CN109477906A - 路面状态判别方法和路面状态判别装置 - Google Patents

Abstract

为了提供一种即使轮胎状态、外部信息发生变化也能够高精度地判定路面状态的方法，在根据由振动检测单元检测出的行驶中的轮胎的振动的时间变化波形来判别路面的状态时，除了获取轮胎的振动波形以外，还获取轮胎的状态信息、对轮胎输入的外部信息，并且根据获取到的轮胎的状态信息或外部信息来对根据轮胎的振动波形求出的用于判别路面状态的判别参数进行校正或变更，使用校正或变更后的该判别参数来判别路面状态，或者，根据判别参数和状态信息或根据判别参数和外部信息来判别路面状态。

Description

路面状态判别方法和路面状态判别装置

技术领域

本发明涉及一种对行驶中的路面状态进行判别的方法和装置。

背景技术

以往，作为对路面状态进行判别的方法，提出如下一种方法(例如，参照专利文献1)：将由设置于轮胎的内衬层部的加速度传感器检测出的行驶中的轮胎胎面的振动波形划分为在踏入端出现的踏入侧峰之前的踏入前区域R1、形成踏入侧峰的踏入区域R2、踏入侧峰与在蹬出端出现的蹬出侧峰之间的蹬出前区域R3、形成蹬出侧峰的蹬出区域R4以及蹬出区域R4之后的蹬出后区域R5，并且对各区域的振动波形分别进行频率分析，根据所得到的频谱求出作为特定频带的振动水平的多个频带值P_ij，基于将这些频带值P_ij代入预先求出的识别函数F(P_ij)所得到的值，来对行驶中的路面状态进行判别。

此外，上述的频带值P_ij是指区域编号的编号为i、频带的编号为j的频带值。

专利文献1：日本特开2011-242303号公报

发明内容

发明要解决的问题

然而，在所述专利文献1中，没有考虑区域R1～R5的时宽、频带值P_ij的大小等根据轮胎内压、轮胎内温度等轮胎状态、或制动驱动力、横向力等对轮胎输入的外部信息而发生变化的情形，因此不能说路面状态的判定精度足够高。

本发明是鉴于以往的问题点而完成的，其目的在于提供一种即使在轮胎状态或对轮胎输入的外部信息发生了变化的情况下也能够高精度地判定路面状态的方法和装置。

用于解决问题的方案

本发明是一种路面状态判别方法，根据由振动检测单元检测出的行驶中的轮胎的振动的时间变化波形来判别路面的状态，该路面状态判别方法的特征在于，具备以下步骤：获取所述轮胎的振动波形；获取所述轮胎的状态信息；以及第一判别步骤和第二判别步骤中的任一个判别步骤，在该第一判别步骤中，根据判别参数和所述状态信息来判别路面状态，该判别参数是根据所述振动波形求出的用于判别路面状态的参数，在该第二判别步骤中，在用所述状态信息对所述判别参数进行校正或变更之后，根据校正后的该判别参数来判别路面状态。

像这样，根据获取到的轮胎的状态信息来对用于判别路面状态的判别参数进行校正或变更，因此能够提高路面状态的判别精度。

另外，本发明是一种路面状态判别装置，具备：振动检测单元，其对行驶中的轮胎的振动进行检测；振动波形检测单元，其对所述轮胎的振动的时间变化波形进行检测；以及路面状态判别单元，其根据所述时间变化波形来判别路面的状态，其中，该路面状态判别装置的特征在于，设置有轮胎状态检测单元，该轮胎状态检测单元获取所述轮胎的状态信息，并且所述路面状态判别单元根据判别参数和所述状态信息来判别路面状态，该判别参数是根据所述振动波形求出的用于判别路面状态的参数。

通过采用这样的结构，能够提供一种路面状态的判别精度高的路面状态判别装置。

另外，一种路面状态判别方法，根据由振动检测单元检测出的行驶中的轮胎的振动的时间变化波形来判别路面的状态，该路面状态判别方法的特征在于，具备以下步骤：获取所述轮胎的振动波形；获取制动驱动力、横向力等对所述轮胎输入的外部信息；以及第一判别步骤和第二判别步骤中的任一个判别步骤，在该第一判别步骤中，根据判别参数和所述外部信息来判别路面状态，该判别参数是根据所述振动波形求出的用于判别路面状态的参数，在该第二判别步骤中，在用所述外部信息对所述判别参数进行校正或变更之后，根据校正后的该判别参数来判别路面状态。

像这样，根据对轮胎输入的外部信息来对用于判别路面状态的判别参数进行校正或变更，因此能够提高路面状态的判别精度。

此外，所述发明内容没有列举本发明需要的全部特征，这些特征组的子组合也还能够形成发明。

附图说明

图1是示出本发明的实施方式1所涉及的路面状态判别装置的结构的图。

图2是示出加速度传感器的配置例的图。

图3是示出振动的时序波形的一例和频带值的提取区域的图。

图4是示出频带值与轮胎内压的关系的图。

图5是表示本实施方式1所涉及的路面状态判别方法的流程图。

图6是示出适当频带与轮胎内压的关系的图。

图7是示出本实施方式2所涉及的路面状态判别装置的结构的图。

图8是示出每个时间窗的轮胎振动的时序波形的提取方法的图。

图9是示出路面HMM的一例的图。

图10是示出在似然度计算中使用的路面HMM的图。

图11是状态迁移序列的示意图。

图12是表示本实施方式2所涉及的路面状态判别方法的流程图。

图13是示出本实施方式3所涉及的路面状态判别装置的结构的图。

图14是示出输入空间的示意图。

图15是示出输入空间上的干燥路面特征向量和除干燥路面以外的路面特征向量的图。

图16是示出干燥路面特征向量与除干燥路面以外的路面特征向量的GA核的计算方法的图。

图17是示出计算出的特征向量与路面特征向量的GA核的计算方法的图。

图18是表示本实施方式3所涉及的路面状态判别方法的流程图。

图19是示出本发明的实施方式4所涉及的路面状态判别装置的结构的图。

图20是示出加速度传感器的配置例的图。

图21是示出振动的时序波形的一例和频带值的提取区域的图。

图22是示出频带值与制动驱动力的关系的图。

图23是表示本实施方式4所涉及的路面状态判别方法的流程图。

图24是示出适当频带与制动驱动力的关系的图。

图25是示出本实施方式5所涉及的路面状态判别装置的结构的图。

图26是示出每个时间窗的轮胎振动的时序波形的提取方法的图。

图27是示出路面HMM的一例的图。

图28是示出在似然度计算中使用的路面HMM的图。

图29是状态迁移序列的示意图。

图30是表示本实施方式5所涉及的路面状态判别方法的流程图。

图31是示出本实施方式6所涉及的路面状态判别装置的结构的图。

图32是示出输入空间的示意图。

图33是示出输入空间上的、干燥路面特征向量和除干燥路面以外的路面特征向量的图。

图34是示出干燥路面特征向量与除干燥路面以外的路面特征向量的GA核的计算方法的图。

图35是示出计算出的特征向量与路面特征向量的GA核的计算方法的图。

图36是表示本实施方式6所涉及的路面状态判别方法的流程图。

具体实施方式

实施方式1.

图1是本实施方式所涉及的路面状态判别装置10的功能框图，在该图中，11是作为振动检测单元的加速度传感器，12是作为轮胎状态检测单元的内压传感器，13为轮胎状态判定单元，14是振动波形检测单元，15是区域信号提取单元，16是频带值计算单元，17是频带值校正单元，18是路面状态判别单元。

加速度传感器11和内压传感器12构成传感器部10A，振动波形检测单元13～路面状态判别单元18的各单元构成存储运算部10B。

构成存储运算部10B的各单元例如由计算机的软件以及RAM等存储装置构成。

如图2所示，加速度传感器11以检测方向为轮胎周向的方式配置于轮胎1的内衬层部2的轮胎宽度方向中心。由此，加速度传感器11检测从路面对胎面3输入的产生作用的轮胎周向加速度。下面，将加速度传感器11的位置(严格地说，胎面3表面的处于加速度传感器11的径向外侧的位置)称为测量点。

例如，加速度传感器11的输出通过发送机11F被发送到设置于车体侧的未图示的存储运算部10B的振动波形检测单元14。另外，路面状态判别装置10的判别结果被发送到配置于车体侧的车辆控制装置20。

另外，内压传感器12被设置为与加速度传感器11成一体，来测量轮胎1的内部的压力(以下称为轮胎内压)P。测量出的轮胎内压P通过发送机11F被发送到存储运算部10B的轮胎状态判定单元13。

此外，也可以设为将存储运算部10B设置于轮胎1侧并将路面状态判别装置10的判别结果发送到设置于车体侧的车辆控制装置20的结构。

轮胎状态判定单元13根据由内压传感器12测量出的轮胎内压P来判定轮胎1的状态是否为能够进行路面状态判定的状态。具体地说，判定测量出的轮胎内压P是否处于预先设定的可判定内压范围[P_min，P_Max]内，在P<P_min或P>P_Max的情况下，视为根据检测出的振动波形难以进行路面状态的判别，从而向振动波形检测单元14发送用于中断振动波形的检测的中断指令信号，并且向车辆控制装置20发送视为根据检测出的振动波形判别出的路面状态的精度低的不可判定信号。

另一方面，在测量出的轮胎内压P处于可判定内压范围[P_min，P_Max]内的情况下，将轮胎内压P的测量数据输出到频带值校正单元17。

此外，可判定内压范围[P_min，P_Max]根据轮胎类型而不同，例如当将标准内压设为P₀时，优选设为P_min＝(1-0.3)P₀、P_Max＝(1+0.3)P₀，或者P_min＝P₀-100kPa、P_Max＝P₀+100kPa左右。

振动波形检测单元14检测时序波形，该时序波形是将加速度传感器11的输出即对行驶中的轮胎1输入的轮胎周向振动按时间序列排列所得到的波形。如图3所示，振动的时序波形中最初出现的峰(正的峰)P_f是在测量点碰撞路面时产生的峰，该峰P_f的位置为踏入点P_f。接下来出现的峰(负的峰)P_k是在测量点离开路面时产生的峰，该峰P_k的位置为蹬出点。

区域信号提取单元15将由振动波形检测单元13检测出的时序波形分割为踏入侧峰P_f之前的区域即踏入前区域R1、形成踏入侧峰P_f的区域即踏入区域R2、踏入侧峰P_f与蹬出侧峰P_k之间的区域即蹬出前区域R3、形成蹬出侧峰P_k的区域即蹬出区域R4以及蹬出区域R4之后的区域即蹬出后区域R5，提取各区域R1～R5中的振动的时序波形。

此外，在从轮胎状态判定单元13输入了中断指令信号的情况下，中断时序波形的提取动作。

频带值计算单元16使各区域R1～R5的时序波形通过带通滤波器，来计算作为规定的频率区域的振动分量的大小的频带值A_ij。此外，下标i是指时序波形的区域R1～R5，下标j是指提取出的频率区域。

例如，A₁₁是从踏入前区域R1的2kHz～8kHz频带中选择的频带值，A₂₃是从踏入区域R2的4kHz～10kHz频带中选择的频带值，A₅₂是从蹬出后区域R5的2kHz～4kHz频带中选择的频带值。

该频带值A_ij相当于本发明的判别参数。

频带值校正单元17使用从轮胎状态判定单元13发送过来的轮胎内压P的数据对由频带值计算单元16计算出的频带值A_ij进行校正。具体地说，准备如图4所示那样的示出轮胎内压P与频带值比K_ij＝a_ij(P)/a_ij(P₀)的关系的曲线图，对内压为P时的频带值A_ij(P)进行校正。

