JP2004512207A - タイヤ変形センサを用いてタイヤの力を予測するためのシステムおよび方法 - Google Patents
タイヤ変形センサを用いてタイヤの力を予測するためのシステムおよび方法 Download PDFInfo
- Publication number
- JP2004512207A JP2004512207A JP2001588064A JP2001588064A JP2004512207A JP 2004512207 A JP2004512207 A JP 2004512207A JP 2001588064 A JP2001588064 A JP 2001588064A JP 2001588064 A JP2001588064 A JP 2001588064A JP 2004512207 A JP2004512207 A JP 2004512207A
- Authority
- JP
- Japan
- Prior art keywords
- tire
- input
- sensor
- force
- prediction unit
- 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- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 70
- 238000004891 communication Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 18
- 238000012886 linear function Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 3
- 238000005452 bending Methods 0.000 claims 4
- 238000000611 regression analysis Methods 0.000 claims 3
- 238000005259 measurement Methods 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 abstract description 3
- 238000010200 validation analysis Methods 0.000 description 26
- 238000012937 correction Methods 0.000 description 19
- 230000008901 benefit Effects 0.000 description 15
- 238000012360 testing method Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 239000000725 suspension Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 239000000654 additive Substances 0.000 description 5
- 230000000996 additive effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000005415 magnetization Effects 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 229910052712 strontium Inorganic materials 0.000 description 4
- CIOAGBVUUVVLOB-UHFFFAOYSA-N strontium atom Chemical compound [Sr] CIOAGBVUUVVLOB-UHFFFAOYSA-N 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 229910000859 α-Fe Inorganic materials 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 230000005355 Hall effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 229920001971 elastomer Polymers 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 239000011324 bead Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 244000145845 chattering Species 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- OWNRRUFOJXFKCU-UHFFFAOYSA-N Bromadiolone Chemical compound C=1C=C(C=2C=CC(Br)=CC=2)C=CC=1C(O)CC(C=1C(OC2=CC=CC=C2C=1O)=O)C1=CC=CC=C1 OWNRRUFOJXFKCU-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 229940050561 matrix product Drugs 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- B60T2240/00—Monitoring, detecting wheel/tire behaviour; counteracting thereof
- B60T2240/04—Tire deformation
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Force Measurement Appropriate To Specific Purposes (AREA)
- Tires In General (AREA)
- Regulating Braking Force (AREA)
Abstract
タイヤ変形の測定からコンタクトパッチにおいて生成される力を予測する（タイヤ変形の測定を用いて横力、鉛直力および円周トルクを分離することを含む）ためのシステムおよび方法である。訓練されたニューラルネットワークまたは双一次式を用いて、タイヤ側壁変形センサ、例えば、磁気タイヤ側壁ねじれ測定（ＳＷＴ）センサから、以下のタイヤに作用する横力、タイヤに作用する円周トルク、タイヤに作用する長軸方向の力、タイヤに作用する鉛直力、および、それらの成分として上記の任意の１つ以上を有する力および／またはトルクの任意の１つ以上の任意の組み合わせまたは並び換えを決定するシステムおよび方法である。
【選択図】図１
【選択図】図１
Description
【０００１】
（発明の分野）
本発明は、一般的にタイヤの動力学の分野に関しており、より詳しくは，タイヤの変形の測定からタイヤの接地面で発生する力を予測することに関している。本発明は，タイヤの変形の測定に用いる横方向の力および円周トルク（ｃｉｒｃｕｍｆｅｒｅｎｔｉａｌ ｔｏｒｑｕｅ）を分離することを含む。
【０００２】
（発明の背景）
本明細書中に参考として援用される米国特許第５，８９５，８５４号は、磁化された磁化可能な粒子（ｍａｇｎｅｔｉｚａｂｌｅ ｐａｒｔｉｃｌｅ）で充満されたゴム混合物を少なくとも１つの規定の位置に有する空気式（ゴム）タイヤを用いて提供された、車両のホイールを開示する。上記特許で記載されるように、そこで開示されるタイヤは、スリップ統制システムで使用され得る。好適には、磁化した位置は、タイヤの側壁（すなわち、長軸方向または周辺方向（ｐｅｒｉｐｈｅｒａｌ ｄｉｒｅｃｔｉｏｎ））において１つ以上の環状帯に位置され、タイヤの周辺方向に沿って異なる半径で配置した１つ以上の列に異なる磁化の連続する区域を有する。上記特許の目的は、現代の車両の運転に必要とされる情報（例えば、スリップを統制するためのタイヤに影響するＡＢＳ（アンチロックブレーキシステム）および／または長軸方向の力（ねじれ力）に対する回転スピード）が利用可能になり得ることを用いて、空気式（ゴム）タイヤを有する車両のホイールを提供することである。
【０００３】
上記特許によると、発生した磁化および空間的な磁化の相違は、磁場センサで検出され得、スリップを統制するシステム（特には、ＳＷＴシステム（側壁ねじれ測定システム））のためのＳＷＴセンサ入力信号（側壁ねじれセンサ入力信号）として機能を果たし得る。上記特許でさらに記載されるように、できる限り正確に２つのマーク（ＡＢＳの１つの列（ｒｏｗ）またはＳＷＴの２つの列）のパス（ｐａｓｓ）の間のタイムスパンの変化を検出することを可能にするために、周辺方向の磁化ができる限り四角形に生じ、とりわけこの領域の境界線においてはできる限り大きな傾斜で変化するべきであることが所望されたことが以前に考えられた。対照的に、ホイールの回転を検出した従来のＡＢＳシステムに対して、タイヤの周辺方向の磁化が正弦波の様態（ｓｉｎｕｓｏｉｄａｌ ｍａｎｎｅｒ）で生じた場合は十分であることが記載された。
【０００４】
従って、ＳＷＴセンサを用いたＳＷＴシステムの初期機能は、タイヤの接線方向のねじれ変形を常に測定し、そのねじれ変形を利用して適用される推進トルクまたは制動トルクを計算する。しかし、コーナリング操作は、タイヤの横方向の力の存在が、本来想定されるようにＳＷＴセンサを用いる（ねじれ変形を計算するためにタイヤの側壁の磁気帯を検出する２つのセンサ間の位相差を用いる）長軸方向のトルクの測定を混乱させるため、推進トルクまたは制動トルクの計算に不利が生じる。さらに、タイヤの垂直方向の力の存在は、本来想定されるようにＳＷＴセンサを用いる長軸方向のトルクの測定をさらに混乱させる。
【０００５】
（発明の要旨）
本発明は、横方向の力および接線分力を分離しないためのシステムおよび方法を提供し、ＳＷＴセンサが長軸方向のトルクを効率的に測定するために使用され得るが、さらに、ＳＷＴセンサを用いるタイヤに作用する横方向の力および他の力ならびにトルクを予測する。
【０００６】
本発明によると、システムおよび方法によって、タイヤの変形の測定からタイヤの接地面で発生される力を予測することが提供され、タイヤの変形の測定を用いて歪み力（横方向の力および円周トルク）を分離することを含む。
【０００７】
本発明のシステムの一局面によると、トレインプロセッサ（ｔｒａｉｎｅｄ ｐｒｏｃｅｓｓｏｒ）（例えば、トレインニューラルネットワーク）を用いて、歪み力（例えば、タイヤの変形の測定を用いる、横方向の力および円周トルク）を予測する。第１の実施形態において、トレインニューラルネットワークを用いて、タイヤに影響する少なくとも１つの力、好適には、横方向の力および円周トルクを予測する。第２の実施形態において、一組の双一次（ｂｉｌｉｎｅａｒ）の式を用いて、タイヤに影響する少なくとも１つの力、好適には、横方向の力および円周トルクを予測する。
【０００８】
従って、本発明の利点は、タイヤの変形センサ（例えば、ＳＷＴセンサ）を用いて円周トルクを検出するためのシステムおよび方法を提供することである。
【０００９】
さらに、本発明の利点は、タイヤの変形センサ（例えば、ＳＷＴセンサ）を用いて横方向の力を検出するためのシステムおよび方法を提供することである。
【００１０】
従って、本発明の別の利点は、タイヤの変形センサ（例えば、ＳＷＴセンサ）からの測定において横方向の力および円周トルクを分離するためのシステムおよび方法を提供することである。
【００１１】
本発明のさらなる利点は、タイヤの変形センサ（例えば、ＳＷＴセンサ）からの車両のヨーレートを判定するためのシステムおよび方法を提供し、それにより、分離ヨーレートセンサの必要性を取り除く。
【００１２】
本発明のさらに別の利点は、タイヤの変形センサ（例えば、ＳＷＴセンサ）からの車両スピードを判定するためのシステムおよび方法を提供し、それにより、分離スピードセンサの必要性を取り除く。
【００１３】
本発明のなお別の利点は、トレインニューラルネットワークを用いて、タイヤの変形センサ（例えば、ＳＷＴセンサ）から、タイヤに影響する横方向の力、タイヤに影響する円周トルク、タイヤに影響する長軸方向の力、タイヤに影響する垂直方向の力、およびそれらの成分として前述の任意の１つ以上を有する力および／またはトルクの１つ以上の任意の組み合わせまたは置換を判定するためのシステムおよび方法を提供することである。
【００１４】
本発明のさらになお別の利点は、双一次の式を用いて、タイヤの変形センサ（例えば、ＳＷＴセンサ）から、タイヤに影響する横方向の力、タイヤに影響する円周トルク、タイヤに影響する長軸方向の力、タイヤに影響する垂直方向の力、およびそれらの成分として前述の任意の１つ以上を有する力および／またはトルクの１つ以上の任意の組み合わせまたは置換を判定するためのシステムおよび方法を提供することである。
【００１５】
本発明の別の利点は、タイヤに影響する横方向の力および垂直方向の力の円周トルクを分離することである。
【００１６】
本発明のなお別の利点は、タイヤの側壁変形センサ（例えば、ＳＷＴセンサ）から、タイヤに影響する横方向の力、タイヤに影響する円周トルク、タイヤに影響する長軸方向の力、タイヤに影響する垂直方向の力、およびそれらの成分として前述の任意の１つ以上を有する力および／またはトルクの１つ以上の任意の組み合わせまたは置換を判定するためのシステムおよび方法を提供することである。
【００１７】
本発明のこれらの利点および他の利点は、本発明の詳細な説明からさらに明白になる。
【００１８】
（好適な実施形態の詳細な説明）
本明細書の一部に取り込まれ、構成する添付の図面において、本発明の実施形態は本発明の上述の概要と共に示され、後述の詳細な説明は本発明の原理の例として役に立つ。
【００１９】
本明細書中に使用される「回路通信（ｃｉｒｃｕｉｔ ｃｏｍｍｕｎｉｃａｔｉｏｎ）」は、デバイス間の伝達関係をあらわすために使用される。直接の電気的接続および光学的接続ならびに間接の電気的接続および光学的接続は、回路通信の例である。信号がいくつかの他のデバイスによって変更されるかどうか関係なく、一方からの信号が他方によって受信される場合、２つのデバイスは回路通信状態になる。例えば、１つ以上の変圧器、オプトアイソレータ、デジタルまたはアナログのバッファ、アナログ積分器、他の電気回路、光ファイバトランシーバ、または、衛星さえによって分離される２つのデバイスは、ある１つからの信号が他方に届く場合、たとえ信号が中間のデバイスによって変更されても、回路通信状態になる。最後の例として、２つのデバイスは、お互い直接接続されないが、第３のデバイス（例えば、ＣＰＵ）でインターフェースすることができる２つのデバイスは、回路通信状態になる。本明細書中に使用されるように、「入力」は信号または値のどちらかを言及し、「出力」は信号または値のどちらかを言及する。
【００２０】
図１について今言及すると、本明細書中に言及される力は概略的に示される。この図において、車両１０は、タイヤに影響する長軸方向の力Ｆｘ、長軸方向（円周方向）のトルクＭｙ、および横方向の力Ｆｙと共に概略的に示される。図１に示されないが、利害のある別の力として、長軸方向の力Ｆｘおよび横方向の力Ｆｙに垂直である垂直方向の力Ｆｚがある。
【００２１】
図２について今言及すると、本発明による車両コントロールシステム２０が概略的に示される。最も広い意味において、車両コントロールシステム２０は、力予測ユニット２２を含み、少なくとも１つのタイヤ側壁変形センサと共に回路通信状態で設置される。好適には、タイヤ側壁変形センサは磁気タイヤ側壁ねじれ（ＳＷＴ）センサである。力予測ユニット２２は、前もってプログラムされたプロセッサ（図示せず）を有する。前もってプログラムされたプロセッサは、少なくとも１つのＳＷＴセンサからの入力および少なくとも１つの他のセンサ入力を受信し、前もって収集されたデータから判定された定数を有する前もってプログラムされた式を実施することによってデータ分析を行い、少なくともＳＷＴ入力および少なくとも１つの他のセンサ入力から、タイヤに影響する予測された円周トルクおよび／または長軸方向の力および／または横方向の力および／または垂直方向の力に対応する出力を判定する。力予測ユニット２２はまた、ＳＷＴセンサおよび他のセンサと共に、任意の必要な信号調整およびデータ処理を行い得る。
【００２２】
図２に関して、好適な実施形態において、力予測ユニット２２は、車両２０のそれぞれのタイヤ３０に対して一対の磁気ＳＷＴセンサ２６、２８と回路通信状態で設置される。しかし、力予測ユニット２２は、１つのタイヤ３０のセンサ２６および別のセンサ（例えば、その１つのタイヤ３０についての力予測を提供するための別のＳＷＴセンサ２８またはＡＢＳスピードセンサ（図示せず））とほとんど一緒に使用され得ない。好適には、力予測ユニット２２はコントロールユニット３２と回路通信状態で設置される。コントロールユニット３２は回路通信状態であり、１つ以上のアクチュエータ３４を介して車両２０の動態に影響を及ぼす。当業者に公知であるコントロールユニット３２およびアクチュエータ３４の例は、ブレーキングアクチュエータを備えたＡＢＳコントロールユニット、ブレーキングおよびスロットアクチュエータを備えたトラクションコントロールシステム（ＴＣＳ）コントロールユニット、ブレーキングおよびスロットアクチュエータを備えた電子スタビリティコントロール（ＥＳＣ）（統合車両動力としても公知である）コントロールユニット、ロック差動コントロールユニットサスペンションコントロールユニット、ブレーキングアクチュエータを備えたブレーキアシストコントロールユニット、車両スロットアクチュエータを備えたインテリジェントクルーズコントロールユニット、ステアリングアクチュエータを備えたステアリングアシストコントロールユニット、デフレーション検出コントロールユニット、ナビゲーションコントロールユニット、ロールオーバー防止コントロールユニット、およびブレーキングアクチュエータを備えたブレーキバイワイヤ（ｂｒａｋｅ−ｂｙ−ｗｉｒｅ）のコントロールユニットの１つ以上の組み合わせおよび順列を含む。これらの例示のコントロールユニット３２およびアクチュエータ３４は、（長軸方向の力および／または加速度のための）長軸方向の加速度計、（横方向の力および／または加速度のための）横方向の加速度計、垂直荷重センサ、ホイールスピードセンサ、およびヨーレートセンサの１つ以上のセンサを必要とする。これら全てのセンサは、本発明の教示と共に１つ以上のＳＷＴセンサに取って代わり得る。
【００２３】
力予測ユニット２２は、アナログおよびデジタル回路部、プロセッサなどの様々な組み合わせで実現され得る。コントロールユニットは、別個の回路部およびプロセッサ（単数または複数）、または力予測ユニット２２を実現するために使用される回路部およびプロセッサ（単数または複数）を備えて実現され得る。好適には、力予測ユニット２２のデータ処理部分およびデータ分析部分は、専用のアナログ回路部（図示せず）で実行される信号処理と共に、単一のプロセッサで実現される。
【００２４】
図３を参照すると、一対のＳＷＴセンサ２６、２８が対応する磁気タイヤ３０と共に概略的に示される。図３で概略的に示されるように、ＳＷＴセンサ２６、２８と共に用いた磁気タイヤ３０は、好適には、多くの磁極性の交互帯３８を有する。磁気タイヤ３０は、例えば、米国特許第５，８９５，８５４号、および同時継続中の米国特許出願第０９／３４７，７５７号に教示されるように、任意の数の方法で作られ得る。これらの特許出願は、本明細書中で参考として援用され、グリーンタイヤの側壁中に磁気帯を隣接して交互に埋め込み、グリーンタイヤを保存加工する。ＳＷＴセンサ２６、２８自体が、好適には、例えば、磁気抵抗性（ＭＲ）センサ、ホール効果センサ、または磁束ゲートセンサなどの磁気センサであり、タイヤ３０の側壁の磁気領域に十分に密接して位置付けされ、それと共に互いに影響し合う。ＭＲセンサは、エアーギャップを抑えることができる利点があり、広範囲にわたって検査されている。磁束ゲートセンサは、１〜２インチのエアーギャップを配分する利点がある。ホール効果センサは、比較的小さいエアーギャップを必要とする不利点がある。２つのＳＷＴセンサを用いると、一方のセンサ２６は、好適には、トレッド４０の近くに位置され、他方のセンサ２８は、好適には、ビード４２の近くに位置される。ただ１つのＳＷＴセンサが例えば、ＡＢＳスピードセンサ、ＳＷＴセンサなどの別のセンサと共に使用される場合、ＳＷＴセンサ２６は、好適には、ビード４２よりトレッド４０に隣接して位置され、ねじれの変形に対してより大きな感度を提供する。
【００２５】
図４および図５をここで参照すると、自動車サスペンションストラウト５０へのセンサー２６、２８の実装が示される。好適には、センサー２６、２８は、実装ブラケット５２を介してサスペンションストラウト５０に実装される。図４および図５において、センサー２６，２８は、モデル番号ＫＭＺ１０Ａ磁気抵抗（ＭＲ）センサーであり、Ｐｈｉｌｉｐｓに利用可能である。実装ブラケット５２は、好適には、ホール効果センサー２６，２８の平坦な端部が磁性タイヤ（ｍａｇｎｅｔｉｃ ｔｉｒｅ）３０の側壁に実質的に平行になるように構成される。好適には、ＭＲセンサー２６、２８の平坦な端部は、そのタイヤ３０に横方向に働く力が無い場合、磁性タイヤ３０の側壁から１２．５ｍｍにある。横方向の力が働くと、エアギャップは、約８ｍｍ〜約２５ｍｍの範囲になると考えられ得る。タイヤの側壁は、通常、大きな曲率（ｐｒｏｎｏｕｎｃｅｄ ｃｕｒｖａｔｕｒｅ）を有するので、実装ブラケット５２は、好適には、一対の斜（すなわち、平行ではない）面５４、５６をセンサー２６、２８にそれぞれ提供する。実装ブラケット５２は、任意の適切な手段によってサスペンションストラウト５０に固定され得る（例えば、図４および図５に示されるようなボルト５８およびナット６０等の適切な結合部（ｆａｓｔｅｎｅｒ）を用いて、ストラウト５０を実装ブラケット５２を一体化する）。センサー２６、２８は、適切なファスナー（例えば、図４および図５に示されるようなボルト６２およびナット６４）を用いる任意の適切な手段によって、または、任意の他の適切な手段によって実装ブラケット５２に固定され得る。ワイヤ６６、６８は、力予測装置（ｆｏｒｃｅ ｐｒｅｄｉｃｔｉｏｎ ｕｎｉｔ）２２と連絡するセンサー２６、２８を回路に配置する。
【００２６】
実装ブラケットはまた、センサー２６、２８の間の線セグメントが、磁性タイヤ３０の連続した磁性バンド３８間の磁性障害線（ｍａｇｎｅｔｉｃ ｉｎｔｅｒｆａｃｅ ｌｉｎｅ）に用いられ得る程度に平行であるように、センサー２６、２８を固定することが好適である。このように、自由な回転状態において、センサー２６、２８は、好適には、好適には、１つのバンド３８から次のバンドへの移行を同時に検出する（すなわち、２つのセンサー信号間の存在しないかまたは僅かな位相差がある）。ねじれ変形（例えば、ブレーキを用いることによって生じる）は、例えば、タイヤベッド４２に対してタイヤトレッド４０が回転するという形で現れ、これにより、タイヤ磁性障害線は、センサー２６と２８との間の線セグメントにもはや平行ではない。ねじれ変形は、ＳＷＴセンサー２６、２８により、２つの信号間の位相変位の変化として検出される（すなわち、１つの磁性バンド３８から次のバンドへの移行は、１つのセンサーによって検出される。他の場合、その移行は、遅かれ早かれ、他のセンサに応答して１つのセンサによって検出される）。この構成のセンサー２６、２８からの信号は、正弦波信号である。
【００２７】
図４および図５のセンサー２６、２８は、１８０°位置（１２時位置）にて配置され、円周トルク（ｃｉｒｃｕｍｆｅｒｅｎｔｉａｌ ｔｏｒｑｕｅ）および横方向の力Ｆｙを分離することに最高の感度を提供する。さらに、円周トルクおよび垂直方向の力Ｆｚを分離することに最高の感度を提供するために、タイヤ毎に９０°または２７０°位置（３時または９時位置）のどちらかに第２の一対のＳＷＴセンサを位置することが好適である。しかし、９０°または２７０°位置にセンサーを提供することは、挑戦的なことであることが証明されている。これらの位置のどちらかのセンサーは、１３５°に位置する一組のＳＷＴセンサーが、横方向の力Ｆｙ、および、垂直方向の力Ｆｚの両方から円周トルクを分離するように、情報を提供すると考えられる。代替的には、単一の追加的な外部センサーは、９０°または２７０°のどちらかの位置に追加的な一対のセンサーを用いるのではなく、９０°または２７０°のどちらかにて用いられ得る。この場合、９０°または２７０°位置のセンサーの位相は、１８０°位置の内部センサーに対して計測される。
【００２８】
