JP2018194337A - 路面状態判別方法及び路面状態判別装置 - Google Patents
路面状態判別方法及び路面状態判別装置 Download PDFInfo
- Publication number
- JP2018194337A JP2018194337A JP2017095896A JP2017095896A JP2018194337A JP 2018194337 A JP2018194337 A JP 2018194337A JP 2017095896 A JP2017095896 A JP 2017095896A JP 2017095896 A JP2017095896 A JP 2017095896A JP 2018194337 A JP2018194337 A JP 2018194337A
- Authority
- JP
- Japan
- Prior art keywords
- road surface
- surface state
- feature
- tire
- feature amount
- 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.)
- Granted
Links
- 238000012850 discrimination method Methods 0.000 title abstract 2
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 9
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 58
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 abstract description 10
- 230000010355 oscillation Effects 0.000 abstract 7
- 239000013598 vector Substances 0.000 description 27
- 230000001133 acceleration Effects 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 17
- 238000005259 measurement Methods 0.000 description 15
- 238000007796 conventional method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000000926 separation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000004441 surface measurement Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008602 contraction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B17/00—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations
- G01B17/08—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations for measuring roughness or irregularity of surfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
- B60C19/00—Tyre parts or constructions not otherwise provided for
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
- B60C19/00—Tyre parts or constructions not otherwise provided for
- B60C2019/004—Tyre sensors other than for detecting tyre pressure
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Environmental & Geological Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Transportation (AREA)
- Geometry (AREA)
- Automation & Control Theory (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Tires In General (AREA)
Abstract
Description
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。
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。
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。
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。
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Rf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Rk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Rfの前の領域と蹴り出し後領域Rk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Rf、接地領域Rs、及び、蹴り出し後領域Rk)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。
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emax(t)と極小点を結んだ下側包絡線emin(t)とを求めた後、上側包絡線emax(t)と下側包絡線emin(t)との局所平均m1(t)=(emax(t)+emin(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),……,ym(t)を求める。差分波形yk(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、yk(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mk(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yk-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。
この処理を、繰り返し、第nのIMFCn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、IMFCkは、高周波成分から順番に抽出される。
また、全てのIMFCk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IMFCkをXk(t)とする。
Xk(t)のヒルベルト変換Yk(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Zk(t)は、以下の式(2)〜(4)のように表せる。また、瞬時周波数fk(t)は式(5)で求められる。
[数2]
図5に示すように、各IMFXk(t)の波形は、複数の時刻tjにおいてのゼロクロス点を有し、時刻tj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tjと時刻t j+1との間の波形を、周波数fkjが瞬時周波数fk(tj)で、振幅akjが瞬時振幅ak(tj ’)の波形ck,jの一部(λk,j/2)とみなし、この周波数fkjと振幅akjとを各IMFXk(t)の特徴データとする。ここで、tj ’=(tj+tj+1)/2である。
特徴量算出手段15は、IMFXk(t)の特徴データである周波数fk,jに対する振幅ak,jの分布から統計量である、平均μk、標準偏差σk、及び、歪度b1 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Ck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。
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。
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YA=(μA,σA,b1A)を求めた後、YA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YASVという。
図7は、入力空間上における、DRY路面特徴量YDSVと、DRY路面以外の路面の路面特徴量YnDSV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、YD,YW,YS,YIを全て記憶する必要はなく、上記YDSV,YWSV,YSSV,YISVのみを記憶すればよい。
具体的には、データの集合X=(x1,x2,……xn)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)=wTφ(x)−bを求める。
ここで、データは路面特徴量YD,YnD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)=wTφ(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(xα)φ(xβ)をカーネル関数K(xα,xβ)に置き換えることで、識別関数f(x)=wTφ(x)−bを非線形できる。なお、φ(xα)φ(xβ)は、xαとxβ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。
[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YDとDRY路面以外の路面の路面特徴ベクトルYnD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YD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YW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YDSVと、f(x)=−1の距離にあるサポートベクトルYnDSVととを備えた入力空間である。YDSVとYnDSVとは、一般に複数個存在する。
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KD(X,Y),KW(X,Y),KS(X,Y),KI(X,Y)を用いた4つの識別関数fD(x), fW(x), fS(x), fI(x)の値に基づいて路面状態を判別する。
[数5]
fDはDRY路面とその他の路面とを識別する識別関数、fWはWET路面とその他の路面とを識別する識別関数、fSはSNOW路面とその他の路面とを識別する識別関数、fI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、NDSVはDRYモデルのサポートベクトルの数、NWSVはWETモデルのサポートベクトルの数、NSSVはSNOWモデルのサポートベクトルの数、NISV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λD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fD,fW,fS,fIをそれぞれ計算し、計算された識別関数fA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。
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〜Cn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IMFCkを選択し、これをXk(t)とする(ステップS13)。
次に、Xk(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fk(t)と、瞬時振幅ak(t)の極大値とを算出(ステップS14)した後、瞬時周波数fk(t)に対する瞬時振幅ak(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Xkとする(ステップS15)。本例では、統計量を平均μk、標準偏差σk、及び、歪度b1 kをとした。
次に、算出された特徴量Xk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YAとから、カーネル関数KA(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KA(X,Y)を用いた4つの識別関数fD(x),fW(x),fS(x),fI(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fA(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)。
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。
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。
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fD=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fW=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fD=0と、同図の破線で示す、WET路面を判別するための境界面fW=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fDW=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。
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。
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。
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)
- 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。 - 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。
- 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。 - 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。 - 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。 - 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。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017095896A JP6783184B2 (ja) | 2017-05-12 | 2017-05-12 | 路面状態判別方法及び路面状態判別装置 |
US16/488,654 US11486702B2 (en) | 2017-05-12 | 2018-04-26 | Road surface condition determination method and road surface condition determination apparatus |
EP18798494.3A EP3623850B1 (en) | 2017-05-12 | 2018-04-26 | Road surface condition determining method and road surface condition determining device |
PCT/JP2018/017082 WO2018207648A1 (ja) | 2017-05-12 | 2018-04-26 | 路面状態判別方法及び路面状態判別装置 |
CN202111345275.5A CN114169222A (zh) | 2017-05-12 | 2018-04-26 | 路面状态判别方法和路面状态判别装置 |
CN201880031455.6A CN110622043B (zh) | 2017-05-12 | 2018-04-26 | 路面状态判别方法和路面状态判别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017095896A JP6783184B2 (ja) | 2017-05-12 | 2017-05-12 | 路面状態判別方法及び路面状態判別装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018194337A true JP2018194337A (ja) | 2018-12-06 |
JP6783184B2 JP6783184B2 (ja) | 2020-11-11 |
Family
ID=64105691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017095896A Active JP6783184B2 (ja) | 2017-05-12 | 2017-05-12 | 路面状態判別方法及び路面状態判別装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11486702B2 (ja) |
EP (1) | EP3623850B1 (ja) |
JP (1) | JP6783184B2 (ja) |
CN (2) | CN110622043B (ja) |
WO (1) | WO2018207648A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111896256A (zh) * | 2020-03-03 | 2020-11-06 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于深度核处理的轴承故障诊断方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6783184B2 (ja) * | 2017-05-12 | 2020-11-11 | 株式会社ブリヂストン | 路面状態判別方法及び路面状態判別装置 |
JP6946970B2 (ja) * | 2017-11-23 | 2021-10-13 | 株式会社デンソー | 路面状態判別装置 |
CN111623734B (zh) * | 2020-05-26 | 2022-04-08 | 招商局公路信息技术(重庆)有限公司 | 基于声学信号的路面构造深度检测方法及装置 |
CN111806166B (zh) * | 2020-06-24 | 2021-08-31 | 浙江大学 | 一种基于摩擦起电材料的地形监测轮胎 |
CN112766306B (zh) * | 2020-12-26 | 2023-06-27 | 浙江天行健智能科技有限公司 | 一种基于svm算法的减速带区域识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070050121A1 (en) * | 2004-04-02 | 2007-03-01 | Dieter Ammon | Method for determining a coefficient of friction |
JP2009056818A (ja) * | 2007-08-29 | 2009-03-19 | Yokohama Rubber Co Ltd:The | 車両走行路面状態推定システム |
JP2016107833A (ja) * | 2014-12-05 | 2016-06-20 | 株式会社ブリヂストン | 路面状態判別方法 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4263400B2 (ja) | 2001-12-21 | 2009-05-13 | 株式会社ブリヂストン | 路面摩擦係数推定方法と路面摩擦係数推定装置 |
JP3892723B2 (ja) | 2001-12-21 | 2007-03-14 | 株式会社ブリヂストン | Abs制動制御方法とその装置 |
US7346461B2 (en) * | 2005-09-30 | 2008-03-18 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | System and method of analyzing vibrations and identifying failure signatures in the vibrations |
CN100496033C (zh) * | 2006-03-23 | 2009-06-03 | 上海交通大学 | 基于希尔伯特-黄变换的二进制频移键控系统解调方法 |
CN101275900A (zh) | 2008-05-08 | 2008-10-01 | 江汉大学 | 基于车轮振动的路面类型识别方法 |
JP2010125984A (ja) | 2008-11-27 | 2010-06-10 | Alps Electric Co Ltd | 路面状況検出装置および路面状況監視システム |
JP5837341B2 (ja) | 2011-06-24 | 2015-12-24 | 株式会社ブリヂストン | 路面状態判定方法とその装置 |
CN102506995A (zh) * | 2011-11-22 | 2012-06-20 | 中国建筑材料科学研究总院 | 一种基于hht变换和相关分析的振动信号处理方法 |
CN102519577B (zh) | 2011-12-05 | 2014-12-24 | 中国科学院深圳先进技术研究院 | 道路中路面的识别方法及系统 |
US9452653B2 (en) * | 2012-03-15 | 2016-09-27 | Nissan Motor Co., Ltd. | Vehicle controlling apparatus and method |
JP5937921B2 (ja) | 2012-08-09 | 2016-06-22 | 株式会社ブリヂストン | 路面状態判別方法とその装置 |
US10304568B2 (en) * | 2013-10-14 | 2019-05-28 | KAOSKEY Pty Ltd. | Decomposition of non-stationary signals into functional components |
JP6382534B2 (ja) * | 2014-03-07 | 2018-08-29 | 株式会社ブリヂストン | 路面状態推定方法 |
JP6408852B2 (ja) * | 2014-10-06 | 2018-10-17 | 株式会社ブリヂストン | 路面状態判別システム |
CN104616033A (zh) * | 2015-02-13 | 2015-05-13 | 重庆大学 | 基于深度学习和支持向量机的滚动轴承故障诊断方法 |
JP6365503B2 (ja) * | 2015-10-27 | 2018-08-01 | 株式会社Soken | 路面状況推定装置 |
EP3480630A4 (en) * | 2016-06-30 | 2019-05-08 | Bridgestone Corporation | ROAD SURFACE FORECAST METHOD AND ROAD SURFACE PRECISION DEVICE |
JP6783184B2 (ja) * | 2017-05-12 | 2020-11-11 | 株式会社ブリヂストン | 路面状態判別方法及び路面状態判別装置 |
DE102020113936A1 (de) * | 2019-05-27 | 2020-12-03 | Jtekt Corporation | System zur Prädiktion eines Straßenoberflächenreibungskoeffizienten |
-
2017
- 2017-05-12 JP JP2017095896A patent/JP6783184B2/ja active Active
-
2018
- 2018-04-26 EP EP18798494.3A patent/EP3623850B1/en active Active
- 2018-04-26 US US16/488,654 patent/US11486702B2/en active Active
- 2018-04-26 WO PCT/JP2018/017082 patent/WO2018207648A1/ja active Application Filing
- 2018-04-26 CN CN201880031455.6A patent/CN110622043B/zh active Active
- 2018-04-26 CN CN202111345275.5A patent/CN114169222A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070050121A1 (en) * | 2004-04-02 | 2007-03-01 | Dieter Ammon | Method for determining a coefficient of friction |
JP2009056818A (ja) * | 2007-08-29 | 2009-03-19 | Yokohama Rubber Co Ltd:The | 車両走行路面状態推定システム |
JP2016107833A (ja) * | 2014-12-05 | 2016-06-20 | 株式会社ブリヂストン | 路面状態判別方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111896256A (zh) * | 2020-03-03 | 2020-11-06 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于深度核处理的轴承故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3623850A4 (en) | 2020-05-06 |
CN110622043A (zh) | 2019-12-27 |
US20200240777A1 (en) | 2020-07-30 |
EP3623850B1 (en) | 2021-08-25 |
CN114169222A (zh) | 2022-03-11 |
EP3623850A1 (en) | 2020-03-18 |
JP6783184B2 (ja) | 2020-11-11 |
WO2018207648A1 (ja) | 2018-11-15 |
US11486702B2 (en) | 2022-11-01 |
CN110622043B (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018207648A1 (ja) | 路面状態判別方法及び路面状態判別装置 | |
JP6450170B2 (ja) | 路面状態判別方法 | |
JP5937921B2 (ja) | 路面状態判別方法とその装置 | |
JP6673766B2 (ja) | 路面状態判別方法 | |
CN109477906B (zh) | 路面状态判别方法和路面状态判别装置 | |
JP6734713B2 (ja) | 路面状態判別方法 | |
WO2019138774A1 (ja) | 路面状態判別方法及び路面状態判別装置 | |
JP2018004418A (ja) | 路面状態判別方法 | |
WO2018230181A1 (ja) | 路面状態判別方法及び路面状態判別装置 | |
US20160200156A1 (en) | Device and method for estimating tire pressure of vehicle | |
JP7030532B2 (ja) | 路面状態判別方法及び路面状態判別装置 | |
JP7112909B2 (ja) | タイヤ種判別方法及びタイヤ種判別装置 | |
JP6961539B2 (ja) | 路面状態判別方法及び路面状態判別装置 | |
WO2019244380A1 (ja) | 路面状態判別方法及び路面状態判別装置 | |
WO2019244379A1 (ja) | 路面状態判別方法及び路面状態判別装置 | |
CN115761280A (zh) | 图像点检比对方法、电子设备和计算机可读存储介质 | |
Jin et al. | Accurate urban road model reconstruction from high resolution remotely sensed imagery based on Support Vector Machine and Gabor filters |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191223 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20201013 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201021 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6783184 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |