CN113748030A - 用于车辆轮胎性能建模和反馈的系统和方法 - Google Patents

Abstract

本发明公开了一种用于车辆轮胎性能监测、建模和反馈的计算机实现的系统和方法。收集车辆和/或与该车辆相关联的至少一个轮胎的车辆数据，包括移动数据和/或位置数据。至少部分地基于所收集的数据来实时确定该至少一个轮胎的当前轮胎磨损状态，本文公开了该操作的各种实施方案。至少部分地基于所确定的轮胎磨损状态和所收集的数据来预测一个或多个轮胎性能特性，诸如轮胎牵引力、更换时间和/或未来轮胎磨损。基于所预测的一个或多个轮胎性能特性和/或所确定的当前轮胎磨损状态来选择性地提供实时反馈。反馈可包括对操作员或车队管理人员的警报，或者可采取自动化控制发明的形式。

Description

用于车辆轮胎性能建模和反馈的系统和方法

技术领域

本发明整体涉及对轮胎性能进行建模和预测以及基于该建模和预测来提供反馈。更具体地，如本文所公开的本发明的实施方案涉及用于实现轮式车辆的轮胎磨损和/或轮胎牵引力模型的系统和方法，该轮式车辆包括但不限于摩托车、消费车辆(例如，客车和轻型卡车)、商用车辆和越野(OTR)车辆。

背景技术

轮胎磨损和对应的轮胎牵引能力的预测对于拥有或操作车辆的任何人都是重要工具，特别是在车辆车队管理的背景下。随着对轮胎的使用，通常胎面逐渐地变得更薄，并且整体轮胎性能发生变化。

另外，不规则胎面磨损可能出于多种原因而发生，这些原因可能引起用户比原本所需的更早地更换轮胎。车辆、驾驶员和各个轮胎全都彼此不同，并且可能导致轮胎以非常不同的速率磨损。例如，用于跑车的高性能轮胎比用于家用轿车的轮胎磨损得更快。然而，各种各样的因素可能导致轮胎比预期的磨损得更早，和/或导致轮胎不规则地磨损并且产生噪声或振动。过早和/或不规则轮胎磨损的两个常见原因是不适当的充气压力和超规格的对准条件。

已知轮胎磨损在轮胎的整个寿命期间以非线性方式发展。这种情况的一个主要原因是在胎面随时间而磨损时，胎面块变得更硬。另外，胎面花纹通常设计成随着轮胎的磨损而具有更小的空隙面积。这些特性中的任何一者或两者可促成更慢的磨损率。

大多数轮胎磨损预测的关注点在初始磨损率、即在轮胎为全新时的磨损率上。这至少部分地因为由于必须满足原始装备制造商(OEM)要求，轮胎工业一般来讲通常关注新轮胎性能。为了预测轮胎在整个寿命内的性能，要求新磨损模型。

然而，轮胎磨损是复杂模型现象。当前存在利用有限元分析(FEA)的准确模型，但是这些模拟通常花费数周才能完成。如果期望模拟在若干不同胎面深度处的磨损率，则这将进一步花费数月进行计算上昂贵的模拟。

期望为用户提供关于其轮胎的性能和能力的基本上实时的预测。

还期望估计轮胎的牵引能力，并且提供此类反馈作为用于其他有用/起作用预测或控制环路的模型的输入。

还期望估计轮胎的胎面深度，并且提供此类反馈作为用于其他有用/起作用预测(诸如例如牵引、燃料效率、耐久性等)的模型的输入。准确胎面深度预测是预测许多其他轮胎性能领域的第一步。

还期望提供这些服务作为分布式且相对自动化轮胎即服务模型的一部分，而无需手动胎面深度测量(诸如例如将通常由现场工程师和/或用专用装备提供的)。

已知出于确定在给定时间上的车辆状况的原因而产生高频率车辆数据和/或轮胎数据。然而，持续地收集流式传输数据造成数据点的体积过大，这从数据传输、存储和处理角度来看通常是不实际的。还期望基于胎面深度的测量来改善知识状态，从而基于用于基于几个周期性测量来预测轮胎中留下的磨损寿命的改善的能力来向用户(例如，个体驾驶员、车队管理员、其他等同最终用户)提供实时反馈，并且由此使用户能够从轮胎中实现最大价值。

发明内容

在本文所公开的第一示例性实施方案中，前述目的可经由用于对轮胎性能进行建模和预测以及基于该建模和预测来提供反馈的计算机实现的方法来达成。该方法包括：收集车辆的车辆数据和/或与该车辆相关联的至少一个轮胎的轮胎数据；以及至少部分地基于所收集的数据，实时确定该至少一个轮胎的当前轮胎磨损状态。至少部分地基于所确定的轮胎磨损状态和所收集的数据来预测一个或多个轮胎性能特性。基于所预测的一个或多个轮胎性能特性和/或所确定的当前轮胎磨损状态来选择性地提供实时反馈。

在前述第一实施方案的示例性变型中还实现了附加的有利特征，其中本文公开了用于估计轮胎磨损状态的计算机实现的方法的第二实施方案，并且包括在数据存储装置中累积关于与相应多个轮胎磨损因数中的每个轮胎磨损因数相对应的概率分布的信息。将与车辆关联地收集的包括移动数据和位置数据的车辆数据和/或轮胎数据从车辆传输到远程服务器。基于所传输的车辆数据来生成与多个因素中的一个或多个因素相对应的至少一个观察结果。至少基于所生成的至少一个观察结果和所存储的关于概率分布的信息来生成与车辆相关联的至少一个轮胎的在给定时间上的轮胎磨损状态的贝叶斯估计。

前述第二实施方案的一个示例性方面可包括至少基于所生成的至少一个观察结果来存储关于与促成与车辆相关联的至少一个轮胎的轮胎磨损的相应多个因素相对应的更新的概率分布的信息。

前述第二实施方案的另一个示例性方面可包括在与车辆相关联的至少一个轮胎的一个或多个未来参数下预测轮胎磨损状态。例如，可相对于即将到来的车辆行驶时间段或相对于即将到来的行进距离来预测轮胎磨损状态。

前述第二实施方案的另一个示例性方面可包括基于相较与车辆相关联的至少一个轮胎所关联的轮胎磨损阈值而言的当前轮胎磨损状态或所预测的轮胎磨损状态的与车辆相关联的至少一个轮胎的更换时间。

在前述第二实施方案的另一个示例性方面，关于多个概率分布的信息可反映时间序列表征曲线阵列。

前述第二实施方案的另一个示例性方面可包括：经由与远程服务器相关联的用户界面从用户接收一个或多个轮胎磨损输入值；以及基于一个或多个轮胎磨损输入值来生成多个因素中的一个或多个因素的至少一个观察结果。

前述第二实施方案的另一个示例性方面可包括：接收由安装在至少一个轮胎中的相应轮胎中或上的一个或多个传感器生成的一个或多个轮胎磨损输入值；以及基于一个或多个轮胎磨损输入值来生成多个因素中的一个或多个因素的至少一个观察结果。

前述第二实施方案的另一个示例性方面可包括：接收由在车辆外部的传感器生成的一个或多个轮胎磨损输入值；以及基于一个或多个轮胎磨损输入值来生成多个因素中的一个或多个因素的至少一个观察结果。

在前述第二实施方案的另一个示例性方面，由在车辆外部的传感器生成的轮胎磨损输入值中的至少一个轮胎磨损输入值包括胎面深度测量结果。

前述第二实施方案的另一个示例性方面可包括用基线值和与估计的置信水平相对应的范围生成估计的轮胎磨损状态。

可根据上述第二实施方案来提供用于估计轮胎磨损状态的系统。该系统可包括数据存储网络，该数据存储网络具有存储在其上的关于与相应多个轮胎磨损因数中的每个轮胎磨损因数相对应的概率分布的信息。对于多个车辆中的每个车辆，分布式计算节点链接到分别被配置为收集车辆数据的一个或多个车载传感器。提供了一种基于服务器的计算网络，该基于服务器计算网络包括计算机可读介质，该计算机可读介质具有驻留在其上的指令，并且该指令可由一个或多个处理器执行以引导先前关于第二实施方案所述的方面的性能。

在上述第一实施方案的另一个示例性变型中还实现了附加的有利特征，其中本文公开了用于利用刷型模型的分析轮胎磨损模型的计算机实现的方法的第三实施方案。刷型模型是简化的轮胎模型，其将胎面元素建模为单独的“刷毛”，这极大地降低了对在道路与橡胶之间的接触界面进行建模的复杂性。该模型可捕获在真实轮胎磨损时在该真实轮胎中发生的一阶效应(胎面块硬化和接触面积增大)。

根据第三示例性实施方案，确定与车辆相关联的轮胎的初始胎面深度，并且至少部分地基于该初始胎面深度来确定轮胎的初始磨损率。一个或多个轮胎状况被测量为预测性轮胎磨损模型的时间序列输入。基于关于轮胎的初始磨损率的该输入来将当前磨损率归一化，其中可针对一个或多个指定的未来参数来预测轮胎的轮胎磨损状态。

在前述第三实施方案的一方面，至少部分地基于用于在轮胎的基体材料与路面之间的接触界面的刷型轮胎磨损模型来确定当前磨损率，其中该界面被表示为多个可独立地变形的元素。

在前述第三实施方案的另一方面，所测量的一个或多个轮胎状况包括与轮胎胎面深度相对应的检测到的接触面积和空隙面积。

在前述第三实施方案的另一方面，一个或多个指定的未来参数与行进时间相关联。

另选地，一个或多个指定的未来参数可与行进距离相关联。

在前述第三实施方案的另一方面，可基于相较与轮胎相关联的一个或多个预先确定的轮胎磨损阈值而言的所预测的轮胎磨损状态来预测轮胎的更换时间。

在前述第三实施方案的另一方面，基于所预测的更换时间来向与车辆相关联的用户生成警报。

在前述第三实施方案的另一方面，经由用户界面从用户接收一个或多个测量的状况。

在前述第三实施方案的另一方面，由安装在轮胎中或上的一个或多个传感器生成并从其接收所测量的状况中的一者或多者。

在前述第三实施方案的另一方面，由在车辆外部的传感器生成并从其接收一个或多个测量的状况。由在车辆外部的传感器生成的轮胎磨损输入值中的至少一个轮胎磨损输入值可包括胎面深度测量结果。

在前述第三实施方案的另一方面，可由系统至少部分地基于时间序列输入和/或所预测的轮胎磨损状态来预测轮胎旋转阈值事件和/或对准阈值事件。因此，可基于此来向与车辆相关联的用户界面生成警报。用户界面可以是安装在车辆中的静态显示器、用于与车辆的驾驶员相关联的移动计算设备的显示器等。

在前述第三实施方案的另一方面，可至少部分地基于时间序列输入和/或所预测的轮胎磨损状态来预测车辆的最佳轮胎类型。因此，可基于此来向与车辆相关联的用户界面生成警报。用户界面可以是安装在车辆中的静态显示器、用于与车辆的驾驶员相关联的移动计算设备的显示器等。

在一个实施方案中，可提供根据前述第三实施方案的用于预测车辆轮胎磨损的进度的系统，该系统包括功能上链接到数据存储网络的服务器。数据存储网络包括与车辆相关联的轮胎的原始胎面深度以及预测性轮胎磨损模型。提供了一个或多个传感器，并且该一个或多个传感器被配置为提供与测量的轮胎状况相对应的信号。服务器被配置为基于原始胎面深度和轮胎磨损模型来确定轮胎的初始磨损率，收集与所测量的轮胎状况相对应的信号作为预测性轮胎磨损模型的时间序列输入，基于该输入将当前磨损率归一化为轮胎的初始磨损率，并且针对一个或多个指定的未来参数预测轮胎的轮胎磨损状态。

在根据第三实施方案的系统的一个示例性方面，可使用用于在轮胎的基体材料与路面之间的接触界面的刷型轮胎磨损模型来对磨损率进行建模，其中该界面被表示为多个可独立地变形的元素。另选的基于物理学的轮胎磨损模型也可在本公开的范围内实现，包括但不限于FEA模型。

在上述第一实施方案的示例性变型中还实现了附加的有利特征，其中本文公开了用于估计车辆轮胎磨损的进度的计算机实现的方法的第四实施方案。根据第四实施方案的方法包括存储与车辆相关联的轮胎的在第一(例如，初始或未磨损)阶段上的胎面深度。该方法还包括响应于与第一模态分析相关联的影响，在第一阶段上感测并存储轮胎的第一组一个或多个模态频率。在后续的第二(例如，至少部分地磨损)阶段上，响应于与第二模态分析相关联的影响，感测轮胎的第二组对应的一个或多个模态频率。基于在来自第一组和第二组中的每者的至少一个对应模态频率之间的计算的频移，可在第二阶段上估计轮胎的轮胎磨损状态。

在前述第四实施方案的一个示例性方面，在第一阶段上存储轮胎的质量，其中在第二阶段上估计轮胎磨损状态的步骤包括基于所计算的频移来确定在第一阶段与第二阶段之间轮胎的质量的变化。

在前述第四实施方案的另一个示例性方面，相对于基于所计算的频移的在第一阶段与第二阶段之间的轮胎的质量的变化来确定轮胎胎面的估计的损失。另选地，可经由在观察到的频移与给定轮胎的轮胎胎面的变化之间的可检索的相关性来确定轮胎胎面的估计的损失。可例如针对给定轮胎类型来从数据存储装置检索相关性，或者可基于轮胎胎面的变化的历史测量和在与给定轮胎类型相关联的对应模态频率之间的偏移来随时间而建立相关性。

在前述第四实施方案的另一个示例性方面，响应于轮胎的结构模式的激发，经由与轮胎关联地安装的一个或多个加速度计感测第一组对应模态频率和第二组对应模态频率。一个或多个加速度计可附接到轮胎，例如附接在轮胎的内衬上，或者可安装到相关联车辆的主轴。

在前述第四实施方案的另一个示例性方面，在轮胎的操作期间被随机地激发轮胎结构模式，并且捕获由一个或多个加速度计生成的相关联的输出信号。

在前述第四实施方案的另一个示例性方面，通过外部物体(诸如例如锤)对轮胎的受控冲击来激发轮胎结构模式。

在前述第四实施方案的另一个示例性方面，通过引导车辆相对于一个或多个预先确定的障碍物(诸如例如防滑楔或减速带)或包括足够粗糙的表面的道路的移动来激发轮胎结构模式。

根据如本文所公开的第四实施方案的示例性系统可经由功能上链接到数据存储网络和安装在轮胎和/或车辆上的一个或多个传感器的服务器或服务器网络来例如根据前述实施方案及其方面中的任何一者或多者实现车辆轮胎磨损估计。

在上述第一实施方案的示例性变型中还实现了附加的有利特征，其中本文公开了用于估计车辆轮胎磨损的计算机实现的方法的第五实施方案。第五实施方案的方法包括与车辆和/或支撑该车辆的多个轮胎中的至少一个轮胎相关联的一个或多个传感器生成与车辆和/或至少一个轮胎的实时动力学相对应的第一数据。本地处理第一数据以生成第二数据作为第一数据的精简子集，其中第二数据表示第一数据并且包括从中提取的任何一个或多个预先确定的特征。经由通信网络将第二数据选择性地传输到远程计算系统，并且该远程计算系统处理第二数据和任何一个或多个提取的特征以估计至少一个轮胎的磨损特性。

第二数据可包括多个顺序数据帧，每个数据帧包括与车辆和/或至少一个轮胎相关联的力的多维柱状图。

在前述第五实施方案的一个示例性方面，该方法还包括：至少在第一事件与第二事件之间选择数据帧的子集；以及在特定时间或特定距离内将数据帧汇总。

在该第五实施方案的另一个示例性方面，在将所汇总的数据帧传输到远程计算系统之前经由本地处理执行数据帧的汇总。另选地，可将数据帧的子集传输到远程计算系统，其中经由远程计算系统执行数据帧的汇总。

在该第五实施方案的另一个示例性方面，该方法还包括通过相对于实际收集的数据帧数量按预期的数据帧数量缩放汇总的数据帧来校正所汇总的数据帧中的缺失数据。

第二数据的所提取的特征可包括表示车辆驾驶行为的磨损性能特性。

处理第一数据可包括对第一数据进行傅里叶变换并且生成包括提取的相关频率和相关联振幅的第二数据。

在第五实施方案的另一个示例性方面，第二数据包括与车辆在一个或多个代表性驾驶状况中的每个驾驶状况下花费的时间量相对应的聚合的低频CAN数据。

在第五实施方案的另一方面，第一数据包括CAN总线信号。第二数据经由编码神经网络层生成，第三数据经由解码神经网络层生成，并且磨损计算层被附加到解码神经网络层的输出，并且被配置为将解码的CAN总线信号变换成至少一个轮胎的瞬时估计磨损值。

在前述第五实施方案的一个示例性方面，该方法还包括：将至少一个轮胎的估计磨损值和实际磨损值进行比较以生成误差值；以及将误差值作为反馈提供到神经网络层。

在第五实施方案的另一方面，第二数据的选择性传输是自动化的且基于事件的，而不是依赖于手动地选择传输。另选地，第二数据的选择性传输可以是基于时间的。

在第五实施方案的另一方面，使用与车辆和/或支持车辆的多个轮胎中的至少一个轮胎相关联的一个或多个传感器来实现用于估计车辆轮胎磨损的方法，其中生成与车辆和/或至少一个轮胎的实时动力学相对应的第一数据。经由全球定位系统收发器，生成与车辆位置相对应的低频第二数据。经由通信网络将第二数据选择性地传输到远程计算系统，其中根据车辆模型和一个或多个车辆路线特性来处理第二数据以生成与第一数据相对应的第三数据，并且还处理该第三数据以估计至少一个轮胎的磨损特性。

在前述第五实施方案的一个示例性方面，第二数据还包括多个顺序数据帧，每个数据帧包括与车辆和/或至少一个轮胎远程计算系统相关联的力的多维柱状图。远程计算系统从所收集的车辆位置数据重建车辆路线，并且将车辆路线反馈提供到相应多维柱状图中。

在上述第一实施方案的示例性变型中还实现了附加的有利特征，其中本文公开了用于估计车辆轮胎磨损的计算机实现的方法的第六实施方案。经由与车辆和/或支撑该车辆的多个轮胎中的至少一个轮胎相关联的一个或多个传感器生成第一数据，该第一数据与车辆和/或至少一个轮胎的实时动力学相对应。经由在车辆上的计算系统处理第一数据以生成第二数据作为第一数据的精简子集，该第二数据表示第一数据并且包括从中提取的任何一个或多个预先确定的特征。车载计算系统还处理第二数据以估计至少一个轮胎的磨损特性，并且向与车辆用户相关联的计算设备生成与所估计的磨损特性相关联的通知。

在前述第六实施方案的一个示例性方面，处理第二数据以估计至少一个轮胎的磨损特性的步骤包括：处理第二数据以生成与第一数据相对应的第三数据；以及还处理第三数据以估计至少一个轮胎的磨损特性。

在前述第六实施方案的另一个示例性方面，第一数据包括CAN总线信号，第二数据经由编码神经网络层生成，第三数据经由解码神经网络层生成，并且磨损计算层被附加到解码神经网络层的输出，并且被配置为将解码的CAN总线信号变换成至少一个轮胎的瞬时估计磨损值。

前述第六实施方案的另一个示例性方面还包括：将至少一个轮胎的估计磨损值和实际磨损值进行比较以生成误差值；以及将误差值作为反馈提供到神经网络层。

在上述第一实施方案至第六实施方案中任一者的示例性变型中进一步实现了附加的有利特征，其中本文公开了用于估计和应用车辆轮胎牵引状态的计算机实现的方法的第七实施方案。根据第七实施方案的方法可包括：收集与第一车辆相关联的车辆数据(例如，包括移动数据和位置数据)；以及确定与车辆相关联的至少一个轮胎的轮胎磨损状态。至少基于所传输的车辆数据和所确定的轮胎磨损状态来预测至少一个轮胎的一个或多个轮胎牵引特性，并且至少基于所预测的一个或多个轮胎牵引特性来选择性地修改一个或多个车辆操作设置。

在上述第七实施方案的一个示例性方面，至少基于传输的车辆数据和与车辆相关联的每个轮胎的确定的轮胎磨损状态来确定车辆的最大速度。

在上述第七实施方案的另一个示例性方面，将最大速度提供到与车辆相关联的自主车辆控制系统。另选地，可将最大速度提供到与车辆相关联的驾驶员辅助界面。

在上述第七实施方案的另一个示例性方面，经由用户界面从用户接收一个或多个轮胎磨损输入值。

在上述第七实施方案的另一个示例性方面，确定轮胎磨损状态的步骤包括接收由安装在至少一个轮胎中的相应轮胎中或上的一个或多个传感器生成的一个或多个轮胎磨损输入值。另选地，可由在车辆外部的传感器生成一个或多个轮胎磨损输入值。

在上述第七实施方案的另一个示例性方面，确定轮胎磨损状态的步骤包括至少基于所传输的车辆数据和由安装在至少一个轮胎中的相应轮胎中或上的一个或多个传感器生成的轮胎数据来预测一个或多个轮胎磨损输入值。

可提供用于执行根据上述第七实施方案并任选地还根据某些示例性方面的方法的系统，该系统包括远程服务器，该远程服务器经由通信网络功能上链接到车辆，其中车辆数据从车辆传输到远程服务器。远程服务器被配置为将一个或多个预测的轮胎牵引特性提供到与车辆相关联的主动安全单元，并且该主动安全单元被配置为至少基于所预测的一个或多个轮胎牵引特性来修改一个或多个车辆操作设置。

在根据第七实施方案的系统的一个示例性方面，主动安全单元可包括与车辆相关联的自动化制动系统，并且远程服务器被配置为向自动化制动系统提供与相应轮胎相关联的预测的μ-滑移曲线的一个或多个参数。

在根据第七实施方案的系统的另一个示例性方面，用户界面与远程服务器相关联并且被配置为从用户接收一个或多个轮胎磨损输入值。

在根据第七实施方案的系统的另一个示例性方面，远程服务器被配置为至少基于所传输的车辆数据和与车辆相关联的每个轮胎的确定的轮胎磨损状态来确定车辆的最大速度，并且将最大速度提供到与车辆相关联的驾驶员辅助界面。

在根据第七实施方案的系统的其他示例性方面，主动安全单元可包括防撞系统和/或自主车辆控制系统。

系统的另一个示例可执行根据针对多个车辆中的每个车辆的如上所述的第七实施方案并任选地还根据与其相关联的某些示例性方面的方法。该系统包括经由通信网络功能上链接到车辆的第一远程服务器、功能上链接到第一远程服务器的车队管理服务器，以及与多个车辆中的每个车辆相关联的车辆控制系统。对于多个车辆中的每个车辆，将车辆数据从相应车辆传输到远程服务器，第一远程服务器被配置为将一个或多个预测的轮胎牵引特性提供到车队管理服务器，并且车队管理服务器被配置为与相应车辆控制系统交互以至少基于所预测的一个或多个轮胎牵引特性来修改一个或多个车辆操作设置。

在该系统的一个示例性方面，用户界面与远程服务器和/或车队管理服务器和/或车辆控制系统相关联，并且被配置为从用户接收一个或多个轮胎磨损输入值。

在该系统的另一个示例性方面，车队管理服务器被配置为至少基于所传输的车辆数据和与相应车辆相关联的每个轮胎的确定的轮胎磨损状态来确定给定车辆的最大速度，并且将最大速度提供到与车辆相关联的车辆控制系统。

在该系统的另一个示例性方面，车队管理服务器被配置为至少基于所传输的车辆数据和与车辆相关联的每个轮胎的确定的轮胎磨损状态来计算给定车辆的停车距离势，并且将停车距离势提供到与车辆相关联的车辆控制系统。

在该系统的另一个示例性方面，车队管理服务器还被配置为确定与按顺序行进的车辆队列相关联的多个车辆中的每个车辆的最佳行车间距，并且将多个车辆中的每个车辆的所确定的最佳行车间距传输到相应车辆控制系统。

在该系统的另一个示例性方面，车队管理服务器被配置为至少基于所传输的车辆数据和与相应车辆相关联的每个轮胎的确定的轮胎磨损状态来确定给定车辆的最大速度和/或停车距离势，确定车辆是否满足阈值牵引特性，并且如果车辆不满足阈值牵引特性，则与车辆控制系统交互以防止部署或以其他方式免于使用相应车辆。

上述实施方案中的各种实施方案可易于在本文所公开的系统和/或方法中彼此组合。

例如，技术人员可理解，根据第三实施方案或第四实施方案的预测的轮胎磨损可提供作为根据第七实施方案的牵引模型的输出，彼此互补，而不更改相应的步骤或特征的范围。

另外，本领域技术人员可理解，根据第五实施方案的提取的数据可提供作为根据本文所公开的一个或多个其他实施方案的轮胎磨损模型的输入。

附图说明

在下文中，参考附图更详细地示出了本发明的实施方案。

图1是表示根据本文所公开的各种实施方案的系统的示例性实施方案的框图。

图2是表示示例性牵引估计模型的框图。

图3是表示由如本文所公开的模型产生的一组示例性牵引特性的图形图。

图4是表示由如本文所公开的模型产生的另一组示例性牵引特性的图形图。

图5是表示自主汽车车队的一组示例性轮胎磨损(例如，胎面)状态值的图形图。

图6是表示卡车队列的轮胎磨损(例如，胎面)状态值和预测的轮胎牵引力值的示例性应用的图形图。

图7是示出在使用在城市和公路车辆路线的混合情况期间收集的信号的情况下信号分辨率对磨损率估计的影响的图形图。

图8是示出在使用主要在城市路线期间收集的信号的情况下信号分辨率对磨损率估计的影响的图形图。

图9是表示用于车辆动力学数据聚合和压缩成柱状图数据帧的示例性方法的图形图。

图10是表示根据图9的过程的示例性柱状图数据帧的图形图。

图11是表示用于柱状图数据汇总的示例性过程的图形图。

图12是表示用于柱状图数据帧缩放以校正缺失或不完整数据的示例性过程的图形图。

图13是表示示例性轮胎磨损建模流的图形图。

图14是表示根据图13的轮胎磨损建模流的示例性实时模型集成的图形图。

图15是表示对轮胎磨损的示例性神经网络自动编码器应用的图形图。

图16A是表示根据图15的示例的x轴加速度数据的神经网络自动编码器压缩和解压缩的示例性结果的图形图。

图16B是表示根据图15的示例的y轴加速度数据的神经网络自动编码器压缩和解压缩的示例性结果的图形图。

图16C是表示根据图15的示例的车辆速度数据的神经网络自动编码器压缩和解压缩的示例性结果的图形图。

图17是表示用于轮胎磨损分析(例如，使用车辆对准数据)的传统方法的框图。

图18是表示用于轮胎磨损估计的示例性贝叶斯方法的框图。

图19是表示示例性轮胎磨损模型校正的图形图。

图20是表示蒙特卡罗模拟以建立一组前束角分布的示例性应用的图形图。

图21是表示蒙特卡罗模拟以建立一组外倾角分布的示例性应用的图形图。

图22是表示前轮胎的一组示例性磨损进度曲线的图形图。

图23是表示后轮胎的一组示例性磨损进度曲线的图形图。

图24是表示用于磨损输出的示例性刷型模型的图形图。

图25是表示与测量数据相比的示例性轮胎磨损模型预测的图形图。

图26是表示在如本文所公开的轮胎磨损模型预测与相同对照轮胎的各种室内磨损测试结果之间的差值的图形图。

图27是表示给定轮胎在新状态和磨损状态下的静态固有频率测试的示例性结果的图形图。

图28a是表示来自在新状态下的轮胎的防滑楔冲击模拟的示例性结果的图形图。

图28b是表示来自在磨损状态下的轮胎的防滑楔冲击模拟的示例性结果的图形图。

图29是表示来自传递率测试的在新状态和磨损状态两者下的轮胎的示例性结果的图形图。

具体实施方式

总体参考图1至图29，现在可详细地描述本发明的各种示例性实施方案。在各种附图可描述与其他实施方案共享各种共同元件和特征的实施方案的情况下，类似的元件和特征被赋予相同的附图标号，并且下文可省略其冗余描述。

如本文所公开的系统的各种实施方案可包括与多个分布式数据收集器和计算节点(例如，与各个车辆相关联)进行功能通信来有效地实现如本文所公开的磨损和牵引模型的集中式计算节点(例如，云服务器)。初始参考图1，系统100的示例性实施方案包括计算设备102，该计算设备在车辆上并且被配置为至少获得数据并且将该数据传输到远程服务器130和/或执行如本文所公开的相关计算。计算设备可以是便携式的或以其他方式模块化的而作为分布式车辆数据收集和控制系统(如图所示)的一部分，或者可以相对于中央车辆数据收集控制系统(未示出)一体地提供。该设备可包括处理器104和其上驻留有程序逻辑108的存储器106。一般来讲，如本文所公开的系统可实现分布在一个或多个车辆上的许多部件，例如但不一定与车队管理实体相关联，并且还可实现经由通信网络与车辆中的每个车辆进行功能通信的中央服务器或服务器网络。车辆部件通常可包括例如链接到控制器局域网(CAN)总线网络并由此将信号提供给本地处理单元的一个或多个传感器，诸如例如车身加速度计、陀螺仪、惯性测量单元(IMU)、位置传感器(诸如全球定位系统(GPS)转发器112)、轮胎压力监测系统(TPMS)传感器发射器118和相关联的车载接收器等。出于例示性目的而不另外限制本发明的范围，所示的实施方案包括环境温度传感器116、被配置为例如提供感测的气压信号的引擎传感器114和DC电源110。

根据以下讨论，用于收集和传输诸如与速度、加速度、制动特性等有关的车辆数据的其他传感器对于本领域普通技术人员而言将变得足够显而易见，并且在本文中不再进一步讨论。各种总线接口、协议和相关联的网络在本领域中熟知用于在相应数据源与本地计算设备之间传送车辆动力学数据等，并且本领域技术人员将认识到广泛范围的此类工具和用于实现这些工具的装置。

该系统可包括附加的分布式程序逻辑(诸如例如驻留在车队管理服务器或其他计算设备140上)，或驻留于车辆的或与其驾驶员(未示出)相关联的用于进行实时通知(例如，经由视觉和/或音频指示器)的设备的用户界面，其中车队管理设备在一些实施方案中经由通信网络功能上链接到车载设备。系统编程信息可例如由驾驶员在车辆上提供或从车队管理器提供。

