JP2008265461A - 車体スリップ角推定装置 - Google Patents

Abstract

【課題】非線形モデルを用いたアルゴリズムにより車体スリップ角を推定する場合において、走行中の発生頻度の高低にかかわらず、車体スリップ角を精度よく推定することができる車体スリップ角推定装置を提供する。
【解決手段】車体スリップ角推定装置１は、基本値算出部３０で、ニューラルネットワークモデルを用いたアルゴリズム(式(１)，(２))により、車体スリップ角の基本値βｂを算出し、旋回走行状態判定部３１で、車両３が所定の限界旋回走行状態にあるか否かを判定し、補正値算出部３２で、車両３が所定の限界旋回走行状態にあるときには、所定の線形モデルを用いたアルゴリズム(式(５)〜(７))により、補正値βｃを算出し、それ以外のときには、補正値βｃを値０に設定する。直進判定部３３は、車両３が旋回走行状態にあるときには、車体スリップ角βを基本値βｂと補正値βｃの和に設定する。
【選択図】 図３

Description

本発明は、非線形モデルを用いたアルゴリズムにより車体スリップ角を推定する車体スリップ角推定装置に関する。

従来、車体スリップ角を推定する車体スリップ角推定装置として、例えば特許文献１に記載されたものが知られている。この車体スリップ角推定装置は、車両のヨーレートを検出するヨーレートセンサと、ステアリングの操舵角を検出する操舵角センサと、車速を検出する車速センサなどを備えている。

この車体スリップ角推定装置では、以下に述べるように、非線形モデルとしてのニューラルネットワークモデルを用いたアルゴリズムにより、車体スリップ角が推定される。まず、車体スリップ角の前回の推定値、ヨーレート、前輪操舵角、後輪操舵角、車速の逆数および車速の２乗値の逆数を入力とし、車体スリップ角の推定値の変化分を出力とする図１３のニューラルネットワークモデルを用いて、車体スリップ角の推定値の変化分を算出する。そして、車体スリップ角の推定値の変化分に前回の推定値を加算することにより、車体スリップ角の今回の推定値が算出される。

この図１３のニューラルネットワークモデルにおける中間層および出力層の重みは、以下のように学習される。具体的には、屈曲路を実際に走行したときの、ヨーレート、前輪操舵角、後輪操舵角、車速の逆数、車速の２乗値の逆数および摩擦抵抗を入力とし、車体スリップ角の推定値および推定ヨーレートを出力とする図１４のニューラルネットワークモデルを用いて、車体スリップ角の推定値および推定ヨーレートがそれぞれ車体スリップ角の実測値およびヨーレートの実測値に一致するように、中間層および出力層の重みが学習される。

特開平７−２５３２７号公報

上記従来の車体スリップ角推定装置によれば、ニューラルネットワークモデルを用いたアルゴリズムにより、車体スリップ角を推定しているとともに、ニューラルネットワークモデルにおける各層の重みの学習値が、屈曲路の走行中のヨーレートおよび前輪操舵角などの実測値に基づいて算出されるので、これらの実測値での屈曲路の走行中の発生頻度が低い走行状態、例えば過大な車体スリップ角が一時的に発生する限界旋回走行状態のときには、重みの学習値の算出精度が低いことで、車体スリップ角の推定精度も低下してしまう。

本発明は、上記課題を解決するためになされたもので、非線形モデルを用いたアルゴリズムにより車体スリップ角を推定する場合において、走行中の発生頻度の高低にかかわらず、車体スリップ角を精度よく推定することができる車体スリップ角推定装置を提供することを目的とする。

上記目的を達成するために、請求項１に係る車体スリップ角推定装置１は、車両３の速度を車速ＶＰとして検出する車速検出手段（ＥＣＵ２、車輪速センサ２０）と、車両３の横方向の加速度を横加速度Ｇｙとして検出する横加速度検出手段（ＥＣＵ２、横加速度センサ２１）と、車両３のヨーレートγを検出するヨーレート検出手段（ＥＣＵ２、ヨーレートセンサ２２）と、車速ＶＰと横加速度Ｇｙとヨーレートγと車体スリップ角βとの関係を表す所定の非線形モデル（ニューラルネットワークモデル）を用いたアルゴリズム（式（１），（２））により、車体スリップ角の推定値（基本値βｂ）を算出する推定値算出手段（ＥＣＵ２、基本値算出部３０）と、車速ＶＰと横加速度Ｇｙとヨーレートγと車体スリップ角βとの関係を表す所定の線形モデル（式（９））を用いたアルゴリズム（式（５）〜（７））により、補正値βｃを算出するとともに、算出した補正値βｃによって推定値を補正する補正手段（ＥＣＵ２、補正値算出部３２、直進判定部３３）と、車両３が所定の旋回走行状態にあるか否かを判定する判定手段（ＥＣＵ２、旋回状態判定部３１，４０）と、判定手段によって車両３が所定の旋回走行状態にないと判定されたときには、推定値（基本値βｂ）を車体スリップ角βとして選択し、車両３が所定の旋回走行状態にあると判定されたときには、補正値で補正された推定値（βｂ＋βｃ）を車体スリップ角βとして選択する選択手段（ＥＣＵ２、補正値算出部３２）と、を備えることを特徴とする。

この車体スリップ角推定装置によれば、車速と横加速度とヨーレートと車体スリップ角との関係を表す所定の非線形モデルを用いたアルゴリズムにより、車体スリップ角の推定値が算出され、車速と横加速度とヨーレートと車体スリップ角との関係を表す所定の線形モデルを用いたアルゴリズムにより補正値が算出される。さらに、車両が所定の旋回走行状態にないと判定されたときには、推定値が車体スリップ角として選択され、車両が所定の旋回走行状態にあると判定されたときには、補正値で補正された推定値が車体スリップ角として選択される。したがって、例えば、この所定の旋回走行状態を車両の旋回走行中に発生頻度の低い状態とした場合、非線形モデルのシステム同定を、車両の旋回走行中に発生頻度の高い状態のときの入力および出力の実測値を用いて行うことによって、車体スリップ角の推定値を精度よく算出することができる。

一方、非線形モデルのモデル化誤差が増大するような、車両の旋回走行状態が旋回走行中に発生頻度の低い状態にあるときには、補正値が、車速と横加速度とヨーレートと車体スリップ角との関係を表す所定の線形モデルを用いたアルゴリズムによって算出され、その補正値で補正された推定値が、車体スリップ角として選択される。すなわち、車両の旋回走行状態が旋回走行中に発生頻度の低い状態にある場合、非線形モデルと比べてモデル化誤差の小さい線形モデルを用いて補正値を算出し、これで推定値を補正することにより、車体スリップ角が算出されるので、所定の非線形モデルを用いたアルゴリズムにより算出した推定値をそのまま用いる場合と比べて、車体スリップ角の推定精度を高めることができる。以上のように、旋回走行中の発生頻度の高低にかかわらず、車体スリップ角を精度よく推定することができる。

請求項２に係る発明は、請求項１に記載の車体スリップ角推定装置１において、所定の非線形モデルは、所定のニューラルネットワークモデルであり、線形モデルを用いたアルゴリズムは、疑似積分法（式（５），（６））を含むアルゴリズム（式（５）〜（７））であることを特徴とする。

この車体スリップ角推定装置によれば、車両が所定の旋回走行状態にないと判定されたときには、所定のニューラルネットワークモデルを用いたアルゴリズムにより算出された推定値が、車体スリップ角として選択される。したがって、例えば、所定の旋回走行状態を車両の旋回走行中に発生頻度の低い状態とした場合、発生頻度の高い旋回走行状態のときには、所定のニューラルネットワークモデルを用いたアルゴリズムにより、車体スリップ角を精度よく推定することができる。また、車両が所定の旋回走行状態にあると判定されたときには、疑似積分法を含むアルゴリズムで算出された補正値によって補正された推定値が、車体スリップ角として選択される。この場合、疑似積分法は、ニューラルネットワークモデルを用いたときと比べて、路面μの変化などに対するロバスト性が高いので、そのような手法により算出された補正値で、ニューラルネットワークモデルを用いたアルゴリズムで算出された推定値を補正することにより、車両が旋回走行中に発生頻度の低い状態にあるときでも、車体スリップ角の推定精度を高めることができる。以上のように、旋回走行中の発生頻度の高低にかかわらず、車体スリップ角を高精度で推定可能な車体スリップ角推定装置を、ニューラルネットワークモデルと疑似積分法を用いて実現することができる。

請求項３に係る発明は、請求項２に記載の車体スリップ角推定装置において、補正手段は、疑似積分法で算出した値（疑似積分値Ｓ＿Ｄβ）に、所定のゲインＫｃを乗算することによって、補正値βｃを算出することを特徴とする。

この車体スリップ角推定装置によれば、疑似積分法で算出した値に、所定のゲインを乗算することによって、補正値が算出されるので、この所定のゲインを、補正値で補正された推定値が実際の車体スリップ角に一致するように設定することにより、車体スリップ角の推定精度をさらに向上させることができる。

