JP2018194337A - 路面状態判別方法及び路面状態判別装置 - Google Patents

Abstract

【課題】演算量を大幅に削減して、路面状態を速やかにかつ精度よく判別できる方法とその装置を提供することを目的とする。【解決手段】振動検出手段により検出した走行中のタイヤの振動の時間変化波形からタイヤの接している路面の状態を判別する際に、タイヤの振動の時間変化波形のデータから、経験的モード分解のアルゴリズムを用いて複数の固有振動モードを取得した後、これら複数の固有振動モードから任意の固有振動モードを選択して、この選択された固有振動モードにヒルベルト変換を行って算出した特徴データの分布から統計量を算出してこれを特徴量とし、この特徴量と予め路面状態ごとに求めておいた特徴量とから、路面状態を判別するようにした。【選択図】図８

Description

本発明は、車両の走行する路面の状態を判別する方法とその装置に関する。

従来、走行中のタイヤ振動の時系列波形のデータのみを用いて路面状態を判別する方法として、タイヤの振動の時系列波形に窓関数をかけて抽出した時系列波形から算出される時間窓毎の特徴ベクトルである特定周波数帯域の振動レベルと、予め路面状態毎に求めておいたタイヤ振動の時系列波形から算出された時間窓毎の路面特徴ベクトルとから算出したＧＡカーネルなどの関数を用い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１参照）。

特開２０１４−３５２７９号公報

しかしながら、前記従来の方法では、時系列波形を時間伸縮するため、ＧＡカーネルの計算に時間がかかるだけでなく、データ数が多いため、処理が非常に重いといった問題点があった。
時間伸縮は、取得されたタイヤの振動波形（加速度波形）を比較するための必要なもので、例えば、30km/hの速度で走行した場合、10kHzのサンプリングレートでタイヤ一周分（周長2m）のデータを取得した場合、計測点数が2400点あるのに対し、90km/hの速度で走行した場合には、計測点数が800点となる。このため、単純に波形を比較することは難しく、時間軸に対して波形を伸縮させる必要があった。
この時間伸縮の操作が演算量の下がらない主要因であった。

本発明は、従来の問題点に鑑みてなされたもので、演算量を大幅に削減して、路面状態を速やかにかつ精度よく判別できる方法とその装置を提供することを目的とする。

本発明は、振動検出手段により検出した走行中のタイヤの振動の時間変化波形からタイヤの接している路面の状態を判別する方法であって、前記タイヤの振動の時間変化波形を検出するステップと、前記時間変化波形のデータから、経験的モード分解のアルゴリズムを用いて複数の固有振動モードを取得するステップと、前記複数の固有振動モードから、任意の固有振動モードを選択して抽出するステップと、前記抽出された固有振動モードにヒルベルト変換を行って、瞬時周波数や瞬時振幅などの特徴データを算出するステップと、前記特徴データの分布から特徴量を算出するステップと、前記算出された特徴量と予め路面状態毎に求めておいた特徴量とから、路面状態を判別するステップとを備え、前記特徴量が、前記特徴データの分布の平均、標準偏差、歪度、尖度等の統計量であることを特徴とする。
このように、タイヤの振動の時間変化波形から抽出する特徴量を、時間に依存しない統計量とすることで、演算量を大幅に削減することができるようにしたので、路面状態を速やかにかつ精度よく判別することができる。
なお、上記の路面状態毎の特徴量は、予め路面状態毎に求めておい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量を学習データとした、機械学習（サポートベクターマシーン）により求められる。
また、前記路面状態を判別するステップにおいて、前記算出された特徴量と前記予め路面状態毎に求めておいた特徴量とからガウシアンカーネル関数を算出した後、前記算出されたガウシアンカーネル関数を用いた識別関数の値から路面状態を判別するようにしたので、演算量を確実に低減することができる。
また、路面判別が、２路面判別である場合には、サポートベクターマシーンで引く、一方の路面状態の特徴量の分布の境界面と、他方の路面状態の特徴量の分布の境界面との２本の境界面に代えて、一方の路面状態と他方の路面状態とを分離する１本の境界面を用いて路面状態を判別したので、路面状態の判別精度が更に向上した。

