WO2023228795A1 - 機械学習装置、車両試験システム、機械学習方法、及び車両試験方法 - Google Patents

機械学習装置、車両試験システム、機械学習方法、及び車両試験方法 Download PDF

Info

Publication number
WO2023228795A1
WO2023228795A1 PCT/JP2023/018105 JP2023018105W WO2023228795A1 WO 2023228795 A1 WO2023228795 A1 WO 2023228795A1 JP 2023018105 W JP2023018105 W JP 2023018105W WO 2023228795 A1 WO2023228795 A1 WO 2023228795A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
data
load
road
machine learning
Prior art date
Application number
PCT/JP2023/018105
Other languages
English (en)
French (fr)
Inventor
陽二 小松
真 永岡
Original Assignee
株式会社堀場製作所
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 株式会社堀場製作所 filed Critical 株式会社堀場製作所
Publication of WO2023228795A1 publication Critical patent/WO2023228795A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles

Definitions

  • the present invention relates to a machine learning device, a vehicle testing system, a machine learning method, and a vehicle testing method for easily reproducing loads such as road gradient loads during actual road driving.
  • the target running resistance (RL[N]) is expressed by the following equation (1).
  • RL A+B ⁇ V+C ⁇ V 2 +I ⁇ +M ⁇ g ⁇ sin ⁇ Road +F
  • V Vehicle speed [m/s]
  • A, B, C Running resistance constant
  • ⁇ Road Road gradient (road gradient in the direction of travel) [deg]
  • M Test vehicle weight
  • I Equivalent inertial mass [kg]
  • ⁇ Acceleration [m/s 2 ]
  • g Gravity acceleration
  • Variable Variation in running resistance resulting from vehicle behavior (acceleration/deceleration, steering operation, etc.)
  • the values of A, B, and C terms vary depending on the vehicle type, road surface condition, tire type, etc., and vary depending on the individual. differs for each vehicle.
  • the C term is an air resistance coefficient
  • the A and B terms are coefficients indicating rolling resistance.
  • Patent Document 2 a method for calculating a road slope with high accuracy by combining a gyro sensor, an acceleration sensor, GPS information, and the like.
  • Other methods include calculating from values measured during driving, such as by using a gyro sensor, wheel torque sensor, or external pressure measurement, or from elevation information on a commercially available topographic map or high-precision three-dimensional map.
  • Patent Document 1 it is necessary to perform torque matching every time the vehicle travels on an actual road, which is time-consuming. Further, in the method shown in Patent Document 2, it takes time and effort to attach various sensors such as a gyro sensor and a wheel torque sensor. Furthermore, with external pressure measurement, it is difficult to detect minute changes in road slope, and it is affected by pressure fluctuation factors other than altitude, such as when passing through a tunnel, and it is difficult to obtain a simulated slope ( ⁇ Emulation ). Can not. In addition, with the method of using commercially available topographic maps, it is difficult to obtain data covering all roads with high granularity at low cost, and it is not possible to obtain simulated gradients ( ⁇ Emulation ).
  • the present invention has been made in view of the above-mentioned problems, and its main objective is to simplify the reproduction of loads such as road slope loads and running resistance fluctuations derived from vehicle behavior during actual road driving. It is something to do.
  • the machine learning device is a machine learning device that generates a simulated slope prediction model used in vehicle tests, and is a machine learning device that generates a simulated slope prediction model used in vehicle tests, and is configured to generate load data including road slope resistance of a driving route and driving resistance fluctuations derived from vehicle behavior. and a learning data acquisition unit that acquires learning data consisting of vehicle travel data including vehicle speed, accelerator operation amount, and brake operation amount when the vehicle traveled on the travel route, and the load data and the vehicle travel data.
  • the present invention is characterized by comprising a machine learning unit that performs machine learning on the correlation between the load data and the vehicle running data to generate a simulated gradient prediction model that shows the correlation between the load data and the vehicle running data.
  • load data including the road gradient resistance (M ⁇ g ⁇ sin ⁇ Road ) of the driving route and the driving resistance variation (F Variable ) derived from vehicle behavior, and when the vehicle travels along the driving route. It is possible to generate a simulated gradient prediction model that shows the correlation between vehicle speed, accelerator operation amount, and vehicle travel data including the amount of brake operation. Therefore, by inputting various vehicle running data into the simulated slope prediction model, the road gradient resistance (M x g x sin ⁇ Road ) corresponding to each vehicle running data and the running resistance variation (F Variable ) derived from vehicle behavior can be calculated. ) can be obtained. As a result, it is possible to easily reproduce loads such as the road gradient resistance (M ⁇ g ⁇ sin ⁇ Road ) during actual road driving and the running resistance variation (F Variable ) derived from vehicle behavior.
  • the load data includes a load calculated from a simulated gradient obtained by adding a value obtained by converting running resistance fluctuations resulting from vehicle behavior into a gradient to the road gradient of the driving route.
  • the learning data acquisition unit acquires learning data consisting of load data used in torque matching or road simulation and vehicle running data used at that time.
  • the machine learning unit performs machine learning on the correlation between the acquired load data and the vehicle running data to generate a simulated slope prediction model showing the correlation between the load data and the vehicle running data. It will be done.
  • the machine learning unit uses pedal coefficients indicating the pedal characteristics of the vehicle in the simulated slope prediction model, It is desirable to generate a simulated gradient prediction model that corresponds to the pedal coefficient.
  • the learning data acquisition unit acquires, as the learning data, a road model that includes a correct or known road slope for at least a portion of the travel route, and the machine learning unit calculates the road slope from the simulated slope. It is desirable to perform machine learning on the correlation between the removed data and the vehicle running data, and to generate a vehicle behavior load model that shows the correlation between the vehicle behavior load data obtained by removing the road slope from the load data and the vehicle running data. .
  • the road slope resistance M ⁇ g ⁇ sin ⁇ Road
  • F Variable driving resistance variation derived from vehicle behavior
  • the learning data acquisition unit acquires first learning data including the load data on the first vehicle, the vehicle travel data, and the road model on which the first vehicle traveled, the load data on the second vehicle, and the vehicle travel data.
  • the machine learning unit obtains travel data and second learning data consisting of the road model on which the second vehicle traveled, and the machine learning unit uses the first learning data of the first vehicle to determine the vehicle of the first vehicle. It is desirable to generate a behavioral load model, and to generate the vehicle behavioral load model of the second vehicle from second learning data of the second vehicle.
  • the vehicle testing system is a vehicle testing system that includes a vehicle testing device such as a dynamometer that applies a load to the vehicle or a test specimen that is a part thereof during driving, and includes road gradient resistance ( Load data including M ⁇ g ⁇ sin ⁇ Road ) and running resistance variation (F Variable ) derived from vehicle behavior, and vehicle running data including vehicle speed, accelerator operation amount, and brake operation amount when the vehicle traveled on the above-mentioned travel route. a model storage unit that stores a simulated slope prediction model showing a correlation with data; and a load data calculation unit that calculates load data to be input to the vehicle testing device from the vehicle running data and the simulated slope prediction model. It is characterized by a vehicle testing device such as a dynamometer that applies a load to the vehicle or a test specimen that is a part thereof during driving, and includes road gradient resistance ( Load data including M ⁇ g ⁇ sin ⁇ Road ) and running resistance variation (F Variable ) derived from vehicle behavior, and vehicle running data including vehicle speed,
  • the model storage section stores a vehicle behavior load model that indicates a correlation between vehicle behavior load data indicating a running resistance variation derived from the vehicle behavior and the vehicle running data
  • the load data calculation section includes: It is desirable that the vehicle behavior load data be calculated from the vehicle travel data and the vehicle behavior load model.
  • the second vehicle is tested using the data of the first vehicle, and the load data calculation unit is configured to calculate data derived from a road model of the travel route traveled by the first vehicle and the vehicle behavior of the second vehicle.
  • load data to be input to a vehicle testing device that tests the second vehicle is calculated using vehicle behavior load data indicating a variation in running resistance and a vehicle behavior load model indicating a correlation between the vehicle running data. .
  • the second vehicle is, for example, a vehicle equipped with an advanced driving support system (ADAS vehicle) or an automated driving vehicle (AD vehicle). Note that the second vehicle is not limited to an ADAS vehicle or an AD vehicle.
  • ADAS vehicle advanced driving support system
  • AD vehicle automated driving vehicle
  • the machine learning method according to the present invention is a machine learning method used for vehicle testing, and includes load data including road gradient resistance of a driving route and running resistance fluctuations derived from vehicle behavior, Obtain learning data consisting of vehicle travel data including the vehicle speed, accelerator operation amount, and brake operation amount when the vehicle is traveling, and perform machine learning on the correlation between the load data and the vehicle travel data, and perform machine learning on the correlation between the load data and the vehicle travel data. It is desirable to generate a simulated slope prediction model that shows a correlation with the vehicle travel data.
  • the vehicle testing method according to the present invention is a vehicle testing method using a dynamometer that applies a load to the vehicle or a test specimen that is a part of the vehicle during driving, and the vehicle testing method uses a dynamometer to apply a load to the vehicle or a test specimen that is a part of the vehicle.
  • a simulated slope prediction model that shows the correlation between load data including the derived running resistance fluctuations and vehicle running data including the vehicle speed, accelerator operation amount, and brake operation amount when the vehicle traveled on the travel route
  • the vehicle is The present invention is characterized in that the load data is calculated from running data, and the calculated load data is input to the dynamometer to test the vehicle.
  • FIG. 1 is a schematic diagram showing a vehicle testing system according to a first embodiment of the present invention. It is a schematic diagram which shows the time of machine learning and the time of gradient prediction of 1st Embodiment.
  • FIG. 2 is a schematic diagram showing the procedure of the vehicle test system of the first embodiment. It is a schematic diagram which shows the procedure of the vehicle test system of 2nd Embodiment.
  • FIG. 7 is a schematic diagram showing generation of a simulated gradient prediction model according to the third embodiment. It is a schematic diagram which shows the procedure of the vehicle test system of 4th Embodiment. It is a figure which shows the calculation procedure of the load data (simulated gradient ((theta) Emulation ) of 4th Embodiment.
  • the vehicle test system 100 of the first embodiment reproduces the running load during actual road driving by road simulation control in a test room.
  • the vehicle test system 100 includes a chassis dynamometer 2 for causing a test vehicle to run in a simulated manner, and a control device 3 for controlling the chassis dynamometer 2.
  • the chassis dynamometer 2 includes a roller 21 on which a tire of a vehicle is placed, and a dynamometer 22 that is connected to the roller 21 and applies a load to the vehicle W via the roller 21.
  • the vehicle is not limited to a complete vehicle, but may also be a part of a vehicle having an engine, a motor, a power train, or the like.
  • Road driving test This road driving test is a test in which vehicle driving data such as vehicle speed, accelerator operation amount, brake operation amount, or steering operation amount during driving on the actual road is obtained by driving on an actual road.
  • the accelerator operation amount may be an accelerator pedal position or a throttle opening.
  • the brake operation amount may be a brake pedal position or brake pressure.
  • the steering operation amount may be a steering angle or a difference in left and right wheel speeds.
  • vehicle information includes, for example, the voltage or current of the battery or motor, the warm-up state of the internal combustion engine (for example, cooling water temperature or engine oil temperature, etc.), the charging state or deterioration state of the battery, or The temperature inside or around the battery, motor, etc.
  • the amount of emissions of the component to be measured contained in the exhaust gas emitted from the internal combustion engine of the vehicle may be measured.
  • Torque Matching is a method of obtaining the dynamo load (torque matching load (RepForce)) that the chassis dynamometer 2 applies to the vehicle W by running the test vehicle W on the chassis dynamometer 2. It is.
  • torque matching is performed while controlling the driving robot 4 mounted on the vehicle W and driving the vehicle W to match the accelerator operation amount, brake operation amount, and/or shift position of the road driving test.
  • the speed of the chassis dynamometer 2 is controlled so that the vehicle speed of W becomes the vehicle speed of the road test.
  • the dynamometer load from the dynamometer obtained through these controls is obtained. Note that the dynamo load (torque matching load (RepForce)) thus obtained is used for machine learning described below.
  • torque matching it is possible to obtain a value (simulated gradient ( ⁇ Emulation )) obtained by adding the slope-converted running resistance variation (F Variable ) to the road gradient ( ⁇ Road ).
  • the machine learning device 5 includes a learning data acquisition unit 51 that acquires learning data for generating a simulated gradient prediction model, and a machine learning unit 52 that generates a simulated gradient prediction model using the learning data. ing.
  • the learning data consists of load data indicating the dynamo load obtained by the torque matching described above and vehicle running data used in the torque matching.
  • the load data used as the learning data is, for example, a value obtained by adding (in this case, adding) a road gradient ( ⁇ Road ) obtained by converting the running resistance variation (F Variable ) into a gradient (simulated gradient ( ⁇ Emulation )). It is. Alternatively, it may be the sum of "gradient resistance (M ⁇ g ⁇ sin ⁇ Road )" and "a value obtained by converting running resistance variation (F Variable ) derived from vehicle behavior into gradient resistance.”
  • the vehicle running data used as the learning data is the vehicle speed, accelerator operation amount, brake operation amount, steering operation amount, etc. while traveling on the driving route, or calculated values such as square values or differential values obtained from them. be.
  • the machine learning unit 52 performs machine learning on the correlation between the load data obtained by the above torque matching and the vehicle running data used for torque matching, and calculates the load data (simulated slope ( ⁇ Emulation )) and vehicle running data. Generate a simulated gradient prediction model (machine learning model) that shows the correlation with As shown in "Forecast time" in FIG. 2, by inputting vehicle travel data into this simulated gradient prediction model, it is possible to calculate the simulated gradient ( ⁇ Emulation ) of the travel route for which the vehicle travel data has been acquired.
  • the machine learning algorithm in the machine learning unit 52 is machine learning (for example, recurrent neural network (RNN)) characterized by inputting past information and using it for present and future predictions.
  • RNN recurrent neural network
  • FIG. 3 shows the test procedure of the first embodiment.
  • a first road test (Road Test no. 1) is performed on a vehicle as a test object to obtain vehicle running data that will serve as learning data.
  • the vehicle travel data serving as the learning data include a wide driving range. Therefore, the longer the number of trips or the longer the driving time, the wider the driving range, and the higher the learning accuracy or prediction accuracy of machine learning tends to be.
  • a driving test that covers combinations of these is desirable.
  • a 30-minute driving test may include a combination of city streets, mountain roads, and expressways. It is also conceivable to obtain vehicle driving data by performing driving tests on each of a plurality of driving routes with a plurality of drivers.
  • the dynamometer control unit 33 uses this load data (simulated slope ( ⁇ Emulation ) to perform road simulation (RLS) control on the dynamometer 22, thereby performing a simulated running test of the vehicle W on the chassis dynamometer 2. It will be done. Note that the driving of the vehicle in road simulation (RLS) control may be performed using the driving robot 4, but it may also be driven by a person.
  • the vehicle running data obtained in the first road running test and the load data (simulated gradient ( ⁇ Emulation )) obtained by torque matching are used as learning data, and the correlation between them is machine learned.
  • a simulated slope prediction model is generated that shows the correlation between the calculation result and the load data (simulated slope ( ⁇ Emulation )).
  • This simulated gradient prediction model is stored in the model storage unit 31 of the control device 3 (see FIG. 1). Note that the simulated gradient prediction model may be stored in an information processing device different from the control device 3.
  • the vehicle running data obtained in those road tests are used for control without performing torque matching. It is input to device 3.
  • the load data calculation unit 32 of the control device 3 inputs the vehicle running data into the simulated gradient prediction model and calculates load data (simulated gradient ( ⁇ Emulation )) for performing the simulated running test for each road running test. do.
  • the dynamometer control unit 33 uses this calculated load data (simulated slope ( ⁇ Emulation )) to simulate the vehicle W on the chassis dynamometer 2.
  • load simulation (RLS) control may be performed using the driving robot 4, but it may also be driven by a person.
  • load data (simulated It is possible to generate a simulated slope prediction model that shows the correlation between the slope ( ⁇ Emulation ) and vehicle travel data including vehicle speed, accelerator operation amount, and brake operation amount when the vehicle travels on the travel route. Therefore, by inputting various vehicle running data into the simulated gradient prediction model, it is possible to output and obtain load data (simulated gradient ( ⁇ Emulation )) during the vehicle running. As a result, it is possible to easily reproduce loads such as the gradient resistance (M ⁇ g ⁇ sin ⁇ Road ) of actual road driving and the running resistance variation (F Variable ) derived from vehicle behavior.
  • loads such as the gradient resistance (M ⁇ g ⁇ sin ⁇ Road ) of actual road driving and the running resistance variation (F Variable ) derived from vehicle behavior.
  • the machine learning method of the machine learning device 5 is different from the first embodiment, and as shown in FIG. A simulated gradient prediction model is generated without performing torque matching.
  • the learning data acquisition unit 51 of the machine learning device 5 performs a learning process consisting of load data (input slope ⁇ ) used in an arbitrary road simulation (RLS) and vehicle running data obtained in a road running test.
  • Get data for The vehicle driving data is generated from actual driving data obtained by a real vehicle driving on a real driving route, or from virtual driving data obtained by a virtual vehicle driving on a virtual driving route. It is something that
  • the machine learning unit 52 performs machine learning on the correlation between the load data (input gradient ⁇ ) used in the road simulation and the vehicle running data used in the road simulation, and performs machine learning on the load data (input gradient ⁇ ). ) and vehicle travel data.
  • the machine learning unit 52 performs machine learning on the correlation between the load data (input gradient ⁇ ) used in the road simulation and the vehicle running data used in the road simulation, and performs machine learning on the load data (input gradient ⁇ ). ) and vehicle travel data.
  • the configuration of the machine learning section 52 of the machine learning device 5 is different from those of the above embodiments.
  • the machine learning unit 52 generates a simulated slope prediction model for each pedal characteristic using the simulated slope prediction model generated according to the first embodiment or the second embodiment and mutually different pedal coefficients.
  • the pedal coefficient is a coefficient indicating pedal characteristics, and can be expressed as a value obtained by dividing the driving force by the amount of pedal depression.
  • the vehicle speed or acceleration may be taken into account when calculating this value.
  • the machine learning unit 52 calculates the generated simulated gradient prediction model f A (x) when the pedal settings (pedal settings for eco mode, pedal settings for sport mode, etc.) are changed. Simulate the changed pedal settings using the ratio (K C /K A ) of the pedal coefficient K A of the pedal settings when the simulated slope prediction model was generated and the pedal coefficient K C of the pedal settings after the change.
  • the configuration of the machine learning section 52 of the machine learning device 5 is different from each of the above embodiments.
  • the learning data acquisition unit 51 of the machine learning device 5 acquires the road gradient ( ⁇ Road ) of at least a portion of the driving route as learning data for generating a gradient prediction model.
  • Obtain a road model that includes: Note that the road model includes at least a gradient output model that indicates the relationship between vehicle information (for example, vehicle speed or position information in terms of longitude and latitude) and the road gradient ( ⁇ Road ).
  • This gradient output model may be road map data.
  • the machine learning unit 52 performs machine learning on the correlation between the road model, the simulated gradient excluding the road gradient, and the vehicle running data, and calculates the road gradient ( ⁇ Road ) from the load data (simulated gradient ( ⁇ Emulation )).
  • a vehicle behavior load model is generated that shows the correlation between vehicle behavior load data and vehicle running data.
  • FIG. 6 describes an example of the procedure for generating a vehicle behavior load model and a road model in each road driving test.
  • Road Test no. 1 a section with a known road gradient ( ⁇ Road ) was designated as Road Test no. 1 and obtain a road model. Then, along with the road model, vehicle running data and load data (simulated slope ( ⁇ Emulation )) obtained by torque matching are acquired as learning data.
  • the correlation between the vehicle behavior load data (sin -1 (F Variable /Mg)) obtained by removing the road slope ( ⁇ Road ) from the load data (simulated slope ( ⁇ Emulation )) and the vehicle running data is learned by machine learning.
  • a vehicle behavior load model that shows the correlation between vehicle behavior load data (sin ⁇ 1 (F Variable /Mg)) obtained by removing the road gradient ( ⁇ Road ) from load data (simulated gradient ( ⁇ Emulation )) and vehicle running data. generate.
  • the load data obtained from the vehicle running data of each road test and the above simulated gradient prediction model is used.
  • vehicle behavior load data obtained from the vehicle travel data of each road test and the vehicle behavior load model described above the slope resistance of the driving route in each road test (M x g x sin ⁇ Road ) can be obtained.
  • a road model for each road driving test can be generated from the road gradient ( ⁇ Road ) obtained from this and the latitude and longitude information.
  • the load data calculation unit 32 of the control device 3 inputs vehicle running data (vehicle speed, accelerator operation amount, brake operation amount, etc.) into the vehicle behavior load model, and calculates the running resistance variation (F Variable ) derived from the vehicle behavior. calculate.
  • the load data calculation unit 32 inputs vehicle running data (vehicle speed, longitude, latitude, etc.) to the slope output model included in the road model, calculates the road slope ( ⁇ Road ), and also calculates the road slope ( ⁇ Road ).
  • the load data calculation unit 32 adds up the running resistance variation (F Variable ) derived from the calculated vehicle behavior and the slope load (M ⁇ g ⁇ sin ⁇ Road ).
  • Load data (simulated gradient ( ⁇ Emulation )) is calculated from this summed value.
  • the dynamometer control unit 33 performs road load simulation (RLS) control on the dynamometer 22 using the load data (simulated slope ( ⁇ Emulation )) obtained by adding up the data, so that the load data on the chassis dynamometer 2 is controlled.
  • RLS road load simulation
  • a load model of road gradient resistance (M ⁇ g ⁇ sin ⁇ Road ) and a load model of running resistance variation (F Variable ) derived from vehicle behavior are provided. It can be separated into As a result, the road slope resistance (M x g x sin ⁇ Road ) load and the running resistance variation (F Variable ) originating from vehicle behavior can be determined separately from arbitrary vehicle running data.
  • the developed road model can be used for testing and simulation with other vehicles.
  • a vehicle behavior load model of the first vehicle and/or a road model of the route traveled by the first vehicle is generated, and a vehicle behavior load model of the second vehicle and/or A road model of the route traveled by the second vehicle is generated.
  • the learning data acquisition unit 51 of the machine learning device 5 acquires first learning data consisting of load data (simulated gradient ( ⁇ Emulation )) on the first vehicle, vehicle running data, and a road model, and Second learning data consisting of load data (simulated slope ( ⁇ Emulation )), vehicle travel data, and a road model are acquired.
  • first learning data consisting of load data (simulated gradient ( ⁇ Emulation )) on the first vehicle, vehicle running data, and a road model
  • Second learning data consisting of load data (simulated slope ( ⁇ Emulation )
  • vehicle travel data simulated slope ( ⁇ Emulation )
  • the machine learning unit 52 generates a vehicle behavior load model of the first vehicle and/or a road model of the route traveled by the first vehicle from the first learning data of the first vehicle, and generates a vehicle behavior load model of the first vehicle and/or a road model of the route traveled by the first vehicle.
  • a vehicle behavior load model of the second vehicle and/or a road model of the route traveled by the second vehicle are generated from the learning data.
  • the machine learning device 5 above uses a road model database, a vehicle behavior load model database, or a driver model database based on past test results of various vehicles (first vehicle). can be constructed.
  • the driver model is a model that shows the driving characteristics of the driver, and is obtained from past vehicle test data (vehicle speed, engine condition, accelerator and pedal usage, brake pedal usage, steering angle, etc.). It may be obtained from time-series vehicle speed and shift data, it may be obtained by a predetermined calculation, or a simple vehicle speed profile may be used as is.
  • the vehicle you want to develop is an AD vehicle (see Figure 8)
  • An evaluation is performed by combining the vehicle behavior load model obtained from the results of the road test of the vehicle to be developed, the AD control driving method (AD system) of the vehicle to be developed, and the road model in the database.
  • the AD vehicle can be evaluated in various scenarios (driving profiles) such as various driving routes. For example, it is possible to evaluate whether the AD system has operated correctly or whether the dynamic behavior of the vehicle is as expected.
  • Second vehicle is an ADAS vehicle (see Figure 9)
  • An evaluation is performed by combining the vehicle behavior load model obtained from the results of the road test of the vehicle to be developed with the road model and driver model in the database. This allows the ADAS vehicle to be evaluated in various scenarios (driving profiles) such as various driving routes. For example, it is possible to evaluate whether the ADAS system has operated correctly or whether the dynamic behavior of the vehicle is as expected.
  • the vehicle in this evaluation may be driven using the driving robot 4, but it may also be driven by a person.
  • AD/ADAS vehicles are applicable when developing a new AD/ADAS system, when applying the same AD/ADAS system to another vehicle, or when adding an AD/ADAS system as an add-on to an existing vehicle. It is assumed that this will be done on a similar basis.
  • the machine learning unit 52 performs machine learning on the correlation between a road model including a road gradient ( ⁇ Road ), load data (simulated gradient ( ⁇ Emulation )), and vehicle running data, and calculates gradient resistance (M ⁇ g ⁇ A gradient load model that shows the correlation between sin ⁇ Road ) and vehicle running data, and a correlation between vehicle behavior load data and vehicle running data obtained by removing the road gradient ( ⁇ Road ) from the load data (simulated gradient ( ⁇ Emulation )).
  • a vehicle behavior load model may be generated that shows the vehicle behavior.
  • the load data calculation unit 32 of the control device 3 inputs vehicle running data (vehicle speed, accelerator operation amount, brake operation amount, etc.) into the vehicle behavior load model, and calculates the The running resistance variation (F Variable ) is calculated. Further, the load data calculation unit 32 inputs vehicle running data (vehicle speed, accelerator operation amount, brake operation amount, etc.) into the slope load model and calculates the slope load (M ⁇ g ⁇ sin ⁇ Road ). Furthermore, the load data calculation unit 32 adds up the running resistance variation (F Variable ) derived from the calculated vehicle behavior and the slope load (M ⁇ g ⁇ sin ⁇ Road ). This summed value becomes load data (simulated slope ( ⁇ Emulation )).
  • the dynamometer control unit 33 performs road load simulation (RLS) control on the dynamometer 22 using the load data (simulated slope ( ⁇ Emulation )) obtained by adding up the data, so that the load data on the chassis dynamometer 2 is controlled. A simulated driving test of the vehicle W is performed.
  • RLS road load simulation
  • the vehicle test system of each of the above embodiments uses a chassis dynamometer that applies a load to the vehicle, but it is also possible to use a dynamometer that applies a load to a part of the vehicle (for example, the power train, engine, etc.). It may be something.
  • the machine learning model obtained in each of the embodiments described above can be used in a test using a part of a vehicle as a specimen or a full simulation test.
  • the accelerator operation amount, brake operation amount, etc. included in the vehicle running data may be replaced by a vehicle signal instead of the physical operation amount.
  • the learning data may include road surface conditions of the travel route (for example, road surface friction coefficient, puddles, unevenness, etc.). Thereby, it is possible to generate a gradient prediction model that takes into account the road surface condition of the travel route.
  • road surface conditions of the travel route for example, road surface friction coefficient, puddles, unevenness, etc.
  • the learning data may include vehicle information such as vehicle weight, temperature of each part of the vehicle, battery charging state, etc.
  • vehicle information such as vehicle weight, temperature of each part of the vehicle, battery charging state, etc.
  • the learning data may include environmental information such as ambient temperature, humidity, and altitude. Thereby, it is possible to generate a simulated gradient prediction model that takes environmental information into consideration.
  • the load data used as the learning data was a value (simulated gradient ( ⁇ Emulation )) obtained by adding the road gradient ( ⁇ Road ) to the gradient conversion of the running resistance variation (F Variable ).
  • Overall running load rolling resistance (A + B x V), air resistance (C x V 2 ), inertial resistance (I x ⁇ ), slope resistance (M x g x sin ⁇ Road ) and running resistance fluctuations derived from vehicle behavior ( F Variable ) may also be used.
  • the calculated load data (simulated slope ( ⁇ Emulation )) is input to the dynamometer 22 to perform a simulated running test on the vehicle as a specimen.
  • a simulation (test in a virtual environment) may be performed on a computer using a simulated gradient ( ⁇ Emulation ).
  • load data obtained by torque matching was used, but it is also possible to use load measured during actual road driving for machine learning, such as load calculated from torque applied to an axle. good.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本発明は、実路走行の道路勾配抵抗等の負荷再現を簡単にするものであり、走行経路の道路勾配抵抗及び車両挙動に由来する走行抵抗変動分を含む負荷データと、前記走行経路を車両が走行したときの車速、アクセル操作量及びブレーキ操作量を含む車両走行データとからなる学習用データを取得する学習用データ取得部５１と、前記負荷データと前記車両走行データとの相関を機械学習して、前記負荷データと前記車両走行データとの相関を示す模擬勾配予測モデルを生成する機械学習部５２とを備える。

