JP2978353B2 - 車両の駆動力制御装置 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は、車両の加速度が運転
者の要求する加速度となるように駆動力を制御する車両
の駆動力制御装置に関するものである。

【０００２】

【従来の技術】一般に、車両に対しては、様々な環境条
件の下での走行が要求されると共に、個々の運転者によ
る種々の運転操作がなされる。そして、車両の挙動につ
いては、運転者の意図する応答性と円滑性が要求され
る。従来より、車両の駆動力に関わる挙動については、
例えば内燃機関を搭載した車両において、運転者による
アクセルペダルの踏込量に応じて制御が行われることが
知られている。

【０００３】例えば、特開平１−２９４９２５号公報に
開示された技術では、運転者によるアクセルペダルの踏
込量（アクセル開度）とそのときの車速から、運転者の
意図する目標加速度が推定される。そして、その推定さ
れた目標加速度と実際の加速度との偏差が求められ、そ
の求められた偏差の大きさに基づいてスロットルバルブ
の開度が補正されることにより、実際の加速度が目標加
速度と一致するように制御される。

【０００４】しかしながら、上記の従来技術では、推定
されるべき目標加速度がアクセル開度と車速との関係か
ら、予めマップにより一律に定められているだけであ
る。従って、そのマップにおける目標加速度の設定が運
転者の特性に合ったものとは限らず、車両の駆動力を個
々の運転者の特性に合致させて好適に制御することは困
難であった。しかも、運転者が同一の場合でも、目標加
速度を推定するためのマップが常に同一なものであるこ
とから、運転者の意識状態や運転環境等が変わった場合
には、運転者の満足する目標加速度が得られなくなり、
車両の運転性能が悪化する傾向があった。

【０００５】そこで、上記の不具合に対処すると共に、
制御装置におけるメモリの効率的利用や、目標加速度の
算出遅れ防止等を狙った技術が、本願出願人により特願
平３−８０１０３号に提案されている。この提案技術で
は、内燃機関を搭載した車両において、リンクレスタイ
プのスロットルバルブの開度が、運転者によるアクセル
ペダルの踏込量（アクセルストローク）に応じて制御さ
れる。ここで、アクセルストロークに対応した目標加速
度を決定するためのデータがマップとして予めバックア
ップＲＡＭに記憶されている。そして、実際の加速度が
マップより決定される目標加速度となるように、スロッ
トルバルブの開度が制御され、もって車両の駆動力が制
御されるようになっている。又、この提案技術では、ア
クセルストロークの変化と実際の加速度が運転者の加速
度要求度合いの変化として検知される。そして、その検
知された加速度要求度合いと、上記のマップより決定さ
れる目標加速度との偏差が最小となるように、マップの
データが修正されてバックアップＲＡＭに記憶し直され
る。数学的には、目標加速度に関する補正（修正）が上
記の偏差に応じてなされることにより、マップの書き替
えが行われている。つまり、アクセルストロークに対応
する目標加速度のデータが学習されるのである。

【０００６】従って、上記のように目標加速度のデータ
が、運転者の加速度要求度合いに合致するように学習さ
れることから、常に運転者の特性に合った目標加速度が
決定される。その結果、運転者の意識状態や運転環境に
関係なく常に運転者の特性に合った駆動力が得られる。

【０００７】

【発明が解決しようとする課題】ところが、前記後者の
提案技術では、目標加速度のデータの学習としては、単
にデータが補正（修正）されてマップの書き替えが行わ
れるだけであった。そして、マップの書き替えについて
は、その時々でアクセルストロークのある点、或いはあ
る範囲についてのみ、目標加速度のデータが学習される
だけであった。例えば、定常走行の運転領域では、それ
に対応したアクセルストロークの範囲についてのみ目標
加速度のデータが学習されるだけであった。或いは、急
加速走行の運転領域では、それに対応したアクセルスト
ロークの範囲についてのみ目標加速度のデータが学習さ
れるだけであった。従って、特定の運転領域についての
み目標加速度が補正（修正）されるだけとなり、書き替
えられたマップに領域的な偏りが生じることになる。つ
まり、アクセルストロークの特定範囲に関して目標加速
度に関する補正（修正）が行われても、その補正（修
正）がアクセルストロークの他の範囲に反映されること
がない。その結果、書き替えられたマップで、アクセル
ストロークに対する目標加速度の関係が部分的に不連続
となり、車両の駆動力の制御がアクセルストロークの変
化に対して部分的に不連続なものとなるおそれがあっ
た。

【０００８】又、前記後者の提案技術では、運転者の要
求する加速度を学習するのにある程度の時間がかかるこ
とから、次のようなことも考えられた。即ち、ある特定
の車両に対して運転者が入れ代わった場合に、入れ代わ
る前後で運転者の走りに対する指向が異なっているとき
には、交代後の運転者の指向を直ちに車両の走りに反映
させることができない傾向にあった。例えば、車両を常
に速く走らせようと指向する運転者から、常にゆっくり
走らせようと指向する運転者へ入れ代わった場合には、
入れ代わり後の運転者の指向を車両の走りに反映させる
までに、多少の遅れを伴う傾向にあった。

【０００９】この発明は前述した事情に鑑みてなされた
ものであって、その目的は、運転者の意識状態や運転環
境にかかわりなく常に運転者の特性に合った駆動力の制
御を行うことが可能で、且つ、個々の運転者の走りに対
する指向（好み）をより迅速に反映した駆動力の制御を
行うことが可能で、しかもその駆動力の制御を運転者に
よるアクセルペダル等の操作量の全範囲に渡って連続的
なものとすることの可能な車両の駆動力制御装置を提供
することにある。

【００１０】

【課題を解決するための手段】上記の目的を達成するた
めに、この発明においては、図１に示すように、車両Ｍ
１に搭載された駆動源Ｍ２の制御量を変更するための制
御量変更手段Ｍ３と、駆動源Ｍ２の出力を任意に制御す
るために運転者により操作される出力操作手段Ｍ４と、
その出力操作手段Ｍ４の操作量を検出するための操作量
検出手段Ｍ５とを備え、操作量検出手段Ｍ５の検出結果
に応じて制御量変更手段Ｍ３を駆動させることにより駆
動源Ｍ２の出力を制御して車両Ｍ１の駆動力を制御する
ようにした車両の駆動力制御装置において、車両Ｍ１の
加速度を検出するための加速度検出手段Ｍ６と、車両Ｍ
１の速度を検出するための速度検出手段Ｍ７と、出力操
作手段Ｍ４の操作量及び車両Ｍ１の速度に対する車両Ｍ
１の加速度の関係について予め学習された標準的な第１
の基準加速度モデルを記憶するための第１の基準加速度
モデル記憶手段Ｍ８と、出力操作手段Ｍ４の操作量及び
車両Ｍ１の速度に対する車両Ｍ１の加速度の関係につい
て学習され、且つ運転者の走りに対する指向（好み）に
ついて学習された第２の基準加速度モデルを記憶するた
めの第２の基準加速度モデル記憶手段Ｍ９と、加速度検
出手段Ｍ６の検出により得られる加速度を比較すべき教
師データとして、その教師データと当該手段Ｍ１０の出
力との偏差を誤差信号とし、その誤差分が小さくなるよ
うに、出力操作手段Ｍ４の操作量及び速度検出手段Ｍ７
の検出により得られる速度に対する車両Ｍ１の加速度の
関係を、運転者の要求する加速度モデルとして学習する
ための要求加速度モデル学習手段Ｍ１０と、第２の基準
加速度モデル記憶手段Ｍ９に記憶されている第２の基準
加速度モデルと第１の基準加速度モデル記憶手段Ｍ８に
記憶されている第１の基準加速度モデルとの偏差を演算
すると共に、要求加速度モデル学習手段Ｍ１０により学
習される加速度モデルの出力と第１の基準加速度モデル
記憶手段Ｍ８に記憶されている第１の基準加速度モデル
又は第２の基準加速度モデル記憶手段Ｍ９に記憶されて
いる第２の基準加速度モデルとの偏差を演算し、それら
各偏差に基づき出力操作手段Ｍ４の操作量及び速度検出
手段Ｍ７の検出により得られる速度に対する駆動源Ｍ２
の制御量の関係を制御量感度として演算するための制御
量感度演算手段Ｍ１１と、その制御量感度演算手段Ｍ１
１により演算される制御量感度に基づき、操作量検出手
段Ｍ５により検出される操作量に応じて制御量変更手段
Ｍ３の駆動を制御する駆動制御手段Ｍ１２とを備えたこ
とを趣旨としている。

