CN112334335B - 使用混合机器学习系统和方法的轮胎磨损估计 - Google Patents

Abstract

轮胎胎面磨损系统可以包括一个或多个运载工具传感器以及处理器。处理器可以包括控制模块、几何模型、机器学习模型和开关。几何模型可被配置为从运载工具传感器收集数据以确定轮胎的动态滚动半径。几何模型可被配置为基于轮胎的动态滚动半径来输出胎面磨损估计。机器学习模型可被配置为从运载工具传感器收集数据。机器学习模型可被配置为基于从几何模型输出的胎面磨损估计和具有轮胎胎面状态的一个或多个数据实例的相关关系来输出胎面磨损估计。开关可被配置为激活几何模型、机器学习模型或其组合。

Description

使用混合机器学习系统和方法的轮胎磨损估计

相关申请的交叉引用

本申请要求2018年6月28日提交的美国申请专利序列号16/022,032的优先权和权益，其通过引用而全文并入于此。

技术领域

本发明涉及运载工具操作管理。

背景技术

轮胎胎面估计所用的典型方法可被分类为两组。第一组使用当前生产运载工具中不存在的附加传感器，而第二组使用商业可用传感器。附加传感器的使用在一般提供更好的准确性的同时增加了复杂性和成本。商业可用传感器的使用一般不提供轮胎胎面估计的可靠结果。最终，将可能期望具有用以在无需附加传感器的情况下确定轮胎胎面磨损的准确且成本有效的系统。

发明内容

这里公开了用于运载工具操作管理的系统和方法的方面、特征、元素、实现和实施例。

轮胎胎面磨损系统可以包括一个或多个运载工具传感器以及处理器。所述处理器可以包括控制模块、几何模型、机器学习模型和开关。

所述控制模块可被配置为确定轮胎事件。所述几何模型可被配置为从所述一个或多个运载工具传感器收集数据以确定轮胎的动态滚动半径。所述几何模型可被配置为基于所述轮胎的动态滚动半径来输出胎面磨损估计。所述机器学习模型可被配置为从所述一个或多个运载工具传感器收集数据。所述机器学习模型可被配置为基于从所述几何模型输出的胎面磨损估计和具有轮胎胎面状态的一个或多个数据实例的相关关系来输出胎面磨损估计。所述开关可被配置为激活所述几何模型、所述机器学习模型或其组合。在一些实施例中，所述开关可以是逻辑开关。

所述轮胎胎面磨损系统的控制模块可被配置为基于所述轮胎事件是初始轮胎设置的确定来激活所述几何模型。在一些实施例中，所述开关可被配置为在所述控制模块确定为所述轮胎事件是轮胎更换的条件下激活所述机器学习模型。在一些实施例中，所述开关可被配置为停用所述几何模型。

在一些实施例中，所述轮胎胎面磨损系统的几何模型可被配置为在所述运载工具处于恒定速率的条件下收集数据。在一些实施例中，所述轮胎胎面磨损系统的机器学习模型可被配置为连续地并且与所述运载工具的速率无关地收集数据。

在一些实施例中，所述几何模型所收集到的数据可以包括全球定位系统数据即GPS数据、轮速度数据或其组合。在一些实施例中，所述机器学习模型所收集到的数据可以包括轮速度数据、方向盘角度数据、制动压力数据、纵向加速度数据、总距离数据或其任意组合。

在一些实施例中，所述机器学习模型可以利用具有弧度核的多类支持向量机即多类SVM来预测所述轮胎胎面状态。所述轮胎胎面状态可以用于将各轮胎分类为组。例如，第一组可以是具有100％胎面剩余的轮胎，第二组可以是具有75％胎面剩余的轮胎，第三组可以是具有50％胎面剩余的轮胎，以及第四组可以是具有25％胎面剩余的轮胎。

轮胎胎面磨损系统可以包括显示器。所述显示器可被配置为接收几何模型胎面磨损估计和机器学习模型胎面磨损估计。作为响应，所述显示器可被配置为基于所述几何模型胎面磨损估计和所述机器学习模型来生成所述轮胎的可视化。所述显示器可被配置为显示所生成的所述轮胎的可视化。

在另一方面，轮胎胎面磨损系统可以包括一个或多个传感器以及处理器。所述处理器可以包括控制模块、几何模型、机器学习模型、开关和显示器。

所述控制模块可被配置为确定运载工具的轮胎状态。所述几何模型可被配置为从所述一个或多个运载工具传感器收集数据以确定轮胎的动态滚动半径。所述几何模型可被配置为基于所述轮胎的动态滚动半径来输出胎面磨损估计。所述机器学习模型可被配置为从所述一个或多个运载工具传感器收集数据。所述机器学习模型可被配置为基于从所述几何模型输出的胎面磨损估计和具有轮胎胎面状态的一个或多个数据实例的相关关系来输出胎面磨损估计。所述开关可被配置为激活所述几何模型、所述机器学习模型或其组合。

