WO2024042831A1 - 制御装置 - Google Patents

制御装置 Download PDF

Info

Publication number
WO2024042831A1
WO2024042831A1 PCT/JP2023/022992 JP2023022992W WO2024042831A1 WO 2024042831 A1 WO2024042831 A1 WO 2024042831A1 JP 2023022992 W JP2023022992 W JP 2023022992W WO 2024042831 A1 WO2024042831 A1 WO 2024042831A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
neural network
mass
acceleration
control device
Prior art date
Application number
PCT/JP2023/022992
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
Publication of WO2024042831A1 publication Critical patent/WO2024042831A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G17/00—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load
    • B60G17/015—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G17/00—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load
    • B60G17/015—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements
    • B60G17/018—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements characterised by the use of a specific signal treatment or control method
    • 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

Definitions

  • Embodiments of the present invention relate to a control device.
  • one of the problems of the embodiments of the present invention is to make it possible to reduce the effort required to create a neural network, for example, even when a vehicle has multiple specifications.
  • a control device is a control device that controls a suspension device interposed between a vehicle body and wheels of the vehicle, and acquires acceleration of the vehicle body in the vertical direction of the vehicle. and a neural network trained to estimate the relative speed of the wheels with respect to the vehicle body in the vertical direction of the vehicle according to the input of a numerical value obtained by multiplying the acceleration and the mass of the vehicle. an estimation unit that estimates the relative velocity according to a value obtained by multiplying the acceleration acquired by the acquisition unit and the mass, which is the same or different in size from when the neural network was trained; , and controls the suspension system based on the estimated relative speed.
  • a neural network with the same content can be used for vehicles having multiple specifications with different masses. Therefore, even if a vehicle has multiple specifications, the effort required to create a neural network can be reduced.
  • FIG. 1 is a schematic diagram showing a schematic configuration of an example of a vehicle according to a first embodiment.
  • FIG. 2 is a schematic diagram showing a schematic configuration of an example of a suspension system in a vehicle according to the first embodiment.
  • FIG. 3 is a functional block diagram of a control device of an example of a vehicle according to the first embodiment.
  • FIG. 4 is an explanatory diagram for explaining physical quantities of the vehicle according to the first embodiment.
  • FIG. 5 is a diagram showing an example of a neural network for consideration.
  • FIG. 6 is a diagram showing an example of the stroke speed estimation result by the neural network for consideration, and is a diagram showing a case where the mass of the vehicle is the reference.
  • FIG. 1 is a schematic diagram showing a schematic configuration of an example of a vehicle according to a first embodiment.
  • FIG. 2 is a schematic diagram showing a schematic configuration of an example of a suspension system in a vehicle according to the first embodiment.
  • FIG. 3 is a functional block diagram of a control
  • FIG. 7 is a diagram illustrating an example of stroke speed estimation results by a neural network for consideration, and is a diagram illustrating a case where the mass of the vehicle is half of the standard.
  • FIG. 8 is a diagram illustrating an example of stroke speed estimation results by a neural network for consideration, and is a diagram illustrating a case where the mass of the vehicle is 1.5 times the reference.
  • FIG. 9 is a diagram showing an example of the stroke speed estimation result using the equation of motion for consideration, and is a diagram showing a case where the mass of the vehicle is the reference.
  • FIG. 10 is a diagram showing an example of the stroke speed estimation result using the equation of motion for consideration, and is a diagram showing a case where the mass of the vehicle is half of the standard.
  • FIG. 11 is a diagram showing an example of the stroke speed estimation result using the equation of motion for consideration, and is a diagram showing a case where the mass of the vehicle is 1.5 times the reference.
  • FIG. 12 is a diagram for explaining a neural network for consideration.
  • FIG. 13 is a diagram showing a neural network according to the first embodiment.
  • FIG. 14 is a diagram showing an example of the stroke speed estimation result by the neural network according to the first embodiment, and is a diagram showing a case where the mass of the vehicle is the reference.
  • FIG. 15 is a diagram showing an example of the stroke speed estimation result by the neural network according to the first embodiment, and is a diagram showing a case where the mass of the vehicle is half of the reference.
  • FIG. 12 is a diagram for explaining a neural network for consideration.
  • FIG. 13 is a diagram showing a neural network according to the first embodiment.
  • FIG. 14 is a diagram showing an example of the stroke speed estimation result by the neural network according to the first embodiment, and is a diagram showing a case
  • FIG. 16 is a diagram showing an example of the stroke speed estimation result by the neural network according to the first embodiment, and is a diagram showing a case where the mass of the vehicle is 1.5 times the reference.
  • FIG. 17 is a diagram illustrating an example of the stroke speed estimation result using the equation of motion of the comparative example, and is a diagram illustrating a case where the mass of the vehicle is the reference.
  • FIG. 18 is a diagram illustrating an example of the stroke speed estimation result using the equation of motion of the comparative example, and is a diagram illustrating a case where the mass of the vehicle is half of the standard.
  • FIG. 19 is a diagram showing an example of the stroke speed estimation result using the equation of motion of the comparative example, and is a diagram showing a case where the mass of the vehicle is 1.5 times the reference.
  • FIG. 20 is a flowchart illustrating an example of a physical quantity estimation direction executed by the control device according to the first embodiment.
  • FIG. 21 is a diagram showing a neural network according to the second embodiment.
  • FIG. 22 is a diagram showing a neural network according to the third embodiment.
  • FIG. 23 is a diagram showing a neural network according to the fourth embodiment.
  • 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) that uses an internal combustion engine (engine, not shown) as a driving source, or may use an electric motor (motor, not shown) as a driving source. It may be a vehicle that uses both of these as a driving source (an electric vehicle, a fuel cell vehicle, etc.), or a vehicle that uses both of these as a driving source (hybrid vehicle). Further, the vehicle 1 can be equipped with various transmission devices, and can be equipped with various devices (systems, parts, etc.) necessary for driving an internal combustion engine or an electric motor.
  • 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 vehicle longitudinal direction is the left side.
  • Vehicle 1 is an example of an object. Note that the object may be a moving object other than the vehicle 1, a device, or the like.
  • 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.
  • the vehicle control system 100 also includes a suspension system 4, a rotation sensor 5, an acceleration sensor 6, etc. for each of the two front wheels 3F, and a suspension system for each of the two rear wheels 3R. 4, a rotation sensor 5, an acceleration sensor 6, etc.
  • the vehicle 1 includes basic components of the vehicle 1 in addition to those shown in FIG. 1, only the configuration related to the vehicle control system 100 and the control related to the configuration will be explained here.
  • the term "wheel 3" is 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 body 2 of the vehicle 1 is also referred to as a stroke speed
  • the portion of the vehicle 1 on the side of the vehicle body 2 with respect to the suspension system 4 is also referred to as a sprung mass
