JPH1011106A

JPH1011106A - 動力源総合制御方式

Info

Publication number: JPH1011106A
Application number: JP8167070A
Authority: JP
Inventors: Kazusuke Kamihira; 一介上平; Masashi Yamaguchi; 昌志山口
Original assignee: Yamaha Motor Co Ltd
Current assignee: Yamaha Motor Co Ltd
Priority date: 1996-06-27
Filing date: 1996-06-27
Publication date: 1998-01-16

Abstract

(57)【要約】【課題】制御内容の多様化、高度化に対応が可能で、動
力源の特性を運転者の価値観に合わせることが可能な制
御を実現する。【解決手段】運転状態を示す情報の一部を用いて、運転
者の特性、運転状況のいずれか、あるいは両方を表す、
運転状態指数を算出し、これに基づいて、動力源の特性
を変化させる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】この発明は、エンジン、モー
タ等の動力源の制御を総合的に行う動力源総合制御方式
に関するものである。

【０００２】

【従来の技術】車両、船舶、産業機械、家電製品等の動
力源としてエンジン、モータ等が搭載され、例えばエン
ジンの制御を総合的に行なう場合、一般的には多数の入
力情報をまとめて扱い、出力情報を決定する。ところ
が、エンジンのもつ非線形性により、これらの関係を決
定するパラメータは実験で決める必要がある。

【０００３】

【発明が解決しようとする課題】このような手法では、
制御内容が多様化、高度化するにしたがって、セッティ
ングの難易度及びセッティングに要する時間が、増大す
る。また、現在の手法では、出荷段階において制御の仕
様は決められており、個々の運転者の価値観に沿った制
御は非常に困難である。

【０００４】この発明は、前記２つの問題点を鑑みなさ
れたものであり、制御内容の多様化、高度化に対応が可
能で、動力源の特性を運転者の価値観に合わせることが
可能な制御を実現する動力源総合制御方式を提供するこ
とを目的としている。

【０００５】

【課題を解決するための手段】前記課題を解決し、かつ
目的を達成するために、請求項１記載の発明は、運転状
態を示す情報の一部を用いて、運転者の特性、運転状況
のいづれか、あるいは両方を表す、運転状態指数を算出
し、これに基づいて、動力源の特性を変化させることを
特徴としている。動力源の制御内容の多様化、高度化に
対応が可能で、動力源の特性を運転者の価値観に合わせ
ることが可能な制御を実現することができる。

【０００６】請求項２記載の発明は、運転状態を示す情
報の一部を用いて、運転者の特性、走行状況のいづれ
か、あるいは両方を表す、運転状態指数を算出し、これ
に基づいて、エンジンの特性を変化させることを特徴と
している。エンジンの制御内容の多様化、高度化に対応
が可能で、エンジンの特性を運転者の価値観に合わせる
ことが可能な制御を実現することができる。

【０００７】請求項３記載の発明は、前記運転状態指数
を算出して推定する手法が、ニューラルネットワーク、
ファジールールのいづれかを用いることを特徴としてい
る。運転状態指数を簡単かつ正確に算出することができ
る。

【０００８】請求項４記載の発明は、前記運転状態を示
す情報の一部とは、エンジン回転数及びギヤポジション
であることを特徴としている。運転状態を示す情報を容
易に、かつ確実に得ることができる。

【０００９】請求項５記載の発明は、使用環境の変化、
動力源の経時劣化に対して、制御を適応して変化させる
ことを特徴としている。動力源の特性を、使用環境の変
化、動力源の経時劣化に適応して変化させることができ
る。

【００１０】請求項６記載の発明は、前記制御方式の枠
組が、最下層に反射層、その上の層に学習層、最上層に
進化適応層をもつ、階層構造であることを特徴としてい
る。簡単な制御方式に基づいて制御内容の多様化、高度
化に対応が可能で、特性を運転者の価値観に合わせるこ
とが可能な制御を実現することができる。

【００１１】請求項７記載の発明は、前記制御の出力情
報の基本となる数値が、前記反射層から出力され、前記
学習層及び前記進化適応層の出力は、これに対する補正
を与えることを特徴としている。学習層及び進化適応層
の出力により制御の出力情報の基本となる数値を補正す
ることで、簡単な制御方式で制御内容の多様化、高度化
に適切に対応が可能である。

【００１２】請求項８記載の発明は、前記進化適応層の
適応する変化を、自律的にふるまう複数の制御モジュー
ルが、相互に協調、競合を行うことで得ることを特徴と
している。自律的にふるまう複数の制御モジュールが、
相互に協調、競合して干渉し合うことで適した制御モジ
ュールに変化させていくことができる。

