JP2022521836A - 車両タイヤ性能モデリング及びフィードバックのためのシステム及び方法 - Google Patents

Abstract

【解決手段】 車両のタイヤ性能監視、モデリング、及びフィードバックのためのコンピュータ実装システム及び方法。車両及び／又は車両と関連付けられた少なくとも１つのタイヤについて、移動データ及び／又は位置データを含む車両データが収集される。現在のタイヤ摩耗状態は、収集されたデータに少なくとも部分的に基づいて、少なくとも１つのタイヤに対してリアルタイムで、判定され、その様々な実施形態が本明細書で開示される。タイヤのトラクション、交換時期、及び／又は将来のタイヤ摩耗などの１つ以上のタイヤ性能特性は、判定されたタイヤ摩耗状態及び収集されたデータに少なくとも部分的に基づいて予測される。リアルタイムフィードバックは、予測された１つ以上のタイヤ性能特性及び／又は判定された現在のタイヤ摩耗状態に基づいて選択的に提供される。フィードバックは、オペレータ又はフリート管理職員への警告を含んでもよく、又は自動制御発明の形態をとってもよい。【選択図】図２

Description

本発明は、概して、タイヤ性能のモデリング及び予測、並びにそれらの結果に基づくフィードバックの提供に関する。より具体的には、本明細書に開示される本発明の一実施形態は、オートバイ、消費者車両（例えば、搭乗者及び軽トラック）、商用及びオフロード（off-road、ＯＴＲ）車両が挙げられるが、これらに限定されない、車輪付き車両のためのタイヤ摩耗及び／又はタイヤトラクションモデルを実装するためのシステム及び方法に関する。

タイヤ摩耗及び対応するタイヤのトラクション能力の予測は、特に車両のフリート管理と併せて、車両を所有又は操作する者にとって重要なツールである。タイヤが使用されるとき、トレッドが徐々に浅くなり、タイヤ全体の性能が変化することが通常である。

加えて、不規則なトレッド摩耗は、そうでなければ必要となるよりも早く、ユーザがタイヤ交換することになる様々な理由に対して生じることがある。車両、ドライバ、及び個々のタイヤは、全て互いに異なるものであり、タイヤを非常に異なる速度で摩耗させる可能性がある。例えば、スポーツカー用の高性能タイヤは、ファミリーセダン用のツーリングタイヤよりも急速に摩耗する。しかしながら、多種多様な要因により、タイヤは見込みよりも早く摩耗する、及び／又は不規則に摩耗し、ノイズ又は振動を生じさせる可能性がある。早期及び／又は不規則なタイヤ摩耗の２つの一般的な原因は、不適切なタイヤ圧及び面外位置合わせ条件である。

タイヤ摩耗は、タイヤの寿命にわたって非線形に進行することが知られている。これに対する１つの主な理由は、トレッドが経時的に摩耗すると、トレッドブロックがより硬くなることである。加えて、トレッドパターンは、典型的には、タイヤが摩耗するにつれて空隙面積が小さくなるように設計される。これらの特性のいずれか又は両方は、より遅い摩耗速度の原因となる可能性がある。

最も多くのタイヤ摩耗予測の焦点は、初期摩耗率、タイヤが新品であるときの摩耗率である。これは、少なくとも部分的には、タイヤ産業は、典型的には、元の機器製造業者（original equipment manufacturer、ＯＥＭ）要件を満たさなければならないことにより、一般的に新たなタイヤ性能に関心があるためである。タイヤの性能をその寿命全体について予測するために、新たな摩耗モデルが必要とされる。

しかしながら、タイヤ摩耗は、モデル化するには複雑な現象である。有限要素分析（finite element analysis、ＦＥＡ）を利用する、現在存在する正確なモデルが存在するが、これらのシミュレーションは、典型的には、完了するのに数週間を要する可能性がある。いくつかの異なるトレッド深さで摩耗率をシミュレートすることが望ましい場合、これは更に、計算的に高価なシミュレーションの数か月を要するであろう。

タイヤの性能及び性能に関する実質的にリアルタイムな予測をユーザに提供することが望ましいであろう。

タイヤのトラクション能力を推定し、そのようなフィードバックを、他の有用／実施可能な予測又は制御ループのためのモデルへの入力として提供することが更に望ましい。

タイヤのトレッド深さを推定し、例えばトラクション、燃料効率、耐久性などの他の有用／実施可能な予測のためのモデルへの入力としてこのようなフィードバックを提供することが更に望ましい。正確なトレッド深さ予測が、多数の他のタイヤ性能領域を予測するための第１のステップである。

例えば、典型的にはフィールドエンジニア及び／又は専用デバイスによって提供されるような手動トレッド深さ測定値を必要とすることなく、分散及び相対自動化されたタイヤ－サービスモデルの一部としてこれらのサービスを提供することが更に望ましい。

所与の時間において車両状態を判定する目的で、高周波数車両データ及び／又はタイヤデータを生成することが知られている。しかしながら、ストリーミングデータの連続的な収集は、データ点の圧倒ボリュームをもたらし、これは典型的には、データ送信、記憶、及び処理の観点の各々から非実用的である。トレッド深さの測定値に基づいて知識の状態を改善し、数回の測定に基づいてタイヤに残存する摩耗寿命を予測する改善された能力に基づいて、ユーザ（例えば、個々のドライバ、フリート管理者、他の等価のエンドユーザ）にリアルタイムのフィードバックを提供し、それによって、ユーザがタイヤから最大の価値を達成することを可能にすることが更に望ましい。

本明細書に開示される第１の例示的な実施形態では、前述の目的は、タイヤ性能のモデリング及び予測、及びそれらに基づいたフィードバックの提供のためのコンピュータ実装方法を介して達成され得る。本方法は、車両に対する車両データ、及び／又は車両と関連付けられた少なくとも１つのタイヤのタイヤデータを収集することと、収集されたデータに少なくとも部分的に基づいて、リアルタイムで少なくとも１つのタイヤの現在のタイヤ摩耗状態を判定することと、を含む。判定されたタイヤ摩耗状態及び収集されたデータに少なくとも部分的に基づいて、１つ以上のタイヤ性能特性が予測される。リアルタイムフィードバックが、予測された１つ以上のタイヤ性能特性及び／又は判定された現在のタイヤ摩耗状態に基づいて選択的に提供される。

更なる有利な特徴は、上記参照の第１の実施形態の例示的な変形形態において更に実現され、タイヤの摩耗状態を推定するためのコンピュータ実装方法の第２の実施形態が、本明細書に開示され、それぞれの複数のタイヤ摩耗の要因の各々に対応する確率分布に関する情報をデータストレージに蓄積することを含む。車両と関連して収集された移動データ及び位置データを含む車両データ及び／又はタイヤデータが、車両からリモートサーバに送信される。複数の要因のうちの１つ以上に対応する少なくとも１つの観測結果が、送信された車両データに基づいて生成される。生成された少なくとも１つの観測結果及び確率分布に関する記憶された情報に少なくとも基づいて、車両と関連付けられた少なくとも１つのタイヤについて、所与の時間におけるタイヤ摩耗状態のベイズ推定が生成される。

前述の第２の実施形態の１つの例示的な態様は、生成された少なくとも１つの観測結果に少なくとも基づいて、車両と関連付けられた少なくとも１つのタイヤのタイヤ摩耗の原因となる、それぞれの複数の要因に対応する更新された確率分布に関する情報を記憶することを含んでもよい。

前述の第２の実施形態の別の例示的な態様は、車両と関連付けられた少なくとも１つのタイヤの１つ以上の将来のパラメータでタイヤ摩耗状態を予測することを含んでもよい。例えば、タイヤ摩耗状態が、車両が運転される次回の期間に対して、又は走行される次回の距離に対して予測されてもよい。

前述の第２の実施形態の別の例示的な態様は、車両と関連付けられた少なくとも１つのタイヤと関連付けられたタイヤ摩耗閾値と比較した現在のタイヤ摩耗状態又は予測されたタイヤ摩耗状態に基づいて、車両と関連付けられた少なくとも１つのタイヤの交換時期を予測することを含んでもよい。

前述の第２の実施形態の別の例示的な態様では、複数の確率分布に関する情報が、時系列特性評価曲線のアレイを反映してもよい。

前述の第２の実施形態の別の例示的な態様は、リモートサーバと関連付けられたユーザインターフェースを介してユーザから１つ以上のタイヤ摩耗入力値を受信することと、１つ以上のタイヤ摩耗入力値に基づいて、複数の要因のうちの１つ以上についての少なくとも１つの観測結果を生成することと、を更に含んでもよい。

前述の第２の実施形態の別の例示的な態様は、少なくとも１つのタイヤのそれぞれのタイヤ内又はタイヤ上に装着された１つ以上のセンサによって生成された１つ以上のタイヤ摩耗入力値を受信することと、１つ以上のタイヤ摩耗入力値に基づいて、複数の要因のうちの１つ以上について少なくとも１つの観測結果を生成することと、を含んでもよい。

前述の第２の実施形態の別の例示的な態様は、車両の外部のセンサによって生成された１つ以上のタイヤ摩耗入力値を受信することと、１つ以上のタイヤ摩耗入力値に基づいて、複数の要因のうちの１つ以上について少なくとも１つの観測結果を生成することと、を含んでもよい。

前述の第２の実施形態の別の例示的な態様では、車両の外部のセンサによって生成されたタイヤ摩耗入力値のうちの少なくとも１つが、トレッド深さ測定値を含む。

前述の第２の実施形態の別の例示的な態様は、推定されるタイヤ摩耗状態を、ベースライン値及び推定の信頼レベルに対応する範囲と共に生成することを含んでもよい。

システムは、タイヤ摩耗状態を推定するために、上記参照の第２の実施形態に従って提供され得る。システムが、それぞれ複数のタイヤ摩耗要因の各々に対応する確率分布に関する情報を記憶したデータストレージネットワークを含み得る。複数の車両の各々について、分散コンピューティングノードが、車両データを収集するようにそれぞれ構成されている１つ以上の車両装着センサにリンクされる。第２の実施形態に対して規定された前述の態様の性能を指示するための１つ以上のプロセッサによって実行可能な命令が存在するコンピュータ可読媒体を含む、サーバベースのコンピューティングネットワークが提供される。

更なる有利な特徴は、上記参照の第１の実施形態における別の例示的な変形形態において更に実現され、ブラシ型モデルを利用する分析用タイヤ摩耗モデルについてのコンピュータ実装方法の第３の実施形態が本明細書に開示される。ブラシ型モデルは、独立した「ブラシ毛」としてトレッド要素をモデル化する単純化されたタイヤモデルであり、これは、道路とゴムとの間の接触界面のモデリングの複雑さを大幅に低減する。このモデルは、タイヤが摩耗する際に実際のタイヤ内で生じる一次効果（トレッドブロック補強及び接触面積増加）を捕捉することができる。

第３の例示的な実施形態によれば、車両と関連付けられたタイヤについて元のトレッド深さが判定され、初期摩耗率が、少なくとも部分的に元のトレッド深さに基づいて判定される。１つ以上のタイヤ条件が、予測タイヤ摩耗モデルへの時系列入力として測定される。現在の摩耗率が、タイヤの初期摩耗率に関する入力に基づいて正規化され、タイヤのタイヤ摩耗状態が、１つ以上の指定された将来のパラメータについて予測され得る。

前述の第３の実施形態の一態様では、現在の摩耗率が、タイヤのベース材と路面との間の接触界面のブラシ型タイヤ摩耗モデルに少なくとも部分的に基づいて更に判定され、界面が、複数の独立して変形可能な要素として表される。

前述の第３の実施形態の別の態様では、測定された１つ以上のタイヤ条件が、タイヤトレッド深さに対応する検出された接触面積及び空隙域を含む。

前述の第３の実施形態の別の態様では、１つ以上の指定された将来のパラメータが、走行時間と関連付けられる。

代替的には、１つ以上の指定された将来のパラメータが、走行距離と関連付けられてもよい。

第３の実施の形態の別の態様では、タイヤにと関連付けられた１つ以上の所定のタイヤ摩耗閾値と比較した予測されたタイヤ摩耗状態に基づいて予測されてもよい。

前述の第３の実施形態の別の態様では、予測された交換時期に基づいて、車両と関連付けられたユーザへの警告が生成される。

前述の第３の実施形態の別の態様では、１つ以上の測定条件が、ユーザインターフェースを介してユーザから受信される。

前述の第３の実施形態の別の態様では、測定条件のうちの１つ以上が、タイヤ内又はタイヤ上に装着され、そこから受信される１つ以上のセンサによって生成される。

前述の第３の実施形態の別の態様では、１つ以上の測定条件が、車両の外部のセンサによって生成され、そこから受信される。車両の外部のセンサによって生成されるタイヤ摩耗入力値の少なくとも１つが、トレッド深さ測定値を含んでもよい。

前述の第３の実施形態の別の態様では、タイヤ回転閾値イベント及び／又は位置合わせ閾値イベントが、システムによって、時系列入力及び／又は予測されたタイヤ摩耗状態に少なくとも部分的に基づいて予測されてもよい。したがって、警告が、それに基づいて、車両と関連付けられたユーザインターフェースに生成され得る。ユーザインターフェースが、車両に装着された静的ディスプレイ、車両のドライバと関連付けられたモバイルコンピューティングデバイスのためのディスプレイなどであり得る。

