WO2021210229A1

WO2021210229A1 - 学習済みモデル生成方法および路面性状判定装置

Info

Publication number: WO2021210229A1
Application number: PCT/JP2021/001145
Authority: WO
Inventors: 伸一高松; 悠首藤
Original assignee: Ｋｙｂ株式会社
Priority date: 2020-04-14
Filing date: 2021-01-15
Publication date: 2021-10-21
Also published as: JP2021169705A; CN115398062A; JP7377154B2

Abstract

学習済みモデル生成方法は、振動情報から少なくとも１つ以上の周波数帯で抽出したデータを含むサンプルデータを教師データとして予め機械学習により路面性状を学習して学習済みモデルを生成する。また、路面性状判定装置（１）は、前記学習済みモデルを有し、サンプルデータと同種の新規データの入力に対して前記路面性状を判定する判定部（５）を備えている。

Description

学習済みモデル生成方法および路面性状判定装置

　本発明は、学習済みモデル生成方法および路面性状判定装置に関する。

　道路は、車両から受ける輪荷重の作用、温度変化や雨水の影響によって損傷して、ひび割れ、轍掘れ、コルゲーションやポットホールが発生する。このような道路の損傷を迅速に把握し、道路を維持管理するために、道路の路面性状を把握する作業が日常的に行われている。

　路面性状を把握する方法としては、一般に、路面の凹凸を把握するための情報を収集する情報収集装置を検査車に設置しておき、当該検査車で道路を走行した際に情報収集装置で収集された情報を解析することで路面性状を把握する方法がある。情報収集装置は、たとえば、ＪＰ２０１９－１０８７５５Ａに開示されているように、検査車が走行する路面に起因する振動を検知する加速度センサ、走行路面のスキャニングデータを取得するデジタルスチルカメラ等の撮影装置およびレーザスキャナを備えており、路面状態に関する情報を収集している。

　このように検査車の道路走行時に得られた情報は、インターネット通信網等を介してサーバへ送信されて蓄積され、その後の路面性状判定装置における解析に供される。路面性状判定装置では、たとえば、スキャニングデータを解析して国際ラフネス指標（Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｒｏｕｇｈｎｅｓｓ　Ｉｎｄｅｘ、以下、単に「ＩＲＩ」という）を求めるとともに、轍深さやひび割れの発生の有無を判定することが行われる。なお、国際ラフネス指数とは、２軸４輪の車両の１輪だけを取り出した仮想車両モデルをクォーターカーとし、クォーターカーを時速８０ｋｍで路面を走行させたときの車両が受ける上下方向の運動変位の累積値と走行距離の比を路面のラフネスとするものであり、舗装路面の凹凸の評価指数である。

　このＩＲＩ値は、道路幅の大きな道路の補修の要否判定に利用されており、道路を管理する地方自治体は、現状、ＩＲＩ値データを取得して、国に補修の申請を行っている。

ＪＰ２０１９－１０８７５５Ａ

　前述したように、ＩＲＩ値を取得するためには、スキャンした画像データを取得して解析する必要があり、画像データの取得および解析を行うには、多大なコストがかかってしまう。

　そこで、本発明は、低コストで精度良く路面性状の判定を行える学習済みモデル生成方法および路面性状判定装置の提供を目的とする。

　上記した目的を達成するため、本発明の学習済みモデル生成方法は、車両が走行する際に検知される振動情報から少なくとも１つ以上の周波数帯で抽出したデータを含むサンプルデータを教師データとして機械学習により前記路面性状を予め学習し、学習済みモデルを生成する。このように構成された学習済みモデル生成方法では、路面性状の劣化に結び付きの強い周波数帯の振動を教師データとして与えられて判定部が路面性状を機械学習して学習済みモデルを生成するので、機械学習後には精度よく路面性状の判定を行うことができる。

　さらに、学習済みモデル生成方法は、車両が走行する際に振動情報を振動情報収集装置によって収集する振動情報収集ステップと、振動情報から少なくとも１つ以上の周波数帯で抽出したデータを含むサンプルデータを教師データとして路面性状判定装置が機械学習により路面性状を予め学習し、学習済みモデルを生成する路面性状学習ステップとを備えていてもよい。このように構成された学習済みモデル生成方法では、２つの装置で簡単に学習済みモデルを生成できる。

　また、本発明の路面性状判定装置は、車両が走行する際に検知される振動情報から車両が走行した道路の路面性状を判定する路面性状判定装置であって、振動情報から少なくとも１つ以上の周波数帯で抽出したデータを含むサンプルデータを教師データとして予め機械学習により路面性状を学習して得られた学習済みモデルを有し、前記学習済みモデルに基づいて、サンプルデータと同種の新規データの入力に対して路面性状を判定する判定部を備えている。このように構成された路面性状判定装置では、判定部が路面性状の劣化に結び付きの強い周波数帯の振動を教師データとして与えられて判定部が路面性状を機械学習するので、機械学習後には精度よく路面性状の判定を行うことができる。また、路面性状判定装置は、振動情報から得られるサンプルデータと同種の新規データを用いて路面性状を判定するので、路面性状の判定処理にあたって路面の凹凸をスキャンした画像データを解析するような高コストな解析が不要である。

　また、上記した目的を達成するため、本発明の他の路面性状判定装置は、車両が走行する際に検知される振動情報から車両が走行した道路の路面性状を判定する路面性状判定装置であって、振動情報から少なくとも１つ以上の周波数帯で抽出したデータを含むサンプルデータを教師データとして機械学習により生成された学習済みモデルを有し、学習済みモデルに基づいて、サンプルデータと同種の新規データの入力に対して前記路面性状を判定する判定部を備えている。このように構成された路面性状判定装置では、判定部が路面性状の劣化に結び付きの強い周波数帯の振動を教師データとして機械学習により生成された学習済みモデルを有しており、学習済みモデルに基づいて精度よく路面性状の判定を行うことができる。また、路面性状判定装置は、振動情報から得られるサンプルデータと同種の新規データを用いて路面性状を判定するので、路面性状の判定処理にあたって路面の凹凸をスキャンした画像データを解析するような高コストな解析が不要で、検査員の目視作業も必要ない。

　また、路面性状判定装置における判定部は、路面性状を示す複数の項目毎に対して対応する項目のみについて路面性状を学習する複数の項目学習部を有し、項目学習部は、新規データの入力に対して対応する前記項目についてのみ前記路面性状を判定してもよい。このように構成された路面性状判定装置によれば、異なる尺度で路面性状を示す項目毎に対応する項目に特化して機械学習および判定する項目学習部を備えているので、路面性状の項目毎に高精度な判定を行える。

　さらに、路面性状判定装置における項目学習部は、車両の走行条件毎に対応して、対応する走行条件毎に路面性状を機械学習する複数の走行条件別学習部を有してもよい。このように構成された路面性状判定装置によれば、路面性状を示す項目毎に走行条件に合致した機械学習および判定を行うので、走行条件が異なっても路面性状の項目毎に高精度な判定を行える。

　また、路面性状判定装置は、同一のラベルの各サンプルデータの平均値を座標とした基準点と、同一のラベルに属すると判定された新規データとに基づいて新規データが異常か否かを判断する判断部を備えた判断部を備えてもよい。このように構成された路面性状判定装置は、路面性状判定装置のオペレータに判定部の再度の機械学習の必要性や新規ラベルの必要性について示唆を与えることができる。

　そして、路面性状判定装置は、振動情報の生データから所定時間分のデータを切り取り、切り取った所定時間分のデータを処理して新規データを求めて判定部へ入力する入力データ演算部を備え、入力データ演算部が１つ前の新規データを求める際に切り取ったデータと、次に入力する新規データを求める際に切り取ったデータの一部を重複させるオーバーラップ処理を行って順次新規データを求めてもよい。このように路面性状判定装置は、オーバーラップ処理を行うので、時間区間毎の路面性状の把握が可能となるとともに時間を分割した継ぎ目の付近の情報の欠落もないサンプルデータと新規データで機械学習と判定を行う。そのため精度よく路面性状を判定できる。

　そして、路面性状判定装置では、振動情報は車両のばね上部材の加速度を含んでいてもよい。このように構成された路面性状判定装置によれば、車両の乗心地に直接関係するばね上加速度を用いて路面性状を判定でき、車両の乗心地の観点から路面性状を判定できる。

　また、路面性状判定装置では、サンプルデータおよび新規データが少なくとも１つ以上の周波数帯で抽出したパーシャルオーバーオール値を含んでいてもよい。このように構成された路面性状判定装置によれば、周波数帯の振動の強度を端的に表す値であり路面性状との関連度合が強く表れるパーシャルオーバーオール値を特徴量としてサンプルデータおよび新規データに含めるので、判定部の路面性状の判定精度が向上する。

　さらに、路面性状判定装置では、サンプルデータおよび新規データが車両のばね下加速度を車両の速度で割った値を含んでいてもよい。このように構成された路面性状判定装置によれば、車両の走行速度によらず精度よく路面性状を判定できるようになる。

　また、路面性状判定装置では、サンプルデータおよび新規データが車両のばね下加速度の最大値をばね下加速度の実行値で割った値を含んでいてもよい。このように構成された路面性状判定装置によれば、路面の全体が荒れているのか部分的に荒れているのか路面性状をより正確に把握でき、精度よく路面性状を判定できるようになる。

　さらに、路面性状判定装置では、サンプルデータおよび新規データが車両のばね上部材の最高値、平均値、中央値、最低値、分散および標準偏差を含んでいてもよい。このように構成された路面性状判定装置によれば、ばね上部材の振動情報を代表する指標を用いて路面性状について機械学習および判定することができる。