【００１３】請求項９記載の発明は、前記進化適応層の
制御モジュール間の協調、競合が、遺伝的アルゴリズ
ム、マルチエージェント等の手法を用いて行うことを特
徴としている。制御モジュールが簡単な手法に基づいて
進化することができる。

【００１４】請求項１０記載の発明は、前記遺伝アルゴ
リズムで用いられる評価値が、前記運転状態指数により
定めることを特徴としている。制御モジュールの進化
に、運転者の特性、走行状態を反映したものとすること
ができる。

【００１５】請求項１１記載の発明は、前記評価値と、
前記運転状態指数との関係が、運転者からの指示により
変化可能であることを特徴としている。運転者の指示を
より確実に制御モジュールに反映することができる。

【００１６】請求項１２記載の発明は、前記運転者から
の指示が、各ギヤポジションでの最高回転数に達するま
での時間、またはエンジン回転数の変化率、指示入力用
ボタン等を用いて行うことを特徴としている。運転者か
らの指示が各ギヤポジションで簡単、かつ確実に行うこ
とができる。

【００１７】請求項１３記載の発明は、前記進化適応層
の出力のゲインには、制限を設けることを特徴としてい
る。進化適応層の出力のゲインに制限を設け、所定以上
に動力源の特性が変化することを防止している。

【００１８】請求項１４記載の発明は、前記学習層で
は、制御用と、学習用の２つのニューラルネットワーク
を用いることを特徴としている。２つのニューラルネッ
トワークを用いて制御と、学習を行う。

【００１９】請求項１５記載の発明は、前記学習用のニ
ューラルネットワークが、制御用のニューラルネットワ
ークの出力と、進化適応層の出力の和を教師データとし
て用いることを特徴としている。学習用のニューラルネ
ットワークが正確な学習を行うことができる。

【００２０】請求項１６記載の発明は、前記学習用のニ
ューラルネットワークが、学習が終ると、制御用とな
り、もとの制御用のニューラルネットワークは学習用と
なることを特徴としている。少ないニューラルネットワ
ークにより正確な制御と学習を行うことができる。

【００２１】請求項１７記載の発明は、前記学習済の制
御用ニューラルネットワークを、フロッピーディスクや
ＩＣカード等の外部記憶媒体に記録し、保存、読み出し
を可能とすることを特徴としている。学習済の制御用ニ
ューラルネットワークが外部記憶媒体に記録し、保存、
読み出しでき、駆動源を運転者に応じた性能に簡単にす
ることができる。

【００２２】請求項１８記載の発明は、前記反射層が、
数式によるモデル、ファジールール、ニューラルネット
ワーク、マップのうち、いづれか１つ以上の手法を用い
て構成することを特徴としている。所定の手法により制
御内容の多様化、高度化に対応が可能である。

【００２３】請求項１９記載の発明は、前記外部状態量
から、運転技量を推定し、これに応じて動力源の性能を
変化させることを特徴としている。外部状態を適切に動
力源の性能に反映することができる。

【００２４】請求項２０記載の発明は、前記外部状態量
が、運転者のクラッチの操作速度、車両の傾き角、車両
の上下方向の加速度、ブレーキの操作量、前後ブレーキ
の使用比率、のうちいづれか１つ以上とすることを特徴
としている。運転者の操作により運転技量を推定して自
動的に車両の性能を変化させることができる。

【００２５】請求項２１記載の発明は、生理的指標を用
いて、運転者の状態を推定し、これに応じて動力源の性
能を変化させることを特徴としている。運転者の生理的
状態を自動的に動力源の性能に反映させることができ
る。

【００２６】請求項２２記載の発明は、前記生理的指標
が、脈拍、血圧、体温、脳波のうちいづれか１つ以上と
することを特徴としている。運転者の生理的指標を容易
にかつ、確実に得て運転者の状態を自動的に動力源の性
能に反映させることができる。

【００２７】請求項２３記載の発明は、運転する際に運
転者が身に付ける装備品に、前記生理的指標を測定する
ための機器を装着することを特徴としている。運転者が
運転状態になることで自動的に生理的指標を容易にか
つ、確実に得て運転者の状態を自動的に動力源の性能に
反映させることができる。

【００２８】請求項２４記載の発明は、前記装備品が、
ヘルメット、グローブ、ブーツ、のうちいづれかｌつ以
上とすることを特徴としている。運転者が忘れることな
く運転状態になることで自動的に生理的指標を容易にか
つ、確実に得て運転者の状態を自動的に動力源の性能に
反映させることができる。

