特開 2021-22310 車体性能予測方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】特開2021-22310(P2021-22310A)

(43)【公開日】2021年2月18日

(54)【発明の名称】車体性能予測方法

(51)【国際特許分類】

   G06N 3/08 20060101AFI20210122BHJP

【ＦＩ】

   G06N3/08

【審査請求】未請求

【請求項の数】1

【出願形態】ＯＬ

【全頁数】11

(21)【出願番号】特願2019-140065(P2019-140065)

(22)【出願日】2019年7月30日

(71)【出願人】

【識別番号】000003207

【氏名又は名称】トヨタ自動車株式会社

(71)【出願人】

【識別番号】592032636

【氏名又は名称】学校法人トヨタ学園

(74)【代理人】

【識別番号】100079049

【弁理士】

【氏名又は名称】中島 淳

(74)【代理人】

【識別番号】100084995

【弁理士】

【氏名又は名称】加藤 和詳

(74)【代理人】

【識別番号】100099025

【弁理士】

【氏名又は名称】福田 浩志

(72)【発明者】

【氏名】新谷 浩平

(72)【発明者】

【氏名】佐々木 裕

(72)【発明者】

【氏名】三輪 誠

(72)【発明者】

【氏名】牧野 晃平

(57)【要約】

【課題】車体性能を精度よく予測可能な車体性能予測方法を提供する。
【解決手段】学習初期に真値を入力部１１０に入力し、学習中期に真値及び推定値をランダムに入力部１１０に入力し、学習終盤に推定値を入力部１１０に入力してニューラルネットシステム１００を学習させる工程と、学習後のニューラルネットシステム１００に、車体パラメタに基づいて車体の挙動に係る推定値である中間計算パラメタを算出する工程と、算出した中間計算パラメタを入力にフィードバックして時系列で次段階の推定値である中間計算パラメタを算出する工程を所定回数反復し、時系列で各々算出された中間計算パラメタと車両パラメタとに基づいて、車両の挙動に係る応答を出力する工程と、時系列で各々算出された中間計算パラメタの損失と応答の損失とを同時に最適化する工程と、を含む。
【選択図】図２

【特許請求の範囲】

【請求項1】

学習初期に真値を入力し、学習中期に真値及び推定値をランダムに入力し、学習終盤に推定値を入力してシステムを学習させる工程と、
学習後のシステムに、車体の挙動に係る変数に基づいて車体の挙動に係る推定値を算出する工程と、
算出した推定値を入力にフィードバックして時系列で次段階の推定値を算出する工程と、
前記時系列で次段階の推定値を算出する工程を所定回数反復する工程と、
時系列で各々算出された推定値と前記変数とに基づいて、車両の挙動に係る応答を出力する工程と、
前記時系列で各々算出された推定値の損失と前記応答の損失とを同時に最適化する工程と、
を含む車体性能予測方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、車体性能予測方法に関する。

【背景技術】

【0002】

車両開発においては、車体の諸元から、コンピュータによるシミュレーションであるＣＡＥ（computer aided engineering）を用いて車両の走行時の挙動を推定し、当該推定に基づいて車両の性能を予測する研究が進められている。

【0003】

特許文献１には、リカレントニューラルネットワーク（ＲＮＮ）を用いて車体性能予測に資する車両の運動モデルを生成する車両運動モデルの生成装置およびその方法の発明が開示されている。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２００４−２４９８１２号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、ＲＮＮは、多層構造の各層で欠落する入力情報が存在する場合があり、かかる場合に車体性能予測の精度が低下するという問題があった。

【0006】

本発明は、上記事実を考慮し、車体性能を精度よく予測可能な車体性能予測方法を提供することを目的とする。

【課題を解決するための手段】

【0007】

請求項１に記載の車体性能予測方法は、学習初期に真値を入力し、学習中期に真値及び推定値をランダムに入力し、学習終盤に推定値を入力してシステムを学習させる工程と、学習後のシステムに、車体の挙動に係る変数に基づいて車体の挙動に係る推定値を算出する工程と、算出した推定値を入力にフィードバックして時系列で次段階の推定値を算出する工程と、前記時系列で次段階の推定値を算出する工程を所定回数反復する工程と、時系列で各々算出された推定値と前記変数とに基づいて、車両の挙動に係る応答を出力する工程と、前記時系列で各々算出された推定値の損失と前記応答の損失とを同時に最適化する工程と、を含む。

【0008】

請求項１に記載の車体性能予測方法によれば、学習初期に真値を入力し、学習中期に真値及び推定値をランダムに入力し、学習終盤に推定値を入力してシステムを効率的に学習させることができる。

【0009】

また、請求項１に記載の車体性能予測方法によれば、学習後のニューラルネットシステム１００において、車体の挙動に係る変数に基づいて算出した車体の挙動に係る推定値を入力にフィードバックして時系列で次段階の推定値を算出する工程を反復することにより、最適化された推定値を段階的に生成することができる。

【0010】

また、請求項１に記載の車体性能予測方法によれば、時系列で各々算出された推定値と変数とに基づいて、車両の挙動に係る応答を出力することにより、推定値の算出時に欠落した情報を変数によって補填して、より精度の高い応答を得ることができる。

【0011】

また、請求項１に記載の車体性能予測方法によれば、時系列で各々算出された推定値の損失と応答の損失とを同時に最適化することにより、応答の精度を向上させることができる。

【発明の効果】

【0012】

以上説明したように、本発明に係る車体性能予測方法によれば、車体性能を精度よく予測可能な車体性能予測方法を提供することができる。

【図面の簡単な説明】

【0013】

【図1】本発明の実施の形態に係る車体性能予測方法に係る演算処理装置の具体的な構成の一例を示すブロック図である。

【図2】車体性能予測プログラムによって構築されるニューラルネットシステムの一例を示した概略図である。

【図3】車両のロール安定性をテストするNCAP fishhook試験の計算結果の一例を示した概略図である。

【図4】本発明の実施の形態に係る車体性能予測方法の効果を示した説明図である。

【発明を実施するための形態】

【0014】

以下、図１を用いて、本実施の形態に係る車体性能予測方法について説明する。図１は、本発明の実施の形態に係る車体性能予測方法に係る演算処理装置１０の具体的な構成の一例を示すブロック図である。

【0015】

演算処理装置１０は、コンピュータ３０を含んで構成されている。コンピュータ３０は、ＣＰＵ３２、ＲＯＭ３４、ＲＡＭ３６、及び入出力ポート３８を備える。一例としてコンピュータ３０は、エンジニアリングワークステーション、又はスーパーコンピュータ等の、高度な演算処理を高速で実行できる機種であることが望ましい。

【0016】

コンピュータ３０では、ＣＰＵ３２、ＲＯＭ３４、ＲＡＭ３６、及び入出力ポート３８がアドレスバス、データバス、及び制御バス等の各種バスを介して互いに接続されている。入出力ポート３８には、各種の入出力機器として、ディスプレイ４０、マウス４２、キーボード４４、ハードディスク（ＨＤＤ）４６、及び各種ディスク（例えば、ＣＤ−ＲＯＭやＤＶＤ等）４８から情報の読み出しを行うディスクドライブ５０が各々接続されている。

【0017】

また、入出力ポート３８には、ネットワーク５２が接続されており、ネットワーク５２に接続された各種機器と情報の授受が可能とされている。本実施の形態では、ネットワーク５２には、データベース（ＤＢ）５４が接続されたデータサーバ５６が接続されており、ＤＢ５４に対して情報の授受が可能とされている。データサーバ５６及びＤＢ５４は、コンピュータ３０が兼ねてもよい。

【0018】

ＤＢ５４には、車体性能予測の対象となる車両の３Ｄ（三次元）モデルのデータ及び車体性能予測に係るデータ等が予め記憶される。ＤＢ５４への情報の記憶は、コンピュータ３０やデータサーバ５６を介したデータの格納でもよいし、ネットワーク５２に接続された他の機器を介したデータの格納でもよい。ＤＢ５４に格納される３Ｄモデルのデータは、ＣＡＤ（コンピュータ支援設計）による車両のデータでよいが、演算処理が容易なように、ジオメトリが予め調整されたデータでもよい。

【0019】

本実施の形態では、データサーバ５６に接続されたＤＢ５４に、車体性能予測の対象となる車両の３Ｄモデルのデータ、車体の振動の観測値及び車体性能予測に係るデータ等が記憶されるものとして説明するが、コンピュータ３０に内蔵されたＨＤＤ４６や外付けのハードディスク等の外部記憶装置にＤＢ５４の情報を記憶するようにしてもよい。

【0020】

コンピュータ３０のＨＤＤ４６には、車体性能を予測するための車体性能予測プログラムがインストールされている。本実施の形態では、ＣＰＵ３２が車体性能予測プログラムを実行することにより、車体性能を予測する。また、ＣＰＵ３２は、予測結果をディスプレイ４０に表示させる。なお、本実施の形態の車体性能予測プログラムをコンピュータ３０にインストールするには、幾つかの方法があるが、例えば、車体性能予測プログラムをＣＤ−ＲＯＭやＤＶＤ等に記憶しておき、ディスクドライブ５０にディスクをセットし、ＣＰＵ３２に対してセットアッププログラムを実行することによりＨＤＤ４６に車体性能予測プログラムをインストールする。または、公衆電話回線やネットワーク５２を介してコンピュータ３０と接続される他の情報処理機器と通信することで、ＨＤＤ４６に車体性能予測プログラムをインストールするようにしてもよい。

【0021】

図２は、車体性能予測プログラムによって構築されるニューラルネットシステム１００の一例を示した概略図である。本実施の形態に係るニューラルネットシステム１００は、車体性能予測に係る観測値（変数）である車両パラメタを入力する入力部１１０と、入力された車両パラメタの予測値である中間計算パラメタを算出するシミュレータ部１３０と、シミュレータ部で算出した中間計算パラメタを出力する中間計算パラメタ出力部１５０と、車体性能予測の演算を行う演算部１７０と、を含む。

【0022】

入力部１１０は、車両パラメタが入力される車両パラメタ部１１２と、車両パラメタ及び車両パラメタに基づく中間計算パラメタをシミュレータ部１３０に入力すると共に、系列で１段階先の中間計算パラメタと現段階の中間計算パラメタとの差分を算出する系列データ入力部１１４Ａ、１１４Ｂ、１１４Ｃ、１１４Ｄとを含む。

【0023】

シミュレータ部１３０は、ニューラルネットワークである結合層１３２と、ＬＳＴＭ（Long Short-Term Memory）部１３４Ａ、１３４Ｂ、１３４Ｃ、１３４Ｄとを含む。結合層１３２と、後述する演算部１７０の結合層１７４は、階層型ニューラルネットであり、具体的には多層パーセプトロンを用いる。ＬＳＴＭ部１３４Ａ、１３４Ｂ、１３４Ｃ、１３４Ｄと、後述する演算部１７０のＬＳＴＭ部１７２Ａ、１７２Ｂ、１７２Ｃ、１７２Ｄは、再帰型ニューラルネットである。

【0024】

中間計算パラメタ出力部１５０は、系列データ出力部１５２Ａ、１５２Ｂ、１５２Ｃ、１５２Ｄを含む。

【0025】

演算部１７０は、ＬＳＴＭ部１７２Ａ、１７２Ｂ、１７２Ｃ、１７２Ｄと、ニューラルネットワークである結合層１７４と、結合層１７４での演算結果を出力する応答部１７６と、出力結果の誤差を判定するＭＳＥ（Mean Squared Error）部１７８を含む。