　本発明の学習済みモデル生成方法および路面性状判定装置によれば、低コストで精度良く路面性状の判定を行うことができる。

図１は、第１の実施の形態における路面性状判定装置のシステム構成を示した図である。図２は、振動情報収集装置におけるセンサ部を示した図である。図３は、振動情報収集装置におけるコントローラのハードウェア構成を示した図である。図４は、データベースに格納される位置情報と路面性状の項目とが関連付けされたデータ構成の一例を示した図である。図５は、入力データ演算部の生データの処理を説明する図である。図６は、第１の実施の形態における路面性状判定装置のサンプルデータを用いた機械学習手順の一例を示した図である。図７は、第１の実施の形態における路面性状判定装置の新規データを処理する判定手順の一例を示した図である。図８は、第２の実施の形態における路面性状判定装置の項目学習部のシステム構成を示した図である。

　《第１の実施形態》
　以下、図に示した実施の形態に基づき、本発明を説明する。図１に示すように、第１の実施形態の路面性状判定装置１は、振動情報を収集する振動情報収集装置１０と通信可能な通信部２と、通信部２を介して受信した振動情報の生データを処理する入力データ演算部３と、地点情報に関連付けされた路面性状を格納したデータベース４と、複数の項目学習部５ａ，５ｂ，５ｃ，５ｄ，５ｅ，５ｆを備えて路面性状を判定する判定部５と、判定部５によって判定された路面性状を表示する表示装置６と、判定部５によって判定された路面性状の判定結果を紙媒体に印刷可能な印刷装置７とを備えて構成されている。

　以下、路面性状判定装置１について詳細に説明する。路面性状判定装置１は、振動情報を収集する振動情報収集装置１０から送信された振動情報を処理して、路面性状を判定する。

　振動情報収集装置１０は、四輪自動車である車両Ｖに搭載されて、振動情報を収集して、基地に設置された路面性状判定装置１へ収集した振動情報を送信する。振動情報収集装置１０は、図１に示すように、情報の記憶が可能な記憶部１１と、車両Ｖの振動情報を検知するセンサ部１２と、センサ部１２で検知した振動情報とその他の車両に関する情報としての車両情報を記憶部１１に記憶させるコントローラ１３と、コントローラ１３によって制御され記憶部１１に記憶された振動情報その他の情報を路面性状判定装置１に送信する通信部１４とを備えている。

　振動情報収集装置１０は、車両Ｖの図示しないバッテリからの電力の供給を受けて動作する。振動情報収集装置１０は、図示しないイグニッションスイッチがオンされるとバッテリから電力供給を受けてセンサ部１２で検知した振動情報および前記車両情報を収集して記憶部１１に記憶させ、イグニッションスイッチがオフされると記憶部１１に記憶された振動情報およびその他の情報を通信部１４と通じて路面性状判定装置１に送信する。

　記憶部１１は、コントローラ１３によって制御され、コントローラ１３からの指令によって前記振動情報およびその他の車両の情報を記憶する。コントローラ１３は、起動処理が終了すると、所定の情報蓄積時間毎に、前記振動情報および前記車両情報のデータとそのデータが得られた時刻と関連付けしつつ、同じサンプリングレートで収集されたデータ毎に纏めたファイルを生成して記憶部１１に記憶させる。

　なお、記憶部１１は、たとえば、フラッシュメモリ等の不揮発性の半導体メモリで構成されているが、フラッシュメモリに限定されず磁気ディスクなどとされてもよい。また、記憶部１１は、光学ディスク等の記憶媒体と記憶媒体のデータを読み書き可能なドライブとでなる補助記憶装置を備えていてもよい。

　通信部１４は、コントローラ１３によって制御されており、外部に設置された路面性状判定装置１と通信可能であって、記憶部１１に記憶されている振動情報およびその他の車両の情報の生データを路面性状判定装置１へ送信する。通信部１４は、図示しないアンテナユニットを備えており、本実施の形態では、ＩＥＥＥ８０２．１１規格の無線ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）通信を行うが、電話回線やインターネット通信網を通じて路面性状判定装置１と通信してもよい。

　センサ部１２は、図２に示すように、車両Ｖの振動情報を検知するセンサとして、車両Ｖの四輪各輪の直上の上下方向の加速度としてばね上加速度をそれぞれ検知する４つの加速度センサ１５ａ，１５ｂ，１５ｃ，１５ｄと、四輪各輪の上下方向の加速度であるばね下加速度を検知する４つの加速度センサ１６ａ，１６ｂ，１６ｃ，１６ｄと、四輪各輪の車体に対するストローク変位を検知するストロークセンサ１７ａ，１７ｂ，１７ｃ，１７ｄと、車両Ｖの車体に装着されて車体の前後、左右、上下の３軸回りの角速度を検知する３軸のジャイロセンサ１９とを備える他、車両Ｖの位置情報を検知する位置検知装置１８と、を備えている。なお、位置情報は、経度と緯度とで構成されており、位置検知装置１８は、全球測位衛星システムを利用して車両Ｖの位置情報として経度と緯度とを検知する。

　また、振動情報収集装置１０は、本実施の形態では、センサ部１２で検知する振動情報以外にも、車両Ｖの図示しないＯＢＤ（オン・ボード・ダイアグノーシス）端子を通じて、予め車両Ｖに搭載されている車載センサ等で検知した車両Ｖの速度、エンジン回転数、エンジン水温、アクセル開度、ブレーキ操作、ワイパー駆動状況等の車両情報を収集する。なお、振動情報は、車体、車輪およびサスペンションの加速度、速度、変位、車体の回転方向の角加速度、角速度、角変位等といった車両Ｖの振動に関する情報であって、路面の凹凸をスキャンした画像データは含まれない。振動情報収集装置１０は、前記した多数種類の振動情報から任意に選択して路面性状判定装置１の判定に必要となる車両Ｖの振動情報を得ればよい。なお、振動情報に含まれないが、路面の位置を把握するために振動情報収集装置１０は、前述した通り位置情報を収集している。また、振動情報収集装置１０は、路面性状判定装置１のオペレータの路面状況の確認に資するよう、路面を撮影する図示しないカメラを備えて画像データを振動情報とともに収集してもよい。

　コントローラ１３は、図３に示すように、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１３ａと、メモリ１３ｂ、インターフェース１３ｃと、これら装置を互いに通信可能に接続するバス１３ｄとを備えている。また、コントローラ１３は、記憶部１１および通信部１４に対してバス１３ｄを通じて相互に通信可能に接続されている。また、コントローラ１３は、センサ部１２が検知した情報を受け取ることができるように、センサ部１２にインターフェース１３ｃを介して接続されるともに、インターフェース１３ｃおよび図示しないＯＢＤ端子を通じて車載センサが検知した情報を受け取り可能となっている。

　ＣＰＵ１３ａは、オペレーティングシステムおよび他のプログラムの実行によって振動情報収集装置１０における記憶部１１および通信部１４を制御し、また、センサ部１２および車載センサが検知した各種情報を処理する。メモリ１３ｂは、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）の他に、ＣＰＵ１３ａの演算処理に必要な記憶領域を提供するＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）を備えており、ＣＰＵ１３ａの演算処理に使用されるプログラムをＲＯＭに格納している。なお、ＣＰＵ１３ａの演算処理に使用されるプログラムは、記憶部１１に格納されていてもよい。

　そして、コントローラ１３は、ＣＰＵ１３ａが振動情報収集装置１０として機能するために必要なプログラムを実行することで、センサ部１２および車載センサが検知した各種情報のデータを一旦メモリ１３ｂに確保したバッファメモリに格納し、バッファメモリに蓄積された前記各種情報のデータを処理してファイルを生成して記憶部１１にファイルを記憶させ、さらに、記憶部１１に記憶されたファイルを通信部１４から外部の路面性状判定装置１へ送信する（振動情報収集ステップ）。

　前述した通り、コントローラ１３は、イグニッションスイッチがオンされて、起動処理を終了すると、センサ部１２および車載センサが検知した各種情報のデータのうちサンプリングレートが同じセンサで得られたデータについては一つのファイルに格納する。より詳細には、コントローラ１３は、センサ部１２および車載センサが検知したデータにそのデータが得られた際の時刻と関連付けしつつ、所定の情報蓄積時間毎にその情報蓄積時間内に同じサンプリングレートのセンサで得られたデータ同士を纏めて１つのファイルを生成するロガープロセスを実行して、記憶部１１に記憶させる。情報蓄積時間は、本実施の形態では、１分とされていているが、１分以外に設定されてもよい。

　本実施の形態におけるコントローラ１３は、前記振動情報と前記車両情報におけるデータのそれぞれを時刻と関連付けしてバッファメモリに蓄積し、バッファメモリ内に蓄積されているデータのうち、１分間に得られた前記振動情報と前記車両情報におけるデータの束をサンプリングレートが同じセンサで得られたデータ毎に個別のファイルにして記憶部１１に記憶させる。

　つづいて、コントローラ１３は、イグニッションスイッチがオフされると、センサ部１２および車載センサから得られる各種情報の収集を終了して、通信部１４を介して路面性状判定装置１へ各種情報が格納されたファイルを送信する。

　コントローラ１３は、こうしてファイルの送信処理を行って記憶部１１に記憶されていたすべてのファイルの送信が完了すると、処理を終了してシャットダウンする。

　振動情報収集装置１０から前述のようにファイルを受信する路面性状判定装置１は、車両Ｖの基地に設置されている。路面性状判定装置１は、本実施の形態では、振動情報収集装置１０から受信したファイルを蓄積するとともに処理する。第１の実施形態の路面性状判定装置１は、前述したように、振動情報を収集する振動情報収集装置１０と通信可能な通信部２と、通信部２を介して受信した振動情報の生データを処理する入力データ演算部３と、地点情報に関連付けされた路面性状を格納したデータベース４と、複数の項目学習部５ａ，５ｂ，５ｃ，５ｄ，５ｅ，５ｆを備えて路面性状を判定する判定部５と、判定部５によって判定された路面性状を表示する表示装置６と、判定部５によって判定された路面性状の判定結果を紙媒体に印刷可能な印刷装置７とを備えて構成されている。判定部５は、予め入力データ演算部３が求めるサンプルデータを教師データとして機械学習を行って、サンプルデータを用いた機械学習後に新規データの入力に対して路面性状を判定する。

