JP2006312414A - Driving orientation estimation device - Google Patents

Abstract

Translated fromJapanese

【課題】情報処理機構を用いて運転指向を推定する場合、情報処理機構での計算負荷の増加を抑制できる運転指向推定装置を提供する。
【解決手段】情報処理機構１００を用いて運転指向を推定する運転指向推定装置であって、運転指向によって変化する可能性のある運転操作量Ａ_CCを検出する運転操作量検出部と、車両の走行環境に基づいて、前記検出された運転操作量を補正する運転操作量補正部９７ａとを備え、前記補正された運転操作量に基づいて、前記情報処理機構を用いて運転指向を推定する。前記走行環境には、道路の勾配及び路面の滑り易さの少なくともいずれか一方が含まれることができる。前記運転操作量には、アクセル開度、アクセル開度変化量、及びブレーキ踏力の少なくともいずれか一つが含まれることができる。前記情報処理機構には、ニューラルネットワーク又は遺伝的アルゴリズムのような知能システムを用いた情報処理機構が含まれることができる。
【選択図】 図３An object of the present invention is to provide a driving direction estimation device capable of suppressing an increase in calculation load in an information processing mechanism when driving direction is estimated using an information processing mechanism.
A driving direction estimation apparatus that estimates driving direction using an information processing mechanism 100, a driving operation amount detection unit that detects a driving operation amount A_CC that may change depending on driving direction, A driving operation amount correction unit 97a that corrects the detected driving operation amount based on the driving environment is provided, and driving orientation is estimated using the information processing mechanism based on the corrected driving operation amount. The traveling environment may include at least one of road gradient and road slipperiness. The driving operation amount may include at least one of an accelerator opening, an accelerator opening change amount, and a brake pedal effort. The information processing mechanism may include an information processing mechanism using an intelligent system such as a neural network or a genetic algorithm.
[Selection] Figure 3

Description

Translated fromJapanese

本発明は、情報処理機構を用いて運転指向を推定する運転指向推定装置に関し、特に、例えばニューラルネットワークのような知能システムを用いた情報処理機構での計算負荷の増加を抑制可能な運転指向推定装置に関する。  The present invention relates to a driving orientation estimation device that estimates driving orientation using an information processing mechanism, and in particular, driving orientation estimation that can suppress an increase in calculation load in an information processing mechanism using an intelligent system such as a neural network. Relates to the device.

例えばニューラルネットのような情報処理機構を用いて、運転者の運転指向を推定する技術が知られている。  For example, a technique for estimating a driver's driving orientation using an information processing mechanism such as a neural network is known.

特開平１０−３２４１７４号公報JP-A-10-324174特開平７−２５９９７４号公報JP-A-7-259974

上記情報処理機構を用いて運転指向を推定する場合、情報処理機構での計算負荷の増加を抑制できることが望まれている。
また、情報処理機構に対して、例えば道路の勾配のような車両の走行環境の情報を入力して運転指向を推定する場合、情報処理機構での計算結果の正確性（運転指向の推定精度）を確保するためには、情報処理機構に入力される車両の走行環境の情報そのものが正確であることが求められる。ところが、車両の走行環境の情報は、入手することが困難である場合が少なくない。When driving orientation is estimated using the information processing mechanism, it is desired that an increase in calculation load in the information processing mechanism can be suppressed.
In addition, when the driving direction is estimated by inputting information on the traveling environment of the vehicle such as a road gradient to the information processing mechanism, the accuracy of the calculation result in the information processing mechanism (driving direction estimation accuracy) In order to ensure this, it is required that the information on the traveling environment of the vehicle itself input to the information processing mechanism is accurate. However, it is often difficult to obtain information on the traveling environment of the vehicle.

本発明の目的は、情報処理機構を用いて運転指向を推定する場合、情報処理機構での計算負荷の増加を抑制できる運転指向推定装置を提供することである。
本発明の他の目的は、情報処理機構に対して、例えば道路の勾配のような車両の走行環境の情報を入力して運転指向を推定する場合に、情報処理機構での計算結果の正確性（運転指向の推定精度）を確保するために必要な、正確な車両の走行環境の情報の入手が困難である場合に、その不都合を解消又は低減させることが可能な運転指向推定装置を提供することである。An object of the present invention is to provide a driving orientation estimation device capable of suppressing an increase in calculation load in an information processing mechanism when driving orientation is estimated using the information processing mechanism.
Another object of the present invention is to correct the accuracy of calculation results in the information processing mechanism when the information on the driving environment is estimated by inputting information on the traveling environment of the vehicle such as the road gradient to the information processing mechanism. Provided is a driving orientation estimation device capable of eliminating or reducing the inconvenience when it is difficult to obtain accurate vehicle driving environment information necessary for ensuring (driving orientation estimation accuracy). That is.

本発明の運転指向推定装置は、情報処理機構を用いて運転指向を推定する運転指向推定装置であって、運転指向によって変化する可能性のある運転操作量を検出する運転操作量検出部と、車両の走行環境に基づいて、前記検出された運転操作量を補正する運転操作量補正部とを備え、前記補正された運転操作量に基づいて、前記情報処理機構を用いて運転指向を推定することを特徴としている。  The driving orientation estimation device of the present invention is a driving orientation estimation device that estimates driving orientation using an information processing mechanism, a driving operation amount detector that detects a driving operation amount that may change depending on the driving orientation, A driving operation amount correction unit that corrects the detected driving operation amount based on a traveling environment of the vehicle, and estimates driving orientation using the information processing mechanism based on the corrected driving operation amount It is characterized by that.

本発明の運転指向推定装置において、前記走行環境には、道路の勾配及び路面の滑り易さの少なくともいずれか一方が含まれることを特徴としている。  In the driving orientation estimation apparatus of the present invention, the travel environment includes at least one of a road gradient and a slipperiness of a road surface.

本発明の運転指向推定装置において、前記運転操作量には、アクセル開度、アクセル開度変化量、及びブレーキ踏力の少なくともいずれか一つが含まれることを特徴としている。  In the driving orientation estimation device of the present invention, the driving operation amount includes at least one of an accelerator opening, an accelerator opening change amount, and a brake pedaling force.

本発明の運転指向推定装置において、前記情報処理機構には、ニューラルネットワーク又は遺伝的アルゴリズムのような知能システムを用いた情報処理機構が含まれることを特徴としている。  In the driving-oriented estimation apparatus of the present invention, the information processing mechanism includes an information processing mechanism using an intelligent system such as a neural network or a genetic algorithm.