当将校正后的频带值设为A_ij(P)时，A_ij(P)＝K_ij×A_ij。

此外，并非所有的频带值A_ij都如图4的(a)所示那样轮胎内压P越大则频带值A_ij越大。也存在轮胎内压P越大则频带值A_ij越小的情况，因此如上述那样，关于频带值A_ij与轮胎内压P的关系，需要事先针对各提取区域Ri和提取频率区域j准备表示轮胎内压P与频带值比K_ij的关系的数据。

此外，作为频带值A_ij的校正方法，不限于上述的方法，也可以如图4的(b)所示，针对每个轮胎内压P预先求出表示A_ij与A_ij(P)的关系的直线或曲线，将与测量出A_ij的轮胎内压P对应的直线上或曲线上的A_ij(P)设为校正值。

路面状态判别单元18使用将由频带值校正单元17校正后的频带值A_ij(P)代替由频带值计算单元16计算出的A_ij而代入到预先设定的多个识别函数Fk(A_ij)所得到的函数值fk，来估计路面状态。

在本例中，作为识别函数Fk，使用本申请人在日本特愿2010-115730号(专利文献1)中提出的识别函数F1、F2和F3来判别路面是否为“雪路”，以及“雪路”是“积雪道路”和“浅冰霜状雪路”中的哪一种，识别函数F1＝w₁₁·A₁₁+w₁₂·A₁₂-K1用于判定在路面上是否存在水、雪等夹杂物，识别函数F2＝w₂₁·A₂₁+w₂₂·A₅₁-K2用于判定路面是否为积雪道路，识别函数F3＝w₃₁·A₅₂+w₃₂·A₃₁+w₃₃·A₄₁+w₃₄·A₅₃用于判定路面上的夹杂物是水还是雪，即判定路面是深湿润路面还是深冰霜状雪路。

接着，参照图5的流程图说明本实施方式1所涉及的路面状态的判定方法。

首先，由加速度传感器11检测行驶中的轮胎1的轮胎周向振动，并且由内压传感器12测量轮胎内压(步骤S10)。

接着，根据测量出的轮胎内压判定轮胎内压P是否处于预先设定的可判定内压范围[P_min，P_Max]内(步骤S11)。

在轮胎内压P处于可判定内压范围[P_min，P_Max]内的情况下，进入步骤S12，检测将加速度传感器11的输出即轮胎周向振动按时间序列排列所得到的时序波形。另一方面，在测量出的轮胎内压P为P<P_min或P>P_Max的情况下，中止路面判定动作。此外，也可以在经过规定时间后再次判定测量出的轮胎内压P是否处于可判定内压范围[P_min，P_Max]内。

接着，在将检测出的时序波形分割为踏入前区域R1、踏入区域R2、蹬出前区域R3、蹬出区域R4以及蹬出后区域R5(步骤S13)之后，根据各区域R1～R5内的振动的时序波形来计算频带值A_ij(步骤S14)。

频带值A_ij是时序波形的提取区域为Ri、频率区域为[f_ja，f_jb]的频带值。例如，A₂₃是踏入区域R2的频率区域[4kHz，10kHz]内的频带值。

在本发明中，使用轮胎内压P的数据对计算出的频带值A_ij进行校正(步骤S15)。此外，针对每个频带值A_ij进行校正。

接着，判定在路面上是否存在水、雪等夹杂物(步骤S16)。

具体地说，预先通过实验求出各种路面状态下的频带值A₁₁与频带值A₁₂的关系来设定识别函数F1＝w₁₁·A₁₁+w₁₂·A₁₂-K1，将分别用轮胎内压P校正后的频带值A₁₁(P)和频带值A₁₂(P)代入到该识别函数F1的频带值A₁₁和频带值A₁₂来求出函数值f1。

在函数值f1满足f1≥0的情况下，判定为在路面上存在水、雪等夹杂物，因此进入步骤S17，判定该路面上的夹杂物是否为新雪堆积的松软的夹杂物。另一方面，在f1<0的情况下，判定为路面“不是雪路”。

在步骤S17中，判定是否为新雪堆积的积雪道路。

具体地说，预先通过实验求出各种路面状态下的频带值A₂₁与频带值A₅₁的关系来设定识别函数F2＝w₂₁·A₂₁+w₂₂·A₅₁-K2，将分别用轮胎内压P校正后的频带值A₂₁(P)和频带值A₅₁(P)代入到该识别函数F2的频带值A₂₁和频带值A₅₁来求出函数值f2。在f2<0的情况下，判定为路面是积雪道路。

另一方面，在函数值f2为f2≥0的情况下，进入步骤S18，判定路面上的夹杂物是水还是雪，即路面是深湿润路面还是深冰霜状雪路。

即，在步骤S18中，针对各种路面状态下的频带值A₅₂、A₃₁、A₄₁、A₅₃预先设定识别函数F3＝w₃₁·A₅₂+w₃₂·A₃₁+w₃₃·A₄₁+w₃₄·A₅₃，求出将分别用轮胎内压P校正后的频带值A₅₂(P)、A₃₁(P)、A₄₁(P)以及频带值A₅₃(P)代入到该识别函数F3的频带值A₅₂、A₅₃₁、A₄₁以及频带值A₅₃所得到的函数值f3。在f3≥0的情况下，判定为是深湿润道路(不是雪路)，在f3<0的情况下，判定为路面是冰霜状雪路。

像这样，在本实施方式1中，由加速度传感器11检测行驶中的轮胎1的轮胎周向振动，并且由内压传感器12测量轮胎内压P，在测量出的该轮胎内压P处于可判定内压范围[P_min，P_Max]内的情况下，用轮胎内压P对根据作为振动信息的轮胎周向振动的时序波形来求出的频带值A_ij进行校正，使用该校正后的频带值A_ij(P)对路面状态进行了判定，因此能够提高路面状态的判定精度。

另外，在轮胎内压P处于可判定内压范围[P_min，P_Max]外的情况下，中断路面状态的判定，因此能够防止路面状态的错误判定。

此外，在所述实施方式1中，将轮胎状态设为轮胎内压，但是也可以设为轮胎内温度，还可以设为轮胎内压和轮胎内温度这两方。或者，也可以针对轮胎内压和轮胎内温度中的任一方或两方添加轮胎外面温度。

此外，只要如图2所示那样在轮辋4的轮胎气室5侧或轮胎1的内衬层部2配置温度传感器19来测量轮胎内温度即可。另外，例如只要由设置于未图示的车体的轮胎安装空间中的与轮胎1相向的位置处的温度传感器测量轮胎外面温度即可。

另外，在所述实施方式1中，将根据轮胎状态来校正的判别参数设为根据从时序波形提取出的踏入前区域R1、踏入区域R2、蹬出前区域R3、蹬出区域R4以及蹬出后区域R5的时序波形来计算的规定的频率区域的振动分量的大小即频带值A_ij，但是也可以是根据多个特定频带的振动水平运算的运算值即识别函数Fk的函数值fk。或者，也可以是识别函数Fk的系数即w_kl(权重水平)、常数K_k。

将根据轮胎状态校正的判别参数设为识别函数Fk的函数值fk的情况相当于本发明的根据判别参数和状态信息来判别路面状态的第一判别步骤。

另外，也可以将判别参数设为特定频带的范围。

例如图6所示，特定频率区域的上限频率f_ja或下限频率f_jb、或者特定频率区域的区域宽度(f_jb-f_ja)的适当值根据轮胎内压P而变化，因此如果根据轮胎内压P来变更这些值，则能够提高路面状态的判定精度。

另外，作为判别参数，也可以使用对振动波形进行加窗的窗的时宽。即，振动波形的踏入侧峰P_f的位置、蹬出侧峰P_k的位置、或者踏入侧峰P_f与蹬出侧峰P_k之间的间隔位置也根据轮胎内压、轮胎内温度而变化，因此如果根据轮胎信息来变更振动波形的提取区域(踏入前区域R1、踏入区域R2、蹬出前区域R3、蹬出区域R4以及蹬出后区域R5)的区域宽度即对振动波形进行加窗的窗的时宽，则能够进一步提高路面状态的判定精度。

另外，如果能够同时进行多个判别参数的校正和变更，则能够进一步提高路面状态的判定精度。

实施方式2.

图7是本实施方式2所涉及的路面状态判别装置30的功能框图，在该图中，11是作为振动检测单元的加速度传感器，12是作为轮胎状态检测单元的内压传感器，13是轮胎状态判定单元，14是振动波形检测单元，31是加窗单元，32是特征向量计算单元，33是特征向量校正单元，34是存储单元，35是似然度计算单元，36是路面状态判别单元。

加速度传感器11和内压传感器12构成传感器部10A，轮胎状态判定单元13、振动波形检测单元14以及加窗单元31～路面状态判别单元36的各单元构成存储运算部30B。

构成存储运算部30B的各单元例如由计算机的软件以及RAM等存储装置构成。

此外，与实施方式1相同标记的加速度传感器11、内压传感器12、轮胎状态判定单元13以及振动波形检测单元14是与实施方式1相同的部件，加速度传感器11检测行驶中的轮胎1的轮胎周向振动，内压传感器12测量轮胎内压。

轮胎状态判定单元13根据测量出的轮胎内压的数据来判定测量出的轮胎内压P是否处于预先设定的可判定内压范围[P_min，P_Max]内，振动波形检测单元14检测图3所示那样的将轮胎周向振动按时间序列排列所得到的时序波形。

如图8所示，加窗单元31以预先设定的时宽(时间窗宽度)对轮胎周向振动的时序波形加窗，按每个时间窗提取轮胎振动的时序波形。

特征向量计算单元32针对提取出的各时间窗的时序波形分别计算特征向量X_t。在本例中，作为特征向量X_t，使用了使轮胎振动的时序波形分别通过频率区域为f_ka-f_kb的k个带通滤波器BP(k)而提取得到的特定频带的振动水平(滤波器过滤波的功率值)x_kt。特征向量X的维数为k维，在本例中，将特定频带设为0kHz-0.5kHz、0.5kHz-1kHz、1kHz-2kHz、2kHz-3kHz、3kHz-4kHz、4kHz-5kHz这六个频带，因此k＝6。

由于针对每个时间窗求出特征向量X_t，因此当将时间窗的总数设为N个时，特征向量X_t的数量也为N个。

特征向量校正单元33使用从轮胎状态判定单元13发送过来的轮胎内压P的数据对由特征向量计算单元32计算出的N×k个功率值x_kt(以下称为功率值x_kt)进行校正。校正的方法与实施方式1相同，准备示出与功率值比K_k＝x_kt(P)/x_kt(P₀)的关系的曲线图，对内压为P时的功率值x_kt进行校正来求出校正后的特征向量X_t(P)。

当将校正后的特征向量X_t(P)的分量设为x_kt(P)时，x_kt(P)＝K_k×x_kt。

存储单元34存储针对每个路面状态构建的多个隐马尔可夫模型(以下称为路面HMM)。路面HMM包括路面内HMM(road)和路面外HMM(silent)。路面内HMM(road)是根据轮胎振动的时序波形中的在路面区域内出现的振动波形构建的，路面外HMM(silent)是根据无信息区域的振动波形构建的。

如图9所示，路面HMM具有与轮胎振动的时序波形对应的七个状态S₁～S₇，各状态S₁～S₇分别由特征向量X_t的输出概率b_ij(X)和状态间的迁移概率a_ij(X)这两种参数构成(i，j＝1～7)。

在本例中，利用除了各路面HMM的开始状态S₁和结束状态S₇以外的五个状态S₂～S₆来进行将所述轮胎振动的时序波形分割为五个状态的学习，求出各路面HMM的特征向量X的输出概率b_ij(X)和状态间的迁移概率a_ij(X)。

