ブックタイトルマツダ技報　2012 No.30

概要

マツダ技報　2012 No.30

No.30(2012)マツダ技報階層であり,価値観や状況に応じて目標が変動する③単調な作業の繰り返しによる飽きや覚醒低下を防止するために,適応目標を自ら変動させているなどが考えられ,「場や価値観の多様性とそれらの時間軸変動」へ対応可能な創発型制御のシステム検討が必要である。創発型制御を搭載した自動車は市販化されておらず,挑戦的な取り組みとなる。(2)タイムアクシス・デザインの必要性運転者の運転中の潜在的な要求には,時間スケールの異なる要求が混在している。例えば,周辺車両と衝突しそうな緊急事態には,事故回避のために秒スケールの要求が発生する。また,通常運転時には,渋滞回避やエコ運転支援など分・時間スケールの要求が発生する。更に,長期間愛着を持って運転してきた自家用車を故障しないように労わって乗りたいときには,月・年スケールの要求が発生する。次にどのような制御をするか決定する際には,タイムスケールの異なるそれぞれの要求の強さが比較評価され,総合的な満足度が高くなるように制御が決定されるべきである。そこで,創発型制御システムは,秒・分レベルのショートタイムスケールの要求,時間・日レベルのミディアムタイムスケールの要求,および月・年レベルのロングタイムスケールの要求の相互影響を考慮したタイムアクシス・デザイン(4)の考え方を取り入れたアルゴリズムを開発することにした。3.2創発型制御システム(1)基本構成開発した創発型制御システムの基本構成をFig.2に示す。周辺車両,車両挙動,運転者状態を入力として,走行場を推定する。推定した走行場が既知の場合は,メモリに記憶してある制御アルゴリズムから,走行場に対応したアルゴリズムを選択実行することにより制御量に変換し,情報表示または制御を行う。走行場が未知の場合は制御アルゴリズムを創発し,創発したアルゴリズムを実行することにより制御量に変換し,情報表示または制御を行う。(2)全体アルゴリズム創発型制御システムの基本アルゴリズムをFig.3に示す。ショートタイムスケールでは,メモリに蓄積された学習済みの走行場と比較することにより,走行場が既知であるか未知であるかの判断を行う。既知の場合は対応する制御アルゴリズムを選択し,未知の場合は近似する走行場に対応する制御アルゴリズムを選択し,制御量に変換を行う。ショートタイムスケールの処理では,入力データに対して,既知か未知かのタグ付けと,選択する制御アルゴリズムの紐付けがされるだけなので,リアルタイムの処理が可能である。近似する走行場で制御を行っていた未知の走行場は,ミディアムタイムスケールで,将来に備えて既知の走行場への変換と制御アルゴリズムの創発を行う。制御アルゴリズムは,ロングタイムスケールでメモリに蓄積され,既知VehicleMonitorEmerging ofcontrol algorithmEstimation ofField of DrivingVehicleControllerEnvironmentMonitorConversion ofControl VolumeHMIControllerDriverMonitorMemoryFig.2 Block Diagram of Emergent Control SystemShort time scale (sec,min)Vehicle behaviorinputInter-vehicle behaviorEstimation offield of drivingKnownfield of drivingSelection ofvehicle control algorithmConversion ofcontrol volumeoutputUnknownfield of drivingSelection of approximateField of drivingLearning result of GNPVehicle controlHMI controlMedium time scale(hour,day)Emerging of algorithmGenetic Network ProgrammingLong time scale(month,year)MemoryThreshold of field of drivingVehicle control algorithmGNP evaluation formulaFig.3 Flowchart of Emergent Control SystemInitial populationEvaluationSelectionCrossoverMutationFinalGeneration?YesendNoFig.4 Basic Algorithm of GNPに変換された走行場と創発された走行場を判別するための閾値は更新される。(3)創発アルゴリズム制御アルゴリズムを創発する方法として,遺伝的ネットワークプログラミング(GNP)を適用する。GNPは,遺伝アルゴリズム(GA)の拡張であり,基本アルゴリズムはFig.4に示すとおり同様である。評価値は個体の適合度や有効性を数値化したものであり,その値は評価関数によって求められる。交叉や突然変異を実行し,世代を進化させることにより評価値の最適化が行われる。Fig.5にGNPの基本構成を示す。個体では,状態が各ノード上を遷移していき,ノード関数を逐一実行していく。ノード関数には,If-then文による条件判定のみを行う判定ノード,処理内容―211―