特開 2023-113237 乗り心地推定装置及び学習方法

(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】P2023113237

(43)【公開日】2023-08-16

(54)【発明の名称】乗り心地推定装置及び学習方法

(51)【国際特許分類】

   G01P 15/00 20060101AFI20230808BHJP

   G01P 15/18 20130101ALN20230808BHJP

【ＦＩ】

G01P15/00 Z

G01P15/18

【審査請求】未請求

【請求項の数】6

【出願形態】ＯＬ

(21)【出願番号】P 2022015444

(22)【出願日】2022-02-03

(71)【出願人】

【識別番号】301065892

【氏名又は名称】株式会社アドヴィックス

(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

(74)【代理人】

【識別番号】100105957

【弁理士】

【氏名又は名称】恩田 誠

(74)【代理人】

【識別番号】100068755

【弁理士】

【氏名又は名称】恩田 博宣

(72)【発明者】

【氏名】松田 匡生

(72)【発明者】

【氏名】山根 康志

(72)【発明者】

【氏名】中村 昭仁

(57)【要約】

【課題】車両の乗り心地の推定精度を高くすること。
【解決手段】乗り心地推定装置は、車両の挙動を示す車両挙動データを取得するデータ取得部Ｍ１１と、車両の挙動に対する車両の乗り心地の変化を推定する機械学習を行った学習器Ｍ１４に、データ取得部Ｍ１１により取得された車両挙動データを入力することによって学習器Ｍ１４から出力された出力値Ｙを取得する乗り心地変化取得部Ｍ１２と、乗り心地変化取得部Ｍ１２により取得された出力値Ｙに基づいて、車両の乗り心地Ｐを導出する乗り心地導出部Ｍ１３とを備えている。
【選択図】図２

【特許請求の範囲】

【請求項1】

車両の挙動を示す車両挙動データを取得するデータ取得部と、
前記車両の挙動に対する当該車両の乗り心地の変化を推定する機械学習を行った学習器に、前記データ取得部により取得された前記車両挙動データを入力することによって当該学習器から出力された出力値を取得する乗り心地変化取得部と、
前記乗り心地変化取得部により取得された前記出力値に基づいて、前記車両の乗り心地を導出する乗り心地導出部と、
を備えている乗り心地推定装置。

【請求項2】

前記学習器は、前記車両の乗り心地の変化のうち前記車両の乗り心地の悪化のみを推定する機械学習を行ったものである、
請求項１に記載の乗り心地推定装置。

【請求項3】

前記乗り心地変化取得部は、前記車両挙動データを所定周期毎に前記学習器に入力し、前記車両挙動データが前記学習器に入力される毎に当該学習器から出力される前記出力値を取得し、
前記乗り心地導出部は、前記所定周期よりも長い所定の積算周期の間に前記学習器から出力された複数の前記出力値を積算し、積算された出力値の積算値に基づいて前記車両の乗り心地を導出する、
請求項１又は請求項２に記載の乗り心地推定装置。

【請求項4】

車両の挙動に対する当該車両の乗り心地を推定するために用いられる学習モデルの学習方法であって、
前記車両の乗り心地の変化を取得する乗り心地変化取得ステップと、
前記乗り心地変化取得ステップで取得された前記車両の乗り心地の変化に対応する前記車両の挙動を取得する車両挙動取得ステップと、
前記車両挙動取得ステップで取得された前記車両の挙動を前記学習モデルに入力して、当該学習モデルから出力された出力値を取得する出力値取得ステップと、
前記出力値取得ステップで取得された前記出力値と、前記乗り心地変化取得ステップで取得された前記車両の乗り心地の変化とに基づいて、前記学習モデルのパラメータを更新する学習モデル更新ステップと、
を含む学習方法。

【請求項5】

前記乗り心地変化取得ステップでは、前記車両の乗り心地の変化のうち前記車両の乗り心地の悪化のみを取得し、
前記車両挙動取得ステップでは、前記車両の乗り心地の変化のうち前記車両の乗り心地の悪化に対応する前記車両の挙動のみを取得する、
請求項４に記載の学習方法。

【請求項6】

前記乗り心地変化取得ステップでは、前記車両の乗り心地の変化のうち変化量が所定量以上である前記車両の乗り心地の変化のみを取得し、
前記車両挙動取得ステップでは、前記車両の乗り心地の変化のうち変化量が前記所定量以上である前記車両の乗り心地の変化に対応する前記車両の挙動のみを取得する、
請求項４又は請求項５に記載の学習方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、乗り心地推定装置及び学習方法に関する。

【背景技術】

【0002】

特許文献１には、車両の加速度及び加々速度を入力変数としてニューラルネットワークに入力することによって当該ニューラルネットワークから出力された変数に基づいて車両の運動を評価する装置が開示されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開平７－２４４０６５号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１の装置で用いられるニューラルネットワークの機械学習では、４段階の運動評価ラベル（良好／満足／不満／不可）が教師データとして用いられる。教師データを取得する場合、車両に搭乗した評価者は、車両の挙動に対するラベルを自身の感性に従って選ぶ。この場合、車両を同じように走行させても、評価者によって選ばれるラベルが評価者毎に異なることがある。そのため、こうしたラベルを教師データとする機械学習によって生成されたニューラルネットワークを用いて車両の乗り心地を推定する場合、その推定精度が高いとは言いがたい。

【課題を解決するための手段】

【0005】

上記課題を解決するための乗り心地推定装置は、車両の挙動を示す車両挙動データを取得するデータ取得部と、前記車両の挙動に対する当該車両の乗り心地の変化を推定する機械学習を行った学習器に、前記データ取得部により取得された前記車両挙動データを入力することによって当該学習器から出力された出力値を取得する乗り心地変化取得部と、前記乗り心地変化取得部により取得された前記出力値に基づいて、前記車両の乗り心地を導出する乗り心地導出部と、を備えている。

