JPH08201235A - 路面摩擦係数の推定方法及び推定装置 - Google Patents

Abstract

(57)【要約】 【目的】 ニューラルネットワーク演算により路面摩擦
係数を精度良く推定する。 【構成】 車両の相互に関連性を有する二つの状態量、
例えば操舵角ｆstg とヨーレートｙr 、車輪駆動力と駆
動輪の滑り率、又は前後軸の滑り率と車体前後加速度を
継続的に検出し、これを記憶部に時系列に配列し記憶す
る。そして、少なくとも上記二つの状態量の時系列の検
出値ｆ(i) ，ｙ(i) を入力変数とするニューラルネット
ワーク演算により路面の摩擦係数μを算出する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、車両が走行する路面の
摩擦係数を推定する推定方法及び推定装置に関するもの
である。

【０００２】

【従来の技術】近年、車両には、アンチスキッドブレー
キ装置（ＡＢＳ）やトラクション制御装置等の走行制御
装置が装備されるようになって来ている。そして、この
ような走行制御装置においては、駆動輪の回転速度と従
動輪の回転速度とから駆動輪の滑り率を算出するととも
に、該滑り率から路面の摩擦係数を推定し、該路面摩擦
係数に基づいて制御を行っている。

【０００３】

【発明が解決しようとする課題】ところで、上記従来の
路面摩擦係数の推定方法では、路面摩擦係数と駆動輪の
滑り率とが相関関係にあることを前提としているが、こ
の両者は相関関係を有しない場合もあり、その場合には
路面摩擦係数が誤って推定されるという問題がある。

【０００４】一方、近年の車両には比較的大容量のＣＰ
Ｕ（中央処理装置）が使用されており、そのＣＰＵには
余分な容量が残っている。このため、ＣＰＵの余分な容
量を有効に利用することが望まれている。尚、車両用Ｃ
ＰＵの余分な容量を有効に利用したものの一つとして、
例えば特開昭４−１８９６３１号公報等に開示されるよ
うに、車両のヨー角速度、ロール角速度、ピッチ角速
度、前後加速度、左右加速度、上下加速度及び車速を入
力変数とするニューラルネットワーク演算により車両制
御パラメータである前輪舵角、後輪舵角、スロットル開
度、燃料噴射料、点火時期、シリンダ圧、ブレーキ圧を
算出するようにしたものが知られている。

【０００５】本発明はかかる諸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、車両用ＣＰＵの余分
な容量を有効に利用するものの一つとして、ニューラル
ネットワーク演算により路面摩擦係数を精度良く推定し
得る推定方法及び推定装置を提供せんとするものであ
る。

【０００６】

【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に係わる発明は、路面摩擦係数の推定方法
として、車両の所定の状態量を継続的に検出収集し、少
なくとも該状態量の時系列の検出値を入力変数とするニ
ューラルネットワーク演算により路面の摩擦係数を算出
する構成とする。

【０００７】請求項２に係わる発明は、特に、上記所定
の状態量を、相互に関連性を有する二つのものとする。
この二つの状態量は、具体的には、請求項３に係わる発
明では操舵角とヨーレートとであり、請求項４に係わる
発明では車輪駆動力と駆動輪の滑り率とであり、請求項
５に係わる発明では前後軸の滑り率と車体前後加速度と
である。

【０００８】請求項６に係わる発明は、請求項４記載の
路面摩擦係数の推定方法において、ニューラルネットワ
ーク演算の一つの入力変数である車輪駆動力の一つの検
出方法を示す。つまり、エンジンの吸気負圧、エンジン
出力軸の回転速度、エンジン出力軸の回転加速度及び変
速機の変速ギヤ位置をそれぞれ検出し、これらの検出値
を入力変数とするニューラルネットワーク演算により車
輪駆動力を算出する。

【０００９】請求項７及び８に係わる発明は、いずれも
請求項１に係わる発明、特にその下位概念発明である請
求項３に係わる発明の改良発明である。

【００１０】すなわち、請求項７に係わる発明は、路面
摩擦係数の推定方法として、車両の操舵角とヨーレート
とをそれぞれ継続的に検出収集し、該操舵角の時系列の
検出値から操舵角の平均値、平均変化速度、パワースペ
クトル等の特徴量を算出するとともに、ヨーレートの時
系列の検出値からヨーレートの平均値、平均変化速度、
パワースペクトル等の特徴量を算出した後、少なくとも
上記操舵角の特徴量及びヨーレートの特徴量を入力変数
とするニューラルネットワーク演算により路面の摩擦係
数を算出する構成とする。

【００１１】また、請求項８に係わる発明は、路面摩擦
係数の推定方法として、車両の操舵角とヨーレートとを
それぞれ継続的に検出収集し、該操舵角の時系列の検出
値及びヨーレートの時系列の検出値から操舵角−ヨーレ
ート伝達関数のゲイン特性及び位相特性を算出した後、
少なくとも上記ゲイン特性及び位相特性を入力変数とす
るニューラルネットワーク演算により路面の摩擦係数を
算出する構成とする。

【００１２】請求項９に係わる発明は、路面摩擦係数の
推定装置として、車両の所定の状態量を検出する検出手
段と、該検出手段で検出した状態量の検出値を時系列的
に収集して記憶する記憶手段と、該記憶手段で記憶した
状態量の時系列の検出値を入力変数とするニューラルネ
ットワーク演算により路面の摩擦係数を算出するニュー
ラルネット部とを備える構成とする。

【００１３】

【作用】上記の構成により、請求項１又は９に係わる発
明では、車両の所定の状態量、例えば相互に関連性を有
する操舵角とヨーレート、車輪駆動力と駆動輪の滑り
率、又は前後軸の滑り率と車体前後加速度を継続的に検
出収集し、少なくとも該状態量の時系列の検出値を入力
変数とするニューラルネットワーク演算により路面の摩
擦係数を算出することにより、路面摩擦係数の推定精度
を高めることができることになる。しかも、このような
演算は、車両用ＣＰＵの余分な容量を利用して行うこと
ができる。

【００１４】請求項６に係わる発明では、エンジンの吸
気負圧、エンジン出力軸の回転速度、エンジン出力軸の
回転加速度及び変速機の変速ギヤ位置をそれぞれ検出
し、これらの検出値を入力変数とするニューラルネット
ワーク演算により車輪駆動力を算出することにより、車
両用ＣＰＵの余分な容量を利用して車輪駆動力を精度良
く推定ないし検出することができる。

