JP2019218023A - 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
- JP2019218023A JP2019218023A JP2018119167A JP2018119167A JP2019218023A JP 2019218023 A JP2019218023 A JP 2019218023A JP 2018119167 A JP2018119167 A JP 2018119167A JP 2018119167 A JP2018119167 A JP 2018119167A JP 2019218023 A JP2019218023 A JP 2019218023A
- Authority
- JP
- Japan
- Prior art keywords
- time
- road surface
- waveform
- window
- tire
- 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
- 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
-
- 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
- B60W40/068—Road friction coefficient
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Environmental & Geological Engineering (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Tires In General (AREA)
Abstract
【課題】路面状態の判別精度を確保しつつ、時間伸縮の計算量を削減する。【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、この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ておいた時間窓毎の特徴ベクトルである基準特徴ベクトルYASVJとからカーネル関数KAを算出する際に、検出されたタイヤ振動の時系列波形から、踏み込み点の時刻tf、蹴り出し点の時刻tk、もしくは、接地中心点の時刻tcのいずれかの時刻含む、時間長さTKが、13T/40<TK<19T/40の範囲にある時系列波形を切り出し、この切り出された時系列波形である切り出し波形に窓関数をかけて時間窓毎の切り出し波形を抽出して、時間窓毎の特徴ベクトルXiを算出するようにした。【選択図】図8
Description
本発明は、走行中のタイヤの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その装置に関する。
従来、走行中のタイヤの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、取得された時系列波形を比較するために必要な操作であるものの、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、時間伸縮の計算量を削減しても路面状態の判別精度を確保することができる路面状態判別方法と路面状態判別装置と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走行中の路面の状態を判別するステップ(f)と、を備えた路面状態判別方法において、前記タイヤ振動の時系列波形における踏み込み点の時刻をtf、蹴り出し点の時刻をtk、前記時刻tfと前記時刻tkの中間の時刻である接地中心点の時刻をtcとし、前記時系列波形の周期をTとしたとき、前記ステップ(c)では、前記検出されたタイヤ振動の時系列波形から、前記時刻tf、tk、もしくは、tcのいずれかの時刻含む、時間長さTKが、13T/40<TK<19T/40の範囲にある時系列波形を切り出し、この切り出された時系列波形である切り出し波形に窓関数をかけて時間窓毎の時系列波形を抽出し、前記ステップ(e)では、前記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切り出された、時間長さTcが13T/40<TK<19T/40の範囲にある基準切り出し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ことを特徴とする。
これにより、カーネル関数K(X,Y)を算出するために使用する基準特徴量の数を削減できるので、路面状態の判別精度を確保しつつ、計算速度を速くすることができる。
これにより、カーネル関数K(X,Y)を算出するために使用する基準特徴量の数を削減できるので、路面状態の判別精度を確保しつつ、計算速度を速くすることができる。
なお、前記の特徴ベクトルXiとしては、前記窓関数をかけて抽出した時間窓毎の切り出し波形の特定周波数帯域の振動レベル、前記特定周波数帯域の振動レベルの時変分散、及び、前記切り出し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、全部等が挙げられる。また、前記特定周波数帯域の振動レベルは、前記窓関数をかけて抽出した時間窓毎の切り出し波形の周波数スペクトル、もしくは、前記窓関数をかけて抽出した時間窓毎の切り出し波形をバンドパスフィルタを通して得られた時系列波形から求めることができる。
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すれば、路面状態の判別精度を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すれば、路面状態の判別精度を向上させることができる。
