JP2019218026A

JP2019218026A - Road face state discrimination method and road face state discrimination device

Info

Publication number: JP2019218026A
Application number: JP2018119176A
Authority: JP
Inventors: 啓太石井; Keita Ishii; 剛真砂; Go Masago; 嵩人後藤; Takahito GOTO
Original assignee: Bridgestone Corp
Current assignee: Bridgestone Corp
Priority date: 2018-06-22
Filing date: 2018-06-22
Publication date: 2019-12-26
Also published as: WO2019244380A1

Abstract

To provide a road face state discrimination method which can secure the discrimination accuracy of a road face state even if reducing a calculation amount of time elongation/contraction, and a road face state discrimination device.SOLUTION: A time series waveform of tire vibration detected by an acceleration sensor is curtained by a time T by curtaining means, a feature vector Xat each time window is calculated by extracting the time series waveform of the tire vibration at each time window, and after that, when calculating a Kernel function Kfrom the feature vector Xat each time window, and a reference feature vector Ybeing a feature vector at each time window which is acquired in advance at each road face state which is calculated in advance, both a digit number nnot larger than a decimal point of the feature vector Xat each time window, and a digit number nnot larger than a decimal point of the reference feature vector Yare changed to n which is smaller than n, and a Kernel function Kis calculated from the feature vector Xat each time window which is changed in the digit number, and a reference feature vector Y.SELECTED DRAWING: Figure 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。 The present invention relates to a method and an apparatus for determining a road surface condition using only data of a time-series waveform of vibration of a running tire.

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）。 Conventionally, as a method of determining a road surface state using only data of a time series waveform of a tire vibration during traveling, a time window calculated from a time series waveform extracted by multiplying a time series waveform of a tire vibration by a window function is used. A method has been proposed in which a road surface state is determined using a kernel function calculated from a characteristic amount for each road surface and a reference characteristic amount, which is a characteristic amount for each time window, obtained in advance for each road surface state.
The reference feature amount is obtained by machine learning (SVM) using, as learning data, a feature amount for each time window calculated from a time series waveform of tire vibration previously obtained for each road surface condition (for example, see Patent Document 1). ).

特開２０１４−３５２７９号公報JP 2014-35279 A

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。 However, although the time expansion and contraction is an operation necessary for comparing the acquired time-series waveforms, there is a problem that the calculation time is long and the processing becomes very heavy due to a large amount of calculation. .

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。 The present invention has been made in view of the conventional problems, and provides a road surface state determination method and a road surface state determination device that can secure the road surface state determination accuracy even when the amount of time expansion / contraction calculation is reduced. The purpose is to:

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、前記算出された基準特徴量の小数点以下の桁数ｎ₀を、ｎ₀よりも小さな桁数ｎ’変更（例えば、Ｘ＝１２１．１２３（ｎ₀＝３）で、ｎ＝１なら、Ｘ’＝１２１．１となる）して保存するとともに、前記ステップ（ｅ）では、前記ステップ（ｄ）で算出した時間窓毎の特徴量の桁数ｎ₀を、ｎ₀よりも小さなｎに変更し、これら桁数がｎに変更された時間窓毎の特徴量と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データ量を削減できるので、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、ｎ₀，ｎは０または負の値もとることができる。
例えば、ａ＝１２１．１２３（ｎ₀＝３）、ｎ＝０なら、ａ’＝１２１（整数）となり、ｎ＝−１なら、ａ’＝１２０となる。また、ａ＝１２１（ｎ₀＝０）、ｎ＝−１なら、ａ’＝１２０となる。したがって、この処理は、計算に使用する有効数字を減らす、という意味も含まれる。 The present invention provides a step (a) of detecting a vibration of a tire during running, a step (b) of extracting a time-series waveform of the detected tire vibration, and a step of adding a predetermined time width to the time-series waveform of the tire vibration. (C) extracting a time-series waveform for each time window by multiplying by the window function, (d) calculating a feature amount from the time-series waveform for each time window, and calculating in the step (d). Calculating a kernel function from the calculated feature values for each time window and a reference feature value selected from the feature values for each time window calculated from the time series waveform of the tire vibration obtained in advance for each road surface condition ( e) and a step (f) of determining the state of the running road surface based on the value of the identification function using the kernel function. The following number of digits n ₀ is changed by changing the number of digits n ′ smaller than n ₀ (for example, X = 121.123 (n ₀ = 3), and if n = 1, X ′ = 121.1) and saved. in step (e), the number of digits n ₀ of the feature amount of the calculated time for each window in the step (d), to change to a smaller n than n _0, hourly windows these digits has been changed to n The feature is that a kernel function is calculated from the feature amount and the reference feature amount.
As a result, the amount of data used to calculate the kernel function K (X, Y) can be reduced, so that the calculation speed can be increased while ensuring the accuracy of determining the road surface state.
Note that n ₀ and n can take 0 or a negative value.
For example, if a = 121.123 (n ₀ = 3) and n = 0, a ′ = 121 (integer). If n = −1, a ′ = 120. If a = 121 (n ₀ = 0) and n = −1, a ′ = 120. Therefore, this processing also implies that the number of significant figures used in the calculation is reduced.

なお、前記の特徴ベクトルＸ_iとしては、前記窓関数をかけて抽出した時間窓毎の時系列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時系列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時系列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。 Note that, as the feature vector X _i , the vibration level of a specific frequency band of the time-series waveform for each time window extracted by applying the window function, the time-varying variance of the vibration level of the specific frequency band, and the time Any one, a plurality, or all of the cepstrum coefficients of the sequence waveform may be used. Further, the vibration level of the specific frequency band may be a frequency spectrum of a time-series waveform for each time window extracted by applying the window function, or a time-series waveform for each time window extracted by applying the window function. The accuracy of determining the time-series waveform road surface state obtained through the filter can be improved.
Further, if the kernel function is a global alignment kernel function, a dynamic time warping kernel function, or an operation value of the kernel function, it is possible to improve the determination accuracy of the road surface state.

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、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において、前記記憶手段は、算出された基準特徴量の小数点以下の桁数ｎ₀を、ｎ₀よりも小さな桁数ｎに変更して保存するとともに、前記特徴量算出手段で算出した時間窓毎の特徴量の桁数ｎ₀を、ｎ₀よりも小さなｎに変更する数値精度削減手段を設けて、前記カーネル関数算出手段では、前記桁数がｎに変更された時間窓毎の特徴量と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。
このような構成を採ることにより、計算量を少なくしても、路面状態の判別精度を確保することのできる路面状態判別装置と得ることができる。 Further, the present invention provides a tire vibration detecting means disposed on an air chamber side of an inner liner part of a tire tread part for detecting vibration of a running tire, and the tire vibration detected by the tire vibration detecting means. Windowing means for windowing the time-series waveform of the predetermined time width to extract a time-series waveform of tire vibration for each time window, and a vibration level of a specific frequency in the extracted time-series waveform for each time window. And a feature amount calculating means for calculating a feature amount having a component of the vibration level as a component, and a time window calculated from a time series waveform of tire vibration for each road surface condition calculated in advance. Storage means for storing a reference feature quantity selected from the feature quantities of the above and a Lagrange undetermined multiplier corresponding to the reference feature quantity; a feature quantity for each time window calculated by the feature quantity calculation means; A kernel function calculating unit that calculates a kernel function from the stored reference feature amount; and a road surface state determining unit that determines a road surface state based on a value of an identification function using the kernel function. In the road surface condition determination device for determining the state of the above, the storage means changes the number of digits n ₀ after the decimal point of the calculated reference feature amount to a number of digits n smaller than n ₀ and stores the changed value. Numerical accuracy reducing means for changing the number of digits n ₀ of the feature amount for each time window calculated by the amount calculating means to n smaller than n ₀ is provided, and the kernel function calculating means changes the number of digits to n. A kernel function is calculated from the feature amount for each time window and the reference feature amount.
By adopting such a configuration, it is possible to obtain a road surface state determination device that can ensure the road surface state determination accuracy even if the calculation amount is reduced.

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。 The summary of the invention does not list all the features required of the invention, and a sub-combination of these features may also be an invention.

本実施の形態に係る路面状態判別装置の機能ブロック図である。It is a functional block diagram of a road surface condition discriminating apparatus according to the present embodiment. 加速度センサーの装着位置の一例を示す図である。It is a figure showing an example of a mounting position of an acceleration sensor. タイヤ振動の時系列波形の一例を示す図である。It is a figure showing an example of a time series waveform of tire vibration. 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。It is a figure showing the method of calculating a feature vector from a time series waveform of tire vibration. 入力空間を示す模式図である。It is a schematic diagram which shows an input space. 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。It is a figure which shows the road surface feature vector of a DRY road surface and the road surface feature vector of a WET road surface in an input space. ＧＡカーネルの算出方法を示す図である。FIG. 4 is a diagram illustrating a method for calculating a GA kernel. 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。4 is a flowchart illustrating a road surface state determination method according to the present invention. 記憶手段に保存されている特徴行列の数値例を示す図である。FIG. 7 is a diagram showing a numerical example of a feature matrix stored in a storage unit. 数値精度の違いによる路面状態の判別精度を比較した図である。It is the figure which compared the discrimination accuracy of the road surface state by the difference of numerical accuracy.

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、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、数値精度削減手段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、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。
振動波形抽出手段１２〜路面状態判別手段１８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振動波形抽出手段１２に送られる。 Embodiment FIG. 1 is a diagram illustrating a configuration of a road surface state determination device 10 according to the present embodiment.
The road surface condition determination device 10 includes an acceleration sensor 11 as a tire vibration detection unit, a vibration waveform extraction unit 12, a windowing unit 13, a feature vector calculation unit 14, a numerical accuracy reduction unit 15, a storage unit 16, The vehicle includes a kernel function calculating unit 17 and a road surface state determining unit 18 and performs two road surface determinations as to whether the road surface on which the tire 20 is traveling is a DRY road surface or a WET road surface.
Each unit from the vibration waveform extraction unit 12 to the road surface state determination unit 18 is configured by, for example, software of a computer and a memory such as a RAM.
As shown in FIG. 2, the acceleration sensor 11 is disposed integrally at a substantially central portion of the inner liner portion 21 of the tire 20 on the tire air chamber 22 side, and detects vibration of the tire 20 due to input from a road surface. The tire vibration signal output from the acceleration sensor 11 is, for example, amplified by an amplifier, converted into a digital signal, and sent to the vibration waveform extracting means 12.

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。踏み込み前領域Ｒ_fから蹴り出し後領域Ｒ_kまでを、以下、路面領域という。 The vibration waveform extracting means 12 extracts a time series waveform of the tire vibration for each rotation of the tire from the signal of the tire vibration detected by the acceleration sensor 11.
FIG. 3 is a diagram showing an example of a time series waveform of the tire vibration. The time series waveform of the tire vibration has large peaks near the stepping position and the kicking position, and the land portion of the tire 20 is in contact with the ground. In the pre-stepping-in region R _f before the stepping-in, the kick-out region R _k after the land portion of the tire 20 is separated from the road surface, and the ground contact region R _s in which the land portion of the tire 20 is in contact with the road surface, Different vibrations appear depending on the state. On the other hand, the area before the stepping-in area _Rf and the area after the kicking-out area _Rk (hereinafter referred to as “out-of-road area”) are hardly affected by the road surface, so that the vibration level is small and the road surface information is low. Not included. Up area R _k after kicking from depression before area R _f, hereinafter referred to as the road surface area.

