JPH07110712A

JPH07110712A - 操舵角制御装置

Info

Publication number: JPH07110712A
Application number: JP5256080A
Authority: JP
Inventors: Koji Ono; 宏司大野; Keiji Aoki; 啓二青木; Akihide Tachibana; 彰英橘; Toshihiko Suzuki; 敏彦鈴木; Tatsuaki Yokoyama; 竜昭横山
Original assignee: Toyota Motor Corp; Toyota Central R&D Labs Inc
Current assignee: Toyota Motor Corp; Toyota Central R&D Labs Inc
Priority date: 1993-10-13
Filing date: 1993-10-13
Publication date: 1995-04-25

Abstract

(57)【要約】【目的】道路曲率や車速の変化に適応した安定した制
御を可能としかつ計算量及びメモリ容量を小さくする。【構成】車速Ｖを測定する手段１０、車体ヨー角ｙ、
道路曲率Ｃｒ及び道路における基準線からの車両の位置
偏差量である横偏差量εを測定するための装置３０を備
えている。装置２４は、横偏差量ε及び横偏差量εの時
間微分値の各々にゲインを乗じて加え合わせて出力す
る。装置２２は、道路曲率Ｃｒにゲインを乗じて出力す
る。装置１８は、装置２０で使用されるゲインを決定す
るための、手段１８Ａで演算された指令曲率と手段１８
Ｂで演算された走行曲率との差で定義される学習信号を
出力する。装置２０は、ニューラルネットワークで構成
され、装置２２及び装置２４で適切なゲインが設定でき
ないために生じる横偏差量εを減じるための補償量を学
習信号を用いて演算し出力する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は操舵角制御装置に係り、
より詳しくは、人間の運転を代行する自動操縦装置や緊
急時の衝突回避装置、無人搬送車等の移動ロボット等の
走行体の操舵角を制御する操舵角制御装置に関する。

【０００２】

【従来の技術】従来より、道路を撮影した画像を画像処
理して得られた情報に基づいて、道路端またはセンター
ラインを基準として車両の進行方向に対する横偏差量を
求め（地中に埋設された電線や磁石を用いることにより
同様に横偏差量を求めることもできる）、横偏差量、横
偏差量の時間微分値または横偏差量の時間積分値の各々
にゲインを乗算して加え合わせた量（横偏差量によるフ
ィードバック制御量）に、道路曲率にゲインを乗算した
量（道路曲率によるフィードフォワード制御量）を加え
合わせて操舵量を決定し、操舵角を制御する方式が知ら
れている。

【０００３】また、道路端からの進行方向に対する横方
向の距離情報に基づいて、ドライバーが実際に操舵した
操舵量から重回帰分析を行い、求めた回帰式を使用して
操舵量を決定する方式が知られている（特開平４−３０
４５０２号公報）。この方式では、回帰式の係数を走行
時に更新することにより道路曲率や車速の変化にも対応
可能である。

【０００４】

【発明が解決しようとする課題】しかしながら、従来の
横偏差量によるフィードバック制御量と道路曲率による
フィードフォワード制御量とを組み合わせる方式では、
道路曲率の大きさや車速に応じた適切なゲインを求める
必要があるので、道路曲率と車速を組み合わせた走行実
験を行う必要があり、ゲインの調整に多大な労力を必要
とし、現実的でない。

【０００５】また、従来の回帰式を用いる方式では、道
路曲率や車速の変化に適応させるためには、重回帰分析
を走行中に計算する必要があるため、計算コストが多く
なり、また得られた回帰係数をテーブル化するため、メ
モリ容量も大きくなる。また、回帰式を用いる方式で
は、フィードバック制御であるため係数の選定によって
は制御が不安定化することがある。

【０００６】本発明は、上記問題点を解消するためにな
されたもので、道路曲率等の走行路の曲率や車速等の走
行速度の変化に適応した安定した制御が可能でかつ計算
量及びメモリ容量を小さくすることができる操舵角制御
装置を提供することを目的とする。

【０００７】

【課題を解決するための手段】上記目的を達成するため
に本発明は、図１に示すように、走行体が走行する走行
路における基準線からの走行体の位置偏差量、走行路の
曲率及び走行体の横方向運動に関する状態量を測定する
測定手段ａと、走行体の走行速度を測定する速度測定手
段ｂと、走行路の曲率及び位置偏差量に基づいて目標操
舵角を演算する目標値演算手段ｃと、走行路の曲率及び
位置偏差量に基づいて指令曲率を演算する指令曲率演算
手段ｄと、走行路の曲率、走行速度及び前記状態量に基
づいて走行軌跡の曲率を演算する走行曲率演算手段ｅ
と、指令曲率と走行軌跡の曲率との偏差を学習信号とし
て出力する学習信号演算手段ｆと、ニューラルネットワ
ークで構成され、走行速度及び走行路の曲率を入力と
し、前記学習信号を用いた演算により、フィードフォワ
ード制御するための補償量を演算する補償量演算手段ｇ
と、前記目標操舵角及び前記補償量に基づいて走行体を
制御する制御手段ｈと、を含んで構成したものである。

【０００８】

【作用】本発明の測定手段ａは、走行体が走行する走行
路における基準線からの走行体の位置偏差量、走行路の
曲率及び走行体の横方向運動に関する状態量を測定す
る。この測定手段ａとしては、画像装置と演算装置とを
備え、画像処理と演算により位置偏差量、走行路の曲率
及び走行体の横方向運動に関する状態量を測定する測定
装置を用いてもよく、また位置偏差量を測定する位置偏
差測定手段ａ１、走行体の横方向運動に関する状態量を
測定する状態量測定手段ａ２及び走行路の曲率を測定す
る走行路曲率測定手段ａ３の別個の測定装置を用いても
よい。また、車両の横方向運動に関する状態量として
は、ヨー角、ヨーレート、横方向変位、横方向速度、横
方向加速度等を用いることができる。

【０００９】速度測定手段ｂは、走行体の走行速度を測
定する。目標値演算手段ｃは、走行路の曲率及び位置偏
差量に基づいて目標操舵角を演算する。指令曲率演算手
段ｄは、走行路の曲率及び位置偏差量に基づいて指令曲
率を演算する。走行曲率演算手段ｅは、走行路の曲率、
走行速度及び前記状態量に基づいて走行軌跡の曲率を演
算する。学習信号演算手段ｆは、指令曲率と走行軌跡の
曲率との偏差を学習信号として出力する。補償量演算手
段ｇは、ニューラルネットワークで構成されており、走
行速度及び走行路の曲率を入力とし、前記学習信号を用
いた演算により、フィードフォワード制御するための補
償量を演算する。そして、制御手段ｈは、目標操舵角及
び補償量に基づいて走行体を制御する。

【００１０】このように、学習を行っているため、走行
速度及び走行路の曲率の変化に適応した安定した制御が
可能になる。また、ニューラルネットワークを用いてい
るため、計算量及びメモリ容量を小さくすることができ
る。

【００１１】

【発明の効果】以上説明したように、本発明によれば、
目標操舵角の設定が不良であっても走行路の曲率や走行
速度の変化に適応して最適な操舵補償量が学習により得
られるので、安定した制御を行うことができると共に、
フィードフォワード補償量をニューラルネットワークに
より求めているので、計算量及びメモリ容量を低減する
ことができる、という効果が得られる。

【００１２】

【実施例】以下図面を参照して本発明の実施例を詳細に
説明する。本実施例は、車両の操舵角を制御する操舵角
制御装置に本発明を適用したものである。

【００１３】図２に示すように、本実施例の操舵角制御
装置は、車速Ｖを測定する車速測定手段１０と、車体ヨ
ー角ｙ、道路曲率Ｃｒ及び道路における基準線からの車
両の位置偏差量である横偏差量εを測定するための測定
装置３０とを備えている。この測定装置３０は、走行方
向前方の道路を撮影する撮影装置と、撮影装置によって
撮影された画像を処理することによって以下の（１）式
に基づいて車体ヨー角ｙ、道路曲率Ｃｒ及び横偏差量ε
を演算する演算装置と、で構成することができる。この
測定装置３０を機能ブロックで表すと、車体ヨー角ｙを
測定する車体ヨー角測定手段１２、道路曲率Ｃｒを測定
する道路曲率測定手段１４及び横偏差量εを測定する横
偏差量測定手段１６で表すことができる。

【００１４】なお、測定装置３０としては、車体ヨー角
ｙ、道路曲率Ｃｒ及び横偏差量εを各々測定する車体ヨ
ー角測定手段１２、道路曲率測定手段１４及び横偏差量
測定手段に各々対応する別個の測定器を用いてもよい。

【００１５】図３の車両と道路との幾何学的な関係図で
示すように、車体ヨー角ｙは車両進行方向と車両の向き
との成す角度、横偏差量εは基準線としての道路中心と
車両中心（上記測定装置が取り付けられている位置）と
の間の距離、道路曲率Ｃｒは車両中心での曲率を示す。
なお、基準線としては道路端等を用いることもできる。

【００１６】また、本実施例の操舵角制御装置は、横偏
差量εによりフィードバック制御を行うフィードバック
制御器としての比例微分演算装置２４、走行路の曲率と
しての道路曲率Ｃｒによりフィードフォワード制御を行
うフィードフォワード制御器としての比例演算装置２
２、フィードフォワード補償量演算装置２０、及び学習
信号を発生する学習信号発生器１８を備えている。本実
施例では、横偏差量によるフィードバック制御は、比例
微分演算装置２４を用いた比例微分制御とした。また、
フィードフォワード補償量演算装置２０は、人間の神経
回路を模した３層パーセプトロン型ニューラルネットワ
ークで構成した。

【００１７】図５に、３層パーセプトロン型ニュラルネ
ットワークの構造を示す。このニュラルネットワーク
は、複数の入力層、複数の隠れ層（中間層）及び１つの
出力層から構成されている。入力層の各ユニットにはそ
れぞれ道路曲率Ｃｒおよび道路曲率Ｃｒと車速Ｖとの積
が入力される。道路曲率Ｃｒおよび道路曲率Ｃｒと車速
Ｖとの積を入力としたのは、直線路（道路曲率Ｃｒ＝
０）の走行中に車速の変化によりニューラルネットワー
クの出力が変化しないようにするためである。隠れ層の
各ユニットの入出力関数は、−１と１で飽和するシグモ
イド関数（例えばｆ（ｘ）＝［１−exp（−ｘ）］／
［１＋exp（−ｘ）］）とした。また、出力層のユニッ
トの入出力関数は線型関数とした。

【００１８】学習信号発生装置１８は、道路曲率Ｃｒ及
び横偏差量εに基づいて指令曲率を演算する指令曲率演
算手段１８Ａ、及び道路曲率Ｃｒ、車速Ｖ及び車体ヨー
角ｙに基づいて車両の走行軌跡の曲率（走行曲率）を演
算する走行曲率演算手段１８Ｂを備えている。この学習
信号発生装置１８には、車速測定手段１０、及び測定装
置３０の車体ヨー角測定手段１２、道路曲率測定手段１
４及び横偏差量測定手段１６が接続されている。車速測
定手段１０及び測定装置３０の道路曲率測定手段１４
は、フィードフォワード補償量演算装置２０に接続され
ている。

【００１９】測定装置３０の道路曲率測定手段１４は、
比例演算装置２２に接続され、測定装置３０の横偏差量
測定手段１６は、比例微分演算装置２４に接続されてい
る。比例演算装置２２及び比例微分演算装置２４は加算
器２６に接続され、加算器２６及びフィードフォワード
補償量演算装置２０は、操舵量信号を出力する加算器２
８に接続されている。そして、この操舵量信号により車
両の操舵角が制御される。

【００２０】次に本実施例の作用を説明する。まず、図
４に、測定装置３０を構成する画像処理装置より得られ
る道路画像を模式的に示す。Ｌ１、Ｌ２、Ｌ３は、各々
車両中心からの実距離（画像上の長さではない）を表
す。また、ε１、ε２、ε３は実距離Ｌ１、Ｌ２、Ｌ３
に対応する道路端からの実距離である。

【００２１】横偏差量ε、車体ヨー角ｙ及び道路曲率Ｃ
ｒは、画像処理によって得られるＬ１、Ｌ２、Ｌ３、ε
１、ε２、ε３に基づいて次式により求められる。

【００２２】

【数１】

【００２３】比例微分演算装置２４では、横偏差量εが
入力されると共に入力された横偏差量εの時間微分値が
計算され、横偏差量ε及び横偏差量εの時間微分値の各
々に適切なゲインを乗じて加え合わされて出力される。
この比例微分演算装置２４の出力ｏｕｔｐｄは次式で表
される。