【００１５】請求項７に係わる発明では、車両の操舵角
とヨーレートとをそれぞれ継続的に検出収集し、該操舵
角の時系列の検出値から操舵角の平均値、平均変化速
度、パワースペクトル等の特徴量を算出するとともに、
ヨーレートの時系列の検出値からヨーレートの平均値、
平均変化速度、パワースペクトル等の特徴量を算出した
後、少なくとも上記操舵角の特徴量及びヨーレートの特
徴量を入力変数とするニューラルネットワーク演算によ
り路面の摩擦係数を算出することにより、車両用ＣＰＵ
の余分な容量を利用して路面摩擦係数を精度良く推定で
きる上、操舵角及びヨーレートの各時系列の検出値を入
力変数とするニューラルネットワーク演算により路面の
摩擦係数を算出する場合に比べて、ニューラルネットワ
ーク演算での入力変数の次数及びこれらと結合される中
間層のニューロン数が少なくなり、ニューラルネットワ
ーク演算ひいては路面摩擦係数の推定に要する時間も少
なくなるので、車両用ＣＰＵの負担を軽減することがで
きる。

【００１６】請求項８に係わる発明では、車両の操舵角
とヨーレートとをそれぞれ継続的に検出収集し、該操舵
角の時系列の検出値及びーレートの時系列の検出値から
操舵角−ヨーレート伝達関数のゲイン特性及び位相特性
を算出した後、少なくとも上記ゲイン特性及び位相特性
を入力変数とするニューラルネットワーク演算により路
面の摩擦係数を算出することにより、請求項７に係わる
発明の場合と同様に、車両用ＣＰＵの余分な容量を利用
して路面摩擦係数を精度良く推定することができるとと
もに、ニューラルネットワーク演算ひいては路面摩擦係
数の推定に要する時間を少なくして車両用ＣＰＵの負担
を軽減することができる。

【００１７】

【実施例】以下、本発明の実施例を図面に基づいて説明
する。

【００１８】図１は本発明の第１実施例に係わる車両用
の路面摩擦係数の推定装置を示し、１は操舵輪である前
輪の操舵角ｆstg を継続的に検出する舵角センサであっ
て、該舵角センサ１で検出した操舵角ｆstg は、記憶部
２に入力されて、時系列に配列して記憶される。また、
３は車両に発生するヨーレートｙr を継続的に検出する
ヨーレートセンサであって、該ヨーレートセンサ３で検
出したヨーレートセンサｙr は、記憶部４に入力され
て、時系列に配列して記憶される。

【００１９】そして、上記両記憶部２，４に各々記憶し
た操舵角の時系列の検出値ｆ1 〜ｆn 及びヨーレートの
時系列の検出値ｙ1 〜ｙn は、正規化処理部５を通して
ニューラルネット部６に入力される。該ニューラルネッ
ト部６は、正規化処理部５で正規化した操舵角時系列検
出値ｆ1 〜ｆn 及びヨーレート時系列検出値ｙ1 〜ｙn
の各正規化値を入力変数としかつ中間層に複数のニュー
ロンを有するニューラルネットワークにより構成され、
ニューラルネットワーク演算により装置の推定対象であ
る路面摩擦係数μを算出する。

【００２０】次に、上記第１実施例の推定装置におい
て、路面摩擦係数μを推定する場合の動作手順である推
定方法について、図２に示すフローチャートに従って説
明する。

【００２１】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 で車両の
状態量としての操舵角ｆstg 及びヨーレートｙr を各々
のセンサ１，３により測定し、ステッフＳ3 で記憶部
２，４にてそれぞれ操舵角ｆstg 及びヨーレートｙr の
新たな検出値をｆ1 ，ｙ1 として記憶するとともに、既
に記憶している過去の操舵角及びヨーレートの検出値を
ｆ(i-1) ，ｙ(i-1) からｆ(i) ，ｙ(i) に変更し、記憶
データを時系列に整理収集する。尚、ｉは２〜ｎであ
り、ｎは１０程度である。

【００２２】続いて、ステップＳ4 で正規化処理部５に
て上記操舵角及びヨーレートの時系列の検出値ｆ(i) ，
ｙ(i) を正規化する。この正規化計算は、下記の式 ｆn(i)＝ｆ(i) ／５ ｙn(i)＝ｙ(i) ／３０ Ｐ＝［ｆ(i) ，ｙ(i) ］ により行う。

【００２３】しかる後、ステップＳ5 でニューラルネッ
ト部６にて操舵角の時系列の検出値正規化値ｆn(i)及び
ヨーレートの時系列の検出値正規化値ｙn(i)を入力変数
とするニューラルネットワーク演算をして路面摩擦係数
μを算出する。この路面摩擦係数μを算出するためのニ
ューラルネットワーク演算（ニューラルネット計算とも
いう）は、図３に示すフローチャートに従って行う。

【００２４】このように、第１実施例においては、車両
の相互に関連性を有する二つの状態量である操舵角ｆst
g とヨーレートｙr とを継続的に検出収集し、該操舵角
の時系列の検出値ｆ(i) 及びヨーレートの時系列の検出
値ｙ(i) を入力変数とするニューラルネットワーク演算
により路面の摩擦係数μを算出することにより、路面摩
擦係数μを精度良く推定することができる。しかも、ニ
ューラルネットワーク演算は、車両用ＣＰＵの余分な容
量を利用して行うことができるので、ＣＰＵの有効な利
用により路面摩擦係数μの推定精度の向上を図ることが
できる。

【００２５】次に、上記ニューラルネット計算につい
て、図３に示すフローチャートに従って説明する。

【００２６】図３において、先ず、ステップＳ21で正規
化情報Ｐ（操舵角の時系列の検出値正規化値ｆn(i)及び
ヨーレートの時系列の検出値正規化値ｙn(i)）を入力し
た後、ステップＳ22でこの正規化情報Ｐ1 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Ｕ
0 と置換える。ここで、ｉは中間層のニューロン数、ｊ
は入力数である。

【００２７】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路面摩擦係数μを求
め、ステップＳ26でこの路面摩擦係数μに出力層バイア
ス係数Ｂ2 を加算し、その値を新たに路面摩擦係数μと
置換える。以上によってニューラルネット計算を終了
し、メインルーチンに戻る。

【００２８】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。

【００２９】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。

【００３０】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。

【００３１】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。

【００３２】（第２実施例）図５は本発明の第２実施例
に係わる車両用の路面摩擦係数の推定装置を示し、１１
は操舵輪である前輪の操舵角ｆstg を継続的に検出する
舵角センサであって、該舵角センサ１１で検出した操舵
角ｆstg は、記憶部１２に入力されて、時系列に配列し
て記憶される。また、１３は車両に発生するヨーレート
ｙr を継続的に検出するヨーレートセンサであって、該
ヨーレートセンサ１３で検出したヨーレートセンサｙr
は、記憶部１４に入力されて、時系列に配列して記憶さ
れる。

【００３３】そして、上記記憶部１２に記憶した操舵角
の時系列の検出値ｆ1 〜ｆn は特徴量抽出部１５に入力
される。該特徴量抽出部１５は、操舵角の時系列の検出
値ｆ1 〜ｆn から操舵角の特徴量Θである平均値、平均
変化速度及びパワースペクトルを各々算出するものであ
る。また、上記記憶部１４に記憶したヨーレートの時系
列の検出値ｙ1 〜ｙn は特徴量抽出部１６に入力され
る。該特徴量抽出部１６は、ヨーレートの時系列の検出
値ｙ1 〜ｙn からヨーレートの特徴量Ψである平均値、
平均変化速度及びパワースペクトルを各々算出するもの
である。上記両特徴量抽出部１５，１６で各々算出した
操舵角の特徴量Θ及びヨーレートの特徴量Ψは、正規化
処理部１７を通してニューラルネット部１８に入力され
る。該ニューラルネット部１８は、正規化処理部１７で
正規化した操舵角特徴量Θ及びヨーレート特徴量Ψの各
正規化値を入力変数としかつ中間層に複数のニューロン
を有するニューラルネットワークにより構成され、ニュ
ーラルネットワーク演算により装置の推定対象である路
面摩擦係数μを算出する。

【００３４】次に、上記第２実施例の推定装置におい
て、路面摩擦係数μを推定する場合の動作手順である推
定方法について、図６に示すフローチャートに従って説
明する。

【００３５】図６において、先ず、ステップＳ41で計測
タイミングとなるのを待った後、ステップＳ42で車両の
状態量としての操舵角ｆstg 及びヨーレートｙr を各々
のセンサ１１，１３により測定し、ステッフＳ43で記憶
部１２，１４にてそれぞれ操舵角ｆstg 及びヨーレート
ｙr の新たな検出値をｆ1 ，ｙ1 として記憶するととも
に、既に記憶している過去の操舵角及びヨーレートの検
出値をｆ(i-1) ，ｙ(i-1) からｆ(i) ，ｙ(i) に変更
し、記憶データを時系列に整理収集する。尚、ｉは２〜
ｎであり、ｎは１０程度である。

【００３６】続いて、ステップＳ44で特徴量抽出部１５
にて操舵角の特徴量Θである平均操舵角ｍｆ、平均操舵
速度ｖｆ及びパワースペクトルｐｆを各々算出する。こ
れらは、記憶部１２に記憶している操舵角の時系列の検
出値ｆ(i) （ｆ1 〜ｆn ）を用いて下記の式 ｍｆ＝ｍｅａｎ（ｆ(i) ）＝｛Σｆ(i) ｝／ｎ ｖｆ＝ｍｅａｎ（ｄｆ(i) ／ｄｔ）＝｛Σｄｆ(i) ／ｄ
ｔ｝／（ｎ−１） ｐｆ＝ｓｐｅｃｔ（ｆ(i) ） により算出される。尚、パワースペクトルｐｆは、高速
フーリエ変換（ＦＦＴ）法により算出される。

【００３７】また、ステップＳ45で特徴量抽出部１６に
てヨーレートの特徴量Ψである平均ヨーレートｍｙ、平
均ヨーレート変化速度ｖｙ及びパワースペクトルｐｙを
各々算出する。これらは、記憶部１４に記憶しているヨ
ーレートの時系列の検出値ｙ(i) （ｙ1 〜ｙn ）を用い
て下記の式 ｍｙ＝ｍｅａｎ（ｙ(i) ）＝｛Σｙ(i) ｝／ｎ ｖｙ＝ｍｅａｎ（ｄｙ(i) ／ｄｔ）＝｛Σｄｙ(i) ／ｄ
ｔ｝／（ｎ−１） ｐｙ＝ｓｐｅｃｔ（ｙ(i) ） により算出される。

【００３８】続いて、ステップＳ46で正規化処理部１７
にて上記操舵角の特徴量Θ（ｍｆ，ｖｆ，ｐｆ）及びヨ
ーレートの特徴量Ψ（ｍｙ，ｖｙ，ｐｙ）を正規化す
る。この正規化計算は、下記の式 ｍｆn ＝ｍｆ／５ ｖｆn ＝ｖf ／２ ｐｆn ＝ｐf ／１０ ｍｙn ＝ｍｙ／３０ ｖｙn ＝ｖy ／５ ｐｙn ＝ｐy ／５０ Ｐ＝［ｍｆn ，ｖｆn ，ｐｆn ，ｍｙn ，ｖｙn ，ｐｙ
n ］^T により行う。尚、マトリックスＰのT は転置マトリック
スを意味する。

【００３９】しかる後、ステップＳ47でニューラルネッ
ト部１８にて操舵角の特徴量正規化値である平均操舵角
正規化値ｍｆn 、平均操舵速度正規化値ｖｆn 及びパワ
ースペクトル正規化値ｐｆn 、並びにヨーレートの特徴
量正規化値である平均ヨーレート正規化値ｍｙn 、平均
ヨーレート変化速度正規化値ｖｙn 及びパワースペクト
ル正規化値ｐｙn を入力変数とするニューラルネットワ
ーク演算をして路面摩擦係数μを算出する。尚、路面摩
擦係数μを算出するためのニューラルネットワーク演算
は、第１実施例のそれと殆ど同じであり、図３に示すニ
ューラルネット計算のフローチャートにおいて、単に入
力情報Ｐ、重み係数Ｗ及びバイアス係数Ｂが異なるだけ
である。

【００４０】このように、第２実施例においては、車両
の相互に関連性を有する二つの状態量である操舵角ｆst
g とヨーレートｙr とを継続的に検出収集し、該操舵角
の時系列の検出値ｆ(i) から操舵角の特徴量である平均
操舵角ｍｆ、平均操舵速度ｖｆ、パワースペクトルｐｆ
を算出するとともに、ヨーレートの時系列の検出値ｙ
(i) からヨーレートの平均ヨーレートｍｙ、平均ヨーレ
ート変化速度ｖｙ、パワースペクトルｐｙを算出した
後、上記操舵角の特徴量とヨーレートの特徴量とを入力
変数とするニューラルネットワーク演算により路面摩擦
係数μを算出することにより、車両用ＣＰＵの余分な容
量を利用して路面摩擦係数を精度良く推定できる。その
上、第１実施例の如く操舵角及びヨーレートの各時系列
の検出値ｆ(i) ，ｙ(i) を入力変数とするニューラルネ
ットワーク演算により路面摩擦係数μを算出する場合に
比べて、ニューラルネットワーク演算での入力変数の次
数及びこれらと結合される中間層のニューロン数が少な
くなり、ニューラルネットワーク演算ひいては路面摩擦
係数μの推定に要する時間も少なくなるので、車両用Ｃ
ＰＵの負担を軽減することができる。

【００４１】尚、上記第２実施例では、操舵角の特徴量
Θとヨーレートの特徴量Ψとを入力変数とするニューラ
ルネットワーク演算により路面摩擦係数μを算出するよ
うにしたが、ニューラルネットワーク演算の入力変数と
して、操舵角及びヨーレートの特徴量以外に、車速等そ
の他の車両状態量を加えて路面摩擦係数μを算出するよ
うにしてもよい。

【００４２】また、第２実施例では、操舵角及びヨーレ
ートの各特徴量として、平均値ｍｆ，ｍｙ、平均変化速
度ｖｆ，ｖｙ及びパワースペクトルｐｆ，ｐｙを算出
し、これらを全て入力変数とするニューラルネットワー
ク演算により路面摩擦係数μを算出するようにしたが、
上記三種類の特徴量の全部又は一部と他の特徴量（例え
ば平均変化加速度）とを入力変数とするニューラルネッ
トワーク演算により路面摩擦係数μを算出するようにし
てもよいのは言うまでもない。

【００４３】（第３実施例）図７は本発明の第３実施例
に係わる車両用の路面摩擦係数の推定装置を示し、２１
は操舵輪である前輪の操舵角ｆstg を継続的に検出する
舵角センサであって、該舵角センサ２１で検出した操舵
角ｆstg は、記憶部２２に入力されて、時系列に配列し
て記憶される。また、２３は車両に発生するヨーレート
ｙr を継続的に検出するヨーレートセンサであって、該
ヨーレートセンサ２３で検出したヨーレートセンサｙr
は、記憶部２４に入力されて、時系列に配列して記憶さ
れる。

【００４４】そして、上記記憶部２２に記憶した操舵角
の時系列の検出値ｆ1 〜ｆn と上記記憶部２４に記憶し
たヨーレートの時系列の検出値ｙ1 〜ｙn とは、共にゲ
イン位相特性算出部２５に入力される。該算出部２５
は、操舵角の時系列の検出値ｆ1 〜ｆn 及びヨーレート
の時系列の検出値ｙ1 〜ｙn から操舵角−ヨーレート伝
達関数のゲイン特性ｇ及びヨーレート特性φを算出する
ものである。上記算出部２５で算出したゲイン特性ｇ及
びヨーレート特性φは、正規化処理部２６を通してニュ
ーラルネット部２７に入力される。該ニューラルネット
部２７は、正規化処理部２６で正規化したゲイン特性ｇ
及びヨーレート特性φの各正規化値を入力変数としかつ
中間層に複数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、ニューラルネットワーク演算によ
り装置の推定対象である路面摩擦係数μを算出する。

【００４５】次に、上記第３実施例の推定装置におい
て、路面摩擦係数μを推定する場合の動作手順である推
定方法について、図８に示すフローチャートに従って説
明する。

【００４６】図８において、先ず、ステップＳ51で計測
タイミングとなるのを待った後、ステップＳ52で車両の
状態量としての操舵角ｆstg 及びヨーレートｙr を各々
のセンサ２１，２３により測定し、ステッフＳ53で記憶
部２２，２４にてそれぞれ操舵角ｆstg 及びヨーレート
ｙr の新たな検出値をｆ1 ，ｙ1 として記憶するととも
に、既に記憶している過去の操舵角及びヨーレートの検
出値をｆ(i-1) ，ｙ(i-1) からｆ(i) ，ｙ(i) に変更
し、記憶データを時系列に整理収集する。尚、ｉは２〜
ｎであり、ｎは１０程度である。

【００４７】続いて、ステップＳ54で操舵角の時系列の
検出値ｆ(i) 及びヨーレートの時系列の検出値ｙ(i) を
用いてＡＲＸ法により操舵角−ヨーレート伝達特性を同
定する。つまり、 Ａ（ｚ）×ｙ(i) ＝Ｂ（ｚ）×ｆ(i) Ａ（ｚ）＝１＋ａ1 ｚ^-1＋ａ2 ｚ^-2＋…＋ａm ｚ^-m Ｂ（ｚ）＝ｂ1 ＋ｂ2 ｚ^-1＋ｂ3 ｚ^-2＋…＋ｂm ｚ
^-(m-1) とおき、上式のａ1 〜ａm ，ｂ1 〜ｂm を最小２乗法で
決定する。

【００４８】続いて、ステップＳ55で上記Ａ（ｚ），Ｂ
（ｚ）を用いて、操舵角−ヨーレート伝達関数Ｇ（ｚ）
を下記の式 Ｇ（ｚ）＝Ｂ（ｚ）／Ａ（ｚ） により算出し、ステップＳ56で更にこのＧ（ｚ）に対
し、ｚ＝ｊωｔと置き換えることでω領域つまり周波数
領域への変換を行う。しかる後、ステップＳ57でＧ（ｊ
ω）を下記の式 Ｇ（ｊω）＝Ｒ（ｊω）＋ｊＸ（ｊω） に置き換える。但し、 Ｒ（ｊω）＝Ｒe （Ｇ（ｊω）） Ｘ（ｊω）＝Ｉm （Ｇ（ｊω）） である。そして、このＲ（ｊω），Ｘ（ｊω）を用い
て、ゲインの周波数応答特性ｇ（ω）及び位相の周波数
応答特性φ（ω）を下記の式 ｇ（ω）＝｜Ｇ（ω）｜² ＝（Ｒ（ω））² ＋（Ｘ
（ω））² φ（ω）＝ｔａｎ^-1Ｘ（ω）／Ｒ（ω） により算出する。

