JPH11515070A

JPH11515070A - 自動車における走行機構又は駆動システムの制御のための回路装置

Info

Publication number: JPH11515070A
Application number: JP9507069A
Authority: JP
Inventors: グラーフフリートリヒ; ハウプトマンヴェルナー
Original assignee: Siemens AG
Current assignee: Siemens AG
Priority date: 1995-07-26
Filing date: 1996-06-24
Publication date: 1999-12-21
Also published as: US6208981B1; DE19527323A1; KR19990035850A; DE59605074D1; WO1997005408A1; EP0870132B1; EP0870132A1

Abstract

(57)【要約】ファジイシステム１０によって自動車２からのセンサ信号は評価され、制御すべき装置５に対する調整信号が形成される。このファジイシステム１０はニューラルネットワーク１２に接続されており、該ネットワークは自動車からのセンサ信号と車両走行データ記録からの基準データを評価し、ファジイシステム１０のルールベースを最適化する。ファジイシステム１０は走行動作期間中にオンラインでそのつどの走行状況を分類する信号を形成し、それによって走行状況に応じた時間的に適合化されたインテリジェンス制御が可能となる。このファジイシステム１０とニューラルネットワーク１２はそれぞれ１つの分類システムを含んでおり、これらは対応的に維持される双方向変換によって相互変換可能である。

Description

【発明の詳細な説明】自動車における走行機構又は駆動システムの制御のための回路装置本発明は請求項１の上位概念による回路装置に関する。最近の自動車技術分野においては、走行機構やセーフティ手段、駆動機構などにおける適合化システムコンポーネントがますます重要度を増している。この場合、車両における所定の装置又はシステム、例えばオートマチックトランスミッション、アクティブサスペンション、レベル調整器、パワーステアリングアシスト装置などは、そのつどの走行状況に適合化されるべきである。例えば国際公開特許出願公表公報ＷＯ９３／２３６８９号明細書から公知の、ファジイ論理方式を用いた自動変速装置の変速制御システムでは、シフトストラテジの設計仕様のもとで走行出力と燃費とコストが考慮され、さらに走行スタイルと走行状態に反応している。それに対してはファジイプロダクションルールにおける多数の種々異なるルールセットが必要とされる。これらは専門家の知識を再生し、それらの全ては制御システムの開発者によって設定されなければならない。それに対しては著しい作業コストが必要となる。それ以外にも人間の専門知識には不確実さがつきまとう。本発明の課題は、機械的な学習と、独立した非線形的な制御ルールでの精巧な作業が可能な、自動車におけるその都度の目下の走行状況を識別するシステムを提供することである。前記課題は本発明により、請求項１の特徴部分に記載の本発明によって解決される。本発明の別の有利な実施例は従属請求項に記載される。本発明の利点は、自動車における目下の走行状況識別のための最良のシステムが得られることである。この分類システムは、車両における連続的に測定されたセンサデータに基づいて、走行ダイナミック特性、走行操作性、ドライバの性質などに関連して目下の走行状態に関する情報を提供する。これらの情報は、自動車における種々異なるシステムの、走行状況に応じた時間的に適合化されたインテリジェンス制御を可能にする。このような適合化コンポーネントの、走行機構及び駆動システム領域への益々の適用は、今日では際だっており、将来的な車両製造部門においても大きな意味を持っている。なぜならそれによって走行安全性と省エネ性並びに快適性の向上が得られるからである。走行状況に依存した制御が適用される適合化車両システムのさらなる例は、４輪駆動装置、ハイブリッド駆動装置、いわゆるインテリジェンス速度制御装置及びアンチスリップ制御システムなどである。次に本発明を図面に基づき詳細に説明する。図１は本発明による回路装置を示した図である。図２は、図１による回路装置で実施されるセンサ信号の組合せを説明するための車両の三次元構成図である。図３は、センサ信号の処理に用いられる時間窓を示した図である。図４は、図１のファジイシステムの入力側メンバーシップ関数を示した図である。図５は、図１のファジイシステムの出力側メンバーシップ関数を示した図である。図６は、図１による回路装置に適用されるファジイルールベースを示した図である。図７は、図１で実施されるファジイ方式を示した図である。図８は、図１のニューロンネットワークの制御ニューロンを示した図である。図９は、図１の回路装置におけるファジイニューロントポロジーを示した図である。