TW202600406A - 人力驅動車行駛預測系統及人力驅動車行駛預測模型之產生系統 - Google Patents

Abstract

本發明之預測系統具備：檢測值獲取部，其獲取人力驅動車所具備之複數個檢測器之當前時間點之當前檢測值、及基於當前時間點之前的檢測值之過去值；以及預測部，其使用藉由機器學習而構建之已學習模型，基於檢測值獲取部所獲取之複數個檢測器各者之當前檢測值及過去值，產生與人力驅動車之行駛相關之預測值。

Description

人力驅動車行駛預測系統及人力驅動車行駛預測模型之產生系統

本發明係關於一種用於進行人力驅動車行駛預測、及產生人力驅動車行駛預測模型之系統、方法及程式。

作為人力驅動車之一例，可例舉電動輔助自行車。電動輔助自行車根據車速感測器及踏力感測器等各種感測器檢測出之值，控制馬達輸出。於以此方式藉由感測器檢測出值之後控制馬達輸出之情形時，利用馬達所進行之輔助會出現些許延遲。

日本專利特開2023-047987號公報中揭示有一種能夠基於使用者之加速意圖進行輔助之電動自行車。該電動自行車之控制部於輸入轉矩為第1閾值以上、及踏頻(cadence)為第2閾值以上或加速度為第3閾值以上時，允許馬達產生動力。

日本專利特開2023-048913號公報中揭示有一種人力驅動車用之控制裝置。該控制裝置之控制部根據包含攝像裝置所獲取之前方圖像之前方資訊推定行駛路徑。當行駛路徑從下坡變為上坡時，控制部根據自人力驅動車至行駛路徑從下坡變為上坡之地點為止之第1距離、下坡之第1角度、上坡之第2角度、及第1角度與第2角度之差中之至少一者，控制電動裝置。

日本專利特開2023-151357號公報中揭示有一種人力驅動車用控制裝置。該控制裝置記憶第1學習模型，該第1學習模型係以如下方式進行學習：基於與人力驅動車之行駛相關之輸入資訊，輸出與器件之控制相關之輸出資訊。控制裝置具備：控制部，其利用基於第1學習模型之輸出資訊所確定之控制資料，控制人力驅動車之器件；及補充處理部，其使用第2學習模型對第1學習模型進行補充。第2學習模型係藉由人力驅動車及騎乘者中之至少一者不同之人力驅動車之輸入資訊而進行學習者。

日本專利特開2023-85936號公報中揭示有一種人力驅動車用控制裝置，其針對每個騎乘者使自動控制之控制基準最佳化。人力驅動車用控制裝置具備：第1控制部，其基於與人力驅動車之行駛相關之輸入資訊，藉由規定之控制演算法確定搭載於人力驅動車之器件之控制資料並自動控制器件；操作機率輸出模型，其基於輸入資訊，輸出騎乘者針對自動控制進行介入操作之機率；及第2控制部，其於輸出之機率為規定值以上之情形時，變更用於確定控制資料之參數。 [先前技術文獻] [專利文獻]

[專利文獻1]日本專利特開2023-047987號公報 [專利文獻2]日本專利特開2023-048913號公報 [專利文獻3]日本專利特開2023-151357號公報 [專利文獻4]日本專利特開2023-85936號公報

[發明所欲解決之問題] 當如上述先前技術般僅使用人力驅動車之感測器之值預測未來之行駛時，存在難以於預測中反映騎乘者意圖之情形。又，於上述先前技術中，需要設置用於預測之特殊感測器、或用於學習之結構，導致構成變得複雜。

因此，本申請案揭示一種能夠以簡單之構成，實現與反映人力驅動車之騎乘者之意圖之行駛相關之預測的系統、程式及方法。 [解決問題之技術手段]

本發明之實施方式之人力驅動車行駛預測系統具備： 檢測值獲取部，其獲取人力驅動車所具備之複數個檢測器之當前時間點之當前檢測值、及基於當前時間點之前的檢測值之過去值；以及 預測部，其使用藉由機器學習而構建之已學習模型，基於上述檢測值獲取部所獲取之複數個檢測器各者之當前檢測值及過去值，產生與上述人力驅動車之行駛相關之預測值。

(構成1) 本發明之實施方式之人力驅動車行駛預測系統具備： 檢測值獲取部，其獲取人力驅動車所具備之複數個檢測器之當前時間點之當前檢測值、及基於當前時間點之前的檢測值之過去值；以及 預測部，其使用藉由機器學習而構建之已學習模型，基於上述檢測值獲取部所獲取之複數個檢測器各者之當前檢測值及過去值，產生與上述人力驅動車之行駛相關之預測值。

根據上述構成1，使用已學習模型產生與行駛相關之預測值。預測值除了根據人力驅動車之複數個檢測器之當前檢測值以外，還根據基於過去之檢測值之過去值而產生。如此，藉由基於當前時間點之檢測值及過去之檢測值使用已學習模型進行預測，能夠使預測值反映人力驅動車之騎乘者之意圖。因此，能夠以簡單之構成，實現與反映人力驅動車之騎乘者之意圖之行駛相關之預測。

人力驅動車之檢測器例如亦可為檢測與人力驅動車之行駛相關之物理量或騎乘者輸入中之至少一種之檢測器。複數個檢測器例如可包含車速感測器、踏力感測器、曲柄旋轉感測器、加速度感測器、馬達感測器、轉向角感測器、座部高度感測器、座部壓力感測器、變速感測器、刹車感測器或騎乘者輸入裝置(按鈕、開關、觸控面板等)中之至少兩者。馬達感測器例如可為檢測用於踩踏(pedaling)輔助之馬達輸出之感測器。

複數個檢測器各者之過去值可為當前時間點之前的至少1個時間點之檢測值，亦可為基於現場時間點之前的複數個時間點之檢測值群計算出的值。

預測部產生之預測值亦可為表示與人力驅動車之行駛相關之物理量之值。預測值例如可包含人力驅動車之車速、踏力、曲柄轉速、加速度、用於踩踏輔助之馬達輸出、把手轉向角、座部高度、或變速中之至少一個值。已學習模型例如可為輸入人力驅動車之複數個檢測器各者之當前檢測值及過去值，輸出與人力驅動車之行駛相關之預測值的模型。

(構成2) 上述構成1中，上述複數個檢測器可包含上述人力驅動車之車速感測器、踏力感測器、曲柄旋轉感測器、加速度感測器、或用於踩踏輔助之馬達輸出感測器中之至少兩者。上述預測部產生之上述預測值可包含表示上述人力驅動車之車速、踏力、曲柄轉速、加速度、或用於踩踏輔助之馬達輸出中之至少一者之值。藉此，能夠實現與進一步反映騎乘者意圖之行駛相關之預測。

(構成3) 上述構成1或2中，上述檢測值獲取部亦可獲取基於當前時間點之前的期間內之檢測值群之過去值，作為上述複數個檢測器各者之過去值。藉此，能夠實現與進一步反映騎乘者意圖之行駛相關之預測。

例如，上述檢測值獲取部可獲取基於當前時間點之前的複數個不同期間各者之檢測值群之過去值，作為上述複數個檢測器中之至少1個檢測器之過去值。

(構成4) 上述構成1至3之任一項中，上述已學習模型可包含車輛負載預測模型及行駛預測模型。上述預測部可包含：車輛負載確定部，其使用上述車輛負載預測模型，基於上述複數個檢測器中之至少2個檢測器各者之當前檢測值及過去值，確定表示上述人力驅動車之車輛負載之值；以及行駛預測部，其使用上述行駛預測模型，基於表示上述車輛負載之值、以及上述複數個檢測器各者之當前檢測值及過去值，產生上述預測值。藉此，產生與車輛負載對應之適當之預測值。

人力驅動車(車輛)之車輛負載取決於人力驅動車之行駛環境或車輛狀態。表示車輛負載之值例如可為表示根據行駛環境或車輛狀態而確定之車輛負載之條件(condition)之值。車輛負載亦可改稱為行駛條件。表示車輛負載之值例如可為表示行駛路徑之行駛方向上之坡度(上坡、下坡或平坦)之值。或者，表示車輛負載之值亦可為除了表示行駛路徑之行駛方向之坡度以外，還表示利用堆載於車輛之貨物量、車輛受到之風或車輛之輪胎之氣壓中之至少一者所得之車輛負載之值。車輛負載之值例如可為表示預先確定之複數個等級之車輛負載中之一者之值。

(構成5) 上述構成4中，上述行駛預測模型可包含與複數個車輛負載等級分別對應之複數個負載分級行駛預測模型。上述行駛預測部可使用與表示上述車輛負載確定部所確定之上述車輛負載之值對應的負載分級行駛預測模型，產生上述預測值。

(構成6) 上述構成4中，上述行駛預測模型亦可為輸入表示車輛負載之值、以及上述複數個檢測器各者之當前檢測值及過去值，輸出與上述人力驅動車之行駛相關之上述預測值的已學習模型。

車輛負載預測模型例如亦可為基於人力驅動車之車速、踏力、曲柄轉速、或輔助踩踏之馬達之輸出中之至少兩者，輸出表示車輛負載之值的模型。藉此，能夠更準確地預測車輛負載。

(構成7) 包含上述構成1至6中任一項之人力驅動車行駛預測系統之人力驅動車控制系統亦包含於本發明之實施方式中。人力驅動車控制系統進而具備控制部，該控制部基於上述預測部產生之預測值，控制上述人力驅動車所具備之器件。藉此，能夠以簡單之構成，實現反映人力驅動車之騎乘者之意圖之器件控制。即，能夠提高控制對騎乘者之意圖之追隨性。其結果，騎乘者之騎行體驗變得更良好。

(構成8) 上述構成7中，上述器件可為輔助騎乘者之人力驅動(推動人力驅動車之動作，例如踩踏)之馬達、輔助騎乘者之轉向之馬達、調整騎乘者乘坐之座部之位置之致動器、電動變速機、或顯示裝置中之至少一者。輔助騎乘者之轉向之馬達例如可為電動動力轉向(EPS)系統。

具備上述構成1至6中任一項之人力驅動車行駛預測系統或者上述構成7或8之人力驅動車控制系統之人力驅動車亦包含於本發明之實施方式中。

(構成9) 本發明之實施方式之已學習模型係藉由機器學習而構建之已學習模型。上述已學習模型輸入人力驅動車所具備之複數個檢測器之當前時間點之當前檢測值、及基於當前時間點之前的檢測值之過去值，輸出與上述人力驅動車之行駛相關之預測值。藉由使用此種已學習模型，能夠以簡單之構成，實現與反映人力驅動車之騎乘者之意圖之行駛相關之預測。

(構成10) 上述構成9之已學習模型亦可包含：車輛負載預測模型，其輸入上述複數個檢測器中之至少2個檢測器各者之當前檢測值及過去值，輸出表示上述人力驅動車之車輛負載之值；以及行駛預測模型，其輸入藉由上述車輛負載預測模型輸出之表示上述車輛負載之值、以及上述複數個檢測器各者之當前檢測值及過去值，輸出上述預測值。

行駛預測模型例如可包含執行如下處理之1個模型，即，輸入表示車輛負載之值、及複數個檢測器各者之當前檢測值及過去值，並輸出預測值。或者，行駛預測模型亦可包含與複數個車輛負載等級分別對應之複數個負載分級行駛預測模型。於該情形時，將複數個檢測器各者之當前檢測值及過去值輸入至複數個負載分級行駛預測模型中與所輸入之表示車輛負載之值對應的負載分級行駛預測模型，藉由負載分級行駛預測模型輸出預測值。

(構成11) 本發明之實施方式中之人力驅動車行駛預測模型之產生系統具備： 訓練資料獲取部，其獲取複數個資料集作為訓練資料，上述資料集包含人力驅動車所具備之複數個檢測器之對象時間點之對象時間檢測值、基於對象時間點之前的檢測值之過去值、及對象時間點之後的時間點之後檢測值；以及 機器學習部，其藉由使用上述訓練資料之機器學習產生已學習模型，該已學習模型根據上述複數個檢測器之當前時間點之當前檢測值及基於當前時間點之前的檢測值之過去值，輸出與當前時間點以後之上述人力驅動車之行駛相關之預測值。

根據上述構成11，能夠以簡單之構成產生已學習模型，該已學習模型可實現與反映人力驅動車之騎乘者之意圖之行駛相關之預測。

(構成12) 上述構成11中，上述訓練資料獲取部亦可獲取複數個上述資料集，該上述資料集進而包含表示上述人力驅動車之車輛負載之值。上述機器學習部亦可產生已學習模型，該已學習模型除了基於上述複數個檢測器之當前檢測值及上述過去值以外，還基於表示上述車輛負載之值，輸出上述預測值。藉此，能夠產生可實現與車輛負載對應之適當之預測的已學習模型。

上述機器學習部亦可產生：車輛負載預測模型，其輸入上述複數個檢測器中之至少2個檢測器各者之當前檢測值及過去值，輸出表示上述人力驅動車之車輛負載之值；以及行駛預測模型，其輸入藉由上述車輛負載預測模型輸出之表示上述車輛負載之值、以及上述複數個檢測器各者之當前檢測值及過去值，輸出上述預測值。

已學習模型係藉由機器學習而構建。機器學習係藉由電腦使用學習演算法而執行。機器學習例如可為監督式學習、無監督式學習、或增強式學習。

已學習模型例如可為表示計算預測值之數式之資料。該數式可設為包含複數個檢測器各者之當前檢測值及過去值作為變量之數式。於已學習模型為表示數式之資料之情形時，藉由機器學習確定數式之參數或式構成，藉此能夠產生已學習模型。

上述構成1至6中任一項之人力驅動車行駛預測系統、或者上述構成7或8之人力驅動車控制系統亦可具備搭載於上述人力驅動車之車載電腦及車載記憶裝置。上述車載電腦亦可執行上述檢測值獲取部及上述預測部之處理。上述車載記憶裝置亦可記憶上述預測部之處理所使用之上述已學習模型。藉此，藉由利用車載電腦及車載記憶裝置進行之邊緣運算，能夠實現人力驅動車行駛預測系統或人力驅動車控制系統之功能。即，即使不與除車載設備以外之外部設備進行通信，亦能藉由車載設備完成人力驅動車行駛預測系統或人力驅動車控制系統之處理。由於無需人力驅動車與外部之通信，故可實現預測或控制之迅速之處理。又，無論通信環境如何均可實現預測或控制。

本發明之實施方式中之人力驅動車行駛預測程式使電腦執行如下處理，即：檢測值獲取處理，其獲取人力驅動車所具備之複數個檢測器之當前時間點之當前檢測值、及基於當前時間點之前的檢測值之過去值；以及預測處理，其使用藉由機器學習而構建之已學習模型，基於在上述檢測值獲取處理中獲取之複數個檢測器各者之當前檢測值及過去值，產生與上述人力驅動車之行駛相關之預測值。

本發明之實施方式中之人力驅動車行駛預測方法由電腦執行。上述人力驅動車行駛預測方法包括：檢測值獲取步驟，其獲取人力驅動車所具備之複數個檢測器之當前時間點之當前檢測值、及基於當前時間點之前的檢測值之過去值；以及預測步驟，其使用藉由機器學習而構建之已學習模型，基於在上述檢測值獲取步驟中獲取之複數個檢測器各者之當前檢測值及過去值，產生與上述人力驅動車之行駛相關之預測值。

本發明之實施方式中之人力驅動車行駛預測模型之產生程式使電腦執行如下處理，即：訓練資料獲取處理，其獲取複數個資料集作為訓練資料，上述資料集包含人力驅動車所具備之複數個檢測器之對象時間點之對象時間檢測值、基於上述對象時間點之前的檢測值之過去值、及上述對象時間點之後的時間點之後檢測值；以及機器學習處理，其藉由使用上述訓練資料之機器學習產生已學習模型，該已學習模型根據上述複數個檢測器之當前時間點之當前檢測值及基於當前時間點之前的檢測值之過去值，輸出與當前時間點以後之上述人力驅動車之行駛相關之預測值。

本發明之實施方式中之人力驅動車行駛預測模型之產生方法由電腦執行。上述人力驅動車行駛預測模型之產生方法包括：訓練資料獲取步驟，其獲取複數個資料集作為訓練資料，上述資料集包含人力驅動車所具備之複數個檢測器之對象時間點之對象時間檢測值、基於對象時間點之前的檢測值之過去值、及對象時間點之後的時間點之後檢測值；以及機器學習步驟，其藉由使用上述訓練資料之機器學習產生已學習模型，該已學習模型根據上述複數個檢測器之當前時間點之當前檢測值及基於當前時間點之前的檢測值之過去值，輸出與當前時間點以後之上述人力驅動車之行駛相關之預測值。

以下，參照圖式對本發明之實施方式中之系統進行說明。圖中，對相同或相當之部分標註相同之符號，不再重複關於該構件之說明。再者，以下之說明中，人力驅動車(作為一例，自行車)之前後、左右、上下係指以騎乘者乘坐於鞍座(座部24)且握住把手23之狀態為基準之前後、左右及上下。人力驅動車之前後、左右及上下之各方向係與人力驅動車之車體即車體框架之前後、左右及上下之各方向相同。又，人力驅動車之前進方向與人力驅動車之前後方向相同。以下之實施方式為例示，本發明並不限定於以下之實施方式。

(系統構成例) 圖1係表示本實施方式之人力驅動車行駛預測系統(以下，簡稱為預測系統)、人力驅動車控制系統(以下，簡稱為控制系統)及人力驅動車行駛預測模型之產生系統(以下，簡稱為預測模型產生系統)之構成例之功能方塊圖。圖1之預測系統50包含於控制系統5。控制系統5控制人力驅動車所具備之器件。本實施方式中，作為一例，人力驅動車為自行車10。預測系統50基於自行車10所具備之複數個檢測器6a、6b之檢測值，產生與自行車10之行駛相關之預測值。預測值之產生使用已學習模型。預測模型產生系統100產生該已學習模型。

預測系統50具有檢測值獲取部51及預測部52。檢測值獲取部51獲取複數個檢測器6a、6b各者之當前檢測值及過去值。當前檢測值係當前時間點之檢測值。過去值係基於當前時間點之前的檢測值之值。檢測值獲取部51例如能夠自按時間序列記憶各檢測器之檢測值之記憶裝置獲取當前檢測值及過去值。亦可獲取各檢測器之最新檢測值作為當前檢測值。亦可獲取當前檢測值之前的檢測值本身或基於過去之複數個檢測值群計算出的值作為過去值。

檢測值獲取部51可獲取基於過去之檢測值群計算出且記憶於記憶部中之過去值，或者可基於記憶於記憶部中之過去之檢測值群計算出過去值。對於1個檢測器，可獲取1個或2個以上之過去值。基於過去之檢測值群計算出的過去值例如可為統計基準量、變化率、或其他表示檢測值群之特徵之值。過去值之統計基準量例如可為平均值、中央值、眾數等代表值，或範圍、方差、標準差等表示分散度之值。又，過去值例如可為使用以當前時間點為基準之過去一定期間內之檢測值群計算出的值。

預測部52基於複數個檢測器6a、6b各者之當前檢測值及過去值，產生與自行車10之行駛相關之預測值。預測部52使用已學習模型產生預測值。已學習模型例如為使用複數個檢測器6a、6b各者之當前檢測值及過去值計算預測值之模型。藉由利用機器學習確定用於計算預測值之模型之參數來構建已學習模型。

控制系統5具有控制部53。控制部53基於由預測部52產生之預測值，控制自行車10所具備之器件。控制部53亦可使用預測值確定控制值，並將控制值供給至器件。

預測模型產生系統100具備訓練資料獲取部101及機器學習部102。訓練資料獲取部101獲取複數個資料集作為訓練資料。各資料集包含自行車10所具備之複數個檢測器各者之對象時間檢測值、過去值及後檢測值。對象時間檢測值係對象時間點之檢測值。過去值係基於對象時間點之前的檢測值之值。後檢測值係對象時間點之後的時間點之檢測值。

圖1之例中，訓練資料係基於行駛記錄資料之資料。行駛記錄資料係複數個檢測器6a、6b各者之檢測值之時間序列資料。如此，能夠基於包含各檢測器之各時刻之檢測值之資料獲得訓練資料。圖1之例中，包含以下檢測值之資料集構成訓練資料，即：以各時刻為對象時間點之對象時間檢測值、根據對象時間點之前的一定期間之檢測值群產生之統計值即過去值、及從對象時間點起一定時間後之檢測值即後檢測值。

訓練資料獲取部101可基於記憶於記憶部110中之行駛記錄資料產生訓練資料。或者，訓練資料獲取部101亦可藉由讀取記憶於記憶部110中之訓練資料獲取訓練資料。再者，作為預測模型產生系統所使用之訓練資料之檢測值之供給源的自行車可不與作為預測系統之預測處理所使用之檢測值之供給源的自行車完全相同。例如，較佳為使作為訓練資料之檢測值之供給源的人力驅動車所具備之複數個檢測器之構成、與作為預測系統所使用之檢測值之供給源的人力驅動車所具備之複數個檢測器之構成相同。作為一例，亦可使作為訓練資料之檢測值之供給源的人力驅動車之構成、與作為預測系統所使用之檢測值之供給源的人力驅動車之構成相同。

機器學習部102使用訓練資料產生已學習模型。已學習模型係使用複數個檢測器6a、6b各者之當前檢測值及過去值產生預測值之模型。機器學習部102可將訓練資料之資料集中之各檢測器之對象時間檢測值及過去值作為輸入至模型之資料，將後檢測值作為標籤(正確答案資料)來執行機器學習。於機器學習中，例如使用輸入資料及標籤來調整模型之參數。藉此，產生基於各檢測器之當前檢測值及過去值而產生預測值之已學習模型。

於利用機器學習部102進行之機器學習中，例如確定數式之參數或式構成，以使將訓練資料之各資料集中包含之複數個檢測器各者之對象時間點之對象時間檢測值及過去值代入至數式之變量中計算出的值接近各資料集中包含之後檢測值。於機器學習中，亦可使用例如複回歸分析、決策樹分析等來確定數式之參數。再者，已學習模型並不限於表示數式之資料。已學習模型例如亦可為使用神經網路(NN；Neural Network)之模型。機器學習亦可為深度學習。

預測系統、控制系統及預測模型產生系統之各者可藉由一個或複數個電腦實現。即，預測系統、控制系統及預測模型產生系統之各功能部可藉由電腦執行程式而實現。再者，電腦例如可包含CPU、MPU(Micro Processing Unit，微處理單元)、MCU(Micro Controller Unit，微控制器單元)、PLD(Programmable Logic Device，可程式邏輯裝置)、FPGA(Field Programmable Gate Array，場可程式閘陣列)、ASIC(Application Specific Integrated Circuit，特殊應用積體電路)、或其他IC。執行預測系統、控制系統及預測模型產生系統之處理之程式、以及記憶有程式之非暫時性(non-transitory)記憶媒體亦包含於本發明之實施方式。

預測系統及控制系統例如亦可藉由搭載於人力驅動車(自行車10)之車載電腦實現。於該情形時，已學習模型亦可記憶於搭載於人力驅動車之車載記憶裝置。車載電腦亦可為人力驅動車所具備之器件(車載器件)中包含之電腦。車載記憶裝置亦可為車載器件中包含之資料記憶裝置(例如，儲存器或記憶體)。包含車載電腦或車載記憶裝置之車載器件例如亦可為後述之自行車10之驅動單元40、UI部70或顯示裝置71、或者其他控制器件。再者，如安裝於人力驅動車且藉由有線或無線而與人力驅動車之檢測器連接之碼錶(轉數計)或智慧型手機等能夠安裝至人力驅動車及自人力驅動車拆卸之器件亦包含於車載器件。此種可裝卸之器件中包含之電腦或記憶裝置亦可為車載電腦或車載記憶裝置。

(自行車之構成例) 圖2係表示自行車10之構成例之左側視圖。圖2中之符號F、B、U、D分別表示前、後、上、下。作為一例，自行車10係電動輔助自行車。自行車10具備複數個車輪21、22、車體框架11、馬達3、曲柄軸41及踏板31。複數個車輪21、22、曲柄軸41及踏板31可旋轉地支持於車體框架11。又，自行車10具有將馬達3之旋轉傳遞至車輪21、22中之至少一者之傳遞機構、以及將施加於踏板31及曲柄軸41之踏力傳遞至車輪21、22中之至少一者之傳遞機構。車輪21、22中之至少一者由踏板31之踏力或馬達3之驅動力中之至少一種驅動。

如圖2所示，車體框架11於前後方向上延伸。車體框架11具有頭管12、向上框架13u、向下框架13d、座架14、一對後下叉16及一對後上叉17。頭管12配置於自行車10之前部。於頭管12，連接有向下框架13d及向上框架13u之前端。向下框架13d及向上框架13u於前後方向上延伸。向下框架13d及向上框架13u朝向斜下方延伸。向上框架13u位於較向下框架13d靠上方之位置。向上框架13u之後端連接於座架14。向下框架13d之後端連接於托架15。座架14之下端連接於托架15。座架14自托架15朝向上方且斜後方延伸。再者，車體框架11亦可為無向上框架13u之構成。

把手桿(轉向柱)25旋轉自如地插入於頭管12。於把手桿25之上端，固定有把手23。於把手桿25之下端，固定有前叉26。於前叉26之下端，藉由車軸27將前輪21以使之可旋轉之方式予以支持。

於把手23之左端及右端，分別安裝有握把。於把手23之左部，安裝有左刹車桿74，於把手23之右部，安裝有右刹車桿74。左刹車桿74係用於操作後輪22之刹車76之桿。右刹車桿74係用於操作前輪21之刹車75之桿。

