CN110622043A - 路面状态判别方法和路面状态判别装置 - Google Patents

路面状态判别方法和路面状态判别装置 Download PDF

Info

Publication number
CN110622043A
CN110622043A CN201880031455.6A CN201880031455A CN110622043A CN 110622043 A CN110622043 A CN 110622043A CN 201880031455 A CN201880031455 A CN 201880031455A CN 110622043 A CN110622043 A CN 110622043A
Authority
CN
China
Prior art keywords
road surface
surface state
feature
feature amount
tire
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201880031455.6A
Other languages
English (en)
Other versions
CN110622043B (zh
Inventor
石井启太
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bridgestone Corp
Original Assignee
Bridgestone Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bridgestone Corp filed Critical Bridgestone Corp
Priority to CN202111345275.5A priority Critical patent/CN114169222A/zh
Publication of CN110622043A publication Critical patent/CN110622043A/zh
Application granted granted Critical
Publication of CN110622043B publication Critical patent/CN110622043B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B17/00—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations
    • G01B17/08—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations for measuring roughness or irregularity of surfaces
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
    • B60C19/00—Tyre parts or constructions not otherwise provided for
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
    • B60C19/00—Tyre parts or constructions not otherwise provided for
    • B60C2019/004—Tyre sensors other than for detecting tyre pressure
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Abstract

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轮胎所接触的路面的状态时，使用经验模态分解算法来根据轮胎的振动的时间变化波形的数据获取多个固有振动模态，之后从这些多个固有振动模态中选择任意的固有振动模态，根据针对被选择的该固有振动模态进行希尔伯特变换而计算出的特征数据的分布来计算统计量，并将该统计量设为特征量，根据该特征量和针对各路面状态预先求出的特征量来判别路面状态。

