JP2018004419A - 路面状態判別方法 - Google Patents

Abstract

【課題】タイヤに制駆動力が作用した場合でも、路面状態を精度よく判定できる方法を提供する。
【解決手段】検出された走行中のタイヤの振動の時系列波形に所定の時間幅の窓関数をかけて時間窓毎の時系列波形を抽出して、前記時間窓毎の時系列波形からそれぞれ特徴ベクトルを算出した後、この時間窓毎の特徴ベクトルと、加速度センサーを備えたタイヤを搭載した車両を複数の路面状態の路面でそれぞれ走行させて得られたタイヤ振動の時系列波形のデータを学習用データとして構築した路面モデルとを用いて走行中の路面の状態を判別する際に、前記路面モデルを、制駆動力の大きさに応じて複数構築するとともに、前記タイヤに作用する制動駆動力を推定し、前記特徴ベクトルと前記推定された制駆動力の大きさに応じた路面モデルとを用いて、路面の状態を判別するようにした。
【選択図】図７

Description

本発明は、走行中の路面状態を判別する方法に関する。

従来、路面状態を判別する方法として、加速度センサーで検出したタイヤ振動の時系列波形に所定の時間幅の窓関数をかけて時間窓毎の時系列波形を抽出して、時間窓毎の特徴ベクトルを算出した後、加速度センサーを備えたタイヤを搭載した車両を複数の路面状態の路面でそれぞれ走行させて得られたタイヤ振動の時系列波形のデータを学習用データとして構築した路面モデル（隠れマルコフモデル）毎に時間窓毎の特徴ベクトルの尤度を算出し、尤度の最も大きな路面モデルに対応する路面をタイヤが走行している路面の路面状態であると判別する方法が提案されている（例えば、特許文献１参照）。
また、路面モデルを用いて路面状態を判別する方法として、時間窓毎の特徴ベクトルと、予め求めておいた路面特徴ベクトルとからカーネル関数を算出し、このカーネル関数を用いて路面モデルを識別する別関数の値を比較して路面状態を判別する方法が提案されている（例えば、特許文献２参照）。

特開２０１３−６５３３号公報 特開２０１４−３５２７９号公報

しかしながら、前記特許文献１，２では、タイヤにかかる制駆動力を加味したカテゴリ構成になっていないため、加減速時や上り坂、下り坂において路面状態の判定精度が低下してしまうといった問題点があった。

本発明は、従来の問題点に鑑みてなされたもので、タイヤに制駆動力が作用した場合でも、路面状態を精度よく判定できる方法を提供することを目的とする。

本発明は、走行中のタイヤの振動を検出するステップ（ａ）と、前記検出されたタイヤの振動の時系列波形を取り出すステップ（ｂ）と、前記タイヤ振動の時系列波形に所定の時間幅の窓関数をかけて時間窓毎の時系列波形を抽出するステップ（ｃ）と、前記時間窓毎の時系列波形からそれぞれ特徴ベクトルを算出するステップ（ｄ）と、前記ステップ（ｄ）で算出した時間窓毎の特徴ベクトルと、加速度センサーを備えたタイヤを搭載した車両を複数の路面状態の路面でそれぞれ走行させて得られたタイヤ振動の時系列波形のデータを学習用データとして構築した路面モデルとを用いて走行中の路面の状態を判別するステップ（ｅ）とを備えた路面状態判別方法において、前記路面モデルを、制駆動力の大きさに応じて複数構築するとともに、前記タイヤに作用する制動駆動力を推定するステップを設け、前記ステップ（ｅ）では、前記特徴ベクトルと前記推定された制駆動力の大きさに応じた路面モデルとを用いて、路面の状態を判別することを特徴とする。
このように、路面モデルを用いて路面状態を判別する際に、路面モデルを、制駆動力の大きさに応じて複数構築しておけば、タイヤに制駆動力が作用した場合でも、路面状態を精度よく判別することができる。
また、本発明を、隠れマルコフモデルを用いた路面判別や、カーネル関数を用いた路面判別に適用したので、路面状態の判別精度が大幅に向上した。
また、前記推定された制駆動力の大きさが、予め設定された範囲を超えた場合には、路面状態の判別を行わないようにしたので、路面状態の誤判定を防止することができる。

なお、前記発明の概要は、本発明の必要な全ての特徴を列挙したものではなく、これらの特徴群のサブコンビネーションもまた、発明となり得る。

本発明の実施の形態１に係る路面状態判別装置の構成を示す図である。 加速度センサーの配置例を示す図である。 タイヤ振動の時系列波形と、時間窓毎のタイヤ振動の時系列波形の抽出方法とを示す図である。 路面ＨＭＭの一例を示す図である。 尤度算出に用いた路面ＨＭＭを示す図である。 状態遷移系列の模式図である。 本実施の形態１に係る路面状態判別方法を示すフローチャートである。 本実施の形態２に係る路面状態判別装置の構成を示す図である。 入力空間を示す模式図である。 入力空間上における、ＤＲＹ路面特徴ベクトルとＤＲＹ路面以外の路面特徴ベクトルとを示す図である。 ＤＲＹ路面特徴ベクトルとＤＲＹ路面以外の路面特徴ベクトルとのＧＡカーネルの算出方法を示す図である。 算出した特徴ベクトルと路面特徴ベクトルとのＧＡカーネルの算出方法を示す図である。 本実施の形態２に係る路面状態判別方法を示すフローチャートである。