  • the relative speed of the wheels 3 of the vehicle 1 with respect to the suspension system 4 is also referred to as a stroke speed
  • the portion of the vehicle 1 on the side is also referred to as the unsprung portion.
  • 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 also referred to as a state quantity estimation device, a vehicle state quantity estimation device, or a physical quantity estimation device.
  • the control device 10 is configured as a computer, and includes an arithmetic processing unit (a microcomputer, an ECU (Electronic Control Unit), etc., not shown), a storage unit 10d (for example, a ROM (Read Only Memory), and a RAM (Random). Access Memory), flash memory, etc. (see Figure 3), etc.
  • the arithmetic processing unit reads out a program stored (installed) in the non-volatile storage unit 10d (for example, ROM, flash memory, etc.), executes arithmetic processing according to the program, and executes the arithmetic processing in accordance with the program, thereby processing each unit shown in FIG. can function (operate) as Further, the storage unit 10d can store data used in various calculations related to control (tables (data groups), functions, etc.), calculation results (including values in the middle of calculations), and the like. Furthermore, a neural network 121 is stored in the storage unit 10d. Details of the neural network 121 will be described later.
  • the steering device 11 includes, for example, a steering wheel, and steers (steering) 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 (vehicle body 2) and outputs yaw rate information indicating the detected yaw rate.
  • FIG. 2 is a schematic diagram showing a schematic configuration of an example of the suspension system 4 in the vehicle according to the first embodiment.
  • the suspension system 4 is interposed between the wheels 3 and the vehicle body 2, and suppresses vibrations and shocks from the road surface from being transmitted to the vehicle body.
  • the suspension device 4 includes 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 an 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 within the shock absorber 4b.
  • the suspension device 4 is provided on 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 rotation sensor 5 can output a signal according 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) that detects the rotation of the crankshaft, axle, etc. may be provided, and the control device 10 determines whether the vehicle A speed of 1 may be obtained.
  • the acceleration sensor 6 is provided on the vehicle body 2 corresponding to each of the four wheels 3 and the suspension device 4, and detects the acceleration of the vehicle body 2 in the vehicle 1. Specifically, each acceleration sensor 6 is provided at an acceleration detection target location located directly above each wheel 3 on the vehicle body 2 (a position directly above the wheel). That is, in this embodiment, there are four acceleration detection target locations. In this embodiment, as an example, the acceleration sensor 6 detects acceleration in the vertical direction of the vehicle 1, acceleration in the longitudinal direction (longitudinal direction) of the vehicle 1, and acceleration in the width direction (width direction, lateral direction, left and right direction) of the vehicle 1. direction) and acceleration.
  • the configuration of the vehicle control system 100 described above is just an example, and can be implemented with various changes.
  • the individual devices constituting the vehicle control system 100 known devices can be used.
  • each configuration of the vehicle control system 100 can be shared with other configurations.
  • control device 10 includes an acquisition unit 10a, an estimation unit 10b, and an attenuation control unit 10c as shown in FIG. 3 through cooperation between hardware and software (programs). etc. can function (operate) as That is, the program may include, for example, modules corresponding to each block other than the storage section 10d shown in FIG. 3.
  • the acquisition unit 10a acquires acceleration data indicating the acceleration of the vehicle 1 from each acceleration sensor 6.
  • the acceleration of the vehicle 1 may be in any direction. Further, 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 the longitudinal acceleration of the vehicle 1, the lateral acceleration of the vehicle 1, and the vertical acceleration of the vehicle 1.
  • the acquisition unit 10a also acquires a current value (current value data) that is the value of the current input to the shock absorber 4b from the damping control unit 10c.
  • the estimation unit 10b receives predetermined data (hereinafter also referred to as input data) acquired by the acquisition unit 10a.
  • the estimation unit 10b uses the neural network 121 to estimate the stroke speed according to the input data.
  • 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. Note that the input data is not limited to the above.
  • one vehicle type of the vehicle 1 may have multiple specifications (types, specifications).
  • the multiple specifications include a gasoline/two-wheel drive specification, a hybrid/two-wheel drive specification, a gasoline/four-wheel drive specification, a hybrid/four-wheel drive specification, etc.
  • the gasoline/two-wheel drive version uses a gasoline engine as the driving source and two drive wheels.
  • the hybrid/two-wheel drive model uses a gasoline engine and an electric motor as drive sources, and has two drive wheels.
  • the gasoline/four-wheel drive version uses a gasoline engine as the driving source and four drive wheels.
  • the hybrid/four-wheel drive model uses a gasoline engine and an electric motor as its driving sources, and has four driving wheels.
  • Vehicles 1 having a plurality of such specifications have different masses, for example. For this reason, conventionally, in order to estimate the stroke speed of each vehicle 1, a neural network has been created for each vehicle 1 even in one vehicle system. Creating a neural network requires learning by measuring input data and training data, and creating multiple neural networks is time-consuming.
  • the present inventor studied a configuration (method) that can reduce the effort required to create a neural network even when the vehicle 1 has multiple specifications.
  • the content of the study by the inventor will be explained below.
  • FIG. 4 is an explanatory diagram for explaining physical quantities of the vehicle 1 according to the first embodiment.
  • the mass of the vehicle 1 is Mb
  • the displacement of the sprung mass which is the vertical displacement of the vehicle body 2 is xb
  • the spring constant of the coil spring is Kc
  • the shock absorber 4b is The damping coefficient is Cx
  • the amount of unsprung displacement which is the vertical displacement of wheel 3 is xt
  • the spring constant of the tire of wheel 3 is Kt
  • the displacement of the lower end of the tire is xr .
  • the equation of motion of the vehicle 1 is expressed by the following equation (1).
  • FIG. 5 is a diagram showing an example of a neural network 200 for consideration.
  • the input data of the neural network 200 for consideration is the sprung mass acceleration and the current value of the shock absorber 4b, and the output data is the stroke speed.
  • the neural network 200 and equations (1) and (2) are created using the reference mass of the vehicle 1.
  • FIG. 6 is a diagram showing an example of the stroke speed estimation result by the neural network 121 for consideration, and is a diagram showing a case where the mass of the vehicle 1 is the reference.
  • FIG. 7 is a diagram illustrating an example of the stroke speed estimation result by the neural network 121 for consideration according to the first embodiment, and is a diagram illustrating a case where the mass of the vehicle 1 is half of the reference.
  • FIG. 8 is a diagram showing an example of the stroke speed estimation result by the neural network 121 for consideration, and is a diagram showing a case where the mass of the vehicle 1 is 1.5 times the reference.
  • FIG. 6 is a diagram showing an example of the stroke speed estimation result by the neural network 121 for consideration, and is a diagram showing a case where the mass of the vehicle 1 is the reference.
  • FIG. 9 is a diagram showing an example of the stroke speed estimation result using the equation of motion for consideration, and is a diagram showing a case where the mass of the vehicle 1 is the reference.
  • FIG. 10 is a diagram illustrating an example of the stroke speed estimation result using the equation of motion for consideration, and is a diagram illustrating a case where the mass of the vehicle 1 is half of the reference mass.
  • FIG. 11 is a diagram showing an example of the stroke speed estimation result using the equation of motion for consideration, and is a diagram showing a case where the mass of the vehicle 1 is 1.5 times the reference.
  • both the neural network 200 and equation (2) yielded results in which the estimated values were close to the true values.
  • both the neural network 200 and equation (2) yield results in which the deviation of the estimated value from the true value increases. It was done.
  • FIGS. 8 and 11 when the input mass is 1.5 times the reference value, the deviation of the estimated value from the true value becomes large for both the neural network 200 and equation (2). The results were obtained. That is, if the input value is intentionally input with a different numerical value, the deviation of the estimated value from the true value increases. This discrepancy can be interpreted as a mistake.
  • the inventor found that the way the estimated value deviates from the true value when the input value is intentionally input with a different numerical value, that is, the way the estimated value is mistaken, is similar between the neural network 200 and equation (2). I discovered that there is. Then, as shown in FIG. 12, the inventor believes that there is a portion 200a corresponding to the parameter mass in the neural network 200, and it is possible to take the parameter mass out of the neural network 200. That's what I came up with. Then, the inventor came up with a configuration in which the parameter of mass is taken out of the neural network 121 of this embodiment.
  • FIG. 13 is a diagram showing the neural network 121 according to the first embodiment.
  • the neural network 121 has a configuration that is trained in advance to estimate the relative speed, that is, the stroke speed, of the wheels 3 of the vehicle 1 with respect to the body 2 of the vehicle 1 in the vertical direction of the vehicle 1 in accordance with input data.
  • the neural network 121 is configured using LSTM (Long short-term memory).
  • the input data is a force value obtained by multiplying the sprung acceleration and the mass, and a current value of the shock absorber 4b.
  • the sprung acceleration is the acceleration detected by the acceleration sensor 6, that is, the acceleration of the vehicle body 2 in the vertical direction of the vehicle 1.
  • the mass is the reference mass.
  • the output data as the teacher data is, for example, an actual 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, that is, the stroke speed measured by a stroke speed sensor (not shown).
  • the sprung acceleration is an example of a first physical quantity
  • the mass is an example of a second physical quantity
  • the stroke speed is an example of a third physical quantity.
  • FIG. 14 is a diagram showing an example of the stroke speed estimation result by the neural network 121 according to the first embodiment, and is a diagram showing a case where the mass of the vehicle 1 is the reference.
  • FIG. 15 is a diagram showing an example of the stroke speed estimation result by the neural network 121 according to the first embodiment, and is a diagram showing a case where the mass of the vehicle 1 is half of the reference mass.
  • FIG. 16 is a diagram showing an example of the stroke speed estimation result by the neural network 121 according to the first embodiment, and is a diagram showing a case where the mass of the vehicle 1 is 1.5 times the reference.
  • the neural network 121 even if the mass taken out of the neural network 121 is input to the neural network 121 alone as input data without multiplying it by the sprung acceleration, the neural network 121 has not learned the mass as a parameter, so the mass not recognized. Therefore, even if the mass is changed and input to the neural network 121, the difference between the estimated value and the true value becomes large. In contrast, in the present embodiment, the mass is multiplied by the sprung mass acceleration, so the neural network 121 recognizes the multiplied value of the mass and the sprung mass acceleration as a parameter. Therefore, even if the mass is changed, the difference between the estimated value and the true value is prevented from increasing. Therefore, the same neural network 121 can be used for a plurality of vehicles 1 having different masses.
  • the neural network 121 created for one vehicle 1 out of a plurality of vehicles 1 with different specifications can be used for other vehicles 1 with different specifications.
  • the mass (second physical quantity) of the vehicle 1 may be the same or different in size than when the neural network 121 is learning.
  • the neural network 121 is created for the vehicle 1 with gasoline/two-wheel drive specifications
  • the neural network 121 provided on the vehicle 1 with gasoline/two-wheel drive specifications is created for the vehicle 1 used for the neural network 121.
  • the mass of is the same as during learning.
  • the mass of the vehicle 1 used for the neural network 121 is is different from that during learning.
  • the damping control section 10c controls the damping force of the shock absorber 4b based on the stroke speed estimated by the estimating section 10b. Specifically, the damping control unit 10c determines a current value to be input to the shock absorber 4b, and inputs the current value to the shock absorber 4b.
  • FIG. 20 is a flowchart showing an example of a physical quantity estimation direction executed by the control device 10 according to the first embodiment.
  • the acquisition unit 10a acquires input data (S1).
  • the input data is, for example, the sprung mass acceleration and the current value of the shock absorber 4b.
  • the estimation unit 10b inputs the value obtained by multiplying the sprung acceleration by the mass of the vehicle 1 by the acquisition unit 10a and the current value acquired by the acquisition unit 10a into the neural network 121, and A certain physical quantity is estimated by the neural network 121 (S2).
  • the physical quantity is, for example, stroke speed.
  • the mass is stored in the storage unit 10d. That is, the storage unit 10d stores the second physical quantity input to the neural network 121.
  • the control device 10 includes the acquisition section 10a and the estimation section 10b.
  • the acquisition unit 10a acquires a first physical quantity, which is a variable, regarding the vehicle 1 (object).
  • the estimation unit 10b uses a neural network 121 trained to estimate a third physical quantity related to the vehicle 1 in response to input of a numerical value obtained by multiplying the first physical quantity and a second physical quantity related to the vehicle 1.
  • the first to third physical quantities are, for example, physical quantities related to the motion of the vehicle 1.
  • the neural network 121 having the same content can be used for a vehicle 1 having multiple specifications with different second physical quantities. Therefore, even if the vehicle 1 has multiple specifications, the effort required to create the neural network 121 can be reduced.
  • the first physical quantity is the acceleration of the vehicle body 2 in the vertical direction of the vehicle 1
  • the second physical quantity is the mass of the vehicle 1.
  • the third physical quantity is the relative speed (stroke speed) of the wheel 3 with respect to the vehicle body 2 in the vertical direction of the vehicle 1.
  • FIG. 21 is a diagram showing a neural network 121 according to the second embodiment.
  • the input data input to the neural network 121 is a force value obtained by multiplying the sprung mass by the mass of the vehicle 1, and the damping force of the shock absorber 4b.
  • This embodiment differs from the first embodiment mainly in this point.
  • the damping force of the shock absorber 4b is calculated based on the current value of the shock absorber 4b and the stroke speed previously estimated by the estimator 10b in estimating the stroke speed (third physical quantity) by the estimator 10b. Specifically, the damping force is calculated based on the damping coefficient of the shock absorber according to the current value of the shock absorber 4b and the stroke speed estimated last time by the estimation unit 10b.
  • the estimation unit 10b multiplies the damping coefficient of the shock absorber 4b or an amount related to the damping coefficient by the previously estimated stroke speed (relative speed) to estimate a new stroke speed (relative speed).
  • the stroke velocity (third physical quantity) estimated last time by the estimation unit 10b corresponds to the first physical quantity in the current estimation of the stroke velocity by the estimation unit 10b.
  • the current value of the shock absorber 4b is an example of the second physical quantity.
  • the estimation unit 10b uses the previously estimated third physical quantity as the first physical quantity in estimating the third physical quantity.
  • the estimation unit 10b can estimate the latest third physical quantity using the third physical quantity estimated last time.
  • the second physical quantity is a quantity (current value) related to the damping coefficient of the shock absorber 4b.
  • the third physical quantity is the relative speed of the wheel 3 with respect to the vehicle body 2 in the vertical direction of the vehicle 1, that is, the stroke speed.
  • damping coefficient of the shock absorber 4b may be used instead of the current value, which is a quantity related to the damping coefficient of the shock absorber 4b.
  • FIG. 22 is a diagram showing a neural network 121 according to the third embodiment.
  • the input data input to the neural network 121 is a numerical value of the force obtained by multiplying the sprung acceleration and the mass of the vehicle 1, and the value of the force of the shock absorber 4b.
  • the main difference from the second embodiment is that the damping force and the spring force of the coil spring 4a are used.
  • the output data is the stroke speed and the relative displacement amount of the wheel 3 with respect to the vehicle body 2 in the vertical direction of the vehicle 1 (so-called stroke displacement amount).
  • the spring force of the coil spring 4a is calculated based on the spring constant of the coil spring 4a and the stroke displacement amount estimated last time by the estimation unit 10b. Specifically, the spring force of the coil spring 4a is calculated by multiplying the spring constant of the coil spring 4a by the stroke displacement amount estimated last time by the estimation unit 10b. The estimation unit 10b multiplies the spring constant of the coil spring 4a by the previously estimated stroke displacement amount to estimate a new stroke displacement amount. The stroke displacement amount (third physical quantity) estimated last time by the estimation unit 10b corresponds to the first physical quantity in the current estimation of the stroke displacement amount by the estimation unit 10b. Further, the spring constant of the coil spring 4a is an example of the second physical quantity.
  • the second physical quantity is the spring constant of the coil spring 4a (spring).
  • the third physical quantity is the stroke displacement amount, which is the relative displacement amount of the wheel 3 with respect to the vehicle body 2 in the vertical direction of the vehicle 1.
  • FIG. 23 is a diagram showing a neural network 121 according to the fourth embodiment.
  • the vehicle 1 has a front stabilizer (not shown) and a rear stabilizer (not shown).
  • the input data input to the neural network 121 are the numerical value of the force obtained by multiplying the sprung acceleration and the mass of the vehicle 1, the front stabilizer spring force, and the rear stabilizer spring force.
  • the stabilizer spring force is different from the second embodiment.
  • the output data includes the stroke speed, the FR stroke displacement amount which is the stroke displacement amount of the right front portion of the vehicle 1, and the FL stroke displacement amount which is the stroke displacement amount of the left front portion of the vehicle 1.
  • the stroke displacement amount, the RR stroke displacement amount which is the stroke displacement amount of the right rear portion of the vehicle 1 and the RL stroke displacement amount which is the stroke displacement amount of the right front portion of the vehicle 1.
  • the front stabilizer spring force is calculated by multiplying the difference value between the FR stroke displacement amount and the FL stroke displacement amount that the estimation unit 10b estimated last time by the spring constant (K f ) of the front stabilizer.
  • the rear stabilizer spring force is calculated by multiplying the difference value between the RR stroke displacement amount and the RL stroke displacement amount that the estimation unit 10b estimated last time by the spring constant (K r ) of the rear stabilizer.
  • the FL stroke displacement amount, FR stroke displacement amount, RR stroke displacement amount, and RR stroke displacement amount (third physical quantity) estimated by the estimation unit 10b last time are the second physical quantities in the estimation of the stroke displacement amount by the estimation unit 10b this time. Corresponds to a physical quantity.
  • the spring constant of the front stabilizer and the spring constant of the rear stabilizer are the second physical quantities.
  • the second physical quantity is the spring constant of the front stabilizer and the spring constant of the rear stabilizer.
  • the first physical quantity may be acceleration of the vehicle body 2 in the longitudinal direction, acceleration of the vehicle body 2 in the left-right direction (lateral direction), wheel speed, yaw rate of the vehicle body 2, or the like.
  • the second physical quantity may be the height of the center of gravity of the vehicle 1.
  • a pitch moment is calculated by multiplying the longitudinal acceleration of the vehicle body 2 by the height of the center of gravity of the vehicle 1, and this pitch moment may be used as input data for the neural network 121.
  • a roll moment may be calculated by multiplying the horizontal acceleration of the vehicle body 2 by the height of the center of gravity of the vehicle 1, and this roll moment may be used as input data for the neural network 121.
  • the mass of the vehicle 1, which is the second physical quantity may be a value including the occupants and cargo of the vehicle 1.
  • the mass of the vehicle 1 including the occupants and loaded objects can be calculated.
  • the control device (10) of this embodiment includes at least the following configuration. That is, the control device (10) is a control device (10) that controls a suspension device (4) interposed between the body (2) of the vehicle (1) and the wheels (3) of the vehicle (1). , an acquisition unit (10a) that acquires the acceleration of the vehicle body (2) in the vertical direction of the vehicle (1); Learning was performed to estimate the relative speed of the wheels (3) with respect to the vehicle body (2) in the vertical direction of the vehicle (1) according to the input of the numerical value obtained by multiplying the acceleration and the mass of the vehicle (1).
  • the relative value is calculated according to the value obtained by multiplying the acceleration acquired by the acquisition unit (10a) by a mass that is the same or different in size from when the neural network (121) was trained. an estimating unit (10b) that estimates the speed; The suspension system (4) is controlled based on the estimated relative speed.
  • the neural network (121) with the same content can be used for a vehicle (1) that has multiple specifications with different masses. Therefore, even if the vehicle (1) has multiple specifications, the effort required to create the neural network (121) can be reduced.
  • control device (10) of the embodiment includes a shock absorber (4b) interposed between the vehicle body (2) and the wheels (3), and the estimation unit (10b) is configured to calculate the damping coefficient of the shock absorber (4b). Alternatively, it is preferable to estimate a new relative speed by multiplying the amount related to the damping coefficient by the previously estimated relative speed.
  • control device (10) of the embodiment includes a spring (4a) interposed between the vehicle body (2) and the wheel (3), and the wheel (4a) with respect to the vehicle body (2) in the vertical direction of the vehicle is determined from the relative speed. 3), and the estimation unit (10b) preferably estimates a new relative displacement by multiplying the spring constant of the spring (4a) by the previously estimated relative displacement.

Landscapes

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

Abstract

制御装置は、車両の上下方向における車体の加速度を取得する取得部と、加速度と車両の質量との乗算によって得られた数値の入力に応じて車両の上下方向における車体に対する車輪の相対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、取得部によって取得された加速度と、ニューラルネットワークの学習時と大きさが同じか異なる質量との乗算によって得られた数値、に応じた相対速度、を推定する推定部と、を備え、推定した相対速度に基づいて懸架装置の制御を行なう。

Description

制御装置
　本発明の実施形態は、制御装置に関する。
　従来、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を物理量推定装置によって推定し、推定したストローク速度に基づいて懸架装置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
　ストローク速度等の物理量を、ニューラルネットワークを用いて推定する場合、車両の仕様ごとにニューラルネットワークを作成していたため、手間が掛かっていた。
　そこで、本発明の実施形態の課題の一つは、例えば、車両に複数の仕様がある場合であってもニューラルネットワークの作成に掛かる手間を低減できるようにすることである。
　本発明の実施形態にかかる制御装置は、車両の車体と前記車両の車輪との間に介在する懸架装置を制御する制御装置であって、前記車両の上下方向における前記車体の加速度を取得する取得部と、前記加速度と前記車両の質量との乗算によって得られた数値の入力に応じて前記車両の上下方向における前記車体に対する前記車輪の相対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、前記取得部によって取得された前記加速度と、前記ニューラルネットワークの学習時と大きさが同じか異なる前記質量との乗算によって得られた数値、に応じた前記相対速度、を推定する推定部と、を備え、推定した前記相対速度に基づいて前記懸架装置の制御を行なう。
　本発明の実施形態にかかる制御装置によれば、例えば、質量が異なる複数の仕様がある車両に対して同一内容のニューラルネットワークを用いることができる。よって、車両に複数の仕様がある場合であってもニューラルネットワークの作成に掛かる手間を低減できる。
図１は、第１の実施形態にかかる車両の一例の概略構成を示す模式図である。 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を示す模式図である。 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の物理量を説明するための説明図である。 図５は、検討用のニューラルネットワークの一例を示す図である。 図６は、検討用のニューラルネットワークによるストローク速度の推定結果の一例を示す図であって、車両の質量が基準の場合を示す図である。 図７は、検討用のニューラルネットワークによるストローク速度の推定結果の一例を示す図であって、車両の質量が基準の半分の場合を示す図である。 図８は、検討用のニューラルネットワークによるストローク速度の推定結果の一例を示す図であって、車両の質量が基準の１．５倍の場合を示す図である。 図９は、検討用の運動方程式によるストローク速度の推定結果の一例を示す図であって、車両の質量が基準の場合を示す図である。 図１０は、検討用の運動方程式によるストローク速度の推定結果の一例を示す図であって、車両の質量が基準の半分の場合を示す図である。 図１１は、検討用の運動方程式によるストローク速度の推定結果の一例を示す図であって、車両の質量が基準の１．５倍の場合を示す図である。 図１２は、検討用のニューラルネットワークを説明するための図である。 図１３は、第１の実施形態にかかるニューラルネットワークを示す図である。 図１４は、第１の実施形態にかかるニューラルネットワークによるストローク速度の推定結果の一例を示す図であって、車両の質量が基準の場合を示す図である。 図１５は、第１の実施形態にかかるニューラルネットワークによるストローク速度の推定結果の一例を示す図であって、車両の質量が基準の半分の場合を示す図である。 図１６は、第１の実施形態にかかるニューラルネットワークによるストローク速度の推定結果の一例を示す図であって、車両の質量が基準の１．５倍の場合を示す図である。 図１７は、比較例の運動方程式によるストローク速度の推定結果の一例を示す図であって、車両の質量が基準の場合を示す図である。 図１８は、比較例の運動方程式によるストローク速度の推定結果の一例を示す図であって、車両の質量が基準の半分の場合を示す図である。 図１９は、比較例の運動方程式によるストローク速度の推定結果の一例を示す図であって、車両の質量が基準の１．５倍の場合を示す図である。 図２０は、第１の実施形態にかかる制御装置が実行する物理量推定方向の一例を示すフローチャートである。 図２１は、第２の実施形態にかかるニューラルネットワークを示す図である。 図２２は、第３の実施形態にかかるニューラルネットワークを示す図である。 図２３は、第４の実施形態にかかるニューラルネットワークを示す図である。
　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の一例の概略構成を示す模式図である。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。車両１は物体の一例である。なお、物体は、車両１以外の移動体や装置等であってもよい。
　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。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。制御装置１０は、状態量推定装置や車両状態量推定装置、物理量推定装置とも称される。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、ニューラルネットワーク１２１が記憶されている。ニューラルネットワーク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、コイルばね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及び二つの後輪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×ストローク速度）を制御するためには、減衰係数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を制御する。
　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。
　加速度センサ６は、四つの車輪３及び懸架装置４のそれぞれに対応して車体２に設けられ、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。
　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、取得部１０ａや、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。
　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、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である電流値（電流値データ）を減衰制御部１０ｃから取得する。
　推定部１０ｂは、一例として、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。推定部１０ｂは、ニューラルネットワーク１２１を用いて、入力データに応じたストローク速度を推定する。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、及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。
　ここで、車両１の一つの車系に複数の仕様（種類、諸元）がある場合がある。例えば、複数の仕様には、ガソリン・二駆仕様と、ハイブリッド・二駆仕様と、ガソリン・四駆仕様と、ハイブリッド・四駆仕様等がある。ガソリン・二駆仕様は、駆動源がガソリンエンジンで駆動輪が二輪である。ハイブリッド・二駆仕様は、駆動源がガソリンエンジン及び電動機で、駆動輪が二輪である。ガソリン・四駆仕様は、駆動源がガソリンエンジンで駆動輪が四輪である。ハイブリッド・四駆仕様は、駆動源がガソリンエンジン及び電動機で駆動輪が四輪である。このような複数の仕様の車両１は、一例として質量が異なる。このため、従来では、各車両１のストローク速度を推定するために、一つの車系であっても、車両１ごとにニューラルネットワークを作成していた。ニューラルネットワークを作成するには、入力データと教師データを計測して学習を行う必要があり、複数のニューラルネットワークを作成するのには手間が掛かる。
　そこで、本発明者は、車両１に複数の仕様がある場合であってもニューラルネットワークの作成に掛かる手間を低減できる構成（方法）を検討した。以下に発明者による検討内容について説明する。
　発明者は、ニューラルネットワークと、車両１の運動を表す運動方程式とを比較した。ここで、図４は、第１の実施形態にかかる車両１の物理量を説明するための説明図である。図４に示されるように、車両１の質量をＭｂとし、車体２の上下方向の変位量であるばね上変位量をｘｂとし、コイルばねのばね定数をＫｃとし、ショックアブソーバ４ｂの減衰係数をＣｘとし、車輪３の上下方向の変位量であるばね下変位量をｘｔとし、車輪３のタイヤのばね定数をＫｔとし、タイヤの下端部の変位量をｘｒとした場合とする。この場合、車両１の運動方程式は下記の式（１）で表される。
　Ｍｂ（ｘｂ）´´＝－Ｋｃ（ｘｂ―ｘｔ）－Ｃｘ（（ｘｂ）´－（ｘｔ）´）・・・・・（１）
　なお、式（１）中の「´」及び「´´」は、それぞれ一回微分及び二回微分を表す。
　よって、推定のストローク速度（（ｘｂ）´－（ｘｔ）´）は、式（２）で表される。
　（（ｘｂ）´－（ｘｔ）´）＝－（Ｍｂ（ｘｂ）´´）／Ｃｘ－（Ｋｃ（ｘｂ―ｘｔ））／Ｃｘ・・・・・（２）
　図５は、検討用のニューラルネットワーク２００の一例を示す図である。図５に示されるように、検討用のニューラルネットワーク２００は、入力データが、ばね上加速度とショックアブソーバ４ｂの電流値であり、出力データが、ストローク速度である。
　上記ニューラルネットワーク２００及び式（１），（２）は、車両１の基準の質量で作成されている。
　発明者は、ニューラルネットワーク２００及び式（２）によるストローク速度の推定値を、質量を変えて算出した。この結果が図６～図１１に示されている。図６は、検討用のニューラルネットワーク１２１によるストローク速度の推定結果の一例を示す図であって、車両１の質量が基準の場合を示す図である。図７は、第１の実施形態にかかる検討用のニューラルネットワーク１２１によるストローク速度の推定結果の一例を示す図であって、車両１の質量が基準の半分の場合を示す図である。図８は、検討用のニューラルネットワーク１２１によるストローク速度の推定結果の一例を示す図であって、車両１の質量が基準の１．５倍の場合を示す図である。図９は、検討用の運動方程式によるストローク速度の推定結果の一例を示す図であって、車両１の質量が基準の場合を示す図である。図１０は、検討用の運動方程式によるストローク速度の推定結果の一例を示す図であって、車両１の質量が基準の半分の場合を示す図である。図１１は、検討用の運動方程式によるストローク速度の推定結果の一例を示す図であって、車両１の質量が基準の１．５倍の場合を示す図である。
　図６及び図９に示されるように、入力する質量を基準の質量とした場合には、ニューラルネットワーク２００及び式（２）の両方とも、推定値が真値に近い結果が得られた。図７及び図１０に示されるように、入力する質量を基準の半分とした場合には、ニューラルネットワーク２００及び式（２）の両方とも、真値からの推定値のずれが大きくなる結果が得られた。図８及び図１１に示されるように、入力する質量を基準の１．５倍とした場合には、ニューラルネットワーク２００及び式（２）の両方とも、真値からの推定値のずれが大きくなる結果が得られた。すなわち、入力値を意図的に違う数値で入力すると、真値からの推定値のずれが大きくなる。このずれは、間違えと捉えることができる。
　発明者は、上記結果から、入力値を意図的に違う数値で入力した場合の真値からの推定値のずれ方すなわち推定値の間違え方が、ニューラルネットワーク２００と式（２）とで似ていることを発見した。そして、発明者は、図１２に示されるように、ニューラルネットワーク２００の中に、質量というパラメータに対応した部分２００ａが存在すると考え、質量というパラメータをニューラルネットワーク２００の外に出すことが可能であるという考えに至った。そして、発明者は、本実施形態のニューラルネットワーク１２１において質量というパラメータを外に出した構成に想到した。
　以下、ニューラルネットワーク１２１について説明する。図１３は、第１の実施形態にかかるニューラルネットワーク１２１を示す図である。ニューラルネットワーク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の相対速度すなわちストローク速度を推定するように予め学習を行った構成である。例えば、ニューラルネットワーク１２１は、ＬＳＴＭ（Long　short‐term　memory）によって構成される。ニューラルネットワーク１２１の学習時において、入力データは、ばね上加速度と質量とを乗算して得られた力の数値と、ショックアブソーバ４ｂの電流値である。ばね上加速度は、加速度センサ６によって検出された加速度、すなわち車両１の上下方向における車体２の加速度である。質量は、基準の質量である。すなわち、質量は定数である。教師データとしての出力データは、例えば、ストローク速度センサ（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の相対速度すなわちストローク速度の実測値（真値）である。ばね上加速度は、第１の物理量の一例であり、質量は、第２の物理量の一例であり、ストローク速度は、第３の物理量の一例である。
　図１４は、第１の実施形態にかかるニューラルネットワーク１２１によるストローク速度の推定結果の一例を示す図であって、車両１の質量が基準の場合を示す図である。図１５は、第１の実施形態にかかるニューラルネットワーク１２１によるストローク速度の推定結果の一例を示す図であって、車両１の質量が基準の半分の場合を示す図である。図１６は、第１の実施形態にかかるニューラルネットワーク１２１によるストローク速度の推定結果の一例を示す図であって、車両１の質量が基準の１．５倍の場合を示す図である。
　図１４～図１６に示されるように、ニューラルネットワーク１２１に対して、入力データの算出に用いられる質量を変えても、推定値と真値とが略一致する結果が得られた。
　ここで、ニューラルネットワーク１２１の外に出した質量をばね上加速度と乗算せずに、単体で入力データとしてニューラルネットワーク１２１に入力しても、ニューラルネットワーク１２１は質量をパラメータとして学習していないため質量を認識しない。このため、質量を変えてニューラルネットワーク１２１に入力しても、推定値と真値とのずれが大きくなる。これに対して、本実施形態では、質量がばね上加速度と乗算されているので、質量とばね上加速度の乗算値がパラメータとしてニューラルネットワーク１２１に認識される。よって、質量を変更しても推定値と真値とのずれが大きくなることが抑制される。したがって、質量が異なる複数の車両１に対して同一内容のニューラルネットワーク１２１を用いることができる。すなわち、複数の仕様の車両１のうち一つの車両１に対して作成したニューラルネットワーク１２１を、仕様違いの他の車両１に用いることができる。このようなニューラルネットワーク１２１では、車両１の質量（第２の物理量）は、ニューラルネットワーク１２１の学習時と大きさが同じであってもよいし異なっていてもよい。例えば、ガソリン・二駆仕様の車両１に対してニューラルネットワーク１２１が作成された場合、ガソリン・二駆仕様の車両１に設けられたニューラルネットワーク１２１に対しては、ニューラルネットワーク１２１に用いられる車両１の質量が学習時と同じである。一方、他の仕様（ハイブリッド・二駆仕様、ガソリン・四駆仕様と、ハイブリッド・四駆仕様）の車両１に設けられたニューラルネットワーク１２１に対しては、ニューラルネットワーク１２１に用いられる車両１の質量が学習時と異なる。
　ここで、図１４～図１６に示す波形と、図６～図８に示す波形とが異なるのは、シミュレーションに用いた車両１の諸元が異なるためである。図１４～図１６に示す波形の車両１の諸元によって作成された運動方程式（比較例）によるストローク速度の波形は、図１７～図１９に示される。
　図３に戻って、減衰制御部１０ｃは、推定部１０ｂによって推定されたストローク速度に基づいて、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が実行する物理量推定方向の一例を図２０を参照して説明する。図２０は、第１の実施形態にかかる制御装置１０が実行する物理量推定方向の一例が示されたフローチャートである。
　図２０に示されるように、まずは、取得部１０ａが、入力データ（データ）を取得する（Ｓ１）。入力データは、例えば、ばね上加速度と、ショックアブソーバ４ｂの電流値とである。次に、推定部１０ｂが、取得部１０ａによってばね上加速度と車両１の質量とを乗算した数値と、取得部１０ａによって取得された電流値とを、ニューラルネットワーク１２１に入力して、推定対象である物理量をニューラルネットワーク１２１によって推定する（Ｓ２）。物理量は、例えば、ストローク速度である。質量は、記憶部１０ｄに記憶されている。すなわち、記憶部１０ｄは、ニューラルネットワーク１２１に入力される第２の物理量を記憶している。
　以上のように、本実施形態では、制御装置１０は、取得部１０ａと、推定部１０ｂと、を備える。取得部１０ａは、車両１（物）に関する、変数である第１の物理量、を取得する。推定部１０ｂは、第１の物理量と車両１に関する第２の物理量との乗算によって得られた数値の入力に応じて車両１に関する第３の物理量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１２１を用いて、取得部１０ａによって取得された第１の物理量と、ニューラルネットワーク１２１の学習時と大きさが同じか異なる第２の物理量との乗算によって得られた数値、に応じた第３の物理量、を推定する。第１～第３の物理量は、一例として、車両１の運動に関する物理量である。
　このような構成によれば、例えば、第２の物理量が異なる複数の仕様がある車両１に対して同一内容のニューラルネットワーク１２１を用いることができる。よって、車両１に複数の仕様がある場合であってもニューラルネットワーク１２１の作成に掛かる手間を低減できる。
　また、第１の物理量は、車両１の上下方向における車体２の加速度であるり、前記第２の物理量は、車両１の質量である。第３の物理量は、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（ストローク速度）である。
　このような構成によれば、質量が異なる複数の仕様が車両１にある場合であってもニューラルネットワーク１２１の作成に掛かる手間を低減できる。
＜第２の実施形態＞
　図２１は、第２の実施形態にかかるニューラルネットワーク１２１を示す図である。
　図２１に示されるように、本実施形態では、ニューラルネットワーク１２１に入力される入力データが、ばね上加速度と車両１の質量とを乗算した力の数値と、ショックアブソーバ４ｂの減衰力とである点が第１の実施形態と主に異なる。
　ショックアブソーバ４ｂの減衰力は、ショックアブソーバ４ｂの電流値と、推定部１０ｂによるストローク速度（第３の物理量）の推定において、推定部１０ｂが前回推定したストローク速度とに基づいて算出される。具体的には、減衰力は、ショックアブソーバ４ｂの電流値に応じたショックアブソーバの減衰係数と、推定部１０ｂが前回推定したストローク速度とに基づいて算出される。推定部１０ｂは、ショックアブソーバ４ｂの減衰係数または減衰係数に関する量と前回推定したストローク速度（相対速度）とを乗算して、新たなストローク速度（相対速度）を推定する。推定部１０ｂが前回推定したストローク速度（第３の物理量）は、今回の推定部１０ｂによるストローク速度の推定において、第１の物理量に相当する。また、ショックアブソーバ４ｂの電流値は、第２の物理量の一例である。
　以上のように、本実施形態では、推定部１０ｂは、第３の物理量の推定において、前回推定した第３の物理量を第１の物理量として用いる。
　このような構成によれば、推定部１０ｂが前回推定した第３の物理量を用いて最新の第３の物理量を推定することができる。
　また、第２の物理量は、ショックアブソーバ４ｂの減衰係数に関する量（電流値）である。第３の物理量は、車両１の上下方向における車体２に対する車輪３の相対速度すなわちストローク速度である。
　このような構成によれば、ショックアブソーバ４ｂの減衰係数に関する量が異なる複数の仕様が車両１にある場合であってもニューラルネットワーク１２１の作成に掛かる手間を低減できる。
　なお、ショックアブソーバ４ｂの減衰係数に関する量である電流値に替えてショックアブソーバ４ｂの減衰係数を用いてもよい。
＜第３の実施形態＞
　図２２は、第３の実施形態にかかるニューラルネットワーク１２１を示す図である。
　本実施形態では、図２２に示されるように、本実施形態では、ニューラルネットワーク１２１に入力される入力データが、ばね上加速度と車両１の質量とを乗算した力の数値と、ショックアブソーバ４ｂの減衰力と、コイルばね４ａのばね力とである点が第２の実施形態と主に異なる。また、本実施形態では、出力データは、ストローク速度と、車両１の上下方向における車体２に対する車輪３の相対変位量（所謂ストローク変位量）とである。
　コイルばね４ａのばね力は、コイルばね４ａのばね定数と、推定部１０ｂが前回推定したストローク変位量とに基づいて算出される。具体的には、コイルばね４ａのばね力は、コイルばね４ａのばね定数と、推定部１０ｂが前回推定したストローク変位量との乗算によって算出される。推定部１０ｂは、コイルばね４ａのばね定数と前回推定したストローク変位量とを乗算して、新たなストローク変位量を推定する。推定部１０ｂが前回推定したストローク変位量（第３の物理量）は、今回の推定部１０ｂによるストローク変位量の推定において、第１の物理量に相当する。また、コイルばね４ａのばね定数は、第２の物理量の一例である。
　以上のように、本実施形態では、第２の物理量は、コイルばね４ａ（ばね）のばね定数である。第３の物理量は、車両１の上下方向における車体２に対する車輪３の相対変位量であるストローク変位量である。
　このような構成によれば、コイルばね４ａのばね定数が異なる複数の仕様が車両１にある場合であってもニューラルネットワーク１２１の作成に掛かる手間を低減できる。
＜第４の実施形態＞
　図２３は、第４の実施形態にかかるニューラルネットワーク１２１を示す図である。
　本実施形態では、車両１は、フロントスタビライザ（不図示）とリアスタビライザ（不図示）とを有する。また、図２３に示されるように、本実施形態では、ニューラルネットワーク１２１に入力される入力データが、ばね上加速度と車両１の質量とを乗算した力の数値と、フロントスタビライザばね力と、リアスタビライザばね力とである点が第２の実施形態と主に異なる。また、本実施形態では、出力データ（第３の物理量）は、ストローク速度と、車両１の右前部のストローク変位量であるＦＲストローク変位量と、車両１の左前部のストローク変位量であるＦＬストローク変位量と、車両１の右後部のストローク変位量であるＲＲストローク変位量と、車両１の右前部のストローク変位量であるＲＬストローク変位量とである。
　フロントスタビライザばね力は、推定部１０ｂが前回推定したＦＲストローク変位量とＦＬストローク変位量との差分値と、フロントスタビライザのばね定数（Ｋｆ）との乗算によって算出される。リアスタビライザばね力は、推定部１０ｂが前回推定したＲＲストローク変位量とＲＬストローク変位量との差分値と、リアスタビライザのばね定数（Ｋｒ）との乗算によって算出される。推定部１０ｂが前回推定したＦＬストローク変位量、ＦＲストローク変位量、ＲＲストローク変位量、ＲＲストローク変位量（第３の物理量）は、今回の推定部１０ｂによるストローク変位量の推定において、第２の物理量に相当する。フロントスタビライザのばね定数及びリアスタビライザのばね定数は、第２の物理量である。
　以上のように、本実施形態では、第２の物理量は、フロントスタビライザのばね定数及びリアスタビライザのばね定数である。
　このような構成によれば、フロントスタビライザのばね定数やリアスタビライザのばね定数が異なる複数の仕様が車両１にある場合であってもニューラルネットワーク１２１の作成に掛かる手間を低減できる。
　なお、上記実施形態において、第１の物理量は、車体２の前後方向の加速度、車体２の左右方向（横方向）の加速度、車輪の速度、車体２のヨーレート等であってもよい。また、第２の物理量は、車両１の重心高さであってもよい。車体２の前後方向の加速度と車両１の重心高さとの乗算によってピッチモーメントが算出され、このピッチモーメントをニューラルネットワーク１２１の入力データとしてもよい。また、車体２の左右方向の加速度と、車両１の重心高さとの乗算によってロールモーメントが算出され、このロールモーメントをニューラルネットワーク１２１の入力データとしてもよい。
　また、上記実施形態において、第２の物理量である車両１の質量は、車両１の乗員や積載物を含めた値であってもよい。この場合、車両１の乗員や積載物の質量を検出する検出装置を設けることにより、乗員や積載物を含めた車両１の質量を算出することができる。
　本発明において実施形態を説明したが、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。
〔本実施形態のまとめ〕
　本実施形態の制御装置（１０）は、以下の構成を少なくとも備える。
　すなわち、制御装置（１０）は、車両（１）の車体（２）と車両（１）の車輪（３）との間に介在する懸架装置（４）を制御する制御装置（１０）であって、
　車両（１）の上下方向における車体（２）の加速度を取得する取得部（１０ａ）と、
　加速度と車両（１）の質量との乗算によって得られた数値の入力に応じて車両（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（１２１）を用いて、取得部（１０ａ）によって取得された加速度と、ニューラルネットワーク（１２１）の学習時と大きさが同じか異なる質量との乗算によって得られた数値、に応じた相対速度、を推定する推定部（１０ｂ）と、を備え、
　推定した相対速度に基づいて懸架装置（４）の制御を行なう。
　この構成によれば、例えば、質量が異なる複数の仕様がある車両（１）に対して同一内容のニューラルネットワーク（１２１）を用いることができる。よって、車両（１）に複数の仕様がある場合であってもニューラルネットワーク（１２１）の作成に掛かる手間を低減できる。
　また、実施形態の制御装置（１０）は、車体（２）と車輪（３）との間に介在したショックアブソーバ（４ｂ）を備え、推定部（１０ｂ）は、ショックアブソーバ（４ｂ）の減衰係数または減衰係数に関する量と前回推定した相対速度とを乗算して、新たな相対速度を推定すると好適である。
　この構成によれば、ショックアブソーバ（４ｂ）の減衰係数または減衰係数に関する量が異なる複数の仕様が車両（１）にある場合であってもニューラルネットワーク（１２１）の作成に掛かる手間を低減できる。
　また、実施形態の制御装置（１０）は、車体（２）と車輪（３）との間に介在したばね（４ａ）を備え、相対速度から、車両の上下方向における車体（２）に対する車輪（３）の相対変位量を推定し、推定部（１０ｂ）は、ばね（４ａ）のばね定数と前回推定した相対変位量とを乗算して、新たな相対変位を推定すると好適である。
　この構成によれば、ばね（４ａ）のばね定数が異なる複数の仕様が車両（１）にある場合であってもニューラルネットワーク（１２１）の作成に掛かる手間を低減できる。
　１…車両
　２…車体
　３…車輪
　４…懸架装置
　４ａ…コイルばね（ばね）
　４ｂ…ショックアブソーバ
　１０…制御装置
　１０ａ…取得部
　１０ｂ…推定部
　１２１…ニューラルネットワーク