　路面性状判定装置１のハードウェアは、図１に示すように、コンピュータシステムであり、ＣＰＵ２０と、記憶装置２１と、キーボードやマウスといった入力装置２２と、表示装置６と、印刷装置７および通信部２と、これら装置を互いに通信可能に接続するバス２３とを備えて構成されている。

　ＣＰＵ２０は、オペレーティングシステムおよび他のプログラムの実行によって演算処理を行って、記憶装置２１、入力装置２２、通信部２、データベース４、表示装置６および印刷装置７の制御を行う。また、ＣＰＵ２０は、路面性状判定装置１として機能するためのプログラムの実行によって、入力データ演算部３と判定部５を実現する。

　路面性状判定装置１が設置される基地には、車両Ｖの駐車スペースが設けられており、駐車スペースの至近に、振動情報収集装置１０における通信部１４と相互に無線ＬＡＮ通信が可能な通信部２が設置されている。通信部２は、ＣＰＵ２０によって制御されており、振動情報収集装置１０と通信可能であって、振動情報収集装置１０から送信される振動情報および車両情報の生データを受信する。通信部２は、図示しないアンテナユニットを備えており、本実施の形態では通信部１４と同様に、ＩＥＥＥ８０２．１１規格の無線ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）通信を行うが、電話回線やインターネット通信網を通じて振動情報収集装置１０と通信してもよい。駐車スペースと路面性状判定装置１との距離が長い場合、通信部２は、図示しない中継器を備えて、中継器を介して振動情報収集装置１０と無線通信できるようになっていてもよい。

　記憶装置２１は、ＲＯＭおよびＲＡＭを備える他、ハードディスクを備えている。また、記憶装置２１は、データベース４と路面性状判定装置１の制御に必要なプログラムを記憶するとともにＣＰＵ２０における処理に必要な記憶領域を提供する。なお、記憶装置２１は、磁気ディスク、光学ディスク等の記憶媒体と記憶媒体のデータを読み書き可能なドライブとでなる補助記憶装置や、半導体メモリを備えていてもよい。表示装置６は、ＣＰＵ２０が処理したデータ等を表示する画面を備えており、たとえば、液晶ディスプレイ等である。印刷装置７は、たとえば、ＣＰＵ２０が処理したデータ等を紙媒体に印刷するプリンタ等である。

　ＣＰＵ２０は、通信部１４を通じて振動情報収集装置１０から振動情報および車両情報のデータのファイルを受信すると、受信したファイルを記憶装置２１に格納する。

　また、記憶装置２１内に記憶されているデータベース４には、地点情報と地点情報に関連付けされた路面性状のデータが格納されている。路面性状は、時間の経過とともに、車両の走行荷重などにより起きる路面の劣化や傷みの総称であり、様々な定量化された指標によって把握される。具体的には、路面性状は、様々な指標、現象が異なる荒れ・ひびや轍といった路面の状態を定量的に示した路面性状値等によって把握される。たとえば、路面性状は、ＩＲＩ、轍掘れ量、ひび割れ率、平坦性、ＭＣＩ、ポットホールの有無といった路面性状を示す各項目によって把握される。ＩＲＩは、舗装路面の凹凸に関する評価指数であり、単位は、ｍ／ｋｍ或いはｍｍ／ｍであり、値が大きくなるほど舗装路面の凹凸が大きいことを示す指標であり、路面性状の一つである路面粗さについての状態を示す指数である。一般的に高速道路ではＩＲＩの値が４ｍ／ｋｍを超えると路面が損傷していると判断される。轍掘れ量は、路面の轍の深さを示す値であり路面性状の一つである轍の深さを示す値である。ひび割れ率は、ひび割れ面積を調査対象区画面積で除した値であり路面性状の一つであるひび割れの程度を示す値である。平坦性は、測定する縦断プロファイルと想定平たん舗装路面との高低差の平均値に対する標準偏差の値であり、路面性状の一つである平坦度合を示す値である。ＭＣＩ（Ｍａｉｎｔｅｎａｃｅ　Ｃｏｎｔｒｏｌ　Ｉｎｄｅｘ）は、舗装の維持管理指数と称され、舗装の供用性をひび割れ率、轍掘れ量および平坦性という３つの路面性状値によって定量的に評価する指標であり、路面性状の一つである維持修繕判断を行うための総合的な指標である。より詳細には、ＭＣＩは、１０点を最高点として舗装の劣化によって低下するようになっており、平坦性の値毎に用意されるひび割れ率と轍掘れ量のマトリックス表によって求められる。ポットホールは、経年劣化により生じたひび割れや舗装の継ぎ目などから浸透した水と交通荷重が作用し、舗装の劣化損傷が拡大することで発生し、通行車両の安全性を著しく低下させるものであり、これらの有無は通行に際し危険な路面性状を示すものである。このように路面性状を把握するには、様々な指標や定量化された値を参照する必要があり、これらの指標や値は、道路の補修を行う必要があるか否かの判断に資するものである。

　そして、データベース４には、予め道路位置における路面性状を示す指標や値が判明している場合、道路位置と路面性状を示す各指標や値を関連付けたデータが格納される。具体的には、たとえば、データベース４には、図４に示すように、道路位置を特定する座標と、前述した路面性状の全項目とが関連付けられて登録される。

　入力データ演算部３は、通信部２を介して受信した振動情報と車両情報の生データを処理する。入力データ演算部３は、ＣＰＵ２０がプログラムを実行して入力データ演算部３の処理を行うことで実現される。入力データ演算部３は、ファイルに格納されている１分間分のばね上加速度、ばね下加速度およびストローク変位の振動情報の生データのうち所定時間である３秒間分の振動情報の生データを切り取ってこれを処理して判定部５へ入力するサンプルデータおよび新規データを求める。サンプルデータは、生データが得られた位置情報に関連付けされており、判定部５が路面性状の各項目について機械学習するために与えられる教師データであり、予め路面性状が判明している路面を車両Ｖが走行した際に得られた振動情報に基づいて入力データ演算部３が求めたデータであって路面性状の項目に対してラベル付けされた状態で判定部５に与えられる。路面性状の各項目のうち、ＩＲＩ、轍掘れ量、ひび割れ率、平坦性、ＭＣＩについてはデータが得られた路面における定量値を、ポットホールについてはデータが得られた路面におけるポットホールの有無をラベルとしてデータに関連付けして教師データが生成される。このように、ラベル付けとは、データにデータが得られた実際の路面の路面性状の各項目のラベルを関連付けすることである。

　これに対して新規データは、位置情報に関連付けされているが、路面性状の項目についてラベル付けされていないデータであって、判定部５が路面性状を機械学習した後に判定部５に入力されるデータである。つまり、新規データは、振動情報収集装置１０で収集された生データを入力データ演算部３で処理したデータであるものの、路面性状の各項目についての情報が関連付けされておらず、路面性状の各項目について判定するために判定部５に入力するためのデータである。

　判定部５では、サンプルデータを教師データとして路面性状の各項目の判定ために機械学習するので、新規データもサンプルデータを得るために生データに施した処理と同じ処理によって得られた同種のデータを用いて判定する必要がある。よって、詳しくは後述するが、本実施の形態では、サンプルデータと新規データは、生データに同じ処理を施して得られる、４つのばね上加速度、ばね下加速度およびストローク変位の最大値、最小値、平均値、中央値、標準偏差、分散、０．２Ｈｚから３Ｈｚの周波数帯のＰＯＡ値、３Ｈｚから８Ｈｚの周波数帯のＰＯＡ値、８Ｈｚから２０Ｈｚの周波数帯のＰＯＡ値および１５Ｈｚから３０Ｈｚの周波数帯のＰＯＡ値、ばね下加速度を車両Ｖの速度で割った値、およびばね下加速度の最大値をばね下加速度の実効値で割った値の各値とされている。なお、サンプルデータおよび新規データには、生データの最大値やＰＯＡ値を得る加工を施さず、予め決められた時間で切り取った生データが含まれていてもよい。

　このように、判定部５は、ラベル付きのサンプルデータによって予め路面性状について機械学習を行い、新規データの入力に対して路面性状の各項目について判定した結果を出力する。

　入力データ演算部３は、１つ前のサンプルデータ或いは新規データを求める際に切り取った生データと、次に判定部５に入力するためのサンプルデータ或いは新規データを求める際に切り取った生データの一部を重複させるオーバーラップ処理を行って順次新規データを求める。詳細には、図５に示すように、オーバーラップする時間を２秒間として、入力データ演算部３は、１秒間ずつ時間をずらしながら所定時間である３秒間の生データからサンプルデータ或いは新規データを順次生成し、１分間の振動情報の生データから５７個のデータセットを求める。なお、前述した例では、入力データ演算部３が振動情報の生データから切り取る所定時間は、３秒に設定されているが、任意に設定することができる。

　そして、入力データ演算部３は、前述のデータセットに含まれるセンサ部１２が検知した４つのばね上加速度、４つのばね下加速度および４つのストローク変位の生データを処理して、それぞれ４つのばね上加速度、ばね下加速度およびストローク変位について、最大値、最小値、平均値、中央値、標準偏差および分散を求めて、これらの各値を特徴量としてサンプルデータおよび新規データに含める。

　車両走行中の振動は、強度によって周波数帯域毎に異なった不快感を車両搭乗者に知覚させる。たとえば、０．２Ｈｚから３Ｈｚの周波数帯の振動は搭乗者にふわふわ感を、３Ｈｚから８Ｈｚの周波数帯の振動は搭乗者にごつごつ感を、８Ｈｚから２０Ｈｚの周波数帯の振動は搭乗者にばたつき感を、１５Ｈｚから３０Ｈｚの周波数帯の振動は搭乗者にハーシュネスを知覚させる。このほか、振動周波数が１６Ｈｚ周辺の振動や振動周波数が５Ｈｚ周辺の振動に対して、搭乗者は異なった不快感を知覚する。このように、搭乗者は、多様な周波数帯域の振動に対して異なった不快感を知覚する。

　比較的フラットな路面において、０．２Ｈｚから３Ｈｚの周波数帯の振動が大きく搭乗者にふわふわ感を知覚させる場合、路面の劣化が考えられるし、３Ｈｚから８Ｈｚの周波数帯の振動が大きく搭乗者にごつごつ感を知覚させる場合、路面のひび割れが生じている可能性が考えられる。このように、振動の周波数帯の振動の強度によって搭乗者に知覚される不快感は、路面性状が原因となっていると考えられる。

　そこで、入力データ演算部３は、所定時間である３秒間分の４つのばね上加速度、ばね下加速度およびストローク変位の生データから予め決められた周波数帯で抽出したデータをサンプルデータおよび新規データに含める。より詳細には、入力データ演算部３は、４つのばね上加速度、ばね下加速度およびストローク変位について、予め決められた所定の周波数帯の振動のパワー値の総和の値を求め、この値をサンプルデータおよび新規データに含める。つまり、入力データ演算部３は、４つのばね上加速度、４つのばね下加速度および４つのストローク変位の生データをそれぞれＣＰＵ２０が高速フーリエ変換（ＦＦＴ）解析処理を行う演算を実行することで振動のパワースペクトルを求め、前記所定の周波数帯の振動のパワー値（強度）の総和を求める。こうして入力データ演算部３が求めた値は、特徴量としてサンプルデータおよび新規データに含めて判定部５に入力される。所定の周波数帯は、車両走行中において搭乗者に不快感を与える周波数帯とされる。車両走行中において搭乗者に不快感を与える周波数帯の振動は、路面性状の劣化に起因すると考えられ、このようにして入力データ演算部３が求めた値は、路面性状の状況を把握するのに役立つ指標となる。

　本実施の形態では、入力データ演算部３は、４つのばね上加速度、４つのばね下加速度および４つのストローク変位の生データをＦＦＴ解析処理していくつかの周波数帯のパワー値の総和であるパーシャルオーバーオール（ＰＯＡ）値を求める。具体的には、入力データ演算部３は、０．２Ｈｚから３Ｈｚの周波数帯のＰＯＡ値、３Ｈｚから８Ｈｚの周波数帯のＰＯＡ値、８Ｈｚから２０Ｈｚの周波数帯のＰＯＡ値、１５Ｈｚから３０Ｈｚの周波数帯のＰＯＡ値をそれぞれ演算してこれらのＰＯＡ値を特徴量として判定部５に入力する。なお、ＰＯＡ値は、周波数帯の振動のパワー値の総和であるので、その周波数帯における振動強度を端的に表す値であり、路面性状との関連度合が強く表れる点で後述する判定部５の路面性状の判定に有利となるが、所定の周波数帯に含まれる振動の振幅の平均値等、当該周波数帯域のデータから当該周波数帯の特徴を示す値を特徴量として求めてサンプルデータおよび新規データとしてもよい。

　さらに、本実施の形態では、前述した各値とは別に、入力データ演算部３は、所定時間である３秒間分の４つのばね上加速度およびばね下加速度の生データを処理して、車両Ｖのばね下加速度を車両情報から得た車両Ｖの速度で割った値とばね下加速度の最大値を前記ばね下加速度の実行値で割った値を演算によって求め、これら２つの値をサンプルデータおよび新規データに含むようにしている。

　車両Ｖの速度が高くなるとばね下加速度も大きくなる傾向となるため、路面性状を正しく評価できなくなる場合がある。これに対してばね下加速度を車両Ｖの速度で割った値は、車両Ｖが路面を走行した速度の影響を緩和でき、本実施の形態では、入力データ演算部３は、これを特徴量としてサンプルデータおよび新規データとしている。なお、車両Ｖが路面を走行した速度の影響を緩和するには、ばね下加速度の絶対値の最大値を車両Ｖの速度で割った値を利用してもよいし、ばね下加速度の絶対値を車両Ｖの速度で割った値に係数を乗じるなどこの値を加工して使用してもよい。

　また、車両Ｖがポットホールなど一点の損傷個所を通過した場合、車両Ｖにおけるばね下が大きく振動するためばね下加速度の最大値が大きくなるが、一定時間を通じた実効値として見れば大きな値にはならない。これに対して、荒れた路面を車両Ｖが走行し続ける場合、ばね下加速度の最大値も実効値も大きな値となる。このことから、ばね下加速度の最大値をばね下加速度の実効値で割った値は、路面が全体的に荒れているのか、路面が部分的に荒れているのかを示す指標となるので、本実施の形態では、入力データ演算部３は、これを特徴量としてサンプルデータおよび新規データとしている。なお、路面が全体的に荒れているのか、路面が部分的に荒れているのかを示す指標としては、ばね下加速度の最大値をばね下加速度の実効値で割った値の他にも、ばね下加速度の絶対値の最大値をばね下加速度の実効値で割った値、ばね下加速度の最大値とばね下加速度の実効値を乗じた値、ばね下加速度の実効値をばね下加速度の最大値で割った値、ばね下加速度の最小値をばね下加速度の実効値で割った値なども利用可能である。

　前述したところから、本実施の形態の路面性状判定装置１におけるサンプルデータおよび新規データは、４つのばね上加速度、ばね下加速度およびストローク変位の最大値、最小値、平均値、中央値、標準偏差、分散、０．２Ｈｚから３Ｈｚの周波数帯のＰＯＡ値、３Ｈｚから８Ｈｚの周波数帯のＰＯＡ値、８Ｈｚから２０Ｈｚの周波数帯のＰＯＡ値および１５Ｈｚから３０Ｈｚの周波数帯のＰＯＡ値、ばね下加速度を車両Ｖの速度で割った値、およびばね下加速度の最大値をばね下加速度の実効値で割った値の各値とされている。

　さらに、路面性状判定装置１のオペレータが路面性状の各項目が判明している路面を走行した際に得られたデータに対して路面性状の各項目におけるラベルを入力すると、入力データ演算部３は、前記の処理によって得られたデータにラベルを関連付けして教師データとして利用するサンプルデータを生成して判定部５へ与える。たとえば、入力データ演算部３は、データが得られた路面の路面性状の各項目がＩＲＩ３ｍ／ｋｍ、轍掘れ量１０．０ｍｍ、ひび割れ率１０％、平坦性３ｍｍ、ＭＣＩ５．０、ポットホール無の路面で得られたサンプルデータにそれぞれＩＲＩ３ｍ／ｋｍ、轍掘れ量１０ｍｍ、ひび割れ率１０％、平坦性３ｍｍ、ＭＣＩ５．０、ポットホール無である場合、これらをラベルとしてサンプルデータに関連付けする。

　判定部５は、前述した項目毎に路面性状を判定する複数の項目学習部５ａ，５ｂ，５ｃ，５ｄ，５ｅ，５ｆを備えている。判定部５の各項目学習部５ａ，５ｂ，５ｃ，５ｄ，５ｅ，５ｆは、学習モデルに従って機械学習を行う人工知能とされており、ＣＰＵ２０がプログラムを実行して各項目学習部５ａ，５ｂ，５ｃ，５ｄ，５ｅ，５ｆの処理が行うことで実現される。項目学習部５ａは、路面性状の項目のうちＩＲＩについてのみ判定を行う。具体的には、項目学習部５ａは、サンプルデータを教師データとして機械学習によりＩＲＩを判定するために機械学習して、機械学習後に新規データの入力に対してＩＲＩの値を出力する。項目学習部５ｂは、路面性状の項目のうち轍掘れ量についてのみ判定を行う。具体的には、項目学習部５ｂは、サンプルデータを教師データとして機械学習により轍掘れ量を判定するために機械学習して、機械学習後に新規データの入力に対して轍掘れ量の値を出力する。項目学習部５ｃは、路面性状の項目のうちひび割れ率についてのみ判定を行う。具体的には、項目学習部５ｃは、サンプルデータを教師データとして機械学習によりひび割れ率を判定するために機械学習して、機械学習後に新規データの入力に対してひび割れ率の値を出力する。項目学習部５ｄは、路面性状の項目のうち平坦性についてのみ判定を行う。具体的には、項目学習部５ｄは、サンプルデータを教師データとして機械学習により平坦性を判定するために機械学習して、機械学習後に新規データの入力に対して平坦性の値を出力する。項目学習部５ｅは、路面性状の項目のうちＭＣＩについてのみ判定を行う。具体的には、項目学習部５ｅは、サンプルデータを教師データとして機械学習によりＭＣＩを判定するために機械学習して、機械学習後に新規データの入力に対してＭＣＩの値を出力する。項目学習部５ｆは、路面性状の項目のうちポットホールの有無についてのみ判定を行う。具体的には、項目学習部５ｆは、サンプルデータを教師データとして機械学習によりポットホールの有無を判定するために機械学習して、機械学習後に新規データの入力に対してポットホールの有無を判定する。

　以上、入力データ演算部３は、各項目学習部５ａ，５ｂ，５ｃ，５ｄ，５ｅ，５ｆに対応する路面性状の項目について機械学習するため、各項目学習部５ａ，５ｂ，５ｃ，５ｄ，５ｅ，５ｆに前述したサンプルデータを教師データとして入力し、各項目学習部５ａ，５ｂ，５ｃ，５ｄ，５ｅ，５ｆに機械学習させる。

　機械学習のモデルは、教師データを用いた機械学習を行う機械学習モデルとされていて、本実施の形態の路面性状判定装置１では、サポートベクターマシン等の識別機とされているが、バックプロパゲーションやＩＤ３（Ｉｔｅｒａｔｉｖｅ　Ｄｉｃｈｏｔｏｍｉｓｅｒ３）といった学習アルゴリズムを用いた機械学習モデルとされてもよい。

　項目学習部５ａ，５ｂ，５ｃ，５ｄ，５ｅ，５ｆは、入力データ演算部３が生成した路面性状の各項目についてラベルが関連付けされたサンプルデータの入力を受けて対応する各項目について機械学習を行う。サンプルデータは、項目学習部５ａ，５ｂ，５ｃ，５ｄ，５ｅ，５ｆが十分に機械学習を行えるだけの数量与えられる。項目学習部５ａ，５ｂ，５ｃ，５ｄ，５ｅ，５ｆは、サンプルデータによる機械学習が終了し、路面性状の判定に際し使用する機械学習済みモデルが生成されると、ラベルが関連付けされていない未学習データとなる新規データの入力に対して対応する各項目について判定して出力する。項目学習部５ａ，５ｂ，５ｃ，５ｄ，５ｅ，５ｆは、機械学習によって路面性状の各項目について精度よく推定できるようにサンプルデータの各値に対する重みづけのパラメータを調整して、学習済みモデルを生成する。学習済みモデルは、前述した通り、路面性状判定装置１が教師データとしてのサンプルデータの入力によって、路面性状を示す各項目について学習した結果生成される学習済みパラメータが組み込まれた推論プログラムである。ここで、推論プログラムとは、組み込まれた学習済みパラメータを適用することにより、前記新規データの入力に対して路面性状の各項目について判定結果の出力を可能とするプログラムのことである。

　識別機は、サンプルデータからラベルを分類するための超平面を求め、これを学習済みモデルとして未学習データを超平面によって区分された２つのクラスのうちいずれに属するかを識別する識別機である。そのため、項目学習部５ａ，５ｂ，５ｃ，５ｄ，５ｅは、ＩＲＩ、轍掘れ量、ひび割れ率、平坦性、ＭＣＩの値を求めるため、内部に複数の識別機を保有している。たとえは、ＩＲＩについて１ｍ／ｋｍの刻みで５ｍ／ｋｍ以下のＩＲＩを判定する場合、項目学習部５ａは、２．５ｍ／ｋｍ未満と２．５ｍ／ｋｍ以上のいずれかを判定する識別機、１．７５ｍ／ｋｍ未満と１．７５ｍ／ｋｍ以上のいずれかを判定する識別機、３．７５ｍ／ｋｍ未満と３．７５ｍ／ｋｍ以上のいずれかを判定する識別機、１ｍ／ｋｍ未満と１ｍ／ｋｍ以上のいずれかを判定する識別機、２ｍ／ｋｍ未満と２ｍ／ｋｍ以上のいずれかを判定する識別機、３ｍ／ｋｍ未満と３ｍ／ｋｍ以上のいずれかを判定する識別機、４ｍ／ｋｍ未満と４ｍ／ｋｍ以上のいずれかを判定する識別機というように識別機を多層化してＩＲＩの値を判定するようにすればよい。なお、項目学習部５ａが備える各識別機において２つのクラスの切り分けの境界の数値は、一例であって設計変更可能である。

　このように、項目学習部５ａ，５ｂ，５ｃ，５ｄ，５ｅはＩＲＩ、轍掘れ量、ひび割れ率、平坦性、ＭＣＩの値に区分を設けて複数の識別機を多層化して、サンプルデータの入力によって機械学習を行い、学習が済んだ後に未学習のデータである新規データの入力に対し、ＩＲＩ、轍掘れ量、ひび割れ率、平坦性、ＭＣＩの値を求めるようにすればよい。値の区分を細分化したければ識別機を増やせばよい。なお、項目学習部５ｆは、ポットホールの有無について判定を行うので、識別機を多層化する必要はない。

　また、判定部５は、前記項目に代えて或いは加えて、轍掘れの有無、ひび割れの有無、路面凹凸の有無を判定するようにしてもよいし、道路補修の要否、路面性状判定装置１のオペレータが任意に定める項目について判定するようにしてよい。そして、判定部５は、複数の項目を機械学習するように構成されてもよいが、設定される項目毎に項目学習部を備えることができる。

　以上のように、判定部５は、入力データ演算部３が生成するラベル付きのサンプルデータを教師データとして、路面性状の各項目について機械学習して学習済みモデルを生成する（路面性状学習ステップ）。そして、判定部５は、機械学習が済むと、入力データ演算部３が生成する未学習の新規データの入力に対して学習済みモデルに照らして新規データがどのラベルに属するかを判定して出力する。つまり、ＩＲＩであれば、判定部５における項目学習部５ａは、機械学習した学習済みモデルを用いて新規データの入力に対してＩＲＩの値を判定して出力する。同様に、項目学習部５ｂ，５ｃ，５ｄ，５ｅは、それぞれ対応する轍掘れ量、ひび割れ率、平坦性、ＭＣＩの値について出力する。また、項目学習部５ｆは、ポットホールの有無について出力する。

　第１の実施の形態の路面性状判定装置１は、以上のように構成されており、以下に作動について図６および図７に基づいて説明する。路面性状判定装置１は、振動情報収集装置１０が収集した振動情報および車両情報の生データのファイルを受け取ると、記憶装置２１に格納する。

　まず、路面性状判定装置１は、オペレータから入力装置２２を通じて機械学習を行う指示が入力されると、ＣＰＵ２０が生データを処理するプログラムを実行して生データを処理してサンプルデータを生成する（ステップＳ１）。具体的には、ＣＰＵ２０によるステップＳ１の処理によって、路面性状判定装置１は、６０秒間分の生データを格納したファイルから５７個のサンプルデータを生成する。路面性状判定装置１は、本実施の形態では、前述した通り、４つのばね上加速度、ばね下加速度およびストローク変位について、最大値、最小値、平均値、中央値、標準偏差、分散、０．２Ｈｚから３Ｈｚの周波数帯のＰＯＡ値、３Ｈｚから８Ｈｚの周波数帯のＰＯＡ値、８Ｈｚから２０Ｈｚの周波数帯のＰＯＡ値および１５Ｈｚから３０Ｈｚの周波数帯のＰＯＡ値、ばね下加速度を車両Ｖの速度で割った値、およびばね下加速度の最大値をばね下加速度の実行値で割った値の各値を特徴量としたサンプルデータを生成する。

　つづいて、路面性状判定装置１は、オペーレータのラベルの入力にしたがって、サンプルデータに路面性状の各項目についてラベルを関連付けする（ステップＳ２）。

　さらに、路面性状判定装置１は、ラベルが関連付けされたサンプルデータを教師データとして各項目について判定できるよう機械学習する（ステップＳ３）。具体的には、ＣＰＵ２０は、路面性状の各項目についてラベルが関連付けされたサンプルデータを教師データとして識別機として機能するための所定の学習アルゴリズムにしたがって機械学習する処理を行う。この処理は、路面性状判定装置１が機械学習を行って未学習データの入力に対して路面性状の各項目について精度よく判定できるようになるまで繰り返し行われる。

　以上のように、路面性状判定装置１がサンプルデータの入力によって機械学習を終了すると、入力データ演算部３が生成する未学習の新規データの入力に対して路面性状を判定する準備が整ったことになる。

　路面性状判定装置１は、前述の機械学習後にオペレータから入力装置２２を通じて新規データに対する路面性状の判定を行う指示が入力されると、ＣＰＵ２０が生データを処理するプログラムを実行して振動情報および車両情報の生データを処理して新規データを生成する（ステップＳ１１）。具体的には、ＣＰＵ２０によるステップＳ１１の処理によって、路面性状判定装置１は、６０秒間分の生データを格納したファイルから５７個の新規データを生成する。ＣＰＵ２０によるステップＳ１１の処理で、振動情報の生データから所定時間である３秒分のデータを切り取り、切り取った３秒分のデータを処理して新規データを求めて判定部５へ入力するが、１つ前の新規データを求める際の切り取ったデータと、次に入力する新規データを求める際に切り取ったデータの一部を重複させるオーバーラップ処理を行って、順次新規データを求める。路面性状判定装置１は、本実施の形態では、前述した通り、４つのばね上加速度、ばね下加速度およびストローク変位について、最大値、最小値、平均値、中央値、標準偏差、分散、０．２Ｈｚから３Ｈｚの周波数帯のＰＯＡ値、３Ｈｚから８Ｈｚの周波数帯のＰＯＡ値、８Ｈｚから２０Ｈｚの周波数帯のＰＯＡ値および１５Ｈｚから３０Ｈｚの周波数帯のＰＯＡ値、ばね下加速度を車両Ｖの速度で割った値、およびばね下加速度の最大値をばね下加速度の実行値で割った値の各値を特徴量とした新規データを生成する。つまり、新規データの特徴量は、サンプルデータの特徴量と同一種類の値となっている。

