JP6734713B2 - Road condition determination method - Google Patents
Road condition determination method Download PDFInfo
- Publication number
- JP6734713B2 JP6734713B2 JP2016131083A JP2016131083A JP6734713B2 JP 6734713 B2 JP6734713 B2 JP 6734713B2 JP 2016131083 A JP2016131083 A JP 2016131083A JP 2016131083 A JP2016131083 A JP 2016131083A JP 6734713 B2 JP6734713 B2 JP 6734713B2
- Authority
- JP
- Japan
- Prior art keywords
- road surface
- tire
- internal pressure
- vibration
- time
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 29
- 238000001514 detection method Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 description 128
- 230000006870 function Effects 0.000 description 60
- 230000001133 acceleration Effects 0.000 description 31
- 238000004364 calculation method Methods 0.000 description 27
- 238000012937 correction Methods 0.000 description 18
- 230000007704 transition Effects 0.000 description 18
- 238000000605 extraction Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000000926 separation method Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000000881 depressing effect Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000004441 surface measurement Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Tires In General (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Description
本発明は、走行中の路面状態を判別する方法に関する。 The present invention relates to how to determine the road surface condition during travel.
従来、路面状態を判別する方法としては、タイヤのインナーライナー部に設置された加速度センサーで検出した走行中のタイヤトレッドの振動波形を、踏み込み端に出現する踏み込み側のピークよりも前の踏み込み前領域R1と、踏み込み側のピークを形成する踏み込み領域R2と、踏み込み側のピークと蹴り出し端に出現する蹴り出し側のピークとの間の蹴り出し前領域R3と、蹴り出し側のピークを形成する蹴り出し領域R4と、蹴り出し領域R4よりも後の蹴り出し後領域R5とに分けるとともに、各領域の振動波形をそれぞれ周波数分析し、得られた周波数スペクトルから、特定周波数帯域の振動レベルである複数の帯域値Pijを求め、これらの帯域値Pijを予め求めておいた識別関数F(Pij)に代入して得られた値に基づいて、走行中の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)。
なお、上記の帯域値Pijは、領域番号の番号がiで、周波数帯域の番号がjである帯域値を指す。
Conventionally, as a method for determining the road surface condition, the vibration waveform of the running tire tread detected by the acceleration sensor installed on the inner liner of the tire is used before the stepping on the front side of the peak on the stepping side appearing at the stepping end. A region R1, a stepping region R2 that forms a peak on the stepping side, a pre-starting region R3 between the peak on the stepping side and a peak on the starting side that appears at the starting end, and a peak on the starting side are formed. It is divided into a kick-out area R4 and a kick-out area R5 after the kick-out area R4, and the vibration waveform of each area is frequency-analyzed. From the obtained frequency spectrum, a vibration level in a specific frequency band is obtained. A method for determining a road surface state during traveling based on a value obtained by obtaining a plurality of band values P ij and substituting these band values P ij into a previously determined identification function F(P ij ). Has been proposed (for example, see Patent Document 1).
The band value P ij indicates a band value in which the area number is i and the frequency band is j.
しかしながら、前記特許文献1では、領域R1〜R5の時間幅や、帯域値Pijの大きさなどが、タイヤ内圧やタイヤ内温度などのタイヤ状態により変化することを考慮していないため、路面状態の判定精度が十分とはいえなかった。
However, in
本発明は、従来の問題点に鑑みてなされたもので、タイヤ状態が変化した場合でも、路面状態を精度よく判定できる方法を提供することを目的とする。 The present invention has been made in view of the conventional problems, even if the tire condition is changed, and an object thereof is to provide a way capable of determining road surface conditions accurately.
本発明は、振動検出手段により検出した走行中のタイヤの振動の時間変化波形から路面の状態を判別する路面状態判別方法であって、前記タイヤの振動波形を取得するステップと、前記タイヤの状態情報を取得するステップと、前記振動波形から求められる路面状態を判別するための判別パラメータを前記状態情報にて変更した後、この変更された判別パラメータから路面状態を判別するステップと、を備え、前記状態情報が、当該タイヤの内圧、タイヤ内温度、及び、タイヤ外面温度のうちの1つ、または、複数であり、前記判別パラメータが、前記振動波形に掛ける窓の時間幅であることを特徴とする。
このように、取得したタイヤの状態情報に応じて、振動波形に掛ける窓の時間幅を変更したので、路面状態の判別精度を向上させることができる。
また、前記状態情報を、当該タイヤの内圧、タイヤ内温度、及び、タイヤ外面温度のうちの1つ、または、複数としたので、タイヤの状態を的確に把握することができる。
The present invention is a road surface state determination method for determining a road surface state from a time-varying waveform of vibration of a running tire detected by a vibration detection means, a step of acquiring a vibration waveform of the tire, and a state of the tire. acquiring information, after changing Te discrimination parameters for determining a road surface condition obtained from the vibration waveform to the status information, and Luz step to determine the road surface condition from the modified determining parameter , And the state information is one or more of the internal pressure of the tire, the internal temperature of the tire, and the external temperature of the tire, and the determination parameter is the time width of the window applied to the vibration waveform. It is characterized by
As this, according to the acquired status information of the tire, since the change the time width of the window to be applied to the vibration waveform, it is possible to improve the determination accuracy of the road surface condition.
Further , since the state information is one or more of the internal pressure of the tire, the internal temperature of the tire, and the external temperature of the tire, the state of the tire can be accurately grasped .
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。 The above summary of the invention does not enumerate all the necessary features of the present invention, and sub-combinations of these feature groups can also be the invention.
実施の形態1.
図1は、本実施の形態に係る路面状態判別装置10の機能ブロック図で、同図において、11は振動検出手段としての加速度センサー、12はタイヤ状態検出手段としての内圧センサー、13はタイヤ状態判定手段、14は振動波形検出手段、15は領域信号抽出手段、16は帯域値算出手段、17は帯域値補正手段、18は路面状態判別手段である。
加速度センサー11と内圧センサー12とがセンサー部10Aを構成し、振動波形検出手段13〜路面状態判別手段18での各手段が記憶・演算部10Bを構成する。
記憶・演算部10Bを構成する各手段は、例えば、コンピュータのソフトウェア及びRAM等の記憶装置により構成される。
FIG. 1 is a functional block diagram of a road surface
The
Each unit that configures the storage/
加速度センサー11は、図2に示すように、タイヤ1のインナーライナー部2のタイヤ幅方向中心に、検出方向がタイヤ周方向になるように配置される。これにより、加速度センサー11は、路面からトレッド3に入力する作用するタイヤ周方向加速度を検出する。以下、加速度センサー11の位置(厳密には、加速度センサー11の径方向外側にあるトレッド3表面の位置)を計測点という。
例えば、加速度センサー11の出力は、送信機11Fにより、車体側に設けられた図示しない記憶・演算部10Bの振動波形検出手段14に送られる。また、路面状態判別装置10の判別結果は、車体側に配置される車両制御装置20に送られる。
また、内圧センサー12は、加速度センサー11と一体に設けられて、タイヤ1の内部の圧力(以下、タイヤ内圧という)Pを計測する。計測されたタイヤ内圧Pは、送信機11Fにより、記憶・演算部10Bのタイヤ状態判定手段13に送られる。
なお、記憶・演算部10Bをタイヤ1側に設けて、路面状態判別装置10の判別結果を車体側に設けられた車両制御装置20に送信する構成としてもよい。
As shown in FIG. 2, the
For example, the output of the
Further, the internal pressure sensor 12 is provided integrally with the
The storage/
タイヤ状態判定手段13は、内圧センサー12で計測されたタイヤ内圧Pから、タイヤ1の状態が路面状態の判定が可能な状態か否かを判定する。具体的には、計測されたタイヤ内圧Pが、予め設定した判定可能内圧範囲[Pmin,PMax]内にあるか否かを判定し、P<Pmin、もしくは、P>PMaxである場合には、検出された振動波形からは路面状態の判別が困難であるとして、振動波形検出手段14に、振動波形の検出を中断する中断指令信号を送るとともに、車両制御装置20に、検出された振動波形から判別した路面状態の精度が低いとする、判定不能信号を送る。
一方、計測されたタイヤ内圧Pが、判定可能内圧範囲[Pmin,PMax]内にある場合には、タイヤ内圧Pの計測データを帯域値補正手段17に出力する。
なお、判定可能内圧範囲[Pmin,PMax]は、タイヤ種により異なるが、例えば、標準内圧をP0とすると、Pmin=(1−0.3)P0、PMax=(1+0.3)P0、もしくは、Pmin=P0−100kPa、PMax=P0+100kPa程度とすることが好ましい。
The tire condition determining means 13 determines from the tire internal pressure P measured by the internal pressure sensor 12 whether or not the condition of the
On the other hand, when the measured tire internal pressure P is within the determinable internal pressure range [P min , P Max ], the measured data of the tire internal pressure P is output to the band value correction means 17.
The determinable internal pressure range [P min , P Max ] varies depending on the tire type. For example, if the standard internal pressure is P 0 , P min =(1-0.3)P 0 , P Max =(1+0. 3) It is preferable that P 0 or P min =P 0 -100 kPa and P Max =P 0 +100 kPa.
振動波形検出手段14は、加速度センサー11の出力である走行中であるタイヤ1に入力するタイヤ周方向振動を時系列に配列した時系列波形を検出する。図3に示すように、振動の時系列波形において最初に出現するピーク(正のピーク)Pfは、計測点が路面に衝突するときに発生するピークで、このピークPfの位置が踏み込み点Pfである。次に出現するピーク(負のピーク)Pkは、計測点が路面を離れるときに発生するピークで、このピークPkの位置が蹴り出し点である。
領域信号抽出手段15は、振動波形検出手段13で検出した時系列波形を、踏み込み側のピークPfよりも前の領域である踏み込み前領域R1と、踏み込み側のピークPfを形成する領域である踏み込み領域R2と、踏み込み側のピークPfと蹴り出し側のピークPkとの間の領域である蹴り出し前領域R3と、蹴り出し側のピークPkを形成する領域である蹴り出し領域R4と、蹴り出し領域R4よりも後の領域である蹴り出し後領域R5とに分割し、各領域R1〜R5における振動の時系列波形を抽出する。
なお、タイヤ状態判定手段13から中断指令信号が入力された場合には、時系列波形の抽出動作を中断する。
The vibration waveform detection means 14 detects a time-series waveform in which tire circumferential vibrations that are output from the
Domain signal extracting means 15, a time-series waveform detected by the vibration waveform detection means 13, than the peak P f of leading side is before the area with the depression front region R1, a region for forming the peak P f of leading side A certain stepping region R2, a pre-kicking region R3 that is a region between the stepping side peak P f and the kicking side peak P k, and a kicking region that is a region that forms the kicking side peak P k It is divided into R4 and a region after kicking R5, which is a region after the region R4 after kicking, and a time series waveform of vibration in each of the regions R1 to R5 is extracted.
When the interruption instruction signal is input from the tire condition determination means 13, the time series waveform extraction operation is interrupted.
帯域値算出手段16は、各領域R1〜R5の時系列波形をバンドパスフィルターに通して、所定の周波数領域の振動成分の大きさである帯域値Aijを算出する。なお、添え字iは、時系列波形の領域R1〜R5を指し、添え字jは抽出した周波数領域を指す。
例えば、A11は踏み込み前領域R1の2kHz〜8kHz帯域から選択される帯域値で、A23は踏み込み領域R2の4kHz〜10kHz帯域から選択される帯域値、A52は蹴り出し後領域R5の2kHz〜4kHz帯域から選択される帯域値である。
この帯域値Aijが、本発明の判別パラメータに相当する。
帯域値補正手段17は、帯域値算出手段16で算出した帯域値Aijを、タイヤ状態判定手段13から送られてきたタイヤ内圧Pのデータを用いて補正する。具体的には、図4に示すような、タイヤ内圧Pと帯域値比Kij=aij(P)/aij(P0)との関係を示すグラフを準備し、内圧がPであるときの帯域値Aij(P)を補正する。
補正された帯域値をAij(P)とすると、Aij(P)=Kij×Aijである。
なお、全ての帯域値Aijが、図4(a)に示すように,タイヤ内圧Pが大きくなるほど大きくなるわけではない。帯域値Aijは、タイヤ内圧Pが大きくなるほど小さくなる場合もあるので、上記のように、帯域値Aijとタイヤ内圧Pとの関係は、タイヤ内圧Pと帯域値比Kijとの関係を示すデータを、抽出領域Riと抽出周波数領域jごとに準備しておく必要がある。
なお、帯域値Aijの補正方法としては、前述の方法に限らず、図4(b)に示すように、タイヤ内圧P毎に、AijとAij(P)との関係を示す直線もしくは曲線を予め求めておき、Aijの計測されたタイヤ内圧Pに対応する直線上もしくは曲線上のAij(P)を補正値としてもよい。
The band value calculating means 16 passes the time-series waveforms of the respective regions R1 to R5 through a bandpass filter to calculate the band value A ij which is the magnitude of the vibration component in the predetermined frequency region. The subscript i indicates the time-series waveform regions R1 to R5, and the subscript j indicates the extracted frequency region.
For example, A 11 is a band value selected from the 2 kHz to 8 kHz band of the pre-depressing region R1, A 23 is a band value selected from the 4 kHz to 10 kHz band of the depressing region R2, and A 52 is 2 kHz of the after-start region R5. Is a band value selected from the band of 4 kHz.
This band value A ij corresponds to the discrimination parameter of the present invention.
The band value correction means 17 corrects the band value A ij calculated by the band value calculation means 16 using the data of the tire internal pressure P sent from the tire condition determination means 13. Specifically, a graph showing the relationship between the tire internal pressure P and the band value ratio K ij =a ij (P)/a ij (P 0 ) as shown in FIG. 4 is prepared, and when the internal pressure is P The band value A ij (P) of is corrected.
Letting the corrected band value be A ij (P), A ij (P)=K ij ×A ij .
It should be noted that all the band values A ij do not increase as the tire internal pressure P increases, as shown in FIG. Since the band value A ij may decrease as the tire internal pressure P increases, as described above, the relationship between the band value A ij and the tire internal pressure P is the relationship between the tire internal pressure P and the band value ratio K ij. It is necessary to prepare the data shown for each extraction region Ri and extraction frequency region j.
The method for correcting the band value A ij is not limited to the method described above, and as shown in FIG. 4B, a straight line indicating the relationship between A ij and A ij (P) for each tire internal pressure P or obtained in advance curve, the a ij on the line or on a curve corresponding to the measured tire pressure P of a ij (P) may be used as the correction value.
路面状態判別手段18は、予め設定した複数の識別関数Fk(Aij)に、帯域値算出手段16により算出されたAijに代えて、帯域値補正手段17によって補正された帯域値Aij(P)を代入して得られた関数値fkを用いて、路面状態を推定する。
本例では、識別関数Fkとして、本出願人が特願2010−115730号(特許文献1)において提案した、路面上に水や雪などの介在物があるか否かを判定する識別関数F1=w11・A11+w12・A12−K1と、路面が積雪路であるか否かを判定する識別関数F2=w21・A21+w22・A51−K2と、路面上の介在物が水か雪か、すなわち、路面が深いWET路面か、深いシャーベット状の雪路であるかどうかを判定する識別関数F3=w31・A52+w32・A31+w33・A41+w34・A53とを用いて、路面が「雪路」であるか否かと、「雪路」が「積雪路」か「浅いシャーベット状の雪路」のいずれであるかを判別する。
The road surface
In this example, as the discriminant function Fk, the discriminant function F1=which is proposed by the present applicant in Japanese Patent Application No. 2010-115730 (Patent Document 1) for determining whether or not there are inclusions such as water and snow on the road surface w 11 ·A 11 +w 12 ·A 12 −
次に、本実施の形態1に係る路面状態の判定方法について、図5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にて走行中のタイヤ1のタイヤ周方向振動を検出するとともに、内圧センサー12にてタイヤ内圧を計測する(ステップS10)。
次に、計測されたタイヤ内圧から、タイヤ内圧Pが、予め設定した判定可能内圧範囲[Pmin,PMax]内にあるか否かを判定する(ステップS11)。
タイヤ内圧Pが判定可能内圧範囲[Pmin,PMax]内にある場合には、ステップS12に進んで、加速度センサー11の出力であるタイヤ周方向振動を時系列に配列した時系列波形を検出する。一方、計測されたタイヤ内圧Pが、P<Pmin、もしくは、P>PMaxである場合には、路面判定動作を中止する。なお、所定時間経過後、計測されたタイヤ内圧Pが、判定可能内圧範囲[Pmin,PMax]内にあるか否かを再度判定してもよい。
Next, a road surface condition determining method according to the first embodiment will be described with reference to the flowchart of FIG.
First, the
Next, it is determined from the measured tire internal pressure whether or not the tire internal pressure P is within a preset determinable internal pressure range [P min , P Max ] (step S11).
If the tire internal pressure P is within the determinable internal pressure range [P min , P Max ], the process proceeds to step S12, and a time-series waveform in which tire circumferential vibration output from the
次に、検出した時系列波形を、踏み込み前領域R1と、踏み込み領域R2と、蹴り出し前領域R3と、蹴り出し領域R4と、蹴り出し後領域R5とに分割し(ステップS13)た後、各領域R1〜R5における振動の時系列波形から帯域値Aijを算出する(ステップS14)。
帯域値Aijは、時系列波形の抽出領域がRiで、周波数領域が[fja,fjb]である帯域値である。例えば、A23は、踏み込み領域R2の周波数領域が[4kHz,10kHz]における帯域値である。
本発明では、算出された帯域値Aijを、タイヤ内圧Pのデータを用いて補正する(ステップS15)。なお、補正は帯域値Aijごとに行う。
次に、路面上に水や雪などの介在物があるか否かを判定する(ステップS16)。
具体的には、様々な路面状態における帯域値A11と帯域値A12との関係を予め実験的に求めて識別関数F1=w11・A11+w12・A12−K1を設定し、この識別関数F1の帯域値A11及び帯域値A12に、それぞれタイヤ内圧Pで補正した帯域値A11(P)及び帯域値A12(P)を代入して関数値f1を求める。
関数値f1が、f1≧0を満たしている場合には、路面上に水や雪などの介在物があると判定されるので、ステップS17に進んで、この路面上の介在物が、新雪が積もった柔らかいものかどうかを判定する。一方、f1<0である場合には、路面が「雪路ではない」と判定する。
Next, after dividing the detected time-series waveform into a pre-stepping-in area R1, a stepping-in area R2, a pre-kicking-out area R3, a kicking-out area R4, and a post-kicking-out area R5 (step S13), The band value A ij is calculated from the time series waveform of the vibration in each of the regions R1 to R5 (step S14).
The band value A ij is a band value in which the extraction region of the time-series waveform is Ri and the frequency region is [f ja , f jb ]. For example, A 23 is a band value in the frequency region of the stepping region R2 [4 kHz, 10 kHz].
In the present invention, the calculated band value A ij is corrected using the data of the tire internal pressure P (step S15). The correction is performed for each band value A ij .
Next, it is determined whether or not there are inclusions such as water and snow on the road surface (step S16).
Specifically, the relationship between the band value A 11 and the band value A 12 under various road surface conditions is experimentally obtained in advance, and the discriminant function F1=w 11 ·A 11 +w 12 ·A 12 −
When the function value f1 satisfies f1≧0, it is determined that there are inclusions such as water and snow on the road surface, and therefore the process proceeds to step S17, where the inclusions on the road surface are covered with fresh snow. Determine if it is a soft pile. On the other hand, when f1<0, it is determined that the road surface is “not snowy”.
ステップS17では、新雪が積もった積雪路であるか否かを判定する。
具体的には、様々な路面状態における帯域値A21と帯域値A51との関係を予め実験的に求めて識別関数F2=w21・A21+w22・A51−K2を設定し、この識別関数F2の帯域値A21及び帯域値A51に、それぞれタイヤ内圧Pで補正した帯域値A21(P)及び帯域値A51(P)を代入して関数値f2を求める。f2<0である場合には、路面が積雪路であると判定する。
一方、関数値f2が、f2≧0である場合には、ステップS18に進んで、路面上の介在物が水か雪か、すなわち、路面が深いWET路面か、深いシャーベット状の雪路であるかどうかを判定する。
すなわち、ステップS18では、様々な路面状態における帯域値A52,A31,A41,A53に対して予め識別関数F3=w31・A52+w32・A31+w33・A41+w34・A53を設定し、この識別関数F3の帯域値A52,A531,A41及び帯域値A53に、それぞれタイヤ内圧Pで補正した帯域値A52(P),A31(P),A41(P)及び帯域値A53(P)を代入して得られた関数値f3を求める。f3≧0である場合には深いWET路である(雪路ではない)と判定し、f3<0である場合には、路面がシャーベット状の雪路であると判定する。
In step S17, it is determined whether or not the road is a snowy road covered with fresh snow.
Specifically, to set the discrimination function F2 = w 21 · A 21 + w 22 · A 51 -K2 in advance experimentally obtained relation between bandwidth value A 21 and band value A 51 in the various road conditions, the The band value A 21 (P) and the band value A 51 (P) corrected by the tire internal pressure P are respectively substituted into the band value A 21 and the band value A 51 of the discriminant function F2 to obtain the function value f2. When f2<0, it is determined that the road surface is a snowy road.
On the other hand, when the function value f2 is f2≧0, the process proceeds to step S18, and the inclusion on the road surface is water or snow, that is, the road surface is a deep WET road surface or a deep sherbet-like snow road. Determine whether or not.
That is, in step S18, the pre-discrimination function F3 = w 31 · A 52 + w 32 · A 31 +
このように、本実施の形態1では、加速度センサー11にて走行中のタイヤ1のタイヤ周方向振動を検出するとともに、内圧センサー12にてタイヤ内圧Pを計測し、この計測されたタイヤ内圧Pが判定可能内圧範囲[Pmin,PMax]内にある場合には、振動情報であるタイヤ周方向振動の時系列波形から求められる帯域値Aijをタイヤ内圧Pで補正し、この補正された帯域値Aij(P)を用いて路面状態を判定したので、路面状態の判定精度を向上させることができる。
また、タイヤ内圧Pが判定可能内圧範囲[Pmin,PMax]外にある場合には路面状態の判定を中断するようにしたので、路面状態の誤判定を防ぐことができる。
As described above, in the first embodiment, the
Further, when the tire internal pressure P is outside the determinable internal pressure range [P min , P Max ], the determination of the road surface condition is interrupted, so that the erroneous determination of the road surface condition can be prevented.
なお、前記実施の形態1では、タイヤ状態をタイヤ内圧としたが、タイヤ内温度としてもよいし、タイヤ内圧とタイヤ内温度の両方としてもよい。あるいは、タイヤ内圧とタイヤ内温度のいずれか一方あるいは両方に、タイヤ外面温度を加えてもよい。
なお、タイヤ内温度は、図2に示すように、ホイールリム4のタイヤ気室5側、もしくは、タイヤ1のインナーライナー部2に温度センサー19を配置して計測すればよい。また、タイヤ外面温度は、例えば、図示しない車体のタイヤハウスの、タイヤ1に対向する位置に設置した温度センサーにより計測すればよい。
また、前記実施の形態1では、タイヤ状態により補正する判別パラメータを、時系列波形から抽出された踏み込み前領域R1、踏み込み領域R2、蹴り出し前領域R3、蹴り出し領域R4、及び、蹴り出し後領域R5の時系列波形から算出される所定の周波数領域の振動成分の大きさである帯域値Aijとしたが、複数の特定周波数帯域の振動レベルから演算される演算値である識別関数Fkの関数値fkであってもよい。あるいは、識別関数Fkの係数であるwkl(重みレベル)や、定数Kkであってもよい。
タイヤ状態により補正する判別パラメータを識別関数Fkの関数値fkとした場合が、本発明の判別パラメータと状態情報とから路面状態を判別する第1の判別ステップに相当する。
In the first embodiment, the tire condition is the tire inner pressure, but it may be the tire inner temperature or both the tire inner pressure and the tire inner temperature. Alternatively, the tire outer surface temperature may be added to either or both of the tire inner pressure and the tire inner temperature.
The temperature inside the tire may be measured by disposing a temperature sensor 19 on the
Further, in the first embodiment, the discrimination parameter to be corrected according to the tire condition is set as the pre-depression area R1, the depressing area R2, the pre-kicking area R3, the kicking area R4, and the after-kicking extracted from the time-series waveform. The band value A ij , which is the magnitude of the vibration component in the predetermined frequency region calculated from the time-series waveform of the region R5, is used. It may be the function value fk. Alternatively, it may be w kl (weight level) which is a coefficient of the discriminant function Fk, or a constant K k .
The case where the discriminant parameter to be corrected according to the tire condition is the function value fk of the discriminant function Fk corresponds to the first discriminating step for discriminating the road surface condition from the discriminant parameter and condition information of the present invention.
また、判別パラメータを、特定周波数帯域の範囲としてもよい。
例えば、図6に示すように、特定周波数領域の上限周波数fjaや下限周波数fjb、あるいは、特定周波数領域の領域幅(fjb‐fja)の適正値は、タイヤ内圧Pによって変化するので、これらの値をタイヤ内圧Pにより変更すれば、路面状態の判定精度を向上させることができる。
また、判別パラメータとして、振動波形に掛ける窓の時間幅を用いてもよい。すなわち、振動波形の踏み込み側のピークPfの位置、蹴り出し側のピークPkの位置、あるいは、踏み込み側のピークPfと蹴り出し側のピークPkとの間隔位置も、タイヤ内圧やタイヤ内温度により変化するので、振動波形の抽出領域(踏み込み前領域R1、踏み込み領域R2、蹴り出し前領域R3、蹴り出し領域R4、及び、蹴り出し後領域R5)の領域幅である振動波形に掛ける窓の時間幅を、タイヤ情報により変更すれば、路面状態の判定精度を更に向上させることができる。
また、複数の判別パラメータの補正と変更とを同時に行えば、路面状態の判定精度を更に向上させることができる。
Further, the discrimination parameter may be the range of the specific frequency band.
For example, as shown in FIG. 6, since the upper limit frequency f ja and the lower limit frequency f jb of the specific frequency region, or the proper value of the region width (f jb -f ja ) of the specific frequency region changes depending on the tire internal pressure P. By changing these values according to the tire internal pressure P, the road surface condition determination accuracy can be improved.
Further, the time width of the window applied to the vibration waveform may be used as the discrimination parameter. That is, the position of the peak P f on the stepping side of the vibration waveform, the position of the peak P k on the kicking side, or the position of the interval between the peak P f on the stepping side and the peak P k on the kicking side also determines the tire internal pressure and the tire. Since it changes depending on the internal temperature, it is applied to the vibration waveform that is the region width of the extraction region of the vibration waveform (pre-depression region R1, depressing region R2, pre-kicking region R3, kicking-out region R4, and post-kicking region R5). If the time width of the window is changed according to the tire information, the road surface condition determination accuracy can be further improved.
Further, by simultaneously correcting and changing a plurality of determination parameters, it is possible to further improve the determination accuracy of the road surface condition.
実施の形態2.
図7は、本実施の形態2に係る路面状態判別装置30の機能ブロック図で、同図において、11は振動検出手段としての加速度センサー、12はタイヤ状態検出手段としての内圧センサー、13はタイヤ状態判定手段、14は振動波形検出手段、31は窓掛け手段、32は特徴ベクトル算出手段、33は特徴ベクトル補正手段、34は記憶手段、35は尤度算出手段、36は路面状態判別手段である。
加速度センサー11と内圧センサー12とがセンサー部10Aを構成し、タイヤ状態判定手段13、振動波形検出手段14、及び、窓掛け手段31〜路面状態判別手段36までの各手段が記憶・演算部30Bを構成する。
記憶・演算部30Bを構成する各手段は、例えば、コンピュータのソフトウェア及びRAM等の記憶装置により構成される。
なお、実施の形態1と同符号の加速度センサー11、内圧センサー12、タイヤ状態判定手段13、及び、振動波形検出手段14は、実施の形態1と同じもので、加速度センサー11は走行中のタイヤ1のタイヤ周方向振動を検出し、内圧センサー12はタイヤ内圧を計測する。
タイヤ状態判定手段13は、計測されたタイヤ内圧のデータから、計測されたタイヤ内圧Pが、予め設定した判定可能内圧範囲[Pmin,PMax]内にあるか否かを判定し、振動波形検出手段14は、図3に示すような、タイヤ周方向振動を時系列に配列した時系列波形を検出する。
FIG. 7 is a functional block diagram of a road surface
The
Each unit that configures the storage/
The
The tire
窓掛け手段31は、図8に示すように、タイヤ周方向振動の時系列波形を予め設定した時間幅(時間窓幅)で窓掛けし、時間窓毎にタイヤ振動の時系列波形を抽出する。
特徴ベクトル算出手段32は、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Xtを算出する。本例では、特徴ベクトルXtとして、タイヤ振動の時系列波形をそれぞれ、周波数領域がfka−fkbのk個のバンドパスフィルターBP(k)に通して抽出した得た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)xktを用いた。特徴ベクトルXの次元はk次元で、本例では、特定周波数帯域を、0-0.5kHz、0.5-1kHz、1-2kHz、2-3kHz、3-4kHz、4-5kHzの6つとしたので、k=6となる。
特徴ベクトルXtは時間窓毎に求められるので、時間窓の総数をN個とすると特徴ベクトルXtの数もN個となる。
特徴ベクトル補正手段33は、特徴ベクトル算出手段32で算出したN×k個のパワー値xkt(以下、パワー値xktという)を、タイヤ状態判定手段13から送られてきたタイヤ内圧Pのデータを用いて補正する。補正の方法は、実施の形態1と同様で、パワー値比をKk=xkt(P)/xkt(P0)との関係を示すグラフを準備し、内圧がPであるときのパワー値xktを補正して、補正された特徴ベクトルXt(P)を求める。
補正された特徴ベクトルXt(P)の成分をxkt(P)とすると、xkt(P)=Kk×xktである。
As shown in FIG. 8, the windowing means 31 windows the time series waveform of the tire circumferential vibration with a preset time width (time window width), and extracts the time series waveform of the tire vibration for each time window. ..
The feature vector calculation means 32 calculates the feature vector X t for each of the extracted time series waveforms of the respective time windows. In this example, as the feature vector X t , the time-series waveform of the tire vibration is extracted through the k band-pass filters BP(k) each having a frequency domain of f ka −f kb and extracted. Vibration level (power value of filtered wave) x kt was used. Since the dimension of the feature vector X is k-dimensional, and in this example, the specific frequency band is set to 6 of 0-0.5kHz, 0.5-1kHz, 1-2kHz, 2-3kHz, 3-4kHz, and 4-5kHz, k =6.
Since the feature vector X t is obtained for each time window, if the total number of time windows is N, the number of feature vectors X t will also be N.
The feature vector correction means 33 uses the data of the tire internal pressure P sent from the tire condition determination means 13 to calculate the N×k power values x kt (hereinafter referred to as power value x kt ) calculated by the feature vector calculation means 32. Correct using. The correction method is the same as in the first embodiment, and a graph showing the relationship between the power value ratio and K k =x kt (P)/x kt (P 0 ) is prepared, and the power when the internal pressure is P is set. The value x kt is corrected to obtain the corrected feature vector X t (P).
If the component of the corrected feature vector X t (P) is x kt (P), then x kt (P)=K k ×x kt .
記憶手段34は、路面状態毎に構成された複数の隠れマルコフモデル(以下、路面HMMという)を記憶する。路面HMMは、路面内HMM(road)と路面外HMM(silent)とから成る。路面内HMM(road)は、タイヤ振動の時系列波形のうちの路面領域に出現する振動波形から構成され、路面外HMM(silent)は、無情報領域の振動波形から構成される。
路面HMMは、図9に示すように、タイヤ振動の時系列波形に対応した7つの状態S1〜S7を有し、各状態S1〜S7は、それぞれ、特徴ベクトルXtの出力確率bij(X)と状態間の遷移確率aij(X)の2種類のパラメータにより構成されている(i,j=1〜7)。
本例では、各路面HMMの開始状態S1と終了状態S7とを除く5つの状態S2〜S6で前記タイヤ振動の時系列波形を5つの状態に分割する学習を行って、各路面HMMの特徴ベクトルXの出力確率bij(X)と状態間の遷移確率aij(X)とを求めた。
出力確率bij(X)は状態が状態Siから状態Sjに遷移するときに特徴ベクトルXが出力される確率を表す。出力確率bij(X)は混合正規分布を仮定する。
遷移確率aij(X)は状態が状態Siから状態Sjに遷移する確率を表す。
なお、特徴ベクトルXの次元がk次元の場合には、出力確率bijは特徴ベクトルXのk成分xk毎に設定される。
The
As shown in FIG. 9, the road surface HMM has seven states S 1 to S 7 corresponding to the time-series waveform of tire vibration, and each state S 1 to S 7 has an output probability of the feature vector X t . b ij (X) and transition probability between states a ij (X) are used (i, j=1 to 7).
In this embodiment, by performing the learning of dividing the time series waveform of the tire vibration in five states in five states S 2 to S 6 except the starting state S 1 of each road HMM and ending state S 7, the road surface The output probability b ij (X) of the HMM feature vector X and the transition probability a ij (X) between states were obtained.
The output probability b ij (X) represents the probability that the feature vector X will be output when the state transits from the state S i to the state S j . The output probability b ij (X) assumes a mixed normal distribution.
The transition probability a ij (X) represents the probability that a state will transition from state S i to state S j .
When the dimension of the feature vector X is k, the output probability b ij is set for each k component x k of the feature vector X.
本例では、予め、加速度センサー11を備えたタイヤ1を搭載した車両を、DRY、WET、SNOW、及び、ICEの各路面でそれぞれ走行させて得られたタイヤ振動の時系列波形のデータを学習用データとして、DRY路面HMM、WET路面HMM、SNOW路面HMM、及び、ICE路面HMMから成る4つの路面内HMM(road)と、路面外HMM(silent)の5つの路面HMMを構築した。
路面内HMM(road)も路面外HMM(silent)も、ともに、開始状態S1と終了状態S7とを含む7状態S1〜S7を有するHMMである。
HMMの学習は、EMアルゴリズム、Baum-Welchアルゴリズム、フォワード−バックフォワードアルゴリズム等の周知の方法で行う。
In this example, the time-series waveform data of tire vibration obtained by running a vehicle equipped with the
Both the road surface HMM (road) and the road surface HMM (silent) are HMMs having seven states S 1 to S 7 including a start state S 1 and an end state S 7 .
HMM learning is performed by a known method such as an EM algorithm, a Baum-Welch algorithm, and a forward-back-forward algorithm.
尤度算出手段35は、図10に示すように、複数(ここでは、4個)の路面HMMのそれぞれについて補正された特徴ベクトルXt(P)の尤度を算出する。
尤度は、本出願人らが特願2011−140943号において提案したように、まず、時間窓毎に出力確率P(Xt(P))を以下の式(1),(2)を用いて算出する。なお、以下において、Xtは補正された特徴ベクトルXt(P)である。
t;時刻
S;状態数
Ms;混合ガウス分布の成分の数
cjsm;m番目の混合成分の混合比
μ;ガウス分布の平均ベクトル
σ;ガウス分布の分散共分散行列
遷移確率π(Xt)は、路面HMMが7状態であるので、7×7の行列で表わせる。この遷移確率π(Xt)としては、前記路面HMMの学習により求められた特徴ベクトルXtの状態間の遷移確率aij(Xt)を用いればよい。
そして、算出した出力確率P(Xt)と遷移確率π(Xt)との積である時間窓毎の出現確率K(Xt)を求め、この時間窓毎の出現確率K(Xt)を全ての時間窓について掛け合わせて尤度Zを求める。すなわち、尤度Zは、Z=ΠP(Xt)・遷移確率π(Xt)により求められる。あるいは、それぞれの時間窓毎に計算された出現確率K(Xt)の対数をとって、全ての時間窓について足し合わせることで尤度Zを求めてもよい。
As shown in FIG. 10, the likelihood calculating means 35 calculates the likelihood of the corrected feature vector X t (P) for each of the plurality (here, four) of road surface HMMs.
As the likelihood, as proposed by the present applicants in Japanese Patent Application No. 2011-140943, first, the output probability P(X t (P)) is calculated for each time window using the following equations (1) and (2). To calculate. In the following, X t is the corrected feature vector X t (P).
The calculated output probabilities P (X t) and the transition probabilities π seeking (X t) the emergence of each time window which is the product of the probability K (X t), occurrence probability K (X t) of the time per window Is multiplied for all time windows to obtain the likelihood Z. That is, the likelihood Z is obtained by Z=ΠP(X t )·transition probability π(X t ). Alternatively, the likelihood Z may be obtained by taking the logarithm of the appearance probability K(X t ) calculated for each time window and adding them up for all time windows.
ところで、路面HMMの状態が状態S1から状態S7まで遷移する経路(状態遷移系列)は、図11に示すように、複数存在する。すなわち、各路面HMMのそれぞれについて、尤度Zは状態遷移系列毎に異なる。
本例では、周知のビタビアルゴリズムを適用して最も尤度Zが大きい状態遷移系列ZMを求め、この状態遷移系列を検出されたタイヤ振動の時系列波形に対応する状態遷移系列とするとともに、前記尤度ZMを当該路面HMMのZとする。
尤度ZMは路面HMM毎に求められる。
路面状態判別手段36は、尤度算出手段35により算出された複数の隠れマルコフモデル毎の尤度を比較し、最も尤度が大きくなる隠れマルコフモデルに対応する路面状態を当該タイヤが走行している路面の路面状態であると判定する。
By the way, as shown in FIG. 11, there are a plurality of routes (state transition series) through which the state of the road surface HMM transits from state S 1 to state S 7 . That is, for each road surface HMM, the likelihood Z differs for each state transition sequence.
In this example, a well-known Viterbi algorithm is applied to obtain a state transition series Z M having the largest likelihood Z, and this state transition series is used as a state transition series corresponding to a detected time series waveform of tire vibration. Let the likelihood Z M be Z of the road surface HMM.
The likelihood Z M is calculated for each road surface HMM.
The road surface
次に、本実施の形態2に係る路面状態の判定方法について、図12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にて走行中のタイヤ1のタイヤ周方向振動を検出するとともに、内圧センサー12にてタイヤ内圧を計測する(ステップS20)。
次に、計測されたタイヤ内圧のデータから、計測されたタイヤ内圧Pが、予め設定した判定可能内圧範囲[Pmin,PMax]内にあるか否かを判定する(ステップS21)。
タイヤ内圧Pが判定可能内圧範囲[Pmin,PMax]内にある場合には、ステップS22に進んで、加速度センサー11の出力であるタイヤ周方向振動を時系列に配列した時系列波形を検出した後、タイヤ振動のデータである時系列波形を予め設定した時間窓で窓掛けし、時間窓毎にタイヤ振動の時系列波形を抽出する(ステップS23)。
本例では時間窓幅を2msec.とした。
一方、計測されたタイヤ内圧Pが、P<Pmin、もしくは、P>PMaxである場合には、タイヤ振動の時系列波形の抽出を中断する。なお、所定時間経過後、計測されたタイヤ内圧Pが、判定可能内圧範囲[Pmin,PMax]内にあるか否かを再度判定してもよい。
Next, a road surface condition determination method according to the second embodiment will be described with reference to the flowchart in FIG.
First, the
Next, it is determined from the measured tire internal pressure data whether or not the measured tire internal pressure P is within a preset determinable internal pressure range [P min , P Max ] (step S21).
If the tire internal pressure P is within the determinable internal pressure range [P min , P Max ], the process proceeds to step S22, and a time-series waveform in which the tire circumferential vibration output from the
In this example, the time window width is set to 2 msec.
On the other hand, when the measured tire internal pressure P is P<P min or P>P Max , the extraction of the time series waveform of tire vibration is interrupted. In addition, after a predetermined time has elapsed, it may be determined again whether or not the measured tire internal pressure P is within the determinable internal pressure range [P min , P Max ].
ステップS24では、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Xt=(x1t,x2t,x3t,x4t,x5t,x6t)を算出する。
本発明では、この算出された特徴ベクトルXtの成分である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x1t〜x6tを、タイヤ内圧Pのデータを用いて補正する(ステップS25)。なお、補正はパワー値xkt(k=1〜6)ごとに行う。
パワー値xktの補正後には、まず、1番目のモデルであるDRY路面HMMについて、時間窓毎に出現確率K(Xt)=出力確率P(Xt)×遷移確率π(Xt)を求め(ステップS26)て、この出現確率K(Xt)を全ての時間窓について掛け合わせてDRY路面HMMにおける尤度Z1を算出する(ステップS27)。
次に、全てのモデルについて尤度Zの算出が終了したか否かを判定(ステップS28)し、終了していない場合には、ステップS26に戻って次のモデルであるWET路面HMMにおける尤度Z2を算出する。
5個全てのモデルの尤度Zの計算が終了した場合には、ステップS29に進んで、路面状態を判別する。具体的には、路面HMM毎に算出された尤度Z1〜Z5を比較し、最も尤度が大きくなる路面HMMに対応する路面状態を当該タイヤが走行している路面の路面状態とする。
In step S24, the feature vector Xt =( x1t , x2t , x3t , x4t , x5t , x6t ) is calculated for each of the extracted time-series waveforms of the respective time windows.
In the present invention, the power values x 1t to x 6t of the filter filtered wave of the time series waveform of the tire vibration, which is the component of the calculated feature vector X t , are corrected using the data of the tire internal pressure P (step S25). .. The correction is performed for each power value x kt (k=1 to 6).
After the correction of the power value x kt , first, for the DRY road surface HMM that is the first model, the appearance probability K(X t )=output probability P(X t )×transition probability π(X t ) for each time window After obtaining (step S26), this appearance probability K(X t ) is multiplied for all time windows to calculate the likelihood Z1 in the DRY road surface HMM (step S27).
Next, it is determined whether or not the likelihood Z has been calculated for all models (step S28), and if not completed, the process returns to step S26 and the likelihood in the next model WET road surface HMM is calculated. Calculate Z2.
When the calculation of the likelihood Z of all five models is completed, the process proceeds to step S29, and the road surface state is determined. Specifically, the likelihoods Z1 to Z5 calculated for each road surface HMM are compared, and the road surface state corresponding to the road surface HMM having the largest likelihood is set as the road surface state of the road surface on which the tire is running.
このように、本実施の形態2では、加速度センサー11にて走行中のタイヤ1のタイヤ周方向振動を検出するとともに、内圧センサー12にてタイヤ内圧Pを計測し、この計測されたタイヤ内圧Pが判定可能内圧範囲[Pmin,PMax]内にある場合には、窓掛け手段31により窓掛けして抽出した、時間窓毎のタイヤ振動の時系列波形から算出される特徴ベクトルXtの成分であるフィルター濾過波のパワー値xktを、タイヤ内圧Pのデータを用いて補正した後、この補正されたフィルター濾過波のパワー値xkt(P)を成分とする特徴ベクトルXt(P)を用いて路面状態を判別するようにしたので、路面状態の判定精度を向上させることができる。
また、タイヤ内圧Pが判定可能内圧範囲[Pmin,PMax]外にある場合には路面状態の判定を中止するようにしたので、路面状態の誤判定を防ぐことができる。
As described above, in the second embodiment, the
Further, when the tire internal pressure P is outside the determinable internal pressure range [P min , P Max ], the determination of the road surface condition is stopped, so that the erroneous determination of the road surface condition can be prevented.
なお、前記実施の形態2では、タイヤ状態により補正する判別パラメータを、時間窓に抽出された時系列波形の特徴ベクトルXtの成分である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xktとしたが、判別関数である尤度Zの大きさを判別パラメータとしてもよい。あるいは、各路面HMMの特徴ベクトルXの出力確率P(Xt)や遷移確率π(Xt)、状態数S、混合ガウス分布の成分数Ms、混合成分の混合比cjsm、ガウス分布の平均ベクトルμ、ガウス分布の分散共分散行列σなどの判別関数の重みベクトルや重みベクトルの中間パラメータでであってもよい。
タイヤ状態により補正する判別パラメータを尤度Zの大きさとした場合が、本発明の判別パラメータと状態情報とから路面状態を判別する第1の判別ステップに相当する。
タイヤ内圧Pにより補正される出力確率P(Xt)や遷移確率π(Xt)などのパラメータは、路面HMMの学習により求められる。
また、パワー値xktを求める際のバンドパスフィルターBP(k)周波数領域がfka−fkbの適正値は、タイヤ内圧Pによって変化するので、これらの値をタイヤ内圧Pにより変更する判別パラメータとすれば、路面状態の判定精度を向上させることができる。
また、判別パラメータを時間窓幅としてもよい。タイヤ内圧Pが高い場合には、時間窓幅が広くなるように設定するなど、タイヤ周方向振動の時系列波形に窓掛けする時間幅(時間窓幅)を、タイヤ情報により変更すれば、路面状態の判定精度を向上させることができる。
また、複数の判別パラメータの補正と変更とを同時に行えば、路面状態の判定精度を更に向上させることができる。
In the second embodiment, the discrimination parameter to be corrected according to the tire condition is the power value x of the filtered wave of the time series waveform of the tire vibration which is the component of the feature vector X t of the time series waveform extracted in the time window. Although kt is used, the magnitude of the likelihood Z which is a discriminant function may be used as the discriminant parameter. Alternatively, the output probability P(X t ) of the feature vector X of each road surface HMM, the transition probability π(X t ), the number of states S, the number of components of mixed Gaussian distribution M s , the mixing ratio of mixed components c jsm , and Gaussian distribution It may be the weight vector of the discriminant function such as the mean vector μ, the variance covariance matrix σ of the Gaussian distribution, or the intermediate parameter of the weight vector.
The case where the discriminant parameter to be corrected according to the tire condition is the magnitude of the likelihood Z corresponds to the first discriminating step for discriminating the road surface condition from the discriminant parameter and the condition information of the present invention.
Parameters such as the output probability P(X t ) and the transition probability π(X t ) corrected by the tire internal pressure P are obtained by learning the road surface HMM.
Further, the proper values of the bandpass filter BP(k) frequency region f ka −f kb for obtaining the power value x kt vary depending on the tire internal pressure P. Therefore, these parameters are changed according to the tire internal pressure P. Then, the accuracy of determining the road surface condition can be improved.
Further, the discrimination parameter may be the time window width. When the tire internal pressure P is high, the time window width is set to be wider, and the time width (time window width) to be windowed on the time-series waveform of the tire circumferential vibration is changed according to the tire information. It is possible to improve the state determination accuracy.
Further, by simultaneously correcting and changing a plurality of determination parameters, it is possible to further improve the determination accuracy of the road surface condition.
実施の形態3.
図13は、本実施の形態3に係る路面状態判別装置40の機能ブロック図で、同図において、11は振動検出手段としての加速度センサー、12はタイヤ状態検出手段としての内圧センサー、13はタイヤ状態判定手段、14は振動波形検出手段、31は窓掛け手段、32は特徴ベクトル算出手段、33は特徴ベクトル補正手段、41は記憶手段、42はカーネル関数算出手段、43は路面状態判別手段である。
加速度センサー11と内圧センサー12とがセンサー部10Aを構成し、タイヤ状態判定手段13、振動波形検出手段14、及び、窓掛け手段31〜路面状態判別手段43までの各手段が記憶・演算部40Bを構成する。
記憶・演算部40Bを構成する各手段は、例えば、コンピュータのソフトウェア及びRAM等の記憶装置により構成される。
なお、実施の形態1,2と同符号の加速度センサー11、内圧センサー12、タイヤ状態判定手段13、振動波形検出手段14、窓掛け手段〜特徴ベクトル補正手段33までの各手段は、実施の形態1,2と同じもので、加速度センサー11は走行中のタイヤ1のタイヤ周方向振動を検出し、内圧センサー12はタイヤ内圧を計測する。
FIG. 13 is a functional block diagram of a road surface
The
Each unit that configures the storage/
The
また、タイヤ状態判定手段13は、計測されたタイヤ内圧のデータから、計測されたタイヤ内圧Pが、予め設定した判定可能内圧範囲[Pmin,PMax]内にあるか否かを判定し、振動波形検出手段14は、タイヤ周方向振動を時系列に配列した時系列波形を検出する。
窓掛け手段31は、図8に示すように、タイヤ周方向振動の時系列波形を予め設定した時間幅(時間窓幅)で窓掛けし、時間窓毎にタイヤ振動の時系列波形を抽出する。
特徴ベクトル算出手段32は、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Xtを算出する。
本例では、特徴ベクトルXt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)xkt(k=1〜6)を用いた。
特徴ベクトルXtは時間窓毎に求められるので、時間窓の総数をN個とすると特徴ベクトルXtの数もN個となる。以下、窓番号がiの特徴ベクトルをXiとして、Xiの成分であるパワー値をxkiと記載する。
特徴ベクトル補正手段33は、特徴ベクトル算出手段32で算出したN×k個のパワー値xkiを、タイヤ状態判定手段13から送られてきたタイヤ内圧Pのデータを用いて補正することで、補正された特徴ベクトルXi(P)を求める。
補正の方法は、実施の形態1と同様で、パワー値比をKk=xki(P)/xki(P0)との関係を示すグラフを準備し、内圧がPであるときのパワー値xkiを補正する。
補正された特徴ベクトルXi(P)の成分xki(P)は、xki(P)=Kk×xkiである。
In addition, the tire condition determination means 13 determines whether or not the measured tire internal pressure P is within a preset determinable internal pressure range [P min , P Max ] from the measured tire internal pressure data, The vibration
As shown in FIG. 8, the windowing means 31 windows the time series waveform of the tire circumferential vibration with a preset time width (time window width), and extracts the time series waveform of the tire vibration for each time window. ..
The feature vector calculation means 32 calculates the feature vector X t for each of the extracted time series waveforms of the respective time windows.
In this example, a time series waveform of tire vibration was obtained as a feature vector X t through a bandpass filter of 0-1 kHz, 1-2 kHz, 2-3 kHz, 3-4 kHz, and 4-5 kHz, respectively. The vibration level (power value of the filtered wave) x kt (k=1 to 6) in a specific frequency band was used.
Since the feature vector X t is obtained for each time window, if the total number of time windows is N, the number of feature vectors X t will also be N. Hereinafter, the feature vector of the window number i as X i, the power value is a component of the X i is described as x ki.
The characteristic vector correction means 33 corrects the N×k power values x ki calculated by the characteristic vector calculation means 32 by using the data of the tire internal pressure P sent from the tire condition determination means 13 to make correction. The calculated feature vector X i (P) is obtained.
The correction method is the same as in the first embodiment, and a graph showing the relationship between the power value ratio and K k =x ki (P)/x ki (P 0 ) is prepared, and the power when the internal pressure is P is set. Correct the value x ki .
The component x ki (P) of the corrected feature vector X i (P) is x ki (P)=K k ×x ki .
図14は、特徴ベクトルXi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aikを表し、各点が特徴ベクトルXiを表している。実際の入力空間は特定周波数帯域の数が6つなので時間軸と合わせると7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。
例えば、車両がDRY路面を走行しているとすると、グループCを形成する点は、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41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YASV(yjk)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YASV(yjk)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)は時間窓で抽出した時系列波形の数(窓の番号)を示し、添え字kは、ベクトルの成分を示している。すなわち、yjk=(aj1,aj2,aj3,aj4,aj5,aj6)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。
以下、路面特徴ベクトルYASV(yjk)を単にYASVと記す。
FIG. 14 is a schematic diagram showing the input space of the feature vector X i , in which each axis represents the vibration level a ik of the specific frequency band that is the feature amount, and each point represents the feature vector X i . Since the actual input space has six specific frequency bands, it becomes a seven-dimensional space when combined with the time axis, but the figure is expressed in two dimensions (horizontal axis is a 1 and vertical axis is a 2 ).
For example, if the vehicle is traveling on a DRY road surface, the points forming the group C can be distinguished from the group C′ composed of the feature vectors X′ i calculated when the vehicle is traveling on the SNOW road surface. If possible, it can be determined whether the vehicle is traveling on the DRY road surface or the SNOW road surface.
The storage means 41 represents the DRY road surface and other road surfaces, the WET road surface and other road surfaces, the SNOW road surface and other road surfaces, the ICE road surface and the other road surfaces, which have been obtained in advance, as hyperplanes. The four road surface models for separation by the discriminant function f(x) are stored.
The road surface model is calculated from a time-series waveform of tire vibration obtained by running a test vehicle equipped with a tire with an acceleration sensor attached thereto on various road surfaces of DRY, WET, SNOW, and ICE at various speeds. The road surface feature vector Y ASV (y jk ) which is the feature vector for each time window is used as input data and is obtained by learning.
The tire size used for learning may be one kind or plural kinds.
The subscript A of the road surface feature vector Y ASV (y jk ) indicates DRY, WET, SNOW, and ICE. The subscript j (j=1 to M) indicates the number of time-series waveforms (window number) extracted in the time window, and the subscript k indicates the vector component. That is, y jk =(a j1 , a j2 , a j3 , a j4 , a j5 , a j6 ). Further, SV is an abbreviation of support vector and represents data in the vicinity of the discrimination boundary selected by learning.
Hereinafter, the road surface feature vector Y ASV (y jk ) will be simply referred to as Y ASV .
各路面特徴ベクトルYASVの算出方法は、前述した特徴ベクトルXjと同様で、例えば、DRY路面特徴ベクトルYDSVなら、DRY路面を走行した時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YD算出する。なお、DRY路面特徴ベクトルYDのベクトルyiの次元数は、特徴ベクトルXiと同じく6次元である。その後、YD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YDSVを選択する。なお、記憶手段41にはYDを全て記憶する必要はなく、上記選択されたYDSVのみを記憶すればよい。
WET路面特徴ベクトルYWSV、SNOW路面特徴ベクトルYSSV、ICE路面特徴ベクトルYISVについても、DRY路面特徴ベクトルYDSV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Xj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YASVの時間窓の時系列波形の数Mは、特徴ベクトルXj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Xjを求めるときの車速がDRY路面特徴ベクトルYDSV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。
The calculation method of each road surface characteristic vector Y ASV is the same as that of the above-mentioned characteristic vector X j . For example, in the case of the DRY road surface characteristic vector Y DSV , the time series waveform of the tire vibration when traveling on the DRY road surface is windowed with the time width T. The time series waveform of the tire vibration is extracted for each time window, and the DRY road surface feature vector Y D is calculated for each of the extracted time series waveforms of the respective time windows. Note that the number of dimensions of the vector y i of the DRY road surface characteristic vector Y D is 6 dimensions like the feature vector X i . Then, the support vector Y DSV is selected by learning Y D as learning data by the support vector machine (SVM). Note that it is not necessary to store all Y D in the storage means 41, and only the selected Y DSV should be stored.
The WET road surface feature vector Y WSV , the SNOW road surface feature vector Y SSV , and the ICE road surface feature vector Y ISV can be obtained in the same manner as the DRY road surface feature vector Y DSV .
Here, it is important that the time width T has the same value as the time width T when the feature vector X j is obtained. If the time width T is constant, the number M of time-series waveforms in the time window differs depending on the tire type and the vehicle speed. That is, the number M of time-series waveforms in the time window of the road surface feature vector Y ASV does not necessarily match the number N of time-series waveforms in the time window of the feature vector X j . For example, even if the tire types are the same, M>N when the vehicle speed when obtaining the feature vector X j is slower than the vehicle speed when obtaining the DRY road surface feature vector Y DSV, and M<N when it is faster. Become.
路面モデルは、本出願人らが特願2012−176779号において提案したように、各路面特徴ベクトルYAを学習データとして、SVMにより構築する。
図15は、入力空間上における、DRY路面特徴ベクトルYDSVと、DRY路面以外の路面特徴ベクトルYnDSVを示す概念図で、同図の黒丸がDRY路面、薄い色の丸がDRY路面以外の路面特徴ベクトルである。
なお、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14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YDSV及びYnDSV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YDSV及びYnDSV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,……xn)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)=wTφ(x)−bを求める。ここで、データは路面特徴ベクトルYDj,YnDj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)=wTφ(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(3),(4)に置き換えられる。
このとき、内積φ(xα)φ(xβ)をカーネル関数K(xα,xβ)に置き換えることで、識別関数f(x)=wTφ(x)−bを非線形できる。なお、φ(xα)φ(xβ)は、xαとxβ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。
The road surface model is constructed by SVM using each road surface feature vector Y A as learning data, as proposed by the present applicants in Japanese Patent Application No. 2012-176779.
FIG. 15 is a conceptual diagram showing a DRY road surface feature vector Y DSV and a road surface feature vector Y nDSV other than the DRY road surface in the input space, in which the black circles are the DRY road surface and the light circles are the road surfaces other than the DRY road surface. It is a feature vector.
Although both the DRY road surface feature vector and the road surface feature vector other than the DRY road surface are matrices, the DRY road surface feature vector and the road surface feature vector other than the DRY road surface are shown in FIG. 14 in order to explain how to obtain the identification boundary of the group. Each is shown as a two-dimensional vector.
The discriminating boundaries of groups are generally not linearly separable. Therefore, by using the kernel method, the road surface feature vectors Y DSV and Y nDSV are mapped to the high-dimensional feature space by the non-linear mapping φ to perform linear separation, so that the road surface feature vectors Y DSV and Y nDSV are obtained in the original input space. For non-linear classification.
Specifically, the optimum discriminant function f(x) for discriminating the data is obtained by using the data set X=(x 1 , x 2 ,... X n ) and the belonging class z={1, −1}. =w T φ(x)-b is obtained. Here, the data are road surface feature vectors Y Dj , Y nDj , and the belonging class is data of the DRY road surface where z=1 is shown by χ 1 in the figure, and z=−1 is the data of the road surface other than the DRY road surface shown by χ 2 . The data. Further, w is a weighting coefficient, b is a constant, and f(x)=0 is an identification boundary.
The discriminant function f(x)=w T φ(x)-b is optimized using, for example, the Lagrange undetermined multiplier method. The optimization problem is replaced by the following equations (3) and (4).
At this time, the discriminant function f(x)=w T φ(x)-b can be made non-linear by replacing the inner product φ(x α ) φ(x β ) with the kernel function K(x α , x β ). Note that φ(x α )φ(x β ) is an inner product after mapping x α and x β into a high-dimensional space by the mapping φ.
The Lagrange multiplier λ can be obtained by using an optimization algorithm such as the steepest descent method or SMO (Sequential Minimal Optimization) with respect to the equation (2). At this time, since the kernel function is used, it is not necessary to directly obtain the high-dimensional inner product. Therefore, the calculation time can be greatly reduced.
本例では、カーネル関数K(xα,xβ)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。GAカーネルK(xα,xβ)は、図16及び以下の式(5),(6)に示すように、DRY路面特徴ベクトルxi=YDiとDRY路面以外の路面特徴ベクトルxj=YnDjとの類似度を示すローカルカーネルκij(xi,xj)の総和もしくは総積から成る関数で、時間長さの異なる時系列波形を直接比較することができる。
ローカルカーネルκij(xi,xj)は、時間間隔Tの窓毎に求められる。
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YDjとDRY路面以外の路面特徴ベクトルYnDj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YDj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YnDj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YDSVと、f(x)=−1の距離にあるサポートベクトルYnDSVととを備えた入力空間である。前記YDSVと前記YnDSV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。
In this example, a global alignment kernel function (GA kernel) is used as the kernel function K(x α , x β ). The GA kernel K(x α , x β ) is, as shown in FIG. 16 and the following equations (5) and (6), a DRY road surface feature vector x i =Y Di and a road surface feature vector x j =other than the DRY road surface. It is a function consisting of the sum or product of local kernels κ ij (x i , x j ) indicating the degree of similarity with Y nDj, and it is possible to directly compare time series waveforms having different time lengths.
The local kernel κ ij (x i , x j ) is obtained for each window of the time interval T.
In order to distinguish the DRY road surface and the road surface other than the DRY road surface from the discriminant function f(x), which is a separating hyperplane that separates the DRY road surface feature vector Y Dj from the road surface feature vector Y nDj other than the DRY road surface, By providing the, the DRY road surface and the road surface other than the DRY road surface can be accurately distinguished.
The margin refers to the distance from the separation hyperplane to the closest sample (support vector), and the separation hyperplane that is the discrimination boundary has f(x)=0. The DRY road surface characteristic vector Y Dj is in the area of f(x)≧+1, and the road surface characteristic vector Y nDj other than the DRY road surface is in the area of f(x)≦−1.
The DRY road surface model that distinguishes the DRY road surface from the other road surfaces has a support vector Y DSV at a distance of f(x)=+1 and a support vector Y nDSV at a distance of f(x)=−1. It is a provided input space. Wherein A Y DSV and the Y nDSV, generally there exist a plurality.
The same applies to the WET model that distinguishes the WET road surface from other road surfaces, the SNOW model that distinguishes the SNOW road surface from other road surfaces, and the ICE model that distinguishes the ICE road surface from the other road surfaces.
本例では、カーネル関数K(xα,xβ)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。GAカーネルK(xα,xβ)は、図7及び以下の式(5),(6)に示すように、DRY路面特徴ベクトルxi=YDiとDRY路面以外の路面特徴ベクトルxj=YnDjとの類似度を示すローカルカーネルκij(xi,xj)の総和もしくは総積から成る関数で、時間長さの異なる時系列波形を直接比較することができる。
なお、図17は、時間窓の数が6であるDRY路面特徴ベクトルYDjと、時間窓の数が4であるDRY路面以外の路面特徴ベクトルYnDjとのGAカーネルを求めた例である。
In this example, a global alignment kernel function (GA kernel) is used as the kernel function K(x α , x β ). The GA kernel K(x α , x β ) is, as shown in FIG. 7 and the following equations (5) and (6), a DRY road surface feature vector x i =Y Di and a road surface feature vector other than the DRY road surface x j = It is a function consisting of the sum or product of local kernels κ ij (x i , x j ) indicating the degree of similarity with Y nDj, and it is possible to directly compare time series waveforms having different time lengths.
Note that FIG. 17 is an example in which GA kernels of the DRY road surface feature vector Y Dj having six time windows and the road surface feature vector Y nDj other than the DRY road surface having four time windows are obtained.
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YDjとDRY路面以外の路面特徴ベクトルYnDj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YDj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YnDj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YDSVと、f(x)=−1の距離にあるサポートベクトルYnDSVととを備えた入力空間である。前記YDSVと前記YnDSV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。
In order to distinguish the DRY road surface and the road surface other than the DRY road surface from the discriminant function f(x), which is a separating hyperplane that separates the DRY road surface feature vector Y Dj from the road surface feature vector Y nDj other than the DRY road surface, By providing the, the DRY road surface and the road surface other than the DRY road surface can be accurately distinguished.
The margin refers to the distance from the separation hyperplane to the closest sample (support vector), and the separation hyperplane that is the discrimination boundary has f(x)=0. The DRY road surface characteristic vector Y Dj is in the area of f(x)≧+1, and the road surface characteristic vector Y nDj other than the DRY road surface is in the area of f(x)≦−1.
The DRY road surface model that distinguishes the DRY road surface from the other road surfaces has a support vector Y DSV at a distance of f(x)=+1 and a support vector Y nDSV at a distance of f(x)=−1. It is a provided input space. Wherein A Y DSV and the Y nDSV, generally there exist a plurality.
The same applies to the WET model that distinguishes the WET road surface from other road surfaces, the SNOW model that distinguishes the SNOW road surface from other road surfaces, and the ICE model that distinguishes the ICE road surface from the other road surfaces.
カーネル関数算出手段42は、特徴ベクトル算出手段32で算出され、特徴ベクトル補正手段33で補正された特徴ベクトルXi(P)と、記憶手段41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YASV,YnASV(A=D,W,S,I)から、それぞれGAカーネルKD(X,Y)、KW(X,Y),KS(X,Y),KI(X,Y)を算出する。
GAカーネルK(X,Y)は、図17にも示すように、前記の[数3]において、xiを特徴ベクトルXiとし、xjを路面特徴ベクトルYAj,YnAjとしたときのローカルカーネルκij(Xi,Yj)の総和もしくは総積から成る関数で、時間長さの異なる時系列波形を直接比較することができる。なお、同図は、xjが路面特徴ベクトルYAjの例で、特徴ベクトルXiの時間窓の数はn=5で、路面特徴ベクトルYAjの時間窓の数はm=4である。
本例のように、特徴ベクトルXi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YAj(もしくはYnAj)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でも、特徴ベクトルXi,YAj間(もしくはXi,YnAj間)の類似度を求めることができる。
The kernel function calculation means 42 is the feature vector X i (P) calculated by the feature vector calculation means 32 and corrected by the feature vector correction means 33, and the DRY model, WET model, SNOW model recorded in the storage means 41. , And each of the support vectors Y ASV and Y nASV (A=D, W, S, I) of the ICE model, the GA kernels K D (X, Y), K W (X, Y) and K S (X , Y) and K I (X, Y) are calculated.
As shown also in FIG. 17, the GA kernel K(X,Y) is obtained when [mathematical formula 3] above, x i is a feature vector X i, and x j is a road surface feature vector Y Aj , Y nAj. It is a function composed of the sum or product of the local kernels κ ij (X i , Y j ) and can directly compare time series waveforms having different time lengths. In the figure, x j is an example of the road surface feature vector Y Aj , the number of time windows of the feature vector X i is n=5, and the number of time windows of the road surface feature vector Y Aj is m=4.
As in this example, the number n of time-series waveforms of the time window when the feature vector X i is obtained and the number m of time-series waveforms of the time window when the road surface feature vector Y Aj (or Y nAj ) is obtained Even if the values are different, the similarity between the feature vectors X i and Y Aj (or between X i and Y nAj ) can be obtained.
路面状態判別手段43では、以下の式(7)〜(10)に示す、カーネル関数KA(X,Y)を用いた4つの識別関数fA(x)の値に基づいて路面状態を判別する(A=D,W,S,I)。
また、NDSVはDRYモデルのサポートベクトルの数、NWSVはWETモデルのサポートベクトルの数、NSSVはSNOWモデルのサポートベクトルの数、NISVはICEモデルのサポートベクトルの数である。
本例では、識別関数fD,fW,fS,fIをそれぞれ計算し、計算された識別関数fA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。
The road surface state determination means 43 determines the road surface state based on the values of the four identification functions f A (x) using the kernel function K A (X, Y) shown in the following equations (7) to (10). (A=D, W, S, I).
N DSV is the number of support vectors of the DRY model, N WSV is the number of support vectors of the WET model, N SSV is the number of support vectors of the SNOW model, and N ISV is the number of support vectors of the ICE model.
In this example, the discriminant functions f D , f W , f S , and f I are calculated, and the road surface state is discriminated from the discriminant function showing the largest value of the calculated discriminant function f A.
次に、本実施の形態3に係る路面状態の判定方法について、図18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にて走行中のタイヤ1のタイヤ周方向振動を検出するとともに、内圧センサー12にてタイヤ内圧を計測する(ステップS30)。
次に、計測されたタイヤ内圧のデータから、計測されたタイヤ内圧Pが、予め設定した判定可能内圧範囲[Pmin,PMax]内にあるか否かを判定する(ステップS31)。
タイヤ内圧Pが判定可能内圧範囲[Pmin,PMax]内にある場合には、ステップS32に進んで、加速度センサー11の出力であるタイヤ周方向振動を時系列に配列した時系列波形を検出した後、タイヤ振動のデータである時系列波形を予め設定した時間窓で窓掛けし、時間窓毎にタイヤ振動の時系列波形を抽出する(ステップS33)。時間窓毎のタイヤ振動の時系列波形の数をm個とする。
一方、計測されたタイヤ内圧Pが、P<Pmin、もしくは、P>PMaxである場合には、タイヤ振動の時系列波形の抽出を中止する。なお、所定時間経過後、計測されたタイヤ内圧Pが、判定可能内圧範囲[Pmin,PMax]内にあるか否かを再度判定してもよい。
Next, a road surface condition determination method according to the third embodiment will be described with reference to the flowchart in FIG.
First, the
Next, it is determined from the measured tire internal pressure data whether or not the measured tire internal pressure P is within a preset determinable internal pressure range [P min , P Max ] (step S31).
If the tire internal pressure P is within the determinable internal pressure range [P min , P Max ], the process proceeds to step S32 to detect a time-series waveform in which tire circumferential vibration output from the
On the other hand, when the measured tire internal pressure P is P<P min or P>P Max , the extraction of the time series waveform of tire vibration is stopped. In addition, after a predetermined time has elapsed, it may be determined again whether or not the measured tire internal pressure P is within the determinable internal pressure range [P min , P Max ].
ステップS34では、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Xi=(xi1,xi2,xi3,xi4,xi5,xi6)を算出する。
本発明では、この算出された特徴ベクトルXtの成分である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x1i〜x6iを、タイヤ内圧Pのデータを用いて補正する(ステップS35)。なお、補正はパワー値xki(k=1〜6)ごとに行う。
次に、補正された特徴ベクトルXi(P)と、記憶手段41に記録されている路面モデルのサポートベクトルYAkとから、ローカルカーネルκij(Xi,Yj)を算出した後、ローカルカーネルκij(Xi,Yj)の総和を求めて、グローバルアライメントカーネル関数KD(X,Y),KW(X,Y),KS(X,Y),KI(X,Y)をそれぞれ算出する(ステップS36)。
次に、カーネル関数KA(X,Y)を用いた4つの識別関数fD(x),fW(x),fS(x),fI(x)をそれぞれ計算(ステップS37)した後、計算された識別関数fA(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1の走行している路面の路面状態と判別する(ステップS38)。
In step S34, the feature vector X i =(x i1 , xi 2 , x i3 , x i4 , x i5 , x i6 ) is calculated for each of the extracted time series waveforms of the respective time windows.
In the present invention, the power values x 1i to x 6i of the filter filtered wave of the time series waveform of the tire vibration, which is the component of the calculated feature vector X t , are corrected using the data of the tire internal pressure P (step S35). .. The correction is performed for each power value x ki (k=1 to 6).
Next, after calculating the local kernel κ ij (X i , Y j ) from the corrected feature vector X i (P) and the support vector Y Ak of the road surface model recorded in the storage unit 41, the local kernel κ ij (X i , Y j ) is calculated. The global alignment kernel functions K D (X,Y), K W (X,Y), K S (X,Y), and K I (X,Y) are obtained by calculating the sum of the kernels κ ij (X i ,Y j ). ) Are calculated (step S36).
Next, four discriminant functions f D (x), f W (x), f S (x), and f I (x) using the kernel function K A (X, Y) are calculated (step S37). Then, the calculated discriminant function f A (x) is compared, and the road surface state of the discriminant function showing the largest value is discriminated as the road surface state of the road surface on which the
なお、前記実施の形態3では、タイヤ状態により補正する判別パラメータを、時間窓に抽出された時系列波形の特徴ベクトルXtの成分である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xktとしたが、識別関数fD,fW,fS,fIの出力値を判別パラメータとしてもよい。
タイヤ状態により補正する判別パラメータを尤度Zの大きさとした場合が、本発明の判別パラメータと状態情報とから路面状態を判別する第1の判別ステップに相当する。
あるいは、識別関数f(x)の重みwを求めるためのパラメータである、所属クラスz、ローカルカーネルκij(Xi,Yj)、あるいは、ローカルカーネルκij(Xi,Yj)を計算するための定数σであってもよい。
また、カーネル関数Kを、例えば、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)にするなど、用いるカーネル関数をタイヤ内圧Pにより変更してもよい。
あるいは、サポートベクターマシンの学習過程に必要なパラメータであってもよい。
また、振動情報に代えて、振動情報の抽出方法をタイヤ状態により変更してもよい。
すなわち、この実施の形態3においても、前記実施の形態2と同様に、パワー値xktを求める際のバンドパスフィルターBP(k)周波数領域がfka−fkbの適正値や、タイヤ周方向振動の時系列波形に窓掛けする時間幅(時間窓幅)を、タイヤ情報により変更する判別パラメータとしても、路面状態の判定精度を向上させることができる。
また、複数の判別パラメータの補正と変更とを同時に行えば、路面状態の判定精度を更に向上させることができる。
In the third embodiment, the discrimination parameter to be corrected according to the tire condition is the power value x of the filtered wave of the time series waveform of the tire vibration which is the component of the feature vector X t of the time series waveform extracted in the time window. Although kt is used, the output values of the discrimination functions f D , f W , f S , and f I may be used as the discrimination parameter.
The case where the discriminant parameter to be corrected according to the tire condition is the magnitude of the likelihood Z corresponds to the first discriminating step for discriminating the road surface condition from the discriminant parameter and the condition information of the present invention.
Alternatively, the belonging class z, the local kernel κ ij (X i , Y j ) or the local kernel κ ij (X i , Y j ) which is a parameter for obtaining the weight w of the discriminant function f(x) is calculated. It may be a constant σ for
Further, the kernel function K may be changed according to the tire internal pressure P, for example, a dynamic time warping kernel function (DTW kernel) may be used as the kernel function K.
Alternatively, it may be a parameter necessary for the learning process of the support vector machine.
Further, instead of the vibration information, the method of extracting the vibration information may be changed depending on the tire condition.
That is, also in the third embodiment, as in the second embodiment, a proper value of the bandpass filter BP(k) frequency region when calculating the power value x kt is f ka −f kb , or the tire circumferential direction. Even if the time width (time window width) of the vibration time-series waveform is changed according to the tire information, the road surface condition determination accuracy can be improved.
Further, by simultaneously correcting and changing a plurality of determination parameters, it is possible to further improve the determination accuracy of the road surface condition.
また、前記実施の形態2,3においても、タイヤ状態をタイヤ内圧としたが、前記実施の形態1と同様に、タイヤ内温度としてもよいし、タイヤ内圧とタイヤ内温度の両方としてもよい。あるいは、タイヤ内圧とタイヤ内温度のいずれか一方あるいは両方に、タイヤ外面温度を加えてもよい。 Further, in the second and third embodiments, the tire condition is the tire internal pressure. However, similar to the first embodiment, the tire internal temperature may be used, or both the tire internal pressure and the tire internal temperature may be used. Alternatively, the tire outer surface temperature may be added to either or both of the tire inner pressure and the tire inner temperature.
1 タイヤ、2 インナーライナー部、3 トレッド、4 ホイールリム、
5 タイヤ気室、
10 路面状態判別装置、11 加速度センサー、12 内圧センサー、
13 タイヤ状態判定手段、14 振動波形検出手段、15 領域信号抽出手段、
16 帯域値算出手段、17 帯域値補正手段、18 路面状態判別手段。
1 tire, 2 inner liner, 3 tread, 4 wheel rim,
5 tire air chamber,
10 road surface condition determination device, 11 acceleration sensor, 12 internal pressure sensor,
13 tire condition determining means, 14 vibration waveform detecting means, 15 area signal extracting means,
16 band value calculating means, 17 band value correcting means, 18 road surface state determining means.
Claims (2)
前記タイヤの振動波形を取得するステップと、
前記タイヤの状態情報を取得するステップと、
前記振動波形から求められる路面状態を判別するための判別パラメータを前記状態情報にて変更した後、この変更された判別パラメータから路面状態を判別するステップと、を備え、
前記状態情報が、当該タイヤの内圧、タイヤ内温度、及び、タイヤ外面温度のうちの1つ、または、複数であり、
前記判別パラメータが、前記振動波形に掛ける窓の時間幅であることを特徴とする路面状態判別方法。 A road surface state determination method for determining a road surface state from a time-varying waveform of vibration of a running tire detected by a vibration detection means,
Obtaining a vibration waveform of the tire,
Acquiring the tire state information,
After changing Te discrimination parameters for determining a road surface condition obtained from the vibration waveform to the state information, and an absence step to determine the road surface condition from the modified determining parameter,
The state information is one of the internal pressure of the tire, the tire internal temperature, and the tire external surface temperature, or a plurality,
The road surface condition determination method, wherein the determination parameter is a time width of a window applied to the vibration waveform .
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016131083A JP6734713B2 (en) | 2016-06-30 | 2016-06-30 | Road condition determination method |
CN201780041252.0A CN109477906B (en) | 2016-06-30 | 2017-06-29 | Road surface state discrimination method and road surface state discrimination device |
US16/312,670 US20190212138A1 (en) | 2016-06-30 | 2017-06-29 | Road surface state determination method and road surface state determination apparatus |
PCT/JP2017/024014 WO2018003942A1 (en) | 2016-06-30 | 2017-06-29 | Road surface state determination method and road surface state determination device |
EP17820296.6A EP3480630A4 (en) | 2016-06-30 | 2017-06-29 | Road surface state determination method and road surface state determination device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016131083A JP6734713B2 (en) | 2016-06-30 | 2016-06-30 | Road condition determination method |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018004417A JP2018004417A (en) | 2018-01-11 |
JP6734713B2 true JP6734713B2 (en) | 2020-08-05 |
Family
ID=60946049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016131083A Active JP6734713B2 (en) | 2016-06-30 | 2016-06-30 | Road condition determination method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6734713B2 (en) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7030532B2 (en) * | 2018-01-15 | 2022-03-07 | 株式会社ブリヂストン | Road surface condition determination method and road surface condition determination device |
JP7030531B2 (en) * | 2018-01-15 | 2022-03-07 | 株式会社ブリヂストン | Road surface condition determination method and road surface condition determination device |
DE102020113937A1 (en) | 2019-05-27 | 2020-12-03 | Jtekt Corporation | System for determining a tire condition |
KR102267901B1 (en) * | 2019-10-02 | 2021-06-24 | 한국타이어앤테크놀로지 주식회사 | Road surface condition estimation apparatus and road surface condition estimation method using the same |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3440791B2 (en) * | 1997-11-21 | 2003-08-25 | トヨタ自動車株式会社 | Road surface condition determination device |
JP4415704B2 (en) * | 2004-03-03 | 2010-02-17 | 株式会社アドヴィックス | Road surface roughness estimation device and road surface roughness estimation method |
DE102004016288B3 (en) * | 2004-04-02 | 2005-08-18 | Daimlerchrysler Ag | Determining friction value between vehicle tire, road involves evaluating tire vibration characteristic(s), especially frequency spectrum and/or time domain spectrum, by evaluating data using physical and/or phenomenological model approach |
JP4358035B2 (en) * | 2004-06-02 | 2009-11-04 | 株式会社ブリヂストン | Method and apparatus for estimating road friction coefficient |
JP5937921B2 (en) * | 2012-08-09 | 2016-06-22 | 株式会社ブリヂストン | Road surface condition determination method and apparatus |
JP6392623B2 (en) * | 2014-10-06 | 2018-09-19 | 株式会社ブリヂストン | Road surface classification system |
JP6450170B2 (en) * | 2014-12-05 | 2019-01-09 | 株式会社ブリヂストン | Road surface condition determination method |
-
2016
- 2016-06-30 JP JP2016131083A patent/JP6734713B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JP2018004417A (en) | 2018-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018003942A1 (en) | Road surface state determination method and road surface state determination device | |
JP5937921B2 (en) | Road surface condition determination method and apparatus | |
JP6450170B2 (en) | Road surface condition determination method | |
JP6673766B2 (en) | Road condition determination method | |
JP6734713B2 (en) | Road condition determination method | |
JP5837341B2 (en) | Road surface condition determination method and apparatus | |
JP2018004418A (en) | Method and device for determining state of road surface | |
JP6783184B2 (en) | Road surface condition determination method and road surface condition determination device | |
WO2019138774A1 (en) | Road surface condition determination method and road surface condition determination device | |
WO2018230181A1 (en) | Road surface state determination method and road surface state determination device | |
WO2020031513A1 (en) | Tire type distinguishing method and tire type distinguishing device | |
JP6961539B2 (en) | Road surface condition determination method and road surface condition determination device | |
JP7030532B2 (en) | Road surface condition determination method and road surface condition determination device | |
WO2019244379A1 (en) | Road surface condition determination method and road surface condition determination device | |
WO2019244380A1 (en) | Road surface condition determination method and road surface condition determination device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181221 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200107 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200309 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200407 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200601 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200623 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200710 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6734713 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |