上記二つの１次ヨーレート値φl ，φn を
配分比ｋで合成して推定ヨーレート値φを算出する。ま
た、配分比算出部５３は、車両の運転領域を操舵角Ｆs
に基づいて直進付近と定常旋回領域と急旋回の非線形領
域とに判別する判別手段としての機能を有する。Here, in the map of FIG. 11, the steering angle Fs
(Specifically, the distribution ratio k is 1.0 in the vicinity of straight running where the absolute value | Fs |) is small, and the distribution ratio k is 0 in the non-linear region where the steering angle Fs is considerably large. Then, the distribution ratio k is set to decrease linearly as the steering angle Fs increases. Accordingly, the estimated yaw rate value correction unit 54 eventually sets the linear yaw rate primary yaw rate value φl to the estimated yaw rate value φ, and the linear yaw rate value φn calculated by the neural network operation to the estimated yaw rate value φ in the non-linear region. In the turning region, the above-described two primary yaw rate values φl and φn are combined with the distribution ratio k to calculate the estimated yaw rate value φ. Further, the distribution ratio calculation unit 53 changes the vehicle operating region to the steering angle Fs.
On the basis of the above, it has a function as a discrimination means for discriminating between a straight traveling area, a steady turning area, and a non-linear area of a sharp turning.
【００５７】上記推定ヨーレート値演算部５２で算出さ
れた推定ヨーレート値φは、推定ヨーレート値補正部５
４及び記憶部５５に入力される。上記記憶部５５には、
回転差検出手段３５で検出された左右輪回転差Ｒv 及び
車速検出手段４３で検出された車速Ｖも入力される一
方、該記憶部５５に記憶された情報（過去の左右輪回転
差Ｒv と車速Ｖと推定ヨーレート値φ）は、推定ヨーレ
ート値補正部５４に入力される。該推定ヨーレート値補
正部５４は、車両の直進時に推定ヨーレート値φの誤差
である定常偏差を求めるとともに、推定ヨーレート値φ
に対し該定常偏差を補正するように設けられている。該
補正部５４で補正された推定ヨーレート値φがヨーレー
ト推定装置の出力信号である。The estimated yaw rate value φ calculated by the estimated yaw rate value calculator 52 is calculated by the estimated yaw rate value corrector 5
4 and the storage unit 55. In the storage unit 55,
The left / right wheel rotation difference Rv detected by the rotation difference detection means 35 and the vehicle speed V detected by the vehicle speed detection means 43 are also input, while the information stored in the storage section 55 (past left / right wheel rotation difference Rv and vehicle speed V and the estimated yaw rate value φ) are input to the estimated yaw rate value correction unit 54. The estimated yaw rate value correction unit 54 obtains a steady-state deviation that is an error of the estimated yaw rate value φ when the vehicle goes straight, and also estimates the estimated yaw rate value φ.
However, it is provided so as to correct the steady-state deviation. The estimated yaw rate value φ corrected by the correction unit 54 is the output signal of the yaw rate estimation device.
【００５８】次に、上記第２実施例のヨーレート推定装
置において、ヨーレートを推定する場合の動作手順であ
るヨーレート推定方法について、図１２に示すフローチ
ャートに従って説明する。Next, a yaw rate estimating method, which is an operation procedure for estimating the yaw rate in the yaw rate estimating device of the second embodiment, will be described with reference to the flowchart shown in FIG.
【００５９】図１２において、先ず、ステップＳ81で計
測タイミングとなるのを待った後、ステップＳ82で車両
運動情報としての右車輪速Ｗr 及び左車輪速Ｗl をそれ
ぞれ車輪速センサ３１，３２により計測するとともに、
ステップＳ83でドライバー操作情報としての操舵角Ｆs
を操舵角センサ３３により計測する。続いて、ステップ
Ｓ84において上記右車輪速Ｗr と左車輪速Ｗl との差分
である左右輪回転差Ｒv を加算点３４で求めるととも
に、該左右輪回転差Ｒv に対しフィルター３６でフィル
ター計算をする。この左右輪回転差Ｒv のフィルター計
算は、第１実施例の場合に述べた式により行う。In FIG. 12, first, after waiting for the measurement timing in step S81, the right wheel speed Wr and the left wheel speed Wl as vehicle motion information are measured by the wheel speed sensors 31 and 32, respectively, in step S82. ,
In step S83, steering angle Fs as driver operation information
Is measured by the steering angle sensor 33. Then, in step S84, the left / right wheel rotation difference Rv, which is the difference between the right wheel speed Wr and the left wheel speed Wl, is obtained at the addition point 34, and the filter calculation is performed by the filter 36 on the left / right wheel rotation difference Rv. The filter calculation of the left-right wheel rotation difference Rv is performed by the formula described in the first embodiment.
【００６０】しかる後、ステップＳ85で正規化処理部３
８にてその入力情報である左右輪回転差Ｒv 、車速Ｖ、
操舵角Ｆs 及び操舵速度Ｄfsを正規化する。この正規化
計算は、第１実施例の場合に述べた式により行う。続
いて、ステップＳ86でニューラルネット演算部５１にて
左右輪回転差正規化値Ｒvnと車速正規化値Ｖn と操舵角
正規化値Ｆsnと操舵速度正規化値Ｄfsn とを入力変数と
するニューラルネットワーク演算をして１次ヨーレート
値φn を算出する。この１次ヨーレート値の算出は、第
１実施例の場合に述べた図３に示すフローチャートに従
って行う。Then, in step S85, the normalization processing unit 3
8, the input information left / right wheel rotation difference Rv, vehicle speed V,
The steering angle Fs and the steering speed Dfs are normalized. This normalization calculation is performed by the formula described in the first embodiment. Subsequently, in step S86, the neural network calculation unit 51 uses the left and right wheel rotation difference normalized value Rvn, the vehicle speed normalized value Vn, the steering angle normalized value Fsn, and the steering speed normalized value Dfsn as input variables. Then, the primary yaw rate value φn is calculated. The calculation of the primary yaw rate value is performed according to the flowchart shown in FIG. 3 described in the first embodiment.
【００６１】続いて、ステップＳ87で線形式演算部３７
にて上記線形式により１次ヨーレート値φl を算出
し、ステップＳ88で配分比算出部５３にて図１１に示す
マップを用いて配分比ｋを計算する。次に、ステップＳ
89で推定ヨーレート値補正部５４にて上記式により推
定ヨーレート値φを算出する。式の場合、結局、直進
付近では線形式による１次ヨーレート値φl を推定ヨ
ーレート値φとし、急旋回の非線形領域ではニューラル
ネットワーク演算による１次ヨーレート値φn を推定ヨ
ーレート値φとし、定常旋回領域では上記二つの１次ヨ
ーレート値φl ，φn を配分比ｋで合成して推定ヨーレ
ート値φを算出することになる。Subsequently, in step S87, the linear format operation unit 37
At step S88, the primary yaw rate value φl is calculated in accordance with the above linear form, and at step S88, the distribution ratio calculation unit 53 calculates the distribution ratio k using the map shown in FIG. Next, step S
At 89, the estimated yaw rate value correction unit 54 calculates the estimated yaw rate value φ from the above equation. In the case of the formula, after all, the linear yaw rate value φl is set as the estimated yaw rate value φ near straight travel, the primary yaw rate value φn by the neural network calculation is set as the estimated yaw rate value φ in the non-linear region of a sharp turn, and in the steady turn region. The above-mentioned two primary yaw rate values φl and φn are combined with the distribution ratio k to calculate the estimated yaw rate value φ.
【００６２】しかる後、ステップＳ90で推定ヨーレート
値補正部５４にて上記推定ヨーレート値φに対し定常偏
差の補正をする。この定常偏差の補正は、第１実施例の
場合に述べた図７に示すフローチャートに従って行う。
そして、ステップＳ91で上記定常偏差補正後の推定ヨー
レート値φを出力し、ステップＳ81に戻る。Thereafter, in step S90, the estimated yaw rate correction unit 54 corrects the steady-state deviation for the estimated yaw rate value φ. The correction of the steady deviation is performed according to the flowchart shown in FIG. 7 described in the first embodiment.
Then, in step S91, the estimated yaw rate value φ after the steady-state deviation correction is output, and the process returns to step S81.
【００６３】以上のように、第２実施例においては、車
両の運転領域を直進付近と定常旋回領域と急旋回の非線
形領域とに分け、直進付近では円旋回時の幾何学的関係
から導いた線形式で１次ヨーレート値φl を算出して
それをそのまま推定ヨーレート値φとし、急旋回の非線
形領域ではニューラルネットワーク演算により１次ヨー
レート値φn を算出してそれをそのまま推定ヨーレート
値φとし、定常旋回領域では上記円旋回時の幾何学的関
係の線形式による１次ヨーレート値と上記ニューラル
ネットワーク演算による１次ヨーレート値とを、操舵角
Ｆs に応じた配分比ｋで合成して推定ヨーレート値φを
算出しているため、一つのニューラルネットワークでも
って車両の全運転領域に亘ってヨーレートを精度良く推
定する場合に比べて、ニューラルネットワーク中間層の
ニューロン数を大幅に少なくすることができる。この結
果、ヨーレート推定に要する時間を少なくすることがで
き、コンピュータの負担を軽減することができる。ま
た、直進付近及び非線形領域では各々それに適した演算
法によりヨーレートを精度良く推定することができると
ともに、定常旋回領域では二つの演算法による１次ヨー
レート値を合成することによって、領域間で段差を生じ
ることなくヨーレートを適切に推定することができる。As described above, in the second embodiment, the driving region of the vehicle is divided into the straight driving region, the steady turning region and the steep turning non-linear region, and the straight driving region is derived from the geometrical relationship during the circular turning. The linear yaw rate value φl is calculated and used as the estimated yaw rate value φ as it is. In the non-linear region of a sharp turn, the neural network operation is used to calculate the primary yaw rate value φn and the estimated yaw rate value φ is used as it is. In the turning region, the estimated yaw rate value φ is obtained by synthesizing the linear yaw rate value of the geometrical relationship at the time of the circular turn and the primary yaw rate value by the neural network calculation with a distribution ratio k corresponding to the steering angle Fs. Therefore, compared with the case where the yaw rate is accurately estimated over the entire driving region of the vehicle with one neural network, The number of neurons in the laural network middle layer can be significantly reduced. As a result, the time required for yaw rate estimation can be reduced, and the load on the computer can be reduced. In addition, the yaw rate can be accurately estimated by a calculation method suitable for each of the straight-ahead traveling and the non-linear region, and in the steady turning region, the step difference between the regions can be obtained by combining the primary yaw rate values by the two calculation methods. The yaw rate can be properly estimated without the occurrence.
【００６４】さらに、第１実施例の場合と同じく、車両
の直進時にヨーレートの定常偏差φt を求め、上記推定
ヨーレート値φに対し該定常偏差φt を補正するように
しているので、ヨーレートの推定精度をより高めること
ができる。Further, as in the case of the first embodiment, the steady-state deviation φt of the yaw rate is obtained when the vehicle goes straight, and the steady-state deviation φt is corrected with respect to the estimated yaw rate value φ. Can be increased.
【００６５】図１３は本発明の第３実施例に係わる車両
のヨーレート推定装置のブロック線図である。図１３に
おいて、６１は右車輪の所定時間当りの回転数である車
輪速を検出する右車輪速センサ、６２は左車輪の車輪速
を検出する左車輪速センサ、６３は操舵輪である前輪の
操舵角を検出する操舵角検出手段としての操舵角センサ
である。上記両車輪速センサ６１，６２で検出された車
輪速Ｗr ，Ｗl は加算点６４で互いに減算されることに
より左右輪の回転差Ｒv が算出されるようになってお
り、車輪速センサ６１，６２及び加算点６４により、左
右輪の回転差を検出する回転差検出手段６５が構成され
ている。上記回転差Ｒv はフィルター６６を通して、フ
ァジィ演算部６７及び正規化処理部６８にそれぞれ入力
される。FIG. 13 is a block diagram of a vehicle yaw rate estimating device according to a third embodiment of the present invention. In FIG. 13, 61 is a right wheel speed sensor that detects the wheel speed that is the number of rotations of the right wheel per predetermined time, 62 is a left wheel speed sensor that detects the wheel speed of the left wheel, and 63 is a front wheel that is a steered wheel. It is a steering angle sensor as a steering angle detecting means for detecting a steering angle. The wheel speeds Wr and Wl detected by the two wheel speed sensors 61 and 62 are subtracted from each other at an addition point 64 to calculate the rotation difference Rv between the left and right wheels. The addition point 64 constitutes a rotation difference detection means 65 for detecting the rotation difference between the left and right wheels. The rotation difference Rv is input to the fuzzy calculation unit 67 and the normalization processing unit 68 through the filter 66.
【００６６】上記ファジィ演算部６７には、左右輪の回
転差Ｒv と共に、操舵角センサ６３で検出された操舵角
Ｆs が入力される。そして、該ファジィ演算部６７は、
左右輪の回転差Ｒv と操舵角Ｆs とに基づくファジィ制
御則とファジィ推論とから１次ヨーレート値φf を算出
する。この１次ヨーレート値φf は、推定ヨーレート値
演算部８２に入力される。The steering angle Fs detected by the steering angle sensor 63 is input to the fuzzy calculation section 67 together with the rotational difference Rv between the left and right wheels. Then, the fuzzy operation unit 67
The primary yaw rate value φf is calculated from the fuzzy control law and the fuzzy inference based on the rotation difference Rv between the left and right wheels and the steering angle Fs. The primary yaw rate value φf is input to the estimated yaw rate value calculator 82.
【００６７】上記両車輪速センサ６１，６２で検出され
た車輪速Ｗr ，Ｗl は加算点７１で互いに加算されると
ともに、この加算値は係数積算部７２で１／２倍される
ことにより車速Ｖが算出されるようになっており、車輪
速センサ６１，６２、加算点７１及び係数積算部７２に
より、車速Ｖを検出する車速検出手段７３が構成されて
いる。車速Ｖは正規化処理部６８に入力される。上記操
舵角センサ６３で検出された操舵角Ｆs も正規化処理部
６８に入力される。また、操舵角Ｆs は、加算点７４に
対し、そのまま入力されるとともに、遅延回路７５で１
計測タイミング遅れた後に入力され、該加算点７４でこ
の両入力値が互いに減算されることにより操舵速度Ｄfs
が算出されるようになっており、操舵角センサ６３に加
えて加算点７４と遅延回路７５とにより、操舵速度Ｄfs
を検出する操舵速度検出手段７６が構成されている。上
記操舵速度Ｄfsも正規化処理部６８に入力される。The wheel speeds Wr and Wl detected by the two wheel speed sensors 61 and 62 are added to each other at an addition point 71, and the added value is multiplied by 1/2 in a coefficient integrating section 72 to obtain a vehicle speed V. Is calculated, and the wheel speed sensors 61 and 62, the addition point 71, and the coefficient integration section 72 constitute a vehicle speed detection unit 73 that detects the vehicle speed V. The vehicle speed V is input to the normalization processing unit 68. The steering angle Fs detected by the steering angle sensor 63 is also input to the normalization processing unit 68. Further, the steering angle Fs is directly input to the addition point 74, and the delay circuit 75
The steering speed Dfs is input after the measurement timing is delayed, and both input values are subtracted from each other at the addition point 74.
The steering speed Dfs is calculated by the addition point 74 and the delay circuit 75 in addition to the steering angle sensor 63.
Steering speed detecting means 76 for detecting The steering speed Dfs is also input to the normalization processing unit 68.
【００６８】上記正規化処理部６８に各々入力して正規
化された左右輪の回転差正規化値Ｒvn、車速正規化値Ｖ
n 、操舵角正規化値Ｆsn及び操舵速度正規化値Ｄfsn
は、ニューラルネット演算部８１に入力される。該ニュ
ーラルネット演算部８１は、左右輪の回転差正規化値Ｒ
vnと車速正規化値Ｖn と操舵角正規化値Ｆsnと操舵速度
正規化値Ｄfsn とを入力変数としかつ中間層に複数（本
実施例の場合は６個）のニューロンを有するニューラル
ネットワークにより構成されており、ニューラルネット
ワーク演算により１次ヨーレート値φn を算出する。ま
た、ニューラルネット演算部８１は、車両の運転領域の
うち、特に急旋回の非線形領域用に設定されたものであ
る。ニューラルネット演算部８１で算出された１次ヨー
レート値φn は、推定ヨーレート値演算部８２に入力さ
れる。The rotation difference normalized value Rvn and the vehicle speed normalized value V of the left and right wheels, which are respectively input to the normalization processing unit 68 and are normalized.
n, steering angle normalized value Fsn and steering speed normalized value Dfsn
Is input to the neural network computing unit 81. The neural network calculation unit 81 uses the rotation difference normalized value R of the left and right wheels.
vn, a vehicle speed normalized value Vn, a steering angle normalized value Fsn, and a steering speed normalized value Dfsn are used as input variables, and a neural network having a plurality of neurons (six in the case of this embodiment) is formed in the intermediate layer. Therefore, the primary yaw rate value φn is calculated by the neural network calculation. Further, the neural network calculation unit 81 is set for a non-linear region of a sharp turn, of the driving region of the vehicle. The primary yaw rate value φn calculated by the neural network calculation unit 81 is input to the estimated yaw rate value calculation unit 82.
【００６９】また、操舵角センサ６３で検出された操舵
角Ｆs は、配分比算出部８３に入力される。該配分比算
出部８３は、第２実施例の場合と同じく図１１に示すよ
うなマップを用いて、配分比ｋ（０≦ｋ≦１）を求める
ようになっており、この配分比ｋは、上記推定ヨーレー
ト値演算部８２に入力される。該推定ヨーレート値演算
部８２は、ファジィ制御則とファジィ推論とによる１次
ヨーレート値φf 及びニューラルネットワーク演算によ
る１次ヨーレート値φn とこれらの配分比ｋとから推定
ヨーレート値φを下記の式 φ＝ｋ×φf ＋（１−ｋ）×φn … により算出する。The steering angle Fs detected by the steering angle sensor 63 is input to the distribution ratio calculation unit 83. The distribution ratio calculating unit 83 is adapted to obtain the distribution ratio k (0 ≦ k ≦ 1) using the map as shown in FIG. 11 as in the case of the second embodiment. , Is input to the estimated yaw rate value calculator 82. The estimated yaw rate value calculation unit 82 calculates the estimated yaw rate value φ from the following equation φ = from the primary yaw rate value φ f by the fuzzy control law and the fuzzy inference and the primary yaw rate value φ n by the neural network calculation and their distribution ratio k. It is calculated by k × φf + (1-k) × φn.
【００７０】ここで、図１１のマップでは、操舵角Ｆs
が小さい直進付近では配分比ｋが１．０、操舵角Ｆs が
かなり大きい非線形領域では配分比ｋが０、直進付近と
非線形領域との間の定常旋回領域では配分比ｋが操舵角
Ｆs の増加に伴い一次関数的に小さくなるように設定さ
れる。従って、推定ヨーレート値補正部８４は、結局、
直進付近ではファジィ制御則とファジィ推論とによる１
次ヨーレート値φf を推定ヨーレート値φとし、急旋回
の非線形領域ではニューラルネットワーク演算による１
次ヨーレート値φn を推定ヨーレート値φとし、定常旋
回領域では上記二つの１次ヨーレート値φf ，φn を配
分比ｋで合成して推定ヨーレート値φを算出する。ま
た、配分比算出部８３は、車両の運転領域を操舵角Ｆs
に基づいて直進付近と定常旋回領域と急旋回の非線形領
域とに判別する判別手段としての機能を有する。Here, in the map of FIG. 11, the steering angle Fs
The distribution ratio k is 1.0 in the vicinity of a straight line, the distribution ratio k is 0 in the non-linear region where the steering angle Fs is considerably large, and the distribution ratio k increases in the steering angle Fs in the steady turning region between the straight line and the non-linear region. Is set so as to be a linear function. Therefore, the estimated yaw rate value correction unit 84 eventually
Fuzzy control law and fuzzy inference around straight ahead 1
The next yaw rate value φf is used as the estimated yaw rate value φ, and in the non-linear region of a sharp turn, 1 is calculated by neural network calculation.
The next yaw rate value φn is used as the estimated yaw rate value φ, and in the steady turning region, the above two primary yaw rate values φf and φn are combined with the distribution ratio k to calculate the estimated yaw rate value φ. Further, the distribution ratio calculation unit 83 changes the vehicle operating region to the steering angle Fs.
On the basis of the above, it has a function as a discrimination means for discriminating between a straight traveling area, a steady turning area, and a non-linear area of a sharp turning.
