JP6450170B2 - 路面状態判別方法 - Google Patents

Description

本発明は、車両の走行する路面の状態を判別する方法に関するもので、特に、走行中のタイヤ振動の時系列波形のデータのみを用いて路面状態を判別する方法に関する。

従来、走行中のタイヤ振動の時系列波形のデータのみを用いて路面状態を判別する方法として、タイヤ振動の時系列波形に窓関数をかけて抽出した時系列波形から算出される時間窓毎の特徴ベクトルと、予め路面状態毎に求めておいたタイヤ振動の時系列波形から算出された時間窓毎の路面特徴ベクトルとから算出したカーネル関数を用いて路面状態を判別する方法が提案されている（例えば、特許文献１参照）。

特開２０１４−３５２７９号公報

しかしながら、前記従来の方法では、カーネル関数を計算する際に、全てのパスを考慮していることから、計算に時間がかかるだけでなく、類似度の低いパスについても計算に使用しているため、路面状態の判別精度が十分とはいえなかった。

本発明は、従来の問題点に鑑みてなされたもので、適切なパス制限を行うことで、計算速度を向上させるとともに、路面状態の判別精度を更に向上させることを目的とする。

本発明は、タイヤ内に設けられた振動検出手段を用いて走行中のタイヤの振動を検出して、前記タイヤの接している路面の状態を判別する方法であって、走行中のタイヤの振動を検出するステップ（ａ）と、前記検出されたタイヤ振動の時系列波形を取り出すステップ（ｂ）と、前記タイヤ振動の時系列波形に所定の時間幅の窓関数をかけて時間窓毎の時系列波形を抽出するステップ（ｃ）と、前記時間窓毎の時系列波形からそれぞれ特徴ベクトルを算出するステップ（ｄ）と、前記ステップ（ｄ）で算出した時間窓毎の特徴ベクトルと、予め求めておいた路面状態毎のタイヤ振動の時系列波形から算出された時間窓毎の特徴ベクトルである路面特徴ベクトルとからカーネル関数を算出するステップ（ｅ）と、前記カーネル関数を用いた識別関数の値に基づいて路面状態を判別するステップ（ｆ）とを有し、前記カーネル関数が、グローバルアライメントカーネル関数、または、ダイナミックタイムワーピングカーネル関数、または、前記カーネル関数の演算値であって、前記ステップ（ｅ）では、前記算出された時間幅毎の特徴ベクトルのうちの一つと前記路面特徴ベクトルのうちの一つとから算出される経路要素のそれぞれを、前記ステップ（ｂ）で取り出したタイヤ振動の時系列波形における時系列波形長さ対応値Ｎと、前記予め求めておいた路面状態毎のタイヤ振動の時系列波形における時系列波形長さ対応値Ｍとを用いた重み付けパラメータωにより重み付けしてから、前記カーネル関数を算出し、前記ステップ（ｆ）では、路面状態毎に求めた識別関数の値を比較して路面状態を判別することを特徴とする。
なお、タイヤ振動の時系列波形における時系列波形長さ対応値（以下、時系列波形長さ対応値という）とは、タイヤ振動の時系列波形のタイヤ１周分の時間長さ、もしくは、タイヤ振動の時系列波形における踏み込み側のピークと蹴り出し側のピークとの時間間隔などのタイヤ１周分の時間長さに対応する物理量を指す。
このように、カーネル関数Ｋ（Ｘ，Ｙ）を算出する際に、カーネル関数を算出するための経路要素として、類似度の判定には寄与しないノイズとなる経路要素を計算に使用しないようにしたので、路面状態の判別精度を向上させることができるとともに、計算速度を速くできるので、リアルタイムで路面状態の判別を行うことができる。また、時系列波形長さ対応値Ｎ，Ｍを用いた重み付けパラメータωにより重み付けを行ったので、算出された時間幅毎の特徴ベクトルの総数と路面特徴ベクトルの総数とが異なっている場合でも、経路要素の重み付けを最適にできるので、路面状態の判別精度を向上させることができる。
なお、前記の特徴ベクトルＸ_iとしては、前記窓関数をかけて抽出した時間窓毎の時系列波形の特定周波数帯域の振動レベル、前記特定周波数帯域の振動レベルの時変分散、及び、前記時系列波形のケプストラム係数のいずれか１つ、または、複数、または、全部等が挙げられる。
また、前記特定周波数帯域の振動レベルは、前記窓関数をかけて抽出した時間窓毎の時系列波形の周波数スペクトル、もしくは、前記窓関数をかけて抽出した時間窓毎の時系列波形をバンドパスフィルタを通して得られた時系列波形から求められるが、タイヤ振動の時系列波形をバンドパスフィルタを通して得られた時系列波形に窓関数をかけて抽出した時間窓毎の時系列波形から前記特定周波数帯域の振動レベルを求めてもよい。

また、時系列波形長さ対応値Ｍ，Ｎを、時間幅毎の特徴ベクトルの総数と対応するパラメータである、タイヤ振動時系列波形の長さ、タイヤ振動時系列波形取得時におけるタイヤ回転速度、及び、タイヤ振動時系列波形のピーク間距離のいずれかまたは複数、もしくは、タイヤ振動時系列波形の長さ、タイヤ振動時系列波形取得時におけるタイヤ回転速度、及び、タイヤ振動時系列波形のピーク間距離のいずれかまたは複数の演算値とすれば、算出された時間幅毎の特徴ベクトルの総数と路面特徴ベクトルの総数とが異なっている場合の重み付けを容易にかつ精度よく行うことができる。

また、本発明は、前記ステップ（ｅ）において、カーネル関数を算出するための経路を、踏み込み側ピークを含む特徴ベクトルＸ_fと踏み込み側ピークを含む路面特徴ベクトルＹ_fとに対応する経路要素（Ｘ_f，Ｙ_f）、及び、蹴り出し側ピークを含む特徴ベクトルＸ_kと蹴り出し側ピークを含む路面特徴ベクトルＹ_kとに対応する経路要素（Ｘ_k，Ｙ_k）のいずれか一方または両方を通る経路のみとしたことを特徴とする。
このように、カーネル関数を算出する際に、時系列波形のピークに対応する経路要素を通る経路のみを用いれば、少ない経路数でより正確な類似度が得られるので、計算速度を大幅に短縮できるとともに、路面状態の判別精度を容易に向上させることができる。