　つづいて、路面性状判定装置１は、新規データの入力に対して学習済みモデルを用いて路面性状の各項目について判定する（ステップＳ１２）。具体的には、ＣＰＵ２０は、新規データの入力に対して、学習済みのモデルを利用して、路面性状の各項目であるＩＲＩ、轍掘れ量、ひび割れ率、平坦性、ＭＣＩの各値およびポットホールの有無を判定する。

　そして、路面性状判定装置１は、路面性状の各項目について求めた判定結果を表示装置６に表示する（ステップＳ１３）。また、路面性状判定装置１は、オペレータの入力装置２２の操作によって判定結果を印刷する指令を受け取ると、各項目の判定結果を紙媒体に印刷する。なお、路面性状判定装置１は、オペレータの指示が無くても判定結果を印刷装置７により紙媒体に印刷して出力してもよい。

　路面性状判定装置１が判定した路面性状の各項目についての判定結果は、オペレータの道路の維持管理に役立つ資料となり、オペレータの道路の補修の要否の判断に寄与する。

　このように、本実施の形態の学習済みモデル生成方法は、車両Ｖが走行する際に検知される振動情報から少なくとも１つ以上の周波数帯で抽出したデータを含むサンプルデータを教師データとして機械学習により前記路面性状を予め学習し、学習済みモデルを生成する。このように構成された学習済みモデル生成方法では、路面性状の劣化に結び付きの強い周波数帯の振動を教師データとして与えられて判定部が路面性状を機械学習して学習済みモデルを生成するので、機械学習後には精度よく路面性状の判定を行うことができる。また、学習済みモデル生成方法は、振動情報から得られるサンプルデータと同種の新規データを用いて路面性状を判定するので、路面性状の判定処理にあたって路面の凹凸をスキャンした画像データを解析するような高コストな解析が不要である。よって、本実施の形態の学習済みモデル生成方法によれば、低コストで精度良く路面性状の判定を行える。さらに、本実施の形態の学習済みモデル生成方法によれば、低コストで路面性状の判定を行えるので、一般道路や生活道路についても手軽に路面性状の判定が行える。サンプルデータおよび新規データに含める周波数帯で抽出されるデータとしては、当該周波数帯の振動の振幅の平均値等の当該周波数帯域のデータから当該周波数帯の特徴を示す値とされればよい。さらに、本実施の形態の学習済みモデル生成方法は、車両が走行する際に振動情報を振動情報収集装置１０によって収集する振動情報収集ステップと、振動情報から少なくとも１つ以上の周波数帯で抽出したデータを含むサンプルデータを教師データとして路面性状判定装置１が機械学習により路面性状を予め学習し、学習済みモデルを生成する路面性状学習ステップとを備えていてもよい。このように構成された学習済みモデル生成方法では、２つの装置１，１０で簡単に学習済みモデルを生成できる。

　また、本実施の形態の路面性状判定装置１は、振動情報から少なくとも１つ以上の周波数帯で抽出したデータを含むサンプルデータを教師データとして予め機械学習により路面性状を学習して得た学習済みモデルを有し、前記学習済みモデルに基づいて、サンプルデータと同種の新規データの入力に対して前記路面性状を判定する判定部５を備えている。このように構成された路面性状判定装置１では、路面性状の劣化に結び付きの強い周波数帯の振動を教師データとして与えられて判定部５が路面性状を機械学習するので、機械学習後には精度よく路面性状の判定を行うことができる。また、路面性状判定装置１は、振動情報から得られるサンプルデータと同種の新規データを用いて路面性状を判定するので、路面性状の判定処理にあたって路面の凹凸をスキャンした画像データを解析するような高コストな解析が不要である。よって、本実施の形態の路面性状判定装置１によれば、低コストで精度良く路面性状の判定を行える。さらに、本実施の形態の路面性状判定装置１によれば、低コストで路面性状の判定を行えるので、一般道路や生活道路についても手軽に路面性状の判定が行える。サンプルデータおよび新規データに含める周波数帯で抽出されるデータとしては、当該周波数帯の振動の振幅の平均値等の当該周波数帯域のデータから当該周波数帯の特徴を示す値とされればよい。

　また、路面性状の判定には、走行中の車両に搭乗した検査員が体感評価やＩＲＩと関連付けられた写真との比較による目視評価等を行う方法もあるが、微小なヒビやポットホールを見逃してしまう可能性もあり、正確にＩＲＩを判定することは難しく、さらに、管理区域内の一般道路や生活道路の全部についてこのような官能試験を行うには多大な時間と労力がかかってしまう。これに対して、本実施の形態の学習済みモデル生成方法および路面性状判定装置１では、検査員の目視作業も必要のないので人的負担が少なく、低コストで路面性状を判定できるので一般道路や生活道路の路面性状の判定にも活用できる。

　なお、前述したところでは、判定部５は、サンプルデータを教師データとして機械学習を行って路面性状について学習してから、未学習の新規データについて路面性状の判定を行うようになっており、未学習の新規データについて路面性状の判定の行うために使用する学習済みのモデルは、予めプログラムされた学習アルゴリズムによる処理を繰り返し行う機械学習によって生成される。このように生成された学習済みモデルは、プログラムとして学習機能のないコンピュータシステムに移植することができる。よって、路面性状判定装置１における判定部５は、学習機能を備えていないが、振動情報から少なくとも１つ以上の周波数帯で抽出したデータを含むサンプルデータを教師データとして機械学習により生成された学習済みモデルを有し、学習済みモデルに基づいて、サンプルデータと同種の新規データの入力に対して路面性状を判定するように構成されてもよい。

　また、本実施の形態では、サンプルデータは、振動情報から抽出した搭乗者にふわふわ感を知覚させる０．２Ｈｚから３Ｈｚの周波数帯の振動、搭乗者にごつごつ感を知覚させる３Ｈｚから８Ｈｚの周波数帯の振動、搭乗者にバタバタ感を知覚させる８Ｈｚから２０Ｈｚの周波数帯の振動、搭乗者にハーシュネスを知覚させる１５Ｈｚから３０Ｈｚの周波数帯の振動、搭乗者にぶるぶる感を知覚させる１６Ｈｚ周辺の周波数帯の振動、搭乗者に突き上げ感を知覚させる５Ｈｚ周辺の周波数帯の振動を特徴量として含んでいるので、搭乗者に不快感を与える周波数帯をカバーして路面性状を判定できる。なお、たとえば、ふわふわ感を知覚させる０．２Ｈｚから３Ｈｚの周波数帯の振動のみに着目した路面性状の判定を行いたいのであれば、０．２Ｈｚから３Ｈｚの周波数帯の振動のみから得た特徴量をサンプルデータとして判定部５に機械学習させてもよい。このようにオペレータが評価したい周波数帯を任意に選んで判定部５に機械学習させてもよく、その場合、新規データについてもサンプルデータに対応した周波数帯の振動のみから得た特徴量として判定部５へ与えればよい。

　また、本実施の形態の路面性状判定装置１における判定部５は、路面性状を示す複数の項目毎に対応して対応する項目のみについて路面性状を機械学習する複数の項目学習部５ａ，５ｂ，５ｃ，５ｄ，５ｅ，５ｆを備え、項目学習部５ａ，５ｂ，５ｃ，５ｄ，５ｅ，５ｆは、新規データの入力に対して対応する項目についてのみ路面性状を判定する。このように構成された路面性状判定装置１によれば、異なる尺度で路面性状を示す項目毎に対応する項目に特化して機械学習および判定する項目学習部５ａ，５ｂ，５ｃ，５ｄ，５ｅ，５ｆを備えているので、路面性状の項目毎に高精度な判定を行える。

　なお、振動情報として得られる加速度やストローク変位は時間軸波形であり、サンプルデータおよび新規データを生成する際に、時間を全く区切らない場合全体的な路面性状の判定はしやすいがポットホールを認識しづらいデータとなってしまうので、振動情報を細分化した時間で分割して路面性状を評価するためのデータを得る必要がある。本実施の形態の入力データ演算部３は、６０秒間の振動情報から３秒ずつの振動情報の生データからサンプルデータおよび新規データを得るようにしているが、前述のオーバーラップ処理を行わない場合、時間区間毎の路面性状の把握が可能となるものの時間を分割した継ぎ目の付近の情報が欠落してしまう。これに対して、本実施の形態の路面性状判定装置１は、振動情報の生データから所定時間分のデータを切り取り、切り取った所定時間分のデータを処理して新規データを求めて判定部５へ入力する入力データ演算部３を備え、入力データ演算部３は、１つ前の新規データを求める際の切り取ったデータと、次に入力する新規データを求める際に切り取ったデータの一部を重複させるオーバーラップ処理を行って順次前記新規データを求める。このように路面性状判定装置１は、オーバーラップ処理を行うので、時間区間毎の路面性状の把握が可能となるとともに時間を分割した継ぎ目の付近の情報の欠落もないサンプルデータと新規データで機械学習と判定を行うので、精度よく路面性状を判定できる。また、時間を区切る所定時間を３秒に設定しているので、車両Ｖの乗心地に影響を与える低周波成分のデータもサンプルデータおよび新規データに含めることができ、低周波の乗心地に影響を与える路面性状についても正確に判定できる。

　さらに、本実施の形態の路面性状判定装置１では、サンプルデータおよび新規データが少なくとも１つ以上の周波数帯で抽出したパーシャルオーバーオール値を含んでいる。このように構成された路面性状判定装置１によれば、前記周波数帯の振動の強度を端的に表す値であり路面性状との関連度合が強く表れるパーシャルオーバーオール値を特徴量としてサンプルデータおよび新規データに含めるので、判定部５の路面性状の判定精度が向上する。

　また、本実施の形態の路面性状判定装置１では、振動情報が車両Ｖのばね上部材の加速度を含んでいるので、車両Ｖの乗心地に直接関係するばね上加速度を用いて路面性状を判定でき、車両Ｖの乗心地の観点から路面性状を判定できる。