【００２９】

【発明の実施の形態】以下、この発明の動力源総合制御
方式の実施の形態を説明する。図１は動力源総合制御方
式の概略構成図である。

【００３０】この実施の形態では、動力源総合制御方式
について説明するが、車両に搭載したエンジンに限定さ
れず、エンジン以外の動力源、例え電動車のモータ、車
体制御、ロボット（主にパーソナルロボットのような知
的なもの）、家電製品等、今後知能化が考えられるもの
についても適用可能である。

【００３１】エンジン総合制御において、運転者の特性
及び走行状態の推定を行う。例えば、エンジン回転数と
ギヤポジションを入力情報として用いて、ニューラルネ
ットワークやファジールールによって、運転者の特性や
走行状況を表す運転状態指数としての走行状態指数を算
出し、これに基づいて、駆動源としてのエンジンの特性
を変化させる。具体的には、一定時間内の、各ギヤポジ
ションにおける最高回転数を記録し、これを用いる。

【００３２】エンジン総合制御方式において、制御の適
応的変化を行う。例えば、使用環境の変化、エンジンの
経時劣化に対して、制御を適応的に変化させる。実施の
形態として、燃費性と運転性の両立を図ったエンジン制
御を示す。

【００３３】エンジン総合制御方式では、生物的制御が
行われ、制御の枠組１は、最下層に反射層２、その上の
層に学習層３、最上層に進化適応層４をもつ、階層構造
であり、制御入力５に基づき制御が行われ、制御出力６
を得る。制御の出力情報の基本となる数値は、反射層２
から出力され、学習層３、進化適応層４の出力は、これ
に対する補正量を与える。

【００３４】進化適応層４は、制御入力５を評価する評
価部７を有し、適応的な変化は、ニューラルネットワー
ク、ファジールール等で構成された複数の制御モジュー
ルが、遺伝的アルゴリズムにより、相互に協調、競合を
行うことで得られる。このときの評価関数は、運転状態
指数により定める。進化適応層の出力は、自律的にふる
まう複数の制御モジュールが、相互に協調、競合を行い
ながら適応的に変化していくことで得られる。この協
調、競合は、遺伝的アルゴリズム、マルチエージェン
ト、強化学習等の手法を用いて行い、このとき用いる評
価関数は、運転状態指数により定める。また、この進化
適応層４が出力する補正量のゲインには、制限を設け
る。

【００３５】学習層３における学習は、進化適応層４か
らの信号を用いて、ニューラルネットワークにより行
う。

【００３６】反射層２は、数式によるモデル、ファジー
ルール、ニューラルネットワーク、マップ等の手法を用
いて構成する。

【００３７】制御入力５を評価する評価部７は、運転者
の技量の推定及び運転者の状態の推定を行う。

【００３８】運転者の技量の推定は、運転者のクラッチ
の操作速度、車両の傾き角、車両の上下方向の加速度、
ブレーキの操作量、前後ブレーキの使用比率等を入力情
報として用いて、運転技量を推定し、これに応じてエン
ジンの性能を変化させる。

【００３９】運転者の状態の推定は、脈拍、血圧、体
温、脳波等から、運転者の状態を推定し、これに応じて
エンジンの性能を変化させる。これらを測定するための
機器は、ヘルメット、グローブ、ブーツ等に装着する。

【００４０】制御特性は外部記憶媒体８ヘ保存すること
ができる。制御特性を、フロッピーディスクやＩＣカー
ド等の外部記憶媒体８に記録し、保存、読み出しを可能
とする。

【００４１】この動力源総合制御方式では、以下のよう
な制御が行われる。

【００４２】運転状態を示す情報の一部を用いて、運転
者の特性、運転状況のいづれか、あるいは両方を表す、
運転状態指数を算出し、これに基づいて、動力源の特性
を変化させる。これで、動力源の制御内容の多様化、高
度化に対応が可能で、動力源の特性を運転者の価値観に
合わせることが可能な制御を実現することができる。動
力源がエンジンの場合には、運転状態を示す情報の一部
を用いて、運転者の特性、走行状況のいづれか、あるい
は両方を表す、運転状態指数を算出し、これに基づい
て、エンジンの特性を変化させ、エンジンの制御内容の
多様化、高度化に対応が可能で、エンジンの特性を運転
者の価値観に合わせることが可能な制御を実現すること
ができる。

【００４３】また、運転状態指数を算出して推定する手
法が、ニューラルネットワーク、ファジールールのいづ
れかを用い、これで運転状態指数を簡単かつ正確に算出
することができる。

【００４４】運転状態を示す情報の一部とは、エンジン
回転数及びギヤポジションであり、これにより運転状態
を示す情報を容易に、かつ確実に得ることができる。

【００４５】使用環境の変化、動力源の経時劣化に対し
て、制御を適応して変化させることを特徴としている。
動力源の特性を、使用環境の変化、動力源の経時劣化に
適応して変化させることができる。