Description

機械学習装置、車両試験システム、機械学習方法、及び車両試験方法
　本発明は、実路走行の道路勾配負荷等の負荷再現を簡単にするための機械学習装置、車両試験システム、機械学習方法、及び車両試験方法に関するものである。
　従来、実路走行で得られた車両走行データに基づいて、試験室に設置されたダイナモメータを用いて車両を模擬走行させるロードロードシミュレーション（Road Load Simulation）が行われている。このロードロードシミュレーションでは、実路走行における走行抵抗を再現するために、ダイナモメータが車両に与える目標走行抵抗を、転がり抵抗（Ａ＋Ｂ×Ｖ）、空気抵抗（Ｃ×Ｖ２）、慣性抵抗（Ｉ×α）、又は道路勾配抵抗（Ｍ×ｇ×ｓｉｎθ）等により設定する。なお、実路走行においては、上記の走行抵抗、慣性抵抗、道路勾配抵抗に加えて、車両挙動（加減速など）に由来する走行抵抗等も発生する。
　具体的には、目標走行抵抗（ＲＬ［Ｎ］）は、以下の式（１）により表現される。
　ＲＬ＝Ａ＋Ｂ×Ｖ＋Ｃ×Ｖ２＋Ｉ×α＋Ｍ×ｇ×ｓｉｎθＲｏａｄ＋ＦＶａｒｉａｂｌｅ
　ここで、Ｖ：車速［ｍ／ｓ］
　　　　　Ａ、Ｂ、Ｃ：走行抵抗定数
　　　　　θＲｏａｄ：道路勾配（進行方向の道路勾配）［ｄｅｇ］
　　　　　Ｍ：試験車重量
　　　　　Ｉ：等価慣性質量［ｋｇ］
　　　　　α：加速度［ｍ／ｓ２］
　　　　　ｇ：重力加速度
　　　　　ＦＶａｒｉａｂｌｅ：車両挙動（加減速やステアリング操作等）に由来する走行抵抗変動分
　なお、Ａ項、Ｂ項、Ｃ項の値は車種、路面状態、タイヤ種別などにより変化し、個々の車両毎に異なる。Ｃ項は空気抵抗係数、Ａ、Ｂ項は転がり抵抗を示す係数である。
　ここで、ロードロードシミュレーションでは、上記の転がり抵抗（Ａ＋Ｂ×Ｖ）、空気抵抗（Ｃ×Ｖ２）、慣性抵抗（Ｉ×α）だけでなく、道路勾配抵抗（Ｍ×ｇ×ｓｉｎθＲｏａｄ）と車両挙動に由来する走行抵抗変動分（ＦＶａｒｉａｂｌｅ）とを再現することが重要である。ところが、従来では、走行抵抗変動分（ＦＶａｒｉａｂｌｅ）を考慮しておらず、道路勾配（θＲｏａｄ）のみを計測して（しかも道路勾配の計測精度が良くない）、その道路勾配に基づく勾配指令値（トルク指令値）をダイナモメータに入力している。
　一方で、道路勾配抵抗（Ｍ×ｇ×ｓｉｎθＲｏａｄ）と車両挙動に由来する走行抵抗変動分（ＦＶａｒｉａｂｌｅ）とを再現すべく、特許文献１に示されるように、トルクマッチング（トルク合わせ）結果から勾配プロファイルを求める手法が考えられている。この手法では、道路勾配（θＲｏａｄ）に、走行抵抗変動分（ＦＶａｒｉａｂｌｅ）を勾配変換したものを加算した値（以下、模擬勾配（θＥｍｕｌａｔｉｏｎ）という。）を求めることができる。その結果、模擬勾配（θＥｍｕｌａｔｉｏｎ）に基づく勾配指令値（トルク指令値）をダイナモメータに入力することができる。また、特許文献２に示すように、ジャイロセンサ、加速度センサ、ＧＰＳ情報などを組み合わせて、高精度に道路勾配を算出する方法が開示されている。その他、ジャイロセンサ、ホイールトルクセンサ、外気圧計測など走行中に計測した値から算出したり、市販の地形図や高精度３次元地図の標高情報から算出する方法がある。
　しかしながら、特許文献１に示す手法では、実路走行毎にトルクマッチングを行う必要があり、手間がかかってしまう。また、特許文献２に示す手法では、ジャイロセンサやホイールトルクセンサ等の各種センサの取り付けに時間を要し、手間がかかってしまう。さらに、外気圧計測では、細かな道路勾配変化を検知するのは困難で、トンネル通過時等の標高以外の圧力変動要因の影響を受けてしまい、また、模擬勾配（θＥｍｕｌａｔｉｏｎ）を得ることができない。加えて、市販の地形図を用いる方法では、高い粒度で全ての道路を網羅しているデータを安価に入手するのは困難であり、また、模擬勾配（θＥｍｕｌａｔｉｏｎ）を得ることができない。
特表２０２１－５０８７９９号公報 特許第５２７３５９９号公報
　そこで、本発明は上述したような問題に鑑みてなされたものであり、実路走行の道路勾配負荷や車両挙動に由来する走行抵抗変動分等の負荷再現を簡単にすることをその主たる課題とするものである。
　すなわち、本発明に係る機械学習装置は、車両試験に用いられる模擬勾配予測モデルを生成する機械学習装置であって、走行経路の道路勾配抵抗及び車両挙動に由来する走行抵抗変動分を含む負荷データと、前記走行経路を車両が走行したときの車速、アクセル操作量及びブレーキ操作量を含む車両走行データとからなる学習用データを取得する学習用データ取得部と、前記負荷データと前記車両走行データとの相関を機械学習して、前記負荷データと前記車両走行データとの相関を示す模擬勾配予測モデルを生成する機械学習部とを備えることを特徴とする。
　この機械学習装置であれば、走行経路の道路勾配抵抗（Ｍ×ｇ×ｓｉｎθＲｏａｄ）及び車両挙動に由来する走行抵抗変動分（ＦＶａｒｉａｂｌｅ）を含む負荷データと、走行経路を車両が走行したときの車速、アクセル操作量及びブレーキ操作量を含む車両走行データとの相関を示す模擬勾配予測モデルを生成することができる。従って、模擬勾配予測モデルに種々の車両走行データを入力することにより、当該各車両走行データに対応した道路勾配抵抗（Ｍ×ｇ×ｓｉｎθＲｏａｄ）及び車両挙動に由来する走行抵抗変動分（ＦＶａｒｉａｂｌｅ）を含む負荷データを得ることができる。その結果、実路走行の道路勾配抵抗（Ｍ×ｇ×ｓｉｎθＲｏａｄ）及び車両挙動に由来する走行抵抗変動分（ＦＶａｒｉａｂｌｅ）等の負荷再現を簡単にすることができる。
　ここで、前記負荷データは、前記走行経路の道路勾配に、車両挙動に由来する走行抵抗変動分を勾配換算した値を加味した模擬勾配から算出した負荷を含むものであることが望ましい。
　本発明の具体的な実施の態様としては、前記学習用データ取得部は、トルクマッチング又はロードロードシミュレーションで使用した負荷データと、その際に用いた車両走行データとからなる学習用データを取得し、前記機械学習部は、前記取得した負荷データと、前記車両走行データとの相関を機械学習して、前記負荷データと前記車両走行データとの相関を示す模擬勾配予測モデルを生成することが考えられる。
　互いに異なる車両では、各車両のペダル特性が異なり、また、同一車両であっても、ペダル設定（エコモードのペダル設定やスポーツモードのペダル設定等）を変更した場合には、各モードのペダル特性が異なることになる。
　この場合に、生成した模擬勾配予測モデルを互いに異なるペダル特性の車両に適用するためには、前記機械学習部は、前記模擬勾配予測モデルに、車両のペダル特性を示すペダル係数を用いて、前記ペダル係数に対応した模擬勾配予測モデルを生成することが望ましい。
　この構成であれば、生成された模擬勾配予測モデルを異なる車両に使用する場合に、当該異なる車両に対応した模擬勾配予測モデルを簡易的に生成することができる。また、同一車両においてペダル設定を変更した場合に、変更後のペダル設定に対応した模擬勾配予測モデルを簡易的に生成することができる。
　前記学習用データ取得部は、前記学習用データとして、前記走行経路の少なくとも一部の正しい又は既知の道路勾配を含む道路モデルを取得し、前記機械学習部は、前記模擬勾配から前記道路勾配を除いたものと、車両走行データとの相関を機械学習し、前記負荷データから前記道路勾配を除いた車両挙動負荷データと前記車両走行データとの相関を示す車両挙動負荷モデルを生成することが望ましい。
　この構成であれば、走行経路の道路勾配（θＲｏａｄ）が既知である区間がある場合に、道路勾配抵抗（Ｍ×ｇ×ｓｉｎθＲｏａｄ）と車両挙動に由来する走行抵抗変動分（ＦＶａｒｉａｂｌｅ）とを切り分けることができる。
　前記学習用データ取得部は、第１車両における前記負荷データ、前記車両走行データ及び前記第１車両の走行した前記道路モデルからなる第１学習用データと、第２車両における前記負荷データ、前記車両走行データ及び前記第２車両の走行した前記道路モデルからなる第２学習用データとを取得し、前記機械学習部は、前記第１車両の第１学習用データから、前記第１車両の前記車両挙動負荷モデルを生成し、前記第２車両の第２学習用データから、前記第２車両の前記車両挙動負荷モデルを生成することが望ましい。
　また、本発明に係る車両試験システムは、車両又はその一部である供試体に走行時の負荷を与えるダイナモメータ等の車両試験装置を有する車両試験システムであって、走行経路の道路勾配抵抗（Ｍ×ｇ×ｓｉｎθＲｏａｄ）及び車両挙動に由来する走行抵抗変動分（ＦＶａｒｉａｂｌｅ）を含む負荷データと、前記走行経路を車両が走行したときの車速、アクセル操作量及びブレーキ操作量を含む車両走行データとの相関を示す模擬勾配予測モデルを格納するモデル格納部と、前記車両走行データと前記模擬勾配予測モデルとから、前記車両試験装置に入力する負荷データを算出する負荷データ算出部とを備えることを特徴とする。
　前記モデル格納部は、前記車両挙動に由来する走行抵抗変動分を示す車両挙動負荷データと前記車両走行データとの相関を示す車両挙動負荷モデルとを格納しており、前記負荷データ算出部は、前記車両走行データと前記車両挙動負荷モデルとから、前記車両挙動負荷データを算出することが望ましい。
　第１車両のデータを用いて第２車両の試験を行うものであり、前記負荷データ算出部は、前記第１車両が走行した走行経路の道路モデルと、前記第２車両の車両挙動に由来する走行抵抗変動分を示す車両挙動負荷データと前記車両走行データとの相関を示す車両挙動負荷モデルとを用いて、前記第２車両を試験する車両試験装置に入力する負荷データを算出することが望ましい。