　さらに、本実施の形態の路面性状判定装置１では、サンプルデータおよび新規データが車両Ｖのばね下加速度の最大値をばね下加速度の実行値で割った値を含んでいる。ばね下加速度を車両Ｖの速度で割った値は、車両Ｖが路面を走行した速度の影響が緩和された値となる。よって、ばね下加速度を車両Ｖの速度で割った値をサンプルデータおよび新規データとして路面性状について機械学習および判定するよう構成された路面性状判定装置１によれば、車両の走行速度によらず精度よく路面性状を判定できるようになる。

　また、本実施の形態の路面性状判定装置１では、サンプルデータおよび新規データが車両Ｖのばね下加速度の最大値をばね下加速度の実行値で割った値を含んでいる。車両Ｖがポットホールなど一点の損傷個所を通過した場合、車両Ｖにおけるばね下が大きく振動するためばね下加速度の最大値が大きくなるが、一定時間を通じた実効値として見れば大きな値にはならない。これに対して、荒れた路面を車両Ｖが走行し続ける場合、ばね下加速度の最大値も実効値も大きな値となる。このことから、ばね下加速度の最大値をばね下加速度の実効値を割った値は、路面が全体的に荒れているのか、路面が部分的に荒れているのかを示す指標となる。よって、ばね下加速度の最大値をばね下加速度の実効値を割った値をサンプルデータおよび新規データとして路面性状について機械学習および判定するよう構成された路面性状判定装置１によれば、路面の全体が荒れているのか部分的に荒れているのか路面性状をより正確に把握でき、精度よく路面性状を判定できるようになる。

　さらに、本実施の形態の路面性状判定装置１では、サンプルデータおよび新規データが車両Ｖのばね上部材の最高値、平均値、中央値、最低値、分散および標準偏差を含んでいる。このように構成された路面性状判定装置１によれば、ばね上部材の振動情報を代表する指標を用いて路面性状について機械学習および判定することができる。

　また、図１に示した第１の実施の形態の路面性状判定装置１のように、新規データが異常なデータであるか否かを判断する判断部８を備えていてもよい。判断部８は、ＣＰＵ２０が判断部８の処理を行うプログラムを実行することで実現される。判断部８は、同一のラベルの各サンプルデータの平均値を座標とした基準点と、同一のラベルに属すると判定された新規データとに基づいて当該新規データが異常か否かを判断する。具体的には、判断部８は、サンプルデータ中に含まれる特徴量のデータ数をｎ個とすると、機械学習に利用され、同一の項目について同一のラベルが付与されたサンプルデータの全部についてｎ個の特徴量毎に平均値を求める。判断部８は、ｎ個の特徴量をそれぞれ軸にとったｎ次元座標系中で、求めたｎ個の平均値を組みとした場合の座標を基準点とし、この基準点からｎ次元座標系で示した各サンプルデータのｎ次元座標系中の座標までの距離を求める。たとえば、サンプルデータ中に含まれる特徴量のデータがばね上部材の加速度の最高値、標準偏差および１つのＰＯＡ値の３つのデータであり、それぞれの値の平均値が、１０、０．１５および６．６であった場合、最高値、標準偏差およびＰＯＡ値を軸とした３軸座標系中で組（１０，０．１５，６．６）の座標と基準点とする。この基準点の座標（１０，０．１５，６．６）から各サンプルデータの最高値、標準偏差および１つのＰＯＡ値を組とした座標までの距離を求めればよい。

　そして、判断部８は、基準点からの各サンプルデータの距離の平均値と、基準点からの各サンプルデータの距離のばらつきを示す標準偏差を求める。

　このように、判断部８は、路面性状の各項目について、それぞれ同一ラベルの付与されたサンプルデータから基準点、距離の平均値および標準偏差を求める。つまり、ＩＲＩについて１ｍ／ｋｍ刻みで５ｍ／ｋｍまでのＩＲＩのラベルが付与される場合を例にすれば、判断部８は、ＩＲＩ値毎に同一のラベルが付与されたサンプルデータの全部について基準点を求めるので、ＩＲＩの値が１ｍ／ｋｍ、２ｍ／ｋｍ、３ｍ／ｋｍ、４ｍ／ｋｍ、５ｍ／ｋｍの５つのラベル毎に基準点、距離の平均値および標準偏差を求める。

　そして、判定部５によって新規データのＩＲＩの判定結果が３ｍ／ｋｍ以上４ｍ／ｋｍ未満であると判断されると、同一のラベルのサンプルデータ群の基準点と新規データのｎ次元座標系中の座標との距離を求める。判断部８は、新規データの距離から同一ラベルのサンプルデータ群の距離の平均値との差を求め、この差の絶対値が同一ラベルのサンプルデータ群の距離の標準偏差の３倍の値を超える場合、新規データを異常と判断し、前記差の絶対値が同一ラベルのサンプルデータ群の距離の標準偏差の３倍以下である場合、新規データを正常と判断する。サンプルデータ群および新規データが正規分布に従うと仮定した場合、前記差の絶対値は、９７％の確率で同一ラベルのサンプルデータ群の距離の標準偏差の３倍以内の範囲に入る筈であるから、この範囲から逸脱した新規データは特異なデータである可能性がある。よって、判断部８は前述のような判断を行って新規データが異常か否かを判断する。なお、前記したところでは、新規データを異常として取り扱う際の基準として、前記差の絶対値が同一ラベルのサンプルデータ群の距離の標準偏差の３倍以上の場合をデータ以上として取り扱うとしたが、当該基準は任意に設定できる。

　判断部８の判断結果は、表示装置６に表示され、オペレータの要求により印刷装置７によって紙媒体に印刷される。判断部８による新規データの異常ありとの判断結果は、項目学習部における機械学習が不十分であったり、路面性状の項目について新たなラベルが必要であったりすることを示唆する指標となる。よって、判断部８の判断結果を参照した路面性状判定装置１のオペレータは、再度の判定部５の機械学習に必要性や、新規ラベルの必要性に気づくことができる。オペレータは、路面性状判定装置１に再び新規に収集されるサンプルデータを教師データとして与えて路面性状判定装置１に機械学習させることができる。このように判断部８を備えた路面性状判定装置１は、路面性状判定装置１のオペレータに判定部５の再度の機械学習の必要性や新規ラベルの必要性について示唆を与えることができる。

　《第２の実施の形態》
　さらに、入力データ演算部３は、前述したようにサンプルデータおよび新規データとなる特徴量を演算する他、これらの特徴量が得られた際の車両Ｖの走行条件毎にサンプルデータおよび新規データを区別して取り扱うようにしてもよい。具体的には、入力データ演算部３は、車両情報のファイルを参照し振動情報が得られた時刻の車両Ｖの速度を把握し、車両Ｖの速度に設定された閾値と比較して、振動情報が得られた際の速度が閾値以上である場合、その振動情報から得たサンプルデータおよび新規データを高速走行時のデータとして取り扱う。また、入力データ演算部３は、車両Ｖの速度に設定された閾値と比較して、振動情報が得られた際の速度が閾値未満である場合、その振動情報から得たサンプルデータおよび新規データを低速走行時のデータとして取り扱う。なお、速度に設定される閾値は、たとえば、４０ｋｍ／ｈ等というように任意に設定できる。さらに、入力データ演算部３は、車両情報のファイルを参照し振動情報が得られた時刻の車両Ｖのワイパーの駆動状況を把握し、振動情報が得られた際にワイパーが駆動されている場合、その振動情報から得たサンプルデータおよび新規データを降雨時のデータとして取り扱い、反対に振動情報が得られた際にワイパーが駆動されていない場合、その振動情報から得たサンプルデータおよび新規データを晴天時のデータとして取り扱う。このように入力データ演算部３は、車両Ｖが走行する速度および天候を走行条件として、条件毎にサンプルデータおよび新規データを区別して取り扱う。よって、入力データ演算部３は、サンプルデータおよび新規データを高速・晴天時、高速・降雨時、低速・晴天時および低速・降雨時の４つの走行条件で分けて取り扱うべく、サンプルデータおよび新規データに走行条件の情報を関連付けする。

　他方、判定部５における項目学習部５ａは、図８に示した第２の実施の形態の路面性状判定装置１ａのように、前記４つの走行条件に対応してそれぞれ４つの走行条件別学習部５ａ１，５ａ２，５ａ３，５ａ４を備える。走行条件別学習部５ａ１は、高速・晴天時のサンプルデータによって機械学習し、高速・晴天時の新規データに対して路面性状を判定する。走行条件別学習部５ａ２は、高速・降雨時のサンプルデータによって機械学習し、高速・降雨時の新規データに対して路面性状を判定する。走行条件別学習部５ａ３は、低速・晴天時のサンプルデータによって機械学習し、低速・晴天時の新規データに対して路面性状を判定する。走行条件別学習部５ａ４は、低速・降雨時のサンプルデータによって機械学習し、低速・降雨時の新規データに対して路面性状を判定する。つまり、走行条件別学習部５ａ１，５ａ２，５ａ３，５ａ４は、路面性状の同一の項目であるＩＲＩの値について、対応する走行条件が関連付けされたサンプルデータのみを教師データとして機械学習を行い、対応する走行条件が関連付けされた新規データのみに対して判定する。なお、前述したところでは、走行条件が４つ設定されており、走行条件別学習部が４つ設けられているがいるが、走行条件を高速と低速の２つ、或いは、雨天と晴天の２つとする場合には、項目学習部５ａは、対応する２つの走行条件別学習部を備えたものでもよい。また、走行条件が５つ以上ある場合には、項目学習部５ａは、これに対応して５つの走行条件別学習部を備えていればよい。このように、項目学習部５ａは、走行条件の設定数に応じて、これに対応して数の走行条件別学習部を備えていればよい。