実施の形態１．
図１は、本実施の形態に係る路面状態判別装置１０の機能ブロック図で、同図において、１１は振動検出手段としての加速度センサー、１２は制駆動力推定手段、１３は制駆動力判定手段、１４は振動波形検出手段、１５は窓掛け手段、１６は特徴ベクトル算出手段、１７は記憶手段、１８は尤度算出手段、１９は路面状態判別手段である。
制駆動力判定手段１３〜路面状態判別手段１９での各手段は、例えば、コンピュータのソフトウェア及びＲＡＭ等の記憶装置により構成され、図示しない車体側に設けられる。
加速度センサー１１は、図２に示すように、タイヤ１のインナーライナー部２のタイヤ幅方向中心に、検出方向がタイヤ周方向になるように配置されて、路面からトレッド３に入力する作用するタイヤ周方向加速度を検出する。以下、加速度センサー１１の位置（厳密には、加速度センサー１１の径方向外側にあるトレッド３表面の位置）を計測点という。
加速度センサー１１の出力は、例えば、送信機１１Ｆにより振動波形検出手段１４に送られる。

制駆動力推定手段１２は、タイヤにかかる制駆動力Ｊを推定する。具体的には、アクセル開度及びギアポジションからタイヤにかかる駆動力を推定し、ブレーキペダル踏み力もしくはブレーキ油圧から制動力を推定する。Ｊ＞０が駆動力で、Ｊ＜０が制動力である。
なお、タイヤにかかる制駆動力Ｊは、車体加速度、路面勾配情報のいずれか両方の情報から推定してもよいし、車体速度、車輪速度、路面勾配情報のいずれかまたは複数の情報からタイヤにかかる制駆動力Ｊを推定してもよい。
制駆動力判定手段１３は、推定された制駆動力Ｊから、タイヤ１の状態が路面状態の判定が可能な状態か否かを判定する。具体的には、推定された制駆動力Ｊの大きさ｜Ｊ｜が予め設定された閾値Ｊ_Maxを超えた場合には、検出された振動波形からは路面状態の判別が困難であるとして、振動波形検出手段１４に、振動波形の検出を中止する中止指令信号を送り、路面状態の判別を中止させる。
一方、推定された制駆動力Ｊの大きさ｜Ｊ｜が閾値Ｊ_Max以内（−Ｊ_Max≦Ｊ≦Ｊ_Max）である場合には、制駆動力Ｊのデータを尤度算出手段１８に出力する。
なお、Ｊ_Maxとしては、０．２Ｇ〜０．８Ｇの範囲とすることが好ましい。本例では、Ｊ_Max＝０．４Ｇとした。

振動波形検出手段１４は、図３に示すような、加速度センサー１１の出力である走行中のタイヤ１に入力するタイヤ周方向振動を時系列に配列した時系列波形を検出する。
窓掛け手段１５は、タイヤ周方向振動の時系列波形を予め設定した時間幅（時間窓幅）Ｔで窓掛けし、時間窓毎にタイヤ振動の時系列波形を抽出する。
特徴ベクトル算出手段３２は、抽出された各時間窓の時系列波形のそれぞれに対して特徴ベクトルＸ_tを算出する。本例では、特徴ベクトルＸ_tとして、タイヤ振動の時系列波形をそれぞれ、周波数領域がｆ_ka−ｆ_kbのｋ個のバンドパスフィルターＢＰ（ｋ）に通して抽出した得られた特定周波数帯域の振動レベル（フィルター濾過波のパワー値）ｘ_ktを用いた。特徴ベクトルＸの次元はｋ次元で、本例では、特定周波数帯域を、0-0.5kHz、0.5-1kHz、1-2kHz、2-3kHz、3-4kHz、4-5kHzの６つとしたので、ｋ＝６となる。
特徴ベクトルＸ_tは時間窓毎に求められるので、時間窓の総数をＮ個とすると特徴ベクトルＸ_tの数もＮ個となる。

記憶手段１７は、路面状態及び制駆動力Ｊ毎に構成された複数の隠れマルコフモデル（以下、路面ＨＭＭという）を記憶する。路面ＨＭＭは、路面内ＨＭＭ（road）と路面外ＨＭＭ（silent）とから成る。路面内ＨＭＭ（road）は、タイヤ振動の時系列波形のうちの路面領域に出現する振動波形から構成され、路面外ＨＭＭ（silent）は、無情報領域の振動波形から構成される。
路面ＨＭＭは、図４に示すように、タイヤ振動の時系列波形に対応した７つの状態Ｓ₁〜Ｓ₇を有し、各状態Ｓ₁〜Ｓ₇は、それぞれ、特徴ベクトルＸ_tの出力確率ｂ_ij（Ｘ）と状態間の遷移確率ａ_ij（Ｘ）の２種類のパラメータにより構成されている（ｉ，ｊ＝１〜７）。
本例では、各路面ＨＭＭの開始状態Ｓ₁と終了状態Ｓ₇とを除く５つの状態Ｓ₂〜Ｓ₆で前記タイヤ振動の時系列波形を５つの状態に分割する学習を行って、各路面ＨＭＭの特徴ベクトルＸの出力確率ｂ_ij（Ｘ）と状態間の遷移確率ａ_ij（Ｘ）とを求めた。
出力確率ｂ_ij（Ｘ）は状態が状態Ｓ_iから状態Ｓ_jに遷移するときに特徴ベクトルＸが出力される確率を表す。出力確率ｂ_ij（Ｘ）は混合正規分布を仮定する。
遷移確率ａ_ij（Ｘ）は状態が状態Ｓ_iから状態Ｓ_jに遷移する確率を表す。
なお、特徴ベクトルＸの次元がｋ次元の場合には、出力確率ｂ_ijは特徴ベクトルＸのｋ成分ｘ_k毎に設定される。

本例では、予め、加速度センサー１１を備えたタイヤ１を搭載した車両を、ＤＲＹ、ＷＥＴ、ＳＮＯＷ、及び、ＩＣＥの各路面で、それぞれ、タイヤ１に作用する制駆動力Ｊの範囲を変えて走行させて得られたタイヤ振動の時系列波形のデータを学習用データとして、図１に示すような、１６個の路面内ＨＭＭ（road）と、１個の路面外ＨＭＭ（silent）とから成る１７個の路面ＨＭＭを構築した。
同図において、ＤＲＹ（Ｊ１）は、ＤＲＹ路面を、制駆動力の範囲がＪ１＝−０．４Ｇ〜−０．２Ｇで走行させて得られたタイヤ振動の時系列波形のデータを学習用データとして構築した路面ＨＭＭで、ＤＲＹ（Ｊ１）は、ＤＲＹ路面を、制駆動力の範囲がＪ１＝−０．４Ｇ〜−０．２Ｇで走行させて得られたタイヤ振動の時系列波形のデータを学習用データとして構築した路面ＨＭＭ、ＤＲＹ（Ｊ２）は、制駆動力の範囲がＪ２＝−０．２Ｇ〜０Ｇで走行させて得られたタイヤ振動の時系列波形のデータを学習用データとして構築した路面ＨＭＭ、ＤＲＹ（Ｊ３）は、制駆動力の範囲がＪ３＝０Ｇ〜０．２Ｇで走行させて得られたタイヤ振動の時系列波形のデータを学習用データとして構築した路面ＨＭＭ、ＤＲＹ（Ｊ４）は、制駆動力の範囲がＪ４＝０．２Ｇ〜０。４Ｇで走行させて得られたタイヤ振動の時系列波形のデータを学習用データとして構築した路面ＨＭＭである。
ＷＥＴ（Ｊ１）〜ＷＥＴ（Ｊ４）、ＳＮＯＷ（Ｊ１）〜ＳＮＯＷ（Ｊ４）、ＩＣＥ（Ｊ１）〜ＩＣＥ（Ｊ４）も同様である。

尤度算出手段１８は、図５に示すように、複数（ここでは、５個）の路面ＨＭＭのそれぞれについて補正された特徴ベクトルＸ_t（Ｐ）の尤度を算出する。
尤度を算出する路面ＨＭＭは、制駆動力判定手段１３から出力された制駆動力Ｊが含まれる制駆動力の範囲Ｊｍ（ｍは１〜４のいずれか）の路面内ＨＭＭ（road）と路面外ＨＭＭ（silent）である。例えば、制駆動力がＪ＝０．１Ｇであれば、尤度を算出する路面内ＨＭＭは、ＤＲＹ（Ｊ３）、ＷＥＴ（Ｊ３）、ＳＮＯＷ（Ｊ３）、ＩＣＥ（Ｊ３）、及び、路面外ＨＭＭ（silent）の５個となる。
尤度は、本出願人らが特願２０１１−１４０９４３号において提案したように、まず、時間窓毎に出力確率Ｐ（Ｘ_t）を以下の式（１），（２）を用いて算出する。

Ｘ；データ系列
ｔ；時刻
Ｓ；状態数
Ｍ_s；混合ガウス分布の成分の数
ｃ_jsm；ｍ番目の混合成分の混合比
μ；ガウス分布の平均ベクトル
σ；ガウス分布の分散共分散行列
遷移確率π（Ｘ_t）は、路面ＨＭＭが７状態であるので、７×７の行列で表わせる。この遷移確率π（Ｘ_t）としては、前記路面ＨＭＭの学習により求められた特徴ベクトルＸ_tの状態間の遷移確率ａ_ij（Ｘ_t）を用いればよい。
そして、算出した出力確率Ｐ（Ｘ_t）と遷移確率π（Ｘ_t）との積である時間窓毎の出現確率Ｋ（Ｘ_t）を求め、この時間窓毎の出現確率Ｋ（Ｘ_t）を全ての時間窓について掛け合わせて尤度Ｚを求める。すなわち、尤度Ｚは、Ｚ＝ΠＰ（Ｘ_t）・遷移確率π（Ｘ_t）により求められる。あるいは、それぞれの時間窓毎に計算された出現確率Ｋ（Ｘ_t）の対数をとって、全ての時間窓について足し合わせることで尤度Ｚを求めてもよい。
ところで、路面ＨＭＭの状態が状態Ｓ₁から状態Ｓ₇まで遷移する経路（状態遷移系列）は、図６に示すように、複数存在する。すなわち、各路面ＨＭＭのそれぞれについて、尤度Ｚは状態遷移系列毎に異なる。
本例では、周知のビタビアルゴリズムを適用して最も尤度Ｚが大きい状態遷移系列Ｚ_Mを求め、この状態遷移系列を検出されたタイヤ振動の時系列波形に対応する状態遷移系列とするとともに、前記尤度Ｚ_Mを当該路面ＨＭＭのＺとする。
尤度Ｚ_Mは路面ＨＭＭ毎に求められる。
路面状態判別手段１９は、尤度算出手段１８により算出された複数の隠れマルコフモデル毎の尤度を比較し、最も尤度が大きくなる隠れマルコフモデルに対応する路面状態を当該タイヤが走行している路面の路面状態であると判定する。