本発明の運転指向推定装置によれば、運転指向を推定する際の推定精度の低下を抑制しつつ計算負荷を低減させることができる。  According to the driving orientation estimation apparatus of the present invention, it is possible to reduce a calculation load while suppressing a decrease in estimation accuracy when estimating driving orientation.

以下、本発明の運転指向推定装置の一実施形態につき図面を参照しつつ詳細に説明する。  Hereinafter, an embodiment of a driving orientation estimation apparatus according to the present invention will be described in detail with reference to the drawings.

本実施形態の運転指向推定装置は、例えばニューラルネットワーク（図３の符号１００）のような知能システムを用いた情報処理機構を用いて運転指向を推定する運転指向推定装置であって、例えばアクセル開度（図３の符号Ａ_CC）のように運転指向によって変化する可能性のある運転操作量を検出する運転操作量検出部（図２の符号１１３）と、例えば道路勾配（図４の符号Ｔ_D）のような車両の走行環境に基づいて、前記検出された運転操作量を補正する運転操作量補正部とを備え、前記補正された運転操作量に基づいて、前記情報処理機構を用いて運転指向を推定することを特徴としている。The driving orientation estimation apparatus of the present embodiment is a driving orientation estimation apparatus that estimates driving orientation using an information processing mechanism using an intelligent system such as a neural network (reference numeral 100 in FIG. 3). A driving operation amount detection unit (reference numeral 113 in FIG. 2) that detects a driving operation amount that may change depending on driving direction, such as a degree (reference numeral A_{CC in} FIG. 3), and a road gradient (reference numeral T in FIG. 4). A driving operation amount correction unit that corrects the detected driving operation amount based on the driving environment of the vehicle as in (_D ), and using the information processing mechanism based on the corrected driving operation amount. It is characterized by estimating driving orientation.

図２は、本実施形態の運転指向推定装置が適用される自動変速機の制御装置の概略構成図を示している。図２において、符号１０は有段の自動変速機、４０はエンジンである。自動変速機１０は、電磁弁１２１ａ、１２１ｂ、１２１ｃへの通電／非通電により油圧が制御されて５段変速が可能である。図２では、３つの電磁弁１２１ａ、１２１ｂ、１２１ｃが図示されるが、電磁弁の数は３に限定されない。電磁弁１２１ａ、１２１ｂ、１２１ｃは、制御回路１３０からの信号によって駆動される。  FIG. 2 shows a schematic configuration diagram of a control device for an automatic transmission to which the driving orientation estimation device of the present embodiment is applied. In FIG. 2, reference numeral 10 is a stepped automatic transmission, and 40 is an engine. The automatic transmission 10 is capable of five-speed shifting by controlling the hydraulic pressure by energization / non-energization of thesolenoid valves 121a, 121b, and 121c. In FIG. 2, threeelectromagnetic valves 121a, 121b, and 121c are illustrated, but the number of electromagnetic valves is not limited to three. Thesolenoid valves 121a, 121b, and 121c are driven by a signal from thecontrol circuit 130.

スロットル開度センサ１１４は、エンジン４０の吸気通路４１内に配置されたスロットルバルブ４３の開度を検出する。エンジン回転数センサ１１６は、エンジン４０の回転数を検出する。車速センサ１２２は、車速に比例する自動変速機１０の出力軸１２０ｃの回転数を検出する。シフトポジションセンサ１２３は、シフトポジションを検出する。パターンセレクトスイッチ１１７は、変速パターンを指示する際に使用される。加速度センサ９０は、車両の減速度（減速加速度）を検出する。路面μ検出・推定部１１２は、路面の摩擦係数μ、又は路面の滑りやすさを検出、あるいは推定する。アクセル開度検出部１１３は、アクセル開度を検出する。ブレーキ操作量検出部１１１は、ブレーキの操作量を検出する。  The throttle opening sensor 114 detects the opening of thethrottle valve 43 disposed in theintake passage 41 of theengine 40. Theengine speed sensor 116 detects the speed of theengine 40. Thevehicle speed sensor 122 detects the rotation speed of theoutput shaft 120c of the automatic transmission 10 that is proportional to the vehicle speed. Theshift position sensor 123 detects the shift position. The pattern select switch 117 is used when instructing a shift pattern. Theacceleration sensor 90 detects vehicle deceleration (deceleration acceleration). The road surface μ detection /estimation unit 112 detects or estimates the friction coefficient μ of the road surface or the slipperiness of the road surface. Theaccelerator opening detector 113 detects the accelerator opening. The brake operationamount detection unit 111 detects the operation amount of the brake.

路面μ検出・推定部１１２は、路面の摩擦係数μに代表される路面の滑り易さ（低μ路か否か）を検出又は推定する。ここで、低μ路には、悪路（路面の凹凸が大きい場合や路面に段差がある等を含む）が含まれる。即ち、路面μ検出・推定部１１２では、走行路面の摩擦係数μが演算され、その演算された摩擦係数μが予め定められたしきい値を超えているか否かによって、低μ路か否かが決定される。  The road surface μ detection /estimation unit 112 detects or estimates the ease of slipping of the road surface (whether the road surface is a low μ road) represented by the road surface friction coefficient μ. Here, the low μ road includes a bad road (including a case where the road surface has large unevenness or a step on the road surface). That is, the road surface μ detection /estimation unit 112 calculates the friction coefficient μ of the traveling road surface, and determines whether the road is a low μ road depending on whether the calculated friction coefficient μ exceeds a predetermined threshold value. Is determined.

路面μ検出・推定部１１２では、上記に代えて、演算により摩擦係数μの具体的数値を求めることなく、各種条件、例えば、フロント車輪速センサ（図示せず）により検出された前輪（図示せず）の回転速度（従動輪速度）及び車速センサ１２２により検出された後輪（図示せず）の回転速度（駆動輪速度）の差に基づいて、路面が低μ路であるか否かを検出することができる。  In the road surface μ detection /estimation unit 112, instead of the above, the front wheel (not shown) detected by various conditions, for example, a front wheel speed sensor (not shown), without obtaining a specific numerical value of the friction coefficient μ by calculation. Whether or not the road surface is a low μ road based on the difference between the rotation speed (driven wheel speed) and the rotation speed (drive wheel speed) of the rear wheels (not shown) detected by thevehicle speed sensor 122. Can be detected.

