特開 2022-191913 サスペンション制御装置、サスペンション制御方法、およびサスペンション制御システム

(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】P2022191913

(43)【公開日】2022-12-28

(54)【発明の名称】サスペンション制御装置、サスペンション制御方法、およびサスペンション制御システム

(51)【国際特許分類】

   B60G 17/018 20060101AFI20221221BHJP

   B60G 17/015 20060101ALI20221221BHJP

【ＦＩ】

B60G17/018

B60G17/015 A

【審査請求】未請求

【請求項の数】13

【出願形態】ＯＬ

(21)【出願番号】P 2021100428

(22)【出願日】2021-06-16

(71)【出願人】

【識別番号】509186579

【氏名又は名称】日立Ａｓｔｅｍｏ株式会社

(74)【代理人】

【識別番号】110002365

【氏名又は名称】特許業務法人サンネクスト国際特許事務所

(72)【発明者】

【氏名】赤井 亮仁

(72)【発明者】

【氏名】平尾 隆介

(72)【発明者】

【氏名】松浦 諒

【テーマコード（参考）】

3D301

【Ｆターム（参考）】

3D301AA02

3D301DA38

3D301EA10

3D301EA11

3D301EA15

3D301EA21

3D301EA22

3D301EA35

3D301EB13

3D301EC01

3D301EC06

3D301EC20

3D301EC37

3D301EC54

3D301EC55

3D301EC58

(57)【要約】

【課題】車両の挙動に応じたサスペンション制御の精度が十分ではなかった。
【解決手段】車両の挙動を示す挙動情報と前記車両のサスペンションに係るセンサデータとの対応を示すパラメータであって、予め機械学習により決定された前記パラメータを記憶するパラメータ記憶部と、前記車両内で伝送される通信データのうち、前記挙動情報が入力され、前記挙動情報と前記パラメータ記憶部内の前記パラメータとに基づいて、前記車両の前記サスペンションに係る前記センサデータを推定する車両挙動推定部と、前記推定された前記センサデータを基に、前記サスペンションを制御するサスペンション制御値を算出する制御値計算部とを備えるサスペンション制御装置。
【選択図】図１

【特許請求の範囲】

【請求項1】

車両の挙動を示す挙動情報と前記車両のサスペンションに係るセンサデータとの対応を示すパラメータであって、予め機械学習により決定された前記パラメータを記憶するパラメータ記憶部と、
前記車両内で伝送される通信データのうち、前記挙動情報が入力され、前記挙動情報と前記パラメータ記憶部内の前記パラメータとに基づいて、前記車両の前記サスペンションに係る前記センサデータを推定する車両挙動推定部と、
前記推定された前記センサデータを基に、前記サスペンションを制御するサスペンション制御値を算出する制御値計算部とを備えるサスペンション制御装置。

【請求項2】

請求項１に記載のサスペンション制御装置において、
前記車両挙動推定部は、ニューラルネットワークを含み、前記ニューラルネットワークは、前記挙動情報と前記パラメータとを用いて前記センサデータを推定するサスペンション制御装置。

【請求項3】

請求項１または請求項２に記載のサスペンション制御装置において、
前記通信データは、前記車両の車載ネットワークに伝送されるデータであるサスペンション制御装置。

【請求項4】

請求項１または請求項２に記載のサスペンション制御装置において、
前記挙動情報は、前記車両の車輪速、前後加速度、左右加速度、ヨーレイトの少なくとも一つであるサスペンション制御装置。

【請求項5】

請求項４に記載のサスペンション制御装置において、
前記挙動情報は、前記車両挙動推定部で過去に推定された前記センサデータであるサスペンション制御装置。

【請求項6】

請求項４に記載のサスペンション制御装置において、
前記車両挙動推定部に入力される複数の挙動情報を一つの挙動情報にまとめる前処理部を備えるサスペンション制御装置。

【請求項7】

請求項１または請求項２に記載のサスペンション制御装置において、
前記車両挙動推定部で推定する前記センサデータは、前記車両の４輪のサスペンション装置のピストン速度、またはばね上加速度の少なくとも一つを検出するセンサのセンサデータに相当するサスペンション制御装置。

【請求項8】

請求項１または請求項２に記載のサスペンション制御装置と、
前記車両の挙動を示す挙動情報と前記車両のサスペンションに係るセンサデータとを取得する取得装置とを含み、
前記取得装置は、前記挙動情報と前記取得した前記センサデータとを表示するサスペンション制御システム。

【請求項9】

車両のサスペンションを制御するサスペンション制御装置におけるサスペンション制御方法であって、
車両の挙動を示す挙動情報と前記車両のサスペンションに係るセンサデータとの対応を示すパラメータであって、予め機械学習により決定された前記パラメータを記憶し、
前記車両内で伝送される通信データのうち、前記挙動情報が入力され、前記挙動情報と前記パラメータとに基づいて、前記車両の前記サスペンションに係る前記センサデータを推定し、
前記推定された前記センサデータを基に、前記サスペンションを制御するサスペンション制御値を算出するサスペンション制御方法。

【請求項10】

請求項９に記載のサスペンション制御方法において、
ニューラルネットワークにより、前記挙動情報と前記パラメータとを用いて前記センサデータを推定するサスペンション制御方法。

【請求項11】

サーバ装置と車両のサスペンションを制御するサスペンション制御装置とを備えたサスペンション制御システムであって、
前記サーバ装置は、前記車両の挙動を示す挙動情報と前記車両のサスペンションに係るセンサデータとを取得し、前記挙動情報と前記センサデータとの対応を示すパラメータを機械学習により決定し、
前記サスペンション制御装置は、前記サーバ装置より前記パラメータを取得し、前記車両内で伝送される通信データのうち、前記挙動情報が入力され、前記挙動情報と前記パラメータとに基づいて、前記車両の前記サスペンションに係る前記センサデータを推定し、前記推定された前記センサデータを基に、前記サスペンションを制御する、
サスペンション制御システム。