在实施方案中，车辆和轮胎传感器还被提供有唯一标识符，其中车载设备处理器104可在从同一车辆上的相应传感器提供的信号之间进行区分，并且进一步在某些实施方案中，其中中央服务器130和/或车队维护监督器客户端设备140可在从多个车辆上的轮胎和相关联的车辆和/或轮胎传感器提供的信号之间进行区分。换句话讲，在各种实施方案中，出于车载或远程/下游数据存储和用于如本文所公开的计算的具体实施的目的，传感器输出值可与特定轮胎、特定车辆和/或特定轮胎-车辆系统相关联。车载设备处理器可与托管服务器直接地通信，如图1所示，或者另选地，驾驶员的移动设备或安装在卡车上的计算设备可被配置为接收车载设备输出数据并且将其进行处理/传输到托管服务器和/或车队管理服务器/设备。

从特定车辆和/或轮胎传感器接收的信号可存储在车载设备存储器中，或者存储在功能上链接到车载设备处理器的等同数据存储单元中，以根据需要进行选择性检索来用于根据本文所公开的方法的计算。在一些实施方案中，来自各种信号的原始数据信号可基本上实时从车辆传送到服务器。另选地，特别是根据高频率数据的连续数据传输中固有的低效率，数据可例如被编译、编码和/或汇总，以用于经由适当的通信网络从车辆到远程服务器的更高效的(例如，基于周期性时间或另选地基于所定义的事件的)传输。

车辆数据和/或轮胎数据一旦经由通信网络传输到托管服务器130，就可存储在例如与其相关联的数据库132中。服务器可包括轮胎磨损模型和轮胎牵引模型134或以其他方式与这两个模型相关联，以用于选择性地检索和处理车辆数据和/或轮胎数据作为适当的输入。模型可至少部分地经由执行处理器来实现，从而使得能够选择性地检索车辆数据和/或轮胎数据，并且还使得能够进行电子通信，以输入来自与服务器关联地存储的数据库、查找表等的任何附加的数据或算法。

在本文所公开的方法的一个实施方案中，如上所述的系统100可被实现用于轮胎性能的建模和预测以及基于该建模和预测来提供反馈。该方法可包括收集车辆和/或与车辆相关联的至少一个轮胎的车辆数据，包括移动数据和/或位置数据，以及至少部分地基于所收集的数据，实时确定该至少一个轮胎的当前轮胎磨损状态。至少部分地基于所确定的轮胎磨损状态和所收集的数据来预测一个或多个轮胎性能特性。基于所预测的一个或多个轮胎性能特性和/或所确定的当前轮胎磨损状态来选择性地提供实时反馈。在如本文所公开的各种实施方案中，这些步骤中的一些或全部可如以下所讨论的那样扩展以提供另外的优点。

例如，接下来参考图2，如本文所公开的系统和方法的实施方案实现轮胎的简化模型134B连同轮胎的磨损状态150一起预测该轮胎的牵引能力160，该牵引能力被中继给用户以促进安全驾驶。简化模型预测在给定摩擦、负载、充气压力、速度等下在轮胎上的力和力矩。出于例示目的，术语“轮胎磨损”和“胎面磨损”在本文中可互换地使用。

为了使牵引模型134B准确、尤其是在潮湿状况下准确，胎面深度150必须是已知的/估计的。这可通过如下若干示例性技术中的任何示例性技术来实现。

在一个实施方案中，轮胎磨损(胎面)测量150可由用户手动地进行，并且被提供作为用户输入到与车载计算设备102相关联或直接地与托管服务器130相关联的应用或等同界面中。该界面可例如使用户能够针对来自安装在识别的车辆上的多个轮胎中的所选择的轮胎直接地输入磨损值。另选地，界面可被配置为向用户提示与胎面轮廓相关联的所捕获的图像或另选的输入，其中磨损值可通过用户输入间接地确定。

在另一个实施方案中，轮胎磨损测量150可由安装在轮胎上的传感器进行并提供给托管服务器，而无需例如来自用户的输入。此类传感器可例如直接地安装在轮胎胎面中或轮胎内衬上。

在另一个实施方案中，轮胎磨损测量150可经由在车辆外部的一个或多个传感器提供并再次发送到云服务器130，而无需例如来自用户的输入。作为一个示例，一个或多个传感器可包括行车光学传感器，该行车光学传感器包括：激光发射器，该激光发射器被配置为通过将激光投射到经过传感器的轮胎的表面上或在其上进行投射来捕获轮胎胎面信息；以及一个或多个激光接收元件，该一个或多个激光接收元件被配置为捕获反射能量并由此获得轮胎的轮廓，从该轮廓可确定轮胎胎面。

在另一个实施方案中，如例如在图2中所表示并且其示例提供在以下各种实施方案中，可基于磨损模型134A来估计轮胎磨损值150。磨损模型可包括各种物理部分、过程或系统的“数字孪生”虚拟表示，其中数字和物理数据配对并与学习系统诸如例如神经网络组合。例如，可提供来自车辆的真实数据136和相关联的位置/路线信息来生成车辆轮胎的数字表示以用于估计轮胎磨损，其中所估计的轮胎磨损与所确定的实际轮胎磨损的后续比较可被实现为机器学习算法的反馈。磨损模型134A可被实现在车辆处，以用于经由车载系统102进行处理，或者轮胎数据138和/或车辆数据136可被处理来将代表性数据提供给托管服务器130以用于远程磨损估计。

如图2所示的轮胎磨损状态(例如，胎面深度)150可例如与某些车辆数据136一起被提供作为牵引模型134B的输入，该牵引模型可被配置为提供相应轮胎的估计的牵引状态160或一个或多个牵引特性160。与前述磨损模型一样，牵引模型可包括物理部分、过程或系统的“数字孪生”虚拟表示，其中数字和物理数据配对并与学习系统诸如例如人工神经网络组合。可在相应资产的整个生命周期中提供来自特定轮胎、车辆或轮胎-车辆系统的真实车辆数据136和/或轮胎数据138来生成车辆轮胎的虚拟表示以用于估计轮胎牵引力，其中所估计的轮胎牵引力与对应的测量的或确定的实际轮胎牵引力的后续比较可优选地被实现为在服务器级执行的机器学习算法的反馈。

在各种实施方案中，牵引模型134B可利用如关于许多轮胎-车辆系统所收集的来自先前测试的结果(包括例如停止距离测试结果、轮胎牵引力测试结果等)以及输入参数(例如，轮胎胎面、充气压力、路面特性、车辆速度和加速度、滑移速率和角度、法向力、制动压力和负载)的值的相关联的组合，其中可针对给定一组当前车辆数据和轮胎数据输入有效地预测轮胎牵引力输出。

在一个实施方案中，来自该牵引模型134B的输出160可结合到主动安全系统中。如前所述，正从车辆上的传感器收集数据以馈送到轮胎磨损模型134A中，该模型将预测胎面深度150，并且这将被馈送到牵引模型134B中。如本文所用的术语“主动安全系统”可优选地涵盖本领域技术人员通常已知的此类系统，包括但不限于以下示例，诸如防撞系统、高级驾驶员辅助系统(ADAS)、防抱死制动系统(ABS)等，此类系统可被配置为利用牵引模型输出信息160来实现最佳性能。例如，防撞系统通常被配置为采取退避行动，诸如自动地接合主车辆的制动器以避免或缓解与目标车辆的潜在碰撞，并且非常期望关于轮胎的牵引能力以及因此轮胎-车辆系统的制动能力的增强信息。

参考如图3和图4所示的示例性模型，每个曲线图包括表示在不同磨损水平下的相同假想轮胎的两条曲线。如可看出，随着轮胎磨损，湿牵引性能相应地劣化。在恶劣天气期间，磨损轮胎存在临界速度，其中用户有打滑风险。利用远程链接到车载显示器或等同用户界面的牵引模型，可向用户传送最大速度以提供更安全的驾驶状况。

根据相应磨损状态确定的牵引输出信息，诸如例如μ-滑移曲线(参见例如图4)也可被馈送到主动安全系统中以用于车辆控制具体实施并且由此得到优化性能。滑移比表示((车辆速度-轮胎旋转速度)/车辆速度)，其中0％的滑移比对应于自由滚动轮胎，并且100％的滑移比对应于锁定车轮。当轮胎μ-滑移曲线形状如图4所表示那样随时间而从“新轮胎”曲线改变为“磨损轮胎”曲线时，主动安全系统可优选地被配置为确定可做出什么(如果有的话)改变来改善轮胎-车辆性能特性。不同μ-滑移曲线可被认为具有影响主动安全系统(例如，ABS)优化性能的能力的相关形状和位置特性，其中例如相应峰振幅“μ”通常被理解为影响停止距离(越高越好)。μ-滑移曲线形状的其他相关特性可包括例如在曲线的y轴(μ)峰处的滑移比、在该峰处或附近的曲率、曲线的初始斜率等。

在另一个实施方案中，共乘自主车队可使用来自牵引模型134B的输出数据160来在恶劣天气期间禁用或以其他方式选择性地免于使用胎面深度低的车辆，或者有可能限制该车辆的最大速度。参考如图3所表示的示例性模型，可注意到，与可超过100英里/小时而无需峰摩擦系数降至低于阈值0.25的具有“新”状态的轮胎相比，具有“磨损”状态的轮胎被识别为具有约55英里/小时的打滑临界速度，在该速度下，峰摩擦系数降至低于相同阈值。因此，该系统可限制包括磨损到这种状态的一个或多个轮胎的车辆的速度。如果车辆是共乘自主车队的一部分，并且用户正在寻求沿要求提高的最小(例如，公路)速度的路线在恶劣天气状况期间乘车，则该系统可被配置为禁用低于特定胎面深度或以其他方式具有不足的牵引能力的车辆的部署。如图5所示，示例性自主车辆车队可包括具有不同最小胎面状态值的许多车辆，其中车队管理系统可被配置为禁用降至低于最小阈值的车辆的部署。该系统可被配置为根据与车辆相关联的多个轮胎中的每个轮胎的最小轮胎胎面值起作用，或者在一个实施方案中，可计算多个轮胎的聚合的胎面状态以用于与最小阈值进行比较。

在另一个实施方案中，车队管理系统可针对所定义的车辆队列实现来自牵引模型134B的输出数据160，诸如以通过更好地理解每个轮胎的停止距离势来更好地优化其行车间距来实现最大燃料节省。本领域技术人员可理解，使行车间距最小化可造成队列中的所有车辆的空气动力学阻力减小，并且由此改善相应燃料经济性，特别是在队列中包括多于两个卡车的情况下，并且所公开的对车辆队列行驶方法的改善可有利地促成减小超过更常规的“一体适用”方法的行车间距。大多数燃料节省通常可在小于约20米的行车间距处获得，该距离可能难以或不可能在不良天气期间使用用于确定牵引/制动能力的常规技术维持。通过更有效地确定安全行车间距，即使在恶劣天气状况下，也可增加队列行驶所花费的时间百分比。

在一个实施方案中，主动安全或队列行车间距信息可被提供给与每个相应车辆相关联的车辆制动控制系统或车辆队列行驶控制系统120。在车辆队列的上下文中，与队列相关联的单个车辆可接收行车间距信息和/或某些车辆控制信息，并且经由其他常规车辆到车辆通信系统和协议将该信息传递给队列中的其他车辆。由如本文所公开的系统提供的行车间距信息可被认为是例如基于队列中的车辆的相应牵引状态的标称或最小有效行车间距设置，应当理解，用于给定车辆或车辆队列的车辆队列行驶控制系统可基于监测到的交通事件、道路状况和可能在给定实施方案的牵引状态确定的范围外的其他环境状况来进一步更改行车间距设置。例如，在正常驾驶状况下给定车辆可接受的第一行车间距可能必要地基于监测到的实时事件(诸如要经过的道路的等级的变化，或队列中的任何一个或多个车辆的制动事件的风险升高)而增加。

车辆队列行驶控制系统120的部件通常是本领域已知的，并且可包括例如车辆制动控制系统、碰撞缓解系统、车辆到车辆通信以及共同地被配置为监测车辆数据(诸如主车辆的当前行车间距(相对于队列或非队列目标车辆中的另一车辆)、该目标车辆的相应类型、主车辆的相对加速度或减速度值、相对于主车辆的制动致动器的压力值等)的一个或多个传感器。

如前所述，方法的各种实施方案可基于磨损模型134A来估计轮胎磨损值150。当前磨损模型要求关于系统的若干输入以准确地预计轮胎的磨损寿命，并且使用非常高频率数据进行开发。然而，将高频率数据从分布式数据收集器(例如，与各个车辆相关联)传输到集中式计算节点(例如，云服务器)在规模上过于昂贵。

出于例示性目的参考图7和图8，其中呈现的数据示出了信号分辨率对磨损率估计的影响。为了构建这些曲线图，对源数据进行下采样以降低数据的分辨率。这些示例中的下采样通过简单地抽取源数据来执行。源数据在距离域中具有每样本一米的分辨率，或者在45mph的速度下具有约20Hz的分辨率。x轴表示每样本一米至每样本一千米的范围。y轴示出磨损估计中的相对误差。

在这两个图中，数据集分别对应于使用Turanza EL400四季轮胎的丰田凯美瑞(Toyota Camry)前轮驱动车辆的所有四个轮胎。在图7中，数据表示在城市和公路道路的混合上的“平均水平北美驾驶员”，其中较低的预测的磨损率通常对应于较低的磨损预测准确度。在图8中，数据表示城市出租车车队，其中绝大多数里程是在城市驾驶环境中，并且相对于先前数据集明显地要求更高的采样率。

如图所示的结果表明，数据的简单的下采样不是减少数据存储和传输要求的可靠、稳健且高效的方法。实现良好预测所需的最小分辨率很大程度上取决于所行驶的路线(例如，以城市为主，或城市和公路混合)和驾驶方式。另外，所需的最小分辨率还取决于轮胎在车辆上的位置(例如，左前、右前等)。

因此，本领域技术人员可理解，期望更复杂的策略使车辆动力学数据存储和传输效率最大化以用于轮胎磨损估计。

如本文所公开的示例性轮胎磨损模型134A可将来自高频率源或另选的低频率源的数据汇总为低频率数据，诸如路线数据，其可以成本有效的方式在该较低频率下传输到云，从而实现直接磨损建模。在某些实施方案中，可利用自适应解决方案来实现改善的效率，以例如通过将磨损估计特征编码到压缩/缩减数据集中来使方法对于现场状况来说是更稳健且自适应的。

在一个实施方案中，可从车辆上的传感器收集实时车辆动力学数据，并且然后滤波并下采样成汇总的桶，以创建相关力的柱状图。例如，可对原始加速度计数据进行下采样并聚合成表示原始数据但在粗略水平下的柱状图。

如例如在图9中所表示，实时车辆动力学数据310可被编译成时间和/或距离的窗口320。编译数据还可被聚合成柱状图数据帧330。在所示的实施方案中，数据帧330是多维的，并且含有车身加速度和车身速度。柱状图中的每个点表示在该状况下花费的时间或距离。柱状图的箱可被优化以最大化磨损计算准确度，并且进一步最小化数据存储和传输成本，从而例如实现简单的等间隔或非线性箱布局。

图10示出了柱状图数据帧的示例，该柱状图数据帧具有与横向车辆加速度相关联的第一维度和与前后车辆加速度相关联的第二维度。该示例中的各个点被颜色编码以表示在对应状况下花费的时间或距离。

接下来参考图11，由于磨损是累积过程，因此汇总在时间和/或距离方面的特定事件之间的数据是有用的。相关事件的示例可包括但不限于：车辆行程、轮胎胎面深度测量事件、轮胎旋转事件、轮胎安装事件、车辆维护事件、每日/每月/每年汇总、里程汇总(5k、10k、20k英里等)。柱状图数据帧330允许灵活且高效的汇总，其可用于云中的静态数据(在传输之后)或车辆上的瞬态数据(在传输数据之前)上。

不幸地，来自车辆系统和通信系统的数据通常或甚至固有地是不可靠的。本领域技术人员可理解，在数据缺失或损坏的情况下，期望设计软件系统是可预测的且稳健的。由于磨损是累积过程，因此缺失数据对磨损计算构成问题。如根据本实施方案所公开的柱状图数据帧330允许对缺失数据进行有效补偿。

接下来参考图12，在其中具有缺失数据子集的多个柱状图数据帧330可汇总以生成部分数据帧430，该部分数据帧可通过相对于所收集的数量的数据帧按预期数量的数据帧缩放数据帧来进一步校正。结果(校正的数据帧440)将是驾驶员的行为的平均值。

如前所述，并且现在进一步参考如图13所表示的轮胎磨损建模流和如图14所表示的示例性实时模型集成，可使用车辆上或与车辆相关联的一个或多个传感器来获取车辆动力学序列数据710。然后可使用实时车辆-轮胎模型720来模拟每个轮胎上的轮胎力。此外，轮胎的模型可用于产生磨损率模拟730。这两种模型都可实时在时间/距离序列数据上或在聚合数据帧上实现。模型的模拟结果可以数据帧形式存储或传输。

图14中的示例示出了轮胎力的实时模拟和轮胎力数据帧830的传输。本实施方案的范围不一定限于此，并且本领域技术人员可理解用于各种用例的另选策略。

应当指出的是，虽然如本文所公开的许多实施方案基于车辆动力学数据来模拟每个轮胎上的力，但是除非另外特别说明，否则本发明的范围并不限于此。换句话讲，如果此类数据在给定应用中可用，则提供与施加到至少一个轮胎的一个或多个力相对应的原始数据在本发明的范围内。

在本文所公开的方法的另一个实施方案中，车辆动力学数据可被滤波、下采样并聚合成表示车辆如何行驶的行为或“驾驶员严重性”值的子集。这些值从原始数据中提取以具体地捕获驾驶员的行为的预先确定的磨损性能特性。所提取的行为特征由下游(例如，基于主机服务器的)磨损模型进一步处理。根据本文所公开的其他实施方案，作为在传输到云中之前从原始数据提取的特征的行为值可任选地增补或以其他方式补充其他形式的汇总或压缩数据。

在另一个实施方案中，来自车辆的低频率GPS数据可被传输到云服务器，其中路线用反向映射算法重建并且被馈送到时间序列柱状图中以理解在各种驾驶状况(公路、转弯、制动等)下花费的时间。就像前述实施方案一样，根据本文所公开的其他实施方案，在传输到云中之前收集或提取的车辆位置数据可任选地增补或以其他方式补充其他形式的汇总或压缩数据。

在另一个实施方案中，可聚合低频率CAN数据以对在用于计算磨损状态的各种驾驶状况下花费的时间进行计数。就像前两个实施方案一样，根据本文所公开的一个或多个其他实施方案，在传输到云中之前的呈基于事件的驾驶检测形式的特征提取可任选地增补或以其他方式补充其他形式的汇总或压缩数据。

在另一个实施方案中，现在进一步参考图15，神经网络自动编码器900可被实现来变换和压缩第一(即，编码器)层920中的输入CAN总线信号910，并且在将压缩数据传输到云中之后进一步重建第二(即，解码器)层940中的数据以供轮胎磨损模型使用来预测轮胎性能。如三个图形图中进一步所示，第一车辆加速度数据流(如图16A所示的x轴加速度)、第二车辆加速度数据流(如图16B所示的y轴加速度)和车辆速度数据流(如图16C所示)可以非常高的准确度被压缩并重建为其相应的原始信号。在每个图中，原始数据和重建数据重叠以突出显示该准确度。

神经网络自动编码器900是本领域熟知的，用于实现数据维度的减小，并且通常包括多对层。输入层910具有第一大小，该第一大小经由编码层920与后续层减小，直到达到中间层930，此后，层大小经由解码940增大，直到具有第一大小的输出层950。本文所公开的自动编码器的示例性用途可不同于常规布置，因为其还包括专门的第三(即，磨损估计)层960，该专门的第三层被设计并附加到第二层950。专门的第三层960被配置为实现磨损率计算以将原始CAN总线信号变换成瞬时(实际)磨损率970。例如，耐磨层可包括含有与物理系统相关的特定车辆和轮胎信息的专有公式。由于原始车辆动力学数据信号可经由神经网络的第一层和第二层以非常高的准确度重建，因此附加的第三(磨损特定)层可类似地为高度准确的。

该第三层960还可使第一(编码)层920和第二(解码)层940能够随时间而被专门地训练用于估计磨损。在训练过程期间，编码层和解码层学习捕获和存储最基本的信息以用于磨损计算。例如，可将估计的瞬时磨损率或预测的磨损率与实际磨损率进行比较以生成模型误差值980。反馈环路990将模型误差值提供回自动编码器，以用于更新第一层920和/或第二层940中的模型权重和偏差。第三层960将通过特定于估计或预测轮胎磨损的权重传播。

