JP2022090349A - タイヤ性能予測モデルの学習方法、タイヤ性能予測方法、システム及びプログラム - Google Patents

Abstract

【課題】タイヤの接地面画像に基づきタイヤ性能値を予測するためのタイヤ性能予測モデルの学習方法、タイヤ性能予測方法、システム及びプログラムを提供する。
【解決手段】タイヤ性能予測モデルの学習方法は、１又は複数のプロセッサが実行する方法であって、タイヤ接地面形状を表す接地面画像に基づく入力画像を特徴抽出部に入力して画像の特徴量を抽出する特徴量抽出ステップと、抽出された画像の特徴量と接地面画像のタイヤに関する別パラメータとを説明変数としてタイヤ性能値を出力するように予測モデルを機械学習させる学習ステップと、を含む。
【選択図】図３

Description

本開示は、タイヤ性能予測モデルの学習方法、タイヤ性能予測方法、システム及びプログラムに関する。

機械学習の活用が様々な産業分野に広がっており、同業他社のタイヤへの適応事例も増えている。例えば、特許文献１には、タイヤのトレッドが写っている画像をニューラルネットワークに入力し、摩耗状態又は摩耗量を推定することが記載されている。

タイヤの設計者はタイヤ接地面に基づき議論することが多いため、本開示の発明者はタイヤ性能が接地面に表れると考えている。しかしながら、タイヤの接地面画像からタイヤ性能を予測するための具体的な手法は提案されていない。また、タイヤ性能を高い精度で予測したいという要求がある。

特開２０１９－３５６２６号公報

本開示は、タイヤの接地面画像に基づきタイヤ性能値を予測するためのタイヤ性能予測モデルの学習方法、タイヤ性能予測方法、システム及びプログラムを提供する。

本開示のタイヤ性能予測モデルの学習方法は、１又は複数のプロセッサが実行する方法であって、タイヤ接地面形状を表す接地面画像に基づく入力画像を特徴抽出部に入力して画像の特徴量を抽出する特徴量抽出ステップと、前記抽出された画像の特徴量と前記接地面画像のタイヤに関する別パラメータとを説明変数としてタイヤ性能値を出力するように予測モデルを機械学習させる学習ステップと、を含む。

第１実施形態のタイヤ性能予測モデル学習システムおよびタイヤ性能予測システムの使用態様を示す図。 第１実施形態のタイヤ性能予測モデル学習システム及びタイヤ性能予測システムを示すブロック図。 第１実施形態のタイヤ性能予測モデル学習システムが実行するフローチャート。 第１実施形態のタイヤ性能予測システムが実行するフローチャート。 接地面画像をトリミングして入力画像を生成する過程に関する説明図。 第２実施形態のタイヤ性能予測モデル学習システム及びタイヤ性能予測システムを示すブロック図。 第２実施形態のタイヤ性能予測モデル学習システムが実行するフローチャート。

＜第１実施形態＞
以下、本開示の第１実施形態を、図面を参照して説明する。

図１は、タイヤ性能予測モデル学習システム１およびタイヤ性能予測システム２の使用態様を示す図である。図１に示すように、接地面画像５は試験装置３又はタイヤ接地シミュレーションシステム４から得られる。タイヤ性能予測モデル学習システム１は、予測モデルへの入力（説明変数）としての接地面画像５及び別パラメータ７と、予測モデルからの出力として正しいタイヤ性能値とを関連付けた教師データを用いて、予測モデルを機械学習させる。教師データに用いる入力画像は、接地面画像に基づいている。タイヤ性能予測システム２は、タイヤ性能予測モデル学習システム１が構築した予測モデルを用いて、予測対象の接地面画像５に基づきタイヤ性能値を算出（予測）し、出力する。

予測対象となるタイヤ性能値は、実測値である。第１実施形態で用いたタイヤ性能値は、ＣＰ（コーナリングパワー）、ＳＡＰ（セルフアライニングパワー）、ＣＦｍａｘ（最大コーナリングフォース）、ＳＡＴ（セルフアライニングトルク）である。勿論、タイヤ性能値に、これ以外の任意のタイヤ性能を採用可能である。

接地面画像５は、タイヤ接地面形状を表す。第１実施形態の接地面画像５は、タイヤ接地面形状を表すと共に、路面に垂直な方向の接地圧力Ｐｚを、カラー画像の場合は色で表し、グレースケールの場合は輝度で表す。接地面形状と共に接地圧力が表示されるために、接地面画像５は、接地圧分布を表す。接地圧分布は、接地面の領域毎に圧力値が対応付けられている。第１実施形態の接地面画像５は、タイヤが転動していない静止状態の画像であるが、これに限定されず、転動中の画像にしてもよい。転動状態又は静止状態にかかわらず、タイヤのキャンバ角は任意の角度に設定可能である。第１実施形態の接地面画像５は、タイヤの静止状態の画像であるが、タイヤの転動状態である場合には進行方向に対するスリップ角度は０度でもよく、０度以外の角度にしてもよい。第１実施形態の接地面画像５は、静止状態における路面に垂直な方向の接地面圧力Ｐｚのみを表現しているが、これに限定されない。例えば、静止状態においてタイヤ軸方向及び路面に垂直な方向の両方向に直交する前後方向に沿った圧力Ｐｘ又はタイヤ軸方向に沿った圧力Ｐｙを表現してもよい。また、タイヤが転動状態である場合には、タイヤの進行方向に沿った圧力Ｐｘ又はタイヤの進行方向に直交する方向に沿った圧力Ｐｙを表現してもよい。なお、これらの座標系は一例であり、適宜変更可能である。なお、精度が確保できるのであれば、接地面画像５はタイヤ接地面形状のみを表すものでもよい。試験装置３は、所定荷重の下、試験対象のタイヤ３０を、試験路面３１に接地させ、試験路面３１における透明路面を介してカメラ３２で接地面形状を撮影する。接地圧力は、透明板等を用いた光学的手法、もしくは圧力センサを用いて計測する。試験装置３は、上記試験によって接地面画像５を生成する。また、接地面画像５は、図１に示すタイヤ接地シミュレーションシステム４によって得られたシミュレーション結果から取得されてもよい。

