JP6954168B2 - 車両速度制御装置及び車両速度制御方法 - Google Patents

Description

本発明は、車両速度制御装置及び車両速度制御方法に関する。

一般に、普通自動車などの車両を製造、販売する際には、国や地域により規定された、特定の走行パターン（モード）により車両を走行させた際の燃費や排出ガスを測定し、これを表示する必要がある。
モードは、例えば、走行開始から経過した時間と、その時に到達すべき車速との関係として、グラフにより表わすことが可能である。この到達すべき車速は、車両へ与えられる達成すべき速度に関する指令という観点で、車速指令と呼ばれることがある。
上記のような、燃費や排出ガスに関する試験は、シャシーダイナモメータ上に車両を載置し、車両に搭載された自動運転装置により、モードに従って車両を運転させることにより行われる。

車速指令には、許容誤差範囲が規定されている。車速が許容誤差範囲を逸脱すると、その試験は無効となるため、自動運転装置には、車速指令への高い追従性が求められる。車両の制御方法としては、フィードフォワード制御、フィードバック制御が挙げられるが、フィードバック制御においてはレスポンスの遅れ等により追従性を高めるのが容易ではない。したがって、特にフィードフォワード制御により、車両の追従性を高めることが重要である。

このようなフィードフォワード制御は、一定のアクセル開度で走行した際の、定常的な駆動力と車速との関係を事前に測定して収録した、駆動力特性マップにより行われることがある。駆動力特性マップは、例えばＸＹＺの３軸による３次元のグラフとして表現され、例えばＸ軸を駆動力、Ｙ軸を車速としたときに、その交点のアクセル開度がＺ軸における値として表わされる。すなわち、駆動力特性マップを使用した場合においては、車両の走行制御中において、現時点において検出された車速と、次の車速指令の達成に必要とされる駆動力とを入力すると、車速指令を達成可能と判断されたアクセル開度が出力される。
引用文献１には、上記のような、駆動力特性マップを備えた車両速度制御装置が開示されている。

特開２００５−２９７８７２号公報

一般に、駆動力特性マップは、上記のように、例えば一定のアクセル開度で車両を走行させた際の、１または２の入力とアクセル開度との関係が、測定されることにより実現されている。すなわち、実際には測定されなかった、駆動力特性マップ上の入力値においては、近傍に位置する実際に測定された入力値におけるアクセル開度の値を基に、例えば線形補間を行うことにより、アクセル開度が算出されて収録されている。
このため、例えば実際には測定されなかった入力値において、アクセル開度が補間により算出できないような特殊な値や複雑な特性を備えている場合においては、車速指令に対する追従精度の向上に限界がある。

また、例えば２つの入力が用いられている駆動力特性マップにおいて、何らかの新たな要素を入力として追加しようとする場合、入力の次元数だけでも３次元となる。すなわち、アクセル開度を実測すべき値の組み合わせの数が大きく増大する。
このように、駆動力特性マップを使用した場合においては、車速指令に対する追従精度を向上するに際し、入力となる要素の数を増やすことによるのは現実的ではない。
車速指令に対して、従来よりも更に高い精度で追従可能な、車両速度制御が望まれている。

本発明が解決しようとする課題は、車速指令に対して高い精度で追従可能な、車両速度制御装置及び車両速度制御方法を提供することである。

本発明は、上記課題を解決するため、以下の手段を採用する。すなわち、本発明は、車両のアクセル開度を変更することで、規定された車速指令に従うように前記車両を走行制御する、車両速度制御装置であって、前記車速指令を基に演算された、当該車速指令の達成に必要とされる要求駆動力と、現在の車速とを基にして、前記アクセル開度の変更量を演算する、アクセル開度変更量演算部と、前記アクセル開度の前記変更量を基に、前記アクセル開度を変更する、アクセル開度変更部と、を備え、前記アクセル開度変更量演算部は、走行中の前記車両の駆動力、車速、及び前記アクセル開度の前記変更量を含む走行実績データを学習データとして機械学習された、機械学習器により、前記アクセル開度の前記変更量を演算する、車両速度制御装置を提供する。

また、本発明は、車両のアクセル開度を変更することで、規定された車速指令に従うように前記車両を走行制御する、車両速度制御方法であって、走行中の前記車両の駆動力、車速、及び前記アクセル開度の変更量を含む走行実績データを学習データとして機械学習された、機械学習器によって、前記車速指令を基に演算された、当該車速指令の達成に必要とされる要求駆動力と、現在の前記車速とを基にして、前記アクセル開度の前記変更量を演算し、前記アクセル開度の前記変更量を基に、前記アクセル開度を変更する、車両速度制御方法を提供する。

本発明によれば、車速指令に対して高い精度で追従可能な、車両速度制御装置及び車両速度制御方法を提供することができる。

本発明の実施形態における車両速度制御装置の説明図である。 前記実施形態における車両速度制御装置のブロック図である。 前記実施形態におけるアクセル開度変更量演算部を構成する、機械学習器の説明図である。 前記実施形態における車両速度制御方法のフローチャートである。 前記実施形態の第１変形例における車両速度制御装置のブロック図である。 前記実施形態の第２変形例における車両速度制御装置のブロック図である。 前記実施形態に関する実験結果のグラフである。 前記実施形態に関する実験結果のグラフである。

以下、本発明の実施形態について図面を参照して詳細に説明する。
本実施形態における車両速度制御装置は、車両のアクセル開度を変更することで、規定された車速指令に従うように車両を走行制御するものであり、車速指令を基に演算された、車速指令の達成に必要とされる要求駆動力と、現在の車速とを基にして、アクセル開度の変更量を演算する、アクセル開度変更量演算部と、アクセル開度の変更量を基に、アクセル開度を変更する、アクセル開度変更部と、を備え、アクセル開度変更量演算部は、走行中の車両の駆動力、車速、及びアクセル開度の変更量を含む走行実績データを学習データとして機械学習された、機械学習器により、アクセル開度の変更量を演算する。

図１は、実施形態における車両速度制御装置の説明図である。車両１が、床面ＦＬ上に設けられている。床面ＦＬの下方には、シャシーダイナモメータ５が設けられている。車両１は、車両１の駆動輪２がシャシーダイナモメータ５の上に載置されるように、位置づけられている。車両１が走行し駆動輪２が回転する際には、シャシーダイナモメータ５が反対の方向に回転する。

本実施形態における車両速度制御装置１０は、車両１のアクセル開度を変更することで、規定された走行パターン（モード）に従うように、車両１を走行制御する。より詳細には、車両速度制御装置１０は、走行開始から時間が経過するに従い、各時間に到達すべき車速である車速指令に従うように、車両１を走行制御する。