Claims (3)

  1. 　車両の車体と前記車両の車輪との間に介在する懸架装置を制御する制御装置であって、
    　前記車両の上下方向における前記車体の加速度を取得する取得部と、
    　前記加速度と前記車両の質量との乗算によって得られた数値の入力に応じて前記車両の上下方向における前記車体に対する前記車輪の相対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、前記取得部によって取得された前記加速度と、前記ニューラルネットワークの学習時と大きさが同じか異なる前記質量との乗算によって得られた数値、に応じた前記相対速度、を推定する推定部と、
    　を備え、
    　推定した前記相対速度に基づいて前記懸架装置の制御を行なう制御装置。
  2. 　前記車体と前記車輪との間に介在したショックアブソーバを備え、
    　前記推定部は、前記ショックアブソーバの減衰係数または前記減衰係数に関する量と前回推定した前記相対速度とを乗算して、新たな前記相対速度を推定する
    　請求項１に記載の制御装置。
  3. 　前記車体と前記車輪との間に介在したばねを備え、
    　前記相対速度から、前記車両の前記上下方向における前記車体に対する前記車輪の相対変位量を推定し、
    　前記推定部は、前記ばねのばね定数と前回推定した前記相対変位量とを乗算して、新たな前記相対変位量を推定する
    　請求項１に記載の制御装置。
PCT/JP2023/022992 2022-08-26 2023-06-21 制御装置 WO2024042831A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-135275 2022-08-26
JP2022135275 2022-08-26

Publications (1)

Publication Number Publication Date
WO2024042831A1 true WO2024042831A1 (ja) 2024-02-29

Family

ID=90012989

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/022992 WO2024042831A1 (ja) 2022-08-26 2023-06-21 制御装置

Country Status (1)

Country Link
WO (1) WO2024042831A1 (ja)

Citations (4)

* 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
JP2005538886A (ja) * 2002-09-13 2005-12-22 ヤマハ発動機株式会社 少なくされた数のセンサーを用いるファジー制御装置
WO2022024919A1 (ja) * 2020-07-31 2022-02-03 日立Astemo株式会社 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
WO2022168683A1 (ja) * 2021-02-03 2022-08-11 株式会社アイシン 車両状態量推定装置

Patent Citations (4)

* 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
JP2005538886A (ja) * 2002-09-13 2005-12-22 ヤマハ発動機株式会社 少なくされた数のセンサーを用いるファジー制御装置
WO2022024919A1 (ja) * 2020-07-31 2022-02-03 日立Astemo株式会社 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
WO2022168683A1 (ja) * 2021-02-03 2022-08-11 株式会社アイシン 車両状態量推定装置

Similar Documents

Publication Publication Date Title
US10315481B2 (en) Systems and methods for vehicle dynamics assignment
US8718872B2 (en) Vehicle attitude controller
US9375990B2 (en) Suspension control device
WO2018105399A1 (ja) 車両運動状態推定装置
CN113359457B (zh) 智能车底盘域控制器的高维动力学模型解算装置及方法
JP2006335193A (ja) 車両のロール特性推定装置、及び該装置を用いた車両のローリング運動安定化制御装置
US20020069006A1 (en) Device and method for stabilizing a vehicle
US11897301B2 (en) Vehicle travel state control device and vehicle travel state control method
CN113752773A (zh) 减振控制装置以及减振控制方法
EP4000973A1 (en) The use of neural networks in control systems
WO2022168683A1 (ja) 車両状態量推定装置
WO2021059544A1 (ja) 状態量算出装置、制御装置および車両
JP2020117196A (ja) 車両運動状態推定装置
CN107444052B (zh) 车辆用衰减力控制装置
WO2024042831A1 (ja) 制御装置
US20230241940A1 (en) Suspension control device, vehicle, and suspension control method
JPH05262118A (ja) ショックアブソーバの減衰力制御装置
HOSSEINIAN AHANGARNEJAD Integrated control of active vehicle chassis control systems
Linström et al. A real-time non-linear vehicle preview model
KR100880110B1 (ko) 액티브 지오메트리 제어 현가장치의 고장 검출 방법
Yamamoto et al. Preview ride comfort control for electric active suspension (eActive3)
JP2588546B2 (ja) 車両の運動特性制御方法
Manning et al. IVMC: Intelligent vehicle motion control
Cheon et al. Tire vertical force estimation method using suspension deformation and stochastic road model in vehicle suspension system
JP5104594B2 (ja) 車両制御装置

Legal Events

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

Ref document number: 23856948

Country of ref document: EP

Kind code of ref document: A1