CN110753858A - 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
CN110753858A
CN110753858A CN201880040176.6A CN201880040176A CN110753858A CN 110753858 A CN110753858 A CN 110753858A CN 201880040176 A CN201880040176 A CN 201880040176A CN 110753858 A CN110753858 A CN 110753858A
Authority
CN
China
Prior art keywords
road surface
time
tire
series waveform
vibration
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.)
Withdrawn
Application number
CN201880040176.6A
Other languages
English (en)
Inventor
石井启太
真砂刚
后藤嵩人
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
Publication of CN110753858A publication Critical patent/CN110753858A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
    • B60T8/17—Using electrical or electronic regulation means to control braking
    • B60T8/172—Determining control parameters used in the regulation, e.g. by calculations involving measured or detected parameters
    • B60T8/1725—Using tyre sensors, e.g. Sidewall Torsion sensors [SWT]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
    • B60T8/17—Using electrical or electronic regulation means to control braking
    • B60T8/173—Eliminating or reducing the effect of unwanted signals, e.g. due to vibrations or electrical noise
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/001—Acoustic presence detection
    • 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
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T2210/00—Detection or estimation of road or environment conditions; Detection or estimation of road shapes
    • B60T2210/10—Detection or estimation of road conditions
    • B60T2210/12—Friction
    • 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
    • B60W2422/00—Indexing codes relating to the special location or mounting of sensors
    • 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
    • B60W2422/00—Indexing codes relating to the special location or mounting of sensors
    • B60W2422/70—Indexing codes relating to the special location or mounting of sensors on the wheel or the tire
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Environmental Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Atmospheric Sciences (AREA)
  • Computing Systems (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Tires In General (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

由加窗单元以时间(T)对由加速度传感器检测出的轮胎振动的时间序列波形进行加窗，提取每个时间窗的轮胎振动的时间序列波形并计算出每个时间窗的特征向量(Xi)，之后在根据每个时间窗的特征向量(Xi)和路面特征向量(YAj)计算核函数(KA)时，将所述每个时间窗的特征向量(Xi)和所述路面特征向量(YAj)设为从所述每个时间窗的时间序列波形提取出的500Hz以上的频带的振动水平，其中，该路面特征向量(YAj)是预先针对每个路面状态求出且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向量。

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，特别是涉及一种仅使用行驶中的轮胎振动的时间序列波形的数据来进行路面判定的方法。
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：使用根据每个时间窗的特征量和基准特征量计算出的核函数来判别路面状态，其中，该每个时间窗的特征量是根据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特征量，该基准特征量是预先针对每个路面状态求出的每个时间窗的特征量。
基准特征量是将预先针对每个路面状态求出且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作为学习数据来通过机械学习(SVM)求出的特征量(例如，参照专利文献1)。
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，时间伸缩存在如下问题点：即使是干燥(DRY)/湿润(WET)的两种路面判别，计算量也多，因此计算时间变长，导致处理非常繁重。
本发明是鉴于以往的问题点而完成的，其目的在于通过适当地选择计算核函数所使用的特征量，由此确保干燥/湿润的两种路面判别的精度，并使计算量减少从而提高计算速度。
用于解决问题的方案
发明人们专心研究的结果发现了以下内容并完成了本发明：在轮胎行驶于路面时，只要检测出在与路面上的水碰撞时产生的轮胎振动，就能够判别路面是存在达到产生轮胎振动的程度的水膜的湿润路面、还是不存在上述水膜的干燥路面。
图9是示出空心箭头所示的100[l/min]或1000[l/min]的水流与被固定在滚筒30内的轮胎20碰撞时产生的轮胎振动的频谱的图，横轴为频率[Hz]，纵轴为加速度[RMS dB]。在图中，示出了粘附于轮胎内的加速度传感器处于踏入位置(Leading)或蹬出位置(Trailing)的情况下的结果。
从该图可知，在500Hz以上的高频区域中，与路面上的水发生碰撞时的振动水平及没有与水之间的碰撞的背景水平(BG Noise)的差异大。
因而，在使用核函数来判别路面状态时，在路面判别的特征量中仅使用从轮胎振动的时间序列波形提取出的特征量中的、500Hz以上的频带的振动水平，就能够确保干燥/湿润的两种路面判别的精度，并能够使计算量减少从而提高计算速度。
即，本发明是一种用于判别轮胎所接触的路面的状态的方法，具有以下步骤：步骤(a)，使用在所述轮胎内设置的振动检测单元检测行驶中的轮胎的振动；步骤(b)，取出所检测出的所述轮胎的振动的时间序列波形；步骤(c)，将所述轮胎振动的时间序列波形乘以规定的时宽的窗函数来提取每个时间窗的时间序列波形；步骤(d)，根据所述每个时间窗的时间序列波形分别计算特征量；步骤(e)，根据基准特征量和在所述步骤(d)中计算出的每个时间窗的特征量来计算核函数，该基准特征量是从预先针对每个路面状态求出且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中选择的特征量；以及步骤(f)，基于使用了所述核函数的识别函数的值来判别路面状态，所述方法的特征在于，所述基准特征量和在所述步骤(d)中计算出的每个时间窗的特征量为从所述每个时间窗的时间序列波形提取出的500Hz以上的频带的振动水平、所述频带的振动水平的时变离散度(日文：時変分散)以及所述时间序列波形的倒谱系数中的任意一个、多个或者全部，在所述步骤(f)中，判别所述路面的状态是在路面上存在与所述行驶中的轮胎碰撞的水膜的湿润状态、还是不存在所述水膜的干燥状态。
另外，本发明是一种路面状态判别装置，用于判别行驶中的轮胎所接触的路面的状态，所述路面状态判别装置具备：轮胎振动检测单元，其配设于轮胎胎面部的内衬层部的气室侧，用于检测行驶中的轮胎的振动；加窗单元，其以预先设定的时宽对由所述轮胎振动检测单元检测出的所述轮胎振动的时间序列波形进行加窗，并针对每个时间窗提取轮胎振动的时间序列波形；特征量计算单元，其计算将提取出的所述每个时间窗的时间序列波形中的特定频率的振动水平作为分量的特征量、或者将所述振动水平的函数作为分量的特征量；存储单元，其存储基准特征量，所述基准特征量是从每个路面状态的根据轮胎振动的时间序列波形预先计算出的每个时间窗的特征量中选择的特征量；核函数计算单元，其根据由所述特征量计算单元计算出的每个时间窗的特征量和存储于所述存储单元的基准特征量，来计算核函数；以及路面状态判别单元，其基于使用了所述核函数的识别函数的值来判别路面状态，所述路面状态判别装置的特征在于，由所述特征量计算单元计算出的每个时间窗的特征量和存储于所述存储单元的基准特征量为从所述每个时间窗的时间序列波形提取出的500Hz以上的频带的振动水平、所述频带的振动水平的时变离散度以及所述时间序列波形的倒谱系数中的任意一个、多个、或者全部，所述路面状态判别单元判别所述路面的状态是在路面上存在与所述行驶中的轮胎碰撞的水膜的湿润状态、还是不存在所述水膜的干燥状态。
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是示出根据轮胎振动的时间序列波形计算特征向量的方法的图。
图5是示出输入空间的示意图。