所述显示器可被配置为接收几何模型胎面磨损估计、机器学习模型胎面磨损估计或其组合。所述显示器可被配置为生成所述轮胎的可视化。所述可视化可以基于几何模型胎面磨损估计、机器学习模型胎面磨损估计或其组合。所述显示器可被配置为显示所生成的所述轮胎的可视化。

在一些实施例中，所述轮胎胎面磨损系统的控制模块可被配置为基于所述轮胎事件是初始轮胎设置的确定来激活所述几何模型。在一些实施例中，所述开关可被配置为在所述控制模块确定为所述轮胎事件是轮胎更换的条件下激活所述机器学习模型。在一些实施例中，所述开关可被配置为停用所述几何模型。

在一些实施例中，所述几何模型所收集到的数据可以包括全球定位系统数据即GPS数据、轮速度数据或其组合。在一些实施例中，所述机器学习模型所收集到的数据可以包括轮速度数据、方向盘角度数据、制动压力数据、纵向加速度数据、总距离数据或其任意组合。

在一些实施例中，所述机器学习模型可以利用具有弧度核的多类SVM来预测所述轮胎胎面状态。所述机器学习模型可被配置为将所述轮胎胎面状态分类为组。例如，第一组可以包括具有100％胎面剩余的轮胎，第二组可以包括具有75％胎面剩余的轮胎，第三组可以包括具有50％胎面剩余的轮胎，以及第四组可以包括具有25％胎面剩余的轮胎。

在另一方面，轮胎胎面磨损系统可以包括一个或多个运载工具传感器、无线调制解调器、服务器和显示器。所述无线调制解调器可被配置为发送从所述运载工具传感器中的一个或多个接收到的数据。

所述服务器可被配置为从所述无线调制解调器接收数据。所述服务器可以包括接收器、控制模块、几何模型、机器学习模型、开关和发送器。在一些实施例中，所述接收器和所述发送器可以组合为单个收发器单元。

所述控制模块可被配置为确定运载工具的轮胎状态。所述几何模型可被配置为从所述一个或多个运载工具传感器收集数据以确定轮胎的动态滚动半径。所述几何模型可被配置为基于所述轮胎的动态滚动半径来输出胎面磨损估计。所述机器学习模型可被配置为从所述一个或多个运载工具传感器收集数据。所述机器学习模型可被配置为基于从所述几何模型输出的胎面磨损估计和具有轮胎胎面状态的一个或多个数据实例的相关关系来输出胎面磨损估计。所述开关可被配置为激活所述几何模型、所述机器学习模型或其组合。所述开关可以是逻辑开关。

以下进一步详细描述了这里公开的方法、设备、过程和算法的这些和其它方面、特征、元素、实现和实施例的变形。

附图说明

通过参考以下描述和附图中所提供的示例，这里公开的方法和设备的各个方面将变得更加明显，其中在附图中：

图1是可以实现这里公开的方面、特征和元素的运载工具的示例的图；

图2是可以实现这里公开的方面、特征和元素的运载工具通信系统的一部分的示例的图；

图3是可以实现这里公开的方面、特征和元素的运载工具通信系统的一部分的另一示例的图；

图4是运载工具通信系统的示例显示的图；

图5是根据本发明的实施例的被配置为估计轮胎胎面磨损的运载工具通信系统中所使用的方法的示例的流程图；以及

图6是根据本发明的实施例的被配置为估计轮胎胎面磨损的运载工具通信系统中所使用的方法的示例的流程图。

具体实施方式

运载工具可以包括用于生成或捕获传感器数据(诸如与运载工具的操作环境或其一部分相对应的数据等)的一个或多个传感器。例如，传感器数据可以包括与一个或多个外部对象(诸如行人、远程运载工具、运载工具操作环境内的其它对象、运载工具运输网络几何形状、或其组合等)相对应的信息。

如这里所使用的，术语“计算机”或“计算装置”包括能够进行这里公开的任何方法或其任何部分的任何单元或单元组合。

如这里所使用的，术语“处理器”指示一个或多个处理器，诸如一个或多个专用处理器、一个或多个数字信号处理器、一个或多个微处理器、一个或多个控制器、一个或多个微处理器、一个或多个应用处理器、一个或多个专用集成电路、一个或多个专用标准产品；一个或多个现场可编程门阵列、任何其它类型或组合的集成电路、一个或多个状态机或其任意组合。

如这里所使用的，术语“存储器”指示可以有形地包含、存储、通信或传输可由任何处理器使用或与任何处理器相结合地使用的任何信号或信息的任何计算机可用或计算机可读介质或装置。例如，存储器可以是一个或多个只读存储器(ROM)、一个或多个随机存取存储器(RAM)、一个或多个寄存器、一个或多个低功耗双倍数据速率(LPDDR)存储器、一个或多个高速缓存存储器、一个或多个半导体存储器装置、一个或多个磁介质、一个或多个光介质、一个或多个磁光介质、或其任意组合。

如这里所使用的，术语“指令”可以包括用于进行这里所公开的任何方法或其任何部分的指导或表示，并且可以在硬件、软件或其任何组合中实现。例如，指令可被实现为存储器中所存储的诸如计算机程序等的信息，该信息可以由处理器执行以进行如这里所述的相应方法、算法、方面或其组合中的任一个。指令或其一部分可被实现为专用处理器或电路，该专用处理器或电路可以包括用于执行如这里所述的方法、算法、方面或其组合中的任一个的专用硬件。在一些实现中，指令的一部分可以跨单个装置上的多个处理器或者跨可直接地或跨诸如局域网、广域网、因特网或其组合等的网络进行通信的多个装置上的多个处理器分布。

如这里所使用的，术语“示例”、“实施例”、“实现”、“方面”、“特征”或“元素”表示用作示例、实例或例示。除非另有明确指示，否则任何示例、实施例、实现、方面、特征或元素是彼此独立的示例、实施例、实现、方面、特征或元素，并且可以与任何其它示例、实施例、实现、方面、特征或元素结合使用。

如这里所使用的，术语“确定”和“识别”或其任何变形包括无论如何以任何方式使用这里所示和所述的一个或多个装置选择、查明、计算、查找、接收、确定、建立、获得或者以其它方式识别或确定。

如这里所使用的，术语“或”意指包容性“或”而不是排他性“或”。也就是说，除非另有规定或上下文另有明确指示，否则“X包括A或B”意在指示其任意自然包容性排列。也就是说，如果X包括A；X包括B；或者X包括A和B这两者，则在上述任何情况下，都满足“X包括A或B”。另外，除非另有规定或者根据上下文明确可知针对单数形式，否则本申请和所附权利要求中所使用的冠词“a”和“an”一般应被理解为“一个或多个”。

此外，为了简化解释，尽管这里的图和描述可以包括操作或阶段的序列或一系列操作或阶段，但是这里所公开的方法的元素可以以不同的顺序或同时地出现。另外，这里公开的方法的元素可以与这里没有明确呈现和描述的其它元素一起发生。此外，可能并非需要这里描述的方法的所有元素来实现根据本发明的方法。尽管这里以特定组合描述了方面、特征和元素，但是各方面、特征或元素可以单独使用，或者可以以具有或不具有其它方面、特征和/或元素的各种组合使用。

图1是可以实现这里公开的方面、特征和元素的运载工具的示例的图。如图所示，运载工具1000包括底盘1100、动力总成1200、控制器1300、轮1400，并且可以包括运载工具的任何其它元件或元件组合。尽管为了简单起见，运载工具1000被示出为包括四个轮1400，但是可以使用诸如推动器或踏面等的任何其它推进装置。在图1中，诸如动力总成1200、控制器1300和轮1400等的线路互连元件指示，诸如数据或控制信号等的信息、诸如电力或扭矩等的动力、或者信息和动力这两者可以在相应元件之间通信。例如，控制器1300可以从动力总成1200接收动力，并且可以与动力总成1200、轮1400或这两者通信以控制运载工具1000，这可以包括对运载工具1000进行加速、减速、转向或以其它方式进行控制。

动力总成1200可以包括动力源1210、发送单元1220、转向单元1230、致动器1240、或动力总成的任何其它元件或元件组合(诸如悬架、驱动轴、轮轴或排气系统等)。尽管单独示出，但轮1400可以包括在动力总成1200中。

动力源1210可以包括引擎、电池或其组合。动力源1210可以是可操作地提供诸如电能、热能或动能等的能量的任何装置或装置组合。例如，动力源1210可以包括诸如内燃机、电动马达、或内燃机和电动马达的组合等的引擎，并且可以可操作地向轮1400中的一个或多个提供动能作为原动力。动力源1210可以包括潜在能量单元，例如：诸如镍镉(NiCd)电池、镍锌(NiZn)电池、镍氢(NiMH)电池或锂离子(Li离子)电池等的一个或多个干电池；太阳能电池；燃料电池；或能够提供能量的任何其它装置。

发送单元1220从动力源1210接收诸如动能等的能量，并可以将能量发送至轮1400以提供原动力。发送单元1220可以由控制器1300、致动器1240或这两者控制。转向单元1230可以由控制器1300、致动器1240或这两者控制，并可以控制轮1400以使运载工具转向。致动器1240可以接收来自控制器1300的信号，并且可以致动或控制动力源1210、发送单元1220、转向单元1230或其任何组合以操作运载工具1000。

控制器1300可以包括定位单元1310、电子通信单元1320、处理器1330、存储器1340、用户接口1350、传感器1360和电子通信接口1370、或其任何组合。尽管被示出为单个单元，但控制器1300的任何一个或多个元件可以集成到任何数量的单独物理单元中。例如，用户接口1350和处理器1330可以集成在第一物理单元中，并且存储器1340可以集成在第二物理单元中。尽管在图1中未示出，但控制器1300可以包括诸如电池等的动力源。尽管被示出为单独元件，但是定位单元1310、电子通信单元1320、处理器1330、存储器1340、用户接口1350、传感器1360、电子通信接口1370或其任何组合可以集成在一个或多个电子单元、电路或芯片中。

