WO2019159534A1 - 車両速度制御装置及び車両速度制御方法 - Google Patents

車両速度制御装置及び車両速度制御方法 Download PDF

Info

Publication number
WO2019159534A1
WO2019159534A1 PCT/JP2018/047201 JP2018047201W WO2019159534A1 WO 2019159534 A1 WO2019159534 A1 WO 2019159534A1 JP 2018047201 W JP2018047201 W JP 2018047201W WO 2019159534 A1 WO2019159534 A1 WO 2019159534A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle speed
accelerator opening
change amount
vehicle
speed control
Prior art date
Application number
PCT/JP2018/047201
Other languages
English (en)
French (fr)
Inventor
健人 吉田
寛修 深井
Original Assignee
株式会社明電舎
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 株式会社明電舎 filed Critical 株式会社明電舎
Priority to US16/969,416 priority Critical patent/US20200398842A1/en
Priority to KR1020207023103A priority patent/KR102313002B1/ko
Publication of WO2019159534A1 publication Critical patent/WO2019159534A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/18—Propelling the vehicle
    • B60W30/188—Controlling power parameters of the driveline, e.g. determining the required power
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
    • B60K31/00—Vehicle fittings, acting on a single sub-unit only, for automatically controlling vehicle speed, i.e. preventing speed from exceeding an arbitrarily established velocity or maintaining speed at a particular velocity, as selected by the vehicle operator
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
    • B60W10/06—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of combustion engines
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/14—Adaptive cruise control
    • B60W30/143—Speed control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/1005—Driving resistance
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D29/00—Controlling engines, such controlling being peculiar to the devices driven thereby, the devices being other than parts or accessories essential to engine operation, e.g. controlling of engines by signals external thereto
    • F02D29/02—Controlling engines, such controlling being peculiar to the devices driven thereby, the devices being other than parts or accessories essential to engine operation, e.g. controlling of engines by signals external thereto peculiar to engines driving vehicles; peculiar to engines driving variable pitch propellers
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D45/00—Electrical control not provided for in groups F02D41/00 - F02D43/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/06—Combustion engines, Gas turbines
    • B60W2510/0604—Throttle position
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/06—Combustion engines, Gas turbines
    • B60W2510/0638—Engine speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/06—Combustion engines, Gas turbines
    • B60W2510/0676—Engine temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
    • B60W2530/16—Driving resistance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/10—Accelerator pedal position

Definitions

  • the present invention relates to a vehicle speed control device and a vehicle speed control method.
  • the fuel consumption and exhaust gas when the vehicle is driven according to a specific driving pattern (mode) specified by the country or region is measured and displayed.
  • the mode can be represented by a graph, for example, as the relationship between the time elapsed from the start of traveling and the vehicle speed to be reached at that time.
  • This vehicle speed to be reached may be referred to as a vehicle speed command in terms of a command related to a speed to be achieved given to the vehicle.
  • the above-described tests on fuel consumption and exhaust gas are performed by placing a vehicle on a chassis dynamometer and driving the vehicle according to a mode by an automatic driving device mounted on the vehicle.
  • the vehicle speed command specifies an allowable error range. If the vehicle speed deviates from the allowable error range, the test becomes invalid. Therefore, the automatic driving device is required to have high followability to the vehicle speed command.
  • Examples of the vehicle control method include feedforward control and feedback control. However, in feedback control, it is not easy to improve followability due to a response delay or the like. Therefore, it is important to improve the followability of the vehicle, particularly by feedforward control.
  • Such feedforward control may be performed by a driving force characteristic map in which a relationship between a steady driving force and a vehicle speed when traveling at a certain accelerator opening is measured and recorded in advance.
  • the driving force characteristic map is expressed as, for example, a three-dimensional graph with three axes of XYZ.
  • the accelerator opening at the intersection is expressed as a value on the Z axis.
  • the driving force characteristic map is used, the vehicle speed command is achieved by inputting the vehicle speed detected at the present time and the driving force required to achieve the next vehicle speed command during vehicle travel control.
  • the accelerator opening determined to be possible is output.
  • Cited Document 1 discloses a vehicle speed control device having a driving force characteristic map as described above.
  • the driving force characteristic map is realized by measuring the relationship between the input of 1 or 2 and the accelerator opening when the vehicle is driven at a constant accelerator opening, for example. Yes. That is, in the input value on the driving force characteristic map that was not actually measured, for example, by performing linear interpolation based on the accelerator opening value in the actually measured input value located in the vicinity, The accelerator opening is calculated and recorded. For this reason, for example, when the input value that is not actually measured has a special value or complicated characteristics that the accelerator opening cannot be calculated by interpolation, there is a limit to the improvement of the tracking accuracy with respect to the vehicle speed command. is there.
  • the problem to be solved by the present invention is to provide a vehicle speed control device and a vehicle speed control method capable of following a vehicle speed command with high accuracy.
  • the present invention employs the following means in order to solve the above problems. That is, the present invention is a vehicle speed control device that controls the vehicle so as to follow a prescribed vehicle speed command by changing the accelerator opening of the vehicle, and is calculated based on the vehicle speed command. Based on the required driving force required to achieve the vehicle speed command and the current vehicle speed, an accelerator opening change amount calculation unit that calculates the change amount of the accelerator opening, and the accelerator opening An accelerator opening change unit that changes the accelerator opening based on a change amount, wherein the accelerator opening change amount calculation unit includes the driving force, the vehicle speed, and the accelerator opening of the vehicle that is running There is provided a vehicle speed control device that calculates the change amount of the accelerator opening by a machine learner machine-learned using travel performance data including the change amount as learning data.
  • the present invention also provides a vehicle speed control method for controlling the vehicle so as to follow a prescribed vehicle speed command by changing the accelerator opening of the vehicle, wherein the vehicle driving force, vehicle speed, , And the required drive required to achieve the vehicle speed command calculated by the machine learner based on the vehicle speed command, machine-learned using travel result data including the change amount of the accelerator opening as learning data
  • a vehicle speed control method for calculating the change amount of the accelerator opening based on the force and the current vehicle speed, and changing the accelerator opening based on the change amount of the accelerator opening. provide.
  • the vehicle speed control device in the present embodiment controls the vehicle so as to follow a prescribed vehicle speed command by changing the accelerator opening of the vehicle, and the vehicle speed command calculated based on the vehicle speed command.
  • the accelerator opening change amount calculation unit that calculates the change amount of the accelerator opening, and the accelerator opening amount based on the change amount of the accelerator opening
  • An accelerator opening changing unit for changing the opening, and the accelerator opening changing amount calculating unit learns traveling performance data including driving force, vehicle speed, and changing amount of the accelerator opening during traveling.
  • the amount of change in the accelerator opening is calculated by a machine learner machine-learned as follows.
  • FIG. 1 is an explanatory diagram of a vehicle speed control device according to an embodiment.
  • Vehicle 1 is provided on floor surface FL.
  • a chassis dynamometer 5 is provided below the floor surface FL.
  • the vehicle 1 is positioned such that the drive wheels 2 of the vehicle 1 are placed on the chassis dynamometer 5.
  • the chassis dynamometer 5 rotates in the opposite direction.
  • the vehicle speed control device 10 controls the vehicle 1 so as to follow a prescribed travel pattern (mode) by changing the accelerator opening of the vehicle 1. More specifically, the vehicle speed control device 10 controls the vehicle 1 to travel according to a vehicle speed command that is a vehicle speed that should reach each time as time elapses from the start of traveling.
  • the vehicle speed control device 10 includes a control terminal 11 and an accelerator opening change unit 12 that are provided so as to communicate with each other.
  • the control terminal 11 is an information processing device having a configuration described later with reference to FIG.
  • the accelerator opening changing unit 12 is a drive robot mounted on the driver's seat 3 of the vehicle 1 in the present embodiment.
  • the accelerator opening changing unit 12 includes an actuator 12 a provided so as to contact the accelerator pedal 4 of the vehicle 1.
  • the accelerator opening changing unit 12 changes and adjusts the accelerator opening of the vehicle 1 by operating the accelerator pedal 4 by driving the actuator 12a in accordance with an instruction from the control terminal 11.
  • FIG. 2 is a block diagram of the vehicle speed control device 10.
  • the vehicle speed control device 10 includes a vehicle speed command generation unit 13, a vehicle driving force calculation unit 14, a travel resistance calculation unit 15, an accelerator opening change amount calculation unit 16, travel record data, in the control terminal 11. 17 and an accelerator opening feedback manipulated variable calculation unit 18.
  • the vehicle speed command generation unit 13 generates a vehicle speed command based on the information regarding the mode stored in the control terminal 11.
  • the mode is represented by, for example, a table, a graph, or the like as the relationship between the time elapsed from the start of traveling and the vehicle speed to be reached at that time.
  • the vehicle speed command generation unit 13 is in a range of time during which the vehicle 1 is traveling from the present time to the future after the elapse of a predetermined first time.
  • a vehicle speed command is generated by obtaining the vehicle speed with reference to the mode.
  • the predetermined first time is, for example, 5 seconds
  • the predetermined first time interval is, for example, 0.02 seconds.
  • the vehicle speed command generation unit 13 generates vehicle speed commands at a plurality of future times while the vehicle 1 is traveling.
  • the vehicle speed command generation unit 13 transmits the vehicle speed command vector v ref to the accelerator opening change amount calculation unit 16. Further, the vehicle speed command generation unit 13, the first element of the command vehicle speed vector v ref, i.e. the command vehicle speed v 1, then to be achieved, as the command vehicle speed v 1 of the next processing time, the vehicle driving force calculating section 14 Send.
  • the vehicle driving force calculation unit 14 receives the vehicle speed command v 1 at the next processing time from the vehicle speed command generation unit 13.
  • the vehicle driving force calculation unit 14 calculates the vehicle driving force F x based on the vehicle speed command v 1 at the next processing time. More specifically, when the weight of the vehicle 1 is M v (kg), the vehicle driving force F x is approximately determined by the following equation.
  • the differential value of the vehicle speed command v 1 at the next processing time is the latest value of the vehicle speed command v 1 received by the vehicle driving force calculation unit 14 from the vehicle speed command generation unit 13 and the vehicle speed at the previous time. Based on the vehicle speed command v 1 received from the command generation unit 13, for example, the difference is calculated by dividing the difference by a predetermined time value.
  • the traveling resistance calculation unit 15 detects and acquires the current vehicle speed v det from the traveling vehicle 1.
  • Running resistance calculating unit 15 based on the current vehicle speed v det, it calculates the running resistance F RL imitating the actual running on the real road surface. More specifically, when A, B, and C are constants set for each vehicle, the running resistance FRL is approximately determined by the following equation.
  • the traveling resistance calculation unit 15 transmits the traveling resistance FRL calculated by the above formula to the chassis dynamometer 5 to generate a traveling resistance force for the traveling vehicle 1.
  • the running resistance calculating portion 15 calculates the running resistance F RL according to the current vehicle speed v det.
  • the vehicle driving force F x calculated by the vehicle driving force calculation unit 14 and the traveling resistance F RL calculated by the traveling resistance calculation unit 15 are transmitted to the adder 19.
  • the adder 19 receives and adds them, and calculates a required driving force F ref that is the sum of the vehicle driving force F x and the running resistance F RL .
  • the adder 19 transmits the required driving force F ref to the accelerator opening change amount calculation unit 16.
  • the accelerator opening change amount calculation unit 16 receives the vehicle speed command vector v ref from the vehicle speed command generation unit 13 and the required driving force F ref from the adder 19. The accelerator opening change amount calculation unit 16 further obtains the detection results of the current vehicle speed v det and the current engine speed n det from the traveling vehicle 1.
  • the accelerator opening change amount calculation unit 16 calculates the change amount of the accelerator opening based on each of the received and acquired values. Strictly speaking, the change amount of the accelerator opening is calculated by performing a feedforward control based on the required driving force F ref calculated from the vehicle speed command vector v ref and the speed command v 1. is there. Therefore, the change amount of the accelerator opening calculated by the accelerator opening change amount calculation unit 16, since the feed-forward change amount (hereinafter referred to as FF change amount) referred to as theta FF.
  • the FF change amount ⁇ FF is the accelerator pedal 4 to be operated by the accelerator opening changing unit 12 in order to achieve the vehicle speed command v 1 at the next processing time calculated by the control of the feedforward system. Is the operation amount.
  • the accelerator opening change amount calculation unit 16 calculates the FF change amount ⁇ FF by a machine learner that has been machine-learned using the travel record data 17 when the vehicle 1 is actually traveled as learning data.
  • the machine learning device is realized by a neural network.
  • the travel record data 17 is obtained by actually measuring and recording data when the vehicle 1 is traveled before or after the accelerator opening changing unit 12 is installed in the vehicle 1.
  • the running record data 17 includes measured data of the vehicle speed, driving force, and engine speed of the vehicle 1 that is running.
  • the travel record data 17 is preferably data obtained by measuring each value while the vehicle 1 is traveling in accordance with the mode, but it is not necessarily required to be traveled in accordance with the mode.
  • the vehicle speed command, the driving force, the vehicle speed at a plurality of future times at that time, and The engine speed may be input to each of the vehicle speed command vector v ref , the required driving force F ref , the current vehicle speed v det , and the current engine speed n det .
  • the vehicle speed at a plurality of future times may be input as the vehicle speed command vector v ref instead of the vehicle speed command.
  • the future vehicle speed in the travel record data 17 can be regarded as a provisionally given vehicle speed command, and the travel record data 17 can be regarded as a measurement result according to the provisionally given vehicle speed command.
  • the running record data 17 includes actual measurement data of the FF change amount ⁇ FF that is an output of the machine learner. The actual measurement data of the FF change amount ⁇ FF is used as a correct value when the machine learner learns.
  • FIG. 3 is an explanatory diagram of a machine learning device that constitutes the accelerator opening change amount calculation unit 16.
  • the machine learner 30 is a fully-coupled neural network with a total of five layers, with three intermediate layers.
  • the I-1th layer with respect to the Ith layer is referred to as a previous layer.
  • the input node 31 constituting the input layer includes N first input nodes 31a and one second input node 31b, three third input nodes 31c, and fourth input nodes 31d.
  • learning of the machine learning device 30 will be described first.
  • Vehicle speed commands at a plurality of future times in the travel record data 17 are respectively input to the first input node 31a.
  • the driving force, the vehicle speed, and the engine speed of the travel record data 17 are input to the second input node 31b, the third input node 31c, and the fourth input node 31d, respectively.
  • An operation result is stored in 32. More specifically, x I p is a value stored in the p-th node of the I-th layer , and w I p, q is a value of transmission from the p-th node of the I-th layer to the q-th node of the I + 1 layer.
  • the transmission weight from the bias of the I layer to the q-th node of the I + 1 layer is 1, the I + 1 layer from the I layer of the machine learner 30
  • the value stored in the qth node of the (I + 1) th layer is calculated by the following equation.
  • the value x 1 i (i 1 to N + 3) stored in the node 31 of the first layer, that is, the input layer is input to each of the first to fourth input nodes 31a, 31b, 31c, and 31d.
  • the function f (x) is ReLU (Rectified Linear Unit) and is expressed by the following equation.
  • the second layer in particular, the weight w 2 0, 1 transfer from the bias x 2 0 and bias x 2 0 is indicated by the two-dot chain line.
  • the number of intermediate nodes 32 in each of the intermediate layers is appropriately determined so that learning using the running record data 17 is appropriately performed.
  • the output layer similarly to each of the intermediate layers, the calculation using Expression (3) is performed, and the calculation result is stored in each output node 33.
  • the output layer includes the number of output nodes 33 indicated by M in FIG. 3, and the machine learning device 30 calculates FF change amounts at a plurality of future times. That is, at each output node 33 in the output layer, from the current time as the base point, the current FF change amount ⁇ ′ 1 after a predetermined second time interval, for example, 0.002 seconds later, at a predetermined second time interval. FF change amounts at a total of M times are calculated from FF change amount ⁇ ′ M after a predetermined second time, for example, after 1 second.
  • the FF change amounts ⁇ ′ 1 to ⁇ ′ M calculated at each output node 33 are provisional. Accelerator opening change amount calculation unit 16, of the provisional FF change amount [theta] & apos 1 ⁇ [theta] & apos M, especially for FF change amount [theta] & apos 1 corresponding to the next time, for example, the output in the past processing A moving average process with the result is applied, and this result is output as the FF change amount ⁇ FF . That is, in the present embodiment, the values of ⁇ ′ 2 to ⁇ ′ M are not used, but may be used as another modified example as will be described later.
  • the machine learning device 30 After the driving record data 17 is input as described above and the FF manipulated variables ⁇ ′ 1 to ⁇ ′ M are calculated, these values become appropriate values, that is, When the FF manipulated variables ⁇ ′ 1 to ⁇ ′ M are actually calculated, learning is performed in advance so that an appropriate value can be calculated. In this learning, the values of all weights w I p, q and the value of bias x I 0 are adjusted.
  • the learning target is actual measurement data of the FF change amount in the running record data 17, and learning is performed so as to reduce the square error between the target data and the result calculated at each output node 33.
  • the learning can be performed by, for example, an error back propagation method.
  • Each input value is transmitted to the next layer through the machine learner 30 while being calculated by the equations (3) and (4), and the operation result, that is, the provisional value, is transmitted to each output node 33 of the output layer.
  • the FF change amounts ⁇ ′ 1 to ⁇ ′ M are stored.
  • the accelerator opening change amount calculation unit 16 applies, for example, a moving average process with the output result in the past process to the temporary FF change amount ⁇ ′ 1 corresponding to the next time in particular, This result is output as the FF change amount ⁇ FF .
  • the machine learning device 30 constituting the accelerator opening change amount calculation unit 16 obtains the traveling result data 17 including the driving force, the vehicle speed, the accelerator opening change amount, and the engine speed of the vehicle during traveling.
  • Machine learning is used as learning data.
  • vehicle speed commands at a plurality of future times are also used as learning data.
  • the accelerator opening change amount calculation unit 16 including the machine learner 30 thus machine-learned includes a vehicle speed command vector v ref , a required driving force F ref , a current vehicle speed v det , and a current engine speed n det.
  • the machine learning device 30 calculates the FF change amount ⁇ FF .
  • the accelerator opening feedback manipulated variable calculator 18 subtracts the difference between the vehicle speed command v 1 at the next processing time transmitted by the vehicle speed command generator 13 and the current vehicle speed v det , that is, the adder 20 subtracts these values.
  • the vehicle speed error dv which is the value of the result obtained is received.
  • the accelerator opening feedback manipulated variable calculator 18 is a feedback change amount (hereinafter referred to as FB change amount) of the accelerator opening that reduces the vehicle speed error dv by vehicle speed feedback control such as PID (Proportional-Differential Controller) control. (Calculate) ⁇ FB .
  • FB change amount a feedback change amount of the accelerator opening that reduces the vehicle speed error dv by vehicle speed feedback control such as PID (Proportional-Differential Controller) control. (Calculate) ⁇ FB .
  • PID Proportional-Differential Controller
  • the FF change amount ⁇ FF calculated by the accelerator opening change amount calculation unit 16 and the FB change amount ⁇ FB calculated by the accelerator opening feedback operation amount calculation unit 18 are added by the adder 21 and actually used.
  • a change amount ⁇ ref to be calculated is calculated.
  • This change amount ⁇ ref is transmitted to the accelerator opening changing unit 12 as an accelerator pedal operation command ⁇ ref .