また、前記特徴ベクトルの成分にタイヤの摩耗量を追加したり、前記特徴ベクトルの成分を前記時間窓毎の時系列波形からそれぞれ算出された特徴ベクトルとタイヤの摩耗量との演算値としたり、前記識別関数の係数をタイヤの摩耗量の関数とするなどして、タイヤの摩耗量を用いて路面状態を判別すれば、路面状態の判別精度を更に向上させることができるとともに、摩耗量毎に路面状態を判別する必要がないので、路面状態の判別を効率よく行うことができる。

なお、前記発明の概要は、本発明の必要な全ての特徴を列挙したものではなく、これらの特徴群のサブコンビネーションもまた、発明となり得る。

本実施の形態に係る路面状態判別装置の構成を示す機能ブロック図である。 加速度センサーの装着位置の一例を示す図である。 タイヤ振動の時系列波形の一例を示す図である。 タイヤ振動の時系列波形から特徴ベクトルを算出する方法を示す図である。 特徴ベクトルの入力空間を示す模式図である。 特徴ベクトルの入力空間上における、ＤＲＹ路面特徴ベクトルとＤＲＹ路面以外の路面特徴ベクトルとを示す図である。 従来のＧＡカーネルの算出方法を示す図である。 計算領域幅及びパス制限を説明するための図である。 重み付けによるパス制限の一例を示す図である。 本発明による路面状態判別方法を示すフローチャートである。 本発明による重み付けによるパス制限の他の例を示す図である。 本発明による重み付けによるパス制限の他の例を示す図である。 特徴ベクトルと摩耗量との関係を示す図である。 ＤＴＷカーネルの算出方法を示す図である。

以下、実施の形態を通じて本発明を詳説するが、以下の実施の形態は特許請求の範囲に係る発明を限定するものでなく、また、実施の形態の中で説明される特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

図１は、路面状態判別装置１０の構成を示す機能ブロック図である。
路面状態判別装置１０は、タイヤ振動検出手段としての加速度センサー１１と、振動波形抽出手段１２と、窓掛け手段１３と、特徴ベクトル算出手段１４と、記憶手段１５とカーネル関数算出手段１６と、路面状態判別手段１７とを備える。
振動波形抽出手段１２〜路面状態判別手段１７の各手段は、例えば、コンピュータのソフトウェア、及び、ＲＡＭ等のメモリーから構成される。
加速度センサー１１は、図２に示すように、タイヤ２０のインナーライナー部２１のタイヤ気室２２側のほぼ中央部に一体に配置されて、路面からの入力による当該タイヤ２０の振動を検出する。加速度センサー１１の出力であるタイヤ振動の信号は、例えば、増幅器で増幅された後、デジタル信号に変換されて振動波形抽出手段１２に送られる。

振動波形抽出手段１２では、加速度センサー１１で検出したタイヤ振動の信号から、タイヤの一回転毎に、タイヤ振動の時系列波形を抽出する。
図３はタイヤ振動の時系列波形の一例を示す図で、タイヤ振動の時系列波形は、踏み込み位置近傍と蹴り出し位置近傍に大きなピークを有しており、かつ、タイヤ２０の陸部が接地する領域である接地面領域Ｒ_tよりも前の領域（踏み込み前領域Ｒ_f）においても、接地面領域Ｒ_tよりも後の領域（蹴り出し後領域Ｒ_k）においても、路面状態によって異なる振動が出現する。
一方、踏み込み前領域Ｒ_fの前の領域と蹴り出し後領域Ｒ_kの後の領域とは路面の影響を殆ど受けていないので、振動レベルも小さく、路面の情報も含んでいない。
以下、踏み込み前領域Ｒ_f、接地面領域Ｒ_t、及び、蹴り出し後領域Ｒ_kを路面領域、踏み込み前領域Ｒ_fの前の領域と蹴り出し後領域Ｒ_kの後の領域を路面外領域という。

窓掛け手段１３は、図４に示すように、前記抽出された時系列波形を予め設定した時間幅（時間窓幅ともいう）Ｔで窓掛けし、時間窓毎にタイヤ振動の時系列波形を抽出して特徴ベクトル算出手段１４に送る。
時間窓毎に抽出されたタイヤ振動の時系列波形のうち、路面外領域の時系列波形は、前述したように、路面の情報も含んでいないので、本例では、カーネル関数の計算速度を速めるため、路面外領域の時系列波形は特徴ベクトル算出手段１４には送らないようにしている。
なお、路面外領域の定義としては、例えば、タイヤ振動の時系列波形に対してバックグラウンドレベルを設定し、このバックグラウンドレベルよりも小さな振動レベルを有する領域を路面外領域とすればよい。

特徴ベクトル算出手段１４は、図４に示すように、抽出された各時間窓の時系列波形のそれぞれに対して特徴ベクトルＸ_i（ｉ＝１〜Ｎ；Ｎは抽出された時間窓の時系列波形の数）を算出する。
本例では、特徴ベクトルＸ_iとして、タイヤ振動の時系列波形を、それぞれ、0-1kHz、1-2kHz、2-3kHz、3-4kHz、4-5kHzのバンドパスフィルタにそれぞれ通して得られた特定周波数帯域の振動レベル（フィルター濾過波のパワー値）ａ_ik（ｋ＝１〜５）を用いた。特徴ベクトルは、Ｘ_i＝（ａ_i1，ａ_i2，ａ_i3，ａ_i4，ａ_i5）で、特徴ベクトルＸ_iの数はｎ個である。
図５は、特徴ベクトルＸ_iの入力空間を示す模式図で、各軸は特徴量である特定周波数帯域の振動レベルａ_ikを表し、各点が特徴ベクトルＸ_iを表している。実際の入力空間は特定周波数帯域の数が５つなので時間軸と合わせると６次元空間になるが、同図は２次元（横軸がａ₁、縦軸がａ₂）で表している。
したがって、この入力空間にて、例えば、車両がＤＲＹ路面を走行しているときに算出した特徴ベクトルＸ_iからグループＣと、車両がＳＮＯＷ路面を走行しているときに算出した特徴ベクトルＸ’_iから成るグループＣ’とを区別することができれば、車両がＤＲＹ路面を走行しているかＳＮＯＷ路面を走行しているかを判定できる。

記憶手段１５は、予め求めておいた、ＤＲＹ路面とそれ以外の路面、ＷＥＴ路面とそれ以外の路面、ＳＮＯＷ路面とそれ以外の路面、ＩＣＥ路面とそれ以外の路面とを、分離超平面を表わす識別関数ｆ（ｘ）により分離するための４つの路面モデルを記憶する。
路面モデルは、タイヤに加速度センサーを取り付けたタイヤを搭載した試験車両を、ＤＲＹ、ＷＥＴ、ＳＮＯＷ、及び、ＩＣＥの各路面で様々な速度で走行させて得られたタイヤ振動の時系列波形から算出された時間窓毎の特徴ベクトルである路面特徴ベクトルＹ_ASV（ｙ_jk）を入力データとして、学習により求められる。
なお、学習に使うタイヤサイズは１種類でもよいし、複数種でもよい。
前記路面特徴ベクトルＹ_ASV（ｙ_jk）の添え字Ａは、ＤＲＹ、ＷＥＴ、ＳＮＯＷ、及び、ＩＣＥを示している。添え字ｊ（ｊ＝１〜Ｍ）は時間窓毎に抽出した時系列波形の窓番号を示し、添え字ｋはベクトルの成分を示している（ｋ＝１〜ｎ）。すなわち、ｙ_jk＝（ａ_j1，ａ_j2，ａ_j3，ａ_j4，ａ_j5）である。また、ＳＶはサポートベクトルの略で、学習によって選択される識別境界の近傍のデータを表わす。
なお、本例のように、カーネル関数として、グローバルアライメントカーネル関数（ＧＡカーネル）やダイナミックタイムワーピングカーネル関数（ＤＴＷカーネル）を用いる場合には、路面特徴ベクトルＹ_ASV（ｙ_jk）は、［ベクトルｙ_iの次元数（ここでは、ｎ＝５）×窓の数Ｍ］の行列となる。
以下、路面特徴ベクトルＹ_ASV（ｙ_jk）を単にＹ_ASVと記す。

各路面特徴ベクトルＹ_ASVの算出方法は、前述した特徴ベクトルＸ_iと同様で、例えば、ＤＲＹ路面特徴ベクトルＹ_DSVなら、ＤＲＹ路面を走行したときのタイヤ振動の時系列波形を時間幅Ｔで窓掛けし、時間窓毎にタイヤ振動の時系列波形を抽出し、抽出された各時間窓の時系列波形のそれぞれに対してＤＲＹ路面特徴ベクトルＹ_Dを算出する。なお、ＤＲＹ路面特徴ベクトルＹ_Dのベクトルｙ_iの次元数は、特徴ベクトルＸ_iと同じく５次元である。その後、Ｙ_Dを学習データとしてサポートベクトルマシーン（ＳＶＭ）によって学習することにより、サポートベクトルＹ_DSVを選択する。なお、記憶手段１５にはＹ_Dを全て記憶する必要はなく、上記選択されたＹ_DSVのみを記憶すればよい。
ＷＥＴ路面特徴ベクトルＹ_WSV、ＳＮＯＷ路面特徴ベクトルＹ_SSV、ＩＣＥ路面特徴ベクトルＹ_ISVについても、ＤＲＹ路面特徴ベクトルＹ_DSVと同様にして求めることができる。
ここで、時間幅Ｔが、特徴ベクトルＸ_jを求める場合の時間幅Ｔと同じ値であることが肝要である。時間幅Ｔが一定なら、時間窓の時系列波形の数Ｍはタイヤ種と車速によって異なる。すなわち、路面特徴ベクトルＹ_ASVの時間窓の時系列波形の数Ｍは、特徴ベクトルＸ_jの時間窓の時系列波形の数Ｎとは必ずしも一致しない。例えば、タイヤ種が同じでも、特徴ベクトルＸ_jを求めるときの車速がＤＲＹ路面特徴ベクトルＹ_DSVを求めたときの車速よりも遅い場合には、Ｍ＞Ｎとなり、速い場合にはＭ＜Ｎとなる。

路面モデルは、各路面特徴ベクトルＹ_Aを学習データとして、ＳＶＭにより構築する。
図６は、入力空間上における、ＤＲＹ路面特徴ベクトルＹ_DSVと、ＤＲＹ路面以外の路面特徴ベクトルＹ_nDSVを示す概念図で、同図の黒丸がＤＲＹ路面、白丸がＤＲＹ路面以外の路面特徴ベクトルである。
なお、前述したように、ＤＲＹ路面特徴ベクトルもＤＲＹ路面以外の路面特徴ベクトルも行列であるが、グループの識別境界の求め方を説明するため、図６では、ＤＲＹ路面特徴ベクトルとＤＲＹ路面以外の路面特徴ベクトルとをそれぞれ２次元のベクトルで示した。
グループの識別境界は、一般には、線形分離が不可能である。そこで、カーネル法を用いて、路面特徴ベクトルＹ_DSV及びＹ_nDSVを非線形写像φによって高次元特徴空間に写像して線形分離を行うことで、元の入力空間において路面特徴ベクトルＹ_DSV及びＹ_nDSVに対して非線形な分類を行う。
具体的には、データの集合Ｘ＝（ｘ₁，ｘ₂，……ｘ_n）と所属クラスｚ＝｛１、−１｝とを用いて、データを識別する最適な識別関数ｆ（ｘ）＝ｗ^Tφ（ｘ）−ｂを求める。
ここで、データは路面特徴ベクトルＹ_Dj，Ｙ_nDjで、所属クラスはｚ＝１が同図のχ₁で示すＤＲＹ路面のデータで、ｚ＝−１がχ₂で示すＤＲＹ路面以外の路面のデータである。また、ｗは重み係数、ｂは定数で、ｆ（ｘ）＝０が識別境界である。
識別関数ｆ（ｘ）＝ｗ^Tφ（ｘ）−ｂは、例えば、ラグランジュ未定乗数法を用いて最適化される。最適化問題は、以下の式（１），（２）に置き換えられる。

ここで、α，βは複数ある学習データの指標である。また、λはラグランジュ乗数で、λ＞０である。
このとき、内積φ（ｘ_α）φ（ｘ_β）をカーネル関数Ｋ（ｘ_α，ｘ_β）に置き換えることで、識別関数ｆ（ｘ）＝ｗ^Tφ（ｘ）−ｂを非線形にできる。なお、φ（ｘ_α）φ（ｘ_β）は、ｘ_αとｘ_βを写像φで高次元空間へ写像した後の内積である。
ラグランジュ乗数λは、前記の式（２）について、最急下降法やＳＭＯ（Sequential Minimal Optimization）などの最適化アルゴリズムを用いて求めることができる。このとき、カーネル関数を使っているので、高次元の内積を直接求める必要がない。したがって、計算時間を大幅に縮減できる。

本例では、カーネル関数Ｋ（ｘ_α，ｘ_β）として、グローバルアライメントカーネル関数（ＧＡカーネル）を用いた。
図７に示すように、ＧＡカーネルＫ_GA（Ｘ，Ｙ）は、Ｒ路面の路面特徴ベクトルｘ（ｘ_i＝Ｙ_Ri）とＲ路面以外の路面特徴ベクトルｙ（ｙ_ｊ＝Ｙ_nRj）との類似度を示すローカルカーネルκ（ｘ_i，ｙ_ｊ）の総和もしくは総積から成る関数で、時間長さの異なる２つの時系列を直接比較することができる。ローカルカーネルκ（ｘ_i，ｙ_ｊ）は、時間幅Ｔの窓毎に求められる。
従来のＧＡカーネルＫ_GA（Ｘ，Ｙ）においては、ローカルカーネルκ（ｘ_i，ｙ_ｊ）の総和もしくは総積は、可能な全てのアライメントＡ（ｘ，ｙ）について行われる。換言すれば、ＧＡカーネルＫ_GA（Ｘ，Ｙ）は、経路毎に、経路要素であるκ（ｘ_π1(s)，ｙ_π2(s)）についてのみ計算される。
以下、（ｘ_i，ｙ_ｊ）から成るＮ×Ｍのグリットの位置（π₁(s)，π₂(s)）を「パス（経路要素）」という。

本例では、以下の式（３）〜（６）に示すように、上記のローカルカーネルκ（ｘ_π1(s)，ｙ_π2(s)）に対して、予め求めておいた、タイヤ振動の時系列波形のタイヤ１周分の時間長さに対応する物理量であるタイヤ振動の時系列波形における時系列波形長さ対応値Ｍ，Ｎを用いた重み付けパラメータω(i,j)により重み付けしてから、ＧＡカーネルＫ_GA（Ｘ，Ｙ）を算出する。

重み付けパラメータω(i,j)は、式（４）に示すように、Ｘ（ここでは、Ｒ路面）の時系列総数（窓の数）Ｎと、Ｙ（ここでは、Ｒ路面以外）の時系列総数（窓の数）Ｍと、Ｘの時系列インデックス（窓番号）ｉと、Ｙの時系列インデックス（窓番号）ｊと、計算領域幅Ｔ_pとにより設定されるパラメータで、１−｜Ｍ・ｉ−Ｎ・ｊ｜/｛Ｔ_p（Ｎ＋Ｍ）｝が予め設定された閾値Ｓを超えた場合には、ω(i,j)＝１−｜Ｍ・ｉ−Ｎ・ｊ｜/｛Ｔ_p（Ｎ＋Ｍ）｝であり、１−｜Ｍ・ｉ−Ｎ・ｊ｜/｛Ｔ_p（Ｎ＋Ｍ）｝が上記閾値Ｓ以下の場合にはω(i,j)＝０である。
上記のように、計算領域幅Ｔ_pは一定でなので、窓の数Ｍ，Ｎは、車速（厳密には車輪回転速度）に依存する。すなわち、重み付けパラメータω(i,j)は、タイヤ振動時系列波形取得時におけるタイヤ回転速度や、タイヤ振動時系列波形の長さ、あるいは、タイヤ振動時系列波形のピーク間距離などの時系列波形長さ対応値に依存する。
このように、重み付けパラメータω(i,j)を時系列波形長さ対応値に依存する値とすることで、特徴ベクトルＸ_iを求めた場合の時間窓の時系列波形の数Ｎと、路面特徴ベクトルＹ_Aj（もしくはＹ_nAj）求めた場合の時間窓の時系列波形の数Ｍとが異なっている場合の特徴ベクトルＸ_i，Ｙ_Aj間（もしくはＸ_i，Ｙ_nAj間）の類似度（後述する重み付けされたローカルカーネルκ’（ｘ_π1(s)，ｙ_π2(s)）の精度を向上させることができる。
なお、時系列波形長さ対応値としては、タイヤ振動時系列波形取得時におけるタイヤ回転速度、タイヤ振動時系列波形の長さ、及び、タイヤ振動時系列波形のピーク間距離のいずれかまたは複数の演算値としてもよい。
計算領域幅Ｔ_pは、図８（ａ）に示すように、パス（１，１）とパス（Ｍ，Ｎ）とを結ぶ直線ｌ₀に平行な２つの直線ｌ₁及び直線ｌ₂に囲まれた領域の幅で、任意に設定することができる。直線ｌ₀は、パス（１，１）の左下を原点、ｙ_π2(s)の並びの方向をξ軸、ｘ_π1(s)の並びの方向をη軸とすれば、η＝（Ｍ／Ｎ）・ξと表せる。また、直線ｌ₁は、η＝（Ｍ／Ｎ）・ξ−ｃ、直線ｌ₂は、η＝（Ｍ／Ｎ）・ξ＋ｃとなる。
式（６）は、重み付けされたローカルカーネルκ’（ｘ_π1(s)，ｙ_π2(s)）の算出式で、このような重み付けを行うことで、２つ時系列波形の一方の始端と他方の終端、もしくはその近傍に位置するパスでは、重み付けパラメータω(i,j)は０となり、２つの時系列波形の位置がほぼ同じである直線η＝（Ｍ／Ｎ）・ξ近傍にあるパスでは、重み付けパラメータω(i,j)は、１−｜Ｍ・ｉ−Ｎ・ｊ｜/｛Ｔ_p・（Ｎ＋Ｍ）｝となる。
したがって、ＧＡカーネルＫ_GA（Ｘ，Ｙ）の計算は、図８（ｂ）に示す白い部分のパスのみが計算され、網掛された部分のパスは計算しないことになる。したがって、計算する経路数を効果的に減少させることができるとともに、類似度の判定には寄与しないノイズとなるパスは計算に使用されないので、判定精度が向上する。
なお、上記式（４）では、計算領域幅Ｔ_pを省略してもよい。あるいは、後述するように、計算領域幅Ｔ_pのみを用いて重み付けパラメータω(i,j)を設定してもよい。
また、上記式（４）に代えて、κ’’(i,j)＝ω(i,j)・κ(i,j)を、重み付けされたローカルカーネルとしてもよい。

ＤＲＹ路面とＤＲＹ路面以外の路面とを区別するには、ＤＲＹ路面特徴ベクトルＹ_DjとＤＲＹ路面以外の路面特徴ベクトルＹ_nDjとを分離する分離超平面である識別関数ｆ（ｘ）に対してマージンを持たせることで、ＤＲＹ路面とＤＲＹ路面以外の路面とを精度よく区別することができる。
マージンとは、分離超平面から一番近いサンプル（サポートベクトル）までの距離をいい、識別境界である分離超平面はｆ（ｘ）＝０である。そして、ＤＲＹ路面特徴ベクトルＹ_Djは全てｆ（ｘ）≧＋１の領域にあり、ＤＲＹ路面以外の路面特徴ベクトルＹ_nDjは、ｆ（ｘ）≦−１の領域にある。
ＤＲＹ路面とそれ以外の路面とを区別するＤＲＹ路面モデルは、ｆ（ｘ）＝＋１の距離にあるサポートベクトルＹ_DSVと、ｆ（ｘ）＝−１の距離にあるサポートベクトルＹ_nDSVとを備えた入力空間である。前記Ｙ_DSVと前記Ｙ_nDSVとは、一般に複数個存在する。
ＷＥＴ路面とそれ以外の路面とを区別するＷＥＴモデル、ＳＮＯＷ路面とそれ以外の路面とを区別するＳＮＯＷモデル、及び、ＩＣＥ路面とそれ以外の路面とを区別するＩＣＥモデルについても同様である。

カーネル関数算出手段１６は、重み付けパラメータ算出部１６１とカーネル関数算出部１６２とを備え、特徴ベクトル算出手段１４にて算出された特徴ベクトルＸ_iと、記憶手段１５に記録されているＤＲＹモデル、ＷＥＴモデル、ＳＮＯＷモデル、及び、ＩＣＥモデルの各サポートベクトルＹ_ASV，Ｙ_nASV（Ａ＝Ｄ，Ｗ，Ｓ，Ｉ）から、それぞれＧＡカーネルＫ_D（Ｘ，Ｙ）、Ｋ_W（Ｘ，Ｙ），Ｋ_S（Ｘ，Ｙ），Ｋ_I（Ｘ，Ｙ）を算出する。
重み付けパラメータ算出部１６１は、特徴ベクトルＸ_iの時間窓の数Ｎと、路面特徴ベクトルＹ_Ajの時間窓の数Ｍと、予め設定した計算領域幅Ｔ_pとから、上記式（４）を用いて、パス（ｉ，ｊ）における重み付けパラメータω(i,j)を算出する。
カーネル関数算出部１６２は、ｘ_π1(s)を特徴ベクトルＸ_iとし、ｙ_π2(s)を路面特徴ベクトルＹ_Aj，Ｙ_nAjとしたときのローカルカーネルκ（ｘ_π1(s)，ｙ_π2(s)）と、重み付けパラメータ算出部１６１で算出した重み付けパラメータω(i,j)とから、重み付けされたローカルカーネルκ’（ｘ_π1(s)，ｙ_π2(s)）を算出するとともに、重み付けパラメータω(i,j)が０ではないパスのみを用いた経路について、重み付けされたローカルカーネルκ’（ｘ_π1(s)，ｙ_π2(s)）の総和もしくは総積を求め、これを、Ｒ路面のＧＡカーネル関数Ｋ_R（Ｘ，Ｙ）とする。

図９は、重み付けパラメータω(i,j)によるパス制限の一例を示す図で、特徴ベクトルＸ_iの時間窓の数はＮ＝８で、路面特徴ベクトルＹ_Ajの時間窓の数はＭ＝１６である。同図の黒塗りの部分がω(i,j)＝０で、パスが明るくなるほどω(i,j)が大きい。
このように、重み付けパラメータω(i,j)に基づくパス制限を行えば、計算する経路数を効果的に減少させることができるので、計算速度を大幅に向上させることができる。
また、同図の黒塗りで示した、類似度の判定には寄与しないノイズとなるパスは計算に使用せず、２つの時系列波形の位置がほぼ同じである類似度の高いパスのみを用いてカーネル関数Ｋ_R（Ｘ，Ｙ）を求めるようにしたので、カーネル関数Ｋ_R（Ｘ，Ｙ）の信頼性が向上する。
また、本例では、重み付けパラメータω(i,j)を、時間窓の数Ｍ，Ｎに依存する値としている。このような重み付けは、特徴ベクトルＸ_iを求めた場合の時間窓の時系列波形の数Ｎと、路面特徴ベクトルＹ_Aj（もしくはＹ_nAj）求めた場合の時間窓の時系列波形の数Ｍとが異なっている場合に、特に有効である。

路面状態判別手段１７では、以下の式（７）〜（１０）に示す、カーネル関数Ｋ_A（Ｘ，Ｙ）を用いた４つの識別関数ｆ_A（ｘ）の値に基づいて路面状態を判別する（Ａ＝Ｄ，Ｗ，Ｓ，Ｉ）。

ｆ_DはＤＲＹ路面とその他の路面とを識別する識別関数、ｆ_WはＷＥＴ路面とその他の路面とを識別する識別関数、ｆ_SはＳＮＯＷ路面とその他の路面とを識別する識別関数、ｆ_IはＩＣＥ路面とその他の路面とを識別する識別関数である。
また、Ｎ_DSVはＤＲＹモデルのサポートベクトルの数、Ｎ_WSVはＷＥＴモデルのサポートベクトルの数、Ｎ_SSVはＳＮＯＷモデルのサポートベクトルの数、Ｎ_ISVはＩＣＥモデルのサポートベクトルの数である。
識別関数のラグランジュ乗数λ_Dなどの値は、Ｒ路面とその他の路面とを識別する識別関数を求める際の学習により求められる。
本例では、識別関数ｆ_D，ｆ_W，ｆ_S，ｆ_Iをそれぞれ計算し、計算された識別関数ｆ_Aの最も大きな値を示す識別関数から路面状態を判別する。

次に、路面状態判別装置１０を用いて、タイヤ２０の走行している路面の状態を判別する方法について、図１０のフローチャートを参照して説明する。
まず、加速度センサー１１によりタイヤ２０が走行している路面からの入力により発生したタイヤ振動を検出し（ステップＳ１０）、検出されたタイヤ振動の信号からタイヤ振動の時系列波形を抽出する（ステップＳ１１）。
そして、抽出されたタイヤ振動の時系列波形を予め設定した時間幅Ｔで窓掛けして、時間窓毎のタイヤ振動の時系列波形を求める。ここで、時間窓毎のタイヤ振動の時系列波形の数をＭ個とする（ステップＳ１２）。
次に、抽出された各時間窓の時系列波形のそれぞれに対して特徴ベクトルＸ_i＝（ｘ_i1，ｘi₂，ｘ_i3，ｘ_i4，ｘ_i5）を算出する（ステップＳ１３）。
特徴ベクトルＸ_iの各成分ｘ_ik（ｋ＝１〜５）は、前述したように、タイヤ振動の時系列波形のフィルター濾過波のパワー値である。
次に、算出された特徴ベクトルＸ_iと、記憶手段１５に記録されている路面モデルのサポートベクトルＹ_Akとから、ローカルカーネルκ（ｘ_π1(s)，ｙ_π2(s)）を算出するとともに、重み付けパラメータω(i,j)を算出する（ステップＳ１４）。
そして、算出されたローカルカーネルκ（ｘ_π1(s)，ｙ_π2(s)）と重み付けパラメータω(i,j)とから、重み付けされたローカルカーネルκ’（ｘ_π1(s)，ｙ_π2(is）を算出（ステップＳ１５）した後、重み付けされたローカルカーネルκ’（ｘ_π1(s)，ｙ_π2(s)）の総和もしくは総積を求め、これを、Ｒ路面のＧＡカーネル関数Ｋ_R（Ｘ，Ｙ）とする（ステップＳ１６）。
次に、カーネル関数Ｋ_A（Ｘ，Ｙ）を用いた４つの識別関数ｆ_D（ｘ），ｆ_W（ｘ），ｆ_S（ｘ），ｆ_I（ｘ）をそれぞれ計算（ステップＳ１７）した後、計算された識別関数ｆ_A（ｘ）の値を比較して、最も大きな値を示す識別関数の路面状態を当該タイヤ２０の走行している路面の路面状態と判別する（ステップＳ１８）。

このように、本実施の形態では、カーネル関数カーネルＫ_R（Ｘ，Ｙ）を算出する際に、特徴ベクトルＸ_iの時間窓の数Ｎと、路面特徴ベクトルＹ_Ajの時間窓の数Ｍと、予め設定した計算領域幅Ｔ_pとから、パス（ｉ，ｊ）における重み付けパラメータω(i,j)を算出し、この重み付けパラメータω(i,j)とローカルカーネルκ（ｘ_π1(s)，ｙ_π2(s)）とから、重み付けされたローカルカーネルκ’（ｘ_π1(s)，ｙ_π2(s)）を算出するとともに、重み付けパラメータω(i,j)が０ではないパスのみを用いた経路について、重み付けされたローカルカーネルκ’（ｘ_π1(s)，ｙ_π2(s)）の総和もしくは総積を求め、これをＲ路面のＧＡカーネル関数Ｋ_R（Ｘ，Ｙ）としたので、計算速度を大幅に向上させることができるとともに、カーネル関数Ｋ_R（Ｘ，Ｙ）の信頼性を向上させることができる。
また、重み付けパラメータω(i,j)を、計測時のタイヤ振動の時系列波形における時系列波形長さ対応値Ｎと、予め求めておいたタイヤ振動の時系列波形における時系列波形長さ対応値Ｍとに依存する値としたので、ローカルカーネルκ’（ｘ_π1(s)，ｙ_π2(si）の信頼度も高めることができる。

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は前記実施の形態に記載の範囲には限定されない。前記実施の形態に、多様な変更または改良を加えることが可能であることが当業者にも明らかである。そのような変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲から明らかである。

例えば、前記実施の形態では、パス（ｉ，ｊ）に、時系列波形長さ対応値Ｍ，Ｎに基づく重み付けを行ったが、計算領域幅Ｔ_pのみによるパス制限を行ってもよい。
具体的には、図１１に示すように、パス（１，１）とパス（Ｍ，Ｎ）とを結ぶ直線ｊ＝（Ｍ／Ｎ）・ｉに平行な二つの直線（η＝（Ｍ／Ｎ）・ξ±ｃ）で囲まれた領域Ｒ内にあるパス（ｐ，ｑ）の重み付けパラメータω(p,q)を「１」とし、領域Ｒの外にあるパス（ｐ’，ｑ’）の重み付けパラメータω(p’,q’)を「０」とすればよい。
また、時系列波形長さ対応値Ｍ，Ｎに代えて、タイヤ振動波形の踏み込み側のピーク、及び、蹴り出し側のピークを用いてパス制限を行ってもよい。
具体的には、図１２に示すように、踏み込み側ピークを含む特徴ベクトルｘ₃と踏み込み側ピークを含む路面特徴ベクトルｙ₇とに対応するパス（３，７）と、蹴り出し側ピークを含む特徴ベクトルｘ₅と蹴り出し側ピークを含む路面特徴ベクトルｙ₁₀とに対応するパス（５，１０）を、経路の必須の中継点とするとともに、（ｘ_i，ｙ_ｊ）から成る１６×８のグリットを、始点（１，１）とパス（３，７）とを結ぶ線を対角線とする矩形領域Ｒ１と、パス（３，７）とパス（５，１０）とを結ぶ線を対角線とする矩形領域Ｒ２と、パス（５，１０）と終点（８，１６）とを結ぶ線を対角線とする矩形領域Ｒ３の３つの領域のみで、カーネル関数の計算を行ってもよい。
また、同図に示すように、各領域Ｒ１〜Ｒ３内において、更に、時系列波形長さ対応値Ｍ，Ｎに基づくパス制限や計算領域幅Ｔ_pのみによるパス制限を行ってもよい。

また、前記実施の形態では、タイヤ振動検出手段を加速度センサー１１としたが、圧力センサーなどの他の振動検出手段を用いてもよい。また、加速度センサー１１の設置箇所についても、タイヤ幅方向中心から幅方向に所定距離だけ離隔した位置に１個ずつ配設してもよい。また、加速度センサー１１の個数も１個に限るものではなく、タイヤ周方向の複数箇所に設けてもよい。
また、前記例では、特徴ベクトルＸ_iをフィルター濾過波のパワー値ｘ_ikとしたが、フィルター濾過波のパワー値ｘ_ikの時変分散を用いてもよい。時変分散はlog[ｘ_ik(t)²+ｘ_ik(t-1)²]で表わせる。
あるいは、特徴ベクトルＸ_iを、タイヤ振動時系列波形をフーリエ変換したときの特定周波数帯域の振動レベルであるフーリエ係数、もしくは、ケプストラム係数としてもよい。
ケプストラムは、フーリエ変換後の波形をスペクトル波形とみなし、再度フーリエ変換して得られるか、もしくは、ＡＲスペクトルを波形とみなし、更にＡＲ係数を求めて得られる（LPC Cepstrum）もので、絶対レベルに影響されずにスペクトルの形状を特徴付けできるので、フーリエ変換により得られる周波数スペクトルを用いた場合よりも判別精度が向上する。

また、前記実施の形態では、特徴ベクトルＸ_iを、タイヤ振動の時系列波形のフィルタ濾過波のパワー値やその時変分散、あるいは、ケプストラム係数としたが、特徴ベクトルＸ_iの各要素ａ_ikとタイヤ摩耗量とから計算される演算値を新たな特徴ベクトルＸ_Miとすれば、タイヤの摩耗があった場合でも、路面状態を精度よく判別することができる。
図１３（ａ）〜（ｃ）に示すように、特徴ベクトルＸ_iの各要素ａ_ikは、摩耗進展とともに変化する。各図において、横軸は摩耗量[mm]、縦軸は各周波数帯域における振動レベル[index]である。
本例では、特徴ベクトルＸ_iの要素ａ_ikである振動レベルの変化を多項式で近似した値ｂ_kを新たな特徴ベクトルＸ_Miとするとともに、この特徴ベクトルＸ_MiとＤＲＹモデル、ＷＥＴモデル、ＳＮＯＷモデル、及び、ＩＣＥモデルの各サポートベクトルＹ_ASV，Ｙ_nASV（Ａ＝Ｄ，Ｗ，Ｓ，Ｉ）から、それぞれＧＡカーネルＫ_D（Ｘ，Ｙ）、Ｋ_W（Ｘ，Ｙ），Ｋ_S（Ｘ，Ｙ），Ｋ_I（Ｘ，Ｙ）を算出し、ＳＶＭで学習したモデルを用いて路面状態を判別する。なお、上記各モデルのサポートベクトルＹ_ASV，Ｙ_nASVの各要素も、特徴ベクトルＸ_Miと同様に、振動レベルの変化を２次式で近似した値としていることはいうまでもない。
あるいは、特徴ベクトルＸ_iの要素ａ_ikにタイヤの摩耗量を追加してもよい。この場合も、予め複数の摩耗水準のタイヤを準備し、各路面状態にてタイヤ振動を計測し、得られたタイヤ振動のデータから、ＳＶＭ等の機械的学習手法によって識別関数を求めればよい。機械的学習手法は、フィッシャー判別最小二乗法等を用いてもよい。
また、識別関数の係数をタイヤの摩耗量の関数としても、タイヤの摩耗を考慮した路面状態の判別を行うことができる。
上記のいずれの場合も、摩耗量毎のマップを準備することなく、摩耗を考慮した路面状態の判別を行うことができるので、計算速度が向上するとともに、メモリーの増大に伴うコスト増を防ぐことができる。

また、前記実施の形態では、カーネル関数としてＧＡカーネルを用いたが、以下の式（１１）または式（１２）に示すような、ダイナミックタイムワーピングカーネル関数（ＤＴＷカーネル）を用いてもよい。

なお、πは経路、Ａ（ｘ_i，ｘ_j）は可能な全ての経路
図１４に示すように、ＤＴＷカーネルＫ’（Ｘ，Ｙ）は、ローカルカーネルκ_ij（Ｘ_i，Ｙ_j）の総和を求める際に、例えば、同図の太い実線で示すような、全ての経路の中で、κ’_ij（Ｘ_i，Ｙ_j）の総和が最大または最小になる経路の総和から成る。
このとき、前記実施の形態と同様のパス制限を行った後に、全ての経路の中で、κ’_ij（Ｘ_i，Ｙ_j）の総和が最大または最小になる経路の総和を求めるようにすれば、計算速度を大幅に向上させることができるとともに、信頼性を向上させることができる。

［実施例１］
加速度センサーが取り付けられたタイヤを装着した車両を、ＤＲＹ、ＷＥＴ、ＳＮＯＷ、及び、ＩＣＥの各路面でそれぞれ３０〜９０km/hで走行させて得られたタイヤ振動の時系列波形からカーネル関数を計算し、ＳＶＭモデルで学習したモデルを用いて路面状態を判別するとともに、３０km/hと９０km/hの２点については計算速度を測定した。３０km/hと９０km/hの結果を以下の表１に示す。

ＳＶＭモデルは、ＤＲＹとそれ以外、ＷＥＴとそれ以外、ＳＮＯＷとそれ以外、ＩＣＥとそれ以外を判別する４つのモデルを構築し、学習に使用した以外のテスト用データをそれぞれのモデルに入力したときのＳＶＭスコアが最も高いモデルの路面状態を、当該車両が走行している路面の状態とした。
試験車両は前輪駆動車でタイヤサイズは165/70R14である。
なお、各タイヤのトレッドパターンについては、BLIZZK REV02（ブリヂストン）とした。
学習用のデータは全データの２/３をあて、残りの１/３を精度算出用のデータとした。
計算速度は、計算時間をタイヤ回転速度で除したもので、計算環境は、OS :Windows(登録商標) 7 Professonal SP1 , CPU : Intel(R) Core i7-3540M, RAM: 16GBである。
表１から明らかなように、各速度において、９６％以上の高い正答率が得られた。
また、車速が遅い場合、すなわち、窓の数が多い場合でも、タイヤ約２回転分の時間で路面判別が可能なことから、路面状態の判別を高速で行うことができることが確認された。

［実施例２］
摩耗量の異なる複数のタイヤ（新品、１ｍｍ摩耗品、３ｍｍ摩耗品、５ｍｍ摩耗品）に、それぞれ加速度センサーを取り付け、これらのタイヤを装着した車両をＤＲＹ、ＷＥＴ、ＳＮＯＷ、及び、ＩＣＥの各路面でそれぞれ３０〜９０km/hで走行させて得られたタイヤ振動の時系列波形からカーネル関数を計算し、ＳＶＭモデルで学習したモデルを用いて路面状態を判別した結果を以下の表２に示す。
実施例１は、バンドパスフィルタ濾過波のパワー値と摩耗量とから特徴ベクトルＸを構成し、ＳＶＭで学習したモデルを用いて路面状態を判別したもので、実施例２は、摩耗進展とともに変化するバンドパスフィルタ濾過波のパワー値を、予め求めた近似式により新品に換算したものを特徴ベクトルＸとして、ＳＶＭで学習したモデルを用いて路面状態を判別したものである。
なお、参考として、従来の摩耗を考慮しない特徴ベクトルＸを用いて路面状態を判別した結果についても合わせて記した。

ＳＶＭモデルは、ＤＲＹとそれ以外、ＷＥＴとそれ以外、ＳＮＯＷとそれ以外、ＩＣＥとそれ以外を判別する４つのモデルを構築し、学習に使用した以外のテスト用データをそれぞれのモデルに入力したときのＳＶＭスコアが最も高いモデルの路面状態を、当該車両が走行している路面の状態とした。
試験車両は前輪駆動車でタイヤサイズは165/70R14である。
なお、各タイヤのトレッドパターンについては、BLIZZK REV02（ブリヂストン）とした。
学習用のデータは全データの２/３をあて、残りの１/３を精度算出用のデータとした。
表２から明らかなように、従来法では、摩耗の進展に伴い正答率が低下するのに対し、摩耗量を考慮した実施例１，２では、摩耗が進展したタイヤであっても、ほぼ９０％以上の高い正答率が得られた。これにより、本発明を適用することにより、タイヤの摩耗が進展している場合でも、路面状態判別を精度よく行うことができることが確認された。

１０ 路面状態判別装置、１１ 加速度センサー、１２ 振動波形抽出手段、
１３ 窓掛け手段、１４ 特徴ベクトル算出手段、１５ 記憶手段、
１６ カーネル関数算出手段、１６１ 重み付けパラメータ算出部、
１６２ カーネル関数算出部、１７ 路面状態判別手段、
２０ タイヤ、２１ インナーライナー部、２２ タイヤ気室。

Claims (6)

1. タイヤ内に設けられた振動検出手段を用いて走行中のタイヤの振動を検出して、前記タイヤの接している路面の状態を判別する方法であって、
   走行中のタイヤの振動を検出するステップ（ａ）と、
   前記検出されたタイヤ振動の時系列波形を取り出すステップ（ｂ）と、
   前記タイヤ振動の時系列波形に所定の時間幅の窓関数をかけて時間窓毎の時系列波形を抽出するステップ（ｃ）と、
   前記時間窓毎の時系列波形からそれぞれ特徴ベクトルを算出するステップ（ｄ）と、
   前記ステップ（ｄ）で算出した時間窓毎の特徴ベクトルと、予め求めておいた路面状態毎のタイヤ振動の時系列波形から算出された時間窓毎の特徴ベクトルである路面特徴ベクトルとからカーネル関数を算出するステップ（ｅ）と、
   前記カーネル関数を用いた識別関数の値に基づいて路面状態を判別するステップ（ｆ）とを有し、
   前記カーネル関数が、グローバルアライメントカーネル関数、または、ダイナミックタイムワーピングカーネル関数、または、前記カーネル関数の演算値であって、
   前記ステップ（ｅ）では、
   前記算出された時間幅毎の特徴ベクトルのうちの一つと前記路面特徴ベクトルのうちの一つとから算出される経路要素のそれぞれを、前記ステップ（ｂ）で取り出したタイヤ振動の時系列波形における時系列波形長さ対応値と、前記予め求めておいた路面状態毎のタイヤ振動の時系列波形における時系列波形長さ対応値とを用いた重み付けパラメータωにより重み付けしてから、前記カーネル関数を算出し、
   前記ステップ（ｆ）では、
   路面状態毎に求めた識別関数の値を比較して路面状態を判別することを特徴とする路面状態判別方法。
2. 前記時系列波形長さ対応値が、タイヤ振動時系列波形の長さ、タイヤ振動時系列波形取得時におけるタイヤ回転速度、及び、タイヤ振動時系列波形のピーク間距離のいずれかまたは複数、もしくは、タイヤ振動時系列波形の長さ、タイヤ振動時系列波形取得時におけるタイヤ回転速度、及び、タイヤ振動時系列波形のピーク間距離のいずれかまたは複数の演算値であることを特徴とする請求項１に記載の路面状態判別方法。
3. 前記ステップ（ｅ）では、
   カーネル関数を算出するための経路を、踏み込み側ピークを含む特徴ベクトルと踏み込み側ピークを含む路面特徴ベクトルとに対応する経路要素、及び、蹴り出し側ピークを含む特徴ベクトルと蹴り出し側ピークを含む路面特徴ベクトルとに対応する経路要素のいずれか一方または両方を通る経路のみとしたことを特徴とする請求項１または請求項２に記載の路面状態判別方法。
4. 前記特徴ベクトルの成分にタイヤの摩耗量を追加したことを特徴とする請求項１〜請求項３のいずれかに記載の路面状態判別方法。
5. 前記特徴ベクトルの成分を前記時間窓毎の時系列波形からそれぞれ算出された特徴ベクトルとタイヤの摩耗量との演算値としたことを特徴とする請求項１〜請求項３のいずれかに記載の路面状態判別方法。
6. 前記識別関数の係数をタイヤの摩耗量の関数としたことを特徴とする請求項１〜請求項３のいずれかに記載の路面状態判別装方法。

Images