WO2020079876A1 - 状態量推定装置、制御装置、および状態量推定方法 - Google Patents

状態量推定装置、制御装置、および状態量推定方法 Download PDF

Info

Publication number
WO2020079876A1
WO2020079876A1 PCT/JP2019/020084 JP2019020084W WO2020079876A1 WO 2020079876 A1 WO2020079876 A1 WO 2020079876A1 JP 2019020084 W JP2019020084 W JP 2019020084W WO 2020079876 A1 WO2020079876 A1 WO 2020079876A1
Authority
WO
WIPO (PCT)
Prior art keywords
covariance
state quantity
estimated
vehicle
state
Prior art date
Application number
PCT/JP2019/020084
Other languages
English (en)
French (fr)
Inventor
正樹 伊澤
シュブハム グプタ
Original Assignee
株式会社ショーワ
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 株式会社ショーワ filed Critical 株式会社ショーワ
Priority to CN201980060166.3A priority Critical patent/CN112689745B/zh
Priority to DE112019005231.4T priority patent/DE112019005231B4/de
Publication of WO2020079876A1 publication Critical patent/WO2020079876A1/ja
Priority to US17/200,456 priority patent/US20210201034A1/en

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G17/00—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load
    • B60G17/015—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements
    • B60G17/018—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements characterised by the use of a specific signal treatment or control method
    • B60G17/0182—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements characterised by the use of a specific signal treatment or control method involving parameter estimation, e.g. observer, Kalman filter
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
    • G01G19/08—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for incorporation in vehicles
    • G01G19/086—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for incorporation in vehicles wherein the vehicle mass is dynamically estimated
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/10—Acceleration; Deceleration
    • B60G2400/106—Acceleration; Deceleration longitudinal with regard to vehicle, e.g. braking
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/20—Speed
    • B60G2400/204—Vehicle speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/30—Propulsion unit conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/30—Propulsion unit conditions
    • B60G2400/302—Selected gear ratio; Transmission function
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/30—Propulsion unit conditions
    • B60G2400/32—Torque on propulsion shaft
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/60—Load
    • B60G2400/61—Load distribution
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/60—Load
    • B60G2400/62—Seat occupation; Passenger presence
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/90—Other conditions or factors
    • B60G2400/95—Position of vehicle body elements
    • B60G2400/952—Position of vehicle body elements of door or bonnet
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2500/00—Indexing codes relating to the regulated action or device
    • B60G2500/10—Damping action or damper
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2600/00—Indexing codes relating to particular elements, systems or processes used on suspension systems or suspension control systems
    • B60G2600/18—Automatic control means
    • B60G2600/187—Digital Controller Details and Signal Treatment
    • B60G2600/1871—Optimal control; Kalman Filters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2600/00—Indexing codes relating to particular elements, systems or processes used on suspension systems or suspension control systems
    • B60G2600/70—Computer memory; Data storage, e.g. maps for adaptive control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2800/00—Indexing codes relating to the type of movement or to the condition of the vehicle and to the end result to be achieved by the control action
    • B60G2800/70—Estimating or calculating vehicle parameters or state variables
    • B60G2800/702—Improving accuracy of a sensor signal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing

Definitions

  • the present invention relates to a state quantity estimation device, a control device, and a state quantity estimation method.
  • the technique of estimating the vehicle weight includes, for example, acquiring state quantities depending on the vehicle by various sensors, fitting the state quantity to a motion equation, and further subtracting two motion equations to cancel noise to estimate the vehicle weight.
  • the technology to do is known.
  • numerical values that are not suitable for estimating the state quantity are normally discarded using a threshold value (see, for example, Patent Document 1).
  • One aspect of the present invention is intended to realize a technique for estimating a vehicle state quantity quickly with higher accuracy.
  • a state quantity estimation device is a state quantity that acts on a vehicle, a state covariance that is a covariance of the state quantity, and a covariance of operation noise.
  • a data storage unit that stores a process noise covariance, and a predicted state quantity are calculated from the state quantity, and a predicted covariance that is a covariance of the predicted state quantity is calculated from the state covariance and the process noise covariance.
  • a prediction amount calculation unit an acquisition unit that acquires a sensor value of a vehicle, a Kalman gain calculation unit that calculates a Kalman gain using the sensor value and the prediction covariance, the Kalman gain, the prediction state amount, and the sensor Value, the Kalman filter is used to calculate the estimated state quantity, and the Kalman filter is estimated from the Kalman gain, the prediction covariance, and the sensor value.
  • An estimated amount calculation unit that calculates a variance; and a process noise covariance correction unit that corrects the process noise covariance using the estimated state amount, wherein the estimated state amount is the state amount and the estimated covariance is Is written as the state covariance, and the corrected process noise covariance is written as the process noise covariance in the data storage unit.
  • 5 is a flowchart showing an example of a flow of processing for estimating a state quantity according to the first embodiment.
  • 6 is a flowchart showing a flow of a first aspect in the process of correcting the process noise covariance in the first embodiment.
  • 7 is a flowchart showing a flow of a second aspect in the process of correcting the process noise covariance in the first embodiment.
  • 9 is a flowchart showing a flow of a third aspect in the process of correcting the process noise covariance in the first embodiment.
  • FIG. 9 is a flowchart showing a flow of a fourth aspect in the process of correcting the process noise covariance in the first embodiment. It is a figure which shows typically an example of a structure of the vehicle to which the state quantity estimation apparatus which concerns on Embodiment 1 is applied.
  • F is a value obtained by subtracting various running resistance values from the engine output
  • m is the weight (vehicle weight) of the vehicle
  • a is the acceleration of the vehicle. Since a can be obtained by the time differential value of the vehicle speed V, it can be expressed by the following formula 1.
  • F x represents an engine-derived output
  • F air represents an air resistance component
  • F surface represents a road surface resistance component.
  • F x which is the engine-derived output, is obtained by dividing the wheel torque by the wheel radius, and receives the gravitational acceleration corresponding to the inclination of the road surface, and therefore can be expressed by the following equation 2.
  • ⁇ represents a wheel torque
  • R represents a wheel radius
  • ⁇ r represents a road surface inclination angle.
  • Wheel torque as referred to in this specification is a torque generated by a driving source of a running vehicle, acting on wheels, and acting in a direction of accelerating and decelerating the vehicle.
  • the wheel torque is the torque applied to the wheels of the vehicle.
  • the wheel torque of the internal combustion engine, the torque generated by the internal combustion engine is estimated from the air-fuel ratio, the outside air temperature and the throttle valve release amount, and the obtained estimated value, the transmission loss coefficient set for each vehicle, It is obtained by multiplying by a predetermined reduction ratio by each reduction mechanism.
  • the wheel torque is the sum of the torques applied to the wheels of the vehicle.
  • the wheel torque of the vehicle is obtained by multiplying the torque estimated from the work efficiency of each motor and the voltage applied to the motor by the transmission loss coefficient set for each vehicle and a predetermined reduction ratio by each reduction mechanism.
  • the wheel torque may be calculated by further referring to the operating conditions of these devices.
  • F surface which is a road surface resistance component
  • ⁇ represents the road surface resistance coefficient of the vehicle
  • m represents the vehicle weight
  • ⁇ r represents the inclination angle of the road surface.
  • equation of motion F ma of the momentum generated in the vehicle is expressed by the following equations 5 and 6 from the equations 1 to 4.
  • a front / rear G sensor that detects the front / rear G of the vehicle is generally used.
  • the value G sens of the front-rear G sensor is the gravitational acceleration component of the vehicle body pitch angle obtained by time-differentiating the vehicle speed and the total of the road surface angle and the vehicle body pitch angle, and thus can be expressed by the following equations 7 and 8. .
  • ⁇ p represents the pitch angle of the vehicle
  • ⁇ r represents the inclination angle of the road surface.
  • Expression 9 is derived, and Expression 9 is derived from Expression 10.
  • Expression 11 the following Expression 12 is derived by replacing Y on the left side, G sens on G, and mgcos ⁇ r ( ⁇ -sin ⁇ p ) on C.
  • Y and G can refer to the sensor values as described above.
  • m is the vehicle weight, and is substantially constant for an appropriate period in which the weight of the vehicle-mounted object does not substantially change, and is therefore a constant.
  • C in Expression 12 from Expression 11, m is a constant as described above, and g is gravitational acceleration, which is also a constant.
  • the vehicle body pitch angle sin ⁇ p is a constant (0) because ⁇ p ⁇ 0 as described above. Therefore, in the present embodiment, the road surface angle cos ⁇ r and the road surface resistance ⁇ can be treated as constants because all the changes can be treated as noise of the Kalman filter described later. Therefore, in Equation 12, C is considered to be a constant.
  • Expression 13 is the prediction function of the Kalman filter.
  • t represents the number of calculations
  • xa t ⁇ 1 represents the state quantity acting on the vehicle estimated by the previous calculation
  • xb t represents the predicted quantity of the state acting on the vehicle (prediction) by the present calculation.
  • State quantity The state quantity acting on the vehicle is a physical quantity relating to the vehicle, and examples thereof include the weight of the vehicle (vehicle weight) and the gradient component of the road.
  • Equation 14 is a matrix of xb from Equation 13. Since m and C are constants as described above, it is considered that Equation 13 does not change based on Equation 14 below. Therefore, the previously estimated state quantity xa t-1 and the current predicted state quantity xb t are the same, and the following Expression 15 is established.
  • the covariance of the predicted state quantities xb t (prediction covariance) P - t is expressed by the following equation 16.
  • P t ⁇ 1 represents the covariance estimated by the previous calculation (state covariance)
  • Q t ⁇ 1 represents the process noise covariance estimated by the previous calculation.
  • the state covariance is, for example, a covariance in which the state quantity acting on the vehicle and the process noise covariance are two variables.
  • the process noise covariance is, for example, a covariance in which the noise related to the estimation of the vehicle weight m and the noise related to the estimation of the road surface inclination C are two variables.
  • Expression 12 is made to correspond to Expression 17 below.
  • h t corresponds to Y
  • mb corresponds to m
  • Cb corresponds to C.
  • Expression 11 The left side of Expression 11 is observable by the sensor as described above, and is Y in Expression 12.
  • this is taken as a sensor value (also referred to as “observation amount”) z, the following formula 18 is derived.
  • Kalman gain is calculated from the following equations 19 and 20.
  • the Kalman gain is the gain of the Kalman filter, and the observation error is corrected (also referred to as “optimized”).
  • the Kalman filter calculation performed by the following equation 21 to obtain an estimated state quantity xa t. Further, the Kalman filter calculation is performed by the following Expression 22 to obtain the estimated covariance P t .
  • FIG. 1 is a block diagram showing an example of the functional configuration of the state quantity estimation device according to the present embodiment.
  • the state quantity estimation device 100 includes a data storage unit 101, a prediction amount calculation unit 102, a Kalman gain calculation unit 103, an estimated amount calculation unit 104, a weight component extraction unit 105, a process noise covariance correction unit. 106, an acquisition unit 107, and sensors 108.
  • the data storage unit 101 stores each data of state quantity (xa), state covariance (P), and process noise covariance (Q).
  • the predicted amount calculation unit 102 calculates the predicted state amount (xb) from the state amount xa. Further, the prediction amount calculation unit 102 calculates the prediction covariance (P ⁇ ) from the state covariance P and the process noise covariance Q.
  • the acquisition unit 107 acquires the sensor value (z) of the vehicle.
  • the acquisition unit 107 acquires the sensor value z from various sensors 108 arranged in the vehicle.
  • the sensors 108 include, for example, various sensors for detecting a physical quantity representing the state of the vehicle, and a device for calculating the physical quantity from the value detected by the sensor.
  • the Kalman gain calculation unit 103 calculates the Kalman gain (K) using the sensor value z and the prediction covariance P ⁇ .
  • the estimated amount calculation unit 104 calculates the estimated state amount xa from the Kalman gain K, the predicted state amount P ⁇ and the sensor value z using a Kalman filter.
  • the estimated state quantity xa is an estimated value of the state quantity estimated from the predicted state quantity xb. Further, the estimation amount calculation unit 104 calculates the estimated covariance P from the Kalman gain K, the prediction covariance P ⁇ and the sensor value z using a Kalman filter.
  • the weight component extraction unit 105 extracts the weight component (m) of the vehicle from the estimated state quantity xa.
  • the process noise covariance correction unit 106 corrects the process noise covariance Q using the weight component extracted by the weight component extraction unit 105.
  • the estimated amount calculation unit 104 also stores the estimated state amount xa based on a certain state amount xa in the data storage unit 101 as the next state amount xa. Further, the estimated amount calculation unit 104 stores the estimated covariance P based on a certain state quantity xa in the data storage unit 101 as the next state covariance P. Further, the process noise covariance correction unit 106 corrects a certain process noise covariance Q using the weight component m extracted from a certain estimated state quantity, and stores it in the data storage unit 101 as the next process noise covariance Q. .
  • the estimated state quantity xa calculated this time is written in the data storage unit 101 as the state quantity xa in the next calculation, and the estimated covariance P calculated this time is the state covariance in the next calculation. P is written in the data storage unit 101.
  • the state quantity estimation device 100 does not include the weight component extraction unit 105, and the process noise covariance correction unit 106 calculates not the weight component m but the estimated state quantity xa that is the data before the extraction as the estimation amount calculation unit 104. , And may be used to modify the process noise covariance Q.
  • the aspect of correcting the process noise covariance includes various aspects. The processing relating to the estimation of the state quantity will be described below, but various aspects of correcting the process noise covariance will be described later in particular.
  • FIG. 2 is a flowchart showing an example of the flow of processing for estimating the state quantity according to the present embodiment.
  • Data storage unit 101 stores the state quantity xa t, state covariance P t and process noise covariance Q t (step S201).
  • t is the number of calculations, and is 0 if the initial value.
  • step S202 the state quantity estimating device 100 updates the number of computations t by one. For example, if the number of calculations this time is t, the number of calculations of the previous time is represented by t-1, the number of calculations of the previous two is represented by t-2, and the number of calculations of the next time is represented by t + 1.
  • the prediction amount calculator 102 calculates the prediction state amount from the state amount of the previous calculation or the initial value, and the covariance of the prediction state amount from the state covariance of the previous calculation or the initial value and the process noise covariance. Compute the prediction covariance.
  • the prediction amount calculation unit 102 continuously calculates the prediction state amount and the prediction covariance at predetermined intervals.
  • step S203 the prediction calculation unit 102, a predicted state amount xb is calculated based on the equation 13 described above, the predicted state quantity xb t should seek state quantity xa t-1 in the number of operations of the previous.
  • step S204 the prediction amount calculation unit 102 calculates the prediction covariance P ⁇ based on the above-mentioned equation 16, and calculates the state covariance P t ⁇ 1 and the process noise covariance Q t ⁇ 1 at the previous calculation count.
  • the prediction covariance P ⁇ t is calculated by the sum of
  • the acquisition unit 107 acquires various sensor values (also referred to as “observed amount z”) that detect the state of the vehicle from the sensors 108.
  • the acquisition unit 107 continuously acquires sensor values at predetermined intervals.
  • the observed amount z may be a sensor value itself of each sensor, or may be a value of a physical amount of a vehicle in a traveling state, which is calculated from the sensor value and depends on the vehicle.
  • obtaining unit 107 obtains the output value Fx t of the engine from the G Senst, the vehicle speed V t and the vehicle is a sensor value of the longitudinal G sensor.
  • G Senst are H t in equation 20.
  • step S206 the Kalman gain calculation unit 103 calculates the Kalman gain K t based on the above equation 19 using the observed amount z t and the prediction covariance P ⁇ t . For example, the Kalman gain calculation unit 103 continuously calculates the Kalman gain K at predetermined intervals.
  • step S207 the estimated amount calculation unit 104, the Kalman gain K t, the predicted state quantity xb t and observed quantity z t (H t) using a Kalman filter, calculating an estimated state quantity xa t based on the equation 21 described above To do.
  • the estimator calculation unit 104 uses the Kalman filter from the Kalman gain K t , the prediction covariance P ⁇ t, and the observed amount z t (H t ) to calculate the estimated covariance P based on the above Expression 22. Calculate t .
