JP2015113075A - ハイブリッド車両の制御装置 - Google Patents

Abstract

【課題】エンジンおよび電動機（モータ・ジェネレータ等）を備え、アクセルオフで回生モードとフリーランモードとを選択可能なハイブリッド車両において、そのモードの選択を適切に行えるようにして、燃費の低減を図る。
【解決手段】少なくとも地図情報に基づいてハイブリッド車両が回生モードで走行すると予測される回生予測区間に達するまでのバッテリの電力消費量（消費ＳＯＣ量）を推定する（Ｓ１０１）。回生予測区間に達する前にバッテリのＳＯＣが強制充電の必要な下限量ＳＯＣＬにまで低下すると判定すれば（Ｓ１０３→Ｓ１０４）、回生モードを選択する。一方、ＳＯＣが下限量にまで低下する前に回生予測区間に達すると判定すれば（Ｓ１０３→Ｓ１０５）、フリーランモードを選択する。
【選択図】図５

Description

本発明は、走行用の動力源としてエンジンおよび電動機を備えたハイブリッド車両の制御装置に関する。

従来よりハイブリッド車両の制御として、減速時などに電動機を発電機として動作させ、運動エネルギーを回生する回生制御が知られている。また、例えば特許文献１に記載のハイブリッド車両では、アクセル足離し操作（アクセルオフ）が行われた場合にエンジンおよび電動機をいずれも停止させて、惰性で走行すること（フリーラン）も可能になっている。そして、回生制御およびフリーランのどちらを行うかは、運転者の操作によって選択される。

前記のフリーランを行うと、車両をあまり減速させることなく惰性で走行させることができるので、燃費の低減が図られる。すなわち、一例を図４（ａ）に示すようにアクセルオンで加速し、アクセルオフの減速時にはフリーランにすると、エンジンは加速する期間の終盤に短時間、運転されるのみとなって、同図（ｄ）に示すように時刻ｔ１までは燃料の消費が非常に少なくなる。

特開２００７−０６９７８７号公報

ところで、一例を図３（ａ）に示すように、アクセルオンで加速し、アクセルオフの減速期間には回生制御を行うという一般的な制御の場合は、同図（ｃ）に示すようにバッテリの充電と放電とが交互に繰り返されることになる。このため、同図（ｂ）に示すようにバッテリの残容量（State Of Charge：ＳＯＣ）は、加速期間では減少するものの減速期間では回復する。

これに対し、前述したようにアクセルオフでフリーランを行うようにすると、バッテリのＳＯＣが回復しないため、アクセルのオンオフの繰り返しに従って、図４（ｂ）に示すように徐々にＳＯＣは低下してゆく。そして、時刻ｔ１においてＳＯＣが下限値ＳＯＣＬ以下になると、バッテリを強制的に充電するためにエンジンが始動してしまい、同図（ｄ）に示すように燃料の消費が急増することになる。

つまり、従来例のように運転者の操作によって回生制御またはフリーランを選択するようにした場合は、バッテリのＳＯＣが過度に低下してしまうことがあり、強制充電のためにエンジンを始動せざるを得なくなる結果として、却って燃費が悪化するおそれがあった。このような点を考慮して本発明の目的は、ハイブリッド車両のアクセルオフ時における回生制御とフリーランとの選択をより適切に行えるようにして、燃費のさらなる低減を図ることにある。

前記の目的を達成すべく本発明に係るハイブリッド車両の制御装置は、走行用の動力源としてエンジンおよび電動機を備え、アクセルオフの場合に、前記電動機を発電機として動作させて運動エネルギーを回生する回生モードと、前記エンジンおよび電動機をいずれも停止させて惰性で走行するフリーランモードと、を選択行可能なものが対象である。

そして、少なくとも地図情報に基づいてハイブリッド車両が前記回生モードで走行すると予測される回生予測区間に達するまでのバッテリの電力消費量を推定し、その回生予測区間に達する前にバッテリの残容量が強制充電の必要な下限量にまで低下すると判定すれば、回生モードを選択する一方、バッテリの残容量が下限量にまで低下する前に前記回生予測区間に達すると判定すれば、フリーランモードを選択するように構成した。

前記の特定事項により、ハイブリッド車両の走行中には、その走行経路上の回生予測区間に達するまでのバッテリの電力消費量が推定されて、回生予測区間に達する前にバッテリの強制充電が必要になるか否かが判定される。そして、強制充電が必要になると判定されれば回生モードを選択し、アクセルオフのときに運動エネルギーの回生によってバッテリを充電する。こうすれば、バッテリ残容量の過度の低下を阻止して、強制充電を回避することができる。

一方、前記回生予測区間までに強制充電は必要にならないと判定されれば、フリーランモードを選択して、アクセルオフのときにはエンジンおよび電動機を停止させ、ハイブリッド車両をあまり減速させることなく惰性で走行させるようにする。これにより惰性での走行距離を伸ばすことができ、燃費の低減が図られる。

ここで、前記回生予測区間としては例えば、比較的勾配の急な降り坂であったり、カーブや交差点、道路の分岐、合流などのように比較的大きな減速度が要求される確率の高い区間が挙げられ、これらは少なくとも地図情報に基づいて予測することができる。また、バッテリの電力消費量についても道路の勾配やカーブの曲率などを含めた地図情報に基づいて推定することが可能である。

好ましいのは、前記回生予測区間の予測やバッテリの電力消費量の推定を、ハイブリッド車両の走行する経路における過去の走行状態の学習結果を加味して行うことである。すなわち、実際に走行しいているときの走行状態や電力消費量を、地図情報に対応づけて記憶（学習）しておけば、この地図情報および学習結果に基づいて回生予測区間の予測や電力消費量の推定を精度よく行うことができる。

その場合に好ましくは、地図情報等に基づいて走行経路を、ハイブリッド車両の走行速度の変化の態様（例えば加速、定常、減速などの速度パターン）が異なる複数の区間に分割し、この各分割区間毎に学習を行うようにしてもよい。また、学習の仕方として具体的には、例えば、電力消費量の平均値を記憶更新するようにしてもよいし、これに加えて加重平均などの統計的処理を行うようにしてもよい。

より好ましいのは、前記走行経路におけるハイブリッド車両の走行パターンも考慮して学習を行うことである。例えば、ハイブリッド車両が車列の先頭を走行しているときと、他車に追従しているときとでは、エンジンおよび電動機の使い分け方が異なり、バッテリの電力消費量も異なるものとなるからである。この走行パターンとしては、例えばハイブリッド車両の先頭発進、先頭定常走行、先頭停止、追従発進、追従定常走行、追従停止などに分類することができる。

このようにハイブリッド車両の速度パターンや走行パターンまで考慮した学習結果に基づいて、回生予測区間までの複数の分割区間のそれぞれにおけるバッテリの電力消費量を推定し、これを足し合わせることによって、当該回生予測区間に達するまでの電力消費量を精度よく推定することができる。そして、この推定結果に基づいて回生制御とフリーランとの選択をより適切に行うことが可能になる。

本発明に係るハイブリッド車両の制御装置によると、走行経路上の回生予測区間に達する前にバッテリの強制充電が必要になると判定すれば、アクセルオフで回生モードを選択する一方、強制充電は必要にならないと判定すればフリーランモードを選択することによって、強制充電を回避しながらフリーランの実行区間を長くして、惰性で走行する距離を伸ばすことができ、ハイブリッド車両における燃費のさらなる低減が図られる。

第１の実施形態に係るハイブリッド車両の制御装置の概略を示す図である。 目標走行経路を分割したリンクについて模式的に示す説明図である。 駆動モードと回生モードとを繰り返す場合の（ａ）車速、（ｂ）ＳＯＣ、（ｃ）充放電、（ｄ）燃料消費量の変化を表したタイミングチャート図である。 駆動モードとフリーランモードとを繰り返す場合の図３相当図である。 モード選択の手順の一例を示すフローチャート図である。 第２の実施形態に係る図１相当図である。 車両走行モデルの一例を示す模式図である。 走行パターン毎の学習についての説明図である。 平均加速度の学習の仕方を示す説明図である。 追従停止や追従発進の判定についての説明図である。 第２の実施形態に係る図２相当図である。 第２の実施形態に係る図５相当図である。

以下、本発明の実施の形態を図面に基づいて説明する。なお、本実施形態の記載はあくまで例示に過ぎず、本発明の構成や用途などについても限定することを意図しない。
（第１の実施形態）
図１は、第１の実施形態に係るハイブリッド車両の制御装置の概略を示すブロック図である。ハイブリッド車両１（図２を参照）は、エンジン１１、モータ・ジェネレータ１２（電動機）およびバッテリ１３を含むハイブリッドシステム１０を備えている。このハイブリッドシステム１０は、エンジン１１およびモータ・ジェネレータ１２の２つの走行用動力源を使い分けて、ハイブリッド車両１の車輪（駆動輪）を駆動するように構成されている。

エンジン１１は一例としてガソリンエンジンであって、電子制御スロットル等によって出力が制御される。モータ・ジェネレータ１２は、バッテリ１３から供給される電力、或いは発電機（図示せず）から供給される電力によって、駆動される。すなわち、ハイブリッドシステム１０は、エンジン１１およびモータ・ジェネレータ１２の少なくとも一方によって車輪を駆動する駆動モードを実行可能に構成されている。

また、ハイブリッドシステム１０は、ハイブリッド車両１の減速時などにモータ・ジェネレータ１２を発電機として動作させ、運動エネルギーを電気エネルギーに変換する回生モードも実行可能に構成されている。こうして得られた電気エネルギーによってバッテリ１３を充電することができる。つまり、ハイブリッドシステム１０は、後述するように車両制御ＥＣＵ２からの制御信号を受けて、ハイブリッド車両１の駆動制御および回生制御を行う機能を有している。

車両制御ＥＣＵ２は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、および入出力インターフェイス等を含むコンピュータ装置である。ＣＰＵは、ＲＯＭ等に格納された制御プログラム等を読み出して実行し、ＲＡＭは、作業用メモリ、一時記憶メモリ等として使用される。車両制御ＥＣＵ２には前記ハイブリッドシステム１０の他にブレーキアクチュエータ１４等も接続されている。