　前記第２車両は、例えば先進運転支援システムを有する車両（ＡＤＡＳ車両）又は自動運転車両（ＡＤ車両）であることが望ましい。なお、第２車両は、ＡＤＡＳ車両又はＡＤ車両に限られない。
　さらに、本発明に係る機械学習方法は、車両試験に用いられる機械学習方法であって、走行経路の道路勾配抵抗及び車両挙動に由来する走行抵抗変動分を含む負荷データと、前記走行経路を車両が走行したときの車速、アクセル操作量及びブレーキ操作量を含む車両走行データとからなる学習用データを取得し、前記負荷データと前記車両走行データとの相関を機械学習して、前記負荷データと前記車両走行データとの相関を示す模擬勾配予測モデルを生成することが望ましい。
　その上、本発明に係る車両試験方法は、車両又はその一部である供試体に走行時の負荷を与えるダイナモメータを用いた車両試験方法であって、走行経路の道路勾配抵抗及び車両挙動に由来する走行抵抗変動分を含む負荷データと、前記走行経路を車両が走行したときの車速、アクセル操作量及びブレーキ操作量を含む車両走行データとの相関を示す模擬勾配予測モデルを用いて前記車両走行データから前記負荷データを算出し、算出された前記負荷データを前記ダイナモメータに入力して前記車両の試験を行うことを特徴とする。
　このように構成した本発明によれば、実路走行の勾配抵抗等の負荷再現を簡単にすることができる。
本発明の第１実施形態に係る車両試験システムを示す模式図である。 第１実施形態の機械学習時及び勾配予測時を示す模式図である。 第１実施形態の車両試験システムの手順を示す模式図である。 第２実施形態の車両試験システムの手順を示す模式図である。 第３実施形態の模擬勾配予測モデルの生成を示す模式図である。 第４実施形態の車両試験システムの手順を示す模式図である。 第４実施形態の負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））の算出手順を示す図である。 第５実施形態の車両試験システムの手順を示す模式図である。 第５実施形態の変形例における車両試験システムの手順を示す模式図である。 変形実施形態の負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））の算出手順を示す図である。
　以下に、本発明に係る車両試験システムの各実施形態について、図面を参照して説明する。なお、以下に示すいずれの図についても、わかりやすくするために、適宜省略し又は誇張して模式的に描かれている。同一の構成要素については、同一の符号を付して説明を適宜省略する。
＜第１実施形態＞
　第１実施形態の車両試験システム１００は、図１に示すように、試験室においてロードロードシミュレーション制御により実路走行における走行負荷を再現するものである。
　具体的に車両試験システム１００は、供試体である車両を模擬走行させるためのシャシダイナモメータ２と、当該シャシダイナモメータ２を制御する制御装置３とを有している。なお、シャシダイナモメータ２は、車両のタイヤが載置されるローラ２１と、当該ローラ２１に連結されてローラ２１を介して車両Ｗに負荷を与えるダイナモメータ２２とを有している。なお、車両とは、完成車両だけではなく、エンジン、モータ、又はパワートレイン等を有する車両の一部であってもよい。
　この車両試験システム１００による車両試験を実施する前に、以下の（１）～（３）が行われる。
（１）路上走行試験（Ｒｏａｄ　Ｔｅｓｔ）
（２）トルクマッチング
（３）模擬勾配予測モデルの機械学習
（１）路上走行試験
　この路上走行試験は、実路を走行して、その実路走行における車速、アクセル操作量、ブレーキ操作量、又はステアリング操作量等の車両走行データを取得する試験である。アクセル操作量は、アクセルペダル位置又はスロットル開度であっても良い。ブレーキ操作量は、ブレーキペダル位置又はブレーキ圧であっても良い。ステアリング操作量は、操舵角又は左右の車輪速度差であっても良い。また、この路上走行試験では、例えば、車両情報としてバッテリやモータ等の電圧又は電流、内燃機関の暖機状態（例えば冷却水温度又はエンジンオイル温度等）、バッテリの充電状態又は劣化状態、あるいは、バッテリやモータ等の内部又は周辺の温度等が取得され、環境情報として車両周囲の温度、湿度又は気圧等が取得され、位置情報として緯度、経度又は標高等が取得される。その他、車両の内燃機関（エンジン）から排出される排ガスに含まれる測定対象成分の排出量を測定しても良い。
（２）トルクマッチング
　このトルクマッチングは、シャシダイナモメータ２上で供試体の車両Ｗを走行させることにより、シャシダイナモメータ２が車両Ｗに与えるダイナモ負荷（トルクマッチング負荷（ＲｅｐＦｏｒｃｅ））を取得するものである。
　具体的にトルクマッチングは、車両Ｗに搭載されて当該車両Ｗを運転する運転ロボット４を路上走行試験のアクセル操作量、ブレーキ操作量、及び／又は、シフト位置となるように制御しつつ、車両Ｗの車速が路上走行試験の車速となるようにシャシダイナモメータ２を速度制御する。これら制御によって得られたダイナモメータからのダイナモ負荷を取得する。なお、これによって取得されたダイナモ負荷（トルクマッチング負荷（ＲｅｐＦｏｒｃｅ））が、以下に示す機械学習に用いられる。さらに、トルクマッチングにより、道路勾配（θＲｏａｄ）に、走行抵抗変動分（ＦＶａｒｉａｂｌｅ）を勾配変換したものを加算した値（模擬勾配（θＥｍｕｌａｔｉｏｎ））を求めることができる。
　θＥｍｕｌａｔｉｏｎの導出方法を式で表すと以下となる。
　ＲｅｐＦｏｒｃｅ＝Ａ＋ＢＶ＋ＣＶ２＋Ｉα＋ＭｇｓｉｎθＲｏａｄ＋ＦＶａｒｉａｂｌｅ
　ＭｇｓｉｎθＥｍｕｌａｔｉｏｎ＝ＭｇｓｉｎθＲｏａｄ＋ＦＶａｒｉａｂｌｅ
　θＥｍｕｌａｔｉｏｎ＝ｓｉｎ－１（（ＲｅｐＦｏｒｃｅ－（Ａ＋ＢＶ＋ＣＶ２＋Ｉα））／Ｍｇ）
（３）模擬勾配予測モデルの機械学習
　この機械学習は、図１に示す機械学習装置５により行われる。機械学習装置５は、模擬勾配予測モデルを生成するための学習用データを取得する学習用データ取得部５１と、学習用データを用いて模擬勾配予測モデルを生成する機械学習部５２とを有している。
　学習用データは、図２の「学習時」に示すように、上記のトルクマッチングにより得られたダイナモ負荷を示す負荷データと、トルクマッチングに用いられた車両走行データとからなる。
　学習用データに用いられる負荷データは、例えば、道路勾配（θＲｏａｄ）に、走行抵抗変動分（ＦＶａｒｉａｂｌｅ）を勾配変換したものを加味（ここでは加算）した値（模擬勾配（θＥｍｕｌａｔｉｏｎ））である。また、「勾配抵抗（Ｍ×ｇ×ｓｉｎθＲｏａｄ）」と、「車両挙動に由来する走行抵抗変動分（ＦＶａｒｉａｂｌｅ）を勾配抵抗に換算した値」の和であっても良い。
　また、学習用データに用いられる車両走行データは、走行経路の走行時における車速、アクセル操作量、ブレーキ操作量、又はステアリング操作量等、或いはそれらから求められる二乗値又は微分値などの演算値である。
　機械学習部５２は、上記のトルクマッチングにより得られた負荷データと、トルクマッチングに用いられた車両走行データとの相関を機械学習して、負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））と車両走行データとの相関を示す模擬勾配予測モデル（機械学習モデル）を生成する。図２の「予測時」に示すように、この模擬勾配予測モデルに車両走行データを入力することにより、当該車両走行データを取得した走行経路の模擬勾配（θＥｍｕｌａｔｉｏｎ）を算出することができる。なお、機械学習部５２における機械学習アルゴリズムは、過去の情報を入力して現在および将来の予測に利用することを特徴とする機械学習（例えばリカレントニューラルネットワーク（ＲＮＮ；Recurrent Neural Network））である。
＜第１実施形態の試験手順＞
　第１実施形態の試験手順を図３に示す。供試体である車両について、学習用データとなる車両走行データを取得するための第１の路上走行試験（Ｒｏａｄ　Ｔｅｓｔ　ｎｏ．１）を実施する。
　ここで、学習用データとなる車両走行データは、広い運転領域を含むことが望ましい。そのため、走行数又は走行時間が長いほど運転領域が広がり、機械学習の学習精度又は予測精度が向上する傾向がある。例えば、車速、加減速、ステアリング操作量、道路勾配、又は、これらの二乗値又は微分値等の演算値が多岐にわたり、これらの組合せが網羅されている走行試験が望ましい。詳細には、例えば、３０分の走行試験で市街地、山岳路及び高速道路の組み合わせが含まれていることが考えられる。また、複数の走行経路それぞれを複数のドライバーで走行試験して車両走行データを取得することが考えられる。
　そして、この第１の路上走行試験で得られた車両走行データを用いてトルクマッチングを行い、計測したＲｅｐＦｏｒｃｅを用いて負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））を生成する。
　この負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））を用いて、ダイナモメータ制御部３３が、ダイナモメータ２２をロードロードシミュレーション（ＲＬＳ）制御することにより、シャシダイナモメータ２上で車両Ｗの模擬走行試験が行われる。なお、ロードロードシミュレーション（ＲＬＳ）制御における車両の運転は、運転ロボット４を用いて行うことが考えられるが、人が運転しても良い。
　一方、第１の路上走行試験で得られた車両走行データと、トルクマッチングで得られた負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））とを学習用データとしてそれらの相関を機械学習し、車両走行データと負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））との相関を示す模擬勾配予測モデルを生成する。この模擬勾配予測モデルは、制御装置３のモデル格納部３１に格納される（図１参照）。なお、模擬勾配予測モデルは、制御装置３とは別の情報処理装置に格納されていても良い。
　第２～第Ｎの路上走行試験（Ｒｏａｄ　Ｔｅｓｔ　ｎｏ．２～Ｎ）を実施した場合には、それらの路上走行試験で得られた車両走行データに対しては、トルクマッチングを行うことなく、制御装置３に入力される。これにより、制御装置３の負荷データ算出部３２が、模擬勾配予測モデルに車両走行データを入力して、各路上走行試験を模擬走行試験するための負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））を算出する。この算出された負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））を用いて、ダイナモメータ制御部３３が、ダイナモメータ２２をロードロードシミュレーション（ＲＬＳ）制御することにより、シャシダイナモメータ２上で車両Ｗの模擬走行試験が行われる。なお、ロードロードシミュレーション（ＲＬＳ）制御における車両の運転は、運転ロボット４を用いて行うことが考えられるが、人が運転しても良い。
＜第１実施形態の効果＞
　このように構成した本実施形態の車両試験システム１００によれば、走行経路の勾配抵抗（Ｍ×ｇ×ｓｉｎθＲｏａｄ）及び車両挙動に由来する走行抵抗変動分（ＦＶａｒｉａｂｌｅ）を含む負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））と、走行経路を車両が走行したときの車速、アクセル操作量及びブレーキ操作量を含む車両走行データとの相関を示す模擬勾配予測モデルを生成することができる。従って、模擬勾配予測モデルに種々の車両走行データを入力することにより、当該車両走行における負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））を出力して得ることができる。その結果、実路走行の勾配抵抗（Ｍ×ｇ×ｓｉｎθＲｏａｄ）及び車両挙動に由来する走行抵抗変動分（ＦＶａｒｉａｂｌｅ）等の負荷再現を簡単にすることができる。
＜第２実施形態＞
　次に、本発明の第２実施形態に係る車両試験方法及び機械学習方法について説明する。
　第２実施形態の車両試験方法及び機械学習方法では、機械学習装置５の機械学習方法が第１実施形態とは異なり、図４に示すように、路上走行試験で得られた車両走行データを用いたトルクマッチングを行うことなく、模擬勾配予測モデルを生成する。
　具体的に機械学習装置５の学習用データ取得部５１は、任意のロードロードシミュレーション（ＲＬＳ）で使用した負荷データ（入力勾配θ）と、路上走行試験で得られた車両走行データとからなる学習用データを取得する。なお、車両走行データは、実車両が実走行経路を走行して得られた実走行データから生成されたもの、又は、仮想車両が仮想走行経路を走行して得られた仮想走行データから生成されたものである。
　そして、機械学習部５２は、上記のロードロードシミュレーションで使用した負荷データ（入力勾配θ）と、ロードロードシミュレーションに用いられた車両走行データとの相関を機械学習して、負荷データ（入力勾配θ）と車両走行データとの相関を示す勾配予測モデル（機械学習モデル）を生成する。この勾配予測モデルに車両走行データを入力することにより、車両走行データを取得した走行経路の模擬勾配（θＥｍｕｌａｔｉｏｎ）を算出することができる。
＜第２実施形態の効果＞
　第２実施形態によれば、路上走行試験で得られた車両走行データを用いたトルクマッチングを行うことなく、模擬勾配予測モデルを生成することにより、実路走行の勾配抵抗（Ｍ×ｇ×ｓｉｎθＲｏａｄ）及び車両挙動に由来する走行抵抗変動分（ＦＶａｒｉａｂｌｅ）等の負荷再現を簡単にすることができる。
＜第３実施形態＞
　次に、本発明の第３実施形態に係る車両試験方法及び機械学習方法について説明する。
　第３実施形態の車両試験方法及び機械学習方法では、機械学習装置５の機械学習部５２の構成が前記各実施形態とは異なる。
　具体的に機械学習部５２は、前記第１実施形態又は第２実施形態により生成された模擬勾配予測モデルと、互いに異なるペダル係数とを用いて、ペダル特性毎の模擬勾配予測モデルを生成するものである。なお、ペダル係数とは、ペダル特性を示す係数であり、駆動力をペダル踏み込み量で除した値で示すことができる。ここで、この値の算出には、車速又は加速度を加味しても良い。
　例えば、機械学習部５２は、図５に示すように、異なる車両（第１車両及び第２車両）においては、第１車両において生成された模擬勾配予測モデルｆＡ（ｘ）と、第１車両のペダル係数ＫＡ及び第２車両のペダル係数ＫＢの比（ＫＢ／ＫＡ）とを用いて、第２車両の模擬勾配予測モデルｆＢ（ｘ）をｆＢ（ｘ）＝ｆＡ（ｘ）×（ＫＢ／ＫＡ）により求める。
　また、機械学習部５２は、同一車両であっても、ペダル設定（エコモードのペダル設定やスポーツモードのペダル設定等）を変更した場合には、生成された模擬勾配予測モデルｆＡ（ｘ）と、模擬勾配予測モデルを生成した際のペダル設定のペダル係数ＫＡ及び変更後のペダル設定のペダル係数ＫＣの比（ＫＣ／ＫＡ）とを用いて、変更後のペダル設定の模擬勾配予測モデルｆＣ（ｘ）をｆＣ（ｘ）＝ｆＡ（ｘ）×（ＫＣ／ＫＡ）により求める。
＜第３実施形態の効果＞
　このように構成した本実施形態の車両試験システム１００によれば、第１、第２実施形態の効果に加えて、生成された模擬勾配予測モデルを異なる車両に使用する場合に、当該異なる車両に対応した模擬勾配予測モデルを簡易的に生成することができる。また、同一車両においてペダル設定を変更した場合に、変更後のペダル設定に対応した模擬勾配予測モデルを簡易的に生成することができる。
＜第４実施形態＞
　次に、本発明の第４実施形態に係る車両試験方法及び機械学習方法について説明する。
　第４実施形態の車両試験方法及び機械学習方法では、機械学習装置５の機械学習部５２の構成が前記各実施形態とは異なる。
　具体的に機械学習装置５の学習用データ取得部５１は、図６に示すように、勾配予測モデルを生成するための学習用データとして、走行経路の少なくとも一部の道路勾配（θＲｏａｄ）を含む道路モデルを取得する。なお、道路モデルは、車両情報（例えば車速、又は、経度及び緯度の位置情報）と道路勾配（θＲｏａｄ）との関係を示す勾配出力モデルを少なくとも含んでいる。この勾配出力モデルは道路マップデータであっても良い。
　そして、機械学習部５２は、道路モデルと、模擬勾配から道路勾配を除いたものと、車両走行データとの相関を機械学習し、負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））から道路勾配（θＲｏａｄ）を除いた車両挙動負荷データと車両走行データとの相関を示す車両挙動負荷モデルを生成する。
　図６に各路上走行試験における車両挙動負荷モデルの生成及び道路モデルの生成の手順の一例を説明する。
　路上走行試験のうち、道路勾配（θＲｏａｄ）が既知の区間をＲｏａｄ　Ｔｅｓｔ　ｎｏ．１と定義し、道路モデルを取得する。そして、その道路モデルとともに車両走行データ及びトルクマッチングにより得られた負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））を学習用データとして取得する。
　そして、負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））から道路勾配（θＲｏａｄ）を除いた車両挙動負荷データ（ｓｉｎ－１（ＦＶａｒｉａｂｌｅ／Ｍｇ））と、車両走行データとの相関を機械学習して、負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））から道路勾配（θＲｏａｄ）を除いた車両挙動負荷データ（ｓｉｎ－１（ＦＶａｒｉａｂｌｅ／Ｍｇ））と車両走行データとの相関を示す車両挙動負荷モデルを生成する。
　第２～第Ｎの路上走行試験（Ｒｏａｄ　Ｔｅｓｔ　ｎｏ．２～Ｎ）を実施した場合には、「各路上走行試験の車両走行データと上記の模擬勾配予測モデルとから得られた負荷データ」から、「各路上走行試験の車両走行データと上記の車両挙動負荷モデルとから得られた車両挙動負荷データ」を除くことで、各路上走行試験における走行経路の勾配抵抗（Ｍ×ｇ×ｓｉｎθＲｏａｄ）を得ることができる。ここから得た道路勾配（θＲｏａｄ）と、緯度、経度情報から、各路上走行試験における道路モデルを生成することができる。
　上記により得られた道路モデル及び車両挙動負荷モデルを用いた負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））の算出について図７を参照して説明する。