【００４６】また、制御方式の枠組１が、最下層に反射
層２、その上の層に学習層３、最上層に進化適応層４を
もつ、階層構造であり、簡単な制御方式に基づいて制御
内容の多様化、高度化に対応が可能で、特性を運転者の
価値観に合わせることが可能な制御を実現することがで
きる。

【００４７】制御の出力情報の基本となる数値が、反射
層２から出力され、学習層３及び進化適応層４の出力
は、これに対する補正を与えており、学習層３及び進化
適応層４の出力により制御の出力情報の基本となる数値
を補正することで、簡単な制御方式で制御内容の多様
化、高度化に適切に対応が可能である。

【００４８】進化適応層４の適応する変化を、自律的に
ふるまう複数の制御モジュールが、相互に協調、競合を
行うことで得ており、自律的にふるまう複数の制御モジ
ュールが、相互に協調、競合して干渉し合うことで適し
た制御モジュールに変化させていくことができる。

【００４９】また、進化適応層４の制御モジュール間の
協調、競合が、遺伝的アルゴリズム、マルチエージェン
ト、強化学習等の手法を用いて行、これで制御モジュー
ルが簡単な手法に基づいて進化することができる。遺伝
的アルゴリズムで用いられる評価値が、運転状態指数に
より定められており、制御モジュールの進化に、運転者
の特性、走行状態を反映したものとすることができる。
評価値と、運転状態指数との関係が、運転者からの指示
により変化可能であり、運転者の指示をより確実に制御
モジュールに反映することができる。

【００５０】また、運転者からの指示は、各ギヤポジシ
ョンでの最高回転数に達するまでの時間、またはエンジ
ン回転数の変化率、指示入力用ボタン等を用いて行い、
これで転者からの指示が各ギヤポジションで簡単、かつ
確実に行うことができる。

【００５１】また、進化適応層４の出力のゲインには、
制限を設けており、進化適応層４の出力が所定以上に変
化することを防止している。

【００５２】学習層３では、制御用と、学習用の２つの
ニューラルネットワークを用いており、２つのニューラ
ルネットワークを用いて制御と、学習を行うことができ
る。学習用のニューラルネットワークが、制御用のニュ
ーラルネットワークの出力と、進化適応層４の出力の和
を教師データとして用いており、学習用のニューラルネ
ットワークが正確な学習を行うことができる。また、学
習用のニューラルネットワークが、学習が終ると、制御
用となり、もとの制御用のニューラルネットワークは学
習用となり、少ないニューラルネットワークにより正確
な制御と学習を行うことができる。

【００５３】また、学習済の制御用ニューラルネットワ
ークを、フロッピーディスクやＩＣカード等の外部記憶
媒体８に記録し、保存、読み出しを可能としており、学
習済の制御用ニューラルネットワークが外部記憶媒体８
に記録し、保存、読み出しでき、駆動源を運転者に応じ
た性能に簡単にすることができる。

【００５４】反射層３が、数式によるモデル、ファジー
ルール、ニューラルネットワーク、マップのうち、いづ
れか１つ以上の手法を用いて構成しており、所定の手法
により制御内容の多様化、高度化に対応が可能である。

【００５５】また、外部状態量から、運転技量を推定
し、これに応じて動力源の性能を変化させており、外部
状態を適切に動力源の性能に反映することができる。外
部状態量は、運転者のクラッチの操作速度、車両の傾き
角、車両の上下方向の加速度、ブレーキの操作量、前後
ブレーキの使用比率、のうちいづれか１つ以上とするこ
とで、運転者の操作により運転技量を推定して自動的に
車両の性能を変化させることができる。

【００５６】また、生理的指標を用いて、運転者の状態
を推定し、これに応じて動力源の性能を変化させ、これ
により運転者の生理的状態を自動的に動力源の性能に反
映させることができる。生理的指標が、脈拍、血圧、体
温、脳波のうちいづれか１つ以上とし、運転者の生理的
指標を容易にかつ、確実に得て運転者の状態を自動的に
動力源の性能に反映させることができる。

【００５７】さらに、運転する際に運転者が身に付ける
装備品に、生理的指標を測定するための機器を装着する
ことで、運転者が運転状態になることで自動的に生理的
指標を容易にかつ、確実に得て運転者の状態を自動的に
動力源の性能に反映させることができる。この装備品
が、ヘルメット、グローブ、ブーツ、のうちいづれか１
つ以上とすることにより、運転者が忘れることなく運転
状態になることで自動的に生理的指標を容易にかつ、確
実に得て運転者の状態を自動的に動力源の性能に反映さ
せることができる。