  • the accelerator opening changing unit 12 operates the accelerator pedal 4 by driving the actuator 12a, particularly in the present embodiment, based on the accelerator pedal operation command ⁇ ref, that is, the actual change amount ⁇ ref of the accelerator opening used. By doing so, the accelerator opening is changed. Thereby, the vehicle speed and engine speed of the vehicle 1 change.
  • FIG. 4 is a flowchart of the vehicle speed control method.
  • the vehicle is controlled to travel in accordance with a prescribed vehicle speed command by changing the accelerator opening of the vehicle, and the driving force, vehicle speed, and accelerator opening of the traveling vehicle are controlled.
  • the required driving force required to achieve the vehicle speed command calculated based on the vehicle speed command by a machine learner that has been machine-learned using the driving performance data including the change amount as learning data, and the current vehicle speed.
  • the change amount of the accelerator opening is calculated, and the accelerator opening is changed based on the change amount of the accelerator opening.
  • the machine learning device 30 is caused to perform machine learning using the running record data 17 as learning data (step S0).
  • the travel record data 17 is obtained by actually measuring and recording data when the vehicle 1 is traveled to follow the mode before or after the accelerator opening changing unit 12 is installed in the vehicle 1. However, as already described, the travel record data 17 does not necessarily have to be traveled according to the mode.
  • the vehicle 1 is actually run on the chassis dynamometer 5 to measure fuel consumption and exhaust gas (step S2).
  • the vehicle speed command generation unit 13 generates a vehicle speed command, more specifically, a vehicle speed command vector v ref based on the information regarding the mode stored in the control terminal 11 (step S4).
  • the vehicle speed command generation unit 13 transmits the vehicle speed command vector v ref to the accelerator opening change amount calculation unit 16. Further, the vehicle speed command generation unit 13, the first element of the command vehicle speed vector v ref, i.e. the command vehicle speed v 1, then to be achieved, as the command vehicle speed v 1 of the next processing time, the vehicle driving force calculating section 14 Send.
  • the vehicle driving force calculation unit 14 receives the vehicle speed command v 1 at the next processing time from the vehicle speed command generation unit 13.
  • the vehicle driving force calculation unit 14 calculates the vehicle driving force F x based on the vehicle speed command v 1 at the next processing time (step S6).
  • the running resistance calculating portion 15 calculates the running resistance F RL (step S8).
  • the accelerator opening change amount calculation unit 16 receives the vehicle speed command vector v ref from the vehicle speed command generation unit 13.
  • the accelerator opening change amount calculating unit 16 also has a required driving force F ref that is the sum of the vehicle driving force F x calculated by the vehicle driving force calculating unit 14 and the traveling resistance F RL calculated by the traveling resistance calculating unit 15. Is received from the adder 19.
  • the accelerator opening change amount calculation unit 16 further obtains the detection results of the current vehicle speed v det and the current engine speed n det from the traveling vehicle 1.
  • Each input value is transmitted to the next layer through the machine learner 30 while being calculated by the equations (3) and (4), and the operation result, that is, the provisional value, is transmitted to each output node 33 of the output layer.
  • the FF change amounts ⁇ ′ 1 to ⁇ ′ M are stored.
  • the accelerator opening change amount calculation unit 16 applies, for example, a moving average process with the output result in the past process to the temporary FF change amount ⁇ ′ 1 corresponding to the next time in particular, This result is output as the FF change amount ⁇ FF .
  • the temporary FF change amounts ⁇ ′ 2 to ⁇ ′ M other than the temporary FF change amount ⁇ ′ 1 corresponding to the next time are not output from the machine learning device 30 to the outside, Not used.
  • the machine learning device 30 calculates the temporary FF change amounts ⁇ ′ 1 to ⁇ ′ M again at the time, and the temporary FF change amount ⁇ ′ 1 at that time. Is output from the machine learning device 30 as a provisional FF change amount at that time and used.
  • the accelerator opening feedback manipulated variable calculator 18 calculates the FB change amount ⁇ FB of the accelerator opening so as to reduce the vehicle speed error dv by vehicle speed feedback control (step S12).
  • the FF change amount ⁇ FF calculated by the accelerator opening change amount calculation unit 16 and the FB change amount ⁇ FB calculated by the accelerator opening feedback operation amount calculation unit 18 are added by the adder 21 and actually used.
  • the amount of change ⁇ ref to be performed is calculated (step S14).
  • This change amount ⁇ ref is transmitted to the accelerator opening changing unit 12 as an accelerator pedal operation command ⁇ ref .
  • the accelerator opening changing unit 12 operates the accelerator pedal 4 by driving the actuator 12a, particularly in the present embodiment, based on the accelerator pedal operation command ⁇ ref, that is, the actual change amount ⁇ ref of the accelerator opening used. By doing so, the accelerator opening is changed (step S16).
  • step S16 ends, the process proceeds to each of steps S4, S8, and S12. That is, the vehicle speed v det and the engine speed n det of the vehicle 1 are changed by a series of processes in steps S4 to S16. The new vehicle speed v det and engine speed n det are detected, and an accelerator pedal operation command ⁇ ref at the next time is calculated based on these detected values. In this way, the vehicle 1 is controlled to travel according to the mode by repeating a series of steps S4 to S16 every time.
  • the vehicle 1 is travel-controlled so as to comply with the prescribed vehicle speed commands v 1 and v ref by changing the accelerator opening of the vehicle 1.
  • v 1 was calculated based on the required driving force F ref required for the achievement of the command vehicle speed v 1, based on the current vehicle speed v det, FF change amount (accelerator opening change amount) theta
  • An accelerator opening change amount calculation unit 16 that calculates an FF
  • an accelerator opening change unit 12 that changes the accelerator opening based on the FF change amount ⁇ FF are provided. Calculates the FF change amount ⁇ FF by the machine learner 30 machine-learned using the driving performance data 17 including the driving force, the vehicle speed, and the FF change amount of the running vehicle as learning data.
  • the machine learning device 30 calculates an appropriate FF change amount ⁇ FF by using the driving performance data 17 including the driving force, the vehicle speed, and the FF change amount of the traveling vehicle 1 as learning data. Since the machine learning is performed as described above, the vehicle 1 can be controlled to follow the prescribed vehicle speed commands v 1 and v ref .
  • the machine learner 30 can calculate the FF change amount ⁇ FF that is considered appropriate without depending on the input value. Therefore, FF change that can follow the vehicle speed command with higher accuracy than the case where the accelerator opening cannot be output without relying on interpolation other than the actually measured values such as the driving force characteristic map.
  • the quantity ⁇ FF can be calculated.
  • the accelerator opening change amount calculation unit 16 performs the calculation by the machine learner 30, there is basically no limit on the number of elements to be input. For this reason, for example, it is possible to employ as many elements that are considered to be related to the FF change amount ⁇ FF as inputs to the machine learning device 30 as much as possible. As a result, the FF change amount ⁇ FF that can follow the vehicle speed command with higher accuracy can be calculated.
  • the machine learning device 30 is realized by a neural network. According to the above configuration, the vehicle speed control device 10 can be more appropriately realized.
  • the machine learning device 30 is further machine-learned by using the traveling result data 17 including the engine speed as learning data, and the accelerator opening change amount calculation unit 16 further performs the operation based on the current engine speed n det.
  • FF change amount ⁇ FF is calculated.
  • the machine learning device 30 is learned to calculate the FF change amount ⁇ FF based on the engine speed at the time of learning.
  • the accelerator opening change amount calculation unit 16 calculates the FF change amount ⁇ FF based on the current engine speed n det . For this reason, even if the vehicle 1 is an automatic vehicle, the calculation independent of the gear state in the vehicle 1 is possible. As a result, the FF change amount ⁇ FF that can follow the vehicle speed command with higher accuracy can be calculated.
  • the machine learning device 30 is further machine-learned by using the driving record data 17 including vehicle speeds at a plurality of future times or the vehicle speed commands at a plurality of future times as learning data, and the accelerator opening change amount calculation unit 16 Calculates the FF change amount ⁇ FF based on the vehicle speed command v ref at a plurality of future times.
  • the machine learning device 30 is learned to calculate the FF change amount ⁇ FF based on the vehicle speed or vehicle speed commands at a plurality of future times during learning.
  • the accelerator opening change amount calculation unit 16 calculates the FF change amount ⁇ FF based on the vehicle speed commands v ref at a plurality of future times.
  • the machine learning device 30 calculates provisional FF change amounts (provisional accelerator opening change amounts) ⁇ ′ 1 to ⁇ ′ M at a plurality of future times, and an accelerator opening change amount calculation unit 16 calculates the FF change amount ⁇ FF based on the provisional FF change amounts ⁇ ′ 1 to ⁇ ′ M. According to the above configuration, when the machine learning device 30 calculates the temporary FF change amount ⁇ ′ 1 at the next time, the temporary FF change amount ⁇ ′ 2- ⁇ ′ M is calculated simultaneously.
  • the machine learning device 30 when learning the machine learning device 30, if learning is performed so as to include the prediction of a future time in addition to the provisional FF change amount ⁇ ′ 1 at the next time, The prediction at the future time is reflected inside as a feature value. With this feature amount, the calculation of the provisional FF change amount ⁇ ′ 1 at the next time can be made in anticipation of the behavior at the future time. As a result, the FF change amount ⁇ FF that can follow the vehicle speed command with higher accuracy can be calculated.
  • the machine learning device 30 is based on only the most recent time, that is, the FF change amount ⁇ ′ 1 at the next time among the provisional FF change amounts ⁇ ′ 1 to ⁇ ′ M at a plurality of future times.
  • the FF change amount ⁇ FF is calculated.
  • the temporary FF change amount ⁇ ′ 1 based on the latest input is always calculated and used at each time when the FF change amount is required.
  • FF change amount ⁇ FF that can be followed with higher accuracy can be calculated.
  • the accelerator opening change amount calculation unit 16 applies the moving average process with the output result in the past process to the provisional FF change amount ⁇ ′ 1 output by the machine learner 30 and outputs the result as FF. Output as change amount ⁇ FF . According to the above configuration, the transition of the FF change amount ⁇ FF output by the accelerator opening change amount calculation unit 16 can be made smooth. As a result, the accelerator opening can be adjusted smoothly.
  • a vehicle driving force calculation unit that calculates a vehicle driving force based on a vehicle speed command and a traveling resistance calculation unit that calculates a running resistance according to the current vehicle speed are provided. Is the sum of According to the above configuration, the vehicle speed control device 10 can be more appropriately realized.
  • the accelerator opening changing unit is a drive robot that is mounted on a driver's seat of a vehicle and operates an accelerator pedal by an actuator. According to the above configuration, the vehicle speed control device 10 can be more appropriately realized.
  • FIG. 5 is a block diagram of the vehicle speed control device 40 in the first modification.
  • the vehicle speed control device 40 of the first modification is different from the vehicle speed control device 10 of the above embodiment in that the accelerator opening change amount calculation unit 41 further changes the FF based on the current engine temperature d det. The point of calculating the amount is different.
  • one input node corresponding to the engine temperature d det is added to the machine learning device of the accelerator opening change amount calculation unit 41 as compared with the machine learning device 30 in the above embodiment.
  • the travel performance data 43 also measures the engine temperature during travel and stores it as an actual measurement value, and the machine learner learns using this as an input item.
  • the accelerator opening change amount calculation unit 41 is configured to output the FF change amount ⁇ FF in consideration of the current engine temperature d det .
  • the machine learning device is further machine-learned by using the running record data 43 including the engine temperature as learning data, and the accelerator opening change amount calculation unit 41 further performs the current engine Based on the temperature d det , the FF change amount ⁇ FF is calculated. Since the output characteristics of the engine change nonlinearly with temperature, it is not easy to accurately reflect this in a data structure constructed depending on interpolation such as a driving force characteristic map. According to the configuration as described above, it is possible to calculate the FF change amount ⁇ FF in consideration of the characteristic change depending on the engine temperature.
  • FIG. 6 is a block diagram of the vehicle speed control device 50 in the second modification.
  • the vehicle speed control device 50 according to the second modification is a further modification of the vehicle speed control device 40 according to the first modification, and is different in that the vehicle speed control device 50 includes an abnormality detection unit 52. ing.
  • the accelerator opening change amount calculation unit 51 calculates the engine speed n est at a plurality of future times with the above configuration.
  • the accelerator opening change amount calculation unit 51 transmits the calculated engine speed n est at a plurality of future times to the abnormality detection unit 52.
  • the abnormality detection unit 52 receives the engine speed n est at a plurality of future times, and detects that it is abnormal when this is an abnormal value.
  • the abnormality detection unit 52 observes the trend of transition of the value of the engine speed n est at a plurality of future times, or compares the minimum value or the maximum value with a predetermined threshold value, thereby The abnormality of the value of the engine speed n est at a future time is determined. When it is determined that there is an abnormality in the engine speed n est at a plurality of future times, the abnormality detection unit 52 transmits a stop signal to the accelerator opening change unit 12.
  • the accelerator opening change amount calculation unit 51 calculates the engine speed n est at a plurality of future times, and the engine speed n est at the plurality of future times is abnormal. If the value is a negative value, an abnormality detection unit 52 is provided for detecting this. According to the configuration as described above, an operation for changing the accelerator opening so as to obtain an abnormal engine speed is output in advance by calculating the engine speed n est in the future. Can be canceled. Thereby, generation
  • FIGS. 7A and 7B are graphs showing the follow-up situation to the speed command in each of the apparatus using the driving force characteristic map and the vehicle speed control apparatus 10.
  • lines 60, 61, and 62 indicate the speed command, the upper limit of the allowable error range of the speed command, and the lower limit of the allowable error range of the speed command, respectively. is there.
  • a line 63 in FIG. 7A is the follow-up situation in the case of the device using the driving force characteristic map
  • a line 64 in FIG. 7B is a follow-up situation in the case of the vehicle speed control device 10.
  • Line 64 depicts a curve that is closer to line 60 than line 63.
  • the average vehicle speed error with respect to the vehicle speed command 60 in the tracking state 63 in the case of the device using the driving force characteristic map is 0.44 km / h, whereas in the case of the vehicle speed control device 10.
  • the average vehicle speed error of the following situation 64 with respect to the vehicle speed command 60 was 0.28 km / h.
  • the vehicle speed control device 10 has better followability to the vehicle speed command than the device using the driving force characteristic map.
  • FIGS. 8A and 8B are graphs showing the operation amount of the accelerator opening in each of the device using the driving force characteristic map and the vehicle speed control device 10.
  • Lines 70 and 71 are the operation amount of the feedforward system and the operation amount of the feedback system, respectively, in the case of the apparatus using the driving force characteristic map.
  • Lines 72 and 73 are a feedforward operation amount and a feedback operation amount in the case of the vehicle speed control device 10, respectively.
  • the value of the line 73 is generally smaller than that of the line 71, that is, in the case of the vehicle speed control device 10, the amount of operation of the feedback system is reduced. Thereby, it turns out that the precision of operation of a feedforward system is improving.
  • vehicle speed control device and the vehicle speed control method of the present invention are not limited to the above-described embodiment and each modification described with reference to the drawings, and various other modifications within the technical scope thereof. Can be considered.
  • the travel record data 17 is included in the vehicle speed control device 10.
  • the vehicle speed control device 10 may be deleted and removed.
  • working performance data 17, and the accelerator opening feedback operation amount calculating part 18 is configured to be provided in the control terminal 11, but needless to say, the present invention is not limited to this.
  • a part or all of these components may be provided inside the accelerator opening changing unit 12 and operated by a CPU or the like provided in the accelerator opening changing unit 12. .
  • the driving performance data 17 may reflect dynamic characteristics that are characteristics in a state where the vehicle 1 is accelerating.
  • the driving force characteristic map is obtained by measuring and recording in advance the characteristics of a stationary vehicle when traveling at a certain accelerator opening, and thus it is difficult to reflect the dynamic characteristics.
  • the machine learning device 30 to learn from the running record data 17 in which the dynamic characteristics are reflected in the vehicle speed control device 10, the FF change amount ⁇ FF reflecting the dynamic characteristics can be output. As a result, the calculation accuracy of the FF change amount ⁇ FF can be further increased.
  • the accelerator opening change amount calculation unit 16 applies the moving average process with the output result in the past process to the provisional FF change amount ⁇ ′ 1 output by the machine learner 30.
  • This result is output as the FF change amount ⁇ FF , but is not limited to this.
  • the machine learning device 30 calculates provisional FF change amounts ⁇ ′ 1 to ⁇ ′ M at a plurality of future times, in addition to the output results in the past processing, these future values are included.
  • a moving average may be calculated.
  • the machine learner 30 also changes the tentative FF change at the most recent time, that is, the next time, among the tentative FF change amounts ⁇ ′ 1 to ⁇ ′ M at a plurality of future times.
  • the FF change amount ⁇ FF is calculated based only on the amount ⁇ ′ 1, but is not limited thereto. To the extent the accuracy is allowed, based on a plurality of provisional FF change amount obtained by including [theta] & apos 1, calculates a plurality of FF change amount theta FF, it may also be used these in practice.
  • the configuration described in the above embodiment can be selected or changed to another configuration as appropriate.
  • the vehicle speed control device 50 in which the abnormality detection unit 52 is added to the configuration of the vehicle speed control device 40 in the first modified example has been described, but the vehicle speed control device shown as the embodiment It is good also as a structure which adds the abnormality detection part 52 with respect to 10.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Physics & Mathematics (AREA)
  • Transportation (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Control Of Vehicle Engines Or Engines For Specific Uses (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Controls For Constant Speed Travelling (AREA)