請求項４に係る車体スリップ角推定装置１Ａは、車両３の速度を車速ＶＰとして検出する車速検出手段（ＥＣＵ２、車輪速センサ２０）と、車両３の横方向の加速度を横加速度Ｇｙとして検出する横加速度検出手段（ＥＣＵ２、横加速度センサ２１）と、車両３のヨーレートγを検出するヨーレート検出手段（ＥＣＵ２、ヨーレートセンサ２２）と、車両３が所定の旋回走行状態にないときにシステム同定され、かつ車速と横加速度とヨーレートと車体スリップ角との関係を表す所定の第１非線形モデル（第１ニューラルネットワークモデル）を用いたアルゴリズム（式（１４），（１５））により、第１車体スリップ角β１を推定する第１推定手段（ＥＣＵ２、第１車体スリップ角算出部５１）と、車両３が所定の旋回走行状態にあるときにシステム同定され、かつ車速と横加速度とヨーレートと車体スリップ角との関係を表す所定の第２非線形モデル（第２ニューラルネットワークモデル）を用いたアルゴリズム（式（１６），（１７））により、第２車体スリップ角β２を推定する第２推定手段（ＥＣＵ２、第２車体スリップ角算出部５２）と、車両３が所定の旋回走行状態にあるか否かを判定する判定手段（ＥＣＵ２、旋回状態判定部５３）と、判定手段によって車両３が所定の旋回走行状態にないと判定されたときには、第１車体スリップ角β１を車体スリップ角βとして選択し、車両３が所定の旋回走行状態にあると判定されたときには、第２車体スリップ角β２を車体スリップ角βとして選択する選択手段（ＥＣＵ２、選択部５４）と、を備えることを特徴とする。

この車体スリップ角推定装置によれば、車両が所定の旋回走行状態にないときにシステム同定され、かつ車速と横加速度とヨーレートと車体スリップ角との関係を表す所定の第１非線形モデルを用いたアルゴリズムにより、第１車体スリップ角が推定され、車両が所定の旋回走行状態にあるときにシステム同定され、かつ車速と横加速度とヨーレートと車体スリップ角との関係を表す所定の第２非線形モデルを用いたアルゴリズムにより、第２車体スリップ角が推定される。そして、車両が所定の旋回走行状態にないと判定されたときには、第１車体スリップ角が車体スリップ角として選択され、所定の旋回走行状態にあると判定されたときには、第２車体スリップ角が車体スリップ角として選択される。したがって、例えば、この所定の旋回走行状態を車両の旋回走行中に発生頻度の低い状態とした場合、車両の旋回走行中に発生頻度の低い状態のときに実際に計測された第２非線形モデルにおける入出力の値を用いて、第２非線形モデルのシステム同定を行うとともに、発生頻度の高い状態のときに実際に計測された第１非線形モデルにおける入出力の値を用いて、第１非線形モデルのシステム同定を行うことにより、第１および第２非線形モデルにおけるモデル化誤差をいずれも低減でき、それにより、第１および第２車体スリップ角を高い精度で推定することができる。

一方、上記とは逆に、所定の旋回走行状態を車両の旋回走行中に発生頻度の高い状態とした場合でも、車両の旋回走行中に発生頻度の高い旋回走行状態のときに実際に計測された第２非線形モデルにおける入出力の値を用いて、第２非線形モデルのシステム同定を行うとともに、発生頻度の低い状態のときに実際に計測された第１非線形モデルにおける入出力の値を用いて、第１非線形モデルのシステム同定を行うことにより、第１および第２非線形モデルにおけるモデル化誤差をいずれも低減でき、それにより、第１および第２車体スリップ角を高い精度で推定することができる。以上のように、旋回走行中の発生頻度の高低にかかわらず、車体スリップ角を精度よく推定することができる。

請求項５に係る発明は、請求項４に記載の車体スリップ角推定装置１Ａにおいて、所定の第１非線形モデルは、車両３が所定の旋回走行状態にないときに学習された重みｗ４_jiを用いた所定の第１ニューラルネットワークモデルであり、所定の第２非線形モデルは、車両３が所定の旋回走行状態にあるときに学習された重みｗ５_jiを用いた所定の第２ニューラルネットワークモデルであることを特徴とする。

この車体スリップ角推定装置によれば、車両が所定の旋回走行状態にないときには、所定の第１ニューラルネットワークモデルを用いたアルゴリズムにより、第１車体スリップ角が推定される。この所定の第１ニューラルネットワークモデルでは、所定の旋回走行状態にないときに学習された重みが用いられるので、所定の旋回走行状態にないときの入力と出力の関係をモデルに精度よく反映できることで、第１車体スリップ角を精度よく推定することができる。また、車両が所定の旋回走行状態にあるときには、所定の第２ニューラルネットワークモデルを用いたアルゴリズムにより、第２車体スリップ角が算出される。この所定の第２ニューラルネットワークモデルでは、所定の旋回走行状態にあるときに学習された重みが少なくとも用いられるので、所定の旋回走行状態にあるときの入力と出力の関係をモデルに精度よく反映できることで、第２車体スリップ角を精度よく推定することができる。その結果、この所定の旋回走行状態が、車両の旋回走行中に発生頻度の低い状態または発生頻度の高い状態のいずれの場合でも、第１および第２車体スリップ角を高い精度で推定することができる。以上のように、旋回走行中の発生頻度の高低にかかわらず、車体スリップ角を高精度で推定可能な車体スリップ角推定装置を、２つのニューラルネットワークモデルを用いて実現することができる。

請求項６に係る発明は、請求項４または５に記載の車体スリップ角推定装置１Ａにおいて、判定手段は、第１車体スリップ角β１と第２車体スリップ角β２との相対的な偏差および比の一方（｜β２−β１｜）に基づいて、車両３が所定の旋回走行状態にあるか否かを判定することを特徴とする。

この車体スリップ角推定装置によれば、第１車体スリップ角と第２車体スリップ角との相対的な偏差および比の一方に基づいて、車両が所定の旋回走行状態にあるか否かの判定が実行されるので、車速検出手段、横加速度検出手段およびヨーレート検出手段の他に格別の検出手段を用いることなく、車両が所定の旋回走行状態にあるか否かを判定することができる。その結果、製造コストを削減することができる。

請求項７に係る発明は、請求項１ないし６のいずれかに記載の車体スリップ角推定装置１，１Ａにおいて、車両３が直進走行状態にあるか否かを判定する直進判定手段（ＥＣＵ２、直進判定部３３，５５）と、直進判定手段によって車両３が直進走行状態にないと判定されたときには、車体スリップ角βを選択手段によって選択された値に設定し、車両３が直進走行状態にあると判定されたときには、車体スリップ角βを値０に設定する設定手段（ＥＣＵ２、直進判定部３３，５５）と、をさらに備えることを特徴とする。

この車体スリップ角推定装置によれば、車両が直進走行状態にある場合、車体スリップ角が値０に設定されるので、直進走行状態での車体スリップ角の算出値が、車体スリップ角の推定値、第１車体スリップ角および第２車体スリップ角に反映されるのを回避でき、それにより、車体スリップ角の推定精度をさらに向上させることができる。

請求項８に係る発明は、請求項７に記載の車体スリップ角推定装置１，１Ａにおいて、車両３のアクセルペダルの操作量を表すアクセル開度ＡＰを検出するアクセル開度検出手段（アクセル開度センサ２５）と、車両３のハンドルの操舵角θｓｔを検出する操舵角検出手段（操舵角センサ２４）と、をさらに備え、直進判定手段は、アクセル開度ＡＰおよび操舵角θｓｔをそれぞれ所定の判定値ＡＰ＿ＲＥＦ，θｓｔ＿ＲＥＦと比較した結果に基づき、車両３が直進走行状態にあるか否かを判定することを特徴とする。

一般的に、車両の直進判定を行う場合、アクセル開度とその所定の判定値との比較結果、および操舵角とその所定の判定値との比較結果を組み合わせると、直進判定を比較的精度よく判定することができる。したがって、この車体スリップ角推定装置によれば、そのような手法によって、車両の直進走行判定を精度よく行うことができ、それにより、車体スリップ角の推定精度をより一層、向上させることができる。

以下、図面を参照しながら、本発明の第１実施形態に係る車体スリップ角推定装置について説明する。図１に示すように、本実施形態の車体スリップ角推定装置１は、ＥＣＵ２を備えており、このＥＣＵ２は、後述するように、車体スリップ角βを推定する。この車体スリップ角βは、図２に示すように、車体の中心線と車両３の進行方向（旋回円の接戦方向）との間の相対的な角度を表すものであり、左右のコーナで正負の符号が切り換わるものである。

この車両３は、ＦＲ方式のものであり、車体の前側に搭載されたエンジン４と、遊動輪としての左右の前輪５，５と、駆動輪としての左右の後輪６，６を備えている。この車両３では、エンジン４の動力が、プロペラシャフト７、差動ギヤ機構８および左右のドライブシャフト９，９などを介して、左右の後輪６，６に伝達される。

また、車両３には、４つの車輪速センサ２０（車速検出手段）が設けられている。４つの車輪速センサ２０の各々は、対応する車輪の回転速度を検出して、それを表す検出信号をＥＣＵ２に出力する。ＥＣＵ２は、これらの車輪速センサ２０の検出信号に基づいて、車速ＶＰを算出する。この場合、車速ＶＰは、駆動輪速（すなわち左右の後輪速度の平均値）と、非駆動輪速（左右の前輪速度の平均値）との平均値として算出される。