また、本発明は、 走行中のタイヤの振動を検出して、前記タイヤの走行する路面の状態を判別する路面状態判別装置であって、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て、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、前記タイヤ振動の時系列波形における踏み込み点の時刻をtf、蹴り出し点の時刻をtk、前記時刻tfと前記時刻tkの中間の時刻である接地中心点の時刻をtcとし、前記時系列波形の周期をTとしたとき、前記検出されたタイヤ振動の時系列波形から、前記時刻tf、tk、もしくは、tcのいずれかの時刻含む、時間長さTKが、13T/40<TK<19T/40の範囲にある時系列波形を切り出す波形切り出し手段と、前記切り出された時系列波形である切り出し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窓掛け手段と、前記抽出された時間窓毎の切り出し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、予め予め路面状態毎に求めておいた路面状態毎のタイヤ振動の時系列波形から切り出された、時間長さTKが、13T/40<TK<19T/40の範囲にある時系列波形である基準切り出し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前記基準特徴量に対応するラグランジェ未定乗数と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ることを特徴とする。
このような構成を採ることにより、時間伸縮の計算量を削減しても路面状態の判別精度を確保することができる路面状態判別装置と得ることができる。
このような構成を採ることにより、時間伸縮の計算量を削減しても路面状態の判別精度を確保することができる路面状態判別装置と得ることができる。
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。
実施の形態
図1は、本実施の形態に係る路面状態判別装置10の構成を示す図である。
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、波形切り出し手段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、DRY路面であるかWET路面であるかの2路面判別を行う。
波形切り出し手段12〜路面状態判別手段17までの各手段は、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波形切り出し手段12に送られる。
図1は、本実施の形態に係る路面状態判別装置10の構成を示す図である。
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、波形切り出し手段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、DRY路面であるかWET路面であるかの2路面判別を行う。
波形切り出し手段12〜路面状態判別手段17までの各手段は、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波形切り出し手段12に送られる。
波形切り出し手段12は、加速度センサー11で検出したタイヤ振動の時系列波形から路面状態の判定に使用する部分を切り出して窓かけ手段13に送る。
図3(a)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、踏み込み点Pf近傍と蹴り出し点Pk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。以下、踏み込み前領域Rfから蹴り出し後領域Rkまでの領域を路面領域という。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。
ここで、タイヤ20が1回転する時間である振動の時系列波形の周期をTとする。この周期Tは、例えば、図3(b)に示すように、時間的に隣接する2つの踏み込み点Pfの時間間隔、もしくは、2つの蹴り出し点Pkの時間間隔から算出すればよい。
本例では、前記タイヤ振動の時系列波形から、踏み込み点Pfにおける時刻tf含む、時間長さTKが、13T/40<TK<19T/40(T:タイヤ振動の時系列波形の周期)の範囲にある時系列波形を切り出し、この切り出された時系列波形である切り出し波形を窓かけ手段13に送る。以下、上記のTKを切り出し幅という。
図3(a)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、踏み込み点Pf近傍と蹴り出し点Pk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。以下、踏み込み前領域Rfから蹴り出し後領域Rkまでの領域を路面領域という。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。
ここで、タイヤ20が1回転する時間である振動の時系列波形の周期をTとする。この周期Tは、例えば、図3(b)に示すように、時間的に隣接する2つの踏み込み点Pfの時間間隔、もしくは、2つの蹴り出し点Pkの時間間隔から算出すればよい。
本例では、前記タイヤ振動の時系列波形から、踏み込み点Pfにおける時刻tf含む、時間長さTKが、13T/40<TK<19T/40(T:タイヤ振動の時系列波形の周期)の範囲にある時系列波形を切り出し、この切り出された時系列波形である切り出し波形を窓かけ手段13に送る。以下、上記のTKを切り出し幅という。
タイヤ振動の時系列波形の切り出し方の例を図3(b)に示す。
同図において、tfは踏み込み点Pfの時刻、tkは蹴り出し点Pkの時刻、tcは時刻tfと時刻をtkの中間の時刻である接地中心点の時刻である。
従来は、接地中心点の時刻tcを中心に、その前後3T/8分の波形(TK=3T/4)を切り出し、その波形(路面領域の波形)から算出した特徴ベクトルXiと路面Aの基準特徴ベクトルYASVとをGAカーネルを用いて比較することで、路面状態を判別していた。
これに対して、本例では、接地中心点の時刻tcから3T/8だけ前の時刻を始点とし、踏み込み点Pfの時刻tfを含む、切り出し幅TKが、例えば、13T/40、3T/8、19T/40などの波形を切り出し、切り出した波形である切り出し波形を窓掛け手段13に送るようにしている。
なお、図3(b)の時系列波形では、TK=13T/40の場合には、終点が踏み込み点tfの時刻となり、TK=3T/8の場合には、終点が接地中心点の時刻tcとなる。また、19T/40の場合には、終点が蹴り出し点Pkの時刻tkよりも後になっている。