　走行条件別学習部５ａ１，５ａ２，５ａ３，５ａ４は、第１の実施の形態の項目学習部５ａと同様の構成の識別機とされている。したがって、走行条件別学習部５ａ１，５ａ２，５ａ３，５ａ４は、与えられる教師データが走行条件毎に異なっているだけで、機械学習および新規データに対する判定の処理については同様の処理を行う。よって、走行条件別学習部５ａ１は、機械学習によって高速・晴天時のＩＲＩの判定に特化した学習済みモデルを生成し、高速・晴天時の新規データに対してＩＲＩを判定する。走行条件別学習部５ａ２は、機械学習によって高速・降雨時のＩＲＩの判定に特化した学習済みモデルを生成し、高速・降雨時の新規データに対してＩＲＩを判定する。走行条件別学習部５ａ３は、機械学習によって低速・晴天時のＩＲＩの判定に特化した学習済みモデルを生成し、低速・晴天時の新規データに対してＩＲＩを判定する。走行条件別学習部５ａ４は、機械学習によって低速・降雨時のＩＲＩの判定に特化した学習済みモデルを生成し、低速・降雨時の新規データに対してＩＲＩを判定する。

　判定部５の他の項目学習部５ｂ，５ｃ，５ｄ，５ｅ，５ｆも項目学習部５ａと同様に４つの走行条件に対応した走行条件別学習部５ｂ１，５ｂ２，５ｂ３，５ｂ４，５ｃ１，５ｃ２・・・５ｆ３，５ｆ４を備える。走行条件別学習部５ｂ１，５ｂ２，５ｂ３，５ｂ４，５ｃ１，５ｃ２・・・５ｆ３，５ｆ４も、対応する第１の実施の形態の項目学習部５ｂ，５ｃ，５ｄ，５ｅ，５ｆと同様の構成の識別機とされている。走行条件別学習部５ｂ１，５ｂ２，５ｂ３，５ｂ４，５ｃ１，５ｃ２・・・５ｆ３，５ｆ４は、走行条件別学習部５ａ１，５ａ２，５ａ３，５ａ４と同様に、それぞれ対応する路面性状の項目について、対応する走行条件が関連付けされたサンプルデータのみを教師データとして機械学習を行い、対応する走行条件が関連付けされた新規データのみに対して判定する。

　なお、走行条件別学習部５ａ１，５ａ２，５ａ３，５ａ４，５ｂ１，５ｂ２・・・５ｆ３，５ｆ４は、本実施の形態の路面性状判定装置１ａでは、識別機とされているが、バックプロパゲーションやＩＤ３といった学習アルゴリズムを用いた機械学習モデルとされてもよい。

　以上のように、判定部５は、入力データ演算部３が生成する走行条件が関連付けられたラベル付きのサンプルデータを教師データとして、路面性状の各項目について走行条件毎に機械学習して項目毎かつ走行条件毎に学習済みモデルを生成する。そして、判定部５は、機械学習が済むと、入力データ演算部３が生成する未学習の新規データの入力に対して学習済みモデルに照らして新規データがどのラベルに属するかを判定して出力する。たとえば、高速・降雨時のＩＲＩであれば、項目学習部５ａの走行条件別学習部５ａ２が機械学習した学習済みモデルを用いて新規データの入力に対してＩＲＩの値を判定して出力する。同様に、項目学習部５ｂ，５ｃ，５ｄ，５ｅ，５ｆは、それぞれ対応する轍掘れ量、ひび割れ率、平坦性、ＭＣＩの値について走行条件に適合した走行条件別学習部が新規データの入力を受けて判定結果を表示装置６に出力する。路面性状判定装置１ａは、判定結果を印刷装置７により紙媒体に印刷して出力してもよい。なお、新規データについては、全ての走行条件別学習部５ａ１，５ａ２，５ａ３，５ａ４，５ｂ１，５ｂ２・・・５ｆ３，５ｆ４に入力されてもよく、全ての走行条件別学習部５ａ１，５ａ２，５ａ３，５ａ４，５ｂ１，５ｂ２・・・５ｆ３，５ｆ４が同一の新データに対して判定してもよい。そして、路面性状装置１ａは、全ての判定結果を表示装置６に出力するようにしてもよく、判定結果を印刷装置７により紙媒体に印刷して出力してもよい。この場合、路面性状判定装置１ａのオペレータは、新規データがどのような走行条件で得られたのかを把握したうえで、各項目学習部５ａ，５ｂ，５ｃ，５ｄ，５ｅ，５ｆがそれぞれ出力する同一項目についての４つずつの判定結果から適切な判定結果を選択して路面性状を把握すればよい。

　このように構成された路面性状判定装置１ａでは、項目学習部５ａ，５ｂ，５ｃ，５ｄ，５ｅ，５ｆが車両Ｖの走行条件毎に対応して、対応する走行条件毎に路面性状を機械学習する複数の走行条件別学習部５ａ１，５ａ２，５ａ３，５ａ４，５ｂ１，５ｂ２・・・５ｆ３，５ｆ４を備えている。このように構成された路面性状判定装置１ａによれば、路面性状を示す項目毎に走行条件に合致した機械学習および判定を行うので、走行条件が異なっても路面性状の項目毎に高精度な判定を行える。なお、走行条件は、前述したところでは、車両Ｖの速度、走行時の天候とされているが、坂道であるか否か、旋回時と直進時の別、加速時・減速時および等速時の別などとされてもよい。

　以上、本発明の好ましい実施の形態を詳細に説明したが、特許請求の範囲から逸脱しない限り、改造、変形、および変更が可能である。

１，１ａ・・・路面性状判定装置、３・・・入力データ演算部、４・・・データベース、５・・・判定部、５ａ，５ｂ，５ｃ，５ｄ，５ｅ，５ｆ・・・項目学習部、５ａ１，５ａ２，５ａ３，５ａ４，５ｂ１，５ｂ２，５ｂ３，５ｂ４，５ｃ１，５ｃ２，５ｃ３，５ｃ４，５ｄ１，５ｄ２，５ｄ３，５ｄ４，５ｅ１，５ｅ２，５ｅ３，５ｅ４，５ｆ１，５ｆ２，５ｆ３，５ｆ４・・・走行条件別学習部、８・・・判断部、２０・・・ＣＰＵ、２１・・・記憶装置、２２・・・入力装置

Claims

　学習済みモデルの生成方法であって、
　車両が走行する際に検知される振動情報から少なくとも１つ以上の周波数帯で抽出したデータを含むサンプルデータを教師データとして機械学習により前記路面性状を予め学習し、学習済みモデルを生成する
　学習済みモデル生成方法。
　請求項１に記載の学習済みモデル生成方法であって、
　車両が走行する際に振動情報を振動情報収集装置によって収集する振動情報収集ステップと、
　前記振動情報から少なくとも１つ以上の周波数帯で抽出したデータを含むサンプルデータを教師データとして路面性状判定装置が機械学習により前記路面性状を予め学習し、前記学習済みモデルを生成する路面性状学習ステップとを備えた
　学習済みモデル生成方法。
　車両が走行する際に検知される振動情報から路面性状を判定する路面性状判定装置であって、
　請求項１または請求項２に記載の学習済みモデル生成方法によって生成された学習済みモデルを有し、
　前記学習済みモデルに基づいて、前記サンプルデータと同種の新規データの入力に対して前記路面性状を判定する判定部を備えた
　路面性状判定装置。
　請求項３に記載の路面性状判定装置であって、
　前記判定部は、前記路面性状を示す複数の項目毎に対応して対応する項目のみについて前記路面性状を学習する複数の項目学習部を有し、
　前記項目学習部は、前記新規データの入力に対して対応する前記項目についてのみ前記路面性状を判定する
　路面性状判定装置。
　請求項４に記載の路面性状判定装置であって、
　前記項目学習部は、前記車両の走行条件毎に対して、対応する走行条件毎に前記路面性状を機械学習する複数の走行条件別学習部を有する
　路面性状判定装置。
　請求項４に記載の路面性状判定装置であって、
　同一のラベルの各サンプルデータの平均値を座標とした基準点と、同一のラベルに属すると判定された新規データとに基づいて前記新規データが異常か否かを判断する判断部を備えた
　路面性状判定装置。
　請求項３に記載の路面性状判定装置であって、
　１つ前の前記新規データを求める際に切り取ったデータと、次に入力する前記新規データを求める際に切り取ったデータの一部を重複させるオーバーラップ処理を行って順次前記新規データを求めて前記判定部へ入力する入力データ演算部を備える
　路面性状判定装置。
　請求項３に記載の路面性状判定装置であって、
　前記振動情報は前記車両のばね上部材の加速度を含む
　路面性状判定装置。
　請求項３に記載の路面性状判定装置であって、
　前記サンプルデータおよび前記新規データは、少なくとも１つ以上の周波数帯で抽出したパーシャルオーバーオール値を含む
　路面性状判定装置。
　請求項３に記載の路面性状判定装置であって、
　前記サンプルデータおよび前記新規データは、前記車両のばね下加速度を前記車両の速度で割った値を含む
　路面性状判定装置。
　請求項３に記載の路面性状判定装置であって、
　前記サンプルデータおよび前記新規データは、前記車両のばね下加速度の最大値を前記ばね下加速度の実行値で割った値を含む
　路面性状判定装置。
　請求項３に記載の路面性状判定装置であって、
　前記サンプルデータおよび前記新規データは、前記車両のばね上部材の最高値、平均値、中央値、最低値、分散および標準偏差を含む
　路面性状判定装置。