なお、車速ＶＰを、上記の手法に限らず、他の手法により算出してもよい。例えば、非駆動輪の平均値を車速ＶＰとして用いてもよい。また、車速検出手段として、４つの車輪速センサ２０に代えて、光学式の車速センサを用いてもよい。

さらに、ＥＣＵ２には、横加速度センサ２１（横加速度検出手段）、ヨーレートセンサ２２（ヨーレート検出手段）、前後加速度センサ２３、操舵角センサ２４（操舵角検出手段）、アクセル開度センサ２５（アクセル開度検出手段）、４つのダンパ長センサ２６（１つのみ図示）がそれぞれ接続されている。

横加速度センサ２１は、車両３の横方向の加速度（以下「横加速度」という）Ｇｙを表す検出信号を、ヨーレートセンサ２２は、車両３のヨーレートγを表す検出信号をＥＣＵ２に出力し、前後加速度センサ２３は、車両３の前後方向の加速度（以下「前後加速度」という）Ｇｆを表す検出信号をＥＣＵ２に出力する。ＥＣＵ２は、これらの検出信号に基づき、横加速度Ｇｙ、ヨーレートγおよび前後加速度Ｇｆをそれぞれ算出する。

また、操舵角センサ２４は、車両３の図示しないハンドルの操舵角θｓｔを表す検出信号をＥＣＵ２に出力し、アクセル開度センサ２５は、車両３の図示しないアクセルペダルの踏み込み量（以下「アクセル開度」という）ＡＰを表す検出信号をＥＣＵ２に出力する。さらに、４つのダンパ長センサ２６は、例えばリニアポテンショメータで構成され、４つの車輪のサスペンションにおけるダンパ（いずれも図示せず）の長さ（以下「ダンパ長」という）Ｄａｍｐ１〜４をそれぞれ表す検出信号を、ＥＣＵ２に出力する。ＥＣＵ２は、これらの検出信号に基づき、操舵角θｓｔ、アクセル開度ＡＰおよびダンパ長Ｄａｍｐ１〜４をそれぞれ算出する。

ＥＣＵ２は、ＣＰＵ、ＲＡＭ、ＲＯＭおよびＩ／Ｏインターフェース（いずれも図示せず）などからなるマイクロコンピュータで構成されており、前述した各種のセンサ２０〜２６の検出信号などに基づいて、後述する手法により、車体スリップ角βを推定する。なお、本実施形態では、ＥＣＵ２が、車速検出手段、横加速度検出手段、ヨーレート検出手段、推定値算出手段、補正手段、判定手段、選択手段、直進判定手段および設定手段に相当する。

次に、図３を参照しながら、本実施形態の車体スリップ角推定装置１について説明する。同図に示すように、この車体スリップ角推定装置１は、基本値算出部３０、旋回状態判定部３１、補正値算出部３２および直進判定部３３を備えており、これらの要素３０〜３３はいずれも、具体的にはＥＣＵ２で構成されている。

まず、基本値算出部３０（推定値算出手段）について説明する。この基本値算出部３０は、図４に示すように、ニューラルネットワークＮＮを備えており、このニューラルネットワークＮＮにより、車体スリップ角βの基本値βｂを推定する。すなわち、ニューラルネットワークモデルを用いたアルゴリズムにより、車体スリップ角βの基本値βｂ（車体スリップ角の推定値）が算出される。

このニューラルネットワークＮＮは、入力層、中間層および出力層を有する３層の階層型のものであり、入力層は３ｍ（ｍは２以上の整数）個のニューロン（３つのみ図示）を、中間層はＪ（Ｊは２以上の整数）個のニューロン（３つのみ図示）を、出力層は１個のニューロンをそれぞれ備えている。

なお、以下の説明において、記号（ｎ）付きの各離散データは、所定の制御周期ΔＴｎ（例えば１ｓｅｃ）で算出またはサンプリングされたデータであることを示しており、記号ｎは各離散データの算出サイクルの順番を表している。例えば、記号ｎは今回の制御タイミングで算出された値であることを、記号ｎ−１は前回の制御タイミングで算出された値であることをそれぞれ示している。この点は、以下の離散データにおいても同様である。また、以下の説明では、各離散データにおける記号（ｎ）を適宜省略する。

このニューラルネットワークＮＮには、車速ＶＰとして、今回の算出値ＶＰ（ｎ）からｍ−１回前の算出値ＶＰ（ｎ−ｍ＋１）までのｍ個の値が入力され、さらに、横加速度Ｇｙおよびヨーレートγもそれぞれ、Ｇｙ（ｎ）〜Ｇｙ（ｎ−ｍ＋１）およびγ（ｎ）〜γ（ｎ−ｍ＋１）のｍ個の値が入力される。なお、以下の説明では、入力ＶＰ（ｎ）〜ＶＰ（ｎ−ｍ＋１）を入力ｘ１₁〜ｘ１_mとそれぞれ表記し、入力Ｇｙ（ｎ）〜Ｇｙ（ｎ−ｍ＋１）をそれぞれ入力ｘ１_m+1〜ｘ１_2mと表記するとともに、入力γ（ｎ）〜γ（ｎ−ｍ＋１）をそれぞれ入力ｘ１_2m+1〜ｘ１_3mと表記する。

以上の入力ｘ１₁ 〜ｘ１_3mはそれぞれ、そのままの状態で３ｍ個の入力層のニューロンからＪ個の中間層のニューロンに入力される。中間層のニューロンは、入力ｘ１₁ 〜ｘ１_3mを用い、下式（１）によってＪ個の中間出力ａ１₁〜ａ１_Jをそれぞれ算出した後、これらを出力層のニューロンに出力する。

ここで、ｈ１_jは所定のしきい値を、ｗ１_jiは重みをそれぞれ表しており、これらの値ｈ１_j，ｗ１_jiは、後述するように、オフラインで予め学習されたものである。また、ｆ_a1は出力関数であり、この出力関数ｆ_a1としては、例えばシグモイド関数が用いられる。

出力層のニューロンは、入力されたＪ個の中間出力ａ１₁〜ａ１_Jを用い、下式（２）によって、基本値βｂを算出する。

ここで、θ１は所定のしきい値であり、後述するように、オフラインで予め学習されたものである。また、ｆ_r1は出力関数であり、この出力関数ｆ_r1としては、前述した出力関数ｆ_a1と同様に、例えばシグモイド関数が用いられる。

以上のしきい値ｈ１_j，θ１および重みｗ１_jiは、以下の手法により学習される。具体的には、３つの入力ＶＰ，Ｇｙ，γおよび出力βを、車両３が通常旋回走行状態にあるときに実際に測定し、これらの測定値を用いてバックプロパゲーション法により、しきい値ｈ１_j，θ１および重みｗ１_jiがオフラインで学習される。ここで、「通常旋回走行状態」とは、車体スリップ角が発生したとしても、その絶対値が比較的小さく、所定範囲内に収まるような旋回走行状態をいう。

以上のように、基本値算出部３０では、ニューラルネットワークＮＮにより、車体スリップ角βの基本値βｂが算出されるとともに、このニューラルネットワークＮＮでは、しきい値ｈ１_j，θ１と重みｗ１_jiとして、車両３が通常旋回走行状態にあるときにオフラインで予め学習した値が用いられる。すなわち、このニューラルネットワークＮＮでは、車両３が通常旋回走行状態にあるときにシステム同定されたニューラルネットワークモデルを用いて、車体スリップ角βの基本値βｂが算出されるので、この基本値βｂは、車両３が通常旋回走行状態にある限り、実際の車体スリップ角を精度よく表すように算出される。

次に、前述した旋回状態判定部３１（判定手段）について説明する。この旋回状態判定部３１では、以下に述べるように、ダンパ長Ｄａｍｐ１〜４、前後加速度Ｇｆおよび車速ＶＰに基づいて、車両３が通常旋回走行状態にあるかまたは所定の限界旋回走行状態にあるかが判定されるとともに、その判定結果に基づいて、限界状態フラグＦ＿ＳＬＩＰの値が設定される。ここで、「所定の限界旋回走行状態」とは、車両３が前述した通常旋回走行状態にないとき、すなわち、前述した所定範囲を超えるような車体スリップ角が旋回走行中に一時的に発生した状態をいう。

図５に示すように、旋回状態判定部３１は、ニューラルネットワークＮＮ２、判定値算出部３１ａおよびフラグ設定部３１ｂを備えている。

このニューラルネットワークＮＮ２は、旋回状態値βｅを推定するものであり、この旋回状態値βｅは、車両３の旋回走行中の車体スリップ角に相当するものである。ニューラルネットワークＮＮ２は、前述したニューラルネットワークＮＮと同様に、入力層、中間層および出力層を有する３層の階層型のものであり、入力層は５ｐ（ｐは２以上の整数）個のニューロン（３つのみ図示）を、中間層はＪａ（Ｊａは２以上の整数）個のニューロン（３つのみ図示）を、出力層は１個のニューロンをそれぞれ備えている。