【００５８】次に、実施の形態として、燃費性と運転性
の両立を図ったエンジン総合制御を示す。

【００５９】このエンジン総合制御において、制御入力
として、速度、加速度、エンジン回転数、ギヤポジショ
ン、吸気負圧、吸気負圧変化率、スロットル開度、スロ
ットル開度変化率、大気圧、吸気温度、冷却水温度等の
入力情報がある。

【００６０】また、制御出力６として、燃料噴射量、点
火時期、電子スロットル開度、バルブタイミング、バル
ブリフト量、排気バルブタイミング等の出力情報があ
る。

【００６１】制御の枠組１は、制御の出力値の基本量
が、反射層２から出力される。これに、学習層３、進化
適応層４の補正量が加わり、最終的な制御出力６が決定
される。学習層３では、環境変化や運転者の好みに応じ
た制御出力６を得るための、補正量をニューラルネット
ワークにより学習する。ただし、この学習には教師信号
を必要とするため、進化適応層４における複数の制御モ
ジュールの協調、競合により、これを生成する。この複
数の制御モジュール間の協調競合は、遺伝的アルゴリズ
ムの手法を用いる。進化適応層４の補正量については、
ゲインに制限幅を設け、この範囲内でのみ変化を許容す
る。進化適応層４において、補正量に制限を加えつつ適
応を図り、そこで得られた成果を学習層３において学習
していく、という手法をもちいる利点として、以下の２
点が挙げられる。

【００６２】まず第１に、進化適応層４内の制御モジュ
ールの多様性が確保され、遺伝的アルゴリズムの特徴で
ある大域的探索が可能となる。

【００６３】第２に、進化適応層４での試行錯誤的な情
報処理から、学習層の高速でより知的な情報処理を獲得
することが可能となる。これは、エンジン制御において
は顕著でないが、移動ロボットの経路制御等については
大きな利点となる。

【００６４】制御の時間的な流れについて図２に示す。
初期状態では、モデル層と進化適応層４のみが機能し
（ステップａ）、環境変化や運転者の好みに合わせて、
進化適応層４が変化する（ステップｂ）。その時点で、
最も望ましい制御モジュール群の獲得が行われる（ステ
ップｃ）。

【００６５】進化適応層４の制御モジュールをその時点
で最も望ましいものに固定し、学習層３の学習用ニュー
ラルネットワークにおいて、進化適応層４の入出力関係
を学習し、この間、反射層２と進化適応層４とで制御す
る（ステップｄ）。

【００６６】これに並行して、環境変化や運転者の好み
に合わせて、進化適応層４が変化して（ステップｅ）、
その時点で、最も望ましい制御モジュール群の獲得が行
われ（ステップｆ）、進化適応層４の制御モジュールを
その時点で最も望ましいものに固定し、学習層３の学習
用ニューラルネットワークにおいて、学習層３と進化適
応層４を合わせた入出力関係を学習し、この間、反射層
２、学習層３、進化適応層４とで制御する（ステップ
ｇ）。

【００６７】ステップｄとステップｇからの制御出力と
の誤差がしきい値より小さくなった時点て学習を終了す
る（ステップｈ）。学習用のニューラルネットワーク
が、学習が終ると、制御用となり、もとの制御用のニュ
ーラルネットワークは学習用となる。

【００６８】ついで、反射層２と学習層３の制御用のニ
ューラルネットワークによる制御が行われ（ステップ
ｉ）、一定時間間隔で進化適応層４を作動させ、進化適
応層４の出力が加わった制御と、加わっていない制御を
比較し、学習層３の制御則のずれを評価し（ステップ
ｊ）、ずれが無い場合にはステップｉへ移行して繰り返
す制御を行い、ずれが有る場合には、ステップｅに移行
する。ステップｅでは、再度環境変化や運転者の好みに
合わせて、進化適応層４が変化して、同様な制御を繰り
返す。

【００６９】次に、反射層２、学習層３及び進化適応層
４について説明する。

【００７０】反射層２では、エンジン回転数、吸気負
圧、吸気負圧変化率、スロットル開度、スロットル開度
変化率、大気圧、吸気温度、冷却水温度等を入力とし
て、モデル方程式から、燃料噴射量及び点火時期の、基
本的な値を決定する。この反射層２の制御則は、時間的
に変化することはない。

【００７１】学習層３では、制御用と、学習用の２つの
ニューラルネットワークを用いる。学習用のニューラル
ネットワークは、制御用のニューラルネットワークの出
力と、進化適応層４の出力の和を教師信号として用い
て、学習をおこなう。この間、進化適応層４の出力は、
それ以前に評価関数を最大とした制御モジュール群によ
り行われ、制御則が時間的に変化することはない。学習
が終ると、学習用のニューラルネットワークは制御用と
なり、元の制御用のニューラルネットワークは、学習用
となる。この後、学習層３の出力は、新しく得られた制
御用ニューラルネットワークにより決定される。学習済
の制御用ニューラルネットワークは、フロッピーディス
クやＩＣカード等の外部記憶媒体８に記録し、保存、読
み出しを可能とする。