【0026】

図２に示したように、本実施の形態に係るニューラルネットシステム１００は、車両パラメタと(系列データ)₀とに基づいてシミュレータ部１３０で算出した(系列データ)₁を演算部１７０に出力すると共に、入力部１１０にフィードバックする。本実施の形態では、例えば、系列データ入力部１１４Ａから結合層１３２、ＬＳＴＭ部１３４Ａ、系列データ出力部１５２Ａ、及びＬＳＴＭ部１７２Ａに至るまでの一連の工程が、系列のある時刻Ｔにおける出力を予測する。

【0027】

入力部１１０では、フィードバックされた(系列データ)₁と、一段階前の中間計算パラメタである(系列データ)₀と、(系列データ)₁と(系列データ)₀との差分δ₁（図示せず）と、新たに観測された車両パラメタとをシミュレータ部１３０入力し、シミュレータ部１３０で算出した新たな(系列データ)₂（図示せず）を演算部１７０に出力すると共に、入力部１１０にフィードバックする。

【0028】

以後、入力部１１０では、フィードバックされた(系列データ)_tと、一段階前の中間計算パラメタである(系列データ)_t-1と、(系列データ)_tと(系列データ)_t-1との差分δ_tと、新たに観測された車両パラメタとをシミュレータ部１３０入力し、シミュレータ部１３０で算出した新たな(系列データ)_t+1を演算部１７０に出力すると共に、入力部１１０にフィードバックすることを演算部１７０のＬＳＴＭ部１７２Ｄに入力する前の(系列データ)_Tを算出するまで反復する。

【0029】

また、本実施の形態に係るニューラルネットシステム１００は、観測値である車両パラメタを演算部１７０の結合層１７４に入力するスキップコネクション１１６と、系列データ入力部１１４Ａ、１１４Ｂ、１１４Ｃ、１１４Ｄがシミュレータ部１３０に入力した２つの中間計算パラメタ及びこれらの差分を演算部１７０のＬＳＴＭ部１７２Ａ、１７２Ｂ、１７２Ｃ、１７２Ｄに各々入力するスキップコネクション１１８Ａ、１１８Ｂ、１１８Ｃ、１１８Ｄとを備えている。

【0030】

シミュレータ部１３０で中間計算パラメタを算出する際の処理で一部の入力情報が欠落するおそれがあるので、本実施の形態では、欠落したデータを補完するために、スキップコネクション１１６、１１８Ａ、１１８Ｂ、１１８Ｃ、１１８Ｄを用いる。

【0031】

以下、本実施の形態に係るニューラルネットシステム１００の各部の機能を説明する。
入力部１１０では、観測値である車両パラメタをｐ＝（ｐ₁、p₂、…、ｐ_N）、ステアリング入力角をｓ＝{ｓ₁、ｓ₂、…、ｓ_T}として、変数である車両パラメタと車両のステアリング入力角との結合であるｘを下記の式（１）のように定義する。式（１）中のＮは車両パラメタの次元数であり、ｔは系列に係るタイムステップ数であり、Ｔは最大のタイムステップ数である系列長である。かかるｘ_tが中間計算パラメタと共にシミュレータ部１３０に入力される。

【0032】

シミュレータ部１３０は、入力された値の時系列での推定値である中間計算パラメタを算出する。まず、シミュレータ部１３０では、結合層１３２において、入力された値から特徴量を抽出する。ＬＳＴＭ部１３４Ａ、１３４Ｂ、１３４Ｃ、１３４Ｄでは、結合層１３２で抽出した特徴量に基づいて時系列で次段階の推定値である中間計算パラメタを算出する。ＬＳＴＭ部１３４Ａ、１３４Ｂ、１３４Ｃで算出した中間計算パラメタは系列データ出力部１５２Ａ、１５２Ｂ、１５２Ｃに出力すると共に、次系列のＬＳＴＭ部１３４Ｂ、１３４Ｃ、１３４Ｄに出力する。次系列のＬＳＴＭ部１３４Ｂ、１３４Ｃ、１３４Ｄでは、結合層１３２で抽出した特徴量と、前系列のＬＳＴＭ部１３４Ａ、１３４Ｂ、１３４Ｃから入力された中間計算パラメタとに基づいて新たな中間計算パラメタを算出する。