【0006】

車両に搭乗した評価者が自身の感性に従って車両の挙動に対する乗り心地の評価を行う場合、乗り心地が変わったことに対する評価は、乗り心地に関する評価と比較して評価者毎にばらつきにくい。上記構成では、乗り心地の変化を推定する機械学習が行われた学習器に車両挙動データを入力することによって当該学習器から出力された出力値が取得され、当該出力値に基づいて車両の乗り心地が導出される。そのため、車両の乗り心地の推定精度を高くすることができる。

【0007】

上記課題を解決するための学習方法は、車両の挙動に対する当該車両の乗り心地を推定するために用いられる学習モデルの学習方法である。この学習方法は、前記車両の乗り心地の変化を取得する乗り心地変化取得ステップと、前記乗り心地変化取得ステップで取得された前記車両の乗り心地の変化に対応する前記車両の挙動を取得する車両挙動取得ステップと、前記車両挙動取得ステップで取得された前記車両の挙動を前記学習モデルに入力して、当該学習モデルから出力された出力値を取得する出力値取得ステップと、前記出力値取得ステップで取得された前記出力値と、前記乗り心地変化取得ステップで取得された前記車両の乗り心地の変化とに基づいて、前記学習モデルのパラメータを更新する学習モデル更新ステップと、を含む。

【0008】

車両の乗り心地の変化に対応する車両の挙動と、当該乗り心地の変化を学習モデルに入力したことによって当学習モデルから出力された出力値とに基づいて、学習モデルのパラメータが更新される。このような学習を行うことにより、車両の挙動に対する当該車両の乗り心地を精度良く推定できる学習済モデルを生成することができる。

【図面の簡単な説明】

【0009】

【図1】図１は、実施形態の乗り心地推定装置を備える車両を示す構成図である。

【図2】図２は、乗り心地推定装置の機能を示す構成図である。

【図3】図３は、同乗り心地推定装置で実行される乗り心地推定処理を示すフローチャートである。

【図4】図４において、（Ａ）は学習器の出力値の推移を示すタイムチャートであり、（Ｂ）は乗り心地の推移を示すタイムチャートである。

【図5】図５は、データ記録装置を示す構成図である。

【図6】図６は、データ記録装置で実行されるデータ収集処理を示すフローチャートである。

【図7】図７において、（Ａ）～（Ｃ）は車両の挙動の推移を示すタイムチャートであり、（Ｄ）は官能値の変化量の推移を示すタイムチャートである。

【図8】図８は、学習データ生成装置を示す構成図である。

【図9】図９は、学習データ生成装置で実行される学習データ生成処理を示すフローチャートである。

【図10】図１０は、学習装置を示す構成図である。

【図11】図１１は、学習装置で実行される学習済モデル生成処理を示すフローチャートである。

【発明を実施するための形態】

【0010】

以下、乗り心地推定装置の一実施形態を図１～図１１に従って説明する。
＜車両＞
図１は、本実施形態の乗り心地推定装置２０を備える車両１０を示す構成図である。車両１０は、車両１０の挙動を検出する複数種類のセンサと、通知装置１６とを備えている。車両１０は、センサとして、車輪速センサ１１と前後加速度センサ１２と横加速度センサ１３とヨーレートセンサ１４とを備えている。車輪速センサ１１は車両１０の車輪の回転速度である車輪速Ｖｗを検出する。前後加速度センサ１２は車両１０の前後加速度Ｇｘを検出する。横加速度センサ１３は車両１０の横加速度Ｇｙを検出する。ヨーレートセンサ１４は車両１０のヨーレートＹｒを検出する。乗り心地推定装置２０には複数種類のセンサ１１～１４の検出信号が入力される。

【0011】

通知装置１６は、乗り心地推定装置２０が出力した情報を運転者に通知する。通知装置１６は、表示によって作業者に報知する画面であってもよいし、音声によって作業者に報知するスピーカーであってもよい。

【0012】

＜乗り心地推定装置＞
図１及び図２を参照し、乗り心地推定装置２０について説明する。図２は乗り心地推定装置２０の機能を示す構成図である。

【0013】

図１に示すように、乗り心地推定装置２０は処理回路２１を備えている。処理回路２１は制御部２２と第１記憶部２３と第２記憶部２４とを有している。例えば制御部２２はＣＰＵである。第１記憶部２３には、制御部２２により実行される制御プログラムが記憶されている。第２記憶部２４には、車両１０の挙動に対する車両１０の乗り心地の変化を推定する機械学習を行った学習済モデルＬＭが記憶されている。例えば学習済モデルＬＭは順伝搬型のニューラルネットワークである。学習済モデルＬＭの学習方法については後述する。

【0014】

図２に示すように、制御部２２は、第１記憶部２３に記憶されている制御プログラムを実行することにより、データ取得部Ｍ１１と乗り心地変化取得部Ｍ１２と乗り心地導出部Ｍ１３として機能する。また本実施形態では、学習済モデルＬＭにより、学習器Ｍ１４が構築されている。

【0015】

学習器Ｍ１４は、車両１０の挙動を示す車両挙動データが入力されると、入力されたデータに応じた出力値Ｙを出力する。出力値Ｙは、乗り心地の悪化を示す指標値である。本実施形態では学習器Ｍ１４は、乗り心地が悪化した場合には負の値を出力値Ｙとして出力する。この際、学習器Ｍ１４は、乗り心地の悪化度合いが大きいほど絶対値が大きくなるように出力値Ｙを出力する。一方、学習器Ｍ１４は、乗り心地が悪化していない場合には０（零）を出力値Ｙとして出力する。

【0016】

データ取得部Ｍ１１は車両挙動データを取得する。データ取得部Ｍ１１は、複数のセンサ１１～１４の検出値（すなわち、車輪速Ｖｗ、前後加速度Ｇｘ、横加速度Ｇｙ及びヨーレートＹｒ）を車両挙動データとして取得する。またデータ取得部Ｍ１１は、検出値を加工した値を車両挙動データとして取得する。具体的には、データ取得部Ｍ１１は、前後加速度Ｇｘを時間微分した値である前後ジャークＧＪｘと、横加速度Ｇｙを時間微分した値である横ジャークＧＪｙと、ヨーレートＹｒを時間微分した値である回転角加速度ＤＹｒとを取得する。回転角加速度ＤＹｒはヨーレートＹｒの単位時間あたりの変化量に相当する。

【0017】

乗り心地変化取得部Ｍ１２は、データ取得部Ｍ１１により取得された複数種類の車両挙動データを学習器Ｍ１４に入力することによって学習器Ｍ１４から出力された出力値Ｙを取得する。以降の記載において、学習器Ｍ１４に入力される複数種類の車両挙動データを「車両挙動データ群Ｘ」ともいう。

【0018】

乗り心地変化取得部Ｍ１２は、乗り心地変化取得部Ｍ１２により出力された出力値Ｙに基づいて、車両１０の乗り心地Ｐを導出する。そして乗り心地変化取得部Ｍ１２は、乗り心地Ｐを車両１０の乗員に対して通知装置１６から通知させる。

【0019】

＜乗り心地推定処理＞
図３を参照し、車両１０の乗り心地を推定する処理の流れである乗り心地推定処理を説明する。図３は乗り心地推定処理を示すフローチャートである。乗り心地推定処理に対応する制御プログラムは、制御部２２によって所定の制御サイクル毎に実行される。

【0020】

ステップＳ１１において、制御部２２は実行回数Ｎを１インクリメントする。実行回数Ｎは、車両１０の運転スイッチがオンとなってからの乗り心地推定処理の実行回数である。運転スイッチがオフになると、実行回数Ｎが０（零）にリセットされる。

【0021】

ステップＳ１３において、制御部２２は、データ取得部Ｍ１１として機能することにより、車両挙動データ群Ｘ（Ｎ）を取得する。すなわち、制御部２２は、車輪速Ｖｗ、前後加速度Ｇｘ、前後ジャークＧＪｘ、横加速度Ｇｙ、横ジャークＧＪｙ、ヨーレートＹｒ及び回転角加速度ＤＹｒを取得する。

【0022】

ステップＳ１５において、制御部２２は、乗り心地変化取得部Ｍ１２として機能することにより、ステップＳ１３で取得した車両挙動データ群Ｘ（Ｎ）を学習器Ｍ１４に入力する。続くステップＳ１７において、制御部２２は、乗り心地変化取得部Ｍ１２として機能することにより、学習器Ｍ１４から出力された出力値Ｙ（Ｎ）を取得する。この出力値Ｙ（Ｎ）は、ステップＳ１５で学習器Ｍ１４に入力された車両挙動データ群Ｘ（Ｎ）に応じた値であると云える。乗り心地推定処理の実行サイクルが「所定周期」に対応する。そのため、制御部２２は、車両挙動データ群Ｘ（Ｎ）を所定周期毎に学習器Ｍ１４に入力し、車両挙動データ群Ｘ（Ｎ）が学習器Ｍ１４に入力される毎に学習器Ｍ１４から出力される出力値Ｙ（Ｎ）を取得していると云える。

【0023】

ステップＳ１９において、制御部２２は、実行回数Ｎが所定の積算回数Ｍよりも大きいか否かを判定する。積算回数Ｍとして２以上の整数が設定されている。制御部２２は、実行回数Ｎが積算回数Ｍよりも大きい場合（Ｓ１９：ＹＥＳ）、ステップＳ２１の処理に移行し、実行回数Ｎが積算回数Ｍ以下である場合（Ｓ１９：ＮＯ）、今回の処理を終了する。

【0024】

ステップＳ２１において、制御部２２は、乗り心地導出部Ｍ１３として機能することにより、直近のＭ個の出力値Ｙ（Ｎ－Ｍ），Ｙ（Ｎ－Ｍ＋１），…，Ｙ（Ｎ）を積算した値である積算値Ｚを導出する。乗り心地推定処理の実行サイクルの時間の長さと積算回数Ｍとの積が「所定の積算周期」に対応するため、所定の積算周期は、乗り心地推定処理の実行サイクルである所定周期よりも長い。本実施形態では、制御部２２は、所定の積算周期の間に学習器Ｍ１４から出力されたＭ個の出力値Ｙ（Ｎ－Ｍ），Ｙ（Ｎ－Ｍ＋１），…，Ｙ（Ｎ）を積算することにより、積算値Ｚを導出する。

【0025】

ステップＳ２３において、制御部２２は、乗り心地導出部Ｍ１３として機能することにより、積算値Ｚに基づいて、乗り心地Ｐを導出する。本実施形態では、制御部２２は、乗り心地が悪いほど値が小さくなるように乗り心地Ｐを導出する。具体的には、制御部２２は、所定の基準値Ｚｂから積算値Ｚを引いた値を乗り心地Ｐとして導出する。例えば基準値Ｚｂとして１００が設定されている。この場合、乗り心地Ｐが１００であるときには、現時点での車両１０の乗り心地が最良である。一方、乗り心地Ｐが１００から小さくなるほど、現時点での車両１０の乗り心地が悪化している。

【0026】

ステップＳ２５において、制御部２２は、乗り心地導出部Ｍ１３として機能することにより、ステップＳ２３で導出した乗り心地Ｐを車両１０の乗員に対して通知装置１６から通知させる。その後、制御部２２は今回の処理を終了する。

【0027】

なお、図４は、車両１０の走行中における出力値Ｙと乗り心地Ｐとの推移の一例を示すタイムチャートである。図４（Ａ）に示すように出力値Ｙが変化する場合、乗り心地Ｐは図４（Ｂ）に示すように推移する。例えば、タイミングｔ１１からタイミングｔ１２までの期間のように出力値Ｙの絶対値が比較的小さい場合、時系列的に連続する直近のＭ個の出力値Ｙを積算した値である積算値Ｚの絶対値はあまり大きくならないため、乗り心地Ｐは比較的大きい。すなわち、当該期間では、車両１０の乗り心地が比較的良好であると推測される。一方、タイミングｔ１３からタイミングｔ１４までの期間のように出力値Ｙの絶対値が比較的大きい状態が継続する場合、積算値Ｚの絶対値が大きくなるため、乗り心地Ｐは比較的小さい。すなわち、当該期間では、車両１０の乗り心地が悪いと推測される。