於圓筒狀之座架14，插入有座部管28。於座部管28之上端，設置有座部(鞍座)24。如此，車體框架11之前部將把手桿25以使之可旋轉之方式予以支持，後部將後輪22以使之可旋轉之方式予以支持。又，於車體框架11，安裝座部24及驅動單元40。

於托架15之後端，連接有一對後下叉16。一對後下叉16配置成從左右夾著後輪22。於各後下叉16之後端，分別連接有後上叉17之一端部。一對後上叉17配置成從左右夾著後輪22。各後上叉17之另一端部分別連接於座架14之上部。於一對後下叉16之後端，藉由車軸29將後輪22以使之可旋轉之方式予以支持。

於前叉26，設置有檢測前輪21之旋轉之車速感測器(速度感測器)61。車速感測器61例如具有與前輪21(車輪)一起旋轉之被檢測元件、及相對於車體框架11固定且檢測被檢測元件之旋轉之檢測元件。檢測元件以機械、磁性或光學方式檢測被檢測元件。再者，車速感測器61並不限於檢測前輪21之旋轉，亦可為檢測例如後輪22、馬達3、曲柄軸41、傳遞齒輪、鏈條等隨著自行車10前進而旋轉之旋轉體之旋轉者。

於托架15之下，藉由緊固金屬件(省略圖示)安裝驅動單元40。驅動單元40具有形成驅動單元40之外形之殼體40a。於殼體40a內，儲存馬達3。曲柄軸41沿著左右方向貫通殼體40a。曲柄軸41經由複數個軸承可旋轉地支持於殼體40a。

於曲柄軸41之周圍，設置有檢測騎乘者之踏力之踏力感測器62。踏力感測器62檢測使曲柄軸41繞軸旋轉之轉矩。踏力感測器62例如可使用磁致伸縮式之類的非接觸式轉矩感測器、或彈性體變量檢測式之類的接觸式轉矩感測器。磁致伸縮式轉矩感測器包含具有磁致伸縮效果且承受曲柄軸之旋轉力之磁致伸縮材、及檢測磁致伸縮材因力而產生之磁導率變化之檢測線圈。

於曲柄軸41之兩端安裝有曲柄臂31b。於曲柄臂31b之前端分別安裝有腳踏31a。由曲柄臂31b及腳踏31a構成踏板31。騎乘者踩下踏板31後，曲柄軸41旋轉。雖未圖示，但於自行車10設置有與曲柄軸41一起旋轉之驅動鏈輪、及與後輪22一起旋轉之從動鏈輪。鏈條46盤繞於驅動鏈輪與從動鏈輪之間。再者，亦可使用皮帶或軸等代替鏈條46。於自從動鏈輪向後輪22之旋轉傳遞路徑上，設置有單向離合器49a(參照圖3)。單向離合器49a傳遞前轉方向之旋轉(正向旋轉)，而不傳遞後轉方向之旋轉(反向旋轉)。

於驅動單元40內，設置有將馬達3之旋轉向驅動鏈輪(或鏈條46)傳遞之傳遞機構(省略圖示)。傳遞機構例如包含減速機(減速齒輪)32(參照圖3)。藉由減速機32，馬達之旋轉減速後向驅動鏈輪傳遞。又，傳遞機構包含將曲柄軸41之旋轉與馬達3之旋轉合成並向驅動鏈輪傳遞之合成機構。合成機構例如具有筒狀構件。曲柄軸41配置於筒狀構件之內部。於合成機構安裝有驅動鏈輪。合成機構與曲柄軸41及驅動鏈輪以同一旋轉軸為中心旋轉。於自曲柄軸41向合成機構之旋轉傳遞路徑上、及自馬達3向合成機構之旋轉傳遞路徑上，亦可設置單向離合器49b、49c(參照圖3)。自馬達3經由傳遞機構向驅動鏈輪傳遞之旋轉力成為車輪(後輪22)之驅動力。

於車體框架11，配置有電池單元35。電池單元35對驅動單元40之馬達3供給電力。電池單元35具有未圖示之電池及電池控制部。電池係能夠充放電之充電電池。電池控制部控制電池之充放電，並且監測電池之輸出電流及剩餘容量等。

於把手23，設置有受理騎乘者之各種操作之使用者介面部(UI部)70。UI部70例如具有受理使用者之操作之按鈕或觸控面板等輸入裝置72。又，UI部70亦可具備顯示裝置(顯示器)72。於該情形時，亦可使顯示裝置71與輸入裝置72形成一體而構成觸控面板。於顯示裝置71顯示與自行車10相關之各種資訊。

圖3係表示圖2所示之自行車10之構成要素之機械及電性連接構成之例的方塊圖。圖3所示之例中，踏板31之旋轉經由單向離合器49d傳遞至合力機構43。馬達3之旋轉經由減速機32及單向離合器49c傳遞至合力機構43。合力機構43例如包含上述合成機構、驅動鏈輪、鏈條46及從動鏈輪。於合力機構43中，動力按合成機構、驅動鏈輪、鏈條46及從動鏈輪之順序傳遞。從動鏈輪之旋轉經由驅動軸44、變速機構48、單向離合器49a向後輪22傳遞。

變速機構48係根據騎乘者對變速操作器47之操作而變更變速比之機構。變速操作器47例如安裝於把手23(圖1)。該例中，變速機構48係設置於驅動軸44與後輪22之間的內裝變速機，但變速機構48亦可為外裝變速機。於變速機構48為外裝變速機之情形時，可使用多級鏈輪作為從動鏈輪。於該情形時，根據變速操作器47之操作，切換被鏈條46盤繞之多級鏈輪。

藉由騎乘者踩下踏板31而產生之踏力使曲柄軸41向前轉方向旋轉。曲柄軸41之旋轉藉由傳遞機構傳遞至後輪22。又，藉由馬達3作動而產生之旋轉力使曲柄軸41向前轉方向旋轉。藉此，馬達3之旋轉力作為使後輪22向前轉方向旋轉之驅動力傳遞。當騎乘者之踏力與馬達3之旋轉力同時傳遞至曲柄軸時，馬達3之旋轉力將輔助(assist)騎乘者之踏力。再者，作為變化例，亦可構成為馬達3之旋轉力傳遞至前輪21。即，亦可以如下方式構成傳遞機構，即，曲柄軸41之旋轉與馬達之旋轉傳遞至不同之車輪。於該情形時，無需將踏力與馬達之輸出進行合成之合成機構。

圖3之例中，自行車10具有控制系統5。控制系統包含預測系統50。例如，由安裝於驅動單元40之殼體40a內之基板的電腦構成控制系統5。控制系統5(預測系統50)與車速感測器61、踏力感測器62、曲柄旋轉感測器65、馬達3、馬達輸出感測器64及UI部70電性連接。該等連接可為有線，亦可為無線。

曲柄旋轉感測器65檢測曲柄軸41之旋轉。曲柄旋轉感測器65例如亦可具有與曲柄軸41一起旋轉之被檢測元件、及相對於車體框架11固定且檢測被檢測元件之旋轉之檢測元件。檢測元件能夠以機械、光學或磁性方式檢測被檢測元件。

馬達輸出感測器64檢測馬達3之輸出。馬達輸出感測器64亦可檢測馬達3之電壓、電流、旋轉速度(轉速)或轉矩中之至少一者作為馬達輸出。馬達輸出感測器64亦可基於馬達3之電流、電壓及其他電信號，檢測馬達之旋轉速度(轉速)或轉矩。馬達輸出感測器64例如亦可為電壓感測器或電流感測器。

再者，馬達3之驅動力之傳遞機構並不限於上述例。例如，驅動單元40亦可具有自殼體40a之中向外沿著左右方向伸出之輸出軸。於該情形時，馬達3之旋轉藉由傳遞機構傳遞至輸出軸。於殼體40a之外部，在輸出軸安裝輔助鏈輪。輔助鏈輪上盤繞有鏈條46。藉由馬達3作動而產生之旋轉力使輔助鏈輪旋轉，經由鏈條46使後輪22向前轉方向旋轉。

於圖1之例中，馬達3收容於安裝在車體框架11之驅動單元40。與之相對地，馬達亦可設置於自行車10之車輪(前輪21或後輪22中之至少一者)之輪轂。於該情形時，馬達可設為內置於輪轂中之輪內(in-wheel)型馬達(輪轂馬達)。輪轂馬達例如可包含轉子、定子。轉子之旋轉軸可與車軸27、29之旋轉軸相同。於輪轂，可設置將輪轂馬達之旋轉傳遞至車輪(前輪21或後輪22)之齒輪。齒輪例如可為行星齒輪。又，亦可於輪轂馬達與車輪(前輪21或後輪22)之間的旋轉傳遞路徑設置單向離合器。