【請求項12】

請求項１１に記載のサスペンション制御システムにおいて、
前記サーバ装置は、ニューラルネットワークを含み、前記ニューラルネットワークは、前記挙動情報と前記センサデータとの対応を示すパラメータを機械学習し、
前記サスペンション制御装置は、ニューラルネットワークを含み、前記ニューラルネットワークは、前記挙動情報に応じた前記パラメータを用いて前記センサデータを推定するサスペンション制御システム。

【請求項13】

請求項１１または請求項１２に記載のサスペンション制御システムにおいて、
前記車両の挙動を示す挙動情報と前記車両のサスペンションに係るセンサデータとを取得する取得装置を含み、
前記取得装置は、前記挙動情報と前記取得した前記センサデータとを表示するサスペンション制御システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、サスペンション制御装置、サスペンション制御方法、およびサスペンション制御システムに関する。

【背景技術】

【0002】

路面状況や運転状況に合わせてサスペンションの堅さや特性などを変化させて車両の姿勢を制御するサスペンション制御装置が知られている。サスペンション制御装置は、車両の４輪のサスペンションのピストン速度、ばね上加速度を検出するセンサからのセンサデータを検出してサスペンションを制御している。また、センサを用いないサスペンション制御装置が考えられている。

【0003】

特許文献１には、ストロークセンサのような高価なセンサを用いることがなく、車輪速センサにより検出された車輪速変動の値が零を基準としてマイナス側に所定値以上となった場合、車輪の接地荷重が減少していると見做して減衰力を増加させる制御を行ない、左右の前輪における車輪速変動が大きい方の状態量に基づいて、左右の前輪それぞれに設けられた減衰力可変ダンパの減衰力を制御するサスペンション制御装置が記載されている。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０１９－１８９２２８号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

特許文献１の装置では、車両の挙動に応じたサスペンション制御の精度が十分ではなかった。

【課題を解決するための手段】

【0006】

本発明によるサスペンション制御装置は、車両の挙動を示す挙動情報と前記車両のサスペンションに係るセンサデータとの対応を示すパラメータであって、予め機械学習により決定された前記パラメータを記憶するパラメータ記憶部と、前記車両内で伝送される通信データのうち、前記挙動情報が入力され、前記挙動情報と前記パラメータ記憶部内の前記パラメータとに基づいて、前記車両の前記サスペンションに係る前記センサデータを推定する車両挙動推定部と、前記推定された前記センサデータを基に、前記サスペンションを制御するサスペンション制御値を算出する制御値計算部とを備える。
本発明によるサスペンション制御方法は、車両のサスペンションを制御するサスペンション制御装置におけるサスペンション制御方法であって、車両の挙動を示す挙動情報と前記車両のサスペンションに係るセンサデータとの対応を示すパラメータであって、予め機械学習により決定された前記パラメータを記憶し、前記車両内で伝送される通信データのうち、前記挙動情報が入力され、前記挙動情報と前記パラメータとに基づいて、前記車両の前記サスペンションに係る前記センサデータを推定し、前記推定された前記センサデータを基に、前記サスペンションを制御するサスペンション制御値を算出する。
本発明によるサスペンション制御システムは、サーバ装置と車両のサスペンションを制御するサスペンション制御装置とを備えたサスペンション制御システムであって、前記サーバ装置は、前記車両の挙動を示す挙動情報と前記車両のサスペンションに係るセンサデータとを取得し、前記挙動情報と前記センサデータとの対応を示すパラメータを機械学習により決定し、前記サスペンション制御装置は、前記サーバ装置より前記パラメータを取得し、前記車両内で伝送される通信データのうち、前記挙動情報が入力され、前記挙動情報と前記パラメータとに基づいて、前記車両の前記サスペンションに係る前記センサデータを推定し、前記推定された前記センサデータを基に、前記サスペンションを制御する。

【発明の効果】

【0007】

本発明によれば、車両の挙動に応じたサスペンション制御の精度が向上する。

【図面の簡単な説明】

【0008】

【図1】（Ａ）（Ｂ）（Ｃ）サスペンション制御装置を搭載した車両を示す図である。

【図2】車両挙動推定部の一例を示す図である。

【図3】（Ａ）（Ｂ）データ取得用車両のブロック構成図およびデータの一例を示す図である。

【図4】学習装置のブロック構成図である。

【図5】データを取得して学習するまでの処理を示すフローチャートである。

【図6】挙動情報とセンサデータの表示画面の一例である。

【図7】車両挙動推定部の変形例１を示す図である。

【図8】（Ａ）（Ｂ）（Ｃ）車両挙動推定部の変形例２、３、４を示す図である。

【図9】（Ａ）（Ｂ）車両挙動推定部の変形例５を示す図である。

【図10】車両挙動推定部の変形例６を示す図である。

【図11】サスペンション制御システムのブロック構成図である。

【発明を実施するための形態】

【0009】

以下、図面を参照して本発明の実施形態を説明する。以下の記載および図面は、本発明を説明するための例示であって、説明の明確化のため、適宜、省略および簡略化がなされている。本発明は、他の種々の形態でも実施する事が可能である。特に限定しない限り、各構成要素は単数でも複数でも構わない。

【0010】

同一あるいは同様な機能を有する構成要素が複数ある場合には、同一の符号に異なる添字を付して説明する場合がある。ただし、これらの複数の構成要素を区別する必要がない場合には、添字を省略して説明する場合がある。

