动力辅助装置和具有该动力辅助装置的车辆的制作方法

本公开涉及用电动马达辅助人的动力辅助装置以及搭载有该动力辅助装置的电动辅助车辆。

背景技术：

用马达辅助车辆的操作者的电动辅助车辆不断普及。电动辅助车辆的典型例子是电动辅助自行车。在电动辅助自行车中，在人对自行车的踏板施加了踏力时，在该自行车中搭载的马达追加驱动力。相同的功能还不断搭载于除了电动辅助自行车以外的交通工具，例如，通过所施加的人力进行移动的手推车或婴儿车。利用人力施加给车辆的驱动力能够利用“人力扭矩”表示，此外，马达的驱动力能够利用“马达扭矩”表示。

为了使马达辅助车辆的操作者，动力辅助装置需要检测所施加的人力扭矩，并适当地控制马达扭矩。通过使马达输出适当的马达扭矩，实现对人来说舒适的辅助。动力辅助装置为了检测人力扭矩，以往，使用了扭矩传感器。另一方面，要求装置的小型化和简单化、成本下降等，需要无需扭矩传感器的人力扭矩估计技术。

专利文献1和专利文献2公开了未使用扭矩传感器的电动辅助自行车的控制技术。

在专利文献1所公开的带电动马达的自行车中，预先准备自行车机构的传递函数以及该传递函数的反函数。自行车机构作为将施加给自行车的合计扭矩(包含人力扭矩和马达扭矩)与自行车的车轮的旋转角度关联起来的系统而被进行了模型化。传递函数具有惯性矩和粘性阻力作为规定该自行车机构的参数。利用这样的传递函数的反函数，根据车轮的旋转角度求出了合计扭矩。然后，从合计扭矩中减去马达扭矩而得到人力扭矩的估计值。

专利文献2所公开的电动辅助车辆使用干扰观察器，计算除了马达扭矩以外的扭矩作为干扰扭矩。在干扰扭矩中包含行驶负荷扭矩和人力扭矩。该电动辅助车辆通过从干扰扭矩中减去行驶负荷扭矩，计算人力扭矩。

现有技术文件

专利文献

专利文献1：日本公开公报第平9-086476号公报

专利文献2：日本公开公报第2013-256198号公报

技术实现要素：

发明要解决的课题

在车辆在实际使用环境中行驶时，自行车机构中的惯性扭矩根据自行车操作者的体重和装载物重量的变化而发生变化。此外，粘性阻力也能够取决于道路的状态和车辆的维护状况等而发生变化。在专利文献1的带电动马达的自行车中，惯性矩和粘性阻力被处理为固定值，未考虑它们的变化。此外，在专利文献2的电动辅助车辆中，原本就未使用规定自行车机构的参数来计算合计扭矩。

本公开的各种实施方式能够实现如下的电动辅助车辆：识别规定车辆机构的模型的参数，并逐次更新其值。

用于解决课题的手段

根据本公开的例示性实施方式，提供一种车辆的动力辅助装置，该车辆具有车轮，被人力驱动，该动力辅助装置具有：马达，其生成马达扭矩；马达驱动电路，其向马达供给电力；传感器，其输出与车轮的旋转速度对应的信号；存储器，其存储有参数的信息，其中，所述参数规定将输入到车辆的合计扭矩与车轮的旋转速度关联起来的传递函数以及逆传递函数；以及信号处理装置，其与存储器和马达驱动电路连接。信号处理装置进行如下处理：(0)接收从传感器输出的信号，决定车轮的旋转速度的检测值；(1)从存储器读出参数的信息，根据由参数规定的逆传递函数，由从车轮的旋转速度的检测值决定合计扭矩的估计值；(2)取得表示马达的动作状态的信息，根据信息来决定马达生成的马达扭矩的估计值；(3)根据从合计扭矩的估计值中减去马达扭矩的估计值而得到的值来决定人力扭矩的估计值；(4)根据人力扭矩的估计值来决定马达扭矩的指令值，将马达扭矩的指令值输入到马达驱动电路中；以及(5)以减小根据由参数规定的传递函数由任意的扭矩的值确定的车轮的旋转速度的估计值与车轮的旋转速度的检测值之间的误差的方式，更新存储器所存储的参数的信息中的至少一部分。

根据所公开的例示性实施方式，电动辅助车辆具有车轮和上述动力辅助装置。动力辅助装置的马达与车轮机械地连接。车轮利用操作者的人力扭矩和马达的马达扭矩来旋转。

根据所公开的例示性实施方式，信号处理模块具有：存储器，其存储有参数的信息，其中，所述参数规定将输入到具有马达和车轮的电动辅助车辆的合计扭矩与车轮的旋转速度关联起来的传递函数和逆传递函数；以及信号处理装置，其与存储器连接。在组装到电动辅助车辆时，信号处理装置与传感器和马达的驱动电路连接，该传感器输出与车轮的旋转速度对应的信号。信号处理装置进行如下处理：(0)接收从所述传感器输出的信号，决定车轮的旋转速度的检测值；(1)从存储器读出参数的信息，根据由参数规定的逆传递函数，由车轮的旋转速度的检测值决定合计扭矩的估计值；(2)从驱动电路取得表示马达的动作状态的信息，根据信息来决定马达生成的马达扭矩的估计值；(3)根据从合计扭矩的估计值中减去马达扭矩的估计值而得到的值来决定人力扭矩的估计值；(4)根据人力扭矩的估计值来决定马达扭矩的指令值，将马达扭矩的指令值输入到驱动电路中；以及(5)以减小根据由参数规定的传递函数由任意的扭矩的值确定的车轮的旋转速度的估计值与车轮的旋转速度的检测值之间的误差的方式，更新存储器所存储的参数的信息中的至少一部分。

根据所公开的例示性实施方式，提供一种动力辅助装置，其被用于使用车辆机构的系统参数来估计施加到电动辅助车辆的车辆机构的人力扭矩，根据估计出的所述人力扭矩计算马达的扭矩，并利用人力扭矩和马达的扭矩驱动电动辅助车辆，在未对电动辅助车辆施加有人力扭矩的时机，该动力辅助装置更新车辆机构的系统参数。

发明效果

根据本公开的例示性的实施方式，动力辅助装置或者信号处理模块识别规定车辆机构的模型的参数，逐次更新其值。因此，动力辅助装置或者信号处理模块能够考虑外部环境的变化来准确地计算辅助比例或者辅助量。并且，由于电动辅助车辆具有上述动力辅助装置，因此，车辆的操作者能够受到最佳的辅助。

附图说明

图1是示出本公开的例示性的实施方式的电动辅助自行车1的图。

图2是示出电动辅助自行车1所搭载的动力辅助装置100的详细硬件结构例的图。

图3是具有动力辅助装置100的电动辅助自行车的系统框线图。

图4是示出自行车机构的动态模型的图。

图5是示出微处理器20的动作的步骤的流程图。

图6是示出包含行驶负荷扭矩计算处理的处理过程的流程图。

图7是表现了动力辅助装置110的框线图。

图8是示出动力辅助装置110的微处理器20的动作的步骤的流程图。

图9是示出踏板16的位置(角度)与踏板扭矩之间的关系的图。

图10是本公开的其它例示性的实施方式的电动手推车2的侧视图。

图11是示出线性时不变系统的模型的图。

具体实施方式

下面，参照附图详细说明本公开的动力辅助装置以及具有动力辅助装置的车辆的实施方式。

(实施方式1)

图1示出本公开的非限定且例示性的实施方式的电动辅助自行车1。电动辅助自行车1是用马达来辅助人的自行车。

除了普通自行车所具备的部件以外，电动辅助自行车1还具有作为信号处理装置的微处理器20、马达30和电池40。普通自行车所具备的部件的一个例子是把手10、车架11、前轮12、后轮13、车座14、链条15、踏板16、曲柄17。后轮13经由链条15与马达30机械地连接。后轮13利用由踏板16施加的人力扭矩和由马达30施加的马达扭矩旋转。由此驱动电动辅助自行车1。另外，图1所示的电动辅助自行车1的结构是一个例子，还能够采用其它结构例。例如，电动辅助自行车1不限于经由链条15与马达30及后轮13机械地连接的方式。可以将马达30设置于前轮12并产生马达扭矩，从而直接驱动前轮12。