  • the estimated amount calculation unit 104 continuously calculates the estimated state quantity and the estimated covariance at predetermined intervals.
  • step S209 the process noise covariance correction unit 106 corrects the process noise covariance Q t ⁇ 1 using the estimated state quantity xa t .
  • the process noise covariance correction unit 106 continuously corrects the process noise covariance Qt at predetermined intervals. Let the modified process noise covariance be “Q t ”.
  • Various aspects of modifying the process noise covariance are described below.
  • FIG. 3 is a flowchart showing the flow of the first mode in the process of correcting the process noise covariance in this embodiment.
  • the process noise covariance correction unit 106 based on the estimated amount calculation unit 104 estimates state quantities xa t and obtained the process noise covariance Q t-1, modify the process noise covariance Q t-1 Then, the corrected process noise covariance Q t is calculated.
  • the calculation cycle for estimating the state quantity that acts on the vehicle is sufficiently shorter than the period in which the state quantity changes over time, and therefore the state quantity xa can usually be regarded as constant.
  • the present estimated state quantities xa t is changed relative the previous state quantity xa t-1, it is thought to be due to noise.
  • the process noise covariance Q t-1 can be appropriately corrected by previously creating a map corresponding to the state quantity xa and the process noise covariance Q for each vehicle and referring to the map. Is.
  • the state quantity estimation apparatus 100 does not need to include the weight component extraction part 105.
  • the state quantity acting on the vehicle includes the vehicle weight.
  • the state quantity estimation apparatus 100 even if the weight component extraction unit 105 is not provided by using the Kalman filter and correcting the process noise covariance, It is possible to appropriately and quickly estimate the state quantity including the vehicle weight.
  • FIG. 4 is a flowchart showing the flow of the second mode in the process of correcting the process noise covariance in this embodiment.
  • the state quantity estimation device 100 includes a weight component extraction unit 105.
  • the process noise covariance correction unit 106 corrects the process noise covariance Q using the weight component m extracted by the weight component extraction unit 105.
  • step S401 the weight component extraction unit 105, a weight component m t of the vehicle from the estimated state quantities xa t, extracts for example successively with a predetermined interval.
  • the estimated state quantity xa is represented by a matrix of the vehicle weight component m and the constant C in the above-described equation 12, and the weight component m can be determined as a value represented in the matrix.
  • step S402 the process noise covariance modifying unit 106 modifies the process noise covariance Q t-1, based on and the process noise covariance Q t-1 heavy component m t weight component extraction unit 105 extracts, Compute the modified process noise covariance Q t .
  • the modified process noise covariance Q t is created in advance for each vehicle, for example, for the weight component m t and the process noise covariance Q t ⁇ 1 and for the weight component m and the process noise covariance Q as described above. Sought by referring to the map. According to the above correction processing, it is possible to further suppress the influence of unnecessary fluctuations of the process noise covariance on the estimation of the weight component of the vehicle.
  • FIG. 5 is a flowchart showing the flow of the third aspect in the process of correcting the process noise covariance in this embodiment.
  • the weight component extraction unit 105 calculates the average m ave of the weight component m and the standard deviation m ⁇ of the weight component m.
  • the process noise covariance correction unit 106 corrects the process noise covariance Q using the standard deviation m ⁇ calculated by the weight component extraction unit 105.
  • the weight component extraction unit 105 When the weight component m t is extracted in step S401, the weight component extraction unit 105, in step S501, within a predetermined range of the number of calculations (for example, using the weight component m t-2 up to the number of calculations two times before). An average value m avet of the extracted weight component m t and a standard deviation m ⁇ t are calculated.
  • step S502 the process noise covariance correction unit 106 corrects the process noise covariance Q t ⁇ 1 based on the standard deviation m ⁇ t and the process noise covariance Q t ⁇ 1, and the corrected process noise covariance Q t ⁇ 1. to calculate the Q t.
  • the modified process noise covariance Qt is obtained as follows, for example.
  • the process noise covariance Q is represented by the 2 ⁇ 2 matrix of Expression 23 below.
  • Q 1 represents the variance of noise related to the estimation of the vehicle weight m
  • Q 2 represents the variance of noise related to the estimation of the other state amount C such as the road gradient.
  • the process noise covariance Q can be modified by appropriately changing one or both of Q 1 and Q 2 according to the standard deviation m ⁇ .
  • the process noise covariance Q can be appropriately modified by modifying Q 1 to be small or modifying Q 2 to be relatively small to make Q 1 relatively small.
  • the process noise covariance Q can be appropriately corrected by making a correction to increase Q 1 or making a correction to decrease Q 2 and making Q 1 relatively large.
  • the magnitude of the standard deviation m ⁇ can be determined by a plurality of thresholds, and Q 1 or Q 2 can be modified stepwise as described above according to the thresholds. For example, by reading Q 1 or Q 2 corresponding to m ⁇ from the map, an appropriate value of Q 1 or Q 2 according to m ⁇ can be determined, and based on that, Q 1 or Q 2 can be determined as described above. Can be modified to According to such a correction method, since the process noise covariance Q is corrected according to the behavior of the weight component m up to that point, it is possible to more stably estimate the state quantity.
  • FIG. 6 is a flowchart showing the flow of the fourth mode in the process of correcting the process noise covariance in this embodiment.
  • the weight component extraction unit 105 includes a stability flag and a weight determination unit.
  • the initial state of the stability flag in the state quantity estimation process is off. 1 is input to the stability flag when it is on, and 0 is input when it is off.
  • the weight determining unit determines the weight component m according to information representing one or more selected from the group consisting of the number of times t of calculation of the estimated state quantity xa, the value of the standard deviation m ⁇ , and on / off of the stability flag.
  • step S401 the weight component extraction unit 105 extracts weight component m t from the estimated state quantities xa t.
  • step S601 the weight determination unit determines whether or not the number of calculations t exceeds a predetermined number (n). When the number of calculations t exceeds the predetermined number (n) in step S601, the weight component extraction unit 105 calculates the average m avet and the standard deviation m ⁇ t of the weight components m t in step S502.
  • step S602 the weight determination unit determines whether the standard deviation m ⁇ t is less than the threshold value with 10 ⁇ 6 as the predetermined threshold value.
  • the weight determining unit determines the average m avet of the weight components as the extracted weight component m t in step S603. Then, the stability flag is turned on.
  • step S602 determines whether the stability flag is on.
  • the weight determination unit determines in step S605 the weight component m t (for example, in the previous calculation) when the stability flag before the previous time was turned on. For example, m t ⁇ 1 ) is determined as the weight component m t extracted this time.
  • step S604 the weight determination unit determines the latest extracted weight component m t as the weight component as it is in step S606. If the number of calculations t is less than or equal to the predetermined number (n) in step S601, the weight determination unit proceeds to step S606 and determines the latest extracted weight component m t as the weight component.
  • the process noise covariance correction unit 106 determines in step S502 the process noise covariance Q t based on the standard deviation m ⁇ t of the weight component obtained in step S501. -1 may be modified.
  • the process noise covariance correction unit 106 calculates the process noise covariance Q t ⁇ 1 using the weight component in step S402. Compute and compute the modified process noise covariance Q t . According to the flow of FIG. 6, the calculation result of this time or the previous time is appropriately used depending on the case. Therefore, such estimation of the state quantity can estimate the state quantity of the vehicle quickly with sufficiently high accuracy. From the viewpoint of
  • the estimated amount calculation unit 104 stores the estimated state quantities xa t and the estimated covariance P t in the data storage unit 101, the process noise covariance correction unit 106, modified process The noise covariance Q t is stored in the data storage unit 101.
  • the quantity of state xa t estimated state quantity xa t is the number of operations t
  • the state covariance P t estimated covariance P t is the number of operations t
  • also modified process noise covariance Q t is calculation The process noise covariance Q t at the number of times t is written in the data storage unit 101.
  • the state quantity, the state covariance, and the process noise covariance are continuously written in the data storage unit 101 at predetermined intervals, for example.
  • these data written in the data storage unit 101 are used as described above in the estimation of the new state quantity as the result of the previous calculation in the new calculation.
  • the above series of processing may be terminated when the vehicle enters a state in which the state quantity to be estimated can change. Since the state quantity includes the vehicle weight component, the processing can be ended when the vehicle weight of the vehicle can be changed. Examples of cases where the vehicle weight of the vehicle may change include a case where the vehicle stops, a case where the vehicle door is opened and closed, and a case where the fuel supply port of the vehicle is opened and closed.
  • the state quantity estimating device uses a Kalman filter for estimating the state quantity including the vehicle weight. Therefore, it is not necessary to discard the observed amount according to the estimation condition, and it is possible to use substantially all of the acquired observed amount for calculation and use it for estimating the state quantity. Therefore, it is possible to quickly and sufficiently acquire the estimated value of the state quantity of the vehicle.
  • the process noise covariance is corrected.
  • the vehicle weight may change according to the running state of the vehicle.
  • the vehicle weight is substantially constant.
  • the process noise covariance by correcting the process noise covariance, the parameter that changes the vehicle weight due to the running state of the vehicle can be substantially ignored, and the state quantity of the vehicle can be estimated stably. It becomes possible to do. Therefore, it is possible to quickly estimate the state quantity of the vehicle with sufficiently high accuracy.
  • the state quantity estimation device estimates the state quantity including the vehicle weight.
  • the state quantity estimation device is a control device used for a vehicle, and can be applied to a control device that uses an estimated value of vehicle weight.
  • the state quantity estimation device may further include an output unit that outputs the state quantity including the weight component to the outside.
  • the output unit can be appropriately selected within a range in which the state quantity including the vehicle weight can be output to the outside.
  • the output unit is preferably a weight component extraction unit that extracts the weight component m.
  • the weight component extraction unit 105 outputs the extracted weight component m t as the current weight of the vehicle. May be. In this case, it is suitable from the viewpoint of using the estimation result of the vehicle weight for controlling the traveling state of the vehicle.
  • the state quantity estimating device can be used for estimating the state quantity of the vehicle without discarding the sensor value, and the process noise covariance is corrected to stabilize the state quantity. Can be estimated. Therefore, the estimated value of the state quantity has appropriate robustness and converges to an appropriate value within a short period after the start of traveling of the vehicle. When the running state of the vehicle is controlled using this estimated value, the running state of the vehicle can be controlled more appropriately.
  • the vehicle has various equipment for running the vehicle, a processor, sensors, and a storage medium.
  • the processor includes the prediction amount calculation unit, the acquisition unit, the Kalman gain calculation unit, the estimation amount calculation unit, and the process noise covariance correction unit described above.
  • the sensors include the front-rear G sensor, the wheel shaft torque and the vehicle speed sensor described above.
  • the storage medium corresponds to the above-mentioned data storage unit, and is, for example, a magnetic disk.
  • FIG. 7 is a diagram schematically showing an example of the configuration of a vehicle having the above state quantity estimation device.
  • a vehicle 900 includes a suspension device (suspension) 150, a vehicle body 200, wheels 300, a vehicle speed sensor 450 that detects a vehicle speed (V), an engine 500, and an ECU (Electronic Control Unit) 600.
  • the ECU 600 corresponds to the processor described above.
  • a to E in the reference numerals represent the positions on the vehicle 900, respectively.
  • A represents the front left position of the vehicle 900
  • B represents the front right position of the vehicle 900
  • C represents the rear left of the vehicle 900
  • D represents the rear right of the vehicle 900
  • E represents the vehicle. It represents the back of 900.
  • the vehicle 900 also detects a front-rear G sensor 340 (which acquires “Gsens” described above) that detects an acceleration in the front-rear direction of the vehicle 900 (hereinafter, also referred to as “front-rear G”), and a torque generated by the engine 500 (A wheel torque sensor 510 for estimating the wheel torque ( ⁇ ) is provided.
  • the wheel torque is the torque applied to the wheels of the vehicle 900 as described above, and corresponds to the driving force of the vehicle 900.
  • the vehicle 900 includes a fuel sensor 360 that detects the amount of fuel (gasoline) in a fuel tank (not shown), a door opening / closing sensor 550 that detects the opening and closing of each door of the vehicle 900, and a gear connection position of the vehicle 900.
  • Each sensor may be newly provided for estimating the state quantity described later, but from the viewpoint of cost, it is preferable that the sensor is an existing sensor in the vehicle 900.
  • the storage medium stores various information required for estimating the state quantity. Examples of the information include the wheel radius, the Cd value (air resistance coefficient), and the initial values of the state quantity, the state covariance, the state standard deviation, and the process noise covariance.
  • the initial value is a numerical value that is determined in advance by a test or the like and is appropriate as the initial value.
  • the initial value of the vehicle weight may be a temporary total weight of the vehicle 900.
  • the provisional total weight may be, for example, the sum of the dry weight of the vehicle 900 and the total weight of the load on the vehicle or the estimated amount thereof. Further, the provisional total weight may be, for example, a value obtained by adding the remaining gasoline amount detected by fuel sensor 360 to the dry weight of vehicle 900. Further, the provisional total weight is, for example, a value obtained by multiplying the dry weight of the vehicle 900 by the number of open floor doors detected by the door opening / closing sensor 550 and a weight equivalent to one person, and the door opening / closing sensor 550.
  • the sum may be a predetermined weight.
  • the temporary total weight may be a value that further refers to whether or not the seat belt is worn on the vehicle 900.
  • wearing the seat belt the number of people who are on board the vehicle 900 can be grasped with higher accuracy. Grasping the number of passengers with high accuracy is effective, for example, in setting the lower limit value of the weight of the vehicle 900, and is preferable from the viewpoint of further increasing the reliability of the temporary total weight.
  • the estimation of the state quantity of the vehicle 900 is performed as described above in the first embodiment.
  • the state quantity estimation process in the vehicle 900 is basically continuously performed at predetermined intervals. When the estimated value of the state quantity stabilizes, the estimation of the state quantity may be intermittently performed at longer intervals.
  • the state quantity estimated by the ECU 600 is used for other purposes such as control in another device of the vehicle 900 that requires the estimated value of the state quantity.
  • the other device may receive the estimated state quantity from the estimated quantity calculation unit or may read it from the data storage unit.
  • the vehicle weight is generally determined by the weight of the vehicle and the total weight of the vehicle-mounted object, and the weight of the vehicle-mounted object generally does not substantially change during traveling. Therefore, the vehicle weight can be considered to be substantially constant from the time the vehicle starts traveling to the time it stops.
  • the state quantity including the weight component of the vehicle is estimated by the state quantity estimation device described above, when the vehicle starts traveling, the estimated value of the vehicle weight can be quickly obtained based on the observed amount.
  • the vehicle weight is substantially until the vehicle stops running so that the vehicle weight can change (the vehicle stops when reaching an intersection or a destination, the door or fuel cap is opened or closed when stopped, etc.). It is constant.
  • the observation amount and the calculation result that change the estimated value of the vehicle weight during such traveling can be regarded as process noise. Therefore, according to the CPU in the present embodiment, the vehicle weight of the vehicle in the running state can be estimated quickly and easily, and the estimation of the vehicle weight can be stably executed.
  • the estimation result is discarded. May be. Further, as described above, the estimation of the vehicle weight of the vehicle is normally performed continuously, but the estimated value of the vehicle weight may be discarded if a sufficiently reliable value is obtained. Alternatively, the vehicle weight may be estimated intermittently (intermittently).
  • the above-mentioned calculation unit or correction unit that calculates various values in the state quantity estimation device writes the calculated values in the data storage unit.
  • each of the data of these values is written as data.
  • the CPU may further include a writing unit for writing to the unit.
  • the state quantity estimation by the above state quantity estimation device can be reset according to the state of the vehicle in which the state quantity may change. For example, when estimating the vehicle weight of a vehicle, the initial value of the estimated state quantity is reset and the estimation of the state quantity is newly started when the vehicle's key position is set to the off position or the door is opened. You may.
  • a four-wheeled vehicle has been described as an example, but the vehicle is not limited thereto in the present invention.
  • the vehicle may be a motorcycle or a rail car.
  • the CPU further includes the weight component extraction unit described above.
  • the present embodiment is the same as the above-described second embodiment.
  • the weight component extraction unit extracts the weight component of the vehicle. According to the present embodiment, it becomes possible to execute the control using the estimated value of the vehicle weight of the vehicle with higher accuracy and more quickly.
  • Another device of the vehicle that needs the estimated value of the vehicle weight may receive the weight component determined by the weight component extraction unit as the estimated value of the vehicle weight.
  • the weight component extraction unit may further write the determined weight component as an estimated vehicle weight in the data storage unit. Writing to the data storage unit may be executed via the writing unit.
  • the vehicle weight estimated by the state quantity estimating device can be used for controlling the suspension device 150.
  • the control device of the suspension device 150 in the vehicle 900 is configured to estimate the state quantity acting on the vehicle 900 and control the damping force of the suspension device 150 according to the state quantity.
  • the present embodiment is performed by a known method of controlling the damping force of the suspension device 150 according to the estimated value of the vehicle weight, except that the estimated value of the state amount or the vehicle weight by the state amount estimation device according to the present embodiment is used. It is possible to
  • the suspension device 150 has, for example, an absorber that is interposed between a vehicle body and wheels of a vehicle, and a spring that is arranged so as to expand and contract with the stroke of the absorber.
  • the absorber has a cylinder, a piston that divides the interior of the cylinder into two chambers and is slidable, a piston rod fixed to the piston, a communication passage that connects the two chambers, and a solenoid valve that can open and close the communication passage. is doing. All the chambers partitioned by the piston are filled with hydraulic oil.
  • the spring is arranged so as to surround the outer circumference of the piston rod, and is supported by the end of the cylinder and the end of the piston rod.
  • the ECU 600 adjusts the opening degree of the solenoid valve so that the damping force of the suspension device 150 increases as the estimated vehicle weight increases, according to the estimated vehicle weight.
  • the structure of the suspension device 150 is not limited.
  • the position of the solenoid in suspension 150 is not limited.
  • the suspension device 150 may be, for example, a piston-in type or an outer cylinder connection type.
  • the type of the suspension device 150 is not particularly limited, and may be, for example, a strut type or a double wishbone type. In this way, various types of structures or types of suspension devices can be employed in the suspension device 150.
  • the method of adjusting the damping force in the suspension device 150 is not limited, and may be a method of adjusting the damping force in the absorber as described above, or a method of changing the spring rate of the spring (automatic variable preload). It may exist, or both of them may exist.
  • a stable estimated value of the state quantity of the vehicle can be quickly obtained at the start of traveling.
  • the suspension device is controlled using the estimated value of the state quantity including the vehicle weight, which is stably obtained at an early stage, it is possible to more appropriately execute the control of the suspension device according to the traveling state of the vehicle. Is possible.
  • control block of the state quantity estimation device (in particular, each unit from the prediction amount calculation unit 102 to the process noise covariance correction unit 106) is realized by a logic circuit (hardware) formed in an integrated circuit (IC chip) or the like. It may be realized by software.
  • the state quantity control device is equipped with a computer that executes the instructions of a program that is software that realizes each function.
  • the computer includes, for example, one or more processors and a computer-readable recording medium that stores the program. Then, in the computer, the processor reads the program from the recording medium and executes the program to achieve the object of the present invention.
  • a processor for example, a CPU (Central Processing Unit) can be used.
  • the recording medium a "non-transitory tangible medium" such as a ROM (Read Only Memory), a tape, a disk, a card, a semiconductor memory, a programmable logic circuit, or the like can be used. Further, a RAM (Random Access Memory) for expanding the above program may be further provided.
  • the program may be supplied to the computer via any transmission medium (communication network, broadcast wave, etc.) capable of transmitting the program.
  • any transmission medium communication network, broadcast wave, etc.
  • one aspect of the present invention can also be realized in the form of a data signal embedded in a carrier wave, in which the program is embodied by electronic transmission.
  • the state quantity estimation device (ECU 600) according to the embodiment of the present invention includes the state quantity acting on the vehicle (900), the state covariance that is the covariance of the state quantity, and the calculation.
  • a data storage unit (101) that stores a process noise covariance, which is a covariance of noise, and a predicted state quantity are calculated from the state quantities, and a predicted state quantity covariance is predicted from the state covariance and the process noise covariance.
  • Mann filter includes an estimated amount calculating unit for calculating the estimated covariance (104), the process noise covariance and modifies a process noise covariance using the estimated state quantities (106), the.
  • the estimated state quantity is written in the data storage unit (101) as the state quantity, the estimated covariance as the state covariance, and the corrected process noise covariance as the process noise covariance.
  • the process noise covariance is corrected, it is possible to stably and accurately estimate the state quantity of the vehicle even in different estimation environments.
  • the state quantity estimation device may further include a weight component extraction unit (105) that extracts the weight component of the vehicle from the estimated state amount. With such a configuration, it is possible to more accurately estimate the vehicle weight.
  • the weight component extraction unit (105) may calculate the average of the weight components and the standard deviation of the weight components. Such a configuration is more effective from the viewpoint of simply estimating the vehicle weight with sufficient accuracy.
  • the weight component extraction unit (105) includes a stability flag for turning off the initial state, the number of times the estimated state quantity is calculated, a standard deviation value, and on / off of the stability flag.
  • a weight determining unit that determines a weight component according to information indicating one or more selected from the group may be included.
  • the weight determining unit determines the latest extracted weight component as the extracted weight component when the number of calculations of the estimated state quantity is less than or equal to a predetermined number, and the number of calculations of the estimated state quantity exceeds the predetermined number of times, and If the standard deviation is less than or equal to a predetermined threshold value, the average is determined as the extracted weight component, the stability flag is turned on, and the stability flag is on, but the number of calculations of the estimated state quantity exceeds the predetermined number of times, and If the standard deviation exceeds a predetermined threshold value, the weight component extracted when the stability flag before the previous time is turned on is determined as the extracted weight component, and the number of times the estimated state quantity is calculated exceeds a predetermined number of times. If the standard deviation exceeds a predetermined threshold and the stability flag is off, the latest extracted weight component may be determined as the extracted weight component. Such a configuration is even more effective from the viewpoint of estimating the vehicle weight with sufficient accuracy and simply and quickly.
  • the process noise covariance correction unit (106) may correct the process noise covariance using the weight component extracted by the weight component extraction unit (105). Such a configuration is more effective from the viewpoint of simply estimating the vehicle weight with sufficient accuracy.
  • the process noise covariance correction unit (106) may correct the process noise covariance using the standard deviation calculated by the weight component extraction unit (105). Such a configuration is even more effective from the viewpoint of simply estimating the vehicle weight with sufficient accuracy.
  • the weight component extraction unit (105) may output the extracted weight component as the current weight of the vehicle (900). Such a configuration is suitable from the viewpoint of utilizing the vehicle weight estimation result for controlling the traveling state of the vehicle.
  • control device estimates the state quantity acting on the vehicle (900) having the suspension device (105) and controls the damping force of the suspension device (150) according to the state quantity. It is a control device that operates.
  • the control device includes a data storage unit (101) that stores a state quantity acting on a vehicle, a state covariance that is a covariance of state quantities, and a process noise covariance that is a covariance of operation noise.
  • a prediction amount calculation unit (102) that calculates a prediction state quantity and calculates a prediction covariance that is a covariance of the prediction state quantity from the state covariance and the process noise covariance, and an acquisition unit (107) that acquires the sensor value of the vehicle.
  • a Kalman gain calculation unit (103) that calculates a Kalman gain using the sensor value and the prediction covariance, and the Kalman filter is used to calculate the estimated state amount from the Kalman gain, the predicted state amount, and the sensor value.
  • the Kalman filter is used to calculate the estimated covariance from the gain, the prediction covariance, and the sensor value, and the process is performed using the estimated state quantity.
  • Fixed noise covariance, and a process noise covariance correction unit (106) which, as the amount of the estimated state the state quantity estimated covariance as the state covariance is written in the data storage unit (101).
  • the state quantity estimation method includes a state quantity acting on a vehicle (900), a state covariance that is a covariance of state quantities, and a process noise covariance that is a covariance of operation noise.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mechanical Engineering (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
  • Vehicle Body Suspensions (AREA)
  • Traffic Control Systems (AREA)
  • Feedback Control In General (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

車重の推定に利用可能であり、かつ推定の精度および速度を高めることが可能な、車両の状態量を推定する技術を実現する。状態量推定装置は、データ格納部（１０１）、予測量演算部（１０２）、取得部（１０７）、カルマンゲイン演算部（１０３）、推定状態量および推定共分散を算出する推定量演算部（１０４）およびプロセスノイズ共分散を修正するプロセスノイズ共分散修正部（１０６）を備える。算出または修正された推定状態量、推定共分散およびプロセスノイズ共分散は、それぞれ、状態量、状態共分散およびプロセスノイズ共分散としてデータ格納部（１０１）に書き込まれ、次回の状態量推定のための演算に用いられる。

Description

状態量推定装置、制御装置、および状態量推定方法
　本発明は、状態量推定装置、制御装置、および状態量推定方法に関する。
　近年、自動車などの車両では、例えばその運転の安全性および快適性を高めるための種々の制御が行われている。このような車両の運転に係る制御を適切に実施するために、走行中の車両の質量（車重）を精度よく把握することが求められている。車重を推定する技術には、例えば、各種センサによりその車両に依存する状態量を取得し、運動方程式に当て嵌め、さらに２つの運動方程式を減算することによりノイズを相殺して車重を推定する技術が知られている。各種センサで取得した状態量のうち、状態量の推定に適さない数値は、通常、閾値を用いて破棄される（例えば、特許文献１参照）。
日本国公開特許公報「特開２０１３－１５２１７０号公報（２０１３年８月８日公開）」
　上記の技術では、センサで取得したセンサ値のうち、状態量の推定に適さない一つでも数値が含まれると、その他の適する数値も破棄されることがある。そのため、車両の状態量を推定する機会が少なくなり、少ない機会で状態量を推定しなければならない場合がある。よって、状態量の推定の精度が不十分になることがあり、また状態量の推定の安定化に時間がかかることがある。このように、上記の技術では、車両の状態量の推定における精度および速度を高める観点から検討の余地が残されている。
　本発明の一態様は、より高い精度で迅速に車両の状態量を推定する技術を実現することを目的とする。
　上記の課題を解決するために、本発明の一態様に係る状態量推定装置は、車両に作用する状態量、前記状態量の共分散である状態共分散、および、演算ノイズの共分散であるプロセスノイズ共分散、を格納するデータ格納部と、前記状態量から予測状態量を演算し、前記状態共分散および前記プロセスノイズ共分散から前記予測状態量の共分散である予測共分散を演算する予測量演算部と、車両のセンサ値を取得する取得部と、前記センサ値および前記予測共分散を用いてカルマンゲインを演算するカルマンゲイン演算部と、前記カルマンゲイン、前記予測状態量および前記センサ値、からカルマンフィルタを用いて、推定状態量を演算し、前記カルマンゲイン、前記予測共分散および前記センサ値、からカルマンフィルタを用いて、推定共分散を演算する推定量演算部と、前記推定状態量を用いて前記プロセスノイズ共分散を修正するプロセスノイズ共分散修正部と、を備え、前記推定状態量が前記状態量として、前記推定共分散が前記状態共分散として、修正された前記プロセスノイズ共分散が前記プロセスノイズ共分散として、前記データ格納部に書き込まれる。
　本発明の一態様によれば、より高い精度で迅速に車両の状態量を推定する技術を実現することができる。
本発明の実施形態１に係る状態量推定装置の機能的構成の一例を示すブロック図である。 実施形態１に係る状態量を推定する処理の流れの一例を示すフローチャートである。 実施形態１においてプロセスノイズ共分散を修正する処理における第一の態様の流れを示すフローチャートである。 実施形態１においてプロセスノイズ共分散を修正する処理における第二の態様の流れを示すフローチャートである。 実施形態１においてプロセスノイズ共分散を修正する処理における第三の態様の流れを示すフローチャートである。 実施形態１においてプロセスノイズ共分散を修正する処理における第四の態様の流れを示すフローチャートである。 実施形態１に係る状態量推定装置が適用される車両の構成の一例を模式的に示す図である。
　〔実施形態１〕
　以下、本発明の一実施形態について、詳細に説明する。
　［状態量推定のロジックの説明］
　車両に発生する運動量は、運動方程式Ｆ＝ｍａで表すことができる。ここで、Ｆはエンジン出力から各種走行抵抗値を減算したものであり、ｍは車両の重量（車重）であり、ａは車両の加速度である。ａは、車速Ｖの時間微分値で求めることができるため、下記式１で表すことができる。式１中、Ｆｘはエンジン由来出力を表し、Ｆａｉｒは空気抵抗成分を表し、Ｆｓｕｒｆａｃｅは路面抵抗成分を表す。
Figure JPOXMLDOC01-appb-M000001
　ここで、エンジン由来出力であるＦｘは、車輪半径で車輪トルクを除することで求められ、路面の傾き分の重力加速度を受けることから、下記式２で表すことができる。下記式２中、τは車輪トルクを表し、Ｒは車輪半径を表し、θｒは路面の傾斜角度を表す。
Figure JPOXMLDOC01-appb-M000002
　本明細書でいうところの「車輪トルク」とは、走行中の車両の駆動源が発生させる、車輪に働く、車両を加減速させる方向に働くトルクである。たとえば、内燃機関を駆動源とする車両では、車輪トルクとは、該車両の車輪に掛けられているトルクである。内燃機関の車輪トルクは、内燃機関が発生させたトルクを、空燃比、外気温およびスロットルバルブ解放量などから推定し、得られた推定値に、車両毎に設定されている伝達損失係数と、各減速機構による所定の減速比とを乗ずることにより求められる。また、車輪内に駆動源として電動モータを独立して持つ車両では、車輪トルクは、該車両の各車輪に掛けられているトルクの合計である。当該車両の車輪トルクは、各モータの仕事効率および当該モータに印加される電圧から推定されるトルクに、車両毎に設定されている伝達損失係数と、各減速機構による所定の減速比とを乗ずることにより求められる。また、車両が電気式デフなどの差動制御装置（ＬＳＤ）をさらに有する場合では、これらの装置の作動状況をさらに参照して上記車輪トルクを算出してもよい。
　空気抵抗成分であるＦａｉｒは、その車両に特有の空気抵抗係数に車速の二乗を乗じることで求められるから、下記式３で表すことができる。下記式３中、Ｃｄはその車両の空気抵抗係数を表し、Ｖは車速を表す。
Figure JPOXMLDOC01-appb-M000003
　路面抵抗成分であるＦｓｕｒｆａｃｅは、路面の摩擦係数に車重を乗じたものの路面角度の重力加速度分であるから、下記式４で表すことができる。下記式４中、μはその車両の路面抵抗係数を表し、ｍは車重を表し、θｒは路面の傾斜角度を表す。
Figure JPOXMLDOC01-appb-M000004
　したがって、車両に発生する運動量の運動方程式Ｆ＝ｍａは、式１～式４により、下記式５、式６で表される。
Figure JPOXMLDOC01-appb-M000005
　車両の走行状態を制御する場合では、車両の前後Ｇを検知する前後Ｇセンサが一般に用いられる。この前後Ｇセンサの値Ｇｓｅｎｓは、車速を時間微分した値の車体ピッチ角分と、路面角度と車体ピッチ角の合計の重力加速度成分であるから、下記式７、式８で表すことができる。下記式７、式８中、θｐは車両のピッチ角度を表し、θｒは路面の傾斜角度を表す。
Figure JPOXMLDOC01-appb-M000006
　式６および式８より、式９が導き出され、式９から式１０が導き出される。
Figure JPOXMLDOC01-appb-M000007
　ここで、θｐは十分小さいとして、θｐ≒０として近似を行うと、式１０から下記式１１が導き出される。
Figure JPOXMLDOC01-appb-M000008
　式１１において、左辺をＹに、ＧｓｅｎｓをＧに、ｍｇｃｏｓθｒ（μ－ｓｉｎθｐ）をＣにそれぞれ置き換えることにより、下記式１２が導き出される。
Figure JPOXMLDOC01-appb-M000009
　式１２においてＹおよびＧは、前述の通りセンサの値を参照可能である。また、ｍは車重であり、車載物の重量が実質的に変わらない適当な期間であれば実質的に一定であるから、定数とする。また、式１２のＣについて、式１１より、ｍは前述の通り定数であり、ｇは重力加速度であるから、これも定数である。車体ピッチ角ｓｉｎθｐは、前述の通りθｐ≒０であるから、定数（０）とする。よって、本実施形態では、路面角度ｃｏｓθｒおよび路面抵抗μは、変化分をすべて後述するカルマンフィルタのノイズとして扱うことができることから、ここでは定数として扱う。したがって、式１２においてＣは定数と考える。
　一方で、下記式１３は、カルマンフィルタの予測関数である。式１３において、ｔは演算回数を表し、ｘａt－１は前回の演算により推定した、車両に作用する状態量を表し、ｘｂtは今回の演算による、車両に作用する状態の予測量（予測状態量）を表す。車両に作用する状態量は、車両に係る物理量であり、その例には、車両の重量（車重）および道路の勾配成分が含まれる。
Figure JPOXMLDOC01-appb-M000010
　式１４は、式１３からｘｂを行列で表示したものである。前述のようにｍおよびＣは定数であるから、式１３は下記式１４に基づき変化しないと考えられる。したがって、前回推定の状態量ｘａt－１と今回の予測状態量ｘｂtとは同一であり、下記式１５が成り立つ。
Figure JPOXMLDOC01-appb-M000011
　また、予測状態量ｘｂtの共分散（予測共分散）Ｐ－ tは、下記式１６で表される。式１６において、Ｐt－１は前回の演算により推定された共分散を（状態共分散）表し、Ｑt－１は前回の演算により推定されたプロセスノイズ共分散を表す。状態共分散は、例えば、車両に作用する状態量とプロセスノイズ共分散とを二変数とする共分散である。プロセスノイズ共分散は、例えば、車重ｍの推定に係るノイズと路面傾斜等Ｃの推定に係るノイズとを二変数とする共分散である。
Figure JPOXMLDOC01-appb-M000012
　ここで、カルマンフィルタの観測方程式として、式１２を下記式１７に対応させる。式１７中、ｈtはＹに対応し、ｍｂはｍに対応し、ＣｂはＣに対応する。
Figure JPOXMLDOC01-appb-M000013
　式１１の左辺は、前述したようにセンサによって観測可能であり、また式１２におけるＹである。これをセンサ値（「観測量」とも言う）ｚとすると、下記式１８が導き出される。
Figure JPOXMLDOC01-appb-M000014
　カルマンゲインは、下記式１９、２０から求められる。当該カルマンゲインは、カルマンフィルタのゲインであり、観測誤差が修正された（「最適化された」とも言える）ものとなっている。
Figure JPOXMLDOC01-appb-M000015
　下記式２１によってカルマンフィルタ演算を実施し、推定状態量ｘａｔを得る。また、下記式２２によってカルマンフィルタ演算を実施し、推定共分散Ｐｔを得る。
Figure JPOXMLDOC01-appb-M000016
　［機能的構成例］
　図１は、本実施形態に係る状態量推定装置の機能的構成の一例を示すブロック図である。図１に示されるように、状態量推定装置１００は、データ格納部１０１、予測量演算部１０２、カルマンゲイン演算部１０３、推定量演算部１０４、重量成分抽出部１０５、プロセスノイズ共分散修正部１０６、取得部１０７およびセンサ類１０８を含む。
　データ格納部１０１は、状態量（ｘａ）、状態共分散（Ｐ）およびプロセスノイズ共分散（Ｑ）の各データを格納している。
　予測量演算部１０２は、状態量ｘａから予測状態量（ｘｂ）を演算する。また、予測量演算部１０２は、状態共分散Ｐおよびプロセスノイズ共分散Ｑから予測共分散（Ｐ－）を演算する。
　取得部１０７は、車両のセンサ値（ｚ）を取得する。取得部１０７は、車両に配置されている種々のセンサ類１０８からセンサ値ｚを取得する。センサ類１０８は、例えば、車両の状態を表す物理量を検出するための種々のセンサ、および、センサが検出した値から当該物理量を算出する装置を含む。
　カルマンゲイン演算部１０３は、センサ値ｚおよび予測共分散Ｐ－を用いてカルマンゲイン（Ｋ）を演算する。
　推定量演算部１０４は、カルマンゲインＫ、予測状態量Ｐ－およびセンサ値ｚからカルマンフィルタを用いて、推定状態量ｘａを演算する。推定状態量ｘａは、予測状態量ｘｂから推定される状態量の推定値である。また、推定量演算部１０４は、カルマンゲインＫ、予測共分散Ｐ－およびセンサ値ｚからカルマンフィルタを用いて、推定共分散Ｐを演算する。
　重量成分抽出部１０５は、推定状態量ｘａから車両の重量成分（ｍ）を抽出する。
　プロセスノイズ共分散修正部１０６は、重量成分抽出部１０５が抽出した重量成分を用いてプロセスノイズ共分散Ｑを修正する。
　また、推定量演算部１０４は、ある状態量ｘａに基づく推定状態量ｘａを次の状態量ｘａとしてデータ格納部１０１に格納する。また、推定量演算部１０４は、ある状態量ｘａに基づく推定共分散Ｐを次の状態共分散Ｐとしてデータ格納部１０１に格納する。さらに、プロセスノイズ共分散修正部１０６は、ある推定状態量から抽出された重量成分ｍを用いてあるプロセスノイズ共分散Ｑを修正し、次のプロセスノイズ共分散Ｑとしてデータ格納部１０１に格納する。このように、状態量推定装置１００は、今回演算した推定状態量ｘａが次回の演算における状態量ｘａとしてデータ格納部１０１に書き込まれ、今回演算した推定共分散Ｐが次回の演算における状態共分散Ｐとして、データ格納部１０１に書き込まれる。
　なお、状態量推定装置１００は、重量成分抽出部１０５を含まず、プロセスノイズ共分散修正部１０６は、重量成分ｍではなく、その抽出前のデータである推定状態量ｘａを推定量演算部１０４から取得し、それを用いてプロセスノイズ共分散Ｑを修正してもよい。本発明においては、プロセスノイズ共分散を修正する態様には様々な態様が含まれる。以下、状態量の推定に係る処理について説明するが、プロセスノイズ共分散を修正する種々の態様については、特に後述する。
　［処理例］
　図２は、本実施形態に係る状態量を推定する処理の流れの一例を示すフローチャートである。
　データ格納部１０１は、状態量ｘａｔ、状態共分散Ｐｔおよびプロセスノイズ共分散Ｑｔを格納している（ステップＳ２０１）。ｔは演算回数であり、初期値であれば０である。
　ステップＳ２０２において、状態量推定装置１００は、演算回数ｔを一つ増やすように更新する。たとえば、今回の演算回数がｔであるとすると、前回の演算回数はｔ－１で表され、前々回の演算回数はｔ－２で表され、次回の演算回数はｔ＋１で表される。
　次いで、予測量演算部１０２は、前回演算時または初期値の状態量から予測状態量を演算し、前回演算時または初期値の状態共分散およびプロセスノイズ共分散から予測状態量の共分散である予測共分散を演算する。たとえば、予測量演算部１０２は、予測状態量と予測共分散とを所定の間隔で連続して演算する。
　すなわち、ステップＳ２０３において、予測量演算部１０２は、予測状態量ｘｂを前述の式１３に基づき演算し、前回の演算回数における状態量ｘａｔ－１を求めるべき予測状態量ｘｂｔとする。
　また、ステップＳ２０４において、予測量演算部１０２は、予測共分散Ｐ－を前述の式１６に基づき演算し、前回の演算回数における状態共分散Ｐｔ－１およびプロセスノイズ共分散Ｑｔ－１との和により予測共分散Ｐ－ ｔを求める。
　一方、取得部１０７は、センサ類１０８から車両の状態を検出する各種センサ値（「観測量ｚ」とも言う）を取得する。たとえば、取得部１０７は、センサ値を所定の間隔で連続して取得する。観測量ｚは、個々のセンサのセンサ値そのものであってもよく、当該センサ値から算出された、走行状態にある車両の、その車両に依存する物理量の値であってもよい。たとえば、ステップＳ２０５において、取得部１０７は、前後Ｇセンサのセンサ値であるＧｓｅｎｓｔ、車速Ｖｔおよび車両におけるエンジン由来の出力値Ｆｘｔを取得する。ここでＧｓｅｎｓｔは、式２０におけるＨｔである。
　ステップＳ２０６において、カルマンゲイン演算部１０３は、観測量ｚｔおよび予測共分散Ｐ－ ｔを用いて、前述の式１９に基づいてカルマンゲインＫｔを演算する。たとえば、カルマンゲイン演算部１０３は、カルマンゲインＫを所定の間隔で連続して演算する。
　ステップＳ２０７において、推定量演算部１０４は、カルマンゲインＫｔ、予測状態量ｘｂｔおよび観測量ｚｔ（Ｈｔ）からカルマンフィルタを用いて、前述の式２１に基づいて推定状態量ｘａｔを演算する。
　また、ステップＳ２０８において、推定量演算部１０４は、カルマンゲインＫｔ、予測共分散Ｐ－ ｔおよび観測量ｚｔ（Ｈｔ）からカルマンフィルタを用いて、前述の式２２に基づいて推定共分散Ｐｔを演算する。たとえば、推定量演算部１０４は、推定状態量と推定共分散とを所定の間隔で連続して演算する。
　ステップＳ２０９において、プロセスノイズ共分散修正部１０６は、推定状態量ｘａｔを用いてプロセスノイズ共分散Ｑｔ－１を修正する。たとえば、プロセスノイズ共分散修正部１０６は、所定の間隔で連続してプロセスノイズ共分散Ｑｔを修正する。修正されたプロセスノイズ共分散を「Ｑｔ」とする。以下、プロセスノイズ共分散を修正する種々の態様について説明する。
　図３は、本実施形態においてプロセスノイズ共分散を修正する処理における第一の態様の流れを示すフローチャートである。ステップＳ３０１において、プロセスノイズ共分散修正部１０６は、推定量演算部１０４が求めた推定状態量ｘａｔとプロセスノイズ共分散Ｑｔ－１とに基づいて、プロセスノイズ共分散Ｑｔ－１を修正し、修正されたプロセスノイズ共分散Ｑｔを演算する。
　通常、車両に作用する状態量を推定するための演算の周期は、当該状態量が継時的に変化する期間に比べて十分に短いことから、状態量ｘａは、通常、一定と見なすことができることがある。この場合、今回の推定状態量ｘａｔが前回の状態量ｘａｔ－１に対して変化しているとすると、それは、ノイズに起因すると考えられる。プロセスノイズ共分散Ｑｔ－１は、状態量ｘａとプロセスノイズ共分散Ｑとを対応させたマップを車両に応じて予め作成しておき、当該マップを参照することによって適宜に修正することが可能である。
　なお、当該第一の態様では、状態量推定装置１００は、重量成分抽出部１０５を含まなくてよい。車両に作用する状態量には車重が含まれるが、状態量推定装置１００によれば、カルマンフィルタの使用とプロセスノイズ共分散の修正とによって、重量成分抽出部１０５を有していなくても、車重を含む状態量を適切かつ迅速に推定することが可能である。
　図４は、本実施形態においてプロセスノイズ共分散を修正する処理における第二の態様の流れを示すフローチャートである。当該第二の態様では、状態量推定装置１００は、重量成分抽出部１０５を含む。当該第二の態様では、プロセスノイズ共分散修正部１０６は、重量成分抽出部１０５が抽出した重量成分ｍを用いてプロセスノイズ共分散Ｑを修正する。
　ステップＳ４０１において、重量成分抽出部１０５は、推定状態量ｘａｔから車両の重量成分ｍｔを、例えば所定の間隔で連続して抽出する。推定状態量ｘａは、前述した式１２における車両の重量成分ｍと定数Ｃの行列で表され、重量成分ｍは、当該行列中で表される値として決めることができる。
　ステップＳ４０２において、プロセスノイズ共分散修正部１０６は、重量成分抽出部１０５が抽出した重量成分ｍｔとプロセスノイズ共分散Ｑｔ－１とに基づいてプロセスノイズ共分散Ｑｔ－１を修正し、修正されたプロセスノイズ共分散Ｑｔを演算する。修正されたプロセスノイズ共分散Ｑｔは、例えば、重量成分ｍｔとプロセスノイズ共分散Ｑｔ－１とを、重量成分ｍとプロセスノイズ共分散Ｑとについて上記のように車両ごとに予め作成されたマップを参照することによって求められる。上記の修正処理によれば、車両の重量成分の推定に対するプロセスノイズ共分散の不要な変動の影響をより抑制することが可能である。
　図５は、本実施形態においてプロセスノイズ共分散を修正する処理における第三の態様の流れを示すフローチャートである。当該第三の態様では、重量成分抽出部１０５は、重量成分ｍの平均ｍａｖｅと、重量成分ｍの標準偏差ｍσとを演算する。そして、プロセスノイズ共分散修正部１０６は、重量成分抽出部１０５が演算した標準偏差ｍσを用いてプロセスノイズ共分散Ｑを修正する。
　ステップＳ４０１において重量成分ｍｔを抽出すると、ステップＳ５０１において、重量成分抽出部１０５は、演算回数の所定の範囲において（例えば二つ前の演算回数までの重量成分ｍｔ－２を用いて）、抽出した重量成分ｍｔの平均値ｍａｖｅｔと標準偏差ｍσｔとを演算する。
　ステップＳ５０２において、プロセスノイズ共分散修正部１０６は、当該標準偏差ｍσｔとプロセスノイズ共分散Ｑｔ－１とに基づいてプロセスノイズ共分散Ｑｔ－１を修正し、修正されたプロセスノイズ共分散Ｑｔを演算する。この場合、修正されたプロセスノイズ共分散Ｑｔは、例えば以下のようにして求められる。
　プロセスノイズ共分散Ｑは、下記式２３の２×２行列で表される。下記式中、Ｑ１は車重ｍの推定に係るノイズの分散を表し、Ｑ２は路面勾配等の他の状態量Ｃの推定に係るノイズの分散を表す。プロセスノイズ共分散Ｑは、標準偏差ｍσに応じて当該Ｑ１およびＱ２の一方または両方を適宜に変更することにより修正することができる。
Figure JPOXMLDOC01-appb-M000017
　より詳しくは、推定状態量ｘａｔの重量成分ｍｔの標準偏差ｍσｔが小さい場合では、ｍ推定に有るノイズの分散Ｑ１も小さいと言える。よって、Ｑ１を小さくする修正を行うか、またはＱ２を大きくする修正を行ってＱ１を相対的に小さくすることにより、プロセスノイズ共分散Ｑが適宜に修正され得る。
　推定状態量ｘａｔの重量成分ｍｔの標準偏差ｍσｔが大きい場合では、ｍ推定に有るノイズの分散Ｑ１も大きいと言える。よって、Ｑ１を大きくする修正を行うか、またはＱ２を小さくする修正を行ってＱ１を相対的に大きくすることにより、プロセスノイズ共分散Ｑが適宜に修正され得る。
　標準偏差ｍσの大小は、複数の閾値によって判断することができ、当該閾値に応じて上記のようにＱ１またはＱ２を段階的に修正することができる。たとえば、ｍσに対応するＱ１またはＱ２をマップから読み出すことにより、ｍσに応じた適当なＱ１またはＱ２の値を決めることができ、それに基づきＱ１またはＱ２を上記のように修正することが可能である。このような修正方法によれば、重量成分ｍのそれまでの挙動に応じてプロセスノイズ共分散Ｑが修正されるため、より安定した状態量の推定が可能となる。
　図６は、本実施形態においてプロセスノイズ共分散を修正する処理における第四の態様の流れを示すフローチャートである。当該第四の態様では、重量成分抽出部１０５は、安定フラグと重量決定部とを含む。状態量の推定処理における安定フラグの初期状態はオフである。安定フラグには、オンの場合に１が入力され、オフの場合には０が入力される。重量決定部は、推定状態量ｘａの演算回数ｔ、標準偏差ｍσの値、および、安定フラグのオンオフ、からなる群から選ばれる一以上を表す情報に応じて重量成分ｍを決定する。
　ステップＳ４０１において、重量成分抽出部１０５は、推定状態量ｘａｔから重量成分ｍｔを抽出する。
　ステップＳ６０１において、重量決定部は、演算回数ｔが所定の回数(n)を超えているか否かを判定する。ステップＳ６０１において演算回数ｔが所定の回数(n)を超えている場合には、ステップＳ５０２において、重量成分抽出部１０５は、重量成分ｍｔの平均ｍａｖｅｔおよび標準偏差ｍσｔを演算する。
　ステップＳ６０２において、重量決定部は、１０－６を所定の閾値として、標準偏差ｍσｔが当該閾値未満か否かを判定する。
　ステップＳ６０２において標準偏差ｍσｔが当該閾値未満である場合には、ステップＳ６０３において、重量決定部は、重量成分の平均ｍａｖｅｔを抽出した重量成分ｍｔと決定する。そして安定フラグをオンにする。
　ステップＳ６０２において標準偏差ｍσｔが当該閾値未満である場合には、ステップＳ６０４において、重量決定部は、安定フラグがオンとなっているか否かを判定する。
　ステップＳ６０４において安定フラグがオンとなっている場合には、ステップＳ６０５において、重量決定部は、前回以前の前記安定フラグをオンにしたときの（例えば一つ前の演算における）重量成分ｍｔ（例えばｍｔ－１）を今回抽出した重量成分ｍｔと決定する。
　ステップＳ６０４において安定フラグがオフとなっている場合には、ステップＳ６０６において、重量決定部は、最新の抽出した重量成分ｍｔをそのまま重量成分と決定する。また、ステップＳ６０１において演算回数ｔが所定の回数(n)以下である場合には、重量決定部は、ステップＳ６０６に進み、最新の抽出した重量成分ｍｔをそのまま重量成分と決定する。
　なお、ステップＳ６０３において重量成分ｍｔを決定した場合には、プロセスノイズ共分散修正部１０６は、ステップＳ５０２において、ステップＳ５０１で求めた重量成分の標準偏差ｍσｔに基づいてプロセスノイズ共分散Ｑｔ－１を修正してもよい。
　ステップＳ６０３において標準偏差からステップＳ６０６において重量成分抽出部１０５が重量成分ｍｔを決定すると、プロセスノイズ共分散修正部１０６は、ステップＳ４０２において当該重量成分を用いてプロセスノイズ共分散Ｑｔ－１を修正し、修正されたプロセスノイズ共分散Ｑｔを演算する。図６のフローによれば、場合に応じて今回または前回以前の演算結果が適宜に利用されることから、このような状態量の推定は、十分に高い精度で迅速に車両の状態量を推定する観点から好適である。
　そして、図２のフローのステップＳ２１０において、推定量演算部１０４は、推定状態量ｘａｔおよび推定共分散Ｐｔをデータ格納部１０１に格納し、プロセスノイズ共分散修正部１０６は、修正したプロセスノイズ共分散Ｑｔをデータ格納部１０１に格納する。このように、推定状態量ｘａｔが演算回数ｔにおける状態量ｘａｔとして、推定共分散Ｐｔが演算回数ｔにおける状態共分散Ｐｔとして、また、修正されたプロセスノイズ共分散Ｑｔが演算回数ｔにおけるプロセスノイズ共分散Ｑｔとして、データ格納部１０１に書き込まれる。こうして、状態量、状態共分散およびプロセスノイズ共分散が、例えば所定の間隔で連続してデータ格納部１０１に書き込まれる。データ格納部１０１に書き込まれたこれらのデータは、演算回数が更新されると、新たな演算において前回の演算による結果として、新たな状態量の推定において上記のように用いられる。
　上記の一連の処理は、車両が、推定すべき状態量が変わり得る状態になった場合に、終了させてよい。当該処理は、当該状態量は車重成分を含むことから、車両の車重が変わり得る状態になった場合に終了させることができる。車両の車重が変わり得る場合の例には、車両が停止した場合、車両のドアが開閉された場合、および、車両の燃料供給口が開閉された場合、が含まれる。
　本実施形態に係る状態量推定装置は、車重を含む状態量の推定にカルマンフィルタを用いる。よって、推定の条件に応じて観測量を破棄する必要がなく、実質的に全ての、獲得した観測量を演算に用い、状態量の推定に利用することが可能である。よって、車両の状態量の推定値を迅速かつ十分に取得することが可能である。
　また、本実施形態に係る状態量推定装置では、プロセスノイズ共分散が修正される。たとえば、車両の車重は、種々のセンサ値に応じて推定する場合では、車両の走行状態に応じて変化することがある。しかしながら、車重の推定を所定の期間（例えば車両が走行し始めてから停止するまで等）ごとに行う場合では、車重は実質的に一定である。本実施形態では、プロセスノイズ共分散を修正することで、車両の走行状態に起因して車重を変化させるパラメータを実質的に無視することができ、車両の状態量の推定を安定して実行することが可能となる。よって、車両の状態量を十分に高い精度で迅速に推定することが可能である。
　本実施形態に係る状態量推定装置は、車重を含む状態量が推定される。当該状態量推定装置は、車両に用いられる制御装置であって、車重の推定値を用いる制御装置に適用できる。この場合、状態量推定装置は、重量成分を含む状態量を外部に出力する出力部をさらに有することが可能である。
　当該出力部は、車重を含む状態量を外部に出力可能な範囲において適宜に選ばれ得る。車重を出力する場合では、出力部は、重量成分ｍを抽出する重量成分抽出部であることが好ましい。このように状態量推定装置を、車重に基づいて車両を制御するための制御装置に適用する場合では、重量成分抽出部１０５は、抽出した重量成分ｍｔを車両の現在の重量として出力してもよい。この場合、車重の推定結果を車両の走行状態の制御に利用する観点から好適である。
　本実施形態に係る状態量推定装置は、前述したように、センサ値を破棄することなく車両の状態量の推定に用いることができ、かつ、プロセスノイズ共分散の修正によって、当該状態量の安定した推定が可能である。よって、状態量の推定値は、適度なロバスト性を有し、車両の走行開始後の短期間で適切な値に収束する。この推定値を用いて車両の走行状態を制御すると、車両の走行状態をより好適に制御することが可能となる。
　以下、本実施形態に係る状態量推定装置を車両における懸架装置のための制御装置に適用する態様を説明する。
　〔実施形態２〕
　本発明の他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。
　当該車両は、車両を走行させる各種装備の他、プロセッサ、センサ類、および記憶媒体を有する。当該プロセッサは、前述した予測量演算部、取得部、カルマンゲイン演算部、推定量演算部およびプロセスノイズ共分散修正部を含む。センサ類は、前述した前後Ｇセンサ、車輪軸トルクおよび車速センサを含む。記憶媒体は、前述したデータ格納部に対応しており、例えば磁気ディスクである。
　図７は、上記の状態量推定装置を有する車両の構成の一例を模式的に示す図である。図７に示されるように、車両９００は、懸架装置（サスペンション）１５０、車体２００、車輪３００、車速（Ｖ）を検出する車速センサ４５０、エンジン５００およびＥＣＵ（Electronic Control Unit）６００を備えている。ＥＣＵ６００は、前述したプロセッサに該当している。
　なお、符号中のアルファベットＡ～Ｅは、それぞれ、車両９００における位置を表している。Ａは、車両９００の左前の位置を表し、Ｂは、車両９００の右前の位置を表し、Ｃは、車両９００の左後ろを表し、Ｄは、車両９００の右後ろを表し、Ｅは、車両９００の後ろを表している。
　また、車両９００は、車両９００の前後方向の加速度（以下、「前後Ｇ」とも言う）を検出する前後Ｇセンサ３４０（前述の「Ｇｓｅｎｓ」を取得する）、および、エンジン５００が発生させるトルク（車輪トルク（τ））を推定する車輪トルクセンサ５１０を備えている。上記車輪トルクは、前述したように車両９００の車輪に掛けられているトルクであり、車両９００の駆動力に該当する。
　さらに、車両９００は、不図示の燃料タンク中の燃料（ガソリン）の量を検出するフューエルセンサ３６０、車両９００のそれぞれのドアの開閉を検出するドア開閉センサ５５０、および車両９００のギアの接続位置を検出するギアポジションセンサ５４０を備えている。なお、ドア開閉センサ５５０Ｅは、車両９００のトランクのドア（バックドア）の開閉を検出する。
　各種センサの出力値のＥＣＵ６００への供給、および、ＥＣＵ６００から各部への制御信号の伝達は、ＣＡＮ（Controller Area Network）３７０を介して行われる。各センサは、後述の状態量の推定のために新たに設けられてもよいが、コストの面から、車両９００に既存のセンサであることが好ましい。
　記憶媒体には、状態量の推定に要する種々の情報が記憶されている。当該情報の例には、車輪半径、Ｃｄ値（空気抵抗係数）、ならびに、状態量、状態共分散、状態標準偏差およびプロセスノイズの共分散の初期値、が含まれる。初期値は、テスト等により事前に決定された、初期値として適切な数値である。
　たとえば、車両９００の状態量として車重を推定する場合では、当該車重の初期値は、車両９００の仮の総重量であってよい。当該仮の総重量は、例えば、車両９００の乾燥重量と、車両への搭載物の総重量とまたはその見込み量との和であってもよい。また、仮の総重量は、例えば、車両９００の乾燥重量に、フューエルセンサ３６０が検出したガソリン残量を加算した値であってもよい。また、当該仮の総重量は、例えば、車両９００の乾燥重量に、ドア開閉センサ５５０が検出した、開いたフロアドアの数に人間一人分相当の重量を乗じた値と、ドア開閉センサ５５０がバックドアの開閉を検出した場合には所定の重量との和であってよい。また、当該仮の総重量は、車両９００におけるシートベルトの着用の有無をさらに参照した値であってもよい。シートベルトの着用を参照することにより、車両９００に搭乗している人間の数をより高い精度で把握される。搭乗者数の高い精度での把握は、例えば車両９００の重量の下限値の設定に有効であり、上記仮の総重量の信頼性をより一層高める観点から好ましい。
　車両９００の状態量の推定は、実施形態１で前述したように実施される。車両９００における状態量の推定プロセスは、基本的に所定の間隔で連続して行われる。状態量の推定値が安定する場合には、状態量の推定の間隔をより長い間隔で間欠的に行ってもよい。ＥＣＵ６００が推定した状態量は、当該状態量の推定値を必要とする車両９００の他の装置において、制御などの目的で使用される。他の装置は、推定状態量を推定量演算部から受け取ってもよいし、データ格納部から読み込んでもよい。
　たとえば、車重は、一般に、車両の重量と車載物の総重量とによって決まり、車載物の重量は、通常、走行中には実質的には変動しない。したがって、車両が走行し始めてから停止するまでの間、車重は実質的には一定と考えることが可能である。本実施形態では、前述した状態量推定装置によって車両の重量成分を含む状態量が推定されるため、車両が走行し始めると、観測量に基づいて車重の推定値が迅速に得られる。車重は、車重が変化し得るように車両の走行が中断するまで（交差点または目的地に到着することによる車両の停止、停止時におけるドアまたは燃料キャップの開閉、など）は、実質的に一定である。よって、このような走行時に車重の推定値を変化させる観測量および演算結果はプロセスのノイズと見なすことができる。よって、本実施形態におけるＣＰＵによれば、走行状態にある車両の車重は迅速かつ簡易に推定され、車重の推定を安定して実行することが可能となる。
　本実施形態において、車重が空の場合の重量（空虚重量）以下等、走行中の車両の車重として適切でない値が車重の推定値として算出された場合には、推定結果を破棄してもよい。また、前述したように、車両における車重の推定は、通常は連続して行われるが、十分に信頼可能な値を獲得している場合には、車重の推定値を破棄してもよいし、あるいは車重の推定を断続的（間欠的）に実行してもよい。
　前述した実施形態では、状態量推定装置における各種値を演算する前述の演算部または修正部は、算出した値をデータ格納部に書き込むが、本発明では、これらの値のデータのそれぞれをデータ書き込み部に書き込むための書き込み部をＣＰＵがさらに含んでいてもよい。
　上記の状態量推定装置による状態量の推定は、当該状態量が変化する可能性がある車両の状態に応じてリセットすることが可能である。たとえば、車両の車重を推定する場合では、車両のキーポジションがオフの位置となることや、ドアが開かれることによって、推定状態量の初期値をリセットし、状態量の推定を新たに開始してもよい。
　なお、上記の実施形態では、四輪自動車を例に説明したが、本発明において車両はそれに限定されない。たとえば、車両は、バイクであってもよく、また鉄道車両であってもよい。
　本実施形態では、前述したように、車両の走行開始から短時間で車重の安定した推定値を取得することが可能である。よって、車重の推定値に基づいて車両の走行状態を制御する場合に、当該制御をより安定して好適に実行することが可能である。
　〔実施形態３〕
　本実施形態は、ＣＰＵが前述した重量成分抽出部をさらに含む。それ以外は、本実施形態は、前述した実施形態２と同様である。
　本実施形態では、重量成分抽出部において車両の重量成分が抽出される。本実施形態によれば、車両における車重の推定値を用いる制御を、より高い精度でより迅速に実行することが可能となる。車重の推定値を必要とする車両の他の装置は、重量成分抽出部で決定された重量成分を車重の推定値として受け取ってもよい。重量成分抽出部は、決定した重量成分を推定車重としてデータ格納部にさらに書き込んでもよい。データ格納部への書き込みは、書き込み部を介して実行されてもよい。
　〔実施形態４〕
　本実施形態に係る状態量推定装置で推定された車重は、懸架装置１５０の制御に用いることができる。車両９００における懸架装置１５０の制御装置は、車両９００に作用する状態量を推定して、懸架装置１５０の減衰力を状態量に応じて制御するように構成される。本実施形は、本実施形態に係る状態量推定装置による状態量または車重の推定値を用いる以外は、車重の推定値に応じて懸架装置１５０の減衰力を制御する公知の方法によって実施することが可能である。
　懸架装置１５０は、例えば、車両における車体と車輪との間に介在するアブソーバと、アブソーバのストロークに伴い伸縮するように配置されているスプリングとを有する。アブソーバは、シリンダと、シリンダ内を二室に仕切るとともに摺動可能なピストンと、ピストンに固定されたピストンロッドと、二室を連通する連通路と、連通路を開閉自在なソレノイドバルブとを有している。ピストンで仕切られるいずれの室にも作動油が満たされている。スプリングは、ピストンロッドの外周を囲むように配置されており、シリンダの端部とピストンロッドの端部とで支持されている。ＥＣＵ６００は、車重の推定量に応じて、車重の推定量が大きい程、懸架装置１５０の減衰力を大きくするように、ソレノイドバルブの開度を調整させる。
　なお、懸架装置１５０の構造は限定されない。たとえば、懸架装置１５０におけるソレノイドの位置は限定されない。懸架装置１５０は、例えば、ピストンイン型であってもよいし、外筒接続型であってもよい。また、懸架装置１５０の種類は、特に限定されず、例えばストラット式であってもよいし、ダブルウィッシュボーン式であってもよい。このように種々の構造または種類の懸架装置を懸架装置１５０に採用することができる。また、懸架装置１５０における減衰力の調整方法も限定されず、上記のようにアブソーバにおける減衰力を調整する方法であってもよいし、上記スプリングのスプリングレートを可変させる(自動可変プリロード)方法であってもよいし、これらの両方であってもよい。
　本実施形態によれば、走行開始時に迅速に車両の状態量の安定した推定値が得られる。このように早期に安定して得られる、車重を含む当該状態量の推定値を用いて懸架装置を制御することから、車両の走行状態に応じた懸架装置の制御をより好適に実行することが可能となる。
　〔ソフトウェアによる実現例〕
　状態量推定装置の制御ブロック（特に予測量演算部１０２からプロセスノイズ共分散修正部１０６までの各部）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。
　後者の場合、状態量制御装置は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。
　〔まとめ〕
　以上の説明から明らかなように、本発明の実施の形態に係る状態量推定装置（ＥＣＵ６００）は、車両（９００）に作用する状態量、状態量の共分散である状態共分散、および、演算ノイズの共分散であるプロセスノイズ共分散、を格納するデータ格納部（１０１）と、状態量から予測状態量を演算し、状態共分散およびプロセスノイズ共分散から予測状態量の共分散である予測共分散を演算する予測量演算部（１０２）と、車両（９００）のセンサ値を取得する取得部（１０７）と、センサ値および予測共分散を用いてカルマンゲインを演算するカルマンゲイン演算部（１０３）と、カルマンゲイン、予測状態量およびセンサ値、からカルマンフィルタを用いて、推定状態量を演算し、カルマンゲイン、予測共分散およびセンサ値、からカルマンフィルタを用いて、推定共分散を演算する推定量演算部（１０４）と、推定状態量を用いてプロセスノイズ共分散を修正するプロセスノイズ共分散修正部（１０６）と、を備える。そして、推定状態量が状態量として、推定共分散が状態共分散として、修正されたプロセスノイズ共分散がプロセスノイズ共分散として、データ格納部（１０１）に書き込まれる。当該構成によれば、カルマンフィルタを用いて演算するため、観測量が条件に合わないものを含んでいる場合でも観測量を破棄する必要がない。よって、センサ類から求められた観測量を演算に利用することが可能である。また、プロセスノイズ共分散を修正するため、種々異なる推定環境においても安定して車両の状態量を精度よく、また迅速に推定することが可能である。
　上記の状態量推定装置は、推定状態量から車両の重量成分を抽出する、重量成分抽出部（１０５）をさらに備えてもよい。このような構成によれば、車重をより精密に推定することが可能である。
　また、上記の状態量推定装置において、重量成分抽出部（１０５）は、重量成分の平均と重量成分の標準偏差とを演算してもよい。このような構成によれば、車重を十分な精度で簡素に推定する観点からより効果的である。
　また、上記の状態量推定装置において、重量成分抽出部（１０５）は、初期状態をオフとする安定フラグと、推定状態量の演算回数、標準偏差の値、および、安定フラグのオンオフ、からなる群から選ばれる一以上を表す情報に応じて重量成分を決定する重量決定部とを含んでいてよい。そして、重量決定部は、推定状態量の演算回数が所定回数以下の場合には、最新の抽出した重量成分を抽出した重量成分と決定し、推定状態量の演算回数が所定回数を超え、かつ、標準偏差が所定の閾値以下の場合には、平均を抽出した重量成分と決定して安定フラグをオンにし、安定フラグがオンであるが、推定状態量の演算回数が所定回数を超え、かつ標準偏差が所定の閾値を超えている場合には、前回以前の安定フラグをオンにしたときの抽出した重量成分を抽出した重量成分と決定し、推定状態量の演算回数が所定回数を超え、標準偏差が所定の閾値を超え、かつ、安定フラグがオフの場合には、最新の抽出した重量成分を抽出した重量成分と決定してよい。このような構成によれば、車重を十分な精度で、また簡素かつ迅速に推定する観点からより一層効果的である。
　また、上記の状態量推定装置において、プロセスノイズ共分散修正部（１０６）は、重量成分抽出部（１０５）が抽出した重量成分を用いてプロセスノイズ共分散を修正してもよい。このような構成によれば、車重を十分な精度で簡素に推定する観点からより効果的である。
　また、上記の状態量推定装置において、プロセスノイズ共分散修正部（１０６）は、重量成分抽出部（１０５）が演算した標準偏差を用いてプロセスノイズ共分散を修正してもよい。このような構成によれば、車重を十分な精度で簡素に推定する観点からより一層効果的である。
　また、上記の状態量推定装置において、重量成分抽出部（１０５）は、抽出した重量成分を車両（９００）の現在の重量として出力してもよい。このような構成によれば、車重の推定結果を車両の走行状態の制御に利用する観点から好適である。
　また、本発明の実施の形態に係る制御装置は、懸架装置（１０５）を有する車両（９００）に作用する状態量を推定して、懸架装置（１５０）の減衰力を状態量に応じて制御する制御装置である。当該制御装置は、車両に作用する状態量、状態量の共分散である状態共分散、および、演算ノイズの共分散であるプロセスノイズ共分散を格納するデータ格納部（１０１）と、状態量から予測状態量を演算し、状態共分散およびプロセスノイズ共分散から予測状態量の共分散である予測共分散を演算する予測量演算部（１０２）と、車両のセンサ値を取得する取得部（１０７）と、センサ値および予測共分散を用いてカルマンゲインを演算するカルマンゲイン演算部（１０３）と、カルマンゲイン、予測状態量およびセンサ値、からカルマンフィルタを用いて、推定状態量を演算し、カルマンゲイン、予測共分散およびセンサ値、からカルマンフィルタを用いて、推定共分散を演算する推定量演算部（１０４）と、推定状態量を用いてプロセスノイズ共分散を修正し、するプロセスノイズ共分散修正部（１０６）とを備え、推定状態量が状態量として、推定共分散が状態共分散として、データ格納部（１０１）に書き込まれる。このような構成によれば、車重を含む状態量を十分な精度で迅速に推定することが可能であるため、車両のより快適な走行を実現するように車両の懸架装置を制御することが可能となる。
　また、本発明の実施の形態に係る状態量推定方法は、車両（９００）に作用する状態量、状態量の共分散である状態共分散、および、演算ノイズの共分散であるプロセスノイズ共分散、をデータ格納部に格納するステップと、状態量から予測状態量を演算し、状態共分散およびプロセスノイズ共分散から予測状態量の共分散である予測共分散を演算するステップと、車両（９００）のセンサ値を取得するステップと、センサ値および予測共分散を用いてカルマンゲインを演算するステップと、カルマンゲイン、予測状態量およびセンサ値、からカルマンフィルタを用いて、推定状態量を演算するステップと、カルマンゲイン、予測共分散およびセンサ値、からカルマンフィルタを用いて、推定共分散を演算するステップと、推定状態量を用いてプロセスノイズ共分散を修正するステップと、推定状態量を状態量とし、推定共分散を状態共分散として、データ格納部に書き込むステップとを含む。このような構成によれば、前述したように、センサ類から求められた観測量を演算に利用することが可能であり、また求めたい状態量に実質的には関係しないプロセスノイズ共分散の変動が求めたい状態量の推定に実質的に影響を及ぼすことを抑制することが可能である。よって、車両の状態量を精度よく、また迅速に推定することが可能である。
　本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、例えば、Ｕｎｓｃｅｎｔｅｄ　カルマンフィルタのような代替容易に考えられる、既知の技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。
　１００　状態量推定装置
　１０１　データ格納部
　１０２　予測量演算部
　１０３　カルマンゲイン演算部
　１０４　推定量演算部
　１０５　重量成分抽出部
　１０６　プロセスノイズ共分散修正部
　１０７　取得部
　１０８　センサ類
　１５０　懸架装置
　２００　車体
　３００　車輪
　３４０　前後Ｇセンサ
　３６０　フューエルセンサ
　４５０　車速センサ
　５００　エンジン
　５１０　車輪トルクセンサ
　５４０　ギアポジションセンサ
　５５０　ドア開閉センサ
　６００　ＥＣＵ（車重推定装置）
　９００　車両

Claims (9)

  1. 　車両に作用する状態量、前記状態量の共分散である状態共分散、および、演算ノイズの共分散であるプロセスノイズ共分散、を格納するデータ格納部と、
    　前記状態量から予測状態量を演算し、前記状態共分散および前記プロセスノイズ共分散から前記予測状態量の共分散である予測共分散を演算する予測量演算部と、
    　車両のセンサ値を取得する取得部と、
    　前記センサ値および前記予測共分散を用いてカルマンゲインを演算するカルマンゲイン演算部と、
    　前記カルマンゲイン、前記予測状態量および前記センサ値、からカルマンフィルタを用いて、推定状態量を演算し、前記カルマンゲイン、前記予測共分散および前記センサ値、からカルマンフィルタを用いて、推定共分散を演算する推定量演算部と、
    　前記推定状態量を用いて前記プロセスノイズ共分散を修正するプロセスノイズ共分散修正部と、を備え、
    　前記推定状態量が前記状態量として、前記推定共分散が前記状態共分散として、修正された前記プロセスノイズ共分散が前記プロセスノイズ共分散として、前記データ格納部に書き込まれる、状態量推定装置。
  2. 　前記推定状態量から前記車両の重量成分を抽出する、重量成分抽出部をさらに備える、請求項１に記載の状態量推定装置。
  3. 　前記重量成分抽出部は、前記重量成分の平均と、前記重量成分の標準偏差と、を演算する、請求項２に記載の状態量推定装置。
  4. 　前記重量成分抽出部は、
    　初期状態をオフとする安定フラグと、
    　前記推定状態量の演算回数、前記標準偏差の値、および、前記安定フラグのオンオフ、からなる群から選ばれる一以上を表す情報に応じて前記重量成分を決定する重量決定部と、
    を含み、
    　前記重量決定部は、
    　　前記推定状態量の演算回数が所定回数以下の場合には、最新の抽出した前記重量成分を抽出した前記重量成分と決定し、
    　　前記推定状態量の演算回数が前記所定回数を超え、かつ、前記標準偏差が所定の閾値未満の場合には、前記平均を抽出した前記重量成分と決定して前記安定フラグをオンにし、
    　　前記安定フラグがオンであるが、前記推定状態量の演算回数が前記所定回数を超え、かつ前記標準偏差が所定の閾値以上である場合には、前回以前の前記安定フラグをオンにしたときに抽出した前記重量成分を抽出した前記重量成分と決定し、
    　　前記推定状態量の演算回数が前記所定回数を超え、前記標準偏差が所定の閾値以上であり、かつ、前記安定フラグがオフの場合には、最新の抽出した前記重量成分を抽出した前記重量成分と決定する、
    請求項３に記載の状態量推定装置。
  5. 　前記プロセスノイズ共分散修正部は、前記重量成分抽出部が抽出した前記重量成分を用いて前記プロセスノイズ共分散を修正する、請求項２に記載の状態量推定装置。
  6. 　前記プロセスノイズ共分散修正部は、前記重量成分抽出部が演算した前記標準偏差を用いて前記プロセスノイズ共分散を修正する、請求項３または４に記載の状態量推定装置。
  7. 　前記重量成分抽出部は、抽出した前記重量成分を前記車両の現在の重量として出力する、請求項２～４のいずれか一項に記載の状態量推定装置。
  8. 　懸架装置を有する車両に作用する状態量を推定して、前記懸架装置の減衰力を前記状態量に応じて制御する制御装置であって、
    　　車両に作用する状態量、前記状態量の共分散である状態共分散、および、演算ノイズの共分散であるプロセスノイズ共分散、を格納するデータ格納部と、
    　　前記状態量から予測状態量を演算し、前記状態共分散および前記プロセスノイズ共分散から前記予測状態量の共分散である予測共分散を演算する予測量演算部と、
    　　車両のセンサ値を取得する取得部と、
    　　前記センサ値および前記予測共分散を用いてカルマンゲインを演算するカルマンゲイン演算部と、
    　　前記カルマンゲイン、前記予測状態量および前記センサ値、からカルマンフィルタを用いて、推定状態量を演算し、前記カルマンゲイン、前記予測共分散および前記センサ値、からカルマンフィルタを用いて、推定共分散を演算する推定量演算部と、
    　　前記推定状態量を用いて前記プロセスノイズ共分散を修正し、するプロセスノイズ共分散修正部と、を備え、
    　前記推定状態量が前記状態量として、前記推定共分散が前記状態共分散として、修正された前記プロセスノイズ共分散が前記プロセスノイズ共分散として、前記データ格納部に書き込まれる、制御装置。
  9. 　車両に作用する状態量、前記状態量の共分散である状態共分散、および、演算ノイズの共分散であるプロセスノイズ共分散、をデータ格納部に格納するステップと、
    　前記状態量から予測状態量を演算し、前記状態共分散および前記プロセスノイズ共分散から前記予測状態量の共分散である予測共分散を演算するステップと、
    　車両のセンサ値を取得するステップと、
    　前記センサ値および前記予測共分散を用いてカルマンゲインを演算するステップと、
    　前記カルマンゲイン、前記予測状態量および前記センサ値、からカルマンフィルタを用いて、推定状態量を演算するステップと、
    　前記カルマンゲイン、前記予測共分散および前記センサ値、からカルマンフィルタを用いて、推定共分散を演算するステップと、
    　前記推定状態量を用いて前記プロセスノイズ共分散を修正するステップと、
    　前記推定状態量を前記状態量とし、前記推定共分散を前記状態共分散として、修正された前記プロセスノイズ共分散を前記プロセスノイズ共分散として、前記データ格納部に書き込むステップと、
    を含む、状態量推定方法。
PCT/JP2019/020084 2018-10-18 2019-05-21 状態量推定装置、制御装置、および状態量推定方法 WO2020079876A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201980060166.3A CN112689745B (zh) 2018-10-18 2019-05-21 状态量推定装置、控制装置、及状态量推定方法
DE112019005231.4T DE112019005231B4 (de) 2018-10-18 2019-05-21 Zustandsgrössenschätzvorrichtung, steuerungsvorrichtung und zustandsgrössenschätzverfahren
US17/200,456 US20210201034A1 (en) 2018-10-18 2021-03-12 State quantity estimation device, control device, and state quantity estimation method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018197025A JP6581276B1 (ja) 2018-10-18 2018-10-18 状態量推定装置、制御装置、および状態量推定方法
JP2018-197025 2018-10-18

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/200,456 Continuation US20210201034A1 (en) 2018-10-18 2021-03-12 State quantity estimation device, control device, and state quantity estimation method

Publications (1)

Publication Number Publication Date
WO2020079876A1 true WO2020079876A1 (ja) 2020-04-23

Family

ID=68053494

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/020084 WO2020079876A1 (ja) 2018-10-18 2019-05-21 状態量推定装置、制御装置、および状態量推定方法

Country Status (5)

Country Link
US (1) US20210201034A1 (ja)
JP (1) JP6581276B1 (ja)
CN (1) CN112689745B (ja)
DE (1) DE112019005231B4 (ja)
WO (1) WO2020079876A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113758503B (zh) * 2021-08-12 2022-03-18 清华大学 一种过程参数估计方法、装置、电子设备及存储介质
US12036998B2 (en) 2022-10-04 2024-07-16 Geotab Inc. Systems and methods for determining an estimated weight of a vehicle

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS4926258B1 (ja) * 1969-12-27 1974-07-08

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE519792C2 (sv) 2001-08-17 2003-04-08 Volvo Lastvagnar Ab Metod för estimering av massan hos ett fordon vilket framförs på en väg med en varierande lutning samt metod för estimering av lutningen av den väg där ett fordon framförs
WO2003023334A1 (de) * 2001-09-06 2003-03-20 Siemens Aktiengesellschaft Verfahren und vorrichtung zum bestimmen einer fahrzeugmasse und einer fahrbahnsteigung durch einen rekursiven zustandsschätzalgorithmus
US7212155B2 (en) * 2004-05-07 2007-05-01 Navcom Technology, Inc. GPS navigation using successive differences of carrier-phase measurements
US7181323B1 (en) * 2004-10-25 2007-02-20 Lockheed Martin Corporation Computerized method for generating low-bias estimates of position of a vehicle from sensor data
JP4229141B2 (ja) * 2006-06-19 2009-02-25 トヨタ自動車株式会社 車両状態量推定装置及びその装置を用いた車両操舵制御装置
JP5089281B2 (ja) * 2007-07-26 2012-12-05 三菱電機株式会社 状態推定装置及び状態推定方法
US8630767B2 (en) 2007-12-03 2014-01-14 Nira Dynamics Ab Estimation of the load of a vehicle
JP5164645B2 (ja) * 2008-04-07 2013-03-21 アルパイン株式会社 カルマンフィルタ処理における繰り返し演算制御方法及び装置
JP5200998B2 (ja) * 2009-02-26 2013-06-05 日産自動車株式会社 車両用状態推定装置、車両用状態推定方法、車両用懸架制御装置および自動車
JP4926258B2 (ja) * 2010-03-03 2012-05-09 住友ゴム工業株式会社 車両質量推定装置、方法及びプログラム
JP5692044B2 (ja) * 2011-12-21 2015-04-01 トヨタ自動車株式会社 車両状態量推定装置、車両用操舵制御装置
JP5668701B2 (ja) * 2012-01-25 2015-02-12 株式会社アドヴィックス 車両質量推定装置
CN102627108B (zh) * 2012-04-11 2014-04-09 清华大学 一种基于高频信息提取的整车质量估算方法
US9222854B2 (en) * 2013-03-12 2015-12-29 The Goodyear Tire & Rubber Company Vehicle dynamic load estimation system and method
ITTO20130584A1 (it) * 2013-07-11 2015-01-12 Fiat Ricerche Stima della massa di un veicolo e della pendenza della strada
JP6248559B2 (ja) * 2013-11-13 2017-12-20 株式会社デンソー 車両用走行軌跡算出装置
US9725093B2 (en) * 2014-09-23 2017-08-08 Cummins Inc. Vehicle controls including dynamic vehicle mass and road grade estimation during vehicle operation
JP6677533B2 (ja) * 2016-03-01 2020-04-08 クラリオン株式会社 車載装置、及び、推定方法
JP6705972B2 (ja) * 2016-05-20 2020-06-03 サイトセンシング株式会社 姿勢推定装置、姿勢推定方法、制御プログラム、および記録媒体
FR3053492A1 (fr) 2016-06-30 2018-01-05 Compagnie Generale Des Etablissements Michelin Procede et dispositif de determination d'une estimation de la masse totale d'un vehicule automobile
CN106849801B (zh) * 2016-12-20 2019-08-27 江苏大学 一种无轴承异步电机转速估计方法
CN106840097B (zh) * 2017-01-24 2021-05-25 重庆大学 一种基于自适应扩展卡尔曼滤波的道路坡度估计方法
US10612961B2 (en) * 2017-12-20 2020-04-07 Gm Global Technology Operateons Llc Method for real-time mass estimation of a vehicle system
CN108128308B (zh) * 2017-12-27 2020-04-14 长沙理工大学 一种分布式驱动电动汽车的车辆状态估计系统及方法
FR3084170B1 (fr) * 2018-07-17 2020-07-17 Zodiac Aero Electric Procede de determination d'une matrice de covariance de bruit d'etat pour le reglage d'un observateur de l'etat de charge d'une batterie et dispositif correspondant

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS4926258B1 (ja) * 1969-12-27 1974-07-08

Also Published As

Publication number Publication date
CN112689745A (zh) 2021-04-20
DE112019005231T5 (de) 2021-07-01
JP2020064015A (ja) 2020-04-23
US20210201034A1 (en) 2021-07-01
DE112019005231B4 (de) 2024-05-02
JP6581276B1 (ja) 2019-09-25
CN112689745B (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
Han et al. Adaptive scheme for the real-time estimation of tire-road friction coefficient and vehicle velocity
Rajamani et al. Parameter and state estimation in vehicle roll dynamics
US8825286B2 (en) Method and device for determining a center of gravity of a motor vehicle
US8473154B2 (en) Vehicle control system and vehicle control method
JP5556523B2 (ja) 車両の制御装置
CN109941291B (zh) 车辆系统实时质量估计方法
JP5036601B2 (ja) 車両の減衰力制御装置
WO2020079876A1 (ja) 状態量推定装置、制御装置、および状態量推定方法
RU2764481C1 (ru) Способ и устройство управления транспортным средством
US7831344B2 (en) Vehicle driving force control device
CN110203194A (zh) 用于主动空气动力学平衡的方法和系统
CN114056026A (zh) 控制车辆悬架的设备和方法
JP2019190852A (ja) 車重推定装置および車重推定方法
US10807584B2 (en) Methods and systems for brake pad life determination
JP2020125964A (ja) 状態量推定装置、制御装置、および状態量推定方法
CN115768673A (zh) 用于检查目标运动轨迹是否适于车辆运动轨迹控制的方法
JP2013086632A (ja) 車両制御装置
CN111791895B (zh) 用于各种动力总成配置的架构和可重构轮胎力估计
JP2019025989A (ja) サスペンション制御システム
US20160272030A1 (en) Suspension controlling apparatus for vehicle
US9849747B2 (en) Method for reducing the risk of rollover of an automotive vehicle provided with a controllable suspension system
WO2019131310A1 (ja) 車両重量推定装置及び車両重量推定方法
JP2008044522A (ja) 車両の走行制御装置
JP4816509B2 (ja) 車両走行路判別装置
JP2024056545A (ja) 車重推定装置および減衰力調整式懸架装置

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: 19874218

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 19874218

Country of ref document: EP

Kind code of ref document: A1