JP6444977B2 - 自己運転または部分的に自己運転する陸上車両を制御するための装置 - Google Patents

Description

本発明は、制御装置に関し、更に特定すれば、本発明は、自己運転（self-driving）または部分的に自己運転する陸上車両を制御するための装置に関する。

自己運転車両または部分的自己運転車両の実現は、運転手の関与度に依存して、複雑である。必要条件には、車線維持および警報システムのサポート、適応巡行制御、バックアップ警告、および駐車補助が含まれる。高度運転手補助システム（ＡＤＡＳ）、光検出および測距（ＬＩＤＡＲ）、およびリアル・タイムの車両間通信における専用短距離通信（ＤＳＲＣ）は、開発中にある既知の技術の一部に過ぎない。これらの技術は、車が画像からリアル・タイムで任意の状況の三次元ジオメトリーを計算し、これらの周囲の状況に応答することを可能にするように設計される。例えば、ＡＤＡＳは、アクチュエータ、制御ユニット、および統合ソフトウェアと組み合わされた、ステレオ・カメラならびに長距離および短距離レーダのような、高度センサの組み合わせを使用する。

これまで、入手可能なセンサおよび人工知能の融合は、人間ができる程精度高く車両の周囲の状況を「見て」理解することができなかった。人工知能は、そのレベルの推論思考を提供することができず、リアル・タイムで環境と通信することもできなかった。これらのセンサおよび接続技術を集中させれば、意思決定に利用可能な入力が増え、それ以上精巧な人工知能の必要性が低下することが理解された。

モデル予測制御（ＭＰＣ）は、最適化ベースの制御戦略であり、車両自律運転のシナリオでは、非常に魅力的であると考えられる。例えば、ＭＰＣ解決手段に関して、ＡＰＡＣＣは、センサ、運転手の挙動および交通データを含むデータ、ならびにモデル予測コントローラを使用して、燃費を向上させる。

安全な自己運転車両は既に作られている。従前からの自動車製造会社や供給業者だけでなく、Google社も、センサ・ベースの解決手段を使用して自己運転機能を開発し、進行中の多くの新たな用途を有する。同時に、自動車およびハイテク会社ならびにＵＳＤＯＴを含む複数の組織が、衝突回避および交通管理のために接続車両通信技術を使用する潜在的可能性に照準を絞っている。

高度制御方式によってサポートされるセンサ・ベース技術および接続車両通信を統合することは、真の自律車両を可能にするために必要とされる。しかしながら、過去数年の高度制御方式では、車両自律運転では線形モデル予測制御（ＭＰＣ）が使用されたに過ぎない。全てのＭＰＣ技法の背後にある基礎的な考えは、目標機能の最小化によって最適な今後の制御シーケンスを計算するために、プラント・モデル(plant model)の予測を拠り所にするということである。ＭＰＣモデルは、被制御変数、被操作変数、および外乱（摂動）変数を含む。各サンプル時点において、新たな測定データおよびシーケンスの最初の制御入力に基づいて行われる最適化が適用される。シーケンスの残り部分は破棄され、「後退ホライズン」の態様で次のサンプリング時点においてこのプロセスが繰り返される。

ＭＰＣはその起源を化学プロセス工業に有するが、車両自律運転に対するその応用に増々関心が寄せられており、車線維持および警告システムのサポート、適応巡行制御、バックアップ警告、および駐車補助が含まれる。本質的に、ＭＦＣの応用は、最適化を採用し、増大する自律性および再構成に対する自然な枠組みを設けることによって、燃料および時間最適速度計画という理念の上に組み立てられつつ、有限制御権限(finite control authority)、受動安全性(passive safety)、および衝突回避というような物理的および動作的制約を考慮に入れる。更に、他では知ることができない行程計画というような、他の改良も可能である。

一般化予測制御（ＧＰＣ）およびその派生物が、特別な注目を集めている。特に、不安定なまたは時間遅延が生ずるＭＩＭＯシステムにＧＰＣを単純なやり方で応用でき、静止モデルに対する計算的要求が低いため、多くの異なる種類のタスクのために有用となる。予想外の振る舞いをするシステム、人間の要因、障害、および環境は全て、非線形プラント動特性に寄与する要因である。ＭＰＣの欠点は、この方法が線形モデルに限定されることである。プラントにおいて非線形動特性が存在する場合、線形モデルは、ＭＰＣ技法がしかるべく機能するための十分な予測を出せないおそれがある。

閉ループ同定に対する２つの最も一般的な手法は、直接手法および間接手法である。直接手法は、フィードバックの存在を無視し、直接プラント入力および出力データによってプラントを同定する。これは、制御フィードバックのタイプや、コントローラの線形性についての知識も必要でないという利点がある。間接手法は、閉ループを同定し、可能であればディコンボリューションによって、開ループ・モデルを得る。開ループ・モデルを得ることができるのは、コントローラが既知であり、閉ループ・プラント・モデルおよびコントローラの双方が線形である場合だけである。

多変数多入力多出力（ＭＩＭＯ）システムの制御は、実際の車両間通信、および車両からインフラストラクチャへの通信における共通問題である。接続車両システムは、リアル・タイムで通信するためにワイヤレス技術を使用する。殆どの既存の手法は、アクチュエータの正確なモデルが入手可能であると想定して、運転手の挙動および環境における不確実性だけを扱う。この想定が満たされることは実際には希である。何故なら、アクチュエータのパラメータも、機械的および電気的部品等のような入力障害等による不確実性を有するからである。アクチュエータの不確実性を伴う適応制御は考慮されないが、この不確実性の結果、コントローラの性能に重大な劣化を生ずる。

本発明の目的は、以上で述べた問題を低減することである。

本発明の非限定的な一実施形態では、自己運転または部分的に自己運転する陸上車両を制御するための装置を提供する。この装置は、粗調節アセンブリと微調節アセンブリとを含む。

粗調節アセンブリは、
ａ．速度および制動を含む力学的パラメータを測定するセンサ・インターフェースと、
ｂ．車両の案内、ナビゲーション、および制御をモデル化するファジー記述であって、
（ｉ）運転手の挙動および運転動特性と、
（ｉｉ）天候、道路条件、および交通量を含む環境による不確実性と、
（ｉｉｉ）機械的および電気的部品を含む入力障害と、
を含む、ファジー記述と、
ｃ．ファジー化、推論、およびタイプ・リダクションと非ファジー化とを含む出力処理を含み、結果的に得られる閉ループ・システムに安定性を与えるサブシステムを有する非線形ＭＩＭＯシステムのための適応ファジー論理コントローラであって、
（ｉ）ルール・ベースと、タイプ・リデューサに対する「ファジー集合」としての出力を使用して関係を同定する推論エンジンと、
（ｉｉ）トルク・アクチェータから、信号を「ファジー化する」ファジファイアまでを含む出力制御要求(output control demand)とを含む、適応ファジー論理コントローラと、
を含むようになっており、
微調節アセンブリは、
ａ．粗調節アセンブリからの入力と、
ｂ．計算される制御シーケンスの最小化および長さのために、目的関数がどれ位の今後のサンプルを考慮するか決定する予知ホライゾンと、
ｃ．「微」調節パラメータを供給する時間ステップ毎に、適応ファジー論理コントローラから抽出される線形化ＭＩＭＯ回帰モデルと、
ｄ．非線形動的線形化回帰コントローラであって、
（ｉ）最適な今後の車両案内、ナビゲーション、および制御シーケンスを計算するＡＰＡＣＣ統合に入力するクリスプ出力信号と、
（ｉｉ）ＡＰＡＣＣ線形論理システムに入力する縮小集合出力およびＡＰＡＣＣ統合とを供給する、非線形動的線形化回帰コントローラと、を含む。

この装置は、入力信号を出力信号に対して最適化し、車両の今後の安定化出力パラメータを予測する、カスケード・ディオファントス周波数合成（ＤＦＳ）手段を含む、同期アセンブリを含むものでもよい。

システム同定のためのニューラル・ネットワークの使用は、ファジー論理と同様比較的新しい手法である。
本発明の装置は、適応（モデル）認知制御（ＡＰＡＣＣ）を使用して人工予知（ＡＰ）を提供すると見なすことができる。ＡＰＡＣＣは、モデル予測制御（ＭＰＣ）を改良する。非常に複雑なアルゴリズムを使用して、ＡＰＡＣＣは、非常に高いレベルの推論思考およびリアル・タイム通信を可能にする。利用可能なセンサの融合により、ＡＰＡＣＣは、車両の周囲を「認知」し、外部環境の真正な「知覚」を与える能力を提供する。これは、人間が蓄えた記憶および感覚入力の組み合わせを使用して、イベントが発生するに連れてこれらを解釈し、ありそうなシナリオを予測する（認知する）方法を模擬するのにいくらか助けになることによって、これまでに可能であったことを遙かに凌駕する。

これより、一例のみとして、そして添付図面を参照しながら、本発明の実施形態について説明する。
図１は、車両自律運転におけるＡＰＡＣＣを示す。 図２は、車両自律運転において、ＡＰＡＣＣを使用する人工予知のためのコンピュータ・ハードウェア・コア・システムを示す。 図３は、車両自律運転におけるＡＰＡＣＣのために高性能計算を行うIntel社（登録商標）Xeon（登録商標）プロセッサを示す。

図面を参照すると、非線形車両自律運転動特性は、高度の非線形性を有する「ファジー」と特徴付けることができる。ＡＰＡＣＣは、非線形モデルの瞬時的線形性に、各サンプリング時にファジー論理回路（図２におけるファジファイア(fuzzyifier)）の「認知」出力を供給する。これは、ファジー論理回路出力の瞬時的線形性が、適応線形回帰モデルを生成することを除いて、殆どの形態(aspects)においてＧＰＣと同様である。

ファジー論理の主要な利点は、設計者に単純な「ｉｆ−ｔｈｅｎ」関係で所望のシステム挙動を記述させることである。多くの用途において、これはより少ない設計時間でより単純な解を得る。加えて、設計者は、システム性能を直接的に最適化するために、入手可能な全ての設計ノウハウを使用することができる。これは確かにファジー論理の長所(beauty)であるが、重大な欠点もある。多くの用途において、所望のシステム挙動を記述する知識は、データ集合に含まれる。ここで、設計者はデータ集合から手作業で「ｉｆ−ｔｈｅｎ」ルールを導く必要があったが、大きなデータ集合では多大な労力を必要とする。データ集合が、設計されるシステムについての知識を含むとき、ニューラル・ネットは、このデータ集合からそれ自体を訓練することができるので、解を約束する。

ニューラル・ネットは、データ集合から学習することによる利点があるが、これらには固有の欠点がある。例えば、特定の挙動に対する原因を解釈することができず、ある所望の挙動に変化させるために手作業でニューラル・ネットを変更することもできない。また、しかるべきネット・モデルの選択、および学習アルゴリズムのパラメータの設定は、難しく、多くの経験を必要とする。他方で、ファジー論理の解は、検証および最適化が容易である。本発明は、ルール派生を自動化するファジー論理コントローラを利用し、プラント動特性を瞬時に予測するためにこの機能を手作業で実行する必要性を解消する。

ファジー制御方法は、非線形制御問題に取り組むための将来性のある方法として近年において出現した。特に、ファジー制御は、非線形制御問題に対して発見的な制御知識を使用するために提供する単純な手法のために、制御の世界において影響を及ぼした。非常に複雑な状況では、プラント・パラメータが摂動を受ける場合、またはシステムの動特性が非常に複雑な場合、データを収集し制御パラメータを自動的に調節するためには、適応方式をオンラインで使用しなければならない。しかしながら、これらの適応手法には、これまで安定性条件が与えられなかった。ＡＰＡＣＣは、２つのコンポーネントをその適応ファジー制御方式に導入する。１つは、粗調節用ファジー論理システムである。他の１つは、適応線形モデルを生成するファジー論理回路出力の瞬時的線形化である。これは、微調節のための監視制御、スライディング・モード制御のような、一種のロバスト補償器として機能する。

近年、多入力多出力（ＭＩＭＯ）非線形システムのために、様々な安定した適応ファジー制御方式が開発された。しかしながら、これらの適応制御技法は、状態が測定に利用可能であることが想定されるＭＩＭＯ非線形システムだけに制限される。多くの実際の状況では、状態変数は非線形システムでは入手できないことが多い。つまり、このような複雑な用途では、出力フィードバックまたはＡＰＡＧＣ適応ファジー制御が必要とされる。ファジー制御システムは、ＭＩＭＯシステムを制御し、システムの安定性を維持する。粗調節および微調節は、外部摂動の影響を低減し、閉ループ安定性を保証することによって、システム性能を改良する。

ＡＰＡＧＣ粗調節および微調節は、陸上車両、例えば、車の完全または部分的自律運転制御に適用される。これらは、可能な３Ｄ場面構造／力学的／アクチュエータ・パラメータを瞬時に認知するために、３Ｄ場面構造、速度、制動、ならびにタイヤ・センサおよびアクチュエータ入力不確実性によって供給されるものというような力学変数に適用される。

車両自律運転に適用される非適応受動方法は、「線形」（例えば、力学的関係）および「非線形」（例えば、運転手の挙動、環境的、機械および電気部品における入力障害）における不確実性を想定し、更にアクチュエータの正確なモデルが入手可能であると想定する。

図１に示すように、３つのレベルの模式図がある。図１に示す車両間および車両／インフラストラクチャ技術における車装カメラ、センサ、ＡＤＡＳ、ＬＩＤＡＲ、およびＤＳＲＣは、特定のリアル・タイム車両データを生成する。この車両データは、アクチュエータ、制御ユニット、および統合ソフトウェアと組み合わせられ、車がその周囲を監視し応答することを可能にする。３Ｄまたはステレオ・カメラを使用するこれらのセンサ・ベース、運転手補助解決手段は、車両が見る画像からリアル・タイムで車両前方のあらゆる状況の三次元ジェオメトリーを計算することができる。車両データは、リアル・タイムで、運転手の挙動、環境（例えば、天候、道路条件、交通量）マップ、および高性能計算（ＨＰＣ）データ・センタに格納されている画像と組み合わせられる。これによって、外部環境の「知覚」が得られ、利用可能なセンサおよびＡＰＡＣＣの融合は、車両の周囲を「認知する」能力を提供する。これは、人間が蓄えた記憶およびセンサ入力の組み合わせを使用して、イベントが発生するに連れてこれらを解釈し、ありそうなシナリオを予測する方法を模擬する。非常に複雑なアルゴリズムを使用して、ＡＰＡＣＣは、あるレベルの推論思考およびリアル・タイム通信を提供する。

図２は、車両自律運転にＡＰＡＣＣがどのように使用されるかを示す。車両動特性を制御するときの設計は、センサ、アクチュエータ、ならびに（１）車両の現在の動特性のセンサ測定値、および（２）所望の動特性の仕様に基づいてアクチュエータに命令するためのアルゴリズムを必要とする。

完全および部分的自律車両は、ＡＰＡＣＣの適用の結果として、自動動的運動に対応する出力を有する。人工予知に必須なコンポーネントは、サブシステムとして、図２に示す高性能コンピュータ・ハードウェア・コア・システムのデータ・センタ実現例１内部に埋め込まれる。コア・システムの詳細な実現例を図２に示す。入力は、車両に対する摂動を含む。入力は、速度、制動、ならびにタイヤ・センサおよびアクチュエータ入力不確実性によって供給されるものというような力学変数を含む、大多数の変数を含む。入力／出力は、図２に示すような、多変量多入力多出力（ＭＩＭＯ）サブシステム２によって管理される。センサ・デルタは、センサによって、シーケンシャル制御プロセスを介して測定される。シーケンシャル制御プロセスは、フィードバック測定（フィードバック・エレメント）、ならびに入力および出力信号間の差を比較する比較器を含む。ＭＩＭＯサブシステム２は、比較器における入力信号に追加される設定点を使用して、異なる動作状態に駆動される。実際の励起信号振幅は、各設定点を中心とした最大励起を確保するために、できるだけ大きくなければならない。ＡＰＡＣＣは、瞬時に、実際の出力と認知された（可能なおよび可能性が高い）出力（例えば、スロットル制御および操縦）との間の誤差を補償して、車の動特性に安定性を与える。この誤差は、ＭＩＭＯサブシステム２において、制御出力をアクチュエータに供給するコントローラに供給されることが示されている。センサ・アクチュエータは、車両の方向または速度を変化させるために必要となる機械的作用を加える。

粗調節は、図２に示す適応ファジー論理コントローラ３によって行われる。これは、外部摂動を伴う非線形ＭＩＭＯシステムのために、ファジー記述を使用して、車案内、ナビゲーション、および制御をモデル化するために開発された。適応ファジー論理コントローラは、ファジー化、推論、および出力処理の動作を伴うタイプ−２ファジー論理システムである。センサ・アクチュエータは、信号を「ファジー化」するファジファイアに、制御要求を出力する。入力の中には密接に相関付けられた変数（上述した）があり、これらは高い相互情報を有する。しかしながら、他の関係する変数対には、低い相関を有するが、高い相互情報を有するものもある。粗調節は、認知プロセスを徹底的に高速化して、事実上瞬時な動的補正を可能にする。推論エンジンは、ルール・ベースを使用してこれらの関係を同定し、これらを「ファジー集合」としてタイプ・リデューサ(type reducer)に出力する。適応ファジー論理コントローラは、「出力処理」を行い、タイプ・リダクション(type reduction)および非ファジー化の双方を含む。

タイプ・リダクション（縮小集合）は、ルール不確実性について、非ファジー化値（クリスプ数）よりも多くの情報を取り込むが、計算集約的である。利点は、予測されない摂動、データ不確実性を認知できることである。適応ファジー・コントローラは、申し分ない制御を行い、結果的に得られる閉ループ・システムおよび追跡性能の全体的安定性を達成できることを保証することができる。

適応ファジー論理コントローラの出力処理は、図２に示す非線形動的線形化回帰コントローラ４に引き継がれる(fed to)。コントローラ４は、微調節を行い、クリスプ出力信号は、ＡＰＡＣＣ統合(APACC synthesis)に入力する。縮小集合出力およびＡＰＡＣＣ統合は、ＡＰＡＣＣ線形論理システムに入力する。線形化ＭＩＭＯ回帰モデルは、各時間ステップにおいてファジー論理コントローラから抽出され、「微」調節パラメータを供給するために使用される。非線形動的線形化回帰コントローラは、最適な今後の案内、ナビゲーション、および制御シーケンスを、目的関数にしたがって計算する。計算される制御シーケンスの最小化およびその長さのために、目的関数がどの位今後のサンプルを考慮するか、２つの「予知ホライゾン」が決定する。殆どのＭＰＣ方法において共通するように、後退ホライゾン戦略が使用され、つまり、計算される最初の制御信号だけが、ループ閉鎖を達成するために、実際に車両システムに印加される。

入力信号の出力信号に対する同期最適化が、２つ以上のフェーズ・ロック・ループ（ＰＬＬ）を使用して実現される、カスケード・ディオファントス周波数合成（ＤＦＳ： cascaded diophantine frequency synthesis）を使用して達成される。ＤＦＳは、図２におけるＤＦＳ５である。ＤＦＳ５は、連続時間、無限次元、時間可変、および非線形システムの今後の出力を予測するために使用される。その主要な機能は、車両安定化要因をパラメータ化し、これらを連続フィードバック・ループに固定することである。

陸上車両の案内、ナビゲーション、および制御（ＧＮＣ）のためのＡＰＡＣＣは、膨大なデータ量の事実上瞬時の分析を必要とする。これを達成するために、ＡＰＡＣＣ車両自律運転のために、Intel（登録商標）社からのconvey high performance computing （ＨＰＣ：高性能計算）アーキテクチャが選択された。コンベイ・コンピュータの手法は、ランダム・アクセス・メモリに対して非常に高速なアクセスを可能にし、ＡＰＡＣＣにおいて使用される複雑な機能には非常に有用である。

このアーキテクチャは、図３に示すIntel（登録商標）社のXeon（登録商標）プロセッサに基づく。このアーキテクチャは、性能を更に向上させるための高度並列メモリ・サブシステムを特徴とする。プログラマブル「オンザフライ」ＦＰＧＡは、ハードウェア・ベースの用途特定性能を達成する１つの方法である。特定のＡＰＡＣＣ−ＧＮＣアルゴリズムは、例えば、最適化されてコードに変換され、このコードが実行時にＦＰＧＡにロードされる。

車両間および車両−インフラストラクチャ技術における車装カメラ、センサ、ＡＤＡＳ、ＬＩＤＡＲ、およびＤＳＲＣは、完全または部分的車両自律運転のために入力をＡＰＡＣＣに供給する(present)。

ＡＰＡＣＣアセンブリは、
ａ．車両動特性を測定するセンサと、
（ｉ）車両摂動に局所的に露出される入力面、
（ｉｉ）入力パラメータは、力学的パラメータ、ならびにタイヤ・センサおよびアクチュエータ入力不確実性によって供給されるものを含み、
ｂ．車両の進路を変更するための操縦、スロットル、および制動を含む動作を加えるアクチュエータと、
ｃ．（１）現在の進路のセンサ測定値、および（２）所望の進路の仕様に基づいて、アクチュエータに命令するアルゴリズムと、
を含む。

ＡＰＡＣＣは、人間が、イベントが起こるに連れてそれらを解釈し、起こりそうなシナリオを予測する（認知する）ために、蓄えた記憶および感覚入力の組み合わせを使用する方法を真似する。

多変数多入力多出力（ＭＩＭＯ）サブシステム２は、センサ・アセンブリを含む。このセンサ・アセンブリは、本質的に、フィードバックを測定するシーケンシャル制御プロセスと、入力および出力信号間の差を比較する比較器とを含む。ＭＩＭＯサブシステム２は、次のように動作する。

ａ．比較器において入力信号に追加される設定点を使用して、ＭＩＭＯサブシステム２を異なる動作状態に駆動する。
ｂ．ＡＰＡＣＣは、瞬時的に、実際の出力と、認知された（可能なおよび可能性が高い）出力との間の誤差を補償する。出力は、車の動特性に安定性を与えるスロットル制御および操縦を含む。

ｃ．各設定点を中心に最大の励起を確保するために、励起信号振幅を最大にする。
ｄ．センサ・アクチュエータに制御出力を供給するコントローラに誤差を供給し、車両の方向または速度を変えるために必要な機械的作用を与える。

高性能計算（ＨＰＣ）アーキテクチャは、車案内、ナビゲーション、および制御のための膨大なデータ量の事実上瞬時の分析のために、ランダム・アクセス・メモリに対する非常に高速なアクセスを可能にする。

尚、添付図面を参照して以上で説明した本発明の実施形態は、一例としてそして添付図面を参照して与えられたことは、認められよう。図面に示された個々のコンポーネントは、その図面における使用に限定されることはなく、これらは他の図面および本発明の全ての形態において使用することができる。

Claims (2)

1. 自己運転または部分的に自己運転する陸上車両の制御装置であって、該装置が、粗調節アセンブリと微調節アセンブリとを含み、
   前記粗調節アセンブリが、
   ａ．速度および制動を含む力学的パラメータを測定するセンサ・インターフェースと、
   ｂ．前記車両の案内、ナビゲーション、および制御をモデル化するファジー記述であって、
   （ｉ）運転手の挙動および運転動特性と、
   （ｉｉ）天候、道路条件、および交通量を含む環境による不確実性と、
   （ｉｉｉ）機械的および電気的部品を含む入力障害と、
   を含む、ファジー記述と、
   ｃ．ファジー化、推論、およびタイプ・リダクションと非ファジー化とを含む出力処理を含み、結果的に得られる閉ループ・システムに安定性を与えるサブシステムを有する非線形ＭＩＭＯシステムのための適応ファジー論理コントローラであって、
   （ｉ）ルール・ベースと、タイプ・リデューサに対する「ファジー集合」としての出力を使用して関係を同定する推論エンジンと、
   （ｉｉ）トルク・アクチュエータから、前記信号を「ファジー化する」ファジファイアまでを含む出力制御要求と、
   を含む、適応ファジー論理コントローラと、
   を含むようになっており、
   前記微調節アセンブリが、
   ａ．前記粗調節アセンブリからの入力と、
   ｂ．計算される制御シーケンスの最小化および長さのために、目的関数がどれ位の今後のサンプルを考慮するか決定する予知ホライゾンと、
   ｃ．前記「微」調節パラメータを供給する時間ステップ毎に、前記適応ファジー論理コントローラから抽出される線形化ＭＩＭＯ回帰モデルと、
   ｄ．最適な今後の車両案内、ナビゲーション、および制御シーケンスを計算する非線形動的線形化回帰コントローラであって、
   （ｉ）クリスプ出力信号が入力を供給するＡＰＡＣＣ統合と、
   （ｉｉ）縮小集合出力およびＡＰＡＣＣ統合が入力を供給するＡＰＡＣＣ線形論理システムと、
   を含む非線形動的線形化回帰コントローラと、
   を含むようになっている、装置。
2. 請求項１記載の装置であって、前記入力信号を前記出力信号に対して最適化し、前記車両の今後の安定化出力パラメータを予測する、カスケード・ディオファントス周波数合成（ＤＦＳ）手段を含む、同期アセンブリを含む、装置。

Images