【００１１】

【作用】上記の構成によれば、図１に示すように、第１
の基準加速度モデル記憶手段Ｍ８には、出力操作手段Ｍ
４の操作量及び車両Ｍ１の速度に対する車両Ｍ１の加速
度の関係について予め学習された標準的な第１の基準加
速度モデルが記憶されている。又、第２の基準加速度モ
デル記憶手段Ｍ９には、出力操作手段Ｍ４の操作量及び
車両Ｍ１の速度に対する車両Ｍ１の加速度の関係につい
て学習され、且つ運転者の走りに対する指向（好み）に
ついて学習された第２の基準加速度モデルが記憶されて
いる。更に、加速度検出手段Ｍ６の検出により得られる
加速度は、要求加速度モデル学習手段Ｍ１０において、
比較すべき教師データとして用いられる。つまり、車両
Ｍ１の実際の加速度が、運転者の要求する加速度として
比較に用いられる。そして、要求加速度モデル学習手段
Ｍ１０では、その教師データと当該手段Ｍ１０の出力と
の偏差が小さくなるように、即ち、運転者の要求する加
速度と要求加速度モデルの出力との偏差が小さくなるよ
うに、出力操作手段Ｍ４の操作量及び速度検出手段Ｍ７
の検出により得られる速度に対する車両Ｍ１の加速度の
関係が、運転者の要求する加速度モデルとして学習され
る。更に、制御量感度演算手段Ｍ１１では、第２の基準
加速度モデルと第１の基準加速度モデルとの偏差が演算
されると共に、学習される加速度モデルの出力と第１の
基準加速度モデル又は第２の基準加速度モデルとの偏差
が演算される。同じく、制御量感度演算手段Ｍ１１で
は、それら各偏差に基づき出力操作手段Ｍ４の操作量及
び速度検出手段Ｍ７の検出により得られる速度に対する
駆動源Ｍ２の制御量の関係が制御量感度として演算され
る。そして、駆動制御手段Ｍ１２では、上記のように演
算される制御量感度に基づき、運転者の操作による出力
操作手段Ｍ４の操作量に応じて制御量変更手段Ｍ３の駆
動が制御される。これにより、駆動源Ｍ２の出力が制御
され、もって車両Ｍ１の駆動力が制御される。

【００１２】従って、この発明によれば、常に運転者の
要求に応じた加速度モデルが推定される。そして、その
加速度モデルの出力と標準的な第１の基準加速度モデル
又は運転者の走りの指向（好み）を反映した第２の基準
加速度モデルとの偏差、及び運転者の走りの指向（好
み）を反映した第２の基準加速度モデルと標準的な第１
の基準加速度モデルとの偏差に応じて制御量感度が求め
られる。そのため、上記前者の偏差からは、運転者のそ
の時点での加速度に対する要求の強さが制御量感度に反
映され、上記後者の偏差からは、運転者の平常の走りの
指向（好み）の強さが制御量感度に反映されることにな
る。そして、その制御量感度に基づき、常に運転者の要
求に合った加速度をもって、且つ運転者の走りの指向
（好み）を反映した加速度をもって、駆動源Ｍ２の制御
量が制御される。

【００１３】更に、この発明によれば、出力操作手段Ｍ
４の操作量及び車両Ｍ１の速度に対する車両Ｍ１の加速
度の関係の全体が連続的なモデルとして学習され、出力
操作手段Ｍ４の操作量及び車両Ｍ１の速度に対する駆動
源Ｍ２の制御量の関係の全体が連続的なモデルとして学
習される。そのため、車両Ｍ１の速度の全範囲につい
て、出力操作手段Ｍ４の操作量の全範囲に対する加速度
及び制御量の関係が部分的に不連続となることはない。

【００１４】

【実施例】以下、この発明における車両の駆動力制御装
置を具体化した一実施例を図２〜図１６に基づいて詳細
に説明する。

【００１５】図２はこの実施例における車両の駆動力制
御装置を概略的に示す構成図である。車両１には駆動源
としてのガソリンエンジン（以下単に「エンジン」とい
う。）２が搭載されている。エンジン２は複数気筒の直
列型となっている。エンジン２の吸気通路３には外気が
取り込まれ、図示しないインジェクタから噴射される燃
料が供給される。そして、エンジン２の図示しない各燃
焼室には、吸気通路３を通じて外気と燃料との混合気が
取り込まれる。更に、各燃焼室に取り込まれた混合気
が、図示しない各点火プラグの作動により爆発・燃焼さ
れることにより、図示しないピストン及びクランクシャ
フト等が作動してエンジン２の出力が得られる。又、エ
ンジン２の各燃焼室で燃焼された後の既燃焼ガスは、排
気通路４を通じて外部へと排出される。

【００１６】この実施例で、車両１はフロントエンジン
・リヤドライブ方式（ＦＲ方式）のものであり、エンジ
ン２のクランクシャフトは、図示しないトランスミッシ
ョン、プロペラシャフト、ディファレンシャルギヤ及び
ドライブシャフト等を介して、駆動輪である左右一対の
後輪５に駆動連結されている。又、従動輪である左右一
対の前輪６は、運転席に設けられた図示しないステアリ
ングホイールの操作に連動する操舵輪となっている。

【００１７】この実施例において、吸気通路３の途中に
は、制御量変更手段を構成するリンクレスタイプのスロ
ットルバルブ７が設けられている。即ち、スロットルバ
ルブ７は、その近傍に設けられた直流モータ８に連結さ
れている。そして、直流モータ８の作動により、エンジ
ン２の制御量としてのスロットルバルブ７の開度、即ち
スロットル開度Ｔｈが制御される。これにより、吸気通
路３を通じてエンジン２の各燃焼室へ取り込まれる空気
量が調整され、この空気量の調整により、エンジン２の
出力が制御される。

【００１８】スロットルバルブ７の近傍には、スロット
ルセンサ９が設けられている。このスロットルセンサ９
では、スロットル開度Ｔｈが検出され、それに応じた信
号が出力される。又、車両１の運転席には、出力操作手
段としてのアクセルペダル１０が設けられている。この
アクセルベダル１０は、エンジン２の出力を任意に制御
するために、運転者ＤＲにより操作されるものである。
又、アクセルペダル１０の近傍には、操作量検出手段と
してのアクセルセンサ１１が設けられている。このアク
セルセンサ１１では、アクセルペダル１０の操作量、即
ちアクセルストロークＳが検出され、それに応じた信号
が出力される。更に、車両１のほぼ中央には、加速度検
出手段を構成する周知の加速度センサ１２が設けられて
いる。この加速度センサ１２では、車両１の前後方向の
加速度Ｇが検出され、それに応じた信号が出力される。
加えて、前輪６には速度検出手段を構成する周知の車速
センサ１３が設けられている。この車速センサ１３で
は、前輪６の回転数に応じて車両１の速度、即ち車速Ｖ
が検出され、それに応じた信号が出力される。