【0011】

また、以下の説明では、プログラムを実行して行う処理を説明する場合があるが、プログラムは、プロセッサ（例えばＣＰＵ、ＧＰＵ）によって実行されることで、定められた処理を、適宜に記憶資源（例えばメモリ）および／またはインターフェースデバイス（例えば通信ポート）等を用いながら行うため、処理の主体がプロセッサとされてもよい。同様に、プログラムを実行して行う処理の主体が、プロセッサを有するコントローラ、装置、システム、計算機、ノードであってもよい。プログラムを実行して行う処理の主体は、演算部であれば良く、特定の処理を行う専用回路（例えばＦＰＧＡやＡＳＩＣ）を含んでいてもよい。

【0012】

プログラムは、プログラムソースから計算機のような装置にインストールされてもよい。プログラムソースは、例えば、プログラム配布サーバまたは計算機が読み取り可能な記憶メディアであってもよい。プログラムソースがプログラム配布サーバの場合、プログラム配布サーバはプロセッサと配布対象のプログラムを記憶する記憶資源を含み、プログラム配布サーバのプロセッサが配布対象のプログラムを他の計算機に配布してもよい。また、以下の説明において、２以上のプログラムが１つのプログラムとして実現されてもよいし、１つのプログラムが２以上のプログラムとして実現されてもよい。

【0013】

［第１の実施形態]
図１（Ａ）、図１（Ｂ）、図１（Ｃ）は、本発明の第１の実施形態にかかるサスペンション制御装置１１１を搭載した車両１０１を示す図である。図１（Ａ）は車両１０１の外観図、図１（Ｂ）は、サスペンション制御装置１１１のブロック構成図、図１（Ｃ）は、車両挙動推定部１０７を示す図である。

【0014】

図１（Ａ）に示すように、車両１０１は、前輪のサスペンション１０６ａ、後輪のサスペンション１０６ｂを備えている。サスペンション１０６ａ、１０６ｂを制御することにより、走行時に路面Ｓから車輪を介して車両１０１に伝達された振動を抑制する。なお、サスペンション１０６ａ、１０６ｂは減衰力特性が制御できるものとし、サスペンション制御装置１１１はサスペンション１０６ａ、１０６ｂの減衰力を制御する。

【0015】

図１（Ｂ）に示すように、サスペンション制御装置１１１は、制御部１０２、重みパラメータ用記憶部１０３、データ読出部１０４を備える。さらに、制御部１０２は、車両挙動推定部１０７、制御値計算部１０８を備える。

【0016】

サスペンション制御装置１１１は、車両内でＣＡＮ（Ｃｏｎｔｒｏｌｌｅｒ Ａｒｅａ Ｎｅｔｗｏｒｋ）１０５を介して伝送される通信データの中から、走行時の車両挙動に係るデータ（以下、挙動情報と称する）を取得し、この挙動情報と重みパラメータ用記憶部１０３内の重みパラメータとに基づいてサスペンション制御値を算出して、サスペンション１０６（１０６ａ、１０６ｂ）を制御する。

【0017】

なお、本実施形態では車載ネットワークとして、ＣＡＮを例に説明するが、その他の車載ネットワークを用いてもよい。例えば、ＣＡＮ ＦＤ（ＣＡＮ ｗｉｔｈ Ｆｌｅｘｉｂｌｅ Ｄａｔａ ｒａｔｅ）、ＦｌｅｘＲａｙ（フレックスレイ）、車載イーサネットなどであっても同様に実施できる。

【0018】

次に、サスペンション制御装置１１１が実施するサスペンション１０６の減衰力制御について説明する。制御部１０２内の車両挙動推定部１０７は、重みパラメータ用記憶部１０３に格納されている重みパラメータをデータ読出部１０４を介して読み出す。さらに、車両挙動推定部１０７は、ＣＡＮ１０５から到来する挙動情報と重みパラメータとに基づいて、制御値計算部１０８で必要なサスペンション制御に係るデータ、具体的には、サスペンション制御に係る瞬時値を推定する。制御値計算部１０８は車両挙動推定部１０７から入力される瞬時値に基づいてサスペンション１０６の減衰力を制御するためのサスペンション制御値を計算する。

【0019】

ここで、本実施形態と対比される比較例について説明する。この比較例では、車両の４輪毎に搭載されたサスペンション１０６に加速度センサを設置して、ばね上の上下速度（以下、ばね上速度と称する）やピストンのストローク速度（以下、ピストン速度と称する）を測定し、この測定結果に基づいてサスペンションを制御する。このため、加速度センサは車の４輪毎に設置する必要があり、設置のためにブラケットやハーネスなどの部品の増加、組み立て工数の増加などにより、コストが増加する。また、多くの部品からなる車両全体の剛性特性なども反映したサスペンション制御ができない。

【0020】

これに対し、本実施形態では、車両１０１の４輪毎に搭載されたサスペンション１０６に加速度センサを設置しない。本実施形態では、ＣＡＮ１０５に常時伝送されているデータの中で挙動情報、例えば、車輪速、前後加速度、左右加速度、ヨーレイトなどを参照して、車両挙動推定部１０７が４輪毎のサスペンション制御に係るデータ（ばね上速度、ピストン速度）を推定する。そして、この推定結果を後段の制御値計算部１０８に転送する。これにより、加速度センサを設置する必要がなく、コストを低減することができる。さらに、車両挙動推定部１０７は、４輪毎のサスペンション制御に係るセンサデータを推定するが、車両挙動推定部１０７は例えば、ニューラルネットワークで構成される。ニューラルネットワークで用いる重みパラメータは、予め機械学習により当該車両１０１用として決定されているものを用いるので、車両全体の剛性特性なども反映して、車両１０１の挙動に応じたサスペンション制御の精度が向上する。

【0021】

図１（Ｃ）に示すように、車両挙動推定部１０７には、重みパラメータと、挙動情報とが入力される。そして、車両挙動推定部１０７は、重みパラメータと挙動情報とに基づいて瞬時値、例えば、ばね上速度、ピストン速度などのセンサデータを推定して、これを出力する。

【0022】

図２は、車両挙動推定部１０７の一例を示す図である。
図２に示すように、本例では車両挙動推定部１０７をニューラルネットワークで構成する。ニューラルネットワークは、入力層（素子数ｉ）２０１、隠れ層（素子数ｊ）２０２、出力層（素子数Ｋ）２０３の各素子を階層的に結合した３層構成の階層型ニューラルネットワークにより構成される。入力層２０１の各素子と隠れ層２０２の各素子とは、重みＷ１ｉｊ（ｉ＝１～Ｉ、ｊ＝１～Ｊ）で結合され、隠れ層２０２の各素子と出力層２０３の各素子とは、重みＷ２ｊｋ（ｊ＝１～Ｊ、ｋ＝１）で結合される。これらの重みの情報（以下、重みパラメータと称する）は、重みＷ１ｉｊ、重みＷ２ｊｋの行列式で表される。重みパラメータは、詳細は後述するが、予め機械学習で求められて、重みパラメータ用記憶部１０３に格納されている重みパラメータを用いる。なお、この例では、最も単純な隠れ層２０２が１層の全素子接続型のニューラルネットワークを示したが、これに限定されない。

【0023】

図２に示すように、ニューラルネットワークの入力層２０１は、前方右輪の車輪速の時系列データが入力される入力層２０１ａと、車両１０１の前後加速度の時系列データが入力される入力層２０１ｂで構成される。出力層２０３には、車両１０１の前方右輪に装着したと仮定したサスペンションのばね上速度の瞬時値が出力される。隠れ層２０２の素子数は、入力層２０１と出力層２０３の素子数から一般的に決められるが、ニューラルネットワークによる車両挙動推定の精度を最大化する数とする。出力層２０３の素子数は、車両挙動推定の出力仕様で決定される。

【0024】

出力仕様として、出力層２０３の素子数が２５６個である場合について説明する。車両挙動として推定される、例えばばね上速度はアナログの瞬時値であるが、ニューラルネットワークの出力は１または０であるためデジタルで表現する必要がある。そこでアナログの瞬時値の値域を複数レベルに分割して分割された値とニューラルネットワークの出力を１対１の関係で関連付ける。例えば、瞬時値の値域が－１．００から１．００だったとして、その間を２５６レベルで表現すると、１レベル当たり０．００７８４３（＝｛１．００－(－１．００)｝÷２５５）となる。ここで、ニューラルネットワークの出力Ｙ１を１．００００００に割り当て、順番にＹ２は０．９９２１５７、Ｙ３は０．９８４３１２、・・・、Ｙ２５６は－１．００００００に対応付ける。そして、瞬時値に対応する出力素子のみが“１”(ハイ)となるようにし、それ以外の素子は“０”(ロー)となるようにする。これにより、ニューラルネットワークの出力層２０３で、瞬時値が表現できるようになる。なお、この例では出力層２０３の素子数が２５６個である場合で説明したが、この数に限定されない。

【0025】

車両挙動推定部１０７をニューラルネットワークで構成した場合、ニューラルネットワークには、ＣＡＮ１０５から到来する挙動情報を入力する。具体的には、ＣＡＮ１０５から時系列に到来する挙動情報に対し、一定のサンプリングレートでデータを取得し、所定の時間幅のウィンドウ３１０（後述の図３（Ｂ）参照）で１つのデータセットを定義する。一例を挙げて説明すると、サンプリング間隔を２０ｍ秒毎、ウィンドウ幅を１秒とすると、ある物理量に対する１つのデータセットは５０点（＝１秒÷２０ｍ秒）で構成されることになり、この５０点をニューラルネットワーク入力素子の５０個に割り当てる。そして、ウィンドウ幅を時間方向にシフトさせることで、ニューラルネットワークの入力を更新していく。図２においては、前方右輪の車輪速と車両１０１の前後加速度の２種の物理量を入力としているので、ニューラルネットワークの入力素子は、ｉ＝１００点（＝５０点×物理量２種）となる。

【0026】

図２は、説明を簡単にするために、車両１０１の前方右輪に装着されたサスペンション１０６を制御するためのニューラルネットワークを示したが、車両挙動推定部１０７は、同様の構成のニューラルネットワークを車両１０１の４輪に対応して備えている。

【0027】

図３（Ａ）、図３（Ｂ）は、データ取得用車両３０１のブロック構成図およびデータの一例を示す図である。
データ取得用車両３０１は、ＣＡＮ１０５に伝送されている挙動情報と、センサデータとの対応関係を予め取得するための車両である。したがって、データ取得用車両３０１は、サスペンション１０６にサスペンション用加速度センサ３０２を設置して、ばね上速度やピストン速度を取得する。

【0028】

図３（Ａ）に示すように、データ取得用車両３０１は、サスペンション用加速度センサ３０２、制御部３０３、データ収集部３０４、データセット用記憶部３０５、データ読出部３０６、表示部３０７を備える。制御部３０３は制御値計算部１０８を有している。ＣＡＮ１０５、サスペンション１０６は、図１（Ｂ）を参照して説明したものと同様である。

【0029】

制御部３０３の制御値計算部１０８は、サスペンション用加速度センサ３０２が出力する瞬時値に基づいてサスペンション１０６の減衰力のサスペンション制御値を計算する。また、データ収集部３０４は、ＣＡＮ１０５に伝送されている挙動情報と、サスペンション用加速度センサ３０２が出力するセンサデータとを取得し、各情報を対応付けてデータセットとしてデータセット用記憶部３０５に格納する。表示部３０７は、データ読出部３０６を介してデータセット用記憶部３０５に格納されたデータセットを随時可視化して表示する。なお、表示部３０７はデータ取得用車両３０１に設けられている例を示すが、ネットワークを介してサーバ装置等の車外に設置されてもよい。

【0030】

図３（Ｂ）は、データ取得用車両３０１で取得されたデータセットの一例である。図の上段はＣＡＮ１０５に伝送されている挙動情報のうち、一例として車輪速を、図の下段はサスペンション用加速度センサ３０２が出力する瞬時値のうち、一例としてピストン速度を示す。横軸はいずれも時間である。

【0031】

図３（Ｂ）に示すように、ＣＡＮ１０５に伝送されている車輪速とサスペンション用加速度センサ３０２が出力するピストン速度が対応付けられている。例えば、ウィンドウ３１０で示される車輪速は、サスペンション用加速度センサ３０２が出力する瞬時値３１１と対応付けられる。

【0032】

なお、データ取得用車両３０１に限らず、データ取得用車両３０１を模したシミュレーションなどの取得装置を用いて車両の挙動を示す挙動情報と車両のサスペンションに係るセンサデータとを取得してもよい。この場合も、取得装置は、表示部に挙動情報と取得したセンサデータとを対応して表示してもよい。

【0033】

図４は、学習装置４０１のブロック構成図である。
学習装置４０１は、制御部４０２、学習部４０３、データセット用記憶部４０４、重みパラメータ用記憶部４０５を備える。
データセット用記憶部４０４には、図３に示すデータ取得用車両３０１が取得したデータセットが記憶されている。具体的には、データ取得用車両３０１のデータセット用記憶部３０５に記憶されているデータセットが、ネットワーク等を介して学習装置４０１のデータセット用記憶部４０４に転送される。

【0034】

学習部４０３は、制御部４０２の学習開始の指示に従って、データセット用記憶部４０４からデータセットを読み出し、ＣＡＮ１０５に伝送されていた挙動情報と、サスペンション用加速度センサ３０２からのセンサデータとの相関を学習する。

【0035】

学習部４０３は、例えば、図２を参照して説明したものと同様のニューラルネットワークで構成される。ニューラルネットワークによる機械学習は、データセット用記憶部４０４に格納されている挙動情報とサスペンション用加速度センサ３０２からのセンサデータを使用して実施される。具体的には、ＣＡＮ１０５に伝送されている挙動情報、例えば、図３（Ｂ）に示すウィンドウ３１０に含まれるデータをサンプリングした離散値がニューラルネットワークの入力層（素子数ｉ）２０１の素子にセットされ、これに対応するサスペンション用加速度センサ３０２からのセンサデータの瞬時値３１１をニューラルネットワークの出力層（素子数Ｋ）２０３の素子にセットする。

【0036】

ウィンドウ３１０とセンサデータの瞬時値３１１の関係について説明すると、図３（Ｂ）ではウィンドウ３１０の幅は判りやすく１秒とするが、センサデータの瞬時値３１１は、それより１秒前の走行履歴から推定される仕様とする。したがって、サンプリング間隔を例えば２０ｍ秒とするとウィンドウ３１０内のサンプリング点は５０個（＝１秒÷２０ｍ秒）となり、この５０個のデータ群とセンサデータの瞬時値３１１の組み合わせを学習用データセットと定義し、ウィンドウ３１０とセンサデータの瞬時値３１１を２０ｍ秒ごと、あるいは２０ｍ秒×ｍごと（ｍ：整数）に時間方向にスライドさせることでデータセットをｎ倍化する。

【0037】

ニューラルネットワークで構成される学習部４０３の機械学習の結果である重みパラメータは、重みパラメータ用記憶部４０５に格納される。この重みパラメータは、ＣＡＮ１０５に伝送されている挙動情報と、サスペンション用加速度センサ３０２からのセンサデータとの相関、すなわち対応を示している。そして、重みパラメータ用記憶部４０５に格納された重みパラメータは、適宜、図１（Ｂ）に示した重みパラメータ用記憶部１０３に記憶される。そして、既に説明したように、サスペンション１０６に加速度センサを設置しない車両１０１において、ばね上速度、ピストン速度を推定してサスペンションを制御する。

【0038】

図５は、データを取得して学習するまでの処理を示すフローチャートである。
ステップＳ５０１では、図３（Ａ）を参照して説明したように、サスペンション１０６にサスペンション用加速度センサ３０２を設置したデータ取得用車両３０１によるデータ取得を開始する。

【0039】

ステップＳ５０２では、データ取得用車両３０１を走行されながら、ＣＡＮ１０５に伝送されている挙動情報と、サスペンション用加速度センサ３０２のセンサデータとを取得し、各情報を対応付けてデータセットとしてデータセット用記憶部３０５に格納する。これは、データ取得フェーズであり、実際にデータ取得用車両３０１を走行路で試験しながら、ニューラルネットワークを学習するためのデータセットを取得する。

【0040】

ステップＳ５０３では、データセットが想定レンジを超過したり、一定値に固定されているなど異常値であるかを判定する。この判定は、データ取得用車両３０１の制御部３０３で行う。異常値である場合は、データセットを破棄してデータセット用記憶部３０５には格納しない。そして、ステップＳ５０２へ戻る。データセットが異常値でなければ、ステップＳ５０４へ進む。

【0041】

ステップＳ５０４では、データセット用記憶部３０５に格納されたデータセットを学習装置４０１のデータセット用記憶部４０４へ転送する。

【0042】

次のステップＳ５０５で、学習装置４０１は、図４を参照して説明したように、ＣＡＮ１０５に伝送されている挙動情報と、サスペンション用加速度センサ３０２からのセンサデータとの相関を機械学習する。これは、学習フェーズであり、データ取得フェーズで取得したデータセットを使用してニューラルネットワークの学習を実施する。

【0043】

なお、学習に計算リソースが必要であることから、学習装置４０１は、サーバ装置やパソコン等であり、学習部４０３を構成するニューラルネットワークの入力素子にウィンドウ３１０（図３（Ｂ）参照）内の時系列データがセットされ、ニューラルネットワークの出力素子にはサスペンション用加速度センサ３０２からのセンサデータである瞬時値がセットされる。この状態で、例えば誤差逆伝搬法等を使用して学習することにより、出力誤差が最小になるニューラルネットワークの重みパラメータが決定される。

【0044】

次のステップＳ５０６で、学習装置４０１は、学習結果を、例えば期待値と比較し、期待値との誤差が十分に小さくなったか否かを判定する。誤差が十分に小さくなるまで機械学習を行う。誤差が十分に小さくなったと判定した場合は、ステップＳ５０７へ進み、学習結果の重みパラメータを、図１（Ａ）に示す車両１０１に反映させる。具体的には、学習した結果の重みパラメータを重みパラメータ用記憶部１０３へ転送する。

【0045】

その後、車両１０１において、サスペンション制御が可能になる。すなわち、車両１０１では、学習済みの重みパラメータがセットされたニューラルネットワークの入力素子にＣＡＮ１０５から到来する挙動情報が入力され、入力素子の値と重みパラメータとの演算により出力素子の値が導出され、それにより加速度センサに相当する瞬時値が得られる。

【0046】

図６は、挙動情報とセンサデータの表示画面６０１の一例である。
この表示画面６０１は、図３に示した表示部３０７に表示されるデータであり、図５に示したステップＳ５０２において表示される。

【0047】

データ取得用車両３０１によるデータ取得は、限られた時間で可能な限り多様な路面を走行して各種データを取得する。したがって、リアルタイムに、有効なデータが取得できているかを表示画面６０１により適宜確認できることが望ましい。

【0048】

図６では、表示画面６０１の上段にＣＡＮ１０５に伝送されている挙動情報である車輪速６０２と前後加速度６０３を表示した例を示す。そして、表示画面６０１の下段にはサスペンション用加速度センサ３０２のピストン速度６０４の時系列データを表示した例を示す。図５のステップＳ５０３で説明したように、データ取得用車両３０１の制御部３０３は、データセットが想定レンジを超過したり、一定値に固定されているなど異常値であるかを判定する。この際に、制御部３０３は、異常値であれば、表示画面６０１に異常値であることを示す識別情報を表示したり、図示省略した報知装置により音声等で報知する。

【0049】

また、ニューラルネットワークへ入力するためにデータセットをテキスト出力する。ボタン６０５は、テキスト出力の開始を指示するボタンである。このボタン６０５を指示すると、データ取得用車両３０１の制御部３０３は、例えばｃｓｖ形式のファイルでデータセットを出力する。なお、ボタン６０５は物理的なボタンでもよく、タッチ操作で選択されてもよく、ポインティングデバイス等で選択してもよい。

【0050】

図７は、車両挙動推定部１０７の変形例１を示す図である。
この変形例１は、車両挙動推定部１０７をニューラルネットワークで構成した例を示す。
図７に示すように、入力層７０１は、前方右輪の車輪速の時系列データが入力される入力層７０１ａと、車両１０１の前後加速度の時系列データが入力される入力層７０１ｂと、車両１０１の左右加速度の時系列データが入力される入力層７０１ｃと、車両１０１のヨーレイトの時系列データが入力される入力層７０１ｄより構成される。隠れ層７０２、出力層７０３は、図２と同様であるのでその説明を省略する。

【0051】

この変形例１では、時系列データとして、前方右輪の車輪速、車両１０１の前後加速度、車両１０１の左右加速度、車両１０１のヨーレイトの４種の物理量を入力しているので、ニューラルネットワークの入力素子は、ｉ＝２００点（＝５０点×物理量４種）となる。

【0052】

図７は、説明を簡単にするために、車両１０１の前方右輪に装着されたサスペンション１０６を制御するためのニューラルネットワークを示したが、車両挙動推定部１０７は、同様の構成のニューラルネットワークを車両１０１の４輪に対応して備えている。

【0053】

図８（Ａ）、図８（Ｂ）、図８（Ｃ）は、車両挙動推定部１０７の変形例２、３、４を示す図である。
図８（Ａ）に示すように、車両挙動推定部８０１は、ＣＡＮ１０５に常時伝送されている通信データから車輪速と、その他の挙動情報と、車両挙動推定部８０１の後段にある制御値計算部１０８が出力するサスペンション制御値を入力する。制御値計算部１０８は、車両挙動に応じて好適なサスペンション制御値を出力するものであり、サスペンション制御値にも車両挙動に関する傾向が含まれる。これに着目して、車両挙動推定部８０１の入力にサスペンション制御値を追加し、サスペンション制御に係るデータ、例えばセンサデータの推定精度を向上させる。

【0054】

図８（Ｂ）に示すように、車両挙動推定部８０２は、ＣＡＮ１０５に常時伝送されている通信データから車輪速と、その他の挙動情報と、ハンドルの操舵情報と、アクセルやブレーキのペダル操作情報とを入力する。操舵情報やペダル操作情報により、車両１０１の前後加速度は推定できるので、これらを車両挙動推定部８０２の入力にすることでサスペンション制御に係るセンサデータの推定精度を向上させる。

【0055】

図８（Ｃ）に示すように、車両挙動推定部８０３は、ＣＡＮ１０５に常時伝送されている通信データから車輪速と、その他の挙動情報と、車両挙動推定部８０３が１世代前に、すなわち直前に出力したばね上速度、又はピストン速度とを入力する。ばね上速度、又はピストン速度は、サスペンション制御に係るデータであるが、いずれも連続した瞬時値の変化を示す値であり、直前の瞬時値の影響を受ける。したがって、ＣＡＮ１０５から入力される通信データの他に、直前に車両挙動推定部８０３が出力した瞬時値を参照することでサスペンション制御に係るセンサデータの推定精度を向上させる。

【0056】

図９（Ａ）、図９（Ｂ）は、車両挙動推定部１０７の変形例５を示す図である。
図９（Ａ）に示すように、ＣＡＮ１０５から到来する挙動情報を車両挙動推定部９０１に直接入力するのではなく、前段の前処理部９０２へ入力する。前処理部９０２は、複数の挙動情報を一つの挙動情報にまとめる。例えば、車輪速を他の挙動情報とまとめて、まとめた後の車輪速を車両挙動推定部９０１に入力する。後述するように前処理部９０２により、車両挙動推定部９０１の入力端子数を減らすことができる。車両挙動推定部９０１をニューラルネットワークで実現する場合は、大量の行列計算を実施することになるため、車載する制御部１０２で必要とする計算リソースを削減することができる。

【0057】

図９（Ｂ）は、図９（Ａ）に示した前処理部９０２の一例を示した図である。
前処理部９０２は、微分器９０３と加減算器９０４を備える。ＣＡＮ１０５から到来する車輪速は、微分器９０３で車輪加速度に変換する。そして加減算器９０４で車輪加速度と前後加速度とを、加速度の値同士で加減算を実施する。これにより車輪加速度と前後加速度とがまとめられた後の車輪加速度が生成でき、前後加速度自体はニューラルネットワークに入力する必要がなくなる。これにより、前後加速度用の入力層を省略でき、その結果、ニューラルネットワークのネットワーク規模が削減できる。図９（Ｂ）に示す例では、ニューラルネットワークの入力層９０５は、車輪加速度が入力される入力層９０５ａ、ヨーレイトが入力される入力層９０５ｂ、１世代前のサスペンション制御値が入力される入力層９０５ｃで構成される。

【0058】

図９（Ｂ）では、前後加速度を用いてニューラルネットワークの回路規模を削減する例を示したが、その他にも、左右加速度やヨーレイト、あるいはその他の挙動情報を用いて前処理を行ってもよい。

【0059】

図１０は、車両挙動推定部１０７の変形例６を示す図である。
図１０に示すように、車両挙動推定部１００１は、ＣＡＮ１０５に常時伝送されている通信データから車輪速と、その他の挙動情報とを入力するだけでなく、自動運転や自動運転支援システムにより搭載が一般化しつつあるステレオカメラ等の画像データに基づく挙動情報を入力する。画像データに基づく挙動情報は、例えばフレーム毎の画像比較で、車両１０１の上下、前後、左右の挙動を検知した情報である。これにより、車両挙動の推定の精度を高め、それに基づいてサスペンション制御に係るセンサデータを推定できる。

【0060】

第１の実施形態によれば、ＣＡＮ１０５に伝送されている挙動情報を利用することにより、サスペンション１０６に加速度センサを設置しない車両において、サスペンションの制御を行うことができる。そして、挙動情報とサスペンション制御に係るデータセットは、当該車両１０１を走行させて取得したものであり、多くの部品からなる車両全体の剛性特性も包含しているデータセットに基づいて機械学習により重みパラメータを決定しているので、車両１０１の挙動に応じたサスペンション制御の精度が向上する。

【0061】

［第２の実施形態]
図１１は、サスペンション制御システムのブロック構成図である。
サスペンション制御システムは、サーバ装置１１０１、データ取得用車両１１０２、走行用車両１１０３より構成される。

【0062】

サーバ装置１１０１は、送受信インターフェース１１０４、制御部１１０５、学習部１１０７、データセット用記憶部１１０６、重みパラメータ用記憶部１１０８を備える。サーバ装置１１０１は、送受信インターフェース１１０４以外の構成は、第１の実施形態において図４を参照して説明した学習装置４０１と同様である。

【0063】

データ取得用車両１１０２は、サスペンション１０６、サスペンション用加速度センサ３０２、制御部３０３、データ収集部３０４、データセット用記憶部３０５、データ読出部３０６、表示部３０７、送受信インターフェース１１０９を備えている。さらに、制御部３０３は、制御値計算部１０８を備える。データ取得用車両１１０２は、送受信インターフェース１１０９以外の構成は、第１の実施形態において図３を参照して説明したデータ取得用車両３０１と同様である。

【0064】

走行用車両１１０３は、制御部１０２、重みパラメータ用記憶部１０３、データ読出部１０４、ＣＡＮ１０５、サスペンション１０６、送受信インターフェース１１１０、データ書込部１１１１を備える。さらに、制御部１０２は、車両挙動推定部１０７、制御値計算部１０８を備える。走行用車両１１０３は、第１の実施形態で図１を参照して説明した車両１０１に相当する。

【0065】

データ取得用車両１１０２は、当該データ取得用車両１１０２を走行されながら、ＣＡＮ１０５に伝送されている挙動情報と、サスペンション用加速度センサ３０２のセンサデータとを取得し、各情報を対応付けてデータセットとしてデータセット用記憶部３０５に格納する。そして、データセット用記憶部３０５に格納されたデータセットを送受信インターフェース１１０９を介してサーバ装置１１０１へ伝送する。

【0066】

なお、データ取得用車両１１０２の表示部３０７に、データ読出部３０６を介してデータセット用記憶部３０５に格納されたデータセットを随時可視化して表示してもよい。そして、図６を参照して説明したように、ボタン６０５を指示することにより、例えばｃｓｖ形式のファイルでデータセットを出力する。

【0067】

サーバ装置１１０１は、広域ネットワークから送受信インターフェース１１０４を介してデータ取得用車両１１０２よりデータセットを受信する。そして、受信したデータセットを制御部１１０５によりデータセット用記憶部１１０６に格納する。学習部１１０７は、制御部１１０５の学習開始の指示に従って、データセット用記憶部１１０６からデータセットを読み出し、そのデータセットが表すデータ取得用車両１１０２の挙動情報とセンサデータを用いて、ＣＡＮ１０５に伝送されていた挙動情報と、サスペンション用加速度センサ３０２からのセンサデータとの相関を機械学習する。学習した結果の重みパラメータを重みパラメータ用記憶部１１０８に格納する。

【0068】

走行用車両１１０３は、サーバ装置１１０１の重みパラメータ用記憶部１１０８に格納された重みパラメータを、広域ネットワークを介して送受信インターフェース１１１０より取得し、データ書込部１１１１は、取得した重みパラメータを重みパラメータ用記憶部１０３に書き込む。サスペンション制御装置である制御部１０２は、車両挙動推定部１０７を備える。車両挙動推定部１０７はニューラルネットワークで構成されており、データ読出部１０４を介して重みパラメータを読み込むことで、サーバ装置１１０１の学習部１１０７による学習結果を反映させる。制御部１０２は、反映された学習結果に基づいてサスペンション１０６の制御を行う。

【0069】

本実施形態によれば、第１の実施形態で述べた効果を奏する他に、同一車種の車両であれば、１台のデータ取得用車両１１０２で取得した重みパラメータを複数の走行用車両１１０３に反映させることができる。また、データ取得用車両１１０２が継続してデータセットを取得し、取得したデータセットをサーバ装置１１０１が機械学習を随時行うことにより、走行用車両１１０３の重みパラメータを更新することができ、車両の特性を反映した精度の高いサスペンションの制御を行うことができる。

【0070】

以上説明した実施形態によれば、次の作用効果が得られる。
（１）サスペンション制御装置１１１は、車両１０１の挙動を示す挙動情報と車両１０１のサスペンション１０６に係るセンサデータとの対応を示すパラメータであって、予め機械学習により決定されたパラメータを記憶するパラメータ記憶部１０３と、車両１０１内で伝送される通信データのうち、挙動情報が入力され、挙動情報とパラメータ記憶部１０３内のパラメータとに基づいて、車両１０１のサスペンション１０６に係るセンサデータを推定する車両挙動推定部１０７と、推定されたセンサデータを基に、サスペンション１０６を制御するサスペンション制御値を算出する制御値計算部１０８とを備える。これにより、車両の挙動に応じたサスペンション制御の精度が向上する。

【0071】

（２）サスペンション制御方法は、車両１０１のサスペンション１０６を制御するサスペンション制御装置１１１におけるサスペンション制御方法であって、車両１０１の挙動を示す挙動情報と車両１０１のサスペンション１０６に係るセンサデータとの対応を示すパラメータであって、予め機械学習により決定されたパラメータを記憶し、車両１０１内で伝送される通信データのうち、挙動情報が入力され、挙動情報とパラメータとに基づいて、車両１０１のサスペンション１０６に係るセンサデータを推定し、推定されたセンサデータを基に、サスペンション１０６を制御するサスペンション制御値を算出する。これにより、車両の挙動に応じたサスペンション制御の精度が向上する。

【0072】

（３）サスペンション制御システムは、サーバ装置１１０１と車両１１０３のサスペンション１０６を制御するサスペンション制御装置１０２とを備えたサスペンション制御システムであって、サーバ装置１１０１は、車両１１０３の挙動を示す挙動情報と車両１１０３のサスペンション１０６に係るセンサデータとを取得し、挙動情報とセンサデータとの対応を示すパラメータを機械学習により決定し、サスペンション制御装置１０２は、サーバ装置１１０１よりパラメータを取得し、車両１１０３内で伝送される通信データのうち、挙動情報が入力され、挙動情報とパラメータとに基づいて、車両１１０３のサスペンション１０６に係るセンサデータを推定し、推定されたセンサデータを基に、サスペンション１０６を制御する。これにより、車両の挙動に応じたサスペンション制御の精度が向上する。

【0073】

本発明は、上述の実施形態に限定されるものではなく、本発明の特徴を損なわない限り、本発明の技術思想の範囲内で考えられるその他の形態についても、本発明の範囲内に含まれる。また、上述の実施形態と複数の変形例を組み合わせた構成としてもよい。

【符号の説明】

【0074】

１０１・・・車両、１０２、３０３、４０２・・・制御部、１０３、４０１、４０５、１１０８・・・重みパラメータ用記憶部、１０４・・・データ読出部、１０５・・・ＣＡＮ、１０６・・・サスペンション、１０７、８０１、８０２、８０３、９０１、１００１・・・車両挙動推定部、１０８・・・制御値計算部、１１１・・・サスペンション制御装置、２０１、９０５・・・入力層、２０２・・・隠れ層、２０３・・・出力層、３０１・・・データ取得用車両、３０２・・・サスペンション用加速度センサ、３０４・・・データ収集部、３０５、４０４・・・データセット用記憶部、３０６・・・データ読出部、３０７・・・表示部、４０１・・・学習装置、４０３、１１０７・・・学習部、６０５・・・ボタン、９０２・・・前処理部、９０３・・・微分器、９０４・・・加減算器、１１０１・・・サーバ装置、１１０２・・・データ取得用車両、１１０３・・・走行用車両、１１０４、１１０９、１１１０・・・送受信インターフェース、１１０５・・・制御部、１１０６・・・データセット用記憶部、１１１１・・・データ書込部。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】