JP7021798B1 - 学習済みモデル生成方法、路面滑り摩擦係数推定装置、路面滑り摩擦係数推定プログラムおよび路面滑り摩擦係数推定方法 - Google Patents

学習済みモデル生成方法、路面滑り摩擦係数推定装置、路面滑り摩擦係数推定プログラムおよび路面滑り摩擦係数推定方法 Download PDF

Info

Publication number
JP7021798B1
JP7021798B1 JP2020202265A JP2020202265A JP7021798B1 JP 7021798 B1 JP7021798 B1 JP 7021798B1 JP 2020202265 A JP2020202265 A JP 2020202265A JP 2020202265 A JP2020202265 A JP 2020202265A JP 7021798 B1 JP7021798 B1 JP 7021798B1
Authority
JP
Japan
Prior art keywords
road surface
friction coefficient
slip friction
surface slip
trained model
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
Application number
JP2020202265A
Other languages
English (en)
Other versions
JP2022089676A (ja
Inventor
光 齊田
ロベルト ▲徳▼永
昌哉 佐藤
Original Assignee
国立研究開発法人土木研究所
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 国立研究開発法人土木研究所 filed Critical 国立研究開発法人土木研究所
Priority to JP2020202265A priority Critical patent/JP7021798B1/ja
Application granted granted Critical
Publication of JP7021798B1 publication Critical patent/JP7021798B1/ja
Publication of JP2022089676A publication Critical patent/JP2022089676A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Image Analysis (AREA)

Abstract

【課題】 広く一般に普及している撮像手段で撮影された路面画像を用いて、簡単かつ安価に路面滑り摩擦係数を推定することができる学習済みモデル生成方法、路面滑り摩擦係数推定装置、路面滑り摩擦係数推定プログラムおよび路面滑り摩擦係数推定方法を提供する。【解決手段】 様々な路面状態の路面を撮影した路面画像と、前記路面画像の撮影と同時に実測された前記路面の路面滑り摩擦係数とで構成される学習用データセットを用いて機械学習させ、前記路面画像を入力すると前記路面滑り摩擦係数を出力する学習済みモデルを生成する学習済みモデル生成ステップを有する。【選択図】 図１