【００１９】加えて、この実施例において、車両１の運
転席には、運転者ＤＲの走りに対する好みのモード、即
ち指向モードＤＭを選択するために操作されるモードセ
レクトスイッチ１４が設けられている。この実施例で
は、走りに対する指向モードＤＭとして、高加速度の走
りを指向する「ハイモード（Ｈ）」、低加速度の走りを
指向する「ロウモード（Ｌ）」、及び標準的な加速度の
走りを指向する「ノーマルモード（Ｎ）」の３種類の指
向モードＤＭが設定されている。そして、それら各指向
モードＤＭを選択するためにモードセレクトスイッチ１
４が操作されることにより、同スイッチ１４からは選択
に応じた指向モードＤＭを指示する信号が出力される。

【００２０】そして、この実施例では、スロットルバル
ブ７を運転者ＤＲの要求と指向（好み）に応じて好適に
開閉制御するために、スロットルコンピュータ２１及び
ニューロコンピュータ２２が設けられている。スロット
ルコンピュータ２１は駆動制御手段を構成しており、ス
ロットルコンピュータ２１には、直流モータ８及びスロ
ットルセンサ９がそれぞれ電気的に接続されている。
又、ニューロコンピュータ２２は第１の基準加速度モデ
ル記憶手段、第２の基準加速度モデル記憶手段、要求加
速度モデル学習手段及び制御量感度演算手段を構成して
おり、ニューラルネットワークの技術を適用して構成さ
れている。このニューロコンピュータ２２には、アクセ
ルセンサ１１、加速度センサ１２、車速センサ１３及び
モードセレクトスイッチ１４がそれぞれ電気的に接続さ
れている。又、ニューロコンピュータ２２とスロットル
コンピュータ２１とは互いに電気的に接続されている。

【００２１】図３はスロットルコンピュータ２１及びニ
ューロコンピュータ２２の電気的構成を示すブロック図
である。ニューロコンピュータ２２は、中央処理装置
（ＣＰＵ）２３、所定の学習制御プログラム等を予め記
憶した読み出し専用メモリ（ＲＯＭ）２４、ＣＰＵ２３
の演算結果等を一時記憶するランダムアクセスメモリ
（ＲＡＭ）２５、予め記憶されたデータを保存するバッ
クアップＲＡＭ２６等を備えている。そして、ニューロ
コンピュータ２２は、それら各部２３〜２６と外部入出
力回路２７等がバス２８によって接続された論理演算回
路として構成されている。外部入出力回路２７には、前
述したアクセルセンサ１１、車速センサ１３及びモード
セレクトスイッチ１４がそれぞれ接続されている。又、
外部入出力回路２７には、ローパスフィルタ２９を介し
て加速度センサ１２が接続されている。このローパスフ
ィルタ２９は、加速度センサ１２の検出信号のうち、基
準となる所定の遮断周波数より低い周波数の信号は自由
に通し、高い周波数には大きな減衰を与えるようになっ
ている。併せて、外部入出力回路２７には、前記したス
ロットルコンピュータ２１が接続されている。又、ＲＯ
Ｍ２４には、ニューラルネットワーク技術を利用した学
習制御プログラム等が予め記憶されている。

【００２２】そして、ＣＰＵ２３は、外部入出力回路２
７等を介して入力される各センサ１１〜１３及びモード
セレクトスイッチ１４からの各種信号を入力値として読
み込む。ＣＰＵ２３は、それら入力値に基づき、ＲＯＭ
２４に記憶されている学習制御プログラムに従い、運転
者ＤＲの要求する「要求加速度モデル」の学習制御を実
行する。又、ＣＰＵ２３は、その学習結果と、前述した
指向モードＤＭに応じて選択される「第２の基準加速度
モデル」との偏差を演算し、同じく「第２の基準加速度
モデル」と標準的な「第１の基準加速度モデル」との偏
差を演算する。ＣＰＵ２３は、それら各偏差から制御量
感度としてのスロットル感度を演算する。そして、ＣＰ
Ｕ２３はその学習結果等を外部入出力回路２７を介して
スロットルコンピュータ２１へ出力する。ここで、「第
１の基準加速度モデル」及び「第２の基準加速度モデ
ル」は、それぞれ予め学習されてＲＯＭ２４に記憶され
ている。

【００２３】一方、スロットルコンピュータ２１はニュ
ーロコンピュータ２２と基本的に同じ構成をなしてお
り、ＣＰＵ３０、ＲＯＭ３１、ＲＡＭ３２、バックアッ
プＲＡＭ３３、外部入出力回路３４及びバス３５等によ
って構成されている。外部入出力回路３４には、前述し
た直流モータ８、スロットルセンサ９及びニューロコン
ピュータ２２がそれぞれ接続されている。又、ＲＯＭ３
１には、ニューロコンピュータ２２の学習結果等に基づ
いてスロットルバルブ７の開閉を制御するためのスロッ
トル開度制御プログラムが予め記憶されている。

【００２４】そして、ＣＰＵ３０は、ニューロコンピュ
ータ２２から外部入出力回路３４を介して入力される学
習結果等のデータを入力値として読み込む。又、ＣＰＵ
３０は、スロットルセンサ９からの信号を入力値として
読み込む。又、ＣＰＵ３０は、それら入力値に基づき、
ＲＯＭ３１に記憶されているスロットル開度制御プログ
ラムに従い直流モータ８を好適に制御する。

【００２５】ここで、ニューロコンピュータ２２に適用
されているニューラルネットワーク技術の概念的な構成
を図４〜図８に従って説明する。この実施例におけるニ
ューラルネットワークは、図４〜図８に示すように、二
つの多層型ニューラルネットワークを備えている。各多
層型ニューラルネットワークは、基本的には同じ構成を
なしており、２個のニューロンｎ１よりなる「入力層」
と、２〜１０個のニューロンｎ２よりなる「中間層」
と、１個のニューロンｎ３よりなる「出力層」とを備え
ている。又、各層の間で各ニューロンｎ１，ｎ２，ｎ３
がシナプスｓｐにより結合されている。各多層型ニュー
ラルネットワークにおいて、信号は「入力層」から「中
間層」、「中間層」から「出力層」へ向かって一方向へ
流れる。各層のニューロンｎ１，ｎ２，ｎ３では、前の
層から受け取った信号に基づいて状態が決定され、次の
層へと信号が伝えられる。そして、各多層型ニューラル
ネットワークの出力結果は、「出力層」のニューロンｎ
３の状態値として得られる。

【００２６】ここで、図４に示す多層型ニューラルネッ
トワークは、その時々に学習更新されるものであり、そ
の「入力層」の各ニューロンｎ１に、アクセルセンサ１
１により検出されるアクセルストロークＳ、車速センサ
１３により検出される車速Ｖがそれぞれ入力される。
又、「出力層」のニューロンｎ３から得られる出力、即
ち要求加速度モデル出力Ｇｘは、加速度センサ１２の検
出により得られる車両１の加速度Ｇを「教師データ」と
して、その「教師データ」と比較される。そして、その
比較による加速度偏差ΔＧ（＝Ｇ−Ｇｘ）を「誤差信
号」とし、その誤差分が小さくなる方向へ全てのニュー
ロンｎ１，ｎ２，ｎ３のシナプスｓｐの「重み係数」が
修正される。つまり、車両１の加速度Ｇを運転者ＤＲの
要求する加速度とし、その加速度Ｇを比較すべき「教師
データ」としている。そして、その「教師データ」との
偏差が小さくなるように、アクセルストロークＳ及び車
速Ｖに対する加速度Ｇの関係が、運転者ＤＲの要求する
「要求加速度モデル」として学習される。そして、この
多層型ニューラルネットワークの出力結果は、要求加速
度モデル出力Ｇｘとして得られる。即ち、「要求加速度
モデル」は図９に示すような特性として、要求加速度モ
デル出力Ｇｘが加速度Ｇに近づく方向に学習される。

【００２７】一方、図５に示す多層型ニューラルネット
ワークは、複数の運転者ＤＲによる走行データから、ア
クセルストロークＳ及び車速Ｖと加速度Ｇとの標準的
（或いは「平均的」）な関係が「第１の基準加速度モデ
ル」として予め学習された修正不能のデータである。こ
の多層型ニューラルネットワークでは、「入力層」の各
ニューロンｎ１に、上記と同じくアクセルストローク
Ｓ、車速Ｖがそれぞれ入力される。そして、「出力層」
のニューロンｎ３からは、出力結果として、アクセルス
トロークＳ、車速Ｖに応じた第１の基準加速度モデル出
力Ｇｓ１が得られる。即ち、「第１の基準加速度モデ
ル」は図１０に示すような特性として学習されている。

【００２８】又、図６〜図８に示す各多層型ニューラル
ネットワークは、複数の運転者ＤＲによる走行データか
ら、アクセルストロークＳ及び車速Ｖと加速度Ｇとの関
係について、運転者ＤＲの走りに対する各種指向を反映
して「第２の基準加速度モデル」として予め学習された
修正不能のデータである。図６の多層型ニューラルネッ
トワークは、前述した各種指向モードＤＭのうち「ハイ
モード（Ｈ）」を設定したものであり、その「入力層」
の各ニューロンｎ１に、上記と同じくアクセルストロー
クＳ、車速Ｖがそれぞれ入力される。そして、「出力
層」のニューロンｎ３からは、出力結果として、アクセ
ルストロークＳ、車速Ｖに応じた高加速度の走りを反映
した第２の基準加速度モデル出力Ｇｓ２（Ｈ）が得られ
る。

【００２９】図７の多層型ニューラルネットワークは、
前述した各種指向モードＤＭのうち「ノーマルモード
（Ｎ）」を設定したものであり、その「入力層」の各ニ
ューロンｎ１に、上記と同じくアクセルストロークＳ、
車速Ｖがそれぞれ入力される。そして、「出力層」のニ
ューロンｎ３からは、出力結果として、アクセルストロ
ークＳ、車速Ｖに応じた標準的な加速度の走りを反映し
た第２の基準加速度モデル出力Ｇｓ２（Ｎ）が得られ
る。

【００３０】図８の多層型ニューラルネットワークは、
前述した指向モードＤＭのうち「ロウモード（Ｌ）」を
設定したものであり、その「入力層」の各ニューロンｎ
１に、上記と同じくアクセルストロークＳ、車速Ｖがそ
れぞれ入力される。そして、「出力層」のニューロンｎ
３からは、出力結果として、アクセルストロークＳ、車
速Ｖに応じた低加速度の走りを反映した第２の基準加速
度モデル出力Ｇｓ２（Ｌ）が得られる。

【００３１】即ち、これら各種指向モードＤＭを反映し
た「第２の基準加速度モデル」は、図１１に示すような
各種特性として予め学習されている。尚、以後の説明に
おいて、各第２の基準加速度モデル出力Ｇｓ２（Ｈ），
Ｇｓ２（Ｎ），Ｇｓ２（Ｌ）をまとめて述べる場合に
は、便宜上、第２の基準加速度モデル出力Ｇｓ２とす
る。

【００３２】上記のようなニューラルネットワークの概
念的な構成は、あくまでも便宜的に説明されたものであ
り、ニューラルネットワークの実体は、ニューロコンピ
ュータ２２のＲＯＭ２４に予め記憶されている学習制御
プログラムにある。そして、ニューラルネットワーク
は、その学習制御プログラムにおける数学的な演算の上
に成り立っており、学習方法としては一般に知られてい
る「誤差逆伝搬学習アルゴリズム」が適用されている。
この実施例では、最終的には図１２に示すような、アク
セルストロークＳに対するスロットル感度Ｔｈｇの関係
の特性を求めるために、学習制御プログラムが作成され
ている。

【００３３】次に、ニューロコンピュータ２２におい
て、上記のようなニューラルネットワーク技術を用いて
実行される「要求加速度モデル」等の学習のための処理
動作について説明する。図１３はニューロコンピュータ
２２により実行される学習制御プログラムの「学習制御
ルーチン」を示すフローチャートである。このルーチン
の処理は開始された後、一定の周期、例えば「０．１
秒」の時間間隔をもって周期的に実行される。

【００３４】このルーチンの処理が開始されると、ステ
ップ１０１において、アクセルセンサ１１、加速度セン
サ１２、車速センサ１３及びモードセレクトスイッチ１
４からの各種信号に基づきアクセルストロークＳ、加速
度Ｇ、車速Ｖ及び指向モードＤＭをそれぞれ読み込む。

【００３５】続いて、ステップ１０２において、今回読
み込まれたアクセルストロークＳ及び車速Ｖより要求加
速度モデル出力Ｇｘを決定する。即ち、アクセルストロ
ークＳと車速Ｖとを入力値として、既に学習されている
「要求加速度モデル」の特性（図９を参照）から要求加
速度モデル出力Ｇｘを求めるのである。

【００３６】次に、ステップ１０３において、今回読み
込まれたアクセルストロークＳ及び車速Ｖより第１の基
準加速度モデル出力Ｇｓ１を決定する。即ち、アクセル
ストロークＳと車速Ｖとを入力値として、予め学習済み
の「第１の基準加速度モデル」の特性（図１０を参照）
から第１の基準加速度モデル出力Ｇｓ１を求めるのであ
る。

【００３７】又、ステップ１０４において、今回読み込
まれたアクセルストロークＳ、車速Ｖ及び指向モードＤ
Ｍより第２の基準加速度モデル出力Ｇｓ２を決定する。
即ち、指定された指向モードＤＭに対応して予め学習済
みの「ハイモード（Ｈ）」用の第２の基準加速度モデ
ル、或いは「ノーマルモード（Ｎ）」用の第２の基準加
速度モデル、或いは「ロウモード（Ｌ）」用の第２の基
準加速度モデルを選択する。そして、選択された第２の
基準加速度モデルに対してアクセルストロークＳと車速
Ｖを入力値として、第２の基準加速度モデルの特性（図
１１を参照）から第２の基準加速度モデル出力Ｇｓ２
（Ｈ）、或いは第２の基準加速度モデル出力Ｇｓ２
（Ｎ）、或いは第２の基準加速度モデル出力Ｇｓ２
（Ｌ）を求めるのである。

【００３８】又、ステップ１０５において、今回求めら
れた要求加速度モデル出力Ｇｘ、第１の基準加速度モデ
ル出力Ｇｓ１及び第２の基準加速度モデルＧｓ２よりス
ロットル感度Ｔｈｇを決定する。即ち、以下の計算式
（１）に従ってスロットル感度Ｔｈｇを決定する。

【００３９】 Ｔｈｇ＝α＋（Ｇｓ２−Ｇｓ１）＊Ｋ０＋（Ｇｘ−Ｇｓ２）＊Ｋ …（１） ここで、「α」は基準値であり、この実施例では「α＝
１．０」となっている。又、「Ｋ」及び「Ｋ０」はそれ
ぞれ正の定数であり、「Ｋ＞Ｋ０」の関係にある。

【００４０】例えば、図１４に実線で示すように標準的
な第１の基準加速度モデル出力Ｇｓ１の特性に対して、
そのとき選択された指向モードＤＭ（この場合は「ハイ
モード（Ｈ）」）により決定された第２の基準加速度モ
デル出力Ｇｓ２の特性が破線で示すものであったとす
る。このとき、あるアクセルストロークＳに対する第２
の基準加速度モデル出力Ｇｓ２と第１の基準加速度モデ
ル出力Ｇｓ１との偏差（Ｇｓ２−Ｇｓ１）が、スロット
ル感度Ｔｈｇに反映されることになる。即ち、運転者Ｄ
Ｒの平常の走りの指向の強さ、つまり高加速度の走りの
指向がスロットル感度Ｔｈｇに反映されることになる。

【００４１】又、図１４に破線で示す第２の基準加速度
モデル出力Ｇｓ２の特性に対して、学習により決定され
た現在の要求加速度モデル出力Ｇｘの特性が２点鎖線で
示すようであったとする。このとき、あるアクセルスト
ロークＳに対する要求加速度モデル出力Ｇｘと第２の基
準加速度モデル出力Ｇｓ２との偏差（Ｇｘ−Ｇｓ２）
が、スロットル感度Ｔｈｇに反映されることになる。即
ち、運転者ＤＲのその時点での加速度Ｇに対する要求の
強さ（この場合「ハイモード（Ｈ）」よりも高加速度と
なる要求の強さ）が、スロットル感度Ｔｈｇに反映され
ることになる。

【００４２】そして、ステップ１０６において、今回決
定されたスロットル感度ＴｈｇとアクセルストロークＳ
とをスロットルコンピュータ２１へ出力する。或いは、
スロットル感度ＴｈｇとアクセルストロークＳとの積、
即ち目標スロットル開度Ｔｈｇ・Ｓを求め、その目標ス
ロットル開度Ｔｈｇ・Ｓをスロットルコンピュータ２１
へ出力する。

【００４３】その後、ステップ１０７において、車両１
の加速度Ｇを「教師データ」として、運転者ＤＲの要求
する「要求加速度モデル」の学習を実行する。つまり、
加速度センサ１２により検出される車両１の加速度Ｇを
比較すべき「教師データ」として、その「教師データ」
との偏差が小さくなるように、アクセルストロークＳ及
び車速Ｖに対する加速度Ｇの関係を、運転者ＤＲの要求
する「要求加速度モデル」として学習するのである。

【００４４】例えば、図９に実線で示す曲線が現在の
「要求加速度モデル」の特性であるとする。そして、運
転者ＤＲが現在より速く走るためにアクセルペダル１０
を操作して、車両１の加速度Ｇが現在の要求加速度モデ
ル出力Ｇｘよりも大きくなったとする。このときの加速
度Ｇが新しい要求加速度であり、「要求加速度モデル」
は図９に実線で示す曲線が破線で示す曲線のような特性
へと更新される。即ち、アクセルストロークＳ及び車速
Ｖに対する要求加速度モデル出力Ｇｘの関係の全体が連
続的なモデルとして学習される。そして、この特性は部
分的に不連続となることはない。

【００４５】尚、図９には車速Ｖが「０」のときの特性
が示されているが、「要求加速度モデル」では、アクセ
ルストロークＳの全範囲及び車速Ｖの全範囲と車両１の
加速度Ｇとの関係が学習されている。

【００４６】そして、ステップ１０７の処理を実行した
後、その後の処理を一旦終了し、処理開始から「０．１
秒」を経過すると、処理は再びステップ１０１から開始
される。

【００４７】このようにして、ニューラルネットワーク
の技術を用いた学習制御の処理が実行され、運転者ＤＲ
の要求する「要求加速度モデル」の特性が学習される。
ここでは、その時々に学習される「要求加速度モデル」
の特性としてのシナプスｓｐの「重み係数」が、バック
アップＲＡＭ２６に書き替えられて記憶される。

【００４８】尚、車両１の工場出荷時における「要求加
速度モデル」の「重み係数」の初期値は、「第１の基準
加速度モデル」のそれとなっている。次に、上記のよう
な処理動作によって決定されたスロットル感度Ｔｈｇと
そのときのアクセルストロークＳとに基づき、スロット
ルコンピュータ２１により実行されるスロットル開度制
御の処理動作について説明する。図１５はスロットルコ
ンピュータ２１により実行されるスロットル開度制御プ
ログラムの「スロットル開度制御ルーチン」を示すフロ
ーチャートである。このルーチンの処理は開始された
後、所定の時間間隔をもって周期的に実行される。

【００４９】このルーチンの処理が開始されると、先ず
ステップ２０１において、スロットルセンサ９からの信
号に基づきスロットル開度Ｔｈを読み込むと共に、ニュ
ーロコンピュータ２２から出力される最新のスロットル
感度ＴｈｇとアクセルストロークＳ、或いは目標スロッ
トル開度Ｔｈｇ・Ｓを読み込む。ここで、スロットル感
度ＴｈｇとアクセルストロークＳとの読み込みが前提で
ある場合には、同ステップ２０１において、両者Ｔｈ
ｇ，Ｓの積が目標スロットル開度Ｔｈｇ・Ｓとして求め
られる。

【００５０】続いて、ステップ２０２において、現在の
スロットル開度Ｔｈが目標スロットル開度Ｔｈｇ・Ｓよ
りも小さいか否かを判断する。ここで、スロットル開度
Ｔｈが目標スロットル開度Ｔｈｇ・Ｓよりも小さい場合
には、ステップ２０３において、スロットルバルブ７を
開方向へ駆動させるように直流モータ８を正転させる。
又、ステップ２０４において、スロットルセンサ９から
の信号に基づきスロットル開度Ｔｈを読み込む。

【００５１】その後、ステップ２０５において、スロッ
トル開度Ｔｈが目標スロットル開度Ｔｈｇ・Ｓよりも小
さいか否かを判断する。ここで、スロットル開度Ｔｈが
目標スロットル開度Ｔｈｇ・Ｓよりも小さい場合には、
ステップ２０３へジャンプし、スロットルバルブ７を更
に開方向へ駆動させるために、ステップ２０３，２０
４，２０５の処理を繰り返す。これに対し、スロットル
開度Ｔｈが目標スロットル開度Ｔｈｇ・Ｓと等しいかそ
れよりも大きい場合には、スロットルバルブ７をそれ以
上開方向へ駆動させないものとして、その後の処理を一
旦終了する。

【００５２】一方、ステップ２０２において、現在のス
ロットル開度Ｔｈが目標スロットル開度Ｔｈｇ・Ｓより
も小さくない場合には、ステップ２０６へ移行して、ス
ロットル開度Ｔｈが目標スロットル開度Ｔｈｇ・Ｓより
も大きいか否かを判断する。ここで、スロットル開度Ｔ
ｈが目標スロットル開度Ｔｈｇ・Ｓよりも大きくない場
合、即ち「Ｔｈ≦Ｔｈｇ・Ｓ」の場合には、そのままそ
の後の処理を一旦終了する。

【００５３】又、ステップ２０６において、スロットル
開度Ｔｈが目標スロットル開度Ｔｈｇ・Ｓよりも大きい
場合には、ステップ２０７において、スロットルバルブ
７を閉方向へ駆動させるように直流モータ８を逆転させ
る。又、ステップ２０８において、スロットルセンサ９
からの信号に基づきスロットル開度Ｔｈを読み込む。

【００５４】その後、ステップ２０９において、スロッ
トル開度Ｔｈが目標スロットル開度Ｔｈｇ・Ｓよりも大
きいか否かを判断する。ここで、スロットル開度Ｔｈが
目標スロットル開度Ｔｈｇ・Ｓよりも大きい場合には、
ステップ２０７へジャンプし、スロットルバルブ７を更
に閉方向へ駆動させるために、ステップ２０７，２０
８，２０９の処理を繰り返す。これに対し、スロットル
開度Ｔｈがスロットル感度Ｔｈｇと等しいかそれよりも
小さい場合には、スロットルバルブ７をそれ以上閉方向
へ駆動させないものとして、その後の処理を一旦終了す
る。

【００５５】このように、スロットル開度Ｔｈが目標ス
ロットル開度Ｔｈｇ・Ｓに一致するように直流モータ８
の回転が制御され、それによって、スロットルバルブ７
が開閉制御される。これにより、エンジン２の出力が制
御され、その結果として車両１の駆動力が制御される。