　制御装置３の負荷データ算出部３２は、車両挙動負荷モデルに車両走行データ（車速、アクセル操作量、ブレーキ操作量等）を入力して、車両挙動に由来する走行抵抗変動分（ＦＶａｒｉａｂｌｅ）を算出する。また、負荷データ算出部３２は、道路モデルに含まれる勾配出力モデルに車両走行データ（車速、経度、緯度等）を入力して、道路勾配（θＲｏａｄ）を算出するとともに、その道路勾配（θＲｏａｄ）を道路勾配による負荷を算出するモデルに入力して勾配負荷（Ｍ×ｇ×ｓｉｎθＲｏａｄ）を算出する。さらに、負荷データ算出部３２は、算出した車両挙動に由来する走行抵抗変動分（ＦＶａｒｉａｂｌｅ）及び勾配負荷（Ｍ×ｇ×ｓｉｎθＲｏａｄ）を合算する。この合算した値から負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））を算出する。そして、ダイナモメータ制御部３３が、合算して得られた負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））を用いて、ダイナモメータ２２をロードロードシミュレーション（ＲＬＳ）制御することにより、シャシダイナモメータ２上で車両Ｗの模擬走行試験が行われる。なお、ロードロードシミュレーション（ＲＬＳ）制御における車両の運転は、運転ロボット４を用いて行うことが考えられるが、人が運転しても良い。
＜第４実施形態の効果＞
　第４実施形態によれば、前記各実施形態の効果に加えて、道路勾配抵抗（Ｍ×ｇ×ｓｉｎθＲｏａｄ）の負荷モデルと、車両挙動に由来する走行抵抗変動分（ＦＶａｒｉａｂｌｅ）の負荷モデルとに分離することができる。その結果、任意の車両走行データから、道路勾配抵抗（Ｍ×ｇ×ｓｉｎθＲｏａｄ）の負荷と、車両挙動に由来する走行抵抗変動分（ＦＶａｒｉａｂｌｅ）とを切り分けて求めることができるため、得られた道路モデルを他の車両での試験やシミュレーションに活用することができる。
＜第５実施形態＞
　次に、本発明の第５実施形態に係る車両試験方法及び機械学習方法について説明する。
　第５実施形態の車両試験方法及び機械学習方法では、第１車両の車両挙動負荷モデル及び／又は第１車両で走行した経路の道路モデルを生成し、第２車両の車両挙動負荷モデル及び／又は第２車両で走行した経路の道路モデルを生成するものである。
　具体的に機械学習装置５の学習用データ取得部５１は、第１車両における負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））、車両走行データ及び道路モデルからなる第１学習用データと、第２車両における負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））、車両走行データ及び道路モデルからなる第２学習用データとを取得する。
　そして、機械学習部５２は、第１車両の第１学習用データから、第１車両の車両挙動負荷モデル及び／又は第１車両で走行した経路の道路モデルを生成し、第２車両の第２学習用データから、第２車両の車両挙動負荷モデル及び／又は第２車両で走行した経路の道路モデルを生成する。
＜第５実施形態における車両評価＞
　上記の機械学習装置５は、図８及び図９に示すように、過去の種々の車両（第１車両）の試験結果から、道路モデルのデータベース、車両挙動負荷モデルのデータベース又は、ドライバーモデルのデータベースを構築することができる。なお、ドライバーモデルは、運転者の運転特性を示すモデルであり、過去の車両試験のデータ（車速、エンジンの状態、アクセルやペダルの使用状況、ブレーキペダルの使用状況、ステアリング操舵角等）から得られたものでも良いし、時系列の車速及びシフトデータから得られたものでも良いし、所定の演算により得られたものでも良いし、単純な車速プロファイルをそのまま使用しても良い。
　開発したい車両（第２車両）がＡＤ車両の場合（図８参照）
　開発したい車両の路上走行試験の結果から得られた車両挙動負荷モデルと、開発したい車両のＡＤ制御による運転方法（ＡＤシステム）と、データベース内の道路モデルとを組み合わせた評価を行う。これにより、種々の走行ルート等の種々のシナリオ（走行プロファイル）においてＡＤ車両を評価することができる。例えば、ＡＤシステムが正しく動作したか否かを評価したり、車両の動的挙動が想定どおりであるか否かを評価したりできる。
　開発したい車両（第２車両）がＡＤＡＳ車両の場合（図９参照）
　開発したい車両の路上走行試験の結果から得られた車両挙動負荷モデルと、データベース内の道路モデル及びドライバーモデルとを組み合わせた評価を行う。これにより、種々の走行ルート等の種々のシナリオ（走行プロファイル）においてＡＤＡＳ車両を評価することができる。例えば、ＡＤＡＳシステムが正しく動作したか否かを評価したり、車両の動的挙動が想定どおりであるか否かを評価したりできる。この評価における車両の運転は、運転ロボット４を用いて行うことが考えられるが、人が運転しても良い。
　なお、上記のＡＤ／ＡＤＡＳ車両の車両試験は、新しいＡＤ／ＡＤＡＳシステムを開発する場合、同じＡＤ／ＡＤＡＳシステムを別の車両に適用する場合、既存車両にアドオンでＡＤ／ＡＤＡＳシステムを追加する場合等に行うことが想定される。
＜第５実施形態の効果＞
　第５実施形態の車両試験方法であれば、過去の車両試験により得られた第１車両の勾配負荷モデル、ドライバーモデル等を利用して、種々のシナリオを生成することができる。その結果、経験に基づいた評価シナリオを多数準備することができる。特に、この多数のシナリオを台上試験装置やシミュレーション上で実行することで、公道やテストコースでの試験に比べ、短時間に品質の高い（経験に基づくシナリオ・再現性のあるテスト法）評価を行うことができる。
＜その他の実施形態＞
　例えば、機械学習部５２は、道路勾配（θＲｏａｄ）を含む道路モデルと、負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））と、車両走行データとの相関を機械学習し、勾配抵抗（Ｍ×ｇ×ｓｉｎθＲｏａｄ）と車両走行データとの相関を示す勾配負荷モデル、及び、負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））から道路勾配（θＲｏａｄ）を除いた車両挙動負荷データと車両走行データとの相関を示す車両挙動負荷モデルを生成しても良い。
　この場合、図１０に示すように、制御装置３の負荷データ算出部３２は、車両挙動負荷モデルに車両走行データ（車速、アクセル操作量、ブレーキ操作量等）を入力して、車両挙動に由来する走行抵抗変動分（ＦＶａｒｉａｂｌｅ）を算出する。また、負荷データ算出部３２は、勾配負荷モデルに車両走行データ（車速、アクセル操作量、ブレーキ操作量等）を入力して、勾配負荷（Ｍ×ｇ×ｓｉｎθＲｏａｄ）を算出する。さらに、負荷データ算出部３２は、算出した車両挙動に由来する走行抵抗変動分（ＦＶａｒｉａｂｌｅ）及び勾配負荷（Ｍ×ｇ×ｓｉｎθＲｏａｄ）を合算する。この合算した値が負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））となる。そして、ダイナモメータ制御部３３が、合算して得られた負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））を用いて、ダイナモメータ２２をロードロードシミュレーション（ＲＬＳ）制御することにより、シャシダイナモメータ２上で車両Ｗの模擬走行試験が行われる。
　また、前記各実施形態の車両試験システムは、車両に負荷を与えるシャシダイナモメータを用いたものであったが、車両の一部（例えばパワートレイン、エンジンなど）に負荷を与えるダイナモメータを用いたものであっても良い。つまり、前記各実施形態で得られた機械学習モデルを車両の一部を供試体とする試験又はフルシミュレーションでの試験に用いることができる。
　また、供試体がＡＤＡＳ車両又はＡＤ車両の場合には、車両走行データに含まれるアクセル操作量及びブレーキ操作量等は、物理的な操作量ではなく、それに代わる車両信号を用いても良い。
　さらに、学習用データには、走行経路の路面状態（例えば路面摩擦係数、水溜りや凹凸等）を含めても良い。これにより、走行経路の路面状態を考慮した勾配予測モデルを生成することができる。
　その上、学習用データには、車両重量、車両の各部の温度、バッテリ充電状態、等の車両情報を含めても良い。これにより、車両の条件の違いを考慮した模擬勾配予測モデル、車両挙動負荷モデル又は道路勾配負荷モデルを生成することができる。
　また、学習用データには、例えば周囲の温度、湿度、標高などの環境情報を含めても良い。これにより、環境情報を考慮した模擬勾配予測モデルを生成することができる。
　また、学習用データに用いられる負荷データは、道路勾配（θＲｏａｄ）に、走行抵抗変動分（ＦＶａｒｉａｂｌｅ）を勾配変換したものを加算した値（模擬勾配（θＥｍｕｌａｔｉｏｎ））であったが、走行負荷全体（転がり抵抗（Ａ＋Ｂ×Ｖ）、空気抵抗（Ｃ×Ｖ２）、慣性抵抗（Ｉ×α）、勾配抵抗（Ｍ×ｇ×ｓｉｎθＲｏａｄ）及び車両挙動に由来する走行抵抗変動分（ＦＶａｒｉａｂｌｅ））としても良い。
　前記各実施形態では、算出された負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））をダイナモメータ２２に入力して供試体である車両の模擬走行試験を行うものであったが、算出された負荷データ（模擬勾配（θＥｍｕｌａｔｉｏｎ））を用いてコンピュータ上でシミュレーション（仮想環境での試験）を行うものであっても良い。
　加えて、前記各実施形態では、トルクマッチングにより得られた負荷データを用いていたが、例えば車軸に加わるトルク等から算出した負荷等、実路走行中に計測した負荷を機械学習に用いても良い。
　その他、本発明の趣旨に反しない限りにおいて様々な実施形態の変形や組み合わせを行っても構わない。
　本発明によれば、実路走行の道路勾配抵抗等の負荷再現を簡単にすることができる。
１００・・・車両試験システム
２・・・シャシダイナモメータ
３・・・制御装置
３１・・・モデル格納部
３２・・・負荷データ算出部
３３・・・ダイナモメータ制御部
４・・・運転ロボット
５・・・機械学習装置
５１・・・学習用データ取得部
５２・・・機械学習部