(預測處理例) 圖4係表示圖1所示之預測系統50所執行之處理之流程圖及資料之例之圖。圖4之例中，預測系統50之檢測值獲取部51獲取複數個檢測器6a、6b各者之當前時間點之當前檢測值即最新檢測值(S01)。此處，作為一例，對複數個檢測器6a、6b為車速感測器61、踏力感測器62、曲柄旋轉感測器65及馬達輸出感測器64之情形進行說明。

檢測值獲取部51使用各檢測器之當前檢測值，更新以各檢測器之當前時間點為基準之一定期間之檢測值之累積資料(S02)。例如，使用當前檢測值更新由較當前檢測值之檢測時間點(當前時間點)早一定時間之時間點至當前時間點之期間內之檢測值群累積所得之資料。作為一例，以累積資料成為最近(最新)1000 ms之期間之檢測值群之方式更新累積資料。累積資料例如記憶於構成預測系統50之電腦可存取之記憶裝置(記憶體等)。再者，以成為累積資料之對象之當前時間點為基準之一定期間亦可為不同之複數個期間。例如，亦可將較當前時間點早500 ms之時間點至當前時間點之期間、及較當前時間點早1500 ms之時間點至較當前時間點早500 ms之時間點之期間之檢測值記憶為累積資料。

檢測值獲取部51基於更新後之累積資料獲取過去值(S03)。例如，獲取根據累積資料中包含之以當前時間點為基準之一定期間之檢測值群計算出的值作為過去值。作為一例，獲取較當前時間點早1000 ms之時間點至當前時間點之檢測值之平均作為過去值。平均可為簡單平均，亦可為加權移動平均。

預測部52將複數個檢測器6a、6b各者之當前檢測值及過去值輸入至已學習模型M1。已學習模型輸出與當前檢測值及過去值對應之預測值(S04)。藉此，產生預測值。控制部53使用在S04中產生之預測值，控制自行車10所具備之器件(S05)。

圖4之表格T1示出了輸入至已學習模型M1之當前檢測值及過去值、以及根據其等而輸出之預測值之一例。表格T1之例中，將車速、曲柄轉速、踏力及馬達輸出各者之當前檢測值及過去值之組合輸入至已學習模型M1。已學習模型M1針對該等值之組合，輸出2秒後之車速作為預測值。

表格T1中，No.1～3之各行表示人力驅動車之行駛中之一時間點之向已學習模型之輸入值之集、及輸出之預測值。No.1～3之各行之資料係互不相同之時間點之資料。該例中，於使用某一時間點之當前檢測值及過去值產生預測值之處理中，不使用其他時間點之當前檢測值及過去值之值。

於預測模型產生系統100中，能夠產生進行圖4之表格T1所示之資料之輸入及輸出的已學習模型。於該情形時，訓練資料之各資料集包含車速、曲柄轉速、踏力及馬達輸出之對象時間檢測值及過去值、以及對象時間點之2秒後之車速之值。過去值例如可設為以對象時間為基準之過去一定期間內之檢測值群之平均。

(預測系統之變化例) 圖5係表示預測系統之變化例之功能方塊圖。圖5之例中，預測系統50之預測部52具有車輛負載確定部521及行駛預測部522。已學習模型包含車輛負載預測模型M11及行駛預測模型M12。車輛負載確定部521基於複數個檢測器6a、6b之當前檢測值及過去值，確定表示自行車10之車輛負載之值。該確定使用車輛負載預測模型M11。行駛預測部522基於表示車輛負載之值、以及複數個檢測器6a、6b各者之當前檢測值及過去值，產生預測值。預測值之產生使用行駛預測模型M12。

於圖5所示之例中，預測模型產生系統100產生車輛負載預測模型M11及行駛預測模型M12作為已學習模型。於訓練資料之資料集中，除了包含複數個檢測器6a、6b各者之對象時間檢測值、過去值及後檢測值以外，還包含表示對象時間點之車輛負載之值。機器學習部102藉由將資料集之各檢測器之對象時間檢測值及過去值作為向模型之輸入資料，將表示車輛負載之值作為標籤(正確答案資料)來執行機器學習，能夠產生車輛負載預測模型M11。又，機器學習部102藉由將資料集之各檢測器之對象時間檢測值及過去值、或者除該等外還加上表示車輛負載之值之資料作為向模型之輸入資料，將表示後檢測值之值作為標籤(正確答案資料)來執行機器學習，能夠產生行駛預測模型M12。

圖6係表示車輛負載預測模型M11及行駛預測模型M12之第1例之圖。圖7係表示該等模型之第2例之圖。圖6、圖7之任一例均為車輛負載預測模型M11輸入複數個檢測器各者之當前檢測值及過去值，輸出車輛負載。行駛預測模型M12除了輸入複數個檢測器各者之當前檢測值及過去值以外，還輸入表示車輛負載之值，且輸出預測值。

圖6之例中，行駛預測模型M12-1包含執行輸入表示車輛負載之值以及複數個檢測器各者之當前檢測值及過去值且輸出預測值之處理的1個模型。與之相對地，圖7之例中，行駛預測模型M12-2包含與複數個車輛負載等級分別對應之複數個負載分級行駛預測模型。又，行駛預測模型M12-2具有根據所輸入之表示車輛負載之值，切換執行預測處理之負載分級行駛預測模型的切換部MK。圖7之例中，行駛預測模型M12-2包含與高、中、低3個等級之車輛負載等級分別對應的負載分級行駛預測模型。車輛負載等級並不限於3個等級，亦可為2個等級或4個等級以上。向與輸入至行駛預測模型M12-2之車輛負載對應之等級之負載分級行駛預測模型輸入複數個檢測器各者之當前檢測值及過去值。藉由該負載分級行駛預測模型產生預測值。

圖8係表示使用圖6所示之模型之預測處理之例及資料例之圖。圖8之例中，車輛負載確定部521將複數個檢測器6a、6b各者之當前檢測值及過去值輸入至車輛負載預測模型M11，使車輛負載預測模型M11產生表示車輛負載之值(S04-1)。行駛預測部522將在S04-1中確定之車輛負載之值、以及複數個檢測器6a、6b各者之當前檢測值及過去值輸入至行駛預測模型M12-1，使其產生預測值(S04-2)。

圖8之表格T2示出了車輛負載預測模型M11之輸入資料及輸出資料之例。該例中，將車速、曲柄轉速、踏力及馬達輸出各者之當前檢測值及過去值之組合輸入至車輛負載預測模型M11。車輛負載預測模型M11針對該等值之組合，輸出表示車輛負載之值作為預測值。

圖8之表格T3示出了行駛預測模型M12-1之輸入資料及輸出資料之例。該例中，將車速、曲柄轉速、踏力及馬達輸出各者之當前檢測值及過去值、以及表示車輛負載之值之組合輸入至行駛預測模型M12-1。行駛預測模型M12-1針對該等值之組合，輸出表示2秒後之車速之值作為預測值。

圖9係表示使用圖7所示之模型進行之預測處理之例及資料例之圖。圖9之例中，S04-1之產生車輛負載之值之處理可與圖8之S04-1相同。行駛預測模型M12-2將複數個檢測器6a、6b各者之當前檢測值及過去值輸入至與在S04-1中確定之車輛負載對應之負載分級行駛預測模型，使該負載分級行駛預測模型產生預測值(S04-2a～2c)。該例中，於車輛負載為高等級之情形時，將當前檢測值及過去值輸入至高用之負載分級行駛預測模型，高用之負載分級行駛預測模型產生預測值。同樣地，於車輛負載為中等級之情形時，中用之負載分級行駛預測模型產生預測值。於車輛負載為低等級之情形時，低用之負載分級行駛預測模型產生預測值。

圖9之表格T4示出了行駛預測模型M12-2之輸入資料及輸出資料、以及執行預測處理之負載分級行駛預測模型之例。該例中，將車速、曲柄轉速、踏力及馬達輸出各者之當前檢測值及過去值之組合輸入至與車輛負載之等級對應之負載分級行駛預測模型。負載分級行駛預測模型針對該等值之組合，輸出2秒後之車速作為預測值。

圖8及圖9所示之例中，作為車輛負載預測模型M11之輸入資料之供給源的檢測器之組合、與作為行駛預測模型M12之輸入資料之供給源的檢測器之組合相同。該等組合亦可不同。例如，作為行駛預測模型M12之輸入資料之供給源的檢測器(車速感測器、踏力感測器、曲柄旋轉感測器及馬達輸出感測器)中之一部分檢測器(例如，車速感測器及踏力感測器)亦可成為作為車輛負載預測模型M11之輸入資料之供給源的檢測器。或者，與作為行駛預測模型M12之輸入資料之供給源的檢測器不同之檢測器亦可包含於作為車輛負載預測模型M11之輸入資料之供給源的檢測器。