电池40例如可以是锂离子电池，镍氢电池等充电电池(二次电池)。

电动辅助自行车1利用包含上述的微处理器20和马达30的动力辅助装置，辅助踩踏踏板16的自行车操作者。下面，参照图2说明动力辅助装置的详细结构。

图2示出电动辅助自行车1所搭载的动力辅助装置100的详细硬件结构例。动力辅助装置100具有微处理器20、rom(read-onlymemory：只读存储器)21、ram(randomaccessmemory：随机存取存储器)22、马达驱动电路25、加速度传感器26、踏板角度传感器27和马达30。

微处理器20是统一控制动力辅助装置100的动作的半导体集成电路。微处理器20从各种传感器分别接收信号，利用各信号来控制马达30的驱动。例如，微处理器20接收霍尔传感器信号的数据，计算马达30的旋转速度。并且，微处理器20根据马达30的旋转速度，计算当前的前轮12或者后轮13的旋转速度ω。即，信号处理装置接收从传感器输出的信号，决定车轮的旋转速度的检测值。

在本实施方式中，假设马达的旋转速度与车轮的旋转速度之间具有给定的关系，或者，根据马达的旋转速度通过数值运算求出了车轮的旋转速度。例如，假设通过对马达的旋转速度乘以规定的系数，得到车轮的旋转速度ω。在多级变速的电动辅助自行车的情况下，准备与齿轮对应的系数，微处理器20对马达30的旋转速度乘以与当前选择的齿轮对应的系数。但是，直接测量车轮速度的车轮速度传感器可以设置于前轮12或者后轮13。在图3以后，为了简化说明，对利用了前轮12或者后轮13的旋转速度ω的电动辅助自行车1的系统进行模型化。

此外，微处理器20从马达驱动电路25接收马达电流信号。微处理器20根据马达电流信号，计算马达生成的马达扭矩的估计值。

微处理器20利用所取得的车轮的旋转速度ω、马达扭矩的估计值等，计算当前的人力扭矩的估计值。微处理器20决定与人力扭矩的估计值对应的马达扭矩，将用于产生该马达扭矩的指令值作为pwm(pulsewidthmodulation：脉宽调制)信号输入到马达驱动电路25中。此外，微处理器20利用各种传感器的检测值和计算出的估计值来更新规定电动辅助自行车1的系统的传递函数和逆传递函数的参数的信息。之后叙述微处理器20的更加详细的动作。

rom21是非易失性存储器，例如是eeprom(electricallyerasableprogrammableread-onlymemory：电可擦除可编程只读存储器)。rom21存储预先准备的计算机程序23a和参数的初始值23b。在动力辅助装置100开始动作时，计算机程序23a和参数的初始值23b被微处理器20读出。

ram22典型的是易失性存储装置。在开始动作时被微处理器20从rom21读出的计算机程序23a和参数的初始值23b被展开到ram22中。在图2中示意性示出了展开到ram22中的、所读出的计算机程序24a、以及通过本公开的处理从参数的初始值23b更新出的参数24b。计算机程序24a是用于执行在后述的图5、图6和说明书中作为微处理器20的处理进行了说明的处理的指令代码的集合。参数24b是规定后述的电动辅助自行车1的动态的传递函数和逆传递函数的信息。ram22还作为微处理器20的工作存储器发挥功能。

上述微处理器20、rom21和ram22被设置为独立的要素，但这是一个例子。例如，可以使用fpga(field-programmablegatearray：现场可编程门阵列)将微处理器20、rom21和ram22一体化。

在本实施方式中，还有时将微处理器20、rom21和ram22称作信号处理模块。信号处理模块例如能够安装在1个基板上。还考虑有信号处理模块的各种形式。例如，除了微处理器20、rom21和ram22以外，还可以具有马达驱动电路25。或者，微处理器20可以分为执行逐次最小二乘算法的功能要素和生成pwm信号的功能要素。执行逐次最小二乘算法的功能要素、rom21和ram22可以称作信号处理模块。另外，可以将生成pwm信号的功能要素和马达驱动电路25一体化而安装成智能功率模块。此外，该信号处理模块能够应用于如动力辅助服那样的人力辅助系统。即，信号处理模块不限于向车辆的应用。

后述的霍尔传感器30a～30c输出与马达30的旋转速度对应的模拟或者数字的霍尔传感器信号。霍尔传感器30a～30c输出模拟的霍尔传感器信号。这时，ad转换电路可以设置在微处理器20内部，或者，ad转换电路可以设置在微处理器20外部。ad转换电路接收模拟的霍尔传感器信号，例如通过规定的采样频率对霍尔传感器信号进行采样，对采样值进行量化，由此生成数字的电信号(霍尔传感器信号的数据)。或者，霍尔传感器30a～30c可以具有霍尔ic，使霍尔ic生成霍尔传感器信号的数据。在以下的实施方式中，假设霍尔传感器30a～30c具有霍尔ic，并使用霍尔ic来生成并输出霍尔传感器信号的数据。微处理器20接收从霍尔传感器30a～30c输出的霍尔传感器信号的数据。

马达驱动电路25包含输出三相交流电力的逆变器电路。马达驱动电路25根据从微处理器20接收到的pwm信号来生成u、v、w各相的电压，并将电力供给到马达30。

加速度传感器26例如是能够对自行车的行进方向和与该行进方向垂直的方向上的2个轴分别检测加速度的传感器。如后所述，微处理器20利用加速度传感器26的输出来取得路面的倾斜角的信息。也可以使用能够直接取得路面的倾斜角的传感器。无论由微处理器等通过运算来计算加速度的值、还是通过来自传感器的直接输出来取得加速度的值，在本公开中，都将输出用于取得路面的倾斜角的信号的传感器总括地称作倾斜角传感器。

踏板角度传感器27例如是公知的磁式旋转编码器。磁式旋转编码器通过形成有磁图案的旋转盘或者滚筒，将旋转的位置信息捕捉为周期性的磁场的变化。

马达30利用从马达驱动电路25供给的电力生成马达扭矩。在本实施方式中，假设马达30是三相同步马达，但这是一个例子。马达30能够采用三相感应马达以及其它任意种类的马达。另外，在马达30使用其它任意种类的马达的情况下，用于产生马达扭矩的指令值不限于pwm信号。马达30具有霍尔传感器30a～30c。霍尔传感器30a～30c输出与马达30的旋转速度对应的信号。

图3是示出具有动力辅助装置100的电动辅助自行车的系统框线图。动力辅助装置100的控制系统大致分为4个块a～d。块a表示自行车机构的动态。块b表示后述的无扭矩传感器技术。块c表示使用了逐次最小二乘算法的参数识别技术。块d表示马达30的人力扭矩辅助技术(也称作动力辅助技术)。表1表示在图3等中使用的符号的含义。

【表1】

τm：马达的输出扭矩τ^*m：马达的输出扭矩的估计值

τh：自行车操作者的踏板扭矩τ^*h：自行车操作者的踏板扭矩的估计值

τl：行驶负荷扭矩τ^*l：行驶负荷扭矩的估计值

j：自行车机构的惯性扭矩jn：自行车机构的惯性扭矩的额定值

d：自行车机构的粘性阻力系数dn：自行车机构的粘性阻力系数的额定值

id：马达电流的d轴成分iq：马达电流的q轴成分

n：极对数交链磁通

l：从d轴电感中减去q轴电感后的值

ω：车轮的旋转速度(行驶速度)

s：拉普拉斯运算符

应当留意标注有“*”的符号是指估计值。

下面，说明块a～d的详细内容。

a.自行车机构的动力

本发明人假设自行车机构的动力是线性系统，将其传递函数g(s)作为一次延迟的传递函数g(s)＝1/(js+d)进行了模型化。向传递函数g(s)的输入是将马达的输出扭矩τm、自行车操作者的人力扭矩(关于具有踏板的车辆，一般也称作“踏板扭矩”。)τh和在抵抗行驶的方向上进行作用的行驶负荷扭矩τl加起来所得的总扭矩τm+τh-τl。

