JP3393499B2 - Road surface condition detection device - Google Patents
Road surface condition detection deviceInfo
- Publication number
- JP3393499B2 JP3393499B2 JP29589494A JP29589494A JP3393499B2 JP 3393499 B2 JP3393499 B2 JP 3393499B2 JP 29589494 A JP29589494 A JP 29589494A JP 29589494 A JP29589494 A JP 29589494A JP 3393499 B2 JP3393499 B2 JP 3393499B2
- Authority
- JP
- Japan
- Prior art keywords
- road surface
- neural network
- road
- vehicle speed
- detecting means
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Traffic Control Systems (AREA)
Description
【０００１】[0001]
【産業上の利用分野】本発明は、車両の走行時のロード
ノイズに基づいて路面状態を検出する路面状態検出装置
に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a road surface state detecting device for detecting a road surface state based on road noise when a vehicle is running.
【０００２】[0002]
【従来の技術】従来、ロードノイズに基づいて車両が走
行している路面の状態を検出する路面状態検出装置と称
呼されるものが提案されている。かかる路面状態検出装
置として、本出願人は、特願平５−３４００５２号にお
いて、車輪から発生されるロードノイズを検出し、その
検出されたロードノイズの各周波数成分のパターンから
ニューラルネットワークを利用して路面状態を判別する
路面状態検出装置を提案した。2. Description of the Related Art Conventionally, a so-called road surface state detecting device for detecting a state of a road surface on which a vehicle is traveling based on road noise has been proposed. As such a road surface state detecting device, the applicant of the present application, in Japanese Patent Application No. 5-340052, detects a road noise generated from a wheel and uses a neural network from a pattern of each frequency component of the detected road noise. We have proposed a road surface condition detection device that discriminates the road surface condition.
【０００３】[0003]
【発明が解決しようとする課題】しかしながら、上記従
来の路面状態検出装置では、１つのニューラルネットワ
ークで全車速領域における全種類の路面状態を判別して
いたために、ニューラルネットワークに入力する周波数
パターンが類似する路面状態間では、その路面状態の判
別を誤ることがあった。このような場合に、判別精度を
向上させるために学習データを変更することがあるが、
変更後の学習データに基づいて路面状態を判別したとき
に、精度向上を狙った部分の精度は向上するものの、そ
れ以外の部分の精度が悪化することが多く、全体として
の精度向上を図ることが困難な場合が多かった。However, in the above-mentioned conventional road surface condition detecting device, since one kind of neural network discriminates all kinds of road surface conditions in all vehicle speed regions, the frequency patterns input to the neural network are similar. In some cases, the road surface condition is erroneously determined between the road surface conditions. In such a case, the learning data may be changed to improve the discrimination accuracy.
When determining the road surface condition based on the changed learning data, the accuracy of the part aimed at improving the accuracy improves, but the accuracy of other parts often deteriorates, and the accuracy of the whole should be improved. Was often difficult.
【０００４】本発明は、上記問題に鑑みてなされたもの
で、全体としての路面状態の判別精度を向上させること
が可能な路面状態検出装置を提供することを目的とす
る。The present invention has been made in view of the above problems, and an object of the present invention is to provide a road surface state detecting device capable of improving the accuracy of determining the road surface state as a whole.
【０００５】[0005]
【課題を解決するための手段】上記目的を達成するため
本発明は、車輪から発生されるロードノイズを検出する
ロードノイズ検出手段と、路面状態を複数の種類に分類
し、該分類した各種類の路面状態毎に専用のニューラル
ネットワークを設け、該各専用のニューラルネットワー
クに前記ロードノイズ検出手段から検出されたロードノ
イズを入力することにより、該各専用のニューラルネッ
トワークからそれぞれ、対応する種類の路面状態の確か
らしさを出力し、該出力された各確からしさに基づいて
路面状態を判別する判別手段とを有することを特徴とす
る。In order to achieve the above object, the present invention provides a road noise detecting means for detecting road noise generated from a wheel and a road surface state classified into a plurality of types, and each of the classified types. the dedicated neural network provided for each road surface condition, by inputting the detected road noise from the road noise detecting means to said each dedicated neural network, each of said dedicated neural network
Each network has a certain type of road surface condition
And a discriminating means for discriminating the road surface state on the basis of the outputted respective probabilities .
【０００６】また、車輪から発生されるロードノイズを
検出するロードノイズ検出手段と、車速を検出する車速
検出手段と、車速を複数の領域に分類し、各車速領域毎
に専用のニューラルネットワークを設け、前記車速検出
手段から検出された車速に応じて前記専用のニューラル
ネットワークを選択し、そのニューラルネットワークを
用いて前記ロードノイズ検出手段から検出されたロード
ノイズに基づいて路面状態を判別する判別手段とを有す
ることを特徴とする。Further, road noise detecting means for detecting road noise generated from wheels, vehicle speed detecting means for detecting vehicle speed, and vehicle speed are classified into a plurality of areas, and a dedicated neural network is provided for each vehicle speed area. A discriminating means for discriminating the road surface condition based on the road noise detected by the road noise detecting means by selecting the dedicated neural network according to the vehicle speed detected by the vehicle speed detecting means, and using the neural network. It is characterized by having.
【０００７】[0007]
【作用】本発明の構成に依れば、分類された各種類の路
面状態毎に設けられた専用のニューラルネットワークに
ロードノイズ検出手段から検出されたロードノイズが入
力されて、該各専用のニューラルネットワークからそれ
ぞれ、対応する種類の路面状態の確からしさが出力さ
れ、該出力された各確からしさに基づいて路面状態が判
別される。According to the structure of the present invention, a dedicated neural network provided for each type of road surface conditions that are classified
Road noise has been detected from the load noise detection means is input
Force it from each of its dedicated neural networks
The reliability of each type of road surface condition is output.
Then, the road surface condition is determined based on the output certainty .
【０００８】また、判別手段により、車速検出手段によ
って検出された車速に応じてその車速領域専用のニュー
ラルネットワークが選択され、そのニューラルネットワ
ークを用いてロードノイズ検出手段から検出されたロー
ドノイズに基づいて路面状態が判別される。The discriminating means selects a neural network dedicated to the vehicle speed region in accordance with the vehicle speed detected by the vehicle speed detecting means, and based on the road noise detected by the road noise detecting means using the neural network. The road surface condition is determined.
【０００９】[0009]
【実施例】以下、本発明の実施例を図面に基づいて詳細
に説明する。Embodiments of the present invention will now be described in detail with reference to the drawings.
【００１０】図１は、本発明に係る路面状態検出装置の
一実施例の概略構成を示すブロック図である。FIG. 1 is a block diagram showing a schematic configuration of an embodiment of a road surface state detecting device according to the present invention.
【００１１】同図中、１は、ロードノイズを検出するロ
ードノイズ検出手段であり、本実施例ではマイクロフォ
ンにより構成されている。ロードノイズ検出手段１の出
力側は、該ロードノイズ検出手段１により検出されたロ
ードノイズを増幅する増幅器２および該増幅器２により
増幅されたロードノイズの周波数を分析するためのフィ
ルタ３を介して、詳細は後述するが、ニューラルネット
ワークを用いることにより路面状態を判定する判定部４
の一入力側に接続され、該判定部４の他の入力側には、
車両の速度を検出する車速検出手段５の出力側が接続さ
れている。判定部４は、これら入力された２つの信号に
応じて路面状態を判定し、その判定結果を、それぞれ警
報装置および運動制御装置（ともに図示せず）に出力す
る。In the figure, reference numeral 1 is a road noise detecting means for detecting road noise, which is constituted by a microphone in this embodiment. On the output side of the road noise detecting means 1, an amplifier 2 for amplifying the road noise detected by the road noise detecting means 1 and a filter 3 for analyzing the frequency of the road noise amplified by the amplifier 2, Although details will be described later, the determination unit 4 that determines the road surface state by using a neural network
Is connected to one input side of the
The output side of the vehicle speed detecting means 5 for detecting the speed of the vehicle is connected. The determination unit 4 determines the road surface state according to these two input signals, and outputs the determination results to an alarm device and a motion control device (neither is shown).
【００１２】図２は、前記ロードノイズ検出手段１およ
び車速検出手段５の配設位置を説明する図である。FIG. 2 is a diagram for explaining the positions where the road noise detecting means 1 and the vehicle speed detecting means 5 are arranged.
【００１３】同図において、車両Ｃは前置エンジン車で
あるものとし、マイクロフォンであるロードノイズ検出
手段１は、エンジン騒音の影響が少ない左右の後輪のホ
イールハウス内部の少なくとも一方に、石や水が直接当
たらないように配設され、車速検出手段５は、後輪ホイ
ール内の所定位置に左右の少なくとも一方に配設されて
いる。ここで、車速検出手段５は、車輪速度に応じた電
気的なパルス信号を発生する。In FIG. 1, the vehicle C is assumed to be a front engine vehicle, and the road noise detecting means 1 which is a microphone is provided with stones or the like on at least one of the inside of the wheel house of the left and right rear wheels where the influence of engine noise is small. The vehicle speed detecting means 5 is arranged so as not to be directly hit by water, and the vehicle speed detecting means 5 is arranged at a predetermined position in at least one of the left and right sides in the rear wheel. Here, the vehicle speed detecting means 5 generates an electric pulse signal according to the wheel speed.
【００１４】次に、判定部４が行う判定方法を、図３〜
図５に基づいて説明する。Next, the determination method performed by the determination unit 4 will be described with reference to FIGS.
A description will be given based on FIG.
【００１５】図３は、本実施例において使用されるニュ
ーラルネットワークモデルを示す図であり、（ａ）は、
路面のウェット（ＷＥＴ）の度合を判別するためだけに
用いるニューラルネットワークモデルを示し、（ｂ）
は、路面の荒れ具合を判別するためだけに用いるニュー
ラルネットワークモデルを示している。FIG. 3 is a diagram showing a neural network model used in this embodiment, and FIG.
A neural network model used only for determining the degree of wet (WET) on the road surface is shown (b).
Shows a neural network model used only for determining the degree of road surface roughness.
【００１６】図３に示すように、本実施例では、ニュー
ラルネットワークモデルとして、入力層、中間層、出力
層の３層構造を有するものを用い、その学習アルゴリズ
ムとして、バックプロパゲーション（Back-Propagatio
n；以下「ＢＰ」という）学習アルゴリズム（このＢＰ
学習アルゴリズムの詳細については、特願平５ー３４０
０５２号の明細書を参照）を採用している。入力層の各
細胞に入力される情報は、車速と１／３オクターブバン
ド毎に検出された特定周波数の音圧値であり、これらの
情報は、結合行列により重み付けされ、中間層の各細胞
に入力される。中間層では、例えばシグモイド関数によ
り各細胞毎にその出力が決定され、入力層から中間層へ
の処理と同様に、結合行列により重み付けされた出力
が、１つの出力層に入力される。そして、出力層では、
前記中間層での処理と同様にしてシグモイド関数により
最終的な出力が決定される。出力層から出力される値
は、シグモイド関数の値であるために、０〜１の範囲の
いずれかの値になる。即ち、出力層からは、「確からし
さ」を出力していることになる。As shown in FIG. 3, in this embodiment, a neural network model having a three-layer structure of an input layer, an intermediate layer, and an output layer is used, and its learning algorithm is back-propagation.
n; hereinafter referred to as "BP") Learning algorithm (this BP
For details of the learning algorithm, see Japanese Patent Application No. 5-340.
No. 052). The information input to each cell of the input layer is the vehicle speed and the sound pressure value of the specific frequency detected for each 1/3 octave band, and these information are weighted by the coupling matrix to each cell of the intermediate layer. Is entered. In the intermediate layer, the output is determined for each cell by, for example, a sigmoid function, and the output weighted by the coupling matrix is input to one output layer as in the processing from the input layer to the intermediate layer. And in the output layer,
The final output is determined by the sigmoid function in the same manner as the processing in the intermediate layer. Since the value output from the output layer is the value of the sigmoid function, it is any value in the range of 0 to 1. That is, "probability" is output from the output layer.
【００１７】（ａ）では、この「確からしさ」の大きさ
により、路面のウェットの度合を判別する。例えば、出
力層からの出力が“０”のときには全くの乾燥路である
と判別し、出力層からの出力が“１”に近づくに従って
ウェットの程度が大きくなるというように判別する。な
お、これとは逆に、出力層からの出力が“０”のときに
はウェット路であると判別し、出力層からの出力が
“１”に近づくに従って乾燥の程度が大きくなるという
ように判別するようにしてもよい。In (a), the degree of wetness of the road surface is determined by the magnitude of this "probability". For example, when the output from the output layer is "0", it is determined that the road is completely dry, and as the output from the output layer approaches "1", the degree of wetness increases. On the contrary, when the output from the output layer is “0”, it is determined to be a wet road, and it is determined that the degree of drying increases as the output from the output layer approaches “1”. You may do it.
【００１８】（ｂ）のニューラルネットワークモデルに
おける判別方法も上記（ａ）のニューラルネットワーク
モデルにおける判別方法と同様であり、両者のニューラ
ルネットワーク間で異なる点は、下位の出力層と上位の
出力層とを結び付ける結合行列の値および出力層から出
力される値の解釈であり、例えば、出力層からの出力が
“０”のときには路面が非常に滑らかであると判別し、
出力層からの出力が“１”に近づくに従って路面の凹凸
の程度が激しくなるというように判別する。The discrimination method in the neural network model of (b) is the same as the discrimination method in the neural network model of (a), and the difference between the two neural networks is that the lower output layer and the upper output layer are different. Is an interpretation of the value of the coupling matrix connecting the values and the value output from the output layer. For example, when the output from the output layer is “0”, it is determined that the road surface is very smooth,
As the output from the output layer approaches “1”, the degree of unevenness on the road surface becomes more severe.
【００１９】図４は、前記図３のニューラルネットワー
クに学習させる方法を説明するための図であり、学習の
目標は、第１層（入力層）にある入力が与えられたとき
に、第３層（出力層）の出力を、現在走行中の路面状態
（図３（ａ）のニューラルネットワークを用いたときに
は現在の路面のウェットの度合であり、図３（ｂ）のニ
ューラルネットワークを用いたときには現在の路面の荒
れ具合である）の確からしさに一致させることである。
具体的には、図４に示すように、車輪からのロードノイ
ズを前記ロードノイズ検出手段１によりデータサンプリ
ングし、そのサンプリングされたデータを周波数分析し
た後に、図３で説明したように車速データとともに入力
層へ入力させる。そして、現在の路面状態と出力層から
の最終出力（確からしさ）による路面状態とが一致する
ように、前記結合行列の各要素（重み）を決定する。FIG. 4 is a diagram for explaining the method of making the neural network of FIG. 3 learn. The learning target is the third when the input in the first layer (input layer) is given. The output of the layer (output layer) is the degree of wetness of the current road surface when the current running road surface state (when using the neural network of FIG. 3 (a), and when using the neural network of FIG. 3 (b). It is to match the certainty of the current road surface roughness).
Specifically, as shown in FIG. 4, the road noise from the wheel is sampled by the road noise detecting means 1, and the sampled data is subjected to frequency analysis. Input to the input layer. Then, each element (weight) of the coupling matrix is determined so that the current road surface state and the road surface state based on the final output (probability) from the output layer match.
【００２０】以上説明したように、本実施例に依れば、
路面のウェットの度合を判別するためにだけ用いるニュ
ーラルネットワークと路面の荒れ具合を判別するために
だけ用いるニューラルネットワークとを別々に設けたの
で、それぞれの路面に対する判定精度が向上するととも
に、判別精度の悪い路面に対するニューラルネットワー
クを再学習させることにより判別精度を向上させたとし
ても、他のニューラルネットワークへの影響を生じない
ために、路面状態検出装置全体としての開発が容易にな
る。As described above, according to this embodiment,
Since the neural network used only for determining the degree of wetness of the road surface and the neural network used only for determining the degree of roughness of the road surface are separately provided, the determination accuracy for each road surface is improved and the determination accuracy Even if the discrimination accuracy is improved by re-learning the neural network for a bad road surface, since it does not affect other neural networks, the development of the entire road surface state detecting device becomes easy.
【００２１】上述の例では、ニューラルネットワーク
を、路面のウェット度合判別用と路面の荒れ具合判別用
とに２つ設けたが、これに限らず、例えば路面のウェッ
トの度合が大きい領域と小さい領域および／または路面
の荒れ具合の大きい領域、小さい領域にそれぞれニュー
ラルネットワークを設けてもよい。In the above example, two neural networks are provided for determining the degree of wetness of the road surface and for determining the degree of roughness of the road surface. However, the present invention is not limited to this, and for example, an area where the degree of wetness of the road surface is large and a small area is small. And / or the neural network may be provided in each of a region where the road surface is rough and a region where the road surface is rough.
【００２２】さらに、１つのニューラルネットワークで
判定するパターンが少なくなるために、小規模なニュー
ラルネットワークを用いることができ、判別処理の速度
を向上させることができる。Further, since the number of patterns to be judged by one neural network is small, a small-scale neural network can be used, and the speed of the judgment processing can be improved.
【００２３】図５は、本発明の他の実施例に係る路面状
態検出装置が用いるニューラルネットワークモデルを示
す図であり、本実施例は、前記実施例に対して、車速別
にニューラルネットワークを設け、出力層から路面状態
のタイプＴＹＰＥｎ，ｎ＝１，２，…の確からしさを出
力する点が異なっているのみである。即ち、車速を複数
の領域に分類してそれぞれの車速領域にニューラルネッ
トワークを設けたものである。その他の構成は上記実施
例と同様であるので、詳細な説明を省略する。FIG. 5 is a diagram showing a neural network model used by a road surface condition detecting apparatus according to another embodiment of the present invention. In this embodiment, a neural network is provided for each vehicle speed in addition to the above embodiment, The only difference is that the output layer outputs the certainty of the road surface type TYPEn, n = 1, 2, .... That is, the vehicle speed is classified into a plurality of areas and a neural network is provided in each vehicle speed area. Other configurations are similar to those of the above-mentioned embodiment, and detailed description thereof will be omitted.
【００２４】本実施例では車速に対してニューラルネッ
トワークをいくつ用意すればよいか問題である。即ち、
あまり多くすると、ニューラルネットワークを記憶する
容量が増加するために、容量の大きな記憶手段を用いな
ければならず、コストが増大する。In the present embodiment, the problem is how many neural networks should be prepared for the vehicle speed. That is,
If the number is too large, the capacity for storing the neural network increases, so that a storage means with a large capacity must be used, which increases the cost.
【００２５】本実施例では、図５に示すように、１０ｋ
ｍ／ｈ毎に専用のニューラルネットワークを構成し、例
えば、車速が１５〜２５ｋｍ／ｈ内にあるときには２０
Ｋｍ／ｈのニューラルネットワークを用い、車速が２５
〜３５ｋｍ／ｈ内にあるときには３０ｋｍ／ｈのニュー
ラルネットワークを用いるというようにしている。な
お、ニューラルネットワークの構成の仕方は、これに限
る必要はないことは云うまでもなく、車速領域も自由に
区切ればよい。In this embodiment, as shown in FIG.
A dedicated neural network is configured for each m / h. For example, when the vehicle speed is within the range of 15 to 25 km / h, 20
The vehicle speed is 25 using a neural network of Km / h.
When it is within ~ 35 km / h, a neural network of 30 km / h is used. Needless to say, the way of constructing the neural network is not limited to this, and the vehicle speed range may be freely divided.
【００２６】[0026]
【発明の効果】以上説明したように、本発明に依れば、
分類された各種類の路面状態毎に設けられた専用のニュ
ーラルネットワークにロードノイズ検出手段から検出さ
れたロードノイズが入力されて、該各専用のニューラル
ネットワークからそれぞれ、対応する種類の路面状態の
確からしさが出力され、該出力された各確からしさに基
づいて路面状態が判別され、また、判別手段により、車
速検出手段によって検出された車速に応じてその車速領
域専用のニューラルネットワークが選択され、そのニュ
ーラルネットワークを用いてロードノイズ検出手段から
検出されたロードノイズに基づいて路面状態が判別され
るので、全体としての路面状態の判別精度を向上させる
ことが可能となる効果を奏する。As described above, according to the present invention,
Classification is the type of the detected road noise from road noise detector in a dedicated neural network provided for each road surface condition was is input, the respective dedicated neural
From the network,
Probability is output, the road surface state is determined based on each of the output certainty , the determination means selects a neural network dedicated to the vehicle speed region in accordance with the vehicle speed detected by the vehicle speed detection means, Since the road surface condition is determined based on the road noise detected by the road noise detecting means using the neural network, it is possible to improve the determination accuracy of the road surface condition as a whole.
【図１】本発明に係る路面状態検出装置の一実施例の概
略構成を示すブロック図である。FIG. 1 is a block diagram showing a schematic configuration of an embodiment of a road surface state detecting device according to the present invention.
【図２】図１のロードノイズ検出手段および車速検出手
段の配設位置を説明する図である。FIG. 2 is a diagram illustrating the positions where the road noise detecting means and the vehicle speed detecting means in FIG. 1 are arranged.
【図３】本実施例において使用されるニューラルネット
ワークモデルを示す図である。FIG. 3 is a diagram showing a neural network model used in this embodiment.
【図４】図３のニューラルネットワークに学習させる方
法を説明するための図である。FIG. 4 is a diagram for explaining a method for making the neural network of FIG. 3 learn.
【図５】本発明の他の実施例に係る路面状態検出装置が
用いるニューラルネットワークモデルを示す図である。FIG. 5 is a diagram showing a neural network model used by a road surface state detecting device according to another embodiment of the present invention.
１ ロードノイズ検出手段（検出手段、第１の検出手
段）
４ 判別部（判別手段）
５ 車速検出手段（第２の検出手段）1 Road Noise Detection Means (Detection Means, First Detection Means) 4 Discrimination Section (Discrimination Means) 5 Vehicle Speed Detection Means (Second Detection Means)
───────────────────────────────────────────────────── フロントページの続き (72)発明者 板垣 温 埼玉県和光市中央１丁目４番１号 株式 会社本田技術研究所内 (72)発明者 窪谷 英樹 埼玉県和光市中央１丁目４番１号 株式 会社本田技術研究所内 (56)参考文献 特開 平６−138018（ＪＰ，Ａ) 特開 平２−287860（ＪＰ，Ａ) 特開 平６−50878（ＪＰ，Ａ) 特開 平３−189259（ＪＰ，Ａ) 実開 平２−75562（ＪＰ，Ｕ) 塩塚稔也（外４名），路面の分類と舎 利用の適応制御へのニューラルネットワ ークへの応用，「運動と制御」シンポジ ウム講演論文集，日本，社団法人 日本 機械学会，1991年９月２日，Ｎｏ．910 −52，73−78 大羽勝弘（外３名），Ｆｕｚｚｙ Ｌ ｏｇｉｃを用いた路面推定，自動車技術 会学術講演会前刷集，日本，社団法人 自動車技術会，1988年５月24日，Ｎｏ. 881，109−112 吉田和夫（外３名），カルマンフィル タによる路面と車両の状態推定，日本機 械学会論文集Ｃ編，日本，社団法人 日 本機械学会，1989年７月25日，第55巻 第515号，1672−1679 (58)調査した分野(Int.Cl.7，ＤＢ名) G08G 1/00 - 1/16 B60R 16/02 B60T 7/12 - 8/00 B60T 8/32 - 8/96 G01N 17/00 - 19/10 G06F 15/18 ＪＩＣＳＴファイル（ＪＯＩＳ)─────────────────────────────────────────────────── ─── Continuation of the front page (72) Inventor Atsushi Itagaki 1-4-1 Chuo, Wako-shi, Saitama Inside the Honda R & D Co., Ltd. (72) Inventor Hideki Kubota 1-4-1 Chuo, Wako, Saitama (56) Reference JP-A-6-138018 (JP, A) JP-A-2-287860 (JP, A) JP-A-6-50878 (JP, A) JP-A-3-189259 ( JP, A) Actual Kaihei 2-75562 (JP, U) Toshiya Shiozuka (4 others), Application to neural networks for road surface classification and adaptive control of building use, Symposium on "Motion and control" Proceedings, Japan, The Japan Society of Mechanical Engineers, September 2, 1991, No. 910-52, 73-78 Katsuhiro Oha (3 others), Road surface estimation using Fuzzy Logic, Preprints of Academic Conference of Automotive Engineering Society, Japan, Japan Society of Automotive Engineers, May 24, 1988, No . 881, 109-112 Kazuo Yoshida (3 others), Estimation of road surface and vehicle condition by Kalman filter, Japan Society of Mechanical Engineers, Volume C, Japan, Japan Society of Mechanical Engineers, July 25, 1989, Volume 55 Issue 515, 1672-1679 (58) Fields investigated (Int.Cl. 7 , DB name) G08G 1/00-1/16 B60R 16/02 B60T 7 /12-8/00 B60T 8/32 -8/96 G01N 17/00-19/10 G06F 15/18 JISST file (JOIS)
Claims (2)
するロードノイズ検出手段と、 路面状態を複数の種類に分類し、該分類した各種類の路
面状態毎に専用のニューラルネットワークを設け、該各
専用のニューラルネットワークに前記ロードノイズ検出
手段から検出されたロードノイズを入力することによ
り、該各専用のニューラルネットワークからそれぞれ、
対応する種類の路面状態の確からしさを出力し、該出力
された各確からしさに基づいて路面状態を判別する判別
手段とを有することを特徴とする路面状態検出装置。And 1. A road noise detecting means for detecting a road noise generated from the wheel, to classify road surface conditions to a plurality of types, a dedicated neural network provided for each type of road surface state of the classification, the respective to inputting the detected road noise from the road noise detecting means <br/> dedicated neural network
From each dedicated neural network,
Output the certainty of the corresponding type of road surface condition
A road surface state detecting device, comprising: a discriminating unit that discriminates a road surface state based on the determined certainty .
するロードノイズ検出手段と、 車速を検出する車速検出手段と、 車速を複数の領域に分類し、各車速領域毎に専用のニュ
ーラルネットワークを設け、前記車速検出手段から検出
された車速に応じて前記専用のニューラルネットワーク
を選択し、そのニューラルネットワークを用いて前記ロ
ードノイズ検出手段から検出されたロードノイズに基づ
いて路面状態を判別する判別手段とを有することを特徴
とする路面状態検出装置。2. A road noise detecting means for detecting road noise generated from a wheel, a vehicle speed detecting means for detecting a vehicle speed, a vehicle speed is classified into a plurality of areas, and a dedicated neural network is provided for each vehicle speed area. A discriminating means for discriminating the road surface condition based on the road noise detected by the road noise detecting means by selecting the dedicated neural network according to the vehicle speed detected by the vehicle speed detecting means, and using the neural network. A road surface condition detecting device comprising:
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP29589494A JP3393499B2 (en) | 1994-11-04 | 1994-11-04 | Road surface condition detection device |
| US08/353,979 US5586028A (en) | 1993-12-07 | 1994-12-06 | Road surface condition-detecting system and anti-lock brake system employing same |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP29589494A JP3393499B2 (en) | 1994-11-04 | 1994-11-04 | Road surface condition detection device |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH08138189A JPH08138189A (en) | 1996-05-31 |
| JP3393499B2 true JP3393499B2 (en) | 2003-04-07 |
Family
ID=17826540
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP29589494A Expired - Fee Related JP3393499B2 (en) | 1993-12-07 | 1994-11-04 | Road surface condition detection device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3393499B2 (en) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2373050A (en) * | 2001-02-09 | 2002-09-11 | Central Research Lab Ltd | Method of analysing the condition of a surface using wheel sound detection |
| CN112766306B (en) * | 2020-12-26 | 2023-06-27 | 浙江天行健智能科技有限公司 | Deceleration strip area identification method based on SVM algorithm |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0275562U (en) * | 1988-11-28 | 1990-06-08 | ||
| JPH02287860A (en) * | 1989-04-28 | 1990-11-27 | Omron Corp | Information processor |
| GB8918303D0 (en) * | 1989-08-10 | 1989-09-20 | Lucas Ind Plc | Monitoring and predicting road vehicle/road surface conditions |
| JPH0650878A (en) * | 1992-07-31 | 1994-02-25 | Honda Motor Co Ltd | Judgement apparatus for road-surface state |
| JPH06138018A (en) * | 1992-10-28 | 1994-05-20 | Mitsubishi Motors Corp | Road surface condition measuring device |
-
1994
- 1994-11-04 JP JP29589494A patent/JP3393499B2/en not_active Expired - Fee Related
Non-Patent Citations (3)
| Title |
|---|
| 吉田和夫（外３名），カルマンフィルタによる路面と車両の状態推定，日本機械学会論文集Ｃ編，日本，社団法人 日本機械学会，１９８９年７月２５日，第５５巻 第５１５号，１６７２−１６７９ |
| 塩塚稔也（外４名），路面の分類と舎利用の適応制御へのニューラルネットワークへの応用，「運動と制御」シンポジウム講演論文集，日本，社団法人 日本機械学会，１９９１年９月２日，Ｎｏ．９１０−５２，７３−７８ |
| 大羽勝弘（外３名），Ｆｕｚｚｙ Ｌｏｇｉｃを用いた路面推定，自動車技術会学術講演会前刷集，日本，社団法人 自動車技術会，１９８８年５月２４日，Ｎｏ．８８１，１０９−１１２ |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH08138189A (en) | 1996-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5586028A (en) | Road surface condition-detecting system and anti-lock brake system employing same | |
| Gustafsson | Slip-based tire-road friction estimation | |
| US7516004B2 (en) | Vehicular passenger protection system against lateral collision | |
| CN110914683B (en) | Method for detecting road and tire conditions | |
| JPH0734162B2 (en) | Analogical control method | |
| CA2363917C (en) | Method and apparatus for estimating tire air pressure | |
| Lu et al. | Robust neural learning from unbalanced data samples | |
| JP3393499B2 (en) | Road surface condition detection device | |
| CN111543982A (en) | Fatigue driving detection method and device and storage medium | |
| Martinelli et al. | Machine learning for driver detection through CAN bus | |
| US5765119A (en) | Method and device for estimating hydroplaning-occuring vehicle speed and method and device for detecting possibility of occurence of hydroplaning | |
| CN115223594A (en) | Context aware signal conditioning for vehicle external voice assistant | |
| JP3393500B2 (en) | Road surface condition detection device | |
| JPH08298613A (en) | Road surface state detecting device | |
| JP3393498B2 (en) | Road surface condition detection device | |
| CN111310696A (en) | Parking accident recognition method and device based on parking abnormal behavior analysis and vehicle | |
| JPH08137509A (en) | Control method using map prepared by utilizing neural network | |
| JP3248522B2 (en) | Sound source type identification device | |
| US6275755B1 (en) | Vehicle impact severity identification device | |
| He et al. | Deep denoising autoencoding method for feature extraction and recognition of vehicle adhesion status | |
| JPH0212081A (en) | System for detecting underwater acoustic signal | |
| JPH0755444A (en) | Car type discrimination system | |
| US20040068475A1 (en) | Physics based neural network trend detector | |
| KR20220068044A (en) | Apparatus for diagnosing artificial neural network-based inference model and method thereof | |
| Zhang et al. | A method for fault detection and isolation using neural Networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080131 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090131 Year of fee payment: 6 |
|
| LAPS | Cancellation because of no payment of annual fees |