【0033】

本実施の形態では、結合層１３２のニューラルネットワークをＮＮ（ｘ）、ＬＳＴＭ部１３４Ａ、１３４Ｂ、１３４Ｃ、１３４ＤのニューラルネットワークをＬＳＴＭ（ｘ）とする。そして、結合層１３２の隠れ層がＮ層で、重み行列をＷ、非線形関数の活性化関数をｆ（ｘ）とすると、ＮＮ（ｘ）は、下記の式（２）で表される。

【0034】

また、シミュレータ部１３０の系列毎の出力は、下記の式（３）で表される。式（３）の左辺は中間計算パラメタの推定値である。

【0035】

本実施の形態では、前述のように、入力部１１０では、中間計算パラメタ出力部１５０からフィードバックされた中間計算パラメタと、推定パラメタの微分を保持する一段階前の中間計算パラメタとをシミュレータ部１３０に入力している。しかしながら、図２の系列データ入力部１１４Ａで入力される初期値は、(系列データ)₀の１種類であるから、一段階前の中間計算パラメタは存在しない。本実施の形態では、(系列データ)₀を２つ使って、下記の式（４）のようにシミュレータ部１３０の出力を設定する。

【0036】

演算部１７０では、各系列で得られた中間計算パラメタをＬＳＴＭ部１７２Ａ、１７２Ｂ、１７２Ｃ、１７２Ｄに各々入力し、結合層１７４で応答に必要な特徴量を抽出し、抽出した特徴量から応答を算出して応答部１７６で出力する。演算部１７０の出力は、下記の式（５）のように表される。式（５）の左辺は、応答の推定値である。

【0037】

前述のように、本実施の形態では、スキップコネクション１１６、１１８Ａ、１１８Ｂ、１１８Ｃ、１１８Ｄを加えることにより精度向上を図っている。本実施の形態のスキップコネクション１１６は、層を通すことにより欠落してしまった情報を付加し直すために設けられている。

【0038】

本実施の形態では、中間計算パラメタを算出するシミュレータ部１３０と、応答を抽出する演算部１７０との二段階で構成されているが、シミュレータ部１３０で中間計算パラメタを算出する際に、一部の情報が欠落するおそれがある。本実施の形態では、スキップコネクション１１６により、欠落した情報を補填している。スキップコネクション１１６は、演算部１７０のＬＳＴＭ部１７２Ｄからの出力値に、車両パラメタ部１１２で入力された車両パラメタを結合させて結合層１７４に入力する。スキップコネクション１１６により、演算部１７０の出力は、下記の式（６）のように表される。式（６）の左辺は、応答の推定値である。

【0039】

演算部１７０のＭＳＥ部１７８では、損失関数Ｌを定義して、中間計算パラメタの損失（エラー）と応答の損失（エラー）とを同時に最適化するハイブリッド損失による誤差判定を行う。

【0040】

損失関数Ｌは、下記の式（７）で定義される。下記の式（７）中のｙは応答の真値、ｚは中間計算パラメタの真値、α及びβは係数で任意の定数である。

【0041】

本実施の形態では、シミュレータの順次計算を模倣するために、一系列前の中間計算パラメタの予測値を入力する。しかしながら、ニューラルネットワークの学習時に、誤差が大きい予測値を入力すると、その後、誤差を取り除く学習を要することになってしまう。従って、学習初期は予測値を入力するのではなく、正解の値を入力する。正解を入力することにより、系列毎に誤差が少ない解にニューラルネットワークのモデルが最適化される。しかしながら、正解を入力した系列では確かに誤差が少ない解が得られるが、システム全体で誤差が少ない解が得られるとは限らない。

【0042】

システム全体で誤差が少ない解を得るには、予測値を入力した際に、全体的な損失を最小化することを要する。本実施の形態では、学習初期に正解を入力し、学習中期には正解と予測値とをランダムに入力し、学習終盤には予測値のみを入力する、スケジュールドサンプリングを行うことにより、全体的に誤差が少ない解へと徐々にシステムを誘導する。正解を入力として扱った場合のシミュレータ部１３０の式（３）は、下記の式（８）のようになる。式（８）中のｘ_t-1は変数ｘの真値、ｚ_t-1は中間計算パラメタの真値である。

【0043】

スケジュールドサンプリングでは、学習時にはシミュレータ部１３０の演算式を式（８）から式（３）へと切り替えることにより、入力を真値から推定値に変化させ、テスト時には式（３）を用いて中間計算パラメタを算出する。

【0044】

図３は、車両のロール安定性をテストするNCAP fishhook試験の計算結果の一例を示した概略図である。図３の試験では、車速が一定時に、左右方向にステアリング操作した旋回時の車両の最大横加速度を予測した。教師データは、ＤＯＥ（Design of experiments）を用いて７５２デザインを生成し、一例として、車両走行のシミュレータであるCarMaker（登録商標）を用いた。

【0045】

予測モデルの精度は平均平方誤差（Root Mean Square Error : ＲＭＳＥ）を用いて評価した。ＲＭＳＥは、下記の式で表される。下記式中のＤはデータの数である。

【0046】

図４に、本実施の形態に係る車体性能予測方法の効果の一例を示す。車両パラメタから最大横加速度を予測する従来手法に比して、本実施の形態では予測誤差（ＲＭＳＥ）が７６％低減する効果が得られた。

【0047】

以上説明したように、本実施の形態によれば、学習初期に真値を入力し、学習中期に真値及び推定値をランダムに入力し、学習終盤に推定値を入力してニューラルネットシステム１００を効率的に学習させることができる。

【0048】

また、本実施の形態によれば、学習後のニューラルネットシステム１００において、車体の挙動に係る変数である車両パラメタに基づいて算出した車体の挙動に係る推定値である中間計算パラメタを入力にフィードバックして新たな中間計算パラメタを算出する工程を反復することにより、最適化された中間計算パラメタを段階的に生成することができる。

【0049】

また、本実施の形態によれば、各々算出された中間計算パラメタと車両パラメタとに基づいて、車両の挙動に係る応答を出力することにより、中間計算パラメタの算出時に欠落した情報を車両パラメタによって補填して、より精度の高い応答を得ることができる。

【0050】

また、本実施の形態によれば、各々算出された中間計算パラメタの損失と応答の損失とを同時に最適化することにより、最終的な出力である応答の精度を向上させることができ、車体性能を精度よく予測可能な車体性能予測方法を提供することができる。

【符号の説明】

【0051】

１０ 演算処理装置
３０ コンピュータ
３８ 入出力ポート
４０ ディスプレイ
４２ マウス
４４ キーボード
５０ ディスクドライブ
５２ ネットワーク
５６ データサーバ
１００ ニューラルネットシステム
１１０ 入力部
１１２ 車両パラメタ部
１１４Ａ、１１４Ｂ、１１４Ｃ、１１４Ｄ 系列データ入力部
１１６、１１８Ａ、１１８Ｂ、１１８Ｃ、１１８Ｄ スキップコネクション
１３０ シミュレータ部
１３２ 結合層
１３４Ａ、１３４Ｂ、１３４Ｃ、１３４Ｄ ＬＳＴＭ部
１５０ 中間計算パラメタ出力部
１５２Ａ、１５２Ｂ、１５２Ｃ、１５２Ｄ 系列データ出力部
１７０ 演算部
１７２Ａ、１７２Ｂ、１７２Ｃ、１７２Ｄ ＬＳＴＭ部
１７４ 結合層
１７６ 応答部
１７８ ＭＳＥ部

【図1】

【図2】

【図3】

【図4】