传递函数g(s)的输出是车轮的旋转速度(行驶速度)ω。另外，如与图2关联地说明的那样，车轮的旋转速度(行驶速度)ω能够利用霍尔传感器信号，根据马达的旋转速度求出。

传递函数g(s)所包含的j和d是决定运动特性的因数参数。如表1所示，作为时间常数的参数j和d分别是自行车机构的惯性矩和粘性阻力系数。作为它们的初始值，例如能够设定由自行车的结构、重量、操作者的假定体重等确定的标准值。

例如在专利文献1中，参数j和d被处理为固定的值。但是，在本实施方式中，参数j和d可取变动值(jn和dn；n为整数)。其理由是，参数j可根据自行车操作者的体重或装载物的重量而发生变化，并且，参数d能够根据道路的状态或自行车机构的磨损/劣化程度、或者维护状态而发生变化。参数j和d的变动与被施加到自行车机构的总扭矩τm+τh-τl和车轮的旋转速度(行驶速度)ω之间的输入输出关系直接关联。因此，本发明人认为通过在参数j和d发生变动的前提下逐次更新参数j和d，能够更加准确地估计踏板扭矩τh。

如上所述，参数j和d根据自行车操作者的体重、搭载物的重量、行驶环境等而发生变化。即，认为具有随着时间经过而发生变化的特性。这里被模型化的自行车机构的动力是线性系统，但严格来说不是时不变系统，可以说具有时变系统的性质。

本实施方式中的微处理器20通过后述参数识别技术逐次更新jn和dn。其结果是，动力辅助装置100能够使jn·s+dn的特性、即自行车机构的动力的逆传递函数持续适合于其运转环境。并且，踏板扭矩τh的估计值追随实际的踏板扭矩。由此，微处理器20能够估计更准确的合计扭矩，从而能够减小以该合计扭矩为输入的传递函数的输出、即马达的旋转速度的估计值与马达的旋转速度的检测值之间的误差。因此，根据本实施方式，考虑参数j和d发生变化而使微处理器20逐次更新参数j和d。因此，与使参数j和d固定而设计有控制系统的现有自行车机构相比，本实施方式能够准确估计踏板扭矩τh。

b.无扭矩传感器技术

在块b中，使用各种输入进行多个运算处理，求出踏板扭矩估计值τ^*h。在多个运算处理中包含(b1)计算马达的输出扭矩估计值τ^*m的处理、(b2)计算合计扭矩估计值(τ^*m+τ^*h-τ^*l)的处理、(b3)计算行驶负荷扭矩估计值τl^*的处理、以及(b4)计算踏板扭矩估计值τ^*h的处理。

(b1)计算马达的输出扭矩估计值τ^*m的处理

在本实施方式中，使用向量控制技术来控制马达的旋转。

图3中的虚线框b内的左端的n(·)表示进行输入马达电流的d轴成分id和q轴成分iq并输出作为计算结果的马达的输出扭矩估计值τ^*m的处理。n(·)用计算式表现出马达的t-i(扭矩-电流)特性。即，n(·)是对扭矩计算处理进行了模型化的式。如表1所示，n(·)所包含的表示交链磁通，l表示从d轴电感中减去q轴电感后的值。

另外，马达并非必须使用上述向量控制技术。也可以通过向量控制技术以外的方法控制马达的旋转，在该情况下，能够进行基于该技术的马达的输出扭矩的估计。

(b2)计算合计扭矩估计值(τ^*m+τ^*h-τ^*l)的处理

图3中的虚线框b内的右端的(jn·s+dn)是使用公称参数jn和dn对在“a.自行车机构的动力”中提及的传递函数g(s)的逆传递函数进行了模型化后的式子。公称参数jn和dn是通过后述的“c.参数识别技术”的处理得到的值、即估计值。图3示出了将表示是估计值的j^*n和d^*n输入到(jn·s+dn)中。

(jn·s+dn)输入车轮的旋转速度ω，输出针对实际的应当被施加到自行车的总扭矩τm+τh-τl的估计值τ^*m+τ^*h-τ^*l。即，(jn·s+dn)相当于对实际的自行车机构的动力1/(js+d)进行逆运算。

(b3)计算行驶负荷扭矩估计值τ^*l的处理

一般而言，认为自行车机构中的行驶负荷扭矩τl主要根据以下所示的3个要素计算。

·伴随自行车的行驶而在大气与包含自行车操作者的自行车机构之间产生大气速度，由此产生的空气力阻力扭矩估计值τ^*l_a

·将伴随自行车在路面上的行驶而在自行车机构与路面之间产生的摩擦所产生的负荷阻力扭矩估计值与由于包含自行车操作者的自行车机构产生如下重力成分而产生的负荷阻力扭矩估计值加起来而得到的坡路阻力扭矩估计值τ^*l_g，其中，上述重力成分伴随自行车在具有坡度的路面上的行驶而作用于妨碍行进或者促进行进的方向。

下面，说明各个负荷阻力扭矩的计算方法。

(b3-1)空气力阻力扭矩

本发明人设置以下假定而对空气力阻力扭矩进行了模型化：

·在自行车正行驶时进行作用的空气力仅限定在包含自行车的行进方向和铅垂方向的二维平面内。

·空气力与行驶速度的平方成比例。

具体而言，空气力阻力扭矩用下述式1表示。

τ^*l_a＝c·|ω|·ω(式1)

在式1中，“c”是指空气力阻力扭矩系数。一般而言，该系数是以空气的密度、遮挡气流的面积、空气力中心位置与自行车机构的动力的力学中心位置之间的力矩臂等为说明变量的非线性函数。但是，本发明人假设了系数c是固定值。

(b3-2)坡路阻力扭矩

考虑自行车在具有倾斜的坡路上行驶的情况。坡度的倾斜角设为θ。此外，自行车操作者、装载物和自行车的总质量设为m，重力加速度设为g。施加到总质量的重力(铅垂向下)m·g能够分解为沿着坡路的方向的成分(m·g·sinθ)、以及与坡路垂直的方向的成分(m·g·cosθ)。其中，由于沿着坡路的方向的成分引起的扭矩(坡路阻力扭矩)τ^*l_g能够用下述式2表示。

τ^*l_g＝lg(m·g·sinθ+μ·m·g·cosθ)(式2)

这里，μ是摩擦系数。μ设定任意值，设为固定值。lg表示重心位置与自行车机构的动力的力学中心位置之间的力矩臂。包含自行车操作者的自行车机构的运动限定在包含自行车的行进方向和铅垂方向的二维平面内，并且限于重心位置不发生变化的情况，力矩臂lg能够认为是固定值。但是，实际上并不是二维平面内的运动，而是三维的运动。本发明人假设为二维平面内的运动，简化了模型。

如上所述，认为行驶负荷扭矩估计值τ^*l由空气力阻力扭矩和坡路阻力扭矩的2个要素构成。因此，行驶负荷扭矩估计值τ^*l根据下述式3计算。

τ^*l＝τ^*l_a+τ^*l_g(式3)

(b4)计算踏板扭矩估计值τ^*h的处理

通过上述处理(b2)，得到合计扭矩估计值(τ^*m+τ^*h-τ^*l)。而且，通过处理(b1)得到了马达的输出扭矩估计值τ^*m，通过处理(b3)还得到了行驶负荷扭矩估计值τ^*l。

因此，通过下述式4，计算踏板扭矩的估计值τ^*h。

τ^*h＝合计扭矩的估计值(τ^*m+τ^*h-τ^*l)

-马达的输出扭矩估计值τ^*m

+行驶负荷扭矩估计值τ^*l(式4)

在上述踏板扭矩估计值τ^*h中包含由于各种原因而产生的误差。具体而言，如下所述。

(i)马达的输出扭矩估计值τ^*m的计算误差

(ii)由于公称值jn和dn与实际的真值j和d不同而产生的总扭矩估计值τ^*m+τ^*h-τ^*l的计算误差

(iii)行驶负荷扭矩估计值τ^*l的计算误差

(iv)马达电流的d轴成分id与q轴成分iq的检测误差

(v)车轮的旋转速度ω的检测误差

针对上述各个误差进行应对，在剩下的误差原因仅为公称值jn和dn与实际的真值j和d的差异时，针对该误差原因的对策为下述c所示的“参数识别技术”。

c.使用了逐次最小二乘算法的参数识别技术

应用“参数识别技术”的目的是，在假想了实际的自行车的行驶的情况下，连通常的使用条件下，决定自行车机构的动力(传递函数：g(s)＝1/(js+d))的因数参数j和d都发生变动。能够通过“参数识别技术”识别该变动量，提高利用“无扭矩传感器技术”估计的踏板扭矩τ^*h的估计精度。

即，动作原理如下。

(i)使用逐次最小二乘算法来计算参数jn和dn，

(ii)使用作为计算结果得到的jn和dn，实时地逐次更新上述b所示的“无扭矩传感器技术”内的块jn·s+dn的特性，

(iii)使通过“无扭矩传感器技术”计算的自行车机构的动力的逆传递函数jn·s+dn与实际的自行车机构的“反”动力持续一致。而且，使踏板扭矩的估计值τ^*h与实际的踏板扭矩持续一致。

在图3的块c中，扭矩产生器决定输入到(1/j^*n·s+d^*n)和(1/j·s+d)的块中的扭矩值。扭矩产生器例如是能够决定运算所使用的扭矩值的运算电路。

下面，作为第1例，说明利用在块b中求出的合计扭矩的估计值的处理。然后，作为第2例，说明不利用合计扭矩的估计值而利用其它扭矩的值的处理。

(第1例)

在第1例中，扭矩产生器使用在块b中求出的合计扭矩的估计值(τ^*m+τ^*h-τ^*l)，作为输入到(1/j^*n·s+d^*n)和(1/j·s+d)的块中的扭矩值。

图4示出自行车机构的动力的模型。图中的“v”表示噪声。假设了噪声v以加法方式被施加有由合计扭矩估计值τ^*m+τ^*h-τ^*l的计算误差和作为输出的车轮的旋转速度ω的检测误差构成的噪声。即，严格来说，输出ω的检测误差与噪声v不相关，但通过使噪声v作用于包含误差的(j^*n·s+d^*n)，假设为与输出ω的检测误差一致。设置这样的假设在工学上没有问题。其理由是，噪声v不具有漂移噪声等性质。这是因为，在考虑噪声v具有白噪声的性质的情况时，该噪声v是通过“参数识别技术”的应用、即、最小二乘法的应用而从考虑的模型中去除的成分。本发明人基于噪声v不具有漂移噪声等性质而具有白噪声的性质的立场，采用本模型。

图4的模型的输入输出关系如下所示。

ω＝(1/j^*n·s+d^*n)·(τ^*m+τ^*h-τ^*l+v)(式5)

在对式5进行变形时，如下所示。

j^*n·s·ω＝τ^*m+τ^*h-τ^*l-d^*n·ω+v(式6)

在基于“s”是微分要素而对式6进行变形时，得到常微分方程式的式7。

j^*n·ω·＝τ^*m+τ^*h-τ^*l-d^*n·ω+v(式7)

另外，“ω·”表示旋转速度(角速度)ω的微分、即角加速度。使用以下所示的式8～式10和v＝vt的关系，将作为常微分方程式的形式的式7置换为作为差分方程式的形式的式11。

ω＝ωt…(式9)

其中，δt表示采样间隔。

在整理式11时，得到式12。

这里，式12中的a、b和rt如下所示。

如果重新表现上述式12，则得到式16。

这里，式16与式12中的各符号的对应关系如下所示。

yt＝ωt…(式17)

通过将以上的式16～式19应用到例如作为基本算法的下述式(a-1)～(a-4)，能够将“参数识别技术”应用于“无扭矩传感器技术”。另外，关于导出下述式(a-1)～(a-4)的过程，在实施方式之后，记述为“逐次最小二乘算法的导出过程”。

逐次最小二乘法算法

本发明人认为以下所示的顺序能够最有效地进行计算。但是，不限于以下所示的顺序。另外，采样时刻k的基数是1。

在上述逐次最小二乘法算法中，需要2个初始值θ^0和p0(关于p0，全部要素不是零即可。关于全部要素为0的p0，针对参数的逐次修正动作不发挥功能)。之后叙述初始值的设计准则。

根据上述式(a-1)～(a-4)可知，为了导出当前的参数，保持前1个的值(pk-1、θ^k-1)即可。即，能够抑制在微处理器20进行运算时使用的ram22的存储区域。

在上述式中，θ^k包含确定系统的参数a和b(参照式19)，并且，参数a和b包含自行车机构的惯性矩的估计值j^*n和粘性阻力系数的估计值d^*n(参照式13和式14)。因此，通过逐次计算求出θ^k，由此能够如下所述得到估计值j^*n和d^*n。另外，设为θ^k＝[akbk]^-1。

j^*n＝(-1)·δt·ak/bk(a-5)

d^*n＝(ak+1)/bk(a-6)

通过上述处理，能够更新参数估计值j^*n和d^*n。通过重复上述处理，能够减小根据由这些参数规定的传递函数来由合计扭矩估计值τ^*m+τ^*h-τ^*l确定的马达的旋转速度的估计值与马达的旋转速度的检测值之间的误差。

另外，作为逐次最小二乘法的变形，可以利用“辅助变量法”、“忘却法”以及“将两者组合后的方法”。这些是众所周知的，因此，省略它们的导出步骤。另外，“忘却法”不是以抵消最小二乘法具有的偏置误差为目的的方法。但是，在作为识别对象的线性系统实际上不是时不变的线性系统而是时变的线性系统的情况下，是特别有效的方法。因此，可以说组合了“辅助变量法”和“忘却法”后的方法也是有效的方法。

接着，示出“参数识别技术”的算法所需的2个初始值θ^0和p0的设计准则。

初始值θ^0的设计准则

作为“参数识别技术”的输出的θ^k、或者作为其初始值的θ^0的物理含义被表示为式13和式14，3个设计因数j^*n、d^*n和δt是能够估计作为初始值的妥当值的量。

初始值p0的设计准则

pk的物理含义被表示为之后说明的“逐次最小二乘算法的导出过程”中的(13)式。此外，设作为逆矩阵的pk的初始值为p0。如在“逐次最小二乘算法的导出过程”的(28)式的后续的文字中所述，初始值p0、或者pk的值的大小的功能作用是针对θ^k的修正增益。因此，在定性上，具有大的值的pk的逐次修正动作迅速，具有修正量变大的倾向，相反具有小的值的pk的逐次修正动作缓慢，具有修正量变小的倾向。

在考虑了电动辅助自行车的通常使用条件的情况下，认为只要适当地设定初始值θ＾0，则无需利用修正增益pk进行较大修正。因此，认为优选设为具有小的值的p0。通过模拟等纸上验证进行设定，通过实机测试检查妥当性。另外，除此以外，还考虑以下的2个方面：关于全部要素为0的p0，针对参数的逐次修正动作不发挥功能；由于具有反馈结构，因此涉及估计结果θ^k根据修正增益的大小的不同而发生振荡的现象。

(第2例)

接着，说明图3的块c中的扭矩产生器采用其它扭矩作为输入到(1/j^*n·s+d^*n)和(1/j·s+d)的块中的扭矩的例子。这里，其它扭矩意味着不是在块b中求出并估计出的合计扭矩。

扭矩产生器例如能够利用下述中的任意一个扭矩的值，作为向上述各块的输入。

(1)估计值(τ^*m-τ^*l)

(2)指令值τm

(3)规定的τ(＝规定的τm-假想的τl)

