WO2019244378A1 - 路面状態判別方法及び路面状態判別装置 - Google Patents

路面状態判別方法及び路面状態判別装置 Download PDF

Info

Publication number
WO2019244378A1
WO2019244378A1 PCT/JP2018/047152 JP2018047152W WO2019244378A1 WO 2019244378 A1 WO2019244378 A1 WO 2019244378A1 JP 2018047152 W JP2018047152 W JP 2018047152W WO 2019244378 A1 WO2019244378 A1 WO 2019244378A1
Authority
WO
WIPO (PCT)
Prior art keywords
time
road surface
kernel function
tire
vibration
Prior art date
Application number
PCT/JP2018/047152
Other languages
English (en)
French (fr)
Inventor
啓太 石井
剛 真砂
嵩人 後藤
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
Publication of WO2019244378A1 publication Critical patent/WO2019244378A1/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
    • B60C19/00—Tyre parts or constructions not otherwise provided for
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology

Definitions

  • the present invention relates to a method and an apparatus for determining a road surface state using only data of a time-series waveform of tire vibration during running.
  • a time window calculated from a time series waveform extracted by multiplying a time series waveform of a tire vibration by a window function is used.
  • a method has been proposed in which a road surface state is determined using a kernel function calculated from a characteristic amount for each road surface and a reference characteristic amount, which is a characteristic amount for each time window, obtained in advance for each road surface state.
  • the reference feature amount is obtained by machine learning (SVM) using, as learning data, a feature amount for each time window calculated from a time series waveform of tire vibration previously obtained for each road surface condition (for example, see Patent Document 1). ).
  • the present invention has been made in view of the conventional problems, and provides a road surface state determination method and a road surface state determination device that can ensure the road surface state determination accuracy even when the amount of time expansion / contraction calculation is reduced.
  • the purpose is to:
  • the present invention provides a step (a) of detecting a vibration of a tire during running, a step (b) of extracting a time-series waveform of the detected tire vibration, and a step of adding a predetermined time width to the time-series waveform of the tire vibration.
  • the present invention provides a tire vibration detecting means disposed on an air chamber side of an inner liner portion of a tire tread portion for detecting vibration of a running tire, and the tire vibration detected by the tire vibration detecting means.
  • Windowing means for windowing the time-series waveform of the predetermined time width to extract a time-series waveform of tire vibration for each time window, and a vibration level of a specific frequency in the extracted time-series waveform for each time window.
  • a feature amount calculating means for calculating a feature amount having a component of the vibration level as a component, and a time window calculated from a time series waveform of tire vibration for each road surface condition calculated in advance.
  • Storage means for storing a reference feature quantity selected from the feature quantities of the above and a Lagrange undetermined multiplier corresponding to the reference feature quantity; a feature quantity for each time window calculated by the feature quantity calculation means; A kernel function calculating means for calculating a kernel function from the reference feature amount stored in the memory, and a road surface state determining means for determining a road surface state based on a value of a discriminant function using the kernel function.
  • a road surface condition determination device for determining a road surface condition, a reference feature value having a Lagrange undetermined multiplier corresponding to or greater than a predetermined threshold value is calculated from the reference feature values stored in the storage means.
  • a kernel function calculating unit that calculates a kernel function from the feature amount calculated by the feature amount calculating unit and the calculating feature amount extracted by the calculating feature amount extracting unit. Is calculated.
  • FIG. 2 is a functional block diagram of the road surface condition determination device according to the first embodiment. It is a figure showing an example of a mounting position of an acceleration sensor. It is a figure showing an example of a time series waveform of tire vibration. It is a figure showing the method of calculating a feature vector from a time series waveform of tire vibration. It is a schematic diagram which shows an input space. It is a figure which shows the road surface feature vector of a DRY road surface and the road surface feature vector of a WET road surface in an input space.
  • FIG. 4 is a diagram illustrating a method for calculating a GA kernel. 4 is a flowchart illustrating a road surface state determination method according to the present invention. It is a figure showing the distribution state of a support vector to a Lagrange multiplier. It is a figure which shows the relationship between the selection standard of the feature vector for a calculation, and road surface determination accuracy.
  • FIG. 1 is a diagram illustrating a configuration of a road surface state determination device 10 according to the present embodiment.
  • the road surface condition 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,
  • the vehicle includes a road surface state determination unit 17 and a calculation feature amount extraction unit 18 as a data amount reduction unit, and performs two road surface determinations as to whether the road surface on which the tire 20 is traveling is a DRY road surface or a WET road surface.
  • Each unit from the vibration waveform extracting unit 12 to the calculation feature amount extracting unit 18 is configured by, for example, computer software and a memory such as a RAM.
  • the acceleration sensor 11 is disposed integrally 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 a road surface.
  • the tire vibration signal output from the acceleration sensor 11 is, for example, amplified by an amplifier, converted into a digital signal, and sent to the vibration waveform extracting means 12.
  • the vibration waveform extracting means 12 extracts a time series waveform of the tire vibration for each rotation of the tire from the signal of the tire vibration detected by the acceleration sensor 11.
  • 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 near the stepping position and the kicking position, and the land portion of the tire 20 is in contact with the ground.
  • the kick-out region R k after the land portion of the tire 20 is separated from the road surface, and the ground contact region R s in which the land portion of the tire 20 is in contact with the road surface, Different vibrations appear depending on the state.
  • the area before the stepping-in area Rf and the area after the kicking-out area Rk are hardly affected by the road surface, so that the vibration level is small and the road surface information is low. Not included.
  • Up area R k after kicking from depression before area R f hereinafter referred to as the road surface area.
  • the windowing means 13 windows the extracted time-series waveform with a predetermined time width (also referred to as a time window width) ⁇ T, and generates a time-series waveform of tire vibration for each time window. It is extracted and sent to the feature vector calculation means 14.
  • T s in the figure, a time width of the road area.
  • the time-series waveform of the road surface area does not include the information of the road surface, in order to increase the calculation speed of the kernel function, in this example, only the time-series waveform of the road surface area is used as the feature vector calculation means. I send it to 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 the off-road area.
  • the time series waveforms of the tire vibration are used as the feature vectors X i to be calculated, and the band-pass filters of 0-0.5 kHz, 0.5-1 kHz, 1-2 kHz, 2-3 kHz, 3-4 kHz, and 4-5 kHz, respectively.
  • the vibration level (power value of the filtered wave) a ik (k 1 to 6) of the specific frequency band obtained by passing through each of them was used.
  • FIG. 5 is a schematic diagram showing the input space of feature vectors X i, each axis represents the vibration level a ik of a specific frequency band, which is a feature quantity, each point representing a feature vector X i.
  • the actual input space is a seven-dimensional space when combined with the time axis because the number of specific frequency bands is three. However, the figure is expressed in two dimensions (the horizontal axis is a 1 and the vertical axis is a 2 ).