输出概率b_ij(X)表示在状态从状态S_i迁移到状态S_j时输出特征向量X的概率。将输出概率b_ij(X)假定为混合正态分布。

迁移概率a_ij(X)表示状态从状态S_i迁移到状态S_j的概率。

此外，在特征向量X的维数为k维的情况下，针对特征向量X的各k分量x_k设定输出概率b_ij。

在本例中，预先将使搭载有具备加速度传感器11的轮胎1的车辆分别在干燥(DRY)、湿润(WET)、积雪(SNOW)以及结冰(ICE)的各路面上行驶所得到的轮胎振动的时序波形的数据作为学习用数据，来构建出包括干燥路面HMM、湿润路面HMM、积雪路面HMM及结冰路面HMM的四个路面内HMM(road)以及路面外HMM(silent)这五个路面HMM。

路面内HMM(road)和路面外HMM(silent)都是具有包括开始状态S₁和结束状态S₇在内的七个状态S₁～S₇的HMM。

通过EM算法、Baum-Welch算法、向前-向后算法等周知的方法来进行HMM的学习。

如图10所示，似然度计算单元35针对多个(在此为四个)路面HMM分别计算校正后的特征向量X_t(P)的似然度。

关于似然度，如本申请人们在日本特愿2011-140943号所提出的那样，首先，使用下面的式(1)、(2)来针对每个时间窗计算输出概率P(X_t(P))。此外，下面，X_t是校正后的特征向量X_t(P)。

[数1]

X；数据序列

t；时刻

S；状态数

M_s；混合高斯分布的分量数

c_jsm；第m个混合分量的混合比

μ；高斯分布的平均向量

σ；高斯分布的方差协方差矩阵

由于路面HMM为七个状态，因此以7×7的矩阵来表示迁移概率π(X_t)。作为该迁移概率π(X_t)，只要使用通过所述路面HMM的学习求出的特征向量X_t的状态间的迁移概率a_ij(X_t)即可。

而且，求出计算出的输出概率P(X_t)与迁移概率π(X_t)之积即每个时间窗的出现概率K(X_t)，将所有时间窗的该每个时间窗的出现概率K(X_t)相乘来求出似然度Z。即，通过Z＝ΠP(X_t)·迁移概率π(X_t)求出似然度Z。或者，也可以采用针对各个时间窗计算出的出现概率K(X_t)的对数，将所有时间窗的该出现概率K(X_t)的对数相加来求出似然度Z。

另外，路面HMM的状态从状态S₁迁移到状态S₇的路径(状态迁移序列)如图11所示那样存在多个。即，关于各路面HMM中的每一个，似然度Z按状态迁移序列而不同。

在本例中，应用周知的维特比算法求出似然度Z最大的状态迁移序列Z_M，并将该状态迁移序列设为与检测出的轮胎振动的时序波形对应的状态迁移序列，并且将所述似然度Z_M设为该路面HMM的Z。

针对每个路面HMM求出似然度Z_M。

路面状态判别单元36将由似然度计算单元35计算出的多个隐马尔可夫模型中的各隐马尔可夫模型的似然度进行比较，将与似然度最大的隐马尔可夫模型对应的路面状态判定为是该轮胎正在行驶的路面的路面状态。

接着，参照图12的流程图说明本实施方式2所涉及的路面状态的判定方法。

首先，由加速度传感器11检测行驶中的轮胎1的轮胎周向振动，并且由内压传感器12测量轮胎内压(步骤S20)。

接着，根据测量出的轮胎内压的数据来判定测量出的轮胎内压P是否处于预先设定的可判定内压范围[P_min，P_Max]内(步骤S21)。

在轮胎内压P处于可判定内压范围[P_min，P_Max]内的情况下，进入步骤S22，在检测出将加速度传感器11的输出即轮胎周向振动按时间序列排列所得到的时序波形之后，以预先设定的时间窗对作为轮胎振动的数据的时序波形进行加窗，针对每个时间窗提取轮胎振动的时序波形(步骤S23)。

在本例中，将时间窗宽度设为2msec.。

另一方面，在测量出的轮胎内压P为P<P_min或P>P_Max的情况下，中断轮胎振动的时序波形的提取。此外，也可以在经过规定时间后再次判定测量出的轮胎内压P是否处于可判定内压范围[P_min，P_Max]内。

在步骤S24中，针对提取出的各时间窗的时序波形分别计算特征向量X_t＝(x_1t，x_2t，x_3t，x_4t，x_5t，x_6t)。

在本发明中，使用轮胎内压P的数据对计算出的该特征向量X_t的分量即轮胎振动的时序波形的滤波器过滤波的功率值x_1t～x_6t进行校正(步骤S25)。此外，对每个功率值x_kt(k＝1～6)进行校正。

在校正功率值x_kt后，首先，对于第一个模型即干燥路面HMM，针对每个时间窗求出出现概率K(X_t)＝输出概率P(X_t)×迁移概率π(X_t)(步骤S26)，将所有时间窗的该出现概率K(X_t)相乘来计算干燥路面HMM的似然度Z1(步骤S27)。

接着，判定是否结束了所有模型的似然度Z计算(步骤S28)，在没有结束的情况下，返回到步骤S26计算下一个模型即湿润路面HMM的似然度Z2。

在结束了全部五个模型的似然度Z计算的情况下，进入步骤S29，对路面状态进行判别。具体地说，将针对每个路面HMM计算出的似然度Z1～Z5进行比较，将与似然度最大的路面HMM对应的路面状态设为该轮胎正在行驶的路面的路面状态。

像这样，在本实施方式2中，由加速度传感器11检测行驶中的轮胎1的轮胎周向振动，并且由内压传感器12测量轮胎内压P，在测量出的该轮胎内压P处于可判定内压范围[P_min，P_Max]内的情况下，使用轮胎内压P的数据对根据由加窗单元31加窗而提取出的每个时间窗的轮胎振动的时序波形计算的、特征向量X_t的分量即滤波器过滤波的功率值x_kt进行校正，之后使用将该校正后的滤波器过滤波的功率值x_kt(P)作为分量的特征向量X_t(P)来判别路面状态，因此能够提高路面状态的判定精度。

另外，在轮胎内压P处于可判定内压范围[P_min，P_Max]外的情况下，中止路面状态的判定，因此能够防止路面状态的错误判定。

此外，在所述实施方式2中，将根据轮胎状态来校正的判别参数设为在时间窗中提取出的时序波形的特征向量X_t的分量即轮胎振动的时序波形的滤波器过滤波的功率值x_kt，但是也可以将作为判别函数的似然度Z的大小设为判别参数。或者，也可以是各路面HMM的特征向量X的输出概率P(X_t)或迁移概率π(X_t)、状态数S、混合高斯分布的分量数M_s、混合分量的混合比c_jsm、高斯分布的平均向量μ、高斯分布的方差协方差矩阵σ等判别函数的权重向量或权重向量的中间参数。

将根据轮胎状态校正的判别参数设为似然度Z的大小的情况相当于本发明的根据判别参数和状态信息来判别路面状态的第一判别步骤。

通过路面HMM的学习来求出根据轮胎内压P进行校正的输出概率P(X_t)、迁移概率π(X_t)等参数。

另外，求出功率值x_kt时的带通滤波器BP(k)的频率区域f_ka-f_kb的适当值根据轮胎内压P而变化，因此如果将这些值设为根据轮胎内压P来变更的判别参数，则能够提高路面状态的判定精度。

另外，也可以将判别参数设为时间窗宽度。如果在轮胎内压P高的情况下将时间窗宽度设定得宽等，根据轮胎信息来变更对轮胎周向振动的时序波形进行加窗的时宽(时间窗宽度)，则能够提高路面状态的判定精度。

另外，如果能够同时进行多个判别参数的校正和变更，则能够进一步提高路面状态的判定精度。

实施方式3.

图13是本实施方式3所涉及的路面状态判别装置40的功能框图，在该图中，11是作为振动检测单元的加速度传感器，12是作为轮胎状态检测单元的内压传感器，13是轮胎状态判定单元，14是振动波形检测单元，31是加窗单元，32是特征向量计算单元，33是特征向量校正单元，41是存储单元，42是核函数计算单元，43是路面状态判别单元。

加速度传感器11和内压传感器12构成传感器部10A，轮胎状态判定单元13、振动波形检测单元14以及加窗单元31～路面状态判别单元43的各单元构成存储运算部40B。

构成存储运算部40B的各单元例如由计算机的软件以及RAM等存储装置构成。

此外，与实施方式1、2相同标记的加速度传感器11、内压传感器12、轮胎状态判定单元13、振动波形检测单元14、加窗单元～特征向量校正单元33的各单元是与实施方式1、2相同的部件，加速度传感器11检测行驶中的轮胎1的轮胎周向振动，内压传感器12测量轮胎内压。

另外，轮胎状态判定单元13根据测量出的轮胎内压的数据来判定测量出的轮胎内压P是否处于预先设定的可判定内压范围[P_min，P_Max]内，振动波形检测单元14检测将轮胎周向振动按时间序列排列所得到的时序波形。

如图8所示，加窗单元31以预先设定的时宽(时间窗宽度)对轮胎周向振动的时序波形进行加窗，针对每个时间窗提取轮胎振动的时序波形。

特征向量计算单元32针对提取出的各时间窗的时序波形分别计算特征向量X_t。

在本例中，作为特征向量X_t，使用了使轮胎振动的时序波形分别通过0kHz-1kHz、1kHz-2kHz、2kHz-3kHz、3kHz-4kHz、4kHz-5kHz的带通滤波器后得到的特定频带的振动水平(滤波器过滤波的功率值)x_kt(k＝1～6)。

由于针对每个时间窗求出特征向量X_t，因此当将时间窗的总数设为N个时，特征向量X_t的数量也为N个。下面，将窗编号为i的特征向量记载为X_i，将X_i的分量即功率值记载为x_ki。

特征向量校正单元33使用从轮胎状态判定单元13发送过来的轮胎内压P的数据对由特征向量计算单元32计算出的N×k个功率值x_ki进行校正，由此求出校正后的特征向量X_i(P)。

校正的方法与实施方式1相同，准备示出与功率值比K_k＝x_ki(P)/x_ki(P₀)的关系的曲线图，对内压为P时的功率值x_ki进行校正。

校正后的特征向量X_i(P)的分量x_ki(P)为x_ki(P)＝K_k×x_ki。

图14是示出特征向量X_i的输入空间的示意图，各轴表示作为特征量的特定频带的振动水平a_ik，各点表示特征向量X_i。实际的输入空间由于特定频带的数量为六个，因此与时间轴合起来为七维空间，但是该图用二维(横轴为a₁，纵轴为a₂)来表示。

例如，如果能够将车辆行驶于干燥路面时形成组C的点与由车辆行驶于积雪路面时计算出的特征向量X’_i形成的组C’进行区分，则能够判定车辆正行驶于干燥路面还是正行驶于积雪路面。

存储单元41存储预先求出的四个路面模型，该四个路面模型用于通过表示分离超平面的识别函数f(x)来将干燥路面与除干燥路面以外的路面、湿润路面与除湿润路面以外的路面、积雪路面与除积雪路面以外的路面、结冰路面与除结冰路面以外的路面分离。

将路面特征向量Y_ASV(y_jk)作为输入数据来通过学习求出路面模型，其中，该路面特征向量Y_ASV(y_jk)是根据使搭载有在轮胎处安装了加速度传感器的轮胎的试验车辆以各种速度在干燥、湿润、积雪以及结冰的各路面上行驶所得到的轮胎振动的时序波形而计算出的每个时间窗的特征向量。

此外，学习中使用的轮胎尺寸可以是一种尺寸，也可以是多种尺寸。

所述路面特征向量Y_ASV(y_jk)的下标A表示干燥、湿润、积雪以及结冰。下标j(j＝1～M)表示在时间窗内提取出的时序波形的数量(窗的编号)，下标k表示向量的分量。即，y_jk＝(a_j1，a_j2，a_j3，a_j4，a_j5，a_j6)。另外，SV是支持向量的简写，表示通过学习而选择的识别边界附近的数据。

下面，将路面特征向量Y_ASV(y_jk)仅记载为Y_ASV。

各路面特征向量Y_ASV的计算方法与上述的特征向量X_j的计算方法相同，例如如果是干燥路面特征向量Y_DSV，则以时宽T对行驶于干燥路面时的轮胎振动的时序波形进行加窗，针对每个时间窗提取轮胎振动的时序波形，并对提取出的各时间窗的时序波形分别计算干燥路面特征向量Y_D。此外，干燥路面特征向量Y_D的向量y_i的维数与特征向量X_i同样地是六维。之后，将Y_D作为学习数据并由支持向量机(SVM)进行学习，由此选择支持向量Y_DSV。此外，在存储单元41中，不需要存储所有的Y_D，只存储上述所选择的Y_DSV即可。

关于湿润路面特征向量Y_WSV、积雪路面特征向量Y_SSV、结冰路面特征向量Y_ISV，也能够与干燥路面特征向量Y_DSV同样地求出。

在此，时宽T为与求出特征向量X_j时的时宽T相同的值是重点。如果时宽T固定，则时间窗的时序波形的数量M根据轮胎类型和车速而不同。即，路面特征向量Y_ASV的时间窗的时序波形的数量M与特征向量X_j的时间窗的时序波形的数量N未必一致。例如，即使轮胎类型相同，但在求出特征向量X_j时的车速比求出干燥路面特征向量Y_DSV时的车速慢的情况下，M>N，在快的情况下，M<N。

如本申请人们在日本特愿2012-176779号中提出的那样，将各路面特征向量Y_A作为学习数据来由SVM构建路面模型。

图15是示出输入空间上的干燥路面特征向量Y_DSV和除干燥路面以外的路面特征向量Y_nDSV的概念图，该图的黑圆点为干燥路面的路面特征向量，浅色的圆点为除干燥路面以外的路面特征向量。

此外，干燥路面特征向量和除干燥路面以外的路面特征向量都是矩阵，但是为了说明组的识别边界的求出方法，在图14中分别用二维的向量示出了干燥路面特征向量和除干燥路面以外的路面特征向量。

组的识别边界一般不能进行线性分离。因此，使用核方法将路面特征向量Y_DSV和Y_nDSV通过非线性映射φ映射到高维特征空间来进行线性分离，由此对原来的输入空间中的路面特征向量Y_DSV和Y_nDSV进行非线性的分类。

具体地说，使用数据的集合X＝(x₁，x₂，······x_n)和所属类别z＝{1、-1}求出用于识别数据的最佳的识别函数f(x)＝w^Tφ(x)-b。在此，数据为路面特征向量Y_Dj、Y_nDj，所属类别是z＝1为该图的在χ₁中示出的干燥路面的数据，z＝-1为在χ₂中示出的除干燥路面以外的路面的数据。另外，w为权重系数，b为常数，f(x)＝0为识别边界。

例如使用拉格朗日未定乘数法来对识别函数f(x)＝w^Tφ(x)-b进行最优化。最优化问题被置换为下面的式(3)、(4)。

[数2]

最优化

条件

在此，α、β是存在多个的学习数据的指标。另外，λ为拉格朗日乘子，λ>0。

此时，通过将内积φ(x_α)φ(x_β)置换为核函数K(x_α，x_β)，由此能够使识别函数f(x)＝w^Tφ(x)-b非线性。此外，φ(x_α)φ(x_β)是将x_α和x_β通过映射φ映射到高维空间之后的内积。

能够对所述的式(2)使用最速下降法、SMO(Sequential Minimal Optimization：序列最小最优化)等最优化算法求出拉格朗日乘子λ。此时，由于使用了核函数，因此不需要直接求出高维的内积。因而，能够大幅地缩减计算时间。

在本例中，作为核函数K(x_α，x_β)，使用了全局比对核函数(GA核)。如图16以及下面的式(5)、(6)所示，GA核K(x_α，x_β)是由表示干燥路面特征向量x_i＝Y_Di与除干燥路面以外的路面特征向量x_j＝Y_nDj的相似度的局部核κ_ij(x_i，x_j)的总和或总积形成的函数，能够将时间长度不同的时序波形直接进行比较。

针对时间间隔T的每个窗求出局部核κ_ij(x_i，x_j)。

为了区分干燥路面与除干燥路面以外的路面，通过使作为分离超平面的识别函数f(x)具有余量，能够高精度地区分干燥路面与除干燥路面以外的路面，上述分离超平面用于将干燥路面特征向量Y_Dj与除干燥路面以外的路面特征向量Y_nDj进行分离。

余量是指从分离超平面到最近的样本(支持向量)的距离，作为识别边界的分离超平面为f(x)＝0。而且，干燥路面特征向量Y_Dj全部处于f(x)≥+1的区域内，除干燥路面以外的路面特征向量Y_nDj处于f(x)≤-1的区域内。

用于区分干燥路面和除干燥路面以外的路面的干燥路面模型是具备处于f(x)＝+1的距离处的支持向量Y_DSV和处于f(x)＝-1的距离处的支持向量Y_nDSV的输入空间。所述Y_DSV和所述Y_nDSV一般存在多个。

用于区分湿润路面和除湿润路面以外的路面的湿润模型、用于区分积雪路面与除积雪路面以外的路面的积雪模型以及用于区分结冰路面与除结冰路面以外的路面的结冰模型也是同样的。

在本例中，作为核函数K(x_α，x_β)，使用了全局比对核函数(GA核)。如图7以及下面的式(5)、(6)所示，GA核K(x_α，x_β)是由表示干燥路面特征向量x_i＝Y_Di与除干燥路面以外的路面特征向量x_j＝Y_nDj的相似度的局部核κ_ij(x_i，x_j)的总和或总积形成的函数，能够将时间长度不同的时序波形直接进行比较。

[数3]

其中，||x_αi-x_βj||为特征向量间的距离(范数)，σ为常数

针对时间间隔T的每个窗求出局部核κ_ij(x_i，x_j)。

此外，图17是求出时间窗的数量为6的干燥路面特征向量Y_Dj与时间窗的数量为4的除干燥路面以外的路面特征向量Y_nDj的GA核的例子。

为了区分干燥路面与除干燥路面以外的路面，通过使作为分离超平面的识别函数f(x)具有余量，能够高精度地区分干燥路面与除干燥路面以外的路面，该分离超平面用于将干燥路面特征向量Y_Dj与除干燥路面以外的路面特征向量Y_nDj进行分离。

余量是指从分离超平面到最近的样本(支持向量)的距离，作为识别边界的分离超平面为f(x)＝0。而且，干燥路面特征向量Y_Dj全部处于f(x)≥+1的区域内，除干燥路面以外的路面特征向量Y_nDj处于f(x)≤-1的区域内。

用于区分干燥路面和除干燥路面以外的路面的干燥路面模型是具备处于f(x)＝+1的距离处的支持向量Y_DSV和处于f(x)＝-1的距离处的支持向量Y_nDSV的输入空间。所述Y_DSV和所述Y_nDSV一般存在多个。

用于区分湿润路面和除湿润路面以外的路面的湿润模型、用于区分积雪路面与除积雪路面以外的路面的积雪模型以及用于区分结冰路面与除结冰路面以外的路面的结冰模型也是同样的。

核函数计算单元42根据由特征向量计算单元32计算并由特征向量校正单元33校正后的特征向量X_i(P)以及存储单元41中记录的干燥模型、湿润模型、积雪模型及结冰模型的各支持向量Y_ASV、Y_nASV(A＝D、W、S、I)，分别计算GA核K_D(X，Y)、K_W(X，Y)、K_S(X，Y)、K_I(X，Y)。

GA核K(X，Y)如图17所示那样也是由在所述的[数3]中将x_i设为特征向量X_i、将x_j设为路面特征向量Y_Aj、Y_nAj时的局部核κ_ij(X_i，Y_j)的总和或总积形成的函数，能够将时间长度不同的时序波形直接进行比较。此外，该图是x_j为路面特征向量Y_Aj的例子，特征向量X_i的时间窗的数量为n＝5，路面特征向量Y_Aj的时间窗的数量为m＝4。

如本例那样，即使在求出特征向量X_i时的时间窗的时序波形的数量n与求出路面特征向量Y_Aj(或Y_nAj)时的时间窗的时序波形的数量m不同的情况下，也能够求出特征向量X_i、Y_Aj间(或X_i、Y_nAj间)的相似度。

在路面状态判别单元43中，基于以下的式(7)～(10)所示的使用了核函数K_A(X，Y)的四个识别函数f_A(x)的值来判别路面状态(A＝D、W、S、I)。

[数4]

f_D为用于识别干燥路面与其它路面的识别函数，f_W为用于识别湿润路面与其它路面的识别函数，f_S为用于识别积雪路面与其它路面的识别函数，f_I为用于识别结冰路面与其它路面的识别函数。

另外，N_DSV为干燥模型的支持向量的数量，N_WSV为湿润模型的支持向量的数量，N_SSV为积雪模型的支持向量的数量，N_ISV为结冰模型的支持向量的数量。

在本例中，分别计算识别函数f_D、f_W、f_S、f_I，根据计算出的示出识别函数f_A的最大值的识别函数来判别路面状态。

接着，参照图18的流程图说明本实施方式3所涉及的路面状态的判定方法。

首先，由加速度传感器11检测行驶中的轮胎1的轮胎周向振动，并且由内压传感器12测量轮胎内压(步骤S30)。

接着，根据测量出的轮胎内压的数据判定测量出的轮胎内压P是否处于预先设定的可判定内压范围[P_min，P_Max]内(步骤S31)。

在轮胎内压P处于可判定内压范围[P_min，P_Max]内的情况下，进入步骤S32，在检测出将加速度传感器11的输出即轮胎周向振动按时间序列排列所得到的时序波形之后，以预先设定的时间窗对作为轮胎振动的数据的时序波形进行加窗，针对每个时间窗提取轮胎振动的时序波形(步骤S33)。将每个时间窗的轮胎振动的时序波形的数量设为m个。

另一方面，在测量出的轮胎内压P为P<P_min或P>P_Max的情况下，中止轮胎振动的时序波形的提取。此外，也可以在经过规定时间后再次判定测量出的轮胎内压P是否处于可判定内压范围[P_min，P_Max]内。

在步骤S34中，针对提取出的各时间窗的时序波形分别计算特征向量X_i＝(x_i1，x_i2，x_i3，x_i4，x_i5，x_i6)。

在本发明中，使用轮胎内压P的数据对计算出的该特征向量X_t的分量即轮胎振动的时序波形的滤波器过滤波的功率值x_1i～x_6i进行校正(步骤S35)。此外，对每个功率值x_ki(k＝1～6)进行校正。

接着，在根据校正后的特征向量X_i(P)和存储单元41中记录的路面模型的支持向量Y_Ak计算出局部核κ_ij(X_i，Y_j)之后，求出局部核κ_ij(X_i，Y_j)的总和，来分别计算全局比对核函数K_D(X，Y)、K_W(X，Y)、K_S(X，Y)、K_I(X，Y)(步骤S36)。

接着，分别计算出使用了核函数K_A(X，Y)的四个识别函数f_D(x)、f_W(x)、f_S(x)、f_I(x)(步骤S37)，之后将计算出的识别函数f_A(x)的值进行比较，将示出最大值的识别函数的路面状态判别为该轮胎1正在行驶的路面的路面状态(步骤S38)。

此外，在所述实施方式3中，将根据轮胎状态来校正的判别参数设为在时间窗内提取出的时序波形的特征向量X_t的分量即轮胎振动的时序波形的滤波器过滤波的功率值x_kt，但是也可以将识别函数f_D、f_W、f_S、f_I的输出值设为判别参数。

将根据轮胎状态校正的判别参数设为似然度Z的大小的情况相当于本发明的根据判别参数和状态信息来判别路面状态的第一判别步骤。

或者，也可以是用于求出识别函数f(x)的权重w的参数即所属类别z、局部核κ_ij(X_i，Y_j)或用于计算局部核κ_ij(X_i，Y_j)的常数σ。

另外，也可以根据轮胎内压P来例如将核函数K设为动态时间规整核函数(DTW核)等，根据轮胎内压P变更使用的核函数。

或者，也可以是支持向量机的学习过程中所需要的参数。

另外，替代振动信息，也可以根据轮胎状态来变更振动信息的提取方法。

即，在该实施方式3中，也与所述实施方式2同样地，将求出功率值x_kt时的带通滤波器BP(k)的频率区域f_ka-f_kb的适当值、对轮胎周向振动的时序波形进行加窗的时宽(时间窗宽度)作为根据轮胎信息来变更的判别参数也能够提高路面状态的判定精度。

另外，如果能够同时进行多个判别参数的校正和变更，则能够进一步提高路面状态的判定精度。

此外，在所述实施方式2、3中，也是将轮胎状态设为轮胎内压，但是与所述实施方式1同样地也可以设为轮胎内温度，还可以设为轮胎内压和轮胎内温度这两方。或者，也可以针对轮胎内压和轮胎内温度中的任一方或两方添加轮胎外面温度。

实施方式4.

图19是本实施方式所涉及的路面状态判别装置110的功能框图，在该图中，111是作为振动检测单元的加速度传感器，112是估计作为对轮胎输入的外部信息的制动驱动力的制动驱动力估计单元，113是制动驱动力判定单元，114是振动波形检测单元，115是区域信号提取单元，116是频带值计算单元，117是频带值校正单元，118是路面状态判别单元。

制动驱动力判定单元113～路面状态判别单元118中的各单元例如由计算机的软件以及RAM等存储装置构成，设置于未图示的车体侧。

如图20所示，加速度传感器111以检测方向为轮胎周向的方式配置于轮胎101的内衬层部102的轮胎宽度方向中心。由此，加速度传感器111检测从路面对胎面103输入的产生作用的轮胎周向加速度。下面，将加速度传感器111的位置(严格地说，胎面103表面的处于加速度传感器111的径向外侧的位置)称为测量点。

加速度传感器111的输出例如通过发送机111F被发送到振动波形检测单元114。

制动驱动力估计单元112用于估计对轮胎施加的制动驱动力J。具体地说，根据加速踏板开度和档位来估计对轮胎施加的驱动力，根据制动踏板踩踏力或制动液压来估计制动力。J>0是驱动力，J<0是制动力。

此外，对轮胎施加的制动驱动力J也可以根据车体加速度、路面梯度信息中的任一方或两方的信息进行估计，还可以根据车体速度、车轮速度、路面梯度信息中的任一个或多个信息来估计对轮胎施加的制动驱动力J。

制动驱动力判定单元113根据估计出的制动驱动力J来判定轮胎101的状态是否为能够进行路面状态判定的状态。具体地说，在估计出的制动驱动力J的大小|J|超过预先设定的阈值J_Max的情况下，视为根据检测出的振动波形难以进行路面状态的判别，从而向振动波形检测单元114发送用于中止振动波形的检测的中止指令信号，来使路面状态的判别中止。

另一方面，在估计出的制动驱动力J的大小|J|处于阈值J_Max以内(-J_Max≤J≤J_Max)的情况下，将制动驱动力J的数据输出到频带值校正单元117。

此外，作为J_Max，优选设为0.2G～0.8G的范围。在本例中，设为J_Max＝0.4G。

振动波形检测单元114检测时序波形，该时序波形是将加速度传感器111的输出即对行驶中的轮胎101输入的轮胎周向振动按时间序列排列所得到的波形。如图21所示，振动的时序波形中最初出现的峰(正的峰)P_f是在测量点碰撞路面时产生的峰，该峰P_f的位置为踏入点P_f。接下来出现的峰(负的峰)P_k是在测量点离开路面时产生的峰，该峰P_k的位置为蹬出点。

区域信号提取单元115将由振动波形检测单元114检测出的时序波形分割为踏入侧峰P_f之前的区域即踏入前区域R101、形成踏入侧峰P_f的区域即踏入区域R102、踏入侧峰P_f与蹬出侧峰P_k之间的区域即蹬出前区域R103、形成蹬出侧峰P_k的区域即蹬出区域R104以及蹬出区域R104之后的区域即蹬出后区域R105，提取各区域R101～R105内的振动的时序波形。

此外，在从制动驱动力判定单元113输入了中止指令信号的情况下，中止时序波形的提取动作。

频带值计算单元116使各区域R101～R105的时序波形通过带通滤波器，来计算规定的频率区域的振动分量的大小即频带值A_ij。此外，下标i是指时序波形的区域R101～R105，下标j是指提取出的频率区域。

例如，A₁₁是从踏入前区域R101的2kHz～8kHz频带中选择的频带值，A₂₃是从踏入区域R102的4kHz～10kHz频带中选择的频带值，A₅₂是从蹬出后区域R105的2kHz～4kHz频带中选择的频带值。

该频带值A_ij相当于本发明的判别参数。

频带值校正单元117使用由制动驱动力判定单元113估计出的制动驱动力J的数据对由频带值计算单元116计算出的频带值A_ij进行校正。具体地说，准备如图22所示那样的示出制动驱动力J与频带值比K_ij＝a_ij(J)/a_ij(0)的关系的曲线图，对制动驱动力为J时的频带值A_ij(J)进行校正。此外，a_ij(0)是定速行驶时(J＝0)的频带值。

当将校正后的频带值设为A_ij(J)时，A_ij(J)＝K_ij×A_ij。

此外，并非所有的频带值A_ij都如图22的(a)所示那样在加速时(J>0)变大且在减速时(J<0)变小，因此如上述那样需要事先针对每个提取区域R_i和提取频率区域j_j准备示出制动驱动力J与频带值比K_ij的关系的曲线图。

此外，作为频带值A_ij的校正方法，不限于上述的方法，也可以如图22的(b)所示那样针对每个制动驱动力J预先求出表示A_ij与A_ij(J)的关系的直线或曲线，将与A_ij的制动驱动力J对应的直线上或曲线上的值A_ij(J)设为校正值。

路面状态判别单元118使用将由频带值校正单元117校正后的频带值A_ij(J)取代由频带值计算单元16计算出的A_ij而代入到预先设定的多个识别函数Fk(A_ij)所得到的函数值fk，来估计路面状态。

在本例中，作为识别函数Fk，使用本申请人在日本特愿2010-115730号(专利文献1)中提出的识别函数F1、F2和F3来判别路面是否为“雪路”，以及“雪路”是“积雪道路”和“浅冰霜状雪路”中的哪一种，识别函数F1＝w₁₁·A₁₁+w₁₂·A₁₂-K1用于判定在路面上是否存在水、雪等夹杂物，识别函数F2＝w₂₁·A₂₁+w₂₂·A₅₁-K2用于判定路面是否为积雪道路，识别函数F3＝w₃₁·A₅₂+w₃₂·A₃₁+w₃₃·A₄₁+w₃₄·A₅₃用于判定路面上的夹杂物是水还是雪，即判定路面是深湿润路面还是深冰霜状雪路。

接着，参照图23的流程图说明本实施方式4所涉及的路面状态的判定方法。

首先，由加速度传感器111检测行驶中的轮胎101的轮胎周向振动，并且由制动驱动力估计单元112估计对轮胎101施加的制动驱动力J(步骤S110)。

接着，判定估计出的制动驱动力J的大小|J|是否处于阈值J_Max以内(-J_Max≤J≤J_Max)(步骤S111)。

在制动驱动力J的大小|J|处于阈值J_Max以内的情况下，进入步骤S112，在检测出将加速度传感器111的输出即轮胎周向振动按时间序列排列所得到的时序波形之后，以预先设定的时间窗对作为轮胎振动的数据的时序波形进行加窗，针对每个时间窗提取轮胎振动的时序波形(步骤S113)。

另一方面，在估计出的制动驱动力J为J<-J_Max或J>J_Max的情况下，中止轮胎振动的时序波形的提取。

在本例中，设为J_Max＝0.4G，J＝0.1G。

接着，在将检测出的时序波形分割为踏入前区域R101、踏入区域R102、蹬出前区域R103、蹬出区域R104以及蹬出后区域R105(步骤S113)之后，根据各区域R101～R105内的振动的时序波形计算频带值A_ij(步骤S114)。

频带值A_ij是时序波形的提取区域为Ri、频率区域为[f_ja，f_jb]的频带值。例如，A₂₃是踏入区域R2的频率区域为[4kHz，10kHz]内的频带值。

在本发明中，使用制动驱动力J的数据对计算出的频带值A_ij进行校正(步骤S115)。此外，针对每个频带值A_ij进行校正。

接着，判定在路面上是否存在水、雪等夹杂物(步骤S116)。

具体地说，预先通过实验求出各种路面状态下的频带值A₁₁与频带值A₁₂的关系来设定识别函数F1＝w₁₁·A₁₁+w₁₂·A₁₂-K1，将分别用制动驱动力J校正后的频带值A₁₁(J)和频带值A₁₂(J)代入到该识别函数F1的频带值A₁₁和频带值A₁₂来求出函数值f1。

在函数值f1满足f1≥0的情况下，判定为在路面上存在水、雪等夹杂物，因此进入步骤S117，判定该路面上的夹杂物是否为新雪堆积的松软的路面。另一方面，在f1<0的情况下，判定为路面“不是雪路”。

在步骤S117中，判定是否为新雪堆积的积雪道路。

具体地说，预先通过实验求出各种路面状态下的频带值A₂₁与频带值A₅₁的关系来设定识别函数F2＝w₂₁·A₂₁+w₂₂·A₅₁-K2，将分别用制动驱动力J校正后的频带值A₂₁(J)和频带值A₅₁(J)代入到该识别函数F2的频带值A₂₁和频带值A₅₁来求出函数值f2。在f2<0的情况下，判定为路面是积雪道路。

另一方面，在函数值f2为f2≥0的情况下，进入步骤S118，判定路面上的夹杂物是水还是雪，即路面是深湿润路面还是深冰霜状积雪道路。

即，在步骤S118中，针对各种路面状态下的频带值A₅₂、A₃₁、A₄₁、A₅₃预先设定识别函数F3＝w₃₁·A₅₂+w₃₂·A₃₁+w₃₃·A₄₁+w₃₄·A₅₃，求出将分别用制动驱动力J校正后的频带值A₅₂(J)、A₃₁(J)、A₄₁(J)以及频带值A₅₃(J)代入到该识别函数F3的频带值A₅₂、A₅₃₁、A₄₁以及频带值A₅₃所得到的函数值f3。在f3≥0的情况下，判定为是深湿润道路(不是雪路)，在f3<0的情况下，判定为路面是冰霜状雪路。

像这样，在本实施方式4中，由加速度传感器111检测行驶中的轮胎1的轮胎周向振动，并且由制动驱动力估计单元112估计作用于轮胎1的制动驱动力J，在估计出的该制动驱动力J处于阈值J_Max以内(-J_Max≤J≤J_Max)的情况下，用制动驱动力J对作为判别参数的根据轮胎周向振动的时序波形求出的频带值A_ij进行校正，使用该校正后的频带值A_ij(J)来判定路面状态，因此能够提高路面状态的判定精度。

另外，在制动驱动力J为J<-J_Max或J>J_Ma的情况下，中止路面状态的判定，因此能够防止路面状态的错误判定。

此外，在所述实施方式4中，将对轮胎输入的外部信息设为制动驱动力J，但是也可以设为作用于轮胎的横向力，还可以设为制动驱动力J和横向力这两方。另外，也可以设为制动驱动力J与横向力的合力。

另外，在所述实施方式4中，将根据对轮胎输入的外部信息来进行校正的判别参数设为根据从时序波形提取出的踏入前区域R101、踏入区域R102、蹬出前区域R103、蹬出区域R104以及蹬出后区域R105的时序波形计算的规定的频率区域的振动分量的大小即频带值A_ij，但是也可以是根据多个特定频带的振动水平运算的运算值即识别函数Fk的函数值fk。或者，也可以是作为识别函数Fk的系数的w_kl(权重水平)、常数K_k。

将根据对轮胎输入的外部信息进行校正的判别参数设为识别函数Fk的函数值fk的情况相当于本发明的根据判别参数和外部信息来判别路面状态的第一判别步骤。

另外，也可以将判别参数设为特定频带的范围。

例如图24所示，特定频率区域的上限频率f_ja或下限频率f_jb、或者特定频率区域的区域宽度(f_jb-f_ja)的适当值根据制动驱动力J而变化，因此如果根据制动驱动力J来变更这些值，则能够提高路面状态的判定精度。

另外，作为判别参数，也可以使用对振动波形进行加窗的窗的时宽。即，振动波形的踏入侧峰P_f的位置、蹬出侧峰P_k的位置、或者踏入侧峰P_f与蹬出侧峰P_k之间的间隔位置也根据制动驱动力J而变化，因此如果根据制动驱动力J来变更振动波形的提取区域(踏入前区域R101、踏入区域R102、蹬出前区域R103、蹬出区域R104以及蹬出后区域R105)的区域宽度，即变更对振动波形进行加窗的窗的时宽，则能够进一步提高路面状态的判定精度。

另外，如果能够同时进行多个判别参数的校正和变更，则能够进一步提高路面状态的判定精度。

实施方式5.

图25是本实施方式5所涉及的路面状态判别装置130的功能框图，在该图中，111为加速度传感器，112为制动驱动力估计单元，113为制动驱动力判定单元，114为振动波形检测单元，131为加窗单元，132为特征向量计算单元，133为特征向量校正单元，134为存储单元，135为似然度计算单元，136为路面状态判别单元。

此外，与实施方式4相同标记的加速度传感器111～振动波形检测单元114的各单元与实施方式4相同。

加速度传感器111检测行驶中的轮胎101的轮胎周向振动，制动驱动力估计单元112估计对轮胎101施加的制动驱动力J。

制动驱动力判定单元113判定估计出的制动驱动力J是否处于预先设定的可判定内压范围[-J_Max，J_Max]内，振动波形检测单元114检测如图21所示那样的将轮胎周向振动按时间序列排列所得到的时序波形。

如图26所示，加窗单元131以预先设定的时宽(时间窗宽度)对轮胎周向振动的时序波形加窗，针对每个时间窗提取轮胎振动的时序波形。

特征向量计算单元132针对提取出的各时间窗的时序波形分别计算特征向量X_t。在本例中，作为特征向量X_t，使用了使轮胎振动的时序波形分别通过频率区域为f_ka-f_kb的k个带通滤波器BP(k)而提取得到的特定频带的振动水平(滤波器过滤波的功率值)x_kt。特征向量X的维数为k维，在本例中，将特定频带设为0kHz-0.5kHz、0.5kHz-1kHz、1kHz-2kHz、2kHz-3kHz、3kHz-4kHz、4kHz-5kHz这六个频带，因此k＝6。

由于针对每个时间窗求出特征向量X_t，因此当将时间窗的总数设为N个时，特征向量X_t的数量也为N个。

特征向量校正单元133使用从制动驱动力判定单元113发送过来的对轮胎施加的制动驱动力J对由特征向量计算单元132计算出的N×k个功率值x_kt(以下称为功率值x_kt)进行校正。校正的方法与实施方式4相同，准备示出与功率值比K_k＝x_kt(J)/x_kt(0)的关系的曲线图，对制动驱动力为J时的功率值x_kt进行校正来求出校正后的特征向量X_t(J)。

当将校正后的特征向量X_t(J)的分量设为x_kt(J)时，x_kt(J)＝K_k×x_kt。

存储单元134存储针对每个路面状态构建的多个隐马尔可夫模型(以下称为路面HMM)。路面HMM包括路面内HMM(road)和路面外HMM(silent)。路面内HMM(road)是根据轮胎振动的时序波形中的在路面区域出现的振动波形构建的，路面外HMM(silent)是根据无信息区域的振动波形构建的。

如图27所示，路面HMM具有与轮胎振动的时序波形对应的七个状态S₁～S₇，各状态S₁～S₇分别由特征向量X_t的输出概率b_ij(X)和状态间的迁移概率a_ij(X)两种参数构成(i、j＝1～7)。

在本例中，进行利用除了各路面HMM的开始状态S₁和结束状态S₇以外的五个状态S₂～S₆将所述轮胎振动的时序波形分割为五个状态的学习，来求出各路面HMM的特征向量X的输出概率b_ij(X)和状态间的迁移概率a_ij(X)。

输出概率b_ij(X)表示在状态从状态S_i迁移到状态S_j时输出特征向量X的概率。输出概率b_ij(X)假定为混合正态分布。

迁移概率a_ij(X)表示状态从状态S_i迁移到状态S_j的概率。

此外，在特征向量X的维数为k维的情况下，针对特征向量X的每个k分量x_k设定输出概率b_ij。

在本例中，预先将使搭载有具备加速度传感器111的轮胎101的车辆分别在干燥(DRY)、湿润(WET)、积雪(SNOW)以及结冰(ICE)的各路面上行驶所得到的轮胎振动的时序波形的数据作为学习用数据，来构建出包括干燥路面HMM、湿润路面HMM、积雪路面HMM及结冰路面HMM的四个路面内HMM(road)以及路面外HMM(silent)这五个路面HMM。

路面内HMM(road)和路面外HMM(silent)都是具有包括开始状态S₁和结束状态S₇在内的七个状态S₁～S₇的HMM。

通过EM算法、Baum-Welch算法、向前-向后算法等周知的方法来进行HMM的学习。

如图28所示，似然度计算单元135针对多个(在此为四个)路面HMM分别计算校正后的特征向量X_t(J)的似然度。

关于似然度，如本申请人们在日本特愿2011-140943号中提出的那样，首先，使用下面的式(1)、(2)来针对每个时间窗计算输出概率P(X_t(J))。此外，下面，X_t是校正后的特征向量X_t(J)。

[数5]

X；数据序列

t；时刻

S；状态数

M_s；混合高斯分布的分量数

c_jsm；第m个混合分量的混合比

μ；高斯分布的平均向量

σ；高斯分布的方差协方差矩阵

由于路面HMM为七个状态，因此以7×7的矩阵来表示迁移概率π(X_t)。作为该迁移概率π(X_t)，只要使用通过所述路面HMM的学习求出的特征向量X_t的状态间的迁移概率a_ij(X_t)即可。

而且，求出计算出的输出概率P(X_t)与迁移概率π(X_t)之积即每个时间窗的出现概率K(X_t)，将所有时间窗的该每个时间窗的出现概率K(X_t)相乘来求出似然度Z。即，通过Z＝ΠP(X_t)·迁移概率π(X_t)求出似然度Z。或者，也可以采用针对各个时间窗计算出的出现概率K(X_t)的对数，将所有时间窗的该出现概率K(X_t)的对数相加来求出似然度Z。

另外，路面HMM的状态从状态S₁迁移到状态S₇的路径(状态迁移序列)如图29所示那样存在多个。即，关于各路面HMM中的每一个，似然度Z按状态迁移序列而不同。

在本例中，应用周知的维特比算法求出似然度Z最大的状态迁移序列Z_M，并将该状态迁移序列设为与检测出的轮胎振动的时序波形对应的状态迁移序列，并且将所述似然度Z_M设为该路面HMM的Z。

针对每个路面HMM求出似然度Z_M。

路面状态判别单元136将由似然度计算单元135计算出的多个隐马尔可夫模型中的每个隐马尔可夫模型的似然度进行比较，将与似然度最大的隐马尔可夫模型对应的路面状态判定为该轮胎正在行驶的路面的路面状态。

接着，参照图30的流程图说明本实施方式5所涉及的路面状态的判定方法。

首先，由加速度传感器111检测行驶中的轮胎101的轮胎周向振动，并且由制动驱动力估计单元112估计对轮胎101施加的制动驱动力J(步骤S120)。

接着，判定估计出的制动驱动力J的大小|J|是否处于阈值J_Max以内(-J_Max≤J≤J_Max)(步骤S121)。

在制动驱动力J的大小|J|处于阈值J_Max以内的情况下，进入步骤S122，在检测出将加速度传感器111的输出即轮胎周向振动按时间序列排列所得到的时序波形之后，以预先设定的时间窗对作为轮胎振动的数据的时序波形进行加窗，针对每个时间窗提取轮胎振动的时序波形(步骤S123)。

另一方面，在估计出的制动驱动力J为J<-J_Max或J>J_Max的情况下，中止轮胎振动的时序波形的提取。

在本例中，设为J_Max＝0.4G、J＝0.1G。

在步骤S124中，针对提取出的各时间窗的时序波形分别计算特征向量X_t＝(x_1t，x_2t，x_3t，x_4t，x_5t，x_6t)。

在本发明中，使用估计出的制动驱动力J的数据对计算出的该特征向量X_t的分量即轮胎振动的时序波形的滤波器过滤波的功率值x_1t～x_6t进行校正(步骤S125)。此外，对每个功率值x_kt(k＝1～6)进行校正。

在校正功率值x_kt后，首先，关于第一个模型即干燥路面HMM，针对每个时间窗求出出现概率K(X_t)＝输出概率P(X_t)×迁移概率π(X_t)(步骤S26)，将所有时间窗的该出现概率K(X_t)相乘来计算干燥路面HMM的似然度Z1(步骤S127)。

接着，判定是否结束了所有模型的似然度Z的计算(步骤S128)，在没有结束的情况下，返回到步骤S126计算下一个模型即湿润路面HMM的似然度Z2。

在结束了全部五个模型的似然度Z计算的情况下，进入步骤S129，对路面状态进行判别。具体地说，将针对每个路面HMM计算出的似然度Z1～Z5进行比较，将与似然度最大的路面HMM对应的路面状态设为该轮胎正在行驶的路面的路面状态。

像这样，在本实施方式5中，由加速度传感器111检测行驶中的轮胎101的轮胎周向振动，并且由制动驱动力估计单元112估计对轮胎101施加的制动驱动力J，在估计出的该制动驱动力J处于可判定内压范围[-J_Max，J_Max]内的情况下，使用制动驱动力J的数据对根据由加窗单元131加窗并提取出的每个时间窗的轮胎振动的时序波形计算的特征向量X_t的分量即滤波器过滤波的功率值x_kt进行校正之后，使用将该校正后的滤波器过滤波的功率值x_kt(J)作为分量的特征向量X_t(J)来判别路面状态，因此能够提高路面状态的判定精度。

另外，在制动驱动力J处于可判定内压范围[-J_Max，J_Max]外的情况下，中止路面状态的判定，因此能够防止路面状态的错误判定。

此外，在所述实施方式5中，将对轮胎输入的外部信息设为制动驱动力J，但是也可以设为作用于轮胎的横向力，还可以设为制动驱动力J和横向力这两方。另外，也可以设为制动驱动力J与横向力的合力。

另外，在所述实施方式5中，将根据作为对轮胎输入的外部信息的制动驱动力J来进行校正的判别参数设为在时间窗内提取出的时序波形的特征向量X_t的分量即轮胎振动的时序波形的滤波器过滤波的功率值x_kt，但是也可以将作为判别函数的似然度Z的大小设为判别参数。或者，也可以是各路面HMM的特征向量X的输出概率P(X_t)或迁移概率π(X_t)、状态数S、混合高斯分布的分量数M_s、混合分量的混合比c_jsm、高斯分布的平均向量μ、高斯分布的方差协方差矩阵σ等判别函数的权重向量或权重向量的中间参数。

将根据外部信息进行校正的判别参数设为似然度Z的大小的情况相当于本发明的根据判别参数和外部信息来判别路面状态的第一判别步骤。

通过路面HMM的学习来求出根据制动驱动力J进行校正的输出概率P(X_t)、迁移概率π(X_t)等参数。

另外，也可以将判别参数设为求出功率值x_kt时的带通滤波器BP(k)的频率区域f_ka-f_kb的适当值、时间窗宽度。

另外，如果能够同时进行多个判别参数的校正和变更，则能够进一步提高路面状态的判定精度。

实施方式6.