均假想在未产生人力扭矩(踏板扭矩)τh的状况下进行参数识别。

上述(1)相当于无需考虑踏板扭矩的状况。例如，自行车操作者踩踏踏板，在动力辅助发挥功能时，自行车操作者在某个定时突然停止踩踏。这时，踏板不运动(不具有踏板扭矩)而成为自己行驶的状态，无需考虑踏板扭矩。“自己行驶”是指电动辅助自行车1仅以马达的驱动力正在行驶。扭矩产生器设定估计值(τ^*m-τ^*l)，作为向(1/j^*n·s+d^*n)和(1/j·s+d)的块的输入。微处理器20使用估计值(τ^*m-τ^*l)进行参数识别。

上述(2)的例子假设了在能够视作未产生行驶负荷的状况下进行参数识别的状况。例如，假设在平坦且无风的道路上，以能够忽视负荷阻力扭矩(空气力阻力扭矩和坡路阻力扭矩(包含摩擦力扭矩))的速度使自行车操作者不踩踏踏板而使电动辅助自行车1自己行驶的状况。微处理器20在该状况下求出参数j*n和d*n。

上述(3)的例子假设了在未进行动力辅助的状况下成为了自己行驶状态时进行参数识别。例如，假设具有如下功能：电动辅助自行车1具有电动节气门，并仅通过电动节气门的操作自己行驶。在自行车操作者不踩踏踏板而通过电动节气门的操作使电动辅助自行车1行驶时，利用电动节气门的开度调整马达扭矩。即，产生与电动节气门的开度对应的规定的马达扭矩τm。微处理器20使用规定的马达扭矩τm和假想的行驶负荷扭矩τl进行参数识别。作为其它例子，在如电动行李车等那样具有电动节气门或者以该电动节气门为基准的驱动力操作机构的情况下，也能够应用上述(3)的例子。

另外，在图3中，块a中的自行车机构的动力的现实模型(1/j·s+d)与图3的块c中的估计模型(1/j^*n·s+d^*n)对应。在本实施方式中，自行车机构不具有扭矩传感器，由此，无法确定输入到现实模型(1/j·s+d)中的输入扭矩。因此，由扭矩产生器决定的扭矩被用于替代输入到(1/j·s+d)中的现实扭矩。

根据上述(1)～(3)的例子可以理解，向(1/j·s+d)和(1/j^*n·s+d^*n)的输入可以是估计值，也可以是现实的指令值，还可以是预先确定的值。在本说明书中，将它们统称作“规定的值”。根据上述式5～7和式10可知，即使将合计扭矩的估计值(τ^*m+τ^*h-τ^*l)置换为其它扭矩的值，式5～19和式(a-1)～(a-6)也全部成立。即，能够利用由扭矩产生器决定的任意扭矩逐次更新参数j^*n和d^*n。

在上述(1)～(3)中，在未产生人力扭矩(踏板扭矩)τh的状况下，进行参数识别。可以说排除了人力扭矩的影响的参数(特别地，如(2)那样在还排除了行驶负荷扭矩的影响的状况下识别出的参数)的可靠度或者精度较高。在求出这种高精度的参数之后，在坏道路等中行驶并更新参数时，相反，可能求出低精度的参数。因此，作为一例，可以在微处理器20判断为与上述(1)～(3)所代表的状况对应的情况下，更新参数。

d.动力辅助技术

微处理器20根据通过上述的“b.无扭矩传感器技术”而求出的人力扭矩估计值τ^*h，来决定马达30的驱动力(也称作“辅助量”。)。

例如，可以将人力扭矩的估计值τ^*h与对应于辅助量的马达扭矩τm之间的关系预先规定为函数τm＝f(τ^*h),也可以将人力扭矩的估计值τ^*h与马达扭矩τm之间的关系保持在表中。

并且，也可以考虑除了人力扭矩的估计值τ^*h以外的条件。例如，除了人力扭矩的估计值τ^*h以外，也可以准备还考虑了行驶速度的检测值ω的函数或者表。另外，在人力扭矩的估计值τ^*h未记述在表中的情况下，例如，可以从表中提取计算出的人力扭矩的估计值τ^*h的前后最近的2个扭矩值，并且，提取与它们的扭矩值对应的马达扭矩τm值，使用内插插值法来计算马达扭矩τm。

图5是示出微处理器20的动作步骤的流程图。步骤s103～s107对应于上述“b.无扭矩传感器技术”。步骤s108和s109对应于“d.动力辅助技术”，步骤s110对应于“c.参数识别技术”。

在步骤s101中，微处理器20接收从霍尔传感器30a～30c输出的霍尔传感器信号。此外，微处理器20从马达驱动电路25接收马达电流信号。

在步骤s102中，微处理器20根据霍尔传感器信号计算马达的旋转速度，例如乘以规定的系数，由此，取得车轮的旋转速度的检测值ω。

在步骤s103中，微处理器20从ram22读出规定逆传递函数的参数(jn、dn)。规定初始值的参数23b依照上述设计准则设定即可。此外，在执行一次后述步骤s110之后，微处理器20从ram22读出所更新的最新的参数(jn、dn)。

在步骤s104中，微处理器20根据逆传递函数，由车轮的旋转速度的检测值ω计算合计扭矩的估计值(τ^*m+τ^*h-τ^*l)。

在步骤s105中，微处理器20根据马达电流信号来计算马达生成的马达扭矩的估计值τ^*m。

在步骤s106中，微处理器20从合计扭矩的估计值中减去马达扭矩的估计值，计算人力扭矩对应值。

在步骤s107中，微处理器20根据人力扭矩对应值，计算人力扭矩的估计值τ^*h。该处理的一例是从人力扭矩对应值中减去行驶负荷扭矩τ^*l。之后参照图6，叙述该处理的详细内容。

另外，在不考虑行驶负荷扭矩τ^*l的情况下，并不是特别需要该处理，可以直接将人力扭矩对应值处理为人力扭矩的估计值τ^*h。但是，通过在运算处理上进行某些转换等，不直接使用人力扭矩对应值的处理是步骤s107的范畴。

在步骤s108中，微处理器20根据人力扭矩的估计值τ^*h来计算马达扭矩的指令值。微处理器20例如具有将人力扭矩的估计值τ^*h与马达扭矩的指令值对应起来的表(未图示)。能够根据得到的人力扭矩的估计值τ^*h，参照表，确定马达扭矩的指令值。

在步骤s109中，微处理器20将马达扭矩的指令值作为pwm信号输入到马达驱动电路中。

在步骤s110中，微处理器20以减小根据传递函数由合计扭矩的估计值确定的车轮的旋转速度的估计值与检测值之间的误差的方式，更新规定传递函数/逆传递函数的参数的信息中的至少一部分。具体而言，步骤s110的处理意味着，微处理器20执行上述式(a-1)至式(a-4)、或者式(a-5)和式(a-6)。微处理器20将根据处理结果得到的参数作为新的参数(jn、dn)存储到ram22中。

另外，在图5中，在无扭矩传感器技术(b)、动力辅助技术(d)的步骤之后执行参数识别技术(c)的步骤，但本公开不限于该顺序。例如，也可以在参数识别技术(c)的步骤之后，进行无扭矩传感器技术(b)和动力辅助技术(d)的步骤。

图6是示出包含作为图5的步骤s107的一例的行驶负荷扭矩计算处理的处理步骤的流程图。如上所述，为了更准确地求出人力扭矩的估计值τ^*h，更优选考虑行驶负荷扭矩。图6的步骤s201至204是计算行驶负荷扭矩的处理。

在步骤s201中，如式1所示，微处理器20根据自行车的车轮的旋转速度ω，计算空气力阻力扭矩τ^*l_a。

在步骤s202中，微处理器20根据加速度传感器，计算自行车的坡度角(＝坡路的倾斜角)θ。

在步骤s203中，微处理器20根据坡路的倾斜角θ，计算坡路阻力扭矩τ^*l_g。如上所述，坡路阻力扭矩τ^*l_g是将由于摩擦而产生的负荷阻力扭矩估计值与由于产生重力成分而引起的负荷阻力扭矩估计值加起来所得的值。

在步骤s204中，微处理器20对空气力阻力扭矩τ^*l_a与坡路阻力扭矩τ^*l_g相加，计算行驶负荷扭矩τ^*l。

在步骤s205中，微处理器20对人力扭矩对应值(τ^*h-τ^*l)加上行驶负荷扭矩τ^*l，计算人力扭矩的估计值τ^*h。

另外，能够省略步骤s204。微处理器20可以从人力扭矩对应值中减去空气力阻力扭矩τ^*l_a和坡路阻力扭矩τ^*l_g，计算人力扭矩的估计值τ^*h。

在执行一次上述图5和图6的处理时，更新一次传递函数和逆传递函数的参数。

(实施方式2)

图7是表现了作为本实施方式的动态系统的动力辅助装置110的框线图。

动力辅助装置110与动力辅助装置100(图3)的不同之处在于执行参数识别技术的时机。在图7中，相当于被虚线的框包围的“c’”。具体而言，动力辅助装置110的微处理器仅在针对踏板扭矩的估计值τ^*h被视为零时执行参数识别技术c’，求出j^*n和d^*n的估计值。另外，在与图3的块c进行对比时，在图7的块c’中不存在扭矩产生器。但是，上述的估计值τ^*h被视作零时与在实施方式1中所说明的参数识别技术c中的第2例的(1)相同。因此，与设置扭矩产生器并利用估计值(τ^*m-τ^*l)来更新jn和dn实质上相同。

踏板扭矩的估计值τ^*h是作为累积各种估计计算后的结果得到的值。因此，可以说是图2所示的估计值中可靠度最低的值。因此，如果能够在不利用踏板扭矩的估计值τ^*h的情况下求出参数jn和dn，则能够提高其可靠性。

本发明人进行在踏板扭矩的估计值τ^*h被视作零的时刻求出参数jn和dn的处理，求出更高精度的参数jn和dn。下面，具体地进行说明。作为硬件的结构如图2所示。因此，下面，说明本实施方式中的动作，作为微处理器20的处理。

图8是示出动力辅助装置110的微处理器20的动作步骤的流程图。图8与图5的不同之处在于步骤s301和s302。

在步骤s301中，微处理器20从踏板角度传感器27接收踏板旋转角信号，该踏板旋转角信号是表示踏板16(图1)的旋转角的信号。如果本实施方式的踏板角度传感器27能够至少输出可确定踏板16的位置为上止点或者下止点或者它们附近的信号(例如角度信号)，则其结构是任意的。该角度信号与踏板16位于上止点或者下止点或者它们附近的时机同步地例如为高即可。在本说明书中，有时将这样的时机表现为“角度信号表示踏板的上止点或者下止点的角度时”。

作为踏板角度传感器27，例如，能够使用公知的磁式旋转编码器。磁式旋转编码器通过形成有磁图案的旋转盘或者滚筒，将旋转的位置信息捕捉为周期性的磁场的变化。作为踏板的旋转的位置信息，能够确定上止点和下止点。或者，踏板角度传感器27可以使用磁铁等来检测踏板16通过了特定的位置(角度)并输出高的信号，除此以外时，输出低的信号。

在步骤s302中，规定了进行执行参数识别技术的步骤s110的条件。具体而言，微处理器20根据踏板旋转角信号，判定踏板16当前是否位于上止点或者下止点的附近。如果踏板16位于上止点或者下止点的附近，则处理进入步骤s110，如果不是这样，则结束处理。

踏板16位于上止点、下止点或者它们中的任意一个的附近是指，在该时刻施加到踏板16的自行车操作者的人力扭矩实质上为零。即，在该时机，能够将针对踏板扭矩的估计值τ^*h视作零。本发明人进行与踏板16到达了上止点、下止点或者它们中的任意一个的附近的时机同步地执行图5和图6所示的处理而进行更新参数jn和dn的处理，从而提高运算的精度。

踏板16通过上止点和下止点的期间对自行车操作者来说是一瞬间。但是，微处理器20能够按照每个几百微秒执行图5和图6所示的处理。因此，微处理器20能够在通过上止点和下止点的期间内充分执行处理。因此，微处理器20能够在踏板16到达了上止点和下止点的时机更新参数jn和dn。根据本实施方式的处理，脚踏曲轴每旋转1周，更新2次参数jn和dn。与实施方式1的处理进行比较时，更新频率大幅下降。但是，认为如果踏板曲轴旋转半轴更新1次参数jn和dn，则能够在实际使用上足够迅速地追随行驶环境的变化。

图9示出踏板16的位置(角度)与踏板扭矩之间的关系。时刻t1、t2和t3分别是所图示的眼前的踏板16的下止点、上止点和下止点。关于所图示的内侧的踏板，相反地，时刻t1、t2和t3分别是上止点、下止点和上止点。根据曲线图可知，时刻t1、t2和t3的踏板扭矩最小，大致为0。在时刻t1、t2和t3处，或者在它们中的任意的1个时刻或者2个时刻处，微处理器20执行图8的步骤s110，求出参数jn和dn。无需设可靠性最低的踏板扭矩的估计值τ^*h为参数识别技术的输入信号，因此，能够预料到系统整体的可靠性的提高。

图10示出本公开其它例示性的实施方式的电动手推车2的侧面。电动手推车2也称作电动平板车。与电动辅助自行车1同样，在电动手推车2中具备把手(把手)10、微处理器20、马达30和电池40。此外，电动手推车2具有4个车轮。马达30与2个后轮13机械地连接。

在电动手推车2的把手(把手)10上设置有检测是否对把手施加有人力的检测器50。检测器50例如可以是在施加固定压力时进行动作的触点检测式的压力开关，也可以是静电电容式/失真检测式的隔膜计(压力传感器)。或者，也可以是使用了压电元件的传感器。在检测器50检测人力时，微处理器20驱动马达30。由此，电动手推车2利用经由把手输入的人力和马达30的驱动力进行移动。

经由把手输入的人力的扭矩对应于实施方式1和2中的电动辅助自行车1的人力扭矩(踏板扭矩)。因此，如果将实施方式1和2的动作中的人力扭矩(踏板扭矩)置换为经由把手输入的人力的扭矩，则与实施方式1和2相关的说明也能够应用于电动手推车2。但是，在应用上述实施方式2中的图8的处理的情况下，可以如下述那样变更参数jn和dn的更新时机。在实施方式2中，在踏板16位于上止点或者下止点的附近时，将踏板扭矩的估计值τ^*h视作零，更新了参数jn和dn。在电动手推车2中，在检测器50未检测出人力时，人力扭矩为零。因此，在执行图8的处理时，在检测器50未检测出人力时，图10的电动手推车2的微处理器20执行步骤s110即可。

除了上述的电动手推车2以外，上述实施方式1和2还能够应用于用马达辅助轮椅乘客或者轮椅看护者的电动辅助轮椅。

在上述实施方式中，例示性地说明了不具有扭矩传感器的电动辅助车辆。但是，本公开还能够应用于具有扭矩传感器的电动辅助车辆。即，如果是利用基于人力的驱动力和基于马达的驱动力进行移动的电动辅助车辆，则无论有无扭矩传感器，都能够应用本公开。

例如，假设微处理器20从扭矩传感器接收到与人力扭矩对应的扭矩检测信号。微处理器20进行根据扭矩检测信号来决定马达扭矩的指令值并将马达扭矩的指令值输入到马达驱动电路中的处理(称作“处理a”。)。而且，在由于扭矩传感器的故障等无法得到扭矩检测信号时，微处理器20可以执行上述人力扭矩估计处理(称作“处理b”。)，计算人力扭矩。即，微处理器20能够选择性地执行处理a和处理b中的一方。或者，微处理器20可以执行处理a和处理b的双方。例如，微处理器20可以利用处理b的估计结果，验证处理a的结果。也可以是，如果误差落入预先确定的范围内，则处理a的估计结果正确，在超过了该范围的情况下，再次执行相同的处理。这是因为，可以说在与后者对应的情况下，处理a的估计结果有可能不正确。

或者，微处理器20可以依照预先确定的时间条件，执行上述处理b。时间条件的例子例如是电动辅助自行车初次起动时。可以在初次起动时等进行人力扭矩估计，对扭矩传感器的输出值施加偏置，使得扭矩传感器的输出值与人力扭矩的估计结果匹配。由此，能够吸收扭矩传感器的个体差。时间条件的其它例子是例如经过1年等固定时间时。在来自扭矩传感器的输出值与人力扭矩的估计结果具有规定值以上的差的情况下，可以向自行车操作者警告扭矩传感器的检修或者故障。

作为其它例子，也可以将本公开应用于替代扭矩传感器而具有脚踏频率传感器并利用脚踏频率传感器的输出、用马达辅助自行车操作者的电动辅助自行车。作为又一其它例子，还能够将本公开应用于同时具有施加输入的踏板和电动节气门的电动辅助自行车。自行车操作者踩踏踏板时使电动节气门的操作有效、进行基于马达的辅助的电动辅助自行车通过本公开的上述处理估计人力扭矩、且进一步考虑电动节气门的开度的信息来决定马达的驱动力即可。例如，可以通过本公开的上述处理，决定与所估计的人力扭矩对应的马达的驱动力，并且根据电动节气门的开度追加马达的驱动力。

综上所述，本公开的例示性的实施方式被用于具有车轮12、13并利用人力进行驱动的车辆1的动力辅助装置100。动力辅助装置100具有马达30、马达驱动电路25、输出与车轮12、13的旋转速度对应的信号的传感器30a～30c、存储器22和信号处理装置20。马达30生成马达扭矩。马达驱动电路25向马达供给电力。存储器22存储规定将输入到车辆1的合计扭矩与车轮12、13的旋转速度关联起来的传递函数和逆传递函数的参数24b的信息。信号处理装置20与存储器22和马达驱动电路25连接。

这里，信号处理装置20接收从传感器30a～30c输出的信号，决定车轮12、13的旋转速度的检测值。此外，信号处理装置20从存储器22读出参数24b的信息。信号处理装置20根据由参数24b规定的逆传递函数，由车轮12、13的旋转速度的检测值决定合计扭矩的估计值。并且，信号处理装置20取得表示马达30的动作状态的信息，根据该信息来决定马达30生成的马达扭矩的估计值。信号处理装置20根据从合计扭矩的估计值中减去马达扭矩的估计值所得的值，来决定人力扭矩的估计值。信号处理装置20根据人力扭矩的估计值，来决定马达扭矩的指令值。此外，信号处理装置20将马达扭矩的指令值输入到马达驱动电路25中。信号处理装置20以减小根据由参数24b规定的传递函数由任意的扭矩的值确定的车轮12、13的旋转速度的估计值与车轮12、13的旋转速度的检测值之间的误差的方式，更新存储器22所存储的参数24b的信息中的至少一部分。

此外，在本公开的例示性的实施方式中，动力辅助装置100能够设任意的扭矩的值为合计扭矩的估计值。通过设为该结构，能够针对由扭矩产生器决定的任意的扭矩，决定辅助的马达扭矩的值。

此外，在本公开的例示性的实施方式中，动力辅助装置100使用逐次最小二乘算法。信号处理装置20通过逐次最小二乘算法，使车轮12，13的旋转速度的估计值与车轮12、13的旋转速度的检测值之间的误差最小，更新存储器22所存储的参数24b的信息的至少一部分。通过设为该结构，信号处理装置20能够识别发生变动的参数，从而提高踏板扭矩的估计精度。

在本公开的例示性的实施方式中，由参数24b规定的传递函数是线性一次延迟系统的传递函数。通过设为该结构，能够使动力辅助装置100成为适于自行车机构的装置。

在本公开的例示性的实施方式中，线性一次延迟系统的传递函数的时间常数根据惯性矩和粘性阻力系数来决定。通过设为该结构，动力辅助装置100能够设为考虑了作为自行车机构具有的运动特性的参数的惯性矩和粘性阻力系数的装置。

在本公开的例示性的实施方式中，信号处理装置20进行在实质上未施加有人力扭矩时更新存储器22所存储的参数24b的信息中的至少一部分的处理。人力扭矩越是接近零的值，越优选实质上未施加有人力扭矩。通过设为该结构，能够提高参数24b的运算的精度。

在本公开的例示性的实施方式中，车辆1具有踏板，利用经由踏板输入的人力进行驱动。动力辅助装置100还具有踏板角度传感器，该踏板角度传感器输出与踏板的角度对应的角度信号。信号处理装置20进行如下处理：在从踏板角度传感器输出的角度信号表示踏板的上止点或者下止点的角度时，或者根据从踏板角度传感器输出的角度信号而未产生人力扭矩时，更新存储器22所存储的参数24b的信息中的至少一部分。人力扭矩越是接近零的值，越优选不产生人力扭矩。通过设为该结构，在自行车机构取得参数的情况下，能够更高精度地运算参数。

在本公开的例示性的实施方式中，也可以，车辆具有把手，利用经由把手输入的输入进行驱动。动力辅助装置还具有检测器，该检测器检测是否对把手施加了人力。信号处理装置进行在所述检测器检测出未对把手施加有人力时更新存储器22所存储的参数24b的信息中的至少一部分的处理。通过设为该结构，动力辅助装置能够设为更加适于电动手推车2的装置。

在本公开的例示性的实施方式中，动力辅助装置还具有倾斜角传感器，该倾斜角传感器输出与加速度或者路面的倾斜角对应的信号。信号处理装置在进行人力扭矩的估计值的运算处理之前，根据从倾斜角传感器输出的信号来决定路面的倾斜角的估计值，根据倾斜角的估计值估计坡路阻力扭矩，此外，在该处理之后，信号处理装置估计与车轮的旋转速度的检测值的平方成比例的空气力阻力扭矩。信号处理装置在人力扭矩的估计的运算处理中，可以根据从合计扭矩的估计值中减去马达扭矩的估计值且加上坡路阻力扭矩和所述空气力阻力扭矩所得的值，来决定人力扭矩的估计值。通过设为该结构，动力辅助装置能够更加考虑行驶中的负荷来决定对人力扭矩进行辅助的力。

在本公开的例示性的实施方式中，倾斜角传感器能够设为加速度传感器。信号处理装置执行通过在规定的时间区间的范围内对从所述加速度传感器输出的信号进行积分来估计坡路阻力扭矩的处理。通过设为该结构，信号处理装置通过使用加速度传感器，能够更高精度地估计路面的倾斜角。

在本公开的例示性的实施方式中，动力辅助装置还具有扭矩传感器，该扭矩传感器输出与人力扭矩对应的扭矩检测信号，信号处理装置执行根据扭矩检测信号来决定马达扭矩的指令值并将马达扭矩的指令值输入到马达驱动电路中的处理。在本公开的例示性的实施方式中，动力辅助装置还能够应用于具有扭矩传感器的车辆或者动力辅助服。这时，信号处理装置可以在未由扭矩传感器获得扭矩检测信号时，根据人力扭矩的估计值来决定马达扭矩的指令值，将马达扭矩的指令值输入到马达驱动电路中。通过设为该结构，即使在由于某些影响而使扭矩传感器产生了异常的情况下，动力辅助装置也能够估计人力扭矩。即，能够使动力辅助装置为冗余的设计。此外，信号处理装置可以依照预先确定的时间条件，根据人力扭矩的估计值来决定马达扭矩的指令值，将马达扭矩的指令值输入到马达驱动电路中。由此，能够吸收扭矩传感器的个体差。

在本公开的例示性的实施方式中，马达驱动电路输出表示在所述马达中流过的电流的大小的信号。信号处理装置可以在决定马达扭矩的估计值的处理中，取得表示在马达中流过的电流的大小的信号，作为表示马达的动作状态的信息。

在本公开的例示性的实施方式中，也可以，动力辅助装置被用于使用车辆机构或者关节机构的系统参数来估计施加到电动辅助车辆的车辆机构或者动力辅助服的关节机构的人力扭矩，根据估计出的人力扭矩计算马达的扭矩，利用人力扭矩和马达的扭矩驱动电动辅助车辆。这里，动力辅助装置在未对电动辅助车辆或者动力辅助服施加有人力扭矩的时机，更新所述车辆机构的系统参数。这里，未对电动辅助车辆或者动力辅助服施加有人力扭矩的时机是未产生人力扭矩的时机即可，人力扭矩优选接近于零。

(逐次最小二乘算法的导出过程)

以下说明在上述实施方式中提及的逐次最小二乘算法的导出例。另外，式的编号与实施方式1区分地记述为“(1)”、“(2)”，在说明中记述为(1)式等。

图11示出线性时不变系统的模型。在假设线性时不变系统所示的系统的次数n已知时，一般而言，其输入输出关系能够用如下述式所示的差分方程式表现。

在上式中，在留意xt表示施加噪声vt之前的输出的基础上，xt和ut分别表示向系统的输出信号和输入信号，下标t表示时刻t处的采样。此外，ai和bi(i＝1，2，……，n)表示应识别的系统参数。此外，vt设为与输入信号ut不相关且平均值为零的白噪声。

因此，根据这些假定，图11中的yt能够如下所示地表示。

yt＝xt+vt…(2)

另外，(2)式是以对噪声进行相加为前提的噪声模型。在实践的场面中，在判定为其它噪声模型适当的情况下，需要再看之后的定式化。首先，如果将(2)式代入(1)式中，则得到以下的式。

其中，rt如下所示地记述。

在(4)式中，能够将白噪声vt解释为作为识别对象的线性系统所包含的噪声。并且，为了简化数学式表达，导入对观测出的时间序列信号进行向量化(2n×1)后的观测向量zt、以及对应识别的系统模型参数进行向量化(2n×1)后的参数向量θ这2个变量。

在使用(5)式和(6)式重新表现(3)式时，得到以下的式。

系统的识别是指，在(7)式中求出能够最妥当地说明作为观测结果得到的yt和zt的θ。从该“最妥当”方面的一个看法是称为最小二乘法的看法，总而言之，求出使得用(7)式表现的直线与观测结果之间的距离(误差)的平方之和、即、误差的平方和j最小的θ。

如果使用(7)，则误差的平方和j能够如下所述地表现。

另外，这里的k表示当前时刻，时刻的基数是1。使该误差的平方和j最小的充分必要条件如下所示。

如果将(8)式代入(9)式中进行若干的约简，则进一步得到以下的式。

目前，由于想求出的是θ，因此，只要求解θ的(10)式即可。如果为了强调θ是被识别出的估计值，重新表现为θ^(在式中，“θ”的正上方加上帽子“＾”)，则能够如下式所示得到θ^。

另外，为了使(11)式在数学上成立，需要证明逆矩阵的存在，但在实际应用上，不存在逆矩阵的情况较少，因此，这里，省略与逆矩阵的存在相关的数学的证明。

当前，对(11)式的θ^标注k的下标，明确表示θ＾是k的函数。

接着，如下所示设置(12)式中的逆矩阵。

因此，如果将(13)式代入(12)式中，则得到以下的式。

此处的目的是将(14)式重新表现为能够逐次计算的形式。为了实现该目的，对(14)式稍微进行变形，成为(15)式的形式。

这里，针对(15)式的右边的括号内第1项，根据(14)式，基于以下的步骤1和步骤2的过程，能够转换为(16)式的表现。

步骤1：在(14)式的两边，从左起乘以(pk)^-1。

步骤2：将(16)式的k置换为k-1。

如果将(17)式代入(15)式中，则得到以下的式。

因此，在外观上看，将(12)式转换为了能够逐次计算的递归形式的(18)式。但是，计算(逆矩阵的)逆矩阵(pk-1)^-1的处理的负荷较高，因此，通过以下的步骤1至步骤5的过程，从计算中排除逆矩阵(pk-1)^-1。

步骤1：采用(13)式的两边的逆矩阵。

步骤2：对(19)式进行变形。

步骤3：如能够从(19)式类推那样，(20)式的右边第1项与(pk-1)^-1等价。

步骤4：因此，(20)式能够如(21)式那样表现。

步骤5：对(21)式的左右的边的项进行移项。由此，如(22)式所示，得到针对逆矩阵(pk-1)^-1的递推形式。

如果将(22)式代入(18)式中，则得到以下的式。

如果对(23)式进行约简，则最终得到(24)式。

(24)式成为应求出的逐次估计算法的基本式。为了对逐次估计算法自下定论，具有应附加给(24)式的、用于不必逐个计算逆矩阵pk的补充公式。在提及它们之前，以下对(24)式的物理含义进行说明。(24)式中的zk^tθ＾k-1是指如下主张(估计值)：如果在前次的采样时刻k-1处，基于作为识别系统后的结果的θ＾k-1，则当前的采样时刻k处的输出yk理应如此。这是因为，如果暂时无视噪声rk，则zk^tθ＾k-1清楚地指示当前的采样时刻k处的yk。目前，作为识别对象的系统利用(7)式表示，但设当前的采样时刻为k，如下所示再次记述(7)式。

实际上如(25)式所示，zk^tθ＾k-1(在时不变系统的情况下)以所无视的噪声rk的量包含误差。为了更加明确该量是表示从前次的采样时刻k-1起观察到的当前的采样时刻k的估计值，如下所示进行记述。

如果使用(26)式，则(24)式的右边第2项的括号内如下所示。

估计结果y＾k表示能够以何种程度说明本次观测出的输出信号yk、即、估计结果的误差。如果将该估计误差表示为εk，则进一步得到以下的式。

这里，在观察(24)式时，当前的采样时刻k处的估计值θ＾k成为对前次的采样时刻k-1处的估计值θ＾k-1附加对估计误差εk乘以pk·zk所得的量的形式。用数学术语来说，(24)式意味着利用对估计误差εk乘以修正增益pk·zk所得的量，逐次修正前次估计值θ＾k-1，求出最新的估计值θ＾k。

接着，说明用于使(24)式作为所自下定论的逐次估计算法成立的补充公式。即，如(13)式所示，修正增益pk·zk中的pk是逆矩阵，其目标在于不必直接计算逆矩阵。

首先，如果采用(21)式的两边的逆矩阵，则如以下所示。

这里，无需证明，就使用称作逆矩阵的引理的定理。

逆矩阵的引理

针对某个正则矩阵a，下式成立。这里，i表示单位矩阵。

(a+b·c)^-1＝a^-1-a^-1·b·(i+c·a^-1·b)^-1

·c·a^-1…(30)

在将逆矩阵的引理(30)式应用到(29)式的右边时，得到以下的式。

并且，在这种情况下，观测向量zk为尺寸(2n×1)，因此，位于(31)式右边第2项的(i+zk^t·pk-1·zk)^-1不得不成为标量。因此，能够如下进行记述。

根据(30)式和(32)式，进-步得到以下的式。

并且，在对(33)式从右起乘以zk时，得到以下的(34)～(36)式。

由此，关于应通过逐次计算求解的(24)式的右边第2项pk·zk，能够得到简单的表现。

综上所述，作为逐次最小二乘法的算法，求解(24)式、(28)式、(33)式和(36)式即可。这些各个式是上述“式6”所记载的式(a-1)～(a-4)。

产业上的可利用性

本公开例如能够被用于与扭矩传感器的有无无关地估计被施加到电动辅助车辆的人力扭矩。作为电动辅助车辆，能够采用电动辅助自行车、电动手推车、电动辅助轮椅、电动平板车等。此外，本公开能够被用于估计被施加到动力辅助服的关节的人力扭矩。

标号说明

1：电动辅助自行车；2：电动手推车；10：把手；11：车架；12：前轮；13：后轮；14：车座；15：链条；16：踏板；17：曲柄；20：微处理器；21：rom；22：ram；23a、24a：计算机程序；23b、24b：参数；25：马达驱动电路；26：加速度传感器；27：踏板角度传感器；30：马达；40：电池；100：动力辅助装置。