なお、実装方法によってタイヤ性能予測モデル学習システム１と、タイヤ性能予測システム２とが同じコンピュータシステム上に構築されず、個々に独立して運用することが可能である。すなわち、タイヤ性能予測モデル学習システム１のみを実装してもよく、タイヤ性能予測システム２のみを実装してもよい。

［タイヤ性能予測モデル学習システム１］
図２は、タイヤ性能予測モデル学習システム１及びタイヤ性能予測システム２を示すブロック図である。図２に示すように、タイヤ性能予測モデル学習システム１は、変換部１０と、特徴抽出部１１と、学習部１２と、取得部１４と、を有する。変換部１０は省略可能である。

これら各部１０～１２、１４は、プロセッサ１ａ、メモリ１ｂ、各種インターフェイス等を備えたコンピュータにおいて予め記憶されている図３に示す処理ルーチンをプロセッサ１ａが実行することによりソフトウェア及びハードウェアが協働して実現される。本実施形態では、１つの装置におけるプロセッサ１ａが各部を実現しているが、これに限定されない。例えば、ネットワークを用いて分散させ、複数のプロセッサが各部の処理を実行するように構成してもよい。すなわち、１又は複数のプロセッサが処理を実行する。

特徴抽出部１１は、接地面画像５に基づく入力画像６が入力されると、画像の特徴量６’を抽出する。変換部１０が設けられていない構成においては、接地面画像５が入力画像６として特徴抽出部１１に入力される。変換部１０が設けられている構成においては、変換部１０が出力する入力画像６を入力する。特徴抽出部１１は、画像から特徴量６’を抽出できれば、どのようなアルゴリズムでもよい。例えば、ニューラルネットワーク（例えば、ＳｑｕｅｅｚｅＮｅｔ、Ａｌｅｘｎｅｔ、ＧｏｏｇｌｅＮｅｔ、ＲｅｓＮｅｔ１０１）、離間コサイン変換処理、ＡｕｔｏＥｎｃｏｄｅｒ、離間コサイン変換処理とＡｕｔｏＥｎｃｏｄｅｒを併用した構成などが挙げられる。

取得部１４は、機械学習に用いられる教師データセットＤ１を取得する。教師データセットＤ１は、接地面画像５と接地面画像５のタイヤに関する別パラメータ７とタイヤ性能とが関連付けられたデータである。別パラメータ７は、接地面画像５以外のタイヤに関するパラメータである。別パラメータ７は、接地面形状又は接地圧力から導き出すことができない値であることが好ましい。接地面画像５が有する情報とは異なる情報を別パラメータ７が有することにより、予測モデル１３によるタイヤ性能値の予測精度を向上させることができる。接地面形状又は接地圧力から導き出すことができる値とは、例えば、接地面の面積、接地面の縦横比、接地面の幅方向寸法又は周方向寸法、最大接地圧、最小接地圧、縦溝数、横溝数、溝に区画されたブロックの数などが挙げられる。
なお、取得部１４が、接地面画像５に基づく入力画像６と接地面画像５のタイヤに関する別パラメータ７とタイヤ性能とが関連付けられた教師データセットＤ２を取得する、としてもよい。

具体的に、別パラメータ７は、タイヤ諸元、接地面を形成するトレッドゴムの配合識別情報、トレッドゴムの物性値、タイヤの静特性のうち少なくともいずれか１つを含む、としてもよい。これらから１つを選択すること、または、これらから任意の２つ以上のパラメータを選択することが可能である。

タイヤ諸元は、寸法などタイヤの形状に関する数値を意味する。例えば、タイヤ諸元は、タイヤの外径、タイヤの総幅、ピッチ数、タイヤ高さ、偏平率のうちの少なくとも１つが挙げられる。タイヤの外径は、タイヤを回転軸に平行な視線で見た場合の外径である。ピッチ数は、タイヤを構成する繰り返し要素のタイヤ１周分の数である。タイヤ高さは、タイヤ断面の高さであり、（タイヤの外径－リム径）／２で算出可能である。偏平率は、タイヤの断面幅に対するタイヤ高さの比率をパーセントで表す数値である。