【００７２】進化適応層４の適応的な変化は、複数の制
御モジュールが、相互に協調、競合を行うことで得る。
具体的には、加速モジュール、燃費モジュール、始動モ
ジュールの３種類のモジュール等を用いる。各モジュー
ルは、ニューラルネットワークを用いて構成する。加速
モジュールは、運転性の向上、燃費モジュールは燃費性
能の向上、始動モジュールは始動直後の作動安定性の向
上を、それぞれ目指すが、これらは互いに干渉する目標
であるため、各モジュール間の協調、競合が必要とな
る。

【００７３】ここでは、加速モジュールと燃費モジュー
ルの関係について説明する。加速モジュールヘの入力
は、エンジン回転数、スロットル開度変化率、負圧変化
率と、冷却水温度である。これらをもとに、燃料噴射
量、点火時期について、反射層２の出力からの補正量を
決定する。図３にこの様子を示す。

【００７４】また、燃費モジュールヘの入力は、エンジ
ン回転数、吸気負圧、スロットル開度、大気圧、吸気温
度、冷却水温度等で、これらをもとに、同じく反射層２
の出力からの補正量を決定する。図４にこの様子を示
す。

【００７５】この２種類のモジュールの協調、競合を実
現するため、これらのニューラルネットワークの結合度
を遺伝的アルゴリズムを用いて変化させる。各モジュー
ルの出力の加重平均をとって、進化適応層の出力とす
る。この加重は、例えば、後に述ベる加速重視割合から
決める。各モジュールについて、複数の個体を作り、同
種のモジュール間で競合させ、より良い制御モジュール
に進化させていく。また、モジュールの遺伝的変化は、
モジュールの種類毎に分けて行うものとする。例えば、
燃費モジュールを遺伝的に変化させる場合、加速モジュ
ールは変化させずに、ひとつに固定しておく。こうする
ことで、変化する方のモジュールは、変化しないモジュ
ールの出力に合わせて、適応的に進化することになり、
異なる制御モジュール間の協調が実現できる。ただし、
制御モジュールの加重が、小さい時に、遺伝的な変化を
加えても、結果に現れにくいため、ある程度加重の大き
な制御モジュールについてのみ、変化を加えることも考
えられる。遺伝的アルゴリズムを使用するにあたって
は、遺伝的変化により生成される適応度の低い個体の処
理が重要となる。このため、進化適応層４の出力につい
ては、ゲインに限界を持たせ、変化はこの範囲内でのみ
起こるものとする。

【００７６】ここでは、制御モジュールの分割は、加
速、燃費、始動の各機能について行ったが、燃料噴射
量、点火時期等の制御出力について、これを行ってもよ
い。この場合、例えば、新しく吸気管長の制御を可能に
した場合等、既存の制御モジュールに変更を加える必要
が無く、吸気管長制御モジュールを追加することで総合
的な制御が実現できる、という利点がある。

【００７７】次に、走行状態指数の推定について説明す
る。

【００７８】エンジン回転数、ギヤポジションを入力と
して用い、走行状態指数を決定する。この指数は、運転
者の特性や、走行状況を反映したものとなる。

【００７９】運転者の特性について説明する。一定時間
内の各ギヤポジションにおける最高回転数の値の分布パ
ターンから、運転者の特性の推定を行う。例えば、スポ
ーティな走行を好む運転者は、低速のギヤで高い回転数
までエンジンを回す傾向がある（図５）。このような場
合、走行状態指数は大きな値となる。また、マイルドな
走行を好む運転者は、早めに高速のギヤに変えていくた
め（図６）、走行状態指数は、小さな値となる。

【００８０】走行状況について説明する。一定時間内の
各ギヤの使用割合から、走行状態の推定を行う。通常の
走行状況では、１速から６速まで各ギヤを使用する（図
７）。この場合、走行状態指数は大となる。渋滞路を走
行する場合、一定時間内に使用するギヤは低速のものば
かりとなり（図８）、走行状態指数はやや大となる。高
速道路で走行する場合、一定時間内に使用するギヤは高
速のものばかりとなり（図９）、走行状態指数は小とな
る。

【００８１】入力情報から、走行状態指数を決定する手
法としては、ニューラルネットワークを用いる方法と、
ファジー推論を用いる方法がある。

【００８２】ニューラルネットワークを用いる方法につ
いて説明する。図１０のような３層構造型ニューラルネ
ットワークを用いて走行状態指数を決定する。各ノード
間の結合度は、実験により得た教師信号を用いて学習さ
せる。

【００８３】ファジー推論を用いる方法について説明す
る。ファジー推論を用いて走行状態指数を決定する。例
えば、「１速最高回転数が大で、２速最高回転数が大な
らば、走行状態指数は非常に大である。」といったＩＦ
‐ＴＨＥＮルールを記述し、ファジー推論をおこなう
（図１１）。ニューラルネットワークの場合、結合度は
教師信号から学習により決定され、ブラックボックス的
となるのに対して、この方法では、設計の際知識べース
的なアプローチが可能となる。

【００８４】次に、走行状態指数と評価関数の関係につ
いて説明する。

【００８５】上記の手順で決定した走行状態指数から、
進化適応層４の遺伝的アルゴリズムの評価関数を以下の
ように決める。

【００８６】Φ＝αＡ＋（１−α）Ｆここで、Φは総合評価値、Ａは加速感に関する評価値、
Ｆは燃費に関する評価値、αは加速重視の割合をあらわ
す。

【００８７】加速感に関する評価値は、スロットル開度
の変化率と加速度から、車体のスロットル操作ヘの追従
度を求めて評価する。また、燃費に関する評価値は、走
行距離、消費燃料から、燃費を算出して評価する。加速
重視の割合αは、走行状態指数から、決定される（図１
２）。

【００８８】例えば、高速走行（Ｐが小さい）時、αは
小さく、燃費重視の評価関数となる。また、きびきびと
した走りをする（Ｐが大きい）時、αは大きく、加速重
視型の評価関数となる。

【００８９】このエンジン総合制御において、遺伝的ア
ルゴリズムとは、生物の進化過程を抽象化した計算的枠
組であり、計画・設計型問題に付随する組合せ最適化に
主に用いられる。解法がわからなかったり、最適解を求
めるのに時間がかかる問題に対して有効とされる。対象
となる問題の解を表現型、この解を生み出す記号列を遺
伝子型と呼ぶ。交叉及び突然変移といった遺伝的操作は
遺伝子型に対して施され、発生機構を通じて表現型に変
換される。表現型は選択の対象とされ、淘汰されずに生
き残った個体は再び遺伝的操作の対象とされる。

【００９０】また、強化学習とは、外界の状態と状態に
依存して与えられる報酬を入力とし、将来にわたって得
られる報酬を最大にするような行動を選択するための戦
略を学習する手法の枠組である。この枠組では、明示的
な教師が存在しなくても学習することが可能である。

【００９１】また、マルチエージェントについて説明す
る。エージェントとは、知識に基づく推諭ならびに意志
決定・行動決定の能力を有する人工物システムで、マル
チエージェントとは、異なった能力をもつ複数のエージ
ェントが、互いに競合・協調しながら自律的に行動し、
全体としてタスクを遂行していくシステムである。従来
のモジュール化の概念においては、個々の要素は自律性
を持たず中枢的な部分からの指示を必要としていた。

【００９２】

【発明の効果】前記したように、この発明では、運転者
の好みにあった駆動源の運転特性を得ることができ、駆
動源を育成、適応、調教する楽しみを得ることができ
る。また、使用環境の変化や経時劣化に対して、自動的
に制御則が変化することで、いかなる時でも最適な運転
状態を実現することができる。また、運転者の技量に応
じた制御を施すことで、快適な運転性能が得られる。さ
らに、制御パラメータ取得のためのセッティングが不要
になり、低コスト化が実現できる。