なお、以下の説明において、記号（ｋ）付きの各離散データは、前述した制御周期ΔＴｎよりも短い所定の制御周期ΔＴｋ（例えば１００ｍｓｅｃ）で算出またはサンプリングされたデータであることを示しており、記号ｋは各離散データの算出サイクルの順番を表している。例えば、記号ｋは今回の制御タイミングで算出された値であることを、記号ｋ−１は前回の制御タイミングで算出された値であることをそれぞれ示している。この点は、以下の離散データにおいても同様である。また、以下の説明では、各離散データにおける記号（ｋ）を適宜省略する。

このニューラルネットワークＮＮ２には、ダンパ長Ｄａｍｐ１〜４として、今回の算出値Ｄａｍｐ１〜４（ｋ）からｐ−１回前の算出値Ｄａｍｐ１〜４（ｋ−ｐ＋１）までのｐ個の値がそれぞれ入力され、さらに、前後加速度Ｇｆも、今回の算出値Ｇｆ（ｋ）からｐ−１回前の算出値Ｇｆ（ｋ−ｐ＋１）までのｐ個の値がそれぞれ入力される。

なお、以下の説明では、入力Ｄａｍｐ１（ｋ）〜Ｄａｍｐ１（ｋ−ｐ＋１）をそれぞれ入力ｘ２₁〜ｘ２_pと表記し、入力Ｄａｍｐ２（ｋ）〜Ｄａｍｐ２（ｋ−ｐ＋１）をそれぞれ入力ｘ２_p+1〜ｘ２_2pと表記し、入力Ｄａｍｐ３（ｋ）〜Ｄａｍｐ３（ｋ−ｐ＋１）をそれぞれ入力ｘ２_2p+1〜ｘ２_3pと表記し、入力Ｄａｍｐ４（ｋ）〜Ｄａｍｐ４（ｋ−ｐ＋１）をそれぞれ入力ｘ２_3p+1〜ｘ２_4pと表記するとともに、入力Ｇｆ（ｋ）〜Ｇｆ（ｋ−ｐ＋１）をそれぞれ入力ｘ２_4p+1〜ｘ２_5pと表記する。

以上の入力ｘ２₁ 〜ｘ２_5pはそれぞれ、そのままの状態で５ｐ個の入力層のニューロンからＪａ個の中間層のニューロンに入力される。中間層のニューロンは、入力ｘ２₁ 〜ｘ２_5pを用い、下式（３）によってＪａ個の中間出力ａ２₁〜ａ２_Jaをそれぞれ算出した後、これらを出力層のニューロンに出力する。

ここで、ｈ２_jは所定のしきい値を、ｗ２_jiは重みをそれぞれ表しており、これらの値ｈ２_j，ｗ２_jiは、後述するように、オフラインで予め学習されたものである。また、ｆ_a2は出力関数であり、この出力関数ｆ_a2としては、例えばシグモイド関数が用いられる。

出力層のニューロンは、入力されたＪａ個の中間出力ａ２₁〜ａ２_Jaを用い、下式（４）によって、旋回状態値βｅを算出する。

ここで、θ２は所定のしきい値であり、後述するように、オフラインで予め学習されたものである。また、ｆ_r2は出力関数であり、この出力関数ｆ_r2としては、前述した出力関数ｆ_a2と同様に、例えばシグモイド関数が用いられる。

以上のしきい値ｈ２_j，θ２および重みｗ２_jiは、以下の手法により学習される。具体的には、車両３が所定の限界旋回走行状態にあるときに、５つの入力Ｄａｍｐ１〜４，Ｇｆおよび出力βｅを実際に測定し、これらの測定値を用いてバックプロパゲーション法により、しきい値ｈ２_j，θ２および重みｗ２_jiがオフラインで学習される。

一方、前述した判定値算出部３１ａでは、車速ＶＰに応じて、図６に示すマップを検索することにより、判定値βｅ＿ＲＥＦが算出される。このマップでは、判定値βｅ＿ＲＥＦは、車速ＶＰが高いほど、より小さな値に設定されている。これは、車速ＶＰが高いほど、車体スリップ角βが小さくても車体がスピンしやすい限界旋回走行状態となるためである。

そして、フラグ設定部３１ｂでは、以上のように算出された旋回状態値βｅと所定の判定値βｅ＿ＲＥＦを比較することにより、車両３が所定の限界旋回走行状態にあるか否かを判定し、その判定結果に基づいて、限界状態フラグＦ＿ＳＬＩＰの値が設定される。

具体的には、旋回状態値の絶対値｜βｅ｜が判定値βｅ＿ＲＥＦ以上のときには、所定の限界旋回走行状態にあると判定して、それを表すために、限界状態フラグＦ＿ＳＬＩＰが「１」に設定される。一方、｜βｅ｜＜βｅ＿ＲＥＦのときには、通常旋回走行状態にあると判定して、それを表すために、限界状態フラグＦ＿ＳＬＩＰが「０」に設定される。

次に、前述した補正値算出部３２（補正手段、選択手段）について説明する。この補正値算出部３２では、上述した限界状態フラグＦ＿ＳＬＩＰの値に基づき、以下に述べるように、補正値βｃが算出される。なお、この補正値算出部３２では、補正値βｃが、限界状態フラグＦ＿ＳＬＩＰの演算周期ΔＴｋよりも長い前述した演算周期ΔＴｎで算出されるので、限界状態フラグＦ＿ＳＬＩＰの値として、そのダウンサンプリング値が用いられる。

具体的には、Ｆ＿ＳＬＩＰ＝１のとき、すなわち車両３が所定の限界旋回走行状態にあるときには、疑似積分法を適用した下式（５）〜（７）により、補正値βｃが算出される。

ここで、Ｄβは車体スリップ角の速度を、Ｓ＿Ｄβは車体スリップ角の速度の疑似積分値を、Ｋｃは所定のゲインをそれぞれ表している。なお、この疑似積分値Ｓ＿Ｄβの初期値は値０に設定される。すなわち、疑似積分値Ｓ＿Ｄβは、通常旋回走行状態から所定の限界旋回走行状態に移行した時点で、その算出が開始されるとともに、その算出開始時の値は必ず値０となる。さらに、所定のゲインＫｃは、補正値βｃを基本値βｂに加算した値（すなわち車体スリップ角β）が、車両３が所定の限界旋回走行状態にあるときの車体スリップ角の実測値と同じになるように、オフラインで予め適切な一定値に設定されている。

一方、Ｆ＿ＳＬＩＰ＝０のとき、すなわち車両３が通常旋回走行状態にあるときには、下式（８）により、補正値βｃが算出される。

以上のように、補正値算出部３２では、補正値βｃが、車両３が所定の限界旋回走行状態にあるときには疑似積分法を適用した手法により算出され、車両３が通常旋回走行状態にあるときには値０に設定される。

なお、前述した式（５）は、下式（９）に示す連続時間系の運動方程式を、離散時間系の数式に書き換えることによって導出される。

次いで、直進判定部３３（補正手段、直進判定手段、設定手段）では、アクセル開度ＡＰおよび操舵角θｓｔをそれぞれ、所定の判定値ＡＰ＿ＲＥＦ，θｓｔ＿ＲＥＦと比較することにより、車両３が直進走行状態にあるか否かを判定し、その判定結果に基づいて、車体スリップ角βが算出される。

具体的には、ＡＰ≦ＡＰ＿ＲＥＦまたはθｓｔ≧θｓｔ＿ＲＥＦが成立したときには、車両３が旋回走行状態にあると判定して、下式（１０）により、車体スリップ角βが算出される。

一方、ＡＰ＞ＡＰ＿ＲＥＦかつθｓｔ＜θｓｔ＿ＲＥＦが成立したときには、車両３が直進走行状態にあると判定して、下式（１１）により、車体スリップ角βが算出される。

以上のように、直進判定部３３では、車体スリップ角βが、車両３が直進走行状態にあるときには値０に設定され、車両３が旋回走行状態にあるときには基本値βｂと補正値βｃの和に設定される。この場合、前述したように、車両３が通常旋回走行状態にあるときには、βｃ＝０となるのでβ＝βｂとなり、一方、車両３が所定の限界旋回走行状態にあるときには、β＝βｂ＋βｃとなる。

次に、本実施形態の車体スリップ角推定装置１において、以上のような車体スリップ角βの算出手法を用いた理由を説明する。図７は、車両３が旋回走行状態にあるときの各種の値の算出結果を表しており、図７（ａ）は前述した疑似積分値Ｓ＿Ｄβの算出結果を、図７（ｂ）は基本値βｂの算出結果を、図７（ｃ）は本実施形態の算出手法による車体スリップ角βの算出結果をそれぞれ表している。

また、図７（ｄ）の値β’は、比較のために、限界状態フラグＦ＿ＳＬＩＰ＝０で車両３が通常旋回走行状態にあるときには、β’＝Ｓ＿Ｄβとして算出し、Ｆ＿ＳＬＩＰ＝１で車両３が所定の限界旋回走行状態にあるときには、β’＝βｂとして算出した車体スリップ角の比較値である。すなわち、この比較値β’は、車両３が通常旋回走行状態にあるときには疑似積分法のみで車体スリップ角を算出し、車両３が所定の限界旋回走行状態にあるときにはニューラルネットワークＮＮを用いた手法に切り換えて車体スリップ角を算出した場合の値に相当する。さらに、図７（ｅ）は限界状態フラグＦ＿ＳＬＩＰの値を表している。