次に、本実施の形態１に係る路面状態の判定方法について、図７のフローチャートを参照して説明する。
まず、加速度センサー１１にて走行中のタイヤ１のタイヤ周方向振動を検出するとともに、制駆動力推定手段１２は、タイヤにかかる制駆動力Ｊを推定する（ステップＳ１０）。
次に、推定された制駆動力Ｊの大きさ｜Ｊ｜が閾値Ｊ_Max以内（−Ｊ_Max≦Ｊ≦Ｊ_Max）であるか否かを判定する（ステップＳ１１）。
制駆動力Ｊの大きさ｜Ｊ｜が閾値Ｊ_Max以内にある場合には、ステップＳ１２に進んで、加速度センサー１１の出力であるタイヤ周方向振動を時系列に配列した時系列波形を検出した後、タイヤ振動のデータである時系列波形を予め設定した時間窓で窓掛けし、時間窓毎にタイヤ振動の時系列波形を抽出する（ステップＳ１３）。
一方、推定された制駆動力Ｊが、Ｊ＜−Ｊ_Max、もしくは、Ｊ＞Ｊ_Maxである場合には、タイヤ振動の時系列波形の抽出を中止する。
本例では、Ｊ_Max＝０．４Ｇ、Ｊ＝０．１Ｇとした。

ステップＳ１４では、抽出された各時間窓の時系列波形のそれぞれに対して特徴ベクトルＸ_t＝（ｘ_1t，ｘ_2t，ｘ_3t，ｘ_4t，ｘ_5t，ｘ_6t）を算出する。
次に、１番目（Ｎ＝１）の路面ＨＭＭについて、時間窓毎に出現確率Ｋ（Ｘ_t）＝出力確率Ｐ（Ｘ_t）×遷移確率π（Ｘ_t）を求め（ステップＳ１５）、この出現確率Ｋ（Ｘ_t）を全ての時間窓について掛け合わせて１番目の路面ＨＭＭにおける尤度Ｚ１を算出する（ステップＳ１６）。ここで、Ｊ＝０．１Ｇとすると、１番目のモデルはＤＲＹ（Ｊ３）となり、残りのモデルは、ＷＥＴ（Ｊ３）、ＳＮＯＷ（Ｊ３）、ＩＣＥ（Ｊ３）、及び、路面外ＨＭＭ（silent）の４つである。
次に、全てのモデルについて尤度Ｚの算出が終了したか否かを判定（ステップＳ１７）し、終了していない場合には、ステップＳ１５に戻って次のモデルであるＷＥＴ（Ｊ３）における尤度Ｚ２を算出する。
５個全てのモデルの尤度Ｚの計算が終了した場合には、ステップ１８に進んで、路面状態を判別する。具体的には、路面ＨＭＭ毎に算出された尤度Ｚ１〜Ｚ５を比較し、最も尤度が大きくなる路面ＨＭＭに対応する路面状態を当該タイヤが走行している路面の路面状態とする。

なお、前記実施の形態２では、推定した制駆動力Ｊの範囲［Ｊｍ］を４つにしたが、例えば、［Ｊ１（制動）］＝−０．４Ｇ〜−０．１Ｇ、［Ｊ２（定速）］＝−０．１Ｇ〜０．１Ｇ、［Ｊ３（駆動）］＝０．１Ｇ〜０．４Ｇの３つとしてもよいし、５つ以上としてもよい。また、閾値Ｊ_Maxも０．４Ｇに限るものではなく、０．２Ｇ〜０．８Ｇの範囲にあればよい。これば、Ｊ_Max＜０．２Ｇでは、制駆動力Ｊによる影響を補正する範囲が狭すぎ実用的でないからである。また、Ｊ_Max＞０．８Ｇでは、制駆動力Ｊが大きいため、特徴ベクトルの成分である特定周波数帯域の振動レベルｘ_ktの算出が困難であるので、閾値Ｊ_Maxとしては、０．２Ｇ〜０．８Ｇの範囲とすることが好ましい。
また、前記実施の形態２では、路面状態の判別をするための尤度Ｚの計算を推定した制駆動力Ｊに応じて行ったが、推定した制駆動力Ｊは、路面状態の判定を行うか否かの判定のみに使用し、路面状態については、１７個の尤度Ｚ１〜Ｚ１７を比較し、最も尤度が大きくなる路面ＨＭＭに対応する路面状態を当該タイヤが走行している路面の路面状態としてもよい。

実施の形態２．
図８は、本実施の形態２に係る路面状態判別装置２０の機能ブロック図で、同図において、１は振動検出手段としての加速度センサー、１２は制駆動力推定手段、１３は制駆動力判定手段、１４は振動波形検出手段、１５は窓掛け手段、１６は特徴ベクトル算出手段、２１は記憶手段、２２はカーネル関数算出手段、２３は路面状態判別手段である。
なお、実施の形態１と同符号の加速度センサー１１から特徴ベクトル算出手段１６までの各手段は、実施の形態１と同じものである。
すなわち、加速度センサー１１は走行中のタイヤ１のタイヤ周方向振動を検出し、 制駆動力推定手段１２は、タイヤにかかる制駆動力Ｊを推定する。
制駆動力判定手段１３は、推定された制駆動力Ｊから、タイヤ１の状態が路面状態の判定が可能な状態か否かを判定するとともに、推定された制駆動力Ｊの大きさ｜Ｊ｜が閾値Ｊ_Max以内（−Ｊ_Max≦Ｊ≦Ｊ_Max）である場合には、制駆動力Ｊのデータをカーネル関数算出手段２２に出力する。

振動波形検出手段１４は、タイヤ周方向振動を時系列に配列した時系列波形を検出する。
窓掛け手段１５は、タイヤ周方向振動の時系列波形を予め設定した時間幅（時間窓幅）で窓掛けし、時間窓毎にタイヤ振動の時系列波形を抽出する。
特徴ベクトル算出手段１６は、抽出された各時間窓の時系列波形のそれぞれに対して特徴ベクトルＸ_tを算出する。
本例では、特徴ベクトルＸ_tとして、タイヤ振動の時系列波形を、それぞれ、0-1kHz、1-2kHz、2-3kHz、3-4kHz、4-5kHzのバンドパスフィルタにそれぞれ通して得られた特定周波数帯域の振動レベル（フィルター濾過波のパワー値）ｘ_kt（ｋ＝１〜６）を用いた。
特徴ベクトルＸ_tは時間窓毎に求められるので、時間窓の総数をＮ個とすると特徴ベクトルＸ_tの数もＮ個となる。以下、窓番号がｉの特徴ベクトルをＸ_iとして、Ｘ_iの成分であるパワー値をｘ_kiと記載する。

図９は、特徴ベクトルＸ_iの入力空間を示す模式図で、各軸は特徴量である特定周波数帯域の振動レベルａ_ikを表し、各点が特徴ベクトルＸ_iを表している。実際の入力空間は特定周波数帯域の数が６つなので時間軸と合わせると７次元空間になるが、同図は２次元（横軸がａ₁、縦軸がａ₂）で表している。
例えば、車両がＤＲＹ路面を走行しているとすると、グループＣを形成する点は、車両がＳＮＯＷ路面を走行しているときに算出した特徴ベクトルＸ’_iから成るグループＣ’と区別することができれば、車両がＤＲＹ路面を走行しているかＳＮＯＷ路面を走行しているかを判定できる。
記憶手段２１は、予め求めておいた、ＤＲＹ路面とそれ以外の路面、ＷＥＴ路面とそれ以外の路面、ＳＮＯＷ路面とそれ以外の路面、ＩＣＥ路面とそれ以外の路面とを、分離超平面を表わす識別関数ｆ（ｘ）により分離するための１６個の路面モデルを記憶する。

路面モデルは、タイヤに加速度センサーを取り付けたタイヤを搭載した試験車両を、ＤＲＹ、ＷＥＴ、ＳＮＯＷ、及び、ＩＣＥの各路面で、それぞれ、タイヤ１に作用する制駆動力Ｊの範囲を変えて走行させて得られたタイヤ振動の時系列波形から算出された時間窓毎の特徴ベクトルである路面特徴ベクトルＹ_ASV（ｙ_jk）を入力データとして、学習により求められる。
なお、学習に使うタイヤサイズは１種類でもよいし、複数種でもよい。
路面特徴ベクトルＹ_ASV（ｙ_jk）の添え字Ａは、制駆動力Ｊの範囲がそれぞれ［Ｊ１］＝−０．４Ｇ〜−０．２Ｇ、［Ｊ２］＝−０．２Ｇ〜０Ｇ、［Ｊ３］＝０Ｇ〜０．２Ｇ、［Ｊ４］＝０．２Ｇ〜０．４Ｇである、ＤＲＹ、ＷＥＴ、ＳＮＯＷ、及び、ＩＣＥ、すなわち、図８に示した、ＤＲＹ（Ｊ１）〜ＤＲＹ（Ｊ４）、ＷＥＴ（Ｊ１）〜ＷＥＴ（Ｊ４）、ＳＮＯＷ（Ｊ１）〜ＳＮＯＷ（Ｊ４）、ＩＣＥ（Ｊ１）〜ＩＣＥ（Ｊ４）を示している。
また、添え字ｊ（ｊ＝１〜Ｍ）は時間窓で抽出した時系列波形の数（窓の番号）を示し、添え字ｋは、ベクトルの成分を示している。すなわち、ｙ_jk＝（ａ_j1，ａ_j2，ａ_j3，ａ_j4，ａ_j5，ａ_j6）である。また、ＳＶはサポートベクトルの略で、学習によって選択される識別境界の近傍のデータを表わす。
以下、路面特徴ベクトルＹ_ASV（ｙ_jk）を単にＹ_ASVと記す。

各路面特徴ベクトルＹ_ASVの算出方法は、前述した特徴ベクトルＸ_jと同様で、例えば、ＤＲＹ路面特徴ベクトルＹ_D2SVなら、ＤＲＹ路面を、タイヤに前記のＪ２の範囲にある制駆動力Ｊがかかった状態で走行した時のタイヤ振動の時系列波形を時間幅Ｔで窓掛けし、時間窓毎にタイヤ振動の時系列波形を抽出し、抽出された各時間窓の時系列波形のそれぞれに対してＤＲＹ路面特徴ベクトルＹ_D2算出する。なお、ＤＲＹ路面特徴ベクトルＹ_D2のベクトルｙ_iの次元数は、特徴ベクトルＸ_iと同じく６次元である。その後、Ｙ_D2を学習データとしてサポートベクトルマシーン（ＳＶＭ）によって学習することにより、サポートベクトルＹ_D2SVを選択する。なお、記憶手段１５にはＹ_D2を全て記憶する必要はなく、上記選択されたＹ_D2SVのみを記憶すればよい。ＤＲＹ路面特徴ベクトルＹ_D1SV、Ｙ_D3SV、及び、Ｙ_D4SVについても、ＷＥＴ路面特徴ベクトルＹ_W1SV〜Ｙ_W4SV、ＳＮＯＷ路面特徴ベクトルＹ_S1SV〜Ｙ_S4SV、ＩＣＥ路面特徴ベクトルＹ_I1SV〜Ｙ_I4SVについても、ＤＲＹ路面特徴ベクトルＹ_DS1Vと同様にして求めることができる。
本例では、路面状態の判別を、推定した制駆動力Ｊに応じて行う。
具体的には、推定した制駆動力Ｊが［Ｊｍ］（ｍ＝１〜４）の範囲である場合には、路面状態が、制駆動力が［Ｊｍ］のＤＲＹ路面か、制駆動力が［Ｊｍ］のＷＥＴＷ路面か、制駆動力が［Ｊｍ］のＳＮＯＷ路面、制駆動力がＪｍのＩＣＥ路面かを判別する。
以下、制駆動力が［Ｊｍ］の路面状態の路面をＡ路面、その路面特徴ベクトルＹ_Am及びＹ_AmSVを、Ｙ_A及びＹ_ASVとして説明する。