Description

本発明は、路面画像から路面滑り摩擦係数を推定するのに好適な学習済みモデル生成方法、路面滑り摩擦係数推定装置、路面滑り摩擦係数推定プログラムおよび路面滑り摩擦係数推定方法に関するものである。
従来、路面の滑り易さを表す指標として、路面と物体との間に働く抵抗力（摩擦力）を荷重で除算して得られる路面滑り摩擦係数が用いられている。この路面滑り摩擦係数の計測方法としては、計測車両に取り付けた計測輪を路面に接触させて生じる摩擦力に基づいて計測する接触式計測方法や、路面に照射した近赤外線光の反射強度に基づいて計測する非接触式計測方法が知られている。
例えば、特開２００２－１３１２１７号公報には、接触式計測方法として、車輌に搭載して走行中に雪氷路面のすべり摩擦係数を測定するための自動車走行路面のすべり摩擦係数測定装置が提案されている（特許文献１）。
特開２００２－１３１２１７号公報
しかしながら、上述した従来の計測方法は、大型で大重量な装置や、特殊で高価な装置が必要とされるため、広く一般に利用されるものではなく、現実的には研究目的にしか利用できないという問題がある。また、高い測定精度を保つには、装置の可動部を定期的に整備したり、計測輪のタイヤ等を頻繁に交換する必要があるため、メンテナンス作業に多大な手間やコストがかかるという問題がある。
本発明は、このような問題点を解決するためになされたものであって、広く一般に普及している撮像手段で撮影された路面画像を用いて、簡単かつ安価に路面滑り摩擦係数を推定することができる学習済みモデル生成方法、路面滑り摩擦係数推定装置、路面滑り摩擦係数推定プログラムおよび路面滑り摩擦係数推定方法を提供することを目的としている。
本発明に係る学習済みモデル生成方法は、路面画像を入力するだけで路面滑り摩擦係数を推定可能な学習済みモデルを生成するという課題を解決するために、様々な路面状態の路面を撮影した路面画像と、前記路面画像の撮影と同時に実測された前記路面の路面滑り摩擦係数とで構成される学習用データセットを用いて機械学習させ、前記路面画像を入力すると前記路面滑り摩擦係数を出力する学習済みモデルを生成する学習済みモデル生成ステップを有する。
また、本発明の一態様として、路面画像における余計な部分を除去して路面滑り摩擦係数の推定精度および計算速度を向上するという課題を解決するために、前記学習用データセットを構成する路面画像は、前記路面滑り摩擦係数が計測される計測箇所の近傍領域を切り出した画像であってもよい。
さらに、本発明の一態様として、路面画像に対応する滑り摩擦係数を正確にマッチングさせ、高精度な学習用データセットを生成するという課題を解決するために、前記学習用データセットを構成する路面画像は、計測車両に搭載した車載カメラによって撮影されるとともに、前記学習用データセットを構成する路面滑り摩擦係数は、前記計測車両に搭載した路面滑り抵抗計測装置によって計測されており、前記計測車両の走行速度に基づいて、前記路面滑り抵抗計測装置が前記路面画像に撮影された領域を通過する時刻を算出し、当該時刻における路面滑り摩擦係数を前記路面画像とマッチングすることで前記学習用データセットを生成する学習用データセット生成ステップを有していてもよい。
また、本発明の一態様として、信頼性の低い路面滑り摩擦係数を除外して学習用データセットの信頼性を向上するという課題を解決するために、前記学習用データセット生成ステップにおいて、前記計測車両の走行速度が所定値以下のときに計測された前記路面滑り摩擦係数は、前記学習用データセットから除外してもよい。
さらに、本発明の一態様として、信頼性の低い路面滑り摩擦係数を除外して学習用データセットの信頼性を向上するという課題を解決するために、前記学習用データセット生成ステップにおいて、前記計測車両のステアリング角度が所定値以上のときに計測された前記路面滑り摩擦係数は、前記学習用データセットから除外してもよい。
本発明に係る路面滑り摩擦係数推定装置は、広く一般に普及している撮像手段で撮影された路面画像を用いて、簡単かつ安価に路面滑り摩擦係数を推定するという課題を解決するために、様々な路面状態の路面を撮影した路面画像と、前記路面画像の撮影と同時に実測された前記路面の路面滑り摩擦係数とで構成される学習用データセットを用いて機械学習がなされ、前記路面画像を入力すると前記路面滑り摩擦係数を出力する学習済みモデルを記憶する学習済みモデル記憶部と、撮像手段から路面の路面画像を取得する路面画像取得部と、前記路面画像取得部により取得された前記路面画像を、前記学習済みモデル記憶部に記憶されている学習済みモデルに入力し、前記学習済みモデルが出力する路面滑り摩擦係数を前記路面の路面滑り摩擦係数として推定する路面滑り摩擦係数推定部と、を有する。
本発明に係る路面滑り摩擦係数推定プログラムは、広く一般に普及している撮像手段で撮影された路面画像を用いて、簡単かつ安価に路面滑り摩擦係数を推定するという課題を解決するために、様々な路面状態の路面を撮影した路面画像と、前記路面画像の撮影と同時に実測された前記路面の路面滑り摩擦係数とで構成される学習用データセットを用いて機械学習がなされ、前記路面画像を入力すると前記路面滑り摩擦係数を出力する学習済みモデルを記憶する学習済みモデル記憶部と、撮像手段から路面の路面画像を取得する路面画像取得部と、前記路面画像取得部により取得された前記路面画像を前記学習済みモデルに入力し、前記学習済みモデルが出力する路面滑り摩擦係数を前記路面の路面滑り摩擦係数として推定する路面滑り摩擦係数推定部と、してコンピュータを機能させる。
本発明に係る路面滑り摩擦係数推定方法は、広く一般に普及している撮像手段で撮影された路面画像を用いて、簡単かつ安価に路面滑り摩擦係数を推定するという課題を解決するために、様々な路面状態の路面を撮影した路面画像と、前記路面画像の撮影と同時に実測された前記路面の路面滑り摩擦係数とで構成される学習用データセットを用いて機械学習がなされ、前記路面画像を入力すると前記路面滑り摩擦係数を出力する学習済みモデルを用いて路面滑り摩擦係数を推定する路面滑り摩擦係数推定方法であって、撮像手段から路面の路面画像を取得する路面画像取得ステップと、前記路面画像取得ステップにおいて取得された前記路面画像を前記学習済みモデルに入力し、前記学習済みモデルが出力する路面滑り摩擦係数を前記路面の路面滑り摩擦係数として推定する路面滑り摩擦係数推定ステップと、を有する。
本発明によれば、広く一般に普及している撮像手段で撮影された路面画像を用いて、簡単かつ安価に路面滑り摩擦係数を推定することができる。
本発明に係る学習済みモデル生成方法を実行する学習済みモデル生成装置、および本発明に係る路面滑り摩擦係数推定装置の一実施形態を示すブロック図である。 本実施形態において、車載カメラおよび路面滑り抵抗計測装置を搭載した計測車両を示す図である。 本実施形態の学習済みモデル生成装置および学習済みモデル生成プログラムによって実行される学習済みモデル生成方法を示すフローチャートである。 本実施形態の路面滑り摩擦係数推定装置および路面滑り摩擦係数推定プログラムによって実行される路面滑り摩擦係数推定方法を示すフローチャートである。 実施例１における学習用データセットを計測した計測日時および計測区間を示す表である。 実施例１において、日中における路面滑り摩擦係数の推定値と実測値との混同行列を示す表である。 実施例１において、日中における路面滑り摩擦係数の推定誤差（路面滑り摩擦係数推定値－路面滑り摩擦係数実測値）の出現頻度を示すグラフである。 実施例１において、夜間における路面滑り摩擦係数の推定値と実測値との混同行列を示す表である。 実施例１において、夜間における路面滑り摩擦係数の推定誤差（路面滑り摩擦係数推定値－路面滑り摩擦係数実測値）の出現頻度を示すグラフである。
以下、本発明に係る学習済みモデル生成方法、路面滑り摩擦係数推定装置、路面滑り摩擦係数推定プログラムおよび路面滑り摩擦係数推定方法の一実施形態について図面を用いて説明する。
図１は、本実施形態の学習済みモデル生成方法を実行する学習済みモデル生成装置１、および本実施形態の路面滑り摩擦係数推定装置１０を示すブロック図である。本実施形態では、学習済みモデル生成装置１によって学習済みモデルを生成して出力し、当該学習済みモデルを路面滑り摩擦係数推定装置１０に記憶させて使用するようになっている。以下、学習済みモデル生成装置１および路面滑り摩擦係数推定装置１０のそれぞれについて説明する。
