JPH08138189A - 路面状態検出装置 - Google Patents

Abstract

(57)【要約】 【目的】 全体としての路面状態の判別精度を向上させ
ることが可能な路面状態検出装置を提供する。 【構成】 車速と１／３オクターブバンド毎に検出され
た特定周波数の音圧値がニューラルネットワークの入力
層の各細胞に入力され、出力層からの出力を実際の路面
状態と比較することによって、特定の路面状態別に用意
したニューラルネットワークが学習される。実際に車両
を走行させ、その車速および特定周波数の音圧値が学習
された特定の路面状態別のニューラルネットワークにそ
れぞれ入力されると、（ａ）のニューラルネットワーク
の出力層からはウェットの度合を示す値（確からしさ）
が出力され、（ｂ）のニューラルネットワークの出力層
からは路面の荒れ具合を示す値（確からしさ）が出力さ
れる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、車両の走行時のロード
ノイズに基づいて路面状態を検出する路面状態検出装置
に関する。

【０００２】

【従来の技術】従来、ロードノイズに基づいて車両が走
行している路面の状態を検出する路面状態検出装置と称
呼されるものが提案されている。かかる路面状態検出装
置として、本出願人は、特願平５−３４００５２号にお
いて、車輪から発生されるロードノイズを検出し、その
検出されたロードノイズの各周波数成分のパターンから
ニューラルネットワークを利用して路面状態を判別する
路面状態検出装置を提案した。

【０００３】

【発明が解決しようとする課題】しかしながら、上記従
来の路面状態検出装置では、１つのニューラルネットワ
ークで全車速領域における全種類の路面状態を判別して
いたために、ニューラルネットワークに入力する周波数
パターンが類似する路面状態間では、その路面状態の判
別を誤ることがあった。このような場合に、判別精度を
向上させるために学習データを変更することがあるが、
変更後の学習データに基づいて路面状態を判別したとき
に、精度向上を狙った部分の精度は向上するものの、そ
れ以外の部分の精度が悪化することが多く、全体として
の精度向上を図ることが困難な場合が多かった。

【０００４】本発明は、上記問題に鑑みてなされたもの
で、全体としての路面状態の判別精度を向上させること
が可能な路面状態検出装置を提供することを目的とす
る。

【０００５】

【課題を解決するための手段】上記目的を達成するため
本発明は、車輪から発生されるロードノイズを検出する
ロードノイズ検出手段と、路面状態を複数の種類に分類
し、該分類した各種類の路面状態毎に専用のニューラル
ネットワークを設け、該専用のニューラルネットワーク
を用いて前記ロードノイズ検出手段から検出されたロー
ドノイズに基づいて路面状態を判別する判別手段とを有
することを特徴とする。

【０００６】また、車輪から発生されるロードノイズを
検出するロードノイズ検出手段と、車速を検出する車速
検出手段と、車速を複数の領域に分類し、各車速領域毎
に専用のニューラルネットワークを設け、前記車速検出
手段から検出された車速に応じて前記専用のニューラル
ネットワークを選択し、そのニューラルネットワークを
用いて前記ロードノイズ検出手段から検出されたロード
ノイズに基づいて路面状態を判別する判別手段とを有す
ることを特徴とする。

【０００７】

【作用】本発明の構成に依れば、判別手段により、分類
された各種類の路面状態毎に専用のニューラルネットワ
ークを用いて検出手段から検出されたロードノイズに基
づいて路面状態が判別される。

【０００８】また、判別手段により、車速検出手段によ
って検出された車速に応じてその車速領域専用のニュー
ラルネットワークが選択され、そのニューラルネットワ
ークを用いてロードノイズ検出手段から検出されたロー
ドノイズに基づいて路面状態が判別される。

【０００９】

【実施例】以下、本発明の実施例を図面に基づいて詳細
に説明する。

【００１０】図１は、本発明に係る路面状態検出装置の
一実施例の概略構成を示すブロック図である。

【００１１】同図中、１は、ロードノイズを検出するロ
ードノイズ検出手段であり、本実施例ではマイクロフォ
ンにより構成されている。ロードノイズ検出手段１の出
力側は、該ロードノイズ検出手段１により検出されたロ
ードノイズを増幅する増幅器２および該増幅器２により
増幅されたロードノイズの周波数を分析するためのフィ
ルタ３を介して、詳細は後述するが、ニューラルネット
ワークを用いることにより路面状態を判定する判定部４
の一入力側に接続され、該判定部４の他の入力側には、
車両の速度を検出する車速検出手段５の出力側が接続さ
れている。判定部４は、これら入力された２つの信号に
応じて路面状態を判定し、その判定結果を、それぞれ警
報装置および運動制御装置（ともに図示せず）に出力す
る。

【００１２】図２は、前記ロードノイズ検出手段１およ
び車速検出手段５の配設位置を説明する図である。

【００１３】同図において、車両Ｃは前置エンジン車で
あるものとし、マイクロフォンであるロードノイズ検出
手段１は、エンジン騒音の影響が少ない左右の後輪のホ
イールハウス内部の少なくとも一方に、石や水が直接当
たらないように配設され、車速検出手段５は、後輪ホイ
ール内の所定位置に左右の少なくとも一方に配設されて
いる。ここで、車速検出手段５は、車輪速度に応じた電
気的なパルス信号を発生する。

【００１４】次に、判定部４が行う判定方法を、図３〜
図５に基づいて説明する。

【００１５】図３は、本実施例において使用されるニュ
ーラルネットワークモデルを示す図であり、（ａ）は、
路面のウェット（ＷＥＴ）の度合を判別するためだけに
用いるニューラルネットワークモデルを示し、（ｂ）
は、路面の荒れ具合を判別するためだけに用いるニュー
ラルネットワークモデルを示している。

【００１６】図３に示すように、本実施例では、ニュー
ラルネットワークモデルとして、入力層、中間層、出力
層の３層構造を有するものを用い、その学習アルゴリズ
ムとして、バックプロパゲーション（Back-Propagatio
n；以下「ＢＰ」という）学習アルゴリズム（このＢＰ
学習アルゴリズムの詳細については、特願平５ー３４０
０５２号の明細書を参照）を採用している。入力層の各
細胞に入力される情報は、車速と１／３オクターブバン
ド毎に検出された特定周波数の音圧値であり、これらの
情報は、結合行列により重み付けされ、中間層の各細胞
に入力される。中間層では、例えばシグモイド関数によ
り各細胞毎にその出力が決定され、入力層から中間層へ
の処理と同様に、結合行列により重み付けされた出力
が、１つの出力層に入力される。そして、出力層では、
前記中間層での処理と同様にしてシグモイド関数により
最終的な出力が決定される。出力層から出力される値
は、シグモイド関数の値であるために、０〜１の範囲の
いずれかの値になる。即ち、出力層からは、「確からし
さ」を出力していることになる。

【００１７】（ａ）では、この「確からしさ」の大きさ
により、路面のウェットの度合を判別する。例えば、出
力層からの出力が“０”のときには全くの乾燥路である
と判別し、出力層からの出力が“１”に近づくに従って
ウェットの程度が大きくなるというように判別する。な
お、これとは逆に、出力層からの出力が“０”のときに
はウェット路であると判別し、出力層からの出力が
“１”に近づくに従って乾燥の程度が大きくなるという
ように判別するようにしてもよい。

【００１８】（ｂ）のニューラルネットワークモデルに
おける判別方法も上記（ａ）のニューラルネットワーク
モデルにおける判別方法と同様であり、両者のニューラ
ルネットワーク間で異なる点は、下位の出力層と上位の
出力層とを結び付ける結合行列の値および出力層から出
力される値の解釈であり、例えば、出力層からの出力が
“０”のときには路面が非常に滑らかであると判別し、
出力層からの出力が“１”に近づくに従って路面の凹凸
の程度が激しくなるというように判別する。

【００１９】図４は、前記図３のニューラルネットワー
クに学習させる方法を説明するための図であり、学習の
目標は、第１層（入力層）にある入力が与えられたとき
に、第３層（出力層）の出力を、現在走行中の路面状態
（図３（ａ）のニューラルネットワークを用いたときに
は現在の路面のウェットの度合であり、図３（ｂ）のニ
ューラルネットワークを用いたときには現在の路面の荒
れ具合である）の確からしさに一致させることである。
具体的には、図４に示すように、車輪からのロードノイ
ズを前記ロードノイズ検出手段１によりデータサンプリ
ングし、そのサンプリングされたデータを周波数分析し
た後に、図３で説明したように車速データとともに入力
層へ入力させる。そして、現在の路面状態と出力層から
の最終出力（確からしさ）による路面状態とが一致する
ように、前記結合行列の各要素（重み）を決定する。

【００２０】以上説明したように、本実施例に依れば、
路面のウェットの度合を判別するためにだけ用いるニュ
ーラルネットワークと路面の荒れ具合を判別するために
だけ用いるニューラルネットワークとを別々に設けたの
で、それぞれの路面に対する判定精度が向上するととも
に、判別精度の悪い路面に対するニューラルネットワー
クを再学習させることにより判別精度を向上させたとし
ても、他のニューラルネットワークへの影響を生じない
ために、路面状態検出装置全体としての開発が容易にな
る。

【００２１】上述の例では、ニューラルネットワーク
を、路面のウェット度合判別用と路面の荒れ具合判別用
とに２つ設けたが、これに限らず、例えば路面のウェッ
トの度合が大きい領域と小さい領域および／または路面
の荒れ具合の大きい領域、小さい領域にそれぞれニュー
ラルネットワークを設けてもよい。

【００２２】さらに、１つのニューラルネットワークで
判定するパターンが少なくなるために、小規模なニュー
ラルネットワークを用いることができ、判別処理の速度
を向上させることができる。

【００２３】図５は、本発明の他の実施例に係る路面状
態検出装置が用いるニューラルネットワークモデルを示
す図であり、本実施例は、前記実施例に対して、車速別
にニューラルネットワークを設け、出力層から路面状態
のタイプＴＹＰＥｎ，ｎ＝１，２，…の確からしさを出
力する点が異なっているのみである。即ち、車速を複数
の領域に分類してそれぞれの車速領域にニューラルネッ
トワークを設けたものである。その他の構成は上記実施
例と同様であるので、詳細な説明を省略する。

【００２４】本実施例では車速に対してニューラルネッ
トワークをいくつ用意すればよいか問題である。即ち、
あまり多くすると、ニューラルネットワークを記憶する
容量が増加するために、容量の大きな記憶手段を用いな
ければならず、コストが増大する。

【００２５】本実施例では、図５に示すように、１０ｋ
ｍ／ｈ毎に専用のニューラルネットワークを構成し、例
えば、車速が１５〜２５ｋｍ／ｈ内にあるときには２０
Ｋｍ／ｈのニューラルネットワークを用い、車速が２５
〜３５ｋｍ／ｈ内にあるときには３０ｋｍ／ｈのニュー
ラルネットワークを用いるというようにしている。な
お、ニューラルネットワークの構成の仕方は、これに限
る必要はないことは云うまでもなく、車速領域も自由に
区切ればよい。

【００２６】

【発明の効果】以上説明したように、本発明に依れば、
判別手段により、分類された各種類の路面状態毎に専用
のニューラルネットワークを用いて検出手段から検出さ
れたロードノイズに基づいて路面状態が判別され、ま
た、判別手段により、車速検出手段によって検出された
車速に応じてその車速領域専用のニューラルネットワー
クが選択され、そのニューラルネットワークを用いてロ
ードノイズ検出手段から検出されたロードノイズに基づ
いて路面状態が判別されるので、全体としての路面状態
の判別精度を向上させることが可能となる効果を奏す
る。

【図面の簡単な説明】

【図１】本発明に係る路面状態検出装置の一実施例の概
略構成を示すブロック図である。

【図２】図１のロードノイズ検出手段および車速検出手
段の配設位置を説明する図である。

【図３】本実施例において使用されるニューラルネット
ワークモデルを示す図である。

【図４】図３のニューラルネットワークに学習させる方
法を説明するための図である。

【図５】本発明の他の実施例に係る路面状態検出装置が
用いるニューラルネットワークモデルを示す図である。

【符号の説明】

１ ロードノイズ検出手段（検出手段、第１の検出手
段） ４ 判別部（判別手段） ５ 車速検出手段（第２の検出手段）

フロントページの続き (72)発明者 板垣 温 埼玉県和光市中央１丁目４番１号 株式会 社本田技術研究所内 (72)発明者 窪谷 英樹 埼玉県和光市中央１丁目４番１号 株式会 社本田技術研究所内

Claims (2)

【特許請求の範囲】
1. 【請求項１】 車輪から発生されるロードノイズを検出
   するロードノイズ検出手段と、 路面状態を複数の種類に分類し、該分類した各種類の路
   面状態毎に専用のニューラルネットワークを設け、該専
   用のニューラルネットワークを用いて前記ロードノイズ
   検出手段から検出されたロードノイズに基づいて路面状
   態を判別する判別手段とを有することを特徴とする路面
   状態検出装置。
2. 【請求項２】 車輪から発生されるロードノイズを検出
   するロードノイズ検出手段と、 車速を検出する車速検出手段と、 車速を複数の領域に分類し、各車速領域毎に専用のニュ
   ーラルネットワークを設け、前記車速検出手段から検出
   された車速に応じて前記専用のニューラルネットワーク
   を選択し、そのニューラルネットワークを用いて前記ロ
   ードノイズ検出手段から検出されたロードノイズに基づ
   いて路面状態を判別する判別手段とを有することを特徴
   とする路面状態検出装置。