CN110914683B

CN110914683B - 用于检测道路和轮胎状况的方法

Info

Publication number: CN110914683B
Application number: CN201880047226.3A
Authority: CN
Inventors: T·勒杜; B·冈达尔
Original assignee: Compagnie Generale des Etablissements Michelin SCA
Current assignee: Compagnie Generale des Etablissements Michelin SCA
Priority date: 2017-07-17
Filing date: 2018-07-11
Publication date: 2023-03-31
Anticipated expiration: 2038-07-11
Also published as: US20200158692A1; WO2019016445A1; CN110914683A; EP3655770A1

Abstract

本发明涉及一种方法，该方法基于对由车辆轮胎产生的声音信号的测量结果以及实时获得的行驶状况的测量结果和估算来确定在道路上行驶的车辆的行驶参数。

Description

用于检测道路和轮胎状况的方法

技术领域

本发明涉及一种用于检测道路状况的方法以及用于检测在该道路上行驶的车辆装备的轮胎的状况的方法。

背景技术

实际上，始终注意道路或轮胎的状况很重要，以便与驾驶员或驾驶辅助系统进行交互，用这样的方式从而实时告知驾驶员行驶状况的变化，更一般而言，实时告知轮胎抓地力状况和车辆的道路状况可能发生的变化。

因此，这些方法的目的是标记行驶状况的变化，例如在干燥、潮湿、下雨或下雪的地面上行驶状况之间的转换。这些方法基于这样的观察结果，当道路状况发生变化时，轮胎产生的噪声频率和强度会发生变化，并且这些方法对靠近轮胎和道路布置的麦克风所记录的声音进行分析。

基于声功率频谱的记录，借助于审慎选择的比率或通过将该频谱与预先记录的数据进行比较来确定道路的天气状况。

但是，可以观察到，所有这些方法的准确性和可靠性在很大程度上取决于引入补充参数，例如对行驶速度、温度或车辆负载、磨损程度或使用的胎面花纹类型，以及在更复杂的方法中位于车辆前方的道路的视觉状况记录的知识。因此，有必要组合来自多个传感器的信息，这必然会影响实现所提出的设备的成本。

发明内容

本发明的目的是为确定车辆的行驶参数的问题提供鲁棒的解决方案。补充地，出乎意料的是，由本发明提出的方法还使得可以仅基于声音记录来确定诸如天气状况、路面类型、轮胎的磨损程度或使用的胎面花纹类型的参数。

利用审慎地放置在车辆上的麦克风进行录音。声功率谱密度分布在给定的频率区间上。该频谱根据各种模态而变化，例如天气状况、道路状况、轮胎的磨损程度、轮胎的胎面花纹类型，以及在较小程度上根据充气压力、负载等变化。在其他方面的所有状况都保持不变的情况下，可能会改变此频谱的主要模态之一是在进行测量时车辆的速度。

已经发现，如果不考虑测量产生的功率谱，而是重新计算该谱，同时借助在整个频率区间的测量时间内记录的总声功率对测量的数据进行“归一化”，则实际上可以消除这种变化。这样做的目的是消除速度影响，并使测量结果基本上不受此模态的影响。

申请WO2015/092253公开了一种基于这种观察结果来确定道路状况或轮胎状况的方法。然而，已经观察到该方法是相对计算密集的，并且此外，它缺乏准确性和鲁棒性。因此，本发明的目的是弥补该缺陷。

因此，根据本发明的用于确定在道路上行驶的车辆的行驶参数的方法包括以下步骤：

-记录在给定时间区间内行驶在路面上的轮胎产生的声音信号的测量结果，

-确定在给定频率区间内声音信号的频谱功率密度，

-将频率区间分割成多个具有预先确定的宽度的频带，并将每个频带与数据项相关联，该数据项表示在所述频带中测得的平均声功率，来自测量结果的代表数据形成与所述测量结果相关联的矢量的变量，

-按照上述相同步骤，在已知的行驶状况下，根据每个代表道路和轮胎的给定状况的模态，利用基于学习库来识别数据的方法，所述学习库由与先前记录和执行的测量相关联的一组矢量形成，确定与所执行的测量相关联的矢量对应的道路的状况和轮胎的状况，