タイヤ諸元は、タイヤを正規リムに装着して正規内圧を充填した無負荷状態で測定される値である。正規リムとは、タイヤが基づいている規格を含む規格体系において、当該規格がタイヤ毎に定めるリムであり、例えばＪＡＴＭＡであれば標準リム、ＴＲＡ、及びＥＴＲＴＯであれば「Ｍｅａｓｕｒｉｎｇ Ｒｉｍ」である。正規内圧とは、タイヤが基づいている規格を含む規格体系において、各規格がタイヤ毎に定めている空気圧である。トラックバス用タイヤ、ライトトラック用タイヤの場合は、ＪＡＴＭＡであれば最高空気圧、ＴＲＡであれば表「ＴＩＲＥ ＬＯＡＤ ＬＩＭＩＴＳ ＡＴ ＶＡＲＩＯＵＳ ＣＯＬＤ ＩＮＦＬＡＴＩＯＮ ＰＲＥＳＳＵＲＥＳ」に記載の最大値、ＥＴＲＴＯであれば「ＩＮＦＬＡＴＩＯＮ ＰＲＥＳＳＵＲＥ」であるが、乗用車用タイヤの場合は通常１８０ｋＰａとするが、タイヤに、Ｅｘｔｒａ Ｌｏａｄ、又は、Ｒｅｉｎｆｏｒｃｅｄと記載されたタイヤの場合は２２０ｋＰａとする。

配合識別情報は、トレッドゴムの配合を識別する情報である。第１実施形態では、配合識別情報は、数値である配合番号を採用しているが、これに限定されず、種々変更可能である。ゴムの配合（すなわち配合番号、配合識別情報）が定まれば、ゴムの各種物性値（剛性、ゴム硬度、損失正接など）が定まる。すなわち、１つの配合識別情報を説明変数に含めるだけで、ゴムの複数の物性値を説明変数に含めたことになり、機械学習の次元削減を図ることができる。

トレッドゴムの物性値は、トレッドゴムの貯蔵弾性率、トレッドゴムの損失弾性率、トレッドゴムの損失正接（ｔａｎδ）のうちの少なくとも１つを含む、としてもよい。

タイヤの静特性は、縦剛性、横剛性、前後剛性、ねじり剛性、サイド剛性のうちの少なくとも１つを含む、としてもよい。

縦剛性［Ｎ／ｍｍ］は、タイヤを正規リムに装着して正規内圧を充填し、鉛直方向にタイヤを路面に押し付けた時の接地面で計測される鉛直方向の力とタイヤのたわみ（タイヤが路面に接触してからの鉛直方向の変位）を計測し、正規荷重Ｆ０より規定の荷重差αにおける荷重Ｆ０－α、Ｆ０＋αとその時のたわみＲ１，Ｒ２を、元に２α／（Ｒ２－Ｒ１）で計算する。ここで、αは、自乗用車用タイヤ、ＵＬＴ，８ＰＲ以下で１５インチ未満のＬＴ及び８５シリーズのＬＴの場合は４９０Ｎ、８ＰＲ以上で１５インチ以上のＬＴの場合は１９６１Ｎ、トラックバス用タイヤの場合は２９４２Ｎである。

正規荷重とは、タイヤが基づいている規格を含む規格体系において、各規格がタイヤ毎に定めている荷重である。ＪＡＴＭＡであれば「最大負荷能力」、ＴＲＡであれば表「ＴＩＲＥ ＬＯＡＤ ＬＩＭＩＴＳ ＡＴ ＶＡＲＩＯＵＳ ＣＯＬＤ ＩＮＦＬＡＴＩＯＮ ＰＲＥＳＳＵＲＥＳ」に記載の最大値、ＥＴＲＴＯであれば「ＬＯＡＤ ＣＡＰＡＣＩＴＹ」である。タイヤが乗用車用の場合には、前記荷重の８８％に相当する荷重である。タイヤがレーシングカート用の場合、正規荷重は３９２Ｎである。

横剛性［Ｎ／ｍｍ］は、タイヤを正規リムに装着して正規内圧を充填し、正規荷重を負荷し、タイヤ軸方向に路面を移動させたときの移動量とタイヤ軸方向の力を測定し、荷重の３０％のタイヤ軸方向力の時のタイヤ軸方向変位量を計測し、その時のタイヤ軸方向力を横タイヤ軸方向変位量で除して求める。

前後剛性［Ｎ／ｍｍ］は、タイヤを正規リムに装着して正規内圧を充填し、正規荷重を負荷し、タイヤ軸方向に路面を移動させたときの移動量と前後方向の力を測定し、荷重の３０％の前後方向力の時の前後方向変位量を計測し、その時の前後方向力を前後方向変位量で除して求める。

ねじり剛性［Ｎ／ｍｍ］は、タイヤを正規リムに装着して正規内圧を充填し、正規荷重を負荷し、タイヤに鉛直軸方向回りの角度変位（据えきり角）を与えたときの角度とねじりトルクを測定し、ねじり角度２度のときのトルクを計算し、その時のねじりトルクをねじり角度（２度）で除して求める。

サイド剛性［Ｎ／ｍｍ］は、タイヤを正規リムに装着して正規内圧を充填し、タイヤトレッド面を径方向に拘束し、その拘束状態で、タイヤ支持軸を相対変位させて、相対変位の変位量の絶対値が増加する区間におけるタイヤ変位量とタイヤ支持軸に作用する各方向の力を測定する。その時に与えた最大負荷を最大変位で除してサイド剛性値を算出する。試験機は、例えば特許第６５５２９３７号公報に記載されるものが利用可能である。