図１において回路装置１（以下では制御部１とも称する）は自動車２における前述したような装置又は機構の制御に用いられる。この回路装置１は図中に示された信号線路３を介して車両２内で検出されたセンサデータを受け取る。これらのセンサデータは、様々なセンサから直接伝送されてもよく、又は間接的にＡＢＳ装置などにおいて処理された後で伝送されてもよい。また回路装置１は、図１において破線４で分けられているように、構造的に２つの部分システムＡ及びＢに分割されていてもよい。これらの部分システム又は処理ブロックＡ及びＢは、実質的に相互に依存することなく動作し、コアモジュール６（インテリジェンスニューロファジイシステムとも称する）によって相互に結合されている。処理ブロックＡの出力信号は、調整又は制御信号として、制御すべき装置５（例えば自動変速装置）に供給される。ブロックＡは次のコンポーネントを有している。すなわち信号メモリ８と、前処理モジュール又は前処理回路９と、ファジイシステム１０を有している。回路装置１の作用形態は、ニューロファジイトータルシステムにおけるニューラルネットワークコンセプトと、ファジイシステムを用いた分類コンセプトの結合に基づいている。そのようなニューロファジイ識別手法又は分類手法はコントローラの設計仕様と開発のもとで、ファジイシステムとインテリジェンスシステムのニューラルネットワークのプロパティーの共有使用を可能にする。一方ではそれによって得られる専門知識が言語的にフォーマットされたＩＦ−ＴＨＥＮルール（ファジイルールベースの）と、重み付けされたメンバーシップ関数を用いて処理可能であり、また他方では、ニューラルネットワークの能力が、入手可能な受入センサデータに基づいた非線形的関係を学習するために使用可能である。専門知識とプロセスデータの組合せは、作成すべき完全な関係描写を可能にする。回路装置１の入力変数としては、１２までの異なるセンサ情報が使用される。これらの情報は、車両内で連続的に測定され、信号メモリ８にファイルされている。センサ自体はここでは図示されていない。なぜならそれらは一般的に公知だからである。重要なセンサ信号は、例えば目下の速度、スロットル弁の調整位置、投入された変速段、横方向加速度、自動車２のエンジン回転数などである。これらのいわゆる一次的センサ信号は、回路９における前処理と部分的融合の後でファジイシステム１０に供給される。このファジイシステム１０は目下の入力データに基づいて目下の状況を推定するか又は分類する。すなわち例えば次のようなカテゴリに対応付けする。すなわち“停止”、“市内走行”、“郊外走行（直進、カーブ、山岳）”、“高速道路走行”等である。次に完全な機能シーケンスをデータ流に基づき詳細に説明する。自動車２では様々なセンサ信号と制御信号、例えば目下の速度、スロットル弁の調整位置、投入された変速段、横方向加速度、エンジン回転数などが走行中に連続的に記録され、信号メモリ８にファイルされる。これらのセンサ信号は引き続き前処理モジュール９に供給される。ここではセンサ信号の予備フィルタリングと平滑化の他にこれらの信号の時間履歴を考慮した処理が行われる。その他に時間的データ圧縮と、様々なセンサ信号の関係付け又は融合によって次元の低減が実施される、様々なセンサ情報の適切な融合によってここでは例えば８つのセンサ信号が４つの異なる融合信号に論理結合される。このような前処理によって一方ではサンプリングレートの低減が達成され、他方では分類に係わる問題の次元の低減化が達成される。前処理されたセンサ信号は引き続きファジイシステム１０（以下ではファジイ分類システムとも称する）に供給される。このシステムは目下の入力データに基づいて目下の走行状況を推定、すなわち分類する。図示の実施例ではこの分類が５つの異なる走行状況クラスで行われる。ブロックＡ自体は実際の識別システムを形成しているので（これは自動車２内でオンライン動作で走行状況の分類のために用いられる）、前述したデータ流は、走行中の車両内での処理のシーケンスに正確に相応する。部分システムＢは、ニューラルネットワーク１２を用いたオフライン動作でのファジイ分類システムの形成と最適化のために用いられる。この部分システムは本発明による回路装置の設計と開発フェーズの間でのみ使用される。従って、車両２のオンライン識別システムの構成要素ではない。部分システムＢは測定行程のビデオ記録を備えたデータバンク１３と基準データメモリ１４とニューラルネットワーク１２からなっている。このニューラルネットワーク１２は、ここではシミュレーション計算機として構成されている。２つの部分システムＡとＢの結合は、集積化されたニューロファジイシステム６によって行われる。ニューラルネットワークの出力側からの信号はデータ線路１６を介して加算器１７の減算側に帰還結合されており、ここではデータ線路１８から到来する基準データメモリ１４からの出力信号から減算される。その差分がニューラルネットワーク１２の入力側に供給される。ここでは選択された５つの走行状況クラスに応じてデータ線路１６と１８が５重の線路として構成されている。