【００５６】以上説明したように、この実施例では、車
両１の走りに対する運転者ＤＲの要求が、その時々の加
速度Ｇから「要求加速度モデル」として推定される。
又、その「要求加速度モデル」から得られる要求加速度
モデル出力Ｇｘと、「第２の基準加速度モデル」から得
られる運転者ＤＲの走りの指向を反映した第２の基準加
速度モデル出力Ｇｓ２との偏差（Ｇｘ−Ｇｓ２）が求め
られる。併せて、第２の基準加速度モデル出力Ｇｓ２
と、「第１の基準加速度モデル」から得られる標準的な
第１の基準加速度モデルＧｓ１との偏差（Ｇｓ２−Ｇｓ
１）が求められる。更に、偏差（Ｇｘ−Ｇｓ２）及び偏
差（Ｇｓ２−Ｇｓ１）に応じて、スロットル感度Ｔｈｇ
が決定される。そして、その決定されたスロットル感度
ＴｈｇとアクセルストロークＳとの積から求められる目
標スロットル開度Ｔｈｇ・Ｓと、スロットル開度Ｔｈと
が一致するように、スロットルバルブ７が開閉制御され
る。つまり、この実施例によれば、常に運転者ＤＲの要
求に合った加速度Ｇをもって、且つ運転者ＤＲの走りの
指向を反映した加速度Ｇをもって、エンジン２のスロッ
トル開度Ｔｈが制御される。そのため、上記前者の偏差
（Ｇｘ−Ｇｓ２）からは、運転者ＤＲのその時点での加
速度Ｇに対する要求の強さが制御量感度に反映されるこ
とになる。従って、そのとき選択されている指向モード
ＤＭに対応する第２の基準加速度モデル出力Ｇｓ２の特
性に比べて、その時点で運転者ＤＲの要求する加速度
Ｇ、即ち要求加速度モデル出力Ｇｘの方が大きいときに
は、スロットル感度Ｔｈｇが相対的に大きくなる。その
ため、同一の加速度Ｇを得るためのアクセルストローク
Ｓの変化範囲が相対的に狭くなり、アクセルペダル１０
の少ない操作によって大きな加速度Ｇを得ることができ
るようになり、車両１の加速性能が向上したように運転
者ＤＲに感じさせることができる。例えば、運転者ＤＲ
の意識が急いだ状態であったり、車両１の運転環境が渋
滞のない高速道路であったりして、車両１を速く走行さ
せたいときには、アクセルペダル１０の少ない操作によ
って大きな加速度Ｇを得ることができ、加速感を向上さ
せることができる。

【００５７】一方、そのとき選択されている指向モード
ＤＭに対応する第２の基準加速度モデル出力Ｇｓ２の特
性に比べて、その時点での要求加速度モデル出力Ｇｘの
方が小さいときには、スロットル感度Ｔｈｇが相対的に
小さくなる。そのため、同一の加速度Ｇを得るためのア
クセルストロークＳの変化範囲が相対的に広くなり、ア
クセルペダル１０の多い操作によって加速度Ｇを微妙に
変化させることができるようになり、運転者ＤＲにとっ
てアクセルペダル１０の操作性能を向上させることがで
きる。例えば、運転者ＤＲの意識がのんびりした状態で
あったり、車両１の運転環境が渋滞路や雪道等であった
りして、車両１をゆっくりと走行させたいときには、ア
クセルペダル１０の多い操作によって加速度Ｇを微妙に
変えることができ、車両１の操作感を向上させることが
できる。

【００５８】つまり、この実施例では、運転者ＤＲの加
速度Ｇに対する要求度合いに合致するように学習が行わ
れることから、常に運転者ＤＲの特性に合ったスロット
ル感度Ｔｈｇが決定される。その結果、運転者ＤＲの意
識状態（急いでいる、のんびりしている等）や運転環境
（路面状態、昼間・夜間、トンネル内、雨中路、雪道、
山間路、渋滞路等）にかかわりなく、車両１について、
常に運転者ＤＲの特性に合った駆動力の制御を行うこと
ができるのである。

【００５９】併せて、上記後者の偏差（Ｇｓ２−Ｇｓ
１）からは、運転者ＤＲの平常の走りの指向の強さがス
ロットル感度Ｔｈｇに反映されることになる。即ち、
「ハイモード（Ｈ）」、「ノーマルモード（Ｎ）」、或
いは「ロウモード（Ｌ）」の指向モードＤＭに応じた指
向の強さが、選択的にスロットル感度Ｔｈｇに反映され
ることになる。従って、標準的な第１の基準加速度モデ
ル出力Ｇｓ１の特性に比べて、そのとき選択されている
指向モードＤＭに対応する第２の基準加速度モデル出力
Ｇｓ２の特性の方が大きいときには、スロットル感度Ｔ
ｈｇが相対的に大きくなる。そして、その大きくなった
分だけ、アクセルペダル１０の少ない操作により大きな
加速度Ｇを得ることができるようになり、運転者ＤＲの
走りの指向を反映して、車両１の加速性能が向上したよ
うに運転者ＤＲに感じさせることができる。

【００６０】一方、標準的な第１の基準加速度モデル出
力Ｇｓ１の特性に比べて、そのとき選択されている指向
モードＤＭに対応する第２の基準加速度モデル出力Ｇｓ
２の特性の方が小さいときには、スロットル感度Ｔｈｇ
が相対的に小さくなる。そして、その小さくなった分だ
け、アクセルペダル１０の多い操作により加速度Ｇを微
妙に変化させることができるようになり、運転者ＤＲの
走りの指向を反映して、運転者ＤＲにとってアクセルペ
ダル１０の操作性能を向上させることができる。

【００６１】従って、常に車両１を速く走らせようと指
向する運転者ＤＲが、モードセレクトスイッチ１４によ
り「ハイモード（Ｈ）」を選択することにより、車両１
の走りを、高加速度の指向に合致した走りに直ちに設定
することが可能となる。同様に、常に車両１をゆっくり
走らせようと指向する運転者ＤＲが、モードセレクトス
イッチ１４により「ロウモード（Ｌ）」を選択すること
により、車両１の走りを、低加速度の指向に合致した走
りに直ちに設定することが可能となる。或いは、常に車
両１を標準的に走らせようと指向する運転者ＤＲが、モ
ードセレクトスイッチ１４により「ノーマルモード
（Ｌ）」を選択することにより、車両１の走りを、中加
速度の指向に合致した走りに直ちに設定することが可能
となる。

【００６２】つまり、この実施例では、運転者ＤＲの意
識状態や運転環境にかかわりなく常に運転者ＤＲの特性
に合ったかたちで、エンジン２の駆動力を制御すること
ができ、併せて、個々の運転者ＤＲの走りに対する指向
をより迅速に反映したかたちで、エンジン２の駆動力を
制御することができるのである。

【００６３】更に、この実施例では、ニューロコンピュ
ータ２２における学習制御に、ニューラルネットワーク
技術を用いたことから、アクセルストロークＳ及び車速
Ｖに対する要求加速度モデル出力Ｇｘの関係の全体が連
続的なモデルとして学習され、その特性が部分的に不連
続となることはない。これは、ニューラルネットワーク
の技術を用いたことにより、アクセルストロークＳ及び
車速Ｖの不連続点の間で学習される「要求加速度モデ
ル」が補間されるためである。つまり、アクセルストロ
ークＳ及び車速Ｖのある特定な範囲について行われる要
求加速度モデル出力Ｇｘの修正が、アクセルストローク
Ｓ及び車速Ｖの他の範囲に対応する要求加速度モデル出
力Ｇｘの修正にも反映されるのである。

【００６４】その結果、車速Ｖの全範囲について、車両
１の駆動力の制御が運転者ＤＲによるアクセルペダル１
０の操作量、即ちアクセルストロークＳの全操作範囲に
渡って連続的なものとすることができる。よって、運転
者ＤＲによりアクセルペダル１０が連続的に踏み込まれ
たときには、車両１の加速度Ｇが唐突に変化するような
ことがなく、車速Ｖの上昇を常に滑らかなものにするこ
とができる。