また、本発明は、走行中のタイヤの振動を検出してタイヤの接している路面の状態を判別する路面状態判別装置であって、前記タイヤに取付られて走行中のタイヤの振動の時間変化波形を検出する振動検出手段と、前記の時間変化波形から、経験的モード分解のアルゴリズムを用いて複数の固有振動モードを取得し、前記取得された複数の固有振動モードから任意の固有振動モードを抽出する固有振動モード抽出手段と、前記抽出された固有振動モードにヒルベルト変換を行い特徴データを算出する特徴データ算出手段と、前記特徴データの分布から特徴量を算出する特徴量算出手段と、予め路面状態毎に求められた振動の時間変化波形を用いて算出された特徴量を記憶する記憶手段と、前記算出された特徴量と前記予め路面状態毎に求めておいた特徴量とからガウシアンカーネル関数を算出するカーネル関数算出手段と、前記算出されたガウシアンカーネル関数を用いた識別関数の値から路面状態を判別する路面状態判別手段とを備え、前記特徴量が、前記特徴データの分布の平均、標準偏差、歪度、尖度等の統計量であり、前記路面状態判別手段は、路面状態毎に求めた識別関数の値を比較して路面状態を判別することを特徴とする。
上記の構成の路面状態判別装置を用いれば、演算量を大幅に削減することができ、路面状態を速やかにかつ精度よく判別することができる。
なお、上記ガウシアンカーネル関数に代えて、多項式カーネル関数、ラプラスカーネル関数等の不定値カーネル関数を用いることも可能である。

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。

本実施の形態に係る路面状態判別装置の構成を示す機能ブロック図である。 加速度センサーの装着位置の一例を示す図である。 タイヤ振動の時系列波形の一例を示す図である。 固有振動モードの取得方法を示す図である。 特徴データの取得方法を示す図である。 特徴量の分布状態の一例を示す図である。 入力空間と特徴空間における分離超平面を示す模式図である。 本実施の形態に係る路面状態の判別方法を示すフローチャートである。 従来法と本手法の路面判別精度を比較した図である。 従来法と本手法の学習時間を比較した図である。 ＤＲＹ/ＷＥＴの２路面判別のための境界面を示す図である。 従来法と本手法のＤＲＹ/ＷＥＴの２路面判別精度を比較した図である。

図１は、路面状態判別装置１０の構成を示す機能ブロック図である。
路面状態判別装置１０は、タイヤ振動検出手段としての加速度センサー１１と、振動波形検出手段１２と、固有振動モード抽出手段１３と、特徴データ算出手段１４と、特徴量算出手段１５と、記憶手段１６と、カーネル関数算出手段１７と、路面状態判別手段１８とを備える。
振動波形検出手段１２〜路面状態判別手段１８の各手段は、例えば、コンピュータのソフトウェア、及び、ＲＡＭ等のメモリーから構成される。
加速度センサー１１は、図２に示すように、タイヤ２０のインナーライナー部２１のタイヤ気室２２側のほぼ中央部に一体に配置されて、路面からの入力による当該タイヤ２０の振動を検出する。加速度センサー１１の出力であるタイヤ振動の信号は、例えば、増幅器で増幅された後、デジタル信号に変換されて振動波形検出手段１２に送られる。

振動波形検出手段１２では、加速度センサー１１で検出したタイヤ振動の信号から、タイヤの一回転毎に、タイヤ振動の時系列波形である加速度波形を抽出する。
図３はタイヤ振動の時系列波形の一例を示す図で、タイヤ振動の時系列波形は、踏み込み位置近傍と蹴り出し位置近傍に大きなピークを有しており、かつ、タイヤ２０の陸部が接地する前の踏み込み前領域Ｒ_fにおいても、タイヤ２０の陸部が路面から離れた後の蹴り出し後領域Ｒ_kにおいても、路面状態によって異なる振動が出現する。一方、踏み込み前領域Ｒ_fの前の領域と蹴り出し後領域Ｒ_kの後の領域（以下、路面外領域という）とは路面の影響を殆ど受けていないので、振動レベルも小さく、路面の情報も含んでいない。
なお、路面外領域の定義としては、例えば、加速度波形に対してバックグラウンドレベルを設定し、このバックグラウンドレベルよりも小さな振動レベルを有する領域を路面外領域とすればよい。
本例では、加速度波形のうちの、路面の情報を含む領域である路面内領域（踏み込み前領域Ｒ_f、接地領域Ｒ_s、及び、蹴り出し後領域Ｒ_k）の加速度波形を計測データｘ₁(t)とし、この計測データｘ₁(t)を、経験的モード分解（Empirical Mode Decomposition ; EMD）のアルゴリズムを用いて複数の固有振動モード（Intrinsic Mode Function ; IMF）に分解した後、各IMFに対してヒルベルト変換を行って、特徴量を算出する。

