JP2019001367A - 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
- JP2019001367A JP2019001367A JP2017119103A JP2017119103A JP2019001367A JP 2019001367 A JP2019001367 A JP 2019001367A JP 2017119103 A JP2017119103 A JP 2017119103A JP 2017119103 A JP2017119103 A JP 2017119103A JP 2019001367 A JP2019001367 A JP 2019001367A
- Authority
- JP
- Japan
- Prior art keywords
- road surface
- time
- tire
- series waveform
- vibration
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- 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
- 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
- B60T8/173—Eliminating or reducing the effect of unwanted signals, e.g. due to vibrations or electrical noise
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/001—Acoustic presence detection
-
- 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
- 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
- B60T2210/00—Detection or estimation of road or environment conditions; Detection or estimation of road shapes
- B60T2210/10—Detection or estimation of road conditions
- B60T2210/12—Friction
-
- 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
- B60W2422/00—Indexing codes relating to the special location or mounting of sensors
-
- 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
- B60W2422/00—Indexing codes relating to the special location or mounting of sensors
- B60W2422/70—Indexing codes relating to the special location or mounting of sensors on the wheel or the tire
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Environmental Sciences (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Atmospheric Sciences (AREA)
- Computing Systems (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Tires In General (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
【課題】カーネル関数の計算に使用する特徴量を適切に選択することで、DRY/WETの2路面判別の精度を確保しつつ、計算量を少なくして計算速度を向上させる。【解決手段】加速度センサーにより検出したタイヤ振動の時系列波形を窓掛け手段により時間Tで窓掛けして、時間窓毎のタイヤ振動の時系列波形を抽出して時間窓毎の特徴ベクトルXiを算出した後、時間窓毎の特徴ベクトルXi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YAjとからカーネル関数KAを算出する際に、前記時間窓毎の特徴ベクトルXiと前記路面特徴ベクトルYAjとを、前記時間窓毎の時系列波形から抽出される500Hz以上の周波数帯域の振動レベルとした。【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もので、特に、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判定を行う方法に関する。
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量と、予め路面状態毎に求めておいた時間窓毎の特徴量である基準特徴量とから算出したカーネル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。
基準特徴量は、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て、機械学習(SVM)により求められる(例えば、特許文献1参照)。
基準特徴量は、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て、機械学習(SVM)により求められる(例えば、特許文献1参照)。
しかしながら、時間伸縮は、DRY/WETの2路面判別であっても、計算量が多いため、計算時間が長く、処理が非常に重くなってしまう、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、カーネル関数の計算に使用する特徴量を適切に選択することで、DRY/WETの2路面判別の精度を確保しつつ、計算量を少なくして計算速度を向上させることを目的とする。
発明者らは、鋭意検討の結果、タイヤが路面を走行する際に、路面の水と衝突してする際に発生するタイヤ振動を検出すれば、路面が、タイヤ振動が発生する程度の水膜が存在するWET路面か、上記の水膜が存在しないDRY路面かを判別することができることを見出し、本発明に到ったものである。
図9は、ドラム30内に固定されたタイヤ20に、白抜きの矢印で示す、100[l/min]もしくは1000[l/min]の水流が衝突する際に発生するタイヤ振動の周波数スペクトルを示す図で、横軸は周波数[Hz]、縦軸は加速度[RMS dB]である。図では、タイヤ内に貼り付けた加速度センサーが踏み位置(Leading)もしくは蹴り位置(Trailing)にある場合の結果を示した。
同図から、500Hz以上の高周波領域においては、路面の水と衝突する際の振動レベルと、水との衝突のないバックグラウンドレベル(BG Noise)との差異が大きいことがわかる。
したがって、カーネル関数を用いて路面状態を判別する際に、タイヤ振動の時系列波形から抽出される特徴量のうち、500Hz以上の周波数帯域の振動レベルのみを路面判別の特徴量に用いれば、DRY/WETの2路面判別の精度を確保しつつ、計算量を少なくして計算速度を向上させることができる。
図9は、ドラム30内に固定されたタイヤ20に、白抜きの矢印で示す、100[l/min]もしくは1000[l/min]の水流が衝突する際に発生するタイヤ振動の周波数スペクトルを示す図で、横軸は周波数[Hz]、縦軸は加速度[RMS dB]である。図では、タイヤ内に貼り付けた加速度センサーが踏み位置(Leading)もしくは蹴り位置(Trailing)にある場合の結果を示した。
同図から、500Hz以上の高周波領域においては、路面の水と衝突する際の振動レベルと、水との衝突のないバックグラウンドレベル(BG Noise)との差異が大きいことがわかる。
したがって、カーネル関数を用いて路面状態を判別する際に、タイヤ振動の時系列波形から抽出される特徴量のうち、500Hz以上の周波数帯域の振動レベルのみを路面判別の特徴量に用いれば、DRY/WETの2路面判別の精度を確保しつつ、計算量を少なくして計算速度を向上させることができる。
すなわち、本発明は、タイヤ内に設けられた振動検出手段を用いて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量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量と、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特徴量から選択される基準特徴量とからカーネル関数を算出するステップ(e)と、前記カーネル関数を用いた識別関数の値に基づいて路面状態を判別するステップ(f)とを有し、前記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、前記ステップ(d)で算出する時間窓毎の特徴量と前記基準特徴量とが、前記時間窓毎の時系列波形から抽出される500Hz以上の周波数帯域の振動レベル、前記周波数帯域の振動レベルの時変分散、及び、前記時系列波形のケプストラム係数のいずれか1つ、または、複数、または、全部であり、前記ステップ(f)では、前記路面の状態が、路面上に前記走行中のタイヤに衝突する水膜が存在するWET状態であるか、前記水膜の存在しないDRY状態であるかを判別することを特徴とする。
上記「基準特徴量」は、詳細には、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て、機械学習(SVM)により求められる。
このように、カーネル関数の算出に使用される特徴量である、時間窓毎の時系列波形から抽出され振動レベルを500Hz以上の高周波成分の振動レベルのみとしたので、計算量を少なくして計算速度を向上させることができるとともに、特徴量として、DRY路面とWET路面の差の大きい特徴量を用いているので、DRY/WETの2路面判別精度についても向上させることができる。
上記「基準特徴量」は、詳細には、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て、機械学習(SVM)により求められる。
このように、カーネル関数の算出に使用される特徴量である、時間窓毎の時系列波形から抽出され振動レベルを500Hz以上の高周波成分の振動レベルのみとしたので、計算量を少なくして計算速度を向上させることができるとともに、特徴量として、DRY路面とWET路面の差の大きい特徴量を用いているので、DRY/WETの2路面判別精度についても向上させることができる。
また、前記カーネル関数を、グローバルアライメントカーネル関数、または、ダイナミックタイムワーピングカーネル関数、または、前記カーネル関数の演算値としたので、路面状態の判別精度が向上した。
また、前記窓掛け手段では、上記500Hz以上の周波数帯域の振動レベルが特に大きくなる踏み込み点を含む踏み込み前の時系列波形に窓関数をかけて時間窓毎の時系列波形を抽出するようにしたので、DRY/WETの2路面判別精度を十分確保しつつ、計算量を更に少なくすることができる。
また、前記窓掛け手段では、上記500Hz以上の周波数帯域の振動レベルが特に大きくなる踏み込み点を含む踏み込み前の時系列波形に窓関数をかけて時間窓毎の時系列波形を抽出するようにしたので、DRY/WETの2路面判別精度を十分確保しつつ、計算量を更に少なくすることができる。
また、本発明は、タイヤトレッド部のインナーライナー部の気室側に配設された、走行中のタイヤの振動を検出するタイヤ振動検出手段と、前記タイヤ振動検出手段で検出された前記タイヤ振動の時系列波形を予め設定した時間幅で窓掛けして時間窓毎にタイヤ振動の時系列波形を抽出する窓掛け手段と、前記抽出された時間窓毎の時系列波形における特定周波数の振動レベルを成分とする特徴量もしくは前記振動レベルの関数を成分とする特徴量を算出する特徴量算出手段と、予め算出しておいた路面状態毎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から選択される基準特徴量を記憶する記憶手段と、
前記特徴量算出手段で算出した時間窓毎の特徴量と、前記記憶手段に記憶された基準特徴量とからカーネル関数を算出するカーネル関数算出手段と、前記カーネル関数を用いた識別関数の値に基づいて路面状態を判別する路面状態判別手段とを備え、走行中の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、前記特徴量算出手段の算出する時間窓毎の特徴量と、前記記憶手段に記憶された基準特徴量とが、前記時間窓毎の時系列波形から抽出される500Hz以上の周波数帯域の振動レベル、前記周波数帯域の振動レベルの時変分散、及び、前記時系列波形のケプストラム係数のいずれか1つ、または、複数、または、全部であり、前記路面状態判別手段は、前記路面の状態が、路面上に前記走行中のタイヤに衝突する水膜が存在するWET状態であるか、前記水膜の存在しないDRY状態であるかを判別することを特徴とする。
このような構成を採ることにより、計算量を少なくとすることができるとともに、DRY/WETの2路面判別精度の高い路面状態判別装置を得ることができる。
前記特徴量算出手段で算出した時間窓毎の特徴量と、前記記憶手段に記憶された基準特徴量とからカーネル関数を算出するカーネル関数算出手段と、前記カーネル関数を用いた識別関数の値に基づいて路面状態を判別する路面状態判別手段とを備え、走行中の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、前記特徴量算出手段の算出する時間窓毎の特徴量と、前記記憶手段に記憶された基準特徴量とが、前記時間窓毎の時系列波形から抽出される500Hz以上の周波数帯域の振動レベル、前記周波数帯域の振動レベルの時変分散、及び、前記時系列波形のケプストラム係数のいずれか1つ、または、複数、または、全部であり、前記路面状態判別手段は、前記路面の状態が、路面上に前記走行中のタイヤに衝突する水膜が存在するWET状態であるか、前記水膜の存在しないDRY状態であるかを判別することを特徴とする。
このような構成を採ることにより、計算量を少なくとすることができるとともに、DRY/WETの2路面判別精度の高い路面状態判別装置を得ることができる。
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。
以下、実施の形態を通じて本発明を詳説するが、以下の実施の形態は特許請求の範囲に係る発明を限定するものでなく、また、実施の形態の中で説明される特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
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、振動波形抽出手段12と、窓掛け手段13と、特徴ベクトル算出手段14と、記憶手段15と、カーネル関数算出手段16と、路面状態判別手段17とを備え、タイヤ20の走行している路面が、路面上に前記走行中のタイヤに衝突する水膜が存在するWET状態であるか、前記水膜の存在しないDRY状態であるかを判別する。
振動波形抽出手段12〜路面状態判別手段17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抽出手段12に送られる。
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、振動波形抽出手段12と、窓掛け手段13と、特徴ベクトル算出手段14と、記憶手段15と、カーネル関数算出手段16と、路面状態判別手段17とを備え、タイヤ20の走行している路面が、路面上に前記走行中のタイヤに衝突する水膜が存在するWET状態であるか、前記水膜の存在しないDRY状態であるかを判別する。
振動波形抽出手段12〜路面状態判別手段17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抽出手段12に送られる。
振動波形抽出手段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Rf、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、及び、タイヤ20の陸部が路面に接地している接地領域Rsにおいては、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。
同図に示すように、走行中のタイヤに衝突する水膜が存在する場合には、水膜の存在しない場合に比較して、踏み込み前領域Rfと蹴り出し後領域Rkの振動レベルが大きくなっているが、本例では、タイヤ振動の時系列波形から、路面領域(踏み込み前領域Rfから蹴り出し後領域Rkまでの領域)の時系列波形を抽出する。
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Rf、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、及び、タイヤ20の陸部が路面に接地している接地領域Rsにおいては、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。
同図に示すように、走行中のタイヤに衝突する水膜が存在する場合には、水膜の存在しない場合に比較して、踏み込み前領域Rfと蹴り出し後領域Rkの振動レベルが大きくなっているが、本例では、タイヤ振動の時系列波形から、路面領域(踏み込み前領域Rfから蹴り出し後領域Rkまでの領域)の時系列波形を抽出する。
窓掛け手段13は、図4に示すように、前記抽出された時系列波形を予め設定した時間幅(時間窓幅ともいう)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て特徴ベクトル算出手段14に送る。
なお、前述したように、路面外領域の時系列波形は、路面の情報を含んでいないので、カーネル関数の計算速度を速めるため、本例では、路面領域の時系列波形のみを特徴ベクトル算出手段14に送るようにしている。
なお、路面外領域の定義としては、例えば、タイヤ振動の時系列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。
なお、前述したように、路面外領域の時系列波形は、路面の情報を含んでいないので、カーネル関数の計算速度を速めるため、本例では、路面領域の時系列波形のみを特徴ベクトル算出手段14に送るようにしている。
なお、路面外領域の定義としては、例えば、タイヤ振動の時系列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。
特徴ベクトル算出手段14は、図4に示すように、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Xi(i=1〜N;Nは抽出された時間窓の時系列波形の数)算出する。
本例では、算出する特徴ベクトルXiとして、タイヤ振動の時系列波形を、それぞれ、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)aik(k=1〜3)を用いた。
特徴ベクトルは、Xi=(ai1,ai2,ai3)で、特徴ベクトルXiの数はN個である。
図5は、特徴ベクトルXi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aikを表し、各点が特徴ベクトルXiを表している。実際の入力空間は特定周波数帯域の数が3つなので時間軸と合わせると4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。
同図において、グループCがDRY路面を走行しているときの特徴ベクトルXiの集合で、グループC’がWET路面を走行しているときの特徴ベクトルX’iの集合とすると、グループCとグループC’とを区別することができれば、タイヤ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。
ここで、「WET路面」は、走行中のタイヤに衝突する水膜が存在する路面を指し、「DRY路面」は、前記水膜の存在しない路面を指す。
本例では、算出する特徴ベクトルXiとして、タイヤ振動の時系列波形を、それぞれ、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)aik(k=1〜3)を用いた。
特徴ベクトルは、Xi=(ai1,ai2,ai3)で、特徴ベクトルXiの数はN個である。
図5は、特徴ベクトルXi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aikを表し、各点が特徴ベクトルXiを表している。実際の入力空間は特定周波数帯域の数が3つなので時間軸と合わせると4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。
同図において、グループCがDRY路面を走行しているときの特徴ベクトルXiの集合で、グループC’がWET路面を走行しているときの特徴ベクトルX’iの集合とすると、グループCとグループC’とを区別することができれば、タイヤ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。
ここで、「WET路面」は、走行中のタイヤに衝突する水膜が存在する路面を指し、「DRY路面」は、前記水膜の存在しない路面を指す。