(模型產生處理例) 圖10係用以說明圖6所示之車輛負載預測模型M11及行駛預測模型M12-1之產生處理例之圖。圖10之例中，基於行駛記錄資料構建訓練資料。行駛記錄資料係於不同之車輛負載條件下行駛之過程中由複數個檢測器檢測出之檢測器之時間序列資料。行駛記錄資料中之各時間點之複數個檢測器之檢測值與表示車輛負載之值(作為一例，高、中、低)建立了對應。例如，沿著上坡行駛過程中檢測出之檢測值可與表示「高」之車輛負載之值建立對應地記錄，沿著平地行駛過程中檢測出之檢測值可與表示「中」之車輛負載之值建立對應地記錄，沿著下坡行駛過程中檢測出之檢測值可與表示「低」之車輛負載之值建立對應地記錄。

訓練資料之與一時間點(一對象時間點)對應之資料集除了包含對象時間檢測值、過去值、後檢測值以外，還包含表示車輛負載之值。構成訓練資料之複數個資料集包括包含「高」車輛負載之資料集、包含「中」車輛負載之資料集、及包含「低」車輛負載之資料集。即，車輛負載之複數個等級之值全部包含於訓練資料之複數個資料集中。

於用以產生車輛負載預測模型M11之機器學習中，各資料集之對象時間檢測值及過去值成為向模型之輸入資料，各資料集之表示車輛負載之值被用作標籤(正確答案資料)。藉由該機器學習，能夠產生車輛負載預測模型，該車輛負載預測模型基於當前檢測值及過去值而產生表示車輛負載之值。

於用以產生行駛預測模型M12-1之機器學習中，各資料集之表示車輛負載之值、對象時間檢測值及過去值成為向模型之輸入資料，各資料集之表示車輛後檢測值之值被用作標籤(正確答案資料)。藉由該機器學習，能夠產生行駛預測模型M12-1，該行駛預測模型M12-1基於車輛負載、以及各檢測器之當前檢測值及過去值而產生預測值。

圖11係用以說明圖7所示之車輛負載預測模型M11及行駛預測模型M12-2之產生處理例之圖。圖11中，行駛記錄資料及訓練資料之構成可與圖10之情形時相同。又，可使用以產生車輛負載預測模型之機器學習與圖10之情形時相同。於用以產生行駛預測模型之機器學習中，藉由使用訓練資料之資料集群中車輛負載為相同等級之資料集群進行之機器學習，產生各負載分級行駛預測模型。於該情形時，各負載分級行駛預測模型之機器學習中，資料集之各檢測器之對象時間檢測值及過去值成為向模型之輸入資料，後檢測值被用作標籤(正確答案資料)。圖10之例中，藉由使用「高」車輛負載之資料集群進行之機器學習，產生「高」車輛負載用之負載分級行駛預測模型。同樣地，藉由使用「中」車輛負載之資料集群進行之機器學習，產生「中」車輛負載用之負載分級行駛預測模型，藉由使用「低」車輛負載之資料集群進行之機器學習，產生「低」車輛負載用之負載分級行駛預測模型。

(車速預測之例) 預測系統可構成為藉由檢測值獲取部，獲取人力驅動車所具備之車速感測器及踏力感測器之當前檢測值及過去值，並藉由預測部，基於該等值輸出車速之預測值。藉此，能夠以簡單之構成實現反映騎乘者意圖之車速之預測。再者，車速係人力驅動車之前進方向之速度。於該情形時，作為一例，預測部可使用車輛負載預測模型，基於車速及踏力各者之當前檢測值及過去值確定車輛負載之值，並使用行駛預測模型，基於車速及踏力各者之當前檢測值及過去值、以及所確定之車輛負載之值產生車速之預測值。圖12係表示產生車速作為預測值之行駛預測模型M12之例之圖。圖12之行駛預測模型M12輸入車速感測器及踏力感測器之當前檢測值及過去值、以及車輛負載，輸出車速之預測值。

(曲柄轉速預測之例) 預測系統可構成為藉由檢測值獲取部，獲取人力驅動車所具備之車速感測器、踏力感測器及曲柄旋轉感測器(例如，踏頻感測器)之當前檢測值及過去值，並藉由預測部，基於該等值輸出曲柄轉速(例如，踏頻)之預測值。藉此，能夠以簡單之構成，實現反映騎乘者意圖之曲柄轉速之預測。於該情形時，作為一例，預測部可使用車輛負載預測模型，基於車速、踏力及曲柄轉速各者之當前檢測值及過去值確定車輛負載之值，並使用行駛預測模型，基於車速、踏力及曲柄轉速各者之當前檢測值及過去值、以及所確定之車輛負載之值產生曲柄轉速之預測值。再者，檢測值獲取部亦可進而獲取輔助踩踏之馬達之輸出之當前檢測值及過去值。預測部亦可進而基於馬達輸出之當前檢測值及過去值，產生曲柄轉速之預測值。

圖13係表示產生曲柄轉速作為預測值之行駛預測模型M12之例之圖。圖13之行駛預測模型M12輸入車速感測器、踏力感測器及曲柄旋轉感測器之當前檢測值及過去值、以及車輛負載，輸出曲柄轉速之預測值。圖13之例中，向行駛預測模型M12之輸入資料中亦可進而包含馬達輸出感測器之當前檢測值及過去值。

(踏力預測之例) 預測系統可構成為藉由檢測值獲取部，獲取人力驅動車所具備之車速感測器及踏力感測器之當前檢測值及過去值，並藉由預測部，基於該等值輸出踏力之預測值。藉此，能夠以簡單之構成，實現反映騎乘者意圖之踏力之預測。於該情形時，作為一例，預測部可使用車輛負載預測模型，基於車速及踏力各者之當前檢測值及過去值確定車輛負載之值，並使用行駛預測模型，基於車速及踏力各者之當前檢測值及過去值、以及所確定之車輛負載之值產生踏力之預測值。再者，檢測值獲取部亦可進而獲取曲柄轉速感測器之當前檢測值、或當前檢測值及過去值。預測部亦可進而基於曲柄轉速之當前檢測值、或當前檢測值及過去值，產生踏力之預測值。

圖14係表示產生踏力作為預測值之行駛預測模型M12之例之圖。圖14之行駛預測模型M12輸入車速感測器、踏力感測器之當前檢測值及過去值、曲柄旋轉感測器之當前檢測值、以及車輛負載，輸出踏力之預測值。圖14之例中，亦可省略曲柄旋轉感測器之當前檢測值之輸入。又，圖14之例中，亦可將曲柄旋轉感測器之過去值加入至向行駛預測模型M12之輸入資料。

預測系統可構成為藉由檢測值獲取部，獲取人力驅動車所具備之車速感測器、踏力感測器及用於踩踏輔助之馬達輸出感測器之當前檢測值及過去值，並藉由預測部，基於該等值，輸出馬達輸出之預測值。藉此，能夠以簡單之構成，實現反映騎乘者意圖之用於踩踏輔助之馬達輸出之預測。於該情形時，作為一例，預測部可使用車輛負載預測模型，基於車速及踏力各者之當前檢測值及過去值確定車輛負載之值，並使用行駛預測模型，基於車速、踏力及馬達輸出各者之當前檢測值及過去值、以及所確定之車輛負載之值，產生馬達輸出之預測值。再者，檢測值獲取部亦可進而獲取曲柄轉速感測器之當前檢測值、或當前檢測值及過去值。預測部亦可進而基於曲柄轉速之當前檢測值、或當前檢測值及過去值，產生馬達輸出之預測值。

圖15係表示產生馬達輸出作為預測值之行駛預測模型M12之例之圖。圖15之行駛預測模型M12輸入車速感測器、踏力感測器及馬達輸出感測器之當前檢測值及過去值、曲柄旋轉感測器之當前檢測值、以及車輛負載，輸出馬達輸出之預測值。圖15之例中，亦可省略曲柄旋轉感測器之當前檢測值之輸入。又，圖15之例中，亦可將曲柄旋轉感測器之過去值加入至向行駛預測模型M12之輸入資料。

圖12～圖15所示之例中，預測部產生之預測值係作為由檢測值獲取部獲取之當前檢測值之供給源的複數個檢測器中之1個檢測器檢測出之值之預測值。即，行駛預測模型M12產生所輸入之當前檢測值中之1個檢測值之預測值。藉此，能夠實現精度更高之預測。再者，圖12～圖15中之行駛預測模型可設為圖6或圖7所示之構成。又，行駛預測模型M12亦可設為不輸入車輛負載之已學習模型。