Description

路面状态判别方法和路面状态判别装置
技术领域
本发明涉及一种对车辆行驶的路面的状态进行判别的方法及其装置。
背景技术
以往，作为仅使用行驶中的轮胎振动的时间序列波形的数据来判别路面状态的方法，提出了如下一种方法(例如参照专利文献1)：使用GA核等函数来判别路面状态，该GA核等函数是根据基于将轮胎的振动的时间序列波形乘以窗函数来提取出的时间序列波形计算出的每个时间窗的特征向量即特定频带的振动水平以及针对各路面状态预先求出的基于轮胎振动的时间序列波形计算出的每个时间窗的路面特征向量而计算出的。
现有技术文献
专利文献
专利文献1：日本特开2014-35279号公报
发明内容
发明要解决的问题
然而，在所述以往的方法中，存在如下问题点：由于使时间序列波形进行时间伸缩，因此不仅GA核的计算花费时间，而且数据数量多，因此处理非常繁重。
时间伸缩是将获取到的轮胎的振动波形(加速度波形)进行比较所需的处理，例如在以30km/h的速度行驶的情况下，在以10kHz的采样率获取了轮胎一周(周长2m)的数据时，测量点数有2400点，与此相对地，在以90km/h的速度行驶的情况下，测量点数变为800点。因此，很难简单地对波形进行比较，从而需要使波形在时间轴上进行伸缩。
该时间伸缩的操作是运算量不下降的主要原因。
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能够大幅地削减运算量从而能够迅速且高精度地判别路面状态的方法及其装置。
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对轮胎所接触的路面的状态进行判别，所述路面状态判别方法的特征在于，包括以下步骤：检测所述轮胎的振动的时间变化波形；使用经验模态分解算法来根据所述时间变化波形的数据获取多个固有振动模态；从所述多个固有振动模态中选择并提取任意的固有振动模态；针对提取出的所述固有振动模态进行希尔伯特变换来计算瞬时频率、瞬时振幅等特征数据；根据所述特征数据的分布来计算特征量；以及根据计算出的所述特征量和针对各路面状态预先求出的特征量来判别路面状态，其中，所述特征量为所述特征数据的分布的平均、标准偏差、偏度、峰度等统计量。
另外，本发明是一种路面状态判别装置，其检测行驶中的轮胎的振动来对轮胎所接触的路面的状态进行判别，所述路面状态判别装置的特征在于，具备：振动检测单元，其安装于所述轮胎，检测行驶中的轮胎的振动的时间变化波形；固有振动模态提取单元，其使用经验模态分解算法来根据所述时间变化波形获取多个固有振动模态，从获取到的所述多个固有振动模态中提取任意的固有振动模态；特征数据计算单元，其针对提取出的所述固有振动模态进行希尔伯特变换来计算特征数据；特征量计算单元，其根据所述特征数据的分布来计算特征量；存储单元，其存储针对各路面状态预先求出的、使用振动的时间变化波形计算出的特征量；核函数计算单元，其根据计算出的所述特征量和针对各路面状态预先求出的所述特征量来计算高斯核函数；以及路面状态判别单元，其根据使用了计算出的所述高斯核函数的识别函数的值来判别路面状态，其中，所述特征量为所述特征数据的分布的平均、标准偏差、偏度、峰度等统计量，所述路面状态判别单元将针对各路面状态求出的识别函数的值进行比较来判别路面状态。
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是示出本实施方式所涉及的路面状态判别装置的结构的功能框图。
图2是示出加速度传感器的安装位置的一例的图。
图3是示出轮胎振动的时间序列波形的一例的图。
图4是示出固有振动模态的获取方法的图。
图5是示出特征数据的获取方法的图。
图6是示出特征量的分布状态的一例的图。
图7是示出输入空间和特征空间中的分离超平面的示意图。
图8是表示本实施方式所涉及的路面状态的判别方法的流程图。
图9是将以往方法与本方法的路面判别精度进行比较的图。
图10是将以往方法与本方法的学习时间进行比较的图。
图11是示出用于进行干燥(DRY)/湿润(WET)的两种路面判别的边界面的图。
图12是将以往方法与本方法的干燥/湿润的两种路面判别精度进行比较的图。
具体实施方式
图1是示出路面状态判别装置10的结构的功能框图。
路面状态判别装置10具备作为轮胎振动检测单元的加速度传感器11、振动波形检测单元12、固有振动模态提取单元13、特征数据计算单元14、特征量计算单元15、存储单元16、核函数计算单元17以及路面状态判别单元18。
振动波形检测单元12～路面状态判别单元18的各单元例如由计算机的软件以及RAM等存储器构成。
如图2所示，加速度传感器11被一体地配置于轮胎20的内衬层部21的轮胎气室22侧的大致中央部，对由于来自路面的输入而引起的该轮胎20的振动进行检测。作为加速度传感器11的输出的轮胎振动的信号例如在被放大器放大之后，被转换为数字信号并发送到振动波形检测单元12。
在振动波形检测单元12中，从由加速度传感器11检测出的轮胎振动的信号中，按轮胎每旋转一周来提取作为轮胎振动的时间序列波形的加速度波形。
图3是示出轮胎振动的时间序列波形的一例的图，轮胎振动的时间序列波形在踏入位置附近与蹬出位置附近具有较大的峰，并且在轮胎20的接地部触地之前的踏入前区域Rf和在轮胎20的接地部离开路面之后的蹬出后区域Rk中都出现根据路面状态而不同的振动。另一方面，踏入前区域Rf之前的区域和蹬出后区域Rk之后的区域(下面称为路面外区域)几乎没有受到路面的影响，因此振动水平也小，并且也不包含路面的信息。
此外，作为路面外区域的定义，例如相对于加速度波形设定背景水平，将具有比该背景水平小的振动水平的区域设为路面外区域即可。
在本例中，将加速度波形中的包含路面的信息的区域即路面内区域(踏入前区域Rf、触地区域Rs以及蹬出后区域Rk)的加速度波形设为测量数据x1(t)，使用经验模态分解(Empirical Mode Decomposition；EMD)算法将该测量数据x1(t)分解为多个固有振动模态(Intrinsic Mode Function(本征模态函数)；IMF)，之后针对各IMF进行希尔伯特变换来计算特征量。