处理器1330可以包括现有的或随后开发的能够操纵或处理信号或其它信息的任何装置或装置组合，包括光学处理器、量子处理器、分子处理器或其组合。例如，处理器1330可以包括一个或多个专用处理器、一个或多个数字信号处理器、一个或多个微处理器、一个或多个控制器、一个或多个微控制器、一个或多个集成电路、一个或多个专用集成电路、一个或多个现场可编程门阵列、一个或多个可编程逻辑阵列、一个或多个可编程逻辑控制器、一个或多个状态机或其任何组合。处理器1330可以可操作地与定位单元1310、存储器1340、电子通信接口1370、电子通信单元1320、用户接口1350、传感器1360、动力总成1200或其任何组合耦接。例如，处理器可以可操作地经由通信总线1380与存储器1340耦接。

存储器1340可以包括任何有形的非暂时性计算机可用或计算机可读介质，其例如能够包含、存储、通信或传输机器可读指令或与其相关联的任何信息以供处理器1330或结合处理器1330使用。存储器1340可以是例如一个或多个固态驱动器、一个或多个存储卡、一个或多个可移除介质、一个或多个只读存储器、一个或多个随机存取存储器、一个或多个盘(包括硬盘、软盘、光盘)、磁卡或光卡、或适合存储电子信息的任何类型的非暂时性介质、或其任何组合。

通信接口1370可以是(如图所示的)无线天线、有线通信端口、光通信端口、或者能够与有线或无线电子通信介质1500接合的任何其它有线或无线单元。尽管图1示出通信接口1370经由单个通信链路进行通信，但是通信接口可被配置为经由多个通信链路进行通信。尽管图1示出单个通信接口1370，但是运载工具可以包括任意数量的通信接口。

通信单元1320可被配置为经由有线或无线电子通信介质1500(诸如经由通信接口1370等)来发送或接收信号。尽管在图1中没有明确示出，但通信单元1320可被配置为经由任何有线或无线通信介质(诸如射频(RF)、紫外光(UV)、可见光、光纤、有线线路或其组合)来进行发送、接收或这两者。尽管图1示出单个通信单元1320和单个通信接口1370，但是可以使用任何数量的通信单元和任何数量的通信接口。通信单元1320可以包括专用短距离通信(DSRC)单元、车载单元(OBU)或其组合。

定位单元1310可以确定运载工具1000的地理位置信息，诸如经度、纬度、高度、行进方向或速率。例如，定位单元可以包括全球定位系统(GPS)单元，诸如广域增强系统(WAAS)启用的国家海洋电子协会(NMEA)单元、无线电三角测量单元或其组合。定位单元1310可以用于获得表示例如运载工具1000的当前航向、运载工具1000在二维或三维中的当前位置、运载工具1000的当前角定向或其组合的信息。

用户接口1350可以包括能够与人接合的任何单元，诸如虚拟或物理键盘、触摸板、显示器、触摸显示器、抬头显示器、虚拟显示器、增强现实显示器、触觉显示器、特征跟踪装置(诸如眼跟踪装置等)、扬声器、麦克风、摄像机、传感器、打印机或其任何组合等。如图所示，用户接口1350可以可操作地与处理器1330或者与控制器1300的任何其它元件耦接。尽管被示出为单个单元，但是用户接口1350可以包括一个或多个物理单元。例如，用户接口1350可以包括用于与人进行音频通信的音频接口、以及用于与人进行基于视觉和触摸的通信的触摸显示器。用户接口1350可以包括多个显示器，诸如多个物理分离单元、单个物理单元内的多个定义部分、或其组合等。

传感器1360可以包括能够可操作地提供可用于控制运载工具的信息的一个或多个传感器(诸如传感器阵列等)。传感器1360可以提供与运载工具的当前操作特性有关的信息。传感器1360可以包括例如速率传感器、加速度传感器、转向角传感器、牵引力相关传感器、制动相关传感器、方向盘位置传感器、眼跟踪传感器、就座位置传感器、或者任何传感器或传感器组合，其可操作地报告与运载工具1000的当前动态情形的某些方面有关的信息。

传感器1360可以包括可操作地获得与运载工具1000周围的物理环境有关的信息的传感器。例如，一个或多个传感器可以检测道路几何形状和障碍物(诸如固定障碍物、运载工具和行人等)。传感器1360可以是或者包括现在已知的或随后开发的一个或多个摄像机、激光感测系统、红外感测系统、声感测系统或者任何其它合适类型的车载环境感测装置或装置组合。在一些实施例中，传感器1360和定位单元1310可以组合。

尽管没有单独示出，但是在一些实施例中，运载工具1000可以包括轨迹控制器。例如，控制器1300可以包括轨迹控制器。轨迹控制器可以可操作地获得用于描述运载工具1000的当前状态、针对运载工具1000规划的路线或其组合的信息。基于该信息，轨迹控制器可以确定和优化运载工具1000的轨迹。轨迹控制器可以输出可操作地控制运载工具1000以使得运载工具1000遵循轨迹控制器所确定的轨迹的信号。在另一示例中，轨迹控制器的输出可以是优化轨迹，该优化轨迹可被供给至动力总成1200、轮1400或这两者。在一些实施例中，优化轨迹可以是诸如转向角的集合等的控制输入，其中各转向角与时间点或位置相对应。在一些实施例中，优化轨迹可以是一个或多个路径、线路、曲线或其组合。

轮1400中的一个或多个可以是：可在转向单元1230的控制下枢转至转向角度的方向盘；可在发送单元1220的控制下扭转以推动运载工具1000的推动轮；或者可对运载工具1000进行转向和推动的转向推动轮。

尽管在图1中未示出，但运载工具可以包括图1中未示出的单元或元件，诸如外壳、蓝牙

模块、调频(FM)无线电单元、近场通信(NFC)模块、液晶显示器(LCD)显示单元、有机发光二极管(OLED)显示单元、扬声器或其任何组合。

图2是可以例如在图1所示的运载工具1000中实现这里公开的方面、特征和元素的运载工具通信系统2000的一部分的示例的图。在本示例中，运载工具通信系统2000的一部分包括通信单元2010、一个或多个运载工具传感器2020以及显示器2030。通信单元2010的示例可以是图1所示的通信单元1320。如图2所示，一个或多个运载工具传感器2020可被配置为测量例如方向盘角度、轮速度、纵向加速度、制动压力、总距离和GPS速度。方向盘角度可以以度(deg)为单位进行测量，轮速度可以以转数/分钟(rpm)为单位进行测量，纵向加速度可以以重力(g)为单位进行测量，制动压力可以以大气压(bar)为单位进行测量，总距离可以利用里程计以千米(km)为单位进行测量，以及GPS速度可以以千米/小时(kph)为单位进行测量。这些测量各自可以至少以10赫兹(Hz)进行采样。这些测量在这里可被称为信号。

通信单元2010包括控制模块2040、几何模型2050、机器学习模型2060和开关2070。在一些实施例中，控制模块2040可以是例如在支持向量机(SVM)被实现为多类分类器的情况下的监督器。控制模块2040被配置为通过发送校准开始标志来指示何时要进行针对几何模型2050的校准。控制模块2040还被配置为在第一设备轮胎已被更换时发送第一轮胎更换标志。

几何模型2050被配置为从一个或多个运载工具传感器2020接收GPS速度和轮速度信号。在配备有第一设备轮胎集的运载工具的初始起动时，运载工具的运动触发控制模块2040，以将校准开始标志发送至几何模型2050。几何模型2050接收校准开始标志，并基于从一个或多个运载工具传感器2020接收到的GPS速度和轮速度信号来计算参考动态滚动半径(DRR)。参考DRR可以在校准完成时存储在例如图1所示的存储器1340中。在初始校准后，几何模型2050还被配置为在达到恒定速率时计算DRR，并将该DRR与参考DRR进行比较以估计轮胎胎面磨损。估计轮胎胎面磨损值可以作为百分比输出，例如，对于新轮胎为100％，对于中等轮胎磨损为75％和50％，以及对于磨损轮胎为25％。这些百分比仅作为示例提供，并且可以使用从新轮胎的100％到磨损轮胎的0％的任何百分比。估计轮胎胎面磨损值被输出到开关2070和机器学习模型2060。

机器学习模型2060可以使用SVM作为多类分类器。机器学习模型2060被配置为从一个或多个运载工具传感器2020接收轮速度、方向盘角度、制动压力、纵向加速度和总距离信号。机器学习模型2060被配置为在接收到来自几何模型2050的学习标志时开始训练。几何模型2050用于训练机器学习模型2060。机器学习模型2060被配置为估计轮胎胎面磨损值并将该值作为百分比输出到开关2070，例如，对于新轮胎为100％，对于中等轮胎磨损为75％和50％，以及对于磨损轮胎为25％。这些百分比仅作为示例提供，并且可以使用任何百分比。机器学习模型2060没有任何恒定速率约束，诸如几何模型2050或要遵守的任何其它条件或限制等。

估计轮胎胎面磨损值被输出到开关2070。开关2070可以是被配置为控制在何处生成估计轮胎胎面值的逻辑开关，例如，几何模型2050可以在第一设备轮胎的整个寿命期间向最终用户提供估计轮胎胎面值，而机器学习模型2060可以在第一轮胎更换后向最终用户提供估计轮胎胎面值。开关2070还被配置为将估计轮胎胎面值发送至显示器2030。显示器2030可以是车载显示器、移动装置、平板电脑、个人数字助理(PDA)、台式计算机、膝上型计算机或任何合适的装置。车载显示器的示例包括但不限于仪表板显示器、卫星导航显示器、抬头显示器或其组合。

图3是可以例如在图1所示的运载工具1000中实现这里公开的方面、特征和元素的运载工具通信系统3000的一部分的另一示例的图。在本示例中，运载工具通信系统3000的一部分包括通信单元3010、一个或多个运载工具传感器3020、显示器3030以及云组件3040。通信单元3010的示例可以是图1所示的通信单元1320。如图3所示，一个或多个运载工具传感器3020可被配置为测量例如方向盘角度、轮速度、纵向加速度、制动压力、总距离和GPS速度。方向盘角度可以以度(deg)为单位进行测量，轮速度可以以转数/分钟(rpm)为单位进行测量，纵向加速度可以以重力(g)为单位进行测量，制动压力可以以大气压(bar)为单位进行测量，总距离可以利用里程计以千米(km)为单位进行测量，以及GPS速度可以以千米/小时(kph)为单位进行测量。这些测量各自可以至少以10赫兹(Hz)进行采样。这些测量在这里可被称为信号。

通信单元3010包括被配置为从一个或多个运载工具传感器3020接收GPS速度、轮速度、方向盘角度、制动压力、纵向加速度和总距离信号的无线调制解调器3015。无线调制解调器3015被配置为将这些信号发送至云组件3040。

云组件3040可以是包括控制模块3050、几何模型3060、机器学习模型3070和开关3080的远程服务器。在一些实施例中，控制模块2040可以是例如在支持向量机(SVM)被实现为多类分类器的情况下的监督器。控制模块3050被配置为通过发送校准开始标志来指示何时要进行针对几何模型3060的校准。控制模块3050还被配置为在第一设备轮胎已被更换时发送第一轮胎更换标志。

几何模型3060被配置为从通信单元3010的无线调制解调器3015接收GPS速度和轮速度信号。在配备有第一设备轮胎集的运载工具的初始起动时，运载工具的运动触发控制模块3050，以将校准开始标志发送至几何模型3060。几何模型3060接收校准开始标志，并基于从通信单元3010的无线调制解调器3015接收到的GPS速度和轮速度信号来计算参考DRR。参考DRR可以在校准完成时存储在例如图1所示的存储器1340中。在初始校准后，几何模型3060还被配置为在达到恒定速率时计算DRR，并将该DRR与参考DRR进行比较以估计轮胎胎面磨损。估计轮胎胎面磨损值可以作为百分比输出，例如，对于新轮胎为100％，对于中等轮胎磨损为75％和50％，以及对于磨损轮胎为25％。这些百分比仅作为示例提供，并且可以使用从新轮胎的100％到磨损轮胎的0％的任何百分比。估计轮胎胎面磨损值被输出到开关3080和机器学习模型3070。

机器学习模型3070可以使用SVM作为多类分类器。机器学习模型3070被配置为从通信单元3010的无线调制解调器3015接收轮速度、方向盘角度、制动压力、纵向加速度和总距离信号。机器学习模型3070被配置为在接收到来自几何模型3060的学习标志时开始训练。机器学习模型3070被配置为估计轮胎胎面磨损值并将该值作为百分比输出到开关3080，例如，对于新轮胎为100％，对于中等轮胎磨损为75％和50％，以及对于磨损轮胎为25％。这些百分比仅作为示例提供，并且可以使用任何百分比。机器学习模型3070没有任何恒定速率约束，诸如几何模型3060或要遵守的任何其它条件或限制等。

估计轮胎胎面磨损值被输出到开关3080。开关3080可以是被配置为控制在何处生成估计轮胎胎面值的逻辑开关，例如，几何模型3060可以在第一设备轮胎的整个寿命期间向最终用户提供估计轮胎胎面值，而机器学习模型3070可以在第一轮胎更换后向最终用户提供估计轮胎胎面值。开关3080还被配置为将估计轮胎胎面值发送至显示器3030。显示器3030可以是车载显示器、移动装置、平板电脑、PDA、台式计算机、膝上型计算机或任何合适的装置。车载显示器的示例包括但不限于仪表板显示器、卫星导航显示器、抬头显示器或其组合。

图4是运载工具通信系统的示例显示器4000的图。如图4所示，显示器4000包括运载工具4010的图形描绘。显示器4000还包括运载工具的各轮胎的图形表示。例如，轮胎4020被示出在左前位置，轮胎4030被示出在左后位置，轮胎4040被示出在右前位置，以及轮胎4050被示出在右后位置。各轮胎可以包括轮胎的特定数据，例如，轮胎压力可被示出为数值，估计轮胎磨损值可以用颜色指示，或其组合。轮胎4020以点刻法示出，以用颜色来指示轮胎磨损状况。例如，轮胎4020可以用黄色或任何合适的颜色显示，以指示轮胎的磨损状况为“中等”。轮胎4040用阴影示出以用颜色来指示轮胎磨损状况。例如，轮胎4040可以用红色或任何合适的颜色显示，以指示轮胎的磨损状况为“高”。轮胎4030和4050可以用绿色或任何合适的颜色显示，以指示这些轮胎的磨损状况为“低”。这里描述的颜色方案仅作为示例提供。可以使用任何颜色方案和不同程度的轮胎磨损。

图5是根据本发明的实施例的被配置为估计轮胎胎面磨损的运载工具通信系统中所使用的方法5000的示例的流程图。图5所示的方法5000是图2和图3的运载工具通信系统中所使用的示例几何模型方法。在本示例中，运载工具配备有新的轮胎集，即第一设备轮胎。一旦运载工具被设置为在运动中，控制模块就向几何模型发送开始校准标志。几何模型接收校准标志并开始计算各新轮胎的DRR。

为了计算各新轮胎的DRR，几何模型在操作5010处测量运载工具速率。在操作5020处，几何模型判断运载工具速率是否恒定。如果运载工具速率不恒定，则几何模型继续在操作5010处测量运载工具速率。如果在操作5020处，运载工具速率恒定，则几何模型在操作5030处计算各轮胎的DRR。几何模型使用下式(1)来计算各轮胎在恒定速率时的DRR：

一旦几何模型在5030处完成了针对各轮胎的DRR的计算，几何模型就向机器学习模型发送学习标志。从这一刻起，每当运载工具速率被判断为恒定时，几何模型计算各轮胎的DRR。在操作5040处，几何模型将计算出的各轮胎的DRR与参考DRR进行比较，并在操作5050处估计各轮胎的轮胎胎面磨损值。然后，在操作5060处，将各轮胎的轮胎胎面磨损值输出至机器学习模型和用户。各轮胎的估计胎面磨损值可以如上所述作为百分比输出。

图6是根据本发明的实施例的被配置为估计轮胎胎面磨损的运载工具通信系统中所使用的方法6000的示例的流程图。图6所示的方法6000是图2和图3的运载工具通信系统中所使用的示例机器学习模型方法。

响应于从几何模型接收到学习标志，机器学习模型开始在操作6010处从运载工具传感器收集数据。机器学习模型使用从运载工具传感器收集到的数据和来自几何模型的输出，以例如使用监督学习来标记具有轮胎胎面状态的数据实例。机器学习模型收集并利用诸如方向盘角度、轮速度、纵向加速度、制动压力和总距离等的传感器数据以及来自几何模型的输出，以在操作6020处对各轮胎的胎面磨损进行分类。在一些实施例中，机器学习模型可能不使用GPS速度，然而，更好地使用其它信号可能对整个系统产生附加上下文，并提高估计胎面磨损值的最终准确度。从长远来看，使用更多传感器数据可以增加输出和准确度。考虑到机器学习模型连续地收集数据，而几何模型在恒定的运载工具速率下收集数据，可以对标记进行插值。机器学习模型可以使用具有弧度核的多类SVM来将轮胎胎面磨损值确定成组(例如，100％、75％、50％或25％)。

在操作6030处，机器学习模型训练数据集。训练数据集可以包括整个数据集的75％，并且该数据集的25％可以开始进行测试。在操作6030处完成数据集的训练后，机器学习模型在操作6040处对数据进行交叉验证。在一些实施例中，交叉验证可以是10倍交叉验证。一旦对分类器进行了训练，就可以从机器学习模型中提取与最新数据有关的推断以确定估计轮胎胎面值，并在操作6050处更新机器学习模型。

控制模块在初始起动期间以及发生第一轮胎更换时触发系统。例如，由于系统是在运载工具和轮胎这两者为新的情况下使用的，因此当在经销商处将运载工具递送至驾驶员时，控制模块就发送开始校准标志。在本示例中，从驾驶员的角度来看，该过程是完全自动且无缝的。

为了使系统触发第一轮胎更换标志，控制模块可以连续监视针对各轮胎输出的估计轮胎胎面磨损。当在输出中确定绝对值为50％或以上的不连续性时，控制模块确定为轮胎已被更换，并发送第一轮胎更换标志。

在一些实施例中，当进行轮胎旋转时，系统可以生成警告以指示新的轮胎位置，并且轮胎估计可以不间断地继续进行。由于系统的性质，因此实时计算可以在运载工具上车载进行，在云环境中进行，或两者兼有。在一些实施例中，可以在多媒体屏幕上显示进行所有处理的车载计算。在云中进行一些或所有处理的基于云的示例中，输出可以显示在运载工具或移动装置(诸如智能手机等)的多媒体屏幕上。在一些实施例中，几何模型可以在运载工具上车载进行，而机器学习模型在云中进行。在一些实施例中，可以将轮胎压力值添加到用于几何模型、机器学习模型或其组合的估计轮胎胎面磨损计算的判断。

这里所述的系统和方法的一些优点包括以下。例如，系统和方法可以能够采用具有提高的精度的混合机器学习方法，而无需附加传感器。另外，从无需与系统进行交互或手动测量轮胎胎面的最终用户的角度来看，这里描述的系统和方法是无缝的。在进行校准阶段后，只要轮胎大小没有改变，系统就可以以非常高的精度工作。系统最初在恒定速率时进行轮胎胎面估计，一旦进行第一轮胎更换，就连续确定各轮胎的轮胎胎面值，而不受任何运载工具速率约束。对几何模型的测试示出了91％的近似准确度。一旦对机器学习模型进行了训练，测试就示出95％的近似准确度。

上述的方面、示例和实现已被描述以便于容易地理解本发明，并且不是限制性的。相反，本发明涵盖所附权利要求的范围内所包括的各种修改和等同布置，该范围应被给予法律所允许的最广泛解释，以包含所有这类修改和等同布置。

Claims (18)

1.一种轮胎胎面磨损系统，包括：

多个运载工具传感器；以及

处理器，其包括：

控制模块，其被配置为确定轮胎事件；

几何模型，其被配置为从所述多个运载工具传感器收集数据以确定轮胎的动态滚动半径并基于所述轮胎的动态滚动半径来输出胎面磨损估计；

机器学习模型，其被配置为从所述多个运载工具传感器收集数据并基于从所述几何模型输出的胎面磨损估计和具有轮胎胎面状态的多个数据实例的相关关系来输出胎面磨损估计；以及

逻辑开关，其被配置为激活所述几何模型和所述机器学习模型。

2.根据权利要求1所述的轮胎胎面磨损系统，其中，所述控制模块被配置为基于所述轮胎事件是初始轮胎设置的确定来激活所述几何模型。

3.根据权利要求2所述的轮胎胎面磨损系统，其中，所述逻辑开关被配置为在所述控制模块确定为所述轮胎事件是轮胎更换的条件下激活所述机器学习模型。

4.根据权利要求3所述的轮胎胎面磨损系统，其中，所述逻辑开关被配置为在所述机器学习模型被激活的情况下停用所述几何模型。

5.根据权利要求1所述的轮胎胎面磨损系统，其中，所述几何模型被配置为在所述运载工具处于恒定速率的条件下收集数据。

6.根据权利要求1所述的轮胎胎面磨损系统，其中，所述机器学习模型被配置为连续地并且与所述运载工具的速率无关地收集数据。

7.根据权利要求1所述的轮胎胎面磨损系统，其中，所述几何模型所收集到的数据包括全球定位系统数据即GPS数据和轮速度数据。

8.根据权利要求1所述的轮胎胎面磨损系统，其中，所述机器学习模型所收集到的数据包括轮速度数据、方向盘角度数据、制动压力数据、纵向加速度数据和总距离数据中至少之一。

9.根据权利要求1所述的轮胎胎面磨损系统，其中，所述机器学习模型利用具有弧度核的多类支持向量机即多类SVM来预测所述轮胎胎面状态并将所述轮胎胎面状态分类为多个组。

10.根据权利要求9所述的轮胎胎面磨损系统，其中，所述多个组中的第一组是100％胎面剩余，所述多个组中的第二组是75％胎面剩余，所述多个组中的第三组是50％胎面剩余，以及所述多个组中的第四组是25％胎面剩余。

11.一种轮胎胎面磨损系统，包括：

多个运载工具传感器；

处理器，其包括：

控制模块，其被配置为确定轮胎事件；

几何模型，其被配置为从所述多个运载工具传感器收集数据以确定轮胎的动态滚动半径并基于所述轮胎的动态滚动半径来输出胎面磨损估计；

机器学习模型，其被配置为从所述多个运载工具传感器收集数据并基于从所述几何模型输出的胎面磨损估计和具有轮胎胎面状态的多个数据实例的相关关系来输出胎面磨损估计；

逻辑开关，其被配置为激活所述几何模型和所述机器学习模型；以及

显示器，其被配置为：

接收几何模型胎面磨损估计和机器学习模型胎面磨损估计；

基于所述几何模型胎面磨损估计和所述机器学习模型胎面磨损估计来生成所述轮胎的可视化；以及

显示所生成的所述轮胎的可视化。

12.根据权利要求11所述的轮胎胎面磨损系统，其中，所述控制模块被配置为基于所述轮胎事件是初始轮胎设置的确定来激活所述几何模型。

13.根据权利要求12所述的轮胎胎面磨损系统，其中，所述逻辑开关被配置为在所述控制模块确定为所述轮胎事件是轮胎更换的条件下激活所述机器学习模型。

14.根据权利要求13所述的轮胎胎面磨损系统，其中，所述逻辑开关被配置为在所述机器学习模型被激活的情况下停用所述几何模型。

15.根据权利要求11所述的轮胎胎面磨损系统，其中，所述几何模型所收集到的数据包括全球定位系统数据即GPS数据和轮速度数据。

16.根据权利要求11所述的轮胎胎面磨损系统，其中，所述机器学习模型所收集到的数据包括轮速度数据、方向盘角度数据、制动压力数据、纵向加速度数据和总距离数据中至少之一。

17.根据权利要求11所述的轮胎胎面磨损系统，其中，所述机器学习模型利用具有弧度核的多类支持向量机即多类SVM来预测所述轮胎胎面状态并将所述轮胎胎面状态分类为多个组。

18.根据权利要求17所述的轮胎胎面磨损系统，其中，所述多个组中的第一组是100％胎面剩余，所述多个组中的第二组是75％胎面剩余，所述多个组中的第三组是50％胎面剩余，以及所述多个组中的第四组是25％胎面剩余。

Images