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）ΔＴ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、同図のＴ_sは、路面領域の時間幅である。
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には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。 As shown in FIG. 4, the windowing means 13 windows the extracted time-series waveform with a predetermined time width (also referred to as a time window width) ΔT, and generates a time-series waveform of tire vibration for each time window. It is extracted and sent to the feature vector calculation means 14. Incidentally, T _s in the figure, a time width of the road area.
As described above, since the time-series waveform of the road surface area does not include the information of the road surface, in order to increase the calculation speed of the kernel function, in this example, only the time-series waveform of the road surface area is used as the feature vector calculation means. I send it to 14.
As the definition of the off-road area, for example, a background level may be set for a time-series waveform of tire vibration, and an area having a vibration level smaller than the background level may be set as the off-road area.

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毎の時系列波形の数）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、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）ａ_ik（ｋ＝１〜６）を用いた。特徴ベクトルは、Ｘ_i＝（ａ_i1，ａ_i2，ａ_i3，ａ_i4，ａ_i5，ａ_i6）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路面かを判別することができる。 As shown in FIG. 4, the feature vector calculation means 14 calculates the feature vector X _i (i = 1 to N; N is the time for each extracted time window) Number of sequence waveforms).
In this example, as the feature vector X _{i to be} calculated, the time-series waveforms of the tire vibration are band-pass filters of 0-0.5 kHz, 0.5-1 kHz, 1-2 kHz, 2-3 kHz, 3-4 kHz, and 4-5 kHz, respectively. The vibration level (power value of the filtered wave) a _ik (k = 1 to 6) of the specific frequency band obtained by passing through each of them was used. Feature vectors, the number of _{_{X i = (a i1, a}} i2, a i3, a i4, a i5, a i6) , the feature vector X _i is the N.
Figure 5 is a schematic diagram showing the input space of feature vectors X _i, each axis represents the vibration level a _ik of a specific frequency band, which is a feature quantity, each point representing a feature vector X _i. The actual input space is a seven-dimensional space when combined with the time axis because the number of specific frequency bands is three. However, the figure is expressed in two dimensions (the horizontal axis is a ₁ and the vertical axis is a ₂ ).
In the figure, a set of feature vectors X _i when the group C travels the DRY road, when group C be the set of _i 'is the feature vector X of when traveling the WET road', and the group C If the tire can be distinguished from the group C ′, it can be determined whether the road on which the tires are traveling is a DRY road surface or a WET road surface.

数値精度削減手段１５は、入力されたデータｘの小数点以下の桁数を、現行のｎ₀から、ｎ₀よりも小さなｎに変更する手段である。
具体的には、数値精度削減関数をＲ（ｘ；ｎ）で表すと、ｘ＝１２１．６６７，ｎ＝２ならＲ（１２１．６６７；２）＝１２１．６７、ｎ＝１ならＲ（１２１．６６７；１）＝１２１．７である。
また、ｎ≦０の場合には、Ｒ（１２１．６６７；０）＝１２１、Ｒ（１２１．６６７；−１）＝１２０、Ｒ（１２１．６６７；−２）のように、ｎ＝−１なら、１桁目を四捨五入し、ｎ＝−２なら２桁目を四捨五入する。
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は小数点以下の桁数ｎ₀は、数値精度削減手段１５により、ｎ₀よりも小さな桁数ｎに変更される。 The numerical precision reducing unit 15 is a unit that changes the number of digits after the decimal point of the input data x from the current n ₀ to n smaller than n ₀ .
Specifically, when the numerical accuracy reduction function is represented by R (x; n), R (121.667; 2) = 121.67 if x = 121.667, n = 2, and R (121) if n = 1. .667; 1) = 121.7.
Also, when n ≦ 0, n = −1 as R (121.667; 0) = 121, R (121.667; −1) = 120, R (121.667; −2). If so, the first digit is rounded, and if n = -2, the second digit is rounded.
The number of digits n ₀ below the decimal point of the feature vector X _i calculated by the feature vector calculation means 14 is changed to a number n of digits smaller than n ₀ by the numerical precision reduction means 15.

記憶手段１６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Ｙ_AK（ｙ_jk）と、基準特徴ベクトルＹ_AK（ｙ_jk）に対応するラグランジュ乗数λ_Aとを備える。
基準特徴ベクトルＹ_AK（ｙ_jk）及びλ_Aは、加速度センサー１１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。
基準特徴ベクトルＹ_AK（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＝１〜６）。すなわち、ｙ_jk＝（ａ_j1，ａ_j2，ａ_j3，ａ_j4，ａ_j5，ａ_j6）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_AK（ｙ_jk）は、ベクトルｙ_i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Ｙ_A（ｙ_jk）及び基準特徴ベクトルＹ_AK（ｙ_jk）を、それぞれ、Ｙ_A、Ｙ_AKと記す。 The storage unit 16 stores a DW identification model for identifying a DRY road surface and a WET road surface, which is obtained in advance.
The DW identification model includes a reference feature vector Y _AK (y _jk ), which is a reference feature amount for separating a DRY road surface and a WET road surface by an identification function f (x) representing a separation hyperplane, and a reference feature vector Y _AK ( y _jk ) and a Lagrange multiplier λ _A.
The reference feature vectors Y _AK (y _jk ) and λ _A are the values of tire vibration obtained by running a test vehicle equipped with a tire to which the acceleration sensor 11 is mounted at various speeds on a DRY road surface and a WET road surface. The road surface feature vector Y _A (y _jk ), which is a feature vector for each time window calculated from the series waveform, is obtained by learning using as input data.
The subscript A of the reference feature vector Y _AK (y _jk ) indicates DRY or WET.
The subscript j (j = 1 to M) indicates the window number of the time-series waveform extracted for each time window, and the subscript k indicates the vector component (k = 1 to 6). That is, _{_{y jk = (a j1, a}} j2, a j3, a j4, a j5, a j6). SV is an abbreviation for support vector.
When the global alignment kernel function is used as in this example, the reference feature vector Y _AK (y _jk ) is the number of dimensions of the vector y _i (here, 6 × M (M; number of windows)). Of the matrix.
Hereinafter, the road feature vector Y _A a (y _jk) and the reference feature vector Y _AK (y _jk), respectively, referred to as Y _A, Y _AK.