【００２４】ｏｕｔｐｄ＝Ｋｐ・ε＋Ｋｄ・ｄε／ｄｔ・・・（２）ここで、ｄ／ｄｔは時間微分を示し、Ｋｐ、Ｋｄは一定
のゲインを示す。

【００２５】この比例微分演算装置２４の出力値は、適
切なゲインが設定されていれば、横偏差量εが０になる
ように、すなわち車両が道路中心を走行するようにする
操舵量になる。

【００２６】比例演算装置２２では、道路曲率Ｃｒが入
力され、適切なゲインを乗じて出力される。この比例演
算装置２２の出力ｏｕｔｃは、次式で与えられる。

【００２７】ｏｕｔｃ＝Ｋｃ・Ｃｒ・・・（３）ここで、Ｋｃは一定のゲインである。

【００２８】この比例演算装置２２の出力値は、適切に
ゲインが設定されていれば、道路の曲率に応じた車両固
有の操舵量になる。

【００２９】したがって加算器２６から出力されたｏｕ
ｔｐｄ＋ｏｕｔｃは、道路の曲率に応じて車両が道路中
心を走行するための目標操舵角になる。

【００３０】フィードフォワード補償量演算装置２０
は、比例演算装置２２及び比例微分演算装置２４におい
て適切なゲインが設定できないために生じる横偏差量ε
を減じるための補償量を出力する。

【００３１】このフィードフォワード補償量演算装置２
０の出力ｏｕｔｎｎは、関数Ｆで表すと次のようにな
る。

【００３２】ｏｕｔｎｎ＝Ｆ（Ｖ，Ｃｒ，Ｗ）・・・（４）ここで、Ｗは学習信号発生装置１８から出力される学習
信号により調整されるニューラルネットワークのウエイ
ト（重み）である。

【００３３】加算器２８から出力される最終的な操舵量
δは、上記（２）式、（３）式及び（４）式より次の
（５）式のようになる。

【００３４】 δ＝ｏｕｔｐｄ＋ｏｕｔｃ＋ｏｕｔｎｎ・・・（５）フィードフォワード補償量演算装置２０で使用されるゲ
イン（ニューラルネットであるためウエイト）を決定す
るための学習信号は、指令曲率演算手段１８Ａで演算さ
れた指令曲率と走行曲率演算手段１８Ｂで演算された走
行曲率との差で定義される。この学習信号ｅｒｒｏｒに
ついて説明する。

【００３５】まず、指令曲率は横偏差量ε及び横偏差量
εの時間微分値の各々に適切なゲインを乗じて加え合わ
せた値に道路曲率Ｃｒを加えて求められるので、指令曲
率Ｃｃｏｍは次式で表される。

【００３６】Ｃｃｏｍ＝Ｃｒ＋Ｋ１・ε＋Ｋ２・ｄε／ｄｔ・・・（６）ここで、Ｋ１、Ｋ２は一定のゲインである。

【００３７】また、走行曲率は、１制御周期の間の道路
曲率Ｃｒの平均値と１制御周期の間の車体ヨー角ｙの変
化量を１制御周期の走行距離で除した値とを加えること
により求められる。したがって、走行曲率Ｃｔｒａは、
道路曲率Ｃｒの平均値をＣｒｍｅａｎ、微小走行距離を
ΔＬ、微小走行距離ΔＬ走行したときの車体ヨー角ｙの
変化量をΔｙとすると、次式で表される。この微小距離
ΔＬは車速Ｖと１制御周期との積で表される。

【００３８】Ｃｔｒａ＝Ｃｒｍｅａｎ＋Δｙ／ΔＬ・・・（７）学習信号ｅｒｒｏｒは、指令曲率Ｃｃｏｍと走行曲率Ｃ
ｔｒａとの偏差になるから次式となる。

【００３９】ｅｒｒｏｒ＝Ｃｃｏｍ−Ｃｔｒａ・・・（８）フィードフォワード補償量演算装置２０を構成するニュ
ーラルネットワークの入力層に入力された道路曲率Ｃｒ
および道路曲率Ｃｒと車速Ｖとの積のそれぞれの信号
は、隠れ層を介して出力層に向かって伝播する。このと
き、隠れ層のｉ番ユニットの出力Ｘ_i、出力層のｉ番ユ
ニットの出力Ｙ_iは各々次式で表される。

【００４０】Ｘ_i＝ｆ（Σ_jＷ_ij×Ｉ_j）・・・（９）Ｙ_i＝ｆ（Σ_jＺ_ij×Ｘ_j）・・・（１０）ここで、ｆは隠れ層の各ユニットの入出力関数（ｆ
（ｘ）＝［１−exp（−ｘ）］／［１＋exp（−
ｘ）］）、Ｗ_ijは隠れ層のｉ番ユニットと入力層のｊ番
ユニット間のウエイト、Ｉ_jは入力層のｊ番ユニットの
出力、Ｚ_ijは出力層のｉ番ユニットと隠れ層のｊ番ユニ
ット間のウエイトである。

【００４１】ニューラルネットワークの各層のウエイト
を更新するにあたっては、バックプロパゲーションアル
ゴリズムが使用される。学習信号発生装置１８から出力
される学習信号ｅｒｒｏｒの二乗の１／２をＥ（＝ｅｒ
ｒｏｒ²／２）と定義すれば、最急降下法（最適化手法
の１つ）により、ウエイト更新値は各々次のようにな
る。

【００４２】 ΔＺ_ij＝−η・∂Ｅ／∂Ｚ_ij・・・（１１） ΔＷ_ij＝−η・∂Ｅ／∂Ｗ_ij・・・（１２）ここで、ηは正の定数である学習係数である。ウエイト
更新値を具体的に表すと、各々次のようになる。

【００４３】 ΔＺ_ij＝η・ｅｒｒｏｒ・Ｘ_j・・・（１３） ΔＷ_ij＝η・（Σ_kＺ_ki・ｅｒｒｏｒ）（１−Ｘ_i ²）・Ｉ_j／２・・・（１４）ここで、ｋは全ての出力ユニットについて取られる。

【００４４】フィードフォワード補償量演算装置２０で
は、ウエイトの修正量が求められウエイトが更新され
る。ウエイトの更新によりＥの値が最小値に収束すれば
指令曲率と走行曲率とが一致し、車両が道路中心を走行
するようになるので、これらのウエイト更新式によりＥ
が最小値になるまでニューラルネットワークの学習を行
う。

【００４５】次に、コンピュータシミュレーションによ
る学習の効果を検証した結果を説明する。ただし、本実
施例のコンピュータシミュレーションでは、上記（６）
〜（８）式にかえて、ｔをサンプリング時刻、ΔＴをサ
ンプリング間隔（１制御周期）とする、以下に示す
（６）’〜（８）’の差分式を用いた。

【００４６】Ｃｃｏｍ〔ｔ〕＝Ｃｒ〔ｔ〕＋Ｋ１・ε〔ｔ〕＋Ｋ２（ε〔ｔ〕−ε〔ｔ−１〕）／ΔＴ・・・（６）’ Ｃｔｒａ〔ｔ〕＝（Ｃｒ〔ｔ〕＋Ｃｒ〔ｔ−１〕）／２＋（ｙ〔ｔ〕−ｙ〔ｔ−１〕）／Ｖ・ΔＴ・・・（７）’ ｅｒｒｏｒ〔ｔ〕＝Ｃｃｏｍ〔ｔ−１〕−Ｃｔｒａ〔ｔ〕・・・（８）’ 車両の走行コースは、図６に示すように、半径５０ｍの
円軌道とし、右旋回で行った。また、車速Ｖの最大値を
４０ｋｍ／ｈ（約１１．１ｍ／ｓ）に設定し、サンプリ
ング間隔を０．４秒に設定した。また、Ｌ１，Ｌ２，Ｌ
３を各々１０ｍ、１５ｍ、２０ｍ、Ｋｐ，Ｋｄ，Ｋｃを
各々−０．２６５、−０．５８３、５３．０、Ｋ１，Ｋ
２を各々−０．００５、−０．０１１とした。さらに、
ニューラルネットワークの入力層のユニット数を２、隠
れ層のユニット数を６、出力層のユニット数を１、学習
係数ηを０．６とした。

【００４７】図７にコンピュータシミュレーションの結
果を示す。図７において、縦軸は道路中心からの偏差、
横軸は走行時間である。縦軸の符号は正の場合は進行方
向に対して中心から右に位置し、負の場合は左に位置す
る。スタート（０．００）から１５０秒まではニューラ
ルネットワークの学習を中止した場合の例である。すな
わち、従来制御、横偏差量εによるフィードバック制御
及び道路曲率Ｃｒによるフィードフォワード制御の結果
を示すものである。

【００４８】図７から理解されるように、この車両は約
０．８ｍ道路中心からずれて走行している。１５０秒以
降、ニューラルネットワークによる学習により横偏差量
εは０．１ｍになっている。このように、学習後におい
ても偏差量が残るのはコンピュータシミュレーションに
よる計算誤差が原因である。

【００４９】以上説明したように本実施例によれば、従
来制御による不都合をニューラルネットワークによる学
習を適用することにより、道路中心からの偏差を減少さ
せることができ制御性能を向上させることができた。ま
た、車速Ｖの変化にも同様にニューラルネットワークに
よる学習の適用による効果がみられた。さらに、このよ
うに学習が行われた後、学習をオフ、すなわち学習係数
ηを０として直線道路や左旋回等を行い、ニューラルネ
ットワークの汎化能力を確認した。汎化能力により、余
分な学習をする必要がなくなり、計算コストの低減を図
ることができた。

【００５０】したがって、比例演算装置及び比例微分装
置におけるゲインの設定が不良であっても道路曲率や車
速の変化に適応して最適な操舵補償量が学習により得ら
れる。また、フィードフォワード補償量演算装置を実現
するニューラルネットワークにより、メモリ容量の低減
や汎化性により余分な学習が省略され計算コストが低減
できることが期待できる。

【００５１】なお、上記実施例では画像処理により車体
ヨー角、道路曲率及び横偏差量を求める例について説明
したが、本発明はこれに限定されるものではなく電磁誘
導方式等の他の方式により車体ヨー角、道路曲率及び横
偏差量を求めてもよい。

【００５２】また、比例微分によりフィードバック制御
量を演算する例について説明したが、比例制御や比例積
分微分制御によりフィードバック制御量を求めてもよ
い。また、指令曲率演算手段においても、更に横偏差量
の時間積分値とゲインとの積を加算してもよい。

【図面の簡単な説明】

【図１】本発明の特許請求範囲に対応するブロック図で
ある。

【図２】車両と道路との幾何学的な関係を示す線図であ
る。

【図３】本発明の実施例のブロック図である。

【図４】本実施例で用いた道路画像の模式図である。

【図５】本実施例の３層パーセプトロン型ニューラルネ
ットワークの構成図である。

【図６】実施例の車両走行コースを示す線図である。

【図７】実施例で用いたコンピュータシミュレーション
結果のグラフである。

【符号の説明】

１０車速測定手段３０測定装置１２車体ヨー角測定手段１４道路曲率測定手段１６横偏差量測定手段

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁶ 識別記号庁内整理番号ＦＩ技術表示箇所Ｂ６２Ｄ 111:00 137:00 (72)発明者青木啓二愛知県豊田市トヨタ町１番地トヨタ自動車株式会社内 (72)発明者橘彰英愛知県豊田市トヨタ町１番地トヨタ自動車株式会社内 (72)発明者鈴木敏彦愛知県豊田市トヨタ町１番地トヨタ自動車株式会社内 (72)発明者横山竜昭愛知県豊田市トヨタ町１番地トヨタ自動車株式会社内

Claims

【特許請求の範囲】

【請求項１】走行体が走行する走行路における基準線
からの走行体の位置偏差量、走行路の曲率及び走行体の
横方向運動に関する状態量を測定する測定手段と、走行体の走行速度を測定する速度測定手段と、走行路の曲率及び位置偏差量に基づいて目標操舵角を演
算する目標値演算手段と、走行路の曲率及び位置偏差量に基づいて指令曲率を演算
する指令曲率演算手段と、走行路の曲率、走行速度及び前記状態量に基づいて走行
軌跡の曲率を演算する走行曲率演算手段と、指令曲率と走行軌跡の曲率との偏差を学習信号として出
力する学習信号演算手段と、ニューラルネットワークで構成され、走行速度及び走行
路の曲率を入力とし、前記学習信号を用いた演算によ
り、フィードフォワード制御するための補償量を演算す
る補償量演算手段と、前記目標操舵角及び前記補償量に基づいて走行体を制御
する制御手段と、を含む操舵角制御装置。