JP2023096658A - タイヤ物理情報推定システム、演算モデル生成システムおよびタイヤ物理情報推定方法 - Google Patents

Abstract

【課題】演算モデルを簡易的に構築してタイヤに関する物理情報を推定することができるタイヤ物理情報推定システム、演算モデル生成システムおよびタイヤ物理情報推定方法を提供する。【解決手段】タイヤ物理情報推定システム１００は、物理情報推定部３２およびデータ取得部３１を備える。物理情報推定部３２は、入力層から出力層に至る学習型の演算モデル３２ａを有し、タイヤ１０の運動によって生じるタイヤ物理情報を推定する。データ取得部３１は、入力層への入力データを取得する。演算モデル３２ａは、タイヤ１０、車両および路面状態の第１組合せにおいてフィルタが設定された畳み込み演算を実行する特徴抽出部、および第１組合せとは異なる第２組合せにおいて学習した全結合部を有する。【選択図】図２

Description

本発明は、タイヤ物理情報推定システム、演算モデル生成システムおよびタイヤ物理情報推定方法に関する。

昨今、タイヤおよび車両等において計測される情報を学習型の演算モデルに入力し、タイヤ力等のタイヤ物理情報を推定するシステムの研究が行われている。

特許文献１には従来のタイヤ物理情報推定システムが記載されている。タイヤ物理情報推定システムは、物理情報推定部およびデータ取得部を備える。物理情報推定部は、タイヤの運動によって生じるタイヤに関する物理情報を推定すべく入力層から出力層に至る学習型の演算モデルを有する。データ取得部は、入力層への入力データを取得する。演算モデルは、入力層から出力層へ向けての途中演算において畳み込み演算を実行して特徴量を抽出する特徴抽出部を有する。

特開２０２１－４６０８０号公報

特許文献１に記載のタイヤ物理情報推定システムでは、タイヤ物理情報の推定においてリアルタイム性が確保される。本願発明者は、タイヤ物理情報を推定する演算モデルの転用を考慮し、演算モデルの構築コストおよび時間を低減する上で改善の余地があることに気づいた。

本発明は、斯かる事情に鑑みてなされたものであり、その目的とするところは、演算モデルを簡易的に構築してタイヤに関する物理情報を推定することができるタイヤ物理情報推定システム、演算モデル生成システムおよびタイヤ物理情報推定方法を提供することにある。

本発明のある態様はタイヤ物理情報推定システムである。タイヤ物理情報推定システムは、入力層から出力層に至る学習型の演算モデルを有し、タイヤの運動によって生じるタイヤ物理情報を推定する物理情報推定部と、前記入力層への入力データを取得するデータ取得部と、を備え、前記演算モデルは、タイヤ、車両および路面状態の第１組合せにおいてフィルタが設定された畳み込み演算を実行する特徴抽出部、および前記第１組合せとは異なる第２組合せにおいて学習した全結合部を有する。

本発明の別の態様は演算モデル生成システムである。演算モデル生成システムは、入力層から出力層に至る学習型の演算モデルを有し、タイヤの運動によって生じるタイヤ物理情報を推定する物理情報推定部と、前記入力層への入力データを取得するデータ取得部と、タイヤで計測される前記タイヤ物理情報を教師データとして前記演算モデルを学習させる学習処理部と、を備え、前記演算モデルは、タイヤ、車両および路面状態の第１組合せにおいてフィルタが設定された畳み込み演算を実行する特徴抽出部、および前記第１組合せとは異なる第２組合せにおいて学習させる全結合部を有する。

また本発明の別の態様はタイヤ物理情報推定方法である。タイヤ物理情報推定方法は、入力層から出力層に至る学習型の演算モデルを有し、タイヤの運動によって生じるタイヤ物理情報を推定する物理情報推定ステップと、前記入力層への入力データを取得するデータ取得ステップと、を備え、前記演算モデルは、タイヤ、車両および路面状態の第１組合せにおいてフィルタが設定された畳み込み演算を実行する特徴抽出部、および前記第１組合せとは異なる第２組合せにおいて学習した全結合部を有する。

本発明によれば、演算モデルを簡易的に構築してタイヤに関する物理情報を推定することができる。

実施形態に係るタイヤ物理情報推定システムの概要を説明するための模式図である。 実施形態に係るタイヤ物理情報推定システムの機能構成を示すブロック図である。 演算モデルの構成を示す模式図である。 演算モデル生成システムの機能構成を示すブロック図である。 タイヤ物理情報推定装置によるタイヤ物理情報推定処理の手順を示すフローチャートである。 車両を変えた転移学習の検証結果の一例を示すグラフである。 タイヤおよび路面状態を変えた転移学習の検証結果の一例を示すグラフである。 変形例に係るタイヤ物理情報推定システムの機能構成を示すブロック図である。

以下、本発明を好適な実施の形態をもとに図１から図８を参照しながら説明する。各図面に示される同一または同等の構成要素、部材には、同一の符号を付するものとし、適宜重複した説明は省略する。また、各図面における部材の寸法は、理解を容易にするために適宜拡大、縮小して示される。また、各図面において実施の形態を説明する上で重要ではない部材の一部は省略して表示する。

（実施形態）
図１は、実施形態に係るタイヤ物理情報推定システム１００の概要を説明するための模式図である。タイヤ物理情報推定システム１００は、タイヤ１０に配設されたセンサ２０およびタイヤ物理情報推定装置３０を備える。また、タイヤ物理情報推定システム１００は、タイヤ物理情報推定装置３０で推定したタイヤ力Ｆや路面摩擦係数、タイヤ１０に働く３軸まわりのモーメント等のタイヤ物理情報を通信ネットワーク９１を介して取得して蓄積し、タイヤ物理情報を監視するためのサーバ装置４０などを含んでもよい。

センサ２０は、タイヤ１０における加速度および歪、タイヤ空気圧、並びにタイヤ温度などタイヤ１０の物理量を計測しており、計測したデータをタイヤ物理情報推定装置３０へ出力する。タイヤ物理情報推定装置３０は、タイヤ１０、車両および路面状態の１つの組合せ（以下、第１組合せと表記する）において学習させた演算モデルを、第１組合せと異なる組合せ（以下、第２組合せと表記する）に転用し、センサ２０で計測されたデータに基づいてタイヤ物理情報を推定する。タイヤ物理情報推定装置３０は、タイヤ物理情報を推定する演算においてセンサ２０で計測されるデータを用いるが、車両加速度等の車両側からの情報を車両制御装置９０等から取得し、タイヤ物理情報を推定する演算に用いてもよい。

タイヤ物理情報推定装置３０は、推定したタイヤ力Ｆ、路面摩擦係数、およびタイヤ１０に働く３軸まわりのモーメント等のタイヤ物理情報を例えば車両制御装置９０へ出力する。車両制御装置９０は、タイヤ物理情報推定装置３０から入力されたタイヤ物理情報を、例えば制動距離の推定、車両制御への適用、更には車両の安全走行に関する情報の運転者への報知などに用いる。また車両制御装置９０は、地図情報や気象情報などを用いて、将来における車両の安全走行に関する情報を提供することもできる。また、タイヤ物理情報推定システム１００は、車両制御装置９０が車両を自動運転する機能を有する場合には、自動運転における車速制御等に用いるデータとして、推定したタイヤ物理情報を車両制御装置９０へ提供する。

サーバ装置４０は、タイヤ物理情報推定装置３０から、センサ２０で計測されたタイヤ１０の物理量、並びにタイヤ１０について推定したタイヤ力Ｆおよび路面摩擦係数等のタイヤ物理情報を取得する。サーバ装置４０は、複数の車両から、タイヤ１０で計測された物理量、およびタイヤ物理情報推定装置３０で推定されたタイヤ物理情報等を蓄積するようにしてもよい。

図２は、実施形態に係るタイヤ物理情報推定システム１００の機能構成を示すブロック図である。タイヤ物理情報推定システム１００のセンサ２０は、加速度センサ２１、歪ゲージ２２、圧力ゲージ２３および温度センサ２４等を有し、タイヤ１０における物理量を計測する。これらのセンサは、タイヤ１０の物理量として、タイヤ１０の変形や動きに関わる物理量を計測している。

加速度センサ２１および歪ゲージ２２は、タイヤ１０とともに機械的に運動しつつ、それぞれタイヤ１０に生じる加速度および歪量を計測する。加速度センサ２１は、例えばタイヤ１０のトレッド、サイド、ビードおよびホイール等に配設されており、タイヤ１０の周方向、軸方向および径方向の３軸における加速度を計測する。

歪ゲージ２２は、タイヤ１０のトレッド、サイドおよびビード等に配設されており、配設箇所での歪を計測する。また、圧力ゲージ２３および温度センサ２４は、例えばタイヤ１０のエアバルブに配設されており、それぞれタイヤ空気圧およびタイヤ温度を計測する。温度センサ２４は、タイヤ１０の温度を正確に計測するために、タイヤ１０に直接、配設されていてもよい。タイヤ１０は、各タイヤを識別するために、例えば固有の識別情報が付与されたＲＦＩＤ１１等が取り付けられていてもよい。

タイヤ物理情報推定装置３０は、データ取得部３１、物理情報推定部３２および通信部３３を有する。タイヤ物理情報推定装置３０は、例えばＰＣ（パーソナルコンピュータ）等の情報処理装置である。タイヤ物理情報推定装置３０における各部は、ハードウェア的には、コンピュータのＣＰＵをはじめとする電子素子や機械部品などで実現でき、ソフトウェア的にはコンピュータプログラムなどによって実現されるが、ここでは、それらの連携によって実現される機能ブロックを描いている。したがって、これらの機能ブロックはハードウェア、ソフトウェアの組合せによっていろいろな形態で実現できることは、当業者には理解されるところである。

データ取得部３１は、無線通信等によりセンサ２０で計測された加速度、歪、空気圧および温度の情報を取得する。通信部３３は、車両制御装置９０およびサーバ装置４０等の外部装置との間で有線または無線通信等によって通信する。通信部３３は、センサ２０で計測されたタイヤ１０の物理量、およびタイヤ１０について推定したタイヤ物理情報等を通信回線、例えばＣＡＮ（コントロールエリアネットワーク）、インターネット等を介して外部装置へ送信する。

物理情報推定部３２は、演算モデル３２ａを有し、データ取得部３１からの情報を演算モデル３２ａに入力し、タイヤ力Ｆ、路面摩擦係数、およびタイヤ１０に働く３軸まわりのモーメント等のタイヤ物理情報を推定する。図２に示すように、タイヤ力Ｆは、タイヤ１０の前後方向の前後力Ｆｘ、横方向の横力Ｆｙ、および鉛直方向の荷重Ｆｚの３軸方向成分を有する。物理情報推定部３２は、これら３軸方向成分のすべてを算出してもよいし、少なくともいずれか１成分の算出または任意の組合せによる２成分の算出を行うようにしてもよい。

演算モデル３２ａは、ニューラルネットワーク等の学習型モデルを用いる。図３は、演算モデル３２ａの構成を示す模式図である。演算モデル３２ａは、ＣＮＮ（Convolutional Neural Network）型であり、その原型であるいわゆるＤｅｎｓｅＮｅｔで使用された畳み込み演算およびプーリング演算を備える学習型モデルである。図３では演算モデル３２ａへの入力データとして３軸方向の加速度データを用い、３軸方向のタイヤ力Ｆｘ、ＦｙおよびＦｚを出力する例を示している。

演算モデル３２ａは、入力層５０、Ｓｔｅｍブロック５１、特徴抽出部５２、中間層５３、全結合部５４および出力層５５を備える。入力層５０には、データ取得部３１で取得した３軸方向の加速度の時系列データが入力される。加速度データはセンサ２０において時系列的に計測されており、一定の時間区間のデータを窓関数によって切り出して入力データとする。入力データは、例えば各軸方向において一定の時間区間に含まれる１２８個の加速度データとする。

タイヤ１０で計測される加速度はタイヤ１０の１回転ごとに周期性がある。窓関数によって切り出す入力データの時間区間は、例えばタイヤ１０の回転周期に相当する時間とし、入力データ自体に周期性を持たせるとよい。尚、窓関数は、タイヤ１０の１回転分よりも短い時間区間または長い時間区間における入力データを切り出すようにしてもよく、少なくとも切り出した入力データに周期的な情報が含まれていれば演算モデル３２ａの学習が可能である。

Ｓｔｅｍブロック５１は、入力データの特徴を維持しつつ入力データ数のサイズを低減化する。Ｓｔｅｍブロック５１では、例えば畳み込み演算やプーリング演算等を実行している。

特徴抽出部５２は、Ｄｅｎｓｅブロック５２ａ、畳み込み演算５２ｂおよびプーリング演算５２ｃを複数回（図３ではｎ回と表記している）繰り返して特徴量を抽出し、中間層５３の各ノードへ伝達する。図３に示す特徴抽出部５２の例では、入力されたデータについてＤｅｎｓｅブロック５２ａで適切なフィルタ長の畳み込み演算を実行し、後続の畳み込み演算５２ｂおよびプーリング演算５２ｃを実行する。

Ｄｅｎｓｅブロック５２ａでの畳み込み演算は、適宜１から５程度の長さのフィルタを用い、時系列的に並んだ入力データにフィルタを移動させながら、乗算して加算する。畳み込み演算は、時系列の入力データにおける連続するフィルタ長分のデータ（例えばＡ１，Ａ２，Ａ３）に、フィルタ内の各値（ｆ１，ｆ２，ｆ３）をそれぞれ乗算し、乗算して得られた値を加算し、Ａ１×ｆ１＋Ａ２×ｆ２＋Ａ３×ｆ３とする。尚、入力データの端に「０（ゼロ）」のデータを付加するゼロパティングを行って、畳み込み演算を実行するようにしてもよい。また、畳み込み演算におけるフィルタの移動量は、通常、１入力データとされるが、演算モデル３２ａを小さくするために、適宜変更することが可能である。

畳み込み演算５２ｂは、フィルタ長が１の畳み込み演算を実行する。プーリング演算５２ｃは、畳み込み演算５２ｂ後のデータに対して、平均値プーリング演算を実行する。プーリング演算５２ｃは、例えば時系列的に並んだ２つの値の平均値を求めている。特徴抽出部５２は、Ｄｅｎｓｅブロック５２ａ、畳み込み演算５２ｂおよびプーリング演算５２ｃによる演算を複数回繰り返し、結果として６４個のデータを中間層５３へ出力する。

全結合部５４は、中間層５３の各ノードからのデータを複数の階層で全結合し、タイヤ力Ｆｘ、ＦｙおよびＦｚを出力層５５の各ノードへ出力する。全結合部５４は、重みづけを用いた線形演算等を実行する全結合のパスによる演算を実行するが、線形演算に加えて、活性化関数などを用いて非線形演算を実行するようにしてもよい。

出力層５５の各ノードには、３軸方向のタイヤ力のほか、路面摩擦係数、およびタイヤ１０に働く３軸まわりのモーメント等のタイヤ物理情報を出力してもよい。出力層５５は、３軸方向のタイヤ力、路面摩擦係数、およびタイヤ１０に働く３軸まわりのモーメント等のタイヤ物理情報のうち、１種類または任意の組み合わせによる複数の種類のタイヤ物理情報を出力するようにしてもよい。

また出力層５５は、路面摩擦係数の推定において、路面摩擦係数の推定値を出力しても良いし、路面摩擦係数を乾燥、湿潤、積雪または氷結状態などのカテゴリーに分類していずれのカテゴリーに当てはまるかを出力するようにしてもよい。

図４は、演算モデル生成システム１１０の機能構成を示すブロック図である。演算モデル生成システム１１０は、タイヤ物理情報計測装置６０、および学習処理部７１を有する演算モデル生成装置７０を備える。演算モデル生成装置７０は、タイヤ物理情報推定装置３０の各構成に加えて学習処理部７１を有する。演算モデル生成装置７０におけるタイヤ物理情報推定装置３０の各構成に相当する部分は、タイヤ物理情報推定装置３０のそれらと同等の機能を有するが、演算モデル３２ａは学習前または学習中のものとなる。

タイヤ物理情報計測装置６０は、３軸方向のタイヤ力Ｆ、路面摩擦係数、およびタイヤ１０に働く３軸まわりのモーメント等のタイヤ物理情報を計測する。学習処理部７１は、タイヤ物理情報計測装置６０によって計測されたタイヤ物理情報を教師データとして用い、演算モデル３２ａを学習させる。演算モデル３２ａの学習過程では、入力情報に基づいて演算モデル３２ａによってタイヤ物理情報を推定し、教師データと比較する。

学習処理部７１は、演算モデル３２ａによって推定したタイヤ物理情報と教師データとを比較し、重みづけ等の演算過程における各種係数を演算モデル３２ａに新たに設定し、モデルの更新を繰り返すことで学習を実行する。タイヤ物理情報推定システム１００は、演算モデル生成システム１１０によって学習済みの演算モデル３２ａを用いてタイヤ物理情報を推定する。

演算モデル３２ａは、タイヤ１０、車両および路面状態についての第１組合せに対して学習させる。ここで、タイヤ１０には或る仕様のものを用い、車両には或る車名のものを用いる。路面状態は、例えば乾燥、湿潤、積雪または氷結状態のうちのいずれかとする。尚、タイヤ１０の仕様には、例えばタイヤサイズ、タイヤ幅、扁平率、タイヤ強度、タイヤ外径、ロードインデックス、製造年月日など、タイヤの性能に関する情報が含まれる。

演算モデル３２ａは、第１組合せにおける学習が完了した後、タイヤ１０、車両および路面状態のうち２つが第１組合せと同じであり、１つが第１組合せと異なる第２組合せによる学習を実行する。第１組合せにおける学習の完了によって、演算モデル３２ａのＳｔｅｍブロック５１および特徴抽出部５２におけるフィルタ長や各種パラメータが設定される。

第２組合せの演算モデル３２ａは、学習済みの第１組合せにおけるＳｔｅｍブロック５１および特徴抽出部５２を用い、全結合部５４について学習させる。第２組合せの演算モデル３２ａの学習では、学習済みの第１組合せにおけるＳｔｅｍブロック５１および特徴抽出部５２を転用し、全結合部５４について学習させる転移学習によって、学習のコストおよび時間を低減し、演算モデルの簡易的な構築を図る。

第２組合せは、第１組合せと、タイヤ１０の仕様が異なるタイヤ、車名が異なる車両、または状態が異なる路面状態としている。同様にして、タイヤ１０、車両および路面状態のいずれか１つが第２組合せと異なる第３組合せの演算モデルを、学習済みの第２組合せの演算モデルをベースに転移学習させても良い。

更にタイヤ１０、車両および路面状態のいずれか１つが第３組合せと異なる第４組合せの演算モデルを、学習済みの第３組合せの演算モデルをベースに転移学習させても良い。このような転移学習を繰り返すことで、第１組合せとはタイヤ１０、車両および路面状態の全てが異なる組合せに対する演算モデルを学習させることができる。

また演算モデル３２ａは、第１組合せにおける学習が完了した後、タイヤ１０、車両および路面状態のうち１つが第１組合せと同じであり、２つが第１組合せと異なる第２組合せについて、第１組合せをベースに転移学習させてもよい。この場合、上述のようなタイヤ１０、車両および路面状態のうち１つが第１組合せと異なる第２組合せに対して転移学習させた場合に比べて、タイヤ物理情報の推定精度は低下する傾向にあると考えられる。

第１組合せによる演算モデル３２ａの学習は、例えば車両を走行させるための試験場などにおいて実施するとよい（図３参照）。第２組合せによる演算モデル３２ａの学習は、同じ試験場でタイヤ１０、車両および路面状態を変えて行ってもよいし、試験場ではない公道などで実施してもよい。

タイヤ１０に関して、厳密に仕様ごとに演算モデル３２ａの学習を実行する必要性はなく、例えば乗用車用タイヤ、トラック用タイヤなどのタイプ別に演算モデル３２ａを学習させてもよい。また、車両に関して、厳密に車名、エンジン型式ごとに演算モデル３２ａの学習を実行する必要性はなく、例えば駆動方式、車体重量などの共通性に基づいてタイプを設定し、タイプ別に演算モデル３２ａを学習させてもよい。

次にタイヤ物理情報推定システム１００の動作を説明する。図５は、タイヤ物理情報推定装置３０によるタイヤ物理情報推定処理の手順を示すフローチャートである。以下では、タイヤ１０、車両および路面状態に関して、第１組合せおよび第２組合せによる学習が完了しており、第２組合せの演算モデル３２ａによってタイヤ物理情報を推定する処理を説明する。

タイヤ物理情報推定装置３０は、センサ２０で計測されたタイヤ１０における加速度、歪、タイヤ空気圧およびタイヤ温度などの物理量を、データ取得部３１によって取得する（Ｓ１）。物理情報推定部３２は、データ取得部３１において取得されたデータから一定の時間区間の入力データを抽出する（Ｓ２）。

タイヤ物理情報の推定においては、少なくとも１軸分（例えば周方向）の加速度データが入力データとして必要である。また、タイヤ物理情報の推定において、例えばタイヤ１０の周方向および軸方向の２軸分の加速度データを入力データとしても良いし、３軸分の加速度データを入力データとしても良い。更に、タイヤ１０における歪、タイヤ空気圧およびタイヤ温度のうち少なくとも１つ以上の時系列データを入力データに含むようにしても良い。

演算モデル３２ａは、ステップＳ２で抽出した入力データに基づきＳｔｅｍブロック５１で演算し、結果を特徴抽出部５２へ入力する。特徴抽出部５２は、入力されたデータに対してＤｅｎｓｅブロック５２ａ、畳み込み演算５２ｂおよびプーリング演算５２ｃによって、特徴量を抽出する処理を実行する（Ｓ３）。上述のように演算モデル３２ａのＳｔｅｍブロック５１および特徴抽出部５２は、第１組合せに対して学習したものが第２組合せに転用されている。

演算モデル３２ａの全結合部５４は、特徴抽出部５２において抽出され中間層５３の各ノードへ入力された特徴量に対して全結合による演算を実行してタイヤ物理情報を推定し（Ｓ４）、処理を終了する。上述のように演算モデル３２ａの全結合部５４は、第１組合せのＳｔｅｍブロック５１および特徴抽出部５２を転用した第２組合せにおいて学習されている。全結合部５４の全結合演算において用いる重みづけ等のパラメータは、第２組合せの演算モデル３２ａの学習において決定されている。全結合演算によって、例えばタイヤ力Ｆ、路面摩擦係数、およびタイヤ１０に働く３軸まわりのモーメント等のタイヤ物理情報が出力層５５の各ノードに出力される。

図６は、車両を変えた転移学習の検証結果の一例を示すグラフである。図６では、比較例１として他車両に適応した例、比較例２として他車両で学習した例、本実施形態での転移学習の例におけるタイヤ力Ｆｘ、ＦｙおよびＦｚの推定値と実測値のＲＭＳＥ（二乗平均平方根誤差）を求め、比較例１でのＲＭＳＥを１００％として他例の比率（％）を示している。

比較例１は、或る仕様の夏用タイヤ、車名Ａ１の車両および通常の乾燥した路面状態の第１組合せで学習させた演算モデルを、同じ夏用タイヤ、車名Ａ２の車両および同じ乾燥した路面状態の第２組合せにそのまま流用して適応させている。比較例２は、第１組合せと関係なく第２組合せで学習させた演算モデルを用いている。本実施形態での転移学習では、第１組合せで学習させた演算モデルをベースに第２組合せで転移学習させた演算モデルを用いている。

図６に示すように、本実施形態の転移学習の例は、第２組合せで学習させた比較例２と、概ね同等のＲＭＳＥとなっており、転移学習によってタイヤ力の推定精度が良好となっていることが判る。一方、比較例１は、第１組合せで学習させた演算モデルを第２組合せにそのまま流用してタイヤ力を推定しており、本実施形態の転移学習の例に比べて、推定精度が劣化することが判る。

図７は、タイヤおよび路面状態を変えた転移学習の検証結果の一例を示すグラフである。図７では、比較例３（基準の推定）、比較例４（流用での推定）および本実施形態での転移学習の例におけるタイヤ力Ｆｘ、ＦｙおよびＦｚの推定値と実測値のＲＭＳＥを求め、比較例３でのＲＭＳＥを１００％として他例の比率（％）を示している。

比較例３では、或る仕様の夏用タイヤ、車名Ａ１の車両および乾燥した路面状態の多い地方Ｂ１かつ夏場の第１組合せで学習させた演算モデルでタイヤ力を推定している。比較例４では、比較例３で学習した演算モデルを、冬用タイヤ、同じ車名Ａ１の車両、および積雪や氷結状態の多い地方Ｂ２かつ冬場の第２組合せにそのまま流用してタイヤ力を推定している。本実施形態での転移学習では、第１組合せで学習させた演算モデルをベースに第２組合せで転移学習させた演算モデルを用いている。

図７に示すように、本実施形態の転移学習の例は、第１組合せで学習させた比較例３（基準の推定）と、概ね同等のＲＭＳＥとなっており、転移学習によってタイヤ力の推定精度が良好となっていることが判る。一方、比較例４は、第１組合せで学習させた演算モデルを第２組合せにそのまま流用してタイヤ力を推定しており、本実施形態の転移学習の例に比べて、推定精度が劣化することが判る。

タイヤ物理情報推定システム１００は、畳み込み演算を実行する特徴抽出部５２および全結合部５４を有する演算モデル３２ａを有し、タイヤ１０の運動によって生じるタイヤ力Ｆ等のタイヤ物理情報を推定する。特徴抽出部５２は、タイヤ１０、車両および路面状態の第１組合せにおいてフィルタが設定された畳み込み演算を実行する。全結合部５４は、第１組合せとは異なる第２組合せにおいて学習した全結合演算によってタイヤ物理情報を算出する。

タイヤ物理情報推定システム１００は、第１組合せによって学習させた演算モデルからの転移学習によって第２組合せにおけるタイヤ物理情報を推定するので、第２組合せにおける学習のコストおよび時間を低減して演算モデルを簡易的に構築し、タイヤに関する物理情報を推定することができる。また演算モデル生成システム１１０は、第１組合せによって学習させた演算モデルからの転移学習によって第２組合せにおける演算モデルを生成するので、演算モデルを簡易的に生成することができる。

タイヤ物理情報推定システム１００は、第２組合せが第１組合せにおけるタイヤと異なるタイヤを含むことによって、異なるタイヤに対する演算モデル３２ａを簡易的に構築することができる。タイヤ物理情報推定システム１００は、第２組合せが第１組合せにおける路面状態と異なる路面状態を含むことによって、異なる路面状態に対する演算モデル３２ａを簡易的に構築することができる。

タイヤ物理情報推定システム１００は、第２組合せが第１組合せにおける車両と異なる車名の車両を含むことによって、異なる車名の車両に対する演算モデル３２ａを簡易的に構築することができる。

タイヤ物理情報推定システム１００は、タイヤ１０において計測される加速度データをデータ取得部３１により取得し、演算モデル３２ａに加速度データを入力し、タイヤ力Ｆを出力する。これにより、タイヤ物理情報推定システム１００は、タイヤ１０におけるスリップ等の挙動の解析に必要な情報を提供することができる。

（変形例）
図８は変形例に係るタイヤ物理情報推定システム１００の機能構成を示すブロック図である。図８に示す変形例では演算モデル３２ａへ入力するデータを車両制御装置９０から取得する。尚、車両制御装置９０からのデータと、センサ２０からのデータ（図２参照）の両方を演算モデル３２ａへ入力するデータとして用いることもできる。

車両制御装置９０は、車両のデジタルタコメータ等において、例えば車両の走行速度、３軸方向の加速度および３軸角速度等の走行データ、並びに車両の重量および車軸にかかる軸重などの荷重データを取得している。車両制御装置９０は、これらの走行データおよび荷重データをタイヤ物理情報推定装置３０へ出力する。

タイヤ物理情報推定装置３０は、車両制御装置９０から入力されたデータに対して演算モデル３２ａでタイヤ力Ｆ、路面摩擦係数、およびタイヤ１０に働く３軸まわりのモーメント等のタイヤ物理情報を推定する。尚、演算モデル３２ａは、予め車両制御装置９０から入力されたデータに対してタイヤ物理情報を推定する学習を、例えば実際の車両による試験走行によって実行し、構築される。

上述の実施形態および変形例では、演算モデル３２ａで推定するタイヤ物理情報としてタイヤ力Ｆ、路面摩擦係数、およびタイヤ１０に働く３軸まわりのモーメント等について説明したが、例えばタイヤ１０を取り付けるために用いるホイールナット等の締結部品の緩みを推定することもできる。タイヤ１０で計測される加速度データにホイールナット等の締結部品の緩みによる振動が表われるので、他のタイヤ力Ｆとの比較により、締結部品の緩みを推定する演算モデル３２ａをＣＮＮ型で構築して学習させる。タイヤ物理情報推定システム１００は、実際の車両走行時に取得する加速度データ等の入力データに基づいて演算モデル３２ａによる演算を実行し、タイヤ１０の締結部品の緩みを推定することができる。

またセンサ２０は、図１に基づき説明した各センサに限られず、例えばタイヤ１０またはタイヤ１０の周辺に設けたマイクなどを用いてもよい。演算モデル３２ａは、マイクなどにより集音した音声データを用いてタイヤ物理情報を推定してもよい。

上述の実施形態および変形例において、演算モデル３２ａはＣＮＮ型ＤｅｎｃｅＮｅｔモデルを用いたが、いわゆるＬｅＮｅｔモデル、ＲｅｓＮｅｔモデル、ＭｏｂｉｌｅＮｅｔモデルやＰｅｌｅｅｌＮｅｔモデルなどのモデル構造を用いてもよい。また演算モデル３２ａ中にＲｅｓｉｄｕａｌ Ｂｌｏｃｋなどのモジュール構造を取り入れてモデルを構築してもよい。

次に実施形態に係るタイヤ物理情報推定システム１００、演算モデル生成システム１１０およびタイヤ物理情報推定方法の特徴について説明する。
実施形態に係るタイヤ物理情報推定システム１００は、物理情報推定部３２およびデータ取得部３１を備える。物理情報推定部３２は、入力層５０から出力層５５に至る学習型の演算モデル３２ａを有し、タイヤ１０の運動によって生じるタイヤ物理情報を推定する。データ取得部３１は、入力層５０への入力データを取得する。演算モデル３２ａは、タイヤ１０、車両および路面状態の第１組合せにおいてフィルタが設定された畳み込み演算を実行する特徴抽出部５２、および第１組合せとは異なる第２組合せにおいて学習した全結合部５４を有する。これにより、タイヤ物理情報推定システム１００は、演算モデル３２ａを簡易的に構築してタイヤ１０に関する物理情報を推定することができる。

また第２組合せは、第１組合せにおけるタイヤと異なるタイヤを含む。これにより、タイヤ物理情報推定システム１００は、異なるタイヤに対する演算モデル３２ａを簡易的に構築することができる。

また第２組合せは、第１組合せにおける路面状態と異なる路面状態を含む。これにより、タイヤ物理情報推定システム１００は、異なる路面状態に対する演算モデル３２ａを簡易的に構築することができる。

また第２組合せは、第１組合せにおける車両と異なる車名の車両を含む。これにより、タイヤ物理情報推定システム１００は、異なる車名の車両に対する演算モデル３２ａを簡易的に構築することができる。

またデータ取得部３１は、タイヤ１０において計測される加速度データを取得する。
演算モデル３２ａは、入力層５０に加速度データが入力され、出力層５５からタイヤ力Ｆを出力する。これにより、タイヤ物理情報推定システム１００は、タイヤ１０におけるスリップ等の挙動の解析に必要な情報を提供することができる。

演算モデル生成システム１１０は、物理情報推定部３２、データ取得部３１および学習処理部７１を備える。物理情報推定部３２は、入力層５０から出力層５５に至る学習型の演算モデル３２ａを有し、タイヤ１０の運動によって生じるタイヤ物理情報を推定する。データ取得部３１は、入力層５０への入力データを取得する。学習処理部７１は、タイヤ１０で計測されるタイヤ物理情報を教師データとして前記演算モデルを学習させる。演算モデル３２ａは、タイヤ１０、車両および路面状態の第１組合せにおいてフィルタが設定された畳み込み演算を実行する特徴抽出部５２、および第１組合せとは異なる第２組合せにおいて学習させる全結合部５４を有する。これにより、演算モデル生成システム１１０は、第１組合せによって学習させた演算モデルからの転移学習によって第２組合せにおける演算モデルを生成するので、演算モデルを簡易的に生成することができる。

タイヤ物理情報推定方法は、物理情報推定ステップおよびデータ取得ステップを備える。物理情報推定ステップは、入力層５０から出力層５５に至る学習型の演算モデル３２ａを有し、タイヤ１０の運動によって生じるタイヤ物理情報を推定する。データ取得ステップは、入力層５０への入力データを取得する。演算モデル３２ａは、タイヤ１０、車両および路面状態の第１組合せにおいてフィルタが設定された畳み込み演算を実行する特徴抽出部５２、および第１組合せとは異なる第２組合せにおいて学習した全結合部５４を有する。このタイヤ物理情報推定方法によれば、演算モデル３２ａを簡易的に構築してタイヤ１０に関する物理情報を推定することができる。

以上、本発明の実施の形態をもとに説明した。これらの実施の形態は例示であり、いろいろな変形および変更が本発明の特許請求範囲内で可能なこと、またそうした変形例および変更も本発明の特許請求の範囲にあることは当業者に理解されるところである。従って、本明細書での記述および図面は限定的ではなく例証的に扱われるべきものである。

１０ タイヤ、 ３２ 物理情報推定部、 ３２ａ 演算モデル、
５０ 入力層、 ５２ 特徴抽出部、 ５５ 出力層、 ７１ 学習処理部、
１００ タイヤ物理情報推定システム、 １１０ 演算モデル生成システム。

Claims (7)

1. 入力層から出力層に至る学習型の演算モデルを有し、タイヤの運動によって生じるタイヤ物理情報を推定する物理情報推定部と、
   前記入力層への入力データを取得するデータ取得部と、を備え、
   前記演算モデルは、タイヤ、車両および路面状態の第１組合せにおいてフィルタが設定された畳み込み演算を実行する特徴抽出部、および前記第１組合せとは異なる第２組合せにおいて学習した全結合部を有することを特徴とするタイヤ物理情報推定システム。
2. 前記第２組合せは、前記第１組合せにおけるタイヤと異なるタイヤを含むことを特徴とする請求項１に記載のタイヤ物理情報推定システム。
3. 前記第２組合せは、前記第１組合せにおける路面状態と異なる路面状態を含むことを特徴とする請求項１に記載のタイヤ物理情報推定システム。
4. 前記第２組合せは、前記第１組合せにおける車両と異なる車名の車両を含むことを特徴とする請求項１に記載のタイヤ物理情報推定システム。
5. 前記データ取得部は、タイヤにおいて計測される加速度データを取得し、
   前記演算モデルは、前記入力層に前記加速度データが入力され、前記出力層からタイヤ力を出力することを特徴とする請求項１から４のいずれか１項に記載のタイヤ物理情報推定システム。
6. 入力層から出力層に至る学習型の演算モデルを有し、タイヤの運動によって生じるタイヤ物理情報を推定する物理情報推定部と、
   前記入力層への入力データを取得するデータ取得部と、
   タイヤで計測される前記タイヤ物理情報を教師データとして前記演算モデルを学習させる学習処理部と、を備え、
   前記演算モデルは、タイヤ、車両および路面状態の第１組合せにおいてフィルタが設定された畳み込み演算を実行する特徴抽出部、および前記第１組合せとは異なる第２組合せにおいて学習させる全結合部を有することを特徴とする演算モデル生成システム。
7. 入力層から出力層に至る学習型の演算モデルを有し、タイヤの運動によって生じるタイヤ物理情報を推定する物理情報推定ステップと、
   前記入力層への入力データを取得するデータ取得ステップと、を備え、
   前記演算モデルは、タイヤ、車両および路面状態の第１組合せにおいてフィルタが設定された畳み込み演算を実行する特徴抽出部、および前記第１組合せとは異なる第２組合せにおいて学習した全結合部を有することを特徴とするタイヤ物理情報推定方法。

Images