图31是本实施方式6所涉及的路面状态判别装置140的功能框图，在该图中，111为加速度传感器，112为制动驱动力估计单元，113为制动驱动力判定单元，114为振动波形检测单元，131为加窗单元，132为特征向量计算单元，133为特征向量校正单元，141为存储单元，142为核函数计算单元，143为路面状态判别单元。

此外，与实施方式4相同标记的加速度传感器111～振动波形检测单元114以及与实施方式5相同标记的加窗单元131～特征向量校正单元133的各单元分别与实施方式4和5相同。

加速度传感器111检测行驶中的轮胎101的轮胎周向振动，制动驱动力估计单元112估计对轮胎101施加的制动驱动力J。

制动驱动力判定单元113判定估计出的制动驱动力J是否处于预先设定的可判定内压范围[-J_Max，J_Max]内，振动波形检测单元114检测如图21所示那样的将轮胎周向振动按时间序列排列所得到的时序波形。

另外，如图26所示，加窗单元131以预先设定的时宽(时间窗宽度)对轮胎周向振动的时序波形进行加窗，针对每个时间窗提取轮胎振动的时序波形。

特征向量计算单元132针对提取出的各时间窗的时序波形分别计算特征向量X_t。

在本例中，作为特征向量X_t，使用了使轮胎振动的时序波形分别通过0kHz-1kHz、1kHz-2kHz、2kHz-3kHz、3kHz-4kHz、4kHz-5kHz的带通滤波器后得到的特定频带的振动水平(滤波器过滤波的功率值)x_kt(k＝1～6)。

由于针对每个时间窗求出特征向量X_t，因此当将时间窗的总数设为N个时，特征向量X_t的数量也为N个。下面，将窗编号为i的特征向量记载为X_i，将X_i的分量即功率值记载为x_ki。

特征向量校正单元133使用从制动驱动力判定单元113发送过来的对轮胎施加的制动驱动力J对由特征向量计算单元132计算出的N×k个功率值x_ki进行校正。校正的方法与实施方式1相同，准备示出与功率值比K_k＝x_kt(J)/x_kt(0)的关系的曲线图，对制动驱动力为J时的功率值x_kt进行校正来求出校正后的特征向量X_t(J)。

当将校正后的特征向量X_t(J)的分量设为x_kt(J)时，x_kt(J)＝K_k×x_kt。

图32是示出特征向量X_i的输入空间的示意图，各轴表示作为特征量的特定频带的振动水平a_ik，各点表示特征向量X_i。实际的输入空间由于特定频带的数量为六个因此与时间轴合起来为七维空间，但是该图用二维(横轴为a₁，纵轴为a₂)来表示。

例如，如果能够将假设车辆行驶于干燥路面时形成组C的点与由车辆行驶于积雪路面时计算出的特征向量X’_i形成的组C’进行区分，则能够判定车辆正行驶于干燥路面还是正行驶于积雪路面。

存储单元141存储预先求出的四个路面模型，该四个路面模型用于根据表示分离超平面的识别函数f(x)来将干燥路面与除干燥路面以外的路面、湿润路面与除湿润路面以外的路面、积雪路面与除积雪路面以外的路面、结冰路面与除结冰路面以外的路面分离。

将路面特征向量Y_ASV(y_jk)作为输入数据，通过学习来求出路面模型，其中，该路面特征向量Y_ASV(y_jk)是根据使搭载有在轮胎处安装了加速度传感器的轮胎的试验车辆以各种速度在干燥、湿润、积雪以及结冰的各路面上行驶所得到的轮胎振动的时序波形计算出的每个时间窗的特征向量。

此外，学习中使用的轮胎尺寸可以是一种尺寸，也可以是多种尺寸。

所述路面特征向量Y_ASV(y_jk)的下标A表示干燥、湿润、积雪以及结冰。下标j(j＝1～M)表示在时间窗内提取出的时序波形的数量(窗的编号)，下标k表示向量的分量。即，y_jk＝(a_j1，a_j2，a_j3，a_j4，a_j5，a_j6)。另外，SV是支持向量的简写，表示通过学习而选择的识别边界附近的数据。

下面，将路面特征向量Y_ASV(y_jk)仅记载为Y_ASV。

各路面特征向量Y_ASV的计算方法与上述的特征向量X_j的计算方法相同，例如如果是干燥路面特征向量Y_DSV，则以时宽T对行驶于干燥路面时的轮胎振动的时序波形进行加窗，针对每个时间窗提取轮胎振动的时序波形，并对提取出的各时间窗的时序波形分别计算干燥路面特征向量Y_D。此外，干燥路面特征向量Y_D的向量y_i的维数与特征向量X_i同样地是六维。之后，将Y_D作为学习数据来由支持向量机(SVM)学习，由此选择支持向量Y_DSV。此外，在存储单元141中，不需要存储所有的Y_D，只存储上述选择的Y_DSV即可。

关于湿润路面特征向量Y_WSV、积雪路面特征向量Y_SSV、结冰路面特征向量Y_ISV，也能够与干燥路面特征向量Y_DSV同样地求出。

在此，时宽T为与求出特征向量X_j时的时宽T相同的值是重点。如果时宽T固定，则时间窗的时序波形的数量M根据轮胎类型和车速而不同。即，路面特征向量Y_ASV的时间窗的时序波形的数量M与特征向量X_j的时间窗的时序波形的数量N未必一致。例如，即使轮胎类型相同，但在求出特征向量X_j时的车速比求出干燥路面特征向量Y_DSV时的车速慢的情况下M>N，在快的情况下M<N。

如本申请人们在日本特愿2012-176779号中提出的那样，将各路面特征向量Y_A作为学习数据来由SVM构建路面模型。

图33是示出输入空间上的干燥路面特征向量Y_DSV和除干燥路面以外的路面特征向量Y_nDSV的概念图，该图的黑圆点为干燥路面，浅色的圆点为除干燥路面以外的路面特征向量。

此外，干燥路面特征向量和除干燥路面以外的路面特征向量都是矩阵，但是为了说明组的识别边界的求出方法，在图32中分别用二维的向量示出了干燥路面特征向量和除干燥路面以外的路面特征向量。

组的识别边界一般不能进行线性分离。因此，使用核方法将路面特征向量Y_DSV和Y_nDSV通过非线性映射φ映射到高维特征空间来进行线性分离，由此对原来的输入空间中的路面特征向量Y_DSV和Y_nDSV进行非线性的分类。

具体地说，使用数据的集合X＝(x₁，x₂，······x_n)和所属类别z＝{1、-1}求出用于识别数据的最佳的识别函数f(x)＝w^Tφ(x)-b。在此，数据为路面特征向量Y_Dj、Y_nDj，所属类别是z＝1为该图的χ₁中示出的干燥路面的数据，z＝-1为χ₂中示出的除干燥路面以外的路面的数据。另外，w为权重系数，b为常数，f(x)＝0为识别边界。

例如使用拉格朗日未定乘数法来对识别函数f(x)＝w^Tφ(x)-b进行最优化。最优化问题被置换为下面的式(3)、(4)。

[数6]

最优化

条件

在此，α、β是存在多个的学习数据的指标。另外，λ为拉格朗日乘子，λ>0。

此时，通过将内积φ(x_α)φ(x_β)置换为核函数K(x_α，x_β)，能够使识别函数f(x)＝w^Tφ(x)-b非线性。此外，φ(x_α)φ(x_β)是将x_α和x_β通过映射φ映射到高维空间之后的内积。

能够关于所述的式(2)使用最速下降法、SMO(Sequential MinimalOptimization：序列最小最优化)等最优化算法求出拉格朗日乘子λ。此时，由于使用了核函数，因此不需要直接求出高维的内积。因而，能够大幅地缩减计算时间。

在本例中，作为核函数K(x_α，x_β)，使用了全局比对核函数(GA核)。如图16以及下面的式(5)、(6)所示，GA核K(x_α，x_β)是由表示干燥路面特征向量x_i＝Y_Di与除干燥路面以外的路面特征向量x_j＝Y_nDj的相似度的局部核κ_ij(x_i，x_j)的总和或总积形成的函数，能够将时间长度不同的时序波形直接进行比较。

针对时间间隔T的每个窗求出局部核κ_ij(x_i，x_j)。

为了区分干燥路面与除干燥路面以外的路面，通过使作为分离超平面的识别函数f(x)具有余量，能够高精度地区分干燥路面与除干燥路面以外的路面，该分离超平面用于将干燥路面特征向量Y_Dj与除干燥路面以外的路面特征向量Y_nDj进行分离。

余量是指从分离超平面到最近的样本(支持向量)的距离，作为识别边界的分离超平面为f(x)＝0。而且，干燥路面特征向量Y_Dj全部处于f(x)≥+1的区域内，除干燥路面以外的路面特征向量Y_nDj处于f(x)≤-1的区域内。

用于区分干燥路面和除干燥路面以外的路面的干燥路面模型是具备处于f(x)＝+1的距离处的支持向量Y_DSV和处于f(x)＝-1的距离处的支持向量Y_nDSV的输入空间。所述Y_DSV和所述Y_nDSV一般存在多个。

用于区分湿润路面和除湿润路面以外的路面的湿润模型、用于区分积雪路面与除积雪路面以外的路面的积雪模型以及用于区分结冰路面与除结冰路面以外的路面的结冰模型也是同样的。

在本例中，作为核函数K(x_α，x_β)，使用了全局比对核函数(GA核)。如图7以及下面的式(5)、(6)所示，GA核K(x_α，x_β)是由表示干燥路面特征向量x_i＝Y_Di与除干燥路面以外的路面特征向量x_j＝Y_nDj的相似度的局部核κ_ij(x_i，x_j)的总和或总积形成的函数，能够将时间长度不同的时序波形直接进行比较。

[数7]

其中，||x_αi-x_βj||为特征向量间的距离(范数)，σ为常数

针对时间间隔T的每个窗求出局部核κ_ij(x_i，x_j)。

此外，图25是求出时间窗的数量为6的干燥路面特征向量Y_Dj与时间窗的数量为4的除干燥路面以外的路面特征向量Y_nDj的GA核的例子。

为了区分干燥路面与除干燥路面以外的路面，通过使作为分离超平面的识别函数f(x)具有余量，能够高精度地区分干燥路面与除干燥路面以外的路面，该分离超平面用于将干燥路面特征向量Y_Dj与除干燥路面以外的路面特征向量Y_nDj进行分离。

余量是指从分离超平面到最近的样本(支持向量)的距离，作为识别边界的分离超平面为f(x)＝0。而且，干燥路面特征向量Y_Dj全部处于f(x)≥+1的区域内，除干燥路面以外的路面特征向量Y_nDj处于f(x)≤-1的区域内。

用于区分干燥路面和除干燥路面以外的路面的干燥路面模型是具备处于f(x)＝+1的距离处的支持向量Y_DSV和处于f(x)＝-1的距离处的支持向量Y_nDSV的输入空间。所述Y_DSV和所述Y_nDSV一般存在多个。

用于区分湿润路面和除湿润路面以外的路面的湿润模型、用于区分积雪路面与除积雪路面以外的路面的积雪模型以及用于区分结冰路面与除结冰路面以外的路面的结冰模型也是同样的。

核函数计算单元142根据由特征向量计算单元132计算并由特征向量校正单元133校正后的特征向量X_i(J)以及存储单元141中记录的干燥模型、湿润模型、积雪模型及结冰模型的各支持向量Y_ASV、Y_nASV(A＝D、W、S、I)，分别计算GA核K_D(X，Y)、K_W(X，Y)、K_S(X，Y)、K_I(X，Y)。

GA核K(X，Y)也如图35所示那样是由在所述的[数3]中将x_i设为特征向量X_i、将x_j设为路面特征向量Y_Aj、Y_nAj时的局部核κ_ij(X_i，Y_j)的总和或总积形成的函数，能够将时间长度不同的时序波形直接进行比较。此外，该图是x_j为路面特征向量Y_Aj的例子，特征向量X_i的时间窗的数量为n＝5，路面特征向量Y_Aj的时间窗的数量为m＝4。

如本例那样，即使在求出特征向量X_i时的时间窗的时序波形的数量n与求出路面特征向量Y_Aj(或Y_nAj)时的时间窗的时序波形的数量m不同的情况下，也能够求出特征向量X_i、Y_Aj间(或X_i、Y_nAj间)的相似度。

在路面状态判别单元143中，基于下面的式(7)～(10)所示的使用了核函数K_A(X，Y)的四个识别函数f_A(x)的值来判别路面状态(A＝D、W、S、I)。

[数8]

f_D为用于识别干燥路面与其它路面的识别函数，f_W为用于识别湿润路面与其它路面的识别函数，f_S为用于识别积雪路面与其它路面的识别函数，f_I为用于识别结冰路面与其它路面的识别函数。

另外，N_DSV为干燥模型的支持向量的数量，N_WSV为湿润模型的支持向量的数量，N_SSV为积雪模型的支持向量的数量，N_ISV为结冰模型的支持向量的数量。

在本例中，分别计算识别函数f_D、f_W、f_S、f_I，根据计算出的示出识别函数f_A的最大值的识别函数来判别路面状态。

接着，参照图36的流程图说明本实施方式6所涉及的路面状态的判定方法。

首先，由加速度传感器111检测行驶中的轮胎101的轮胎周向振动，并且由制动驱动力估计单元112估计对轮胎101施加的制动驱动力J(步骤S130)。

接着，判定估计出的制动驱动力J的大小|J|是否处于阈值J_Max以内(-J_Max≤J≤J_Max)(步骤S131)。

在制动驱动力J的大小|J|处于阈值J_Max以内的情况下，进入步骤S132，在检测出将加速度传感器111的输出即轮胎周向振动按时间序列排列所得到的时序波形之后，以预先设定的时间窗对作为轮胎振动的数据的时序波形进行加窗，针对每个时间窗提取轮胎振动的时序波形(步骤S133)。

另一方面，在估计出的制动驱动力J为J<-J_Max或J>J_Max的情况下，中止轮胎振动的时序波形的提取。

在本例中，设为J_Max＝0.4G，J＝0.1G。

在步骤S134中，针对提取出的各时间窗的时序波形分别计算特征向量X_t＝(x_1t，x_2t，x_3t，x_4t，x_5t，x_6t)。

在本发明中，使用估计出的制动驱动力J的数据对计算出的该特征向量X_t的分量即轮胎振动的时序波形的滤波器过滤波的功率值x_1t～x_6t进行校正(步骤S135)。此外，对每个功率值x_kt(k＝1～6)进行校正。

接着，在根据校正后的特征向量X_i(J)和存储单元141中记录的路面模型的支持向量Y_Ak计算出局部核κ_ij(X_i，Y_j)之后，求出局部核κ_ij(X_i，Y_j)的总和，来分别计算全局比对核函数K_D(X，Y)、K_W(X，Y)、K_S(X，Y)、K_I(X，Y)(步骤S136)。

接着，在分别计算出使用了核函数K_A(X，Y)的四个识别函数f_D(x)、f_W(x)、f_S(x)、f_I(x)(步骤S137)之后，将计算出的识别函数f_A(x)的值进行比较，将示出最大的值的识别函数的路面状态判别为该轮胎101正在行驶的路面的路面状态(步骤S138)。

此外，在所述实施方式5中，将对轮胎输入的外部信息设为制动驱动力J，但是也可以设为作用于轮胎的横向力，还可以设为制动驱动力J和横向力这两方。另外，也可以设为制动驱动力J与横向力的合力。

另外，在所述实施方式6中，将根据轮胎状态来进行校正的判别参数设为在时间窗内提取出的时序波形的特征向量X_t的分量即轮胎振动的时序波形的滤波器过滤波的功率值x_kt，但是也可以将识别函数f_D、f_W、f_S、f_I的输出值设为判别参数。

将根据作为对轮胎输入的外部信息的制动驱动力J来进行校正的判别参数设为识别函数f_D、f_W、f_S、f_I的输出值的情况相当于本发明的根据判别参数和外部信息来判别路面状态的第一判别步骤。

或者，判别参数也可以是用于求出识别函数f(x)的权重w的参数即所属类别z、局部核κ_ij(X_i，Y_j)、或用于计算局部核κ_ij(X_i，Y_j)的常数σ。

另外，也可以根据外部信息例如将核函数K设为动态时间规整核函数(DTW核)等，根据外部信息变更使用的核函数。

或者，也可以是支持向量机的学习过程中所需要的参数。

另外，与所述实施方式2同样地，将求出功率值x_kt时的带通滤波器BP(k)的频率区域f_ka-f_kb的适当值、对轮胎周向振动的时序波形进行加窗的时宽(时间窗宽度)作为根据轮胎信息进行变更的判别参数也能够提高路面状态的判定精度。

另外，如果能够同时进行多个判别参数的校正和变更，则能够进一步提高路面状态的判定精度。

附图标记说明

1：轮胎；2：内衬层部；3：胎面；4：轮辋；5：轮胎气室；10：路面状态判别装置；11：加速度传感器；12：内压传感器；13：轮胎状态判定单元；14：振动波形检测单元；15：区域信号提取单元；16：频带值计算单元；17：频带值校正单元；18：路面状态判别单元；101：轮胎；102：内衬层部；103：胎面；110：路面状态判别装置；111：加速度传感器；112：制动力估计单元；113：制动驱动力判定单元；114：振动波形检测单元；115：区域信号提取单元；116：频带值计算单元；117：频带值校正单元；118：路面状态判别单元。

Claims (18)

1.一种路面状态判别方法，根据由振动检测单元检测出的行驶中的轮胎的振动的时间变化波形来判别路面的状态，该路面状态判别方法的特征在于，具备以下步骤：

获取所述轮胎的振动波形；

获取所述轮胎的状态信息；以及

第一判别步骤和第二判别步骤中的任一个判别步骤，在该第一判别步骤中，根据判别参数和所述状态信息来判别路面状态，该判别参数是根据所述振动波形求出的用于判别路面状态的参数，在该第二判别步骤中，在用所述状态信息对所述判别参数进行校正或变更之后，根据校正后的该判别参数来判别路面状态。

2.根据权利要求1所述的路面状态判别方法，其特征在于，

所述状态信息是该轮胎的内压和轮胎内温度中的任一方或两方。

3.根据权利要求2所述的路面状态判别方法，其特征在于，

在所述状态信息超出预先设定的范围的情况下，不进行路面状态的判别。

4.根据权利要求1～3中的任一项所述的路面状态判别方法，其特征在于，

所述判别参数是从所述振动波形提取的特定频带的振动水平，或是根据多个特定频带的振动水平运算的运算值。

5.根据权利要求1～3中的任一项所述的路面状态判别方法，其特征在于，

所述判别参数是特定频带的范围。

6.根据权利要求1～3中的任一项所述的路面状态判别方法，其特征在于，

所述判别参数是对所述振动波形进行加窗的窗的时宽。

7.根据权利要求1～3中的任一项所述的路面状态判别方法，其特征在于，

所述判别参数是使用了在路面判别中使用的多个特定频带的振动水平的判别函数的权重向量，或者是所述权重向量的中间参数。

8.根据权利要求1～3中的任一项所述的路面状态判别方法，其特征在于，

所述判别参数是使用了在路面判别中使用的多个特定频带的振动水平的判别函数的输出值。

9.一种路面状态判别装置，具备：

振动检测单元，其对行驶中的轮胎的振动进行检测；

振动波形检测单元，其对所述轮胎的振动的时间变化波形进行检测；以及

路面状态判别单元，其根据所述时间变化波形来判别路面的状态，

其中，该路面状态判别装置的特征在于，

设置有轮胎状态检测单元，该轮胎状态检测单元获取所述轮胎的状态信息，并且，

所述路面状态判别单元根据判别参数和所述状态信息来判别路面状态，该判别参数是根据所述振动波形求出的用于判别路面状态的参数。

10.一种路面状态判别装置，具备：

振动检测单元，其对行驶中的轮胎的振动进行检测；

振动波形检测单元，其对所述轮胎的振动的时间变化波形进行检测；以及

路面状态判别单元，其根据所述时间变化波形来判别路面的状态，

其中，该路面状态判别装置的特征在于，设置有以下单元：

轮胎状态检测单元，其获取所述轮胎的状态信息；以及

判别参数校正单元，其根据所述状态信息来校正判别参数，该判别参数是根据所述振动波形求出的用于判别路面状态的参数，并且

所述路面状态判别单元基于根据所述状态信息校正后的判别参数来判别路面状态。

11.一种路面状态判别方法，根据由振动检测单元检测出的行驶中的轮胎的振动的时间变化波形来判别路面的状态，该路面状态判别方法的特征在于，具备以下步骤：

获取所述轮胎的振动波形；

获取对所述轮胎输入的外部信息；以及

第一判别步骤和第二判别步骤中的任一个判别步骤，在该第一判别步骤中，根据判别参数和所述外部信息来判别路面状态，该判别参数是根据所述振动波形求出的用于判别路面状态的参数，在该第二判别步骤中，在用所述外部信息对所述判别参数进行校正或变更之后，根据校正后的该判别参数来判别路面状态。

12.根据权利要求11所述的路面状态判别方法，其特征在于，

所述外部信息是作用于该轮胎的制动驱动力。

13.根据权利要求12所述的路面状态判别方法，其特征在于，

在所述外部信息超出预先设定的范围的情况下，不进行路面状态的判别。

14.根据权利要求11～13中的任一项所述的路面状态判别方法，其特征在于，

所述判别参数是从所述振动波形提取的特定频带的振动水平、或是根据多个特定频带的振动水平运算的运算值。

15.根据权利要求11～13中的任一项所述的路面状态判别方法，其特征在于，

所述判别参数是特定频带的范围。

16.根据权利要求11～13中的任一项所述的路面状态判别方法，其特征在于，

所述判别参数是对所述振动波形进行加窗的窗的时宽。

17.根据权利要求11～13中的任一项所述的路面状态判别方法，其特征在于，

所述判别参数是使用了在路面判别中使用的多个特定频带的振动水平的判别函数的权重向量，或者是所述权重向量的中间参数。

18.根据权利要求11～13中的任一项所述的路面状态判别方法，其特征在于，

所述判别参数是使用了在路面判别中使用的多个特定频带的振动水平的判别函数的输出值。