車両速度制御装置１０は、互いに通信可能に設けられた、制御端末１１と、アクセル開度変更部１２を備えている。
制御端末１１は、図２を用いて後に説明するような構成を内部に備えた情報処理機器である。
アクセル開度変更部１２は、本実施形態においては、車両１の運転席３に搭載されたドライブロボットである。アクセル開度変更部１２は、車両１のアクセルペダル４に当接するように設けられたアクチュエータ１２ａを備えている。アクセル開度変更部１２は、制御端末１１からの指示に従ってアクチュエータ１２ａを駆動させて、アクセルペダル４を操作することにより、車両１のアクセル開度を変更、調整する。

図２は、車両速度制御装置１０のブロック図である。車両速度制御装置１０は、本実施形態においては制御端末１１の内部に、車速指令生成部１３、車両駆動力演算部１４、走行抵抗演算部１５、アクセル開度変更量演算部１６、走行実績データ１７、及びアクセル開度フィードバック操作量演算部１８を備えている。

車速指令生成部１３は、制御端末１１内に格納された、モードに関する情報に基づいて、車速指令を生成する。モードは、例えば、走行開始から経過した時間と、その時に到達すべき車速との関係として、例えばテーブルやグラフ等により表わされている。
車速指令生成部１３は、車両１の走行中の、現時点から所定の第１時間だけ経過後の将来までの時間の範囲において、この範囲を所定の第１時間間隔で刻んだ各時刻に対し、モードを参照して車速を求めることにより、車速指令を生成する。本実施形態においては、所定の第１時間は例えば５秒であり、所定の第１時間間隔は例えば０．０２秒である。

このように、車速指令生成部１３は、車両１の走行中に、複数の将来の時刻における車速指令を生成する。以降、この複数の車速指令を、現時点からの経過時間が短い順に並べて車速指令ベクトルｖ_ｒｅｆとして示す。すなわち、車速指令ベクトルｖ_ｒｅｆ＝（ｖ_１、ｖ_２、…、ｖ_Ｎ）とすると、ｖ_１は現時点から所定の第１時間間隔、例えば０．０２秒後の、次に達成すべき車速指令であり、ｖ_２は例えば０．０４秒後の車速指令である。また、ｖ_Ｎは現時点から所定の第１時間、例えば５秒後の車速指令である。
車速指令生成部１３は、車速指令ベクトルｖ_ｒｅｆをアクセル開度変更量演算部１６へ送信する。
また、車速指令生成部１３は、車速指令ベクトルｖ_ｒｅｆの第１要素、すなわち車速指令ｖ_１を、次に達成すべき、次の処理時刻の車速指令ｖ_１として、車両駆動力演算部１４へ送信する。

車両駆動力演算部１４は、車速指令生成部１３から次の処理時刻の車速指令ｖ_１を受信する。
車両駆動力演算部１４は、次の処理時刻の車速指令ｖ_１を基に、車両駆動力Ｆ_ｘを演算する。より詳細には、車両１の重量をＭ_ｖ（ｋｇ）とすると、車両駆動力Ｆ_ｘは次式により近似的に決定される。

上式において、次の処理時刻の車速指令ｖ_１の微分値は、車両駆動力演算部１４が車速指令生成部１３から受信した車速指令ｖ_１の最新の値と、１つ前の時刻において車速指令生成部１３から受信した車速指令ｖ_１を基に、例えばこれらの差分を所定の時間値で除算すること等により算出されている。

走行抵抗演算部１５は、走行中の車両１から、現在の車速ｖ_ｄｅｔを検出して取得する。
走行抵抗演算部１５は、現在の車速ｖ_ｄｅｔを基に、実路面上での実走行を模した走行抵抗Ｆ_ＲＬを演算する。より詳細には、Ａ、Ｂ、Ｃを車両毎に設定する定数とすると、走行抵抗Ｆ_ＲＬは次式により近似的に決定される。

走行抵抗演算部１５は、上式により算出された走行抵抗Ｆ_ＲＬをシャシーダイナモメータ５へ送信し、走行中の車両１に対して走行抵抗力を発生させる。
このように、走行抵抗演算部１５は、現在の車速ｖ_ｄｅｔに応じた走行抵抗Ｆ_ＲＬを演算する。

車両駆動力演算部１４により算出された車両駆動力Ｆ_ｘと、走行抵抗演算部１５により算出された走行抵抗Ｆ_ＲＬは、加算器１９に送信される。
加算器１９は、これらを受信し加算して、車両駆動力Ｆ_ｘと走行抵抗Ｆ_ＲＬの和である要求駆動力Ｆ_ｒｅｆを演算する。
加算器１９は、要求駆動力Ｆ_ｒｅｆを、アクセル開度変更量演算部１６へ送信する。

アクセル開度変更量演算部１６は、車速指令生成部１３から車速指令ベクトルｖ_ｒｅｆを、及び加算器１９から要求駆動力Ｆ_ｒｅｆを、それぞれ受信する。アクセル開度変更量演算部１６は更に、走行中の車両１から、現在の車速ｖ_ｄｅｔと、現在のエンジン回転数ｎ_ｄｅｔの各々の検出結果を取得する。

アクセル開度変更量演算部１６は、受信、取得した値の各々を基に、アクセル開度の変更量を演算する。このアクセル開度の変更量は、厳密には、車速指令ベクトルｖ_ｒｅｆ及び速指令ｖ_１から算出された要求駆動力Ｆ_ｒｅｆを基に、フィードフォワード系の制御を行うことで算出されるものである。したがって、アクセル開度変更量演算部１６によって算出されるアクセル開度の変更量を、以降、フィードフォワード変更量（以下、ＦＦ変更量と記載する）θ_ＦＦと記す。
本実施形態においては、ＦＦ変更量θ_ＦＦは、フィードフォワード系の制御により演算された、次の処理時刻の車速指令ｖ_１を達成するためにアクセル開度変更部１２が操作すべきアクセルペダル４の操作量である。

アクセル開度変更量演算部１６は、車両１を実際に走行させた際の走行実績データ１７を学習データとして機械学習された、機械学習器により、ＦＦ変更量θ_ＦＦを演算する。本実施形態においては、機械学習器は、ニューラルネットワークにより実現されている。

走行実績データ１７は、車両１にアクセル開度変更部１２を設置する前、あるいは設置した後に、車両１を走行させた際のデータを実測して記録したものである。走行実績データ１７は、走行中の車両１の車速、駆動力、エンジン回転数の各々の実測データを含む。
走行実績データ１７は、車両１をモードに従うように走行させつつ各々の値を測定したものであるのが望ましいが、必ずしも、モードに従って走行させたものでなくとも構わない。
後に説明するように、機械学習器には、学習が終了し実際に車両１に搭載されてＦＦ変更量θ_ＦＦを演算する際には、受信した、車速指令ベクトルｖ_ｒｅｆ＝（ｖ_１、ｖ_２、…、ｖ_Ｎ）、要求駆動力Ｆ_ｒｅｆ、現在の車速ｖ_ｄｅｔ、及び現在のエンジン回転数ｎ_ｄｅｔの各々が入力される。
この機械学習器を機械学習するに際し、走行実績データ１７が車両１をモードに従って走行させて実測されている場合においては、その際の、複数の将来の時刻における車速指令、駆動力、車速、及びエンジン回転数を、車速指令ベクトルｖ_ｒｅｆ、要求駆動力Ｆ_ｒｅｆ、現在の車速ｖ_ｄｅｔ、及び現在のエンジン回転数ｎ_ｄｅｔの各々に入力すればよい。
また、走行実績データ１７が車両１をモードに従って走行させたものではない場合においては、車速指令に代えて、複数の将来の時刻における車速を、車速指令ベクトルｖ_ｒｅｆとして入力すればよい。すなわち、走行実績データ１７中の将来の車速を仮に与えられた車速指令とみなし、走行実績データ１７がこの仮に与えられた車速指令に従った実測結果であるとすることもできる。このような手法によっても、現在のアクセル開度と、将来の車速との関係性を学習できるため、走行実績データ１７が車両１をモードに従って走行させて実測されている場合と同様な学習効果が期待できる。
また、走行実績データ１７は、機械学習器の出力となる、ＦＦ変更量θ_ＦＦの実測データを含む。このＦＦ変更量θ_ＦＦの実測データは、機械学習器に学習させる際の正解値として使用される。

図３は、アクセル開度変更量演算部１６を構成する機械学習器の説明図である。
本実施形態においては、機械学習器３０は、中間層を３層とした全５層の全結合型のニューラルネットワークである。図３においては、層はＩで表わされており、Ｉ＝１の層が入力層、Ｉ＝２、３、４の層が中間層、Ｉ＝５の層が出力層である。以降、Ｉ番目の層に対し、Ｉ−１番目となる層を、前段の層と記載する。

入力層を構成する入力ノード３１は、Ｎ個の第１入力ノード３１ａと、及び、各々１つずつの第２入力ノード３１ｂ、第３入力ノード３１ｃ、第４入力ノード３１ｄを備えている。
ここではまず、機械学習器３０の学習について説明する。以下では説明を簡単にするために、走行実績データ１７が車両１をモードに従って走行させて実測されている場合を想定する。走行実績データ１７が車両１をモードに従って走行させたものではない場合であっても、既に説明したように、将来の車速を車速指令とみなすことにより、同様の説明が可能である。
第１入力ノード３１ａは、アクセル開度変更量演算部１６が受信した車速指令ベクトルｖ_ｒｅｆ＝（ｖ_１、ｖ_２、…、ｖ_Ｎ）の要素数と同じ数が設けられている。走行実績データ１７の、複数の将来の時刻における車速指令は、第１入力ノード３１ａに各々入力される。
同様に、走行実績データ１７の駆動力、車速、エンジン回転数の各々は、第２入力ノード３１ｂ、第３入力ノード３１ｃ、及び第４入力ノード３１ｄに各々入力される。

中間層の各ノード３２においては、前段の層の各ノード（Ｉ＝２の場合はＩ＝１の入力ノード３１、Ｉ＝３、４の場合はそれぞれＩ＝２、３のノード３２）から、この前段の層の各ノード３１、３２において計算された値と、前段の層の各ノード３１、３２から当該中間層のノード３２への重みを基にした演算がなされて、当該中間層のノード３２内に演算結果が格納される。
より詳細には、ｘ^Ｉ _ｐをＩ層目のｐ番目のノードに格納された値、ｗ^Ｉ _ｐ、ｑをＩ層目のｐ番目のノードからＩ＋１層目のｑ番目のノードへの伝達の重み、ｘ^Ｉ _０をバイアス、ｗ^Ｉ _０、ｑすなわちＩ層目のバイアスからＩ＋１層目のｑ番目のノードへの伝達の重みを１とすると、機械学習器３０のＩ層目から、Ｉ＋１層目のｑ番目のノードへ値が伝達した結果として、Ｉ＋１層目のｑ番目のノードに格納される値は、次式により演算される。

ここで、１層目すなわち入力層のノード３１に格納された値ｘ^１ _ｉ（ｉ＝１〜Ｎ＋３）は、第１〜第４の各入力ノード３１ａ、３１ｂ、３１ｃ、３１ｄの各々に入力された値である。
また、関数ｆ（ｘ）は、ＲｅＬＵ（Ｒｅｃｔｉｆｉｅｄ Ｌｉｎｅａｒ Ｕｎｉｔ）であり、次式で表わされる。

図３には、数式３においてＩ＝２、ｑ＝１としたときの場合、すなわち、ｘ^３ _１を演算するにあたって、前段すなわち２層目からどのように値が渡されるかが示されている。ｘ^３ _１の計算を説明するために、２層目には特に、バイアスｘ^２ _０及びバイアスｘ^２ _０からの伝達の重みｗ^２ _０、１が二点鎖線で示されている。
中間層の各々における中間ノード３２の数は、走行実績データ１７を用いた学習が適切に行われるように、適宜決定されている。

出力層においても、中間層の各々と同様に、数式（３）を用いた演算が行われ、各出力ノード３３に演算結果が格納される。
ここで、本実施形態においては、出力層は、図３においてＭで示される数の出力ノード３３を備えており、機械学習器３０は、複数の将来の時刻におけるＦＦ変更量を演算する。すなわち、出力層の各出力ノード３３においては、現時点を基点として所定の第２時間間隔後の、例えば０．００２秒後のＦＦ変更量θ´_１から、所定の第２時間間隔刻みに、現時点から所定の第２時間後の、例えば１秒後のＦＦ変更量θ´_Ｍまで、計Ｍ個の時刻におけるＦＦ変更量が演算される。
この、各出力ノード３３において演算されるＦＦ変更量θ´_１〜θ´_Ｍは、暫定的なものである。アクセル開度変更量演算部１６は、この暫定的なＦＦ変更量θ´_１〜θ´_Ｍのうち、特に次の時間に対応するＦＦ変更量θ´_１に対して、例えば過去の処理における出力結果との移動平均処理を適用し、この結果をＦＦ変更量θ_ＦＦとして出力する。すなわち、本実施形態においては、θ´_２〜θ´_Ｍの値は使用されない構成となっているが、他の変形例として後に説明するように、使用しても構わない。

機械学習器３０においては、上記のように走行実績データ１７が入力されて、ＦＦ操作量θ´_１〜θ´_Ｍが演算された後に、これらの値が適切な値となるように、すなわち、実際にＦＦ操作量θ´_１〜θ´_Ｍを演算する際に、適切な値を演算することができるように、事前に学習がなされる。この学習においては、全ての重みｗ^Ｉ _ｐ、ｑの値と、バイアスｘ^Ｉ _０の値が調整される。学習の目標は、走行実績データ１７内のＦＦ変更量の実測データであり、この目標となるデータと各出力ノード３３において演算された結果との二乗誤差を小さくするように学習が行われる。学習は、例えば、誤差逆伝搬法によって行うことができる。

アクセル開度変更量演算部１６は、上記のように機械学習された機械学習器３０により、ＦＦ変更量θ_ＦＦを演算する。
すなわち、アクセル開度変更量演算部１６が受信した車速指令ベクトルｖ_ｒｅｆ＝（ｖ_１、ｖ_２、…、ｖ_Ｎ）の各要素が、第１入力ノード３１ａに各々入力される。同様に、アクセル開度変更量演算部１６が受信した、要求駆動力Ｆ_ｒｅｆ、現在の車速ｖ_ｄｅｔ、及び現在のエンジン回転数ｎ_ｄｅｔの各々が、第２入力ノード３１ｂ、第３入力ノード３１ｃ、及び第４入力ノード３１ｄに各々入力される。
入力された各々の値は、数式（３）及び数式（４）により演算されながら機械学習器３０内を次の層へと伝達され、出力層の各出力ノード３３に演算結果、すなわち暫定的なＦＦ変更量θ´_１〜θ´_Ｍが格納される。アクセル開度変更量演算部１６は、この中の、特に次の時間に対応する暫定的なＦＦ変更量θ´_１に対して、例えば過去の処理における出力結果との移動平均処理を適用し、この結果をＦＦ変更量θ_ＦＦとして出力する。

このように、アクセル開度変更量演算部１６を構成する機械学習器３０は、走行中の前記車両の駆動力、車速、アクセル開度の変更量、及びエンジン回転数を含む走行実績データ１７を学習データとして機械学習されている。
また、走行実績データ１７が車両１をモードに従って走行させて実測されている場合においては、複数の将来の時刻における車速指令も更に、学習データとして使用されている。
このように機械学習された機械学習器３０を備えたアクセル開度変更量演算部１６は、車速指令ベクトルｖ_ｒｅｆ、要求駆動力Ｆ_ｒｅｆ、現在の車速ｖ_ｄｅｔ、及び現在のエンジン回転数ｎ_ｄｅｔが入力された時に、これらを機械学習器３０の各入力ノード３１ａ、３１ｂ、３１ｃ、３１ｄへ入力することで、機械学習器３０によりＦＦ変更量θ_ＦＦを演算する。

アクセル開度フィードバック操作量演算部１８は、車速指令生成部１３が送信した次の処理時刻の車速指令ｖ_１と、現在の車速ｖ_ｄｅｔとの差分、すなわち加算器２０によりこれらの値が減算処理された結果の値である車速誤差ｄｖを受信する。
アクセル開度フィードバック操作量演算部１８は、例えばＰＩＤ（Ｐｒｏｐｏｒｔｉｏｎａｌ−Ｄｉｆｆｅｒｅｎｔｉａｌ Ｃｏｎｔｒｏｌｌｅｒ）制御等の車速のフィードバック制御により、車速誤差ｄｖを小さくするようなアクセル開度のフィードバック変更量（以下、ＦＢ変更量と記載する）θ_ＦＢを演算する。ＰＩＤ制御に使用される各パラメータは、事前に調整されている。

アクセル開度変更量演算部１６により演算されたＦＦ変更量θ_ＦＦと、アクセル開度フィードバック操作量演算部１８により演算されたＦＢ変更量θ_ＦＢは、加算器２１により加算されて、実際に使用される変更量θ_ｒｅｆが計算される。
この変更量θ_ｒｅｆが、アクセルペダル操作指令θ_ｒｅｆとして、アクセル開度変更部１２に送信される。アクセル開度変更部１２は、このアクセルペダル操作指令θ_ｒｅｆすなわち実際に使用されるアクセル開度の変更量θ_ｒｅｆを基に、特に本実施形態においてはアクチュエータ１２ａを駆動させてアクセルペダル４を操作することにより、アクセル開度を変更する。これにより、車両１の車速やエンジン回転数が変化する。

次に、図１〜図３、及び図４を用いて、上記の車両速度制御装置１０による車両速度制御方法を説明する。図４は、車両速度制御方法のフローチャートである。
本車両速度制御方法は、車両のアクセル開度を変更することで、規定された車速指令に従うように車両を走行制御するものであり、走行中の車両の駆動力、車速、及びアクセル開度の変更量を含む走行実績データを学習データとして機械学習された、機械学習器によって、車速指令を基に演算された、車速指令の達成に必要とされる要求駆動力と、現在の車速とを基にして、アクセル開度の変更量を演算し、アクセル開度の変更量を基に、アクセル開度を変更する。

まず、機械学習器３０を、走行実績データ１７を学習データとして機械学習させる（ステップＳ０）。走行実績データ１７は、車両１にアクセル開度変更部１２を設置する前、あるいは設置した後に、モードに従うように車両１を走行させた際のデータを実測して記録したものである。しかし、既に説明したように、走行実績データ１７は必ずしも、モードに従って走行させたものでなくとも構わない。
機械学習器３０の学習が終了すると、実際に車両１をシャシーダイナモメータ５上で走行させて、燃費や排出ガスを測定する（ステップＳ２）。

この際に、まず、車速指令生成部１３が、制御端末１１内に格納されたモードに関する情報に基づいて、車速指令を、より詳細には車速指令ベクトルｖ_ｒｅｆを生成する（ステップＳ４）。
車速指令生成部１３は、車速指令ベクトルｖ_ｒｅｆをアクセル開度変更量演算部１６へ送信する。
また、車速指令生成部１３は、車速指令ベクトルｖ_ｒｅｆの第１要素、すなわち車速指令ｖ_１を、次に達成すべき、次の処理時刻の車速指令ｖ_１として、車両駆動力演算部１４へ送信する。

