WO2022168683A1 - 車両状態量推定装置 - Google Patents

車両状態量推定装置 Download PDF

Info

Publication number
WO2022168683A1
WO2022168683A1 PCT/JP2022/002726 JP2022002726W WO2022168683A1 WO 2022168683 A1 WO2022168683 A1 WO 2022168683A1 JP 2022002726 W JP2022002726 W JP 2022002726W WO 2022168683 A1 WO2022168683 A1 WO 2022168683A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
vehicle
acceleration
speed
neural network
Prior art date
Application number
PCT/JP2022/002726
Other languages
English (en)
French (fr)
Inventor
彰人 山本
Original Assignee
株式会社アイシン
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 株式会社アイシン filed Critical 株式会社アイシン
Priority to JP2022579471A priority Critical patent/JPWO2022168683A1/ja
Priority to CN202280012225.1A priority patent/CN116867657A/zh
Priority to EP22749557.9A priority patent/EP4289642A1/en
Priority to US18/036,300 priority patent/US20240001936A1/en
Publication of WO2022168683A1 publication Critical patent/WO2022168683A1/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
    • B60W40/107—Longitudinal acceleration
    • 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
    • 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
    • B60G17/06—Characteristics of dampers, e.g. mechanical dampers
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2202/00—Indexing codes relating to the type of spring, damper or actuator
    • B60G2202/40—Type of actuator
    • 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
    • B60G2400/05—Attitude
    • B60G2400/052—Angular rate
    • B60G2400/0523—Yaw rate
    • 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
    • B60G2400/102—Acceleration; Deceleration vertical
    • 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
    • B60G2400/104—Acceleration; Deceleration lateral or transversal with regard to vehicle
    • 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
    • B60G2400/202—Piston speed; Relative velocity between vehicle body and wheel
    • 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
    • B60G2400/20—Speed
    • B60G2400/208—Speed of wheel rotation
    • 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
    • B60G2400/40—Steering conditions
    • B60G2400/41—Steering angle
    • 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
    • B60G2600/1878—Neural Networks
    • 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
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/14—Yaw
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/28—Wheel 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/18—Steering angle