固有振动模态提取单元13使用EMD算法来根据测量数据x1(t)获取多个IMF(C1，C2，······，Cn)，并且从获取到的多个IMF中提取任意的IMF Ck。
在此，对IMF的求取方式进行说明。
首先，如图4所示，提取测量数据x1(t)的所有的极大点和极小点，求出将极大点连结而成的上侧包络线emax(t)和将极小点连结而成的下侧包络线emin(t)，之后计算上侧包络线emax(t)与下侧包络线emin(t)的局部平均m1(t)＝(emax(t)+emin(t))/2。
接着，求出测量数据x1(t)与局部平均m1(t)的差波形y1(t)＝x1(t)-m1(t)。差波形y1(t)缺乏对称性，不能说是IMF。因此，对差波形y1(t)进行与对测量数据x1(t)进行过的处理同样的处理，从而求出差波形y2(t)。并且，重复进行该处理，求出差波形y3(t)、y4(t)、······、ym(t)。差波形yk(t)为k越大则对称性越高，从而越接近IMF。
作为差波形变为IMF的条件，提出了yk(t)的零交叉点的数量和峰数量在求IMF的过程中连续4次～8次不变且零交叉点的数量与峰数量一致这样的条件。此外，也可以将局部平均mk(t)的标准偏差变为阈值以下的时间点的差波形yk-1(t)设为IMF。
将根据该测量数据x1(t)提取出的IMF称为第一个IMF C1。
接着，根据第一个IMF C1和测量数据x1(t)提取第二个IMF C2。具体地说，将从测量数据x1(t)减去第一个IMF C1后的数据x2(t)＝x1(t)-IMF C1设为新的测量数据，对该新的测量数据x2(t)进行与上述的针对测量数据x1(t)的处理同样的处理来提取第二个IMF C2。
重复进行该处理，在第n个IMF Cn变为极值为1以下的波形的时间点，结束求IMF的处理。提取的IMF的个数根据基础波形(测量数据)而变化，但是通常能够提取10个～15个IMF。
此外，IMF Ck是从高频成分开始依次提取的。
另外，所有的IMF Ck之和与测量数据x1(t)相等。
另外，为了进行路面判定，需要着眼于轮胎振动的高频成分，因此作为用于计算特征量的IMF，使用第一个IMF C1、第二个IMF C2等较低编号的IMF即可。
此外，为了降低计算量，仅提取出要使用的IMF并在此时停止计算即可。例如，在仅使用第三个IMF C3的情况下，可以省略提取第四个IMF C4以后的IMF的计算。
下面，将作为要使用的IMF的第k个IMF Ck设为Xk(t)。
特征数据计算单元14针对所获得的IMF Xk(t)进行希尔伯特变换，计算波形的零交叉点处的瞬时频率fk(t)和瞬时振幅ak(t)。瞬时频率fk(t)为相位函数θk(t)的时间微分。
通过下面的式(1)求出Xk(t)的希尔伯特变换Yk(t)。
[数1]
通过该希尔伯特变换，如下面的式(2)～(4)那样表示用于计算特征数据的解析波形Zk(t)。另外，通过式(5)求出瞬时频率fk(t)。
[数2]
如图5所示，各IMF Xk(t)的波形具有多个时刻tj的零交叉点，在时刻tj与时刻tj+1之间具有瞬时振幅的极大值。
因此，将该图的用粗线表示的时刻tj与时刻tj+1之间的波形视为频率fkj为瞬时频率fk(tj)且振幅akj为瞬时振幅ak(tj’)的波形ck,j的一部分(λk,j/2)，将该频率fkj和振幅akj设为各IMF Xk(t)的特征数据。在此，为tj’＝(tj+tj+1)/2。
特征量计算单元15根据作为IMF Xk(t)的特征数据的、振幅ak,j相对于频率fk,j的分布来计算作为统计量的平均μk、标准偏差σk以及偏度b1k。
这些统计量为不依赖于时间的统计量，因此将这些统计量采用为特征量。此外，针对每个Ck求出特征量。
下面，将要使用的特征量设为第一个IMF C1的特征量。
图6是示出根据车辆行驶于路面状态为干燥、湿润两种路面时的加速度波形计算出的特征量的分布的图，ξ轴为平均μ，η轴为标准偏差σ，ζ轴为偏度b1。另外，颜色浅的圆为干燥路面的数据，颜色深的圆为湿润路面的数据。
在此，当将特征量设为X＝(μ，σ，b1)时，如果能够在图6的特征量X的输入空间内区分颜色浅的圆所示的车辆行驶于干燥路面的组与颜色深的圆所示的车辆行驶于湿润路面的组，则能够根据特征量X判定车辆所行驶的路面是干燥路面还是湿润路面。
同样地，根据行驶于积雪(SNOW)路面、结冰(ICE)路面时的加速度波形，也能够求出积雪路面的特征量的分布、结冰路面的特征量的分布。
存储单元16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。
在求出特征量YA＝(μA，σA，b1A)之后，将YA作为学习数据，通过支持向量机(SVM)来构建路面模型，该特征量YA＝(μA，σA，b1A)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间序列波形计算出的。此外，下标A表示干燥、湿润、积雪以及结冰。另外，将通过SVM选择出的识别边界附近的特征量称为路面特征量YASV。
图7是示出输入空间上的、干燥路面特征量YDSV和除干燥路面以外的路面的路面特征量YnDSV的概念图，该图的黑圆为干燥路面的特征量，白圆为除干燥路面以外的路面的特征量。此外，实际的输入空间中的特征量的数量为三个，但是该图通过二维(横轴为p1，纵轴为p2)方式来表示。此外，存储单元16不需要存储全部的YD、YW、YS、YI，仅存储上述YDSV、YWSV、YSSV、YISV即可。
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YDSV和YnDSV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YDSV和YnDSV进行非线性的分类。
具体地说，使用数据的集合X＝(x1，x2，……xn)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)＝wTφ(x)-b。