車両駆動力演算部１４は、車速指令生成部１３から次の処理時刻の車速指令ｖ_１を受信する。
車両駆動力演算部１４は、次の処理時刻の車速指令ｖ_１を基に、車両駆動力Ｆ_ｘを演算する（ステップＳ６）。

上記ステップＳ４、Ｓ６と並行して、走行抵抗演算部１５は、現在の車速ｖ_ｄｅｔを基に、走行抵抗Ｆ_ＲＬを演算する（ステップＳ８）。

アクセル開度変更量演算部１６は、車速指令ベクトルｖ_ｒｅｆを車速指令生成部１３から受信する。アクセル開度変更量演算部１６はまた、車両駆動力演算部１４により算出された車両駆動力Ｆ_ｘと、走行抵抗演算部１５により算出された走行抵抗Ｆ_ＲＬの和である要求駆動力Ｆ_ｒｅｆを加算器１９から受信する。アクセル開度変更量演算部１６は更に、走行中の車両１から、現在の車速ｖ_ｄｅｔと、現在のエンジン回転数ｎ_ｄｅｔの各々の検出結果を取得する。

アクセル開度変更量演算部１６は、受信、取得した値の各々を基に、ＦＦ変更量θ_ＦＦを演算する（ステップＳ１０）。より詳細には、車速指令ベクトルｖ_ｒｅｆ＝（ｖ_１、ｖ_２、…、ｖ_Ｎ）の各要素が、機械学習器３０の第１入力ノード３１ａに各々入力される。また、要求駆動力Ｆ_ｒｅｆ、現在の車速ｖ_ｄｅｔ、及び現在のエンジン回転数ｎ_ｄｅｔの各々が、第２入力ノード３１ｂ、第３入力ノード３１ｃ、及び第４入力ノード３１ｄに入力される。入力された各々の値は、数式（３）及び数式（４）により演算されながら機械学習器３０内を次の層へと伝達され、出力層の各出力ノード３３に演算結果、すなわち暫定的なＦＦ変更量θ´_１〜θ´_Ｍが格納される。アクセル開度変更量演算部１６は、この中の、特に次の時間に対応する暫定的なＦＦ変更量θ´_１に対して、例えば過去の処理における出力結果との移動平均処理を適用し、この結果をＦＦ変更量θ_ＦＦとして出力する。
本実施形態においては、次の時間に対応する暫定的なＦＦ変更量θ´_１以外の暫定的なＦＦ変更量θ´_２〜θ´_Ｍは、機械学習器３０から外部には出力されず、使用されない。この処理におけるθ´_２に相当する時刻においては、当該時刻に改めて機械学習器３０が暫定的なＦＦ変更量θ´_１〜θ´_Ｍを演算し、その時の暫定的なＦＦ変更量θ´_１が当該時刻の暫定的なＦＦ変更量として機械学習器３０から出力されて、使用される。

上記ステップＳ４〜Ｓ１０と並行して、アクセル開度フィードバック操作量演算部１８が、車速指令生成部１３が送信した次の処理時刻の車速指令ｖ_１と、現在の車速ｖ_ｄｅｔとの差分である車速誤差ｄｖを受信する。
アクセル開度フィードバック操作量演算部１８は、車速のフィードバック制御により、車速誤差ｄｖを小さくするようなアクセル開度のＦＢ変更量θ_ＦＢを演算する（ステップＳ１２）。

アクセル開度変更量演算部１６により演算されたＦＦ変更量θ_ＦＦと、アクセル開度フィードバック操作量演算部１８により演算されたＦＢ変更量θ_ＦＢは、加算器２１により加算されて、実際に使用される変更量θ_ｒｅｆが計算される（ステップＳ１４）。
この変更量θ_ｒｅｆが、アクセルペダル操作指令θ_ｒｅｆとして、アクセル開度変更部１２に送信される。アクセル開度変更部１２は、このアクセルペダル操作指令θ_ｒｅｆすなわち実際に使用されるアクセル開度の変更量θ_ｒｅｆを基に、特に本実施形態においてはアクチュエータ１２ａを駆動させてアクセルペダル４を操作することにより、アクセル開度を変更する（ステップＳ１６）。

ステップＳ１６が終了すると、ステップＳ４、Ｓ８、Ｓ１２の各々の処理へ遷移する。すなわち、ステップＳ４〜Ｓ１６の一連の処理により、車両１の車速ｖ_ｄｅｔやエンジン回転数ｎ_ｄｅｔが変化する。この新たな車速ｖ_ｄｅｔやエンジン回転数ｎ_ｄｅｔを検出し、これら検出値を基に、次の時刻におけるアクセルペダル操作指令θ_ｒｅｆを演算する。
このように、ステップＳ４〜Ｓ１６の一連の処理を毎時刻繰り返すことにより、車両１がモードに従って走行制御される。

次に、上記の車両速度制御装置及び車両速度制御方法の効果について説明する。

本実施形態の車両速度制御装置１０においては、車両１のアクセル開度を変更することで、規定された車速指令ｖ_１、ｖ_ｒｅｆに従うように車両１を走行制御するものであって、車速指令ｖ_１を基に演算された、車速指令ｖ_１の達成に必要とされる要求駆動力Ｆ_ｒｅｆと、現在の車速ｖ_ｄｅｔとを基にして、ＦＦ変更量（アクセル開度の変更量）θ_ＦＦを演算する、アクセル開度変更量演算部１６と、ＦＦ変更量θ_ＦＦを基に、アクセル開度を変更する、アクセル開度変更部１２と、を備え、アクセル開度変更量演算部１６は、走行中の車両１の駆動力、車速、及びＦＦ変更量を含む走行実績データ１７を学習データとして機械学習された、機械学習器３０により、ＦＦ変更量θ_ＦＦを演算する。
上記のような構成によれば、機械学習器３０は、走行中の車両１の駆動力、車速、及びＦＦ変更量を含む走行実績データ１７を学習データとして、適切なＦＦ変更量θ_ＦＦを演算するように機械学習されているため、規定された車速指令ｖ_１、ｖ_ｒｅｆに従うように車両１を走行制御することができる。この機械学習器３０は、入力の値に依存せず適切と考えられるＦＦ変更量θ_ＦＦを演算可能である。したがって、例えば駆動力特性マップのような、実際に測定された値以外においては補間に依らなければアクセル開度を出力できない場合に比べると、車速指令に対してより高い精度で追従可能なＦＦ変更量θ_ＦＦを演算できる。
また、アクセル開度変更量演算部１６は機械学習器３０により演算を行うため、入力となる要素の数に、基本的に制限はない。このため、例えばＦＦ変更量θ_ＦＦに関連のあると考えられる要素を、できるだけ多く機械学習器３０の入力として採用することが可能である。これにより、車速指令に対してより高い精度で追従可能なＦＦ変更量θ_ＦＦを演算できる。

また、機械学習器３０は、ニューラルネットワークにより実現されている。
上記のような構成によれば、車両速度制御装置１０をより適切に実現可能である。

また、機械学習器３０は、更に、エンジン回転数を含む走行実績データ１７を学習データとして機械学習され、アクセル開度変更量演算部１６は、更に、現在のエンジン回転数ｎ_ｄｅｔを基にして、ＦＦ変更量θ_ＦＦを演算する。
例えば車両１がオートマチック車の場合においては、車両１内でギアが自動で変更されるため、アクセル開度と速度の関係が外部から容易に把握できない。
上記のような構成によれば、機械学習器３０は、学習時に、エンジン回転数を基にして、ＦＦ変更量θ_ＦＦを演算するように学習されている。このように学習された機械学習器３０により、アクセル開度変更量演算部１６は、現在のエンジン回転数ｎ_ｄｅｔを基にして、ＦＦ変更量θ_ＦＦを演算する。このため、車両１がオートマチック車の場合であっても、車両１内のギア状態に依存しない演算が可能である。これにより、車速指令に対してより高い精度で追従可能なＦＦ変更量θ_ＦＦを演算できる。

また、機械学習器３０は、更に、複数の将来の時刻における車速を含む走行実績データ１７、または、複数の将来の時刻における車速指令を学習データとして機械学習され、アクセル開度変更量演算部１６は、複数の将来の時刻における車速指令ｖ_ｒｅｆを基にして、ＦＦ変更量θ_ＦＦを演算する。
上記のような構成によれば、機械学習器３０は、学習時に、複数の将来の時刻における車速または車速指令を基にして、ＦＦ変更量θ_ＦＦを演算するように学習されている。このように学習された機械学習器３０により、アクセル開度変更量演算部１６は、複数の将来の時刻における車速指令ｖ_ｒｅｆを基にして、ＦＦ変更量θ_ＦＦを演算する。このため、次の時刻におけるＦＦ変更量θ_ＦＦを演算する際に、より将来の時刻で達成すべき速度指令ｖ_ｒｅｆを考慮することができる。これにより、車速指令に対してより高い精度で追従可能なＦＦ変更量θ_ＦＦを演算できる。

また、機械学習器３０は、複数の将来の時刻における、暫定的なＦＦ変更量（暫定的なアクセル開度の変更量）θ´_１〜θ´_Ｍを演算し、アクセル開度変更量演算部１６は、暫定的なＦＦ変更量θ´_１〜θ´_Ｍを基に、ＦＦ変更量θ_ＦＦを演算する。
上記のような構成によれば、機械学習器３０は、次の時刻の暫定的なＦＦ変更量θ´_１を演算するに際し、それよりも将来の時刻における暫定的なＦＦ変更量θ´_２〜θ´_Ｍを同時に演算する。すなわち、機械学習器３０を学習させるに際し、次の時刻の暫定的なＦＦ変更量θ´_１に加えて、より将来の時刻の予測を含めて演算するように学習させると、機械学習器３０の内部に将来の時刻における予想が特徴量として反映される。この特徴量により、次の時刻の暫定的なＦＦ変更量θ´_１の演算を、将来の時刻の挙動を見越したものとすることができる。これにより、車速指令に対してより高い精度で追従可能なＦＦ変更量θ_ＦＦを演算できる。

また、機械学習器３０は、複数の将来の時刻における暫定的なＦＦ変更量θ´_１〜θ´_Ｍの中で、直近の時刻、すなわち次の時刻のＦＦ変更量θ´_１のみを基にして、ＦＦ変更量θ_ＦＦを演算する。
上記のような構成によれば、ＦＦ変更量が必要となる時刻の各々において、常に最新の入力を基にした暫定的なＦＦ変更量θ´_１が演算されてこれが使用されるため、車速指令に対してより高い精度で追従可能なＦＦ変更量θ_ＦＦを演算できる。

また、アクセル開度変更量演算部１６は、機械学習器３０が出力した暫定的なＦＦ変更量θ´_１に対し、過去の処理における出力結果との移動平均処理を適用し、この結果をＦＦ変更量θ_ＦＦとして出力する。
上記のような構成によれば、アクセル開度変更量演算部１６が出力するＦＦ変更量θ_ＦＦの遷移を滑らかなものとすることができる。これにより、滑らかなアクセル開度の調整が可能となる。

また、車速指令を基に、車両駆動力を演算する車両駆動力演算部と、現在の車速に応じた走行抵抗を演算する走行抵抗演算部を備え、要求駆動力は、車両駆動力と走行抵抗の和である。
上記のような構成によれば、車両速度制御装置１０をより適切に実現可能である。

また、アクセル開度変更部は、車両の運転席に搭載されて、アクチュエータによりアクセルペダルを操作するドライブロボットである。
上記のような構成によれば、車両速度制御装置１０をより適切に実現可能である。

［実施形態の第１変形例］
次に、図５を用いて、上記実施形態として示した車両速度制御装置及び車両速度制御方法の第１変形例を説明する。図５は、本第１変形例における車両速度制御装置４０のブロック図である。本第１変形例の車両速度制御装置４０は、上記実施形態の車両速度制御装置１０とは、アクセル開度変更量演算部４１が、更に、現在のエンジン温度ｄ_ｄｅｔを基にして、ＦＦ変更量を演算する点が異なっている。

これに伴い、アクセル開度変更量演算部４１の機械学習器は、上記実施形態における機械学習器３０に比べ、エンジン温度ｄ_ｄｅｔに対応する入力ノードが１つ追加されている。走行実績データ４３にも、走行中のエンジン温度が測定されて実測値として格納され、機械学習器にはこれを入力項目とした学習が行われる。結果として、アクセル開度変更量演算部４１は、現在のエンジン温度ｄ_ｄｅｔを考慮したＦＦ変更量θ_ＦＦを出力可能な構成となっている。

このように、本第１変形例においては、機械学習器は、更に、エンジン温度を含む走行実績データ４３を学習データとして機械学習され、アクセル開度変更量演算部４１は、更に、現在のエンジン温度ｄ_ｄｅｔを基にして、ＦＦ変更量θ_ＦＦを演算する。
エンジンの出力特性は、温度により非線形的に変化するため、例えば駆動力特性マップのような補間に依存して構築されたデータ構造においては、これを正確に反映するのが容易ではない。上記のような構成によれば、エンジンの温度に依存した特性変化を考慮して、ＦＦ変更量θ_ＦＦを演算することが可能となる。

本第１変形例が、既に説明した実施形態と同様な他の効果を奏することは言うまでもない。

［実施形態の第２変形例］
次に、図６を用いて、上記実施形態として示した車両速度制御装置及び車両速度制御方法の第２変形例を説明する。図６は、本第２変形例における車両速度制御装置５０のブロック図である。本第２変形例の車両速度制御装置５０は、上記第１変形例の車両速度制御装置４０を更に変形したものであり、車両速度制御装置５０が、異常検出部５２を備えている点が異なっている。

本第２変形例においては、アクセル開度変更量演算部５１の機械学習器は、上記第１変形例における機械学習器に比べ、複数の将来の時刻におけるエンジン回転数ｎ_ｅｓｔ＝（ｎ_１、ｎ_２、…、ｎ_Ｍ）を予測し演算するように構成されている。これに伴い、本第２変形例の機械学習器は、エンジン回転数ｎ_ｅｓｔに対応するＭ個の出力ノードが追加されている。走行実績データ５３にも、複数の将来の時刻におけるエンジン回転数ｎ_ｅｓｔが実測値として格納され、これが正解値として使用されて機械学習器の学習が行われる。

アクセル開度変更量演算部５１は、上記の構成により、複数の将来の時刻におけるエンジン回転数ｎ_ｅｓｔを演算する。アクセル開度変更量演算部５１は、演算した複数の将来の時刻におけるエンジン回転数ｎ_ｅｓｔを、異常検出部５２へと送信する。
異常検出部５２は、複数の将来の時刻におけるエンジン回転数ｎ_ｅｓｔを受信し、これが異常な値である場合に、異常であることを検出する。

より詳細には、異常検出部５２は、複数の将来の時刻におけるエンジン回転数ｎ_ｅｓｔの値の推移の傾向を観察し、あるいは最小値や最大値を所定の閾値と比較することにより、複数の将来の時刻におけるエンジン回転数ｎ_ｅｓｔの値の異常性を判断する。
異常検出部５２は、複数の将来の時刻におけるエンジン回転数ｎ_ｅｓｔに異常があると判断した場合においては、アクセル開度変更部１２へ停止信号を送信する。

このように、本第２変形例においては、アクセル開度変更量演算部５１は、複数の将来の時刻におけるエンジン回転数ｎ_ｅｓｔを演算し、複数の将来の時刻におけるエンジン回転数ｎ_ｅｓｔが異常な値である場合に、これを検出する異常検出部５２を備えている。
上記のような構成によれば、エンジン回転数ｎ_ｅｓｔを将来にわたって予測演算することで、異常なエンジン回転数となるようなアクセル開度を変更する操作が出力される前に、事前にその操作を中止することができる。これにより、事故や車両１の故障の発生を抑制することができる。

本第２変形例が、既に説明した実施形態及び第１変形例と同様な他の効果を奏することは言うまでもない。

［実験結果］
次に、上記実施形態における車両速度制御装置１０を使用した実験結果を説明する。
駆動力特性マップを使用した装置と、上記の車両速度制御装置１０の各々によって、所定のモードに従って車両の速度制御を行い、その結果を比較した。

図７（ａ）、（ｂ）は、駆動力特性マップを使用した装置と、車両速度制御装置１０の各々における、速度指令への追従状況を示すグラフである。図７（ａ）、（ｂ）の双方において、線６０、６１、６２は、それぞれ、モードに規定された速度指令、速度指令の許容誤差範囲の上限、及び速度指令の許容誤差範囲の下限である。図７（ａ）の線６３は、駆動力特性マップを使用した装置の場合の追従状況であり、図７（ｂ）の線６４は、車両速度制御装置１０の場合の追従状況である。
線６４は、線６３よりも線６０に近い曲線を描いている。より詳細には、駆動力特性マップを使用した装置の場合の追従状況６３の、車速指令６０との平均車速誤差は０．４４ｋｍ／ｈであったのに対し、車両速度制御装置１０の場合の追従状況６４の、車速指令６０との平均車速誤差は０．２８ｋｍ／ｈであった。このように、車両速度制御装置１０は、駆動力特性マップを使用した装置よりも、車速指令に対する追従性が向上している。

図８（ａ）、（ｂ）は、駆動力特性マップを使用した装置と、車両速度制御装置１０の各々における、アクセル開度の操作量を示すグラフである。線７０、７１は、それぞれ、駆動力特性マップを使用した装置の場合における、フィードフォワード系の操作量と、フィードバック系の操作量である。また、線７２、７３は、それぞれ、車両速度制御装置１０の場合における、フィードフォワード系の操作量と、フィードバック系の操作量である。
線７３は、線７１よりも全体的に値が小さくなっており、すなわち、車両速度制御装置１０の場合においては、フィードバック系の操作量が低減している。これにより、フィードフォワード系の操作の精度が向上していることがわかる。

なお、本発明の車両速度制御装置及び車両速度制御方法は、図面を参照して説明した上述の実施形態及び各変形例に限定されるものではなく、その技術的範囲において他の様々な変形例が考えられる。

例えば、上記実施形態においては、走行実績データ１７は、車両速度制御装置１０に含まれるように説明したが、機械学習器３０に対する学習が終了し、実際に稼働させて車両１を走行制御する際においては、車両速度制御装置１０から削除されて外された構成とされていても構わない。
また、上記実施形態においては、車速指令生成部１３、車両駆動力演算部１４、走行抵抗演算部１５、アクセル開度変更量演算部１６、走行実績データ１７、及びアクセル開度フィードバック操作量演算部１８は、制御端末１１の中に設けられた構成とされていたが、これに限られないのは言うまでもない。これらの構成要素の一部、もしくは全てが、例えばアクセル開度変更部１２の内部に設けられて、アクセル開度変更部１２に設けられたＣＰＵ等により稼働されるような構成とされても良い。

また、走行実績データ１７は、車両１が加速している状態における特性である動特性が反映されたものであってもよい。駆動力特性マップは、一般には、一定のアクセル開度で走行した際の、定常的な車両の特性を事前に測定して収録したものであるため、動特性を反映させるのが難しい。これに対し、例えば車両速度制御装置１０において機械学習器３０を動特性が反映された走行実績データ１７により学習させることで、動特性を反映したＦＦ変更量θ_ＦＦを出力することができる。これにより、ＦＦ変更量θ_ＦＦの演算精度を更に高めることができる。

また、上記実施形態において、アクセル開度変更量演算部１６は、機械学習器３０が出力した暫定的なＦＦ変更量θ´_１に対し、過去の処理における出力結果との移動平均処理を適用し、この結果をＦＦ変更量θ_ＦＦとして出力しているが、これに限られない。機械学習器３０は、複数の将来の時刻における暫定的なＦＦ変更量θ´_１〜θ´_Ｍを演算しているため、過去の処理における出力結果に加えて、これらの将来の値を含めて移動平均を計算してもよい。
また、上記実施形態において、機械学習器３０は、複数の将来の時刻における暫定的なＦＦ変更量θ´_１〜θ´_Ｍの中で、直近の時刻、すなわち次の時刻の暫定的なＦＦ変更量θ´_１のみを基にして、ＦＦ変更量θ_ＦＦを演算しているが、これに限られない。精度が許される範囲において、θ´_１をはじめとした複数の暫定的なＦＦ変更量を基に、複数のＦＦ変更量θ_ＦＦを演算し、これらを実際に使用しても構わない。

これ以外にも、本発明の主旨を逸脱しない限り、上記実施形態で挙げた構成を取捨選択したり、他の構成に適宜変更したりすることが可能である。
例えば、第２変形例においては、第１変形例における車両速度制御装置４０の構成に対して異常検出部５２を追加した車両速度制御装置５０を説明したが、実施形態として示した車両速度制御装置１０に対して異常検出部５２を追加するような構成としてもよい。

１ 車両
３ 運転席
４ アクセルペダル
１０、４０、５０ 車両速度制御装置
１２ アクセル開度変更部
１４ 車両駆動力演算部
１６、４１、５１ アクセル開度変更量演算部
１７、４３、５３ 走行実績データ
３０ 機械学習器
５２ 異常検出部
ｖ_ｒｅｆ、ｖ_１、ｖ_２、…、ｖ_Ｎ 車速指令
ｖ_ｄｅｔ 現在の車速
Ｆ_ｘ 車両駆動力
Ｆ_ＲＬ 走行抵抗
Ｆ_ｒｅｆ 要求駆動力
θ_ＦＦ フィードフォワード変更量（アクセル開度の変更量）
θ´_１〜θ´_Ｍ 暫定的なフィードフォワード変更量（暫定的なアクセル開度の変更量）
ｎ_ｄｅｔ 現在のエンジン回転数
ｎ_ｅｓｔ、ｎ_１、ｎ_２、…、ｎ_Ｌ エンジン回転数
ｄ_ｄｅｔ 現在のエンジン温度

Claims (9)

1. 車両のアクセル開度を変更することで、規定された車速指令に従うように前記車両を走行制御する、車両速度制御装置であって、
   前記車速指令を基に演算された、当該車速指令の達成に必要とされる要求駆動力と、現在の車速とを基にして、前記アクセル開度の変更量を演算する、アクセル開度変更量演算部と、
   前記アクセル開度の前記変更量を基に、前記アクセル開度を変更する、アクセル開度変更部と、
   を備え、
   前記アクセル開度変更量演算部は、走行中の前記車両の駆動力、車速、及び前記アクセル開度の前記変更量を含む走行実績データを学習データとして機械学習された、機械学習器により、前記アクセル開度の前記変更量を演算し、
   前記機械学習器は、更に、複数の将来の時刻における前記車速を含む前記走行実績データ、または、複数の将来の時刻における前記車速指令を学習データとして機械学習され、
   前記アクセル開度変更量演算部は、複数の将来の時刻における前記車速指令を基にして、前記アクセル開度の前記変更量を演算する、車両速度制御装置。
2. 前記機械学習器は、ニューラルネットワークにより実現されている、請求項１に記載の車両速度制御装置。
3. 前記機械学習器は、更に、エンジン回転数を含む前記走行実績データを学習データとして機械学習され、
   前記アクセル開度変更量演算部は、更に、現在の前記エンジン回転数を基にして、前記アクセル開度の前記変更量を演算する、請求項１または２に記載の車両速度制御装置。
4. 前記機械学習器は、複数の将来の時刻における、暫定的な前記アクセル開度の前記変更量を演算し、
   前記アクセル開度変更量演算部は、暫定的な前記アクセル開度の前記変更量を基に、前記アクセル開度の前記変更量を演算する、請求項１から３のいずれか一項に記載の車両速度制御装置。
5. 前記アクセル開度変更量演算部は、複数の将来の時刻におけるエンジン回転数を演算し、
   複数の将来の時刻における前記エンジン回転数が異常な値である場合に、これを検出する異常検出部を備えている、請求項４に記載の車両速度制御装置。
6. 前記機械学習器は、更に、エンジン温度を含む前記走行実績データを学習データとして機械学習され、
   前記アクセル開度変更量演算部は、更に、現在の前記エンジン温度を基にして、前記アクセル開度の前記変更量を演算する、請求項１から５のいずれか一項に記載の車両速度制御装置。
7. 前記車速指令を基に、車両駆動力を演算する車両駆動力演算部と、
   前記現在の車速に応じた走行抵抗を演算する走行抵抗演算部を備え、
   前記要求駆動力は、前記車両駆動力と前記走行抵抗の和である、請求項１から６のいずれか一項に記載の車両速度制御装置。
8. 前記アクセル開度変更部は、前記車両の運転席に搭載されて、アクチュエータによりアクセルペダルを操作するドライブロボットである、請求項１から７のいずれか一項に記載の車両速度制御装置。
9. 車両のアクセル開度を変更することで、規定された車速指令に従うように前記車両を走行制御する、車両速度制御方法であって、
   走行中の前記車両の駆動力、車速、及び前記アクセル開度の変更量を含む走行実績データを学習データとして機械学習された、機械学習器であって、更に、複数の将来の時刻における前記車速を含む前記走行実績データ、または、複数の将来の時刻における前記車速指令を学習データとして機械学習された機械学習器によって、前記車速指令を基に演算された、当該車速指令の達成に必要とされる要求駆動力と、複数の将来の時刻における前記車速指令と、現在の前記車速とを基にして、前記アクセル開度の前記変更量を演算し、
   前記アクセル開度の前記変更量を基に、前記アクセル開度を変更する、車両速度制御方法。
   

Images