力予測装置２２は、好適には、（ａ）２つのセンサー２６、２８の信号間の位相変化（タイヤの側壁のねじれ変形によって生じる）に対する（好適には、この位相変化を表示する）少なくとも１つの位相差入力、および、（ｂ）センサー２６と側壁との間の変化しているエアギャップの長さに対する（好適には、このエアギャップの長さを表示する）外部センサー２６からのピーク振幅入力を入力として受容する。さらに好適には、力予測装置２２は、また、（ｃ）自動者の速度（自動車の速度は、ＳＷＴセンサーの１つの各領域の期間から決定され得る）に対する（好適には自動車の速度を表示する）値、および、（ｄ）外部センサー２６からのピーク振幅信号と内部センサー２８のピーク振幅信号との間の差に対する（好適には表示する）デルタ入力をさらなる入力として受容する。速度入力により、力予測装置は、より高速度での遠心力による側壁への効果およびより低速度でのタイヤへの緩和現象の効果を引き起こし得る。さらに、ピーク振幅入力によって倍加された位相差入力等の所定のクロス項（ｃｒｏｓｓ ｔｅｒｍ）により、力予測装置は、二乗誤差の非常に小さい平均和（ｖｅｒｙ ｌｏｗ ｍｅａｎ ｓｕｍ ｏｆ ｓｑｕａｒｅｄ ｅｒｒｏｒ）で学習され得る。したがって、本発明による力予測装置（ニューラルネットワークおよび双一次方程式の組等）は、任意の１以上の以下のものを入力として有する；各センサーペアに対する１位相差、各センサーに対するピーク振幅入力、好適には各外部センサーのペア、速度入力、各センサーペアに対するデルタピーク入力および各センサーペアに対するクロス項（ピーク振幅入力によって倍加された位相差入力）、例えば、このセンサーペアは、予測される力および／またはトルクに依存して、９０°および／または１３５°および／または１８０°および／または２７０°に位置されている。
【００２９】
ここで図６および図７を参照して、タイヤ３０とセンサー２６、２８との間の位置関係への横方向の力による効果は、模式的に示される。タイヤ３０およびリム７０について、自由回転状態は、点線で示され、横方向の力の影響下は、実線で示される。簡潔に言うと、横方向の力は、センサー２６、２８とタイヤ３０との間の距離を大きくする。図６に示された力とは逆方向の横方向の力は、センサー２６、２８とタイヤ３０との間の距離を小さくする。距離のこれらの差は、センサー２６、２８からの信号の振幅変化に反映される。
【００３０】
直前の２つの段落に記載されたＳＷＴセンサーに対する比較的にまっすぐな概念的なフレームワークは、横方向の力および縦方向の力がある程度まで結合されているので、用途において大きく複雑化される。これは、図８および図９に例示される。図８は、（円周トルクの存在の下での）正規化された横方向の力および外部ＳＷＴセンサー２６の時間に対する正規化された振幅（実施例１のデータ収集セクションによるＭＴＳモデル８６０ トレッドウェア機（ｔｒｅａｄ ｗｅａｒ ｍａｃｈｉｎｅ）（ＭＴＳ Ｓｙｓｔｅｍｓ Ｃｏｒｐｏｒａｔｉｏｎに利用可能である）で収集された、Ｃｏｎｔｉ Ｓｐｏｒｔ Ｃｏｎｔａｃｔ，２４５／４０ Ｒ１８ 磁性側壁タイヤからのデータ）のプロットを示す。図８に示されるように、円周トルクの存在下において、外部ＳＷＴ センサー２６の正規化された振幅は、横方向の力の質の悪い予測値である。同様に、図９は、（横方向の力の下での）正規化された円周トルクおよび２つのＳＷＴセンサー２６，２８間の時間に対する正規化された位相変位（実施例１のデータ収集セクションによるＭＴＳモデル８６０ トレッドウェア機で収集された、Ｃｏｎｔｉ Ｓｐｏｒｔ Ｃｏｎｔａｃｔ，２４５／４０ Ｒ１８ 磁性側壁タイヤからのデータ）のプロットを示す。図９に示されるように、横方向の力の存在により、明らかに、円周トルクの予測値として２つのＳＷＴセンサー２６、２８間の正規化された位相差を用いる場合、クロス項誤差を引き起こす。
【００３１】
本発明は、本発明の力予測装置２２を用いることによって上記の弱点を克服する。本発明は、タイヤに作用する円周トルクおよび横方向の力を決定するために、ＳＷＴセンサー２６、２８の両方からの入力を用いる。
【００３２】
本発明の力予測装置２２の第１の実施形態において、力予測装置２２のプロセッサは、ソフトウェアまたはハードウェアのいずれかにおいて、ニューラルネットワークを用いる。好適には、ニューラルネットワークは、タイヤに作用する円周トルクおよび横方向の力の両方を決定するように構成される；しかし、ニューラルネットワークは、以下に記載された１以上の任意の要素の任意の組み合せおよび順列を決定するように構成され得る；タイヤに作用する横方向の力、タイヤに作用する円周トルク、タイヤに作用する縦方向の力、タイヤに作用する垂直方向の力、任意の１以上の上述した要素をその構成成分として有する力および／またはトルク。好適には、外部ＳＷＴセンサー２６の大きさ（振幅）および２つのセンサー２６、２８の信号の位相差は、ニューラルネットワークに入力され、所望の変数が出力される。さらに好適には、外部ＳＷＴセンサー２６からの信号と内部ＳＷＴセンサー２８からの信号との大きさ（振幅）の差は、さらなる入力として用いられる。力予測装置２２のニューラルネットワークは、好適には、多層パーセプトロンであり、さらに好適には、１入力層、１隠れ層（例えば、５〜２０のノードを有する）および１出力層を有する多層のパーセプトロンである。層の間の機能の変換について、非線形の、双曲線正接のＳ字状の変換関数は、好適には、入力層と隠れ層との間で用いられ、線形関数は、好適には、隠れ層と出力層との間で用いられる。双曲線正接のＳ字状の変換関数は、好適には、次のように用いられる：
ｔａｎｓｉｇ＝（２／（ｅ−２ｎ−１））−１
ここで、
ｎ＝Ｗ・ｐ＋ｂ
Ｗ＝重さ行列
ｂ＝バイアス値の行列
ｐ＝入力値の行列
であり、Ｗ・ｐは、行列積を示す
もちろん、力予測装置２２のニューラルネットワークは、以前に収集されたデータを用いて学習されなければならない。この学習は、力予測装置２２のニューラルネットワークを以前に収集されたデータを用いて学習する方法を全体的に示すフローチャート１００である図１０によって例示される。最初に、工程１０２において、データが収集される。一般に、所望の力およびトルクは、例えば、機器を備えたハブ（ｉｎｓｔｒｕｍｅｎｔｅｄ ｈｕｂ）または動力計から収集される。好適な実施形態において、タイヤに作用する円周トルクおよび横方向の力と、未加工のＳＷＴセンサーデータとは、測定され、相互作用しているトルクおよび力の全スペクトルを提供する異なる素数である円周トルクおよび横方向の力の周波数を用いて、ＭＴＳモデル８６０トレッドウェア機（ＭＴＳ Ｓｙｓｔｅｍｓ Ｃｏｒｐｏｒａｔｉｏｎにて利用可能）で収集される。データ（例えば、一秒当たりに２５，０００個〜１，０００，０００個のサンプル、通常、一秒当たり５０，０００個のサンプル）が収集される。
【００３３】
次に、工程１０４において、未加工の正弦波状のＳＷＴセンサーデータは、ニューラルネットワークへの入力を計算するように処理される。好適な実施形態において、位相および２つの振幅は、未加工のＳＷＴセンサーデータのピークおよびゼロ点交差から計算される。さらに、詳細には、
（ａ）位相差は、以下のように決定される：（ｉ）平均値は、全てのデータから引かれる、（ｉｉ）それぞれの山領域およびそれぞれの谷領域にて、多項式は、山または谷に沿ってフィットしている、（ｉｉｉ）結果として生じる多項式の最大値／最小値が決定される（例えば、差分をゼロに設定し、水平正接（ｈｏｒｉｚｏｎｔａｌ ｔａｎｇｅｎｔ）を決定する）、（ｉｖ）１信号の山／谷の時間は、他の信号の山／谷の時間から引かれる、（ｖ）結果として生じる差は、「半周期」（前の山／谷からこの谷／山までの時間）；
（ｂ）外部ＳＷＴセンサー２６からの信号の振幅は、以下のように決定される：（ｉ）平均値は、センサー２６からの全てのデータから引かれる、（ｉｉ）それぞれの山領域およびそれぞれの谷領域にて、多項式は、山または谷に沿ってフィットしている、（ｉｉｉ）結果として生じる多項式の最大値／最小値が決定される（例えば、差分をゼロに設定し、水平正接を決定する）、（ｉｖ）処理された信号は、誤差修正される（例えば、各データ点の絶対値を求めることにより、）、および（ｖ）フィットした多項式のそれぞれ最大時の振幅がその信号の振幅として用いられる；
（ｃ）２つのＳＷＴ信号振幅の間のピーク差は、以下のように決定される：（ａ）上述の工程（ｂ）によって計算される内部センサー２８からの信号のピーク振幅は、上述の（ｂ）において決定されたように外部センサー２６からの信号のピーク振幅から引かれる。
センサーからの信号の正弦波の性質が、実際のセンサーデータの代わりにフィット多項式を用いることを容易にする。さらに、位相および振幅の入力にフィット多項式を用いることは、用いない場合に誤った計算を引き起こす任意のノイズを小さくするか、または取り除く傾向にある。
【００３４】
位相および２つの振幅を計算した後、次にステップ１０６でこれらの入力を種々の訂正方法を使用して訂正する。訂正方法の１つの実施例を以下に示す。１円周当たり４８Ｎ極および４８Ｓ極が存在するように磁化されたタイヤに対して、内部および外部ＳＷＴセンサ信号は、タイヤの１回転当たり４８波長の周波数を有する正弦波（すなわち、タイヤの回転ごとに４８の「ピーク」振幅および４８の「谷」振幅が存在する）に非常によく似る。信号から平均値を引くと、各回転は９６の「ゼロ」交差を生成する。加えて、信号を整流すると（各谷を山に変換する）、９６ピーク振幅が存在する。ＮｕｍＰｏｌｅｓは、タイヤの円周のＮおよびＳ磁極の数を表す。したがって、この特定のタイヤに対して、パラメータＮｕｍＰｏｌｅｓは９６である。一様な速度、すなわちトルクまたは横方向の力が作用しない一定の速さに対して、ゼロ交差間の時間差またはピーク振幅間の時間差は、極ピッチを規定する。極間隔が一様であると、各極間は３６０度／９６＝３．７５度または２Ｐｉ／９６＝０．０６５４ラジアンである。しかし、実際には、極間隔が特定のタイヤに対して完全に一様であるのはまれである。したがって、９６極間隔値の各々には誤差が伴う。しかし、この誤差は、特定のタイヤにかかるジオメトリ（ｇｅｏｍｅｔｒｙ）および磁化プロセスによるものである。各極間隔値の誤差はタイヤが回転するごとに繰り返される。これらの誤差は、極ピッチだけでなく、内部および外部ＳＷＴセンサ信号間の位相差にも影響を及ぼす。タイヤにトルクおよび横方向の力のいずれも作用しない場合、これら２つの信号間の位相差は９６の一定の値からなる。したがって、以下の方法を使用して極間の位相誤差を訂正することができる。
【００３５】
まず、（１）ＳＷＴ位相データを一様速度（トルクおよび横方向の力のいずれも存在しない）で収集する。ついで、（２）（１）で収集された位相データのベクトルからゼロ交差（「平均値」交差）ならびにピークおよび谷振幅を計算する。次に、（３）谷振幅がピーク振幅になるようにデータを整流する。ついで、（４）ベクトル化データをＮｕｍＰｏｌｅｓセットおよびそのセットのアンサンブル平均Ｎに分割する、すなわち、
【００３６】
【表１】
次に、（５）アンサンブル平均値の平均値（総平均値）を計算する。ついで、（６）Ａｖｅｒａｇｅベクトルから総平均値を引いて訂正値からなるベクトルを形成する。次に、（７）種々のトルクおよび力の影響下で収集したデータの行列全体から訂正値を引く、すなわち、前回に収集されたすべてのデータを訂正する。最後に、（８）データ行列をベクトルに再形成して戻す。
【００３７】
あるいは、（９）データは移動平均を使用してフィルタリングされたデータであってもよい（平均化されるポイント数は２〜ＮｕｍＰｏｌｅｓである）。
【００３８】
振幅データは、乗法誤差訂正の常法を使用して同様に訂正される。上記の加法訂正誤差アルゴリズムにおいて記載されたのと同じステップ１〜５を行うが、そのステップをＳＷＴ振幅データに適用する。しかし、ステップ６において、Ａｖｅｒａｇｅから総平均を引く代わりに、総平均をＡｖｅｒａｇｅで割って訂正値からなるベクトルを形成する。ステップ７で、データ行列全体に訂正値のベクトルをかける。これにより、すべての振幅データが訂正される。ステップ８および９は、加法訂正値と同様に行われる。
【００３９】
次に、ステップ１０８において、訂正された位相データおよび２つの訂正された振幅を正規化する。すなわち、当業者に公知の常法によって−１〜＋１のスケールにする。
【００４０】
ついで、ステップ１１０で、大きなデータセットを種々のセット（例えば、トレーニングセット、検証セット、およびテストセットなど）に分割する。
【００４１】
次に、ステップ１１２で、トレーニングデータセットを使用してニューラルネットワークをトレーニングする。好ましくは、ニューラルネットワークは、公知のＬｅｖｅｎｂｅｒｇ−Ｍａｒｑｕａｒｄｔ法を使用してトレーニングされる（早くにトレーニングを停止する）。通常のバックプロパゲーションを使用してネットワークをトレーニングし得るが、収束するのに非常に長い時間がかかる。好ましくは、検証データセットを使用して検証誤差（二乗誤差加算平均（ｍｅａｎ ｓｕｍ ｏｆ ｓｑｕａｒｅｄ ｅｒｒｏｒｓ）を決定する。この検証誤差を使用して、いつニューラルネットのトレーニングを停止すればニューラルネットがノイズにはまらずに適切に一般化するかを決定する。より好ましくは、ニューラルネットは、特定の回数、好ましくは５回、検証データが増加するまでトレーニングされる。検証誤差が増加し始める直前のトレーニング回（６回前）からの重みが最後の重みとして使用される。あるいは、ニューラルネットワークは、トレーニングデータセットの二乗誤差加算平均が０．０００１以下となるまでトレーニングされる。
【００４２】
最後に、タスク１１６で、重みがテストデータセットを使用し、テストデータセットをトレーニングされたニューラルネットワークに与え、そして二乗誤差加算平均を計算することによってテストされる。二乗誤差加算平均が比較的小さい、好ましくは約０．００１８のオーダー、より好ましくは０．００１８より小さいと、重みはこの最後のテストに合格する。二乗誤差加算平均が比較的高い、すなわち、０．００１８より有意に高いと、別のニューラル構造（例えば、より多くまたはより少ない隠れニューロン、おそらくさらなる隠れ層など）を使用すべきである。
【００４３】
さらに、ニューラルネットワークの重みは、少なくとも１つの計装ハブ（例えば、モデル２４２電子機器およびモデル６６１３車輪センサ（ともにＧＳＥ社））を有する車から収集されたＳＷＴ生データならびに力およびトルクデータを使用して検証およびテストされ得る。
【００４４】
現在、各タイプのタイヤ（例えば、Ｃｏｎｔｉｔｒａｃ ＡＷ Ｐ２７５／６５ Ｒ１７と比較されるようなＡｍｅｒｉ＊Ｇ４Ｓ Ｐ２０５／７０ Ｒ１５と比較されるようなＣｏｎｔｉ Ｓｐｏｒｔ Ｃｏｎｔａｃｔ、Ｐ２４５／４０ Ｒ１８）は、異なる静的および動的特性を有するので、各タイプのタイヤは別のデータ収集およびトレーニングを必要とすると考えられる。さらに、同じタイプの特定のタイヤにおける特定の変動は、個別化されたパラメータが力予測部２２によって使用できることを保証するのに十分な異なる特性を有し得る。したがって、力予測部２２中のプロセッサは、車１０の特定タイプの磁気タイヤ３０または車１０の特定タイヤに対して適切なニューラルネットワーク重みを使用するための所定の手段を有する必要がある。例えば、力予測部２２は、複数のあらかじめロードされた重み、層数、隠れノード数などを複数の異なるタイプのタイヤに対して有し得る。この場合、力予測部２２は、車１０に取り付けられた特定タイプのタイヤ３０を通知されるだけでよい。力予測部２２は、多くの手段（例えば、ＳＷＴセンサのうちの１つに磁気コード（例えば、タイヤの側壁などに埋め込まれたバーコードなどの形態の、あらかじめ選択された一続きの磁気遷移）を読ませ、選択的に接続可能なコンピュータまたはインターフェースペンダント（ｉｎｔｅｒｆａｃｅ ｐｅｎｄａｎｔ）（これを介してタイヤのタイプを選択する）などの外部デバイス１２０（図２）と通信し、これにより力予測部２２が適切な重み、層数、隠れノード数などを車に取り付けられたタイヤと関連させる）によって、車１０に取り付けられた特定タイプのタイヤ３０を通知される得る。加えて、または別に、力予測部２２は、重み、層数、隠れノード数などのニューラルネットワークパラメータを、選択的に接続可能なコンピュータまたはインターフェースペンダントなどの外部デバイス１２０（図２）から直接または間接的に受信するための通信回路を有し得る。
【００４５】
加えて、好ましくはニューラルネットワークは、実時間でその重みを最適化するようにトレーニングされる。実時間で最適化するために、妥当なトレーニングデータの有無を決定しなければならない。妥当なＳＷＴセンサデータは、車上の種々のセンサを使用して決定され得る。例えば、典型的にはＥＳＰシステムは、収集されたＳＷＴセンサデータに関連する横方向の力データを測定するために使用され得る横方向の力加速度計を有する。さらに、エンジントルクセンサおよび他のセンサを使用して、収集されたＳＷＴセンサデータに関連する周方向トルクを測定し得る。そのような検証されたデータを使用して再度ニューラルネットワークをトレーニングし、ニューラルネットワーク重みを最適化またはそうでなくとも変更し得る。
【００４６】
ここで図１１および再度、図２を参照する。一旦ニューラルネットワークがトレーニングされ、そして力予測部２２が重み、層数、隠れノード数などを取り付けられたタイヤ３０にロードまたは関連付けると、力予測部２２は、ルーチン２００において一般に記載したようにタイヤ３０に作用する力を予測する。
【００４７】
システムを初期化した後、当業者に公知のように、ステップ２０２でデータを収集しなければいけない。生ＳＷＴセンサデータは実時間様式で収集される。生センサデータは、例えば１秒当たり少なくとも１００，０００サンプルの速度で収集され、そして力予測部２２中のプロセッサ（例えば、ＤＳＰなど）に入力される。あるいは、および好ましくは、生センサデータは、平均交差（位相に対する）およびピーク振幅を決定するアナログ回路によって収集される。これら平均交差およびピーク振幅は、例えばＣＡＮプロトコル通信リンクなどによって力予測部２２中のプロセッサ（例えば、ＤＳＰなど）に送信される。生センサデータはニューラルネットワークに入力される。
【００４８】
次に、ステップ２０４で、生ＳＷＴセンサデータを処理してニューラルネットワークへの入力を計算する。好適な実施形態において、位相および２つの振幅は、アナログ回路を使用して生ＳＷＴセンサデータのピークおよびゼロ交差から計算される。例えば、アナログ回路は、位相ロックループ（ＰＬＬ）を用いて位相差を決定し得る。アナログ回路は、各信号を積分し、ピーク値を保持し、そしてピーク値を返すことによってＳＷＴセンサ２６、２８の両方からの信号の振幅を決定し得る。これらの位相および両方のピークは、例えばＣＡＮプロトコル通信リンクによって、力予測部２２中のプロセッサに送信される。プロセッサは、一方のピークを他方のピークから引くことによって２つのＳＷＴ信号振幅間の差を決定する。
【００４９】
位相および２つの振幅を計算した後、次に、ステップ２０６でこれらの入力を種々の訂正方法を使用して訂正する。好ましくは、位相データを上記の加法訂正アルゴリズムを使用して訂正する。好ましくは、両方の振幅を上記の乗法誤差訂正アルゴリズムを使用して訂正する。
【００５０】
次に、ステップ２０８で、図１０のステップ１０８でデータを正規化するために使用された正規化パラメータと同じものを使用して、位相データおよび２つの振幅を正規化する、すなわち、当業者に公知の常法で−１〜＋１のスケールにする。
【００５１】
最後に、力予測部２２は、スケール化された訂正データを使用して予測力を決定する。一般に、力予測部２２は、以下のいずれかの１つ以上の組み合わせまたは並び替えを決定する：タイヤに作用する横方向の力、タイヤに作用する周方向のトルク、タイヤに作用する縦方向の力、タイヤに作用する垂直方向の力、ならびに上記の任意の１つ以上を成分として有する力および／またはトルクである。これらの決定された力およびトルクは本明細書中で「予測された」と称する。好ましくは、力予測部２２は、タイヤに作用する予測された円周トルクを決定する。好ましくは、力予測部２２は、タイヤに作用する予測された横方向の力を決定する。なおさらに好ましくは、力予測部２２は、タイヤに作用する予測された横方向の力およびタイヤに作用する予測された周方向のトルクを決定する。
【００５２】
最後に、タスク２１２で、制御部３２は、力予測部２２によって予測された力および／またはトルクに応じるアクチュエータ３４を介して車２０の動的状態を変更する。加えて、または別に、制御部は、ディスプレイ部（図示せず）上に任意の好ましいパラメータの定性または定量表示を生成し得る。定性表示は、予測された力および／またはトルクをベースラインまたはしきい力および／またはトルクと比較し、そしてその比較の結果に基づいて適切な表示を表示することによってなされる。定量表示は、予測された力および／またはトルク、ならびに／またはそこから得られる値の数値表示であり得る。
【００５３】
本発明の力予測部２２の第２の実施形態において、力予測部２２のプロセッサは、双一次方程式をソフトウェアまたはハードウェアで実施する。好ましくは、２つの双一次方程式（１つは横方向の力、１つは周方向のトルクのためのもの）がある。しかし、力予測部２２は、各予測された力またはトルクに対して１つの双一次方程式を使用して以下の任意の１つ以上の組み合わせまたは並び替えを決定するように構成される：タイヤに作用する横方向の力、タイヤに作用する周方向のトルク、タイヤに作用する縦方向の力、タイヤに作用する垂直方向の力、ならびに上記の任意の１つ以上を成分として有する力および／またはトルクである。好ましくは、外部ＳＷＴセンサ２６の大きさ（振幅）および２つのＳＷＴセンサ２６、２８の信号間の位相差は、各双一次方程式において使用される。なおさらに好ましくは、外部ＳＷＴセンサ２６からの信号および内部ＳＷＴセンサ２８間の大きさの差は、各双一次方程式においてさらなる変数として使用される。したがって、好ましくは双一次方程式は以下の形態である：
Ｍｙ＝ｋ１＋ｋ２・ｐ＋ｋ３・ａ＋ｋ４・ｄ＋ｋ５・ｐ・ａ
Ｆｙ＝ｋ６＋ｋ７・ｐ＋ｋ８・ａ＋ｋ９・ｄ＋ｋ１０・ｐ・ａ
ここで、
ｐ＝１８０度位置のＳＷＴ位相（ラジアン）、
ａ＝１８０度位置の外部センサ２６のＳＷＴ振幅（ｍｍ）、
ｄ＝ＳＷＴ外部および内部振幅間の差（ｍｍ）、
Ｍｙ＝周方向のトルク（ｋＮ−ｍ）、
Ｆｙ＝横方向の力（ｋＮ）、
ｋ１〜ｋ１０＝双一次フィット（ｆｉｔ）からの定数。
【００５４】
定数ｋ１〜ｋ１０は、当該分野で公知の標準の多重線形回帰法を使用して決定される。より詳細には、双一次方程式は以下の通りに決定される。まず、ステップ１０２〜１０８を伴って本明細書で上記されたように、ステップ１０２〜１０８を行う。その結果、１セットの訂正された正規化データが得られる。ついで、定数ｋ１〜ｋ１０は、ＭＡＴＬＡＢにおいてＸ上でＹを回帰させることによって以下のように計算される：
Ｘ＝［ｏｎｅｓ（ｎ，１）Ｘ］；
ＸＴＸＩ＝ｉｎｖ（Ｘ’＊Ｘ）；
ＣＯＥＦ＝ＸＴＸＩ＊Ｘ’＊Ｙ；
ここで、
ｎは、サンプル数、
Ｘは、すべての位相データ、振幅データ、デルタデータ、および位相＊振幅データを含む行列、
Ｙは、予測された力／トルクのベクトルである。
【００５５】
本発明の力予測部の双一次方程式実施形態の使用は、図１１のフローチャートと同一である。ただし、ステップ２１０で、力および／またはトルクは、ニューラルネットワークを使用するのではなく双一次方程式を使用して予測される。
【００５６】
双一次方程式はトレーニングされたニューラルネットワークと同様には機能しないように見えるが（以下の実施例を参照）、双一次方程式からの予測は所定の環境下では十分に満足し得る。
【００５７】
上記の力およびトルクに加えて、本発明を用いて車制御システムに有用な種々の計算された値を獲得または決定し得る。例えば、摩擦係数は、本発明によって（例えば、Ｆｚ／ＦｙおよびＦｚ／Ｆｘを使用することによって）決定されるＦｘ、ＦｘおよびＦｚから計算され得る。別の実施例として、車に対するヨー（ｙａｗ）レートは、適切な車ダイナミックス方程式を解くことによって決定され得る。この車ダイナミックス方程式を解く工程は、予測された力方程式を積分して、本発明によって決定される、ヨーモーメントに関連する適切な角レートまたは角速度を計算する工程を含む。
【００５８】
（実施例１−ニューラルネットワーク）
第１に、Ｃｏｎｔｉ Ｓｐｏｒｔ Ｃｏｎｔａｃｔ，２４５／４０ Ｒ１８磁性側壁タイヤは、硬化前に側壁に埋め込まれた２００ｐｈｒ（１００分の１）のストロンチウムフェライトパウダーを用いて、米国特許第５，８９５，８５４号、および同時継続中の米国特許第０９／３４７，７５７号に記載されるように調整された。４８個のＮ極と４８個のＳ極とが交互に設けられている９６個の電磁石を用いて、埋め込まれたストロンチウムフェライトを磁化して磁気飽和させた。
【００５９】
次に、Ｃｏｎｔｉ Ｓｐｏｒｔ Ｃｏｎｔａｃｔタイヤは、以下のように、ＭＴＳ Ｓｙｓｔｅｍｓ Ｃｏｒｐｏｒａｔｉｏｎから入手可能なＭＴＳ Ｍｏｄｅｌ ８６０ ｔｒｅａｄ ｗｅａｒ ｍａｃｈｉｎｅ上に搭載される。磁性側壁タイヤは精密リムに搭載された。ＳＷＴセンサの２部品（Ｐｈｉｌｉｐｓ ＫＭＺ１０Ａ磁気抵抗センサ）がＭＴＳ ｍａｃｈｉｎｅに固定された支柱に搭載された。この２部品は、１８０°で外部対および内部対を有し、９０°で外部対および内部対を有し、図４および図５に示されたブラケットを用いる各センサ対は、タイヤを有する側壁の面から約１２．５ｍｍ離して固定して配置される。
【００６０】
ＭＴＳ Ｍｏｄｅｌ ８６０ ｔｒｅａｄ ｗｅａｒ ｍａｃｈｉｎｅ上に搭載されたＣｏｎｔｉ Ｓｐｏｒｔ Ｃｏｎｔａｃｔタイヤに対して、横方向の力ＦｙおよびトルクＭｙが、図１２に示されるように正弦波状に変動した。この横方向の力は０．１６６７Ｈｚにおいて正弦波状に変動し、トルクは０．１００Ｈｚにおいて正弦波状に変動した。タイヤは１時間当たり５０マイルの一定のシミュレートされた速度で回転された。
【００６１】
これらの状況下では、３０秒（７５０，０００サンプル）のデータ、すなわち円周トルク、横方向の力、およびタイヤに作用する垂直方向の力、インフレーション（ｉｎｆｌａｔｉｏｎ）圧、および生ＳＷＴセンサデータが、１秒当たり２５，０００サンプルで収集された。
【００６２】
次に生のＳＷＴセンサデータがニューラルネットワークへの入力を計算するように処理された。すなわち、２つのセンサ信号間の位相差（ラジアン）、外部センサ２６からの信号の振幅（ｍｍ）、および２つのセンサ２６および２８間の振幅差（ｍｍ）が、生ＳＷＴセンサデータのピークおよび交差しない部分（ｚｅｒｏ−ｃｒｏｓｓｉｎｇ）から計算された。より詳細には、位相差は上述の多項式当てはめ法を用いて決定され、外部ＳＷＴセンサ２６からの信号の振幅は上述の多項式当てはめのピークを用いて決定され、２つのＳＷＴ信号の振幅間の差は、上述の多項式当てはめを用いて見出されるピーク間の差を用いて決定された。
【００６３】
位相および２つの振幅を計算すると、次のこれらの入力は、上述の加法訂正アルゴリズムを用いて訂正され、両方の振幅は上述の乗法エラー訂正アルゴリズムを用いて訂正された。
【００６４】
次に、位相データおよび２つの振幅が正規化された。すなわち、各パラメータについて、最大値と最小値とを減算し、最大値で除算し、この結果の値と各データセットとを乗算することによって、−１〜＋１の間でスケーリングする。
【００６５】
次いで、大きなデータセットが３つのセット（すなわち、トレーニングセット、バリデーションセット、およびテストセット）に分割された。
【００６６】
次に特定の構造がニューラルネットワークに対して選択された。この特定の例では、図１３に示されるように、９個の隠れノードを有する単一の隠れ層が使用された。双曲線正接Ｓ字状関数が入力と隠れ層との間で使用された。線形関数が隠れ層と出力との間で使用された。図１３の３つの入力（Ｐｈａｓｅ１８０、Ａｍｐ１８０Ｏｕｔ、およびＡｍｐＤｅｌｔａ１８０）における「１８０」は、センサ２６およびセンサ２８が、タイヤの「１２時の位置」（すなわち、車両上に観測されるようにタイヤの側壁の上部）において搭載され、従ってデータがその位置から収集されるという事実を示す。この９０°データを用いて、垂直方向の力Ｆｚを決定する。
【００６７】
次に、以下のＭａｔｌａｂニューラルネットワークオブジェクトを使用するＭａｔｌａｂを用いてニューラルネットワークをトレーニングするために、トレーニングデータセットが使用された。
【００６８】
【数１】
ニューラルネットワークは、初期停止を用いるＬｅｖｅｎｂｅｒｇ−Ｍａｒｑｕａｒｄｔ技術を用いて、Ｍａｔｌａｂによってトレーニングされた。より詳細には、ニューラルネットワークは、バリデーション停止（５つの連続するエポックに対して増加されたバリデーションセットエラー）がエポック１０４において発生するまでトレーニングされた。エポック９９におけるトレーニングセットについての２乗誤差の平均和（ｍｅａｎ ｓｕｍ ｏｆ ｓｑｕａｒｅｄ ｅｒｒｏｒ）は、０．００１７６であった。エポック９９におけるバリデーションセットについての２乗誤差の平均和は、０．００１７８であった。
【００６９】
この手順を使用すれば、入力と隠れ層との間の以下の重み付けが決定された。
【００７０】
【表２】
さらに、隠れ層と出力との間の以下の重み付けが決定された。
【００７１】
【表３】
入力と隠れ層との間の以下のバイアス重み付けが決定された。
【００７２】
【表４】
最後に、隠れ層と出力との間の以下のバイアス重み付けが決定された。
【００７３】
【表５】
これらの特有の重み付けは、トレーニングセット、バリデーションセット、およびテストセットの全てが０．００２未満（全ては約０．００１７８であった）である２乗誤差の平均和を有するため、価値があると考えられている。
【００７４】
図１４および図１５は、バリデーションセットにおいて測定されたデータと比較した場合の予測の近さのグラフィカル表現を示す。これらの重み付けを使用すると、ニューラルネットワークによって予測される横方向の力がバリデーションセットにおいて測定された横方向の力に非常に接近する。同様に、ニューラルネットワークによって予測された円周トルクは、バリデーションセットにおいて測定された円周トルクに非常に近い。
【００７５】
（実施例２−双一次式）
この例では、実施例１からのデータは、横方向の力および円周トルクを予測する双一次式の対を決定するために使用された。
【００７６】
２つの式に対する定数は、多重線形最小２乗回帰（ｍｕｌｔｉｐｌｅ ｌｉｎｅａｒ ｌｅａｓｔ ｓｑｕａｒｅｓ ｒｅｇｒｅｓｓｉｏｎ）技術を使用してＭａｔｌａｂによって計算された。
【００７７】
上述の手順を使用して、以下の双一次式が横方向の力および円周トルクを予測するために決定された。
Ｍｙ＝−５．９８３５＋７．４５１７ｐ−０．７７４１ａ＋０．３３１３ｄ＋０．７１０２ｐ・ａ
Ｆｙ＝−３９．６４３３＋７．７３１２ｐ＋６．２４８３ａ＋９．７８４８ｄ−２．８２２２ｐ×ａ
ここで、
ｐ＝１８０°位置におけるＳＷＴ位相（ラジアン）
ａ＝１８０°位置における外部センサ２６のＳＷＴ振幅（ｍｍ）
ｄ＝ＳＷＴ外部振幅とＳＷＴ内部振幅との間の差（ｍｍ）
Ｍｙ＝円周トルク（ｋＮ−ｍ）
Ｆｙ＝横方向の力（ｋＮ）
図１６および図１７は、バリデーションデータセットにおける測定されたデータと比較した場合、予測の近さのグラフィカル表現を示す。これらの双一次式を用いて、予測された横方向の力は、バリデーションセット内の測定された横方向の力に近い。同様に、予測された円周トルクは、バリデーションセット内の測定された円周トルクに近い。図１４〜図１７の検証によって理解されるように、双一次式によって為されたこの予測が、ニューラルネットワークによって為された予測ほど近くないが、双一次式は様々なアプリケーションに有用で利用可能である合理的で正確な予測を提供する。さらに、予測された値と測定された値との間の最大偏差が、いつ与えられた力またはトルクが存在しなくなったかが明らかになる。
【００７８】
（実施例３−ニューラルネットワーク）
Ｃｏｎｔｉｔｒａｃ ＡＷ Ｐ２７５／６５ Ｒ１７磁性側壁タイヤは、硬化前に側壁に埋め込まれた２００ｐｈｒ（１００分の１）のストロンチウムフェライトパウダーを用いて、米国特許第５，８９５，８５４号、および同時継続中の米国特許第０９／３４７，７５７号に記載されるように調整された。４８個のＮ極と４８個のＳ極とが交互に設けられている９６個の電磁石を用いて、埋め込まれたストロンチウムフェライトを磁化して磁気飽和させた。
【００７９】
次に、Ｃｏｎｔｉｔｒａｃ ＡＷ Ｐ２７５／６５ Ｒ１７磁性側壁タイヤは、以下のように、ＭＴＳ Ｓｙｓｔｅｍｓ Ｃｏｒｐｏｒａｔｉｏｎから入手可能なＭＴＳ Ｍｏｄｅｌ ８６０ ｔｒｅａｄ ｗｅａｒ ｍａｃｈｉｎｅに搭載される。磁性側壁タイヤは精密リムに搭載された。ＳＷＴセンサの２つの対をなした部品（Ｐｈｉｌｉｐｓ ＫＭＺ１０Ａ磁気抵抗センサ）がＭＴＳ ｍａｃｈｉｎｅに固定された支柱に搭載された。この２つの対をなした部品は、１８０°で外部対および内部対を有し、９０°で外部対および内部対を有し、図４および図５に示されたブラケットを用いる各センサ対は、タイヤを有する側壁の面から約１２．５ｍｍ離して固定して配置される。
【００８０】
ＭＴＳ Ｍｏｄｅｌ ８６０ ｔｒｅａｄ ｗｅａｒ ｍａｃｈｉｎｅに搭載されたＣｏｎｔｉｔｒａｃ ＡＷ Ｐ２７５／６５ Ｒ１７磁性側壁タイヤに対して、垂直方向の力Ｆｚ、横方向の力ＦｙおよびトルクＭｙが、実施例１に示されるように正弦波状に変動した。この垂直方向の力は０．２５Ｈｚにおいて正弦波状に変動し、この横方向の力は０．１５Ｈｚにおいて正弦波状に変動し、トルクは０．１００Ｈｚにおいて正弦波状に変動した。タイヤは１時間当たり５０マイルの一定のシミュレートされた速度で回転された。
【００８１】
これらの状況下では、２０秒（５００，０００サンプル）のデータ、すなわち円周トルク、横方向の力、およびタイヤに作用する垂直方向の力、インフレーション（ｉｎｆｌａｔｉｏｎ）圧、および生ＳＷＴセンサデータが、１秒当たり２５，０００サンプルで収集された。
【００８２】
次に生のＳＷＴセンサデータがニューラルネットワークへの入力を計算するように処理された。すなわち、（１）２つの１８０°センサ信号間の位相差（ラジアン、Ｐｈａｓｅ１８０）、（２）外部１８０°センサからの信号の振幅（ｍｍ、Ａｍｐ１８０ＯｕｔまたはＡｍｐ１８０）、（３）２つの１８０°センサ間の振幅差（ｍｍ、Ａｍｐ１８０ＯｕｔまたはＤｅｌｔａ１８０）、（４）２つの９０°センサ信号間の位相差（ラジアン、Ｐｈａｓｅ９０）、（５）外部９０°センサからの信号の振幅（ｍｍ、Ａｍｐ９０ＯｕｔまたはＡｍｐ１８０）、（６）２つの９０°センサ間の振幅差（ｍｍ、ＡｍｐＤｅｌｔａ９０またはＤｅｌｔａ９０）、（７）Ｐｈａｓｅ１８０×Ａｍｐ９０Ｏｕｔ（訂正ルーチンが実行された後）（ｐ×Ａ１８０）、（８）Ｐｈａｓｅ９０×Ａｍｐ１８０Ｏｕｔ（訂正ルーチンが実行された後）（ｐ×Ａ９０）が、生ＳＷＴセンサデータのピークおよび交差しない部分から計算された。より詳細には、位相差は上述の多項式当てはめ法を用いて決定され、外部ＳＷＴセンサ２６からの信号の振幅は上述の多項式当てはめのピークを用いて決定され、２つの信号の振幅間の差は、上述の多項式当てはめを用いて見出されるピーク間の差を用いて決定された。
【００８３】
８つの位相および２つの振幅を計算すると、次のこれらの入力は、上述の加法訂正アルゴリズムを用いて訂正され、両方の振幅は上述の乗法エラー訂正アルゴリズムを用いて訂正された。
【００８４】
次に、８つの入力が正規化された。すなわち、各パラメータについて、最大値と最小値とを減算し、最大値で除算し、この結果の値と各データセットとを乗算することによって、−１〜＋１の間でスケーリングする。
【００８５】
次いで、大きなデータセットが３つのセット（すなわち、トレーニングセット、バリデーションセット、およびテストセット）に分割された。
【００８６】
次に特定の構造がニューラルネットワークに対して選択された。この特定の例では、６つの隠れノードを有する単一の隠れ層が使用された。双曲線正接Ｓ字状関数が入力と隠れ層との間で使用された。線形関数が隠れ層と出力との間で使用された。
【００８７】
次に、以下のＭａｔｌａｂニューラルネットワークオブジェクトを使用するＭａｔｌａｂを用いてニューラルネットワークをトレーニングするために、トレーニングデータセットが使用された。
【００８８】
【数２】
ニューラルネットワークは、初期停止を用いるＬｅｖｅｎｂｅｒｇ−Ｍａｒｑｕａｒｄｔ技術を用いて、Ｍａｔｌａｂによってトレーニングされた。より詳細には、ニューラルネットワークは、バリデーション停止（５つの連続するエポックに対して増加されたバリデーションエラー停止がエポック８１において発生するまでトレーニングされた。エポック７６におけるバリデーションセットについての平均２乗誤差は、０．０００２３であった。エポック７６におけるバリデーションセットについての平均２乗誤差は、０．０００３であった。
【００８９】
この手順を使用すれば、入力と隠れ層との間の以下の重みが決定された。
【００９０】
【表６】
さらに、隠れ層と出力との間の以下の重み付けが決定された。
【００９１】
【表７】
入力と隠れ層との間の以下のバイアス重み付けが決定された。
【００９２】
【表８】
最後に、隠れ層と出力との間の以下のバイアス重み付けが決定された。
【００９３】
【表９】
これらの特有の重み付けは、トレーニングセット、バリデーションセット、およびテストセットの全てが０．００２未満（全ては約０．０００３未満であった）である２乗誤差の平均和を有するため、価値があると考えられている。
【００９４】
図１８〜図２０は、バリデーションセットにおいて測定されたデータと比較して予測の近さのグラフィカル表現を示す。これらの重み付けを使用すると、ニューラルネットワークによって予測された垂直方向の力、横方向の力、円周トルクがバリデーションセットにおける測定された値とほぼ同一である。
【００９５】
（実施例４−双一次式）
この例では、実施例２からのデータは、垂直方向の力、横方向の力および円周トルクを予測する双一次式の対を決定するために使用された。
【００９６】
２つの式に対する定数は、多重線形最小２乗回帰技術を使用してＭａｔｌａｂによって計算された。
【００９７】
上述の手順を使用して、以下の双一次式が垂直方向の力、横方向の力および円周トルクを予測するために決定された。
Ｆｙ＝−１２．９３３６＋（−１１．９１３９ｐ１８０）
−４．４４１３ａ１８０＋９．９９５２ｄ１８０−５．７１９７ｐ９０
＋４．１０３８ａ９０−５．５４１６ｄ９０
＋０．１８７１（ｐ１８０×ａ１８０）
＋０．０６７６（ｐ９０×ａ９０）
Ｆｚ＝８．６９０８−７９．１６２７ｐ１８０−１．１９４４ａ１８０
＋１．４９６８ｄ１８０＋１０．８５３１ｐ９０＋１．２６５９ａ９０
＋０．０５９７ｄ９０＋３．５６７７（ｐ１８０×ａ１８０）
＋０．７８８０（ｐ９０×ａ９０）
Ｍｙ＝−０．９０５９＋６．５３５７ｐ１８０−０．６８９１ａ１８０
＋１．６０９４ｄ１８０＋０．０９２０ｐ９０＋０．４１９１ａ９０
−０．６６５４ｄ９０＋０．３７１０（ｐ１８０×ａ１８０）
−０．００２７（ｐ９０×ａ９０）
ここで、
ｐ１８０＝１８０°位置におけるＳＷＴ位相（ラジアン）
ａ１８０＝１８０°位置における外部センサのＳＷＴ振幅（ｍｍ）
ｄ１８０＝１８０°におけるＳＷＴ外部振幅とＳＷＴ内部振幅との間の差（ｍｍ）
ｐ９０＝９０°位置におけるＳＷＴ位相（ラジアン）
ａ９０＝９０°位置における外部センサのＳＷＴ振幅（ｍｍ）
ｄ９０＝９０°におけるＳＷＴ外部振幅とＳＷＴ内部振幅との間の差（ｍｍ）
Ｆｙ＝横方向の力（ｋＮ）
Ｆｚ＝垂直（標準）力（ｋＮ）
Ｍｙ＝円周トルク（ｋＮ−ｍ）
図２２〜図２４は、バリデーションデータセットにおける測定されたデータと比較した場合、予測の近さのグラフィカル表現を示す。これらの双一次式を用いて、予測された垂直方向の力、横方向の力、円周トルクは、測定された値に非常に近い。双一次式によって為されたこの予測が、さらなるセンサ対を有するニューラルネットワークによって為された予測ほど近くないが、この実施例の双一次式は、多くのアプリケーションに有用で利用可能である非常に正確な予測を提供する。
【００９８】
図２を再度説明すると、上述したように、本発明の利点を有する例示的な制御ユニット３２は、ＡＢＳ制御ユニットに限定されないが、トラクション制御システム（ＴＣＳ）制御ユニット、電子安定性制御（ＥＣＳ）制御ユニット、統合車両動力学（ＩＶＤ）制御ユニット、ロック差動制御ユニット、サスペンション制御ユニット、ブレーキ支援制御ユニット、知能巡航（ｉｎｔｅｌｌｉｇｅｎｔ ｃｒｕｉｓｅ）制御ユニット、ステアリングアシスト制御ユニット、収縮検知制御ユニット、ナビゲーション制御ユニット、ロールオーバ回避制御ユニット、ブレーキバイワイヤ（ｂｒａｋｅ−ｂｙ−ｗｉｒｅ）制御ユニットを含む。
【００９９】
ＡＢＳ制御ユニットは、少なくとも２つの態様で本発明の利点を有し得る。第１に、本発明を用いてＡＢＳのチャタリングを低減し得る。典型的にはＡＢＳのチャタリングは、スリップデータの性質から生じる。本発明によって提供された力のデータは、スリップデータよりも平滑化されている。従って、本発明に従って取得された力のデータを用いるＡＢＳコントローラは、チャタリングがより少ない。
【０１００】
あるいは、ＡＢＳ制御ユニットは、本発明によって予測される横方向の力を用いてより安全にし得る。図１８を再度参照すると、様々なステアリング角度（α）における一連のμ−スリップが示されている。ステアリングがなければ横方向の力を生じない。曲線２００は、ステアリング角度０°（すなわち、横方向の力がない）において横方向の力（すなわち、ブレーキング力）Ｆｘを示す典型的なμ−スリップ曲線である。曲線２００によって示され当業者に公知であるように、曲線２００のピークは約１３％スリップ（点２０２）において存在する。当業者に公知であるように、ＡＢＳ制御ユニットが、スリップを制御させ、約１０％スリップ付近においてピークブレーキング力を提供することが望ましい。
【０１０１】
ステアリング運動はタイヤに回転させ、タイヤに横方向の力を誘導する。図１８における曲線２１０および曲線２２０は、それぞれステアリング角５°および１０°において長手方向の力Ｆｘを示すマイクロスリップ曲線である。対応する横方向の力Ｆｙもまた示される。曲線２１０のピークは、約２０％スリップ（点２１２）に存在し、曲線２２０のピークは、約３２％スリップ（点２２２）に存在する。すなわち、ステアリング操作によって引き起こされるタイヤの横方向の力は、μ−スリップ曲線のピークを移動させる。
【０１０２】
この効果は明らかにすべきである。横方向の力の検出を不可能にするＡＢＳ制御ユニットは、約１０％付近でスリップを制御させ、ステアリング動作がない限り最大ブレーキング力に対して効果的である。しかし、約１０％付近のスリップは、曲線２１０および曲線２２０のピークは存在しない。従って、ステアリング操作は、横方向の力の検出を不可能にするＡＢＳ制御ユニットを混乱させ、最大ブレーキング力の生成を不可能にする。
【０１０３】
一方で、本発明の力予測ユニット２２からの予測された横方向の力を受け取るように改変されたＡＢＳコントローラ３２（または同一のプロセッサとともに実現される）は、予測された横方向の力に従ってスリップ制御点を変動させて最大ブレーキング力を提供し得る。例えば、ＡＢＳ制御ユニット３２は、力予測ユニット２２からの予測された横方向の力に基づいて、μ−スリップ曲線または他の制御パラメータを選択するように改変され得る。図１８の内容では、第１の予測された横方向の力が使用されて、使用される曲線２１０をトリガし、ＡＢＳ制御ユニット３２は、点２１２付近でスリップを制御して最大ブレーキングを提供する傾向がある。異なるより大きな予測された横方向の力が使用されて、使用される曲線２２０をトリガし、次いでＡＢＳ制御ユニット３２は、点２２２付近でスリップを制御し、最大ブレーキングを提供する傾向がある。任意の時刻において、横方向の力の予測を変更することは、次の時刻において使用されるμ−スリップ曲線を変更させる。３つのμ−スリップ曲線のみがこの実施例で説明されたが、当業者は、より多くの曲線が使用され、あるいは横方向の力（または力予測ユニット２２によって決定されたいくつかの他のパラメータ）が、ＡＢＳ制御ユニット３２による式または式の組において使用され、予測された横方向の力に従ってスリップ制御点を変動させることが理解される。
【０１０４】
本発明の実施形態を説明することによって本発明が説明され、さらにこの実施形態がかなり詳細に説明されてきたが、本出願の意図は、このような細部に添付の特許請求の範囲を制限またはいかなる態様の限定することではない。さらなる利点および改変が当業者に容易に明白になる。例えば、本明細書中で説明されたＳＷＴセンサは、アナログ回路出力を有し、代替的には、周波数領域において出力を有するセンサが本発明の教示に従って為されたシステムにおいて使用され得る。さらに、本発明で説明されたＳＷＴセンサは、磁気センサであり、他の側壁ねじれセンサは、本発明の教示に従って為されたシステムにおいて使用され得る。従って、本発明は、本発明のより広い局面において、特定の細部、代表的な装置および方法に限定されず、例示的な例が、示され図示される。従って、出願人の一般的な発明の概念の精神または範囲から逸脱することなく、このような細部の改変が為され得る。
【図面の簡単な説明】
【図１】
図１は、様々な力およびトルクが見られる車両の透視図である。
【図２】
図２は、本発明のシステムの概略的なブロック図である。
【図３】
図３は、極性を交互にする磁気帯を有し、本発明のシステムおよび方法で使用されるセンサに対応するタイヤの側面図である。
【図４】
図４は、サスペンションに固定された取り付けブラケットの透視図であり、タイヤの磁気側壁に極めて近接して２つの磁気センサを保持する。
【図５】
図５は、図４に示される取り付けブラケットおよびセンサの拡大図である。
【図６】
図６は、横方向の力の影響を示すタイヤ、サスペンション、およびセンサの前面図であり、垂直に得られたタイヤの断面図である。
【図７】
図７は、図６のタイヤおよびセンサの拡大図である。
【図８】
図８は、横方向の力および円周トルクの存在下で得られたＳＷＴセンサ振幅のデータプロットであり、トルクの存在下でＳＷＴセンサ振幅が、横方向の力の比較的粗悪なプレディクタであることを示す。
【図９】
図９は、横方向の力および円周トルクの存在下で得られたＳＷＴセンサ振幅のデータプロットであり、横方向の力の存在により、円周トルクのプレディテクタとしてＳＷＴセンサ位相差を用いると、近接項のエラーが起こることを示す。
【図１０】
図１０は、本発明のニューラルネットワークをトレインするために使用される一般的な手順を示すフローチャートである。
【図１１】
図１１は、横方向の力および円周トルクを予測するために本発明のトレインニューラルネットワークを使用するための一般的な手順を示すフローチャートである。
【図１２】
図１２は、データ収集中にタイヤに加えられた横方向の力および円周トルクを示すデータプロットである。
【図１３】
図１３は、例１でトレインニューラルネットワークの構造を示す概略的なブロック図である。
【図１４】
図１４は、実施例１のトレインニューラルネットワークによって予測された、測定された横方向の力および横方向の力を示すデータプロットである。
【図１５】
図１５は、実施例１のトレインニューラルネットワークによって予測された、測定された円周トルクおよび円周トルクを示すデータプロットである。
【図１６】
図１６は、実施例２の双一次の式によって予測された、測定された横方向の力および横方向の力を示すデータプロットである。
【図１７】
図１７は、実施例２の双一次の式によって予測された、測定された円周トルクおよび円周トルクを示すデータプロットである。
【図１８】
図１８は、実施例３のトレインニューラルネットワークによって予測された、測定された垂直方向の力および垂直方向の力を示すデータプロットである。
【図１９】
図１９は、実施例３のトレインニューラルネットワークによって予測された、測定された横方向の力および横方向の力を示すデータプロットである。
【図２０】
図２０は、実施例３のトレインニューラルネットワークによって予想された、測定された円周トルクおよび円周トルクを示すデータプロットである。
【図２１】
図２１は、小さい横方向の力でさえもμ−スリップ曲線のピーク位置で有効な効果を示す様々なステアリング角度における複数の運動摩擦係数（μ）対パーセントスリップ（μ−スリップ）の曲線を示す。
【図２２】
図２２は、実施例４の双一次の式によって予想される、測定された垂直方向の力および垂直方向の力を示すデータプロットである。
【図２３】
図２３は、実施例４の双一次の式によって予想される、測定された横方向の力および横方向の力を示すデータプロットである。
【図２４】
図２４は、実施例４の双一次の式によって予想される、測定された円周方向のトルクおよび円周方向のトルクを示すデータプロットである。
（発明の分野）
本発明は、一般的にタイヤの動力学の分野に関しており、より詳しくは，タイヤの変形の測定からタイヤの接地面で発生する力を予測することに関している。本発明は，タイヤの変形の測定に用いる横方向の力および円周トルク（ｃｉｒｃｕｍｆｅｒｅｎｔｉａｌ ｔｏｒｑｕｅ）を分離することを含む。
【０００２】
（発明の背景）
本明細書中に参考として援用される米国特許第５，８９５，８５４号は、磁化された磁化可能な粒子（ｍａｇｎｅｔｉｚａｂｌｅ ｐａｒｔｉｃｌｅ）で充満されたゴム混合物を少なくとも１つの規定の位置に有する空気式（ゴム）タイヤを用いて提供された、車両のホイールを開示する。上記特許で記載されるように、そこで開示されるタイヤは、スリップ統制システムで使用され得る。好適には、磁化した位置は、タイヤの側壁（すなわち、長軸方向または周辺方向（ｐｅｒｉｐｈｅｒａｌ ｄｉｒｅｃｔｉｏｎ））において１つ以上の環状帯に位置され、タイヤの周辺方向に沿って異なる半径で配置した１つ以上の列に異なる磁化の連続する区域を有する。上記特許の目的は、現代の車両の運転に必要とされる情報（例えば、スリップを統制するためのタイヤに影響するＡＢＳ（アンチロックブレーキシステム）および／または長軸方向の力（ねじれ力）に対する回転スピード）が利用可能になり得ることを用いて、空気式（ゴム）タイヤを有する車両のホイールを提供することである。
【０００３】
上記特許によると、発生した磁化および空間的な磁化の相違は、磁場センサで検出され得、スリップを統制するシステム（特には、ＳＷＴシステム（側壁ねじれ測定システム））のためのＳＷＴセンサ入力信号（側壁ねじれセンサ入力信号）として機能を果たし得る。上記特許でさらに記載されるように、できる限り正確に２つのマーク（ＡＢＳの１つの列（ｒｏｗ）またはＳＷＴの２つの列）のパス（ｐａｓｓ）の間のタイムスパンの変化を検出することを可能にするために、周辺方向の磁化ができる限り四角形に生じ、とりわけこの領域の境界線においてはできる限り大きな傾斜で変化するべきであることが所望されたことが以前に考えられた。対照的に、ホイールの回転を検出した従来のＡＢＳシステムに対して、タイヤの周辺方向の磁化が正弦波の様態（ｓｉｎｕｓｏｉｄａｌ ｍａｎｎｅｒ）で生じた場合は十分であることが記載された。
【０００４】
従って、ＳＷＴセンサを用いたＳＷＴシステムの初期機能は、タイヤの接線方向のねじれ変形を常に測定し、そのねじれ変形を利用して適用される推進トルクまたは制動トルクを計算する。しかし、コーナリング操作は、タイヤの横方向の力の存在が、本来想定されるようにＳＷＴセンサを用いる（ねじれ変形を計算するためにタイヤの側壁の磁気帯を検出する２つのセンサ間の位相差を用いる）長軸方向のトルクの測定を混乱させるため、推進トルクまたは制動トルクの計算に不利が生じる。さらに、タイヤの垂直方向の力の存在は、本来想定されるようにＳＷＴセンサを用いる長軸方向のトルクの測定をさらに混乱させる。
【０００５】
（発明の要旨）
本発明は、横方向の力および接線分力を分離しないためのシステムおよび方法を提供し、ＳＷＴセンサが長軸方向のトルクを効率的に測定するために使用され得るが、さらに、ＳＷＴセンサを用いるタイヤに作用する横方向の力および他の力ならびにトルクを予測する。
【０００６】
本発明によると、システムおよび方法によって、タイヤの変形の測定からタイヤの接地面で発生される力を予測することが提供され、タイヤの変形の測定を用いて歪み力（横方向の力および円周トルク）を分離することを含む。
【０００７】
本発明のシステムの一局面によると、トレインプロセッサ（ｔｒａｉｎｅｄ ｐｒｏｃｅｓｓｏｒ）（例えば、トレインニューラルネットワーク）を用いて、歪み力（例えば、タイヤの変形の測定を用いる、横方向の力および円周トルク）を予測する。第１の実施形態において、トレインニューラルネットワークを用いて、タイヤに影響する少なくとも１つの力、好適には、横方向の力および円周トルクを予測する。第２の実施形態において、一組の双一次（ｂｉｌｉｎｅａｒ）の式を用いて、タイヤに影響する少なくとも１つの力、好適には、横方向の力および円周トルクを予測する。
【０００８】
従って、本発明の利点は、タイヤの変形センサ（例えば、ＳＷＴセンサ）を用いて円周トルクを検出するためのシステムおよび方法を提供することである。
【０００９】
さらに、本発明の利点は、タイヤの変形センサ（例えば、ＳＷＴセンサ）を用いて横方向の力を検出するためのシステムおよび方法を提供することである。
【００１０】
従って、本発明の別の利点は、タイヤの変形センサ（例えば、ＳＷＴセンサ）からの測定において横方向の力および円周トルクを分離するためのシステムおよび方法を提供することである。
【００１１】
本発明のさらなる利点は、タイヤの変形センサ（例えば、ＳＷＴセンサ）からの車両のヨーレートを判定するためのシステムおよび方法を提供し、それにより、分離ヨーレートセンサの必要性を取り除く。
【００１２】
本発明のさらに別の利点は、タイヤの変形センサ（例えば、ＳＷＴセンサ）からの車両スピードを判定するためのシステムおよび方法を提供し、それにより、分離スピードセンサの必要性を取り除く。
【００１３】
本発明のなお別の利点は、トレインニューラルネットワークを用いて、タイヤの変形センサ（例えば、ＳＷＴセンサ）から、タイヤに影響する横方向の力、タイヤに影響する円周トルク、タイヤに影響する長軸方向の力、タイヤに影響する垂直方向の力、およびそれらの成分として前述の任意の１つ以上を有する力および／またはトルクの１つ以上の任意の組み合わせまたは置換を判定するためのシステムおよび方法を提供することである。
【００１４】
本発明のさらになお別の利点は、双一次の式を用いて、タイヤの変形センサ（例えば、ＳＷＴセンサ）から、タイヤに影響する横方向の力、タイヤに影響する円周トルク、タイヤに影響する長軸方向の力、タイヤに影響する垂直方向の力、およびそれらの成分として前述の任意の１つ以上を有する力および／またはトルクの１つ以上の任意の組み合わせまたは置換を判定するためのシステムおよび方法を提供することである。
【００１５】
本発明の別の利点は、タイヤに影響する横方向の力および垂直方向の力の円周トルクを分離することである。
【００１６】
本発明のなお別の利点は、タイヤの側壁変形センサ（例えば、ＳＷＴセンサ）から、タイヤに影響する横方向の力、タイヤに影響する円周トルク、タイヤに影響する長軸方向の力、タイヤに影響する垂直方向の力、およびそれらの成分として前述の任意の１つ以上を有する力および／またはトルクの１つ以上の任意の組み合わせまたは置換を判定するためのシステムおよび方法を提供することである。
【００１７】
本発明のこれらの利点および他の利点は、本発明の詳細な説明からさらに明白になる。
【００１８】
（好適な実施形態の詳細な説明）
本明細書の一部に取り込まれ、構成する添付の図面において、本発明の実施形態は本発明の上述の概要と共に示され、後述の詳細な説明は本発明の原理の例として役に立つ。
【００１９】
本明細書中に使用される「回路通信（ｃｉｒｃｕｉｔ ｃｏｍｍｕｎｉｃａｔｉｏｎ）」は、デバイス間の伝達関係をあらわすために使用される。直接の電気的接続および光学的接続ならびに間接の電気的接続および光学的接続は、回路通信の例である。信号がいくつかの他のデバイスによって変更されるかどうか関係なく、一方からの信号が他方によって受信される場合、２つのデバイスは回路通信状態になる。例えば、１つ以上の変圧器、オプトアイソレータ、デジタルまたはアナログのバッファ、アナログ積分器、他の電気回路、光ファイバトランシーバ、または、衛星さえによって分離される２つのデバイスは、ある１つからの信号が他方に届く場合、たとえ信号が中間のデバイスによって変更されても、回路通信状態になる。最後の例として、２つのデバイスは、お互い直接接続されないが、第３のデバイス（例えば、ＣＰＵ）でインターフェースすることができる２つのデバイスは、回路通信状態になる。本明細書中に使用されるように、「入力」は信号または値のどちらかを言及し、「出力」は信号または値のどちらかを言及する。
【００２０】
図１について今言及すると、本明細書中に言及される力は概略的に示される。この図において、車両１０は、タイヤに影響する長軸方向の力Ｆｘ、長軸方向（円周方向）のトルクＭｙ、および横方向の力Ｆｙと共に概略的に示される。図１に示されないが、利害のある別の力として、長軸方向の力Ｆｘおよび横方向の力Ｆｙに垂直である垂直方向の力Ｆｚがある。
【００２１】
図２について今言及すると、本発明による車両コントロールシステム２０が概略的に示される。最も広い意味において、車両コントロールシステム２０は、力予測ユニット２２を含み、少なくとも１つのタイヤ側壁変形センサと共に回路通信状態で設置される。好適には、タイヤ側壁変形センサは磁気タイヤ側壁ねじれ（ＳＷＴ）センサである。力予測ユニット２２は、前もってプログラムされたプロセッサ（図示せず）を有する。前もってプログラムされたプロセッサは、少なくとも１つのＳＷＴセンサからの入力および少なくとも１つの他のセンサ入力を受信し、前もって収集されたデータから判定された定数を有する前もってプログラムされた式を実施することによってデータ分析を行い、少なくともＳＷＴ入力および少なくとも１つの他のセンサ入力から、タイヤに影響する予測された円周トルクおよび／または長軸方向の力および／または横方向の力および／または垂直方向の力に対応する出力を判定する。力予測ユニット２２はまた、ＳＷＴセンサおよび他のセンサと共に、任意の必要な信号調整およびデータ処理を行い得る。
【００２２】
図２に関して、好適な実施形態において、力予測ユニット２２は、車両２０のそれぞれのタイヤ３０に対して一対の磁気ＳＷＴセンサ２６、２８と回路通信状態で設置される。しかし、力予測ユニット２２は、１つのタイヤ３０のセンサ２６および別のセンサ（例えば、その１つのタイヤ３０についての力予測を提供するための別のＳＷＴセンサ２８またはＡＢＳスピードセンサ（図示せず））とほとんど一緒に使用され得ない。好適には、力予測ユニット２２はコントロールユニット３２と回路通信状態で設置される。コントロールユニット３２は回路通信状態であり、１つ以上のアクチュエータ３４を介して車両２０の動態に影響を及ぼす。当業者に公知であるコントロールユニット３２およびアクチュエータ３４の例は、ブレーキングアクチュエータを備えたＡＢＳコントロールユニット、ブレーキングおよびスロットアクチュエータを備えたトラクションコントロールシステム（ＴＣＳ）コントロールユニット、ブレーキングおよびスロットアクチュエータを備えた電子スタビリティコントロール（ＥＳＣ）（統合車両動力としても公知である）コントロールユニット、ロック差動コントロールユニットサスペンションコントロールユニット、ブレーキングアクチュエータを備えたブレーキアシストコントロールユニット、車両スロットアクチュエータを備えたインテリジェントクルーズコントロールユニット、ステアリングアクチュエータを備えたステアリングアシストコントロールユニット、デフレーション検出コントロールユニット、ナビゲーションコントロールユニット、ロールオーバー防止コントロールユニット、およびブレーキングアクチュエータを備えたブレーキバイワイヤ（ｂｒａｋｅ−ｂｙ−ｗｉｒｅ）のコントロールユニットの１つ以上の組み合わせおよび順列を含む。これらの例示のコントロールユニット３２およびアクチュエータ３４は、（長軸方向の力および／または加速度のための）長軸方向の加速度計、（横方向の力および／または加速度のための）横方向の加速度計、垂直荷重センサ、ホイールスピードセンサ、およびヨーレートセンサの１つ以上のセンサを必要とする。これら全てのセンサは、本発明の教示と共に１つ以上のＳＷＴセンサに取って代わり得る。
【００２３】
力予測ユニット２２は、アナログおよびデジタル回路部、プロセッサなどの様々な組み合わせで実現され得る。コントロールユニットは、別個の回路部およびプロセッサ（単数または複数）、または力予測ユニット２２を実現するために使用される回路部およびプロセッサ（単数または複数）を備えて実現され得る。好適には、力予測ユニット２２のデータ処理部分およびデータ分析部分は、専用のアナログ回路部（図示せず）で実行される信号処理と共に、単一のプロセッサで実現される。
【００２４】
図３を参照すると、一対のＳＷＴセンサ２６、２８が対応する磁気タイヤ３０と共に概略的に示される。図３で概略的に示されるように、ＳＷＴセンサ２６、２８と共に用いた磁気タイヤ３０は、好適には、多くの磁極性の交互帯３８を有する。磁気タイヤ３０は、例えば、米国特許第５，８９５，８５４号、および同時継続中の米国特許出願第０９／３４７，７５７号に教示されるように、任意の数の方法で作られ得る。これらの特許出願は、本明細書中で参考として援用され、グリーンタイヤの側壁中に磁気帯を隣接して交互に埋め込み、グリーンタイヤを保存加工する。ＳＷＴセンサ２６、２８自体が、好適には、例えば、磁気抵抗性（ＭＲ）センサ、ホール効果センサ、または磁束ゲートセンサなどの磁気センサであり、タイヤ３０の側壁の磁気領域に十分に密接して位置付けされ、それと共に互いに影響し合う。ＭＲセンサは、エアーギャップを抑えることができる利点があり、広範囲にわたって検査されている。磁束ゲートセンサは、１〜２インチのエアーギャップを配分する利点がある。ホール効果センサは、比較的小さいエアーギャップを必要とする不利点がある。２つのＳＷＴセンサを用いると、一方のセンサ２６は、好適には、トレッド４０の近くに位置され、他方のセンサ２８は、好適には、ビード４２の近くに位置される。ただ１つのＳＷＴセンサが例えば、ＡＢＳスピードセンサ、ＳＷＴセンサなどの別のセンサと共に使用される場合、ＳＷＴセンサ２６は、好適には、ビード４２よりトレッド４０に隣接して位置され、ねじれの変形に対してより大きな感度を提供する。
【００２５】
図４および図５をここで参照すると、自動車サスペンションストラウト５０へのセンサー２６、２８の実装が示される。好適には、センサー２６、２８は、実装ブラケット５２を介してサスペンションストラウト５０に実装される。図４および図５において、センサー２６，２８は、モデル番号ＫＭＺ１０Ａ磁気抵抗（ＭＲ）センサーであり、Ｐｈｉｌｉｐｓに利用可能である。実装ブラケット５２は、好適には、ホール効果センサー２６，２８の平坦な端部が磁性タイヤ（ｍａｇｎｅｔｉｃ ｔｉｒｅ）３０の側壁に実質的に平行になるように構成される。好適には、ＭＲセンサー２６、２８の平坦な端部は、そのタイヤ３０に横方向に働く力が無い場合、磁性タイヤ３０の側壁から１２．５ｍｍにある。横方向の力が働くと、エアギャップは、約８ｍｍ〜約２５ｍｍの範囲になると考えられ得る。タイヤの側壁は、通常、大きな曲率（ｐｒｏｎｏｕｎｃｅｄ ｃｕｒｖａｔｕｒｅ）を有するので、実装ブラケット５２は、好適には、一対の斜（すなわち、平行ではない）面５４、５６をセンサー２６、２８にそれぞれ提供する。実装ブラケット５２は、任意の適切な手段によってサスペンションストラウト５０に固定され得る（例えば、図４および図５に示されるようなボルト５８およびナット６０等の適切な結合部（ｆａｓｔｅｎｅｒ）を用いて、ストラウト５０を実装ブラケット５２を一体化する）。センサー２６、２８は、適切なファスナー（例えば、図４および図５に示されるようなボルト６２およびナット６４）を用いる任意の適切な手段によって、または、任意の他の適切な手段によって実装ブラケット５２に固定され得る。ワイヤ６６、６８は、力予測装置（ｆｏｒｃｅ ｐｒｅｄｉｃｔｉｏｎ ｕｎｉｔ）２２と連絡するセンサー２６、２８を回路に配置する。
【００２６】
実装ブラケットはまた、センサー２６、２８の間の線セグメントが、磁性タイヤ３０の連続した磁性バンド３８間の磁性障害線（ｍａｇｎｅｔｉｃ ｉｎｔｅｒｆａｃｅ ｌｉｎｅ）に用いられ得る程度に平行であるように、センサー２６、２８を固定することが好適である。このように、自由な回転状態において、センサー２６、２８は、好適には、好適には、１つのバンド３８から次のバンドへの移行を同時に検出する（すなわち、２つのセンサー信号間の存在しないかまたは僅かな位相差がある）。ねじれ変形（例えば、ブレーキを用いることによって生じる）は、例えば、タイヤベッド４２に対してタイヤトレッド４０が回転するという形で現れ、これにより、タイヤ磁性障害線は、センサー２６と２８との間の線セグメントにもはや平行ではない。ねじれ変形は、ＳＷＴセンサー２６、２８により、２つの信号間の位相変位の変化として検出される（すなわち、１つの磁性バンド３８から次のバンドへの移行は、１つのセンサーによって検出される。他の場合、その移行は、遅かれ早かれ、他のセンサに応答して１つのセンサによって検出される）。この構成のセンサー２６、２８からの信号は、正弦波信号である。
【００２７】
図４および図５のセンサー２６、２８は、１８０°位置（１２時位置）にて配置され、円周トルク（ｃｉｒｃｕｍｆｅｒｅｎｔｉａｌ ｔｏｒｑｕｅ）および横方向の力Ｆｙを分離することに最高の感度を提供する。さらに、円周トルクおよび垂直方向の力Ｆｚを分離することに最高の感度を提供するために、タイヤ毎に９０°または２７０°位置（３時または９時位置）のどちらかに第２の一対のＳＷＴセンサを位置することが好適である。しかし、９０°または２７０°位置にセンサーを提供することは、挑戦的なことであることが証明されている。これらの位置のどちらかのセンサーは、１３５°に位置する一組のＳＷＴセンサーが、横方向の力Ｆｙ、および、垂直方向の力Ｆｚの両方から円周トルクを分離するように、情報を提供すると考えられる。代替的には、単一の追加的な外部センサーは、９０°または２７０°のどちらかの位置に追加的な一対のセンサーを用いるのではなく、９０°または２７０°のどちらかにて用いられ得る。この場合、９０°または２７０°位置のセンサーの位相は、１８０°位置の内部センサーに対して計測される。
【００２８】
力予測装置２２は、好適には、（ａ）２つのセンサー２６、２８の信号間の位相変化（タイヤの側壁のねじれ変形によって生じる）に対する（好適には、この位相変化を表示する）少なくとも１つの位相差入力、および、（ｂ）センサー２６と側壁との間の変化しているエアギャップの長さに対する（好適には、このエアギャップの長さを表示する）外部センサー２６からのピーク振幅入力を入力として受容する。さらに好適には、力予測装置２２は、また、（ｃ）自動者の速度（自動車の速度は、ＳＷＴセンサーの１つの各領域の期間から決定され得る）に対する（好適には自動車の速度を表示する）値、および、（ｄ）外部センサー２６からのピーク振幅信号と内部センサー２８のピーク振幅信号との間の差に対する（好適には表示する）デルタ入力をさらなる入力として受容する。速度入力により、力予測装置は、より高速度での遠心力による側壁への効果およびより低速度でのタイヤへの緩和現象の効果を引き起こし得る。さらに、ピーク振幅入力によって倍加された位相差入力等の所定のクロス項（ｃｒｏｓｓ ｔｅｒｍ）により、力予測装置は、二乗誤差の非常に小さい平均和（ｖｅｒｙ ｌｏｗ ｍｅａｎ ｓｕｍ ｏｆ ｓｑｕａｒｅｄ ｅｒｒｏｒ）で学習され得る。したがって、本発明による力予測装置（ニューラルネットワークおよび双一次方程式の組等）は、任意の１以上の以下のものを入力として有する；各センサーペアに対する１位相差、各センサーに対するピーク振幅入力、好適には各外部センサーのペア、速度入力、各センサーペアに対するデルタピーク入力および各センサーペアに対するクロス項（ピーク振幅入力によって倍加された位相差入力）、例えば、このセンサーペアは、予測される力および／またはトルクに依存して、９０°および／または１３５°および／または１８０°および／または２７０°に位置されている。
【００２９】
ここで図６および図７を参照して、タイヤ３０とセンサー２６、２８との間の位置関係への横方向の力による効果は、模式的に示される。タイヤ３０およびリム７０について、自由回転状態は、点線で示され、横方向の力の影響下は、実線で示される。簡潔に言うと、横方向の力は、センサー２６、２８とタイヤ３０との間の距離を大きくする。図６に示された力とは逆方向の横方向の力は、センサー２６、２８とタイヤ３０との間の距離を小さくする。距離のこれらの差は、センサー２６、２８からの信号の振幅変化に反映される。
【００３０】
直前の２つの段落に記載されたＳＷＴセンサーに対する比較的にまっすぐな概念的なフレームワークは、横方向の力および縦方向の力がある程度まで結合されているので、用途において大きく複雑化される。これは、図８および図９に例示される。図８は、（円周トルクの存在の下での）正規化された横方向の力および外部ＳＷＴセンサー２６の時間に対する正規化された振幅（実施例１のデータ収集セクションによるＭＴＳモデル８６０ トレッドウェア機（ｔｒｅａｄ ｗｅａｒ ｍａｃｈｉｎｅ）（ＭＴＳ Ｓｙｓｔｅｍｓ Ｃｏｒｐｏｒａｔｉｏｎに利用可能である）で収集された、Ｃｏｎｔｉ Ｓｐｏｒｔ Ｃｏｎｔａｃｔ，２４５／４０ Ｒ１８ 磁性側壁タイヤからのデータ）のプロットを示す。図８に示されるように、円周トルクの存在下において、外部ＳＷＴ センサー２６の正規化された振幅は、横方向の力の質の悪い予測値である。同様に、図９は、（横方向の力の下での）正規化された円周トルクおよび２つのＳＷＴセンサー２６，２８間の時間に対する正規化された位相変位（実施例１のデータ収集セクションによるＭＴＳモデル８６０ トレッドウェア機で収集された、Ｃｏｎｔｉ Ｓｐｏｒｔ Ｃｏｎｔａｃｔ，２４５／４０ Ｒ１８ 磁性側壁タイヤからのデータ）のプロットを示す。図９に示されるように、横方向の力の存在により、明らかに、円周トルクの予測値として２つのＳＷＴセンサー２６、２８間の正規化された位相差を用いる場合、クロス項誤差を引き起こす。
【００３１】
本発明は、本発明の力予測装置２２を用いることによって上記の弱点を克服する。本発明は、タイヤに作用する円周トルクおよび横方向の力を決定するために、ＳＷＴセンサー２６、２８の両方からの入力を用いる。
【００３２】
本発明の力予測装置２２の第１の実施形態において、力予測装置２２のプロセッサは、ソフトウェアまたはハードウェアのいずれかにおいて、ニューラルネットワークを用いる。好適には、ニューラルネットワークは、タイヤに作用する円周トルクおよび横方向の力の両方を決定するように構成される；しかし、ニューラルネットワークは、以下に記載された１以上の任意の要素の任意の組み合せおよび順列を決定するように構成され得る；タイヤに作用する横方向の力、タイヤに作用する円周トルク、タイヤに作用する縦方向の力、タイヤに作用する垂直方向の力、任意の１以上の上述した要素をその構成成分として有する力および／またはトルク。好適には、外部ＳＷＴセンサー２６の大きさ（振幅）および２つのセンサー２６、２８の信号の位相差は、ニューラルネットワークに入力され、所望の変数が出力される。さらに好適には、外部ＳＷＴセンサー２６からの信号と内部ＳＷＴセンサー２８からの信号との大きさ（振幅）の差は、さらなる入力として用いられる。力予測装置２２のニューラルネットワークは、好適には、多層パーセプトロンであり、さらに好適には、１入力層、１隠れ層（例えば、５〜２０のノードを有する）および１出力層を有する多層のパーセプトロンである。層の間の機能の変換について、非線形の、双曲線正接のＳ字状の変換関数は、好適には、入力層と隠れ層との間で用いられ、線形関数は、好適には、隠れ層と出力層との間で用いられる。双曲線正接のＳ字状の変換関数は、好適には、次のように用いられる：
ｔａｎｓｉｇ＝（２／（ｅ−２ｎ−１））−１
ここで、
ｎ＝Ｗ・ｐ＋ｂ
Ｗ＝重さ行列
ｂ＝バイアス値の行列
ｐ＝入力値の行列
であり、Ｗ・ｐは、行列積を示す
もちろん、力予測装置２２のニューラルネットワークは、以前に収集されたデータを用いて学習されなければならない。この学習は、力予測装置２２のニューラルネットワークを以前に収集されたデータを用いて学習する方法を全体的に示すフローチャート１００である図１０によって例示される。最初に、工程１０２において、データが収集される。一般に、所望の力およびトルクは、例えば、機器を備えたハブ（ｉｎｓｔｒｕｍｅｎｔｅｄ ｈｕｂ）または動力計から収集される。好適な実施形態において、タイヤに作用する円周トルクおよび横方向の力と、未加工のＳＷＴセンサーデータとは、測定され、相互作用しているトルクおよび力の全スペクトルを提供する異なる素数である円周トルクおよび横方向の力の周波数を用いて、ＭＴＳモデル８６０トレッドウェア機（ＭＴＳ Ｓｙｓｔｅｍｓ Ｃｏｒｐｏｒａｔｉｏｎにて利用可能）で収集される。データ（例えば、一秒当たりに２５，０００個〜１，０００，０００個のサンプル、通常、一秒当たり５０，０００個のサンプル）が収集される。
【００３３】
次に、工程１０４において、未加工の正弦波状のＳＷＴセンサーデータは、ニューラルネットワークへの入力を計算するように処理される。好適な実施形態において、位相および２つの振幅は、未加工のＳＷＴセンサーデータのピークおよびゼロ点交差から計算される。さらに、詳細には、
（ａ）位相差は、以下のように決定される：（ｉ）平均値は、全てのデータから引かれる、（ｉｉ）それぞれの山領域およびそれぞれの谷領域にて、多項式は、山または谷に沿ってフィットしている、（ｉｉｉ）結果として生じる多項式の最大値／最小値が決定される（例えば、差分をゼロに設定し、水平正接（ｈｏｒｉｚｏｎｔａｌ ｔａｎｇｅｎｔ）を決定する）、（ｉｖ）１信号の山／谷の時間は、他の信号の山／谷の時間から引かれる、（ｖ）結果として生じる差は、「半周期」（前の山／谷からこの谷／山までの時間）；