【００６５】又、この実施例では、実際の加速度Ｇから
推定される要求加速度モデル出力Ｇｘと基準加速度モデ
ル出力Ｇｓとの偏差から、スロットル感度Ｔｈｇを決定
するようにしている。そのため、従来技術のような補正
（修正）によってマップの書き替えを行う場合と較べ
て、マップの補間演算が不必要となり、演算時間を更に
短くすることができる。

【００６６】加えて、この実施例では、ニューロコンピ
ュータ２２において、加速度センサ１２がローパスフィ
ルタ２９を介して外部入出力回路２７に接続されてい
る。そのため、車両１が凸凹路を走行しているときのハ
ーシュネスに起因して、加速度センサ１２での検出信号
にノイズが発生した場合には、そのノイズに相関する高
周波成分がローパスフィルタ２９で減衰される。即ち、
加速度センサ１２からの加速度Ｇの信号に、図１６
（ａ）に示すようにハーシュネスに起因する大きなノイ
ズが含まれていた場合でも、その信号がローパスフィル
タ２９を通過することにより、図１６（ｂ）に示すよう
なノイズの少ない加速度Ｇの信号に調整されることにな
る。

【００６７】その結果、ニューロコンピュータ２２で
は、学習のために用いられる加速度Ｇの信号を、ハーシ
ュネスに起因したノイズが除去されたものとすることが
できる。よって、「要求加速度モデル」についての誤学
習を未然に防止することができ、延いてはスロットル感
度Ｔｈｇが誤った方向へ調整されることを未然に防止す
ることができる。

【００６８】尚、この発明は前記実施例に限定されるも
のではなく、発明の趣旨を逸脱しない範囲で構成の一部
を適宜に変更して次のように実施することもできる。 （１）前記実施例では、ガソリンエンジン２を駆動源と
し、リンクレスタイプのスロットルバルブ７をその制御
量変更手段としたが、それ以外の駆動源及び制御量変更
手段に具体化することもできる。例えば、電気自動車に
おいて直流モータ等の電動機を駆動源とし、電動機への
電流を制御する電流制御回路等を制御量変更手段とする
こともできる。

【００６９】（２）前記実施例では、運転者ＤＲにより
操作される出力操作手段としてアクセルペダル１０を用
いたが、出力操作手段としてアクセルレバーやそれ以外
の操作部材を用いることもできる。

【００７０】（３）前記実施例では、アクセルセンサ１
１を操作量検出手段としてアクセルストロークＳを検出
するようにしたが、次のようにすることもできる。即
ち、アクセルストロークＳの代わりにアクセル踏力を検
出するセンサを用いたり、アクセルストロークＳを検出
するアクセルセンサとアクセル踏力を検出するセンサと
を併用したりすること。

【００７１】（４）前記実施例では、加速度検出手段と
して加速度センサ１２を用いたが、車速センサ１３を加
速度検出手段として、車速センサ１３により検出される
車速Ｖを時間微分することにより加速度Ｇを得るように
してもよい。

【００７２】（５）前記実施例では、ニューロコンピュ
ータ２２におけるニューラルネットワーク技術として、
多層型ニューラルネットワークを採用したが、相互結合
型ニューラルネットワークを採用することもできる。

【００７３】（６）前記実施例では、計算式（１）にお
いて「Ｋ＞Ｋ０」としたが、「Ｋ＜Ｋ０」或いは「Ｋ＝
Ｋ０」としてもよい。「Ｋ＜Ｋ０」とした場合には、運
転者ＤＲの各種指向（好み）をスロットル感度Ｔｈｇに
対してより強く（大きく）反映した仕様にすることがで
きる。

【００７４】（７）前記実施例では、計算式（１）に従
ってスロットル感度Ｔｈｇを求めたが、次のような計算
式（２）に従ってスロットル感度Ｔｈｇを求めることも
できる。

【００７５】 Ｔｈｇ＝α＋｛（Ｇｓ２／Ｇｓ１）−１．０｝＊Ｋ０ ＋｛（Ｇｘ／Ｇｓ２）−１．０｝＊Ｋ …（２） （８）前記実施例では、要求加速度モデル出力Ｇｘと第
２の基準加速度モデル出力Ｇｓ２との偏差（Ｇｘ−Ｇｓ
２）を求めて、スロットル感度Ｔｈｇの計算に使用し
た。これに対して、要求加速度モデル出力Ｇｘと第１の
基準加速度モデル出力Ｇｓ１との偏差（Ｇｘ−Ｇｓ１）
を求めて、スロットル感度Ｔｈｇの計算に使用してもよ
い。そして、以下に示すような計算式（３），（４）に
従ってスロットル感度Ｔｈｇを求めることもできる。

【００７６】 Ｔｈｇ＝α＋（Ｇｓ２−Ｇｓ１）＊Ｋ０＋（Ｇｘ−Ｇｓ１）＊Ｋ …（３） Ｔｈｇ＝α＋｛（Ｇｓ２／Ｇｓ１）−１．０｝＊Ｋ０ ＋｛（Ｇｘ／Ｇｓ１）−１．０｝＊Ｋ …（４） このようにしても、前記実施例と同様の作用及び効果を
得ることができる。

【００７７】（９）前記実施例では、予め学習された標
準的な「第１の基準加速度モデル」を多層型ニューラル
ネットワークの形でニューロコンピュータ２２のＲＯＭ
２４に記憶するようにしたが、予め学習された「第１の
基準加速度モデル」をマップの形でニューロコンピュー
タ２２のＲＯＭ２４に記憶するようにしてもよい。

【００７８】（１０）前記実施例では、運転者ＤＲの走
りに対する各種指向を反映した「第２の基準加速度モデ
ル」を複数の多層型ニューラルネットワークの形でニュ
ーロコンピュータ２２のＲＯＭ２４に記憶するようにし
たが、それら各種指向に応じた「第２の基準加速度モデ
ル」を複数のマップの形でニューロコンピュータ２２の
ＲＯＭ２４に記憶するようにしてもよい。

【００７９】（１１）前記実施例では、運転者ＤＲの走
りに対する指向を反映した「第２の基準加速度モデル」
を、予め学習された３つのタイプの多層型ニューラルネ
ットワークの形でニューロコンピュータ２２のＲＯＭ２
４に記憶するようにした。これに対し、その「第２の基
準加速度モデル」を「要求加速度モデル」と同様に、一
つの多層型ニューラルネットワークを用いて常に学習す
るようにしてもよい。つまり、「第２の基準加速度モデ
ル」については、予め学習されたものを選択して使用し
ても、その時々で学習により求められたものを使用して
もよい。

【００８０】この場合、「第２の基準加速度モデル」の
学習率、即ち単位時間当たりに学習を行う回数を「要求
加速度モデル」のそれよりも小さくして、アクセルスト
ロークＳ及び車速Ｖに対する加速度Ｇの関係を学習す
る。これにより、個々の運転者ＤＲの走りに対する指向
を反映した「第２の基準加速度モデル」を得ることがで
きる。しかも、運転者ＤＲが特定のスイッチ等を操作す
ることなく「第２の基準加速度モデル」を得ることがで
きる。又、使用される多層型ニューラルネットワークの
数を少なくすることもできる。

【００８１】又は、運転者ＤＲが指定する期間における
車両１の走行について、アクセルストロークＳ及び車速
Ｖに対する加速度Ｇの関係を学習する。これにより、運
転者ＤＲが指定した期間における車両１の走らせ方を反
映した「第２の基準加速度モデル」を得ることができ
る。

【００８２】或いは、運転者ＤＲが指定した時における
「要求加速度モデル」の特性を「第２の基準加速度モデ
ル」に置き換える。これにより、運転者ＤＲの指定した
時の以前における車両１の走らせ方を反映した「第２の
基準加速度モデル」を得ることができる。