ここで、路面μ検出・推定部１１２による低μ路であるか否かの検出・推定の具体的方法は、特に限定されず、公知の方法を適宜採用することができる。例えば、上記の前後の車輪速差の他に、車輪速の変化率や、ＡＢＳ（アンチロック・ブレーキ・システム）やＴＲＳ（トラクション・コントロール・システム）やＶＳＣ（ビークル・スタビリティ・コントロール）の作動履歴、車両の加速度と車輪スリップ率の関係の少なくともいずれか一つを用いて、低μ路であるか否かの検出・推定を行うことができる。  Here, the specific method of detecting / estimating whether or not the road surface μ detecting / estimatingunit 112 is a low μ road is not particularly limited, and a known method can be appropriately employed. For example, in addition to the wheel speed difference before and after the above, the rate of change of wheel speed, ABS (anti-lock brake system), TRS (traction control system) and VSC (vehicle stability control) operation It is possible to detect / estimate whether the road is a low μ road by using at least one of the relationship between the history, the acceleration of the vehicle, and the wheel slip ratio.

このような低μ路であるか否かの検出・推定方法の一例が特開平５−２２３１５７号公報、特開平８−１２１５８２号公報、特開平１０−９４１１０号公報、特開２０００−７９８３４号公報、特許第２７８０３９０号公報、特開平５−３４６３９４号公報、特開平６−１１５４１７号公報に開示されている。  An example of such a detection / estimation method for determining whether the road is a low μ road is disclosed in Japanese Patent Laid-Open Nos. 5-223157, 8-121582, 10-94110, and 2000-79834. Japanese Patent No. 2780390, Japanese Patent Laid-Open No. 5-346394, and Japanese Patent Laid-Open No. 6-115417.

路面μ検出・推定部１１２は、将来に走行予定の路面についての情報（ナビ情報など）に基づいて、低μ路であるか否かを予測する。ここで、ナビ情報には、ナビゲーションシステム装置９５のように予め記憶媒体（ＤＶＤやＨＤなど）に記録されている路面（例えば非舗装路）の情報の他、車両自体が過去の実走行や他の車両や通信センターとの通信（車車間通信や路車間通信を含む）を介して得た情報（道路状況を示す情報や天候状況を示す情報を含む）が含まれる。その通信には、道路交通情報通信システム（ＶＩＣＳ）やいわゆるテレマティクスが含まれる。  The road surface μ detection /estimation unit 112 predicts whether or not the road surface is a low μ road, based on information (navigation information or the like) about a road surface scheduled to travel in the future. Here, the navigation information includes information on road surfaces (for example, non-paved roads) recorded in advance on a storage medium (DVD, HD, etc.) as in thenavigation system device 95, as well as past actual driving and other information. Information (including information indicating road conditions and information indicating weather conditions) obtained through communication (including vehicle-to-vehicle communication and road-to-vehicle communication) with other vehicles and communication centers. Such communications include road traffic information communication systems (VICS) and so-called telematics.

ナビゲーションシステム装置９５は、自車両を所定の目的地に誘導することを基本的な機能としており、演算処理装置と、車両の走行に必要な情報（地図、直線路、カーブ、登降坂、高速道路など）が記憶された情報記憶媒体と、自立航法により自車両の現在位置や道路状況を検出し、地磁気センサやジャイロコンパス、ステアリングセンサを含む第１情報検出装置と、電波航法により自車両の現在位置、道路状況などを検出するためのもので、ＧＰＳアンテナやＧＰＳ受信機などを含む第２情報検出装置等を備えている。  Thenavigation system device 95 has a basic function of guiding the host vehicle to a predetermined destination, and includes an arithmetic processing device and information (map, straight road, curve, uphill / downhill, highway) necessary for traveling the vehicle. Etc.), a first information detection device including a geomagnetic sensor, a gyrocompass, and a steering sensor, and a current position of the vehicle by radio navigation. It is for detecting a position, road conditions, etc., and is provided with a second information detection device including a GPS antenna and a GPS receiver.

制御回路１３０は、スロットル開度センサ１１４、エンジン回転数センサ１１６、車速センサ１２２、シフトポジションセンサ１２３、加速度センサ９０、アクセル開度検出部１１３、ブレーキ操作量検出部１１１の各検出結果を示す信号を入力し、また、パターンセレクトスイッチ１１７のスイッチング状態を示す信号を入力し、また、ナビゲーションシステム装置９５からの信号を入力し、路面μ検出・推定部１１２による検出又は推定の結果を示す信号を入力する。  Thecontrol circuit 130 is a signal indicating the detection results of the throttle opening sensor 114, theengine speed sensor 116, thevehicle speed sensor 122, theshift position sensor 123, theacceleration sensor 90, the acceleratoropening detection unit 113, and the brake operationamount detection unit 111. , A signal indicating the switching state of the pattern select switch 117, a signal from thenavigation system device 95, and a signal indicating the detection or estimation result by the road surface μ detection /estimation unit 112. input.

制御回路１３０は、周知のマイクロコンピュータによって構成され、ＣＰＵ１３１、ＲＡＭ１３２、ＲＯＭ１３３、入力ポート１３４、出力ポート１３５、及びコモンバス１３６を備えている。入力ポート１３４には、上述の各センサ１１４、１１６、１２２、１２３、９０からの信号、アクセル開度検出部１１３からの信号、ブレーキ操作量検出部１１１からの信号、上述のスイッチ１１７からの信号、ナビゲーションシステム装置９５からの信号、路面μ検出・推定部１１２からの信号が入力される。出力ポート１３５には、電磁弁駆動部１３８ａ、１３８ｂ、１３８ｃが接続されている。  Thecontrol circuit 130 is configured by a known microcomputer and includes a CPU 131, aRAM 132, aROM 133, aninput port 134, anoutput port 135, and acommon bus 136. Theinput port 134 has signals from thesensors 114, 116, 122, 123, 90 described above, a signal from the acceleratoropening detection unit 113, a signal from the brake operationamount detection unit 111, and a signal from the switch 117 described above. The signal from thenavigation system device 95 and the signal from the road surface μ detection /estimation unit 112 are input. Solenoidvalve driving units 138a, 138b, and 138c are connected to theoutput port 135.

道路勾配計測・推定部１１８は、ＣＰＵ１３１の一部として設けられることができる。ここで、道路勾配計測・推定部１１８による道路勾配の計測・推定の具体的方法は、特に限定されず、公知の方法を適宜採用することができる。例えば、道路勾配計測・推定部１１８は、加速度センサ９０により検出された加速度に基づいて、道路勾配を計測又は推定するものであることができる。また、道路勾配計測・推定部１１８は、平坦路での加速度を予めＲＯＭ１３３に記憶させておき、実際に加速度センサ９０により検出した加速度と比較して道路勾配を求めるものであることができる。さらに、道路勾配計測・推定部１１８は、上記ナビ情報から道路勾配の情報を入手するものであることができる。  The road gradient measurement /estimation unit 118 can be provided as a part of the CPU 131. Here, the specific method of measuring / estimating the road gradient by the road gradient measuring / estimatingunit 118 is not particularly limited, and a known method can be appropriately employed. For example, the road gradient measurement /estimation unit 118 can measure or estimate the road gradient based on the acceleration detected by theacceleration sensor 90. Further, the road gradient measuring / estimatingunit 118 may store the acceleration on the flat road in theROM 133 in advance and obtain the road gradient by comparing with the acceleration actually detected by theacceleration sensor 90. Furthermore, the road gradient measurement /estimation unit 118 can obtain road gradient information from the navigation information.

運転指向推定部１１５は、ＣＰＵ１３１の一部として設けられることができる。運転指向推定部１１５は、運転者の運転状態及び車両の走行状態に基づいて、運転者の運転指向（スポーツ走行指向か通常走行指向）を推定する。運転指向推定部１１５の詳細については更に後述する。なお、運転指向推定部１１５の構成については、後述する内容に限定されず、運転者の運転指向を推定するものであれば、様々な構成のものを広く含む。ここで、スポーツ走行指向とは、動力性能を重視した指向、加速指向ないしは運転者の操作に対する車両の反応が迅速なスポーツ走行を好むことを意味する。  The drivingorientation estimation unit 115 can be provided as a part of the CPU 131. The drivingdirection estimation unit 115 estimates the driving direction (sport driving direction or normal driving direction) of the driver based on the driving state of the driver and the driving state of the vehicle. Details of the drivingorientation estimation unit 115 will be described later. Note that the configuration of the drivingorientation estimation unit 115 is not limited to the content described later, and includes a wide variety of configurations as long as the driving orientation of the driver is estimated. Here, the term “sports driving orientation” refers to a direction that emphasizes power performance, an acceleration direction, or a preference for sports driving in which the response of the vehicle to the driver's operation is quick.

ＲＯＭ１３３には、予め図１のフローチャートに示す動作（制御ステップ）が記述されたプログラムと、推定された運転指向によって切り替えられる複数の変速線図のデータ（図示せず）と、スロットル開度とエンジン回転数のマップが格納されている。制御回路１３０は、入力した各種制御条件と変速線図に基づいて、自動変速機１０の変速を行う。  InROM 133, a program in which the operation (control step) shown in the flowchart of FIG. 1 is described in advance, a plurality of shift diagram data (not shown) switched according to the estimated driving orientation, throttle opening and engine A map of rotation speed is stored. Thecontrol circuit 130 shifts the automatic transmission 10 based on various input control conditions and a shift diagram.

次に、運転指向推定部１１５の詳細について説明する。
運転指向推定部１１５は、複数種類の運転操作関連変数のいずれかの算出毎にその運転操作関連変数が入力されて推定演算が起動されるニューラルネットワークＮＮを備え、そのニューラルネットワークＮＮの出力に基づいて車両の運転指向を推定する。Next, details of the drivingorientation estimation unit 115 will be described.
The drivingorientation estimation unit 115 includes a neural network NN in which the driving operation related variable is input and an estimation calculation is started every time one of a plurality of types of driving operation related variables is calculated, and based on the output of the neural network NN. To estimate the driving direction of the vehicle.

例えば図３に示すように、運転指向推定部１１５は、信号供給手段９７と、前処理手段９８と、運転指向推定手段１００とを備えている。信号供給手段９７は、前処理手段９８に対して信号を供給する。信号供給手段９７は、信号読込手段９６と、補正アクセル開度算出部９７ａとを備えている。  For example, as shown in FIG. 3, the drivingdirection estimation unit 115 includes asignal supply unit 97, apreprocessing unit 98, and a drivingdirection estimation unit 100. Thesignal supply unit 97 supplies a signal to thepreprocessing unit 98. Thesignal supply unit 97 includes asignal reading unit 96 and a corrected accelerator openingcalculation unit 97a.

信号読込手段９６は、前記各センサ・検出部１１１、１１３、１１４、１２２、１１６、１２３などからの検出信号を比較的短い所定の周期で読み込む。補正アクセル開度算出部９７ａは、信号読込手段９６においてアクセル開度検出部１１３から入力されたアクセル開度Ａ_CCを、道路勾配計測・推定部１１８により求められた道路勾配に基づいて補正する（詳細は後述する）。信号供給手段９７からは、補正アクセル開度算出部９７ａにより補正されたアクセル開度（補正アクセル開度）以外は、信号読込手段９６により読み込まれた検出信号がそのまま前処理手段９８に出力される。The signal reading means 96 reads detection signals from the sensors /detectors 111, 113, 114, 122, 116, 123 and the like at a relatively short predetermined cycle. The corrected acceleratoropening calculating unit 97a corrects the accelerator opening A_CC input from the acceleratoropening detecting unit 113 in thesignal reading unit 96 based on the road gradient obtained by the road gradient measuring / estimating unit 118 ( Details will be described later). The signal supply means 97 outputs the detection signal read by the signal reading means 96 to the preprocessing means 98 as it is, except for the accelerator opening (corrected accelerator opening) corrected by the corrected accelerator openingcalculation unit 97a. .

前処理手段９８は、信号読込手段９６により逐次読み込まれた信号及び補正アクセル開度算出部９７ａにより算出された補正アクセル開度から、運転指向を反映する運転操作に密接に関連する複数種類の運転操作関連変数、すなわち車両発進時の出力操作量（アクセルペダル操作量）すなわち車両発進時のスロットル弁開度ＴＡ_ST、加速操作時の出力操作量の最大変化率すなわちスロットル弁開度の最大変化率Ａ_CCMAX、車両の制動操作時の最大減速度Ｇ_NMAX、車両の惰行走行時間Ｔ_COAST、車速一定走行時間Ｔ_VCONST、所定区間内において各センサから入力された信号の区間最大値、運転開始以後における最大車速Ｖ_maxなどをそれぞれ算出する運転操作関連変数算出手段である。運転指向推定手段１００は、前処理手段９８により運転操作関連変数が算出される毎にその運転操作関連変数が許可されて運転指向推定演算を行うニューラルネットワークＮＮを備え、そのニューラルネットワークＮＮの出力である運転指向推定値を出力する。The pre-processing means 98 has a plurality of types of driving that are closely related to the driving operation reflecting the driving direction from the signals sequentially read by the signal reading means 96 and the corrected accelerator opening calculated by the corrected acceleratoropening calculating section 97a. Operation-related variables, that is, output operation amount (accelerator pedal operation amount) at vehicle start, that is, throttle valve opening TA_ST at vehicle start, maximum change rate of output operation amount at acceleration operation, that is, maximum change rate of throttle valve opening A_CCMAX , maximum deceleration G_NMAX during vehicle braking operation, vehicle coasting travel time T_COAST , constant vehicle speed travel time T_VCONST , section maximum value of signals input from each sensor within a predetermined section, It is a driving operation related variable calculation means for calculating the maximum vehicle speed V_{max and the} like. The drivingorientation estimation unit 100 includes a neural network NN that performs the driving orientation estimation calculation by permitting the driving operation related variable every time the driving operation related variable is calculated by the preprocessingunit 98, and outputs the neural network NN. A certain driving direction estimation value is output.

図３の前処理手段９８には、車両発進時の出力操作量すなわち車両発進時のスロットル弁開度ＴＡ_STを算出する発進時出力操作量算出手段９８ａ、加速操作時における出力操作量の最大変化率すなわちスロットル弁開度の最大変化率Ａ_CCMAXを算出する加速操作時出力操作量最大変化率算出手段９８ｂ、車両の制動操作時の最大減速度Ｇ_NMAXを算出する制動時最大減速度算出手段９８ｃ、車両の惰行走行時間Ｔ_COASTを算出する惰行走行時間算出手段９８ｄ、車速一定走行時間Ｔ_VCONSTを算出する車速一定走行時間算出手段９８ｅ、例えば３秒程度の所定区間内における各センサからの入力信号のうちの最大値を周期的に算出する入力信号区間最大値算出手段９８ｆ、運転開始以後における最大車速Ｖ_maxを算出する最大車速算出手段９８ｇなどがそれぞれ備えられている。The preprocessing means 98 in FIG. 3, the starting time of the output control input calculation means 98a for calculating the throttle valve opening TA_ST when the output operation amount i.e. vehicle starting when the vehicle start, the maximum change in the output operation amount when the acceleration operation rate i.e. accelerating operation when the output operation amount maximum change rate calculating means 98b for calculating the maximum change rate a_CCmax of the throttle valve opening, braking maximum deceleration calculating means for calculating the maximum deceleration G_NMAX during braking operation of thevehicle 98c , input signals from the sensors in the coasting time calculation means 98d, constant vehicle speed runningtime calculating means 98e for calculating the constant vehicle speed running time T_VCONST, for example 3 seconds to a predetermined section within which calculates the coasting time T_COAST vehicle maximum value periodically calculates the input signal interval maximum value calculating means 98f of the maximum vehicle speed calculating means for calculating a maximum vehicle speed V_max of the operation after thestart 98g Nadogaso Each is provided.

上記入力信号区間最大値算出手段９８ｆにおいて算出される所定区間内の入力信号のうちの最大値としては、スロットル弁開度ＴＡ_maxt、車速Ｖ_maxt、エンジン回転速度Ｎ_Emaxt、前後加速度NOGBW_maxt （減速のときは負の値）或いは減速度Ｇ_NMAXt（絶対値）が用いられる。前後加速度NOGBW_maxt 或いは減速度Ｇ_NMAXtは、例えば車速Ｖ（Ｎ_OUT）の変化率から求められる。The maximum values of the input signals in the predetermined interval calculated by the input signal interval maximum value calculating means 98f include throttle valve opening TA_maxt , vehicle speed V_maxt , engine speed N_Emaxt , longitudinal acceleration NOGBW_maxt (deceleration Negative value) or deceleration G_NMAXt (absolute value) is used. The longitudinal acceleration NOGBW_maxt or the deceleration G_NMAXt is obtained from the rate of change of the vehicle speed V (N_OUT ), for example.

図３の運転指向推定手段１００に備えられたニューラルネットワークＮＮは、コンピュータプログラムによるソフトウエアにより、或いは電子的素子の結合から成るハードウエアにより生体の神経細胞群をモデル化して構成され得るものであり、例えば図３の運転指向推定手段１００のブロック内に例示されるように構成される。  The neural network NN provided in the driving orientation estimation means 100 of FIG. 3 can be configured by modeling a living nerve cell group by software based on a computer program or hardware consisting of a combination of electronic elements. For example, it is comprised so that it may be illustrated in the block of the driving | operation direction estimation means 100 of FIG.

図３において、ニューラルネットワークＮＮは、ｒ個の神経細胞要素（ニューロン）Ｘ_i（Ｘ₁ 〜Ｘ_r）から構成された入力層と、ｓ個の神経細胞要素Ｙ_j（Ｙ₁ 〜Ｙ_s）から構成された中間層と、ｔ個の神経細胞要素Ｚ_k（Ｚ₁ 〜Ｚ_t）から構成された出力層とから構成された３層構造の階層型である。そして、上記入力層から出力層へ向かって神経細胞要素の状態を伝達するために、結合係数（重み）Ｗ_Xijを有して上記ｒ個の神経細胞要素Ｘ_iとｓ個の神経細胞要素Ｙ_jとをそれぞれ結合する伝達要素Ｄ_Xijと、結合係数（重み）Ｗ_Yjkを有してｓ個の神経細胞要素Ｙ_jとｔ個の神経細胞要素Ｚ_kとをそれぞれ結合する伝達要素Ｄ_Yjkが設けられている。In FIG. 3, the neural network NN includes an input layer composed of_r nerve cell elements (neurons) X_i (X_{1 to} X_r ) and s nerve cell elements Y_j (Y_{1 to} Y_s ). Is a three-layered hierarchical type composed of an intermediate layer composed of_t and an output layer composed of_t neuron elements Z_k (Z_{1 to} Z_t ). In order to transmit the state of the nerve cell element from the input layer to the output layer, the r nerve cell elements X_i and s nerve cell elements Y having a coupling coefficient (weight) W_Xij are provided. a transfer element D_Xij coupling the_j respectively, the coupling coefficient (weight) W_Yjk the have the s neuronal elements Y_j and t pieces of transmission elements D_Yjk of neuronal elements Z_k and the coupling respectively Is provided.

上記ニューラルネットワークＮＮは、その結合係数（重み）Ｗ_Xij、結合係数（重み）Ｗ_Yjkを所謂誤差逆伝搬学習アルゴリズムによって学習させられたパターン連想型のシステムである。その学習は、前記運転操作関連変数の値と運転指向とを対応させる走行実験によって予め完了させられているので、車両組み立て時では、上記結合係数（重み）Ｗ_Xij、結合係数（重み）Ｗ_Yjkは固定値が与えられている。The neural network NN is its coupling coefficient (weight) W_Xij, pattern associative system that is made to learn the coupling coefficient (weight) W_Yjk called backpropagation learning algorithm. Learning, so are allowed to advance completed by running experiments in matching driving manner and the value of the driving operation related variables, during vehicle assembly, the coupling coefficient (weight) W_Xij, the coupling coefficient (weight) W_Yjk Is given a fixed value.

上記の学習に際しては、複数の運転者についてそれぞれスポーツ走行指向、通常走行（ノーマル）指向の運転が例えば高速道路、郊外道路、山岳道路、市街道路などの種々の道路（但し、後述するように、道路勾配については考慮不要）において実施され、そのときの運転指向を教師信号とし、教師信号とセンサ信号を前処理したｎ個の指標（入力信号）とがニューラルネットワークＮＮに入力させられる。なお、上記教師信号は運転指向を０から１までの値に数値化し、例えば通常走行指向を０、スポーツ走行指向を１とする。また、上記入力信号は−１から＋１までの間あるいは０から１までの間の値に正規化して用いられる。  In the above learning, sports driving-oriented and normal driving (normal) -oriented driving for a plurality of drivers, for example, various roads such as highways, suburban roads, mountain roads, urban roads (however, as described later, The road orientation at that time is used as a teacher signal, and n indicators (input signals) obtained by preprocessing the teacher signal and the sensor signal are input to the neural network NN. The teacher signal is converted into a value from 0 to 1 for driving orientation. For example, normal driving orientation is 0 and sports driving orientation is 1. The input signal is used after being normalized to a value between -1 and +1 or between 0 and 1.

なお、従来技術においては、図５に示すように、道路勾配計測・推定部１１８により求められた道路勾配Ｔ_Dの情報が前処理手段９８及びニューラルネットワークＮＮに入力されていた。即ち、従来は、ニューラルネットワークＮＮ（前処理手段９８）に道路勾配Ｔ_Dの情報が入力されていたため、その分、教師データの数が多く、その結果、適合工数（学習に要する工数）の増加や、ニューラルネットワークＮＮによる演算時の計算負荷の増加を招く可能性があった。In the prior art, as shown in FIG. 5, information of the road gradient T_D obtained by the road gradient measurement andestimation unit 118 has been inputted to the preprocessing means 98 and neural network NN. That is, conventionally, since the information of the road gradient T_D has been input into the neural network NN (preprocessing means 98), correspondingly, the number of teacher data are many, as a result, an increase in man-hour for adaptation (number of steps required for the learning) In addition, there is a possibility of causing an increase in calculation load during calculation by the neural network NN.

これに対して、本実施形態では、上記のように道路勾配Ｔ_Dの情報をニューラルネットワークＮＮ（前処理手段９８）に直接入力する代わりに、道路勾配Ｔ_Dの情報に基づいて、アクセル開度Ａ_CCを補正して、その補正アクセル開度をニューラルネットワークＮＮ（前処理手段９８）に入力するようにしている。これにより、ニューラルネットワークＮＮの学習を行う際に、教師データとして道路勾配Ｔ_Dの情報を与える必要がなくなるため、教師データの収集や学習時間の短縮が可能となる。また、道路勾配Ｔ_Dの情報を直接ニューラルネットワークＮＮ（前処理手段９８）に入力することなく、道路勾配Ｔ_Dの情報をアクセル開度の情報に反映させることで、ニューラルネットワークＮＮに対する入力値の数を削減することができ、運転指向の推定精度を低下させること無く、計算負荷の低減が可能となる。On the other hand, in this embodiment, instead of directly inputting the information on the road gradient T_D to the neural network NN (preprocessing means 98) as described above, the accelerator opening degree is based on the information on the road gradient T_D. A_CC is corrected, and the corrected accelerator opening is input to the neural network NN (preprocessing means 98). Thus, when performing the learning of the neural network NN, since it is not necessary to give information of the road gradient T_D as teacher data, it is possible to shorten the acquisition and learning time teacher data. Further, the information of the road gradient T_D is reflected in the accelerator opening information without directly inputting the information of the road gradient T_D into the neural network NN (pre-processing means 98), so that the input value for the neural network NN can be changed. The number can be reduced, and the calculation load can be reduced without reducing the accuracy of driving-oriented estimation.

道路勾配Ｔ_Dのような車両の走行環境の情報をニューラルネットワークＮＮの入力値とする場合、ニューラルネットワークＮＮの学習や演算結果の正確さ（運転指向の推定精度）を確保するためには、正確な道路勾配（車両の走行環境）の情報が必要とされる（道路勾配の推定値では、データの正確性（精度）が不足する）が、その入手は現実的には困難である。即ち、外部からの通信（路車間通信、車車間通信を含む）や、ナビゲーションシステム装置９５からの情報から正確な道路勾配情報を入手することは、現実的には困難である。When the information on the vehicle traveling environment such as the road gradient T_D is used as the input value of the neural network NN, in order to ensure the learning of the neural network NN and the accuracy of the calculation result (driving orientation estimation accuracy) However, it is difficult to obtain the information on the road gradient (the driving environment of the vehicle) (the estimated value of the road gradient is insufficient in data accuracy (accuracy)). That is, it is practically difficult to obtain accurate road gradient information from external communication (including road-to-vehicle communication and vehicle-to-vehicle communication) and information from thenavigation system device 95.

これに対して、本実施形態のように、アクセル開度Ａ_CCのようなニューラルネットワークＮＮの入力値の補正に、道路勾配を用いる場合には、正確なデータではなく、推定値でも問題はないし、また、ニューラルネットワークＮＮの演算結果には、道路勾配の状態も反映される。On the other hand, when the road gradient is used to correct the input value of the neural network NN such as the accelerator opening degree A_CC as in the present embodiment, there is no problem with the estimated value, not the accurate data. Further, the state of the road gradient is also reflected in the calculation result of the neural network NN.

図１及び図２を参照して、本実施形態の動作を説明する。以下の動作は、制御回路１３０により実行される。  The operation of this embodiment will be described with reference to FIGS. The following operation is executed by thecontrol circuit 130.

［ステップＳ１０１］
図１のステップＳ１０１では、基準加速度が算出される。まず、ＲＯＭ１３３に予め格納されたスロットル開度とエンジン回転数のマップを参照して、スロットル開度センサ１１４及びエンジン回転数センサ１１６の検出結果に基づいて、推定入力トルクが求められる。次いで、その推定入力トルクと、トータル変速比及び車両諸元（タイヤ外径、車両重量、トランスミッションからタイヤまでの効率）に基づいて、基準加速度が算出される。[Step S101]
In step S101 in FIG. 1, a reference acceleration is calculated. First, an estimated input torque is obtained based on the detection results of the throttle opening sensor 114 and theengine speed sensor 116 with reference to a map of the throttle opening degree and the engine speed stored in theROM 133 in advance. Next, a reference acceleration is calculated based on the estimated input torque, the total gear ratio, and vehicle specifications (tire outer diameter, vehicle weight, efficiency from transmission to tire).

［ステップＳ１０２］
次に、ステップＳ１０２では、道路勾配計測・推定部１１８により、道路勾配Ｔ_Dが推定される。まず、車輪速に基づいて、車両加速度が算出され、次いで、その車両加速度と上記ステップＳ１０１で求められた基準加速度の差に基づいて、道路勾配Ｔ_Dが推定される。なお、上記ステップＳ１０１及びステップＳ１０２の方法に代えて、上記ナビ情報に基づいて、道路勾配Ｔ_Dの情報を入手してもよい。[Step S102]
Next, in step S102, the road gradient T_D is estimated by the road gradient measurement /estimation unit 118. First, based on the wheel speed, vehicle acceleration is calculated, and then, based on the difference between the reference acceleration obtained by the vehicle acceleration and the step S101, the road gradient T_D is estimated. Instead of the method in step S101 and step S102, based on the navigation information may be obtained the information of the road gradient T_D.

［ステップＳ１０３］
次に、ステップＳ１０３では、補正アクセル開度算出部９７ａにより、アクセル開度検出部１１３から入力したアクセル開度Ａ_CCと、上記ステップＳ１０２で算出された道路勾配Ｔ_Dに基づいて、補正アクセル開度が求められる。この場合、例えば、ＲＯＭ１３３に予め登録された図４のグラフで示されるデータが参照されて、補正アクセル開度が求められることができる。道路勾配Ｔ_Dが正の値をとる場合には、補正アクセル開度は、実際のアクセル開度Ａ_CCに比べて小さな値となり、道路勾配Ｔ_Dが負の値をとる場合には、補正アクセル開度は、実際のアクセル開度Ａ_CCに比べて大きな値となる。[Step S103]
Next, in step S103, the correction acceleratoropening calculation unit 97a, the accelerator opening A_CC input from the accelerator openingdegree detecting unit 113, based on the road gradient T_D calculated in step S102, the correction accelerator opening A degree is required. In this case, for example, the corrected accelerator opening can be obtained by referring to the data shown in the graph of FIG. When the road gradient T_D takes a positive value, the corrected accelerator opening is smaller than the actual accelerator opening A_CC , and when the road gradient T_D takes a negative value, the corrected accelerator The opening is larger than the actual accelerator opening A_CC .

［ステップＳ１０４］
次に、ステップＳ１０４では、前処理手段９８及び運転指向推定手段（ニューラルネットワークＮＮ）１００により、上記ステップＳ１０３で求められた補正アクセル開度（補正アクセル開度算出部９７ａの出力値）と、車両加速度、アクセル開度変化量などを入力として、運転指向推定手段（ニューラルネットワークＮＮ）１００の出力値が演算される。[Step S104]
Next, in step S104, the corrected accelerator opening (the output value of the correctedaccelerator opening calculator 97a) obtained in step S103 by the preprocessing means 98 and the driving orientation estimating means (neural network NN) 100 and the vehicle The output value of the driving direction estimation means (neural network NN) 100 is calculated using the acceleration, the accelerator opening change amount, and the like as inputs.

運転指向推定手段（ニューラルネットワークＮＮ）１００の出力値に基づいて、運転指向が推定され、その推定された運転指向に基づいて、変速線図が切り替えられる。これにより、運転指向を反映させた自動変速機１０の変速が行なわれる。  The driving direction is estimated based on the output value of the driving direction estimation means (neural network NN) 100, and the shift diagram is switched based on the estimated driving direction. As a result, the automatic transmission 10 is shifted to reflect the driving orientation.

本実施形態によれば、多様な道路勾配Ｔ_Dをもつ山間路などの走行パターンのデータが必要とされないため、教師データ収集工数の低減が可能となる。また、ニューラルネットワークに道路勾配Ｔ_Dの情報を入力しないため、演算負荷の低減が可能となる。According to this embodiment, since the data of the driving pattern such as mountain path with diverse road gradient T_D is not required, it is possible to reduce the training data collection effort. Further, since the neural network do not enter the information of the road gradient T_D, it is possible to reduce the calculation load.

なお、上記ステップＳ１０３で行われるアクセル開度Ａ_CCの補正は、図４又は図６に示したマップデータに基づいて行われた。この場合、図４又は図６のようなマップデータは、変速段毎に異なるデータが用意され、現状の変速段とその変速段に対応するマップデータに基づいて、アクセル開度Ａ_CCの補正が行われることができる。同じ道路勾配Ｔ_Dであっても、変速段によって、その道路勾配Ｔ_Dが影響を与えるアクセル開度Ａ_CCの変化量（変化割合）は異なるため、補正の割合を変える必要があるためである。The correction of the accelerator opening A_CC performed in step S103 has been performed based on map data shown in FIG. 4 or 6. In this case, different map data as shown in FIG. 4 or FIG. 6 is prepared for each shift stage, and the accelerator opening degree A_CC is corrected based on the current shift stage and map data corresponding to the shift stage. Can be done. This is because even with the same road gradient T_D , the amount of change (change rate) of the accelerator opening degree A_CC affected by the road gradient T_D differs depending on the gear position, so the correction rate needs to be changed. .

また、上記においては、運転指向によって変化する可能性のある運転操作量の一例として、道路勾配Ｔ_Dに基づいてアクセル開度Ａ_CCを補正したが、補正する対象は、運転指向によって変化する可能性のある運転操作量であれば、アクセル開度Ａ_CCに限定されず、例えば、アクセル開度変化量、ブレーキ踏力の少なくともいずれか一方であることができる。In the above, as an example of a driving operation amount that may vary with driver's intention has been corrected accelerator opening A_CC based on the road gradient T_D, subject to correction, can be changed by the driver's intention As long as the driving operation amount has a certain characteristic, it is not limited to the accelerator opening degree A_CC , and can be at least one of the accelerator opening change amount and the brake pedaling force, for example.

また、上記においては、アクセル開度Ａ_CCが道路勾配Ｔ_Dに基づいて補正されたが、補正に用いるパラメータは、車両の走行環境であれば、道路勾配Ｔ_Dに限定されず、例えば、路面の滑り易さ（路面μ）であることができる。その場合、図６に示すように、路面μが低い場合には、補正アクセル開度は、実際のアクセル開度Ａ_CCに比べて大きな値となる。また、道路勾配Ｔ_D及び路面μの両方のように複数の車両の走行環境の要素に基づいて、アクセル開度Ａ_CCが補正されることもできる。Further, in the above, the accelerator opening degree A_CC is corrected based on the road gradient T_D , but the parameter used for the correction is not limited to the road gradient T_D as long as it is a traveling environment of the vehicle. The slipperiness (road surface μ). In this case, as shown in FIG. 6, when the road surface μ is low, the corrected accelerator opening is a larger value than the actual accelerator opening A_CC . Further, based on factors driving environment of a plurality of vehicles, as both the road gradient T_D and the road surface mu, may be the accelerator opening A_CC is corrected.

さらに、上記においては、運転指向を推定する手段として、ニューラルネットワークＮＮが用いられたが、ニューラルネットワークに限定されず、例えば、遺伝的アルゴリズムのような（人工）知能システム（最適化手法、ソフトコンピューティング）を用いた情報処理機構を用いることができる。このような情報処理機構を用いた場合であっても、情報処理に用いられる入力値の数が少ない方が計算負荷が削減され、また、解の収束性に有利である。  Further, in the above description, the neural network NN is used as a means for estimating the driving orientation. However, the neural network NN is not limited to the neural network. For example, an (artificial) intelligent system such as a genetic algorithm (an optimization method, a soft computer) is used. An information processing mechanism using a singing) can be used. Even when such an information processing mechanism is used, a smaller number of input values used for information processing reduces the calculation load and is advantageous for solution convergence.

本発明の運転指向推定装置の一実施形態の動作を示すフローチャートである。It is a flowchart which shows operation | movement of one Embodiment of the driving | operation direction estimation apparatus of this invention.本発明の運転指向推定装置の一実施形態が適用された自動変速機の制御装置の概略構成を示すブロック図である。It is a block diagram which shows schematic structure of the control apparatus of the automatic transmission to which one Embodiment of the driving | operation direction estimation apparatus of this invention was applied.本発明の運転指向推定装置の一実施形態の要部の概略構成を示すブロック図である。It is a block diagram which shows schematic structure of the principal part of one Embodiment of the driving | operation direction estimation apparatus of this invention.本発明の運転指向推定装置の一実施形態で用いるマップデータを説明するためのグラフ図である。It is a graph for demonstrating the map data used by one Embodiment of the driving | operation direction estimation apparatus of this invention.従来の運転指向推定装置の一例の要部の概略構成を示すブロック図である。It is a block diagram which shows schematic structure of the principal part of an example of the conventional driving | operation direction estimation apparatus.本発明の運転指向推定装置の一実施形態で用いることが可能な他のマップデータを説明するためのグラフ図である。It is a graph for demonstrating the other map data which can be used with one Embodiment of the driving | operation direction estimation apparatus of this invention.

符号の説明Explanation of symbols

１０ 自動変速機
４０ エンジン
９０ 加速度センサ
９５ ナビゲーションシステム装置
９６ 信号読込手段
９７ 信号供給手段
９７ａ 補正アクセル開度算出部
１００ 運転指向推定手段
１１１ ブレーキ操作量検出部
１１２ 路面μ検出・推定部
１１３ アクセル開度検出部
１１４ スロットル開度センサ
１１５ 運転指向推定部
１１６ エンジン回転数センサ
１１８ 道路勾配計測・推定部
１２２ 車速センサ
１２３ シフトポジションセンサ
１３０ 制御回路
１３１ ＣＰＵ
１３３ ＲＯＭDESCRIPTION OF SYMBOLS 10Automatic transmission 40Engine 90Acceleration sensor 95Navigation system apparatus 96 Signal reading means 97 Signal supply means 97a Correction accelerator openingcalculation part 100 Driving direction estimation means 111 Brake operationamount detection part 112 Road surface μ detection /estimation part 113 Accelerator opening Detection unit 114Throttle opening sensor 115 Drivingdirection estimation unit 116Engine speed sensor 118 Road gradient measurement /estimation unit 122Vehicle speed sensor 123Shift position sensor 130 Control circuit 131 CPU
133 ROM

Claims (4)

Translated fromJapanese

情報処理機構を用いて運転指向を推定する運転指向推定装置であって、
運転指向によって変化する可能性のある運転操作量を検出する運転操作量検出部と、
車両の走行環境に基づいて、前記検出された運転操作量を補正する運転操作量補正部とを備え、
前記補正された運転操作量に基づいて、前記情報処理機構を用いて運転指向を推定する
ことを特徴とする運転指向推定装置。A driving orientation estimation device that estimates driving orientation using an information processing mechanism,
A driving operation amount detector that detects a driving operation amount that may change depending on the driving orientation;
A driving operation amount correction unit that corrects the detected driving operation amount based on the traveling environment of the vehicle,
Based on the corrected driving operation amount, the driving direction is estimated using the information processing mechanism. 請求項１記載の運転指向推定装置において、
前記走行環境には、道路の勾配及び路面の滑り易さの少なくともいずれか一方が含まれる
ことを特徴とする運転指向推定装置。The driving orientation estimation apparatus according to claim 1,
The driving environment estimation device characterized in that the travel environment includes at least one of a road gradient and a slipperiness of a road surface. 請求項１または２に記載の運転指向推定装置において、
前記運転操作量には、アクセル開度、アクセル開度変化量、及びブレーキ踏力の少なくともいずれか一つが含まれる
ことを特徴とする運転指向推定装置。In the driving orientation estimation device according to claim 1 or 2,
The driving direction estimation apparatus characterized in that the driving operation amount includes at least one of an accelerator opening, an accelerator opening change amount, and a brake pedaling force. 請求項１から３のいずれか１項に記載の運転指向推定装置において、
前記情報処理機構には、ニューラルネットワーク又は遺伝的アルゴリズムのような知能システムを用いた情報処理機構が含まれる
ことを特徴とする運転指向推定装置。In the driving | operation direction estimation apparatus of any one of Claim 1 to 3,
The information processing mechanism includes an information processing mechanism using an intelligent system such as a neural network or a genetic algorithm.

Images