記憶手段15は、予め求めておいた、DRY路面とWET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基準特徴量である基準特徴ベクトルYASV(yjk)と基準特徴ベクトルYASV(yjk)を重み付けするラグランジュ乗数λAとを記憶する。
基準特徴量(YASV(yjk)及びλA)は、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路面とWET路面にて、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時間窓毎の特徴ベクトルである路面特徴ベクトルYA(yjk)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。
基準特徴ベクトルYASV(yjk)の添え字Aは、DRYもしくはWETを示している。
また、添字j(j=1〜M)は時間窓毎に抽出した時系列波形の窓番号を示し、添字kはベクトルの成分を示している(k=1〜3)。すなわち、yjk=(aj1,aj2,aj3)である。また、SVはサポートベクトルの略である。
なお、本例のように、グローバルアライメントカーネル関数を用いる場合には、基準特徴ベクトルYASV(yjk)は、ベクトルyiの次元数(ここでは、3×M(M;窓の数))の行列となる。
以下、路面特徴ベクトルYA(yjk)及び基準特徴ベクトルYASV(yjk)を、それぞれ、YA、YASVと記す。
基準特徴量(YASV(yjk)及びλA)は、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路面とWET路面にて、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時間窓毎の特徴ベクトルである路面特徴ベクトルYA(yjk)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。
基準特徴ベクトルYASV(yjk)の添え字Aは、DRYもしくはWETを示している。
また、添字j(j=1〜M)は時間窓毎に抽出した時系列波形の窓番号を示し、添字kはベクトルの成分を示している(k=1〜3)。すなわち、yjk=(aj1,aj2,aj3)である。また、SVはサポートベクトルの略である。
なお、本例のように、グローバルアライメントカーネル関数を用いる場合には、基準特徴ベクトルYASV(yjk)は、ベクトルyiの次元数(ここでは、3×M(M;窓の数))の行列となる。
以下、路面特徴ベクトルYA(yjk)及び基準特徴ベクトルYASV(yjk)を、それぞれ、YA、YASVと記す。
路面特徴ベクトルYAの算出方法は、前述した特徴ベクトルXjと同様で、例えば、DRY路面の基準特徴ベクトルYDなら、DRY路面を走行したとき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YDを算出する。同様に、WET路面特徴ベクトルYWは、WET路面を走行したときの時間窓毎の時系列波形から算出される。
また、基準特徴ベクトルYASVは、DRY路面特徴ベクトルYDとWET路面特徴ベクトルYWとを学習データとしたサポートベクトルマシーン(SVM)により、サポートベクトルとして選択された特徴ベクトルである。
なお、記憶手段15には全ての基準特徴ベクトルYASVを記憶する必要はなく、一般には、ラグランジュ乗数λが、所定の値λmin(例えば、λmin=0.05)以上であるサポートベクトルYASVのみを、基準特徴ベクトルYASVとして記憶すればよい。
ここで、時間幅Tが、特徴ベクトルXjを求める場合の時間幅Tと同じ値であることが肝要である。時間幅Tが一定なら、時間窓の時系列波形の数Mはタイヤ種と車速によって異なる。すなわち、路面特徴ベクトルYAの時間窓の時系列波形の数Mは、特徴ベクトルXjの時間窓の時系列波形の数Nとは必ずしも一致しない。例えば、タイヤ種が同じでも、特徴ベクトルXjを求めるときの車速が路面特徴ベクトルYAを求めたときの車速よりも遅い場合には、M>Nとなり、速い場合にはM<Nとなる。
また、基準特徴ベクトルYASVは、DRY路面特徴ベクトルYDとWET路面特徴ベクトルYWとを学習データとしたサポートベクトルマシーン(SVM)により、サポートベクトルとして選択された特徴ベクトルである。
なお、記憶手段15には全ての基準特徴ベクトルYASVを記憶する必要はなく、一般には、ラグランジュ乗数λが、所定の値λmin(例えば、λmin=0.05)以上であるサポートベクトルYASVのみを、基準特徴ベクトルYASVとして記憶すればよい。
ここで、時間幅Tが、特徴ベクトルXjを求める場合の時間幅Tと同じ値であることが肝要である。時間幅Tが一定なら、時間窓の時系列波形の数Mはタイヤ種と車速によって異なる。すなわち、路面特徴ベクトルYAの時間窓の時系列波形の数Mは、特徴ベクトルXjの時間窓の時系列波形の数Nとは必ずしも一致しない。例えば、タイヤ種が同じでも、特徴ベクトルXjを求めるときの車速が路面特徴ベクトルYAを求めたときの車速よりも遅い場合には、M>Nとなり、速い場合にはM<Nとなる。
図6は、入力空間上におけるDRY路面特徴ベクトルYDとWET路面特徴ベクトルYWを示す概念図で、同図の黒丸がDRY路面、白丸がWET路面である。
なお、前述したように、DRY路面特徴ベクトルYDもWET路面特徴ベクトルYW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6では、DRY路面特徴ベクトルYDとWET路面特徴ベクトルYW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YV及びYW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YD及びYWに対して非線形な分類を行う。
DRY路面とWET路面とを区別するには、DRY路面特徴ベクトルYDjとWET路面特徴ベクトルYWj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WET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。また、DRY路面特徴ベクトルYDjは全てf(x)≧+1の領域にあり、WET路面特徴ベクトルYWjは全てf(x)≦−1の領域にある。
なお、前述したように、DRY路面特徴ベクトルYDもWET路面特徴ベクトルYW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6では、DRY路面特徴ベクトルYDとWET路面特徴ベクトルYW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YV及びYW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YD及びYWに対して非線形な分類を行う。
DRY路面とWET路面とを区別するには、DRY路面特徴ベクトルYDjとWET路面特徴ベクトルYWj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WET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。また、DRY路面特徴ベクトルYDjは全てf(x)≧+1の領域にあり、WET路面特徴ベクトルYWjは全てf(x)≦−1の領域にある。
次に、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、wは重み係数を表すベクトルで、bは定数である。
また、データはDRY路面特徴ベクトルYDjとWER路面特徴ベクトルYWjであり、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WET路面のデータである。f(x)=0が識別境界で、1/||w||が路面特徴ベクトルYAj(A=D,W)とf(x)=0との距離である。
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(1),(2)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である路面特徴ベクトルYAjは、識別関数f(x)には関与しない(サポートベクトルではない)ベクトルデータである。
ここで、内積φT(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、φT(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。 このように、内積φT(xα)φ(xβ)を直接求めずに、カーネル関数K(xα,xβ)に置き換えるようにすれば、高次元の内積を直接求める必要がないので、計算時間を大幅に縮減できる。
また、データはDRY路面特徴ベクトルYDjとWER路面特徴ベクトルYWjであり、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WET路面のデータである。f(x)=0が識別境界で、1/||w||が路面特徴ベクトルYAj(A=D,W)とf(x)=0との距離である。
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(1),(2)に置き換えられる。
ここで、内積φT(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、φT(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。 このように、内積φT(xα)φ(xβ)を直接求めずに、カーネル関数K(xα,xβ)に置き換えるようにすれば、高次元の内積を直接求める必要がないので、計算時間を大幅に縮減できる。
本例では、カーネル関数K(xα,xβ)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(xα,xβ)は、図7及び以下の式(3),(4)に示すように、特徴ベクトルxαと特徴ベクトルxβとの類似度を示すローカルカーネルκij(xαi,xβj)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κij(xαi,xβj)は、時間幅Tの窓毎に求められる。
なお、図7は、時間窓の数が6である特徴ベクトルxαiと、時間窓の数が4である特徴ベクトルxβjとのGAカーネルを求めた例である。
ここで、||xαi−xβij||は、特徴ベクトル間の距離(ノルム)で、σは定数である。
GAカーネルK(xα,xβ)は、図7及び以下の式(3),(4)に示すように、特徴ベクトルxαと特徴ベクトルxβとの類似度を示すローカルカーネルκij(xαi,xβj)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κij(xαi,xβj)は、時間幅Tの窓毎に求められる。
なお、図7は、時間窓の数が6である特徴ベクトルxαiと、時間窓の数が4である特徴ベクトルxβjとのGAカーネルを求めた例である。
カーネル関数算出手段16は、特徴ベクトル算出手段14にて算出された特徴ベクトルXiと、記憶手段15に記録されているDRY路面の基準特徴ベクトルYDSVとWET路面の基準特徴ベクトルYWSVとから、DRYGAカーネルKD(X,YDSV)とWETGAカーネルKW(X,YWSV)とを算出する。
DRYGAカーネルKD(X,YDSV)は、前記の式(3)及び(4)において、特徴ベクトルxαを特徴ベクトル算出手段14で算出された特徴ベクトルXiとし、特徴ベクトルxβをDRY路面の基準特徴ベクトルYDSVjとしたときのローカルカーネルκij(Xi,YDSVj)の総和もしくは総積から成る関数で、WETGAカーネルKW(X,YWSV)は、特徴ベクトルxβをWET路面の基準特徴ベクトルYWSVjとしたときのローカルカーネルκij(Xi,YSVj)の総和もしくは総積から成る関数である。これらのGAカーネルKD(X,YDSV)及びKW(X,YWSV)を用いることで、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、上記のように、特徴ベクトルXi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YAj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Xiと基準特徴ベクトルYASVj間の類似度を求めることができる。
DRYGAカーネルKD(X,YDSV)は、前記の式(3)及び(4)において、特徴ベクトルxαを特徴ベクトル算出手段14で算出された特徴ベクトルXiとし、特徴ベクトルxβをDRY路面の基準特徴ベクトルYDSVjとしたときのローカルカーネルκij(Xi,YDSVj)の総和もしくは総積から成る関数で、WETGAカーネルKW(X,YWSV)は、特徴ベクトルxβをWET路面の基準特徴ベクトルYWSVjとしたときのローカルカーネルκij(Xi,YSVj)の総和もしくは総積から成る関数である。これらのGAカーネルKD(X,YDSV)及びKW(X,YWSV)を用いることで、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、上記のように、特徴ベクトルXi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YAj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Xiと基準特徴ベクトルYASVj間の類似度を求めることができる。
路面状態判別手段17では、以下の式(5)式に示す、カーネル関数KD(X,Y)とカーネル関数KW(X,Y)を用いた識別関数fDW(x)の値とに基づいて路面状態を判別する。
ここで、NDSVはDRY路面の基準特徴ベクトルYDSVjの個数で、NWSVはWET路面の基準特徴ベクトルYWSVjの個数である。
本例では、識別関数fDWを計算し、fDW>0であれば、路面がDRY路面であると判別し、fDW<0であれば、路面がWET路面であると判別する。
本例では、識別関数fDWを計算し、fDW>0であれば、路面がDRY路面であると判別し、fDW<0であれば、路面がWET路面であると判別する。
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を予め設定した時間幅Tで窓掛けして、時間窓毎のタイヤ振動の時系列波形を求める。ここで、時間窓毎のタイヤ振動の時系列波形の数をm個とする(ステップS12)。