【００７１】上記推定ヨーレート値演算部８２で算出さ
れた推定ヨーレート値φは、推定ヨーレート値補正部８
４及び記憶部８５に入力される。上記記憶部８５には、
回転差検出手段６５で検出された左右輪回転差Ｒv 及び
車速検出手段７３で検出された車速Ｖも入力される一
方、該記憶部８５に記憶された情報（過去の左右輪回転
差Ｒv と車速Ｖと推定ヨーレート値φ）は、推定ヨーレ
ート値補正部８４に入力される。該推定ヨーレート値補
正部８４は、車両の直進時に推定ヨーレート値φの誤差
である定常偏差を求めるとともに、推定ヨーレート値φ
に対し該定常偏差を補正するように設けられている。該
補正部８４で補正された推定ヨーレート値φがヨーレー
ト推定装置の出力信号である。The estimated yaw rate value φ calculated by the estimated yaw rate value calculator 82 is calculated by the estimated yaw rate value corrector 8
4 and the storage unit 85. In the storage unit 85,
While the left and right wheel rotation difference Rv detected by the rotation difference detection means 65 and the vehicle speed V detected by the vehicle speed detection means 73 are also input, information stored in the storage section 85 (past left and right wheel rotation difference Rv and vehicle speed V and the estimated yaw rate value φ) are input to the estimated yaw rate value correction unit 84. The estimated yaw rate value correction unit 84 obtains a steady-state deviation that is an error of the estimated yaw rate value φ when the vehicle goes straight, and also estimates the estimated yaw rate value φ.
However, it is provided so as to correct the steady-state deviation. The estimated yaw rate value φ corrected by the correction unit 84 is the output signal of the yaw rate estimation device.
【００７２】次に、上記第３実施例のヨーレート推定装
置において、ヨーレートを推定する場合の動作手順であ
るヨーレート推定方法について、図１４に示すフローチ
ャートに従って説明する。Next, a yaw rate estimating method, which is an operation procedure for estimating the yaw rate in the yaw rate estimating device of the third embodiment, will be described with reference to the flowchart shown in FIG.
【００７３】図１４において、先ず、ステップＳ101 で
計測タイミングとなるのを待った後、ステップＳ102 で
車両運動情報としての右車輪速Ｗr 及び左車輪速Ｗl を
それぞれ車輪速センサ６１，６２により計測するととも
に、ステップＳ103 でドライバー操作情報としての操舵
角Ｆs を操舵角センサ６３により計測する。続いて、ス
テップＳ104 において上記右車輪速Ｗr と左車輪速Ｗl
との差分である左右輪回転差Ｒv を加算点６４で求める
とともに、該左右輪回転差Ｒv に対しフィルター６６で
フィルター計算をする。この左右輪回転差Ｒv のフィル
ター計算は、第１実施例の場合に述べた式により行
う。In FIG. 14, first, after waiting for the measurement timing in step S101, the right wheel speed Wr and the left wheel speed W1 as vehicle motion information are measured by the wheel speed sensors 61 and 62, respectively, in step S102. In step S103, the steering angle Fs as driver operation information is measured by the steering angle sensor 63. Then, in step S104, the right wheel speed Wr and the left wheel speed Wl are
The difference Rv between the left and right wheels, which is the difference between the two, is obtained at the addition point 64, and the filter 66 calculates the filter difference Rv between the left and right wheels. The filter calculation of the left-right wheel rotation difference Rv is performed by the formula described in the first embodiment.
【００７４】しかる後、ステップＳ105 で正規化処理部
６８にてその入力情報である左右輪回転差Ｒv 、車速
Ｖ、操舵角Ｆs 及び操舵速度Ｄfsを正規化する。この正
規化計算は、第１実施例の場合に述べた式により行
う。続いて、ステップＳ106 でニューラルネット演算部
８１にて左右輪回転差正規化値Ｒvnと車速正規化値Ｖn
と操舵角正規化値Ｆsnと操舵速度正規化値Ｄfsn とを入
力変数とするニューラルネットワーク演算をして１次ヨ
ーレート値φn を算出する。この１次ヨーレート値の算
出は、第１実施例の場合に述べた図３に示すフローチャ
ートに従って行う。Then, in step S105, the normalization processing unit 68 normalizes the input / output wheel rotation difference Rv, vehicle speed V, steering angle Fs, and steering speed Dfs. This normalization calculation is performed by the formula described in the first embodiment. Subsequently, in step S106, the neural network operation unit 81 uses the left and right wheel rotation difference normalized value Rvn and the vehicle speed normalized value Vn.
And a steering angle normalized value Fsn and a steering speed normalized value Dfsn are used as input variables to perform a neural network operation to calculate a primary yaw rate value φn. The calculation of the primary yaw rate value is performed according to the flowchart shown in FIG. 3 described in the first embodiment.
【００７５】続いて、ステップＳ107 でファジィ演算部
６７にてその入力情報である操舵角Ｆs 及び左右輪回転
差Ｒv を、図１５（ａ）及び（ｂ）にそれぞれ示すメン
バーシップ関数を用いてファジィ化し、ステップＳ108
で図１６に示すようなファジィ制御則により各ルール毎
の適合度を計算する。図１６のファジィ制御則は、操舵
角Ｆs 及び左右輪回転差Ｒv を入力とし、適合度ｇ1 〜
ｇ9 を出力とする９ルールのものである。そして、ステ
ップＳ108 において、各ルール毎に算出したヨーレート
値φ（ｉ）（ｉ＝１〜９）とその適合度ｇ（ｉ）との積
の合計値を各ルールの適合度ｇ（ｉ）の合計値で除する
ことにより、つまり下記の式 φf ＝Σ（ｇ（ｉ）×φ（ｉ））／Σｇ（ｉ） により１次ヨーレート値φf を算出する。ここで、φ
（ｉ）は、例えば下記のような式で算出する場合と、固
定値の場合のいずれでも良い。Subsequently, in step S107, the fuzzy calculation section 67 uses the input information, ie, the steering angle Fs and the left / right wheel rotation difference Rv, to fuzzy by using the membership functions shown in FIGS. 15 (a) and 15 (b), respectively. And step S108
Then, the goodness of fit for each rule is calculated by the fuzzy control rule as shown in FIG. In the fuzzy control law of FIG. 16, the steering angle Fs and the left and right wheel rotation difference Rv are input, and the goodness of fit g1 to
It has 9 rules with g9 as the output. Then, in step S108, the total value of the products of the yaw rate values φ (i) (i = 1 to 9) calculated for each rule and the goodness of fit g (i) of the goodness of fit for each rule g (i) is calculated. The primary yaw rate value φf is calculated by dividing by the total value, that is, by the following equation φf = Σ (g (i) × φ (i)) / Σg (i). Where φ
For example, (i) may be calculated by the following formula or may be a fixed value.
【００７６】 続いて、ステップＳ110 で配分比算出部８３にて図１１
に示すマップを用いて配分比ｋを計算し、次に、ステッ
プＳ111 で推定ヨーレート値補正部８４にて上記式に
より推定ヨーレート値φを算出する。式の場合、結
局、直進付近ではファジィ制御則とファジィ推論とによ
る１次ヨーレート値φf を推定ヨーレート値φとし、急
旋回の非線形領域ではニューラルネットワーク演算によ
る１次ヨーレート値φn を推定ヨーレート値φとし、定
常旋回領域では上記二つの１次ヨーレート値φf ，φn
を配分比ｋで合成して推定ヨーレート値φを算出するこ
とになる。[0076] Then, in step S110, the distribution ratio calculation unit 83 is operated as shown in FIG.