同図において、tfは踏み込み点Pfの時刻、tkは蹴り出し点Pkの時刻、tcは時刻tfと時刻をtkの中間の時刻である接地中心点の時刻である。
従来は、接地中心点の時刻tcを中心に、その前後3T/8分の波形(TK=3T/4)を切り出し、その波形(路面領域の波形)から算出した特徴ベクトルXiと路面Aの基準特徴ベクトルYASVとをGAカーネルを用いて比較することで、路面状態を判別していた。
これに対して、本例では、接地中心点の時刻tcから3T/8だけ前の時刻を始点とし、踏み込み点Pfの時刻tfを含む、切り出し幅TKが、例えば、13T/40、3T/8、19T/40などの波形を切り出し、切り出した波形である切り出し波形を窓掛け手段13に送るようにしている。
なお、図3(b)の時系列波形では、TK=13T/40の場合には、終点が踏み込み点tfの時刻となり、TK=3T/8の場合には、終点が接地中心点の時刻tcとなる。また、19T/40の場合には、終点が蹴り出し点Pkの時刻tkよりも後になっている。
窓掛け手段13は、図4に示すように、前記切り出された切り出し波形を予め設定した時間幅(時間窓幅ともいう)ΔTで窓掛けし、時間窓毎にタイヤ振動の切り出し波形を抽出して特徴ベクトル算出手段14に送る。
なお、同図のTKは切り出し幅で、ここでは、TK=3T/8とした。
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切り出し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毎の時系列波形の数)算出する。
このように、切り出し幅TKを狭くすると、時間窓の数も少なくなるので、特徴ベクトルXi数も少なくなる
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、0-0.5kHz、0.5-1kHz、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)aik(k=1〜6)を用いた。特徴ベクトルは、Xi=(ai1,ai2,ai3,ai4,ai5,ai6)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。
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路面かを判別することができる。
なお、同図のTKは切り出し幅で、ここでは、TK=3T/8とした。
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切り出し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毎の時系列波形の数)算出する。
このように、切り出し幅TKを狭くすると、時間窓の数も少なくなるので、特徴ベクトルXi数も少なくなる
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、0-0.5kHz、0.5-1kHz、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)aik(k=1〜6)を用いた。特徴ベクトルは、Xi=(ai1,ai2,ai3,ai4,ai5,ai6)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。
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路面かを判別することができる。
記憶手段15は、予め求めておいた、DRY路面とWET路面とを識別するためのDW識別モデルを記憶する。
DW識別モデルは、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YAK(yjk)と、基準特徴ベクトルYAK(yjk)に対応するラグランジュ乗数λAとを備える。
基準特徴ベクトルYAK(yjk)及びλAは、通常は、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。
例では、タイヤ振動の時系列波形から切り出した切り出し波形から算出した時間窓毎の特徴ベクトルを路面特徴ベクトルYA(yjk)として、基準特徴ベクトルYAK(yjk)及びλAを求めているので、基準特徴ベクトルYAK(yjk)の数も少なくなる。
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YAK(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=1〜6)。すなわち、yjk=(aj1,aj2,aj3,aj4,aj5,aj6))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YAK(yjk)は、ベクトルyiの次元数(ここでは、6×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YAK(yjk)を、それぞれ、YA、YAKと記す。
DW識別モデルは、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YAK(yjk)と、基準特徴ベクトルYAK(yjk)に対応するラグランジュ乗数λAとを備える。
基準特徴ベクトルYAK(yjk)及びλAは、通常は、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。
例では、タイヤ振動の時系列波形から切り出した切り出し波形から算出した時間窓毎の特徴ベクトルを路面特徴ベクトルYA(yjk)として、基準特徴ベクトルYAK(yjk)及びλAを求めているので、基準特徴ベクトルYAK(yjk)の数も少なくなる。
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YAK(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=1〜6)。すなわち、yjk=(aj1,aj2,aj3,aj4,aj5,aj6))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YAK(yjk)は、ベクトルyiの次元数(ここでは、6×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YAK(yjk)を、それぞれ、YA、YAK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から切り出した切り出し波形を時間幅ΔTで窓掛けし、時間窓毎に切り出し波形を抽出し、抽出された各時間窓の切り出し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切り出し波形から算出される。
また、基準特徴ベクトルYAK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。
ここで、時間幅ΔTが、特徴ベクトルXjを求める場合の時間幅ΔTと同じ値であることが肝要である。時間幅Tが一定なら、時間窓の切り出し波形の数Mはタイヤ種と車速によって異なる。すなわち、基準徴ベクトルYAの時間窓の切り出し波形の数Mは、特徴ベクトルXjの時間窓の切り出し波形の数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YAK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。
ここで、時間幅ΔTが、特徴ベクトルXjを求める場合の時間幅ΔTと同じ値であることが肝要である。時間幅Tが一定なら、時間窓の切り出し波形の数Mはタイヤ種と車速によって異なる。すなわち、基準徴ベクトルYAの時間窓の切り出し波形の数Mは、特徴ベクトルXjの時間窓の切り出し波形の数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WET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WET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、時間間隔Tの窓毎に求められる。
なお、図7は、時間窓の数が3である特徴ベクトルxαiと、時間窓の数が2である特徴ベクトルxβとのGAカーネルを求めた例である。
この例では、切り出し幅がTK=3T/8であるので、窓数も、切り出し幅がTK=3T/4である従来の半分になっている。
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、時間間隔Tの窓毎に求められる。
なお、図7は、時間窓の数が3である特徴ベクトルxαiと、時間窓の数が2である特徴ベクトルxβとのGAカーネルを求めた例である。
この例では、切り出し幅がTK=3T/8であるので、窓数も、切り出し幅がTK=3T/4である従来の半分になっている。
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に記憶されているDRY路面の基準特徴ベクトルYDKとWET路面の基準特徴ベクトルYWKとから、DRYGAカーネルKD(X,YDK)とWETGAカーネルKW(X,YWK)とを算出する。
DRYGAカーネルKD(X,YDK)は、上記式(3)及び(4)において、特徴ベクトルxiα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YDKjとしたときのローカルカーネルκij(Xi,YDKj)の総和もしくは総積から成る関数で、WETGAカーネルKW(X,YWK)は、特徴ベクトルxβをWET路面の基準特徴ベクトルYWKjとしたときのローカルカーネルκij(Xi,YWKj)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,YDK)及びKW(X,YWK)を用いることで、時間長さの異なる時系列波形(切り出し波形)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切り出し波形の数nと路面特徴ベクトルYAj求めた場合の時間窓の切り出し波形の数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,YDK)は、上記式(3)及び(4)において、特徴ベクトルxiα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YDKjとしたときのローカルカーネルκij(Xi,YDKj)の総和もしくは総積から成る関数で、WETGAカーネルKW(X,YWK)は、特徴ベクトルxβをWET路面の基準特徴ベクトルYWKjとしたときのローカルカーネルκij(Xi,YWKj)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,YDK)及びKW(X,YWK)を用いることで、時間長さの異なる時系列波形(切り出し波形)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切り出し波形の数nと路面特徴ベクトルYAj求めた場合の時間窓の切り出し波形の数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,YDK)とカーネル関数KW(X,YWD)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、NDKVはDRY路面の基準特徴ベクトルYDKjの個数で、NWKはWET路面の基準特徴ベクトルYWKj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)、この検出されたタイヤ振動の時系列波形から、蹴り出し点の時刻tkを含む、切り出し幅TKが、TK=3T/8である時系列波形を切り出す(ステップS11)。
そして、切り出されたタイヤ振動の時系列波形である切り出し波形に、予め設定した時間幅ΔTで窓掛けして、時間窓毎の切り出し波形を求める。ここで、時間窓毎の切り出し波形の数を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,xi4,xi5,xi6)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〜xi6(i=1〜6)は、前述したように、タイヤ振動の時系列波形(切り出し波形)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YAKjとの中から、DRY路面の基準特徴ベクトルYDKとWET路面の基準用特徴ベクトルYWKとを取出し(ステップS14)、これら基準特徴ベクトルYDK及びYWKと、特徴ベクトルXiとから、ローカルカーネルκij(Xi,YAKj)を算出した後、ローカルカーネルκij(Xi,YAKj)の総和を求めて、GAカーネル関数KA(X,YAK)をそれぞれ算出する(ステップS15)。
A=DであるGAカーネル関数KD(X,YDK)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,YWK)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S16)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S17)。
切り出し波形は、路面領域の波形の切り出し幅の約50%と少ないので、カーネル関数K(X,Y)の演算に使用するデータ量を削減でき、その結果、演算時間を速くすることができる。
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)、この検出されたタイヤ振動の時系列波形から、蹴り出し点の時刻tkを含む、切り出し幅TKが、TK=3T/8である時系列波形を切り出す(ステップS11)。
そして、切り出されたタイヤ振動の時系列波形である切り出し波形に、予め設定した時間幅ΔTで窓掛けして、時間窓毎の切り出し波形を求める。ここで、時間窓毎の切り出し波形の数を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,xi4,xi5,xi6)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〜xi6(i=1〜6)は、前述したように、タイヤ振動の時系列波形(切り出し波形)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YAKjとの中から、DRY路面の基準特徴ベクトルYDKとWET路面の基準用特徴ベクトルYWKとを取出し(ステップS14)、これら基準特徴ベクトルYDK及びYWKと、特徴ベクトルXiとから、ローカルカーネルκij(Xi,YAKj)を算出した後、ローカルカーネルκij(Xi,YAKj)の総和を求めて、GAカーネル関数KA(X,YAK)をそれぞれ算出する(ステップS15)。
A=DであるGAカーネル関数KD(X,YDK)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,YWK)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S16)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S17)。
切り出し波形は、路面領域の波形の切り出し幅の約50%と少ないので、カーネル関数K(X,Y)の演算に使用するデータ量を削減でき、その結果、演算時間を速くすることができる。
[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(切り出し波形)から算出された時間窓毎の特徴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、C=2、σ=125とした。
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9は、切り出し幅と判別精度との関係を示す図で、「全波形」は、切り出した波形が路面領域の全波形(100%)であるとき、すなわち、切り出し幅Tkが3T/4の場合を指す。
「蹴り後まで」は、踏み込み前領域Rfから蹴り出し点の直後までの波形で、切り出し幅Tkは19T/40(63%)である。
「接地中心」は、全波形の前半分の波形で、切り出し幅Tkは3T/8(50%)である。
「踏みまで」は、踏み込み前領域Rfの時系列波形で、切り出し幅Tkは13T/40(43%)である。
同図から明らかなように、DRY/WETの2路面判別であれば、切り出し幅Tkが13T/40であっても、十分な判別精度を得ることができることが確認された。
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(切り出し波形)から算出された時間窓毎の特徴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、C=2、σ=125とした。
このとき、サポートベクトルの数は最大で415個であった。
「蹴り後まで」は、踏み込み前領域Rfから蹴り出し点の直後までの波形で、切り出し幅Tkは19T/40(63%)である。
「接地中心」は、全波形の前半分の波形で、切り出し幅Tkは3T/8(50%)である。
「踏みまで」は、踏み込み前領域Rfの時系列波形で、切り出し幅Tkは13T/40(43%)である。
同図から明らかなように、DRY/WETの2路面判別であれば、切り出し幅Tkが13T/40であっても、十分な判別精度を得ることができることが確認された。
以上、本発明を実施の形態及び実施例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、タイヤ振動の時系列波形から、踏み込み点Pfの時刻tfを含む、時間長さTKが、13T/40<TK<19T/40の範囲にある時系列波形を切り出し、この切り出された時系列波形である切り出し波形をとしたが、図10(a),(b)に示すように、蹴り出し点Pkの時刻tkを含む、時間長さTKが、13T/40<TK<19T/40の範囲にある時系列波形や、踏み込み点Pfの時刻tfと蹴り出し点Pkの時刻tkの中間の時刻である接地中心点の時刻tcを含む、時間長さTKが、13T/40<TK<19T/40の範囲にある時系列波形を切り出し波形をとしても、路面状態の判別精度を確保しつつ、カーネル関数K(X,Y)の演算時間を速くすることができる。
また、前記実施の形態では、DW識別モデルを用いてタイヤ20の走行している路面が、DRY路面であるかWET路面であるかの2路面判別を行ったが、以下の6つの路面識別モデルを用いれば、タイヤ20の走行している路面が、DRY路面、WET路面、SNOW路面、ICE路面のいずれであるか判別することができる。
ここで、A,A’=DRY,WET,SNOW,ICE(A≠A’)とすると、AA’識別モデルは、A路面とA’路面とを分離超平面を表わす識別関数fAA’(x)により分離するための基準特徴量であるA路面特徴ベクトルYAKとラグランジュ乗数λAA’、及び、A’路面特徴ベクトルYA’Kラグランジュ乗数λA’ Aを備える。
基準特徴量YASV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,WET,SNOW,ICEの各路面にて、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、A路面のデータは、図6のχ1で示すz=1に所属するデータで、A’路面のデータは、χ2で示すz=−1に所属するデータである。
ここで、A,A’=DRY,WET,SNOW,ICE(A≠A’)とすると、AA’識別モデルは、A路面とA’路面とを分離超平面を表わす識別関数fAA’(x)により分離するための基準特徴量であるA路面特徴ベクトルYAKとラグランジュ乗数λAA’、及び、A’路面特徴ベクトルYA’Kラグランジュ乗数λA’ Aを備える。
基準特徴量YASV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,WET,SNOW,ICEの各路面にて、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、A路面のデータは、図6のχ1で示すz=1に所属するデータで、A’路面のデータは、χ2で示すz=−1に所属するデータである。
ところで、基準特徴ベクトルYAKに対応するラグランジュ乗数λAが識別モデル毎にあることに注意する必要がある。例えば、DRY路面特徴ベクトルYDK対応する3つのラグランジュ乗数λDW,λDS,λDIはそれぞれ異なる値をもつ。他の路面特徴ベクトルYWK,YSK,YIKについても同様である。
GAカーネル関数KA(X,YAK)の算出方法は実施の形態と同様で、A=DであるGAカーネル関数KD(X,YDK)がDRY路面のGAカーネル関数、A=WであるGAカーネル関数KW(X,YWK)がWET路面のGAカーネル関数、A=SであるGAカーネル関数KS(X,YSK)がSNOW路面のGAカーネル関数、A=IであるGAカーネル関数KI(X,YIK)がICE路面のGAカーネル関数である。
路面状態の判別は、以下の式(6)〜(11)に示す6つの識別関数fAA’(x)を用いて行う。
上記のように、識別関数がfAA’(x)であれば、A路面のデータがz=1に所属するデーで、A’路面のデータがz=−1に所属するデータであるので、6つの識別関数fAA’から、以下のように路面判別することができる。
fDW >0、fDS>0、fDI>0であれば、路面がDRY路面であると判別する。
fDW <0、fWS>0、fWI>0であれば、路面がWET路面であると判別する。
fDS <0、fWS>0、fSI>0であれば、路面がSNOW路面であると判別する。
fDI <0、fWI<0、fSI<0であれば、路面がICE路面であると判別する。
GAカーネル関数KA(X,YAK)の算出方法は実施の形態と同様で、A=DであるGAカーネル関数KD(X,YDK)がDRY路面のGAカーネル関数、A=WであるGAカーネル関数KW(X,YWK)がWET路面のGAカーネル関数、A=SであるGAカーネル関数KS(X,YSK)がSNOW路面のGAカーネル関数、A=IであるGAカーネル関数KI(X,YIK)がICE路面のGAカーネル関数である。
路面状態の判別は、以下の式(6)〜(11)に示す6つの識別関数fAA’(x)を用いて行う。
fDW >0、fDS>0、fDI>0であれば、路面がDRY路面であると判別する。
fDW <0、fWS>0、fWI>0であれば、路面がWET路面であると判別する。
fDS <0、fWS>0、fSI>0であれば、路面がSNOW路面であると判別する。
fDI <0、fWI<0、fSI<0であれば、路面がICE路面であると判別する。
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、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、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、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、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 波形切り出し手段、
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)
- 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走行中の路面の状態を判別するステップ(f)と、
を備えた路面状態判別方法において、
前記タイヤ振動の時系列波形における踏み込み点の時刻をtf、蹴り出し点の時刻をtk、前記時刻tfと前記時刻tkの中間の時刻である接地中心点の時刻をtcとし、前記時系列波形の周期をTとしたとき、
前記ステップ(c)では、
前記検出されたタイヤ振動の時系列波形から、前記時刻tf、tk、もしくは、tcのいずれかの時刻含む、時間長さTKが、13T/40<TK<19T/40の範囲にある時系列波形を切り出し、この切り出された時系列波形である切り出し波形に窓関数をかけて時間窓毎の時系列波形を抽出し、
前記ステップ(e)では、
前記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切り出された、時間長さTcが13T/40<TK<19T/40の範囲にある基準切り出し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ことを特徴とする路面状態判別方法。 - 前記特徴量が、
前記窓関数をかけて抽出した時間窓毎の切り出し波形の特定周波数帯域の振動レベル、
前記特定周波数帯域の振動レベルの時変分散、
及び、前記切り出し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、
前記特定周波数帯域の振動レベルは、前記窓関数をかけて抽出した時間窓毎の切り出し波形の周波数スペクトル、もしくは、前記窓関数をかけて抽出した時間窓毎の切り出し波形をバンドパスフィルタを通して得られた時系列波形から求められる特定周波数帯域の振動レベル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または請求項2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、前記タイヤの走行する路面の状態を判別する路面状態判別装置であって、
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て、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、
前記タイヤ振動の時系列波形における踏み込み点の時刻をtf、蹴り出し点の時刻をtk、前記時刻tfと前記時刻tkの中間の時刻である接地中心点の時刻をtcとし、前記時系列波形の周期をTとしたとき、
前記検出されたタイヤ振動の時系列波形から、前記時刻tf、tk、もしくは、tcのいずれかの時刻含む、時間長さTKが、13T/40<TK<19T/40の範囲にある時系列波形を切り出す波形切り出し手段と、
前記切り出された時系列波形である切り出し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窓掛け手段と、
前記抽出された時間窓毎の切り出し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、
予め予め路面状態毎に求めておいた路面状態毎のタイヤ振動の時系列波形から切り出された、時間長さTKが、13T/40<TK<19T/40の範囲にある時系列波形である基準切り出し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前記基準特徴量に対応するラグランジェ未定乗数と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ることを特徴とする路面状態判別装置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018119167A JP2019218023A (ja) | 2018-06-22 | 2018-06-22 | 路面状態判別方法及び路面状態判別装置 |
PCT/JP2018/047157 WO2019244379A1 (ja) | 2018-06-22 | 2018-12-21 | 路面状態判別方法及び路面状態判別装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018119167A JP2019218023A (ja) | 2018-06-22 | 2018-06-22 | 路面状態判別方法及び路面状態判別装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2019218023A true JP2019218023A (ja) | 2019-12-26 |
Family
ID=68983348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018119167A Pending JP2019218023A (ja) | 2018-06-22 | 2018-06-22 | 路面状態判別方法及び路面状態判別装置 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP2019218023A (ja) |
WO (1) | WO2019244379A1 (ja) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5620268B2 (ja) * | 2008-06-25 | 2014-11-05 | 株式会社ブリヂストン | タイヤ摩耗推定方法及びタイヤ摩耗推定装置 |
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 |
JP6450170B2 (ja) * | 2014-12-05 | 2019-01-09 | 株式会社ブリヂストン | 路面状態判別方法 |
-
2018
- 2018-06-22 JP JP2018119167A patent/JP2019218023A/ja active Pending
- 2018-12-21 WO PCT/JP2018/047157 patent/WO2019244379A1/ja active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2019244379A1 (ja) | 2019-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
US11486702B2 (en) | Road surface condition determination method and road surface condition determination apparatus | |
WO2018003366A1 (ja) | 路面状態判別方法 | |
JP6734713B2 (ja) | 路面状態判別方法 | |
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 | |
JP7030531B2 (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 | |
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 | |
JP7030532B2 (ja) | 路面状態判別方法及び路面状態判別装置 | |
WO2020031513A1 (ja) | タイヤ種判別方法及びタイヤ種判別装置 |