【００４９】上記ゲイン特性ｇ（ω）及び位相特性φ
（ω）は、それぞれ図９（ａ）及び（ｂ）に示すような
曲線となり、このゲイン特性曲線及び位相特性曲線は、
いずれも複数の周波数ω1 〜ωk でのゲインｇ1 〜ｇk
又は位相φ1 〜φk の集合により表される。但し、この
集合の個数ｋは、操舵角又はヨーレートの時系列の検出
値ｆ(i) ，ｙ(i) の集合個数ｎよりも少ない（ｋ＜
ｎ）。ステップＳ54〜Ｓ57の一連の演算は、ゲイン位相
特性算出部２５で行われる。

【００５０】続いて、ステップＳ58で正規化処理部２６
にて上記ゲイン特性ｇ(i) （＝ｇ1〜ｇk ）及び位相特
性φ(i) （＝φ1 〜φk ）を正規化する。この正規化計
算は、下記の式 ｇn(i)＝ｇ(i) ／５ φn(i)＝φ(i) ／５０ Ｐ＝［ｇn(i)，φn(i)］ により行う。

【００５１】しかる後、ステップＳ59でニューラルネッ
ト部２７にてゲイン特性正規化値ｇn(i)及び位相特性正
規化値φn(i)を入力変数とするニューラルネットワーク
演算をして路面摩擦係数μを算出する。尚、路面摩擦係
数μを算出するためのニューラルネットワーク演算は、
第１実施例のそれと殆ど同じであり、図３に示すニュー
ラルネット計算のフローチャートにおいて、単に入力情
報Ｐ、重み係数Ｗ及びバイアス係数Ｂが異なるだけであ
る。

【００５２】このように、第３実施例においては、車両
の相互に関連性を有する二つの状態量である操舵角ｆst
g とヨーレートｙr とを継続的に検出収集し、該操舵角
の時系列の検出値ｆ(i) 及びヨーレートの時系列の検出
値ｙ(i) から操舵角−ヨーレート伝達関数のゲイン特性
ｇ(i) 及び位相特性φ(i) を算出した後、上記ゲイン特
性ｇ(i) 及び位相特性φ(i) を入力変数とするニューラ
ルネットワーク演算により路面摩擦係数μを算出するこ
とにより、車両用ＣＰＵの余分な容量を利用して路面摩
擦係数を精度良く推定できる。その上、第１実施例の如
く操舵角及びヨーレートの各時系列の検出値ｆ(i) ，ｙ
(i) を入力変数とするニューラルネットワーク演算によ
り路面摩擦係数μを算出する場合に比べて、ニューラル
ネットワーク演算での入力変数の次数及びこれらと結合
される中間層のニューロン数が少なくなり、ニューラル
ネットワーク演算ひいては路面摩擦係数μの推定に要す
る時間も少なくなるので、車両用ＣＰＵの負担を軽減す
ることができる。

【００５３】尚、上記第３実施例では、操舵角−ヨーレ
ート伝達関数のゲイン特性ｇ(i) 及び位相特性φ(i) を
入力変数とするニューラルネットワーク演算により路面
摩擦係数μを算出するようにしたが、ニューラルネット
ワーク演算の入力変数として、ゲイン特性ｇ(i) 及び位
相特性φ(i) 以外に、車速や操舵角等その他の車両状態
量を加えて路面摩擦係数μを算出するようにしてもよ
い。

【００５４】（第４実施例）図１０は本発明の第４実施
例に係わる車両用の路面摩擦係数の推定装置を示し、３
１はエンジンの吸気負圧Ｂoostを継続的に検出する吸気
負圧検出手段、３２はエンジン出力軸の回転速度Ｅspを
検出するエンジン回転検出手段であり、上記両検出手段
３１，３２の検出信号Ｂoost，Ｅspは、共に正規化処理
部３３を通してニューラルネット部３４に入力される。
該ニューラルネット部３４は、正規化処理部３３で正規
化した吸気負圧Ｂoost及びエンジン回転速度Ｅspの各正
規化値を入力変数としかつ中間層に複数のニューロンを
有するニューラルネットワークにより構成され、ニュー
ラルネットワーク演算によりエンジン出力Ｐe を算出す
る。このエンジン出力Ｐe は、正規化処理部３５を通し
てニューラルネット部３６に入力される。

【００５５】上記エンジン回転検出手段３２で検出した
エンジン出力軸の回転速度Ｅspは、微分器３７に入力さ
れ、該微分器３７は、エンジン出力軸の回転速度Ｅspを
微分してその回転加速度ｄesp を算出する。この回転加
速度ｄesp は、エンジン出力Ｐe と同様に正規化処理部
３５を通してニューラルネット部３６に入力される。ま
た、３８は変速機の変速ギヤ位置Ｇear を検出するギヤ
位置検出手段であって、該検出手段３８の検出信号Ｇea
r も正規化処理部３５を通してニューラルネット部３６
に入力される。そして、上記ニューラルネット部３６
は、正規化処理部３５で各々正規化したエンジン出力Ｐ
e 、回転加速度ｄesp 及び変速ギヤ位置Ｇear の各正規
化値を入力変数としかつ中間層に複数のニューロンを有
するニューラルネットワークにより構成され、ニューラ
ルネットワーク演算により駆動輪への車輪駆動力Ｔd を
算出する。この車輪駆動力Ｔd は、正規化処理部３９を
通して記憶部４０に入力される。

【００５６】さらに、４１は駆動輪の回転速度Ｄn を検
出する駆動輪回転検出手段、４２は従動輪の回転速度Ｃ
n を検出する従動輪回転検出手段であり、上記両回転検
出手段４１，４２の検出信号Ｄn ，Ｃn は滑り率算出部
４３に入力される。該滑り率算出部４３は、駆動輪の回
転速度Ｄn と従動輪の回転速度Ｃn とから駆動輪の滑り
率ｓを算出するものであり、この滑り率ｓは、車輪駆動
力Ｔd と同様に正規化処理部３９を通して記憶部４０に
入力される。また、上記従動輪回転検出手段４２の検出
信号Ｃn は微分器４４に入力され、該微分器４４は、従
動輪の回転速度Ｃn を微分してその回転加速度ひいては
車体前後加速度ｇを算出する。この車体前後加速度ｇも
正規化処理部３９を通して記憶部４０に入力される。

【００５７】上記記憶部４０は、正規化処理部３９で正
規化した車輪駆動力Ｔd 、滑り率ｓ及び車体前後加速度
ｇの各正規化値を時系列に配列して記憶するものであ
り、該記憶部４９に記憶した車輪駆動力Ｔd 、滑り率ｓ
及び車体前後加速度ｇの各々の時系列の正規化値は、ニ
ューラルネット部４５に入力される。該ニューラルネッ
ト部４５は、車輪駆動力Ｔd 、滑り率ｓ及び車体前後加
速度ｇの各時系列の正規化値を入力変数としかつ中間層
に複数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、ニューラルネットワーク演算により装置
の推定対象である路面摩擦係数μを算出する。

【００５８】次に、上記第４実施例の推定装置におい
て、路面摩擦係数μを推定する場合の動作手順である推
定方法について、図１１に示すフローチャートに従って
説明する。

【００５９】図１１において、先ず、ステップＳ61で計
測タイミングとなるのを待った後、ステップＳ62で車両
の状態量としての吸気負圧Ｂoost、エンジン回転Ｅsp、
変速ギヤ位置Ｇear 、駆動輪回転Ｄn 及び従動輪回転Ｃ
n を各々の検出手段３１，３２，３８，４１，４２によ
り測定し、ステッフＳ63で正規化処理部３３にて上記吸
気負圧Ｂoost及びエンジン回転Ｅspを正規化する。この
正規化計算は、下記の式 Ｂoostn ＝（Ｂoost＋１３）／８０ Ｅspn ＝（Ｅsp−３８００）／３２００ Ｐ1 ＝［Ｂoostn ，Ｅspn ］^T により行う。その後、ステップＳ64でニューラルネット
部３４にて吸気負圧正規化値Ｂoostn 及びエンジン回転
正規化値Ｅspn を入力変数とするニューラルネットワー
ク演算をしてエンジン出力Ｐe を算出する。

【００６０】続いて、ステップＳ65で微分器３７にてエ
ンジン回転Ｅspを微分してエンジン回転変化速度つまり
回転加速度ｄesp （＝ｄＥsp／ｄｔ）を求め、ステップ
Ｓ66で正規化処理部３５にてその入力情報であるエンジ
ン出力Ｐe 、エンジン回転加速度ｄesp 及び変速ギヤ位
置Ｇear を正規化する。この正規化計算は、下記の式 Ｐen＝Ｐe ／５０ ｄespn＝（ｄesp −２０００）／２０００ Ｇearn＝Ｇear ／５ Ｐ2 ＝［Ｐen，ｄespn，Ｇearn］^T により行う。その後、ステップＳ67でニューラルネット
部３６にてエンジン出力正規化値Ｐen、エンジン回転加
速度正規化値ｄespn及び変速ギヤ位置正規化値Ｇearnを
入力変数とするニューラルネットワーク演算をして車輪
駆動力Ｔd を算出する。

【００６１】続いて、ステップＳ68で滑り率算出部４３
にて駆動輪の滑り率ｓを算出する。この滑り率ｓは、駆
動輪回転Ｄn と従動輪回転Ｃn とから下記の式 ｓ＝（Ｃn −Ｄn ）／Ｄn により算出される。また、ステップＳ69で微分器４４に
て従動輪回転Ｃn を微分して車体前後加速度ｇ（＝ｄＣ
n ／ｄｔ）を算出する。

【００６２】しかる後、ステップＳ70で正規化処理部３
９にてその入力情報である車輪駆動力Ｔd 、駆動輪の滑
り率ｓ及び車体前後加速度ｇを正規化する。この正規化
計算は、下記の式 Ｔdn＝Ｔd ／５０００ ｓn ＝ｓ ｇn ＝ｇ／２ Ｐ3 ＝［Ｔdn，ｓn ，ｇn ］ により行う。

【００６３】続いて、ステップＳ71で記憶部４０にて車
輪駆動力正規化値Ｔdn、滑り率正規化値ｓn 及び車体前
後加速度正規化値ｇn を時系列に配置収集して、下記の
表１に示すようなマトリックスＰ4 を作成する。

【００６４】

【表１】 その後、ステップＳ72でニューラルネット部４５にて上
記マトリックスＰ4 を入力情報とするニューラルネット
ワーク演算をして装置の推定対象である路面摩擦係数μ
を算出する。

【００６５】尚、エンジン出力Ｐe の推定用ニューラル
ネット計算、車輪駆動力Ｔd の推定用ニューラルネット
計算及び路面摩擦係数μの推定用ニューラルネット計算
は、第１実施例での路面摩擦係数μの推定用ニューラル
ネット計算（図３参照）と殆ど同じであり、単に入力情
報Ｐ、重み係数Ｗ及びバイアス係数Ｂが異なるだけであ
る。

【００６６】このように、第４実施例においては、車両
の相互に関連性を有する二つの状態量である車輪駆動力
Ｔd と駆動輪の滑り率ｓとを継続的に検出収集するとと
もに、車体前後加速度ｇを継続的に検出収集し、上記車
輪駆動力Ｔd 、駆動輪の滑り率ｓ及び車体前後加速度ｇ
の各々の時系列の検出値を入力変数とするニューラルネ
ットワーク演算により路面摩擦係数μを算出することに
より、車両用ＣＰＵの余分な容量を利用して路面摩擦係
数を精度良く推定できる。しかも、エンジンの吸気負圧
Ｂoost、エンジン出力軸の回転速度Ｅsp、エンジン出力
軸の回転加速度ｄesp 及び変速機の変速ギヤ位置Ｇear
を入力変数とする２段のニューラルネットワーク演算に
より車輪駆動力Ｔd を算出しているため、車両用ＣＰＵ
の余分な容量をより有効に利用して車輪駆動力Ｔd を正
確に推定でき、路面摩擦係数μの推定精度を一層高める
ことができる。

【００６７】（第５実施例）図１２は本発明の第５実施
例に係わる車両用の路面摩擦係数の推定装置を示し、５
１は車両の４車輪のうち右側前輪の車輪速Ｗfrを検出す
る車輪速センサ、５２は左側前輪の車輪速Ｗflを検出す
る車輪速センサ、５３は右側後輪の車輪速Ｗrrを検出す
る車輪速センサ、５４は左側後輪の車輪速Ｗrlを検出す
る車輪速センサであり、これら四つの車輪速センサ５１
〜５４の検出信号Ｗfr，Ｗfl，Ｗrr，Ｗrlは、全て車体
速決定部５５に入力される。該車体速決定部５５は、４
車輪の車輪速Ｗfr，Ｗfl，Ｗrr，Ｗrlのうち、最大の車
輪速を車体速とするようになっている。

【００６８】また、上記車輪速センサ５１，５２で検出
した左右前輪の車輪速Ｗfr，Ｗflは、加算器５６に入力
して互いに加算され、しかる後その加算値が積算器５７
に入力して１／２の定数と積算されるようになってお
り、上記車輪速センサ５１，５２、加算器５６及び積算
器５７により、前輪の平均車輪速（つまり前軸の平均回
転速度）Ｗf を算出する前輪回転検出手段５８が構成さ
れている。一方、上記車輪速センサ５３，５４で検出し
た左右後輪の車輪速Ｗrr，Ｗrlは、加算器５９に入力し
て互いに加算され、しかる後その加算値が積算器６０に
入力して１／２の定数と積算されるようになっており、
上記車輪速センサ５３，５４、加算器５９及び積算器６
０により、後輪の平均車輪速（つまり後軸の平均回転速
度）Ｗr を算出する後輪回転検出手段６１が構成されて
いる。

【００６９】上記前輪回転検出手段５８（積算部５７）
で検出した前輪の平均車輪速Ｗf と上記後輪回転検出手
段６１（積算部６０）で検出した後輪の平均車輪速Ｗr
とは、滑り率算出部６２に入力される。また、上記車体
速決定部５５で決定した車体速も滑り率算出部６２に入
力される。該滑り率算出部６２は、前輪の平均車輪速Ｗ
f 及び後輪の平均車輪速Ｗr と車体速とから前軸の滑り
率ｓf 及び後軸の滑り率ｓr を算出するようになってい
る。この前後軸の滑り率ｓf ，ｓr は、正規化処理部６
３を通して記憶部６４に入力される。上記車体速決定部
５５で決定した車体速は、微分器６５に入力され、該微
分器６５は、車体速を微分して車体前後加速度ｇを算出
する。この車体前後加速度ｇも正規化処理部６３を通し
て記憶部６４に入力される。

【００７０】上記記憶部６４は、正規化処理部６３で正
規化した前後軸の滑り率ｓf ，ｓr及び車体前後加速度
ｇの各正規化値を時系列に配列して記憶するものであ
り、該記憶部４９に記憶した前後軸の滑り率ｓf ，ｓr
及び車体前後加速度ｇの各々の時系列の正規化値は、ニ
ューラルネット部６６に入力される。該ニューラルネッ
ト部６６は、前後軸の滑り率ｓf ，ｓr 及び車体前後加
速度ｇの各々の時系列の正規化値を入力変数としかつ中
間層に複数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、ニューラルネットワーク演算により
装置の推定対象である路面摩擦係数μを算出する。

【００７１】次に、上記第５実施例の推定装置におい
て、路面摩擦係数μを推定する場合の動作手順である推
定方法について、図１３に示すフローチャートに従って
説明する。

【００７２】図１３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
の状態量としての４車輪の車輪速Ｗfr，Ｗfl，Ｗrr，Ｗ
rlを車輪速センサ５１〜５４により測定し、ステップＳ
83で車体速決定部５５にてこの４車輪の車輪速Ｗfr，Ｗ
fl，Ｗrr，Ｗrlのうち、最大のものを車体速Ｗmax とす
る。

【００７３】続いて、ステップＳ84で今回の車体速Ｗma
x(t)と前回（１計測タイミング前）の車体速Ｗmax(t-1)
との差分に係数ｋを積算して車体前後加速度ｇを算出す
る。また、ステップＳ85で前後軸の平均回転速度Ｗf ，
Ｗr を、下記の式 Ｗf ＝（Ｗfr＋Ｗfl）／２ Ｗr ＝（Ｗrr＋Ｗrl）／２ により算出する。この計算は、前輪回転検出手段５８及
び後輪回転検出手段６１の加算器５６，５９と積算器５
７，６０とで行われる。その後、ステップＳ86で滑り率
算出部６２にて前後軸の滑り率ｓf ，ｓr を下記の式 ｓf ＝（Ｗmax −Ｗf ）／Ｗmax ｓr ＝（Ｗmax −Ｗr ）／Ｗmax により算出する。

【００７４】しかる後、ステップＳ87で正規化処理部６
３にてその入力情報である前後軸の滑り率ｓf ，ｓr 及
び車体前後加速度ｇを正規化する。この正規化計算は、
下記の式 ｓfn＝ｓf ｓrn＝ｓr ｇn ＝ｇ／２ Ｐ3 ＝［ｓfn，ｓrn，ｇn ］ により行う。

【００７５】続いて、ステップＳ88で記憶部６４にて前
後軸の滑り率正規化値ｓfn，ｓrn及び車体前後加速度正
規化値ｇn を時系列に配置収集して、下記の表２に示す
ようなマトリックスＰＥを作成する。

【００７６】

【表２】 その後、ステップＳ89でニューラルネット部６６にて上
記マトリックスＰＥを入力情報とするニューラルネット
ワーク演算をして装置の推定対象である路面摩擦係数μ
を算出する。

【００７７】尚、路面摩擦係数μの推定用ニューラルネ
ット計算は、第１実施例での路面摩擦係数μの推定用ニ
ューラルネット計算（図３参照）と殆ど同じであり、単
に入力情報Ｐ、重み係数Ｗ及びバイアス係数Ｂが異なる
だけである。

【００７８】このように、第５実施例においても、車両
の相互に関連性を有する二つの状態量である前後軸の滑
り率ｓf ，ｓr 及び車体前後加速度ｇを継続的に検出収
集し、該前後軸の滑り率ｓf ，ｓr 及び車体前後加速度
ｇの各々の時系列の検出値を入力変数とするニューラル
ネットワーク演算により路面摩擦係数μを算出すること
により、車両用ＣＰＵの余分な容量を利用して路面摩擦
係数を精度良く推定できる。

【００７９】

【発明の効果】以上の如く、請求項１又は９に係わる発
明によれば、車両の所定の状態量を継続的に検出収集
し、少なくとも該状態量の時系列の検出値を入力変数と
するニューラルネットワーク演算により路面の摩擦係数
を算出することにより、車両用ＣＰＵの余分な容量を利
用しながら、路面摩擦係数の推定精度を高めることがで
きる。

【００８０】また、請求項６に係わる発明によれば、エ
ンジンの吸気負圧、エンジン出力軸の回転速度、エンジ
ン出力軸の回転加速度及び変速機の変速ギヤ位置をそれ
ぞれ検出し、これらの検出値を入力変数とするニューラ
ルネットワーク演算により車輪駆動力を算出することに
より、車両用ＣＰＵの余分な容量を利用して車輪駆動力
を精度良く推定することができるという効果をも併有す
る。

【００８１】さらに、請求項７又は８に係わる発明によ
れば、車両の操舵角とヨーレートとをそれぞれ継続的に
検出収集し、それらの時系列の検出値から平均値、平均
変化速度、パワースペクトル等の特徴量、又は操舵角−
ヨーレート伝達関数のゲイン特性及び位相特性を算出し
た後、これを入力変数とするニューラルネットワーク演
算により路面の摩擦係数を算出することにより、車両用
ＣＰＵの余分な容量を利用して路面摩擦係数を精度良く
推定することができるとともに、ニューラルネットワー
ク演算ひいては路面摩擦係数の推定に要する時間を少な
くして車両用ＣＰＵの負担を軽減することができる。

【図面の簡単な説明】

【図１】本発明の第１実施例に係わる路面摩擦係数の推
定装置のブロック線図である。

【図２】同じく路面摩擦係数の推定方法のメインルーチ
ンを示すフローチャート図である。

【図３】ニューラルネット計算のサブルーチンを示すフ
ローチャート図である。

【図４】中間層伝達関数計算のサブルーチンを示すフロ
ーチャート図である。

【図５】第２実施例を示す図１相当図である。

【図６】同じく図２相当図である。

【図７】第３実施例を示す図１相当図である。

【図８】同じく図２相当図である。

【図９】操舵角−ヨーレート伝達関数のゲイン特性及び
位相特性を示す図である。

【図１０】第４実施例を示す図１相当図である。

【図１１】同じく図２相当図である。

【図１２】第５実施例を示す図１相当図である。

【図１３】同じく図２相当図である。

【符号の説明】

１，１１，２１ 舵角センサ（検出手段） ２，４，１２，１４，２２，２４，４０，６４ 記憶
部（記憶手段） ３，１３，２３ ヨーレートセンサ（検出手段） ６，１８，２７，４５，６６ ニューラルネット部 １５，１６ 特徴量抽出部 ２５ ゲイン位相特性算出部 ４３，６２ 滑り率算出部

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁶ 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｇ０６Ｆ 15/18 ５５０ Ｅ 17/00

Claims (9)

【特許請求の範囲】
1. 【請求項１】 車両の所定の状態量を継続的に検出収
   集し、少なくとも該状態量の時系列の検出値を入力変数
   とするニューラルネットワーク演算により路面の摩擦係
   数を算出することを特徴とする路面摩擦係数の推定方
   法。
2. 【請求項２】 上記所定の状態量は、相互に関連性を有
   する二つのものである請求項１記載の路面摩擦係数の推
   定方法。
3. 【請求項３】 上記二つの状態量は、操舵角とヨーレー
   トとである請求項２記載の路面摩擦係数の推定方法。
4. 【請求項４】 上記二つの状態量は、車輪駆動力と駆動
   輪の滑り率とである請求項２記載の路面摩擦係数の推定
   方法。
5. 【請求項５】 上記二つの状態量は、前後軸の滑り率と
   車体前後加速度とである請求項２記載の路面摩擦係数の
   推定方法。
6. 【請求項６】 請求項４記載の路面摩擦係数の推定方法
   であって、 エンジンの吸気負圧、エンジン出力軸の回転速度、エン
   ジン出力軸の回転加速度及び変速機の変速ギヤ位置をそ
   れぞれ検出し、これらの検出値を入力変数とするニュー
   ラルネットワーク演算により車輪駆動力を算出すること
   を特徴とする路面摩擦係数の推定方法。
7. 【請求項７】 車両の操舵角とヨーレートとをそれぞれ
   継続的に検出収集し、該操舵角の時系列の検出値から操
   舵角の平均値、平均変化速度、パワースペクトル等の特
   徴量を算出するとともに、ヨーレートの時系列の検出値
   からヨーレートの平均値、平均変化速度、パワースペク
   トル等の特徴量を算出した後、少なくとも上記操舵角の
   特徴量及びヨーレートの特徴量を入力変数とするニュー
   ラルネットワーク演算により路面の摩擦係数を算出する
   ことを特徴とする路面摩擦係数の推定方法。
8. 【請求項８】 車両の操舵角とヨーレートとをそれぞれ
   継続的に検出収集し、該操舵角の時系列の検出値及びヨ
   ーレートの時系列の検出値から操舵角−ヨーレート伝達
   関数のゲイン特性及び位相特性を算出した後、少なくと
   も上記ゲイン特性及び位相特性を入力変数とするニュー
   ラルネットワーク演算により路面の摩擦係数を算出する
   ことを特徴とする路面摩擦係数の推定方法。
9. 【請求項９】 車両の所定の状態量を検出する検出手段
   と、 該検出手段で検出した状態量の検出値を時系列的に収集
   して記憶する記憶手段と、 該記憶手段で記憶した状態量の時系列の検出値を入力変
   数とするニューラルネットワーク演算により路面の摩擦
   係数を算出するニューラルネット部とを備えたことを特
   徴とする路面摩擦係数の推定装置。