The distribution ratio k is calculated using the map shown in FIG. 4, and then, in step S111, the estimated yaw rate value correction unit 84 calculates the estimated yaw rate value φ from the above equation. In the case of the equation, after all, near the straight ahead, the primary yaw rate value φf by the fuzzy control law and the fuzzy inference is set as the estimated yaw rate value φ, and in the non-linear area of a sharp turn, the primary yaw rate value φn by the neural network calculation is set as the estimated yaw rate value φ. , In the steady turning region, the above two primary yaw rate values φf and φn
Will be combined with the distribution ratio k to calculate the estimated yaw rate value φ.
【００７７】しかる後、ステップＳ112 で推定ヨーレー
ト値補正部８４にて上記推定ヨーレート値φに対し定常
偏差の補正をする。この定常偏差の補正は、第１実施例
の場合に述べた図７に示すフローチャートに従って行
う。そして、ステップＳ113 で上記定常偏差補正後の推
定ヨーレート値φを出力し、ステップＳ101 に戻る。Thereafter, in step S112, the estimated yaw rate value correction unit 84 corrects the steady-state deviation for the estimated yaw rate value φ. The correction of the steady deviation is performed according to the flowchart shown in FIG. 7 described in the first embodiment. Then, in step S113, the estimated yaw rate value φ after the steady-state deviation correction is output, and the process returns to step S101.
【００７８】以上のように、第３実施例においては、車
両の運転領域を直進付近と定常旋回領域と急旋回の非線
形領域とに分け、直進付近では左右輪の回転差と操舵角
とに基づくファジィ制御則とファジィ推論とから１次ヨ
ーレート値φf を算出してそれをそのまま推定ヨーレー
ト値φとし、急旋回の非線形領域ではニューラルネット
ワーク演算により１次ヨーレート値φn を算出してそれ
をそのまま推定ヨーレート値φとし、定常旋回領域では
上記ファジィ制御則とファジィ推論とによる１次ヨーレ
ート値φf と上記ニューラルネットワーク演算による１
次ヨーレート値φn とを、操舵角Ｆs に応じた配分比ｋ
で合成して推定ヨーレート値φを算出しているため、一
つのニューラルネットワークでもって車両の全運転領域
に亘ってヨーレートを精度良く推定する場合に比べて、
ニューラルネットワーク中間層のニューロン数を大幅に
少なくすることができる。この結果、ヨーレート推定に
要する時間を少なくすることができ、コンピュータの負
担を軽減することができる。また、直進付近及び非線形
領域では各々それに適した演算法によりヨーレートを精
度良く推定することができるとともに、定常旋回領域で
は二つの演算法による１次ヨーレート値を合成すること
によって、領域間で段差を生じることなくヨーレートを
適切に推定することができる。As described above, in the third embodiment, the driving region of the vehicle is divided into the straight driving region, the steady turning region and the non-linear region of the sharp turning, and the straight driving region is based on the rotation difference between the left and right wheels and the steering angle. The first-order yaw rate value φf is calculated from the fuzzy control law and the fuzzy reasoning and used as the estimated yaw rate value φ as it is. In the non-linear region of a sharp turn, the first-order yaw rate value φn is calculated by the neural network calculation and the estimated yaw rate value is obtained as it is. The value φ is set, and in the steady turning region, the first-order yaw rate value φ f based on the fuzzy control law and the fuzzy reasoning and 1 based on the neural network operation are set.
The next yaw rate value φn and the distribution ratio k according to the steering angle Fs
Since the estimated yaw rate value φ is calculated by synthesizing with, compared to the case where the yaw rate is accurately estimated over the entire driving region of the vehicle by one neural network,
The number of neurons in the middle layer of the neural network can be significantly reduced. As a result, the time required for yaw rate estimation can be reduced, and the load on the computer can be reduced. In addition, the yaw rate can be accurately estimated by a calculation method suitable for each of the straight-ahead traveling and the non-linear region, and in the steady turning region, the step difference between the regions can be obtained by combining the primary yaw rate values by the two calculation methods. The yaw rate can be properly estimated without the occurrence.
【００７９】さらに、第１実施例の場合と同じく、車両
の直進時にヨーレートの定常偏差φt を求め、上記推定
ヨーレート値φに対し該定常偏差φt を補正するように
しているので、ヨーレートの推定精度をより高めること
ができる。Further, as in the case of the first embodiment, the steady-state deviation φt of the yaw rate is obtained when the vehicle goes straight, and the steady-state deviation φt is corrected with respect to the estimated yaw rate value φ. Can be increased.
【００８０】尚、本発明は上記第１〜第３実施例に限定
されるものではなく、その他種々の変形例を包含するも
のである。例えば、上記各実施例では、ニューラルネッ
トワーク演算により１次ヨーレートを算出する場合、い
ずれも左右輪回転差（詳しくはその正規化値）Ｒvnと車
速Ｖn と操舵角Ｆsnと操舵速度Ｄfsn とを入力情報とし
たが、本発明は、少なくとも、ヨーレートとの関連性が
強い左右輪回転差と操舵角と車速とを入力情報とし、こ
れらによりニューラルネットワーク演算をして１次ヨー
レートを算出するようにしても良い。The present invention is not limited to the above-mentioned first to third embodiments, and includes various other modified examples. For example, in each of the above embodiments, when the primary yaw rate is calculated by the neural network operation, the left and right wheel rotation difference (specifically, its normalized value) Rvn, vehicle speed Vn, steering angle Fsn, and steering speed Dfsn are input information. However, according to the present invention, at least the left-right wheel rotation difference, the steering angle, and the vehicle speed, which are strongly related to the yaw rate, are used as input information, and a neural network operation is performed using these to calculate the primary yaw rate. good.
【００８１】また、上記第１実施例では、車両の運転領
域を、直進付近と定常旋回領域と急旋回の非線形領域と
の三つに分け、それらの領域別に設定されたニューラル
ネットワークからなる演算部２１〜２３を三つ用意した
が、請求項１又は７記載の発明は、直進付近用に設定さ
れたニューラルネットワークからなる演算部と、急旋回
の非線形領域用に設定されたニューラルネットワークか
らなる演算部との二つだけを用意し、定常旋回領域では
上記二つの演算部で算出した１次ヨーレート値を合成し
て推定ヨーレート値を算出するようにしても良い。Further, in the first embodiment, the operating area of the vehicle is divided into three areas, that is, a straight-around area, a steady turning area, and a non-linear area of a sharp turn, and an arithmetic unit composed of a neural network set for each of these areas. Although 21 to 23 are prepared, the invention according to claim 1 or 7 is such that an arithmetic unit composed of a neural network set for near straight traveling and an operation composed of a neural network set for a non-linear region of a sharp turn. Alternatively, the estimated yaw rate value may be calculated by synthesizing only the first yaw rate values calculated by the above two calculation sections in the steady turning region.