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ΔＴ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_AKV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１６には全ての基準特徴ベクトルＹ_AK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_AKとして保存すればよい。
ここで、時間幅ΔＴが、特徴ベクトルＸ_j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_AK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_AK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、上記求められた基準特徴ベクトルＹ_AKは、小数点以下の桁数ｎ₀を、ｎ₀よりも小さな桁数ｎに変更してから記憶手段１６に保存される。
なお、小数点以下の桁数ｎ₀を、ｎ₀よりも小さな桁数ｎに変更する際には、上述した数値精度削減手段１５と同様の手段を用いればよい。 The method of calculating the road surface feature vector Y _A is the same as the feature vector X _j described above, for example, if the reference feature vectors Y _D of DRY road, the time-series waveform of tire vibrations when traveling along DRY road in time width ΔT and windowing, to extract the time-series waveform of tire vibrations per time window, calculates DRY road feature vector Y _D for each of the time-series waveform of each time window is extracted. Similarly, the WET road surface feature vector Y _W is calculated from a time-series waveform for each time window when traveling on a WET road surface.
The reference feature vector Y _AKV is a feature vector selected as a support vector by a support vector machine (SVM) using the DRY road surface feature vector Y _D and the WET road surface feature vector Y _W as learning data.
Note that it is not necessary to store all the reference feature vectors Y _AK in the storage means 16, and in general, only the support vector Y _ASV whose Lagrangian multiplier λ is equal to or more than a predetermined value λ _min (for example, λ _min = 0.05) is used. _May be stored as the reference feature vector _YAK .
Here, it is important that the time width ΔT has the same value as the time width ΔT when the feature vector _Xj is obtained. If the time width T is constant, the number M of time-series waveforms in the time window differs depending on the tire type and the vehicle speed. That is, the number M of time-series waveforms in the time window of the road surface feature vector Y _AK does not always match the number N of time-series waveforms in the time window of the feature vector X _j . For example, even if the tire type is the same, M> N when the vehicle speed at the time of finding the feature vector X _j is lower than the vehicle speed at the time of finding the road surface feature vector Y _AK, and M <N when the vehicle speed is fast. .
The reference feature vector Y _AK obtained above is stored in the storage unit 16 after the number of digits n ₀ below the decimal point is changed to a number of digits n smaller than n ₀ .
When the number of digits n ₀ below the decimal point is changed to the number of digits n smaller than n ₀ , a unit similar to the numerical accuracy reducing unit 15 described above may be used.

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。 Figure 6 is a conceptual diagram showing a DRY road feature vector Y _D and WET road feature vector Y _W in the input space, black circles in the figure is DRY road, open circles are WET road.
As described above, although a DRY road feature vectors Y _D also WET road feature vector Y _W also matrices, for explaining how to determine the decision boundary of the group, in FIG. 6, DRY road feature vectors Y _D and WET The road surface feature vector Y _W is shown as a two-dimensional vector.
Group identification boundaries generally do not allow linear separation. Thus, by using the kernel method, the road surface feature vectors Y _V and Y _W are mapped to a high-dimensional feature space by a non-linear mapping φ to perform linear separation, so that the road surface feature vectors Y _D and Y _W are obtained in the original input space. Non-linear classification is performed.
In order to distinguish between a DRY road surface and a WET road surface, a margin is provided for an identification function f (x) that is a separating hyperplane that separates the DRY road surface feature vector Y _Dj and the WET road surface feature vector Y _Wj . The DRY road surface and the WET road surface can be accurately distinguished.
The margin refers to the distance from the separation hyperplane to the nearest sample, and the separation hyperplane that is the identification boundary is f (x) = 0. The DRY road surface feature vectors Y _Dj are all in the region of f (x) ≧ + 1, and the WET road surface feature vectors Y _Wj are all in the region of f (x) ≦ −1.

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。 Next, using the data set X = (x ₁ , x ₂ ,..., X _n ) and the belonging class z = {1, −1}, the optimal identification function f (x) = w for identifying the data. Find ^T φ (x) -b. Here, w is a vector representing a weight coefficient, and b is a constant.
The data is DRY road feature vectors Y _Dj and WER road feature vector Y _Wj, with data DRY road indicated by chi ₁ belongs class z = 1 is the figure, WET indicated by z = -1 is chi ₂ This is road surface data. f (x) = 0 is the identification boundary, and 1 / || w || is the distance between the road surface feature vector Y _Aj (A = D, W) and f (x) = 0.
The discriminant function f (x) = w ^T φ (x) -b is optimized using, for example, the Lagrange multiplier method. The optimization problem is replaced by the following equations (1) and (2).

Here, α and β are indexes of a plurality of learning data. Further, λ is a Lagrange multiplier, and the road surface feature vector Y _Aj with λ = 0 is vector data that is not involved in the identification function f (x) (not a support vector).
Here, by replacing the inner product φ ^T (x _α ) φ (x _β ) with the kernel function K (x _α , x _β ), the discriminant function f (x) = w ^T φ (x) -b can be nonlinearized.
Note that φ ^T (x _α ) φ (x _β ) is an inner product after x _α and x _β are mapped to a high-dimensional space by a mapping φ.
The Lagrange multiplier λ is calculated by using the steepest descent method or the SMO (Sequential Minimal
Optimization) or the like.
Thus, without asking the inner product phi ^T a _{_{(x α) φ (x β}} ) directly, the kernel function K (x α, x _{_β)} if so replace the, there is no need to determine directly the inner product of high dimensional , Can greatly reduce the calculation time.

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、時間間隔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_β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。 In this example, a kernel function K (x _α, x _β) as was used global alignment kernel function (GA kernel).
As shown in FIG. 7 and the following equations (3) and (4), the GA kernel K (x _α , x _β ) is a local kernel κ _ij (indicating the similarity between the feature vector x _α and the feature vector x _β ) x _αi , x _βj ) can be directly compared with time series waveforms having different time lengths using a function composed of the sum or the sum of the products. The local kernel κ _ij (x _αi , x _βj ) is obtained for each window of the time interval T.
FIG. 7 shows an example in which a GA kernel is obtained for a feature vector x _αi having six time windows and a feature vector x _β having four time windows.

Here, || x _αi −x _βij || is a distance (norm) between feature vectors, and σ is a constant.

カーネル関数算出手段１７は、特徴ベクトル算出手段１４にて算出され、更に、数値精度削減手段１５にて桁数の変更された特徴ベクトルＸ_iと、記憶手段１６に記憶されているＤＲＹ路面の基準特徴ベクトルＹ_DKとＷＥＴ路面の基準特徴ベクトルＹ_WKとから、ＤＲＹＧＡカーネルＫ_D（Ｘ，Ｙ_DK）とＷＥＴＧＡカーネルＫ_W（Ｘ，Ｙ_WK）とを算出する。
ＤＲＹＧＡカーネルＫ_D（Ｘ，Ｙ_DK）は、上記式（３）及び（４）において、特徴ベクトルｘ_iα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_DKjとしたときのローカルカーネルκ_ij（Ｘ_i，Ｙ_DKj）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_WK）は、特徴ベクトルｘ_βをＷＥＴ路面の基準特徴ベクトルＹ_WKjとしたときのローカルカーネルκ_ij（Ｘ_i，Ｙ_WKj）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_DK）及びＫ_W（Ｘ，Ｙ_WK）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できる。
また、本例では、記憶手段１６に記憶されている基準特徴ベクトルＹ_DK及びＹ_WKの桁数ｎを全て少数以下第１位（ｎ＝１）とするとともに、特徴ベクトルＸ_iの桁数を全て、少数以下第３位（ｎ₀＝３）から少数以下第１位（ｎ＝１）と変更しているので、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、演算時間を速くすることができる。
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_AKj間の類似度を求めることができる。 The kernel function calculating unit 17 calculates the feature vector X _i calculated by the feature vector calculating unit 14, the number of digits of which has been changed by the numerical accuracy reducing unit 15, and the reference of the DRY road surface stored in the storage unit 16. A DRYGA kernel K _D (X, Y _DK ) and a WETGA kernel K _W (X, Y _WK ) are calculated from the feature vector Y _DK and the reference feature vector Y _WK of the WET road surface.
DRYGA kernel K _D (X, Y _DK), in the above formula (3) and (4), and a feature vector X _i calculated feature vector x _i.alpha the feature vector calculating section 14, DRY road feature vector x _beta local kernel _{_{_{κ ij (X i, Y DKj}}} ) when formed into a reference feature vector Y _DKj the sum or function consisting of total product of, WETGA kernel K _W (X, Y _WK) is the feature vector x _beta WET road _{Is a} function consisting of the sum or total product of the local kernels κ _ij (X _i , Y _WKj ) when the reference feature vector Y _WKj is By using these GA kernels K _D (X, Y _DK ) and K _W (X, Y _WK ), time series waveforms having different time lengths can be directly compared.
Further, in this example, the number of digits n of the reference feature vectors Y _DK and Y _WK stored in the storage means 16 are all set to the first place (n = 1) below the decimal, and the number of digits of the feature vector X _i is All are changed from the third place below the decimal number (n ₀ = 3) to the first place below the decimal place (n = 1), so that the amount of data used for the calculation of the kernel function K (X, Y) can be reduced. The calculation time can be shortened.
As described above, when the number n of the time-series waveforms of the time window when the feature vector X _i is obtained is different from the number m of the time-series waveforms of the time window when the road surface feature vector Y _{Aj is} obtained. _However , the similarity between the feature vector X _i and the reference feature vector Y _AKj can be obtained.

路面状態判別手段１８では、以下の式（５）式に示す、カーネル関数Ｋ_D（Ｘ，Ｙ_DK）とカーネル関数Ｋ_W（Ｘ，Ｙ_WD）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_DKVはＤＲＹ路面の基準特徴ベクトルＹ_DKjの個数で、Ｎ_WKはＷＥＴ路面の基準特徴ベクトルＹ_WKj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。 In the road surface condition determination means 18, the value of the discriminant function f _DW (x) using the kernel function K _D (X, Y _DK ) and the kernel function K _W (X, Y _WD ) shown in the following equation (5) The road surface condition is determined based on the above.

Here, N _DKV in the number of reference feature vectors Y _DKj of DRY road, N _WK is the number of reference feature vectors Y _Wkj the WET road.
In this example, the identification function f _DW is calculated, and if f _DW > 0, the road surface is determined to be a DRY road surface, and if f _DW <0, the road surface is determined to be a WET road surface.