所述方法的特点在于，所述识别方法包括以下步骤：

-基于学习库，确定简化的判别空间，在所述简化的判别空间中识别出由每种模态或模态组合形成的区域，

-基于实时执行的行驶状况的测量和估算，简化对与测量和/或估算的行驶状况相对应的区域的判别空间。

在优选的实施方案中，测量和估算涉及以下行驶状况：

-车辆和/或连接的电子系统对包括车辆速度、轮胎压力和负载在内的组中包括的受控行驶参数的直接测量结果；以及

-对包括轮胎的磨损、路面状况和天气状况的组中包括的非受控行驶参数的估算值。

这些测量结果和估算值使得可以限制未知行驶参数的数量，从而可以利用仅适用于未知参数的状况的表征或预测的规则。这使得可以提高鲁棒性和未知行驶参数的确定质量。

因此，如果要确定的行驶参数是磨损的，并且与其他参数有关的元素(如路面状况和天气状况)可获得，则对这些元素的了解使得可以减少识别方法出现的确定概率。

不受控的行驶参数可以以不同的方式确定。因此，根据实施方案，在这里可以设想以非限制性方式描述的以下方法：

-为了估算天气状况或道路的天气状况：

ο利用发送到车辆的外部天气信息流，

ο利用温度和/或湿度和/或大气压力传感器，

ο利用摄像机类型的光学设备，

-为了估算路面状况：

ο利用包括有关地面类型的制图数据和车辆地理定位数据的数据库，

ο利用数据库，该数据库包括车辆中记录的数据，并包括基于地理定位数据，这些地理定位数据可能注有日期，由车辆在前一次旅程中确定，并在下一次旅程中重新利用，

ο与附近环境中的车辆或可能知道路面状态的任何其他通信对象进行通信，

ο车辆上的检测设备，例如激光类型的设备，

-为了估算轮胎的磨损：

ο来自数据库的信息，其中包括车辆和/或车辆的轮胎的维护信息，

ο之前进行的手动测量，

ο与放置于地面的用于测量磨损的系统进行通信，

ο对轮胎等效行驶半径的估算得出的评估，

ο根据较早的磨损状况信息进行的推断。

在一个优选实施方案中，识别方法包括在这样的组中，所述组包括：监督或非监督学习算法、形式识别算法、“支持矢量机”算法、神经网络、“深度学习”算法、“Kohonen映射”算法、“k最邻近算法”、基于决策树或决策规则的算法、“提升”算法、Fisher判别分析、贝叶斯网络、相关分析、对应分析或逻辑回归。

在一个优选实施方案中，该方法的特点在于，通过识别在频带中测得的平均声功率与在整个频率区间上测得的总声功率之比，获得形成与测量结果相关的矢量的变量的代表数据。在另一示例中，通过识别平均功率与整个频率区间上的最大功率之比来获得所述数据。一般而言，它们可以通过计算基于信号的特性确定的指示符来获得。