前処理モジュール９から供給されるセンサデータは、データ線路１９を介してニューラルネットワーク１２の第２の入力側に供給される。次に２つの処理ブロックＡとＢの作動と相互作用を開発フェーズに基づいて以下に説明する。回路装置１の基本は、ファジイ分類システムによって形成されている。これは開発フェーズの第１ステップにおいて既存の情報と存在する専門知識を用いてセットアップされる。ファジイシステム１０は第１ステップにおいて分類タスクに必要な構造を備える（例えば入出力変数の数、メンバーシップ関数の数、初期ルールベースなど）。このファジイシステムは後で実際の走行状況分類を車両２内でオンライン動作で実行する。第２のステップでは、集積化されたニューロファジイシステム６内の初期ファジイシステムが何らかの情報の損失なしで完全にニューラルネットワーク構造に変換される。それにより処理ブロックＢではニューラルネットワーク１２が得られる。これ自体はファジイシステムのような分類システムを表しており、同じ入力特性と出力特性を備えている。このファジイニューロ変換は、ファジイ領域内の識別システムの表現の、ニューロ領域への変換を表している。これは対応的に維持される双方向の変換である。換言すればニューラルネットワークのトポロジーはいつでもファジイシステムとしての表現に再変換することができる。部分システムＢは引き続きニューラルネットワーク１２を用いてファジイシステム１０内に含まれている走行状況分類器がトレーニングされ、それによって識別システムのデータ作動式の最適化が実施される。この場合ファジイ分類器の様々な要素が変更され、放棄されたり新たに形成されたりする。ニューラルネットワーク１２のトレーニングは、オフラインモードでトレーニングデータを用いて実施される。このトレーニングデータは分類器の入力データと出力データの適切なセットからなる。入力データとしては車両２からの記録され前処理されたセンサデータが用いられる。これらのデータから分類器は目下の走行状況を特定する。ネット出力側からの分類結果（分類器出力ベクトル）は、学習過程において理想的な基準出力ベクトルと比較される。エラーｅ（これは分類器出力ベクトルと基準出力ベクトルの差で表される）を用いて、ニューラルネットワークは公知のバックプロパゲーションアルゴリズム（例えば公知文献“Digital Neural Netwo rks；S.Y.KUNG,Prentice Hall,Englewood Cliffs，New Jersey,1993,P24-40,” 、“Theorie der neuronalen Netze;R.Rojas.Springer-Verlag Berlin Heidelbe rg,1993,P149-172”参照）に従ってトレーニングされる。ここで実施される分類器の“監視”トレーニングは、基準データセットの準備を必要とする。この基準データセットは、走行中に車両２によって記録されたセンサ信号に相応していつでも実際の走行状況クラスを特定する。それに対しては様々な測定走行のもとでセンサデータの測定と記憶に平行して付加的に走行経過がビデオカメラ（これは車両のフロントに設けられる）によって記録される。このビデオ記録は例えばシステム開発者によって評価され、所望のクラス数に依存して、走行状況クラスの時間的経過がセットアップされ、基準データセット（目標データセットもしくはターゲットとも称される）としてファイルされる。しかしながらこの基準データは、任意の別の手法で得られてもよい。トレーニングではニューラルネットワーク１２に各学習ステップ毎に入力ベクトル（これは４つの入力値からなる）としてのセンサデータの組合せと、出力ベクトル（５クラス）としてのそれに対応する所属の走行状況クラスステートメントが入力可能である。このトレーニングは、ネット出力と基準との間のエラーｅが所定の閾値を下回るまで実施される。トレーニングと分類器の最適化の完了した後では、結果としてのニューラルネットワークが再び完全に部分システムＡのファジイ表現に再変換される。その後で部分システムＢ（ここではデータ作動式のトレーニングが実施される）が切り離され、もはや車両内含まれる走行状況識別器の構成要素ではなくなる。ファジイシステム１０（ファジイ分類器）におけるトレーニングによって生じたコンポーネントの変更（これらは入出力信号のメンバーシップ関数の形態と位置及びファジイルールベースである）は、引き続き視覚化され評価される。この評価の後では相応のシミュレーション機器（例えばシーメンスＣＡＥ開発システムの“Si efuzzy”など）において制御回路１の開発（これは専門知識や測定センサデータにも拠る）が終了され、ファジイシステム１０（ここでは前処理を伴ったファジイ走行状況分類システムとも称する）は車両２において所定の装置５の制御に用いられる。次にニューロファジイシステム６の開発シーケンスを以下に説明する。個々の開発ステップは処理ブロックで実施される。このステップは、以下のテーブル１から成る。