Abstract

【課題】車速指令に対して高い精度で追従可能な、車両速度制御装置及び車両速度制御方法を提供する。 【解決手段】車両１のアクセル開度を変更することで、規定された車速指令ｖ１に従うように前記車両１を走行制御する、車両速度制御装置１０であって、前記車速指令ｖ１を基に演算された、当該車速指令ｖ１の達成に必要とされる要求駆動力Ｆｒｅｆと、現在の車速ｖｄｅｔとを基にして、前記アクセル開度の変更量θＦＦを演算する、アクセル開度変更量演算部１６と、前記アクセル開度の前記変更量θＦＦを基に、前記アクセル開度を変更する、アクセル開度変更部１２と、を備え、前記アクセル開度変更量演算部１６は、走行中の前記車両１の駆動力、車速、及び前記アクセル開度の前記変更量を含む走行実績データ１７を学習データとして機械学習された、機械学習器により、前記アクセル開度の前記変更量θＦＦを演算する、車両速度制御装置１０を提供する。

Description

車両速度制御装置及び車両速度制御方法
　本発明は、車両速度制御装置及び車両速度制御方法に関する。
　一般に、普通自動車などの車両を製造、販売する際には、国や地域により規定された、特定の走行パターン（モード）により車両を走行させた際の燃費や排出ガスを測定し、これを表示する必要がある。
　モードは、例えば、走行開始から経過した時間と、その時に到達すべき車速との関係として、グラフにより表わすことが可能である。この到達すべき車速は、車両へ与えられる達成すべき速度に関する指令という観点で、車速指令と呼ばれることがある。
　上記のような、燃費や排出ガスに関する試験は、シャシーダイナモメータ上に車両を載置し、車両に搭載された自動運転装置により、モードに従って車両を運転させることにより行われる。
　車速指令には、許容誤差範囲が規定されている。車速が許容誤差範囲を逸脱すると、その試験は無効となるため、自動運転装置には、車速指令への高い追従性が求められる。車両の制御方法としては、フィードフォワード制御、フィードバック制御が挙げられるが、フィードバック制御においてはレスポンスの遅れ等により追従性を高めるのが容易ではない。したがって、特にフィードフォワード制御により、車両の追従性を高めることが重要である。
　このようなフィードフォワード制御は、一定のアクセル開度で走行した際の、定常的な駆動力と車速との関係を事前に測定して収録した、駆動力特性マップにより行われることがある。駆動力特性マップは、例えばＸＹＺの３軸による３次元のグラフとして表現され、例えばＸ軸を駆動力、Ｙ軸を車速としたときに、その交点のアクセル開度がＺ軸における値として表わされる。すなわち、駆動力特性マップを使用した場合においては、車両の走行制御中において、現時点において検出された車速と、次の車速指令の達成に必要とされる駆動力とを入力すると、車速指令を達成可能と判断されたアクセル開度が出力される。
　引用文献１には、上記のような、駆動力特性マップを備えた車両速度制御装置が開示されている。
特開２００５－２９７８７２号公報
　一般に、駆動力特性マップは、上記のように、例えば一定のアクセル開度で車両を走行させた際の、１または２の入力とアクセル開度との関係が、測定されることにより実現されている。すなわち、実際には測定されなかった、駆動力特性マップ上の入力値においては、近傍に位置する実際に測定された入力値におけるアクセル開度の値を基に、例えば線形補間を行うことにより、アクセル開度が算出されて収録されている。
　このため、例えば実際には測定されなかった入力値において、アクセル開度が補間により算出できないような特殊な値や複雑な特性を備えている場合においては、車速指令に対する追従精度の向上に限界がある。
　また、例えば２つの入力が用いられている駆動力特性マップにおいて、何らかの新たな要素を入力として追加しようとする場合、入力の次元数だけでも３次元となる。すなわち、アクセル開度を実測すべき値の組み合わせの数が大きく増大する。
　このように、駆動力特性マップを使用した場合においては、車速指令に対する追従精度を向上するに際し、入力となる要素の数を増やすことによるのは現実的ではない。
　車速指令に対して、従来よりも更に高い精度で追従可能な、車両速度制御が望まれている。
　本発明が解決しようとする課題は、車速指令に対して高い精度で追従可能な、車両速度制御装置及び車両速度制御方法を提供することである。
　本発明は、上記課題を解決するため、以下の手段を採用する。すなわち、本発明は、車両のアクセル開度を変更することで、規定された車速指令に従うように前記車両を走行制御する、車両速度制御装置であって、前記車速指令を基に演算された、当該車速指令の達成に必要とされる要求駆動力と、現在の車速とを基にして、前記アクセル開度の変更量を演算する、アクセル開度変更量演算部と、前記アクセル開度の前記変更量を基に、前記アクセル開度を変更する、アクセル開度変更部と、を備え、前記アクセル開度変更量演算部は、走行中の前記車両の駆動力、車速、及び前記アクセル開度の前記変更量を含む走行実績データを学習データとして機械学習された、機械学習器により、前記アクセル開度の前記変更量を演算する、車両速度制御装置を提供する。
　また、本発明は、車両のアクセル開度を変更することで、規定された車速指令に従うように前記車両を走行制御する、車両速度制御方法であって、走行中の前記車両の駆動力、車速、及び前記アクセル開度の変更量を含む走行実績データを学習データとして機械学習された、機械学習器によって、前記車速指令を基に演算された、当該車速指令の達成に必要とされる要求駆動力と、現在の前記車速とを基にして、前記アクセル開度の前記変更量を演算し、前記アクセル開度の前記変更量を基に、前記アクセル開度を変更する、車両速度制御方法を提供する。
　本発明によれば、車速指令に対して高い精度で追従可能な、車両速度制御装置及び車両速度制御方法を提供することができる。
本発明の実施形態における車両速度制御装置の説明図である。 前記実施形態における車両速度制御装置のブロック図である。 前記実施形態におけるアクセル開度変更量演算部を構成する、機械学習器の説明図である。 前記実施形態における車両速度制御方法のフローチャートである。 前記実施形態の第１変形例における車両速度制御装置のブロック図である。 前記実施形態の第２変形例における車両速度制御装置のブロック図である。 前記実施形態に関する実験結果のグラフである。 前記実施形態に関する実験結果のグラフである。
　以下、本発明の実施形態について図面を参照して詳細に説明する。
　本実施形態における車両速度制御装置は、車両のアクセル開度を変更することで、規定された車速指令に従うように車両を走行制御するものであり、車速指令を基に演算された、車速指令の達成に必要とされる要求駆動力と、現在の車速とを基にして、アクセル開度の変更量を演算する、アクセル開度変更量演算部と、アクセル開度の変更量を基に、アクセル開度を変更する、アクセル開度変更部と、を備え、アクセル開度変更量演算部は、走行中の車両の駆動力、車速、及びアクセル開度の変更量を含む走行実績データを学習データとして機械学習された、機械学習器により、アクセル開度の変更量を演算する。
　図１は、実施形態における車両速度制御装置の説明図である。車両１が、床面ＦＬ上に設けられている。床面ＦＬの下方には、シャシーダイナモメータ５が設けられている。車両１は、車両１の駆動輪２がシャシーダイナモメータ５の上に載置されるように、位置づけられている。車両１が走行し駆動輪２が回転する際には、シャシーダイナモメータ５が反対の方向に回転する。
　本実施形態における車両速度制御装置１０は、車両１のアクセル開度を変更することで、規定された走行パターン（モード）に従うように、車両１を走行制御する。より詳細には、車両速度制御装置１０は、走行開始から時間が経過するに従い、各時間に到達すべき車速である車速指令に従うように、車両１を走行制御する。
　車両速度制御装置１０は、互いに通信可能に設けられた、制御端末１１と、アクセル開度変更部１２を備えている。
　制御端末１１は、図２を用いて後に説明するような構成を内部に備えた情報処理機器である。
　アクセル開度変更部１２は、本実施形態においては、車両１の運転席３に搭載されたドライブロボットである。アクセル開度変更部１２は、車両１のアクセルペダル４に当接するように設けられたアクチュエータ１２ａを備えている。アクセル開度変更部１２は、制御端末１１からの指示に従ってアクチュエータ１２ａを駆動させて、アクセルペダル４を操作することにより、車両１のアクセル開度を変更、調整する。
　図２は、車両速度制御装置１０のブロック図である。車両速度制御装置１０は、本実施形態においては制御端末１１の内部に、車速指令生成部１３、車両駆動力演算部１４、走行抵抗演算部１５、アクセル開度変更量演算部１６、走行実績データ１７、及びアクセル開度フィードバック操作量演算部１８を備えている。
　車速指令生成部１３は、制御端末１１内に格納された、モードに関する情報に基づいて、車速指令を生成する。モードは、例えば、走行開始から経過した時間と、その時に到達すべき車速との関係として、例えばテーブルやグラフ等により表わされている。
　車速指令生成部１３は、車両１の走行中の、現時点から所定の第１時間だけ経過後の将来までの時間の範囲において、この範囲を所定の第１時間間隔で刻んだ各時刻に対し、モードを参照して車速を求めることにより、車速指令を生成する。本実施形態においては、所定の第１時間は例えば５秒であり、所定の第１時間間隔は例えば０．０２秒である。
　このように、車速指令生成部１３は、車両１の走行中に、複数の将来の時刻における車速指令を生成する。以降、この複数の車速指令を、現時点からの経過時間が短い順に並べて車速指令ベクトルｖｒｅｆとして示す。すなわち、車速指令ベクトルｖｒｅｆ＝（ｖ１、ｖ２、…、ｖＮ）とすると、ｖ１は現時点から所定の第１時間間隔、例えば０．０２秒後の、次に達成すべき車速指令であり、ｖ２は例えば０．０４秒後の車速指令である。また、ｖＮは現時点から所定の第１時間、例えば５秒後の車速指令である。
　車速指令生成部１３は、車速指令ベクトルｖｒｅｆをアクセル開度変更量演算部１６へ送信する。
　また、車速指令生成部１３は、車速指令ベクトルｖｒｅｆの第１要素、すなわち車速指令ｖ１を、次に達成すべき、次の処理時刻の車速指令ｖ１として、車両駆動力演算部１４へ送信する。
　車両駆動力演算部１４は、車速指令生成部１３から次の処理時刻の車速指令ｖ１を受信する。
　車両駆動力演算部１４は、次の処理時刻の車速指令ｖ１を基に、車両駆動力Ｆｘを演算する。より詳細には、車両１の重量をＭｖ（ｋｇ）とすると、車両駆動力Ｆｘは次式により近似的に決定される。
Figure JPOXMLDOC01-appb-M000001
　上式において、次の処理時刻の車速指令ｖ１の微分値は、車両駆動力演算部１４が車速指令生成部１３から受信した車速指令ｖ１の最新の値と、１つ前の時刻において車速指令生成部１３から受信した車速指令ｖ１を基に、例えばこれらの差分を所定の時間値で除算すること等により算出されている。
　走行抵抗演算部１５は、走行中の車両１から、現在の車速ｖｄｅｔを検出して取得する。
　走行抵抗演算部１５は、現在の車速ｖｄｅｔを基に、実路面上での実走行を模した走行抵抗ＦＲＬを演算する。より詳細には、Ａ、Ｂ、Ｃを車両毎に設定する定数とすると、走行抵抗ＦＲＬは次式により近似的に決定される。
Figure JPOXMLDOC01-appb-M000002
　走行抵抗演算部１５は、上式により算出された走行抵抗ＦＲＬをシャシーダイナモメータ５へ送信し、走行中の車両１に対して走行抵抗力を発生させる。
　このように、走行抵抗演算部１５は、現在の車速ｖｄｅｔに応じた走行抵抗ＦＲＬを演算する。
　車両駆動力演算部１４により算出された車両駆動力Ｆｘと、走行抵抗演算部１５により算出された走行抵抗ＦＲＬは、加算器１９に送信される。
　加算器１９は、これらを受信し加算して、車両駆動力Ｆｘと走行抵抗ＦＲＬの和である要求駆動力Ｆｒｅｆを演算する。
　加算器１９は、要求駆動力Ｆｒｅｆを、アクセル開度変更量演算部１６へ送信する。
　アクセル開度変更量演算部１６は、車速指令生成部１３から車速指令ベクトルｖｒｅｆを、及び加算器１９から要求駆動力Ｆｒｅｆを、それぞれ受信する。アクセル開度変更量演算部１６は更に、走行中の車両１から、現在の車速ｖｄｅｔと、現在のエンジン回転数ｎｄｅｔの各々の検出結果を取得する。
　アクセル開度変更量演算部１６は、受信、取得した値の各々を基に、アクセル開度の変更量を演算する。このアクセル開度の変更量は、厳密には、車速指令ベクトルｖｒｅｆ及び速指令ｖ１から算出された要求駆動力Ｆｒｅｆを基に、フィードフォワード系の制御を行うことで算出されるものである。したがって、アクセル開度変更量演算部１６によって算出されるアクセル開度の変更量を、以降、フィードフォワード変更量（以下、ＦＦ変更量と記載する）θＦＦと記す。
　本実施形態においては、ＦＦ変更量θＦＦは、フィードフォワード系の制御により演算された、次の処理時刻の車速指令ｖ１を達成するためにアクセル開度変更部１２が操作すべきアクセルペダル４の操作量である。
　アクセル開度変更量演算部１６は、車両１を実際に走行させた際の走行実績データ１７を学習データとして機械学習された、機械学習器により、ＦＦ変更量θＦＦを演算する。本実施形態においては、機械学習器は、ニューラルネットワークにより実現されている。
　走行実績データ１７は、車両１にアクセル開度変更部１２を設置する前、あるいは設置した後に、車両１を走行させた際のデータを実測して記録したものである。走行実績データ１７は、走行中の車両１の車速、駆動力、エンジン回転数の各々の実測データを含む。
　走行実績データ１７は、車両１をモードに従うように走行させつつ各々の値を測定したものであるのが望ましいが、必ずしも、モードに従って走行させたものでなくとも構わない。
　後に説明するように、機械学習器には、学習が終了し実際に車両１に搭載されてＦＦ変更量θＦＦを演算する際には、受信した、車速指令ベクトルｖｒｅｆ＝（ｖ１、ｖ２、…、ｖＮ）、要求駆動力Ｆｒｅｆ、現在の車速ｖｄｅｔ、及び現在のエンジン回転数ｎｄｅｔの各々が入力される。
　この機械学習器を機械学習するに際し、走行実績データ１７が車両１をモードに従って走行させて実測されている場合においては、その際の、複数の将来の時刻における車速指令、駆動力、車速、及びエンジン回転数を、車速指令ベクトルｖｒｅｆ、要求駆動力Ｆｒｅｆ、現在の車速ｖｄｅｔ、及び現在のエンジン回転数ｎｄｅｔの各々に入力すればよい。
　また、走行実績データ１７が車両１をモードに従って走行させたものではない場合においては、車速指令に代えて、複数の将来の時刻における車速を、車速指令ベクトルｖｒｅｆとして入力すればよい。すなわち、走行実績データ１７中の将来の車速を仮に与えられた車速指令とみなし、走行実績データ１７がこの仮に与えられた車速指令に従った実測結果であるとすることもできる。このような手法によっても、現在のアクセル開度と、将来の車速との関係性を学習できるため、走行実績データ１７が車両１をモードに従って走行させて実測されている場合と同様な学習効果が期待できる。
　また、走行実績データ１７は、機械学習器の出力となる、ＦＦ変更量θＦＦの実測データを含む。このＦＦ変更量θＦＦの実測データは、機械学習器に学習させる際の正解値として使用される。
　図３は、アクセル開度変更量演算部１６を構成する機械学習器の説明図である。
　本実施形態においては、機械学習器３０は、中間層を３層とした全５層の全結合型のニューラルネットワークである。図３においては、層はＩで表わされており、Ｉ＝１の層が入力層、Ｉ＝２、３、４の層が中間層、Ｉ＝５の層が出力層である。以降、Ｉ番目の層に対し、Ｉ－１番目となる層を、前段の層と記載する。
　入力層を構成する入力ノード３１は、Ｎ個の第１入力ノード３１ａと、及び、各々１つずつの第２入力ノード３１ｂ、第３入力ノード３１ｃ、第４入力ノード３１ｄを備えている。
　ここではまず、機械学習器３０の学習について説明する。以下では説明を簡単にするために、走行実績データ１７が車両１をモードに従って走行させて実測されている場合を想定する。走行実績データ１７が車両１をモードに従って走行させたものではない場合であっても、既に説明したように、将来の車速を車速指令とみなすことにより、同様の説明が可能である。
　第１入力ノード３１ａは、アクセル開度変更量演算部１６が受信した車速指令ベクトルｖｒｅｆ＝（ｖ１、ｖ２、…、ｖＮ）の要素数と同じ数が設けられている。走行実績データ１７の、複数の将来の時刻における車速指令は、第１入力ノード３１ａに各々入力される。
　同様に、走行実績データ１７の駆動力、車速、エンジン回転数の各々は、第２入力ノード３１ｂ、第３入力ノード３１ｃ、及び第４入力ノード３１ｄに各々入力される。
　中間層の各ノード３２においては、前段の層の各ノード（Ｉ＝２の場合はＩ＝１の入力ノード３１、Ｉ＝３、４の場合はそれぞれＩ＝２、３のノード３２）から、この前段の層の各ノード３１、３２において計算された値と、前段の層の各ノード３１、３２から当該中間層のノード３２への重みを基にした演算がなされて、当該中間層のノード３２内に演算結果が格納される。
　より詳細には、ｘＩ ｐをＩ層目のｐ番目のノードに格納された値、ｗＩ ｐ、ｑをＩ層目のｐ番目のノードからＩ＋１層目のｑ番目のノードへの伝達の重み、ｘＩ ０をバイアス、ｗＩ ０、ｑすなわちＩ層目のバイアスからＩ＋１層目のｑ番目のノードへの伝達の重みを１とすると、機械学習器３０のＩ層目から、Ｉ＋１層目のｑ番目のノードへ値が伝達した結果として、Ｉ＋１層目のｑ番目のノードに格納される値は、次式により演算される。
Figure JPOXMLDOC01-appb-M000003
　ここで、１層目すなわち入力層のノード３１に格納された値ｘ１ ｉ（ｉ＝１～Ｎ＋３）は、第１～第４の各入力ノード３１ａ、３１ｂ、３１ｃ、３１ｄの各々に入力された値である。
　また、関数ｆ（ｘ）は、ＲｅＬＵ（Ｒｅｃｔｉｆｉｅｄ　Ｌｉｎｅａｒ　Ｕｎｉｔ）であり、次式で表わされる。
Figure JPOXMLDOC01-appb-M000004
　図３には、数式３においてＩ＝２、ｑ＝１としたときの場合、すなわち、ｘ３ １を演算するにあたって、前段すなわち２層目からどのように値が渡されるかが示されている。ｘ３ １の計算を説明するために、２層目には特に、バイアスｘ２ ０及びバイアスｘ２ ０からの伝達の重みｗ２ ０、１が二点鎖線で示されている。
　中間層の各々における中間ノード３２の数は、走行実績データ１７を用いた学習が適切に行われるように、適宜決定されている。
　出力層においても、中間層の各々と同様に、数式（３）を用いた演算が行われ、各出力ノード３３に演算結果が格納される。
　ここで、本実施形態においては、出力層は、図３においてＭで示される数の出力ノード３３を備えており、機械学習器３０は、複数の将来の時刻におけるＦＦ変更量を演算する。すなわち、出力層の各出力ノード３３においては、現時点を基点として所定の第２時間間隔後の、例えば０．００２秒後のＦＦ変更量θ´１から、所定の第２時間間隔刻みに、現時点から所定の第２時間後の、例えば１秒後のＦＦ変更量θ´Ｍまで、計Ｍ個の時刻におけるＦＦ変更量が演算される。
　この、各出力ノード３３において演算されるＦＦ変更量θ´１～θ´Ｍは、暫定的なものである。アクセル開度変更量演算部１６は、この暫定的なＦＦ変更量θ´１～θ´Ｍのうち、特に次の時間に対応するＦＦ変更量θ´１に対して、例えば過去の処理における出力結果との移動平均処理を適用し、この結果をＦＦ変更量θＦＦとして出力する。すなわち、本実施形態においては、θ´２～θ´Ｍの値は使用されない構成となっているが、他の変形例として後に説明するように、使用しても構わない。
　機械学習器３０においては、上記のように走行実績データ１７が入力されて、ＦＦ操作量θ´１～θ´Ｍが演算された後に、これらの値が適切な値となるように、すなわち、実際にＦＦ操作量θ´１～θ´Ｍを演算する際に、適切な値を演算することができるように、事前に学習がなされる。この学習においては、全ての重みｗＩ ｐ、ｑの値と、バイアスｘＩ ０の値が調整される。学習の目標は、走行実績データ１７内のＦＦ変更量の実測データであり、この目標となるデータと各出力ノード３３において演算された結果との二乗誤差を小さくするように学習が行われる。学習は、例えば、誤差逆伝搬法によって行うことができる。
　アクセル開度変更量演算部１６は、上記のように機械学習された機械学習器３０により、ＦＦ変更量θＦＦを演算する。
　すなわち、アクセル開度変更量演算部１６が受信した車速指令ベクトルｖｒｅｆ＝（ｖ１、ｖ２、…、ｖＮ）の各要素が、第１入力ノード３１ａに各々入力される。同様に、アクセル開度変更量演算部１６が受信した、要求駆動力Ｆｒｅｆ、現在の車速ｖｄｅｔ、及び現在のエンジン回転数ｎｄｅｔの各々が、第２入力ノード３１ｂ、第３入力ノード３１ｃ、及び第４入力ノード３１ｄに各々入力される。
　入力された各々の値は、数式（３）及び数式（４）により演算されながら機械学習器３０内を次の層へと伝達され、出力層の各出力ノード３３に演算結果、すなわち暫定的なＦＦ変更量θ´１～θ´Ｍが格納される。アクセル開度変更量演算部１６は、この中の、特に次の時間に対応する暫定的なＦＦ変更量θ´１に対して、例えば過去の処理における出力結果との移動平均処理を適用し、この結果をＦＦ変更量θＦＦとして出力する。
　このように、アクセル開度変更量演算部１６を構成する機械学習器３０は、走行中の前記車両の駆動力、車速、アクセル開度の変更量、及びエンジン回転数を含む走行実績データ１７を学習データとして機械学習されている。
　また、走行実績データ１７が車両１をモードに従って走行させて実測されている場合においては、複数の将来の時刻における車速指令も更に、学習データとして使用されている。
　このように機械学習された機械学習器３０を備えたアクセル開度変更量演算部１６は、車速指令ベクトルｖｒｅｆ、要求駆動力Ｆｒｅｆ、現在の車速ｖｄｅｔ、及び現在のエンジン回転数ｎｄｅｔが入力された時に、これらを機械学習器３０の各入力ノード３１ａ、３１ｂ、３１ｃ、３１ｄへ入力することで、機械学習器３０によりＦＦ変更量θＦＦを演算する。
　アクセル開度フィードバック操作量演算部１８は、車速指令生成部１３が送信した次の処理時刻の車速指令ｖ１と、現在の車速ｖｄｅｔとの差分、すなわち加算器２０によりこれらの値が減算処理された結果の値である車速誤差ｄｖを受信する。
　アクセル開度フィードバック操作量演算部１８は、例えばＰＩＤ（Ｐｒｏｐｏｒｔｉｏｎａｌ－Ｄｉｆｆｅｒｅｎｔｉａｌ　Ｃｏｎｔｒｏｌｌｅｒ）制御等の車速のフィードバック制御により、車速誤差ｄｖを小さくするようなアクセル開度のフィードバック変更量（以下、ＦＢ変更量と記載する）θＦＢを演算する。ＰＩＤ制御に使用される各パラメータは、事前に調整されている。
　アクセル開度変更量演算部１６により演算されたＦＦ変更量θＦＦと、アクセル開度フィードバック操作量演算部１８により演算されたＦＢ変更量θＦＢは、加算器２１により加算されて、実際に使用される変更量θｒｅｆが計算される。
　この変更量θｒｅｆが、アクセルペダル操作指令θｒｅｆとして、アクセル開度変更部１２に送信される。アクセル開度変更部１２は、このアクセルペダル操作指令θｒｅｆすなわち実際に使用されるアクセル開度の変更量θｒｅｆを基に、特に本実施形態においてはアクチュエータ１２ａを駆動させてアクセルペダル４を操作することにより、アクセル開度を変更する。これにより、車両１の車速やエンジン回転数が変化する。
　次に、図１～図３、及び図４を用いて、上記の車両速度制御装置１０による車両速度制御方法を説明する。図４は、車両速度制御方法のフローチャートである。
　本車両速度制御方法は、車両のアクセル開度を変更することで、規定された車速指令に従うように車両を走行制御するものであり、走行中の車両の駆動力、車速、及びアクセル開度の変更量を含む走行実績データを学習データとして機械学習された、機械学習器によって、車速指令を基に演算された、車速指令の達成に必要とされる要求駆動力と、現在の車速とを基にして、アクセル開度の変更量を演算し、アクセル開度の変更量を基に、アクセル開度を変更する。
　まず、機械学習器３０を、走行実績データ１７を学習データとして機械学習させる（ステップＳ０）。走行実績データ１７は、車両１にアクセル開度変更部１２を設置する前、あるいは設置した後に、モードに従うように車両１を走行させた際のデータを実測して記録したものである。しかし、既に説明したように、走行実績データ１７は必ずしも、モードに従って走行させたものでなくとも構わない。
　機械学習器３０の学習が終了すると、実際に車両１をシャシーダイナモメータ５上で走行させて、燃費や排出ガスを測定する（ステップＳ２）。
　この際に、まず、車速指令生成部１３が、制御端末１１内に格納されたモードに関する情報に基づいて、車速指令を、より詳細には車速指令ベクトルｖｒｅｆを生成する（ステップＳ４）。
　車速指令生成部１３は、車速指令ベクトルｖｒｅｆをアクセル開度変更量演算部１６へ送信する。
　また、車速指令生成部１３は、車速指令ベクトルｖｒｅｆの第１要素、すなわち車速指令ｖ１を、次に達成すべき、次の処理時刻の車速指令ｖ１として、車両駆動力演算部１４へ送信する。
　車両駆動力演算部１４は、車速指令生成部１３から次の処理時刻の車速指令ｖ１を受信する。
　車両駆動力演算部１４は、次の処理時刻の車速指令ｖ１を基に、車両駆動力Ｆｘを演算する（ステップＳ６）。
　上記ステップＳ４、Ｓ６と並行して、走行抵抗演算部１５は、現在の車速ｖｄｅｔを基に、走行抵抗ＦＲＬを演算する（ステップＳ８）。
　アクセル開度変更量演算部１６は、車速指令ベクトルｖｒｅｆを車速指令生成部１３から受信する。アクセル開度変更量演算部１６はまた、車両駆動力演算部１４により算出された車両駆動力Ｆｘと、走行抵抗演算部１５により算出された走行抵抗ＦＲＬの和である要求駆動力Ｆｒｅｆを加算器１９から受信する。アクセル開度変更量演算部１６は更に、走行中の車両１から、現在の車速ｖｄｅｔと、現在のエンジン回転数ｎｄｅｔの各々の検出結果を取得する。
　アクセル開度変更量演算部１６は、受信、取得した値の各々を基に、ＦＦ変更量θＦＦを演算する（ステップＳ１０）。より詳細には、車速指令ベクトルｖｒｅｆ＝（ｖ１、ｖ２、…、ｖＮ）の各要素が、機械学習器３０の第１入力ノード３１ａに各々入力される。また、要求駆動力Ｆｒｅｆ、現在の車速ｖｄｅｔ、及び現在のエンジン回転数ｎｄｅｔの各々が、第２入力ノード３１ｂ、第３入力ノード３１ｃ、及び第４入力ノード３１ｄに入力される。入力された各々の値は、数式（３）及び数式（４）により演算されながら機械学習器３０内を次の層へと伝達され、出力層の各出力ノード３３に演算結果、すなわち暫定的なＦＦ変更量θ´１～θ´Ｍが格納される。アクセル開度変更量演算部１６は、この中の、特に次の時間に対応する暫定的なＦＦ変更量θ´１に対して、例えば過去の処理における出力結果との移動平均処理を適用し、この結果をＦＦ変更量θＦＦとして出力する。
　本実施形態においては、次の時間に対応する暫定的なＦＦ変更量θ´１以外の暫定的なＦＦ変更量θ´２～θ´Ｍは、機械学習器３０から外部には出力されず、使用されない。この処理におけるθ´２に相当する時刻においては、当該時刻に改めて機械学習器３０が暫定的なＦＦ変更量θ´１～θ´Ｍを演算し、その時の暫定的なＦＦ変更量θ´１が当該時刻の暫定的なＦＦ変更量として機械学習器３０から出力されて、使用される。
　上記ステップＳ４～Ｓ１０と並行して、アクセル開度フィードバック操作量演算部１８が、車速指令生成部１３が送信した次の処理時刻の車速指令ｖ１と、現在の車速ｖｄｅｔとの差分である車速誤差ｄｖを受信する。
　アクセル開度フィードバック操作量演算部１８は、車速のフィードバック制御により、車速誤差ｄｖを小さくするようなアクセル開度のＦＢ変更量θＦＢを演算する（ステップＳ１２）。
　アクセル開度変更量演算部１６により演算されたＦＦ変更量θＦＦと、アクセル開度フィードバック操作量演算部１８により演算されたＦＢ変更量θＦＢは、加算器２１により加算されて、実際に使用される変更量θｒｅｆが計算される（ステップＳ１４）。
　この変更量θｒｅｆが、アクセルペダル操作指令θｒｅｆとして、アクセル開度変更部１２に送信される。アクセル開度変更部１２は、このアクセルペダル操作指令θｒｅｆすなわち実際に使用されるアクセル開度の変更量θｒｅｆを基に、特に本実施形態においてはアクチュエータ１２ａを駆動させてアクセルペダル４を操作することにより、アクセル開度を変更する（ステップＳ１６）。
　ステップＳ１６が終了すると、ステップＳ４、Ｓ８、Ｓ１２の各々の処理へ遷移する。すなわち、ステップＳ４～Ｓ１６の一連の処理により、車両１の車速ｖｄｅｔやエンジン回転数ｎｄｅｔが変化する。この新たな車速ｖｄｅｔやエンジン回転数ｎｄｅｔを検出し、これら検出値を基に、次の時刻におけるアクセルペダル操作指令θｒｅｆを演算する。
　このように、ステップＳ４～Ｓ１６の一連の処理を毎時刻繰り返すことにより、車両１がモードに従って走行制御される。
　次に、上記の車両速度制御装置及び車両速度制御方法の効果について説明する。
　本実施形態の車両速度制御装置１０においては、車両１のアクセル開度を変更することで、規定された車速指令ｖ１、ｖｒｅｆに従うように車両１を走行制御するものであって、車速指令ｖ１を基に演算された、車速指令ｖ１の達成に必要とされる要求駆動力Ｆｒｅｆと、現在の車速ｖｄｅｔとを基にして、ＦＦ変更量（アクセル開度の変更量）θＦＦを演算する、アクセル開度変更量演算部１６と、ＦＦ変更量θＦＦを基に、アクセル開度を変更する、アクセル開度変更部１２と、を備え、アクセル開度変更量演算部１６は、走行中の車両１の駆動力、車速、及びＦＦ変更量を含む走行実績データ１７を学習データとして機械学習された、機械学習器３０により、ＦＦ変更量θＦＦを演算する。
　上記のような構成によれば、機械学習器３０は、走行中の車両１の駆動力、車速、及びＦＦ変更量を含む走行実績データ１７を学習データとして、適切なＦＦ変更量θＦＦを演算するように機械学習されているため、規定された車速指令ｖ１、ｖｒｅｆに従うように車両１を走行制御することができる。この機械学習器３０は、入力の値に依存せず適切と考えられるＦＦ変更量θＦＦを演算可能である。したがって、例えば駆動力特性マップのような、実際に測定された値以外においては補間に依らなければアクセル開度を出力できない場合に比べると、車速指令に対してより高い精度で追従可能なＦＦ変更量θＦＦを演算できる。
　また、アクセル開度変更量演算部１６は機械学習器３０により演算を行うため、入力となる要素の数に、基本的に制限はない。このため、例えばＦＦ変更量θＦＦに関連のあると考えられる要素を、できるだけ多く機械学習器３０の入力として採用することが可能である。これにより、車速指令に対してより高い精度で追従可能なＦＦ変更量θＦＦを演算できる。
　また、機械学習器３０は、ニューラルネットワークにより実現されている。
　上記のような構成によれば、車両速度制御装置１０をより適切に実現可能である。
　また、機械学習器３０は、更に、エンジン回転数を含む走行実績データ１７を学習データとして機械学習され、アクセル開度変更量演算部１６は、更に、現在のエンジン回転数ｎｄｅｔを基にして、ＦＦ変更量θＦＦを演算する。
　例えば車両１がオートマチック車の場合においては、車両１内でギアが自動で変更されるため、アクセル開度と速度の関係が外部から容易に把握できない。
　上記のような構成によれば、機械学習器３０は、学習時に、エンジン回転数を基にして、ＦＦ変更量θＦＦを演算するように学習されている。このように学習された機械学習器３０により、アクセル開度変更量演算部１６は、現在のエンジン回転数ｎｄｅｔを基にして、ＦＦ変更量θＦＦを演算する。このため、車両１がオートマチック車の場合であっても、車両１内のギア状態に依存しない演算が可能である。これにより、車速指令に対してより高い精度で追従可能なＦＦ変更量θＦＦを演算できる。
　また、機械学習器３０は、更に、複数の将来の時刻における車速を含む走行実績データ１７、または、複数の将来の時刻における車速指令を学習データとして機械学習され、アクセル開度変更量演算部１６は、複数の将来の時刻における車速指令ｖｒｅｆを基にして、ＦＦ変更量θＦＦを演算する。
　上記のような構成によれば、機械学習器３０は、学習時に、複数の将来の時刻における車速または車速指令を基にして、ＦＦ変更量θＦＦを演算するように学習されている。このように学習された機械学習器３０により、アクセル開度変更量演算部１６は、複数の将来の時刻における車速指令ｖｒｅｆを基にして、ＦＦ変更量θＦＦを演算する。このため、次の時刻におけるＦＦ変更量θＦＦを演算する際に、より将来の時刻で達成すべき速度指令ｖｒｅｆを考慮することができる。これにより、車速指令に対してより高い精度で追従可能なＦＦ変更量θＦＦを演算できる。
　また、機械学習器３０は、複数の将来の時刻における、暫定的なＦＦ変更量（暫定的なアクセル開度の変更量）θ´１～θ´Ｍを演算し、アクセル開度変更量演算部１６は、暫定的なＦＦ変更量θ´１～θ´Ｍを基に、ＦＦ変更量θＦＦを演算する。
　上記のような構成によれば、機械学習器３０は、次の時刻の暫定的なＦＦ変更量θ´１を演算するに際し、それよりも将来の時刻における暫定的なＦＦ変更量θ´２～θ´Ｍを同時に演算する。すなわち、機械学習器３０を学習させるに際し、次の時刻の暫定的なＦＦ変更量θ´１に加えて、より将来の時刻の予測を含めて演算するように学習させると、機械学習器３０の内部に将来の時刻における予想が特徴量として反映される。この特徴量により、次の時刻の暫定的なＦＦ変更量θ´１の演算を、将来の時刻の挙動を見越したものとすることができる。これにより、車速指令に対してより高い精度で追従可能なＦＦ変更量θＦＦを演算できる。
　また、機械学習器３０は、複数の将来の時刻における暫定的なＦＦ変更量θ´１～θ´Ｍの中で、直近の時刻、すなわち次の時刻のＦＦ変更量θ´１のみを基にして、ＦＦ変更量θＦＦを演算する。
　上記のような構成によれば、ＦＦ変更量が必要となる時刻の各々において、常に最新の入力を基にした暫定的なＦＦ変更量θ´１が演算されてこれが使用されるため、車速指令に対してより高い精度で追従可能なＦＦ変更量θＦＦを演算できる。
　また、アクセル開度変更量演算部１６は、機械学習器３０が出力した暫定的なＦＦ変更量θ´１に対し、過去の処理における出力結果との移動平均処理を適用し、この結果をＦＦ変更量θＦＦとして出力する。
　上記のような構成によれば、アクセル開度変更量演算部１６が出力するＦＦ変更量θＦＦの遷移を滑らかなものとすることができる。これにより、滑らかなアクセル開度の調整が可能となる。
　また、車速指令を基に、車両駆動力を演算する車両駆動力演算部と、現在の車速に応じた走行抵抗を演算する走行抵抗演算部を備え、要求駆動力は、車両駆動力と走行抵抗の和である。
　上記のような構成によれば、車両速度制御装置１０をより適切に実現可能である。
　また、アクセル開度変更部は、車両の運転席に搭載されて、アクチュエータによりアクセルペダルを操作するドライブロボットである。
　上記のような構成によれば、車両速度制御装置１０をより適切に実現可能である。
［実施形態の第１変形例］
　次に、図５を用いて、上記実施形態として示した車両速度制御装置及び車両速度制御方法の第１変形例を説明する。図５は、本第１変形例における車両速度制御装置４０のブロック図である。本第１変形例の車両速度制御装置４０は、上記実施形態の車両速度制御装置１０とは、アクセル開度変更量演算部４１が、更に、現在のエンジン温度ｄｄｅｔを基にして、ＦＦ変更量を演算する点が異なっている。
　これに伴い、アクセル開度変更量演算部４１の機械学習器は、上記実施形態における機械学習器３０に比べ、エンジン温度ｄｄｅｔに対応する入力ノードが１つ追加されている。走行実績データ４３にも、走行中のエンジン温度が測定されて実測値として格納され、機械学習器にはこれを入力項目とした学習が行われる。結果として、アクセル開度変更量演算部４１は、現在のエンジン温度ｄｄｅｔを考慮したＦＦ変更量θＦＦを出力可能な構成となっている。
　このように、本第１変形例においては、機械学習器は、更に、エンジン温度を含む走行実績データ４３を学習データとして機械学習され、アクセル開度変更量演算部４１は、更に、現在のエンジン温度ｄｄｅｔを基にして、ＦＦ変更量θＦＦを演算する。
　エンジンの出力特性は、温度により非線形的に変化するため、例えば駆動力特性マップのような補間に依存して構築されたデータ構造においては、これを正確に反映するのが容易ではない。上記のような構成によれば、エンジンの温度に依存した特性変化を考慮して、ＦＦ変更量θＦＦを演算することが可能となる。
　本第１変形例が、既に説明した実施形態と同様な他の効果を奏することは言うまでもない。
［実施形態の第２変形例］
　次に、図６を用いて、上記実施形態として示した車両速度制御装置及び車両速度制御方法の第２変形例を説明する。図６は、本第２変形例における車両速度制御装置５０のブロック図である。本第２変形例の車両速度制御装置５０は、上記第１変形例の車両速度制御装置４０を更に変形したものであり、車両速度制御装置５０が、異常検出部５２を備えている点が異なっている。
　本第２変形例においては、アクセル開度変更量演算部５１の機械学習器は、上記第１変形例における機械学習器に比べ、複数の将来の時刻におけるエンジン回転数ｎｅｓｔ＝（ｎ１、ｎ２、…、ｎＭ）を予測し演算するように構成されている。これに伴い、本第２変形例の機械学習器は、エンジン回転数ｎｅｓｔに対応するＭ個の出力ノードが追加されている。走行実績データ５３にも、複数の将来の時刻におけるエンジン回転数ｎｅｓｔが実測値として格納され、これが正解値として使用されて機械学習器の学習が行われる。
　アクセル開度変更量演算部５１は、上記の構成により、複数の将来の時刻におけるエンジン回転数ｎｅｓｔを演算する。アクセル開度変更量演算部５１は、演算した複数の将来の時刻におけるエンジン回転数ｎｅｓｔを、異常検出部５２へと送信する。
　異常検出部５２は、複数の将来の時刻におけるエンジン回転数ｎｅｓｔを受信し、これが異常な値である場合に、異常であることを検出する。
　より詳細には、異常検出部５２は、複数の将来の時刻におけるエンジン回転数ｎｅｓｔの値の推移の傾向を観察し、あるいは最小値や最大値を所定の閾値と比較することにより、複数の将来の時刻におけるエンジン回転数ｎｅｓｔの値の異常性を判断する。
　異常検出部５２は、複数の将来の時刻におけるエンジン回転数ｎｅｓｔに異常があると判断した場合においては、アクセル開度変更部１２へ停止信号を送信する。
　このように、本第２変形例においては、アクセル開度変更量演算部５１は、複数の将来の時刻におけるエンジン回転数ｎｅｓｔを演算し、複数の将来の時刻におけるエンジン回転数ｎｅｓｔが異常な値である場合に、これを検出する異常検出部５２を備えている。
　上記のような構成によれば、エンジン回転数ｎｅｓｔを将来にわたって予測演算することで、異常なエンジン回転数となるようなアクセル開度を変更する操作が出力される前に、事前にその操作を中止することができる。これにより、事故や車両１の故障の発生を抑制することができる。
　本第２変形例が、既に説明した実施形態及び第１変形例と同様な他の効果を奏することは言うまでもない。
［実験結果］
　次に、上記実施形態における車両速度制御装置１０を使用した実験結果を説明する。
　駆動力特性マップを使用した装置と、上記の車両速度制御装置１０の各々によって、所定のモードに従って車両の速度制御を行い、その結果を比較した。
　図７（ａ）、（ｂ）は、駆動力特性マップを使用した装置と、車両速度制御装置１０の各々における、速度指令への追従状況を示すグラフである。図７（ａ）、（ｂ）の双方において、線６０、６１、６２は、それぞれ、モードに規定された速度指令、速度指令の許容誤差範囲の上限、及び速度指令の許容誤差範囲の下限である。図７（ａ）の線６３は、駆動力特性マップを使用した装置の場合の追従状況であり、図７（ｂ）の線６４は、車両速度制御装置１０の場合の追従状況である。
　線６４は、線６３よりも線６０に近い曲線を描いている。より詳細には、駆動力特性マップを使用した装置の場合の追従状況６３の、車速指令６０との平均車速誤差は０．４４ｋｍ／ｈであったのに対し、車両速度制御装置１０の場合の追従状況６４の、車速指令６０との平均車速誤差は０．２８ｋｍ／ｈであった。このように、車両速度制御装置１０は、駆動力特性マップを使用した装置よりも、車速指令に対する追従性が向上している。
　図８（ａ）、（ｂ）は、駆動力特性マップを使用した装置と、車両速度制御装置１０の各々における、アクセル開度の操作量を示すグラフである。線７０、７１は、それぞれ、駆動力特性マップを使用した装置の場合における、フィードフォワード系の操作量と、フィードバック系の操作量である。また、線７２、７３は、それぞれ、車両速度制御装置１０の場合における、フィードフォワード系の操作量と、フィードバック系の操作量である。
　線７３は、線７１よりも全体的に値が小さくなっており、すなわち、車両速度制御装置１０の場合においては、フィードバック系の操作量が低減している。これにより、フィードフォワード系の操作の精度が向上していることがわかる。
　なお、本発明の車両速度制御装置及び車両速度制御方法は、図面を参照して説明した上述の実施形態及び各変形例に限定されるものではなく、その技術的範囲において他の様々な変形例が考えられる。
　例えば、上記実施形態においては、走行実績データ１７は、車両速度制御装置１０に含まれるように説明したが、機械学習器３０に対する学習が終了し、実際に稼働させて車両１を走行制御する際においては、車両速度制御装置１０から削除されて外された構成とされていても構わない。
　また、上記実施形態においては、車速指令生成部１３、車両駆動力演算部１４、走行抵抗演算部１５、アクセル開度変更量演算部１６、走行実績データ１７、及びアクセル開度フィードバック操作量演算部１８は、制御端末１１の中に設けられた構成とされていたが、これに限られないのは言うまでもない。これらの構成要素の一部、もしくは全てが、例えばアクセル開度変更部１２の内部に設けられて、アクセル開度変更部１２に設けられたＣＰＵ等により稼働されるような構成とされても良い。
　また、走行実績データ１７は、車両１が加速している状態における特性である動特性が反映されたものであってもよい。駆動力特性マップは、一般には、一定のアクセル開度で走行した際の、定常的な車両の特性を事前に測定して収録したものであるため、動特性を反映させるのが難しい。これに対し、例えば車両速度制御装置１０において機械学習器３０を動特性が反映された走行実績データ１７により学習させることで、動特性を反映したＦＦ変更量θＦＦを出力することができる。これにより、ＦＦ変更量θＦＦの演算精度を更に高めることができる。
　また、上記実施形態において、アクセル開度変更量演算部１６は、機械学習器３０が出力した暫定的なＦＦ変更量θ´１に対し、過去の処理における出力結果との移動平均処理を適用し、この結果をＦＦ変更量θＦＦとして出力しているが、これに限られない。機械学習器３０は、複数の将来の時刻における暫定的なＦＦ変更量θ´１～θ´Ｍを演算しているため、過去の処理における出力結果に加えて、これらの将来の値を含めて移動平均を計算してもよい。
　また、上記実施形態において、機械学習器３０は、複数の将来の時刻における暫定的なＦＦ変更量θ´１～θ´Ｍの中で、直近の時刻、すなわち次の時刻の暫定的なＦＦ変更量θ´１のみを基にして、ＦＦ変更量θＦＦを演算しているが、これに限られない。精度が許される範囲において、θ´１をはじめとした複数の暫定的なＦＦ変更量を基に、複数のＦＦ変更量θＦＦを演算し、これらを実際に使用しても構わない。
　これ以外にも、本発明の主旨を逸脱しない限り、上記実施形態で挙げた構成を取捨選択したり、他の構成に適宜変更したりすることが可能である。
　例えば、第２変形例においては、第１変形例における車両速度制御装置４０の構成に対して異常検出部５２を追加した車両速度制御装置５０を説明したが、実施形態として示した車両速度制御装置１０に対して異常検出部５２を追加するような構成としてもよい。
１　　　車両
３　　　運転席
４　　　アクセルペダル
１０、４０、５０　車両速度制御装置
１２　　アクセル開度変更部
１４　　車両駆動力演算部
１６、４１、５１　アクセル開度変更量演算部
１７、４３、５３　走行実績データ
３０　　機械学習器
５２　　異常検出部
ｖｒｅｆ、ｖ１、ｖ２、…、ｖＮ　車速指令
ｖｄｅｔ　　現在の車速
Ｆｘ　　　車両駆動力
ＦＲＬ　　走行抵抗
Ｆｒｅｆ　　要求駆動力
θＦＦ　　フィードフォワード変更量（アクセル開度の変更量）
θ´１～θ´Ｍ　暫定的なフィードフォワード変更量（暫定的なアクセル開度の変更量）
ｎｄｅｔ　　現在のエンジン回転数
ｎｅｓｔ、ｎ１、ｎ２、…、ｎＬ　エンジン回転数
ｄｄｅｔ　　現在のエンジン温度
 

