JP2024035286A - タイヤの性能の評価方法 - Google Patents

Abstract

【課題】タイヤの性能の評価方法、評価装置及び評価プログラムを提供する。【解決手段】タイヤの性能の評価方法は、評価対象となる評価対象タイヤについての測定値を入力とし、評価対象タイヤが装着された車両の乗り心地及び操縦安定性の少なくとも一方に対するドライバーの評価結果を予測する予測値を出力とするように機械学習された機械学習モデルに、測定値に対応する値を複数入力し、入力された複数の値に対する複数の予測値を出力させるステップと、出力された複数の予測値から、条件に合致する予測値に対応して入力された値を抽出するステップとを含み、評価結果は、基準タイヤが装着された車両の乗り心地及び操縦安定性の少なくとも一方を基準とする評価の結果である。【選択図】図１

Description

本発明は、タイヤの性能の評価方法、評価装置及び評価プログラムに関する。

特許文献１は、機械学習モデルを使用して、タイヤの接地面形状を表す画像に基づいて、タイヤ性能値を予測する方法を開示する。特許文献１によれば、予測の対象となるタイヤ性能値は、例えばＣＰ（コーナリングパワー）、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。

特開２０２１－１９５０３８号公報

ところで、上記したような、機械的に測定が可能なタイヤ性能値の少なくとも一部は、当該タイヤが装着される車両の乗り心地や、操縦安定性との相関を有するものと考えられる。しかし、車両の乗り心地及び操縦安定性についての評価は、少なくとも部分的にはドライバーによる官能評価に基づいているのが現状であり、タイヤ性能値との相関の観点で、乗り心地及び操縦安定性（タイヤ性能）を評価するための体系的な手法は提供されていなかった。

本発明は、タイヤの性能の評価方法、評価プログラム及び評価装置を提供することを目的とする。

第１観点に係るタイヤの性能の評価方法は、以下のステップを含む。
・評価対象となる評価対象タイヤについての測定値を入力とし、前記評価対象タイヤが装着された車両の乗り心地及び操縦安定性の少なくとも一方に対するドライバーの評価結果を予測する予測値を出力とするように機械学習された機械学習モデルに、前記測定値に対応する値を複数入力し、前記入力された複数の値に対する複数の前記予測値を出力させるステップ
・前記出力された複数の予測値から、条件に合致する予測値に対応して入力された前記値を抽出するステップ
なお、前記評価結果は、基準タイヤが装着された前記車両の乗り心地及び操縦安定性の少なくとも一方を基準とする評価の結果である。

第２観点に係るタイヤの性能の評価方法は、第１観点に係るタイヤの性能の評価方法であって、前記評価結果は、前記評価対象タイヤが装着された前記車両の乗り心地に対する評価結果であり、前記測定値は、横バネ定数、縦バネ定数及び動バネ定数の少なくとも１つを含む。

第３観点に係るタイヤの性能の評価方法は、第１観点または第２観点に係るタイヤの性能の評価方法であって、前記評価結果は、前記評価対象タイヤが装着された前記車両の操縦安定性に対する評価結果であり、前記測定値は、動バネ定数、コーナリングパワー、最大コーナリングフォース、及びセルフアライニングトルクの少なくとも１つを含む。

第４観点に係るタイヤの性能の評価方法は、第１観点から第３観点のいずれかに係るタイヤの性能の評価方法であって、前記基準タイヤについての測定値及び学習用タイヤについての測定値と、正解データとを組み合わせた学習用のデータセットを複数準備することと、前記学習用のデータセットを用いて、前記測定値に対応する値を入力すると、前記正解データに対応する値を出力するように、前記機械学習モデルを定義するパラメータを調整することとをさらに含む。
なお、前記正解データは、前記ドライバーが、前記学習用タイヤが装着された前記車両の乗り心地及び操縦安定性の少なくとも一方を、前記基準タイヤが装着された前記車両の乗り心地及び操縦安定性の少なくとも一方を基準として評価した評価結果を表す。

第５観点に係るタイヤの性能の評価プログラムは、以下のことをコンピュータに実行させる。
・評価対象となる評価対象タイヤについての測定値を入力とし、前記評価対象タイヤが装着された車両の乗り心地及び操縦安定性の少なくとも一方に対するドライバーの評価結果を予測する予測値を出力とするように機械学習された機械学習モデルに、前記測定値に対応する値を複数入力し、前記入力された複数の値に対する複数の前記予測値を出力させるステップ
・前記出力された複数の予測値から、条件に合致する予測値に対応して入力された前記値を抽出するステップ
なお、前記評価結果は、基準タイヤが装着された前記車両の乗り心地及び操縦安定性の少なくとも一方を基準とする評価の結果である。

第６観点に係るタイヤの性能の評価装置は、記憶部と、導出部と、抽出部とを備える。記憶部は、評価対象となる評価対象タイヤについての測定値を入力とし、前記評価対象タイヤが装着された車両の乗り心地及び操縦安定性の少なくとも一方に対するドライバーの評価結果を予測する予測値を出力とするように機械学習された機械学習モデルを定義するパラメータを記憶する。導出部は、前記測定値に対応する値を前記機械学習モデルに複数入力し、前記入力された複数の値に対する複数の前記予測値を導出する。抽出部は、前記出力された複数の予測値から、条件に合致する予測値に対応して入力された前記値を抽出する。
なお、前記評価結果は、基準タイヤが装着された前記車両の乗り心地及び操縦安定性の少なくとも一方を基準とする評価の結果である。

本発明によれば、学習済みの機械学習モデルを用いて、タイヤの測定値に対応する値に基づき、乗り心地や操縦安定性といったタイヤの性能の評価結果が予測されることにより、タイヤの性能評価を予備的に行うことができる。そして、条件に合致する予測値から、これに対応する入力値が抽出されることにより、目標とするタイヤの性能を実現するための知見が効率的に得られる。

一実施形態に係るタイヤの性能の評価装置の電気的構成を示すブロック図。 予測モデルを用いたタイヤの性能の評価方法を示すフローチャート。 予測モデルの生成方法を示すフローチャート。

以下、本発明の実施形態に係るタイヤの性能の評価方法、評価装置及び評価プログラムについて説明する。

＜１．概要＞
図１は、本発明の一実施形態に係る評価装置１の電気的構成を示すブロック図である。評価装置１は、主としてタイヤの設計開発の場面で使用され、特に目標とする乗り心地や操縦安定性（以下、これらをまとめて「タイヤの性能」と称する）を実現するためのタイヤの設計開発を支援する。こうしたタイヤの開発では、コントロールタイヤ（以下、「基準タイヤ」とも称する）と称されるタイヤの性能を基準として、目標とする性能を実現するタイヤの開発がしばしば行われる。そして、上述したようなタイヤの性能の評価は、１または複数の専門の試験者（以下、「ドライバー」とも称する）により行われる。ドライバーは、実際に基準タイヤを装着した車両を運転して得られる感覚と、試作タイヤ（以下、「評価対象タイヤ」とも称する）を装着した同じ車両を運転して得られる感覚とを比較する官能評価を行う。すなわち、ドライバーは、基準タイヤが装着された車両の乗り心地及び操縦安定性の少なくとも一方を評価した結果を基準として、評価対象タイヤが装着された車両の乗り心地及び操縦安定性の少なくとも一方を評価する。

上記官能評価におけるタイヤの性能の評価は、ドライバーによりばらつきが生じたり、また、同じドライバーであっても体調によってぶれを生じたりすることがある。加えて、機械的に測定が可能なタイヤの測定値とタイヤの性能との定量的な相関については、未だ検討の途上である。これにより、特定の性能について目標とする評価を実現するためには、人の感覚を頼りにタイヤの試作を繰り返すことが必要となり、効率的な開発の妨げとなっていた。本発明は、このような現状に鑑みてなされたものであり、評価対象タイヤの１または複数の測定値に基づき、特定のドライバーによる評価対象タイヤの評価を予測する機械学習モデルを用いて、タイヤの測定値と官能評価との相関に対する知見を深め、効率的に開発を行うことを支援する。

＜２．評価装置の構成＞
評価装置１は、ハードウェアとしては汎用のコンピュータであり、例えば、デスクトップパソコン、ラップトップパソコン、タブレット、スマートフォンとして実現される。評価装置１は、ＣＤ－ＲＯＭ、ＵＳＢメモリ等のコンピュータで読み取り可能な記録媒体１３３から、或いはネットワークを介して、プログラム１３２を汎用のコンピュータにインストールすることにより製造される。プログラム１３２は、評価装置１に後述する動作を実行させる。

評価装置１は、制御部１０、表示部１１、入力部１２、記憶部１３、及び通信部１４を備える。これらの部１０～１４は、互いにバス線１５を介して接続されており、相互に通信可能である。表示部１１は、液晶ディスプレイ、有機ＥＬディスプレイ、プラズマディスプレイ、タッチパネルディスプレイ等で構成することができ、後述する機械学習モデルの機械学習過程における誤差、及び機械学習モデルから導出される出力結果等を表示する。入力部１２は、マウス、キーボード、タッチパネル等で構成することができ、評価装置１に対する操作を受け付ける。表示部１１及び入力部１２は、ともに同じタッチパネルディスプレイで構成されてもよい。

記憶部１３は、ハードディスク及びフラッシュメモリ等の不揮発性メモリで構成することができる。記憶部１３内には、プログラム１３２が記憶されている他、後述する機械学習により構築される学習済みの機械学習モデル１３１Ａを定義するパラメータが記憶される。

制御部１０は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＲＯＭ及びＲＡＭ等で構成することができる。制御部１０は、記憶部１３内のプログラム１３２を読み出して実行することにより、仮想的に取得部１０Ａ、導出部１０Ｂ、画面生成部１０Ｃ、抽出部１０Ｄ及び学習部１０Ｅとして動作する。取得部１０Ａは、入力部１２や通信部１４等を介して、評価対象タイヤの測定値を取得する。導出部１０Ｂは、タイヤの測定値（測定値に対応する値を含む）を機械学習モデルに入力し、機械学習モデルからの出力を導出する。画面生成部１０Ｃは、導出部１０Ｂにより導出された出力に基づいて、（予測される）評価対象タイヤの性能の評価結果を表示する画面を生成する。通信部１４は、ネットワークを介したデータ通信を行う通信インターフェースとして機能する。抽出部１０Ｄ及び学習部１０Ｅの動作については、後述する。

＜３．機械学習モデルの構成＞
以下、機械学習モデルの構成について説明する。上述したように、本実施形態の機械学習モデルは、学習済みの機械学習モデル１３１Ａである。学習済みの機械学習モデル１３１Ａ（以下、単に「機械学習モデル１３１Ａ」とも称する）は、予め決まった１または複数のドライバーごとに構築される。つまり、機械学習モデル１３１Ａは、層構成が共通であって、ドライバーごとに最適化されたパラメータで定義された１または複数の機械学習モデル１３１の総称である。これらの機械学習モデル１３１を定義するパラメータは、例えばドライバーを識別する情報とそれぞれ関連付けられて記憶部１３に保存される。そして、特定のドライバーの評価結果を予測することにより、評価対象タイヤの性能を評価する際には、当該ドライバーについて構築された機械学習モデル１３１が適用される。

機械学習モデル１３１へ入力される入力データは、評価対象タイヤの１または複数の測定値、またはこれに対応する１または複数の値である。測定値としては、評価対象タイヤ単体を測定して得られるデータであれば、特に限定されず、例えば横バネ定数、縦バネ定数、動バネ定数、コーナリングパワー（ＣＰ）、最大コーナリングフォース、ＳＡＴ、ＣＴＰ、Ｈ（α）、Ｇ（α）等が挙げられる。中でも、乗り心地についての評価を予測する場合は、入力データに横バネ定数、縦バネ定数及び動バネ定数の少なくとも１つの測定値が含まれることが好ましく、操縦安定性についての評価を予測する場合は、入力データに動バネ定数、ＣＰ、最大コーナリングフォース及びセルフアライニングトルクのうち少なくとも１つの測定値が含まれることが好ましい。これらの測定値は、当該タイヤが装着された車両の挙動を台上で再現して測定するような、公知のタイヤ性能試験機等を用いて測定することができる。

本実施形態の機械学習モデル１３１Ａは、ニューラルネットワーク（ＮＮ）をベースとするモデルであり、評価対象タイヤの複数の測定値またはこれに対応する複数の値を入力とし、１または複数の評価項目に対するドライバーの評価結果に対応する値を出力とする。上述したように、以下で説明するモデルの層構成は、本実施形態ではドライバーによらず共通である。

機械学習モデル１３１Ａは、各々、所定の数のノードを有する入力層と、中間層と、出力層とを備える。入力層は、入力されるデータを読み込むための層であり、入力されるデータの数と同数のノードを有する。入力層の各ノードからは、入力された値がそのまま出力され、入力層の直後に接続される、第１中間層の各ノードへ入力される。

第１中間層の各ノードは、入力に対し、重みｗを掛けてバイアスｂを加えた値を算出する。そして、算出された値を、活性化関数により変換した値を後続の中間層のノードへと出力する。ここでの入力は、入力層で読み込まれた複数の値であり、入力層のどのノードの値が入力されるかは、適宜設定することができる。重みｗは、入力層の各ノードから、第１中間層の各ノードへと受け渡される値のそれぞれに対し、後述する学習処理により調整済みである。つまり、第１中間層の各ノードに対しては、これに入力される値の数の対応した数の重みｗが、それぞれ最適化されている。加えて、ノードの数に対応した数のバイアスｂも、後述する学習処理によりそれぞれ最適化されている。

活性化関数は、非線形変換を実現するための関数である。活性化関数としては、特に限定されず、ｔａｎｈ関数、シグモイド関数、ＲｅＬＵ関数、ステップ関数、ＥＬＵ関数、Ｓｏｆｔｍａｘ関数等、公知の活性化関数を採用することができる。

第１中間層の各ノードから出力された値は、好ましくは、後続の中間層の各ノードに入力される。後続の中間層も、所定の数のノードを有し、各ノードについて、重みｗ及びバイアスｂが後述する学習処理によって最適化されている。各ノードは、第１中間層と同様に、入力された値に対し、これに対応する重みｗ及びバイアスｂと、活性化関数とを用いて算出される値を出力する。すなわち、中間層では、原則として第１中間層と同様の処理が繰り返される。ただし、最後に続く中間層では、入力に対し、最適化された重みｗ及びバイアスｂを用いた線形変換が行われるが、活性化関数による非線形変換は行われない。すなわち、最後に続く中間層の各ノードから出力される線形変換後の値が、出力層の各ノードへの入力となる。なお、中間層の数は、好ましくは２以上であるが、特に限定されず、適宜設定することができる。

出力層は、１または複数の評価項目の数に対応した数のノードを有し、各ノードは、典型的には、入力された値をそのまま出力する。各ノードからの出力は、これに対応する評価項目に対して予測される、タイヤの性能の評価を表す値である。この出力値が、機械学習モデル１３１Ａの出力となる。すなわち、この出力は、ドライバーが、評価対象タイヤが装着された車両の乗り心地及び操縦安定性の少なくとも一方を、基準タイヤが装着された車両の乗り心地及び操縦安定性の少なくとも一方を基準として評価した評価結果に対応する。

乗り心地に関連する評価項目としては、例えば感じられる振動の種類（細かい振動、粗い振動、人体に共振する振動等）、及び突き上げ感等が挙げられる。操縦安定性に関連する評価項目としては、収斂性、手応え、応答性、グリップ感及び硬さ等が挙げられる。本実施形態では、各評価項目についての評価は、基準タイヤの官能試験の評価を基準とする段階的な数値指標により行われる。例えば、基準タイヤの官能試験の各評価項目についての指標を「３」として、各評価項目の上限を「５」、下限を「１」とすれば、評価対象タイヤの（基準タイヤと比較した相対的な）性能を、１～５までの数値を選択することにより５段階評価することができる。機械学習モデル１３１Ａにより出力される出力データは、１または複数の評価項目に対する、ドライバーの５段階評価結果の各予測値であるとも言うことができる。

以上のように、本実施形態の機械学習モデル１３１Ａは、複数の入力データに対し、１または複数の評価項目に対応して、予測される評価結果を出力するように構成される。しかしながら、ＮＮをベースとする機械学習モデル１３１Ａの構成は、上記実施形態のものに特に限定されない。例えば、機械学習モデル１３１Ａは、評価結果の予測値そのものではなく、ドライバーにより選択されると予測される、１または複数の評価項目に対する評価指標の確率を出力するように構成されてもよい（この場合、出力層の活性化関数としては、例えばｓｏｆｔｍａｘ関数を使用することができる）。この場合、各評価項目のうち、最も確率が高い評価指標を評価指標の予測値とすることができる。すなわち、機械学習モデル１３１Ａから出力される予測値には、予測値そのもの以外にも、予測値に換算可能な値が含まれてもよい。

＜４．評価方法＞
次に、図２を参照しつつ、評価装置１の動作を含む評価対象タイヤの評価方法について説明する。

まず、取得部１０Ａが、複数の評価対象タイヤについての測定値を取得する（ステップＳ１）。上述したように、本実施形態の測定値は、１つの評価対象タイヤについて複数種類が取得され、各々の測定値は、公知のタイヤ性能試験機を用いて取得することができる。取得部１０Ａによる測定値の取得は、例えば評価装置１のユーザ（典型的には、タイヤの開発設計者）が入力部１２を介して行ってもよいし、ＣＤ－ＲＯＭ、ＵＳＢメモリ等の記録媒体を介して行ってもよいし、ネットワークを介してタイヤ性能試験機からデータを読み出すことで行ってもよい。取得部１０Ａは、取得した測定値をＲＡＭまたは記憶部１３に保存する。

続いて、導出部１０Ｂが、入力部１２を介して、ドライバーごとに構築された機械学習モデル１３１の中から、１または複数の評価項目に対応する、１または複数の機械学習モデル１３１の選択を受け付ける（ステップＳ２）。この選択は、各々の機械学習モデル１３１に関連付けられているドライバーを識別する情報を選択することにより行われてもよい。

続いて、導出部１０Ｂが、ステップＳ１で取得した複数の評価対象タイヤについての測定値を機械学習モデル１３１に入力し、これら入力に対する複数の出力を、機械学習モデル１３１から導出する（ステップＳ３）。上述したように、これらの出力は、複数の評価対象タイヤの各々について導出される、タイヤの性能について予め定められた各評価項目に対応する数値指標の予測値である。なお、機械学習モデル１３１の出力が、確率を表す値である場合は、選択される確率が最も高いと予測される評価指標を、数値指標の予測値とすることができる。

続いて、抽出部１０Ｄが、入力部１２を介して、予測値を抽出するための条件の入力を受け付ける（ステップＳ４）。予測値を抽出するための条件とは、例えば１または複数の特定の評価項目における値が閾値以上（または閾値以下）である、１または複数の特定の評価項目における値が目標とする目標値と合致する、あるいは目標値からの差が所定の範囲内である等、適宜設定することができる。ユーザは、入力部１２を介して、抽出の対象となる評価項目、抽出条件の閾値、目標値、重み付けを変更する評価項目、及び重み付けの度合い等を必要に応じて入力し、抽出の条件を指定することができる。なお、本実施形態における目標値は、基準タイヤを基準として設定された各評価項目の評価指標であり、評価項目により基準タイヤと同じ評価指標でもあり得るし、基準タイヤの評価指標を変更した評価指標でもあり得る。

抽出部１０Ｄは、指定された条件に基づいて、これに合致する予測値を抽出し、さらに抽出された予測値に対応して入力された測定値を抽出する（ステップＳ５）。例えば、予測値の全評価項目について、目標値と合致する、または合致度が高い予測値を抽出する条件が指定された場合、抽出部１０Ｄは、目標値とステップＳ３で導出された各予測値との合致度を算出し、合致度に応じて複数の予測値をソートする。

予測値のソート方法は特に限定されないが、例えば、各評価項目について目標値と予測値との差を算出し、これらの全評価項目についての二乗和が小さければ小さいほど合致度が高い方にソートし、大きければ大きいほど合致度が低い方にソートすることができる。また、例えば、各評価項目について目標値と予測値との差を算出し、この差が所定の閾値を超えた評価項目が少なければ少ないほど合致度が高い方にソートし、多ければ多いほど合致度が低い方にソートすることができる。これらのソート方法はあくまで例示であり、これに加え、ステップＳ４で受け付けられた入力に基づいて、評価項目ごとに重み付けがなされてもよい。

予測値のソートにより、予測値に紐づく測定値、つまり予測値に対応してステップＳ３で入力された測定値も同様にソートされる。この結果に基づき、抽出部１０Ｄは、合致度が最も高い予測値に対応する測定値を抽出する。測定値は、合致度が高いものから順に複数の評価対象タイヤに係るものが抽出されてもよい。なお、抽出部１０Ｄは、ステップＳ４で別の条件が指定された場合でも、当該条件に基づいて公知のアルゴリズムに従って出力された予測値を検索し、条件に合致する予測値と測定値とを抽出することができる。

続いて、画面生成部１０Ｃが、ステップＳ５で抽出された測定値を示す結果画面を生成し、表示部１１を介して表示する（ステップＳ６）。結果画面は、抽出された測定値そのものを表示してもよいが、これに加えてまたはこれに代えて、当該測定値を有する評価対象タイヤを特定する情報を表示してもよい。また、結果画面は、目標値、抽出された測定値に基づく予測値、及び合致度等を表示してもよいし、抽出された測定値以外の測定値と予測値との組を、ステップＳ４のソート結果に従って、合致度の高い順に配列して表示してもよい。

ユーザは、結果画面を確認することにより、多数の評価対象タイヤの中から、目的とする性能を実現し得るタイヤを特定することができる。つまり、ドライバーが評価対象タイヤについての官能評価を行うのに先立って、多数の評価対象タイヤの中から優先的に官能評価を行うべき評価対象タイヤを特定することができる。また、ステップＳ２において、別のドライバーについて構築された機械学習モデル１３１を選択することにより、他のドライバーについても同様にステップＳ３～ステップＳ６を実行することができ、ドライバーによらず同じような測定値が抽出されるか否かを検証することもできる。

＜５．学習方法＞
以下、図３を参照しつつ、学習済みの機械学習モデル１３１Ａを生成するための方法、つまり、学習部１０Ｅにより実行される機械学習モデルの学習方法について説明する。

上述したように、本実施形態の機械学習モデル１３１Ａは、ドライバー別に生成される。このため、機械学習モデル１３１Ａの学習用データセットもドライバー別に準備されるが、性能の評価項目及び測定値は、各学習用データセットで共通である。このため、以下では特定のドライバーに関連した機械学習モデルの学習方法について説明する。

学習用データセットは、タイヤについての１または複数の測定値と、正解データとが組み合わされた多数のデータセットである。ここで、タイヤは、基準タイヤと、基準タイヤ以外の学習用タイヤとを含む。学習用タイヤは、例えば試作タイヤ等であり、評価対象タイヤに対応する。正解データは、タイヤが装着された車両の乗り心地及び操縦安定性の少なくとも一方を、特定のドライバーが評価した評価結果を表す。なお、学習用タイヤの評価結果は、基準タイヤが装着された前記車両の乗り心地及び操縦安定性の少なくとも一方を基準として評価した評価結果である。従って、本実施形態の正解データは、各評価項目についての評価結果の基準値（例えば、「３」等、一定の値）と、基準値に対する相対値で表された、各評価項目についての評価結果とを含む。

上述した学習用データセットは、タイヤの設計開発の現場において、ドライバーが官能評価を行うことにより蓄積されるデータに基づいて準備することができる（ステップＳ１１）。本実施形態では、準備された学習用データセットは、記録媒体やネットワークを介して評価装置１に取り込まれ、学習部１０Ｅによって学習用データセット１３４として記憶部１３に保存される。学習部１０Ｅは、学習用データセット１３４を、パラメータ調整用の訓練用データセットと、精度検証用のテスト用データセットとに予め分けて保存する。両者の割合は、適宜設定することができる。

続いて、学習部１０Ｅが、訓練用データセットを所定の数のデータセットごとに分割し、複数のサブセットとする（ステップＳ１２）。所定の数は、次のステップＳ１３で１回当たりに機械学習モデルに入力するデータの数であり、適宜設定することができる。

続いて、学習部１０Ｅがサブセットの１つを選択し、選択したサブセットに含まれる計測値のデータを機械学習モデルに入力し、機械学習モデルからの出力を導出する（ステップＳ１３）。出力は、入力された計測値のデータにそれぞれ組み合わされている正解データに対応するデータであり、本実施形態では、所定の評価項目に対応する評価指標の予測値である。

続いて、学習部１０Ｅが、ステップＳ１３で導出された出力と、ステップＳ１３で入力された測定値のデータに組み合わせられている正解データとの誤差関数の値が最小となるようにパラメータを調整する（ステップＳ１４）。より具体的には、学習部１０Ｅが、誤差逆伝播法により、機械学習モデルの中間層における重み係数及びバイアス等を調整し、更新する。

続いて、学習部１０Ｅが、１エポックの学習が完了したか否かを判断する（ステップＳ１４）。本実施形態では、ステップＳ１２で作成された各サブセットについて、ステップＳ１３及びＳ１４が１巡した場合に、１エポックの学習が完了したと判断される。１エポックの学習が完了していないと判断された場合（ＮＯ）、学習部１０Ｅは、まだ使用されていないサブセットを用いて、ステップＳ１３～ステップＳ１４を繰り返す。一方、１エポックの学習が完了したと判断された場合（ＹＥＳ）、ステップＳ１５が実行される。なお、この過程では、過学習を防止するために、ランダムでノードを消失させるドロップアウト法が適用されてよい。

続くステップＳ１５では、学習部１０Ｅが、全エポックの学習が完了したか否かを判断する。全エポック数は、特に限定されず、適宜設定することができる。全エポックの学習が完了していないと判断された場合（ＮＯ）、学習部１０Ｅは、前回のエポックと同じ順でサブセットを選択しながら、ステップＳ１３～ステップＳ１４を繰り返す。一方、全エポックの学習が完了したと判断された場合（ＹＥＳ）、学習部１０Ｅは、最新のパラメータを記憶部１３に格納し、これを学習済みの機械学習モデル１３１Ａを定義するパラメータとする。つまり、以上の手順により、学習済みの機械学習モデル１３１Ａが生成される。

なお、学習部１０Ｅは、学習が１エポック終了するごとに、テスト用データをその時点の機械学習モデルに入力して、その出力とテスト用データの正解データに対する誤差を算出し、算出結果を表示部１１に表示してもよい。これにより、全エポックの学習が終了する前に、機械学習モデルの出力の誤差が所定の範囲内に収束したと考えられる場合は、その時点で学習を終了させてもよい。

＜６．特徴＞
以上の評価装置１によれば、ドライバーごとの官能評価の特徴を学習した機械学習モデル１３１によって、多数の評価対象タイヤに対する評価結果を予測することにより、実運転をせずに予備的なタイヤの性能評価を行うことができる。そして、多数の予測値の中から、指定した条件に合致する予測値を出力するための測定値を抽出することができる。これにより、優先的に官能評価を行うべき評価対象タイヤを特定することができるとともに、具体的なタイヤの測定値とタイヤの性能評価（乗り心地や操縦安定性）との相関について、より多くの知見が得られることが期待される。

また、機械学習モデル１３１を複数のドライバーに関連して構築することにより、各ドライバーに普遍的な傾向や、ドライバーにより差が出やすい評価項目等について、より多くの知見が得られる。これにより、どの測定値がどの程度乗り心地や操縦安定性に作用するか、あるいは作用しないかの検討がさらに促進されると考えられる。

＜７．変形例＞
以上、本発明の一実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、その趣旨を逸脱しない限りにおいて、種々の変更が可能である。以下に示す変形例の要旨は、適宜組み合わせることができる。

（１）
上記実施形態では、機械学習モデル１３１ＡとしてＮＮをベースとしたモデルが用いられたが、機械学習モデルはこれに限定されず、サポートベクタ―マシン（ＳＶＭ）、畳み込みニューラルネットワーク（ＣＮＮ）モデル、Ｋ－ＮＮモデル、クラスタリング、k-means、決定木、ロジスティック回帰モデルを用いたモデル等、その他の機械学習モデル及びこれらを組み合わせたモデルが用いられてもよい。また、ＮＮをベースとするモデルであっても、層構成等は適宜変更することができる。例えば、機械学習モデル１３１Ａは、中間層以降が評価項目ごとに分かれたモデルであってもよい。この場合、出力層も各評価項目に対応して複数とすることができる。さらに、機械学習モデル１３１は、性能の評価項目ごとに１つ構築されてもよい。つまり、１つの機械学習モデル１３１で出力される値は、１つの評価対象タイヤについて１つであってもよい。また、いずれのモデルを採用した場合でも、機械学習モデル１３１で出力される値は、評価指標の予測値そのものであってもよいし、例えば評価指標１～５のそれぞれがドライバーによって選択される確率を表す値であってもよい。機械学習モデル１３１Ａの学習方法も上記実施形態に限定されず、確率的勾配降下法等、公知のパラメータ最適化アルゴリズムを適用することができ、損失関数も特に限定されず、出力されるデータの性質に応じて適宜選択することができる。

（２）
上記実施形態では、ステップＳ３で出力が導出された後、機械学習モデル１３１の信頼性に対する検証がさらに行われてもよい。この検証は、機械学習モデル１３１に入力された測定値を有する評価対象タイヤの少なくとも１つについて、ステップＳ２で選択されたドライバーが実際に行った官能評価の結果が得られる場合に行うことができる。抽出部１０Ｄは、少なくとも１つの評価対象タイヤについて、ドライバーによる官能評価の結果と、当該評価対象タイヤに関する予測値とを比較し、ドライバーによる官能評価の結果に対する予測値の差が基準範囲内であるか否かを判定する。この比較は、例えば、ステップＳ４において目標値に対する予測値の合致度を算出するのと同様に、官能評価の結果に対する予測値の合致度を算出し、この合致度を予め定められた閾値で規定する基準範囲と比較することにより行うことができる。そして、ドライバーによる官能評価の結果に対する予測値の差が基準範囲内であれば、ステップＳ３で導出された予測値の信頼性がより高いと判断し、上記差が基準範囲を超えていれば、ステップＳ３で導出された予測値の信頼性がより低いと判断することができる。画面生成部１０Ｃは、予測値の信頼性に対する情報を作成する結果画面で表示してもよい。

（３）
上記実施形態では、性能評価指標として５段階指標を用いたが、性能評価指標はこれに限定されず、適宜変更することができる。

（４）
上記実施形態では、評価装置１は１つの装置として構成されたが、各部１０Ａ～１０Ｅ、記憶部１３の機能は、複数の装置に分散されていてもよい。例えば、機械学習モデルの学習はネットワークを通じて提供されるサービスにより行い、構築された機械学習モデル１３１Ａを評価装置１に保存することとしてもよい。

（５）
評価装置１の制御部１０は、ＣＰＵやＧＰＵの他、ベクトルプロセッサ、ＦＰＧＡ（Field Programmable Gate Array）、ＡＳＩＣ（Application Specific Integrated Circuit）、その他人工知能専用チップ等を含んで構成されてもよい。また、制御部１０の動作は、１または複数のプロセッサにより実行されてもよい。

（６）
ステップＳ３において機械学習モデル１３１に入力される値は、評価対象タイヤの実際の測定値でなくてもよく、これに対応する値であってもよい。より具体的には、評価対象タイヤの測定値を適宜加工した値や、実際には作製されていないタイヤについて想定される、仮想の値等であってもよい。

１ 評価装置
１０ 制御部
１０Ａ 取得部
１０Ｂ 導出部
１０Ｃ 画面生成部
１０Ｄ 抽出部
１３１，１３１Ａ 機械学習モデル（予測モデル）

Claims (6)

1. 評価対象となる評価対象タイヤについての測定値を入力とし、前記評価対象タイヤが装着された車両の乗り心地及び操縦安定性の少なくとも一方に対するドライバーの評価結果を予測する予測値を出力とするように機械学習された機械学習モデルに、前記測定値に対応する値を複数入力し、前記入力された複数の値に対する複数の前記予測値を出力させるステップと、
   前記出力された複数の予測値から、条件に合致する予測値に対応して入力された前記値を抽出するステップと
   を含み、
   前記評価結果は、基準タイヤが装着された前記車両の乗り心地及び操縦安定性の少なくとも一方を基準とする評価の結果である、
   タイヤの性能の評価方法。
2. 前記評価結果は、前記評価対象タイヤが装着された前記車両の乗り心地に対する評価結果であり、前記測定値は、横バネ定数、縦バネ定数及び動バネ定数の少なくとも１つを含む、
   請求項１に記載のタイヤの性能の評価方法。
3. 前記評価結果は、前記評価対象タイヤが装着された前記車両の操縦安定性に対する評価結果であり、前記測定値は、動バネ定数、コーナリングパワー、最大コーナリングフォース、及びセルフアライニングトルクの少なくとも１つを含む、
   請求項１または２に記載のタイヤの性能の評価方法。
4. 前記基準タイヤについての測定値及び学習用タイヤについての測定値と、正解データとを組み合わせた学習用のデータセットを複数準備することと、
   前記学習用のデータセットを用いて、前記測定値に対応する値を入力すると、前記正解データに対応する値を出力するように、前記機械学習モデルを定義するパラメータを調整することと
   をさらに含み、
   前記正解データは、前記ドライバーが、前記学習用タイヤが装着された前記車両の乗り心地及び操縦安定性の少なくとも一方を、前記基準タイヤが装着された前記車両の乗り心地及び操縦安定性の少なくとも一方を基準として評価した評価結果を表す、
   請求項１または２に記載のタイヤの性能の評価方法。
5. 評価対象となる評価対象タイヤについての測定値を入力とし、前記評価対象タイヤが装着された車両の乗り心地及び操縦安定性の少なくとも一方に対するドライバーの評価結果を予測する予測値を出力とするように機械学習された機械学習モデルに、前記測定値に対応する値を複数入力し、前記入力された複数の値に対する複数の前記予測値を出力させるステップと、
   前記出力された複数の予測値から、条件に合致する予測値に対応して入力された前記値を抽出するステップと
   をコンピュータに実行させ、
   前記評価結果は、基準タイヤが装着された前記車両の乗り心地及び操縦安定性の少なくとも一方を基準とする評価の結果である、
   タイヤの性能の評価プログラム。
6. 評価対象となる評価対象タイヤについての測定値を入力とし、前記評価対象タイヤが装着された車両の乗り心地及び操縦安定性の少なくとも一方に対するドライバーの評価結果を予測する予測値を出力とするように機械学習された機械学習モデルを定義するパラメータを記憶する記憶部と、
   前記測定値に対応する値を前記機械学習モデルに複数入力し、前記入力された複数の値に対する複数の前記予測値を導出する導出部と、
   前記出力された複数の予測値から、条件に合致する予測値に対応して入力された前記値を抽出する抽出部と
   を備え、
   前記評価結果は、基準タイヤが装着された前記車両の乗り心地及び操縦安定性の少なくとも一方を基準とする評価の結果である、
   タイヤの性能の評価装置。