前述の第３の実施形態の別の態様では、車両のための最適なタイヤの種類が、時系列入力及び／又は予測されたタイヤ摩耗状態に少なくとも部分的に基づいて予測されてもよい。したがって、警告が、それに基づいて、車両と関連付けられたユーザインターフェースに生成され得る。ユーザインターフェースが、車両に装着された静的ディスプレイ、車両のドライバと関連付けられたモバイルコンピューティングデバイスのためのディスプレイなどであり得る。

一実施形態では、前述の第３の実施形態による車両のタイヤ摩耗の進行を予測するためのシステムが提供されてもよく、このシステムは、データストレージネットワークに機能的にリンクされたサーバを含む。データストレージネットワークが、車両と関連付けられたタイヤの元のトレッド深さ、及び予測タイヤ摩耗モデルを含む。１つ以上のセンサが提供され、測定されたタイヤ条件に対応する信号を提供するように構成されている。サーバが、元のトレッド深さ及びタイヤ摩耗モデルに基づいて、タイヤの初期摩耗率を判定し、測定されたタイヤ状態に対応する信号を、予測タイヤ摩耗モデルへの時系列入力として収集し、タイヤの初期摩耗率に対する当該入力に基づいて現在の摩耗率を正規化し、１つ以上の指定された将来のパラメータについて、タイヤのタイヤ摩耗状態を予測するように構成されている。

第３の実施形態によるシステムの例示的な一態様では、摩耗率が、タイヤのベース材料と路面との間の接触界面のためのブラシ型タイヤ摩耗モデルを使用してモデル化されてもよく、界面が、複数の独立して変形可能な要素として表される。代替的な物理学に基づくタイヤ摩耗モデルもまた、本開示の範囲内に実装されてもよく、ＦＥＡモデルを含むがこれらに限定されない。

更なる有利な特徴は、上記参照の第１の実施形態における例示的な変形形態において更に実現され、車両のタイヤ摩耗の進行を推定するためのコンピュータ実装方法の第４の実施形態が本明細書に開示される。第４の実施形態による方法は、車両と関連付けられたタイヤの第１の（例えば、初期又は非摩耗）段階でトレッド深さを記憶することを含む。方法は、第１のモーダル分析と関連付けられた影響に応答して、第１の段階でのタイヤの１つ以上のモーダル周波数の第１のセットを感知及び記憶することを含む。後続の第２の（例えば、少なくとも部分的に摩耗した）段階において、第２のモーダル分析と関連付けられた影響に応答して、タイヤの対応する１つ以上のモーダル周波数の第２のセットが感知される。第１及び第２のセットの各々からの少なくとも１つの対応するモーダル周波数間の計算された周波数シフトに基づいて、タイヤのタイヤ摩耗状態が第２の段階で推定され得る。

前述の第４の実施形態の１つの例示的な態様では、タイヤの質量が第１の段階で記憶され、第２の段階でタイヤ摩耗状態を推定するステップが、計算された周波数シフトに基づいて、第１の段階と第２の段階との間のタイヤの質量変化を判定することを含む。

前述の第４の実施形態の別の例示的な態様では、タイヤトレッドにおける推定損失が、計算された周波数シフトに基づいて、第１の段階と第２の段階との間のタイヤの質量の変化に関連して判定される。代替的に、タイヤトレッドにおける推定損失が、観測された周波数シフトと所与のタイヤのタイヤトレッドの変化との間の回収可能な相関を介して判定されてもよい。相関は、例えば、所与の種類のタイヤに対してデータストレージから取得されてもよく、又はタイヤトレッドの変化の履歴測定値に基づいて経時的に発展されてもよく、所与の種類のタイヤと関連付けられた対応するモード周波数間でシフトする。

前述の第４の実施形態の別の例示的な態様では、対応するモーダル周波数の第１のセット及び第２のセットが、タイヤの構造モードの励起に応答して、タイヤと関連して装着された１つ以上の加速度計を介して感知される。１つ以上の加速度計が、例えばタイヤのインナーライナー上でタイヤに取り付けられてもよく、又は関連する車両のスピンドルに装着されてもよい。

前述の第４の実施形態の別の例示的な態様では、タイヤ構造モードが、タイヤの動作中にランダムに励起され、１つ以上の加速度計によって生成された関連する出力信号が捕捉される。

前述の第４の実施形態の別の例示的な態様では、タイヤ構造モードが、例えばハンマーなどの外部物体を有するタイヤの制御された衝撃によって励起される。

前述の第４の実施形態の別の例示的な態様では、タイヤ構造モードが、例えば、クリート若しくはスピードバンプ、又は十分に粗い表面を含むコースなどの１つ以上の所定の障害物に対して車両の移動を方向付けることによって励起される。

本明細書に開示される第４の実施形態による例示的なシステムは、例えば、前述の実施形態及びその態様のうちの任意の１つ以上の観点から、データストレージネットワークに機能的にリンクされたサーバ又はサーバネットワーク、及びタイヤ及び／又は車両に装着された１つ以上のセンサを介して、車両のタイヤ摩耗推定を実装することができる。

更なる有利な特徴は、上記参照の第１の実施形態の例示的な変形形態において更に実現され、車両のタイヤ摩耗を推定するためのコンピュータ実装方法の第５の実施形態が本明細書に開示される。第５の実施形態の方法は、車両及び／又は車両を支持する複数のタイヤのうちの少なくとも１つのタイヤと関連付けられた１つ以上のセンサを含み、車両及び／又は少なくとも１つのタイヤのリアルタイムの動力学に対応する第１のデータを生成する。第１のデータが、第１のデータのサブセットの低減されたサブセットとして第２のデータを生成するようにローカルに処理され、第２のデータが、第１のデータを表し、そこから抽出された任意の１つ以上の所定の特徴を含む。第２のデータが、通信ネットワークを介してリモートコンピューティングシステムに選択的に送信され、リモートコンピューティングシステムが、第２のデータ及び任意の１つ以上の抽出された特徴を処理して、少なくとも１つのタイヤの摩耗特性を推定する。

第２のデータが、複数の連続データフレームを含んでもよく、各データフレームが、車両及び／又は少なくとも１つのタイヤと関連付けられた力の多次元ヒストグラムを含む。

前述の第５の実施形態の１つの例示的な態様では、本方法は、少なくとも第１及び第２のイベントの間のデータフレームのサブセットを選択することと、特定の時間又は特定の距離にわたってデータフレームを要約することと、を更に含む。

この第５の実施形態の別の例示的な態様では、データフレームの要約が、要約されたデータフレームをリモートコンピューティングシステムに送信する前にローカル処理を介して実行される。代替的には、データフレームのサブセットが、リモートコンピューティングシステムに送信されてもよく、データフレームの要約が、リモートコンピューティングシステムを介して実行される。

この第５の実施形態の別の例示的な態様では、方法は、要約されたデータフレームを、データフレームの実際の収集された数に対してデータフレームの見込まれる数でスケーリングすることによって、要約されたデータフレーム内の欠落データを訂正することを更に含む。

第２のデータの抽出された特徴が、車両駆動挙動を表す摩耗性能特性を含み得る。

第１のデータを処理することが、第１のデータに対してフーリエ変換を実行することを含み、抽出された関連性のある周波数及び関連する振幅を含む第２のデータを生成することを含み得る。

第５の実施形態の別の例示的な態様では、第２のデータが、１つ以上の代表的な駆動条件の各々において車両によって費やされた時間量に対応する、集約された低周波数ＣＡＮデータを含む。

第５の実施形態の別の態様では、第１のデータが、ＣＡＮバス信号を含んでもよい。第２のデータが、エンコードニューラルネットワーク層を介して生成され、第３のデータが、デコードニューラルネットワーク層を介して生成され、摩耗計算層が、デコードニューラルネットワーク層の出力に付加され、デコードされたＣＡＮバス信号を、少なくとも１つのタイヤの瞬時推定摩耗値に変換するように構成されている。

前述の第５の実施形態の１つの例示的な態様では、方法は、推定摩耗値を、少なくとも１つのタイヤの実際の摩耗値と比較して、誤差値を生成することと、誤差値をニューラルネットワーク層にフィードバックとして提供することと、を更に含む。

第５の実施形態の別の態様では、第２のデータの選択的な送信が、送信のための手動選択に依存せずに、自動化され、イベントベースである。あるいは、第２のデータの選択的な送信は時間ベースであってもよい。

第５の実施形態の別の態様では、車両及び／又は車両を支持する複数のタイヤのうちの少なくとも１つのタイヤと関連付けられた１つ以上のセンサを使用して実装され、第１のデータが、車両及び／又は少なくとも１つのタイヤのリアルタイムの動力学に対応して生成される。全地球測位システムトランシーバを介して、車両位置に対応する低周波数の第２のデータが生成される。第２のデータが、通信ネットワークを介してリモートコンピューティングシステムに選択的に送信され、第２のデータが、車両モデル及び１つ以上の車両経路特性を考慮して更に処理され、第１のデータに対応する第３のデータを生成し、第３のデータが、少なくとも１つのタイヤの摩耗特性を推定するように更に処理される。

前述の第５の実施形態の１つの例示的な態様では、第２のデータが、複数の連続データフレームを更に含み、各データフレームが、車両及び／又は少なくとも１つのタイヤリモートコンピューティングシステムと関連付けられた力の多次元ヒストグラムを含む。リモートコンピューティングシステムが、収集された車両位置データから車両経路を再構築し、それぞれの多次元ヒストグラムに車両経路フィードバックを提供する。

更なる有利な特徴は、上記参照の第１の実施形態の例示的な変形形態において更に実現され、車両のタイヤ摩耗を推定するためのコンピュータ実装方法の第６の実施形態が本明細書に開示される。第１のデータが、車両及び／又は車両を支持する複数のタイヤのうちの少なくとも１つのタイヤと関連付けられた１つ以上のセンサを介して生成され、第１のデータが、車両及び／又は少なくとも１つのタイヤのリアルタイムの動力学に対応する。第１のデータが、車両に搭載されたコンピューティングシステムを介して処理され、第１のデータのサブセットの低減されたサブセットとして第２のデータを生成するように処理され、第２のデータが、第１のデータを表し、第１のデータから抽出された任意の１つ以上の所定の特徴を含む。この搭載されたコンピューティングシステムが、第２のデータを更に処理して、少なくとも１つのタイヤの摩耗特性を推定し、車両ユーザと関連付けられたコンピューティングへの推定摩耗特性と関連付けられた通知を生成する。

前述の第６の実施形態の１つの例示的な態様では、第２のデータを処理して、少なくとも１つのタイヤの摩耗特性を推定するステップが、第２のデータを処理して第１のデータに対応する第３のデータを生成することと、第３のデータを更に処理して、少なくとも１つのタイヤの摩耗特性を推定することと、を含む。

前述の第６の実施形態の別の例示的な態様では、第１のデータが、ＣＡＮバス信号を含み、第２のデータが、エンコードニューラルネットワーク層を介して生成され、第３のデータが、デコードニューラルネットワーク層を介して生成され、摩耗計算層が、デコードニューラルネットワーク層の出力に付加され、デコードされたＣＡＮバス信号を、少なくとも１つのタイヤの瞬時推定摩耗値に変換するように構成されている。

前述の第６の実施形態の別の例示的な態様は、推定摩耗値を、少なくとも１つのタイヤの実際の摩耗値と比較して、誤差値を生成することと、誤差値をニューラルネットワーク層にフィードバックとして提供することと、を更に含む。

更なる有利な特徴は、上記参照の第１～第６の実施形態のいずれか１つにおける例示的な変形形態において更に実現され、車両のタイヤトラクション状態を推定及び適用するためのコンピュータ実装方法の第７の実施形態が本明細書に開示される。第７の実施形態による方法は、第１の車両と関連して（例えば、移動データ及び位置データを含む）車両データの収集、及び車両と関連付けられた少なくとも１つのタイヤのタイヤ摩耗状態を判定することと、を含み得る。少なくとも１つのタイヤの１つ以上のタイヤのトラクション特性が、少なくとも送信された車両データ及び判定されたタイヤ摩耗状態に基づいて予測され、１つ以上の車両動作設定が、少なくとも予測された１つ以上のタイヤのトラクション特性に基づいて選択的に修正される。

上記参照の第７の実施形態の１つの例示的な態様では、車両の最大速度が、少なくとも送信された車両データ及び車両と関連付けられた各タイヤの判定されたタイヤ摩耗状態に基づいて判定される。

上記参照の第７の実施形態の別の例示的な態様では、最大速度が、車両と関連付けられた自律型車両制御システムに提供される。あるいは、最大速度が、車両と関連付けられたドライバ補助インターフェースに提供されてもよい。

上記参照の第７の実施形態の別の例示的な態様では、１つ以上のタイヤ摩耗入力値が、ユーザインターフェースを介してユーザから受信される。

上記参照の第７の実施形態の別の例示的な態様では、タイヤ摩耗状態を判定するステップが、少なくとも１つのタイヤのそれぞれのタイヤ内又はタイヤ上に装着された１つ以上のセンサによって生成された１つ以上のタイヤ摩耗入力値を受信することを含む。あるいは、１つ以上のタイヤ摩耗入力値が、車両の外部のセンサによって生成されてもよい。