【図面の簡単な説明】

【図１】動力源総合制御方式の概略構成図である。

【図２】制御の時間的な流れを説明する図である。

【図３】加速モジュールを示す図である。

【図４】燃費モジュールを示す図である。

【図５】スポーティな走行を示す図である。

【図６】マイルドな走行を示す図である。

【図７】通常走行を示す図である。

【図８】渋滞路の走行を示す図である。

【図９】高速道路の走行を示す図である。

【図１０】ニューラルネットワークを用いた走行状態指
数の決定を説明する図である。

【図１１】ファジー推論を用いた走行状態指数の決定を
説明する図である。

【図１２】走行状態指数と評価関数の関係について説明
する図である。

【符号の説明】

１制御の枠組２反射層３学習層４進化適応層５制御入力６制御出力

Claims

【特許請求の範囲】

【請求項１】運転状態を示す情報の一部を用いて、運転
者の特性、運転状況のいづれか、あるいは両方を表す、
運転状態指数を算出し、これに基づいて、動力源の特性
を変化させることを特徴とする動力源総合制御方式。
【請求項２】運転状態を示す情報の一部を用いて、運転
者の特性、走行状況のいづれか、あるいは両方を表す、
運転状態指数を算出し、これに基づいて、エンジンの特
性を変化させることを特徴とする動力源総合制御方式。
【請求項３】前運転状態指数を算出して推定する手法
は、ニューラルネットワーク、ファジールールのいづれ
かを用いることを特徴とする請求項１または請求項２記
載の動力源総合制御方式。
【請求項４】前記運転状態を示す情報の一部とは、エン
ジン回転数及びギヤポジションであることを特徴とする
請求項２記載の動力源総合制御方式。
【請求項５】使用環境の変化、動力源の経時劣化に対し
て、制御を適応して変化させることを特徴とする請求項
１または請求項２記載の動力源総合制御方式。
【請求項６】前記制御方式の枠組は、最下層に反射層、
その上の層に学習層、最上層に進化適応層をもつ、階層
構造であることを特徴とする請求項１または請求項２記
載の動力源総合制御方式。
【請求項７】前記制御の出力情報の基本となる数値は、
前記反射層から出力され、前記学習層及び前記進化適応
層の出力は、これに対する補正を与えることを特徴とす
る請求項１または請求項２記載の動力源総合制御方式。
【請求項８】前記進化適応層の適応する変化は、自律的
にふるまう複数の制御モジュールが、相互に協調、競合
を行うことで得ることを特徴とする請求項１または請求
項２記載の動力源総合制御方式。
【請求項９】前記進化適応層の制御モジュール間の協
調、競合は、遺伝的アルゴリズム、マルチエージェント
等の手法を用いて行うことを特徴とする請求項８記載の
動力源総合制御方式。
【請求項１０】前記遺伝アルゴリズムで用いられる評価
値は、前記運転状態指数により定めることを特徴とする
請求項９記載の動力源総合制御方式。
【請求項１１】前記評価値と、前記運転状態指数との関
係は、運転者からの指示により変化可能であることを特
徴とする請求項１０記載の動力源総合制御方式。
【請求項１２】前記運転者からの指示は、各ギヤポジシ
ョンでの最高回転数に達するまでの時間、またはエンジ
ン回転数の変化率、指示入力用ボタン等を用いて行うこ
とを特徴とする請求項１１記載の動力源総合制御方式。
【請求項１３】前記進化適応層の出力のゲインには、制
限を設けることを特徴とする請求項８または請求項９記
載の動力源総合制御方式。
【請求項１４】前記学習層では、制御用と、学習用の２
つのニューラルネットワークを用いることを特徴とする
請求項６記載の動力源総合制御方式。
【請求項１５】前記学習用のニューラルネットワーク
は、制御用のニューラルネットワークの出力と、進化適
応層の出力の和を教師データとして用いることを特徴と
する請求項１４記載の動力源総合制御方式。
【請求項１６】前記学習用のニューラルネットワーク
は、学習が終ると、制御用となり、もとの制御用のニュ
ーラルネットワークは学習用となることを特徴とする請
求項１４または請求項１５記載の動力源総合制御方式。
【請求項１７】前記学習済の制御用ニューラルネットワ
ークを、フロッピーディスクやＩＣカード等の外部記憶
媒体に記録し、保存、読み出しを可能とすることを特徴
とする請求項１４乃至請求項１６のいづれかに記載の動
力源総合制御方式。
【請求項１８】前記反射層は、数式によるモデル、ファ
ジールール、ニューラルネットワーク、マップのうち、
いづれか１つ以上の手法を用いて構成することを特徴と
する請求項６記載の動力源総合制御方式。
【請求項１９】前記外部状態量から、運転技量を推定
し、これに応じて動力源の性能を変化させることを特徴
とする請求項１または請求項２記載の動力源総合制御方
式。
【請求項２０】前記外部状態量は、運転者のクラッチの
操作速度、車両の傾き角、車両の上下方向の加速度、ブ
レーキの操作量、前後ブレーキの使用比率、のうちいづ
れか１つ以上とすることを特徴とする請求項１９記載の
動力源総合制御方式。
【請求項２１】生理的指標を用いて、運転者の状態を推
定し、これに応じて動力源の性能を変化させることを特
徴とする請求項１または請求項２記載の動力源総合制御
方式。
【請求項２２】前記生理的指標は、脈拍、血圧、体温、
脳波のうちいづれか１つ以上とすることを特徴とする請
求項２１記載の動力源総合制御方式。
【請求項２３】運転する際に運転者が身に付ける装備品
に、前記生理的指標を測定するための機器を装着するこ
とを特徴とする請求項２１または請求項２２記載の動力
源総合制御方式。
【請求項２４】前記装備品は、ヘルメット、グローブ、
ブーツ、のうちいづれか１つ以上とすることを特徴とす
る請求項２３記載の動力源総合制御方式。