路面モデルは、本出願人らが特願２０１２−１７６７７９号において提案したように、各路面特徴ベクトルＹ_Aを学習データとして、ＳＶＭにより構築することができる。
図１０は、入力空間上における、ＤＲＹ路面特徴ベクトルＹ_DSVと、ＤＲＹ路面以外の路面特徴ベクトルＹ_nDSVを示す概念図で、同図の黒丸がＤＲＹ路面、薄い色の丸がＤＲＹ路面以外の路面特徴ベクトルである。
なお、ＤＲＹ路面特徴ベクトルもＤＲＹ路面以外の路面特徴ベクトルも行列であるが、グループの識別境界の求め方を説明するため、図１０では、ＤＲＹ路面特徴ベクトルとＤＲＹ路面以外の路面特徴ベクトルとをそれぞれ２次元のベクトルで示した。
グループの識別境界は、一般には、線形分離が不可能である。そこで、カーネル法を用いて、路面特徴ベクトルＹ_DSV及びＹ_nDSVを非線形写像φによって高次元特徴空間に写像して線形分離を行うことで、元の入力空間において路面特徴ベクトルＹ_DSV及びＹ_nDSVに対して非線形な分類を行う。

具体的には、データの集合Ｘ＝（ｘ₁，ｘ₂，……ｘ_n）と所属クラスｚ＝｛１、−１｝とを用いて、データを識別する最適な識別関数ｆ（ｘ）＝ｗ^Tφ（ｘ）−ｂを求める。ここで、データは路面特徴ベクトルＹ_Dj，Ｙ_nDjで、所属クラスはｚ＝１が同図のχ₁で示すＤＲＹ路面のデータで、ｚ＝−１がχ₂で示すＤＲＹ路面以外の路面のデータである。また、ｗは重み係数、ｂは定数で、ｆ（ｘ）＝０が識別境界である。
識別関数ｆ（ｘ）＝ｗ^Tφ（ｘ）−ｂは、例えば、ラグランジュ未定乗数法を用いて最適化される。最適化問題は、以下の式（３），（４）に置き換えられる。

ここで、α，βは複数ある学習データの指標である。また、λはラグランジュ乗数で、λ＞０である。
このとき、内積φ（ｘ_α）φ（ｘ_β）をカーネル関数Ｋ（ｘ_α，ｘ_β）に置き換えることで、識別関数ｆ（ｘ）＝ｗ^Tφ（ｘ）−ｂを非線形できる。なお、φ（ｘ_α）φ（ｘ_β）は、ｘ_αとｘ_βを写像φで高次元空間へ写像した後の内積である。
ラグランジュ乗数λは、前記の式（２）について、最急下降法やＳＭＯ（Sequential Minimal Optimization）などの最適化アルゴリズムを用いて求めることができる。このとき、カーネル関数を使っているので、高次元の内積を直接求める必要がない。したがって、計算時間を大幅に縮減できる。

本例では、カーネル関数Ｋ（ｘ_α，ｘ_β）として、グローバルアライメントカーネル関数（ＧＡカーネル）を用いた。ＧＡカーネルＫ（ｘ_α，ｘ_β）は、図１１及び以下の式（５），（６）に示すように、ＤＲＹ路面特徴ベクトルｘ_i＝Ｙ_DiとＤＲＹ路面以外の路面特徴ベクトルｘ_ｊ＝Ｙ_nDjとの類似度を示すローカルカーネルκ_ij（ｘ_i，ｘ_j）の総和もしくは総積から成る関数で、時間長さの異なる時系列波形を直接比較することができる。

ローカルカーネルκ_ij（ｘ_i，ｘ_j）は、時間間隔Ｔの窓毎に求められる。
なお、図１１は、時間窓の数が６であるＤＲＹ路面特徴ベクトルＹ_Djと、時間窓の数が４であるＤＲＹ路面以外の路面特徴ベクトルＹ_nDjとのＧＡカーネルを求めた例である。
ローカルカーネルκ_ij（ｘ_i，ｘ_j）は、時間間隔Ｔの窓毎に求められる。

ＤＲＹ路面とＤＲＹ路面以外の路面とを区別するには、ＤＲＹ路面特徴ベクトルＹ_DjとＤＲＹ路面以外の路面特徴ベクトルＹ_nDjとを分離する分離超平面である識別関数ｆ（ｘ）に対してマージンを持たせることで、ＤＲＹ路面とＤＲＹ路面以外の路面とを精度よく区別することができる。
マージンとは、分離超平面から一番近いサンプル（サポートベクトル）までの距離をいい、識別境界である分離超平面はｆ（ｘ）＝０である。そして、ＤＲＹ路面特徴ベクトルＹ_Djは全てｆ（ｘ）≧＋１の領域にあり、ＤＲＹ路面以外の路面特徴ベクトルＹ_nDjは、ｆ（ｘ）≦−１の領域にある。
ＤＲＹ路面とそれ以外の路面とを区別するＤＲＹ路面モデルは、ｆ（ｘ）＝＋１の距離にあるサポートベクトルＹ_DSVと、ｆ（ｘ）＝−１の距離にあるサポートベクトルＹ_nDSVととを備えた入力空間である。前記Ｙ_DSVと前記Ｙ_nDSVとは、一般に複数個存在する。
ＷＥＴ路面とそれ以外の路面とを区別するＷＥＴモデル、ＳＮＯＷ路面とそれ以外の路面とを区別するＳＮＯＷモデル、及び、ＩＣＥ路面とそれ以外の路面とを区別するＩＣＥモデルについても同様である。

カーネル関数算出手段２２は、特徴ベクトル算出手段１６で算出された特徴ベクトルＸ_iと、記憶手段１５に記録されているＤＲＹモデル、ＷＥＴモデル、ＳＮＯＷモデル、及び、ＩＣＥモデルの各サポートベクトルＹ_ASV，Ｙ_nASV（Ａ＝Ｄ，Ｗ，Ｓ，Ｉ）から、それぞれＧＡカーネルＫ_D（Ｘ，Ｙ）、Ｋ_W（Ｘ，Ｙ），Ｋ_S（Ｘ，Ｙ），Ｋ_I（Ｘ，Ｙ）を算出する。
ＧＡカーネルＫ（Ｘ，Ｙ）は、図１２にも示すように、前記の［数３］において、ｘ_iを特徴ベクトルＸ_iとし、ｘ_jを路面特徴ベクトルＹ_Aj，Ｙ_nAjとしたときのローカルカーネルκ_ij（Ｘ_i，Ｙ_j）の総和もしくは総積から成る関数で、時間長さの異なる時系列波形を直接比較することができる。なお、同図は、ｘ_jが路面特徴ベクトルＹ_Ajの例で、特徴ベクトルＸ_iの時間窓の数はｎ＝５で、路面特徴ベクトルＹ_Ajの時間窓の数はｍ＝４である。
本例のように、特徴ベクトルＸ_iを求めた場合の時間窓の時系列波形の数ｎと、路面特徴ベクトルＹ_Aj（もしくはＹ_nAj）求めた場合の時間窓の時系列波形の数ｍとが異なっている場合でも、特徴ベクトルＸ_i，Ｙ_Aj間（もしくはＸ_i，Ｙ_nAj間）の類似度を求めることができる。

路面状態判別手段２３では、以下の式（７）〜（１０）に示す、カーネル関数Ｋ_A（Ｘ，Ｙ）を用いた４つの識別関数ｆ_A（ｘ）の値に基づいて路面状態を判別する（Ａ＝Ｄ，Ｗ，Ｓ，Ｉ）。

ｆ_DはＤＲＹ路面とその他の路面とを識別する識別関数、ｆ_WはＷＥＴ路面とその他の路面とを識別する識別関数、ｆ_SはＳＮＯＷ路面とその他の路面とを識別する識別関数、ｆ_IはＩＣＥ路面とその他の路面とを識別する識別関数である。
また、Ｎ_DSVはＤＲＹモデルのサポートベクトルの数、Ｎ_WSVはＷＥＴモデルのサポートベクトルの数、Ｎ_SSVはＳＮＯＷモデルのサポートベクトルの数、Ｎ_ISVはＩＣＥモデルのサポートベクトルの数である。
本例では、識別関数ｆ_D，ｆ_W，ｆ_S，ｆ_Iをそれぞれ計算し、計算された識別関数ｆ_Aの最も大きな値を示す識別関数から路面状態を判別する。
すなわち、推定した制駆動力Ｊが［Ｊ１］＝−０．４Ｇ〜−０．２Ｇの範囲である場合には、識別関数ｆ_D1，ｆ_W1，ｆ_S1，ｆ_I1をそれぞれ計算し、計算された識別関数ｆ_A1の最も大きな値を示す識別関数から路面状態を判別し、推定した制駆動力Ｊが［Ｊ２］＝−０．２Ｇ〜０Ｇの範囲である場合には、識別関数ｆ_D2，ｆ_W2，ｆ_S2，ｆ_I2をそれぞれ計算し、計算された識別関数ｆ_A2の最も大きな値を示す識別関数から路面状態を判別する。
推定した制駆動力Ｊが［Ｊ３］＝０Ｇ〜０．２Ｇの場合も、［Ｊ４］＝０．２Ｇ〜０．４Ｇの場合も同様である。

次に、本実施の形態３に係る路面状態の判定方法について、図１３のフローチャートを参照して説明する。
まず、加速度センサー１１にて走行中のタイヤ１のタイヤ周方向振動を検出するとともに、制駆動力推定手段１２は、タイヤにかかる制駆動力Ｊを推定する（ステップＳ２０）。
次に、推定された制駆動力Ｊの大きさ｜Ｊ｜が閾値Ｊ_Max以内（−Ｊ_Max≦Ｊ≦Ｊ_Max）であるか否かを判定する（ステップＳ２１）。
制駆動力Ｊの大きさ｜Ｊ｜が閾値Ｊ_Max以内にある場合には、ステップＳ２２に進んで、加速度センサー１１の出力であるタイヤ周方向振動を時系列に配列した時系列波形を検出した後、タイヤ振動のデータである時系列波形を予め設定した時間窓で窓掛けし、時間窓毎にタイヤ振動の時系列波形を抽出する（ステップＳ２３）。
一方、推定された制駆動力Ｊが、Ｊ＜−Ｊ_Max、もしくは、Ｊ＞Ｊ_Maxである場合には、タイヤ振動の時系列波形の抽出を中止する。
本例では、Ｊ_Max＝０．４Ｇ、Ｊ＝０．１Ｇとした。