上記参照の第７の実施形態の別の例示的な態様では、タイヤ摩耗状態を判定するステップが、少なくとも送信された車両データ、及び少なくとも１つのタイヤのそれぞれのタイヤ内又はタイヤ上に装着された１つ以上のセンサによって生成されたタイヤデータに基づいて、１つ以上のタイヤ摩耗入力値を予測することを含む。

上記参照の第７の実施形態による方法、及び任意選択的に、更に例示的な態様のうちの特定のものによる方法を実行するためのシステムが提供されてもよく、システムが、通信ネットワークを介して車両に機能的にリンクされたリモートサーバを含み、車両データが、車両からリモートサーバに送信される。リモートサーバが、車両と関連付けられたアクティブセーフティユニットに１つ以上の予測タイヤトラクション特性を提供するように構成されており、アクティブセーフティユニットが、少なくとも予測された１つ以上のタイヤトラクション特性に基づいて、１つ以上の車両動作設定を修正するように構成されている。

第７の実施形態によるシステムの例示的な態様では、アクティブセーフティユニットが、車両と関連付けられた自動制動システムを含んでもよく、リモートサーバが、それぞれのタイヤと関連付けられた予測ｍｕスリップ曲線の１つ以上のパラメータを自動制動システムに提供するように構成されている。

第７の実施形態によるシステムの別の例示的な態様では、ユーザインターフェースが、リモートサーバと関連付けられ、ユーザから１つ以上のタイヤ摩耗入力値を受信するように構成されている。

第７の実施形態によるシステムの別の例示的な態様では、リモートサーバが、少なくとも送信された車両データ及び車両と関連付けられた各タイヤの判定されたタイヤ摩耗状態に基づいて、車両の最大速度を判定し、車両と関連付けられたドライバ補助インターフェースに最大速度を提供するように構成されている。

第７の実施形態によるシステムの他の例示的な態様では、アクティブセーフティユニットが、衝突回避システム及び／又は自律型車両制御システムを含んでもよい。

システムの別の例は、複数の車両の各々について、上述の第７の実施形態による方法、及び任意選択的に、更にそれと関連付けられた例示的な態様のうちの特定のものによる方法を実行してもよい。このシステムは、通信ネットワークを介して車両に機能的にリンクされた第１のリモートサーバと、第１のリモートサーバに機能的にリンクされたフリート管理サーバと、複数の車両の各々と関連付けられた車両制御システムと、を含む。複数の車両の各々について、車両データがそれぞれの車両からリモートサーバに送信され、第１のリモートサーバが、１つ以上の予測されたタイヤトラクション特性をフリート管理サーバに提供するように構成されており、フリート管理サーバが、少なくとも予測された１つ以上のタイヤトラクション特性に基づいて、１つ以上の車両動作設定を修正するための、それぞれの車両制御システムと相互作用するように構成されている。

このシステムの１つの例示的な態様では、ユーザインターフェースが、リモートサーバ及び／又はフリート管理サーバ及び／又は車両制御システムと関連付けられ、ユーザから１つ以上のタイヤ摩耗入力値を受信するように構成されている。

このシステムの別の例示的な態様では、フリート管理サーバが、少なくとも送信された車両データ、及びそれぞれの車両と関連付けられた各タイヤの判定されたタイヤ摩耗状態に基づいて、所与の車両の最大速度を判定し、車両と関連付けられた車両制御システムに最大速度を提供するように構成されている。

このシステムの別の例示的な態様では、フリート管理サーバが、少なくとも送信された車両データ、及び車両と関連付けられた各タイヤの判定されたタイヤ摩耗状態に基づいて、所与の車両の停止距離ポテンシャルを計算し、車両と関連付けられた車両制御システムに停止距離ポテンシャルを提供するように構成されている。

このシステムの別の例示的な態様では、フリート管理サーバが、順番に走行する車両の隊列と関連付けられた複数の車両の各々ごとの最適な車間距離を判定し、複数の車両のうちの各車両ごとの判定された最適な車間距離をそれぞれの車両制御システムに送信するように更に構成されている。

このシステムの別の例示的な態様では、フリート管理サーバが、少なくとも送信された車両データ、及びそれぞれの車両と関連付けられた各タイヤの判定されたタイヤ摩耗状態に基づいて、所与の車両の最大速度及び／又は停止距離ポテンシャルを判定し、車両が閾値トラクション特性を満たすかどうかを判定し、車両制御システムと相互作用して、車両が閾値トラクション特性を満たさない場合、それぞれの車両の配備を避けるか、そうでなければ使用しないように構成されている。

上記参照の実施形態のうちの様々な実施形態は、本明細書に開示されるシステム及び／又は方法において、互いに容易に組み合わせることができる。

例えば、当業者は、第３の実施形態又は第４の実施形態による予測されたタイヤ摩耗が、第７の実施形態によるトラクションモデルへの出力としてそれぞれのステップ又は特徴の範囲を変更することなく、互いに相補的に提供されてもよいことを理解することができる。

更に、当業者は、第５の実施形態による抽出データが、本明細書に開示される１つ以上の他の実施形態によるタイヤ摩耗モデルへの入力として提供され得ることを理解することができる。

以下、図面を参照しながら、本発明の実施形態をより詳細に説明する。

図１は、本明細書に開示される様々な実施形態によるシステムの例示的な実施形態を表すブロック図である。

図２は、例示的なトラクション推定モデルを表すブロック図である。

図３は、本明細書に開示されるモデルによって生成される例示的なトラクション特性のセットを表すグラフ図である。

図４は、本明細書に開示されるモデルによって生成される別の例示的なトラクション特性のセットを表すグラフ図である。

図５は、自律型自動車フリートの例示的なタイヤ摩耗（例えば、トレッド）ステータス値のセットを表すグラフ図である。

図６は、トラック隊列のタイヤ摩耗（例えば、トレッド）ステータス値及び予測タイヤトラクション値の例示的な適用を表すグラフ図である。

図７は、都市部及び高速道路の車両経路の混合中に収集された信号を使用して、摩耗率の推定に対する信号解像度の影響を説明するグラフ図である。

図８は、主に都市部の経路の間に収集された信号を使用して、摩耗率の推定に対する信号解像度の影響を説明するグラフ図である。

図９は、車両の動力学データ集約及びヒストグラムデータフレームへの圧縮のための例示的なプロセスを表すグラフ図である。

図１０は、図９のプロセスによる例示的なヒストグラムデータフレームを表すグラフ図である。

図１１は、ヒストグラムデータ要約のための例示的なプロセスを表すグラフ図である。

図１２は、欠落又は不完全なデータを訂正するためのヒストグラムデータフレームスケーリングの例示的なプロセスを表すグラフ図である。

図１３は、例示的なタイヤ摩耗モデリングストリームを表すグラフ図である。

図１４は、図１３のタイヤ摩耗モデリングストリームによる例示的なリアルタイムモデル統合を表すグラフ図である。

図１５は、タイヤ摩耗に対する例示的なニューラルネットワーク自動エンコーダアプリケーションを表すグラフ図である。

図１６Ａは、図１５の例による、ｘ軸加速度データのニューラルネットワーク自動エンコーダの圧縮及び展開の例示的な結果を表すグラフ図である。

図１６Ｂは、図１５の例による、ｙ軸加速度データのニューラルネットワーク自動エンコーダの圧縮及び展開の例示的な結果を表すグラフ図である。

図１６Ｃは、図１５の例による、車両速度データのニューラルネットワーク自動エンコーダの圧縮及び展開の例示的な結果を表すグラフ図である。

図１７は、例えば、車両位置合わせデータを使用してタイヤ摩耗分析の従来のアプローチを表すブロック図である。

図１８は、タイヤ摩耗推定の例示的なベイズ手法を表すブロック図である。

図１９は、例示的なタイヤ摩耗モデル訂正を表すグラフ図である。

図２０は、トウ角度分布のセットを構築するためのモンテカルロシミュレーションの例示的な適用を表すグラフ図である。

図２１は、キャンバ角分布のセットを構築するためのモンテカルロシミュレーションの例示的な適用を表すグラフ図である。

図２２は、例示的な前側タイヤの摩耗進行曲線のセットを表すグラフ図である。

図２３は、例示的な後側タイヤの摩耗進行曲線のセットを表すグラフ図である。

図２４は、例示的な摩耗出力のためのブラシモデルを表すグラフ図である。

図２５は、測定データとは対照的な例示的なタイヤ摩耗モデル予測を表すグラフ図である。

図２６は、本明細書に開示されるタイヤ摩耗モデル予測と、同じ制御タイヤに関する様々な屋内摩耗試験結果との間の差を表すグラフ図である。

図２７は、新しい状態及び摩耗状態における所与のタイヤについての静的固有周波数試験の例示的な結果を表すグラフ図である。

図２８Ａは、新しい状態のタイヤに対するクリート衝撃シミュレーションからの例示的な結果を表すグラフ図である。

図２８Ｂは、摩耗状態のタイヤに対するクリート衝撃シミュレーションからの例示的な結果を表すグラフ図である。

図２９は、伝達性試験からの新しい状態及び摩耗状態の両方におけるタイヤの例示的な結果を表すグラフ図である。

概して図１～図２９を参照して、発明の様々な例示的な実施形態をここで詳細に説明され得る。様々な図が、様々な共通の要素及び特徴を他の実施形態と共有する実施形態を説明することがある場合、同様の要素及び特徴は同じ参照番号を与えられ、その重複する説明は以下で省略されることがある。

本明細書に開示されるシステムの様々な実施形態は、本明細書に開示されるような摩耗及びトラクションモデルを効果的に実装するために、複数の分散データコレクタ及び（例えば、個々の車両と関連付けられた）コンピューティングノードと機能的に通信する集中型コンピューティングノード（例えば、クラウドサーバ）を含み得る。最初に図１を参照すると、システム１００の例示的な実施形態は、車両に搭載され、かつ少なくともデータを取得し、そのデータをリモートサーバ１３０に送信し、本明細書に開示される関連性のある計算を実行するように構成されたコンピューティングデバイス１０２を含む。コンピューティングデバイスは、（図示されるように）分散車両データ収集及び制御システムの一部として携帯型若しくは別様にモジュール式であってもよく、又はさもなければ、中央車両データ収集制御システム（図示せず）に対して一体的に提供されてもよい。デバイスは、プロセッサ１０４と、その上に存在するプログラム論理１０８を有するメモリ１０６と、を含んでもよい。概して、本明細書に開示されるシステムは、１台以上の車両にわたって分散された多数の構成要素を実装することができるが、例えば必ずしもフリート管理エンティティと関連付けられておらず、更に、通信ネットワークを介して車両の各々と機能的に通信する中央サーバ又はサーバネットワークを実装することができる。車両構成要素は、典型的には、例えば、コントローラエリアネットワーク（controller area network、ＣＡＮ）バスネットワークにリンクされ、それによってローカル処理ユニットに信号を提供するものとして、例えば、車両加速度計、ジャイロスコープ、慣性測定ユニット（inertial measurement unit、ＩＭＵ）、全地球測位システム（global positioning system、ＧＰＳ）トランスポンダ１１２、タイヤ圧力監視システム（tire pressure monitoring system、ＴＰＭＳ）センサ送信機１１８及び関連する搭載された受信機などの１つ以上のセンサを含み得る。説明される実施形態は、本発明の範囲を限定することなく、例示的な目的のために、周囲温度センサ１１６と、例えば、感知された気圧信号を提供するように構成されているエンジンセンサ１１４と、ＤＣ電源１１０と、を含む。

以下の考察を考慮すると、速度、加速度、制動特性などに関連する車両データを収集及び送信するための他のセンサは、当業者には十分に明らかとなるであろうし、本明細書では更に考察されない。様々なバスインターフェース、プロトコル、及び関連するネットワークは、それぞれのデータソースとローカルコンピューティングデバイスとの間の車両動力学データなどの通信について当該技術分野において周知であり、当業者は、それを実装するための広範囲のそのようなツール及び実装手段を認識するであろう。

システムは、例えば、フリート管理サーバ若しくは他のコンピューティングデバイス１４０上に存在する追加の分散されたプログラム論理、又は（例えば、視覚及び／又は音声インジケータを介した）リアルタイム通知のための車両に存在するか、若しくはそのドライバと関連付けられたデバイス（図示せず）のユーザインターフェースを含んでもよく、フリート管理デバイスは、いくつかの実施形態では、通信ネットワークを介して搭載されたデバイスに機能的にリンクしている。システムプログラミング情報は、例えば、ドライバによって、又はフリートマネージャから搭載されるように提供されてもよい。

車両及びタイヤセンサは、一実施形態では、一意の識別子を更に備えてもよく、搭載されたデバイスプロセッサ１０４は、同じ車両上のそれぞれのセンサから提供される信号を区別することができ、更に、特定の実施形態では、中央フリート管理サーバ１３０及び／又はフリートメンテナンススーパーバイザークライアントデバイス１４０は、複数の車両にわたってタイヤ及び関連する車両及び／又はタイヤセンサから提供される信号を区別することができる。換言すれば、センサ出力値は、様々な実施形態において、本明細書に開示されるような計算のために、搭載又はリモート／下流のデータストレージ及び実装を目的として、特定のタイヤ、特定の車両、及び／又は特定のタイヤ車両システムと関連付けられてもよい。搭載されたデバイスプロセッサは、図１に示すように、ホスト型サーバと直接通信することができるか、あるいは、ドライバのモバイルデバイス又はトラックに装着されたコンピューティングデバイスは、搭載されたデバイス出力データを受信及び処理／ホストされたサーバ及び／又はフリート管理サーバ／デバイスに送信するように構成されてもよい。

特定の車両及び／又はタイヤセンサから受信された信号は、本明細書に開示される方法に従って計算するために必要に応じて選択的に取り出すために、搭載されたデバイスメモリに記憶されるか、又は車載デバイスプロセッサに機能的にリンクされた等価なデータストレージユニットに記憶されてもよい。いくつかの実施形態では、様々な信号からの生データ信号は、車両からサーバに実質的にリアルタイムで通信されてもよい。あるいは、特に高周波データの連続データ伝送における固有の非効率を考慮して、データは、例えば、適切な通信ネットワークを介して、車両からリモートサーバへのより効率的な（例えば、周期的な時間ベース又は代替的に定義されたイベントベースの）伝送のために、コンパイル、エンコード、及び／又は要約されてもよい。

車両データ及び／又はタイヤデータは、通信ネットワークを介してホスト型サーバ１３０に送信されると、例えば、それと関連付けられたデータベース１３２内に記憶されてもよい。サーバは、車両データ及び／又はタイヤデータを適切な入力として選択的に取得及び処理するためのタイヤ摩耗モデル及びタイヤトラクションモデル１３４を含み得るか、又はそうでなければこれと関連付けられてもよい。モデルは、少なくとも部分的に、車両データ及び／又はタイヤデータの選択的な取得を可能にするプロセッサの実行を介して、更に、サーバと関連して記憶されているデータベース、ルックアップテーブルなどからの任意の追加のデータ又はアルゴリズムの入力のための電子通信において、実装され得る。

本明細書に開示される方法の一実施形態では、上述のシステム１００は、タイヤ性能のモデリング及び予測、並びにそれらに基づいたフィードバックの提供のために実装され得る。本方法は、車両、及び／又は車両と関連付けられた少なくとも１つのタイヤの移動データ及び／又は位置データを含む車両データを収集することと、収集されたデータに少なくとも部分的に基づいて、少なくとも１つのタイヤに対してリアルタイムで現在のタイヤ摩耗状態を判定することと、を含み得る。判定されたタイヤ摩耗状態及び収集されたデータに少なくとも部分的に基づいて、１つ以上のタイヤ性能特性が予測される。リアルタイムフィードバックは、予測された１つ以上のタイヤ性能特性及び／又は判定された現在のタイヤ摩耗状態に基づいて選択的に提供される。本明細書に開示される様々な実施形態では、これらのステップの一部又は全ては、更なる利点を提供するために、以下で考察されるように拡張され得る。

例えば、次に図２を参照すると、本明細書に開示されるシステム及び方法の実施形態は、タイヤの摩耗状態１５０と共にタイヤの簡略化されたモデル１３４Ｂを実装して、トラクション能力１６０を予測し、これは、安全運転を促進するためにユーザに中継される。簡略化されたモデルは、所与の摩擦、荷重、タイヤ圧、速度などの下でタイヤにかかる力及びモーメントを予測する。用語「タイヤ摩耗」及び「トレッド摩耗」は、例示的な目的のために本明細書において互換的に使用され得る。

トラクションモデル１３４Ｂが、特にウェット条件に対して正確となるように、トレッド深さ１５０は既知／推定されなければならない。これは、以下のいくつかの例示的な技術のいずれかによって達成され得る。

一実施形態では、タイヤ摩耗（トレッド）測定値１５０は、ユーザによって手動で行われてもよく、ユーザ入力として、搭載されたコンピューティングデバイス１０２と関連付けられたアプリ又は等価のインターフェースに、又はホスト型サーバ１３０に直接提供されてもよい。インターフェースは、例えば、特定された車両に装着された複数のタイヤの中から、選択されたタイヤに対するユーザによる摩耗値の直接入力を可能にし得る。あるいは、インターフェースは、捕捉された画像又はトレッドプロファイルと関連付けられた代替入力をユーザに促すように構成されてもよく、摩耗値は、ユーザ入力から間接的に判定されてもよい。

別の実施形態では、タイヤ摩耗測定値１５０は、例えば、ユーザからの入力を必要とせずに、タイヤに装着されたセンサによって作製され、ホスト型サーバに提供されてもよい。このようなセンサは、例えば、タイヤトレッド内又はタイヤインナーライナー上に直接装着されてもよい。

別の実施形態では、タイヤ摩耗測定値１５０は、車両の外部の１つ以上のセンサを介して提供され、再び例えばユーザからの入力を必要とせずに、クラウドサーバ１３０に送信されてもよい。一例として、１つ以上のセンサは、センサを通過するタイヤの表面上又はそれを横切ってレーザ光を投影することによって、タイヤトレッド情報を捕捉するように構成されたレーザエミッタと、反射されたエネルギーを捕捉し、それによってタイヤトレッドが判定され得るタイヤのプロファイルを取得するように構成された１つ以上のレーザ受信要素と、を備える、ドライブオーバー光学センサを含んでもよい。

別の実施形態では、例えば図２に示されるように、その例は以下の様々な実施形態において提供されるが、タイヤ摩耗値１５０は、摩耗モデル１３４Ａに基づいて推定されてもよい。摩耗モデルは、様々な物理的部分、プロセス、又はシステムの「デジタルツイン」仮想表現を含んでもよく、デジタル及び物理データがペアリングされ、例えばニューラルネットワークなどの学習システムと組み合わされる。例えば、車両からの実データ１３６及び関連する位置／経路情報は、タイヤ摩耗を推定するための車両タイヤのデジタル表現を生成するために提供されてもよく、その後、推定されたタイヤ摩耗と判定された実際のタイヤ摩耗との比較は、機械学習アルゴリズムのフィードバックとして実装されてもよい。摩耗モデル１３４Ａは、搭載されたシステム１０２介して処理するために車両に実装されてもよく、タイヤデータ１３８及び／又は車両データ１３６は、リモート摩耗推定のために、ホスト型サーバ１３０に代表データを提供するように処理されてもよい。

図２に示すタイヤ摩耗状態（例えば、トレッド深さ）１５０は、それぞれのタイヤの推定トラクション状態１６０又は１つ以上のトラクション特性１６０を提供するように構成され得るトラクションモデル１３４Ｂへの入力として、特定の車両データ１３６と共に提供されてもよい。前述の摩耗モデルと同様に、トラクションモデルは、物理的部分、プロセス、又はシステムの「デジタルツイン」仮想表現を含んでもよく、デジタル及び物理データがペアリングされ、例えば人工ニューラルネットワークなどの学習システムと組み合わされる。特定のタイヤ、車両、又はタイヤ車両システムからの実車両データ１３６及び／又はタイヤデータ１３８は、それぞれのアセットのライフサイクル全体にわたって提供されて、タイヤのトラクションを推定するための車両タイヤの仮想表現を生成してもよく、推定されたタイヤトラクションと、対応する測定又は判定された実際のタイヤトラクションとのその後の比較は、好ましくは、サーバレベルで実行される機械学習アルゴリズムのフィードバックとして実装されてもよい。

トラクションモデル１３４Ｂは、様々な実施形態において、多数のタイヤ車両システム及び入力パラメータ（例えば、タイヤのトレッド、タイヤ圧、路面特性、車両速度及び加速度、スリップ率及び角度、垂直力、制動圧及び制動負荷）の値の関連する組み合わせに対して収集された、例えば、停止距離試験結果、タイヤトラクション試験結果などを含む、従来の試験からの結果を利用してもよく、所与の現在の車両データ及びタイヤデータ入力のセットに対してタイヤトラクション出力が効果的に予測され得る。

一実施形態では、このトラクションモデル１３４Ｂからの出力１６０は、アクティブセーフティシステムに組み込まれてもよい。前述のように、データは、車両上のセンサから収集されて、トレッド深さ１５０を予測するタイヤ摩耗モデル１３４Ａに供給され、トレッド深さ１５０は、トラクションモデル１３４Ｂに供給される。本明細書で使用する、用語「アクティブセーフティシステム」は、好ましくは、衝突回避システム、高度運転補助システム（advanced driver-assistance system、ＡＤＡＳ）、アンチロック制動システム（anti-lock braking system、ＡＢＳ）などの例を含むがこれらに限定されない、当業者に一般的に知られているようなシステムを包含してもよく、これらは、最適な性能を達成するために、トラクションモデル出力情報１６０を利用するように構成され得る。例えば、衝突回避システムは、典型的には、標的車両との潜在的な衝突を回避又は軽減するために、自車のブレーキを自動的に係合することなどの、及びタイヤのトラクション能力に関する情報の強化、ひいてはタイヤ車両システムの制動能力などの回避作用をとるように構成されており、タイヤのトラクション能力、すなわちタイヤ車両システムの制動能力に関する拡張情報が極めて望ましい。

図３及び図４に示される例示的なモデルを参照することにより、各グラフは、異なる摩耗レベルで同じ仮定的なタイヤを表す２つの曲線を含む。見られるように、タイヤが摩耗するにつれて、ウェットトラクション性能が低下する。悪天候中、ユーザがハイドロプレーニングの危険にあう摩耗したタイヤに対する臨界速度がある。搭載されたディスプレイ又は等価のユーザインターフェースにリモートにリンクされたトラクションモデルを用いて、より安全な運転条件を提供するために、最大速度をユーザに通信することができる。

例えば、それぞれの摩耗状態に従って判定された、例えば、ｍｕスリップ曲線（例えば、図４を参照）などのトラクション出力情報もまた、車両制御実装のためのアクティブセーフティシステムに供給され、それによって最適化された性能がもたらされ得る。スリップ率は（（車両速度－タイヤ回転速度）／車両速度）を表し、０％のスリップ率は、フリーローリングタイヤに対応し、スリップ率１００％は、ロックホイールに対応する。タイヤｍｕスリップ曲線形状が、図４に表される「新しいタイヤ」曲線から「摩耗タイヤ」曲線まで経時的に変化すると、アクティブセーフティシステムは、もしあれば、好ましくは、タイヤ車両の性能特性を改善するためにどのような変更を行うことができるかを判定するように構成されてもよい。異なるｍｕスリップ曲線は、性能を最適化するために、アクティブセーフティシステム（例えば、ＡＢＳ）の能力に影響を及ぼす関連性のある形状及び位置特性を有するとみなされてもよく、例えば、それぞれのピーク振幅「ｍｕ」は、停止距離（より高い方がより良い）に影響を及ぼすと一般に理解される。ｍｕスリップ曲線形状の他の関連性のある特性としては、例えば、曲線のｙ軸（ｍｕ）ピークにおけるスリップ率、そのピークにおける又はピーク付近の曲率、曲線の初期勾配などを含んでもよい。

別の実施形態では、ライドシェア自律型フリートは、トラクションモデル１３４Ｂからの出力データ１６０を使用して、悪天候中に使用から浅いトレッド深さを有する車両を無効にするか、又はそうでなければ選択的に除去するか、又は潜在的にそれらの最大速度を制限することができる。図３に表される例示的なモデルを参照すると、ピーク摩擦係数が０．２５の閾値を下回ることなく、１時間当たり１００マイルを超え得る「新しい」状態を有するタイヤと比較して、「摩耗」状態を有するタイヤは、ピーク摩擦係数が０．２５の閾値を下回る、１時間当たり～５５マイルのハイドロプレーニング臨界速度で特定されることに留意されたい。したがって、システムは、そのような状態まで摩耗した１つ以上のタイヤを含む車両の速度を制限することができる。車両がライドシェア自律型フリートの一部であり、ユーザが上げられた最低速度を必要とする経路（例えば、ハイウェイ）に沿った厳しい気象条件中に乗車を求める場合、システムは、特定のトレッド深さ未満であるか、又はそうでなければ不十分なトラクション能力を有する車両の配備を無効にするように構成されてもよい。図５に示されるように、例示的な自律型車両フリートは、様々な最小トレッド状態値を有する多数の車両を含んでもよく、フリート管理システムは、最小閾値を下回る車両の配備を無効にするように構成されてもよい。このシステムは、車両と関連付けられた複数のタイヤの各々の最小タイヤトレッド値に作用するように構成されてもよく、又は一実施形態では、最小閾値と比較するために、複数のタイヤの集約されたトレッド状態を計算してもよい。

別の実施形態では、フリート管理システムは、各タイヤの停止距離ポテンシャルをより良好に理解することによって、車間距離をより良好に最適化して、最大燃料節約を達成するなど、車両の規定された隊列に対して、トラクションモデル１３４Ｂからの出力データ１６０を実装してもよい。当業者であれば、車間距離を最小化することにより、隊列内の全ての車両に対する空気抵抗が低減され、それによってそれぞれの燃料経済を改善することができることを理解することができる。具体的には、隊列に２つを超えるトラックが含まれ、開示された車両隊列化方法の改善は、望ましくは、より従来の「１つのサイズを全てに適用」アプローチを超える車間距離の低減を促進することができる。大部分の燃料節約は、典型的には、～２０メートル未満の車間距離、トラクション／制動能力を判定するための従来の技術を使用して、悪天候中に維持するのが困難又は不可能であり得る距離で取得されてもよい。安全な車間距離をより効果的に判定することによって、過酷な気象条件の場合でも、隊列化に費やされた時間の割合も増加し得る。

