JP7207289B2 - 車両用制御装置、車両用制御システム、車両用学習装置、および車両用学習方法 - Google Patents

Description

本発明は、車両用制御装置、車両用制御システム、車両用学習装置、および車両用学習方法に関する。

たとえば下記特許文献１には、アクセルペダルの操作量をフィルタ処理した値に基づき、車両に搭載される内燃機関の操作部としてのスロットルバルブを操作する制御装置が記載されている。

特開２０１６－６３２７号公報

ところで、上記フィルタは、アクセルペダルの操作量に応じて車両に搭載される内燃機関のスロットルバルブの操作量を適切な操作量に設定するものである必要があることから、その適合には熟練者が多くの工数をかける必要が生じる。このように、従来は、車両の状態に応じた車両内の電子機器の操作量等の適合には、熟練者が多くの工数をかけていた。

以下、上記課題を解決するための手段およびその作用効果について記載する。
１．実行装置および記憶装置を備え、前記記憶装置には、車両の状態と前記車両に搭載される電子機器の操作に関する変数である行動変数との関係を規定する関係規定データが記憶されており、前記実行装置は、都度のセンサの検出値に基づく都度の前記車両の状態を取得する状態取得処理と、前記状態取得処理によって取得された前記車両の状態と前記関係規定データとによって定まる前記行動変数の値に基づき前記電子機器を操作する操作処理と、前記状態取得処理によって取得された前記車両の状態に基づき、前記車両の特性が基準を満たす場合に満たさない場合よりも大きい報酬を与える報酬算出処理と、前記状態取得処理によって取得された前記車両の状態、前記電子機器の操作に用いられた前記行動変数の値、および該操作に対応する前記報酬を予め定められた更新写像への入力とし、前記関係規定データを更新する更新処理と、前記車両の劣化度合いを示す変数である劣化変数を取得する劣化変数取得処理と、前記車両の劣化度合いが所定以上である場合、所定未満の場合と比較して、前記操作処理によって前記行動変数の値のうちの前記報酬についての期待収益を最大化する値以外の値が採用される範囲を拡大する側に変更する変更処理と、を実行し、前記更新写像は、前記関係規定データに従って前記電子機器が操作される場合の前記期待収益を増加させるように更新された前記関係規定データを出力するものである車両用制御装置である。

上記構成では、電子機器の操作に伴う報酬を算出することによって、当該操作によってどのような報酬が得られるかを把握することができる。そして、報酬に基づき、強化学習に従った更新写像によって関係規定データを更新することにより、車両の状態と行動変数との関係を車両の走行において適切な関係に設定することができる。したがって、車両の状態と行動変数との関係を車両の走行において適切な関係に設定する際、熟練者に要求される工数を削減できる。

ところで、強化学習によって定まる期待収益を最大化する行動が収束する場合、むやみに探索を継続するよりは、期待収益を最大化する行動を常時選択した方が、車両の特性を狙いとする特性に制御するうえで好適である。ただし、車両が劣化すると、期待収益を最大化する行動が変化するおそれがある。そこで、上記構成では、劣化度合いが所定以上となる場合、所定未満の場合と比較して、期待収益を最大化する値以外の値が採用される範囲を拡大することにより、劣化した車両にとってより適切な行動変数の値を強化学習によって見出すことが可能となる。

なお、状態取得処理によって取得される車両の状態は、劣化変数の値よりも短時間で変化するものを少なくとも含むことが望ましい。
２．前記変更処理は、前記期待収益を最大化する値以外の値が採用される範囲をゼロからゼロよりも大きい範囲に拡大する処理を含む上記１記載の車両用制御装置である。

上記構成では、劣化度合いが所定未満の場合、期待収益を最大化する値以外の値が採用される範囲をゼロとすることにより、無駄な探索がなされることを抑制できる。
３．前記劣化変数は、前記劣化度合いが所定未満の場合を、時間の経過と正の相関を有する量によって細分化する変数でもあり、前記変更処理は、前記時間の経過に伴って、前記期待収益を最大化する値以外の値が採用される範囲を、第１の範囲から第２の範囲を経て第３の範囲とするものであり、前記第１の範囲は、前記第２の範囲および前記第３の範囲よりも大きい範囲であり、前記第３の範囲は、前記第２の範囲よりも大きい範囲であり、前記範囲を拡大する側に変更する処理は、前記車両の劣化度合いが所定以上の場合、前記期待収益を最大化する値以外の値が採用される範囲を前記第２の範囲から前記第３の範囲へと拡大する側に変更する処理である上記２記載の車両用制御装置である。

上記構成では、車両が劣化したとしても期待収益を最大化する行動変数の値は劣化前の値に対して大きくは変化しないと想定されることに鑑み、第３の範囲を第１の範囲よりも小さい範囲とする。これにより、劣化した車両にとって期待収益を最大化する可能性のある行動変数の値に限って探索を行う可能性を高めることができることから、効率的に探索を行うことができる。

４．上記１～３のいずれか１つに記載の前記実行装置および前記記憶装置を備え、前記実行装置は、前記車両に搭載される第１実行装置と、車載装置とは別の第２実行装置と、を含み、前記第１実行装置は、少なくとも前記状態取得処理および前記操作処理を実行し、前記第２実行装置は、少なくとも前記更新処理を実行する車両用制御システムである。

上記構成では、更新処理を第２実行装置によって実行することにより、更新処理を第１実行装置が実行する場合と比較して、第１実行装置の演算負荷を軽減できる。
なお、第２実行装置が車載装置とは別の装置であることは、第２実行装置が車載装置ではないことを意味する。

５．上記４記載の第１実行装置を備える車両用制御装置である。
６．上記４記載の第２実行装置を備える車両用学習装置である。
７．上記１～３のいずれか１つに記載の前記状態取得処理、前記操作処理、前記報酬算出処理、前記更新処理、前記劣化変数取得処理および前記変更処理をコンピュータに実行させる車両用学習方法。

上記方法によれば、上記１と同様の作用効果を奏することができる。

第１の実施形態にかかる制御装置およびその駆動系を示す図。 同実施形態にかかる制御装置が実行する処理の手順を示す流れ図。 同実施形態にかかる制御装置が実行する処理の手順を示す流れ図。 同実施形態にかかる制御装置が実行する処理の一部の詳細な手順を示す流れ図。 同実施形態にかかる制御装置が実行する処理の手順を示す流れ図。 第２の実施形態にかかる車両用制御システムの構成を示す図。 （ａ）および（ｂ）は、車両用制御システムが実行する処理の手順を示す流れ図。

＜第１の実施形態＞
以下、車両用制御装置の第１の実施形態について、図面を参照しつつ説明する。
図１に、本実施形態にかかる車両ＶＣ１の駆動系および制御装置の構成を示す。

図１に示すように、内燃機関１０の吸気通路１２には、上流側から順にスロットルバルブ１４および燃料噴射弁１６が設けられており、吸気通路１２に吸入された空気や燃料噴射弁１６から噴射された燃料は、吸気バルブ１８の開弁に伴って、シリンダ２０およびピストン２２によって区画される燃焼室２４に流入する。燃焼室２４内において、燃料と空気との混合気は、点火装置２６の火花放電に伴って燃焼に供され、燃焼によって生じたエネルギは、ピストン２２を介してクランク軸２８の回転エネルギに変換される。燃焼に供された混合気は、排気バルブ３０の開弁に伴って、排気として排気通路３２に排出される。排気通路３２には、排気を浄化する後処理装置としての触媒３４が設けられている。

クランク軸２８には、ロックアップクラッチ４２を備えたトルクコンバータ４０を介して、変速装置５０の入力軸５２が機械的に連結可能とされている。変速装置５０は、入力軸５２の回転速度と出力軸５４の回転速度との比である変速比を可変とする装置である。出力軸５４には、駆動輪６０が機械的に連結されている。

制御装置７０は、内燃機関１０を制御対象とし、その制御量であるトルクや排気成分比率等を制御すべく、スロットルバルブ１４、燃料噴射弁１６および点火装置２６等の内燃機関１０の操作部を操作する。また、制御装置７０は、トルクコンバータ４０を制御対象とし、ロックアップクラッチ４２の係合状態を制御すべくロックアップクラッチ４２を操作する。また、制御装置７０は、変速装置５０を制御対象とし、その制御量としての変速比を制御すべく変速装置５０を操作する。なお、図１には、スロットルバルブ１４、燃料噴射弁１６、点火装置２６、ロックアップクラッチ４２、および変速装置５０のそれぞれの操作信号ＭＳ１～ＭＳ５を記載している。

制御装置７０は、制御量の制御のために、エアフローメータ８０によって検出される吸入空気量Ｇａや、スロットルセンサ８２によって検出されるスロットルバルブ１４の開口度（スロットル開口度ＴＡ）、クランク角センサ８４の出力信号Ｓｃｒを参照する。また、制御装置７０は、アクセルセンサ８８によって検出されるアクセルペダル８６の踏み込み量（アクセル操作量ＰＡ）や、加速度センサ９０によって検出される車両ＶＣ１の前後方向の加速度Ｇｘを参照する。また、制御装置７０は、駆動輪６０の回転角を検知する車輪回転センサ９２の出力信号Ｓｖを参照する。

制御装置７０は、ＣＰＵ７２、ＲＯＭ７４、電気的に書き換え可能な不揮発性メモリ（記憶装置７６）、および周辺回路７８を備え、それらがローカルネットワーク７９を介して通信可能とされている。ここで、周辺回路７８は、内部の動作を規定するクロック信号を生成する回路や、電源回路、リセット回路等を含む。

ＲＯＭ７４には、制御プログラム７４ａおよび学習プログラム７４ｂが記憶されている。一方、記憶装置７６には、アクセル操作量ＰＡと、スロットル開口度ＴＡの指令値（スロットル開口度指令値ＴＡ＊）および点火装置２６の遅角量ａｏｐとの関係を規定する関係規定データＤＲが記憶されている。ここで、遅角量ａｏｐは、予め定められた基準点火時期に対する遅角量であり、基準点火時期は、ＭＢＴ点火時期とノック限界点とのうちの遅角側の時期である。ＭＢＴ点火時期は、最大トルクの得られる点火時期（最大トルク点火時期）である。またノック限界点は、ノック限界の高い高オクタン価燃料の使用時に、想定される最良の条件下で、ノッキングを許容できるレベル以内に収めることのできる点火時期の進角限界値である。また、記憶装置７６には、トルク出力写像データＤＴが記憶されている。トルク出力写像データＤＴによって規定されるトルク出力写像は、クランク軸２８の回転速度ＮＥ、充填効率η、および点火時期を入力とし、トルクＴｒｑを出力する写像である。

図２に、本実施形態にかかる制御装置７０が実行する処理の手順を示す。図２に示す処理は、ＲＯＭ７４に記憶された学習プログラム７４ｂをＣＰＵ７２がたとえば所定周期で繰り返し実行することにより実現される。なお、以下では、先頭に「Ｓ」が付与された数字によって各処理のステップ番号を示す。

図２に示す一連の処理において、ＣＰＵ７２は、まず走行距離ＲＬを取得する（Ｓ１０）。ここで、走行距離ＲＬは、車輪回転センサ９２の出力信号Ｓｖに基づきＣＰＵ７２によって算出される。

次にＣＰＵ７２は、走行距離ＲＬが、収束判定値ＲＬｔｈＬ以下であるか否かを判定する（Ｓ１２）。そしてＣＰＵ７２は、収束判定値ＲｔｈＬ以下であると判定する場合、劣化フラグＦｄに「１」を代入する（Ｓ１４）。一方、ＣＰＵ７２は、Ｓ１２の処理において否定判定する場合には、走行距離ＲＬが収束判定値ＲＬｔｈＬよりも大きくて且つ劣化閾値ＲＬｔｈＨ未満であるか否かを判定する（Ｓ１６）。そしてＣＰＵ７２は、収束判定値ＲＬｔｈＬよりも大きくて且つ劣化閾値ＲＬｔｈＨ未満であると判定する場合（Ｓ１６：ＹＥＳ）、劣化フラグＦｄに「２」を代入する（Ｓ１８）。ＣＰＵ７２は、Ｓ１６の処理において否定判定する場合には、劣化フラグＦｄに「３」を代入する（Ｓ２０）。

なお、ＣＰＵ７２は、Ｓ１４，Ｓ１８，Ｓ２０の処理を完了する場合、図２に示した一連の処理を一旦終了する。
図３に、本実施形態にかかる制御装置７０が実行する処理の手順を示す。図３に示す処理は、ＲＯＭ７４に記憶された制御プログラム７４ａおよび学習プログラム７４ｂをＣＰＵ７２がたとえば所定周期で繰り返し実行することにより実現される。

図３に示す一連の処理において、ＣＰＵ７２は、まず、状態ｓとして、アクセル操作量ＰＡの６個のサンプリング値「ＰＡ（１），ＰＡ（２），…ＰＡ（６）」からなる時系列データを取得する（Ｓ３０）。ここで、時系列データを構成する各サンプリング値は、互いに異なるタイミングにおいてサンプリングされたものである。本実施形態では、一定のサンプリング周期でサンプリングされる場合の、互いに時系列的に隣り合う６個のサンプリング値によって時系列データを構成する。

次にＣＰＵ７２は、関係規定データＤＲが定める方策πに従い、Ｓ３０の処理によって取得した状態ｓに応じたスロットル開口度指令値ＴＡ＊および遅角量ａｏｐからなる行動ａを設定する（Ｓ３２）。

本実施形態において、関係規定データＤＲは、行動価値関数Ｑおよび方策πを定めるデータである。本実施形態において、行動価値関数Ｑは、状態ｓおよび行動ａの８次元の独立変数に応じた期待収益の値を示すテーブル型式の関数である。また、方策πは、状態ｓが与えられたときに、独立変数が与えられた状態ｓとなる行動価値関数Ｑのうち最大となる行動ａ（グリーディ行動）を優先的に選択しつつも、所定の確率で、それ以外の行動ａを選択する規則を定める。

詳しくは、本実施形態にかかる行動価値関数Ｑの独立変数がとりうる値の数は、状態ｓおよび行動ａのとりうる値の全組み合わせのうちの一部が、人の知見等によって削減されたものである。すなわち、たとえばアクセル操作量ＰＡの時系列データのうち隣接する２つのサンプリング値の１つがアクセル操作量ＰＡの最小値となりもう１つが最大値となるようなことは、人によるアクセルペダル８６の操作からは生じえないとして、行動価値関数Ｑが定義されていない。本実施形態では、人の知見等に基づく次元削減によって、行動価値関数Ｑを定義する状態ｓの取りうる値を、１０の４乗個以下、より望ましくは１０の３乗個以下に制限する。

次にＣＰＵ７２は、設定されたスロットル開口度指令値ＴＡ＊および遅角量ａｏｐに基づき、スロットルバルブ１４に操作信号ＭＳ１を出力してスロットル開口度ＴＡを操作するとともに、点火装置２６に操作信号ＭＳ３を出力して点火時期を操作する（Ｓ３４）。ここで、本実施形態では、スロットル開口度ＴＡをスロットル開口度指令値ＴＡ＊にフィードバック制御することを例示することから、スロットル開口度指令値ＴＡ＊が同一の値であっても、操作信号ＭＳ１が互いに異なる信号となりうるものである。また、たとえば周知のノッキングコントロール（ＫＣＳ）等がなされる場合、点火時期は、基準点火時期を遅角量ａｏｐにて遅角させた値がＫＣＳにてフィードバック補正された値とされる。ここで、基準点火時期は、ＣＰＵ７２により、クランク軸２８の回転速度ＮＥおよび充填効率ηに応じて可変設定される。なお、回転速度ＮＥは、クランク角センサ８４の出力信号Ｓｃｒに基づきＣＰＵ７２によって算出される。また、充填効率ηは、回転速度ＮＥおよび吸入空気量Ｇａに基づきＣＰＵ７２によって算出される。

次にＣＰＵ７２は、内燃機関１０のトルクＴｒｑ、内燃機関１０に対するトルク指令値Ｔｒｑ＊、および加速度Ｇｘを取得する（Ｓ３６）。ここで、ＣＰＵ１１２は、トルクＴｒｑを、回転速度ＮＥ、充填効率ηおよび点火時期をトルク出力写像に入力することによって算出する。また、ＣＰＵ７２は、トルク指令値Ｔｒｑ＊を、アクセル操作量ＰＡに応じて設定する。

次にＣＰＵ７２は、過渡フラグＦが「１」であるか否かを判定する（Ｓ３８）。過渡フラグＦは、「１」である場合に過渡運転時であることを示し、「０」である場合に過渡運転時ではないことを示す。ＣＰＵ７２は、過渡フラグＦが「０」であると判定する場合（Ｓ３８：ＮＯ）、アクセル操作量ＰＡの単位時間当たりの変化量ΔＰＡの絶対値が所定量ΔＰＡｔｈ以上であるか否かを判定する（Ｓ４０）。ここで、変化量ΔＰＡは、たとえば、Ｓ４０の処理の実行タイミングにおける最新のアクセル操作量ＰＡと、同タイミングに対して単位時間だけ前におけるアクセル操作量ＰＡとの差とすればよい。

ＣＰＵ７２は、所定量ΔＰＡｔｈ以上であると判定する場合（Ｓ４０：ＹＥＳ）、過渡フラグＦに「１」を代入する（Ｓ４２）。
これに対し、ＣＰＵ７２は、過渡フラグＦが「１」であると判定する場合（Ｓ３８：ＹＥＳ）、Ｓ４２の処理の実行タイミングから所定期間が経過したか否かを判定する（Ｓ４４）。ここで、所定期間は、アクセル操作量ＰＡの単位時間当たりの変化量ΔＰＡの絶対値が所定量ΔＰＡｔｈよりも小さい規定量以下となる状態が所定時間継続するまでの期間とする。ＣＰＵ７２は、所定期間が経過したと判定する場合（Ｓ４４：ＹＥＳ）、過渡フラグＦに「０」を代入する（Ｓ４６）。

ＣＰＵ７２は、Ｓ４２，Ｓ４６の処理が完了する場合、１つのエピソードが終了したとして、劣化フラグＦｄが「１」または「３」であるか否かを判定する（Ｓ４８）。そして、ＣＰＵ７２は、劣化フラグＦｄが「１」または「３」であると判定する場合（Ｓ４８：ＹＥＳ）、強化学習によって行動価値関数Ｑを更新する（Ｓ５０）。

図４に、Ｓ５０の処理の詳細を示す。
図４に示す一連の処理において、ＣＰＵ７２は、直近に終了されたエピソード中のトルク指令値Ｔｒｑ＊、トルクＴｒｑおよび加速度Ｇｘの３つのサンプリング値の組からなる時系列データと、状態ｓおよび行動ａの時系列データと、を取得する（Ｓ６０）。ここで、直近のエピソードは、Ｓ４２の処理に続いてＳ６０の処理がなされる場合には、過渡フラグＦが継続して「０」となっていた期間であり、Ｓ４６の処理に続いてＳ６０の処理がなされる場合には、過渡フラグＦが継続して「１」となっていた期間である。

図４には、カッコの中の数字が異なるものが、異なるサンプリングタイミングにおける変数の値であることを示す。たとえば、トルク指令値Ｔｒｑ＊（１）とトルク指令値Ｔｒｑ＊（２）とは、サンプリングタイミングが互いに異なるものである。また、直近のエピソードに属する行動ａの時系列データを、行動集合Ａｊとし、同エピソードに属する状態ｓの時系列データを、状態集合Ｓｊと定義する。

次にＣＰＵ７２は、直近のエピソードに属する任意のトルクＴｒｑとトルク指令値Ｔｒｑ＊との差の絶対値が規定量ΔＴｒｑ以下である旨の条件（ア）と、加速度Ｇｘが下限値ＧｘＬ以上であって上限値ＧｘＨ以下である旨の条件（イ）との論理積が真であるか否かを判定する（Ｓ６２）。

ここで、ＣＰＵ７２は、規定量ΔＴｒｑを、エピソードの開始時におけるアクセル操作量ＰＡの単位時間当たりの変化量ΔＰＡによって可変設定する。すなわち、ＣＰＵ７２は、変化量ΔＰＡの絶対値が大きい場合には過渡時に関するエピソードであるとして、定常時である場合と比較して、規定量ΔＴｒｑを大きい値に設定する。

また、ＣＰＵ７２は、下限値ＧｘＬを、エピソードの開始時におけるアクセル操作量ＰＡの変化量ΔＰＡによって可変設定する。すなわち、ＣＰＵ７２は、過渡時に関するエピソードであって且つ変化量ΔＰＡが正である場合には、定常時に関するエピソードの場合と比較して、下限値ＧｘＬを大きい値に設定する。また、ＣＰＵ７２は、過渡時に関するエピソードであって且つ変化量ΔＰＡが負である場合には、定常時に関するエピソードの場合と比較して、下限値ＧｘＬを小さい値に設定する。

また、ＣＰＵ７２は、上限値ＧｘＨを、エピソードの開始時におけるアクセル操作量ＰＡの単位時間当たりの変化量ΔＰＡによって可変設定する。すなわち、ＣＰＵ７２は、過渡時に関するエピソードであって且つ変化量ΔＰＡが正である場合には、定常時に関するエピソードの場合と比較して、上限値ＧｘＨを大きい値に設定する。また、ＣＰＵ７２は、過渡時に関するエピソードであって且つ変化量ΔＰＡが負である場合には、定常時に関するエピソードの場合と比較して、上限値ＧｘＨを小さい値に設定する。

ＣＰＵ７２は、論理積が真であると判定する場合（Ｓ６２：ＹＥＳ）、報酬ｒに「１０」を代入する一方（Ｓ６４）、偽であると判定する場合（Ｓ６２：ＮＯ）、報酬ｒに「－１０」を代入する（Ｓ６６）。Ｓ６２～Ｓ６６の処理は、ドライバビリティに関する基準を満たす場合に満たさない場合よりも大きい報酬を与える処理である。ＣＰＵ７２は、Ｓ６４，Ｓ６６の処理が完了する場合、図１に示した記憶装置７６に記憶されている関係規定データＤＲを更新する。本実施形態では、εソフト方策オン型モンテカルロ法を用いる。

すなわち、ＣＰＵ７２は、上記Ｓ６０の処理によって読み出した各状態と対応する行動との組によって定まる収益Ｒ（Ｓｊ，Ａｊ）に、それぞれ、報酬ｒを加算する（Ｓ６８）。ここで、「Ｒ（Ｓｊ，Ａｊ）」は、状態集合Ｓｊの要素の１つを状態とし行動集合Ａｊの要素の１つを行動とする収益Ｒを総括した記載である。次に、上記Ｓ６０の処理によって読み出した各状態と対応する行動との組によって定まる収益Ｒ（Ｓｊ，Ａｊ）のそれぞれについて、平均化して対応する行動価値関数Ｑ（Ｓｊ，Ａｊ）に代入する（Ｓ７０）。ここで、平均化は、Ｓ６８の処理がなされた回数に所定数を加えた数によって、Ｓ６８の処理によって算出された収益Ｒを除算する処理とすればよい。なお、収益Ｒの初期値は、対応する行動価値関数Ｑの初期値とすればよい。

次にＣＰＵ７２は、上記Ｓ６０の処理によって読み出した状態について、それぞれ、対応する行動価値関数Ｑ（Ｓｊ，Ａ）のうち、最大値となるときのスロットル開口度指令値ＴＡ＊および遅角量ａｏｐの組である行動を、行動Ａｊ＊に代入する（Ｓ７２）。ここで、「Ａ」は、とりうる任意の行動を示す。なお、行動Ａｊ＊は、上記Ｓ６０の処理によって読み出した状態の種類に応じて各別の値となるものであるが、ここでは、表記を簡素化して、同一の記号にて記載している。

次に、ＣＰＵ７２は、上記Ｓ６０の処理によって読み出した状態のそれぞれについて、対応する方策π（Ａｊ｜Ｓｊ）を更新する（Ｓ７４）。すなわち、行動の総数を、「｜Ａ｜」とすると、Ｓ７２によって選択された行動Ａｊ＊の選択確率を、「（１－ε）＋ε／｜Ａ｜」とする。また、行動Ａｊ＊以外の「｜Ａ｜－１」個の行動の選択確率を、それぞれ「ε／｜Ａ｜」とする。Ｓ７４の処理は、Ｓ７０の処理によって更新された行動価値関数Ｑに基づく処理であることから、これにより、状態ｓと行動ａとの関係を規定する関係規定データＤＲが、収益Ｒを増加させるように更新されることとなる。

なお、ＣＰＵ７２は、Ｓ７４の処理が完了する場合、図４に示す一連の処理を一旦終了する。
図３に戻り、ＣＰＵ７２は、Ｓ５０の処理が完了する場合や、Ｓ４０，Ｓ４４，Ｓ４８の処理において否定判定する場合には、図３に示す一連の処理を一旦終了する。なお、Ｓ３０～Ｓ４６の処理は、ＣＰＵ７２が制御プログラム７４ａを実行することにより実現され、Ｓ４８，Ｓ５０の処理は、ＣＰＵ７２が学習プログラム７４ｂを実行することにより実現される。また、車両ＶＣ１の出荷時における関係規定データＤＲは、テストベンチで車両の走行を模擬するなどしつつ図３に示した処理と同様の処理を実行することによって予め学習がなされたデータとする。

図５に、制御装置７０が実行する処理の手順を示す。図５に示す処理は、ＲＯＭ７４に記憶された学習プログラム７４ｂをＣＰＵ７２がたとえば所定周期で繰り返し実行することにより実現される。

図５に示す一連の処理において、ＣＰＵ７２は、まず、劣化フラグＦｄが「１」から「２」に切り替わった時点であるか否かを判定する（Ｓ８０）。そしてＣＰＵ７２は、劣化フラグＦｄが「１」から「２」に切り替わった時点であると判定する場合（Ｓ８０：ＹＥＳ）、グリーディ行動以外の行動が選択される確率をゼロとすべく、「ε」にゼロを代入する（Ｓ８２）。

一方、ＣＰＵ７２は、Ｓ８０の処理において否定判定する場合、劣化フラグＦｄが「２」から「３」に切り替わった時点であるか否かを判定する（Ｓ８３）。そしてＣＰＵ７２は、劣化フラグＦｄが「２」から「３」に切り替わった時点であると判定する場合（Ｓ８３：ＹＥＳ）、行動価値関数Ｑの独立変数として定義されている状態ｓの１つを選択する（Ｓ８４）。次にＣＰＵ７２は、Ｓ８４の処理によって選択した状態ｓを独立変数の値とする行動価値関数Ｑのうちその値が最大となるときの行動ａを、グリーディ行動ａｇに代入する（Ｓ８６）。そしてＣＰＵ７２は、Ｓ８４の処理において選択された状態ｓにおいてとりうる行動ａの集合Ａｓを、グリーディ行動ａｇとの差が所定値δ以下の行動ａに制限する（Ｓ８８）。ここで、グリーディ行動ａｇとの差の絶対値が所定値δ以下の行動とは、グリーディ行動ａｇに対応するスロットル開口度指令値ＴＡ＊、遅角量ａｏｐのそれぞれとの差の絶対値が、スロットル開口度指令値ＴＡ＊、遅角量ａｏｐのそれぞれの取りうる値の範囲の大きさに所定値δを乗算した値以下であることとする。すなわち、スロットル開口度指令値ＴＡ＊の取りうる値の範囲の大きさをＴＡｍａｘとし、「０＜δ＜１」とすると、スロットル開口度指令値ＴＡ＊とグリーディ行動が示す値との差の絶対値が「δ・ＴＡｍａｘ」以下となるように制限する。また、ＣＰＵ７２は、遅角量ａｏｐの取りうる値の範囲の大きさをａｏｐｍａｘとすると、遅角量ａｏｐとグリーディ行動が示す値との差の絶対値が「δ・ａｏｐｍａｘ」以下となるように制限する。

ＣＰＵ７２は、Ｓ８８の処理が完了する場合、Ｓ８４の処理によって、行動価値関数Ｑの独立変数として定義されている状態ｓの全てが選択されたか否かを判定する（Ｓ９０）。ＣＰＵ７２は、未だ選択されていない状態ｓがあると判定する場合（Ｓ９０：ＮＯ）、Ｓ８４の処理に戻る。

これに対しＣＰＵ７２は、全て選択したと判定する場合（Ｓ９０：ＹＥＳ）や、Ｓ８２の処理が完了する場合、Ｓ８３の処理において否定判定する場合には、図５に示す一連の処理を一旦終了する。

ここで、本実施形態の作用および効果について説明する。
ＣＰＵ７２は、ユーザによるアクセルペダル８６の操作に伴って、アクセル操作量ＰＡの時系列データを取得し、方策πに従って、スロットル開口度指令値ＴＡ＊および遅角量ａｏｐからなる行動ａを設定する。ここでＣＰＵ７２は、基本的には、関係規定データＤＲに規定されている行動価値関数Ｑに基づき期待収益を最大とする行動ａを選択する。ただし、ＣＰＵ７２は、所定の確率「ε－ε｜Ａ｜」で、期待収益を最大化する行動ａ以外の行動を選択することによって、期待収益を最大化する行動ａの探索を行う。これにより、ユーザによる車両ＶＣ１の運転に伴って、関係規定データＤＲを強化学習によって更新できる。したがって、アクセル操作量ＰＡに応じたスロットル開口度指令値ＴＡ＊および遅角量ａｏｐを、熟練者による工数を過度に大きくすることなく車両ＶＣ１の走行において適切な値に設定することができる。

このようにして、車両ＶＣ１の出荷後、走行距離ＲＬが収束判定値ＲＬｔｈＬを超えるまで、車両ＶＣ１の走行に伴って関係規定データＤＲが更新されていく。そして、収束判定値ＲＬｔｈＬ以上となる場合、関係規定データＤＲが車両ＶＣ１の走行において最適な値に収束したとして、「ε」をゼロとすることによって、方策πを、グリーディ行動のみをとるものに変更する。

ここで、たとえばスロットル開口度ＴＡが同一であったとしても、車両ＶＣ１の劣化に伴ってスロットルバルブ１４や吸気通路１２に堆積物が堆積する場合には、吸気通路１２の流路断面積が小さくなることから、吸入空気量Ｇａが小さくなる。そのため、走行距離ＲＬが収束判定値ＲＬｔｈＬを大きく上回り、車両ＶＣ１の劣化が進行する場合には、アクセル操作量ＰＡの時系列データに応じて期待収益を最大化するスロットル開口度指令値ＴＡ＊が、走行距離ＲＬが収束判定値ＲＬｔｈＬとなった時点における関係規定データＤＲによって規定される値からずれるおそれがある。

そこで、本実施形態にかかるＣＰＵ７２は、車両ＶＣ１の走行距離ＲＬが劣化閾値ＲＬｔｈＨ以上となる場合、グリーディ行動以外の行動が採用される確率「ε－ε｜Ａ｜」をゼロよりも大きくする。ただし、ＣＰＵ７２はグリーディ行動以外の行動として選択可能なものを、走行距離ＲＬが収束判定値ＲＬｔｈＬ以下の場合よりも少なくする制限を設ける。具体的には、グリーディ行動が示すスロットル開口度指令値ＴＡ＊の値との差の絶対値が「δ・ＴＡｍａｘ」以下となって且つ、グリーディ行動が示す遅角量ａｏｐとの差の絶対値が「δ・ａｏｐｍａｘ」以下となるように制限する。これは、劣化によってグリーディ行動が劣化前に対して変化したとしても、劣化前のグリーディ行動からの変化量がさほど大きくならないと考えられることに鑑みたものである。このように、探索範囲を制限することにより、グリーディ行動となりえない行動を用いた不要な探索がなされることを抑制できる。

以上説明した本実施形態によれば、さらに以下に記載する効果が得られる。
（１）走行距離ＲＬが収束判定値ＲＬｔｈＬを超えて且つ劣化閾値ＲＬｔｈＨ未満の場合、探索を禁止することにより、不要な探索が継続され、ひいては最適な行動以外の行動がとられることを回避できる。

（２）走行距離ＲＬを車両ＶＣ１の劣化度合いを示す変数である劣化変数とし、これに応じて探索の範囲を変更した。これにより、車両ＶＣ１の劣化の有無を簡易に定量化できる。

＜第２の実施形態＞
以下、第２の実施形態について、第１の実施形態との相違点を中心に図面を参照しつつ説明する。

本実施形態では、関係規定データＤＲの更新を、車両ＶＣ１の外で実行する。
図６に、本実施形態において、強化学習を実行する制御システムの構成を示す。なお、図６において、図１に示した部材に対応する部材については、便宜上、同一の符号を付している。

図６に示す車両ＶＣ１内の制御装置７０におけるＲＯＭ７４は、制御プログラム７４ａを記憶しているものの、学習プログラム７４ｂを記憶していない。また、制御装置７０は、通信機７７を備えている。通信機７７は車両ＶＣ１の外部のネットワーク１００を介してデータ解析センター１１０と通信するための機器である。

データ解析センター１１０は、複数の車両ＶＣ１，ＶＣ２，…から送信されるデータを解析する。データ解析センター１１０は、ＣＰＵ１１２、ＲＯＭ１１４、電気的に書き換え可能な不揮発性メモリ（記憶装置１１６）、周辺回路１１８および通信機１１７を備えており、それらがローカルネットワーク１１９によって通信可能とされるものである。ＲＯＭ１１４には、学習プログラム１１４ａが記憶されており、記憶装置１１６には、関係規定データＤＲが記憶されている。

図７に、本実施形態にかかる強化学習の処理手順を示す。図７（ａ）に示す処理は、図６に示すＲＯＭ７４に記憶されている制御プログラム７４ａをＣＰＵ７２が実行することにより実現される。また、図７（ｂ）に示す処理は、ＲＯＭ１１４に記憶されている学習プログラム１１４ａをＣＰＵ１１２が実行することにより実現される。なお、図７において図２に示した処理に対応する処理については、便宜上同一のステップ番号を付している。以下では、強化学習の時系列に沿って、図７に示す処理を説明する。

図７（ａ）に示す一連の処理において、ＣＰＵ７２は、Ｓ３０～Ｓ４８の処理を実行し、Ｓ４８の処理において肯定判定する場合、通信機７７を操作することによって、関係規定データＤＲの更新処理に必要なデータを送信する（Ｓ１００）。ここで、送信対象とされるデータは、所定期間内におけるＳ３０の処理において設定された状態ｓ、所定期間内におけるＳ３２の処理において設定された行動ａ、ならびに所定期間内におけるＳ３６の処理において取得されたトルク指令値Ｔｒｑ＊、トルクＴｒｑ、および加速度Ｇｘを含む。

これに対し、図７（ｂ）に示すように、ＣＰＵ１１２は、送信されたデータを受信し（Ｓ１１０）、受信したデータに基づき関係規定データＤＲを更新する（Ｓ５０）。そしてＣＰＵ１１２は、関係規定データＤＲの更新回数が所定回数以上であるか否かを判定し（Ｓ１１２）、所定回数以上であると判定する場合（Ｓ１１２：ＹＥＳ）、通信機１１７を操作して、Ｓ１１０の処理によって受信したデータを送信した車両ＶＣ１に関係規定データＤＲを送信する（Ｓ１１４）。なお、ＣＰＵ１１２は、Ｓ１１４の処理を完了する場合や、Ｓ１１２の処理において否定判定する場合には、図７（ｂ）に示す一連の処理を一旦終了する。

これに対し、図７（ａ）に示すように、ＣＰＵ７２は、更新データがあるか否かを判定し（Ｓ１０２）、あると判定する場合（Ｓ１０２：ＹＥＳ）、更新された関係規定データＤＲを受信する（Ｓ１０４）。そしてＣＰＵは、Ｓ３２の処理において利用する関係規定データＤＲを、受信した関係規定データＤＲに書き換える（Ｓ１０６）。なお、ＣＰＵ７２は、Ｓ１０６の処理を完了する場合や、Ｓ４０，Ｓ４４，Ｓ４８，Ｓ１０２の処理において否定判定する場合には、図７（ａ）に示す一連の処理を一旦終了する。

このように、本実施形態によれば、関係規定データＤＲの更新処理を車両ＶＣ１の外部で行うことから、制御装置７０の演算負荷を軽減できる。さらに、たとえばＳ１１０の処理において、複数の車両ＶＣ１，ＶＣ２からのデータを受信してＳ５０の処理を行うなら、学習に用いるデータ数を容易に大きくすることができる。

＜対応関係＞
上記実施形態における事項と、上記「課題を解決するための手段」の欄に記載した事項との対応関係は、次の通りである。以下では、「課題を解決するための手段」の欄に記載した解決手段の番号毎に、対応関係を示している。［１］実行装置は、ＣＰＵ７２およびＲＯＭ７４に対応し、記憶装置は、記憶装置７６に対応する。状態取得処理は、Ｓ３０，Ｓ３６の処理に対応し、操作処理は、Ｓ３４の処理に対応し、報酬算出処理は、Ｓ６２～Ｓ６６の処理に対応し、更新処理は、Ｓ６８～Ｓ７４の処理に対応する。劣化変数取得処理は、Ｓ１０の処理に対応し、変更処理は、図５の処理に対応する。更新写像は、学習プログラム７４ｂのうちＳ６８～Ｓ７４の処理を実行する指令によって規定された写像に対応する。劣化度合いが所定以上となる場合は、走行距離ＲＬが劣化閾値ＲＬｔｈＨ以上となる場合に対応する。［２］Ｓ８８の処理に対応する。［３］第１の範囲は、Ｓ８６の処理において検討される行動の全てに対応する。第２の範囲は、ゼロに対応する。第３の範囲は、Ｓ８８の処理によって設定される範囲に対応する。［４～６］第１実行装置は、ＣＰＵ７２およびＲＯＭ７４に対応し、第２実行装置は、ＣＰＵ１１２およびＲＯＭ１１４に対応する。［７］コンピュータは、図１のＣＰＵ７２や、図６のＣＰＵ７２，１１２に対応する。

＜その他の実施形態＞
なお、本実施形態は、以下のように変更して実施することができる。本実施形態および以下の変更例は、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。

「劣化変数について」
・劣化変数としては、走行距離ＲＬに限らない。たとえば、空燃比センサを備える場合、その検出値の変動量であってもよい。またたとえば、空燃比を開ループ制御およびフィードバック制御をする場合、燃料噴射弁１６による燃料噴射量のフィードバック補正量の大きさであってもよい。

・劣化変数を、劣化度合いが所定未満の場合を、時間の経過と正の相関を有する量によって細分化する変数とする場合、たとえば劣化度合いが所定以上か否かを判定するための走行距離ＲＬと、行動価値関数Ｑの値が収束したか否かの変数との組によって劣化変数を構成してもよい。

「変更処理について」
・上記実施形態では、走行距離ＲＬが収束判定値ＲＬｔｈＬよりも大きくて且つ劣化閾値ＲＬｔｈＨ未満の場合、グリーディ行動のみを用いることとし、探索を禁止したが、これに限らない。たとえば、Ｓ８８の処理によって規定される範囲よりも狭い範囲での探索を許容してもよい。

・たとえば「コンピュータについて」の欄に記載したように、製品出荷時には、探索を禁止し、劣化度合いが所定以上となることで探索を開始する処理によって変更処理を構成してもよい。

「行動変数について」
・上記実施形態では、行動変数としてのスロットルバルブの開口度に関する変数として、スロットル開口度指令値ＴＡ＊を例示したが、これに限らない。たとえば、アクセル操作量ＰＡに対するスロットル開口度指令値ＴＡ＊の応答性を、無駄時間および２次遅れフィルタにて表現し、無駄時間と、２次遅れフィルタを規定する２つの変数との合計３つの変数を、スロットルバルブの開口度に関する変数としてもよい。ただし、その場合、状態変数は、アクセル操作量ＰＡの時系列データに代えて、アクセル操作量ＰＡの単位時間当たりの変化量とすることが望ましい。

・上記実施形態では、行動変数としての点火時期に関する変数として、遅角量ａｏｐを例示したが、これに限らない。たとえば、ＫＣＳによる補正対象とされる点火時期自体であってもよい。

・上記実施形態では、行動変数として、スロットルバルブの開口度に関する変数および点火時期に関する変数を例示したが、これに限らない。たとえば、スロットルバルブの開口度に関する変数および点火時期に関する変数に加えて、燃料噴射量を用いてもよい。また、それら３つに関しては、行動変数としてスロットルバルブの開口度に関する変数および燃料噴射量のみを採用したり、点火時期に関する変数および燃料噴射量のみを採用したりしてもよい。さらに、それら３つに関しては、行動変数としてそれらのうちの１つのみを採用してもよい。

・「内燃機関について」の欄に記載したように、圧縮着火式の内燃機関の場合、スロットルバルブの開口度に関する変数に代えて噴射量に関する変数を用い、点火時期に関する変数に代えて噴射時期に関する変数を用いればよい。なお、噴射時期に関する変数に加えて、１燃焼サイクルにおける噴射回数に関する変数や、１燃焼サイクルにおける１つの気筒のための時系列的に隣接した２つの燃料噴射のうちの一方の終了タイミングと他方の開始タイミングとの間の時間間隔に関する変数を加えることが望ましい。

・たとえば変速装置５０が有段変速装置の場合、クラッチの係合状態を油圧によって調整するためのソレノイドバルブの電流値等を行動変数としてもよい。
・たとえば、下記「車両について」の欄に記載したように車両としてハイブリッド車や、電気自動車、燃料電池車を採用する場合、回転電機のトルクや出力を行動変数としてもよい。またたとえば、内燃機関のクランク軸の回転動力によって回転するコンプレッサを備えた車載空調装置を備える場合、コンプレッサの負荷トルクを行動変数に含めてもよい。また、電動式の車載空調装置を備える場合、空調装置の消費電力を行動変数に含めてもよい。

「状態について」
・上記実施形態では、アクセル操作量ＰＡの時系列データを、等間隔でサンプリングされた６個の値からなるデータとしたが、これに限らない。互いに異なるサンプリングタイミングにおける２個以上のサンプリング値からなるデータであればよく、この際、３個以上のサンプリング値からなるデータや、サンプリング間隔が等間隔であるデータであることがより望ましい。

・アクセル操作量に関する状態変数としては、アクセル操作量ＰＡの時系列データに限らず、たとえば「行動変数について」の欄に記載したように、アクセル操作量ＰＡの単位時間当たりの変化量等であってもよい。

・たとえば「行動変数について」の欄に記載したように、ソレノイドバルブの電流値を行動変数とする場合、状態に、変速装置の入力軸５２の回転速度や出力軸５４の回転速度、ソレノイドバルブによって調整される油圧を含めればよい。またたとえば「行動変数について」の欄に記載したように、回転電機のトルクや出力を行動変数とする場合、状態に、バッテリの充電率や温度を含めればよい。またたとえば「行動変数について」の欄に記載したように、コンプレッサの負荷トルクや空調装置の消費電力を行動に含める場合、状態に、車室内の温度を含めればよい。

「テーブル形式のデータの次元削減について」
・テーブル形式のデータの次元削減手法としては、上記実施形態において例示したものに限らない。たとえばアクセル操作量ＰＡが最大値となることはまれであることから、アクセル操作量ＰＡが規定量以上となる状態については行動価値関数Ｑを定義せず、アクセル操作量ＰＡが規定量以上となる場合のスロットル開口度指令値ＴＡ＊等は、別途適合してもよい。またたとえば、行動のとりうる値からスロットル開口度指令値ＴＡ＊が規定値以上となるものを除くなどして、次元削減をしてもよい。

「関係規定データについて」
・上記実施形態では、行動価値関数Ｑを、テーブル形式の関数としたが、これに限らない。たとえば、関数近似器を用いてもよい。

・たとえば、行動価値関数Ｑを用いる代わりに、方策πを、状態ｓおよび行動ａを独立変数とし、行動ａをとる確率を従属変数とする関数近似器にて表現し、関数近似器を定めるパラメータを、報酬ｒに応じて更新してもよい。

「操作処理について」
・たとえば「関係規定データについて」の欄に記載したように、行動価値関数を関数近似器とする場合、上記実施形態におけるテーブル型式の関数の独立変数となる行動についての離散的な値の組の全てについて、状態ｓとともに行動価値関数Ｑに入力することによって、行動価値関数Ｑを最大化する行動ａを選択すればよい。

・たとえば「関係規定データについて」の欄に記載したように、方策πを、状態ｓおよび行動ａを独立変数とし、行動ａをとる確率を従属変数とする関数近似器とする場合、方策πによって示される確率に基づき行動ａを選択すればよい。

「更新写像について」
・Ｓ６８～Ｓ７４の処理においては、εソフト方策オン型モンテカルロ法によるものを例示したが、これに限らない。たとえば、方策オフ型モンテカルロ法によるものであってもよい。もっとも、モンテカルロ法にも限らず、たとえば、方策オフ型ＴＤ法を用いたり、またたとえばＳＡＲＳＡ法のように方策オン型ＴＤ法を用いたり、またたとえば、方策オン型の学習として適格度トレース法を用いたりしてもよい。

・たとえば「関係規定データについて」の欄に記載したように、方策πを関数近似器を用いて表現し、これを報酬ｒに基づき直接更新する場合には、方策勾配法等を用いて更新写像を構成すればよい。

・行動価値関数Ｑと方策πとのうちのいずれか一方のみを、報酬ｒによる直接の更新対象とするものに限らない。たとえば、アクター・クリティック法のように、行動価値関数Ｑおよび方策πをそれぞれ更新してもよい。また、アクター・クリティック法においては、これに限らず、たとえば行動価値関数Ｑに代えて価値関数Ｖを更新対象としてもよい。

「報酬算出処理について」
・上記実施形態では、条件（ア）および条件（イ）の論理積が真であるか否かに応じて報酬を与えたが、これに限らない。たとえば、条件（ア）を満たすか否かに応じて報酬を与える処理と、条件（イ）を満たすか否かに応じて報酬を与える処理と、を実行してもよい。

・たとえば条件（ア）を満たす場合に一律同じ報酬を与える代わりに、トルクＴｒｑとトルク指令値Ｔｒｑ＊との差の絶対値が小さい場合に大きい場合よりもより大きい報酬を与える処理としてもよい。またたとえば、条件（ア）を満たさない場合に一律同じ報酬を与える代わりに、トルクＴｒｑとトルク指令値Ｔｒｑ＊との差の絶対値が大きい場合に小さい場合よりもより小さい報酬を与える処理としてもよい。

・たとえば条件（イ）を満たす場合に一律同じ報酬を与える代わりに、加速度Ｇｘの大きさに応じて報酬の大きさを可変とする処理としてもよい。またたとえば、条件（イ）を満たさない場合に一律同じ報酬を与える代わりに、加速度Ｇｘの大きさに応じて報酬の大きさを可変とする処理としてもよい。

・報酬算出処理としては、報酬ｒを、ドライバビリティに関する基準を満たすか否かに応じて与えるものに限らない。たとえば、エネルギ利用効率が基準を満たす場合に満たさない場合よりも大きい報酬を与える処理や、排気特性が基準を満たす場合に満たさない場合よりも大きい報酬を与える処理であってもよい。なお、ドライバビリティに関する基準を満たす場合に満たさない場合よりも大きい報酬を与える処理と、エネルギ利用効率が基準を満たす場合に満たさない場合よりも大きい報酬を与える処理と、排気特性が基準を満たす場合に満たさない場合よりも大きい報酬を与える処理との３つの処理のうちの２つまたは３つを含んでもよい。

・たとえば「行動変数について」の欄に記載したように、変速装置５０のソレノイドバルブの電流値を行動変数とする場合、たとえば報酬算出処理に以下の（ａ）～（ｃ）の３つの処理のうちの少なくとも１つの処理を含めればよい。

（ａ）変速装置による変速比の切り替えに要する時間が所定時間以内である場合に所定時間を超える場合よりも大きい報酬を与える処理である。
（ｂ）変速装置の入力軸５２の回転速度の変化速度の絶対値が入力側所定値以下である場合に入力側所定値を超える場合よりも大きい報酬を与える処理である。

（ｃ）変速装置の出力軸５４の回転速度の変化速度の絶対値が出力側所定値以下である場合に出力側所定値を超える場合よりも大きい報酬を与える処理である。
・たとえば「行動変数について」の欄に記載したように、回転電機のトルクや出力を行動変数とする場合、バッテリの充電率が所定範囲内にある場合にない場合よりも大きい報酬を与える処理や、バッテリの温度が所定範囲内にある場合にない場合よりも大きい報酬を与える処理を含めてもよい。また、たとえば「行動変数について」の欄に記載したように、コンプレッサの負荷トルクや空調装置の消費電力を行動変数に含める場合、車室内の温度が所定範囲内にある場合にない場合よりも大きい報酬を与える処理を加えてもよい。

「車両用制御システムについて」
・図７の処理では、Ｓ５０の処理を全てデータ解析センター１１０において実行したがこれに限らない。たとえば、Ｓ５０の処理のうちＳ６２～Ｓ６６の処理については、車両ＶＣ１側で実行し、Ｓ１００の処理を一部変更して報酬ｒの算出結果を送信するようにしてもよい。

・車両用制御システムとしては、制御装置７０およびデータ解析センター１１０によって構成されるものに限らない。たとえば、データ解析センター１１０に代えて、ユーザが所持する携帯端末を用い、制御装置７０および携帯端末によって車両用制御システムを構成してもよい。また、たとえば、制御装置７０、携帯端末、およびデータ解析センター１１０によって構成してもよい。これは、たとえば図７において、Ｓ３２の処理を携帯端末が実行することによって実現できる。

「実行装置について」
・実行装置としては、ＣＰＵ７２（１１２）とＲＯＭ７４（１１４）とを備えて、ソフトウェア処理を実行するものに限らない。たとえば、上記実施形態においてソフトウェア処理されたものの少なくとも一部を、ハードウェア処理するたとえばＡＳＩＣ等の専用のハードウェア回路を備えてもよい。すなわち、実行装置は、以下の（ａ）～（ｃ）のいずれかの構成であればよい。（ａ）上記処理の全てを、プログラムに従って実行する処理装置と、プログラムを記憶するＲＯＭ等のプログラム格納装置とを備える。（ｂ）上記処理の一部をプログラムに従って実行する処理装置およびプログラム格納装置と、残りの処理を実行する専用のハードウェア回路とを備える。（ｃ）上記処理の全てを実行する専用のハードウェア回路を備える。ここで、処理装置およびプログラム格納装置を備えたソフトウェア実行装置や、専用のハードウェア回路は複数であってもよい。

「コンピュータについて」
・コンピュータとしては、図１のＣＰＵ７２や、図６のＣＰＵ７２，１１２に限らない。たとえば、車両ＶＣ１の出荷前の関係規定データＤＲを生成するためのコンピュータと、車両ＶＣ１に搭載されるＣＰＵ７２とであってもよい。その場合、出荷時においては探索を禁止し、走行距離ＲＬが劣化閾値ＲＬｔｈＨ以上となる場合に、探索を許可してもよい。ここでの探索範囲は、関係規定データＤＲを生成するためのコンピュータによって実行される強化学習における探索と比較して、行動変数の取りうる値の範囲が小さいことが望ましい。ちなみに、車両の出荷前の関係規定データＤＲの生成処理においては、車両が存在せず、テストベンチにて内燃機関１０等を稼働させて車両の走行を模擬することによって、車両の状態を疑似的に生成し、センサの検出値等によって疑似的に生成された車両の状態を把握しつつ強化学習に用いてもよい。その場合、疑似的に生成された車両の状態を、センサ値に基づく車両の状態とみなす。

「記憶装置について」
・上記実施形態では、関係規定データＤＲが記憶される記憶装置と、学習プログラム７４ｂや制御プログラム７４ａが記憶される記憶装置（ＲＯＭ７４）とを別の記憶装置としたが、これに限らない。

「内燃機関について」
・内燃機関としては、燃料噴射弁として吸気通路１２に燃料を噴射するポート噴射弁を備えるものに限らず、燃焼室２４に燃料を直接噴射する筒内噴射弁を備えるものであってもよく、またたとえば、ポート噴射弁および筒内噴射弁の双方を備えるものであってもよい。

・内燃機関としては、火花点火式内燃機関に限らず、たとえば燃料として軽油などを用いる圧縮着火式内燃機関等であってもよい。
「車両について」
・車両としては、推力生成装置が内燃機関のみである車両に限らず、たとえば内燃機関と回転電機とを備えるいわゆるハイブリッド車両であってもよい。またたとえば、推力生成装置として、内燃機関を備えることなく、回転電機を備えるいわゆる電気自動車や燃料電池車あってもよい。

１０…内燃機関
１２…吸気通路
１４…スロットルバルブ
１６…燃料噴射弁
１８…吸気バルブ
２０…シリンダ
２２…ピストン
２４…燃焼室
２６…点火装置
２８…クランク軸
７０…制御装置
１１０…データ解析センター

Claims (7)

1. 実行装置および記憶装置を備え、
   前記記憶装置には、車両の状態と前記車両に搭載される電子機器の操作に関する変数である行動変数との関係を規定する関係規定データが記憶されており、
   前記実行装置は、
   都度のセンサの検出値に基づく都度の前記車両の状態を取得する状態取得処理と、
   前記状態取得処理によって取得された前記車両の状態と前記関係規定データとによって定まる前記行動変数の値に基づき前記電子機器を操作する操作処理と、
   前記状態取得処理によって取得された前記車両の状態に基づき、前記車両の特性が基準を満たす場合に満たさない場合よりも大きい報酬を与える報酬算出処理と、
   前記状態取得処理によって取得された前記車両の状態、前記電子機器の操作に用いられた前記行動変数の値、および該操作に対応する前記報酬を予め定められた更新写像への入力とし、前記関係規定データを更新する更新処理と、
   前記車両の劣化度合いを示す変数である劣化変数を取得する劣化変数取得処理と、
   前記車両の劣化度合いが所定以上である場合、所定未満の場合と比較して、前記操作処理によって前記行動変数の値のうちの前記報酬についての期待収益を最大化する値以外の値が採用される範囲を拡大する側に変更する変更処理と、
   を実行し、
   前記更新写像は、前記関係規定データに従って前記電子機器が操作される場合の前記期待収益を増加させるように更新された前記関係規定データを出力するものである車両用制御装置。
2. 前記変更処理は、前記期待収益を最大化する値以外の値が採用される範囲をゼロからゼロよりも大きい範囲に拡大する処理を含む請求項１記載の車両用制御装置。
3. 前記劣化変数は、前記劣化度合いが所定未満の場合を、時間の経過と正の相関を有する量によって細分化する変数でもあり、
   前記変更処理は、前記時間の経過に伴って、前記期待収益を最大化する値以外の値が採用される範囲を、第１の範囲から第２の範囲を経て第３の範囲とするものであり、
   前記第１の範囲は、前記第２の範囲および前記第３の範囲よりも大きい範囲であり、
   前記第３の範囲は、前記第２の範囲よりも大きい範囲であり、
   前記範囲を拡大する側に変更する処理は、前記車両の劣化度合いが所定以上の場合、前記期待収益を最大化する値以外の値が採用される範囲を前記第２の範囲から前記第３の範囲へと拡大する側に変更する処理である請求項２記載の車両用制御装置。
4. 請求項１～３のいずれか１項に記載の前記実行装置および前記記憶装置を備え、
   前記実行装置は、前記車両に搭載される第１実行装置と、車載装置とは別の第２実行装置と、を含み、
   前記第１実行装置は、少なくとも前記状態取得処理および前記操作処理を実行し、
   前記第２実行装置は、少なくとも前記更新処理を実行する車両用制御システム。
5. 請求項４記載の第１実行装置を備える車両用制御装置。
6. 請求項４記載の第２実行装置を備える車両用学習装置。
7. 請求項１～３のいずれか１項に記載の前記状態取得処理、前記操作処理、前記報酬算出処理、前記更新処理、前記劣化変数取得処理および前記変更処理をコンピュータに実行させる車両用学習方法。

Images