ステップＳ２４では、抽出された各時間窓の時系列波形のそれぞれに対して特徴ベクトルＸ_t＝（ｘ_1t，ｘ_2t，ｘ_3t，ｘ_4t，ｘ_5t，ｘ_6t）を算出する。
次に、特徴ベクトルＸ_iと推定された制駆動力Ｊとから、記憶手段１５に記録されている路面モデルのサポートベクトルＹ_Akとから、ローカルカーネルκ_ij（Ｘ_i，Ｙ_j）を算出した後、ローカルカーネルκ_ij（Ｘ_i，Ｙ_j）の総和を求めて、グローバルアライメントカーネル関数Ｋ_D（Ｘ，Ｙ），Ｋ_W（Ｘ，Ｙ），Ｋ_S（Ｘ，Ｙ），Ｋ_I（Ｘ，Ｙ）をそれぞれ算出する（ステップＳ２５）。
なお、厳密には、推定された制駆動力Ｊの範囲が［Ｊｍ］である場合、サポートベクトルはＹ_Amk、グローバルアライメントカーネル関数はＫ_Dm（Ｘ，Ｙ），Ｋ_Wm（Ｘ，Ｙ），Ｋ_Sm（Ｘ，Ｙ），Ｋ_Im（Ｘ，Ｙ）となるが、以下、添え字ｍを省略して説明数する。
次に、カーネル関数Ｋ_A（Ｘ，Ｙ）を用いた４つの識別関数ｆ_D（ｘ），ｆ_W（ｘ），ｆ_S（ｘ），ｆ_I（ｘ）をそれぞれ計算（ステップＳ２６）した後、計算された識別関数ｆ_A（ｘ）の値を比較して、最も大きな値を示す識別関数の路面状態を当該タイヤ１の走行している路面の路面状態と判別する（ステップＳ２７）。

なお、前記実施の形態３では、路面状態の判別を推定した制駆動力Ｊに応じて行ったが、推定した制駆動力Ｊは、路面状態の判定を行うか否かの判定のみに使用し、路面状態については、１６個の識別関数ｆ_D1〜ｆ_D4，ｆ_W1〜ｆ_w4，ｆ_S1〜ｆ_S4Dｆ_I1〜ｆ_I4を用いて判別してもよい。

１ タイヤ、２ インナーライナー部、３ トレッド、４ ホイールリム、
５ タイヤ気室、
１０ 路面状態判別装置、１１ 加速度センサー、１２ 制動力推定手段、
１３ 制駆動力判定手段、１４ 振動波形検出手段、１５ 窓掛け手段、
１６ 特徴ベクトル算出手段、１７ 記憶手段、１８ 尤度算出手段、
１９ 路面状態判別手段。

Claims (4)

1. 走行中のタイヤの振動を検出するステップ（ａ）と、前記検出されたタイヤの振動の時系列波形を取り出すステップ（ｂ）と、前記タイヤ振動の時系列波形に所定の時間幅の窓関数をかけて時間窓毎の時系列波形を抽出するステップ（ｃ）と、前記時間窓毎の時系列波形からそれぞれ特徴ベクトルを算出するステップ（ｄ）と、前記ステップ（ｄ）で算出した時間窓毎の特徴ベクトルと、加速度センサーを備えたタイヤを搭載した車両を複数の路面状態の路面でそれぞれ走行させて得られたタイヤ振動の時系列波形のデータを学習用データとして構築した路面モデルとを用いて走行中の路面の状態を判別するステップ（ｅ）とを備えた路面状態判別方法において、
   前記路面モデルを、制駆動力の大きさに応じて複数構築するとともに、
   前記タイヤに作用する制動駆動力を推定するステップを設け、
   前記ステップ（ｅ）では、
   前記特徴ベクトルと前記推定された制駆動力の大きさに応じた路面モデルとを用いて、路面の状態を判別することを特徴とする路面状態判別方法。
2. 前記路面モデルを予め路面状態毎に構成された隠れマルコフモデルとするとともに、
   前記ステップ（ｅ）では、
   前記特徴ベクトルの尤度を、前記複数の隠れマルコフモデルのそれぞれについて算出し、前記算出された尤度を用いて路面状態を判別することを特徴とする請求項１に記載の路面状態判別方法。
3. 前記ステップ（ｅ）では、
   ステップ（ｄ）で算出した時間窓毎の特徴ベクトルと、予め算出しておいた路面状態毎に求められたタイヤ振動の時系列波形から算出された時間窓毎の特徴ベクトルである路面特徴ベクトルとからカーネル関数を算出した後、前記カーネル関数を用いて前記路面モデルを識別する識別関数の値に基づいて路面状態を判別することを特徴とする請求項１に記載の路面状態判別方法。
4. 前記推定された制駆動力の大きさが、予め設定された範囲を超えた場合には、路面状態の判別を行わないようにしたことを特徴とする請求項１〜請求項３のいずれかに記載の路面状態判別方法。

Images