  • a set of feature vectors X i when the group C travels the DRY road when group C be the set of i 'is the feature vector X of when traveling the WET road', and the group C If the tire can be distinguished from the group C ′, it can be determined whether the road on which the tires are traveling is a DRY road surface or a WET road surface.
  • the storage means 15 stores a DW identification model for identifying a DRY road surface and a WET road surface, which has been obtained in advance.
  • the DW identification model includes a reference feature vector Y ASV (y jk ), which is a reference feature amount for separating a DRY road surface and a WET road surface by an identification function f (x) representing a separation hyperplane, and a reference feature vector Y ASV ( y jk ) and a Lagrange multiplier ⁇ A.
  • the reference feature values Y ASV (y jk ) and ⁇ A are the time series of tire vibration obtained by running a test vehicle equipped with a tire equipped with an acceleration sensor at various speeds on a DRY road surface and a WET road surface.
  • the tire size used for learning may be one type or a plurality of types.
  • the subscript A of the reference feature vector Y ASV (y jk ) indicates DRY or WET.
  • SV is an abbreviation for support vector.
  • the reference feature vector Y ASV (y jk ) is the number of dimensions of the vector y i (here, 6 ⁇ M (M; number of windows)). Is a matrix.
  • the method of calculating the road surface feature vector Y A is the same as the feature vector X j described above, for example, if the reference feature vectors Y D of DRY road, the time-series waveform of tire vibrations when traveling along DRY road in time width ⁇ T and windowing, to extract the time-series waveform of tire vibrations per time window, it calculates a DRY road feature vector Y D for each of the time-series waveform of the extracted each time window was. Similarly, the WET road surface feature vector Y W is calculated from a time-series waveform for each time window when traveling on a WET road surface.
  • the number M of time-series waveforms in the time window differs depending on the tire type and the vehicle speed. That is, the number M of the time-series waveforms in the time window of the road surface feature vector Y ASV does not always match the number N of the time-series waveforms in the time window of the feature vector Xj .
  • Figure 6 is a conceptual diagram showing a DRY road feature vector Y D and WET road feature vector Y W in the input space, black circles in the figure is DRY road, open circles are WET road.
  • a DRY road feature vectors Y D also WET road feature vector Y W also matrices, for explaining how to determine the decision boundary of the group
  • DRY road feature vectors Y D and WET The road surface feature vector Y W is shown as a two-dimensional vector. Group identification boundaries generally do not allow linear separation.
  • the road surface feature vectors Y V and Y W are mapped to a high-dimensional feature space by a non-linear mapping ⁇ to perform linear separation, so that the road surface feature vectors Y D and Y W are obtained in the original input space.
  • Non-linear classification is performed.
  • a margin is provided for an identification function f (x) that is a separating hyperplane that separates the DRY road surface feature vector Y Dj and the WET road surface feature vector Y Wj .
  • the DRY road surface and the WET road surface can be accurately distinguished.
  • the DRY road surface feature vectors Y Dj are all in the region of f (x) ⁇ + 1, and the WET road surface feature vectors Y Wj are all in the region of f (x) ⁇ ⁇ 1.
  • the optimal identification function f (x) w for identifying the data.
  • T ⁇ (x) -b w
  • w is a vector representing a weight coefficient
  • b is a constant.
  • the optimization problem is replaced by the following equations (1) and (2).
  • ⁇ and ⁇ are indexes of a plurality of learning data.
  • ⁇ is a Lagrange multiplier
  • ⁇ T (x ⁇ ) ⁇ (x ⁇ ) is an inner product after x ⁇ and x ⁇ are mapped to a high-dimensional space by a mapping ⁇ .
  • the Lagrange multiplier ⁇ can be obtained by using an optimization algorithm such as the steepest descent method or SMO (Sequential Minimal Optimization) for the above equation (2).
  • the GA kernel K (x ⁇ , x ⁇ ) is a local kernel ⁇ ij (indicating the similarity between the feature vector x ⁇ and the feature vector x ⁇ ) x ⁇ i , x ⁇ j ) can be directly compared with time series waveforms having different time lengths using a function composed of the sum or the sum of the products.
  • the local kernel ⁇ ij (x ⁇ i , x ⁇ j ) is obtained for each window of the time interval T.
  • the calculation feature amount extraction unit 18 is configured to select a reference feature for use in calculating a kernel function from the reference feature vector Y DSV of the DRY road surface and the reference feature vector Y WSV of the WET road surface recorded in the storage unit 15.
  • the vectors Y DK and Y WK are selected and extracted, and sent to the kernel function calculating means 16 as a feature vector Y DK for calculation of a DRY road surface and a feature vector Y WK for calculation of a WET road surface, respectively.
  • the selection criterion of the operation feature vector Y AK for example, there are the following three selection criterion. Selection criterion 1: a reference feature vector Y AK satisfying ⁇ ⁇ m is adopted.
  • Selection Criteria 2 Arrangement of ⁇ is rearranged in descending order, and a fixed number N is adopted from the largest value.
  • Selection criterion 3 rearrange the array of ⁇ in descending order, calculate the ratio by dividing each ⁇ by the total of the ⁇ array, and evaluate what percentage of the entire ⁇ occupies, that is, Calculate and adopt the contribution rate. Specifically, the contribution ratios are added from the larger ⁇ , and up to ⁇ where the integrated value of the contribution ratios exceeds k% (for example, 80%). Specific examples are shown in Table 1 below. In this example, the selection criterion is 1 ( ⁇ ⁇ 0.3). As a result, the data amount can be reduced, and the calculation time of the kernel function K (X, Y) can be shortened.
  • the kernel function calculation means 16 calculates the feature vector X i calculated by the feature vector calculation means 14, the DRY road calculation feature vector Y DK extracted by the calculation feature quantity extraction means 18, and the WET road calculation feature. From the vector Y WK , a DRYGA kernel K D (X, Y DK ) and a WETGA kernel K W (X, Y WK ) are calculated.
  • the GA kernel K D (X, Y DK ) and the GA kernel K W (X, Y WK ) it is possible to directly compare time-series waveforms having different time lengths. As described above, the number n of time-series waveforms in the time window when the feature vector X i is obtained is different from the number m of time-series waveforms in the time window when the road surface feature vector Y Aj is obtained. even if it is possible to determine the similarity between the calculating feature vectors Y Wkj a feature vector X i and the reference feature vector Y ASVj.
  • the value of the identification function f DW (x) using the kernel function K D (X, Y DK ) and the kernel function K W (X, Y WK ) shown in the following equation (5) The road surface condition is determined based on the above.
  • N DK is the number of feature vectors Y DKj for calculation on a DRY road surface
  • N WK is the number of feature vectors Y WKj for calculation on a WET road surface.
  • the identification function f DW is calculated, and if f DW > 0, the road surface is determined to be a DRY road surface, and if f DW ⁇ 0, the road surface is determined to be a WET road surface.
  • Step S10 a tire vibration generated by an input from a road surface R 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 S10). S11). Then, the time-series waveform of the extracted tire vibration is windowed over a predetermined time width ⁇ T to obtain a 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 set to m (step S12).
  • a feature vector X i (x i1 , x i2 , x i3 , x i4 , x i5 , x i6 ) is calculated for each of the extracted time-series waveforms in each time window (step S13).
  • the time width T is 3 msec.
  • the number of feature vectors X i is six.
  • a feature vector Y DK for calculating the DRY road surface and a feature vector Y DK for calculating the WET road surface are selected from the calculated feature vector X i and the reference feature vector YA SVj of the DRY road surface and the WET road surface recorded in the storage means 15.
  • the feature vector Y WK is extracted (step S14).
  • a local kernel ⁇ ij (X i , Y AKj ) is calculated from the calculation feature vector Y DK and the calculation feature vector Y WK and the feature vector X i, and then the local kernel ⁇ ij (X i , Y AKj ) are calculated, and a GA kernel function K A (X, Y AK ) is calculated (step S15).
  • an identification function f DW (x) using the GA kernel function K D of the DRY road surface and the GA kernel function K W of the WET road surface is calculated (step S16). If f DW > 0, the road surface is the DRY road surface And if f DW ⁇ 0, it is determined that the road surface is a WET road surface. (Step S17).
  • the road surface data which is the feature amount for each, was obtained as learning data by machine learning (SVM).
  • SVM machine learning
  • Table 2 the used road surface data is divided into for training (for training) and for testing (for test), and the support vector for the DRY road surface and the support vector for the WET road surface are defined. After the determination, the support vector of the DRY road surface and the boundary surface of the support vector of the WET road surface were determined.
  • FIG. 9A is a diagram illustrating the distribution of support vectors
  • FIG. 9B is a diagram illustrating the number of support vectors satisfying ⁇ ⁇ m.
  • the selection criterion for the operation feature vector Y AK is ⁇ .
  • ⁇ 0.3 the discrimination accuracy is to reduce the number of support vectors from 415 to 260 (approximately 47% reduction) while maintaining 95% of the conventional ⁇ ⁇ 0.05.
  • m the reference feature amount in which the Lagrange's undetermined multiplier ⁇ is equal to or larger than the preset threshold value m is used as a feature amount used in the calculation of the kernel function, the calculation speed is increased while ensuring the accuracy of determining the road surface state. It was confirmed that it could be done. Note that it is preferable to set m ⁇ 0.35 in order to ensure the discrimination accuracy of 90% or more of the related art.
  • two road surfaces are discriminated whether the road surface on which the tire 20 is traveling is the DRY road surface or the WET road surface using the DW identification model. Is used, it is possible to determine whether the road surface on which the tire 20 is traveling is a DRY road surface, a WET road surface, a SNOW road surface, or an ICE road surface.
  • the AA ′ identification model is an identification function f AA ′ (x ), A road surface feature vector Y ASV and a Lagrangian multiplier ⁇ AA ′ , which are reference feature amounts for separation by A), and an A ′ road surface feature vector Y A′SV Lagrangian multiplier ⁇ A′A .
  • the reference feature values Y ASV and ⁇ A are the values of tire vibration obtained by running a test vehicle equipped with a tire equipped with an acceleration sensor at various speeds on DRY, WET, SNOW, and ICE road surfaces.
  • Lagrange multiplier ⁇ A corresponding to the reference feature vector Y ASV for each identification model.
  • three Lagrangian multipliers ⁇ DW , ⁇ DS , and ⁇ DI corresponding to the DRY road surface feature vector Y DSV have different values.
  • the GA kernel function K A (X, Y AK ) is calculated using the feature vector used for the GA kernel function K (X, Y) as the calculation feature vector Y AK .
  • the method of calculating the GA kernel function K A (X, Y AK ) is the same as in the first embodiment.
  • the GA kernel function K I (X, Y IK ) is the GA kernel function for the ICE road surface.
  • the determination of the road surface state is performed using six identification functions f AA ′ (x) shown in the following equations (6) to (11).
  • the road surface can be determined as follows. If f DW > 0, f DS > 0, f DI > 0, it is determined that the road surface is a DRY road surface. If f DW ⁇ 0, f WS > 0, f WI > 0, it is determined that the road surface is a WET road surface. If f DS ⁇ 0, f WS > 0, f SI > 0, it is determined that the road surface is a SNOW road surface.
  • f DI ⁇ 0, f WI ⁇ 0, f SI ⁇ 0 it is determined that the road surface is an ICE road surface.
  • the feature vector used for the GA kernel function K (X, Y) is the reference feature vector Y ASV
  • Y AA′K is set to Y AA′SV
  • N AA′SV is set.
  • AA'K may be NAA'SV .
  • the acceleration sensor 11 is used as the tire vibration detecting means, but other vibration detecting means such as a pressure sensor may be used.
  • the acceleration sensor 11 may be installed at another location such as one at a position separated from the center of the tire in the width direction by a predetermined distance in the width direction, or may be installed in a block.
  • a feature vector X i and the power value x ik of filtration wave, variance, when the power value x ik of filtration wave log [x ik (t) 2 + x ik ( t-1) 2 ]
  • a feature vector X i Fourier coefficients a vibration level of a particular frequency band when the Fourier transform of the tire vibration time series waveform or may be cepstral coefficients.
  • the cepstrum coefficient is obtained by assuming the waveform after Fourier transform as a spectrum waveform and performing Fourier transform again, or assuming the AR spectrum as a waveform and further obtaining the AR coefficient (LPC Cepstrum). Since the shape of the spectrum can be characterized without being affected by, the determination accuracy is improved as compared with the case where the frequency spectrum obtained by the Fourier transform is used.
  • the GA kernel is used as the kernel function, but a dynamic time warping kernel function (DTW kernel) may be used.
  • DTW kernel dynamic time warping kernel function
  • a GA kernel and a DTW kernel operation value may be used.
  • the present invention provides a step (a) of detecting a vibration of a tire during running, a step (b) of extracting a time-series waveform of the detected tire vibration, and a step of extracting a predetermined time-series waveform of the tire vibration.
  • the kernel function is calculated from the feature amount for each time window calculated in the above and the reference feature amount selected from the feature amount for each time window calculated from the time series waveform of the tire vibration obtained in advance for each road surface condition.
  • a road surface state determination method comprising: a step (e); and a step (f) of determining a road surface state during traveling based on a value of a discriminant function using the kernel function.
  • Step ( And (g) extracting, from the reference feature values, a reference feature value having a corresponding Lagrange undetermined multiplier equal to or greater than a preset threshold value as a calculation feature value;
  • a kernel function is calculated from the feature quantity calculated in the step (d) and the calculation feature quantity extracted in the step (g). This makes it possible to reduce the number of reference features used for calculating the kernel function K (X, Y), thereby increasing the calculation speed while ensuring the road surface state determination accuracy.
  • the vibration level of a specific frequency band of the time-series waveform for each time window extracted by applying the window function may be used.
  • the vibration level of the specific frequency band may be 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 accuracy of determining the time-series waveform road surface state obtained through the filter can be improved.
  • the kernel function is a global alignment kernel function, a dynamic time warping kernel function, or an operation value of the kernel function, it is possible to improve the determination accuracy of the road surface state.
  • the present invention provides a tire vibration detecting means disposed on an air chamber side of an inner liner portion of a tire tread portion for detecting vibration of a running tire, and the tire vibration detected by the tire vibration detecting means.
  • Windowing means for windowing the time-series waveform of the predetermined time width to extract a time-series waveform of tire vibration for each time window, and a vibration level of a specific frequency in the extracted time-series waveform for each time window.
  • a feature amount calculating means for calculating a feature amount having a component of the vibration level as a component, and a time window calculated from a time series waveform of tire vibration for each road surface condition calculated in advance.
  • Storage means for storing a reference feature quantity selected from the feature quantities of the above and a Lagrange undetermined multiplier corresponding to the reference feature quantity; a feature quantity for each time window calculated by the feature quantity calculation means; A kernel function calculating unit that calculates a kernel function from the stored reference feature amount; and a road surface state determining unit that determines a road surface state based on a value of an identification function using the kernel function.
  • the kernel function calculation means calculates a kernel function from the feature value calculated by the feature value calculation means and the calculation feature value extracted by the calculation feature value extraction means. It is characterized in that it is calculated.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Tires In General (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

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、この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ておいた時間窓毎の特徴ベクトルである基準特徴ベクトルＹASVJとからカーネル関数ＫAを算出する際に、前記基準特徴ベクトルＹASVJとして、ラグランジェ未定乗数λが、予め設定された閾値ｍ以上である基準特徴ベクトルであるＹAKJを用いることで、カーネル関数ＫAの演算時間を短縮するようにした。

Description

路面状態判別方法及び路面状態判別装置
　本発明は、走行中のタイヤの振動の時系列波形のデータのみを用いて路面状態を判別する方法とその装置に関する。
　従来、走行中のタイヤの振動の時系列波形のデータのみを用いて路面状態を判別する方法として、タイヤの振動の時系列波形に窓関数をかけて抽出した時系列波形から算出される時間窓毎の特徴量と、予め路面状態毎に求めておいた時間窓毎の特徴量である基準特徴量とから算出したカーネル関数を用いて路面状態を判別する方法が提案されている。
　基準特徴量は、予め路面状態毎に求めておいたタイヤ振動の時系列波形から算出された時間窓毎の特徴量を学習データとして、機械学習（ＳＶＭ）により求められる（例えば、特許文献１参照）。
特開２０１４－３５２７９号公報
　しかしながら、時間伸縮は、取得された時系列波形を比較するために必要な操作であるものの、計算量が多いため、計算時間が長く、処理が非常に重くなってしまう、といった問題点があった。
　本発明は、従来の問題点に鑑みてなされたもので、時間伸縮の計算量を削減しても路面状態の判別精度を確保することができる路面状態判別方法と路面状態判別装置とを提供することを目的とする。
　本発明は、走行中のタイヤの振動を検出するステップ（ａ）と、前記検出されたタイヤの振動の時系列波形を取り出すステップ（ｂ）と、前記タイヤ振動の時系列波形に所定の時間幅の窓関数をかけて時間窓毎の時系列波形を抽出するステップ（ｃ）と、前記時間窓毎の時系列波形からそれぞれ特徴量を算出するステップ（ｄ）と、前記ステップ（ｄ）で算出した時間窓毎の特徴量と、予め路面状態毎に求めておいたタイヤ振動の時系列波形から算出された時間窓毎の特徴量から選択される基準特徴量とからカーネル関数を算出するステップ（ｅ）と、前記カーネル関数を用いた識別関数の値に基づいて走行中の路面の状態を判別するステップ（ｆ）と、を備えた路面状態判別方法において、前記ステップ（ｄ）と前記ステップ（ｅ）との間に設けられて、前記基準特徴量の中から、対応するラグランジェ未定乗数が予め設定された閾値以上である基準特徴量を演算用特徴量として抽出するステップ（ｇ）を備え、前記ステップ（ｅ）では、前記ステップ（ｄ）で算出した特徴量と前記ステップ（ｇ）で抽出した演算用特徴量とからカーネル関数を算出することを特徴とする。
　また、本発明は、タイヤトレッド部のインナーライナー部の気室側に配設されて、走行中のタイヤの振動を検出するタイヤ振動検出手段と、前記タイヤ振動検出手段で検出された前記タイヤ振動の時系列波形を予め設定した時間幅で窓掛けして時間窓毎にタイヤ振動の時系列波形を抽出する窓掛け手段と、前記抽出された時間窓毎の時系列波形における特定周波数の振動レベルを成分とする特徴量もしくは前記振動レベルの関数を成分とする特徴量を算出する特徴量算出手段と、予め算出しておいた路面状態毎のタイヤ振動の時系列波形から算出された時間窓毎の特徴量から選択される基準特徴量と前記基準特徴量に対応するラグランジェ未定乗数とを記憶する記憶手段と、前記特徴量算出手段で算出した時間窓毎の特徴量と、前記記憶手段に記憶された基準特徴量とからカーネル関数を算出するカーネル関数算出手段と、前記カーネル関数を用いた識別関数の値に基づいて路面状態を判別する路面状態判別手段とを備え、タイヤの走行する路面の状態を判別する路面状態判別装置において、前記記憶手段に記憶された基準特徴量のなかから、対応するラグランジェ未定乗数が予め設定された閾値以上である基準特徴量を、演算用特徴量として抽出する演算用特徴量抽出手段を設けるとともに、前記カーネル関数算出手段は、前記特徴量算出手段で算出した特徴量と前記演算用特徴量抽出手段で抽出された演算用特徴量とからカーネル関数を算出することを特徴とする。
　なお、前記発明の概要は、本発明の必要な全ての特徴を列挙したものではなく、これらの特徴群のサブコンビネーションもまた、発明となり得る。
本実施の形態１に係る路面状態判別装置の機能ブロック図である。 加速度センサーの装着位置の一例を示す図である。 タイヤ振動の時系列波形の一例を示す図である。 タイヤ振動の時系列波形から特徴ベクトルを算出する方法を示す図である。 入力空間を示す模式図である。 入力空間上における、ＤＲＹ路面の路面特徴ベクトルとＷＥＴ路面の路面特徴ベクトルとを示す図である。 ＧＡカーネルの算出方法を示す図である。 本発明による路面状態判別方法を示すフローチャートである。 ラグランジュ乗数に対するサポートベクトルの分布状態を示す図である。 演算用特徴ベクトルの選択基準と路面判定精度との関係を示す図である。
実施の形態
　図１は、本実施の形態に係る路面状態判別装置１０の構成を示す図である。
　路面状態判別装置１０は、タイヤ振動検出手段としての加速度センサー１１と、振動波形抽出手段１２と、窓掛け手段１３と、特徴ベクトル算出手段１４と、記憶手段１５と、カーネル関数算出手段１６と、路面状態判別手段１７と、データ量削減手段としての演算用特徴量抽出手段１８とを備え、タイヤ２０の走行している路面が、ＤＲＹ路面であるかＷＥＴ路面であるかの２路面判別を行う。
　振動波形抽出手段１２～演算用特徴量抽出手段１８までの各手段は、例えば、コンピュータのソフトウェア、及び、ＲＡＭ等のメモリーから構成される。
　加速度センサー１１は、図２に示すように、タイヤ２０のインナーライナー部２１のタイヤ気室２２側のほぼ中央部に一体に配置されて、路面からの入力による当該タイヤ２０の振動を検出する。加速度センサー１１の出力であるタイヤ振動の信号は、例えば、増幅器で増幅された後、デジタル信号に変換されて振動波形抽出手段１２に送られる。
　振動波形抽出手段１２では、加速度センサー１１で検出したタイヤ振動の信号から、タイヤの一回転毎に、タイヤ振動の時系列波形を抽出する。
　図３はタイヤ振動の時系列波形の一例を示す図で、タイヤ振動の時系列波形は、踏み込み位置近傍と蹴り出し位置近傍に大きなピークを有しており、かつ、タイヤ２０の陸部が接地する前の踏み込み前領域Ｒf、タイヤ２０の陸部が路面から離れた後の蹴り出し後領域Ｒk、及び、タイヤ２０の陸部が路面に接地している接地領域Ｒsにおいては、路面状態によって異なる振動が出現する。一方、踏み込み前領域Ｒfの前の領域と蹴り出し後領域Ｒkの後の領域（以下、路面外領域という）とは路面の影響を殆ど受けていないので、振動レベルも小さく、路面の情報も含んでいない。踏み込み前領域Ｒfから蹴り出し後領域Ｒkまでを、以下、路面領域という。
　窓掛け手段１３は、図４に示すように、前記抽出された時系列波形を予め設定した時間幅（時間窓幅ともいう）ΔＴで窓掛けし、時間窓毎にタイヤ振動の時系列波形を抽出して特徴ベクトル算出手段１４に送る。なお、同図のＴsは、路面領域の時間幅である。
　なお、前述したように、路面外領域の時系列波形は、路面の情報を含んでいないので、カーネル関数の計算速度を速めるため、本例では、路面領域の時系列波形のみを特徴ベクトル算出手段１４には送るようにしている。
　なお、路面外領域の定義としては、例えば、タイヤ振動の時系列波形に対してバックグラウンドレベルを設定し、このバックグラウンドレベルよりも小さな振動レベルを有する領域を路面外領域とすればよい。
　特徴ベクトル算出手段１４は、図４に示すように、抽出された各時間窓の時系列波形のそれぞれに対して特徴ベクトルＸi（ｉ＝１～Ｎ；Ｎは抽出された時間窓毎の時系列波形の数）算出する。
　本例では、算出する特徴ベクトルＸiとして、タイヤ振動の時系列波形を、それぞれ、0-0.5kHz、0.5-1kHz、1-2kHz、2-3kHz、3-4kHz、4-5kHzのバンドパスフィルタにそれぞれ通して得られた特定周波数帯域の振動レベル（フィルター濾過波のパワー値）ａik（ｋ＝１～６）を用いた。特徴ベクトルは、Ｘi＝（ａi1，ａi2，ａi3，ａi4，ａi5，ａi6）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３つなので時間軸と合わせると７次元空間になるが、同図は２次元（横軸がａ1、縦軸がａ2）で表している。
　同図において、グループＣがＤＲＹ路面を走行しているときの特徴ベクトルＸiの集合で、グループＣ’がＷＥＴ路面を走行しているときの特徴ベクトルＸ’iの集合とすると、グループＣとグループＣ’とを区別することができれば、タイヤの走行している路面がＤＲＹ路面かＷＥＴ路面かを判別することができる。
　記憶手段１５は、予め求めておいた、ＤＲＹ路面とＷＥＴ路面とを識別するためのＤＷ識別モデルを記憶する。
　ＤＷ識別モデルは、ＤＲＹ路面とＷＥＴ路面とを分離超平面を表わす識別関数ｆ（ｘ）により分離するための基準特徴量である基準特徴ベクトルＹASV（ｙjk）と、基準特徴ベクトルＹASV（ｙjk）に対応するラグランジュ乗数λAとを備える。
　基準特徴量ＹASV（ｙjk）及びλAは、加速度センサーを取り付けたタイヤを搭載した試験車両を、ＤＲＹ路面とＷＥＴ路面にて、様々な速度で走行させて得られたタイヤ振動の時系列波形から算出された時間窓毎の特徴ベクトルである路面特徴ベクトルＹA（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。
　基準特徴ベクトルＹASV（ｙjk）の添え字Ａは、ＤＲＹもしくはＷＥＴを示している。
　また、添字ｊ（ｊ＝１～Ｍ）は時間窓毎に抽出した時系列波形の窓番号を示し、添字ｋはベクトルの成分を示している（ｋ＝１～６）。すなわち、ｙjk＝（ａj1，ａj2，ａj3，ａj4，ａj5，ａj6）である。また、ＳＶはサポートベクトルの略である。
　なお、本例のように、グローバルアライメントカーネル関数を用いる場合には、基準特徴ベクトルＹASV（ｙjk）は、ベクトルｙiの次元数（ここでは、６×Ｍ（Ｍ；窓の数））の行列となる。
　以下、路面特徴ベクトルＹA（ｙjk）及び基準特徴ベクトルＹASV（ｙjk）を、それぞれ、ＹA、ＹASVと記す。
　路面特徴ベクトルＹAの算出方法は、前述した特徴ベクトルＸjと同様で、例えば、ＤＲＹ路面の基準特徴ベクトルＹDなら、ＤＲＹ路面を走行したときのタイヤ振動の時系列波形を時間幅ΔＴで窓掛けし、時間窓毎にタイヤ振動の時系列波形を抽出し、抽出された各時間窓の時系列波形のそれぞれに対してＤＲＹ路面特徴ベクトルＹDを算出する。同様に、ＷＥＴ路面特徴ベクトルＹWは、ＷＥＴ路面を走行したときの時間窓毎の時系列波形から算出される。
　また、基準特徴ベクトルＹASVは、ＤＲＹ路面特徴ベクトルＹDとＷＥＴ路面特徴ベクトルＹWとを学習データとしたサポートベクトルマシーン（ＳＶＭ）により、サポートベクトルとして選択された特徴ベクトルである。
　なお、記憶手段１５には全ての基準特徴ベクトルＹASVを記憶する必要はなく、一般には、ラグランジュ乗数λが、所定の値λmin（例えば、λmin＝0.05）以上であるサポートベクトルＹASVのみを、基準特徴ベクトルＹASVとして記憶すればよい。
　ここで、時間幅ΔＴが、特徴ベクトルＸjを求める場合の時間幅ΔＴと同じ値であることが肝要である。時間幅Ｔが一定なら、時間窓の時系列波形の数Ｍはタイヤ種と車速によって異なる。すなわち、路面特徴ベクトル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路面特徴ベクトルＹASVを求めたときの車速よりも遅い場合には、Ｍ＞Ｎとなり、速い場合にはＭ＜Ｎとなる。
　図６は、入力空間上におけるＤＲＹ路面特徴ベクトルＹDとＷＥＴ路面特徴ベクトルＹWを示す概念図で、同図の黒丸がＤＲＹ路面、白丸がＷＥＴ路面である。
　なお、前述したように、ＤＲＹ路面特徴ベクトルＹDもＷＥＴ路面特徴ベクトルＹW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ＹDとＷＥＴ路面特徴ベクトルＹW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ＹV及びＹW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ＹD及びＹWに対して非線形な分類を行う。
　ＤＲＹ路面とＷＥＴ路面とを区別するには、ＤＲＹ路面特徴ベクトルＹDjとＷＥＴ路面特徴ベクトルＹWjとを分離する分離超平面である識別関数ｆ（ｘ）に対してマージンを持たせることで、ＤＲＹ路面とＷＥＴ路面とを精度よく区別することができる。
　マージンとは、分離超平面から一番近いサンプルまでの距離をいい、識別境界である分離超平面はｆ（ｘ）＝０である。また、ＤＲＹ路面特徴ベクトルＹDjは全てｆ（ｘ）≧＋１の領域にあり、ＷＥＴ路面特徴ベクトルＹWjは全てｆ（ｘ）≦－１の領域にある。
　次に、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、ｗは重み係数を表すベクトルで、ｂは定数である。
　また、データはＤＲＹ路面特徴ベクトルＹDjとＷＥＲ路面特徴ベクトルＹWjであり、所属クラスはｚ＝１が同図のχ1で示すＤＲＹ路面のデータで、ｚ＝－１がχ2で示すＷＥＴ路面のデータである。ｆ（ｘ）＝０が識別境界で、１/||ｗ||が路面特徴ベクトルＹAj（Ａ＝Ｄ，Ｗ）とｆ（ｘ）＝０との距離である。
　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である路面特徴ベクトルＹAjは、識別関数ｆ（ｘ）には関与しない（サポートベクトルではない）ベクトルデータである。
　ここで、内積φT（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を非線形化できる。
　なお、φT（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。
　このように、内積φT（ｘα）φ（ｘβ）を直接求めずに、カーネル関数Ｋ（ｘα，ｘβ）に置き換えるようにすれば、高次元の内積を直接求める必要がないので、計算時間を大幅に縮減できる。
　本例では、カーネル関数Ｋ（ｘα，ｘβ）として、グローバルアライメントカーネル関数（ＧＡカーネル）を用いた。
　ＧＡカーネルＫ（ｘα，ｘβ）は、図７及び以下の式（３），（４）に示すように、特徴ベクトルｘαと特徴ベクトルｘβとの類似度を示すローカルカーネルκij（ｘαi，ｘβj）の総和もしくは総積から成る関数で、時間長さの異なる時系列波形を直接比較することができる。
　ローカルカーネルκij（ｘαi，ｘβj）は、時間間隔Ｔの窓毎に求められる。
　なお、図７は、時間窓の数が６である特徴ベクトルｘαiと、時間窓の数が４である特徴ベクトルｘβとのＧＡカーネルを求めた例である。
Figure JPOXMLDOC01-appb-M000002
 　ここで、||ｘαi－ｘβj||は、特徴ベクトル間の距離(ノルム)で、σは定数である。
　演算用特徴量抽出手段１８は、記憶手段１５に記録されているＤＲＹ路面の基準特徴ベクトルＹDSVとＷＥＴ路面の基準特徴ベクトルＹWSVとの中から、カーネル関数の演算に使用するための基準特徴ベクトルＹDKとＹWKとを選択して抽出し、それぞれ、ＤＲＹ路面の演算用特徴ベクトルＹDK及びＷＥＴ路面の演算用特徴ベクトルＹWKとして、カーネル関数算出手段１６に送る。
　演算用特徴ベクトルＹAKの選択基準としては、例えば、以下の３つの選択基準が挙げられる。
　選択基準１；λ≧ｍである基準特徴ベクトルＹAKを採用する。
　　　　　　　　　　但し、ｍ＞λmin＝0.05
　選択基準２；λの配列を降順に並べ替え、値の大きいものから一定数Ｎ個採用する。
　選択基準３；λの配列を降順に並べ替え、それぞれのλをλ配列の合計でわることで、割合を算出し、それぞれのλが全体の何％の大きさを占めるかを評価、つまり、寄与率を計算して採用する。具体的には、寄与率をλの大きいほうから足していき、寄与率の積算値がｋ％（例えば、８０％）を超えるλまでを採用する。
　具体例を、以下の表１に示す。
Figure JPOXMLDOC01-appb-T000003
 　本例では、選択基準１（λ≧０．３）とした。
　これにより、データ量を削減できるので、カーネル関数Ｋ（Ｘ，Ｙ）の演算時間を速くすることができる。
　カーネル関数算出手段１６は、特徴ベクトル算出手段１４にて算出された特徴ベクトルＸiと、演算用特徴量抽出手段１８で抽出されたＤＲＹ路面の演算用特徴ベクトルＹDKとＷＥＴ路面の演算用特徴ベクトルＹWKとから、ＤＲＹＧＡカーネルＫD（Ｘ，ＹDK）とＷＥＴＧＡカーネルＫW（Ｘ，ＹWK）とを算出する。
　ＤＲＹＧＡカーネルＫD（Ｘ，ＹDK）は、上記式（３）及び（４）において、特徴ベクトルｘiαを特徴ベクトル算出手段１４で算出された特徴ベクトルＸiとし、特徴ベクトルｘβをＤＲＹ路面の演算用特徴ベクトルＹDKjとしたときのローカルカーネルκij（Ｘi，ＹDKj）の総和もしくは総積から成る関数で、ＷＥＴＧＡカーネルＫW（Ｘ，ＹWK）は、特徴ベクトルｘβをＷＥＴ路面の演算用特徴ベクトルＹWKjとしたときのローカルカーネルκij（Ｘi，ＹKj）の総和もしくは総積から成る関数である。これらのＧＡカーネルＫD（Ｘ，ＹDK）及びＧＡカーネルＫW（Ｘ，ＹWK）を用いることで、時間長さの異なる時系列波形を直接比較することができる。
　なお、上記のように、特徴ベクトル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を求めた場合の時間窓の時系列波形の数ｍとが異なっている場合でも、特徴ベクトルＸiと基準特徴ベクトルＹASVjである演算用特徴ベクトルＹWKj間の類似度を求めることができる。
　路面状態判別手段１７では、以下の式（５）式に示す、カーネル関数ＫD（Ｘ，ＹDK）とカーネル関数ＫW（Ｘ，ＹWK）を用いた識別関数ｆDW（ｘ）の値とに基づいて路面状態を判別する。
Figure JPOXMLDOC01-appb-M000004
 　ここで、ＮDKはＤＲＹ路面の演算用特徴ベクトルＹDKjの個数で、ＮWKはＷＥＴ路面の演算用特徴ベクトルＹWKjの個数である。
　本例では、識別関数ｆDWを計算し、ｆDW＞０であれば、路面がＤＲＹ路面であると判別し、ｆDW＜０であれば、路面がＷＥＴ路面であると判別する。
　演算用特徴ベクトルＹDKjの個数ＮDK及び演算用特徴ベクトルＹWKjの個数ＮWKは、それぞれ基準特徴ベクトルＹDSVの個数ＮDSV及び基準特徴ベクトルＹWSVの個数ＮWSVよりも少ないので、カーネル関数Ｋ（Ｘ，Ｙ）の演算時間を速くすることができる。
　なお、後述する［実施例１］に示すように、演算用特徴ベクトルＹDKj及び演算用特徴ベクトルＹWKjの選定基準をλ≧０．３としても、ＤＲＹ/ＷＥＴの２路面の判別精度を十分確保することができる。
　次に、路面状態判別装置１０を用いて、タイヤ２０の走行している路面の状態を判別する方法について、図８のフローチャートを参照して説明する。
　まず、加速度センサー１１によりタイヤ２０が走行している路面Ｒからの入力により発生したタイヤ振動を検出し（ステップＳ１０）、検出されたタイヤ振動の信号からタイヤ振動の時系列波形を抽出する（ステップＳ１１）。
　そして、抽出されたタイヤ振動の時系列波形を予め設定した時間幅ΔＴで窓掛けして、時間窓毎のタイヤ振動の時系列波形を求める。ここで、時間窓毎のタイヤ振動の時系列波形の数をｍ個とする（ステップＳ１２）。
　次に、抽出された各時間窓の時系列波形のそれぞれに対して特徴ベクトルＸi＝（ｘi1，ｘi2，ｘi3，ｘi4，ｘi5，ｘi6）を算出する（ステップＳ１３）。本例では時間幅Ｔを3msec.とした。また、特徴ベクトルＸiの数は６個である。
　特徴ベクトルＸiの各成分ｘi1～ｘi6（ｉ＝１～６）は、前述したように、タイヤ振動の時系列波形のフィルター濾過波のパワー値である。
　次に、算出された特徴ベクトルＸiと記憶手段１５に記録されているＤＲＹ路面及びＷＥＴ路面の基準特徴ベクトルＹASVjとの中から、ＤＲＹ路面の演算用特徴ベクトルＹDKとＷＥＴ路面の演算用特徴ベクトルＹWKとを抽出する（ステップＳ１４）。そして、これら演算用特徴ベクトルＹDK及び演算用特徴ベクトルＹWKと、特徴ベクトルＸiとから、ローカルカーネルκij（Ｘi，ＹAKj）を算出した後、ローカルカーネルκij（Ｘi，ＹAKj）の総和を求めて、ＧＡカーネル関数ＫA（Ｘ，ＹAK）をそれぞれ算出する（ステップＳ１５）。
　Ａ＝ＤであるＧＡカーネル関数ＫD（Ｘ，ＹDK）がＤＲＹ路面のＧＡカーネル関数で、Ａ＝ＷであるＧＡカーネル関数ＫW（Ｘ，ＹWK）がＷＥＴ路面のＧＡカーネル関数である。
　そして、ＤＲＹ路面のＧＡカーネル関数ＫDとＷＥＴ路面のＧＡカーネル関数ＫWとを用いた識別関数ｆDW（ｘ）を計算（ステップＳ１６）し、ｆDW＞０であれば、路面がＤＲＹ路面であると判別し、ｆDW＜０であれば、路面がＷＥＴ路面であると判別する。（ステップＳ１７）。
　このように、カーネル関数の計算に使用する基準特徴ベクトルである演算用特徴ベクトルＹAKとして、λ≧ｍ（＞λmin＝0.05）である基準特徴ベクトルＹADVを採用することで、路面状態の判別精度を確保しつつ、データ量を削減できるので、路面判別時間を効果的に短縮することができる。
［実施例］
　ＤＲＹ路面のサポートベクトルとＷＥＴ路面のサポートベクトルとを、予めＤＲＹ路面とＷＥＴ路面にて求めておいた、ＤＲＹ路面とＷＥＴ路面とを走行したときのタイヤ振動の時系列波形から算出された時間窓毎の特徴量である路面データを学習データとして、機械学習（ＳＶＭ）により求めた。
　具体的には、以下の表２に示すように、使用した路面データを、訓練用（Train用）とテスト用（Test用）とに分け、ＤＲＹ路面のサポートベクトルとＷＥＴ路面のサポートベクトルとを求めた後、ＤＲＹ路面のサポートベクトルとＷＥＴ路面のサポートベクトルの境界面とを求めた。このとき、サポートベクターマシーンのハイパーパラメータＣ，σは、それぞれ、Ｃ＝２、σ＝１２５とした。
　このとき、サポートベクトルの数は最大で４１５個であった。
Figure JPOXMLDOC01-appb-T000005
 　図９（ａ）はサポートベクトルの分布を示す図で、図９（ｂ）はλ≧ｍであるサポートベクトルの個数を示す図である。図９（ｂ）に示すように、ｍを０．３とすれば、λ≧ｍ以上であるサポートベクトルの個数は、従来のｍ＝λmin＝０．０５に比較して、約半分になることがわかる。
　また、図１０は、ｍ＝０．０５，０．１，０．３，０．５，１．０としたときの、判別精度を示すグラフで、演算用特徴ベクトルＹAKの選択基準をλ≧０．３とした場合、判別精度は、従来のλ≧０．０５とした場合の９５％を確保しつつ、サポートベクトルの個数を４１５個から２６０個（およそ、４７％減）に減らすことができた。
　また、同様に、計算時間を計測したところ、従来の４２％減を達成できた。
　これにより、ラグランジェ未定乗数λが予め設定された閾値ｍ以上である基準特徴量を、カーネル関数を演算に使用する特徴量とすれば、路面状態の判別精度を確保しつつ、計算速度を速くすることができることが確認された。なお、従来の９０％以上の判別精度を確保するには、ｍ＜０．３５とすることが好ましい。
　以上、本発明を実施の形態及び実施例を用いて説明したが、本発明の技術的範囲は前記実施の形態に記載の範囲には限定されない。前記実施の形態に、多様な変更または改良を加えることが可能であることが当業者にも明らかである。そのような変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲から明らかである。
　例えば、前記実施の形態では、ＤＷ識別モデルを用いてタイヤ２０の走行している路面が、ＤＲＹ路面であるかＷＥＴ路面であるかの２路面判別を行ったが、以下の６つの路面識別モデルを用いれば、タイヤ２０の走行している路面が、ＤＲＹ路面、ＷＥＴ路面、ＳＮＯＷ路面、ＩＣＥ路面のいずれであるか判別することができる。
　ここで、Ａ，Ａ’＝ＤＲＹ，ＷＥＴ，ＳＮＯＷ，ＩＣＥ（Ａ≠Ａ’）とすると、ＡＡ’識別モデルは、Ａ路面とＡ’路面とを分離超平面を表わす識別関数ｆAA’（ｘ）により分離するための基準特徴量であるＡ路面特徴ベクトルＹASVとラグランジュ乗数λAA’、及び、Ａ’路面特徴ベクトルＹA’SVラグランジュ乗数λA’Aを備える。
　基準特徴量ＹASV及びλAは、加速度センサーを取り付けたタイヤを搭載した試験車両を、ＤＲＹ，ＷＥＴ，ＳＮＯＷ，ＩＣＥの各路面にて、様々な速度で走行させて得られたタイヤ振動の時系列波形から算出された時間窓毎の特徴ベクトルである路面特徴ベクトルＹA（ｙjk）を入力データとして、学習により求められる。
　なお、Ａ路面のデータは、図６のχ1で示すｚ＝１に所属するデータで、Ａ’路面のデータは、χ2で示すｚ＝－１に所属するデータである。
　ところで、基準特徴ベクトルＹASVに対応するラグランジュ乗数λAが識別モデル毎にあることに注意する必要がある。例えば、ＤＲＹ路面特徴ベクトルＹDSVに対応する３つのラグランジュ乗数λDW，λDS，λDIはそれぞれ異なる値をもつ。他の路面特徴ベクトルＹWSV，ＹSSV，ＹISVについても同様である。
　ここでは、ＧＡカーネル関数Ｋ（Ｘ，Ｙ）に使用する特徴ベクトルを演算用特徴ベクトルＹAKとして、ＧＡカーネル関数ＫA（Ｘ，ＹAK）を算出している。
　ＧＡカーネル関数ＫA（Ｘ，ＹAK）の算出方法は実施の形態１と同様で、Ａ＝ＤであるＧＡカーネル関数ＫD（Ｘ，ＹDK）がＤＲＹ路面のＧＡカーネル関数、Ａ＝ＷであるＧＡカーネル関数ＫW（Ｘ，ＹWK）がＷＥＴ路面のＧＡカーネル関数、Ａ＝ＳであるＧＡカーネル関数ＫS（Ｘ，ＹSK）がＳＮＯＷ路面のＧＡカーネル関数、Ａ＝ＩであるＧＡカーネル関数ＫI（Ｘ，ＹIK）がＩＣＥ路面のＧＡカーネル関数である。
　路面状態の判別は、以下の式（６）～（１１）に示す６つの識別関数ｆAA’（ｘ）を用いて行う。
Figure JPOXMLDOC01-appb-M000006
 　上記のように、識別関数がｆAA’（ｘ）であれば、Ａ路面のデータがｚ＝１に所属するデーで、Ａ’路面のデータがｚ＝－１に所属するデータであるので、６つの識別関数ｆAA’から、以下のように路面判別することができる。
　ｆDW ＞０、ｆDS＞０、ｆDI＞０であれば、路面がＤＲＹ路面であると判別する。
　ｆDW ＜０、ｆWS＞０、ｆWI＞０であれば、路面がＷＥＴ路面であると判別する。
　ｆDS ＜０、ｆWS＞０、ｆSI＞０であれば、路面がＳＮＯＷ路面であると判別する。
　ｆDI ＜０、ｆWI＜０、ｆSI＜０であれば、路面がＩＣＥ路面であると判別する。
　なお、ＧＡカーネル関数Ｋ（Ｘ，Ｙ）に使用する特徴ベクトルを基準特徴ベクトルＹASVとした場合には、式（６）～（１１）において、ＹAA’KをＹAA’SVとし、ＮAA’KをＮAA’SVとすればよい。
　また、前記実施の形態では、タイヤ振動検出手段を加速度センサー１１としたが、圧力センサーなどの他の振動検出手段を用いてもよい。また、加速度センサー１１の設置箇所についても、タイヤ幅方向中心から幅方向に所定距離だけ離隔した位置に１個ずつ配設したり、ブロック内に設置するなど他の箇所に設置してもよい。
　また、前記実施の形態では、特徴ベクトル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（log[ｘik(t)2+ｘik(t-1)2]）を用いてもよい。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。ケプストラム係数は、フーリエ変換後の波形をスペクトル波形とみなし、再度フーリエ変換して得られるか、もしくは、ＡＲスペクトルを波形とみなし、更にＡＲ係数を求めて得られる（LPC Cepstrum）もので、絶対レベルに影響されずにスペクトルの形状を特徴付けできるので、フーリエ変換により得られる周波数スペクトルを用いた場合よりも判別精度が向上する。
　また、前記実施の形態では、カーネル関数としてＧＡカーネルを用いたが、ダイナミックタイムワーピングカーネル関数（ＤＴＷカーネル）を用いてもよい。あるいは、ＧＡカーネルとＤＴＷカーネル演算値を用いてもよい。
　以上まとめると、以下のようにも記述することができる。すなわち、本発明は、走行中のタイヤの振動を検出するステップ（ａ）と、前記検出されたタイヤの振動の時系列波形を取り出すステップ（ｂ）と、前記タイヤ振動の時系列波形に所定の時間幅の窓関数をかけて時間窓毎の時系列波形を抽出するステップ（ｃ）と、前記時間窓毎の時系列波形からそれぞれ特徴量を算出するステップ（ｄ）と、前記ステップ（ｄ）で算出した時間窓毎の特徴量と、予め路面状態毎に求めておいたタイヤ振動の時系列波形から算出された時間窓毎の特徴量から選択される基準特徴量とからカーネル関数を算出するステップ（ｅ）と、前記カーネル関数を用いた識別関数の値に基づいて走行中の路面の状態を判別するステップ（ｆ）と、を備えた路面状態判別方法において、前記ステップ（ｄ）と前記ステップ（ｅ）との間に設けられて、前記基準特徴量の中から、対応するラグランジェ未定乗数が予め設定された閾値以上である基準特徴量を演算用特徴量として抽出するステップ（ｇ）を備え、前記ステップ（ｅ）では、前記ステップ（ｄ）で算出した特徴量と前記ステップ（ｇ）で抽出した演算用特徴量とからカーネル関数を算出することを特徴とする。
　これにより、カーネル関数Ｋ（Ｘ，Ｙ）を算出するために使用する基準特徴量の数を削減できるので、路面状態の判別精度を確保しつつ、計算速度を速くすることができる。
　なお、前記の特徴ベクトル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路面状態の判別精度を向上させることができる。
　また、前記カーネル関数を、グローバルアライメントカーネル関数、または、ダイナミックタイムワーピングカーネル関数、または、前記カーネル関数の演算値とすれば、路面状態の判別精度を向上させることができる。　
　また、本発明は、タイヤトレッド部のインナーライナー部の気室側に配設されて、走行中のタイヤの振動を検出するタイヤ振動検出手段と、前記タイヤ振動検出手段で検出された前記タイヤ振動の時系列波形を予め設定した時間幅で窓掛けして時間窓毎にタイヤ振動の時系列波形を抽出する窓掛け手段と、前記抽出された時間窓毎の時系列波形における特定周波数の振動レベルを成分とする特徴量もしくは前記振動レベルの関数を成分とする特徴量を算出する特徴量算出手段と、予め算出しておいた路面状態毎のタイヤ振動の時系列波形から算出された時間窓毎の特徴量から選択される基準特徴量と前記基準特徴量に対応するラグランジェ未定乗数とを記憶する記憶手段と、前記特徴量算出手段で算出した時間窓毎の特徴量と、前記記憶手段に記憶された基準特徴量とからカーネル関数を算出するカーネル関数算出手段と、前記カーネル関数を用いた識別関数の値に基づいて路面状態を判別する路面状態判別手段とを備え、タイヤの走行する路面の状態を判別する路面状態判別装置において、前記記憶手段に記憶された基準特徴量のなかから、対応するラグランジェ未定乗数が予め設定された閾値以上である基準特徴量を、演算用特徴量として抽出する演算用特徴量抽出手段を設けるとともに、前記カーネル関数算出手段は、前記特徴量算出手段で算出した特徴量と前記演算用特徴量抽出手段で抽出された演算用特徴量とからカーネル関数を算出することを特徴とする。
　このような構成を採ることにより、時間伸縮の計算量を削減しても路面状態の判別精度を確保することができる路面状態判別装置と得ることができる。　
　１０　路面状態判別装置、１１　加速度センサー、
１２　振動波形抽出手段、１３　窓掛け手段、
１４　特徴ベクトル算出手段、１５　記憶手段、
１６　カーネル関数算出手段、１７　路面状態判別手段、
１８　演算用特徴量抽出手段、２０　タイヤ、２１　インナーライナー部、
２２　タイヤ気室。