在此，数据为路面特征向量YD、YnD，所属类别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)＝wTφ(x)-b进行最优化。最优化问题被置换为下面的式(6)、(7)。
[数3]
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，且λ>0。
此时，通过将内积φ(xα)φ(xβ)置换为核函数K(xα，xβ)，能够使识别函数f(x)＝wTφ(x)-b非线性。此外，φ(xα)φ(xβ)是将xα和xβ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(xα，xβ)，使用了下面的式子所示的高斯核(RBF核)。
[数4]
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YD与除干燥路面以外的路面的路面特征向量YnD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，如图7所示，干燥路面特征向量YD全部处于f(x)≥+1的区域内，除干燥路面以外的路面的路面特征向量YW处于f(x)≤-1的区域内。
用于区分干燥路面与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YDSV和处于f(x)＝-1的距离处的支持向量YnDSV的输入空间。YDSV和YnDSV一般存在多个。
核函数计算单元17根据由特征量计算单元15计算出的特征量X以及存储单元16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YDSV、YWSV、YSSV及YISV，分别计算核函数KD(X，Y)、KW(X，Y)、KS(X，Y)以及KI(X，Y)。
在路面状态判别单元18中，基于下面的式(9)～(12)所示的使用了核函数KD(X，Y)、KW(X，Y)、KS(X，Y)、KI(X，Y)的四个识别函数fD(x)、fW(x)、fS(x)、fI(x)的值来判别路面状态。
[数5]
fD为用于识别干燥路面与其它路面的识别函数，fW为用于识别湿润路面与其它路面的识别函数，fS为用于识别积雪路面与其它路面的识别函数，fI为用于识别结冰路面与其它路面的识别函数。
另外，NDSV为干燥模型的支持向量的数量，NWSV为湿润模型的支持向量的数量，NSSV为积雪模型的支持向量的数量，NISV为结冰模型的支持向量的数量。
识别函数的拉格朗日乘子λD等的值是通过求出用于识别干燥路面与其它路面的识别函数时的学习而求出的。
在本例中，分别计算识别函数fD、fW、fS、fI，根据计算出的示出识别函数fA的最大值的识别函数来判别路面状态。
接着，参照图8的流程图对使用路面状态判别装置10来判别轮胎20所行驶的路面的状态的方法进行说明。
首先，由加速度传感器11检测通过来自轮胎20所行驶的路面R的输入而产生的轮胎振动(步骤S10)，根据检测出的轮胎振动的信号提取轮胎振动的时间序列波形(步骤S11)。
然后，在使用EMD算法根据所提取出的轮胎振动的时间序列波形的数据获取了多个IMF C1～Cn(步骤S12)之后，从这些IMF中提取较低编号的第一个～第三个IMF C1～C3，选择要在路面状态的判定中使用的IMF Ck，并将其设为Xk(t)(步骤S13)。
接着，在针对Xk(t)进行希尔伯特变换来计算出作为特征数据的零交叉点处的瞬时频率fk(t)和瞬时振幅ak(t)的极大值(步骤S14)之后，根据瞬时振幅ak(t)相对于瞬时频率fk(t)的分布计算统计量，将该计算出的统计量设为特征量Xk(步骤S15)。在本例中，将统计量设为平均μk、标准偏差σk以及偏度b1k。
接着，根据所计算出的特征量Xk和存储单元16中所记录的路面模型的支持向量YA求出核函数KA(X，Y)(步骤S16)。在此，下标A表示干燥、湿润、积雪以及结冰。
而且，接下来在分别计算出使用了核函数KA(X，Y)的四个识别函数fD(x)、fW(x)、fS(x)、fI(x)(步骤S17)之后，将所计算出的识别函数fA(x)的值进行比较，并将示出最大的值的识别函数的路面状态判别为该轮胎20所行驶的路面的路面状态(步骤S18)。
图9是将本方法的路面判别精度与将根据轮胎振动的时间序列波形计算出的特定频率的振动水平设为特征量并使用GA核来判别路面状态的以往方法的判定精度进行比较而得到的图，可知与以往方法相比在本方法中精度增加了3％～4％左右。
另外，如图10所示，针对相同的数据数量(大致3300条数据)，在对本方法与以往方法比较支持向量机的学习花费的时间时，使用特征提取后的数据获得了相当大的改善效果。因而，在本方法中，确认出运算量与以往方法相比大幅地变少了。
以上使用实施方式对本发明进行了说明，但是本发明的技术范围不限定于所述实施方式所记载的范围。对所述实施方式能够施加多种多样的变更或改良，这对于本领域技术人员来说也是显而易见的。根据权利要求书显而易见的是，这种施加变更或改良后的方式也能够包含在本发明的技术范围内。
例如，在所述实施方式中，将轮胎振动检测单元设为加速度传感器11，但是也可以使用压力传感器等其它的振动检测单元。另外，关于加速度传感器11的设置位置，也可以是在从轮胎宽度方向中心向宽度方向分离了规定距离的位置各配设一个、或者设置在模块内等其它的位置。另外，加速度传感器11的个数也不限于一个，可以在轮胎周向的多个位置处设置。
另外，在所述实施方式中，作为用于计算特征量的IMF，使用了第一个IMF C1，但是也可以使用其它的IMF。此外，如上述那样，为了进行路面判定，需要着眼于轮胎振动的高频成分，因此作为用于计算特征量的IMF，优选使用较低编号的IMF。
此外，为了降低计算量，仅提取出要使用的IMF并在此时停止计算即可。例如，在仅使用第三个IMF C3的情况下，可以省略提取第四个IMF C4以后的IMF的计算。
另外，在所述实施方式中，作为IMF，仅使用了第一个IMF C1，但是通过使用多个IMF，并针对每个IMF进行路面判定，能够提高路面判定的精度。