【００８２】さらに、上記第２実施例では、線形式演算
部３７で左右輪の回転差Ｒv を基に円旋回時の幾何学的
関係から導いた線形式で１次ヨーレート値φl を算出し
たが、請求項３又は８記載の発明は、左右輪の回転差Ｒ
v の代りに、操舵角Ｆs を基にして円旋回時の幾何学的
関係から導いた線形式で１次ヨーレート値φl を算出す
るようにしてもよい。この場合、１次ヨーレート値φl
の線形式は、 φl ＝｛Ｖ／（１＋ａ×Ｖ2 ）｝×Ｆs ／Ｌ である。但し、Ｌはホイールベース、ａはスタビリティ
ーファクターである。Further, in the second embodiment, the linear yaw rate value φl is calculated by the linear-form calculation unit 37 based on the rotational difference Rv of the left and right wheels in a linear form derived from the geometrical relationship during circular turning. The invention according to claim 3 or 8 is the rotation difference R between the left and right wheels.
Instead of v, the primary yaw rate value φl may be calculated based on the steering angle Fs in a linear form derived from the geometrical relationship at the time of circular turning. In this case, the primary yaw rate value φl
The linear format of is φl = {V / (1 + a × V 2 )} × Fs / L. However, L is a wheel base and a is a stability factor.
【００８３】[0083]
【発明の効果】以上の如く、本発明における車両のヨー
レート推定方法及びその装置によれば、ヨーレートの推
定精度を全運動領域に亘って高めながら、各演算部のニ
ューラルネットワーク中間層のニューロン数を少なくし
てヨーレート推定に要する時間を少なくすることがで
き、コンピュータの負担を軽減することができる。As described above, according to the vehicle yaw rate estimating method and the apparatus therefor of the present invention, the number of neurons in the intermediate layer of the neural network of each arithmetic unit can be increased while increasing the yaw rate estimation accuracy over the entire motion region. It is possible to reduce the time required for yaw rate estimation and reduce the load on the computer.
【００８４】特に、請求項６記載の発明では、直進時に
左右輪のタイヤ径等に起因するヨーレートの定常偏差を
求め、推定ヨーレート値に対し該定常偏差を補正してい
るため、ヨーレートの推定精度をより高めることができ
るという効果を奏する。In particular, according to the sixth aspect of the invention, since the steady-state deviation of the yaw rate due to the tire diameters of the left and right wheels and the like is obtained during straight traveling, and the steady-state deviation is corrected with respect to the estimated yaw rate value, the yaw rate estimation accuracy is improved. The effect of being able to raise more is produced.
【図１】本発明の第１実施例を示すヨーレート推定装置
のブロック線図である。FIG. 1 is a block diagram of a yaw rate estimating device showing a first embodiment of the present invention.
【図２】同ヨーレート推定方法のメインフローチャート
図である。FIG. 2 is a main flowchart of the yaw rate estimating method.
【図３】ニューラルネット計算のフローチャート図であ
る。FIG. 3 is a flowchart of neural network calculation.
【図４】中間層伝達関数計算のフローチャート図であ
る。FIG. 4 is a flowchart of calculation of an intermediate layer transfer function.
【図５】各ニューラルネット適合度のファジィ演算のフ
ローチャート図である。FIG. 5 is a flowchart of a fuzzy calculation of each neural network fitness.
【図６】各ニューラルネットに対応するメンバーシップ
関数を示す図である。FIG. 6 is a diagram showing a membership function corresponding to each neural net.
【図７】ヨーレートの定常偏差補正のフローチャート図
である。FIG. 7 is a flowchart of steady-state deviation correction of yaw rate.
【図８】補正テーブル作成時間の決定に用いるマップを
示す図である。FIG. 8 is a diagram showing a map used for determining a correction table creation time.
【図９】定常偏差の二次式の決定を説明するための図で
ある。FIG. 9 is a diagram for explaining determination of a quadratic expression of steady-state deviation.
【図１０】第２実施例を示す図１相当図である。FIG. 10 is a view, corresponding to FIG. 1, showing a second embodiment.
【図１１】配分比の計算に用いたマップを示す図であ
る。FIG. 11 is a diagram showing a map used for calculating a distribution ratio.
【図１２】図２相当図である。FIG. 12 is a view corresponding to FIG.
【図１３】第３実施例を示す図１相当図である。FIG. 13 is a view, corresponding to FIG. 1, showing a third embodiment.
【図１４】図２相当図である。FIG. 14 is a view corresponding to FIG.
【図１５】操舵角及び左右輪回転差のメンバーシップ関
数を示す図である。FIG. 15 is a diagram showing a membership function of a steering angle and a left / right wheel rotation difference.
【図１６】適合度計算用のファジィ制御則を示す図であ
る。FIG. 16 is a diagram showing a fuzzy control law for calculating a goodness of fit.
３，３３，６３ 操舵角センサ（操舵角検出手段） ５，３５，６５ 回転差検出手段 １３，４３，７３ 車速検出手段 １６，４６，７６ 操舵速度検出手段 ２１，２２，２３ １次ヨーレート値演算部 ２４，５２，８２ 推定ヨーレート値演算部 ２５ 適合度算出部 ２６，５４，８４ 推定ヨーレート値補正部 ３７ 線形式演算部 ５１，８１ ニューラルネット演算部 ５３，８３ 配分比算出部（判別手段） ６７ ファジィ演算部 3, 33, 63 Steering angle sensor (steering angle detecting means) 5, 35, 65 Rotational difference detecting means 13, 43, 73 Vehicle speed detecting means 16, 46, 76 Steering speed detecting means 21, 22, 23 Primary yaw rate value calculation Part 24, 52, 82 Estimated yaw rate value calculator 25 Fitness degree calculator 26, 54, 84 Estimated yaw rate value corrector 37 Linear format calculator 51, 81 Neural net calculator 53, 83 Distribution ratio calculator (discriminating means) 67 Fuzzy operation section
Claims (9)
ーレート推定方法であって、 車両の所定の運転領域別に設定されかつ各々少なくとも
左右輪の回転差と操舵角と車速とを入力情報とするニュ
ーラルネットワーク演算により１次ヨーレート値を算出
する複数の演算部を用意し、 該複数の演算部でそれぞれ現時点の入力情報に基づいて
１次ヨーレート値を算出するとともに、 これらの１次ヨーレート値を、現時点の車両の運転状態
に応じた適合度により合成して推定ヨーレート値を算出
することを特徴とする車両のヨーレート推定方法。1. A yaw rate estimation method for estimating a yaw rate generated in a vehicle, the neural network being set for each predetermined driving region of the vehicle and having at least a rotational difference between left and right wheels, a steering angle, and a vehicle speed as input information. A plurality of calculation units for calculating a primary yaw rate value by calculation are prepared, and the plurality of calculation units each calculate a primary yaw rate value based on the input information at the present time, and these primary yaw rate values are calculated at the present time. A yaw rate estimating method for a vehicle, comprising: calculating an estimated yaw rate value by synthesizing based on a fitness according to a driving state of the vehicle.
された演算部と、定常旋回領域用に設定された演算部
と、急旋回の非線形領域用に設定された演算部とである
請求項１記載の車両のヨーレート推定方法。2. The plurality of arithmetic units are an arithmetic unit set for near straight traveling, an arithmetic unit set for a steady turning region, and an arithmetic unit set for a non-linear region of a sharp turn. The yaw rate estimating method for a vehicle according to claim 1.
ーレート推定方法であって、 車両の運転領域を操舵角に基づいて直進付近と定常旋回
領域と急旋回の非線形領域とに判別し、 直進付近では円旋回時の幾何学的関係から導いた線形式
で１次ヨーレート値を算出してそれを推定ヨーレート値
とし、急旋回の非線形領域では少なくとも左右輪の回転
差と操舵角と車速とを入力情報とするニューラルネット
ワーク演算により１次ヨーレート値を算出してそれを推
定ヨーレート値とし、定常旋回領域では上記二輪モデル
の線形式による１次ヨーレート値と上記ニューラルネッ
トワーク演算による１次ヨーレート値とを、操舵角に応
じた配分比で合成して推定ヨーレート値を算出すること
を特徴とする車両のヨーレート推定方法。3. A yaw rate estimation method for estimating a yaw rate generated in a vehicle, wherein a driving area of the vehicle is discriminated into a straight traveling area, a steady turning area, and a non-linear area of a sharp turning based on a steering angle. The primary yaw rate value is calculated in a linear form derived from the geometrical relationship at the time of circular turning, and the calculated yaw rate value is used as the estimated yaw rate value. At least in the non-linear region of a sharp turn, the rotational difference between the left and right wheels, the steering angle, and the vehicle speed are input information. The primary yaw rate value is calculated by a neural network calculation that is used as the estimated yaw rate value, and in the steady turning region, the linear yaw rate value of the two-wheel model and the primary yaw rate value calculated by the neural network calculation are steered. A yaw rate estimating method for a vehicle, comprising calculating an estimated yaw rate value by synthesizing at a distribution ratio according to a corner.
ーレート推定方法であって、 車両の運転領域を操舵角に基づいて直進付近と定常旋回
領域と急旋回の非線形領域とに判別し、 直進付近では左右輪の回転差と操舵角とに基づくファジ
ィ制御則とファジィ推論とから１次ヨーレート値を算出
してそれを推定ヨーレート値とし、急旋回の非線形領域
では少なくとも左右輪の回転差と操舵角と車速とを入力
情報とするニューラルネットワーク演算により１次ヨー
レート値を算出してそれを推定ヨーレート値とし、定常
旋回領域では上記ファジィ制御則とファジィ推論とによ
る１次ヨーレート値と上記ニューラルネットワーク演算
による１次ヨーレート値とを、操舵角に応じた配分比で
合成して推定ヨーレート値を算出することを特徴とする
車両のヨーレート推定方法。4. A yaw rate estimation method for estimating a yaw rate generated in a vehicle, wherein a driving region of the vehicle is discriminated into a straight driving region, a steady turning region and a non-linear region of a sharp turning based on a steering angle. The primary yaw rate value is calculated from the fuzzy control law and the fuzzy inference based on the rotation difference between the left and right wheels and the steering angle, and the estimated yaw rate value is used as the estimated yaw rate value. A primary yaw rate value is calculated by a neural network operation using the vehicle speed as input information and is used as an estimated yaw rate value. In the steady turning region, the primary yaw rate value based on the fuzzy control law and fuzzy inference and the neural network operation 1 A vehicle characterized by calculating an estimated yaw rate value by combining the next yaw rate value with a distribution ratio according to the steering angle. Yaw rate estimation method.
ヨーレート値φ1 の線形式は、左右輪の回転差をＲv 、
トレッドをｄとすると、 φ1 ＝Ｒv ／ｄ である請求項３記載の車両のヨーレート推定方法。5. The linear form of the primary yaw rate value φ1 derived from the geometrical relationship at the time of circular turning is such that the rotational difference between the left and right wheels is Rv,
The vehicle yaw rate estimation method according to claim 3, wherein φ1 = Rv / d, where t is the tread.
推定ヨーレート値に対し該定常偏差を補正する請求項
１、３又は４記載の車両のヨーレート推定方法。6. The steady-state deviation of the yaw rate is calculated when going straight,
5. The vehicle yaw rate estimation method according to claim 1, 3 or 4, wherein the steady-state deviation is corrected with respect to the estimated yaw rate value.
ーレート推定装置であって、 車両の所定の運転領域別に設定されかつ各々少なくとも
左右輪の回転差と操舵角と車速とを入力情報とするニュ
ーラルネットワーク演算により１次ヨーレート値を算出
する複数の１次ヨーレート値演算部と、 該各演算部で算出された１次ヨーレート値を、現時点の
車両の運転状態に応じた適合度により合成して推定ヨー
レート値を算出する推定ヨーレート値演算部とを備えた
ことを特徴とする車両のヨーレート推定方法。7. A yaw rate estimating device for estimating a yaw rate generated in a vehicle, the neural network being set for each predetermined driving area of the vehicle and having at least a left-right wheel rotation difference, a steering angle, and a vehicle speed as input information. A plurality of primary yaw rate value calculation units for calculating the primary yaw rate value by calculation, and the estimated yaw rate by combining the primary yaw rate values calculated by the respective calculation units according to the degree of conformity according to the current driving state of the vehicle. A yaw rate estimation method for a vehicle, comprising: an estimated yaw rate value calculation unit that calculates a value.
ーレート推定装置であって、 車両の運転領域を操舵角に基づいて直進付近と定常旋回
領域と急旋回の非線形領域とに判別する判別手段と、 円旋回時の幾何学的関係から導いた線形式で１次ヨーレ
ート値を算出する線形式演算部と、 車両の運転領域のうち急旋回の非線形領域用に設定され
かつ少なくとも左右輪の回転差と操舵角と車速とを入力
情報とするニューラルネットワーク演算により１次ヨー
レート値を算出するニューラルネット演算部と、 直進付近では上記線形式演算部で算出された１次ヨーレ
ート値を推定ヨーレート値とし、急旋回の非線形領域で
は上記ニューラルネット演算部で算出された１次ヨーレ
ート値を推定ヨーレート値とし、定常旋回領域では上記
２種の１次ヨーレート値を、操舵角に応じた配分比で合
成して推定ヨーレート値を算出する推定ヨーレート値演
算部とを備えたことを特徴とする車両のヨーレート推定
装置。8. A yaw rate estimation device for estimating a yaw rate generated in a vehicle, the discrimination means discriminating a driving region of the vehicle into a straight traveling region, a steady turning region and a non-linear region of a sharp turn based on a steering angle, A linear-form calculation unit that calculates the primary yaw rate value in a linear form derived from the geometrical relationship during circular turning, and a linear difference that is set for the non-linear region of a sharp turn in the operating region of the vehicle and that has at least the difference in rotation between the left and right wheels. A neural network calculation unit that calculates a primary yaw rate value by a neural network calculation that uses a steering angle and a vehicle speed as input information, and a linear yaw rate value calculated by the linear calculation unit described above is used as an estimated yaw rate value in the vicinity of a straight line. In the turning non-linear region, the primary yaw rate value calculated by the neural network computing unit is used as the estimated yaw rate value, and in the steady turning region, the above two types of primary yaw rates are used. The over preparative value, the yaw rate estimating apparatus for a vehicle characterized by comprising the estimated yaw rate value calculation unit for calculating an estimated yaw rate values are combined in the allocation ratio corresponding to the steering angle.