Claims (4)

  1. 　走行中のタイヤの振動を検出するステップ（ａ）と、前記検出されたタイヤの振動の時系列波形を取り出すステップ（ｂ）と、前記タイヤ振動の時系列波形に所定の時間幅の窓関数をかけて時間窓毎の時系列波形を抽出するステップ（ｃ）と、前記時間窓毎の時系列波形からそれぞれ特徴量を算出するステップ（ｄ）と、前記ステップ（ｄ）で算出した時間窓毎の特徴量と、予め路面状態毎に求めておいたタイヤ振動の時系列波形から算出された時間窓毎の特徴量から選択される基準特徴量とからカーネル関数を算出するステップ（ｅ）と、前記カーネル関数を用いた識別関数の値に基づいて走行中の路面の状態を判別するステップ（ｆ）と、
    を備えた路面状態判別方法において、
    前記ステップ（ｄ）と前記ステップ（ｅ）との間に設けられて、
    前記基準特徴量の中から、対応するラグランジェ未定乗数が予め設定された閾値以上である基準特徴量を演算用特徴量として抽出するステップ（ｇ）を備え、
    前記ステップ（ｅ）では、
    前記ステップ（ｄ）で算出した特徴量と前記ステップ（ｇ）で抽出した演算用特徴量とからカーネル関数を算出することを特徴とする路面状態判別方法。
  2. 　前記特徴量が、
    前記窓関数をかけて抽出した時間窓毎の時系列波形の特定周波数帯域の振動レベル、
    前記特定周波数帯域の振動レベルの時変分散、
    及び、前記時系列波形のケプストラム係数のいずれか１つ、または、複数、または、全部であり、
    前記特定周波数帯域の振動レベルは、前記窓関数をかけて抽出した時間窓毎の時系列波形の周波数スペクトル、もしくは、前記窓関数をかけて抽出した時間窓毎の時系列波形をバンドパスフィルタを通して得られた時系列波形から求められる特定周波数帯域の振動レベルであることを特徴とする請求項１に記載の路面状態判別方法。
  3. 　前記カーネル関数が、グローバルアライメントカーネル関数、または、ダイナミックタイムワーピングカーネル関数、または、前記カーネル関数の演算値であることを特徴とする請求項１または請求項２に記載の路面状態判別方法。
  4. 　タイヤトレッド部のインナーライナー部の気室側に配設されて、走行中のタイヤの振動を検出するタイヤ振動検出手段と、
    前記タイヤ振動検出手段で検出された前記タイヤ振動の時系列波形を予め設定した時間幅で窓掛けして時間窓毎にタイヤ振動の時系列波形を抽出する窓掛け手段と、
    前記抽出された時間窓毎の時系列波形における特定周波数の振動レベルを成分とする特徴量もしくは前記振動レベルの関数を成分とする特徴量を算出する特徴量算出手段と、
    予め算出しておいた路面状態毎のタイヤ振動の時系列波形から算出された時間窓毎の特徴量から選択される基準特徴量と前記基準特徴量に対応するラグランジェ未定乗数とを記憶する記憶手段と、
    前記特徴量算出手段で算出した時間窓毎の特徴量と、前記記憶手段に記憶された基準特徴量とからカーネル関数を算出するカーネル関数算出手段と、
    前記カーネル関数を用いた識別関数の値に基づいて路面状態を判別する路面状態判別手段とを備え、タイヤの走行する路面の状態を判別する路面状態判別装置において、
    前記記憶手段に記憶された基準特徴量の中から、対応するラグランジェ未定乗数が予め設定された閾値以上である基準特徴量を、演算用特徴量として抽出する演算用特徴量抽出手段を設けるとともに、
    前記カーネル関数算出手段は、
    前記特徴量算出手段で算出した特徴量と前記演算用特徴量抽出手段で抽出された演算用特徴量とからカーネル関数を算出することを特徴とする路面状態判別装置。
PCT/JP2018/047152 2018-06-22 2018-12-21 路面状態判別方法及び路面状態判別装置 WO2019244378A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-119077 2018-06-22
JP2018119077A JP6961539B2 (ja) 2018-06-22 2018-06-22 路面状態判別方法及び路面状態判別装置

Publications (1)

Publication Number Publication Date
WO2019244378A1 true WO2019244378A1 (ja) 2019-12-26

Family

ID=68983698

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/047152 WO2019244378A1 (ja) 2018-06-22 2018-12-21 路面状態判別方法及び路面状態判別装置

Country Status (2)

Country Link
JP (1) JP6961539B2 (ja)
WO (1) WO2019244378A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010128706A (ja) * 2008-11-26 2010-06-10 Ricoh Co Ltd 画像処理装置、画像処理方法、コンピュータプログラム、及び、情報記録媒体
JP2011043988A (ja) * 2009-08-21 2011-03-03 Kobe Univ パターン認識方法、装置及びプログラム
JP2016107833A (ja) * 2014-12-05 2016-06-20 株式会社ブリヂストン 路面状態判別方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010128706A (ja) * 2008-11-26 2010-06-10 Ricoh Co Ltd 画像処理装置、画像処理方法、コンピュータプログラム、及び、情報記録媒体
JP2011043988A (ja) * 2009-08-21 2011-03-03 Kobe Univ パターン認識方法、装置及びプログラム
JP2016107833A (ja) * 2014-12-05 2016-06-20 株式会社ブリヂストン 路面状態判別方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MAEDA, EISAKU: "Exciting! Support Vector Machines", IPSJ MAGAZINE, vol. 42, no. 7, July 2001 (2001-07-01), pages 676 - 683 *

Also Published As

Publication number Publication date
JP2019218018A (ja) 2019-12-26
JP6961539B2 (ja) 2021-11-05

Similar Documents

Publication Publication Date Title
JP5937921B2 (ja) 路面状態判別方法とその装置
JP6450170B2 (ja) 路面状態判別方法
JP6673766B2 (ja) 路面状態判別方法
WO2018207648A1 (ja) 路面状態判別方法及び路面状態判別装置
JP2017505430A (ja) 道路及びタイヤの状態を音響検出する方法
JP6734713B2 (ja) 路面状態判別方法
WO2018230181A1 (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
WO2019244378A1 (ja) 路面状態判別方法及び路面状態判別装置
WO2019138774A1 (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
WO2019244379A1 (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
JP7030532B2 (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: 18923356

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18923356

Country of ref document: EP

Kind code of ref document: A1