Claims (12)

  1. 　車両試験に用いられる模擬勾配予測モデルを生成する機械学習装置であって、
    　走行経路の道路勾配抵抗及び車両挙動に由来する走行抵抗変動分を含む負荷データと、前記走行経路を車両が走行したときの車速、アクセル操作量及びブレーキ操作量を含む車両走行データとからなる学習用データを取得する学習用データ取得部と、
    　前記負荷データと前記車両走行データとの相関を機械学習して、前記負荷データと前記車両走行データとの相関を示す模擬勾配予測モデルを生成する機械学習部とを備える、機械学習装置。
  2. 　前記負荷データは、前記走行経路の道路勾配に、車両挙動に由来する走行抵抗変動分を勾配換算した値を加味した模擬勾配から算出した負荷を含むものである、請求項１に記載の機械学習装置。
  3. 　前記学習用データ取得部は、ロードロードシミュレーションで使用した負荷データと、その際に用いた車両走行データとからなる学習用データを取得し、
    　前記機械学習部は、前記取得した負荷データと、前記車両走行データとの相関を機械学習して、前記負荷データと前記車両走行データとの相関を示す模擬勾配予測モデルを生成する、請求項１又は２に記載の機械学習装置。
  4. 　前記機械学習部は、前記模擬勾配予測モデルに、車両のペダル特性を示すペダル係数を用いて、前記ペダル係数に対応した模擬勾配予測モデルを生成する、請求項１乃至３の何れか一項に記載の機械学習装置。
  5. 　前記学習用データ取得部は、前記学習用データとして、前記走行経路の少なくとも一部の正しい又は既知の道路勾配を含む道路モデルを取得し、
    　前記機械学習部は、前記模擬勾配から前記道路勾配を除いたものと、車両走行データとの相関を機械学習し、前記負荷データから前記道路勾配を除いた車両挙動負荷データと前記車両走行データとの相関を示す車両挙動負荷モデルを生成する、請求項２乃至４の何れか一項に記載の機械学習装置。
  6. 　前記学習用データ取得部は、第１車両における前記負荷データ、前記車両走行データ及び前記第１車両の走行した前記道路モデルからなる第１学習用データと、第２車両における前記負荷データ、前記車両走行データ及び前記第２車両の走行した前記道路モデルからなる第２学習用データとを取得し、
    　前記機械学習部は、前記第１車両の第１学習用データから、前記第１車両の前記車両挙動負荷モデルを生成し、前記第２車両の第２学習用データから、前記第２車両の前記車両挙動負荷モデルを生成する、請求項５に記載の機械学習装置。
  7. 　車両又はその一部である供試体に走行時の負荷を与えるダイナモメータを有する車両試験システムであって、
    　走行経路の道路勾配抵抗及び車両挙動に由来する走行抵抗変動分を含む負荷データと、前記走行経路を車両が走行したときの車速、アクセル操作量及びブレーキ操作量を含む車両走行データとの相関を示す模擬勾配予測モデルを格納するモデル格納部と、
    　前記車両走行データと前記模擬勾配予測モデルとから、前記ダイナモメータに入力する負荷データを算出する負荷データ算出部とを備える、車両試験システム。
  8. 　前記モデル格納部は、前記車両挙動に由来する走行抵抗変動分を示す車両挙動負荷データと前記車両走行データとの相関を示す車両挙動負荷モデルとを格納しており、
    　前記負荷データ算出部は、前記車両走行データと前記車両挙動負荷モデルとから、前記車両挙動負荷データを算出する、請求項７に記載の車両試験システム。
  9. 　第１車両のデータを用いて第２車両の試験を行うものであり、
    　前記負荷データ算出部は、前記第１車両が走行した走行経路の道路モデルと、前記第２車両の車両挙動に由来する走行抵抗変動分を示す車両挙動負荷データと前記車両走行データとの相関を示す車両挙動負荷モデルとを用いて、前記第２車両を試験する車両試験装置に入力する負荷データを算出する、請求項８に記載の車両試験システム。
  10. 　前記第２車両は、先進運転支援システムを有する車両又は自動運転車両である、請求項９に記載の車両試験システム。
  11. 　車両試験に用いられる機械学習方法であって、
    　走行経路の道路勾配抵抗及び車両挙動に由来する走行抵抗変動分を含む負荷データと、前記走行経路を車両が走行したときの車速、アクセル操作量及びブレーキ操作量を含む車両走行データとからなる学習用データを取得し、
    　前記負荷データと前記車両走行データとの相関を機械学習して、前記負荷データと前記車両走行データとの相関を示す模擬勾配予測モデルを生成する、機械学習方法。
  12. 　車両又はその一部である供試体に走行時の負荷を与えるダイナモメータを用いた車両試験方法であって、
    　走行経路の道路勾配抵抗及び車両挙動に由来する走行抵抗変動分を含む負荷データと、前記走行経路を車両が走行したときの車速、アクセル操作量及びブレーキ操作量を含む車両走行データとの相関を示す模擬勾配予測モデルを用いて前記車両走行データから前記負荷データを算出し、
    　算出された前記負荷データを前記ダイナモメータに入力して前記車両の試験を行う、車両試験方法。
PCT/JP2023/018105 2022-05-24 2023-05-15 機械学習装置、車両試験システム、機械学習方法、及び車両試験方法 WO2023228795A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-084797 2022-05-24
JP2022084797 2022-05-24

Publications (1)

Publication Number Publication Date
WO2023228795A1 true WO2023228795A1 (ja) 2023-11-30

Family

ID=88919199

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/018105 WO2023228795A1 (ja) 2022-05-24 2023-05-15 機械学習装置、車両試験システム、機械学習方法、及び車両試験方法

Country Status (1)

Country Link
WO (1) WO2023228795A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07128195A (ja) * 1993-11-02 1995-05-19 Unisia Jecs Corp 車両の走行抵抗検出装置
JP2002014010A (ja) * 2000-06-29 2002-01-18 Nissan Motor Co Ltd 車両用自動運転装置
JP2014024487A (ja) * 2012-07-27 2014-02-06 Toyota Motor Corp 勾配情報学習装置
JP2020040449A (ja) * 2018-09-07 2020-03-19 トヨタ自動車株式会社 ハイブリッド車両の制御装置
JP2021124403A (ja) * 2020-02-06 2021-08-30 株式会社明電舎 自動操縦ロボットの制御装置及び制御方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07128195A (ja) * 1993-11-02 1995-05-19 Unisia Jecs Corp 車両の走行抵抗検出装置
JP2002014010A (ja) * 2000-06-29 2002-01-18 Nissan Motor Co Ltd 車両用自動運転装置
JP2014024487A (ja) * 2012-07-27 2014-02-06 Toyota Motor Corp 勾配情報学習装置
JP2020040449A (ja) * 2018-09-07 2020-03-19 トヨタ自動車株式会社 ハイブリッド車両の制御装置
JP2021124403A (ja) * 2020-02-06 2021-08-30 株式会社明電舎 自動操縦ロボットの制御装置及び制御方法

Similar Documents

Publication Publication Date Title
JP7317019B2 (ja) ダイナモメータを使用する試験のための装置及び方法
JP6549892B2 (ja) 車両試験システム、試験管理装置、試験管理プログラム及び車両試験方法
JP4747798B2 (ja) タイヤ摩耗試験方法
CN105492882B (zh) 用于在试验台上实施试验性运行的方法
CN105092257A (zh) 车辆测试系统、测试条件数据生成装置和车辆测试方法
JP6071659B2 (ja) エンジン模擬試験方法
CN105102930A (zh) 能量消耗量预测装置以及能量消耗量预测方法
JP6012502B2 (ja) エンジン模擬試験方法
JP4185951B2 (ja) 車両とそのような車両を駆動するエンジンとの最適化を行うための方法
CN113283460A (zh) 机器学习系统和用于操作该系统以便确定时间序列的方法
Widner et al. Framework for vehicle dynamics model validation
US10161832B2 (en) Method for simulating cornering
Divakarla et al. Journey mapping—a new approach for defining automotive drive cycles
WO2023228795A1 (ja) 機械学習装置、車両試験システム、機械学習方法、及び車両試験方法
Andriaminahy et al. Comparative study of vehicle aerodynamic and rolling resistance coefficients estimation methods
Batra et al. Anti-jerk dynamic modeling and parameter identification of an electric vehicle based on road tests
CN109791710B (zh) 用于分析机动车辆的能量消耗分配的方法和装置
KR20140015482A (ko) 고효율 실내 내구성 테스트 중에 타이어에 가해져야 되는 응력을 결정하는 방법
JP2005061889A (ja) パワートレインの試験装置
Mayyas et al. Chassis dynamometer as a development platform for vehicle hardware in-the-loop “VHiL”
US20210241104A1 (en) Device, method and machine learning system for determining a velocity for a vehicle
Lugo et al. Test-driven full vehicle modelling for ADAS algorithm development
Vandi et al. Vehicle dynamics modeling for real-time simulation
Ligterink et al. On-road determination of a reference CO2 emission for passenger cars
Albers et al. Extended flexible environment and vehicle simulation for an automated validation

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: 23811669

Country of ref document: EP

Kind code of ref document: A1