学習部１２は、教師データセットＤ１（又はＤ２）を用いて、特徴抽出部１１により抽出された画像の特徴量６’と別パラメータ７とを説明変数としてタイヤ性能値を出力するように、予測モデル１３を機械学習させ構築する。教師データセットＤ１は、接地面画像５（接地面画像１～Ｎ）又は入力画像６（入力画像１～Ｎ）に対して、別パラメータ７とタイヤ性能値（Ｘ_１，Ｘ_２，…，Ｘ_Ｎ）とが関連付けられたデータである。教師データセットＤ２は、入力画像６（入力画像１～Ｎ）に対して、別パラメータ７とタイヤ性能値（Ｘ_１，Ｘ_２，…，Ｘ_Ｎ）とが関連付けられたデータである。Ｎは、教師データの件数を示す。予測モデル１３は、教師有りの機械学習モデルであれば、例えば、ガウス過程回帰、線形回帰、分類木、決定木、ランダムフォレスト、サポートベクターマシン、アンサンブル木等の種々のモデルを利用可能である。

予測モデル１３に入力される複数の説明変数で構成される説明変数群は、図２に示すように、画像の特徴量６’に関する１つ以上の説明変数と、別パラメータ７に関する１つ以上の説明変数と、を含む。例えば、特徴抽出部１１にＡｌｅｘＮｅｔを用いた場合には、画像の特徴量６’に関する説明変数が４０９６個となる。この場合、別パラメータ７に関する説明変数は、４０９７番目以降のパラメータとして予測モデル１３に入力される。

変換部１０は、接地面画像５を、特徴抽出部１１に入力可能なサイズの入力画像６に変換する。本実施形態では、８７５×６５６ピクセルでカラー又はグレースケール（８ｂｉｔ）の接地面画像５を、２２７×２２７ピクセルのグレースケール（８ｂｉｔ）の入力画像６に変換しているが、これは例であり、これに限定されない。

特徴抽出部１１に入力可能なサイズに変換するにあたり、元の接地面画像５に表れている画像の特徴を壊さないようにしなければならない。接地面の大きさが性能に影響を与える。例えば、タイヤサイズが大きいタイヤの接地面は画像中で大きくなり、逆にタイヤサイズが小さいタイヤの接地面は画像中で小さく写る。これをトリミング後の画像に占める接地面の大きさが同じになるようにトリミングすると、タイヤサイズが小さいタイヤについては本来では性能値を小さく予測しなければならないところ、タイヤサイズが大きいタイヤと同じような性能であると過大に予測してしまうおそれがある。よって、接地面形状の大きさがタイヤ性能値に影響を与えるために、複数の画像間で尺度を維持する必要がある。

そのために、変換部１０は、選択部１０ａと、トリミング位置決定部１０ｂと、トリミング部１０ｃと、サイズ変更部１０ｄと、を有する。前提として、全ての接地面画像５は同じ撮影条件で撮影されており、尺度が同一である。同じ撮影条件とは、図１に示すように、カメラ３２から試験路面３１までの距離が同一であり、且つ、カメラ３２のズーム値が同一であることを意味する。

選択部１０ａは、機械学習に用いられる、接地面画像５と別パラメータ７とタイヤ性能値（Ｘ_１～Ｎ）とを関連付けた教師データセットＤ１のうち、接地面形状が最も大きい接地面画像を選択する。図５に示す接地面画像５０，５１，５２であれば、接地面画像５０の接地面形状が最も大きい。

トリミング位置決定部１０ｂは、図５に示すように、選択部１０ａが選択した接地面画像５０に基づき画像中のトリミング位置Ｐ１を決定する。入力画像６中の接地面形状が大きいほど、予測精度が向上する。そこで、本実施形態では、接地面形状を含む最小矩形又は最小矩形を所定画素広げた範囲をトリミング位置Ｐ１としている。トリミング位置決定部１０ｂが決定したトリミング位置Ｐ１は、タイヤ性能予測システム２が用いるために、メモリ１ｂに記憶される。

トリミング部１０ｃは、トリミング位置決定部１０ｂが決定したトリミング位置Ｐ１を用いて、教師データセットＤ１の全ての接地面画像５（画像１～Ｎ）をトリミングしてトリム済画像をそれぞれ生成する。

サイズ変更部１０ｄは、トリミング部１０ｃが生成した各々のトリム済画像を、特徴抽出部１１に入力可能なサイズに変更して入力画像６を生成する。サイズ変更部１０ｄは、トリム済画像のアスペクト比を変更せずにサイズ変更を行う。図５の例では、接地面画像５０からトリム済画像（非図示）を経て入力画像６０を生成する。接地面画像５１からトリム済画像（非図示）を経て入力画像６１を生成する。接地面画像５２からトリム済画像（非図示）を経て入力画像６２を生成する。このような処理を実行することで、各々の入力画像６０～６２に写る接地面形状の尺度がばらばらになることを回避している。

変換部１０によって、１画像内のアスペクト比及び複数画像間の相対的な大きさ（尺度）を保ちつつトリミングすることで、予測性能が良くなるタイヤ性能は、次の通りである。
コーナリング系：ＣＰ、ＳＡＰ、ＣＦｍａｘ（最大コーナリングフォース）、ＳＡＴ
トラクション系：ドライ路面における制動性能、ウェット路面における制動性能、氷路面における制動性能、雪上路面における制動性能、氷上摩擦性能、雪上摩擦性能、耐ハイドロプレーニング性能
騒音系：車内外騒音性能、タイヤ単体試験における放射音性能
転がり抵抗
耐摩耗性
ヒール＆トー摩耗性能、及び偏摩耗性能に関しては、接地面内での接地圧の高い領域の比率や分布、接地面の形などが影響しており、上記したタイヤサイズの情報を残したトリミングやサイズ変更は必要ないと考える。