固有振動モード抽出手段１３は、計測データｘ₁(t)から、EMDのアルゴリズムを用いて複数のIMF（Ｃ₁，Ｃ₂，……，Ｃ_n）を取得するとともに、取得された複数のIMFから任意のIMFＣ_kを抽出する。
ここで、IMFの求め方について説明する。
まず、図４に示すように、計測データｘ₁(t)の全ての極大点と極小点とを抽出し、極大点を結んだ上側包絡線ｅ_max(t)と極小点を結んだ下側包絡線ｅ_min(t)とを求めた後、上側包絡線ｅ_max(t)と下側包絡線ｅ_min(t)との局所平均ｍ₁(t)＝（ｅ_max(t)＋ｅ_min(t)）/２を算出する。
次に、計測データｘ₁(t)と局所平均ｍ₁(t)との差分波形ｙ₁(t)＝ｘ₁(t)−ｍ₁(t)を求める。差分波形ｙ₁(t)は対称性が乏しく、IMFとはいえない。そこで、差分波形ｙ₁ (t)に計測データｘ₁ (t)に対して行った処理と同様の処理を行い、差分波形ｙ₂(t)を求める。更に、この処理を繰り返し行って、差分波形ｙ₃(t)，ｙ₄(t)，……，ｙ_m(t)を求める。差分波形ｙ_k(t)はｋが大きくなるほど対称性が高く、IMFに近くなる。
差分波形がIMFとなる条件としては、ｙ_k(t)のゼロクロス点の数とピーク数が、IMFを求める過程で４〜８回連続して変化せず、かつ、ゼロクロス点の数とピーク数が一致するとうい条件が提案されている。なお、局所平均ｍ_k(t)の標準偏差が閾値以下になった時点における差分波形ｙ_k-1(t)をIMFとしてもよい。
この計測データｘ₁(t)から抽出したIMFを、第１のIMFＣ₁という。

次に、第１のIMFＣ₁と計測データｘ₁(t)とから第２のIMFＣ₂を抽出する。具体的には、計測データｘ₁(t)から第１のIMFＣ₁を引いたデータｘ₂(t)＝ｘ₁(t)−IMFＣ₁を新たな計測データとし、この新たな計測データｘ₂(t)に対して、上記の計測データｘ₁(t)に対する処理と同様の処理を行って第２のIMFＣ₂を抽出する。
この処理を、繰り返し、第ｎのIMFＣ_nが、極値が１以下である波形になった時点で、IMFを求める処理を終了する。抽出されるIMFの個数は元波形（計測データ）により変化するが、通常は、１０〜１５個のIMFが抽出される。
なお、IMFＣ_kは、高周波成分から順番に抽出される。
また、全てのIMFＣ_kの和は、計測データｘ₁(t)に等しい。
ところで、路面判定のためには、タイヤ振動の高周波成分に着目する必要があるので特徴量を算出するためのIMFとしては、第１のIMFＣ₁や第２のIMFＣ₂などの低い番号のIMFを用いればよい。
なお、計算量を低減するには、使用するIMFのみを抽出して、そこで計算をとめるようにすればよい。例えば、第３のIMFＣ₃のみを使用する場合には、第４のIMFＣ₄以降を抽出する計算を省略してもよい。
以下、使用するIMFである第ｋのIMFＣ_kをＸ_k(t)とする。

特徴データ算出手段１４は、得られたIMFＸ_k(t)についてヒルベルト変換を行い、波形のゼロクロス点における瞬時周波数ｆ_k(t)と、瞬時振幅ａ_k(t)を算出する。瞬時周波数ｆ_k(t)は、位相関数θ_k(t)の時間微分である。
Ｘ_k(t)のヒルベルト変換Ｙ_k(t)は、以下の式（１）で求められる。
［数１］