Claims (10)

  1. 　車両のアクセル開度を変更することで、規定された車速指令に従うように前記車両を走行制御する、車両速度制御装置であって、
    　前記車速指令を基に演算された、当該車速指令の達成に必要とされる要求駆動力と、現在の車速とを基にして、前記アクセル開度の変更量を演算する、アクセル開度変更量演算部と、
    　前記アクセル開度の前記変更量を基に、前記アクセル開度を変更する、アクセル開度変更部と、
    　を備え、
    　前記アクセル開度変更量演算部は、走行中の前記車両の駆動力、車速、及び前記アクセル開度の前記変更量を含む走行実績データを学習データとして機械学習された、機械学習器により、前記アクセル開度の前記変更量を演算する、車両速度制御装置。
  2. 　前記機械学習器は、ニューラルネットワークにより実現されている、請求項１に記載の車両速度制御装置。
  3. 　前記機械学習器は、更に、エンジン回転数を含む前記走行実績データを学習データとして機械学習され、
    　前記アクセル開度変更量演算部は、更に、現在の前記エンジン回転数を基にして、前記アクセル開度の前記変更量を演算する、請求項１または２に記載の車両速度制御装置。
  4. 　前記機械学習器は、更に、複数の将来の時刻における前記車速を含む前記走行実績データ、または、複数の将来の時刻における前記車速指令を学習データとして機械学習され、
    　前記アクセル開度変更量演算部は、複数の将来の時刻における前記車速指令を基にして、前記アクセル開度の前記変更量を演算する、請求項１から３のいずれか一項に記載の車両速度制御装置。
  5. 　前記機械学習器は、複数の将来の時刻における、暫定的な前記アクセル開度の前記変更量を演算し、
    　前記アクセル開度変更量演算部は、暫定的な前記アクセル開度の前記変更量を基に、前記アクセル開度の前記変更量を演算する、請求項４に記載の車両速度制御装置。
  6. 　前記アクセル開度変更量演算部は、複数の将来の時刻におけるエンジン回転数を演算し、
    　複数の将来の時刻における前記エンジン回転数が異常な値である場合に、これを検出する異常検出部を備えている、請求項５に記載の車両速度制御装置。
  7. 　前記機械学習器は、更に、エンジン温度を含む前記走行実績データを学習データとして機械学習され、
    　前記アクセル開度変更量演算部は、更に、現在の前記エンジン温度を基にして、前記アクセル開度の前記変更量を演算する、請求項１から６のいずれか一項に記載の車両速度制御装置。
  8. 　前記車速指令を基に、車両駆動力を演算する車両駆動力演算部と、
    　前記現在の車速に応じた走行抵抗を演算する走行抵抗演算部を備え、
    　前記要求駆動力は、前記車両駆動力と前記走行抵抗の和である、請求項１から７のいずれか一項に記載の車両速度制御装置。
  9. 　前記アクセル開度変更部は、前記車両の運転席に搭載されて、アクチュエータによりアクセルペダルを操作するドライブロボットである、請求項１から８のいずれか一項に記載の車両速度制御装置。
  10. 　車両のアクセル開度を変更することで、規定された車速指令に従うように前記車両を走行制御する、車両速度制御方法であって、
    　走行中の前記車両の駆動力、車速、及び前記アクセル開度の変更量を含む走行実績データを学習データとして機械学習された、機械学習器によって、前記車速指令を基に演算された、当該車速指令の達成に必要とされる要求駆動力と、現在の前記車速とを基にして、前記アクセル開度の前記変更量を演算し、
    　前記アクセル開度の前記変更量を基に、前記アクセル開度を変更する、車両速度制御方法。
PCT/JP2018/047201 2018-02-15 2018-12-21 車両速度制御装置及び車両速度制御方法 WO2019159534A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US16/969,416 US20200398842A1 (en) 2018-02-15 2018-12-21 Vehicle Speed Control Device And Vehicle Speed Control Method
KR1020207023103A KR102313002B1 (ko) 2018-02-15 2018-12-21 차량 속도 제어 장치 및 차량 속도 제어 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018024648A JP6954168B2 (ja) 2018-02-15 2018-02-15 車両速度制御装置及び車両速度制御方法
JP2018-024648 2018-02-15

Publications (1)

Publication Number Publication Date
WO2019159534A1 true WO2019159534A1 (ja) 2019-08-22

Family

ID=67619310

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/047201 WO2019159534A1 (ja) 2018-02-15 2018-12-21 車両速度制御装置及び車両速度制御方法

Country Status (4)

Country Link
US (1) US20200398842A1 (ja)
JP (1) JP6954168B2 (ja)
KR (1) KR102313002B1 (ja)
WO (1) WO2019159534A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021117001A (ja) * 2020-01-22 2021-08-10 株式会社明電舎 自動操縦ロボットの制御装置及び制御方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115158354A (zh) 2017-03-02 2022-10-11 松下知识产权经营株式会社 驾驶辅助方法、驾驶辅助装置以及驾驶辅助系统
CN114206222A (zh) 2019-07-26 2022-03-18 富士胶片株式会社 听诊器
JP6705547B1 (ja) * 2019-10-18 2020-06-03 トヨタ自動車株式会社 車両用制御装置、車両用制御システム、および車両用学習装置
KR102280989B1 (ko) * 2020-01-09 2021-07-26 주식회사 현대케피코 차량 목표차속 실시간 추종 학습 방법 및 차량 가감속력 학습 시스템
JP6908144B1 (ja) * 2020-02-06 2021-07-21 株式会社明電舎 自動操縦ロボットの制御装置及び制御方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0471933A (ja) * 1990-07-10 1992-03-06 Toyota Motor Corp 車両用走行制御装置
JPH09218136A (ja) * 1996-02-13 1997-08-19 Horiba Ltd 自動車自動運転ロボット
JPH10331701A (ja) * 1998-04-06 1998-12-15 Hitachi Ltd 制御装置
JPH11201871A (ja) * 1998-01-08 1999-07-30 Meidensha Corp 車両速度制御装置
JP2005297872A (ja) * 2004-04-15 2005-10-27 Meidensha Corp 車両速度制御装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5454358A (en) * 1993-02-26 1995-10-03 Toyota Jidosha Kabushiki Kaisha Driving power control apparatus for internal combustion engine
JP3503187B2 (ja) * 1994-05-31 2004-03-02 株式会社明電舎 車両速度制御装置
JP2013043478A (ja) 2011-08-22 2013-03-04 Honda Motor Co Ltd ハイブリッド車両
KR101765635B1 (ko) 2016-02-02 2017-08-07 현대자동차 주식회사 하이브리드 차량의 운전 모드 전환 시스템 및 그 방법
JP6921734B2 (ja) * 2017-12-28 2021-08-18 本田技研工業株式会社 車両制御システム、車両制御方法、およびプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0471933A (ja) * 1990-07-10 1992-03-06 Toyota Motor Corp 車両用走行制御装置
JPH09218136A (ja) * 1996-02-13 1997-08-19 Horiba Ltd 自動車自動運転ロボット
JPH11201871A (ja) * 1998-01-08 1999-07-30 Meidensha Corp 車両速度制御装置
JPH10331701A (ja) * 1998-04-06 1998-12-15 Hitachi Ltd 制御装置
JP2005297872A (ja) * 2004-04-15 2005-10-27 Meidensha Corp 車両速度制御装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021117001A (ja) * 2020-01-22 2021-08-10 株式会社明電舎 自動操縦ロボットの制御装置及び制御方法

Also Published As

Publication number Publication date
JP2019138273A (ja) 2019-08-22
KR20200104405A (ko) 2020-09-03
JP6954168B2 (ja) 2021-10-27
US20200398842A1 (en) 2020-12-24
KR102313002B1 (ko) 2021-10-14

Similar Documents

Publication Publication Date Title
WO2019159534A1 (ja) 車両速度制御装置及び車両速度制御方法
CN108791290B (zh) 基于在线增量式dhp的双车协同自适应巡航控制方法
WO2020183864A1 (ja) 自動操縦ロボットを制御する操作推論学習モデルの学習システム及び学習方法
CN112077839B (zh) 一种机械臂的运动控制方法及装置
Yuan et al. Neural network based self-learning control strategy for electronic throttle valve
JP6908144B1 (ja) 自動操縦ロボットの制御装置及び制御方法
Xu et al. Design and test of speed tracking control for the self-driving lincoln MKZ platform
JP6235420B2 (ja) 車速指令生成装置及び車速指令生成方法
KR20130017403A (ko) 액추에이터 제어 장치 및 방법
JP6429235B2 (ja) 車両速度制御装置
Evans et al. Reward signal design for autonomous racing
Qu et al. Multi‐mode switching‐based model predictive control approach for longitudinal autonomous driving with acceleration estimation
Zhu et al. Reinforcement learning based throttle and brake control for autonomous vehicle following
US11718295B2 (en) Automatic driving robot control device and control method
WO2022059484A1 (ja) 自動操縦ロボットを制御する操作推論学習モデルの学習システム及び学習方法
JP2019105506A (ja) 車速指令生成装置及び車速指令生成方法
JP2020056737A (ja) 自動操縦ロボットの制御装置及び制御方法
Malikopoulos et al. A real-time computational learning model for sequential decision-making problems under uncertainty
JPH10272963A (ja) 先行車追従制御装置
CN115605925A (zh) 确定调节器变量的值的方法
JP2021143882A (ja) 自動操縦ロボットを制御する操作推論学習モデルの学習システム及び学習方法
Togai et al. Human driving behavior analysis and model representation with expertise acquiring process for controller rapid prototyping
Hu et al. Electronic throttle controller design using a triple-step nonlinear method
RU2701459C1 (ru) Устройство управления манипулятором робота
Yang et al. Time-Varying Distance following for unmanned vehicles based on Sliding Mode Control

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18905942

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 20207023103

Country of ref document: KR

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18905942

Country of ref document: EP

Kind code of ref document: A1