テーブル１：開発ステップ処理ブロック 1.初期ファジイシステムの設計（専門知識）Ａ 2.ファジイシステムからニューラルネットワークへの変換（ファジイニューロ変換）Ａ−Ｂ 3.ニューラルネットワークのトレーニング（センサデータ、ビデオ情報）Ｂ 4.ニューラルネットワークからファジイシステムへの再変換（ニューロファジイ変換）Ｂ−Ａ 5.車両内の最終走行状況分類Ａ車両内で検出されたセンサデータはまず前処理モジュール９に供給される。そこで種々の測定パラメータから実際のファジイ分類システムに対する入力信号が導出又は計算される。この処理ステップにおいては一方ではフイルタリングとセンサ信号の時間的経緯のレジストレーションが行われ、他方では様々な測定パラメータの融合が行われる。車両２では以下のセンサ信号が走行中に記録される。 nab：出力回転数（車両速度に比例する） bl：ブレーキランプ（ブレーキの操作） nmot：エンジン回転数 a_quer：横方向加速度 m_diff：トランスミッション出力におけるトルクバランス、差分トルクの絶対値（この値からは登り坂や下り坂に関する結論が導びかれる） gang_ist：アクティブなギア fahrer：走行スタイルのファジイ分類ファジイ分類システムに対する所要入力変数の数を（得られる測定パラメータの全てを同時に含めて）低減するためには、前述したセンサデータが適切に相互に論理結合され、そこから４つの新たな信号が導出される。次にこのようなセンサ信号の融合の目的を、３つの三次元軸ｘ、ｙ、ｚと純粋な速度に依存する成分ｗに基づいて図２の瞬時の動的車両状態で説明する。未処理信号の組合せとそれに伴う問題の入力次元の低減はモデル形成を容易にさせ、ファジイ分類器に対するわかりやすくてクリアなルールベースの形成を可能にする。４つのファジイ入力変数は８つのセンサ信号から以下の式を介して算出される。 x(t)=f_x｛gang_ist(t,t-1,t-2,t-3),nmot(t,t-1,t-2, t-3),B/L(t)｝ y(t)=f_y｛a_quer(t,t-1,t-2,t-3),nab(t,t-1,t2,t-3) fahrer(t)｝ z(t)=f_z｛m_diff(t,t-1,t-2,t-3),nab(t,t-1,t-2,t-3) fahrer(t)｝ w(t)=f_w｛nab(t,t-1,t-2,t-3)｝ファジイ入力変数ｘは例えばセンサデータgang_ist,nmot,blから導出される。前記符号gang_ist(t,t-1,t-2,t-3)の意味はは、目下の時間窓ｔとその３つ前までの時間窓t-1,t-2,t-3がこの計算に算入されていることを表している。種々の時間経緯の処理は図３にわかりやすく示されている。データの圧縮を実施するために、長さＬの時間窓ｗ（ｔ）は未処理信号を介して導出され、時間窓内にある信号区分の平均がそれぞれ算出される。例えばセンサ信号gang_istに対してはこの平均値はgang_ist(t)と記載する。目下のセンサデータの他に付加的に時間的経緯も、つまり先の信号経過も考慮するために、３つの重なって先行する時間窓w(t-1)、w(t-2)、w(t-3)の平均値が付随して含まれる（但し異なる重み付けで）。x(t)に対する目下の値はセンサ信号 gang_istの４つの時間窓と、センサ信号nmotの４つの時間窓と、センサ信号B/L の目下の時間窓から得られる。その後で時間窓は期間Ｌだけ先に進められる。平均値形成と時間窓の先送りによって大幅なデータ圧縮が達成される。この実施例では窓の長さ（期間）Ｌ＝２５０サンプリング値で、５０％の重畳率が適用されている。測定データが４０ｍｓのサンプリング期間Ｔabで記録されるならば、１０ｓ毎に新たな値x(t)が得られる。時間窓の長さによってシステムの応答時間と走行状況分類器からの順次連続する２つの出力の間の時間間隔が固定可能である。走行状況分類を実施するファジイシステム１０の構造は、図４、図５、図６に実施例で示されている。この場合ファジイシステムの入力側には４つの入力パラメータが供給される。これらの入力パラメータは８つの種々異なる前処理されたセンサ信号から導出される。図４には入力メンバーシップ関数の可能な分布が示されている。各入力変数の値範囲は、４つのメンバーシップ関数VL(Very Low),L (Low),H(High),VH(Very High)に分割され、到来するシャープな入力信号は相応にファジイ化され言語的符号が付される。ニューラルネットワークトポロジーの相応の要素へのファジイシステムの後からの変換を可能にするために、メンバーシップ関数毎にガウス関数が用いられる。可変のパラメータ、ガウス曲線の中心点m_iと幅s_iはニューラルネットワークにおいて相応の重み付けによって表される。分類システムは、その都度供給される入力パラメータから目下の走行状況に関するステートメントを実施するタスクを有している。出力変数としてこの場合は以下に記載する５つの異なる走行状況クラスの１つへの対応付けが行われる。クラス１：非常に高速、連続した走行状況、直線区間過度に高い横方向加速度の発生無し、過度に大きな上昇勾配又は下降勾配の存在なし（典型的には高速道路上）クラス２：高速、連続した走行状況、直線区間、過度に高い横方向加速度の発生無し、過度に大きな上昇勾配又は下降勾配の存在なし（典型的には高速道路、バイパス上）クラス３：高速又は中速、連続又は非連続した走行状況、可及的に大きな横方向加速度及び /又は可及的に大きな上昇又は下降勾配、（郊外道路、カーブ、丘陵地帯、クラス１から２への遷移地帯等）クラス４：低速、頻繁な非連続走行状況、高い渋滞率中程度かほとんど存在しない横方向加速度中程度かほとんど存在しない上昇又は下降勾配、（市内道路、発進・停止の繰り返される交通地帯、環状道路）クラス５：非常に低速か又は停止（信号、交差点、パーキングなど）ファジイシステムの構造は次のように構成される。すなわち５つの異なる走行状況クラス毎に正確に１つの出力信号が生じるように構成される。各出力には唯２つのガウス出力メンバーシップ関数が備えられる。そのうちの１つは中心でもって出力値０（メンバーシップ関数ロー）をそして他方は出力値１（メンバーシップ関数ハイ）を有する。各時間ステップ毎に目下の４つの入力変数の組合せからファジイ化の結果として５値の出力ベクトル[KI_1,KI_2,KI_3,KI_4,KI_5]が得られる。これは５つの異なる走行状況クラスに対し０と１の値で目下の評価を表す。例えばクラス分類結果として出力ベクトル[0-1-0-0-0]が送出されたならば、これは走行状況がクラス２で１００％であり、他の全てのクラスでは０％であることを意味する。これに対して例えば出力ベクトルが[0.0-0.0-0.1-0.2-0.7] の場合には、目下の走行状況が全てのクラスにおいて様々な値で分類されており、比較的高いところはクラス４の２０％とクラス５の７０％である。入力変数と出力変数は、ファジイシステム１０のファジイルールベースを介して相互に論理結合される。この場合既存の専門知識は言語的に形成される。図示の実施例ではルールベースがシステムと共に形成されており、これは図６からも明らかである。ファジイシステムの４つの入力変数（ここではｘ、ｙ、ｚ、ｗ）を用いてここでは全部で６つの順列対、すなわちｘｙ、ｘｚ、ｘｗ、ｙｚ、ｙｗ、ｚｗが形成される。これらの入力対毎に１つの制御マトリックスがカバーする。図示の例では入力組合せｘｚに対するこの種の制御マトリックスの１つが示されている。２つの入力変数ｘ及びｚはそれぞれ４つのメンバーシップ関数VL,L,H .VHを用いてファジイ化されるので、ここでは完全なルールベース毎に４×４のマトリックスが生じる。１６のマトリックス要素として、相応するファジイルールの、ファジイ化された入力変数の各言語的組合せに属する出力メンバーシップ関数がプロットされる。図中最も上のマトリックスで表されている要素は、例えば以下のルールに対して成り立つ。Ｒ_xz,23:ｘがローでｚがハイならばKI_1はハイであるマトリックスエントリ（ここではハイに対してＨ）は、出力KI_1(クラス１)に対するファジイ結論を表している。これは部分前提（ｘ＝ロー、ｚ＝ハイ）のＡＮＤ結合からのルールに相応して生じる。このマトリックスのその他の要素は、ｘとｚの全てのＡＮＤ結合に対するルールベースから同じように生じる。前述したようにこの図面でのルールベースは、５つの異なる出力変数KI_1,KI_2,KI_3,K I_4,KI_5毎に５段階の深度を有している。各マトリックス面は、１つの出力に関する種々のルールの結論を表す。最上段のマトリックスは出力KI_1に対するものであり、最下段のマトリックスは出力KI_5に対するものである。前述のケースの完全なファジイルールは以下の通りである。ＲXZ_,23=ｘがローでｚがハイならば、KI_1はハイでKI _2はローでKI_3はローでKI_4はローでKI_5はローである。各ルールは、全ての出力変数毎に常に１つのステートメントを作成する。ルールの系統的なセットアップによって６つの可能な順列対毎にそれぞれ４×４＝１６のルールが得られる。そこからは９６のルールからなる完全なルールベースが生じる（それぞれ１６のルールを有している６つの順列）。次に初期ルールベースを以下に示す。これはルール１からルール７までの全部で７つのルールからなっている。ルール１： INPUT2_YがVL(very low)でINPUT4_WがVL(very high)ならば、クラス５＝ハイクラス４＝ロークラス３＝ロークラス２＝ロークラス１＝ロールール２： INPUT2_YがVLでINPUT4_WがL(low)ならば、クラス５＝ロークラス４＝ハイクラス３＝ロークラス２＝ロークラス１＝ロールール３： INPUT2_YがLでINPUT4_WがVLならば、クラス５＝ロークラス４＝ロークラス３＝ロークラス２＝ロークラス１＝ロールール４： INPUT2_YがLでINPUT4_WもLならば、クラス５＝ロークラス４＝ハイクラス３＝ロークラス２＝ロークラス１＝ロールール５： INPUT2_YがH(high)でINPUT4_WがVLならば、クラス５＝ロークラス４＝ロークラス３＝ロークラス２＝ロークラス１＝ロールール６： INPUT2_YがHでINPUT4_WがＬならば、クラス５＝ロークラス４＝ハイクラス３＝ロークラス２＝ロークラス１＝ロールール７： INPUT2_YがVH(very high)でINPUT4_WがVLならば、クラス５＝ロークラス４＝ロークラス３＝ロークラス２＝ロークラス１＝ローニューロファジイシステム６のトポロジーは、以下の考察の結果である。初期ファジイ分類システムの設計の後ではデータ作動式の最適化を実施するために、、完全で無駄のないニューラルネットワーク構造への変換がなされる。それによってニューラルネットワークが形成され、これ自体はファジイシステムと同様の分類システムを表し、同じような入力特性と出力特性を有している。このファジイニューロ変換は、ファジイシステムとしての識別システムの表現からニューラルネットワークとしての表現への変換を可能にする。この場合これは対応的に維持される双方向変換である。すなわちニューラルネットワークのトポロジーは、学習フェーズの後では、ファジイシステムとしての表現に再変換することができる。ニューラルトポロジーへのファジイモデルの機能的に等しい変換のために、個々の処理段（ファジイ化、ルールベース、非ファジイ化）がニューラルネットワークの相応の部分構造に構成される。この場合重要な境界条件は、利用できるニューロコンポーネントの使用と、信頼のおける（例えば前述した公知文献から公知の）学習及び適合化アルゴリズムの適用である。しかしながらシンプルなニューロタイプへの制限にもかかわらず特有のネット構造は、ファジイモデルの全ての演算の完全な設計を可能にする。これは以下の明細書で説明する。ファジイ化における変換は、ニューロンの第１の層により実現される。これはＲＢＦ(radial base function)に類似の能動関数を有している。入力変数の各メンバーシップ関数毎に１つのニューロンが存在する。これの入力側ではそのつど２つだけの信号が加算される（目下のシャープな入力値とメンバーシップ関数の中心、図７参照）。引き続き結果の値はガウス能動関数を介して重み付けされ出力される。個々のファジイ化ニューロンの出力側からは相応のメンバーシップの度合いμ_k(x_i)が得られる。この場合前記ｘ_iは目下の入力信号で、前記ｍ_kは中心、前記σ_kはガウス入力メンバーシップ関数ｋの幅である。中心値ｍ_kは相応の重み付けと一定の入力値 “bias”を介して各ニューロン毎に定められる。メンバーシップ関数の幅は、２つの入力 /σ_kの重み付けを介して設定される。制御ニューロン（図８）は以下に記載する。ファジイシステム１０のルールベースは、つまりその推論部分の実行は、制御ニューロンの層によって実現される。そこでは既存の全てのルールが同時に評価される。ニューロンの数は既存のルール数に相応する。実現されるトポロジーでは以下のようなタイプのルールがイメージされる。・前提における唯１つだけのファジイ変数を有する単一ルール・複数のファジイ変数が論理結合（ＡＮＤルール）されている前提部分を有するルール結論部分は１つ又は複数の出力変数を含み得る。前提部分における２つのファジイ変数のＡＮＤ結合は、ファジイニューロネットワークにおいてこれらの変数の積によって実現される（図８）。前記論理結合に必要な乗法演算を標準的ニューロンを用いて実行可能にするために、実行されるトポロジーの中で推論が２つのステップで形成される。ガウス能動関数が１つの層ではなく２つの連続したネットワーク層で実現されるならば、積の計算が同時に簡単な加算へ低減され得る。それによりルールｊのそのつどの前提αに対する個々の制御ニューロンの出力は以下のとおりである。ガウス関数の計算（これはメンバーシップを求めるのに必要である）は、ファジイ化層単独ではなくそれに続く制御層との組合せで実施される。第１の層のニューロンでは二次能動関数、ｆ(ｘ)＝ｘ²が適用され、制御ニューロンでは指数能動関数ｆ(ｘ)＝exp(ｘ)が適用される。その結果メンバーシップの度合いμ_iに対する値は、ファジイ化層に従って明確に得られるのではなく、結論α_iの計算に直接関与する。このような構成の利点は、一方で “積−ニューロン”（これに対しては相応の適合化アルゴリズムが付加的に定められなければならない）の回避が実現し、他方ではファジイシステムへの適合化に必要なネットワーク構造が得られる。部分前提の論理積結合によって（これは２つの隠された第１の層において実施される）、ルールの前提が処理される。制御ニューロンの出力結果としての値α_i は、ルールにおける“ＩＦ”部分の評価を表している。この値は引き続きさらなるニューロンに供給される。このニューロンも出力信号のファジイ変数を再現する。それによりルールの結論部分がイメージされる。ここではニューロンの数は全ての出力メンバーシップ関数の総数に相応する。これらのニューロンは、ルールの全ての結論の単純な加算を実施する。これは所定のファジイ出力変数に対して“点孤作用”を、すなわち効力を及ぼす。そのためここではアイデンティティｆ（ｘ）＝ｘが能動関数として用いられる。ファジイシステム１０における非ファジイ化。ファジイシステムの出力値の計算に対しては、マックスドットインフェレンス(Maxdot-inference)を備えた標準の非ファジイ化手法と、全ての有効出力メンバーシップ関数の総和に関する重心的計算が用いられる。様々な結論αiからは以下の式に従って出力値ｙが得られる。（この場合前記ｗ_kjは、ルール中の部分結論の場合は１となりその他の場合は０となる）前記Ｍ_kは個々のモーメント、前記Ａ_kはそのつどの出力メンバーシップ関数の面積を表している。重心領域手法(area center of gravity method)に従った非ファジイ化は、面積とモーメントの事前計算を既にネットワークの事前構造化のもとで許容し、さらに適合化フェーズの間に２つの数値によって簡単な表現を許容する。出力メンバーシップ関数のそのつど生じる面積の明確な評価は必ずしも行われる必要はない。トポロジーにおいてはＭ_kとＡ_kが相応の重み付け係数によって実現される。それにより個々のモーメントと面積のスケーリングがα値で行われる。これは全ての有効ルールの重畳から得られる。引き続き商が全てのモーメントの和と全ての面積の和から算出される。除算は唯１つのニューロンでは実現できないので、対数と指数を用いてこの計算が減算の段階まで低減される。これによってファジイ変数の組合せからのシャープな出力値の計算が変換される。図９にはニューロファジイシステム６に対する完全に実現されたニューラルトポロジーが概略的に示されている。図示の構造は、４つの入力変数ｘ、ｙ、ｚ、ｗと、５つの出力変数クラス１〜５と、９６のルールを有するルールベースとを備えたファジイ分類システムに基づいている。この図からは実質的にファジイ化、ルールベース、非ファジイ化に対する３つの主要な部分構造が認められる。このモデルは、８つの層を持った順方向作動式のニューラルネットワークに相応する。この場合３つの層のみが非ファジイ化演算の機能的等価変換に対して応答可能である。図９の最下位行には個々の層で実施される演算が示されている。ニューロファジイアーキテクチャは、基礎となるファジイモデルの完全なイメージを表す。４つの入力信号Ｉ_X,Ｉ_Y,Ｉ_Z,Ｉ_Wは第２及び第３の層においてファジイ化される。その場合入力メンバーシップ関数の数、形態、位置の固定化と、相応の変数への対応付けが第２の層のニューロンにおいて行われる。この場合入力値はそれぞれ４つのメンバーシップ関数、すなわちＳＫ（非常に小さい）、Ｋ（小さい）、Ｇ（大きい）、ＳＧ（非常に大きい）でもってファジイ化される。その結果１つの層には１６のニューロンが生じる。引き続き第３の層ではルールベースの個々のルールＲ₁〜Ｒ₉₆が変換される。各ルール毎に相応のルールニューロンが存在する。それらの入力側には適切な部分前提が加わる。この部分前提は前述したように相互に論理結合され、ルール能動度合いαが算出され、付加的にルール重み付けＷ_Ruleで乗算される。このルール能動度合いαは引き続き部分結論を介して個々の出力変数クラス１〜クラス５のメンバーシップ関数に対応付けされる。それにより第５の層で生じた出力変数に対する部分結論は、引き続き非ファジイ化部分に組合わされる。層５と層６の間では予め１つの出力メンバーシップ関数に属する面積Ａ_kとモーメントＭ_kを用いた結論の重み付けが行われる。層６と層７では最終的にモーメントと面積の商の計算が対数と引数の減算とを介して実施される。以下のテーブル２には走行状況識別のための様々なファジイシステムの最重要パラメータと、相応する分類結果の例が示されている。結果は表現すべき測定走行毎に記録される。これは５つの異なる走行状況クラスをほぼ同じ割合で含んでいる。３２分間の走行時間に対するセンサデータが評価される。４０ｍｓのサンプリングレートのもとでは４８０００のサンプル値に相応する。テーブル２：窓の長さＬ＝２５０サンプル値の時間窓の形成により、走行持続時間に対して全体で１９２の分類出力値（４８０００ /２５０，１０秒毎に１つの分類出力値）が生じる。前記テーブルは、左から右にかけて以下のようなステートメントを含む。その都度の分類システムの符号、ファジイシステムのどのパラメータをニューラルネットワークでトレーニングするかに関するステートメント（ＥＺ＝入力メンバーシップ関数、ＡＺ＝出力メンバーシップ関数、ＲＧ＝ルール重み付け、Ｋ＝結論）、ファジイルールベースのサイズ、入力メンバーシップ関数の数、目標データセットに対する平均二乗エラーと絶対値としての分類結果とパーセンテージ（Ｒ（正しい）/Ｆ（誤り）/Ｎ（非分類））。初期のファジイシステム（これは専門知識を用いて単独でセットアップされる）は目下の走行状況を次のように分類する。すなわち正しい＝１０６（５５％）、誤り＝１１（６％）、ステートメントなし＝７５（３９％）。このマニュアル式最適化システムは、正しく分類された状況に関して７４％の割合を達成している。トレーニングされた識別システムに対しては、ニューラルネットワークにてイネーブルされた複数のパラメータに依存して様々な結果が達成される。この場合は可能なサンプルデータがそれぞれ７：３の割合でトレーニングセットと帰納化セットに分けられる。その結果は、開発コストの低減のもとでデータ作動式の最適化によって著しい識別レートの上昇が達成される。それにより例えば８５のルールに低減されたルールベースを用いて次のような分類結果が達成される。すなわち“正しい”＝９４％、“誤り”＝２％、“非分類化”＝４％の結果が達成される。