根据本发明的方法还可以单独或组合地包括以下特征：

-所测量的总声功率等于所考虑的频率区间的所有频带的平均声功率之和。

-通过将频率区间分成三分之一倍频程来确定频带。

-测量的时间帧小于或等于0.5秒，优选地小于或等于0.25秒。

-频率区间在0Hz和20KHz之间。

-频率区间在200Hz和20KHz之间。

-由道路的不同天气状况形成的“天气”类别的模态包括：干燥状况、潮湿状况和下雨状况。

-由道路的不同路面状况形成的“路面状况”类别的模态包括：封闭状况、中等状况和开放状况。

-由不同的轮胎磨损状况形成的“磨损”类别的模态包括：新状况、半破损状况和破损状况。

-由不同类型的轮胎胎面花纹形成的“胎面花纹”类别的模态包括：夏季类型的胎面花纹和冬季类型的胎面花纹。

-数据识别方法规定了以下步骤：

ο在所述简化的辨别空间中对与测量结果相关的矢量进行变换，并根据所述矢量的位置，将测量结果与根据模态中的每一个或模态组合的概率相关联，

ο根据每个模态类别确定最可能的模态。

-在预先确定是在干燥的道路上执行测量之后，将按照模态“路面状况”、“磨损”或“胎面花纹”的模态与所述测量结果相关联。

-将根据包括该模态的每个模态组合的概率与测量结果相关联，并且将具有最大概率的类别的模态归因于此测量结果。

-通过组合在不同时间区间执行的测量，根据“磨损”模态或“胎面花纹”模态来执行轮胎状况的诊断。

-由轮胎产生的声音信号是利用麦克风测量的，所述麦克风放置在位于车辆后方的轮拱的前部。

附图说明

通过阅读附图，将更好地理解本发明，这些附图是通过示例的方式提供的，并且不具有任何限制特征，其中：

-图1示出了配备有用于测量和分析轮胎的声功率的装置的车辆。

-图2示出了以不同速度进行测量的非“归一化”声功率谱。

-图3示出了“归一化”后的相同功率谱。

-图4示出了道路的不同天气状况下的归一化平均功率谱。

-图5示出了根据道路的天气状况而简化到二维的可判别空间中的测量分布。

-图6示出了实施根据本发明的方法的步骤的功能图。

具体实施方式

在图1中示意性示出的在地面G上行驶的车辆C包括前轮拱和后轮拱，装有轮胎T的车轮容纳在该前轮拱和后轮拱中。

当车辆C行驶时，轮胎T产生噪声，该噪声的振幅和频率取决于多个因素。实际上，该声压是各种起源的噪声的叠加，例如由胎面花纹的胎面块与地面G之间的接触、由胎面花纹元素之间的空气运动、由轮胎提起的水颗粒、或由与车速相关的气流产生的噪声。收听这些噪声还会和与环境相关的车辆噪声(例如，发动机噪声)叠加在一起。所有这些噪声同样取决于车辆的速度。

诸如麦克风1之类的收听装置安装在轮拱中尽可能靠近产生噪声的位置，以收听行驶噪声。显然，已采取预防措施来保护麦克风免受不利的外部影响，例如水、泥土或砾石的飞溅。为此，麦克风优选地安装在轮拱的前部。

理想情况下，可以认为在每个轮拱中安装麦克风是构成捕获轮胎产生的所有运行噪声的最佳方法。但是，为了确定道路状况(天气状况和路面的孔隙度)，单个麦克风就足够了。在后一种情况下，优选地使麦克风与空气动力噪声和发动机噪声隔离。

一种折中方案似乎是将麦克风安装在后轴的一个轮拱的前部。

也可以将麦克风放置在后保险杠或前保险杠中。

该车辆还包括计算机2，该计算机2连接至麦克风并且配置为例如执行使得可以格式化和分析源自麦克风的原始信息并根据麦克风检测到的声功率的测量值来估算地面或轮胎的状况的操作，接下来将详细描述所述操作。

信息存储装置与计算机相关联。这些装置可以将与学习计划相关的数据存储在存储器中，该学习计划涉及在已知行驶状况下并根据描述道路或轮胎不同状况的模态，或者包括地理定位的注有日期的测量结果的数据库进行的测量，如前所述。

最后，与道路或轮胎的状况有关的信息可以发送到显示装置或驾驶辅助系统3，或者在远程服务器上。

在此，“模态”理解为是指与地面或轮胎的状况相关联的一组状况，这组状况能够明显地引起声压的测量结果的变化。

如上所述，对轮胎噪声有潜在影响的参数数量可能很大。但是，似乎某些参数对轮胎产生的噪声的性质具有微弱或二阶影响。例如，轮胎的内部压力或轮胎上的负载就是这种情况。

令人惊讶的是，道路的天气状况似乎是一阶参数。它对轮胎噪声的影响非常显著，最重要的是，它不受所有其他参数的影响，例如路面状况、轮胎的磨损状况或轮胎的胎面花纹类型。这些其他参数也可能在较小程度上将行驶噪声改变到可以识别其固有声学特征的程度。

道路的天气状况构成了第一类别的模态，称为“天气”类别，其中区分了多种状况，例如三种状况：在这种情况下，区分干燥道路与潮湿道路，潮湿道路的特点在于水深与路面的自然粗糙度齐平，或区分干燥道路与下雨道路，下雨道路的水深超过路面的自然粗糙度的水平。在适应例如驾驶辅助系统时，实时了解道路天气状况的变化是首要的。

在称为“路面状况”类别的第二类别的模态中，同样区分路面的不同状况。当路面具有光滑的外观而没有粗糙性时，例如沥青(其在经受高水平的热量后被挤压)，则该路面称为封闭表面。当粗糙度很大时，例如破损的路面的粗糙度，或利用通过将小石子喷到沥青上产生的表面涂层快速修复的乡村道路的粗糙度，则认为路面是开放的。中等路面描述了处于上述两种状态之间的中间状态的所有路面，并且更具体地限定了新路面。这里假定路面的孔隙度影响由轮胎产生的噪声的渗透性或声反射。确实，当路面封闭时，泵送被困在轮胎的地面和胎面花纹之间的空气的现象，以及由轮胎的曲面和地面形成的空气楔引起的噪声放大现象都更加明显。例如，如果由大量车辆或一队专用车辆将这些信息返回到集中式道路网络监测和维护系统，则实时了解道路状况可以证明是有用的。

关于轮胎的状况，可以通过在第三类别的模态(称为“磨损”类别)中区分新的状况、磨损状况和中间状况(在此考虑的是半破损轮胎的状况)来确定磨损状况。关于磨损特性随时间变化的信息也至关重要，特别是如果它与关于道路的天气状况的信息相结合。确实，众所周知，比起车辆拥有新轮胎，配备有破损轮胎的车辆在潮湿的路面上行驶更容易失去抓地力(“漂滑现象”)。

最后，根据本发明的方法通过区分这是夏季型胎面花纹还是冬季型胎面花纹，能够辨别与轮胎的胎面花纹类型有关的第四类别的模态，称为“胎面花纹”类别。这两种类型的轮胎主要通过具有不同的胎面花纹的胎面进行区别，在冬季胎面花纹的情况下具有较高的凹口和刀槽花纹，而在夏季胎面花纹的情况下具有更多的方向性和较少的凹口，并且还通过形成胎面的材料的特性进行区别，在冬季轮胎的情况下材料的特性较软，而在夏季轮胎的情况下材料的特性较硬。这些特性并非不影响车辆的性能和在道路的操作，并且在调整驱动系统时，尤其是在夏季和冬季之间轮胎更换交替的区域中，可能构成有用的信息。

根据本发明的方法使得能够以孤立的方式(更具体地，天气特征的情况)或以组合的方式在其他特征的情况下，突出显示这些各种类别的每种模态。

图2是麦克风在时间帧内记录的声功率的谱表示。在此，“时间帧”应理解为是指通常短的时间区间，在该时间区间期间进行记录，该记录用作用于建立测量所基于的数据的基础。该时间帧小于或等于0.5秒，或者理想情况下小于或等于0.25秒。

此谱表示示出了在给定频率区间内接收到的声功率(以dB为单位)与频率的关系，这里，该频率区间通常是0Hz至20KHz之间的可听频率区间。

更具体地说，图2的谱表示是通过将频率区间分成预定宽度的频带，并给每个频带分配等于在该频带上测得的平均功率的特征值而获得的。将频率区间分成三分之一倍频程频带似乎是最合适的。因此，图2的每条曲线的每个点示出了在行驶状况下在时间帧内测量的给定频带平均声功率，在所述行驶状况下，所有其他状况都相同，仅速度发生变化(通常从30kmh变到110kmh)。

因此观察到，代表频谱功率的曲线相对于彼此偏移，并且消散的总声功率随速度而增加。但是，曲线的一般形式仍然相似。

当改变其他类别的一个或更多个模态并且在仅改变速度参数的同时比较所获得的曲线时，再现了该观察结果。

然后确定整个频率区间内的总声功率，该总声功率可以比作曲线和横坐标轴之间的区域，并且对于每个频带，在给定时间帧内在该频带中观察到的平均功率除以该时间帧内整个频率区间内记录的总功率。在某种程度上，这等同于“归一化”测量结果。

因此，在图3中将观察到，先前获得的曲线基本上重叠并且具有非常相似的轮廓，特别是在最代表上述声音现象的最高频带中。

这种“归一化”可以消除速度相关的影响，而不会因此而实质性地改变给定时间帧内可以根据录音产生的分析能力。

当不希望将计算机2连接到用于评估车辆速度的装置并且希望自动获得关于道路状况或车辆状况的信息时，该优点可以证明是决定性的。

为了简化和加快计算的执行，总功率可以认为等于所讨论的频率区间的每个频带中的平均功率之和。

图3中曲线的每个点都是代表给定频带中平均声功率的值。所有这些点因此可以在包括与频带一样多的维度的矢量空间中构成矢量。在用来支持本说明书的示例中，通过考虑分段为三分之一倍频程并包括在位于200Hz和20KHz之间的频率区间中的频率区间，获得了包括21个维度的矢量。通过观察，可以看到形成矢量坐标的值之和等于1。

频率区间的选择还可以根据是否期望完全消除由发动机产生的噪声来进行，该噪声的最大幅度在50Hz和60Hz之间，在这种情况下，将考虑例如在200Hz和20KHz之间的频率区间，或者频率区间的选择根据是否希望将相关信息部分保持在200Hz以下的频率范围内，在这种情况下，将考虑在0Hz和20KHz之间的整个区间内的频谱。

可以根据声音信号的高频采样(大约40kHz)来记录时间帧内的声功率。

本发明的实施包括预备学习阶段，在此阶段中，通过以已知方式改变上述模态并描述天气状况、道路状况、磨损状况或轮胎的胎面花纹类型来进行大量测量。为这些测量结果中的每一个分配在上述状况下获得的矢量。这构成了车辆的特定学习库。

数据的统计分析和处理方法本身是已知的，并且不是本发明的主题。所使用的线性判别分析方法使得可以获得可靠而鲁棒的结果。

该方法的第一步在于确定主因子轴，这使得可以将维数减少到描述沿着正交轴分配给每个测量结果的矢量所需的精确数量。借助于线性变换实现了矢量空间在判别空间中的通道，通道的维度的数量等于频带的数量，通常等于21维度。

然后，第二步骤包括在适当的判别分析的帮助下，在简化的判别空间中寻找根据给定的单一模态或根据模态组合在学习阶段获得的测量结果所在的区域。

在此，“模态组合”应理解为表示根据在每个类别中选择的模态进行的给定测量的状态。举例来说，在“下雨”状况下，在具有“夏季”、“破损”轮胎的“封闭”道路上进行的测量代表“下雨-封闭-夏季-破损”模态组合。因此，组合模态的数量等于每个类别的模态数量的乘积。

然后，在该简化的判别空间中，计算表示模态或模态组合的点所在区域的重心，以及作为代表同一区域中的点相对于此重心的离散度的置信区间。

在用来支持本说明书的示例中，起始判别空间和简化的判别空间之间的维度的数量的减少使得可以从21维度改变为大约15维度。这种小的减少使得可以观察到，考虑到频谱的总形式是不同模态表达的特征。并且暗示了，考虑到减少数量的频带的功率不能使得突出与道路或轮胎有关的特定模态，但与道路天气状况相关的模态除外。

图4示出了道路的三种天气状况下“归一化”声功率在三分之一倍频程频带中的频谱分布，其他类别的所有模态均相同。

在希望确定天气参数的情况下，图5使得可以在二维空间中根据道路的“天气”类别的“干燥”、“潮湿”、“下雨”模态中的一个查看测量结果的分布。

第一个观察结果使得可以注意到，在干燥地面上进行的测量与在潮湿或下雨地面上进行的测量不重叠。第二个观察结果使得可以得出这样的结论，即可以以令人满意的鲁棒性独立于其他类别的模态来确定道路的天气状况。

围绕每个点云的椭圆放置在重心周围的一个、两个和三个标准差处，从而可以估算重心周围的测量结果的离散度，尤其是估算一个区域相对于另一个区域的覆盖率，该覆盖率代表将根据不同给定模态进行的测量结果错误地分配给另一模态的风险。

根据这些数据，还可以通过估算从该点到这些模态中的每一种的重心的距离，来确定属于道路“天气”类别的三种模态中的一种的新测量结果的概率。

表1给出了根据“干燥”、“潮湿”、“下雨”三种模态中的一个对道路天气状况进行分类的概率。

表1

可以看出，获得了足够高的概率来推断车辆正在“干燥”、“潮湿”、“下雨”道路上行驶。此外，仅在9％的情况下，将“潮湿”模态的识别错误地分配给“下雨”模态。

类似地，有可能以比道路的天气状况更低的鲁棒性来确定路面的状况，而无需提前知道轮胎的状况。但是，优选地在道路干燥时执行此分析。该观察结果表明，与孔隙率和地面反射有关的某些声学现象与轮胎的性质无关。

相反，通过进行类似的分析，可以观察到覆盖与轮胎状况(磨损或胎面花纹)相关的模态相关的矢量的区域相对分散且相互渗透性高(围绕重心强分散和距重心的距离很短)，这使得不能在没有错误确定的高风险的情况下得出支持精确模态的结论，尤其是在道路状况为“潮湿”或“下雨”时。

为了获得更高的鲁棒性，因此优选地根据这三类的组合模态进行判别分析。代表矢量和根据从“路面状况”、“磨损”、“胎面花纹”三种模态类别的每个中选择的模态的给定组合进行的测量结果的点云位于简化的判别空间中。

与轮胎的胎面花纹相关的模态在“冬季”轮胎的情况下表示为“A”，在“夏季”轮胎的情况下表示为“P”，对于磨损状况的模态用“N”表示“新”轮胎，“M”代表“半破损”轮胎，“U”代表“破损”轮胎，最后，对于路面状况的模态，“f”表示“封闭”模态，“m”表示“中等”模态，“o”表示“开放”模态。然后这18种组合模态分别表示为：ANf、ANm、ANo、AMf、AMm、AMo、AUf、AUm、AUo、PNf、PNm、PNo、PMf、PMm、PMo、PUf、PUm、PUo。

表2给出了根据学习库中包括的18种模态组合中的每一种的测量结果获得的概率。因此，对单个模态观察到的测量结果的分散性对于组合模态而言要弱得多，并且使得能够以更有效的方式进行分类。

表2

检测模态组合中的一个的整体概率约为0.96。

对于给定的新测量结果，下一步骤包括识别执行测量的“路面状况”、“磨损”和“胎面花纹”类别中的每一种的模态。

表3使得可以根据模态组合确定检测三种类别中的一种的模态的概率。

该表3表明，如果将测量结果分配给“Auf”(冬季、破损、封闭的路面)类别，则在确定胎面花纹(1)、磨损状况(U)和路面状况(1)时可能具有良好的置信度。由于轮胎胎面花纹类型的预测性较差(0.91)，在“AUo”(冬季、破损、开放)类别中获得置信度相对较差。

表3

利用学习库，可以定位组合模态位于简化的判别空间中的区域，以及它们的重心和分散度。通常，在本说明书的情况下，所讨论的18种组合模态中的18个区域位于简化的判别空间中。

接下来，利用与每个新测量结果相关联的矢量的位置，并在简化的矢量空间中进行变换，针对一类模态中的每一种，确定包括该模态的每个模态组合的概率，并为该测量结果分配概率最高的类别的模态。

因此，如果识别出的天气类别为“干燥”，则根据测量结果得出的矢量的21个变量将使得可以依赖于基于学习库的判别分析，根据“路面状况”类别、“磨损”类别或“胎面花纹”类别，来确定属于组合模态中的一种的概率，即通常在用于支持本说明的情况下，属于18种组合模态类别中的一种的概率：ANf、ANm、ANo、AMf、AMm、AMo、AUf、AUm、AUo、PNf、PNm、PNo、PMf、PMm、PMo、PUf、PUm、PUo。例如，通过评估相对于所讨论的组合模态类别的重心的距离来计算该概率。

然后借助称为“胎面花纹+磨损+干燥地面上的路面”模型的第二种概率计算，确定属于天气类别以外的特定类别的模态中的一种的测量概率，如下。

从关系式p(路面＝“封闭”)＝p(“封闭”)＝p(ANf)+p(AMf)+p(AUf)+p(PNf)+p(PMf)+p(PUf)推导出“封闭”路面状况模态的概率。

类似地，得出以下概率：

p(路面＝“中等”)＝p(“中等”)＝p(ANm)+p(AMm)+p(AUm)+p(PNm)+p(PMm)+p(PUm)，和

p(路面＝“开放”)＝p(“开放”)＝p(ANo)+p(AMo)+p(AUo)+p(PNo)+p(PMo)+p(PUo)。

现在寻求以下三个概率中的哪一个最大并给出检测到的路面状况的模态以及相关的概率：

p(路面)＝max[p(“封闭”)，p(“中等”)，p(“开放”)]。

类似地，p(胎面花纹＝max[p(“冬季”)，p(“夏季”)]，其中：

p(胎面花纹＝“冬季”)＝p(“冬季”)＝p(ANf)+p(ANm)+p(ANo)+p(AMf)+p(AMm)+p(AMo)+p(AUf)+p(AUm)+p(AUo)，以及

p(胎面花纹＝“夏天”)＝p(“夏天”)＝p(PNf)+p(PNm)+p(PNo)+p(PMf)+p(PMm)+p(PMo)+p(PUf)+p(PUm)+p(PUo)。

最后，磨损由p(磨损＝max[p(“新”)，p(“半破损”)，p(“破损”)]给出，其中：

p(磨损＝“新”)＝p(“新”)＝p(ANf)+p(ANm)+p(ANo)+p(PNf)+p(PNm)+p(PNo)，

p(磨损＝“半破损)＝p(半破损”)＝p(AMf)+p(AMm)+p(AMo)+p(PMf)+p(PMm)+p(PMo)，以及

p(磨损＝“破损”)＝p(“破损”)＝p(AUf)+p(AUm)+p(AUo)+p(PUf)+p(PUm)+p(PUo)。

然后将由给定测量结果分配给模态的概率与特定阈值进行比较，以便确定所识别结果的有效性以及将其发送到显示器或驾驶辅助系统。例如，拒绝分类概率不至少等于0.75的所有检测。此外，如果该概率在0.95和0.75之间，则必须通过一个或更多个后续测量来确认测量结果。

这里，与天气状况或路面状况可能会突然发生变化并需要快速决策的情况不同，我们会注意到，磨损的变化或轮胎胎面花纹的类型是随时间变化(通常在对应于100公里甚至1000公里的行驶距离的时间尺度上)更加稳定的因素。但是，由于这些轮胎参数的检测取决于道路状况，因此出现了悖论，由此实际上必须能够与检测到道路状况一样快地检测它们。

通过在确定磨损的实际状况或安装在车辆上的轮胎胎面花纹的类型之前，结合利用多个连续测量获得的观察结果，基于这两个标准进行错误确定的概率可以大大降低。

图6给出了在根据本发明的方法中实现的操作顺序。该图示出了根据以下参数确定的非受控行驶参数：轮胎的磨损、路面状况、天气状况，对其他两个非受控行驶参数的估算的知识。

因此，此方法包括以下准备步骤：

-测量轮胎和地面之间的接触所发出的声音的步骤，该测量是通过安装在轮胎上的麦克风进行的，

-确定两个已知的非受控参数的步骤。通过实现本申请的段落[0014]中描述的一个或更多个方法来执行该确定，

-测量受控的行驶参数(车辆速度、轮胎压力、负载)的步骤。

在此规定，在另一实施方案中可以省去确定图中出现的第二非受控参数的步骤。在这种情况下，利用诸如在本申请的段落[0017]中描述的方法来确定第二参数。

然后，将这些不同的准备步骤所得的数据输入到从段落[0016]中引用的示例中选择的识别方法。因此，这种方法的应用使得可以直接进行待确定参数的鲁棒性识别。

用作本说明书基础的本发明的实施方案不是限制性的，并且可以是变形实施方案的主题，特别是在选择用于数据的数字分析的方法方面，只要它们使得可以获得描述和要求保护的技术效果。

Claims

1.一种确定在道路上行驶的车辆(C)的行驶参数的方法，其包括以下步骤：

-记录在给定时间区间内行驶在路面上的车辆轮胎产生的声音信号的测量结果，

-确定给定频率区间内声音信号的频谱功率密度，

-将频率区间分割成多个具有预先确定的宽度的频带，并将每个频带与数据项关联，该数据项表示在所述频带中测得的平均声功率，来自测量结果的代表数据形成与所述测量结果相关联的矢量的变量，

-按照上述相同步骤，在已知的行驶状况下，根据每个代表行驶状况的模态，利用基于学习库来识别数据的方法，确定与所执行的测量相关联的矢量相对应的道路的状况和轮胎的状况，所述学习库由与先前记录和执行的测量相关联的一组矢量形成，

所述方法的特征在于，所述识别方法包括以下步骤：

-基于实时执行的行驶状况的测量和估算，简化对与测量和/或估算的行驶状况相对应的区域的判别空间；

其中，测量和估算涉及以下行驶状况：

-车辆和/或连接的电子系统对包括车辆速度、轮胎压力和负载在内的组中包括的受控行驶参数的直接测量结果，以及

-对包括轮胎的磨损、路面状况和天气状况的组中包括的非受控行驶参数的估算值，

这些测量结果和估算值使得能够限制未知行驶参数的数量，从而能够利用仅适用于未知参数的状况的表征或预测的规则。

2.根据权利要求1所述的方法，其中，测量的总声功率等于考虑的频率区间的所有频带的平均声功率电平之和。

3.根据权利要求1或2所述的方法，其中，通过将所述频率区间分解为三分之一倍频程频带来确定频带。

4.根据权利要求1所述的方法，其中，测量的时间区间小于或等于0.5秒。

5.根据权利要求1所述的方法，其中，测量的时间区间小于或等于0.25秒。

6.根据权利要求1所述的方法，其中，所述频率区间在0Hz和20KHz之间。

7.根据权利要求1所述的方法，其中，所述频率区间在200Hz和20KHz之间。

8.根据权利要求1所述的方法，其中，由道路的不同天气状况形成的“天气”类别的模态包括：干燥状况、潮湿状况和下雨状况。

9.根据权利要求1所述的方法，其中，由道路的不同路面状况形成的“路面状况”类别的模态包括：封闭状况、中等状况和开放状况。

10.根据权利要求1所述的方法，其中，由不同的轮胎磨损状况形成的“磨损”类别的模态包括：新状况、半破损状况和破损状况。

11.根据权利要求1所述的方法，其中，由不同类型的轮胎胎面花纹形成的“胎面花纹”类别的模态包括：夏季类型的胎面花纹和冬季类型的胎面花纹。

12.根据权利要求1所述的方法，其中，数据的判别分析规定了以下步骤：

-在所述简化的判别空间中对与测量结果相关的矢量进行变换，并根据所述矢量的位置，将测量结果与根据每种模态或模态组合的概率相关联，

-根据每种模态类别确定最可能的模态；

其中，模态包括：干燥、潮湿、下雨、封闭、开放、中等、破损、半破损、新、夏季、冬季，

模态组合包括：冬季新封闭、冬季新中等、冬季新开放、冬季半破损封闭、冬季半破损中等、冬季半破损开放、冬季破损封闭、冬季破损中等、冬季破损开放、夏季新封闭、夏季新中等、夏季新开放、夏季半破损封闭、夏季半破损中等、夏季半破损开放、夏季破损封闭、夏季破损中等、夏季破损开放，

模态类别包括：“天气”、“路面状况”、“磨损”、“胎面花纹”。

13.根据权利要求12所述的方法，其中，在预先确定是在干燥的道路上执行测量之后，将按照模态“路面状况”、“磨损”或“胎面花纹”的模态与测量结果相关联。

14.根据权利要求13所述的方法，其中：

-对于一类模态中的每一个，将根据包括该模态的每种模态组合的概率与测量结果相关联，

-将具有最大概率的类别的模态归因于此测量结果。

15.根据权利要求14所述的方法，其中，通过组合在不同时间区间执行的测量结果，根据“磨损”模态或“胎面花纹”模态来执行轮胎状况的诊断。

16.根据权利要求1所述的方法，其中，由轮胎(T)产生的声音信号是利用麦克风(1)测量的，所述麦克风(1)放置在位于车辆(C)后方的轮拱的前部。