Definitions

  • the embodiment of the present invention relates to a vehicle state quantity estimation device.
  • the relative speed of the wheels with respect to the vehicle body in the vertical direction of the vehicle (so-called stroke speed) and the speed of the vehicle body in the vertical direction of the vehicle (so-called sprung speed) are estimated as the vehicle state, and the estimated relative speed and the speed of the vehicle body are estimated.
  • Techniques for controlling the damping force of suspension shock absorbers based on velocity are known.
  • a vehicle state quantity estimating apparatus includes a data acquisition unit that acquires first data that is data relating to a speed of a vehicle; Using a first neural network trained to estimate at least one of the relative speed of the wheels of the vehicle with respect to the body of the vehicle and the vehicle body speed, which is the speed of the vehicle body in the vertical direction, the data a vehicle state estimation unit that estimates at least one of the relative speed and the vehicle body speed according to the first data acquired by the acquisition unit;
  • the vehicle state estimating unit detects the relative speed of the wheels with respect to the vehicle body in the vertical direction of the vehicle and the speed of the vehicle body in the vertical direction of the vehicle in response to the input of the first data. At least one of the relative speed and the vehicle body speed is estimated according to the first data acquired by the data acquisition unit using the first neural network trained to estimate at least one of the speed and the speed. , the accuracy of estimating the vehicle state (at least one of the relative speed and the vehicle body speed) can be improved.
  • the first data is wheel speed data indicating the rotational speed of the wheels.
  • the vehicle state estimating unit calculates the relative speed of the wheels with respect to the vehicle body in the vertical direction of the vehicle and the vehicle body speed, which is the speed of the vehicle body in the vertical direction of the vehicle. At least one of the relative speed and the vehicle body speed is estimated according to the wheel speed data acquired by the data acquisition unit using the first neural network trained to estimate at least one of the vehicle It is possible to improve the accuracy of estimating the state (at least one of relative speed and vehicle body speed).
  • the data acquisition unit acquires yaw rate data indicating the yaw rate of the vehicle
  • the first neural network acquires the relative speed data according to the input of the wheel speed data and the yaw rate. Learning is performed to estimate at least one of the speed and the vehicle body speed, and the vehicle state estimation unit uses the first neural network to obtain the wheel speed data and At least one of the relative velocity and the vehicle body velocity is estimated according to the yaw rate data.
  • the vehicle includes a shock absorber interposed between the vehicle body and the wheel and capable of changing a damping force according to an input current
  • the data acquisition unit includes: Current value data indicating the value of the current is obtained, and the first neural network estimates at least one of the relative speed and the vehicle body speed in accordance with the input of the wheel speed data and the current value data.
  • the vehicle state estimation unit uses the first neural network to determine the relative speed and the vehicle body according to the wheel speed data and the current value data acquired by the data acquisition unit Estimate at least one of speed and speed.
  • the data acquisition unit acquires steering angle data indicating the steering angle of the vehicle
  • the first neural network inputs the wheel speed data and the steering angle data.
  • learning is performed so as to estimate at least one of the relative speed and the vehicle body speed according to the data obtained by the data obtaining unit
  • the vehicle state estimating unit uses the first neural network to obtain the At least one of the relative speed and the vehicle speed is estimated according to the wheel speed data and the steering angle data.
  • the first data is acceleration data indicating acceleration of the vehicle
  • the first neural network is trained to estimate the relative speed
  • the vehicle state estimation unit estimates the relative velocity according to the acceleration data acquired by the data acquisition unit using the first neural network.
  • the relative speed estimating unit is the first neural network trained so as to estimate the relative speed of the wheels of the vehicle with respect to the vehicle body in the vertical direction of the vehicle in accordance with the input of the acceleration data. is used to estimate the relative speed according to the acceleration data acquired by the data acquisition unit, so it is possible to improve the accuracy of estimating the relative speed of the wheels with respect to the vehicle body.
  • the data acquiring unit acquires yaw rate data indicating the yaw rate of the vehicle
  • the first neural network acquires the relative acceleration data according to the input of the acceleration data and the yaw rate data. Learning is performed to estimate speed, and the vehicle state estimation unit uses the first neural network to estimate the relative speed according to the acceleration data and the yaw rate data acquired by the data acquisition unit. to estimate
  • the vehicle includes a shock absorber interposed between the vehicle body and the wheel and capable of changing a damping force according to an input current
  • the data acquisition unit includes: Acquiring current value data indicating the value of the current
  • the first neural network performs learning so as to estimate the relative velocity in accordance with the inputs of the acceleration data and the current value data
  • the vehicle The state estimator uses the first neural network to estimate the relative velocity according to the acceleration data and the current value data acquired by the data acquisition section.
  • the data acquisition unit acquires steering angle data indicating the steering angle of the vehicle
  • the first neural network receives the acceleration data and the steering angle data.
  • the vehicle state estimation unit uses the first neural network to estimate the relative velocity according to the acceleration data and the steering angle data acquired by the data acquisition unit. estimating the relative velocity.
  • the data acquisition unit acquires wheel speed data indicating the rotational speed of the wheels
  • the first neural network receives the acceleration data and the wheel speed data.
  • the vehicle state estimation unit uses the first neural network to estimate the relative speed according to the acceleration data and the wheel speed data acquired by the data acquisition unit. estimating the relative velocity.
  • the data acquisition unit obtains data from acceleration sensors provided only for some of a plurality of acceleration detection target locations at different positions in the vehicle. and an acquisition unit that acquires actual acceleration data indicating actual acceleration that is the acceleration of each Using a second neural network trained to estimate the actual acceleration of the acceleration detection target location detected by the acceleration sensor, the acceleration detection target location of the plurality of acceleration detection target locations according to the input of the actual acceleration data. and an estimating unit that estimates all the actual accelerations.
  • the first neural network is LSTM (Long Short Term Memory).
  • a vehicle state quantity estimating apparatus detects an actual acceleration at a target acceleration detection point from acceleration sensors provided only for some of a plurality of acceleration detection target points at different positions in a vehicle. and an acquisition unit that acquires actual acceleration data indicating the actual acceleration, and each of the accelerations when the acceleration sensors are provided for all of the plurality of acceleration detection target locations according to the input of the actual acceleration data.
  • FIG. 1 is a schematic diagram showing a schematic configuration of an example of a vehicle according to a first embodiment
  • FIG. FIG. 2 is a schematic diagram showing a schematic configuration of one example of the suspension system in the vehicle according to the first embodiment.
  • FIG. 3 is an exemplary functional block diagram of a control device of the vehicle according to the first embodiment;
  • FIG. 4 is an exemplary and schematic block diagram showing the configuration of the vehicle state estimation network according to the first embodiment.
  • FIG. 5 is an exemplary schematic block diagram showing an example of the configuration of an encoder unit of the vehicle state estimation network according to the first embodiment;
  • FIG. 6 is an exemplary schematic block diagram showing an example of the configuration of a decoder unit of the vehicle state estimation network according to the first embodiment;
  • FIG. 7 is an exemplary schematic block diagram showing an example of the configuration of the LSTM block of the vehicle state estimation network according to the first embodiment.
  • 8 is a flowchart showing an example of a vehicle state estimation method executed by the control device according to the first embodiment;
  • FIG. 9 is an exemplary schematic diagram showing an example of a stroke speed estimation result by the technique according to the first embodiment.
  • FIG. 10 is a schematic diagram showing a schematic configuration of an example of the vehicle according to the second embodiment.
  • FIG. 11 is an exemplary functional block diagram of a control device for a vehicle according to a second embodiment;
  • FIG. 12 is an exemplary schematic block diagram showing the configuration of a stroke speed estimation network according to the second embodiment.
  • FIG. 13 is a flowchart showing an example of a relative speed estimation method executed by the control device according to the second embodiment;
  • FIG. 14 is an exemplary and schematic diagram showing an example of stroke speed estimation results by the technique according to the second embodiment.
  • FIG. 15 is an exemplary and schematic diagram showing an example of a stroke speed estimation result according to a technique according to a comparative example.
  • FIG. 16 is an exemplary and schematic diagram showing an example of a stroke speed estimation error according to the technique according to the second embodiment.
  • FIG. 17 is an exemplary and schematic diagram showing an example of a stroke speed estimation error according to the technique according to the second embodiment.
  • FIG. 18 is a schematic diagram showing an example schematic configuration of a vehicle according to a third embodiment.
  • FIG. 19 is an exemplary functional block diagram of a control device for a vehicle according to a third embodiment
  • FIG. 20 is an exemplary schematic block diagram showing configurations of a stroke speed estimation network and a sprung acceleration estimation network according to the third embodiment.
  • FIG. 21 is an exemplary and schematic diagram showing an example of the estimation result of the sprung acceleration by the technique according to the third embodiment.
  • FIG. 22 is an exemplary and schematic diagram showing an example of an estimation result of the sprung mass acceleration by the technology according to the comparative example.
  • FIG. 1 is a schematic diagram showing a schematic configuration of an example of a vehicle 1 according to the first embodiment.
  • the vehicle 1 may be, for example, an automobile (internal combustion engine automobile) using an internal combustion engine (engine, not shown) as a drive source, or an electric motor (motor, not shown) as a drive source. It may be a vehicle (electric vehicle, fuel cell vehicle, etc.) that uses both of them as a driving source (hybrid vehicle).
  • the vehicle 1 can be equipped with various transmissions, and can be equipped with various devices (systems, parts, etc.) necessary for driving the internal combustion engine and the electric motor. Further, the system, number, layout, etc.
  • the vehicle 1 is a four-wheeled vehicle (four-wheeled vehicle) and has two left and right front wheels 3F and two left and right rear wheels 3R.
  • the front (direction Fr) in the longitudinal direction of the vehicle is the left side.
  • the vehicle control system 100 of the vehicle 1 includes a control device 10, a steering device 11, a steering angle sensor 12, a yaw rate sensor 13, a braking system 61, and the like. Further, the vehicle control system 100 includes a suspension device 4, a rotation sensor 5, a braking device 6, etc. corresponding to each of the two front wheels 3F, and a suspension device corresponding to each of the two rear wheels 3R. 4, a rotation sensor 5 and the like are provided.
  • the vehicle 1 includes basic components of the vehicle 1 other than those shown in FIG. 1, only the configuration related to the vehicle control system 100 and the control related to the configuration will be described here.
  • the wheels 3 are used as a general term for the two front wheels 3F and the two rear wheels 3R.
  • the relative speed of the wheels 3 of the vehicle 1 with respect to the vehicle body 2 of the vehicle 1 is also referred to as stroke speed, and the portion of the vehicle 1 on the vehicle body 2 side with respect to the suspension system 4 is also referred to as sprung mass. The part of the vehicle 1 on the side is also called unsprung. Also, unless otherwise specified in the following description, the relative speed is the relative speed of the wheels 3 with respect to the vehicle body 2 in the vertical direction of the vehicle 1 .
  • the control device 10 receives signals, data, etc. from each part of the vehicle control system 100, and also controls each part of the vehicle control system 100 and executes various calculations.
  • the control device 10 is an example of a vehicle state quantity estimation device.
  • the control device 10 is configured as a computer, and includes an arithmetic processing unit (microcomputer, ECU (Electronic Control Unit), etc., not shown) and a storage unit 10d (eg, ROM (Read Only Memory), RAM (Random Access Memory), flash memory), etc., see Fig. 3), etc.
  • the arithmetic processing unit reads out a program stored (installed) in a non-volatile storage unit 10d (eg, ROM, flash memory, etc.), executes arithmetic processing according to the program, and executes each unit shown in FIG. can function (operate) as
  • the storage unit 10d can also store data (tables (data groups), functions, etc.) used in various calculations related to control, calculation results (including values in the middle of calculation), and the like.
  • a vehicle state estimation network 121 is stored in the storage unit 10d. Details of the vehicle state estimation network 121 will be described later.
  • the steering device 11 includes, for example, a steering wheel, and steers (steers) the two front wheels 3F.
  • the steering angle sensor 12 detects the steering angle (steering angle, turning angle, turning angle) of the front wheels 3F and outputs steering angle data indicating the detected steering angle.
  • the yaw rate sensor 13 detects the yaw rate of the vehicle 1 (body 2) and outputs yaw rate information indicating the detected yaw rate.
  • FIG. 2 is a schematic diagram showing a schematic configuration of one example of the suspension system 4 in the vehicle according to the first embodiment.
  • the suspension device 4 is interposed between the wheels 3 and the vehicle body 2 to suppress transmission of vibrations and impacts from the road surface to the vehicle body.
  • the suspension device 4 has a coil spring 4a and a shock absorber 4b.
  • the shock absorber 4b can electrically control (adjust) the damping force (damping characteristic).
  • the shock absorber 4b has an actuator 4bb that operates based on the input current.
  • the actuator 4bb can change the degree of opening of an orifice provided in the piston of the shock absorber 4b, or change the degree of opening between the valve body and the valve seat.
  • the damping force of the shock absorber 4b is adjusted by controlling the amount of lubricating oil flowing between the two oil chambers partitioned by the piston in the shock absorber 4b.
  • the suspension device 4 is provided for each of the four wheels 3 (two front wheels 3F and two rear wheels 3R), and the control device 10 can control the damping force of each of the four wheels 3.
  • the control device 10 can control the four wheels 3 to have different damping forces.
  • the shock absorber 4b is also called a damper.
  • the rotation sensor 5 can output a signal corresponding to the rotation speed (angular velocity, rotation speed, rotation state) of each of the four wheels 3 .
  • the control device 10 can calculate the speed of the vehicle 1 from the detection result of the rotation sensor 5 .
  • a rotation sensor (not shown) for detecting rotation of a crankshaft, an axle, or the like may be provided. A velocity of 1 may be obtained.
  • vehicle control system 100 described above is merely an example, and can be implemented with various modifications.
  • Well-known devices can be used as individual devices that configure vehicle control system 100 .
  • each configuration of the vehicle control system 100 can be shared with other configurations.
  • control device 10 includes a data acquisition unit 10a, a vehicle state estimation unit 10b, an attenuation It can function (operate) as the control unit 10c or the like.
  • the program can include, for example, a module corresponding to each block except for the storage unit 10d shown in FIG.
  • the data acquisition unit 10 a acquires wheel speed data indicating the rotational speed of the wheels 3 from each rotation sensor 5 .
  • the data acquisition unit 10 a also acquires yaw rate data indicating the yaw rate of the vehicle 1 from the yaw rate sensor 13 .
  • the data acquisition unit 10a also acquires current value data indicating the value of the current input to the shock absorber 4b from the attenuation control unit 10c.
  • the data acquisition unit 10 a also acquires steering angle data indicating the steering angle of the vehicle 1 from the steering angle sensor 12 .
  • the vehicle state estimation unit 10b receives predetermined data (hereinafter also referred to as input data) acquired by the data acquisition unit 10a.
  • the vehicle state estimation unit 10b uses the vehicle state estimation network 121 to estimate the relative speed according to the input data.
  • the input data includes at least wheel speed data.
  • the input data may include at least one of yaw rate data, current value data, and steering angle data.
  • Input data is not limited to the above.
  • Wheel speed data is an example of the first data.
  • the vehicle state estimation network 121 calculates the relative speed of the wheels 3 of the vehicle 1 with respect to the vehicle body 2 of the vehicle 1 in the vertical direction of the vehicle 1 and the vehicle body speed, which is the speed of the vehicle body 2 in the vertical direction of the vehicle 1, according to the input of the input data. and at least one (as an example, both) is configured as a recurrent neural network (RNN) trained in advance.
  • RNN recurrent neural network
  • the input data is the above-described input data acquired by the data acquisition unit 10a, and the output data as teacher data is measured by, for example, a relative speed sensor (not shown).
  • the vehicle state estimation network 121 may be configured as a recurrent neural network (RNN) trained in advance so as to estimate either the relative velocity or the vehicle body velocity.
  • RNN recurrent neural network
  • FIG. 4 is an exemplary and schematic block diagram showing the configuration of the vehicle state estimation network 121 according to the first embodiment.
  • FIG. 5 is an exemplary and schematic block diagram showing an example of the configuration of the encoder section 121a of the vehicle state estimation network 121 according to the first embodiment.
  • FIG. 6 is an exemplary and schematic block diagram showing an example of the configuration of the decoder section 121b of the vehicle state estimation network 121 according to the first embodiment.
  • FIG. 7 is an exemplary and schematic block diagram showing an example of the configuration of the LSTM block of the vehicle state estimation network 121 according to the first embodiment.
  • the vehicle state estimation network 121 is configured as a Seq2Seq (Sequence to Sequence) model. More specifically, the vehicle state estimation network 121 includes an encoder unit 121a that receives an input of input data and performs encoding processing, and performs decoding processing based on the result of the encoding performed by the encoder unit 121a. (hereinafter also referred to as output data).
  • Seq2Seq Sequence to Sequence
  • the vehicle state estimation network 121 receives input of time-series data such as the above - described input data x 1 , x 2 , x 3 , x 4 , x 5 , . It is pre-trained by machine learning so as to output time-series data indicating output for each time such as y 2 , y 3 , y 4 , y 5 , .
  • the encoder unit 121a is configured based on LSTM (Long short-term memory). That is, the encoder section 121a is configured using a plurality (for example, N) of LSTM blocks B 11 , B 12 , . . . B 1N . LSTM blocks B 11 , B 12 , . . . B 1N may be collectively referred to as LSTM block B 1 hereinafter.
  • the structure of each LSTM block B 11 , B 12 , . . . B 1N is a general structure with an input gate, an output gate and a forget gate. As an example, as shown in FIG.
  • the LSTM block B 1 includes matrix multiplication units 201a and 201b, addition units 201c, 201d and 201k, multiplication units 201j and 201p, a slice unit 201e, a sigmoid function unit 201f, 201h, 201i and tanh portion 201g. Calculations are performed by these units.
  • the addition units 201c, 201d, 201k and the multiplication units 201j, 201p are computations (Hadamard computations) for each matrix element. Note that Wh in FIG. 7 is the weight given to the hidden layer, and Wx is the weight given to the input value.
  • the LSTM block B 11 receives the input data x 1 and passes the data h 1 indicating the output corresponding to the input and the data c 1 indicating the memory cell to the next LSTM block B 12 .
  • the blocks after the LSTM block B12 operate in the same manner, and the N -th LSTM block B1N receives the input of the data xN, and receives the data hN indicating the output according to the input and the data c indicating the memory cell. N and are transferred to the outside of the encoder section 121a (that is, the decoder section 121b).
  • the decoder section 121b is also configured based on the LSTM, like the encoder section 121a described above. That is, the decoder section 121b is also configured using a plurality (for example, N) of LSTM blocks B 21 , B 22 , . . . B 2N . The configuration of each of the LSTM blocks B 21 , B 22 , . be.
  • the decoder unit 121b includes a plurality of ( eg, N ) transform layers L1, L2, . . . LN corresponding to the LSTM blocks B21 , B22, . there is These transform layers L 1 , L 2 , . . . , L N convert data H 1 , H 2 . Convert to output data y 1 , y 2 , . . . y N .
  • output data y (data H).times.(weight W)+(bias b). Weight W and bias b are obtained by machine learning.
  • the LSTM block B 21 receives the input of the data hN and cN from the encoder unit 121a, transfers the data H 1 indicating the output corresponding to the input to the conversion layer L 1 , and stores the data H 1 and Data C 1 indicating the cell and , are passed to the next LSTM block B 22 .
  • the blocks after LSTM block B 22 operate similarly, and the N -th LSTM block B 2N passes data HN indicating an output according to the input to the transformation layer LN .
  • the vehicle state estimation network 121 is configured based on a recurrent neural network configured by a Seq2Seq model based on LSTM. More specifically, in the embodiment, LSTM blocks B 11 , B 12 , . 21 , B 22 , . . . B 2N and transformation layers L 1 , L 2 , . . Vehicle state estimation network 121 is not limited to the above.
  • the vehicle state estimation network 121 may perform Attention, RNN, bidirectional LSTM, skip connection, Transformer, etc. in addition to the above.
  • the damping control section 10c controls the damping force of the shock absorber 4b based on at least one of the relative speed and the vehicle body speed (both as an example) estimated by the vehicle state estimating section 10b. Specifically, attenuation control unit 10c determines a current value to be input to shock absorber 4b, and inputs the current value to shock absorber 4b.
  • FIG. 8 is a flowchart showing an example of a vehicle state estimation method executed by the control device 10 according to the first embodiment.
  • FIG. 8 shows an example in which wheel speed data is applied as input data, input data is not limited to this.
  • the data acquisition unit 10a acquires wheel speed data (S1).
  • the vehicle state estimating unit 10b determines at least one of the relative speed (stroke speed and vehicle body speed) based on the wheel speed data acquired by the data acquiring unit 10a and the vehicle state estimation network 121 (as an example, both ) is estimated (S2).
  • FIG. 9 is an exemplary and schematic diagram showing an example of stroke speed estimation results by the technique according to the first embodiment.
  • FIG. 9 shows the stroke speed (estimated value) estimated by the technique of the present embodiment and the actually measured stroke speed (true value).
  • it is possible to estimate the stroke speed of a waveform of 10 Hz or more, which is effective for controlling the damping force of the shock absorber 4b.
  • control device 10 controls the shock absorber 4b as follows. That is, the control device 10 controls the damping force of the shock absorber 4b based on the relative speed and vehicle speed (sprung speed) estimated using the vehicle state estimation network 121. FIG. More specifically, the control device 10 performs known ride comfort control such as skyhook control based on the vehicle body speed to obtain the target damping force. Then, the control device 10 calculates the target damping coefficient of the shock absorber 4b based on the relative speed estimated using the vehicle state estimation network 121 and the target damping force. Next, the controller 10 inputs a current corresponding to the target damping coefficient to the shock absorber 4b.
  • the control device 10 (vehicle state quantity estimating device) includes the data acquisition unit 10a and the vehicle state estimating unit 10b (vehicle state estimating unit).
  • the data acquisition unit 10 a acquires wheel speed data indicating the rotation speed of the wheels 3 of the vehicle 1 .
  • the vehicle state estimating unit 10b calculates the relative speed of the wheels 3 of the vehicle 1 with respect to the vehicle body 2 of the vehicle 1 in the vertical direction of the vehicle 1 and the speed of the vehicle body 2 in the vertical direction of the vehicle 1 according to the input of the wheel speed data.
  • vehicle state estimation network 121 neural network that has been trained to estimate at least one of the vehicle speed and the relative speed (stroke speed) according to the wheel speed data acquired by the data acquisition unit 10a and the vehicle body Estimate at least one of speed and speed.
  • the vehicle state estimation unit 10b calculates the relative speed of the wheels 3 of the vehicle 1 with respect to the vehicle body 2 of the vehicle 1 in the vertical direction of the vehicle 1 and the speed of the vehicle body 2 according to the input of the wheel speed data.
  • Relative speed (stroke speed) according to the wheel speed data acquired by the data acquisition unit 10a using a vehicle state estimation network 121 (neural network) that has been trained to estimate at least one of the vehicle body speed and the vehicle body speed, it is possible to improve the accuracy of estimating the vehicle state (at least one of the relative speed and the vehicle body speed).
  • the vehicle state estimation network 121 learns by considering an input data input delay (time lag) due to a communication delay as a feature during learning.
  • the vehicle state estimation network 121 for example, it is not necessary to delete part of the input data using a filter or the like in order to suppress the influence of communication delay in estimating the vehicle state. Therefore, the vehicle state estimation network 121 can estimate the vehicle state even at time intervals corresponding to the unsprung resonance frequency.
  • the vehicle state estimation network 121 is an LSTM.
  • the data acquisition unit 10a acquires yaw rate data indicating the yaw rate of the vehicle 1.
  • the vehicle state estimation network 121 performs learning so as to estimate at least one of the relative speed and the vehicle body speed according to the input of the wheel speed data and the yaw rate data.
  • the vehicle state estimation unit 10b uses the vehicle state estimation network 121 to estimate at least one of the relative speed and the vehicle body speed according to the wheel speed data and the yaw rate data acquired by the data acquisition unit 10a.
  • the vehicle 1 is provided with a shock absorber 4b interposed between the vehicle body 2 and the wheels 3 and capable of changing the damping force according to the input current.
  • the data acquisition unit 10a acquires current value data indicating a value of current.
  • the vehicle state estimation network 121 performs learning so as to estimate at least one of the relative speed and the vehicle body speed according to the input of the wheel speed data and the current value data.
  • the vehicle state estimation unit 10b uses the vehicle state estimation network 121 to estimate at least one of the relative speed and the vehicle body speed according to the wheel speed data and the current value data acquired by the data acquisition unit 10a.
  • the data acquisition unit 10a acquires steering angle data indicating the steering angle of the vehicle 1.
  • the vehicle state estimation network 121 performs learning so as to estimate at least one of the relative speed and the vehicle body speed according to the input of the wheel speed data and the steering angle data.
  • the vehicle state estimation unit 10b uses the vehicle state estimation network 121 to estimate at least one of the relative speed and the vehicle body speed according to the wheel speed data and the steering angle data acquired by the data acquisition unit 10a.
  • FIG. 10 is a schematic diagram showing a schematic configuration of an example of the vehicle 1 according to the second embodiment. This embodiment differs from the first embodiment in that an acceleration sensor 6 is provided and in the processing executed by the control device 10 .
  • the vehicle control system 100 of the vehicle 1 includes a control device 10, a steering device 11, a steering angle sensor 12, a yaw rate sensor 13, a braking system 61, and the like. Further, the vehicle control system 100 includes a suspension device 4, a rotation sensor 5, an acceleration sensor 6, etc. corresponding to each of the two front wheels 3F, and a suspension device corresponding to each of the two rear wheels 3R. 4, a rotation sensor 5, an acceleration sensor 6, and the like.
  • Acceleration sensors 6 are provided corresponding to each of the two front wheels 3F and the two rear wheels 3R. That is, the acceleration sensors 6 are provided on the vehicle body 2 so as to correspond to the four wheels 3 and the suspension system 4, respectively.
  • the acceleration sensor 6 detects acceleration of the vehicle body 2 of the vehicle 1 . More specifically, each acceleration sensor 6 is provided at an acceleration detection target location located directly above each wheel 3 in the vehicle body 2 (a position directly above the wheel). That is, in this embodiment, there are four acceleration sensing target locations.
  • the acceleration sensor 6 detects acceleration in the vertical direction of the vehicle 1, acceleration in the front-rear direction (longitudinal direction) of the vehicle 1, direction) can be obtained.
  • control device 10 includes a data acquisition unit 10a, a stroke speed estimation unit 10bA, an attenuation It can function (operate) as the control unit 10c or the like.
  • the program can include, for example, a module corresponding to each block except for the storage unit 10d shown in FIG.
  • the data acquisition unit 10 a acquires acceleration data indicating the acceleration of the vehicle 1 from each acceleration sensor 6 .
  • the acceleration of the vehicle 1 may be acceleration in any direction.
  • the acceleration of the vehicle 1 may be acceleration in a plurality of directions. That is, the acceleration of the vehicle 1 may be one or more of acceleration in the longitudinal direction of the vehicle 1 , acceleration in the lateral direction of the vehicle 1 , and acceleration in the vertical direction of the vehicle 1 .
  • the data acquisition unit 10 a also acquires yaw rate data indicating the yaw rate of the vehicle 1 from the yaw rate sensor 13 .
  • the data acquisition unit 10a also acquires current value data indicating the value of the current input to the shock absorber 4b from the attenuation control unit 10c.
  • the data acquisition unit 10 a also acquires steering angle data indicating the steering angle of the vehicle 1 from the steering angle sensor 12 .
  • the data acquisition unit 10 a also acquires wheel speed data indicating the rotational speed of the wheels 3 from the rotation sensor 5 .
  • Acceleration data is an example of first data that is data relating to the speed of the vehicle 1 .
  • the stroke speed estimating unit 10bA receives predetermined data (hereinafter also referred to as input data) acquired by the data acquiring unit 10a.
  • Stroke speed estimator 10bA estimates relative speed according to input data using stroke speed estimation network 121A.
  • the input data includes at least acceleration data.
  • the input data may include at least one of yaw rate data, current value data, steering angle data, and wheel speed data. Input data is not limited to the above.
  • the stroke speed estimation network 121A is a recurrent neural network (RNN) trained in advance so as to estimate the relative speed of the wheels 3 of the vehicle 1 with respect to the vehicle body 2 of the vehicle 1 in the vertical direction of the vehicle 1 according to the input of input data. configured as During learning of the stroke speed estimation network 121A, the input data is the above-described input data acquired by the data acquisition unit 10a, and the output data as teacher data is measured by, for example, a relative speed sensor (not shown). It is a measured value (true value) of the relative speed of the wheels 3 of the vehicle 1 with respect to the vehicle body 2 of the vehicle 1 .
  • Stroke speed estimation network 121A is an example of a first neural network.
  • FIG. 12 is an exemplary and schematic block diagram showing the configuration of a stroke speed estimation network 121A according to the second embodiment.
  • the stroke speed estimation network 121A is configured as a Seq2Seq (Sequence to Sequence) model. More specifically, the stroke speed estimation network 121A has the same configuration as the vehicle state estimation network 121 of the first embodiment, ie, an encoder section 121a and a decoder section 121b.
  • the damping control section 10c controls the damping force of the shock absorber 4b based on the relative speed estimated by the stroke speed estimating section 10bA. Specifically, attenuation control unit 10c determines a current value to be input to shock absorber 4b, and inputs the current value to shock absorber 4b.
  • FIG. 13 is a flowchart showing an example of the relative speed estimation method executed by the control device 10 according to the second embodiment.
  • FIG. 13 shows an example in which acceleration data is applied as input data, input data is not limited to this.
  • the data acquisition unit 10a acquires acceleration data (S11).
  • the stroke speed estimation unit 10bA estimates the stroke speed, which is the relative speed, based on the acceleration data acquired by the data acquisition unit 10a and the stroke speed estimation network 121A (S12).
  • FIG. 14 is an exemplary and schematic diagram showing an example of stroke speed estimation results by the technique according to the second embodiment.
  • FIG. 14 shows the stroke speed (estimated value) estimated by the technique of the present embodiment and the actually measured stroke speed (true value).
  • FIG. 15 is an exemplary and schematic diagram showing an example of stroke speed estimation results by the technique according to the comparative example.
  • FIG. 15 shows the stroke speed (estimated value) estimated by the technique of the comparative example and the actually measured stroke speed (true value).
  • the technique of the comparative example estimates stroke speed based on the created equation of motion. As can be seen from FIGS. 14 and 15, the technique of the present embodiment has a smaller error between the estimated stroke speed and the actually measured stroke speed than the technique of the comparative example.
  • FIG. 16 is an exemplary and schematic diagram showing an example of the stroke speed estimation error by the technique according to the second embodiment.
  • the horizontal axis in FIG. 16 indicates the number of times of learning, and the vertical axis in FIG. 16 indicates the estimation error from the true value of the relative velocity.
  • a line Q1 in FIG. 16 indicates an estimation error when a vertical acceleration corresponding to one wheel 3 is input.
  • a line Q2 in FIG. 16 indicates an estimation error when vertical accelerations corresponding to the four wheels 3 are input.
  • a line Q4 in FIG. 16 indicates an estimation error when vertical accelerations corresponding to four wheels 3 and longitudinal and lateral accelerations corresponding to one wheel 3 are input. Note that the acceleration in the example of FIG. 16 is an example, and the input acceleration is not limited to this.
  • FIG. 17 is an exemplary and schematic diagram showing an example of the stroke speed estimation error by the technique according to the second embodiment.
  • FIG. 17 shows the estimation error of the stroke speed corresponding to one wheel (the front wheel as an example).
  • the horizontal axis of FIG. 17 indicates the number of times of learning, and the vertical axis of FIG. 17 indicates the estimation error from the true value of the relative velocity.
  • a line Q5 in FIG. 17 indicates an estimation error when a vertical acceleration corresponding to one wheel 3 is input.
  • a line Q6 in FIG. 17 indicates an estimation error when the vertical acceleration corresponding to one wheel 3 and the current value input to the shock absorber 4b of one wheel 3 are input.
  • a line Q7 in FIG. 17 indicates an estimation error when the vertical accelerations corresponding to the four wheels 3 and the current values input to the shock absorbers 4b of the four wheels 3 are input.
  • the acceleration in the example of FIG. 17 is an example, and the input acceleration is not limited to this.
  • the control device 10 controls the shock absorber 4b as follows. That is, the control device 10 controls the damping force of the shock absorber 4b based on the relative speed estimated using the stroke speed estimation network 121A. More specifically, the control device 10 integrates the acceleration data from the acceleration sensor 6 to calculate the speed of the vehicle body 2 (hereinafter also referred to as sprung speed). Next, based on the speed of the vehicle body 2, known ride comfort control such as skyhook control is performed to obtain the target damping force. Then, the control device 10 calculates the target damping coefficient of the shock absorber 4b based on the relative speed estimated using the stroke speed estimation network 121A and the target damping force. Next, the controller 10 inputs a current corresponding to the target damping coefficient to the shock absorber 4b.
  • the control device 10 vehicle state quantity estimating device
  • the control device 10 includes the data acquisition unit 10a and the stroke speed estimating unit 10bA (relative speed estimating unit, vehicle state estimating unit).
  • the data acquisition unit 10 a acquires acceleration data indicating the acceleration of the vehicle 1 .
  • the stroke speed estimation unit 10bA uses a stroke speed estimation network 121A (first 1 neural network) is used to estimate the relative velocity (stroke velocity) according to the acceleration data acquired by the data acquisition unit 10a.
  • the stroke speed estimator 10bA performs learning so as to estimate the relative speed of the wheels 3 of the vehicle 1 with respect to the vehicle body 2 of the vehicle 1 in the vertical direction of the vehicle 1 according to the input of the acceleration data. Since the stroke speed estimation network 121A is used to estimate the relative speed according to the acceleration data acquired by the data acquisition unit 10a, the accuracy of estimating the relative speed of the wheels 3 with respect to the vehicle body 2 can be improved.
  • the stroke speed estimation network 121A is an LSTM.
  • the data acquisition unit 10a acquires yaw rate data indicating the yaw rate of the vehicle 1.
  • the stroke speed estimation network 121A performs learning so as to estimate the relative speed according to the input of acceleration data and yaw rate data.
  • the stroke speed estimation unit 10bA uses the stroke speed estimation network 121A to estimate the relative speed according to the acceleration data and the yaw rate data acquired by the data acquisition unit 10a.
  • the vehicle 1 is provided with a shock absorber 4b interposed between the vehicle body 2 and the wheels 3 and capable of changing the damping force according to the input current.
  • the data acquisition unit 10a acquires current value data indicating a value of current.
  • the stroke speed estimation network 121A performs learning so as to estimate the relative speed according to the input of acceleration data and current value data.
  • the stroke speed estimation unit 10bA uses the stroke speed estimation network 121A to estimate the relative speed according to the acceleration data and current value data acquired by the data acquisition unit 10a.
  • the data acquisition unit 10a acquires steering angle data indicating the steering angle of the vehicle 1.
  • the stroke speed estimation network 121A performs learning so as to estimate the relative speed according to the inputs of acceleration data and steering angle data.
  • the stroke speed estimation unit 10bA uses the stroke speed estimation network 121A to estimate the relative speed according to the acceleration data and the steering angle data acquired by the data acquisition unit 10a.
  • the data acquisition unit 10a acquires wheel speed data indicating the rotation speed of the wheels 3.
  • the stroke speed estimation network 121A performs learning so as to estimate the relative speed according to the inputs of acceleration data and wheel speed data.
  • the stroke speed estimation unit 10bA uses the stroke speed estimation network 121A to estimate the relative speed according to the acceleration data and wheel speed data acquired by the data acquisition unit 10a.
  • the acceleration sensors 6 may be mounted on only three wheels other than a predetermined one wheel (for example, the left rear wheel 3R) among the four wheels 3.
  • the acceleration of one wheel not provided with the acceleration sensor 6 is geometrically calculated from the output value of the acceleration sensor 6 provided for the three wheels. can be estimated.
  • the acceleration sensor 6 is preferably mounted directly above the wheel 3 (a position directly above the wheel). , the acceleration just above the wheel 3 may be estimated from the output value of the acceleration sensor 6 .
  • FIG. 18 is a schematic diagram showing a schematic configuration of an example of the vehicle 1 according to the third embodiment. This embodiment differs from the second embodiment in the number of acceleration sensors 6 and the processing executed by the control device 10 .
  • the acceleration sensors 6 are provided only for three of the four wheels 3.
  • the acceleration sensors 6 are provided for the two left and right front wheels 3F and the left rear wheel 3L. That is, the acceleration sensor 6 is not provided for the right rear wheel 3R. That is, in the present embodiment, the acceleration sensors 6 are provided only at three of the four acceleration detection target locations located directly above each wheel 3 (right above the wheel) in the vehicle body 2. .
  • the acceleration sensor 6 detects actual acceleration, which is the actual acceleration of the acceleration detection target location. Note that the acceleration of the vehicle body is also called sprung acceleration. That is, the acceleration sensor 6 detects sprung acceleration.
  • FIG. 19 is a functional block diagram of an example control device 10 of the vehicle 1 according to the third embodiment.
  • the data acquisition unit 10a has an acquisition unit 10aa and an estimation unit 10ab.
  • the acquisition unit 10aa acquires from the acceleration sensor 6 actual acceleration data indicating the actual acceleration of the acceleration detection target location.
  • the estimation unit 10ab receives the actual acceleration data of the three acceleration detection target locations of the acceleration sensor 6 acquired by the acquisition unit 10aa.
  • the estimating unit 10ab uses the sprung acceleration estimation network 122 (second neural network) to determine all (for example, four) acceleration detection target locations according to the input actual acceleration data of the three acceleration detection target locations. Estimate the real acceleration of
  • the storage unit 10d stores a sprung acceleration estimation network 122 in addition to the stroke speed estimation network 121A.
  • FIG. 20 is an exemplary and schematic block diagram showing configurations of a stroke speed estimation network 121A and a sprung acceleration estimation network 122 according to the third embodiment.
  • the sprung acceleration estimating network 122 selects all (for example, four) acceleration detection target locations in response to input of actual acceleration data (input data) of some of the acceleration detection target locations (three as an example). It is configured as a recurrent neural network (RNN) that has been trained in advance so as to estimate the actual acceleration data (output) of the acceleration detection target location.
  • RNN recurrent neural network
  • the input data is the actual acceleration data of some (for example, three) acceleration detection target positions among the plurality of acceleration detection target positions.
  • the output data as teacher data is the actual acceleration detected by each acceleration sensor 6 when the acceleration sensors 6 are provided for all of the plurality of acceleration detection target locations. is.
  • the vehicle 1 (a test vehicle for learning as an example) when the stroke speed estimation network 121A learns and the vehicle 1 (a production vehicle as an example) in which the sprung acceleration estimation network 122 is actually used are
  • the mounting of each acceleration sensor 6 may be different.
  • each acceleration sensor 6 may be more firmly attached to the vehicle body 2 than in the vehicle 1 in which the sprung acceleration estimation network 122 is actually used. This can be achieved, for example, by making the bracket or the like for attaching the acceleration sensor 6 to the vehicle body 2 relatively high in rigidity. As a result, vibration of the acceleration sensor 6 is suppressed during learning, and the accuracy of acceleration detection can be further improved.
  • the sprung acceleration estimation network 122 is an example of a neural network and a second neural network.
  • the sprung acceleration estimation network 122 is configured as a Seq2Seq model, similar to the stroke speed estimation network 121A. More specifically, similar to the stroke speed estimation network 121A, the sprung acceleration estimation network 122 receives input data and performs encoding processing on the encoder unit 121a, and decodes based on the encoder result of the encoder unit 121a. and a decoder unit 121b that executes the processing and outputs the data that has undergone the decoding processing.
  • the acceleration data estimated by the data acquisition unit 10a is input to the stroke speed estimation unit 10bA.
  • the stroke speed estimation unit 10bA uses the acceleration data estimated by the data acquisition unit 10a as input data, and estimates a stroke speed, which is a relative speed, by the stroke speed estimation network 121A.
  • FIG. 21 is an exemplary and schematic diagram showing an example of sprung acceleration estimation results by the technology according to the third embodiment.
  • FIG. 21 shows the sprung acceleration (estimated value) estimated by the technique of the third embodiment and the actually measured sprung acceleration (true value).
  • FIG. 22 is an exemplary and schematic diagram showing an example of the result of estimating the sprung mass acceleration according to the technique according to the comparative example.
  • FIG. 22 shows the sprung acceleration (estimated value) estimated by the technique of the comparative example and the actually measured sprung acceleration (true value).
  • the technology of the comparative example is an example of geometrically obtaining the acceleration of the acceleration detection target location where the acceleration sensor 6 is not provided from the acceleration of the acceleration detection target location where the acceleration sensor 6 is provided.
  • the technique of the present embodiment has a smaller error between the estimated spring acceleration and the actually measured sprung acceleration than the technique of the comparative example.
  • the data acquisition unit 10a has the acquisition unit 10aa and the estimation unit 10ab.
  • the acquisition unit 10aa obtains the actual acceleration, which is the actual acceleration of the acceleration detection target location, from the acceleration sensors 6 provided only for some of the plurality of acceleration detection target locations at different positions in the vehicle 1. Get data.
  • the estimating unit 10ab estimates the actual acceleration of the acceleration detection target location detected by each acceleration sensor when acceleration sensors are provided for all of the plurality of acceleration detection target locations in response to the input of the actual acceleration data.
  • the sprung acceleration estimating network 122 second neural network
  • the estimation unit 10ab uses the sprung acceleration estimation network 122 to estimate the actual acceleration of all of the multiple acceleration detection target locations including locations where the acceleration sensor 6 is not provided. Data accuracy can be improved. Therefore, it is possible to further improve the accuracy of estimating the relative speed of the wheels with respect to the vehicle body.
  • the estimation unit 10ab may use the sprung acceleration estimation network 122 to estimate only the actual acceleration of the acceleration detection target location where the acceleration sensor 6 is not provided among the plurality of acceleration detection target locations. Moreover, the estimation unit 10ab may use the sprung acceleration estimation network 122 to estimate the actual acceleration of at least the acceleration detection target location where the acceleration sensor 6 is not provided among the plurality of acceleration detection target locations. In these cases, the actual acceleration of the acceleration detection target location where the actual acceleration is not estimated by the estimating unit 10ab may be obtained by the obtaining unit 10aa from the acceleration sensor 6 and input to the stroke speed estimating unit 10bA.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Vehicle Body Suspensions (AREA)

