JP2019001367A - 路面状態判別方法及び路面状態判別装置 - Google Patents

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）。

特開２０１４−３５２７９号公報

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。

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。

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、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。

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。 タイヤ振動の時系列波形から特徴ベクトルを算出する方法を示す図である。 入力空間を示す模式図である。 入力空間上における、ＤＲＹ路面の路面特徴ベクトルとＷＥＴ路面の路面特徴ベクトルとを示す図である。 ＧＡカーネルの算出方法を示す図である。 本発明による路面状態判別方法を示すフローチャートである。 タイヤに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の一例を示す図である。 加速度センサーの取付位置と判定精度との関係を示すグラフである。

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。

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Ｒ_f、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、及び、タイヤ２０の陸部が路面に接地している接地領域Ｒ_ｓ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。
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Ｒ_fと蹴り出し後領域Ｒ_k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Ｒ_fから蹴り出し後領域Ｒ_k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。

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Ｘ_i（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Ｘ_i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）ａ_ik（ｋ＝１〜３）を用いた。
特徴ベクトルは、Ｘ_i＝（ａ_i1，ａ_i2，ａ_i3）で、特徴ベクトルＸ_iの数はＮ個である。
図５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Ｘ_i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Ｙ_ASV（ｙ_jk）と基準特徴ベクトルＹ_ASV（ｙ_jk）を重み付けするラグランジュ乗数λ_Aとを記憶する。
基準特徴量（Ｙ_ASV（ｙ_jk）及びλ_A）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Ｙ_A（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。
基準特徴ベクトルＹ_ASV（ｙ_jk）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、ｙ_jk＝（ａ_j1，ａ_j2，ａ_j3）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Ｙ_ASV（ｙ_jk）は、ベクトルｙ_i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Ｙ_A（ｙ_jk）及び基準特徴ベクトルＹ_ASV（ｙ_jk）を、それぞれ、Ｙ_A、Ｙ_ASVと記す。

路面特徴ベクトルＹ_A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路面の基準特徴ベクトルＹ_D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Ｙ_Dを算出する。同様に、ＷＥＴ路面特徴ベクトルＹ_W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Ｙ_ASVは、ＤＲＹ路面特徴ベクトルＹ_DとＷＥＴ路面特徴ベクトルＹ_W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Ｙ_ASV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λ_min（例えば、λ_min＝0.05）以上であるサポートベクトルＹ_ASVのみを、基準特徴ベクトルＹ_ASVとして記憶すればよい。
ここで、時間幅Ｔが、特徴ベクトルＸ_j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Ｙ_Aの時間窓の時系列波形の数Ｍは、特徴ベクトルＸ_j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Ｘ_jを求めるときの車速が路面特徴ベクトルＹ_A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Ｙ_DとＷＥＴ路面特徴ベクトルＹ_W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Ｙ_DもＷＥＴ路面特徴ベクトルＹ_W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Ｙ_DとＷＥＴ路面特徴ベクトルＹ_W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_V及びＹ_W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_D及びＹ_W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Ｙ_DjとＷＥＴ路面特徴ベクトルＹ_Wj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Ｙ_Djは全てｆ（ｘ）≧＋１の領域にあり、ＷＥＴ路面特徴ベクトルＹ_Wjは全てｆ（ｘ）≦−１の領域にある。

次に、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、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Ｙ_DjとＷＥＲ路面特徴ベクトルＹ_Wj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Ｙ_Aj（Ａ＝Ｄ，Ｗ）とｆ（ｘ）＝０との距離である。
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（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Ｙ_Aj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φ^T（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^T（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。 このように、内積φ^T（ｘ_α）φ（ｘ_β）を直接求めずに、カーネル関数Ｋ（ｘ_α，ｘ_β）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（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７及び以下の式（３），（４）に示すように、特徴ベクトルｘ_αと特徴ベクトルｘ_βとの類似度を示すローカルカーネルκ_ij（ｘ_αi，ｘ_βj）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_αi，ｘ_βj）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ｘ_αiと、時間窓の数が４である特徴ベクトルｘ_βjとのＧＡカーネルを求めた例である。

ここで、||ｘ_αi−ｘ_βｉj||は、特徴ベクトル間の距離(ノルム）で、σは定数である。

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Ｘ_i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Ｙ_DSVとＷＥＴ路面の基準特徴ベクトルＹ_WSVとから、ＤＲＹＧＡカーネルＫ_D（Ｘ，Ｙ_DSV）とＷＥＴＧＡカーネルＫ_W（Ｘ，Ｙ_WSV）とを算出する。
ＤＲＹＧＡカーネルＫ_D（Ｘ，Ｙ_DSV）は、前記の式（３）及び（４）において、特徴ベクトルｘ_αを特徴ベクトル算出手段１４で算出された特徴ベクトルＸ_iとし、特徴ベクトルｘ_βをＤＲＹ路面の基準特徴ベクトルＹ_DSVjとしたときのローカルカーネルκ_ij（Ｘ_i，Ｙ_DSVj）の総和もしくは総積から成る関数で、ＷＥＴＧＡカーネルＫ_W（Ｘ，Ｙ_WSV）は、特徴ベクトルｘ_βをＷＥＴ路面の基準特徴ベクトルＹ_WSVjとしたときのローカルカーネルκ_ij（Ｘ_i，Ｙ_SVj）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Ｋ_D（Ｘ，Ｙ_DSV）及びＫ_W（Ｘ，Ｙ_WSV）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と基準特徴ベクトルＹ_ASVj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Ｋ_D（Ｘ，Ｙ）とカーネル関数Ｋ_W（Ｘ，Ｙ）を用いた識別関数ｆ_DW（ｘ）の値とに基づいて路面状態を判別する。

ここで、Ｎ_DSVはＤＲＹ路面の基準特徴ベクトルＹ_DSVjの個数で、Ｎ_WSVはＷＥＴ路面の基準特徴ベクトルＹ_WSVjの個数である。
本例では、識別関数ｆ_DWを計算し、ｆ_DW＞０であれば、路面がＤＲＹ路面であると判別し、ｆ_DW＜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Ｘ_i＝（ｘ_i1，ｘ_i2，ｘ_i3）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Ｘ_iの数は６個である。
特徴ベクトルＸ_iの各成分ｘ_i1〜ｘ_i3（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Ｘ_i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Ｙ_ASVjとから、ローカルカーネルκ_ij（Ｘ_i，Ｙ_ASVj）を算出した後、ローカルカーネルκ_ij（Ｘ_i，Ｙ_ASVj）の総和を求めて、ＧＡカーネル関数Ｋ_A（Ｘ，Ｙ_ASV）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Ｋ_D（Ｘ，Ｙ_DSV）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Ｋ_W（Ｘ，Ｙ_WSV）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Ｋ_DとＷＥＴ路面のＧＡカーネル関数Ｋ_Wとを用いた識別関数ｆ_DW（ｘ）を計算（ステップＳ１５）し、ｆ_DW＞０であれば、路面がＤＲＹ路面であると判別し、ｆ_DW＜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Ｘ_iを算出した後、特徴ベクトルＸ_iと路面毎の基準特徴ベクトルＹ_ASVjとのカーネル関数Ｋ_A（Ｘ，Ｙ_ASVj）を求め、これらのカーネル関数Ｋ_A（Ｘ，Ｙ_ASVj）を用いた識別関数ｆ_{D 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。

表１は、特徴量である特徴ベクトルＸ_i及び路面特徴ベクトルＹ_Aj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。

なお、前記実施の形態では、特徴ベクトルＸ_iの周波数帯域を2-5kHzとし、算出する特徴ベクトルＸ_i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）ａ_ik（ｋ＝１〜３）としたが、抽出する特徴ベクトルＸ_i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Ｘ_i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Ｘ_i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Ｘ_i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、特徴ベクトルＸ_iをフィルター濾過波のパワー値ｘ_ikとしたが、フィルター濾過波のパワー値ｘ_ikの時変分散（log[ｘ_ik(t)²+ｘ_ik(t-1)²]）を用いてもよい。あるいは、特徴ベクトルＸ_i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Ｘ_i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Ｒ_fが最も大きいので、踏み込み前領域Ｒ_f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Ｘ_i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。

Claims (4)

1. 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。
2. 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。
3. 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。
4. 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。

Images