图6是示出输入空间上的、干燥路面的路面特征向量和湿润路面的路面特征向量的图。
图7是示出GA核的计算方法的图。
图8是示出本发明的路面状态判别方法的流程图。
图9是示出水流与轮胎碰撞时产生的轮胎振动的频谱的一例的图。
图10是示出加速度传感器的安装位置与判定精度的关系的图表。
具体实施方式
下面，通过实施方式来详细说明本发明，但是下面的实施方式不是对权利要求书所涉及的发明进行限定，另外，并非实施方式中说明的特征的所有组合对于发明的解决方案都是必不可少的。
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、振动波形提取单元12、加窗单元13、特征向量计算单元14、存储单元15、核函数计算单元16以及路面状态判别单元17，用于判别轮胎20正在行驶的路面是处于在路面上存在与所述行驶中的轮胎碰撞的水膜的湿润状态、还是处于不存在所述水膜的干燥状态。
振动波形提取单元12～路面状态判别单元17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后，被转换为数字信号并发送到振动波形提取单元12。
在振动波形提取单元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轮胎振动的时间序列波形。
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、轮胎20的接地部离开路面之后的蹬出后区域Rk以及轮胎20的接地部正在接触路面的触地区域Rs中，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。
如该图所示，在存在与行驶中的轮胎碰撞的水膜的情况下，与不存在水膜的情况相比较，踏入前区域Rf和蹬出后区域Rk的振动水平变大，在本例中，从轮胎振动的时间序列波形提取出路面区域(踏入前区域Rf至蹬出后区域Rk的区域)的时间序列波形。
如图4所示，加窗单元13以预先设定的时宽(也称为时间窗宽度)T对提取出的所述时间序列波形进行加窗，针对每个时间窗提取出轮胎振动的时间序列波形并发送到特征向量计算单元14。
此外，如上所述，由于路面外区域的时间序列波形不包含路面的信息，因此为了加快核函数的计算速度，在本例中，仅将路面区域的时间序列波形发送到特征向量计算单元14。
此外，作为路面外区域的定义，例如相对于轮胎振动的时间序列波形设定背景水平，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。
如图4所示，特征向量计算单元14针对提取出的各时间窗的时间序列波形分别计算特征向量Xi(i＝1～N；N为提取出的时间窗的时间序列波形的数量)。
在本例中，作为计算出的特征向量Xi，使用了使轮胎振动的时间序列波形分别通过各自为2kHz-3kHz、3kHz-4kHz、4kHz-5kHz的带通滤波器而得到的特定频带的振动水平(滤波器过滤波的功率值)aik(k＝1～3)。
特征向量为Xi＝(ai1，ai2，ai3)，特征向量Xi的数量为N个。
图5是示出特征向量Xi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aik，各点表示特征向量Xi。实际的输入空间由于特定频带的数量为三个因此与时间轴合起来为四维空间，但是该图用二维(横轴为a1、纵轴为a2)来表示。
在该图中，当设为组C为行驶于干燥路面时的特征向量Xi的集合、组C’为行驶于湿润路面时的特征向量X’i的集合时，如果能够将组C与组C’进行区分，则能够判定轮胎正在行驶的路面是干燥路面还是湿润路面。
在此，“湿润路面”是指存在与行驶中的轮胎碰撞的水膜的路面，“干燥路面”是指不存在所述水膜的路面。
存储单元15存储基准特征向量YASV(yjk)和对基准特征向量YASV(yjk)进行加权的拉格朗日乘子λA，该基准特征向量YASV(yjk)和该拉格朗日乘子λA是预先求出的用于通过表示分离超平面的识别函数f(x)来将干燥路面与湿润路面分离的基准特征量。
基准特征量(YASV(yjk)和λA)是将路面特征向量YA(yjk)作为输入数据来通过学习求出的，其中，该路面特征向量YA(yjk)是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向量，该轮胎振动的时间序列波形是使搭载有安装了加速度传感器的轮胎的试验车辆在干燥路面和湿润路面以各种速度行驶而获得的。
此外，用于学习的轮胎尺寸可以是一种，也可以是多种。
基准特征向量YASV(yjk)的下标A表示干燥或湿润。
另外，下标j(j＝1～M)表示针对每个时间窗提取出的时间序列波形的窗编号，下标k表示向量的分量(k＝1～3)。即，yjk＝(aj1，aj2，aj3)。另外，SV是支持向量的简写。
此外，如本例那样，在使用全局比对核函数的情况下，基准特征向量YASV(yjk)为向量yi的维数(在此为3×M(M：窗的数量))的矩阵。
下面，将路面特征向量YA(yjk)和基准特征向量YASV(yjk)分别记载为YA、YASV。
路面特征向量YA的计算方法与上述的特征向量Xj是同样的，例如，如果是干燥路面的基准特征向量YD，则以时宽T对行驶于干燥路面时的轮胎振动的时间序列波形进行加窗，针对每个时间窗提取轮胎振动的时间序列波形，并针对提取出的各时间窗的时间序列波形分别计算干燥路面特征向量YD。同样地，根据行驶于湿润路面时的每个时间窗的时间序列波形来计算湿润路面特征向量YW。
另外，基准特征向量YASV是通过将干燥路面特征向量YD和湿润路面特征向量YW作为学习数据的支持向量机(SVM)被选择为支持向量的特征向量。
此外，在存储单元15中不需要存储所有的基准特征向量YASV，一般只存储拉格朗日乘子λ为规定的值λmin(例如，λmin＝0.05)以上的支持向量YASV来作为基准特征向量YASV即可。
在此，重要的是时宽T为与求出特征向量Xj的情况下的时宽T相同的值。如果时宽T固定，则时间窗的时间序列波形的数量M根据轮胎种类和车速而不同。即，路面特征向量YA的时间窗的时间序列波形的数量M与特征向量Xj的时间窗的时间序列波形的数量N未必一致。例如，在虽然轮胎种类相同但求出特征向量Xj时的车速比求出路面特征向量YA时的车速慢的情况下，为M>N，在虽然轮胎种类相同但求出特征向量Xj时的车速比求出路面特征向量YA时的车速快的情况下，为M<N。
图6是示出输入空间上的干燥路面特征向量YD和湿润路面特征向量YW的概念图，该图的黑圆为干燥路面，白圆为湿润路面。
此外，如上所述，干燥路面特征向量YD和湿润路面特征向量YW均为矩阵，但是为了说明组的识别边界的求取方法，在图6中分别用二维向量来表示干燥路面特征向量YD和湿润路面特征向量YW。
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YV和YW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YD和YW进行非线性的分类。
为了区分干燥路面与湿润路面，通过使作为分离超平面的识别函数f(x)具有余量，由此能够高精度地区分干燥路面与湿润路面，该分离超平面用于将干燥路面特征向量YDj与湿润路面特征向量YWj进行分离。
余量是指从分离超平面到最近的样本的距离，作为识别边界的分离超平面为f(x)＝0。另外，干燥路面特征向量YDj全部处于f(x)≥+1的区域内，湿润路面特征向量YWj全部处于f(x)≤-1的区域内。
接着，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，w为表示权重系数的向量，b为常数。
另外，数据为干燥路面特征向量YDj和WER路面特征向量YWj，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中示出的湿润路面的数据。f(x)＝0为识别边界，1/||w||为路面特征向量YAj(A＝D，W)与f(x)＝0之间的距离。
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(1)、(2)。
[数1]
最优化
Figure BDA0002320206580000081
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的路面特征向量YAj为与识别函数f(x)不相关(不是支持向量)的向量数据。
在此，通过将内积φT(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，φT(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。像这样，如果不直接求内积φT(xα)φ(xβ)，而是置换为核函数K(xα，xβ)，则不需要直接求出高维的内积，因此能够大幅地缩减计算时间。
在本例中，作为核函数K(xα，xβ)，使用了全局比对核函数(GA核)。
如图7和下面的式(3)、(4)所示那样，GA核K(xα，xβ)是由表示特征向量xα与特征向量xβ的相似度的局部核κij(xαi，xβj)的总和或总积形成的函数，能够将时间长度不同的时间序列波形直接进行比较。针对时宽T的每个窗求出局部核κij(xαi，xβj)。
此外，图7是求出时间窗的数量为6的特征向量xαi与时间窗的数量为4的特征向量xβj的GA核的例子。
[数2]
Figure BDA0002320206580000091
Figure BDA0002320206580000092
在此，||xαi-xβij||为特征向量间的距离(范数)，σ为常数。
核函数计算单元16根据由特征向量计算单元14计算出的特征向量Xi以及存储单元15中所记录的干燥路面的基准特征向量YDSV和湿润路面的基准特征向量YWSV，来计算干燥GA核KD(X，YDSV)和湿润GA核KW(X，YWSV)。
在所述的式(3)和(4)中，干燥GA核KD(X，YDSV)是由将特征向量xα设为由特征向量计算单元14计算出的特征向量Xi且将特征向量xβ设为干燥路面的基准特征向量YDSVj时的局部核κij(Xi，YDSVj)的总和或总积形成的函数，湿润GA核KW(X，YWSV)是由将特征向量xα设为由特征向量计算单元14计算出的特征向量Xi且将特征向量xβ设为湿润路面的基准特征向量YWSVj时的局部核κij(Xi，YSVj)的总和或总积形成的函数。通过使用这些GA核KD(X，YDSV)和KW(X，YWSV)，能够将时间长度不同的时间序列波形直接进行比较。
此外，如上所述，即使在求出特征向量Xi的情况下的时间窗的时间序列波形的数量n与求出路面特征向量YAj的情况下的时间窗的时间序列波形的数量m不同的情况下，也能够求出特征向量Xi与基准特征向量YASVj之间的相似度。
在路面状态判别单元17中，基于下面的式(5)式所示的使用了核函数KD(X，Y)和核函数KW(X，Y)的识别函数fDW(x)的值来判别路面状态。
[数3]
Figure BDA0002320206580000101
在此，NDSV为干燥路面的基准特征向量YDSVj的个数，NWSV为湿润路面的基准特征向量YWSVj的个数。
在本例中，计算识别函数fDW，如果fDW>0，则判别出路面为干燥路面，如果fDW<0，则判别出路面为湿润路面。
接着，参照图8的流程图来说明使用路面状态判别装置10判别轮胎20正在行驶的路面的状态的方法。
首先，由加速度传感器11检测通过来自轮胎20正在行驶的路面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，以预先设定的时宽T对被提取出的轮胎振动的时间序列波形进行加窗，求出每个时间窗的轮胎振动的时间序列波形。在此，将每个时间窗的轮胎振动的时间序列波形的数量设为m个(步骤S12)。
接着，针对提取出的各时间窗的时间序列波形分别计算特征向量Xi＝(xi1，xi2，xi3)(步骤S13)。在本例中，将时宽T设为3msec.。另外，特征向量Xi的数量为6个。
如上所述，特征向量Xi的各成分xi1～xi3(i＝1～6)为轮胎振动的时间序列波形的滤波器过滤波的功率值。
接着，在根据所计算出的特征向量Xi以及存储单元15中所记录的干燥路面及湿润路面的基准特征向量YASVj计算出局部核κij(Xi，YASVj)之后，求出局部核κij(Xi，YASVj)的总和，并分别计算GA核函数KA(X，YASV)(步骤S14)。
A＝D的GA核函数KD(X，YDSV)为干燥路面的GA核函数，A＝W的GA核函数KW(X，YWSV)为湿润路面的GA核函数。
然后，计算使用了干燥路面的GA核函数KD和湿润路面的GA核函数KW的识别函数fDW(x)(步骤S15)，如果fDW>0，则判别出路面为干燥路面，如果fDW<0，则判别出路面为湿润路面。(步骤S16)。
像这样，在本实施方式中，通过加窗单元13对由加速度传感器11检测出的轮胎振动的时间序列波形进行加窗，提取每个时间窗的轮胎振动的时间序列波形并计算出特征向量Xi，之后求出特征向量Xi及每个路面的基准特征向量YASVj的核函数KA(X，YASVj)，根据使用了这些核函数KA(X，YASVj)的识别函数fDW(x)的值来判别该轮胎20正在行驶的路面的路面状态，因此无需进行峰位置的检测、车轮速度的测量就能够判别路面状态。
另外，由于将计算核函数所使用的特征量仅设为高频成分，因此能够使计算量减少，并且由于作为特征量使用了干燥路面与湿润路面的差异大的特征量，因此也能够提高干燥/湿润的两种路面判别精度。
表1是将作为特征量的特征向量Xi及路面特征向量YAj的频带设为高频带(2kHz-5kHz)时的数据保存容量与设为所有频带(0kHz-5kHz)时的数据保存容量进行了比较的表。
根据该表显而易见的是，通过将提取的特征量的频带设为高频带(2kHz-5kHz)，能够将数据保存容量减少至设为所有频带(0kHz-5kHz)时的数据保存容量的约44％。
[表1]
频带 数据保存容量 比率
整个区域(0-5kHz) 14.7MB 100％
高频(2-5kHz) 6.49MB 44％
由此确认出，如果将计算核函数所使用的特征量仅设为高频成分，则能够使计算量减少，并且也能够提高干燥/湿润的两种路面判别精度。
另外，由于能够与触地长度无关地进行路面状态的判别，因此能够提高鲁棒性。
作为提高鲁棒性的具体例，在图10的图表中示出对由于加速度传感器11的粘附位置而引起的干燥/湿润的两种路面判别精度的降低进行调查得到的结果。
图表的横轴为传感器位置，Δ为相对于轮胎宽度方向中心(center)的偏离量(mm)，纵轴为路面判定精度(％)。
根据图表明显可知，与将特征量的频带设为整个频带(0kHz-5kHz)时相比较，在将特征量的频带设为高频带的本发明中，能够有效地抑制由于传感器位置的偏离而引起的判定精度的降低。
此外，在所述实施方式中，将特征向量Xi的频带设为2kHz-5kHz，将计算出的特征向量Xi设为使轮胎振动的时间序列波形分别通过各自为2kHz-3kHz、3kHz-4kHz、4kHz-5kHz的带通滤波器而得到的特定频带的振动水平(滤波器过滤波的功率值)aik(k＝1～3)，但是提取的特征向量Xi的频带不限于此，例如也可以是，将频带设为0.5kHz-5kHz，将特征向量Xi设为0.5kHz-1kHz、1kHz-2kHz、2kHz-3kHz、3kHz-4kHz、4kHz-5kHz的5个滤波器过滤波的功率值等、对提取特征向量Xi的频带进行变更。总之，将提取特征向量Xi的频带设为适合于判定轮胎正在行驶的路面是干燥路面还是湿润路面的500Hz以上的频带即可。
另外，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，将特征向量Xi设为滤波器过滤波的功率值xik，但是也可以使用滤波器过滤波的功率值xik的时变离散度(log[xik(t)2+xik(t-1)2])。或者，也可以是将特征向量Xi设为对轮胎振动时间序列波形进行傅里叶变换时的特定频带的振动水平即傅里叶系数、或者倒谱系数。倒谱系数是将傅里叶变换后的波形视为谱波形并再次进行傅里叶变换而获得的，或者是将AR谱视为波形并进一步求出AR系数而获得的(LPC倒谱(LPCCepstrum))，由于能够不受绝对水平影响地对谱的形状赋予特征，因此与使用通过傅里叶变换获得的频谱的情况相比，提高了判别精度。
另外，在所述实施方式中，从轮胎振动的时间序列波形提取路面区域的时间序列波形，并求出特征向量Xi，但是如图9所示那样，由于与路面上的水膜碰撞而产生的对振动水平的影响在踏入前区域Rf是最大的，因此如果将踏入前区域Rf的时间序列波形乘以窗函数，并提取每个时间窗的时间序列波形从而求出特征向量Xi，则能够使计算量进一步减少。
另外，在所述实施方式中，进行了干燥/湿润的两种路面判定，但是本发明不限于两种路面判定，还能够应用于干燥/湿润/结冰(ICE)/积雪(SNOW)等四种路面判定。
另外，在所述实施方式中，作为核函数，使用了GA核，但是也可以使用动态时间归整(Dynamic Time Warping)核函数(DTW核)。或者，也可以使用GA核运算值和DTW核运算值。
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，本发明是一种用于判别轮胎所接触的路面的状态的方法，具有以下步骤：步骤(a)，使用在所述轮胎内设置的振动检测单元检测行驶中的轮胎的振动；步骤(b)，取出所检测出的所述轮胎的振动的时间序列波形；步骤(c)，将所述轮胎振动的时间序列波形乘以规定的时宽的窗函数来提取每个时间窗的时间序列波形；步骤(d)，根据所述每个时间窗的时间序列波形分别计算特征量；步骤(e)，根据基准特征量和在所述步骤(d)中计算出的每个时间窗的特征量来计算核函数，该基准特征量是从预先针对每个路面状态求出且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中选择的特征量；以及步骤(f)，基于使用了所述核函数的识别函数的值来判别路面状态，所述方法的特征在于，所述基准特征量和在所述步骤(d)中计算出的每个时间窗的特征量为从所述每个时间窗的时间序列波形提取出的500Hz以上的频带的振动水平、所述频带的振动水平的时变离散度以及所述时间序列波形的倒谱系数中的任意一个、多个或者全部，在所述步骤(f)中，判别所述路面的状态是在路面上存在与所述行驶中的轮胎碰撞的水膜的湿润状态、还是不存在所述水膜的干燥状态。
详细地说，上述“基准特征量”是将预先针对每个路面状态求出且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作为学习数据来通过机械学习(SVM)求出的。
像这样，将作为计算核函数所使用的特征量的从每个时间窗的时间序列波形提取出的振动水平仅设为500Hz以上的高频成分的振动水平，因此能够使计算量减少并使计算速度提高，并且作为特征量使用了干燥路面与湿润路面的差异大的特征量，因此也能够提高干燥/湿润的两种路面判别精度。
另外，将所述核函数设为全局比对核函数、动态时间归整核函数、或所述核函数的运算值，因此提高了路面状态的判别精度。
另外，在所述加窗单元中，将上述500Hz以上的频带的包括振动水平特别大的踏入点的踏入前的时间序列波形乘以窗函数并提取每个时间窗的时间序列波形，因此能够充分确保干燥/湿润的两种路面判别精度，并且能够使计算量进一步减少。
另外，本发明是一种路面状态判别装置，用于判别行驶中的轮胎所接触的路面的状态，所述路面状态判别装置具备：轮胎振动检测单元，其配设于轮胎胎面部的内衬层部的气室侧，用于检测行驶中的轮胎的振动；加窗单元，其以预先设定的时宽对由所述轮胎振动检测单元检测出的所述轮胎振动的时间序列波形进行加窗，并针对每个时间窗提取轮胎振动的时间序列波形；特征量计算单元，其计算将提取出的所述每个时间窗的时间序列波形中的特定频率的振动水平作为分量的特征量、或者将所述振动水平的函数作为分量的特征量；存储单元，其存储基准特征量，所述基准特征量是从每个路面状态的根据轮胎振动的时间序列波形预先计算出的每个时间窗的特征量中选择的特征量；核函数计算单元，其根据由所述特征量计算单元计算出的每个时间窗的特征量和存储于所述存储单元的基准特征量，来计算核函数；以及路面状态判别单元，其基于使用了所述核函数的识别函数的值来判别路面状态，所述路面状态判别装置的特征在于，由所述特征量计算单元计算出的每个时间窗的特征量和存储于所述存储单元的基准特征量为从所述每个时间窗的时间序列波形提取出的500Hz以上的频带的振动水平、所述频带的振动水平的时变离散度以及所述时间序列波形的倒谱系数中的任意一个、多个、或者全部，所述路面状态判别单元判别所述路面的状态是在路面上存在与所述行驶中的轮胎碰撞的水膜的湿润状态、还是不存在所述水膜的干燥状态。
通过采用这种结构，能够获得能够使计算量减少并且干燥/湿润的两种路面判别精度高的路面状态判别装置。
附图标记说明
10：路面状态判别装置；11：加速度传感器；12：振动波形提取单元；13：加窗单元；14：特征向量计算单元；15：存储单元；16：核函数计算单元；17：路面状态判别单元；20：轮胎；21：内衬层部；22：轮胎气室。

Claims (4)

1.一种路面状态判别方法，用于判别轮胎所接触的路面的状态，所述路面状态判别方法具有以下步骤：步骤(a)，使用在所述轮胎内设置的振动检测单元检测行驶中的轮胎的振动；步骤(b)，取出所检测出的所述轮胎的振动的时间序列波形；步骤(c)，将所述轮胎振动的时间序列波形乘以规定的时宽的窗函数来提取每个时间窗的时间序列波形；步骤(d)，根据所述每个时间窗的时间序列波形分别计算特征量；步骤(e)，根据基准特征量和在所述步骤(d)中计算出的每个时间窗的特征量来计算核函数，该基准特征量是从预先针对每个路面状态求出且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中选择的特征量；以及步骤(f)，基于使用了所述核函数的识别函数的值来判别路面状态，所述路面状态判别方法的特征在于，
所述基准特征量和在所述步骤(d)中计算出的每个时间窗的特征量为从所述每个时间窗的时间序列波形提取出的500Hz以上的频带的振动水平、所述频带的振动水平的时变离散度以及所述时间序列波形的倒谱系数中的任意一个、多个或者全部，
在所述步骤(f)中，判别所述路面的状态是在路面上存在与所述行驶中的轮胎碰撞的水膜的湿润状态、还是不存在所述水膜的干燥状态。
2.根据权利要求1所述的路面状态判别方法，其特征在于，
所述核函数为全局比对核函数、动态时间归整核函数、或所述核函数的运算值。
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，
所述加窗单元将踏入前的时间序列波形乘以窗函数来提取每个时间窗的时间序列波形。
4.一种路面状态判别装置，用于判别行驶中的轮胎所接触的路面的状态，所述路面状态判别装置具备：
轮胎振动检测单元，其配设于轮胎胎面部的内衬层部的气室侧，用于检测行驶中的轮胎的振动；
加窗单元，其以预先设定的时宽对由所述轮胎振动检测单元检测出的所述轮胎振动的时间序列波形进行加窗，并针对每个时间窗提取轮胎振动的时间序列波形；
特征量计算单元，其计算将提取出的所述每个时间窗的时间序列波形中的特定频率的振动水平作为分量的特征量、或者将所述振动水平的函数作为分量的特征量；
存储单元，其存储基准特征量，所述基准特征量是从每个路面状态的根据轮胎振动的时间序列波形预先计算出的每个时间窗的特征量中选择的特征量；
核函数计算单元，其根据由所述特征量计算单元计算出的每个时间窗的特征量和存储于所述存储单元的基准特征量，来计算核函数；以及
路面状态判别单元，其基于使用了所述核函数的识别函数的值来判别路面状态，
所述路面状态判别装置的特征在于，
由所述特征量计算单元计算出的每个时间窗的特征量和存储于所述存储单元的基准特征量为从所述每个时间窗的时间序列波形提取出的500Hz以上的频带的振动水平、所述频带的振动水平的时变离散度以及所述时间序列波形的倒谱系数中的任意一个、多个、或者全部，
所述路面状态判别单元判别所述路面的状态是在路面上存在与所述行驶中的轮胎碰撞的水膜的湿润状态、还是不存在所述水膜的干燥状态。
CN201880040176.6A 2017-06-16 2018-04-26 路面状态判别方法和路面状态判别装置 Withdrawn CN110753858A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2017119103A JP2019001367A (ja) 2017-06-16 2017-06-16 路面状態判別方法及び路面状態判別装置
JP2017-119103 2017-06-16
PCT/JP2018/017083 WO2018230181A1 (ja) 2017-06-16 2018-04-26 路面状態判別方法及び路面状態判別装置

Publications (1)

Publication Number Publication Date
CN110753858A true CN110753858A (zh) 2020-02-04

Family

ID=64660369

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880040176.6A Withdrawn CN110753858A (zh) 2017-06-16 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) US20210309230A1 (zh)
EP (1) EP3640685A4 (zh)
JP (1) JP2019001367A (zh)
CN (1) CN110753858A (zh)
WO (1) WO2018230181A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7157320B2 (ja) * 2018-09-19 2022-10-20 日本電信電話株式会社 学習データ生成装置、学習データ生成方法およびプログラム
CN114676175A (zh) * 2022-03-24 2022-06-28 北京百度网讯科技有限公司 一种道路颠簸点检测方法、装置、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002039854A (ja) * 2000-07-21 2002-02-06 Bridgestone Corp タイヤ振動検知装置
CN104540717A (zh) * 2012-08-09 2015-04-22 株式会社普利司通 路面状态判断方法和设备
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004016288B3 (de) * 2004-04-02 2005-08-18 Daimlerchrysler Ag Verfahren zur Bestimmung eines Reibwerts
JP5523023B2 (ja) * 2009-08-26 2014-06-18 株式会社ブリヂストン 路面状態の推定方法とその装置、及び、車両制御方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002039854A (ja) * 2000-07-21 2002-02-06 Bridgestone Corp タイヤ振動検知装置
CN104540717A (zh) * 2012-08-09 2015-04-22 株式会社普利司通 路面状态判断方法和设备
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

Also Published As

Publication number Publication date
EP3640685A4 (en) 2021-03-10
EP3640685A1 (en) 2020-04-22
WO2018230181A1 (ja) 2018-12-20
US20210309230A1 (en) 2021-10-07
JP2019001367A (ja) 2019-01-10

Similar Documents

Publication Publication Date Title
RU2607917C2 (ru) Способ и устройство для определения состояния поверхности дороги
JP6450170B2 (ja) 路面状態判別方法
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
CN110622043B (zh) 路面状态判别方法和路面状态判别装置
CN110753858A (zh) 路面状态判别方法和路面状态判别装置
Mato-Méndez et al. Blind separation to improve classification of traffic noise
WO2019138774A1 (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
JP6961539B2 (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
WO2019138775A1 (ja) 路面状態判別方法及び路面状態判別装置
WO2019244379A1 (ja) 路面状態判別方法及び路面状態判別装置
Salazar et al. Application of an Oversampling Method for Improving Road Surface Classification

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200204

WW01 Invention patent application withdrawn after publication