また、車両制御ＥＣＵ２にはＧＰＳ受信機３０、各種センサ３１、ナビゲーションシステム３２等も接続されている。ＧＰＳ受信機３０は、衛星測位システムの情報端末機であって、ハイブリッド車両１の走行位置の情報を取得するために用いられる。各種センサ３１は、ハイブリッド車両１の走行状態や周囲の走行環境に関する情報を取得するためのものであって、例えば車速センサ、加速度センサ、アクセル操作量センサ、ブレーキ操作量センサ等が挙げられる。

それら各種センサ３１からの信号は車両制御ＥＣＵ２に送信される。なお、各種センサ３１としては、電磁波センサやミリ波レーダセンサ、ヨーレートセンサ等も接続されていてもよい。また、ハイブリッド車両１の周囲の走行環境に関する情報を取得するために車載カメラやインフラ通信装置なども接続されていてもよい。

ナビゲーションシステム３２は、所定の地図情報を記憶している地図情報ＤＢ（データベース）を備えており、ハイブリッド車両１の運転者が入力した目的地までの走行経路（以下、目標走行経路という）を前記の地図情報に基づいて算出し、図示しないディスプレイなどを用いて案内するものである。また、ナビゲーションシステム３２は、ハイブリッド車両１の現在の位置情報もディスプレイなどに表示する機能を有する。

地図情報として具体的には走行経路の道路幅、道路長、勾配、法定速度などの情報が挙げられる。また、走行経路にカーブが存する場合にはその半径、曲率などに関する情報も地図情報に含まれる。詳しくは後述するように車両制御ＥＣＵ２において学習された過去の消費ＳＯＣ量などに関する情報（学習値）は、地図情報に対応づけて車両制御ＥＣＵ２の学習値ＤＢに記憶されている。なお、この学習値も地図情報に含めて前記地図情報ＤＢに記憶させるようにしてもよい。

そして、本実施形態の車両制御ＥＣＵ２は、前記ＧＰＳ受信機３０、各種センサ３１、ナビゲーションシステム３２等から送信されてくる信号（情報）に基づいて、ＲＯＭに格納された制御プログラムを読み出して実行することにより、ハイブリッドシステム１０などの制御を行う。このことによって車両制御ＥＣＵ２は、以下に説明する走行制御部２０、リンク分割／統合調整部２１、消費ＳＯＣ学習部２２、および、消費ＳＯＣ推定部２３として機能することになる。

具体的には、まず、車両制御ＥＣＵ２の走行制御部２０は、基本的にはアクセル操作量センサからの信号に基づいて、アクセルオンではエンジン１１の出力のみによって車輪を駆動するエンジン駆動モード、モータ・ジェネレータ１２の出力のみによって車輪を駆動するモータ駆動モード、並びに、エンジン１１およびモータ・ジェネレータ１２の両方の出力によって車輪を駆動する複合駆動モードのいずれかの駆動モードを選択する。

より詳しくは、バッテリ１３の残容量（State Of Charge：ＳＯＣ）に余裕があることを条件として、例えばアクセルオンの加速期間では、まずモータ駆動モードとし、その後、加速期間の終盤でエンジン駆動モードにする。この際、エンジン１１は熱効率の最も高い高負荷状態で運転し、余剰の出力によって発電機を動作させてバッテリ１３を充電する。なお、バッテリ１３のＳＯＣに関する情報は、ハイブリッドシステム１０に含まれる監視ユニットから車両制御ＥＣＵ２に送信される。

一方、アクセルオフであれば走行制御部２０は、基本的には運転者の減速要求が大きい（設定した閾値よりも大きい）ときに回生モードとし、減速要求が普通または小さいときにはフリーランモードとする。このフリーランモードは、エンジン１１およびモータ・ジェネレータ１２をいずれも停止させて、ハイブリッド車両１を惰性で走行させるものである。但し、バッテリ１３のＳＯＣが強制的な充電の必要な下限値ＳＯＣＬ以下になれば、運転者の減速要求が大きくなくても走行制御部２０は回生モードを選択する。

なお、下限量ＳＯＣＬは、バッテリ１３の深放電による電池セルへのダメージを防止するために設定されている。例えば、予め設定した所定量（例えば３０％）に対して、モータ・ジェネレータ１２をスタータとして動作させ、エンジン１１を始動させるのに必要な分量を付加して、下限量ＳＯＣＬを設定すればよい。

このようにハイブリッドシステム１０は、ハイブリッド車両１の発進時を含む加速期間（緩加速は含めない）や勾配の比較的急な登り坂においては、前記エンジン駆動、モータ駆動および複合駆動のいずれかの駆動モードとされる。一方、停止時を含む減速期間（緩減速は含めない）や勾配の比較的急な降り坂においては、回生モードとされる。また、緩加速や緩減速を含めて速度の変化が所定値以下の定常走行においてハイブリッドシステム１０は、アクセルオンでは前記いずれかの駆動モードとされる一方、アクセルオフでは回生モードまたはフリーランモードのいずれかとされる。

そして、そのようにハイブリッドシステム１０の動作モードが変化し、ハイブリッド車両１の走行状態が変化するのに対応づけて、目標走行経路を複数の区間に分割したり、一旦、分割された区間を再結合（統合）したりするために、リンク分割／統合調整部２１が設けられている。すなわち、リンク分割／統合調整部２１は、ナビゲーションシステム３２によって算出された目標走行経路の全部または一部を、図２に模式的に示すように複数の区間（以下、リンクという。図２ではリンクＬ１〜Ｌ５）に分割する。

このように目標走行経路を分割するのは、以下に述べるようにバッテリ１３の消費ＳＯＣを学習したり予測したりするためである。すなわち、まず、消費ＳＯＣ学習部２２は、ハイブリッド車両１が実際に走行しているときのバッテリ１３の消費ＳＯＣ量を、例えば加速、定常、減速といった走行速度の変化の区切りで学習値ＤＢに記憶させる。なお、消費ＳＯＣ量は、バッテリ１３の放電によってＳＯＣが減少する場合を正の値とし、充電によってＳＯＣが増大（回復）する場合は負の値とすればよい。

そして、前述したようにハイブリッド車両１は基本的に、加速期間では駆動モードとされる一方、減速期間では回生モードとされ、定常走行ではアクセル操作やバッテリ１３の状態に応じて駆動モード、回生モードまたはフリーランモードとされる。それ故に、前記のように加速、定常、減速といった速度パターンに対応する区間毎に、消費ＳＯＣ量を記憶することによって、消費ＳＯＣ量の学習精度を高めることができる。

但し、そのように実際の走行するハイブリッド車両１の走行速度の変化の区切り、即ち速度パターンの区切りは、図２のように地図情報に基づいて設定されているリンクＬ１〜Ｌ５の区切りとは必ずしも一致しない。そこで、前記のように消費ＳＯＣ量を学習した速度パターン毎の区間（学習区間）を、前記リンク分割／統合調整部２１によって、リンクＬ１，Ｌ２，…に適合するように結合（統合）したり、或いはさらに分割したりするのである。

このようにして実際の消費ＳＯＣ量をリンクＬ１，Ｌ２，…毎に（或いは、それぞれのリンクＬ１，Ｌ２，…に含まれる学習区間毎に）記憶することができる。そして、消費ＳＯＣ量のデータが２回以上、得られればそれらを平均化して、学習値として記憶する。さらに新しく消費ＳＯＣ量のデータが得られれば、これも加算して平均化し、学習値を更新する。こうして過去の実際の走行時に学習された消費ＳＯＣ量の学習値が、消費ＳＯＣ学習部２２の学習値ＤＢに記憶される。

こうして学習値ＤＢに記憶されている学習値に基づいて消費ＳＯＣ推定部２３は、ハイブリッド車両１がこれから走行する目標走行経路におけるバッテリ１３の消費ＳＯＣ量を推定する。すなわち、消費ＳＯＣ推定部２３は、まず、地図情報に基づいて前記の学習値も加味しつつ、目標走行経路上でハイブリッドシステム１０が回生モードになる区間（以下、回生予測区間という）を予測する。

例えば、比較的勾配の急な降り坂やカーブ、交差点、道路の分岐、合流などのように比較的大きな減速度が要求される確率の高い区間が回生予測区間となる。また、その区間における消費ＳＯＣ量の学習値が絶対値の大きな負の値であって、過去の走行時に実際に回生モードとされた頻度がかなり高い場合にも回生予測区間となる。

そして、消費ＳＯＣ推定部２３は、前記のように予測した回生予測区間に達するまでのバッテリ１３の消費ＳＯＣ量を推定する。具体的には、前記学習値ＤＢから回生予測区間までの複数のリンクＬ１，Ｌ２，…における消費ＳＯＣ量の学習値を全て読み出して、足し合わせることにより、消費ＳＯＣ量を推定する。

−フリーランの禁止・許可判定−
前記のように推定した回生予測区間までの消費ＳＯＣ量に基づいて、走行制御部２０により以下のように回生モードとフリーランモードとの選択が行われる。すなわち、本実施形態の走行制御部２０は、バッテリ１３の現在のＳＯＣと、前記のように推定した消費ＳＯＣ量とに基づいて、アクセルオフの場合にフリーランを行うか回生制御を行うか、言い換えるとフリーランを禁止するか許可するかの判定を行う機能を有している。

この点について詳しく説明すると、まず、図３（ａ）に一例を示すように、アクセルオンで加速し、アクセルオフの減速時には回生するという従来一般的な制御を行った場合、同図（ｃ）のようにバッテリ１３の充電および放電が交互に繰り返されることから、同図（ｂ）のようにＳＯＣは、加速期間では減少するものの、減速期間では回復することになる。また、エンジン１１は加速期間の終盤にのみ運転され、これにより、同図（ｄ）に示すように燃料が消費される。

これに対し、アクセルオフでフリーランを実行した場合は、ハイブリッド車両１をあまり減速させることなく、惰性で走行させる距離を伸ばすことができる。すなわち、一例を図４（ａ）に示すようにアクセルオンで加速し、アクセルオフの減速時にはフリーランするようにした場合、同図（ｄ）に示すようにエンジン１１は加速期間の終盤に短時間、運転されるのみであり、時刻ｔ１までの燃料消費量は非常に少なくなる。

しかしながら、同図（ｂ）に示すようにフリーランの間はバッテリ１３のＳＯＣが回復しないため、前記のように加速とフリーラン減速（緩減速）とが交互に繰り返されると、ＳＯＣは徐々に低下してゆくことになる。そして、同図（ｂ）の時刻ｔ１においてＳＯＣが下限値ＳＯＣＬ以下になると、バッテリ１３の強制充電のためにエンジン１１が始動されて、同図（ｄ）に示すように燃料の消費が急増することになる。

つまり、燃費を改善するためにアクセルオフでフリーランを実行する結果として、バッテリ１３のＳＯＣが過度に低下してしまい、強制充電のためにエンジン１１を始動せざるを得なくなって、却って燃費が悪化することがある。このような観点から本実施形態では、前述したようにハイブリッド車両１の目標走行経路上にある回生予測区間までの消費ＳＯＣ量を推定し、バッテリ１３の強制充電が行われないよう、適切に回生モードおよびフリーランモードを選択するようにしたものである。

以下、図５のフローチャートを参照して、第１の実施形態に係るフリーランの禁止・許可判定の手順について具体的に説明する。なお、この処理は、例えばイグニッションオンまたはハイブリッド車両１に備わる開始ボタンがオンされてから、所定のタイミングで繰り返し実行される。

図５に示す処理がスタートした後のステップＳ１０１では、前述の如く消費ＳＯＣ量の推定を行う。すなわち、まず、ナビゲーションシステム３２が出力した地図情報等に基づいて、消費ＳＯＣ推定部２３により目標走行経路上に回生予測区間が設定される。この回生予測区間までの走行経路は、フリーランモードを選択した場合には回生制御が行われない区間である。

そして、前記回生予測区間までの走行経路に含まれるリンクＬ１，Ｌ２，…のそれぞれにおける消費ＳＯＣ量の学習値（学習区間毎の学習値）が、消費ＳＯＣ推定部２３によって消費ＳＯＣ学習部２２の学習値ＤＢから読み出される。学習値は、バッテリ１３のＳＯＣが減少する場合が正の値であり、増大（回復）する場合は負の値であるから、複数のリンクＬ１，Ｌ２，…の学習値を足し合わせれば、回生予測区間に達するまでのバッテリ１３の消費ＳＯＣ量を算出できる。

こうして消費ＳＯＣ推定部２３によって算出された消費ＳＯＣ量（推定値）とバッテリ１３の現在のＳＯＣとに基づいて、ステップＳ１０２において前記回生予測区間に達したときのバッテリ１３のＳＯＣを算出する。そして、この算出したＳＯＣと強制充電の必要な下限値ＳＯＣＬとの比較によって、ステップＳ１０３において強制充電が必要になるか否か判定する。

この判定は、本実施形態では走行制御部２０において行われ、前記算出されたＳＯＣが下限量ＳＯＣＬ以下であれば（肯定判定：ＹＥＳ）、ステップＳ１０４においてフリーランを禁止（例えばフリーランの許可フラグをオフに）して、処理を終了する（エンド）。一方、前記算出されたＳＯＣが下限量ＳＯＣＬよりも大きければ（否定判定：ＮＯ）、ステップＳ１０５においてフリーランを許可（例えばフリーランの許可フラグをオンに）して、処理を終了する（エンド）。

以上、説明したように第１の実施形態に係るハイブリッド車両１の制御装置によると、ハイブリッド車両１の目標走行経路上に例えば比較的勾配の急な降り坂がある場合のように、比較的大きな減速要求に対応して回生制御が行われると予測される区間があれば、この回生予測区間に達する前にバッテリ１３のＳＯＣが下限値ＳＯＣＬにまで低下し、強制充電が必要になるか否かを判定する。

そして、強制充電が必要になると判定すれば、アクセルオフのときにハイブリッドシステム１０を回生モードとし、運動エネルギーの回生によってバッテリ１３を充電することにより、ＳＯＣの過度の低下を未然に防止して、強制充電が行われることを回避することができる。これにより、強制充電に起因する燃費の悪化を防止できる。

一方、回生制御を行わなくてもバッテリ１３のＳＯＣが過度に低下する前に前記回生予測区間に達するので、強制充電は必要にならないと判定すれば、アクセルオフのときにハイブリッドシステム１０をフリーランモードとし、ハイブリッド車両１をあまり減速させることなく惰性で走行させる。これにより、ハイブリッド車両１の惰性で走行する距離が長くなって、燃費の低減が図られる。

つまり、目標走行経路の前方にある回生予測区間までの消費ＳＯＣ量を推定して、バッテリ１３の強制充電が行われないように、アクセルオフでの回生モードおよびフリーランモードの選択を適切に行うことができ、これにより、ハイブリッド車両１における燃費を低減することができる。

特に前述した記第１の実施形態では、地図情報に対応して記憶（学習）されている過去の走行時の消費ＳＯＣ量（学習値）に基づいて、回生予測区間に達したときのバッテリ１３のＳＯＣを推定するようにしているので、この推定の結果に基づいて強制充電が必要になるか否か精度よく判定でき、前記のようなハイブリッドシステム１０の動作モードの選択を適切に行うことができる。

（第２の実施形態）
次に第２の実施形態について説明する。この第２の実施形態は、前述した第１の実施形態と同様にハイブリッド車両１の走行経路における回生予測区間までの消費ＳＯＣ量を推定して、フリーランの禁止・許可について判定するものであるが、この推定の基礎となる消費ＳＯＣ量の学習の際に、以下に説明するようにハイブリッド車両１の走行パターンの変化も考慮するようにしたものである。

すなわち、前記第１の実施形態では、例えば加速や定常走行といったハイブリッド車両１の速度パターンによって、ハイブリッドシステム１０の動作モードが変化することを考慮して、速度パターンに対応する区間（学習区間）毎に消費ＳＯＣ量を学習するようにしている。しかし、そのような速度パターンだけでなく消費ＳＯＣ量は、ハイブリッド車両１が車列の先頭を走行しているとき、或いは他車に追従しているときのような走行パターンによっても異なるものとなる。

そこで、図６に示すように第２の実施形態では、第１の実施形態と同じく車両制御ＥＣＵ２に走行制御部２０、リンク分割／統合調整部２１、消費ＳＯＣ学習部２２、および消費ＳＯＣ推定部２３を備えるとともに、さらに、前記のように異なる走行パターンを模擬するための車両走行モデル２４を備えている。そして、この車両走行モデル２４を用いて消費ＳＯＣ学習部２２は、速度の変化も含めた走行パターン毎に消費ＳＯＣ量を学習するようになっている。この点を除いて第２の実施形態の構成は第１の実施形態と同じなので、同じ構成要素には同じ符号を付し、その説明は省略する。

前記車両走行モデル２４は、一例として図７に模式的に示すように、ハイブリッド車両１が車列の先頭を走行しているときと、他車に追従しているときとを区別し、それぞれについて発進、定常、停止の３つの速度パターンを考慮して、先頭発進、先頭定常、先頭停止、追従発進、追従定常、および追従停止の６つのパターンを設けている。なお、先頭定常の場合に道路のカーブに応じて規則的な加減速を行うことや追従定常の場合に前走車との距離に応じて不規則な加減速を行うことを考慮して、規則加減速および不規則加減速の２つの走行パターンを追加してもよい。

より具体的には、例えば車列の先頭で発進したハイブリッド車両１が、そのまま先頭で定常走行（または規則加減速）した後に、先頭で停止することがあり、同様に、他車に追従して発進したハイブリッド車両１が、そのまま他車に追従して定常走行（または不規則加減速）した後に停止することもある。一方、先頭発進したハイブリッド車両１が他車に追いついて、その後は追従走行になることもあり、反対に追従発進したハイブリッド車両１の前走車が他の走行経路に移動して、その後は先頭走行になることもある。

そのようにハイブリッド車両１の走行パターンが異なるときには、やはり消費ＳＯＣ量も異なるものになり易いので、この点を考慮して本実施形態では、前記のように速度パターンも含めた車両走行モデルの６つの走行パターン毎に、消費ＳＯＣ量を学習するようにしている。

−消費ＳＯＣの学習および推定−
次に、消費ＳＯＣ量の学習について図８〜１１を参照して説明する。一例として図８の上段には、ハイブリッド車両１が発進して、定常走行した後に減速し、それから加速して再び定常走行した後に、減速して停止する場合について、その走行速度の変化を時系列に示す。なお、実線のグラフはハイブリッド車両１が先頭で走行する場合を、一方、破線のグラフは他車に追従して走行する場合を、それぞれ示している。

図に実線のグラフで示すように先頭走行の場合は、追従走行に比べて加速度や減速度が大きく、走行速度も高い傾向がある。また、先頭走行の場合は前記のように発進、定常、減速、加速、定常、停止となるが、破線のグラフで示す追従走行の場合は、３番目の減速と４番目の加速とがいずれも速度変化の小さな緩加速、緩減速になっており、括弧書きするように定常走行と見なされる。

このようにハイブリッド車両１の走行速度のパターンが変化する区切りで、その走行速度、加速度およびバッテリ１３のＳＯＣの変化量（消費ＳＯＣ量）などを記憶（学習）するとともに、ハイブリッド車両１が先頭走行か追従走行かを判別し、前記した先頭発進、先頭定常、先頭停止、追従発進、追従定常、および追従停止の６つの走行パターンのいずれであるかも記憶する。即ち、これらの走行パターンによって消費ＳＯＣの量が異なることを考慮して、走行パターン毎に学習を行うのである。

より具体的には一例を図８の下段に示すように、学習区間δ１〜δ６（図１１を参照）のそれぞれについて上側および下側の平均加速度、上側および下側の平均速度、並びに走行パターンの実行回数を記憶する。ここで、平均加速度や平均速度の上側、下側というのは、図９に模式的に示すように或る学習区間で１回目および２回目に検出した加速度（または速度、以下同様）のうち、低い方を下側の初期値とし、高い方を上側の初期値とする。そして、３回目以降に検出した加速度は、上側および下側の平均加速度のうち値の近い方と平均化して、更新してゆく。

また、走行パターンについては前記６つのパターンのうちのいずれであるかを判定し、それが実際に行われた回数を記憶する。例えば、図８の左端の学習区間δ１においては、同図の上段に示すようにハイブリッド車両１が発進することが多く、下段に示すように先頭発進のパターンが３回、追従発進のパターンが６回となっている。その他、先頭定常のパターンが２回、それ以外のパターンは全て１回となっている。

そのような走行パターンの判定の仕方について具体的には、例えば、或る学習区間で検出した加速度が過去の上側平均加速度に近ければ先頭発進であり、過去の下側平均加速度に近ければ追従発進であると判定することができる。また、発進の場合は、一つ前の学習区間で先頭停止と判定していれば先頭発進であり、追従停止と判定していれば追従発進であると判定できる。さらに、図１０に模式的に示すように、交差点の手前で停止していた場合は、その交差点までの距離（Ｘｍ）や走行時間が短ければ先頭発進であり、長ければ追従発進であると判定してもよい。

定常走行については、或る学習区間で検出された速度が過去の上側平均速度に近ければ先頭定常であり、過去の下側平均速度に近ければ追従定常であると判定することができる。また、直進路であって且つ平坦路または緩い上り坂であるにもかかわらずブレーキを踏む回数が閾値よりも多ければ追従定常と判定し、少なければ先頭定常と判定することもできる。さらに、加速度や減速度から勾配などの影響を除去して、ハイブリッド車両１の受けている空気抵抗の大きさを推定し、これが閾値よりも小さければ追従定常と判定してもよい。

さらにまた、ハイブリッド車両１の停止時については、前記の図１０に示すように交差点などの手前で停止した場合に、その交差点までの距離（Ｘｍ）が短くて、前方に車両が存在しないと考えられる場合は、先頭停止であると判定し、交差点までの距離が長くて、前方にも車両が存在すると考えられる場合は、追従停止であると判定することができる。

このようにして判定された走行パターン毎に、学習値ＤＢには消費ＳＯＣ量が記憶されている。そして、消費ＳＯＣ推定部２３は、ハイブリッド車両１の目標走行経路において回生予測区間までの間に含まれるリンクＬ１，Ｌ２，…のそれぞれにおける消費ＳＯＣ量を、最も確率の高い走行パターンの学習値に基づいて算出する。すなわち、一例を図１１にも示すように、第１のリンクＬ１には３つの学習区間δ１〜δ３が含まれており、そのうちの最初の学習区間δ１において実行回数が最も多い走行パターンは、追従加速（６回）である。

よって、この最初の学習区間δ１については追従加速の場合の消費ＳＯＣ量の学習値ΔＳ１を学習値ＤＢから読み込む。同様に２番目の学習区間δ２については、追従定常の場合の消費ＳＯＣ量の学習値ΔＳ２を読み込む。また、３番目の学習区間δ３については緩減速であり、図８上段に括弧書きで示すように追従定常とみなしてその場合の消費ＳＯＣ量の学習値ΔＳ３を読み込む。

続いて、第２のリンクＬ２には２つの学習区間δ１，δ２が含まれており、そのうちの最初の学習区間δ１では追従での緩加速、即ち追従定常の確率が最も高いので、その場合の消費ＳＯＣ量の学習値ΔＳ４を読み込み、同様に２番目の学習区間δ２についても追従定常の場合の学習値ΔＳ５を読み込む。そして、第３のリンクＬ３については１つの学習区間δ６が含まれているが、ここでは追従停止の確率が最も高く、回生モードとされると予測されるので、ここは回生予測区間となる。

そして、その回生予測区間（第３のリンクＬ３）までの消費ＳＯＣ量は、前記第１のリンクＬ１の学習値ΔＳ１〜ΔＳ３と第２のリンクＬ２の学習値ΔＳ４，ΔＳ５とを足し合わせて、ΣΔＳｉ（ｉ＝１〜５）となる。言い換えると、２つのリンクＬ１，Ｌ２にそれぞれ含まれている５つの学習区間δ１〜δ５のそれぞれの学習値を足し合わせて、回生予測区間までの消費ＳＯＣ量を推定する。

−フリーランの禁止・許可判定−
図１２には第２の実施形態におけるフリーランの禁止・許可判定の手順について示し、スタート後のステップＳ２０１では消費ＳＯＣ推定部２３によって、前述したようにハイブリッド車両１の回生予測区間までの消費ＳＯＣ量が、学習値ＤＢに記憶されている最も確率の高い走行パターンの学習値に基づいて推定される。

すなわち、前記回生予測区間までの走行経路に含まれる複数のリンクＬ１，Ｌ２のそれぞれについて、学習区間δ１，…毎に記憶されている学習値のうち、最も実行回数の多いものが学習値ＤＢから読み出され、それらが足し合わされて、回生予測区間に達するまでのバッテリ１３の消費ＳＯＣ量が算出される。

こうして消費ＳＯＣ推定部２３によって算出された消費ＳＯＣ量とバッテリ１３の現在のＳＯＣとに基づいて、ステップＳ２０２では、図５に示す第１実施形態のフローのステップ１０２と同じく、回生予測区間に達したときのバッテリ１３のＳＯＣを算出し、ステップＳ２０３では同ステップ１０３と同じく、強制充電が必要になるか否か判定する。

そして、ステップＳ２０３で肯定判定（ＹＥＳ）になればステップＳ２０４に進み、前記第１実施形態のフローのステップＳ１０４と同じくフリーランを禁止して、処理を終了する（エンド）。一方、前記ステップＳ２０３で否定判定（ＮＯ）になればステップＳ２０５に進み、同ステップＳ１０５と同じくフリーランを許可して、処理を終了する（エンド）。

したがって第２の実施形態によると、前述のようにハイブリッド車両１の走行パターンも考慮した学習結果に基づいて、回生予測区間までのバッテリ１３の消費ＳＯＣ量をより精度よく推定し、これに基づいて強制充電が行われるか否かの判定をより精度よく行えるようになる。このため、第１の実施形態に比べてもより適切に回生制御とフリーランとの選択を行うことが可能になって、ハイブリッド車両１における燃費のさらなる低減が図られる。

（他の実施形態）
以上、説明したように第１および第２の実施形態においては、ハイブリッド車両１の過去の実際の走行時に学習された消費ＳＯＣ量（学習値）を地図情報に加味して、回生予測区間までの消費ＳＯＣ量を推定するようにしているが、この学習値が存在しないときにはフリーランを禁止するようにしてもよい。強制充電の行われることをより確実に回避するためである。

同様の理由で、学習値が存在していても未だ収束していない場合、例えば第２の実施形態において、過去の走行パターンの実行回数に２以上の山があって、最も確率の高い走行パターンを絞りきれないような場合には、消費ＳＯＣ量の大きな方の学習値を採用し、これに基づいて回生予測期間までの消費ＳＯＣ量を推定するようにしてもよい。また、このような場合にもフリーランを禁止するようにしてもよい。

また、前記第１の実施形態では、車両制御ＥＣＵ２の消費ＳＯＣ学習部２２において、過去の走行時の消費ＳＯＣ量を速度パターン毎に学習するようにしており、また、第２の実施形態では、速度の変化も含めた走行パターン毎に学習するようにしているが、これにも限定されない。車両制御ＥＣＵ２のメモリの記憶容量の削減のためには、例えば先頭走行か追従走行かの情報と消費ＳＯＣ量とを記憶するだけでもよい。

反対にメモリの記憶容量に余裕があれば、過去にハイブリッド車両１が走行した時間帯やそのときの天候、季節などの情報も加えて消費ＳＯＣ量を記憶するようにしてもよいし、さらにハイブリッド車両１の運転者が異なる場合には、運転者毎に消費ＳＯＣ量を記憶するようにしてもよい。

さらにまた、前記各実施形態では、ハイブリッド車両１のアクセルオフ時にフリーランを許可するか、これを禁止して回生制御を行うかのいずれかを選択するようにしているが、これにも限定されない。例えば、通常の回生制御よりも運動エネルギーの回生の度合いが弱い弱回生制御を行えるようにして、この弱回生制御と通常の回生制御とのいずれかを選択するようにしてもよい。さらに、フリーランを許可するか、これを禁止して前記の弱回生制御を行うか、通常の回生制御を行うかのいずれか一つを選択するようにしてもよい。

本発明は、ハイブリッド車両において、アクセルオフ時に回生制御およびフリーランの選択を従来より適切に行うことができ、燃費の低減が図られるので、自動車などに適用して効果が高い。

１ ハイブリッド車両
２ 車両制御ＥＣＵ（制御装置）
１０ ハイブリッドシステム
１１ エンジン
１２ モータ・ジェネレータ（電動機）
１３ バッテリ
ＳＯＣ バッテリの残容量
ＳＯＣＬ 下限量

Claims (1)

1. 走行用の動力源としてエンジンおよび電動機を備え、アクセルオフの場合に、前記電動機を発電機として動作させて運動エネルギーを回生する回生モードと、前記エンジンおよび電動機をいずれも停止させて惰性で走行するフリーランモードと、を選択可能なハイブリッド車両の制御装置であって、
   少なくとも地図情報に基づいてハイブリッド車両が前記回生モードで走行すると予測される回生予測区間に達するまでのバッテリの電力消費量を推定し、その回生予測区間に達する前にバッテリの残容量が強制充電の必要な下限量にまで低下すると判定すれば、前記回生モードを選択する一方、前記残容量が下限量にまで低下する前に前記回生予測区間に達すると判定すれば、前記フリーランモードを選択するように構成されたことを特徴とするハイブリッド車両の制御装置。

Images