【0028】

＜学習方法＞
次に、学習済モデルＬＭの学習モデルの学習方法について説明する。学習モデルを学習する場合、学習に必要なデータを収集する処理、収集したデータから機械学習に用いる学習データを生成する処理、及び、学習データを用いた機械学習を行う処理が順次実行される。そこで、以降では、こうした複数の処理について順番に説明する。

【0029】

＜データ収集＞
図５から図７を参照し、学習モデルの機械学習に必要なデータの収集について説明する。

【0030】

図５はデータ記録装置３０を示す構成図である。データの収集時にはデータ記録装置３０は車両１０に配置される。例えばデータ記録装置３０は車載の装置であってもよいし、データの収集時に評価者が車両１０に持ち込む装置であってもよい。ここでいう「評価者」とは、実際に車両１０に搭乗して車両１０の乗り心地を評価する作業者である。

【0031】

データ記録装置３０は、自身が取得したデータを記憶装置４５に記憶させる。例えば、記憶装置４５は不揮発性のメモリを有している。
データ記録装置３０には、車両１０の挙動を検出する複数種類のセンサの検出信号が入力される。データ記録装置３０に検出信号を入力するセンサは、図１に示した乗り心地推定装置２０に検出信号を入力するセンサと同じである。本実施形態では、データ記録装置３０には、車輪速センサ１１、前後加速度センサ１２、横加速度センサ１３及びヨーレートセンサ１４の検出信号が入力される。

【0032】

データ記録装置３０には、ビジュアルアナログスケール４１から信号が入力される。ビジュアルアナログスケール４１は、評価者が乗り心地を評価する際に操作する操作装置である。評価者は、ビジュアルアナログスケール４１を用いることにより、車両１０の乗り心地を１００点満点で評価することができる。なお、ビジュアルアナログスケール４１が示す数値を「評価点ＥＰ」という。

【0033】

ここでビジュアルアナログスケール４１を用いた評価者による車両１０の乗り心地の評価手法について説明する。評価者は、車両１０の乗り心地を評価する場合、車両１０の運転席以外の席、すなわち助手席又は後部座席に着座する。評価者は、評価の開始前では評価点ＥＰが１００点となるようにビジュアルアナログスケール４１を操作する。そして評価者が搭乗した車両１０が走行を開始すると、評価者は、車両１０の乗り心地が変化したと感じた場合のうち車両１０の乗り心地が悪化したと感じた場合のみ、ビジュアルアナログスケール４１を操作する。詳しくは、評価者は、乗り心地が悪化したと感じた場合、悪化度合いが大きいほど評価点ＥＰが大幅に低下するようにビジュアルアナログスケール４１を操作する。一方、評価者は、乗り心地が悪化したと感じていない場合、すなわち乗り心地が変わらない場合や乗り心地が良化したと感じた場合、ビジュアルアナログスケール４１を操作しない、すなわち評価点ＥＰを変更しない。

【0034】

データ記録装置３０は制御部３１と記憶部３２とを備えている。例えば制御部３１はＣＰＵである。記憶部３２には、制御部３１により実行される制御プログラムが記憶されている。

【0035】

制御部３１は、記憶部３２に記憶されている制御プログラムを実行することにより、車両挙動推移記録部Ｍ２１及び官能値推移記録部Ｍ２２として機能する。
車両挙動推移記録部Ｍ２１は、複数種類のセンサ１１～１４の検出値及びそれらを加工した値の推移を、車両１０の挙動の推移として記憶装置４５に記憶させる。すなわち、車両挙動推移記録部Ｍ２１は、検出値の推移として、車輪速Ｖｗの推移、前後加速度Ｇｘの推移、横加速度Ｇｙの推移及びヨーレートＹｒの推移を記憶装置４５に記憶させる。車両挙動推移記録部Ｍ２１は、前後ジャークＧＪｘ、横ジャークＧＪｙ及び回転角加速度ＤＹｒを導出し、前後ジャークＧＪｘの推移、横ジャークＧＪｙの推移及び回転角加速度ＤＹｒの推移を記憶装置４５に記憶させる。

【0036】

官能値推移記録部Ｍ２２は、ビジュアルアナログスケール４１が示す評価点ＥＰの変化率である官能値ＳＶを導出し、こうした官能値ＳＶの推移を記憶装置４５に記憶させる。官能値ＳＶの導出処理は所定の制御サイクル毎に実行されるため、官能値推移記録部Ｍ２２は、評価点ＥＰの最新値から評価点ＥＰの前回値を引いた値を官能値ＳＶとして導出する。評価点ＥＰが低下している場合、評価点ＥＰの最新値は評価点ＥＰの前回値よりも低いため、官能値ＳＶは負の値となる。上述したように時間が経過するにつれて評価点ＥＰが低くなることはあっても、時間が経過するにつれて評価点ＥＰが高くなることはない。そのため、官能値推移記録部Ｍ２２は、車両１０の乗り心地が悪化した場合の評価点ＥＰの変化を官能値ＳＶとして記録していると云える。

【0037】

＜データ収集処理＞
図６を参照し、データを収集する処理の流れであるデータ収集処理について説明する。図６はデータ収集処理を示すフローチャートである。データ収集処理に対応する制御プログラムは、制御部３１によって所定の制御サイクル毎に実行される。

【0038】

ステップＳ３１において、制御部３１は、車両挙動推移記録部Ｍ２１として機能することにより、車両１０の挙動、すなわち車輪速Ｖｗ、前後加速度Ｇｘ、前後ジャークＧＪｘ、横加速度Ｇｙ、横ジャークＧＪｙ、ヨーレートＹｒ及び回転角加速度ＤＹｒを記憶装置４５に記憶させる。

【0039】

ステップＳ３３において、制御部３１は、官能値推移記録部Ｍ２２として機能することにより、官能値ＳＶを導出して記憶装置４５に記憶させる。その後、制御部３１は今回の処理を終了する。