一実施形態では、アクティブセーフティ又は隊列車間距離情報は、各それぞれの車両と関連付けられた車両制動制御システム又は車両隊列制御システム１２０に提供されてもよい。車両隊列の文脈において、隊列と関連付けられた単一の車両は、車間距離情報及び／又は特定の車両制御情報を受信し、そうでなければ従来の車両間通信システム及びプロトコルを介して隊列内の他の車両にその情報に沿って通過することであってもよい。本明細書に開示されるシステムによって提供される車間距離情報は、所与の車両又は車両の隊列に対する車両隊列制御システムが、監視された交通イベント、道路条件、及び所与の実施形態のトラクション状態判定の範囲外であり得る他の周囲条件に基づいて、車間距離設定を更に変更し得ることを理解した上で、例えば、隊列内の車両のそれぞれのトラクション状態に基づいた公称又は最小の有効車間距離設定とみなされてもよい。例えば、通常の運転条件下で所与の車両に対して許容可能であり得る第１の車間距離は、必ず、走行される道路の勾配の変化、又は隊列内の任意の１台以上の車両による制動イベントの危険性の高まりなどの監視されたリアルタイムイベントに基づいて増加してもよい。

車両隊列制御システム１２０の構成要素は、当該技術分野において一般的に知られており、例えば、車両制動制御システム、衝突緩和システム、車両間通信、及び（隊列又は隊列ではない標的車両内の別の車両に対して）自車の現在の車間距離などの車両データを監視するように集合的に構成された１つ以上のセンサと、を備え、当該対象車両のそれぞれの種類、自車の相対加速度又は減速値、自車の制動アクチュエータに対する圧力値などが挙げられる。

上記のように、方法の様々な実施形態は、摩耗モデル１３４Ａに基づいてタイヤ摩耗値１５０を推定することができる。現在の摩耗モデルは、タイヤの摩耗寿命を正確に投影するためにシステムに関するいくつかの入力を必要とし、非常に高い周波数データを使用して発展される。しかしながら、（例えば、個々の車両と関連付けられた）分散データコレクタから集中型コンピューティングノード（例えば、クラウドサーバ）に高周波数データを送信することは、非常に高価である。

図７及び図８の例示的な目的を参照すると、それらに提示されるデータは、摩耗率の推定についての信号解像度の影響を説明する。これらのプロットを構築するために、ソースデータをダウンサンプリングして、データの解像度を低減する。これらの例におけるダウンサンプリングは、単にソースデータを間引くことによって実行される。ソースデータは、距離領域においてサンプル当たり１メートルの解像度、又は４５ｍｐｈの速度でおよそ２０Ｈｚの解像度を有する。Ｘ軸は、サンプル当たり１メートルからサンプル当たり１千メートルまでの範囲を示している。Ｙ軸は、摩耗推定における相対誤差を示している。

両方の図において、データセットはそれぞれ、Ｔｕｒａｎｚａ ＥＬ４００ Ａｌｌ－Ｓｅａｓｏｎタイヤを使用して、Ｔｏｙｏｔａ Ｃａｍｒｙフロントホイール駆動車両の４つ全てのタイヤにそれぞれ対応する。図７では、データは、都市部と高速道路との混合上の「平均的な北米ドライバ」を表し、予測された摩耗率が低いほど、一般に摩耗予測の精度が低いことに対応する。図８では、データは、都市部のタクシーフリートを表し、走行マイルの大部分は都市部の運転コンテキストにあり、前のデータセットに対してより高いサンプリングレートが明確に要求される。

示された結果は、データの単純なダウンサンプリングが、データ記憶及び伝送要件を低減する信頼性があり、ロバストであり、効率的な方法ではないことを示している。良好な予測を達成するために必要とされる最小解像度は、運転経路（例えば、都市部が支配的か、及び都市部と高速道路の混合か）及び運転スタイルに強く依存する。加えて、必要とされる最小解像度はまた、車両上のタイヤの位置（例えば、左前、右前など）にも依存する。

したがって、当業者は、より複雑な戦略の望ましさが、車両の動力学データの記憶及びタイヤ摩耗推定の伝送効率を最大化すると理解されよう。

本明細書に開示される例示的なタイヤ摩耗モデル１３４Ａは、高周波数又は代替の低周波数源からのデータを低周波数データに、経路データなどのデータを要約することができ、このデータは、費用効率の良い様式でこのより低い周波数でクラウドに送信することができ、直接的な摩耗モデリングを可能にする。特定の実施形態では、例えば、摩耗推定特徴を圧縮／低減されたデータセットにエンコードすることによって、方法をよりロバストかつフィールド条件に対して適応的にする適応的解決策によって改善された効率を達成することができる。

一実施形態では、リアルタイムの車両動力学データは、車両上のセンサから収集され、次いで、フィルタリングされ、要約されたバケット内にダウンサンプリングされて、関連性のある力のヒストグラムを作成することができる。例えば、生の加速度計データは、ダウンサンプリングされ、生データを粗レベルで表すヒストグラムに集約されてもよい。

例えば図９に示されるように、リアルタイムの車両動力学データ３１０は、時間及び／又は距離のウィンドウ３２０にコンパイルされてもよい。コンパイルされたデータは、ヒストグラムデータフレーム３３０に更に集約されてもよい。説明される実施形態におけるデータフレーム３３０は多次元であり、車体加速度及び車体速度を含む。ヒストグラムの各点は、その条件で費やされた時間又は距離を表す。ヒストグラムのビンは、摩耗計算精度を最大化し、例えば、単純に等間隔又は非線形のビンレイアウトを実施するために、データ記憶及び転送コストを更に最小化するように最適化されてもよい。

図１０は、横方向車両加速度と関連付けられた第１の次元、及び前後車両加速度と関連付けられた第２の次元を有するヒストグラムデータフレームの例を説明する。この例における個々の点は、対応する条件で費やされた時間又は距離を表すように色分けされる。

次に図１１を参照すると、摩耗は累積プロセスであるため、時間及び／又は距離における特定のイベント間のデータを要約することが有用である。関連性のあるイベントの例としては、車両トリップ、タイヤトレッド深さ測定イベント、タイヤ回転イベント、タイヤ装着イベント、車両メンテナンスイベント、日／月／年要約、走行マイル合計（５ｋ、１０ｋ，２０ｋマイルなど）を含み得るが、これらに限定されない。ヒストグラムデータフレーム３３０は、（転送後）クラウド内の静的データ又は（データが転送される前の）一時的なデータに使用することができる、可撓性及び効率的な要約を可能にする。

残念ながら、車両システム及び通信システムからのデータは、多くの場合、又は更には本質的に信頼できない。当業者は、データが欠落している場合又は破損している場合に、ソフトウェアシステムを予測可能かつロバストに設計する望ましさを理解することができる。摩耗は累積プロセスであるため、欠落データは摩耗計算の問題を提起する。本実施形態に従って開示されるヒストグラムデータフレーム３３０は、欠落データの効率的な補償を可能にする。

次に図１２を参照すると、データの欠落したサブセットを有する複数のヒストグラムデータフレーム３３０を要約して、収集された数のデータフレームに対する見込まれるデータフレームの数でデータフレームをスケーリングすることによって更に訂正することができる部分データフレーム４３０を生成することができる。結果（訂正されたデータフレーム４４０）は、ドライバの挙動の平均である。

上記のように、また、ここで図１３に表されるタイヤ摩耗モデリングストリーム、及び図１４に示される例示的なリアルタイムモデル積分を参照して、車両動力学系列データ７１０を車両上の又は車両と関連付けられた１つ以上のセンサを使用して取得することができる。次いで、タイヤモデル７２０へのリアルタイム車両を使用して、各タイヤにかかるタイヤ力をシミュレートすることができる。更に、タイヤのモデルを利用して摩耗率シミュレーション７３０を生成することができる。そのようなモデルの両方は、リアルタイムの時間／距離系列データ又は集約されたデータフレーム上のいずれかで実装され得る。モデルのシミュレーション結果は、データフレーム形態で記憶又は送信され得る。

図１４の例は、タイヤ力及びタイヤ力データフレーム８３０の送信のリアルタイムシミュレーションを示す。本実施形態の範囲は、必ずしもこれに限定されるものではなく、当業者であれば、様々な使用ケースの代替的な方策を理解することができる。

本明細書に開示される多数の実施形態は、車両動力学データに基づいて各タイヤにかかる力をシミュレートするが、本発明の範囲は、特に別途記載のない限り、これに限定されないことに留意されたい。換言すれば、このようなデータが所与の用途で利用可能である場合、少なくとも１つのタイヤにかかる１つ以上の力に対応する生データを提供することは、本発明の範囲内である。

本明細書に開示される方法の別の実施形態では、車両動力学データは、フィルタリングされ、ダウンサンプリングされ、車両がどのように運転されるかを表す「ドライバの激しさ」値のサブセットに集約されてもよい。これらの値は、生データから抽出され、特にドライバの挙動の所定の摩耗性能特性を捕捉する。抽出された挙動特徴は、下流（例えば、ホストのサーバベース）摩耗モデルによって更に処理される。クラウドに送信する前に生データから抽出された特徴としての挙動値は、本明細書に開示される他の実施形態に従って、任意選択的に、他の形態の要約又は圧縮されたデータを補完するか、そうでなければ補完することができる。

別の実施形態では、車両からの低周波数ＧＰＳデータは、クラウドサーバに送信されてもよく、経路は逆マッピングアルゴリズムで再構成され、様々な運転条件（高速道路、右左折、制動など）で費やされた時間を理解するために、時間系列ヒストグラムに供給される。前述の実施形態と同様に、クラウドに送信する前に収集又は抽出された車両位置データは、本明細書に開示される他の実施形態に従って、任意選択的に、他の形態の要約又は圧縮されたデータを補完するか、そうでなければ補完することができる。

別の実施形態では、低周波数ＣＡＮデータを集約して、摩耗状態を計算するために使用される様々な運転条件で費やされた時間をカウントすることができる。上記の２つの実施形態と同様に、クラウドに送信する前にイベントベースの運転検出の形態で特徴抽出することは、本明細書に開示される１つ以上の他の実施形態に従って、他の形態の要約又は圧縮されたデータを補完するか、そうでなければ補完することができる。

別の実施形態において、ここで図１５を更に参照すると、ニューラルネットワーク自動エンコーダ９００は、第１の（すなわちエンコーダ）層９２０において入力ＣＡＮバス信号９１０を変換及び圧縮し、圧縮されたデータをクラウドに伝達した後に、タイヤ摩耗モデルによって使用するために第２の（すなわち、デコーダ）層９４０においてデータを更に再構築して、タイヤ性能を予測することができる。３つのグラフ図に更に説明されるように、第１の車両加速度データストリーム（図１６Ａに示すｘ軸加速度）、第２の車両加速度データストリーム（図１６Ｂに示すｙ軸加速度）及び車両速度データストリーム（図１６Ｃに示す）は、非常に高い精度でそれぞれの元の信号に圧縮及び再構築することができる。各図において、生データ及び再構築されたデータは、この精度を強調するためにオーバーレイされる。

ニューラルネットワーク自動エンコーダ９００は、データ次元性の低減を実施するために当該技術分野において周知であり、典型的には多数の層対を含む。入力層９１０は、中間層９３０に達するまで、後続の層を有するエンコード層９２０を介して低減される第１のサイズを有し、その後、第１のサイズを有する出力層９５０まで、デコード９４０を介して層サイズが増大する。本明細書に開示される自動エンコーダの例示的な使用は、第２の層９５０に設計及び付加される特殊化された第３の（すなわち、摩耗推定）層９６０を更に含むという点で、従来の配置から変化し得る。特殊化された第３の層９６０は、生ＣＡＮバス信号を瞬間的な（実際の）摩耗率９７０に変換する摩耗率計算を実装するように構成されている。例えば、摩耗層は、物理的システムに関する特定の車両及びタイヤ情報を含む独自仕様の式を含んでもよい。元の車両動力学データ信号は、ニューラルネットワークの第１及び第２の層を介して非常に高い精度で再構築することができるため、追加の第３の（摩耗専用の）層も同様に非常に正確にすることができる。

この第３の層９６０は、第１の（エンコード）層９２０及び第２の（デコード）層９４０が、摩耗を推定するために経時的に具体的に訓練されることを更に可能にし得る。訓練プロセス中、エンコード層及びデコード層は、摩耗計算に最も重要な情報を捕捉及び記憶することを学習する。例えば、推定瞬間摩耗率又は予測された摩耗率を実際の摩耗率と比較して、モデル誤差値９８０を生成することができる。フィードバックループ９９０は、第１の層９２０及び／又は第２の層９４０におけるモデル重み及びバイアスを更新するためにモデル誤差値を自動エンコーダに提供する。第３の層９６０は、タイヤ摩耗の推定又は予測に特有の重みを介して伝搬する。

別の言い方をすれば、第３の層９６０を従来の自動エンコーダの端部に（すなわち、第２の層９４０の後に）付加することにより、ニューラルネットワークは、タイヤ摩耗を予測するために使用されるＣＡＮバス信号を最良に変換する方法の表現を学習することを可能にし、一方、従来の自動エンコーダは、単に、元の信号の直接逆流のための最良の表現を学習するであろう。例えば前述のフィードバックシステムを介して経時的に学習される、改善されたエンコード層を用いて、データは、デコード層がタイヤ摩耗を推定又は予測するための最適な信号を生成することを可能にするようにエンコードされる。

このネットワークアーキテクチャは、ネットワークが、ネットワークを介してそれらの特徴を効率的に伝搬するために、物理的に最も重要な信号特徴及びパターン（ピーク、谷、交差信号関係など）を学習することを可能にし得る。

別の実施形態では、システムは、生データストリームについてフーリエ変換を実行し、最も関連性のある周波数を抽出するように構成されてもよい。これらの周波数及び付随する振幅は、全生データ状態を再構築するために、クラウドへの送信後に更に使用され得る。

本明細書に開示される別の例示的な実施形態は、更に、図１７～図２３を参照することによって、タイヤ摩耗の特性評価及び予測におけるベイズ法の使用に関する。このアプローチの基礎は、確率分布としての摩耗（運転スタイル、車両位置合わせ設定、経路、路面、環境条件、タイヤの製造のばらつきなど）の原因となる要因の表現である。確率分布としてこれらを表現する根拠は、これらの要因の各々において観察される変動がノイズではないが、摩耗に関して観察される自然な変動を真に表すということである。例えば、より慎重である第２のドライバに対して、押しの強い第１のドライバ（アクセル及びブレーキを強く踏む）によって使用される同じタイヤは、非常に異なるタイヤ摩耗寿命を経験する。これら２人のドライバの平均表現は、従来の予測モデルと共に使用されるときに、いずれの場合も個別に適用されたときに不十分である予測を生成する。

このような原因因子の確率的表現の効果は、摩耗アルゴリズムによって行われる予測も確率的であること、すなわち、予測も分布であることである。予測を報告する際に分布を使用するいくつかの利点がある。最初に、予測が、それらの不確実性の尺度、すなわち、トレッド摩耗が４．１ｍｍ＋／－０．０５ｍｍであるか、又は摩耗予測が５５，０００マイル＋／－３０００マイルである（両方の範囲は、９５％又は９８％などの特定の信頼度レベルに対応し得る）ことを搬送することができる。第２に、ベイズ推論を使用して、観測結果に基づいてこれらの分布を更新することができる。このような観測結果は、例えば、予測される変数（例えば、トレッド深さの測定値）又は入力変数（運転スタイルを特徴付ける加速度）についてのものとすることができる。この推論の値は、以下に更に説明されるモデル又は関連システムが、予測、並びに、例えば、特定の走行距離、又は関連するタイヤを使用した走行に費やされた時間に対して、経時的にそのような予測における信頼度の更新を継続することができるものである。

図１８の概略図を参照すると、例示的なプロセスフローは、図１７に表される従来のアプローチと比較することによって説明され得る。車両のホイール及びタイヤ摩耗に関するサスペンション設定などの要因の確率分布を生成し、同じ要因の特定の目標値又は測定値とは対照的に、車両モデルに供給することができる。このような要因の一例は、車輪の中心線に対するそれぞれのホイールの中心を通る路面の法線からホイールの中心線に対する角度として知られるキャンバ角である。このような要因の別の例は、それぞれの車両の長手方向軸に対するタイヤの角度として知られるトウ角である。

これらの初期範囲から、更なる確率分布は、これも同じ力の個々の値とは対照的に、関連するタイヤにかかる複数の関連性のある力（例えば、トラクション又は長手方向力Ｆｘ、横方向力Ｆｙ、垂直力又は法線力Ｆｚ）及び／又はモーメント（例えば、転倒トルクＭｙ、位置合わせトルクＭｚ）の各々に関して、そうでなければ、各々に対応して生成することができる。この力分布は、タイヤ摩耗モデルに供給されてもよく、ここでは、ベースライン値のみとは対照的に計算された不確実性の範囲（例えば、＋／－０．３ｍｍ）を有するベースライン値（例えば、５．８ｍｍ）に従って走行される所与の距離（例えば、１５０００ｋｍ）に対して、トレッド深さが推定される。

上述の概略図に示されるように、トレッド深さの確率分布は、その後観測結果に基づいて更新され得る。この更新は、ここで示されるベイズ定理の表現を使用して実装され得る。

ベイズフィルタリング手法は、例えば、センサデータストリームにおける全ての以前の対応する測定値を考慮して所与の測定値の尤度を判定することが当該技術分野において既知である。ここで、用語「モデル」は、モデルのパラメータを指し、用語「観測結果」は、モデルに関与する任意の／全ての変数について行われる測定値を意味する。前述の式によれば、タイヤ摩耗予測に関する情報は、実際の測定値を使用して経時的に更新することができる。換言すれば、この手法を使用して、特定のタイヤ要素及び／又は車両タイヤシステムでとられたあらゆる測定値でモデル予測を「訂正」することができる。例えば、トレッド深さ測定値が定期的に収集され、本明細書に開示されるシステム及び方法に従って適用するために送信されるか、そうでなければコンパイルされる場合、このような測定値は、不確実性を低減し、経時的なより良好な予測を可能にするように実装することができる。

次に図１９を参照すると、ティア摩耗予測における訂正がトレッド深さ測定値と共に定期的に提供されてもよく、摩耗予測における不確実性は、それに対応して低減される。トレッド深さ（又は等価のタイヤ摩耗に関する因子）の測定値が経時的に収集されると、潜在的な代替モデル又は時系列曲線が、所与のタイヤ、車両ドライバタイヤシステムなどに対して、関連性において効果的に除外又は最小化されてもよく、その後のタイヤ摩耗推定値が、より正確に、かつそれらのそれぞれの結果における不確実性をより少なくして提供され得る。

説明されるように、摩耗予測曲線は、取り囲む摩耗予測不確実性Ｕ０を有する（ｙ軸に沿った）第１の点から進行する。その後のトレッド深さ測定後、訂正された摩耗予測曲線が、摩耗予測における不確実性Ｕ１の低減された低減されたレベルと共に生成される。この例では、不確実性Ｕ１の第２のエンベロープは、完全に第１のエンベロープ内に入る。別のトレッド深さ測定後、第３及び更なる訂正された摩耗予測曲線が、摩耗予測における不確実性Ｕ２の更に低減されたレベルと共に生成される。

次に図２０及び図２１を参照すると、モンテカルロアプローチの例示的な適用が、確率分布を構築し、それらの分布を使用して、摩耗進行曲線の分布を生成するように表される（例えば、図２２に示される例示的な前側タイヤの摩耗進行曲線、及び図２３に示される例示的な後側タイヤの摩耗進行曲線を参照のこと）。換言すれば、車両位置合わせ設定における所与の変動について、アプローチは、摩耗進行の対応する変動を判定しようとする。特定の説明されるケースでは、入力は、トウ角及びキャンバ角に対してのみの独立した法線分布と想定されており、それ以外は単一の点として知られている。本明細書で説明ためにトウ角及びキャンバ角が選択されているが、別の方法で特に断らない限り、代替又は追加の車両及び／又はタイヤ設定がタイヤ摩耗モデルに好適であり、したがって、本明細書に開示されるシステム及び方法によって実施されてもよいと理解されよう。

特に、図２３の後側タイヤの進行曲線を参照すると、中央曲線は、公称トウ角／キャンバ角設定を表し、取り囲む領域は、それぞれの初期摩耗率Ｅｗに対応する１万個の個々の摩耗進行曲線を表す。観測され得るように、走行マイルが増加すると、摩耗進行における変動もまた、それに対応して増加する。根本的要因の値の定期的測定を実装することによって、個々の摩耗進行曲線の適切なサブセットを、経時的に確実性を増加させて特定することができ、タイヤ摩耗状態を、比較的少数の実際の測定値のみで正確に予測することができる。

したがって、トレッド深さ又は他の関連する要因の更なる定期的測定は、リアルタイムのフィードバックをユーザ（例えば、フリートマネージャ、エンドユーザ）に提供し、タイヤ内に残された摩耗寿命を予測し、タイヤに残っている価値を更に最大化する能力を向上させる。

確率分布を補完するためのタイヤ摩耗（例えば、タイヤトレッド深さ）と関連付けられた定期的測定は、直接（ユーザ及び／又は１つ以上のセンサを介して）直接行われてもよく、及び／又はそうでなければ本明細書に説明されるようなタイヤ摩耗モデル及び技術に従って推定してもよい。

本明細書に開示される方法の別の例示的な実施形態は、更に、図２４～図２６を参照することによって、タイヤ摩耗の特性評価及び予測におけるブラシ型分析の使用に関する。ブラシ型モデルは、タイヤ（例えば、カーカス）のベース材料から外向きに延在する独立した「ブラシ毛」としてトレッド要素をモデル化する論理物理的背景を有する単純化されたタイヤモデルである。ブラシ型モデルは、路面とベース材料との間の接触界面をモデリングする複雑性を大幅に低減し、モデル化されたトレッド要素は、様々な測定可能な方向（例えば、長手方向、横方向、垂直方向）に変形することができ、タイヤが摩耗する際に実際のタイヤ内で生じる一次効果（トレッドブロック補強及び接触面積増加）を捕捉することができる。代替的な実施形態では、タイヤ摩耗の特性評価及び予測は、例えば有限要素分析（ＦＥＡ）などの他の物理学に基づくタイヤ摩耗モデルを使用して実装することができる。

本明細書に開示される方法の一実施形態は、トレッド深さが減少するにつれて摩耗速度がどのように変化するかを単に予測するのではなく、所与の条件下でのタイヤの絶対摩耗率を更に有利に予測する。これは、元のトレッド深さ（すなわち、初期摩耗率）での摩耗率に対して、現在の正規化する（例えば、定期的、そうでなければ更新された測定に基づいて）モデル化された摩耗率を正規化する少なくとも部分的に達成される。

例えば、図２４のグラフ図を参照すると、モデルの例示的な出力が、ｙ軸上の正規化された摩耗率比、及び２つの異なるタイヤに対するｘ軸上のトレッド損失と共に説明される。初期摩耗率は、システムへの入力として提供され、例えば、ＦＥＡ段階、機械学習モデルなどから提供されるが、これらに限定されないものから提供されてもよく、所与のタイヤの寿命のためのトレッド深さ進行を予測することができる。

次に図２５を参照すると、屋外摩耗試験を介して、同じタイヤ／車両／車両タイヤシステムの測定データと比較して、摩耗参照タイヤをシミュレートするためにこの予測的方法を使用するときに説明される。円形マーカーは、各検査走行マイルでの制御タイヤ試験結果の平均トレッド深さを示し、その一方で、下にある実線は、初期トレッド深さに対して正規化され、更にブラシ型モデルを介して、予測されたトレッド深さを表す。

図２６に更に表される妥当性検証データは、本明細書に開示されるハイブリッドブラシ型モデルなどの例示的なタイヤ摩耗モデルに対する許容可能なモデルフィットを更に示す。このケースでは、特定の制御タイヤの予測結果と屋内摩耗試験結果との差は、トレッド深さが検査された各走行マイルに対して０．２５ｍｍ未満であった。

本明細書に開示されるハイブリッドブラシ型モデルは、極めて高速かつ効率的であり、実質的にリアルタイムで実行することができる。この試験結果は、今のところモデルが非常に異なるタイヤ設計に対して摩耗進行を正確に予測していることを示す。例えば、元のトレッド深さ及び様々なトレッド深さにおける接触／空隙面積など、比較的少ない数の入力のサブセットのみが必要である。この情報は、例えば、トレッドパターンの３Ｄモデル、又は屋内若しくは屋外摩耗について試験されたタイヤごとに典型的に提供されるタイヤの周方向トレッド摩耗撮像システム（circumferential tread wear imaging system、ＣＴＷＩＳＴ）測定から取得することができる。

一実施形態では、他のタイヤに関する閾値イベントは、本開示の範囲内の警告及び／又は介入について予測及び実装することができる。例えば、システムは、上述のように受信及び処理された時系列入力、予測されたタイヤ摩耗などに基づいて、所与の車両に対して推奨される他のサービスを特定することができる。このようなサービスの例としては、タイヤ回転、位置合わせ、膨張などを含んでもよいが、これらに限定されない。システムは、個々の閾値、閾値のグループ、及び／又は所定のパラメータに対する非閾値アルゴリズム比較に基づいて、警告及び／又は介入推奨を生成してもよい。

一実施形態では、本開示の範囲内の警告及び／又は介入のために、最適なタイヤの種類及び／又はタイヤパラメータを予測し、実装することができる。例えば、システムは、上述のように受信及び処理された時系列入力、予測されたタイヤ摩耗などに少なくとも部分的に基づいて、車両用途（都市部での運転のより高いインスタンス、高速道路での運転のより高いインスタンスなど）及び／又は運転スタイルを特定することができる。システムは、特定のタイヤが、車両の種類だけでなく、特定された車両用途及び／又は運転スタイルにも基づいて、所定の車両に対してより適切であると判定し、更に、その上に少なくとも部分的に基づいて警告及び／又は介入推奨を更に生成することができる。

上記のように、タイヤ情報は、所与のタイヤ又は関連する車両に装着された１つ以上のセンサから提供されてもよい。１つ以上のセンサは、例えば、タイヤの内側ライニング又は車両スピンドルに直接装着された加速度計であってもよい。センサからの出力信号は、例えば、ユーザからの入力を必要とせずに、ホスト型サーバに提供されてもよい。

ここで図２７～図２９をより具体的に参照すると、タイヤのトレッド深さを推定するための別の例示的な技法が本明細書に開示される。当業者であれば、タイヤが摩耗して質量を損失するにつれて、モーダル周波数は、質量の損失に直接関連するか、又は質量の損失と相関され得る様式で変化すると理解することができる。この原理は、１自由度質量バネシステムを考慮したときに明らかであり、ここで、固有周波数は、バネ剛性の平方根を質量で割ったものに等しい。質量が減少するにつれて、固有周波数が増加する。タイヤの構造モードのためのこの同じ原理を使用して、質量の損失は、以下により、モーダル周波数シフトに基づいて判定することができる。

ここで、Δｍは、質量変化であり、ｍは、新しいときの質量であり、ωｎは、固有周波数である。

モーダル周波数は、（上記のように）タイヤに取り付けられた加速度計を有する、又は車両のスピンドルに取り付けられた加速度計を有する、いくつかの方法によって特定することができる。タイヤ構造モードはまた、様々な様式で励起されてもよく、例えば、物体とのタイヤの制御された衝撃（ハンマー、タイヤのキッキングなど）、電気的励起、障害物の上を走ること（例えば、クリート又はスピードバンプ）、及び／又は粗面の上を車両とタイヤとの組み合わせで走らせることであり得る。特定の実施形態では、車両とタイヤとの組み合わせの動作中にランダム励起イベントが起こってもよく、センサからの出力信号を収集し、記憶し、及び／又は処理してタイヤ摩耗を推定してもよい。

図２７は、所与のタイヤがハンマーによって衝撃を受け、加速度計がタイヤの内側ライナーに取り付けられた静的固有周波数試験からの例を説明する。衝撃と関連付けられた振動は、示されるように、パワースペクトル密度（Power Spectral Density、ＰＳＤ）波形を有する加速度計からの出力信号を生成する。所与の衝撃に対するＰＳＤ波形は、関連する出力信号に対する周波数分布を表す。加速度計は、信号処理回路によって等価の加速度信号に変換され得る出力電圧を提供するように構成されてもよい。これらの時間領域信号は、例えば、高速フーリエ変換を使用して、周波数領域に更に変換され得る。パワースペクトルにおける周波数応答関数は、典型的には、デシベル（decibel、ｄＢ）スケールで表される振幅情報を含み得る。

所与のタイヤの新しい状態及び摩耗状態のそれぞれの波形からの周波数スペクトルにおける対応するピークは、その間のトレッド損失による周波数シフトを説明するために強調されている。この例では、上記の式から計算された質量損失は、０．４７４キログラム（ｋｇ）であり、実際の測定値の０．４６７ｋｇと実質的に同一であった。様々な実施形態において、質量損失をトレッド損失に関係付けるために追加のステップが実装されてもよく、あるいは、所与のタイヤのトレッド深さに対するモーダル周波数シフトの相関を実行することがより信頼性が高いことがある。

例えば、両方の伝達率試験（ベースがランダム入力によって励起される）及びクリート衝撃（タイヤがクリートを乗り越える）からの同様の周波数シフトを示す有限要素分析（Finite Element Analysis、ＦＥＡ）シミュレーションもまた、実行されている。

図２８Ａは、時間に対する垂直力の変動を説明する第１のグラフ、及び周波数の範囲（Ｈｚ単位）に対する高速フーリエ変換（ＦＦＴ）の大きさを説明する第２のグラフを用いた、新しいタイヤのためのクリート衝撃シミュレーションからの結果を表す。

図２８Ｂは、摩耗状態の同じタイヤに対するクリート衝撃シミュレーションからの対応する結果を表し、モーダル周波数シフトは、新しい状態と摩耗状態との間で容易に観測可能である。

図２９は、周波数のスペクトルに対する伝達率（ｄＢ単位）を説明する、所与のタイヤの新しい状態及び摩耗状態の伝達率シミュレーションからの結果を表し、モーダル周波数シフトは、新しい状態と摩耗状態との間で容易に観測可能であり、周波数シフトは、質量の変化、したがってタイヤ摩耗／トレッド深さの変化を推定するために適用され得る。

前述の例示的なケースの各々において、説明される結果は、同じタイヤについてのものであり、同じ周波数のシフトは、摩耗したタイヤモデルと新しいタイヤモデルとの間で観測され、開示されたタイヤ摩耗モデルで実装される。

本明細書及び特許請求の範囲を通して、文脈がそうでない旨を指示しない限り、以下の用語は、少なくとも、本明細書に明示的に関連する意味をとる。以下で識別される意味は、必ずしも用語を限定するものではなく、単に用語の例示的な例を提供するものである。「ａ」、「ａｎ」、及び「ｔｈｅ」の意味は、複数の参照を含んでもよく、「ｉｎ」の意味は、「ｉｎ」及び「ｏｎ」を含んでもよい。本明細書で使用されるとき、「一実施形態では」という語句は、必ずしも同じ実施形態を指すものではないが、指すこともあり得る。

本明細書に開示される実施形態に関連して説明される様々な例示的な論理ブロック、モジュール、及びアルゴリズムステップは、電子ハードウェア、コンピュータソフトウェア、又はそれらの両方の組み合わせとして実装することができる。ハードウェアとソフトウェアのこの互換性を明確に説明するために、様々な例示的な構成要素、ブロック、モジュール、及びステップは、一般に、それらの機能性に関して上述されている。そのような機能性がハードウェアとして実装されるかソフトウェアとして実装されるかは、特定の適用例、及びシステム全体に課される設計上の制約に依存する。説明された機能性は、それぞれの特定の適用例ごとに様々な方式で実装することができるが、そのような実装決定は、本開示の範囲からの逸脱を引き起こすものとして解釈されるべきではない。

本明細書に開示される実施形態に関連して説明される様々な例示的な論理ブロック及びモジュールは、汎用プロセッサ、デジタル信号プロセッサ（digital signal processor、ＤＳＰ）、特定用途向け集積回路（application specific integrated circuit、ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（field programmable gate array、ＦＰＧＡ）若しくは他のプログラマブル論理デバイス、個別ゲート若しくはトランジスタ論理、個別ハードウェア構成要素、又は本明細書に説明される機能を実行するように設計されたそれらの任意の組み合わせなど、機械によって実装又は実行することができる。汎用プロセッサは、マイクロプロセッサであってもよいが、代替として、プロセッサは、コントローラ、マイクロコントローラ、又はステートマシン、それらの組み合わせなどであってもよい。プロセッサはまた、コンピューティングデバイスの組み合わせ、例えば、ＤＳＰとマイクロプロセッサとの組み合わせ、複数のマイクロプロセッサ、ＤＳＰコアと連携する１つ以上のマイクロプロセッサ、又は任意の他のそのような構成の組み合わせとして実装することもできる。

本明細書に開示される実施形態に関連して説明される方法、プロセス、又はアルゴリズムのステップは、ハードウェアで直接具現化するか、プロセッサによって実行されるソフトウェアモジュールで具現化するか、又はこれら２つの組み合わせで具現化することができる。ソフトウェアモジュールは、ＲＡＭメモリ、フラッシュメモリ、ＲＯＭメモリ、ＥＰＲＯＭメモリ、ＥＥＰＲＯＭメモリ、レジスタ、ハードディスク、取り外し可能ディスク、ＣＤ－ＲＯＭ、又は当該技術分野において既知の任意の他の形態のコンピュータ可読媒体内に常駐することができる。例示的なコンピュータ可読媒体は、プロセッサがメモリ／記憶媒体から情報を読み取り、メモリ／記憶媒体に情報を書き込むことができるように、プロセッサに結合され得る。代替として、媒体はプロセッサと一体であってもよい。プロセッサ及び媒体は、ＡＳＩＣ内に存在することができる。ＡＳＩＣは、ユーザ端末内に存在することができる。代替として、プロセッサ及び媒体は、ユーザ端末内の別個の構成要素として存在することができる。

本明細書で使用される、とりわけ、「できる（can）」、「かもしれない（might）」、「場合がある（may）」、「など（ｅ．ｇ．）」など、条件付き文言は、特に別途記載のない限り、又はさもなければ使用される文脈内で理解されない限り、特定の実施形態が、特定の特徴、要素、及び／又は状態を含むが、他の実施形態は、それらの特定の特徴、要素、及び／又は状態を含まないことを伝えることを概して意図する。したがって、そのような条件付き文言は、特徴、要素、及び／又は状態が、１つ以上の実施形態のために何らかの方式で必要とされることを示唆することを概して意図せず、また、１つ以上の実施形態が、オーサー入力又はプロンプティングを用いて又は用いないで、これらの特徴、要素、及び／又は状態が、何らかの特定の実施形態に含まれるか又はそれにおいて実行されるべきかどうかを決定するための論理を、必ず含むことを示唆することを概して意図しない。

本発明の特定の好ましい実施形態は、典型的には、フリート管理システム、より具体的には自律型車両フリート又は商業用トラック用途のためのタイヤ摩耗及び／又はタイヤトラクション推定に対して明細書に説明されることがあるが、本発明は、それに全くもって明示的に限定されるものではなく、本明細書で使用される用語「車両」は、別途記載のない限り、自己推進式であるかどうかにかかわらず、１つ以上のタイヤを含み得る、自動車、トラック、又はそれらの任意の等価物を指し、したがってタイヤ摩耗及び／又はタイヤトラクションの正確な推定又は予測、並びに、例えば直接車両制御調節の形態での潜在的な無効化、交換、又は介入を必要としてもよい。

本明細書で使用するとき、別途記載のない限り、用語「ユーザ」は、例えば、本明細書に開示される特徴及びステップを提供するためのユーザインターフェースを有するデバイスと関連付けられてもよい、ドライバ、搭乗者、メカニック、技術者、フリート管理職員、又は任意の他の人物若しくはエンティティを指してもよい。

前述の詳細な説明は、例示及び説明の目的のために提供されている。したがって、新規で有用な発明の特定の実施形態を説明してきたが、このような参照が、以下の特許請求の範囲における記載を除いて、本発明の範囲への限定として解釈されることを意図しない。

Claims (51)

1. コンピュータ実装方法であって、
   車両の車両データ、及び／又は前記車両と関連付けられた少なくとも１つのタイヤのタイヤデータを収集することと、
   前記収集されたデータに少なくとも部分的に基づいて、リアルタイムで前記少なくとも１つのタイヤの現在のタイヤ摩耗状態を判定することと、
   前記判定されたタイヤ摩耗状態及び前記収集されたデータに少なくとも部分的に基づいて、１つ以上のタイヤ性能特性を予測することと、
   前記予測された１つ以上のタイヤ性能特性及び／又は判定された現在のタイヤ摩耗状態に基づいて、リアルタイムのフィードバックを選択的に提供することと、を含む、コンピュータ実装方法。
2. それぞれ複数のタイヤ摩耗要因の各々に対応する確率分布に関する情報がデータストレージ内に蓄積され、
   前記収集された車両データ及び／又はタイヤデータが、前記車両からリモートサーバに送信され、
   前記送信された車両データ及び／又はタイヤデータに基づいて、少なくとも１つの観測結果が、前記複数の要因のうちの１つ以上に対応して生成され、
   前記少なくとも１つの生成された観測結果及び確率分布に関する前記記憶された情報に少なくとも基づいて、前記車両と関連付けられた前記少なくとも１つのタイヤについて、前記現在のタイヤ摩耗状態のベイズ推定が提供される、請求項１に記載の方法。
3. 前記生成された少なくとも１つの観測結果に少なくとも基づいて、前記車両と関連付けられた前記少なくとも１つのタイヤのタイヤ摩耗の原因となる、それぞれ複数の要因に対応する更新された確率分布に関する情報を記憶することを更に含む、請求項２に記載の方法。
4. 前記１つ以上の予測されたタイヤ摩耗特性が、前記車両と関連付けられた前記少なくとも１つのタイヤの１つ以上の将来の時間における予測されたタイヤ摩耗状態を含む、請求項２又は３に記載の方法。
5. 前記１つ以上の予測されたタイヤ摩耗特性が、前記車両と関連付けられた前記少なくとも１つのタイヤと関連付けられたタイヤ摩耗閾値と比較した現在のタイヤ摩耗状態又は前記予測されたタイヤ摩耗状態に基づく、前記車両と関連付けられた前記少なくとも１つのタイヤの交換時期を含む、請求項４に記載の方法。
6. 前記複数の確率分布に関する前記情報が、時系列関係のアレイを反映する、請求項２に記載の方法。
7. 前記リモートサーバと関連付けられたユーザインターフェースを介したユーザからの１つ以上のタイヤ摩耗入力値、及び／又は前記少なくとも１つのタイヤのそれぞれのタイヤ内若しくは前記それぞれのタイヤ上に装着された１つ以上のセンサによって生成された１つ以上のタイヤ摩耗入力値、及び／又は前記車両の外部のセンサによって生成された１つ以上のタイヤ摩耗入力値を受信することと、
   前記１つ以上のタイヤ摩耗入力値に基づいて、前記複数の要因のうちの１つ以上に関する少なくとも１つの観測結果を生成することと、を更に含む、請求項２、３、又は６のいずれか一項に記載の方法。
8. 前記車両の外部の前記センサによって生成された前記タイヤ摩耗入力値のうちの少なくとも１つが、トレッド深さ測定値を含む、請求項７に記載の方法。
9. 推定されるタイヤ摩耗状態を、ベースライン値及び前記推定の信頼レベルに対応する範囲と共に生成することを更に含む、請求項２に記載の方法。
10. 車両と関連付けられたタイヤの元のトレッド深さを判定することと、
    前記元のトレッド深さに少なくとも部分的に基づいて、前記タイヤの初期摩耗率を判定することと、
    １つ以上のタイヤ状態を、予測タイヤ摩耗モデルへの時系列入力として測定し、前記時系列入力に基づいて前記タイヤの現在の摩耗率を更に生成することと、
    前記現在の摩耗率を前記タイヤの前記初期摩耗率に正規化することと、
    １つ以上の指定された将来のパラメータについて、前記タイヤのタイヤ摩耗状態を予測することと、を含む、請求項１に記載の方法。
11. 前記現在の摩耗率が、前記タイヤのベース材と路面との間の接触界面のブラシ型タイヤ摩耗モデルに更に基づいて判定され、前記界面が、複数の独立して変形可能な要素として表される、請求項１０に記載の方法。
12. 前記測定された１つ以上のタイヤ条件が、タイヤトレッド深さに対応する検出された接触面積及び空隙面積を含む、請求項１０又は１１に記載の方法。
13. 前記１つ以上の指定された将来のパラメータが、走行時間及び走行距離のうちの１つ以上と関連付けられる、請求項１０又は１１に記載の方法。
14. 前記タイヤと関連付けられた１つ以上の所定のタイヤ摩耗閾値と比較した前記予測されたタイヤ摩耗状態に基づいて、前記タイヤの交換時期を予測することを含む、請求項１０又は１１に記載の方法。
15. 前記予測された交換時期に基づいて、前記車両と関連付けられたユーザへの警告を生成することを更に含む、請求項１４に記載の方法。
16. １つ以上の測定条件を、ユーザインターフェースを介して前記測定条件を入力するユーザから、及び／又は前記タイヤ内若しくは前記タイヤ上に装着された１つ以上のセンサから、及び／又は前記車両の外部のセンサから、受信することを更に含む、請求項１０に記載の方法。
17. タイヤ回転閾値イベント及び／又は位置合わせ閾値イベントを予測することと、それに基づいて、前記車両と関連付けられたユーザインターフェースへの警告を生成することと、を更に含む、請求項１０に記載の方法。
18. 前記時系列入力に少なくとも部分的に基づいて、前記車両に最適なタイヤの種類を予測することと、
    それに基づいて、前記車両と関連付けられたユーザインターフェースへの警告を生成することと、を更に含む、請求項１０に記載の方法。
19. 車両と関連付けられたタイヤの第１の段階でトレッド深さを記憶することと、
    前記タイヤに対する第１のモーダル分析に応答して、前記第１の段階での前記タイヤの１つ以上のモーダル周波数の第１のセットを感知及び記憶することと、
    前記タイヤに対する第２のモーダル分析に応答して、後続の第２の段階で、前記タイヤの対応する１つ以上のモーダル周波数の第２のセットを感知することと、
    前記第１のセット及び前記第２のセットの各々からの少なくとも１つの対応するモーダル周波数間の計算された周波数シフトに基づいて、前記第２の段階での前記タイヤのタイヤ摩耗状態を推定することと、を含む、請求項１に記載の方法。
20. 前記第１の段階で前記タイヤの質量を記憶することを更に含み、前記第２の段階で前記タイヤ摩耗状態を推定する前記ステップが、前記計算された周波数シフトに基づいて、前記第１の段階と前記第２の段階との間の前記タイヤの質量変化を判定することを含む、請求項１９に記載の方法。
21. タイヤトレッドにおける推定損失が、前記計算された周波数シフトに基づく前記第１の段階と前記第２の段階との間の前記タイヤの質量の前記変化に関連して判定される、請求項２０に記載の方法。
22. タイヤトレッドにおける推定損失が、観測された周波数シフトと、所与のタイヤのタイヤトレッドの変化との間の取得可能な相関を介して判定される、請求項２０に記載の方法。
23. 前記相関が、所与の種類のタイヤに関連してデータストレージから取得される、請求項２２に記載の方法。
24. 前記相関が、タイヤトレッドの変化の履歴測定値及び所与の種類のタイヤと関連付けられた対応するモーダル周波数間のシフトに基づいて経時的に発展させられる、請求項２２に記載の方法。
25. 対応するモーダル周波数の前記第１セット及び前記第２のセットが、前記タイヤに対する構造モードの励起に応答して、１つ以上の加速度計を介して感知される、請求項１９～２４のいずれか一項に記載の方法。
26. 前記タイヤ構造モードが、前記タイヤの動作中にランダムに励起され、前記１つ以上の加速度計によって生成された関連する出力信号が捕捉される、請求項２５に記載の方法。
27. 前記タイヤ構造モードが、外部物体との前記タイヤの制御された衝撃によって励起される、請求項２５に記載の方法。
28. 前記タイヤ構造モードが、１つ以上の所定の障害物に関連する前記車両の移動の方向付けによって励起される、請求項２５に記載の方法。
29. 前記予測された１つ以上のタイヤ性能特性が、前記少なくとも１つのタイヤのタイヤトラクション特性を含み、
    前記リアルタイムフィードバックが、少なくとも前記予測された１つ以上のタイヤトラクション特性に基づいて、１つ以上の車両動作設定を自動的に修正するために提供される、請求項１に記載の方法。
30. 少なくとも前記送信された車両データ及び前記車両と関連付けられた各タイヤの判定されたタイヤ摩耗状態に基づいて、前記車両の最大速度を判定することと、
    前記車両と関連付けられた自律型車両制御システム及び／又は前記車両と関連付けられたドライバ支援インターフェースに前記最大速度を提供することと、を更に含む、請求項２９に記載の方法。
31. 前記タイヤ摩耗状態を判定する前記ステップが、
    ユーザインターフェースを介してユーザから１つ以上のタイヤ摩耗入力値を受信すること、
    前記少なくとも１つのタイヤのそれぞれのタイヤ内又は前記それぞれのタイヤ上に装着された１つ以上のセンサによって生成された１つ以上のタイヤ摩耗入力値を受信すること、
    前記車両の外部のセンサによって生成された１つ以上のタイヤ摩耗入力値を受信すること、及び／又は
    少なくとも前記送信された車両データ、及び前記少なくとも１つのタイヤのそれぞれのタイヤ内又はタイヤ上に装着された１つ以上のセンサによって生成されたタイヤデータに基づいて、１つ以上のタイヤ摩耗入力値を予測すること、を含む、請求項２９に記載の方法。
32. 前記車両データの前記収集が、車両及び／又は前記車両を支持する複数のタイヤのうちの少なくとも１つのタイヤと関連付けられた１つ以上のセンサを介して、前記車両及び／又は前記少なくとも１つのタイヤのリアルタイムの動力学に対応する第１のデータを生成し、
    前記第１のデータが、前記第１のデータの低減されたサブセットとして第２のデータを生成するように処理され、前記第２のデータが、前記第１のデータを表し、前記第１のデータから抽出された任意の１つ以上の所定の特徴を含み、
    前記第２のデータが、前記少なくとも１つのタイヤの摩耗特性を推定するために処理される、請求項１に記載の方法。
33. 前記第１のデータが、前記車両に搭載されたコンピューティングシステムを介して処理され、前記方法が、
    通信ネットワークを介して前記第２のデータをリモートコンピューティングシステムに選択的に送信することと、
    前記リモートコンピューティングシステムを介して、前記第２のデータを処理して、前記少なくとも１つのタイヤの前記摩耗特性を推定することと、を更に含む、請求項３２に記載の方法。
34. 前記第２のデータが、複数の連続データフレームを含み、各データフレームが、前記車両及び／又は前記少なくとも１つのタイヤと関連付けられた力の多次元ヒストグラムを含む、請求項３３に記載の方法。
35. 少なくとも第１のイベントと第２のイベントとの間の前記データフレームのサブセットを選択することと、
    特定の時間又は特定の距離にわたって前記データフレームを要約することと、を更に含む、請求項３４に記載の方法。
36. 前記データフレームを前記要約することが、前記要約されたデータフレームを前記リモートコンピューティングシステムに送信する前にローカル処理を介して実行される、請求項３５に記載の方法。
37. 前記データフレームの前記サブセットが、前記リモートコンピューティングシステムに送信され、前記データフレームを前記要約することが、前記リモートコンピューティングシステムを介して実行される、請求項３５に記載の方法。
38. 要約されたデータフレームを、データフレームの実際の収集された数に対するデータフレームの見込まれる数でスケーリングすることによって、前記要約されたデータフレーム内の欠落データを訂正することを更に含む、請求項３５～３７のいずれか一項に記載の方法。
39. 前記第２のデータを処理して、前記少なくとも１つのタイヤの前記摩耗特性を推定する前記ステップが、
    前記リモートコンピューティングシステムを介して、前記第２のデータを処理して、前記第１のデータに対応する第３のデータを生成することと、
    前記第３のデータを更に処理して、前記少なくとも１つのタイヤの前記摩耗特性を推定することと、を含む、請求項３３～３７のいずれか一項に記載の方法。
40. 前記第１のデータが、ＣＡＮバス信号を含み、
    前記第２のデータが、エンコードニューラルネットワーク層を介して生成され、
    前記第３のデータが、デコードニューラルネットワーク層を介して生成され、
    摩耗計算層が、前記デコードニューラルネットワーク層の出力に付加され、前記デコードされたＣＡＮバス信号を、前記少なくとも１つのタイヤの瞬時推定摩耗値に変換するように構成されている、請求項３９に記載の方法。
41. 前記推定摩耗値を前記少なくとも１つのタイヤの実際の摩耗値と比較して、誤差値を生成することと、
    前記誤差値を前記ニューラルネットワーク層にフィードバックとして提供することと、を更に含む、請求項４０に記載の方法。
42. 前記第２のデータの抽出された特徴が、車両運転挙動を表す摩耗性能特性を含む、請求項３２～３７のいずれか一項に記載の方法。
43. 前記第１のデータを処理することが、前記第１のデータに対するフーリエ変換を含み、抽出された関連性のある周波数及び関連する振幅を含む前記第２のデータを生成することを含む、請求項３２～３７のいずれか一項に記載の方法。
44. 前記第２のデータが、１つ以上の代表的な運転条件の各々において、前記車両によって費やされた時間量に対応する、集約された低周波数ＣＡＮデータを含む、請求項３２又は３３に記載の方法。
45. 前記第２のデータの選択的な送信が、イベントベース及び／又は時間ベースである、請求項３２又は３３に記載の方法。
46. 前記第１のデータが、前記車両に搭載されたコンピューティングシステムを介して処理され、前記方法が、
    前記搭載されたコンピューティングシステムを介して、前記第２のデータを処理して、前記少なくとも１つのタイヤの前記摩耗特性を推定することと、
    車両ユーザと関連付けられた表示ユニットへの前記推定摩耗特性と関連付けられた通知を生成することと、を更に含む、請求項３２に記載の方法。
47. 前記第２のデータを処理して、前記少なくとも１つのタイヤの前記摩耗特性を推定する前記ステップが、
    前記第２のデータを処理して、前記第１のデータに対応する第３のデータを生成することと、
    前記第３のデータを更に処理して、前記少なくとも１つのタイヤの前記摩耗特性を推定することと、を含む、請求項４６に記載の方法。
48. 前記第１のデータが、ＣＡＮバス信号を含み、
    前記第２のデータが、エンコードニューラルネットワーク層を介して生成され、
    前記第３のデータが、デコードニューラルネットワーク層を介して生成され、
    摩耗計算層が、前記デコードニューラルネットワーク層の出力に付加され、前記デコードされたＣＡＮバス信号を、前記少なくとも１つのタイヤの瞬時推定摩耗値に変換するように構成されている、請求項４７に記載の方法。
49. 前記推定摩耗値を前記少なくとも１つのタイヤの実際の摩耗値と比較して、誤差値を生成することと、
    前記誤差値を前記ニューラルネットワーク層にフィードバックとして提供することと、を更に含む、請求項４８に記載の方法。
50. 前記車両データの収集が、車両及び／又は前記車両を支持する複数のタイヤのうちの少なくとも１つのタイヤと関連付けられた１つ以上のセンサを介して、前記車両及び／又は前記少なくとも１つのタイヤのリアルタイムの動力学に対応する第１のデータを生成し、
    前記方法が、
    全地球測位システムトランシーバを介して、車両位置に対応する低周波数の第２のデータを生成することと、
    通信ネットワークを介して前記第２のデータをリモートコンピューティングシステムに選択的に送信することと、
    前記リモートコンピューティングシステムを介して、車両モデル及び１つ以上の車両経路特性を更に考慮して前記第２のデータを処理して、前記第１のデータに対応する第３のデータを生成し、前記第３のデータを更に処理して、前記少なくとも１つのタイヤの前記摩耗特性を推定することと、を更に含む、請求項１に記載の方法。
51. 前記第２のデータが、複数の連続データフレームを更に含み、各データフレームが、前記車両及び／又は前記少なくとも１つのタイヤと関連付けられた力の多次元ヒストグラムを含み、
    前記リモートコンピューティングシステムが、前記収集された車両位置データから車両経路を再構築し、前記それぞれの多次元ヒストグラムに車両経路フィードバックを提供する、請求項５０に記載の方法。
    

Images