JP6961539B2 - 路面状態判別方法及び路面状態判別装置 - Google Patents

Description

本発明は、走行中のタイヤの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その装置に関する。

従来、走行中のタイヤの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、タイヤの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量と、予め路面状態毎に求めておいた時間窓毎の特徴量である基準特徴量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。
基準特徴量は、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特徴量を学習データとして、機械学習（ＳＶＭ）により求められる（例えば、特許文献１参照）。

特開２０１４−３５２７９号公報

しかしながら、時間伸縮は、取得された時系列波形を比較するために必要な操作であるものの、計算量が多いため、計算時間が長く、処理が非常に重くなってしまう、といった問題点があった。

本発明は、従来の問題点に鑑みてなされたもので、時間伸縮の計算量を削減しても路面状態の判別精度を確保することができる路面状態判別方法と路面状態判別装置とを提供することを目的とする。

本発明は、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の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量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量と、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特徴量から選択される基準特徴量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走行中の路面の状態を判別するステップ（ｆ）と、を備えた路面状態判別方法において、前記ステップ（ｄ）と前記ステップ（ｅ）との間に設けられて、前記基準特徴量の中から、対応するラグランジェ未定乗数が予め設定された閾値以上である基準特徴量を演算用特徴量として抽出するステップ（ｇ）を備え、前記ステップ（ｅ）では、前記ステップ（ｄ）で算出した特徴量と前記ステップ（ｇ）で抽出した演算用特徴量とからカーネル関数を算出することを特徴とする。
これにより、カーネル関数Ｋ（Ｘ，Ｙ）を算出するために使用する基準特徴量の数を削減できるので、路面状態の判別精度を確保しつつ、計算速度を速くすることができる。

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、前記カーネル関数を、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とすれば、路面状態の判別精度を向上させることができる。

また、本発明は、タイヤトレッド部のインナーライナー部の気室側に配設されて、走行中のタイヤの振動を検出するタイヤ振動検出手段と、前記タイヤ振動検出手段で検出された前記タイヤ振動の時系列波形を予め設定した時間幅で窓掛けして時間窓毎にタイヤ振動の時系列波形を抽出する窓掛け手段と、前記抽出された時間窓毎の時系列波形における特定周波数の振動レベルを成分とする特徴量もしくは前記振動レベルの関数を成分とする特徴量を算出する特徴量算出手段と、予め算出し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量から選択される基準特徴量と前記基準特徴量に対応するラグランジェ未定乗数とを記憶する記憶手段と、前記特徴量算出手段で算出した時間窓毎の特徴量と、前記記憶手段に記憶された基準特徴量とからカーネル関数を算出するカーネル関数算出手段と、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路面状態判別手段とを備え、タイヤの走行する路面の状態を判別する路面状態判別装置において、前記記憶手段に記憶された基準特徴量のなかから、対応するラグランジェ未定乗数が予め設定された閾値以上である基準特徴量を、演算用特徴量として抽出する演算用特徴量抽出手段を設けるとともに、前記カーネル関数算出手段は、前記特徴量算出手段で算出した特徴量と前記演算用特徴量抽出手段で抽出された演算用特徴量とからカーネル関数を算出することを特徴とする。
このような構成を採ることにより、時間伸縮の計算量を削減しても路面状態の判別精度を確保することができる路面状態判別装置と得ることができる。

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１に係る路面状態判別装置の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。 入力空間を示す模式図である。 入力空間上における、ＤＲＹ路面の路面特徴ベクトルとＷＥＴ路面の路面特徴ベクトルとを示す図である。 ＧＡカーネルの算出方法を示す図である。 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。 ラグランジュ乗数に対するサポートベクトルの分布状態を示す図である。 演算用特徴ベクトルの選択基準と路面判定精度との関係を示す図である。

実施の形態
図１は、本実施の形態に係る路面状態判別装置１０の構成を示す図である。
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、データ量削減手段としての演算用特徴量抽出手段１８とを備え、タイヤ２０の走行している路面が、ＤＲＹ路面であるかＷＥＴ路面であるかの２路面判別を行う。
振動波形抽出手段１２〜演算用特徴量抽出手段１８までの各手段は、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の陸部が接地する前の踏み込み前領域Ｒ_f、タイヤ２０の陸部が路面から離れた後の蹴り出し後領域Ｒ_k、及び、タイヤ２０の陸部が路面に接地している接地領域Ｒ_sにおいては、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（以下、路面外領域という）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。踏み込み前領域Ｒ_fから蹴り出し後領域Ｒ_kまでを、以下、路面領域という。

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）ΔＴ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。なお、同図のＴ_sは、路面領域の時間幅である。
なお、前述したように、路面外領域の時系列波形は、路面の情報を含んでいないので、カーネル関数の計算速度を速めるため、本例では、路面領域の時系列波形のみを特徴ベクトル算出手段１４には送るようにしている。
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毎の時系列波形の数）算出する。
本例では、算出する特徴ベクトルＸ_iとして、タイヤ振動の時系列波形を、それぞれ、0-0.5kHz、0.5-1kHz、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＝１〜６）を用いた。特徴ベクトルは、Ｘ_i＝（ａ_i1，ａ_i2，ａ_i3，ａ_i4，ａ_i5，ａ_i6）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３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。
同図において、グループＣがＤＲＹ路面を走行しているときの特徴ベクトルＸ_iの集合で、グループＣ’がＷＥＴ路面を走行しているときの特徴ベクトルＸ’_iの集合とすると、グループＣとグループＣ’とを区別することができれば、タイヤの走行している路面がＤＲＹ路面かＷＥＴ路面かを判別することができる。

記憶手段１５は、予め求めておいた、ＤＲＹ路面とＷＥＴ路面とを識別するためのＤＷ識別モデルを記憶する。
ＤＷ識別モデルは、ＤＲＹ路面とＷＥＴ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基準特徴量である基準特徴ベクトルＹ_ASV（ｙ_jk）と、基準特徴ベクトルＹ_ASV（ｙ_jk）に対応するラグランジュ乗数λ_Aとを備える。
基準特徴量Ｙ_ASV（ｙ_jk）及びλ_Aは、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路面とＷＥＴ路面にて、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_A（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。
基準特徴ベクトルＹ_ASV（ｙ_jk）の添え字Ａは、ＤＲＹもしくはＷＥＴを示している。
また、添字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、添字ｋはベクトルの成分を示している（ｋ＝１〜６）。すなわち、ｙ_jk＝（ａ_j1，ａ_j2，ａ_j3，ａ_j4，ａ_j5，ａ_j6）である。また、ＳＶはサポートベクトルの略である。
なお、本例のように、グローバルアライメントカーネル関数を用いる場合には、基準特徴ベクトルＹ_ASV（ｙ_jk）は、ベクトルｙ_iの次元数（ここでは、６×Ｍ（Ｍ；窓の数））の行列となる。
以下、路面特徴ベクトルＹ_A（ｙ_jk）及び基準特徴ベクトルＹ_ASV（ｙ_jk）を、それぞれ、Ｙ_A、Ｙ_ASVと記す。

路面特徴ベクトルＹ_Aの算出方法は、前述した特徴ベクトルＸ_jと同様で、例えば、ＤＲＹ路面の基準特徴ベクトルＹ_D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ΔＴ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。同様に、ＷＥＴ路面特徴ベクトルＹ_Wは、ＷＥＴ路面を走行したときの時間窓毎の時系列波形から算出される。
また、基準特徴ベクトルＹ_ASVは、ＤＲＹ路面特徴ベクトルＹ_DとＷＥＴ路面特徴ベクトルＹ_Wとを学習データとしたサポートベクトルマシーン（ＳＶＭ）により、サポートベクトルとして選択された特徴ベクトルである。
なお、記憶手段１５には全ての基準特徴ベクトルＹ_ASVを記憶する必要はなく、一般には、ラグランジュ乗数λが、所定の値λ_min（例えば、λ_min＝0.05）以上であるサポートベクトルＹ_ASVのみを、基準特徴ベクトルＹ_ASVとして記憶すればよい。
ここで、時間幅ΔＴが、特徴ベクトルＸ_jを求める場合の時間幅ΔＴ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路面特徴ベクトルＹ_ASV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。

図６は、入力空間上におけるＤＲＹ路面特徴ベクトルＹ_DとＷＥＴ路面特徴ベクトルＹ_Wを示す概念図で、同図の黒丸がＤＲＹ路面、白丸がＷＥＴ路面である。
なお、前述したように、ＤＲＹ路面特徴ベクトルＹ_DもＷＥＴ路面特徴ベクトルＹ_W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Ｙ_DとＷＥＴ路面特徴ベクトルＹ_W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_V及びＹ_W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_D及びＹ_Wに対して非線形な分類を行う。
ＤＲＹ路面とＷＥＴ路面とを区別するには、ＤＲＹ路面特徴ベクトルＹ_DjとＷＥＴ路面特徴ベクトルＹ_Wj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ＷＥＴ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。また、ＤＲＹ路面特徴ベクトルＹ_Djは全てｆ（ｘ）≧＋１の領域にあり、ＷＥＴ路面特徴ベクトルＹ_Wjは全てｆ（ｘ）≦−１の領域にある。

次に、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、ｗは重み係数を表すベクトルで、ｂは定数である。
また、データはＤＲＹ路面特徴ベクトルＹ_DjとＷＥＲ路面特徴ベクトルＹ_Wjであり、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ＷＥＴ路面のデータである。ｆ（ｘ）＝０が識別境界で、１/||ｗ||が路面特徴ベクトルＹ_Aj（Ａ＝Ｄ，Ｗ）とｆ（ｘ）＝０との距離である。
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である路面特徴ベクトルＹ_Ajは、識別関数ｆ（ｘ）には関与しない（サポートベクトルではない）ベクトルデータである。
ここで、内積φ^T（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を非線形化できる。
なお、φ^T（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。
このように、内積φ^T（ｘ_α）φ（ｘ_β）を直接求めずに、カーネル関数Ｋ（ｘ_α，ｘ_β）に置き換えるようにすれば、高次元の内積を直接求める必要がないので、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。
ＧＡカーネルＫ（ｘ_α，ｘ_β）は、図７及び以下の式（３），（４）に示すように、特徴ベクトルｘ_αと特徴ベクトルｘ_βとの類似度を示すローカルカーネルκ_ij（ｘ_αi，ｘ_βj）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κ_ij（ｘ_αi，ｘ_βj）は、時間間隔Ｔの窓毎に求められる。
なお、図７は、時間窓の数が６である特徴ベクトルｘ_αiと、時間窓の数が４である特徴ベクトルｘ_βとのＧＡカーネルを求めた例である。

ここで、||ｘ_αi−ｘ_βj||は、特徴ベクトル間の距離(ノルム)で、σは定数である。

演算用特徴量抽出手段１８は、記憶手段１５に記録されているＤＲＹ路面の基準特徴ベクトルＹ_DSVとＷＥＴ路面の基準特徴ベクトルＹ_WSVとの中から、カーネル関数の演算に使用するための基準特徴ベクトルＹ_DKとＹ_WKとを選択して抽出し、それぞれ、ＤＲＹ路面の演算用特徴ベクトルＹ_DK及びＷＥＴ路面の演算用特徴ベクトルＹ_WKとして、カーネル関数算出手段１６に送る。
演算用特徴ベクトルＹ_AKの選択基準としては、例えば、以下の３つの選択基準が挙げられる。
選択基準１；λ≧ｍである基準特徴ベクトルＹ_AKを採用する。
但し、ｍ＞λ_min＝0.05
選択基準２；λの配列を降順に並べ替え、値の大きいものから一定数Ｎ個採用する。
選択基準３；λの配列を降順に並べ替え、それぞれのλをλ配列の合計でわることで、
割合を算出し、それぞれのλが全体の何％の大きさを占めるかを評価、
つまり、寄与率を計算して採用する。
具体的には、寄与率をλの大きいほうから足していき、
寄与率の積算値がｋ％（例えば、８０％）を超えるλまでを採用する。
具体例を、以下の表１に示す。

本例では、選択基準１（λ≧０．３）とした。
これにより、データ量を削減できるので、カーネル関数Ｋ（Ｘ，Ｙ）の演算時間を速くすることができる。

カーネル関数算出手段１６は、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、演算用特徴量抽出手段１８で抽出されたＤＲＹ路面の演算用特徴ベクトルＹ_DKとＷＥＴ路面の演算用特徴ベクトルＹ_WKとから、ＤＲＹＧＡカーネルＫ_D（Ｘ，Ｙ_DK）とＷＥＴＧＡカーネルＫ_W（Ｘ，Ｙ_WK）とを算出する。
ＤＲＹＧＡカーネルＫ_D（Ｘ，Ｙ_DK）は、上記式（３）及び（４）において、特徴ベクトルｘ_iαを特徴ベクトル算出手段１４で算出された特徴ベクトルＸ_iとし、特徴ベクトルｘ_βをＤＲＹ路面の演算用特徴ベクトルＹ_DKjとしたときのローカルカーネルκ_ij（Ｘ_i，Ｙ_DKj）の総和もしくは総積から成る関数で、ＷＥＴＧＡカーネルＫ_W（Ｘ，Ｙ_WK）は、特徴ベクトルｘ_βをＷＥＴ路面の演算用特徴ベクトルＹ_WKjとしたときのローカルカーネルκ_ij（Ｘ_i，Ｙ_Kj）の総和もしくは総積から成る関数である。これらのＧＡカーネルＫ_D（Ｘ，Ｙ_DK）及びＧＡカーネルＫ_W（Ｘ，Ｙ_WK）を用いることで、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、上記のように、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を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Ｘ_iと基準特徴ベクトルＹ_ASVjである演算用特徴ベクトルＹ_WKj間の類似度を求めることができる。

路面状態判別手段１７では、以下の式（５）式に示す、カーネル関数Ｋ_D（Ｘ，Ｙ_DK）とカーネル関数Ｋ_W（Ｘ，Ｙ_WK）を用いた識別関数ｆ_DW（ｘ）の値とに基づいて路面状態を判別する。

ここで、Ｎ_DKはＤＲＹ路面の演算用特徴ベクトルＹ_DKjの個数で、Ｎ_WKはＷＥＴ路面の演算用特徴ベクトルＹ_WKjの個数である。
本例では、識別関数ｆ_DWを計算し、ｆ_DW＞０であれば、路面がＤＲＹ路面であると判別し、ｆ_DW＜０であれば、路面がＷＥＴ路面であると判別する。
演算用特徴ベクトルＹ_DKjの個数Ｎ_DK及び演算用特徴ベクトルＹ_WKjの個数Ｎ_WKは、それぞれ基準特徴ベクトルＹ_DSVの個数Ｎ_DSV及び基準特徴ベクトルＹ_WSVの個数Ｎ_WSVよりも少ないので、カーネル関数Ｋ（Ｘ，Ｙ）の演算時間を速くすることができる。
なお、後述する［実施例１］に示すように、演算用特徴ベクトルＹ_DKj及び演算用特徴ベクトルＹ_WKjの選定基準をλ≧０．３としても、ＤＲＹ/ＷＥＴの２路面の判別精度を十分確保することができる。

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８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Ｒ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ΔＴ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，ｘ_i2，ｘ_i3，ｘ_i4，ｘ_i5，ｘ_i6）を算出する（ステップＳ１３）。本例では時間幅Ｔを3msec.とした。また、特徴ベクトルＸ_iの数は６個である。
特徴ベクトルＸ_iの各成分ｘ_i1〜ｘ_i6（ｉ＝１〜６）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ＤＲＹ路面及びＷＥＴ路面の基準特徴ベクトルＹ_ASVjとの中から、ＤＲＹ路面の演算用特徴ベクトルＹ_DKとＷＥＴ路面の演算用特徴ベクトルＹ_WKとを抽出する（ステップＳ１４）。そして、これら演算用特徴ベクトルＹ_DK及び演算用特徴ベクトルＹ_WKと、特徴ベクトルＸ_iとから、ローカルカーネルκ_ij（Ｘ_i，Ｙ_AKj）を算出した後、ローカルカーネルκ_ij（Ｘ_i，Ｙ_AKj）の総和を求めて、ＧＡカーネル関数Ｋ_A（Ｘ，Ｙ_AK）をそれぞれ算出する（ステップＳ１５）。
Ａ＝ＤであるＧＡカーネル関数Ｋ_D（Ｘ，Ｙ_DK）がＤＲＹ路面のＧＡカーネル関数で、Ａ＝ＷであるＧＡカーネル関数Ｋ_W（Ｘ，Ｙ_WK）がＷＥＴ路面のＧＡカーネル関数である。
そして、ＤＲＹ路面のＧＡカーネル関数Ｋ_DとＷＥＴ路面のＧＡカーネル関数Ｋ_Wとを用いた識別関数ｆ_DW（ｘ）を計算（ステップＳ１６）し、ｆ_DW＞０であれば、路面がＤＲＹ路面であると判別し、ｆ_DW＜０であれば、路面がＷＥＴ路面であると判別する。（ステップＳ１７）。
このように、カーネル関数の計算に使用する基準特徴ベクトルである演算用特徴ベクトルＹ_AKとして、λ≧ｍ（＞λ_min＝0.05）である基準特徴ベクトルＹ_ADVを採用することで、路面状態の判別精度を確保しつつ、データ量を削減できるので、路面判別時間を効果的に短縮することができる。

［実施例］
ＤＲＹ路面のサポートベクトルとＷＥＴ路面のサポートベクトルとを、予めＤＲＹ路面とＷＥＴ路面にて求めておいた、ＤＲＹ路面とＷＥＴ路面とを走行したとき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量である路面データを学習データとして、機械学習（ＳＶＭ）により求めた。
具体的には、以下の表２に示すように、使用した路面データを、訓練用（Train用）とテスト用（Test用）とに分け、ＤＲＹ路面のサポートベクトルとＷＥＴ路面のサポートベクトルとを求めた後、ＤＲＹ路面のサポートベクトルとＷＥＴ路面のサポートベクトルの境界面とを求めた。このとき、サポートベクターマシーンのハイパーパラメータＣ，σは、それぞれ、Ｃ＝２、σ＝１２５とした。
このとき、サポートベクトルの数は最大で４１５個であった。

図９（ａ）はサポートベクトルの分布を示す図で、図９（ｂ）はλ≧ｍであるサポートベクトルの個数を示す図である。図９（ｂ）に示すように、ｍを０．３とすれば、λ≧ｍ以上であるサポートベクトルの個数は、従来のｍ＝λ_min＝０．０５に比較して、約半分になることがわかる。
また、図１０は、ｍ＝０．０５，０．１，０．３，０．５，１．０としたときの、判別精度を示すグラフで、演算用特徴ベクトルＹ_AKの選択基準をλ≧０．３とした場合、判別精度は、従来のλ≧０．０５とした場合の９５％を確保しつつ、サポートベクトルの個数を４１５個から２６０個（およそ、４７％減）に減らすことができた。
また、同様に、計算時間を計測したところ、従来の４２％減を達成できた。
これにより、ラグランジェ未定乗数λが予め設定された閾値ｍ以上である基準特徴量を、カーネル関数を演算に使用する特徴量とすれば、路面状態の判別精度を確保しつつ、計算速度を速くすることができることが確認された。なお、従来の９０％以上の判別精度を確保するには、ｍ＜０．３５とすることが好ましい。

以上、本発明を実施の形態及び実施例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、ＤＷ識別モデルを用いてタイヤ２０の走行している路面が、ＤＲＹ路面であるかＷＥＴ路面であるかの２路面判別を行ったが、以下の６つの路面識別モデルを用いれば、タイヤ２０の走行している路面が、ＤＲＹ路面、ＷＥＴ路面、ＳＮＯＷ路面、ＩＣＥ路面のいずれであるか判別することができる。
ここで、Ａ，Ａ’＝ＤＲＹ，ＷＥＴ，ＳＮＯＷ，ＩＣＥ（Ａ≠Ａ’）とすると、ＡＡ’識別モデルは、Ａ路面とＡ’路面とを分離超平面を表わす識別関数ｆ_AA’（ｘ）により分離するための基準特徴量であるＡ路面特徴ベクトルＹ_ASVとラグランジュ乗数λ_AA’、及び、Ａ’路面特徴ベクトルＹ_A’SVラグランジュ乗数λ_A’Aを備える。
基準特徴量Ｙ_ASV及びλ_Aは、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，ＩＣＥの各路面にて、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_A（ｙ_jk）を入力データとして、学習により求められる。
なお、Ａ路面のデータは、図６のχ₁で示すｚ＝１に所属するデータで、Ａ’路面のデータは、χ₂で示すｚ＝−１に所属するデータである。

ところで、基準特徴ベクトルＹ_ASVに対応するラグランジュ乗数λ_Aが識別モデル毎にあることに注意する必要がある。例えば、ＤＲＹ路面特徴ベクトルＹ_DSVに対応する３つのラグランジュ乗数λ_DW，λ_DS，λ_DIはそれぞれ異なる値をもつ。他の路面特徴ベクトルＹ_WSV，Ｙ_SSV，Ｙ_ISVについても同様である。
ここでは、ＧＡカーネル関数Ｋ（Ｘ，Ｙ）に使用する特徴ベクトルを演算用特徴ベクトルＹ_AKとして、ＧＡカーネル関数Ｋ_A（Ｘ，Ｙ_AK）を算出している。
ＧＡカーネル関数Ｋ_A（Ｘ，Ｙ_AK）の算出方法は実施の形態１と同様で、Ａ＝ＤであるＧＡカーネル関数Ｋ_D（Ｘ，Ｙ_DK）がＤＲＹ路面のＧＡカーネル関数、Ａ＝ＷであるＧＡカーネル関数Ｋ_W（Ｘ，Ｙ_WK）がＷＥＴ路面のＧＡカーネル関数、Ａ＝ＳであるＧＡカーネル関数Ｋ_S（Ｘ，Ｙ_SK）がＳＮＯＷ路面のＧＡカーネル関数、Ａ＝ＩであるＧＡカーネル関数Ｋ_I（Ｘ，Ｙ_IK）がＩＣＥ路面のＧＡカーネル関数である。
路面状態の判別は、以下の式（６）〜（１１）に示す６つの識別関数ｆ_AA’（ｘ）を用いて行う。

上記のように、識別関数がｆ_AA’（ｘ）であれば、Ａ路面のデータがｚ＝１に所属するデーで、Ａ’路面のデータがｚ＝−１に所属するデータであるので、６つの識別関数ｆ_AA’から、以下のように路面判別することができる。
ｆ_DW ＞０、ｆ_DS＞０、ｆ_DI＞０であれば、路面がＤＲＹ路面であると判別する。
ｆ_DW ＜０、ｆ_WS＞０、ｆ_WI＞０であれば、路面がＷＥＴ路面であると判別する。
ｆ_DS ＜０、ｆ_WS＞０、ｆ_SI＞０であれば、路面がＳＮＯＷ路面であると判別する。
ｆ_DI ＜０、ｆ_WI＜０、ｆ_SI＜０であれば、路面がＩＣＥ路面であると判別する。
なお、ＧＡカーネル関数Ｋ（Ｘ，Ｙ）に使用する特徴ベクトルを基準特徴ベクトルＹ_ASVとした場合には、式（６）〜（１１）において、Ｙ_AA’KをＹ_AA’SVとし、Ｎ_AA’KをＮ_AA’SVとすればよい。

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個ずつ配設したり、ブロック内に設置するなど他の箇所に設置してもよい。
また、前記実施の形態では、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（log[ｘ_ik(t)²+ｘ_ik(t-1)²]）を用いてもよい。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。ケプストラム係数は、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、カーネル関数としてＧＡカーネルを用いたが、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。あるいは、ＧＡカーネルとＤＴＷカーネル演算値を用いてもよい。

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、１７ 路面状態判別手段、１８ 演算用特徴量抽出手段、
２０ タイヤ、２１ インナーライナー部、２２ タイヤ気室。

Claims (4)

1. 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の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量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量と、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特徴量から選択される基準特徴量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走行中の路面の状態を判別するステップ（ｆ）と、
   を備えた路面状態判別方法において、
   前記ステップ（ｄ）と前記ステップ（ｅ）との間に設けられて、
   前記基準特徴量の中から、対応するラグランジェ未定乗数が予め設定された閾値以上である基準特徴量を演算用特徴量として抽出するステップ（ｇ）を備え、
   前記ステップ（ｅ）では、
   前記ステップ（ｄ）で算出した特徴量と前記ステップ（ｇ）で抽出した演算用特徴量とからカーネル関数を算出することを特徴とする路面状態判別方法。
2. 前記特徴量が、
   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、全部であり、
   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特定周波数帯域の振動レベル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る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. タイヤトレッド部のインナーライナー部の気室側に配設されて、走行中のタイヤの振動を検出するタイヤ振動検出手段と、
   前記タイヤ振動検出手段で検出された前記タイヤ振動の時系列波形を予め設定した時間幅で窓掛けして時間窓毎にタイヤ振動の時系列波形を抽出する窓掛け手段と、
   前記抽出された時間窓毎の時系列波形における特定周波数の振動レベルを成分とする特徴量もしくは前記振動レベルの関数を成分とする特徴量を算出する特徴量算出手段と、
   予め算出し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量から選択される基準特徴量と前記基準特徴量に対応するラグランジェ未定乗数とを記憶する記憶手段と、
   前記特徴量算出手段で算出した時間窓毎の特徴量と、前記記憶手段に記憶された基準特徴量とからカーネル関数を算出するカーネル関数算出手段と、
   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路面状態判別手段とを備え、タイヤの走行する路面の状態を判別する路面状態判別装置において、
   前記記憶手段に記憶された基準特徴量の中から、対応するラグランジェ未定乗数が予め設定された閾値以上である基準特徴量を、演算用特徴量として抽出する演算用特徴量抽出手段を設けるとともに、
   前記カーネル関数算出手段は、
   前記特徴量算出手段で算出した特徴量と前記演算用特徴量抽出手段で抽出された演算用特徴量とからカーネル関数を算出することを特徴とする路面状態判別装置。

Images