図７（ａ）と図７（ｂ）を比較すると明らかなように、時刻ｔ１で、車両３が所定の限界旋回走行状態になり、限界状態フラグＦ＿ＳＬＩＰ＝１が成立すると、疑似積分値Ｓ＿Ｄβの算出が開始され、それ以降、疑似積分値Ｓ＿Ｄβが急激に増大する。これに対して、基本値βｂは漸増しており、その変化量が小さい。すなわち、ニューラルネットワークＮＮを用いた場合、疑似積分法を用いた場合と比べて、車体スリップ角βの算出精度すなわち推定精度が低下してしまう。これは、ニューラルネットワークＮＮの場合、前述した各種の重みおよびしきい値が発生頻度の高い値に基づいて学習される関係上、車両３が所定の限界旋回走行状態にあるときのような、発生頻度の低い条件下では、各種の重みおよびしきい値の学習精度が低下してしまうことによる。

一方、図７（ｄ）を参照すると明らかなように、限界状態フラグＦ＿ＳＬＩＰの値に応じて、比較値β’の算出手法を疑似積分法とニューラルネットワークＮＮを用いた算出法との間で切り換えると、その切換タイミング（時刻ｔ１，ｔ２）で、比較値β’が不連続な状態となり、段差が生じてしまう。これに対して、本実施形態の算出手法による車体スリップ角βは、限界状態フラグＦ＿ＳＬＩＰの値が「１」と「０」の間で変化したとき、すなわち車両３の旋回走行状態が通常旋回走行状態と所定の限界旋回走行状態との間で切り換わったときでも、ほとんど段差を生じておらず、比較値β’と比べて、算出精度すなわち推定精度が向上していることが判る。

以上のように、車両３の旋回走行状態が、通常旋回走行状態と所定の限界旋回走行状態との間で切り換わるタイミングでも、車体スリップ角βの算出値における不連続な状態が発生するのを回避し、その算出精度の向上を目的として、本実施形態では、前述した算出手法により、車体スリップ角βが算出される。

次に、図８，９を参照しながら、車両３の旋回走行中、本実施形態の算出手法により算出された車体スリップ角βを、その実測値βａｃｔと比較した結果について説明する。図８は、車両３が通常旋回走行状態のみで走行した場合の結果を示しており、図９は、所定の限界旋回走行状態が一時的（時刻ｔ１０〜ｔ１１）に発生したときの結果を示している。より具体的には、両図（ａ）は、車体スリップ角βと実測値βａｃｔとの偏差の絶対値｜β−βａｃｔ｜を示しており、両図（ｂ）は、比較のための、基本値βｂと実測値βａｃｔとの偏差の絶対値｜βｂ−βａｃｔ｜を示している。

図８を参照すると明らかなように、車両３が通常旋回走行状態のみで走行した場合、βｃ＝０となり、β＝βｂが成立することで、｜β−βａｃｔ｜＝｜βｂ−βａｃｔ｜が成立する。そのため、車両３が通常旋回走行状態にある限り、ニューラルネットワークＮＮのみで車体スリップ角βを算出したときでも、高い算出精度を確保できることが判る。

一方、図９を参照すると明らかなように、時刻ｔ１０で、車両３が通常旋回走行状態から所定の限界旋回走行状態に移行すると、偏差｜βｂ−βａｃｔ｜の増大度合は、偏差｜β−βａｃｔ｜と比べて、かなり大きくなっている。すなわち、本実施形態の補正値βｃを用いることにより、車体スリップ角βが、基本値βｂと比べて実測値βａｃｔにより近い値に算出されており、その算出精度が向上していることが判る。

以上のように、本実施形態の車体スリップ角推定装置１によれば、基本値算出部３０で、車体スリップ角βの基本値βｂがニューラルネットワークＮＮによって算出され、直進判定部３３で、車両３が旋回走行状態にある場合、車体スリップ角βが基本値βｂと補正値βｃの和に設定される。この補正値βｃは、補正値算出部３２で、車両３が通常旋回走行状態にある場合（Ｆ＿ＳＬＩＰ＝０の場合）には値０に設定されるので、その場合には、β＝βｂ＋βｃ＝βｂとなる。ここで、ニューラルネットワークＮＮでは、車両３が通常旋回走行状態にあるときに学習されたしきい値ｈ１_j，θ１および重みｗ１_jiが用いられるので、この基本値βｂは、車両３が通常旋回走行状態にある限り、実際の車体スリップ角を精度よく表すように算出される。したがって、車両３が通常旋回走行状態にあるとき、すなわち車両３の旋回走行中に発生頻度の高い状態にあるときには、車体スリップ角βを精度よく算出することができる。

一方、車両３が所定の限界旋回走行状態にある場合（Ｆ＿ＳＬＩＰ＝１の場合）には、補正値βｃが、疑似積分法で算出した疑似積分値Ｄβに、所定のゲインＫｃを乗算した値として算出される。この所定のゲインＫｃは、補正値βｃを基本値βｂに加算した値すなわち車体スリップ角βが、車両３が所定の限界旋回走行状態にある場合における車体スリップ角の実測値と同じになるように、オフラインで予め適切な一定値に設定されている。これに加えて、疑似積分法を用いた場合、ニューラルネットワークモデルを用いた場合と比べて、路面μの変化などに対するロバスト性が高いことが一般的に知られている。以上の理由により、基本値βｂを補正値βｃで補正することによって、車体スリップ角βを算出した場合、車体スリップ角βをニューラルネットワークＮＮのみで算出する場合と比べて、車両３が所定の限界旋回走行状態にあるとき、すなわち車両３が旋回走行中に発生頻度の低い状態にあるときでも、車体スリップ角βを精度よく算出することができる。

したがって、本実施形態の車体スリップ角推定装置１によれば、車両３が通常旋回走行状態にあるか、または所定の限界旋回走行状態にあるかにかかわらず、言い換えれば車両３の旋回走行中の発生頻度の高低にかかわらず、車体スリップ角βを高精度で推定できる。また、そのような車体スリップ角推定装置１を、ニューラルネットワークモデルと疑似積分法を用いて実現することができる。

これに加えて、車両３が直進走行状態にある場合、車体スリップ角βが値０に設定されるので、直進走行状態での車体スリップ角βの値が、車体スリップ角の基本値βｂに反映されるのを回避でき、それにより、車体スリップ角βの推定精度をさらに向上させることができる。

さらに、一般的に、車両３の直進判定を行う場合、アクセル開度ＡＰとその所定の判定値ＡＰ＿ＲＥＦとの比較結果、および操舵角θｓｔとその所定の判定値θｓｔ＿ＲＥＦとの比較結果を組み合わせると、直進判定を比較的精度よく判定することができる。したがって、そのような手法を用いることによって、この車体スリップ角推定装置１によれば、車両３の直進走行判定を精度よく行うことができ、それにより、車体スリップ角の推定精度をより一層、向上させることができる。

なお、第１実施形態は、所定の非線形モデルとして、車速と横加速度とヨーレートと車体スリップ角との関係を表すニューラルネットワークモデルを用いた例であるが、本発明の非線形モデルはこれに限らず、車速と横加速度とヨーレートと車体スリップ角との関係を少なくとも表すものであればよい。例えば、非線形モデルとして、車速と横加速度とヨーレートと車体スリップ角とに加えて、操舵角などの他のパラメータとの関係を表すニューラルネットワークモデルを用いてもよい。さらに、非線形モデルとして、前後輪のコーナリングフォースと、車速と、横加速度と、ヨーレートと、車体スリップ角と、重心から前後の車軸までの距離との関係を表す非線形２自由度モデルなどを用いてもよい。

また、第１実施形態は、ニューラルネットワークＮＮ，ＮＮ２の重みｗ１_ji，ｗ２_jiおよびしきい値ｈ１_j，θ１，ｈ２_j，θ２の学習方法として、バックプロパゲーション法を用いた例であるが、本発明のニューラルネットワークにおける重みおよびしきい値の学習方法はこれに限らず、ランダム探索法などの他の学習手法を用いてもよい。

さらに、第１実施形態は、ニューラルネットワークＮＮ，ＮＮ２すなわちニューラルネットワークモデルとして、重みおよびしきい値の双方を備えたものを用いた例であるが、ニューラルネットワークモデルとして、しきい値を持たない構成のものを用いてもよい。

これに加えて、第１実施形態は、所定の線形モデルとして式（９）を用いた例であるが、本発明の線形モデルはこれに限らず、車速と横加速度とヨーレートと車体スリップ角との関係を少なくとも表すものであればよい。

また、第１実施形態は、判定手段として旋回状態判定部３１を用いた例であるが、本発明の判定手段はこれに限らず、車両が所定の旋回走行状態（すなわち所定の限界旋回走行状態）にあるか否かを判定できるものであればよい。例えば、判定手段として、図１０に示す旋回状態判定部４０を用いてもよい。