（ｂ）外部ＳＷＴセンサー２６からの信号の振幅は、以下のように決定される：（ｉ）平均値は、センサー２６からの全てのデータから引かれる、（ｉｉ）それぞれの山領域およびそれぞれの谷領域にて、多項式は、山または谷に沿ってフィットしている、（ｉｉｉ）結果として生じる多項式の最大値／最小値が決定される（例えば、差分をゼロに設定し、水平正接を決定する）、（ｉｖ）処理された信号は、誤差修正される（例えば、各データ点の絶対値を求めることにより、）、および（ｖ）フィットした多項式のそれぞれ最大時の振幅がその信号の振幅として用いられる；
（ｃ）２つのＳＷＴ信号振幅の間のピーク差は、以下のように決定される：（ａ）上述の工程（ｂ）によって計算される内部センサー２８からの信号のピーク振幅は、上述の（ｂ）において決定されたように外部センサー２６からの信号のピーク振幅から引かれる。
センサーからの信号の正弦波の性質が、実際のセンサーデータの代わりにフィット多項式を用いることを容易にする。さらに、位相および振幅の入力にフィット多項式を用いることは、用いない場合に誤った計算を引き起こす任意のノイズを小さくするか、または取り除く傾向にある。
【００３４】
位相および２つの振幅を計算した後、次にステップ１０６でこれらの入力を種々の訂正方法を使用して訂正する。訂正方法の１つの実施例を以下に示す。１円周当たり４８Ｎ極および４８Ｓ極が存在するように磁化されたタイヤに対して、内部および外部ＳＷＴセンサ信号は、タイヤの１回転当たり４８波長の周波数を有する正弦波（すなわち、タイヤの回転ごとに４８の「ピーク」振幅および４８の「谷」振幅が存在する）に非常によく似る。信号から平均値を引くと、各回転は９６の「ゼロ」交差を生成する。加えて、信号を整流すると（各谷を山に変換する）、９６ピーク振幅が存在する。ＮｕｍＰｏｌｅｓは、タイヤの円周のＮおよびＳ磁極の数を表す。したがって、この特定のタイヤに対して、パラメータＮｕｍＰｏｌｅｓは９６である。一様な速度、すなわちトルクまたは横方向の力が作用しない一定の速さに対して、ゼロ交差間の時間差またはピーク振幅間の時間差は、極ピッチを規定する。極間隔が一様であると、各極間は３６０度／９６＝３．７５度または２Ｐｉ／９６＝０．０６５４ラジアンである。しかし、実際には、極間隔が特定のタイヤに対して完全に一様であるのはまれである。したがって、９６極間隔値の各々には誤差が伴う。しかし、この誤差は、特定のタイヤにかかるジオメトリ（ｇｅｏｍｅｔｒｙ）および磁化プロセスによるものである。各極間隔値の誤差はタイヤが回転するごとに繰り返される。これらの誤差は、極ピッチだけでなく、内部および外部ＳＷＴセンサ信号間の位相差にも影響を及ぼす。タイヤにトルクおよび横方向の力のいずれも作用しない場合、これら２つの信号間の位相差は９６の一定の値からなる。したがって、以下の方法を使用して極間の位相誤差を訂正することができる。
【００３５】
まず、（１）ＳＷＴ位相データを一様速度（トルクおよび横方向の力のいずれも存在しない）で収集する。ついで、（２）（１）で収集された位相データのベクトルからゼロ交差（「平均値」交差）ならびにピークおよび谷振幅を計算する。次に、（３）谷振幅がピーク振幅になるようにデータを整流する。ついで、（４）ベクトル化データをＮｕｍＰｏｌｅｓセットおよびそのセットのアンサンブル平均Ｎに分割する、すなわち、
【００３６】
【表１】
【００３７】
あるいは、（９）データは移動平均を使用してフィルタリングされたデータであってもよい（平均化されるポイント数は２〜ＮｕｍＰｏｌｅｓである）。
【００３８】
振幅データは、乗法誤差訂正の常法を使用して同様に訂正される。上記の加法訂正誤差アルゴリズムにおいて記載されたのと同じステップ１〜５を行うが、そのステップをＳＷＴ振幅データに適用する。しかし、ステップ６において、Ａｖｅｒａｇｅから総平均を引く代わりに、総平均をＡｖｅｒａｇｅで割って訂正値からなるベクトルを形成する。ステップ７で、データ行列全体に訂正値のベクトルをかける。これにより、すべての振幅データが訂正される。ステップ８および９は、加法訂正値と同様に行われる。
【００３９】
次に、ステップ１０８において、訂正された位相データおよび２つの訂正された振幅を正規化する。すなわち、当業者に公知の常法によって−１〜＋１のスケールにする。
【００４０】
ついで、ステップ１１０で、大きなデータセットを種々のセット（例えば、トレーニングセット、検証セット、およびテストセットなど）に分割する。
【００４１】
次に、ステップ１１２で、トレーニングデータセットを使用してニューラルネットワークをトレーニングする。好ましくは、ニューラルネットワークは、公知のＬｅｖｅｎｂｅｒｇ−Ｍａｒｑｕａｒｄｔ法を使用してトレーニングされる（早くにトレーニングを停止する）。通常のバックプロパゲーションを使用してネットワークをトレーニングし得るが、収束するのに非常に長い時間がかかる。好ましくは、検証データセットを使用して検証誤差（二乗誤差加算平均（ｍｅａｎ ｓｕｍ ｏｆ ｓｑｕａｒｅｄ ｅｒｒｏｒｓ）を決定する。この検証誤差を使用して、いつニューラルネットのトレーニングを停止すればニューラルネットがノイズにはまらずに適切に一般化するかを決定する。より好ましくは、ニューラルネットは、特定の回数、好ましくは５回、検証データが増加するまでトレーニングされる。検証誤差が増加し始める直前のトレーニング回（６回前）からの重みが最後の重みとして使用される。あるいは、ニューラルネットワークは、トレーニングデータセットの二乗誤差加算平均が０．０００１以下となるまでトレーニングされる。
【００４２】
最後に、タスク１１６で、重みがテストデータセットを使用し、テストデータセットをトレーニングされたニューラルネットワークに与え、そして二乗誤差加算平均を計算することによってテストされる。二乗誤差加算平均が比較的小さい、好ましくは約０．００１８のオーダー、より好ましくは０．００１８より小さいと、重みはこの最後のテストに合格する。二乗誤差加算平均が比較的高い、すなわち、０．００１８より有意に高いと、別のニューラル構造（例えば、より多くまたはより少ない隠れニューロン、おそらくさらなる隠れ層など）を使用すべきである。
【００４３】
さらに、ニューラルネットワークの重みは、少なくとも１つの計装ハブ（例えば、モデル２４２電子機器およびモデル６６１３車輪センサ（ともにＧＳＥ社））を有する車から収集されたＳＷＴ生データならびに力およびトルクデータを使用して検証およびテストされ得る。
【００４４】
現在、各タイプのタイヤ（例えば、Ｃｏｎｔｉｔｒａｃ ＡＷ Ｐ２７５／６５ Ｒ１７と比較されるようなＡｍｅｒｉ＊Ｇ４Ｓ Ｐ２０５／７０ Ｒ１５と比較されるようなＣｏｎｔｉ Ｓｐｏｒｔ Ｃｏｎｔａｃｔ、Ｐ２４５／４０ Ｒ１８）は、異なる静的および動的特性を有するので、各タイプのタイヤは別のデータ収集およびトレーニングを必要とすると考えられる。さらに、同じタイプの特定のタイヤにおける特定の変動は、個別化されたパラメータが力予測部２２によって使用できることを保証するのに十分な異なる特性を有し得る。したがって、力予測部２２中のプロセッサは、車１０の特定タイプの磁気タイヤ３０または車１０の特定タイヤに対して適切なニューラルネットワーク重みを使用するための所定の手段を有する必要がある。例えば、力予測部２２は、複数のあらかじめロードされた重み、層数、隠れノード数などを複数の異なるタイプのタイヤに対して有し得る。この場合、力予測部２２は、車１０に取り付けられた特定タイプのタイヤ３０を通知されるだけでよい。力予測部２２は、多くの手段（例えば、ＳＷＴセンサのうちの１つに磁気コード（例えば、タイヤの側壁などに埋め込まれたバーコードなどの形態の、あらかじめ選択された一続きの磁気遷移）を読ませ、選択的に接続可能なコンピュータまたはインターフェースペンダント（ｉｎｔｅｒｆａｃｅ ｐｅｎｄａｎｔ）（これを介してタイヤのタイプを選択する）などの外部デバイス１２０（図２）と通信し、これにより力予測部２２が適切な重み、層数、隠れノード数などを車に取り付けられたタイヤと関連させる）によって、車１０に取り付けられた特定タイプのタイヤ３０を通知される得る。加えて、または別に、力予測部２２は、重み、層数、隠れノード数などのニューラルネットワークパラメータを、選択的に接続可能なコンピュータまたはインターフェースペンダントなどの外部デバイス１２０（図２）から直接または間接的に受信するための通信回路を有し得る。
【００４５】
加えて、好ましくはニューラルネットワークは、実時間でその重みを最適化するようにトレーニングされる。実時間で最適化するために、妥当なトレーニングデータの有無を決定しなければならない。妥当なＳＷＴセンサデータは、車上の種々のセンサを使用して決定され得る。例えば、典型的にはＥＳＰシステムは、収集されたＳＷＴセンサデータに関連する横方向の力データを測定するために使用され得る横方向の力加速度計を有する。さらに、エンジントルクセンサおよび他のセンサを使用して、収集されたＳＷＴセンサデータに関連する周方向トルクを測定し得る。そのような検証されたデータを使用して再度ニューラルネットワークをトレーニングし、ニューラルネットワーク重みを最適化またはそうでなくとも変更し得る。
【００４６】
ここで図１１および再度、図２を参照する。一旦ニューラルネットワークがトレーニングされ、そして力予測部２２が重み、層数、隠れノード数などを取り付けられたタイヤ３０にロードまたは関連付けると、力予測部２２は、ルーチン２００において一般に記載したようにタイヤ３０に作用する力を予測する。
【００４７】
システムを初期化した後、当業者に公知のように、ステップ２０２でデータを収集しなければいけない。生ＳＷＴセンサデータは実時間様式で収集される。生センサデータは、例えば１秒当たり少なくとも１００，０００サンプルの速度で収集され、そして力予測部２２中のプロセッサ（例えば、ＤＳＰなど）に入力される。あるいは、および好ましくは、生センサデータは、平均交差（位相に対する）およびピーク振幅を決定するアナログ回路によって収集される。これら平均交差およびピーク振幅は、例えばＣＡＮプロトコル通信リンクなどによって力予測部２２中のプロセッサ（例えば、ＤＳＰなど）に送信される。生センサデータはニューラルネットワークに入力される。
【００４８】
次に、ステップ２０４で、生ＳＷＴセンサデータを処理してニューラルネットワークへの入力を計算する。好適な実施形態において、位相および２つの振幅は、アナログ回路を使用して生ＳＷＴセンサデータのピークおよびゼロ交差から計算される。例えば、アナログ回路は、位相ロックループ（ＰＬＬ）を用いて位相差を決定し得る。アナログ回路は、各信号を積分し、ピーク値を保持し、そしてピーク値を返すことによってＳＷＴセンサ２６、２８の両方からの信号の振幅を決定し得る。これらの位相および両方のピークは、例えばＣＡＮプロトコル通信リンクによって、力予測部２２中のプロセッサに送信される。プロセッサは、一方のピークを他方のピークから引くことによって２つのＳＷＴ信号振幅間の差を決定する。
【００４９】
位相および２つの振幅を計算した後、次に、ステップ２０６でこれらの入力を種々の訂正方法を使用して訂正する。好ましくは、位相データを上記の加法訂正アルゴリズムを使用して訂正する。好ましくは、両方の振幅を上記の乗法誤差訂正アルゴリズムを使用して訂正する。
【００５０】
次に、ステップ２０８で、図１０のステップ１０８でデータを正規化するために使用された正規化パラメータと同じものを使用して、位相データおよび２つの振幅を正規化する、すなわち、当業者に公知の常法で−１〜＋１のスケールにする。
【００５１】
最後に、力予測部２２は、スケール化された訂正データを使用して予測力を決定する。一般に、力予測部２２は、以下のいずれかの１つ以上の組み合わせまたは並び替えを決定する：タイヤに作用する横方向の力、タイヤに作用する周方向のトルク、タイヤに作用する縦方向の力、タイヤに作用する垂直方向の力、ならびに上記の任意の１つ以上を成分として有する力および／またはトルクである。これらの決定された力およびトルクは本明細書中で「予測された」と称する。好ましくは、力予測部２２は、タイヤに作用する予測された円周トルクを決定する。好ましくは、力予測部２２は、タイヤに作用する予測された横方向の力を決定する。なおさらに好ましくは、力予測部２２は、タイヤに作用する予測された横方向の力およびタイヤに作用する予測された周方向のトルクを決定する。
【００５２】
最後に、タスク２１２で、制御部３２は、力予測部２２によって予測された力および／またはトルクに応じるアクチュエータ３４を介して車２０の動的状態を変更する。加えて、または別に、制御部は、ディスプレイ部（図示せず）上に任意の好ましいパラメータの定性または定量表示を生成し得る。定性表示は、予測された力および／またはトルクをベースラインまたはしきい力および／またはトルクと比較し、そしてその比較の結果に基づいて適切な表示を表示することによってなされる。定量表示は、予測された力および／またはトルク、ならびに／またはそこから得られる値の数値表示であり得る。
【００５３】
本発明の力予測部２２の第２の実施形態において、力予測部２２のプロセッサは、双一次方程式をソフトウェアまたはハードウェアで実施する。好ましくは、２つの双一次方程式（１つは横方向の力、１つは周方向のトルクのためのもの）がある。しかし、力予測部２２は、各予測された力またはトルクに対して１つの双一次方程式を使用して以下の任意の１つ以上の組み合わせまたは並び替えを決定するように構成される：タイヤに作用する横方向の力、タイヤに作用する周方向のトルク、タイヤに作用する縦方向の力、タイヤに作用する垂直方向の力、ならびに上記の任意の１つ以上を成分として有する力および／またはトルクである。好ましくは、外部ＳＷＴセンサ２６の大きさ（振幅）および２つのＳＷＴセンサ２６、２８の信号間の位相差は、各双一次方程式において使用される。なおさらに好ましくは、外部ＳＷＴセンサ２６からの信号および内部ＳＷＴセンサ２８間の大きさの差は、各双一次方程式においてさらなる変数として使用される。したがって、好ましくは双一次方程式は以下の形態である：
Ｍｙ＝ｋ１＋ｋ２・ｐ＋ｋ３・ａ＋ｋ４・ｄ＋ｋ５・ｐ・ａ
Ｆｙ＝ｋ６＋ｋ７・ｐ＋ｋ８・ａ＋ｋ９・ｄ＋ｋ１０・ｐ・ａ
ここで、
ｐ＝１８０度位置のＳＷＴ位相（ラジアン）、
ａ＝１８０度位置の外部センサ２６のＳＷＴ振幅（ｍｍ）、
ｄ＝ＳＷＴ外部および内部振幅間の差（ｍｍ）、
Ｍｙ＝周方向のトルク（ｋＮ−ｍ）、
Ｆｙ＝横方向の力（ｋＮ）、
ｋ１〜ｋ１０＝双一次フィット（ｆｉｔ）からの定数。
【００５４】
定数ｋ１〜ｋ１０は、当該分野で公知の標準の多重線形回帰法を使用して決定される。より詳細には、双一次方程式は以下の通りに決定される。まず、ステップ１０２〜１０８を伴って本明細書で上記されたように、ステップ１０２〜１０８を行う。その結果、１セットの訂正された正規化データが得られる。ついで、定数ｋ１〜ｋ１０は、ＭＡＴＬＡＢにおいてＸ上でＹを回帰させることによって以下のように計算される：
Ｘ＝［ｏｎｅｓ（ｎ，１）Ｘ］；
ＸＴＸＩ＝ｉｎｖ（Ｘ’＊Ｘ）；
ＣＯＥＦ＝ＸＴＸＩ＊Ｘ’＊Ｙ；
ここで、
ｎは、サンプル数、
Ｘは、すべての位相データ、振幅データ、デルタデータ、および位相＊振幅データを含む行列、
Ｙは、予測された力／トルクのベクトルである。
【００５５】
本発明の力予測部の双一次方程式実施形態の使用は、図１１のフローチャートと同一である。ただし、ステップ２１０で、力および／またはトルクは、ニューラルネットワークを使用するのではなく双一次方程式を使用して予測される。
【００５６】
双一次方程式はトレーニングされたニューラルネットワークと同様には機能しないように見えるが（以下の実施例を参照）、双一次方程式からの予測は所定の環境下では十分に満足し得る。
【００５７】
上記の力およびトルクに加えて、本発明を用いて車制御システムに有用な種々の計算された値を獲得または決定し得る。例えば、摩擦係数は、本発明によって（例えば、Ｆｚ／ＦｙおよびＦｚ／Ｆｘを使用することによって）決定されるＦｘ、ＦｘおよびＦｚから計算され得る。別の実施例として、車に対するヨー（ｙａｗ）レートは、適切な車ダイナミックス方程式を解くことによって決定され得る。この車ダイナミックス方程式を解く工程は、予測された力方程式を積分して、本発明によって決定される、ヨーモーメントに関連する適切な角レートまたは角速度を計算する工程を含む。
【００５８】
（実施例１−ニューラルネットワーク）
第１に、Ｃｏｎｔｉ Ｓｐｏｒｔ Ｃｏｎｔａｃｔ，２４５／４０ Ｒ１８磁性側壁タイヤは、硬化前に側壁に埋め込まれた２００ｐｈｒ（１００分の１）のストロンチウムフェライトパウダーを用いて、米国特許第５，８９５，８５４号、および同時継続中の米国特許第０９／３４７，７５７号に記載されるように調整された。４８個のＮ極と４８個のＳ極とが交互に設けられている９６個の電磁石を用いて、埋め込まれたストロンチウムフェライトを磁化して磁気飽和させた。
【００５９】
次に、Ｃｏｎｔｉ Ｓｐｏｒｔ Ｃｏｎｔａｃｔタイヤは、以下のように、ＭＴＳ Ｓｙｓｔｅｍｓ Ｃｏｒｐｏｒａｔｉｏｎから入手可能なＭＴＳ Ｍｏｄｅｌ ８６０ ｔｒｅａｄ ｗｅａｒ ｍａｃｈｉｎｅ上に搭載される。磁性側壁タイヤは精密リムに搭載された。ＳＷＴセンサの２部品（Ｐｈｉｌｉｐｓ ＫＭＺ１０Ａ磁気抵抗センサ）がＭＴＳ ｍａｃｈｉｎｅに固定された支柱に搭載された。この２部品は、１８０°で外部対および内部対を有し、９０°で外部対および内部対を有し、図４および図５に示されたブラケットを用いる各センサ対は、タイヤを有する側壁の面から約１２．５ｍｍ離して固定して配置される。
【００６０】
ＭＴＳ Ｍｏｄｅｌ ８６０ ｔｒｅａｄ ｗｅａｒ ｍａｃｈｉｎｅ上に搭載されたＣｏｎｔｉ Ｓｐｏｒｔ Ｃｏｎｔａｃｔタイヤに対して、横方向の力ＦｙおよびトルクＭｙが、図１２に示されるように正弦波状に変動した。この横方向の力は０．１６６７Ｈｚにおいて正弦波状に変動し、トルクは０．１００Ｈｚにおいて正弦波状に変動した。タイヤは１時間当たり５０マイルの一定のシミュレートされた速度で回転された。
【００６１】
これらの状況下では、３０秒（７５０，０００サンプル）のデータ、すなわち円周トルク、横方向の力、およびタイヤに作用する垂直方向の力、インフレーション（ｉｎｆｌａｔｉｏｎ）圧、および生ＳＷＴセンサデータが、１秒当たり２５，０００サンプルで収集された。
【００６２】
次に生のＳＷＴセンサデータがニューラルネットワークへの入力を計算するように処理された。すなわち、２つのセンサ信号間の位相差（ラジアン）、外部センサ２６からの信号の振幅（ｍｍ）、および２つのセンサ２６および２８間の振幅差（ｍｍ）が、生ＳＷＴセンサデータのピークおよび交差しない部分（ｚｅｒｏ−ｃｒｏｓｓｉｎｇ）から計算された。より詳細には、位相差は上述の多項式当てはめ法を用いて決定され、外部ＳＷＴセンサ２６からの信号の振幅は上述の多項式当てはめのピークを用いて決定され、２つのＳＷＴ信号の振幅間の差は、上述の多項式当てはめを用いて見出されるピーク間の差を用いて決定された。
【００６３】
位相および２つの振幅を計算すると、次のこれらの入力は、上述の加法訂正アルゴリズムを用いて訂正され、両方の振幅は上述の乗法エラー訂正アルゴリズムを用いて訂正された。
【００６４】
次に、位相データおよび２つの振幅が正規化された。すなわち、各パラメータについて、最大値と最小値とを減算し、最大値で除算し、この結果の値と各データセットとを乗算することによって、−１〜＋１の間でスケーリングする。
【００６５】
次いで、大きなデータセットが３つのセット（すなわち、トレーニングセット、バリデーションセット、およびテストセット）に分割された。
【００６６】
次に特定の構造がニューラルネットワークに対して選択された。この特定の例では、図１３に示されるように、９個の隠れノードを有する単一の隠れ層が使用された。双曲線正接Ｓ字状関数が入力と隠れ層との間で使用された。線形関数が隠れ層と出力との間で使用された。図１３の３つの入力（Ｐｈａｓｅ１８０、Ａｍｐ１８０Ｏｕｔ、およびＡｍｐＤｅｌｔａ１８０）における「１８０」は、センサ２６およびセンサ２８が、タイヤの「１２時の位置」（すなわち、車両上に観測されるようにタイヤの側壁の上部）において搭載され、従ってデータがその位置から収集されるという事実を示す。この９０°データを用いて、垂直方向の力Ｆｚを決定する。
【００６７】
次に、以下のＭａｔｌａｂニューラルネットワークオブジェクトを使用するＭａｔｌａｂを用いてニューラルネットワークをトレーニングするために、トレーニングデータセットが使用された。
【００６８】
【数１】
【００６９】
この手順を使用すれば、入力と隠れ層との間の以下の重み付けが決定された。
【００７０】
【表２】
【００７１】
【表３】
【００７２】
【表４】
【００７３】
【表５】
【００７４】
図１４および図１５は、バリデーションセットにおいて測定されたデータと比較した場合の予測の近さのグラフィカル表現を示す。これらの重み付けを使用すると、ニューラルネットワークによって予測される横方向の力がバリデーションセットにおいて測定された横方向の力に非常に接近する。同様に、ニューラルネットワークによって予測された円周トルクは、バリデーションセットにおいて測定された円周トルクに非常に近い。
【００７５】
（実施例２−双一次式）
この例では、実施例１からのデータは、横方向の力および円周トルクを予測する双一次式の対を決定するために使用された。
【００７６】
２つの式に対する定数は、多重線形最小２乗回帰（ｍｕｌｔｉｐｌｅ ｌｉｎｅａｒ ｌｅａｓｔ ｓｑｕａｒｅｓ ｒｅｇｒｅｓｓｉｏｎ）技術を使用してＭａｔｌａｂによって計算された。
【００７７】
上述の手順を使用して、以下の双一次式が横方向の力および円周トルクを予測するために決定された。
Ｍｙ＝−５．９８３５＋７．４５１７ｐ−０．７７４１ａ＋０．３３１３ｄ＋０．７１０２ｐ・ａ
Ｆｙ＝−３９．６４３３＋７．７３１２ｐ＋６．２４８３ａ＋９．７８４８ｄ−２．８２２２ｐ×ａ
ここで、
ｐ＝１８０°位置におけるＳＷＴ位相（ラジアン）
ａ＝１８０°位置における外部センサ２６のＳＷＴ振幅（ｍｍ）
ｄ＝ＳＷＴ外部振幅とＳＷＴ内部振幅との間の差（ｍｍ）
Ｍｙ＝円周トルク（ｋＮ−ｍ）
Ｆｙ＝横方向の力（ｋＮ）
図１６および図１７は、バリデーションデータセットにおける測定されたデータと比較した場合、予測の近さのグラフィカル表現を示す。これらの双一次式を用いて、予測された横方向の力は、バリデーションセット内の測定された横方向の力に近い。同様に、予測された円周トルクは、バリデーションセット内の測定された円周トルクに近い。図１４〜図１７の検証によって理解されるように、双一次式によって為されたこの予測が、ニューラルネットワークによって為された予測ほど近くないが、双一次式は様々なアプリケーションに有用で利用可能である合理的で正確な予測を提供する。さらに、予測された値と測定された値との間の最大偏差が、いつ与えられた力またはトルクが存在しなくなったかが明らかになる。
【００７８】
（実施例３−ニューラルネットワーク）
Ｃｏｎｔｉｔｒａｃ ＡＷ Ｐ２７５／６５ Ｒ１７磁性側壁タイヤは、硬化前に側壁に埋め込まれた２００ｐｈｒ（１００分の１）のストロンチウムフェライトパウダーを用いて、米国特許第５，８９５，８５４号、および同時継続中の米国特許第０９／３４７，７５７号に記載されるように調整された。４８個のＮ極と４８個のＳ極とが交互に設けられている９６個の電磁石を用いて、埋め込まれたストロンチウムフェライトを磁化して磁気飽和させた。
【００７９】
次に、Ｃｏｎｔｉｔｒａｃ ＡＷ Ｐ２７５／６５ Ｒ１７磁性側壁タイヤは、以下のように、ＭＴＳ Ｓｙｓｔｅｍｓ Ｃｏｒｐｏｒａｔｉｏｎから入手可能なＭＴＳ Ｍｏｄｅｌ ８６０ ｔｒｅａｄ ｗｅａｒ ｍａｃｈｉｎｅに搭載される。磁性側壁タイヤは精密リムに搭載された。ＳＷＴセンサの２つの対をなした部品（Ｐｈｉｌｉｐｓ ＫＭＺ１０Ａ磁気抵抗センサ）がＭＴＳ ｍａｃｈｉｎｅに固定された支柱に搭載された。この２つの対をなした部品は、１８０°で外部対および内部対を有し、９０°で外部対および内部対を有し、図４および図５に示されたブラケットを用いる各センサ対は、タイヤを有する側壁の面から約１２．５ｍｍ離して固定して配置される。
【００８０】
ＭＴＳ Ｍｏｄｅｌ ８６０ ｔｒｅａｄ ｗｅａｒ ｍａｃｈｉｎｅに搭載されたＣｏｎｔｉｔｒａｃ ＡＷ Ｐ２７５／６５ Ｒ１７磁性側壁タイヤに対して、垂直方向の力Ｆｚ、横方向の力ＦｙおよびトルクＭｙが、実施例１に示されるように正弦波状に変動した。この垂直方向の力は０．２５Ｈｚにおいて正弦波状に変動し、この横方向の力は０．１５Ｈｚにおいて正弦波状に変動し、トルクは０．１００Ｈｚにおいて正弦波状に変動した。タイヤは１時間当たり５０マイルの一定のシミュレートされた速度で回転された。
【００８１】
これらの状況下では、２０秒（５００，０００サンプル）のデータ、すなわち円周トルク、横方向の力、およびタイヤに作用する垂直方向の力、インフレーション（ｉｎｆｌａｔｉｏｎ）圧、および生ＳＷＴセンサデータが、１秒当たり２５，０００サンプルで収集された。
【００８２】
次に生のＳＷＴセンサデータがニューラルネットワークへの入力を計算するように処理された。すなわち、（１）２つの１８０°センサ信号間の位相差（ラジアン、Ｐｈａｓｅ１８０）、（２）外部１８０°センサからの信号の振幅（ｍｍ、Ａｍｐ１８０ＯｕｔまたはＡｍｐ１８０）、（３）２つの１８０°センサ間の振幅差（ｍｍ、Ａｍｐ１８０ＯｕｔまたはＤｅｌｔａ１８０）、（４）２つの９０°センサ信号間の位相差（ラジアン、Ｐｈａｓｅ９０）、（５）外部９０°センサからの信号の振幅（ｍｍ、Ａｍｐ９０ＯｕｔまたはＡｍｐ１８０）、（６）２つの９０°センサ間の振幅差（ｍｍ、ＡｍｐＤｅｌｔａ９０またはＤｅｌｔａ９０）、（７）Ｐｈａｓｅ１８０×Ａｍｐ９０Ｏｕｔ（訂正ルーチンが実行された後）（ｐ×Ａ１８０）、（８）Ｐｈａｓｅ９０×Ａｍｐ１８０Ｏｕｔ（訂正ルーチンが実行された後）（ｐ×Ａ９０）が、生ＳＷＴセンサデータのピークおよび交差しない部分から計算された。より詳細には、位相差は上述の多項式当てはめ法を用いて決定され、外部ＳＷＴセンサ２６からの信号の振幅は上述の多項式当てはめのピークを用いて決定され、２つの信号の振幅間の差は、上述の多項式当てはめを用いて見出されるピーク間の差を用いて決定された。
【００８３】
８つの位相および２つの振幅を計算すると、次のこれらの入力は、上述の加法訂正アルゴリズムを用いて訂正され、両方の振幅は上述の乗法エラー訂正アルゴリズムを用いて訂正された。
【００８４】
次に、８つの入力が正規化された。すなわち、各パラメータについて、最大値と最小値とを減算し、最大値で除算し、この結果の値と各データセットとを乗算することによって、−１〜＋１の間でスケーリングする。
【００８５】
次いで、大きなデータセットが３つのセット（すなわち、トレーニングセット、バリデーションセット、およびテストセット）に分割された。
【００８６】
次に特定の構造がニューラルネットワークに対して選択された。この特定の例では、６つの隠れノードを有する単一の隠れ層が使用された。双曲線正接Ｓ字状関数が入力と隠れ層との間で使用された。線形関数が隠れ層と出力との間で使用された。
【００８７】
次に、以下のＭａｔｌａｂニューラルネットワークオブジェクトを使用するＭａｔｌａｂを用いてニューラルネットワークをトレーニングするために、トレーニングデータセットが使用された。
【００８８】
【数２】
【００８９】
この手順を使用すれば、入力と隠れ層との間の以下の重みが決定された。
【００９０】
【表６】
【００９１】
【表７】
【００９２】
【表８】
【００９３】
【表９】
【００９４】
図１８〜図２０は、バリデーションセットにおいて測定されたデータと比較して予測の近さのグラフィカル表現を示す。これらの重み付けを使用すると、ニューラルネットワークによって予測された垂直方向の力、横方向の力、円周トルクがバリデーションセットにおける測定された値とほぼ同一である。
【００９５】
（実施例４−双一次式）
この例では、実施例２からのデータは、垂直方向の力、横方向の力および円周トルクを予測する双一次式の対を決定するために使用された。
【００９６】
２つの式に対する定数は、多重線形最小２乗回帰技術を使用してＭａｔｌａｂによって計算された。
【００９７】
上述の手順を使用して、以下の双一次式が垂直方向の力、横方向の力および円周トルクを予測するために決定された。
Ｆｙ＝−１２．９３３６＋（−１１．９１３９ｐ１８０）
−４．４４１３ａ１８０＋９．９９５２ｄ１８０−５．７１９７ｐ９０
＋４．１０３８ａ９０−５．５４１６ｄ９０
＋０．１８７１（ｐ１８０×ａ１８０）
＋０．０６７６（ｐ９０×ａ９０）
Ｆｚ＝８．６９０８−７９．１６２７ｐ１８０−１．１９４４ａ１８０
＋１．４９６８ｄ１８０＋１０．８５３１ｐ９０＋１．２６５９ａ９０
＋０．０５９７ｄ９０＋３．５６７７（ｐ１８０×ａ１８０）
＋０．７８８０（ｐ９０×ａ９０）
Ｍｙ＝−０．９０５９＋６．５３５７ｐ１８０−０．６８９１ａ１８０
＋１．６０９４ｄ１８０＋０．０９２０ｐ９０＋０．４１９１ａ９０
−０．６６５４ｄ９０＋０．３７１０（ｐ１８０×ａ１８０）
−０．００２７（ｐ９０×ａ９０）
ここで、
ｐ１８０＝１８０°位置におけるＳＷＴ位相（ラジアン）
ａ１８０＝１８０°位置における外部センサのＳＷＴ振幅（ｍｍ）
ｄ１８０＝１８０°におけるＳＷＴ外部振幅とＳＷＴ内部振幅との間の差（ｍｍ）
ｐ９０＝９０°位置におけるＳＷＴ位相（ラジアン）
ａ９０＝９０°位置における外部センサのＳＷＴ振幅（ｍｍ）
ｄ９０＝９０°におけるＳＷＴ外部振幅とＳＷＴ内部振幅との間の差（ｍｍ）
Ｆｙ＝横方向の力（ｋＮ）
Ｆｚ＝垂直（標準）力（ｋＮ）
Ｍｙ＝円周トルク（ｋＮ−ｍ）
図２２〜図２４は、バリデーションデータセットにおける測定されたデータと比較した場合、予測の近さのグラフィカル表現を示す。これらの双一次式を用いて、予測された垂直方向の力、横方向の力、円周トルクは、測定された値に非常に近い。双一次式によって為されたこの予測が、さらなるセンサ対を有するニューラルネットワークによって為された予測ほど近くないが、この実施例の双一次式は、多くのアプリケーションに有用で利用可能である非常に正確な予測を提供する。
【００９８】
図２を再度説明すると、上述したように、本発明の利点を有する例示的な制御ユニット３２は、ＡＢＳ制御ユニットに限定されないが、トラクション制御システム（ＴＣＳ）制御ユニット、電子安定性制御（ＥＣＳ）制御ユニット、統合車両動力学（ＩＶＤ）制御ユニット、ロック差動制御ユニット、サスペンション制御ユニット、ブレーキ支援制御ユニット、知能巡航（ｉｎｔｅｌｌｉｇｅｎｔ ｃｒｕｉｓｅ）制御ユニット、ステアリングアシスト制御ユニット、収縮検知制御ユニット、ナビゲーション制御ユニット、ロールオーバ回避制御ユニット、ブレーキバイワイヤ（ｂｒａｋｅ−ｂｙ−ｗｉｒｅ）制御ユニットを含む。
【００９９】
ＡＢＳ制御ユニットは、少なくとも２つの態様で本発明の利点を有し得る。第１に、本発明を用いてＡＢＳのチャタリングを低減し得る。典型的にはＡＢＳのチャタリングは、スリップデータの性質から生じる。本発明によって提供された力のデータは、スリップデータよりも平滑化されている。従って、本発明に従って取得された力のデータを用いるＡＢＳコントローラは、チャタリングがより少ない。
【０１００】
あるいは、ＡＢＳ制御ユニットは、本発明によって予測される横方向の力を用いてより安全にし得る。図１８を再度参照すると、様々なステアリング角度（α）における一連のμ−スリップが示されている。ステアリングがなければ横方向の力を生じない。曲線２００は、ステアリング角度０°（すなわち、横方向の力がない）において横方向の力（すなわち、ブレーキング力）Ｆｘを示す典型的なμ−スリップ曲線である。曲線２００によって示され当業者に公知であるように、曲線２００のピークは約１３％スリップ（点２０２）において存在する。当業者に公知であるように、ＡＢＳ制御ユニットが、スリップを制御させ、約１０％スリップ付近においてピークブレーキング力を提供することが望ましい。
【０１０１】
ステアリング運動はタイヤに回転させ、タイヤに横方向の力を誘導する。図１８における曲線２１０および曲線２２０は、それぞれステアリング角５°および１０°において長手方向の力Ｆｘを示すマイクロスリップ曲線である。対応する横方向の力Ｆｙもまた示される。曲線２１０のピークは、約２０％スリップ（点２１２）に存在し、曲線２２０のピークは、約３２％スリップ（点２２２）に存在する。すなわち、ステアリング操作によって引き起こされるタイヤの横方向の力は、μ−スリップ曲線のピークを移動させる。
【０１０２】
この効果は明らかにすべきである。横方向の力の検出を不可能にするＡＢＳ制御ユニットは、約１０％付近でスリップを制御させ、ステアリング動作がない限り最大ブレーキング力に対して効果的である。しかし、約１０％付近のスリップは、曲線２１０および曲線２２０のピークは存在しない。従って、ステアリング操作は、横方向の力の検出を不可能にするＡＢＳ制御ユニットを混乱させ、最大ブレーキング力の生成を不可能にする。
【０１０３】
一方で、本発明の力予測ユニット２２からの予測された横方向の力を受け取るように改変されたＡＢＳコントローラ３２（または同一のプロセッサとともに実現される）は、予測された横方向の力に従ってスリップ制御点を変動させて最大ブレーキング力を提供し得る。例えば、ＡＢＳ制御ユニット３２は、力予測ユニット２２からの予測された横方向の力に基づいて、μ−スリップ曲線または他の制御パラメータを選択するように改変され得る。図１８の内容では、第１の予測された横方向の力が使用されて、使用される曲線２１０をトリガし、ＡＢＳ制御ユニット３２は、点２１２付近でスリップを制御して最大ブレーキングを提供する傾向がある。異なるより大きな予測された横方向の力が使用されて、使用される曲線２２０をトリガし、次いでＡＢＳ制御ユニット３２は、点２２２付近でスリップを制御し、最大ブレーキングを提供する傾向がある。任意の時刻において、横方向の力の予測を変更することは、次の時刻において使用されるμ−スリップ曲線を変更させる。３つのμ−スリップ曲線のみがこの実施例で説明されたが、当業者は、より多くの曲線が使用され、あるいは横方向の力（または力予測ユニット２２によって決定されたいくつかの他のパラメータ）が、ＡＢＳ制御ユニット３２による式または式の組において使用され、予測された横方向の力に従ってスリップ制御点を変動させることが理解される。
【０１０４】
本発明の実施形態を説明することによって本発明が説明され、さらにこの実施形態がかなり詳細に説明されてきたが、本出願の意図は、このような細部に添付の特許請求の範囲を制限またはいかなる態様の限定することではない。さらなる利点および改変が当業者に容易に明白になる。例えば、本明細書中で説明されたＳＷＴセンサは、アナログ回路出力を有し、代替的には、周波数領域において出力を有するセンサが本発明の教示に従って為されたシステムにおいて使用され得る。さらに、本発明で説明されたＳＷＴセンサは、磁気センサであり、他の側壁ねじれセンサは、本発明の教示に従って為されたシステムにおいて使用され得る。従って、本発明は、本発明のより広い局面において、特定の細部、代表的な装置および方法に限定されず、例示的な例が、示され図示される。従って、出願人の一般的な発明の概念の精神または範囲から逸脱することなく、このような細部の改変が為され得る。
【図面の簡単な説明】
【図１】
図１は、様々な力およびトルクが見られる車両の透視図である。
【図２】
図２は、本発明のシステムの概略的なブロック図である。
【図３】
図３は、極性を交互にする磁気帯を有し、本発明のシステムおよび方法で使用されるセンサに対応するタイヤの側面図である。
【図４】
図４は、サスペンションに固定された取り付けブラケットの透視図であり、タイヤの磁気側壁に極めて近接して２つの磁気センサを保持する。
【図５】
図５は、図４に示される取り付けブラケットおよびセンサの拡大図である。
【図６】
図６は、横方向の力の影響を示すタイヤ、サスペンション、およびセンサの前面図であり、垂直に得られたタイヤの断面図である。
【図７】
図７は、図６のタイヤおよびセンサの拡大図である。
【図８】
図８は、横方向の力および円周トルクの存在下で得られたＳＷＴセンサ振幅のデータプロットであり、トルクの存在下でＳＷＴセンサ振幅が、横方向の力の比較的粗悪なプレディクタであることを示す。
【図９】
図９は、横方向の力および円周トルクの存在下で得られたＳＷＴセンサ振幅のデータプロットであり、横方向の力の存在により、円周トルクのプレディテクタとしてＳＷＴセンサ位相差を用いると、近接項のエラーが起こることを示す。
【図１０】
図１０は、本発明のニューラルネットワークをトレインするために使用される一般的な手順を示すフローチャートである。
【図１１】
図１１は、横方向の力および円周トルクを予測するために本発明のトレインニューラルネットワークを使用するための一般的な手順を示すフローチャートである。
【図１２】
図１２は、データ収集中にタイヤに加えられた横方向の力および円周トルクを示すデータプロットである。
【図１３】
図１３は、例１でトレインニューラルネットワークの構造を示す概略的なブロック図である。
【図１４】
図１４は、実施例１のトレインニューラルネットワークによって予測された、測定された横方向の力および横方向の力を示すデータプロットである。
【図１５】
図１５は、実施例１のトレインニューラルネットワークによって予測された、測定された円周トルクおよび円周トルクを示すデータプロットである。
【図１６】
図１６は、実施例２の双一次の式によって予測された、測定された横方向の力および横方向の力を示すデータプロットである。
【図１７】
図１７は、実施例２の双一次の式によって予測された、測定された円周トルクおよび円周トルクを示すデータプロットである。
【図１８】
図１８は、実施例３のトレインニューラルネットワークによって予測された、測定された垂直方向の力および垂直方向の力を示すデータプロットである。
【図１９】
図１９は、実施例３のトレインニューラルネットワークによって予測された、測定された横方向の力および横方向の力を示すデータプロットである。
【図２０】
図２０は、実施例３のトレインニューラルネットワークによって予想された、測定された円周トルクおよび円周トルクを示すデータプロットである。
【図２１】
図２１は、小さい横方向の力でさえもμ−スリップ曲線のピーク位置で有効な効果を示す様々なステアリング角度における複数の運動摩擦係数（μ）対パーセントスリップ（μ−スリップ）の曲線を示す。
【図２２】
図２２は、実施例４の双一次の式によって予想される、測定された垂直方向の力および垂直方向の力を示すデータプロットである。
【図２３】
図２３は、実施例４の双一次の式によって予想される、測定された横方向の力および横方向の力を示すデータプロットである。
【図２４】
図２４は、実施例４の双一次の式によって予想される、測定された円周方向のトルクおよび円周方向のトルクを示すデータプロットである。
Claims (45)
- タイヤ変形センサと回路通信状態にするための力予測ユニットと、少なくとも１つの他のセンサとを含む車両制御システムであって、該タイヤ変形センサはタイヤから離され、かつ該タイヤの近くに該タイヤに対して非回転的に配置されており、該力予測ユニットは該タイヤ変形センサからの連結されたタイヤ変形入力を受信し、該連結されたタイヤ変形の入力は該タイヤに付与された円周トルクに関連し、そしてさらに該円周トルクに対応する長手方向の力に対してよじれた該タイヤに作用する別の力に関連し、該力予測ユニットは該少なくとも１つの他のセンサからの少なくとも１つの他のタイヤセンサ入力を受信し、該力予測ユニットは、少なくとも該連結されたタイヤ変形入力および該少なくとも１つの他のセンサ入力から、該タイヤに作用する予測された円周トルクまたは長手方向の力に対応する出力を決定するために既に収集されたデータから決定された定数を有するプログラムされた等式を実行することにより特徴付けられ、該予測された円周トルクまたは長手方向の力の決定は、該タイヤに付与された該円周トルクに関連する該連結されたタイヤ変形入力の第１の部分を、該タイヤに作用する他のよじれた力に関連する該連結されたタイヤ変形入力の第２の部分から切り離す該力予測ユニットを含む、車両制御システム。
- 前記力予測ユニットはプログラムされたプロセッサを含み、そしてさらに該力予測ユニットの該プログラムされたプロセッサは、少なくとも前記連結されたタイヤ変形入力および前記少なくとも１つの他のセンサ入力から、前記タイヤに作用する予測された円周トルクまたは長手方向の力に対応する出力を決定するために既に収集されたデータを用いて訓練されたニューラルネットワークを実現するコードを実行する、請求項１に記載の車両制御システム。
- 前記力予測ユニットはプログラムされたプロセッサを含み、そしてさらに該力予測ユニットの該プログラムされたプロセッサは、少なくとも前記連結されたタイヤ変形入力および前記少なくとも１つの他のセンサ入力から、前記タイヤに作用する予測された円周トルクまたは長手方向の力に対応する出力を決定するために既に収集されたデータを用いて訓練された多層ニューラルネットワークを実行するコードを実行し、該多層ニューラルネットワークは入力層、少なくとも１つの隠れ層、および出力層を有する、請求項１に記載の車両制御システム。
- 前記プログラムされたプロセッサは、双曲線正接Ｓ字形伝達関数の形式で前記入力層と前記少なくとも１つの隠れ層との間の等式を実行し、そして該プログラムされたプロセッサは、線形関数の形式で前記隠れ層と前記出力層との間の等式を実行する、請求項３に記載の車両制御システム。
- 前記力予測ユニットはプログラムされたプロセッサを含み、そしてさらに該力予測ユニットの該プログラムされたプロセッサは、少なくとも前記連結されたタイヤ変形入力および前記少なくとも１つの他のセンサ入力から、前記タイヤに作用する予測された円周トルクまたは長手方向の力に対応する出力を決定するために既に収集されたデータの多重線形最小自乗回帰解析を用いて決定された定数を使用する等式を実行するコードを実行する、請求項１に記載の車両制御システム。
- 前記力予測ユニットの前記プログラムされたプロセッサにより実行される前記等式は、双一次等式である、請求項５に記載の車両制御システム。
- 前記力予測ユニットは、少なくとも前記連結されたタイヤ変形入力および前記少なくとも１つの他のセンサ入力から、少なくとも２つのセンサ間の位相差に関連した位相入力を決定し、そしてさらに該力予測ユニットは、少なくとも該連結されたタイヤ変形入力から、前記タイヤの側壁と該タイヤの変形センサとの間の距離に関連した振幅入力を決定し、そしてさらに該力予測ユニットはプログラムされたプロセッサを含み、該プログラムされたプロセッサは該位相入力および該振幅入力を入力として受け取りそして少なくとも該位相入力および該振幅入力を使用して、少なくとも該タイヤに作用する予測された円周トルクまたは長手方向の力に対応する出力を決定する、請求項１に記載の車両制御システム。
- 前記力予測ユニットは、少なくとも前記連結されたタイヤ変形入力および前記少なくとも１つの他のセンサ入力から、少なくとも２つのセンサ間の位相差に関連した位相入力を決定し、そしてさらに該力予測ユニットは、少なくとも該連結されたタイヤ変形入力から、前記タイヤの側壁と該タイヤの変形センサとの間の距離に関連した振幅入力を決定し、前記ニューラルネットワークは該位相入力および該振幅入力を入力として受け取りそして少なくとも該位相入力および該振幅入力を使用して、少なくとも該タイヤに作用する予測された円周トルクまたは長手方向の力に対応する出力を決定する、請求項２に記載の車両制御システム。
- 前記力予測ユニットは、少なくとも前記連結されたタイヤ変形入力および前記少なくとも１つの他のセンサ入力から、少なくとも２つのセンサ間の位相差に関連した位相入力を決定し、そしてさらに該力予測ユニットは、少なくとも該連結されたタイヤ変形入力から、前記タイヤの側壁と該タイヤの変形センサとの間の距離に関連した振幅入力を決定し、前記双一次等式は少なくとも該位相入力および該振幅入力の関数であり、該タイヤに作用する予測された円周トルクまたは長手方向の力に対応する出力を決定する、請求項６に記載の車両制御システム。
- 前記タイヤ変形センサは磁気タイヤ側壁ねじれ（ＳＷＴ）センサを含み、該ＳＷＴセンサは、交互の磁極で磁化された前記タイヤの側壁の近くに配置された磁気センサを含む、請求項１〜９のいずれかに記載の車両制御システム。
- タイヤ変形センサと回路通信状態にするための力予測ユニットと、少なくとも１つの他のセンサとを含む車両制御システムであって、該タイヤ変形センサはタイヤから離され、かつ該タイヤの近くに該タイヤに対して非回転的に配置されており、該力予測ユニットは該タイヤ変形センサからの連結されたタイヤ変形入力を受信し、該連結されたタイヤ変形の入力は該タイヤに付与された円周トルクに関連し、そしてさらに該タイヤに作用する横方向の力に関連し、該力予測ユニットは該少なくとも１つの他のセンサからの少なくとも１つの他のタイヤセンサ入力を受信し、該力予測ユニットは、少なくとも該連結されたタイヤ変形入力および該少なくとも１つの他のセンサ入力から、該タイヤに作用する予測された横方向の力に対応する出力を決定するために既に収集されたデータから決定された定数を有するプログラムされた等式を実行することにより特徴付けられ、該予測された横方向の力の決定は、該タイヤに作用する該横方向の力に関連する該連結されたタイヤ変形入力の第１の部分を、該タイヤに付与された該円周トルクに関連する該連結されたタイヤ変形入力の第２の部分から切り離す該力予測ユニットを含む、車両制御システム。
- 前記力予測ユニットはプログラムされたプロセッサを含み、そしてさらに該力予測ユニットの該プログラムされたプロセッサは、少なくとも前記連結されたタイヤ変形入力および前記少なくとも１つの他のセンサ入力から、前記タイヤに作用する予測された横方向の力に対応する出力を決定するために既に収集されたデータを用いて訓練されたニューラルネットワークを実行するコードを実行する、請求項１１に記載の車両制御システム。
- 前記力予測ユニットはプログラムされたプロセッサを含み、そしてさらに該力予測ユニットの該プログラムされたプロセッサは、少なくとも前記連結されたタイヤ変形入力および前記少なくとも１つの他のセンサ入力から、前記タイヤに作用する予測された横方向の力に対応する出力を決定するために既に収集されたデータを用いて訓練された多層ニューラルネットワークを実行するコードを実行し、該多層ニューラルネットワークは入力層、少なくとも１つの隠れ層、および出力層を有する、請求項１１に記載の車両制御システム。
- 前記プログラムされたプロセッサは、双曲線正接Ｓ字形伝達関数の形式で前記入力層と前記少なくとも１つの隠れ層との間の等式を実行し、そして該プログラムされたプロセッサは、線形関数の形式で前記隠れ層と前記出力層との間の等式を実行する、請求項１３に記載の車両制御システム。
- 前記力予測ユニットはプログラムされたプロセッサを含み、そしてさらに該力予測ユニットの該プログラムされたプロセッサは、少なくとも前記連結されたタイヤ変形入力および前記少なくとも１つの他のセンサ入力から、前記タイヤに作用する予測された横方向の力に対応する出力を決定するために既に収集されたデータの多重線形最小自乗回帰解析を用いて決定された定数を使用する等式を実行するコードを実行する、請求項１１に記載の車両制御システム。
- 前記力予測ユニットの前記プログラムされたプロセッサにより実行される前記等式は、双一次等式である、請求項１５に記載の車両制御システム。
- 前記力予測ユニットは、少なくとも前記連結されたタイヤ変形入力および前記少なくとも１つの他のセンサ入力から、少なくとも２つのセンサ間の位相差に関連した位相入力を決定し、そしてさらに該力予測ユニットは、少なくとも該連結されたタイヤ変形入力から、前記タイヤの側壁と該タイヤの変形センサとの間の距離に関連した振幅入力を決定し、そしてさらに該力予測ユニットはプログラムされたプロセッサを含み、該プログラムされたプロセッサは該位相入力および該振幅入力を入力として受け取りそして少なくとも該位相入力および該振幅入力を使用して、少なくとも該タイヤに作用する予測された横方向の力に対応する出力を決定する、請求項１１に記載の車両制御システム。
- 前記力予測ユニットは、少なくとも前記連結されたタイヤ変形入力および前記少なくとも１つの他のセンサ入力から、少なくとも２つのセンサ間の位相差に関連した位相入力を決定し、そしてさらに該力予測ユニットは、少なくとも該連結されたタイヤ変形入力から、前記タイヤの側壁と該タイヤの変形センサとの間の距離に関連した振幅入力を決定し、前記ニューラルネットワークは該位相入力および該振幅入力を入力として受け取りそして少なくとも該位相入力および該振幅入力を使用して、少なくとも該タイヤに作用する予測された横方向の力に対応する出力を決定する、請求項１２に記載の車両制御システム。
- 前記力予測ユニットは、少なくとも前記連結されたタイヤ変形入力および前記少なくとも１つの他のセンサ入力から、少なくとも２つのセンサ間の位相差に関連した位相入力を決定し、そしてさらに該力予測ユニットは、少なくとも該連結されたタイヤ変形入力から、前記タイヤの側壁と該タイヤの変形センサとの間の距離に関連した振幅入力を決定し、前記双一次等式は少なくとも該位相入力および該振幅入力の関数であり、該タイヤに作用する予測された横方向の力に対応する出力を決定する、請求項１６に記載の車両制御システム。
- 前記タイヤ変形センサは磁気タイヤ側壁ねじれ（ＳＷＴ）センサを含み、該ＳＷＴセンサは、交互の磁極で磁化された前記タイヤの側壁の近くに配置された磁気センサを含む、請求項１１〜１９のいずれかに記載の車両制御システム。
- タイヤ変形センサと回路通信状態にするための力予測ユニットと、少なくとも１つの他のセンサとを含む車両制御システムであって、該タイヤ変形センサはタイヤから離され、かつ該タイヤの近くに該タイヤに対して非回転的に配置されており、該力予測ユニットは該タイヤ変形センサからの連結されたタイヤ変形入力を受信し、該連結されたタイヤ変形の入力は該タイヤに付与された円周トルクに関連し、そしてさらに該タイヤに作用する垂直方向の力に関連し、該力予測ユニットは該少なくとも１つの他のセンサからの少なくとも１つの他のタイヤセンサ入力を受信し、該力予測ユニットは該連結されたタイヤ変形入力および該少なくとも１つの他のセンサ入力を受信するプログラムされたセンサを含み、該力予測ユニットは、少なくとも該連結されたタイヤ変形入力および該少なくとも１つの他のセンサ入力から、該タイヤに作用する予測された垂直方向の力に対応する出力を決定するために既に収集されたデータから決定された定数を有するプログラムされた等式を実行することにより特徴付けられ、該予測された垂直方向の力の決定は、該タイヤに作用する該垂直方向の力に関連する該連結されたタイヤ変形入力の第１の部分を、該タイヤに付与された該円周トルクに関連する該連結されたタイヤ変形入力の第２の部分から切り離す該力予測ユニットを含む、車両制御システム。
- 前記力予測ユニットはプログラムされたプロセッサを含み、そしてさらに該力予測ユニットの該プログラムされたプロセッサは、少なくとも前記連結されたタイヤ変形入力および前記少なくとも１つの他のセンサ入力から、前記タイヤに作用する予測された垂直方向の力に対応する出力を決定するために既に収集されたデータを用いて訓練されたニューラルネットワークを実行するコードを実行する、請求項２１に記載の車両制御システム。
- 前記力予測ユニットはプログラムされたプロセッサを含み、そしてさらに該力予測ユニットの該プログラムされたプロセッサは、少なくとも前記連結されたタイヤ変形入力および前記少なくとも１つの他のセンサ入力から、前記タイヤに作用する予測された横方向の力に対応する出力を決定するために既に収集されたデータを用いて訓練された多層ニューラルネットワークを実行するコードを実行し、該多層ニューラルネットワークは入力層、少なくとも１つの隠れ層、および出力層を有する、請求項２１に記載の車両制御システム。
- 前記プログラムされたプロセッサは、双曲線正接Ｓ字形伝達関数の形式で前記入力層と前記少なくとも１つの隠れ層との間の等式を実行し、そして該プログラムされたプロセッサは、線形関数の形式で前記隠れ層と前記出力層との間の等式を実行する、請求項２３に記載の車両制御システム。
- 前記力予測ユニットはプログラムされたプロセッサを含み、そしてさらに該力予測ユニットの該プログラムされたプロセッサは、少なくとも前記連結されたタイヤ変形入力および前記少なくとも１つの他のセンサ入力から、前記タイヤに作用する予測された垂直方向の力に対応する出力を決定するために既に収集されたデータの多重線形最小自乗回帰解析を用いて決定された定数を使用する等式を実行するコードを実行する、請求項２１に記載の車両制御システム。
- 前記力予測ユニットの前記プログラムされたプロセッサにより実行される前記等式は、双一次等式である、請求項２５に記載の車両制御システム。
- 前記力予測ユニットは、少なくとも前記連結されたタイヤ変形入力および前記少なくとも１つの他のセンサ入力から、少なくとも２つのセンサ間の位相差に関連した位相入力を決定し、そしてさらに該力予測ユニットは、少なくとも該連結されたタイヤ変形入力から、前記タイヤの側壁と該タイヤの変形センサとの間の距離に関連した振幅入力を決定し、そしてさらに該力予測ユニットはプログラムされたプロセッサを含み、該プログラムされたプロセッサは該位相入力および該振幅入力を入力として受け取りそして少なくとも該位相入力および該振幅入力を使用して、少なくとも該タイヤに作用する予測された垂直方向の力に対応する出力を決定する、請求項２１に記載の車両制御システム。
- 前記力予測ユニットは、少なくとも前記連結されたタイヤ変形入力および前記少なくとも１つの他のセンサ入力から、少なくとも２つのセンサ間の位相差に関連した位相入力を決定し、そしてさらに該力予測ユニットは、少なくとも該連結されたタイヤ変形入力から、前記タイヤの側壁と該タイヤの変形センサとの間の距離に関連した振幅入力を決定し、前記ニューラルネットワークは該位相入力および該振幅入力を入力として受け取りそして少なくとも該位相入力および該振幅入力を使用して、少なくとも該タイヤに作用する予測された垂直方向の力に対応する出力を決定する、請求項２２に記載の車両制御システム。
- 前記力予測ユニットは、少なくとも前記連結されたタイヤ変形入力および前記少なくとも１つの他のセンサ入力から、少なくとも２つのセンサ間の位相差に関連した位相入力を決定し、そしてさらに該力予測ユニットは、少なくとも該連結されたタイヤ変形入力から、前記タイヤの側壁と該タイヤの変形センサとの間の距離に関連した振幅入力を決定し、前記双一次等式は少なくとも該位相入力および該振幅入力の関数であり、該タイヤに作用する予測された垂直方向の力に対応する出力を決定する、請求項２６に記載の車両制御システム。
- 前記タイヤ変形センサは磁気タイヤ側壁ねじれ（ＳＷＴ）センサを含み、該ＳＷＴセンサは、交互の磁極で磁化された前記タイヤの側壁の近くに配置された磁気センサを含む、請求項２１〜２９のいずれかに記載の車両制御システム。
- 前記力予測ユニットは、少なくとも前記連結されたタイヤ変形入力および前記少なくとも１つの他のセンサ入力から、（ａ）前記タイヤに作用する予測された円周トルクまたは長手方向の力に対応する出力と、（ｂ）該タイヤに作用する該長手方向の力に対してよじれた該タイヤに作用する力の予測に対応する出力とを決定するために既に収集されたデータから決定された定数を有するプログラムされた等式を実行することによりさらに特徴付けられる、請求項１に記載の車両制御システム。
- 前記力予測ユニットは、少なくとも前記連結されたタイヤ変形入力および前記少なくとも１つの他のセンサ入力から、（ａ）前記タイヤに作用する予測された円周トルクまたは長手方向の力に対応する出力と、（ｂ）該タイヤに作用する予測された横方向の力に対応する出力とを決定するために既に収集されたデータから決定された定数を有するプログラムされた等式を実行することによりさらに特徴付けられる、請求項３１に記載の車両制御システム。
- 前記力予測ユニットは、少なくとも前記連結されたタイヤ変形入力および前記少なくとも１つの他のセンサ入力から、（ａ）前記タイヤに作用する予測された円周トルクまたは長手方向の力に対応する出力と、（ｂ）該タイヤに作用する予測された垂直方向の力に対応する出力とを決定するために既に収集されたデータから決定された定数を有するプログラムされた等式を実行することによりさらに特徴付けられる、請求項３１に記載の車両制御システム。
- 前記力予測ユニットは、少なくとも前記連結されたタイヤ変形入力および前記少なくとも１つの他のセンサ入力から、（ａ）前記タイヤに作用する予測された横方向の力に対応する出力と、（ｂ）該タイヤに作用する該横方向の力に対してよじれた該タイヤに作用する力の予測に対応する出力とを決定するために既に収集されたデータから決定された定数を有するプログラムされた等式を実行することによりさらに特徴付けられる、請求項１０に記載の車両制御システム。
- 前記力予測ユニットは、少なくとも前記連結されたタイヤ変形入力および前記少なくとも１つの他のセンサ入力から、（ａ）前記タイヤに作用する予測された横方向の力に対応する出力と、（ｂ）該タイヤに作用する予測された垂直方向の力に対応する出力とを決定するために既に収集されたデータから決定された定数を有するプログラムされた等式を実行することによりさらに特徴付けられる、請求項３４に記載の車両制御システム。
- 前記力予測ユニットは、少なくとも前記連結されたタイヤ変形入力および前記少なくとも１つの他のセンサ入力から、（ａ）前記タイヤに作用する予測された垂直方向の力に対応する出力と、（ｂ）該タイヤに作用する該垂直方向の力に対してよじれた該タイヤに作用する力の予測に対応する出力とを決定するために既に収集されたデータから決定された定数を有するプログラムされた等式を実行することによりさらに特徴付けられる、請求項２０に記載の車両制御システム。
- 車制御システムであって、
（ａ）タイヤ変形センサおよび少なくとも１つの他のセンサと回路通信状態にするための力予測ユニットであって、該タイヤ変形センサは、タイヤから分離され、該タイヤの近傍において該タイヤに対して非回転的に構成され、該力予測ユニットは、該タイヤ変形センサから結合タイヤ変形入力を受け取り、該結合タイヤ変形入力は該タイヤに付与された円周トルクに関連し、該円周トルクに対応する長軸方向の力に対して曲がって、該タイヤに作用する別の力にさらに関連し、該力予測ユニットは、該少なくとも１つの他のセンサから少なくとも１つの他のタイヤセンサ入力を受け取り、該力予測ユニットは、該結合タイヤ変形入力および該少なくとも１つの他のセンサ入力を受け取る予めプログラムされたプロセッサを含み、該力予測ユニットは、少なくとも該結合タイヤ変形入力および該少なくとも１つの他のセンサ入力から、タイヤに作用する予測円周トルクまたは長軸方向の力に対応する予測円周トルクまたは長軸方向の力に対応する出力を決定するために、以前に集められたデータから決定された定数を有する予めプログラムされた式を実行し、該タイヤに作用する予測円周トルクまたは長軸方向の力に対応する予測円周トルクまたは長軸方向の力出力を出力することによって特徴付けられ、該予測円周トルクまたは長軸方向の力の決定は、該タイヤに付与された該円周トルクに関連する該結合タイヤ変形入力の第１の部分を、該タイヤに作用する他の曲がった力に関連する該結合タイヤ変形入力の第２の部分から分離する該力予測ユニットを含む、力予測ユニットと、
（ｂ）予測円周トルクまたは長軸方向の力出力を受け取り、車アクチュエータと回路通信状態にするための該力予測ユニットと通信する回路内の制御ユニットであって、該制御ユニットは、該予測ユニットからの予測円周トルクまたは長軸方向の力出力に少なくとも部分的に応じる該アクチュエータを介して車の動的状態を変更することによって特徴付けられる制御ユニットと
を備える、車制御システム。 - 車制御システムであって、
（ａ）タイヤ変形センサおよび少なく１つの他のセンサと回路通信状態にするための力予測ユニットであって、該タイヤ変形センサは、タイヤから分離され、該タイヤの近傍において該タイヤに対して非回転的に構成され、該力予測ユニットは、該タイヤ変形センサから結合タイヤ変形入力を受け取り、該結合タイヤ変形入力は該タイヤに付与された円周トルクに関連し、該タイヤに作用する横力にさらに関連し、該力予測ユニットは、該少なくとも１つの他のセンサから少なくとも１つの他のタイヤセンサ入力を受け取り、該力予測ユニットは、該結合タイヤ変形入力および該少なくとも１つの他のセンサ入力を受け取る予めプログラムされたプロセッサを含み、該力予測ユニットは、少なくとも該結合タイヤ変形入力および該少なくとも１つの他のセンサ入力から、該タイヤに作用する予測横力に対応する出力を決定するために、以前に集められたデータから決定された定数を有する予めプログラムされた式を実行し、該タイヤに作用する該予測横力に対応する予測横力出力を出力することによって特徴付けられ、該予測横力の決定は、該タイヤに作用する横力に関連する該結合タイヤ変形入力の第１の部分を、該タイヤに付与された円周トルクに関連する該結合タイヤ変形入力の第２の部分から分離する該力予測ユニットを含む、力予測ユニットと、
（ｂ）予測横力出力を受け取り、車アクチュエータと回路通信状態にするための該力予測ユニットと通信する回路内の制御ユニットであって、該制御ユニットは、該力予測ユニットからの予測横力出力に少なくとも部分的に応じる該アクチュエータを介して車の動的状態を変更することによって特徴付けられる制御ユニットと
を備える、車制御システム。 - 前記制御ユニットは複数のμスリップカーブと関連付けられ、該μスリップカーブの各々は異なる横力と関連付けられ、該制御ユニットは、該μスリップカーブの選択された１つに基づいてアンチロックブレーキングシステムを実行し、さらに、該制御ユニットは、該力予測ユニットからの予測横力出力に少なくとも部分的に応じて該複数のμスリップカーブを選択し、該複数のμスリップカーブの選択された１つを用いて、アンチロックブレーキを実行することによって特徴付けられる、請求項３８に記載の車制御システム。
- 車制御システムであって、
（ａ）タイヤ変形センサおよび少なく１つの他のセンサと回路通信状態にするための力予測ユニットであって、該タイヤ変形センサは、タイヤから分離され、該タイヤの近傍において該タイヤに対して非回転的に構成され、該力予測ユニットは、該タイヤ変形センサから結合タイヤ変形入力を受け取り、該結合タイヤ変形入力は該タイヤに付与される円周トルクに関連し、該タイヤに作用する鉛直力にさらに関連し、該力予測ユニットは、該少なくとも１つの他のセンサから少なくとも１つの他のタイヤセンサ入力を受け取り、該力予測ユニットは、該結合タイヤ変形入力および該少なくとも１つの他のセンサ入力を受け取る予めプログラムされたプロセッサを含み、該力予測ユニットは、少なくとも該結合タイヤ変形入力および該少なくとも１つの他のセンサ入力から、該タイヤに作用する予測鉛直力に対応する予測鉛直力出力を決定するために、以前に集められたデータから決定された定数を有する予めプログラムされた式を実行し、該タイヤに作用する予測鉛直力に対応する予測鉛直力出力を出力することによって特徴付けられ、該予測鉛直力の決定は、該タイヤに作用する鉛直力に関連する該結合タイヤ変形入力の第１の部分を、該タイヤに付与された円周トルクに関連する該結合タイヤ変形入力の第２の部分から分離する該力予測ユニットを含む、力予測ユニットと、
（ｂ）予測鉛直力出力を受け取り、車アクチュエータと回路通信状態にするための該力予測ユニットと通信する回路内の制御ユニットであって、該制御ユニットは、該力予測ユニットからの該予測鉛直力出力に少なくとも部分的に応じる該アクチュエータを介して車の動的状態を変更することによって特徴付けられる制御ユニットと
を備える、車制御システム。 - タイヤに作用する円周トルクまたは長軸方向の力を予測する方法であって、
（ａ）タイヤ変形センサおよび少なく１つの他のセンサと回路通信状態にするための力予測ユニットを提供する工程であって、該タイヤ変形センサは、該タイヤから分離され、該タイヤの近傍において該タイヤに対して非回転的に構成され、該力予測ユニットは、該タイヤ変形センサから結合タイヤ変形入力を受け取り、該結合タイヤ変形入力は該タイヤに付与された円周トルクに関連し、該円周トルクに対応する長軸方向の力に対して曲がって、該タイヤに作用する別の力にさらに関連し、該力予測ユニットは、該少なくとも１つの他のセンサから少なくとも１つの他のタイヤセンサ入力を受け取り、該力予測ユニットは、該結合タイヤ変形入力および該少なくとも１つの他のセンサ入力を受け取る予めプログラムされたプロセッサを含み、該力予測ユニットは、少なくとも該結合タイヤ変形入力および該少なくとも１つの他のセンサ入力から、タイヤに作用する予測鉛直力に対応する出力を決定するために、以前に集められたデータから決定された定数を有する予めプログラムされた式を実行することによって特徴付けられる、工程と、
（ｂ）該タイヤ変形センサからのタイヤ変形入力および該少なくとも１つの他のセンサからの該少なくとも１つの他のタイヤセンサ入力を集める工程と、
（ｃ）該集められたタイヤ変形入力および該集められた少なくとも１つの他のタイヤセンサ入力から、タイヤに作用する該円周トルクまたは長軸方向の力を、該力予測ユニットで決定する工程であって、該予測円周トルクまたは長軸方向の力の決定は、該タイヤに付与された該円周トルクに関連する該結合タイヤ変形入力の第１の部分を、該タイヤに作用する他の曲がった力に関連する該結合タイヤ変形入力の第２の部分と分離する該力予測ユニットを含む、工程と
を包含する、方法。 - タイヤ変形センサおよび少なくとも１つの他のセンサからタイヤに作用する円周トルクまたは長軸方向の力を決定するようにニューラルネットワークを訓練する方法であって、
（ａ）タイヤ変形センサからのタイヤ変形入力および少なくとも１つの他のセンサからの少なくとも１つの他のタイヤセンサ入力を集める工程であって、該タイヤ変形センサは、該タイヤから分離され、該タイヤの近傍において該タイヤに対して非回転的に構成される、工程と、
（ｂ）該タイヤに作用する該円周トルクまたは長軸方向の力に対応する入力を集める工程と、
（ｃ）トレーニングデータとして、少なくとも、該タイヤ変形センサと該タイヤとの間の変更エアギャップの長さに関連して該集められたタイヤ変形入力、該集められた少なくとも１つの他のタイヤセンサ入力、および、該タイヤに作用する該円周トルクまたは長軸方向の力に対応する該集められた入力を用いてタイヤに作用する該円周トルクまたは長軸方向の力を予測するように該ニューラルネットワークを訓練する工程と、
を包含する、方法。 - 前記タイヤ変形センサは、磁気タイヤ側壁ねじれ（ＳＷＴ）センサを含み、該ＳＷＴセンサは、交流磁極を磁化する、該タイヤの側壁に近接して配置された磁気センサを含み、さらに、前記少なくとも１つの他のタイヤセンサはＡＢＳスピードセンサである、請求項１〜９のいずれかに記載の車制御システム。
- 前記タイヤ変形センサは、磁気タイヤ側壁ねじれ（ＳＷＴ）センサを含み、該ＳＷＴセンサは、交流磁極を磁化する、該タイヤの側壁に近接して配置された磁気センサを含み、さらに、前記少なくとも１つの他のタイヤセンサはＡＢＳスピードセンサである、請求項１１〜１９のいずれかに記載の車制御システム。
- 前記タイヤ変形センサは、磁気タイヤ側壁ねじれ（ＳＷＴ）センサを含み、該ＳＷＴセンサは、交流磁極を磁化する、該タイヤの側壁に近接して配置された磁気センサを含み、さらに、前記少なくとも１つの他のタイヤセンサはＡＢＳスピードセンサである、請求項２１〜２９のいずれかに記載の車制御システム。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US09/584,230 US6550320B1 (en) | 2000-05-31 | 2000-05-31 | System and method for predicting tire forces using tire deformation sensors |
| PCT/US2001/017606 WO2001092078A2 (en) | 2000-05-31 | 2001-05-31 | System and method for predicting tire forces using tire deformation sensors |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2004512207A true JP2004512207A (ja) | 2004-04-22 |
Family
ID=24336461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001588064A Withdrawn JP2004512207A (ja) | 2000-05-31 | 2001-05-31 | タイヤ変形センサを用いてタイヤの力を予測するためのシステムおよび方法 |
Country Status (7)
| Country | Link |
|---|---|
| US (3) | US6550320B1 (ja) |
| JP (1) | JP2004512207A (ja) |
| KR (1) | KR20030036208A (ja) |
| AU (1) | AU2001265247A1 (ja) |
| CA (1) | CA2410877A1 (ja) |
| GB (1) | GB2379274A (ja) |
| WO (1) | WO2001092078A2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7822563B2 (en) | 2005-07-19 | 2010-10-26 | The Yokohama Rubber Co., Ltd. | Method and device for calculating magnitude of wheel-generated cornering force |
Families Citing this family (55)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6550320B1 (en) * | 2000-05-31 | 2003-04-22 | Continental Ag | System and method for predicting tire forces using tire deformation sensors |
| US7185532B2 (en) * | 2000-05-31 | 2007-03-06 | Continental Automotive Licensing Corp. | Tire status detection system and method |
| DE10160045B4 (de) * | 2000-12-30 | 2005-09-15 | Robert Bosch Gmbh | System und Verfahren zur Überwachung des Fahrverhaltens eines Kraftfahrzeugs |
| DE10160046B4 (de) * | 2000-12-30 | 2006-05-04 | Robert Bosch Gmbh | System und Verfahren zur Überwachung der Traktion eines Kraftfahrzeugs |
| EP1417470A1 (fr) * | 2001-08-06 | 2004-05-12 | Société de Technologie Michelin | Methode de determination de composantes d'efforts subis par un pneumatique et du couple d'auto-alignement |
| CN1247973C (zh) | 2001-08-06 | 2006-03-29 | 米其林技术公司 | 根据应力确定轮胎特性的方法 |
| FR2835919A1 (fr) * | 2002-02-08 | 2003-08-15 | Michelin Soc Tech | Mesure de coefficient d'adherence maximal a partir de la connaissance des efforts et du couple d'autoalignement generes dans l'air de contact d'un pneu |
| FR2835918A1 (fr) * | 2002-02-08 | 2003-08-15 | Michelin Soc Tech | Mesure de coefficient d'adherrence maximal a partir de la mesure de l'extension circonferentielle dans un flanc d'un pneu |
| DE10390746D2 (de) * | 2002-02-28 | 2005-01-05 | Daimler Chrysler Ag | Vorrichtung und Verfahren zur Beeinflussung der Arbeitsweise wenigstens einer in einem Fahrzeug angeordneten Fahrzeugstabilisierungsvorrichtung |
| EP1492681A1 (en) * | 2002-04-11 | 2005-01-05 | Continental Tire North America Inc. | Tire status detection system and method |
| EP1372049A1 (fr) * | 2002-06-13 | 2003-12-17 | Société de Technologie Michelin | Méthode d'asservissement, utilisable notamment pour maintenir le glissement d'un pneu à un niveau optimal pour qu'il fonctionne à un niveau de coefficient d'adhérence maximal |
| FR2841827A1 (fr) * | 2002-07-04 | 2004-01-09 | Michelin Soc Tech | Estimation de l'usure d'un pneu |
| JP4207744B2 (ja) * | 2003-01-16 | 2009-01-14 | 株式会社豊田中央研究所 | モーメント検出装置及びタイヤ発生力検出装置 |
| DE10307191A1 (de) * | 2003-02-20 | 2004-09-02 | Continental Aktiengesellschaft | Verfahren zur Bestimmung von auf einen Luftreifen wirkenden Kräften |
| CN1771080B (zh) * | 2003-04-08 | 2010-12-15 | 诺沃挪第克公司 | 包括至少一个色谱处理步骤的生产治疗用多肽或其前体的方法 |
| WO2005023614A2 (en) * | 2003-09-03 | 2005-03-17 | Nsk Ltd. | Stability control apparatus and load mesuring instrument for wheel supporting rolling bearing unit |
| DE10343588A1 (de) * | 2003-09-18 | 2005-04-14 | Vibracoustic Gmbh & Co. Kg | Buchse, insbesondere Fahrwerksbuchse, mit integriertem Drehwinkelgeber |
| US20050076987A1 (en) * | 2003-10-09 | 2005-04-14 | O'brien George Phillips | Acoustic signal monitoring system for a tire |
| FR2861869A1 (fr) * | 2003-11-05 | 2005-05-06 | Michelin Soc Tech | Procede d'extraction d'au moins une grandeur caracterisant un signal periodique, et application. |
| KR20050075708A (ko) * | 2004-01-16 | 2005-07-21 | 소시에떼 드 테크놀로지 미쉐린 | 소정 시간에 걸쳐 대표 매개변수의 편차를 분석한알고리즘을 사용하여 차량의 안정성을 제어하기 위한시스템 |
| KR20050075717A (ko) * | 2004-01-16 | 2005-07-21 | 소시에떼 드 테크놀로지 미쉐린 | 다른 매개 변수의 함수로써 편차의 평균 기울기를비교하는 알고리즘을 사용하여 차량의 안정성을 제어하기위한 시스템 |
| DE602005000242T2 (de) * | 2004-01-16 | 2007-04-05 | Société de Technologie Michelin | System zur Stabilitätsregelung eines Fahrzeugs mit mehreren prädiktiven Algorithmen und einem Auswahlprozess |
| US6993449B2 (en) * | 2004-01-31 | 2006-01-31 | Continental Teves, Inc. | Tire pressure loss detection |
| JP4680532B2 (ja) * | 2004-06-02 | 2011-05-11 | 株式会社ブリヂストン | タイヤの動的状態推定方法とその装置 |
| GB0415258D0 (en) * | 2004-07-07 | 2004-08-11 | Wheelright Ltd | Vehicle tyre checking system |
| US7114383B2 (en) * | 2005-01-07 | 2006-10-03 | Bridgestone Firestone North American Tire, Llc | Method and apparatus for monitoring tire performance |
| US7469578B2 (en) | 2005-09-27 | 2008-12-30 | The Yokohama Rubber Co., Ltd. | Method and apparatus for evaluating a cornering stability of a wheel |
| FR2898852B1 (fr) * | 2006-03-21 | 2008-12-05 | Peugeot Citroen Automobiles Sa | Dispositif de stabilisation de vehicule |
| US20070233267A1 (en) * | 2006-03-29 | 2007-10-04 | Farid Amirouche | Application of neural networks to prosthesis fitting and balancing in joints |
| KR100792667B1 (ko) * | 2006-04-04 | 2008-01-09 | 대성전기공업 주식회사 | 휠 각도 센서 에러 보정방법 |
| US7672816B1 (en) * | 2006-05-17 | 2010-03-02 | Textron Innovations Inc. | Wrinkle-predicting process for hydroforming |
| US7441464B2 (en) * | 2006-11-08 | 2008-10-28 | Honeywell International Inc. | Strain gauge sensor system and method |
| WO2008065465A1 (en) * | 2006-11-29 | 2008-06-05 | Pirelli Tyre S.P.A. | Method for determining at least one parameter representative of at least one interaction along a longitudinal direction between a tyre for vehicles and the ground |
| US7945429B2 (en) * | 2007-03-28 | 2011-05-17 | The Yokohama Rubber Co., Ltd. | Tire model determining method, tire transient response data calculating method, tire evaluating method, and tire designing method |
| JP4882886B2 (ja) * | 2007-06-26 | 2012-02-22 | 横浜ゴム株式会社 | タイヤ特性判定方法およびタイヤ特性判定装置 |
| DE102008046269B3 (de) * | 2008-09-08 | 2009-12-24 | Continental Automotive Gmbh | Verfahren und Meßsystem zur Bestimmung einer Radlast |
| JP2010165242A (ja) * | 2009-01-16 | 2010-07-29 | Hitachi Cable Ltd | 稼動体の異常検出方法及び異常検出システム |
| IT1401990B1 (it) * | 2010-09-30 | 2013-08-28 | Pirelli | Metodo e sistema per determinare l'attrito potenziale tra un pneumatico per veicoli ed una superficie di rotolamento |
| US8887562B2 (en) | 2010-11-23 | 2014-11-18 | Bridgestone Americas Tire Operations, Llc | Diagnostic tire test method |
| US9428018B2 (en) * | 2012-12-28 | 2016-08-30 | Bridgestone Americas Tire Operations, Llc | Scalable vehicle models for indoor tire testing |
| US20140188406A1 (en) * | 2012-12-28 | 2014-07-03 | Bridgestone Americas Tire Operations, Llc | Scalable vehicle models for indoor tire testing |
| CN105980824B (zh) | 2014-03-13 | 2019-04-12 | 米其林集团总公司 | 用于轮胎检查的传感器装置 |
| WO2015137951A1 (en) * | 2014-03-13 | 2015-09-17 | Compagnie Generale Des Etablissements Michelin | Sensor device with magnet and sensor array for tire inspection |
| US20150336435A1 (en) * | 2014-05-24 | 2015-11-26 | Rimex Supply Ltd. | Magnetic mount for tire pressure sensor |
| CN104444929B (zh) * | 2014-11-06 | 2017-08-01 | 北京铁道工程机电技术研究所有限公司 | 一种架车机高度传感器的自检方法 |
| CN104978947B (zh) * | 2015-07-17 | 2018-06-05 | 京东方科技集团股份有限公司 | 显示状态的调节方法、显示状态调节装置及显示装置 |
| DE112018005736T5 (de) * | 2017-12-01 | 2020-07-23 | The Yokohama Rubber Co., Ltd. | Reifenanordnung und System zur Bestimmung eines Reifenverformungszustands |
| US10960712B2 (en) | 2018-06-28 | 2021-03-30 | Nissan North America, Inc. | Tire wear estimation using a hybrid machine learning system and method |
| LU101181B1 (de) * | 2019-04-12 | 2020-10-12 | Compredict Gmbh | Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs |
| JP6772351B1 (ja) * | 2019-09-18 | 2020-10-21 | Ｔｏｙｏ Ｔｉｒｅ株式会社 | タイヤ物理情報推定システム |
| US11584342B2 (en) | 2019-10-28 | 2023-02-21 | Volkswagen Ag | Real-time performance handling virtual tire sensor |
| EP4190651A1 (en) | 2021-12-02 | 2023-06-07 | Volvo Truck Corporation | Redundant vehicle control systems based on tyre sensors |
| IT202100030599A1 (it) * | 2021-12-03 | 2023-06-03 | Skf Ab | Sistema e metodo associati per il rilevamento dei carichi finali su una ruota di veicolo mediante una unità mozzo ruota sensorizzata |
| EP4190598A1 (en) | 2021-12-02 | 2023-06-07 | Volvo Truck Corporation | Redundant vehicle control systems based on tyre sensors - load estimation |
| US20240166192A1 (en) * | 2022-11-21 | 2024-05-23 | GM Global Technology Operations LLC | Machine learning-based tractive limit and wheel stability status estimation |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5586028A (en) | 1993-12-07 | 1996-12-17 | Honda Giken Kogyo Kabushiki Kaisha | Road surface condition-detecting system and anti-lock brake system employing same |
| DE4435160A1 (de) | 1994-09-30 | 1996-04-04 | Continental Ag | Einrichtung zur Ermittlung der Umfangskraft eines Fahrzeugrades |
| GB9504217D0 (en) | 1995-03-02 | 1995-04-19 | Sumitomo Rubber Ind | A method of determining the inflation pressure of a tyre on a moving vehicle |
| JP3708180B2 (ja) | 1995-09-14 | 2005-10-19 | 富士重工業株式会社 | 自動ブレーキ制御装置 |
| US5781700A (en) | 1996-02-05 | 1998-07-14 | Ford Global Technologies, Inc. | Trained Neural network air/fuel control system |
| US5895435A (en) | 1996-03-01 | 1999-04-20 | Toyota Jidosha Kabushiki Kaisha | Vehicle drive mode estimating device, and vehicle control apparatus, transmission shift control apparatus and vehicle drive force control apparatus including drive mode estimating device |
| DE19626843A1 (de) | 1996-07-04 | 1998-01-08 | Continental Ag | Vorrichtung zur Messung der Drehfrequenz eines rotierenden Fahrzeugrades und Fahrzeugreifen geeignet zur Verwendung darin |
| US6104593A (en) | 1996-09-27 | 2000-08-15 | Canon Denshi Kabushiki Kaisha | Tire magnetization method, tire magnetized by the tire magnetization method, tire magnetic field detection method, tire revolution detection signal processing method, and tire revolution detection apparatus |
| US5895854A (en) * | 1996-11-08 | 1999-04-20 | Continental Aktiengesellschaft | Vehicle wheel provided with a pneumatic tire having therein a rubber mixture permeated with magnetizable particles |
| US5864056A (en) * | 1998-02-17 | 1999-01-26 | Bell; Larry D. | Method and apparatus for monitoring the coefficient of friction between a tire and rolling surface, particularly to provide the vehicle operator with coefficient of friction, tire tread wear out and skid warning indications |
| US6550320B1 (en) * | 2000-05-31 | 2003-04-22 | Continental Ag | System and method for predicting tire forces using tire deformation sensors |
-
2000
- 2000-05-31 US US09/584,230 patent/US6550320B1/en not_active Expired - Fee Related
-
2001
- 2001-05-31 GB GB0228058A patent/GB2379274A/en not_active Withdrawn
- 2001-05-31 CA CA002410877A patent/CA2410877A1/en not_active Abandoned
- 2001-05-31 WO PCT/US2001/017606 patent/WO2001092078A2/en active Application Filing
- 2001-05-31 JP JP2001588064A patent/JP2004512207A/ja not_active Withdrawn
- 2001-05-31 AU AU2001265247A patent/AU2001265247A1/en not_active Abandoned
- 2001-05-31 KR KR1020027016385A patent/KR20030036208A/ko not_active Application Discontinuation
-
2003
- 2003-01-06 US US10/336,887 patent/US20030164036A1/en not_active Abandoned
-
2004
- 2004-03-10 US US10/797,525 patent/US20050005692A1/en not_active Abandoned
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7822563B2 (en) | 2005-07-19 | 2010-10-26 | The Yokohama Rubber Co., Ltd. | Method and device for calculating magnitude of wheel-generated cornering force |
Also Published As
| Publication number | Publication date |
|---|---|
| GB0228058D0 (en) | 2003-01-08 |
| GB2379274A (en) | 2003-03-05 |
| US20030164036A1 (en) | 2003-09-04 |
| WO2001092078A3 (en) | 2002-04-04 |
| AU2001265247A1 (en) | 2001-12-11 |
| WO2001092078A2 (en) | 2001-12-06 |
| US6550320B1 (en) | 2003-04-22 |
| KR20030036208A (ko) | 2003-05-09 |
| US20050005692A1 (en) | 2005-01-13 |
| CA2410877A1 (en) | 2001-12-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2004512207A (ja) | タイヤ変形センサを用いてタイヤの力を予測するためのシステムおよび方法 | |
| EP2039540B1 (en) | Method for determining the behaviour of a tyre in motion | |
| US7203603B2 (en) | Method of determining components of forces exerted on a tire and determining the self-alignment torque | |
| JP4479992B2 (ja) | 応力からタイヤの特徴を決定する方法 | |
| JP3618274B2 (ja) | 車両用センサ異常検出装置 | |
| Singh et al. | Enhancement of collision mitigation braking system performance through real-time estimation of tire-road friction coefficient by means of smart tires | |
| EP1991451A1 (en) | A method for calculating forces acting on the footprint area of a tyre and apparatus for calculating said forces | |
| JP4195054B2 (ja) | ブレーキ制御方法およびブレーキ制御装置 | |
| US20030010108A1 (en) | Method and system for measuring vehicle tire deformation and a tire having such a system | |
| US6584427B2 (en) | Method and apparatus for estimating tire air pressure | |
| US7185532B2 (en) | Tire status detection system and method | |
| US7171848B2 (en) | Tire status detection system and method | |
| EP1127720B1 (en) | Apparatus and method for alarming decrease in tyre air-pressure | |
| JP2001191767A (ja) | タイヤの状態検出装置、自動車制御装置、及びタイヤの状態検出方法 | |
| JP3971478B2 (ja) | 車両における減圧タイヤの検出方法 | |
| JP2001241945A (ja) | タイヤの状態検出装置、移動体制御装置、及びタイヤの状態検出方法 | |
| US20030109968A1 (en) | System and method for monitoring the driving state of a vehicle | |
| Singh | Developing enabling technologies for intelligent tires | |
| WO2004091942A1 (en) | Tire status detection system and method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20080805 |