另外，在所述实施方式中，将特征量设为平均μ、标准偏差σ以及偏度b1，但是也可以还添加峰度b2等其它统计量。或者，也可以将平均μ、标准偏差σ、偏度b1、峰度b2等中的多个统计量进行组合。
另外，在所述实施方式中，将特征量设为求出瞬时频率f(t)的分布的统计量，但是也可以使用根据瞬时振幅a(t)的分布求出的统计量。
另外，在所述实施方式中，判定出轮胎20所行驶的路面是干燥路面、湿润路面、积雪路面以及结冰路面中的哪一种路面，但是在路面判别例如是干燥/湿润那样的两种路面判别的情况下，如果取代通过支持向量机绘制的一个路面状态的特征量的分布的边界面(干燥边界面)和另一个路面状态的特征量的分布的边界面(湿润边界面)这两个边界面，而使用用于将一个路面状态与另一个路面状态分离的一个边界面(干燥-湿润边界面)来判别路面状态，则能够进一步提高路面状态的判别精度。
以往，通过支持向量机绘制的干燥路面的支持向量(特征量)的分布的边界面(超平面)与用于将干燥路面同其它路面(湿润路面、积雪路面以及结冰路面)分离的识别函数为fD＝0的面大致相同，湿润路面的支持向量(特征量)的分布的边界面与用于将湿润路面同其它路面分离的识别函数为fW＝0的面相同，因此在干燥/湿润的两种路面判别中，使用图11的(a)的一点划线所示的用于判别干燥路面的边界面fD＝0和该图的虚线所示的用于判别湿润路面的边界面fW＝0的两条边界线进行了路面判别。
因此，如图11的(b)所示，通过将边界面设为干燥路面的支持向量和湿润路面的支持向量的边界面fDW＝0，由此使边界面为一个，因此干燥/湿润的两种路面判别精度进一步提高。
此外，关于干燥/积雪、干燥/结冰、或者湿润/积雪那样的其它的两种路面判别也是，如果使边界面为一个，则能够进一步提高两种路面判别精度，这是不言而喻的。
[实施例]
将针对干燥路面和湿润路面预先求出的、根据行驶于干燥路面和湿润路面时的轮胎振动的时间序列波形计算出的每个时间窗的特征量即路面数据作为学习数据，通过机械学习(SVM)求出干燥路面的支持向量和湿润路面的支持向量。
具体地说，如下面的表1所示，将所使用的路面数据分开为训练用(Train用)的数据和测试用(Test用)的数据，在求出干燥路面的支持向量和湿润路面的支持向量之后，求出了干燥路面的支持向量与湿润路面的支持向量的边界面。此时，支持向量机的超参数(Hyperparameter)C、σ采用了在各个条件下精度为最大的值。此时，支持向量的数量最大为415个。
[表1]
数据 训练 测试
干燥 2130 1071
湿润 694 346
图12是比较使边界面为一个时的干燥/湿润的判别精度与以往的使用了两个边界面时的干燥/湿润的判别精度所得到的曲线图。
如该图所示，通过使边界面为一个而使判别精度提高了大致3％，因此确认出通过如图11的(b)所示那样使边界面为一个而干燥/湿润的两种路面判别精度提高。
以上使用实施方式对本发明进行了说明，但是本发明也能够如下面那样进行记述。即，本申请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对轮胎所接触的路面的状态进行判别，所述路面状态判别方法的特征在于，包括以下步骤：检测所述轮胎的振动的时间变化波形；使用经验模态分解算法来根据所述时间变化波形的数据获取多个固有振动模态；从所述多个固有振动模态中选择并提取任意的固有振动模态；针对提取出的所述固有振动模态进行希尔伯特变换来计算瞬时频率、瞬时振幅等特征数据；根据所述特征数据的分布来计算特征量；以及根据计算出的所述特征量和针对各路面状态预先求出的特征量来判别路面状态，其中，所述特征量为所述特征数据的分布的平均、标准偏差、偏度、峰度等统计量。
像这样，将根据轮胎的振动的时间变化波形提取的特征量设为不依赖于时间的统计量，由此能够大幅地削减运算量，因此能够迅速且高精度地判别路面状态。
此外，上述的每种路面状态的特征量是通过将针对各路面状态预先求出的、根据轮胎振动的时间序列波形计算出的每个时间窗的特征量设为学习数据的机械学习(支持向量机)而求出的。
另外，在对所述路面状态进行判别的步骤中，在根据计算出的所述特征量和针对各路面状态预先求出的所述特征量计算出高斯核函数之后，根据使用了计算出的所述高斯核函数的识别函数的值来判别路面状态，因此能够可靠地降低运算量。
另外，在路面判别为两种路面判别的情况下，取代通过支持向量机绘制的一个路面状态的特征量的分布的边界面和另一个路面状态的特征量的分布的边界面这两个边界面，而使用通过支持向量机绘制的用于将一个路面状态与另一个路面状态分离的一个边界面来判别路面状态，因此路面状态的判别精度进一步提高。
另外，本发明是一种路面状态判别装置，其检测行驶中的轮胎的振动来对轮胎所接触的路面的状态进行判别，所述路面状态判别装置的特征在于，具备：振动检测单元，其安装于所述轮胎，检测行驶中的轮胎的振动的时间变化波形；固有振动模态提取单元，其使用经验模态分解算法来根据所述时间变化波形获取多个固有振动模态，从获取到的所述多个固有振动模态中提取任意的固有振动模态；特征数据计算单元，其针对提取出的所述固有振动模态进行希尔伯特变换来计算特征数据；特征量计算单元，其根据所述特征数据的分布来计算特征量；存储单元，其存储针对各路面状态预先求出的、使用振动的时间变化波形计算出的特征量；核函数计算单元，其根据计算出的所述特征量和针对各路面状态预先求出的所述特征量来计算高斯核函数；以及路面状态判别单元，其根据使用了计算出的所述高斯核函数的识别函数的值来判别路面状态，其中，所述特征量为所述特征数据的分布的平均、标准偏差、偏度、峰度等统计量，所述路面状态判别单元将针对各路面状态求出的识别函数的值进行比较来判别路面状态。
如果使用上述结构的路面状态判别装置，则能够大幅地削减运算量，从而能够迅速且高精度地判别路面状态。
此外，也能够取代上述高斯核函数而使用多项式核函数、拉普拉斯核函数等不定值核函数。
附图标记说明
10：路面状态判别装置；11：加速度传感器；12：振动波形检测单元；13：固有振动模态提取单元；14：特征数据计算单元；15：特征量计算单元；16：存储单元；17：核函数计算单元；18：路面状态判别单元；20：轮胎；21：内衬层部；22：轮胎气室；R：路面。

Claims (6)

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对轮胎所接触的路面的状态进行判别，所述路面状态判别方法的特征在于，包括以下步骤：
检测所述轮胎的振动的时间变化波形；
使用经验模态分解算法来根据所述时间变化波形的数据获取多个固有振动模态；
从所述多个固有振动模态中选择并提取任意的固有振动模态；
针对提取出的所述固有振动模态进行希尔伯特变换来计算特征数据；
根据所述特征数据的分布来计算特征量；以及
根据计算出的所述特征量和针对各路面状态预先求出的特征量来判别路面状态，
所述特征量为所述特征数据的分布的统计量。
2.根据权利要求1所述的路面状态判别方法，其特征在于，
所述特征数据为瞬时频率和瞬时振幅中的任意一方或两方。
3.根据权利要求1或2所述的路面状态判别方法，其特征在于，
在对所述路面状态进行判别的步骤中，
在根据计算出的所述特征量和所述针对各路面状态预先求出的特征量计算出高斯核函数之后，根据使用了计算出的所述高斯核函数的识别函数的值来判别路面状态。
4.根据权利要求1或2所述的路面状态判别方法，其特征在于，
在对所述路面状态进行判别的步骤中，
在根据计算出的所述特征量和所述针对各路面状态预先求出的特征量计算出多项式核函数、或拉普拉斯核函数之后，根据使用了计算出的所述核函数的识别函数的值来判别路面状态。
5.根据权利要求1至3中的任一项所述的路面状态判别方法，其特征在于，
在路面判别为两种路面判别的情况下，
取代通过支持向量机绘制的一个路面状态的特征量的分布的边界面和另一个路面状态的特征量的分布的边界面这两个边界面，而使用通过支持向量机绘制的用于将一个路面状态与另一个路面状态分离的一个边界面来判别路面状态。
6.一种路面状态判别装置，其检测行驶中的轮胎的振动来对轮胎所接触的路面的状态进行判别，所述路面状态判别装置的特征在于，具备：
振动检测单元，其安装于所述轮胎，检测行驶中的轮胎的振动的时间变化波形；
固有振动模态提取单元，其使用经验模态分解算法来根据所述时间变化波形获取多个固有振动模态，从获取到的所述多个固有振动模态中提取任意的固有振动模态；
特征数据计算单元，其针对提取出的所述固有振动模态进行希尔伯特变换来计算特征数据；
特征量计算单元，其根据所述特征数据的分布来计算特征量；
存储单元，其存储针对各路面状态预先求出的、使用振动的时间变化波形计算出的特征量；
核函数计算单元，其根据计算出的所述特征量和针对各路面状态预先求出的所述特征量来计算高斯核函数；以及
路面状态判别单元，其根据使用了计算出的所述高斯核函数的识别函数的值来判别路面状态，
其中，所述特征量为所述特征数据的分布的统计量，
所述路面状态判别单元将针对各路面状态求出的识别函数的值进行比较来判别路面状态。
CN201880031455.6A 2017-05-12 2018-04-26 路面状态判别方法和路面状态判别装置 Active CN110622043B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111345275.5A CN114169222A (zh) 2017-05-12 2018-04-26 路面状态判别方法和路面状态判别装置

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2017095896A JP6783184B2 (ja) 2017-05-12 2017-05-12 路面状態判別方法及び路面状態判別装置
JP2017-095896 2017-05-12
PCT/JP2018/017082 WO2018207648A1 (ja) 2017-05-12 2018-04-26 路面状態判別方法及び路面状態判別装置

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202111345275.5A Division CN114169222A (zh) 2017-05-12 2018-04-26 路面状态判别方法和路面状态判别装置

Publications (2)

Publication Number Publication Date
CN110622043A true CN110622043A (zh) 2019-12-27
CN110622043B CN110622043B (zh) 2021-11-09

Family

ID=64105691

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202111345275.5A Pending CN114169222A (zh) 2017-05-12 2018-04-26 路面状态判别方法和路面状态判别装置
CN201880031455.6A Active CN110622043B (zh) 2017-05-12 2018-04-26 路面状态判别方法和路面状态判别装置

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202111345275.5A Pending CN114169222A (zh) 2017-05-12 2018-04-26 路面状态判别方法和路面状态判别装置

Country Status (5)

Country Link
US (1) US11486702B2 (zh)
EP (1) EP3623850B1 (zh)
JP (1) JP6783184B2 (zh)
CN (2) CN114169222A (zh)
WO (1) WO2018207648A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111623734A (zh) * 2020-05-26 2020-09-04 招商局公路信息技术（重庆）有限公司 基于声学信号的路面构造深度检测方法及装置
CN111806166A (zh) * 2020-06-24 2020-10-23 浙江大学 一种基于摩擦起电材料的地形监测轮胎
CN112766306A (zh) * 2020-12-26 2021-05-07 浙江天行健智能科技有限公司 一种基于svm算法的减速带区域识别方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6783184B2 (ja) * 2017-05-12 2020-11-11 株式会社ブリヂストン 路面状態判別方法及び路面状態判別装置
JP6946970B2 (ja) * 2017-11-23 2021-10-13 株式会社デンソー 路面状態判別装置
CN111896256B (zh) * 2020-03-03 2022-03-29 天津职业技术师范大学(中国职业培训指导教师进修中心) 基于深度核处理的轴承故障诊断方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1819572A (zh) * 2006-03-23 2006-08-16 上海交通大学 基于希尔伯特－黄变换的二进制频移键控系统解调方法
US20070050121A1 (en) * 2004-04-02 2007-03-01 Dieter Ammon Method for determining a coefficient of friction
US20070078611A1 (en) * 2005-09-30 2007-04-05 Usa As Represented By The Administrator Of The National Aeronautics And Space Administration System and method of analyzing vibrations and identifying failure signatures in the vibrations
CN101275900A (zh) * 2008-05-08 2008-10-01 江汉大学 基于车轮振动的路面类型识别方法
JP2009056818A (ja) * 2007-08-29 2009-03-19 Yokohama Rubber Co Ltd:The 車両走行路面状態推定システム
JP2010125984A (ja) * 2008-11-27 2010-06-10 Alps Electric Co Ltd 路面状況検出装置および路面状況監視システム
CN102506995A (zh) * 2011-11-22 2012-06-20 中国建筑材料科学研究总院 一种基于hht变换和相关分析的振动信号处理方法
CN102519577A (zh) * 2011-12-05 2012-06-27 中国科学院深圳先进技术研究院 道路中路面的识别方法及系统
CN104616033A (zh) * 2015-02-13 2015-05-13 重庆大学 基于深度学习和支持向量机的滚动轴承故障诊断方法
WO2016088548A1 (ja) * 2014-12-05 2016-06-09 株式会社ブリヂストン 路面状態判別方法
US20160224757A1 (en) * 2013-10-14 2016-08-04 Kaoskey Pty Limited Decomposition of non-stationary signals into functional components
CN106061761A (zh) * 2014-03-07 2016-10-26 株式会社普利司通 路面状态估计方法
WO2017073210A1 (ja) * 2015-10-27 2017-05-04 株式会社デンソー 路面状況推定装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3892723B2 (ja) 2001-12-21 2007-03-14 株式会社ブリヂストン Ａｂｓ制動制御方法とその装置
JP4263400B2 (ja) 2001-12-21 2009-05-13 株式会社ブリヂストン 路面摩擦係数推定方法と路面摩擦係数推定装置
JP5837341B2 (ja) * 2011-06-24 2015-12-24 株式会社ブリヂストン 路面状態判定方法とその装置
US9452653B2 (en) * 2012-03-15 2016-09-27 Nissan Motor Co., Ltd. Vehicle controlling apparatus and method
JP5937921B2 (ja) 2012-08-09 2016-06-22 株式会社ブリヂストン 路面状態判別方法とその装置
JP6408852B2 (ja) * 2014-10-06 2018-10-17 株式会社ブリヂストン 路面状態判別システム
US20190212138A1 (en) * 2016-06-30 2019-07-11 Bridgestone Corporation Road surface state determination method and road surface state determination apparatus
JP6783184B2 (ja) * 2017-05-12 2020-11-11 株式会社ブリヂストン 路面状態判別方法及び路面状態判別装置
DE102020113937A1 (de) * 2019-05-27 2020-12-03 Jtekt Corporation System zur Bestimmung eines Reifenzustands

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070050121A1 (en) * 2004-04-02 2007-03-01 Dieter Ammon Method for determining a coefficient of friction
US20070078611A1 (en) * 2005-09-30 2007-04-05 Usa As Represented By The Administrator Of The National Aeronautics And Space Administration System and method of analyzing vibrations and identifying failure signatures in the vibrations
CN1819572A (zh) * 2006-03-23 2006-08-16 上海交通大学 基于希尔伯特－黄变换的二进制频移键控系统解调方法
JP2009056818A (ja) * 2007-08-29 2009-03-19 Yokohama Rubber Co Ltd:The 車両走行路面状態推定システム
CN101275900A (zh) * 2008-05-08 2008-10-01 江汉大学 基于车轮振动的路面类型识别方法
JP2010125984A (ja) * 2008-11-27 2010-06-10 Alps Electric Co Ltd 路面状況検出装置および路面状況監視システム
CN102506995A (zh) * 2011-11-22 2012-06-20 中国建筑材料科学研究总院 一种基于hht变换和相关分析的振动信号处理方法
CN102519577A (zh) * 2011-12-05 2012-06-27 中国科学院深圳先进技术研究院 道路中路面的识别方法及系统
US20160224757A1 (en) * 2013-10-14 2016-08-04 Kaoskey Pty Limited Decomposition of non-stationary signals into functional components
CN106061761A (zh) * 2014-03-07 2016-10-26 株式会社普利司通 路面状态估计方法
WO2016088548A1 (ja) * 2014-12-05 2016-06-09 株式会社ブリヂストン 路面状態判別方法
CN104616033A (zh) * 2015-02-13 2015-05-13 重庆大学 基于深度学习和支持向量机的滚动轴承故障诊断方法
WO2017073210A1 (ja) * 2015-10-27 2017-05-04 株式会社デンソー 路面状況推定装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
SUDA YOSHIHIRO, ET AL.: "Estimation of Road Surface Conditions From Tire Vibration", 《ASME 2010 INTERNATIONAL MECHANICAL ENGINEERING CONGRESS AND EXPOSITION 2010》 *
ZHAO YUBO,ET AL.: "Evaluating road surface conditions using dynamic tire pressure sensor：", 《PROCEEDINGS OF SPIE 》 *
李修松: "基于EMD算法的路面附着系数估算方法研究", 《中国硕士学位论文全文数据库 工程科技Ⅱ辑》 *
林近山: "基于EEMD和Hilbert边际谱的四轮车辆非平稳路面不平度分析", 《潍坊学院学报》 *
赵洋: "有关液压系统的故障分析与诊断的研究", 《河南科技》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111623734A (zh) * 2020-05-26 2020-09-04 招商局公路信息技术（重庆）有限公司 基于声学信号的路面构造深度检测方法及装置
CN111806166A (zh) * 2020-06-24 2020-10-23 浙江大学 一种基于摩擦起电材料的地形监测轮胎
CN111806166B (zh) * 2020-06-24 2021-08-31 浙江大学 一种基于摩擦起电材料的地形监测轮胎
CN112766306A (zh) * 2020-12-26 2021-05-07 浙江天行健智能科技有限公司 一种基于svm算法的减速带区域识别方法

Also Published As

Publication number Publication date
EP3623850B1 (en) 2021-08-25
EP3623850A4 (en) 2020-05-06
CN110622043B (zh) 2021-11-09
US11486702B2 (en) 2022-11-01
WO2018207648A1 (ja) 2018-11-15
EP3623850A1 (en) 2020-03-18
US20200240777A1 (en) 2020-07-30
JP2018194337A (ja) 2018-12-06
CN114169222A (zh) 2022-03-11
JP6783184B2 (ja) 2020-11-11

Similar Documents

Publication Publication Date Title
CN110622043B (zh) 路面状态判别方法和路面状态判别装置
WO2016088548A1 (ja) 路面状態判別方法
US9434387B2 (en) Method and apparatus for determining road surface condition
CN109477906B (zh) 路面状态判别方法和路面状态判别装置
CN109416412B (zh) 路面状态判别方法
CN107818298B (zh) 用于机器学习物质识别算法的通用拉曼光谱特征提取方法
JP2017505430A (ja) 道路及びタイヤの状態を音響検出する方法
Wu et al. Detection of crack eggs by image processing and soft-margin support vector machine
JP7030531B2 (ja) 路面状態判別方法及び路面状態判別装置
CN110753858A (zh) 路面状态判别方法和路面状态判别装置
JP7030532B2 (ja) 路面状態判別方法及び路面状態判別装置
JP7112909B2 (ja) タイヤ種判別方法及びタイヤ種判別装置
WO2019244379A1 (ja) 路面状態判別方法及び路面状態判別装置
Chiryshev et al. Automatic wood log detection based on random decision forests learning algorithm and histogram of oriented gradients
WO2019244378A1 (ja) 路面状態判別方法及び路面状態判別装置
WO2019244380A1 (ja) 路面状態判別方法及び路面状態判別装置
Jin et al. Accurate urban road model reconstruction from high resolution remotely sensed imagery based on Support Vector Machine and Gabor filters
Le Roux Investigation into Computer vision methods to extract information for Context based image retrieval methods

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant