JP7845294B2 - 車両の制御装置 - Google Patents

Description

本発明は、車両の制御装置に関するものである。

車両では、一般に、駆動系に過大なトルクが負荷されることにより起こりえる、駆動系の破損や信頼性低下を回避するため、エンジントルク制限やエンジン回転数制限、ブレーキ油圧勾配抑制等の駆動系保護制御が実施されている。

前記駆動系保護制御においては、車両に過大な負荷を与える運転操作を予測し、事前に回避処理を実行する制御として、ニューラルネットワークの学習モデルを利用し、運転者の癖を反映していくことで運転操作の予測精度の向上を図ることが提案されている。たとえば、特許文献１に記載の車両の制御装置がそれである。

特開２０２２－１７４４３５

上記従来の車両の制御装置では、運転者の癖を反映して学習することで予測精度を上げるとあるが、オフロード走行時の車輪空転接地や、雪路や泥濘路での急制動のように、発生すれば駆動系破損につながる可能性がある頻度が稀な状況に対しては、学習が難しいといった課題があった。これらの状況が学習前または学習中に発生した場合、回避できず破損に至るおそれがある。

また、前記回避処理においても、運転者全てに対し、同じ制御をしており、運転者毎に最適な制御となっていない課題があった。極一部の運転者でしか発生しえない事象も回避する制御で、駆動系の信頼性を確保する反面、他の多数の運転者に対しては過剰品質であり、かつ動力性能が犠牲となっていた。

本発明は、以上の事情を背景として為されたものであり、その目的とするところは、走行路面状態や、運転者毎の癖や特性に応じた、駆動系保護制御を実施し、駆動系の信頼性と動力性能が最適に両立できる車両の制御装置を提供することにある。

本発明の要旨とするところは、（ａ）駆動系の過大なトルク発生を抑制する駆動系保護制御を行う車両の制御装置であって、（ｂ）走行路面状態に基づいて、予め記憶された複数の機械学習済モデルのうちの１を選択し、選択した前記機械学習済モデルに、所定期間の走行データを入力して、特定期間において発生する最大トルク予測値を算出するとともに、前記最大トルク予測値と前記所定期間の走行データと、予め準備されたドライバー区分によって、機械学習のクラスタリングにて運転者の前記ドライバー区分の推定を行う、推定部と、（ｃ）前記走行路面状態及び推定された前記ドライバー区分に応じて、前記駆動系保護制御の制限値定数の設定制御を行うほか、特定期間の発生トルク最大値が前記最大トルク予測値を超える場合には、前記最大トルク予測値及び前記ドライバー区分を更新して、前記駆動系保護制御の前記制限値定数の設定制御を行う、決定部を、備えることにある。

好適には、前記最大トルク予測値及び前記ドライバー区分が更新された場合の走行データを教師データとして、前記機械学習済モデルの再学習を行うことにより、前記機械学習済モデルの予測値推定の精度向上が図れる。

ここで用いる機械学習モデル（機械学習済モデルも含む）とは、機械学習アルゴリズムによる学習モデルをいう。機械学習の具体的なアルゴリズムとしては、ニューラルネットワークを利用して、学習するための特徴量、結合重み付け係数を自ら生成する深層学習（ディープラーニング）が挙げられる。

本発明によれば、前記走行路面状態及び推定された前記ドライバー区分に応じて、前記駆動系保護制御の前記制限値定数の設定制御を行うほか、前記特定期間の発生トルク最大値が前記最大トルク予測値を超える場合には、前記最大トルク予測値及び前記ドライバー区分を更新して、前記駆動系保護制御の前記制限値定数の設定制御を行う。これにより、前記走行路面状態や、運転者毎の癖や特性を反映する前記ドライバー区分に応じた、前記駆動系保護制御を実施でき、駆動系の信頼性と動力性能が最適に両立できる車両の制御装置を提供することができる。

本発明の一実施例の車両の概略構成を説明する図である。 図１の電子制御装置のトルク抑制制御の要部を示す図である。 図１及び図２の電子制御装置のトルク抑制制御と、サーバーでの処理について、処理データの流れを説明するブロック図である。 図１及び図２の電子制御装置のトルク抑制制御について、制御作動例の要部を説明するフローチャートである。

以下、本発明の実施例を図面を参照しつつ詳細に説明する。なお、以下の実施例において図は適宜簡略化或いは変形されており、各部の寸法比および形状等は必ずしも正確に描かれていない。

図１は、本発明が適用される、エンジン駆動かつ４輪駆動の車両１０の概略構成を説明する図である。図１において、車両１０は、エンジン１２と、車輪１４と、ブレーキ４４と、エンジン１２等からの動力を車輪１４へそれぞれ伝達する動力伝達装置１８と、を備えている。

動力伝達装置１８は、動力分配装置及び自動変速機を有するトランスミッション２６と、トランスファ２８と、プロペラシャフト３０と、ディファレンシャル３４と、ドライブシャフト３８と、を備えている。

車両１０は、エンジン１２及び動力伝達装置１８等を制御する制御装置を含むコントローラとしての電子制御装置８０を備えている。電子制御装置８０は、所謂マイクロコンピュータを含んで構成されており、記憶されたプログラムに従ってＣＰＵが信号処理を行うことにより車両１０の各種制御を行う。電子制御装置８０は、駆動制御部８２、及びトルク抑制制御部８４を、機能的に備えている。

駆動制御部８２は、走行に関わる機能全般の制御を行う。スロットルアクチュエータや燃料噴射装置や点火装置等を含むエンジン制御装置２０への制御でエンジン１２の作動を制御するエンジン制御部としての機能と、予め記憶されたＡＴギヤ段変速マップから実際の車速および要求出力に基づいてトランスミッション制御機構４２への制御でトランスミッション２６の変速を制御する変速制御部としての機能と、ブレーキ制御機構４８への制御でブレーキ４４の制動作動を制御する制動制御部としての機能等、を備えている。

トルク抑制制御部８４は、本発明に関わる制御を司る制御部であり、後述する制御により、駆動系の過大なトルク発生を抑制する駆動系保護制御を行う。

車両１０において、オフロード走行時の過大トルクが負荷されるシチュエーションを例とすると、岩石路やモーグル路では、車輪１４のいずれかが浮く場合があり、その後の走行で路面に設置する時に、エンジントルクＴeと、エンジン１２やトランスミッション２６のインプット系の慣性Ｉtmによるイナーシャトルクによる過大トルクが発生し、トランスミッション２６、トランスファ２８、プロペラシャフト３０、ディファレンシャル３４等の駆動系が破損する懸念がある。この他、雪路や泥濘路では、車輪１４が空転し急制動をする場合に、インプット系のイナーシャトルクによる過大トルクが発生する。トランスミッション２６の出力軸より車軸側への駆動系への負荷は、ギヤ比yatが低い方が厳しいため、駆動制御部８２は、トランスミッション２６、トランスファ２８のギヤ比yatがローギヤの場合に、エンジントルクＴeの上限値、エンジン回転数Ｎeの上限値を設定して、その値以上に上がらないように制御を行う。エンジントルクＴeの上限値、エンジン回転数Ｎeの上限値等はマップとして電子制御装置８０に記憶されており、トルク抑制制御部８４は、後述する走行路面区分Ｒcd、ドライバー区分Ｌvによって切り替える制御を行う。

駆動系に発生するトルクＴaは、次の（１）式によって算出される。
Ｔa＝［Ｔe＋（Ｉtm×エンジン回転角加速度ωe）］×yat ・・・（１）

図２は、トルク抑制制御部８４の概要を示している。トルク抑制制御部８４は、車両における種々のセンサや他の制御装置からのデータ、例えば、走行データＤda、路面画像Ｉard、気象情報Ｗinfoが入力される入力部８６と、入力部８６に入力されたデータの一部を記憶する記憶部８８を備えている。さらに、トルク抑制制御部８４は、後述する推定部９０と、後述する決定部９２と、決定部９２が決定したデータを記憶部８８に記憶または、他の制御フローに出力する記憶／出力部９４を備えている。

推定部９０は、入力部８６や記憶部８８からの入力データに基づき、次の３つの処理を行う。第１に、走行路面状態に基づいて、走行路面区分Ｒcdの選択を行う。第２に、選択された走行路面区分Ｒcdに応じて予め記憶された複数の機械学習済モデルのうちの１を選択し、選択した機械学習済モデルに、所定期間の走行データＤdatを入力して、特定期間において発生する最大トルク予測値Ｔprを算出する。第３に、算出された最大トルク予測値Ｔprと、所定期間の走行データＤdatと、予め準備されたドライバー区分Ｌvによって、機械学習のクラスタリングにて運転者のドライバー区分Ｌvの推定を行う。

決定部９２は、推定部９０から出力される走行路面区分Ｒcd及び推定されたドライバー区分Ｌvに応じて、駆動系保護制御の制限値定数Ｌmtvの設定制御を行うほか、特定期間の発生トルク最大値Ｔmaxが最大トルク予測値Ｔprを超える場合には、最大トルク予測値Ｔpr及びドライバー区分Ｌvを更新して、駆動系保護制御の制限値定数Ｌmtvの設定制御を行う。推定部９０及び決定部９２の処理及び演算に必要となる、機械学習のモデルや、予め実験やシミュレーション等によって作成されたマップや演算式等はＲＯＭに記憶されている。

さらに、トルク抑制制御部８４（電子制御装置８０）は、記憶したデータを車両１０の外部に設けられたサーバー１００に送信するための送信部９６とサーバーからのデータを受信する受信部９８を備えている。

図３は、トルク抑制制御部８４のトルク抑制制御について、処理データの流れを説明するブロック図である。図３において、平行四辺形の枠内は各処理の出力結果または値を示しており、括弧付のＳで始まる符号は、図４のフローチャートで対応しているステップを示している。

図４はトルク抑制制御部８４の制御作動の要部を説明するフローチャートである。以降、図４の処理ステップに沿って、図３を参照しつつ、トルク抑制制御部８４の制御作動を説明する。

図４のステップＳ１（以下、ステップを省略する)では、走行データや気象データ等が取得される。図３に示すように入力部８６経由で、アクセル開度θacc、エンジントルクＴe、エンジン回転数Ｎe、トランスミッションギア段Ｓat、右前輪回転速度Ｎfr、左前輪回転速度Ｎfl、右後輪回転速度Ｎrr、右後輪回転速度Ｎrl、ブレーキ油圧Ｐbcr、車両１０の前後加速度Ｇx及び左右加速度Ｇy、シフトレバーの操作ポジションＰＯＳsh等の走行データＤdaが取得され、これらの所定期間の時系列の走行データＤdatが記憶部８８に記憶される。また、入力部８６経由で、車載カメラによる路面の撮影画像Ｉard、サーバー１００もしくは他の外部ネットワークとの通信で受信した気象情報Ｗinfoのデータも取得される。

推定部９０に対応するＳ２では、走行路面状態に基づき、走行路面区分Ｒcdが選択される。入力部８６経由で取得された、カメラ撮影画像Ｉard及び気象情報Ｗinfoに基づき、走行路面、例えば、岩石路、モーグル路、雪路、泥濘路等のどれか、及び路面状態、例えばドライかウェットか等により、予め設定されているＭ種の走行路面区分Ｒcdの中から、走行路面区分Ｒcd１が選択される（Ｒcd＝Ｒcd１とされる）。また、走行路面区分Ｒcdの選択においては、走行データＤdatも入力した機械学習を用いて推定してもよい。

推定部９０に対応するＳ３では、予め作成されたＮ種の最大トルク予測値Ｔpr推定の機械学習済モデルから、Ｓ２で選択された走行路面区分Ｒcd１に応じた機械学習済モデルが選択される。機械学習済モデルは、好適には、ＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔeｒｍ Ｍｏｍｏｒｙ）によって作成されたモデルである。

推定部９０に対応するＳ４では、Ｓ３で選択された機械学習済モデルに走行データＤdatから、最大トルク予測値Ｔpr１が算出される（Ｔpr＝Ｔpr１とされる）。

推定部９０に対応するＳ５では、Ｓ４で算出された最大トルク予測値Ｔpr１と走行データＤdatが、予め作成されたクラスタリングを行う機械学習モデルに入力され、予め準備されたＰ種のドライバー区分Ｌvからドライバー区分Ｌv１が推定される（Ｌv＝Ｌv１とされる）。クラスタリングを行う機械学習モデルは、好適には、ＴＫＳＭ（Ｔｉｍｅ Ｓｅｒｉｅｓ ｋ－ｍｅａｎｓ）によって作成されたモデルである。また、最大トルク予測値Ｔpr１の入力においては、重み付けが実行されてもよい。

決定部９２に対応するＳ６では、Ｓ１で取得された走行データＤdatと（１）式から算出される発生トルクＴaの最大値Ｔmaxが、Ｓ４で算出した最大トルク予測値Ｔpr１以下（Ｔpr１≧Ｔmax）であるか否かが判断される。

Ｓ６の判断が肯定される場合は、決定部９２に対応するＳ７において、ドライバー区分Ｌvが、Ｓ５で選択されたドライバー区分Ｌv１に決定される（Ｌv＝Ｌv１のまま変更されない）。

Ｓ６の判断が否定される場合は、決定部９２に対応するＳ８において、最大トルク予測値Ｔprの値がＴpr１からＴmaxに変更される（Ｔpr＝Ｔmaxとされる）。

次に、決定部９２に対応するＳ９では、最大トルク予測値Ｔpr（＝Ｔmax）と走行データＤdatを入力データとして、Ｓ５と同じクラスタリングが実施され、ドライバー区分Ｌvが、更新値Ｌv２に更新される（Ｌv＝Ｌv２とされる）。

続いて、決定部９２に対応するＳ１０で、再学習フラグＦmlがＯＮとされ、Ｓ１１で再学習時の走行データＤmltが記憶される。走行データＤmltの記憶時間は、予め好適な値に、例えば６０秒に設定してあり、常に最新値が記憶されるようになっている。再学習フラグＦmlがＯＮとなったタイミングから６０秒前の走行データＤmltが記憶／出力部９４に記憶される。

さらに、決定部９２に対応するＳ１２では、Ｓ２で選択された走行路面区分Ｒcdと、Ｓ７またはＳ９で推定されたドライバー区分Ｌvとに応じた、駆動系保護制御の制限値定数Ｌmtvが選択、決定される。好適には、エンジントルクやエンジン回転数の上限値のマップが選択され、決定される。

図３の上段は、サーバー１００における処理データの流れを示している。記憶／出力部９４に記憶されている最大トルク予測値Ｔprと、再学習フラグＦmlと、走行データＤmltは、好適なタイミングで、車両１０からサーバー１００に送信され、サーバー入力部１０２に受信される。機械学習実行部１０４では、これら受信データを教師データに機械学習済モデルの再学習が実施され、再学習済モデルＭmlが作成され、サーバー記憶／出力部１０６に記憶される。ＯＴＡ（Ｏｖｅｒ Ｔｈｅ Ａｉｒ）やディーラ等により、電子制御装置８０内の機械学習済モデルを、再学習済モデルＭmlに更新することで、予測値推定の精度向上が図れる。

上述のように、本実施例の電子制御装置８０によれば、走行路面状態や、運転者毎の癖や特性を反映するドライバー区分に応じた駆動系保護制御を実施でき、駆動系の信頼性と動力性能が最適に両立できる車両の制御装置を提供することができる。

なお、上述したのはあくまでも本発明の一実施例であり、本発明は、その趣旨を逸脱しない範囲において種々の変形態様で実施できる。

例えば、前述の実施例の車両は、エンジン１２のみを駆動源とする車両であったが、駆動力源としてエンジン１２および回転機を備えたハイブリッド車両や、回転機のみを駆動源とする電動車両であっても差し支えない。また、トランスミッション２６内の変速機は、有段変速機、ベルト式無段変速機、電機式無段変速貴等のいずれであってもよい。

なお、上述したのはあくまでも一実施形態であり、本発明は当業者の知識に基づいて種々の変更、改良を加えた態様で実施することができる。

１０：車両、８０：電子制御装置、８２：駆動制御部、８４：トルク抑制制御部、８６：入力部、８８：記憶部、９０：推定部、９２：決定部、９４：記憶／出力部、９６：送信部、９８：受信部、１００：サーバー、１０２：サーバー入力部、１０４：機械学習実行部、１０６：サーバー記憶／出力部

Claims (1)

1. 駆動系の過大なトルク発生を抑制する駆動系保護制御を行う車両の制御装置であって、
   走行路面状態に基づいて、予め記憶された複数の機械学習済モデルのうちの１を選択し、選択した前記機械学習済モデルに、所定期間の走行データを入力して、特定期間において発生する最大トルク予測値を算出するとともに、前記最大トルク予測値と、前記所定期間の走行データと、予め準備されたドライバー区分によって、機械学習のクラスタリングにて運転者の前記ドライバー区分の推定を行う、推定部と、
   前記走行路面状態及び推定された前記ドライバー区分に応じて、前記駆動系保護制御の制限値定数の設定制御を行うほか、特定期間の発生トルク最大値が前記最大トルク予測値を超える場合には、前記最大トルク予測値及び前記ドライバー区分を更新して、前記駆動系保護制御の前記制限値定数の設定制御を行う、決定部とを、備える
   ことを特徴とする車両の制御装置。