【００８３】

【発明の効果】以上詳述したように、この発明によれ
ば、車両の加速度を比較すべき教師データとして用い、
出力操作手段の操作量に対する車両の加速度の関係を、
運転者の要求する加速度モデルとして学習している。
又、その学習された加速度モデルの出力と標準的な第１
の基準加速度モデル又は運転者の走りに対する指向（好
み）を反映した第２の基準加速度モデルとの偏差を演算
し、併せて第２の基準加速度モデルと第１の基準加速度
モデルとの偏差を演算している。更に、それら各偏差に
基づき、出力操作手段の操作量及び車両の速度に対する
駆動源の制御量の関係を制御量感度として演算してい
る。そして、その演算された制御量感度に基づき、出力
操作手段の操作量に応じて駆動源の制御量を制御するよ
うにしている。

【００８４】従って、運転者のその時点での加速度に対
する要求の強さと、運転者の平常の走りの指向（好み）
の強さとを反映した制御量感度が得られ、常に運転者の
要求に合った加速度をもって、且つ運転者の走りの指向
（好み）を反映した加速度をもって、駆動源の制御量が
制御される。又、操作量に対する加速度の関係や、操作
量に対する制御量の関係の全体が連続的なモデルとして
学習され、出力操作手段の全操作範囲に対する加速度及
び制御量の関係の全体が不連続となることはない。

【００８５】その結果、運転者の意識状態や運転環境に
かかわりなく常に運転者の特性に合った駆動力の制御を
行うことができ、且つ、個々の運転者の走りに対する指
向（好み）をより迅速に反映した駆動力の制御を行うこ
とができる。しかも、その駆動力の制御を運転者による
アクセルペダル等の操作量の全範囲に渡って連続的なも
のとすることができるという優れた効果を発揮する。

【図面の簡単な説明】

【図１】この発明の基本的な概念構成を示す概念構成図
である。

【図２】この発明を具体化した一実施例における車両の
駆動力制御装置の概略的な構成を示す概略構成図であ
る。

【図３】一実施例において、スロットルコンピュータ及
びニューロコンピュータの電気的構成を示すブロック図
である。

【図４】一実施例において、ニューロコンピュータに適
用されている多層型ニューラルネットワークの概念的な
構成を示す構成図である。

【図５】一実施例において、同じくニューロコンピュー
タに適用されている多層型ニューラルネットワークの概
念的な構成を示す構成図である。

【図６】一実施例において、同じくニューロコンピュー
タに適用されている多層型ニューラルネットワークの概
念的な構成を示す構成図である。

【図７】一実施例において、同じくニューロコンピュー
タに適用されている多層型ニューラルネットワークの概
念的な構成を示す構成図である。

【図８】一実施例において、同じくニューロコンピュー
タに適用されている多層型ニューラルネットワークの概
念的な構成を示す構成図である。

【図９】一実施例において「要求加速度モデル」の特性
を示す特性図である。

【図１０】一実施例において「第１の基準加速度モデ
ル」の特性を示す特性図である。

【図１１】一実施例において「第２の基準加速度モデ
ル」の特性を示す特性図である。

【図１２】一実施例において「スロットル感度」の特性
を示す特性図である。

【図１３】一実施例において、ニューロコンピュータに
より実行される「学習制御ルーチン」を示すフローチャ
ートである。

【図１４】一実施例において、「要求加速度モデル」、
「第１の基準加速度モデル」及び「第２の基準加速度モ
デル」の関係を説明する特性図である。

【図１５】一実施例において、スロットルコンピュータ
により実行される「スロットル開度制御ルーチン」を示
すフローチャートである。

【図１６】一実施例において、ローパスフィルタの作用
に関する加速度信号の変化を示すタイムチャートであ
る。

【符号の説明】

１…車両、２…駆動源としてのエンジン、７…スロット
ルバルブ、８…直流モータ（７，８は制御量変更手段を
構成している）、１０…出力操作手段としてのアクセル
ペダル、１１…操作量検出手段としてのアクセルセン
サ、１２…加速度検出手段としての加速度センサ、１３
…速度検出手段としての車速センサ、２１…駆動制御手
段を構成するスロットルコンピュータ、２２…第１の基
準加速度モデル記憶手段、第２の基準加速度モデル記憶
手段、要求加速度モデル学習手段及び制御量感度演算手
段を構成するニューロコンピュータ。

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁶ 識別記号 ＦＩ Ｆ０２Ｄ 45/00 ３４０ Ｆ０２Ｄ 45/00 ３４０Ｈ ３７０ ３７０Ｂ Ｇ０５Ｂ 13/02 Ｇ０５Ｂ 13/02 Ｌ 13/04 13/04 (72)発明者 ▲吉▼田 浩之 愛知県愛知郡長久手町大字長湫字横道41 番地の１株式会社 豊田中央研究所 内 (56)参考文献 特開 平４−314940（ＪＰ，Ａ) 特開 平４−71933（ＪＰ，Ａ) 特開 平３−96636（ＪＰ，Ａ) 特開 平３−156601（ＪＰ，Ａ) 特開 平５−92731（ＪＰ，Ａ) 特開 平３−117652（ＪＰ，Ａ) 特開 平２−199256（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁶，ＤＢ名) F02D 29/02 301 F02D 9/02 351 F02D 11/10 F02D 41/04 310 F02D 45/00 340 F02D 45/00 370

Claims (1)

(57)【特許請求の範囲】
1. 【請求項１】 車両に搭載された駆動源の制御量を変更
   するための制御量変更手段と、 前記駆動源の出力を任意に制御するために運転者により
   操作される出力操作手段と、 前記出力操作手段の操作量を検出するための操作量検出
   手段とを備え、前記操作量検出手段の検出結果に応じて
   前記制御量変更手段を駆動させることにより前記駆動源
   の出力を制御して前記車両の駆動力を制御するようにし
   た車両の駆動力制御装置において、 前記車両の加速度を検出するための加速度検出手段と、 前記車両の速度を検出するための速度検出手段と、 前記出力操作手段の操作量及び前記車両の速度に対する
   前記車両の加速度の関係について予め学習された標準的
   な第１の基準加速度モデルを記憶するための第１の基準
   加速度モデル記憶手段と、 前記出力操作手段の操作量及び前記車両の速度に対する
   前記車両の加速度の関係について学習され、且つ運転者
   の走りに対する指向（好み）について学習された第２の
   基準加速度モデルを記憶するための第２の基準加速度モ
   デル記憶手段と、 前記加速度検出手段の検出により得られる加速度を比較
   すべき教師データとして、その教師データと当該手段の
   出力との偏差を誤差信号とし、その誤差分が小さくなる
   ように、前記出力操作手段の操作量及び前記速度検出手
   段の検出により得られる速度に対する前記車両の加速度
   の関係を、前記運転者の要求する加速度モデルとして学
   習するための要求加速度モデル学習手段と、 前記第２の基準加速度モデル記憶手段に記憶されている
   第２の基準加速度モデルと前記第１の基準加速度モデル
   記憶手段に記憶されている第１の基準加速度モデルとの
   偏差を演算すると共に、前記要求加速度モデル学習手段
   により学習される加速度モデルの出力と前記第１の基準
   加速度モデル記憶手段に記憶されている第１の基準加速
   度モデル又は前記第２の基準加速度モデル記憶手段に記
   憶されている第２の基準加速度モデルとの偏差を演算
   し、それら各偏差に基づき前記出力操作手段の操作量及
   び前記速度検出手段の検出により得られる速度に対する
   前記駆動源の制御量の関係を制御量感度として演算する
   ための制御量感度演算手段と、 前記制御量感度演算手段により演算される制御量感度に
   基づき、前記操作量検出手段により検出される操作量に
   応じて前記制御量変更手段の駆動を制御する駆動制御手
   段とを備えたことを特徴とする車両の駆動力制御装置。