Abstract

実施形態にかかる車両状態量推定装置は、データ取得部と、車両状態推定部と、を備える。データ取得部は、車両の速度に関するデータである第１のデータを取得する。車両状態推定部は、第１のデータの入力に応じて、車両の上下方向における車両の車体に対する車輪の相対速度と、上下方向における車体の速度である車体速度との少なくとも一方を推定するように学習を行ったニューラルネットワークを用いて、データ取得部によって取得された第１のデータに応じた相対速度と車体速度との少なくとも一方を推定する。

Description

車両状態量推定装置
　本発明の実施形態は、車両状態量推定装置に関する。
　従来、車両状態として車両上下方向における車体に対する車輪の相対速度（所謂ストローク速度）や、車両上下方向における車体の速度である車体速度（所謂ばね上速度）を推定し、推定した相対速度や車体の速度に基づいてサスペンションのショックアブソーバの減衰力を制御する技術が知られている。
特開平１０－９１３号公報 特開２０１６－１１７３２６号公報
　この種の技術では、車両状態の推定の精度の向上を図ることができれば有意義である。
　本発明の実施形態にかかる車両状態量推定装置は、車両の速度に関するデータである第１のデータを取得するデータ取得部と、前記第１のデータの入力に応じて、前記車両の上下方向における前記車両の車体に対する前記車両の車輪の相対速度と、前記上下方向における前記車体の速度である車体速度との少なくとも一方を推定するように学習を行った第１のニューラルネットワークを用いて、前記データ取得部によって取得された前記第１のデータに応じた前記相対速度と前記車体速度との少なくとも一方を推定する車両状態推定部と、を備える。
　このような構成によれば、車両状態推定部が、第１のデータの入力に応じて、車両の上下方向における車両の車体に対する車輪の相対速度と、車両の上下方向における車体の速度である車体速度との少なくとも一方を推定するように学習を行った第１のニューラルネットワークを用いて、データ取得部によって取得された第１のデータに応じた相対速度と車体速度との少なくとも一方を推定するので、車両状態（相対速度と車体速度との少なくとも一方）の推定の精度の向上を図ることができる。
　前記車両状態量推定装置では、例えば、前記第１のデータは、前記車輪の回転速度を示す車輪速度データである。
　このような構成によれば、車両状態推定部が、車輪速度データの入力に応じて、車両の上下方向における車両の車体に対する車輪の相対速度と、車両の上下方向における車体の速度である車体速度との少なくとも一方を推定するように学習を行った第１のニューラルネットワークを用いて、データ取得部によって取得された車輪速度データに応じた相対速度と車体速度との少なくとも一方を推定するので、車両状態（相対速度と車体速度との少なくとも一方）の推定の精度の向上を図ることができる。
　前記車両状態量推定装置では、例えば、前記データ取得部は、前記車両のヨーレートを示すヨーレートデータを取得し、前記第１のニューラルネットワークは、前記車輪速度データおよび前記ヨーレートの入力に応じて前記相対速度と前記車体速度との少なくとも一方を推定するように学習を行っており、前記車両状態推定部は、前記第１のニューラルネットワークを用いて、前記データ取得部によって取得された前記車輪速度データおよび前記ヨーレートデータに応じた前記相対速度と前記車体速度との少なくとも一方を推定する。
　このような構成によれば、車両状態（相対速度と車体速度との少なくとも一方）の推定の精度の向上をより一層図ることができる。
　前記車両状態量推定装置では、例えば、前記車両は、前記車体と前記車輪との間に介在し、入力される電流に応じて減衰力を変更可能なショックアブソーバを備え、前記データ取得部は、前記電流の値を示す電流値データを取得し、前記第１のニューラルネットワークは、前記車輪速度データおよび前記電流値データの入力に応じて前記相対速度と前記車体速度との少なくとも一方を推定するように学習を行っており、前記車両状態推定部は、前記第１のニューラルネットワークを用いて、前記データ取得部によって取得された前記車輪速度データおよび前記電流値データに応じた前記相対速度と前記車体速度との少なくとも一方を推定する。
　このような構成によれば、車両状態（相対速度と車体速度との少なくとも一方）の推定の精度の向上をより一層図ることができる。
　前記車両状態量推定装置では、例えば、前記データ取得部は、前記車両の操舵角度を示す操舵角度データを取得し、前記第１のニューラルネットワークは、前記車輪速度データおよび前記操舵角度データの入力に応じて前記相対速度と前記車体速度との少なくとも一方を推定するように学習を行っており、前記車両状態推定部は、前記第１のニューラルネットワークを用いて、前記データ取得部によって取得された前記車輪速度データおよび前記操舵角度データに応じた前記相対速度と前記車体速度との少なくとも一方を推定する。
　このような構成によれば、車両状態（相対速度と車体速度との少なくとも一方）の推定の精度の向上をより一層図ることができる。
　また、前記車両状態量推定装置では、前記第１のデータは、前記車両の加速度を示す加速度データであり、前記第１のニューラルネットワークは、前記相対速度を推定するように学習を行っており、前記車両状態推定部は、前記第１のニューラルネットワークを用いて、前記データ取得部によって取得された前記加速度データに応じた前記相対速度を推定する。
　このような構成によれば、相対速度推定部が、加速度データの入力に応じて車両の上下方向における車両の車体に対する車両の車輪の相対速度を推定するように学習を行った第１のニューラルネットワークを用いて、データ取得部によって取得された加速度データに応じた相対速度を推定するので、車体に対する車輪の相対速度の推定の精度の向上を図ることができる。
　前記車両状態量推定装置では、例えば、前記データ取得部は、前記車両のヨーレートを示すヨーレートデータを取得し、前記第１のニューラルネットワークは、前記加速度データおよび前記ヨーレートデータの入力に応じて前記相対速度を推定するように学習を行っており、前記車両状態推定部は、前記第１のニューラルネットワークを用いて、前記データ取得部によって取得された前記加速度データおよび前記ヨーレートデータに応じた前記相対速度を推定する。
　このような構成によれば、車体に対する車輪の相対速度の推定の精度の向上をより一層図ることができる。
　前記車両状態量推定装置では、例えば、前記車両は、前記車体と前記車輪との間に介在し、入力される電流に応じて減衰力を変更可能なショックアブソーバを備え、前記データ取得部は、前記電流の値を示す電流値データを取得し、前記第１のニューラルネットワークは、前記加速度データおよび前記電流値データの入力に応じて前記相対速度を推定するように学習を行っており、前記車両状態推定部は、前記第１のニューラルネットワークを用いて、前記データ取得部によって取得された前記加速度データおよび前記電流値データに応じた前記相対速度を推定する。
　このような構成によれば、車体に対する車輪の相対速度の推定の精度の向上をより一層図ることができる。
　前記車両状態量推定装置では、例えば、前記データ取得部は、前記車両の操舵角度を示す操舵角度データを取得し、前記第１のニューラルネットワークは、前記加速度データおよび前記操舵角度データの入力に応じて前記相対速度を推定するように学習を行っており、前記車両状態推定部は、前記第１のニューラルネットワークを用いて、前記データ取得部によって取得された前記加速度データおよび前記操舵角度データに応じた前記相対速度を推定する。
　このような構成によれば、車体に対する車輪の相対速度の推定の精度の向上をより一層図ることができる。
　前記車両状態量推定装置では、例えば、前記データ取得部は、前記車輪の回転速度を示す車輪速度データを取得し、前記第１のニューラルネットワークは、前記加速度データおよび前記車輪速度データの入力に応じて前記相対速度を推定するように学習を行っており、前記車両状態推定部は、前記第１のニューラルネットワークを用いて、前記データ取得部によって取得された前記加速度データおよび前記車輪速度データに応じた前記相対速度を推定する。
　このような構成によれば、車体に対する車輪の相対速度の推定の精度の向上をより一層図ることができる。
　前記車両状態量推定装置では、例えば、前記データ取得部は、車両における互いに位置が異なる複数の加速度検知対象箇所のうち一部に対してのみ設けられた加速度センサから、前記加速度検知対象箇所の実際の加速度である実加速度を示す実加速度データを取得する取得部と、前記実加速度データの入力に応じて、前記複数の加速度検知対象箇所の全てに対して前記加速度センサが設けられた場合の各前記加速度センサが検知する前記加速度検知対象箇所の前記実加速度を推定するように学習を行った第２のニューラルネットワークを用いて、前記実加速度データの入力に応じた前記複数の加速度検知対象箇所の全ての前記実加速度を推定する推定部と、を有する。
　このような構成によれば、加速度データの精度の向上を図ることができ、ひいては車体に対する車輪の相対速度の推定の精度の向上をより一層図ることができる。
　前記車両状態量推定装置では、例えば、前記第１のニューラルネットワークは、ＬＳＴＭ（Long　Short　Term　Memory）である。
　このような構成によれば、車両状態（相対速度と車体速度との少なくとも一方）の推定の精度の向上を図ることができる。
　本発明の実施形態にかかる車両状態量推定装置は、車両における互いに位置が異なる複数の加速度検知対象箇所のうち一部に対してのみ設けられた加速度センサから、前記加速度検知対象箇所の実際の加速度である実加速度を示す実加速度データを取得する取得部と、前記実加速度データの入力に応じて、前記複数の加速度検知対象箇所の全てに対して前記加速度センサが設けられた場合の各前記加速度センサが検知する前記加速度検知対象箇所の前記実加速度を推定するように学習を行ったニューラルネットワークを用いて、前記実加速度データの入力に応じた前記複数の加速度検知対象箇所の全ての前記実加速度を推定する推定部と、を備える。
　このような構成によれば、車両の加速度の推定の精度の向上を図ることができる。
図１は、第１の実施形態にかかる車両の一例の概略構成が示された模式図である。 図２は、第１の実施形態にかかる車両における懸架装置の一例の概略構成が示された模式図である。 図３は、第１の実施形態にかかる車両の一例の制御装置の機能ブロック図である。 図４は、第１の実施形態にかかる車両状態推定ネットワークの構成を示した例示的かつ模式的なブロック図である。 図５は、第１の実施形態にかかる車両状態推定ネットワークのエンコーダ部の構成の一例を示した例示的かつ模式的なブロック図である。 図６は、第１の実施形態にかかる車両状態推定ネットワークのデコーダ部の構成の一例を示した例示的かつ模式的なブロック図である。 図７は、第１の実施形態にかかる車両状態推定ネットワークのＬＳＴＭブロックの構成の一例を示した例示的かつ模式的なブロック図である。 図８は、第１の実施形態にかかる制御装置が実行する車両状態推定方法の一例が示されたフローチャートである。 図９は、第１の実施形態にかかる技術によるストローク速度の推定結果の一例を示した例示的かつ模式的な図である。 図１０は、第２の実施形態にかかる車両の一例の概略構成が示された模式図である。 図１１は、第２の実施形態にかかる車両の一例の制御装置の機能ブロック図である。 図１２は、第２の実施形態にかかるストローク速度推定ネットワークの構成を示した例示的かつ模式的なブロック図である。 図１３は、第２の実施形態にかかる制御装置が実行する相対速度推定方法の一例が示されたフローチャートである。 図１４は、第２の実施形態にかかる技術によるストローク速度の推定結果の一例を示した例示的かつ模式的な図である。 図１５は、比較例にかかる技術によるストローク速度の推定結果の一例を示した例示的かつ模式的な図である。 図１６は、第２の実施形態にかかる技術によるストローク速度の推定誤差の一例を示した例示的かつ模式的な図である。 図１７は、第２の実施形態にかかる技術によるストローク速度の推定誤差の一例を示した例示的かつ模式的な図である。 図１８は、第３の実施形態にかかる車両の一例の概略構成が示された模式図である。 図１９は、第３の実施形態にかかる車両の一例の制御装置の機能ブロック図である。 図２０は、第３の実施形態にかかるストローク速度推定ネットワークおよびばね上加速度推定ネットワークの構成を示した例示的かつ模式的なブロック図である。 図２１は、第３の実施形態にかかる技術によるばね上加速度の推定結果の一例を示した例示的かつ模式的な図である。 図２２は、比較例にかかる技術によるばね上加速度の推定結果の一例を示した例示的かつ模式的な図である。
　以下に図面を参照して実施形態について詳細に説明する。なお、この実施形態により本発明が限定されるものではない。以下の複数の実施形態には、同様の構成要素が含まれている。それら同様の構成要素には共通の符号が付与されるとともに、重複する説明が省略される。
＜第１の実施形態＞
　図１は、第１の実施形態にかかる車両１の一例の概略構成が示された模式図である。本実施形態では、車両１は、例えば、内燃機関（エンジン、図示されず）を駆動源とする自動車（内燃機関自動車）であってもよいし、電動機（モータ、図示されず）を駆動源とする自動車（電気自動車、燃料電池自動車等）であってもよいし、それらの双方を駆動源とする自動車（ハイブリッド自動車）であってもよい。また、車両１は、種々の変速装置を搭載することができるし、内燃機関や電動機を駆動するのに必要な種々の装置（システム、部品等）を搭載することができる。また、車両１における車輪３の駆動に関わる装置の方式や、数、レイアウト等は、種々に設定することができる。また、本実施形態では、一例として、車両１は、四輪車（四輪自動車）であり、左右二つの前輪３Ｆと、左右二つの後輪３Ｒとを有する。なお、図１では、車両前後方向の前方（方向Ｆｒ）は、左側である。
　本実施形態では、一例として、車両１の車両制御システム１００は、制御装置１０や、操舵装置１１、操舵角度センサ１２、ヨーレートセンサ１３、制動システム６１等を備える。また、車両制御システム１００は、二つの前輪３Ｆのそれぞれに対応して、懸架装置４や、回転センサ５、制動装置６等を備えるとともに、二つの後輪３Ｒのそれぞれに対応して、懸架装置４、回転センサ５等を備えている。なお、車両１は、図１の他にも車両１としての基本的な構成要素を備えているが、ここでは、車両制御システム１００に関わる構成ならびに当該構成に関わる制御についてのみ、説明される。また、二つの前輪３Ｆと二つの後輪３Ｒとの総称として、車輪３を用いる。また、車両１の車体２に対する車両１の車輪３の相対速度をストローク速度とも称し、懸架装置４に対して車体２側の車両１の部分をばね上とも称し、懸架装置４に対して車輪３側の車両１の部分をばね下とも称する。また、以下の説明で特に言及しない限り、相対速度は、車両１の上下方向における車体２に対する車輪３の相対速度である。
　制御装置１０は、車両制御システム１００の各部から信号やデータ等を受け取るとともに、車両制御システム１００の各部の制御や各種の演算を実行する。本実施形態では、制御装置１０は、車両状態量推定装置の一例である。また、制御装置１０は、コンピュータとして構成されており、演算処理部（マイクロコンピュータ、ＥＣＵ（Electronic　Control　Unit）等、図示されず）や記憶部１０ｄ（例えば、ＲＯＭ（Read　Only　Memory）、ＲＡＭ（Random　Access　Memory）、フラッシュメモリ）等、図３参照）等を備えている。演算処理部は、不揮発性の記憶部１０ｄ（例えばＲＯＭや、フラッシュメモリ等）に記憶された（インストールされた）プログラムを読み出し、当該プログラムにしたがって演算処理を実行し、図３に示された各部として機能（動作）することができる。また、記憶部１０ｄには、制御に関わる各種演算で用いられるデータ（テーブル（データ群）や、関数等）、演算結果（演算途中の値も含む）等が記憶されうる。また、記憶部１０ｄには、車両状態推定ネットワーク１２１が記憶されている。車両状態推定ネットワーク１２１の詳細は、後述する。
　操舵装置１１は、例えば、ハンドルを含み、二つの前輪３Ｆを操舵（転舵）する。操舵角度センサ１２は、前輪３Ｆの操舵角度（舵角、切れ角、転舵角）を検出して、検出した操舵角度を示す操舵角度データを出力する。
　ヨーレートセンサ１３は、車両１（車体２）のヨーレートを検出し、検出したヨーレートを示すヨーレート情報を出力する。
　図２は、第１の実施形態にかかる車両における懸架装置４の一例の概略構成が示された模式図である。図２に示されるように、懸架装置４は、車輪３と車体２との間に介在され、路面からの振動や衝撃が車体に伝達されるのを抑制する。懸架装置４は、コイルバネ４ａと、ショックアブソーバ４ｂと、を有する。ショックアブソーバ４ｂは、減衰力（減衰特性）を電気的に制御（調整）可能である。具体的には、ショックアブソーバ４ｂは、入力される電流に基づいて動作するアクチュエータ４ｂｂを有する。アクチュエータ４ｂｂは、ショックアブソーバ４ｂのピストンに設けられるオリフィスの開口度を変更したり、弁体と弁座との間の開口度を変更したりすることができる。これにより、ショックアブソーバ４ｂ内でピストンにより仕切られた２つの油室の間を流通する潤滑油の流通量を制御して、ショックアブソーバ４ｂの減衰力が調整される。懸架装置４は、四つの車輪３（二つの前輪３Ｆおよび二つの後輪３Ｒ）のそれぞれに設けられており、制御装置１０は、四つの車輪３のそれぞれの減衰力を制御することができる。制御装置１０は、四つの車輪３を、互いに減衰力が異なる状態に制御することができる。詳細には、ショックアブソーバ４ｂの減衰力（＝減衰係数Ｃ×ストローク速度Ｖ）を制御するためには、減衰係数Ｃを制御することとなる。より詳細には、ショックアブソーバ４ｂのアクチュエータ４ｂｂに流す電流を制御することで減衰係数Ｃを制御する。ショックアブソーバ４ｂは、ダンパとも称される。
　回転センサ５は、四つの車輪３のそれぞれの回転速度（角速度、回転数、回転状態）に応じた信号を出力することができる。制御装置１０は、回転センサ５の検出結果から、車両１の速度を算出することができる。なお、車輪３用の回転センサ５とは別に、クランクシャフトや車軸等の回転を検出する回転センサ（図示されず）が設けられてもよく、制御装置１０は、この回転センサの検出結果から車両１の速度を取得してもよい。
　なお、上述した車両制御システム１００の構成はあくまで一例であって、種々に変更して実施することができる。車両制御システム１００を構成する個々の装置としては、公知の装置を用いることができる。また、車両制御システム１００の各構成は、他の構成と共用することができる。
　そして、本実施形態では、一例として、制御装置１０は、ハードウエアとソフトウエア（プログラム）との協働により、図３に示されるような、データ取得部１０ａや、車両状態推定部１０ｂ、減衰制御部１０ｃ等として機能（動作）することができる。すなわち、プログラムには、一例としては、図３に示される記憶部１０ｄを除く各ブロックに対応したモジュールが含まれうる。
　データ取得部１０ａは、車輪３の回転速度を示す車輪速度データを各回転センサ５から取得する。また、データ取得部１０ａは、車両１のヨーレートを示すヨーレートデータをヨーレートセンサ１３から取得する。また、データ取得部１０ａは、ショックアブソーバ４ｂに入力される電流の値を示す電流値データを減衰制御部１０ｃから取得する。また、データ取得部１０ａは、車両１の操舵角度を示す操舵角度データを操舵角度センサ１２から取得する。
　車両状態推定部１０ｂは、一例として、データ取得部１０ａによって取得された所定のデータ（以後、入力データとも称する）が入力される。車両状態推定部１０ｂは、車両状態推定ネットワーク１２１を用いて、入力データに応じた相対速度を推定する。入力データは、少なくとも車輪速度データを含む。また、入力データは、車輪速度データに他に、ヨーレートデータ、電流値データ、および操舵角度データのうち少なくとも一つを含んでいてよい。なお、入力データは上記に限定されない。車輪速度データは、第１のデータの一例である。
　車両状態推定ネットワーク１２１は、入力データの入力に応じて車両１の上下方向における車両１の車体２に対する車両１の車輪３の相対速度と、車両１の上下方向における車体２の速度である車体速度との少なくとも一方（一例として、両方）を推定するように予め学習を行ったリカレントニューラルネットワーク（ＲＮＮ）として構成される。車両状態推定ネットワーク１２１の学習時において、入力データは、データ取得部１０ａによって取得される上記の入力データであり、教師データとしての出力データは、たとえば、相対速度センサ（不図示）で計測された車両１の上下方向における車両１の車体２に対する車両１の車輪３の相対速度の実測値（真値）と、速度センサ（不図示）で計測された車両１の上下方向における車体２の速度の実測値との少なくとも一方（一例として両方）である。なお、車両状態推定ネットワーク１２１は、上記の相対速度と、上記の車体速度とのどちらか一方を推定するように予め学習を行ったリカレントニューラルネットワーク（ＲＮＮ）として構成されてもよい。
　図４は、第１の実施形態にかかる車両状態推定ネットワーク１２１の構成を示した例示的かつ模式的なブロック図である。図５は、第１の実施形態にかかる車両状態推定ネットワーク１２１のエンコーダ部１２１ａの構成の一例を示した例示的かつ模式的なブロック図である。図６は、第１の実施形態にかかる車両状態推定ネットワーク１２１のデコーダ部１２１ｂの構成の一例を示した例示的かつ模式的なブロック図である。図７は、第１の実施形態にかかる車両状態推定ネットワーク１２１のＬＳＴＭブロックの構成の一例を示した例示的かつ模式的なブロック図である。
　図４に示されるように、実施形態にかかる車両状態推定ネットワーク１２１は、Ｓｅｑ２Ｓｅｑ（Sequence　to　Sequence）モデルとして構成されている。より具体的に、車両状態推定ネットワーク１２１は、入力データの入力を受け付けてエンコード処理を実行するエンコーダ部１２１ａと、エンコーダ部１２１ａによるエンコーダ結果に基づいてデコード処理を実行し、デコード処理を実行したデータ（以後、出力データとも称する）を出力するデコーダ部１２１ｂと、を備えている。
　図４に示される例では、エンコーダ部１２１ａへの入力として、所定の時間間隔で入力される入力データｘ１、ｘ２、ｘ３、ｘ４、ｘ５、…が例示されている。
　一方、図５に示される例では、デコーダ部１２１ｂからの出力として、所定の時間間隔で出力される出力データｙ１、ｙ２、ｙ３、ｙ４、ｙ５、…が例示されている。
　実施形態にかかる車両状態推定ネットワーク１２１は、上述した入力データｘ１、ｘ２、ｘ３、ｘ４、ｘ５、…のような時系列データの入力を受けて、上述した出力データｙ１、ｙ２、ｙ３、ｙ４、ｙ５、…のような時刻ごとの出力を示す時系列データを出力するように、機械学習により予めトレーニングされている。
　以下、図５～図７を参照して、第１の実施形態にかかる車両状態推定ネットワーク１２１のエンコーダ部１２１ａおよびデコーダ部１２１ｂの具体的な構成について説明する。ただし、以下の図５および図６に示される構成は、あくまで一例である。
　図５に示されるように、第１の実施形態にかかるエンコーダ部１２１ａは、ＬＳＴＭ（Long　short‐term　memory）に基づいて構成されている。すなわち、エンコーダ部１２１ａは、複数（たとえばＮ個）のＬＳＴＭブロックＢ１１、Ｂ１２、…Ｂ１Ｎを用いて構成されている。以後、ＬＳＴＭブロックＢ１１、Ｂ１２、…Ｂ１Ｎの総称としてＬＳＴＭブロックＢ１を用いる場合がある。各ＬＳＴＭブロックＢ１１、Ｂ１２、…Ｂ１Ｎの構成は、入力ゲート、出力ゲート、および忘却ゲートを備えた一般的な構成である。一例としては、図７に示されるように、ＬＳＴＭブロックＢ１は、行列積演算部２０１ａ、２０１ｂや、加算部２０１ｃ，２０１ｄ，２０１ｋ，乗算部２０１ｊ，２０１ｐ、ｓｌｉｃｅ部２０１ｅ、シグモイド関数部２０１ｆ，２０１ｈ，２０１ｉ、ｔａｎｈ部２０１ｇを含む。これらの各部による演算が行われる。加算部２０１ｃ，２０１ｄ，２０１ｋおよび乗算部２０１ｊ，２０１ｐは、行列要素毎の演算（アダマール演算）である。なお、図７中のＷｈは、隠れ層に対して付与される重みであり、Ｗｘは、入力値に対して付与される重みである。
　ＬＳＴＭブロックＢ１１は、入力データｘ１の入力を受けて、入力に応じた出力を示すデータｈ１と、記憶セルを示すデータｃ１と、を次のＬＳＴＭブロックＢ１２に受け渡す。ＬＳＴＭブロックＢ１２以降のブロックも同様に動作し、Ｎ個目のＬＳＴＭブロックＢ１Ｎは、データｘＮの入力を受けて、入力に応じた出力を示すデータｈＮと、記憶セルを示すデータｃＮと、をエンコーダ部１２１ａの外部（つまりデコーダ部１２１ｂ）に受け渡す。
　図６に示されるように、実施形態にかかるデコーダ部１２１ｂも、上述したエンコーダ部１２１ａと同様に、ＬＳＴＭに基づいて構成されている。すなわち、デコーダ部１２１ｂも、複数（たとえばＮ個）のＬＳＴＭブロックＢ２１、Ｂ２２、…Ｂ２Ｎを用いて構成されている。各ＬＳＴＭブロックＢ２１、Ｂ２２、…Ｂ２Ｎの構成は、上述したＬＳＴＭブロックＢ１１、Ｂ１２、…Ｂ１Ｎと同様に、入力ゲート、出力ゲート、および忘却ゲートを備えた一般的な構成である。
　ただし、デコーダ部１２１ｂは、上述したエンコーダ部１２１ａと異なり、ＬＳＴＭブロックＢ２１、Ｂ２２、…Ｂ２Ｎに対応した複数（たとえばＮ個）の変換層Ｌ１、Ｌ２、…ＬＮを備えている。これらの変換層Ｌ１、Ｌ２、…ＬＮは、それぞれ、ＬＳＴＭブロックＢ２１、Ｂ２２、…Ｂ２Ｎからの出力を示すデータＨ１、Ｈ２…、ＨＮを、センサ信号に対応した出力データｙ１、ｙ２、…ｙＮに変換する。ここで、出力データｙ＝（データＨ）×（重みＷ）＋（バイアスｂ）である。重みＷおよびバイアスｂは機械学習によって求められる。
　ＬＳＴＭブロックＢ２１は、エンコーダ部１２１ａからのデータｈＮおよびｃＮの入力を受けて、入力に応じた出力を示すデータＨ１を変換層Ｌ１に受け渡すとともに、当該データＨ１と、記憶セルを示すデータＣ１と、を次のＬＳＴＭブロックＢ２２に受け渡す。ＬＳＴＭブロックＢ２２以降のブロックも同様に動作し、Ｎ個目のＬＳＴＭブロックＢ２Ｎは、入力に応じた出力を示すデータＨＮを変換層ＬＮに受け渡す。
　このように、実施形態にかかる車両状態推定ネットワーク１２１は、ＬＳＴＭに基づくＳｅｑ２Ｓｅｑモデルにより構成されたリカレントニューラルネットワークに基づいて構成される。より具体的に、実施形態では、入力データと、出力データと、の対応関係を上記のようなリカレントニューラルネットワークが学習するように、ＬＳＴＭブロックＢ１１、Ｂ１２、…Ｂ１Ｎと、ＬＳＴＭブロックＢ２１、Ｂ２２、…Ｂ２Ｎと、変換層Ｌ１、Ｌ２、…ＬＮと、に設定すべき重みＷおよびバイアスｂのトレーニングを実行された結果として、車両状態推定ネットワーク１２１が構成される。なお、車両状態推定ネットワーク１２１は、上記に限定されない。例えば、車両状態推定ネットワーク１２１は、上記に加えて、Ａｔｔｅｎｔｉｏｎ、ＲＮＮ、双方向ＬＳＴＭ、ｓｋｉｐコネクション、Ｔｒａｎｓｆｏｒｍｅｒ等を行ってもよい。
　図３に戻って、減衰制御部１０ｃは、車両状態推定部１０ｂによって推定された相対速度と車体速度との少なくとも一方（一例として両方）に基づいて、ショックアブソーバ４ｂの減衰力を制御する。具体的には、減衰制御部１０ｃは、ショックアブソーバ４ｂに入力する電流値を決定し、該電流値をショックアブソーバ４ｂに入力する。
　次に、制御装置１０が実行する車両状態推定方法の一例を図８を参照して説明する。図８は、第１の実施形態にかかる制御装置１０が実行する車両状態推定方法の一例が示されたフローチャートである。なお、図８には、入力データとして車輪速度データが適用された例が示されているが、入力データは、これに限定されない。
　図８に示されるように、まずは、データ取得部１０ａが、車輪速度データを取得する（Ｓ１）。次に、車両状態推定部１０ｂが、データ取得部１０ａによって取得された車輪速度データと、車両状態推定ネットワーク１２１とに基づいて、相対速度であるストローク速度と車体速度との少なくとも一方（一例として両方）を推定する（Ｓ２）。
　図９は、第１の実施形態にかかる技術によるストローク速度の推定結果の一例を示した例示的かつ模式的な図である。図９には、本実施形態の技術で推定されたストローク速度（推定値）と、実際に計測されたストローク速度（真値）とが、示されている。本実施形態では、ショックアブソーバ４ｂの減衰力を制御するのに有効な、１０Ｈｚ以上の波形のストローク速度の推定が可能になる。
　また、本実施形態の制御装置１０（減衰制御部１０ｃ）は、下記のようにショックアブソーバ４ｂを制御する。すなわち、制御装置１０は、車両状態推定ネットワーク１２１を用いて推定された相対速度と車体速度（ばね上速度）とに基づいて、ショックアブソーバ４ｂの減衰力を制御する。より具体的には、制御装置１０は、車体速度に基づいてスカイフック制御等の公知の乗り心地制御を行って目標減衰力を得る。そして、制御装置１０は、車両状態推定ネットワーク１２１を用いて推定された相対速度と、目標減衰力とに基づいて、ショックアブソーバ４ｂの目標減衰係数を算出する。次に、制御装置１０は、目標減衰係数に対応する電流をショックアブソーバ４ｂに入力する。
　以上、説明したように、本実施形態では、制御装置１０（車両状態量推定装置）は、データ取得部１０ａと、車両状態推定部１０ｂ（車両状態推定部）と、を備える。データ取得部１０ａは、車両１の車輪３の回転速度を示す車輪速度データを取得する。車両状態推定部１０ｂは、車輪速度データの入力に応じて、車両１の上下方向における車両１の車体２に対する車両１の車輪３の相対速度と、車両１の上下方向における車体２の速度である車体速度との少なくとも一方を推定するように学習を行った車両状態推定ネットワーク１２１（ニューラルネットワーク）を用いて、データ取得部１０ａによって取得された車輪速度データに応じた相対速度（ストローク速度）と車体速度との少なくとも一方を推定する。
　このような構成によれば、車両状態推定部１０ｂが、車輪速度データの入力に応じて、車両１の上下方向における車両１の車体２に対する車両１の車輪３の相対速度と、車体２の速度である車体速度との少なくとも一方を推定するように学習を行った車両状態推定ネットワーク１２１（ニューラルネットワーク）を用いて、データ取得部１０ａによって取得された車輪速度データに応じた相対速度（ストローク速度）と車体速度との少なくとも一方を推定するので、車両状態（相対速度と車体速度との少なくとも一方）の推定の精度の向上を図ることができる。また、車両状態推定ネットワーク１２１は、学習時において通信遅れによる入力データの入力遅れ（タイムラグ）ついても一つの特徴としてとらえて学習する。このため、車両状態推定ネットワーク１２１においては、例えば、車両状態の推定において通信遅れの影響を抑制するために、フィルタ等によって入力データの一部を削除する必要がない。よって、車両状態推定ネットワーク１２１は、ばね下の共振周波数に対応する時間間隔でも車両状態を推定することができる。
　また、本実施形態では、車両状態推定ネットワーク１２１は、ＬＳＴＭである。
　このような構成によれば、車両状態（相対速度と車体速度との少なくとも一方）の推定の精度の向上を図ることができる。
　また、本実施形態では、データ取得部１０ａは、車両１のヨーレートを示すヨーレートデータを取得する。車両状態推定ネットワーク１２１は、車輪速度データおよびヨーレートデータの入力に応じて相対速度と車体速度との少なくとも一方を推定するように学習を行っている。車両状態推定部１０ｂは、車両状態推定ネットワーク１２１を用いて、データ取得部１０ａによって取得された車輪速度データおよびヨーレートデータに応じた相対速度と車体速度との少なくとも一方を推定する。
　このような構成によれば、車両状態（相対速度と車体速度との少なくとも一方）の推定の精度の向上をより一層図ることができる。
　また、本実施形態では、車両１は、車体２と車輪３との間に介在し、入力される電流に応じて減衰力を変更可能なショックアブソーバ４ｂを備える。データ取得部１０ａは、電流の値を示す電流値データを取得する。車両状態推定ネットワーク１２１は、車輪速度データおよび電流値データの入力に応じて相対速度と車体速度との少なくとも一方を推定するように学習を行っている。車両状態推定部１０ｂは、車両状態推定ネットワーク１２１を用いて、データ取得部１０ａによって取得された車輪速度データおよび電流値データに応じた相対速度と車体速度との少なくとも一方を推定する。
　このような構成によれば、車両状態（相対速度と車体速度との少なくとも一方）の推定の精度の向上をより一層図ることができる。
　また、本実施形態では、データ取得部１０ａは、車両１の操舵角度を示す操舵角度データを取得する。車両状態推定ネットワーク１２１は、車輪速度データおよび操舵角度データの入力に応じて相対速度と車体速度との少なくとも一方を推定するように学習を行っている。車両状態推定部１０ｂは、車両状態推定ネットワーク１２１を用いて、データ取得部１０ａによって取得された車輪速度データおよび操舵角度データに応じた相対速度と車体速度との少なくとも一方を推定する。
　このような構成によれば、車両状態（相対速度と車体速度との少なくとも一方）の推定の精度の向上をより一層図ることができる。
＜第２の実施形態＞
　図１０は、第２の実施形態にかかる車両１の一例の概略構成が示された模式図である。本実施形態は、加速度センサ６が設けられている点と制御装置１０が実行する処理とが第１の実施形態に対して異なる。
　本実施形態では、一例として、車両１の車両制御システム１００は、制御装置１０や、操舵装置１１、操舵角度センサ１２、ヨーレートセンサ１３、制動システム６１等を備える。また、車両制御システム１００は、二つの前輪３Ｆのそれぞれに対応して、懸架装置４や、回転センサ５、加速度センサ６等を備えるとともに、二つの後輪３Ｒのそれぞれに対応して、懸架装置４、回転センサ５、加速度センサ６等を備えている。
　加速度センサ６は、二つの前輪３Ｆおよび二つの後輪３Ｒのそれぞれに対応して設けられている。すなわち、加速度センサ６は、四つの車輪３および懸架装置４のそれぞれに対応して車体２に設けられている。加速度センサ６は、車両１における車体２の加速度を検出する。詳細には、各加速度センサ６は、車体２における各車輪３の真上(ホイールの真上位置)に位置する加速度検知対象箇所に設けられている。すなわち、本実施形態では、加速度検知対象箇所は、四つである。本実施形態では、一例として、加速度センサ６は、車両１の上下方向の加速度と、車両１の前後方向（長手方向）の加速度と、車両１の幅方向（車幅方向、短手方向、左右方向）の加速度とを取得することができる。
　そして、本実施形態では、一例として、制御装置１０は、ハードウエアとソフトウエア（プログラム）との協働により、図１１に示されるような、データ取得部１０ａや、ストローク速度推定部１０ｂＡ、減衰制御部１０ｃ等として機能（動作）することができる。すなわち、プログラムには、一例としては、図１１に示される記憶部１０ｄを除く各ブロックに対応したモジュールが含まれうる。
　データ取得部１０ａは、車両１の加速度を示す加速度データを各加速度センサ６から取得する。車両１の加速度は、任意の方向の加速度であってよい。また、車両１の加速度は、複数の方向の加速度であってよい。すなわち、車両１の加速度は、車両１の前後方向の加速度、車両１の左右方向の加速度、車両１の上下方向の加速度のうち一つまたは複数であってもよい。また、データ取得部１０ａは、車両１のヨーレートを示すヨーレートデータをヨーレートセンサ１３から取得する。また、データ取得部１０ａは、ショックアブソーバ４ｂに入力される電流の値を示す電流値データを減衰制御部１０ｃから取得する。また、データ取得部１０ａは、車両１の操舵角度を示す操舵角度データを操舵角度センサ１２から取得する。また、データ取得部１０ａは、車輪３の回転速度を示す車輪速度データを回転センサ５から取得する。加速度データは、車両１の速度に関するデータである第１のデータの一例である。
　ストローク速度推定部１０ｂＡは、一例として、データ取得部１０ａによって取得された所定のデータ（以後、入力データとも称する）が入力される。ストローク速度推定部１０ｂＡは、ストローク速度推定ネットワーク１２１Ａを用いて、入力データに応じた相対速度を推定する。入力データは、少なくとも加速度データを含む。また、入力データは、加速度データに他に、ヨーレートデータ、電流値データ、操舵角度データ、および車輪速度データのうち少なくとも一つを含んでいてよい。なお、入力データは上記に限定されない。
　ストローク速度推定ネットワーク１２１Ａは、入力データの入力に応じて車両１の上下方向における車両１の車体２に対する車両１の車輪３の相対速度を推定するように予め学習を行ったリカレントニューラルネットワーク（ＲＮＮ）として構成される。ストローク速度推定ネットワーク１２１Ａの学習時において、入力データは、データ取得部１０ａによって取得される上記の入力データであり、教師データとしての出力データは、たとえば、相対速度センサ（不図示）で計測された車両１の車体２に対する車両１の車輪３の相対速度の実測値（真値）である。ストローク速度推定ネットワーク１２１Ａは、第１のニューラルネットワークの一例である。
　図１２は、第２の実施形態にかかるストローク速度推定ネットワーク１２１Ａの構成を示した例示的かつ模式的なブロック図である。
　図１２に示されるように、本実施形態にかかるストローク速度推定ネットワーク１２１Ａは、Ｓｅｑ２Ｓｅｑ（Sequence　to　Sequence）モデルとして構成されている。より具体的に、ストローク速度推定ネットワーク１２１Ａは、第１の実施形態の車両状態推定ネットワーク１２１と同様の構成、すなわちエンコーダ部１２１ａと、デコーダ部１２１ｂと、を備えている。
　図１１に戻って、減衰制御部１０ｃは、ストローク速度推定部１０ｂＡによって推定された相対速度に基づいて、ショックアブソーバ４ｂの減衰力を制御する。具体的には、減衰制御部１０ｃは、ショックアブソーバ４ｂに入力する電流値を決定し、該電流値をショックアブソーバ４ｂに入力する。
　次に、制御装置１０が実行する相対速度推定方法の一例を図１３を参照して説明する。図１３は、第２の実施形態にかかる制御装置１０が実行する相対速度推定方法の一例が示されたフローチャートである。なお、図１３には、入力データとして加速度データが適用された例が示されているが、入力データは、これに限定されない。
　図１３に示されるように、まずは、データ取得部１０ａが、加速度データを取得する（Ｓ１１）。次に、ストローク速度推定部１０ｂＡが、データ取得部１０ａによって取得された加速度データと、ストローク速度推定ネットワーク１２１Ａとに基づいて、相対速度であるストローク速度を推定する（Ｓ１２）。
　図１４は、第２の実施形態にかかる技術によるストローク速度の推定結果の一例を示した例示的かつ模式的な図である。図１４には、本実施形態の技術で推定されたストローク速度（推定値）と、実際に計測されたストローク速度（真値）とが、示されている。
　図１５は、比較例にかかる技術によるストローク速度の推定結果の一例を示した例示的かつ模式的な図である。図１５には、比較例の技術で推定されたストローク速度（推定値）と、実際に計測されたストローク速度（真値）とが、示されている。比較例の技術は、作成された運動方程式に基づいてストローク速度を推定する。図１４および図１５から分かるように、本実施形態の技術は、比較例の技術に比べて、推定されたストローク速度と、実際に計測されたストローク速度との誤差が小さい。
　図１６は、第２の実施形態にかかる技術によるストローク速度の推定誤差の一例を示した例示的かつ模式的な図である。図１６の横軸は、学習回数を示し、図１６の縦軸は、相対速度の真値からの推定誤差を示している。図１６の線Ｑ１は、一つの車輪３に対応する上下方向の加速度が入力された場合の推定誤差を示す。図１６の線Ｑ２は、四つの車輪３に対応する上下方向の加速度が入力された場合の推定誤差を示す。図１６の線Ｑ４は、四つの車輪３に対応する上下方向の加速度と、一つの車輪３に対応する前後方向および左右方向の加速度とが入力された場合の推定誤差を示す。なお、図１６の例における加速度は一例であって、入力される加速度はこれに限定されない。
　図１７は、第２の実施形態にかかる技術によるストローク速度の推定誤差の一例を示した例示的かつ模式的な図である。図１７には、一つの車輪（一例として前輪）に対応するストローク速度の推定誤差が示されている。図１７の横軸は、学習回数を示し、図１７の縦軸は、相対速度の真値からの推定誤差を示している。図１７の線Ｑ５は、一つの車輪３に対応する上下方向の加速度が入力された場合の推定誤差を示す。図１７の線Ｑ６は、一つの車輪３に対応する上下方向の加速度と一つの車輪３のショックアブソーバ４ｂに入力される電流値とが入力された場合の推定誤差を示す。図１７の線Ｑ７は、四つの車輪３に対応する上下方向の加速度と四つの車輪３のショックアブソーバ４ｂに入力される電流値とが入力された場合の推定誤差を示す。なお、図１７の例における加速度は一例であって、入力される加速度はこれに限定されない。
　また、本実施形態の制御装置１０（減衰制御部１０ｃ）は、下記のようにショックアブソーバ４ｂを制御する。すなわち、制御装置１０は、ストローク速度推定ネットワーク１２１Ａを用いて推定された相対速度に基づいて、ショックアブソーバ４ｂの減衰力を制御する。より具体的には、制御装置１０は、加速度センサ６による加速度データを積分して車体２の速度（以後、ばね上速度とも称する）を算出する。次に、車体２の速度に基づいてスカイフック制御等の公知の乗り心地制御を行って目標減衰力を得る。そして、制御装置１０は、ストローク速度推定ネットワーク１２１Ａを用いて推定された相対速度と、目標減衰力とに基づいて、ショックアブソーバ４ｂの目標減衰係数を算出する。次に、制御装置１０は、目標減衰係数に対応する電流をショックアブソーバ４ｂに入力する。
　以上、説明したように、本実施形態では、制御装置１０（車両状態量推定装置）は、データ取得部１０ａと、ストローク速度推定部１０ｂＡ（相対速度推定部、車両状態推定部）と、を備える。データ取得部１０ａは、車両１の加速度を示す加速度データを取得する。ストローク速度推定部１０ｂＡは、加速度データの入力に応じて車両１の上下方向における車両１の車体２に対する車両１の車輪３の相対速度を推定するように学習を行ったストローク速度推定ネットワーク１２１Ａ（第１のニューラルネットワーク）を用いて、データ取得部１０ａによって取得された加速度データに応じた相対速度（ストローク速度）を推定する。
　このような構成によれば、ストローク速度推定部１０ｂＡが、加速度データの入力に応じて車両１の上下方向における車両１の車体２に対する車両１の車輪３の相対速度を推定するように学習を行ったストローク速度推定ネットワーク１２１Ａを用いて、データ取得部１０ａによって取得された加速度データに応じた相対速度を推定するので、車体２に対する車輪３の相対速度の推定の精度の向上を図ることができる。
　また、本実施形態では、ストローク速度推定ネットワーク１２１Ａは、ＬＳＴＭである。
　このような構成によれば、車体２に対する車輪３の相対速度の推定の精度の向上を図ることができる。
　また、本実施形態では、データ取得部１０ａは、車両１のヨーレートを示すヨーレートデータを取得する。ストローク速度推定ネットワーク１２１Ａは、加速度データおよびヨーレートデータの入力に応じて相対速度を推定するように学習を行っている。ストローク速度推定部１０ｂＡは、ストローク速度推定ネットワーク１２１Ａを用いて、データ取得部１０ａによって取得された加速度データおよびヨーレートデータに応じた相対速度を推定する。
　このような構成によれば、車体２に対する車輪３の相対速度の推定の精度の向上をより一層図ることができる。
　また、本実施形態では、車両１は、車体２と車輪３との間に介在し、入力される電流に応じて減衰力を変更可能なショックアブソーバ４ｂを備える。データ取得部１０ａは、電流の値を示す電流値データを取得する。ストローク速度推定ネットワーク１２１Ａは、加速度データおよび電流値データの入力に応じて相対速度を推定するように学習を行っている。ストローク速度推定部１０ｂＡは、ストローク速度推定ネットワーク１２１Ａを用いて、データ取得部１０ａによって取得された加速度データおよび電流値データに応じた相対速度を推定する。
　このような構成によれば、車体２に対する車輪３の相対速度の推定の精度の向上をより一層図ることができる。
　また、本実施形態では、データ取得部１０ａは、車両１の操舵角度を示す操舵角度データを取得する。ストローク速度推定ネットワーク１２１Ａは、加速度データおよび操舵角度データの入力に応じて相対速度を推定するように学習を行っている。ストローク速度推定部１０ｂＡは、ストローク速度推定ネットワーク１２１Ａを用いて、データ取得部１０ａによって取得された加速度データおよび操舵角度データに応じた相対速度を推定する。
　このような構成によれば、車体２に対する車輪３の相対速度の推定の精度の向上をより一層図ることができる。
　また、本実施形態では、データ取得部１０ａは、車輪３の回転速度を示す車輪速度データを取得する。ストローク速度推定ネットワーク１２１Ａは、加速度データおよび車輪速度データの入力に応じて相対速度を推定するように学習を行っている。ストローク速度推定部１０ｂＡは、ストローク速度推定ネットワーク１２１Ａを用いて、データ取得部１０ａによって取得された加速度データおよび車輪速度データに応じた相対速度を推定する。
　このような構成によれば、車体２に対する車輪３の相対速度の推定の精度の向上をより一層図ることができる。
　なお、上記実施形態では、加速度センサ６が四つの車輪３ごとに一つずつ設けられた例が示されたが、加速度センサ６の数および搭載位置はこれに限定されない。例えば、加速度センサ６は、四つの車輪３のうち所定の１輪（例えば左の後輪３Ｒ）以外の３輪だけに搭載されていてもよい。この場合には、例えば、車体２が剛体であると仮定し、幾何学的に、３輪に対して設けられた加速度センサ６の出力値から加速度センサ６が設けられていない１輪の加速度を推定してもよい。また、加速度センサ６は、車輪３の真上(ホイールの真上位置)に搭載することが好ましいが、車輪３の真上から少し離れた位置に加速度センサ６が搭載されている場合も同様に、加速度センサ６の出力値から車輪３の真上の加速度を推定してもよい。
＜第３の実施形態＞
　図１８は、第３の実施形態にかかる車両１の一例の概略構成が示された模式図である。本実施形態は、加速度センサ６の数と制御装置１０が実行する処理とが第２の実施形態に対して異なる。
　図１８に示されるように、加速度センサ６は、四つの車輪３のうち三つにだけに対して設けられている。一例として、加速度センサ６は、左右二つの前輪３Ｆと左の後輪３Ｌとに対して設けられている。すなわち、右の後輪３Ｒに対して加速度センサ６は設けられていない。つまり、本実施形態では、車体２における各車輪３の真上(ホイールの真上位置)に位置する四つの加速度検知対象箇所のうち三つの加速度検知対象箇所だけに加速度センサ６が設けられている。加速度センサ６は、加速度検知対象箇所の実際の加速度である実加速度を検知する。なお、車体の加速度は、ばね上加速度とも称される。すなわち、加速度センサ６は、ばね上加速度を検知する。
　図１９は、第３の実施形態にかかる車両１の一例の制御装置１０の機能ブロック図である。図１９に示されるように、データ取得部１０ａは、取得部１０ａａと、推定部１０ａｂと、を有する。
　取得部１０ａａは、加速度センサ６から、加速度検知対象箇所の実加速度を示す実加速度データを取得する。
　推定部１０ａｂには、取得部１０ａａによって取得された加速度センサ６の３つの加速度検知対象箇所の実加速度データが入力される。推定部１０ａｂは、ばね上加速度推定ネットワーク１２２（第２のニューラルネットワーク）を用いて、入力された３つの加速度検知対象箇所の実加速度データに応じた全て（一例として四つ）の加速度検知対象箇所の実加速度を推定する。
　図１９に示されるように、記憶部１０ｄには、ストローク速度推定ネットワーク１２１Ａの他に、ばね上加速度推定ネットワーク１２２が記憶されている。
　図２０は、第３の実施形態にかかるストローク速度推定ネットワーク１２１Ａおよびばね上加速度推定ネットワーク１２２の構成を示した例示的かつ模式的なブロック図である。
　ばね上加速度推定ネットワーク１２２は、複数の加速度検知対象箇所のうち一部（一例として３つ）の加速度検知対象箇所の実加速度データ（入力データ）の入力に応じて全て（一例として４つ）の加速度検知対象箇所の実加速度データ（出力）を推定するように予め学習を行ったリカレントニューラルネットワーク（ＲＮＮ）として構成される。ストローク速度推定ネットワーク１２１Ａの学習時において、入力データは、複数の加速度検知対象箇所のうち一部（一例として３つ）の加速度検知対象箇所の実加速度データである。また、当該学習時おいて、教師データとしての出力データは、複数の加速度検知対象箇所の全てに対して加速度センサ６が設けられた場合の各加速度センサ６が検知する加速度検知対象箇所の実加速度である。なお、ストローク速度推定ネットワーク１２１Ａの学習時の車両１（一例として学習用の試験車）と、ばね上加速度推定ネットワーク１２２が実際に使用される車両１（一例として生産車）とは、車体２に対する各加速度センサ６の取り付けが異なっていてよい。例えば、ストローク速度推定ネットワーク１２１Ａの学習時の車両１は、ばね上加速度推定ネットワーク１２２が実際に使用される車両１よりも、車体２に対する各加速度センサ６の取り付けが強固であってよい。これは、例えば、車体２に対して加速度センサ６を取り付けるブラケット等の剛性を比較的高いものにすることにより実現される。これにより、学習時に加速度センサ６の振動が抑制され、より加速度の検出の精度を高めることができる。ばね上加速度推定ネットワーク１２２は、ニューラルネットワークおよび第２のニューラルネットワークの一例である。
　ばね上加速度推定ネットワーク１２２は、ストローク速度推定ネットワーク１２１Ａと同様に、Ｓｅｑ２Ｓｅｑモデルとして構成されている。より具体的には、ばね上加速度推定ネットワーク１２２は、ストローク速度推定ネットワーク１２１Ａと同様に、入力データの入力を受け付けてエンコード処理を実行するエンコーダ部１２１ａと、エンコーダ部１２１ａによるエンコーダ結果に基づいてデコード処理を実行し、デコード処理を実行したデータを出力するデコーダ部１２１ｂと、を備えている。
　ストローク速度推定部１０ｂＡには、データ取得部１０ａが推定した加速度データが入力される。ストローク速度推定部１０ｂＡは、データ取得部１０ａによって推定された加速度データを入力データとして、ストローク速度推定ネットワーク１２１Ａによって、相対速度であるストローク速度を推定する。
　図２１は、第３の実施形態にかかる技術によるばね上加速度の推定結果の一例を示した例示的かつ模式的な図である。図２１には、第３の実施形態の技術で推定されたばね上加速度（推定値）と、実際に計測されたばね上加速度（真値）とが、示されている。
　図２２は、比較例にかかる技術によるばね上加速度の推定結果の一例を示した例示的かつ模式的な図である。図２２には、比較例の技術で推定されたばね上加速度（推定値）と、実際に計測されたばね上加速度（真値）とが、示されている。比較例の技術は、加速度センサ６が設けられていない加速度検知対象箇所の加速度を、加速度センサ６が設けられている加速度検知対象箇所の加速度から幾何学的に求める例である。図２１および図２２から分かるように、本実施形態の技術は、比較例の技術に比べて、推定されたばね加速度と、実際に計測されたばね上加速度との誤差が小さい。
　以上のように、本実施形態では、データ取得部１０ａは、取得部１０ａａと、推定部１０ａｂと、を有する。取得部１０ａａは、車両１における互いに位置が異なる複数の加速度検知対象箇所のうち一部に対してのみ設けられた加速度センサ６から、加速度検知対象箇所の実際の加速度である実加速度を示す実加速度データを取得する。推定部１０ａｂは、実加速度データの入力に応じて、複数の加速度検知対象箇所の全てに対して加速度センサが設けられた場合の各加速度センサが検知する加速度検知対象箇所の実加速度を推定するように学習を行ったばね上加速度推定ネットワーク１２２（第２のニューラルネットワーク）を用いて、実加速度データの入力に応じた複数の加速度検知対象箇所の全ての実加速度を推定する。
　このような構成によれば、推定部１０ａｂがばね上加速度推定ネットワーク１２２を用いて、加速度センサ６が設けられていない箇所も含め複数の加速度検知対象箇所の全ての実加速度を推定するので、加速度データの精度の向上を図ることができる。よって、車体に対する車輪の相対速度の推定の精度の向上をより一層図ることができる。
　なお、推定部１０ａｂは、ばね上加速度推定ネットワーク１２２を用いて、複数の加速度検知対象箇所のうち加速度センサ６が設けられていない加速度検知対象箇所の実加速度のみを推定してもよい。また、推定部１０ａｂは、ばね上加速度推定ネットワーク１２２を用いて、複数の加速度検知対象箇所のうち少なくとも加速度センサ６が設けられていない加速度検知対象箇所の実加速度を推定してもよい。これらの場合、推定部１０ａｂによる実加速度の推定が行われない加速度検知対象箇所の実加速度は、取得部１０ａａが加速度センサ６から取得したものが、ストローク速度推定部１０ｂＡに入力されてよい。
　本発明において実施形態および変形例を説明したが、これらは、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、請求の範囲に記載された発明とその均等の範囲に含まれる。
　１…車両
　２…車体
　３…車輪
　４ｂ…ショックアブソーバ
　１０…制御装置（車両状態量推定装置）
　１０ａ…データ取得部
　１０ａａ…取得部
　１０ａｂ…推定部
　１０ｂ…車両状態推定部
　１０ｂＡ…ストローク速度推定部（相対速度推定部）
　１２１…車両状態推定ネットワーク（第１のニューラルネットワーク）
　１２１Ａ…ストローク速度推定ネットワーク（第１のニューラルネットワーク）
　１２２…ばね上加速度推定ネットワーク（ニューラルネットワーク、第２のニューラルネットワーク）

Claims (13)

  1. 　車両の速度に関するデータである第１のデータを取得するデータ取得部と、
    　前記第１のデータの入力に応じて、前記車両の上下方向における前記車両の車体に対する前記車両の車輪の相対速度と、前記上下方向における前記車体の速度である車体速度との少なくとも一方を推定するように学習を行った第１のニューラルネットワークを用いて、前記データ取得部によって取得された前記第１のデータに応じた前記相対速度と前記車体速度との少なくとも一方を推定する車両状態推定部と、
    　を備えた車両状態量推定装置。
  2. 　前記第１のデータは、前記車輪の回転速度を示す車輪速度データである、請求項１に記載の車両状態量推定装置。
  3. 　前記データ取得部は、前記車両のヨーレートを示すヨーレートデータを取得し、
    　前記第１のニューラルネットワークは、前記車輪速度データおよび前記ヨーレートの入力に応じて前記相対速度と前記車体速度との少なくとも一方を推定するように学習を行っており、
    　前記車両状態推定部は、前記第１のニューラルネットワークを用いて、前記データ取得部によって取得された前記車輪速度データおよび前記ヨーレートデータに応じた前記相対速度と前記車体速度との少なくとも一方を推定する、請求項２に記載の車両状態量推定装置。
  4. 　前記車両は、前記車体と前記車輪との間に介在し、入力される電流に応じて減衰力を変更可能なショックアブソーバを備え、
    　前記データ取得部は、前記電流の値を示す電流値データを取得し、
    　前記第１のニューラルネットワークは、前記車輪速度データおよび前記電流値データの入力に応じて前記相対速度と前記車体速度との少なくとも一方を推定するように学習を行っており、
    　前記車両状態推定部は、前記第１のニューラルネットワークを用いて、前記データ取得部によって取得された前記車輪速度データおよび前記電流値データに応じた前記相対速度と前記車体速度との少なくとも一方を推定する、請求項２に記載の車両状態量推定装置。
  5. 　前記データ取得部は、前記車両の操舵角度を示す操舵角度データを取得し、
    　前記第１のニューラルネットワークは、前記車輪速度データおよび前記操舵角度データの入力に応じて前記相対速度と前記車体速度との少なくとも一方を推定するように学習を行っており、
    　前記車両状態推定部は、前記第１のニューラルネットワークを用いて、前記データ取得部によって取得された前記車輪速度データおよび前記操舵角度データに応じた前記相対速度と前記車体速度との少なくとも一方を推定する、請求項２に記載の車両状態量推定装置。
  6. 　前記第１のデータは、前記車両の加速度を示す加速度データであり、
    　前記第１のニューラルネットワークは、前記相対速度を推定するように学習を行っており、
    　前記車両状態推定部は、前記第１のニューラルネットワークを用いて、前記データ取得部によって取得された前記加速度データに応じた前記相対速度を推定する、請求項１に記載の車両状態量推定装置。
  7. 　前記データ取得部は、前記車両のヨーレートを示すヨーレートデータを取得し、
    　前記第１のニューラルネットワークは、前記加速度データおよび前記ヨーレートデータの入力に応じて前記相対速度を推定するように学習を行っており、
    　前記車両状態推定部は、前記第１のニューラルネットワークを用いて、前記データ取得部によって取得された前記加速度データおよび前記ヨーレートデータに応じた前記相対速度を推定する、請求項６に記載の車両状態量推定装置。
  8. 　前記車両は、前記車体と前記車輪との間に介在し、入力される電流に応じて減衰力を変更可能なショックアブソーバを備え、
    　前記データ取得部は、前記電流の値を示す電流値データを取得し、
    　前記第１のニューラルネットワークは、前記加速度データおよび前記電流値データの入力に応じて前記相対速度を推定するように学習を行っており、
    　前記車両状態推定部は、前記第１のニューラルネットワークを用いて、前記データ取得部によって取得された前記加速度データおよび前記電流値データに応じた前記相対速度を推定する、請求項６に記載の車両状態量推定装置。
  9. 　前記データ取得部は、前記車両の操舵角度を示す操舵角度データを取得し、
    　前記第１のニューラルネットワークは、前記加速度データおよび前記操舵角度データの入力に応じて前記相対速度を推定するように学習を行っており、
    　前記車両状態推定部は、前記第１のニューラルネットワークを用いて、前記データ取得部によって取得された前記加速度データおよび前記操舵角度データに応じた前記相対速度を推定する、請求項６に記載の車両状態量推定装置。
  10. 　前記データ取得部は、前記車輪の回転速度を示す車輪速度データを取得し、
    　前記第１のニューラルネットワークは、前記加速度データおよび前記車輪速度データの入力に応じて前記相対速度を推定するように学習を行っており、
    　前記車両状態推定部は、前記第１のニューラルネットワークを用いて、前記データ取得部によって取得された前記加速度データおよび前記車輪速度データに応じた前記相対速度を推定する、請求項６に記載の車両状態量推定装置。
  11. 　前記データ取得部は、
    　車両における互いに位置が異なる複数の加速度検知対象箇所のうち一部に対してのみ設けられた加速度センサから、前記加速度検知対象箇所の実際の加速度である実加速度を示す実加速度データを取得する取得部と、
    　前記実加速度データの入力に応じて、前記複数の加速度検知対象箇所の全てに対して前記加速度センサが設けられた場合の各前記加速度センサが検知する前記加速度検知対象箇所の前記実加速度を推定するように学習を行った第２のニューラルネットワークを用いて、前記実加速度データの入力に応じた前記複数の加速度検知対象箇所の全ての前記実加速度を推定する推定部と、
    　を有する、請求項６～１０のうちいずれか一つに記載の車両状態量推定装置。
  12. 　前記第１のニューラルネットワークは、ＬＳＴＭ（Long　Short　Term　Memory）である、請求項１～１１のうちいずれか一つに記載の車両状態量推定装置。
  13. 　車両における互いに位置が異なる複数の加速度検知対象箇所のうち一部に対してのみ設けられた加速度センサから、前記加速度検知対象箇所の実際の加速度である実加速度を示す実加速度データを取得する取得部と、
    　前記実加速度データの入力に応じて、前記複数の加速度検知対象箇所の全てに対して前記加速度センサが設けられた場合の各前記加速度センサが検知する前記加速度検知対象箇所の前記実加速度を推定するように学習を行ったニューラルネットワークを用いて、前記実加速度データの入力に応じた前記複数の加速度検知対象箇所の全ての前記実加速度を推定する推定部と、
    　を備えた車両状態量推定装置。
PCT/JP2022/002726 2021-02-03 2022-01-25 車両状態量推定装置 WO2022168683A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2022579471A JPWO2022168683A1 (ja) 2021-02-03 2022-01-25
CN202280012225.1A CN116867657A (zh) 2021-02-03 2022-01-25 车辆状态量推定装置
EP22749557.9A EP4289642A1 (en) 2021-02-03 2022-01-25 Vehicle state quantity estimation device
US18/036,300 US20240001936A1 (en) 2021-02-03 2022-01-25 Vehicle state quantity estimation device

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
JP2021015857 2021-02-03
JP2021-015711 2021-02-03
JP2021015711 2021-02-03
JP2021-015857 2021-02-03
JP2021094603 2021-06-04
JP2021-094603 2021-06-04

Publications (1)

Publication Number Publication Date
WO2022168683A1 true WO2022168683A1 (ja) 2022-08-11

Family

ID=82741317

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/002726 WO2022168683A1 (ja) 2021-02-03 2022-01-25 車両状態量推定装置

Country Status (4)

Country Link
US (1) US20240001936A1 (ja)
EP (1) EP4289642A1 (ja)
JP (1) JPWO2022168683A1 (ja)
WO (1) WO2022168683A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024042831A1 (ja) * 2022-08-26 2024-02-29 株式会社アイシン 制御装置
WO2024070111A1 (ja) * 2022-09-26 2024-04-04 日立Astemo株式会社 サスペンションシステム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10913A (ja) 1996-06-13 1998-01-06 Toyota Motor Corp 車両用サスペンション装置の減衰力制御装置
JP2007223494A (ja) * 2006-02-24 2007-09-06 Fuji Heavy Ind Ltd 車両挙動推定予測装置および車両安定化制御システム
WO2013133059A1 (ja) * 2012-03-09 2013-09-12 日産自動車株式会社 車両の制御装置及び車両の制御方法
WO2015098217A1 (ja) * 2013-12-24 2015-07-02 日産自動車株式会社 車両の制御装置
JP2016117326A (ja) 2014-12-18 2016-06-30 アイシン精機株式会社 サスペンションの減衰力制御装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10913A (ja) 1996-06-13 1998-01-06 Toyota Motor Corp 車両用サスペンション装置の減衰力制御装置
JP2007223494A (ja) * 2006-02-24 2007-09-06 Fuji Heavy Ind Ltd 車両挙動推定予測装置および車両安定化制御システム
WO2013133059A1 (ja) * 2012-03-09 2013-09-12 日産自動車株式会社 車両の制御装置及び車両の制御方法
WO2015098217A1 (ja) * 2013-12-24 2015-07-02 日産自動車株式会社 車両の制御装置
JP2016117326A (ja) 2014-12-18 2016-06-30 アイシン精機株式会社 サスペンションの減衰力制御装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024042831A1 (ja) * 2022-08-26 2024-02-29 株式会社アイシン 制御装置
WO2024070111A1 (ja) * 2022-09-26 2024-04-04 日立Astemo株式会社 サスペンションシステム

Also Published As

Publication number Publication date
US20240001936A1 (en) 2024-01-04
JPWO2022168683A1 (ja) 2022-08-11
EP4289642A1 (en) 2023-12-13

Similar Documents

Publication Publication Date Title
WO2022168683A1 (ja) 車両状態量推定装置
CN104039569B (zh) 车辆
JP5321603B2 (ja) 車両のスタビライザ制御装置
CN103608229B (zh) 用于调节车辆行驶动态的装置和方法及带这种装置的车辆
CN113365855A (zh) 车辆行为装置
US11897301B2 (en) Vehicle travel state control device and vehicle travel state control method
US11919353B2 (en) Damping control device and damping control method for vehicle
CN113752772A (zh) 减振控制装置以及减振控制方法
GB2281722A (en) Controlling damping characteristic of vehicular shock absorber
WO2022024919A1 (ja) サスペンション制御装置およびサスペンション装置の制御方法
JP2021049953A (ja) 状態量算出装置、制御装置および車両
JP6638707B2 (ja) サスペンション制御システム
JP2020117196A (ja) 車両運動状態推定装置
CN115298045A (zh) 车辆控制装置、车辆控制方法以及车辆控制系统
JPH05262118A (ja) ショックアブソーバの減衰力制御装置
CN109203904B (zh) 用于车辆的行驶控制系统
CN116867657A (zh) 车辆状态量推定装置
CN113071282B (zh) 一种车辆调节方法及装置
CN113752770B (zh) 半主动悬架控制系统及方法、计算机存储介质、车辆
WO2024042831A1 (ja) 制御装置
CN109878348B (zh) 一种用于前后轴分布式驱动电动车的运动控制系统及方法
JP7312707B2 (ja) サスペンション制御装置
KR100895703B1 (ko) 센서 고장을 검출하는 차량용 현가장치
JP7458525B2 (ja) 車両のサスペンションシステム
WO2022009869A1 (ja) 車両制御装置およびサスペンションシステム

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: 22749557

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18036300

Country of ref document: US

ENP Entry into the national phase

Ref document number: 2022579471

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 202280012225.1

Country of ref document: CN

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022749557

Country of ref document: EP

Effective date: 20230904