【0040】

本実施形態では、評価者に車両１０の乗り心地を評価させる場合、複数の走行パターンで車両１０を走行させる。複数の走行パターンのうち、第１走行パターンは、急加速及び急減速を複数回実行させるパターンである。第１走行パターンで車両１０を走行させる場合には車両１０を急旋回させない。複数の走行パターンのうち、第２走行パターンは、右方向への急旋回及び左方向への急旋回を複数回実行させるパターンである。第２走行パターンで車両１０を走行させる場合、車両１０に急加速や急減速を行わせない。

【0041】

制御部３１は、第１走行パターンでの車両１０の走行が開始されると、上記のデータ収集処理を所定の制御サイクル毎に繰り返し実行する。そして第１走行パターンでの車両１０の走行が終了すると、制御部３１はデータ収集処理の繰り返しの実行を終了する。同様に第２走行パターンでの車両１０の走行が開始されると、制御部３１は上記のデータ収集処理を所定の制御サイクル毎に繰り返し実行する。そして第２走行パターンでの車両１０の走行が終了すると、制御部３１はデータ収集処理の繰り返しの実行を終了する。

【0042】

図７（Ａ），（Ｂ），（Ｃ）は、記憶装置４５に記憶された車両１０の挙動の推移を示すタイムチャートである。記憶装置４５には、図７（Ａ）に示す車輪速Ｖｗの推移、図７（Ｂ）に示す前後加速度Ｇｘの推移、図７（Ｃ）に示す前後ジャークＧＪｘの推移、横加速度Ｇｙの推移、横ジャークＧＪｙの推移、ヨーレートＹｒの推移及び回転角加速度ＤＹｒの推移と、官能値ＳＶの推移とが同期して記憶される。

【0043】

なお、本実施形態では、車両１０の挙動及び官能値ＳＶを記憶装置４５に逐次記憶させることにより、車両１０の挙動の推移及び官能値ＳＶの推移が記憶装置４５に記憶されるようになっているが、これに限らない。例えば評価者が乗り心地を評価するための車両１０の走行が終了するまでの車両１０の挙動の推移及び官能値ＳＶの推移をデータ記録装置３０に一時的に記憶しておき、車両１０の走行終了後に、データ記録装置３０に記憶されている車両１０の挙動の推移及び官能値ＳＶの推移を記憶装置４５に一括に移管させるようにしてもよい。

【0044】

＜学習データの生成＞
図８及び図９を参照し、記憶装置４５に記憶した車両１０の挙動の推移及び官能値ＳＶの推移に基づいた学習モデルの機械学習用の学習データＬＤの生成について説明する。

【0045】

図８は、学習データＬＤを生成する学習データ生成装置５０を示す構成図である。学習データ生成装置５０は制御部５１と第１記憶部５２と第２記憶部５３とを備えている。例えば制御部５１はＣＰＵである。第１記憶部５２には、制御部５１により実行される制御プログラムが記憶されている。第２記憶部５３には学習データＬＤが記憶される。

【0046】

制御部５１は、第１記憶部５２に記憶されている制御プログラムを実行することにより、悪化タイミング特定部Ｍ３１、学習用データ用車両挙動取得部Ｍ３２、学習データ用官能値変化取得部Ｍ３３及び学習データ生成部Ｍ３４として機能する。

【0047】

悪化タイミング特定部Ｍ３１は、官能値ＳＶが悪化したタイミングを特定する。悪化タイミング特定部Ｍ３１により官能値ＳＶが悪化したと特定されたタイミングを「悪化タイミング」という。悪化タイミング特定部Ｍ３１は、官能値ＳＶが小さくなるタイミングのうち、官能値ＳＶの低下速度が所定低下速度以上となるタイミングを悪化タイミングとして特定する。例えば、悪化タイミング特定部Ｍ３１は、官能値ＳＶの推移を基に、官能値ＳＶの低下速度の推移を導出する。そして悪化タイミング特定部Ｍ３１は、導出した官能値ＳＶの低下速度の推移を基に、官能値ＳＶの低下速度が所定低下速度以上となるタイミングを探すことによって悪化タイミングを特定する。官能値ＳＶの低下速度を車両１０の乗り心地の変化とした場合、所定低下速度が「所定量」に相当し、悪化タイミングにおける官能値ＳＶの低下速度が「車両１０の乗り心地の変化が所定量以上である場合の車両１０の乗り心地の変化」に相当する。

【0048】

学習用データ用車両挙動取得部Ｍ３２は、悪化タイミング特定部Ｍ３１によって特定された悪化タイミングにおける車両１０の挙動を取得する。具体的には、学習用データ用車両挙動取得部Ｍ３２は、悪化タイミングにおける車輪速Ｖｗ、前後加速度Ｇｘ、前後ジャークＧＪｘ、横加速度Ｇｙ、横ジャークＧＪｙ、ヨーレートＹｒ及び回転角加速度ＤＹｒを取得する。

【0049】

学習データ用官能値変化取得部Ｍ３３は、悪化タイミング特定部Ｍ３１によって特定された悪化タイミングにおける官能値ＳＶの変化を取得する。具体的には、学習データ用官能値変化取得部Ｍ３３は、悪化タイミングにおける官能値ＳＶの低下速度を、官能値ＳＶの変化量ΔＳＶとして取得する。図７（Ｄ）には、記憶装置４５に記憶された官能値ＳＶの推移に基づいて導出した官能値ＳＶの変化量ΔＳＶの推移が示されている。

【0050】

学習データ生成部Ｍ３４は、学習用データ用車両挙動取得部Ｍ３２により取得された悪化タイミングにおける車両１０の挙動を説明変数とし、学習データ用官能値変化取得部Ｍ３３により取得された悪化タイミングにおける官能値ＳＶの変化を目的変数とする学習データＬＤを生成する。本実施形態では、説明変数は、悪化タイミングにおける車輪速Ｖｗ、前後加速度Ｇｘ、前後ジャークＧＪｘ、横加速度Ｇｙ、横ジャークＧＪｙ、ヨーレートＹｒ及び回転角加速度ＤＹｒである。目的変数は、悪化タイミングにおける官能値ＳＶの変化量ΔＳＶである。

【0051】

＜学習データ生成処理＞
図９を参照し、学習データＬＤを生成する処理の流れである学習データ生成処理について説明する。図９は学習データ生成処理を示すフローチャートである。学習データ生成処理に対応する制御プログラムは、制御部５１によって所定の制御サイクル毎に実行される。

【0052】

ステップＳ４１において、制御部５１は、悪化タイミング特定部Ｍ３１として機能することにより、悪化タイミングを探索する。具体的には、制御部５１は、記憶装置４５に記憶されている官能値ＳＶの推移の中から悪化タイミングを探索する。ステップＳ４３において、制御部５１は、悪化タイミングを見つけた場合（ＹＥＳ）、ステップＳ４５の処理を実行し、悪化タイミングを見つけていない場合（ＮＯ）、今回の処理を終了する。

【0053】

ステップＳ４５において、制御部５１は、学習データ用官能値変化取得部Ｍ３３として機能することにより、ステップＳ４１で見つけた悪化タイミングにおける官能値ＳＶの変化量ΔＳＶを取得する。本実施形態では、ステップＳ４５が、車両１０の乗り心地の変化を取得する「乗り心地変化取得ステップ」に対応する。

【0054】

ステップＳ４７において、制御部５１は、学習データ用官能値変化取得部Ｍ３３として機能することにより、ステップＳ４３で見つけた悪化タイミングにおける車両１０の挙動を取得する。ここで取得される車両１０の挙動は、ステップＳ４５で取得された官能値ＳＶの変化量ΔＳＶに対応する車両１０の挙動である。したがって本実施形態では、ステップＳ４７が、乗り心地変化取得ステップで取得された官能値ＳＶの変化量ΔＳＶに対応する車両１０の挙動を取得する「車両挙動取得ステップ」に対応する。

【0055】

ステップＳ４９において、制御部５１は、学習データ生成部Ｍ３４として機能することにより、ステップＳ４５で取得した官能値ＳＶの変化量ΔＳＶを目的変数とし、ステップＳ４７で取得した車両１０の挙動を説明変数とする学習データＬＤを生成する。ステップＳ４９を、乗り心地変化ステップで取得された官能値ＳＶの変化量ΔＳＶを目的変数とし、車両挙動ステップで取得された車両１０の挙動を説明変数として、学習データＬＤを生成する「学習データ生成ステップ」という。その後、制御部５１は今回の処理を終了する。

【0056】

＜学習済モデルＬＭの生成＞
図１０及び図１１を参照し、学習済モデルＬＭの生成について説明する。
図１０は学習装置６０を示す構成図である。学習装置６０は、学習データ生成装置５０により生成された学習データＬＤに基づいて、車両１０の乗り心地を推定する機械学習を行う。こうした機械学習の結果が、学習済モデルＬＭである。

【0057】

学習装置６０は制御部６１と第１記憶部６２と第２記憶部６３とを備えている。例えば制御部６１はＣＰＵである。第１記憶部６２には、制御部６１により実行される制御プログラムが記憶されている。第２記憶部６３には、機械学習の結果である学習結果ＬＲが制御部６１によって記憶される。学習結果ＬＲの初期値は、学習モデルのテンプレートにより与えてもよいし、オペレータの入力により与えてもよい。

【0058】

以降では、学習モデルがニューラルネットワークであるとして具体的に説明するが、学習モデルはニューラルネットワークに限定されるものではない。学習モデルがニューラルネットワークである場合、学習結果ＬＲは各ニューロン間の結合の重みと各ニューロンの閾値である。

【0059】

制御部６１は、第１記憶部６２に記憶されている制御プログラムを実行することにより、出力値取得部Ｍ４１及び学習モデル更新部Ｍ４２として機能する。また本実施形態では、学習結果ＬＲが記憶される第２記憶部６３が、学習モデルＭ４３として機能する。

【0060】

出力値取得部Ｍ４１は、学習データＬＤの説明変数である車両１０の挙動、すなわち悪化タイミングにおける車輪速Ｖｗ、前後加速度Ｇｘ、前後ジャークＧＪｘ、横加速度Ｇｙ、横ジャークＧＪｙ、ヨーレートＹｒ及び回転角加速度ＤＹｒを学習モデルＭ４３に入力する。また出力値取得部Ｍ４１は、車両１０の挙動を入力した学習モデルＭ４３から出力された出力値Ｙａを取得する。

【0061】

学習モデル更新部Ｍ４２は、出力値取得部Ｍ４１により取得された出力値Ｙａと、学習データＬＤの目的変数である官能値ＳＶの変化量ΔＳＶとに基づいて、学習モデルＭ４３を更新する。具体的には、学習モデル更新部Ｍ４２は、出力値Ｙａが学習データＬＤの目的変数に近づくように学習モデルＭ４３のパラメータを更新する。例えば、学習モデル更新部Ｍ４２は、出力値Ｙａと学習データＬＤの目的変数との誤差が小さくなるように各ニューロン間の結合の重み及び各ニューロンの閾値を更新する。この際、学習モデル更新部Ｍ４２は、周知の通時的誤差逆伝搬（Back propagation through time）法や確率的勾配降下（Stochastic gradient descent）法などを用いることができる。

【0062】

＜学習済モデル生成処理＞
図１１を参照し、学習済モデルＬＭを生成する処理の流れである学習済モデル生成処理について説明する。図１１は学習済モデル生成処理を示すフローチャートである。学習済モデル生成処理に対応する制御プログラムは、制御部６１によって所定の制御サイクル毎に実行される。

【0063】

ステップＳ６１において、制御部６１は、学習モデルＭ４３の機械学習が未完了であるか否かを判定する。例えば、制御部６１は、学習済モデル生成処理の実行回数が設定値以上である場合には機械学習が完了したと判定し、当該実行回数が設定値未満である場合には機械学習が完了していないと判定する。制御部６１は、機械学習が完了していないと判定した場合（Ｓ６１：ＹＥＳ）、ステップＳ６３の処理に移行し、機械学習が完了したと判定した場合（Ｓ６１：ＮＯ）、今回の処理を終了する。

【0064】

ステップＳ６３において、制御部６１は、出力値取得部Ｍ４１として機能することにより、学習データＬＤの説明変数を学習モデルＭ４３に入力する。続くステップＳ６５において、制御部６１は、出力値取得部Ｍ４１として機能することにより、学習モデルＭ４３から出力された出力値Ｙａを取得する。本実施形態では、ステップＳ６３，Ｓ６５が、車両挙動ステップで取得された車両１０の挙動を学習モデルＭ４３に入力して、学習モデルＭ４３から出力された出力値Ｙａを取得する「出力値取得ステップ」に対応する。

【0065】

ステップＳ６７において、制御部６１は、学習モデル更新部Ｍ４２として機能することにより、ステップＳ６５で取得した出力値Ｙａと、学習データＬＤの目的変数とを比較する。そしてステップＳ６９において、制御部６１は、学習モデル更新部Ｍ４２として機能することにより、ステップＳ６７での比較結果に基づいて、学習モデルＭ４３のパラメータを更新する。本実施形態では、ステップＳ６７，Ｓ６９が、出力値取得ステップで取得された出力値Ｙａと、乗り心地変化ステップで取得された官能値ＳＶの変化量ΔＳＶとに基づいて、学習モデルＭ４３のパラメータを更新する「学習モデル更新ステップ」に対応する。その後、制御部６１は今回の処理を終了する。

【0066】

＜本実施形態の効果＞
（１）評価者が自身の感性に従って車両１０の挙動に対する乗り心地の評価を行う場合、乗り心地の変化に関する評価は、乗り心地に関する評価と比較して評価者毎にばらつきにくい。この点、学習データＬＤは、評価者が車両１０の乗り心地が変化したと感じたときの官能値ＳＶの変化量ΔＳＶを目的変数として含んでいる。そして、当該学習データＬＤを用いた機械学習によって、学習済モデルＬＭが生成される。

【0067】

本実施形態では、こうした学習済モデルＬＭが乗り心地推定装置２０に設けられている。乗り心地推定装置２０では、車両１０の挙動を示す車両挙動データ群Ｘを学習済モデルＬＭに入力すると、学習済モデルＬＭから出力値Ｙが出力される。出力値Ｙは、車両１０の乗り心地の悪化度合いを示す値である。こうした出力値Ｙに基づいて乗り心地Ｐが導出される。したがって、乗り心地を示すラベルを入力変数とするニューラルネットワークを用いて乗り心地を導出する場合と比較し、車両１０の乗り心地の推定精度を高くすることができる。

【0068】

（２）人間は、乗り心地の良化よりも乗り心地の悪化のほうを敏感に感じ取りやすい傾向を有している。本実施形態では、乗り心地の変化のうち乗り心地の悪化時に取得した各種のパラメータに基づいて学習データＬＤが生成され、当該学習データＬＤを用いて学習済モデルＬＭが生成される。こうした学習済モデルＬＭを乗り心地推定装置２０に設けることにより、乗り心地推定装置２０による車両１０の乗り心地の推定精度を高くすることができる。

【0069】

（３）評価者に車両１０の乗り心地を評価させる場合、ビジュアルアナログスケール４１が用いられる。そのため、評価者は車両１０の乗り心地が悪化したと感じた場合、ビジュアルアナログスケール４１の操作によって乗り心地の悪化度合いを表現できる。そしてビジュアルアナログスケール４１が示す評価点ＥＰの低下量に基づいて官能値ＳＶの変化量ΔＳＶが導出され、当該変化量ΔＳＶを含む学習データＬＤを用いて学習モデルの機械学習が行われる。そのため、こうした機械学習によって生成された学習済モデルＬＭに車両１０の挙動が入力されると、学習済モデルＬＭは、推定される乗り心地の悪化度合いに応じた値を出力値Ｙとして出力することができる。したがってこうした学習済モデルＬＭを乗り心地推定装置２０に設けることにより、乗り心地推定装置２０による車両１０の乗り心地の推定精度を高くすることができる。

【0070】

（４）本実施形態では、官能値ＳＶの変化量ΔＳＶの絶対値が所定値以上である場合に、車両１０の乗り心地が悪化したと評価者が感じたと判断し、そのときの変化量ΔＳＶ及び車両１０の挙動に基づいて学習データＬＤを生成するようにした。これにより、車両１０の乗り心地が悪化したと評価者が感じていない場合の変化量ΔＳＶ及び車両１０の挙動を含まない学習データＬＤを生成することができる。こうした学習データＬＤを用いて機械学習を行うことにより、誤学習の発生を抑制することができる。

【0071】

（５）乗り心地推定装置２０では、時系列で連続する複数の出力値Ｙを積算した値である積算値Ｚに基づいて、乗り心地Ｐが導出される。これにより、所定期間内の車両１０の挙動の推移を乗り心地Ｐに反映させることができる。その結果、１つの出力値Ｙに基づいて乗り心地Ｐを導出する場合と比較し、車両１０の乗り心地の推定精度を高くすることができる。

【0072】

（６）本実施形態では、車両１０の挙動は、加速度Ｇｘ，Ｇｙ及びジャークＧＪｘ，ＧＪｙに加え、ヨーレートＹｒ及び回転角加速度ＤＹｒを含んでいる。このように複数種類の車両１０の挙動を用いて学習モデルに機械学習を施したり、学習済モデルＬＭに複数種類の車両１０の挙動を入力したりすることにより、乗り心地推定装置２０によって乗り心地を推定できる機会を増やすことができる。言い換えると、車両１０の加減速に起因する乗り心地の悪化だけではなく、車両１０の旋回に起因する乗り心地の悪化を推測することができる。

【0073】

＜変更例＞
上記実施形態は、以下のように変更して実施することができる。上記実施形態及び以下の変更例は、技術的に矛盾しない範囲で互いに組み合わせて実施することができる。

【0074】

・学習データＬＤの説明変数や車両挙動データ群Ｘは、車輪速Ｖｗ、前後加速度Ｇｘ、前後ジャークＧＪｘ、横加速度Ｇｙ、横ジャークＧＪｙ、ヨーレートＹｒ及び回転角加速度ＤＹｒのうちの一部のみを含むものであってもよい。すなわち、学習データＬＤの説明変数や車両挙動データ群Ｘは回転角加速度ＤＹｒを含まなくてもよい。学習データＬＤの説明変数や車両挙動データ群ＸはヨーレートＹｒを含まなくてもよい。学習データＬＤの説明変数や車両挙動データ群Ｘは横ジャークＧＪｙを含まなくてもよい。学習データＬＤの説明変数や車両挙動データ群Ｘは横加速度Ｇｙを含まなくてもよい。学習データＬＤの説明変数や車両挙動データ群Ｘは前後ジャークＧＪｘを含まなくてもよい。学習データＬＤの説明変数や車両挙動データ群Ｘは前後加速度Ｇｘを含まなくてもよい。学習データＬＤの説明変数や車両挙動データ群Ｘは車輪速Ｖｗを含まなくてもよい。

【0075】

・学習データＬＤの説明変数や車両挙動データ群Ｘに含まれる前後加速度は、前後加速度センサ１２の検出値ではなく、車輪速Ｖｗを時間微分した値であってもよい。
・学習データＬＤの説明変数や車両挙動データ群Ｘに含まれるヨーレートは、ヨーレートセンサ１４の検出値ではなく、横加速度Ｇｙに基づいて演算したヨーレートであってもよい。

【0076】

・学習データＬＤの説明変数や車両挙動データ群Ｘは、運転者のアクセル操作量やブレーキ操作量やステアリング操作量などの運転者による車両操作量を含んでいてもよい。
・上記実施形態では、車両１０の乗り心地が悪化したと評価者が感じた場合の官能値ＳＶの変化量ΔＳＶや車両１０の挙動のみに基づいて学習データＬＤを生成しているが、これに限らない。例えば、車両１０の乗り心地が良化したと評価者が感じた場合の官能値ＳＶの変化量ΔＳＶや車両１０の挙動も用いて学習データＬＤを生成してもよい。この場合、評価者に車両１０の乗り心地を評価させる場合、車両１０の乗り心地が良くなったと感じたときには評価点ＥＰが高くなるように評価者にビジュアルアナログスケール４１を操作させることになる。

【0077】

・上記実施形態では、学習済モデルＬＭをニューラルネットワークで構築しているが、これに限らない。例えば学習済モデルは、複数の決定木の多数決によって乗り心地の悪化度合いを示す出力値を決定するランダムフォレストであってもよい。

【0078】

・上記実施形態では、乗り心地推定装置が車両１０に搭載されている場合について説明しているが、乗り心地推定装置は車両１０に搭載されていなくてもよい。例えば、車外に設置されているサーバ装置に乗り心地推定装置が設けられていてもよい。この場合、車両１０は、自身で取得した車両挙動データをサーバ装置に送信する。サーバ装置の乗り心地推定装置は、車両１０から送信された車両挙動データを取得し、当該車両挙動データを学習器Ｍ１４に入力し、学習器Ｍ１４の出力値Ｙに基づいて車両１０の乗り心地Ｐを導出する。なお、乗り心地推定装置が導出した乗り心地Ｐを車両１０の乗員に通知するようにしてもよい。

【0079】

・上記実施形態では、車両１０に設けられている乗り心地推定装置が学習器を有しているが、乗り心地推定装置は学習器を有していなくてもよい。例えば、学習器は、車外に設置されているサーバ装置に設けられていてもよい。この場合、乗り心地推定装置は、取得した車両挙動データをサーバ装置に送信する。サーバ装置は、受信した車両挙動データを学習器に入力し、当該学習器から出力値Ｙを取得し、当該出力値Ｙを車両１０に送信する。そして車両１０の乗り心地推定装置は、出力値Ｙを取得し、当該出力値Ｙに基づいて乗り心地Ｐを導出する。

【0080】

・乗り心地推定装置２０の処理回路２１は、コンピュータプログラムに従って動作する１つ以上のプロセッサ、各種処理のうち少なくとも一部の処理を実行する専用のハードウェアなどの１つ以上の専用のハードウェア回路又はこれらの組み合わせを含む回路として構成し得る。専用のハードウェアとしては、例えば、特定用途向け集積回路であるＡＳＩＣを挙げることができる。

【0081】

・上記実施形態では、通知装置１６は車載の装置であるが、これに限らない。例えば、車両１０の乗員が車内に持ち込んだ携帯型の通信機器であってもよい。携帯型の通信機器は、例えば、スマートフォンやタブレット端末である。

【0082】

次に、上記実施形態及び変更例から把握できる技術的思想について記載する。
（イ）前記データ取得部は、前記車両のヨーレート及び前記車両のヨーレートの変化量のうち少なくとも一方を前記車両挙動データとして取得する、乗り心地推定装置。

【0083】

（ロ）前記データ取得部は、複数種類の前記車両挙動データを取得し、
前記乗心地変化取得部は、前記データ取得部により取得された前記複数種類の車両挙動データを前記学習器に入力する、乗り心地推定装置。

【0084】

（ハ）前記乗心地変化取得ステップでは、ビジュアルアナログスケールにより示された前記車両の乗心地の変化を取得する、学習方法。
（ニ）前記乗心地変化取得ステップでは、前記ビジュアルアナログスケールにより示された前記車両の乗り心地の悪化を前記乗心地の変化として取得する、学習方法。

【符号の説明】

【0085】

１０…車両
１１～１４…センサ
２０…乗り心地推定装置
Ｍ１１…データ取得部
Ｍ１２…乗り心地変化取得部
Ｍ１３…乗り心地導出部
Ｍ１４…学習器
Ｍ４３…学習モデル

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】