この旋回状態判定部４０では、以下に述べるように、車速ＶＰ、横加速度Ｇｙおよびヨーレートγに基づいて、車両３が所定の限界旋回走行状態にあるか否かが判定されるとともに、その判定結果に基づいて、限界状態フラグＦ＿ＳＬＩＰの値が設定される。図１０に示すように、この旋回状態判定部４０は、ニューラルネットワークＮＮ３およびフラグ設定部４１を備えている。

このニューラルネットワークＮＮ３では、以下に述べるように、ヨーレートγの推定値である推定ヨーレートγｈａｔが算出される。ニューラルネットワークＮＮ３は、前述したニューラルネットワークＮＮ２と同様に、入力層、中間層および出力層を有する３層の階層型のものであり、入力層は３ｐ（ｐは２以上の整数）個のニューロン（３つのみ図示）を、中間層はＪｂ（Ｊｂは２以上の整数）個のニューロン（３つのみ図示）を、出力層は１個のニューロンをそれぞれ備えている。

このニューラルネットワークＮＮ３には、車速ＶＰとして、今回の算出値ＶＰ（ｋ）からｐ−１回前の算出値ＶＰ（ｋ−ｐ＋１）までのｐ個の値が入力され、さらに、横加速度Ｇｙおよび操舵角θｓｔもそれぞれ、Ｇｙ（ｋ）〜Ｇｙ（ｋ−ｐ＋１）およびθｓｔ（ｋ）〜θｓｔ（ｋ−ｐ＋１）のｐ個の値が入力される。なお、以下の説明では、入力ＶＰ（ｋ）〜ＶＰ（ｋ−ｐ＋１）を入力ｘ３₁〜ｘ３_pとそれぞれ表記し、入力Ｇｙ（ｋ）〜Ｇｙ（ｋ−ｐ＋１）をそれぞれ入力ｘ３_p+1〜ｘ３_2pと表記するとともに、入力θｓｔ（ｋ）〜θｓｔ（ｋ−ｐ＋１）をそれぞれ入力ｘ３_2p+1〜ｘ３_3pと表記する。

以上の入力ｘ３₁ 〜ｘ３_3pはそれぞれ、そのままの状態で３ｐ個の入力層のニューロンからＪｂ個の中間層のニューロンに入力される。中間層のニューロンは、入力ｘ３₁ 〜ｘ３_3pを用い、下式（１２）によってＪｂ個の中間出力ａ３₁〜ａ３_Jbをそれぞれ算出した後、これらを出力層のニューロンに出力する。

ここで、ｈ３_jは所定のしきい値を、ｗ３_jiは重みをそれぞれ表しており、これらの値ｈ３_j，ｗ３_jiは、後述するように、オフラインで予め学習されたものである。また、ｆ_a3は出力関数であり、この出力関数ｆ_a3としては、例えばシグモイド関数が用いられる。

出力層のニューロンは、入力されたＪｂ個の中間出力ａ３₁〜ａ３_Jbを用い、下式（１３）によって、推定ヨーレートγｈａｔを算出する。

ここで、θ３は所定のしきい値であり、後述するように、オフラインで予め学習されたものである。また、ｆ_r4は出力関数であり、この出力関数ｆ_r4としては、前述した出力関数ｆ_a3と同様に、例えばシグモイド関数が用いられる。

前述したしきい値ｈ３_j，θ３および重みｗ３_jiは、以下の手法により学習される。具体的には、３つの入力ＶＰ，Ｇｙ，θｓｔおよび出力γを、車両３が所定の限界旋回走行状態にあるときに実際に測定し、これらの測定値を用いてバックプロパゲーション法により、しきい値ｈ３_j，θ３および重みｗ３_jiがオフラインで学習される。

そして、フラグ設定部４１では、以上のように算出された推定値γｈａｔ（ｋ）とヨーレートの今回値γ（ｋ）との偏差の絶対値｜γｈａｔ（ｋ）−γ（ｋ）｜を、所定の判定値値γ＿ＲＥＦと比較することにより、限界状態フラグＦ＿ＳＬＩＰの値が設定される。

すなわち、｜γｈａｔ（ｋ）−γ（ｋ）｜≧γ＿ＲＥＦのときには、所定の限界旋回走行状態にあると判定して、それを表すために、限界状態フラグＦ＿ＳＬＩＰが「１」に設定される。一方、｜γｈａｔ（ｋ）−γ（ｋ）｜＜γ＿ＲＥＦのときには、通常旋回走行状態にあると判定して、それを表すために、限界状態フラグＦ＿ＳＬＩＰが「０」に設定される。

次に、図１１を参照しながら、第２実施形態に係る車体スリップ角推定装置１Ａについて説明する。この車体スリップ角推定装置１Ａのハードウェアは、図示しないが、前述した第１実施形態の車体スリップ角推定装置１と同様に構成されているので、以下、同じ構成については、同じ符号を付すとともに、その説明は省略する。

同図に示すように、この車体スリップ角推定装置１Ａは、第１車体スリップ角算出部５１、第２車体スリップ角算出部５２、旋回状態判定部５３、選択部５４および直進判定部５５を備えており、これらの要素５１〜５５はいずれも、具体的にはＥＣＵ２で構成されている。

なお、本実施形態では、ＥＣＵ２が、車速検出手段、横加速度検出手段、ヨーレート検出手段、第１推定手段、第２推定手段、判定手段、選択手段、直進判定手段および設定手段に相当する。

まず、第１車体スリップ角算出部５１（第１推定手段）について説明する。この第１車体スリップ角算出部５１は、図示しないが、第１ニューラルネットワークを備えており、この第１ニューラルネットワークにより、第１車体スリップ角β１を車体スリップ角βの推定値として算出するものである。

第１ニューラルネットワークは、前述したニューラルネットワークＮＮと同様に、入力層、中間層および出力層を有する３層の階層型のものであり、入力層は３ｍ個のニューロンを、中間層はＪ個のニューロンを、出力層は１個のニューロンをそれぞれ備えている（いずれも図示せず）。

第１ニューラルネットワークには、車速ＶＰとして、今回の算出値ＶＰ（ｎ）からｍ−１回前の算出値ＶＰ（ｎ−ｍ＋１）までのｍ個の値が入力され、さらに、横加速度Ｇｙおよびヨーレートγもそれぞれ、Ｇｙ（ｎ）〜Ｇｙ（ｎ−ｍ＋１）およびγ（ｎ）〜γ（ｎ−ｍ＋１）のｍ個の値が入力される。なお、以下の説明では、第１ニューラルネットワークにおける入力ＶＰ（ｎ）〜ＶＰ（ｎ−ｍ＋１）を入力ｘ４₁〜ｘ４_mとそれぞれ表記し、入力Ｇｙ（ｎ）〜Ｇｙ（ｎ−ｍ＋１）をそれぞれ入力ｘ４_m+1〜ｘ４_2mと表記するとともに、入力γ（ｎ）〜γ（ｎ−ｍ＋１）をそれぞれ入力ｘ４_2m+1〜ｘ４_3mと表記する。

以上の入力ｘ４₁ 〜ｘ４_3mはそれぞれ、そのままの状態で３ｍ個の入力層のニューロンからＪ個の中間層のニューロンに入力される。中間層のニューロンは、入力ｘ４₁ 〜ｘ４_3mを用い、下式（１４）によってＪ個の中間出力ａ４₁〜ａ４_Jをそれぞれ算出した後、これらを出力層のニューロンに出力する。

ここで、ｈ４_jは所定のしきい値を、ｗ４_jiは重みをそれぞれ表しており、これらの値ｈ４_j，ｗ４_jiは、後述するように、オフラインで予め学習されたものである。また、ｆ_a4は出力関数であり、この出力関数ｆ_a4としては、例えばシグモイド関数が用いられる。

出力層のニューロンは、入力されたＪ個の中間出力ａ４₁〜ａ４_Jを用い、下式（１５）によって、第１車体スリップ角β１を算出する。

ここで、θ４は所定のしきい値であり、後述するように、オフラインで予め学習されたものである。また、ｆ_r4は出力関数であり、この出力関数ｆ_r4としては、前述した出力関数ｆ_a4と同様に、例えばシグモイド関数が用いられる。

以上のしきい値ｈ４_j，θ４および重みｗ４_jiは、以下の手法により学習される。具体的には、３つの入力ＶＰ，Ｇｙ，γと出力βとを、車両３が通常旋回走行状態にあるときに実際に測定し、これらの測定値を用いてバックプロパゲーション法により、しきい値ｈ４_j，θ４および重みｗ４_jiがオフラインで学習される。

以上のように、第１車体スリップ角算出部５１では、第１ニューラルネットワークにより、第１車体スリップ角β１が算出されるとともに、この第１ニューラルネットワークでは、しきい値ｈ４_j，θ４と重みｗ４_jiとして、車両３が通常旋回走行状態にあるときにオフラインで予め学習した値が用いられる。すなわち、この第１ニューラルネットワークでは、車両３が通常旋回走行状態にあるときにシステム同定されたニューラルネットワークモデルを用いて、第１車体スリップ角β１が算出される。そのため、この第１車体スリップ角β１は、車両３が通常旋回走行状態にある限り、実際の車体スリップ角を精度よく表すように算出される。