［タイヤ性能予測システム２］
図２に示すように、タイヤ性能予測システム２は、変換部２０と、特徴抽出部２１と、予測部２２と、取得部２４と、を有する。変換部２０は、タイヤ性能予測モデル学習システム１と同様に省略可能である。

特徴抽出部２１は、接地面画像５に基づく入力画像６が入力されると、画像の特徴量を抽出する。変換部２０が設けられていない構成においては、接地面画像５が入力画像６として特徴抽出部２１に入力される。変換部２０が設けられている構成においては、変換部２０が出力する入力画像６を入力する。タイヤ性能予測システム２における特徴抽出部２１は、タイヤ性能予測モデル学習システム１における特徴抽出部１１と同じ構成である。

取得部２４は、予測対象の接地面画像５に対応する別パラメータ７を取得する。

予測部２２は、タイヤ性能予測モデル学習システム１によって構築された予測モデル１３を用いて、特徴抽出部２１が出力した画像の特徴量６’と取得部２４が取得した別パラメータ７とを説明変数として入力し、タイヤ性能値を出力する。

変換部２０は、図２に示すように、予測対象の接地面画像５を、特徴抽出部２１に入力するのに適した入力画像６に変換する。変換部２０は、トリミング部２０ｃと、サイズ変更部２０ｄと、を有する。トリミング部２０ｃは、予め定められたトリミング位置Ｐ１を用いて接地面画像５をトリミングしてトリム済画像を生成する。トリミング位置Ｐ１は、トリミング位置決定部１０ｂにより決定され、メモリ１ｂに記憶されている。サイズ変更部２０ｄは、トリミング部２０ｃが生成したトリム済画像のサイズを特徴抽出部２１に入力可能なサイズに変更して入力画像６を生成する。サイズ変更部２０ｄは、トリム済画像のアスペクト比を変更せずにサイズ変更を行う。トリミング部２０ｃは、タイヤ性能予測モデル学習システム１におけるトリミング部１０ｃと同じ構成である。サイズ変更部２０ｄは、タイヤ性能予測モデル学習システム１におけるサイズ変更部１０ｄと同じ構成である。

［タイヤ性能予測モデルの学習方法］
図２に示すタイヤ性能予測モデル学習システム１における１又は複数のプロセッサが実行する、タイヤ性能予測モデルの学習方法について、図３を用いて説明する。

まず、ステップＳＴ１～４を実行することにより、変換部１０は、接地面画像５に基づき入力画像６を生成する。具体的には、ステップＳＴ１において、選択部１０ａは、機械学習で用いられる、接地面画像５（画像１～Ｎ）と別パラメータ７とタイヤ性能（Ｘ_１～Ｎ）とを関連付けた教師データセットＤ１のうち、接地面形状が最も大きい接地面画像５０を選択する。
次のステップＳＴ２において、トリミング位置決定部１０ｂは、選択した接地面画像５０に基づき画像中のトリミング位置Ｐ１を決定する。
次のステップＳＴ３において、トリミング部１０ｃは、トリミング位置決定部１０ｂが決定したトリミング位置Ｐ１を用いて、教師データセットＤ１の全ての接地面画像（１～Ｎ）をトリミングしてトリム済画像をそれぞれ生成する。
次のステップＳＴ４において、サイズ変更部１０ｄは、各々のトリム済画像のアスペクト比を変更せずに各々のトリム済画像のサイズを特徴抽出部１１に入力可能なサイズに変更して入力画像６（６０～６２）を生成する。これにより、接地面画像５に基づく入力画像６と別パラメータ７とタイヤ性能（Ｘ_１～Ｎ）とを関連付けた教師データセットＤ２が得られる。
次のステップＳＴ５において、特徴抽出部１１は、タイヤ接地面形状を表す接地面画像５に基づく入力画像６を特徴抽出部１１に入力して画像の特徴量６’を抽出する。
次のステップＳＴ６において、学習部１２は、抽出された画像の特徴量６’と接地面画像５のタイヤに関する別パラメータ７とを説明変数としてタイヤ性能値を出力するように予測モデル１３を機械学習させる。

［タイヤ性能予測方法］
図２に示すタイヤ性能予測システム２における１又は複数のプロセッサが実行する、タイヤ性能予測方法について、図４を用いて説明する。

まず、ステップＳＴ１０１～１０２を実行することにより、変換部２０は、接地面画像５に基づき入力画像６を生成する。具体的には、ステップＳＴ１０１において、トリミング部２０ｃは、予め定められたトリミング位置Ｐ１を用いて、予測対象の接地面画像５をトリミングしてトリム済画像を生成する。
次のステップＳＴ１０２において、サイズ変更部２０ｄは、トリム済画像のアスペクト比を変更せずにトリム済画像のサイズを特徴抽出部２１に入力可能なサイズに変更して入力画像６を生成する。
次のステップＳＴ１０３において、特徴抽出部２１は、タイヤ接地面形状を表す接地面画像５に基づく入力画像６を特徴抽出部２１に入力して画像の特徴量を抽出する。
次のステップＳＴ１０４において、取得部２４が、接地面画像５のタイヤに関する別パラメータ７を取得する。
次のステップＳＴ１０５において、予測部２２は、抽出された画像の特徴量６’と別パラメータ７とを説明変数としてタイヤ性能値を出力するように機械学習された予測モデル１３を用いて、抽出された画像の特徴量６’及び別パラメータ７に対応するタイヤ性能値を出力する。

＜第２実施形態＞
以下、本開示の第２実施形態を、図面を参照して説明する。

図６に示すように、第２実施形態のタイヤ性能予測モデル学習システム１及びタイヤ性能予測システム２は、第１実施形態の説明変数の数よりも少ない数の説明変数を用いて、学習又は予測を行うように構成されている。

具体的に、第２実施形態では、予測モデル１３は、決定木である。第２実施形態では、決定木であるランダムフォレストを用いているが、決定木アルゴリズムであれば、これに限定されない。また、学習部１２は、重要度算出部１２ａと、変数選択部１２ｂと、再学習部１２ｃと、を有する。ここでは説明の便宜のため、特徴抽出部１１が抽出した画像の特徴量６’と、取得部１４が取得した別パラメータ７と、で構成される説明変数の数がＫ個（Ｋは２以上の自然数）である例を挙げて説明する。

重要度算出部１２ａは、機械学習された予測モデル１３に入力する複数の説明変数それぞれの重要度を算出する。ここでは、Ｋ個の説明変数についてそれぞれ重要度が算出される。重要度は、説明変数の寄与度を表す値であり、決定木アルゴリズムを利用していれば算出可能である。

変数選択部１２ｂは、重要度算出部１２ａが算出した重要度に基づいて全ての説明変数（Ｋ個）のうち使用する一部の説明変数（Ｌ個；Ｌ＜Ｋ）を選択する。変数選択部１２ｂは、重要度が高い上位所定数（Ｌ個）の説明変数を選択してもよいし、重要度を高い順に並べ、次の重要度との差が閾値以上ある重要度の説明変数のみを選択するようにしてもよい。例えば閾値が０．２であり、第１位と第２位の重要度の差が０．４であり、第２位と第３位の重要度の差が０．３であり、第３位と第４位の重要度の差が０．１５である場合には、第１位から第３位までの説明変数が選択される、としてもよい。

再学習部１２ｃは、変数選択部１２ｂが選択した一部の説明変数（Ｌ個）を入力としてタイヤ性能値を出力するように予測モデル１３を再度機械学習させる。これにより、最初は、Ｋ個の説明変数で学習したところ、再学習部１２ｃで再学習する際には、説明変数の数がＫ個からＬ個に減少しているので、予測精度を確保したまま次元削減が可能となる。

タイヤ性能予測モデル学習システム１の動作は、図７に示す通りである。
ステップＳＴ１～ＳＴ６は、第１実施形態の図３に示すステップＳＴ１～６と同じである。すなわち、学習部１２は、Ｋ個の説明変数を予測モデル１３に入力して予測モデル１３を機械学習させる。
次のステップＳＴ２０７において、Ｋ個の説明変数による機械学習が完了した後に、重要度算出部１２ａは、機械学習された予測モデル１３に入力する複数の説明変数（Ｋ個）それぞれの重要度を算出する。
次のステップＳＴ２０８において、変数選択部１２ｂは、重要度算出部１２ａが算出した重要度に基づいて全ての説明変数（Ｋ個）のうち使用する一部の説明変数（Ｌ個）を選択する。
次のステップＳＴ２０９において、再学習部１２ｃは、変数選択部１２ｂが選択した一部の説明変数（Ｌ個）を入力としてタイヤ性能値を出力するように予測モデル１３を再度機械学習させる。

タイヤ性能予測システム２は、変数選択部１２ｂによって予め選択されたＬ個の説明変数を予測モデル１３に入力してタイヤ性能値を予測する。ここで、特徴抽出部２１が出力する画像の特徴量６’と取得部２４が取得する別パラメータ７とを含むＫ個の説明変数から、次元削減したＬ個の説明変数へ変換する説明変数変換部を設ける、としてもよい。

＜変形例＞
（１）第１実施形態及び第２実施形態では、タイヤ性能予測モデル学習システム１に変換部１０が設けられ、学習部１２が教師データセットＤ２を使用するが、変換部１０を省略可能である。同様に、タイヤ性能予測システム２の変換部２０も省略可能である。

以上のように、特に限定されないが、第１実施形態又は第２実施形態のタイヤ性能予測モデルの学習方法は、１又は複数のプロセッサが実行する方法であって、タイヤ接地面形状を表す接地面画像５に基づく入力画像６を特徴抽出部１１に入力して画像の特徴量６’を抽出する特徴量抽出ステップと、抽出された画像の特徴量６’と接地面画像５のタイヤに関する別パラメータ７とを説明変数としてタイヤ性能値を出力するように予測モデル１３を機械学習させる学習ステップと、を含む、としてもよい。

特に限定されないが、第１実施形態又は第２実施形態のタイヤ性能予測モデル学習システム１は、タイヤ接地面形状を表す接地面画像５に基づく入力画像６を入力して画像の特徴量を抽出する特徴抽出部１１と、
抽出された画像の特徴量６’と接地面画像５のタイヤに関する別パラメータ７とを説明変数としてタイヤ性能値を出力するように予測モデル１３を機械学習させる学習部１２と、を備える、としてもよい。

これにより、接地面画像５に基づき抽出した特徴量６’に基づきタイヤ性能値を予測する予測モデル１３を提供でき、接地面画像５からタイヤ性能値を知ることが可能となる。さらに、予測モデル１３に入力する説明変数に別パラメータ７を含めているので、接地面画像５に基づく特徴量６’だけを入力する場合に比べて、タイヤ性能値の予測精度を向上させることが可能となる。
また、試作数および試験の削減につながり有用である。また、接地面のどの要素がタイヤの各性能に関係しているかが明らかになる手がかりとなる可能性がある。

特に限定されないが、第１実施形態又は第２実施形態のタイヤ性能予測方法は、１又は複数のプロセッサが実行する方法であって、タイヤ接地面形状を表す接地面画像５に基づく入力画像６を特徴抽出部２１に入力して画像の特徴量６’を抽出する特徴量抽出ステップと、接地面画像５のタイヤに関する別パラメータ７を取得するステップと、抽出された画像の特徴量６’と別パラメータ７とを説明変数としてタイヤ性能値を出力するように機械学習された予測モデル１３を用いて、抽出された画像の特徴量６’及び別パラメータ７に対応するタイヤ性能値を出力する予測ステップと、を含む、としてもよい。

特に限定されないが、第１実施形態又は第２実施形態のタイヤ性能予測システム２は、タイヤ接地面形状を表す接地面画像５に基づく入力画像６を入力して画像の特徴量６’を抽出する特徴抽出部２１と、接地面画像５のタイヤに関する別パラメータ７を取得する取得部２４と、抽出された画像の特徴量６’と別パラメータ７とを説明変数としてタイヤ性能値を出力するように機械学習された予測モデル１３を用いて、抽出された画像の特徴量６’及び別パラメータ７に対応するタイヤ性能値を出力する予測部２２と、を備える、としてもよい。

これにより、接地面画像５に基づき抽出した特徴量６’とタイヤに関する別パラメータ７とに基づき予測モデル１３がタイヤ性能値を予測するので、接地面画像５からタイヤ性能値を知ることが可能となる。さらに、予測モデル１３に入力する説明変数に別パラメータ７を含めているので、接地面画像５に基づく特徴量６’だけを入力する場合に比べて、タイヤ性能値の予測精度を向上させることが可能となる。

特に限定されないが、第１実施形態又は第２実施形態のように、接地面画像５は、タイヤ接地面形状及び接地圧力を表し、別パラメータ７は、タイヤ接地面形状又は接地圧力から導き出すことができない値である、としてもよい。
これによれば、予測モデル１３に入力される別パラメータ７は、接地面画像５に現れる接地面形状又は接地圧力から導き出せない値であるので、接地面画像５に現れる特徴と重複する特徴を予測モデル１３に入力することを回避できる。よって、重複する特徴を説明変数として入力する場合に比べて、説明変数の数を減らして次元削減でき、予測精度を向上させることが可能となる。

特に限定されないが、第１実施形態又は第２実施形態のように、別パラメータ７は、接地面を形成するトレッドゴムの配合識別情報を含む、としてもよい。
ゴム配合が定まれば、ゴムの各種物性値（剛性やゴム硬度、損失正接など）が定まり、配合識別情報（配合番号等）自体に各種物性値が紐づいていることになる。よって、配合識別情報が決まれば、配合で定まる複数の物性値を個別に別パラメータとして予測モデル１３入力しなくても、複数の物性値を予測モデル１３入力したことになり、学習にあたり同じ配合識別情報が用いられることで、ゴムの物性値を考慮してタイヤ性能値の傾向が学習される。よって、予測モデル１３に入力する説明変数の数の増大を抑制して、予測精度を向上させ、且つ、計算コストを低減可能となる。

特に限定されないが、第１実施形態又は第２実施形態のように、別パラメータ７は、タイヤ諸元、接地面を形成するトレッドゴムの物性値、タイヤの静特性のうちの少なくともいずれか１つを含む、としてもよい。別パラメータ７の好ましい一例である。

特に限定されないが、タイヤ諸元は、タイヤ外径、タイヤ総幅、ピッチ数、タイヤ高さ、偏平率のうちの少なくともいずれか１つを含む、としてもよい。別パラメータ７の好ましい一例である。

特に限定されないが、接地面を形成するトレッドゴムの物性値は、トレッドゴムの貯蔵弾性率、トレッドゴムの損失弾性率、トレッドゴムの損失正接のうちの少なくともいずれか１つを含む、としてもよい。別パラメータ７の好ましい一例である。

特に限定されないが、第１実施形態又は第２実施形態のように、タイヤの静特性は、タイヤの縦剛性、タイヤの横剛性、タイヤの前後剛性、タイヤのねじり剛性、タイヤのサイド剛性のうちの少なくともいずれか１つを含む、としてもよい。別パラメータ７の好ましい一例である。

特に限定されないが、第２実施形態のタイヤ性能予測モデルの学習方法のように、予測モデル１３は、決定木であり、方法は、機械学習された予測モデル１３に入力する複数の説明変数（Ｋ個）それぞれの重要度を算出するステップと、算出した重要度に基づいて全ての説明変数（Ｋ個）のうち使用する一部の説明変数（Ｌ個）を選択するステップと、選択した一部の説明変数（Ｌ個）を入力としてタイヤ性能値を出力するように予測モデル１３を再度機械学習させる再学習ステップと、を含む、としてもよい。

特に限定されないが、第２実施形態のタイヤ性能予測モデル学習システム１は、予測モデル１３は、決定木であり、システムは、機械学習された予測モデル１３に入力する複数の説明変数（Ｋ個）それぞれの重要度を算出する重要度算出部１２ａと、算出した重要度に基づいて全ての説明変数（Ｋ個）のうち使用する一部の説明変数（Ｌ個）を選択する変数選択部１２ｂと、選択した一部の説明変数（Ｌ個）を入力としてタイヤ性能値を出力するように予測モデル１３を再度機械学習させる再学習部１２ｃと、を有する、としてもよい。

このように、決定木アルゴリズムの重要度を用いて説明変数の数を減らすことができ、次元削減により予測精度を向上させることが可能となる。また、説明変数の数を削減できるので、計算コストを低減可能となる。

本実施形態に係るプログラムは、上記方法をコンピュータに実行させるプログラムである。
これらプログラムを実行することによっても、上記方法の奏する作用効果を得ることが可能となる。

以上、本開示の実施形態について図面に基づいて説明したが、具体的な構成は、これらの実施形態に限定されるものでないと考えられるべきである。本開示の範囲は、上記した実施形態の説明だけではなく特許請求の範囲によって示され、さらに特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれる。

上記の各実施形態で採用している構造を他の任意の実施形態に採用することは可能である。各部の具体的な構成は、上述した実施形態のみに限定されるものではなく、本開示の趣旨を逸脱しない範囲で種々変形が可能である。

例えば、特許請求の範囲、明細書、および図面中において示した装置、システム、プログラム、および方法における動作、手順、ステップ、および段階等の各処理の実行順序は、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現できる。特許請求の範囲、明細書、および図面中のフローに関して、便宜上「まず」、「次に」等を用いて説明したとしても、この順で実行することが必須であることを意味するものではない。

図２、図６に示す各部は、所定プログラムを１又はプロセッサで実行することで実現しているが、各部を専用メモリや専用回路で構成してもよい。上記実施形態のシステム１は、一つのコンピュータのプロセッサ１ａにおいて各部が実装されているが、各部を分散させて、複数のコンピュータやクラウドで実装してもよい。すなわち、上記方法を１又は複数のプロセッサで実行してもよい。

システム１は、プロセッサ１ａを含む。例えば、プロセッサ１ａは、中央処理ユニット（ＣＰＵ）、マイクロプロセッサ、またはコンピュータ実行可能命令の実行が可能なその他の処理ユニットとすることができる。また、システム１は、システム１のデータを格納するためのメモリ１ｂを含む。一例では、メモリ１ｂは、コンピュータ記憶媒体を含み、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリまたはその他のメモリ技術、ＣＤ－ＲＯＭ、ＤＶＤまたはその他の光ディスクストレージ、磁気カセット、磁気テープ、磁気ディスクストレージまたはその他の磁気記憶デバイス、あるいは所望のデータを格納するために用いることができ、そしてシステム１がアクセスすることができる任意の他の媒体を含む。

１…タイヤ性能予測モデル学習システム、１１…特徴抽出部、１２…学習部、１３ 予測モデル、２…タイヤ性能予測システム、２１…特徴抽出部、２２…予測部、２４…取得部、７…別パラメータ

Claims (8)

1. １又は複数のプロセッサが実行する方法であって、
   タイヤ接地面形状を表す接地面画像に基づく入力画像を特徴抽出部に入力して画像の特徴量を抽出する特徴量抽出ステップと、
   前記抽出された画像の特徴量と前記接地面画像のタイヤに関する別パラメータとを説明変数としてタイヤ性能値を出力するように予測モデルを機械学習させる学習ステップと、
   を含む、タイヤ性能予測モデルの学習方法。
2. １又は複数のプロセッサが実行する方法であって、
   タイヤ接地面形状を表す接地面画像に基づく入力画像を特徴抽出部に入力して画像の特徴量を抽出する特徴量抽出ステップと、
   前記接地面画像のタイヤに関する別パラメータを取得するステップと、
   前記抽出された画像の特徴量と前記別パラメータとを説明変数としてタイヤ性能値を出力するように機械学習された予測モデルを用いて、前記抽出された画像の特徴量及び前記別パラメータに対応する前記タイヤ性能値を出力する予測ステップと、
   を含む、タイヤ性能予測方法。
3. 前記接地面画像は、前記タイヤ接地面形状及び接地圧力を表し、前記別パラメータは、前記タイヤ接地面形状又は前記接地圧力から導き出すことができない値である、請求項１又は２に記載の方法。
4. 前記別パラメータは、前記接地面を形成するトレッドゴムの配合識別情報を含む、請求項１～３のいずれかに記載の方法。
5. 前記別パラメータは、タイヤ諸元、前記接地面を形成するトレッドゴムの物性値、タイヤの静特性のうちの少なくともいずれか１つを含む、請求項１～４のいずれかに記載の方法。
6. 前記予測モデルは、決定木であり、
   前記方法は、機械学習された前記予測モデルに入力する複数の説明変数それぞれの重要度を算出するステップと、前記算出した重要度に基づいて全ての説明変数のうち使用する一部の説明変数を選択するステップと、前記選択した一部の説明変数を入力として前記タイヤ性能値を出力するように前記予測モデルを再度機械学習させる再学習ステップと、を含む、請求項１に記載の方法。
7. 請求項１～６のいずれかに記載の方法を実行する１又は複数のプロセッサを備える、システム。
8. 請求項１～６のいずれかに記載の方法を１又は複数のプロセッサに実行させる、プログラム。

Images