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）、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に、予め設定した時間幅ΔＴ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，ｘ_i4，ｘ_i5，ｘ_i6）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_i6（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の小数点以下の桁数ｎ₀を、ｎ₀よりも小さなｎに変更（ステップＳ１４）した後、記憶手段１５に保存されているＤＲＹ路面及びＷＥＴ路面の基準特徴ベクトルＹ_AKjとの中から、ＤＲＹ路面の基準特徴ベクトルＹ_DKとＷＥＴ路面の基準用特徴ベクトルＹ_WKとを取出して、これら基準特徴ベクトルＹ_DK及びＹ_WKと、特徴ベクトルＸ_iとから、ローカルカーネルκ_ij（Ｘ_i，Ｙ_AKj）を算出した後、ローカルカーネルκ_ij（Ｘ_i，Ｙ_AKj）の総和を求めて、ＧＡカーネル関数Ｋ_A（Ｘ，Ｙ_AK）をそれぞれ算出する（ステップＳ１５）。なお、記憶手段１５に保存されているＤＲＹ路面の基準特徴ベクトルＹ_DKの小数点以下の桁数も、ＷＥＴ路面の基準特徴ベクトルＹ_WKの小数点以下の桁数も、ともに、ｎである。
Ａ＝ＤであるＧＡカーネル関数Ｋ_D（Ｘ，Ｙ_DK）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_WK）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Ｓ１６）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Ｓ１７）。
このように、本例では、小数点以下の桁数がｎ（ｎ＜ｎ₀）に変更された時間窓毎の特徴ベクトルＸ_iと基準特徴ベクトルＹ_DK，Ｙ_WKとからカーネル関数を算出するようにしたので、路面状態の判別精度を低下させることなく、演算時間を速くすることができる。 Next, a method of determining the state of the road surface on which the tire 20 is traveling using the road surface state determination device 10 will be described with reference to the flowchart of FIG.
First, a tire vibration generated by an input from a road surface on which the tire 20 is traveling is detected by the acceleration sensor 11 (step S10), and a time-series waveform of the tire vibration is extracted from the detected tire vibration signal (step S11). ).
Then, the extracted time series waveform of the tire vibration is windowed with a predetermined time width ΔT to obtain a time series waveform of the tire vibration for each time window. Here, the number of time-series waveforms of tire vibration for each time window is set to m (step S12).
Next, a feature vector X _i = (x _i1 , x _i2 , x _i3 , x _i4 , x _i5 , x _i6 ) is calculated for each of the extracted time-series waveforms in each time window (step S13). In this example, the time width T is 3 msec. The number of feature vectors X _i is six.
As described above, the components x _{i1 to} x _i6 (i = 1 to 6) of the feature vector X _i are the power values of the filter-filtered waves of the time series waveform of the tire vibration.
Next, after changing the number of digits n ₀ after the decimal point of the calculated feature vector X _i to n smaller than n ₀ (step S14), the reference for the DRY road surface and the WET road surface stored in the storage unit 15 is changed. From the feature vectors Y _AKj , a reference feature vector Y _DK of the DRY road surface and a reference feature vector Y _{WK of the} WET road surface are extracted, and from these reference feature vectors Y _DK and Y _WK and the feature vector X _i , After calculating the local kernel κ _ij (X _i , Y _AKj ), the sum of the local kernel κ _ij (X _i , Y _AKj ) is calculated to calculate the GA kernel function K _A (X, Y _AK ) (step). S15). The number of digits after the decimal point of the reference feature vector Y _DK of the DRY road surface stored in the storage means 15 and the number of digits after the decimal point of the reference feature vector Y _WK of the WET road surface are both n.
The GA kernel function K _D (X, Y _DK ) where A = D is a GA kernel function for a DRY road surface, and the GA kernel function K _W (X, Y _WK ) where A = W is a GA kernel function for a WET road surface. .
Then, an identification function f _DW (x) using the GA kernel function K _D of the DRY road surface and the GA kernel function K _W of the WET road surface is calculated (step S16). If f _DW > 0, the road surface is the DRY road surface And if f _DW <0, it is determined that the road surface is a WET road surface. (Step S17).
As described above, in this example, the kernel function is calculated from the feature vector X _i and the reference feature vectors Y _DK and Y _WK for each time window in which the number of digits after the decimal point has been changed to n (n <n ₀ ). Thus, the calculation time can be shortened without lowering the road surface state determination accuracy.

［実施例］
ＤＲＹ路面のサポートベクトルとＷＥＴ路面のサポートベクトルとを、予めＤＲＹ路面とＷＥＴ路面求めておいた、ＤＲＹ路面とＷＥＴ路面を走行したときのタイヤ振動の時系列波形から算出された時間窓毎の特徴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２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（ａ）〜（ｃ）は、記憶手段１５に基準特徴ベクトルＹ_AKjとして保存されている特徴行列の数値例を示す図で、（ａ）図は数値精度を少数第３位までとしたデータ、（ｂ）図は数値精度を少数第１位までとしたデータ、（ｃ）図は数値精度を整数としたデータである。各数値精度のデータの保存容量を比較した結果を下記の表３に示す。

また、各数値精度のデータを用いたときの路面状態の判別精度を比較した結果を図１０のグラフに示す。
同図に示すように、いずれの数値精度のデータを用いても、９５％以上の判別精度を得ることができた。
また、数値精度が整数であってもよいので、加速度センサー１１のスペックを落としても判別精度を確保できることが確認された。したがって、加速度の分解能が１Ｇ程度である加速度センサーでも、十分路面判別ができるので、判別精度を確保しつつ、演算時間を速くすることができる。 [Example]
DRY road surface support vector and WET road surface support vector are obtained in advance on the DRY road surface and the WET road surface, and the characteristics for each time window calculated from the time series waveform of the tire vibration when traveling on the DRY road surface and the WET road surface. Was obtained by machine learning (SVM) as learning data.
Specifically, as shown in Table 2 below, the used road surface data is divided into those for training (for Train) and those for test (for Test), and the support vector for the DRY road surface and the support vector for the WET road surface are After the determination, the support vector of the DRY road surface and the boundary surface of the support vector of the WET road surface were determined. At this time, the hyperparameters C and σ of the support vector machine were C = 2 and σ = 125, respectively.
At this time, the number of support vectors was 415 at the maximum.