次に、前述した第２車体スリップ角算出部５２（第２推定手段）について説明する。この第２車体スリップ角算出部５２は、図示しないが、第２ニューラルネットワークを備えており、この第２ニューラルネットワークにより、第２車体スリップ角β２を車体スリップ角βの推定値として算出するものである。

第２ニューラルネットワークは、前述したニューラルネットワークＮＮと同様に、入力層、中間層および出力層を有する３層の階層型のものであり、入力層は３ｍ個のニューロンを、中間層はＪ個のニューロンを、出力層は１個のニューロンをそれぞれ備えている（いずれも図示せず）。

第２ニューラルネットワークには、車速ＶＰとして、今回の算出値ＶＰ（ｎ）からｍ−１回前の算出値ＶＰ（ｎ−ｍ＋１）までのｍ個の値が入力され、さらに、横加速度Ｇｙおよびヨーレートγもそれぞれ、Ｇｙ（ｎ）〜Ｇｙ（ｎ−ｍ＋１）およびγ（ｎ）〜γ（ｎ−ｍ＋１）のｍ個の値が入力される。なお、以下の説明では、第２ニューラルネットワークにおける入力ＶＰ（ｎ）〜ＶＰ（ｎ−ｍ＋１）を入力ｘ５₁〜ｘ５_mとそれぞれ表記し、入力Ｇｙ（ｎ）〜Ｇｙ（ｎ−ｍ＋１）をそれぞれ入力ｘ５_m+1〜ｘ５_2mと表記するとともに、入力γ（ｎ）〜γ（ｎ−ｍ＋１）をそれぞれ入力ｘ５_2m+1〜ｘ５_3mと表記する。

以上の入力ｘ５₁ 〜ｘ５_3mはそれぞれ、そのままの状態で３ｍ個の入力層のニューロンからＪ個の中間層のニューロンに入力される。中間層のニューロンは、入力ｘ５₁ 〜ｘ５_3mを用い、下式（１６）によってＪ個の中間出力ａ５₁〜ａ５_Jをそれぞれ算出した後、これらを出力層のニューロンに出力する。

ここで、ｈ５_jは所定のしきい値を、ｗ５_jiは重みをそれぞれ表しており、これらの値ｈ５_j，ｗ５_jiは、後述するように、オフラインで予め学習されたものである。また、ｆ_a5は出力関数であり、この出力関数ｆ_a5としては、例えばシグモイド関数が用いられる。

出力層のニューロンは、入力されたＪ個の中間出力ａ５₁〜ａ５_Jを用い、下式（１７）によって、第２車体スリップ角β２を算出する。

ここで、θ５は所定のしきい値であり、後述するように、オフラインで予め学習されたものである。また、ｆ_r5は出力関数であり、この出力関数ｆ_r5としては、前述した出力関数ｆ_a5と同様に、例えばシグモイド関数が用いられる。

以上のしきい値ｈ５_j，θ５および重みｗ５_jiは、以下の手法により学習される。具体的には、３つの入力ＶＰ，Ｇｙ，γと出力βとを、車両３が所定の限界旋回走行状態にあるときに実際に測定し、これらの測定値を用いてバックプロパゲーション法により、しきい値ｈ５_j，θ５および重みｗ５_jiがオフラインで学習される。

以上のように、第２車体スリップ角算出部５２では、第２ニューラルネットワークにより、第２車体スリップ角β２が算出されるとともに、この第２ニューラルネットワークでは、しきい値ｈ５_j，θ５と重みｗ５_jiとして、車両３が所定の限界旋回走行状態にあるときにオフラインで予め学習した値が用いられる。すなわち、この第２ニューラルネットワークでは、車両３が所定の限界旋回走行状態にあるときにシステム同定されたニューラルネットワークモデルを用いて、第２車体スリップ角β２が算出される。そのため、この第２車体スリップ角β２は、車両３が所定の限界旋回走行状態にあるときの実際の車体スリップ角を精度よく表すように算出される。

また、旋回状態判定部５３（判定手段）では、第１車体スリップ角β１と第２車体スリップ角β２との偏差の絶対値｜β１−β２｜を所定の判定値β＿ＲＥＦと比較し、その比較結果に基づいて、限界状態フラグＦ＿ＳＬＩＰの値が設定される。

具体的には、｜β１−β２｜≧β＿ＲＥＦのときには、所定の限界旋回走行状態にあると判定して、それを表すために、限界状態フラグＦ＿ＳＬＩＰが「１」に設定される。一方、｜β１−β２｜＜β＿ＲＥＦのときには、通常旋回走行状態にあると判定して、それを表すために、限界状態フラグＦ＿ＳＬＩＰが「０」に設定される。

一方、選択部５４（選択手段）は、限界状態フラグＦ＿ＳＬＩＰの値に基づき、第１車体スリップ角β１および第２車体スリップ角β２の一方が、選択値βｄとして選択される。具体的には、Ｆ＿ＳＬＩＰ＝０で、車両３が通常旋回走行状態にあるときには、第１車体スリップ角β１が選択値βｄとして選択され（βｄ＝β１）、Ｆ＿ＳＬＩＰ＝１で、所定の限界旋回走行状態にあるときには、第２車体スリップ角β２が選択値βｄとして選択される（βｄ＝β２）。

次いで、直進判定部５５（直進判定手段、設定手段）では、アクセル開度ＡＰおよび操舵角θｓｔをそれぞれ、所定の判定値ＡＰ＿ＲＥＦ，θｓｔ＿ＲＥＦと比較することにより、車両３が直進走行状態であるか否かを判定し、その判定結果に基づいて、車体スリップ角βが算出される。

具体的には、ＡＰ≦ＡＰ＿ＲＥＦまたはθｓｔ≧θｓｔ＿ＲＥＦが成立したときには、車両３が旋回走行状態にあると判定して、車体スリップ角βが上記選択値βｄに設定される（β＝βｄ）。

一方、ＡＰ＞ＡＰ＿ＲＥＦかつθｓｔ＜θｓｔ＿ＲＥＦが成立したときには、車両３が直進走行状態にあると判定して、車体スリップ角βが値０に設定される（β＝０）。

以上のように、第２実施形態に係る車体スリップ角推定装置１Ａによれば、車両３が通常旋回走行状態にあるときには、第１車体スリップ角β１が車体スリップ角βとして選択され、車両３が所定の限界旋回走行状態にあるときには、第２車体スリップ角β２が車体スリップ角βとして選択される。この第１車体スリップ角β１は、車両３が通常旋回走行状態にあるときに学習したしきい値ｈ４_j，θ４および重みｗ４_jiを用いたニューラルネットワークにより算出されるので、車両３が通常旋回走行状態にあるとき、すなわち旋回走行中において発生頻度の高い状態のときには、車体スリップ角βを精度よく算出することができる。

一方、第２車体スリップ角β２は、車両３が所定の限界旋回走行状態にあるときに学習したしきい値ｈ５_j，θ５および重みｗ５_jiを用いたニューラルネットワークにより算出されるので、車両３が所定の限界旋回走行状態にあるとき、すなわち、旋回走行中において発生頻度の低い状態のときでも、車体スリップ角βを精度よく算出することができる。以上のように、本実施形態の車体スリップ角推定装置１Ａによれば、車両３が通常旋回走行状態にあるか、または所定の限界旋回走行状態にあるかにかかわらず、言い換えれば車両３の旋回走行中の発生頻度の高低にかかわらず、車体スリップ角βを高精度で推定できる。また、そのような車体スリップ角推定装置１Ａを、２つのニューラルネットワークモデルを用いて実現することができる。

また、旋回状態判定部５３で、第１車体スリップ角β１と第２車体スリップ角β２との偏差の絶対値｜β１−β２｜を所定の判定値β＿ＲＥＦと比較することにより、車両３が所定の限界旋回走行状態にあるか否かが判定されるので、車輪速センサ２０、横加速度センサ２１およびヨーレートセンサ２２の他に格別の検出手段を用いることなく、車両が所定の限界旋回走行状態にあるか否かを判定することができる。その結果、製造コストを削減することができる。

なお、第２実施形態は、所定の第１および第２非線形モデルとして、車速と横加速度とヨーレートと車体スリップ角との関係を表す第１および第２ニューラルネットワークモデルをそれぞれ用いた例であるが、本発明の第１および第２非線形モデルはこれに限らず、車速と横加速度とヨーレートと車体スリップ角との関係を少なくとも表すもので、かつ車両が所定の旋回走行状態にないときおよび旋回走行状態にあるときにそれぞれシステム同定されたものであればよい。例えば、第１および第２非線形モデルとして、車速と横加速度とヨーレートと車体スリップ角とに加えて、操舵角などの他のパラメータとの関係を表すニューラルネットワークモデルをそれぞれ用いてもよい。さらに、第１および第２非線形モデルとして、前後輪のコーナリングフォースと、車速と、横加速度と、ヨーレートと、車体スリップ角と、重心から前後の車軸までの距離との関係を表す非線形２自由度モデルなどをそれぞれ用いてもよい。