【手続補正書】特許法第１８４条の８第１項【提出日】１９９７年９月１７日【補正内容】請求の範囲１．自動車における走行機構又は駆動システムの制御のための回路装置（１）であって、ファジイシステム（１０）を有しており、前記ファジイシステムでは複数のセンサ信号が評価され、走行機構又は駆動システムに対する調整信号が形成され、前記センサ信号及び /又は調整信号がファジイシステム（１０）での評価の前に信号メモリ（８）に記憶され、走行状況の識別が実施され、前記ファジイシステム（１０）は、ニューラルネットワーク（１２）と接続されており、該ニューラルネットワークでは複数のセンサ信号と、自動車（２）の走行データの記録からの基準データとが評価され、それによってファジイシステムが生成され最適化されており、さらに前記ファジイシステム（１０）によって走行動作期間中にそのつどの走行状況を分類する信号が形成され、該信号が走行状況に依存した装置の制御に適用される形式のものにおいて、前記センサ信号及び /又は調整信号が、ファジイシステム（１０）での評価の前に前処理回路（９）においてフィルタリングされて平滑化されており、さらに論理結合によってセンサ信号のディメンションの低減実施されることを特徴とする、自動車における走行機構又は駆動システムの制御のための回路装置。２．前記装置は、測定走行のビデオ記録機能を備えたデータバンク（１３）を有し、その中に含まれているデータが基準データメモリ（１４）を介してニューラルネットワーク（１２）に供給される、請求項１記載の回路装置。３．前記ニューラルネットワーク（１２）によって入出力データのメンバーシップ関数の形状と位置、並びにファジイシステム（１０）のルールベースが適合化される、請求項１記載の回路装置。４．前記ファジイシステム（１０）とニューラルネットワーク（１２）の入力特性と出力特性が機能的に等価されている、請求項１記載の回路装置。５．前記ファジイシステム（１０）とニューラルネットワーク（１２）がそれぞれ１つの分類システムを含んでおり、これらは対応的に維持される双方向の変換によって相互変換可能である、請求項１記載の回路装置。

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁶ 識別記号ＦＩＧ０５Ｂ 13/02 Ｇ０５Ｂ 13/02 ＮＬＧ０６Ｆ 9/44 ５５４Ｇ０６Ｆ 9/44 ５５４Ｌ

Claims

【特許請求の範囲】１．自動車における走行機構又は駆動システムの制御のための回路装置（１）であって、ファジイシステム（１０）を有し、該ファジイシステムでは複数のセンサ信号が評価され、装置に対する調整信号が形成され、走行状況の識別が実施されている形式のものにおいて、前記ファジイシステム（１０）は、ニューラルネットワーク（１２）と接続されており、該ニューラルネットワークでは複数のセンサ信号と、自動車（２）の走行データの記録からの基準データとが評価され、それによってファジイシステムが生成され最適化されており、前記ファジイシステム（１０）によって走行動作期間中にそのつどの走行状況を分類する信号が形成され、該信号が走行状況に依存した装置の制御に適用されることを特徴とする、自動車における走行機構又は駆動システムの制御のための回路装置。２．複数のセンサ信号及び /又は制御信号が信号メモリ（８）に記憶され、前処理回路（９）においてフィルタリングと平滑化を施され、論理結合によってその数が低減される、請求項１記載の回路装置。３．前記装置は、測定走行のビデオ記録機能を備えたデータバンク（１３）を有し、その中に含まれているデータが基準データメモリ（１４）を介してニューラルネットワーク（１２）に供給される、請求項１記載の回路装置。４．前記ニューラルネットワーク（１２）によって入出力データのメンバーシップ関数の形状と位置、並びにファジイシステム（１０）のルールベースが適合化される、請求項１記載の回路装置。５．前記ファジイシステム（１０）とニューラルネットワーク（１２）の入力特性と出力特性が機能的に等価されている、請求項１記載の回路装置。６．前記ファジイシステム（１０）とニューラルネットワーク（１２）がそれぞれ１つの分類システムを含んでおり、これらは対応的に維持される双方向の変換によって相互変換可能である、請求項１記載の回路装置。