FIGS. 9A to 9C are diagrams showing examples of numerical values of the feature matrix stored as the reference feature vector Y _AKj in the storage means 15, and FIG. Data, (b) shows data with numerical precision up to the first decimal place, and (c) shows data with numerical precision as an integer. Table 3 below shows the results of comparing the storage capacities of the data of each numerical precision.

In addition, the graph of FIG. 10 shows the result of comparing the determination accuracy of the road surface state when using the data of each numerical accuracy.
As shown in the figure, a discrimination accuracy of 95% or more was obtained using any numerical accuracy data.
Further, since the numerical accuracy may be an integer, it has been confirmed that the discrimination accuracy can be secured even if the specifications of the acceleration sensor 11 are lowered. Therefore, even with an acceleration sensor having an acceleration resolution of about 1 G, the road surface can be sufficiently discriminated, and the calculation time can be shortened while securing the discrimination accuracy.

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。 As described above, the present invention has been described using the embodiment and the examples. However, the technical scope of the present invention is not limited to the scope described in the above embodiment. It will be apparent to those skilled in the art that various changes or improvements can be made to the embodiment. It is apparent from the appended claims that embodiments with such changes or improvements can be included in the technical scope of the present invention.

例えば、前記実施の形態１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ｆ_AA’（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Ｙ_AKとラグランジュ乗数λ_AA’、及び、Ａ’路面特徴ベクトルＹ_A’Kラグランジュ乗数λ_{A’ A}を備える。
基準特徴量Ｙ_AKV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，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、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。 For example, in the first embodiment, the DW identification model is used to determine whether the road surface on which the tire 20 is traveling is a DRY road surface or a WET road surface. If the model is used, it is possible to determine whether the road surface on which the tire 20 is traveling is a DRY road surface, a WET road surface, a SNOW road surface, or an ICE road surface.
Here, if A, A ′ = DRY, WET, SNOW, ICE (A ≠ A ′), the AA ′ identification model is an identification function f _{AA ′} (x ), A road surface feature vector Y _AK and a Lagrangian multiplier λ _{AA ′} , which are reference feature amounts for separation by A), and an A ′ road surface feature vector Y _A′K Lagrangian multiplier λ _{A ′ A.}
The reference feature values Y _AKV and λ _A are calculated based on the tire vibration obtained by running a test vehicle equipped with a tire with an acceleration sensor mounted on the road surface of DRY, WET, SNOW, and ICE at various speeds. The road surface feature vector Y _A (y _jk ), which is a feature vector for each time window calculated from the series waveform, is obtained by learning using as input data.
The data of the A road surface, the data belonging to z = 1 indicated by chi ₁ in FIG. 6, data A 'road is data belonging to z = -1 shown by chi _2.

ところで、基準特徴ベクトルＹ_AKに対応するラグランジュ乗数λ_A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Ｙ_DK対応する３つのラグランジュ乗数λ_DW，λ_DS，λ_DIはそれぞれ異なる値をもつ。
他の路面特徴ベクトルＹ_WK，Ｙ_SK，Ｙ_IKSについても同様である。
ＧＡカーネル関数Ｋ_A（Ｘ，Ｙ_AK）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Ｋ_D（Ｘ，Ｙ_DK）がＤＲＹ路面のＧＡカーネル関数、Ａ＝ＷであるＧＡカーネル関数Ｋ_W（Ｘ，Ｙ_WK）がＷＥＴ路面のＧＡカーネル関数、Ａ＝ＳであるＧＡカーネル関数Ｋ_S（Ｘ，Ｙ_SK）がＳＮＯＷ路面のＧＡカーネル関数、Ａ＝ＩであるＧＡカーネル関数Ｋ_I（Ｘ，Ｙ_IK）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ｆ_AA’（ｘ）を用いて行う。

上記のように、識別関数がｆ_AA’（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ｆ_AA’から、以下のように路面判別することができる。
ｆ_DW＞０、ｆ_DS＞０、ｆ_DI＞０であれば、路面がＤＲＹ路面であると判別する。
ｆ_DW＜０、ｆ_WS＞０、ｆ_WI＞０であれば、路面がＷＥＴ路面であると判別する。
ｆ_DS＜０、ｆ_WS＞０、ｆ_SI＞０であれば、路面がＳＮＯＷ路面であると判別する。
ｆ_DI＜０、ｆ_WI＜０、ｆ_SI＜０であれば、路面がＩＣＥ路面であると判別する。
なお、ＧＡカーネル関数Ｋ（Ｘ，Ｙ）に使用する特徴ベクトルを基準特徴ベクトルＹ_ASVとした場合には、式（６）〜（１１）において、Ｙ_AA’KをＹ_{A A’SV}とし、Ｎ_AA’KをＮ_A’AKとすればよい。 It should be noted that a Lagrange multiplier λ _A corresponding to the reference feature vector Y _AK exists for each identification model. For example, three Lagrangian multipliers λ _DW , λ _DS , and λ _DI corresponding to the DRY road surface feature vector Y _DK have different values.
The same applies to other road surface feature vectors Y _WK , Y _SK , and Y _IKS .
The method of calculating the GA kernel function K _A (X, Y _AK ) is the same as in the embodiment, and the GA kernel function K _D (X, Y _DK ) where A = D is the GA kernel function of the DRY road surface, and A = W A certain GA kernel function K _W (X, Y _WK ) is a GA kernel function for a WET road surface, a GA kernel function K _S (X, Y _SK ) where A = S is a GA kernel function for a SNOW road surface, and a GA where A = I The kernel function K _I (X, Y _IK ) is a GA kernel function for the ICE road surface.
The determination of the road surface state is performed using the six identification functions f _{AA ′} (x) shown in the following equations (6) to (11).

As described above, if the discriminant function is f _{AA ′} (x), since the data on the road A is data belonging to z = 1 and the data on the road A ′ is data belonging to z = −1, From the six discriminant functions f _{AA ′} , the road surface can be determined as follows.
If f _DW > 0, f _DS > 0, f _DI > 0, it is determined that the road surface is a DRY road surface.
If f _DW <0, f _WS > 0, f _WI > 0, it is determined that the road surface is a WET road surface.
If f _DS <0, f _WS > 0, f _SI > 0, it is determined that the road surface is a SNOW road surface.
If f _DI <0, f _WI <0, f _SI <0, it is determined that the road surface is an ICE road surface.
When the feature vector used for the GA kernel function K (X, Y) is the reference feature vector Y _ASV , in formulas (6) to (11), Y _AA′K is _set to Y _{A A′SV} , N _AA'K may be _set to N _A'AK .

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。 Further, in the above-described embodiment, the tire vibration detecting means is the acceleration sensor 11, but other vibration detecting means such as a pressure sensor may be used. In addition, the acceleration sensor 11 may be installed at another location such as one at a position separated from the center of the tire in the width direction by a predetermined distance in the width direction, or may be installed in a block.
Further, in the embodiment, a feature vector X _i and the power value x _ik of filtration wave, variance, when the power value x _ik of filtration wave _{(log [x ik (t)} 2 + x ik ( t-1) ² ]) may be used. Alternatively, a feature vector X _i, Fourier coefficients a vibration level of a particular frequency band when the Fourier transform of the tire vibration time series waveform or may be cepstral coefficients. The cepstrum is obtained by assuming the waveform after Fourier transform as a spectrum waveform and performing Fourier transform again, or assuming that an AR spectrum is a waveform and obtaining an AR coefficient (LPC Cepstrum). Since the shape of the spectrum can be characterized without being affected, discrimination accuracy is improved as compared with the case where a frequency spectrum obtained by Fourier transform is used.
In the above embodiment, the GA kernel is used as the kernel function, but a dynamic time warping kernel function (DTW kernel) may be used. Alternatively, a GA kernel and a DTW kernel operation value may be used.

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数値精度削減手段、
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。
10 road surface condition determination device, 11 acceleration sensor, 12 vibration waveform extraction means,
13 windowing means, 14 feature vector calculating means, 15 numerical accuracy reducing means,
16 storage means, 17 kernel function calculation means, 18 road surface state determination means,
20 tires, 21 inner liner part, 22 tire chamber.

Claims

Detecting a vibration of the running tire (a), extracting a time-series waveform of the detected vibration of the tire (b), and applying a window function of a predetermined time width to the time-series waveform of the tire vibration. (C) extracting a time-series waveform for each time window by multiplying, (d) calculating a feature amount from the time-series waveform for each time window, and (E) calculating a kernel function from the characteristic amounts of the above and a reference characteristic amount selected from the characteristic amounts for each time window calculated from the time series waveform of the tire vibration obtained in advance for each road surface condition; (F) determining the state of the road surface on which the vehicle is traveling based on the value of the identification function using the kernel function;
In the road surface condition determination method provided with
The number of digits after the decimal point n ₀ of the calculated reference feature quantity is changed to a number of digits n smaller than n ₀ and saved, and in the step (e),
The number of digits n ₀ of characteristic amounts of the calculated time for each window in the step (d), to change to a smaller n than n _0, the feature amount and the reference feature quantity for each time these digits has been changed to n windows And a kernel function is calculated from the above.

The feature quantity is
Vibration level of a specific frequency band of a time-series waveform for each time window extracted by applying the window function,
Time-varying dispersion of the vibration level of the specific frequency band,
And any one, or a plurality, or all of the cepstral coefficients of the time-series waveform;
The vibration level of the specific frequency band is a frequency spectrum of a time-series waveform for each time window extracted by applying the window function or a time-series waveform for each time window extracted by applying the window function through a band-pass filter. The road surface state determination method according to claim 1, wherein the vibration level is a vibration level in a specific frequency band obtained from the obtained time-series waveform.

3. The road surface state determination method according to claim 1, wherein the kernel function is a global alignment kernel function, a dynamic time warping kernel function, or an operation value of the kernel function.

Tire vibration detecting means disposed on the air chamber side of the inner liner portion of the tire tread portion, for detecting vibration of the running tire,
Windowing means for extracting a time-series waveform of the tire vibration for each time window by windowing the time-series waveform of the tire vibration detected by the tire vibration detecting means with a preset time width,
A feature value calculating unit that calculates a feature value having a vibration level of a specific frequency as a component or a feature value having a function of the vibration level as a component in the extracted time-series waveform for each time window,
A storage for storing a reference feature value selected from feature values for each time window calculated from a time series waveform of tire vibration for each road surface condition calculated in advance and a Lagrange undetermined multiplier corresponding to the reference feature value. Means,
Kernel function calculation means for calculating a kernel function from the feature quantity for each time window calculated by the feature quantity calculation means and the reference feature quantity stored in the storage means;
A road surface state determination unit configured to determine a road surface state based on a value of a discrimination function using the kernel function, wherein a road surface state determination device configured to determine a state of a road surface on which a tire travels;
The storage means changes the number of digits n ₀ below the decimal point of the calculated reference feature amount to a number of digits n smaller than n ₀ and stores the changed number.
Numerical accuracy reducing means for changing the number of digits n ₀ of the feature amount for each time window calculated by the feature amount calculating means to n smaller than n ₀ is provided,
In the kernel function calculating means,
A road surface state determination device, wherein a kernel function is calculated from a feature amount for each time window in which the number of digits has been changed to n and a reference feature amount.