次に、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Xi=(xi1,xi2,xi3)を算出する(ステップS13)。本例では時間幅Tを3msec.とした。また、特徴ベクトルXiの数は6個である。
特徴ベクトルXiの各成分xi1〜xi3(i=1〜6)は、前述したように、タイヤ振動の時系列波形のフィルター濾過波のパワー値である。
次に、算出された特徴ベクトルXiと記憶手段15に記録されているDRY路面及びWET路面の基準特徴ベクトルYASVjとから、ローカルカーネルκij(Xi,YASVj)を算出した後、ローカルカーネルκij(Xi,YASVj)の総和を求めて、GAカーネル関数KA(X,YASV)をそれぞれ算出する(ステップS14)。
A=DであるGAカーネル関数KD(X,YDSV)がDRY路面のGAカーネル関数で、A=WであるGAカーネル関数KW(X,YWSV)がWET路面のGAカーネル関数である。
そして、DRY路面のGAカーネル関数KDとWET路面のGAカーネル関数KWとを用いた識別関数fDW(x)を計算(ステップS15)し、fDW>0であれば、路面がDRY路面であると判別し、fDW<0であれば、路面がWET路面であると判別する。(ステップS16)。
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を予め設定した時間幅Tで窓掛けして、時間窓毎のタイヤ振動の時系列波形を求める。ここで、時間窓毎のタイヤ振動の時系列波形の数をm個とする(ステップS12)。
次に、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Xi=(xi1,xi2,xi3)を算出する(ステップS13)。本例では時間幅Tを3msec.とした。また、特徴ベクトルXiの数は6個である。
特徴ベクトルXiの各成分xi1〜xi3(i=1〜6)は、前述したように、タイヤ振動の時系列波形のフィルター濾過波のパワー値である。
次に、算出された特徴ベクトルXiと記憶手段15に記録されているDRY路面及びWET路面の基準特徴ベクトルYASVjとから、ローカルカーネルκij(Xi,YASVj)を算出した後、ローカルカーネルκij(Xi,YASVj)の総和を求めて、GAカーネル関数KA(X,YASV)をそれぞれ算出する(ステップS14)。
A=DであるGAカーネル関数KD(X,YDSV)がDRY路面のGAカーネル関数で、A=WであるGAカーネル関数KW(X,YWSV)がWET路面のGAカーネル関数である。
そして、DRY路面のGAカーネル関数KDとWET路面のGAカーネル関数KWとを用いた識別関数fDW(x)を計算(ステップS15)し、fDW>0であれば、路面がDRY路面であると判別し、fDW<0であれば、路面がWET路面であると判別する。(ステップS16)。
このように、本実施の形態では、加速度センサー11により検出したタイヤ振動の時系列波形を窓掛け手段13により窓掛けし、時間窓毎のタイヤ振動の時系列波形を抽出して特徴ベクトルXiを算出した後、特徴ベクトルXiと路面毎の基準特徴ベクトルYASVjとのカーネル関数KA(X,YASVj)を求め、これらのカーネル関数KA(X,YASVj)を用いた識別関数fD W(x)の値から当該タイヤ20の走行している路面の路面状態を判別するようにしたので、ピーク位置の検出や車輪速の計測を行うことなく、路面状態を判別することができる。
また、カーネル関数の計算に使用する特徴量を高周波成分のみとしたので、計算量を少なくとすることができるとともに、特徴量として、DRY路面とWET路面の差の大きい特徴量を用いているので、DRY/WETの2路面判別精度についても向上させることができる。
また、カーネル関数の計算に使用する特徴量を高周波成分のみとしたので、計算量を少なくとすることができるとともに、特徴量として、DRY路面とWET路面の差の大きい特徴量を用いているので、DRY/WETの2路面判別精度についても向上させることができる。
表1は、特徴量である特徴ベクトルXi及び路面特徴ベクトルYAjの周波数帯域を高周波帯域(2-5kHz)としたときのデータ保存容量と、全帯域(0-5kHz)としたときのデータ保存容量とを比較した表である。
同表から明らかなように、抽出する特徴量の周波数帯域を高周波帯域(2-5kHz)とすることで、データ保存容量を、全帯域(0-5kHz)としたときのデータ保存容量の約44%に低減できた。
これにより、カーネル関数の計算に使用する特徴量を高周波成分のみすれば、計算量を少なくとすることができるとともに、DRY/WETの2路面判別精度についても向上させることができることが確認された。
また、接地長に無関係に路面状態の判別を行うことができるので、ロバスト性を向上させることができる。
ロバスト性向上の具体例として、加速度センサー11の貼り付け位置によるDRY/WETの2路面判別精度の低下について調べた結果を図10のグラフに示す。
グラフの横軸はセンサー位置で、Δはタイヤ幅方向中心(center)からのズレ量(mm)で、縦軸は路面判定精度(%)である。
グラフから明らかなように、特徴量の周波数帯域を高周波帯域とした、本発明では、特徴量の周波数帯域を全帯域(0-5kHz)としたときに比較して、センサー位置のずれによる判定精度の低下を効果的に抑制できることがわかる。
同表から明らかなように、抽出する特徴量の周波数帯域を高周波帯域(2-5kHz)とすることで、データ保存容量を、全帯域(0-5kHz)としたときのデータ保存容量の約44%に低減できた。
また、接地長に無関係に路面状態の判別を行うことができるので、ロバスト性を向上させることができる。
ロバスト性向上の具体例として、加速度センサー11の貼り付け位置によるDRY/WETの2路面判別精度の低下について調べた結果を図10のグラフに示す。
グラフの横軸はセンサー位置で、Δはタイヤ幅方向中心(center)からのズレ量(mm)で、縦軸は路面判定精度(%)である。
グラフから明らかなように、特徴量の周波数帯域を高周波帯域とした、本発明では、特徴量の周波数帯域を全帯域(0-5kHz)としたときに比較して、センサー位置のずれによる判定精度の低下を効果的に抑制できることがわかる。
なお、前記実施の形態では、特徴ベクトルXiの周波数帯域を2-5kHzとし、算出する特徴ベクトルXiを、タイヤ振動の時系列波形を、それぞれ、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)aik(k=1〜3)としたが、抽出する特徴ベクトルXiの周波数帯域はこれに限るものではなく、例えば、周波数帯域を0.5-5kHzとし、特徴ベクトルXiを、0,5-1kHz、1-2kHz、2-3kHz、3-4kHz、4-5kHzの5つのフィルター濾過波のパワー値とするなど、特徴ベクトルXiを抽出する周波数帯域を変更してもよい。要は、特徴ベクトルXiを抽出する周波数帯域を、タイヤの走行している路面がDRY路面であるかWET路面であるかを判定するのに適した500Hz以上とすればよい。
また、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、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、特徴ベクトルXiをフィルター濾過波のパワー値xikとしたが、フィルター濾過波のパワー値xikの時変分散(log[xik(t)2+xik(t-1)2])を用いてもよい。あるいは、特徴ベクトルXiを、タイヤ振動時系列波形をフーリエ変換したときの特定周波数帯域の振動レベルであるフーリエ係数、もしくは、ケプストラム係数としてもよい。ケプストラム係数は、フーリエ変換後の波形をスペクトル波形とみなし、再度フーリエ変換して得られるか、もしくは、ARスペクトルを波形とみなし、更にAR係数を求めて得られる(LPC Cepstrum)もので、絶対レベルに影響されずにスペクトルの形状を特徴付けできるので、フーリエ変換により得られる周波数スペクトルを用いた場合よりも判別精度が向上する。
また、前記実施の形態では、タイヤ振動の時系列波形から、路面領域の時系列波形を抽出して、特徴ベクトルXiを求めたが、図9に示したように、路面上の水膜との衝突による振動レベルへの影響は、踏み込み前領域Rfが最も大きいので、踏み込み前領域Rfの時系列波形に窓関数をかけて時間窓毎の時系列波形を抽出して、特徴ベクトルXiを求めるようにすれば、計算量を更に少なくすることができる。
また、前記実施の形態では、DRY/WETの2路面判定を行ったが、本発明は、2路面判定に限らず、DRY/WET/ICE/SNOW等の4路面判定に適用することも可能である。
また、前記実施の形態では、カーネル関数としてGAカーネルを用いたが、ダイナミックタイムワーピングカーネル関数(DTWカーネル)を用いてもよい。あるいは、GAカーネルとDTWカーネル演算値を用いてもよい。
また、前記実施の形態では、タイヤ振動の時系列波形から、路面領域の時系列波形を抽出して、特徴ベクトルXiを求めたが、図9に示したように、路面上の水膜との衝突による振動レベルへの影響は、踏み込み前領域Rfが最も大きいので、踏み込み前領域Rfの時系列波形に窓関数をかけて時間窓毎の時系列波形を抽出して、特徴ベクトルXiを求めるようにすれば、計算量を更に少なくすることができる。
また、前記実施の形態では、DRY/WETの2路面判定を行ったが、本発明は、2路面判定に限らず、DRY/WET/ICE/SNOW等の4路面判定に適用することも可能である。
また、前記実施の形態では、カーネル関数としてGAカーネルを用いたが、ダイナミックタイムワーピングカーネル関数(DTWカーネル)を用いてもよい。あるいは、GAカーネルとDTWカーネル演算値を用いてもよい。
10 路面状態判別装置、11 加速度センサー、12 振動波形抽出手段、
13 窓掛け手段、14 特徴ベクトル算出手段、15 記憶手段、
16 カーネル関数算出手段、17 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。
13 窓掛け手段、14 特徴ベクトル算出手段、15 記憶手段、
16 カーネル関数算出手段、17 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。
Claims (4)
- タイヤ内に設けられた振動検出手段を用いて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量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量と、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特徴量から選択される基準特徴量とからカーネル関数を算出するステップ(e)と、前記カーネル関数を用いた識別関数の値に基づいて路面状態を判別するステップ(f)とを有し、前記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、
前記ステップ(d)で算出する時間窓毎の特徴量と前記基準特徴量とが、
前記時間窓毎の時系列波形から抽出される500Hz以上の周波数帯域の振動レベル、前記周波数帯域の振動レベルの時変分散、及び、前記時系列波形のケプストラム係数のいずれか1つ、または、複数、または、全部であり、
前記ステップ(f)では、
前記路面の状態が、路面上に前記走行中のタイヤに衝突する水膜が存在するWET状態であるか、前記水膜の存在しないDRY状態であるかを判別することを特徴とする路面状態判別方法。 - 前記カーネル関数が、グローバルアライメントカーネル関数、または、ダイナミックタイムワーピングカーネル関数、または、前記カーネル関数の演算値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。
- 前記窓掛け手段は、
踏み込み前の時系列波形に窓関数をかけて時間窓毎の時系列波形を抽出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。 - タイヤトレッド部のインナーライナー部の気室側に配設された、走行中のタイヤの振動を検出するタイヤ振動検出手段と、
前記タイヤ振動検出手段で検出された前記タイヤ振動の時系列波形を予め設定した時間幅で窓掛けして時間窓毎にタイヤ振動の時系列波形を抽出する窓掛け手段と、
前記抽出された時間窓毎の時系列波形における特定周波数の振動レベルを成分とする特徴量もしくは前記振動レベルの関数を成分とする特徴量を算出する特徴量算出手段と、
予め算出しておいた路面状態毎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から選択される基準特徴量を記憶する記憶手段と、
前記特徴量算出手段で算出した時間窓毎の特徴量と、前記記憶手段に記憶された基準特徴量とからカーネル関数を算出するカーネル関数算出手段と、
前記カーネル関数を用いた識別関数の値に基づいて路面状態を判別する路面状態判別手段とを備え、走行中の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、
前記特徴量算出手段の算出する時間窓毎の特徴量と、前記記憶手段に記憶された基準特徴量とが、
前記時間窓毎の時系列波形から抽出される500Hz以上の周波数帯域の振動レベル、前記周波数帯域の振動レベルの時変分散、及び、前記時系列波形のケプストラム係数のいずれか1つ、または、複数、または、全部であり、
前記路面状態判別手段は、
前記路面の状態が、路面上に前記走行中のタイヤに衝突する水膜が存在するWET状態であるか、前記水膜の存在しないDRY状態であるかを判別することを特徴とする路面状態判別装置。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017119103A JP2019001367A (ja) | 2017-06-16 | 2017-06-16 | 路面状態判別方法及び路面状態判別装置 |
CN201880040176.6A CN110753858A (zh) | 2017-06-16 | 2018-04-26 | 路面状态判别方法和路面状态判别装置 |
PCT/JP2018/017083 WO2018230181A1 (ja) | 2017-06-16 | 2018-04-26 | 路面状態判別方法及び路面状態判別装置 |
EP18818142.4A EP3640685A4 (en) | 2017-06-16 | 2018-04-26 | ROAD SURFACE CONDITION DETERMINATION METHOD AND ROAD SURFACE CONDITION DETERMINATION DEVICE |
US16/607,546 US20210309230A1 (en) | 2017-06-16 | 2018-04-26 | Road surface state determination method and road surface state determination device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017119103A JP2019001367A (ja) | 2017-06-16 | 2017-06-16 | 路面状態判別方法及び路面状態判別装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2019001367A true JP2019001367A (ja) | 2019-01-10 |
Family
ID=64660369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017119103A Pending JP2019001367A (ja) | 2017-06-16 | 2017-06-16 | 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) | US20210309230A1 (ja) |
EP (1) | EP3640685A4 (ja) |
JP (1) | JP2019001367A (ja) |
CN (1) | CN110753858A (ja) |
WO (1) | WO2018230181A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114676175A (zh) * | 2022-03-24 | 2022-06-28 | 北京百度网讯科技有限公司 | 一种道路颠簸点检测方法、装置、设备及介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7157320B2 (ja) * | 2018-09-19 | 2022-10-20 | 日本電信電話株式会社 | 学習データ生成装置、学習データ生成方法およびプログラム |
Citations (4)
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 |
JP2011046256A (ja) * | 2009-08-26 | 2011-03-10 | Bridgestone Corp | 路面状態の推定方法とその装置、及び、車両制御方法 |
JP2014035279A (ja) * | 2012-08-09 | 2014-02-24 | Bridgestone Corp | 路面状態判別方法とその装置 |
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 (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002039854A (ja) * | 2000-07-21 | 2002-02-06 | Bridgestone Corp | タイヤ振動検知装置 |
-
2017
- 2017-06-16 JP JP2017119103A patent/JP2019001367A/ja active Pending
-
2018
- 2018-04-26 CN CN201880040176.6A patent/CN110753858A/zh not_active Withdrawn
- 2018-04-26 US US16/607,546 patent/US20210309230A1/en not_active Abandoned
- 2018-04-26 EP EP18818142.4A patent/EP3640685A4/en not_active Withdrawn
- 2018-04-26 WO PCT/JP2018/017083 patent/WO2018230181A1/ja active Application Filing
Patent Citations (4)
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 |
JP2011046256A (ja) * | 2009-08-26 | 2011-03-10 | Bridgestone Corp | 路面状態の推定方法とその装置、及び、車両制御方法 |
JP2014035279A (ja) * | 2012-08-09 | 2014-02-24 | Bridgestone Corp | 路面状態判別方法とその装置 |
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 |
---|---|---|---|---|
CN114676175A (zh) * | 2022-03-24 | 2022-06-28 | 北京百度网讯科技有限公司 | 一种道路颠簸点检测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
EP3640685A4 (en) | 2021-03-10 |
CN110753858A (zh) | 2020-02-04 |
WO2018230181A1 (ja) | 2018-12-20 |
EP3640685A1 (en) | 2020-04-22 |
US20210309230A1 (en) | 2021-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5937921B2 (ja) | 路面状態判別方法とその装置 | |
JP6450170B2 (ja) | 路面状態判別方法 | |
JP6673766B2 (ja) | 路面状態判別方法 | |
WO2018207648A1 (ja) | 路面状態判別方法及び路面状態判別装置 | |
WO2018003942A1 (ja) | 路面状態判別方法及び路面状態判別装置 | |
WO2018230181A1 (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 | |
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 | |
JP6961539B2 (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 | |
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 | |
JP7030532B2 (ja) | 路面状態判別方法及び路面状態判別装置 | |
Wittenberg et al. | Feasibility of statistical classifiers for monitoring rollers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191220 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201013 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20210406 |