預測值並不限於上述例。例如，人力驅動車之加速度、滾轉、俯仰或偏航之至少一個角度或角速度、或者迴轉(彎道)之有無等亦可為預測值。

(控制例) 圖16係表示控制系統5之控制部53之構成例之功能方塊圖。如圖16所示，控制部53能夠基於車速預測值、踏力預測值、曲柄轉速預測值或馬達輸出預測值中之至少一個預測值，控制人力驅動車(自行車)之器件。圖16之例中，控制部53所控制之器件係顯示裝置71、馬達3、座管致動器81、電動動力轉向(EPS)82、電動變速機83中之至少一者。

控制部53能夠基於車速、踏力、曲柄轉速或馬達輸出中之至少一者之預測值，控制用於輔助踩踏之馬達輸出。例如，能夠基於踏力之預測值，控制馬達3之輔助量。

控制部53對用於輔助之馬達輸出之控制，例如可為馬達之輔助量、與踏力對應之輔助力之波形之變更、對於踏力之輔助力之大小(輔助比)、輔助力之變化對踏力之變化之響應性、輔助模式、輔助力之上限、或其他輔助條件之控制。

控制部53可基於車速預測值、踏力預測值、曲柄轉速預測值或馬達輸出預測值中之2個以上之預測值，控制用於輔助之馬達輸出。如此，藉由使用2個以上之預測值之組合控制馬達輸出，能夠於各種狀況下按照騎乘者之意圖進行輔助。例如，預測部52亦可輸出複數個檢測器6a、6b中之2個以上檢測器之檢測值之預測值。控制部53亦可使用複數個檢測器6a、6b中之2個以上檢測器之檢測值之預測值，控制人力驅動車所具備之器件(例如，用於踩踏輔助之馬達)。

於預測值表明車速增加即加速之情形時，控制部53可進行提高馬達對踏力之輔助量之控制。又，於預測值表明車速減小即減速之情形時，控制部可進行降低馬達對踏力之輔助量之控制。對踏力之輔助量之控制例如可為馬達之輔助力相對於踏力之比(輔助比)、或馬達輸出對踏力變化之響應速度之控制。再者，關於預測值表明車速增加或減小之哪一者，可藉由預測值與當前檢測值之比較進行判斷。例如，可於車速之預測值大於當前檢測值且其等之差超過閾值之情形時，判斷為預測值表明車速增加。

於預測值表明踏力上升之情形時，控制部可進行提高馬達對踏力之輔助量之控制。藉此，能夠提高馬達輸出對騎乘者提昇踏力之意圖之追隨性。例如，能夠僅較爬坡起始延遲少許即啟動輔助。又，於預測值表明踏力下降之情形時，控制部53可進行減小馬達3之輔助量，即削弱輔助之控制。

於預測值表明車速減小、踏力減小及曲柄轉速減小之情形時，控制部53可進行降低馬達對踏力之輔助量之控制。藉此，例如能夠減輕停車或減速時騎乘者之輔助殘存感。

於預測值表明車速減小、曲柄轉速減小及踏力上升之情形時，控制部53可進行提高馬達對踏力之輔助量之控制。藉此，例如能夠減少爬坡時之失速。

於預測值表明車速增加及曲柄轉速增加，且踏力低於閾值之情形時，控制部53可進行提高馬達對踏力之輔助量之控制。藉此，例如能夠於停車後踩踏起步時減少輔助之延遲及輔助之急遽上升。作為一例，於預測值表明車速增加及曲柄轉速增加之情形時，控制部53可放寬用於使馬達開始輔助之踏力條件。例如，可降低作為輔助開始條件之踏力閾值。藉此，於預測到要提高車速及曲柄轉速之情形時，能夠對較低之踏力開始輔助。

於預測值表明車速不變之情形時，控制部53可進行使馬達對踏力之輔助平緩上升之控制。藉此，騎乘者易於勻速騎行。控制部53例如藉由降低馬達輸出對踏力變化之響應速度，能夠使馬達對踏力之輔助平緩上升。關於預測值是否表明車速不變，例如可根據車速之當前檢測值與預測值之差是否處於規定範圍內來判斷。

於車速、曲柄轉速及踏力之預測值與其等之實際檢測值之差超過規定範圍之情形時，控制部53可判斷為發生滑移，並進行降低馬達之輔助量之控制。藉此，能夠應對滑移之發生。如此，藉由基於預測值與實際檢測值之差控制馬達輸出，能夠進行應對滑移等狀況變化之輔助。

於預測值表明車速之減小量為閾值以上之情形時，控制部53可進行使座部下降之控制。又，於在座部已下降之狀態下，預測值表明車速增加之情形時，控制部可進行使座部升高之控制。例如，於車速之預測值表明低於規定速度(例如，5 km/h)之減速之情形時，控制部53可降低座部之位置。座部之位置例如可藉由控制座管所具備之致動器81而自動變更。如此，藉由根據車速之預測值控制座部之位置，能夠根據騎乘者之意圖調整座部之位置。

座管安裝於座架(座位管)14。於座管安裝有座部24。座管構成為藉由變更自座架14突出之部分之長度，來調整自路面至座部24之高度。座管具備致動器81。致動器81可包含電動馬達或螺線管。藉由致動器81之驅動，座管相對於座架14移動。座管可為例如升降座管(dropper seat post)或可調座管(adjustable seat post)。

於預測值表明踏力為閾值以上之情形時，控制部53可控制電動動力轉向(EPS)以保持直行前進。例如，於預測到踏力較強之情形時，EPS針對騎乘者輸入之轉向力輸出反作用力，藉此騎乘者容易維持直行前進。又，於預測值表明車速之減小量為閾值以上之情形時，控制部可控制EPS以加快輔助對轉向輸入之響應。例如，於根據預測值，預測到自行車低速行駛之情形時，可提高EPS對騎乘者之轉向輸入之響應速度。藉此，能夠使自行車順滑轉彎。EPS可具有馬達、及將馬達之旋轉傳遞至轉向軸之傳遞機構。又，EPS亦可具有檢測騎乘者輸入之轉向轉矩之轉向轉矩感測器。EPS藉由無線或有線而與控制系統5電性連接。

於預測值表明曲柄轉速上升之情形時，控制部53可控制電動變速機以進行加速變速，即以加重踏板之方式變速。又，於預測值表明曲柄轉速減小及踏力上升之情形時，控制部可控制電動變速機以進行減速變速，即以減輕踏板之方式變速。作為一例，控制部53於藉由預測部52預測到踏頻提高之情形時，可使電動變速機加速，於藉由預測部52預測到踏頻降低且踏力增大之情形時，可使電動變速機減速。藉此，能夠維持騎乘者輕鬆踩踏之狀況。電動變速機亦可具有齒輪、馬達及變速感測器。電動變速機藉由無線或有線而與控制系統5電性連接。

除了上述之電動變速機之控制以外、或者代替上述之電動變速機之控制，控制部53亦可將變速之指示顯示於顯示裝置。控制部53可於騎乘者之變速操作或利用電動變速機進行之變速之時點，進行使馬達3之輔助暫時停止之控制。

除了電動輔助自行車以外，本發明之實施方式之人力驅動車亦可為例如電動自行車或附踏板之電動機車(附踏板之輕型電動機車)等。又，人力驅動車並不限於二輪車輛，亦可為具有3輪以上之車輛。

以上，對本發明之實施方式進行了說明，但上述實施方式僅為用於實施本發明之例示。因此，本發明並不限定於上述實施方式，能夠在不脫離其主旨之範圍內使上述實施方式適當變化來實施。

3:馬達 5:控制系統 6a,6b:檢測器 10:自行車 11:車體框架 12:頭管 13d:向下框架 13u:向上框架 14:座架 15:托架 16:後下叉 17:後上叉 21,22:車輪 23:把手 24:座部 25:把手桿 26:前叉 27,29:車軸 28:座部管 31:踏板 31a:腳踏 31b:曲柄臂 32:減速機(減速齒輪) 35:電池單元 40:驅動單元 40a:殼體 41:曲柄軸 43:合力機構 44:驅動軸 46:鏈條 47:變速操作器 48:變速機構 49a,49b,49c,49d:單向離合器 50:預測系統 51:檢測值獲取部 52:預測部 53:控制部 61:車速感測器(速度感測器) 62:踏力感測器 64:馬達輸出感測器 65:曲柄旋轉感測器 70:UI部 71:顯示裝置 72:輸入裝置 74:刹車桿 75:刹車 76:刹車 81:座管致動器 82:電動動力轉向(EPS) 83:電動變速機 100:預測模型產生系統 101:訓練資料獲取部 102:機器學習部 110:記憶部 521:車輛負載確定部 522:行駛預測部 M1:已學習模型 M11:車輛負載預測模型 M12:行駛預測模型 M12-1:行駛預測模型 M12-2:行駛預測模型 MK:切換部 S01,S02,S03,S04,S04-1,S04-2,S04-2a,S04-2b,S04-2c,S05:處理 T1,T2,T3,T4:表格

圖1係表示本實施方式之系統之構成例之功能方塊圖。 圖2係表示自行車之構成例之左側視圖。 圖3係表示圖2所示之自行車之構成要素之機械及電性連接構成之例的方塊圖。 圖4係表示圖1所示之預測系統之處理之流程圖及資料之例之圖。 圖5係表示預測系統之變化例之功能方塊圖。 圖6係表示車輛負載預測模型及行駛預測模型之第1例之圖。 圖7係表示車輛負載預測模型及行駛預測模型之第2例之圖。 圖8係表示使用圖6所示之模型之預測處理之例及資料例之圖。 圖9係表示使用圖7所示之模型之預測處理之例及資料例之圖。 圖10係用以說明圖6所示之車輛負載預測模型及行駛預測模型之產生處理例之圖。 圖11係用以說明圖7所示之車輛負載預測模型及行駛預測模型之產生處理例之圖。 圖12係表示產生車速作為預測值之行駛預測模型之例之圖。 圖13係表示產生曲柄轉速作為預測值之行駛預測模型之例之圖。 圖14係表示產生踏力作為預測值之行駛預測模型之例之圖。 圖15係表示產生馬達輸出作為預測值之行駛預測模型之例之圖。 圖16係表示控制系統之控制部之構成例之功能方塊圖。

5:控制系統

6a,6b:檢測器

10:自行車

50:預測系統

51:檢測值獲取部

52:預測部

53:控制部

100:預測模型產生系統

101:訓練資料獲取部

102:機器學習部

110:記憶部

M1:已學習模型

Claims (17)

1. 一種人力驅動車行駛預測系統，其具備： 檢測值獲取部，其獲取人力驅動車所具備之複數個檢測器之當前時間點之當前檢測值、及基於當前時間點之前的檢測值之過去值；以及 預測部，其使用藉由機器學習而構建之已學習模型，基於上述檢測值獲取部所獲取之複數個檢測器各者之當前檢測值及過去值，產生與上述人力驅動車之行駛相關之預測值。
2. 如請求項1之人力驅動車行駛預測系統，其中 上述複數個檢測器包含上述人力驅動車之車速感測器、踏力感測器、曲柄旋轉感測器、加速度感測器、或用於踩踏輔助之馬達輸出感測器中之至少兩者， 上述預測部產生之上述預測值包含表示上述人力驅動車之車速、踏力、曲柄轉速、加速度、或用於踩踏輔助之馬達輸出中之至少一者之值。
3. 如請求項1或2之人力驅動車行駛預測系統，其中 上述檢測值獲取部獲取基於當前時間點之前的期間內之檢測值群之過去值，作為上述複數個檢測器各者之過去值。
4. 如請求項1或2之人力驅動車行駛預測系統，其中 上述已學習模型包含車輛負載預測模型及行駛預測模型， 上述預測部包含： 車輛負載確定部，其使用上述車輛負載預測模型，基於上述複數個檢測器中之至少2個檢測器各者之當前檢測值及過去值，確定表示上述人力驅動車之車輛負載之值；以及 行駛預測部，其使用上述行駛預測模型，基於表示上述車輛負載之值、以及上述複數個檢測器各者之當前檢測值及過去值，產生上述預測值。
5. 如請求項4之人力驅動車行駛預測系統，其中 上述行駛預測模型包含與複數個車輛負載等級分別對應之複數個負載分級行駛預測模型， 上述行駛預測部使用與上述車輛負載確定部所確定之表示上述車輛負載之值對應的負載分級行駛預測模型，產生上述預測值。
6. 如請求項4之人力驅動車行駛預測系統，其中 上述行駛預測模型係輸入表示上述車輛負載之值、以及上述複數個檢測器各者之當前檢測值及過去值，輸出與上述人力驅動車之行駛相關之上述預測值的已學習模型。
7. 一種人力驅動車控制系統，其包含如請求項1或2之人力驅動車行駛預測系統，且 進而具備控制部，該控制部基於上述預測部產生之預測值，控制上述人力驅動車所具備之器件。
8. 如請求項7之人力驅動車控制系統，其中 上述器件係輔助騎乘者之人力驅動之馬達、輔助騎乘者之轉向之馬達、調整騎乘者乘坐之座部之位置之致動器、或顯示裝置中之至少一者。
9. 一種記憶媒體，其記憶有藉由機器學習而構建之已學習模型程式，且 記憶有輸入人力驅動車所具備之複數個檢測器之當前時間點之當前檢測值、及基於當前時間點之前的檢測值之過去值，輸出與上述人力驅動車之行駛相關之預測值的已學習模型程式。
10. 一種非暫時性記憶媒體，其記憶有如請求項9之已學習模型程式，且包含： 車輛負載預測模型，其輸入上述複數個檢測器中之至少2個檢測器各者之當前檢測值及過去值，輸出表示上述人力驅動車之車輛負載之值；以及 行駛預測模型，其輸入藉由上述車輛負載預測模型輸出之表示上述車輛負載之值、以及上述複數個檢測器各者之當前檢測值及過去值，輸出上述預測值。
11. 一種人力驅動車行駛預測模型之產生系統，其具備： 訓練資料獲取部，其獲取複數個資料集作為訓練資料，上述資料集包含人力驅動車所具備之複數個檢測器之對象時間點之對象時間檢測值、基於上述對象時間點之前的檢測值之過去值、及上述對象時間點之後的時間點之後檢測值；以及 機器學習部，其藉由使用上述訓練資料之機器學習產生已學習模型，該已學習模型根據上述複數個檢測器之當前時間點之當前檢測值及基於當前時間點之前的檢測值之過去值，輸出與當前時間點以後之上述人力驅動車之行駛相關之預測值。
12. 如請求項11之人力驅動車行駛預測模型之產生系統，其中 上述訓練資料獲取部獲取複數個上述資料集，上述資料集進而包含表示上述人力驅動車之車輛負載之值， 上述機器學習部產生已學習模型，該已學習模型除了基於上述複數個檢測器之當前時間點之當前檢測值及上述過去值以外，還基於表示上述車輛負載之值，輸出上述預測值。
13. 如請求項1或2之人力驅動車行駛預測系統，其 具備搭載於上述人力驅動車之車載電腦及車載記憶裝置， 上述車載電腦執行上述檢測值獲取部及上述預測部之處理， 上述車載記憶裝置記憶用於上述預測部之處理之上述已學習模型。
14. 一種記憶媒體，其記憶有使電腦執行如下處理之人力驅動車行駛預測程式： 檢測值獲取處理，其獲取人力驅動車所具備之複數個檢測器之當前時間點之當前檢測值、及基於當前時間點之前的檢測值之過去值；以及 預測處理，其使用藉由機器學習而構建之已學習模型，基於在上述檢測值獲取處理中獲取之複數個檢測器各者之當前檢測值及過去值，產生與上述人力驅動車之行駛相關之預測值。
15. 一種人力驅動車行駛預測方法，其由電腦執行，且包括： 檢測值獲取步驟，其獲取人力驅動車所具備之複數個檢測器之當前時間點之當前檢測值、及基於當前時間點之前的檢測值之過去值；以及 預測步驟，其使用藉由機器學習而構建之已學習模型，基於在上述檢測值獲取步驟中獲取之複數個檢測器各者之當前檢測值及過去值，產生與上述人力驅動車之行駛相關之預測值。
16. 一種記憶媒體，其記憶有使電腦執行如下處理之人力驅動車行駛預測模型之產生程式： 訓練資料獲取處理，其獲取複數個資料集作為訓練資料，上述資料集包含人力驅動車所具備之複數個檢測器之對象時間點之對象時間檢測值、基於上述對象時間點之前的檢測值之過去值、及上述對象時間點之後的時間點之後檢測值；以及 機器學習處理，其藉由使用上述訓練資料之機器學習產生已學習模型，該已學習模型根據上述複數個檢測器之當前時間點之當前檢測值及基於當前時間點之前的檢測值之過去值，輸出與當前時間點以後之上述人力驅動車之行駛相關之預測值。
17. 一種人力驅動車行駛預測模型之產生方法，其由電腦執行，且包括： 訓練資料獲取步驟，其獲取複數個資料集作為訓練資料，上述資料集包含人力驅動車所具備之複數個檢測器之對象時間點之對象時間檢測值、基於上述對象時間點之前的檢測值之過去值、及上述對象時間點之後的時間點之後檢測值；以及 機器學習步驟，其藉由使用上述訓練資料之機器學習產生已學習模型，該已學習模型根據上述複數個檢測器之當前時間點之當前檢測值及基於當前時間點之前的檢測值之過去值，輸出與當前時間點以後之上述人力驅動車之行駛相關之預測值。