ーレート推定装置であって、 車両の運転領域を操舵角に基づいて直進付近と定常旋回
領域と急旋回の非線形領域とに判別する判別手段と、 左右輪の回転差と操舵角とに基づくファジィ制御則とフ
ァジィ推論とから１次ヨーレート値を算出するファジィ
演算部と、 車両の運転領域のうち急旋回の非線形領域用に設定され
かつ少なくとも左右輪の回転差と操舵角と車速とを入力
情報とするニューラルネットワーク演算により１次ヨー
レート値を算出するニューラルネット演算部と、 直進付近では上記ファジィ演算部で算出された１次ヨー
レート値を推定ヨーレート値とし、急旋回の非線形領域
では上記ニューラルネット演算部で算出された１次ヨー
レート値を推定ヨーレート値とし、定常旋回領域では上
記２種の１次ヨーレート値を、操舵角に応じた配分比で
合成して推定ヨーレート値を算出する推定ヨーレート値
演算部とを備えたことを特徴とする車両のヨーレート推
定装置。9. A yaw rate estimating device for estimating a yaw rate generated in a vehicle, the discriminating means discriminating a driving region of the vehicle into a straight driving region, a steady turning region and a non-linear region of a sharp turn based on a steering angle. A fuzzy calculator that calculates a primary yaw rate value from a fuzzy control law and fuzzy inference based on the rotation difference between the left and right wheels and the steering angle, and a fuzzy non-linear region of the vehicle driving region that is set for at least the left and right wheels. Neural network calculation unit that calculates a primary yaw rate value by a neural network calculation that uses the rotation difference, the steering angle, and the vehicle speed as input information, and the primary yaw rate value calculated by the fuzzy calculation unit near the straight ahead is estimated yaw rate value. In the non-linear region of a sharp turn, the primary yaw rate value calculated by the neural network calculation unit is used as the estimated yaw rate value, The two primary yaw rate value is round region, the yaw rate estimating apparatus for a vehicle characterized by comprising the estimated yaw rate value calculation unit for calculating an estimated yaw rate values are combined in the allocation ratio corresponding to the steering angle.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP13023994A JPH07333242A (en) | 1994-06-13 | 1994-06-13 | Method and apparatus for estimating yawing rate of vehicle |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP13023994A JPH07333242A (en) | 1994-06-13 | 1994-06-13 | Method and apparatus for estimating yawing rate of vehicle |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH07333242A true JPH07333242A (en) | 1995-12-22 |
Family
ID=15029453
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP13023994A Withdrawn JPH07333242A (en) | 1994-06-13 | 1994-06-13 | Method and apparatus for estimating yawing rate of vehicle |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH07333242A (en) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6475822B2 (en) | 1993-11-16 | 2002-11-05 | Formfactor, Inc. | Method of making microelectronic contact structures |
| US7073254B2 (en) | 1993-11-16 | 2006-07-11 | Formfactor, Inc. | Method for mounting a plurality of spring contact elements |
| JP2007099178A (en) * | 2005-10-07 | 2007-04-19 | Fuji Heavy Ind Ltd | Approximation estimation device |
| WO2018198823A1 (en) * | 2017-04-28 | 2018-11-01 | 日立オートモティブシステムズ株式会社 | Electronic control device for vehicles |
| WO2020100408A1 (en) * | 2018-11-13 | 2020-05-22 | 日本電気株式会社 | Dangerous scene prediction device, dangerous scene prediction method, and dangerous scene prediction program |
-
1994
- 1994-06-13 JP JP13023994A patent/JPH07333242A/en not_active Withdrawn
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6475822B2 (en) | 1993-11-16 | 2002-11-05 | Formfactor, Inc. | Method of making microelectronic contact structures |
| US6482013B2 (en) | 1993-11-16 | 2002-11-19 | Formfactor, Inc. | Microelectronic spring contact element and electronic component having a plurality of spring contact elements |
| US7073254B2 (en) | 1993-11-16 | 2006-07-11 | Formfactor, Inc. | Method for mounting a plurality of spring contact elements |
| JP2007099178A (en) * | 2005-10-07 | 2007-04-19 | Fuji Heavy Ind Ltd | Approximation estimation device |
| WO2018198823A1 (en) * | 2017-04-28 | 2018-11-01 | 日立オートモティブシステムズ株式会社 | Electronic control device for vehicles |
| JP2018190045A (en) * | 2017-04-28 | 2018-11-29 | 日立オートモティブシステムズ株式会社 | Vehicle electronic control apparatus |
| WO2020100408A1 (en) * | 2018-11-13 | 2020-05-22 | 日本電気株式会社 | Dangerous scene prediction device, dangerous scene prediction method, and dangerous scene prediction program |
| JPWO2020100408A1 (en) * | 2018-11-13 | 2021-09-24 | 日本電気株式会社 | Danger scene prediction device, danger scene prediction method and danger scene prediction program |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6789017B2 (en) | Vehicle steering angle position determination method | |
| KR0182307B1 (en) | Estimatoin method of movement state variable in turning of automotive vehicle | |
| US5899952A (en) | Device for estimating slip angle of vehicle body through interrelation thereof with yaw rate | |
| EP0615892B1 (en) | Vehicle slip angle measuring method and a device therefor | |
| US8255119B2 (en) | Vehicle body slip angle-estimating device and method and engine control unit | |
| JPH0629039B2 (en) | Vehicle motion state estimation device | |
| CN115214692A (en) | Centroid speed determination method and device | |
| JPH07333242A (en) | Method and apparatus for estimating yawing rate of vehicle | |
| JPH08202403A (en) | Vehicle state quantity estimation device | |
| JPH04138970A (en) | Rear wheel steering angle control method | |
| JPH09240458A (en) | Detecting device for quantity of lateral slipping state of vehicle | |
| AU2020267207A1 (en) | Vehicle sideslip angle estimation system and method | |
| CN111703429B (en) | Method for estimating longitudinal speed of wheel hub motor driven vehicle | |
| JPH07320188A (en) | Method and device for estimating yaw rate of vehicle | |
| JPH0836556A (en) | Method and device for estimating yaw rate of vehicle | |
| JPH0834357A (en) | Controller of vehicle | |
| JP3008401B2 (en) | Vehicle state quantity estimation device | |
| JP3508265B2 (en) | Driving environment determination method and determination device | |
| JPH08201235A (en) | Method and apparatus for estimating coefficient of friction against road surface | |
| JPH08159748A (en) | Method and apparatus for estimating yaw rate of vehicle | |
| JPH0882636A (en) | Method and device for estimation of yaw rate of vehicle | |
| JP3246317B2 (en) | Zero point detection device for vehicle state quantity sensor | |
| JPH0783949A (en) | Apparatus for detecting yaw rate of vehicle | |
| JPH06270827A (en) | Rear wheel steering control device | |
| JPH0843422A (en) | Method and equipment for estimating yaw rate of vehicle |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Withdrawal of application because of no request for examination |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20010904 |