また、第２実施形態は、第１車体スリップ角β１と第２車体スリップ角β２との偏差の絶対値｜β１−β２｜を所定の判定値β＿ＲＥＦと比較することにより、車両３が所定の旋回走行状態（すなわち所定の限界旋回走行状態）にあるか否かを判定した例であるが、本発明の判定手法はこれに限らず、第１車体スリップ角と第２車体スリップ角との相対的な偏差および比の一方に基づいて行うものであればよい。

例えば、第２車体スリップ角β２と第１車体スリップ角β１との比β２／β１を所定の判定値Ｒβ＿ＲＥＦと比較し、β２／β１≧Ｒβ＿ＲＥＦが成立したときには、所定の限界旋回走行状態にあると判定して、限界状態フラグＦ＿ＳＬＩＰを「１」に設定し、一方、β２／β１＜Ｒβ＿ＲＥＦのときには、通常旋回走行状態にあると判定して、限界状態フラグＦ＿ＳＬＩＰを「０」に設定してもよい。また、上記とは逆に、比β１／β２を所定の判定値と比較してもよい。

さらに、各実施形態の車体スリップ角推定装置１，１Ａによって前回の制御タイミングで算出された車体スリップ角βを用い、前述した式（９）を変形した下式（１８）によって、車速ＶＰを算出してもよい。その場合、下式（１８）で算出した車速ＶＰを、前述した各ニューラルネットワークへの入力として用いてもよい。

本発明の第１実施形態に係る車体スリップ角推定装置およびこれが適用された車両の概略構成を示す図である。 車体スリップ角の説明図である。 車体スリップ角推定装置の概略構成を示すブロック図である。 基本値算出部の概略構成を示すブロック図である。 旋回状態判定部の概略構成を示すブロック図である。 判定値βｅ＿ＲＥＦの算出に用いるマップの一例を示す図である。 （ａ）疑似積分値Ｓ＿Ｄβ、（ｂ）基本値βｂ、（ｃ）車体スリップ角β、（ｄ）比較値β’および（ｅ）限界状態フラグＦ＿ＳＬＩＰの算出結果をそれぞれ表すタイミングチャートである。 車両の旋回走行中、通常旋回走行状態のみで走行したときの、（ａ）車体スリップ角βと実測値βａｃｔとの偏差の絶対値｜β−βａｃｔ｜、（ｂ）基本値βｂと実測値βａｃｔとの偏差の絶対値｜βｂ−βａｃｔ｜および（ｃ）限界状態フラグＦ＿ＳＬＩＰの値をそれぞれ示すタイミングチャートである。 車両の旋回走行中、所定の限界旋回走行状態が一時的に発生したときの、（ａ）車体スリップ角βと実測値βａｃｔとの偏差の絶対値｜β−βａｃｔ｜、（ｂ）基本値βｂと実測値βａｃｔとの偏差の絶対値｜βｂ−βａｃｔ｜および（ｃ）限界状態フラグＦ＿ＳＬＩＰの値をそれぞれ示すタイミングチャートである。 旋回状態判定部の他の一例の概略構成を示すブロック図である。 第２実施形態に係る車体スリップ角推定装置の概略構成を示すブロック図である。

符号の説明

１ 車体スリップ角推定装置
１Ａ 車体スリップ角推定装置
２ ＥＣＵ（車速検出手段、横加速度検出手段、ヨーレート検出手段、推定値算出手
段、補正手段、判定手段、選択手段、第１推定手段、第２推定手段、直進判定手
段、設定手段）
３ 車両
２０ 車輪速センサ（車速検出手段）
２１ 横加速度センサ（横加速度検出手段）
２２ ヨーレートセンサ（ヨーレート検出手段）
２４ 操舵角センサ（操舵角検出手段）
２５ アクセル開度センサ（アクセル開度検出手段）
３０ 基本値算出部（推定値算出手段）
３１ 旋回状態判定部（判定手段）
３２ 補正値算出部（補正手段、選択手段）
３３ 直進判定部（補正手段、直進判定手段、設定手段）
４０ 旋回状態判定部（判定手段）
５１ 第１車体スリップ角算出部（第１推定手段）
５２ 第２車体スリップ角算出部（第２推定手段）
５３ 旋回状態判定部（判定手段）
５４ 選択部（選択手段）
５５ 直進判定部（直進判定手段、設定手段）
ＶＰ 車速
Ｇｙ 横加速度
γ ヨーレート
β 車体スリップ角
βｂ 車体スリップ角の基本値（車体スリップ角の推定値）
βｃ 補正値
Ｓ＿Ｄβ 疑似積分値（疑似積分法で算出した値）
Ｋｃ 所定のゲイン
β１ 第１車体スリップ角
β２ 第２車体スリップ角
ＡＰ アクセル開度
ＡＰ＿ＲＥＦ 所定の判定値
θｓｔ 操舵角
θｓｔ＿ＲＥＦ 所定の判定値
ＮＮ ニューラルネットワーク
ｗ４_ji 第１ニューラルネットワークモデルの重み
ｗ５_ji 第２ニューラルネットワークモデルの重み

Claims (8)

1. 車両の速度を車速として検出する車速検出手段と、
   前記車両の横方向の加速度を横加速度として検出する横加速度検出手段と、
   前記車両のヨーレートを検出するヨーレート検出手段と、
   前記車速と前記横加速度と前記ヨーレートと車体スリップ角との関係を表す所定の非線形モデルを用いたアルゴリズムにより、車体スリップ角の推定値を算出する推定値算出手段と、
   前記車速と前記横加速度と前記ヨーレートと前記車体スリップ角との関係を表す所定の線形モデルを用いたアルゴリズムにより、補正値を算出するとともに、当該算出した補正値によって前記推定値を補正する補正手段と、
   前記車両が所定の旋回走行状態にあるか否かを判定する判定手段と、
   当該判定手段によって前記車両が前記所定の旋回走行状態にないと判定されたときには、前記推定値を前記車体スリップ角として選択し、前記車両が前記所定の旋回走行状態にあると判定されたときには、前記補正値で補正された前記推定値を前記車体スリップ角として選択する選択手段と、
   を備えることを特徴とする車体スリップ角推定装置。
2. 前記所定の非線形モデルは、所定のニューラルネットワークモデルであり、
   前記所定の線形モデルを用いたアルゴリズムは、疑似積分法を含むアルゴリズムであることを特徴とする請求項１に記載の車体スリップ角推定装置。
3. 前記補正手段は、前記疑似積分法で算出した値に、所定のゲインを乗算することによって、前記補正値を算出することを特徴とする請求項２に記載の車体スリップ角推定装置。
4. 車両の速度を車速として検出する車速検出手段と、
   前記車両の横方向の加速度を横加速度として検出する横加速度検出手段と、
   前記車両のヨーレートを検出するヨーレート検出手段と、
   前記車両が所定の旋回走行状態にないときにシステム同定され、かつ前記車速と前記横加速度と前記ヨーレートと車体スリップ角との関係を表す所定の第１非線形モデルを用いたアルゴリズムにより、第１車体スリップ角を推定する第１推定手段と、
   前記車両が前記所定の旋回走行状態にあるときにシステム同定され、かつ前記車速と前記横加速度と前記ヨーレートと車体スリップ角との関係を表す所定の第２非線形モデルを用いたアルゴリズムにより、第２車体スリップ角を推定する第２推定手段と、
   前記車両が前記所定の旋回走行状態にあるか否かを判定する判定手段と、
   当該判定手段によって前記車両が前記所定の旋回走行状態にないと判定されたときには、前記第１車体スリップ角を車体スリップ角として選択し、前記車両が前記所定の旋回走行状態にあると判定されたときには、前記第２車体スリップ角を前記車体スリップ角として選択する選択手段と、
   を備えることを特徴とする車体スリップ角推定装置。
5. 前記所定の第１非線形モデルは、前記車両が前記所定の旋回走行状態にないときに学習された重みを用いた所定の第１ニューラルネットワークモデルであり、
   前記所定の第２非線形モデルは、前記車両が前記所定の旋回走行状態にあるときに学習された重みを用いた所定の第２ニューラルネットワークモデルであることを特徴とする請求項４に記載の車体スリップ角推定装置。
6. 前記判定手段は、前記第１車体スリップ角と前記第２車体スリップ角との相対的な偏差および比の一方に基づいて、前記車両が前記所定の旋回走行状態にあるか否かを判定することを特徴とする請求項４または５に記載の車体スリップ角推定装置。
7. 前記車両が直進走行状態にあるか否かを判定する直進判定手段と、
   当該直進判定手段によって前記車両が前記直進走行状態にないと判定されたときには、前記車体スリップ角を前記選択手段によって選択された値に設定し、前記車両が前記直進走行状態にあると判定されたときには、前記車体スリップ角を値０に設定する設定手段と、
   をさらに備えることを特徴とする請求項１ないし６のいずれかに記載の車体スリップ角推定装置。
8. 前記車両のアクセルペダルの操作量を表すアクセル開度を検出するアクセル開度検出手段と、
   前記車両のハンドルの操舵角を検出する操舵角検出手段と、をさらに備え、
   前記直進判定手段は、前記アクセル開度および前記操舵角をそれぞれの所定の判定値と比較した結果に基づき、前記車両が直進走行状態にあるか否かを判定することを特徴とする請求項７に記載の車体スリップ角推定装置。

Images