（１）学習済みモデル生成装置
本実施形態の学習済みモデル生成装置１は、パーソナルコンピュータ等のコンピュータによって構成されており、図１に示すように、主として、記憶手段２と、演算処理手段３とを有している。
記憶手段２は、各種のデータを記憶するとともに、演算処理手段３が演算処理を行う際のワーキングエリアとして機能するものである。本実施形態において、記憶手段２は、ハードディスク、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、フラッシュメモリ等で構成されており、図１に示すように、プログラム記憶部２１と、学習用データセット記憶部２２とを有している。
プログラム記憶部２１には、本実施形態の学習済みモデル生成方法を実行するための学習済みモデル生成プログラム１ａがインストールされている。そして、演算処理手段３が学習済みモデル生成プログラム１ａを実行することにより、学習済みモデル生成装置１としてのコンピュータを後述する各構成部として機能させるようになっている。
学習用データセット記憶部２２は、学習済みモデルに機械学習させるための学習用データセット（教師データ）を記憶するものである。具体的には、学習用データセットは、様々な路面状態の路面を撮影した路面画像と、当該路面画像の撮影と同時に実測された路面の路面滑り摩擦係数とが１セットとして構成されており、このセットが大量に用意されている。
本実施形態において、学習用データセットを構成する路面画像は、図２に示すように、計測車両１１に搭載した車載カメラ１２で撮影された動画像を所定の時間間隔で抽出し、静止画像に変換したものである。また、路面画像は、日中と夜間の各時間帯における、積雪状態、非積雪状態（ドライ、ウエット、シャーベット等）、凍結状態等のように、様々な路面状態において撮影される。
一方、学習用データセットを構成する路面滑り摩擦係数は、図２に示すように、計測車両１１に搭載した路面滑り抵抗計測装置１３によって計測された路面滑り抵抗値に基づいて算出される。路面滑り抵抗計測装置１３としては、路面滑り抵抗値を連続的に計測可能なものであればよく、例えば、Real Time Traction Tool（Halliday Technologies社）等を用いることができる。この場合、路面滑り抵抗計測装置１３の出力データはHFN（Halliday Friction Number）と呼ばれる路面滑り抵抗値を示す指標であるが、このHFNは所定の換算式によって路面滑り摩擦係数に換算される。
つぎに、演算処理手段３は、ＣＰＵ（Central Processing Unit）等で構成されており、プログラム記憶部２１にインストールされた学習済みモデル生成プログラム１ａを実行することにより、図１に示すように、生データ取得部３１と、学習用データセット生成部３２と、学習済みモデル生成部３３として機能する。以下、各構成部についてより詳細に説明する。
生データ取得部３１は、学習用データセットの元となる生データを取得するものである。本実施形態において、生データ取得部３１は、車載カメラ１２によって撮影された路面画像と、当該路面画像の撮影と同時に路面滑り抵抗計測装置１３によって実測された路面滑り抵抗値とを生データとして取得する。なお、路面画像の撮影時刻や、路面滑り抵抗値の計測時刻は、ＧＰＳ（Global Positioning System）時刻等によって管理される。
学習用データセット生成部３２は、生データから学習用データセットを生成するものである。本実施形態において、学習用データセット生成部３２は、生データ取得部３１によって取得された路面画像のうち、路面滑り摩擦係数が計測される計測箇所の近傍領域を切り出した画像を路面画像として使用する。なお、車載カメラ１２の画角および路面滑り抵抗計測装置１３の計測位置は固定されるため、路面画像として切り出す領域も固定の領域として予め設定可能である。
また、学習用データセット生成部３２は、生データ取得部３１によって取得された路面滑り抵抗値を所定の換算式によって路面滑り摩擦係数に換算する。そして、学習用データセット生成部３２は、切り出した路面画像ごとに、対応する路面滑り摩擦係数を付与することで１組の学習用データセットとし、学習用データセット記憶部２２に記憶させるようになっている。
また、本実施形態において、学習用データセット生成部３２は、計測車両１１の走行速度に基づいて、路面滑り抵抗計測装置１３が路面画像に撮影された領域を通過する時刻を算出し、当該時刻における路面滑り摩擦係数を路面画像とマッチングすることで学習用データセットを生成する。これにより、撮影領域と計測箇所とのズレが補正され、路面画像に対応する路面滑り摩擦係数が正確にマッチングされる。
また、本実施形態において、学習用データセット生成部３２は、計測車両１１の走行速度が所定値以下のときに計測された路面滑り摩擦係数を学習用データセットから除外する。走行速度が所定値以下の場合、路面滑り抵抗計測装置１３による計測値の信頼性が低下するためである。
さらに、本実施形態において、計測車両１１の右折時や左折時に計測値の信頼性が低下する路面滑り抵抗計測装置１３を使用する場合、学習用データセット生成部３２は、計測車両１１のステアリング角度が所定値以上のときに計測された路面滑り摩擦係数を学習用データセットから除外する。これらの処理により、信頼性の低い路面滑り摩擦係数が学習用データセットから除外される。
学習済みモデル生成部３３は、路面画像を入力すると路面滑り摩擦係数を出力する学習済みモデルを生成するものである。本実施形態において、学習済みモデル生成部３３は、学習用データセット記憶部２２に記憶された複数の学習用データセットを用いて機械学習を実行させることにより、入力データとしての路面画像と、出力データとしての路面滑り摩擦係数との相関関係を学習した学習済モデルを生成する。
本実施形態では、機械学習の手法として、ディープラーニングを用いた教師あり学習を採用している。ただし、機械学習の具体的な手法については、これに限定されるものではなく、入力データと出力データとの相関関係を学習用データセットから学習できるものであれば、他の学習手法を採用することも可能である。例えば、アンサンブル学習（ランダムフォレスト、ブースティング等）を用いることもできる。
つぎに、本実施形態の学習済みモデル生成装置１、学習済みモデル生成プログラム１ａおよび学習済みモデル生成方法による作用について説明する。
本実施形態の学習済みモデル生成装置１を用いて学習済みモデルを生成する場合、まず、図３に示すように、生データ取得部３１が、学習用データセットの元となる生データを取得する（ステップＳ１：生データ取得ステップ）。つぎに、学習用データセット生成部３２が、生データから学習用データセットを生成する（ステップＳ２：学習用データセット生成ステップ）。このとき、本実施形態では、学習用データセット生成部３２が、計測箇所の近傍領域を路面画像から切り出す。これにより、路面画像から余計な部分が除去され、必要最小限の部分だけが学習用データセットに用いられるため、路面滑り摩擦係数の推定精度および計算速度が向上する。
また、本実施形態では、学習用データセット生成部３２が、位置情報（緯度・経度）および時刻情報に基づいて、路面画像と路面滑り摩擦係数とをマッチングさせる。これにより、路面画像に対応する滑り摩擦係数が正確にマッチングされ、高精度な学習用データセットが生成される。
さらに、本実施形態では、学習用データセット生成部３２が、計測車両１１の走行速度が所定値以下のときに計測された路面滑り摩擦係数、および計測車両１１のステアリング角度が所定値以上のときに計測された路面滑り摩擦係数を学習用データセットから除外する。これにより、信頼性の低い路面滑り摩擦係数が学習用データセットから除外される。
つづいて、学習済みモデル生成部３３が、ステップＳ２で生成された学習用データセットを用いて機械学習させ、学習済みモデルを生成する（ステップＳ３：学習済みモデル生成ステップ）。これにより、路面画像を入力すると路面滑り摩擦係数を出力する学習済みモデルが生成される。
以上のような本実施形態の学習済みモデル生成装置１、学習済みモデル生成プログラム１ａおよび学習済みモデル生成方法によれば、以下のような効果を奏する。
１．路面画像を入力するだけで路面滑り摩擦係数を推定可能な学習済みモデルを生成することができる。
２．路面画像における余計な部分を除去することで、路面滑り摩擦係数の推定精度および計算速度を向上することができる。
３．路面画像と滑り摩擦係数とが正確にマッチングされた高精度な学習用データセットを生成でき、路面滑り摩擦係数の推定精度を向上することができる。
４．信頼性の低い路面滑り摩擦係数を除外することで学習用データセットの精度が低下するのを抑制し、路面滑り摩擦係数の推定精度を向上することができる。
（２）路面滑り摩擦係数推定装置
本実施形態の路面滑り摩擦係数推定装置１０は、スマートフォン、タブレット、パーソナルコンピュータ等のコンピュータによって構成されており、図１に示すように、主として、記憶手段４と、演算処理手段５と、撮像手段６と、表示手段７とを有している。以下、各構成手段について詳細に説明する。
撮像手段６は、スマートフォンに搭載されたカメラ、ドライブレコーダー等に用いられる車載カメラ１２、監視カメラ等に用いられるＣＣＴＶ（Closed-Circuit Television）カメラ、デジタルビデオカメラ等の広く一般に普及したもので構成されており、路面の路面画像を撮影するものである。表示手段７は、タッチパネルや液晶ディスプレイ等で構成されており、路面滑り摩擦係数推定装置１０により推定された路面滑り摩擦係数等を表示するものである。
記憶手段４は、各種のデータを記憶するとともに、演算処理手段５が演算処理を行う際のワーキングエリアとして機能するものである。本実施形態において、記憶手段４は、ハードディスク、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、フラッシュメモリ等で構成されており、図１に示すように、プログラム記憶部４１と、学習済みモデル記憶部４２とを有している。
プログラム記憶部４１には、本実施形態の路面滑り摩擦係数推定方法を実行するための路面滑り摩擦係数推定プログラム１０ａがインストールされている。そして、演算処理手段５が路面滑り摩擦係数推定プログラム１０ａを実行することにより、路面滑り摩擦係数推定装置１０としてのコンピュータを後述する各構成部として機能させるようになっている。
学習済みモデル記憶部４２は、路面滑り摩擦係数を推定するための学習済みモデルを記憶するものである。本実施形態では、学習済みモデル生成装置１によって生成され、路面滑り摩擦係数推定装置１０に出力された学習済みモデルが学習済みモデル記憶部４２に保存されている。しかしながら、この構成に限定されるものではなく、様々な路面状態の路面を撮影した路面画像と、当該路面画像の撮影と同時に実測された路面の路面滑り摩擦係数とで構成される学習用データセットを用いて機械学習がなされ、路面画像を入力すると路面滑り摩擦係数を出力する学習済みモデルが学習済みモデル記憶部４２に記憶されていればよい。
なお、路面滑り摩擦係数推定プログラム１０ａおよび学習済みモデルの利用形態は、上記構成に限られるものではない。例えば、ＵＳＢメモリやＣＤ－ＲＯＭ等のように、コンピュータで読み取り可能な非一時的な記録媒体に路面滑り摩擦係数推定プログラム１０ａや学習済みモデルを記憶させておき、当該記録媒体から直接読み出して実行してもよい。また、路面滑り摩擦係数推定プログラム１０ａと学習済みモデルをパッケージ化し、スマートフォンやタブレット用のアプリケーションとしてダウンロード可能にしてもよい。さらに、路面滑り摩擦係数推定プログラム１０ａや学習済みモデルを外部サーバ等へ格納しておき、クラウドコンピューティング方式やＡＳＰ（Application Service Provider）方式で利用してもよい。
つぎに、演算処理手段５は、ＣＰＵ（Central Processing Unit）等で構成されており、プログラム記憶部４１にインストールされた路面滑り摩擦係数推定プログラム１０ａを実行することにより、図１に示すように、路面画像取得部５１と、路面滑り摩擦係数推定部５２として機能する。以下、各構成部についてより詳細に説明する。
路面画像取得部５１は、撮像手段６から路面の路面画像を取得するものである。例えば、路面滑り摩擦係数推定装置１０がスマートフォンであり、当該スマートフォンに搭載されたカメラが撮像手段６である場合、路面画像取得部５１は、撮像手段６によって撮影された路面画像をリアルタイムで取得し、路面滑り摩擦係数推定部５２へ出力する。
路面滑り摩擦係数推定部５２は、路面画像に基づいて路面の路面滑り摩擦係数を推定するものである。本実施形態において、路面滑り摩擦係数推定部５２は、路面画像取得部５１により取得された路面画像を、学習済みモデル記憶部４２に記憶されている学習済みモデルに入力し、当該学習済みモデルが出力する路面滑り摩擦係数を路面の路面滑り摩擦係数として推定する。そして、当該推定した路面滑り摩擦係数を表示手段７等に出力して表示させる。
なお、本実施形態において、学習済みモデルの出力データは、路面滑り摩擦係数の値を所定の数値範囲で区分けした複数の分類階級に分類したときの分類確率である。この場合、路面滑り摩擦係数推定部５２は、出力された分類確率と、各分類階級の路面滑り摩擦係数中央値の加重平均を用いて路面滑り摩擦係数の推定値を算出してもよい。
また、路面滑り摩擦係数推定部５２は、路面滑り摩擦係数の推定値に対して、所定の閾値を事前に設定することで、推定結果をユーザに理解し易くしてもよい。例えば、推定値が第１閾値以上であれば「とても滑り易い」、第１閾値未満第２閾値以上であれば「滑り易い」、第２閾値未満であれば「滑り難い」等と判断し、その判断結果を推定結果として表示させるようにしてもよい。
つぎに、本実施形態の路面滑り摩擦係数推定装置１０、路面滑り摩擦係数推定プログラム１０ａおよび路面滑り摩擦係数推定方法による作用について説明する。
本実施形態の路面滑り摩擦係数推定装置１０を用いて路面の路面滑り摩擦係数を推定する場合、まず、図４に示すように、路面画像取得部５１が撮像手段６から路面の路面画像を取得する（ステップＳ１１：路面画像取得ステップ）。この路面画像は、広く一般に普及している撮像手段６を用いて撮影されたものでよいため、従来のように、路面滑り摩擦係数を計測するために、大型で大重量な装置や、特殊で高価な装置を用意する必要がない。また、撮像手段６のメンテナンスに係る手間やコストも少ない。
つぎに、路面滑り摩擦係数推定部５２が、ステップＳ１１で取得された路面画像を学習済みモデルに入力し、出力された路面滑り摩擦係数を路面の路面滑り摩擦係数として推定する（ステップＳ１２：路面滑り摩擦係数推定ステップ）。これにより、路面画像を入力するだけで、高精度に推定された路面滑り摩擦係数がリアルタイムに出力されるため、簡単かつ安価に路面の状態が把握される。
以上のような本実施形態の路面滑り摩擦係数推定装置１０、路面滑り摩擦係数推定プログラム１０ａおよび路面滑り摩擦係数推定方法によれば、以下のような効果を奏する。
１．スマートフォンやドライブレコーダー等に搭載されたカメラのように、広く一般に普及している撮像手段６で撮影された路面画像を用いて、安価に路面滑り摩擦係数を推定することができる。
２．複雑な計測作業が不要で、路面画像を撮影するだけで誰でも容易に路面滑り摩擦係数を推定することができる。
３．路面状態（積雪の有無、凍結の有無等）や時間帯（昼間、夜間等）に関わらず、高精度に路面滑り摩擦係数を推定することができる。
４．道路の監視カメラや道路管理者が保有する道路パトロール車に適用すれば、路面のリアルタイムな雪氷状態等を客観的かつ効率的に把握し管理することができる。
５．高速道路等における凍結防止剤の散布車両に適用すれば、推定された路面滑り摩擦係数に応じて自動的に散布し、過不足のない散布を実現することができる。
６．スマートフォン用のアプリケーションとして配信すれば、一般的な個人レベルで路面の滑り易さを把握できるため、冬型の交通事故等を未然に防止することができる。
７．自動車の自動運転システムや先進運転支援システムに適用すれば、路面滑り摩擦係数に応じて速度制御やドライバーへの警告ができ、高性能化することができる。
８．空港の監視カメラや航空機等に適用すれば、滑走路の路面滑り摩擦係数に応じて自動的かつ客観的に着陸の可否等を判定でき、航空機の安全性に貢献することができる。
９．多数のユーザから様々な道路の路面滑り摩擦係数をリアルタイムに集約することで、広域かつ網羅的に路面の現況を把握することができる。
つぎに、本発明に係る学習済みモデル生成方法、路面滑り摩擦係数推定装置１０、路面滑り摩擦係数推定プログラム１０ａおよび路面滑り摩擦係数推定方法の具体的な実施例について説明する。なお、本発明の技術的範囲は、以下の実施例によって示される特徴に限定されるものではない。
本実施例１では、本発明に係る学習済みモデル生成方法によって生成された学習済みモデルの推定精度を検証する実験を行った。
本実施例１で使用した学習用データセットとしては、まず、図５に示す日時および区間で撮影された道路の動画を０．１秒毎に抽出し、静止画像に変換することで路面画像を取得した。つぎに、路面画像から路面滑り抵抗計測装置１３の計測輪が通過する領域を切り出した。このとき、元の静止画像のうち車線が映っている２２４×２２４ピクセルの小画像を抽出した後、画像分類モデルの学習および推定処理速度を向上させるために１１２×１１２ピクセルに縮小したものを使用した。
その後、切り出した路面画像の撮影時刻と計測車両１１の走行速度データを用いて、路面画像と路面滑り抵抗計測装置１３で計測された路面滑り摩擦係数とのデータマッチングを行った。本実施例１において、路面滑り抵抗計測装置１３の計測輪と切り出した路面画像の位置は１０ｍ程度離れていた。このため、データマッチングに際しては、計測車両１１の走行速度から路面画像に映っている領域を計測輪が通過した時刻を求め、当該時刻における路面滑り抵抗値を路面画像と紐づけた。
本実施例１において、路面滑り抵抗計測装置１３としては、Real Time Traction Tool（Halliday Technologies社）を使用した。この路面滑り抵抗計測装置１３で計測された実測値データはHFN（Halliday Friction Number）と呼ばれる指標であるため、所定の換算式を用いてHFNを路面滑り摩擦係数に換算した。以上の手順に従って、路面画像と路面滑り摩擦係数とで構成される学習用データセットを多数生成した。
なお、本実施例１では、計測車両１１の走行速度が２０ｋｍ／ｈ以下または計測車両１１のステアリング角度が１５度以上の条件下で計測された路面滑り摩擦係数については、信頼性が低いおそれがあるため、これらを除外して学習用データセットを生成した。一方、他の車両やワイパーなどの物体が映り込んだ路面画像は除外せず、約６０万個の学習用データセットを生成した。さらに、学習用データセットの量を増やす(Data augmentation)ために、路面画像に各種の加工（左右反転、元の画像から右および左に３２ピクセル移動、明度の増加）を施したものを学習用データとして追加し、約３３０万個の学習用データセットを用意した。
つぎに、上記のように用意した学習用データセットを画像分類モデルに入力することで機械学習させ、学習済みモデルを生成した。本実施例１において、画像分類モデルとしては、スマートフォン等のように演算処理能力が低い機器でも高速処理が可能なMobileNetV2を使用した。また、本実施例１において、学習済みモデルの入力データは路面画像（１１２×１１２ピクセル、２４ビット、ＲＧＢ）とし、出力データは路面滑り摩擦係数（０．０～０．０５，０．０５～０．１０，…，０．７０～０．７５および０．７５以上の１６分類）の分類確率とした。なお、路面滑り摩擦係数は、路面滑り摩擦係数の分類確率と各分類階級の路面滑り摩擦係数の中央値の加重平均を用いて推定値を算出した。
つづいて、上述した学習用データセットとは別に、車載カメラ１２の動画から切り出した日中および夜間における路面画像を各３２００枚用意し、上記のとおり生成した学習済みモデルに入力することで路面滑り摩擦係数を推定した。そして、当該路面滑り摩擦係数の推定値と、当該路面画像と同時に実測された路面滑り摩擦係数の実測値とを混同行列によって比較した。
まずは、日中における路面滑り摩擦係数の推定値と実測値との混同行列を図６に示す。図６において、灰色で着色した数値は路面滑り摩擦係数の推定値と実測値とが同一の分類階級となった（実測値と推定値がほぼ一致した）データの割合（％）を示している。本実施例１では、路面滑り摩擦係数の推定結果のうち、約４５％が実測値と同一の分類階級となった。また、路面滑り摩擦係数の推定正解率（路面滑り摩擦係数の推定値と実測値の差の絶対値が０．１未満であった場合を正解としたときに、正解と判定されたデータの割合）は、路面滑り摩擦係数が０．０５未満（非常に滑りやすい凍結路面）および０．３５～０．４０（圧雪路面）では高い数値を示し、０．４０～０．５０（シャーベット路面～湿潤路面）では低い値を示した。
また、日中における路面滑り摩擦係数の推定誤差（路面滑り摩擦係数推定値－路面滑り摩擦係数実測値）の出現頻度を図７に示す。本実施例１の学習済みモデルでは、全検証結果のうち、推定誤差が±０．１未満は７９．０％で、推定誤差が±０．２未満は９４．８％となり高い精度を有していた。また、本実施例１の学習済みモデルによる路面滑り摩擦係数の推定値の二乗平均平方根誤差（ＲＭＳＥ：Root Mean Squared Error）は、０．０９４であり、既存の光学式路面センサ等と比較しても、推定値と実測値との差が小さいことが示された。
つぎに、夜間における路面滑り摩擦係数の推定値と実測値との混同行列を図８に示す。図８において、灰色で着色した数値は路面滑り摩擦係数の推定値と実測値とが同一の分類階級となった（実測値と推定値がほぼ一致した）データの割合（％）を示している。本実施例１では、路面滑り摩擦係数の推定結果のうち、約４５％が実測値と同一の分類階級となった。また、路面滑り摩擦係数の推定正解率は、路面滑り摩擦係数が０．０５未満（非常に滑りやすい凍結路面）および０．７５以上（乾燥路面）で高い数値を示し、０．５５～０．６５（湿潤路面～乾燥路面）では低い値を示した。
また、夜間における路面滑り摩擦係数の推定誤差（路面滑り摩擦係数推定値－路面滑り摩擦係数実測値）の出現頻度を図９に示す。本実施例１において生成した学習済みモデルでは、全検証結果のうち８０．４％で推定誤差が±０．１未満であり、９５．１％で推定誤差が±０．２未満となり高い精度を有していた。また、本実施例１において生成した学習済みモデルによる路面滑り摩擦係数の推定値の二乗平均平方根誤差（ＲＭＳＥ）は０．０９７であり、既存の光学式路面センサ等と比較しても、推定値と実測値との差が小さいことが示された。
以上の本実施例１によれば、本発明に係る学習済みモデルは、日中および夜間の双方において、路面滑り摩擦係数を高精度に推定できることが確認された。
なお、本発明に係る学習済みモデル生成方法、路面滑り摩擦係数推定装置１０、路面滑り摩擦係数推定プログラム１０ａおよび路面滑り摩擦係数推定方法は、前述した実施形態に限定されるものではなく、適宜変更することができる。
例えば、上述した本実施形態では、スマートフォン等のように、撮像手段６および表示手段７を一体的に有する路面滑り摩擦係数推定装置１０として構成されているが、この構成に限定されるものではない。例えば、路面滑り摩擦係数推定装置１０がドライブレコーダーによって構成される場合、車載カメラ等の撮像手段６や、液晶ディスプレイ等の表示手段７は路面滑り摩擦係数推定装置１０とは別体に構成される。
１ 学習済みモデル生成装置
１ａ 学習済みモデル生成プログラム
２ 記憶手段（学習済みモデル生成装置側）
３ 演算処理手段（学習済みモデル生成装置側）
４ 記憶手段（路面滑り摩擦係数推定装置側）
５ 演算処理手段（路面滑り摩擦係数推定装置側）
６ 撮像手段
７ 表示手段
１０ 路面滑り摩擦係数推定装置
１０ａ 路面滑り摩擦係数推定プログラム
１１ 計測車両
１２ 車載カメラ
１３ 路面滑り抵抗計測装置
２１ プログラム記憶部（学習済みモデル生成装置側）
２２ 学習用データセット記憶部
３１ 生データ取得部
３２ 学習用データセット生成部
３３ 学習済みモデル生成部
４１ プログラム記憶部（路面滑り摩擦係数推定装置側）
４２ 学習済みモデル記憶部
５１ 路面画像取得部
５２ 路面滑り摩擦係数推定部

Claims (13)

  1. 様々な路面状態の路面を撮影した単一の路面画像と、前記単一の路面画像の撮影と同時に実測された前記路面の路面滑り摩擦係数とで構成される学習用データセットを用いて機械学習させ、入力データとして単一の路面画像を入力すると、出力データとして路面滑り摩擦係数を出力する学習済みモデルを生成する学習済みモデル生成ステップを有し、
    前記学習用データセットを構成する路面画像は、計測車両に搭載した車載カメラによって撮影されるとともに、前記学習用データセットを構成する路面滑り摩擦係数は、前記計測車両に搭載した路面滑り抵抗計測装置によって計測されており、
    前記学習用データセットを構成する路面画像は、前記路面滑り摩擦係数が計測される計測箇所の近傍領域を切り出した画像であり、前記近傍領域は、固定された前記車載カメラの画角と、固定された前記路面滑り抵抗計測装置の計測位置とに基づいて、予め固定の領域として設定されている、学習済みモデル生成方法。
  2. 様々な路面状態の路面を撮影した単一の路面画像と、前記単一の路面画像の撮影と同時に実測された前記路面の路面滑り摩擦係数とで構成される学習用データセットを用いて機械学習させ、入力データとして単一の路面画像を入力すると、出力データとして路面滑り摩擦係数を出力する学習済みモデルを生成する学習済みモデル生成ステップを有し、
    前記学習用データセットを構成する路面画像は、計測車両に搭載した車載カメラによって撮影されるとともに、前記学習用データセットを構成する路面滑り摩擦係数は、前記計測車両に搭載した路面滑り抵抗計測装置によって計測されており、
    前記計測車両の走行速度が所定値以下のときに計測された前記路面滑り摩擦係数は、前記学習用データセットから除外されている、学習済みモデル生成方法。
  3. 様々な路面状態の路面を撮影した単一の路面画像と、前記単一の路面画像の撮影と同時に実測された前記路面の路面滑り摩擦係数とで構成される学習用データセットを用いて機械学習させ、入力データとして単一の路面画像を入力すると、出力データとして路面滑り摩擦係数を出力する学習済みモデルを生成する学習済みモデル生成ステップを有し、
    前記学習用データセットを構成する路面画像は、計測車両に搭載した車載カメラによって撮影されるとともに、前記学習用データセットを構成する路面滑り摩擦係数は、前記計測車両に搭載した路面滑り抵抗計測装置によって計測されており、
    前記計測車両のステアリング角度が所定値以上のときに計測された前記路面滑り摩擦係数は、前記学習用データセットから除外されている、学習済みモデル生成方法。
  4. 前記計測車両の走行速度に基づいて、前記路面滑り抵抗計測装置が前記路面画像に撮影された領域を通過する時刻を算出し、当該時刻における路面滑り摩擦係数を前記路面画像とマッチングすることで前記学習用データセットを生成する学習用データセット生成ステップを有する、請求項１から請求項３のいずれかに記載の学習済みモデル生成方法。
  5. 様々な路面状態の路面を撮影した単一の路面画像と、前記単一の路面画像の撮影と同時に実測された前記路面の路面滑り摩擦係数とで構成される学習用データセットを用いて機械学習がなされ、入力データとして単一の路面画像を入力すると、出力データとして路面滑り摩擦係数を出力する学習済みモデルを記憶する学習済みモデル記憶部と、
    撮像手段から単一の路面画像を取得する路面画像取得部と、
    前記路面画像取得部により取得された単一の路面画像を、前記学習済みモデル記憶部に記憶されている学習済みモデルに入力し、前記学習済みモデルが出力する路面滑り摩擦係数を前記路面の路面滑り摩擦係数として推定する路面滑り摩擦係数推定部と、を有し、
    前記学習用データセットを構成する路面画像は、計測車両に搭載した車載カメラによって撮影されるとともに、前記学習用データセットを構成する路面滑り摩擦係数は、前記計測車両に搭載した路面滑り抵抗計測装置によって計測されており、
    前記学習用データセットを構成する路面画像は、前記路面滑り摩擦係数が計測される計測箇所の近傍領域を切り出した画像であり、前記近傍領域は、固定された前記車載カメラの画角と、固定された前記路面滑り抵抗計測装置の計測位置とに基づいて、予め固定の領域として設定されている、路面滑り摩擦係数推定装置。
  6. 様々な路面状態の路面を撮影した単一の路面画像と、前記単一の路面画像の撮影と同時に実測された前記路面の路面滑り摩擦係数とで構成される学習用データセットを用いて機械学習がなされ、入力データとして単一の路面画像を入力すると、出力データとして路面滑り摩擦係数を出力する学習済みモデルを記憶する学習済みモデル記憶部と、
    撮像手段から単一の路面画像を取得する路面画像取得部と、
    前記路面画像取得部により取得された単一の路面画像を、前記学習済みモデル記憶部に記憶されている学習済みモデルに入力し、前記学習済みモデルが出力する路面滑り摩擦係数を前記路面の路面滑り摩擦係数として推定する路面滑り摩擦係数推定部と、を有し、
    前記学習用データセットを構成する路面画像は、計測車両に搭載した車載カメラによって撮影されるとともに、前記学習用データセットを構成する路面滑り摩擦係数は、前記計測車両に搭載した路面滑り抵抗計測装置によって計測されており、
    前記計測車両の走行速度が所定値以下のときに計測された前記路面滑り摩擦係数は、前記学習用データセットから除外されている、路面滑り摩擦係数推定装置。
  7. 様々な路面状態の路面を撮影した単一の路面画像と、前記単一の路面画像の撮影と同時に実測された前記路面の路面滑り摩擦係数とで構成される学習用データセットを用いて機械学習がなされ、入力データとして単一の路面画像を入力すると、出力データとして路面滑り摩擦係数を出力する学習済みモデルを記憶する学習済みモデル記憶部と、
    撮像手段から単一の路面画像を取得する路面画像取得部と、
    前記路面画像取得部により取得された単一の路面画像を、前記学習済みモデル記憶部に記憶されている学習済みモデルに入力し、前記学習済みモデルが出力する路面滑り摩擦係数を前記路面の路面滑り摩擦係数として推定する路面滑り摩擦係数推定部と、を有し、
    前記学習用データセットを構成する路面画像は、計測車両に搭載した車載カメラによって撮影されるとともに、前記学習用データセットを構成する路面滑り摩擦係数は、前記計測車両に搭載した路面滑り抵抗計測装置によって計測されており、
    前記計測車両のステアリング角度が所定値以上のときに計測された前記路面滑り摩擦係数は、前記学習用データセットから除外されている、路面滑り摩擦係数推定装置。
  8. 様々な路面状態の路面を撮影した単一の路面画像と、前記単一の路面画像の撮影と同時に実測された前記路面の路面滑り摩擦係数とで構成される学習用データセットを用いて機械学習がなされ、入力データとして単一の路面画像を入力すると、出力データとして路面滑り摩擦係数を出力する学習済みモデルを記憶する学習済みモデル記憶部と、
    撮像手段から単一の路面画像を取得する路面画像取得部と、
    前記路面画像取得部により取得された単一の路面画像を前記学習済みモデルに入力し、前記学習済みモデルが出力する路面滑り摩擦係数を前記路面の路面滑り摩擦係数として推定する路面滑り摩擦係数推定部としてコンピュータを機能させる、路面滑り摩擦係数推定プログラムであって、
    前記学習用データセットを構成する路面画像は、計測車両に搭載した車載カメラによって撮影されるとともに、前記学習用データセットを構成する路面滑り摩擦係数は、前記計測車両に搭載した路面滑り抵抗計測装置によって計測されており、
    前記学習用データセットを構成する路面画像は、前記路面滑り摩擦係数が計測される計測箇所の近傍領域を切り出した画像であり、前記近傍領域は、固定された前記車載カメラの画角と、固定された前記路面滑り抵抗計測装置の計測位置とに基づいて、予め固定の領域として設定されている、路面滑り摩擦係数推定プログラム。
  9. 様々な路面状態の路面を撮影した単一の路面画像と、前記単一の路面画像の撮影と同時に実測された前記路面の路面滑り摩擦係数とで構成される学習用データセットを用いて機械学習がなされ、入力データとして単一の路面画像を入力すると、出力データとして路面滑り摩擦係数を出力する学習済みモデルを記憶する学習済みモデル記憶部と、
    撮像手段から単一の路面画像を取得する路面画像取得部と、
    前記路面画像取得部により取得された単一の路面画像を前記学習済みモデルに入力し、前記学習済みモデルが出力する路面滑り摩擦係数を前記路面の路面滑り摩擦係数として推定する路面滑り摩擦係数推定部としてコンピュータを機能させる、路面滑り摩擦係数推定プログラムであって、
    前記学習用データセットを構成する路面画像は、計測車両に搭載した車載カメラによって撮影されるとともに、前記学習用データセットを構成する路面滑り摩擦係数は、前記計測車両に搭載した路面滑り抵抗計測装置によって計測されており、
    前記計測車両の走行速度が所定値以下のときに計測された前記路面滑り摩擦係数は、前記学習用データセットから除外されている、路面滑り摩擦係数推定プログラム。
  10. 様々な路面状態の路面を撮影した単一の路面画像と、前記単一の路面画像の撮影と同時に実測された前記路面の路面滑り摩擦係数とで構成される学習用データセットを用いて機械学習がなされ、入力データとして単一の路面画像を入力すると、出力データとして路面滑り摩擦係数を出力する学習済みモデルを記憶する学習済みモデル記憶部と、
    撮像手段から単一の路面画像を取得する路面画像取得部と、
    前記路面画像取得部により取得された単一の路面画像を前記学習済みモデルに入力し、前記学習済みモデルが出力する路面滑り摩擦係数を前記路面の路面滑り摩擦係数として推定する路面滑り摩擦係数推定部としてコンピュータを機能させる、路面滑り摩擦係数推定プログラムであって、
    前記学習用データセットを構成する路面画像は、計測車両に搭載した車載カメラによって撮影されるとともに、前記学習用データセットを構成する路面滑り摩擦係数は、前記計測車両に搭載した路面滑り抵抗計測装置によって計測されており、
    前記計測車両のステアリング角度が所定値以上のときに計測された前記路面滑り摩擦係数は、前記学習用データセットから除外されている、路面滑り摩擦係数推定プログラム。
  11. 様々な路面状態の路面を撮影した単一の路面画像と、前記単一の路面画像の撮影と同時に実測された前記路面の路面滑り摩擦係数とで構成される学習用データセットを用いて機械学習がなされ、入力データとして単一の路面画像を入力すると、出力データとして路面滑り摩擦係数を出力する学習済みモデルを用いて路面滑り摩擦係数を推定する路面滑り摩擦係数推定方法であって、
    撮像手段から単一の路面画像を取得する路面画像取得ステップと、
    前記路面画像取得ステップにおいて取得された単一の路面画像を前記学習済みモデルに入力し、前記学習済みモデルが出力する路面滑り摩擦係数を前記路面の路面滑り摩擦係数として推定する路面滑り摩擦係数推定ステップと、
    を有し、
    前記学習用データセットを構成する路面画像は、計測車両に搭載した車載カメラによって撮影されるとともに、前記学習用データセットを構成する路面滑り摩擦係数は、前記計測車両に搭載した路面滑り抵抗計測装置によって計測されており、
    前記学習用データセットを構成する路面画像は、前記路面滑り摩擦係数が計測される計測箇所の近傍領域を切り出した画像であり、前記近傍領域は、固定された前記車載カメラの画角と、固定された前記路面滑り抵抗計測装置の計測位置とに基づいて、予め固定の領域として設定されている、路面滑り摩擦係数推定方法。
  12. 様々な路面状態の路面を撮影した単一の路面画像と、前記単一の路面画像の撮影と同時に実測された前記路面の路面滑り摩擦係数とで構成される学習用データセットを用いて機械学習がなされ、入力データとして単一の路面画像を入力すると、出力データとして路面滑り摩擦係数を出力する学習済みモデルを用いて路面滑り摩擦係数を推定する路面滑り摩擦係数推定方法であって、
    撮像手段から単一の路面画像を取得する路面画像取得ステップと、
    前記路面画像取得ステップにおいて取得された単一の路面画像を前記学習済みモデルに入力し、前記学習済みモデルが出力する路面滑り摩擦係数を前記路面の路面滑り摩擦係数として推定する路面滑り摩擦係数推定ステップと、
    を有し、
    前記学習用データセットを構成する路面画像は、計測車両に搭載した車載カメラによって撮影されるとともに、前記学習用データセットを構成する路面滑り摩擦係数は、前記計測車両に搭載した路面滑り抵抗計測装置によって計測されており、
    前記計測車両の走行速度が所定値以下のときに計測された前記路面滑り摩擦係数は、前記学習用データセットから除外されている、路面滑り摩擦係数推定方法。
  13. 様々な路面状態の路面を撮影した単一の路面画像と、前記単一の路面画像の撮影と同時に実測された前記路面の路面滑り摩擦係数とで構成される学習用データセットを用いて機械学習がなされ、入力データとして単一の路面画像を入力すると、出力データとして路面滑り摩擦係数を出力する学習済みモデルを用いて路面滑り摩擦係数を推定する路面滑り摩擦係数推定方法であって、
    撮像手段から単一の路面画像を取得する路面画像取得ステップと、
    前記路面画像取得ステップにおいて取得された単一の路面画像を前記学習済みモデルに入力し、前記学習済みモデルが出力する路面滑り摩擦係数を前記路面の路面滑り摩擦係数として推定する路面滑り摩擦係数推定ステップと、
    を有し、
    前記学習用データセットを構成する路面画像は、計測車両に搭載した車載カメラによって撮影されるとともに、前記学習用データセットを構成する路面滑り摩擦係数は、前記計測車両に搭載した路面滑り抵抗計測装置によって計測されており、
    前記計測車両のステアリング角度が所定値以上のときに計測された前記路面滑り摩擦係数は、前記学習用データセットから除外されている、路面滑り摩擦係数推定方法。
JP2020202265A 2020-12-04 2020-12-04 学習済みモデル生成方法、路面滑り摩擦係数推定装置、路面滑り摩擦係数推定プログラムおよび路面滑り摩擦係数推定方法 Active JP7021798B1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020202265A JP7021798B1 (ja) 2020-12-04 2020-12-04 学習済みモデル生成方法、路面滑り摩擦係数推定装置、路面滑り摩擦係数推定プログラムおよび路面滑り摩擦係数推定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020202265A JP7021798B1 (ja) 2020-12-04 2020-12-04 学習済みモデル生成方法、路面滑り摩擦係数推定装置、路面滑り摩擦係数推定プログラムおよび路面滑り摩擦係数推定方法

Publications (2)

Publication Number Publication Date
JP7021798B1 true JP7021798B1 (ja) 2022-02-17
JP2022089676A JP2022089676A (ja) 2022-06-16

Family

ID=80997575

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020202265A Active JP7021798B1 (ja) 2020-12-04 2020-12-04 学習済みモデル生成方法、路面滑り摩擦係数推定装置、路面滑り摩擦係数推定プログラムおよび路面滑り摩擦係数推定方法

Country Status (1)

Country Link
JP (1) JP7021798B1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004191276A (ja) 2002-12-13 2004-07-08 Koito Ind Ltd 路面状態判別装置
JP2014228300A (ja) 2013-05-20 2014-12-08 国立大学法人 東京大学 路面状態推定装置
WO2015045501A1 (ja) 2013-09-27 2015-04-02 日立オートモティブシステムズ株式会社 外界認識装置
US20150251659A1 (en) 2012-12-20 2015-09-10 Continental Teves Ag & Co. Ohg Friction Coefficient Estimation from Camera and Wheel Speed Data
JP6473844B1 (ja) 2018-07-06 2019-02-20 朝日航洋株式会社 ひび割れ検出装置、ひび割れ検出方法およびひび割れ検出プログラム
JP2019196680A (ja) 2018-05-11 2019-11-14 西日本電信電話株式会社 舗装情報収集点検システム、舗装情報収集点検方法、及びプログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11326539A (ja) * 1998-05-22 1999-11-26 Tokimec Inc 路面状態測定装置
US9139204B1 (en) * 2014-06-12 2015-09-22 GM Global Technology Operations LLC Road surface condition detection with recursive adaptive learning and validation

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004191276A (ja) 2002-12-13 2004-07-08 Koito Ind Ltd 路面状態判別装置
US20150251659A1 (en) 2012-12-20 2015-09-10 Continental Teves Ag & Co. Ohg Friction Coefficient Estimation from Camera and Wheel Speed Data
JP2014228300A (ja) 2013-05-20 2014-12-08 国立大学法人 東京大学 路面状態推定装置
WO2015045501A1 (ja) 2013-09-27 2015-04-02 日立オートモティブシステムズ株式会社 外界認識装置
JP2019196680A (ja) 2018-05-11 2019-11-14 西日本電信電話株式会社 舗装情報収集点検システム、舗装情報収集点検方法、及びプログラム
JP6473844B1 (ja) 2018-07-06 2019-02-20 朝日航洋株式会社 ひび割れ検出装置、ひび割れ検出方法およびひび割れ検出プログラム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吉永創，雪氷作業の高度化と効率化に向けた技術開発と情報提供について，第３２回ふゆトピア研究発表会 口頭発表論文，2020年01月24日，pp.121-125
寺崎寛章，国道8号福井県内区間における路線滑り評価に関する位置考察，土木学会第７０回年次学術講演会，2015年09月，V-351

Also Published As

Publication number Publication date
JP2022089676A (ja) 2022-06-16

Similar Documents

Publication Publication Date Title
JP7332726B2 (ja) ヒートマップを使用したドライバーの注目の検出
US8825306B2 (en) Analyzing road surfaces
US11884279B2 (en) System and method for providing vehicle safety distance and speed alerts under slippery road conditions
JP7499256B2 (ja) ドライバの挙動を分類するためのシステムおよび方法
EP2047345B1 (fr) Procede de determination de limites de roulage d'un vehicule
US20150371095A1 (en) Method and Apparatus for Determining a Road Condition
Gallen et al. Supporting drivers in keeping safe speed in adverse weather conditions by mitigating the risk level
CN113119960B (zh) 路滑状况下提供车辆安全距离和速度警示的系统和方法
CN111016921A (zh) 用于确定车辆数据集熟悉度的系统和方法
JP2013537661A (ja) ステレオビジョン技術を使用することによる移動物体の自動検出
US20190250631A1 (en) Methods and apparatus to perform visual odometry using a vehicle camera system
CN110399664B (zh) 一种驾驶速度的确定方法及装置
CN110427026A (zh) 一种轮胎道路摩擦的确定方法及装置
JP7021798B1 (ja) 学習済みモデル生成方法、路面滑り摩擦係数推定装置、路面滑り摩擦係数推定プログラムおよび路面滑り摩擦係数推定方法
FR3051423A1 (fr) Procede de proposition d'une vitesse de roulage
Ødegård et al. Do we need a change in road winter maintenance to accommodate for automated vehicles? A state-of-the-art literature review considering automated vehicle technology’s usage of road infrastructure during winter
CN105021573A (zh) 用于基于跟踪的视距估计的方法和设备
Negru et al. Assisting navigation in homogenous fog
KR102329413B1 (ko) 노면의 휘도를 판별하여 블랙아이스 구간을 판별하는 방법
DE102022104054A1 (de) Die fahrzeugzustandsschätzung verbessernde sensordaten zur fahrzeugsteuerung und zum autonomen fahren
Huber et al. TireEye: Optical On-board Tire Wear Detection
Ali et al. Real-time snowy weather detection based on machine vision and vehicle kinematics: A non-parametric data fusion analysis protocol
Morden et al. Driving in the Rain: A Survey toward Visibility Estimation through Windshields
FR2976091A1 (fr) "procede et dispositif de deconnexion automatique des systemes d'aide a la conduite d'un vehicule en approche d'une barriere de peage"
FR3052727A1 (fr) Procede de determination d'une classe de conduite de reference

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20201207

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20201210

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20210114

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210310

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210426

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210623

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210805

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210820

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20211013

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211101

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: 20220112

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220128

R150 Certificate of patent or registration of utility model

Ref document number: 7021798

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150