换句话讲，将第三层960附加到常规自动编码器的末端(即，在第二层940之后)允许神经网络学习如何对要用于预测轮胎磨损的CAN总线信号进行最佳变换的表示，而常规自动编码器将简单地学习用于原始信号的直接反冲的最佳表示。利用改善的编码层，如经由例如前述反馈系统随时间而学习的，以使解码层能够产生用于估计或预测轮胎磨损的最佳信号的方式对数据进行编码。

该网络架构可使网络能够学习关于磨损的物理上最重要的信号特征和模式(峰、谷、交叉信号关系等)并通过网络高效地传播那些特征。

在另一个实施方案中，系统可被配置为对原始数据流运行傅里叶变换并提取最相关的频率。这些频率和伴随的振幅可在传输到云之后进一步用于重建完整原始数据状态。

进一步参考图17至图23，如本文所公开的另一个示例性实施方案涉及在轮胎磨损的表征和预测中使用贝叶斯方法。该方法的基础是将促成磨损的因素(诸如驾驶方式、车辆对准设置、路线、路面、环境状况、轮胎制造变动等)表示为概率分布。将这些表示为概率分布的基本原理是在这些因素中的每个因素中观察到的变化不是噪声，而是真正地表示针对磨损观察到的自然变化。例如，相对于更仔细的第二驾驶员，由冒进的第一驾驶员(其用力加速和制动)使用的相同轮胎将经历非常不同的轮胎磨损寿命期限。当与常规预测模型一起使用时，这两个驾驶员的平均表示将产生在单独地应用于任一情况时不足的预测。

贡献因素的这种概率表示的效果是，由磨损算法进行的预测也将是概率的，即，预测也是分布。当报告预测时，使用分布有若干益处。首先，预测可为它们带来不确定性的度量，即，胎面磨损为4.1mm+/-0.05mm，或磨损预测为55,000英里+/-3000英里(这两个范围可对应于特定置信水平，诸如95％或98％)。其次，可使用贝叶斯推断基于观察结果来更新这些分布。此类观察结果可例如针对预测变量(例如，胎面深度的测量)或输入变量(表征驾驶方式的加速度)。该推断的值可以是因为如以下进一步描述的模型或相关联的系统可相对于例如指定的行进距离或使用相关联的轮胎行进所花费的时间随时间而继续更新预测以及此类预测的置信度。

参考图18中的示意图，示例性工艺流程可通过与如图17所示的传统方法进行比较来示出。可生成与轮胎磨损相关的因素(诸如车辆车轮和悬架设置)的概率分布并将其馈送到车辆模型中，这与相同因素的特定目标值或测量值相反。此类因素的一个示例是外倾角，也称为从路面的穿过相应车轮(轮胎安装在其上)的中心的法线到车轮的中心线的角度。此类因素的另一个示例是前束角，也称为轮胎相对于相应车辆的纵向轴线的角度。

从这些初始范围，可生成关于或以其他方式与在相关联的轮胎上的多个相关力(例如，牵引或纵向力Fx、横向力Fy、竖直或法向力Fz)和/或力矩(例如，翻倒扭矩My、对准扭矩Mz)中的每一者相对应的另外的概率分布，这同样与相同力的各个值相反。可将力分布馈送到轮胎磨损模型中，其中胎面深度是根据基线值(例如，5.8mm)在计算的不确定性范围(例如，+/-0.3mm)下针对给定的行进距离(例如，15000km)估计的，这与仅基线值相反。

随后，可基于观察结果来更新胎面深度的概率分布，如以上用示意图所示。该更新可使用贝叶斯定理的表示来实现，该贝叶斯定理在此示出：

贝叶斯滤波方法在本领域中是已知的，用于根据例如传感器数据流中的所有先前对应测量来确定给定测量的可能性。此处，术语“模型”是指模型的参数，并且术语“观察结果”表示对模型中涉及的任何/所有变量进行的测量。根据上述公式，可使用实际测量随时间而更新与轮胎磨损预测相关的信息。换句话讲，使用这种方法，就可用对特定轮胎元件和/或车辆轮胎系统进行的每一测量来“校正”模型预测。例如，如果根据本文所公开的系统和方法周期性地收集和传输或以其他方式编译胎面深度测量以进行应用，则可实现此类测量以减少不确定性并实现随时间的更好预测。

接下来参考图19，可将轮胎磨损预测校正与胎面深度测量一起周期性地提供，其中磨损预测的不确定性相应地降低。当随时间而收集胎面深度(或等同轮胎磨损相关因素)的测量结果时，可针对给定轮胎、车辆驾驶员-轮胎系统等有效地排除或最小化潜在的另选模型或时间序列曲线，并且可更准确地提供后续轮胎磨损估计，并且其相应结果的不确定性较小。

如图所示，磨损预测曲线从具有周围磨损预测不确定性U0的第一点(沿着y轴)前进。在后续胎面深度测量之后，生成校正的磨损预测曲线以及磨损预测的降低水平的不确定性U1。在该示例中，不确定性的第二包络U1完全落入第一包络内。在另一个胎面深度测量之后，生成第三且进一步校正的磨损预测曲线，以及磨损预测的进一步降低水平的不确定性U2。

接下来参考图20和图21，表示了蒙特卡罗方法的示例性应用，以构建概率分布并使用这些分布来生成磨损进度曲线分布(参见例如如图22所示的示例性前轮胎的磨损进度曲线和如图23所示的示例性后轮胎的磨损进度曲线)。换句话讲，对于车辆对准设置的给定变化，该方法试图确定磨损进度的对应变化。在特定所示情况下，假定输入仅对于前束角和外倾角为独立的正态分布，其中所有其他因素均被称为单点。虽然本文已经选择前束角和外倾角来进行说明，但是应当理解，除非另外特别指出，否则另选或附加的车辆和/或轮胎设置可适用于轮胎磨损模型，并且因此通过如本文所公开的系统和方法实现。

特别是参考图23中的后轮胎进度曲线，中心曲线表示标称前束角/外倾角设置，其中周围区域表示对应于相应初始磨损率Ew的一万个单独的磨损进度曲线。可观察到，随着里程的增加，磨损进度的变化也相应地增加。通过实现基本因素的值的周期性测量，可随着时间而越来越确定地识别各个磨损进度曲线的适当子集，其中可仅用相对较少数量的实际测量就能准确地预测轮胎磨损状态。

因此，甚至胎面深度或其他相关因素的周期性测量也向用户(例如，车队的管理员、最终用户)提供实时反馈，并且增强预测轮胎的剩余的磨损寿命并进一步最大化轮胎的剩余价值的能力。

与轮胎磨损(例如，轮胎胎面深度)相关联的用于补充概率分布的周期性测量可根据如本文另外所述的轮胎磨损模型和技术直接进行(由用户手动和/或经由一个或多个传感器)和/或估计。

进一步参考图24至图26，如本文所公开的方法的另一个示例性实施方案涉及在表征和预测轮胎磨损中使用刷型分析。刷型模型是具有逻辑物理背景的简化轮胎模型，其将胎面元素建模为从轮胎的基体材料(例如，胎体)向外延伸的独立“刷毛”。刷型模型极大地降低了路面与基体材料之间的接触界面建模的复杂性，其中建模的胎面元素可在各种可测量方向(例如，纵向、横向、竖直)上变形，并且可捕获在真实轮胎磨损时在该真实轮胎中发生的一阶效应(胎面块硬化和接触面积增加)。在另选的实施方案中，轮胎磨损的表征和预测可使用其他基于物理学的轮胎磨损模型(诸如例如有限元分析(FEA))来实现。

如本文所公开的方法的一个实施方案还有利地预测在给定状况下轮胎的绝对磨损率，而不仅预测磨损率如何随着胎面深度的减小而改变。这至少部分地通过相对于在原始胎面深度时的磨损率(即，初始磨损率)归一化当前的建模的磨损率(例如，基于周期性或以其他方式更新的测量结果)来实现。

参见例如图24中的图形图，示出了模型的示例性输出，其中在y轴上是两个不同轮胎的归一化磨损率比，并且在x轴上是两个不同轮胎的胎面损失。初始磨损率可作为输入提供给系统，例如但不限于从FEA阶段、机器学习模型等提供，可预测给定轮胎的整个寿命的胎面深度进度。

接下来参考图25，示出了与经由户外磨损测试的相同轮胎/车辆/车辆-轮胎系统的测量数据相比的当使用该预测方法模拟磨损参考轮胎时的一组示例性结果。圆形标记物指示在每个检查里程处的对照轮胎测试结果的平均胎面深度，而下面的实线表示相对于初始胎面深度并进一步经由刷型模型归一化的预测的胎面深度。

如图26中进一步表示的验证数据还指示示例性轮胎磨损模型(诸如如本文所公开的混合刷型模型)的可接受的模型拟合。在这种情况下，对于检查胎面深度的每个里程，某个对照轮胎的预测结果与室内磨损测试结果之间的差值小于0.25mm。

如本文所公开的混合刷型模型极快且高效，并且可基本上实时执行。迄今为止的测试结果表明，该模型准确地预测了非常不同的轮胎设计的磨损进度。仅需要相对小的输入子集，诸如例如原始胎面深度和在各种胎面深度处的接触/空隙面积。该信息可取自例如胎面花纹的3D模型，或取自轮胎的通常为针对室内或室外磨损测试的每个轮胎提供的周向胎面磨损成像系统(CTWIST)测量。

在一个实施方案中，在本公开的范围内，可针对警报和/或干预来预测和实施其他轮胎相关阈值事件。例如，系统可基于如上所述接收和处理的时间序列输入、预测的轮胎磨损等来识别为给定车辆推荐的其他服务。此类服务的示例可包括但不限于轮胎旋转、对准、充气等。系统可基于关于预先确定的参数的各个阈值、阈值组和/或非阈值算法比较来生成警报和/或干预建议。

在一个实施方案中，在本公开的范围内，可针对警报和/或干预来预测和实现最佳类型的轮胎和/或轮胎参数。例如，系统可至少部分地基于如上所述接收和处理的时间序列输入、预测的轮胎磨损等来识别车辆应用(更高城市驾驶实例、更高公路驾驶实例等)和/或驾驶方式。该系统可不仅基于车辆的类型而且还基于所识别的车辆应用和/或驾驶方式来确定某些轮胎更适于给定车辆，并且还至少部分地基于此来生成警报和/或干预建议。

如前所述，可从安装在给定轮胎或相关联的车辆上的一个或多个传感器提供轮胎信息。一个或多个传感器可以是直接安装在例如轮胎的内衬或车辆主轴上的加速度计。来自传感器的输出信号可被提供给托管服务器，例如不需要来自用户的输入。

现在更具体地参考图27至图29，本文公开了用于估计轮胎的胎面深度的另一种示例性技术。本领域技术人员可理解，随着轮胎磨损和质量损失，模态频率以与质量损失直接相关或可与质量损失相关的方式改变。该原理在考虑单自由度质量弹簧系统时是清楚的，其中固有频率等于弹簧刚度的平方根除以质量。随着质量减小，固有频率增加。在针对轮胎的结构模式使用该相同原理的情况下，可通过以下基于模态频移来确定质量损失：

其中Δm为质量变化，m为在轮胎为新时的质量，并且ωn为固有频率。

模态频率可通过若干方法来识别，包括(如前所述)使加速度计附接到轮胎，或使加速度计附接到车辆的主轴。轮胎结构模式也可以各种方式激发，包括例如物体(诸如锤、踢轮胎等)对轮胎的受控冲击、电激发、在障碍物(诸如防滑楔或减速带)上越过和/或使车辆-轮胎组合在粗糙表面上行进。在某些实施方案中，随机激发事件可在车辆-轮胎组合的操作期间发生，其中来自传感器的输出信号可被收集和存储和/或处理以估计轮胎磨损。

图27示出了来自静态固有频率测试的示例，其中给定轮胎受到锤的冲击，并且加速度计附接到轮胎的内衬。与冲击相关联的振动产生来自加速度计的具有如图所示的功率谱密度(PSD)波形的输出信号。给定冲击的PSD波形表示相关联的输出信号的频率分布。加速度计可被配置为提供输出电压，该输出电压可由信号处理电路转换成等同加速度信号。这些时域信号本身可使用例如快速傅里叶变换进一步变换到频域中。功率谱中的频率响应函数通常可含有以分贝(dB)标度表示的大小信息。

突出显示来自针对给定轮胎的新状态和磨损状态的相应波形的频谱中的对应峰，以示出因在两者间的胎面损失而引起的频移。在该示例中，根据上述公式计算的质量损失为0.474千克(kg)，与0.467kg的实际测量值基本上相同。在各种实施方案中，可实现附加的步骤以使质量损失与胎面损失相关，或者另选地，可针对给定轮胎更可靠地执行模态频移相对于胎面深度的相关。

还执行了有限元分析(FEA)模拟，其示出了来自例如传递率测试(其中基体由随机输入激发)和防滑楔冲击(其中轮胎在防滑楔上滚动)两者的类似频移。

图28A表示来自针对新轮胎的防滑楔冲击模拟的结果，其中第一曲线图示出相对于时间的竖直力变化，并且第二曲线图示出相对于频率范围(以Hz为单位)的快速傅里叶变换(FFT)大小。

图28B表示来自针对同一轮胎在磨损状态下的防滑楔冲击模拟的对应结果，其中在新状态与磨损状态之间可容易地观察到模态频移。

图29表示来自给定轮胎的新状态和磨损状态的传递率模拟的结果，示出了相对于频谱的传递率(以dB为单位)，同样其中在新状态与磨损状态之间可容易地观察到模态频移，并且其中该频移可应用于估计质量的变化以及相应地估计轮胎磨损/胎面深度的变化。

在前述示例性情况的每个情况中，所示的结果是针对相同轮胎的，其中在磨损轮胎模型与新轮胎模型之间观察到相同频移，并且在所公开的轮胎磨损模型中实现该频移。

在整个说明书和权利要求书中，除非上下文另有规定，否则以下术语至少具有本文明确相关联的含义。下面标识的含义不一定限制术语，而是仅为术语提供例示性示例。“一个”、“一种”和“所述”的含义可包括复数指代，并且“在...中”的含义可包括“在...中”和“在...上”。如本文所用，短语“在一个实施方案中”不一定是指相同的实施方案，尽管它可以是相同的实施方案。

结合本文所公开的实施方案描述的各种例示性逻辑块、模块和算法步骤可被实现为电子硬件、计算机软件或两者的组合。为了清楚地示出硬件和软件的这种可互换性，上文已在其功能方面总体描述了各种例示性部件、块、模块和步骤。此类功能是被实现为硬件还是软件取决于特定应用和施加在整个系统上的设计约束。所描述的功能可针对每个特定应用以不同方式实现，但是此类实现决策不应被解释为导致脱离本公开的范围。

结合本文所公开的实施方案描述的各种例示性逻辑块和模块可由机器实现或执行，该机器诸如通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其他可编程逻辑器件、离散栅极或晶体管逻辑、离散硬件部件或它们的被设计成执行本文所述的功能的任何组合。通用处理器可以是微处理器，但是在另选方案中，处理器可以是控制器、微控制器或状态机、它们的组合等。处理器也可被实现为计算设备的组合，例如DSP和微处理器的组合、多个微处理器的组合、与DSP核结合的一个或多个微处理器的组合或任何其他此类配置的组合。

结合本文所公开的实施方案描述的方法、过程或算法的步骤可直接体现在硬件中、由处理器执行的软件模块中或两者的组合中。软件模块可驻留在RAM存储器、闪存存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移除磁盘、CD-ROM或本领域已知的任何其他形式的计算机可读介质中。示例性计算机可读介质可耦接到处理器，使得处理器可从存储器/存储介质读取信息并将信息写入到存储器/存储介质。在另选方案中，介质可集成到处理器。处理器和介质可驻留在ASIC中。ASIC可驻留在用户终端中。在另选方案中，处理器和介质可作为分立部件驻留在用户终端中。

除非另外特别说明或在所使用的上下文内以其他方式理解，否则本文所用的条件语言(诸如“可以”、“可能”、“可”、“例如”等)通常旨在传达某些实施方案包括某些特征、元件和/或状态，而其他实施方案不包括某些特征、元件和/或状态。因此，此类条件语言通常不旨在暗示特征、元素和/或状态对于一个或多个实施方案以任何方式是必需的，或者一个或多个实施方案有必要包括用于在有或没有作者输入或提示的情况下决定这些特征、元件和/或状态是否包括在任何特定实施方案中或者是否将在任何特定实施方案中执行的逻辑。

虽然本文通常可针对车队管理系统并更具体地是自主车辆车队或商业卡车应用的轮胎磨损和/或轮胎牵引力估计来描述本发明的某些优选实施方案，但是本发明明确地绝不受限于此，并且除非另外说明，否则如本文所用的术语“车辆”可指汽车、卡车或它们的可包括一个或多个轮胎并因此要求轮胎磨损和/或轮胎牵引力的准确的估计或预测以及以例如直接车辆控制调整的形式进行的潜在的禁用、更换或干预的任何等同物(无论是自推进的还是其他形式的)。

除非另外说明，否则如本文所用的术语“用户”可指驾驶员、乘客、机修工、技术人员、车队管理人员或可能例如与具有用于提供如本文所公开的特征和步骤的用户界面的设备相关联的任何其他人或实体。

出于说明和描述的目的已提供了先前的详细描述。因此，尽管已描述了新的和有用的发明的具体实施方案，但并不旨在将这些参考理解为是对本发明范围的限制，除非如以下权利要求所述。

Claims (51)

1.一种计算机实现的方法，包括：

收集车辆的车辆数据和/或与所述车辆相关联的至少一个轮胎的轮胎数据；

至少部分地基于所收集的数据来实时确定所述至少一个轮胎的当前轮胎磨损状态；

至少部分地基于所确定的轮胎磨损状态和所收集的数据来预测一个或多个轮胎性能特性；以及

基于所预测的一个或多个轮胎性能特性和/或所确定的当前轮胎磨损状态来选择性地提供实时反馈。

2.根据权利要求1所述的方法，其中：

关于与相应多个轮胎磨损因数中的每个轮胎磨损因数相对应的概率分布的信息累积在数据存储装置中；

所收集的车辆数据和/或轮胎数据从所述车辆传输到远程服务器；

与所述多个因素中的一个或多个因素相对应的至少一个观察结果基于所传输的车辆数据和/或轮胎数据来生成；并且

与所述车辆相关联的所述至少一个轮胎的所述当前轮胎磨损状态的贝叶斯估计至少基于所生成的至少一个观察结果和所存储的关于概率分布的信息来提供。

3.根据权利要求2所述的方法，还包括至少基于所生成的至少一个观察结果来存储关于与促成与所述车辆相关联的所述至少一个轮胎的轮胎磨损的相应多个因素相对应的更新的概率分布的信息。

4.根据权利要求2或权利要求3所述的方法，其中所预测的所述一个或多个轮胎磨损特性包括在与所述车辆相关联的所述至少一个轮胎的一个或多个未来时间上的预测的轮胎磨损状态。

5.根据权利要求4所述的方法，其中所预测的所述一个或多个轮胎磨损特性包括基于相较与所述车辆相关联的所述至少一个轮胎所关联的轮胎磨损阈值而言的当前轮胎磨损状态或所预测的轮胎磨损状态的与所述车辆相关联的所述至少一个轮胎的更换时间。

6.根据权利要求2所述的方法，其中关于所述多个概率分布的所述信息反映时间序列关系阵列。

7.根据权利要求2、3或6中任一项所述的方法，还包括：

经由与所述远程服务器相关联的用户界面从用户接收一个或多个轮胎磨损输入值，和/或接收由安装在所述至少一个轮胎的相应轮胎中或上的一个或多个传感器生成的一个或多个轮胎磨损输入值，和/或接收由在所述车辆外部的传感器生成的一个或多个轮胎磨损输入值；以及

基于所述一个或多个轮胎磨损输入值来生成所述多个因素中的一个或多个因素的至少一个观察结果。

8.根据权利要求7所述的方法，其中：

由在所述车辆外部的所述传感器生成的所述轮胎磨损输入值中的至少一个轮胎磨损输入值包括胎面深度测量结果。

9.根据权利要求2所述的方法，还包括：

用基线值和与所述估计的置信水平相对应的范围生成估计的轮胎磨损状态。

10.根据权利要求1所述的方法，包括：

确定与车辆相关联的轮胎的原始胎面深度；

至少部分地基于所述原始胎面深度来确定所述轮胎的初始磨损率；

测量一个或多个轮胎状况作为预测性轮胎磨损模型的时间序列输入，并且还基于所述时间序列输入来生成所述轮胎的当前磨损率；

将所述当前磨损率归一化为所述轮胎的所述初始磨损率；以及

针对一个或多个指定的未来参数预测所述轮胎的轮胎磨损状态。

11.根据权利要求10所述的方法，其中：

所述当前磨损率还基于用于在所述轮胎的基体材料与路面之间的接触界面的刷型轮胎磨损模型来确定，其中所述界面被表示为多个能够独立地变形的元素。

12.根据权利要求10或权利要求11中任一项所述的方法，其中：

所测量的一个或多个轮胎状况包括与轮胎胎面深度相对应的检测到的接触面积和空隙面积。

13.根据权利要求10或权利要求11中任一项所述的方法，其中：

所述一个或多个指定的未来参数与行进时间和行进距离中的一者或多者相关联。

14.根据权利要求10或权利要求11中任一项所述的方法，包括：

基于相较与所述轮胎相关联的一个或多个预先确定的轮胎磨损阈值而言的所预测的轮胎磨损状态来预测所述轮胎的更换时间。

15.根据权利要求14所述的方法，还包括基于所预测的更换时间来向与所述车辆相关联的用户生成警报。

16.根据权利要求10所述的方法，还包括：

从经由用户界面输入一个或多个测量的状况的用户和/或从安装在所述轮胎中或上的一个或多个传感器和/或从在所述车辆外部的传感器接收所述测量的状况。

17.根据权利要求10所述的方法，还包括：

预测轮胎旋转阈值事件和/或对准阈值事件，以及基于此，向与所述车辆相关联的用户界面生成警报。

18.根据权利要求10所述的方法，还包括：

至少部分地基于所述时间序列输入来预测所述车辆的最佳轮胎类型，以及

基于此，向与所述车辆相关联的用户界面生成警报。

19.根据权利要求1所述的方法，包括：

存储与车辆相关联的轮胎的在第一阶段上的胎面深度；

响应于针对所述轮胎的第一模态分析，在所述第一阶段上，感测并存储所述轮胎的第一组一个或多个模态频率；

响应于针对所述轮胎的第二模态分析，在后续的第二阶段上，感测所述轮胎的第二组对应的一个或多个模态频率；以及

基于在来自所述第一组和所述第二组中的每一者的至少一个对应模态频率之间的计算的频移来估计在所述第二阶段上的所述轮胎的轮胎磨损状态。

20.根据权利要求19所述的方法，还包括：

在所述第一阶段上存储所述轮胎的质量，其中在所述第二阶段上估计所述轮胎磨损状态的所述步骤包括基于所计算的频移来确定在所述第一阶段与所述第二阶段之间所述轮胎的质量的变化。

21.根据权利要求20所述的方法，其中：

相对于基于所计算的频移的在所述第一阶段与所述第二阶段之间的所述轮胎的质量的所述变化来确定轮胎胎面的估计的损失。

22.根据权利要求20所述的方法，其中：

经由在观察到的频移与给定轮胎的轮胎胎面的变化之间的可检索的相关性来确定轮胎胎面的估计的损失。

23.根据权利要求22所述的方法，其中：

针对给定轮胎类型来从数据存储装置检索所述相关性。

24.根据权利要求22所述的方法，其中：

基于轮胎胎面的变化的历史测量和在与所述给定轮胎类型相关联的对应模态频率之间的偏移来随时间而建立所述相关性。

25.根据权利要求19至24中任一项所述的方法，其中：

响应于所述轮胎的结构模式的激发，经由一个或多个加速度计感测所述第一组对应模态频率和所述第二组对应模态频率。

26.根据权利要求25所述的方法，其中：

在所述轮胎的操作期间随机地激发所述轮胎结构模式，并且捕获由所述一个或多个加速度计生成的相关联的输出信号。

27.根据权利要求25所述的方法，其中通过外部物体对所述轮胎的受控冲击来激发所述轮胎结构模式。

28.根据权利要求25所述的方法，其中通过引导所述车辆相对于一个或多个预先确定的障碍物的移动来激发所述轮胎结构模式。

29.根据权利要求1所述的方法，其中：

所预测的一个或多个轮胎性能特性包括所述至少一个轮胎的轮胎牵引特性；以及

提供所述实时反馈以用于至少基于所预测的一个或多个轮胎牵引特性来自动地修改一个或多个车辆操作设置。

30.根据权利要求29所述的方法，还包括：

至少基于传输的车辆数据和与所述车辆相关联的每个轮胎的确定的轮胎磨损状态来确定所述车辆的最大速度；以及

向与所述车辆相关联的自主车辆控制系统和/或与所述车辆相关联的驾驶员辅助界面提供所述最大速度。

31.根据权利要求29所述的方法，其中确定所述轮胎磨损状态的所述步骤包括：

经由用户界面从用户接收一个或多个轮胎磨损输入值；

接收由安装在所述至少一个轮胎中的相应轮胎中或上的一个或多个传感器生成的一个或多个轮胎磨损输入值；

接收由在所述车辆外部的传感器生成的一个或多个轮胎磨损输入值；以及/或者

至少基于所传输的车辆数据和由安装在所述至少一个轮胎中的相应轮胎中或上的一个或多个传感器生成的轮胎数据来预测一个或多个轮胎磨损输入值。

32.根据权利要求1所述的方法，其中：

所述收集车辆数据包括经由与车辆和/或支撑所述车辆的多个轮胎中的至少一个轮胎相关联的一个或多个传感器，生成与所述车辆和/或所述至少一个轮胎的实时动力学相对应的第一数据；

所述第一数据被处理以生成第二数据作为所述第一数据的精简子集，所述第二数据表示所述第一数据并且包括从中提取的任何一个或多个预先确定的特征；并且

所述第二数据被处理以估计所述至少一个轮胎的磨损特性。

33.根据权利要求32所述的方法，其中经由在所述车辆上的计算系统来处理所述第一数据，所述方法还包括：

经由通信网络将所述第二数据选择性地传输到远程计算系统；以及

经由所述远程计算系统，处理所述第二数据以估计所述至少一个轮胎的所述磨损特性。

34.根据权利要求33所述的方法，其中：

所述第二数据包括多个顺序数据帧，每个数据帧包括与所述车辆和/或所述至少一个轮胎相关联的力的多维柱状图。

35.根据权利要求34所述的方法，还包括：

至少在第一事件与第二事件之间选择所述数据帧的子集；以及

在特定时间或特定距离内将所述数据帧汇总。

36.根据权利要求35所述的方法，其中：

在将所汇总的数据帧传输到所述远程计算系统之前经由本地处理执行所述数据帧的所述汇总。

37.根据权利要求35所述的方法，其中：

将所述数据帧的所述子集传输到所述远程计算系统，并且

经由所述远程计算系统执行所述数据帧的所述汇总。

38.根据权利要求35至37中任一项所述的方法，还包括：

通过相对于实际收集的数据帧数量按预期的数据帧数量缩放汇总的数据帧来校正所汇总的数据帧中的缺失数据。

39.根据权利要求33至37中任一项所述的方法，其中处理所述第二数据以估计所述至少一个轮胎的所述磨损特性的所述步骤包括：

经由所述远程计算系统，处理所述第二数据以生成与所述第一数据相对应的第三数据；以及

还处理所述第三数据以估计所述至少一个轮胎的所述磨损特性。

40.根据权利要求39所述的方法，其中：

所述第一数据包括CAN总线信号，

所述第二数据经由编码神经网络层生成，

所述第三数据经由解码神经网络层生成，并且

磨损计算层被附加到所述解码神经网络层的输出，并且被配置为将解码的CAN总线信号变换成所述至少一个轮胎的瞬时估计磨损值。

41.根据权利要求40所述的方法，还包括：

将所述至少一个轮胎的所述估计磨损值和实际磨损值进行比较以生成误差值；以及

将所述误差值作为反馈提供到所述神经网络层。

42.根据权利要求32至37中任一项所述的方法，其中：

所述第二数据的所提取的特征包括表示车辆驾驶行为的磨损性能特性。

43.根据权利要求32至37中任一项所述的方法，其中：

处理所述第一数据包括对所述第一数据进行傅里叶变换并且生成包括提取的相关频率和相关联振幅的所述第二数据。

44.根据权利要求32或33所述的方法，其中所述第二数据包括与所述车辆在一个或多个代表性驾驶状况中的每个驾驶状况下花费的时间量相对应的聚合的低频CAN数据。

45.根据权利要求32或33所述的方法，其中：

所述第二数据的选择性传输是基于事件的和/或基于时间的。

46.根据权利要求32所述的方法，其中经由在所述车辆上的计算系统来处理所述第一数据，所述方法还包括：

经由车载计算系统，处理所述第二数据以估计所述至少一个轮胎的所述磨损特性；以及

向与车辆用户相关联的显示单元生成与所估计的磨损特性相关联的通知。

47.根据权利要求46所述的方法，其中处理所述第二数据以估计所述至少一个轮胎的所述磨损特性的所述步骤包括：

处理所述第二数据以生成与所述第一数据相对应的第三数据；以及

还处理所述第三数据以估计所述至少一个轮胎的所述磨损特性。

48.根据权利要求47所述的方法，其中：

所述第一数据包括CAN总线信号，

所述第二数据经由编码神经网络层生成，

所述第三数据经由解码神经网络层生成，并且

磨损计算层被附加到所述解码神经网络层的输出，并且被配置为将解码的CAN总线信号变换成所述至少一个轮胎的瞬时估计磨损值。

49.根据权利要求48所述的方法，还包括：

将所述至少一个轮胎的所述估计磨损值和实际磨损值进行比较以生成误差值；以及

将所述误差值作为反馈提供到所述神经网络层。

50.根据权利要求1所述的方法，其中所述收集车辆数据包括经由与车辆和/或支撑所述车辆的多个轮胎中的至少一个轮胎相关联的一个或多个传感器，生成与所述车辆和/或所述至少一个轮胎的实时动力学相对应的第一数据；所述方法还包括：

经由全球定位系统收发器，生成与车辆位置相对应的低频率第二数据；

经由通信网络将所述第二数据选择性地传输到远程计算系统；

经由所述远程计算系统，进一步根据车辆模型和一个或多个车辆路线特性来处理所述第二数据以生成与所述第一数据相对应的第三数据，并且还处理所述第三数据以估计所述至少一个轮胎的所述磨损特性。

51.根据权利要求50所述的方法，其中：

所述第二数据还包括多个顺序数据帧，每个数据帧包括与所述车辆和/或所述至少一个轮胎相关联的力的多维柱状图，并且

所述远程计算系统从所收集的车辆位置数据重建车辆路线，并且将车辆路线反馈提供到所述相应多维柱状图中。

Images