このヒルベルト変換により、特徴データを算出するための解析波形Ｚ_k(t)は、以下の式（２）〜（４）のように表せる。また、瞬時周波数ｆ_k(t)は式（５）で求められる。
［数２］

図５に示すように、各IMFＸ_k(t)の波形は、複数の時刻t_jにおいてのゼロクロス点を有し、時刻t_jと時刻t _j+1との間に、瞬時振幅の極大値を有する。
そこで、同図の太線で示す、時刻t_jと時刻t _j+1との間の波形を、周波数ｆ_kjが瞬時周波数ｆ_k(t_j)で、振幅ａ_kjが瞬時振幅ａ_k(t_j ^’)の波形ｃ_k,jの一部（λ_k,j/２）とみなし、この周波数ｆ_kjと振幅ａ_kjとを各IMFＸ_k(t)の特徴データとする。ここで、t_j ^’＝（t_j＋t_j+1）/２である。
特徴量算出手段１５は、IMFＸ_k(t)の特徴データである周波数ｆ_k,jに対する振幅ａ_k,jの分布から統計量である、平均μ_k、標準偏差σ_k、及び、歪度ｂ_{1 k}を算出する。
これらの統計量は、時間に依存しない統計量であるので、これらの統計量を特徴量として採用する。なお、特徴量はＣ_k毎に求まる。
以下、使用する特徴量を第１のIMFＣ₁の特徴量とする。

図６は、車両が、路面状態がＤＲＹ，ＷＥＴの２路面を走行したときの加速度波形から算出された特徴量の分布を示す図で、ξ軸が平均μ、η軸が標準偏差σ、ζ軸が歪度ｂ₁である。また、色の薄い丸がＤＲＹ路面、色の濃い丸がＷＥＴ路面のデータである。
ここで、特徴量をＸ＝（μ，σ，ｂ₁）とすると、図６は特徴量Ｘの入力空間で、色の薄い丸で示した車両がＤＲＹ路面を走行しているグループと、色の濃い丸で示した車両がＷＥＴ路面を走行しているグループとを区別することができれば、特徴量Ｘから、車両の走行している路面がＤＲＹ路面かＷＥＴ路面かを判定することができる。
同様に、ＳＮＯＷ路面やＩＣＥ路面を走行したときの加速度波形からも、ＳＮＯＷ路面における特徴量の分布やＩＣＥ路面における特徴量の分布を求めることができる。

記憶手段１６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４つ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の各路面で様々な速度で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特徴量Ｙ_A＝（μ_A，σ_A，ｂ_1A）を求めた後、Ｙ_Aを学習データとして、サポートベクターマシーン（ＳＶＭ）により構築される。なお、添え字Ａは、ＤＲＹ、ＷＥＴ、ＳＮＯＷ、及び、ＩＣＥを示している。また、ＳＶＭにより選択された識別境界の近傍の特徴量を路面特徴量Ｙ_ASVという。
図７は、入力空間上における、ＤＲＹ路面特徴量Ｙ_DSVと、ＤＲＹ路面以外の路面の路面特徴量Ｙ_nDSVを示す概念図で、同図の黒丸がＤＲＹ路面、白丸がＤＲＹ路面以外の路面の特徴量である。なお、実際の入力空間は特徴量の数が３つであるが、同図は２次元（横軸がｐ₁、縦軸がｐ₂）で表している。なお、記憶手段１６は、Ｙ_D，Ｙ_W，Ｙ_S，Ｙ_Iを全て記憶する必要はなく、上記Ｙ_DSV，Ｙ_WSV，Ｙ_SSV，Ｙ_ISVのみを記憶すればよい。

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、データは路面特徴量Ｙ_D，Ｙ_nD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（６），（７）に置き換えられる。
［数３］

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、以下の式に示す、ガウシアンカーネル（ＲＢＦカーネル）を用いた。
［数４］

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_DとＤＲＹ路面以外の路面の路面特徴ベクトルＹ_nD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、図７に示すように、ＤＲＹ路面特徴量Ｙ_Dは全てｆ（ｘ）≧＋１の領域にあり、ＤＲＹ路面以外の路面の路面特徴ベクトルＹ_W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。Ｙ_DSVとＹ_nDSVとは、一般に複数個存在する。

カーネル関数算出手段１７は、特徴量算出手段１５にて算出された特徴量Ｘと、記憶手段１６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_DSV、Ｙ_WSV、Ｙ_SSV、及び、Ｙ_ISVとから、それぞれカーネル関数Ｋ_D（Ｘ，Ｙ）、Ｋ_W（Ｘ，Ｙ）、Ｋ_S（Ｘ，Ｙ）、及び、Ｋ_I（Ｘ，Ｙ）を算出する。
路面状態判別手段１８では、以下の式（９）〜（１２）に示す、カーネル関数Ｋ_D（Ｘ，Ｙ），Ｋ_W（Ｘ，Ｙ），Ｋ_S（Ｘ，Ｙ），Ｋ_I（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）の値に基づいて路面状態を判別する。
［数５］

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。
識別関数のラグランジュ乗数λ_Dなどの値は、ＤＲＹ路面とその他の路面とを識別する識別関数を求める際の学習により求められる。
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。

次に、路面状態判別装置１０を用いて、タイヤ２０の走行している路面の状態を判別する方法について、図８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によりタイヤ２０が走行している路面Ｒからの入力により発生したタイヤ振動を検出し（ステップＳ１０）、検出されたタイヤ振動の信号からタイヤ振動の時系列波形を抽出する（ステップＳ１１）。
そして、抽出されたタイヤ振動の時系列波形のデータから、EMDのアルゴリズムを用いて複数のIMFＣ₁〜Ｃ_nを取得した後（ステップＳ１２）後、これらのIMFの中から、低い番号の第１〜第３のIMFＣ₁〜Ｃ₃を抽出して、路面状態の判定に使用する使用するIMFＣ_kを選択し、これをＸ_k(t)とする（ステップＳ１３）。
次に、Ｘ_k(t)に対してヒルベルト変換を行って、特徴データであるゼロクロス点における瞬時周波数ｆ_k(t)と、瞬時振幅ａ_k(t)の極大値とを算出（ステップＳ１４）した後、瞬時周波数ｆ_k(t)に対する瞬時振幅ａ_k(t)の分布から統計量を算出し、この算出された統計量を特徴量Ｘ_kとする（ステップＳ１５）。本例では、統計量を平均μ_k、標準偏差σ_k、及び、歪度ｂ_{1 k}をとした。
次に、算出された特徴量Ｘ_kと、記憶手段１６に記録されている路面モデルのサポートベクトルＹ_Aとから、カーネル関数Ｋ_A（Ｘ，Ｙ）を求める（ステップＳ１６）。ここで、添え字Ａは、ＤＲＹ、ＷＥＴ、ＳＮＯＷ、及び、ＩＣＥを示す。
そして、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Ｓ１７）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２０の走行している路面の路面状態と判別する（ステップＳ１８）。

図９は、本手法の路面判別精度と、タイヤ振動の時系列波形から算出された特定周波数の振動レベルを特徴量とし、ＧＡカーネルを用いて路面状態を判別する従来法の判定精度とを比較した図で、本手法では、従来法と比較して、３〜４％程度増加していることが分かる。
また、図１０に示すように、同じデータ数（およそ３３００データ）に対し、特徴抽出後のデータを用いて、サポートベクターマシーンの学習にかかる時間を、本手法と従来法とで比較したところ、かなりの改善効果が得られた。したがって、本手法では、従来法に比較して演算量が大幅に少なくなっていることが確認された。

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は前記実施の形態に記載の範囲には限定されない。前記実施の形態に、多様な変更または改良を加えることが可能であることが当業者にも明らかである。そのような変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲から明らかである。

例えば、前記実施の形態では、タイヤ振動検出手段を加速度センサー１１としたが、圧力センサーなどの他の振動検出手段を用いてもよい。また、加速度センサー１１の設置箇所についても、タイヤ幅方向中心から幅方向に所定距離だけ離隔した位置に１個ずつ配設したり、ブロック内に設置するなど他の箇所に設置してもよい。また、加速度センサー１１の個数も１個に限るものではなく、タイヤ周方向の複数箇所に設けてもよい。
また、前記実施の形態では、特徴量を算出するためのIMFとして第１のIMFＣ₁を用いたが、他のIMFを用いてもよい。なお、上記したように、路面判定のためには、タイヤ振動の高周波成分に着目する必要があるので特徴量を算出するためのIMFとしては、低い番号のIMFを用いることが好ましい。
なお、計算量を低減するには、使用するIMFのみを抽出して、そこで計算をとめるようにすればよい。例えば、第３のIMFＣ₃のみを使用する場合には、第４のIMFＣ₄以降を抽出する計算を省略してもよい。
また、前記実施の形態では、IMFとして第１のIMFＣ₁のみを用いたが、複数のIMFを用い、IMF毎に路面判定することで、路面判定の精度を向上させることができる。
また、前記実施の形態では、特徴量を、平均μ、標準偏差σ、及び、歪度ｂ₁としたが、更に尖度ｂ₂などの他の統計量を加えてもよい。あるいは、平均μ、標準偏差σ、歪度ｂ₁、尖度ｂ₂などの中から複数の統計量を組み合わせてもよい。
また、前記実施の形態では、特徴量を瞬時周波数ｆ(t)の分布を求めた統計量としたが、瞬時振幅ａ(t)の分布から求めた統計量を用いてもよい。

また、前記実施の形態では、タイヤ２０の走行している路面が、ＤＲＹ路面、ＷＥＴ路面、ＳＮＯＷ路面、及び、ＩＣＥ路面のいずれであるかを判定したが、路面判別が、例えば、ＤＲＹ/ＷＥＴのような２路面判別である場合には、サポートベクターマシーンで引く、一方の路面状態の特徴量の分布の境界面（ＤＲＹ境界面）と、他方の路面状態の特徴量の分布の境界面（ＷＥＴ境界面）との２本の境界面に代えて、一方の路面状態と他方の路面状態とを分離する１本の境界面（ＤＲＹ−ＷＥＴ境界面）を用いて路面状態を判別すれば、路面状態の判別精度を更に向上させることができる。
従来は、サポートベクターマシーンで引く、ＤＲＹ路面のサポートベクトル（特徴量）の分布の境界面（超平面）は、ＤＲＹ路面とその他の路面（ＷＥＴ路面、ＳＮＯＷ路面、及び、ＩＣＥ路面）とを分離する識別関数がｆ_D＝０となる面とほぼ同じであり、ＷＥＴ路面のサポートベクトル（特徴量）の分布の境界面は、ＷＥＴ路面とその他の路面とを分離する識別関数がｆ_W＝０となる面とほぼ同じであることから、ＤＲＹ/ＷＥＴの２路面判別には、図１１（ａ）の一点鎖線で示す、ＤＲＹ路面を判別するための境界面ｆ_D＝０と、同図の破線で示す、ＷＥＴ路面を判別するための境界面ｆ_W＝０との２本の境界線を用いて、路面判別を行っていた。
そこで、図１１（ｂ）に示すように、境界面を、ＤＲＹ路面のサポートベクトルとＷＥＴ路面のサポートベクトルの境界面ｆ_DW＝０とすることで、境界面を１本化したので、ＤＲＹ/ＷＥＴの２路面判別精度が更に向上した。
なお、ＤＲＹ/ＳＮＯＷやＤＲＹ/ＩＣＥ、あるいは、ＷＥＴ/ＳＮＯＷのような、他の２路面判別についても、境界面を１本化すれば、２路面判別精度を更に向させることができることはいうまでもない。

［実施例］
ＤＲＹ路面のサポートベクトルとＷＥＴ路面のサポートベクトルとを、予めＤＲＹ路面とＷＥＴ路面求めておいた、ＤＲＹ路面とＷＥＴ路面を走行したときの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量である路面データを学習データとして、機械学習（ＳＶＭ）により求めた。
具体的には、以下の表１に示すように、使用した路面データを、訓練用（Train用）とテスト用（Test用）との分け、ＤＲＹ路面のサポートベクトルとＷＥＴ路面のサポートベクトルとを求めた後、ＤＲＹ路面のサポートベクトルとＷＥＴ路面のサポートベクトルの境界面とを求めた。このとき、サポートベクターマシーンのハイパーパラメータＣ，σは、それぞれの条件で精度が最大になる値を採用した。このとき、サポートベクトルの数は最大で４１５個であった。

図１２は、境界面を１本化したときのＤＲＹ/ＷＥＴの判別精度と、従来の２本の境界面を用いたときのＤＲＹ/ＷＥＴの判別精度を比較したグラフである。
同図に示すように、境界面を１本化することで判別精度がおよそ３％向上したことから、図１１（ｂ）に示すように、境界面を１本化することで、ＤＲＹ/ＷＥＴの２路面判別精度が向上することが確認された。

１０ 路面状態判別装置、１１ 加速度センサー、１２ 振動波形検出手段、
１３ 固有振動モード抽出手段、１４ 特徴データ算出手段、１５ 特徴量算出手段、
１６ 記憶手段、１７ カーネル関数算出手段、１８ 路面状態判別手段、
２０ タイヤ、２１ インナーライナー部、２２ タイヤ気室、Ｒ 路面。

Claims (6)

1. 振動検出手段により検出した走行中のタイヤの振動の時間変化波形からタイヤの接している路面の状態を判別する方法であって、
   前記タイヤの振動の時間変化波形を検出するステップと、
   前記時間変化波形のデータから、経験的モード分解のアルゴリズムを用いて複数の固有振動モードを取得するステップと、
   前記複数の固有振動モードから任意の固有振動モードを選択して抽出するステップと、
   前記抽出された固有振動モードにヒルベルト変換を行って特徴データを算出するステップと、
   前記特徴データの分布から特徴量を算出するステップと、
   前記算出された特徴量と予め路面状態毎に求めておいた特徴量とから、路面状態を判別するステップとを備え、
   前記特徴量が、前記特徴データの分布の統計量であることを特徴とする路面状態判別方法。
2. 前記特徴データが、瞬時周波数と瞬時振幅のいずれか一方または両方であ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. 前記路面状態を判別するステップでは、
   前記算出された特徴量と前記予め路面状態毎に求めておいた特徴量とからガウシアンカーネル関数を算出した後、前記算出されたガウシアンカーネル関数を用いた識別関数の値から路面状態を判別することを特徴とする請求項１または請求項２に記載の路面状態判別方法。
4. 前記路面状態を判別するステップでは、
   前記算出された特徴量と前記予め路面状態毎に求めておいた特徴量とから多項式カーネル関数、または、ラプラスカーネル関数を算出した後、前記算出されたカーネル関数を用いた識別関数の値から路面状態を判別することを特徴とする請求項１または請求項２に記載の路面状態判別方法。
5. 路面判別が２路面判別である場合には、
   サポートベクターマシーンで引く、一方の路面状態の特徴量の分布の境界面と、他方の路面状態の特徴量の分布の境界面との２本の境界面に代えて、一方の路面状態と他方の路面状態とを分離する１本の境界面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〜請求項３のいずれかに記載の路面状態判別方法。
6. 走行中のタイヤの振動を検出してタイヤの接している路面の状態を判別する路面状態判別装置であって、
   前記タイヤに取付られて走行中のタイヤの振動の時間変化波形を検出する振動検出手段と、
   前記の時間変化波形から、経験的モード分解のアルゴリズムを用いて複数の固有振動モードを取得し、前記取得された複数の固有振動モードから任意の固有振動モードを抽出する固有振動モード抽出手段と、
   前記抽出された固有振動モードにヒルベルト変換を行って特徴データを算出する特徴データ算出手段と、
   前記特徴データの分布から、特徴量を算出する特徴量算出手段と、
   予め路面状態毎に求められた振動の時間変化波形を用いて算出された特徴量を記憶する記憶手段と、
   前記算出された特徴量と前記予め路面状態毎に求めておいた特徴量とからガウシアンカーネル関数を算出するカーネル関数算出手段と、
   前記算出されたガウシアンカーネル関数を用いた識別関数の値から路面状態を判別する路面状態判別手段とを備え、
   前記特徴量が、前記特徴データの分布の統計量であり、
   前記路面状態判別手段は、路面状態毎に求めた識別関数の値を比較して路面状態を判別することを特徴とする路面状態判別装置。

Images