WO2016088548A1 - 路面状態判別方法 - Google Patents

路面状態判別方法 Download PDF

Info

Publication number
WO2016088548A1
WO2016088548A1 PCT/JP2015/082236 JP2015082236W WO2016088548A1 WO 2016088548 A1 WO2016088548 A1 WO 2016088548A1 JP 2015082236 W JP2015082236 W JP 2015082236W WO 2016088548 A1 WO2016088548 A1 WO 2016088548A1
Authority
WO
WIPO (PCT)
Prior art keywords
road surface
tire
feature vector
time
series waveform
Prior art date
Application number
PCT/JP2015/082236
Other languages
English (en)
French (fr)
Inventor
嵩人 後藤
泰史 花塚
Original Assignee
株式会社ブリヂストン
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 株式会社ブリヂストン filed Critical 株式会社ブリヂストン
Priority to EP15864328.8A priority Critical patent/EP3228515B1/en
Priority to US15/532,572 priority patent/US10525777B2/en
Priority to CN201580073950.XA priority patent/CN107207009B/zh
Publication of WO2016088548A1 publication Critical patent/WO2016088548A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
    • B60C11/00—Tyre tread bands; Tread patterns; Anti-skid inserts
    • B60C11/24—Wear-indicating arrangements
    • B60C11/246—Tread wear monitoring systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
    • B60C19/00—Tyre parts or constructions not otherwise provided for
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
    • B60C23/00—Devices for measuring, signalling, controlling, or distributing tyre pressure or temperature, specially adapted for mounting on vehicles; Arrangement of tyre inflating devices on vehicles, e.g. of pumps or of tanks; Tyre cooling arrangements
    • B60C23/06—Signalling devices actuated by deformation of the tyre, e.g. tyre mounted deformation sensors or indirect determination of tyre deformation based on wheel speed, wheel-centre to ground distance or inclination of wheel axle
    • B60C23/064—Signalling devices actuated by deformation of the tyre, e.g. tyre mounted deformation sensors or indirect determination of tyre deformation based on wheel speed, wheel-centre to ground distance or inclination of wheel axle comprising tyre mounted deformation sensors, e.g. to determine road contact area
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
    • B60T8/17—Using electrical or electronic regulation means to control braking
    • B60T8/172—Determining control parameters used in the regulation, e.g. by calculations involving measured or detected parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B60W40/064—Degree of grip
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B60W40/068—Road friction coefficient
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
    • B60C19/00—Tyre parts or constructions not otherwise provided for
    • B60C2019/004—Tyre sensors other than for detecting tyre pressure
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T2210/00—Detection or estimation of road or environment conditions; Detection or estimation of road shapes
    • B60T2210/10—Detection or estimation of road conditions
    • B60T2210/12—Friction
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure

Definitions

  • the present invention relates to a method for determining the state of a road surface on which a vehicle travels, and more particularly to a method for determining a road surface state using only time-series waveform data of tire vibration during traveling.
  • the present invention has been made in view of conventional problems, and it is an object of the present invention to improve calculation speed and further improve road surface state determination accuracy by performing appropriate path restriction.
  • One aspect of the present invention is a method for detecting the vibration of a running tire using vibration detection means provided in the tire and determining the state of a road surface in contact with the tire.
  • each of the route elements calculated from one of the calculated feature vectors for each time width and one of the road surface feature vectors is calculated in the step (e).
  • step (f) Based on the weighting parameter ⁇ using the time series waveform length corresponding value N in the time series waveform of the tire vibration extracted in b) and the time series waveform length corresponding value M in the time series waveform of the tire vibration obtained in advance. After the weighting, the kernel function is calculated, and in step (f), the value of the identification function obtained for each road surface condition is compared. And determining the road surface condition.
  • time series waveform length corresponding value in the time series waveform of tire vibration is the time length of one round of the tire in the time series waveform of tire vibration or the tire This refers to a physical quantity corresponding to the time length of one round of the tire, such as the time interval between the peak on the stepping side and the peak on the kicking side in the time series waveform of vibration.
  • FIG. 1 is a functional block diagram illustrating a configuration of the road surface state determination device 10.
  • the road surface state determination device 10 includes an acceleration sensor 11 as a tire vibration detection unit, a vibration waveform extraction unit 12, a windowing unit 13, a feature vector calculation unit 14, a storage unit 15, a kernel function calculation unit 16, and a road surface.
  • Each means of the vibration waveform extracting means 12 to the road surface condition judging means 17 is composed of, for example, computer software and a memory such as a RAM.
  • the acceleration sensor 11 is integrally arranged at a substantially central portion of the inner liner portion 21 of the tire 20 on the tire air chamber 22 side, and detects vibration of the tire 20 due to input from the road surface.
  • the tire vibration signal which is the output of the acceleration sensor 11, is amplified by an amplifier, for example, and then converted into a digital signal and sent to the vibration waveform extraction means 12.
  • the vibration waveform extracting means 12 extracts a time series waveform of tire vibration from the tire vibration signal detected by the acceleration sensor 11 for each rotation of the tire.
  • FIG. 3 is a diagram showing an example of a time series waveform of the tire vibration.
  • the time series waveform of the tire vibration has large peaks in the vicinity of the stepping position and the kicking position, and the land portion of the tire 20 is grounded.
  • the vibration varies depending on the road surface state both in the region before the ground contact surface region R t (pre-depression region R f ) and in the region after the ground contact surface region R t (post-kick region R k ). Appears.
  • the region before the stepping-in region Rf and the region after the kicking-out region Rk are hardly affected by the road surface, so the vibration level is small and the road surface information is not included.
  • the pre-depression region R f , the contact surface region R t , and the post-kicking region R k are the road surface region
  • the pre-depression region R f and the post-kicking region R k are the non-road region. That's it.
  • the windowing means 13 windows the extracted time series waveform with a preset time width (also referred to as time window width) T, and generates a time series waveform of tire vibration for each time window. Extracted and sent to the feature vector calculation means 14.
  • the time series waveforms of tire vibration extracted for each time window the time series waveform in the area outside the road surface does not include road surface information as described above, so in this example, the calculation speed of the kernel function is increased. For this reason, the time series waveform in the area outside the road surface is not sent to the feature vector calculation means 14.
  • a background level may be set for a time series waveform of tire vibration, and an area having a vibration level smaller than the background level may be set as an out-of-road area.
  • tire vibration time series waveforms were obtained as feature vectors X i by passing through 0-1 kHz, 1-2 kHz, 2-3 kHz, 3-4 kHz, and 4-5 kHz bandpass filters, respectively.
  • FIG. 5 is a schematic diagram showing the input space of the feature vector X i , where each axis represents a vibration level a ik in a specific frequency band, which is a feature quantity, and each point represents a feature vector X i . Since the actual input space has five specific frequency bands, it becomes a six-dimensional space when combined with the time axis, but the figure is represented in two dimensions (the horizontal axis is a 1 and the vertical axis is a 2 ).
  • the feature vector X ′ i calculated when the vehicle is traveling on the SNOW road and the group C from the feature vector X i calculated when the vehicle is traveling on the DRY road surface can be distinguished from the group C ′, it can be determined whether the vehicle is traveling on the DRY road surface or the SNOW road surface.
  • the storage means 15 represents the separated hyperplanes obtained in advance for 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 other road surfaces.
  • Four road surface models to be separated by the discriminant function f (x) are stored.
  • the road surface model is calculated from the time series waveforms of tire vibrations obtained by running a test vehicle equipped with a tire with an acceleration sensor on the tire at various speeds on the DRY, WET, SNOW, and ICE road surfaces.
  • the road surface feature vector Y ASV (y jk ) which is a feature vector for each time window, is obtained by learning as input data.
  • the tire size used for learning may be one type or a plurality of types.
  • the subscript A of the road surface feature vector Y ASV indicates DRY, WET, SNOW, and ICE.
  • SV is an abbreviation for support vector and represents data in the vicinity of an identification boundary selected by learning.
  • the road surface feature vector Y ASV (y jk ) is simply referred to as Y ASV .
  • the method of calculating the respective road feature vector Y ASV is the same as the feature vector X i described above, for example, if DRY road feature vector Y DSV, windows the time-series waveform of tire vibration at the time width T when traveling along DRY road 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 each time window. Note that the number of dimensions of the vector y i of the DRY road surface feature vector Y D is five dimensions, similar to the feature vector X i . Thereafter, the support vector Y DSV is selected by learning Y D using the support vector machine (SVM) as learning data.
  • SVM support vector machine
  • the WET road surface feature vector Y WSV , SNOW road surface feature vector Y SSV , and ICE road surface feature vector Y ISV can be obtained in the same manner as the DRY road surface feature vector Y DSV .
  • it is important that the time width T is 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 varies depending on the tire type and the vehicle speed.
  • 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 .
  • FIG. 6 is a conceptual diagram showing the DRY road surface feature vector Y DSV and the road surface feature vector Y nDSV other than the DRY road surface on the input space, where the black circle is the DRY road surface and the white circle is the road surface feature vector other than the DRY road surface. is there.
  • both the DRY road surface feature vector and the road surface feature vector other than the DRY road surface are matrices.
  • FIG. 6 illustrates other than the DRY road surface feature vector and the DRY road surface.
  • the road surface feature vectors are shown as two-dimensional vectors. Group separation boundaries are generally not linearly separable.
  • the road surface feature vectors Y DSV and Y nDSV are mapped to a high-dimensional feature space by a non-linear mapping ⁇ and linearly separated to obtain the road surface feature vectors Y DSV and Y nDSV in the original input space.
  • the data is road surface feature vectors Y Dj and Y nDj
  • It is data.
  • w is a weighting factor
  • b is a constant
  • the optimization problem is replaced by the following equations (1) and (2).
  • ⁇ and ⁇ are indices of a plurality of learning data.
  • ⁇ is a Lagrange multiplier, and ⁇ > 0.
  • ⁇ (x ⁇ ) ⁇ (x ⁇ ) is an inner product after mapping x ⁇ and x ⁇ to a high-dimensional space by mapping ⁇ .
  • the Lagrange multiplier ⁇ 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).
  • SMO Simple Minimal Optimization
  • a global alignment kernel function (GA kernel) is used as the kernel function K (x ⁇ , x ⁇ ).
  • Two time series having different time lengths can be directly compared with each other using a function composed of a sum or a sum of local kernels ⁇ (x i , y j ) indicating similarity.
  • the local kernel ⁇ (x i , y j ) is obtained for each window having a time width T.
  • the GA kernel K GA (X, Y) the sum or product of the local kernels ⁇ (x i , y j ) is performed for all possible alignments A (x, y).
  • the GA kernel K GA (X, Y) is calculated for each path only for ⁇ (x ⁇ 1 (s) , y ⁇ 2 (s) ) that is a path element.
  • path (route element) the position ( ⁇ 1 (s), ⁇ 2 (s)) of N ⁇ M grids composed of (x i , y j ) is referred to as “path (route element)”.
  • the tire vibrations obtained in advance with respect to the local kernel ⁇ (x ⁇ 1 (s) , y ⁇ 2 (s) ) are calculated .
  • the GA kernel K GA (X, Y) is calculated.
  • the weighting parameter ⁇ (i, j) is the time series total number (number of windows) N of X (here, R road surface) N and Y (here, other than R road surface).
  • / ⁇ T p (N + M) ⁇ exceeds a preset threshold value S, ⁇ (i, j) 1 ⁇
  • / ⁇ T p (N + M) ⁇ is equal to or less than the threshold value S, ⁇ (i, j) 0.
  • the weighting parameter ⁇ (i, j) is a time series waveform such as the tire rotation speed at the time of tire vibration time series waveform acquisition, the length of the tire vibration time series waveform, or the peak-to-peak distance of the tire vibration time series waveform. Depends on the length correspondence value.
  • the weighting parameter ⁇ (i, j) is set to a value that depends on the time series waveform length correspondence value, the number N of time series waveforms in the time window when the feature vector X i is obtained, and the road surface Similarity between feature vectors X i and Y Aj (or between X i and Y nAj ) when the number M of time-series waveforms in the time window when the feature vector Y Aj (or Y nAj ) is obtained (or between X i and Y nAj )
  • the accuracy of a weighted local kernel ⁇ ′ ( x ⁇ 1 (s) , y ⁇ 2 (s) ) described later can be improved.
  • the time series waveform length corresponding value is any one or more of the tire rotation speed at the time of tire vibration time series waveform acquisition, the length of the tire vibration time series waveform, and the peak-to-peak distance of the tire vibration time series waveform. It may be a calculated value. As shown in FIG. 8A, the calculation region width T p is surrounded by two straight lines l 1 and l 2 parallel to the straight line l 0 connecting the path (1, 1) and the path (M, N). The width of the specified area can be set arbitrarily.
  • the straight line l 0 can be expressed as follows , assuming that the lower left of the path (1, 1) is the origin, the direction of the arrangement of y ⁇ 2 (s) is the ⁇ axis, and the direction of the arrangement of x ⁇ 1 (s) is the ⁇ axis. N) ⁇ ⁇ .
  • Equation (6) is a formula for calculating the weighted local kernel ⁇ ′ (x ⁇ 1 (s) , y ⁇ 2 (s) ).
  • the weighting parameter ⁇ (i, j) is 1 ⁇
  • the calculation region width T p may be omitted.
  • the weighting parameter ⁇ (i, j) may be set using only the calculation region width T p .
  • ⁇ ′′ (i, j) ⁇ (i, j) ⁇ ⁇ (i, j) may be used as a weighted local kernel.
  • a margin with respect to the discriminant function f (x) that is a separation hyperplane that separates the DRY road surface feature vector Y Dj and the road surface feature vector Y nDj other than the DRY road surface Therefore, it is possible to accurately distinguish the DRY road surface and the road surface other than the DRY road surface.
  • the DRY road surface feature vectors Y Dj are all in the region of f (x) ⁇ + 1, and the road surface feature vectors Y nDj other than the DRY road surface are in the region of f (x) ⁇ ⁇ 1.
  • a Y DSV and the Y nDSV generally there exist a plurality. The same applies to a WET model that distinguishes a WET road surface from other road surfaces, a SNOW model that distinguishes a SNOW road surface from other road surfaces, and an ICE model that distinguishes an ICE road surface from other road surfaces.
  • the weighting parameter calculation unit 161 uses the above equation (4) from the number N of time windows of the feature vector X i , the number M of time windows of the road surface feature vector Y Aj , and a preset calculation area width T p. Thus, the weighting parameter ⁇ (i, j) in the path (i, j) is calculated.
  • the kernel function calculating unit 162 uses the local kernel ⁇ (x ⁇ 1 (s) , y ⁇ 2 ( ) where x ⁇ 1 (s) is a feature vector X i and y ⁇ 2 (s) is a road surface feature vector Y Aj , Y nAj.
  • the weighted local kernel ⁇ ′ ( x ⁇ 1 (s) , y ⁇ 2 (s) ) is calculated and weighted.
  • a sum or a sum of weighted local kernels ⁇ ′ (x ⁇ 1 (s) , y ⁇ 2 (s) ) is obtained,
  • the GA kernel function K R (X, Y) on the R road surface.
  • FIG. 9 is a diagram showing an example of path restriction by the weighting parameter ⁇ (i, j).
  • ⁇ (i, j) 0 in the black portion, and ⁇ (i, j) increases as the path becomes brighter.
  • the black paths in the figure which are noise paths that do not contribute to the similarity determination, are not used in the calculation, and only the paths with high similarity where the positions of the two time series waveforms are almost the same are used. since so as to obtain a kernel function K R (X, Y) Te, thereby improving the reliability of the kernel function K R (X, Y).
  • the weighting parameter ⁇ (i, j) is a value that depends on the number of time windows M and N.
  • Such weighting includes the number N of time-series waveforms in the time window when the feature vector X i is obtained, and the number M of time-series waveforms in the time window when the road surface feature vector Y Aj (or Y nAj ) is obtained. This is particularly effective when the values are different.
  • the road surface state discriminating means 17 discriminates the road surface state based on the values of the four discriminant 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).
  • f D is an identification function for identifying the DRY road surface and other road surfaces
  • f W is an identification function for identifying the WET road surface and other road surfaces
  • f S is an identification function for identifying the SNOW road surface and other road surfaces
  • f I I an identification function for discriminating between the ICE road surface and other road surfaces.
  • 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
  • N ISV is the number of support vectors of the ICE model.
  • a value such as a Lagrange multiplier ⁇ D of the discriminant function is obtained by learning when obtaining an discriminant function for discriminating between the R road surface and other road surfaces.
  • 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 that shows the largest value of the calculated discriminant function f A.
  • step S10 tire vibration generated by an input from the road surface on which the tire 20 is traveling is detected by the acceleration sensor 11 (step S10), and a time series waveform of the tire vibration is extracted from the detected tire vibration signal (step S11). ). Then, the extracted time series waveform of the tire vibration is windowed with a preset time width T to obtain the time series waveform of the tire vibration for each time window.
  • the number of time-series waveforms of tire vibration for each time window is M (step S12).
  • feature vectors X i (x i1 , x i 2 , x i3 , x i4 , x i5 ) are calculated for each of the extracted time-series waveforms of each time window (step S13).
  • a local kernel ⁇ (x ⁇ 1 (s) , y ⁇ 2 (s) ) is calculated from the calculated feature vector X i and the road surface model support vector Y Ak recorded in the storage means 15.
  • the weighting parameter ⁇ (i, j) is calculated (step S14).
  • the weighted local kernel ⁇ ′ (x ⁇ 1 (s) , y ⁇ 2 (s) ) is calculated (step S15), and then the sum or sum of the weighted local kernels ⁇ ′ (x ⁇ 1 (s) , y ⁇ 2 (s) ) is obtained, and this is calculated as the GA kernel function K R of the R road surface.
  • (X, Y) is set (step S16).
  • step S17 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 S17). Thereafter, the value of the discriminant function f A (x) calculated is compared, and the road surface state of the discriminant function showing the largest value is determined as the road surface state of the road surface on which the tire 20 is traveling (step S18).
  • the weighting parameter ⁇ (i, j) in the path (i, j) is calculated from the preset calculation area width T p, and the weighting parameter ⁇ (i, j) and the local kernel ⁇ (x ⁇ 1 (s) , Y ⁇ 2 (s) ), the weighted local kernel ⁇ ′ (x ⁇ 1 (s) , y ⁇ 2 (s) ) is calculated, and only the path whose weighting parameter ⁇ (i, j) is not 0 is calculated.
  • the sum or sum of the weighted local kernels ⁇ ′ (x ⁇ 1 (s) , y ⁇ 2 (s) ) is obtained, and this is used as the GA kernel function K R (X, Y) on the R road surface. Since, with the calculation speed can be greatly improved, reliability of the kernel function K R (X, Y) It is possible to improve the.
  • the weighting parameter ⁇ (i, j) corresponds to the time series waveform length corresponding value N in the time series waveform of the tire vibration at the time of measurement and the time series waveform length in the time series waveform of the tire vibration obtained in advance. Since the value depends on the value M, the reliability of the local kernel ⁇ ′ (x ⁇ 1 (s) , y ⁇ 2 (si ) can be increased.
  • the path (i, j) is weighted based on the time series waveform length correspondence values M and N, but the path may be limited only by the calculation region width T p .
  • the path may be limited only by the calculation region width T p .
  • the weighting parameter ⁇ (p, q) of the path (p, q) in the region R surrounded by ⁇ ⁇ c) is set to “1”, and the path (p ′, q ′) outside the region R ) Weighting parameter ⁇ (p ′, q ′) may be set to “0”.
  • the path restriction may be performed by using the depression side peak and the kicking side peak of the tire vibration waveform. Specifically includes as shown in FIG.
  • a path (3,7) corresponding to the road surface feature vector y 7 comprising a leading side peak feature vector x 3 including the leading side peak, the trailing side peak a path (5,10) corresponding to the road surface feature vector y 10 including trailing side peak and a feature vector x 5, as essential relay point of the route, (x i, y j) 16 ⁇ consist 8
  • a rectangular region R1 having a line connecting the start point (1,1) and the path (3,7) as a diagonal line, and a line connecting the path (3,7) and the path (5,10) as a diagonal line
  • the kernel function may be calculated only in the three regions of the rectangular region R2 to be performed and the rectangular region R3 whose diagonal is a line connecting the path (5, 10) and the end point (8, 16).
  • the time-series waveform length corresponding value M may perform the path limits and calculated area width T p only by path limitation based on N.
  • the tire vibration detection means was the acceleration sensor 11, you may use other vibration detection means, such as a pressure sensor.
  • the acceleration sensor 11 may be installed one by one at a position separated from the center in the tire width direction by a predetermined distance in the width direction. Further, the number of acceleration sensors 11 is not limited to one, and may be provided at a plurality of locations in the tire circumferential direction.
  • the feature vector X i is the power value x ik of the filtered filter wave, but time-varying dispersion of the power value x ik of the filtered filter wave may be used.
  • the time-varying variance can be expressed as log [x ik (t) 2 + x ik (t-1) 2 ].
  • the feature vector X i may be a Fourier coefficient or a cepstrum coefficient that is a vibration level in a specific frequency band when the tire vibration time-series waveform is Fourier transformed.
  • the cepstrum is obtained by considering the waveform after Fourier transform as a spectrum waveform and Fourier transform again, or by obtaining the AR coefficient by considering the AR spectrum as a waveform (LPC Cepstrum). Since the shape of the spectrum can be characterized without being affected, the discrimination accuracy is improved as compared with the case where the frequency spectrum obtained by Fourier transform is used.
  • the feature vector X i is the power value of the filtered wave of the time series waveform of the tire vibration, its time-varying variance, or the cepstrum coefficient, but each element a ik of the feature vector X i If the calculated value calculated from the tire wear amount is a new feature vector X Mi , it is possible to accurately determine the road surface state even when there is tire wear. As shown in FIGS. 13A to 13C, each element a ik of the feature vector X i changes as the wear progresses. In each figure, the horizontal axis represents the wear amount [mm], and the vertical axis represents the vibration level [index] in each frequency band.
  • each element of the support vectors Y ASV and Y nASV of each model has a value obtained by approximating a change in vibration level by a quadratic expression, like the feature vector X Mi.
  • the amount of tire wear may be added to the element a ik of the feature vector X i .
  • tires having a plurality of wear levels are prepared in advance, tire vibration is measured in each road surface state, and an identification function may be obtained from the obtained tire vibration data by a mechanical learning method such as SVM.
  • the mechanical learning method may use a Fisher discrimination least square method or the like.
  • the road surface state can be determined in consideration of tire wear.
  • the GA kernel is used as the kernel function.
  • a dynamic time warping kernel function (DTW kernel) as shown in the following formula (11) or formula (12) may be used.
  • ⁇ is a path
  • a (x i , x j ) is all possible paths.
  • the DTW kernel K ′ (X, Y) is the local kernel ⁇ ij (X i , Y j ).
  • Kernel function is calculated from time series waveforms of tire vibrations obtained by running a vehicle equipped with tires with an acceleration sensor on DRY, WET, SNOW, and ICE at 30 to 90 km / h. Then, the road surface condition was determined using the model learned by the SVM model, and the calculation speed was measured for two points of 30 km / h and 90 km / h. The results at 30 km / h and 90 km / h are shown in Table 1 below.
  • the SVM model consists of four models that discriminate between DRY and others, WET and others, SNOW and others, ICE and others, and input test data other than those used for learning to each model.
  • the road surface state of the model having the highest SVM score was defined as the road surface state on which the vehicle is traveling.
  • the test vehicle is a front-wheel drive vehicle with a tire size of 165 / 70R14.
  • the tire tread pattern was BLIZZK REV02 (Bridgestone).
  • the data for learning was assigned 2/3 of all data, and the remaining 1/3 was used as data for accuracy calculation.
  • the calculation speed is calculated by dividing the calculation time by the tire rotation speed.
  • the calculation environment is OS: Windows (registered trademark) 7 Professonal SP1, CPU: Intel (R) Core i7-3540M, RAM: 16 GB.
  • OS Windows (registered trademark) 7 Professonal SP1
  • CPU Intel (R) Core i7-3540M
  • RAM 16 GB.
  • Acceleration sensors are attached to multiple tires (new, 1mm wear, 3mm wear, 5mm wear) with different amounts of wear, and vehicles equipped with these tires are each DRY, WET, SNOW, and ICE road surfaces.
  • Table 2 below shows the result of calculating the kernel function from the time series waveform of the tire vibration obtained by running each at 30 to 90 km / h and determining the road surface condition using the model learned by the SVM model.
  • a feature vector X is constructed from the power value of the bandpass filter filtered wave and the amount of wear, and the road surface state is determined using a model learned by SVM.
  • the second embodiment changes as wear progresses.
  • the road surface state is discriminated using a model learned by SVM, with the power value of the filtered wave of the band-pass filter converted into a new product by an approximate expression obtained in advance as a feature vector X.
  • the SVM model consists of four models that discriminate between DRY and others, WET and others, SNOW and others, ICE and others, and input test data other than those used for learning to each model.
  • the road surface state of the model having the highest SVM score was defined as the road surface state on which the vehicle is traveling.
  • the test vehicle is a front-wheel drive vehicle with a tire size of 165 / 70R14.
  • the tire tread pattern was BLIZZK REV02 (Bridgestone).
  • the data for learning was assigned 2/3 of all data, and the remaining 1/3 was used as data for accuracy calculation.
  • Table 2 in the conventional method, the correct answer rate decreases with the progress of wear, whereas in Examples 1 and 2 in which the amount of wear is taken into account, even if the tire has progressed, it is almost 90%. A high percentage of correct answers was obtained. As a result, it was confirmed that by applying the present invention, it is possible to accurately determine the road surface state even when tire wear progresses.
  • One aspect of the present invention is a method for detecting the vibration of a running tire using vibration detection means provided in the tire and determining the state of a road surface in contact with the tire.
  • each of the route elements calculated from one of the calculated feature vectors for each time width and one of the road surface feature vectors is calculated in the step (e).
  • step (f) Based on the weighting parameter ⁇ using the time series waveform length corresponding value N in the time series waveform of the tire vibration extracted in b) and the time series waveform length corresponding value M in the time series waveform of the tire vibration obtained in advance. After the weighting, the kernel function is calculated, and in step (f), the value of the identification function obtained for each road surface condition is compared. And determining the road surface condition.
  • time series waveform length corresponding value in the time series waveform of tire vibration is the time length of one round of the tire in the time series waveform of tire vibration or the tire This refers to a physical quantity corresponding to the time length of one round of the tire, such as the time interval between the peak on the stepping side and the peak on the kicking side in the time series waveform of vibration.
  • the road surface state determination accuracy can be improved and the calculation speed can be increased, so that the road surface state can be determined in real time.
  • the weighting parameter ⁇ using the time series waveform length correspondence values N and M is used, even when the total number of feature vectors for each time width and the total number of road surface feature vectors are different, Since the weighting of the route element can be optimized, the road surface state determination accuracy can be improved.
  • the feature vector X i the vibration level of the specific frequency band of the time series waveform for each time window extracted by applying the window function, the time-varying variance of the vibration level of the specific frequency band, and the time Any one, a plurality, or all of the cepstrum coefficients of the series waveform may be mentioned.
  • the vibration level of the specific frequency band is a bandpass of a frequency spectrum of a time series waveform for each time window extracted by applying the window function or a time series waveform for each time window extracted by applying the window function.
  • the specific frequency band is obtained from the time series waveform for each time window obtained by extracting the time series waveform of the tire vibration by applying a window function to the time series waveform obtained through the band pass filter.
  • the vibration level may be obtained.
  • time series waveform length correspondence values M and N are parameters corresponding to the total number of feature vectors for each time width, the length of the tire vibration time series waveform, the tire rotation speed at the time of tire vibration time series waveform acquisition, One or more of the peak-to-peak distances of the tire vibration time series waveform, or the length of the tire vibration time series waveform, the tire rotation speed when acquiring the tire vibration time series waveform, and the peak of the tire vibration time series waveform If any one or a plurality of calculated values of the distance is used, weighting can be easily and accurately performed when the calculated total number of feature vectors for each time width is different from the total number of road surface feature vectors.
  • the path for calculating the kernel function corresponds to the feature vector X f including the depression peak and the road surface feature vector Y f including the depression peak.
  • route elements (X f, Y f), and, any of the routes element corresponding to the road surface feature vector Y k including the feature vector X k and the trailing side peak containing the trailing side peaks (X k, Y k) It is characterized by only a route passing through one or both. In this way, when calculating the kernel function, if only the route passing through the route element corresponding to the peak of the time series waveform is used, a more accurate similarity can be obtained with a small number of routes, so the calculation speed is greatly reduced. In addition, the accuracy of determining the road surface condition can be easily improved.
  • the amount of wear of the tire is added to the component of the feature vector, the component of the feature vector is a calculated value of the feature vector calculated from the time series waveform for each time window and the amount of wear of the tire, If the road surface condition is determined using the tire wear amount, for example, by using the coefficient of the discrimination function as a function of the tire wear amount, the road surface state determination accuracy can be further improved, and the wear amount for each wear amount. Since there is no need to determine the road surface state, the road surface state can be determined efficiently.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Tires In General (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Regulating Braking Force (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

　適切なパス制限を行うことで、計算速度を向上させるとともに、路面状態の判別精度を更に向上させるために、加速度センサーにより検出したタイヤ振動の時系列波形を窓掛け手段により時間Ｔで窓掛けして、時間窓毎のタイヤ振動の時系列波形を抽出して時間窓毎の特徴ベクトルＸiを算出した後、時間窓毎の特徴ベクトルＸiと、予め算出しておいた路面状態毎に求め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Ｙjとからカーネル関数ＫA（Ｘ，Ｙ）を算出する際、パスのそれぞれに、計測時のタイヤ振動の時系列波形における時系列波形長さ対応値と、予め求めておいたタイヤ振動の時系列波形における時系列波形長さ対応値とを用いた重み付けパラメータω(i,j)により重み付けしてから、カーネル関数を算出するようにした。

Description

路面状態判別方法
　本発明は、車両の走行する路面の状態を判別する方法に関するもので、特に、走行中のタイヤ振動の時系列波形のデータのみを用いて路面状態を判別する方法に関する。
　従来、走行中のタイヤ振動の時系列波形のデータのみを用いて路面状態を判別する方法として、タイヤ振動の時系列波形に窓関数をかけて抽出した時系列波形から算出される時間窓毎の特徴ベクトルと、予め路面状態毎に求めておいたタイヤ振動の時系列波形から算出された時間窓毎の路面特徴ベクトルとから算出したカーネル関数を用いて路面状態を判別する方法が提案されている（例えば、特許文献１参照）。
特開２０１４－３５２７９号公報
　しかしながら、前記従来の方法では、カーネル関数を計算する際に、全てのパスを考慮していることから、計算に時間がかかるだけでなく、類似度の低いパスについても計算に使用しているため、路面状態の判別精度が十分とはいえなかった。
　本発明は、従来の問題点に鑑みてなされたもので、適切なパス制限を行うことで、計算速度を向上させるとともに、路面状態の判別精度を更に向上させることを目的とする。
　本発明の一態様は、タイヤ内に設けられた振動検出手段を用いて走行中のタイヤの振動を検出して、前記タイヤの接している路面の状態を判別する方法であって、走行中のタイヤの振動を検出するステップ（ａ）と、前記検出されたタイヤ振動の時系列波形を取り出すステップ（ｂ）と、前記タイヤ振動の時系列波形に所定の時間幅の窓関数をかけて時間窓毎の時系列波形を抽出するステップ（ｃ）と、前記時間窓毎の時系列波形からそれぞれ特徴ベクトルを算出するステップ（ｄ）と、前記ステップ（ｄ）で算出した時間窓毎の特徴ベクトルと、予め算出しておいた路面状態毎に求め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とからカーネル関数を算出するステップ（ｅ）と、前記カーネル関数を用いた識別関数の値に基づいて路面状態を判別するステップ（ｆ）とを有し、前記カーネル関数が、グローバルアライメントカーネル関数、または、ダイナミックタイムワーピングカーネル関数、または、前記カーネル関数の演算値であって、前記ステップ（ｅ）では、前記算出された時間幅毎の特徴ベクトルのうちの一つと前記路面特徴ベクトルのうちの一つとから算出される経路要素のそれぞれを、前記ステップ（ｂ）で取り出したタイヤ振動の時系列波形における時系列波形長さ対応値Ｎと、予め求めておいたタイヤ振動の時系列波形における時系列波形長さ対応値Ｍとを用いた重み付けパラメータωにより重み付けしてから、前記カーネル関数を算出し、前記ステップ（ｆ）では、路面状態毎に求めた識別関数の値を比較して路面状態を判別することを特徴とする。
　なお、タイヤ振動の時系列波形における時系列波形長さ対応値（以下、時系列波形長さ対応値という）とは、タイヤ振動の時系列波形のタイヤ１周分の時間長さ、もしくは、タイヤ振動の時系列波形における踏み込み側のピークと蹴り出し側のピークとの時間間隔などのタイヤ１周分の時間長さに対応する物理量を指す。
本実施の形態に係る路面状態判別装置の構成を示す機能ブロック図である。 加速度センサーの装着位置の一例を示す図である。 タイヤ振動の時系列波形の一例を示す図である。 タイヤ振動の時系列波形から特徴ベクトルを算出する方法を示す図である。 特徴ベクトルの入力空間を示す模式図である。 特徴ベクトルの入力空間上における、ＤＲＹ路面特徴ベクトルとＤＲＹ路面以外の路面特徴ベクトルとを示す図である。 従来のＧＡカーネルの算出方法を示す図である。 計算領域幅及びパス制限を説明するための図である。 重み付けによるパス制限の一例を示す図である。 本発明による路面状態判別方法を示すフローチャートである。 本発明による重み付けによるパス制限の他の例を示す図である。 本発明による重み付けによるパス制限の他の例を示す図である。 特徴ベクトルと摩耗量との関係を示す図である。 ＤＴＷカーネルの算出方法を示す図である。
　以下、実施の形態を通じて本発明を詳説するが、以下の実施の形態は特許請求の範囲に係る発明を限定するものでなく、また、実施の形態の中で説明される特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
　図１は、路面状態判別装置１０の構成を示す機能ブロック図である。
　路面状態判別装置１０は、タイヤ振動検出手段としての加速度センサー１１と、振動波形抽出手段１２と、窓掛け手段１３と、特徴ベクトル算出手段１４と、記憶手段１５とカーネル関数算出手段１６と、路面状態判別手段１７とを備える。
　振動波形抽出手段１２～路面状態判別手段１７の各手段は、例えば、コンピュータのソフトウェア、及び、ＲＡＭ等のメモリーから構成される。
　加速度センサー１１は、図２に示すように、タイヤ２０のインナーライナー部２１のタイヤ気室２２側のほぼ中央部に一体に配置されて、路面からの入力による当該タイヤ２０の振動を検出する。加速度センサー１１の出力であるタイヤ振動の信号は、例えば、増幅器で増幅された後、デジタル信号に変換されて振動波形抽出手段１２に送られる。
　振動波形抽出手段１２では、加速度センサー１１で検出したタイヤ振動の信号から、タイヤの一回転毎に、タイヤ振動の時系列波形を抽出する。
　図３はタイヤ振動の時系列波形の一例を示す図で、タイヤ振動の時系列波形は、踏み込み位置近傍と蹴り出し位置近傍に大きなピークを有しており、かつ、タイヤ２０の陸部が接地する領域である接地面領域Ｒtよりも前の領域（踏み込み前領域Ｒf）においても、接地面領域Ｒtよりも後の領域（蹴り出し後領域Ｒk）においても、路面状態によって異なる振動が出現する。
　一方、踏み込み前領域Ｒfの前の領域と蹴り出し後領域Ｒkの後の領域とは路面の影響を殆ど受けていないので、振動レベルも小さく、路面の情報も含んでいない。
　以下、踏み込み前領域Ｒf、接地面領域Ｒt、及び、蹴り出し後領域Ｒkを路面領域、踏み込み前領域Ｒfの前の領域と蹴り出し後領域Ｒkの後の領域を路面外領域という。
　窓掛け手段１３は、図４に示すように、前記抽出された時系列波形を予め設定した時間幅（時間窓幅ともいう）Ｔで窓掛けし、時間窓毎にタイヤ振動の時系列波形を抽出して特徴ベクトル算出手段１４に送る。
　時間窓毎に抽出されたタイヤ振動の時系列波形のうち、路面外領域の時系列波形は、前述したように、路面の情報も含んでいないので、本例では、カーネル関数の計算速度を速めるため、路面外領域の時系列波形は特徴ベクトル算出手段１４には送らないようにしている。
　なお、路面外領域の定義としては、例えば、タイヤ振動の時系列波形に対してバックグラウンドレベルを設定し、このバックグラウンドレベルよりも小さな振動レベルを有する領域を路面外領域とすればよい。
　特徴ベクトル算出手段１４は、図４に示すように、抽出された各時間窓の時系列波形のそれぞれに対して特徴ベクトルＸi（ｉ＝１～Ｎ；Ｎは抽出された時間窓の時系列波形の数）を算出する。
　本例では、特徴ベクトルＸi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）ａik（ｋ＝１～５）を用いた。特徴ベクトルは、Ｘi＝（ａi1，ａi2，ａi3，ａi4，ａi5）で、特徴ベクトルＸiの数はｎ個である。
　図５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５つなので時間軸と合わせると６次元空間になるが、同図は２次元（横軸がａ1、縦軸がａ2）で表している。
　したがって、この入力空間にて、例えば、車両がＤＲＹ路面を走行しているときに算出した特徴ベクトルＸiからグループＣと、車両がＳＮＯＷ路面を走行しているときに算出した特徴ベクトルＸ’iから成るグループＣ’とを区別することができれば、車両がＤＲＹ路面を走行しているかＳＮＯＷ路面を走行しているかを判定できる。
　記憶手段１５は、予め求めておいた、ＤＲＹ路面とそれ以外の路面、ＷＥＴ路面とそれ以外の路面、ＳＮＯＷ路面とそれ以外の路面、ＩＣＥ路面とそれ以外の路面とを、分離超平面を表わす識別関数ｆ（ｘ）により分離するための４つの路面モデルを記憶する。
　路面モデルは、タイヤに加速度センサーを取り付けたタイヤを搭載した試験車両を、ＤＲＹ、ＷＥＴ、ＳＮＯＷ、及び、ＩＣＥの各路面で様々な速度で走行させて得られたタイヤ振動の時系列波形から算出された時間窓毎の特徴ベクトルである路面特徴ベクトル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）は時間窓毎に抽出した時系列波形の窓番号を示し、添え字ｋはベクトルの成分を示している（ｋ＝１～ｎ）。すなわち、ｙjk＝（ａj1，ａj2，ａj3，ａj4，ａj5）である。また、ＳＶはサポートベクトルの略で、学習によって選択される識別境界の近傍のデータを表わす。
　なお、本例のように、カーネル関数として、グローバルアライメントカーネル関数（ＧＡカーネル）やダイナミックタイムワーピングカーネル関数（ＤＴＷカーネル）を用いる場合には、路面特徴ベクトルＹASV（ｙjk）は、［ベクトルｙiの次元数（ここでは、ｎ＝５）×窓の数Ｍ］の行列となる。
　以下、路面特徴ベクトルＹASV（ｙjk）を単にＹASVと記す。
　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Ｘiと同様で、例えば、ＤＲＹ路面特徴ベクトルＹDSVなら、ＤＲＹ路面を走行したときのタイヤ振動の時系列波形を時間幅Ｔで窓掛けし、時間窓毎にタイヤ振動の時系列波形を抽出し、抽出された各時間窓の時系列波形のそれぞれに対してＤＲＹ路面特徴ベクトルＹDを算出する。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５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１５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。
　路面モデルは、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６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、白丸がＤＲＹ路面以外の路面特徴ベクトルである。
　なお、前述したように、ＤＲＹ路面特徴ベクトルもＤＲＹ路面以外の路面特徴ベクトルも行列であるが、グループの識別境界の求め方を説明するため、図６では、ＤＲＹ路面特徴ベクトルとＤＲＹ路面以外の路面特徴ベクトルとをそれぞれ２次元のベクトルで示した。
　グループの識別境界は、一般には、線形分離が不可能である。そこで、カーネル法を用いて、路面特徴ベクトル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（１），（２）に置き換えられる。
Figure JPOXMLDOC01-appb-M000001
 　ここで、α，βは複数ある学習データの指標である。また、λはラグランジュ乗数で、λ＞０である。
　このとき、内積φ（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を非線形にできる。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。
　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。
　図７に示すように、ＧＡカーネルＫGA（Ｘ，Ｙ）は、Ｒ路面の路面特徴ベクトルｘ（ｘi＝ＹRi）とＲ路面以外の路面特徴ベクトルｙ（ｙｊ＝ＹnRj）との類似度を示すローカルカーネルκ（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２つの時系列を直接比較することができる。ローカルカーネルκ（ｘi，ｙｊ）は、時間幅Ｔの窓毎に求められる。
　従来のＧＡカーネルＫGA（Ｘ，Ｙ）においては、ローカルカーネルκ（ｘi，ｙｊ）の総和もしくは総積は、可能な全てのアライメントＡ（ｘ，ｙ）について行われる。換言すれば、ＧＡカーネルＫGA（Ｘ，Ｙ）は、経路毎に、経路要素であるκ（ｘπ1(s)，ｙπ2(s)）についてのみ計算される。
　以下、（ｘi，ｙｊ）から成るＮ×Ｍのグリットの位置（π1(s)，π2(s)）を「パス（経路要素）」という。
　本例では、以下の式（３）～（６）に示すように、上記のローカルカーネルκ（ｘπ1(s)，ｙπ2(s)）に対して、予め求めておいた、タイヤ振動の時系列波形のタイヤ１周分の時間長さに対応する物理量であるタイヤ振動の時系列波形における時系列波形長さ対応値Ｍ，Ｎを用いた重み付けパラメータω(i,j)により重み付けしてから、ＧＡカーネルＫGA（Ｘ，Ｙ）を算出する。
Figure JPOXMLDOC01-appb-M000002
 　重み付けパラメータω(i,j)は、式（４）に示すように、Ｘ（ここでは、Ｒ路面）の時系列総数（窓の数）Ｎと、Ｙ（ここでは、Ｒ路面以外）の時系列総数（窓の数）Ｍと、Ｘの時系列インデックス（窓番号）ｉと、Ｙの時系列インデックス（窓番号）ｊと、計算領域幅Ｔpとにより設定されるパラメータで、１－｜Ｍ・ｉ－Ｎ・ｊ｜/｛Ｔp（Ｎ＋Ｍ）｝が予め設定された閾値Ｓを超えた場合には、ω(i,j)＝１－｜Ｍ・ｉ－Ｎ・ｊ｜/｛Ｔp（Ｎ＋Ｍ）｝であり、１－｜Ｍ・ｉ－Ｎ・ｊ｜/｛Ｔp（Ｎ＋Ｍ）｝が上記閾値Ｓ以下の場合にはω(i,j)＝０である。
　上記のように、計算領域幅Ｔpは一定でなので、窓の数Ｍ，Ｎは、車速（厳密には車輪回転速度）に依存する。すなわち、重み付けパラメータω(i,j)は、タイヤ振動時系列波形取得時におけるタイヤ回転速度や、タイヤ振動時系列波形の長さ、あるいは、タイヤ振動時系列波形のピーク間距離などの時系列波形長さ対応値に依存する。
　このように、重み付けパラメータω(i,j)を時系列波形長さ対応値に依存する値とすることで、特徴ベクトル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の特徴ベクトルＸi，ＹAj間（もしくはＸi，ＹnAj間）の類似度（後述する重み付けされたローカルカーネルκ’（ｘπ1(s)，ｙπ2(s)）の精度を向上させることができる。
　なお、時系列波形長さ対応値としては、タイヤ振動時系列波形取得時におけるタイヤ回転速度、タイヤ振動時系列波形の長さ、及び、タイヤ振動時系列波形のピーク間距離のいずれかまたは複数の演算値としてもよい。
　計算領域幅Ｔpは、図８（ａ）に示すように、パス（１，１）とパス（Ｍ，Ｎ）とを結ぶ直線ｌ0に平行な２つの直線ｌ1及び直線ｌ2に囲まれた領域の幅で、任意に設定することができる。直線ｌ0は、パス（１，１）の左下を原点、ｙπ2(s)の並びの方向をξ軸、ｘπ1(s)の並びの方向をη軸とすれば、η＝（Ｍ／Ｎ）・ξと表せる。また、直線ｌ1は、η＝（Ｍ／Ｎ）・ξ－ｃ、直線ｌ2は、η＝（Ｍ／Ｎ）・ξ＋ｃとなる。
　式（６）は、重み付けされたローカルカーネルκ’（ｘπ1(s)，ｙπ2(s)）の算出式で、このような重み付けを行うことで、２つ時系列波形の一方の始端と他方の終端、もしくはその近傍に位置するパスでは、重み付けパラメータω(i,j)は０となり、２つの時系列波形の位置がほぼ同じである直線η＝（Ｍ／Ｎ）・ξ近傍にあるパスでは、重み付けパラメータω(i,j)は、１－｜Ｍ・ｉ－Ｎ・ｊ｜/｛Ｔp・（Ｎ＋Ｍ）｝となる。
　したがって、ＧＡカーネルＫGA（Ｘ，Ｙ）の計算は、図８（ｂ）に示す白い部分のパスのみが計算され、網掛された部分のパスは計算しないことになる。したがって、計算する経路数を効果的に減少させることができるとともに、類似度の判定には寄与しないノイズとなるパスは計算に使用されないので、判定精度が向上する。
　なお、上記式（４）では、計算領域幅Ｔpを省略してもよい。あるいは、後述するように、計算領域幅Ｔpのみを用いて重み付けパラメータω(i,j)を設定してもよい。
　また、上記式（４）に代えて、κ’’(i,j)＝ω(i,j)・κ(i,j)を、重み付けされたローカルカーネルとしてもよい。
　ＤＲＹ路面とＤＲＹ路面以外の路面とを区別するには、ＤＲＹ路面特徴ベクトル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。
　カーネル関数算出手段１６は、重み付けパラメータ算出部１６１とカーネル関数算出部１６２とを備え、特徴ベクトル算出手段１４にて算出された特徴ベクトルＸiと、記憶手段１５に記録されているＤＲＹモデル、ＷＥＴモデル、ＳＮＯＷモデル、及び、ＩＣＥモデルの各サポートベクトル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。
　重み付けパラメータ算出部１６１は、特徴ベクトルＸiの時間窓の数Ｎと、路面特徴ベクトルＹAjの時間窓の数Ｍと、予め設定した計算領域幅Ｔpとから、上記式（４）を用いて、パス（ｉ，ｊ）における重み付けパラメータω(i,j)を算出する。
　カーネル関数算出部１６２は、ｘπ1(s)を特徴ベクトルＸiとし、ｙπ2(s)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κ（ｘπ1(s)，ｙπ2(s)）と、重み付けパラメータ算出部１６１で算出した重み付けパラメータω(i,j)とから、重み付けされたローカルカーネルκ’（ｘπ1(s)，ｙπ2(s)）を算出するとともに、重み付けパラメータω(i,j)が０ではないパスのみを用いた経路について、重み付けされたローカルカーネルκ’（ｘπ1(s)，ｙπ2(s)）の総和もしくは総積を求め、これを、Ｒ路面のＧＡカーネル関数ＫR（Ｘ，Ｙ）とする。
　図９は、重み付けパラメータω(i,j)によるパス制限の一例を示す図で、特徴ベクトルＸiの時間窓の数はＮ＝８で、路面特徴ベクトルＹAjの時間窓の数はＭ＝１６である。同図の黒塗りの部分がω(i,j)＝０で、パスが明るくなるほどω(i,j)が大きい。
　このように、重み付けパラメータω(i,j)に基づくパス制限を行えば、計算する経路数を効果的に減少させることができるので、計算速度を大幅に向上させることができる。
　また、同図の黒塗りで示した、類似度の判定には寄与しないノイズとなるパスは計算に使用せず、２つの時系列波形の位置がほぼ同じである類似度の高いパスのみを用いてカーネル関数ＫR（Ｘ，Ｙ）を求めるようにしたので、カーネル関数ＫR（Ｘ，Ｙ）の信頼性が向上する。
　また、本例では、重み付けパラメータω(i,j)を、時間窓の数Ｍ，Ｎに依存する値としている。このような重み付けは、特徴ベクトル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とが異なる場合に、特に有効である。
　路面状態判別手段１７では、以下の式（７）～（１０）に示す、カーネル関数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）。
Figure JPOXMLDOC01-appb-M000003
 　ｆDはＤＲＹ路面とその他の路面とを識別する識別関数、ｆWはＷＥＴ路面とその他の路面とを識別する識別関数、ｆSはＳＮＯＷ路面とその他の路面とを識別する識別関数、ｆIはＩＣＥ路面とその他の路面とを識別する識別関数である。
　また、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。
　識別関数のラグランジュ乗数λDなどの値は、Ｒ路面とその他の路面とを識別する識別関数を求める際の学習により求められる。
　本例では、識別関数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。
　次に、路面状態判別装置１０を用いて、タイヤ２０の走行している路面の状態を判別する方法について、図１０のフローチャートを参照して説明する。
　まず、加速度センサー１１によりタイヤ２０が走行している路面からの入力により発生したタイヤ振動を検出し（ステップＳ１０）、検出されたタイヤ振動の信号からタイヤ振動の時系列波形を抽出する（ステップＳ１１）。
　そして、抽出されたタイヤ振動の時系列波形を予め設定した時間幅Ｔで窓掛けして、時間窓毎のタイヤ振動の時系列波形を求める。ここで、時間窓毎のタイヤ振動の時系列波形の数をＭ個とする（ステップＳ１２）。
　次に、抽出された各時間窓の時系列波形のそれぞれに対して特徴ベクトルＸi＝（ｘi1，ｘi2，ｘi3，ｘi4，ｘi5）を算出する（ステップＳ１３）。
　特徴ベクトルＸiの各成分ｘik（ｋ＝１～５）は、前述したように、タイヤ振動の時系列波形のフィルター濾過波のパワー値である。
　次に、算出された特徴ベクトルＸiと、記憶手段１５に記録されている路面モデルのサポートベクトルＹAkとから、ローカルカーネルκ（ｘπ1(s)，ｙπ2(s)）を算出するとともに、重み付けパラメータω(i,j)を算出する（ステップＳ１４）。
　そして、算出されたローカルカーネルκ（ｘπ1(s)，ｙπ2(s)）と重み付けパラメータω(i,j)とから、重み付けされたローカルカーネルκ’（ｘπ1(s)，ｙπ2(is）を算出（ステップＳ１５）した後、重み付けされたローカルカーネルκ’（ｘπ1(s)，ｙπ2(s)）の総和もしくは総積を求め、これを、Ｒ路面のＧＡカーネル関数ＫR（Ｘ，Ｙ）とする（ステップＳ１６）。
　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Ｓ１７）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２０の走行している路面の路面状態と判別する（ステップＳ１８）。
　このように、本実施の形態では、カーネル関数カーネルＫR（Ｘ，Ｙ）を算出する際に、特徴ベクトルＸiの時間窓の数Ｎと、路面特徴ベクトルＹAjの時間窓の数Ｍと、予め設定した計算領域幅Ｔpとから、パス（ｉ，ｊ）における重み付けパラメータω(i,j)を算出し、この重み付けパラメータω(i,j)とローカルカーネルκ（ｘπ1(s)，ｙπ2(s)）とから、重み付けされたローカルカーネルκ’（ｘπ1(s)，ｙπ2(s)）を算出するとともに、重み付けパラメータω(i,j)が０ではないパスのみを用いた経路について、重み付けされたローカルカーネルκ’（ｘπ1(s)，ｙπ2(s)）の総和もしくは総積を求め、これをＲ路面のＧＡカーネル関数ＫR（Ｘ，Ｙ）としたので、計算速度を大幅に向上させることができるとともに、カーネル関数ＫR（Ｘ，Ｙ）の信頼性を向上させることができる。
　また、重み付けパラメータω(i,j)を、計測時のタイヤ振動の時系列波形における時系列波形長さ対応値Ｎと、予め求めておいたタイヤ振動の時系列波形における時系列波形長さ対応値Ｍとに依存する値としたので、ローカルカーネルκ’（ｘπ1(s)，ｙπ2(si）の信頼度も高めることができる。
　以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は前記実施の形態に記載の範囲には限定されない。前記実施の形態に、多様な変更または改良を加えることが可能であることが当業者にも明らかである。そのような変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲から明らかである。
　例えば、前記実施の形態では、パス（ｉ，ｊ）に、時系列波形長さ対応値Ｍ，Ｎに基づく重み付けを行ったが、計算領域幅Ｔpのみによるパス制限を行ってもよい。
　具体的には、図１１に示すように、パス（１，１）とパス（Ｍ，Ｎ）とを結ぶ直線ｊ＝（Ｍ／Ｎ）・ｉに平行な二つの直線（η＝（Ｍ／Ｎ）・ξ±ｃ）で囲まれた領域Ｒ内にあるパス（ｐ，ｑ）の重み付けパラメータω(p,q)を「１」とし、領域Ｒの外にあるパス（ｐ’，ｑ’）の重み付けパラメータω(p’,q’)を「０」とすればよい。
　また、時系列波形長さ対応値Ｍ，Ｎに代えて、タイヤ振動波形の踏み込み側のピーク、及び、蹴り出し側のピークを用いてパス制限を行ってもよい。
　具体的には、図１２に示すように、踏み込み側ピークを含む特徴ベクトルｘ3と踏み込み側ピークを含む路面特徴ベクトルｙ7とに対応するパス（３，７）と、蹴り出し側ピークを含む特徴ベクトルｘ5と蹴り出し側ピークを含む路面特徴ベクトルｙ10とに対応するパス（５，１０）を、経路の必須の中継点とするとともに、（ｘi，ｙｊ）から成る１６×８のグリットを、始点（１，１）とパス（３，７）とを結ぶ線を対角線とする矩形領域Ｒ１と、パス（３，７）とパス（５，１０）とを結ぶ線を対角線とする矩形領域Ｒ２と、パス（５，１０）と終点（８，１６）とを結ぶ線を対角線とする矩形領域Ｒ３の３つの領域のみで、カーネル関数の計算を行ってもよい。
　また、同図に示すように、各領域Ｒ１～Ｒ３内において、更に、時系列波形長さ対応値Ｍ，Ｎに基づくパス制限や計算領域幅Ｔpのみによるパス制限を行ってもよい。
　また、前記実施の形態では、タイヤ振動検出手段を加速度センサー１１としたが、圧力センサーなどの他の振動検出手段を用いてもよい。また、加速度センサー１１の設置箇所についても、タイヤ幅方向中心から幅方向に所定距離だけ離隔した位置に１個ずつ配設してもよい。また、加速度センサー１１の個数も１個に限るものではなく、タイヤ周方向の複数箇所に設けてもよい。
　また、前記例では、特徴ベクトルＸiをフィルター濾過波のパワー値ｘikとしたが、フィルター濾過波のパワー値ｘikの時変分散を用いてもよい。時変分散はlog[ｘik(t)2+ｘik(t-1)2]で表わせる。
　あるいは、特徴ベクトルＸiを、タイヤ振動時系列波形をフーリエ変換したときの特定周波数帯域の振動レベルであるフーリエ係数、もしくは、ケプストラム係数としてもよい。
　ケプストラムは、フーリエ変換後の波形をスペクトル波形とみなし、再度フーリエ変換して得られるか、もしくは、ＡＲスペクトルを波形とみなし、更にＡＲ係数を求めて得られる（LPC Cepstrum）もので、絶対レベルに影響されずにスペクトルの形状を特徴付けできるので、フーリエ変換により得られる周波数スペクトルを用いた場合よりも判別精度が向上する。
　また、前記実施の形態では、特徴ベクトルＸiを、タイヤ振動の時系列波形のフィルタ濾過波のパワー値やその時変分散、あるいは、ケプストラム係数としたが、特徴ベクトルＸiの各要素ａikとタイヤ摩耗量とから計算される演算値を新たな特徴ベクトルＸMiとすれば、タイヤの摩耗があった場合でも、路面状態を精度よく判別することができる。
 　図１３（ａ）～（ｃ）に示すように、特徴ベクトルＸiの各要素ａikは、摩耗進展とともに変化する。各図において、横軸は摩耗量[mm]、縦軸は各周波数帯域における振動レベル[index]である。
　本例では、特徴ベクトルＸiの要素ａikである振動レベルの変化を多項式で近似した値ｂkを新たな特徴ベクトルＸMiとするとともに、この特徴ベクトルＸMiとＤＲＹモデル、ＷＥＴモデル、ＳＮＯＷモデル、及び、ＩＣＥモデルの各サポートベクトル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）を算出し、ＳＶＭで学習したモデルを用いて路面状態を判別する。なお、上記各モデルのサポートベクトルＹASV，ＹnASVの各要素も、特徴ベクトルＸMiと同様に、振動レベルの変化を２次式で近似した値としていることはいうまでもない。
　あるいは、特徴ベクトルＸiの要素ａikにタイヤの摩耗量を追加してもよい。この場合も、予め複数の摩耗水準のタイヤを準備し、各路面状態にてタイヤ振動を計測し、得られたタイヤ振動のデータから、ＳＶＭ等の機械的学習手法によって識別関数を求めればよい。機械的学習手法は、フィッシャー判別最小二乗法等を用いてもよい。
　また、識別関数の係数をタイヤの摩耗量の関数としても、タイヤの摩耗を考慮した路面状態の判別を行うことができる。
　上記のいずれの場合も、摩耗量毎のマップを準備することなく、摩耗を考慮した路面状態の判別を行うことができるので、計算速度が向上するとともに、メモリーの増大に伴うコスト増を防ぐことができる。
　また、前記実施の形態では、カーネル関数としてＧＡカーネルを用いたが、以下の式（１１）または式（１２）に示すような、ダイナミックタイムワーピングカーネル関数（ＤＴＷカーネル）を用いてもよい。
Figure JPOXMLDOC01-appb-M000004
 　　　　なお、πは経路、Ａ（ｘi，ｘj）は可能な全ての経路
　図１４に示すように、ＤＴＷカーネルＫ’（Ｘ，Ｙ）は、ローカルカーネルκij（Ｘi，Ｙj）の総和を求める際に、例えば、同図の太い実線で示すような、全ての経路の中で、κ’ij（Ｘi，Ｙj）の総和が最大または最小になる経路の総和から成る。
　このとき、前記実施の形態と同様のパス制限を行った後に、全ての経路の中で、κ’ij（Ｘi，Ｙj）の総和が最大または最小になる経路の総和を求めるようにすれば、計算速度を大幅に向上させることができるとともに、信頼性を向上させることができる。
［実施例１］
　加速度センサーが取り付けられたタイヤを装着した車両を、ＤＲＹ、ＷＥＴ、ＳＮＯＷ、及び、ＩＣＥの各路面でそれぞれ３０～９０km/hで走行させて得られたタイヤ振動の時系列波形からカーネル関数を計算し、ＳＶＭモデルで学習したモデルを用いて路面状態を判別するとともに、３０km/hと９０km/hの２点については計算速度を測定した。３０km/hと９０km/hの結果を以下の表１に示す。
Figure JPOXMLDOC01-appb-T000005
 　ＳＶＭモデルは、ＤＲＹとそれ以外、ＷＥＴとそれ以外、ＳＮＯＷとそれ以外、ＩＣＥとそれ以外を判別する４つのモデルを構築し、学習に使用した以外のテスト用データをそれぞれのモデルに入力したときのＳＶＭスコアが最も高いモデルの路面状態を、当該車両が走行している路面の状態とした。
　試験車両は前輪駆動車でタイヤサイズは165/70R14である。
　なお、各タイヤのトレッドパターンについては、BLIZZK　REV02（ブリヂストン）とした。
　学習用のデータは全データの２/３をあて、残りの１/３を精度算出用のデータとした。
　計算速度は、計算時間をタイヤ回転速度で除したもので、計算環境は、OS :Windows(登録商標) 7 Professonal SP1 , CPU : Intel(R) Core i7-3540M, RAM: 16GBである。
　表１から明らかなように、各速度において、９６％以上の高い正答率が得られた。
　また、車速が遅い場合、すなわち、窓の数が多い場合でも、タイヤ約２回転分の時間で路面判別が可能なことから、路面状態の判別を高速で行うことができることが確認された。
［実施例２］
　摩耗量の異なる複数のタイヤ（新品、１ｍｍ摩耗品、３ｍｍ摩耗品、５ｍｍ摩耗品）に、それぞれ加速度センサーを取り付け、これらのタイヤを装着した車両をＤＲＹ、ＷＥＴ、ＳＮＯＷ、及び、ＩＣＥの各路面でそれぞれ３０～９０km/hで走行させて得られたタイヤ振動の時系列波形からカーネル関数を計算し、ＳＶＭモデルで学習したモデルを用いて路面状態を判別した結果を以下の表２に示す。
　実施例１は、バンドパスフィルタ濾過波のパワー値と摩耗量とから特徴ベクトルＸを構成し、ＳＶＭで学習したモデルを用いて路面状態を判別したもので、実施例２は、摩耗進展とともに変化するバンドパスフィルタ濾過波のパワー値を、予め求めた近似式により新品に換算したものを特徴ベクトルＸとして、ＳＶＭで学習したモデルを用いて路面状態を判別したものである。
　なお、参考として、従来の摩耗を考慮しない特徴ベクトルＸを用いて路面状態を判別した結果についても合わせて記した。
Figure JPOXMLDOC01-appb-T000006
 　ＳＶＭモデルは、ＤＲＹとそれ以外、ＷＥＴとそれ以外、ＳＮＯＷとそれ以外、ＩＣＥとそれ以外を判別する４つのモデルを構築し、学習に使用した以外のテスト用データをそれぞれのモデルに入力したときのＳＶＭスコアが最も高いモデルの路面状態を、当該車両が走行している路面の状態とした。
　試験車両は前輪駆動車でタイヤサイズは165/70R14である。
　なお、各タイヤのトレッドパターンについては、BLIZZK　REV02（ブリヂストン）とした。
　学習用のデータは全データの２/３をあて、残りの１/３を精度算出用のデータとした。
　表２から明らかなように、従来法では、摩耗の進展に伴い正答率が低下するのに対し、摩耗量を考慮した実施例１，２では、摩耗が進展したタイヤであっても、ほぼ９０％以上の高い正答率が得られた。これにより、本発明を適用することにより、タイヤの摩耗が進展している場合でも、路面状態判別を精度よく行うことができることが確認された。
　本発明の一態様は、タイヤ内に設けられた振動検出手段を用いて走行中のタイヤの振動を検出して、前記タイヤの接している路面の状態を判別する方法であって、走行中のタイヤの振動を検出するステップ（ａ）と、前記検出されたタイヤ振動の時系列波形を取り出すステップ（ｂ）と、前記タイヤ振動の時系列波形に所定の時間幅の窓関数をかけて時間窓毎の時系列波形を抽出するステップ（ｃ）と、前記時間窓毎の時系列波形からそれぞれ特徴ベクトルを算出するステップ（ｄ）と、前記ステップ（ｄ）で算出した時間窓毎の特徴ベクトルと、予め算出しておいた路面状態毎に求め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とからカーネル関数を算出するステップ（ｅ）と、前記カーネル関数を用いた識別関数の値に基づいて路面状態を判別するステップ（ｆ）とを有し、前記カーネル関数が、グローバルアライメントカーネル関数、または、ダイナミックタイムワーピングカーネル関数、または、前記カーネル関数の演算値であって、前記ステップ（ｅ）では、前記算出された時間幅毎の特徴ベクトルのうちの一つと前記路面特徴ベクトルのうちの一つとから算出される経路要素のそれぞれを、前記ステップ（ｂ）で取り出したタイヤ振動の時系列波形における時系列波形長さ対応値Ｎと、予め求めておいたタイヤ振動の時系列波形における時系列波形長さ対応値Ｍとを用いた重み付けパラメータωにより重み付けしてから、前記カーネル関数を算出し、前記ステップ（ｆ）では、路面状態毎に求めた識別関数の値を比較して路面状態を判別することを特徴とする。
　なお、タイヤ振動の時系列波形における時系列波形長さ対応値（以下、時系列波形長さ対応値という）とは、タイヤ振動の時系列波形のタイヤ１周分の時間長さ、もしくは、タイヤ振動の時系列波形における踏み込み側のピークと蹴り出し側のピークとの時間間隔などのタイヤ１周分の時間長さに対応する物理量を指す。
　このように、カーネル関数Ｋ（Ｘ，Ｙ）を算出する際に、カーネル関数を算出するための経路要素として、類似度の判定には寄与しないノイズとなる経路要素を計算に使用しないようにしたので、路面状態の判別精度を向上させることができるとともに、計算速度を速くできるので、リアルタイムで路面状態の判別を行うことができる。また、時系列波形長さ対応値Ｎ，Ｍを用いた重み付けパラメータωにより重み付けを行ったので、算出された時間幅毎の特徴ベクトルの総数と路面特徴ベクトルの総数とが異なっている場合でも、経路要素の重み付けを最適にできるので、路面状態の判別精度を向上させることができる。
　なお、前記の特徴ベクトルＸiとしては、前記窓関数をかけて抽出した時間窓毎の時系列波形の特定周波数帯域の振動レベル、前記特定周波数帯域の振動レベルの時変分散、及び、前記時系列波形のケプストラム係数のいずれか１つ、または、複数、または、全部等が挙げられる。
　また、前記特定周波数帯域の振動レベルは、前記窓関数をかけて抽出した時間窓毎の時系列波形の周波数スペクトル、もしくは、前記窓関数をかけて抽出した時間窓毎の時系列波形をバンドパスフィルタを通して得られた時系列波形から求められるが、タイヤ振動の時系列波形をバンドパスフィルタを通して得られた時系列波形に窓関数をかけて抽出した時間窓毎の時系列波形から前記特定周波数帯域の振動レベルを求めてもよい。
　また、時系列波形長さ対応値Ｍ，Ｎを、時間幅毎の特徴ベクトルの総数と対応するパラメータである、タイヤ振動時系列波形の長さ、タイヤ振動時系列波形取得時におけるタイヤ回転速度、及び、タイヤ振動時系列波形のピーク間距離のいずれかまたは複数、もしくは、タイヤ振動時系列波形の長さ、タイヤ振動時系列波形取得時におけるタイヤ回転速度、及び、タイヤ振動時系列波形のピーク間距離のいずれかまたは複数の演算値とすれば、算出された時間幅毎の特徴ベクトルの総数と路面特徴ベクトルの総数とが異なっている場合の重み付けを容易にかつ精度よく行うことができる。
　また、本発明の一態様は、前記ステップ（ｅ）において、カーネル関数を算出するための経路を、踏み込み側ピークを含む特徴ベクトルＸfと踏み込み側ピークを含む路面特徴ベクトルＹfとに対応する経路要素（Ｘf，Ｙf）、及び、蹴り出し側ピークを含む特徴ベクトルＸkと蹴り出し側ピークを含む路面特徴ベクトルＹkとに対応する経路要素（Ｘk，Ｙk）のいずれか一方または両方を通る経路のみとしたことを特徴とする。
　このように、カーネル関数を算出する際に、時系列波形のピークに対応する経路要素を通る経路のみを用いれば、少ない経路数でより正確な類似度が得られるので、計算速度を大幅に短縮できるとともに、路面状態の判別精度を容易に向上させることができる。
　また、前記特徴ベクトルの成分にタイヤの摩耗量を追加したり、前記特徴ベクトルの成分を前記時間窓毎の時系列波形からそれぞれ算出された特徴ベクトルとタイヤの摩耗量との演算値としたり、前記識別関数の係数をタイヤの摩耗量の関数とするなどして、タイヤの摩耗量を用いて路面状態を判別すれば、路面状態の判別精度を更に向上させることができるとともに、摩耗量毎に路面状態を判別する必要がないので、路面状態の判別を効率よく行うことができる。
　なお、前記発明の概要は、本発明の必要な全ての特徴を列挙したものではなく、これらの特徴群のサブコンビネーションもまた、発明となり得る。
　１０　路面状態判別装置、１１　加速度センサー、
１２　振動波形抽出手段、１３　窓掛け手段、
１４　特徴ベクトル算出手段、１５　記憶手段、
１６　カーネル関数算出手段、１６１　重み付けパラメータ算出部、
１６２　カーネル関数算出部、１７　路面状態判別手段、
２０　タイヤ、２１　インナーライナー部、２２　タイヤ気室。

Claims (6)

  1. 　タイヤ内に設けられた振動検出手段を用いて走行中のタイヤの振動を検出して、前記タイヤの接している路面の状態を判別する方法であって、
    走行中のタイヤの振動を検出するステップ（ａ）と、
    前記検出されたタイヤ振動の時系列波形を取り出すステップ（ｂ）と、
    前記タイヤ振動の時系列波形に所定の時間幅の窓関数をかけて時間窓毎の時系列波形を抽出するステップ（ｃ）と、
    前記時間窓毎の時系列波形からそれぞれ特徴ベクトルを算出するステップ（ｄ）と、
    前記ステップ（ｄ）で算出した時間窓毎の特徴ベクトルと、予め算出しておいた路面状態毎に求め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とからカーネル関数を算出するステップ（ｅ）と、
    前記カーネル関数を用いた識別関数の値に基づいて路面状態を判別するステップ（ｆ）とを有し、
    前記カーネル関数が、グローバルアライメントカーネル関数、または、ダイナミックタイムワーピングカーネル関数、または、前記カーネル関数の演算値であって、
    前記ステップ（ｅ）では、
    前記算出された時間幅毎の特徴ベクトルのうちの一つと前記路面特徴ベクトルのうちの一つとから算出される経路要素のそれぞれを、前記ステップ（ｂ）で取り出したタイヤ振動の時系列波形における時系列波形長さ対応値と、予め求めておいたタイヤ振動の時系列波形における時系列波形長さ対応値とを用いた重み付けパラメータωにより重み付けしてから、前記カーネル関数を算出し、
    前記ステップ（ｆ）では、
    路面状態毎に求めた識別関数の値を比較して路面状態を判別することを特徴とする路面状態判別方法。
  2. 　前記時系列波形長さ対応値が、タイヤ振動時系列波形の長さ、タイヤ振動時系列波形取得時におけるタイヤ回転速度、及び、タイヤ振動時系列波形のピーク間距離のいずれかまたは複数、もしくは、タイヤ振動時系列波形の長さ、タイヤ振動時系列波形取得時におけるタイヤ回転速度、及び、タイヤ振動時系列波形のピーク間距離のいずれかまたは複数の演算値であることを特徴とする請求項１に記載の路面状態判別方法。
  3. 前記ステップ（ｅ）では、
    カーネル関数を算出するための経路を、踏み込み側ピークを含む特徴ベクトルと踏み込み側ピークを含む路面特徴ベクトルとに対応する経路要素、及び、蹴り出し側ピークを含む特徴ベクトルと蹴り出し側ピークを含む路面特徴ベクトルとに対応する経路要素のいずれか一方または両方を通る経路のみとしたことを特徴とする請求項１または請求項２に記載の路面状態判別方法。
  4. 　前記特徴ベクトルの成分にタイヤの摩耗量を追加したことを特徴とする請求項１～請求項３のいずれかに記載の路面状態判別方法。
  5. 　前記特徴ベクトルの成分を前記時間窓毎の時系列波形からそれぞれ算出された特徴ベクトルとタイヤの摩耗量との演算値としたことを特徴とする請求項１～請求項３のいずれかに記載の路面状態判別方法。
  6. 　前記識別関数の係数をタイヤの摩耗量の関数としたことを特徴とする請求項１～請求項３のいずれかに記載の路面状態判別装方法。
     
     
PCT/JP2015/082236 2014-12-05 2015-11-17 路面状態判別方法 WO2016088548A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP15864328.8A EP3228515B1 (en) 2014-12-05 2015-11-17 Road condition determination method
US15/532,572 US10525777B2 (en) 2014-12-05 2015-11-17 Method for determining road surface condition
CN201580073950.XA CN107207009B (zh) 2014-12-05 2015-11-17 路面状态判断方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2014-247254 2014-12-05
JP2014247254A JP6450170B2 (ja) 2014-12-05 2014-12-05 路面状態判別方法

Publications (1)

Publication Number Publication Date
WO2016088548A1 true WO2016088548A1 (ja) 2016-06-09

Family

ID=56091498

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2015/082236 WO2016088548A1 (ja) 2014-12-05 2015-11-17 路面状態判別方法

Country Status (5)

Country Link
US (1) US10525777B2 (ja)
EP (1) EP3228515B1 (ja)
JP (1) JP6450170B2 (ja)
CN (1) CN107207009B (ja)
WO (1) WO2016088548A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110603180A (zh) * 2017-04-26 2019-12-20 株式会社电装 轮胎侧装置及包含其的轮胎装置
CN110622043A (zh) * 2017-05-12 2019-12-27 株式会社普利司通 路面状态判别方法和路面状态判别装置
CN110753858A (zh) * 2017-06-16 2020-02-04 株式会社普利司通 路面状态判别方法和路面状态判别装置
JP2021060401A (ja) * 2019-10-02 2021-04-15 ハンコック タイヤ アンド テクノロジー カンパニー リミテッドＨａｎｋｏｏｋ Ｔｉｒｅ ＆ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ．， Ｌｔｄ． 路面状態推定装置及びそれを用いた路面状態推定方法

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017116991A (ja) * 2015-12-21 2017-06-29 京セラ株式会社 携帯端末および車両
US10872379B1 (en) 2016-04-11 2020-12-22 State Farm Mutual Automobile Insurance Company Collision risk-based engagement and disengagement of autonomous control of a vehicle
US10222228B1 (en) 2016-04-11 2019-03-05 State Farm Mutual Automobile Insurance Company System for driver's education
US11851041B1 (en) 2016-04-11 2023-12-26 State Farm Mutual Automobile Insurance Company System for determining road slipperiness in bad weather conditions
JP2018004418A (ja) * 2016-06-30 2018-01-11 株式会社ブリヂストン 路面状態判別方法
JP6734713B2 (ja) * 2016-06-30 2020-08-05 株式会社ブリヂストン 路面状態判別方法
JP6620787B2 (ja) * 2016-08-11 2019-12-18 株式会社デンソー 路面状態推定装置
EP3551478B1 (de) * 2016-12-06 2020-12-30 Pieper, Jörg Verfahren und vorrichtung zur feststellung des verschleisses an mindestens einem reifen eines fahrzeugs
JP6930355B2 (ja) * 2017-10-11 2021-09-01 株式会社Ｓｏｋｅｎ 路面状態判別装置およびそれを備えたタイヤシステム
JP6828716B2 (ja) 2017-10-30 2021-02-10 株式会社デンソー 路面状態推定装置
JP6733707B2 (ja) 2017-10-30 2020-08-05 株式会社デンソー 路面状態判別装置およびそれを備えたタイヤシステム
JP2019089532A (ja) 2017-11-10 2019-06-13 株式会社デンソー 路面状態判別装置
WO2019093437A1 (ja) * 2017-11-10 2019-05-16 株式会社デンソー 路面状態判別装置
JP6946970B2 (ja) 2017-11-23 2021-10-13 株式会社デンソー 路面状態判別装置
JP6915507B2 (ja) * 2017-11-23 2021-08-04 株式会社デンソー 路面状態判別装置
JP7115060B2 (ja) * 2017-12-27 2022-08-09 株式会社デンソー 路面状態判別装置
WO2019131568A1 (ja) * 2017-12-27 2019-07-04 株式会社デンソー 路面状態判別装置
JP6791114B2 (ja) * 2017-12-28 2020-11-25 株式会社Ｓｏｋｅｎ 路面状態判別装置
JP7091877B2 (ja) 2018-01-19 2022-06-28 株式会社デンソー タイヤシステム
JP6969399B2 (ja) * 2018-01-19 2021-11-24 株式会社Soken タイヤシステム
CN108340922B (zh) * 2018-02-12 2020-06-05 北京搜狐新媒体信息技术有限公司 确定路面路况的方法和装置
CN108777067B (zh) * 2018-06-07 2021-04-02 郑州云海信息技术有限公司 一种道路健康度监测方法及系统
JP2019218023A (ja) * 2018-06-22 2019-12-26 株式会社ブリヂストン 路面状態判別方法及び路面状態判別装置
JP6961539B2 (ja) * 2018-06-22 2021-11-05 株式会社ブリヂストン 路面状態判別方法及び路面状態判別装置
JP2019218026A (ja) * 2018-06-22 2019-12-26 株式会社ブリヂストン 路面状態判別方法及び路面状態判別装置
JP7070155B2 (ja) * 2018-06-27 2022-05-18 株式会社デンソー 路面状態判別装置およびそれを備えるタイヤシステム
JP7112909B2 (ja) * 2018-08-09 2022-08-04 株式会社ブリヂストン タイヤ種判別方法及びタイヤ種判別装置
JP6790142B2 (ja) * 2019-01-31 2020-11-25 Ｔｏｙｏ Ｔｉｒｅ株式会社 タイヤ力推定システムおよびタイヤ力推定方法
FR3134749B1 (fr) * 2022-04-21 2024-03-08 Continental Automotive Gmbh Procédé de détermination de l’usure d’un pneumatique

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004198203A (ja) * 2002-12-17 2004-07-15 Honda Motor Co Ltd ハイドロプレーニング検出装置
JP2007055284A (ja) * 2005-08-22 2007-03-08 Bridgestone Corp 路面状態推定方法、路面状態推定用タイヤ、路面状態推定装置、及び、車両制御装置
JP2013006533A (ja) * 2011-06-24 2013-01-10 Bridgestone Corp 路面状態判定方法とその装置
JP2014035279A (ja) * 2012-08-09 2014-02-24 Bridgestone Corp 路面状態判別方法とその装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7549327B2 (en) * 2001-02-16 2009-06-23 Automotive Technologies International, Inc. Tire-mounted energy generator and monitor
JP4027585B2 (ja) * 2000-11-24 2007-12-26 トヨタ自動車株式会社 物理量推定装置及び路面摩擦状態推定装置
JP2007099245A (ja) 2005-10-07 2007-04-19 Toyota Motor Corp 路面状態推定装置および路面状態推定方法
JP5072463B2 (ja) * 2007-07-11 2012-11-14 株式会社ブリヂストン タイヤの摩耗検知方法及びタイヤの摩耗検知装置
DE102007039242A1 (de) * 2007-08-20 2009-02-26 Robert Bosch Gmbh Verfahren zum Betrieb eines Sensors an oder in einem Fahrzeugreifen und Sensoranordnung
JP5553303B2 (ja) * 2010-02-18 2014-07-16 株式会社デルタツーリング 生体状態推定装置及びコンピュータプログラム
JP5657917B2 (ja) * 2010-05-19 2015-01-21 株式会社ブリヂストン 路面状態推定方法
JP5733499B2 (ja) * 2010-10-29 2015-06-10 株式会社デルタツーリング 生体状態推定装置及びコンピュータプログラム
WO2012162241A2 (en) * 2011-05-20 2012-11-29 Northeastern University Real-time wireless dynamic tire pressure sensor and energy harvesting system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004198203A (ja) * 2002-12-17 2004-07-15 Honda Motor Co Ltd ハイドロプレーニング検出装置
JP2007055284A (ja) * 2005-08-22 2007-03-08 Bridgestone Corp 路面状態推定方法、路面状態推定用タイヤ、路面状態推定装置、及び、車両制御装置
JP2013006533A (ja) * 2011-06-24 2013-01-10 Bridgestone Corp 路面状態判定方法とその装置
JP2014035279A (ja) * 2012-08-09 2014-02-24 Bridgestone Corp 路面状態判別方法とその装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110603180A (zh) * 2017-04-26 2019-12-20 株式会社电装 轮胎侧装置及包含其的轮胎装置
CN110622043A (zh) * 2017-05-12 2019-12-27 株式会社普利司通 路面状态判别方法和路面状态判别装置
CN110622043B (zh) * 2017-05-12 2021-11-09 株式会社普利司通 路面状态判别方法和路面状态判别装置
US11486702B2 (en) 2017-05-12 2022-11-01 Bridgestone Corporation Road surface condition determination method and road surface condition determination apparatus
CN110753858A (zh) * 2017-06-16 2020-02-04 株式会社普利司通 路面状态判别方法和路面状态判别装置
JP2021060401A (ja) * 2019-10-02 2021-04-15 ハンコック タイヤ アンド テクノロジー カンパニー リミテッドＨａｎｋｏｏｋ Ｔｉｒｅ ＆ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ．， Ｌｔｄ． 路面状態推定装置及びそれを用いた路面状態推定方法
JP7096871B2 (ja) 2019-10-02 2022-07-06 ハンコック タイヤ アンド テクノロジー カンパニー リミテッド 路面状態推定装置及びそれを用いた路面状態推定方法

Also Published As

Publication number Publication date
EP3228515B1 (en) 2019-01-23
CN107207009A (zh) 2017-09-26
US10525777B2 (en) 2020-01-07
EP3228515A1 (en) 2017-10-11
JP2016107833A (ja) 2016-06-20
EP3228515A4 (en) 2017-11-15
US20180264894A1 (en) 2018-09-20
CN107207009B (zh) 2019-10-18
JP6450170B2 (ja) 2019-01-09

Similar Documents

Publication Publication Date Title
JP6450170B2 (ja) 路面状態判別方法
JP5937921B2 (ja) 路面状態判別方法とその装置
WO2018003942A1 (ja) 路面状態判別方法及び路面状態判別装置
JP6673766B2 (ja) 路面状態判別方法
JP6783184B2 (ja) 路面状態判別方法及び路面状態判別装置
JP2018004418A (ja) 路面状態判別方法
JP6734713B2 (ja) 路面状態判別方法
WO2019138774A1 (ja) 路面状態判別方法及び路面状態判別装置
WO2018230181A1 (ja) 路面状態判別方法及び路面状態判別装置
JP7112909B2 (ja) タイヤ種判別方法及びタイヤ種判別装置
JP6961539B2 (ja) 路面状態判別方法及び路面状態判別装置
JP7030532B2 (ja) 路面状態判別方法及び路面状態判別装置
WO2019244379A1 (ja) 路面状態判別方法及び路面状態判別装置
WO2019244380A1 (ja) 路面状態判別方法及び路面状態判別装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15864328

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 15532572

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

REEP Request for entry into the european phase

Ref document number: 2015864328

Country of ref document: EP